当期荐读 2023年第3期 | 平台隐私保护机制对消费者隐私信息披露的影响
图源 | Internet
邵秀燕1 曹聪2 王 萍3
1.东南大学经济管理学院，南京，211189；
2.浙江工业大学管理学院，杭州，310014；
3.华中师范大学信息管理学院，武汉，430079
摘 要
如何保护消费者隐私，消除其隐私顾虑，以达到鼓励其主动披露隐私信息的目的，对网购平台推行个性化产品与服务、保持核心竞争力至关重要。为厘清隐私保护机制的作用机理，本研究结合详尽可能性模型与羊群效应理论，通过问卷调查方法获取231份问卷，并借助SmartPLS软件进行数据分析与模型检验。结果表明，信任态度和羊群心态都显著影响消费者隐私信息披露行为，其中信任态度的影响更大；隐私保护的直接机制与间接机制都能建立消费者对平台的信任，但直接机制对信任态度的影响更大；平台声誉会使消费者产生羊群心态；信息分析能力高的消费者倾向于通过分析隐私政策声明恰当性来形成信任态度，而信息分析能力较低的消费者则依赖边缘路径线索来形成信任态度和羊群心态。本研究为理解隐私信息披露的决策路径提供了有用的理论框架，为网购平台和消费者的隐私保护实践提供了建议。
关键词
隐私信息披露 详尽可能性模型 信任态度 羊群心态 信息分析能力
01
引言
数字经济时代，数据正式成为生产要素，收集和使用消费者个人信息是实现平台功能、提升消费者体验、推行个性化服务的前提，同时也是平台保持核心竞争力的基础。然而平台对消费者隐私信息收集、处理和使用的“黑箱操作”引发了消费者的隐私顾虑[1]。对于隐私风险的顾虑往往会降低消费者隐私信息披露的意愿，尤其是有过隐私泄露经历的消费者常常会拒绝披露隐私信息，或者披露虚假的隐私信息[2]。
有学者基于隐私计算理论指出，消费者的隐私信息披露决策取决于其对感知风险和感知收益的估计[3-4]。然而消费者通常并不了解网购平台收集了哪些信息，这些信息会被如何使用，以及相关的后果[5]，导致其不能准确地计算隐私披露行为所带来的成本与收益，因此，消费者无法依赖隐私计算理论来作隐私披露决策。
大量研究表明，消费者对平台的信任态度会影响其隐私信息披露决策[6-8]。为了取得消费者的信任，网购平台常常使用直接和间接隐私保护机制来消除消费者对隐私的顾虑。直接机制包括各大网购平台通过隐私政策声明告知消费者他们的个人信息将被如何收集、使用和披露，以及平台处理消费者信息的法律依据和平台为保护消费者个人信息而采取的安全措施；间接机制包括网购平台使用的第三方信用图章等，向消费者表明网购平台在交易安全性和隐私保护等方面是值得信赖的。现有研究对网购平台的隐私保护机制的作用机理尚未形成一致结论，有研究发现隐私保护机制能建立消费者对平台的信任[9]，从而提高隐私信息披露意愿；也有研究显示隐私保护机制在不同背景下的效果存在差异[10]。同时，由于网购交易属于不安全的活动[11]，网购情境中的信任态度往往取决于情境，根据情境的不同，消费者的信任态度有时会表现出极端担忧，有时会完全不担心[12]。此外，现有研究忽视了隐私信息披露行为的内在比较属性[13]，当消费者无法准确分析网购平台的隐私保护实践时，较易受到他人信息披露行为的影响而产生羊群心态[14]，并以此决定是否披露隐私信息。
针对现有研究现状和现实需求，有必要进一步探究在信息不对称前提下，不同隐私保护机制对消费者隐私信息披露决策的作用机理。本研究结合双路径过程模型——详尽可能性模型（Elaboration Likelihood Model, ELM）和羊群效应理论，探索不同类型的隐私保护机制如何影响消费者对网购平台的信任态度和羊群心态，从而影响消费者主动披露隐私信息的行为，以期为理解隐私信息披露的决策路径提供有用的理论框架，并为网购平台更好地服务消费者提供实践指导。
02
文献回顾和理论背景
2.1 隐私保护机制、信任态度与隐私信息披露
隐私信息披露是指消费者主动将其个人隐私信息提供给平台或者允许平台按照约定方式、范围和程度获取、收集、使用其个人隐私信息的行为[15]。国内外学者对消费者隐私信息披露影响因素的研究主要基于两种视角，第一种视角认为消费者的隐私信息披露决策基于对成本与收益的理性计算，以隐私计算理论为代表，认为消费者通过权衡感知收益与感知风险，来决策隐私披露行为[16]。感知收益对消费者隐私披露意愿具有正向影响，感知风险对隐私披露意愿具有负向影响[17]，当隐私披露的收益大于风险时，消费者会倾向于披露隐私信息[18]。如李琪等[13]基于隐私计算理论指出，个人通过权衡隐私披露的成本与收益来决定是否披露个人隐私；张珍珍认为消费者会权衡感知风险和感知收益，以此决定是否披露自己的信息[19]。
然而，采用第一种视角的研究忽视了消费者隐私披露决策的行为特征。消费者与平台之间存在信息不对称的现象，因此隐私披露决策是基于不确定条件下的决策。这一特征使消费者很难准确把握风险与收益，一定程度上限制了隐私计算理论等相关理论的应用。因此，有学者提出第二种视角，即认为消费者的隐私信息披露决策受其对平台的信任态度所影响[6-8]。信任态度反映了消费者对平台有能力保护隐私信息的信心和期望[20]，较高的信任水平会减少信息披露过程中的感知风险，进而促进消费者披露隐私信息[21]。为了获取用户的信任，平台常常采用隐私保护机制来缓解隐私关注。隐私保护机制是指“直接或间接向客户提供保证其个人信息将得到保护和保密的机制”[22]。隐私保护机制被认为在建立信任方面发挥着重要作用[20]。最常见的两种隐私保护机制包括以平台隐私保护政策声明为代表的直接机制和第三方隐私印章为代表的间接机制[23]。
关于直接隐私保护机制——隐私保护政策声明对用户隐私披露的影响，研究结果并不统一。Liu等[24]通过实验方法发现，隐私政策声明对信任态度的产生具有正向影响；但也有研究认为隐私政策声明对消费者的信任态度不产生显著影响[25-26]，甚至有研究认为隐私政策声明会对消费者的信任态度产生负向影响[27]。同样地，关于间接隐私保护机制——第三方隐私印章对用户隐私披露的影响，现有研究结果也并不统一。学者们早期认为第三方隐私印章能增加信任态度[28-29]。但是也有学者认为第三方隐私印章与信任不相关，比如Kim等[30]认为第三方隐私印章能减少感知风险，却不能增加信任态度。McK-night等[31]发现隐私印章对用户的信任态度不产生影响。
