1. 引言
1.1. 研究背景
全球化与数字技术的深度融合推动了跨境电子商务(Cross-Border E-commerce, CBEC)的迅猛发展，为全球消费者提供了前所未有的商品选择，也为企业开辟了广阔的国际市场[1]。在这个信息爆炸且选择极其丰富的市场环境中，人工智能(AI)推荐算法已成为各大电商平台提升用户体验、提高转化率的核心技术[2]。通过分析用户的历史行为、偏好及上下文信息，推荐系统能够精准预测用户兴趣，推送高度个性化的商品列表，有效缓解信息过载问题，提升购物效率。
然而，推荐算法在追求极致个性化的同时，也可能带来意想不到的负面后果——“过滤气泡”(Filter Bubble)现象[3]。过滤气泡指的是算法根据用户过往行为不断强化推送相似内容，导致用户视野被限制在自己熟悉或偏好的信息范围内，接触新颖、多元信息的机会大大减少。在跨境电商场景下，由于消费者对海外商品、品牌和文化可能存在天然的陌生感和信息壁垒，推荐算法如果过度依赖本地化或历史购买数据，更容易将消费者锁定在少数熟悉的品类或来源国内的“舒适区”内，加剧过滤气泡效应。这不仅限制了消费者发现全球好物的可能性，也可能阻碍平台新品类、长尾商品的曝光和销售，影响平台的生态多样性和长期增长[4]。
1.2. 研究问题
尽管已有研究关注到推荐系统可能带来的多样性下降问题[5]，但针对跨境电商这一特殊场景下过滤气泡对消费者跨品类行为(Cross-Category Behavior)的具体影响机制，以及如何通过营销手段有效干预的研究尚显不足。消费者跨品类购买行为对电商平台至关重要，它不仅能提升单个用户的生命周期价值(Customer Lifetime Value, CLV)，也是平台拓展市场份额、优化品类结构的关键驱动力[6]。过滤气泡的存在可能直接抑制了这种探索性购买行为。
与此同时，激励营销(Incentive Marketing)作为一种被广泛用于刺激消费[7]、引导购买行为的策略[8]，其在打破过滤气泡、促进跨品类消费方面的潜力值得深入探讨。例如，平台能否通过设计特定的跨品类优惠、积分奖励或捆绑销售等激励措施，引导用户跳出固有的品类偏好，尝试新的商品领域？这些策略的效果如何？它们又将如何反作用于平台的整体品类销售结构？
因此，本研究的核心问题是：
1) 跨境电商场景下，AI推荐算法产生的过滤气泡如何影响消费者的跨品类购买意愿与行为？
2) 激励营销策略能否有效缓解过滤气泡对跨品类行为的负面影响？不同类型的激励策略效果是否存在差异？
3) 过滤气泡与激励营销策略的交互作用，最终如何影响跨境电商平台的品类销售集中度与多样性？
目前，缺乏一个整合性的概念框架来系统阐释这几者之间的关系，特别是在复杂的跨境电商环境中。
1.3. 研究目的与贡献
本文旨在构建一个概念模型，系统探讨跨境电商背景下，AI推荐算法过滤气泡、激励营销策略、消费者跨品类行为以及品类销售表现之间的相互作用机制。具体而言，本文的主要贡献包括：
1) 理论贡献：深入剖析过滤气泡在跨境电商场景下对消费者跨品类行为的抑制机理；提出激励营销作为打破过滤气泡、促进品类探索的理论路径；将研究视角从个体行为延伸至平台层面的品类销售结构，丰富推荐系统、营销策略与消费者行为交叉领域的研究。
2) 实践贡献：为跨境电商平台提供管理启示，帮助其识别和评估推荐系统可能存在的过滤气泡问题；指导平台设计更有效的激励营销方案，以平衡个性化推荐与商品多样性探索，促进用户价值和平台销售额的协同增长。
1.4. 文章结构
