패션 플랫폼의 네트워크 효과 활성화를 위한 소비자 기술수용 및 준비요인 분석

Ⅰ. 서론

4차 산업혁명에서 기술혁명으로 제시된 기술들은 패션산업과 융합되면서 3D프린터를 이용한 패션 디자인 및 생산, IoT를 활용한 스마트 생산 공정, AR/VR을 활용한 매장 내 서비스 도입, 빅데이터 분석을 바탕으로 한 소비자 구매패턴 및 패션 트렌드 예측 등 패션산업 전반에 걸쳐 지속적인 발전과 변화가 이어지고 있다. 특히 Covid-19 팬데믹 이후 큰 성장세를 보이고 있는 플랫폼은 디지털 기술을 사용해 방대한 양의 가치를 창출하고 교환이 가능한 새로운 비즈니스 모델 개념으로(Parker, Van Alstyne, & Choudary, 2016), 패션산업에서는 유통채널 및 패션 마케팅에 활용되고 있다.

플랫폼에 있어 핵심 키워드는 바로 ‘연결성(connectivity)’이다. ICT(information and communication technologies) 기술을 기반으로 한 플랫폼은 이 연결성을 바탕으로 새로운 가치와 경쟁력을 창출하고 있다. 물리적 공간과 인터넷상의 디지털 공간이 연결되어 플랫폼이라는 일종의 ‘시장’형태가 구축이 되는데, 이때 공급자와 소비자가 함께 원하는 거래를 진행하며 네트워크 효과(Network Effect)가 발생하게 된다(Zhao, Von Delft, Morgan-Thomas, & Buck, 2020). 여기서 언급되는 네트워크 효과는 특정 제품이나 서비스의 네트워크가 커질수록 해당 제품이나 서비스를 통해 소비자가 얻는 혜택이 증가된다는 개념을 내포하고 있다(Katz & Shapiro, 1985). 디지털 환경에서의 온라인 플랫폼 구성요소로는 플랫폼, 플랫폼 이용그룹인 생산자와 소비자, 그리고 교환가치로 구성되며(Lee & Yang, 2019), 산업 간 융합된 플랫폼 모델을 통해 생산자와 소비자의 다면적 네트워크 효과가 극대화되어 성장하고 있다(Chun, Kim, & Youn, 2019). 이처럼 플랫폼 기업들은 이해 당사자 즉, 플랫폼을 이용하는 소비자의 가치와 기업 내외에서 발생하는 상호작용의 기능을 중요하게 여기므로(Parker et al., 2016), 전반적인 플랫폼 산업의 성장 측면에서 그 귀추가 주목된다.

플랫폼은 기본적으로 네트워크의 외부적 영향을 받는데, 이는 플랫폼이 서로 다른 사용자 집단, 다시 말해 생산자/판매자 집단과 소비자 집단이 상호작용하는 양면 시장(Two-sided market)으로 이루어졌기 때문이다(Chun et al., 2019). 온라인 명품 플랫폼은 세계의 다양한 패션 기업의 명품 브랜드 제품을 온라인과 모바일 채널을 통해 판매하는 디지털 소매 공간으로(Jeong, 2022a) 글로벌 채널 특성상 동시 연결성이 작용한다(Watanabe, Akhtar, Tou, & Neittaanmäki, 2021). 단순한 판매와 구매기능에서 더 나아가 플랫폼을 매개로 하여 기업/브랜드 그룹과 소비자 그룹 간 상호작용인 커뮤니케이션을 바탕으로 네트워크가 발생하는데 이때 발생하는 네트워크 효과가 기업의 성장에 미치는 영향력은 매우 크다고 볼 수 있다(Simon, 2011).

