本文是一篇电子商务论文，本文从消费者购买情景的不同结合消费者对推荐方式选择的有限理性为出发点，考虑消费者异质性特征，并对其进行聚类分析，从而构建出基于累积前景理论的消费者推荐方式选择模型，解释了不同类型消费者在不同购买情景下对算法推荐和人工推荐的偏好，为“算法＋人工”的协同推荐结构优化提供思路，也为市场营销实践提供重要的参考信息。
第一章 绪论
第一节 研究背景
在过去的二十多年里，电子商务已经崭露头角，成为一种关键的商业模式，并对消费者的行为模式以及整体商业发展产生了深远的影响。在电子商务中，算法推荐作为一种重要的技术手段，一直备受学术界和商业界的广泛关注和研究。推荐方式可以分为算法推荐和人工推荐两大模式（Dawes, 2008）。算法推荐是一种基于消费者过去的网络购物历史数据，利用计算机算法对个人和环境特性进行分析，从而推断出消费者可能偏好的商品，据此进行个性化的产品推送的推荐策略，以其精确的信息推送和高效的供应为特色，能够助力消费者更迅速地找到他们感兴趣的商品详情，减少信息的冗余，提升网站的用户转化效率，并为他们带来个性化的服务体验。人工推荐是一种依赖于社交网络进行口碑传播的推荐方法，其显著特点是容易受到社交互动因素，如人际互动、公平和互惠等方面的影响。随着互联网技术的发展，社交网站也成为了人们获取商品信息和消费体验的主要渠道之一。在人工推荐的过程中，信息发送者会通过分享和总结购买经验、传递商品的声誉、提升品牌的知名度等途径，向信息接收者推荐商品或服务。在学术和商业领域，关于算法推荐和人工推荐的研究相当丰富，这些研究主要集中在推荐效果的进一步优化、各种推荐方法的比较，以及这些推荐方法在消费者选择、企业决策和人工智能等多个方面的影响。
虽然算法推荐的技术已经逐渐完善，并且推荐的准确性也在持续上升，但仍有部分人可能对这种推荐方式感到不满。这是因为算法推荐在给用户带来便利的同时，也会让人产生焦虑感和挫败感等负面情感，这些负面情感反过来又影响到用户的行为。有研究指出，在算法推荐和人工推荐同时存在的情况下，人们更可能倾向于采用人工推荐来辅助决策过程，这一现象通常被称作“算法厌恶”（Dietvorst et al., 2015）。算法厌恶是指人们对算法决策的一种不信任或抵触情绪，导致他们更愿意相信和依赖人工推荐。
第二节 研究问题
一、研究问题的提出
算法推荐的广泛应用所带来的“信息茧房”、“算法厌恶”等问题如何解决成为了近年来学者和企业研究的重点。E-consultancy（2013）曾发表研究表示，94%的电商平台认为算法推荐是一种重要的竞争优势，这表明电商行业对于提供个性化用户体验的重要性有着共识。然而，研究也指出只有15%的公司从算法推荐中获得了良好的投资回报率，而72%的受访者认为失败的原因在于缺乏有效的理论基础，即在何类产品、何种情况下使用算法推荐，才能达到最优效果。同时，随着社交媒体的不断发展，人工推荐也从线下推荐发展到了多渠道推荐，使得人工推荐范围更广泛、过程更便捷（文璇, 2020），但人工推荐存在信息过于片面、同质化等问题。无论是算法推荐还是人工推荐都各有其利弊，消费者在进行购买决策过程中也不是单一的受一种推荐方式的影响。但对于推荐方式偏好研究只局限于对比研究，对“算法+人工”的协同推荐研究少之又少。
本文将基于累积前景理论，在充分考虑消费者异质性和有限理性情况下，通过对不同购买情景下消费者对算法推荐和人工推荐的选择概率分析，从而探讨消费者对算法推荐和人工推荐的偏好问题，主要聚焦在以下两个方面：①在不同购买情景下，消费者更偏好算法推荐还是人工推荐；②在同一购买情景下，“算法+人工”的协同推荐该如何分配才能达到最优效果。
第二章 文献综述
第一节 推荐方式相关研究
一、推荐方式分类
