網絡購物購買意愿的影響因素及其復雜關系研究
——基于PLS-SEM與貝葉斯網絡

李 哲，馬中東

(1．大連理工大學 管理與經濟學部，遼寧 大連 116024;2．聊城大學 商學院，山東 聊城 252059)

一、引 言

目前，電子商務正憑借著高效便捷的優勢全面變革著社會商業模式，網絡消費已成為市民熱衷的消費方式［1－2］。根據中國電子商務研究中心的調查，2015年、2016年網購市場交易規模高達3．88萬億元和4．7萬億元，分別占社會消費品零售總額的12．9% 和 23．3% 。

網絡購物與傳統購物相比優勢明顯，但當前中國的在線消費仍處于起步階段，在迅速發展的同時也存在不足之處:如網絡購物環境有待提高、網絡購物市場運行模式有待創新、快遞物流方面法律法規相對滯后、消費者維權困難、交易存在不確定性、信息不對稱，等等。上述問題在一定程度上影響了網絡購物交易成本［3］，而交易成本又影響消費者購買意愿，這是消費者選擇網上購物還是傳統購物的關鍵參考。因此，降低交易成本和提升消費者購買意愿是國內外學者和電商企業所關注的焦點。

早期的研究以理論分析為主，如 Bharadwaj和Bigelow等基于交易成本視角，定性對比分析了網絡零 售 業 與 傳 統 購 物 業 的 交 易 成 本 差 異［4－5］;Rabinovich等基于交易成本視角，對網絡消費者的消費行為假設進行了研究［6］。在定性研究的基礎上，有學者嘗試用統計方法和模型定量研究網絡交易成本與購買意愿的關系，如相關分析和回歸分析等，但上述方法不能很好地解釋變量之間關系且無法解決潛變量測量誤差的問題。隨著統計學理論的發展，更為嚴格的統計技術和模型分析方法被引入到網絡零售業影響因素的實證研究中，如趙衛宏以網絡零售消費者為對象，對網絡顧客關系價值及其行為結果進行了實證分析［7］;黃嵐等實證分析了網絡零售價格促銷方式、折扣幅度對網絡消費者購買意愿的影響機制［8］，上述研究多是圍繞結構方程模型(Structural Equation Model，SEM)技術而開展的。SEM是一種建立、估計和檢驗因果關系的模型方法，可根據理論模型與樣本數據的一致性程度對模型的擬合性做出評價，從而證實所假設理論模型的真偽［9］，但SEM是以觀測變量服從正態分布為前提，模型求解嚴格依賴協方差矩陣，而實際中測量數據的質量受到量表質量、被調查人員主觀意識等因素影響，容易出現多重共線性及非正態分布因素造成的偏差問題［10］，從而極大限制了該方法在網絡消費者行為研究方面的應用;同時，SEM是基于截面樣本點數據的靜態估計，主要模擬變量的線性關系，對非線性問題因難以提出嚴謹的科學假設或有待檢驗的理論模型，從而無法獲得準確的實證結果。偏最小二乘算法(Partial Least Squares Method，PLS)是由Herman Wold提出的一種多因變量對多自變量的多元分析方法，可較好解決普通多元統計分析方法對數據的約束性，如變量X和Y的最大數大于預測方程個數，變量的因子(成分)均從X'X和Y'Y矩陣中提取，但該因子(成分)無法表征變量的相關性;PLS采用對變量X和Y進行分解的方式，從變量X和Y中同時提取成分(因子)，再將成分按照二者之間的相關性從大到小排列，可解決主成分分析提取相關信息時容易漏掉相關性較小的變量而使模型可靠性下降的不足。因此，PLS是將主成分分析與多元回歸結合起來的迭代估計，在求解過程中允許測量變量、潛變量為非正態分布［11］，特別適合對數據難以獲得且評價體系內具體作用關系不太明確的對象進行探索性研究。構建基于最小二乘法的結構方程模型(簡稱PLS-SEM)，雖然既能解決測量誤差問題又能解決變量非正態問題，并提升了模型實證能力及泛性，但PLS-SEM模型對變量間關系的預測和診斷能力依舊較差。而貝葉斯網絡(Bayesian Network，BN)特別適合對變量關系的預測、診斷以及對非線性關系的處理［12］，但其又缺乏對變量間因果關系的解釋和實證能力［13］?；诖?，本文提出將PLSSEM與BN相結合，該組合模型既發揮了PLS-SEM擬合非標準模型的能力，又發揮了BN的診斷和預測能力，可為電商企業制定合理的價格戰略提供智力支持。

