消费者愿意采纳推荐吗？——基于信息系统成功－技术接受模型

杨一翁 孙国辉 王 毅

一、引言

面对网上琳琅满目、良莠不齐的商品及其相关信息，时间、精力有限的消费者在网络购物时遭遇“信息超载”难题，推荐系统应运而生。推荐系统（recommender system）是一种信息过滤技术，能根据当前消费者的浏览、购买和评价等信息输入，结合商品的属性信息，利用系统数据库中相似消费者的历史数据，通过系统算法过滤其选择，从而为当前消费者提出推荐建议。［12］推荐系统像一位了解消费者偏好的私人购物助理，能帮消费者更高效地找到合意商品，因此在各大购物网站得到了日益广泛的应用。消费者在网购时见到的各类推荐信息，如：“购买此商品的顾客也同时购买……”（亚马逊）、“猜你喜欢……”（京东）和 “看过本商品的人还看了……”（当当）等，就是由购物网站后台的推荐系统给出的。网商应用推荐系统的主要目的是刺激消费者更多地购买以提高销售额。消费者在进入购物网站后，会被动地接触到各类推荐信息，消费者自己能决定的是：是否采纳这些推荐信息？因此，网商成功应用推荐系统的关键在于探明：哪些因素影响消费者对推荐信息的采纳意向？

推荐系统研究始于20世纪90年代中期，是一个年轻的研究领域。现有研究主要关注推荐系统的算法优化，即提高推荐信息的准确性等；而较少关注推荐系统对消费者网购决策的影响。哪些因素影响消费者对推荐信息的采纳意向？少量研究基于技术接受模型（technology acceptance model，TAM），试图回答该问题。TAM认为：用户对新技术的使用取决于感知有用性与感知易用性。［3］感知有用性指用户主观上认为使用新技术能提高其工作绩效的程度；感知易用性指用户主观上认为使用新技术需付出的努力程度。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，进而影响其使用行为。Wang和 Benbasat（2005）［4］将TAM应用到推荐系统研究，发现消费者对推荐系统的感知易用性影响其对推荐系统的感知有用性与信任，进而影响其推荐采纳意向。但什么因素影响感知有用性与感知易用性？该研究未回答。基于TAM， 马庆国等（2009）［5］发现， 用户的情绪既直接影响其对推荐系统的采纳意向，也同时通过感知风险、感知有用性和感知易用性作为不完全中介变量影响其采纳意向。但网商较难操控消费者情绪。哪些与推荐系统相关的因素影响感知有用性与感知易用性？该研究没有回答。小结以上，基于TAM，现有研究发现消费者对推荐系统的感知有用性与感知易用性影响其对推荐信息的采纳意向，但哪些与推荐系统相关的因素影响感知有用性与感知易用性？现有研究对该问题分析不全面，缺乏理论基础。

基于此，我们引入信息系统研究领域的信息系统成功模型（information systems success model，ISSM），以进一步探索感知有用性与感知易用性的影响因素。我们以亚马逊的推荐系统为研究对象，使用问卷调查法，面向亚马逊的消费者收集数据，运用偏最小平方结构方程模型（PLS⁃SEM）分析数据，从而得出研究结论。通过以上工作，我们期望推进推荐系统在营销领域的研究进展，拓展信息系统成功模型与技术接受模型在网购环境下的应用，并对网商改善其推荐系统有实践上的指导意义。

二、研究模型与假设

信息系统成功模型认为：服务质量、系统质量和信息质量影响用户对信息系统的使用意向、使用行为和满意度，进而影响净收益。［6］结合信息系统成功模型与技术接受模型，我们构建购物网站服务质量、推荐系统质量和推荐信息质量对感知有用性、感知易用性和推荐采纳意向的影响模型（见图1）。

