论文部分内容阅读
[摘 要] 网站由多层面、多元素组成，这些都影响网站用户的满意度和相关行为。本文采用因子分析方法，探查影响旅游目的地网站“黏性”的外部因素结构及减少外部因素维度的变量数量。外部因素维度变量影响用户对网站的印象和兴趣。外部因素变量跟旅游者旅游经验和知识有关。本文的研究结果达到新的更简单的外部因素结构，其包含输出四个因子，即“不想去的旅游地”“有名气性的旅游地”“旅游地与和网站的安全性”和“没去过的旅游地”，这些因子对旅游网站“黏性”的强力评价起最好的作用。
[关键词] 网站评价；外部因素维度；因子分析；网站“黏性”；旅游目的地
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 01. 081
[中图分类号] F590.8 [文献标识码] A [文章编号] 1673 - 0194（2017）01- 0142- 06
0 引 言
互联网网时代网站是传播信息的系统，不同企业和组织使用网站联系网络用户。联系目的地是说服用户使用网站推荐的产品，服务等。但是有一个普遍承认的问题，即网站用户的关注很容易变化，因为用户从一个到另一个网站的转移很容易。 因此，重要是提高网站“黏性”及了解什么因素提高“黏性”，这样用户才会不愿意转移网站。
网站是一种复杂的系统，已有的研究关注网站不同的方面，例如网站跟技术有关的方面、企业服务方面、网站内容方面等。本文针对外部因素开展研究，文献在这方面很少研究。
为了准备随着地网站评价研究 ，首先需要对收集的数据，利用因子分析方法进行排序、削减。收集的材料反映网络用户的知觉如何跟旅游有关的特点影响他们的意愿使用网站。因子分析会得到数据更简单的结构，使强相关的变量形成公共因子，减少数据范围，提取的公共因子将在网站评价研究使用。
1 旅游目的地网站“黏性”与相关“外部因素”
“外部因素”维度很少利用在网站评价研究中，研究者平常针对另外的网站维度，比如技术维度、服务维度、适用性等。外部因素维度与网站构建没无关，但本维度从心理方面影响用户的行为。
因果行为理论（Theory of Reasoned Action）假定信任和评价形成个人行为有关的态度，而且其他人、社会信任和动机形成个人遵从的主观规范。个人态度为行为和个人遵从的主观规范影响行为的意向，而且行为的意向影响真实的行为。技术接受模型（Technology Acceptance Model）基于因果行为理论理解用户接受信息技术的行为。在技术接受模型中，“外部变量”是初始元素，表示用户技术接受行为从外部因素变量开始。“外部变量”影响用户感知的适用性和是否方便使用，而且这两个因素影响使用的态度，并实用的态度影响信息系统使用的意向，进而影响真实的行为。
外部因素是旅游相关理论重要的因素，此解释旅游者行为，比如搜索旅行信息过程依据旅游者为旅游有兴趣和动机。旅游动机被个人、心理和社会影响，旅游者按照个人的动机决定旅游安排。其他影响旅游者的决定参加旅游活动的因素是各种各样的限制，比如时间、财政预算， 可得到信息、文化背景、社会地位、已得到旅行和搜索经验。 个人目标和偏爱代表旅游者的期望并造成相应的选择。因此可以假定外部因素，即旅游目的地先验知识、兴趣、旅游经验和感知的网站和旅游目的地的名气影响用户行为和动机搜索网站。
在Lee和Kozar研究使用的是服务提供者特征质量（vendor-specific quality）变量，是跟网站和企业单位成功有关的因素。在此研究还有其他的三个网站方面变量， 代表系统质量、服务质量和信息质量。研究者也把变量，即网站和企业单位名气、价格竞争性和认识为评价如何网站质量影响电子商务成功使用。研究者发现选择旅游网站的时候经理者和设计者被服务提供者特征的质量影响最大，但对顾客来说服务提供者特征质量占第二位，系统质量占第一位 。
旅游网站的用户在搜索一段信息的时候会同时检查几个相关网站。 但是，相关学者认为大量的信息以及过多的选择会造成负面的影响，比如用户常常快的转移其他的网站， 不喜欢花时间阅读长的文本，表示搜索行为常常是很简单的。如果互联网用户不满意，就马上离开网页。大量旅游网站因为没有达到顾客的要求，所以消失了。