二、混合模型基礎理論

(一)PLS-SEM的基礎

PLS-SEM是伍德(Wold)等于19世紀80年代在PLS回歸的基礎上提出的一種新型方法，由描述外生潛變量和內生潛變量之間關系的結構方程與描述內、外生潛變量和觀測變量關系的測量方程組成。

1．結構模型。結構模型描述的是潛變量之間關系:

其中 η、β、ξ、ζ∈ Rn，Γ ∈ Rn×n;η 是由 m 個內生潛變量(因子)組成的m×1向量;ξ是由n個外生潛變量(因子)組成的n×1向量;Γ為m×n結構系數矩陣，描述了結構模型中外生潛變量ξ對內生潛變量η的影響;ζ是結構模型的m×1殘差向量。

由于PLS表示遞歸關系，因此:

其中βji和γjb為連接預測內生變量與外生潛變量的系數，ζj為內生殘差變量。

2．測量模型。測量模型描述的是觀測變量與其潛變量之間的關系:

其中x、y分別表示外生與內生潛變量ξ、η的觀測變量，Λη是X在ξ上的q×n路徑系數矩陣，Λξ是Y在η上的p×m因子負荷矩陣(路徑系數矩陣)，權重關系為:

其中 ωlh、ωik分別為用于估計潛在變量 ξl、ηi的第h、k個權重。

SEM的PLS分析方法就是通過迭代每個潛變量的樣本估計值^ξl和^ηi，具體計算步驟如下:

步驟1:給定一個任意的初始權重，例如 ωlh=1，其余變量的權重均為0。

步驟 2:按照鮮思東等的方法［14］，計算 ωlh和ωik的新權重值。

步驟 3:判斷是否滿足|ω'－ω''|＜10－5，成立則進入步驟4，否則返回步驟1，重新賦值。

步驟4:通過公式計算潛在變量 ξl和 ηi的估計值，記為^ξl和^ηi。

步驟5:利用^ξl和^ηi替代ξl和ηi后，運用PLS方法估計結構模型中變量參數。

(二)BN的基本原理

BN是描述數據變量之間依賴關系的圖形模型，其基本原理如下:

假設一個有限的離散型由隨機變量Xi組成的集合是 U={X1，X2，…，Xn}，其中 Xi可以選取有限個值。一般來說，貝葉斯網絡是一個二元組B=〈G，Θ〉:G刻畫的是一個有向無環圖，其中i個節點與Xi一一對應;Θ刻畫的是網絡局部條件概率的參數集合{θxi|zi}，θxi|zi=P(xi|zi)，表示節點 Xi對應的每一個值xi在其父節點集yi處于某個特定的配置zi下的條件概率。由B所刻畫在集合U上的聯合概率分布能夠利用式(3)唯一確定，即:

BN的構造可分三步進行，計算過程中并非需要嚴格按照以下三個步驟進行，可根據實際需求交叉進行。

步驟1:確定變量。

步驟2:構建一個條件獨立的有向無環圖，由概率乘法公式可得:

若用Yi表示變量Xi的父節點集，可得P(X1，X2，…，

為了確定BN的結構，需將變量X1，X2，…，Xn按某種規則進行排序，以確定能夠滿足式(4)的變量集 Yi(i=1，2，…，n)。

步驟3:指派局部概率分布P(Xi|Yi)。

(三)組合模型構建步驟

BN模型是對觀測變量進行的因果預測與推斷，而PLS-SEM是對潛變量層路徑關系進行實證分析。因此，融合PLS-SEM和BN模型的關鍵是通過觀測變量獲得貝葉斯網絡模型推導和預測所需要的樣本數據，從而推導出網絡消費者購買意愿影響因素的作用機理。鑒于此，本文構建組合模型的思路是:

