网络推荐系统对消费者的营销效果——技术接受模型视角

杨一翁，王　毅，孙国辉（1.北方工业大学经济管理学院，北京市100144；2.新疆财经大学新疆企业发展研究中心，新疆乌鲁木齐80012；.中央财经大学商学院，北京市100081）



网络推荐系统对消费者的营销效果——技术接受模型视角

杨一翁1、2，王毅3，孙国辉3
（1.北方工业大学经济管理学院，北京市100144；2.新疆财经大学新疆企业发展研究中心，新疆乌鲁木齐830012；3.中央财经大学商学院，北京市100081）

摘要：消费者在网购时面临“信息超载”难题，而网络推荐系统既能帮助消费者更加便捷地找到合意商品，也能帮助网商提高销售额，因而得到了广泛应用。关于网络推荐系统，现有研究主要关注网络推荐系统的算法优化，而较少探索网络推荐系统对消费者网购决策的影响。文章基于技术接受模型，构建推荐系统与推荐信息特性对感知易用性、感知有用性及推荐采纳意向的影响模型。以当当网的消费者为样本收集数据，运用PLS结构方程模型进行数据分析发现，界面设计对感知易用性无显著影响；附加功能对感知易用性有显著正向影响，对感知有用性无显著影响；推荐数量对感知有用性与感知易用性均有显著正向影响；推荐质量对感知有用性有显著正向影响；感知易用性对感知有用性有显著正向影响，对推荐采纳意向无显著影响；感知有用性对推荐采纳意向有显著正向影响。因此，为更好地提高网络营销效果，网商可通过主动向消费者解释推荐原因，主动了解消费者对推荐结果的满意度，展示推荐商品详细信息，来改善网络推荐系统的性能；可通过推荐合适数量的商品，展示多样化的推荐列表，来降低消费者搜索成本，满足消费者多元化需求；可通过优化推荐算法，尽量选择知名度、美誉度、感知质量高的品牌，适当推荐新奇商品，来改善推荐信息的质量；通过提高感知易用性、感知有用性来提高推荐采纳意向。

关键词：网络购物；网络推荐系统；技术接受模型；营销效果

一、引言

近年来，互联网在中国蓬勃发展，2015年3月5日，在第十二届全国人民代表大会第三次会议开幕式上，李克强总理在政府工作报告中提出了“互联网+”行动计划。借此东风，中国网络购物发展迅猛。根据艾瑞咨询的数据，2014年中国网购交易额达2.8万亿元，占同期社会消费品零售总额的10.7%。2015年“双十一”期间，阿里巴巴平台24小时的总成交额高达912.17亿元。网商为消费者提供了包罗万象的选择，在网上几乎可以买到消费者想要的任何商品，如全球最大的综合网购商城——亚马逊为消费者提供了超过一千万种的商品。在如此庞大的选择集中，要找到自己合意的商品犹如大海捞针，面对琳琅满目、良莠不齐的商品与相关信息，消费者时间、精力有限，面临信息超载难题，网络推荐系统（Recommender System）由此应运而生。

网络推荐系统是一种为消费者推荐所需商品的信息工具与技术，[1]既能帮助消费者更加便捷地找到合意商品，也能帮助网商提高销售额，于是在各类购物网站得到了广泛应用，并为网商带来了丰厚的回报。根据199IT数据，亚马逊因网络推荐系统每秒卖出的商品达73件，超过60%的推荐转化成了消费者的购买行为；根据知乎数据，网络推荐系统对亚马逊销售额的贡献率超过30%；根据比特网统计，网络推荐系统对当当网销售额的贡献超过一亿元。正如安德森（Anderson）[2]所预言的那样：“我们正离开信息时代，而迈入推荐时代”。

网络推荐系统已经成为网商开展电子商务的重要工具，消费者在网购时也越来越依赖网络推荐系统，网络推荐系统在商用与研究领域受到了越来越多的关注。有关网络推荐系统的研究始于20世纪90年代中期，[3]是一个比较年轻的研究领域。现有研究主要关注网络推荐系统的算法优化，而较少从企业营销与消费者视角来考虑网络推荐系统的应用与改进。少量研究分别探索了推荐系统与推荐信息特性对消费者对推荐系统评价及推荐采纳意向等的影响，但很少有研究在一个模型中同时探索推荐系统与推荐信息特性对消费者的营销效果。基于技术接受模型（Technology AcceptanceModel），本文构建一个推荐系统和推荐信息特性对消费者对推荐系统感知易用性、感知有用性、推荐采纳意向的影响模型，以弥补上述研究的缺陷。