网站“黏性”代表网站保持用户者注意和兴趣的能力，并且用户不会马上转移到其他的网站，继续浏览网站。用户持续的注意就表示网站达到引起和维持兴趣的目标。网站“黏性”反映了网站成功度， 是网站成功的一部分。
图1所述为这研究按照旅游地网站成功评价模型。旅游地网站是一种被正式管理/营销组织推荐的旅游目的地的网站。本文主要针对影响网站“黏性”的外部因素进行优化研究。
2 研究构架和研究问题
2.1 研究构架
网站外部因素与跟网站系统、服务没有直接关，但理解潜在旅游者的经验和兴趣、网站设计者和旅游目的地的名气对网站成功，吸引浏览网站推荐的信息很重要。在本文使用的变量引用了因果行为理论、技术接受模型、 Lee和 Kozar （2006）的服务提供者特征质量变量和旅游动机知识。变量分为三个子维度，即①旅游者先前知识、兴趣和经验；②旅游点的特征；③网站名气性。变量名表示短的在本文章下面使用的变量名字，而且在个人经历/国家特征/网站的列提供的全变量的意义（如表1）。不过本研究针对用户意愿继续使用旅游网站行为。
2.2 研究目标和问题
本研究主要的目标是通过对调查数据的处理，完成影响旅游目的地网站“黏性”的外部因素结构及减少外部因素维度的变量数量。研究的主要的问题如下：
（1）分析外部因素的数据结构，是否可以得到与初始不一样的新的子维度？
（2）分析后得到的新子维度可以表现出什么信息？ （3）什么变量重要，且应该在随后研究使用？什么在随后的研究需要去除？
3 研究数据获取
3.1 调查问卷
本研究使用116份中国人自己填写的问卷，回答以前使用旅游网站搜索旅游信息的相关情况，从2015年3月到7月把收到问卷。采用“自选择”抽样办法，问卷在街头和www.wenjuan.com网站发放。
问卷含有两个部分。第一部分关于人口信息，第二部分含有研究问题表。使用7数字的测量尺度，从0到6，“0”表示没有影响，因而意愿程度不改变，“3”表示影响不大，因而意愿程度不大，“6” 表示影响最大，意愿最大。回答选择还有“不知道”选择，为了确保如果不太明确或不知道意思的时候不必选择数字，因而不影响回答正确。但是在www.wenjuan.com网站收到的问卷的测量尺度有一点差别，因为网站设计要求不可以加上“不知道”选择，所以回答者，如果不知道，或不太清楚怎么回答，可留下空，不填问题表。
3.2 被调查者分析
调查含有在街上收到的问卷为86%， 在线收到的问卷14%。50%回答者是女人，50% 是男人。大部分被调查者是年轻人，18～35岁，占88%。36～60岁人为10%，其中58%学生，26%企业员，4%政府员，12%其他。86%有打算在未来去旅游，88%以前没旅游过。本研究被调查者比较了解上网，10%回答者总是使用网站为搜索旅游信息，47%常常使用网站，42%很少使用网站。
4 数据分析方法
本文利用SPSS17.0 软件统计进行探索性R-类型因子分析。
因子分析是一种多元数据统计分析方法，主要分析目的是明晰变量的结构和相互关系 。因子分析方法可以把数据的维数降低，同时又尽量不损失数据中的信息。本分析核心问题是：如何构造因子变量及如何对因子变量进行命名解释 。
因子分析过程如下：
（1）确定研究问题和分析目标；
（2）设计因子分析；
（3）因子分析前提条件检验；
（4）提取因子和确定总的契合度；
（5）旋转因子及其对它们的解释；
（6）确认因子分析结构和结果。
收集的数据含有缺失数据不超过10%。按照Hair（2011） 等的研究结果，如果缺失数据不超过10%的，缺失数据可以利用所有的办法进行替换、填补，在本研究缺失数据被平均值替换。
为了使用因子分析有效，最少应有50份观测数据，且观测数量应该超过变量数量，最好为10比1 ，不少3比1。 本研究为“愿意停留在网站”有12个变量，观测数量超过50份。
4.1 因子分析前提条件检验