推荐方式可根据多个维度分类。Logg等学者（2019）基于内容生成来源的不同，将推荐方式划分为算法推荐和学者工推荐两种类型；Ansari等学者（2000）基于推荐目标用户的不同，将推荐方式细分为面向群体的推荐和针对个体的定制化推荐；Gran等学者（2021）基于推荐内容的不同，将推荐方式划分为书籍推荐、产品推荐、新闻资讯推荐等。这些分类方法既独立又相互交织，共同推动着推荐机制的持续改进与优化。目前，学术界和商业界对推荐方式的研究集中在由算法执行的推荐与人工执行的推荐上，且本文的研究场景为网络购物，因此，本文将聚焦于对这两种推荐方式的偏好分析。
二、算法推荐
Murthi等学者（2003）认为算法推荐是一种基于网络的个性化推荐方法；Xiao等学者（2007）则认为，算法推荐可以被定义为一种独特的信息筛选方式，它通过深入分析消费者的实际行为或他们明确的喜好，协助他们在众多选择中筛选出那些既有趣又实用的产品；李芳等学者（2018）则将算法推荐看作是一项工具，其主要作用在于减少用户信息过载所带来的困扰，这样的推荐方式能够帮助消费者更准确地获取信息，并提供更符合他们喜好的信息，从而进一步提高决策的质量和效率；陈昌东等学者（2021）认为算法推荐就是指基于网络技术，搜集消费者的显性和隐性信息，通过算法对消费者偏好进行分析，并及时主动的进行产品和服务推送的推荐方式。根据以上论述可知，学者们对算法推荐的界定或许略有差异，但他们一致认为算法推荐的核心在于向客户推荐定制的商品或服务。
第二节 消费者对不同推荐方式的偏好研究
一、推荐方式偏好研究
自从算法推荐被广泛应用于消费者购买过程中来，算法推荐还是人工推荐更受消费者喜爱成为了诸多学者关注的问题。随着线上购物领域的不断扩展，众多学者开始密切关注消费者对于算法推荐的信任程度，以及如何制定能够满足个人需求的推荐策略。经历了漫长的理论和实践探索后，许多学者从他们的专业背景出发，深入研究了算法推荐与人工推荐的偏好差异，但这些研究的结论仍存在不少分歧。有部分学者认为消费者更偏好于人工推荐且对算法推荐是厌恶的，而有学者却认为消费者是欣赏算法推荐的，且更依赖算法推荐做出决策。
Sinha等学者（2001）通过问卷和行为实验方法研究发现，消费者认为来在朋友的推荐总比来自算法的推荐好；Dietvorst等学者（2015）在执行五个行为实验的过程中，要求参与者在仔细观察算法推荐或进行人工推荐之后，做出相应的预测。研究表明，尽管与人工推荐相比，算法推荐的效果更为出色，但许多人对其持有某种“不满”的情感。通过分析发现，这种现象与人们在选择推荐时的认知机制有关，即当人们发现类似的错误时，他们会更迅速地对推荐算法失去信任，进而影响消费者对推荐方法的偏好；Longoni等学者（2019）研究发现，尽管算法的表现与人类同样优秀，人们仍可能对算法感到不满，且相对于依赖人工，更不愿过分依赖算法；Dietvorst等学者（2018）的后续研究结果表明，如果个体能够参与算法的调整，以提高推荐过程的满意度，他们更可能对算法推荐产生信任并更偏好使用算法推荐。
第三章 基于累积前景理论的推荐方式选择模型 .................... 20
第一节 累积前景理论在推荐方式选择研究的可行性分析 ............. 20
第二节 问题描述与决策指标表示 .............. 22
第四章 调查问卷设计与数据收集 .......................... 32
一、调查问卷设计 ......................... 32
二、数据收集 .............................. 34
第五章 实证分析 ........................... 37
第一节 消费者异质性分类................... 37