패션 플랫폼 관련 선행연구를 살펴보면, Watanabe et al. (2021)은 플랫폼을 하나의 판매채널로 구분하여 채널의 특성 측면에서 아마존(Amazon)의 옴니채널 사례를 분석하였는데, 디지털 플랫폼에서 명품 브랜드의 주문형 개인화 및 소비자 맞춤형을 클라우드 기반으로 빅데이터 수집의 고도화를 통해 더 확장된 형태로의 비즈니스 모델이 가능함을 밝혔다. 또한 Song(2021)은 생산 네트워크 측면에서의 패션 플랫폼에 대한 사례분석을 통해 패션 공정 전체에 걸쳐 연결된 새로운 형태의 패션 플랫폼의 필요성과 생산 측면에서 첨단기술을 중심으로 한 비즈니스 모델의 방향성을 제시하였다. Chun et al.(2019)는 최근 급성장한 플랫폼들의 비즈니스 요인을 분석하여 4가지의 대표 성장요인인 기술적, 경제적, 구조적, 감성적 요인을 도출하였으며, 다른 플랫폼들이 이를 활용하여 성장을 활성화 시킬 것을 제안하였다. 이처럼 다양한 측면에서 패션 플랫폼 연구가 선행되었으나, 대부분은 플랫폼 자체의 특성만을 중심으로 진행되었다. 특히 네트워크 효과는 e-커머스에서 성공적인 플랫폼 산업을 위한 중요한 요인임에도 불구하고(Lee, Kim, & Park, 2022), 패션시장에서의 플랫폼 비즈니스 모델에 대한 소비자 인식과 영향요인에 대한 실증적인 관계를 확인한 연구는 매우 미비한 실정이다. 그러나 앞서 설명한 바와 같이 플랫폼 성장을 위해서는 네트워크 활성화가 필요하며 네트워크는 생산자 그룹과 소비자 그룹의 상호작용을 통해 이루어지므로, 소비자 측면에서 이를 확인한 연구가 필요하다고 여겨진다.

따라서 본 연구에서는 패션 소비자가 명품 구매를 위한 온라인 플랫폼을 선택하거나 이용할 때 형성되는 이유나 계기, 즉 트리거(Trigger) 역할을 하는 요인이 무엇인지를 플랫폼에 대해 소비자들이 인지하는 기술수용 관련 특정 요인을 통해 확인해보고, 소비자 자체에 내재된 기술적 특성도 함께 확인해보고자 한다. 이는 온라인 명품 플랫폼의 네트워크 확산을 위해 소비자의 온라인 명품 플랫폼 사용의도에 영향을 주는 요인을 밝혀내고자 하는데 그 목적이 있으며, 이를 위해 본 연구는 크게 두 단계로 구분되어 수행하고자 한다. 첫째, 소비자 관점에서 기존 온라인 명품 플랫폼을 이용한 소비자의 기술준비 및 수용이 사용의도 및 사용행동에 미치는 영향을 분석한다. 둘째, 네트워크 효과 관점에서 인터넷 자기효능감이 각 영향관계 사이를 조절하는지 여부를 확인한다. 인터넷 자기효능감은 인터넷 쇼핑에서 발생하는 플로우(flow)에 긍정적인 영향을 미침과 동시에 위험 지각을 낮추는 효과가 있으므로(Lee & Kwon, 2006), 소비자들이 패션 플랫폼을 이용함에 있어 네트워크 효과가 발생하는 특정 영향관계에 인터넷 자기 효능감이 영향을 줄 것이라 예상된다. 이를 통해 밝혀진 연구결과는 패션산업의 기술발전과 최근 주목받고 있는 플랫폼 시장의 확장에 필요한 학문적 기초정보를 제공할 수 있으리라 기대한다.

Ⅱ. 이론적 배경

Ⅲ. 연구문제 및 가설

2. 연구모형

설정된 가설을 바탕으로 한 연구모형은 <Fig. 1>과 같다.

<Fig. 1>

Research Model

Ⅳ. 연구방법 및 분석결과

3. 인구통계학적 특성

인구통계학적 특성에 대한 빈도분석 결과, 먼저 성별은 남성 149명(48.4%), 여성 159명(51.6%)으로 나타났으며, 이들의 나이 평균은 35.99, 표준편차가 9.42로 집계되었다.

