打开文本图片集

摘要：本研究基于技术接受模型TAM和任务技术匹配模型TTF，结合直播电商的实际情况，以直播电商消费者为实证研究对象，构建直播电商消费者持续购买意愿模型，运用SPSS26.0和AMOS26.0软件建立结构方差模型SEM来分析和验证直播电商消费者持续购买意愿的影响因素。得出结论：感知有用性和任务技术匹配对直播电商消费者满意度均产生显著正向影响，满意度和任务技术匹配对直播电商消费者的持续购买意愿均产生显著正向影响，感知易用性对直播电商平台消费者满意度不产生正向影响，任务特征对任务技术匹配产生正向影响但不显著，并根据上述结论提出的建议。

关键词：直播电商；满意度；持续购买意愿；技术接受模型TAM；任务技术匹配模型TTF

一、引言

互联网技术的不断发展和普及，直播电商以其互动性强、营销效果好等优势吸引着越来越多的消费者参与，成为电商行业的新热点。电商直播的形式，给消费者带来更加直观、生动的购物体验，交易总额不断增加，逐渐成为电商平台新的增长动力。根据中国互联网络信息中心发布的第51次《中国互联网络发展状况统计报告》，截止到2022年12月，直播电商用户规模已达到5.15亿，同比增长11%，占整体网民的48.2%，直播业务已成为电商平台盈利的主要途径[1]。随着人工智能、5G、VR等新兴技术在电商直播行业的不断应用，电商直播逐渐成为一种新的信息传播方式，不仅通过电商直播使消费者能够从视觉上更加准确地体验商品，从而增加消费者购买意向，而且创新的直播电商业态将给行业带来更多的商业机会和增长空间，也为消费者提供更加优质的购物服务和娱乐体验。

但在直播电商行业迅猛发展同时，数据造假、虚假宣传等问题引起了消费者广发的关注。很多直播电商平台和主播的不诚信行为使得消费者对直播电商的信任度大幅降低。根据艾媒咨询的一项调查，42.9%的消费者认为产品性能参数、销售数量、粉丝数量和观看量等数据可能存在造假，72.6%的消费者担心主播虚假宣传，仅有14%的消费者表示一定会选择直播电商购物，73.8%的消费者则持有摇摆态度[2]。因此，如何提高消费者满意度和购买意愿是直播电商平台在激烈竞争中持续发展的关键所在。本文基于技术接受模型TAM和任务技术匹配模型TTF的整合模型，分析直播电商消费者满意度和持续购买意愿的主要影响因素，以期为直播电商行业的可持续发展提供理论支持和实践指导。

二、文献综述

（一）技术接受模型TAM

技术接受模型（Technology Acceptance Model，TAM）是一种用于预测和解释用户对新技术接受程度的模型，最初由Davis[3]于1989年提出，如图 1 所示。该模型将技术接受度的两个主要决定因素确定为感知有用性（Perceived Usefulness，PU）和感知易用性（Perceived Ease of Use，PEOU）。感知有用性PU指用户使用某种信息系统后认为其对其工作或生活表现的提高程度，而感知易用性PEOU指用户主观上感知某种信息技术使用的便捷程度。这两个因素共同影响用户的行为意向，并进一步影响用户的实际使用行为。简而言之，TAM模型可以帮助研究人员了解用户接受新技术的意愿和因素，并预测用户是否会使用这种新技术[4]。

技术接受模型目前被广泛应用于用户意愿的研究。覃红霞等[5]基于技术接受模型（TAM）对不同学科在线教学满意度及持续使用意愿的实证研究。丘惠翠等[6]基于TAM的移动短视频平台用户持续使用意愿研究。何冯耀[7]基于TAM模型的新能源汽车用户购买意愿研究。同时，国内不少学者运用上述模型在电子商务领域内的社交电商[8]、生鲜农产品[9]、直播带货交互用户信息交互行为[10]等都进行了深入拓展研究，TAM模型已经成熟应用于研究消费者的购买意愿。