一、二阶段聚类分析 .................................. 37
二、消费者类别统计分析 .................. 40
第五章 实证分析
第一节 消费者异质性分类
一、二阶段聚类分析
聚类分析是一项无监督学习技术，旨在将数据集中的样本划分为具有相似特征的群组或簇，从而发现数据中的内在结构。聚类分析法根据数据点之间的相似性进行分组，常见的细分方法包括K-means、二阶段聚类、层次聚类、密度聚类等，被广泛运用于数据的分类和簇的发现，帮助识别数据中的模式和规律。聚类分析法的输出结果为数据点的簇分配，可以帮助理解数据集中的群体结构（Spearman, 1961）。
消费者异质性的影响因素有很多，包括消费者的个人特性、购买习惯等，这些因素都对消费者推荐方式选择有显著影响，需要通过聚类分析来进行整理，为后续的推荐方式选择研究提供依据。通过对聚类方法的现有研究可知，聚类分析法更适用于本文的研究情况，在对聚类分析的多种算法进行匹配后选用二阶段聚类法来进行消费者异质性分析
（一）变量相关性分析
在进行聚类分析前，需要明确聚类的变量。根据前文研究，本次聚类将选取性别、年龄、职业、月可支配收入、受教育程度、月购买频率、月购买数量以及购买渠道8个变量进行分析。
第六章 研究总结与展望
第一节 研究总结
随着人工智能技术的不断提高，“算法+人工”的协同推荐不断对消费者行为以及商业的发展产生深刻的影响，明确消费者对算法推荐和人工推荐的偏好情况，可以优化算法和人工的协同比例，提高消费者对推荐方式的满意程度，从而更好的辅助消费者进行购买决策。目前国内外学者对推荐方式偏好研究上存在争议，有学者认为消费者是厌恶算法推荐，青睐人工推荐的，而有学者认为消费者反而是欣赏算法推荐的。无论是算法推荐还是人工推荐都各有其利弊，消费者在进行购买决策过程中也不是单一的受一种推荐方式的影响。目前的研究只局限于不同推荐方式的对比研究或单一推荐方式的偏好研究，对算法＋人工的协同推荐研究少之又少。且大多数研究在综合考虑消费者推荐方式偏好影响因素时较为笼统，对不同消费者群体的特异性特征考虑较少，同时在涉及消费者决策时的定量指标如决策时间、决策信息量考虑不足。本文从消费者购买情景的不同结合消费者对推荐方式选择的有限理性为出发点，考虑消费者异质性特征，并对其进行聚类分析，从而构建出基于累积前景理论的消费者推荐方式选择模型，解释了不同类型消费者在不同购买情景下对算法推荐和人工推荐的偏好，为“算法＋人工”的协同推荐结构优化提供思路，也为市场营销实践提供重要的参考信息。
以下是本文的主要研究成果：
（一）通过使用RP与SP相结合的调查方法，对消费者的个人属性、购买特性进行了调查。在考虑到消费者的异质性的基础上，采用了两阶段聚类分析方法，成功地将消费者划分为四个不同的群体：男性中低购买力群体、男性高购买力群体、女性中低购买力群体以及女性高购买力群体，并通过数据分析验证了消费者异质性对推荐方式偏好的影响。
（二）构建基于累积前景理论的推荐方式选择模型。比较各种影响因素，选择出5个消费者在购买过程中对推荐方式选择最在意的属性变量：决策时间、决策信息量、胜任力、可解释性和安全性作为决策指标，并通过不同的产品类型构建了享乐性购买和功能性购买两大情景。为展现消费者在推荐方式选择时的有限理性，以及在不同购买情景下存在的不同心理期望特征，本文将选取消费者的动态期望作为参考点，并对具体数值（决策时间）、区间数（决策信息量）以及短语变量（胜任力、可解释性以及安全性）为决策指标的评价值进行规范化处理，再计算出不同购买情景下的评价值对参考点的收益和损失情况，最终得出算法推荐以及人工推荐的综合前景值。将综合前景值代入到Logit模型的随机效用理论固定效益中，得出算法推荐和人工推荐的理论选择概率。
参考文献（略）