研究文章

基于理论基础与实证研究的公共信息技术采纳建议

0 次观看

⸱

DOI：

10.3791/73614

⸱

2026年9月15日

 ,  , 
1Seoul AI School, Seoul School of Integrated Sciences and Technologies (aSSIST University), 2School of Business, Sungkyunkwan University, 3Department of Management Information Systems, Dong-A University

本文内容

摘要

本研究提出了公共信息技术采纳模型，即一种基于前景理论的感知-意图框架，用于解释感知到的收益与损失如何驱动用户对公共信息技术服务（例如机场生物识别技术）的接受或拒绝。通过两项调查（包括一项跨国调查）以及专家干预验证了该模型，结果在不同国家和情境下均支持前景理论。

摘要

本研究提出了一种公共信息技术采纳（PITA）的理论模型。公共信息技术（IT）服务是指公共机构向所有公民提供的基于信息技术的服务，例如电子政务门户、公共卫生应用程序以及机场的生物识别系统。由于公共信息技术具有独特的性质，以往主要关注个体和企业层面的模型被认为不足以识别公共信息技术采纳的关键规模。为弥补这一不足，本研究基于前景理论提出了一个感知—意图框架，用以探讨用户在采纳新型公共IT服务过程中所感知到的损失与收益，并指出这些感知是用户拒绝或接受新型公共IT服务的前因。研究开展了两项实证工作，其中一项包含了来自三个国家（韩国、英国和美国）的调查样本。此外，通过基于干预的研究方法，邀请了五位行业专家对模型进行定性优化与验证，以确保其可在实际场景中应用。结果表明，接受的总价值（即用户接受该服务所需的综合感知价值，计算为相关路径系数之和）始终高于拒绝的总价值。在感知收益方面也发现了类似结果，即感知收益对接受和拒绝行为的预测力均强于感知损失。尽管研究结果依赖于横截面的自报数据，但仍为前景理论提供了有力支持，并进一步深化了对该理论在公共IT采纳中基础性作用的理解。因此，通过将前景理论拓展至公共部门IT情境，PITA为研究人员提供了经过验证的理论基础，也为实践者提供了诊断公共IT服务采纳情况的实用工具。

引言

信息技术（IT）在过去几十年中已发展成为推动创新的主导性和普及性工具，并显著改变了日常生活。自基于心理学视角的 IT 采纳模型被提出以来1,2,3,4，用户与 IT 之间的关系已在个人和企业层面得到了广泛研究5。

与此同时，许多公共机构在应对社会需求压力下难以实现运营效率，例如机场拥堵问题就严重影响了公共服务的有效性和质量。扩大实体基础设施可能带来即时效益，但需要投入大量的时间和资金6。相比之下，创新型公共服务提供者则通过信息技术驱动的创新来应对这一挑战7，将创新与现有基础设施相结合，以保障服务质量与运营效率8,9,10,11。当前，公共机构正在采用新型信息技术（如云计算、网络安全和生物识别技术）来振兴核心资源，但这同时也带来了额外的采纳难题12。这一问题可能源于对真实用户的理解不足：以往研究主要集中于推动技术接受的因素，而忽视了拒绝接受的现象。若缺乏用户的积极参与，公共机构中的信息技术实施将难以实现实际应用。

然而，公共部门的信息技术采纳面临与私营部门不同的独特挑战。尽管“接受”与“拒绝”看似是两种截然对立的现状13，推动其中一方可能抑制另一方，因此应同时考虑这种反向效应的两个方面。以往关于公共部门信息技术服务创新的研究往往强调积极结果10,11,14,15,16。因此，本文将“接受”与“拒绝”共同纳入考察，融合基于心理学的信息系统模型（即创新扩散理论与创新抵制理论）与行为经济学（即前景理论）进行研究。

选择机场生物识别这一案例，是因为生物识别身份验证取代了基于证件的流程，该公共信息技术服务面向所有公民，涉及敏感的个人信息，并使用户面临明确的接受或拒绝决策。本研究围绕两个研究问题展开。研究问题1（RQ1）：感知到的收益与损失如何影响用户对公共信息技术服务的接受与拒绝？研究问题2（RQ2）：如前景理论所预测，接受所需的整体价值是否大于拒绝所需的价值？据此，本研究提出了一种新的理论框架，并通过基于干预的研究（IBR）策略17（图1）由行业专家进行了验证。因此，本研究将前景理论与信息系统采纳模型相结合，为公共信息技术管理者提供了可操作的见解。

figure-introduction-1
图1：理论模型构建与发展的研究流程。该图展示了整体研究流程，从基于先前采纳模型与前景理论的理论模型构建开始，经过研究1和研究2，每次研究后均进行专家干预，最终完成PITA模型的构建。请点击此处查看此图的放大版本

信息技术采纳已得到广泛研究：在个体层面有技术接受模型（TAM）2 和统一技术接受与使用理论（UTAUT）4，在企业层面有创新扩散理论（DOI）1 和技术-组织-环境框架（TOE）3，这些理论已催生了关于增强现实与语言学习18,19、聊天机器人与数字支付20,21、出行服务22,23 以及远程工作24 的后续研究。然而，这些模型在应用于公共信息技术时存在明显局限性：TAM 假设使用是自愿的，DOI 忽视了用户的抵制行为，而 UTAUT 主要针对组织环境开发，因此它们在准强制性公共信息技术服务中的适用性仍存疑问。基于这些模型的公共信息技术采纳研究也已存在，例如，扩展 UTAUT 以研究在线公共投诉处理系统25，或将 TOE 应用于公共部门的人力资源信息系统14；许多其他研究也采用了类似方法26,27,28,29,30,31,32,33,34,35。

然而，信息技术在公共层面的采纳与在个人或企业层面的采纳存在显著差异（见表1）：采纳主体与使用者并不一致，且由于心理惯性和现有服务现状的影响，使用者的采纳意愿并不明确。信息技术的颠覆性特征可能阻碍现有系统的重构36；其采纳还需改变使用者的态度与行为，这就要求对使用者的立场有清晰的理解。鉴于这些特点，以往侧重于个人和企业层面的模型可能不足以准确识别公共信息技术采纳的关键规模。由于以信息技术驱动的服务创新对于降低成本、提升服务质量至关重要37,38，并最终推动社会发展39，因此建立一个聚焦于公共信息技术采纳的理论框架尤为关键。

