网络推荐商品信息对消费者购买决策的影响

霍春辉, 袁少锋, 吴雅轩

(辽宁大学 商学院, 辽宁 沈阳　110036)



网络推荐商品信息对消费者购买决策的影响

霍春辉, 袁少锋, 吴雅轩

(辽宁大学 商学院, 辽宁 沈阳110036)

摘要:基于消费者“网购的两阶段模型”,探讨了网络推荐商品的排名、网络口碑数量和口碑传播方向对消费者网络购买决策的影响。研究结果表明:网购情境下,网络推荐商品的排名信息、口碑数量、口碑传播方向显著正向影响消费者的购买意向,进而影响消费者购买行为。在网络推荐商品的排名、口碑传播数量对消费者购买意向的影响过程中,产品卷入度起到了显著正向调节作用,即相比产品卷入度低的购买情形,推荐排名和口碑传播数量对产品卷入度高的消费者的购买意向有更显著的正向影响。

关键词:网络购买; 推荐商品; 购买意向; 购买行为

网络购买情境下,消费者的决策模式与传统的实体店购买有明显区别。关于消费者购买决策过程和影响因素的理论,主要基于传统的实体店购买而提出[1]。因此,有必要探究网购情境下消费者购买的决策过程与影响因素。已有相关研究关注于在线评论[2]、网络口碑[3]特征等对网购决策的影响。鲜有研究探讨网络推荐商品信息对消费者购买决策的影响[4],本文对此展开探讨,旨在对消费者网购决策及对电商企业的营销管理提供参考和借鉴。

一、 相关研究回顾与假设提出

1. 消费者传统购买决策与网络购买行为

消费者购买决策行为是指个体、群体及组织如何挑选、购买、使用和处理产品、服务、构思或者体验以满足他们需求和欲望的过程。消费者购买行为的传统决策模型认为,商品信息是影响消费者行为的重要因素[5]。人们想要获得需要的商品,首先要了解商品信息,商品信息对消费者行为有驾驭和引导作用,是消费者进行决策的主要依据。传统实体店购买情境下的消费者购买决策模型,遵从心理学提出的人类行为一般模式的S-O-R理论,即“刺激—个体生理、心理—反应”模式。刺激激起消费者的购买欲望,这种刺激不仅来源于消费者自身的内部因素,如心理因素、生理因素,也来源于外部环境因素。消费者在内外部因素的共同作用下,产生购买欲望,购买欲望驱动消费者作出购买决策,产生实际的购买行为。接下来,还会对商品、购买途径及商家进行评价,这就是传统情境下一次完整的购买决策过程。

在网络购买的环境下,消费者面临的商品信息更加丰富、购物过程更便捷、购买价格也相对便宜。与传统购买存在本质区别的是,消费者网购时处于虚拟的、交互式网络环境[4]。这决定了消费者购买的不确定性增加、购买风险加大。这样一来,消费者网络购买的决策过程不同于传统的购买决策过程。因而需要在传统购买决策模型的基础上,研究在线网络购买情境下的消费者购买决策模型。

一些学者也开始探究网络购买的决策模型。Haubl & Trifts[6]提出了网购的两阶段模型,第一个阶段是消费者基于需求,大量浏览网页上的商品,形成备选项;第二个阶段是针对备选项中的商品,搜寻详细的产品相关信息,并对不同的备选项基于一些个体认为的关键属性进行对比评估,最终作出购买决策。在第一个阶段,网购平台的商品推荐服务发挥重要作用。在第二个阶段,消费者对比分析备选项商品的详细信息,如网络评价数量、评价好坏,基于此作出购买决策。除此之外,Zeng & Reinartz[7]还提出了网购的“查找所需商品或服务、对比评估作出选择、支付”的三阶段模型。

2. 网络推荐商品信息与消费者购买决策

在网购的情境下,消费者面临的商品信息量远大于传统购物情境,这增加了消费者购买决策的难度。因而网络推荐成为提升消费者购买决策有效性的重要手段[8]。实际上,网络商品推荐系统最初提出的目的,就是为了帮助消费者在信息负荷过大的网购情境下,更好地作出购买决策。根据Haubl & Trifts[6]提出的网络购买决策的两阶段模型,在第一个阶段的信息收集与备选项形成过程中,网络推荐商品的排名信息可能是影响消费者购买决策的首要因素。在第二个阶段的备选项信息搜集与评估过程中,网络推荐商品的评论数量与质量可能是影响消费者网购决策的重要因素。

