韓 震,石 磊,趙彥霖

(大連海事大學 航運與經(jīng)濟管理學院,遼寧 大連 116000)

隨著移動互聯(lián)網(wǎng)技術在社會生活中的廣泛應用和深度融合,多數(shù)的移動應用軟件(Application,簡稱APP)可以通過各類應用商店或掃描二維碼等形式免費獲取。同時,越來越多APP的功能甚至是增值服務,被設置成用戶通過隱私交換的方式實現(xiàn),即用戶通過公開他們的個人隱私以換取APP 個性化服務帶來的增值服務。免費增值模式是指服務商向用戶提供免費的基礎服務[1],而對增值服務模塊收費的一種商業(yè)模式。從免費的基礎服務狀態(tài)開始吸引大量用戶,以用戶隱私作為使用權限的交換條件,能夠為運營商帶來巨大的用戶數(shù)據(jù)價值,以實現(xiàn)精準的廣告推送[2]、應用引流和個性化服務。與以往單一依靠付費的免費增值模式不同,利用隱私交換獲得更多商機的免費增值模式正在成為APP 商業(yè)模式的主要邏輯。根據(jù)Braze《2020年數(shù)據(jù)隱私報告》顯示,隱私交換行為廣泛存在于獲取和使用APP的整個過程中,70%的用戶在使用APP 時存在著隱私交換行為,其中多數(shù)用戶更認為隱私交換有利于自己獲得個性化服務,改善使用體驗。

但是這一現(xiàn)象卻存在著不容忽視的隱私問題:一方面,隨手可得的產(chǎn)品和服務、輕易換取的使用權限,使得用戶隱私保護意識淡薄,將隱私交換行為當成“免費的午餐”,并對正常付費產(chǎn)生抵觸情緒;另一方面,客觀上存在著巨大的隱私風險,例如不斷發(fā)生的隱私信息泄漏、濫用等事件。由此可見,用戶需要在隱私安全和便利之間進行權衡[3]。深入解析用戶在APP使用過程中隱私交換行為的動因和影響因素,探討在免費和付費等不同使用場景下的用戶行為,有效避免隱私交換行為所產(chǎn)生的風險和憂慮,是具有重要現(xiàn)實意義的研究課題。

近年來,圍繞APP隱私問題的相關研究正在成為熱點。除在技術層面探討如何進行隱私保護外,多數(shù)研究都是圍繞隱私要素對用戶使用意愿和行為的影響展開,內容涉及隱私的感知[4-5]、匹配[6]、權衡[7-8]、授權[9]、披露[10]等多個方面?？傮w來看,以往研究多選取具體的APP類型[5-6]及不同的用戶特征[11-12]進行分析,基于技術接受模型(Technology Acceptance Model,TAM)及其拓展模型[11,13]、隱私計算模型[12]等理論,采取結構方程[9-13]的方法進行實證,關注心理潛變量的影響[14],忽視APP使用中的客觀影響因素。事實上,這種隱私交換行為還受到APP運營商使用場景設計的影響。運營商會針對用戶需求情況,在不同使用場景下設置不同的隱私交換條件(即功能獲取和隱私信息交換的規(guī)則),這些隱私交換條件作為客觀可觀測變量,其選擇結果決定了用戶隱私交換行為是否發(fā)生。由此可見,隱私交換行為本質上是APP 用戶對不同使用場景隱私交換條件的選擇行為,針對選擇行為的研究應兼顧心理潛變量及使用場景變量的共同影響。

離散選擇模型(Discrete Choice Model,DCM)作為研究選擇行為的常用模型,通常基于效用最大化準則來描述決策者面對多個備選方案時的選擇行為。由于DCM 不能直接測量態(tài)度、偏好、感知等潛變量,無法解釋心理因素對決策者的影響,為此,Ben-Akiva等[15]將潛變量引入DCM,建立了ICLV(Integrated Choice and Latent Variable)模型。由于ICLV 模型在充分考慮外部客觀屬性的前提下,還能清楚地揭示內在主觀因素對選擇行為的影響,從而能夠有效增強模型的解釋和預測能力[15-16]。近年來,ICLV模型在出行方式[16]、居住地[17]及產(chǎn)品[18]等領域的選擇行為研究中得到了廣泛應用。以出行方式選擇研究為例,ICLV模型既包括以出行屬性(如出行時間、出行費用、出行距離等)為客觀變量的離散選擇模型,又包括以出行態(tài)度(如喜好度、滿意度、舒適度等)[16]為心理潛變量的結構方程模型。為此,本文將構建隱私交換行為選擇的ICLV 模型。其中,依據(jù)TAM 提出使用場景變量構建離散選擇模型,依據(jù)溝通隱私管理(Communication Privacy Management,CPM)理論提出心理潛變量構建結構方程模型。通過對不同使用場景下影響因素的測度來計算用戶隱私交換行為概率。