个体层面企业层面公共层面
采纳主体个体企业（私营）企业（公共）
用户个体企业员工个体
用户意图明确明确（强制）不确定
心理惰性可忽略可忽略（强制）显著
价值感知不可或缺不可或缺（强制）不可或缺
主要采纳目的个人化效率提升、节约成本公共利益
相关的信息技术采纳模型TAM2, UTAUT4DOI1, TOE3本研究

表1：信息技术采纳的不同层次。 该表格从代表性理论模型、采纳主体和用户的角度，对比了个人、企业和公共层面的信息技术采纳情况。

现有文献表明，个人和员工对使用特定信息技术服务具有先验的（个体层面）或被迫的（企业层面）意图2,40，这意味着采用行为在事先已被决定4,41。然而，并非所有用户都有意使用信息技术42，且仅有少数信息系统研究识别了拒绝行为的特征与理由43,44。因此，一项新的公共信息技术服务可能会被有意拒绝，直至该创新被接受或失败为止45。

本研究的主要目标是理解用户对公共机构IT服务的接受与拒绝行为，通过两种价值感知——感知获益与感知损失——进行考察。感知获益源自创新扩散模型1,46，这些构念已被广泛用于研究有利于IT接受的感知，并在不同情境下表现出较高的有效性47,48，且具有跨情境的高信度40。相比之下，感知损失则包含了解释个体为何在面临适应压力时仍维持现有生活方式的特征；该研究路径基于创新阻力理论42,49，重点探讨为何部分个体延迟采纳某项创新，甚至完全拒绝采纳49,50,51,52,53。本研究采用多维度方法来捕捉这些感知，而非将损失与获益视为笼统的单一构念。

感知损失通过五个构念来操作化定义53,54。时间损失（TIL）指在学习和使用服务过程中因未达预期而感知到的时间浪费53。社会损失（SOL）指因显得愚昧或落伍而可能在社交群体中失去地位的风险54。经济损失（FIL）涵盖因购买费用、服务费或个人信息被盗而导致的潜在金钱损失54。身体损失（PHL）指使用服务可能带来伤害、不适或疲惫的感知53,54。绩效损失（PEL）指与现有替代方案相比，服务在质量或功能上的感知下降，包括功能故障或未能实现预期效益53。

为解释感知获益（PG），采用了相对优势、兼容性、可试用性和复杂性等概念1,46。相对优势（REA）指某项创新被认为相较于其前身更具优势的程度；兼容性（COM）指该创新与潜在采用者的价值观、需求及先前经验相契合的程度；可试用性（TRI）指在正式采用前进行试验的可能性程度；复杂性（CPX）与技术接受模型（TAM）中的感知易用性相关，指该创新在使用和理解上的困难程度。可观察性未被纳入，因其概念过于模糊而难以测量46，且在公共信息技术情境下，生物识别结果通常无法被他人直接观察到。

提出损失-获益框架用于解释促使人们对新公共信息技术服务产生反应的感知价值。如果该项服务具有颠覆性并威胁到常规行为，则假设感知到的损失将超过感知到的获益，从而导致拒绝；若此种情况持续存在，拒绝可能成为行为意向中一个恒定的组成部分42,49。相反，如果感知到的利益超过预期的损失，用户便缺乏拒绝该服务的理由。因此，提出以下假设：

假设1：感知到的损失对拒绝行为具有正向影响。
假设2：感知到的损失对接受行为具有负向影响。
假设3：感知到的收益对拒绝行为具有负向影响。
假设4：感知到的收益对接受行为具有正向影响。

政府服务中任何由信息技术驱动的进步都旨在推动社会发展（例如，通过机场生物识别技术实现更快、更安全的登机），然而，一项新推出的公共信息技术服务却充满风险与不确定性，用户可能并不会如预期那样接受其带来的益处。根据前景理论55，人们基于对备选方案、价值以及对不确定性的态度进行评估，并以某一参照点为基准（参照依赖）做出此类非理性决策。该理论的核心洞见是损失厌恶，即损失的影响比同等程度的收益更为显著，同时伴随着敏感度递减的特征；这种对相对于现状的得失关注，直接对应于本文所探讨的接受与拒绝二分现象。近年来，前景理论已被应用于多项信息系统与信息技术研究中，用以解释在风险和不确定性条件下的非理性决策行为56,57,58,59,60，涵盖人工智能赋能工作、数字健康、公共Wi-Fi及移动支付等多个情境。尽管这些研究证实了该理论的相关性，但其主要聚焦于接受意愿，而忽视了在公共信息技术情境中至关重要的拒绝维度。

公共信息技术服务的用户在行为上表现出根据所需总价值（即感知收益与损失之和）来决定接受或拒绝该服务的倾向。此前关于公共信息技术采纳的研究中，尚无任何研究从这一视角探讨过此现象。因此，路径系数（即从PL到REJ）被编码为数值55，并按如下方式计算拒绝与接受所需的总价值：

V(R) = CLR + CGR      (1)
V(A) = CLA + CGA       (2)

其中，CLR、CGR、CLA 和 CGA 分别表示感知损失对拒绝的影响路径系数、感知收益对拒绝的影响路径系数、感知损失对接受的影响路径系数以及感知收益对接受的影响路径系数；这些标准化系数生成 V(R) 和 V(A)，分别作为损失和收益总体影响的综合值。由于公共信息技术服务的设计初衷是使用户受益，而用户在偏离现状时对损失的权重通常高于收益，因此接受这一风险较高的选择，预期需要比拒绝更高的总体价值。基于假设 H1–H4，H5 检验这些效应的净平衡：

H5. 接受所需的总价值 V(A) 将大于拒绝所需的总价值 V(R)。由此得出的概念性 PITA（公共信息技术采纳）模型如图2所示。

figure-introduction-2
图 2：PITA 模型的概念框架。 该示意图展示了感知损失（PL）和感知获益（PG）作为拒绝（REJ）和接受（ACC）的前因变量；路径 a、b、c 和 d 对应于用于计算总体价值 V(R) 和 V(A) 的系数。 注：a = CLR，b = CLA，c = CGR，d = CGA  请点击此处查看此图的放大版本。

