网购信息环境对消费者决策过程的影响：基于有限理性视角

范晓屏，卢艳峰，韩红叶



网购信息环境对消费者决策过程的影响：基于有限理性视角

范晓屏1，卢艳峰2，韩红叶1

（1．浙江大学管理学院，浙江杭州310058；2.中南财经政法大学工商管理学院，湖北武汉 430073）

从有限理性视角，基于阶段性决策过程模型和成本-收益权衡原则，以信息负载、决策支持工具和推荐信号构成网络购物信息环境，通过2×2×2组间实验、431个样本数据来探讨对考虑集和选择集的影响机制，结果表明：1）不同的信息负载下，消费者会采用不同的决策策略来平衡决策质量与决策成本；2）决策支持工具的使用延长了决策时间，增加了认知努力付出，但决策质量提高，决策主观自信和满意度增加，但在高信息负载下，个体仍然会增加对启发式线索的依赖；3）作为启发式线索的推荐信号并没有被用来简化信息处理过程。

有限理性；决策过程；信息负载；决策支持工具；推荐信号

0 引言

2014年中国网络零售达2.8万亿元，网购已经成为社会主流购物方式。因此，探究在网购环境下不同决策过程如何影响网购行为有着积极的意义[1]。不过尽管越来越多的消费者在网上搜索信息并在线购买，但我们对他们在购物网站如何做出购买决策仍然知之甚少[2]，十分需要深入理解消费者在线上如何搜索与评价产品[3]。

有限理性思想认为心智是一种稀缺的资源，个体在运用时存在节约的倾向[4,5]，总是倾向于用最小的心智成本获得一定的思维收益。个体处理信息能力的局限性和收集完全信息的困难性导致个体选择满意解而不是最优解[6]。个体是“认知吝啬者”，实证研究表明个体会在决策质量与认知努力之间权衡[3,7,8]。由于网店突破了货架时空限制，不少网店总是试图提供更丰富、全面的产品信息，以创造自己的竞争优势[9]。丰富的信息可以减少信息不对称，但处理信息的认知成本也大为提高。要找到满足自身需要的产品就会变得困难[10]，过多的信息易产生信息过载效应，降低了选择动机[11]，弱化了偏好与满意度[12]，增加了负面情绪，增加了决策困难、后悔与延迟[13,14]。可见，网站提供的信息并非越多越好，当信息量超过了消费者有效处理的范围，反而会降低决策质量，并使决策体验变差，产生信息过载现象。为帮助消费者作出决策，网店会提供排序、对比等决策支持工具，还提供销量、口碑、推荐等产品外围线索，由此，信息负载、决策支持工具和丰富的产品外围线索构成了网络购物环境区别于传统购物环境的关键因素，研究这一全新信息环境下的消费者决策行为，具有重要意义。

面对复杂决策，个体会分阶段决策[2,15]，先采取简单判断淘汰备择，再深入对比，权衡备择，最终作出决策。在面对大量备择，消费者会先形成考虑集，然后再选择，这种“考虑-选择”两阶段决策和采用启发式方法可快速扫描更多产品，并降低认知和搜索成本[16]，消费者会使用“信息心智过滤机制”，精简复杂的方案评估，以简单判断做出决策，从而减少信息处理量[17]。网店会提供便捷的筛选工具和购物车，以符合消费者两阶段决策行为[2]。但是有关内部与外部信息过滤机制的研究非常少[18]。现有研究大数多关注因素对决策结果的影响，少有对决策过程的动态特征进行研究，也少有实证探讨决策支持工具和产品外围线索如何帮助消费者应对信息过载。

可见，网购，选择不再缺乏，而是如何做出选择；信息不再稀缺，而是如何处理海量信息。由于心智资源的稀缺性，个体在决策时会寻求决策质量与认知成本的平衡，为帮助网购者作出决策，绝大多数店家都提供排序、对比等决策支持工具和销量、口碑、推荐等产品外围线索。Punj & Moore提到许多研究表明在实体店铺个体更倾向于减少努力而不是改进决策质量[3]。因为这节约的好处即时可得，而提高决策质量的好处常常是延迟的，不明确的[19]。本文感兴趣的是，在网购信息极大丰富，获取成本相对较低，以及网店提供的决策支持工具的情境下，个体会如何应对信息过载对决策质量的影响，如何平衡认知努力与决策质量？会不会转向关注决策质量的提升？而这一问题的研究，本质上是要探讨在信息负载、决策支持工具和产品外围线索所构成的网络购物环境下，消费者决策策略的选择和决策的过程特点，这方面的研究将有助于我们更深入的理解网购者的认知活动和信息处理过程的特征。

基于此，本研究以考虑集和选择集作为决策过程的观察变量，从有限理性和阶段性决策过程理论的视角，来探讨信息负载、决策支持工具和店家推荐对网购者决策过程的影响机制，从而证实网购者节约心智资源的心理倾向和决策行为表现。

