網絡推薦系統對消費者的營銷效果——技術接受模型視角

楊一翁，王　毅，孫國輝（1.北方工業大學經濟管理學院，北京市100144；2.新疆財經大學新疆企業發展研究中心，新疆烏魯木齊80012；.中央財經大學商學院，北京市100081）

?

網絡推薦系統對消費者的營銷效果——技術接受模型視角

楊一翁1、2，王毅3，孫國輝3
（1.北方工業大學經濟管理學院，北京市100144；2.新疆財經大學新疆企業發展研究中心，新疆烏魯木齊830012；3.中央財經大學商學院，北京市100081）

摘要：消費者在網購時面臨“信息超載”難題，而網絡推薦系統既能幫助消費者更加便捷地找到合意商品，也能幫助網商提高銷售額，因而得到了廣泛應用。關于網絡推薦系統，現有研究主要關注網絡推薦系統的算法優化，而較少探索網絡推薦系統對消費者網購決策的影響。文章基于技術接受模型，構建推薦系統與推薦信息特性對感知易用性、感知有用性及推薦采納意向的影響模型。以當當網的消費者為樣本收集數據，運用PLS結構方程模型進行數據分析發現，界面設計對感知易用性無顯著影響；附加功能對感知易用性有顯著正向影響，對感知有用性無顯著影響；推薦數量對感知有用性與感知易用性均有顯著正向影響；推薦質量對感知有用性有顯著正向影響；感知易用性對感知有用性有顯著正向影響，對推薦采納意向無顯著影響；感知有用性對推薦采納意向有顯著正向影響。因此，為更好地提高網絡營銷效果，網商可通過主動向消費者解釋推薦原因，主動了解消費者對推薦結果的滿意度，展示推薦商品詳細信息，來改善網絡推薦系統的性能；可通過推薦合適數量的商品，展示多樣化的推薦列表，來降低消費者搜索成本，滿足消費者多元化需求；可通過優化推薦算法，盡量選擇知名度、美譽度、感知質量高的品牌，適當推薦新奇商品，來改善推薦信息的質量；通過提高感知易用性、感知有用性來提高推薦采納意向。

關鍵詞：網絡購物；網絡推薦系統；技術接受模型；營銷效果

一、引言

近年來，互聯網在中國蓬勃發展，2015年3月5日，在第十二屆全國人民代表大會第三次會議開幕式上，李克強總理在政府工作報告中提出了“互聯網+”行動計劃。借此東風，中國網絡購物發展迅猛。根據艾瑞咨詢的數據，2014年中國網購交易額達2.8萬億元，占同期社會消費品零售總額的10.7%。2015年“雙十一”期間，阿里巴巴平臺24小時的總成交額高達912.17億元。網商為消費者提供了包羅萬象的選擇，在網上幾乎可以買到消費者想要的任何商品，如全球最大的綜合網購商城——亞馬遜為消費者提供了超過一千萬種的商品。在如此龐大的選擇集中，要找到自己合意的商品猶如大海撈針，面對琳瑯滿目、良莠不齊的商品與相關信息，消費者時間、精力有限，面臨信息超載難題，網絡推薦系統（Recommender System）由此應運而生。

網絡推薦系統是一種為消費者推薦所需商品的信息工具與技術，[1]既能幫助消費者更加便捷地找到合意商品，也能幫助網商提高銷售額，于是在各類購物網站得到了廣泛應用，并為網商帶來了豐厚的回報。根據199IT數據，亞馬遜因網絡推薦系統每秒賣出的商品達73件，超過60%的推薦轉化成了消費者的購買行為；根據知乎數據，網絡推薦系統對亞馬遜銷售額的貢獻率超過30%；根據比特網統計，網絡推薦系統對當當網銷售額的貢獻超過一億元。正如安德森（Anderson）[2]所預言的那樣：“我們正離開信息時代，而邁入推薦時代”。

網絡推薦系統已經成為網商開展電子商務的重要工具，消費者在網購時也越來越依賴網絡推薦系統，網絡推薦系統在商用與研究領域受到了越來越多的關注。有關網絡推薦系統的研究始于20世紀90年代中期，[3]是一個比較年輕的研究領域。現有研究主要關注網絡推薦系統的算法優化，而較少從企業營銷與消費者視角來考慮網絡推薦系統的應用與改進。少量研究分別探索了推薦系統與推薦信息特性對消費者對推薦系統評價及推薦采納意向等的影響，但很少有研究在一個模型中同時探索推薦系統與推薦信息特性對消費者的營銷效果。基于技術接受模型（Technology AcceptanceModel），本文構建一個推薦系統和推薦信息特性對消費者對推薦系統感知易用性、感知有用性、推薦采納意向的影響模型，以彌補上述研究的缺陷。

