科技的ELSI研究
中國公眾隱私關注及影響因素研究
齊昆鵬1,2, 李真真1,2
（1. 中國科學院科技戰略諮詢研究院;
2. 中國科學院大學）
摘要:大數據語境下的隱私問題業已成為政界、學界、媒體和公眾共同關注的話題。本文圍繞中國公眾的隱私關注及影響因素，在計划行為理論、隱私計算理論等相關理論的基礎上，借鑒APCO模型和IUIPC量表等已有研究成果，構建研究假設和研究模型，並以問卷調研的方式收集實證數據，採用因子分析和結構方程模型解釋隱私關注的影響因素和作用機制，呈現在當前大數據語境下中國公眾的隱私關注及其影響因素、行為意願及其影響因素。研究結果揭示了「隱私悖論」的存在，顯示了公眾隱私關注影響因素的複雜性，以及公眾的披露行為意願受到多重因素的影響。
關鍵詞:大數據隱私關注結構方程模型隱私計算理論隱私悖論
中圖分類號:B82
文獻標識碼:A
DOI:10.19524/j.cnki.10-1009/g3.2018.02.036
一、引 言
大數據作為當前最熱門的研究和應用領域，其快速發展已經引起學術界、產業界、政府部門、媒體界和公眾的廣泛關注。大數據的廣泛應用在產生巨大經濟社會價值的同時，也帶來了諸多現實挑戰，如數據的二次利用對隱私造成的可能威脅，數據預測可能導致的隱私歧視以及全面監控導致的隱私無處可藏，等等。
由於隱私本身難以被測量，因此西方管理學領域的學者引入了隱私關注（Privacy Concerns）的概念來考察公眾的隱私態度，通過隱私相關變數來測量隱私[1]。隨著用戶隱私意識的不斷增強，隱私關注已經成為了學者研究的熱點。關於隱私關注的研究主要集中在以下幾方面：其一為隱私關注測量量表的開發，西方學者一直致力對隱私關注進行測量，已經開發了GIPC、GCIP、CFIP和IUIPC量表等[2] [3] [4] [5]。楊姝等[6]考察了互聯網環境下CFIP和IUIPC量表在中國的適應性，認為IUIPC量表具有更高的穩定性和收斂速度，更適用於中國國情；其二為隱私關注的影響因素，例如APCO模型[7]，涉及人口統計學特徵、信息類型、隱私經歷差異、隱私意識差異、個體特徵差異、文化/氣候差異、政策差異等因素；其三為隱私關注的行為結果，比如提供真實信息、提供虛假信息、拒絕提供信息以及向相關組織投訴等。
截止目前，關於隱私關注的絕大多數實證研究是在美國進行[5]，此外，歐盟2015年對其28個成員國開展過面向公眾的數據保護調查。2014—2015年美國皮尤研究中心進行了連續4次隱私調查，其中2014年的調查表明[8]，93%的成年人表示，控制誰能獲取他們的信息是重要的，80%的用戶擔心類似廣告商或企業的第三方會訪問他們分享在社交網路的數據。歐盟2015年6月發布的《歐盟晴雨表：數據保護》[9]顯示，有超過80%的被調查者擔心不能完全控制個人數據，但71%的被調查者認為，「提供個人信息在現代生活中越發頻繁，並且如果要獲得服務的產品，除了提供個人數據，沒有別的選擇」。
在中國，2017年6月菜鳥網路和順豐速運的公眾快遞信息之爭、2017年8月騰訊華為的公眾聊天信息之爭、2018年1月支付寶的用戶年度賬單引發的默認勾選風波，均顯示公眾隱私數據之爭愈演愈烈，在喚醒公眾數據隱私意識的同時，也引發了公眾對數據泄露的擔憂，促使學術界對此展開激烈的討論。
大數據語境下，隱私問題日益受到關注。有鑒於此，本研究基於對中國公眾隱私關注情況的問卷調研及數據分析，著重探究中國公眾的隱私關注及其影響因素，以期為我國有關隱私的政策和法律制度提供研究支撐及啟示。
二、研究變數、研究假設與研究模型
本研究從計划行為理論、隱私計算理論視角，借鑒APCO模型、IUIPC量表及相關研究提出的影響隱私關注、行為意願及行為策略的基礎因素，確定模型所需要的指標變數，包括隱私關注、行為意願、行為策略、感知風險、感知收益、信任、隱私政策、隱私泄露經歷、數據素養、社群影響、隱私傾向等，在理論研究基礎上提出研究假設，進而構建隱私關注影響因素研究模型。