1 理论模型与研究假设

1.1研究的理论基础

与理性经济人假设不同，在有限理性视角下，对消费者行为研究是沿着个体处理信息的路径展开的[20]，将个体决策视为信息处理过程，把心智成本考虑在内。启发-分析模型(Heuristic-systematic Model)[21]认为分析式处理信息的策略耗费大量心智资源，启发式使用简单规则认知成本很小。基于有限理性，个体在决策一开始并没有事先定义的明晰的偏好，而是在决策过程中依据决策情境进行自我构建的[22]，这表明决策结果是由采用的决策策略所决定，而策略是在决策情境中遵循成本-收益原则建构的，即个体会平衡决策精度与认知努力来选择信息处理策略。研究证实了个体在选择决策策略时遵循成本-收益原则[7,22,23]。可见，对个体信息处理的研究首先是关注决策过程，过程决定了决策结果；其次关注决策所处的信息环境，环境影响了决策策略的选择。

人们是如何在多属性多备择环境中进行评价与选择已成为行为决策研究的焦点，而考虑集作为决策的关键阶段受到学界与业界关注[10]。Roberts & Lattin认为市场上所有品牌可分为消费者意识和没有意识到的两类，而意识集又分为可考虑购买的(考虑集)和不考虑购买的[17]。Narayana & Markin提出全体集(在售某品类全部品牌)和意识集(个体了解的可选购品牌)[24]。Shocker[25]等人提出了决策的几个阶段：全体集－意识集－考虑集－选择集－最终选择。当个体面临大量备择时，会采取先考虑后选择的决策过程来迅速扫描备择，然后再从中选择的决策方式[17,26]。一些研究认为[26,27]简单的启发式方法对考虑集的预测能力相同于甚至超过联合分析或补偿性方法。Hauser[16]认为许多考虑集的研究都是基于考虑集是一个推理过程的产物这样一个观点，而实际像许多启发式决策一样，考虑集是权衡决策成本-收益的产物。

本文认为决策策略的选择是个体根据决策情景自我建构的，因此，在不同情景下考察决策过程中的信息处理方式，能更好地理解消费者决策的过程特征。因此，同时考虑决策过程中的两个阶段：考虑集与选择集，能动态地反映出消费者认知活动和信息处理的过程。

1.2研究模型

意识集是信息接触与使用经验的结果，存在于个体长期记忆中，考虑集与选择集既基于已有的认知结构，又是对当下信息临时处理的结果。本文把考虑集与选择集作为因变量，来考察消费者信息处理过程与决策策略选择。考虑集定义为在考虑范围内的可购买产品集[10,17]，反映消费者第一阶段的决策策略。选择集定义为做出最终购买决策时认真仔细考虑的备选产品集合[10,17,28]，反映第二阶段的决策策略。通过对考虑集与选择集的状态值的“先分别考察，再对比分析”的方法来反映决策过程的动态特性。

考虑集的规模、动态性、多样性、偏好性等常被用来描述其特征，反映了选择的努力程度与备择进入与保留在集内的难易程度[29]。本文采用规模、异质性、熟悉品牌占比三个指标来测量考虑集与选择集。规模是进入考虑集（选择集）的产品数量。规模大，处理信息就多。异质性是集内产品差异化程度。异质性越高，选择决策越具开放性，多样化产品进入集内。异质性越低，说明简化决策动机越强，选择标准越严格，限制越多。

本研究在信息环境构造中隐含了一个变量：品牌熟悉度，表现在信息负载的处理上。熟悉品牌占比是指在考虑(选择)集中熟悉品牌产品的比例。品牌可减少信息处理的认知成本，消费者甚至只根据品牌来做出产品评估与购买决策。本文采用熟悉品牌占比试图反映在不同的网购信息环境下，消费者决策时对品牌的依赖性。

信息负载会使消费者在认知努力与决策质量之间重新寻找平衡，选择自认为相适应的决策策略，这必然引起考虑集与选择集的特征变化。本文定义信息负载为消费者在决策时面对信息量的大小，以备择数量和备择属性数量相乘表示。

网站提供的决策支持工具和推荐信号也可以帮助消费者有效降低决策的困难度，影响信息处理过程。由此，本文将信息负载、决策支持工具(产品对比矩阵)、推荐信息，以及隐含的品牌熟悉度共同构成网站购物信息环境，其变量和测量指标定义见表1，研究模型见图1。

