占 南 闫香玉

(河南科技大学商学院，河南 洛阳 471000)

作为数字经济新业态的代表，电子商务在新兴信息技术的支撑推动下，在培育消费市场新动能和构建双循环发展格局等方面发挥了重要的作用。截至2021年12月，我国网络购物用户规模达8.42亿，网络零售额达13.1万亿元。为了更好地满足用户个性化信息服务需求，提升电子商务平台服务质量和销售成交额，平台通过分析用户行为习惯和兴趣爱好，实时主动推荐产品和服务，实现了用户和商品信息之间的良性互动。从淘宝的“千人千面”到抖音的“全域兴趣电商”，电商智能推荐服务通过吸引用户停留、互动、下单购买，帮助电商平台挖掘用户潜在需求，为用户进行商品和服务选择提供了便利，但同时也引发了用户对于隐私和数据安全的担忧。2021年，我国22.1%的网民遭遇过个人信息泄露问题[1]，电商智能推荐服务会涉及用户的敏感性个人信息，如个人身份信息、地理位置数据、网络浏览痕迹和财务信息等。对于信息技术不确定性和数据安全的担忧会降低用户信任感，进而阻碍用户采纳电商智能推荐服务。电子商务行业发展需要关注智能化信息技术时代用户行为特征和变化规律，深入分析用户信息隐私披露意愿对于有效缓解用户隐私顾虑和促进电子商务市场持续健康发展具有现实意义。

信息技术的进步和创造日新月异，互联网从简单的信息共享工具发展为社会生产生活协作平台，用户在互联设备、服务和交互操作中留下的大量数字痕迹会暴露其兴趣、特征、信仰和意图，信息隐私安全和算法公平成为信息时代重要的管理实践问题[2]。信息隐私是一个与情境相关的、多维的、动态的概念，随着信息技术的进步而发展演变，信息系统领域学者也在持续关注隐私安全问题[3]。信息隐私披露行为一直以来都受到学者们的广泛关注，学者对老年人[4]、未成年人[5]、病人[6]和残疾人[7]等不同用户群体信息隐私问题进行探讨，分析了智能家居[8]、物联网[9]、移动支付[10]、移动应用[11]、社交媒体[12]、共享经济[13]、电子服务[14]、电子商务[15]和智能推荐系统[16]中用户隐私关注和信息隐私披露。智能信息社会中的用户隐私观念不断发生变化，信息隐私问题也更具有挑战性[17]。随着大规模商业智能数据分析的不断发展，学者们也开始深入分析智能推荐算法伦理和信息隐私问题[18-19]，探讨如何缓解用户隐私担忧并持续采纳智能推荐服务，但目前对于电商智能推荐用户隐私保护的研究还有所欠缺。平台用户信息隐私问题会影响电商智能推荐服务的采纳意愿，智能推荐中用户信息隐私保护对平台合法合规运营至关重要。因此，为了深入探究电商智能推荐用户信息隐私披露意愿影响机制，本文基于APCO模型、隐私计算理论和人格五因素模型，通过结构方程模型进行数据分析和假设检验，探讨用户隐私关注的前因和结果，同时还考虑了智能推荐商品相关性和人格特质对用户隐私关注和信息隐私披露意愿关系的影响作用，为电商平台保护用户信息隐私安全和持续优化平台信息推荐服务提供参考和建议。

1 文献综述和理论基础

1.1 信息隐私披露行为的相关研究

信息隐私是数字时代长期存在的问题，用户对隐私和数据安全的担忧是信息技术采纳的主要障碍[9-17]。随着Web2.0社会化交互时代的到来，用户基于互联网参与和协作的意愿提升，信息隐私披露方式从被动变为主动，信息隐私披露行为成为信息系统领域学者关注的热点[3，20-21]。隐私关注是从个体用户层面研究信息隐私问题的核心变量，对于共享平台参与[22]、电子政务采纳[20]、在线健康社区参与[21]、智能推荐技术采纳[19]等行为具有关键性影响作用，是影响个人信息隐私披露的重要因素。由于隐私本身难以测量，信息隐私领域的实证研究大部分是建立在对隐私关注测量的基础上，学界开发出了满足不同需求的隐私关注测量指标体系，包含控制、收集、访问和感知等测量维度，如GCIP、CFIP、IUIPC和MUIPC量表。学者们尝试解释和分析隐私关注的前因变量，以此深入了解用户的信息隐私披露意愿，主要包括：①个体因素[23]，如人口统计学特征、人格特质；②认知因素[24]，如感知隐私控制、感知隐私风险；③情境因素[25]，如企业隐私保障、信息敏感度；④宏观因素[26]，如文化价值观、隐私社会规范。