二、文献述评

（一）网络推荐系统

1.网络推荐系统的概念、类型和作用

（1）网络推荐系统的概念。网络推荐系统是一种信息过滤技术，它能够根据当前消费者浏览、购买、评价等信息输入，结合商品属性信息，利用系统数据库中相似消费者的历史数据，通过系统算法对其选择进行过滤，为当前消费者提供推荐建议。[4-6]

（2）网络推荐系统的类型。由于工作原理不同，网络推荐系统主要可分为两种：协同过滤网络推荐系统与基于内容的网络推荐系统。[7-8]协同过滤网络推荐系统根据相似消费者的其他偏好行为，为当前消费者提供推荐建议。其基本假设是：相似的消费者偏爱相似的商品。其最著名的应用就是亚马逊网站的推荐语：“购买此商品的顾客也同时购买……。”基于内容的网络推荐系统根据商品间属性的相似性，为当前消费者推荐与他们过去偏好相似的商品。其基本假设是：相似的商品总能吸引相似的消费者。比如，一个人曾经购买过《X战警3》，则基于内容的网络推荐系统可能会为之推荐《X战警：逆转未来》（属性为同一系列）。以上为各类购物网站应用最广的两种网络推荐系统，其他类型的推荐系统还有基于知识的推荐系统、基于效用的推荐系统、基于人口统计资料的推荐系统以及混合型推荐系统等。[9-10]

（3）网络推荐系统的作用。网络推荐系统能主动了解消费者偏好，并结合商品属性信息有针对性地为每位消费者提供个性化推荐，能实现消费者与网商的“双赢”。对消费者而言，网络推荐系统能够节省消费者信息搜索成本，帮助消费者更加便捷地找到合意商品、发现新奇商品，从而提高消费者决策质量；[11-13]对网商而言，网络推荐系统能够帮助网商低成本地实现个性化、提高销售额、销售更多种类的商品、了解消费者偏好，进而提高消费者满意度与忠诚度。[14-15]

2.网络推荐系统对消费者的营销效果

现有研究主要关注网络推荐系统的算法优化，而较少从消费者视角来考虑网络推荐系统的应用与改进。到底哪些因素会影响网络推荐系统对消费者的营销效果呢？主要包括两个方面：网络推荐系统本身的特性以及网络推荐系统给出的推荐信息特性。

（1）推荐系统特性。网络推荐系统本身的特性影响其对消费者的营销效果，网络推荐系统主要具有以下两个方面的特性：

1）界面设计。消费者认为，界面设计清晰的网络推荐系统更容易使用，更有用，让人感到更满意。[16]一些推荐系统在展示推荐商品列表时，会按照特定商品属性及其重要性对推荐商品进行排序，在推荐界面中设计排序功能可提高消费者的操控感、信任度、[17]满意度。[18]

2）附加功能。一些网络推荐系统除展示推荐商品外，还提供一些附加功能，如进行推荐原因解释、与消费者互动、展示推荐商品详细信息等。

推荐原因解释：一些网络推荐系统会对推荐原因加以解释，如“我们提供这个推荐是因为您已购买……”。推荐原因解释能够提高推荐的透明度，提高消费者对网络推荐系统的信任度与满意度，[19]进而提高其推荐采纳意向。[20-22]

与消费者互动：当消费者对推荐结果不满意时，一些网络推荐系统允许消费者随时修改其偏好，并根据消费者修改动态调整推荐结果。消费者对具备类似互动功能的网络推荐系统评价更高。[23]一些网络推荐系统可为消费者提供控制自己偏好设置与个人信息等的权限。增加互动控制权会提高消费者对网络推荐系统的信任度、满意度、[24]感知有用性。[25]

展示推荐商品的详细信息：一些网络推荐系统在展示推荐商品时，会展示其详细信息，如用户评分、评论数量、预测偏好分值等，展示推荐商品的详细信息能够提高消费者对网络推荐系统的信任度、感知有用性和满意度。[26-27]

（2）推荐信息特性。消费者直接接触到的推荐服务是一条条的推荐信息，因此推荐信息的特性影响网络推荐系统对消费者的营销效果。推荐信息主要具有以下两个方面的特性：

1）推荐数量。为刺激消费者进行更多购买以提高销售额，网商总是想方设法向消费者推荐尽可能多的商品。当推荐列表中有多件推荐商品时，单件商品推荐的高准确性不一定能够提高消费者的整体满意度，[28]还要考虑所推荐产品与品牌的数量能否满足消费者的需求。不过，推荐数量并非越多越好，因为推荐商品过多会增加消费者的信息搜索成本与认知努力，降低其决策质量，导致其对网络推荐系统的评价降低。[29-30]因此，适中的推荐数量可能对消费者的营销效果更好。