本文结构安排如下：第二部分将回顾相关文献，梳理AI推荐算法、过滤气泡、激励营销、消费者跨品类行为及跨境电商等核心概念的理论基础；第三部分将构建本文的核心概念框架，并提出相应的研究命题；第四部分将深入讨论框架的理论内涵与管理启示；第五部分将指出研究的局限性并展望未来研究方向；最后一部分为结论。
2. 理论基础
2.1. AI推荐算法及其在电商中的应用
AI推荐算法是利用用户信息(如历史行为、评分、人口统计学特征)和项目信息(如商品属性、描述)来预测用户对未接触项目的偏好程度，并据此生成推荐列表的技术[9]。主流算法包括：
协同过滤(Collaborative Filtering, CF)：基于“相似用户喜欢相似物品”或“用户喜欢与其过去喜欢的物品相似的物品”的假设，分为基于用户(User-based)和基于物品(Item-based)的协同过滤。它是应用最广泛的推荐技术之一，但存在冷启动和数据稀疏性问题[2]。
基于内容的推荐(Content-Based Filtering, CB)：基于用户过去喜欢的物品的内容特征(如商品描述、类别、品牌)，推荐具有相似内容特征的物品。它能较好地处理新物品推荐，但难以发掘用户潜在的新兴趣。
混合推荐(Hybrid Recommendation)：结合多种推荐算法(如CF与CB)的优势，以弥补单一算法的不足，提高推荐的准确性和鲁棒性。
在电商领域，推荐系统的核心目标通常是优化一系列可衡量的业务指标，最常见的是点击率(Click-Through Rate, CTR)和转化率(Conversion Rate, CVR)。算法通过最大化这些短期、即时的用户正反馈指标来进行训练和迭代。然而，这种以“精准利用”(Exploitation)为导向的目标函数，正是导致过滤气泡的机制性根源。算法为了提高CTR/CVR，会天然地倾向于推荐那些用户过去最有可能点击或购买的同类商品，而“探索”(Exploration)新颖或多样化的商品则可能带来点击率下降的短期风险[1]。
2.2. “过滤气泡”现象及其在跨境电商中的挑战
“过滤气泡”概念由[3]提出，描述了互联网个性化筛选机制(尤其是算法驱动的)导致用户陷入信息茧房，视野受限的现象。其形成机制主要包括：
算法偏好强化：推荐算法为了最大化短期用户满意度(如点击率、购买率)，倾向于推荐用户过去表现出兴趣的内容，不断强化已有偏好。
用户行为反馈循环：用户更倾向于点击和消费自己熟悉或喜欢的内容，这种行为数据又反过来被算法学习，进一步固化了推荐的同质化。
过滤气泡的负面影响包括：降低信息接触的多样性、固化认知偏见、减少Serendipity (意外发现的惊喜)的机会[5]。Serendipity是指用户意外地发现相关且有价值的信息或商品的过程，这对提升用户满意度和忠诚度至关重要。过滤气泡通过过度个性化，系统性地排除了这种“意外之喜”的可能性。
在跨境电商场景下，过滤气泡的挑战尤为严峻：
放大文化与信息壁垒：算法可能优先推荐与用户本国文化、消费习惯相似的商品，使得用户难以接触和了解来自其他文化背景的新颖、特色商品。
抑制对“长尾”商品的探索：对于知名度较低的海外品牌或利基品类，如果未能进入用户的初始兴趣范围，推荐算法可能使其“永无出头之日”，加剧销售的马太效应。
用户兴趣固化：长期处于过滤气泡中的用户，其跨文化、跨品类的探索意愿可能逐渐降低，不利于个人视野的拓宽和平台品类的均衡发展。
2.3. 激励营销策略及其心理机制
激励营销是指通过提供额外的利益或奖励来刺激消费者的特定行为(如购买、试用、推荐等)的营销活动[8]。常见的激励形式包括价格激励(如直接折扣、满减优惠、限时特价、优惠券等)和非价格激励(如积分奖励、会员特权、赠品、包邮服务、独家购买权等)。
激励营销通过影响消费者的感知价值、购买紧迫感、风险感知以及互惠心理等，有效引导其决策。其核心心理机制包括：