为了确定是否样本合适做因子分析，首先需要计算相关系数矩阵、进行KMO（Kaiser-Meyer-Olkin）检验，巴特利特球形检验（Bartlett test of sphericity）和样本合适测量（Measure of Sampling Adequacy，MSA）。
计算相关系数矩阵表现在0.00 和0.01 显著性水平p 值，26%变量系数值均大于0.27，即有变量为强相关，就是可以继续检查变量适合做因子分析。
通过巴特利特球形检验计算相应的伴随概率（Sig）为0.00，小于显著性水平0.05， 因此变量之间存在相关关系，合适做因子分析。
KMO检验的取值在0和1之间，值越接近1表示变量间的相关性越强，就是变量非常合适，0.5 以下表示极不合适。本观测12个变量通过KMO检验得到0.667，适合做因子分析。检查原始变量样本合适测量（MSA）有一个变量值小于0.5，即“不安全性”变量不合适，应该取消。
第二次计算11个原始变量系数，不含有“不安全性”变量，分析前提条件：
在0.00 和0.01 显著性水平p 值29%、变量系数值均大于0.27、KMO值得到0.710 分、通过巴特利特球形检验计算相应的伴随概率（Sig）为0.00、样本合适测量（MSA）变量值都大于0.5，结果表示可以进行因子分析。
4.2 因子提取
因子分析重要的问题之一是提取因子数量应该多少，为了抽取因子利用主成方法。
为了抽取合适的因子及说明原始变量最好的构造，应该注意几个重要的准则，即：
（1）公共因子的特征值接近于1。
（2）公共因子数量最好得到60%以上累计解释的总方差。
（3）查看碎石图里特征根变化趋于平稳点（建议查看K， K-1 和 K 1 公共因子数量， 即K-在碎石图特征根变化趋于平稳点）。
（4）抽取公共因子获得最合适的结构。
首先查看11个变量的碎石图（图2），仅看弯曲点表明3个公共因子应该合适。
为了确定公共因子数量，查看第3和第4个公共因子的结果。
结果显示3个公共因子不合适（如表2），提取3个公共因子、特征值大于1是1.1可是累计解释的方差得到不合适的53%。再者5个变量共同度为0.5以下， 即提取的公因子不合适。
如果提取4个公因子第4个公共因子特征值于0.983，累计解释的方差为62%。可是“设计可信度一般”变量的方差贡献率为0.485， 不到0.5，就是变量的方差贡献率不合适，因此确定取消本变量，留下10个变量。
10个变量KMO值得到0.709，巴特利特球形检验计算相应的伴随概率（Sig）为 0.00。提取3个公因子不合适，由于累计解释的方差仅为57%。提取4个公因子系数都合适，即公因子数量满意，特征值靠近1为0.951，变量共同度都大于0.570，累计解释的方差为66%，就是4个公因子可以解释66% 方差。 为了继续因子分析，按照上面说明的结果，确定应用10个变量，提取4个公共因子。表2显示变量共同和解释的方差的结果。
4.3 旋转和解释因子
旋转成分矩阵检查见表3和表4。因子旋转简化因子结构和提供更简单和有意义的公共因子。
为了旋转公共因子运用属于正交旋转亚类型：具有Kaiser标准化的最大方差法。
通过正交旋转亚类型的方法公共因子互相独立没有公共的相关。最大方差法（Varimax）是一个常用的方法，此方法最大化各个因子载荷平方的方差的总数。
为了保持公共因子简单的构造应该考虑下面的条件：
（1）变量载荷该大于±0.5，即±0.5 载荷表明有实用意义及±0.7载荷表明结构定义明确的；
（2）检查是否变量有意义的交叉负载；
（3）检查是否矩阵含有没有实用的载荷的变量。
10个变量分析结果表明每个变量最少有一个有意义的载荷，同时有两个变量，就是“没名气国”和“去过的国”变量有交叉负载。（如表3）因此为了良好因子结构，决定取消有交叉负载的变量，亦需要重新指定因子模型。
考虑几个因子模型，即取消一个变量（“没名气国”或者“去过的国”）、两个变量、减少和增加公共因子数量，最终决定选择4个公共因子留下8个变量。