方案

本研究的所有程序均遵守aSSIST大学、成均馆大学和东阿大学适用于涉及人类参与者的科研伦理原则。由于调查回应在收集时即为匿名，且未获取任何可识别个人身份的信息，aSSIST大学机构审查委员会（IRB）认定本研究无需接受完整的伦理审查。参与机构未另行申请机构审查委员会批准，而是依据aSSIST大学机构审查委员会所发布的豁免决定，该决定涵盖研究设计与数据收集程序。此项豁免决定依据大韩民国《生物伦理与安全法》第15条及其施行规则第13条所规定的豁免标准作出（https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do）。在访问Qualtrics问卷之前，所有参与者均会看到一份电子知情同意声明，内容包括说明研究的学术目的、回应数据的匿名处理、数据仅用于科研用途，以及不存在可合理预见的风险。只有明确提供同意的参与者方可继续参与调查。

研究概述
为检验五个假设及所提出的 PITA 模型，共开展了两项实证研究和两项专家干预研究。结果如图3所示。在新冠疫情前（2019年第四季度）和疫情期间（2020年第二至第三季度）分两个阶段开展了调查，以在不同时间点分别测量各构念，降低数据中共同方法偏差（CMB）的可能性，并提高研究的普适性61,62。

figure-protocol-1
图3：研究概述。 时间线总结了两阶段研究设计：第一阶段研究（2019年第四季度，COVID-19疫情前，韩国样本，N = 322）之后进行第一次专家干预；第二阶段研究（2020年第二至第三季度，COVID-19疫情期间，韩国/英国/美国样本，N = 602）之后进行第二次专家干预。请点击此处查看此图的放大版本。

研究1模型
基于所提出的假设，构建了初始研究模型，以揭示用户接受或拒绝新近推出的公共IT服务（即机场生物识别技术）的意愿，如图4所示。用户对公共IT服务的看法体现在两个二阶构念中：感知损失（PL）和感知收益（PG），每个构念均由其对应的初级构念组成。这两个二阶构念作为拒绝（REJ）和接受（ACC）的前因变量，分别代表用户使用公共IT服务的意愿。

figure-protocol-2
图 4：研究 1 的理论模型。 五个一阶损失构念（PEL、TIL、SOL、PHL 和 FIL）构成二阶构念“感知损失”，四个一阶获益构念（REA、COM、TRI 和 CPX）构成“感知获益”；这两个二阶构念被建模为拒绝与接受的前因变量（H1–H4）。请点击此处查看此图的放大版本。

研究1的科研数据
第一个数据样本基于总共322名韩国参与者（女性：46.6%，男性：53.4%），这些参与者在过去一年内至少乘坐过一次飞机，数据收集时间为2019年11月13日至11月18日（在新冠疫情开始之前）。在调查引言中提供了公共信息技术服务（例如机场的生物识别应用）的定义和示例。研究1的原始数据见补充文件1。飞行频率被划分为五个互斥的类别（FF1–FF5），分别对应过去一年内飞行1次、2次、3次、4次以及5次或以上（研究1：138、91、34、21和38名参与者；研究2：分别为174、153、109、82和84名参与者）。

采用七点李克特量表对预测因子构念进行评估，量表范围从“强烈不同意（1）”到“强烈同意（7）”（参见补充文件21,46,53,54,63,64中的研究问卷）。在对20名参与者进行预试验后，修改仅限于对问题条目的文字表述进行优化，以提高其稳定性、适用性和解释便利性；预试验后未增加或删除任何构念或条目。支持性文件包含完整的问卷内容以及相关统计结果和理论背景。随后进行了验证性因子分析（CFA）和基于协方差的结构方程模型分析（CB-SEM）。

研究1的专家干预
邀请了五位具有至少十年经验的专家，以确保研究的客观性并提升本工作的质量，其中包括来自国际组织的两位专家（国际机场协会和国际航空运输协会）、来自政府机构的两位专家（新加坡樟宜机场和韩国机场公司），以及一位来自在公共环境中提供服务的私营企业的专家（大韩航空）。该专家干预对于提供反馈以增强模型和目标场景领域的专业知识至关重要。研究同时进行了定性（即主观反馈）和定量（七点李克特量表）评估。定量评估采用了修订版的决策报告特征问卷条目（见补充文件3）65，并使用组内相关系数进行验证66。在每轮干预中，每位专家独立完成定量问卷，随后提供开放式定性反馈；两次干预均使用相同的专家组、工具和流程，以确保可重复性。

研究2
为解决研究1中发现的问题并提升模型的普适性，研究2采用了与研究1相同的模型。研究2共纳入602名参与者（女性：42.3%，男性：57.7%，韩国：200人，英国：201人，美国：201人）。数据收集时间为2020年7月23日至8月19日（处于COVID-19大流行期间）。研究2的原始数据见补充文件4。该样本包含33个观测指标，平均每项指标约有18个观测值，超过了协方差结构方程模型（CB-SEM）通常建议的每项指标10个观测值的标准，同时也超过了200个观测值这一广泛采用的最低样本量阈值。选择韩国、英国和美国，是因为在2019年7月至2020年6月期间，这三个国家占全球航空旅客总数的29.1%（约55亿人次中的16亿人次）。COVID-19大流行在这些国家的暴发时间不同，最早始于韩国，随后影响美国和英国。此外，这三个国家融合了东方与西方的文化传统。因此，本研究整合了来自这些国家的数据，用于检验用户对新型公共信息技术服务（即机场生物识别技术）的认知—意图框架。

研究2的专家干预
邀请了相同的专家，开展了相同的定量与定性评估，并征求其反馈意见，以验证研究2中的发现。

结果

研究1
为了评估与自报数据相关的潜在共同方法偏差（CMB），首先进行了一项单因子分析67。根据检验结果，一个因子解释了36.56%的方差；若单一因子解释的方差低于50%，则表明共同方法偏差不是主要问题62,67,68。随后评估了构念效度和信度。如表2所示，各构念的平均方差提取值（AVE，0.585至0.836）和组合信度（CR，0.872至0.939）均达到了必要的最低标准69,70。此外，每个构念AVE的平方根（显示在对角线上）均高于其与其他构念之间的相关系数，支持了区分效度69。