交易效用理论(Transaction Utility Theory)：消费者从交易中获得的效用不仅包括商品本身的“获得效用”，还包括对这笔“交易”划算程度的感知，即“交易效用”[10]。激励(如优惠券)能显著提高交易效用，从而促进购买。
感知风险降低(Perceived Risk Reduction)：尝试新品类或不熟悉的海外商品存在功能、财务、社会等多方面的感知风险。激励(如折扣、免费试用、包邮退换)可以降低消费者尝试的财务成本和心理负担，有效降低感知风险。
互惠原则(Reciprocity)：平台提供的激励可能被消费者视为一种善意，从而激发其互惠心理，更愿意尝试平台推荐的新品类。
价格激励通常能快速提升短期销售，而非价格激励则有助于培养用户忠诚度和长期关系。在引导消费者尝试新品类方面，激励可以降低尝试的门槛和风险，提高其探索意愿。
本文认为激励策略通过两条路径发挥调节作用：
1) 决策干预机制(绕过算法)：激励作为强外部信号，直接提升商品的交易效用，促使用户在当下忽略算法推荐的排序，直接发生购买。
2) 反馈重塑机制(影响算法)：激励诱发的探索性点击/购买产生新的异质性数据，输入推荐系统，迫使算法在下一轮迭代中拓宽推荐边界(即“驯化算法”)。
2.4. 消费者跨品类行为
消费者的跨品类购买行为指的是消费者在其通常购买的核心品类之外，购买其他不同品类商品的现象。这种行为对平台和消费者都具有重要意义：
对平台：增加用户粘性、提升用户生命周期价值[11]、带动新品类或低迷品类的销售、优化库存结构、发现新的市场增长点[6]。
对消费者：满足多样化需求、获得新体验、发现性价比更高的替代品、增加购物乐趣。
影响跨品类购买的因素众多：
认知转换成本(Cognitive Switching Costs)：从熟悉的品类转换到不熟悉的品类，需要学习新的产品知识和决策规则。
感知风险(Perceived Risk)：如前所述，担心新品类不符合预期或质量不佳。
认知锁定(Cognitive Lock-in)：长期重复购买特定品类导致的行为惯性和认知惰性。
算法推荐带来的过滤气泡，通过减少新信息的曝光，同时强化了搜索成本(因为新品类更难被“搜”到)和认知锁定，成为阻碍消费者进行跨品类探索的重要屏障。
2.5. 跨境电商的特殊性：心理距离与信任赤字
相较于国内电商，跨境电商具有更显著的复杂性[12]，这些因素会与过滤气泡和激励营销产生强烈的交互作用：
心理距离(Psychic Distance)：这是源于国际商务的概念，指由文化、语言、商业实践、教育水平等差异造成的感知距离。在CBEC中，消费者对海外商品存在高心理距离，导致理解困难和偏好差异。过滤气泡会优先推荐心理距离近的(如文化相近或已在本国流行的)商品，进一步固化了这种距离。
信任赤字(Trust Deficit)：消费者对不熟悉的海外商家、品牌、支付安全和物流承诺缺乏天然的信任。这种信任赤字极大地提高了尝试新品类(尤其是高价值或体验型商品)的门槛。
物流与交易摩擦(Logistics and Transaction Friction)：涉及国际运输、清关、关税等环节，成本高、周期长、不确定性大。退换货流程的复杂性更是显著增加了购买的感知风险。
在这样的背景下，推荐系统的个性化能力显得尤为重要，但过度个性化导致的过滤气泡问题也可能被放大。同时，营销策略(尤其是激励措施，如包邮、运费险、价格补贴)的设计，不仅要考虑促销，更要承担起降低心理距离、弥补信任赤字、对冲物流摩擦的重要功能。
3. 概念框架与研究命题
3.1. 核心构念界定
