1. 引言
随着共享经济模式的蓬勃发展，诸如闲鱼、滴滴出行等平台已深刻改变了资源分配与消费习惯。这些平台的核心引擎——智能推荐系统，在高效匹配非标准化资源与个性化需求方面扮演着决定性角色。与亚马逊、淘宝等传统电商平台主要促进标准化商品所有权交易不同，共享平台的核心是促成对闲置资源使用权的、基于信任的临时性交易[1]。这一根本差异使得共享平台推荐系统必须深度整合信任构建、社交关系与情境适配等独特要素[2]。
然而，现有文献对于推荐系统的研究存在“情境模糊性”。大量成果植根于传统电商范式，其结论可能无法直接适用于共享经济这一特殊情境[3]。尽管少数研究开始关注共享平台推荐系统[4]，但多数仍停留在验证其宏观效用层面，未能深入打开“算法特征如何通过用户内在心理状态影响行为”这一“黑箱”。具体而言，共享平台推荐系统的哪些核心特征最为关键？这些特征是通过提升用户的信息处理效率，还是通过增强其感知到的综合价值来发挥作用？这些机制性问题尚未得到系统解答。
为弥补上述研究缺口，本研究引入“刺激–机体–反应”理论框架，旨在构建并检验一个针对共享经济情境的推荐系统影响机制模型。具体研究问题包括：(1) 共享平台推荐系统的信任满意度、个性化与社交化特征如何直接影响消费者行为？(2) 信息认知与顾客让渡价值是否在上述直接影响路径中发挥中介作用？本研究通过对典型共享平台用户的实证调查，力求在理论上厘清共享情境下算法推荐的作用路径，在实践上为平台优化推荐算法设计提供依据。
2. 文献综述与假设提出
2.1. 共享平台推荐系统的核心维度
区别于传统电商，共享平台推荐系统面临三重核心任务：在陌生人之间建立信任、在非标资源中实现精准匹配、在交易中融入社交与情境因素。因此，本研究聚焦其三个关键维度第一个是信任满意度，推荐系统通过展示信誉背书(如评价、认证)来降低感知风险、建立可靠性的能力，这是共享交易的基础[5]。第二个是个性化，基于用户历史行为数据进行精准资源匹配的能力，旨在解决信息过载问题。本研究中的“信任满意度”指推荐系统通过信誉展示、评价透明、认证机制等方式构建用户对平台或资源可靠性的感知；而“社交化”则侧重于推荐内容是否融入用户的社交网络、社群互动或他人行为信号，旨在利用社会影响辅助决策。二者在共享平台中虽常共存，但理论上前者更侧重可靠性，后者更侧重社会性。第三个是社交化，推荐内容融入用户社交图谱或社群信号的程度，利用社会影响促进决策[6]。
2.2. 理论基础与模型构建
“刺激–机体–反应”框架是解释环境线索如何通过影响个体内在状态，最终导致行为反应的有效范式[7]。在本研究中刺激指共享平台推荐系统呈现的三种特征——信任型、个性化、社交化。机体指用户内部发生的心理与认知过程，即信息认知与顾客让渡价值。信息认知指用户感知到的推荐系统在帮助其理解、筛选和评估资源方面的效能[8]；顾客让渡价值指用户感知到的总价值与总成本之间的差额，在共享情境下，价值不仅包括功能价值，更包含情感、社交及信任价值[9]。反应指最终可观测的消费者行为结果，本研究聚焦于购买选择(决策倾向)、购买效率(决策速度与频率)和购买心理(决策时的安全感与满意度)。基于S-O-R框架，并提出以下假设：
H1：共享平台推荐系统的信任满意度积极影响消费者的购买选择。
H2：共享平台推荐系统的信任满意度积极影响消费者的购买效率。
H3：共享平台推荐系统的信任满意度积极影响消费者购买心理。
H4：共享平台推荐系统的个性化积极影响消费者购买选择。
H5：共享平台推荐系统的个性化积极影响消费者购买效率。
H6：共享平台推荐系统的个性化积极影响消费者购买心理。
H7：共享平台推荐系统的社交化积极影响购买选择。
H8：共享平台推荐系统的社交化积极影响购买效率。