图1 信息系统成功－技术接受模型

基于 Delone 和 Mclean（2003）［6］提出的信息系统成功模型，服务提供商所提供的服务质量正向影响用户对信息系统的满意度与使用意向。具体到应用推荐系统的网购环境，服务质量指网站服务质量。网站服务质量包括网站效率、网站可用性、订单完成和隐私保护4个维度。［7］有研究探索了网站服务质量对消费者对网站的感知有用性与感知易用性的影响［89］； 但很少有研究探索网站服务质量对消费者对推荐系统的感知有用性与感知易用性的影响。基于此，我们将网站服务质量作为二阶构面（包括网站效率、网站可用性、订单完成和隐私保护4个一阶构面），提出假设H1、H2：

H1：购物网站服务质量正向影响消费者对推荐系统的感知有用性。

H2：购物网站服务质量正向影响消费者对推荐系统的感知易用性。

推荐系统质量包括推荐展示界面、推荐原因解释和互动3个维度。［1011］第一，推荐展示界面包括推荐展示形式与展示推荐商品的详细信息两方面。消费者感觉推荐展示清晰、排序合理的推荐系统更有用、更易用。［1213］展示推荐商品的详细信息能提高消费者对推荐系统的感知有用性。［11］（209）［14］第二， 提供推荐原因解释（如 “我们提供这个推荐是因为您已购买……”）能提高消费者的推荐采纳意向。［8］（64）第三， 一些推荐系统提供专门的界面与消费者互动，当消费者对推荐结果不满意时，推荐系统允许消费者随时修改其偏好，并动态地更新推荐商品。良好的互动能提高消费者对推荐系统的评价。［11］（141）［14］（23）基于以上论述， 我们将推荐系统质量作为二阶构面（包括推荐展示界面、推荐原因解释和互动3个一阶构面），提出H3、H4：

H3：推荐系统质量正向影响消费者对推荐系统的感知有用性。

H4：推荐系统质量正向影响消费者对推荐系统的感知易用性。

推荐信息质量包括准确性、多样性、新颖性、惊喜性和独特性五方面。［10］（272－293）第一， 推荐信息的准确性可从三方面衡量：评分预测准确性（预测消费者对商品的偏好）、购买预测准确性（预测消费者是否将商品放入购物车）和排名预测准确性（是否将消费者最感兴趣的商品置于推荐列表顶端）。［10］（273）准确性影响感知有用性。［15］第二，推荐信息的多样性包括推荐产品与品牌的数量多样性与种类多样性两方面。推荐列表中展示的产品与品牌的数量应是适中的，如果数量过多会增加消费者的信息搜索成本与认知努力，导致消费者对推荐系统评价的降低。［16］第三，推荐信息的新颖性指为消费者推荐其之前未听说过的商品。当消费者对熟悉、重复的推荐信息感到厌倦时，新颖的推荐信息能改善消费者对推荐系统的评价。［8］（80）第四， 惊喜性与新颖性不同。 新颖性指推荐给消费者一件他／她能独立发现的未知商品；而惊喜度指推荐给消费者一件他／她自己无法发现的新奇商品。［10］（97）在消费者与推荐系统关系的衰退阶段， 惊喜性影响消费者唤醒，进而影响消费者对推荐系统的评价及其推荐采纳意向。［8］（80）［10］（98）第五， 独特性指推荐系统为消费者提出的推荐信息的个性化程度。独特性影响感知有用性与感知易用性。［16］（143）基于以上论述，我们提出H5、H6：

H5：推荐信息质量正向影响消费者对推荐系统的感知有用性。

H6：推荐信息质量正向影响消费者对推荐系统的感知易用性。

技术接受模型（TAM）认为：感知易用性影响感知有用性，两者共同影响用户对新信息技术的使用意向，进而影响其使用行为。［3］在网购环境下，消费者一旦进入购物网站，就会被动地接触到各类推荐信息，消费者自己能决定的是：是否采纳这些推荐信息？因此，我们将TAM中的 “使用意向”与 “使用行为”调整为 “推荐采纳意向”，该做法已得到现有研究的支持。［45］基于此， 我们提出H7、H8、H9：