过滤气泡强度(Filter Bubble Strength)：指衡量用户在平台上接收到的推荐内容与其已有兴趣图谱的同质化程度[13]。这是一个客观的、可计算的构念。
1) 品类集中度(Category Concentration)：使用赫芬达尔–赫希曼指数(HHI)或基尼系数(Gini Coefficient)计算用户在一定时间窗口内(如过去30天)收到的推荐商品所属品类的集中度。指数越高，过滤气泡越强。
2) 新颖性(Novelty)：计算推荐列表中用户从未互动过(浏览/点击/购买)的商品或品类的比例。比例越低，气泡越强。
3) 多样性(Diversity/Intra-List Similarity)：计算推荐列表中所有商品对之间的平均内容不相似度(如基于商品属性、文本描述计算余弦不相似度)。平均不相似度越低，气泡越强。
“算法–用户–激励”动态循环模型超越了单向影响视角，认为过滤气泡是算法策略与用户内在特质动态博弈的结果。
在这个模型中，用户的“内在探索特质”是一个关键的调节变量。高探索性用户倾向于主动搜索信息，对算法推荐的依赖度低，天然具有“气泡免疫力”；而低探索性用户(或高认知闭合需求者)更倾向于接受算法的“喂养”，容易陷入“算法偏好强化→用户点击集中→算法进一步窄化”的恶性循环。
激励营销策略在此模型中扮演“循环阻断者”(Loop Breaker)的角色。它不仅在单次交易中降低用户的试错成本(感知风险) [14]，更重要的是，它能诱导用户产生一次“非惯性”的跨品类购买。这种异质性的行为数据一旦被回传给推荐系统，就能打破原有的数据同质性，促使算法在下一轮推荐中自动调整权重，从而在长期内重塑“算法–用户”的互动关系。
1) 激励类型(Type)：分类变量。例如：a) 通用折扣(对照组)；b) 熟悉品类折扣；c) 跨品类优惠券(购买A品类，获得B品类优惠券)；d) 品类组合折扣(A + B品类同购折扣)；e) 新品类试用激励(如免费样品、专属包邮)。
2) 激励幅度(Magnitude)：连续变量(如折扣百分比、满减金额)或定序变量(如低/中/高)。
3) 激励目标性(Targeting)：分类变量。a) 普适性(所有用户可见)；b) 精准推送(仅推送给高过滤气泡强度的用户)。
消费者跨品类行为(Consumer Cross-Category Behavior)：指消费者在给定时间窗口内，购买其历史核心品类之外的新品类的意愿与实际行动。
1) 近迁移探索(Similar Category Exploration)：在与原核心品类功能互补或属性相似的品类中购买(例如：买女装→买女鞋)。此时认知转换成本低。
2) 远迁移探索(Dissimilar Category Exploration)：在与原核心品类毫无关联、跨度极大的品类中购买(例如：买母婴→买汽车配件)。此时认知转换成本高[15]。
3.2. 研究命题
H1：过滤气泡对跨品类行为的负向影响。
推荐算法为了优化短期指标，倾向于推荐用户熟悉的品类，减少了用户接触和了解其他品类的机会。尤其在跨境场景下，对陌生品类的信息不对称和感知风险较高，过滤气泡将进一步抑制用户的探索意愿。
命题1 (P1)：在跨境电商中，AI推荐算法产生的过滤气泡强度越高，消费者的跨品类购买意愿越低。
命题2 (P2)：在跨境电商中，AI推荐算法产生的过滤气泡强度越高，消费者的实际跨品类购买行为越少。
H2：激励营销策略对跨品类行为的正向调节作用。
针对跨品类购买的激励措施可以直接降低消费者尝试新品类的经济成本和感知风险，提供外部驱动力，从而抵消过滤气泡带来的视野局限。
