大数据环境下APP用户隐私计算影响因素研究

来源:用户上传      作者:

　　摘要：[目的/意义]大数据环境下.APP已经成为工作、生活、娱乐甚至是赚钱的重要工具，与此同时，APP也成为用户隐私泄露的重灾区。用户一方面担心隐私的泄露，另外一方面由于APP所带来的益处，却愿意主动提供隐私数据供商家利用，这就是所谓的“隐私悖论”现象。[方法/过程]隐私计算是研究隐私悖论的重要方法之一，通过对APP用户隐私计算影响因素的调查，分析影响用户自愿提供隐私数据的核心因素，并分析悖论存在的原因。[结果/结论] APP用户隐私的保护需要不断加强法律、制度的建设和开发商与运营商的监管，而不断提高用户隐私保护的意识也是不可忽视的重要内容。
　　关键词：APP用户：隐私计算：影响因素
　　DOl： 10.3969/j .issn .1008 -0821 .2019 .12 .015
　　[中图分类号] G203 [文献标识码]A [文章编号]1008-0821（ 2019） 12-0131-07
　　随着大数据时代的来临，各种APP层出不穷，APP已经成为人们生活、工作、学习、健康、娱乐甚至是赚钱的重要工具。根据工信部的最新统计显示，可以检测到的我国市场上应用的手机APP达到415万款[1]。虽然用户享受着APP所带来的各种便利，但是APP也成为泄露用户隐私的重灾区。根据中国消费者协会发布的《APP个人信息泄露情况调查报告》显示，超过80%的被调查者称由于使用APP，个人信息泄露，而遭到短信或者推销电话的骚扰等[2]。
　　关于网络用户个人隐私数据泄露的问题，有学者认为用户并非没有感知到存在的风险，而是由于使用中所产生的益处，促使用户愿意让渡个人的隐私数据去获取所产生的益处，这个过程被称之为隐私计算。隐私计算理论来源于1977年Laufer等发表的《隐私作为一种概念和社会问题：一个多维度发展的理论》[3]一文中所提出的行为计算演化而来，后来Culnan等在2003年发表的论文《消费者隐私：经济与法律的平衡》将隐私计算的研究采用了成本一收益的分析方法作为用户是否自愿提供个人数据的依据。随着社交网络和电子商务的发展，隐私计算理论逐渐被越来越多的学者作为分析网络用户的重要方法[4]。隐私计算也是隐私悖论的一种解释，即虽然很多人都在关注或者呼吁要加强隐私的保护，但是为了获得某些服务，却愿意主动的提供个人数据为商家所利用。
　　1 研究背景
　　个人隐私的保护除了给人们带来经济安全之外，还将其作为人权，受到法律的保护。随着大数据时代的来临，人类行为的数据化，个人隐私数据将其作为商品，越来越受到人们的认同。虽然，个人隐私受到侵犯的案例比比皆是，但是在使用很多社交媒体、物联网、电子商务中，人们仍在自愿的将个人的隐私数据提供给商家，从产品中获益。如前文所言，如果隐私数据是一种商品，那么个人提供与保留隐私数据的决定往往通过权衡提供的成本和收益来作为合理的选择。因此，提供个人数据的决定应沿线性变化。风险的概率和严重性的变化将会导致个人提供隐私数据处于相应的变化[5]。即隐私计算是一个理性的过程，它包括权衡感知的风险和当前提供个人隐私数据的感知收益。当感知的收益大于感知的风险时，用户就有可能会自愿提供隐私数据。然而，当发现更多的是风险而不是利益时，用户就会不愿意提供个人数据[6]。
　　当然，也有学者给出了另外的解释，认为用户之所以愿意提供隐私数据给商家使用，是非理性的过程，这种非理性来源于：1）用户并没有感知到可能存在的风险;2）用户由于认知的偏差，主观上认为数据的泄露不可能发生或者发生的可能性很小。学者Baek Y M在基于大规模在线数据调查的研究中也证实了这一点，用户通常认为自身遇到在线隐私侵犯的可能性要低于其他个人（比较对象），使得个人感知的隐私风险较小[7]。
　　目前，学者们关于隐私计算的研究主要涉及物联网用户、网络消费者、电子商务用户、移动服务用户等领域，对于APP用户隐私计算行为的研究还很少。本文一方面试图从APP用户对隐私数据认知的角度出发，分析用户是否理性的自愿提供隐私数据给APP;另外一方面从隐私意识、隐私数据的敏感度、感知信任度、感知系统的优点和感知人群的角度分析用户隐私计算的影响因素。