步驟1:按照PLS-SEM基礎中構建PLS-SEM模型的5個步驟，構建網絡消費者購買意愿影響因素的PLS-SEM模型。

其中N表示樣本量，xi表示第i個觀測變量，θδ表示殘差的協方差矩陣，T表示矩陣的轉置，Φ表示ζ的協方差矩陣。

由式(5)式(6)可知，一旦確定系數Λξ，就可以求得外生潛變量ξ的得分;同理，確定Λη，就可獲得內生潛變量η的得分。

步驟3:以PLS-SEM模型實證確定的潛變量間的路徑關系作為BN模型的機結，在步驟2的基礎上以潛變量的得分作為樣本數據，借助 Netica5．19軟件，按照BN基本原理中的3個步驟構建潛變量貝葉斯網絡模型。

步驟4:在步驟3的基礎上，進行購買意愿與其影響因素的貝葉斯推理和診斷。

三、購買意愿及其影響因素的PLS-SEM模型

(一)概念模型的構建

目前，雖然電子商務已獲得較快的發展，但無論是發展中國家(如中國等)還是發達國家(如美國等)，傳統商業收入遠遠超過電子商務的收入，造成這種現象的一個重要原因就是消費者對網絡購物缺乏信任。Jones等人認為，擴大電子商務市場占有份額的一個關鍵因素是建立交易雙方彼此之間的信任關系［16］;不少文獻認為，交易雙方彼此之間的信任關系有助于顧客網絡消費購買意愿的提升，消費者網絡購物市場調查表明，信任度的重要程度高于特定資產。鑒于此，本文將網絡購物中的影響因素特定資產換成交易雙方的信任度，以探索交易成本對購買意愿的影響。電子商務發展的另一個障礙是網絡購物存在多種不確定性，而這些不確定性又提高了線上商業的交易成本。Parkeh研究表明，電子商務在交易過程中具有不確定因素，這類不確定因素阻礙了電子商務的發展，故在研究電子商務交易成本對顧客購買意愿影響時，將不確定性因素作為一個維度保留在交易成本中［17］。因此，本文以交易費用理論(TCE)為理論基礎，在文獻總結、專家訪談以及QFD專家頭腦風暴法的基礎上，將網絡購物交易成本分為不確定性、購買頻率、信任度三個維度，并探索其對消費者購買意愿的影響。

根據以上分析，網絡消費中交易成本與購買意愿關系的概念模型，見圖1。

圖1 交易成本與購買意愿關系概念模型圖

圖1所示概念模型的路徑假設有:

H1:交易成本與購買意愿是負相關的關系，交易成本可對購買意愿進行逆向調節。

H2:不確定性與購買意愿是負相關的關系，不確定性可對購買意愿進行逆向調節。

H3:交易頻率與購買意愿是正相關的關系，交易頻率可對購買意愿進行正向調節。

H4:不確定性與交易成本是正相關的關系，不確定性可對交易成本進行正向調節。

H5:交易頻率與交易成本是負相關的關系，交易頻率可對交易成本進行逆向調節。

H6:交易頻率與不確定性是負相關的關系，交易頻率可對不確定性進行逆向調節。

H7:信任度與購買意愿是正相關的關系，信任度可對購買意愿進行正向調節。

H8:信任度與不確定性是負相關的關系，信任度可對不確定性進行逆向調節。

H9:信任度與購買頻率是正相關的關系，信任度可對購買頻率進行正向調節。

H10:信任度與交易成本是負相關的關系，信任度可對交易成本進行逆向調節。

(二)模型的實證與分析

為了驗證概念模型的正確性，需要對模型效度、擬合優度檢驗以及模型參數進行估計。結合文獻調研和實際需要，本文設計的量表共有五個潛變量:交易成本、不確定性、購買頻率、購買意愿、信任度(見表1)。量表采用的是Liket五分量表，將選項分為“非常同意”、“同意”、“不一定”、“不同意”、“非常不同意”，每個回答對應的得分分別是 5、4、3、2、1，認同程度越高，分數越高。本文采用非概率抽樣方式進行，調查對象選擇網民中所占比重較大的在校大學生、企業白領和教師。