（二）任务技术匹配模型TTF

任务技术匹配模型（Task-Technology Fi，TTF）是Goodhue和Thompson[11]于1995年提出的一种模型，用于描述用户认知心理和行为，揭示信息技术对特定任务的支持，并反映信息技术与任务需求之间的关系，如图2所示，该模型认为任务特征（Task Characteristics，TAC）和技术特征（Technology Characteristics，TEC）能够积极地影响任务技术适配，从而对用户的行为和实际使用产生影响。简而言之，TTF模型研究了任务需求与信息技术之间的匹配关系，以及它们如何影响用户的行为和使用效果。该模型可以帮助研究人员了解不同的任务特征和技术特征之间的匹配情况，并预测它们对用户行为和实际使用的影响。

TTF理论也被广泛应用电子商务、企业信息系统、移动商务、移动互联网等领域，朱敏英[12]基于TTF对手机APP购买服装意愿的影响进行了研究，Gebauer等[13]、Lee等[14]基于TTF 模型对移动技术采纳意向进行了研究，盛红等[15]基于TTF模型及感知信任对移动电子政务用户使用意愿研究。曾学鹃[16]对于TTF模型的研究进展进行了总结和拓展，翟运开等[17]、刘炜[18]将TFF与UTAUT、UTAT模型进行整合，对患者远程医疗使用意愿及老年用户社会化网络服务采纳行为进行了研究，对本研究具有很大的借鉴意义。

虽然TAM模型能够解释用户接受新技术的态度和行为意向，但它没有考虑特定任务的影响以及不同情境因素对用户接受信息技术的影响。另一方面，TTF模型虽然能够揭示任务需求与信息技术之间的匹配情况，但它忽视了行为态度和行为意向对个体行为的影响，无法完全反映任务技术适配度与个体行为之间的内在机制。因此，为了更全面地了解任务技术适配度与个体行为之间的内在机制，需要综合考虑两种模型的优缺点并进行整合。这样的整合可以有助于更好地解释和预测用户对新技术的态度和行为，以及技术在特定任务和情境下的适用性。相关文献[19]-[21]研究表明，整合模型具有更客观的解释力，为直播电商消费者持续购买意愿提供了理论支持和参考。

（三）直播电商

国内外对电子商务的研究已经非常丰富，但对电子商务直播的研究仍处于初级阶段，侧重于定性研究，如发展与演变、利弊比较和战略模式。国内的直播最早出现在2005年，最初的直播形式为秀场直播，直到2015年，直播领域突然呈现井喷式发展，“直播+”的模式被不断延伸探索。“电商+直播”的营销模式也受到了学界的关注。国内学界对于电商直播的研究最早开始于2016年，研究领域为跨境电商直播。少数学者已经开始从实证的角度进行探索，将技术接受模型（TAM）应用于电子商务领域，并将电子商务直播视为一种信息系统。引入感知有用性和感知可用性来检查消费者在现场购物时的行为准备情况，但这忽略了消费者在网上购物时的情感动机和需求，无法形成吸引消费者的完整虚拟购物体验。

Eroglu[22]等人（2001）首次将SOR理论应用于网上购物场景，研究了消费者行为与网上环境之间的关系，并构建了网上购物环境对消费者购买的影响模型。研究发现，不同的网店氛围（S）会对消费者的内部状态（O）产生不同的影响，因此他们的购物结果（R）会有所不同。王秀俊[23]等人（2019）以SOR模型为理论基础，以电子商务的直播环境（互动性、娱乐性和可负担性）为刺激，以消费者的认知和情绪为主体，研究电子商务直播模型，调查消费者在直播中的意愿和行为反应。贾晓锋[24]（2019）认为，电商直播既要有电商的社交商务特征，又要有直播媒体的流媒体特征。因此，在他的研究中，他将电商直播定义为一种将实时社交互动融入电子商务的直播形式，一个具有社交商务属性的平台。