H7：消费者对推荐系统的感知易用性正向影响消费者对推荐系统的感知有用性。

H8：消费者对推荐系统的感知有用性正向影响消费者对推荐信息的采纳意向。

H9：消费者对推荐系统的感知易用性正向影响消费者对推荐信息的采纳意向。

三、研究方法

（一）问卷设计

我们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。使用问卷初稿，我们对亚马逊的20位消费者进行了预调查，并对问卷进行了完善，从而得到正式问卷（见表1）。除样本特征外，所有问项均使用7点李克特量表，1表示 “完全不同意”，7表示 “完全同意”。

（二）数据收集

亚马逊的推荐系统为当前在网购环境下最好的推荐系统，因此我们以亚马逊的推荐系统为研究对象，以使用过亚马逊的推荐系统的消费者为调查对象，使用问卷调查法收集数据。数据收集的过程如下：第一，我们向在校大学生介绍亚马逊网站及其推荐系统。第二，我们展示各类推荐信息，如 “购买此商品的顾客也同时购买……”等。第三，我们展示推荐系统的各种特性，如推荐展示界面、推荐原因解释、互动等。第四，我们要求大学生们在一个月内充分体验亚马逊网站及其推荐系统，并要求他们在推荐系统的帮助下完成一次网购。第五，我们要求大学生们找一位亲朋好友，向他／她介绍亚马逊网站及其推荐系统，并帮助其完成一次网购。第六，我们要求大学生们描述其使用推荐系统进行网购的过程、为亚马逊网站及其推荐系统提改进建议、填写问卷，并要求其亲朋好友也填写问卷。数据收集历时近两个月，共收回有效问卷218份。样本特征如表2所示。

表1 构面、问项及其来源

表2 样本特征

（三）统计分析方法

我们构建的研究模型较复杂，含13个构面，其中购物网站服务质量（含4个一阶构面）与推荐系统质量（含3个一阶构面）为二阶构面（见图1）。偏最小平方结构方程模型（PLS⁃SEM）在处理复杂的结构模型时有独特的优势［18］，故我们使用SmartPLS v.3.2.3软件进行数据分析。在如图1所示的研究模型中，感知有用性被4个箭头指到，为所有构面中最多。根据 Hair等（2014）［18］（21）的建议， 在α＝ 0.05 的显著性水平下，要检验出最小0.10的R2值，最小样本量为137个。我们的有效样本量为218个，满足要求。

四、数据分析

（一）外模型

在PLS⁃SEM中，指标变量与潜在构面间的关系被称为外模型。

1.信度检验。

所有问项的因子载荷均大于0.7的限制性水平［19］， 各构面的Cronbach's α与组成信度（CR）均大于0.7的限制性水平［20］，这表明量表有良好的信度（见表3）。

表3 信度与收敛效度检验

续前表

2.效度检验。

各构面的平均变异萃取值（AVE）均大于0.5的限制性水平［20］（82）， 这表明量表有良好的收敛效度（见表3）。每个构面的AVE的平方根值均大于它与其他构面的相关系数［21］，这表明量表具有良好的区别效度（见表4）。

表4 各构面的AVE的平方根值与构面间的相关系数

3.指标权重的显著性检验。

根据 Hair 等（2014）［18］（132）的建议， 我们采用拔靴法（Bootstrapping）抽样5 000次，发现所有问项的外部权重（Outer Weights）均在α＝0.05的显著性水平下显著， 故所有问项均保留。［18］（131）最后， PLS⁃SEM无需检验模型的拟合优度（Goodness⁃of⁃Fit）。［18］（185）

（二）内模型

在PLS⁃SEM中，构面间的路径结构被称为内模型。

1.路径分析与假设检验。

根据 Hair等（2014）［18］（132）的建议， 我们采用拔靴法（Bootstrapping）抽样5 000次，得到内模型的路径分析与假设检验结果（见图2与表5）。