1. 變數釋義與研究假設
（1）隱私關注。隱私關注最早的定義是指個人將其數據提供給某個組織後，對組織如何使用及保護個人信息的一般擔憂[3]。現在經常出現在西方管理學與信息系統研究方面文獻中的「隱私關注」是指「互聯網使用者對控制、收集和使用其個人信息或者其在互聯網上獲得信息的關注」，並通常使用「信息隱私關注」的概念來表示人們對可能失去控制自己信息隱私的擔憂[10]。本研究認為，隱私關注是公眾對具體隱私情景的主觀感受，用於測量公眾對其隱私信息的被收集、被控制、被存儲、被傳輸以及被監測等的認知與關注。
為了彌補傳統環境中CFIP量表的不足，Malhotra、Kim和Agarwal[5]基於社會契約理論（Social Contract Theory）開發了互聯網情境下的IUIPC量表，包括控制、收集和意識三個維度。其中，收集維度是指測量某人對其個人信息被他人以獲利為目的獲取時所表現出的擔憂程度。控制維度測量用戶能按自己意願對自己的個人信息的控制程度，包括控制個人信息的被使用範圍、被泄露的後果等。意識維度測量組織隱私政策的自我感知程度。Schwartz和Solve[11]認為，在線消費者的信息被不恰當收集、存儲和傳播的風險主要體現在以下四個方面：無法控制收集個人信息的行為、無法控制被收集的個人信息類型、無法控制個人信息的使用範圍、無法控制個人信息泄露的後果。因此，當對個人信息的控制能力減弱，將提高其隱私關注程度。
大數據語境下的個人隱私關注同時覆蓋了線上和線下領域，而且引發了新的挑戰，比如隨著計算機處理技術、移動互聯網、物聯網等信息技術無所不在的數據收集，數據二次挖掘對隱私的可能威脅，數據預測可能導致的隱私歧視，全面監控導致的隱私無處可藏等問題，改變了傳統隱私關注的一些測量內容。本研究主要借鑒IUIPC量表，結合當前語境和國外調查內容，使用收集、控制、意識這三個維度，對公眾的隱私關注程度進行測量。
（2）行為意願。在計划行為理論中，Ajzen[12]認為行為意願是反映了人們想做某事的強烈程度，即人們對採取某種行為對所需要佔用的資源、付出的努力及花費的時間等因素進行綜合評估後，有多大意願讓該行為得以實施。Dienlin和Trepte[13]和朱侯等[14]的研究表明，引入行為意願可以有效解釋隱私悖論現象。一般情況下，當用戶的隱私關注程度越高，越不會產生披露隱私的意向，越可能產生保護隱私的意向。本文據此提出以下假設：
H1：行為態度與披露行為意願顯著負相關。
Dinev和Hart[15]的研究表明，隱私關注與其提供私人信息的意願負相關。Dienlin和Trepte[13]認為，行為態度可以是消極的也可以是積極的，而隱私關注主要指的是消極的態度。一般情況下，當用戶的隱私關注程度越高，越不會產生披露隱私的意向。行為意願主要是指對於做某種事情的態度和意願，本研究特指披露行為意願，並使用隱私關注來代替行為態度，將假設H1修改為：
H1：隱私關注會顯著負向影響披露行為意願。
（3）行為策略。行為策略（Behavior Strategy）一般是指已經採取了哪些行為，包括披露行為和保護行為。Ajzen[12]認為，人們採用的行為直接受到行為意願的影響，而其他影響行為的因素都是通過影響行為意願來影響具體的行為。高錫榮等[16]從消費者網路隱私保護行為的角度入手，得出消費者的隱私關注程度將會對其拒絕提供個人信息、偽造個人信息、刪除個人信息、投訴等行為產生顯著的正向影響。基於此，本研究中的行為策略是指披露行為，即當前情況下公眾已經提供了個人信息的情況。本文據此提出以下假設：
H2：披露行為意願會顯著正向影響披露行為。