随着用户对隐私保护关注度的不断增强，在进行信息披露时就会进行权衡，由于信息不完整和不对称的存在[27]，用户信息隐私披露存在很大的不确定性[2]，呈现动态性和情境性特点[28]。研究发现，由于个体认知偏误和社会环境等因素干扰[29]，人们很难做出理性的信息隐私披露决策，从而产生隐私态度和实际行为相矛盾的信息隐私悖论行为[30]。用户信息是互联网企业的重要战略资源，企业通过收集用户信息分析需求，据此提供个性化产品或服务[31]，存在乐观偏差心态的用户为体验个性化服务会让渡自己的隐私，这种隐私个性化悖论行为是用户平衡个性化服务和信息隐私保护的结果[32]。学者们从隐私计算理论[33]、保护动机理论[34]、公平理论[35]和沟通隐私管理理论[36]等视角揭示了用户信息隐私披露意愿影响机理，随着用户信息安全意识的不断提升，用户还会出现信息隐私披露的规避行为和倦怠行为[12]。学者通过探究用户心理和认知需求差异[37]、文化差异[38]、信息隐私披露边界条件[39]等方面，探讨如何有效缓解用户隐私担忧，提高信息隐私披露意愿。

1.2 理论基础

1.2.1 APCO模型

APCO(Antecedents/Privacy Concerns/Outcomes，前因→隐私关注→结果)模型是Smith H J等[40]基于信息边界理论并整合学者研究成果所提出的，总结了隐私关注的前因和结果的关系。该模型指出隐私关注的前因变量包括隐私经历、隐私认知、个性差异、人口统计变量和文化或氛围，Li Y[41]在Smith H J等的基础上提出了电子商务情境下APCO的综合框架，将隐私关注的前因变量进一步划分为个人维度(隐私素养、人格特质等)、社会关系维度(主观规范)、组织和任务环境维度(隐私干预、平台信誉等)以及宏观环境维度(政府监管及文化氛围)，结果变量为信任、行为意愿及感知风险，并考虑了感知收益和感知风险共同作用下的隐私计算对行为意愿的影响。APCO模型为隐私研究提供了一个总体的宏观模型，可以用来解释隐私关注的形成并分析相应的行为结果[42]。目前，该模型已被用于解释移动用户[43]、智慧医疗用户[44]、虚拟社区用户[45]和微信用户[46]隐私关注问题的研究。基于此，本文将基于APCO模型探讨电商智能推荐用户信息隐私披露意愿，分析作为隐私关注前因的隐私素养、隐私社会规范和监管政策感知有效性，以及作为隐私关注结果的感知风险和信息隐私披露意愿。

1.2.2 隐私计算理论

Laufer R S等[47]将经济学领域的社会交换理论引入用户研究，提出隐私计算的概念。隐私计算理论(Privacy Calculus Theory，PCT)为解释个人披露信息的原因提供了基础，该理论假设成本效益分析中的理性决策来自代表成本的隐私风险和与交易相关的收益两个变量[48]。用户在衡量感知风险与感知收益的结果后决定是否披露个人隐私信息，PCT的核心是计算，是研究隐私决策领域的重要理论，是当前研究用户隐私披露意愿使用较为广泛的理论框架，已被广泛应用于不同的研究情境中，如电子商务[49-50]、医疗健康[51]、社交媒体[37]和共享经济[52]等。电商智能推荐用户期望通过信息披露获得个性化商品服务，以节省金钱、时间和精力，但同时也会担心隐私信息泄露等问题，面临着感知收益和预期风险带来的成本损失之间的权衡。基于此，本文将基于PCT解释电商智能推荐用户信息隐私披露行为变化，探讨用户面对信息隐私问题的态度和行为。

1.2.3 人格五因素模型

人格特质是使人们行为表现出稳定持久的心理结构，是个人的气质、情感、态度以及行为反应模式的整合且不随时间而变化的稳定性指标，作为内在因素能够影响个体的态度和行为活动[53-54]。20世纪90年代出现了很多对测定人格及其相关问卷的分析研究，如Goldberg L R[55]的人格五因素模型，把人格分为5个不同的维度，包括外向性(Extraversion，E)、开放性(Openness，O)、神经质(Neuroticism，N)、宜人性(Agreeableness，A)和责任感(Conscientiousness，C)，得到了心理学和行为科学研究者广泛的研究证明，是目前为止最为常用的人格特质理论模型[56]，已被普遍应用于各种情境，包括社交媒体[57]、网络健康信息搜索[58]和虚拟社区[59]等。个体不同的人格特质会决定他们的行为，基于此，本文基于人格五因素模型，通过对个体稳定和独特的特点，预测和解释其信息隐私披露意愿。

综上，尽管国内外学者对信息隐私问题、影响因素和行为结果等展开相关实证研究，研究对象群体也更为广泛，更加关注个人信息的开发利用和隐私保护，但在以下几个方面可以继续探讨。首先，智能信息技术的发展会加剧用户对隐私和数据安全的担忧，信息隐私问题会阻碍电子商务平台的发展，通过文献梳理分析发现，目前对于电商智能推荐用户隐私保护研究还有欠缺；其次，信息隐私披露行为是一种复杂的行为决策，已有研究缺乏多维视角下综合框架分析，现有研究已经证实了隐私关注对于信息隐私披露意愿的影响作用，但对于影响因素之间的作用机制研究较少。基于对已有研究分析和现实需要，本文从个人、社会关系和宏观环境维度出发，探讨电商智能推荐情境下影响用户隐私关注的因素以及结果，深入揭示用户隐私关注和信息隐私披露意愿之间的影响作用，为电商平台持续优化信息服务和完善用户隐私保护提供建议和参考。

