随着互联网的发展,大学生成为网络购物的主力军。因此,对大学生网络购物的相关因素进行调查分析,有利于我们研究大学生的哪些特点和网络购物有关以及网络购物对大学生的影响,从而为大学生的生活和学习提出建设性的意见。本文首先通过阅读大量和网络购物相关的文献,主要提取出三个主要的因素进行调查:大学生的个体特性变量、网络购物变量、成绩因素变量。然后,通过调查问卷的方式收集了和大学生购物相关的因素的数据,并通过聚类分析对变量进行简单的归类,通过因子分析找到所选变量的潜在关系,然后通过典型相关分析研究出网络购物和学习成绩之间确实存在相关关系。本文得出结论:1) 大学生个人特征中的生源地、专业、年级和网络购物的单次交易额、平均每个月的网络购物次数、网购的年限之间存在着相关关系;2) 网络购物的平均每个月购物的次数、网购年限、单次交易额和大学生的学习成绩存在着相关关系。最后,结合调查分析结果,对大学生个人的学习安排和学校的活动、自习时间安排提出了建议,并总结了此次研究的不足并对后面的研究做出了展望。 With the development of the Internet, college students have become the main force of online shopping. Therefore, the investigation and analysis of the relevant factors of college students' online shopping is beneficial to us to study the characteristics of college students and the impact of online shopping and online shopping on college students, so as to provide constructive opinions for college students' life and study. Firstly, by reading a large amount of literature, this paper extracts three main factors to investigate: the individual characteristic variables of college students, online shopping variables, and performance factor variables. Then, through questionnaires, the data of factors related to college students' shopping are collected, and the variables are simply classified by cluster analysis. The potential relationship of the selected variables is found through factor analysis, and then the network is analyzed by typical correlation analysis. There is indeed a correlation between shopping and academic performance. The paper draws the conclusions: 1) There is a correlation between the student source, profession, grade and the single transaction amount of online shopping, the average number of online shopping per month, and the age of online shopping; 2) There is a correlation between the average number of shopping per month, the number of online purchases, the amount of single transactions, and the academic performance of college students. Finally, combined with the results of the survey and analysis, the author puts forward suggestions on the individual study arrangement of the university students, the activities of the school, and the time arrangement of self-study, and summarizes the shortcomings of the research and prospects for the later research.