网络推荐根据消费者的搜索、浏览或购买记录,预测消费者的偏好。据此从海量的商品信息中为消费者推荐一个商品子集,由此减少消费者决策时的商品信息超负荷问题[9]。网络推荐的商品子集一般会对候选商品进行排序,以帮助消费者对购买备选项进行评价。已有研究揭示,网络推荐系统提供的排名信息,不仅减少消费者购买决策时的认知付出,还提高了消费者购买决策的有效性与满意度[4,8]。

另外,网络推荐商品对应的口碑数量和口碑传播方向,能通过感知效应(awareness effect)和劝说效应(persuasive effect)影响消费者的购买决策[10]。感知效应涉及特定商品对应的网络口碑的数量,数量的多少传递商品的存在,口碑越多的商品越容易进入消费者选择的备选项。劝说效应涉及口碑的传播方向,整体上积极的口碑塑造消费者对特定商品的态度,影响其最终购买决策,而消极的口碑则发挥相反的作用。

推荐商品的网络口碑数量,即某推荐商品的评论数量,能够对消费者网购决策产生重要影响[11],也是研究者们关注的重要变量[10]。推荐商品的网络口碑数量越多,说明他人对该商品的关注程度越高、该商品越流行。人们容易基于从众心理而认为自己的购买决定是合理的。当消费者对某商品缺乏了解时,网络口碑的数量还会成为消费者感知购买行为不确定性和风险的依据;数量越多,消费者对购买的不确定性和风险感知程度越弱。

推荐商品的网络口碑传播方向,即他人总体上对推荐的特定商品评价好或坏的倾向,反映的是推荐商品网络口碑的质量。他人会根据过往的消费经历、体验,形成对特定商品的评价。评价的好坏对应的是劝说效应,因而也是消费者网购决策的重要依据[11]。

3. 假设提出

已有研究发现,网络购买情境下,消费者浏览搜索结果页面遵循自上而下的顺序,排名越靠前的信息,受到的关注就越多[12]。另外,当面对不熟悉的产品时,人们往往点击较为靠前的链接浏览产品信息;在传统的搜索页面中,由于用户自上而下的信息浏览方式,信息搜索项排名的先后顺序对各个链接的点击率、浏览率等产生了显著的影响[13]。因此,网购情境下,购物网站的商品推荐排名信息会对消费者的购买意向产生积极的影响。据此提出假设1:网络推荐商品排名正向影响消费者购买意向。

口碑数量在商品销售过程中对消费者行为有重要影响,口碑数量越多,对消费者的影响可能越大[2]。Davis & Khazanchi[14]通过对一家电商企业的真实数据进行分析发现,网络口碑数量通过作用于消费者的认知进而对企业的销售额产生影响。可见,网络口碑的评论数量越多,消费者掌握的内容就越丰富,对消费者认知产生的影响越强烈,进而影响消费者的购买意向。因此,提出假设2:网络推荐商品的口碑数量正向影响消费者购买意向。

消费者在作出购买决策时,网络口碑传播的方向也具有重要的参考价值[3]。金立印[15]研究发现,网络口碑传播方向,即网络口碑总体上是朝积极正面的方向传播,还是消极负面的方向传播,对消费者的购买决策发挥重要作用,并且不同传播方向的网络口碑对消费者购买决策的影响呈现出显著差异。作为消费者选择商品时的重要参考之一,网络口碑传播方向对消费者购买意愿的影响非常大,越是正面的口碑传播,越可能正向影响消费者购买意愿。据此,提出假设3:网络推荐商品口碑传播方向正向影响消费者购买意向,即传播方向越积极正面,消费者的购买意向越强。