1 研究假設

1.1 基于CPM 理論的相關變量界定及假設

傳統(tǒng)意義上,隱私是指個人與社會公共生活無關的而不愿為他人知悉的事項。如果本人愿意公開,原來的隱私就轉化為非隱私了,如社交平臺上的“曬”隱私現(xiàn)象,就不屬于隱私保護內容[19]。因此,隱私在不同情境下有不同的定義。本文沿用CPM理論中隱私的定義,認為隱私是一條從自我到他人的具有彈性的邊界,將隱私邊界看成是一個從完全開放到完全封閉的連續(xù)體[20]。CPM 理論描述了用戶管理隱私信息的過程,解釋了人們如何對隱私的披露與隱藏進行決策。為了很好地保護隱私,信息藏匿和保護之間需要進行邊界協(xié)調[21],制定共同遵守的規(guī)則。CPM 理論將個人隱私規(guī)則制定標準分為核心標準和催化劑標準。核心標準包括個體特征和文化,催化劑標準包括情境、動機和風險-收益比。因此,基于CPM 理論提出隱私交換收益、隱私交換風險、隱私侵犯經(jīng)歷、隱私保護自我效能、隱私政策關注和個性化需求6個潛變量。

CPM 理論指出用戶在決定是否披露個人隱私時會進行收益風險權衡。當用戶獲得的收益超過風險時會傾向于披露個人隱私,反之會拒絕披露個人隱私。已有研究證明,用戶會根據(jù)APP提供的價值來決定向APP披露隱私的程度[7],隱私披露的感知收益越高會積極影響他們的隱私披露意愿[7,10]。因此,提出假設:

H1隱私交換收益對隱私交換意愿有正向顯著影響。

隱私交換風險[10-13,22]是指用戶在使用APP 進行隱私交換時,對APP未經(jīng)授權披露其隱私信息所感知到的潛在損失。已有研究表明,當用戶受到隱私侵犯感知到隱私風險時會減少信息披露[23]。此外,感知隱私敏感性會加劇隱私問題,進而對隱私披露產(chǎn)生負面影響[24]。因此,提出假設:

H2隱私交換風險對隱私交換意愿有負向顯著影響。

Gu等[24]指出用戶對隱私的態(tài)度和以往經(jīng)歷有關,有過隱私受損經(jīng)歷會對個人隱私披露產(chǎn)生直接和間接的影響[12]。當用戶發(fā)現(xiàn)網(wǎng)站濫用他們的信息時,就會覺得這個網(wǎng)站沒有履行其職責,因而在以后使用該網(wǎng)站時會降低隱私交換意愿[24]。因此,提出假設:

H3隱私侵犯經(jīng)歷對隱私交換風險有正向顯著影響。

個性化需求通常被定義為根據(jù)個人偏好和行為量身定做服務的需求[25],通過數(shù)據(jù)挖掘、統(tǒng)計、人工智能和基于規(guī)則的匹配等工具,平臺可以預測用戶的需求和偏好,并提供更符合需求的產(chǎn)品和服務[26]。為了滿足個性化需求,用戶需要披露隱私,因此,個性化需求被認為是影響隱私交換收益的一個重要因素,所以提出假設:

H4個性化需求對隱私交換收益有正向顯著影響。

以往研究表明,個性化服務以獲取大量用戶數(shù)據(jù)為前提[27],所以具有顯著個人特征。披露這些數(shù)據(jù)可能會導致不必要的廣告植入、價格歧視以及未經(jīng)授權的訪問。盡管個性化服務帶來了附加價值,但仍會帶來隱私風險,因此,提出假設:

H5個性化需求對隱私交換風險有負向顯著影響。

根據(jù)CPM 理論,用戶隱私是否會被披露取決于環(huán)境的影響。而隱私政策會將APP如何收集和使用用戶隱私告訴他們,也是保護用戶隱私不會被篡改和泄露的保證。因此,隱私政策是APP使用過程中的一個環(huán)境因素。Mc Knight等[28]認為隱私政策是促進用戶建立對互聯(lián)網(wǎng)環(huán)境信任,保證供應商誠實的一種方式。由此提出假設:

H6隱私政策關注對隱私交換意愿有負向顯著影響。

隱私保護自我效能是指個體為保護個人信息和空間,對自身隱私邊界控制能力的感知[29]。已有研究表明,自我效能在影響用戶對技術感知和使用方面起著重要作用,能夠降低用戶對技術的焦慮感,是用戶評估感知規(guī)避能力的重要參考[30]。因此,提出假設:

H7隱私保護自我效能對隱私交換意愿有正向顯著影響。

1.2 基于TAM 相關變量界定

TAM 因其有用性、易用性被廣泛應用于組織IT 管理、銀行客戶采納、消費者網(wǎng)絡購物意向以及圖書館信息系統(tǒng)滿意度等領域。APP 使用中考慮最多的因素是功能的有用性和便捷性,因此,基于TAM 理論設置不同使用場景。由于APP 類型繁多,用戶對APP的使用偏好也不相同,對實證研究中的使用場景設計有較大的影響。如果實證研究場景過于具體化,用戶偏好會對實證研究的影響較大。因此,對于使用場景中與用戶偏好有關的影響因素(如軟件功能需求程度、使用時長等)應該進行有效控制。模型中感知有用性是指使用系統(tǒng)對于人們所帶來的幫助和效率的提高,感知易用性是指用戶對于系統(tǒng)使用的方便性和技術接受的程度高低。除此之外,TAM 的應用受到被調查者的個體特征、研究對象的特征以及文化環(huán)境差異等因素影響,隨著技術的不斷發(fā)展,使用環(huán)境也變得復雜,感知有用性和易用性已經(jīng)無法滿足對用戶使用行為解釋和預測的需求。因此,結合免費增值模式下用戶在不同場景中交換隱私信息的不同提出信息敏感度這一使用場景屬性。信息敏感度[22,31-34]是指用戶對不用類型隱私信息披露所產(chǎn)生負面影響的感知程度。綜上可知,基于TAM 提出有用性、易用性和信息敏感度3個使用場景屬性,并根據(jù)使用場景屬性的不同水平劃分為4個使用場景。

2 MIMIC模型及結果

2.1 數(shù)據(jù)來源

(1)用戶社會經(jīng)濟屬性測量、以往APP使用中的隱私潛變量測項。其中,隱私潛變量量表依據(jù)CPM 各變量的問題項改編形成,相關變量題項及來源見表1。

表1 變量測量題項及來源

研究量表均采用Likert 5級量表,調查及后續(xù)研究中所用到的變量:

Sage——用戶的年齡;

Sedu——用戶受教育程度;

Sincome——用戶月收入;

Semploy——用戶受訪者職業(yè);

Zuse——功能有用性;

Zease——功能易用性;

Zsen——信息的敏感度。

(2)場景測試。選取有用性、易用性和信息敏感性3個使用場景屬性分別劃分為3個水平,理論上可產(chǎn)生3×3×3=27種使用場景。在免費增值模式的運營下產(chǎn)生了4 種使用場景,分別為免費游客(A)、免費注冊(B)、隱私交換增值(C)和付費增值(D)。使用場景A 下,APP運營商提供基礎服務(在有用性屬性下用1 表示),用戶需要提供使用信息(在信息敏感度屬性下用1表示)進行交換,使用過程中受到廣告植入等影響,使用不便捷(在易用性屬性下用1表示);使用場景B下,APP運營商提供個性化服務(在有用性屬性下用2 表示),用戶需要提供基本信息(在信息敏感性屬性下用2表示)進行交換,使用方便(在易用性屬性下用2表示);使用場景C 和D 下,APP提供增值服務(在有用性屬性下用3 表示),用戶需要用敏感信息(在信息敏感度屬性下用3表示)或者付費(在信息敏感度屬性下用2 表示)獲取,使用非常便捷(在易用性屬性下用3表示)。各使用場景屬性及其水平如表2所示。

表2 使用場景及其屬性

將情景描述為:“您在接觸一款新上市APP,您對該APP的使用需求強烈,在每個APP 使用場景下的需求都是理性的,且沒有產(chǎn)生對APP在使用時間和技術上的依賴?！痹趩柧碚{查中要求用戶根據(jù)日常使用偏好,對4個使用場景是否進行隱私交換依次做出選擇。圖1所示為使用場景選項卡樣例。

