信用隐私保护：公众意识与行为因素定量研究

毛通

摘要：大数据等科技手段在给整个社会和公众带来便利和益处的同时，也引发了有关个人隐私安全的担忧。文章在个人信用隐私保护行为理论分析基础上，采用计量经济模型对信用隐私保护行为能力的影响因素进行定量分析和实证检验。将影响因素分为个体因素、环境因素、心理因素和经验因素，并对解释变量进行最优尺度回归。实证研究结果表明，上述因素对个人信用隐私保护行为能力存在显著影响。文章最后提出了加快推进隐私保护立法、加大隐私泄露惩处力度、健全企业自律、重视个人隐私保护宣教和推动隐私保护技术等方面的政策建议。

关键词：信用隐私  隐私保护  影响因素  最优回归

一、引言

个人信用信息是法律规制下的信息中表征主体信用状况的信息，是一个附属于个人信息的子概念[1]。国内外对个人信用信息范围的界定并不统一。在欧美等发达国家中，个人信用信息的范围大致包括：身份识别信息、账户信息、关联信息、公共记录信息、不良记录信息等[2]。我国有关立法所界定的个人信用信息主要包括反映个人基本信息的个人身份情况、表征个人商业信用的商业信用记录、影响个人信用的社会公共信息记录以及反映个人守法情况的有关诉讼及处罚记录等。个人信用信息隐私是隐私在个人信用信息领域的延伸，彰显了个人信用信息的人格利益[3]。

作为驱动数字经济的重要引擎，大数据等科技手段给整个社会和公众带来便利和益处的同时，也引发了有关个人隐私安全的担忧，个人信息的不当扩散与使用越来越成为危害公民民事权利的一个社会性问题。发展数字经济，不能以牺牲公众个人隐私权利作为代价。党和政府多次强调了保护个人隐私安全的重要性。除了从制度层面构建个人信用隐私保护的防火墙，以及规范用信部门对信用隐私信息使用的权责，公民个人提高对自身信用隐私信息的保护意识和能力也尤为必要。

二、个人信用隐私保护行为的文献评述

个人对信用隐私自我保护的意识和行为能力受到许多因素的影响。对行为影响因素开展相应研究，既有助于提高公众信用自我保护意识，更好地管理个人信用隐私信息，同时也对当前构建健康可持续的社会信用体系具有重要的价值。目前已经有不少文献对个人隐私保护行为的影响因素进行相关的理论分析和实证研究。

一些学者考察了个性特征变量（如：性别、年龄、受教育程度、网龄等）对隐私关注的影响。杨姝、任利成和王刊良（2008）对个性特征变量对隐私关注影响的实证研究，通过对我国网络用户隐私的关注程度进行测度，并运用性别差异等理论，考察了个性特征变量对隐私关注的影响。实证研究结果显示，女性的信息控制权感知水平高于男性，受教育水平越高对信息被收集的担忧程度越高，网龄越长隐私关注程度、控制权感知和信息被收集的担忧程度反而越低[4][5]。蒋骁和季绍波（2009）探讨了网络隐私关注与行为意向影响因素的概念模型，包括文化因素、制度因素、个人因素和风险因素，并针对中国特有的文化和制度情境，对网络隐私关注和行为意向的关键影响因素进行了分析[6]。

也有一些学者将影响个人网络隐私保护行为的隐私区分为宏观因素和微观因素。高锡荣和杨康（2012）从微观层面探讨网络隐私保护行为的影响因素，其认为互联网用户的网络隐私保护行为，受其隐私关注程度、感知公平程度、感知投诉效益等因素的直接影响。[7]

除上述影响因素之外，还有另外一些文献关注了其他方面的因素对隐私保护行为的影响，例如隐私关注度、自我表露等。申琦（2013，2015）运用“网络信息隐私关注”概念模型，以大学生为研究对象，运用上海市大学生网络使用状况调查的数据，探讨一般网络使用行为中的网络信息隐私关注、网络隐私保护行为的状况及其理论关系，并以实证的方法，分析了手机微信移动应用（APP）中大学生隐私关注、自我表露与隐私保护行为三者之间的关系。结果显示，大学生会依据关系亲疏有选择地表露个人信息;他们更倾向对亲密的人表露个人信息;即便是面对亲密朋友，他们也不会更多地表露敏感信息。他们的社交网络隐私关注度较高，但隐私保护行为一般;隐私关注对自我表露产生负向显著影响;自我表露敏感信息对网络隐私保护行为产生负向显著影响。[8][9]