张 微
对外经济贸易大学,北京
收稿日期:2019年6月28日;录用日期:2019年7月11日;发布日期:2019年7月18日
随着互联网的发展,大学生成为网络购物的主力军。因此,对大学生网络购物的相关因素进行调查分析,有利于我们研究大学生的哪些特点和网络购物有关以及网络购物对大学生的影响,从而为大学生的生活和学习提出建设性的意见。本文首先通过阅读大量和网络购物相关的文献,主要提取出三个主要的因素进行调查:大学生的个体特性变量、网络购物变量、成绩因素变量。然后,通过调查问卷的方式收集了和大学生购物相关的因素的数据,并通过聚类分析对变量进行简单的归类,通过因子分析找到所选变量的潜在关系,然后通过典型相关分析研究出网络购物和学习成绩之间确实存在相关关系。本文得出结论:1) 大学生个人特征中的生源地、专业、年级和网络购物的单次交易额、平均每个月的网络购物次数、网购的年限之间存在着相关关系;2) 网络购物的平均每个月购物的次数、网购年限、单次交易额和大学生的学习成绩存在着相关关系。最后,结合调查分析结果,对大学生个人的学习安排和学校的活动、自习时间安排提出了建议,并总结了此次研究的不足并对后面的研究做出了展望。
关键词 :大学生,网络购物,典型相关分析,因子分析
Copyright © 2019 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
随着互联网的发展与手机普及率的上升,网络购物作为一种新兴的购物方式,已经极大地影响着人们的生活方式,成为了人们生活不可分割的一部分,由于网络购物极大地方便了我们的生活,所以近些年来网民的规模持续扩大,网购群体不断壮大,尤其是对于知识结构完整的大学生群体。
据中国互联网信息中心(CNNIC)发布的第43次《中国互联网络发展状况统计报告》中的数据显示:截至2018年12月,我国网络购物用户规模达6.10亿,较2017年底增长14.4%,占网民整体比例达73.6%。手机网络购物用户规模达5.92亿,较2017年底增长17.1%,使用比例达72.5%。由此可见互联网发展的迅速,移动端购物的兴起,大大的改变着我们的生活方式(如图1)。
图1. 2017.12~2018.12网络购物/手机网络购物用户规模及使用率
2018年,商品交易类应用持续高速增长,网络购物用户规模高速增长,可见电子商务的持续发展大大地影响着网民的生活(如图2,摘自第43次《中国互联网发展状况统计报告》)。在中国众多网民中,10~39岁的网民占比最高,占整体的67.8%,其中20~29岁的网民占比最高,达26.8%;在校大学生正处于这个年龄阶段。从职业的角度来看:学生所占比例为25.4%,处于第一位。因此,可以很明显看出大学生正是网上购物的最主要的力量。大学生的消费方式受到自身的一些特点影响,因此研究大学生网络购物的相关因素就非常有意义。
图2. 中国网民年龄结构
本文的主要研究内容:
1) 分析大学生的专业、年级、生源地与网络购物之间的相关关系,研究学习成绩与网络购物之间的关系。
2) 从大学生个人特征、学习成绩、环境因素这三个方面下的具体因素对大学生网络购物频率的影响。本文通过典型相关分析研究学习成绩和网络购物之间的关系。
通过阅读大量的文献,初步确定了大学生网络购物的影响因素,最终设计了《大学生网络购物相关因素调查问卷》,通过微信、qq空间等网络平台进行发放,客观科学的收集了大学生网络购物的相关因素指标。
本文主要用SPSS20.0和SAS软件对有效的数据进行处理。
这次调查选取的是天津工业大学在校大学生,通过发放调查问卷的形式,收集大学生网络购物行为的因素指标,寻找出相关的影响因素。
通过对相关文献的查阅发现,针对大学生网络购物的相关研究的方向主要偏向于网络购物信任影响因素以及大学生网络购物行为和满意度的影响因素的研究。查金祥(2006)等基于预期不确认理论和服务质量衡量理论,建立了一个购物网站服务质量、顾客期望与网络顾客满意度之间关系的结构模型,研究了网站的各方面因素是否会对顾客的满意度产生影响 [
阅读大量的文献,研究大学生网络购物的相关因素,总结出大学生的个人基本特征包括大学生的年级、专业、生源地、月生活费以及大学生在学校的任职情况。
在大量的文献中可以找到研究大学生的网络购物时大都是通过研究大学生网络购物的频率、网购年限、网购理由、资金来源等因素综合分析大学生的偏好和选择。本文主要是探讨大学生的网络购物的频率,浏览网站的频率以及网络购物的时间段等与大学生的成绩方面的因素的相关关系。