二、文獻述評

（一）網絡推薦系統

1.網絡推薦系統的概念、類型和作用

（1）網絡推薦系統的概念。網絡推薦系統是一種信息過濾技術，它能夠根據當前消費者瀏覽、購買、評價等信息輸入，結合商品屬性信息，利用系統數據庫中相似消費者的歷史數據，通過系統算法對其選擇進行過濾，為當前消費者提供推薦建議。[4-6]

（2）網絡推薦系統的類型。由于工作原理不同，網絡推薦系統主要可分為兩種：協同過濾網絡推薦系統與基于內容的網絡推薦系統。[7-8]協同過濾網絡推薦系統根據相似消費者的其他偏好行為，為當前消費者提供推薦建議。其基本假設是：相似的消費者偏愛相似的商品。其最著名的應用就是亞馬遜網站的推薦語：“購買此商品的顧客也同時購買……。”基于內容的網絡推薦系統根據商品間屬性的相似性，為當前消費者推薦與他們過去偏好相似的商品。其基本假設是：相似的商品總能吸引相似的消費者。比如，一個人曾經購買過《X戰警3》，則基于內容的網絡推薦系統可能會為之推薦《X戰警：逆轉未來》（屬性為同一系列）。以上為各類購物網站應用最廣的兩種網絡推薦系統，其他類型的推薦系統還有基于知識的推薦系統、基于效用的推薦系統、基于人口統計資料的推薦系統以及混合型推薦系統等。[9-10]

（3）網絡推薦系統的作用。網絡推薦系統能主動了解消費者偏好，并結合商品屬性信息有針對性地為每位消費者提供個性化推薦，能實現消費者與網商的“雙贏”。對消費者而言，網絡推薦系統能夠節省消費者信息搜索成本，幫助消費者更加便捷地找到合意商品、發現新奇商品，從而提高消費者決策質量；[11-13]對網商而言，網絡推薦系統能夠幫助網商低成本地實現個性化、提高銷售額、銷售更多種類的商品、了解消費者偏好，進而提高消費者滿意度與忠誠度。[14-15]

2.網絡推薦系統對消費者的營銷效果

現有研究主要關注網絡推薦系統的算法優化，而較少從消費者視角來考慮網絡推薦系統的應用與改進。到底哪些因素會影響網絡推薦系統對消費者的營銷效果呢？主要包括兩個方面：網絡推薦系統本身的特性以及網絡推薦系統給出的推薦信息特性。

（1）推薦系統特性。網絡推薦系統本身的特性影響其對消費者的營銷效果，網絡推薦系統主要具有以下兩個方面的特性：

1）界面設計。消費者認為，界面設計清晰的網絡推薦系統更容易使用，更有用，讓人感到更滿意。[16]一些推薦系統在展示推薦商品列表時，會按照特定商品屬性及其重要性對推薦商品進行排序，在推薦界面中設計排序功能可提高消費者的操控感、信任度、[17]滿意度。[18]

2）附加功能。一些網絡推薦系統除展示推薦商品外，還提供一些附加功能，如進行推薦原因解釋、與消費者互動、展示推薦商品詳細信息等。

推薦原因解釋：一些網絡推薦系統會對推薦原因加以解釋，如“我們提供這個推薦是因為您已購買……”。推薦原因解釋能夠提高推薦的透明度，提高消費者對網絡推薦系統的信任度與滿意度，[19]進而提高其推薦采納意向。[20-22]

與消費者互動：當消費者對推薦結果不滿意時，一些網絡推薦系統允許消費者隨時修改其偏好，并根據消費者修改動態調整推薦結果。消費者對具備類似互動功能的網絡推薦系統評價更高。[23]一些網絡推薦系統可為消費者提供控制自己偏好設置與個人信息等的權限。增加互動控制權會提高消費者對網絡推薦系統的信任度、滿意度、[24]感知有用性。[25]

展示推薦商品的詳細信息：一些網絡推薦系統在展示推薦商品時，會展示其詳細信息，如用戶評分、評論數量、預測偏好分值等，展示推薦商品的詳細信息能夠提高消費者對網絡推薦系統的信任度、感知有用性和滿意度。[26-27]

