胡春華，趙 慧，童小芹，任 劍

(1.湖南工商大學(xué)大數(shù)據(jù)與互聯(lián)網(wǎng)創(chuàng)新研究院，湖南 長(zhǎng)沙 410205；2.移動(dòng)商務(wù)智能湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410205；3.湖南省移動(dòng)電子商務(wù)協(xié)同創(chuàng)新中心，湖南 長(zhǎng)沙 410205)

1 引言

電子商務(wù)與商務(wù)智能的快速發(fā)展使得消費(fèi)者進(jìn)入了一個(gè)物品繁多、信息過(guò)載的新時(shí)代，信息不對(duì)稱、選擇困難、時(shí)間成本差異等成為影響消費(fèi)者消費(fèi)行為的關(guān)鍵因素，推薦系統(tǒng)應(yīng)運(yùn)而生[1]。推薦系統(tǒng)是基于消費(fèi)者以往瀏覽行為的數(shù)據(jù)，計(jì)算分析消費(fèi)者的興趣，進(jìn)而預(yù)測(cè)消費(fèi)者喜好和購(gòu)買意愿的復(fù)雜工具[2]。因此推薦系統(tǒng)可以改善消費(fèi)者網(wǎng)購(gòu)體驗(yàn)，提高消費(fèi)者黏性，從而提高下單轉(zhuǎn)化率和支付轉(zhuǎn)化率。

目前，國(guó)內(nèi)外電子商務(wù)平臺(tái)使用不同推薦系統(tǒng)挖掘消費(fèi)者興趣和偏好，緩解信息過(guò)載的問(wèn)題。如淘寶Matrix推薦系統(tǒng)[3]構(gòu)建了底紋推薦、首頁(yè)熱詞、下拉推薦、搜索發(fā)現(xiàn)等推薦平臺(tái)，京東Diviner推薦系統(tǒng)[4]，Amazon的Instant推薦系統(tǒng)[5]等。由此可見(jiàn)，電子商務(wù)平臺(tái)中推薦系統(tǒng)的應(yīng)用十分廣泛。雖然不同平臺(tái)間的推薦系統(tǒng)有一定區(qū)別，平臺(tái)也會(huì)根據(jù)不同的推薦任務(wù)和要求實(shí)時(shí)更新推薦系統(tǒng)，同一平臺(tái)的推薦算法也不盡相同。從消費(fèi)者角度來(lái)說(shuō)，消費(fèi)者無(wú)需了解推薦系統(tǒng)的運(yùn)作機(jī)理就可運(yùn)用其在平臺(tái)上購(gòu)物。推薦系統(tǒng)的差異性和網(wǎng)絡(luò)購(gòu)買不存在直接關(guān)系，并不直接影響消費(fèi)者在平臺(tái)的整體網(wǎng)購(gòu)支出[6-7]。因此，本文暫不考慮平臺(tái)推薦系統(tǒng)的差異性影響。

Adomavicius等[8]研究了廣義的在線推薦對(duì)消費(fèi)者購(gòu)買意愿的影響，結(jié)果顯示不論是考慮偏好的推薦，還是有誤差的推薦，對(duì)消費(fèi)者的購(gòu)買意愿都有同樣的效果。即接受推薦系統(tǒng)在線評(píng)級(jí)和建議屬于使用了推薦系統(tǒng)，不再細(xì)分是否為定向推薦和非定向推薦。黃立威等[9]提出許多大型電子商務(wù)網(wǎng)站都應(yīng)用了推薦系統(tǒng)。然而現(xiàn)有的電子商務(wù)網(wǎng)站中推薦系統(tǒng)多是面向個(gè)體，并不適用于向群體進(jìn)行推薦。借鑒文獻(xiàn)[8-9]的研究，本文研究的是廣義的、實(shí)時(shí)更新的推薦系統(tǒng)，并不考慮群體差異的消費(fèi)者個(gè)體網(wǎng)購(gòu)支出的影響。

微軟研究報(bào)告指出，Amazon網(wǎng)站30%的頁(yè)面瀏覽量來(lái)自推薦[10]。Amazon關(guān)閉某一書目推薦后，將使該書目的銷售額下降40%[11]。推薦系統(tǒng)廣泛應(yīng)用的同時(shí)也帶來(lái)了巨大的經(jīng)濟(jì)效益；除消費(fèi)者購(gòu)買商品和服務(wù)等消費(fèi)行為直接創(chuàng)造的經(jīng)濟(jì)效益外，使用推薦系統(tǒng)的消費(fèi)者還可以貢獻(xiàn)流量，Nazerzadeh等[12]和Davis[13]提出可以使用CPA(Cost per action)和CPL(Cost per lead)將流量轉(zhuǎn)化為經(jīng)濟(jì)價(jià)值，豐富產(chǎn)品附加值；Digg使用了UserCF算法設(shè)計(jì)上線推薦系統(tǒng)后，該平臺(tái)消費(fèi)者活躍度增加了40%，評(píng)論增加了11%，好友數(shù)增加了24%，證明推薦系統(tǒng)應(yīng)用后能使智能商務(wù)網(wǎng)站具有更好的活躍度和實(shí)用性。

使用推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)有哪些方面的影響，影響是否顯著以及如何有效客觀地評(píng)估推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)的影響成為頗具挑戰(zhàn)的問(wèn)題[14]。

從推薦系統(tǒng)對(duì)消費(fèi)者影響因素不同的角度可以將已有研究分為以下三類：

第一類是通過(guò)社交信任影響消費(fèi)者網(wǎng)購(gòu)。Geng Bingrui等[15]和Guo Taolin等[16]認(rèn)為社交互動(dòng)與分享社交化鏈接能幫助消費(fèi)者尋覓到感興趣的商品，鏈接越豐富，向消費(fèi)者推薦效果越好。Bach等[17]認(rèn)為消費(fèi)者評(píng)論為消費(fèi)者交互、消費(fèi)者購(gòu)買提供重要了手段。Xiao和Benbasat[18]研究了有偏見(jiàn)的個(gè)性化產(chǎn)品推薦代理，結(jié)果顯示93%的消費(fèi)者會(huì)受推薦影響，對(duì)推薦的產(chǎn)品有極高的信任并購(gòu)買該產(chǎn)品。Chen Yanhong等[19]拓展了沖動(dòng)、推薦信任對(duì)消費(fèi)者網(wǎng)購(gòu)的影響。但研究背景限于微信平臺(tái)，沒(méi)有比較產(chǎn)品或服務(wù)類型。張哲宇等[20]認(rèn)為消費(fèi)者主動(dòng)提供的消費(fèi)評(píng)價(jià)可信度更高，也更具參考價(jià)值。郝玫和馬建峰[21]提出消費(fèi)者評(píng)論的情感可信度指標(biāo)，從而篩選高可信度的典型評(píng)論向消費(fèi)者進(jìn)行推薦。尹進(jìn)等[22]認(rèn)為不同親密度的朋友提供的推薦信息往往會(huì)對(duì)消費(fèi)者有不同影響，越親密的關(guān)系在推薦過(guò)程中起到的作用越明顯?？紤]消費(fèi)者交互信任關(guān)系的推薦系統(tǒng)能提升消費(fèi)者對(duì)非目標(biāo)產(chǎn)品點(diǎn)擊率，降低消費(fèi)者網(wǎng)購(gòu)決策時(shí)間[23]。