针对学习成绩因素的选取,我查找了大量的文献,主要是确定能够评估学习成绩的因素,鉴于学生对于各科成绩的具体分数应该无法准确记忆,所以选择了专业排名,能够准确的反映综合成绩,同时通过调查四六级的通过率来评估学习成绩,后期通过相关分析来检验这些因素是否相关。
调查问卷是研究群体行为的一个有力的工具,通过对定性问题的转述,进行大量相关问题的收集,然后进行量化,可以达到定量研究的目的。本文在前人研究的基础上,设计了一套全新的调查问卷。本次调查问卷主要从大学生个人情况、网购特征、学习成绩三个方面进行调查。
1) 大学生的基本情况。个人情况中包括的指标有年级、专业、性别、任职情况、家庭背景、生源地、月生活费;
2) 网购特征主要从网购时段、平均每个月网购次数、网购年限、单次交易额等指标进行调查;
3) 学习成绩主要从专业排名、四六级成绩、平均每天的学习、自习时间等进行调查。
本文结合国内相关文献中的相同变量或相关变量的测量量表,如表1,设计出了本次调查研究问卷调查量表,共有3个变量涉及24个问题。
研究变量 | 变量测量 | 参考文献 | |
---|---|---|---|
大学生自身 | 人口统计因素 | 您的性别 | Pereay [ |
您的年级 | |||
您的专业 | |||
您的每月生活支出 | |||
其他因素 | 您的生源地 | 自增 | |
您的任职情况 | 自增 | ||
网上购物特征 | 您的网购时段 | 魏源 [ | |
您平均每个月网上购物的次数 | |||
您的网购年限 | |||
您的平均单次交易额 | |||
网络购物特征 | 您的网购理由 | 自增 | |
您的主要网购渠道 | |||
您平时购买商品最多的是 | |||
您的资金主要来源 | |||
您网购问题中的处理方式 | |||
成绩 | 学习因素 | 您的专业排名 | 自增 |
您的四六级成绩 | |||
您平均每天自习的时间 | |||
您的上课出勤率 | |||
您平均每天的课程 | |||
其他因素 | 您的兼职和社团活动时间 | 自增 | |
您的其他上网时间 |
表1. 问卷量表
为了了解大学生网络购物的相关影响因素,在本次关于大学生网络购物相关因素的调查问卷中,我们共投放600份调查问卷,回收564份,有效问卷550份,无效问卷14份。进行简单的数据统计描述(如表2):
个人特征 | 选择项 | 比例 |
---|---|---|
年级 | 大一 | 16.76% |
大二 | 9.25% | |
大三 | 28.32% | |
大四 | 43.35% | |
本科以上 | 2.31% | |
性别 | 男 | 47.98% |
女 | 52.02% | |
专业 | 经济管理类 | 12.72% |
理工类 | 73.99% | |
文法哲学类 | 9.83% | |
文艺体育类 | 3.47% | |
生源地 | 沿海地区 | 25.43% |
中部地区 | 36.99% | |
西部地区 | 28.90% | |
东北地区 | 8.67% | |
平均每个月的生活费 | 600元及以下 | 2.89% |
600~1200元 | 45.66% | |
1200~2000元 | 41.04% | |
2000元及以上 | 10.40% | |
家庭背景 | 农村 | 49.71% |
县域 | 17.92% | |
城市 | 32.37% | |
任职情况 | 校级学生干部 | 5.20% |
院级学生干部 | 17.34% | |
班干部 | 38.15% | |
无 | 50.29% |
表2. 数据描述
通过对问卷中所选变量进行简单的聚类,采用的是类平均法进行聚类分析,大致可以描述出哪几个变量之间的距离较近。
从图3我们可以看出所选择的变量大致可以分为三类,其中aa10 (四级成绩),aa11 (六级成绩)分为一类;aa2 (专业)、aa3 (生源地)、aa14 (兼职时间)大致分为一类;aa7 (网购年限)、aa5 (网购时间段)、aa13 (课程量)、aa12 (自习时间)大致分为一类。可以看出这些变量在某种程度上比较相近。
图3. 类平均法的谱系聚类图
为了研究变量之间的潜在关系,进行对变量的R型因子分析,从而找出因子之间的潜在因子情况 [
在10个变量的情况下,选取的公共因子的数目是6个,如表3,前六个变量的累计贡献率是78%,达到75%以上,可以解释出原始变量的大部分信息。
factor | Eigenvalue | Difference | Proportion | Cumulative |
---|---|---|---|---|
1 | 1.90396209 | 0.05495213 | 0.1904 | 0.1904 |
