（副教授）

一、引言

隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)和移動技術的迅猛發(fā)展，以及大數(shù)據(jù)時代的來臨，網(wǎng)絡用戶的私人信息成倍增加，用戶信息的存儲和管理成為亟待解決的問題。近年來，云存儲作為一種集按需提供、海量存儲、跨平臺同步和實時分享為一體的信息管理工具，在生活的各個方面均有廣泛應用，除數(shù)字圖書館、檔案管理等領域外，在個人信息存儲和管理方面也引起了較大反響。

目前，云存儲采納研究產(chǎn)生了許多成果，Low等（2011）使用技術—組織—環(huán)境模型，驗證了影響企業(yè)用戶云存儲采納行為的因素為相對優(yōu)勢、復雜性和兼容性；Wu等（2013）驗證了影響學校云存儲采納行為的因素為感知易用性和感知有用性；Shin等（2013）研究證明影響政府采納行為的因素主要為可用性、可訪問性、安全性和可靠性。然而從采納主體來看，目前用戶采納行為的研究主要針對企業(yè)層面，針對個人層面的云計算采納研究較少，曹越等（2014）基于UTAUT模型，引入感知風險、感知費用、個人創(chuàng)新能力，研究了影響個人云存儲采納行為的因素；王建亞等（2016）以TAM、網(wǎng)絡外部性理論、信任理論為基礎構建個人云存儲用戶采納模型，從個人信息管理視角研究了個人云存儲采納影響因素。但此類研究在模型構建上，均存在對用戶需求的變化和云存儲特征關注較少的問題，且忽略了模型和用戶特征之間的關系。然而研究不同消費類型用戶的行為差異，在許多領域的研究均有較好成果，梁靜（2013）通過消費動機和商品形式將用戶分為經(jīng)濟型、應用型、享受型和體驗型，發(fā)現(xiàn)這四類用戶在核心需求、信息搜索和價格敏感度等方面存在巨大差異；冉建榮等（2008）采用聚類分析的方法，根據(jù)用戶當前價值和潛在價值等指標，將用戶分為價值用戶群、次價值用戶群、潛在價值用戶群和低價值用戶群，分析四類用戶在移動通信行業(yè)的行為差異，并提出相關行業(yè)建議。雖然不同消費類型用戶行為差異的研究在許多領域已取得較好成果，但其在個人云存儲采納方面的研究幾乎為零。因此，本文在已有研究成果的基礎上，探索影響個人云存儲采納的因素，構建采納模型分析不同消費類型用戶個人云存儲采納行為的差異，為云存儲服務商及相關者產(chǎn)品的設計和銷售策略的制定提供依據(jù)。

綜合上述已有研究，從采納主體來看，目前云計算采納相關研究主要針對企業(yè)，基于個人用戶層面的研究相對較少。針對不同消費類型用戶行為差異的研究在網(wǎng)絡購物、移動通信等行業(yè)均取得了較好的成果，然而區(qū)分用戶消費類型在云計算個人用戶采納方面的研究幾乎沒有。因此，筆者針對不同消費水平的用戶進行了小范圍訪談調(diào)研，發(fā)現(xiàn)消費水平較高的用戶對個人云存儲的采納相對比較積極。最終，本文采用RFM方法（盧小賓等，2015），按照人口屬性、購買云存儲及相關服務的頻率、購買云存儲及相關服務總金額以及最近一次購買云存儲及相關服務時間，將用戶分為經(jīng)濟追求型、高消費型、習慣型和潛在二次消費型。通過構建個人云存儲用戶采納模型，探究同一因素對不同消費類型用戶的個人云存儲采納行為的影響差異，得出行為現(xiàn)狀的相關規(guī)律并分析其成因。

二、基于用戶消費類型聚類細分的個人云存儲采納模型構建

（一）基于RFM模型的用戶消費類型聚類細分

1.RFM模型。RFM是一種衡量用戶價值并對用戶進行分類的方法，早期主要被應用于生產(chǎn)多種商品且商品單價不高的企業(yè)，隨著互聯(lián)網(wǎng)的發(fā)展及大數(shù)據(jù)時代的來臨，RFM在網(wǎng)絡消費者價值評估方面的研究也日趨成熟。徐翔斌等（2012）將RFM模型中購買商品總金額這一指標換成商家銷售商品所獲利潤，同時通過K-Means聚類方法將用戶分為企業(yè)大客戶、企業(yè)臨時客戶和企業(yè)潛在客戶，針對不同類型用戶為商家提出相應銷售策略；王文賢等（2012）在RFM模型基礎上，提出多層級個人客戶忠誠度衡量指標及評估模型，將個人客戶按忠誠度劃分為“摯友、藤壺、蝴蝶、陌生人”，并為商家制定個性化銷售策略提供合理建議。

