“互联网+”时代个性化推荐意愿的影响因素研究_价值理论论文

“互联网+”时代网络个性化推荐采纳意愿影响因素研究，本文主要内容关键词为：互联网论文,意愿论文,因素论文,时代论文,网络论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

       修回日期：2015-05-19

       中图分类号：F204 文献标识码：A 文章编号：1002-9753(2015)08-0163-10

       一、引言

       互联网技术和电商产业对中国现代经济转型和国际贸易发挥着重要作用。2014年双11淘宝和天猫平台实现销售额为571亿元，其中移动交易额达243亿元，一家电商一天的数据足以说明中国电商市场的巨大规模和商机。2014年中国跨境电商交易规模达到4.2万亿，同比增长33％，这也说明中国企业正在借助跨境电商平台实现多边国际贸易。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会上，李克强总理在政府工作报告中强调要“制定‘互联网+’行动计划，推动移动互联网、云计算、大数据、物联网等与现代制造业结合，促进电子商务、工业互联网和互联网金融健康发展，引导互联网企业拓展国际市场”。

       国内外电商消费者的强烈需求和中国政府对电商的大力支持必将推动中国经济持续提升和出口增加，然而诸多普通消费者却面临信息严重“超载”难题。人们每天都会收到大量与自己需求无关的推广信息，上网时也会被大小不等篇幅或幅面的无关广告文字和画面干扰。网上商城商户越来越多，网上商品种类繁多而良莠不齐，难以甄别。这样使得消费者很难快速有效地挑选出所需商品和信息。近几年新兴的个性化推荐技术在商业领域影响巨大，个性化推荐系统就是根据消费者的个性化特征和需求并按照某种策略进行产品推荐的一种辅助决策系统。个性化推荐服务可以向客户提供商品信息和建议，模拟销售人员帮助客户完成选择和决策过程，为消费者订制独特的个性化产品和服务，并避免信息“超载”问题。英国Tamba站点调查数据显示，同一商品购买者有76％的人是靠朋友推荐来做购买决策，只有15％是靠广告；有72％的消费者相信在线评论如同亲友们亲自推荐，76％消费者会先看在线评论来决定去哪家本地企业消费[1]。

       与传统服务模式相比，个性化推荐服务虽然更具有针对性，然而仍难以满足不同背景和不同目的消费者在不同时期的个性查询请求[2]。与此同时，有些用户会认为个性化推荐是企业为吸引用户和获取流量而做的推广，也会认为是企业发布的一些虚假宣传信息，还有用户会基于隐私问题而心存抵触。以上情况说明尽管有许多消费者在一定程度上认可和使用个性化推荐服务，然而并没有形成完全的信赖，这样就有必要通过实证研究分析和了解目前消费者采纳网络个性化推荐服务主要有哪些决定性因素及其影响程度。

       个性化推荐系统和服务的研究主要有算法分析和消费者行为研究两个主要方向。算法分析主要利用模糊分析、向量空间模型、协同过滤、本体理论进行单独或综合性研究[3]。LU等使用综合模糊语义推荐算法为中小企业客户推荐服务提供解决方案，该算法结合了基于商品条目的模糊语义相似度和协同过滤相似度两个技术，推荐关联的商务伙伴给相应的商业用户[4]。WU等在基于用户信息分类模型的综合推荐过程中使用支持向量机算法，研究表明该算法能够提高面向内容推荐算法的精度[5]。NEVES等使用本体理论定义领域知识模型，应用扩展行为算法发现不同类型用户的兴趣，并基于这两种方法构建了一个情景感知的个性化推荐代理模型，并且容易建模和实现[6]。