2 研究模型与假设

基于APCO模型、隐私计算理论和人格五因素模型，本文构建了电商智能推荐用户信息隐私披露意愿研究模型，如图1所示。其中，模型假设电商智能推荐用户隐私关注的前因包括隐私素养、隐私社会规范和监管政策感知有效性3个因素，隐私关注的结果包括感知风险、感知利益和信息隐私披露意愿，此外，模型还试图探究智能推荐商品相关性和人格特质(外向性、开放性、神经质、宜人性、责任感)对电商智能推荐用户隐私关注和信息隐私披露意愿关系的调节作用。

图1 电商智能推荐用户信息隐私披露意愿研究模型

2.1 隐私关注的前因变量

隐私素养是个体对信息在网络环境中如何被跟踪、使用、保留以及丢失的理解程度，是人们掌握的信息隐私保护法律法规知识和相关技能[60]。本文的隐私素养是指电商智能推荐用户对信息隐私问题的批判认知和信息隐私保护的知识技能。强月新等[61]研究发现隐私素养对用户后续隐私态度的形成和隐私行为反应具有很强的预测性；Desimpelaere L等[62]研究指出了解如何保护信息隐私的人也更善于付诸有效的行动来保护其隐私，随着人们隐私素养水平的提高，用户对于其信息隐私的关注水平也在提高；张大伟等[63]研究指出社交媒体中数字原住民的在线隐私素养是其产生隐私关注的正向驱动因素；Prince C等[64]研究指出具有较高隐私素养的互联网用户对隐私的担忧会随之增加。在电子商务智能推荐中，高隐私素养水平的用户对于隐私风险的评估不同，隐私关注度较高，不会因为担心个人信息隐私泄露而不知所措，会根据自己掌握的隐私保护知识对信息隐私进行保护设置，最大化减少“隐私悖论”现象。因此，本文假设：

H1：隐私素养正向影响隐私关注

从社会关系层面而言，隐私社会规范代表的社会因素衡量了周围人群对隐私关注的影响，是测量社会群体影响的重要变量[65-66]。本文中，用户隐私关注不但会因为个体不同而不同，而且其所处的社会环境也会产生重要的影响作用。隐私社会规范对用户隐私关注的影响已得到检验，如Zlatolas L N等[67]研究了隐私社会规范对社交网络用户隐私关注的影响；郭飞鹏等[26]指出社交群体对用户隐私关注具有正向影响作用；Xu Z[44]实证检验了隐私社会规范对智慧医疗服务患者隐私关注的影响。这些研究表明用户周围的社会群体会影响其隐私关注，电商智能推荐用户所属的社会群体对于信息隐私问题的认识和关注程度也会影响其隐私关注，因此假设：

H2：隐私社会规范正向影响隐私关注

隐私是个体的主观感知，个体隐私偏好会受到外部环境的影响[2]，APCO模型从宏观环境角度指出监管政策对用户隐私关注产生影响。监管政策是保护用户信息隐私和安全的机制，包括政府监管和行业自律，通过告知用户在何种情况下会收集信息、收集信息的目的和方式，对使用个人信息的过程进行规范和监管，可以有效地保障用户作为信息主体的合法权益[68]。蒋骁等[69]指出政府和行业组织的监管会影响用户隐私关注的程度；He M等[70]研究指出宏观层面的监管机制直接影响消费者对共享平台的信任；学者在智慧医疗[44]和共享经济[22]研究中都指出监管政策会减少用户隐私担忧。政府机构也颁布了一系列法律法规完善对电商行业的监管，电商平台为了消除用户的隐私担忧，也积极对用户个人信息的收集、使用和保护等方面作出承诺。为了更好地了解宏观环境因素对电商智能推荐用户隐私关注的影响，本文探讨监管政策感知有效性对于用户隐私关注的影响，监管政策感知有效性是指用户认为目前政策法规及相关监管措施能够帮助保护其信息隐私的程度，如果用户相信政府、行业组织和电商平台的监管举措能有力保障信息隐私安全，其对隐私的担忧程度也会降低。现有研究表明，随着监管政策感知有效性的增加，用户的隐私关注和感知隐私风险都会降低，隐私披露意愿会增强[14，71]。因此，本文假设：

H3：监管政策感知有效性负向影响隐私关注

2.2 隐私关注的结果变量

在互联网上用户很容易失去对个人信息传播和使用的控制，从而引发信息隐私问题的产生，隐私关注是从个体层面研究信息隐私问题的核心变量，是用户对个人信息采集、获取和使用的感知和关注，反映了用户感知隐私被侵犯的可能性以及其所带来的相关风险[72]。已有研究表明，隐私关注是影响用户信息隐私披露意愿的关键因素[73]，隐私关注与感知风险呈正相关关系[74]，用户会因为对信息控制权减少，或者担心个人信息存在泄露和滥用的风险而不愿意进行隐私信息披露。隐私关注程度高的用户信息隐私披露意愿较低，电子商务智能推荐情境中，用户会关心其个人信息将如何被电商平台进行处理、存储、共享和使用，可能担心技术漏洞、黑客攻击和不当利用带来隐私泄露问题，随着感知风险提升会降低其信息隐私披露意愿。因此，本文假设：