电子商务直播行业和消费者行为的研究有待提高，随着互联网技术的飞速进步和5G时代的到来，电子商务直播电商有可能成为未来的新零售业。正如Eileen（2017）所言：“我们正在改变购物方式，这一切都要归结为亚洲引领的直播发展方向。”

三、研究模型与假设

基于技术接受模型TAM和任务技术匹配模型TTF，结合直播电商平台的实际情况，确定了感知有用性、感知易用性、任务特征、技术特征、任务技术匹配、满意度等若干潜变量，作为预测电商直播平台消费者持续购买意愿的影响因素，在国内外学者先行研究的指导下，构建了本研究的理论模型。模型图如图3所示。

（一）感知有用性和感知易用性

感知有用性在本研究中可以认为是消费者通过直播电商平台购物产生的期望绩效和有用认知，感知易用性可以认为是消费者快速学会直播电商购物的简单便捷程度。Devaraj等[25]的对于电子商务使用满意度的研究结果表明感知有用性和感知易用性都对满意度有正向影响，黄淑伟等[26]在PTA平台使用满意度及使用意向的影响因素研究中证实感知有用性和感知易用性都对平台使用的满意度有正向显著的影响，杨洋[27]在对智能客服用户满意度影响路径研究中证实感知有用性、感知易用性对用户满意度有正向显著影响。基于此，我们可以提出以下研究假设：

H1：感知有用性正向影响消费者对直播电商使用的满意度

H2：感知易用性正向影响消费者对直播电商使用的满意度

（二）任务特征和技术特征

根据TTF模型可知，任务特征和技术特征共同作用决定了技术在具体任务中的适应性，从而影响其实际应用效果[28]。本研究的任务特征是指消费者为通过直播电商平台完成期望的购物目标而执行的一系列动作，技术特征是指消费者在直播电商平台完成购物目标使用的工具和功能，基于TTF理论应用的广泛研究，直播电商平台任务特征和技术特征都会对任务技术匹配产生影响作用。鉴于此，我们可以提出以下研究假设：

H3：任务特征正向影响直播电商使用的任务技术匹配

H4：技术特征正向影响直播电商使用的任务技术匹配

（三）任务技术匹配、满意度和持续购买意愿

本研究中的任务技术匹配是指消费者使用直播电商平台任务需求和直播电商平台具备的功能之间的匹配程度。Ambra等[29]研究电子图书在学术界的应用情况，发现阅读任务与电子图书技术之间的匹配度对电子图书的实际利用和利用绩效都具有显著的正向影响，魏巍等[30]研究运动APP使用情况时证实任务技术之间的匹配度对用户使用App的满意度和持续使用意愿都有显著的正向影响。Oliver在1980年提出满意度和用户意愿呈正相关，这个观点在多个领域的研究中已经得到了证实，un-Huang Huarng和Ming-Feng Yu[31]探讨酒店业共享经济的消费者行为，所有变量对满意度都有显着的正向影响，进而对回购意愿产生显着的正向影响。Chechen Liao等[32]对在线商店的 268 名客户的数据进行了测试，证实满意度会影响客户回购意愿。基于上述研究，我们可以提出以下研究假设：

H5：任务技术匹配正向影响直播电商消费者的满意度

H6：任务技术匹配正向影响直播电商消费者的持续购买意愿

H7：满意度正向影响直播电商消费者的持续购买意愿

四、数据收集与分析

（一）量表设计

本研究问卷的测量题项均参考了国内外先行研究的成熟量表，主要包含两部分：第一部分为关于直播电商消费者持续购买意愿影响因素相关变量的测量，采用李克特 7级量表对7个研究变量进行测量，从1-7分别代表完全不认同到完全认同，由被调查者对量表内容进行打分。其中，感知有用性（PU）、感知易用性（PEOU）参考Davis等[33]、Yen等[34]量表、任务特征（TAC）参考了Zhou 等[35]量表、技术特征（TEC）参考了Goodhue和Thompson[36]量表，任务技术匹配（TTF）参考Lin 和 Huang[37]量表、满意度（SAT）参考了sun k和Kim D[38]和Fornell[39]量表、持续购买意愿（CPI）参考了Venkatesh V等[40]、Yanyan Wu等[41]量表，每个研究变量5个测量题项，共计35个题项。第二部分为消费者的基本信息，即为人口统计学的相关信息，主要包含性别、年龄、学历、职业、月收入、购买频率及选择直播平台等，共计7个题项。

