| 大学生网络购物行为与其人文特征关联性研究 |
| 副标题： |
| 作者：金敏 来源：《商业时代》2012年第7期 人气： 时间：2012-3-13 14:47:16 进入论坛 |
|
|
抽样调查及结果
在进行市场调查的数据分析时，对于调查对象的购买行为与其人文特征之间的关系进行分析是比较重要的，这种分析能为企业确定目标市场策略、产品开发策略、促销策略等提供参考依据。而大学生作为新生代的消费者，具有较大的潜在消费空间。因此，笔者在2011年3-4月份对桂林3所高校（广西师范大学、桂林电子科技大学、桂林航天工业高等专科学校）在校大学生进行了网络购物行为的抽样问卷调查，表1是所调查对象购买行为的频数统计资料。限于篇幅，本文只分析购买行为所调查对象是否网购及网购金额问题，其它如购买品种、支付方式等分析略去。
表2是被调查大学生的人文特征的频数统计。此次调查按分层整群抽样进行，即：本科、专科每个年级的理工类、经管类专业各随机选出一个班，每班发放45份左右问卷，请全班学生填写。因为专科3年级和本科4年级的大学生已在校外进行毕业实习，故未取得相应样本。表2中所录是剔除无效问卷后的有效样本数。
本文就此次调查结果，对大学生是否网购和网购金额的高低与其人文特征的1个或多个维度是否相关，以及相关关系如何进行分析。
图形化分析
如果希望对大学生是否网购及网购金额与其人文特征的关联性有一个概括性的了解，最优尺度分析（Optimal Scaling）是一种较好的方法。最优尺度分析是一种降维分析技术，力图在低维空间展示多个变量之间的关系，尤其适合分类变量较多的情况。虽然变量从多维转换为低维会损失一些信息（程中兴，2011），但结果比较直观。
图1是用最优尺度分析得到的是否网购、网购全额与人文特征关系图。位于左上象限的网购金额“0元”（重叠于“没有”之下），可能与“没有（电脑）/专科/大一/（月生活费）500元以下/农村”等因素有关。左下象限的网购金额“100元以下”可能与“经管类/女生”有关；右上象限的网购金额“501-1000元”可能与“乡镇/男生/理工类”有关；右下象限的网购金额“1000元以上”可能与“大三（年级）/城市/（月生活费）1200元以上”等有关系；另外，图形中还显示经管类女生较多，理工类男生较多。
大学生是否网购与其人文特征关联性分析
（一）大学生是否网购与人文特征的列联表分析
表3是大学生是否网购与其人文特征各个变量的列联表分析结果。从分析结果可以看出，是否网购与7个人文因素的关系都是显著的。由于表3是运用2维列联表分析的结果，不能显示一些隐含的混杂因素的影响，所以有必要进行进一步分析。使用3维列联表分析即嵌套的卡方检验，对有可能产生的混杂因素进行分析，最终结果是“院校类别*年级”、 “院校类别*生源”的混杂作用显著，检验结果如表4所示。即当考虑年级、生源因素时，大学生是否进行网购与院校类别无关，而与年级、生源因素相关。
（二）大学生是否网购与人文特征的logistic回归分析
采用logistic回归分析的好处是可以同时考察因变量与多个自变量之间的关系，可采用逐步进入或退出法考察不同自变量对模型的影响，还可以考察混杂因素的影响。
表5是将“是否网购”作为因变量，将各个人文特征变量作为自变量，输入logistic回归模型进行分析处理的结果。从分析结果可以看出，是否网购与性别、年级、是否有电脑、生源*院校类别四个变量或协变量相关。
表5的结果显示男生比女生更可能网购，概率高2.763倍。三年级比一年级网购的概率高1/0.184=5.446倍，三年级与二年级相比不显著。有电脑者比无电脑者网购概率高2.322倍。生源来自城市且是本科者比来自农村且是专科者网购概率高1/0.366=2.733倍，但生源来自乡镇者与来自城市者比则差异不显著。