명품 구매경험에 대한 응답은 그렇다 308명(100%), 온라인 명품 패션플랫폼 이용경험에 대한 응답 역시 그렇다 308명(100.0%)으로 참여자 전원이 명품 구매경험과 온라인 명품 패션플랫폼 이용경험이 있는 것을 확인하였다. 이때 명품 구매경로(중복선택가능)를 살펴보면, 온라인 쇼핑몰 224명(20.0%), 해외 직구 166명(14.8%), 온라인 명품 플랫폼 308명(27.5%), SNS마켓 67명(6.0%), 백화점 221명(19.7%), 아울렛 136명(12.1%)으로 나타났으며, 이때 구매한 명품제품 종류로는 의류(상/하의 및 속옷 포함) 17.9%(55명), 잡화(신발, 모자, 가방 등) 71.1%(219명), 기타(악세서리 및 스카프 등) 11.0%(34명)으로 나타났다. 그 밖에 구매한 명품제품 가격대 및 월평균 패션제품 쇼핑 금액과 월평균 패션제품 쇼핑시간 등에 대한 빈도분석 결과는 <Table 1>과 같다.

<Table 1>

Demographic Characteristics

4. 상관관계분석 및 확인적 요인분석결과

기술통계분석 및 일변량 정규성과 다변량 정규성 검토 결과, 본 연구데이터에 대한 정규성 가정에서 왜도는 절대값이 3, 첨도는 절대값이 10을 벗어나지 않아 왜도와 첨도의 문제는 없는 것으로 확인되었다. 각 변수에 대한 기술통계분석 결과표는 <Table 2>와 같다.

<Table 2>

Descriptive Statistic Analysis Result

또한 변수들의 상관관계를 확인하기 위해 Pearson 상관관계분석을 실시한 결과, <Table 3>과 같이 모든 변수들 간의 상관계수가 유의수준이 .01하에서 정(+)의 상관관계가 있는 것으로 나타났다.

<Table 3>

Correlation Analysis Result

구조방정식 모형 분석을 진행하기에 앞서, 각 잠재변인을 구성하는 관측변인의 구성이 타당한지 확인하기 위해 확인적 요인분석을 실시한 결과, χ²=1736.142(df=751, p=.000), 증분적합지수인 TLI=.900, CFI=.902, RMSEA=.065(Lower Bound=.061, Upper Bound=.069), SRMR=.058로 나타나 전반적으로 양호한 적합도를 보이고 있음을 확인하였다. 적합도 확인 과정에서 촉진조건(FC)에 대한 문항 2개와 사용행동(AU) 문항 2개, 그리고 혁신성(IT) 문항 1개가 삭제되었으며 이를 바탕으로 도출된 개념타당도 결과는 <Table 4>와 같이 모든 경로계수가 유의하며 표준화 경로계수(β) 역시 모두 .5이상으로 나타나 개념타당도를 만족한다고 판단된다.

<Table 4>

Construct Validity Result

수렴타당도 검정을 위해 각 변수의 개념신뢰도와 평균분산추출값은 <Table 5>와 같다. 개념신뢰도의 경우 .7이상, 그리고 평균분산추출값은 .5이상이면 수렴타당도가 높다고 해석하므로(Anderson & Gerbing, 1988) 본 연구모형의 수렴타당도에는 문제가 없음을 확인하였다. 또한 각 변수 간의 차이를 확인하기 위해 판별타당도 검증을 실시하였다. 이를 위해 평균분산추출값을 측정하고 각 변수들 간의 상관계수를 산출하여 해당 변수의 상관계수제곱값이 평균분산추출값을 상회하지 않는지를 확인하였다(Fornell & Larcker, 1981). 판별타당성의 검증의 경우, 변수가 많을 시에는 개념적으로 유사한 변수간 상관이 가장 높은 쌍을 선택해서 대표적으로 검증을 하는 것이 일반적이다. 따라서 성과기대와 노력기대의 평균분산추출값인 .592와 .746은 가장 높은 상관계수제곱값을 보이는 성과기대와 노력기대 변수 간의 수치인 .579보다 모두 높게 나타나 판별타당도에는 이상이 없는 것으로 확인되었다.