H9：共享平台推荐系统的社交化积极影响购买心理。
关于消费者特征的中介作用，研究指出个性化推荐类型(如基于内容和协同过滤)对消费者感知信任、感知价值和购买意愿的影响存在显著差异。在探讨个性化推荐类型与消费者购买意愿之间的关联时，消费者对于推荐系统的信任感知和所获得的价值感知成为了关键的中间桥梁。此外，不容忽视的是，消费者自身的知识储备在个性化推荐类型与其感知价值之间起到了至关重要的调节效应。这一发现进一步揭示了个性化推荐系统如何影响消费者的购买决策过程。基于上述分析，为检验中介效应，并简化模型，本研究在后续的中介效应分析中，将信任满意度、个性化与社交化三个维度得分均值化，合成为“共享平台推荐系统”整体构念进行考察，本文提出图1研究模型以及以下假设：
H10：信息认知在共享平台推荐系统与消费者行为影响中起中介作用。
H11：顾客让渡价值在共享平台推荐系统与消费者行为影响中起中介作用。
3. 研究方法
3.1. 数据收集与样本
本研究通过线上问卷星平台进行数据收集，采用随机抽样方法。问卷对象为具有共享平台使用经验的用户。经过筛选剔除无效问卷后，共获得有效样本218份。样本人口统计学特征如表1所示：男性105人(48.17%)，女性113人(51.83%)；年龄以35岁及以下为主(70.19%)；职业以公司职员、专业人员和学生为主；教育程度涵盖高中至硕士。样本结构与主流共享平台用户画像基本相符，具有一定代表性。
Figure 1. S-O-R framework model diagram
图1. S-O-R框架模型图
Table 1. Basic information of the sample (N = 218)
表1. 样本基本信息(N = 218)
样本特征 |
分类标准 |
频率 |
百分比 |
性别 |
男 |
105 |
48.17 |
女 |
113 |
51.83 |
年龄分组 |
25岁以下 |
121 |
55.51 |
25~35岁 |
32 |
14.68 |
36~45岁 |
26 |
11.93 |
45岁以上 |
39 |
17.89 |
受教育程度 |
高中/中专及以下 |
50 |
22.93 |
大专 |
45 |
20.64 |
本科 |
101 |
46.33 |
硕士及以上 |
22 |
10.09 |
3.2. 变量测量
所有潜变量均采用李克特5点量表测量(1 = 非常不同意，5 = 非常同意)。量表主要参考国内外成熟文献，并结合共享平台情境进行语义调整。自变量(推荐系统特征)：包含信任满意度、个性化、社交化三个维度。中介变量：信息认知；顾客让渡价值。因变量(消费者行为)：包含购买选择、购买效率、购买心理。控制变量：性别、年龄、学历、职业。
3.3. 数据分析方法
使用SPSS 26.0进行数据分析。步骤包括信效度分析、相关性分析、多元层级回归分析与Bootstrap法。
4. 实证分析
4.1. 信度与效度
首先，本研究通过KMO检验和Bartlett球形检验评估量表的结构效度，信度分析表明，总量表的克隆巴赫α系数为0.939，各变量维度的α系数介于0.792至0.825之间(见表2)，表明量表具有优秀的内部一致性。效度方面，KMO值为0.923，巴特利特球形检验显著(近似卡方 = 2857.913，p < 0.001)，表明数据适合进行因子分析。
Table 2. Reliability test
表2. 信度检验
变量 |
维度 |
Cronbach’s Alpha |
信息认知 |
信息认知 |
0.796 |
顾客让渡价值 |
顾客让渡价值 |
0.818 |
共享平台推荐系统 |