在网络推荐商品信息影响消费者购买决策的过程中,产品卷入度可能是一个重要的调节变量。面对产品卷入度高的商品时,消费者往往投入更多的时间与精力去搜寻与之相关的信息,全方位对比各个备选商品;相反,面对产品卷入度低的商品时,消费者的购买过程便会非常容易,有可能简化中间过程而直接购买[15]。因而,相比产品卷入度低的购买情境,网络推荐商品的排名、网络口碑数量和口碑传播方向,可能对产品卷入度高的消费者的购买行为有更大的影响。因此,提出假设4:在网络推荐商品信息与消费者购买意愿之间,产品卷入度发挥调节作用;具体地,相比产品卷入度低的购买情形,网络推荐商品的推荐排名(假设4a)、口碑数量(假设4b)和口碑传播方向(假设4c)对产品卷入度高的消费者的购买意愿有更显著的正向影响。

最后,一般消费者的购买决策过程首先由商家通过某种途径把信息传达给消费者,消费者进行产品搜索,收集相关信息,形成购买意向,基于购买意向再发生实际的购买行为。顾客购买意向能够代表顾客购买某个产品或者服务的概率,当顾客的购买意向越强烈,购买的可能性越大。Fishbein等提出的计划行为理论指出,个人行为受意愿的控制,个人意愿决定个人行为,是行为产生的前因。作为实际购买行为发生的前因,消费者购买意向是衡量购买行为的重要指标,可以精准地预测购买行为。由此,提出假设5:网络商品的购买意向正向影响消费者的购买行为。

根据以上分析,提出研究的理论模型,如图1。网络推荐商品排名信息、口碑数量及口碑传播方向都正向影响消费者的购买意向,并且在此过程中,产品卷入度起到了调节作用。购买意向作为购买行为发生的前因,能够准确地预测消费者的购买行为。

图1　　　网络推荐商品信息对消费者

二、 研究设计与数据收集

1. 研究设计

为了保证相关变量测量的效度与信度水平,通过整理相关文献,在国内外成熟量表的基础上,结合本研究特定的情境进行了适当的调整与修改,最终形成本研究的调查问卷。问卷包含三部分,第一部分是问卷介绍;第二部分是正文部分,即变量的测量,包括网络推荐商品排名、口碑数量、口碑传播方向、产品卷入度、消费者购买意向及消费者购买行为的测量;第三部分是被调查者的基本资料信息。

研究涉及的潜变量主要包括:网络推荐商品的网络口碑数量、口碑传播方向、产品卷入度、购买意向及购买行为。网络推荐商品的排名是一个相对客观的信息,本研究基于已有文献设计一个题项“该推荐商品在推荐列表中的排名次序对我有影响”进行测量。网络推荐商品口碑数量参考Schubert & Selz[16]的量表,包括4个题项,代表性题项为:该推荐商品的评论很多,该推荐商品的关注度很高。口碑传播方向参考Chan[17]的研究,包括3个题项,代表性题项为:该推荐商品的总体评价是非常正面的,该推荐商品的总体建议倾向是优先考虑购买的。产品卷入度参考Zaichkowsky[18]的研究,包括4个题项,代表性题项为:该推荐商品对我很重要,我对该推荐商品很感兴趣。购买意向参考Crespo & Bosque[19]使用的量表,包括3个测量题项,代表性题项是:我很可能购买该推荐商品,我有意愿购买该推荐商品。购买行为参考了Shih & Fang[20]的研究,包括3个测量题项,代表性题项为:我已经购买了该推荐商品,我多次购买网站上推荐的商品。

潜变量采用李克特五级量表进行打分,“1”代表“完全不同意”;“2”代表“比较不同意”;“3”代表“中性”;“4”代表“比较同意”;“5”代表“完全同意”。此外,调查问卷参考CNNIC《2014年第33次中国互联网络发展状况统计报告》中的网民结构特征的分类变量设置,来设计本研究被试的基本信息调查变量,这样做的目的是便于考察本研究样本的代表性。基本信息变量包括:性别、年龄、学历、职业、月平均收入、网购频率(次/月)。

2. 数据搜集

正式问卷设计好后,于2015年1月通过问卷星网络问卷调查平台发放并回收问卷。这期间共收回299份问卷,将回收的全部调查问卷进行筛选。删除题项“我经常浏览购物网站中推荐的商品”选择“完全不同意”的问卷,删除明显填答不认真(如全选3超过70%)的问卷,共删除无效问卷44份。最终得到255份有效问卷,有效率达到85.3%。

