基于元分析的網絡用戶個人信息披露意愿影響因素研究

彭國超 程 曉 劉彩華

(1.中山大學信息管理學院，廣東 廣州 510006；2.桂林電子科技大學人工智能學院，廣西 桂林 541004)

無線互聯網技術的發展和移動設備的不斷升級為人們提供了信息傳播和交互式溝通的線上平臺，社交媒體、虛擬社區、電子商務、在線醫療等各種互聯網平臺得到了廣泛的應用，已逐漸融入人們的生活。據2021年《中國互聯網絡發展狀況統計報告》第48次調查顯示，我國網民規模已達10.11億[1]。但隨著網絡用戶數量的激增，用戶在享受這些網絡平臺所提供的便利服務的同時，服務提供商為了更好地提供個性化精準服務，也利用各種技術手段來收集、分析和共享用戶個人信息[2]。然而，個性化精準服務導致的用戶隱私頻繁泄露引起了用戶高度的隱私關注，個人隱私披露問題逐漸成為大數據時代的一大挑戰，成為社會關注和討論的熱門話題。

1 文獻回顧

目前，國內外關于用戶個人信息披露意愿的相關研究多以隱私計算理論、計劃行為理論、效用理論、溝通隱私管理等為理論基礎，通過構建理論模型研究各影響因素與信息披露意愿間的作用關系。如孫霄凌等將隱私計算理論與計劃行為理論相結合，通過結構方程建模方法對社會化搜索平臺上各影響因素與用戶隱私披露意愿間的關系進行了研究[3]；程慧平等以隱私計算理論和溝通隱私管理理論為基礎，研究了微信用戶的隱私披露意愿[4]；張星等基于計劃行為理論和隱私計算理論對健康信息服務平臺用戶的健康信息披露意愿進行了探討[5]。雖然目前關于個人信息披露意愿影響因素的實證研究成果較為豐富，但涵蓋的因素眾多且存在相同影響因素與披露意愿間的相關關系出現相反研究結論的現象。如巫月娥認為，感知風險與披露意愿間為負相關關系[6]，但Zhang X等卻認為，感知風險與披露意愿間呈正相關關系[7]。各影響因素與披露意愿間究竟存在怎樣的作用關系已成為目前亟待解決的問題。

因此，本研究擬采用元分析的研究方法，結合已有網絡用戶個人信息披露意愿的實證研究，對網絡用戶個人信息披露意愿的影響因素進行定量驗證分析，通過探討各影響因素與披露意愿的總體相關性和可能的調節效應，形成具有普適性的網絡用戶個人信息披露意愿影響因素模型，為網絡用戶個人信息披露的深入研究提供思路，為網絡平臺的運營提供理論指導。

2 研究設計

1976年，Glass G V在一次會議上首次提出了元分析的概念[8]，起初其被應用于醫學領域的相關研究，后被廣泛應用于心理學、管理學等社會科學領域。元分析作為一種文獻綜合分析方法，其使用先進的統計技術，整合從特定主題下的不同實證研究中獲得的效應值，對不同研究子類進行定量分析。它通過計算已有實證研究的平均效應來挖掘相同自變量與因變量在不同研究中的共同效應，已獲得廣泛的認可[9-11]。與定性分析的傳統文獻綜述方法不同，元分析能夠通過對以往研究數據的統計分析，以解決不同研究間研究問題相似但結果矛盾的問題，并能發現不同研究間結果存在異質性的原因，使得到的結論更具綜合性和普適性。元分析的過程大致可概括為4個步驟，包括確定研究主題、檢索并篩選文獻、文獻編碼、數據處理和統計分析。

