1. 引言
根据中国互联网中心(CNNIC)发布的《第48次中国互联网络发展状况统计报告》截止到2021年6月，中国网络购物用户规模高达8.12亿，仅半年就增长2965万。而来自国家统计局的数据显示，2021年上半年，全国网上零售额61,133亿元，同比增长23.2%。这显示了国内电子商务市场仍旧保持着迅猛发展，同时为了缓解电子商务网站中信息不断增到导致的信息超载问题，推荐信息系统(Recommendation System, RS)也在不同发展完善。
但随着用户对于电商网站的熟悉和使用，最开始的简单推荐已经不再能满足用户的需求。相关研究显示不合理的推荐不仅不能帮助用户提高购买决策效率，反而会引发用户的反感，从而降低用户的使用感受以及购买率。Nguyen [1] (2017)指出满意度和忠诚度高的用户能够产生更强烈的购买产品的意愿，保持较低的消费转移倾向。Kim [2] (2007)基于感知价值理论和研究计算机系统的TAM模型向结合，提出了针对涉及信息系统和购物决策的VAM模型(用户价值接受模型)，从感知价值的利得和利失两个方面对影响用户满意度的因素进行研究。
推荐系统中影响用户的因素有很多，但是目前的研究多以整体过程来研究用户对于推荐的采纳意愿。实际上根据消费者两阶段决策模型，用户在进行购买决策的时候不是瞬间发生的，而是一个持续的阶段性的过程，且在不同阶段会有不同的需求。
因此本文旨在将推荐时机作为关键影响因素，基于感知价值视角探索用户对于推荐系统的采纳意愿变化及关键影响因素。同时引入信息系统成功模型，将影响因素划分为3大类(系统质量，信息质量，服务质量)，研究这些因素在不同推荐时机下对感知价值的影响重要程度以及对推荐时机的敏感程度。
2. 相关文献回顾
2.1. 个性化推荐与推荐时机
个性化推荐的目的就是希望在合适的时间给特定的用户推荐合适的商品，其主要原理是在用户和用户之间，项目和项目之间抽取他们的相似性特征，并结合这些特征构建整体的兴趣集，从而进行推荐。近年的研究主要集中两方面。一、给用户推荐适合他们的商品以及如何加快这一过程的准确度和速度，二、推荐界面和用户交互过程，如推荐信息编排呈现、隐私保护策等。但在推荐时机的研究上却很少有学者涉及。
Payne [3] (1976)年提出了两阶段决策模型来描述消费者决策过程。该模型指出消费者购买产品是一个持续的过程，而这个制定决策的过程可以分为两个阶段：在决策的第一阶段(考虑阶段)，消费者会在众多的商品中进行选择，形成一个考虑购买的商品的考虑集合，而在决策的第二阶段(决策阶段)，消费者会对考虑集合进行筛选，评估等行为并做出购买决策，最终购买的这些商品可以集合为决策集合。在不同时机下，可以明显发现用户的需求有所不同，因此推荐系统也需要根据时机对产生的推荐结果进行区分。于微微 [4] (2018)通过调研对众多推荐因素进行研究，得出推荐时机会显著影响用户对推荐结果的接受意愿，且将商品添加进收藏前和购物车时的推荐更容易让用户接受。尽管有众多学者将推荐时机在两阶段决策的基础上进一步划分出更多阶段：陈等(2020)将推荐时机划分为：“偏好形成阶段，偏好明确阶段，考虑集合阶段，决策集合阶段”，四个阶段进行用户感知价值的研究 [5]。但其研究结果表明，考虑阶段和决策阶段的个性化商品推荐对用户的影响最显著，因此本文将两阶段作为研究的主要因变量。
2.2. 感知价值理论
Zeithaml [6] (1988)最早提出感知价值的定义：“消费者在选购时，会评估商品给自己带来的收益，消费者认为该产品给自己带来的收益越高，其感知价值也就越高，并且购买该商品的可能性也会增加”。从另一方面来看，在一次消费购买行为过程中，用户对同一件商品需要支付的成本一般是不变的(商品价格)，同等情况下，如果其他的额外因素(购物环境、系统服务、用户情绪等)可以增加用户购买这件商品时的获得感，那么用户的感知价值就会上升，从而对购买意愿产生正向影响。
在1989年Davis [7] 提出了技术接受模型——TAM模型，该模型主要是引入感知有用性和感知易用性来解释用户的态度和对产品的使用意向。感知有用性指使用新技术和新产品给用户带来的工作效率的提升，而感知易用性则指能熟练掌握使用这些新事物的容易程度。Kim [2] (2007)基于感知价值理论和TAM模型，提出了用户价值接受模型(VAM)，是从收益和成本两个方面解释系统对影响用户意愿的因素进行研究。根据模型图1，根据感知价值理论，感知价值被分为感知利得和感知利失，而根据TAM模型感知利得可以被分为感知有用性和感知易用性。而感知利失则可分为感知成本及技术因素，即用户感知到的风险。当用户感知利得大于利失时，感知价值为正采纳意向会更强。当用户感知到风险大于其获得感时，感知价值为负，采纳意愿也会随之降低。