從商業(yè)模式上看，個人云存儲服務商主要的收費模式分為基本功能收費和特色功能收費，基本功能收費包括流量收費、額外擴容收費等，特色功能收費包括額外傳輸速度收費、搜索全局資源收費、提高上傳單個文件大小上限收費等。據(jù)小范圍調(diào)研訪談得知，用戶主要的付費方式為按年度或月度購買網(wǎng)盤額定容量獲得基本功能或按年度或月度購買會員獲得特色功能。因此，做出如下假設：

R：用戶一年內(nèi)最近一次購買個人云存儲及其相關服務距離現(xiàn)在的天數(shù)。

F：用戶一年內(nèi)購買個人云存儲及其相關服務的次數(shù)。

M：用戶一年內(nèi)購買個人云存儲及其相關服務的總金額。

需要說明的是，在用戶一年內(nèi)購買個人云存儲及其相關服務的次數(shù)的核算中：若用戶按月度購買，每次購買算1次；若按年度購買，每次購買算12次；若以其他形式購買，每支付一筆算1次。

2.K-Means聚類算法。K-Means算法于1967年由MacQueen提出。其主要思想是找出數(shù)據(jù)集的K個簇中心，將數(shù)據(jù)集劃分為K類，計算數(shù)據(jù)集中的數(shù)據(jù)點與各簇中心的距離，使得數(shù)據(jù)點與所屬中心的距離平方和最小。K-Means算法原理簡單，容易解釋，對于數(shù)據(jù)量少、類別簡單的數(shù)據(jù)的聚類效果較好。算法過程如下：①從一個樣本容量為n的樣本集合中選取k個樣本作為簇中心；②依次計算剩下的樣本到每一個簇中心的距離，將其劃分到最接近的簇中；③計算每個簇中樣本平均值作為各個簇樣本新的中心；④重復第二、三步驟至不再有新的分配發(fā)生，算法結束。

距離的計算方法主要有夾角余弦距離、曼哈頓距離、歐幾里得距離等，本文擬采用歐幾里得距離，計算公式如式（1）所示：

本文采用K-Means聚類算法對RFM模型中統(tǒng)計所得用戶數(shù)據(jù)進行聚類分析，并根據(jù)分析結果區(qū)分用戶不同消費類型。

3.基于RFM模型的聚類細分結果討論。

（1）數(shù)據(jù)描述。本文采用線上線下兩種形式進行問卷調(diào)查，最終獲得有效問卷581份。問卷中統(tǒng)計出每位用戶一年內(nèi)最近一次購買距離現(xiàn)在的天數(shù)（R）、一年內(nèi)購買的次數(shù)（F）和一年內(nèi)購買的總金額（M）。

（2）數(shù)據(jù)規(guī)范化。為防止RFM模型中變量的不同計量單位對聚類結果造成不合理影響，需要對數(shù)據(jù)進行規(guī)范化處理。數(shù)據(jù)規(guī)范化指從每一個變量中選出最大值和最小值，并用最大值減去最小值得出極差，然后用該變量中的每一個原始數(shù)據(jù)減去最小值，再除以極差，就得到了規(guī)范化處理后的數(shù)據(jù)，計算公式如式（2）所示：

（3）聚類結果分析。本文對K值進行分析（K=3、4、5），通過sig＜0.01及F檢驗，最終確定K=4，結果如表1、表2所示。

表1 RFM模型最終族中心

表2 RFM模型中每類成員數(shù)量

由表1、表2可知，2類用戶購買金額最高，購買頻率也較高，成員數(shù)量最少，因此是企業(yè)的大客戶，定義為高消費型用戶；1類用戶除購買時間較近以外，購買總金額是四類用戶中最少的，購買頻率也較少，可以看出這類用戶雖然有使用個人云存儲的需求，但是在付費方面是比較謹慎的，定義為經(jīng)濟追求型用戶；3類用戶不僅購買頻率最高，最近一次購買時間離現(xiàn)在也是最近的，購買金額遠高于1類用戶，說明這一類用戶對于個人云存儲有較強的依賴性，有一定的付費習慣，且成員數(shù)量在四類用戶中最多，定義為習慣型用戶；4類用戶雖然購買時間離現(xiàn)在最遠，購買頻率也不高，但是購買的總金額卻僅次于高消費型用戶，推測此類用戶為高收入人群，只是沒有經(jīng)常購物的習慣，因此為企業(yè)最具潛力的消費用戶，定義為潛在二次消費型用戶。