图1 研究模型

表1 变量及测量指标定义

1.3 研究假设

1.3.1 信息负载与决策过程

Malhotra认为当备择属性增加时，个体做出正确选择的可能性增加，当备择品牌数增加时，对做出正确选择的可能性没有显著影响[30]。Chen, Shang & Kao认为丰富的信息会导致信息过载，决策主观状态会变差[18]。Parra & Ruiz 采用2×2实验的方法研究了搜索工具与基于备择和属性的信息负载对考虑集的影响[10]。Chen实证研究了信息负载与信息过滤对感知信息过载和感知决策质量的影响[18]。Mosteller通过改变信息负载来考察信息负对决策质量、决策时间和决策满意度的影响[31]。这些研究验证了信息负载的存在，引起决策的困惑[32]，以及对决策结果(客观决策质量与主观决策满意)的影响。但是，这些研究基本上是对决策结果（考虑集的状态值）的探讨，对决策过程不同阶段（如考虑集与选择集）的比较分析很缺乏实证研究，尤其是对信息负载增加造成心智成本的增加，如何改变信息处理策略的选择，并进而如何影响决策过程更缺乏相应的实证研究。

本文认为进入考虑集或选择集的产品数量，反映了消费者信息处理状况。当备择较少时，消费者容易认真比较，较为准确地选择出符合自己偏好的产品。当备择较多时，消费者会用非补偿策略淘汰备择，再综合分析，最后选定。问题是当备择丰富多样时，消费者的偏好常常是不确定的[33]。这就是说，当信息负载较高时，备择的多样性和偏好的不确定性，使消费者觉得每增加一个备择的评价都可能提高决策质量，因此造成进入综合评价或最终选择的产品增多。当信息负载较小时，消费者有能力与动机对备择进行综合性评估，选择出能较好地满足需求的产品，因此，考虑集或选择集内的产品多样性较大。当备择较多时，需要处理的信息量较大，消费者会采取启发式方法来选择性地淘汰一些备择，因此，进入考虑集或选择集的产品，其特征会趋同，差异会减小。当信息负载增加时，消费者会利用启发式线索进行选择性筛选。品牌是个启发式线索常用来简化决策[34]。此外，当信息负载较高时，消费者的不确定感和感知风险也会增加，依赖品牌来减小风险的倾向增大，故熟悉品牌的产品更容易进入消费者视野。综上，提出假设：

H1：随着信息负载的增加，考虑集和选择集的规模变大，异质性降低，熟悉品牌占比增加

消费者总是偏爱去品类多、品种多的商店购物，这样可以有更多机会选择到符合自己偏好的产品，也使选择有更大空间，满足搜寻不同产品的购物需求。但当消费者面对大量产品备择（信息负载高）也会带来负面的心理影响，即决策难度和后悔增加、低的满意度和决策延后[13]。Goodman等人研究得出当备择增加时，对偏好成熟的消费者，易与推荐信号产生选择冲突，因而会增加评估与选择来适应冲突[35]。可得偏好冲突与备择多样性会使消费者扩大考虑范围。因此，提出假设：

H2：随着信息负载增加，考虑集和选择集内的推荐产品占比减小

1.3.2 决策支持工具与决策过程

在购物网站常用的决策支持工具有搜索、排序、产品比较矩阵等，本文采用的是产品比较矩阵。决策支持工具可降低复杂决策的认知成本，帮助消费者决定购买什么、在哪里购买，前者是产品中介，后者是商家中介[2]。个体决策受两因素影响，一是决策支持系统的信息量，一是时间与精力[3]，前者由商家控制，后者由个体决定，但都希望即能搜索到足够多的备择，又不花太多时间精力。有学者认为人们更注重减少认知努力而不是提高决策质量[3,36]。个体只是利用工具的便利，来减少认知努力付出，并没有提高决策质量，甚至可能降低了决策质量[37]。也有学者认为没有一个决策支持工具能支持所有决策的要求[38]。这些不一致的研究结论说明了问题仍然没有真正解决。事实上，使用决策支持工具本身就需要认知努力的付出。因此，个体是更多依赖工具来减少心智成本并做出更好决策，还是减少使用工具，减少产品备选，而转向更简洁的启发式决策，即更多选择熟悉品牌或接受推荐产品？本文拟从个体谋取决策精度与认知努力平衡的视角来讨论决策支持工具对决策的影响。

在决策第一阶段形成考虑集的过程中，消费者会应用非补偿方法和启发式线索如品牌、销量等快速筛选备择，一般不会使用决策支持工具。在决策第二阶段形成选择集过程中，会综合分析初选的备择。决策支持工具有助于补偿性分析，减少信息处理成本，并可提高决策准确性，选出最符合需要的产品。因此，提出假设：

H3：有决策支持工具时，消费者的选择集规模变小

当存在决策支持工具可降低处理信息的成本时，消费者简化信息处理的动机减弱，倾向于利用工具对备择综合分析，更多采用补偿性评估策略，因此会保留多样化的产品。另一方面，决策支持工具可使消费者更好地理解产品的差异，权衡取舍，形成开放包容的产品选择心态，使更多差异化的产品进入选择集，因此，提出假设：