第二類是通過(guò)提高消費(fèi)者滿意度和忠誠(chéng)度影響消費(fèi)者網(wǎng)購(gòu)。Baier和Stüber[24]和Lee和Kwon[25]研究表明推薦購(gòu)買可以提高消費(fèi)者對(duì)推薦產(chǎn)品的滿意度、購(gòu)買意向，增強(qiáng)消費(fèi)實(shí)際購(gòu)買力，增加零售商的銷售額。Zhang等[26]研究表明推薦系統(tǒng)每降低1單位消費(fèi)者篩選商品的時(shí)間成本，可提高9.4%的消費(fèi)者忠誠(chéng)度。有學(xué)者研究發(fā)現(xiàn)準(zhǔn)確率高的推薦系統(tǒng)可能會(huì)導(dǎo)致商品服務(wù)范圍過(guò)小，降低消費(fèi)者對(duì)推薦系統(tǒng)的好感度，應(yīng)當(dāng)綜合考慮覆蓋率、召回率等指標(biāo)[27-29]。綜合考慮消費(fèi)者社會(huì)關(guān)系及用戶影響力的社會(huì)模型，對(duì)提高召回率、滿意度有一定的優(yōu)勢(shì)[30]。Dabholkar和Sheng[31]認(rèn)為推薦能降低消費(fèi)者的風(fēng)險(xiǎn)擔(dān)憂，消費(fèi)者使用推薦會(huì)獲得更高的滿意度、忠誠(chéng)度、更高的購(gòu)買意向。

第三類是通過(guò)預(yù)測(cè)消費(fèi)者偏好影響消費(fèi)者網(wǎng)購(gòu)。Liu Chienliang和Chen Yingchuan[32]提出基于隱變量模型的迭代因子分析方法為消費(fèi)者提供實(shí)時(shí)動(dòng)態(tài)推薦，結(jié)果表明更新速度快的推薦能夠更好地預(yù)測(cè)消費(fèi)者偏好，增加購(gòu)買行為。Sarwar等[33]認(rèn)為消費(fèi)者瀏覽到商品的概率和該商品在網(wǎng)站推薦列表的排序具有反向關(guān)系，消費(fèi)者使用推薦系統(tǒng)更有可能增加計(jì)劃外消費(fèi)。Zhang Qian等[34]提出了CIT(Consistent information transfer)模型，結(jié)果顯示推薦系統(tǒng)能夠預(yù)測(cè)消費(fèi)者潛在消費(fèi)和服務(wù)。Fleder和Hosanager[35]認(rèn)為提高推薦系統(tǒng)多樣性有助于消費(fèi)者增加購(gòu)買行為。Schreiner等[36]從消費(fèi)者性別角度研究得出女性更喜歡基于CF算法的推薦，男性傾向于參考最暢銷產(chǎn)品的推薦?？紤]情境化消費(fèi)者偏好的推薦可以更大程度的滿足群體消費(fèi)者的個(gè)性化需求，促進(jìn)消費(fèi)者網(wǎng)購(gòu)[37]。張立功等[38]認(rèn)為網(wǎng)絡(luò)購(gòu)物可能造成消費(fèi)者偏好的不確定性，會(huì)使消費(fèi)者承擔(dān)更多的購(gòu)物風(fēng)險(xiǎn)，降低其購(gòu)買意愿。朱志國(guó)等[39]指出消費(fèi)者的移動(dòng)性會(huì)改變其興趣點(diǎn)，考慮消費(fèi)者社交范圍的推薦會(huì)提高推薦效果。

綜上所述，國(guó)內(nèi)外關(guān)于推薦系統(tǒng)的效應(yīng)研究大多圍繞推薦系統(tǒng)對(duì)智能商務(wù)平臺(tái)影響等方面，從消費(fèi)者角度研究的文獻(xiàn)較少；現(xiàn)有對(duì)推薦系統(tǒng)影響消費(fèi)者網(wǎng)購(gòu)的文獻(xiàn)多為影響因素研究：推薦系統(tǒng)可以通過(guò)社交信任、預(yù)測(cè)消費(fèi)者偏好、提高消費(fèi)者忠誠(chéng)度等來(lái)影響消費(fèi)者網(wǎng)購(gòu)，研究推薦系統(tǒng)對(duì)消費(fèi)者影響效果評(píng)估的文獻(xiàn)較少；推薦系統(tǒng)的研究多集中在如何提高推薦系統(tǒng)的準(zhǔn)確性，忽視了推薦系統(tǒng)的新穎性、多樣性、長(zhǎng)尾效應(yīng)、覆蓋率等評(píng)價(jià)推薦系統(tǒng)的經(jīng)濟(jì)效益指標(biāo)。現(xiàn)有對(duì)推薦系統(tǒng)影響消費(fèi)者行為的研究還處于初級(jí)摸索階段。本小組設(shè)計(jì)實(shí)現(xiàn)了面向社交電商環(huán)境的TDA-RBM算法，研究了基于信任和不信任關(guān)系的實(shí)值受限玻爾茲曼機(jī)推薦，構(gòu)造了信任-不信任監(jiān)督機(jī)制，結(jié)果顯示考慮社交信任的推薦對(duì)消費(fèi)網(wǎng)購(gòu)的推薦效果更優(yōu)[40]。因此本文在團(tuán)隊(duì)成果基礎(chǔ)上，研究使用推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出的影響，評(píng)價(jià)推薦系統(tǒng)的經(jīng)濟(jì)效益。

本文在消費(fèi)函數(shù)的基礎(chǔ)上，主要從推薦系統(tǒng)影響消費(fèi)者網(wǎng)購(gòu)支出角度展開(kāi)了研究，提出了待驗(yàn)證的研究假說(shuō)：使用推薦系統(tǒng)是否影響消費(fèi)者在智能商務(wù)網(wǎng)站的購(gòu)物支出。文章使用了消費(fèi)者層面的微觀調(diào)查數(shù)據(jù)，借助相關(guān)理論使用傾向得分匹配法對(duì)研究假設(shè)進(jìn)行實(shí)證分析，來(lái)改善消費(fèi)者“自選擇”是否使用推薦系統(tǒng)產(chǎn)生的內(nèi)生性。并且使用多種匹配方法、工具變量法進(jìn)行穩(wěn)健性檢驗(yàn)，證明了使用推薦系統(tǒng)的消費(fèi)者比不使用推薦系統(tǒng)的消費(fèi)者有更高的網(wǎng)購(gòu)支出。