2.1 文獻檢索與篩選

本研究的第一步是進行文獻檢索。在2021年12月—2022年2月，筆者以“信息披露”“隱私披露”“自我表露”等關鍵詞，通過布爾邏輯運算“或”在CNKI中國知網、萬方、維普等數據庫檢索相關中文文獻，并利用與之對應的英文檢索詞“Information Disclosure”“Privacy Disclosure”等對英文文獻進行檢索。為了提高查全率，本研究以Web of Science、Wiley Online Library、Google Scholar等作為外文檢索途徑。共檢索到了中文文獻4 977篇，英文文獻3 000篇，為保證研究質量，本研究中文文獻僅選取在CSSCI期刊上發表的論文以及未發表的學術論文，共2 361篇中文文獻。在檢索完成之后，由兩位研究人員通過瀏覽文章的標題和摘要，排除了與信息披露意愿不相關以及重復的文獻4 805篇，其中中文2 101篇，英文2704篇；然后，通過瀏覽全文剔除了純理論和綜述性的文獻442篇，獲得與個人信息披露相關的實證文獻共119篇，其中中文27篇，英文92篇；最后從定量研究文獻中選取在文中明確報告了信度、相關系數(或者能轉換成相關系數的統計量，如T值)和樣本量的文獻46篇。值得注意的是，有一篇文獻研究了用戶的信息披露意愿，但由于其通過不披露行為來對披露意愿進行衡量，與本研究所需選取的測量結果相反，故本研究也將這一研究排除。另外，在文獻整理的過程中，研究者通過對文中參考文獻的閱讀收錄了一些相關文獻。最后，本研究共有46篇文章被納入元分析，共計57個獨立樣本對象。納入元分析的文獻中，中文文獻20篇，英文文獻26篇；期刊論文40篇，學位論文6篇。具體篩選流程如圖1所示。本文納入分析的文獻主要涵蓋社交媒體(19篇)、健康社區(9篇)、電商平臺(5篇)、移動商務(4篇)、基于位置的服務(4篇)、移動閱讀(1篇)、可穿戴設備(1篇)和社會化搜索平臺(1篇)等情境，無具體情境(2篇)。

2.2 文獻編碼與處理

本研究共納入46篇文獻，57個獨立樣本實證研究，共納入20 243個樣本。編碼過程中共識別了107個命名不同的影響因素作為自變量，但由于某些命名不同的影響因素具有相同的含義，故在對數據進行分析之前，通過對各變量在不同研究中的具體內涵以及數據收集量表中對應的題項進行比較分析，將具有相似含義的變量統一命名為出現頻次最多的變量(如個性化服務、個性化、定制化合并為出現頻次最高的個性化服務)，本研究最終得到82個不同含義的自變量。由于篇幅限制，文中僅展示具有3個及以上效應值的變量信息，編碼匯總信息如表1所示。

表1 個人信息披露意愿影響因素編碼信息匯總

盡管有學者提出，當變量具有兩個或以上的效應值時就能進行元分析[14]，但由于部分變量研究未體現出平臺差異，為方便后續進行調節效應分析對效應值數量的要求[15]，以及探究網絡用戶信息披露意愿的主要影響因素，本研究將出現頻次大于6次的自變量納入后續的元分析，具體因素及其含義解釋如下：

1)隱私關注，是指網絡用戶對在線信息披露可能導致的隱私安全問題的擔憂[16]，包括對平臺隱私數據的收集、未經授權的二次使用、不恰當的訪問等問題的關注度[17]。

2)感知控制，是指用戶所感知到的對在網絡上披露個人信息的控制能力[18]。

3)感知風險，是指用戶對在網絡上披露個人信息可能帶來的風險的感知[19]。

4)感知收益，是指個體對在網絡上披露個人信息可能獲得的收益的一種預期[19]。

5)信任。Rotter將信任定義為基于現有關系的相互期望，這種期望要求雙方遵守已經達成的口頭或書面承諾[20]。在本研究中，信任是指用戶相信網絡平臺會采取措施保護自己的個人信息以確保這些信息不會被濫用。

6)主觀規范，是指個體的行為決策會受到來自周圍其他人的壓力以及他人對自身評價的影響[21]。

7)個性化服務，是指平臺根據用戶需求的不同而提供差異化服務的能力[22]。

2.3 模型選擇

元分析方法計算效應大小的模型有兩種，分別為固定效應模型和隨機效應模型。固定效應模型假設各研究間具有相同的數據收集條件和真實效應的單一值，隨機誤差是導致不同研究結果存在差異的原因。但隨機效應模型假設研究真實的效應大小因各研究而異，導致差異的原因除受隨機誤差的影響外，還可能會受到不同樣本特征間差異的影響[23]。基于前期的文獻梳理，本研究認為，網絡平臺類型等因素可能會影響各自變量與網絡用戶個人信息披露意愿間的關系，因此，本研究選取隨機效應模型進行分析。

同時，本研究還將通過異質性檢驗對隨機效應模型的適用性進行檢驗，通過Q檢驗和I2的值進行判斷。Q統計量反映了總離散度，I2解釋了效應總方差中異質性的比例[24]，當Q顯著性檢驗通過或I2值大于75%時則認為各效應值間存在異質性[25]，此時選取隨機效應模型進行分析更合適。