表1 網絡消費者購買意愿及其影響因素調查表

本次調研共計發放問卷708份，有效問卷(不缺失、不雷同)636份，有效率為88．3%。對有效問卷的數據進行數據質量檢驗，其檢驗顯示五個潛變量的Cronbach's Alpha均在0．75以上，即表明樣本數據具有很好的信度。為了驗證樣本數據的效度，對樣本數據進行 KMO測量和 Bartelett球形檢驗，結果顯示KMO 值為 0．81 ＞0．80、df=120、p=0，即表明數據適合做因子分析［18］。借助SPSS20軟件，進行因子分析可知，觀測變量因子載荷系數均大于0．5，觀測變量能夠有效地體現潛變量，切合本文的研究要求。

1．PLS-SEM模型的效度檢驗、擬合度檢驗

(1)PLS-SEM模型的效度檢驗。測量模型的評價是借助潛變量預測顯變量的blindfolding公因子方差測度完成的，而結構模型的評價是運用blindfolding冗余測度實現的，其中測量模型的檢驗結果如表2所示，結構模型的檢驗結果如表3所示。

表2 測量模型效度檢驗結果表

表3 結構模型效度檢驗結果表

(2)PLS-SEM模型的擬合分析。為使PLS-SEM的正確合理性得到驗證，需要對一系列的擬合指數是否達到參考值進行評價，若指標均滿足則擬合效果較好，反之不好，模型擬合結果見表4所示。

表4 PLS-SEM的主要擬合效果指數表

從表4可知，PLS-SEM的擬合指數除GFI外，其他均達到接受標準，雖然模型的擬合指數GFI沒有達到參考值，但與其接受標準相差不大，因此可認為其達到接受標準，不需要重新調整，即說明該模型的整體擬合程度較好。

2．PLS-SEM模型的參數檢驗

在PLS-SEM模型效度、擬合度檢驗的基礎上，首先賦予顯變量相同權重，并以此賦值顯變量所在的潛變量;再在此基礎上獲得表示顯變量與潛變量相關性的回歸系數，即因子載荷系數和表示潛變量之間相關性的回歸系數，即路徑系數;然后在代理回歸原則的指導下，遞歸迭代15次，直到路徑系數迭代收斂。圖2顯示了最終的PLS-SEM結構，該模型表明了顯變量對潛變量和潛變量對潛變量的路徑系數。

圖2 交易成本對購買意愿的路徑系數分析圖

四、購買意愿影響因素的BN模型

(一)BN模型的構建

網絡結構中的五個變量均為潛變量，本文利用SmartPLS 3．0計算網絡結構中五個潛變量的得分。在此基礎上，以潛變量的得分為樣本數據，利用K-means聚類分析方法對樣本數據進行聚類。同時，為了降低運算的復雜性和增加判斷結果的可識別性，本文將每個潛變量都聚類為高、中、低三種狀態，然后計算獲得每個潛變量的先驗概率，見表5所示。

表5 各潛變量的先驗概率表

在已知五個潛變量先驗概率的條件下，利用Netica5．19軟件確定某一潛變量發生條件下的其他潛變量發生的概率，即條件概率，見表6(a)～6(c)。

表6 (a) 信任度發生條件下的條件概率表

表6 (b) 購買頻率發生條件下的條件概率表

表6 (c) 不確定性發生條件下的條件概率表

(二)貝葉斯推理

運用已創建的貝葉斯網絡，在已經獲得潛變量的先驗概率前提下，可以對其他潛變量進行貝葉斯推理以獲得其條件概率(后驗概率)。例如，假設消費者的信任度很高(交易成本“高”的概率設為1．00)，運用BN推理、預測能力，則可得到購買意愿“高”的概率為0．623。表7顯示的是在不同信任度狀態下對購買頻率、不確定性、交易成本和購買意愿的預測。

表7 信任度在不同狀態下的貝葉斯推理表

如表7所示，隨著信任度“高→中→低”的變化，不確定性和交易成本與之成反向變化，購買意愿和購買頻率與之成正向變化，其中不確定性和交易成本“高”的概率具有顯著遞增的規律，而購買頻率、購買意愿“高”的概率具有明顯遞減的規律;購買頻率和購買意愿“中”的概率呈現先遞增后遞減的規律，而不確定性與交易成本“中”的概率呈現先遞減后遞增的規律;購買頻率和購買意愿“低”的概率出現顯著遞增的規律，而不確定性和交易成本“低”的概率出現顯著遞減的趨勢規律。從表7可以推斷出信任度對購買意愿的影響最大，即當信任度由高到低變化時，購買意愿變化的幅度最大;表8為購買頻率在不同狀態下對不確定性、交易成本和購買意愿的預測;表9為不確定性在不同狀態下對交易成本和購買意愿的預測(見表8表9)。

