基于TAM 与TTF 整合模型的路跑App 持续使用意愿研究

魏 巍 ，张贵海，苟轶清 ，文 鑫，吴天奇

（1.哈尔滨体育学院，黑龙江 哈尔滨 150006；2.西安体育学院，陕西 西安 710068）

近年来， 随着互联网技术的变革以及人们对健身健康需求的日益增长， 随着互联网技术的变革以及民众健身需求的持续增长， 健身休闲产业吸引了诸多厂商的视野， 各类路跑App 相继进入消费者眼球， 不仅能够为用户提供专属的线上课程、记录并分析跑步数据、为用户提供科学的跑步指导，还能满足互联网趋势下用户“晒运动”“促交流”的社交需求，提高用户的心理获得感。数据显示，2021 年4 月运动健身平台新增用户数量为 1 356.6 万人， 同比增长 78.5%［1］， 这表明运动App 的使用需求在快速增加。

跑步作为最经济的一种锻炼方式被越来越多的人选择，为了更科学地身体锻炼，越来越多的用户开始使用路跑App，但是如何提高用户的使用黏性和持续使用意愿至关重要［2］。当前大多数软件开发商将成本和精力投入到获取新用户中，对用户满意度的提升有所欠缺［3］，各大跑步软件平台前端竞争较为激烈，但忽视了用户实际使用过程中所需要解决的问题，导致用户使用量增长缓慢［4］。本文基于技术接受与任务技术适配的集成模型， 分析路跑App 使用者满意度和持续使用意愿的主要影响因素，以期为提升用户使用体验感提供指导性意见。

1 理论基础

1.1 技术接受模型

技术接受模型 （Technology Acceptance Model，TAM）是Davis［5］在1989 年首次提出的，其主要目的是预测和解释用户对新事物的使用态度和行为意愿。 技术接受的两个主要决定因素是感知有用性 （Perceived Usefulness，PU） 和感知易用性（Perceived Ease Of Use，PEOU）， 其中感知有用性是指了用户在使用某种信息系统时对其工作或生活绩效提高的程度，感知易用性是指用户在使用某种信息技术的过程中主观上感知到的容易使用的程度。 如图1 所示，感知易用性对感知有用性有正向的影响作用， 感知有用性和感知易用性共同影响使用态度，进而对用户的行为意图和实际使用产生间接影响［6］。

技术接受模型被广泛应用于用户意愿的研究，武冰等［7］通过构建TAM 模型和TTF 模型， 对MOOC 平台持续使用意愿进行了研究。 李东和等［8］基于技术接受模型，对人们下载使用旅游 App 的影响因素进行了分析。 王静等［9］学者通过使用TAM 模型和使用与满足理论模型， 分析了线上观看电子竞技的意愿。 随着技术接受模型广泛的应用和研究的深入，有不少学者认为感知有趣性（Perceived Enjoyment，PE）对用户的使用意愿也能够产生正向的影响［10-11］。 当前技术接受模型被广泛应用，足以说明它具有一定的合理性和科学性。

1.2 任务技术适配模型

任务技术适配模型（Task-Technology Fit，TTF）最早是由Hue 等人［12］在1995 年共同提出，通过描述用户的认知心理和认知行为来揭示信息技术对特定任务的支持， 反映信息技术与任务需求之间的关系。 任务特征（Task Characteristics，TAC）和技术特征（Technology Characteristics，TEC）积极的影响任务技术适配，进而对个人行为和实际使用产生影响。

TTF 理论模型自提出以来被广泛使用，Oliveira 等［13］学者通过TTF 与UTAUT 模型对人们使用手机移动银行使用因素的分析，并取得很好的研究成果。 李子强等［14］人通过TTF 模型研究学生移动图书馆采用意向因素研究等。 查阅相关文献［15-16］学者将TTF 模型应用于移动技术采用意向的研究成果较多，对本研究有一定的借鉴意义。