3 網絡用戶個人信息披露意愿影響因素的元分析

本研究使用元分析軟件CMA 3.3進行異質性分析、主效應分析、調節效應檢驗和發表偏倚檢驗。調節效應檢驗根據數據類型分別采用亞組分析和元回歸分析與極大似然值相結合進行顯著性檢驗。本研究擬對平臺類型和性別在各影響因素與披露意愿間的調節作用進行檢驗，調節變量涉及兩種數據類型：網絡平臺類型為分類調節變量，通過亞組分析來檢驗其在各自變量與披露意愿間的調節作用；男性占總樣本數的比例為連續調節變量，通過元回歸分析與極大似然值相結合檢驗性別在各自變量與披露意愿間的調節作用。

3.1 信度分析

信度是用來反映測量結果一致性和穩健性的指標，通常通過克隆巴赫系數(即Cronbach’s α值)來進行衡量，當該值大于0.7時，則認為對這一變量的測量具有良好的信度，研究具有較高的可靠性[26]。本研究在編碼過程中對各變量的Cronbach’s α值進行編碼，對于文中未給出Cronbach’s α值的則利用組合信度(Composite Reliability，CR)值進行代替，各變量的信度分析值如表2所示。從表中結果可以看出，平均信度最小值為0.86，表明各變量具有較高的一致性和穩定性。

表2 信度分析

3.2 異質性檢驗

本研究通過對納入的效應量進行異質性檢驗，結果如表3所示。由表中結果可以看出，所有變量的異質性檢驗均達到顯著性水平，且I2最小值為86.348%(表明模型中的差異有86.348%來自于研究結果，僅有13.652%來自隨機誤差)，遠大于75%，表明各變量的研究結果間存在高度的異質性。異質性檢驗也再次驗證了本研究選取隨機效應模型進行分析的合理性，同時也證明后續進行調節效應分析找出導致研究結果間存在異質性的調節變量是有必要的。

表3 網絡用戶個人信息披露意愿影響因素異質性分析及主效應分析統計結果

3.3 主效應檢驗

本研究采用隨機效應模型對各自變量進行元分析以檢驗各變量平均效應值的顯著性水平，結果如表3所示。由表中結果可以看出，所有變量的平均效應值均達到顯著性水平。Gignac G E等提出的判斷標準認為，當平均效果量的絕對值小于0.3時為弱相關，0.3到0.5為中度相關，大于0.5時為強相關[27]。隱私關注和感知風險作為風險認知層面的變量，隱私關注與披露意愿間的相關系數為-0.210，效應值的95%置信區間為[-0.302,-0.115]，不包含0；感知風險與披露意愿間的相關系數為-0.198，效應值的95%置信區間為[-0.296,-0.095]，不包含0。隱私關注和感知風險與披露意愿間均為弱相關關系，隱私關注與披露意愿間的相關強度大于感知風險與披露意愿間的相關強度。感知收益與披露意愿間的相關系數為0.452，效應值的95%置信區間為[0.343,0.550]，不包含0；個性化服務與披露意愿間的相關系數為0.401，效應值的95%置信區間為[0.326,0.470]，不包含0；信任與披露意愿間的相關系數為0.368，效應值的95%置信區間為[0.229,0.432]，不包含0；主觀規范與披露意愿間的相關系數為0.340，效應值的95%置信區間為[0.164,0.496]，不包含0；感知控制與披露意愿間的相關系數為0.321，效應值的95%置信區間為[0.229,0.407]，不包含0。感知收益、個性化服務、信任、主觀規范和感知控制與披露意愿間均為中度相關，其中感知收益與披露意愿間的相關性最強。

3.4 調節效應檢驗

情境、測量指標和測量工具等因素往往對不同研究間相同問題研究結果的差異起到調節作用[28]，有研究表明，不同情境下相同影響因素對用戶隱私披露意愿的作用存在差異[29]。不同性別人群，各因素與披露意愿間相關強度存在差異，Sun Y等指出，男女的披露意愿分別受到感知收益和隱私風險更大程度的影響[30]；臧國全等也指出，性別對自我披露意愿存在顯著影響[31]。本研究將平臺類型和性別作為調節變量，分別利用亞組分析和元回歸分析對各自變量與披露意愿間是否受到調節變量的顯著影響進行檢驗，根據文獻內容和各平臺對個人信息收集的敏感程度將平臺類型劃分為綜合類平臺和健康類平臺，其中綜合類平臺包括社交媒體、電商網站、學習社區等除健康社區以外以及在文中未明確表明功能類型的平臺。利用亞組分析對平臺類型的調節作用進行檢驗，結果如表4所示。從表中結果可以看出，平臺類型對感知控制、感知風險、感知收益、主觀規范等與披露意愿間的作用關系有顯著影響，對隱私關注、信任和個性化服務與披露意愿間的作用關系影響則不顯著。