从现有文献研究情况来看，个人隐私保护的相关研究主要集中于个人网络隐私影响因素的分析，而对个人信用隐私保护行为及其影响因素的研究较为匮乏。文章通过对公众个人信用隐私自主行为意识的大范围问卷调查，对不同特征的群体个人信用隐私保护意识水平、隐私保护行为能力进行分类比较，并从中找到造成上述群体差异的原因;通过对信用隐私保护行为影响因素进行实证分析，对影响个人信用隐私保护行为的特征变量进行定量分析和检验，对当前学术界有关个人信用隐私保护行为影响因素的一些假设和研究进行论证。

三、理论模型与研究假设

基于已有文献研究相关成果以及信用隐私相关内涵与范围界定，文章将个人信用隐私分为五大类，分别为身份隐私、交易隐私、社交隐私、消费隐私和生活隐私。关于上述信用隐私保护行为，文章认为可以从信用隐私信息生命周期角度划分为四种：第一种为个人信用隐私信息的生产行为，主要分析个人会在什么样的条件下提供与己相关的信用隐私信息;第二种为个人信用隐私信息的管理行为，主要分析个人会对信用隐私信息的保管習惯和管理方式;第三种为个人信用隐私信息的使用行为，主要分析个人在使用信用信息时的行为习惯与偏好;第四种为个人信用隐私信息的处理行为，主要分析对使用后所产生的信用隐私信息的处理方式。

针对上述四种行为的影响因素，文章将其区分为四类：

第一类影响因素为环境因素，环境因素是影响信用隐私保护行为的外部因素。主要包括隐私保护法律法规等环境制度因素、国家对于打击隐私泄露方面的惩处力度因素、企业关于维护个人隐私信息的行业自律因素、全社会各领域关于个人隐私保护的宣传教育因素，以及当前技术条件下对个人信用隐私保护的手段和能力因素。

第二类影响因素为个体因素，个体因素是影响信用隐私保护行为的内部因素之一。由于个体性别、年龄、学历、职业等特征上的差异，最终会对信用隐私保护行为产生相应影响。

第三类影响因素为心理因素，心理因素属于内部影响因素。有别于第二类个体因素，心理因素更多源于个人心理活动，包括个人对信用隐私的认知能力或认知水平，个人对信用环境的信任程度等内心的心理活动。

第四类影响因素为经验因素，经验因素同样属于内部影响因素。经验因素更多取决于个体曾经遭遇的信用隐私泄露经历及危害、个人的自我隐私保护能力等。个体的曾经遭遇的隐私泄露经历越多，危害越大，个人自我隐私保护能力越强，从而对信用隐私保护行为将产生影响。

四、个人信用隐私保护行为影响因素的实证分析

（一）计量模型设定

根据上述理论模型，本文将个人信用隐私保护行为的影响因素计量模型设定如下：

（式1）

在上式中，因变量为个人信用隐私保护行为，=隐私产生+隐私存储+隐私使用+隐私处理;解释变量包括：F1为环境因素，=制度环境+惩处力度+企业自律+宣传教育+技术能力;F2为个体因素，=（性别、年龄、学历、职业）;F3为心理因素，=（认知水平，信任程度）;F4为经验因素，=（泄露经历，自保能力）。

在上述模型设定中，因变量个人信用隐私保护行为数值型变量，采用态度量表测算;解释变量F1、F2、F3和F4则既包括定类尺度变量，也包括定序尺度和数值型变量。根据上述变量特征，本文采用最优尺度回归模型。

最优尺度变换专门用于解决在统计建模时如何对分类变量进行量化的问题，其基本思路是基于希望拟合的模型框架，分析各级别对因变量影响的强弱变换，在保证变换后各变量间的联系为线性的前提下，采用一定的非线性变换方法进行反复迭代，从而为原始分类变量的每一个类别找到最佳的量化评分，随后在相应模型中使用量化评分替代原始变量进行后续分析。这样就可将各种传统分析方法的适用范围一举扩展到全部的测量尺度，如对无序多分类变量、有序多分类变量和连续性变量同时进行回归分析[10]。