TAM 模型在研究方面太过关注用户自身的主观感知，从而忽略了用户在使用信息技术时客观因素，TTF 模式的建立也弥补了这种不足， 但是TTF 模型忽视了作用于个人行为的内在机制， 从而缺少了任务技术适配到技术使用之间的桥梁［17］。因而在研究过程中大多学者通过将两种模型整合来探析信息技术的有效性和用户的行为意向。 查阅相关文献［18-19］研究发现， 整合模型比单独的技术接受模型或任务技术适配模型更具有客观的解释力。 这对路跑App 的研究假设模型具有理论上的支持和参考意义。

2 研究模型与研究假设

2.1 研究模型

在技术接受模型和任务技术适配模型的基础上， 增添了感知有趣性这一新变量，构建了理论模型。 如图2 所示，该模型表明， 用户对路跑App 持续使用意愿主要受满意度和任务技术适配两方面的因素影响，其中满意度包含了感知有用性、感知易用性、感知有趣性3 个潜在变量，感知易用性对感知有用产生积极的影响作用。 任务技术适配模型的两个潜在变量是任务特征、技术特征，任务技术适配正向影响满意度。

2.2 研究假设

2.2.1 感知有用性、感知易用性和感知有趣性

感知易用性和感知有用性之间的正向关系在多数的研究中被证实。 例如，陈明红等［18］在研究中证实了感知有用性、感知易用性、 感知有趣性对移动搜索行为有着积极的影响。Wallace 等［20］认为感知有用性、感知易用性对对软件使用的满意度有着正向的影响。 刘毅等［21］在研究中证实了感知易用性正向影响感知有用性， 且二者对新闻移动App 使用的满意度有着正向的影响。 感知有趣性是指用户在使用某种信息系统过程中的愉悦程度。Rauniar 等［22］在关于社交媒体 Facebook 的研究中证实了感知有趣性对用户使用满意度的积极影响关系。 Ramayah 等［23］发现了感知有趣性在用户网络购物体验感中有着优有着积极的影响作用。鉴于此，就路跑App 感知有用性、感知易用性、感知有趣性和满意度之间提出如下假设：

H1:感知易用性对感知有用性具有正向影响；

H2:感知有用性对满意度具有正向影响；

H3:感知易用性对满意度具有正向影响；

H4:感知有趣性对满意度具有正向影响。

2.2.2 满意度和持续使用意愿

Bhattacherjee［24］认为满意度是用户在使用信息系统时的心理满足感，持续使用意愿是指用户使用某种系统之后，通过各方面的感受，并决定将来是否继续使用的打算，并且认为满足感对将来继续使用意愿有着正向性的影响。 可见满意度在用户持续使用意愿中起着重要的作用。对与路跑App 而言，当用户在使用App 过程中越满意他们就更加愿意使用App。 据此，提出假设：

H5：满意度对持续使用路跑App 意愿具有正向影响。

2.2.3 任务特征、技术特征和任务技术适配

在TTF 模型中任务特征和技术特征正向影响任务技术适配。 任务特征是指为实现目标用户所采取的动作，技术特征是指用户在完成任务的过程中采取的工具。 对于路跑App 而言任务特征指的是促使跑步爱好者更多使用跑步类软件某方面的因素， 技术特征是指使用跑步类应用程序是应用程序所提供的功能服务。 根据TTF 理论，路跑App 的技术特征、任务特征会对任务技术适配产生影响作用， 任务技术适配对用户持续使用路跑App 的意愿产生影响。 基于此，提出假设：

H6:任务特征对任务技术适配具有正向影响；

H7:技术特征对任务技术适配具有正向影响。

2.2.4 任务技术适配、满意度和持续使用意愿

在本研究中， 任务技术匹配是指用户使用跑步类App 软件的任务需求和跑步类App 软件所具备的功能之间的匹配程度。 Wen-ShanLin［25］基于 TTF 模型和期望确认理论，证实了在在线课堂学习过程中任务技术匹配对学生的满意度有正向显著影响，并且对持续使用意愿也有正向显著影响。 基于此，对路跑App 的任务技术适配、使用满意度、持续使用意愿提出假设：