在开始直播电商消费者持续购买意愿正式调查之前，为确保调查所取得数据具有较好的信效度，本研究先进行了预调查，共向100 名直播电商消费者发放调查问卷，回收有效问卷81份，借助SPSS26.0对81份问卷量表数据进行信度和效度分析，根据分析结果删除了信效度不达标和因子负荷量较低的测量题项6个，组成了由36个题项组成的正式问卷，问卷中变量测量题项及来源如下表1：

（二）数据收集

本研究把具有直播电商购买经验的消费者作为目标样本，利用问卷星设计调查问卷，采用网络调查的方式。在调查中为确保数据真实有效，先邀请符合目标样本要求的亲友进行填写，在通过亲友推荐进行其他样本的收集，从而扩大目标样本的数量，所有调查过程均采取一对一的方式进行问卷发放。相关研究证明，这种“滚雪球”的抽样方式能够获得可信度较高的样本数据[42]。通过上述途径共用时7天时间，收集调查样本391份，并对收集的样本进行了检验，剔除了无效样本72份，主要包含绝大部分题项为相同分数的样本，例如都选“1”或“7”，以及填写用时过短（少于2分钟）且评分大部分相似的调查样本，共得到有效样本319份。

调查样本的消费者基本信息，即人口统计学基本信息如表2所示，从性别分布来看，男性消费者占43.6%，女性消费者者占56.4%，直播电商消费者年龄主要集中在18～25岁和31～40岁两个年龄阶段，分别占比是31.0%和33.5%，职业以企业员工和政府、事业单位工作人员为主，分别占比28.2%和27.6%，消费者月收入主要在5001～8000元和8001～15000元两个区间，分别占比24.1%和26.1%，使用直播电商平台购物频率最高的是每月2～5次，占比48.5%，消费者使用最多直播电商购物平台是淘宝和抖音，两者共占比56.9%。此次调研样本中，年轻人群体所占比例较大，与目前使用直播电商平台购物较为频繁的年轻群体总体吻合。

（三）量表的信度和效度

本研究采用SPSS26.0对正式调研收集的有效样本进行统计分析。根据先行研究，量表信度采用信度系数Cronbach’sа值、平均萃取方差（Average Variance Extracted，AVE）和组合信度（Composite Reliability，CR）三个指标来验证。其中，信度系数Cronbach’sа 一般认为大于0.7，说明研究的变量样本内部一致性程度较好，测量模型可靠性较高［43］，平均萃取方差AVE通常要求大于0.5且组合信度CR大于0.7，说明测量模型的聚敛效果较好［44］。效度采用KMO和Bartlett检验以及区分效度三个指标来验证。一般认为KMO大于0.6，Bartlett球形度检验对应p值小于0.05，说明研究样本的信度较好。区分效度主要通过平均萃取方差AVE 的平方根和皮尔森相关系数的大小进行测量，当一个变量平均萃取方差AVE 的平方根大于该变量与其它变量的皮尔森相关系数绝对值，并且所有变量均呈现出这样的结论，说明具有良好的区分效度［45］。