这4个公共因子KMO值为0.659，因此因子分析结果是可以接受的，巴特利特球形检验计算相应的伴随概率（Sig）为 0.00， 变量共同度都超过0.63。第一个因子的旋转特征值解释18.309%方差，第二个为-18.005%，第三个为-17.468%，第四个为-17.218%，即四个公共因子总共解释71.001%方差。（如表4）
此因子模型实际和统计意义也有合理的解释。表4输出的8个变量的结果表示全变量之间没有意义的交叉负载，每个公共因子有两个有高值的负载，因子结构非常明晰。
4.4 因子模型
（1）第一个因子名称“不想去旅游目的地”含有变量：
“不想去国”- 网站推荐的旅游国家不是很多人都知道的也不是很多人想去的。（负载- 0.815，强）；
“不要去兴趣国” - 您以前对网站推荐的旅游国家有了解兴趣。可是没有打算去那里旅游。（负载- 0.795，强）
（2）第二个因子名称“有名气性的旅游目的地”含有变量：
“都想去国”- 网站推荐的旅游国家很多人都知道并想去的 （负载- 0.889，强）
和“名气性国”- 网站推荐的旅游国家的名气性。（负载- 0.740，强）
（3）第三个因子名称“旅游目的地和网站的安全性”含有变量：
“安全性国”-网站推荐的旅游国家安全性 （负载- 0.829，强）
“设计可信度高”-网站设计者可信度高。（负载- 0.766，强）
（4）第四个因子名称“没去过的旅游目的地”含有变量：
“不熟悉国”-网站推荐的旅游国家是您第一次见到的国家 （负载- 0.850，强）
“要去熟悉国”-您以前想去在网站推荐的国家旅游。可是还没去过。（负载- 0.742，强）
5 结 语
本文的研究表明，因子分析导致初始数据降低，并得出了新的更简单的结构，留下4个公共因子，每个因子含2个变量。每个因子解释能力接近，四个因子解释相关于71% 。
此四个因子对旅游网站用户意愿继续使用旅游网站的强力， 换句话说网站“黏性”力度，评价起很好的作用，是可以在随后研究中使用的变量。
第一个因子可以属于旅游者的没意愿去旅游的子维度，即“不想去旅游目的地”的因子。
第二个因子“有名气性的旅游目的地”可以属于旅游点的特征的子维度。
第三个因子“旅游目的地和网站的安全性”可以认为属于安全性子维度。
第四个因子“没去过的旅游目的地”可以属于旅游者旅游经验子维度。
另外，按照因子分析结果在随后的研究将不再使用四个变量 ，就是“不安全性国”“没名气国”“设计可信度一般” “去过的国”。
[关键词] 网站评价；外部因素维度；因子分析；网站“黏性”；旅游目的地
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 01. 081
[中图分类号] F590.8 [文献标识码] A [文章编号] 1673 - 0194（2017）01- 0142- 06
0 引 言
互联网网时代网站是传播信息的系统，不同企业和组织使用网站联系网络用户。联系目的地是说服用户使用网站推荐的产品，服务等。但是有一个普遍承认的问题，即网站用户的关注很容易变化，因为用户从一个到另一个网站的转移很容易。 因此，重要是提高网站“黏性”及了解什么因素提高“黏性”，这样用户才会不愿意转移网站。
网站是一种复杂的系统，已有的研究关注网站不同的方面，例如网站跟技术有关的方面、企业服务方面、网站内容方面等。本文针对外部因素开展研究，文献在这方面很少研究。
为了准备随着地网站评价研究 ，首先需要对收集的数据，利用因子分析方法进行排序、削减。收集的材料反映网络用户的知觉如何跟旅游有关的特点影响他们的意愿使用网站。因子分析会得到数据更简单的结构，使强相关的变量形成公共因子，减少数据范围，提取的公共因子将在网站评价研究使用。
1 旅游目的地网站“黏性”与相关“外部因素”
“外部因素”维度很少利用在网站评价研究中，研究者平常针对另外的网站维度，比如技术维度、服务维度、适用性等。外部因素维度与网站构建没无关，但本维度从心理方面影响用户的行为。