2.3. 信息系统成功模型
推荐系统的组成要素用很多，本文站在用户的视角引入了Delone和Mclean在2003年提出的信息系统成功模型(ISSM模型)，该模型将影响因素划分为3大类(系统质量，信息质量，服务质量) [8]。
系统质量是对系统本身的测量，一个信息系统通过技术和功能支持来满足用户对系统期望的程度，如个性化互动服务(灵活性)，响应时间，易操作性等 [9] (Tsao, 2016)。一个系统的系统质量是构成该系统的基础的要素。推荐系统信息质量包含系统输出信息的理想特点程度，如相关性，充分性，准确性和及时性 [10] (Cui, 2018)。推荐算法进行计算后得出的推荐列表里中的内容就是推荐系统向用户推荐的信息的质量，理想的推荐结果能够准确的预测用户的偏好以及发觉用户自己都没意识到的潜在兴趣。推荐服务质量是指对系统所提供的所有服务性支持的评价，用户从系统获得的帮助程度，如可靠性，订单完成和隐私保护等 [11] (Ali, 2018)。推荐系统的相关特性同样也影响着用户的感知价值，平台对于用户的隐私保护，用户对于平台过去形象的信任等，以及平台通过推荐系统的互动功能带给用户的感受都影响着推荐服务质量。
结合各个维度的定义以及前人的研究，本文将推荐系统质量的关键因素定为：推荐规模、推荐解释和信息编排。推荐信息质量定为：准确性、多样性和新颖性。推荐服务质量定为：隐私安全，互动功能，网站信息。
3. 研究方法
3.1. 测量
本文参考前人研究中的问卷，设计了本文的影响因素重要性研究问卷。并在实验初期选取了周围30人的小样本对问卷进行测量，对原有问卷中对于推荐时机的表述进行了修改和强调，使其在具有不同购物习惯的人群中得到相同的理解。最终的得到本文的正式量表(见表1)。
Table 1. Influencing factor measurement scale
表1. 影响因素测量量表
3.2. 问卷发放
本文的研究主要采用问卷调查法。问卷分为两个部分：第一部分为问卷的主题部分，调查在不同推荐时机下推荐相关因素对用户感知价值影响的重要性，总共15个小题。每个小题均采用5点李克特量表对影响因素的重要程度进行测量，划分为“非常不重要”、“不重要”、“一般”、“重要”、“非常重要”5个等级；第二部分为受访者的个人信息如性别、年龄、学历等。
研究通过各种社交平台共在线发放问卷350份，其中有效问卷288份，有效回收率为82.3%。根据人口特征分布情况统计可知，调查者中女性被试较多，占到74.3%，同时年龄主要分布在20~39岁，学历95%为高中以上。这部分人群为网购的主力人群，同时调查结果显示80%以上的被试每周至少浏览一次推荐系统的商品推荐，属于本文的研究对象范围。
4. 数据分析与结果
4.1. 信度与效度分析
为保证问卷的质量，一般会对问卷进行信效度分析。信度分析是测量问卷获得的数据的可靠程度，本文通过克隆巴赫系数(Cronbach’s Alpha)来测量问卷信度。Cronbach’s Alpha值在0.7以上一般被认为是比较理想的可信水平；效度则通过巴特利特球度和KMO值来考察问卷是否适合做因子分析，以及探索性因子分析测量问卷十分能够反应所测量的特征。
Table 2. Cronbach’s Alpha coefficient of the whole questionnaire and each dimension
表2. 问卷整体及各维度Cronbach’s Alpha系数
由表2可知，根据SPSS 26.0计算发现，问卷整体及各个维度克隆巴赫系数大于0.79，仅考虑阶段推荐服务质量系数较低，但仍大于0.6。问卷整体的可信度较高。同时问卷的KMO值为0.914 > 0.7，p值 = 0.000 < 0.05适合做因子分析。基于此，使用主成分分析法进行因子分析，3个维度累计的方差解释量到达89.814%，能够解释原表大量的方差信息，且所有载荷大于0.5的因子均被划分到了原量表相应的维度下。因此本文测量量表的结构效度较好。
4.2. 变化显著性分析
Table 3. Paired T-test for changes in influencing factors of different recommendation timing
表3. 不同推荐时机影响因素变化配对T检验
通过对推荐时机进行划分，进行考虑阶段和决策阶段之间各影响因素的变化进行分析，观察因素对于推荐时机的敏感程度。根据数据的p-p图，在大样本的情况下符合正态分布，因此可以使用配对样本t检验。组内采用配对样本t检验对不同推荐时机推荐系统的影响因素前后均值差异性是否显著进行判断，结果如表3。由表可以看出推荐的两个阶段(考虑阶段，决策阶段)，多样性，新颖性，隐私安全的p值小于0.05差异具有显著性。