本文对7个潜在变量、29个测量题项分别进行信度和效度检验，如表3信度与收敛效度检验结果所示，量表所有测量项的标准化载荷系数Std.绝对值均大于0.6且呈现出显著性，组合信度系数CR在0.791～0.935之间且均大于0.7，平均萃取方差AVE在0.558～0.741之间且均大于0.5，所有变量的Cronbach’sа变化均在0.790～0.937之间，大于可接受的信度标准0.7，说明此次正式调研的信度水平较高，也具有很好的聚敛效度。量表效度检验结果，如表4 KMO和Bartlett检验所示，KMO 值0.958大于0.6，Bartlett球形度检验对应p值0.000小于0.05，如表5的区分效度显示，所有变量的AVE的平方根数值（黑色粗体）都比皮尔森相关系数大，说明此次正式调研的效度水平较高，具有良好的区分效度。

（四）模型拟合度检验

根据上述的效度和信度检验，变量的所有数据均达到进一步分析要求。只有假设模型的拟合度达到一定的标准，检验数据符合理论模型要求，才能使用理论模型分析数据。本研究运用结构程模型（SEM）来检验潜变量之间的关系是否成立。根据结构方程模型SEM拟合指标的要求：卡方自由度比X2/df小于3优秀，小于5可接受，拟合优度指数GFI和调整拟合优度指数AGFI大于0.8可接受，大于0.9拟合良好，规范化拟合指数NFI、非正态拟合指数TLI、比较拟合指数CFI大于0.9拟合良好，渐进残差均方和平方根RMSEA小于0.08优秀，小于0.1可接受，标准化根均方残差SRMR小于0.08拟合良好。本文通过AMOS26.0软件进行验证性因子分析，得到模型的拟合度指标如表6所示，卡方自由度比X2/dfAMOS=2.216<3、拟合优度指数GFI=0.853>0.8、调整拟合优度指数AGF=0.819I>0.8、规范化拟合指数NFI=0.903>0.9、非正态拟合指数TLI= 0.936>0.9、比较拟合指数CFI=0.944>0.9、渐进残差均方和平方根RMSEA=0.062<0.08、标准化根均方残差SRMR=0.047<0.08，模型所有拟合指标检验结果均达到参考标准， 表明该假设模型和实际情况较为符合。

（五）结构模型验证

本研究采用 AMOS26.0软件构建结构方程SEM模型，并对基本假设进行检验。验证结果表明，除H2感知易用性正向影响直播电商平台消费者满意度未得到支持外，其余6组假设全部得到支持。直播电商平台消费者持续购买意愿模型计算模型路径系数和显著性p值见图4。

表7表明，感知有用性（β=0.499，p<0.001）对直播电商平台消费者满意度有显著的正向影响，技术特征（β=0.749，p<0.001）对任务技术匹配正向显著的影响，任务技术匹配（β=0.501，p<0.001）对直播电商平台消费者满意度具有显著的正向影响，满意度（β=0.722，p<0.001）、任务技术匹配（β=0.129，p<0.05）对直播电商消费者持续使用意愿具有显著的正向影响；任务特征（β=0.085，p>0.05）对任务技术匹配有正向影响，但不显著；感知易用性（β=-0.022，p>0.05）对直播电商平台消费者满意度没有正向影响。因此，原假设除H2外，其余假设均成立。

五、讨论与总结

本研究以直播电商平台消费者为实证研究对象，依据国内外的先行研究并结合直播电商的实际情况，基于TAM和TTF模型构建直播电商消费者持续购买意愿模型。通过制定测量量表，使用“问卷星”平台随机发放问卷并回收调查数据，运用SPSS26.0和AMOS26.0对所得样本数据进行分析和验证，对研究结果主要从以下两个方面进行论述：

（一）讨论分析

1、对直播电商平台消费者满意度的讨论分析

上述研究发现，感知有用性和任务技术匹配对直播电商平台消费者的满意度产生了直接影响，感知易用性对直播电商平台消费的满意度没有直接影响。通过路径系数分析发现，两者对于满意度的影响都较大。