因此，通過對RFM模型統(tǒng)計的用戶數(shù)據(jù)進行聚類分析后得出，本文探討的不同消費類型用戶主要為四類，分別是經(jīng)濟追求型、高消費型、習慣型和潛在二次消費型。

（二）個人云存儲采納研究假設與模型構建

個人云存儲用戶采納模型由影響用戶采納的因素及其內(nèi)在關系組成，正確的因素選取及關系設定也是影響模型構建合理及科學的保證。本文所提出的個人云存儲用戶采納模型保留了技術接受模型中的感知有用性和感知易用性兩個核心變量，以及UTAUT模型（Venkatesh，2003）中社會影響這個核心變量，同時結合云存儲按需提供、海量存儲、跨平臺同步等特點進行小范圍調(diào)研，引入感知風險、感知費用、個人創(chuàng)新能力、遷移能力和個性化五個外部因素。

1.感知風險。感知風險是指用戶在使用個人云存儲及服務過程中，能夠直接或間接感受到的風險，例如賬號密碼被盜、資料遺失、隱私外泄等均在感知風險范圍之內(nèi)。云存儲在云端保存著用戶大量的私人信息，而用戶的擔憂主要來源于兩個方面：一方面是云服務商不能恪守職業(yè)道德將用戶數(shù)據(jù)及隱私賣給第三方謀取利益；另一方面是黑客進入云服務商數(shù)據(jù)中心，盜取用戶數(shù)據(jù)及隱私。因此，用戶對于個人云存儲的可靠性和安全性要求極高，引起了研究人員的高度重視，Shin（2013）在研究中發(fā)現(xiàn)影響云計算采納的因素有安全和隱私；Chong（2013）研究發(fā)現(xiàn)感知風險對用戶的行為意向有顯著負向作用。因此，本文提出假設H1和假設H2，見表3。

表3 感知風險對其他因素的研究假設

2.個人創(chuàng)新能力。個人創(chuàng)新能力指用戶在各個領域中具備敏銳的觀察力及創(chuàng)造性新思維，同時對新產(chǎn)品或服務具備高度傾向性的能力。一般情況下，個人創(chuàng)新能力越強的人，對新技術接納程度越高。王建亞等（2016）研究表明個人創(chuàng)新精神對個人云存儲用戶采納意向有正向影響，曹越等（2014）研究表明個人創(chuàng)新性對用戶采納云存儲服務有顯著影響。因此，本文提出假設H3，見表4。

表4 個人創(chuàng)新能力對其他因素的研究假設

3.感知費用。感知費用是指用戶在使用個人云存儲服務過程中，對可能產(chǎn)生費用的心理預期。目前，研究人員在感知費用對用戶采納個人云存儲的影響上產(chǎn)生了不同意見。Wu等（2005）研究發(fā)現(xiàn)感知費用對潛在用戶采納個人云存儲產(chǎn)生負向影響，但是謝濱等（2009）卻認為感知費用并不是潛在用戶是否采納個人云存儲的因素之一。

云存儲服務的特征之一為按需使用，按使用流量付費，但是新用戶在初次使用時，服務商會贈送一定容量的免費存儲空間，比起用戶自建數(shù)據(jù)中心或購買硬盤等外部存儲設備來說，大大降低了用戶的使用成本。但是，當用戶的使用容量超出免費贈送的容量時，需要另行付費，使用云存儲服務還會產(chǎn)生網(wǎng)絡接入費等附加費用。因此，提出假設H4，見表5。

表5 感知費用對其他因素的研究假設

4.遷移能力。遷移能力指用戶個人擁有的數(shù)據(jù)信息，從當前云端向其他云存儲服務商提供的云端轉移的難易程度。此種因素考慮到用戶未來某時刻可能需要將個人數(shù)據(jù)和信息遷移到其他平臺。石雙元等（2015）研究發(fā)現(xiàn)遷移能力對企業(yè)云存儲具有一定的影響。就目前而言，互聯(lián)網(wǎng)企業(yè)的更迭速度越來越快，2015年10月，酷盤停止個人用戶網(wǎng)絡存儲服務，2016年10月，360云盤宣布正式停用個人云存儲服務，個人云存儲服務商的不穩(wěn)定性使得數(shù)據(jù)遷移能力成為云存儲采納的重要考量因素。因此，本文提出假設H5，見表6。