（4）感知風險與感知收益。依據Culan和Armstrong[17]的隱私計算理論，用戶在披露個人信息以換取一些經濟或社會利益時會進行評估，以保證他們的隱私信息不被非法使用且個人不會受到負面影響。其主要觀點遵循以下公式：U（X）=Benefit-Cost，說明消費者不進行精確的效益分析，並對成本與收益進行權衡（trade-off）。
其中，感知風險是指公眾在採取某種行為時所考慮的風險感知，比如信息泄露、未經授權的訪問、被出售或共享給第三方（金融機構和政府）。Chen[18]對此進行了實證研究，認為用戶感知風險越大，其個人信息關注程度越高；Norberg等[19]的研究表明，用戶的感知風險與其披露隱私意願呈現顯著負相關。
感知收益是指公眾在採取某種行為時前考慮到感知到的收益，比如財務獎勵、個性化服務、社會福利和國家安全。一些實證研究表明，通過對消費者進行經濟上的補償可以促進他們的信息披露[20] [21] [22]。White[23]的研究同樣驗證了當用戶得到個性化利益時，更願意提供個人信息。Lu等[24]的研究表明，社會調節福利指的是通過整合到想要的社會群體中而建立的社會認同，也會對信息披露行為意願產生影響。Wang[25]通過大量的模擬實驗，通過點擊-補償的模式使得消費者願意提供其隱私信息，以便於企業進行個性化廣告的定製。本文據此提出以下假設：
H3：感知風險會顯著正向影響隱私關注；
H4：感知風險會顯著負向影響隱私披露意願；
H5：感知收益會顯著負向影響隱私關注；
H6：感知收益會顯著正向影響隱私披露意願。
（5）信任。信任是指公眾對收集和處理個人信息的企業或機構的感知態度。一些研究者將信任作為隱私關注和披露行為意願的中介變數[26][27]但大多數的研究者將信任視為隱私的前因變數[28]，或者視為隱私的後果變數[5] [18] [29]，或者看成是隱私關注對行為策略產生影響的調節變數[30]。Smith等[7]研究表明，企業或機構與消費者建立信任關係，是解決隱私關注的最好途徑。Liu等[31]通過對電子商務業務的實驗研究，認為是否披露個人信息對一個人是否信任電子商務業務有很強的影響。本文據此提出以下假設：
H7：信任會顯著負向影響隱私關注；
H8：信任會顯著正向影響披露行為意願。
（6）隱私政策。隱私政策包括機構隱私政策、國家隱私政策兩個層面。機構層面包括互聯網行業自律、企業隱私保護政策等；國家層面包括隱私保護法律法規、互聯網安全管理規章等。Rifon等[32]發現隱私聲明可以讓用戶對網站產生信任感。還有一些研究表明企業可以通過建立隱私聲明或隱私圖章來構建信任，進而降低隱私擔憂[33] [34]。本文據此提出以下假設：
H9：隱私政策會顯著正向影響信任。
（7）隱私泄露經歷。本研究中的隱私泄露經歷，個體經歷過或聽到過某些具有傷害性的事件，比如詐騙簡訊、垃圾郵件、身份歧視等導致個人正常生活被打擾的經歷，或者聽說過新聞媒體報道的一些隱私泄露事件，比如斯諾登事件等。Smith、Dinev、Xu等[7]將隱私泄露經歷看做是隱私關注的前因變數，認為受過傷害的人更關注隱私。本文據此提出以下假設：
H10：隱私泄露經歷會顯著正向影響隱私關注。
（8）數據素養。數據素養是指對數據的敏感性、數據的收集能力、數據的分析處理能力、利用數據進行決策的能力以及對數據的批判性思維①，又稱網路素養。本研究將數據素養定義為上網技能以及使用的熟練程度，包括使用互聯網的多樣性和頻率以及是否有能力去做一些隱私保護的設置等。人們從事線上的活動越多，類型越複雜，對於互聯網的風險和優勢越了解，越有可能會減少人們對於隱私的關注和憂慮。有研究認為互聯網使用頻率和熟悉程度對於公眾的隱私關注有反向直接的影響[35]。本文據此提出以下假設：
H11：數據素養會顯著負向影響隱私關注。