2 數(shù)據(jù)來(lái)源與描述性統(tǒng)計(jì)分析

2.1 數(shù)據(jù)來(lái)源

本研究數(shù)據(jù)來(lái)源于消費(fèi)者調(diào)查問(wèn)卷，借助國(guó)內(nèi)較大的“問(wèn)卷星”平臺(tái)形成網(wǎng)絡(luò)鏈接及二維碼。問(wèn)卷以國(guó)內(nèi)經(jīng)常網(wǎng)物的消費(fèi)者作為研究對(duì)象，并分層次納入了不同地域(臺(tái)灣、澳門除外)消費(fèi)者樣本。樣本設(shè)置了篩選原則，即消費(fèi)者必須傾向于網(wǎng)購(gòu)而不是國(guó)內(nèi)實(shí)體店購(gòu)買商品。

該問(wèn)卷調(diào)查時(shí)間為2018年8月-2019年6月，共回收問(wèn)卷4540份。其中調(diào)查方法1：在微信等社交平臺(tái)發(fā)布了電子問(wèn)卷的網(wǎng)絡(luò)鏈接。根據(jù)該程序回收問(wèn)卷數(shù)據(jù)共計(jì)1368份。調(diào)查方法2:通過(guò)問(wèn)卷星的樣本服務(wù)發(fā)放問(wèn)卷，根據(jù)該程序回收問(wèn)卷數(shù)據(jù)共計(jì)3172份。對(duì)相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，將邏輯不符、惡意填寫等不符要求的問(wèn)卷數(shù)據(jù)作為無(wú)效問(wèn)卷剔除，其中方法1剔除無(wú)效問(wèn)卷325份，有效問(wèn)卷為1043份；方法2剔除無(wú)效問(wèn)卷1127份，有效問(wèn)卷為2045份。共回收有效問(wèn)卷數(shù)據(jù)3088份，回收率為68%。其中，男性占43.04%，女性占56.96%；年齡構(gòu)成分布如下：23歲以下占23.51%，23-28歲占24.97%，28-33歲占23.09%，33-38歲占11.88%,38-43歲占7.55%，43歲以上占9%；受教育程度分布如下：初中及以下占2.4%，高中及專科占19.14%，大學(xué)占69.59%，研究生及以上占8.87%。

調(diào)查采用了結(jié)構(gòu)化的問(wèn)卷調(diào)查，問(wèn)卷的核心內(nèi)容包括(1)消費(fèi)者概況，如年齡、性別、消費(fèi)理念、所在區(qū)域、受教育程度等。(2)消費(fèi)者收入概況，如主業(yè)是否具有穩(wěn)定收入、月收入數(shù)值區(qū)間等。(3)消費(fèi)者使用推薦系統(tǒng)的態(tài)度，如使用智能推薦系統(tǒng)的頻數(shù)、對(duì)推薦系統(tǒng)的了解程度、對(duì)推薦系統(tǒng)的接受程度等。(4)推薦系統(tǒng)的影響，消費(fèi)者是否選擇使用推薦系統(tǒng)和使用推薦系統(tǒng)后消費(fèi)者網(wǎng)購(gòu)次數(shù)變化、網(wǎng)購(gòu)總額的變化、技術(shù)影響消費(fèi)的實(shí)現(xiàn)方式等。

2.2 數(shù)據(jù)的信度和效度檢驗(yàn)

本文使用SPSS25.0利用Cronbach’s Alpha值來(lái)計(jì)算信度，由表1可知，α值均大于0.6，說(shuō)明問(wèn)卷信度較好。

本文利用因子分析法測(cè)量結(jié)構(gòu)效度。由表1可知，KMO值均大于0.6；巴特利特球型檢驗(yàn)中顯著性水平均小于0.01，說(shuō)明問(wèn)卷，適合做因子分析。各主成分的平均方差提取值分別為73.801%、73.933%，說(shuō)明本文的問(wèn)卷結(jié)構(gòu)效度較好。

表1 信度和效度分析

綜上，本文的信度和效度都符合數(shù)據(jù)分析的要求。

2.3 消費(fèi)者相關(guān)的描述性分析

根據(jù)消費(fèi)調(diào)查，本文將調(diào)查樣本按照Bejarano等[41]和Maghrabi等[42]提出的自選擇分類方法分為使用推薦系統(tǒng)和不使用推薦系統(tǒng)兩大類。調(diào)查結(jié)果顯示：在3088個(gè)消費(fèi)者樣本中選擇推薦系統(tǒng)的消費(fèi)者有1853個(gè)，占樣本總體60%，沒(méi)有選擇推薦系統(tǒng)的消費(fèi)者有1235個(gè)，占樣本總體的40%。其中自選擇的含義為：是否使用推薦系統(tǒng)應(yīng)用并不是隨機(jī)分配給消費(fèi)者，而是消費(fèi)者自己選擇使用推薦系統(tǒng)購(gòu)買或自行搜索購(gòu)買。本文的自變量T為一個(gè)二元變量，表示消費(fèi)者是否選擇使用推薦系統(tǒng)。當(dāng)其值為1時(shí)代表消費(fèi)者選擇使用推薦系統(tǒng)購(gòu)物，值為0時(shí)則代表選擇不使用推薦系統(tǒng)購(gòu)物。本文最關(guān)注的因變量是消費(fèi)者的網(wǎng)購(gòu)消費(fèi)能力，本文分析的因變量受諸多因素影響，如個(gè)人收入、所在城市(鄉(xiāng)村)整體消費(fèi)水平、消費(fèi)觀念、科技要素，審美變化等，因此在實(shí)證分析模型中還考慮了男女成員比例、教育程度、年齡、消費(fèi)環(huán)境、消費(fèi)經(jīng)歷等消費(fèi)者個(gè)人信息特征。表2衡量了使用推薦系統(tǒng)網(wǎng)購(gòu)消費(fèi)者和未使用推薦系統(tǒng)網(wǎng)購(gòu)的消費(fèi)者的基本特征以及兩者差異?？砂l(fā)現(xiàn)，使用推薦系統(tǒng)的消費(fèi)者和未使用推薦系統(tǒng)的消費(fèi)者收入上有一定的差異；同時(shí)使用推薦系統(tǒng)的消費(fèi)者有更高的網(wǎng)購(gòu)消費(fèi)支出；不使用推薦系統(tǒng)網(wǎng)購(gòu)的消費(fèi)者有更高的平均年齡、更低的受教育程度(t檢驗(yàn)均在1%水平顯著)。