通過線上發(fā)放問卷,共收回326 份有效問卷。被調查對象的年齡和學歷基本符合正態(tài)分布,說明樣本分層比較均勻。其中,本科學歷用戶最多(占總數(shù)的47.85%),且83.74%的調查對象年齡在18～45歲,這符合高學歷用戶與青年用戶是互聯(lián)網(wǎng)使用的主要人群特征。

信度采用組合信度(CR)來檢驗,并使用平均萃取變差(AVE)、Cronbach’sα系數(shù)檢驗問卷中量表的有效性。首先,大部分潛變量的CR均大于0.8,表示因子具有較好的指標信度。盡管兩個潛變量的結果不是很滿意,但是也大于0.7,也是可接受的。Cronbach’sα系數(shù)均大于0.7,說明該問卷的量表題具有較好的內部一致性;AVE 都大于0.5,表示該問卷的量表題具有較好的聚合效度。信度和效度分析如表3所示。

表3 信度效度分析表

2.2 MIMIC模型及擬合結果

MIMIC模型是結構方程的一種特殊形式,是一種探討多個外生觀測變量與多個內生潛在變量之間關系的模型。該模型可以將連續(xù)變量和類別變量同時納入建立混合模型,以此來探討混合變量與測量模型間的關系。該模型相比傳統(tǒng)的多群組分析模型,不必根據(jù)類別變量把數(shù)據(jù)分為幾個組分別估值,操作上更簡單。MIMIC 模型在本質上是結構方程模型的一種形式,通常由結構方程和測量方程兩部分組成,其關系為

式中:ηni是不可觀測潛變量向量,具體為ηbenefits、ηrisks、ηpolicy、ηPE、ηPPIE、ηSE和ηWTE;xni是影響潛變量ηni的外生可觀測變量向量,包括Sage、Sedu、Sincome和Semploy;yni是潛變量;ηni是可觀測指標向量;ξni和εni為測量誤差;Γ和Λ是公式中待估計函數(shù)的系數(shù)。模型擬合情況如表4所示,本文中的結構方程模型擬合度都在可接受的范圍內。

表4 MIMIC模型擬合統(tǒng)計指標

2.3 潛變量間關系分析

從構建的MIMIC模型中可以得到外生可觀測變量和潛變量之間的關系以及潛變量之間的因果關系,由于篇幅有限,這里僅給出后者的結果。MIMIC模型中潛變量之間的路徑關系如圖2所示。

在圖2的MIMIC模型中,除假設H5、H6未得到證明之外,其余假設都得到顯著支持。個性化需求對于隱私交換收益有顯著影響,而對隱私交換風險沒有顯著影響,說明用戶在對個性化需求的感知收益大過感知風險。隱私侵犯經(jīng)歷對隱私交換意愿有顯著影響,說明用戶在決定隱私交換意愿時會形成定性思維,受到之前相關經(jīng)歷的影響,增加隱私交換風險。隱私交換收益和隱私交換風險對交換意愿有顯著影響。這說明,用戶在體驗APP時會進行隱私權衡,進而決定是否采取隱私交換行為。隱私保護能力對隱私交換意愿有顯著影響,說明用戶隱私交換意愿受到隱私知識和隱私保護習慣的影響。而隱私政策關注對隱私交換意愿沒有顯著影響,可能是由于現(xiàn)有商業(yè)模式不接受隱私政策不允許使用的規(guī)則而導致用戶對隱私政策持流程化的態(tài)度,降低了對隱私政策的關注。

3 離散選擇模型檢驗及結果分析

3.1 離散選擇模型

根據(jù)MIMIC模型的結果,圖3為ICLV 模型的全路徑,具體由MIMIC模型和離散選擇模型構成。

每一個使用場景下的效用函數(shù)的解釋變量分為可直接測量的解釋變量和不可直接測量的潛變量,并且假設效用函數(shù)是關于參數(shù)的線性函數(shù)。每一個使用場景下的效用函數(shù)為

式中:Uni為第n個APP用戶選擇第i個場景的效用;Vni是系統(tǒng)效應;νni是隨機效應;β是待估計的效用函數(shù)的系數(shù);βx是可直接觀測影響因素的系數(shù);βn是不可直接觀測影響因素的系數(shù)。

每個使用場景被選擇的概率為

式中:sni表示第n個用戶選擇第i個使用場景的狀態(tài),如果被調查的人選擇i,則sni=1,否則為0;Cn為第n個APP 用戶互斥的選項集;Pn為第n個APP用戶的選擇概率。