H4：有决策支持工具时，选择集的异质性增加

在决策支持工具的帮助下，消费者更能识别产品，准确选出符合自己偏好的产品，因此，对启发式线索的依赖减弱，更少受熟悉品牌或推荐产品的影响。因此，提出假设：

H5：有决策支持工具时，选择集内熟悉品牌占比和推荐产品占比下降

1.3.3 推荐信号与决策过程

网店常打出“推荐”、“最畅销”、“最受好评”等推荐信号来推销产品。推荐信号是启发线索，可降低决策过程的搜索成本和不确定性[39]，减轻信息负载和提供产品建议[40]，提供易评备择帮助作出决策[41]。Haubl & Trifts认为推荐能影响个体偏好构建，进而影响决策结果[2]。Goodman等人认为对于有成熟偏好的个体来说，推荐信号会增加考虑集规模和决策困难性，对没有成熟偏好个体则没有影响[35]。本文认为在考察推荐作用时，应该将个体节约认知努力、简化决策动机与决策质量结合起，以求得对推荐效应更深刻的理解。基于消费者在面临复杂决策时会寻找简化决策的路径，推荐信号可以帮助消费者在产品集合中选择到符合自己偏好的产品，因为推荐信号可以降低消费者搜索成本和不确定性，消费者可能会减少对其它产品的查看与分析，更多考虑推荐产品。因此，提出假设：

H6：有推荐信号时消费者的考虑集和选择集规模变小

由于推荐信号对考虑集和选择集的异质性、熟悉品牌占比的影响取决于推荐产品的特征与品牌，因此，不做假设。

1.3.4 决策时间与决策自信

当信息负载增加时，备择增多，消费者有更多机会挑选产品，从而会使决策时间增加。根据有限理性思想，个体存在减小心智努力的倾向，因此，面对大量备择信息，消费者会采取启发式处理方式，快速、无补偿地处理信息选择备择，造成决策的主观自信与满意度减小。而决策支持工具的存在能帮助消费者进行产品对比，进行分析式处理，有助于做出补偿性决策，提高决策自信与满意度，但工具的使用需要一定的分析与比较，因而延长了决策时间。因此，提出假设：

H7：当信息负载增加时，决策时间延长，但并不提高决策的主观自信与满意度

H8：使用决策支持工具，决策时间延长，但提高了决策的主观自信与满意度

2 研究方法

2.1 实验设计

本文采取多因子实验方法，模拟东京商城设计出实验购物网站，通过操控3个自变量构造出8个实验任务情境，即2 (信息负载：低vs高)×2(决策支持工具：有vs无)×2(推荐信号：有vs无)。据艾瑞研究，我国网络购物主体年龄总体偏年轻，56％分布在19-30岁之间，购物主体是白领与在校学生，占近三成。因此，本文实验被试选为在校学生。

实验产品选为洗衣机。首先，洗衣机属于搜索型产品，被试可通过网站产品信息把握产品特点，符合本文探讨消费者信息处理过程的研究目的。第二，学生群体普遍接触洗衣机广告，使用洗衣机，有足够的科技知识分辨洗衣机各种属性，同时也很少购买过洗衣机，可以避免品牌忠诚、他人影响等因素干扰。第三，在外形、颜色、款式上差异较小，可以排除被试偏好的影响。第四，洗衣机属性多，便于操控信息负载量。

本文主要探讨网购者的决策过程机理，需要考虑被试对网购实验有足够的涉入度。网购是一种活动，购物的涉入度是一种持久的动机倾向[42]，即网购者对网购活动的关联程度或兴趣程度[43]。因此，本文采取了启动方式营造实验任务情景，从而形成被试对实验任务的足够重视或兴趣。由于被试所在的校区，每个宿舍都带有独立卫生间，宿舍学生合资购买洗衣机十分普遍，因此实验任务情境是：你们宿舍想买一台洗衣机，室友商量后决定先各自选择几款，再大家综合确定最终款。被试先在网站中浏览、对比，将自认为合适的放进购物车(数量不限)，最后点击“保存”。

实验设在有80台电脑的机房，招募被试。实验流程为：被试进入机房入座，输入网址，即可看到实验说明，点击“开始实验”，后台将被试随机分入实验组，页面出现实验任务，接着浏览产品，比较选择，放入购物车。最后点击保存后，呈现问卷，回答完问项后，实验结束。被试可领取25元报酬和抽奖。

2.2 自变量操控及检验

对信息负载的操控一是改变产品属性数[44]，二是改变产品备择数[18]，三是同时改变两者。第一种因产品细节不同可能影响判断，第二种因备择多而可能在质量、价格、分布上的差异产生对决策的影响，第三种要考虑因备择与属性的类型不同而带来的影响机制不同。本文采用第二种方法。在低信息负载组，提供10款洗衣机，在高信息负载组，提供30款洗衣机。为避免局限性，精心选择产品确保高、低信息负载组的备择属性数量相同，价格分布均在798－1299元之间，区别只在于价格、功能相近的备择数量的多少。