（2）推薦信息特性。消費者直接接觸到的推薦服務是一條條的推薦信息，因此推薦信息的特性影響網絡推薦系統對消費者的營銷效果。推薦信息主要具有以下兩個方面的特性：

1）推薦數量。為刺激消費者進行更多購買以提高銷售額，網商總是想方設法向消費者推薦盡可能多的商品。當推薦列表中有多件推薦商品時，單件商品推薦的高準確性不一定能夠提高消費者的整體滿意度，[28]還要考慮所推薦產品與品牌的數量能否滿足消費者的需求。不過，推薦數量并非越多越好，因為推薦商品過多會增加消費者的信息搜索成本與認知努力，降低其決策質量，導致其對網絡推薦系統的評價降低。[29-30]因此，適中的推薦數量可能對消費者的營銷效果更好。

2）推薦信息質量。推薦信息質量主要包括準確性、新穎性兩個方面。準確性指網絡推薦系統所推薦的產品和品牌是否與消費者的偏好相匹配。[31]準確性影響感知信息質量，[32]消費者更喜歡，[33]也更信任準確性高的推薦信息。[34-35]新穎性指網絡推薦系統能夠為消費者推薦其之前未曾聽說過的商品。[36]向消費者推薦熱門商品，能夠降低消費者的購買風險，但也有可能讓消費者感到厭倦，因為消費者要么已經購買過熱門商品，要么已經熟知熱門商品，因而推薦信息的新穎性就顯得更加重要了。[37]當消費者對已經熟知的推薦感到厭倦時，新穎的推薦信息能夠改善消費者再購買的態度，并提高其再購買的意向。[38]

（二）技術接受模型

戴維斯（Davis）[39]將理性行為理論[40]與計劃行為理論[41]應用于信息技術接受研究，提出了技術接受模型（TAM）。技術接受模型認為，用戶對新技術的使用取決于感知有用性、感知易用性兩個變量。其中，感知有用性指，用戶主觀上認為使用某項技術能夠提升其工作績效的程度；感知易用性指，用戶主觀上認為使用某項技術所需付出的努力程度。感知有用性與感知易用性共同影響用戶對新技術的使用意向，進而影響用戶的實際使用行為（見圖1）。

技術接受模型在眾多研究領域得到了廣泛應用與驗證。在營銷領域，技術接受模型也被應用到了移動購物、[42]在線評論、[43]網絡購物[44]等方面的研究中。而具體到網絡購物環境下的網絡推薦系統，較少有研究基于技術接受模型探索網絡推薦系統對消費者的營銷效果。有研究曾進行嘗試，發現消費者對推薦系統的感知易用性影響感知有用性與其對推薦系統的信任，信任影響感知有用性，進而影響消費者對推薦的采納意向。[45]但該研究并未探索感知易用性和感知有用性的影響因素。馬慶國等[46]使用實驗設計法，以泡泡網的推薦系統作為實驗平臺進行研究，發現用戶的積極情緒既直接提高其對新的信息技術的采納意向，也通過感知風險、感知有用性、感知易用性作為不完全中介變量提高其采納意向。但該研究并未探索網絡推薦系統本身特性和推薦信息特性對感知易用性、感知有用性及推薦采納意向的影響。

圖1　技術接受模型

（三）對現有文獻的評價

綜上所述，現有文獻大多是在各自領域內分別探索網絡推薦系統與推薦信息特性對消費者對網絡推薦系統的評價與推薦采納意向等的影響，很少在一個模型內同時探索網絡推薦系統與推薦信息特性對消費者的綜合營銷效果。基于此，本研究引入技術接受模型，構建網絡推薦系統和推薦信息特性對消費者對網絡推薦系統感知易用性、感知有用性和推薦采納意向的影響模型（見圖2），以彌補上述研究空缺。

圖2　研究模型

三、研究模型與研究假設

網絡推薦系統是一種新興的網絡購物輔助工具，并非所有消費者使用起來都會得心應手。界面優秀的網絡推薦系統更容易讓消費者上手，從而感覺更容易使用。[47]因此，本研究提出第一條假設：

H1：界面設計對感知易用性具有顯著的正向影響。

網絡推薦系統除展示推薦商品外，還經常為消費者提供一些附加功能，如提供推薦原因解釋、與消費者互動、展示推薦商品詳細信息等。對推薦原因進行解釋可能會讓消費者更加信任網絡推薦系統，[48]從而更加愿意采納推薦信息；[49-51]積極與消費者互動可能會提高消費者對網絡推薦系統的滿意度，[52]從而使消費者感覺網絡推薦系統更易用，更有用；[53]展示推薦商品詳細信息可能會讓消費者感覺網絡推薦系統更有用。[54-55]基于以上論述，本研究提出第二、第三條假設：