　　2 APP用户隐私计算影响因素的理论模型构建
　　依据隐私计算的内涵，影响用户自愿提供数据的变量有两个，即感知风险和感知收益。本文从以上两个方面分析构成用户使用APP过程中隐私计算的影响因素。
　　2.1 感知风险
　　风险是由于不確定性引起的、潜在的负面结果和另外一方由于不必要的行为可能引发的损失[8]。APP用户隐私泄露的风险通常有3种：1）用户隐私数据未经用户同意出售给第三方;2）用户数据被APP开放商滥用;3）用户数据被黑客窃取。因此，本文假设：
　　假设1（H1）：当用户使用APP时，感知到的风险越大，提供个人数据的意愿将会越低。
　　2.1.1 隐私意识
　　按照隐私计算的理论，由于隐私计算是一个非常理性的过程。因此，学者们普遍认为用户对隐私和隐私数据有着清晰的认知，对于隐私所产生的风险和收益可以进行权衡与计算决定是否提供个人数据给APP。因此很多研究中，隐私的意识并没有作为隐私计算的变量。本文认为，隐私意识是衡量隐私计算的重要自变量。实际上，一方面，由于文化和制度的不同，公民对于什么是隐私数据本身的认知也有一定的偏差。例如，欧盟的一些国家将照片视为隐私数据，因为通过照片可以识别公民的民族，但是欧盟的数据保护工作小组并没有将照片归为隐私数据[9];另外一方面，就个体而言，每个人的隐私宽度也不同，例如，有些人认为电话号码是隐私数据，而另外一些人则认为不是。因此，由于个人对隐私的界定不同，对于提供个人数据的宽度就会有所差异。即用户在使用APP提供个人数据时，有可能并非出于风险与收益的权衡而提供个人数据，而是其隐私的界限不同，导致产生提供个人数据的差异。反之，如果用户对隐私数据有很强的意识，那么就会有很强的感知风险的能力，则提供个人数据方面就会比较谨慎。因此，本文假设： 　　假设1.1（ H1.1）：APP用户隐私的意识越强，感知风险的意识就越强，反之则相反。
　　2.1.2 隐私数据的敏感度
　　敏感度是指用户在使用APP中，对于提供数据类型以及APP本身个人数据保护的规范性与风险感知的关联度，包括两个方面：1）用户对要求提供什么类型的数据会产生隐私风险的敏感度[10]。2） APP是否提供了个人数据保护的协议或者指引也是影响用户使用APP产生敏感度的重要因素之一。因此，本文假设：
　　假设1.2（H1.2）：用户对提供数据的敏感度越强，则对风险的感知能力越强，反之则相反。
　　2.1.3 感知信任
　　信任是用户使用物联网、电子商务、社交媒体的重要因素。这种信任来自用户认为APP系统或者APP运营商对于安全或者个人数据保护减少风险和不确定性的能力。在使用APP中，这种信任分为两个方面：一是对系统的信任;二是对APP运营商即该组织机构的信任[11]。当用户对APP信任度越高，则对其风险的感知能力就会越弱。因此，本文假设：
　　假设1.3（H1.3）：用户对APP的不信任度越高，则对风险的感知能力越强，反之则相反。
　　2.2 感知收益
　　隐私收益是指在使用APP中，通过提供个人的数据来获取良好的收益。依据隐私计算的理论，感知收益是用户使用APP的基本推动力。在使用APP中感知收益有很多方面，既可以体现在实际的工作、学习的需要，也可以体现在娱乐和健康以及获取金钱的收益层面。因此，本研究提出假设：
　　假设2（H2）：当用户使用APP时，感知到的收益越多，提供个人数据的意愿将会越强烈。
　　2.2.1 感知系统的优点
　　关于系统的优点，很多学者只是从个性化或者兼容性[10]的方面进行研究，随着技术的发展，对于APP的优点可以同时从多个角度进行考量：1）个性化。个性化决定了基于以前收集的数据来提供满足用户的产品和服务。因为APP的个性化服务往往可以提供准确而及时的产品，一方面用户渴求这种服务，同时也会因此产生了隐私方面的顾虑。2）兼容性。系统兼容性是指为一种APP系统开发的软件或硬件可适用于另一种或其它多种APP系统的能力。兼容性也是影响用户感知获益的一个方面。3）交互性。主要指APP人机交互的界面和服务的互动和反应能力。因此，本文假设：
　　假设2.1（ H2.1）：APP系统的优点越突出，用户获得收益的感知就會越强烈，反之则相反。
　　2.2.2 感知使用人群