2）推荐信息质量。推荐信息质量主要包括准确性、新颖性两个方面。准确性指网络推荐系统所推荐的产品和品牌是否与消费者的偏好相匹配。[31]准确性影响感知信息质量，[32]消费者更喜欢，[33]也更信任准确性高的推荐信息。[34-35]新颖性指网络推荐系统能够为消费者推荐其之前未曾听说过的商品。[36]向消费者推荐热门商品，能够降低消费者的购买风险，但也有可能让消费者感到厌倦，因为消费者要么已经购买过热门商品，要么已经熟知热门商品，因而推荐信息的新颖性就显得更加重要了。[37]当消费者对已经熟知的推荐感到厌倦时，新颖的推荐信息能够改善消费者再购买的态度，并提高其再购买的意向。[38]

（二）技术接受模型

戴维斯（Davis）[39]将理性行为理论[40]与计划行为理论[41]应用于信息技术接受研究，提出了技术接受模型（TAM）。技术接受模型认为，用户对新技术的使用取决于感知有用性、感知易用性两个变量。其中，感知有用性指，用户主观上认为使用某项技术能够提升其工作绩效的程度；感知易用性指，用户主观上认为使用某项技术所需付出的努力程度。感知有用性与感知易用性共同影响用户对新技术的使用意向，进而影响用户的实际使用行为（见图1）。

技术接受模型在众多研究领域得到了广泛应用与验证。在营销领域，技术接受模型也被应用到了移动购物、[42]在线评论、[43]网络购物[44]等方面的研究中。而具体到网络购物环境下的网络推荐系统，较少有研究基于技术接受模型探索网络推荐系统对消费者的营销效果。有研究曾进行尝试，发现消费者对推荐系统的感知易用性影响感知有用性与其对推荐系统的信任，信任影响感知有用性，进而影响消费者对推荐的采纳意向。[45]但该研究并未探索感知易用性和感知有用性的影响因素。马庆国等[46]使用实验设计法，以泡泡网的推荐系统作为实验平台进行研究，发现用户的积极情绪既直接提高其对新的信息技术的采纳意向，也通过感知风险、感知有用性、感知易用性作为不完全中介变量提高其采纳意向。但该研究并未探索网络推荐系统本身特性和推荐信息特性对感知易用性、感知有用性及推荐采纳意向的影响。

图1　技术接受模型

（三）对现有文献的评价

综上所述，现有文献大多是在各自领域内分别探索网络推荐系统与推荐信息特性对消费者对网络推荐系统的评价与推荐采纳意向等的影响，很少在一个模型内同时探索网络推荐系统与推荐信息特性对消费者的综合营销效果。基于此，本研究引入技术接受模型，构建网络推荐系统和推荐信息特性对消费者对网络推荐系统感知易用性、感知有用性和推荐采纳意向的影响模型（见图2），以弥补上述研究空缺。

图2　研究模型

三、研究模型与研究假设

网络推荐系统是一种新兴的网络购物辅助工具，并非所有消费者使用起来都会得心应手。界面优秀的网络推荐系统更容易让消费者上手，从而感觉更容易使用。[47]因此，本研究提出第一条假设：

H1：界面设计对感知易用性具有显著的正向影响。

网络推荐系统除展示推荐商品外，还经常为消费者提供一些附加功能，如提供推荐原因解释、与消费者互动、展示推荐商品详细信息等。对推荐原因进行解释可能会让消费者更加信任网络推荐系统，[48]从而更加愿意采纳推荐信息；[49-51]积极与消费者互动可能会提高消费者对网络推荐系统的满意度，[52]从而使消费者感觉网络推荐系统更易用，更有用；[53]展示推荐商品详细信息可能会让消费者感觉网络推荐系统更有用。[54-55]基于以上论述，本研究提出第二、第三条假设：

H2：附加功能对感知易用性具有显著的正向影响。

H3：附加功能对感知有用性具有显著的正向影响。

推荐信息通常以推荐列表的形式展示，在浏览推荐列表时，消费者会思考所推荐产品与品牌数量能否满足自己的需求，数量足够多的推荐信息可能会让消费者感觉网络推荐系统更有用。但如果推荐商品过多，则可能增加消费者信息搜索成本与认知努力，导致感知易用性下降。[56-57]因此，只有适中的推荐数量才可能同时提高感知易用性与感知有用性。针对上述推论，本研究提出第四、第五条假设：