信任满意 |
0.807 |
0.916 |
个性化 |
0.811 |
社交化 |
0.792 |
消费者行为 |
购买选择 |
0.799 |
0.921 |
购买效率 |
0.819 |
购买心理 |
0.819 |
效度指所得到的数据结果与想要研究的目标的匹配度，通常用KMO和Bartlett球形度来检验量表结构效度，KMO的取值在[0, 1]之间，并且KMO检验值越接近±1相关性就会越强。在进行数据分析之前，为确保测量变量间存在足够的关联性，为后续的深入分析奠定了坚实的基础。我们针对问卷中的各个变量逐一进行KMO测试和Bartlett球体检验，以确保数据的可靠性及适用性(见表3)。
Table 3. Validity test
表3. 效度检验
KMO和巴特利特检验 |
KMO |
0.923 |
巴特利特球形度检验 |
近似卡方 |
2857.913 |
自由度 |
630 |
显著性 |
<0.001 |
4.2. 相关性分析
如表4所示，所有核心变量间均存在显著的正相关关系(p < 0.01)，为后续的假设检验提供了初步支持。例如，购买选择与信任满意度、个性化、社交化、信息认知及顾客让渡价值的相关系数分别为0.684，0.657，0.679，0.718，0.601。
购买选择与信任满意度(r = 0.684, p < 0.01)个性化(r = 0.657, p < 0.01)、社交化(r = 0.679, p < 0.01)信息认知(r = 0.718, p < 0.01)，以及顾客让渡价值(r = 0.601, p < 0.01)均显示出显著正相关。
购买效率与信任满意度(r = 0.631, p < 0.01)个性化(r = 0.653, p < 0.01)社交化(r = 0.619, p < 0.01)信息认知(r = 0.679, p < 0.01)和顾客让渡值(r = 0.536, p < 0.01)显著正相关。
购买心理与信任满意度(r = 0.531, p < 0.01)个性化(r = 0.565, p < 0.01)社交化(r = 0.527, p < 0.01)信息认知(r = 0.581, p < 0.01)和顾客让渡价值(r = 0.563, p < 0.01)也表现出显著的正相关性。
Table 4. Correlation analysis of each variable
表4. 各变量相关性分析
|
购买选择 |
购买效率 |
购买心理 |
信任满意 |
个性化 |
社交化 |
信息认知 |
顾客让渡价值 |
购买选择 |
1 |
|
|
|
|
|
|
|
购买效率 |
0.612** |
1 |
|
|
|
|
|
|
购买心理 |
0.587** |
0.532** |
1 |
|
|
|
|
|
信任满意 |
0.684** |
0.631** |
0.531** |
1 |
|
|
|
|
个性化 |
0.657** |
0.653** |
0.565** |
0.659** |
1 |
|
|
|
社交化 |
0.679** |
0.619** |
0.527** |
0.676** |
0.686** |
1 |
|
|
信息认知 |
0.718** |
0.679** |
0.581** |
0.696** |
0.757** |
0.703** |
1 |
|
顾客让渡价值 |
0.601** |
0.536** |
0.563** |
0.625** |
0.616** |
0.581** |
0.641** |
1 |
*p < 0.05, **p < 0.01, ***p < 0.001.