　　人是群居性动物，通常具有从众心理。当人们在采纳新的工具时，一方面，希望得到其他人的认同，并会积极推荐使用。同时也在受其他人的影响，当观察和发现周围的很多人都在使用新的工具进行交流或者获益时，也会尝试使用新的工具，融人群体中去。感知使用人群是指用户所使用的APP感知有多少其他人群在使用。因此，本文假设：
　　假设2.2 （H2.2）：APP使用的人越多，用户获得收益的感知就会越强烈，反之则相反。
　　2.3 理论模型
　　从隐私计算的角度分析用户使用APP的影响因素，本文从隐私意识、隐私数据敏感度、感知信任、感知使用人群、感知系统优点5个方面构建感知风险和感知收益对于用户愿意提供隐私数据的模型（见图1）。
　　3 数据收集与数据分析
　　3.1 数据收集
　　调查主要通过国内主流的数据调查平台问卷星展开电子问卷调查，同时也发放了部分的纸质问卷进行调查，共收回问卷250份，去除无效问卷，实际有效问卷243份。APP被调查用户的年龄分为4个阶段：1）年龄从18 - 30岁的用户占了绝大多数，达到79%;2）30-40岁的用户占到15%;3）40-50岁的用户占到3%;4）50岁以上的用户占到3%。由此可见，使用APP的年轻用户较多，中老年用户相对比较少（见图2）。其中参加问卷调查女性的比例为54%，男性比例为46%。在校大学生占到65%，在职人员占到34%，退休人员为1%。
　　另外，用户使用APP的类型也呈现多样化，如图3所示，使用APP类型最多的要属于学习和工作、娱乐型的APP，分别约占30%和29%。其次是交友和健康类型的APP，分别约占到21%和14%。用户使用最少类型的APP是以获利为目的的APP，约占6%。
　　3.2 数据分析
　　效度是分析研究项是否合理、有意义的重要指标，效度检测主要使用因子分析法进行分析，其中KMO值是判断因子是否有效的重要方面，通过计算分析，表1分析项的KMO均在0.6以上，说明分析指标具有效度。而信度分析是研究定量数据可靠性的重要指标，从表1数据可知，设计指标的Cronbach'sα均在0.6以上，说明研究数据的信度质量可靠（见表1）。
　　3.2.1 隐私风险
　　1）隐私意识。依据我国2019年制定并实施的《个人信息安全规范》以及结合欧盟《通用数据保护法》关于个人敏感数据的规定，就隐私数据的认知和范围进行了调查，从统计数据来看，APP用户对于隐私数据有清晰的认知。就使用APP提供数据而言，大多数的用户首先考虑的因素是是否有用，而对于其是否安全并未放在首位（见图4）。而且，通过APP是否安全对于用户愿意提供数据进行线性回归分析来看，模型R平方值为0.031，说明二者之间并没有直接的关系。
　　另外，如果APP有用，大多数用户愿意提供姓名、电话号码、QQ账号、微信账号、电子邮件等隐私数据，当然有些用户依据有用程度，也愿意提供身份证号、银行账号等方面高度敏感和隐私的数据（见图5）。
　　2）隐私数据敏感度。通常来讲，在使用APP中，如果用户对提供的隐私数据比较敏感，敏感度越强则风险意识就会越强，那么提供信息的愿望就会比较低。通过皮尔森相关性分析（见表2），除了身份证号和银行账号与A、B、C3种风险呈现直接相关因素之外，其他因素都存在一个以上的不相关因素，例如，健康信息与A、B、C3种风险的相关系数是0. 024、0.095和0.124，位置信息相关系数值分别是-0. 072、-0. 024、0.038，二者相关系数全部均接近于0，并且P值全部均大于0. 05，与隐私风险的关联比较小。征信信息与风险A和风险B之间并不会呈现出显著性，相关系数值接近于0，财务信息与风险A相关系数值也接近于0，二者相关性不显著（见表2）。 　　3）感知信任。通过回归分析，感知不信任，例如对APP系统和组织机构的不信任对感知风险产生影响显著。因此，用户在使用APP时，感知不信任就会减少对APP的使用。
　　3.2.2 隐私收益