H4：推荐数量对感知易用性具有正向且显著影响。

H5：推荐数量对感知有用性具有正向且显著影响。

推荐信息的质量主要包括准确性和新颖性两个方面。准确性高的推荐信息能够更好地匹配消费者偏好，[58]从而提高消费者对网络推荐系统的感知有用性。当消费者对热门、熟悉、重复的推荐信息感到厌倦时，推荐信息的新颖性就显得更加重要了。[59]新颖的推荐信息有可能给消费者带来意外惊喜，从而有可能提高消费者对网络推荐系统的感知有用性。针对上述推论，本研究提出第六条假设：

H6：推荐质量对感知有用性具有显著的影响。

技术接受模型认为，感知有用性与感知易用性共同影响用户对新技术的使用意向，进而影响用户的实际使用行为。[60]但在实际的网购环境中，无论消费者是否愿意，一旦进入购物网站，他/她就会被动或主动地接触到各类推荐信息，消费者自己能够决定的是，是否采纳这些推荐信息。因此，本研究将技术接受模型中的“使用意向”与“使用”调整为“推荐采纳意向”，并提出第七、第八、第九条假设：

H7：感知易用性对感知有用性具有显著的正向影响。

H8：感知易用性对推荐采纳意向具有显著的正向影响。

H9：感知有用性对推荐采纳意向具有显著的正向影响。

四、研究方法

（一）问卷设计

本研究使用问卷调查法收集数据。问卷中的问项主要源于现有文献，在此基础上，我们通过与专家学者、消费者及当当网员工进行多次讨论，对问卷进行了数次修改（参见表1）。除人口统计信息外，所有问项均使用李克特5点量表，其中1表示“强烈反对”，5表示“强烈赞成”。

（二）数据收集与样本特征

本研究以当当网的消费者作为调查对象，在当当网位于北京市的某个提货点收集数据，采用系统抽样，对进入提货点的消费者每间隔10位请一位来回答问卷。问卷调查工作于2015年7月开始进行，到2015年8月结束，历时两个月。共收回问卷114份，剔除无效问卷后，得到有效问卷102份，问卷有效率为89.5%。有效样本特征具体参见表2。

五、数据分析与假设检验

本研究运用偏最小平方结构方程模型（Partial Least Squares Structural Equation Modeling，简称PLS结构方程模型）分析数据。与其他统计分析方法相比，PLS结构方程模型的优势主要表现在四个方面：一是适用于小样本量；二是适用于非正态分布数据；三是对量表的要求相对宽松；四是能够处理复杂的结构方程模型。[69]由于PLS结构方程模型具有以上优势，本研究使用SmartPLS v.3.2.1软件进行数据分析。在本研究模型的构面中，最多被3个箭头指到（可参见图2），在p＜0.05的显著性水平上，要检验出最小为0.25的R2值，最小样本量为59个。[70]本研究有效样本为102个，满足要求。

（一）外模型

在PLS结构方程模型中，指标变量（Indica⁃tor）与潜在构面（LatentCon⁃struct）的关系称为外模型。各构面因子载荷与信度检验结果如表3所示。各问项因子载荷均大于0.6的限制性标准。克隆巴哈α系数（Cronbach’sα）与组合信度（CR）均大于0.7，符合研究所需要的信度标准。[71]

表3　信度与收敛效度分析

表4　区别效度分析

在建构效度检验方面，本研究进行收敛效度（Convergent Validity）与区别效度（Discriminant Va⁃lidity）检验。根据相关文献建议，若指标变量的因子载荷量大于0.5，平均变异萃取值（AVE）大于0.5，且信度高于0.7，即代表具有收敛效度。[72]表3显示，所有构面均符合要求，表明量表具有良好的收敛效度。此外，本研究检验每个构面的AVE平方根值是否大于它与其他构面间最高的相关系数，以检验区别效度。[73]由表4可知，量表具有良好的区别效度。最后，根据相关文献建议，PLS结构方程模型无需检验拟合优度（Goodnessof Fit）。[74]

（二）内模型

在PLS结构方程模型中，构面之间的路径结构称为内模型。根据相关文献建议，[75]本研究采用拔靴法（Bootstrapping）重复抽样5000次，内模型假设检验与路径分析结果如图3、表5所示。