表2 消費(fèi)者描述性統(tǒng)計(jì)分析

由圖1可見(jiàn)，廣告信息過(guò)多、虛假的評(píng)論和銷售量是阻礙消費(fèi)者使用推薦系統(tǒng)的兩大原因，因此推薦系統(tǒng)要著重改善垃圾廣告、虛假買家秀、刷單等問(wèn)題。由圖2可見(jiàn)，節(jié)約時(shí)間、便于找到性價(jià)比更高的產(chǎn)品是各年齡段消費(fèi)者選擇使用推薦系統(tǒng)的主要原因。綜合圖1和圖2，18歲以下消費(fèi)更加輕率，可以增加好友推薦的商品供其選擇。18-43歲的消費(fèi)者使用好友推薦較少，更注意隱私保護(hù)，因此推薦系統(tǒng)可以減少監(jiān)聽(tīng)套取隱私，降低消費(fèi)者疑慮。28歲以上的消費(fèi)者更注重購(gòu)買產(chǎn)品的性價(jià)比，43歲以上的消費(fèi)者更節(jié)省時(shí)間。因此，推薦系統(tǒng)更應(yīng)提高推薦的精準(zhǔn)性和有效性，方便消費(fèi)者在短時(shí)間內(nèi)找到其喜愛(ài)的、性價(jià)比高的產(chǎn)品，提高其購(gòu)買力。

圖1 消費(fèi)者不使用推薦原因

圖2 消費(fèi)者使用推薦原因

2.4 產(chǎn)品相關(guān)描述性統(tǒng)計(jì)分析

對(duì)消費(fèi)者接受推薦后更傾向于網(wǎng)購(gòu)的產(chǎn)品進(jìn)行描述性統(tǒng)計(jì)分析。結(jié)果表明：消費(fèi)者使用推薦系統(tǒng)主要購(gòu)買的產(chǎn)品是休閑零食和服裝鞋襪。

僅有8%的消費(fèi)者傾向于使用推薦購(gòu)買醫(yī)藥保健產(chǎn)品，消費(fèi)者使用推薦系統(tǒng)購(gòu)買醫(yī)藥保健、糧油副食類的意向與年齡成正比。33歲以下的女性消費(fèi)者更傾向于使用推薦購(gòu)買洗護(hù)彩妝產(chǎn)品。33-43歲的消費(fèi)者更傾向于使用推薦購(gòu)買家用電器產(chǎn)品。在43-48歲的消費(fèi)者中，使用推薦系統(tǒng)購(gòu)買數(shù)碼產(chǎn)品的占46%，購(gòu)買辦公產(chǎn)品的消費(fèi)者僅占4%。

2.5 忠誠(chéng)度相關(guān)描述性統(tǒng)計(jì)分析

一般來(lái)說(shuō)，顧客忠誠(chéng)度可用顧客滿意度、重復(fù)購(gòu)買率以及好友推薦率來(lái)衡量。如圖4，大多數(shù)的消費(fèi)者最關(guān)注店鋪中的其他商品，而不是在店鋪中重復(fù)購(gòu)買同一商品和服務(wù)，因此推薦系統(tǒng)可多為消費(fèi)者推薦同一店鋪中互補(bǔ)商品。

圖4 使用推薦系統(tǒng)對(duì)消費(fèi)者忠誠(chéng)度影響

其次，消費(fèi)者關(guān)注和在乎好友推薦，并且在各年齡段影響力都比較大。28-43歲的消費(fèi)者最喜歡將買過(guò)的產(chǎn)品向朋友推薦，推薦結(jié)果受社交影響。因此推薦技術(shù)應(yīng)注重基于社交關(guān)系的推薦。

除此之外，使用推薦后，消費(fèi)者會(huì)更傾向于選擇重復(fù)購(gòu)買、關(guān)注買過(guò)的店鋪并將其作為首選店鋪，并且訪問(wèn)的時(shí)間次數(shù)都有所增長(zhǎng)。為了提高推薦效果，推薦系統(tǒng)應(yīng)提高向該消費(fèi)群體推薦店鋪的質(zhì)量和聲譽(yù)。

綜上所述，推薦效果受社交關(guān)系、互補(bǔ)產(chǎn)品、店鋪聲譽(yù)等因素影響。

3 研究假設(shè)

3.1 理論分析框架與研究假設(shè)

本文將消費(fèi)者購(gòu)買力這一定性指標(biāo)量化為消費(fèi)者的消費(fèi)函數(shù)的一部分來(lái)反映消費(fèi)者網(wǎng)購(gòu)支出關(guān)系。消費(fèi)函數(shù)中主觀因素和客觀因素都可以影響消費(fèi)者購(gòu)買力，其中主觀因素包括消費(fèi)者的消費(fèi)習(xí)慣、消費(fèi)心理、社交影響等。客觀因素包括收入水平、行業(yè)規(guī)范、科技創(chuàng)新、推薦系統(tǒng)發(fā)展等。因此可以看出消費(fèi)者是否使用推薦系統(tǒng)可能會(huì)對(duì)消費(fèi)者的消費(fèi)心理和消費(fèi)行為產(chǎn)生影響。

消費(fèi)函數(shù)為：C=α+βy。其中C代表消費(fèi)支出，y代表消費(fèi)者收入。α為消費(fèi)者自發(fā)消費(fèi)，即消費(fèi)者結(jié)合自己的剛需決定消費(fèi)的部分，可以理解為消費(fèi)者為了生存所需要的固定消費(fèi)。β為邊際消費(fèi)傾向，是值在0到1之間的參數(shù)，而βy代表的是由收入變化引致的消費(fèi)。

杜森貝里提出相對(duì)收入假說(shuō)理論，該理論認(rèn)為消費(fèi)者會(huì)因?yàn)橄M(fèi)心理的變化改變自身消費(fèi)行為。其中最具有代表性的是攀比效應(yīng)和示范效應(yīng)。而智能商務(wù)環(huán)境中的推薦系統(tǒng)的興起與發(fā)展剛好為消費(fèi)者提供了消費(fèi)環(huán)境與技術(shù)支撐。消費(fèi)者可能會(huì)因此更快捷有效的發(fā)掘喜歡的商品、好友推薦的商品。名人使用的具有示范效應(yīng)商品，可能會(huì)觸發(fā)計(jì)劃外消費(fèi)或者超前消費(fèi)。

杜森貝里提出棘輪理論來(lái)進(jìn)行佐證，該理論認(rèn)為消費(fèi)者的消費(fèi)行為是不可逆的。這種消費(fèi)行為受許多因素影響，如個(gè)人消費(fèi)習(xí)慣、好友間攀比示范、網(wǎng)站推薦等。消費(fèi)者網(wǎng)購(gòu)支出最高時(shí)期的消費(fèi)行為對(duì)消費(fèi)者之后的購(gòu)買行為有重大影響。因此，消費(fèi)者可能在使用推薦系統(tǒng)后出現(xiàn)提高網(wǎng)購(gòu)支出以及網(wǎng)購(gòu)次數(shù)的情況。