H2：附加功能對感知易用性具有顯著的正向影響。

H3：附加功能對感知有用性具有顯著的正向影響。

推薦信息通常以推薦列表的形式展示，在瀏覽推薦列表時，消費者會思考所推薦產品與品牌數量能否滿足自己的需求，數量足夠多的推薦信息可能會讓消費者感覺網絡推薦系統更有用。但如果推薦商品過多，則可能增加消費者信息搜索成本與認知努力，導致感知易用性下降。[56-57]因此，只有適中的推薦數量才可能同時提高感知易用性與感知有用性。針對上述推論，本研究提出第四、第五條假設：

H4：推薦數量對感知易用性具有正向且顯著影響。

H5：推薦數量對感知有用性具有正向且顯著影響。

推薦信息的質量主要包括準確性和新穎性兩個方面。準確性高的推薦信息能夠更好地匹配消費者偏好，[58]從而提高消費者對網絡推薦系統的感知有用性。當消費者對熱門、熟悉、重復的推薦信息感到厭倦時，推薦信息的新穎性就顯得更加重要了。[59]新穎的推薦信息有可能給消費者帶來意外驚喜，從而有可能提高消費者對網絡推薦系統的感知有用性。針對上述推論，本研究提出第六條假設：

H6：推薦質量對感知有用性具有顯著的影響。

技術接受模型認為，感知有用性與感知易用性共同影響用戶對新技術的使用意向，進而影響用戶的實際使用行為。[60]但在實際的網購環境中，無論消費者是否愿意，一旦進入購物網站，他/她就會被動或主動地接觸到各類推薦信息，消費者自己能夠決定的是，是否采納這些推薦信息。因此，本研究將技術接受模型中的“使用意向”與“使用”調整為“推薦采納意向”，并提出第七、第八、第九條假設：

H7：感知易用性對感知有用性具有顯著的正向影響。

H8：感知易用性對推薦采納意向具有顯著的正向影響。

H9：感知有用性對推薦采納意向具有顯著的正向影響。

四、研究方法

（一）問卷設計

本研究使用問卷調查法收集數據。問卷中的問項主要源于現有文獻，在此基礎上，我們通過與專家學者、消費者及當當網員工進行多次討論，對問卷進行了數次修改（參見表1）。除人口統計信息外，所有問項均使用李克特5點量表，其中1表示“強烈反對”，5表示“強烈贊成”。

（二）數據收集與樣本特征

本研究以當當網的消費者作為調查對象，在當當網位于北京市的某個提貨點收集數據，采用系統抽樣，對進入提貨點的消費者每間隔10位請一位來回答問卷。問卷調查工作于2015年7月開始進行，到2015年8月結束，歷時兩個月。共收回問卷114份，剔除無效問卷后，得到有效問卷102份，問卷有效率為89.5%。有效樣本特征具體參見表2。

五、數據分析與假設檢驗

本研究運用偏最小平方結構方程模型（Partial Least Squares Structural Equation Modeling，簡稱PLS結構方程模型）分析數據。與其他統計分析方法相比，PLS結構方程模型的優勢主要表現在四個方面：一是適用于小樣本量；二是適用于非正態分布數據；三是對量表的要求相對寬松；四是能夠處理復雜的結構方程模型。[69]由于PLS結構方程模型具有以上優勢，本研究使用SmartPLS v.3.2.1軟件進行數據分析。在本研究模型的構面中，最多被3個箭頭指到（可參見圖2），在p＜0.05的顯著性水平上，要檢驗出最小為0.25的R2值，最小樣本量為59個。[70]本研究有效樣本為102個，滿足要求。

（一）外模型

在PLS結構方程模型中，指標變量（Indica?tor）與潛在構面（LatentCon?struct）的關系稱為外模型。各構面因子載荷與信度檢驗結果如表3所示。各問項因子載荷均大于0.6的限制性標準。克隆巴哈α系數（Cronbach’sα）與組合信度（CR）均大于0.7，符合研究所需要的信度標準。[71]

表3　信度與收斂效度分析

表4　區別效度分析

在建構效度檢驗方面，本研究進行收斂效度（Convergent Validity）與區別效度（Discriminant Va?lidity）檢驗。根據相關文獻建議，若指標變量的因子載荷量大于0.5，平均變異萃取值（AVE）大于0.5，且信度高于0.7，即代表具有收斂效度。[72]表3顯示，所有構面均符合要求，表明量表具有良好的收斂效度。此外，本研究檢驗每個構面的AVE平方根值是否大于它與其他構面間最高的相關系數，以檢驗區別效度。[73]由表4可知，量表具有良好的區別效度。最后，根據相關文獻建議，PLS結構方程模型無需檢驗擬合優度（Goodnessof Fit）。[74]