样本的人口统计特征见表1。样本统计特征能够反映出本文的被调查者具有良好的代表性,符合研究要求。

表1　样本人口统计特征

三、 实证分析与假设检验

1. 描述性统计分析

首先,分析被试所关注的网络推荐商品的类型,按关注人数所占比重排序依次是:服饰鞋帽(占38.8%)、电脑数码(15.7%)、美容美妆(11.4%)、手机通讯(7.8%)、食品营养(6.7%)、家居生活(5.5%)、家电家具(4.3%)、图书音像(4.3%)、休闲娱乐(3.5%)、其他(1.8%)。CNNIC发布的《2014年中国网络购物市场研究报告》显示,网络购物市场中最受关注的类别是服饰鞋帽,其次为日用百货及电脑、通讯数码产品,化妆品及美容产品比重超过图书音像制品、家用电器、食品营养及文体用品。对比上述分析,本研究所涉及到的商品类别在消费者网络购物行为中比较具有代表性。

另外,分析被试对网络推荐商品的浏览方式,具体有三种方式:自上而下浏览、随自己的判断浏览、随机浏览。本研究中,被试在三种浏览方式上所占比例分别为42.4%、40.4%及17.2%。三种方式中,自上而下浏览所占比例最高。消费者浏览推荐列表中的推荐商品大多数选择位置排名比较靠前的商品,较少消费者会选择浏览排名靠后的商品。

2. 效度和信度检验

潜变量的测量均参考已有文献,并且相关测量量表已经在中国情境下使用,这初步保证了测量的内容效度。问卷初稿设计好后,邀请了5位有过网购经历的成年消费者进行试填写,并让他们就问卷各题项的可读性、易懂性等提出看法和意见。综合考虑5位消费者试填写时的意见,修改形成正式的测量量表和调查问卷,进一步提升测量的内容效度。

接下来通过学者们常用的探索性因子分析方法来检验测量的结构性构念效度。采用主成分分析、方差最大化正交旋转及特征根值大于1的标准进行因子分析,并剔除载荷系数小于0.5的题项。将研究所包含的全部题项一起进行因子分析,KMO=0.894,通过了Bartlett球形检验,p<0.001,并且所有潜变量对应题项的载荷系数均大于0.5。研究涉及的各潜变量对应题项的因子分析结果显示,口碑数量、口碑传播方向、产品卷入度、购买意向和购买行为对应的KMO值分别为:0.754、0.721、0.698、0.804、0.672,均大于0.6,说明潜变量的测量题项能够合理地解释变量,并且各个潜变量因子分析都通过了Bartlett球形检验,对应p值均小于0.001。以上指标表明研究涉及的潜变量具有良好的结构性效度。

参照Anderson & Gerbing[21]的做法,通过验证性因子分析,基于测量题项的标准化因子载荷和平均方差提取量(AVE)来检验潜变量测量的收敛效度。采用Lisrel 8.7软件进行验证性因子分析,结果表明潜变量测量题项的因子标准化载荷系数介于0.63和0.86之间,AVE提取量除网络口碑传播方向因子的AVE值为0.45,其他潜变量对应的AVE值都在0.5的临界标准以上。根据以上两个指标分析结果,可以认为本研究潜变量的测量具有可接受的收敛效度。

研究还参考Fornell & Larcker[22]推荐的方法检验测量的区别效度,即根据每个因子的AVE值是否大于该因子与其他因子之间的方差,来进行判断。如果AVE值大于两因子之间相关系数的平方,或AVE值的平方根大于两因子之间的相关系数,表示两个因子之间具有较好的区别效度。本研究各因子AVE值的平方根介于0.66～0.81之间,相关系数的值介于0.36～0.64之间。每个因子的AVE值平方根都大于两因子间的相关系数。表明本研究各因子的区别效度较好。

最后采用Cronbach’sα值作为衡量信度的指标,考察潜变量的信度。信度分析结果显示,口碑数量、口碑传播方向、产品卷入度、购买意向和购买行为对应的Cronbach’sα系数分别为0.804、0.841、0.669、0.841、0.832,均大于0.65,表明潜变量具有良好的内部一致性信度。

3. 假设检验

采用Pearson相关系数对变量进行相关性分析,结果表明网络推荐商品排名、口碑数量及口碑传播方向都与消费者购买意向显著正相关,相关系数分别为0.361(p<0.01)、0.487(p<0.01)及0.491(p<0.01)。同时,购买意向与购买行为亦呈现显著正相关,相关系数为0.642(p<0.01)。这初步支持了假设1、2、3和5。