对决策支持工具(产品对比矩阵)，采用“有”与“无”的操控[2]。在有工具组，备择下面有“加入对比”按纽，点击按纽，备择就出现在对比列表中，点击“查看对比”，就会出现选定备择的比较矩阵。而无工具组，则没有这两个按纽。

对推荐信号，采用在某备择上旁标注“推荐”。点击该备择进入介绍页面，会有一行红字：“最受好评产品，洗力强劲，超低噪音，内筒不锈钢，外筒渗锌钢板”、“超高性价比，销量之王”等。

每个实验组都有一半熟悉和一半不熟悉品牌的备择。熟悉品牌为松下、海尔、TCL、海信、康佳。不熟悉品牌为虚构品牌：美家、威力、花溪、科洁和奥达。在低信息负载组，一个品牌只有一个备择，而在高信息负载组，一个品牌有三个备择。

信息负载的操控检验一是直接测量备择数量或属性数量[45]，二是询问被试能够获取的信息量[10]。本文借鉴第一种方法，让被试回答：网站提供了大量的洗衣机供我选择。决策支持工具的操控检验问项为：“网站提供了对比工具，我可以将各款洗衣机添加进去进行对比”；推荐信号的操控检验问项为：“网站有推荐的两款洗衣机”；以及对品牌熟悉度的打分。均采取5级李克特量表，1表示非常不同意，5表示非常同意。

2.3 因变量的测量方法

实验采用后台记录被试点击备择图标查看详细信息的数量来代表考虑集的规模。选择集规模是指最终购物车内备择数量。

异质性测量方法一是客观测量法，一是主观打分法。由于洗衣机属性多，赋值困难，有些属性不易比较。而主观打分，被试在问卷阶段靠回忆区分备择特点可能不太准确，而且对差异的理解也可能不同。因此，本文采用产品属性中相对很重要的价格与品牌属性，以价格异质性和品牌异质性作为异质性的两个测量维度，通过后台记录的客观数据，考察集内产品的价格异质性与品牌异质性。异质性主要是为了反映被试决策的开放性程度，这就需要以数据变化的范围来表示。样本数据的极差常用来反映数据变化的范围，因此采用极差可以较好地反映集内产品的差异程度（即数据变化范围）。由此，价格异质性是考虑(选择)集中产品的最大价差，品牌异质性是考虑(选择)集内产品的品牌数量，最大价差越大，品牌越多，异质性就越大。

考虑(选择)集内熟悉品牌占比是指集中熟悉品牌产品数与集规模的比值，推荐产品占比是指集中推荐产品数与集规模的比值。

因变量的测量均由后台记录得出，并同时记录被试完成实验的时长。决策时间在一定程度上反映了被试认知努力大小。同时设计了“决策自信”和“决策满意度”[46]问项，“我对刚才挑选的洗衣机非常有信心”和“我对刚才挑选的洗衣机非常满意”。

3 实验结果及假设检验

3.1 正式实验

实验招募了438名被试，其中6人因电脑原因没有完成实验，故有样本432人，其中男性占29％，女性为71％。21岁以下为38％，21-25岁57％，25岁以上5％。本科生占64％，硕士生32％，博士性4％。采取由后台随机分组来控制被试个体因素的影响，经检验，八个实验组的被试在年龄、学历、性别上均无显著差异：年龄：= 0.81，>0.1；学历：= 0.69，>0.1。性别；=2.067，>0.1 (Kruskal-Wallis检验)。

信息负载变量操控检验：低信息负载组=2.79，高信息负载组3.15，Levene检验中＝0.264，=0.607，方差齐性。T检验中=-3.339，=427，<0.01。说明两样本的均值差别具有显著差异，信息负载操控成功。

决策支持工具变量操控检验：无决策支持工具组=2.76，有决策支持工具组=4.16，Levene检验中＝1.526，=0.137，方差齐性。T检验中=-12.663，=427，<0.01，操控成功。

推荐信号变量操控检验：无推荐信号组无=2.22，有推荐信号组=3.97，Levene检验中＝1.842，=0.175，方差齐性。T检验中=-15.117，=427，<0.01，操控成功。

3.2 假设检验

将自变量信息负载对考虑集规模进行单因素方差分析，结果是在高信息负载组被试平均考虑了=5.98个产品，而低信息负载组为=4.97个产品，(1, 430)=7.41，<0.01，二者具有显著差异。在高信息负载组，选择集内产品数为=2.81，在低信息负载组为=2.35，两者存在显著差异,(1, 430)=15.22，<0.01，即信息负载增大，选择集规模变大。可得，信息负载越高，考虑集和选择集规模越大。