H8:任务技术适配对满意度具有正向影响；

H9:任务技术适配对持续使用意愿具有正向影响。

3 研究设计

3.1 问卷设计

本研究将问卷分为三部分：第一部分为问卷简介说明；第二部分为调查对象的基本概况，包括性别、年龄、一周使用路跑App 的时间、次数等；第三部分为有关路跑App 持续使用意愿的测度项。关于路跑App 并未有成熟的量表，本研究通过已有文献量表并结合路跑App 的特征、功能等进行改编，确保问卷的内容效度，形成初始量表。 在此基础上，通过在小范围发放80 份问卷进行预调查，根据回收的问卷，剔除了问卷中效度较低的测度项，并修改部分表述有误的测度项，形成最终问卷（见表1）。 采用李克特七级量表评分方法，按照“非常同意”“同意”“比较同意”“一般”“比较不同意”“不同意”“非常不同意”，分别赋值 7、6、5、4、3、2、1。

表1 变量的测量项

3.2 数据收集

通过网络调查的方法收集问卷，问卷设置甄别题。 以确保填写问卷的都是使用路跑App 的用户，通过“滚雪球”的抽样方式，在路跑App 用户中扩散填写参与调查，扩大样本量。 共回收问卷500 份， 问卷中设置了对是否在使用路跑APP 的问卷进行甄别，对结果为“否”的91 份问卷进行剔除，最终得到有效问卷409 份，问卷有效率为81.8%。

描述性统计分析如表2 所示，男性用户占58.9%，女性用户占41.1%， 用户年龄主要集中在 18～25 岁和 26～30 岁两个阶段，分别占比是38.9%和37.7%。 App 使用时长主要分布在3 小时以下，占比是43%，用户使用最多的路跑App 是Keep，占比33.5%。

表2 描述性统计分析

3.3 数据分析

运用SPSS26.0 软件对数据的信度以及效度进行分析，然后使用AMOS24.0 软件来计算分析模型的拟合度和路径系数等。

4 数据与结果分析

4.1 信度分析与效度分析

通过SPSS26.0 软件对量表进行KMO 和巴特利特检验（表 3）， 结果显示 KMO 值为 0.874， 巴特利特球形检验 p＜0.001，适合因子分析。

表3 KMO 和巴特利特检验

信度主要通过平均萃取方差（AverageVarianceExtracted，AVE）、组合信度（Composite Reliability，CR）和 Cronbach's α三个指标测量。 其中，Cronbach's α 用于测量变量内部一致性程度，一般认为Cronbach's α 大于0.7 时，理论模型可靠性较好［26］；CR 的临界值标准为 0.7，AVE 的临界标准是 0.5［27］。 由表 4 可知，所有变量的Cronbach's α 系数均在 0.8 以上，说明问卷内部一致性较好，CR 值在0.785～0.897 之间，均大于0.7的临界值，AVE 值在 0.595～0.745 之间，均大于临界值。 说明测量模型的信度可接受。 收敛效度反映变量的测度指标之间理论上和实际上的相互关联程度。 收敛效度可以用CR 和AVE 进行测量，当 CR＞0.7 且 AVE＞0.5 时，表明变量的收敛效度好［27］。 通过表 4 数据可知，CR 值在 0.785～0.897 之间，AVE值在0.595～0.745 之间，均在临界标准值以上，这就说明变量具有很好的收敛效度。

表4 信度与收敛效度检验表

区分效度表示变量测量的是变量自己本身而不是其他的变量。 区分效度可以通过AVE 的平方根和皮尔森相关系数的大小进行测量，根据Fomell 与Larcker 提出的标准，当一个变量的AVE 平方根大于该变量与其他所有变量的相关系数时［28］，说明该变量的区分效度良好。 如表5 所示， 对角粗体数AVE的平方根数值都比皮尔森相关系数大， 因此该模型的区分效度符合基本要求。