接下来,利用SPSS 19.0软件对正式回收数据进行分析。首先将相关潜变量进行标准化,然后,采用研究者们通用的层次回归模型,来检验网络推荐商品的排名、口碑传播数量、口碑传播方向与消费者购买意向之间,产品卷入度的调节效应。分层回归模型的分析步骤是:①考察控制变量对因变量的主效应回归;②考察自变量和调节变量对因变量的主效应回归;③考察自变量、调节变量及二者交互项对因变量的回归结果。生成自变量和调节变量的交互项前,需要对两类变量进行中心化转换,目的是消除两类变量间的多重共线性的潜在干扰。本研究基于潜变量的标准化得分进行分析,变量的均值为零,所以不需要再中心化。层次回归分析的结果见表2。

表2中模型1表明,控制变量只解释了消费者购买意向很小的变异,R2接近0。作自变量对因变量的主效应回归,模型2的结果显示,整个模型对因变量变异的解释能力显著提升,R2显著变大。口碑排序(β= 0.153,p<0.05)、口碑传播数量(β= 0.206,p<0.01)和口碑传播方向(β= 0.333,p<0.001)对消费者购买意向的标准化回归系数均显著。这支持了假设1、2和3。网络推荐商品的排名越靠前、口碑传播数量越多、口碑传播方向越积极正面,消费者对网络推荐商品的购买意愿越强。

表2　预测消费者购买意向的标准化回归分析结果

注: ***、**、*、+分别表示在0.001、0.01、0.05、0.1水平上显著。

模型3考察的是网络推荐商品排名与消费者购买意愿间,产品卷入度的调节作用。分析结果显示,推荐商品排名和产品卷入度对消费者购买意向影响的主效应都显著,同时二者交互项对消费者购买意向的标准化回归系数也显著,即β=0.126,p<0.05。这说明推荐商品排序和消费者购买意向之间,产品卷入度发挥正向调节作用,这支持了假设4a,同时表明相比产品卷入度低的网购情境,推荐商品排序对产品卷入度高的消费者的购买意向有更显著的正向影响。

类似地,模型4表明,网络推荐商品的口碑传播数量与消费者购买意向之间,产品卷入度的调节效应临界显著,口碑传播数量和产品卷入度的交互项对应的标准化回归系数为β= 0.085,p<0.1,这倾向支持假设4b。意味着相比产品卷入度低的网购,口碑传播数量对产品卷入度高的消费者的购买意向有更强的正向影响效应。此外,模型5表明,口碑传播方向与消费者购买意向之间,产品卷入度的调节作用不显著,口碑传播方向和产品卷入度的交互项对应的标准化回归系数接近0,p>0.9,假设4c未获得数据支持。

此外,作控制变量、购买意向对消费者购买行为的回归分析,分析结果显示,模型调整R2为0.402,性别、年龄、学历、职业、月收入、网购次数等控制变量对消费者购买行为的影响不显著,而购买意向对购买行为的标准化回归系数显著,即β=0.634,p<0.001。这表明在控制性别等控制变量的影响后,消费者购买意向显著正向影响购买行为,这支持了假设5。

四、 研究结论与启示

1. 研究结论

越来越多的中国消费者将其商品购买主要渠道从传统实体店转向网络购买。然而已有研究主要关注在线评论、网络口碑特征对消费者网络购买决策的影响。本文基于Haubl & Trifts[6]提出了网购的两阶段模型,探讨了网络推荐商品的排名、口碑数量及口碑传播方向对消费者购买决策的影响,并考察了产品卷入度的调节作用。

研究发现,网络推荐商品的排名信息、口碑数量、口碑传播方向显著正向影响消费者的购买意愿。网购情境下,推荐商品排名越靠前、口碑数量越多、口碑传播方向越是积极正面,消费者对推荐商品的购买意愿越强,并且在网络推荐商品的排名、口碑数量对消费者网络购买意愿的影响过程中,产品卷入度发挥显著的调节作用。这意味着相比产品卷入度低的网络购买情形,网络推荐商品的排名、口碑数量对产品卷入度高的消费者的网络购买意愿有更显著的正向影响。研究还显示,网络推荐商品的购买意愿对实际的购买行为具有非常强的预测能力。