       消费者行为研究通过实证方法考察消费者购买决策前的影响因素，包括主要和次要因素以及正面和负面因素。这些研究需要对消费者心理意愿构建一些假设，然后进行问卷调查、统计实证分析和假设验证。统计方法常用一般相关性分析和结构方程模型，而选取消费者行为假设依据就显得非常重要。一般相关性统计实证研究模型相对较为简单，FISHBEIN基于行为学理论假设认为人们的消费行为仅来自认知情感态度与消费理性两个方面[7]；ZEITHAML将消费行为依据局限于感知价值，即消费者感知的好处与成本之间的权衡评价[8]；KIM和LITTRELL也仅分析了消费者认知情感态度、消费者意愿和行为之间的正向关系[9]。这些研究并未考虑商品或服务所涵盖的技术问题对消费者行为的影响，而时下兴起的技术采纳模型则是专注技术层面所引致消费者对商品或服务的功能、外观乃至副作用的接纳程度。例如TSAI[10]使用技术采纳模型，实证研究居民对远程健康系统的接受因素，实证分析结果是相应因素都对居民接受远程健康系统有影响，而主要影响依然是信任因素。该研究针对性强，但欠缺商业消费者行为影响因素的普适性。谭晓林和周建华[11]较为详细地分析和讨论了企业采纳电子商务各类关键影响因素，但缺乏企业或消费者行为实证说明。

       与以上研究不同，本研究以电子商务和社会化媒体个性化推荐系统为研究对象，用消费价值理论为框架着力研究不同消费价值因素对消费者采纳意愿的影响程度。因为SHETH等[12]提出的消费价值理论认为功能价值、社交价值、情感价值、认知价值和条件价值等五种消费价值在各种消费行为情境中贡献是不相同的，消费者选择某种产品或服务可能受其中的一种或多种消费价值因素的影响。一方面，消费者价值理论比上述消费者行为研究所选取的影响消费者行为的因素显得更加全面，而不是某一类单一因素影响；另一方面，这五种消费价值理论因素之间存在着一定的间接互影响，也即具有一定内在结构关系，所以本研究采用结构方程模型进行实证分析。这些研究尝试是其他研究者未曾有过的，即基于消费价值理论和应用技术采纳模型和结构方程模型进行个性化推荐研究。具体做法是，首先根据相关理论文献研究，提出相关消费者采纳意愿影响因素假设；其次以消费价值理论为总体框架，构建基于消费价值理论的推荐采纳模型；然后运用了结构方程模型进行实证分析，并通过问卷调查数据，运用SPSS和AMOS软件对概念模型中各要素进行统计分析，对影响因素进行筛选；最后构建个性化推荐采纳模型评价指标体系和验证相关假设，假设获证率高。

       二、研究模型

       ZEITHAML以忠诚度(loyalty)等指标来衡量消费者行为意向，其代表消费者对于产品和服务的行为意向，对于消费者采纳行为有重要影响[8]。忠诚度的表现行为包括对他人传达的企业正面信息、产品第一选择、增加产品购买、鼓励他人购买、愿意推荐给他人[13]。本研究基于客户忠诚度概念，以再次采纳、推荐他人使用维度加以衡量。以下根据SHETH等[12，14-18]的消费价值理论，针对相应影响因素提出研究假设并建立相应研究模型。以下H1至H10为本文研究假设，是指用户在使用个性化推荐服务时所感受到消费价值的正向影响假设。

       H1：功能价值正向影响用户采纳意愿

       H2：功能价值正向影响情感价值

       H3：功能价值正向影响认知价值

       H4：社交价值正向影响用户采纳意愿

       H5：社交价值正向影响功能价值

       H6：社交价值正向影响情感价值

       H7：情感价值正向影响用户采纳意愿

       H8：认知价值正向影响用户采纳意愿

       H9：条件价值正向影响用户采纳意愿

       H10：条件价值正向影响功能价值

       以上假设包括五种消费价值因素对用户采纳意愿的假设(H1、H4、H7、H8、H9)以及它们之间的互影响假设(H2、H3、H5、H6、H10)。图1表示基于消费价值理论的个性化推荐采纳意愿的初级模型。

      