表4 平臺類型作為調節變量的分析結果

通過元回歸分析對性別在各自變量與披露意愿間是否起到調節作用進行顯著性檢驗，結果如表5所示。從表中結果可以看出，性別可以顯著調節各變量與披露意愿間的關系。男性占比對各變量效應值的回歸系數均顯著(P<0.05)，男性占比越高，隱私關注、感知風險與披露意愿間的相關系數越低，個性化服務、感知控制、感知收益、信任和主觀規范等與披露意愿間的相關系數越高。

表5 性別作為調節變量的分析結果

3.5 發表偏倚檢驗

在進行元分析時，還需要對各變量效應值進行發表偏倚檢驗，以避免由于發表偏倚導致元分析結果的偏差。本研究先基于漏斗圖對各變量是否存在發表偏倚進行主觀視覺判斷，后通過Egger線性回歸、失效安全數及Trim&Fill檢驗相結合對變量是否存在發表偏倚進行客觀定量判斷，結果如表6所示。從Egger線性回歸分析結果可以看出，隱私關注和主觀規范回歸結果顯著(P<0.05)，表明隱私關注和主觀規范與披露意愿間的相關性研究存在發表偏倚，其漏斗圖分別如圖2和圖3所示。失效安全數通常被用來判斷發表偏倚對主效應檢驗結果的影響程度，失效安全系數與5k+10(其中k為某一變量納入的獨立樣本數)間的比值越大，則表明發表偏倚對元分析結果的影響越有限[14]。由表6中數據計算可知，隱私關注和主觀規范的失效安全系數遠大于5k+10，表明雖然存在發表偏倚，但對元分析結果的影響程度十分有限，分析結果受到發表偏倚影響的可能性較低。利用Trim&Fill進行發表偏倚檢驗，對比剪補前后效應值的大小，如果剪補前后效應值大小差異較大，但最終結果未發生本質性改變，那么則可以認為發表偏倚誤差仍在合理范圍之內[32]。對隱私關注和主觀規范進行Trim&Fill檢驗，隱私關注向右剪補7項后r值調整為-0.093；主觀規范向左剪補1項后r值調整為0.261，表明發表偏倚可以接受。

圖2 隱私關注效應值發表偏倚

圖3 主觀規范效應值發表偏倚

表6 發表偏倚分析結果

4 結果分析

4.1 影響因素及其影響強度

本研究對篩選后的46項研究進行了元分析，研究結果表明，在本研究所納入的變量中，隱私關注和感知風險與網絡用戶個人信息披露意愿呈負相關，其余變量與披露意愿均呈正相關關系。其中感知收益、個性化服務和隱私關注與披露意愿間的相關性最強，其次為感知風險、信任和感知控制，主觀規范對披露意愿的影響強度最弱。各因素與披露意愿間的相關系數如圖4所示。

圖4 個人信息披露意愿影響因素及關系強度

元分析結果表明，感知收益是影響網絡用戶個人信息披露意愿最為關鍵的因素，該結果符合隱私計算理論的觀點，與李綱等的研究結果相符[33]。感知收益是指網絡用戶對信息披露的一種預期收益，如個人形象[34]、便利性[35]等。Forman C等[36]的研究發現，對平臺的依戀是用戶選擇披露的重要原因，當用戶感知披露個人信息能獲得較高的收益時，大部分用戶會為了信息披露帶來的收益而選擇披露部分個人信息。感知風險與披露意愿間的相關性最弱，這一結果雖出乎意料，但也可以解釋。感知風險與用戶個人信息披露意愿間關系強度可能受到用戶披露信息的敏感程度及信任等因素的調節，以及用戶可能無法預判隱私泄露所帶來的危害，往往會為了享受更多的增值服務而選擇披露信息[37]。后續研究應依據披露信息的敏感程度對信息進行分類，以加強對信息敏感程度在各影響因素與披露意愿間的調節作用的探究。

以往關于隱私披露意愿的研究多從用戶感知角度出發，且采用的數據收集方法多以問卷調查為主。在后續研究中可結合情景實驗或借助眼動儀等交互設備獲取更為客觀的實驗數據，從心理學視角挖掘影響用戶個人信息披露意愿的深層次原因。

