在線個性化推薦系統(tǒng)消費者采納影響因素研究

齊莉麗+王丹

內(nèi)容摘要：信息超載的難題使得消費者很難在海量的商品信息中快速找到目標，個性化推薦系統(tǒng)應運而生且應用日趨廣泛，但仍然被許多消費者拒絕采納，精準找出影響用戶最終采納行為的因素對提高推薦系統(tǒng)效率具有重要意義。本文在改進技術整合模型基礎上新增關鍵因子，構建用戶采納影響因素的理論模型；然后通過實證研究明確各因子之間的關系以及對用戶采納意向的影響程度?；趯嵶C結果，對個性化推薦系統(tǒng)提出改進建議。

關鍵詞：個性化推薦系統(tǒng) UTAUT模型 用戶采納 影響因素

中圖分類號：C931.6 文獻標識碼：A

概念模型與研究假設

學者Venkatesh在借鑒TAM模型的基礎上，提出了整合型技術接受與使用理論模型，即UTAUT模型。該模型精煉地凝聚了四個核心變量即努力期望、績效期望、促成條件和社群影響，這也是對用戶的信息技術接受與使用行為起決定性作用的變量，以及四個對以上核心維度有顯著影響的調(diào)節(jié)變量即性別、年齡、經(jīng)驗和自愿。其中，用戶的采納意愿和便利條件直接影響其采納行為，并且采納意愿不受其他變量影響。努力期望、績效期望和社群影響則是通過影響用戶的采納意愿而間接地影響其采納行為。

UTAUT模型擁有較好的分析和解釋能力，已成為預測和解釋使用者接受信息技術行為的可靠有效模型之一。因此，本文基于UTAUT模型進行了改進和擴展，綜合考慮個性化推薦系統(tǒng)的發(fā)展和消費者變化，認為電子商務推薦系統(tǒng)自身的特性和用戶的心理特性也是影響用戶采納的重要因素，將研究變量擴展為包含績效期望、努力期望、社群影響、感知推薦質(zhì)量、感知時效性、沉浸體驗、感知風險、自我認知、采納意愿和采納行為10個變量，以期更系統(tǒng)和全面地解析消費者采納個性化推薦系統(tǒng)的影響因素，如圖1所示。

基于以上概念模型，本文提出研究假設如表1所示。

量表設計和問卷調(diào)查

問卷的設計主要包括三個部分。第一部分是問卷說明；第二部分包含了甄別性問題，主要是受訪者的基本情況，如性別、年齡、受教育程度、職業(yè)、網(wǎng)購頻率以及對推薦系統(tǒng)的了解程度等；第三部分包含了研究模型中所有變量的測度題項。本文采用Likert 5級量表，受訪者需根據(jù)自身情況，對每個題項的認同程度勾選判斷，選項包括“很不同意”、“不同意”、“一般”、“同意”、“非常同意”五個級別。在問卷初稿完成后，首先在經(jīng)常進行網(wǎng)購的消費者中進行了問卷預調(diào)研，共收集到有效前測樣本117份，根據(jù)數(shù)據(jù)分析結果對問卷進行修正和完善后，正式問卷共包括了33個題項。

正式調(diào)研共收集問卷556份，進行篩選整理后最終得到有效問卷488份?？傮w樣本中女性占45.8%，男性占54.2%，大學本科和碩士研究生占比79%。購買頻率方面，將近一半的被調(diào)查者每月都會進行網(wǎng)購，經(jīng)常性網(wǎng)購的用戶占比則達到了28.4%，被調(diào)查者中有30.2%的用戶對個性化推薦系統(tǒng)有較高程度的了解。

實證檢驗和結果討論

（一）信度和效度分析

為保證問卷量表的可靠性和有效性，本文首先使用SPSS 20.0軟件對問卷進行了信度和效度的測量。

1.問卷信度分析。信度是指通過測量工具得出的問卷調(diào)查結果一致性或可靠性的程度，反映了被測對象的真實性。信度高說明誤差值低，量表具有較高的穩(wěn)定性，參考價值也較高。根據(jù)學者Devellis（1991）的觀點，Alpha系數(shù)在0.7及以上，才能說明樣本數(shù)據(jù)是可信的，否則說明不可信，該觀測變量應該剔除，本文的信度分析結果中，各研究變量的Cronbachs Alpha系數(shù)均在0.7以上，說明樣本數(shù)據(jù)內(nèi)部一致性較高，信度良好，量表的測試結果可以被接受。

2.問卷效度分析。效度是測量工具能夠準確評價測量質(zhì)量的一個重要指標，它反映了量表在多大程度上測量出了研究變量的真正概念或特質(zhì)。學者Kaiser（1974）指出，因子分析的前提條件是KMO值大于0.5和Bartlett球體檢驗結果顯著。

本文整體研究變量的綜合KMO值為0.901，大于0.7并接近于1，表明研究變量之間相關性極強，因子分析結果良好。Bartlett球體檢驗的近似卡方值為7745.984，自由度為528，達到良好顯著性。顯著性概率P值為0.000<0.05，因此拒絕零假設。本文測量項總數(shù)為33，樣本容量為488。綜上所述，該問卷部分觀測變量適合做因子分析。

接下來，本文利用探索性因子分析法（EFA）進行問卷結構效度的測量。首先對量表進行主成分提取，以便觀察各觀測變量的共同度。共同度若大于0.4小于1，則主成分提取效果比較好。本文觀測變量的共同度最小值為0.590，最大值是0.816，數(shù)值都在0.4以上，說明數(shù)據(jù)效果比較理想，不需要剔除觀測變量。完成因子分析的前期工作后，本文采用主成分分析法提煉公共因子。當提取10個因子時，方差累積貢獻率達到了71.546%，說明這10個公因子對于本研究的測量量表有較好的代表性，且與先前構建的用戶采納概念模型中的研究變量個數(shù)保持了一致。