本文在消費(fèi)函數(shù)中考慮推薦系統(tǒng)的技術(shù)效應(yīng)，則:C=α+βy+λT，此時(shí)λ為邊際消費(fèi)傾向，是值在0到1的參數(shù)，T代表一個(gè)二元變量，而λT代表的是由推薦系統(tǒng)引致的消費(fèi)。

因此本文在上述理論基礎(chǔ)上，提出待驗(yàn)證相關(guān)假設(shè)：智能商務(wù)環(huán)境中推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出是否具有積極正向的作用，即在相同的資源條件下，使用推薦系統(tǒng)的消費(fèi)者是否比未使用推薦系統(tǒng)的消費(fèi)者有更高的網(wǎng)購(gòu)支出。

3.2 分析方法

本文使用的方法為傾向得分匹配法(PSM)，目的是將推薦系統(tǒng)獨(dú)立于其他影響消費(fèi)者購(gòu)買力的因素情況，調(diào)查推薦系統(tǒng)的使用對(duì)消費(fèi)者網(wǎng)購(gòu)支出效應(yīng)及其穩(wěn)健性。傾向得分匹配法是由Rosenbaum和Rubin[43]首次提出的，該方法可以將消費(fèi)者多維信息特征降維成一個(gè)傾向得分因子，在得分基礎(chǔ)上將使用推薦系統(tǒng)的消費(fèi)者和未使用推薦系統(tǒng)的消費(fèi)者進(jìn)行匹配，分析結(jié)果網(wǎng)購(gòu)支出差異得出推薦系統(tǒng)對(duì)于消費(fèi)者網(wǎng)購(gòu)支出的凈效應(yīng)。鑒于不同匹配方法各有優(yōu)劣，通常采用多種匹配法進(jìn)行匹配以保證穩(wěn)健性。

傾向得分匹配法優(yōu)點(diǎn)：第一、常用的描述性統(tǒng)計(jì)分析的方法會(huì)高估使用推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出的經(jīng)濟(jì)效應(yīng)。第二、傾向得分匹配法可以做到將多個(gè)變量降維為一維傾向得分。第三、Wooldridge[44]認(rèn)為傾向得分匹配法只需要滿足條件獨(dú)立性假設(shè)和共同支撐兩個(gè)前提假設(shè)，受限較少，匹配完成度較好，樣本損失率低。第四、Glenn等[45]認(rèn)為在線測(cè)試ABtest必須要求消費(fèi)者從始至終只能選擇一種方案并產(chǎn)生淘汰機(jī)制，傾向得分匹配法能夠很好的保護(hù)樣本。

傾向得分匹配法的主要特征是創(chuàng)造隨機(jī)試驗(yàn)條件進(jìn)行樣本比較。但使用傾向得分匹配法的前提需要滿足兩個(gè)假設(shè)：

(1)條件獨(dú)立分布假設(shè)檢驗(yàn)：我們假設(shè)存在一組不受推薦系統(tǒng)影響的可觀測(cè)的協(xié)變量X，且消費(fèi)獨(dú)立于推薦系統(tǒng)的使用。在這個(gè)假設(shè)下，消費(fèi)者是否使用推薦系統(tǒng)不是預(yù)先設(shè)定的，而是由消費(fèi)者自行選擇的，結(jié)果呈隨機(jī)分布。在此基礎(chǔ)上比較相同條件稟賦的消費(fèi)者在使用推薦系統(tǒng)和不使用推薦系統(tǒng)的情況下的網(wǎng)購(gòu)消費(fèi)支出差異。

(2)共同支撐假設(shè)：假設(shè)PSM的傾向得分(Propensity Score)是介于0到1的參數(shù)，即同樣具有X特征的消費(fèi)者會(huì)具有使用推薦系統(tǒng)和不使用推薦系統(tǒng)的正向概率。該假設(shè)排除了傾向得分的長(zhǎng)尾效應(yīng)，提高了消費(fèi)者匹配的精度和準(zhǔn)度，但是會(huì)使消費(fèi)者匹配樣本減少。Heckman等[46]提出非參數(shù)匹配方法必須是建立在共同支撐的條件下才是有意義且可討論的。因此我們很難避免用一定量的樣本損失來(lái)?yè)Q取匹配質(zhì)量的提高。

選用傾向得分匹配法原因：由于商業(yè)目標(biāo)最本質(zhì)的性質(zhì)就是平均一個(gè)消費(fèi)者能給經(jīng)濟(jì)社會(huì)帶來(lái)的盈利。因此我們首先考慮分析同一消費(fèi)者使用推薦系統(tǒng)前后網(wǎng)購(gòu)支出，以探究推薦系統(tǒng)對(duì)經(jīng)濟(jì)社會(huì)所貢獻(xiàn)的效益。這要求掌握該消費(fèi)者使用推薦系統(tǒng)前后的數(shù)據(jù)，并且控制除消費(fèi)者是否使用推薦系統(tǒng)外，其他可能影響消費(fèi)者購(gòu)買力的因素不變，而該條件控制很難保證準(zhǔn)確實(shí)現(xiàn)。其次，不同的消費(fèi)者在年齡、收入、消費(fèi)觀念等條件方面有很大不同。單獨(dú)比較使用推薦系統(tǒng)的消費(fèi)者與未使用推薦系統(tǒng)的消費(fèi)者的網(wǎng)購(gòu)支出是否存在差異，不能保證消費(fèi)者網(wǎng)購(gòu)支出提高與使用推薦系統(tǒng)有直接因果效應(yīng)。所以借鑒Kahneman等[47]運(yùn)用反事實(shí)的情況，即尋找與使用推薦系統(tǒng)的消費(fèi)者個(gè)人基礎(chǔ)信息相似不使用推薦系統(tǒng)的消費(fèi)者，然后將兩者的網(wǎng)購(gòu)支出相比較。由于兩者的個(gè)人特征相似，所以兩者網(wǎng)購(gòu)支出差異是使用推薦系統(tǒng)后消費(fèi)者網(wǎng)購(gòu)支出的直接技術(shù)效應(yīng)。

本文借鑒了部分Caliendo和Kopeinig[48]傾向得分匹配法的步驟：在考慮變量的情況下，選擇使用probit或者logit模型分析估算傾向得分；根據(jù)得出的傾向得分將消費(fèi)者進(jìn)行匹配，執(zhí)行匹配的方法具體有最近鄰匹配法(Nearest Neighbor Matching Mathod)、核匹配法(Kenel Matching Mathod)和半徑匹配法(Radius Matching Mathod)等；通過(guò)比較兩組消費(fèi)者匹配前后的偏差變化率、Pseudo-R2值等來(lái)分析不同匹配方法質(zhì)量的差異；采用“剪枝(Trimming)”理論來(lái)檢查假設(shè)條件引發(fā)消費(fèi)者樣本的損失的情況。

