基于TAM的智慧医疗APP用户黏性模型构建及技术研究

李 晶, 管子玉，谢 飞, 段 群

(1.西京学院 商学院, 陕西 西安 710123; 2.西北大学 信息科学与技术学院, 陕西 西安 710127;3.西北工业大学 计算机学院, 陕西 西安 710129; 4.西安电子科技大学 前沿交叉研究院, 陕西 西安 710126;5.咸阳师范学院 计算机学院, 陕西 咸阳 712000)

得益于近年来社会经济持续发展和无线互联网环境的持续改善,人民群众的衣食住行等基础生活条件得到了很大提升。随之而来的需求侧升级必然对包含医疗服务在内的一些基本生活服务产生巨大的市场需求,以及该类服务在安全性、易用性等服务质量上的持续改善。其中,医疗服务作为一种基本生活服务,虽然其市场规模随社会财富增加已呈现爆发式增长,但在服务过程中并没有得到良好的智慧体验,少量的智慧医疗APP还未能撑起医疗服务的智能化[1],其市场价值也严重不足。根据中国智慧医疗市场2020年上半年报告显示,我国智慧医疗的使用者规模已达到5.9亿,但市场规模仅有87.5亿元[2],即每个用户仅贡献了14.83元的价值。目前智慧医疗的痛点体现为:智慧医疗APP用户使用人数较少,使用频率较低,这种现象与庞大的医疗需求不相匹配。因此,研究如何提高智慧医疗APP的黏性,受到学术界的热点关注[3]。

本文探究智慧医疗APP用户黏性的主要影响因素,结合目前软件应用上的实际问题,通过以TAM 模型为基础,参考计划行为理论(TPB),并且考虑到使用者对风险因素的顾虑,也参考了感知风险理论(PR),最终建立初始模型。同时考虑到教育程度因素,选取在校大学生作为此次研究的主要对象,希望能够给智慧医疗APP 的市场应用提供一些参考依据。

1 研究现状

智慧医疗需要与传统医疗融合并且协同发展,从获取的智慧医疗系统中的信息交换来看,智慧医疗在中国已经取得了一定的发展,但同时也出现了使用频率较低等问题[4-5]。

通过展开对消费者关于智慧医疗应用的问卷调查发现，大众对智慧医疗认知度较低并且很多医院并没有重视开展智慧医疗服务，其主要原因来自政府相对缺乏监管机制以及政策上没有给与大力支持[6]。智慧医疗APP开发商应该多与各大医院建立多元化合作模式,例如让传统医疗中的挂号排队等服务被智慧医疗所替代,这样才能够较为充分发挥出智慧医疗的显著优势[7]。袁金巧通过对哈尔滨地区的智慧医疗软件使用者的数据采集，并且同时使用隐私计算理论,发现且证明了抑制因素和推动因素对最终用户黏性的影响[8]。个人信息的暴露程度与这两种因素紧密相关,并且也会影响使用者对该医疗APP的信任度。但值得注意的是，在不同地区采集的数据可能会存在地域差异性。除此之外,在风险平衡和个人收益变量中,该研究只选取了个性化和隐私因素影响,所以研究具有一定的局限性。严春美等人发现了基于隐私计算理论在不同年龄段的智慧医疗用户之间的差异化现象[9],但是却没有发现职业的差异化也可能对其有所影响。基于创新扩散理论,刘永军等人发现不同种类的因素对智慧医疗APP起着各异的影响[10],但是此研究角度不够多元化,并不能够充分说明智慧医疗APP用户的黏性影响因素。

本文研究主要是在大学生群体中展开,从感知有用性、感知易用性、主观规范、感知行为控制和感知风险多方面因素探讨影响智慧医疗软件黏性的因素,为其市场应用提供更多角度的建议。

2 理论背景

2.1 技术接受模型(TAM)

技术授受模型(technology acceptance model, TAM)被Davis于1989年首次提出,研究的主要方向是哪些因素会直接或者间接影响使用者接受信息系统,TAM模型如图1所示，其最初意愿是研究计算机被广泛接受的相关影响因素[11]。本文借助该模型构架研究智慧医疗服务的用户黏性影响因素。