（二）內模型

在PLS結構方程模型中，構面之間的路徑結構稱為內模型。根據相關文獻建議，[75]本研究采用拔靴法（Bootstrapping）重復抽樣5000次，內模型假設檢驗與路徑分析結果如圖3、表5所示。

（三）中介效應檢驗

本研究使用索貝爾檢驗（Sobel Test）、[76]艾羅恩檢驗（Aroian Test）、[77]古德曼檢驗（Goodman Test）[78]進行中介效應檢驗，當z的絕對值大于1.96時即為顯著，表示中介效應存在。附加功能對感知有用性的影響不顯著，界面設計對感知易用性的影響不顯著，無需再檢驗中介效果。其余構面均進行中介效應檢驗，檢驗結果如表6所示。

六、結論與討論

（一）研究結論與理論貢獻

當前，網絡推薦系統在各大購物網站的應用越來越廣泛。現有研究主要關注網絡推薦系統算法的優化，而關于網絡推薦系統對消費者營銷效果的研究則相對薄弱。有少量文獻在各自領域內分別探索了網絡推薦系統和推薦信息特性對消費者對網絡推薦系統評價與推薦采納意向等的影響，卻很少在一個模型內同時探索兩者對消費者的綜合營銷效果。基于此，本研究引入技術接受模型，探索推薦系統與推薦信息特性對消費者對推薦系統感知易用性、感知有用性和推薦采納意向的影響。本研究發現：

第一，界面設計對感知易用性無顯著影響。

第二，附加功能對感知易用性有顯著正向影響，對感知有用性無顯著影響。

第三，推薦數量對感知有用性和感知易用性均有顯著正向影響。

第四，推薦質量對感知有用性有顯著正向影響。

第五，感知易用性對感知有用性有顯著正向影響，對推薦采納意向無顯著影響；感知有用性對推薦采納意向有顯著正向影響。

圖3　結構模型路徑系數與假設檢驗結果

表5　結構模型路徑分析與假設檢驗結果

表6　中介效應檢驗

（二）管理啟示

本研究推進了網絡推薦系統在營銷領域的研究進展，進一步豐富了技術接受模型在網絡購物環境下的應用，對網商改善網絡推薦系統具有如下指導意義：

1.改善網絡推薦系統

本研究發現，界面設計對感知易用性無顯著影響。這可能是由于界面設計并非直接影響感知易用性，而是通過感知愉悅性（Perceived Enjoy?ment）間接影響感知易用性和感知有用性。[79-80]因此，未來研究可引入感知愉悅性這一變量對本研究模型進行拓展。

本研究發現，附加功能對感知易用性有顯著正向影響，對感知有用性無顯著影響。根據本研究結果，我們為網商提供以下三條建議：

第一，網商可主動向消費者解釋推薦產生的原因，比如，“我們提供這個推薦是因為您已購買……”“因為您說您擁有……”“因為您評級了……”等。

第二，網商可提供更多、更好用的模塊，以主動了解消費者對推薦結果是否滿意。比如，對某些消費者可能擁有的推薦商品，可讓其勾選“我已經有了”；對某些消費者可能不喜歡的推薦商品，可讓其勾選“不感興趣”。此外，還可讓消費者能夠對推薦商品進行評級。

第三，網絡推薦系統可展示推薦商品的詳細信息，如用戶評分、評論數量、偏好分值預測等。

2.改善網絡推薦系統給出的推薦信息

本研究發現，推薦數量對感知有用性和感知易用性均有顯著正向影響。根據本研究結果，我們為網商提供以下兩條建議：

第一，網商總是試圖為消費者推薦盡可能多的商品以提高總銷量，但推薦數量并非越多越好。這是因為，過多的推薦會增加消費者的信息搜索成本，增加其認知努力，這有違消費者使用網絡推薦系統的初衷。米勒（Miller）[81]指出，人類的信息處理能力是有局限的，數字“7”是人類短期記憶的極限。因此我們建議，在同一個推薦列表中，網絡推薦系統最多向消費者展示7件推薦商品。

第二，網絡推薦系統應避免向消費者過多地推薦同一品牌或產品屬性過于相似的商品，而應展示多樣化的推薦列表，以應對消費者多樣化的尋求行為。[82]