混合離散選擇模型的似然函數(shù)為

式中:Σv、Σξ、Σε分別為殘差和隨機項的協(xié)方差矩陣;Rη為積分是有多少個潛在變量的多重積分。假設有n個用戶,則ICLV 模型的似然函數(shù)為

3.2 模型檢驗

通過繪制calibration圖來評估模型預測得到的預測值與實際的真實性的一致性,4個在使用場景下的calibration圖如圖4所示。

圖4(a)～(d)中,X軸為模型預測得到的結局可能性,Y軸為實際觀察得到的值,并重復計算1 000次,其中,Bias-corrected 為校正曲線,對角線Ideal為理想曲線。校正曲線與理想曲線之間越相近,說明模型的預測能力越好。因此,模型具有良好的校準能力。

3.3 離散選擇擇結果分析

由于要考慮用戶個體特征對是否采取隱私交換行為的影響,在采用Logit模型計算時,將不同使用場景的有用性、易用性和信息敏感程度分別統(tǒng)一在1個變量下。每個場景下隱私交換行為的結果如表4所示。

由表4可以看出,使用場景對用戶隱私交換行為具有顯著影響,用戶隱私交換行為會不同程度受到使用場景變量的影響。在不同使用場景下用戶隱私交換行為的影響因素存在如下不同:

表4 離散選擇模型結果分析

(1)在使用場景A 下會受到職業(yè)、隱私交換風險、隱私政策關注以及以往隱私侵犯經(jīng)歷的影響。在現(xiàn)有免費增值模式下,用戶在此場景中處于不披露隱私就不能使用的被動狀態(tài),用戶關注隱私政策的合法合理性,結合以往隱私侵犯經(jīng)歷來判明隱私風險,決定是否進行隱私交換。不同職業(yè)的人群對APP的需求,也會對隱私交換行為產(chǎn)生影響。

(2)在使用場景B下會受到年齡、教育水平、隱私交換風險、隱私政策關注、個性化需求、隱私侵犯經(jīng)歷以及隱私保護自我效能的影響。在該場景下,用戶獲得個性化功能,會考慮個性化功能帶來的便捷性,并且在各種因素的影響下,會對自身隱私保護能力即自我效能做出判斷,最終決定是否進行隱私交換。隨著用戶年齡增長以及受教育水平的提高,用戶進行隱私交換的概率會降低。

(3)在使用場景C 下會受到教育水平、隱私交換收益、隱私交換風險、隱私侵犯經(jīng)歷以及隱私保護自我效能的影響。在該場景下,用戶需要交換敏感個人信息來獲得增值功能,更多是考慮隱私交換這一行為所帶來的隱私收益和隱私風險,結合以往隱私侵犯經(jīng)歷和自我效能的評價決定是否進行隱私交換。與免費注冊場景不同,在該場景下,用戶受教育水平的提高反而會促進用戶進行隱私交換,這可能是由于用戶隱私保護自我效能的提高增加了隱私交換意愿。

(4)在使用場景D 下會受到職業(yè)、收入、隱私交換風險、個性化需求以及隱私侵犯經(jīng)歷的影響。在該場景下,用戶需要付費來得到增值功能,更多是考慮APP增值功能的個性化程度,以此來決定是否進行交換。

3.4 聚類分析

采用R 語言進行K-Means算法實現(xiàn)聚類分析,確定最優(yōu)k值為2。兩類用戶群分別標記為Ⅰ類和Ⅱ類,樣本數(shù)分別為102個和224個。對兩類用戶群的潛變量進行均值分析,如圖5所示。Ⅰ類和Ⅱ類用戶群潛變量均值均呈一正一負分布在兩側,具有顯著差異性。這表明,兩類人群在隱私偏好導向上存在明顯的不同。根據(jù)問卷潛變量定義,Ⅰ類用戶具有較高的隱私保護意識和隱私保護能力,將其定義為隱私導向人群,則Ⅱ類為功能導向人群。

3.5 隱私交換行為的Nomogram 圖分析

為進一步分析各自變量對隱私交換行為的影響,采用Nomogram 圖進行可視化分析。首先,根據(jù)二元Logit回歸模型中自變量回歸系數(shù)大小制定評分標準(變量標尺),以回歸系數(shù)最大的自變量為參考標尺;其次,依據(jù)各變量標尺對每個取值水平進行評分,將各變量評分相加得到總評分;最后,通過總評分與預測事件發(fā)生概率之間的轉換函數(shù),計算出該預測事件發(fā)生的概率。