图1 TAM 模型

从TAM模型中可以看出,最终影响消费者黏性的因素有很多,但其中有两个因素被使用的范围最广,一个是感知有用性(perceived usefulness,PU),另外一个是感知易用性(perceived ease of use,PEOU)。感知有用性主要体现有效性,即在使用一个系统时为使用者带来的相比原来更高的使用价值。而感知易用性主要体现为便捷性,即使用者认为此技术系统使用时相比原先系统更加快捷高效且维护成本更低。后来孙建军等人提出感知有用性是决定其行为的重要影响变量,并且更能够提炼出用户黏性相关影响因素[12]。根据上述分析,TAM模型适合用作详细解释用户使用技术信息软件的原因,并且同时能够具备一定的智慧医疗软件应用预测性。因此,本文选择该模型作为基础理论模型。

2.2 计划行为理论(TPB)

计划行为理论(theory of planned behavior，TPB)模型是根据理性行为理论(theory of reasoned ection, TRA)所提出的一个扩展模型，TPB模型如图2所示。TRA模型是社会心理学方面具有最优影响力的技术采纳模型之一,其使用行为态度(attitude toward behavior)和主观规范(subjective norm)两个变量作为行为意愿的决定因素。TPB模型在TRA模型的基础上增加了感知行为控制(perceived behavioral control，PBC)这一新的变量。通过对态度、规范信念、控制信念3个变量的分析提供了多项对用户行为意愿的成功预测[13-14]。

图2 TPB 模型

2.3 感知风险理论

感知风险(perceived risk, PR)起初是在心理学领域诞生,并且首次由哈佛大学学者Bauer在1960年提出[15]。该概念认为个体可能遇到诸多令人不愉快的因素包括个人损失,而这些都是由个体的行为产生，并且后果无法预测[16]。

感知风险被定义为使用者本人能够感受到的最终结果是不愉快的,或者感受到最终结果可能是对个人不利的。在市场环境下分析消费者时,Bauer指出感知风险并不侧重于带来的真实个体行为风险,而是强调用户本人主观感受到的风险。根据前人的研究基础,本文将感知风险(PR)定义为使用者在主观意识上对使用智慧医疗APP所带来的风险的预知程度和损失接受程度。本文根据调查对象,将隐私风险、功能风险和法律风险纳入模型中研究。

3 模型建立与研究假设

3.1 模型建立

本文借鉴了TAM模型和TPB模型对用户黏性的相关影响因素分析,结合PR理论中风险因素的相关分析,根据国内智慧医疗市场的调研,最终提取了5个因子构成模型。其中，用户使用意愿的强弱(即用户黏性的高低)作为最终结果测量;感知有用性作为直接正向影响因素,其细分后可以拆分为3个子因素:①感知易用性；②主观规范；③感知行为控制;同时,感知风险作为直接负向影响因素,会直接降低用户最终的使用意愿。根据其逻辑关系,本文建立模型如图3所示。

图3 智慧医疗APP用户黏性模型

3.2 研究假设

1)感知有用性PU

此变量是在研究用户采纳意愿的行为中最常引用的变量之一。根据TAM模型,使用者最终愿意使用一项新技术主要原因在于其使用价值及感知有用性。感知有用性被Holden 和 Karsh定义为使用者在使用这项信息技术时主观意识所感受到的相比原先技术的效率提高[17]。在本文中,此变量被定义为个体在使用智慧医疗APP时能够获得医疗健康服务并且提高健康水平的程度。根据以上内容提出假设:感知有用性影响使用者对智慧医疗APP的黏性(H1)。