本研究發現，推薦質量對感知有用性有顯著正向影響。根據本研究結果，網商可通過以下三種方式來提高推薦質量：

第一，網商應進一步優化網絡推薦系統算法，以提高網絡推薦系統的準確度，從而幫助消費者更加便捷地找到更加合意的商品。

第二，中國消費者非常看重商品的品牌與質量，網絡推薦系統應盡可能地向消費者推薦那些知名度、美譽度、感知質量更高的品牌。

第三，受求新、求變動機驅動，[83]消費者在網絡購物時經常會存在一種獵奇心理，網絡推薦系統可向消費者推薦一些新奇商品，給消費者一個意外驚喜，挖掘消費者自己都未曾意識到的潛在需求。

3.著重提高網絡推薦系統的感知有用性

本研究發現，感知易用性對感知有用性有顯著正向影響，對推薦采納意向無顯著影響；感知有用性對推薦采納意向有顯著正向影響。在網絡購物環境下，本研究證實了技術接受模型經典框架對網絡推薦系統這種新型信息技術的適用性，卻發現感知易用性對推薦采納意向無顯著影響。高芙蓉、高雪蓮[84]指出，隨著消費者與網絡推薦系統交互的日益頻繁及使用經驗的不斷增加，感知易用性對使用意向的直接影響逐漸減弱，而通過感知有用性間接影響使用意向。前面展示的中介效應檢驗就證實了這一結論。在本研究調查的樣本中，有58.8%的消費者使用當當網的時間已經超過一年，有60.8%的消費者每一兩天就登錄一次當當網，他們對當當網的網絡推薦系統比較熟悉，這導致感知易用性對推薦采納意向的直接影響并不顯著。因此，對于那些已經掌握了大量消費者數據的實力較為雄厚的網商，提高網絡推薦系統的感知有用性可能更加重要。

（三）研究局限與展望

本研究過程盡管力求嚴謹，但仍然具有一定的局限性。

第一，本研究對象為當當網，需謹慎思考能否將本研究結果一般化到其他網商。建議未來研究可面向不同網商（如亞馬遜、京東、天貓等）收集數據。

第二，本研究使用的是經典技術接受模型，未來研究可在模型中加入信任度、[85]滿意度[86]和消費者個人特征[87]等變量，以對本研究模型進行拓展。

第三，由于網絡推薦系統不能脫離其所嵌入的購物網站而獨立發揮作用，因此購物網站的聲譽、[88]設計、[89]服務質量[90]等可能會影響消費者對購物網站所使用網絡推薦系統的信任度與滿意度，從而影響網絡推薦系統對消費者的營銷效果，該問題值得進一步探索。

參考文獻：

[1]、[4]、[11]、[14]、[31]、[58]、[63]RicciF.，Rokach L.，Sha?pira B.，etal..Recommender Systems Handbook[M].New York：Springer，2011：1-35.

[2]Anderson C..The Long Tail：Why the Future of Busi?ness is Selling Less of More[M].New York：Hyperion，2008：98-124.

[3]、[5]Ansari A.，Essegaier S.，Kohli R..Internet Recom?mendation Systems[J].JournalofMarketing Research，2000，37 （3）：363-375.

[6]、[12]H?ubl G.，Trifts V..Consumer Decision Making in Online Shopping Environments：The Effects of Interactive Decision Aids[J].Marketing Science，2000，19（1）：4-21.

[7]、[9]Burke R..Hybrid Recommender Systems：Survey and Experiments[J].User Modeling and User Adapted Interac?tion，2002，12（4）：331-370.

[8]、[10]朱巖，林澤楠.電子商務中的個性化推薦方法評述[J].中國軟科學，2009（2）：183-192.

[13]、[15]、[28]Pathak B.，Garfinkel R.，Gopal R.D.，etal.. Empirical Analysis of the Impact of Recommender Systems on Sales[J].Journal ofManagement Information Systems，2010，27 （2）：159-188.

[16]、[25]、[26]、[29]、[47]、[53]、[54]、[56]、[86]Xiao B.，Benbasat，I..E-Commerce Product Recommendation Agents：Use，Characteristics and Impact[J].MISQuarterly，2007，31 （1）：137-209.

[17]、[20]、[34]、[49]Pu P.，Faltings B.，Chen L.，etal..Us?ability Guidelines for Product Recommenders Based on Exam?ple Critiquing Research[M]//Ricci F.，Rokach L.，Shapira B.，et al.Recommender Systems Handbook.New York：Springer，2011：511-545.