4.3. 影响因素重要性及回归分析
熵值法测量结果如下，熵值越大代表信息的离散程度越大。本文利用熵值法初步计算9个推荐系统相关因素在不同时机下对用户感知价值影响的重要性。在考虑阶段：推荐解释、推荐规模和互动功能的群信息熵值最小，权重系数最高达到了(12.93%)。而多样性的熵值最大，权重系数最低(9.57%)。在决策阶段：推荐解释、推荐规模的权重系数依然最高，但多样性和准确性的权重排位变化显著，多样性的重要程度从最低上升到第6，而准确性的权重系数降到最后(10.25%~9.04%)。结合表3平均值得分可以看出，在不同时机下推荐多样性对于感知价值的影响变化最大。
Table 4. The regression analysis results of each dimension of recommendation influencing factors and perceived value
表4. 推荐影响因素与感知价值各维度回归分析结果
紧接着以推荐系统中各影响因素为自变量，用户采纳意愿作为因变量进行回归分析，由于变量数量较多，因此采用逐步回归法。考虑阶段中R2为0.398代表可以解释39.8%变化的原因且模型通过F检验说明模型有效，可以得到回归方程：采纳意愿 = 0.155 + 0.272*推荐规模 + 0.284*推荐解释 + 0.263*多样性 + 0.168*隐私安全 − 0.139*互动功能。决策阶段R2为0.366，且通过F检验并得到回归方程：采纳意愿 = 0.658 + 0.205*推荐规模 + 0.409*推荐解释 + 0.144*隐私安全。由系数可知在推荐时机的两个阶段，推荐解释对于用户是否接受采纳推荐的影响最大，其次是推荐规模和隐私安全。
另一方面，以感知价值各个维度为因变量构建回归方程进行计算后结果见表4：从感知利得和感知利失角度观察各个因素对用户的影响。
感知有用性：
由回归结果可知，在考虑阶段，推荐规模，推荐解释，准确性，多样性，新颖性会对用户感知有用性产生显著正向影响，且推荐解释(0.227)的回归系数最大影响程度最大，其次是多样性(0.224)。而到了决策阶段推荐规模和多样性对用户不再造成显著影响，推荐解释(0.254)，新颖性(0.168)，准确性(0.102)以及新增的信息编排(0.173)和网站形象(0.120)会对用户感知有用性造成影响。推荐的两个阶段都是推荐解释对感知有用性的影响程度最大。
感知易用性：
在考虑阶段推荐解释(0.124)，准确性(0.177)，多样性(0.261)，网站形象以及互动功能会对用户的感知易用性造成显著正向影响。在决策阶段，推荐解释，推荐规模，信息编排，准确性，新颖性，隐私安全和网站形象会对感知易用性造成影响。
感知风险：
在考虑阶段，新颖性，隐私安全，网站形象会对用户感知风险造成影响，而在决策阶段，准确性代替新颖性成为影响用户感知风险的重要因素。从回归系数来看，网站形象成为影响感知风险的最重要因素，并且会在用户决策的整个过程产生影响。
5. 结论与讨论
本文利用问卷调查法，从感知价值的得失角度对不同阶段影响用户采纳意愿的主要因素进行了研究。首先，在用户进行购买决策的两个阶段，推荐信息质量及服务质量在用户心中的重要性程度高，但其存在对用户是否采纳推荐影响不是最显著的。进一步回归结果可以看出推荐解释，推荐规模以及隐私安全对于用户是否采纳推荐起到显著正向影响。其次，推荐解释和推荐规模主要通过影响用户感知有用性和易用性来影响用户采纳意愿，隐私安全则主要影响用户的感知风险负向影响用户采纳意愿。
然而同时也有很多因素在某一个阶段对用户的重要程度及影响显著性较高，到了另一个阶段则发生了变化，重要程度下降。在实际系统优化中应注意其在不同阶段的重要性，从而搭配不同的策略，减少系统计算量以及用户可能会产生的不满意情绪。例如推荐的多样性在考虑阶段都会对用户感知有用性和易用性产生影响，但是到了决策阶段却不再产生影响，同理信息编排这一影响因素在决策阶段会对感知有用易用性产生影响，在考虑阶段则不会。
总而言之，电商平台应该在自身基础的系统质量(推荐规模、推荐解释、信息编排)上做好规划以及建设，这些因素在存在的时候用户无法感知其重要性，但如果欠缺则会很大程度上会影响用户的感知价值并进一步影响用户对于推荐系统的采纳意愿。对于信息质量方面(准确性、多样性、意外性)，在不同的用户决策阶段应该做出推荐列表上的信息区分，在不同时机给予用户相同的信息，不能合理的满足用户的实际需求。最后对于服务质量(隐私安全、网站形象、互动功能)，则应该在条件允许的情况下尽量提升，可以满足用户的深层次需求。