<Table 5>

Convergent Validity Result

5. 경로분석 결과

구조방정식 모형에 대한 적합도를 살펴보면, Chi-square=961.875, CMIN/df=1.419, RMR=.042, GFI=.908, AGFI=.902, CFI=.972, NFI=.912, IFI=.972, TLI=.966, RMSEA=.037으로 나타났다. 적합도를 판단하는데 있어 보통 RMR은 .05이하, GFI, AGFI, CFI, NFI는 .9이상이면 적합하다고 판단하며 RMSEA는 .05이하면 좋다고 보고 CMIN/df는 2보다 낮아야 한다. 따라서 적합도 기준에 따라 본 연구모형은 적합도는 만족할 만한 수준인 것으로 확인되었다. 구조모형 분석에 대한 결과는 <Table 6>과 같다.

<Table 6>

Path Analysis Result

구조모형 분석 결과, 성과기대는 사용의도에 정(+)적으로 유의한 영향을 미치는 것으로 나타나(β=.532, p<.001), 가설1(1)은 채택되었다. 즉 소비자들의 성과기대가 높을수록 패션 플랫폼 사용의도가 높아지는 것으로 분석되었다. 그러나 노력기대는 사용의도에 부(-)적으로 유의한 영향을 미치는 것으로 나타나(β=-.239, p<.05), 가설1(2)는 기각되었다. 또한 사회적 영향(β=.316, p<.001)과 낙관성(β=.196, p<.01), 혁신성(β=.146, p<.05) 모두 사용의도에 정(+)적으로 유의한 영향을 미치는 것으로 나타나 가설1(3)~(5)는 모두 채택되었다. 그러나 촉진조건(β=-.078, p=.189)과 혁신성(β=.090, p=.075)은 사용행동에 유의한 영향을 미치지 않는 것으로 나타나 가설2(1)과 가설2(3)은 기각되었으나, 낙관성은 사용행동에 정(+)적으로 유의한 영향을 미치는 것으로 나타나(β=.153, p<.05) 가설2(2)는 채택되었다. 마지막으로 사용의도가 사용행동에 정(+)적으로 유의한 영향을 미치는 것으로 나타나(β=.823, p<.001) 가설3은 채택되었다.

6. 인터넷 자기효능감의 조절효과 분석 결과

다중집단분석(Multiple group analysis)을 하기 위해 우선 측정동일성 검정을 실시하였다. <Table 7>에서 제약모형1은 요인계수를 집단 간 동일하게 제약한 모형이며, 제약모형2는 공분산을 집단 간 동일하게 제약한 모형이다. 제약모형3은 요인계수와 공분산을 집단 간 동일하게 제약한 모형이며, 제약모형4는 요인계수와 공분산, 그리고 오차분산을 집단 간 동일하게 제약한 모형이다. 비제약모형의 모형적합도는 χ²=2736.534(p<.001), TLI=.838, CFI=.852, RMSEA=.052로 집단 간 형태동일성은 문제가 없는 것으로 확인되었다.

<Table 7>

Multiple Group Confirmatory Factor Analysis Fit

또한 비제약모형과 제약모형1의 χ² 검정결과, p<.05수준에서 유의하지 않은 것으로 나타났다. 즉 두 집단은 모형 형태 및 잠재변수와 측정변수 간 요인계수의 측정동일성이 확보되어 다중집단 경로분석을 진행하는 데 문제가 없는 것으로 나타났다. 한편, 비제약모형과 제약모형 2~4는 χ² 검정결과 유의하게 차이 나는 것으로 확인되었다.

최종적인 조절효과를 검증하기 위하여 인터넷 자기효능감에 대한 다중집단분석을 진행하였다. 인터넷 자기효능감의 평균값을 기준으로 고/저 그룹으로 나누었으며, 조사자 제약에 의한 분석방법으로 가설검증하기 위해 제약 모형과 비제약 모형의 자유도 변화에 따른 카이제곱검증을 통해 평가하였다. 또한 두 경로의 차이 값(C.R)을 구하여 차이가 있는지 확인하였다. 분석 결과는 <Table 8>과 같다.