       图1 初级研究模型

       本研究采用实证研究方法进行问卷收集与数据统计，所涉及的变量包括消费价值理论里的功能价值、社交价值、情感价值、认知价值和条件价值五个维度。衡量指标采用李克特(LIKERT)五点区间法[19]，每个问题的答案从“非常不同意”到“非常同意”，分值从1分到5分。表1为相应变量的定义与具体测量标准。

      

       根据表1各变量的具体测量，可以得出结构方程模型的潜在变量、观测变量以及它们之间的关系。运用AMOS18.0软件对初始模型进行完善，得到了比较完整的结构方程模型，如图2所示。圆型表示潜在变量，矩形表示观测变量，箭头表示因果关系，X1，X2，…，X24分别为各个观测的测量误差，而Z1，Z2，Z3，Z4为各内生潜在变量的测量误差。在结构方程模型中，影响其他变量而其自身的变化又假定是由因果关系模型外部的其他因素所决定的变量称为外生变量(exogenous variable)，由外生变量或其它变量解释的变量称为内生变量(endogenous variable)[20]。本模型有2个潜在外生变量(社交价值SV、条件价值CV)，4个潜在内生变量(功能价值FV、情感价值SV、认知价值EpV、采纳意愿AL)，其中采纳意愿AL为最终内生变量。

       三、实证分析

       本次调查采用直面问卷和网络问卷结合的方式进行，在进行正式模型拟合之前，首先需要对回收的样本数据进行完整性、正确性和有效性检验，保证模型拟合的结果相对准确。总结各学者的观点，发现在进行结构方程实验时的样本容量N最好保证在100以上，因此，本研究的问卷总数设定为220，收回份数为200，其中有效问卷数为182，有效回收率为82.7％。

       本次调查的男女比例分别为46％和54％，与2013年中国网络购物调查研究报告中的男女比例相符。发放问卷的群体也主要面向年龄在18到34岁之间人群。在教育程度上，本科以上学历所占样本比例达到89％，该用户群体可作为网上消费者的典型代表。

       (一)信度分析

       问卷信度影响因素主要有两方面：访问者和受访者。不同访问者可能因为主观性评判或者对问卷问题陈述不清，造成受访者受到误导，使问卷信度存在偏差；不同受访者由于注意力、持久性和对待问卷态度方面的影响，也会对问卷信度造成偏差。问卷信度分析的目的是了解问卷稳定性和一致性。信度指标常用相关系数来衡量，常用信度指标有三类：稳定性(stability)、等值性(equivalence)和内部一致性(internal consistency)。其中内部一致性指标最为常用，它表示观测项目(问卷问题项)之间相关程度，这些项目应该反映同一独立概念的不同侧面。它常用克隆巴赫一致性系数(Cronbach's α)来测量，Cronbach's α系数介于0和1之间，系数越高说明各个问卷项目相关性越大，从而信度越高。FOMELL和LAREKER[28]的研究指出，当Cronbach's α值大于0.6时，即在可接受的范围之内。DEVELLIS[29]认为如果信度低于0.6，应改进研究工具或重新编制问卷。本文用SPSS 19.0进行运算，并对本文待分析的24个题目进行信度检验，使用Alpha模型(默认)。结果显示Cronbach's Alpha系数为0.802，高于0.6，说明案例所使用数据具有较好的信度。此外，对问卷中每个潜变量的信度分别进行检验，各潜变量的Cronbach's α的值基本均大于0.6，说明问卷具有较好的内部一致性。

      

       图2 完整研究模型

       (二)效度分析

       问卷另外一个重要的指标是效度(validity)，即问卷的有效性，它指的是问卷能否真实测得研究者希望了解的内容，即测量结果与目标间的接近程度。常用检验问卷效度的方法主要有内容效度检验、准则效度检验、结构效度检验三种类型。内容效度又称表面效度或逻辑效度，它是指所设计的问项能否代表所要测量的内容或主题。本问卷测量指标大部分都来自于国外同类的研究文献，有的测量指标都是经常反复被不同研究者所采用。同时问卷的设计经过小组反复和一致性讨论，本问卷具有良好的内容效度。准则效度又称为效标效度或预测效度。评价准则效度的方法是相关分析或差异显著性检验。在调查问卷的效度分析中，选择一个合适的准则往往十分困难，使这种方法的应用受到一定限制[30]。结构效度是指测量结果与理论期望的对应程度。一般研究中，效度分析最理想的方法是利用因子分析测量量表或整个问卷的结构效度。通过因子分析可以考察问卷是否能够测量出研究者设计问卷时假设的某种结构。