2 | 1.84900990 | 0.64440566 | 0.1843 | 0.3753 |
3 | 1.20460424 | 0.13035898 | 0.1205 | 0.4958 |
4 | 1.07424526 | 0.12941853 | 0.1074 | 0.6032 |
5 | 0.94482673 | 0.09425749 | 0.0945 | 0.6977 |
6 | 0.85056924 | 0.12825665 | 0.0851 | 0.7827 |
7 | 0.72231259 | 0.04160328 | 0.0722 | 0.8550 |
8 | 0.68070931 | 0.16086803 | 0.0681 | 0.9230 |
9 | 0.51984129 | 0.26992194 | 0.0520 | 0.9750 |
10 | 0.24991935 | 0.0250 | 1.0000 |
表3. 因子分析的累计贡献率
输出表4的因子载荷矩阵中,我们可以看出FACTOR1对应的列(第一个公共因子的载荷向量),aa10和aa11较大,这就表示可以用aa10 (四级成绩)和aa11 (六级成绩)来表示FACTOR1,所以我们可以叫FACTOR1为成绩因子;同样的分析FACTOR2,可以找出aa5 (月生活费)和aa7 (网购年限)所占的比例最大,所以由aa5和aa7就可以解释公共因子2,我们可以叫公共因子2为个人因子;对于FACTOR3可以看出aa6 (网购次数)和aa8 (单次交易额)所占的比重大,所以有aa6和aa8可以充分地解释出公共因子3的信息,所以我们可以把公共因子3叫做网购因子;同时可以看出FACTOR4的aa9 (专业成绩排名)和aa12 (自习时间)的比重大,也可以把公共因子4叫做成绩因子;FACTOR5主要由aa14 (兼职时间)解释,可以叫做个人因子;FACTOR6主要由aa13 (课程量)解释,我们可以叫做成绩因子;所以在因子分析中大致的可以看出我们选取的变量分为个人因子、网购因子、成绩因子。
Rotated Factor Pattern | ||||||
---|---|---|---|---|---|---|
Factor1 | Factor2 | Factor3 | Factor4 | Factor5 | Factor6 | |
aa5 | 0.26867 | 0.63848 | 0.08812 | 0.09746 | 0.27003 | 0.01890 |
aa6 | 0.04277 | 0.48744 | 0.64552 | 0.23037 | −0.00988 | −0.03029 |
aa7 | −0.13857 | 0.80287 | 0.04267 | 0.09200 | −0.14248 | −11452 |
aa8 | −0.04320 | −0.03012 | 0.908790 | 0.03320 | 0.16815 | 0.05108 |
aa9 | −0.16746 | 0.14606 | 0.0294 | 0.82901 | 0.16074 | 0.19953 |
aa10 | 0.86505 | 0.13167 | −0.12574 | −0.13120 | 0.10600 | −0.02737 |
aa11 | 0.91741 | −0.07736 | 0.09437 | −0.05531 | −0.06689 | 0.08133 |
aa12 | 0.04083 | 0.33655 | −0.16574 | −0.62970 | 0.26389 | 0.39431 |
aa13 | 0.04416 | −0.11485 | 0.05067 | 0.06483 | −0.14204 | 0.90293 |
aa14 | 0.01981 | 0.01065 | 0.15362 | 0.03837 | 0.91184 | -0.12806 |
表4. 因子载荷矩阵
如表5可以看到6个公共因子分别对所有变量解释的方差,可以看出FACTOR1、FACTOR2、FACTOR3对变量的影响最大;如表6共同度,解释了全部公共因子对变量所做出的贡献,也就是变量对公共因子的依赖程度,可以看出aa11 (六级成绩)和aa14 (兼职时间)对公共因子的影响很大。
Variance Explained by Each Factor | |||||
---|---|---|---|---|---|
Factor1 | Factor2 | Factor3 | Factor4 | Factor5 | Factor6 |
1.7170948 | 1.4619807 | 1.3305381 | 1.1818613 | 1.0844017 | 1.0513409 |
