1、互联网时代大众参与快递众包意愿的影响因素分析 （天津财经大学研究生院） 【摘要】本文研究了在 “ 互联网 +” 的时代背景下，大众参与快递众包意愿的影响因素分析。基于期望价值理论、激励理论、感知风险理论和技术接受模型理论，构建了概念模型，通过项目分析和因子分析，再运用相关分析对假设进行检验，最后证明了报酬奖励、娱乐消遣和学习新技能通过感知有用性对意愿产生影响；任务难易程度通过感知易用性对意愿产生影响；感知风险对意愿产生直接的影响。 【关键词】互联网 + 技术接受模型 快递众包模式 意愿研究 引言 2006年， Jeff Howe在连线杂志上首次提出 “ 众包 ” （ Crowd Sourcin
2、g）这一概念，意指企业或组织把过去由内部员工所做的工作外包给一个大型的、自愿参与的、没有清晰界限的群体去做，通过该模式为企业创造价值，节约企业成本。基于 “ 互联网 +” ，众包是对大数据时代海量信息和数据进行的重新整合与价值挖掘。 近几年，众多知名企业开始关注众包，快递行业也不例外。在快递众包服 ?掌教 ?模式中，以往由企业雇佣专业配送人员才能实现的投递，现在可以借助互联网来集聚大众力量，进行 “ 顺路配送 ” ，实现 “ 最后一公里 ”的快递服务。 作为接包方的大众，是否愿意参与其中是众包模式在快递行业推进和发展的重要方面。因此物流企业或其他拥有自建物流体系的企业要想引入众包模式，他们必须
3、了解大众为什么加入众包团队，哪些因素会直接或间接的影响大众参与的态度和意愿，只有这样才能吸引大众参与，从而实现预期的目标。众包在传统企业的价值创造、技术革新方面有巨大的作用，同时又能缓解快递企业 “ 最后一公里 ” 的发展瓶颈与 “ 快递不快 ” 的问题，所以探讨这一问题具有一定的实用价值。 一、理论与假设 大众在决定是否接受快递任务时，会结合效用最大化的 原则来考虑，当大众对任务成功可能性的把握越大，感知利益越多，则会驱使其参与快递任务；反之，感知风险越大，则会使其倾向于拒绝快递任务。另外良好的激励机制也会成为诱因，使参与者为了获得奖励或内心满足感，进而产生接包意愿。本文根据期望价值理论、激
4、励理论和感知风险三种理论，从心理学和行为学分析出可能影响大众参与快递众包意愿的因素有：报酬奖励、娱乐消遣、学习新技能和任务难易程度。 本文对意愿的研究，本质上可以看作是探讨用户对新兴模式的接受程度，技术接受模型（ Technology Acceptance Model，简称 TAM）在研究用户主观性方面得到了广泛认同，所以本文用该模型作为研究问题的基础模型。模型中的两个感知性分别是： 感知有用性，意味着大众参与快递众包活动可获得的奖励程度； 感知易用性，意味着大众对完成任务难易的感知程度。 感知风险包括： 时间风险因素是指，尽管快递众包的宗旨是实现 “ 顺路配送 ” ，但在配送过程中，大众可能
5、因为产品问题或查收问题而耽误额外时间带来的风险，可能耽误的时间越长，大众参与意愿度越小； 隐私风险因素是指，在大众成为某企业的 “ 快递员 ” 时，企业为了规避其所面临的风险，需要大众 进行实名认证，以及绑定银行卡来支付报酬，则大众面临隐私信息被泄露或被出售的风险，风险越大，大众参与意愿度越小； 经济风险因素是指，大众可能因为非正规企业的欺骗行为或网络硬件设备导致的未收到报酬带来的经济损失，风险越大，大众参与意愿度越小； 安全风险因素是指，在配送过程中出现的交通事故或由产品本身带来的安全隐患时所面临的风险，风险越大，大众参与意愿度越小。由此本文做出如下假设： H1：报酬奖励对感知有用性产生正向
6、的影响。 H2：娱乐消遣对感知有用性产生正向影响。 H3：学习新技能 对感知有用性产生正向影响。 H4：任务难易程度对感知易用性产生反向影响。 H5：感知风险对大众参与意愿产生反向影响。 H6：大众感知快递众包易用性对感知有用性产生正向影响。 H7：大众感知快递众包有用性对大众参与意愿产生正向影响。 H8：大众感知快递众包易用性对大众参与意愿产生正向影响。 二、模型和检验 1.研究模型 根据以上假设，初步构建的概念模型如图 1。 2.量表设计 为了验证上文所提出的模型，本文查阅了 相关的文献，整理了大量国内外文献的量表，再依据本文研究的问题进行修改，最后作为调查问卷的考察题目，以此来确保问卷的
7、信度和效度。如表 1。 设计好问卷后，通过大型的众包平台 “ 猪八戒网 ” 、微信平台、经济论坛以奖励的方式收集问卷，主要调查对象是大学学生、上班族、威客，以及对快递众包有所关注并有各类建议或意见的用户。问卷中的问题采用李克特 “ 五点 ” 评分法，被调查人根据真实情况进行选择。 3.数据收集 本文通过问卷星计划发放样本数为 280 份，由于时间原因、样本获取难度较高以及存在重复填写等问 题，最终回收到有效问卷为 253份，有效率为90.36%。 三、数据分析 1.项目分析和筛选 本文运用 SPSS19.0对数据做项目分析，即找出量表中区分度较低的题目并删除，以提高量表的质量。根据结果删除区分度较低的题号为 20、 22的测量项。 2.信度和效度分析 项目分析后继续对计量项目进行信度和效度分析，通过 SPSS19.0计算得出结果。整个量表的 KMO 值为 0.789； Bartlett 的球形度检验 2 =1854.669， p=0.000，表示有共同因素存在，适 合进行因子分析。 因子提取时，通常选取累计方差贡献率大于 0.8 时的特征值个数为因子个数。当成分取到 7 时，累计方差贡献率为 82.324%，大部分信息都包含在内。由此看来，与设想的因子数大致相同。为了使因子具有命名解释性，本文运用最大方差法对因子载荷矩阵实行正交旋转。