（三）中介效应检验

本研究使用索贝尔检验（Sobel Test）、[76]艾罗恩检验（Aroian Test）、[77]古德曼检验（Goodman Test）[78]进行中介效应检验，当z的绝对值大于1.96时即为显著，表示中介效应存在。附加功能对感知有用性的影响不显著，界面设计对感知易用性的影响不显著，无需再检验中介效果。其余构面均进行中介效应检验，检验结果如表6所示。

六、结论与讨论

（一）研究结论与理论贡献

当前，网络推荐系统在各大购物网站的应用越来越广泛。现有研究主要关注网络推荐系统算法的优化，而关于网络推荐系统对消费者营销效果的研究则相对薄弱。有少量文献在各自领域内分别探索了网络推荐系统和推荐信息特性对消费者对网络推荐系统评价与推荐采纳意向等的影响，却很少在一个模型内同时探索两者对消费者的综合营销效果。基于此，本研究引入技术接受模型，探索推荐系统与推荐信息特性对消费者对推荐系统感知易用性、感知有用性和推荐采纳意向的影响。本研究发现：

第一，界面设计对感知易用性无显著影响。

第二，附加功能对感知易用性有显著正向影响，对感知有用性无显著影响。

第三，推荐数量对感知有用性和感知易用性均有显著正向影响。

第四，推荐质量对感知有用性有显著正向影响。

第五，感知易用性对感知有用性有显著正向影响，对推荐采纳意向无显著影响；感知有用性对推荐采纳意向有显著正向影响。

图3　结构模型路径系数与假设检验结果

表5　结构模型路径分析与假设检验结果

表6　中介效应检验

（二）管理启示

本研究推进了网络推荐系统在营销领域的研究进展，进一步丰富了技术接受模型在网络购物环境下的应用，对网商改善网络推荐系统具有如下指导意义：

1.改善网络推荐系统

本研究发现，界面设计对感知易用性无显著影响。这可能是由于界面设计并非直接影响感知易用性，而是通过感知愉悦性（Perceived Enjoy⁃ment）间接影响感知易用性和感知有用性。[79-80]因此，未来研究可引入感知愉悦性这一变量对本研究模型进行拓展。

本研究发现，附加功能对感知易用性有显著正向影响，对感知有用性无显著影响。根据本研究结果，我们为网商提供以下三条建议：

第一，网商可主动向消费者解释推荐产生的原因，比如，“我们提供这个推荐是因为您已购买……”“因为您说您拥有……”“因为您评级了……”等。

第二，网商可提供更多、更好用的模块，以主动了解消费者对推荐结果是否满意。比如，对某些消费者可能拥有的推荐商品，可让其勾选“我已经有了”；对某些消费者可能不喜欢的推荐商品，可让其勾选“不感兴趣”。此外，还可让消费者能够对推荐商品进行评级。

第三，网络推荐系统可展示推荐商品的详细信息，如用户评分、评论数量、偏好分值预测等。

2.改善网络推荐系统给出的推荐信息

本研究发现，推荐数量对感知有用性和感知易用性均有显著正向影响。根据本研究结果，我们为网商提供以下两条建议：

第一，网商总是试图为消费者推荐尽可能多的商品以提高总销量，但推荐数量并非越多越好。这是因为，过多的推荐会增加消费者的信息搜索成本，增加其认知努力，这有违消费者使用网络推荐系统的初衷。米勒（Miller）[81]指出，人类的信息处理能力是有局限的，数字“7”是人类短期记忆的极限。因此我们建议，在同一个推荐列表中，网络推荐系统最多向消费者展示7件推荐商品。

第二，网络推荐系统应避免向消费者过多地推荐同一品牌或产品属性过于相似的商品，而应展示多样化的推荐列表，以应对消费者多样化的寻求行为。[82]

本研究发现，推荐质量对感知有用性有显著正向影响。根据本研究结果，网商可通过以下三种方式来提高推荐质量：

第一，网商应进一步优化网络推荐系统算法，以提高网络推荐系统的准确度，从而帮助消费者更加便捷地找到更加合意的商品。

第二，中国消费者非常看重商品的品牌与质量，网络推荐系统应尽可能地向消费者推荐那些知名度、美誉度、感知质量更高的品牌。

第三，受求新、求变动机驱动，[83]消费者在网络购物时经常会存在一种猎奇心理，网络推荐系统可向消费者推荐一些新奇商品，给消费者一个意外惊喜，挖掘消费者自己都未曾意识到的潜在需求。