在高信息负载组考虑集内的产品最大价差均值为=353.88，在低信息负载组为=430.30，两者存在显著差异，(1, 430)=17.75，<0.01。而对品牌异质性，高信息负载组被试平均考虑了=4.22个品牌，在低信息负载组为=4.97，两者存在显著差异,(1, 430)=10.39，<0.01）。所以不论是价格异质性还是品牌异质性都随信息负载增大而显著降低。在高信息负载组，选择集内的产品最大价差均值为=238.42，在低信息负载组为=246.97，两者不存在显著差异,(1, 430)=0.21，=0.647>0.1。高信息负载组被试平均考虑了=2.42个品牌，在低信息负载组为=2.35，两者不存在显著差异，(1, 430)=0.47，=0.492>0.1。因此得到，随着信息负载增大，考虑集的异质性显著降低，但选择集异质性没有显著变化。

在高信息负载组，考虑集内熟悉品牌占比均值为=0.77，在低信息负载组为=0.65，两者存在显著差异，(1, 430)=30.82，<0.01，即信息负载增大，考虑集内熟悉品牌占比增加。在高信息负载组，选择集内熟悉品牌占比为=0.80，在低信息负载组为=070，两者存在显著差异,(1, 430)=8.46，<0.01），即信息负载大，选择集内熟悉品牌占比增加。综上，假设H1得到支持（除选择集异质性没有显著变化）。

在高信息负载组，考虑集内推荐产品占比为=0.24，在低信息负载组为=0.35，两者存在显著差异,(1, 214)=14.07，<0.01，即信息负载增大，考虑集内推荐产品占比越低。在高信息负载组，选择集内推荐产品占比为=0.31，在低信息负载组为=0.42，两者存在显著差异,(1, 214 )=5.94，<0.05，即信息负载增大，选择集内推荐产品占比减小。因此，假设H2得到支持(只选取有推荐信号的样本数据进行分析)。

在有决策支持工具组，选择集内产品数为=2.47，在无工具组为=2.68，两者存在显著差异,(1, 430)=3.08，=0.08<0.1，因此，假设H3在小于0.1水平上得到支持。

在有决策支持工具组，选择集价格异质性为=232.83，在无工具组为=252.38，两者不存在显著差异，(1, 430)=1.10，=0.295>0.1。在有决策支持工具组，选择集品牌异质性为=2.32，在无持工具组为=2.44，两者不存在显著差异，(1, 430)=1.59，=0.208 >0.1，因此，不支持假设H4。

在有决策支持工具组，选择集内熟悉品牌占比为=0.73，在无工具组为=0.76，两者不存在显著差异，(1, 430)=0.94，=0.333>0.1。选择集内推荐产品占比为=0.39，在无工具组为=0.35，两者不存在显著差异，(1, 214)=0.88，=0.348>0.1(只选取有推荐信号的样本数据进行分析)。因此，H5没有得到支持。

在有推荐信号组，考虑集规模为=5.24，在没有推荐信号组为=5.71，两者不存在显著差异,(1, 430)=1.58，=0.209>0.1。在有推荐信号组，选择集规模为=2.62，在没有推荐信号组为=2.54，两者不存在显著差异，(1, 430)=0.48，=0.490>0.1，因此，假设H6没有得到支持。

在高信息负载组，被试决策时间(分)为=10.00，在低信息负载组为=8.99，两者存在显著差异，(1, 429)=5.21，=0.023<0.05。而决策自信，=3.75，=3.66，(1, 429)=1.132，=0.288>0.05。对决策满意度，=3.78，=3.69，(1, 429)=1.494，=0.222>0.05，均没显著差异，反映了消费者花费更多时间评价备择，但并没有提高决策的主观自信与满意。因此，假设H7得到支持。

在有决策支持工具组，平均决策时间(分)为=10.04，无工具组=8.96，(1, 429)=5.96，=0.015<0.05。对决策自信，=3.77，=3.64，=2.880，=0.090<0.1。决策满意度，=3.80，=3.67，=3.213，=0.074<0.1。可见，决策支持工具延长了决策时间，也提高了决策自信和满意度。因此，假设H8得到支持。

3.3 结果讨论

3.3.1 信息负载实验结果讨论

实验结果支持了信息负载增加，考虑集规模增大的假设。对更多备择评价必然带来认知成本的增加，但是否提高决策质量呢？实验结果表明，信息负载增加，消费者花费更多时间评价备择，但并没有提高决策主观自信与满意度，说明消费者采取了决策精度不高的启发式处理方式。当信息负载增加时，考虑集的价格异质性和品牌异质性都显著减小。这也表明当消费者面对高的信息负载时，会倾向于选择启发式方式进行信息处理，由于启发式决策是简化的、不补偿的决策方式，其结果是进入考虑集的产品特征趋同。这一思想亦得到另一数据分析结果的支持，即当信息负载增加时，考虑集内熟悉品牌占比增加，更多熟悉品牌产品进入考虑集(=4.21，=3.04，=34.66，<0.01)，即消费者利用品牌这个启发式线索进行筛选。