傾向得分匹配法中匹配估算消費(fèi)者是否使用推薦系統(tǒng)的決定方程：

PS(X)=Pr[T=1|X]=E[T|X]

(1)

X定義為影響消費(fèi)者使用推薦系統(tǒng)的宏觀特征因素，PS定義為使用推薦系統(tǒng)消費(fèi)者的概率，又稱為傾向得分。通常建立Probit模型，計(jì)算每一個(gè)消費(fèi)者的傾向得分，然后將傾向得分作為消費(fèi)者之間匹配的依據(jù)。

樣本整體的平均技術(shù)效應(yīng)(ATE)為：

τi=PS·[E(Y1|T=1)-E(Y0|T=1)]+(1-PS)·[E(Y1|T=0)-E(Y0|T=0)]

(2)

PS表示消費(fèi)者使用推薦系統(tǒng)(T=1)的概率；Y1是消費(fèi)者使用推薦系統(tǒng)效應(yīng)；Y0是消費(fèi)者不使用技術(shù)的效應(yīng)。方程(2)表示整個(gè)樣本的技術(shù)效應(yīng)為消費(fèi)者使用推薦系統(tǒng)和不使用推薦系統(tǒng)的加權(quán)平均效應(yīng)。然而反事實(shí)情況E(Y1|T=0)和E(Y0|T=1)是不能直接得出的。在僅考慮使用推薦系統(tǒng)的消費(fèi)者樣本的情況下，研究消費(fèi)者樣本的平均技術(shù)效應(yīng)(ATT)，需要構(gòu)造一個(gè)反事實(shí)E(Y0|T=1)。使用推薦系統(tǒng)的消費(fèi)者樣本平均技術(shù)效應(yīng)(ATT)可以表示為：

τATT=E(τ|T=1)=E(Y1|T=1)-E(Y0|T=1)

(3)

基于上述的討論，推薦系統(tǒng)對(duì)消費(fèi)者的平均技術(shù)效應(yīng)，即ATT的傾向得分匹配評(píng)估可以從兩組消費(fèi)者的網(wǎng)購(gòu)支出水平的平均差異得到，表示如下：

(4)

采用多種匹配方法可以在一定程度上提高穩(wěn)健性，因此本文分別使用最近鄰匹配法、半徑匹配法和核匹配法進(jìn)行匹配。

最近鄰匹配的規(guī)則為：

C(i|T=1)

(5)

其中i|T=1代表使用推薦系統(tǒng)的消費(fèi)者，i|T=0代表未使用推薦系統(tǒng)的消費(fèi)者，C(i|T=1)為與消費(fèi)者i|T=1成功匹配的消費(fèi)者i|T=0的集合，即傾向得分與消費(fèi)者i|T=1最為近似的消費(fèi)者集合。

半徑搜索的規(guī)則為：

C(i|T=1)

(6)

r 定義為匹配需要的半徑又被稱為卡尺或者卡鉗，上式為所有消費(fèi)者滿足傾向得分與既定的消費(fèi)者i的傾向得分差異小于等于r的集合。經(jīng)過(guò)初步匹配，同時(shí)參考 Becker和Ichino[49]研究中ATT的計(jì)算方法得出公式：

(7)

(8)

與最近鄰匹配法、半徑匹配法原理不同，核匹配法引進(jìn)了非參數(shù)估計(jì)概念。為了對(duì)消費(fèi)者i|T=1進(jìn)行高質(zhì)量匹配，需要將既定PS值附近的未使用推薦系統(tǒng)網(wǎng)購(gòu)的消費(fèi)者加權(quán)運(yùn)算，權(quán)重與消費(fèi)者i|T=1和消費(fèi)者i|T=0的PS值之差相關(guān)。

核匹配方法對(duì)應(yīng)的ATT估算公式為：

(9)

4 實(shí)驗(yàn)分析

4.1 基準(zhǔn)計(jì)量模型與統(tǒng)計(jì)結(jié)果

本文實(shí)驗(yàn)采用Stata14.0分析實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)包含了消費(fèi)者的基本信息、支出情況、對(duì)推薦系統(tǒng)的態(tài)度以及消費(fèi)者在推薦系統(tǒng)使用前后消費(fèi)支出變化。本文對(duì)相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，有效數(shù)據(jù)3088份。

在簡(jiǎn)單最小二乘法(OLS)回歸分析中只使用treat變量(OLS1)區(qū)分使用推薦系統(tǒng)的消費(fèi)者和不使用推薦系統(tǒng)的消費(fèi)者的情況下影響系數(shù)是顯著的。使用推薦系統(tǒng)的消費(fèi)者比不使用推薦系統(tǒng)的消費(fèi)者網(wǎng)購(gòu)支出高26.6%，如表3所示。

考慮結(jié)果的可解釋性，OLS回歸采用對(duì)數(shù)線性模型，對(duì)因變量消費(fèi)者網(wǎng)購(gòu)支出取對(duì)數(shù)。為了提高精準(zhǔn)性，在此基礎(chǔ)上加入了控制變量的模型(OLS2)，仍然得出相同條件下，使用推薦系統(tǒng)的消費(fèi)者比不使用推薦系統(tǒng)的消費(fèi)者網(wǎng)購(gòu)支出高16.7%，如表3所示。教育程度高低對(duì)網(wǎng)購(gòu)支出有顯著作用，原因可能是教育程度越高的消費(fèi)者對(duì)推薦系統(tǒng)更容易接受，故接受度也就比較高。

表3 兩組消費(fèi)者OLS分析

4.2 不同匹配方法的Probit估算結(jié)果

Probit主要分析了各變量對(duì)消費(fèi)者使用推薦系統(tǒng)的影響。研究中參與傾向得分估算的特征變量有性別、年齡、教育程度、所在地區(qū)等。從表4中可以看出消費(fèi)者年齡增與使用推薦系統(tǒng)的概率呈反比，消費(fèi)者的所在區(qū)域越接近城市，使用推薦系統(tǒng)的可能性越高。女性使用推薦系統(tǒng)的概率明顯高于男性。年輕人更易受到推薦系統(tǒng)的影響。

表4 不同匹配方法的Probit估算結(jié)果

通過(guò)對(duì)消費(fèi)者特征變量進(jìn)行傾向得分估算，可研究使用推薦系統(tǒng)的消費(fèi)者和不使用推薦系統(tǒng)的消費(fèi)者的得分平衡性是否滿足條件，在此基礎(chǔ)上使用合格的得分計(jì)算最終傾向得分。