CRAVEMSVMaxR(H)PLPGACCREJ
PL0.8720.5850.3070.9020.765
PG0.9020.7050.5990.97-0.380.839
ACC0.9270.8090.5960.9410.554-0.670.9
REJ0.9390.8360.5990.941-0.430.774-0.770.914

表2：构念的信度与效度（研究1）。 该表格报告了研究1测量模型的组合信度（CR）、平均方差提取量（AVE）以及构念间的相关系数。

接下来，使用结构方程模型（SEM）检验感知获益、感知损失、接受度与拒绝度之间的假设关系。如图5所示，模型表现出可接受的拟合指数（CMIN/DF = 2.25，CFI = 0.936，SRMR = 0.075，RMSEA = 0.062），所有指标均达到推荐阈值（CMIN/DF < 3，CFI > 0.90，SRMR < 0.08，RMSEA < 0.08），结果高度支持所提出的假设。感知损失的五个驱动构念（PER、TIR、SOR、PHR 和 FIR）以及感知获益（PG）的四个驱动构念（REA、COM、TRI 和 CPX）均表现出显著影响。对假设1和假设2的检验发现，感知损失对拒绝具有中等程度的正向影响（β = 0.357，p < 0.001），并对接受产生显著的负向影响（β = -0.148，p < 0.001）。因此，H1 和 H2 均得到支持。另一方面，对假设3和假设4的检验发现，感知获益的影响与感知损失相反：对接受具有强烈的正向影响（β = 0.721，p < 0.001），对拒绝具有负向影响（β = -0.507，p < 0.001）。因此，H3 和 H4 同样得到支持。研究1中使用SEM进行研究模型检验结果的总体汇总见表3。该结构模型分别解释了接受度62.4%和拒绝度52.5%的方差（R2 = 0.624 和 0.525）。

figure-results-1
图 5：研究1的假设检验结果。 该图展示了基于研究1样本（N = 322）估计的结构模型中的标准化路径系数及其显著性水平；所有假设的路径均在预期方向上达到显著水平。 PEL = performance loss；TIL = time loss；SOL = social loss；PHL = physical loss；FIL = financial loss；REA = relative advantage；COM = compatibility；TRI = trialability；CPX = complexity；PL = perceived loss；PG = perceived gain；REJ = rejection；ACC = acceptance 请点击此处查看此图的放大版本。

假设路径βt-值p-值结果
H1a: PL → REJ0.3576.592***支持
H2b: PL → ACC-0.148-3.059***支持
H3c: PG → REJ-0.507-7.29***支持
H4d: PG → ACC0.7218.966***支持

表3：研究1的总体结果。 该表格总结了研究1的标准化路径系数、显著性水平及假设检验结果。***p < 0.001

此外，计算了用于拒绝（REJ）和接受（ACC）的总值，以检验假设H5，并确认该模型是否与前景理论一致55。在公式（1）和（2）中，a对应于从感知损失到拒绝的路径（CLR = 0.357），c对应于从感知收益到拒绝的路径（CGR = -0.507），b对应于从感知损失到接受的路径（CLA = -0.148），d对应于从感知收益到接受的路径（CGA = 0.721）。结果表明，V(R) = a + c = -0.150，V(A) = b + d = 0.573；因此，V(R) < V(A)，假设H5得到支持。

研究1的专家干预结果
研究结果表明，专家们并未完全认同这些主张；在测量系统性取向、质量和问题陈述充分性的构念上，平均值介于3.40至4.40之间。一般负性情绪构念的得分范围为3.20至3.60（ICC = 0.609，p = 0.008）。专家的主观评估还指出了两个需要改进的方面：数据集未能代表情境因素（数据收集于新冠疫情之前），且仅包含韩国样本不足以支持结果的推广性。这些发现为研究2奠定了基础，研究2在专家提出干预建议后开展，旨在解决上述问题。

研究2
研究2中采用与研究1平行的程序。首先，进行单因子分析，以评估数据集中共同方法偏差（CMB）是否构成问题67。检验结果表明，数据样本中CMB的影响不显著，因为单一因子仅解释了38.97%的方差，低于50%的关注阈值62,67,68。除CMB外，表4中的结果还表明，模型的信度和效度也充分满足要求69,70。此外，所有异质-单质比值（HTMT）均低于0.85的阈值，进一步支持了区分效度。

CRAVEMSVMaxR(H)PLPGACCREJ
PL0.8610.560.3640.8850.748
PG0.9020.7050.6670.947-0.4220.84
ACC0.960.8890.6670.961-0.5080.8160.943
REJ0.9420.8440.6590.9570.603-0.745-0.8120.919

表4：构念的信度与效度（研究2）。 该表格报告了研究2测量模型的组合信度（CR）、平均方差提取量（AVE）以及构念间的相关系数。

研究2在三个国家中的SEM检验结果为：CMIN/DF = 3.835，CFI = 0.945，RMSEA = 0.058。CFI和RMSEA达到了推荐的阈值标准，尽管CMIN/DF值3.835未达到更严格的<3.0标准，但根据较宽松的<5.0标准，仍表明模型拟合可接受。因此，检验结果与所提出的理论假设以及研究1的结果高度一致，如图6和表5所示。与研究1的结果类似，PL与REJ之间的关系（β = 0.345，p < 0.001）以及PG与ACC之间的关系（β = 0.767，p < 0.001）均呈显著正相关，而PL与ACC之间的关系（β = -0.202，p < 0.001）以及PG与REJ之间的关系（β = -0.644，p < 0.001）则呈显著负相关。因此，假设H1、H2、H3和H4均得到支持。该结构模型分别解释了接受度（ACC）76.0%和拒绝度（REJ）72.1%的方差（R2 = 0.760 和 0.721）。

figure-results-2
图6：研究2的假设检验结果。 该图展示了基于三个国家合并样本（N = 602）估计的结构模型中的标准化路径系数及其显著性水平；结果模式与研究1一致。 PEL = 绩效损失；TIL = 时间损失；SOL = 社会损失；PHL = 身体损失；FIL = 经济损失；REA = 相对优势；COM = 兼容性；TRI = 可试用性；CPX = 复杂性；PL = 感知损失；PG = 感知获益；REJ = 拒绝；ACC = 接受 请点击此处查看本图的放大版本。