H4：隐私关注正向影响感知风险

H5：隐私关注负向影响信息隐私披露意愿

2.3 隐私计算维度：感知风险与感知利益

隐私计算理论认为，用户会在风险和利益的平衡中决定是否披露个人信息，感知风险和感知利益是个人信息披露的关键因素[75]。其中，感知风险是用户在采取某种行为时所考虑的风险感知，包括经济风险、人身安全风险和隐私风险等[76-77]。本文的感知风险是指用户对在电商平台上披露隐私信息可能会带来的不利后果的感知，比如信息泄露、未经授权的访问、被出售或共享给第三方。Yu L等[73]研究表明，用户的感知风险与其信息隐私披露意愿呈现显著负相关；李纲等[78]研究发现感知风险是个人信息披露态度的强负向预测因子；杨梦晴等[79]研究发现情境信息共享风险能够对移动消费用户情境信息共享意图产生消极影响。感知利益一般被定义为用户在使用某服务过程中所感受到的该行为可能为自己带来的利益和回报[27]。本文的感知利益是指用户使用电商智能推荐服务所产生价值的感知，包括节省时间、金钱和精力带来的功利利益，以及情感满足带来的享乐利益。已有研究表明，通过对消费者进行经济上的补偿可以促进他们的信息披露[50]；李海丹等[80]研究了社交媒体环境下在线用户隐私披露行为的影响机制，发现感知收益是隐私披露意愿的强正向影响因子；White T B[81]的研究同样验证了当用户得到个性化利益时，更愿意提供个人信息；朱侯等[52]将感知收益分为利己收益与利他收益，证实了利己收益、利他收益均正向影响信息隐私披露意愿。电商智能推荐服务是基于用户购物偏好等提供个性化商品推荐服务，随着用户隐私关注的增强，在进行信息隐私披露时就会进行权衡，因此，本文假设：

H6：感知风险负向影响信息隐私披露意愿

H7：感知利益正向影响信息隐私披露意愿

2.4 智能推荐商品相关性的调节作用

电商智能推荐服务为用户提供了相关的商品推荐信息，可以有效减少用户商品购买的不确定性，节省用户的时间和精力，缓解用户信息超载和认知负担，从而增强用户网络购物的意愿。用户网络购物决策是一个动态的认知和行为过程，要经历商品搜索、筛选比较和商品评估等阶段，在商品搜索阶段，智能推荐服务可以为用户提供个性化商品建议，提高网站的销售额和用户粘性[82]。然而研究指出，电商智能推荐分析和算法会使用户担心信息隐私泄露、价格歧视和平台对其购物行为的监视[83]，从而使用户产生心理抗拒，降低网络购物的满意度[84]。本文中智能推荐商品相关性是指电商平台提供给用户的商品推荐信息具有与用户购物偏好匹配、相关和完整的特点，相关实证研究表明，当推荐商品相关性越高时，用户与电商平台的互动将使用户更有安全感[43，85]，进而缓和用户因为较高水平的隐私关注导致的低水平信息隐私披露意愿。因此，本文假设：

H8：智能推荐商品相关性负向调节用户隐私关注和信息隐私披露意愿的关系

2.5 人格特质的调节作用

人格特质代表了个体之间的差异，对个体态度、感知和行为产生影响，学者通过研究指出人格特质会影响用户隐私关注[86]，并进一步影响信息隐私披露意愿[33，42]。本文中的人格特质采用的是目前测量个体人格常用的人格五因素模型，包括外向性、开放性、神经质、宜人性和责任感，探讨不同人格特质对于用户隐私关注到信息隐私披露意愿的调节作用。外向性人格表现出热情、社交、冒险、乐观等特点，具备外向性人格特质的用户更愿意尝试新事物[87]。有学者研究表明，为了适应社交关系中的互动需求，外向性的人群往往也会有着较低的信息敏感关注度，更容易信任他人，因此这类群体对于信息隐私方面负面感知较低，隐私担忧水平较低，自我披露的意愿较高[88]。开放性人格表现出创造、求异、思辨等特点，对于已有的经验往往持有开放、探究的态度，更倾向于喜欢学习和体验。已有研究表明，开放性人格的用户对于信息收集和使用而引发的信息隐私问题不敏感[26]，高开放性用户具有较低的隐私关注度，进而会倾向于提供更多的个人隐私信息[89]。神经质人格也称作情绪不稳定性人格，具有焦虑、紧张、抑郁、脆弱、易受暗示等特点。研究指出神经质人格的用户情绪不够稳定，容易被激起负面情绪，他们对周围环境敏感度水平高，对潜在风险更加恐惧，因此也表现出较高的隐私关注水平和焦虑、紧张等情绪[90]。宜人性是反映社会从众性的一种人格特质，表现为热情、善良、和蔼可亲、友好和宽容等特点。已有研究表明，宜人性人格的用户对于隐私的关注程度持有不同的观点，郭飞鹏等[26]认为宜人性人群在与他人交往中受集体主义思想影响，更加随和，容易相信周围人和环境，隐私关注水平较低；Bansal G等[86]则指出宜人性人群认为隐私侵犯的问题是不道德的行为，因此更加关注信息隐私问题。责任感人格表现出可靠、自律、谨慎和高效等特点，会认真地根据已经掌握的信息做出决定，以避免不必要的风险。已有研究表明，高度责任感的人更加注重细节，隐私关注水平较高[91]。本文认为，电商智能推荐服务用户群体中，外向性、开放性、宜人性人格特质对于用户隐私关注和信息隐私披露意愿的关系具有负向调节作用，神经质和责任感人格特质则具有正向调节作用，因此本文假设：