       在进行因子分析前，需要测量问卷的KMO值(Kaiser-Meyer-Olkin measure)，即通过比较观察变量之间相关系数与偏相关系数的相对大小来考察变量之间的相关性。KMO统计量取值在0和1之间。当所有变量间的简单相关系数平方和远大于偏相关系数平方和时，KMO值接近1，也说明变量间的相关性强，原有变量适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0，意味着变量间的相关性弱，原有变量不适合作因子分析。Kaiser给出了常用的KMO度量标准：0.9以上为非常适合；0.8表示适合；0.7则一般适合；0.6是不太适合；0.5以下为极不适合。另外，还需要考察巴特利球形检验(Bartlett test of sphericity)的指标。如果巴特利球形检验值较大，并且对应的相伴概率值小于用户心中的显著性水平，那么就应当拒绝零假设，认为相关数据不可能是单位阵，即原始变量之间存在相关性，适合做因子分析；反之，则不适宜做因子分析。本研究模型运用SPSS19.0对问卷变量进行因子分析，结果如表2所示，各变量的问卷结构效度皆为良好。

      

       (三)假设检验

       模型拟合或模型估计是为了求出该模型唯一解，即该模型内一组欲估计参数值。结构方程模型拟合过程本质上是通过一定的统计手段生成一个与样本协方差矩阵或者相关系数矩阵“差距”最小的相关矩阵，所生成的这一矩阵通常也称为再生矩阵(reproduced matrix)[31]。计算模型的拟合度指数是验证性分析的重要组成部分，模型对观测数据拟合良好说明模型的有效性得到验证，估计的参数是有效的。一般用模型分析得到的拟合度指标来衡量模型与数据拟合程度。JACKSON和ALLEMAND[32]在研究时提出拟合度指标分为：基本拟合度指标、整体模型拟合度指标、模型内在结构拟合度指标。基本拟合指标是为了检验是否存在模型误输入、误差值大于标准情况或数据文件录入错误等问题，主要要求所有误差变异必须达到显著水平，即t值＞1.96。整体模型拟合度指标用来评价模型的外在质量，也就是模型与数据的拟合程度。常用的整体模型拟合度指标有

(卡方)、df、

/df、GFI、AGFI、NFI、CFI、NNFI、RMR、RMSEA等。根据Hair(1998)等学者的观点，可将整体模型拟合度指标细分为绝对拟合指数、相对拟合指数、信息指数等[33]。模型内在结构拟合度指标用以评价模型的内在质量，即模型内部的每个参数的显著程度、以及指标的重要性等。主要要求t值(AMOS输出的结果中，以临界比值C.R.代表)必须大于1.96且显著性水平p＜0.05，如果路径参数值越大，表示相关程度越高。

       运用AMOS 18.0软件对结构方程模型进行拟合后，得到初始模型路径分析示意图(图3)。如其所示，各观测变量附近的数字为其方差，观测变量与潜变量之间的路径系数以及潜变量之间的路径系数皆为标准化估计值(standardized estimate)，各观测变量与潜在变量之间的路径构成测量模型。

      

       图3 路径分析示意图

       基本拟合指标评价方面的测量误差的方差以及观测变量与潜变量的因子载荷都在合理范围内。测量误差项的方差皆大于0，不存在负的误差方差；且各观测变量与潜变量之间的标准化因子载荷介于0.6-0.92之间，满足拟合因子载荷介于0.5-0.95的要求，标准误差较小，临界值C.R.皆大于1.96，P值均小于0.05，全部达到显著水平。研究符合基本拟合标准。