2)感知易用性PEOU

感知易用性在使用者采纳行为研究中是一个比较常见的变量,该变量被定义为用户所感受到的需要付出的时间或者努力时所消耗的成本[18]。感知易用性在智慧医疗的大环境下被定义为使用者在使用该软件时或者学习时所能感受到的难易程度。智慧医疗APP服务和传统的医疗服务不同的地方是,它采用的是虚拟网络平台，同时为大众提供普通健康服务,这种服务最大的特点就是不同年龄段的使用者在网络的操作上会有难易程度的差异化体现。相对地,年轻使用者对于这种难易程度的使用是相对容易的,因为他们在日常生活中接触的电子设备较多，并且更容易接受新鲜的技术和事物。根据以上内容提出假设:感知易用性影响使用者对智慧医疗APP的感知有用性(H2)。

3)主观规范SN

主观规范(subjective morm, SN)源自TPB理论,它是指当采纳一项技术或者服务时,使用者个体感知下的对自己比较重要的人的支持程度[19]。此次研究中,SN被定义为使用智慧医疗APP是否会受到同事、朋友或者对自己重要的人的影响。根据以上内容提出假设:主观规范影响使用者对智慧医疗APP的感知有用性(H3)。

4)感知行为控制PBC

感知行为控制变量用来测量使用者个体所能感知到的在面对智慧医疗软件时体现出来的个体拥有的、实施目标行为所需的技能、资源和机会的指标[19]，该变量源自TPB理论。在此次研究中,该变量被定义为个人用户对自己是否拥有充分条件或能力使用智慧医疗APP,其中包括了是否能够正常轻松地连接网络和使用智能手机。感知行为控制被认为是使用者的主观感受,基于此,提出以下假设:感知行为控制影响使用者对智慧医疗APP的黏性(H4)。

5)感知风险PR

本文借鉴了Luo等人[20]对此概念的定义研究,将感知风险定义为智慧医疗用户所感受到的即将带来风险的可能性和不可预测性。这种感知会直接影响用户的最终黏性。结合目前智慧医疗存在的问题,在本研究中将感知风险分为隐私、功能和法律风险。根据以上内容提出假设:感知风险影响使用者对智慧医疗APP的黏性(H5)。

4 实证分析

4.1 问卷设计

实证调研是此次研究的关键,问卷设计的合理性直接影响着后面结构方程的分析。参考过往智慧医疗相关资料的研究量表,通过适当调整量表,此次问卷最终采用了6个变量测量项:PU(感知有用性)、PEOU(感知易用性)、SN(主观规范)、PBC(感知行为控制)、PR(感知风险)和US(黏性)一共24题，如表1所示。问卷中6个变量项全部使用李克特五点量表形式,1～5分表示使用者对该观点的赞同程度,依次由弱到强。

表1 问卷变量设计

4.2 量表描述统计量

本研究总共发放300份问卷,剔除不完整和明显不合格的问卷后,有效样本共计274份,问卷的有效率是91.3%。问卷中,男性参与的比例为49.27%,女性50.73%; 21～30岁之间的比例最大,为72.63%;学生为这次问卷的主要参与者,占大约76.28%; 在教育方面,受到本科教育用户基数最大,占77.37%;月收入水平方面,52.55%的参与者属于1 001～3 000元区间。数据显示: 参与调研的群体主要在20～31岁,并且绝大部分是大学生群体,这群消费者对新鲜事物好奇性较高,也具备较好的移动软件使用技能,将成为智慧医疗APP的主要使用群体之一。样本描述性统计的具体信息如表2所示。

表2 统计量描述

4.3 簇状图分析

簇状图分析适合有层级关系的数据,图4为PU、PEOU、SN、PBC、PR、US的簇状分析图。从图4分析中可以看出,21～30岁之间的群体使用智慧医疗APP意愿更强烈，年龄越大感知风险越强烈，感知行为控制、主观规范和感知易用性在年轻群体中不容易影响最终的用户黏性。

图4 变量项簇状图分析

4.4 信度分析

在统计学中,信度一般被认为是用来测量数据量表是否一致或者数据是否稳定[20]。本文利用 SPSS 22.0 软件计算各个变量的Cronbach′s Alpha，变量的信度分析结果如表3所示。Cronbach′s Alpha如果大于0.7,则该结果被认为是处于理想范围内。各个潜在变量的综合信度CR值都大于0.7,说明此次调研数据质量较好,信度较高。