此外,网络推荐商品的口碑传播方向对消费者购买意向的影响过程中,产品卷入度的调节作用并不显著。结合数据分析的结果,无论是高产品卷入度还是低产品卷入度的网络购买情境,口碑传播方向越积极正面,消费者的购买意愿都会越强。

2. 营销启示

研究结论对于电商企业的营销活动具有实践启示。企业可以从掌握的海量消费者数据中挖掘消费者的历史浏览记录、消费记录、消费习惯,为消费者推荐商品,实施精准营销。商品的推荐服务是大数据的重要应用之一。本研究发现,网站上推荐商品排名信息显著正向影响消费者购买意向。此外,产品卷入度在网络推荐商品排名对消费者购买意向的影响起到了正向的调节作用。产品卷入度越高,消费者购买商品时所承担的风险越多。因此,在购买此类商品前对商品信息的搜索就越积极,理性思考成分就越多。购物网站可以通过分析消费者的历史消费信息、搜索信息、浏览信息等数据,为其提供精准的个性化推荐服务。消费者个性化需求得到满足的同时,降低了购物网站由于市场不确定性因素带来的风险,有利于购物网站更好地把握市场需求,更好地为消费者服务。在提升顾客满意度与忠诚度的同时,提升企业竞争优势。

另外,对于电商企业而言,在网络消费人群中建立良好的口碑具有十分重要意义。良好的口碑以一流的产品质量和服务质量为基础。如果消费者基于网络宣泄对商家的产品质量或者服务质量不满,其破坏性将非常严重。因此,如何在网络上建立积极正面的口碑应是企业重点关注的问题。电子商务企业应该注重商品的质量,加强商品质量的监督与管理。与此同时,企业还应该注重网络口碑传播的方向,及时对消费者负面情绪进行安抚及作出有效回应,妥善解决消费者所提出的问题,改变消费者的负面看法。企业不仅仅要充分、合理利用网络口碑这一成本低、见效快的营销工具,积极展开网络营销工作,还应该整合各种媒介资源,积极全面地传播企业的所有信息,树立正面的企业形象。

最后,产品卷入度在网络推荐商品的排名和口碑数量对消费者购买意向的影响中起到了显著的调节作用。因此,电子商务企业在通过网络推荐商品排名、口碑数量影响消费者购买决策的过程中,应关注到产品卷入度的潜在影响。针对产品卷入度高的网络购买情境,排名信息和口碑数量对消费者的购买意愿才会有更显著的正向影响。除此之外,还可以通过营销策略影响消费者购买时的产品卷入度。例如,电子商务企业可以吸引消费者注册、收藏自己企业的网站,关注企业旗下的产品,或者通过发送短信、微信、电子邮件等形式邀请新老顾客免费试用新产品,这样不仅提高了消费者的产品卷入度,而且还获取了消费者一手资料,既能巩固老顾客,又能吸引新顾客,最终提升消费者的购买意愿,促进企业的可持续发展。

参考文献:

[1] 迈克尔·R.所罗门. 消费者行为学[M]. 10版. 卢泰宏,杨晓燕,译. 北京: 中国人民大学出版社, 2014.

[2] 江晓东. 什么样的产品评论最有用?——在线评论数量特征和文本特征对其有用性的影响研究[J]. 外国经济与管理, 2015,37(4):41-55.

[3] 卢向华,冯越. 网络口碑的价值——基于在线餐馆点评的实证研究[J]. 管理世界, 2009(7):126-132.

[4] 戴和忠. 网络推荐和在线评论对数字内容商品体验消费的整合影响及实证研究[D]. 杭州:浙江大学管理学院, 2014.

[5] 晁钢令. 试论消费者行为的策划和引导[J]. 外国经济与管理, 1992(11):31-33.

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

[7] Zeng Ming, Reinartz W. Beyond Online Search: The Roadto Profitability[J]. California Management Review, 2003,45(2):107-130.

[8] Xiao Bo,Benbasat I. E-commerce Product Recommendation Agents: Use, Characteristics, and Impact[J]. MIS Quarterly, 2007,31(1):137-209.