我们认为，产生不一致结论的原因是人们在形成信念和作出决定时，会根据其认知水平选择不同的决策路径[32]。当个体认知水平较高时，倾向于通过分析直接隐私保护机制来决策是否披露隐私信息，此时直接隐私保护机制对信任态度的形成具有更好的效果；当个体认知水平较低时，倾向于通过间接隐私保护机制来决策是否披露隐私信息，此时间接隐私保护机制对信任态度的形成就更为有效。现有研究大多以单一决策路径为基础框架，因此有必要结合不同的决策路径，深入分析不同的隐私保护机制对信任态度的影响。
基于此，本研究从双路径过程模型ELM的整体视角出发，探求消费者隐私披露决策的过程，以期从本质上对网购平台隐私保护机制对消费者隐私披露的影响机理提供全面的了解。
2.2 ELM模型
ELM是关于个体态度形成和改变的双路径理论模型[32]，已经被广泛地应用于社交媒体和电子商务领域，用来考察消费者对在线评论[33]、社交媒体信息[34]、二手信息发布内容[35]等的态度。ELM认为个体态度受中心路径和边缘路径两种路径的影响。通过中心路径处理信息的个体往往具有较高的信息分析能力，会采取逻辑和理性的中心线索进行分析和判断，最终导致态度的转变或形成；而通过边缘路径处理信息的个体具有相对较低的信息分析能力，会通过与信息中心内容无关的环境特征、线索或启发式方法的边缘线索来处理相关信息，进而导致信任态度的转变或形成。虽然个体完全可以通过选择其中一种路径来形成信任态度，但实际上个体往往会结合使用两条路径来形成态度[36]，随着个体信息分析能力的增加，中心路径的影响就增强，反之边缘路径影响增强[37]。
2.2.1 中心线索
个体通过中心路径处理信息时往往通过分析信息质量来形成态度，因为信息质量反映了信息的可靠性和说服性[32]。在本研究情境下，信息质量所表示的信息为直接隐私保护机制，即隐私政策声明所包含的信息，包括告知消费者将如何收集、使用和披露隐私信息。当隐私政策声明提供了完整的、准确的隐私信息使用说明时，消费者可能会认为隐私政策声明具有较高的信息质量，较易通过中心路径形成对平台的信任。依靠中心路径影响个体的态度，需要个体投入较多的认知资源，且形成的态度较为持久并能够预测将来的行为[38]。
2.2.2 边缘线索
个体通过边缘路径处理信息时，对信息内容的评估性不高，往往依靠一些依附于信息的简单线索对信息作出判断[32]。在本研究情境下，当消费者无法分析隐私政策声明的信息质量时，则会通过边缘路径进行隐私披露决策。网购平台的间接隐私保护机制，比如第三方隐私印章、平台的信息质量、平台的声誉等，都为消费者提供了边缘线索。依靠边缘路径影响个体的态度，个体投入的认知资源不高，依据自身习惯作出快速反应与简单决策，并由此形成相对短暂的态度[38]。
2.2.3 态度
ELM关注个体态度的形成或转变。消费者对平台的信任态度会影响其隐私披露行为[6-8]，因此信任态度是态度的考量之一。当消费者缺乏准确分析信息的能力，无法对平台的隐私信息保护实践作出准确的评价时，倾向于依靠边缘路径形成信任态度，但此时的信任态度相对短暂且不稳定[38]，因此，本研究采用羊群心态作为态度的另一个考量。
选择羊群心态作为态度的另一个考量，主要基于以下两点原因：首先，羊群心态发生的前提也是决策者缺乏准确分析信息的能力[39]。羊群效应最初是指投资决策者由于缺乏信息，而选择跟随其他投资者的行为[40]。其次，隐私信息披露行为本质上具有比较属性[13]，且当较难准确分析信息时，消费者更易通过观察他人行为而形成羊群心态[14]，进而作出披露隐私信息的决定。羊群效应理论对ELM是非常好的补充，提供了另一种机制的解释。由此，本研究最终采用信任态度和羊群心态两个变量表示消费者态度的转变。
03
理论模型与研究假设
3.1 理论模型
本文建立如图1所示的研究模型。首先，网购平台希望提升消费者对平台的信任，而消费者希望知道是否应该信任平台。信任态度可能由两种路径引起，即中心路径和边缘路径。其次，由于隐私信息披露行为的比较属性，消费者也常常会基于羊群心态决定是否披露隐私信息。同时，由于个人特质和经历不同，消费者的信息分析能力也不一样，这会影响消费者选择不同决策路径（中心路径、边缘路径或羊群心态）来决定是否披露隐私信息。
图1 研究模型
3.2 研究假设
3.2.1 中心路径与边缘路径因素对信任态度的影响
ELM的中心路径是指通过评价信息质量来作决策。信息质量是指信息是否使人信服, 是说服和沟通的主要标准。在网购情境下，消费者通过评价隐私政策声明的恰当性来决定是否披露隐私。网购平台的隐私政策声明必须恰当地解决消费者对隐私的担心，即恰当地满足消费者对其隐私保护的预期。公平信息实践原则（Fair Information Practices, FIP）提出四个原则来判断隐私政策声明的恰当性[41]：①数据收集者需要告知消费者哪些个人信息被收集；②消费者应该能够看到并就个人信息的准确性与完备性提出异议；③消费者有权决定个人信息是否以及如何被二次使用；④数据收集者必须采取合理的方式来保证数据不会被无授权访问。这与Smith等[42]提出的消费者隐私关注的四个维度相契合，即数据收集、数据错误、数据二次使用和数据无授权访问。因此，当网购平台的隐私政策声明能从这四个维度上解决消费者对隐私的担心，让消费者认为其隐私受到保护，那么可以认为隐私政策声明的恰当性比较好。本研究将隐私政策声明的恰当性看作二阶构念，包含数据收集、数据错误、数据二次使用和数据无授权访问这四个维度。当平台消费者认识到网购平台的信息实践在这四个方面做得足够好，就会感到他们的隐私受到保护，从而形成对购物平台的信任态度。因此，本文假设：
假设1：网购平台隐私政策声明的恰当性正向影响消费者的信任态度。