表6 遷移能力對其他因素的研究假設

5.個性化。個性化指企業(yè)能夠針對不同類型用戶定制不同類型的服務。80后、90后和00后是中國未來二十年的消費主力，然而這三代人對個性化體驗的重視越來越強，因此，根據(jù)用戶個性及行為習慣，為不同類型用戶制定個性化服務，可能會對個人云存儲的采納產(chǎn)生影響。因此，本文提出假設H6，見表7。

表7 個性化對其他因素的研究假設

在此基礎上，還需要對UTAUT模型及技術接受模型中原有假設進行驗證。因此，做出以下假設，見表8。

綜上所述，本文提出個人云存儲用戶采納理論模型，如圖所示。

表8 社會影響、感知易用性、感知有用性、行為意向對其他因素的研究假設

個人云存儲用戶采納模型

三、研究方法設計與數(shù)據(jù)分析

（一）問卷設計與數(shù)據(jù)收集

本文采用問卷調(diào)查的方式獲取數(shù)據(jù)，進行實證研究，問卷主要參考前人已有成熟量表，結合云存儲自身特點對量表進行修改和刪減。同時根據(jù)模型中的十個因素，采用李克特量表法進行度量，設計了47個測量題項。被調(diào)查對象均為有使用云存儲經(jīng)歷的用戶，采用線上線下兩種形式進行調(diào)查。線下采用紙質問卷形式，共計發(fā)放問卷230份，回收219份，其中有效問卷為145份，有效問卷回收率為63%；線上利用問卷星制作調(diào)查問卷，通過微信、微博、論壇等各類社交軟件及平臺對社會各界人士進行調(diào)查，共計回收問卷587份，其中有效問卷為436份，有效問卷回收率為74.3%。因此，最終獲取有效問卷581份。

問卷在發(fā)放時沒有對不同消費類型用戶進行區(qū)分，回收并統(tǒng)計后，利用RFM方法將用戶消費類型劃分為經(jīng)濟追求型、習慣型、潛在二次消費型和高消費型。

統(tǒng)計結果如表9所示：經(jīng)濟追求型用戶數(shù)有151人，占比26%；高消費型用戶數(shù)有84人，占比14.5%；習慣型用戶數(shù)有245人，占比42.2%；潛在二次消費型用戶數(shù)有101人，占比17.3%。被調(diào)研人群中男性數(shù)量略多于女性，但基本持平，年齡大多分布在18～40歲之間，職業(yè)類型中64.7%為學生和教師，企事業(yè)單位和黨政機關占27.4%，教育程度大部分在本科及以上。在網(wǎng)盤的使用情況中，最受歡迎的依次為百度網(wǎng)盤、堅果云和騰訊微云，從調(diào)研訪談中得知大部分用戶選擇使用百度網(wǎng)盤的原因是受周圍朋友的影響以及資源共享的便捷性，而選擇堅果云的用戶則表示，云存儲的選擇應將安全放在第一位，而堅果云的安全指數(shù)高于國內(nèi)其他網(wǎng)盤。

（二）信度和效度檢驗

在進行模型驗證之前，本文采用驗證性因子分析進行信度和效度的檢驗，分析結果如表10～12所示。為方便敘述，下文用字母代表模型中的構念，分別是：感知有用性（PU）、感知易用性（PE）、社會影響（SI）、感知風險（PR）、個性化（IN）、遷移能力（TA）、個人創(chuàng)新能力（PI）、感知費用（PF）、行為意向（BI）、使用行為（UB）。

根據(jù)表10分析，除PU3的因子載荷0.689和SI2的因子載荷0.695略低于0.7外，模型中的其他觀測指標在對應變量上的因子載荷均大于0.7，有的甚至達到0.8以上，且均在0.001水平上顯著。根據(jù)表11所示，組合信度（CR）的最大值為0.863，最小值為0.785，遠大于0.7的標準，平均萃取方差（AVE）的最大值為0.679，最小值為0.551，均大于標準0.5。根據(jù)Fornell-Lacker準則，潛變量AVE的平方根高于其他所有潛變量的相關系數(shù)，本量表的判別效度如表12所示，對角線上最小值為0.742，大于非對角線上的最大數(shù)0.691。上述分析均證明本量表具有較好的信度和效度水平。

