大学生网络消费行为细分_基于网络消费目的的实证研究

《大学生网络消费行为细分_基于网络消费目的的实证研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、大学生网络消费行为细分_基于网络消费目的的实证研究商业研究大学生网络消费行为细分——基于网络消费目的的实证研究张红明李庆梅广东外语外贸大学国际工商管理学院广东外语外贸大学科研创新团队GW2006-TB-001[摘要]互联网的日渐普及和网络经济的迅猛发展，使得对网络消费主体的心理和行为研究成为营销领域内的新话题。本研究从“心理、个性影响行为”这一模式对大学生网络消费行为进行实证研究。细分出大学生网络消费的五种行为，分别是：学习提升型、自我表达型、娱乐休闲型、交易创业型、沟通交流型。[关键词]互联网网络消费行

2、为市场细分一、问题提出和相关研究对象的界定伴随着网络成长的当代大学生的心理和生活方式比任何一代人都更深刻地烙上了互联网的印记，大学生作为网络营销品牌最具可塑性的培养对象，他们网络消费习惯和态度对于整个社会，对于网络营销甚至网络产业的发展方向有重要的作用。因此，大学生的网络消费行为特别是消费类别研究具有较强的时代意义。2003年1月，A.C.尼尔森公布其对中国网民群体特征的研究报告，首次明确把中国网民分为五类：少年探奇族、积极才俊族、应用实力族、酷玩青年族、安逸观光族。卢泰宏(2004)，在《中国消费者行为

3、报告》对大学生网络消费进行了研究，将1978年～1988年间出生伴随互联网发展而成长，在成长过程中深受电脑及互联网因素影响的E世代分类为孤寂努力型、开心刺激型、得过且过型、传统菜鸟型、网络生存型。由此可见，目前关于大学生消费的各种研究中多是从宏观介绍大学生总体消费特征，对网络消费行为只有零星提及；或对网络消费群体研究中的大学生群体以新生代或e时代一言以蔽之，或者研究囿于本领域范围而不具有代表性和广泛的商业应用性。因此，本研究拟通过经验法、观察法和问卷调查方法的结合，尝试研究大学生在具体的网络消费中的行为选

4、择类别。二、大学生网络消费研究设计1.定性调研和假设本研究首先通过长期的生活观察，得出简单的2006年大学生们的网络接触习惯。之后与13个经过挑选的被访者通过网络或面对面的交流，补充了解大学生网络消费的主要行为表现，列出二十个大学生主要网络消费选择。本研究根据网络产品各自的产品特性以及大学生使用它们的目的做出如下假设：（1）大学生群体大致存在不同种类的网络消费心理，它们分别是沟通交流、休闲娱乐、个性表达、学习提升、网上交易。（2）每一种网络消费心理都对应不同的网络消费行为。2.量表设计本研究参考主要参考卢

5、泰宏教授在《中国消费者行为报告》中大学生消费类型的形式，自行设计了如下量表（表1）：本量表希望测试大学生网络消费的基本构成，考察其使用网络的心理动机（包括交流、娱乐、自我表达、学习、交易）。3.问卷设计在定性研究的基础上，针对本研究自身的特点对量表的测项进行优化，最后根据量表形成大学生网络消费行为问卷。表1大学生网络消费心理量表粗表三、数据处理与分析1.样本特征问卷以北京、大连、上海、广州、四川为主要区域在全国进行随机抽样。其中发放纸质问卷150份回收130份，网络问卷350份回收320份，总有效问卷43

6、3份，回收有效率86.6％。样本抽取男女比例与大学校园中男女比例相仿，涉及一至四年级的文、理、工、法、医、艺六大学科门类，以电脑拥有量最多的大三大四文、理、工科学生为主，地区以北京、上海、广州为主，同时为了消除地区差异，在其他十五个高校集中的省市也发放了问卷。2.因子分析（1）信度分析。美国统计学家小黑尔（JosephF,HairJr）、安德森（RolphE,Anderson）、泰萨穆（RonaldL,Tatham）和布莱克（WilliamC,Black）等认为：a值大于0,7，表明数据可靠性比较高；探索

7、性研究中，a值可以小于0,7，但应大于0,5。本研究中，a值最小为0,612，最大为0,741，表明此次研究的数据比较可靠。（2）KMO检验。..KMO（Kaiser-Meyer-OlkinMeasureofSamplingAdequacy）是用来测量样本量的充足度，看是否适合做因子分析，通常按统计学家Kaiser给出的标准解释该指标的大小：0.9以上，非常好；0.8以上，好；0.7以上，一般；0.6差；0.5很差；0.5以下不能接受。通过五个因子的因子分析，KMO值为：0.795（表2），比较好，适合做

8、因子分析。（3）提取因子。这里首先进行探索性分析，根据原有变量的相关系数矩阵，采用主成分分析方法提取因子并选取特征根值大于1的特征根。66《商场现代化》..2007年..7月（上旬刊）总第..508期商业研究..表2因子解释原有变量总方差的情况ExtractionMethod:PrincipalComponentAnalysis.从数据中可以看出，第一个因子的特征根值很高，对解释原有变量的贡献最大，第六个以后的因子对解释原有变