ELM的边缘路径是指通过使用捷径、启发式方法和情感进行决策[37]。其中，第三方隐私印章和平台声誉就属于边缘线索，有助于消费者形成对电子零售商的初始信任[43]。第三方隐私印章是来自第三方组织的认可，证明网络供应商遵守该组织的隐私政策和隐私标准[44]，代表第三方机构向消费者保证该网购平台会尊重其隐私。为了从第三方机构获得印章，网购平台必须经过严格的审查程序，第三方认证机构会根据建立在公平信息实践原则基础上的隐私标准来评估其信息实践。可信的第三方隐私印章降低了消费者购买决策的风险感知[45]，有助于消费者形成对电子零售商的初始信任[43]。
声誉是消费者对一个网购平台的主观感知，是公众对其产品或服务质量的普遍评价的反映。良好的声誉能降低平台用户的隐私顾虑[46]，从而增加消费者的信任。Jin等[47]指出，信誉良好的平台拥有“光环效应”，即消费者认为由于商业规则、道德标准甚至来自媒体的舆论压力，信誉良好的平台具有更强的动机和能力来保护他们的隐私，相反，声名狼藉的平台可能缺乏保护消费者隐私的能力和动机。因此，本文假设：
假设2a：第三方隐私印章正向影响消费者的信任态度。
假设2b：网购平台声誉正向影响消费者的信任态度。
3.2.2 平台声誉对羊群心态的影响
羊群心态是指当其他人采取同样的行动时，个人模仿他人行为的意向[14]。羊群心态的产生需要两个前提：一是决策者缺乏准确分析信息的能力，二是决策者观察到其他人做出同样的行为，即观察到人气线索（Popularity Cues）[48]。在数据逐渐海量化、丰富化的基础上，不确定因素使消费者的感知风险提高，从而行事更为小心谨慎。当无法通过分析信息来作决策时，人们会通过启发式或简单决策规则来作决策[39]。在这种背景下，其他消费者的行为会强烈影响到消费者个人行为。在网购情境下，信息不对称导致消费者无法准确分析隐私政策声明的恰当性，当消费者知道该平台上的其他群体都选择主动披露隐私后，消费者产生跟随心态的可能性也将会提高。平台声誉是平台的人气线索，代表了其他消费者对平台隐私保护实践的评价，而人气线索常常会引发羊群心态[14]。因此，本文假设：
假设3：网购平台声誉正向影响消费者的羊群心态。
3.2.3 信任态度、羊群心态对隐私信息披露行为的影响
信任态度是一种心理状态，指对另一个人行为的积极期望。依据理性行为理论，个体的态度会影响其行为意愿，进而引起行为的产生。隐私披露相关文献也都证实，个人对平台的信任态度会影响他们的行为决策[49]，包括披露隐私信息、购买行为等。因此，本文假设：
假设4：信任态度正向影响消费者隐私信息披露行为。
羊群心态在研究信息技术采纳行为[50]、金融预测行为[51]、购买决策[52]、信息安全管理决策[39]时都发现具有重要影响。Sun[53]指出，当消费者对新技术不了解时，会产生羊群心态，从而影响消费者的技术采纳行为。Shao等[39]认为，信息安全经理由于缺乏足够的信息来分析信息安全投资的成本与收益，因此常常选择“跟随”的策略来作信息安全投资决策。在隐私披露情境中，当消费者无法准确分析平台隐私保护机制的恰当性时，也可以通过“跟随”的策略来决定是否披露隐私。因此，本文假设：
假设5：羊群心态正向影响消费者隐私披露行为。
3.2.4 消费者信息分析能力的调节效应
信息分析能力是指批判性地评估说服性信息的能力，受时间和个人所拥有的相关知识的影响[37]。根据ELM模型，信息分析能力较高的消费者会采用中心线索，根据网购平台的信息实践来评估网购平台的隐私保护水平，从而产生信任态度[41]。相反，能力不足的消费者会采用边缘线索，根据网购平台的隐私保证线索或者平台声誉形成对平台的信任态度，最终影响其隐私信息披露行为。因此，本文假设：
假设6a：信息分析能力正向调节中心路径因素对信任态度的影响。
假设6b：信息分析能力负向调节边缘路径因素对信任态度的影响。
相似地，羊群效应的研究也表明，当个人分析信息的能力不足时，观察到人气线索容易产生跟随他人行为的心态[39]；反之，信息分析能力较高的个人会倾向于分析网购平台的隐私政策，依此评估是否产生信任态度，并影响隐私信息披露行为。因此，本文假设：
假设7：信息分析能力负向调节平台声誉对羊群心态的影响。
3.2.5 信任态度与羊群心态的中介效应
ELM模型指出个体通过中心路径和边缘路径来形成态度[37]。作为中心线索，当平台的隐私政策声明能恰当地解决消费者的隐私关注，代表平台对消费者隐私的尊重，并表明平台会妥当管理消费者的信息。因此，恰当的隐私政策声明能减少消费者对平台的不确定性，使消费者对平台产生信任。根据ELM模型，当消费者分析中心线索的能力比较低时，会依靠一些边缘线索作出判断，并形成短暂的态度[37]。作为边缘线索，隐私印章的使用代表平台会遵守第三方的隐私保护标准，并应用特定技术来保护隐私，因此，隐私印章会增加消费者的感知控制，减少隐私关注。隐私印章使消费者相信平台被第三方监管，因此消费者也较易产生对平台的信任。同样地，平台良好的声誉能降低平台用户的隐私顾虑[46]，从而增加消费者的信任。而对平台的信任会影响消费者的行为，包括隐私披露行为[49]。因此，本文假设：
假设8：在完整模型下，信任态度中介了隐私政策声明恰当性对隐私信息披露的影响。
假设9：在完整模型下，信任态度中介了隐私印章对隐私信息披露的影响。
假设10：在完整模型下，信任态度中介了平台声誉对隐私信息披露的影响。
另一方面，作为边缘线索，平台声誉给消费者提供了人气线索，代表其他消费者对平台的评价，包括平台的隐私保护实践，此时分析能力较弱的消费者较易产生跟随他人行为的心理，即羊群心态。而羊群心态常常会影响消费者行为，包括与信息安全相关的行为[39]。因此，本文假设：
假设11：在完整模型下，羊群心态中介了平台声誉对隐私信息披露的影响。
04
研究方法
4.1 问卷设计