4.3. 直接效应与中介效应检验
回归分析结果支持了假设H1至H9。共享平台推荐系统的信任满意度、个性化与社交化均对消费者的购买选择、购买效率与购买心理具有显著的正向影响(所有路径p < 0.01)。通过Baron和Kenny的步骤或Sobel测试来检验中介效应的存在。结果如表5所示。
Table 5. The mediating effect of information cognition and customer delivered value in the recommendation system of shared platforms on consumer behavior
表5. 信息认知与顾客让渡价值在共享平台推荐系统对消费者行为的中介效应
变量 |
信息认知 模型1 |
顾客让渡价值 模型2 |
消费者行为 模型3 |
消费者行为 模型4 |
常量 |
0.303 (1.231) |
0.995 (2.967)** |
0.786 (2.632)** |
0.499 (1.75) |
性别 |
−0.01 (−0.144) |
−0.013 (−0.14) |
0.027 (0.326) |
0.032 (0.422) |
年龄 |
−0.024 (−0.887) |
−0.03 (−0.804) |
−0.045 (−1.369) |
−0.032 (−1.027) |
学历 |
0.069 (2.374)* |
0.05 (1.251) |
0.011 (0.298) |
−0.021 (−0.627) |
职业 |
−0.002 (−0.075) |
−0.075 (−2.18)* |
0.004 (0.114) |
0.019 (0.638) |
共享平台推荐系统 |
0.859 (18.551)*** |
0.743 (11.802)*** |
0.982 (17.498)*** |
0.566 (6.258)*** |
信息认知 |
|
|
|
0.319 (4.032)*** |
顾客让渡价值 |
|
|
|
0.192 (3.296)** |
|
0.82 |
0.702 |
0.801 |
0.83 |
|
0.673 |
0.493 |
0.641 |
0.69 |
|
87.056*** |
41.21*** |
75.662*** |
66.609*** |
*p < 0.05, **p < 0.01, ***p < 0.001.
共享平台推荐系统显著正向影响信息认知(模型1，β = 0.859，p < 0.001)和顾客让渡价值(模型2，β = 0.743，p < 0.001)。
共享平台推荐系统显著正向影响消费者行为(模型3，β = 0.982，p < 0.001)。
当同时放入推荐系统、信息认知和顾客让渡价值时(模型4)，推荐系统对消费者行为的直接影响依然显著但系数减小(β = 0.566, p < 0.001)，而信息认知(β = 0.319, p < 0.01)和顾客让渡价值(β = 0.192, p < 0.01)的影响也显著。这符合部分中介效应的判断条件。
进一步的Bootstrap检验(见表6)量化了中介效应：总间接效应为0.4162，占总效应(0.9824)的42.37%。其中，通过信息认知的中介效应为0.2738 (占比27.87%)，通过顾客让渡价值的中介效应为0.1424 (占比14.50%)。假设H10与H11得到支持。
Table 6. Bootstrap effect test results
表6. Bootstrap效应检验结果
|
Effect |
SE |
LLCI |
ULCI |
效应占比 |
总效应 |
0.9824 |
0.0561 |
0.6717 |
0.903 |
|
直接效应 |
0.5662 |
0.0905 |
0.3878 |
0.7446 |
57.63% |
总间接效应 |
0.4162 |
0.0979 |
0.2238 |
0.6052 |
42.37% |
信息认知 |
0.2738 |
0.0886 |
0.0977 |
0.445 |
27.87% |
顾客让渡价值 |
0.1424 |
0.0507 |
0.0446 |
0.2435 |
14.50% |
信息认知–顾客让渡价值 |
0.1314 |
0.1062 |