（9）社群影響。隱私關注不僅受到個人特徵的影響，還會受到周圍人群的影響，這種影響在當前萬事萬物互聯互通的大數據時代尤其明顯。Venkatesh等[36]在歷年技術接受模型（TAM）相關研究的基礎上，提出經典的整合型科技接收模型（Unified Theory of Acceptance and Use of Technology，簡稱UTAUT），該模型有4個核心的影響因素，社群影響即是其中之一。Li和Chen[37]通過調查在線社交網路用戶的位置隱私，發現好友之間的隱私關注比較相似。這意味著公眾的隱私關注以及打算接受新的技術、服務和產品等有可能受到其周邊人的影響。本文據此提出以下假設：
H12：社群影響會顯著正向相關隱私關注。
（10）隱私傾向。隱私傾向是性格特徵的一種，它描述了一個人對隱私是開放的態度還是保守的態度，同時強調了隱私關注的個體差異。有研究表明，不同性格特徵的公眾有不同的隱私關注傾向[38]；個性差異[26]、五大人格特徵[18]都會對個人隱私問題產生影響。本文據此提出以下假設：
H13：隱私傾向會顯著正向影響公眾隱私關注。
2. 研究模型
除了上述11個變數，由於人口統計變數對隱私關注的影響方面也有差異[7]，本研究選取性別、年齡、學歷、職業等作為控制變數來研究其對隱私關注及披露行為意願的影響，提出本研究的研究模型，如圖1所示：
三、問卷設計與數據收集1. 問卷設計
本研究在前人研究的成熟量表以及國外調查研究內容的基礎上，結合當前大數據語境下公眾隱私關注的情況進行相應修改，形成調查問卷。量表內容見表1：
2. 數據收集
本研究採取紙質問卷調查和網路問卷調查相結合的方法，收集公眾對隱私的認知、態度、行為意願和所採用的策略及其影響因素的數據，以期獲得公眾真實有效的觀點。
紙質問卷用於預調查和半結構化訪談。正式調查前，首先從身邊的親朋好友中隨機抽取67名公眾，進行問卷預調查（Pilot Study）。之後進行回訪，詢問填寫問卷的困難程度、花費時間，以及對問卷設計的建議；使用SPSS軟體做了信度和效度分析，刪除少量影響變數信度和效度的題項，形成正式調查問卷。
正式問卷調查為網路問卷。大數據、移動互聯網和物聯網的發展和應用主要建立在互聯網路和社交網路等技術的基礎上。根據「六度分隔理論」，每個人與其他人之間的關係距離平均不會超過6「人」。有研究表明，隨著社交網路和共享網站的出現，用戶之間的平均距離縮短到4.74「人」。如果需要聯繫的人處於同一個國家，那麼傳遞人數會降低，平均距離為4「人」②。本調查的已知鏈接至少已經達到3人。可以說，通過朋友這種關係之間的連續推送，使樣本具有一定的代表性。因此，本研究採用問卷星網路調查平台，通過微信、QQ等形式進行發放和回收。
四、數據分析與假設檢驗1. 描述性統計
本調查的人口統計信息包括性別、年齡、受教育程度、職業、上網年限、上網頻率和常用上網工具7個方面。
人口統計信息顯示：①女性（55.8%）略微多於男性（44.2%），但差距不大，分布較為均勻；②被年齡以18—29歲（51.6%）和30—39歲（35.0%）為主，佔86.06%，整體比較年輕；③高中及以下不到樣本的10%，碩士佔比例最高（43.9%），教育程度較高；④農村/農林人員（1.2%）、退休和不在職（無業/下崗/失業）（3.4%）人數比例較少，學生（20.8%）、大學或科研院所從業人員（14.9%）、黨政機關從業人員（17.3%）比例較高，職業分布廣泛；⑤被調查者的上網年限以3年以上（97.9%）為主，上網頻率以每周至少2、3天以上（99.2%）為主，上網工具以智能手機（97.11%）和筆記本（61.94%）為主。
總體講，在人口統計變數的各個區間內分布較為均勻，與CNNIC第41次《中國互聯網路發展狀況統計報告》的統計結果比較接近。同時樣本人群以有多年網齡，經常使用智能手機和筆記本上網的高學歷年輕人為主體，這是本研究樣本人群的特點之一。