图2 结构模型路径分析与假设检验结果

表5 结构模型路径系数的显著性检验结果

表6 总效应的显著性检验结果

推荐信息质量对推荐采纳意向的总效应最强（0.281），次之为购物网站服务质量（0.254），总效应最弱的是推荐系统质量（0.116）（见表6）。

2.解释力检验。

据 Hair等（2014）［18］（175）的建议， 当研究消费者行为时，若R2值大于0.20，说明模型有较好的解释力。在如图2所示的结构模型中，推荐采纳意向被解释的方差（R2值）为0.56，感知有用性的R2值为0.55，感知易用性的R2值为0.34，这表明模型的解释力较好。

五、结论与讨论

（一）研究结论

当今，推荐系统在亚马逊、京东和当当等购物网站应用日益广泛。消费者在进入购物网站后，会被动地接触到各类推荐信息，消费者自己能决定的是：是否采纳这些推荐信息。因此，探明消费者推荐采纳意向的影响因素是网商成功应用推荐系统的关键。基于技术接受模型，现有研究发现感知有用性与感知易用性影响推荐采纳意向。但哪些与推荐系统相关的因素影响感知有用性与感知易用性？现有研究分析不全面，缺乏理论基础。基于此，我们结合信息系统成功模型与技术接受模型，构建了购物网站服务质量、推荐系统质量和推荐信息质量对感知有用性、感知易用性和推荐采纳意向的影响模型。使用问卷调查法收集数据，运用结构方程模型分析数据，我们发现：购物网站服务质量、推荐系统质量和推荐信息质量通过中介变量感知有用性与感知易用性最终显著地正向影响推荐采纳意向；推荐信息质量对推荐采纳意向的总效应最强，其次为购物网站服务质量，最弱的是推荐系统质量。我们对该研究结果做出如下解释。

（二）讨论

首先，消费者在购物网站上直接接触的推荐服务是一条条推荐信息，消费者与网商最关心的是推荐信息的准确性等质量特性，这也是为什么现有研究大多集中在推荐系统的算法优化（即提高推荐信息的准确性等）的原因。［10］（273）基于此， 推荐信息质量对消费者推荐采纳意向的总效应最强。其次，推荐系统不能脱离其嵌入的购物网站而独立发挥作用。根据光环效应理论［22］，消费者对购物网站的整体评价影响其对购物网站的单项属性的评价（如推荐系统）。基于此，购物网站服务质量影响消费者对购物网站所使用的推荐系统的评价，进而影响消费者对推荐信息的采纳意向。但这种影响是间接的［23］，其总效应弱于推荐信息质量。最后，在数据收集的过程中，我们发现：很多消费者不太关心推荐是如何产生的（推荐原因解释），他／她们主要关心推荐结果（推荐信息质量）是否令人满意。且主要是那些活跃、资深和认知需求强的消费者才愿意花时间与推荐系统互动以进一步改善推荐结果。以上导致推荐系统质量对推荐采纳意向的总效应最弱。但大部分消费者关心推荐展示是否清晰、推荐商品的排序是否合理、推荐系统是否展示了用户评分等推荐商品的详细信息，推荐展示界面可能影响消费者使用推荐系统的感知愉悦性，而感知愉悦性影响推荐采纳意向。［8］（48）以上这些导致推荐系统质量对推荐采纳意向的总效应虽弱却是显著的。