　　1）感知使用群。对感知使用人群的因素进行线性回归分析，对模型进行F检验时发现模型通过F检验（F=8. 337，P<0.05），依据回归系数值进行分析，A、C、D回归系数值为0.139（t=5. 267，P=0.000<0. 01）、0.056（t=2.367，P=0.019<0.05）、0.039（t=2.143，P=0.033<0. 05），对感知收益都产生显著的正向影响关系，B回归系数值为-0. 039（t=-1. 796，P=0.074>0.05），B对感知收益虽然影响不显著，但也产生影响关系，从整体来讲，感知人群对于APP感知收益具有显著的影响（见表3）。
　　2）感知系统优点。感知系统的兼容性、服务的个性化、交互性对于感知有用性也产生显著的影响关系。感知系统的优点和感知收益相关系数值为0.134，并且P值小于0.05，因此二者相关性呈现显著性（见表4）。
　　从感知风险和感知收益的因素来分析，除了隐私意识与感知风险并没有显著的影响，其它因素都与感知风险、感知收益呈现显著的相关性，同时风险因素与用户提供数据的意愿呈负相关性，与感知收益呈现正相关性（见表4）。
　　4 结论
　　随着社会的发展.APP的使用类型越来越多，为用户提供了生活、工作、学习、娱乐等方面的便利。但是伴随而来的用户隐私风险也在不断高涨。与大家关注隐私相反，很多时候，人们在特定的环境中，往往会愿意提供个人的隐私数据，而且超过了原有对隐私保护的目的[11]。通过调查显示.APP用户确实存在隐私悖论的现象。一方面用户不堪隐私被侵犯的困扰，同时也在不断提供个人的隐私数据给商家使用，这种悖论体现在以下方面：
　　1）用户对APP有用性的考虑往往大于对隐私风险的顾虑。即用户选择使用APP时，是否愿意提供隐私数据以及提供哪些隐私数据是由APP的有用性有多大来决定的。APP对于用户的有用性越强，则用户提供数据的范围越大。同时，调查显示，用户对于隐私数据有着清晰的认知，因此，使用APP提供数据属于理性而非理性的过程。用户的选择从成本收益的角度来讲，符合风险越高收益越大的原理。
　　2）依据影响因素的调查显示，身份账号和银行账号的提供是用户风险感知的临界点。其次是财务信息和位置信息，而健康信息、征信信息对于很多用户来说并没有作为重要的风险因素。这也反映了用户由于文化和制度以及个体认知的不同，导致隐私数据及隐私数据风险因素认知的差异。依据欧盟的《通用数据保护法》的规定，健康信息以及征信信息是重要的关乎隐私的敏感数据，这些数据的泄露不仅关系用户的财务安全，也关乎用户的隐私权和名誉权，却没有得到APP用户足够的重视。
　　3）用户虽然感知到APP存在隐私数据的风险，但是对于APP隐私保护的说明和指引并不十分重视。在调查中，74%的用户表示对于隐私说明不会认真阅读就已经签署了协议。另外，68%的APP隐私保护说明使用霸王条款，如果不同意APP的隐私数据让渡协议，就不能使用APP。这就产生了另外一种悖论的可能性，一方面，用戶为了使用APP，虽强调隐私顾虑却忽略隐私条款的认真阅读;而另外一方面，APP的隐私保护说明具有强制性，导致用户对于让渡使用的隐私数据未必知情或者虽然知情却未必同意的悖论之中。
　　4）通过调查显示，参照群体效应对于用户使用APP起着重要的作用。参照群体是指个体在形成其消费或购买决策时，用来作为比较与参照的个人或群体。它不仅指与个体有相关接触的亲人、朋友等人或群体，也包括与个体并无直接接触的但对个体产生影响的个人或群体[12]。参照群体之所以对用户产生显著影响，一方面参照群体的示范效应，成为促使用户采纳APP的重要因素之一，同时也在另外层面上弱化了用户感知风险的能力。
　　由此可见，APP个人隐私数据的保护，一方面需要不断健全相关的法律和规范，加强APP开发商和运营商的监管，制定和规范个人数据利用和保护的措施，同时作为拥有隐私数据的主体一用户需要提高风险防范意识，了解和维护个人的合法权益，防止隐私数据被滥用和窃取。
　　参考文献
　　[1]权威数据：手机APP -共有多少个？[ EB/OL].http：//baijia-hao. haidu. com/s？ id= 1605684980987956244&wfr= spider&for= pC-
　　[2]中消协发布《APP个人信息泄露情况调查报告》[EB/OL].http：//www. cqn. com. cn/pp/content/2018 - 08/29/content一621379l.htm.