因果行为理论（Theory of Reasoned Action）假定信任和评价形成个人行为有关的态度，而且其他人、社会信任和动机形成个人遵从的主观规范。个人态度为行为和个人遵从的主观规范影响行为的意向，而且行为的意向影响真实的行为。技术接受模型（Technology Acceptance Model）基于因果行为理论理解用户接受信息技术的行为。在技术接受模型中，“外部变量”是初始元素，表示用户技术接受行为从外部因素变量开始。“外部变量”影响用户感知的适用性和是否方便使用，而且这两个因素影响使用的态度，并实用的态度影响信息系统使用的意向，进而影响真实的行为。
外部因素是旅游相关理论重要的因素，此解释旅游者行为，比如搜索旅行信息过程依据旅游者为旅游有兴趣和动机。旅游动机被个人、心理和社会影响，旅游者按照个人的动机决定旅游安排。其他影响旅游者的决定参加旅游活动的因素是各种各样的限制，比如时间、财政预算， 可得到信息、文化背景、社会地位、已得到旅行和搜索经验。 个人目标和偏爱代表旅游者的期望并造成相应的选择。因此可以假定外部因素，即旅游目的地先验知识、兴趣、旅游经验和感知的网站和旅游目的地的名气影响用户行为和动机搜索网站。
在Lee和Kozar研究使用的是服务提供者特征质量（vendor-specific quality）变量，是跟网站和企业单位成功有关的因素。在此研究还有其他的三个网站方面变量， 代表系统质量、服务质量和信息质量。研究者也把变量，即网站和企业单位名气、价格竞争性和认识为评价如何网站质量影响电子商务成功使用。研究者发现选择旅游网站的时候经理者和设计者被服务提供者特征的质量影响最大，但对顾客来说服务提供者特征质量占第二位，系统质量占第一位 。
旅游网站的用户在搜索一段信息的时候会同时检查几个相关网站。 但是，相关学者认为大量的信息以及过多的选择会造成负面的影响，比如用户常常快的转移其他的网站， 不喜欢花时间阅读长的文本，表示搜索行为常常是很简单的。如果互联网用户不满意，就马上离开网页。大量旅游网站因为没有达到顾客的要求，所以消失了。
网站“黏性”代表网站保持用户者注意和兴趣的能力，并且用户不会马上转移到其他的网站，继续浏览网站。用户持续的注意就表示网站达到引起和维持兴趣的目标。网站“黏性”反映了网站成功度， 是网站成功的一部分。
图1所述为这研究按照旅游地网站成功评价模型。旅游地网站是一种被正式管理/营销组织推荐的旅游目的地的网站。本文主要针对影响网站“黏性”的外部因素进行优化研究。
2 研究构架和研究问题
2.1 研究构架
网站外部因素与跟网站系统、服务没有直接关，但理解潜在旅游者的经验和兴趣、网站设计者和旅游目的地的名气对网站成功，吸引浏览网站推荐的信息很重要。在本文使用的变量引用了因果行为理论、技术接受模型、 Lee和 Kozar （2006）的服务提供者特征质量变量和旅游动机知识。变量分为三个子维度，即①旅游者先前知识、兴趣和经验；②旅游点的特征；③网站名气性。变量名表示短的在本文章下面使用的变量名字，而且在个人经历/国家特征/网站的列提供的全变量的意义（如表1）。不过本研究针对用户意愿继续使用旅游网站行为。
2.2 研究目标和问题
本研究主要的目标是通过对调查数据的处理，完成影响旅游目的地网站“黏性”的外部因素结构及减少外部因素维度的变量数量。研究的主要的问题如下：
（1）分析外部因素的数据结构，是否可以得到与初始不一样的新的子维度？
（2）分析后得到的新子维度可以表现出什么信息？ （3）什么变量重要，且应该在随后研究使用？什么在随后的研究需要去除？
3 研究数据获取
3.1 调查问卷
本研究使用116份中国人自己填写的问卷，回答以前使用旅游网站搜索旅游信息的相关情况，从2015年3月到7月把收到问卷。采用“自选择”抽样办法，问卷在街头和www.wenjuan.com网站发放。
问卷含有两个部分。第一部分关于人口信息，第二部分含有研究问题表。使用7数字的测量尺度，从0到6，“0”表示没有影响，因而意愿程度不改变，“3”表示影响不大，因而意愿程度不大，“6” 表示影响最大，意愿最大。回答选择还有“不知道”选择，为了确保如果不太明确或不知道意思的时候不必选择数字，因而不影响回答正确。但是在www.wenjuan.com网站收到的问卷的测量尺度有一点差别，因为网站设计要求不可以加上“不知道”选择，所以回答者，如果不知道，或不太清楚怎么回答，可留下空，不填问题表。