假设路径βt-值p-值结果
H1a: PL → REJ0.3459.342***支持
H2b: PL → ACC-0.202-6.81***支持
H3c: PG → REJ-0.644-12.694***支持
H4d: PG → ACC0.76713.707***支持

表5：研究2的总体结果。 该表格总结了研究2的标准化路径系数、显著性水平及假设检验结果。***p < 0.001

接下来，进一步检验了用于计算 REJ 和 ACC 的总值，以验证假设 H5，并确认该模型是否支持前景理论的观点55。采用与研究1相同的系数映射，结果显示 V(R) = a + c = -0.299，V(A) = b + d = 0.565；因此，V(R) < V(A)。假设 H5 在研究2中同样得到支持，且研究2中 V(R) 与 V(A) 的差异（0.864）大于研究1中的差异（0.723）。

研究2的专家干预结果
定量评估结果呈显著阳性（ICC = 0.960，p < 0.001）；测量系统性取向、质量和问题陈述充分性的构念的平均值范围为6.20至6.80，测量一般负性情绪的构念平均值范围为1.20至1.80。较高的组内相关系数表明专家对模型的系统性取向、质量及问题陈述充分性具有高度共识，且专家在主观评价中未提出其他问题。因此得出结论：该研究最终满足了完成所提出的PITA模型所需的各项要求。

数据可用性：
数据已作为补充文件1（研究1）和补充文件4（研究2）上传；完整的CB-SEM模型输出结果见补充文件5，变量定义与编码信息记录在数据字典中（补充文件6）。在数据文件及CB-SEM输出结果中，文稿中的缩写PEL、TIL、SOL、PHL、FIL和REJ分别对应变量标签PER、TIR、SOR、PHR、FIR和RES，二阶构念PL和PG分别标记为Perceived_Risk和Perceived_Benefit。

补充文件 1：研究数据（研究 1） 请点击此处下载该文件。

补充文件 2：调查问卷 请点击此处下载该文件。

补充文件 3：干预问卷 请点击此处下载该文件。

补充文件 4：研究数据（研究 2） 请点击此处下载该文件。

补充文件 5：CB-SEM 模型输出文件 请点击此处下载该文件。

补充文件 6：数据字典 请点击此处下载该文件。

讨论

这项包含两项研究的调查检验了公共信息技术采纳的PITA模型；两项研究均支持全部五个假设，并且在风险更高的COVID-19情境下，V(A)与V(R)之间的差距扩大，这与前景理论的预测一致，即风险越高的选择需要更高的感知价值。研究发现，信息技术采纳文献的理论基础存在空白，包括TAM2和DOI1，这些理论未能充分解释公共信息技术的采纳行为。尤为重要的是，这些研究未能充分考虑用户在使用公共信息技术服务时的不确定性。因此，本研究探讨了PITA提出的感知—意图框架对公共信息技术服务采纳决策的影响。当用户面临一项新的、创新的公共信息技术服务时，必须权衡现有状态的利与弊。如果拒绝新选项，用户将回归先前状态，从而使新选项变得不必要。PITA模型有助于理解影响此类决策的潜在价值感知。此外，本研究还提出了若干建议，以在投资新的公共信息技术服务之前预防此类失败1,42。本研究探讨了感知收益与损失如何影响公共信息技术服务的接受与拒绝；全部五个假设均得到支持。用户对公共信息技术服务的感知可从两个角度看待，且用户的负面感知可能占主导地位。然而，研究结果表明，积极的感知促使用户接受新技术并减少抵触情绪。感知损失的相关示例包括性能不稳定、流程不合理地冗长、来自用户周围环境的阻力、设备造成的身体伤害以及金融交易失败。此外，功能可互换性、公开测试活动以及易用性可作为感知收益的组成部分。两项研究的结果与先前关于创新抵制模型和创新扩散的研究一致，例如1,42。

一个重要的发现是，接受的总体价值几乎是拒绝的总体价值的五倍。V(A) 与 V(R) 之间的这一显著差异主要源于感知获益对接受的强正向影响（β = 0.721）以及对拒绝的负向影响（β = -0.507），这表明用户对收益（如易用性和功能可互换性）的感知在塑造采纳决策方面比对损失的感知起着更主导的作用。用户若要做出接受一项新的、不熟悉的公共信息技术服务这一更具风险的决策，其积极感知必须显著超过消极感知。用户也可能因损失而决定不使用新的公共信息技术服务，因为决策过程可能并非完全理性。这一现象可能归因于用户对当前服务的强烈依赖，以及公共信息技术服务本身并非用于日常频繁使用的特性。如果用户察觉到任何不便，他们便可维持现状。当感知收益不足或感知损失超过预期时，用户将不会试图克服其心理抗拒以接受新的公共信息技术服务。在研究2中，用户在公共信息技术服务情境下的感知—意图框架始终表现出相同模式，从而为所提出的理论模型提供了更具体且广泛的佐证。此外，V(A) 显著高于 V(R)，进一步支持了前景理论的扩展应用55。

情境因素（COVID-19）对V(A)和V(R)的影响是研究2中的另一个有趣发现。与研究1相比，研究2中V(R)与V(A)之间的差距进一步扩大。在全球健康危机期间，用户可能感知到感染带来的潜在损失更大，同时认识到无接触服务带来的潜在收益也更大，这种双重效应放大了接受服务所需的价值差异。该发现支持了前景理论的拓展，表明在更高风险的情境下（如COVID-19期间接受一种新型公共信息技术服务），风险性选项需要更高的价值补偿55。研究2的评估结果不可避免地再次支持了研究1的结论。情境因素是一种可能改变用户决策相关价值的潜在要素，这也印证了专家在第一次干预期间的预测。此外，通过更大样本量对机场生物识别案例进行验证，结果进一步支持了模型假设的有效性，增强了模型的稳健性和普适性。然而，多国合并分析假设了各国家对构念的理解具有一致性，尚未开展正式的测量不变性检验和国别特异性比较，这仍是未来研究需要完成的任务。