<Table 8>

Multiple Group Analysis Result

먼저, 저집단의 표본 수는 158명, 평균값은 4.55로 나타났으며, 고집단은 표본 수는 150명, 평균값은 5.89로 나타났다. 각 경로항목 값을 확인한 결과, 성과기대와 사용의도 간의 관계에서 인터넷 자기효능감의 조절효과를 살펴보면 카이제곱이 6.692, C.R.값은 2.521(p<.05)로 이는 |1.96| 이상이므로 경로의 차이는 통계적으로 유의한 것으로 나타났다. 즉 성과기대가 패션플랫폼 사용의도에 영향을 미치는 데 있어 소비자들의 인터넷 자기효능감은 정(+)적으로 조절적인 역할을 하는 것으로 나타났으며, 인터넷 자기효능감은 성과기대가 패션 플랫폼 사용의도에 미치는 정(+)의 영향을 높여주는 것으로 검증되었다. 또한 사용의도와 사용행동 간의 관계에서 인터넷 자기효능감의 조절효과를 확인한 결과, 카이제곱이 8.482, C.R.값은 -2.834(p<.01)로 이는 |2.58| 이상이므로 통계적으로 유의한 것으로 나타났다. 즉 소비자들의 패션 플랫폼에 대한 사용의도가 사용행동에 영향을 미치는 데 있어 인터넷 자기효능감은 부(-)적으로 조절적인 역할을 하는 것으로 나타났으며, 인터넷 자기효능감은 사용의도가 사용행동에 미치는 부(-)의 영향을 높여주는 것으로 검증되었다. 다른 경로에서의 차이는 통계적으로 유의하지 않은 것으로 나타나 해당 경로에서의 조절효과는 없는 것으로 확인되었다.