在所有假设中，H3与H6没有得到支持，即推荐系统质量对感知有用性无显著影响，推荐信息质量对感知易用性无显著影响。我们分析原因如下：消费者对推荐系统的感知易用性指消费者主观上认为使用推荐系统需付出的努力程度，是一个过程预期。［24］推荐系统质量包括推荐展示界面、推荐原因解释和互动3个维度，主要涉及消费者使用推荐系统的过程，故推荐系统质量主要影响消费者对推荐系统的感知易用性。消费者对推荐系统的感知有用性指消费者主观上认为使用推荐系统能提升其网购效率的程度，是一个结果预期。［24］推荐信息是消费者使用推荐系统得到的结果，故推荐信息质量主要影响消费者对推荐系统的感知有用性。因此H3与H6没有得到支持。

上述研究结论推进了推荐系统在营销领域的研究进展，拓展了信息系统成功模型与技术接受模型在网购环境下的应用。结合以上研究结论与我们收集到的消费者对亚马逊网站及其推荐系统的改进意见，我们为网商改善其推荐系统提出如下建议。

（三）管理决策启示

网商可从购物网站服务质量、推荐系统质量和推荐信息质量3个方面提高消费者对推荐信息的采纳意向。资源投入的优先顺序为：提高推荐信息质量、提高购物网站服务质量、提高推荐系统质量。

1.从准确性、多样性、新颖性、惊喜性和独特性等方面提高推荐信息质量。（1）进一步优化推荐系统的算法，以提高推荐信息的准确性，从而帮助消费者更高效地找到合意商品。（2）展示产品与品牌的种类与数量多样化的推荐列表，以应对消费者的多样化寻求行为；但推荐列表中的商品数量要适中，因为推荐过多的商品会增加消费者的信息搜索成本与认知努力，导致消费者对推荐系统的评价的降低。［16］（143）（3）由于消费者的求新、求变动机，频繁向消费者提出熟悉、重复的推荐可能会使消费者感到厌倦，应时常向消费者推荐一些新颖、新奇的商品，给消费者意料之外的惊喜，充分挖掘消费者的潜在需求。［8］（80）（4）应自动过滤掉消费者已购买过的商品，不要重复推荐。（5）对刚购买过电脑等耐用品的消费者，应推荐一些相关配件，而不宜在短期内再推荐另一台电脑。（6）结合消费者的历史数据与其最新网购行为给消费者提出个性化的推荐信息。

2.从网站效率、网站可用性、订单完成和隐私保护等方面提高购物网站服务质量。（1）优化购物网站的搜索引擎与导航系统，使消费者能更容易地找到其想要的商品。（2）将推荐信息置于网页中更显著的位置，并以显眼的颜色展示。（3）不要在购物网站中植入过多的弹出式对话框或flash动态广告，因为这会影响网页的加载速度与网站的稳定性。（4）不宜将免运费门槛设得过高（亚马逊为99元），对于不同等级的会员，应设置不同的免运费门槛。（5）优化物流配送系统，加强对第三方卖家的管理。因为第三方卖家通常使用价格低廉的物流公司，这些公司服务质量较差，严重影响消费者的整体网购体验。（6）加强对消费者个人信息的保护，不要为了短期商业目的把消费者个人信息泄露给其他公司，这会损害网站的长期声誉。［25］

3.从推荐展示界面、推荐原因解释和互动等方面提高推荐系统质量。（1）优化推荐系统的界面设计，如：在推荐界面中设置 “排序”功能，方便消费者按商品类别、用户评分和价格等对推荐商品排序，同时可重点展示正在促销的推荐商品。（2）展示推荐商品的详细信息，如用户评分、评论数量和预测偏好分值等。（3）主动向消费者解释推荐产生的原因，如 “我们提供这个推荐是因为您说过您已拥有……”、“因为您评级了……”、 “因为您的 ‘心愿单’包含……”等。（4）提供奖励机制，加强与消费者的互动，如：由于缺少新用户的数据，推荐系统对新用户的偏好不够了解，存在 “冷启动”问题［11］（131），导致推荐信息质量不高，此时可用网站积分与优惠券等奖励方式鼓励消费者主动输入个人偏好信息。（5）优化评价机制，鼓励消费者以图文并茂的方式对推荐商品进行评价，并给予相应奖励。