通過對隱私關注的三個維度進行描述性統計分析發現：收集方面，86%以上的中國公眾擔心個人信息被收集，被收集的個人信息越來越多，未經授權個人信息就被他人獲取，因而慎重考慮組織索取其個人信息的要求；控制方面，不到20%的公眾明確表示能控制個人信息不被監視、監聽和收集，能控制個人信息如何被使用，能控制個人信息不被泄露，能控制個人信息被泄露的後果；意識方面，77%以上的公眾明確表示不清楚企業將如何使用其個人信息，在使用某些服務或產品時不得不提供個人信息，企業的隱私政策應該表述的明確易懂。以上數據結果表明中國公眾的隱私關注程度較高。
經過交叉分析發現，83.6%的被調查者認為隱私是一種未經允許不被打擾的權利，其中有74.02%的被調查者比較同意或完全同意，為了獲取想要的服務或產品，其已經提供了很多個人信息。由此可見，公眾對於隱私的認知與其實際的行為策略之間可能不匹配。
2. 信度與效度檢驗
本研究採取內部一致性信度，採用Cronbach』s Alpha（α係數）測量，以0.6為臨界值，大於0.6時量表的信度較高。根據「校正的項總計相關性」（CITC）和「項已刪除的α係數」對量表進行修訂，如果校正的項總計相關性（CITC）值低於0.4，或「項已刪除的α係數」低於整體α係數，則考慮修正或刪除該測量項。
根據檢驗結果，收集、控制、意識、感知風險、感知收益、信任、隱私政策、隱私泄露經歷、數據素養、社群影響、隱私傾向的變數整體Cronbach』s Alpha值在0.615到0.928之間，均大於0.6，問卷的整體信度較好。
結構效度指測量測量項與變數之間的對應關係，是研究中經常採用的方法。結構效度有兩種測量方法，一種是探索性因子分析，另一種是驗證性因子分析。首先通過求取KMO（Kaiser-Meyer-Olkin）統計量，並且進行Barrlett球形度檢驗以判斷本問卷的數據是否適合進行探索性因子分析。當KMO值大於0.5且Barlette球形檢驗的顯著性小於0.01時，則表示測量項之間顯著相關，適合進行因子分析。如表2所示。
由於變數感知收益（PB）和信任（T）只有兩個測量項來測量，所以KMO值較小，但是也不小於0.50，Bartlett球形檢驗結果全部顯著（p
根據SPSS的探索性因子分析結果顯示，因子載荷位於0.715—0.947之間，均大於0.6，表明量表的相關變數具有較高的聚合效度。
本研究中驗證性因子分析擬合指數為：X2=2449.514，df=623，卡方/自由度=3.932，GFI=0.919，AGFI=0.904，PGFI=0.773，NFI=0.928，RFI=0.919，IFI=0.946，TLI=0.939，CFI=0.947，RMSEA＝0.044。一般認為，GFI、AGFI、NFI、IFI和CFI等擬合指數的值大於0.9時，才表示模型擬合良好，但實際研究中往往會由於擬合的變數較多、擬合的模型較複雜等原因，導致某些擬合指數難以達到0.9的取值標準。因此，可以視具體情況，適當放寬某些指數的取值最低標準[40]。據此本模型的擬合指數符合常用標準，模型擬合良好。
組合信度和平均方差抽取（AVE）也是評價變數聚合效度的重要指標。由表3可以看出，變數隱私關注是二階因子，在一階因子收集、控制上載荷偏低，意識的因子載荷較高，達到0.872，但從模型整體擬合指數和載荷的顯著性角度來看，二階模型尚可接受。按照因子載荷標準，在0.574到0.935之間，有幾個低於0.6的測量項屬於尚可接受；按照組合信度標準，除感知收益（PB）之外，其餘變數都超過0.7，考慮到感知收益（PB）只有兩個測量項，接近0.7的組合信度也可以接受；按照平均方差抽取（AVE）標準，除變數意識（PCY）、感知收益（PB）之外，其餘變數都超過0.5。綜上，研究變數都有較高聚合效度，三個變數聚合效度相對較低，但尚可接受。綜合上述分析，本研究量表有較高的信、效度，量表質量比較好。