为提高问卷的有效性，本研究从文献中已使用过的问项中提炼出测量本研究构念的题项，并结合网购场景的特点，由两位信息系统领域专家对题项进行修改和完善，并由三位研究生进行多轮英汉互译，调整题项的语言表达。所有构念的操作性定义来自于文献，具体见表1。本研究所有的测量题项也改编自以往的研究，其中，隐私信息披露采用Kim等 [54]中的量表，信任态度采用Mutimukwe等 [55]中的量表，羊群心态采用Sun[53]中的量表，隐私政策声明恰当性、平台声誉采用Bansal等 [41]开发的量表，隐私印章采用Lee等 [56]开发的量表，信息分析能力采用Shao等 [39]开发的量表①。控制变量的编码如表2所示。问卷量表主要采用Likert 7级量表，被试需根据自己的网购经历打分，1分为完全不同意，7分为完全同意。表2给出各变量最终的测量题项。
表1 构念的操作性定义
表2 构念的测量题项
① 注：其中，隐私信息披露、信任态度、隐私政策恰当性、网站声誉、隐私印章所采用的原量表都是测量在网购情境下消费者的隐私信息披露意愿、消费者对平台/网站的信任态度、平台隐私政策恰当性、平台/网站声誉、平台/网站隐私印章。羊群心态的原量表是测量在技术采纳中的模仿他人的过程；信息分析能力的原量表是测量个人是否具有准确评估成本与收益的能力。本研究都结合网购场景的特点，将原量表进行修改和完善，使其更符合本文的情境。其中，隐私信息披露题项Dis3、隐私政策声明恰当性题项Err1和网站声誉题项Rep4由于因子载荷过低而删去。
4.2 数据收集
为了保证正式问卷的一致性与有效性，在发放大量问卷之前，本研究首先通过“问卷网”随机发放50份问卷进行小样本的问卷试测，根据SmartPLS3.0分析结果对问卷作出相应修改与调整形成正式问卷。本研究使用问卷星进行了正式的问卷调查，问卷均为线上发放回收（2021.5.5—2021.5.10），共回收了322份随机问卷，为了保证问卷的准确性，按以下原则对问卷进行筛选，并且剔除部分无效问卷：①逻辑题错误；②所有题项答案都相同；③所有题项答案具有明显的重复规律；④同类题项前后回答矛盾；⑤答题时间少于5分钟。根据这些原则剔除无效问卷后，还剩有效问卷231份，有效问卷回收率达到71.739%。
表3显示了受访者的人口统计信息和网购平台使用情况，可以看出，本研究选取的样本分布较为广泛，保证了本文数据来源的广泛性与普遍性。另外，关于网购平台的使用情况统计分析发现，大多数消费者都有着较长时间的使用经验，保证了答题者的适合性。并且从表中关于隐私经历的统计分析发现，有87.879%的样本有过隐私泄露的经历，这也在一定程度上印证了数据安全、隐私保护的严峻现状。
表 3 样本人口统计学特征(N=231)
无响应偏差指的是没有回答问卷的人可能会对研究结果产生偏差的情况。考虑到可能存在无响应偏差，本研究通过比较早期受访者和晚期受访者的性别和年龄来解决无响应偏差问题[60-62]。较早完成问卷的120名受访者被视为早期受访者，而在后期完成问卷的111名受访者被视为晚期受访者。早期和晚期受访者的卡方检验显示，他们在性别和年龄上没有显著差异（ p>0.05）。因此，排除了无响应偏差的可能性。
由于解释变量和被解释变量的数据是通过同一份问卷获得，因此需要进行共同方法偏差检验。由于本研究采取的是线上问卷的形式，样本并不局限于某个地区或某个群体，因此产生共同方法偏差的可能性不大。然而本研究依然采用Harman’ s one-factor test单因素检验[63]，结果显示，第一个（最大的）因素占了33.451%（方差解释范围为5.292%—33.451%），单一因素占的方差小于50%，说明没有明显的共同方法偏差问题。此外，作者还使用标记变量法[62,64]检验共同方法偏差。数据分析结果显示，标记变量对信任态度、羊群心态和隐私披露没有显著影响。因此，在本研究中共同方法偏差并不是威胁很大的问题。
在收集数据后，本研究使用G*power 3来进行事后统计检定力分析[65]。在事后分析中，统计检定力（1-β）是作为研究中使用的总体效应大小（f2）、显著性水平（α）和样本量（N）的函数计算的结果表明，样本的统计检定力为0.94，高于0.8的阈值，表明统计检定力不是威胁很大的问题。
05
实证分析结果
本研究基于偏最小二乘法的结构方程模型方法（Partial Least Square Structural Equation Modeling, PLS-SEM）进行实证检验，使用SmartPLS3.0软件进行数据分析。基于协方差的结构方程模型（Covariance-Based Structural Equation Modeling, CB-SEM）使用最大似然法估计模型，并要求样本服从正态分布，而PLS-SEM放宽了这些假设，能够使用较小的样本数量估计更复杂的模型[62,66-69]。本研究选择PLS-SEM而不是CB-SEM，因为PLS-SEM适用于本研究中复杂的结构模型和形成性构念，也适用于对平台隐私保护机制的作用机理和模型进行探索[62, 66-69]。按照Anderson等[70]提出的两步法，我们首先检查测量模型的信度与效度，然后检查结构模型的研究假设、路径系数和方差解释。
5.1 测量模型分析
为了保证研究的可靠性和有效性，我们首先对测量模型进行信度和效度分析。本研究使用cronbach’ s α值和组合信度检验量表的信度，使用因子载荷和平均提取方差值（AVE）来检验收敛效度，使用AVE的平方根来检验区分效度。表4显示了测量模型评估结果。各题项的cronbach’ s α值都在0.7以上，说明现有题项可以用来测量对应的潜变量；同时所有变量的组合信度大于0.7，说明量表具有较高的内部一致性。
表4显示各变量的AVE值都大于0.5，表5中AVE的平方根（对角线值）都大于该潜变量与其余潜变量的相关系数（非对角线值），问卷的收敛效度和区别效度都达到要求。因此，本研究测量模型有较好的内部一致性和有效性，可以用该测量模型来测度本文的结构模型。
表4 测量模型评估结果
表5 Fornell-Larcker criterion（N=231）