感知有用性的路径系数β值达到0.499，即直播电商平台的消费者的感知有用性提高1个单位，他们对直播电商平台的满意度提高0.449个单位，说明直播电商平台的消费者更关注平台提供的商品质量、价格、种类及服务等方面信息。感知易用性的路径系数β值仅为-0.022，对满意度没有产生正向影响。这在一定程度上说明，虽然直播电商平台的操作简便性、购物流程的顺畅度、商品信息的清晰度、支付流程的方便性等方面会对消费者的购物体验产生影响，但是这些因素本身并不足以直接决定直播电商消费者的满意度，消费者更重视自身的需求、期望与平台提供商品、服务是否匹配。换一个角度也说明，直播电商平台现有提供的易用性未能给消费者带来超出预期的惊喜。

此外，任务技术匹配比感知有用性的影响程度更大，路径系数达到β值0.501，即直播电商平台消费者的购物要求和平台提供的技术功能相匹配时，消费者购物满意度会大幅度上升。说明直播电商平台能够根据消费者的购物需求和偏好，准确的推荐合适的商品或服务。但是消费者的任务特征对任务技术匹配有影响但不显著，说明直播电商平台在任务技术匹配方面仍有待改进。直播电商平台仍需要加强技术投入和研发力度，提升任务技术匹配的准确度和效率，从而更好地满足消费者的需求。

2、对直播电商平台消费者持续购买意愿的讨论分析

从分析结果，我们可以发现满意度和任务技术匹配对直播电商平台消费者的持续购买意愿都产生直接影响，其中满意度的路径系数β值0.772要大于任务技术匹配的路径系数的β值0.129，说明消费者更加关注直播电商平台整体的购物体验和服务质量的满意度。任务技术匹配仅是消费者购物过程中的一个环节，只是提高消费者满意度的一个方面而非全部，无法对直播平台整体服务质量和形象产生决定性的影响，这也符合市场营销中的“顾客至上”原则。

（二）总结展望

消费者持续购买意愿对直播电商发展具有决定性的影响，根据本文对直播电商消费者持续购买意愿影响因素的研究结果，提出如下建议：

第一，感知有用性和任务技术匹配对满意度均产生显著影响，满意度对消费者持续购买意愿产生显著影响。从感知有用性角度，直播电商平台需要确保所售商品的质量和真实性，以保证消费者购买的商品符合他们的期望和需求，从而提高消费者对平台的信任度。同时，需要建立完善的客户服务机制，包括快速响应、准确解决问题、友好的沟通和及时反馈等，以提高消费者的服务满意度和忠诚度。从任务技术匹配角度，直播电商平台直需要通过数据分析和算法等技术手段，精准匹配消费者的任务需求，以提高消费者的任务完成效率和体验，同时可以加强社交互动，让消费者在任务执行中能够互相沟通和交流，从而增强消费者对平台的归属感和忠诚度。除外，直播电商平台需要注重品牌建设，包括品牌形象、品牌声誉、品牌文化等，以提升消费者对平台的认知和信任度，从而增强消费者对平台的忠诚度和购买意愿。

第二，感知易用性没有对满意度产生正向影响。从感知易用性角度，直播电商平台可以通过优化用户界面和体验，比如可以简化平台的操作流程、增加操作提示和说明、提高响应速度、优化搜索功能等来提高易用性。同时也可以加强用户培训，例如平台可以提供视频教程、用户手册等来帮助消费者更好地使用平台。除外，直播电商平台可以收集用户反馈并进行改进，并加强推广和宣传提高消费者对易用性的感知，进而提高消费者对直播电商平台的满意度和持续购买意愿。

第三，任务特征对任务技术匹配有影响但不显著。从任务特征角度，直播电商平台通过优化推荐系统，根据消费者的历史购买记录和兴趣爱好，向消费者推荐更加符合其需求的产品。同时可以提供个性化的商品定制服务，对产品信息进行完善，包括产品描述、规格参数、使用方法等详细信息，帮助消费者更加全面地了解产品，让消费者能够更加轻松地完成购买任务，满足消费者个性化的需求，从而提高消费者的满意度和持续购买意愿。