3. 相關性分析
相關性分析是研究變數之間相互關係的統計方法，其衡量標準是相關係數。相關係數主要分為兩種：Pearson相關係數和Spearman 相關係數，在問卷研究中通常使用Pearson相關係數。本研究使用SPSS20.0統計工具，採用Pearson相關分析法，分別研究模型假設中各個影響因素與隱私關注、行為意願、行為策略以及信任之間是否存在顯著相關關係，從而對相關假設是否成立進行初步驗證。
（1）隱私關注與假設影響因素的相關性分析
由表4可以看出，除感知收益外，隱私泄露經歷、社群影響、隱私傾向、感知風險與隱私關注之間存在顯著相關，其中隱私泄露經歷、數據素養、隱私傾向、信任與隱私關注相關程度較弱，感知風險與隱私關注之間中等程度相關。這個結果初步支持了H3、H7、H10、H11、H12、H13。
（2）行為意願與假設影響因素的相關性分析
由表5可以看出，隱私關注、感知風險分別與行為意願顯著負相關，H1和H4得到初步驗證；感知收益、信任分別與行為意願顯著正相關，H6、H8得出初步驗證。
（3）行為策略與假設影響因素的相關性分析
由表6可以看出，由於樣本量較大，雖然相關係數顯著，但是數值不大，因此H2有待進一步驗證。
（4）信任與假設影響因素的相關性分析
由表7可以看出，隱私政策與信任顯著強相關，假設H9得到了初步驗證。
4. 路徑分析與假設檢驗
相關分析指出部分變數間存在顯著性關聯，但是並未闡述變數之間的系統聯繫。本研究進一步採用結構方程模型方法，使用AMOS20.0統計軟體探討這些變數間的系統關係。結構方程模型是一種針對多個變數間關聯的統計方法，可以全面考查變數間的關係，分析直接和間接效應。結構方程模型的優越性體現在，它適合於複雜情境的統計建模，可以同時處理多個變數存在的情況，適用於大樣本研究。
將收集的1524份有效問卷中的所有測量項同時歸到一個探索性因子分析結構中，採用Harman單因子法對收集的數據進行共同方法偏差分析。結果發現，所有變數都不能夠載荷一個因子上，有10個因子的特徵根大於1，並且第一個主成分的方差貢獻率為23.963%。由此看出，本研究不存在嚴重的共同方法偏差，基本不會影響到研究結論的準確性。
根據已有研究、研究假設和相關分析的結論構建研究模型（見圖2）。模型展示了11個研究變數以及控制變數的相互影響關係，其中，外生變數包括隱私泄露經歷、數據素養、社群影響、隱私傾向、隱私政策、感知風險、感知收益；內生變數包括行為策略，既可做內生變數也做外生變數的隱私關注、信任和行為意願；被調查者的性別、年齡、受教育程度、職業為控制變數。
結構方程分析的模型擬合指數結果為：X2=3526.291，DF=829，CMIN/DF=4.254，RMSEA=0.046，GFI=0.901，AGFI=0.882，PGFI=0.755，NFI=0.903，RFI=0.889，IFI=0.24，CFI=0.923，TLI=0.913。模型擬合良好。
經結構方程模型的檢驗，分析得出以下分析結果。由於模型比較複雜，具體的標準化路徑係數整理如表8所示。
根據表8，H1、H3、H4、H5、H6、H7、H9、H11、H13等假設得到了驗證，H2、H8、H10、H12沒有得到支持。具體來看：
（1）假設H2沒有得到支持的可能原因。樣本量較大，及本研究對隱私披露行為的定義等原因——如公眾對隱私披露行為的理解不清晰，可能導致了現在的分析結果。根據H1和H2的驗證結果，隱私關注程度高的公眾可能不願意提供個人信息，但是不願意提供個人信息的公眾實際發生了披露個人信息的行為，這正好驗證了隱私悖論現象的存在。