（二）变量定义

上述各因变量和解释变量相关定义及赋值如下表所示。

（三）数据来源说明

作者于2018年7月初实施了一次针对个人信用隐私保护的专项调查，至9月底结束，历时3个月。此次调研由近30位志愿者组成，期间累计发放并成功回收的问卷量达到1066份。调查问卷的发放途径包括以下三种方式：第一，由浙江金融职业学院投保学院的两位指导老师各自带领两支调研团队，利用大学生暑期社会实践活动的机会，在浙江嘉兴海宁和台州两地的商场、超市、住宅小区等人流较大的地区现场发放问卷;第二，由志愿者在户籍所在地，对当地居民或住户进行问卷调查;第三，在问卷星平台制作和发布电子问卷，然后由志愿者通过二维码或微信、QQ链接的方式邀请受访对象参与调查。调查数据用专业的SPSS统计软件整理并进行相应的统计分析。

从回收样本的情况来看，此次调查回收的样本数据覆盖全国25个省（直辖市）近120个区（县），样本数量大，覆盖范围广。由于事先制定了详细的配额计划，受访对象的性别比例、代际比例、职业分布、学历分布均达到分析要求，样本代表性较好。

（四）计量结果及分析

结合（式1），文章运用此次调研回收的实证数据进行最优尺度回归，基于模型效果最优化原则，首先对原始变量进行变换，将各变量转换为适当的量化评分，然后使用量化评分替代原变量进行回归分析，模型相关计量结果具体如下。

1.模型拟合优度检验。以隐私保护行为为因变量，以环境因素、个体因素（性别、年龄、学历、职业）、心理因素、经验因素（隐私保护经历、自我保护能力）对其进行最优尺度回归。从最优尺度回归模型的拟合优度检验结果来看（见表2）：调整R方值为0.877，预测误差为0.121。从中可以看出，模型的整体拟合效果较为理想，误差较小。

因变量：隐私保护行为Y

预测变量： 环境因素 你的性别是？ 您的年龄是 您的职业是 您的学历 心理因素 隐私保护经历 自我保护能力

2.模型显著性检验。通过运用ANOVA（方差分析）对上述回归模型进行显著性检验。结果显示（见表3），回归模型的F值为420.085，P值为0.000，因此，模型具有统计学意义。

因变量：隐私保护行为Y

预测变量： 环境因素 你的性别是？ 您的年龄是 您的职业是 您的学历 心理因素 隐私保护经历 自我保护能力

3.模型参数回归结果及显著性。从各解释变量的回归结果来看（见表4）：除环境因素在0.1（双侧）水平显著，职业和自我保护能力在0.05%（双侧）水平上显著，其余变量（个体因素中的性别、年龄、学历，心理因素，经验因素中的隐私保护经历）均在0.01（双侧）水平上显著，对被解释变量隐私保护行为具有显著的统计学意义。

因变量： 隐私保护行为Y

4.模型参数的相关性和容差分析。对模型进一步进行分析，表5中给出各自变量对因变量的相关性分析，其中偏相关是控制了其他变量对因、自变量的影響后的估计，部分相关则只控制其他变量对因变量的影响。影响重要性是根据标准化系数和相关系数计算出的自变量在模型中的重要程度的百分比，数值越大表明该变量对因变量预测越重要。容差/容忍度表示该变量对因变量的影响中不能够被其他自变量所解释的比例，越大越好。从结果分析来看，环境因素、年龄、心理因素的重要性数值较大，表明其对因变量的预测较为重要，其次为性别和隐私保护经历，职业、学历和自我保护能力因素的重要性得分最低。从容差分析来看，除年龄和职业的容差值略偏小，其余解释变量的容差都较大。

因此，综合以上分析，可以认为采用最优尺度回归整体效果较为理想。

因变量： 隐私保护行为Y

五、主要结论和政策建议

（一）主要结论

从上述关于个人信用隐私保护行为的各影响因素定量分析结果来看，我们可以得到以下几点结论：

第一，环境因素对个人信用隐私保护行为的影响是显著的，且是负相关关系。个人对当前的信用隐私保护环境越是满意，其越倾向于放松个人信用隐私的自我防护意识，导致其隐私保护行为的得分越低。