−0.0818 |
0.3362 |
- |
5. 讨论与结论
5.1. 研究结果讨论
本研究通过实证数据验证了理论模型，主要发现如下：共享平台推荐系统的三个维度均表现出显著驱动作用，但信任满意度的影响贯穿始终且在多条路径中系数突出。这证实了在共享经济“陌生人交易”的底层逻辑下，推荐系统的核心功能之一是充当信任中介。算法通过对信誉信息的整合与呈现，直接降低了用户的感知风险，这是其区别于传统电商推荐的核心情境特征。其次，社交化推荐的影响呈现出复杂性。虽然它对购买选择和行为效率有正向影响，但其作用强度在某些路径中相对较弱。这暗示用户可能对社交推荐持有一种“工具性利用”态度——参考社交信息辅助决策，但未必因此产生更深的情感依赖或心理安全。这提示平台需审慎平衡社交推荐的实用性与可能带来的隐私顾虑。最后，双重中介路径的证实是本研究的关键理论贡献。信息认知与顾客让渡价值合计解释了超过42%的影响效应，表明推荐系统主要通过“赋能”(提升信息处理能力)和“增值”(提升综合价值感知)两条心理路径间接驱动用户行为。其中，信息认知的路径效应更强，突显了在信息过载的共享环境中，推荐系统的信息减负与澄清功能是其基础价值所在。
5.2. 理论贡献
通过聚焦共享平台，并明确其推荐系统的信任、社交维度，本研究将推荐系统研究从泛化的电商场景推进到更具复杂性的共享经济情境，回应了细分平台类型的研究呼吁。
成功应用S-O-R框架，打开了推荐系统影响行为的心理“黑箱”，实证揭示了信息认知与顾客让渡价值两条关键的中介路径，为理解算法与人互动的内在过程提供了细致见解。
实证整合：研究不仅验证了直接影响，还量化了间接效应的比重，提供了关于各路径相对重要性的实证证据，对现有理论进行了有益的补充与整合。
5.3. 管理启示
对共享平台运营者的启示在于优先构建“可信的推荐”，应持续优化信任信号的算法集成与可视化展示，如强化信用评价体系、引入权威认证标签，将信任构建作为推荐算法的核心目标之一。其次明确推荐系统的“信息助手”定位，优化推荐的可解释性，尝试提供“推荐理由”(如“根据您的浏览历史”)，并开发信息对比、摘要生成等辅助功能，直接提升用户的信息认知效能。其次是精细化运营社交推荐，在利用社交数据时，应提供用户控制权(如开关社交推荐)，并探索更尊重隐私的推荐方式(如匿名化的“社群趋势”)，以减轻用户的心理负担。平台在设计推荐系统时应考虑用户群体的异质性，如针对高隐私敏感用户提供“匿名化推荐”选项，或在不同类型的共享服务中差异化强调信任或社交元素。最后突出综合价值主张，在推荐中，不仅展示价格与功能，也可合理呈现环保、互助、社区支持等共享经济特有的情感与社会价值，全方位提升顾客让渡价值感知。
5.4. 研究局限与未来展望
本文的研究局限有，首先，在样本方面存在两点局限：(1) 样本量(N = 218)相对有限，虽然满足基础统计分析的要求，但可能限制了模型检验的效力，特别是对于潜在的子群体差异分析(如高低频用户对比)。(2) 尽管采用了随机抽样，但样本在年龄和平台类型覆盖上仍可更均衡。未来研究应采用分层抽样或配额抽样方法，系统性地扩大样本规模(如N > 500)，并确保覆盖更广泛的年龄层、收入水平及职业背景的用户。更重要的是，应区分并比较不同类型的共享平台用户，例如，将专注于C2C闲置交易(如闲鱼)的用户与B2C/B2C共享服务(如滴滴出行、Airbnb)的用户进行对比研究，以检验本研究结论在不同共享模式下的边界条件与普适性。本研究将消费者行为操作化为购买选择、效率与心理三个维度。从行为逻辑上看，购买选择与效率可合并为“行为意向与执行”，购买心理则属于“情感与认知体验”。未来研究可考虑将其整合为“行为响应”与“心理响应”两个综合维度，以简化模型并增强解释力。未来研究可进一步探索其他潜在的中介变量(如心流体验)或调节变量(如个人隐私关注度、文化背景)，以更完整地描绘共享平台推荐系统的复杂影响图景；未来研究可致力于开发并验证更精准的共享平台推荐系统测量量表，通过探索性因子分析和验证性因子分析，确保“信任构建”、“社交影响”与“个性化”等核心维度在统计上和心理测量学上具有明确的区分效度。
基金项目
国家自然科学基金项目(项目编号：72103178，72373129)；扬州大学研究生科研与实践创新计划项目(KYCX25_3904)；扬州大学高端人才支持计划资助基金；江苏省“青蓝工程”资助项目。