表9 樣本的人口統(tǒng)計特征

表10 觀測指標在對應變量上的因子載荷

（三）結構模型

將調(diào)研數(shù)據(jù)樣本按經(jīng)濟追求型（N=151）、高消費型（N=84）、習慣型（N=245）和潛在二次消費型（N=101）分為四類，結果如表13所示。對于經(jīng)濟追求型用戶而言，除感知風險和個人創(chuàng)新能力對行為意向，遷移能力對感知有用性的影響沒有通過檢驗，其余假設均獲得支持；對于高消費型用戶而言，除感知風險對行為意向的影響沒有通過檢驗外，其余假設均獲得支持；對于習慣型用戶而言，除遷移能力對感知有用性，感知風險對行為意向的影響沒有通過檢驗，其余假設均獲得支持；對于潛在二次消費型用戶而言，除感知風險對行為意向，遷移能力對感知有用性的影響沒有通過檢驗，其余假設均獲得支持。

表11 收斂效度

表12 判別效度

（四）結果討論

由表13得知，經(jīng)濟追求型、高消費型、習慣型和潛在二次消費型用戶在社會影響對感知有用性、感知易用性對感知有用性和行為意向、感知有用性對行為意向、行為意向對使用行為的影響均顯著。感知風險對這四類用戶行為意向的影響均顯著，說明盡管四類用戶認為使用個人云存儲存在一定風險，但仍然會使用。遷移能力對這四類用戶感知有用性的影響均不支持，說明盡管目前個人云存儲遷移能力有限，這四類用戶依然會選擇使用。通過對經(jīng)濟追求型、高消費型、習慣型和潛在二次消費型這四類用戶結構模型結果的進一步比較，發(fā)現(xiàn)存在以下幾個方面的差異。

1.感知風險的影響。四類用戶感知風險對感知有用性的影響均顯著，且為負向影響，其中對高消費型和習慣型用戶的影響高于經(jīng)濟追求型和潛在二次消費型用戶，路徑值分別為-0.327和-0.318高于-0.109和-0.025，在高消費型和習慣型用戶中風險對感知有用性的影響大于經(jīng)濟追求型和潛在二次消費型用戶，說明高消費型和習慣型用戶的風險意識較高。高消費型用戶可能是因為較高的經(jīng)濟收入導致其更加注重工作及個人隱私；習慣型用戶因長期穩(wěn)定地使用個人云存儲，對于個人云存儲具有較強依賴性，可能會將較多工作及私人信息存儲在云端，因此對于風險更加敏感。

表13 四類用戶的結構模型結果比較

雖然四類用戶感知風險對感知有用性的影響均為顯著，但是感知風險對行為意向的影響卻都是不顯著的，這說明，雖然這四類用戶均認為個人云存儲存在風險，且會因此降低個人云存儲的感知易用性，但仍然會選擇使用。

2.個性化的影響。個性化對四類用戶感知有用性的影響均顯著，但經(jīng)濟追求型用戶具有極高顯著性水平。這可能是因為經(jīng)濟追求型用戶大多為年輕用戶，因此對個性化要求更高，而高消費型和潛在二次型用戶大部分為中年用戶，對個性化要求不高，習慣型用戶可能只是將個人云存儲作為一種生活中必不可少的信息管理工具，因此對個性化的關注度也很低。

3.個人創(chuàng)新能力的影響。在個人創(chuàng)新能力對行為意向的影響中，除經(jīng)濟追求型用戶外其余三類用戶均顯著。說明經(jīng)濟追求型用戶中大部分可能并不具備明顯的個人創(chuàng)新能力，而潛在二次消費型用戶可能具備較高個人創(chuàng)新能力。這可能是因為經(jīng)濟追求型用戶大多為經(jīng)濟水平一般的用戶，工作性質大多可能為重復非創(chuàng)新類型，因此對于創(chuàng)新的意識并不高，而潛在二次消費型用戶為購買個人云存儲頻率不高但消費金額較高的用戶，說明此類用戶具有一定經(jīng)濟實力，更可能從事創(chuàng)新類型工作，因此對個人創(chuàng)新能力的要求較高。