3.着重提高网络推荐系统的感知有用性

本研究发现，感知易用性对感知有用性有显著正向影响，对推荐采纳意向无显著影响；感知有用性对推荐采纳意向有显著正向影响。在网络购物环境下，本研究证实了技术接受模型经典框架对网络推荐系统这种新型信息技术的适用性，却发现感知易用性对推荐采纳意向无显著影响。高芙蓉、高雪莲[84]指出，随着消费者与网络推荐系统交互的日益频繁及使用经验的不断增加，感知易用性对使用意向的直接影响逐渐减弱，而通过感知有用性间接影响使用意向。前面展示的中介效应检验就证实了这一结论。在本研究调查的样本中，有58.8%的消费者使用当当网的时间已经超过一年，有60.8%的消费者每一两天就登录一次当当网，他们对当当网的网络推荐系统比较熟悉，这导致感知易用性对推荐采纳意向的直接影响并不显著。因此，对于那些已经掌握了大量消费者数据的实力较为雄厚的网商，提高网络推荐系统的感知有用性可能更加重要。

（三）研究局限与展望

本研究过程尽管力求严谨，但仍然具有一定的局限性。

第一，本研究对象为当当网，需谨慎思考能否将本研究结果一般化到其他网商。建议未来研究可面向不同网商（如亚马逊、京东、天猫等）收集数据。

第二，本研究使用的是经典技术接受模型，未来研究可在模型中加入信任度、[85]满意度[86]和消费者个人特征[87]等变量，以对本研究模型进行拓展。

第三，由于网络推荐系统不能脱离其所嵌入的购物网站而独立发挥作用，因此购物网站的声誉、[88]设计、[89]服务质量[90]等可能会影响消费者对购物网站所使用网络推荐系统的信任度与满意度，从而影响网络推荐系统对消费者的营销效果，该问题值得进一步探索。

参考文献：

[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]Häubl 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]朱岩，林泽楠.电子商务中的个性化推荐方法评述[J].中国软科学，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]刘倩.基于客户关系发展阶段的推荐系统特性需求分析[D].武汉：华中科技大学，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]陈明亮，蔡日梅.电子商务中产品推荐代理对消费者购买决策的影响[J].浙江大学学报（人文社会科学版），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]刘遗志，刘煜.消费者创新性对移动购物意愿的影响——基于扩展的技术接受模型视角[J].中国流通经济，2015（7）：102-108.

[43]郭恺强，王洪伟，赵月.消费者通过在线声誉系统发表评论的前因：基于TAM的实证研究[J].管理评论，2014，26 （9）：180-190.

[44]肖风桢.大学生网络购物影响因素的实证研究[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]马庆国，王凯，舒良超.积极情绪对用户信息技术采纳意向影响的实验研究——以电子商务推荐系统为例[J].科学学研究，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]柯学.大灾难可以减少消费者的多样化寻求行为：一个基于恐怖管理理论的研究[J].管理世界，2009（11）：122-129、188.

[83]许春晓，朱茜.求新动机、满意度对重游间隔意愿的影响——以凤凰古城旅游者为例[J].旅游科学，2011，25 （5）：57-66.

[84]、[87]高芙蓉，高雪莲.国外信息技术接受模型研究述评[J].研究与发展管理，2011，23（2）：95-105.

[89]王全胜，郑称德，周耿.B2C网站设计因素与初始信任关系的实证研究[J].管理学报，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.

责任编辑：陈诗静

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

作者简介：杨一翁（1983—），男，湖南省长沙市人，北方工业大学经济管理学院教师，新疆财经大学新疆企业发展研究中心研究员，博士，主要研究方向为品牌、网络营销；王毅（1978—），男，河南省淅川县人，中央财经大学商学院副教授，博士，博士后，硕士生导师，主要研究方向为顾客满意、消费者行为学；孙国辉（1961—），男，山东省平度市人，中央财经大学商学院教授，博士，博士生导师，主要研究方向为跨国经营、战略营销。

基金项目：教育部人文社会科学研究青年基金项目“内、外部利益相关者视角下的公司品牌研究：概念、维度和作用机制”（14YJC630167）、新疆维吾尔自治区普通高等学校人文社会科学基地基金项目“新疆纺织企业竞争力研究”（050215C01）、北京市属高校促进人才培养综合改革项目—研究生创新平台建设（XN108）

收稿日期：2015-09-29

中图分类号：F713.50

文献标识码：A

文章编号：1007-8266（2016）02-0098-10