命题3 (P3)：在面对“利用型算法”产生的高强度气泡时，针对“低探索特质”用户，降低风险型激励(如“新品类退货免运费”、“小样试用”)比单纯的价格型激励(如“满减折扣”)更能有效激发其跨品类行为，因为这类用户的主要障碍是规避不确定性而非价格敏感。
H3：激励营销策略的有效性差异。
不同类型的激励策略，其引导效果可能不同。例如，直接提供目标新品类的优惠券比提供通用优惠券更能精准引导跨品类尝试。激励的幅度也影响其吸引力。
命题5 (P5)：相比于通用性激励或针对单一品类的激励，明确指向跨品类组合或目标新品类的激励营销策略，在促进跨品类行为方面的效果更显著。
命题6 (P6)：激励营销策略的幅度越大(在合理范围内)，其促进跨品类行为的效果越强。
命题7 (P7)：将跨品类激励营销策略精准推送给处于强过滤气泡中的用户，比普适性推送更能有效提升整体的跨品类购买水平。
H4：对品类销售结构的影响。
过滤气泡固化用户偏好，使得销售集中于少数热门品类。而促进跨品类行为的激励营销，则可能激活更多品类的销售，提升销售多样性。
命题8 (P8)：过滤气泡强度越高，跨境电商平台的品类销售集中度越高(销售多样性越低)。
命题9 (P9)：有效促进跨品类行为的激励营销策略的实施，将有助于降低跨境电商平台的品类销售集中度，提升品类销售多样性。
H5：跨境情境变量的调节作用。
心理距离越远，消费者对算法推荐的依赖度越高，气泡的负面锁定效应越强。如果信任赤字和物流摩擦过高，普通的“价格激励”将失效；只有针对性的“降低风险激励”才能起作用。
命题10 (P10)：消费者感知到的心理距离正向调节过滤气泡对跨品类购买意愿的负向影响。即：对于心理距离较远(如文化差异大、认知度低)的品类，过滤气泡对用户探索意愿的抑制作用更显著；而对于心理距离较近的品类，气泡的锁定效应相对较弱。
命题11 (P11)：信任赤字和物流摩擦负向调节“价格型激励”的有效性。即：当消费者对新品类存在高信任疑虑或高物流担忧时，单纯的价格折扣(如满减)促进跨品类购买的效果会减弱。
4. 讨论与启示
本研究构建的概念框架具有多方面的重要意义：
1) 深化过滤气泡的权变性理解：本文将过滤气泡的研究从信息、新闻领域拓展到跨境电商领域，并关注其对消费者具体购买行为(跨品类)的影响，揭示了算法个性化在商业场景下可能存在的“双刃剑”效应。更重要的是，通过引入中介机制(感知多样性、认知锁定)和调节变量(激励、用户异质性)，本研究指出过滤气泡并非一个绝对的、同质化的负面现象，其影响强度和后果是情境依赖的。
2) 拓展激励营销理论：传统上，激励营销多被用于提升短期销售或特定产品推广。本研究将其定位为对抗算法负面效应、引导长期健康消费行为(如探索性购买)的战略工具，拓展了激励营销理论的应用范畴，并强调了其在数字平台治理中的潜在作用。本文还指出了激励设计应与跨境电商的独特障碍(如高物流成本、高感知风险)相匹配。
3) 丰富跨境电商研究：针对跨境电商信息不对称、文化差异等特殊挑战(即“心理距离”)，本研究探讨了过滤气泡可能加剧这些问题，以及激励营销如何被设计用来克服这些障碍，为跨境电商领域的消费者行为和平台策略研究提供了新的切入点。
4) 不同于以往研究将跨境电商环境视为同质化背景，本研究将心理距离、信任赤字和物流摩擦识别为CBEC情境下的关键边界条件。模型显示，心理距离的增加会显著放大过滤气泡的“认知锁定”效应。因此，针对跨境场景的激励策略不能仅停留在价格层面，必须向风险对冲层面升级。此外，我们将跨品类行为解构为“近迁移”与“远迁移”，发现过滤气泡主要抑制了高认知成本的远迁移探索，而激励策略正是通过“短期绕过算法决策”与“长期重塑算法权重”的双重机制，在远迁移探索中发挥了决定性的“破壁”作用。