[18]Cai H.，Chen Y.，Fang H..Observational Learning：Evidence from a Randomized Natural Field Experiment[J]. American Economic Review，2009，99（3）：846-882.

[19]、[48]Pu P.，Chen L..Trust-Inspiring Explanation In?terfaces for Recommender Systems[J].Knowledge-Based Sys?tems，2007，20（6）：542-556.

[21]、[50]WangW.，Benbasat I..Interactive Decision Aids for Consumer Decision Making in E-Commerce：The Influence of Perceived Strategy Restrictiveness[J].MISQuarterly，2009，33（2）：293-320.

[22]、[32]、[38]、[51]、[61]、[79]劉倩.基于客戶關系發展階段的推薦系統特性需求分析[D].武漢：華中科技大學，2011.

[23]、[24]、[52]Pereira R.E..InfluenceofQuery-Based De?cision Aids on Consumer Decision Making in Electronic Com?merce[J].Information Resources Management Journal，2001，14（1）：31-48.

[27]、[35]、[55]Tintarev N.，Masthoff J..Designing and Evaluating Explanations for Recommender Systems[M]//Ricci F.，Rokach L.，Shapira B.，etal.Recommender Systems Hand?book.New York：Springer，2011：479-510.

[30]、[57]、[62]、[64]、[88]陳明亮，蔡日梅.電子商務中產品推薦代理對消費者購買決策的影響[J].浙江大學學報（人文社會科學版），2009，39（5）：138-148.

[33]、[36]Shani G.，Gunawardana A..Evaluating Recom?mendation Systems[M]//Ricci F.，Rokach L.，Shapira B.，et al..Recommender Systems Handbook.New York：Springer，2011：257-297.

[37]、[59]Lops P.，de Gemmis M.，Semeraro G..Content-Based Recommender Systems：State of the Art and Trends [M]//Ricci F.，Rokach L.，Shapira B.，etal.Recommender Sys?temsHandbook.New York：Springer，2011：73-105.

[39]、[60]Davis F.D..Perceived Usefulness，Perceived Ease of Use，and User Acceptance of Information Technology [J].MISQuarterly，1989，13（3）：319-340.

[40]Fishbein M.，Ajzen I..Belief，Attitude，Intention，and Behavior：An Introduction to Theory and Research[M].Boston：Addison-Wesley，1975：1-18.

[41]Ajzen I..The Theory of Planned Behavior[J].Organiza?tional Behaviorand Human Decision Processes，1977，84（5）：888-918.

[42]劉遺志，劉煜.消費者創新性對移動購物意愿的影響——基于擴展的技術接受模型視角[J].中國流通經濟，2015（7）：102-108.

[43]郭愷強，王洪偉，趙月.消費者通過在線聲譽系統發表評論的前因：基于TAM的實證研究[J].管理評論，2014，26 （9）：180-190.

[44]肖風楨.大學生網絡購物影響因素的實證研究[J].科技管理研究，2011（1）：131-134、142.

[45]、[85]Wang W.，Benbasat I..Trust in and Adoption of Online Recommendation Agents[J].Journal of the Association for Information Systems，2005，6（3）：72-101.

[46]、[68]馬慶國，王凱，舒良超.積極情緒對用戶信息技術采納意向影響的實驗研究——以電子商務推薦系統為例[J].科學學研究，2009（10）：1557-1563.

[65]Baier D.，Stüber E..Acceptance of Recommendations to Buy in Online Retailing[J].Journalof Retailing and Consum?er Services，2010，17（3）：173-180.

[66]、[67]Chen S.-C.，Liu S.-C.，Li S.-H.，et al..Under?standing the Mediating Effects of Relationship Quality on Technology Acceptance：An Empirical Study of E-Appoint?mentSystem[J].JournalofMedicalSystems，2013，37（6）：1-13.

[69]、[70]、[71]、[73]、[74]、[75]Hair Jr J.F.，HultG.T.M.，Ringle C.，etal..A Primer on Partial Least Squares Structural Equation Modeling（PLS-SEM）[M].Los Angeles：Sage Publi?cations，2014：15-204.

[72]Fornell C.，Larcker D.F..Evaluating Structural Equa?tion Modelswith Unobservable Variables and MeasurementEr?ror[J].JournalofMarketing Research，1981，18（1）：39-50.

[76]Sobel，M.E..Asymptotic Confidence Intervals for Indi?rectEffects in StructuralEquation Models[J].SociologicalMeth?odology，1982，13：290-312.