另外，根据Henseler等[71]提出的heterotrsait-monotrait (HTMT)比值，如表6所示，本研究模型中各构念间比率值均小于0.9。通过以上两种方法验证，说明模型的所有构念之间都具有一定的区别效度。
表6 区别效度：Heterotrsait-monotrait(HTMT)(N=231)
由于测量模型含有二阶形成性构念（隐私政策声明恰当性），本研究采用Ringle等 [72]建议的方法检验其效度。首先使用重复指标方法获得潜变量得分，将潜变量得分来表示二阶构念的指标。本研究使用一阶构念的权重和变量膨胀因子（VIF）来检验二阶构念的效度。四个一阶构念的权重都显著，数据收集（β =0.241,p < 0.001）、数据错误（β =0.172,p < 0.001 ）、数据二次使用（β =0.282,p <0.001）、数据无授权访问（β = 0.433,p <0.001），说明具有良好的效度。此外，各一阶构念的VIF值均小于临界值3.300 [73]，表明多重共线性问题并不会对结构模型的估计造成不良影响。
5.2 结构模型分析
图2显示结构方程模型的评估结果。通过SEM-PLS的blindfolding分析，本研究模型的为0.38，表明模型具有比较合适的预测性[74]。同时，模型中信任态度、羊群心态和隐私信息披露的方差解释率分别为54.132%、36.135%和41.221%，说明模型所示的自变量具有较高解释性。其中，作为中心线索的隐私政策声明的恰当性对消费者的信任态度具有显著正向影响（β = 0.553，p <0.001），假设1得到支持；作为边缘线索的平台声誉（β =0.103，p<0.001）、隐私印章（β=0.081，p<0.05）对消费者的信任态度也具有显著正向影响，假设2得到支持。使用Diedenhofen等 [75]的方法，比较中心线索和边缘线索对信任态度的路径系数，结果显示中心线索的路径系数显著大于边缘线索的路径系数（p<0.001）。平台声誉不仅对信任态度影响显著，也对消费者的羊群心态影响显著（β = 0.144，p <0.001），假设3得到支持。
图2 结构模型评估结果
信任态度（β =0.565，p <0.001）和羊群心态（β =0.281，p <0.001）对消费者隐私信息披露行为具有显著的正向影响，假设4和假设5均得到支持。使用Diedenhofen等 [75]的方法发现，信任态度的路径系数显著大于羊群心态的路径系数（p <0.001）。
同时，消费者的信息分析能力，显著正向调节隐私政策声明恰当性对信任态度的影响（β =0.212，p < 0.001），假设6a得到支持；显著负向调节隐私印章（β =-0.091，p< 0.05）和平台声誉（β =-0.252，p < 0.001）对信任态度的影响，假设6b得到支持。消费者的信息分析能力显著负向调节平台声誉（β=-0.122，p <0.05）对羊群心态的影响，假设7得到支持。控制变量中，学历与隐私泄露频率的路径系数显著。总的来说，模型提出的所有假设都得到了支持。
此外，本研究采用Shiau等[62]和Zhao等[76]提出的方法检验中介效应。首先检验信任态度对隐私政策声明恰当性（即ELM中心路径）对隐私披露影响的中介作用。如表7所示，第一，隐私政策声明恰当性对隐私披露的间接效应（a ×b）显著（β =0.312,t=7.487）；第二，隐私政策声明恰当性对隐私披露的直接效应（c）显著（β =0.252,t=4.177）；第三，直接效应和间接效应的作用方向相同（a×b×c为正）。因此，信任态度为隐私政策声明恰当性的补充性部分中介，即隐私政策声明恰当性受到信任态度的部分中介。
其次，检验信任态度对隐私印章、平台声誉（即ELM边缘路径）对隐私披露影响的中介作用。如表7所示，隐私印章对隐私披露的间接效应（a×b）显著（β =0.050,t=5.001）、直接效应（c）不显著（β =0.015,t=1.201)，且直接效应与间接效应的作用方向相同（a×b×c为正），因此信任态度为隐私印章的完全中介。同样地，平台声誉对隐私披露的间接效应（a×b）显著（β =0.058,t=4.967 ）、直接效应（c）不显著（ β =0.012,t=1.177），且直接效应与间接效应的作用方向相同（a×b×c为正），因此信任态度为平台声誉的完全中介。
表7 中介效应检验
最后，检验羊群心态对平台声誉对隐私披露影响的中介作用。如表7所示，平台声誉对隐私披露的间接效应（a×b）显著（β =0.081,t=3.458 ）、直接效应（c）不显著（ β=0.012,t=1.177），且直接效应与间接效应的作用方向相同（a×b×c为正），因此羊群心态为平台声誉的完全中介。
06
结论
本研究基于ELM模型和羊群效应理论，深入探讨平台隐私保护机制的作用机理，得到以下研究结果：信任态度和羊群心态显著影响消费者隐私披露行为，但信任态度的路径系数显著大于羊群心态的路径系数。基于ELM模型发现，中心路径线索（网购平台的隐私政策声明）和边缘路径线索（隐私印章、平台声誉）对消费者建立信任态度都具有显著影响，但中心路径线索的路径系数显著大于边缘路径线索的路径系数。基于羊群效应理论发现，平台声誉显著影响消费者形成羊群心态，消费者的信息分析能力会减弱平台声誉对羊群心态的影响。信息分析能力较高的消费者更倾向于通过中心路径线索来形成信任态度，而信息分析能力较低的消费者则会通过边缘路径线索来形成信任态度。
6.1 研究贡献
理论贡献：首先，以往研究基于隐私计算理论，忽视了消费者无法准确分析感知风险与感知收益这一事实，本研究强调隐私披露决策是基于信息不对称条件下的决策，提出信息分析能力会影响消费者的决策路径，从而厘清了消费者隐私披露的真实决策路径。其次，本研究基于多路径过程模型ELM，结合平台隐私保护的直接机制与间接机制，从不同决策路径角度深入分析平台隐私保护机制对信任态度的影响机制。最后，以往研究忽视了隐私披露行为的比较属性，并未对此展开深入的调研，本研究考虑了消费者在信息不对称条件下由于羊群心态而产生的隐私披露行为。