4.3 不同匹配方法下的平均處理效應(yīng)ATT

ATT是指消費(fèi)者使用推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出(對(duì)數(shù)形式)的平均效應(yīng)，即使用推薦系統(tǒng)的消費(fèi)者與不使用推薦系統(tǒng)的消費(fèi)者在網(wǎng)購(gòu)支出上的花費(fèi)差異。從表5可以看出，不論哪一種匹配方法，結(jié)果都顯示使用推薦系統(tǒng)的消費(fèi)者與不使用推薦系統(tǒng)的消費(fèi)者有更高的消費(fèi)，即推薦系統(tǒng)的技術(shù)效應(yīng)是正向的。

表5 基于傾向得分匹配法的ATT值

但是不同的匹配方法的ATT結(jié)果略有不同：最鄰近匹配法ATT值為18.4%、卡尺0.001匹配法ATT值為14.7%、卡尺0.01匹配法ATT值為14.9%、卡尺0.1匹配法ATT值為14.7%、核匹配法ATT值為15.9%。匹配方法都滿足顯著性(在1%水平顯著)。

4.4 不同匹配方法的匹配質(zhì)量

表6從三個(gè)衡量匹配質(zhì)量的指標(biāo)來(lái)計(jì)算不同匹配方法在匹配前后的數(shù)值變化，在匹配前所有消費(fèi)者的平均標(biāo)準(zhǔn)偏差值為12.7，匹配后的平均偏差均出現(xiàn)了較大幅度的下降，其中最近鄰匹配法平均標(biāo)準(zhǔn)偏差值降為3.7,下降比例為70.9%。

表6 不同匹配方法的匹配質(zhì)量

使用卡尺匹配方法后，匹配質(zhì)量顯著提高?？潭瓤ㄣQ為0.1和0.01時(shí)，平均標(biāo)準(zhǔn)偏差值分別降2.1和2.2，下降比例分別83.5%和82.7%。所以卡尺匹配的過(guò)程能夠很好地平衡使用推薦系統(tǒng)的消費(fèi)者和未使用推薦系統(tǒng)的消費(fèi)者的個(gè)體特征。核匹配的質(zhì)量介于最近鄰匹配法和卡尺匹配法之間，平均標(biāo)準(zhǔn)偏差值降為2.2，下降比例為82.7%。除此之外，Pseudo-R2匹配前值為0.019，匹配后各匹配方法下降比例均達(dá)到89.5%。核匹配法匹配后值非常小，說(shuō)明匹配變量在使用推薦系統(tǒng)的消費(fèi)者和不使用推薦系統(tǒng)的消費(fèi)者之間沒(méi)有分布沒(méi)有系統(tǒng)差異。且匹配前t檢驗(yàn)值為7.78，經(jīng)不同方法匹配后，t檢驗(yàn)值下降比例均達(dá)到43.4%。因此傾向得分匹配法將推薦系統(tǒng)從其他影響消費(fèi)者的因素中獨(dú)立出來(lái)，證實(shí)了使用推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出有正向作用這一結(jié)果更有可信度。

4.5 不同匹配方法密度分布圖

圖5為匹配后消費(fèi)者傾向得分密度分布圖，橫軸代表傾向得分?jǐn)?shù)值，縱軸代表傾向得分概率密度分布。從圖可以發(fā)現(xiàn)，相對(duì)于匹配前概率密度分布，匹配后，使用推薦系統(tǒng)的消費(fèi)者和未使用推薦系統(tǒng)的消費(fèi)者的密度分布曲線均比未匹配的密度分布更加接近，表明匹配結(jié)果較好。處理前的數(shù)據(jù)，處理組呈現(xiàn)出尖峰分布，對(duì)照組呈現(xiàn)相對(duì)平峰分布，處理組和對(duì)照組之間差異較大，而經(jīng)過(guò)不同方法的傾向得分匹配處理后的數(shù)據(jù)，處理組和對(duì)照組之間的差異性得到了較為明顯的調(diào)整，兩個(gè)組之間的密度分布更為接近，對(duì)于后續(xù)的分析意義更為嚴(yán)謹(jǐn)。

圖5 傾向得分密度分布圖

5 機(jī)制檢驗(yàn)

5.1 傾向得分匹配法匹配前后平衡性檢驗(yàn)

平衡性假設(shè)要求匹配后各變量在使用推薦系統(tǒng)的消費(fèi)者組和不使用推薦系統(tǒng)的消費(fèi)者組不存在顯著差異。匹配后標(biāo)準(zhǔn)偏差的絕對(duì)值越小，匹配效果越好。變量的標(biāo)準(zhǔn)化偏差(% bias)大都小于10%。偏差變化的百分比(%Reduct|bias|)反映的是PSM前后數(shù)據(jù)匹配程度的變化，表明平衡性提升的幅度。表7結(jié)果顯示除性別、教育程度外的其他變量在匹配前的t值都是顯著的，而匹配后均不顯著。樣本中特征變量經(jīng)過(guò)傾向得分匹配后，標(biāo)準(zhǔn)偏差明顯減小，其中，年齡、地區(qū)等變量的標(biāo)準(zhǔn)化偏差經(jīng)過(guò)匹配后下降幅度都達(dá)到80%以上，并且在幾乎所有稟賦

表7 傾向得分匹配法匹配前后平衡性分析

特征變量下，使用推薦系統(tǒng)和不使用推薦系統(tǒng)的差異不再顯著使用推薦和不使用推薦的稟賦特征差異基本得到了消除，表明平衡假設(shè)得到驗(yàn)證，即使用推薦和不使用推薦之間消費(fèi)支出差異的結(jié)論是可信的。

5.2 不同匹配方法共同支撐損失率統(tǒng)計(jì)

傾向得分匹配模型中分別使用了最近鄰匹配法、半徑匹配法和核匹配法來(lái)估算推薦系統(tǒng)的使用對(duì)消費(fèi)者網(wǎng)購(gòu)支出的影響。不同匹配方法的在趨勢(shì)和大方向上相類似，但結(jié)果有一點(diǎn)差異，如表8所示。最近鄰匹配法和核匹配法的損失情況較少，損失率僅為0.19%，其中最近鄰匹配法的設(shè)定是無(wú)替換最近鄰匹配。半徑匹配法的樣本損失率較高，損失率受卡鉗設(shè)置的影響，卡鉗數(shù)值越小范圍越受限，消費(fèi)者樣本的損失率越高。由于共同支撐區(qū)域的差異可能會(huì)導(dǎo)致半徑匹配法估算結(jié)果相對(duì)于其他的匹配方法出現(xiàn)樣本代表性降低的情況。

表8 共同支撐導(dǎo)致的消費(fèi)者樣本損失統(tǒng)計(jì)

5.3 工具變量法的分析結(jié)果和穩(wěn)健性檢驗(yàn)