4.感知費用的影響。在感知費用對行為意向的影響中，四類用戶均顯著。但經(jīng)濟追求型用戶具有極高的顯著性，其余三類用戶具有可以接受的顯著性水平，說明經(jīng)濟追求型用戶對于費用非常敏感。從高消費型和潛在二次消費型用戶個人云存儲的使用及消費情況來看，他們幾乎不會考慮價格因素，良好的使用體驗才是這類用戶真正關注的，因此感知費用對行為意向的影響不大。對習慣型用戶而言，個人云存儲是生活中必不可少的工具，已經(jīng)養(yǎng)成及其良好的用戶習慣，因此對于費用的承受能力可能較好，費用大小對其使用不會造成太大影響。

四、研究結論與建議

本文采用RFM模型對用戶消費類型進行聚類分析，將用戶分為經(jīng)濟追求型、習慣型、高消費型和潛在二次消費型，結合云存儲服務自身特點提出了個人云存儲采納模型，同時對四類用戶結構模型結果進行對比研究。研究結果表明：經(jīng)濟追求型、高消費型、習慣型和潛在二次消費型這四類用戶對于感知風險、個性化、個人創(chuàng)新能力和感知費用的影響方面存在差異。

根據(jù)研究結果，本文分別針對個人用戶、云存儲服務商及相關者和政府相關部門提供下述建議：

1.個人用戶。對于個人用戶而言，需要開闊眼界，打破傳統(tǒng)觀念和思維，努力培養(yǎng)個人創(chuàng)新能力，保持對新技術的熱愛，強化對新技術的使用。

2.云存儲服務商及相關者。對于云存儲服務商及相關者而言，需要針對不同消費類型用戶采取不同的策略。在產(chǎn)品設計方面，經(jīng)濟追求型用戶對于個性化要求較高，而通過調(diào)研得知此類用戶人數(shù)最多，因此若想提高個人云存儲的用戶活躍度及傳播性，則應高度重視產(chǎn)品的個性化設計；潛在二次消費型用戶在四類用戶中具備較高的個人創(chuàng)新能力，這類用戶在個人云存儲中進行過大金額消費，但是對于個人云存儲的使用頻率卻并不高，為最具發(fā)展?jié)摿Φ囊活愑脩?，因此可通過創(chuàng)新產(chǎn)品功能設計來挽留此類用戶。在營銷方案的制定方面，經(jīng)濟追求型用戶對于價格的敏感度最高，因此可以針對此類用戶制定個性化消費套餐，用優(yōu)惠的方式刺激此類用戶消費；潛在二次消費型用戶具有較高的個人創(chuàng)新能力，此類用戶是對新技術接納程度最高的用戶，可以向他們進行大力宣傳和特別營銷，利用他們的帶頭作用促進更多的人采納個人云存儲。在安全技術方面，良好的安全技術才能營造安全的云存儲空間，高消費型用戶和習慣型用戶對于風險都非常的敏感，加強安全技術人才的培養(yǎng)，提高個人云存儲安全保障，是維持此類用戶的最佳方法。

3.政府。政府應加強個人云存儲宣傳力度，增加用戶認知度、激發(fā)用戶個人信息管理需求和提高全民信息素質。同時，可以加強對于網(wǎng)絡安全犯罪的打擊力度，提高網(wǎng)絡安全性，為個人云存儲的推廣提供良好的外部環(huán)境。

本文的研究也存在一些局限性。受樣本數(shù)量的限制，不同消費類型用戶的差異性不能很好地體現(xiàn)出來，后續(xù)研究將進一步擴大樣本容量，對不同消費類型用戶進行更細化的分類。

Low C.，Chen Y.，Wu M..Understanding the determinants of cloud computing adoption［J］.Industrial Management&Data Systems，2011（7）.

Wu W.，Lan L.W.，Lee Y..Factors hindering acceptance of using cloud services in university：A case study［J］.Electronic Library，2013（1）.

Shin D..User-centric cloud service model in public sectors：Policy implications of cloud services［J］.Government Information Quarterly，2013（2）.

曹越，畢新華.云存儲服務用戶采納影響因素實證研究［J］.情報科學，2014（9）.

王建亞，羅晨陽.個人云存儲用戶采納模型及實證研究［J］.情報資料工作，2016（1）.

梁靜.網(wǎng)絡消費類型及其特征分析［J］.經(jīng)濟論壇，2013（5）.