Ⅴ. 논의

References

• Agarwal, R. & Karahanna, E. (2000). Time flies when you’re having fun: Cognitive absorption and beliefs about information technology usage. MIS Quarterly, 24(4), 665-694. [https://doi.org/10.2307/3250951]
• Alanadoly, A. & Salem, S. (2022). Fashion involvement, opinion-seeking and product variety as stimulators for fashion e-commerce: An investigated model based on S-O-R model. Asia Pacific Journal of Marketing and Logistics, Vol. ahead-of-print, No. ahead-of-print. [https://doi.org/10.1108/APJML-06-2021-0447]
• Anderson, J. C. & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411-423. [https://doi.org/10.1037/0033-2909.103.3.411]
• Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Englewood Cliffs, U.S.: Prentice Hall.
• Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1-26. [https://doi.org/10.1146/annurev.psych.52.1.1]
• Bandura, A. (2006). Toward a psychology of human agency. Perspectives Psychological Science, 1(2), 164-180. [https://doi.org/10.1111/j.1745-6916.2006.00011.x]
• Borrero, J. D., Yousafzai, S. Y., Javed, U., & Page, K. L. (2014). Expressive participation in internet social movements: Testing the moderating effect of technology readiness and sex on student SNS use. Computers in Human Behavior, 30, 39-49. [https://doi.org/10.1016/j.chb.2013.07.032]
• Boulding, W., Kalra, A., Staelin, R., & Zeithaml, V. A. (1993). A dynamic process model of service quality: From expectations to behavioral intentions. Journal of Marketing Research, 30(1), 7-27. [https://doi.org/10.2307/3172510]
• Chun, S. C., Kim, H. J., & Youn, J. Y. (2019). An analysis of domestic and foreign fashion platform business success cases and growth factors. Journal of Basic Design & Art, 20(4), 455-474. [https://doi.org/10.47294/KSBDA.20.4.33]
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. [https://doi.org/10.2307/249008]
• Diefenbach, M. A., Weinstein, N. D., & O'Reilly, J. (1993). Scales for assessing perceptions of health hazard susceptibility. Health Education Research, 8, 181-192. [https://doi.org/10.1093/her/8.2.181]
• Dhingra, S., Gupta, S., & Bhatt, R. (2020). A study of relationship among service quality of e-commerce websites, customer satisfaction, and purchase intention. International Journal of E-Business Research, 16(3), 42-59. [https://doi.org/10.4018/IJEBR.2020070103]
• Economides, N. (1996). The economics of networks. International Journal of Industrial Organization, 14(10), 673-99. [https://doi.org/10.1016/0167-7187(96)01015-6]
• Eastin, M. S. & LaRose, R. (2000). Internet self-efficacy and the psychology of the digital divide. Journal of Computer-Mediated Communication, 6(1). [https://doi.org/10.1111/j.1083-6101.2000.tb00110.x]
• Finstad, K. (2010). Response interpolation and scale sensitivity: Evidence against 5-point scales. Journal of Usability Studies, 5(3), 104-110. [https://doi.org/10.5555/2835434.2835437]
• Fornell, C. & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. [https://doi.org/10.2307/3151312]
• Fu, W., Wang, Q., & Zhao, X. (2017). The influence of platform service innovation on value co-creation activities and the network effect. Journal of Service Management, 28(2), 348-388. [https://doi.org/10.1108/JOSM-10-2015-0347]
• Glassman, M. & Kang, M. J. (2012). Intelligence in the internet age: The emergence and evolution of open source intelligence (OSINT). Computers in Human Behavior, 28(2), 673-682 [https://doi.org/10.1016/j.chb.2011.11.014.]
• Han, S. L. & Park, S. M. (2009). Effects of technology readiness on the attitude and usage intention of self-service technology. Entrue Journal of Information Technology, 8(2), 51-63.
• Hong, H., Cao, M., & Wang, G. A. (2017). The effects of network externalities and herding on user satisfaction with mobile social apps. Journal of Electronic Commerce Research, 18(1), 18-31.
• Hsu, M.-H. & Chiu, C.-M. (2004). Internet self-efficacy and electronic service acceptance. Decision Support System, 38(2), 369-381. [https://doi.org/10.1016/j.dss.2003.08.001]
• Jeong, D. (2022a). A study on consumer behavior on online luxury platforms using the unified theory of acceptance and use of technology: Focusing on the extended UTAUT(2) theory. Fashion & Textile Research Journal, 24(4), 386-398. [https://doi.org/10.5805/SFTI.2022.24.4.386]
• Jeong, D. (2022b). Influencing factors and switching intention to contact-free shopping: Focusing on push-pull-mooring theory. Journal of the Korean Society of Costume, 72(3), 34-58. [https://doi.org/10.7233/jksc.2022.72.3.034]