（2）H8沒有得到支持的可能原因。信任有部分是通過中介變數隱私關注影響到行為意願的（也即「信任=>隱私關注=>行為意願」），從而導致它們之間係數方向變負。也就是說，公眾對於組織的信任並沒有使公眾的披露隱私意願增強，反而使其有輕微的降低，這可能是由於受到了隱私關注的中介作用的影響。
（3）H10沒有得到支持的可能原因。由於隱私泄露或個人信息被盜取、被濫用的事件較多，公眾表示對此無可奈何，難以形成有效的保護和防範，因此導致隱私泄露經歷對於隱私關注的狀況不顯著。
（4）H12沒有得到支持的可能原因是我國社會結構發生了變遷。移動互聯網和社交網路超越了時空的限制，實現了人與人在更大範圍、更多層面的社會交往，一方面將已有的社會關係網路化，另一方面通過網路、大數據等技術建立了新的社會關係，傳統的社會關係對公眾隱私關注的影響沒有以前那麼顯著。
此外，數據顯示，控制變數的性別、年齡、職業對隱私關注的影響不顯著，但受教育程度對隱私關注的影響顯著正向，並且受教育程度越高，隱私關注程度越強。
根據路徑分析結果，去掉控制變數，提出顯著的路徑係數（對不顯著路徑使用虛線表示），以便更加直觀的觀察研究成果（見圖3）。
五、結論與啟示
基於數據分析的結果，本文得出以下主要結論：
（1）我國公眾隱私關注度較高，但隱私悖論也同樣存在。數據分析顯示，我國公眾的隱私關注程度較高，包括對個人信息被收集的狀況的憂慮、對個人信息控制能力不足的擔憂，以及對隱私問題的感知程度。儘管如此，數據顯示，公眾依舊會提供個人隱私信息以換取所需的服務及產品，這進一步驗證了隱私悖論的存在：一方面關注作為一種個人權利的隱私，另一方面認可個人隱私信息作為一種可交易的商品。
（2）公眾隱私關注的影響因素較為複雜，但非一成不變。結果分析顯示，隱私關注不僅受到感知風險、隱私傾向的顯著正向影響，還受到感知收益、數據素養和信任的顯著負向影響。受教育程度與公眾的隱私關注也呈現顯著的正向相關關係。但同時數據還顯示出了隱私關注的影響因素方面的變化，如社群影響、隱私泄露經歷對隱私關注的影響並不顯著，這與早期的一些研究結論不同[7] [36] [37]，表徵了在當前大數據語境下相關影響因素髮生了變化。
（3）公眾的披露行為意願受到多重因素的影響。結果分析顯示，披露行為意願不僅受到隱私關注的顯著負向影響，而且受到感知風險和感知收益的影響。其中感知風險對披露行為意願顯著負向影響，感知收益與行為意願呈顯著正向影響。同時數據分析表明，信任與隱私政策的顯著正向相關，而信任對行為意願的影響，有部分是通過隱私關注這一中介變數產生的。
隨著大數據技術的應用，公眾的諸多日常行為習慣被納入隱私的範疇，隱私的內涵也得以擴展，這一變化已超越了傳統意義上公眾對隱私的認知範疇。「隱私悖論」即是我們今天必須認真面對的新問題。然而，反觀我國的相關法律法規，雖然先後出台了一些涉及個人信息保護內容的法律法規，比如《民法通則》《侵權責任法》《刑法》及修正案和最新的《網路安全法》中對於個人信息或隱私有相關的規定，但仍顯不足。尤其隨著大數據+深度學習的人工智慧技術的發展與應用，隱私泄露問題可能更加難以控制，進而成為影響社會穩定的關鍵因素，Facebook數據泄露事件即是一個典型的例子。為此，加強大數據語境下的隱私問題研究，推進我國建立健全個人隱私政策和法律體系，形成有效的政府監管機制已是當務之急。同時如何使大數據企業和相關機構切實承擔起更大的社會責任業已成為一個重要的課題。
① 用戶的數據素養主要是對數據的敏感性，當用戶面臨個人數據被非法收集時，應根據《中華人民共和國民法總則》第一百一十一條、第一百一十四條以及第一百二十七條的規定維護自己的合法權益，保證自己的權益不被侵犯。