实践启示：首先，研究结果显示，虽然信任态度与羊群心态都会影响消费者隐私披露行为，但是信任态度的路径系数显著大于羊群心态的路径系数，表明信任态度比羊群心态的作用更稳定，因此，网购平台隐私管理工作方向应着眼于加强消费者信任态度。其次，在形成信任态度的路径中，研究结果显示，中心线索的路径系数显著大于边缘线索的路径系数，因此，网购平台有必要在隐私信息的使用和访问方面进行重点解读。第三，网购平台可以通过与受信任的第三方机构（例如TRUSTe）建立协议，从而建立起消费者的信任态度。第四，研究结果显示了羊群心态对隐私披露行为的作用，平台可以在做好隐私保护实践的前提下，展示已披露隐私的消费者数量（如80%用户已选择），这样有助于信息分析能力较弱的消费者有意愿披露隐私。最后，平台监管部门可以发挥其监管作用，例如审核平台隐私政策的真实性，公示隐私信息实践较好的平台等，有助于消费者建立对平台的信任态度。
6.2 研究局限和展望
本研究也存在一定的局限性：首先，本文只研究了网购平台消费者披露隐私信息的前因，在后续的研究中可以拓展到对消费者披露隐私信息结果的探讨，比如消费者隐私披露对平台精准营销的影响。其次，本文并未区分具体的隐私信息类型，个体对不同类型的隐私信息敏感程度存在差异，未来的研究可以比较不同隐私信息类型下隐私决策机制的异同，并验证本模型的适用性。比如针对敏感程度较高的隐私信息，消费者是否更依赖中心路径进行决策；而针对敏感程度较低的隐私信息，消费者是否更依赖边缘路径进行决策。此外，由于中心路径形成的态度较为稳定，而消费者在阅读、理解和分析隐私政策恰当性时需要更多的时间与努力，因此，后续研究可以探讨如何减少消费者使用直接机制时花费的时间和努力。比如探讨隐私信息保护教育APP通过真实案例、视频等形式普及、宣传隐私信息保护知识，是否能提升消费者信息分析的能力。
参考文献
[1] 汪洋，陈洁，范雯健．消费者数据隐私敏感性对渠道迁徙意愿的影响研究[J]．管理学报，2021，18(8)：1212-1219．
[2] 王乐，王璐瑶，孙早．隐私侵犯经历对网络用户自我披露的影响机制[J]．系统工程理论与实践，2020，40(1)：79-92．
[3] 李琪，王璐瑶，乔志林．隐私计算与社会资本对移动社交用户自我披露意愿的影响研究——基于微信与微博的比较分析[J]．情报杂志，2018，37(5)：169-175．
[4] 王瑜超．在线医疗社区用户健康隐私信息披露意愿的影响因素研究[J]．信息资源管理学报，2018，8(1)：93-103，113．
[5] Acquisti A, Brandimarte L, Loewenstein G. Privacy and human behavior in the age of information[J]. Science, 2015, 347(6221): 509-514.
[6] Urbonavicius S, Degutis M, Zimaitis I, et al. From social networking to willingness to disclose personal data when shopping online: Modelling in the context of social exchange theory[J]. Journal of Business Research, 2021, 136: 76-85.
[7] 刘百灵，杨世龙，李延晖．隐私偏好设置与隐私反馈对移动商务用户行为意愿影响及交互作用的实证研究[J]．中国管理科学, 2018, 26(8)：164-178.
[8] 刘百灵，孙文静．隐私管理技术特征对移动用户信息披露意愿的影响[J]．系统管理学报，2020，29(6)：1113-1123．
[9] 贺明华，梁晓蓓．共享平台制度机制能促进消费者持续共享意愿吗?——共享平台制度信任的影响机理[J]．财经论丛，2018(8)：75-84．
[10]Hui K L, Teo H H, Lee S Y T. The value of privacy assurance: An exploratory field experiment[J]. MIS Quarterly, 2007, 31(1): 19-33.
[11]Su P, Wang L,Yan J. How users’ Internet experience affects the adoption of mobile payment: A mediation model[J]. Technology Analysis & Strategic Management, 2018, 30(2): 186-197.
[12]John L K, Acquisti A, Loewenstein G. Strangers on a plane: Context-dependent willingness to divulge sensitive information[J]. Journal of Consumer Research, 2011, 37(5): 858-873.
[13]Acquisti A, John L K, Loewenstein G. The impact of relative standards on the propensity to disclose[J]. Journal of Marketing Research, 2012, 49(2): 160-174.
[14]Xu F, Warkentin M. Integrating elaboration likelihood model and herd theory in information security message persuasiveness[J]. Computers & Security, 2020, 98: 102009.
[15]相甍甍．移动电子商务消费者隐私信息披露行为及风险研究[D]．长春：吉林大学，2018：28-29.