[77]Aroian L.A..The Probability Function of the Product of Two Normally Distributed Variables[J].The Annals ofMath?ematicalStatistics，1947，18（2）：265-271.

[78]Goodman L.A..On the Exact Variance of Products[J]. Journal of the American Statistical Association，1960，55 （292）：708-713.

[80]Serenko A.，Bontis N.，Detlor B..End-User Adoption of Animated Interface Agentsin Everyday Work Applications [J].Behaviour&Information Technology，2007，26（2）：119-132.

[81]Miller G.A..The Magical Number Seven，Plus or Mi?nus Two：Some Limits on Our Capacity for Processing Informa?tion[J].PsychologicalReview，1956，101（2）：343-352.

[82]柯學.大災難可以減少消費者的多樣化尋求行為：一個基于恐怖管理理論的研究[J].管理世界，2009（11）：122-129、188.

[83]許春曉，朱茜.求新動機、滿意度對重游間隔意愿的影響——以鳳凰古城旅游者為例[J].旅游科學，2011，25 （5）：57-66.

[84]、[87]高芙蓉，高雪蓮.國外信息技術接受模型研究述評[J].研究與發展管理，2011，23（2）：95-105.

[89]王全勝，鄭稱德，周耿.B2C網站設計因素與初始信任關系的實證研究[J].管理學報，2009，6（4）：495-501.

[90]DeLone W.H.，McLean E.R..The DeLone and McLean Model of Information Systems Success：A Ten-Year Update[J].Journal of Management Information Systems，2003，19（4）：9-30.

責任編輯：陳詩靜

Research on the M arketing Effect of Recommender System on Consumers——An Technology Acceptance Model Perspective

YANG Yi-weng1，2，WNAG Yi3and SUN Guo-hui3
（1.North China University ofTechnology，Beijing100144，China；2.Xinjiang University ofFinance and Economics，Urumchi，Xinjiang8300122，China；3.CentralUniversity ofFinance and Economics，Beijing100081，China）

Abstract：Consumers are facing the problem of information overload when shopping online.Recommender systems can help consumers find desirable goods more quickly，so they have been w idely used.Existing researches clustered on algorithm optim ization of recommender systems，but scattered on the effect of recommender systems onconsumers’online shopping decisions.Based on the technology acceptance model，the authors develop an influence model to explore the effects of recommender system andrecommendation information characteristics on perceived ease of use，perceived usefulness，and adoption intention of recommendation.Collecting data from dangdang’s consumers and using PLS-SEM to analyze data，the authors find that：（1）interface design has no significant impacton perceived ease of use；（2）additional functionhas significant positive impact on perceived ease of use and no significant impact on perceived usefulness；（3）recommendation quantity has significant positive impact on both perceived usefulness and perceived ease of use；（4）recommendation quality has significant positive impacton perceived usefulness；（5）perceived ease of use has significantpositive impacton perceived usefulness and no significant impact on adoption intention of recommendation；and(6)perceived usefulness has significant positive impact on adoption intention of recommendation.To better improve the effectof onlinemarketing，online sellers should positively explain the reason for recommendation，understand the satisfaction degree of consumers，provide them w ith detailed information of recommended goods，and improve the function of recommender system；they can choose brand w ith higher reputation and innovative goods by optimizing algorithm of recommender systems to improve the quality of recommended information；they can also improve consumers’adoption intention by increasing the perceived usefulnessand easeof use.

Keywords：online shopping；recommendersystem；technology acceptancemodel；marketing effect

作者簡介：楊一翁（1983—），男，湖南省長沙市人，北方工業大學經濟管理學院教師，新疆財經大學新疆企業發展研究中心研究員，博士，主要研究方向為品牌、網絡營銷；王毅（1978—），男，河南省淅川縣人，中央財經大學商學院副教授，博士，博士后，碩士生導師，主要研究方向為顧客滿意、消費者行為學；孫國輝（1961—），男，山東省平度市人，中央財經大學商學院教授，博士，博士生導師，主要研究方向為跨國經營、戰略營銷。

基金項目：教育部人文社會科學研究青年基金項目“內、外部利益相關者視角下的公司品牌研究：概念、維度和作用機制”（14YJC630167）、新疆維吾爾自治區普通高等學校人文社會科學基地基金項目“新疆紡織企業競爭力研究”（050215C01）、北京市屬高校促進人才培養綜合改革項目—研究生創新平臺建設（XN108）

收稿日期：2015-09-29

中圖分類號：F713.50

文獻標識碼：A

文章編號：1007-8266（2016）02-0098-10