表5 区分效度表

4.2 模型拟合度检验

模型的数据要与理论模型符合， 模型的拟合度需要达到一定标准，运用AMOS 软件对假设模型进行检验，在假设理论模型中， 模型的拟合度指标如表6 所示。 根据结构方程模型（SEM）拟合指标的要求，卡方自由度比值（χ2/df）＜3，优度拟合指数（GFI）＞0.9 为拟合良好；＞0.8 可接受、比较拟合指数（CFI）＞0.9 为拟合良好；＞0.8 可接受、非正态拟合指数（TLI）＞0.9、渐进残差均方和平方根（RMSEA）＜0.08。 由表 6 可知，假设模型的检验结果均达到参考标准， 表明该模型和样例数据具有较好的一致性。

表6 模型拟合度指标

4.3 结构模型验证

运用AMOS 软件对结果模型进行验证， 计算模型路径系数和显著性 p 值（见图 3），模型验证结果显示，H1～H9 这九个假设均得到了支持（见表7）。

表7 模型路径分析结果

5 讨论与总结

5.1 讨论

5.1.1 对用户满意度的讨论分析

结果表明，感知有用性、感知易用性、感知有趣性、任务技术适配对路跑App 使用者的满意度有直接影响， 进一步对路径系数进行分析发现， 感知有趣性对用户使用满意度的影响大于其他3 个因素，路径系数为0.231，即如果使用者的感知有趣性增加1 个单位， 则对他们使用路跑App 的满意度提高0.231 个单位，高于感知有用性和感知易用性的0.133 个单位，高于任务技术适配的0.119 个单位。说明使用者更加关注路跑App 使用时能给自己带来的乐趣及愉悦。

另外， 路跑类App 的感知易用性对感知有用性也有很大的作用，增加1 单位的感知易用性，就会对用户使用路跑App的感知有用性增加0.463 个单位，说明使用者在使用软件的过程中更加关注软件操作的难易程度，近年来，软件市场的路跑App 类目繁多，使用者往往会更加青睐操作简单、页面简洁、功能齐全的软件。

5.1.2 对用户持续使用意愿的讨论分析

分析结果显示， 任务技术适配和满意度对用户持续使用路跑App 的意愿产生了直接影响，通过分析路径系数发现，用户使用路跑App 的满意度（β=0.573）对于持续使用的意愿产生的影响要大于任务技术适配（β=0.104）。 由此可知，用户在使用路跑App 的时候更加关注满意度， 用户对某一软件的使用满意度可以让用户之后更加愿意持续使用该类软件。 此外，任务技术适配对持续使用意愿也不能忽视。

5.2 总结与展望

本研究将技术接受模型和任务技术适配理论整合模型应用于路跑App 使用满意度和持续使用意愿的实证分析中，研究结果具有一定的价值意义。目前，国内对路跑App 持续使用意愿的相关研究较少， 本研究在理论层面具有一定的理论价值。通过构建验证路跑App 持续使用意愿的研究模型，得到以下结论：第一，技术接受模型中感知有趣性变量是影响使用路跑App 满意度的关键因素，感知易用性积极影响感知有用性，且二者对用户使用满意度的影响相同。 第二，用户使用满意度对用户持续使用意愿的影响大于任务技术适配， 但任务技术适配的影响也不容忽视。 以上结论为路跑App 的增加用户使用黏性提供了理论支持，路跑App 在提供更加科学、专业课程的同时也应注意软件操作的难易程度， 既要关注用户的任务特征因素，也要注重用户使用的满意度，加强对软件特色功能的宣传，以提升用户的持续使用意愿。

本研究也存在一定的局限性。首先，关于路跑App 持续使用意愿的相关研究较少， 业界没有针对跑类App 持续使用意愿的成熟量表，因此，后续需完善量表的设计工作。 其次，调研的样本数量偏少，在研究意义上有一定局限性，如今路跑App的使用范围十分广泛，为了使研究更具有普适性，在后续研究探索中应扩大研究群体。