      

       整体模型拟合的结果主要通过各指标进行检验与评价。在运用AMOS 18.0软件对模型进行估计时，可进行相关指标的计算，各指标的拟合结果表明，除了相对拟合指数中NFI为0.883，略小于标准要求0.9外，其他拟合度指标均达到了评价标准的要求，这表明了模型的整体拟合效果比较良好。

       模型内在结构拟合分析方面，潜在变量之间的路径关系构成结构模型，其好坏体现了结构方程模型的内在质量。结构模型的检验结构如表3所示，本研究中10个假设因果关系路径中，有8个假设的C.R.临界值大于1.96，且P值小于0.05，表明达到显著性水平，通过检验。而假设H2(情感价值←功能价值)、H3(认知价值←功能价值)的C.R.临界值均小于1.96，且P值大于0.05，表明此路径未达到显著水平，假设无法通过检验，应删除。修正之后的结构方程模型图如图4所示。模型修正完成之后，再次用AMOS进行拟合检验，发现观察变量与潜变量之间的标准化因子载荷介于标准值0.5-0.95之间，且测量方差均大于0，说明模型基本拟合度良好。同时，修正后的模型整体拟合结果也均满足拟合标准，表明模型拟合结果良好，说明修正之后的模型整体拟合度比较良好。

       最后，观察修正之后模型的观察变量与潜变量的因子载荷表(如表4)，各条路径参数的C.R.临界值均大于1.96，且P值小于0.05，表明各残差之间的路径关系皆达到显著性水平，模型内在结构拟合结果良好。

      

       图4 结构方程模型修正图

      

       由此可见，修正后的模型各项指标值都满足标准要求，拟合结果良好，因此，认为修正之后的模型为本研究的最终模型，模型的估计结果如图5所示。

       结构模型是潜在变量之间的路径关系，其中8个假设路径关系成立，2个被推翻，其中五种消费价值因素对个性化推荐采纳都具有显著影响。在AMOS软件的分析结果中，给出各潜在变量之间的直接效应、间接效应和总效应。直接效应就是一个变量对另一个变量的直接影响，标准化的路径估计参数为潜在变量之间的直接效应；间接效应就是一个变量对另一个变量的影响是通过其他变量来达成的；而总效应为直接效应与间接效应的总和。各潜在变量之间的直接效应、间接效应以及总效应分别见表5，第一行为标准化直接效应，第二行为间接效应，第三行为总效应。

      

       根据上表中潜变量间总的效应关系可知，消费价值理论中的功能价值、社交价值、情感价值、认知价值和条件价值等因素都会对消费者个性化采纳起到影响作用，前述假设得到了验证。其中，功能价值因素对采纳意愿的解释能力最高，为0.533，并且对情感价值有0.046的间接效应；社交价值因素对采纳意愿的影响次之，为0.402，并且对功能价值和情感价值分别有0.121和0.268的总效应；情感价值因素对采纳意愿的解释能力为0.327，并且对功能价值因素有0.113的间接效应；条件价值因素和认知价值因素对采纳意愿的解释能力分别为0.290和0.233。

      

       图5 结构方程模型最终估计结果

       四、发展对策

       “互联网+”已经政策落地，并将在未来中国产业升级中发挥重要作用。本研究从消费行为学角度出发，以消费价值理论作为理论框架，构建了基于消费价值理论的个性化采纳意愿模型，模型以五种消费价值为自变量，以个性化推荐采纳意愿为因变量，并提出相应假设，考察影响用户采纳个性化推荐的消费价值因素。研究结果验证了模型和假设的合理性和有效性。本研究提出的10个假设，8个得到验证，2个被推翻(H2、H3)。其他结论有：(1)五种消费价值因素均会对用户采纳个性化推荐产生正向影响；(2)用户使用个性化推荐服务所感受到的功能价值因素、社交价值因素、情感价值因素等影响作用十分显著，而用户使用个性化推荐服务所感受到的条件价值因素和认知价值因素影响能力稍弱；(3)功能价值和情感价值为很重要的中间变量，而且情感价值因素本身对用户采纳个性化推荐的直接影响并不是很高，但在功能价值和社交价值间接作用下，情感价值对用户采纳个性化推荐程度大大提高。