第二，个体因素中的性别、年龄、学历等因素对信用隐私保护行为具有显著影响，其中男性的信用隐私保护行为得分低于女性，年龄较长的人其自身的信用隐私保护行为越强，学历层次越高的人其信用隐私保护行为越强。从职业对信用隐私保护行为的影响来看，虽然存在统计意义上的影响，但并不十分明显，因此不同职业对信用隐私保护行为的影响呈现一定的分歧，在若干职业群体中似乎存在差异，但在另一些职业群体中并不显著，需要进一步细分和研究。

第三，心理因素对信用隐私保护行为的影响是显著的，个人对信用隐私保护的认知水平，对当前网络环境的信任程度均会对信用隐私保护行为产生影响。个人的信用隐私保护意识越强，对网络环境的信任度越低，则越倾向于强化自我隐私保护。

第四，经验因素对信用隐私保护行为的影响是显著的，且是正向的影响关系。经验因素中的个人隐私泄露经历对个人信用隐私保护行为的影响尤为明显，曾经遭遇较为严重的隐私泄露经历和后果的受访者，其个人信用隐私保护行为越强;经验因素中的个人信用隐私自我保护能力对信用隐私保护行为影响同样是正向显著的，信用隐私自我保护能力越强，其信用隐私保护行为的得分就越高。

（二）政策建议

第一，加快出台个人网络隐私保护立法。中国还没有出台《个人隐私保护法》或者《网络隐私保护法》，关于个人隐私的大部分条款是散落在《宪法》《刑法》多部法规里，隐私保护立法严重滞后。在国外，美国有《隐私权法》《电子通讯隐私法》等隐私保护相关立法，欧盟有《个人数据保护指令》《GDPR-欧盟通用数据保护法》。因此国内的隐私保护立法显得尤为迫切。

第二，明确个人信用隐私权各主客体的具体权利与义务，将数据所有权回归公众。大数据背景下个人数据信息更容易受他人非法侵害，侵害发生后，技术上证明难度大与法律上保护相对欠缺，受害者个人信用隐私权益难以保障。要想切实保护好公民的个人信用隐私权，需要我们明确个人信用隐私权各主客体的具体权力与义务，将数据的所有权重新交回公众。

第三，加大政策扶持力度，推动以区块链为代表的新技术在个人隐私信息保护中的应用。基于区块链的分布式特性、密码学等技术手段，为个人信用隐私信息保护提供了全新的解决思路。但目前区块链技术在落地应用方面还存在诸多困难，国内也有一些优秀的区块链公司在个人隐私保护和数据所有权回归方面做了有益的尝试，但整体而言，整个区块链行业的发展还远远滞后于当前公众个人隐私保护的迫切需求，需要进一步加大政策的扶持力度。

参考文献：

[1]贾彦龙，于巧玲.竞争对手识别研究方法述评[J].情报杂志，2011，30（7）：13-16.

[2]PETERAF M，SHANLEY M. Getting to know you：a theory of strategic group identity[J].Strategic Management Journal，1997（18）：165-186.

[3]姚朝兵.个人信用信息隐私保护的制度构建——欧盟及美国立法对我国的启示[J].情报理论与实践，2013（3）：20-24.

[4]杨姝，王渊，王刊良.互联网环境中适合中国消费者的隐私关注量表研究[J].情报杂志，2008（10）：37.

[5]杨姝，任利成，王刊良.个性特征变量对隐私关注影响的实证研究[J].现代教育技术，2008（5）：54-59.

[6]蒋骁，季绍波.网络隐私关注与行为意向影响因素的概念模型[J].科技与管理，2009，11（5）：71-74.

[7]高锡荣，杨康.网络隐私保护行为：概念、分类及其影响因素[J]. 重庆邮电大学学报（社会科学版），2012（7）：18-24.

[8]申琦.网络信息隐私关注与网络隐私保护行为研究：以上海市大学生为研究对象[J].新闻伦理研究，2013（2）：120-129.

[9]申琦.自我表露與社交网络隐私保护行为研究—以上海市大学生的微信移动社交应用（ APPA）为例[J].新闻与传播研究，2015（4）：5-17.

[10]张文彤，董伟. SPSS统计分析高级教程（第3版）[M].北京：高等教育出版社.

基金项目：本文受2017年教育部人文社科规划基金项目（17YJA790059）;2018年教育部人文社科规划基金项目（18YJC790117）资助。

（作者单位：浙江金融职业学院）