根据基于感知-意图框架的分析，如果用户认为使用公共信息技术服务将获得显著更大的收益，他们就不会选择维持现状的选项。这表明，只有当感知到的收益使接受这一风险性选择更具吸引力时，用户才愿意离开其平衡状态。回顾来看，接受行为更多地受到感知收益而非损失的影响，这一概念是合理的。根据前景理论55，当前为用户提供的服务是一种安全的“风险规避”选项，因为它是用户已有经验的已知实体。这意味着用户可以预期在不承担风险、无需调整或改变任何行为条件的情况下获得相同的结果。然而，一旦感知收益显著超过感知损失，用户很可能会选择偏离“风险规避”选项的冒险选择。值得注意的是，当用户面临更具风险的情境（如新冠疫情）时，这些效应更为显著，这可能增加了他们在考虑使用新的公共信息技术服务时对价值的需求。研究发现了感知收益与损失和公共信息技术服务的接受或拒绝之间存在一致的关系。数据表明，有必要更深入地理解用户如何感知潜在收益，以及这种理解如何影响他们是否选择使用公共信息技术服务。显然，当用户面临新选项时，接受一项新的信息技术服务对任何用户而言都更加困难，因为他们必须克服可能存在的心理惯性。这一点也体现在：在感知与意图框架内的改进需要更加显著。这些发现符合前景理论55提出的基本观点：风险性决策比安全决策需要更高的价值补偿。值得注意的是，这种不对称模式——即感知收益对接受行为的预测作用强于感知损失对拒绝行为的预测作用——表明在此情境下的决策并非纯粹的损失规避，而是由收益驱动的，这一细微差别拓展了前景理论通常强调的损失规避视角。这些结果也与先前的采纳研究一致：感知收益对接受行为的强影响与技术接受模型（TAM）强调的感知有用性相符2，而感知损失对拒绝行为的显著影响则支持了创新阻力模型的观点，即采纳障碍可能超过潜在收益42,49。本研究通过揭示收益与损失同时影响接受与拒绝行为（而非独立作用）进一步拓展了该领域的文献。因此，这些发现有助于从理论上理解是什么因素促使公共信息技术服务用户维持现状（即拒绝）或增加其风险承担行为（即接受）。本研究进一步推动了关于信息技术采纳阻力的不断增长的研究体系。研究表明，拒绝与接受信息技术是两种不同的决策标准，这建立在先前个体层面和企业层面文献的基础之上45,50,51。所有用户都存在某种阈值42,49；然而，尚无关于公共信息技术采纳的研究探讨过这些阈值可能是什么。因此，纳入感知损失成为探究这种容忍度的有效方式，并显著影响了用户对公共信息技术服务的接受或拒绝选择。这些发现通过在新情境下扩展相同“接受与拒绝”原则的应用，补充了以往的研究51。

这些发现对公共机构的管理具有一些重要的启示。首先，众所周知，这些机构在应对变革方面存在困难，向数字化基础设施转型尤为艰难。因此，公共组织在转向信息技术服务时，若决策不当，可能会产生长期的负面影响。如果用户认为损失过大，他们可能并不愿意接受所建议的信息技术服务。相反，如果公共机构管理者能够阐明通过感知收益减少抵触的因素，则对公共信息技术服务的投资可能更易成功。管理者可通过增加感知收益、减少感知损失，利用PITA模型寻找能够引发积极反应的解决方案，从而最终提高接受度、降低抵触。例如，一个实施生物识别安检的公共机场可在投资前使用PITA评估用户的感知情况：如果V(R)接近或超过V(A)，管理者可将沟通重点放在诸如加快通关速度等切实利益上（提高感知收益），或提供选择退出的替代方案（降低感知损失）。由于该模型具有简洁性，V(A)和V(R)可直接通过调查数据计算得出，从而为管理者提供一个清晰的基准，以理解用户的使用意愿，并评估其拟议的信息技术服务的采纳现状与成功可能性。

本研究存在若干重要局限性。首先，尽管两项研究的结果相似，但仍需进一步研究以充分理解在感知损失测量中观察到的较不显著效应，且本研究纳入的因素可能仅能部分解释模型中发现的变异。其次，两项研究均采用了来自航空旅客的横断面自报调查数据；这种设计无法进行因果推断，可能引入选择偏差和社会期许偏差，并限制了研究结果在该人群之外的普适性。针对这三个国家的正式测量不变性检验仍有待开展。第三，数据收集于特定时期（2019年第四季度和2020年年中），随着疫情的发展，用户感知可能已发生变化。第四，本研究假设管理者仅考虑一个新潜在选项，而将当前选项视为另一项限制条件。未来的研究应考虑多种PITA技术选项，因为根据确定性效应，当存在多个确定性程度不同的选项时，会促使个体采取风险行为71，这可能是一个值得探索的方向。未来研究还应探讨创新阻力的其他形式与阈值63，将PITA模型拓展至其他公共信息技术服务（如电子政务门户和公共卫生应用程序），以及拓展至感知收益与风险共同影响采纳行为的其他领域64，采用纵向设计追踪V(A)与V(R)随时间的演变过程，并检验文化维度是否对模型中的关系具有调节作用。总体而言，本研究有助于更深入地理解公共信息技术的采纳机制。通过同时纳入感知收益与感知损失，PITA模型捕捉了用户决策的双重本质：接受行为由收益的吸引力驱动，而拒绝行为则由对损失的恐惧驱动。在做出投资决策之前，管理者可在识别潜在IT解决方案的早期阶段，通过科学且准确的判断获得正确引导。若接受的总价值不足，管理者应重新审视其IT服务策略，因为PITA模型为管理者提供了接受与拒绝所需的全部价值总和。本研究发现情境风险会放大接受所需的价值差异，这一结果对前景理论和技术采纳文献均具有新颖贡献。因此，PITA模型应能协助管理者找到一种接受总价值高于拒绝总价值的解决方案：唯有如此，用户才愿意使用新的公共IT服务。

披露

作者声明不存在利益冲突。在准备本修订稿件期间，使用了生成式人工智能工具（ChatGPT 5o）协助语言编辑和格式整理。作者已审阅并核实全部内容，并对稿件承担全部责任；未使用任何人工智能工具生成数据、进行分析或创建图表。