3.2 被调查者分析
调查含有在街上收到的问卷为86%， 在线收到的问卷14%。50%回答者是女人，50% 是男人。大部分被调查者是年轻人，18～35岁，占88%。36～60岁人为10%，其中58%学生，26%企业员，4%政府员，12%其他。86%有打算在未来去旅游，88%以前没旅游过。本研究被调查者比较了解上网，10%回答者总是使用网站为搜索旅游信息，47%常常使用网站，42%很少使用网站。
4 数据分析方法
本文利用SPSS17.0 软件统计进行探索性R-类型因子分析。
因子分析是一种多元数据统计分析方法，主要分析目的是明晰变量的结构和相互关系 。因子分析方法可以把数据的维数降低，同时又尽量不损失数据中的信息。本分析核心问题是：如何构造因子变量及如何对因子变量进行命名解释 。
因子分析过程如下：
（1）确定研究问题和分析目标；
（2）设计因子分析；
（3）因子分析前提条件检验；
（4）提取因子和确定总的契合度；
（5）旋转因子及其对它们的解释；
（6）确认因子分析结构和结果。
收集的数据含有缺失数据不超过10%。按照Hair（2011） 等的研究结果，如果缺失数据不超过10%的，缺失数据可以利用所有的办法进行替换、填补，在本研究缺失数据被平均值替换。
为了使用因子分析有效，最少应有50份观测数据，且观测数量应该超过变量数量，最好为10比1 ，不少3比1。 本研究为“愿意停留在网站”有12个变量，观测数量超过50份。
4.1 因子分析前提条件检验
为了确定是否样本合适做因子分析，首先需要计算相关系数矩阵、进行KMO（Kaiser-Meyer-Olkin）检验，巴特利特球形检验（Bartlett test of sphericity）和样本合适测量（Measure of Sampling Adequacy，MSA）。
计算相关系数矩阵表现在0.00 和0.01 显著性水平p 值，26%变量系数值均大于0.27，即有变量为强相关，就是可以继续检查变量适合做因子分析。
通过巴特利特球形检验计算相应的伴随概率（Sig）为0.00，小于显著性水平0.05， 因此变量之间存在相关关系，合适做因子分析。
KMO检验的取值在0和1之间，值越接近1表示变量间的相关性越强，就是变量非常合适，0.5 以下表示极不合适。本观测12个变量通过KMO检验得到0.667，适合做因子分析。检查原始变量样本合适测量（MSA）有一个变量值小于0.5，即“不安全性”变量不合适，应该取消。
第二次计算11个原始变量系数，不含有“不安全性”变量，分析前提条件：
在0.00 和0.01 显著性水平p 值29%、变量系数值均大于0.27、KMO值得到0.710 分、通过巴特利特球形检验计算相应的伴随概率（Sig）为0.00、样本合适测量（MSA）变量值都大于0.5，结果表示可以进行因子分析。
4.2 因子提取
因子分析重要的问题之一是提取因子数量应该多少，为了抽取因子利用主成方法。
为了抽取合适的因子及说明原始变量最好的构造，应该注意几个重要的准则，即：
（1）公共因子的特征值接近于1。
（2）公共因子数量最好得到60%以上累计解释的总方差。
（3）查看碎石图里特征根变化趋于平稳点（建议查看K， K-1 和 K 1 公共因子数量， 即K-在碎石图特征根变化趋于平稳点）。
（4）抽取公共因子获得最合适的结构。
首先查看11个变量的碎石图（图2），仅看弯曲点表明3个公共因子应该合适。
为了确定公共因子数量，查看第3和第4个公共因子的结果。
结果显示3个公共因子不合适（如表2），提取3个公共因子、特征值大于1是1.1可是累计解释的方差得到不合适的53%。再者5个变量共同度为0.5以下， 即提取的公因子不合适。
如果提取4个公因子第4个公共因子特征值于0.983，累计解释的方差为62%。可是“设计可信度一般”变量的方差贡献率为0.485， 不到0.5，就是变量的方差贡献率不合适，因此确定取消本变量，留下10个变量。