[16]刘百灵，徐伟，夏惠敏．应用特征与个体特质双重视角下移动购物持续使用意愿研究[J]．管理科学，2018，31(2)：59-70．
[17]Dinev T, Hart P. An extended privacy calculus model for E-commerce transactions[J]. Information Systems Research, 2006, 17(1): 61-80.
[18]李海丹，洪紫怡，朱侯．隐私计算与公平理论视角下用户隐私披露行为机制研究[J]．图书情报知识，2016(6)：114-124．
[19]张珍珍．电子商务环境下消费者隐私信息披露行为的实验研究[D]．成都：西南财经大学，2014：17-18.
[20]Smith H J, Dinev T, Xu H. Information privacy research: An interdisciplinary review[J]. MIS Quarterly，2011，35(4): 989- 1016.
[21]管家娃，张，朱庆华，等．国外社交网站隐私悖论问题研究综述与国内研究建议[J]．图书情报工作，2016，60(22)：126-134．
[22]Lowry P B,Moody G,Vance A,et al. Using an elaboration likelihood approach to better understand the persuasiveness of website privacy assurance cues for online consumers[J]. Journal of the American Society for Information Science and Technology, 2012, 63(4): 755-776.
[23]Mousavizadeh M, Kim D J, Chen R. Effects of assurance mechanisms and consumer concerns on online purchase decisions: An empirical study[J]. Decision Support Systems, 2016, 92: 79-90.
[24]Liu C, Marchewka J T, Lu J, et al. Beyond concern-A privacy- trust-behavioral intention model of electronic commerce[J]. Information & Management, 2005, 42(2): 289-304.
[25]Wang S, Beatty S E, Foxx W. Signaling the trustworthiness of small online retailers[J]. Journal of Interactive Marketing, 2004, 18(1): 53-69.
[26]Metzger M J. Effects of site, vendor, and consumer characteristics on web site trust and disclosure[J]. Communication Research,2006, 33(3): 155-179.
[27]Arcand M, Nantel J, Arles-Dufour M, et al. The impact of reading a web site’s privacy statement on perceived control over privacy and perceived trust[J]. Online Information Review,2007, 31(5): 661-681.
[28]Houston R W, Taylor G K. Consumer perceptions of CPA WebTrustSM assurances: Evidence of an expectation gap[J]. International Journal of Auditing, 1999, 3(2): 89-105
[29]Shneiderman B. Designing trust into online experiences[J]. Communications of the ACM, 2000, 43(12): 57-59.
[30]Kim D J, Ferrin D L, Rao H R. A trust-based consumer decision-making model in electronic commerce: The role of trust, perceived risk, and their antecedents[J]. Decision Support Systems, 2008, 44(2): 544-564.
[31]McKnight D H, Kacmar C J, Choudhury V. Shifting factors and the ineffectiveness of third party assurance seals: A two-stage model of initial trust in a web business[J]. Electronic Markets, 2004, 14(3): 252-266.
[32]Cacioppo J T, Petty R E. Effects of message repetition and position on cognitive response, recall, and persuasion[J]. Journal of Personality and Social Psychology, 1979, 37(1): 97-109.
[33]王亚妮，王君，姚唐，等．什么样的评论更有用?基于ELM的 “Meta分析”[J]．管理评论，2021，33(5)：246-256．
[34]Wang L, Hu H H, Yan J, et al. Privacy calculus or heuristic cues? The dual process of privacy decision making on Chinese social media[J]. Journal of Enterprise Information Management, 2019, 33(2): 353-380.
[35]Chang H H, Lu Y Y, Lin S C. An elaboration likelihood model of consumer respond action to facebook second-hand marketplace: Impulsiveness as a moderator[J]. Information & Management, 2020, 57(2): 103171.
[36]Sussman S W, Siegal W S. Informational influence in organizations: An integrated approach to knowledge adoption[J]. Information Systems Research, 2003, 14(1): 47-65.
[37]Petty R E, Briol P, Tormala Z L. Thought confidence as a determinant of persuasion: The self-validation hypothesis[J]. Journal of Personality and Social Psychology, 2002, 82(5): 722-741.
[38]Tang L R, Jang S S, Morrison A. Dual-route communication of destination websites[J]. Tourism Management, 2012, 33(1): 38-49.
[39]Shao X, Siponen M, Liu F. Shall we follow? Impact of reputation concern on information security managers’investment decisions[J]. Computers & Security, 2020, 97: 101961.
[40]李佳宁，钟田丽．企业投资决策趋同：“羊群效应”抑或“同伴效应”?——来自中国非金融上市公司的面板数据[J]．中国软科学，2020(1)：128-142．
[41]Bansal G, Zahedi F M, Gefen D. The role of privacy assurance mechanisms in building trust and the moderating role of privacy concern[J]. European Journal of Information Systems, 2015, 24(6): 624-644.
[42]Smith H J, Milberg S J, Burke S J. Information privacy: Measuring individuals’concerns about organizational practices[J]. MIS Quarterly, 1996, 20(2): 167-196.
[43]Yang S C, Hung W C, Sung K, et al. Investigating initial trust toward e-tailers from the elaboration likelihood model perspective[J]. Psychology & Marketing, 2006, 23(5): 429-445.
[44]McKnight D H, Choudhury V, Kacmar C. Developing and validating trust measures for e-commerce: An integrative typology[J]. Information Systems Research, 2002, 13(3): 334-359.
[45]凌霞．移动电子支付环境下的用户隐私感知及消费行为倾向研究[D]．北京：北京邮电大学，2018：61-62.
[46]樊炳东．网络平台用户的隐私披露行为影响因素及作用机理研究[D]．广州：广东工业大学，2019：52-53.
[47]Jin B, Park J Y, Kim J. Joint influence of online store attributes and offline operations on performance of multichannel retailers[J]. Behaviour & Information Technology, 2010, 29(1): 85-96.
[48]Bikhchandani S, Sharma S. Herd behavior in financial markets[J]. IMF Staff Papers, 2001, 47(3): 279-310.
[49]朱侯，刘嘉颖．共享时代用户在线披露个人信息的隐私计算模式研究[J]．图书与情报，2019(2)：76-82．
[50]Knijnenburg B P, Kobsa A. Making decisions about privacy: Information disclosure in context-aware recommender systems[J]. ACM Transactions on Interactive Intelligent Systems, 2013, 3(3):Article 20. Doi:10.1146/2499670.