表3 信度分析

4.5 效度分析

效度分析一般被用来测量量表的测定数值和其真实值之间的偏差差距[21]。此次研究利用SPSS 22.0软件分析了该数据的收敛效度(见表4)和区别效度(见表5)。通过表4可以看出,因子载荷系数均大于0.7，处在理想范围内。除此之外,AVE的取值也大于0.5,这些数据都说明了此次数据具有很好的收敛效度。模型区分效度的衡量一般由因子的AVE值开平方根后与其他因子相关系数的比较得出,如果前者大于后者,则说明具有良好的区分效度,从表5中的运算结果可以看出,各因子的 AVE 开方值大于其与其他因子相关系数值,故因子具有良好区分效度。这些数据表明各个潜在变量之间存在差异,进一步说明此次问卷设计的问题之间具备较好的差异性。

表4 收敛效度

表5 区别效度

4.6 模型分析

此次研究检验模型假设以及变量之间的关系时利用了Amos 21.0软件。由表6可知,文中所设计的模型拟合指标都在建议值范围内, 这些数据说明此次建造的模型拟合度很好,符合要求。

表6 主要拟合指标与建议值

通过路径分析得到模型各测量变量之间的影响素数，如图5所示。图5中标出了每条假设的路径系数，其值越大，表示影响越大，r表示路径系数。感知行为控制与感知有用性的路径系数为0.14,说明两个因素之间确实呈现正向相关,但是相关性较小。考虑到此次问卷调研参与的大部分是学生群体,而该群体具备较好的移动软件新技术和新知识,在面对大众时该因素的实际影响系数将会大幅提高;主观规范与感知有用性的路径系数为0.44，说明了对于绝大部分消费者而言,在使用一款新型移动软件时,更多会参考周围人的意见,说明大学生群体本身比较容易受到周围人的影响。另一方面,对于使用者来说感知易用性显著影响感知有用性(r=0.35),但影响强度小于主观规范性。

图5 路径分析结果

5 结语

本文通过研究大学生用户对智慧医疗APP黏性的影响因素,从多方面多角度提高智慧医疗APP在不同年龄段的应用效果。此次模型中所提出的假设均得到了验证: 3个因素(感知易用性、主观规范性、感知行为控制)均对使用者的使用意向有着显著正向的影响。并且使用者认为感知风险因素对最终的黏性会产生显著的负向影响。由此可知:

1)确认了感知有用性及其3个子因素对APP用户黏性有正向影响,隐私风险对APP用户黏性存在负向影响。

2)在3个主要影响感知有用性的因素中,可以看出主观规范是影响最大的因素。主观规范对感知有用性(r=049)的影响因子最大,其次为感知易用性(r=0.35)。这一特征反映了APP初期设计时的方向应以完善主观规范为主,其次为提升感知易用性。同时,感知行为控制变量对使用者感受到的有用性影响最小。这一特征说明了大学生普遍对于智能手机使用具备充分的操作能力,所以影响相对较小。当设计面向大学生的智慧医疗APP时可以较少考虑该因素。

3)从正负两个方向的路径系数值可以看出,对于构架智慧医疗APP的用户黏性系数值,本文已经根据数据提供了一组基础的影响因子,后续可以根据该因子来反向预测该用户群体对具体某个智慧医疗APP(或某个功能)的使用意愿,进而对该APP用户黏性进行预测。

根据本文的研究结论，对未来智慧医疗APP的应用提出以下建议：

1)根据路径系数,对原APP所有功能模块进行用户黏性状态分析,最终归一为一个APP的用户黏性状态值。根据该状态值结合实际市场态势,设置用户黏性状态值的警戒线,方便后续判断对APP进行产品决策定位。

2)如果APP产品需要为商业收益而进行一项降低用户黏性的改动时,应注意修改后的产品的用户黏性状态值不应低于警戒线,确保APP产品在商业收益的同时保持足够的用户黏性。