　　[3] Laufer R S，Wolfe M.Privacy As A Concept And A Social lssue：A Multidimensional Developmental Theory[J].Journal of SocialIssues，
　　1977， 33（3）：22-42. https：//goo.gl/qvCuY5https：//doi.org/10.1111/j.1540-4560. 1977.tb01880.x.
　　[4] Culnan M J，Bies R J.Consumer PrivacY： Balancing Economicand Justice Considerations[J] Journal of Social Issues， 2003，59（2）：323 - 342.
　　https：//goo. gl/ja9w60hitps：//doi. org/10.1111/1540-4560.00067 　　[5] Mark J K，Samuel C T，Joanne H，et al.Information Disclosureon Mobile Devices： Re -examining Privacy Calculus with Actual User Behavior [J] . Int. J. Human-Computer Studies ， 2013， 71 ：1163-1173.
　　[6] Svenja B. Privacy Paradox： Factors Influencing Disclosure of Per-sonal Information [ D]. Masterthesis. 2016： 1-93.
　　[7] Baek Y M. Solving the Privacy Paradox： A Counter-argumem Ex-perimental Approach [J] . Computers in Human Behavior， 2014，38 ： 33-42.
　　[8] Svenja B. Privacy Paradox： Factors Influencing Disclosure of Per-sonal Information Among German and Dutch SNS Users [ D] . Mas-terthesis， 2016： 1-93.
　　[9] Lipton J D. Digital Multi - Media and the Limits of PrivacyLaw. Case [ J ]. Western Reserve Joumal Intemational Law， 2009， 42 ： 551.
　　[10] Dongyeon K. Willingness to Provide Personal Information： Per-spective of Privacy Calculus in loT services [ J] . Computers in Hu-man Behavior， 2019， 92： 273-281.
　　[11] Cristian M， Agnes D. Disclosing Personal Information Via HotelApps： A Privacy Calculus Perspective [ J]. Intemational Journalof Hospitality Management ，2015 ， 47 ：120- 130.
　　[12] 龔振，李菡.中国奢侈品消费的参照群体效研究 [ J] .商业时代， 2015， （11） ： 20-21.
　　收稿日期：2019-06-05
　　基金项目：河北省社会科学基金“我国智慧政务算法决策风险评估机制研究”（项目编号：HB19TQ002）。
　　作者简介：迪莉娅（1974-），女，教授，研究方向：大数据、电子政务。
转载注明来源:https://www.xzbu.com/4/view-15106330.htm