当信息负载增加时，选择集规模和熟悉品牌占比亦增加，更多熟悉品牌产品数进入选择集(=2.17，=1.67，=20.713，<0.01)，这证实了面对丰富信息时（考虑集规模较大）消费者在提高决策质量(选择集规模增大)和减小认知成本及决策风险(更多利用启发式线索)上进行平衡。但当信息负载增加时，选择集异质性没有显著变化。这再次证实本文设想：网购信息负载增加，消费者采取两阶段决策方式，首先以启发式方法筛选备择而形成特征趋同的考虑集。因此，在考虑集基础上形成选择集，其异质性就比较小了。

由此可得：

（1）信息负载增加，消费者花费更多时间浏览和评价产品，更多产品进入考虑之列。由于此时消费者采用启发式决策方法，以简化的非补偿的标准筛选产品，导致进入考虑集的产品趋同，再形成的选择集，其异质性很小；

（2）信息负载增加，决策时间延长，但并没有提高决策的主观自信与满意，而是导致考虑集内的产品更趋同；

（3）信息负载增加，消费者更多采用启发式方法，更多熟悉品牌的产品进入考虑集与选择集。换句话说，具有有利外部启发线索的产品更容易进入消费者考虑与选择的视野。

3.3.2 决策支持工具实验结果讨论

决策支持工具可显著减小选择集规模，尽管熟悉品牌占比没有显著减小(因集规模也减小)，但选择集内熟悉品牌产品数显著减少(=1.81，=2.03，(1, 430)=3.98，<0.05)，说明消费者可更准确识别产品，选择出最符合自己需求的产品，不仅减小了选择集规模，也减小了品牌依赖性。而决策支持工具与选择集异质性没有显著关系，是因为在决策第一阶段采用启发式筛选备择造成考虑集趋同的结果。

消费者需要操作决策支持工具，分析判定工具所带来的信息，进行综合分析，因此，决策支持工具延长了决策时间，但提高了决策自信与满意度。将决策支持工具与信息负载进行交互分析可得，在信息负载高的环境下，决策支持工具有助于提高决策自信(=3.90，=3.60，(1, 213)=7.11，<0.01)和决策满意度(=3.87，=3.69，(1, 213)=3.06，=0.082<0.1)，但决策时间延长=10.78，=9.26，(1, 213)=5.02，<0.05)。

在有策支持工具下，信息负载高的组，其选择集规模要显著大于信息负载低的组(=2.67，=2.28，(1, 212)=5.99，<0.05)；熟悉品牌占比显著大于信息负载低的组(=0.77，=0.69，(1, 212)=2.91，=0.090<0.1)；推荐产品占比小于信息负载低的组但不显著(=0.36，=0.42，(1, 105)=1.00，=0.319>0.1)，但是推荐产品数却显著小于低信息负载组(=0.62，=0.96，(1, 105)=7.12，<0.01)。

由此可得：

（1）在决策支持工具帮助下，消费者采用了分析式信息处理方法，花费更多时间，付出更多认知努力，但消费者决策自信与决策满意度随之提高；同样，在信息负载高的环境下，决策支持工具有助于提高决策自信与决策满意度，尽管延长了决策时间。

（2）决策支持工具能使消费者综合分析产品，弱化了启发式线索影响，使消费者能找到最符合自己需求的产品，从而导致选择集规模减小，对熟悉品牌依赖减小；

（3）尽管决策支持工具总体降低选择集规模，但在高信息负载下，消费者仍然会增大选择规模，更多依赖熟悉品牌，决策过程呈现启发式线索起主要作用的特征，反映了消费者节约心智资源的心理倾向(使用决策支持工具也需要消耗心智资源与更多决策时间)。

3.3.3 推荐信号实验结果讨论

虽然实验结果表明推荐信号并不显著地直接影响考虑集规模和选择集规模的变化，但在高信息负载环境下，被试考虑集与选择集内推荐产品占比显著下降，这支持了本文设想。对洗衣机来说，消费者一般具有成熟的偏好，因而容易与推荐信号产生冲突，在产品选择丰富的情况下更易产生。消费者一般会评价更多产品备择来适应冲突，导致考虑集与选择集规模增大。实验结果还显示，信息负载增大，考虑集和选择集推荐产品占比下降。推荐信号作为启发式线索，在信息负载高时并没有被消费者用来简化信息处理的手段，其主要原因是推荐信号与消费者偏好的冲突，使消费者采用增加考虑的规模、评价更多备择来适应冲突[35]。

4 结论与展望

4.1主要结论

本研究从有限理性视角，基于决策的阶段性模型和成本-收益权衡原则，提出了网络购物环境中信息负载、决策支持工具(产品对比矩阵)和推荐信号对消费者决策过程的影响模型，通过实验与数据分析，基本证实本文的设想，其主要研究结论是：