• Jiang, L., Jun, M., & Yang, Z. (2016). Customer-perceived value and loyalty: How do key service quality dimensions matter in the context of B2C e-commerce?. Service Business, 10(2), 301-317. [https://doi.org/10.1007/s11628-015-0269-y]
• Katz, M. L. & Shapiro, C. (1985). Network externalities, competition, and compatibility. The American Economic Review, 75(3), 424-440.
• Kim, D. J. (2020). The long-run implications of network effects and learning by doing in a digital economy: A note. International Telecommunications Policy Review, 27(2), 87-97. [https://doi.org/10.37793/ITPR.27.2.4]
• Kim, D. Y. & Kim, S. Y. (2022). The impact of customer-generated evaluation information on sales in online platform-based markets. Journal of Retailing and Consumer Services, 68, 103016. [https://doi.org/10.1016/j.jretconser.2022.103016]
• Kim, Y. & Glassman, M. (2013). Beyond search and communication: Development and validation of the internet self-efficacy scale(ISS). Computers in Human Behavior, 29(4), 1421-1429 [https://doi.org/10.1016/j.chb.2013.01.018.]
• Kulviwat, S., Bruner II, G. C., & Neelankavil, J. P. (2014). Self-efficacy as an antecedent of cognition and affect in technology acceptance. Journal of Consumer Marketing, 31(3), 190-199. [https://doi.org/10.1108/JCM-10-2013-0727]
• Lee, H. B. & Kwon, N. K. (2006). The role of internet self-efficacy in internet shopping. Asia Marketing Journal, 8(2), 27-62. [https://doi.org/10.53728/2765-6500.1167]
• Lee, M. Y., Kim, S. H., & Park, H. S. (2022). An empirical analysis of the relationship between traits of e-commerce platform and intention to use platform extended service based on value-attitude-behavior: The moderating effect of network impact. Journal of Information Systems, 31(2), 289-320. [https://doi.org/10.5859/KAIS.2022.31.2.289]
• Lee, S. Y. & Yang, J. S. (2019). The future of digital business: Platform innovation strategies in the fourth industrial revolution [디지털 비즈니스의 미래: 4차 산업혁명 시대의 플랫폼 혁신 전략]. Seoul, Republic of Korea: Leadersbook.
• Leibenstein, H. (1950). Bandwagon, snob, and veblen effects in the theory of consumers' demand. The Quarterly Journal of Economics, 64(2), 183-207 [https://doi.org/10.2307/1882692.]
• Li, B., Wang, X., & Tan, S. C. (2018). What makes MOOC users persist in completing MOOCs? A perspective from network externalities and human factors. Computers in Human Behavior, 14, 385-395. [https://doi.org/10.1016/j.chb.2018.04.028]
• Liljander, V., Gillberg, F., Gummerus, J., & Van Riel, A. (2006). Technology readiness and the evaluation and adoption of self- service technologies. Journal of Retailing and Consumer Services, 13(3), 177-191. [https://doi.org/10.1016/j.jretconser.2005.08.004]
• Lin, C. H., Shih, H. Y., & Sher, P. J. (2007). Integrating technology readiness into technology acceptance: The TRAM model. Psychology and Marketing, 24(7), 641-657. [https://doi.org/10.1002/mar.20177]
• Lin, C.-H., Shih, H.-Y., Sher, P. J., & Wang Y.-L. (2005). Consumer adoption of e-service: Integrating technology readiness with the technology acceptance model. Proceedings of PICMET '05: Technology Management: A Unifying Discipline for Melting the Boundaries, Portland, Oregon, USA, 483-488. [https://doi.org/10.1109/PICMET.2005.1509728]
• Maruping, L. M., Bala, H., Venkatesh, V., & Brown, S. A. (2017). Going beyond intention: Integrating behavioral expectation into the unified theory of acceptance and use of technology. Journal of the Association for Information Science and Technology, 68(3), 623-637. [https://doi.org/10.2139/ssrn.3681660]
• McKenna, B., Tuunanen, T., & Gardner, L. (2013). Consumers' adoption of information services. Information & Management, 50(5), 248-257. [https://doi.org/10.1016/j.im.2013.04.004]
• Miltiadou, M. & Yu, C. Y. (2000). Validation of the online technologies self-efficacy scale (OTSES). Educational Resources Information Center (ERIC). Retrieved from https://www.researchgate.net/publication/228467955_Validation_of_the_online_technologies_self-efficacy_scale_OTSES
• Parasuraman, A. (2000). Technology readiness index( TRI): A multiple-item scale to measure readiness to embrace new technologies. Journal of Service Research, 2(4), 307-320. [https://doi.org/10.1177/109467050024001]
• Parasuraman, A. & Colby, C. L. (2001). Techno-ready marketing: How and why your customers adopt technology. New York, U.S.: Free Press.
• Park, J. & Kim, R. B. (2022). Importance of offline service quality in building loyalty of OC service brand. Journal of Retailing and Consumer Services, 65, 102493. [https://doi.org/10.1016/j.jretconser.2021.102493]