H9a：外向性人格特质负向调节隐私关注和信息隐私披露意愿的关系

H9b：开放性人格特质负向调节隐私关注和信息隐私披露意愿的关系

H9c：神经质人格特质正向调节隐私关注和信息隐私披露意愿的关系

H9d：宜人性人格特质负向调节隐私关注和信息隐私披露意愿的关系

H9e：责任感人格特质正向调节隐私关注和信息隐私披露意愿的关系

3 研究方法

3.1 变量来源与测量

本文的调查问卷分为三部分，第一部分为被调查者的基本信息，包括性别、年龄、学历、网购时长、使用过提供智能推荐商品服务的平台等；第二、三部分为潜在变量的测量题项，包括隐私素养、隐私社会规范、监管政策感知有效性、隐私关注、感知风险、感知利益、信息隐私披露意愿、智能推荐商品相关性、外向性、开放性、神经质、宜人性和责任感共13个潜在变量，测量量表问项均改编自现有成熟量表，并结合电商智能推荐情境进行修改和完善，每个潜在变量设计3～4个测量题项。为了保证问卷中题项的内容效度，在正式调查之前，本文进行了预调研，并依据预调研获得的反馈意见对问卷的部分题项进行修改，最终形成本文的量表如表1所示。所有题项均采用李克特五点量表进行测量，被调查者根据对各个题项的同意程度来进行判断(1=非常不同意，2=比较不同意，3=一般，4=比较同意，5=非常同意)。

表1 潜在变量及其测量项

3.2 数据收集

本文通过问卷星付费样本服务制作和发布调查问卷，回收问卷共计627份，去除31份填写时间不足1分钟或答案存在明显规律性的无效问卷，回收有效问卷共计596份，调查样本基本特征如表2所示。在596份样本中，从被调查者的年龄和学历分布来看，20～40岁用户占比85.1%，具有本科及以上学历占比86.6%；从网购时长来看，具有4年及以上网购经历的占比80.7%；从提供智能推荐商品服务的互联网平台使用频率来看，以淘宝、京东和拼多多为代表的电商平台占比约58%。

表2 调查样本描述性统计

3.3 数据统计与分析

本文采用SPSS22.0进行数据预处理及描述性统计，采用偏最小二乘法进行数据分析，通过Smart PLS3.0软件验证研究模型和假设。在目前的学术研究中，相比基于协方差的结构方程模型(CB-SEM)，基于方差的偏最小二乘结构方程模型(PLS-SEM)更适用于研究目标为理论发展的探索性研究，不需要样本数据符合正态分布的假设，可以同时对结构模型和测量模型进行分析，并且能够以较小样本量估计更复杂的模型[98]。

4 数据分析与结果

4.1 测量模型有效性检验

测量模型的评估应该检验信度、收敛效度和区别效度，本文采用结构方程建模工具Smart PLS3.0的PLS分析来估计测量模型，以检验模型的信度和效度。表3列出了本文各潜变量的Cronbach’s Alpha值、组合信度(Composite Reliability，CR)、平均方差提取值(Average Variance Extracted，AVE)以及所有题项的因子负荷，以检验本文测量模型的信度和收敛效度。表4列出了本文各潜在变量的AVE的平方根和该潜在变量与其他潜在变量之间的相关系数，以检验本文测量模型的区别效度。

表3 信度、收敛效度检验结果

表4 区别效度检验结果

对于本文测量模型信度的检验，表3中结果显示潜在变量Cronbach’s Alpha系数范围为0.755～0.906，CR范围为0.854～0.938，均大于0.7的阈值，表示本文测量模型具有良好的信度。

对于本文测量模型效度的检验，表3中结果显示所有题项的因子负荷值均高于0.6，潜在变量的AVE均大于0.5，表明本文测量模型具有良好的收敛效度；表4中结果显示对角线上所代表的潜在变量AVE平方根最低值为0.778，大于非对角线部分所代表的潜在变量与其他潜在变量之间的相关系数最高值0.661，表明本文测量模型具有充分的区分效度。