[9] Smith M D. The Impactof Shopbots on Electronic Markets[J]. Journal of the Academy of Marketing Science, 2002,30(4):446-454.

[10] Duan Wenjing, Gu Bin, Whinston A B. Do Online Reviews Matter?—An Empirical Investigationof Panel Data[J]. Decision Support Systems, 2008,45(4):1007-1016.

[11] 龚诗阳,刘霞,刘洋,等. 网络口碑决定产品命运吗——对线上图书评论的实证分析[J]. 南开管理评论, 2012,15(4):118-128.

[12] Sherman C. A New F-word for Google Search Results[EB/OL].[2005-03-08].http:∥www.Webcitation.org/5FmwyPgDv.

[13] 黄鹂强,王刊良. 搜索引擎用户对商品搜索结果的点击行为研究[J]. 管理科学, 2012,25(1):76-84.

[14] Davis A, Khazanchi D. An Empirical Study of Online Word of Mouth as a Predictor for Multi-product Category E-commerce Sales[J]. Electronic Markets, 2008,18(2):130-141.

[15] 金立印. 网络口碑信息对消费者购买决策的影响:一个实验研究[J]. 经济管理, 2007,29(22):36-42.

[16] Schubert P, Se1z D. Web Assessment-measuring the Effectiveness of Electronic Commerce Sites Going Beyond Traditional Marketing Paradigms[C]. Proceedings of the 32nd Hawaii International Conference on System Sciences, Hawaii: IEEE Xplore, 1999.

[17] Chan H. Adaptive Word-of-Mouth Behavior: A Conceptual Framework and Empirical Tests[M]. Wisconsin: University of Wisconsin-Madison, 2000.

[18] Zaichkowsky J L. Measuring the Involvement Construct[J]. Journal of Consumer Research, 1985,12(3):341-352.

[19] Crespo A H, Bosque I R. The Effect of Innovativeness on the Adoption of B2C E-commerce: A Model Based on the Theory of Planned Behaviour[J]. Computers in Human Behavior, 2008,24(6):2830-2847.

[20] Shih Y Y, Fang K. Effects of Network Quality Attributes on Customer Adoption Intentions of Internet Banking[J]. Total Quality Management & Business Excellence, 2006,17(1):61-77.

[21] Anderson J C, Gerbing D W. Structural Equation Modeling in Practice: A Review and Recommended Two-step Approach[J]. Psychological Bulletin, 1988,103(3):411.

[22] Fornell C, Larcker D F. Evaluating Structural Equation Models with Unobservable Variables and Measurement Error[J]. Journal of Marketing Research, 1981,18(1):39-50.

(责任编辑: 王薇)

Impact of Online Product Recommendations on Consumers’ Purchasing Decisions

HUO Chun-hui, YUAN Shao-feng, WU Ya-xuan

(Business School, Liaoning University, Shenyang 110036, China)

Abstract:Based on the two-stage model of consumers’online shopping, the impacts of online recommended products’ ranking, online word-of-mouth quantity and online word-of-mouth transmission direction on consumers’ purchasing decisions were explored. It was found that online recommended products’ ranking, online word-of-mouth quantity and online word-of-mouth transmission direction are positively correlated with consumers’ purchasing intention and behavior. Furthermore, while online recommended products’ ranking and online word-of-mouth transmission direction affect consumers’ purchasing intention, product involvement has significant positive moderating effect. In other words, online recommended products’ ranking and online word-of-mouth quantity have stronger positive effect on consumers’ purchasing intention in high product involvement than in low product involvement.

Key words:online purchasing; product recommendation; purchasing intention; purchasing behavior

doi:10.15936/j.cnki.1008-3758.2016.03.007

收稿日期:2015-10-24

基金项目:国家社会科学基金青年资助项目(13CGL045); 辽宁省教育厅优秀人才支持计划资助项目(WR2015005); 辽宁省教育厅人文社会科学研究一般资助项目(W2015181)。

作者简介:霍春辉(1977- ),男,辽宁沈阳人,辽宁大学教授,博士生导师,主要从事战略管理及市场营销研究; 袁少锋(1982- ),男,湖北监利人,辽宁大学副教授,管理学博士,主要从事营销管理研究。

中图分类号:F 270

文献标志码:A

文章编号:1008-3758(2016)03-0262-08