（二）驗證性因子分析

本文利用AMOS 20.0軟件對量表數(shù)據(jù)進行驗證性因子分析，以明確量表各問項應屬于哪個因子。首先對33個觀測變量進行最大方差正交旋轉(zhuǎn)，并將得到的因子載荷矩陣中因子載荷數(shù)大于0.5的問項保留下來，用以解釋與之對應的公共因子，具體因子結構分析結果見表2?？梢钥闯觯袉栴}都可歸類為十個公共因子，且每個研究變量的觀測變量也都歸于同一個公共因子，所有測量指標的因子載荷值都在0.5以上，這樣的分析結果表明了問卷的效度良好，可將觀測變量全部保留下來。

（三）結構方程模型（SEM）建模

在以上分析的基礎上，本文構建了推薦系統(tǒng)用戶采納影響因素的初始結構方程模型，然后利用AMOS 20.0軟件進行了擬合驗證，證明模型擬合良好，統(tǒng)計上能夠被接受。為提高模型的適配度，使得概念模型擬合更加良好，需要根據(jù)初始SEM模型的路徑系數(shù)顯著性輸出結果以及修正指標，通過逐次增加或剔除一條不顯著路徑或者修改某個參數(shù)的方法，對模型進行修正。本文逐次剔除了不顯著路徑自我認知→采納意愿、努力期望→采納意愿，增加了感知時效性→感知推薦質(zhì)量這條相關性較強的路徑。

本文選取了擬合優(yōu)度指數(shù)、模型比較適合度等多種擬合指數(shù)，來進行修正后結構方程模型的擬合驗證，具體指標見表3。可見本文最終模型擬合度良好。

（四）假設檢驗分析

在以上分析結果基礎上，接下來驗證本文的初始研究假設，最終得出的結論是：績效期望、沉浸體驗、社群影響顯著正向影響用戶的采納意愿，感知風險與之顯著負相關；努力期望和自我認知對用戶采納意愿的影響并不顯著，自我認知直接顯著影響努力期望，努力期望通過績效期望這個中介變量間接顯著影響采納意愿；感知推薦質(zhì)量通過績效期望間接顯著影響采納意愿，感知時效性與感知推薦質(zhì)量、績效期望和努力期望均顯著正相關，并通過績效期望間接顯著影響采納意愿；用戶的采納意愿直接正向顯著影響其采納行為。對應修正后的路徑圖如圖2所示，圖中明確了各變量之間的關系，其中實線表示顯著路徑，虛線表示不顯著路徑。

（五）實證結果討論

結構方程模型的總效應等于直接效應和間接效應的總和。根據(jù)修正后結構方程模型中各變量的路徑系數(shù)，能夠計算出各潛變量對采納行為的直接效應和間接效應，具體結果見表4。

根據(jù)計算結果，可將影響用戶采納個性化推薦系統(tǒng)的所有因素按照影響力大小進行排序為：采納意愿（0.66）>績效期望（0.31）>感知時效性（0.21）>沉浸體驗（0.20）>感知風險（-0.15）>社群影響（0.14）>努力期望（0.10）>感知推薦質(zhì)量（0.06）>自我認知（0.05）。

結論

用戶對在線個性化推薦系統(tǒng)的采納意愿直接影響其采納行為；績效期望對采納意愿的影響最為顯著，這表明推薦系統(tǒng)的功能和服務效率可直接影響用戶的使用意愿；推薦時效性顯示對用戶需求滿足的及時程度，顯著正向影響用戶采納意愿；智能的個性化推薦服務帶給用戶與傳統(tǒng)搜索引擎相異的愉悅購物沉浸體驗，使用戶感受到高效和便利，可提高其采納意愿；不同用戶對推薦系統(tǒng)的風險感知則是負向顯著影響用戶采納意愿的關鍵因素；用戶感知到的周圍人群對待推薦系統(tǒng)的態(tài)度也對其采納意愿有一定程度的影響。

基于以上分析，本文提出以下幾個方面的建議：提高推薦準確度，增強系統(tǒng)的有用性；縮短推薦響應的時間，實現(xiàn)實時推薦；豐富推薦內(nèi)容，增強推薦的多樣性；加強推薦系統(tǒng)的安全保護，降低用戶的感知風險和負面信任；優(yōu)化推薦界面，打造用戶體驗感良好的推薦系統(tǒng)形象；降低使用門檻，提高用戶的努力期望；加強個性化推薦產(chǎn)業(yè)鏈上的多方合作，實現(xiàn)互利共贏。

參考文獻：

1.唐哲，丁二玉，駱斌，陳世福.基于Web Mining的推薦系統(tǒng)[J].計算機科學，2005（12）

2.宋輝.電子商務推薦系統(tǒng)用戶采納影響因素研究[D].哈爾濱工業(yè)大學，2011

3.李亞男等.影響個性化推薦系統(tǒng)的用戶采納的因素[J].人類工效學，2013（2）

4.謝黎蓉.技術接受模型演變綜述[J].華中師范大學研究生學報，2014（1）

5.孟燕.隱私關注與在線個性化定制系統(tǒng)用戶采納行為的關系研究[D].山東財經(jīng)大學碩士論文，2013

6.Venkatesh V，Morris M G，Davis G B，et al. User Acceptance of Information Technology：Toward a Unified View[J]. MIS Quarterly，2003，27（3）

7.Davis F D. A technology acceptance model for empirically testing new end-user information systems： Theory and results[D]. Cambridge， MA： Sloan School of Management， Massachusetts Institute of Technology，1986