4.2 共同方法偏差检验

一般来说，研究中多个变量数据均由同一个被调查者提供、同样的测量环境、问项的研究情境、问项的本身特征等可能导致存在潜在的共同方法偏差。本文采用问卷调查法，多个潜变量数据均来自同一个被调查者，可能存在共同方法偏差。考虑到从不同来源获取数据可以帮助减少共同方法偏差，本文收集的样本数据来自不同的用户来源，能够有效降低共同方法偏差带来的影响。采用SPSS中的主成分分析对本文收集的潜变量数据进行Harman单因素检验，结果提取出特征根大于1的因子共10个，最大因子方差解释率为23.714%(小于40%)，可知本文不存在严重的共同方法偏差。

4.3 结构模型结果

本文的结构模型分析结果如图2和表5所示，模型的SRMR指标值为0.063，小于0.08的阈值，表明模型的拟合度较好，符合PLS-SEM的适配要求。模型中假设检验通过PLS方法进行，路径系数显著性采用Bootstrap重抽样方法检验，样本数设置为5 000，据此可得T估计值和p值。

注：***表示p<0.001，**表示p<0.01，*表示p<0.05，ns表示差异不显著。图2 PLS结构模型结果

表5 假设检验结果

根据以上结构模型检验和假设检验可得以下研究结果：①从前因变量对隐私关注的影响来看，隐私素养显著正向影响隐私关注(β=0.165，p<0.001)，验证了假设H1；隐私社会规范显著正向影响隐私关注(β=0.369，p<0.001)，假设H2得到验证；而假设H3监管政策感知有效性负向影响隐私关注(β=0.306，p<0.001)未得到支持。故在前因变量中，隐私素养和隐私社会规范能够显著提升用户的隐私关注水平；②从隐私关注对结果变量的影响来看，隐私关注显著正向影响感知风险(β=0.611，p<0.001)，并显著负向影响信息隐私披露意愿(β=-0.152，p<0.001)，故假设H4和H5得到验证。由此可见，用户隐私关注水平的提高能够显著提升其对潜在风险的感知程度，并显著降低其信息隐私披露意愿；③从隐私计算维度来看，感知风险对信息隐私披露意愿的负向作用不显著(β=0.062，p>0.1)，感知利益显著正向影响信息隐私披露意愿(β=0.465，p<0.001)，故假设H6未得到支持，假设H7得到验证。可知感知利益作为隐私计算中的重要部分能够显著提升用户的信息隐私披露意愿；④从智能推荐商品相关性和人格特质的调节作用来看，智能推荐商品相关性显著负向调节用户隐私关注和信息隐私披露意愿的关系(β=0.143，p<0.05)，验证了假设H8；人格特质维度中，外向性人格特质显著负向调节隐私关注和信息隐私披露意愿的关系(β=0.106，p<0.05)，宜人性人格特质显著负向调节隐私关注和信息隐私披露意愿的关系(β=0.465，p<0.001)，故H9a和H9d得到验证，而假设H9b、H9c、H9e中开放性、神经质和责任感等人格特质对用户隐私关注和信息隐私披露意愿的调节作用未得到验证。

4.4 调节效应进一步检验

上述分析表明，智能推荐商品相关性、外向性人格特质和宜人性人格特质显著负向调节用户隐私关注和信息隐私披露意愿的关系。为了进一步解释调节效应，本文使用Smart PLS3.0进行了简单斜率分析，结果如图3所示。简单斜率图3(a)显示，当智能推荐商品相关度越高时，用户隐私关注对信息隐私披露意愿影响越小，但是当智能推荐商品相关度低时，用户隐私关注对信息隐私披露意愿影响更强。随着用户隐私关注水平的提升，低商品推荐相关性用户的信息隐私披露意愿明显低于高商品推荐相关性用户；简单斜率图3(b)显示，当用户外向性程度越高时，其隐私关注对信息隐私披露意愿的影响越小，但是当用户外向性程度越低时，其隐私关注对信息隐私披露意愿的影响越大。随着用户隐私关注水平的提升，低外向性用户的信息隐私披露意愿明显低于高外向性用户信息；简单斜率图3(c)显示，当用户宜人性程度越高时，其隐私关注对信息隐私披露意愿的影响越小，但是当用户宜人性程度越低时，其隐私关注对信息隐私披露意愿的影响越大(正斜率是由于相对较大的负调节效应)。随着用户隐私关注水平的提升，低宜人性用户的信息隐私披露意愿明显低于高宜人性用户。

图3

5 讨论与结论

5.1 研究结果的讨论

本文基于APCO模型、隐私计算理论和人格五因素模型构建了电商智能推荐用户信息隐私披露意愿理论模型，检验了电商智能推荐用户隐私关注的前因和结果，同时还考虑了智能推荐商品相关性和人格特质的调节作用。大部分假设关系通过验证，主要的研究结论如下：