关注长期用户价值与平台生态：管理者不应只关注短期热门品类的销售额，而应认识到促进跨品类购买对于提升用户生命周期价值、激活长尾商品、构建健康多元平台生态的长远意义。应将品类销售多样性作为平台健康度的重要考核指标。
5. 研究局限与未来展望
本研究主要贡献在于提出一个整合性的理论框架和一系列可供检验的研究命题。然而，它也存在一些固有的局限性：
1) 实证检验的缺失：本文的核心内容是理论构建，并未提供实证数据来验证所提出的命题。框架的有效性和命题的准确性有待未来实证研究的检验。这是SCD文章的固有特性，其价值在于为后续实证研究提供坚实的理论蓝图。
2) 构念测量的挑战：如何准确、可靠地测量“过滤气泡强度”、“感知多样性”、“认知锁定”等核心构念，尤其是在真实的、动态的电商环境中，是一个具有挑战性的问题。未来的实证研究需要精心设计测量工具(如开发validated scales)和实验方案(如模拟购物环境)。
3) 内生性问题(Endogeneity)：本文探讨了过滤气泡对跨品类行为的影响，但两者之间可能存在反向因果关系或共同受第三方因素(如用户固有的探索性)影响。例如，用户本身探索性差，导致其行为单一，算法只是“如实反映”了这种偏好，而非“制造”了气泡。未来的实证研究需要采用先进的计量经济学方法(如工具变量法、双重差分法)或精巧的实验设计来谨慎处理内生性问题。
4) 模型的简化性：为了突出核心关系，本框架可能忽略了其他重要的影响因素和调节变量。例如，消费者的个人特质(如购物目标导向vs.体验导向、风险规避)、社会网络影响(如用户评论、KOL推荐)、平台界面设计(如品类导航的便利性)等都可能影响过滤气泡的形成、激励的效果以及跨品类行为。
5) 动态与长期效应：本框架主要从一个相对静态的视角描述变量间的关系。然而，过滤气泡的形成和打破、激励营销的效果都可能是一个动态、长期的过程。用户对激励的反应可能出现钝化(“激励疲劳”)；算法也会根据用户的跨品类行为动态调整推荐策略。未来的研究可以采用纵向数据(Panel Data)或动态系统建模来捕捉这些长期演化过程。
6. 结论
在日益繁荣但也竞争激烈的跨境电商市场中，人工智能推荐算法是提升效率和个性化体验的关键赋能者。然而，其与生俱来的优化目标(如最大化CTR/CVR)可能导致“过滤气泡”效应。这一效应在信息与文化壁垒(心理距离)本就较高的跨境场景下被进一步放大，可能限制消费者的视野，抑制其对全球多元好物的跨品类探索行为，进而固化平台的销售结构，不利于长期的生态健康与用户价值增长。
本文通过构建一个结构化的概念框架，系统地阐述了AI推荐过滤气泡通过降低感知多样性、增强认知锁定等中介机制，对跨境电商消费者跨品类行为产生的潜在负面影响。更重要的是，本文将激励营销策略定位为一种有力的、可设计的干预工具，提出其可以通过提供交易效用、降低感知风险等方式，有效调节过滤气泡的负面效应，激发消费者的跨品类购买。框架进一步探讨了不同激励策略(如品类定向、精准推送)和消费者异质性(如寻求多样性倾向、跨境经验)在这一过程中的调节作用，并将个体行为与平台宏观的品类销售结构相联系。
本研究的理论贡献在于整合了推荐系统、营销学和消费者行为学等领域的知识，为理解算法驱动环境下市场营销的新挑战与新机遇提供了理论视角。其实践启示在于，提醒跨境电商平台在享受个性化推荐红利的同时，应警惕并量化过滤气泡风险，并通过战略性地设计和实施针对性的激励营销策略，来平衡“精准利用”与“多样探索”，实现用户价值提升与平台可持续发展的双赢。未来的实证研究将对本文提出的框架和命题进行检验，以期为跨境电商的智能化、多元化发展提供更坚实的理论指导和实践依据。