為了驗(yàn)證傾向得分匹配法的實(shí)證結(jié)果，本文選擇使用工具變量法進(jìn)行穩(wěn)健性檢驗(yàn)，如表9所示。由于樣本中的消費(fèi)者來(lái)自不同的省份和地區(qū)，考慮到不同省份城市規(guī)模、金融商業(yè)、文化底蘊(yùn)等虛擬變量可能與未納入模型的遺漏變量存在相關(guān)性。該變量能影響消費(fèi)者自主選擇是否使用推薦，又對(duì)消費(fèi)者網(wǎng)購(gòu)的行為有一定影響。如一、二線城市和三、四線城市會(huì)因?yàn)榻?jīng)濟(jì)發(fā)展水平高低、文化素養(yǎng)差異會(huì)自選擇是否使用推薦，同時(shí)導(dǎo)致消費(fèi)者網(wǎng)購(gòu)消費(fèi)支出數(shù)值不平衡的相關(guān)情況，即內(nèi)生性問(wèn)題。為了消除內(nèi)生性，我們用工具變量法來(lái)研究推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出的影響效應(yīng)，引入省份虛擬變量作為城市-農(nóng)村虛擬變量的工具變量。結(jié)果顯示使用推薦系統(tǒng)的消費(fèi)者比不使用推薦系統(tǒng)的消費(fèi)者網(wǎng)購(gòu)支出高16.5%，低于回歸方程的結(jié)果26.6%、16.7%，因此能夠改善高估推薦技術(shù)的效應(yīng)的弊端，與傾向得分匹配法結(jié)果相近，進(jìn)一步檢驗(yàn)了匹配結(jié)果的穩(wěn)健性。

表9 工具變量法分析

6 結(jié)語(yǔ)

推薦系統(tǒng)對(duì)消費(fèi)者的消費(fèi)方式與網(wǎng)購(gòu)支出的影響是一個(gè)值得研究的問(wèn)題。本文在消費(fèi)函數(shù)理論背景下，構(gòu)建了推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出影響研究框架，提出了待驗(yàn)證假說(shuō)，并使用傾向得分匹配法進(jìn)行假說(shuō)驗(yàn)證。

本文調(diào)查了消費(fèi)者層面的數(shù)據(jù)，分析了推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出的影響。推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出的影響是復(fù)雜的，一般認(rèn)為推薦系統(tǒng)的進(jìn)步會(huì)有較好的經(jīng)濟(jì)價(jià)值。在消費(fèi)者自行選擇是否使用推薦系統(tǒng)的情形下，消費(fèi)者使用推薦系統(tǒng)的行為是由一系列以個(gè)人特征和消費(fèi)習(xí)慣等變量決定的，所以我們使用了傾向得分匹配法來(lái)分析評(píng)估推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)支出的效應(yīng)。并且本文在推薦系統(tǒng)效應(yīng)的評(píng)估分析上使用了不同的傾向得分匹配方法來(lái)計(jì)算推薦系統(tǒng)對(duì)消費(fèi)者購(gòu)買力的經(jīng)濟(jì)效應(yīng)，具體匹配方法不同會(huì)產(chǎn)生不同的共同支撐區(qū)域，從而造成消費(fèi)者樣本損失與匹配質(zhì)量的差異，但樣本損失率均低于2.59%。其中，最近鄰居法與核匹配法中消費(fèi)者樣本信息損失較少，匹配質(zhì)量欠佳?？ǔ咂ヅ浞〞?huì)實(shí)現(xiàn)較高的匹配質(zhì)量，代價(jià)是會(huì)損失較多的消費(fèi)者樣本信息。

研究結(jié)果表明:使用推薦系統(tǒng)對(duì)增加消費(fèi)者的網(wǎng)購(gòu)支出具有穩(wěn)健的正向作用。調(diào)查發(fā)現(xiàn)，OLS1和OLS2計(jì)算出使用推薦系統(tǒng)的消費(fèi)者比不使用推薦系統(tǒng)的消費(fèi)者人均網(wǎng)購(gòu)支出高26.6%和16.7%，使用傾向得分匹配法對(duì)消費(fèi)者匹配后得出結(jié)果僅為14.7%，該結(jié)果能改善描述性統(tǒng)計(jì)分析以及最小二乘法高估推薦效應(yīng)的弊端。除此之外，本文使用工具變量法對(duì)傾向得分匹配法的結(jié)果進(jìn)行進(jìn)一步的穩(wěn)健性檢驗(yàn)，得出使用推薦系統(tǒng)的消費(fèi)者比不使用推薦系統(tǒng)的消費(fèi)者月人均網(wǎng)購(gòu)支出高16.5%，與傾向得分匹配法結(jié)果基本相同。得出使用推薦系統(tǒng)對(duì)增加消費(fèi)者的網(wǎng)購(gòu)支出具有穩(wěn)健的正向作用。

除此之外，推薦系統(tǒng)對(duì)消費(fèi)者網(wǎng)購(gòu)的影響還可以體現(xiàn)在對(duì)消費(fèi)者網(wǎng)購(gòu)產(chǎn)品和網(wǎng)購(gòu)忠誠(chéng)度方面：推薦系統(tǒng)可以著重向33歲以下的女性消費(fèi)者推薦洗護(hù)彩妝產(chǎn)品、向23-33以及43-48的消費(fèi)者推薦數(shù)碼產(chǎn)品、向33-43歲的消費(fèi)者推薦家用電器、向33歲以上和28歲以下的消費(fèi)者推薦醫(yī)療保健產(chǎn)品、向48歲以上的消費(fèi)者推薦家居清潔產(chǎn)品；同時(shí)在主頁(yè)面向各年齡段消費(fèi)者加大關(guān)于休閑零食和服裝鞋襪的推薦。

推薦技術(shù)應(yīng)注重向28-43歲的消費(fèi)者加大基于社交關(guān)系的推薦、向38歲以上的消費(fèi)者推送重復(fù)購(gòu)買商品鏈接和店鋪信息。商品的價(jià)格上升會(huì)導(dǎo)致消費(fèi)者的流失，因此要合理控制價(jià)格的短期漲幅，增強(qiáng)消費(fèi)消費(fèi)者黏性，除此之外推薦系統(tǒng)要積極改善垃圾廣告、虛假買家秀、刷單、泄露隱私等問(wèn)題，同時(shí)提高推薦系統(tǒng)的新穎性，有助于提高消費(fèi)者的滿意度和忠誠(chéng)度。將來(lái)可進(jìn)一步細(xì)化分析定向和非定向推薦機(jī)制對(duì)消費(fèi)者推薦的采納率影響，著重分析平臺(tái)間推薦系統(tǒng)差異對(duì)消費(fèi)者網(wǎng)購(gòu)支出的具體影響。