摘要：本文通过对904位旅游者的调查，从动机、机会和能力这3个层面探讨了移动UGC环境下旅游者知识分享的驱动机制。研究结果表明：在动机层面，旅游者通过移动UGC知识分享时的自我展示会显著正向影响其感知娱乐，而自我展示和感知娱乐又会显著正向影响其分享意愿；在机会层面，感知激励会显著正向影响其人际互动和分享行为，人际互动会显著正向影响其感知娱乐；在能力层面，专业技能会显著正向影响其感知娱乐和分享行为。
关键词：移动UGC； 知识分享； 动机； 机会； 能力
旅游业是一个特殊的“移动”行业，随着全球3G网络的推进和移动互联网业务的不断发展，移动UGC（User Generated Content，用户创造内容）在互联网UGC的带动下，发展迅猛。通过移动UGC，旅游者可以抛开电脑和网络的束缚，借助手机等移动终端随走随写、随录、随拍、随发、随读包括文字、图片、视频和音频在内的各种信息（彭润华，等，2009）。在这样一个时代，知识分享行为无处不在，随处都能看到分享按钮；然而在移动UGC环境下，在网站应用上放一个分享按钮，旅游者是不是就会去分享呢？驱动旅游者知识分享的因素有哪些？旅游者知识分享的驱动机制是什么？这是本文研究的重点，即移动UGC环境下旅游者知识分享行为分析。
1理论背景与假设模型
1.1MOA理论框架
研究发现，趣味性（娱乐性）和自我展示（自我呈现）会促进动机对用户知识分享行为的影响（王莉，任浩，2013）。本文通过深度访谈了解旅游者通过移动UGC知识分享的动机。受访者提到，他们在发布分享内容之前都会检查自己发布的信息资源是否完整，例如语句是否流畅、是否有错别字等。在移动UGC知识分享的操作过程中，旅游者从自我预期的角度出发，会对移动UGC知识分享的内容进行编排，以此进行互联网中的自我展示，其中自我展示是指我们想要向外在的观众（别人）和内在的观众（自己）展现一种受赞许的形象。在分享主体内容确定之后，什么样的语言形式，既能使内容表达清楚，又能吸引更多人的注意，这是多数分享者在网络分享操作中自我展示的体现。在访谈中还发现，娱乐性在鼓励旅游者使用移动UGC知识分享中具有积极的影响。结合MOA理论、社会资本理论，本文概括出两个主要的基于动机层面的因素：其一是感知娱乐，反映了旅游者对于移动UGC知识分享的乐此不疲的爱好，旅游者基于自身的爱好从事移动UGC知识分享，并从中获得愉悦；其二是自我展示，旅游者希望通过移动UGC内容分享向他人展示自己的个人阅历和感受。因此，本文提出如下的假设： H1：通过移动UGC知识分享时，旅游者的分享意愿会显著正向影响其分享行为。
H2：通过移动UGC知识分享时，旅游者的感知娱乐会显著正向影响其分享意愿。
H3：通过移动UGC知识分享时，旅游者的自我展示会显著正向影响其感知娱乐。
H4：通过移动UGC知识分享时，旅游者的自我展示会显著正向影响其分享意愿。
1.3移动UGC环境下旅游者知识分享机会驱动因素
H5：通过移动UGC知识分享时，旅游者的人际互动会显著正向影响其感知娱乐。
H6：通过移动UGC知识分享时，旅游者的人际互动会显著正向影响其分享意愿。
H7：通过移动UGC知识分享时，旅游者的感知激励会显著正向影响其人际互动。
H8：通过移动UGC知识分享时，旅游者的感知激励会显著正向影响其分享意愿。
H9：通过移动UGC知识分享时，旅游者的感知激励会显著正向影响其分享行为。
1.4移动UGC环境下旅游者知识分享能力驱动因素
H10：通过移动UGC知识分享时，旅游者的专业技能会显著正向影响其感知娱乐。
H11：通过移动UGC知识分享时，旅游者的专业技能会显著正向影响其分享意愿。
H12：通过移动UGC知识分享时，旅游者的专业技能会显著正向影响其分享行为。
在现有研究的基础上，结合MOA理论，本文提出基于MOA的移动UGC环境下旅游者知识分享模型及相关假设（见图1）。
2研究方法
2.1研究样本与数据收集
（3） 对自我展示的测量，参考Kankanhalli等（2005）的测量问卷，包括3个项目。典型问卷测量项目为“通过移动UGC知识分享能将自己的观点和想法呈现出来”“通过移动UGC知识分享能帮助我记录自己的旅行生活”“通过移动UGC知识分享能够引起其他旅游者的注意，提高访问率”。
此外，调查问卷还采用填空与选择的方式获取调查对象的背景资料，包括年龄、性别、工作年限、工作职务、学历程度等。
3研究分析
3.1同源偏差检验
本研究中的变量都是自我报告数据，可能会存在潜在的同一方法变异问题，因此需要进行同源偏差检验。本文采用两种方式控制同源偏差问题：程序性补救和统计性补救。在程序上，首先，在测量时将模型中不同变量的语项通过明显的界限将其有效地区隔开；其次，测量时将一些测量语项调整成反向语句，以降低同源偏差。在统计上，对回收的调查资料进行审核、整理和分析，第一个样本组（N=452）用做探索性因子分析，第二个样本组（N=452）用于效度检验。采用SPSS统计软件的因素分析方法对所有22个问项的结构维度进行探索，采用AMOS统计软件的验证性因子分析方法验证研究结果，并检验其结构效度。
3.2信度与效度分析
3.3模型分析
本文运用AMOS软件来检验研究模型中的路径假设，AMOS对模型运行结果得到的路径系数如图2所示。单向箭头表示变量间的因果关系，上方标出其路径系数，由图中显示的路径系数和显著性水平可看出，样本数据支持本文提出的9个假设。
在结构方程模型中，试图通过统计运算方法（如最大似然法等）求出那些使样本方差协方差矩阵S与理论方差协方差矩阵K的差异最小的模型参数。换一个角度，如果理论模型结构对于收集到的数据是合理的，那么样本方差协方差矩阵S与理论方差协方差矩阵K差别不大，即残差矩阵（KS）各个元素接近于0，就可以认为模型拟合了数据。模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。不同类别的模型拟合指数可以从模型复杂性、样本大小、相对性与绝对性等方面对理论模型进行度量。AMOS提供了多种模型拟合指数（见表2）供使用者选择。如果模型拟合不好，需要根据相关领域知识和模型修正指标进行模型修正。需要注意的是，拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。即便拟合指数没有达到最优，但一个能够使用相关理论解释的模型更具有研究意义。如表2所示，其中，卡方值和自由度的比值为0.998，根据Joreskog（1967）的建议，该值可以接受。RMSEA=0.043，GFI=0.956，AGFI=0.943，CFI=0.979，NFI=0.967，IFI=0.979，本文基准模型充分考虑了相关领域知识且拟合度较好，通过检验，无需修正。
4讨论
在调查数据基础上，AMOS对模型运行结果得到的主要路径参数指标如表3所示，除H6、H8与H11外，其他假设都得到了支持。
本文实证研究显示，通过移动UGC知识分享时，旅游者的分享意愿会显著正向影响其分享行为（H1：β=0.348，p