1)本文发现了隐私素养和隐私社会规范对于用户隐私关注的作用机制。首先，隐私素养正向影响用户隐私关注。隐私素养水平高的用户对隐私的担忧程度也较高，这与已有研究结果一致[62-64]，说明隐私素养对于用户隐私关注的重要性。相比隐私素养水平较低的用户，隐私素养水平较高的用户关注其个人信息如何被电商平台跟踪、使用、保存和处理，掌握更多的隐私保护法律法规知识和隐私保护技能，更有可能感知到信息隐私泄露的风险，由此引发高水平隐私关注；其次，从社会关系层面，本文证实了隐私社会规范对于用户隐私关注具有重要影响作用，这也与已有研究结果一致[26，44，67]，表明用户隐私关注会受到周围用户群体的影响。电商平台的智能商品推荐服务存在用户隐私泄露的可能，隐私社会规范会影响个人对于信息隐私重要性的认知，用户会通过改变其隐私关注水平，使之与周围用户群体的隐私关注保持一致。然而监管政策感知有效性对于隐私关注的影响未通过假设检验，这一发现与之前研究结果不一致[22，44]，原因可能是与国内外个人信息保护政策体系的发展路径有关，国外重视公民隐私权保护由来已久，美国1974年就制定通过了《隐私权法》，通过政府引导下的行业自律保障公民隐私。欧盟从20世纪90年代就开始制定严格而规范的个人信息保护法律框架，2016年颁布了最严苛的个人信息保护法《通用数据保护条例》，保障欧盟公民数据权利。我国是世界互联网大国，也颁布了一系列相关法律法规保障公民个人信息权和隐私权，如《网络安全法》(2016年)、《电子商务法》(2018年)、《个人信息保护法》(2021年)等，相关行业组织和平台也在积极制定规则和协议保护用户信息安全。国外公民隐私权意识萌生较早，而我国公民隐私相关法律法规起步较晚，公民还没有对目前政策法规和监管措施充分了解，因此，监管政策感知有效性并没有降低用户的隐私关注，而是随着我国对个人信息保护体系的不断完善，公民隐私权意识逐渐增强。

2)本文发现了用户隐私关注对于感知风险和信息隐私披露意愿的作用机制。一方面，隐私关注正向影响感知风险，即用户对于电商智能推荐服务中个人信息如何被平台进行使用和处理的关注度越高，越容易提升隐私泄露相关风险的感知，这与已有研究结果一致[73-74]；另一方面，隐私关注负向影响信息隐私披露意愿，即用户对于电商智能推荐服务中隐私和数据安全的担忧会降低用户信息隐私的披露意愿，这也与已有研究将隐私关注作为用户负面行为预测的结论相一致[73]，表明隐私关注程度较高的用户在被要求披露个人隐私信息时会表现出更加审慎的态度。

3)本文证实了隐私计算维度中感知利益对于信息隐私披露意愿的正向影响作用，本文中的感知利益是电商智能推荐服务给用户带来的功利利益(省钱、省时、省力)和享乐利益(情感满足)，用户对于信息隐私披露的感知利益越高，越会提升其信息隐私披露意愿，这与已有研究结果一致[50，52，80-81]。然而本文中感知风险对于信息隐私披露意愿的负向影响作用不显著，与已有研究中感知风险作为信息隐私披露意愿的抑制性因素不一致[73，78-79]，表明本文中电商智能推荐用户在权衡是否披露个人隐私信息时对于可能存在的风险，如经济风险、人身安全风险等考虑较少，他们的决策并非完全理性的，隐私和数据安全风险的存在并没有阻止用户进行信息披露，即存在“隐私悖论”。智能推荐商品服务给用户带来了购物个性化和便利性体验，用户虽然意识到信息披露存在风险隐患，但为了更好地体验平台个性化服务还会进行信息披露。

4)本文验证了智能推荐商品相关性在隐私关注影响信息隐私披露意愿的路径中发挥了负向调节作用，电商平台基于用户偏好信息实现商品和服务的精准推送，但同时也引发了用户对于个人隐私信息的担忧，但是随着智能推荐商品相关性增大，用户隐私关注对信息隐私披露意愿的影响变小，这也与电商智能推荐相关研究结果一致[82，85]。

5)本文验证了外向性人格和宜人性人格在隐私关注影响信息隐私披露意愿的路径中发挥了负向调节作用，表明个体人格差异会产生不同的隐私关注心理倾向，现有研究大多数是验证人格特质对隐私关注具有直接影响作用[86]。本文通过调节效应检验发现高外向性用户信息敏感度较低，其隐私关注对于信息隐私披露意愿的负面影响作用较小；高宜人性用户更容易受到周围群体和环境的影响，对平台信任感较强，因此其隐私关注对于信息隐私披露意愿的负面影响作用也较小。

5.2 理论意义

信息隐私安全和算法公平是信息时代重要的管理实践问题，本文关注智能推荐和关联分析给用户信息隐私带来的问题和挑战，研究结论具有启发性的理论意义。信息技术进步引发人们对信息隐私的关注，已有研究对社交媒体、电子商务、移动支付和电子政务等用户信息隐私披露行为展开研究，用户信息隐私披露是一种复杂的行为决策，具有情境性和动态性的特点。本文基于APCO模型，引入隐私计算理论和人格五因素模型，从前因、隐私关注和结果的综合理论框架研究电商智能推荐用户信息隐私披露意愿，并进一步探讨智能推荐商品相关性和人格特质在用户隐私关注和信息隐私披露意愿关系中存在的调节作用，加深了对电商智能推荐用户信息隐私披露意愿形成机理的认知，拓展了信息隐私披露的研究视角。