② 中青在線. 「六度分隔」不在，「四度分隔」來了. http://qnck.cyol.com/html/2011-11/30/nw.D110000qnck_20111130_1-42.htm. [2018-02-18].
③ ①指向PCS、PCK、PCY所在方框和從方框指向其他變數的箭頭分別代表指向3個變數和從3個變數出發。
④ ①註：*p
參考文獻
A Study on Privacy Concerns of Chinese Public and Its Influencing Factors
QI Kun-peng1,2,LI Zhen-zhen1,2
1. Institute of Science and Development, Chinese Academy of Sciences;
2. University of Chinese Academy of Sciences
Abstract:The privacy issues in the context of big data have become a concerned topic of government, the academia, the media, and the public. Focusing on privacy concerns of the Chinese public and its influencing factors, this article constructs its research hypothesis and research model based on the existing research such as the APCO model and the IUIPC scale as well as theories of planned behavior theory and privacy calculation theory. The authors collect the empirical data by questionnaires and use factor analysis and structural equation models to explain the influencing factors and mechanisms of privacy concerns, then present the privacy concerns and its influencing factors as well as behavioral intention and its influencing factors of the Chinese public in the current big data context. The findings of this study reveal the existence of " private paradox」, the complexity of influencing factors of public privacy concerns and public behavioral intention to disclose which is affected by multiple factors.
Key words:big dataprivacy concernsstructural equation modelprivacy calculation theoryprivacy paradox
作者簡介：齊昆鵬，中國科學院大學博士研究生。研究方向為科技政策與管理;
李真真，中國科學院科技戰略諮詢研究院研究員，中國科學院大學教授。研究方向為科學的社會研究、科技倫理、科技政策與管理。
TAG:科學與社會 |