• Parker, G., Van Alstyne, M. W., & Choudary, S. P. (2016). Platform revolution: How networked markets are transforming the economy and how to make them work for you. New York, U.S.: WW Norton & Company.
• Reinartz, W., Wiegand, N., & Imschloss, M. (2019). The impact of digital transformation on the retailing value chain. International Journal of Research in Marketing, 36(3), 350-366. [https://doi.org/10.1016/j.ijresmar.2018.12.002]
• Rohlfs, J. (1974). A theory of interdependent demand for a communications service. The Bell Journal of Economics and Management Science, 5(1), 16-37. [https://doi.org/10.2307/3003090]
• Russell, C. & Bobko, P. (1992). Moderated regression analysis and likert scales: Too coarse for comfort. Journal of Applied Psychology, 77, 336-342. [https://doi.org/10.1037/0021-9010.77.3.336]
• Schilling, M. A. (1999). Winning the standards race: Building installed base and the availability of complementary goods. European Management Journal, 17(3), 265-274. [https://doi.org/10.1016/S0263-2373(99)00005-5]
• Seo, S. (2018). The store image of department stores depending on whether they offer luxury overseas brands and shopping value. Journal of the Korean Society of Costume, 68(2), 40-60. [https://doi.org/10.7233/jksc.2018.68.2.040]
• Seol, J. & Choi, E. (2018). An analysis of platform strategy and network effects of GAFA. Korean Journal of Broadcasting & Telecommunications Research, 102, 104-140.
• Shapiro, C. & Varian, H. R. (1999). Information rules: A strategic guide to the network economy. Boston, U.S.: Harvard Business School Press.
• Simon, P. (2011). The age of the platform: Amazon, apple, facebook, google have redefined business. U.S.: Motion Publishing.
• Song, E. Y. (2021). A case study on the fashion platform of the production network. Korean Society of Fashion Design, 21(4), 93-107. [https://doi.org/10.5805/SFTI.2021.23.6.799]
• Sung, T. (2021, December 26). Digital transformation and network effect of consumption [디지털 전환과 소비의 네트워크 효과]. Seoul Newspaper. Retrieved from https://www.seoul.co.kr/news/newsView.php?id=20211227031018
• Venkatesh, V. & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204. [https://doi.org/10.1287/mnsc.46.2.186.11926]
• Venkatesh, V., Moris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. [https://doi.org/10.2307/30036540]
• Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178. [https://doi.org/10.2307/41410412]
• Venkatesh, V., Thong, J. Y. L., & Xu, X. (2016). Unified theory of acceptance and use of technology: A synthesis and the road ahead. Journal of the Association for Information Systems, 17(5), 328-376. [https://doi.org/10.17705/1jais.00428]
• Walczuch, R., Lemmink, J., & Streukens, S. (2007). The effect of service employees' technology readiness on technology acceptance. Information & Management, 44, 206-215. [https://doi.org/10.1016/j.im.2006.12.005]
• Wang, T., Jung, C., Kang, M., & Chung, Y. (2014) Exploring determinants of adoption intentions towards Enterprise 2.0 applications: An empirical study. Behaviour & Information Technology, 33 (10), 1048-1064. [https://doi.org/10.1080/0144929X.2013.781221]
• Watanabe, C., Akhtar, W., Tou, Y., & Neittaanmäki, P. (2021). Amazon's new supra-omnichannel: Realizing growing seamless switching for apparel during COVID-19. Technology in Society, 66, 1-24 [https://doi.org/10.1016/j.techsoc.2021.10164]
• Xiong, J., Qureshi, S., & Najjar, L. (2013, August 15-17). Factors that affect information and communication technology adoption by small businesses in China. Proceedings of the 19th Americas Conference on Information Systems, Chicago, Illinois, United States, 1-12.
• Yuen, Y. Y., Yeow, P. H. P., Lim, N., & Saylani, N. (2010). Internet banking adoption: Comparing developed and developing countries. Journal of Computer Information Systems, 51(1), 52-61. [https://doi.org/10.1080/08874417.2010.11645449]
• Zhang, C. B., Li, Y. N., Wu, B., & Li, D. J. (2017). How Wechat can retain users: Roles of network externalities, social interaction ties, and perceived values in building continuance intention. Computers in Human Behavior, 69, 284-293. [https://doi.org/10.1016/j.chb.2016.11.069]
• Zhao, Y., Von Delft, S., Morgan-Thomas, A., & Buck, T. (2020). The evolution of platform business models: Exploring competitive battles in the world of platforms. Long Range Planning, 53(4), 101892. [https://doi.org/10.1016/j.lrp.2019.101892]