5.3 管理启示

本文的管理启示主要体现在为电商平台降低用户隐私关注和持续优化信息推荐服务提供了建议和参考。

1)电商平台企业要落实推荐算法安全责任，持续优化商品信息推荐服务。①研究表明，电商智能推荐服务给用户带来的功利利益和享乐利益可以提升其信息隐私披露意愿，而且随着智能商品推荐相关性增大，用户隐私关注对信息隐私披露的影响作用也被削弱。电商智能推荐根据用户特征、内容特征、环境特征和行为特征等进行个性化商品和服务推荐，帮助平台挖掘用户潜在需求，促成在线购买并增强用户粘性，在缓解用户商品信息过载和优化用户购物体验方面具有优势。在电商平台中，智能推荐算法是用户和商品之间的中介。然而智能推荐需要用户披露地理信息、身份信息、购物偏好等敏感性个人信息，存在用户体验和隐私担忧冲突等问题，如何平衡个性化服务和用户隐私保护显得尤为重要。平台企业应立足于用户，在进行用户和商品信息匹配推荐时要保证相关性，满足用户省时、省力和省钱的需求，同时还需要重视用户的情感体验，智能推荐服务给用户网络购物带来的乐趣会使用户产生正向情感满足，提升用户感知利益，从而提升购物转化和复购；②研究进一步证实了隐私悖论的存在，在感知利益的驱动下，用户为了网购个性化体验会让渡自己隐私权，平台企业为了实现供需最佳匹配会采集用户个人信息。推荐算法犹如双刃剑，电商智能推荐会与用户行为特征信息相关联，让用户感觉自己处于被监视之中，加剧信息隐私问题。我国自颁布实施《个人信息保护法》以来，已进入到数据监管的新时代，对自动化决策信息推送和商业营销等进行规范和约束，《互联网信息服务算法推荐管理规定》又明确了算法推荐服务提供者的合规义务，推进了算法综合治理。因此平台企业应根据国家政策法规制定完善便于用户理解的隐私政策，规范使用算法推荐，针对不同类别个人信息(一般性个人信息和敏感性个人信息)实施不同等级的保护措施，使用户能够放心地披露数据并获得收益，实现信息收集利用和保护的平衡，促进这种良性发展的可持续性。

2)电商平台企业要增强用户数据安全感，缓解用户的隐私担忧。①研究表明，随着用户隐私素养水平的提高，用户更加关注个人信息如何被电商平台采集、使用和处理，因此平台企业应该强化用户对个人信息的自我决定权，使用户能够及时了解个人信息处理动态，给予用户随时查看、修改、删除个人信息和拒绝个性化定制的权限，增强用户隐私控制感，使信息处理流程更加公开透明，从而不断提升用户对平台的信任感；②从社会关系层面来看，用户隐私关注会受到周围社会群体尤其是对自己重要的群体的影响，因此平台企业要重视社群隐私观对用户产生的影响作用，搭建一个隐私保护措施健全的网购环境，避免数据过度采集、不当利用和非法泄露等信息隐私问题和负面影响，不断提升企业声誉，削弱社群隐私感知风险；③研究发现，用户信息隐私披露意愿与人格特质有关，外向性和宜人性人格特质的影响作用更为突出，因此平台企业应考虑用户个体差异，根据用户人格特质区分信息敏感度级别，据此提供高信息敏感度或低信息敏感度的智能推荐服务。在分析用户隐私需求和认知层面的基础上，结合受偿意愿和支付意愿衡量平台个人隐私信息的价值，识别用户信息隐私保护边界，制定差异化信息隐私保护策略。

5.4 研究结论

本文构建了电商智能推荐用户信息隐私披露意愿理论模型，通过问卷调查法收集有关数据，采用PLS进行数据分析和假设检验，探讨电商智能推荐用户隐私关注的前因和结果。本文的研究结果为信息隐私研究提供了更丰富和全面的研究视角，同时为平台企业保护用户信息隐私安全、持续优化信息推荐服务提供参考，但也存在一些局限性：第一，本文只考虑了用户的信息隐私披露意愿，意愿是个体实施某种行为的主观意愿，和行为之间有高度的相关性，智能化信息时代由于信息隐私边界扩大及用户平台交互关系的改变，实际的信息隐私披露行为也呈现出情境性、复杂性和动态性的特点，未来研究可以结合用户实际披露行为对研究结果进行拓展，进一步验证研究结果的有效性。第二，本文主要从量化实证路径展开，通过分析变量之间的因果关系对理论假设进行验证，属于一种被动、间接的行为测量方式，在对个体复杂的信息隐私披露行为深入理解和解释方面存在局限，未来可以进一步结合质性研究的观察法、访谈法和案例研究法等，综合考虑个体情感、动机等，深入揭示用户信息隐私披露行为的影响规律。