表8 購買頻率在不同狀態下的貝葉斯推理表

表9 不確定性在不同狀態下的貝葉斯推理表

(三)貝葉斯診斷

貝葉斯網絡具有較強的因果推斷能力，包括貝葉斯推理與診斷。貝葉斯診斷是貝葉斯推理的反向運算，即貝葉斯網絡由果索因，通過因變量的狀態獲知自變量的能力。例如，假定不確定性是高的(BN中將不確定性“高”定為1．00)，運用貝葉斯逆向診斷的能力能夠得到信任度“高”的概率為0．226。表10顯示的是在購買意愿的基礎上，對購買頻率、不確定性、交易成本和信任度做出的貝葉斯診斷。

如表10所示，隨著購買意愿發生“高→中→低”的變化，購買頻率和信任度“高”的概率出現顯著的遞減規律，而不確定性和交易成本“高”的概率出現顯著遞增規律;購買頻率和信任度“中”的概率出現先上升后下降先增后減的趨勢，“低”的概率出現遞增的規律;而不確定性和交易成本中“中”的概率出現先減后增的趨勢，“低”的概率出現遞減的趨勢規律;購買意愿狀態明確的情況下，可以知道交易成本發生并對其產生影響的概率最大。例如，當購買意愿高時交易成本低的發生概率為0．657;當購買意愿低時交易成本高的概率為0．651。由表10還可知，當企業將交易成本控制在很好的狀態時，比較容易促進消費者形成高的購買意愿，企業可以根據購買意愿發生的變化，有目的地去調節交易成本、不確定性、購買頻率和信任度，以此促進購買意愿的提升。此外，還可依據BN獲得交易成本、不確定性與購買頻率的狀態，為交易成本降低、購買意愿的提升提供決策依據。表11(a)、表11(b)、表11(c)分別是交易成本在不同狀態下的貝葉斯診斷、不確定性在不同狀態下的貝葉斯診斷、購買頻率在不同狀態下的貝葉斯診斷。

表10 購買意愿在不同狀態下的貝葉斯診斷表

表11 (a) 交易成本在不同狀態下的貝葉斯診斷表

表11 (b) 不確定性在不同狀態下的貝葉斯診斷表

表11 (c) 購買頻率在不同狀態下的貝葉斯診斷表

五、結 論

了解網絡購物消費者購買意愿與交易成本的關系和獲得降低交易成本、提高顧客滿意度的方法，是各國學者及電商企業關注的焦點。當前，關于交易成本與購買意愿關系的研究相對不多，其研究以結構方程模型為主，未能很好地處理變量之間的非正態、非線性關系，且預測精度較低。為了解決以上問題，本文提出了PLS-SEM與BN的組合模型，該組合模型可更加清晰地為電商企業價格戰略提供指導。

本文主要結論如下:

第一，交易成本與購買意愿是負相關的關系，交易成本可對購買意愿進行逆向調節，監督成本和搜尋成本是交易成本六個觀測變量中對交易成本影響最大的兩個變量;信任度、購買頻率和不確定性既是影響交易成本的潛變量，也是影響購買意愿的潛變量，其中信任度對交易成本的影響最大、其次是不確定性、最后是交易頻率，而這三個潛變量中Unc1(行為不確定性)、Unc5(聲譽不確定性)對不確定性的影響最大，PF3(網購傾向性)對購買頻率影響最大，Con2(網購值得信賴)、Con5(賣家聲譽是好的)對信任度影響最大。

第二，交易成本與購買意愿之間的關系可以應用貝葉斯網絡正向推理、逆向診斷的能力進行研究。通過貝葉斯推理可知:交易成本在高、中、低不同狀態下購買意愿發生的概率;交易成本的父節點在不同狀態下交易成本發生的概率，也可以通過貝葉斯診斷獲得在子節點狀態確定的情況下其父節點的狀態，進而為管理決策提供支持。