[51]Bernhardt D, Campello M, Kutsoati E. Who herds? [J]. Journal of Financial Economics, 2006, 80(3): 657-675.
[52]Shen X L, Zhang K , Zhao S J. Understanding Information adoption in online review communities: The role of herd factors[C]//2014 47th Hawaii International Conference on System Sciences, Waikoloa, HI, USA. IEEE Computer Society, 2014: 604-613.
[53]Sun H. A longitudinal study of herd behavior in the adoption and continued use of technology[J]. MIS Quarterly, 2013, 37(4): 1013-1041.
[54]Kim D, Park K, Park Y, et al. Willingness to provide personal information: Perspective of privacy calculus in IoT services[J]. Computers in Human Behavior, 2019, 92: 273-281.
[55]Mutimukwe C, Kolkowska E, Grnlund . Information privacy in e-service: Effect of organizational privacy assurances on individual privacy concerns, perceptions, trust and self-disclosure behavior[J]. Government Information Quarterly, 2020, 37(1): 101413.
[56]Lee S M, Choi J,Lee S G. The impact of a third-party assurance seal in customer purchasing intention[J]. Journal of Internet Commerce, 2004, 3(2): 33-51.
[57]Martin K D, Borah A, Palmatier R W. Data privacy: Effects on customer and firm performance[J]. Journal of Marketing, 2017, 81(1): 36-58.
[58]Malhotra N K, Kim S, Aganval J. Internet users’information privacy concerns (IUIPC): The construct ,the scale, and a causal model[J]. Information Systems Research, 2004, 15(4): 336-355.
[59]Jarvenpaa S L, Tractinsky N, Vitale M. Consumer trust in an Internet store[J]. Information Technology and Management, 2000, 1(1): 45-71.
[60]Armstrong J S, Overton T S. Estimating nonresponse bias in mail surveys[J]. Journal of Marketing Research, 1977, 14(3): 396-402.
[61]Gefen D, Rigdon E E, Straub D. An update and extension to SEM guidelines for administrative and social science research [J]. MIS Quarterly, 2011, 35(2): 3-15.
[62]Shiau W L, Yuan Y, Pu X , et al. Understanding fintech continuance: Perspectives from self-efficacy and ECT-IS theories[J]. Industrial Management & Data Systems, 2020, 120(9): 1659-1689.
[63]Podsakoff P M, Organ D W. Self-reports in organizational research: Problems and prospects[J]. Journal of Management, 1986, 12(4): 531-544
[64]Chin W W, Thatcher J B, Wright R T. Assessing common method bias: Problems with the ULMC technique[J]. MIS Quarterly, 2012, 36(3): 1003-1019.
[65]Faul F, Erdfelder E, Buchner A, et al. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses[J]. Behavior Research Methods, 2009, 41(4): 1149-1160.
[66]Hair J F, Risher J J, Sarstedt M, et al. When to use and how to report the results of PLS-SEM[J]. European Business Review, 2019, 31(1): 2-24.
[67]Shiau W L, Sarstedt M, Hair J F. Internet research using partial least squares structural equation modeling (PLS-SEM)[J]. Internet Research, 2019, 29(3): 398-406
[68]Khan G F, Sarstedt M, Shiau W L, et al. Methodological research on partial least squares structural equation modeling (PLS-SEM): An analysis based on social network approaches[J]. Internet Research, 2019, 29(3): 407-429.
[69]Shiau W L, Chau P Y K. Understanding behavioral intention to use a cloud computing classroom: A multiple model comparison approach[J]. Information & Management, 2016, 53(3): 355-365.
[70]Anderson J C, Gerbing D W. Structural equation modeling in practice: A review and recommended two-step approach[J]. Psychological Bulletin, 1988, 103(3): 411-423.
[71]Henseler J, Ringle C M, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling[J]. Journal of the Academy of Marketing Science, 2015, 43(1): 115-135.
[72]Ringle C M, Sarstedt M, Straub D W. Editor’ s comments: A critical look at the use of PLS-SEM in MIS Quarterly[J]. MIS Quarterly, 2012, 36(1): 3-14.
[73]Petter S, Straub D, Rai A. Specifying formative constructs in information systems research[J]. MIS Quarterly, 2007, 31(4): 623-656.
[74]Cohen J. Statistical power analysis for the behavioral sciences[M]. Hillsdale, NJ: Lawrence Erlbaum Associates, 1988.
[75]Diedenhofen B, Musch J. Cocor: A comprehensive solution for the statistical comparison of correlations[J]. PLoS One, 2015, 10(3): e0121945.
[76]Zhao X, Lynch J G, Chen Q. Reconsidering Baron and Kenny: Myths and truths about mediation analysis[J]. Journal of Consumer Research, 2010, 37(2): 197-206.
（收稿日期：2022-11-13）
作者简介
邵秀燕，博士、讲师，研究方向为数字经济与信息安全；
曹聪（通讯作者），博士、副教授，研究方向为数字经济与信任管理，Email: congcao@zjut.edu.cn；
王萍，博士、副教授，研究方向为数字经济与信息行为。
* 原文载于《信息资源管理学报》2023年第3期，欢迎个人转发，公众号转载请联系后台。
* 引用格式
邵秀燕，曹聪，王萍.平台隐私保护机制对消费者隐私信息披露的影响[J].信息资源管理学报，2023,13(3):23-38.
往期 · 推荐
当期目录 · 专刊 | 2023年第3期 “面向信息管理与信息系统的研究方法应用与实践”
当期荐读 2023年第3期 | “面向信息管理与信息系统的研究方法应用与实践”专刊前言
当期荐读 2023年第3期 | 结构方程模型的应用准则：CB-SEM和PLS-SEM研究范式的比较与启示
▲点击访问信息资源管理学报小程序
制版编辑 | 王伊杨
审核 | 于阿媛
长按识别二维码关注我们
信息资源管理学报
微信号
xxzyglxb
分享、在看与点赞
只要你点，我们就是朋友😊