致谢

本工作获得了aSSIST大学研究基金的资助。

材料

本文使用的材料清单
姓名公司目录编号评论
IBM SPSS Amos（基于协方差的结构方程建模软件）IBM Corp. (Armonk, NY, USA)version 27; https://www.ibm.com/products/structural-equation-modeling-sem/用于所有基于协方差的结构方程建模（CB-SEM）分析，包括测量模型评估（CFA：组合信度、AVE 和区分效度）以及结构模型路径分析。 
Prolific（在线参与者招募平台）Prolific Academic Ltdhttps://www.prolific.com/用于招募调查参与者的在线平台。参与者根据资格标准（例如机场使用经验）进行筛选，并依据 Prolific 的公平支付指南获得报酬。 
Qualtrics（在线调查平台）Qualtrics, LLCRRID:SCR_016728基于网络的调查平台，用于问卷设计、发放和回收响应数据。所有测量题项均通过 Qualtrics 以 7 点李克特量表实施（1 = 非常不同意，7 = 非常同意）。https://www.qualtrics.com/

参考文献

  1. Rogers EM, Singhal A, Quinlan MM. Diffusion of innovations. In: An integrated approach to communication theory and research. London: Routledge; 2014. p. 432-448.
  2. Davis FD. A technology acceptance model for empirically testing new end-user information systems: theory and results [dissertation]. Cambridge (MA): Massachusetts Institute of Technology; 1985.
  3. Tornatzky LG, Fleischer M, Chakrabarti AK. Processes of technological innovation. Lexington (MA): Lexington Books; 1990.
  4. Venkatesh V, Morris MG, Davis GB, Davis FD. User acceptance of information technology: toward a unified view. MIS Q. 2003;27(3):425-478.
  5. Jeyaraj A, Sabherwal R. Adoption of information systems innovations by individuals: a study of processes involving contextual, adopter, and influencer actions. Inf Organ. 2008;18(3):205-234.
  6. Balliauw M, Onghena E. Expanding airport capacity of cities under uncertainty: strategies to mitigate congestion. J Air Transp Manag. 2020;84:101791.
  7. Marjanovic O, Cecez-Kecmanovic D. Open government data platforms - a complex adaptive sociomaterial systems perspective. Inf Organ. 2020;30(4):100323.
  8. Kim C, Lee KC, Costello FJ. The intention of passengers towards repeat use of biometric security for sustainable airport management. Sustainability. 2020;12(11):4528.
  9. Morosan C. Voluntary steps toward air travel security: an examination of travelers' attitudes and intentions to use biometric systems. J Travel Res. 2012;51(4):436-450.
  10. Negri NAR, Borille GMR, Falcão VA. Acceptance of biometric technology in airport check-in. J Air Transp Manag. 2019;81:101720.
  11. Morosan C. An empirical examination of US travelers' intentions to use biometric e-gates in airports. J Air Transp Manag. 2016;55:120-128.
  12. Price A, Prusak A, Wright M. Tech trends 2021: a government perspective. Deloitte Insights; 2021.
  13. Samuelson W, Zeckhauser R. Status quo bias in decision making. J Risk Uncertain. 1988;1(1):7-59.
  14. Troshani I, Jerram C, Hill SR. Exploring the public sector adoption of HRIS. Ind Manag Data Syst. 2011;111(3):470-488.
  15. Cordella A, Bonina CM. A public value perspective for ICT enabled public sector reforms: a theoretical reflection. Gov Inf Q. 2012;29(4):512-520.
  16. Warkentin M, Orgeron C. Using the security triad to assess blockchain technology in public sector applications. Int J Inf Manag. 2020;52:102090.
  17. Oliva R. Intervention as a research strategy. J Oper Manag. 2019;65(7):710-724.
  18. Oyman M, Bal D, Ozer S. Extending the technology acceptance model to explain how perceived augmented reality affects consumers' perceptions. Comput Hum Behav. 2022;128:107127.
  19. Hsu HT, Lin CC. Extending the technology acceptance model of college learners' mobile-assisted language learning by incorporating psychological constructs. Br J Educ Technol. 2022;53(2):286-306.
  20. Balakrishnan J, Abed SS, Jones P. The role of meta-UTAUT factors, perceived anthropomorphism, perceived intelligence, and social self-efficacy in chatbot-based services? Technol Forecast Soc Change. 2022;180:121692.
  21. Wu B, An X, Wang C, Shin HY. Extending UTAUT with national identity and fairness to understand user adoption of DCEP in China. Sci Rep. 2022;12(1):1-11.
  22. Epstein B. Two decades of e-government diffusion among local governments in the United States. Gov Inf Q. 2022;39(2):101665.
  23. Hasselwander M, Bigotte JF, Fonseca M. Understanding platform internationalisation to predict the diffusion of new mobility services. Res Transp Bus Manag. 2022;43:100765.
  24. Ng PM, Lit KK, Cheung CT. Remote work as a new normal? The technology-organization-environment (TOE) context. Technol Soc. 2022;70:102022.
  25. Rana NP, Dwivedi YK, Williams MD, Weerakkody V. Adoption of online public grievance redressal system in India: toward developing a unified view. Comput Hum Behav. 2016;59:265-282.
  26. Alawadhi S, Morris A. Factors influencing the adoption of e-government services. J Softw. 2009;4(6):584-590.
  27. Chan FKY, et al. Modeling citizen satisfaction with mandatory adoption of an e-government technology. J Assoc Inf Syst. 2010;11(10):519-549.
  28. Weerakkody V, El-Haddadeh R, Al-Sobhi F, Shareef MA, Dwivedi YK. Examining the influence of intermediaries in facilitating e-government adoption: an empirical investigation. Int J Inf Manag. 2013;33(5):716-725.
  29. Mensah IK. Impact of government capacity and e-government performance on the adoption of e-government services. Int J Public Adm. 2020;43(4):303-311.
  30. Al Mansoori KA, Sarabdeen J, Tchantchane AL. Investigating Emirati citizens' adoption of e-government services in Abu Dhabi using modified UTAUT model. Inf Technol People. 2018;31(2):455-481.
  31. Mukred M, et al. The key factors in adopting an electronic records management system (ERMS) in the educational sector: a UTAUT-based framework. IEEE Access. 2019;7:35963–35980.
  32. Naranjo-Zolotov M, Oliveira T, Casteleyn S. Citizens' intention to use and recommend e-participation: drawing upon UTAUT and citizen empowerment. Inf Technol People. 2019;32(2):364-386.
  33. Toufaily E, Zalan T, Dhaou SB. A framework of blockchain technology adoption: an investigation of challenges and expected value. Inf Manag. 2021;58(3):103444.