       这些发现可以为“互联网+”企业，包括电子商务平台和社会化媒体平台，在战略拓展、产品组成、服务模式、营销模式、客户维系与增值模式开发方面提供有力参考，实现一对一营销模式，提高产品粘度和用户忠诚度。根据实证结果讨论分析，功能价值、社交价值和情感价值因素是主要影响用户采纳个性化推荐的关键因素，而认知价值和条件价值因素影响能力相对较低。为了改善这种情况，使企业能够更好地把握用户心理，应该开发出更加智能和更能满足用户需求的个性化推荐系统与服务，从而提高用户粘度和顾客忠诚度，提高企业竞争力。

       个性化推荐技术不仅能够为各类电商提供良好的营销服务，而且能够继续提升未来各类“互联网+”企业的营销绩效。针对政府宏观经济考量和现代企业“互联网+”的经营策略，尚有以下发展对策需要电商给予充分考虑。

       (1)需要继续完善和丰富推荐系统的功能，使其更加智能和精确。个性化推荐技术的发展核心是其功能价值，更加智能和个性化的推荐系统对采纳意愿有最直接的影响。

       (2)需要高度重视用户体验和改进信息质量。电商要有长远视觉，关注信息质量和用户体验，通过建立用户模型实现符合用户需求的合理化推荐，用以提升客户忠诚度和用户流量。

       (3)加强对基于关系圈推荐的关注，提高个性化推荐服务的社交价值。除了已有的Web 2.0社交平台，微信成了现代中国消费者普遍使用的社交平台。各类社交圈成员针对某产品和服务产生共同话题，包括体验游戏和电影等。加强关系圈推荐非常值得尝试。

       (4)改善新产品推荐模式，提高个性化推荐服务的认知价值。企业可以基于用户猎奇心理和求知欲望心理，改善新产品推荐模式，例如引入其他用户评价、相似产品对比和分时段推荐等。

       (5)加强基于地理位置的推荐服务，打造嵌入生活圈的综合信息服务平台。移动终端普及以及地理位置服务能帮助人们在特定生活区域内发现餐饮、娱乐、文化等消费信息，为用户生活的长尾需求提供实时服务，增强用户体验个性化推荐服务的意愿。

       (6)提高对用户采纳意愿的关注。企业开始关注个性化推荐技术，重心是有效推荐算法和合理的应用场景。如果未充分把握用户心理，而以主观想法进行强制推荐，必然导致用户体验下降。只有充分遵从用户采纳意愿，才能设计出以用户为导向的个性化推荐系统。

       (7)增强国家间商贸合作。2014年11月北京APEC的主题是“共建面向未来的亚太合作伙伴关系”。中美电商技术和市场无疑是亚太合作的先行军，电商企业需要考虑跨境电子商务上的用户体验和采纳意愿，以便更好地促进国际间的线上和线下(O2O)外销互动。

       (8)使用推荐激励模式。美国亚马逊公司前高官宣称新网站(Jet.com)对介绍用户有功的早期网民，将给予数万只公司股票的奖励。同样电商可以向推进个性化推荐服务外部技术专家和消费者提供良好的激励措施。

       (9)国家推进“互联网+”的政策尚需双规制，一方面鼓励传统企业使用互联网进行全生命周期的经营；一方面也要出台相关法律和制度约束一些不当得利和行为，以保护合法合理经营及“互联网+”的可持续性。

标签：价值理论论文;  拟合度论文;  结构方程模型论文;  市场营销论文;  问卷调查论文;  用户研究论文;  电子商务论文;  网络模型论文;  产品价值论文;  数据拟合论文;  社交产品论文;  互联网社交论文;  网络行为论文;  数据分析论文;  变量论文;  问卷论文;