比较前两部分的分析结论，二者部分相同，部分有差异。笔者认为应用分析结论时应先考虑logistic回归分析的分析结果。有些变量在列联表分析中表现为显著而在logistic回归分析中不显著，是因为在逻辑变换之后，这些变量的逻辑变换值与其它变量的逻辑变换值之间存在共线性。
大学生网购金额与其人文特征关联性分析
（一）网购金额与大学生人文特征的列联表分析
表6显示的是网购金额与大学生人文特征各变量的列联表分析结果。其分析对象是有过网购经历的219个样本，即分析网购金额多少时只分析有过网购经历的219个样本的网购金额多少与其人文特征变量的关系（下文的最优尺度回归分析也如此）。表6显示，网购金额的多少与年级、每月生活费、生源三个变量的关系是显著的，与其它因素的关系不显著。此处由于网购金额已经是多分类变量，当要进一步进行混杂因素分析时，如果另外两个变量中有一个也是多分类变量，使用嵌套的卡方检验不方便，此时考虑使用最优尺度回归分析方法。
（二）网购金额与大学生人文特征的最优尺度回归分析
最优尺度回归（Optimal Scaling regression）采用非线性变换的方法对原始变量进行转换，然后反复迭代以找到一个最佳方程式。最优尺度回归的方便之处是可以处理各种类型的分类变量，包括有序分类数据。
表7是将“网购金额”作为因变量，将各个人文特征变量作为自变量，输入最优尺度回归模型进行分析处理的结果。表7显示，“网购金额”的多少与“年级”、“每月生活费”、“是否有电脑”、“院校类别”四个变量的关系显著。
观察表7中相应Beta系数的正负，可以判断“年级”、“每月生活费”越高“网购金额”也越高；有电脑者网购金额比无电脑者高（问卷中“有电脑”的答案编码为1，“无电脑”的答案编码为2）；但“院校类别”变量的Beta系数为负，即本科反而不如专科网购金额高，这一点可能需要进一步分析，或更多样本数据的支持。
比较上述两部分分析结论，二者部分相同，部分有差异。笔者认为应用分析结论时应先考虑最优尺度回归分析的分析结果，即大学生网购金额的多少与“年级”、“每月生活费”、“是否有电脑”三个变量相关，年级越高、月生活费越高、有电脑者网购金额则越高。
结论
综上所述，可知：男生/高年级/有电脑者/城市或乡镇大学生更有可能网购；高年级/生活费高者/有电脑者网购金额更高。
根据本文研究结果，可有如下营销应用启示：对于相应网络营销企业来说，在不改变现有顾客特征的情况下，针对更有可能网购、网购金额更高的群体开展网络营销，其效率可能更高；如果企业有计划有能力培育市场，则可以考虑如何进一步提高低年级、无电脑者、来自农村者等类顾客的网购意愿和金额。
|
| 击更多【金敏】的文章 |
文章录入：李雪英 责任编辑：wxj |
上一篇文章： 探索电子商务和连锁经济 老字号再火起来
下一篇文章： 企业生命周期理论视角下网商演化发展的聚类研究 |
| 【字体：小 大】【发表评论】【加入收藏】【告诉好友】【打印此文】【关闭窗口】 |
| >>最新文章 |
>>热门标签 |
|
|
|
| >>相关文章 |
>>查看更多 |
|
O2O模式三大猜想
十年淘宝 十年中国人的网购梦
利好政策将出 京东紧急加码跨境电商
2013十大电商奇葩案例
家居电商“天猫模式”遭炮轰
义乌小商品市场电子商务发展现状及策略分析
揭秘亚马逊仓储之道 混乱库存才是王道？
平台模式不是解决电商困境的万能药
线上线下联动：O2O需要迈过的3道坎
批发市场触网防守大于进攻
农产品电商之路不平坦
谁动了传统电子商城的奶酪？ |
|
|
|
用户登录 
新用户注册 
（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