表5. 每个公共因子解释的方差贡献
Final Commonality Estimates Total = 7.827217 | ||||
---|---|---|---|---|
aa5 | aa6 | aa7 | aa8 | aa9 |
0.57037969 | 0.71020074 | 0.70749578 | 0.86066359 | 0.80228679 |
aa10 | aa11 | aa12 | aa13 | aa14 |
0.81066497 | 0.87068042 | 0.76404158 | 0.85737601 | 0.87342790 |
表6. 共同度
如表7标准化以后的因子载荷矩阵,所得出的结论和表4一样。可以看出因子分析对所选取的变量进行了潜在关系的分析,找到了其中的共同的因子,为我们对变量的关系之间的分析提供了更加有力的佐证。
Standardized Scoring Coefficients | ||||||
---|---|---|---|---|---|---|
Factor1 | Factor2 | Factor3 | Factor4 | Factor5 | Factor6 | |
aa5 | 0.13662 | 0.42048 | −0.08067 | 0.13350 | 0.17453 | 0.04370 |
aa6 | 0.04301 | 0.26534 | 043339 | 0.11645 | −0.16120 | −0.02877 |
aa7 | −0.11404 | 0.59518 | −0.04422 | −0.08967 | −0.22931 | −0.09281 |
aa8 | −0.04250 | −0.17366 | 0.75193 | −0.19811 | 0.03616 | 0.04482 |
aa9 | −0.01175 | 0.12805 | −0.19675 | 0.74442 | 0.17625 | 0.22935 |
aa10 | 0.50262 | 0.06655 | −0.11762 | 0.02935 | 0.05404 | −0.06041 |
aa11 | 0.55853 | −0.09885 | 0.11067 | 0.06078 | −0.12319 | 0.01751 |
aa12 | −0.11543 | 0.23582 | −0.12704 | −0.52516 | 0.27720 | 0.40504 |
aa13 | −0.00008 | −0.05059 | 0.05126 | 0.06346 | −0.06492 | 0.85290 |
aa14 | −0.03197 | −0.11030 | −0.01576 | 0.01594 | 0.86403 | −0.05251 |
表7. 标准化的因子载荷矩阵
位于输出的表8中间的表格给出的检验假设 H 0 ( i ) : λ i = 0 ( i = 1 , 2 ) 的结果。有该表格中“1”所在的这一行,可得到似然比的值为0.107,近似F统计量为2.85,显著性概率(P值)为0.0029 (即表格中最右列Pr > F的值),故在 ∂ = 0.01 的显著性水平下,否定所有典型相关为0的假设,也就是至少有一个典型相关变量是显著的。由“2”所在的一行,得到的结果说明第二个典型相关是不显著的( P = 0.0925 > ∂ )。以及第三个典型相关也是不显著的( P = 0.2368 > ∂ )。因此两组变量相关性的研究可转化为研究第一对典型相关变量的相关性 [
Like l i hood Approximate | ||||||||
---|---|---|---|---|---|---|---|---|
Eigenvalue | Difference | Proportion | Cumulative | Ratio | F value | Num DF | Den DF | Pr > F |
0.1070 | 0.0672 | 0.6898 | 0.6898 | 0.8616 | 2.85 | 9 | 406.58 | 0.0029 |
0.0398 | 0.0314 | 0.2564 | 0.9462 | 0.9538 | 2.01 | 4 | 336 | 0.0925 |
0.0083 | 0.0538 | 1.0000 | 0.9917 | 1.41 | 1 | 169 | 0.2368 |
表8. 典型相关系数及显著性检验
如表9给出了原始变量和典型变量之间的相关系数阵。因为6个变量没有使用相同的单位进行测量,所以我们来分析标准化以后的系数(见表10)。来自网购指标的第一典型变量V1为:
V 1 = 0.3998 X 1 − 0.7388 X 2 + 0.6582 X 3
它近似地是X2 (网购年限)和X3 (单次交易额)的加权差,在X2上的权重更大些。来自成绩指标的W1为:
W 1 = 0.2921 y 1 − 0.9091 y 2 + 1.2873 y 3
它在y3 (六级成绩)和y2 (四级成绩)上的系数最大,这一对典型变量主要反应的是X2 (网购年限)和y3 (六级成绩)的负相关关系。
The CANCORR Procedure Canonical Correlation Analysis Row Canonical Coefficients for the VAR Variables | |||
---|---|---|---|
V1 | V2 | V3 | |
X1 | 0.2837716595 | 0.6582530972 | 0.1622488568 |
X2 | −1.38000435 | −0.247214517 | 1.32147126 |
X3 | 0.0047045912 | −0.003739666 | 0.003940994 |
Raw Canonical Coefficients for the WITH Variables | |||
W1 | W2 | W3 | |
Y1 | 1.6040829348 | 0.0795257944 | 5.3547776036 |
Y2 | −0.019885438 | 0.0195527986 | 0.0082261195 |
Y3 | 0.0242256931 | 0.0029198999 | −0.005400405 |
表9. 原始变量和典型变量的相关系数阵
The CANCORR Procedure Canonical Correlation Analysis Standardized Canonical Coefficients for the VAR Variables | |||
---|---|---|---|
V1 | V2 | V3 | |
X1 | 0.3998 | 0.3274 | 0.2286 |
X2 | −0.7388 | −0.1323 | 0.7074 |
X3 | 0.6582 | −0.5232 | 0.5514 |
Standardized Canonical Coefficients for the WITH Variables | |||
W1 | W2 | W3 | |
Y1 | 0.2921 | 0.0145 | 0.9750 |
Y2 | −0.9091 | 0.8939 | 0.3761 |
Y3 | 0.6582 | 0.1552 | −0.2870 |
表10. 标准化以后的相关系数阵
根据上面分析,单次交易额和网购次数和四级成绩呈现负相关关系,但是和六级成绩呈现正相关关系,这种情况的出现可能和年级有关,随着年级的增高,六级的通过率也会增高。所以在后期的论文完善中可以分年级对这些因素做典型相关分析。
大学生自身的背景因素和大学生的网络购物情况有一定的相关关系。其中个人特征的生源地、专业、年级被证实和网络购物的单次交易额、网购时间段、平均每月的网购次数之间存在着相关关系:大学生的生源地与网购的单次交易额之间存在着相关关系,沿海地区的学生比起东北地区的学生的单次交易额会更高一点,这和沿海地区的经济发展比较相关;大学生的专业不同,所集中的网购时间段也不同,其中理工科的学生大多集中在晚上的时间段;大学生的年级不同,平均每个月的网购次数也会不一样,这可能和大学生刚进入大学时刚接触网络购物,对学校以及周围的同学都不是很熟悉,所以在网络购物的方面就会相对关注较少,随着年级的增加,有越来越多的需求,同时越来越注意自己的形象,相对的课程量也在慢慢减少,自己也能很好地应对学习问题,所以网购的次数也会相对的增多。
探讨了大学生的网购因素和学习成绩因素之间关系,用典型相关分析证实了网购年限和网购次数越高的学生,对成绩会产生负面影响。分析出网购次数、网购年限、单次交易额和专业成绩、四级成绩、六级成绩之间具有相关性。
大学生应该理性购物,合理安排网络购物时间;学校应该丰富校园活动,开展适量的自习时间,对学生的学习时间安排进行一定的指导;网络零售商在营销的过程应该规范自己,不要用各种营销手段蛊惑大学生群体。
感谢我的老师和同学在整篇论文写作过程中对我的帮助,感谢同学帮助我转发问卷,收集数据。
张 微. 大学生网络购物相关因素的分析研究Analysis and Research on Related Factors of College Students’ Online Shopping[J]. 社会科学前沿, 2019, 08(07): 1216-1228. https://doi.org/10.12677/ASS.2019.87168