10个变量KMO值得到0.709，巴特利特球形检验计算相应的伴随概率（Sig）为 0.00。提取3个公因子不合适，由于累计解释的方差仅为57%。提取4个公因子系数都合适，即公因子数量满意，特征值靠近1为0.951，变量共同度都大于0.570，累计解释的方差为66%，就是4个公因子可以解释66% 方差。 为了继续因子分析，按照上面说明的结果，确定应用10个变量，提取4个公共因子。表2显示变量共同和解释的方差的结果。
4.3 旋转和解释因子
旋转成分矩阵检查见表3和表4。因子旋转简化因子结构和提供更简单和有意义的公共因子。
为了旋转公共因子运用属于正交旋转亚类型：具有Kaiser标准化的最大方差法。
通过正交旋转亚类型的方法公共因子互相独立没有公共的相关。最大方差法（Varimax）是一个常用的方法，此方法最大化各个因子载荷平方的方差的总数。
为了保持公共因子简单的构造应该考虑下面的条件：
（1）变量载荷该大于±0.5，即±0.5 载荷表明有实用意义及±0.7载荷表明结构定义明确的；
（2）检查是否变量有意义的交叉负载；
（3）检查是否矩阵含有没有实用的载荷的变量。
10个变量分析结果表明每个变量最少有一个有意义的载荷，同时有两个变量，就是“没名气国”和“去过的国”变量有交叉负载。（如表3）因此为了良好因子结构，决定取消有交叉负载的变量，亦需要重新指定因子模型。
考虑几个因子模型，即取消一个变量（“没名气国”或者“去过的国”）、两个变量、减少和增加公共因子数量，最终决定选择4个公共因子留下8个变量。
这4个公共因子KMO值为0.659，因此因子分析结果是可以接受的，巴特利特球形检验计算相应的伴随概率（Sig）为 0.00， 变量共同度都超过0.63。第一个因子的旋转特征值解释18.309%方差，第二个为-18.005%，第三个为-17.468%，第四个为-17.218%，即四个公共因子总共解释71.001%方差。（如表4）
此因子模型实际和统计意义也有合理的解释。表4输出的8个变量的结果表示全变量之间没有意义的交叉负载，每个公共因子有两个有高值的负载，因子结构非常明晰。
4.4 因子模型
（1）第一个因子名称“不想去旅游目的地”含有变量：
“不想去国”- 网站推荐的旅游国家不是很多人都知道的也不是很多人想去的。（负载- 0.815，强）；
“不要去兴趣国” - 您以前对网站推荐的旅游国家有了解兴趣。可是没有打算去那里旅游。（负载- 0.795，强）
（2）第二个因子名称“有名气性的旅游目的地”含有变量：
“都想去国”- 网站推荐的旅游国家很多人都知道并想去的 （负载- 0.889，强）
和“名气性国”- 网站推荐的旅游国家的名气性。（负载- 0.740，强）
（3）第三个因子名称“旅游目的地和网站的安全性”含有变量：
“安全性国”-网站推荐的旅游国家安全性 （负载- 0.829，强）
“设计可信度高”-网站设计者可信度高。（负载- 0.766，强）
（4）第四个因子名称“没去过的旅游目的地”含有变量：
“不熟悉国”-网站推荐的旅游国家是您第一次见到的国家 （负载- 0.850，强）
“要去熟悉国”-您以前想去在网站推荐的国家旅游。可是还没去过。（负载- 0.742，强）
5 结 语
本文的研究表明，因子分析导致初始数据降低，并得出了新的更简单的结构，留下4个公共因子，每个因子含2个变量。每个因子解释能力接近，四个因子解释相关于71% 。
此四个因子对旅游网站用户意愿继续使用旅游网站的强力， 换句话说网站“黏性”力度，评价起很好的作用，是可以在随后研究中使用的变量。
第一个因子可以属于旅游者的没意愿去旅游的子维度，即“不想去旅游目的地”的因子。
第二个因子“有名气性的旅游目的地”可以属于旅游点的特征的子维度。
第三个因子“旅游目的地和网站的安全性”可以认为属于安全性子维度。
第四个因子“没去过的旅游目的地”可以属于旅游者旅游经验子维度。
另外，按照因子分析结果在随后的研究将不再使用四个变量 ，就是“不安全性国”“没名气国”“设计可信度一般” “去过的国”。