（四）研究局限与展望

第一，亚马逊的推荐系统为当前在购物网站环境下最好的推荐系统，故我们以亚马逊的推荐系统为研究对象，但本研究结论是否可推广到其他购物网站，需谨慎考虑。建议未来的研究面向不同的购物网站（如天猫、京东和苏宁易购等）的消费者收集数据。

第二，我们在收集数据前，给调查对象一个月的时间充分体验亚马逊的推荐系统，因此调查对象对推荐系统较熟悉。对于初次或较少接触推荐系统的消费者，本研究结论是否适用，需谨慎考虑，未来的研究可进一步探索消费者对推荐系统的熟悉度对于推荐系统对消费者的营销效果的调节作用。

［1］Ansari A， Essegaier S， Kohli R.Internet Recommendation Systems［J］.Journal of Marketing Research， 2000， 37（3）： 363 －375.

［2］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.

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

［4］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.

［5］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，2009，27（10）： 1557－1563.

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

［7］Parasuraman A， Zeithaml V A， Malhotra A.E⁃S⁃QUAL： AMultiple⁃Item Scale for Assessing Electronic Service Quality ［J］.Journal of Service Re⁃search， 2005， 7（3）： 213 －233.

［8］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：华中科技大学博士学位论文，2011.

［9］周涛，鲁耀斌，张金隆.移动商务网站关键成功因素研究［J］.管理评论，2011，23（6）：61－67.

［10］Ricci F， Rokach L， Shapira B， et al.Recommender Systems Handbook ［M］.New York： Springer， 2011： 479.

［11］Xiao B， Benbasat I.E⁃Commerce Product Recommendation Agents： Use， Characteristics， and Impact［J］.MIS Quarterly， 2007， 31（1）：137－209.

［12］Venkatesh V， Bala H.Technology Acceptance Model 3 and a Research Agenda on Interventions ［J］.Decision sciences， 2008， 39（2）：273－315.

［13］Venkatesh V， Davis F D.A Theoretical Extension of the Technology Acceptance Model： Four Longitudinal Field Studies［J］.Management Science，2000， 46（2）： 186－204.

［14］Pereira R E.Influence of Query⁃Based Decision Aids on Consumer Decision Making in Electronic Commerce ［J］.Information Resources Management Journal， 2001， 14（1）： 31 －48.

［15］Baier D， Stüber E.Acceptance of Recommendations to Buy in Online Retailing［J］.Journal of Retailing and Consumer Services， 2010， 17（3）：173－180.

［16］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.

［17］Chen H⁃J.Linking Employees’ E⁃Learning System Use to Their Overall Job Outcomes： An Empirical Study based on the IS Success Model［J］.Computers＆ Education， 2010， 55（4）： 1628 －1639.

［18］Hair Jr J F， Hult G T M， Ringle C， et al.A Primer on Partial Least Squares Structural Equation Modeling（PLS⁃SEM）［M］.Los Angeles： Sage Publications， 2014： 15.

［19］Hulland J.Use of Partial Least Squares（PLS）in Strategic Management Research： A Review of Four Recent Studies［J］.Strategic Management Journal， 1999， 20（2）： 195 －204.

［20］Bagozzi R P， Yi Y.On the Evaluation of Structural Equation Models［J］.Journal of the Academy of Marketing Science， 1988， 16（1）： 74 －94.

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

［22］陆奇斌，赵平，王高，等，消费者满意度测量中的光环效应［J］.心理学报，2005，37（4）：524－534.

［23］Han C M.Country Image： Halo or Summary Construct？ ［J］.Journal of Marketing Research， 1989： 26（2）： 222 －229.

［24］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.

［25］谭晓林，赵定涛，谢伟.企业电子商务采纳的影响机制研究——以企业网站建设中介效应为例［J］.中国软科学，2015，（8）：184－192.