以Ⅱ類月收入為5 000～8 000元1)用戶在不同使用場景下會受到不同的社會屬性的影響,選取各社會屬性變量中選擇最多的人群為樣本的用戶群為例,分析該群體在使用場景A 下隱私交換概率,用R 繪制Nomogram 圖(見圖6)。依據(jù)量表采集數(shù)據(jù)結果,ηbenefits和ηrisks的變量取值水平為5,分別對應評分(Points)的68和0,ηpolicy和ηPPIE的變量取值水平為1,分別對應Points的100和0;收入為5 000～8 000元標記為3,對應Points的48。將每個變量對應的Points相加得到Total points為216,在Total points上找到相應數(shù)值,對應于最下面概率軸(s1)的0.82,即該類用戶群在該場景下隱私交換的概率為0.82。

由于Nomogram 圖繪制的基本原理是以回歸系數(shù)最大的自變量為基準,其他變量以此為參考標尺進行轉換,使得各變量的標尺長度隨回歸系數(shù)的變化呈現(xiàn)顯著差異,能夠系統(tǒng)反映多變量組合下的作用效果,將復雜的回歸方程轉變?yōu)榭梢暬膱D形,方便對事件發(fā)生概率進行評估。

根據(jù)上述方法計算Ⅰ類和Ⅱ類用戶在不同使用場景下的隱私交換概率,結果如圖7所示。由圖7可以發(fā)現(xiàn),隱私導向用戶在各個使用場景下隱私交換意愿偏低且平穩(wěn),功能導向的用戶除了在使用場景B下隱私交換概率都比較大。

4 結論

基于CPM 理論提出潛變量,引入用戶社會屬性變量構建MIMIC 模型;再加上使用場景構成效用決策,進行離散選擇分析,構建混合選擇模型對用戶在免費增值模式下不同使用場景的隱私交換行為進行實證分析。研究發(fā)現(xiàn):

(1)使用場景對用戶隱私交換行為產(chǎn)生顯著影響,且影響程度隨使用場景變量發(fā)生變化。考慮使用場景后,影響因素增加且組合不同。用戶在獲得免費功能時,隨著個性化功能與隱私信息敏感度的提高,用戶年齡、受教育水平以及隱私保護能力會顯著影響隱私交換行為,而收入和隱私交換收益的影響并不明顯;用戶在獲得增值功能時,由于在使用場景C要交換敏感度高的隱私而受教育水平、隱私保護能力以及隱私交換收益的顯著影響,而在使用場景D 需要付費則受到職業(yè)和收入水平的影響,隱私保護能力對其影響不顯著。

(2)APP用戶類型不同,在不同的使用場景下是否進行隱私交換還會受到不同影響因素的影響。功能導向型用戶在使用場景A 和D 下的交換概率偏低,說明這兩個場景下的功能的個性化程度不能滿足功能導向型人群需求。隱私導向型用戶在4個使用場景下的隱私交換意愿都偏低。

(3)在進行APP用戶類型聚類時可以看出,隱私導向型用戶數(shù)量只占少數(shù),所以APP用戶在使用過程中要注意“免費”的假象,加強隱私保護意識,樹立正確的隱私觀。

(4)APP 運營商在實際運營中要注意使用場景變化對用戶使用行為的影響,并可對用戶數(shù)據(jù)進行分析,判定用戶類型,對不同用戶類型采取不同的策略。對于功能導向型用戶,APP運營商可以增加功能的便捷程度和獨特程度,提高對用戶的吸引力,增加隱私交換概率,更好地建立用戶資料庫,提供精準服務,形成良性循環(huán)。對于隱私導向型用戶,APP運營商在獲取用戶隱私時要注意保護用戶隱私,在保護用戶隱私的同時提供便捷的服務,促進商業(yè)模式的健康發(fā)展。

本文存在的不足:①本文是在免費增值模式下對APP用戶隱私交換行為影響因素進行研究,并沒有考慮APP種類。不同種類的APP功能和受眾群體不同,所對應的影響因素也會有所差異,未來研究者可以劃分APP種類進行研究或者對某一類APP進行研究。②用戶在使用場景D 下可能會受到價格的影響,未來研究者可以設置不同的價格區(qū)間研究用戶隱私交換意愿。