  34. Amron MT, Ibrahim R, Bakar NAA, Chuprat S. Acceptance of cloud computing in the Malaysian public sector: a proposed model. Int J Eng Bus Manag. 2019;11:1847979019880709.
  35. Chatfield AT, Reddick CG. The role of policy entrepreneurs in open government data policy innovation diffusion: an analysis of Australian federal and state governments. Gov Inf Q. 2018;35(1):123-134.
  36. Dahabiyeh L, Constantinides P. Legitimating digital technologies in industry exchange fields: the case of digital signatures. Inf Organ. 2022;32(1):100392.
  37. Feller I. Managerial response to technological innovation in public sector organizations. Manage Sci. 1980;26(10):1021-1030.
  38. Dawson GS, Denford JS, Desouza KC. Governing innovation in US state government: an ecosystem perspective. J Strateg Inf Syst. 2016;25(4):299-318.
  39. Oliveira T, Fraga M. Literature review of information technology adoption models at firm level. Electron J Inf Syst Eval. 2011;14(1):110-121.
  40. Tornatzky LG, Klein KJ. Innovation characteristics and innovation adoption-implementation: a meta-analysis of findings. IEEE Trans Eng Manag. 1982;EM-29(1):28-45.
  41. Harrison DA, Mykytyn PP Jr, Riemenschneider CK. Executive decisions about adoption of information technology in small business: theory and empirical tests. Inf Syst Res. 1997;8(2):171-195.
  42. Ram S. A model of innovation resistance. Adv Consum Res. 1987;14(1):208-212.
  43. Lapointe L, Rivard S. A multilevel model of resistance to information technology implementation. MIS Q. 2005;29(3):461-491.
  44. Davidson E, Baird A, Prince K. Opening the envelope of health care information systems research. Inf Organ. 2018;28(3):140-151.
  45. Bradley L, Stewart K. A Delphi study of the drivers and inhibitors of Internet banking. Int J Bank Mark. 2002;20(6):250-260.
  46. Moore GC, Benbasat I. Development of an instrument to measure the perceptions of adopting an information technology innovation. Inf Syst Res. 1991;2(3):192-222.
  47. Agarwal R, Prasad J. The role of innovation characteristics and perceived voluntariness in the acceptance of information technologies. Decis Sci. 1997;28(3):557-582.
  48. Karahanna E, Straub DW, Chervany NL. Information technology adoption across time: a cross-sectional comparison of pre-adoption and post-adoption beliefs. MIS Q. 1999;23(2):183-213.
  49. Ram S, Sheth JN. Consumer resistance to innovations: the marketing problem and its solutions. J Consum Mark. 1989;6(2):5-14.
  50. Ellen PS, Bearden WO, Sharma S. Resistance to technological innovations: an examination of the role of self-efficacy and performance satisfaction. J Acad Mark Sci. 1991;19(4):297-307.
  51. Gatignon H, Robertson TS. Technology diffusion: an empirical test of competitive effects. J Mark. 1989;53(1):35-49.
  52. Weber EU, Bottom WP. Axiomatic measures of perceived risk: some tests and extensions. J Behav Decis Mak. 1989;2(2):113-131.
  53. Stone RN, Grønhaug K. Perceived risk: further considerations for the marketing discipline. Eur J Mark. 1993;27(3):39-50.
  54. Featherman MS, Pavlou PA. Predicting e-services adoption: a perceived risk facets perspective. Int J Hum Comput Stud. 2003;59(4):451-474.
  55. Kahneman D, Tversky A. Prospect theory: an analysis of decision under risk. Econometrica. 1979;47(2):263-291.
  56. Verma S, Singh V. Impact of artificial intelligence-enabled job characteristics and perceived substitution crisis on innovative work behavior of employees from high-tech firms. Comput Hum Behav. 2022;131:107215.
  57. Fadel KJ, Meservy TO, Kirwan CB. Information filtering in electronic networks of practice: an fMRI investigation of expectation (dis)confirmation. J Assoc Inf Syst. 2022;23(2):491-520.
  58. Choi HS, Carpenter D, Ko MS. Risk taking behaviors using public Wi-Fi. Inf Syst Front. 2021:1-18.
  59. Khan WU, Shachak A, Seto E. Understanding decision-making in the adoption of digital health technology: the role of behavioral economics' prospect theory. J Med Internet Res. 2022;24(2):e32714.
  60. Wong D, Liu H, Meng-Lewis Y, Sun Y, Zhang Y. Gamified money: exploring the effectiveness of gamification in mobile payment adoption among the silver generation in China. Inf Technol People. 2022;35(1):281-315.
  61. Tarafdar M, Maier C, Laumer S, Weitzel T. Explaining the link between technostress and technology addiction for social networking sites: a study of distraction as a coping behavior. Inf Syst J. 2020;30(1):96-124.
  62. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: a critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879-903.
  63. Szmigin I, Foxall G. Three forms of innovation resistance: the case of retail payment methods. Technovation. 1998;18(6-7):459-468.
  64. Lee MC. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electron Commer Res Appl. 2009;8(3):130-141.
  65. Aldag RJ, Power DJ. An empirical assessment of computer-assisted decision analysis. Decis Sci. 1986;17(4):572-588.
  66. Shrout PE, Fleiss JL. Intraclass correlations: uses in assessing rater reliability. Psychol Bull. 1979;86(2):420-428.
  67. Podsakoff PM, Organ DW. Self-reports in organizational research: problems and prospects. J Manag. 1986;12(4):531-544.
  68. Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63:539-569.
  69. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39-50.
  70. Kline E, et al. Convergent and discriminant validity of attenuated psychosis screening tools. Schizophr Res. 2012;134(1):49-53.
  71. Tversky A, Kahneman D. Rational choice and the framing of decisions. In: Multiple criteria decision making and risk analysis using microcomputers. Berlin, Heidelberg: Springer; 1986. p. 81-126.

重印与许可

标签

联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。