4.2 調節作用分析

通過亞組分析和元回歸分析發現，平臺類型和性別差異可以解釋不同研究間某些自變量與披露意愿間研究結果的異質性，平臺類型作為調節變量會對某些自變量與披露意愿間的相關性強度產生影響。平臺類型對感知風險、感知控制、感知收益和主觀規范與用戶信息披露意愿間的調節作用顯著(P<0.05)。與綜合類平臺相比，健康類平臺中感知風險對用戶披露意愿的負向作用更強。用戶在綜合類平臺上披露的往往為人口統計類等非敏感信息，用戶不會對披露此類信息產生較強的風險感知。不同于社交媒體、辦公網站以及電商平臺等情境，健康類平臺所披露的信息多為用戶醫療記錄等敏感信息[37]，披露這一類信息可能會給用戶造成尷尬的處境或為生活增加額外的風險，因此用戶對披露這一類信息的風險感知會更強，從而降低其信息披露的意愿。健康類平臺上用戶的主觀規范和感知控制與用戶信息披露意愿的正向作用更強，表明相較于綜合類平臺，健康類平臺上的用戶信息披露意愿更容易受到他人的影響[38]，當健康類平臺上的用戶感知其對個人信息的掌控權較強時，其更愿意披露個人信息。相較于健康類平臺，綜合類平臺上用戶感知收益與用戶信息披露意愿間的相關性更強。綜合類平臺披露的信息往往為敏感性較弱的信息，用戶通常會愿意為了交友或獲得更好的服務而選擇披露個人信息。隱私關注、信任和個性化服務在兩類平臺上對用戶信息披露意愿間的作用效果不存在顯著差異，即平臺類型在這3類變量與披露意愿間的調節效應不顯著。

對性別在各自變量與因變量間的調節效應檢驗結果表明，性別對各變量與披露意愿的調節作用均顯著，男性用戶對隱私的關注度和隱私披露風險的感知程度明顯低于女性，且男性用戶更愿意為了體驗個性化的服務而選擇披露個人信息。Külcü ?等也表明，不同性別的用戶對隱私關注的程度存在差異，本文的研究結果也再次從側面印證了這一觀點[39]。男性占比越高，感知控制、感知收益、信任和主觀規范等與披露意愿間的相關系數越高，可以看出男性對于在網絡上披露個人信息的風險意識明顯低于女性，這一結果也驗證了余建華等的結論[40]。

5 總結展望

本研究利用元分析對網絡用戶個人信息披露意愿影響因素進行了探究，探討了隱私關注、感知控制、感知風險、感知收益、主觀規范、信任和個性化服務7個變量與披露意愿間的關系強度和可能存在的調節效應，得到了各變量與個人信息披露意愿間的明確關系，為之前變量相似卻結果各異的研究找出了統一的結論。研究結果發現，感知收益、個性化服務、信任、主觀規范和感知控制與披露意愿間均呈中度正相關，其中感知收益對披露意愿的作用最強；隱私關注和感知風險與披露意愿間均為弱相關關系，且感知風險負向作用更低。本研究還發現，平臺類型在感知控制、感知風險、感知收益、主觀規范等因素與披露意愿間起到調節作用，而在隱私關注、信任和個性化服務與披露意愿間的調節作用不顯著；性別在各變量與披露意愿間均起到調節作用，男性占比越高，隱私關注、感知風險與披露意愿間的相關系數越低，個性化服務、感知收益、感知控制、信任和主觀規范與披露意愿間的相關系數越高。本文的研究結果為后續的量化分析提供了更進一步細致分析的參考，對普適性網絡用戶個人信息披露意愿影響因素模型的構建具有重要的理論參考意義，同時也為各網絡平臺的運營提供了理論支撐，對相關平臺優化設計具有顯著的實踐參考價值。

然而，本研究也存在一定的局限性。由于樣本文獻研究內容限制，本研究暫時只對平臺類型與性別在各變量間的調節效應進行了檢驗，且由于亞組分析時個別亞組之間效應值個數差異較大，這可能會對研究結果產生一定的影響，未來待資料豐富后可進一步確認本研究的亞組分析結果是否穩健。同時，通過元分析得到的結果僅能證明各自變量與披露意愿間的線性相關性，并不能揭示其與披露意愿間的因果關系，未來研究可進一步探究各變量與披露意愿間的動態規律。