本研究也存在一定的局限性，首先，在研究过程中没有考虑到不同电商直播平台的差异性，没有考虑到其他外部因素对消费者购买意愿的影响，例如市场竞争和宏观经济环境等因素。其次，本次研究的样本数据主要集中在江浙地区的消费者，未覆盖所有地区的人群，只涉及到特定时间段内的消费者行为，无法全面考虑长期影响因素。为了使研究更具有普适性，在后续研究探索中需要进行完善。

参考文献

[1] 中国互联网络信息中心.第47次《中国互联网络发展状况统计报告》[R].北京：中国经济报告，2021．

[2] 艾媒咨询．2020年中国受访直播消费者对直播电商担忧（购买）调研报告[R].广州：艾媒咨询集团，2020.6

[3] Davis F D.Perceived usefulness perceived ease of use and user ac-ceptance of information technology[J].MIS Quarterly，1989，13（3）：319-340.

[4] 姜博.TAM -TTF整合模型视角下程序化广告DSP使用态度研究[D].广州：华南理工大学，2016

[5] 覃红霞，李 政，周建华.不同学科在线教学满意度及持续使用意愿—基于技术接受模型TAM的实证分析[J].教育研究，2020年第11期

[6] 丘惠翠，陈小清.基于TAM的移动短视频平台用户持续使用意愿研究[J].机电信息，2020年第32期

[7] 何冯耀.基于TAM模型的新能源汽车用户购买意愿研究[D].上海：上海交通大学，2017

[8] 田云清，秦迎林.基于 TAM 模型的社交电商平台用户粘性评价研究—以小红书 APP 为例[J].物流科技，2022年第3期

[9] 黄丽华.基于TAM 的生鲜农产品消费者网购意愿影响因素研究[D].贵州：贵州师范大学，2018

[10] 刘婷艳，王晰巍，张雨.基于TAM 模型的直播带货用户信息交互行为影响因素研究[J].现 代情报，2022年11月第42 卷第11期

[11] [28] [37] Goodhue D L，Thompson R L.Task -technology fit and individualperformance［J］.MIS quarterly，1995，19（2）：213-236.

[12] 朱敏英.TTF对手机APP购买服装意愿的影响研究[D].背景：北京服装学院，2014

[13] Gebauer J，Shaw M. Success Factors and Impacts of Mobile Busi-ness Applications：Results from a M obile E-procurement Study[J].International Journal of Electronic Commerce，2004，8（3）：19-41．

[14] Lee C C，Cheng H K，Cheng H H.An Empirical Study of MobileCommerce in the Insurance Industry：Task-technology Fit andIndividual Difference［J］.Decision Support Systems，2007，43（1）：95 -110

[15] 盛红，徐紫荆，王文宣.移动电子政务用户使用意愿研究—基于TTF模型及感知信任的影响[J].中国管理信息化，2020，23（04）

[16] 曾学鹃.T T F模型的研究进展综述[J].现代图书情报技术，2008年第5期

[17] 翟运开，张瑞霞，杨一旋，何贤英，赵杰.基于UTAUT和TTF模型的患者远程医疗使用意愿研究[J].中国医院管理. 2019，39（09）

[18] 刘炜.基于TTF和UTAT模型的老年用户社会化网络服务采纳行为研究[J].情报科学，2016，34（02）

[19] [30]魏巍，张贵海，苟轶清，文鑫，吴天奇.基于 TAM 与 TTF 整合模型的路跑APP持续使用意愿研究[J].湖北体育科技，2022年9月

[20] 陈明红，漆贤军，李妍慧.基于TAM 与 TTF 整合模型的移动搜索行为影响因素研究[J].情报杂志，2014.6

[21] 徐菲菲，黄 磊.景区智慧旅游系统使用意愿研究—基于整合TAM及TTF模型[J].旅游学 刊，第33卷2018年第8期

[22]EROGLU SA， MACHLEITKA， DAVIS L M. Atmospheric qualities of online retailing： a conceptual model and implications[J].Joumal of business rusearch，2001，54（2）：177-184.

[23]王秀俊，王文，孙楠楠.电商网络直播模式对消费者购买意愿的影响研究——基于认知与情感的中介作用[J].电商现代化，2019（15）：13-14.

[24]贾晓锋.电商直播平台消费者购买及融入意愿研究[D].北京邮电大学，2019.

[25] Devaraj S，Fan M，Kohli R. Antecedents of B2C channel satisfaction and perfefence：validating e-commerce metrics[J]. Information Systems Research，2002，13（3）：316-333.

[26] 黄淑伟，孙可.基于TAM的PTA平台使用满意度及使用意向的影响因素[J].沈阳师范大学学报（自然科学版），2022年8月

[27] 杨洋.基于TAM模型的智能客服用户满意度影响路径研究[D].杭州：杭州师范大学，2020.6

[29] Ambra D J，Wilson C S，Akter S.Application of the Task -Tech-nology Fit M odel to Structure and Evaluate the Adoption of E-Books by Academics[J].Journal of the American Society for In-formation Science and Technology，2013，64（1）：48-64．

[31] Kun-Huang Huarng & Ming-Feng Yu. Customer satisfaction and repurchase intention theory for the online sharing economy. Review of Managerial Science volume 13：635–647 （2019）

[32] Chechen Liao a， Hong-Nan Lin b， Margaret Meiling Luo a， Sophea Chea. Factors influencing online shoppers’ repurchase intentions： The roles of satisfaction and regret. Information & Management Volume 54， Issue 5， July 2017， Pages 651-668

[33] Davis F D， Bagozzi R P， Warshaw P R. User acceptance ofcomputer technology： A comparison of two theoretical models[J]. Management Science， 1989， 35（8）： 982-1003.

[34] Yen D C， Wu C S， Cheng F F， et al. Determinants of usersIntention to adopt wireless technology： An empirical study byintegrating TTF with TAM[J].Computers in Human behavior，2010， 26（5）： 906-915.

[35] Zhou T， Lu Y， Wang B. Integrating TTF and UTAUT to explainmobile banking user adoption[J]. Computers in Human Behavior， 2010， 26（4）： 760-767.

[36] Lin T C， Huang C C. Understanding knowledge managementsystem usage antecedents： An integration of social cognitivetheory and task technology fit[J]. Information & Management，2008， 45（6）： 410-417.

[38]Sun k A，Kim D Y.Does customer satisfaction increase firm performance？An application of American Customer Satisfaction Index（ACSI）[J].Intenational Journal of Hospitality Mangaement，2013，35：68-77

[39] Fornell C.A National Customer Satifaction Barometer：Swedish experience[J].Joumal of Marketing，1992，1：6-21.

[40] Venkatesh V， Morris M G， Davis G B， et al. User acceptance ofinformation technology： Toward a unified view[J]. MISQuarterly， 2003， 27（3）： 425-478.

[41] Yanyan Wu， Hongqing Huang. Influence of Perceived Value on Consumers’ Continuous Purchase Intention in Live-Streaming E-Commerce—Mediated by Consumer Trust[J]. Sustainability 2023， 15（5）， 4432; https：//doi.org/10.3390/su15054432

[42] Biernacki P，Waldorf D.Snowball Sampling：Problems and Tech-niques of Chain Referral Sampling[J].Sociological M ethods &Research，1981，10（2）：141-163．

[43] Burkink T.Cooperative and voluntary wholesale groups： channel co-ordination and interfirm knowledge transfer[J].Supply ChainManagement，2002，7（2）：60-70.

[44] Chin W W.The partial least squares approach to structural equationmodeling[J].Modern methods for business research，1998，295（2）：295-336.

[45]FornellC，LarckerDF.Structural equation models with unobservablevariables and measurement error： Algebra and statistics[J].Journalof Marketing Research，1981，18（3）：382-388.

作者简介：

张磊（1982-），男，宁波象山人。副教授，硕士研究生（博士在读），主要从事残疾人职业教育、网络消费行为等方面的研究。