（1）由信息负载、决策支持工具、推荐信号组成的网络购物环境对消费者决策过程有着复杂的影响，多因素对消费者的考虑集与选择集的形成与特征产生综合影响；

（2）信息负载增大，消费者的考虑集规模与选择集规模增大，熟悉品牌占比也增大，消费者更多选用简化的、不补偿的启发式线索筛选产品，其特征是考虑集内产品趋同，开放性降低，选择性增大，反映了消费者在提高决策质量和节约认知成本上的取舍，更多采取了启发式信息处理方式；

（3）信息负载增大，消费者做出决策的时间延长，付出更多的认知努力，但并没有提高决策的主观自信与满意度；

（4）决策支持工具一般不会影响消费者决策第一阶段的决策策略(本文没有对决策支持工具如何影响考虑集进行假设，对实验数据的分析也没有发现影响的存在)，但会有助于消费者发现最符合自己需求的产品(选择集规模减小)，降低了决策第二阶段对熟悉品牌的依赖；

（5）决策支持工具使消费者花费更多时间做出决策，但提高了决策的主观自信与满意度；

（6）决策支持工具有助于消费者做出更好的决策，但当消费者面对丰富的产品选择时(信息负载高)，仍然会利用启发式线索进行筛选，反映了消费者在决策质量与决策努力之间的取舍；

（7）同样作为启发式线索的推荐信号没有直接地影响消费者的决策过程，而是与信息负载和消费者偏好共同作用于决策过程。对于洗衣机这样的日常用品(偏好成熟)，当产品备择增加时，消费者接受推荐产品的意愿下降。

4.2 理论意义

本项研究以实验的方式探讨了不同的信息环境对决策不同阶段的影响，分析了不同决策阶段消费者所采用的决策策略，其理论意义主要有如下几个方面：

（1）不同的信息负载下，消费者在不同决策阶段采用不同的决策策略来平衡提高决策质量和减少认知成本

不少研究探讨了信息过载对决策结果的影响，当信息量超过消费者处理能力的临界点，就会对决策质量和决策体验产生负面影响[11]，包括决策满意度、决策自信、感知困惑等，当面对更多备择时，由于认知的局限性消费者不会处理所有的信息，导致对这些产品选择的减少[45,47]。但是为什么消费者面对更多选择信息时，其决策质量、偏好强度、选择动力反而下降，已有的研究结果并没有给出充分的解释，这是为什么一些研究未能重复前人这方面研究结果的原因[48]。

本文基于有限理性视角，采取对消费者决策过程的分析，借助成本-收益理论对信息负载现象的发生机制进行了解释。首先，决策任务的困难程度往往是信息负载的函数，信息负载越大，认知成本也越大。由于心智资源的稀缺性，消费者是“认知吝啬者”，总是试图降低决策时认知努力的付出[4]，一般不会“劳神费心”地搜索所有选项并进行评估。从消费者的心理倾向来说，总是谋取在提高决策质量与节省认知成本、减少心智资源付出上的平衡，因而在策略选择上会遵循成本-收益原则。当外部信息环境改变时（如信息负载增大），就会改变在某种决策策略下的成本-收益平衡，消费者就会调整策略以谋取在新信息环境下的决策成本-收益的平衡，从而改变了决策过程和决策结果。本文提出：当信息负载增加时，消费者会采取启发式信息处理策略，借助于品牌等启发式线索进行评价，那些具备清晰外部线索（启发式线索）的产品更容易进入消费者的考虑集与选择集，决策开放性降低，选择性增强，进入消费者考虑集与选择集的产品趋同。

其次，信息负载较大时，在决策第一阶段，备择增多，消费者考虑集表现出开放性降低，选择性增加，产品选择趋同，熟悉品牌产品数和占比增大，这表明消费者采取了非补偿的启发式处理。在第二阶段，更多使用补偿性的分析式处理，借助决策支持工具来更准确选出最符合自己需求的产品，表现为选择集规模减小、熟悉品牌数量与占比下降，决策质量由此提高。

第三，信息负载增加意味着备择更丰富，消费者决策时间显著延长，但并没有提高决策的主观自信与满意度，这说明由于更多备择带来认知困惑和采用启发式筛选备择，消费者没能清晰地识别备择而产生决策不确定性。事实上这产品备择增加，决策时间延长、决策自信与满意度没有增加的现象恰好说明了消费者在决策成本与决策质量上的权衡取舍。

由此本文得到：在网购信息极大丰富和获取成本相对较低的环境下，消费者并非倾向于提高决策的质量，处理更多信息，而是首先减小认知努力的付出，遵循着成本-收益原则，平衡决策时的心智资源的付出与决策精度的提高。正是由于认知成本的存在，更多备择不见得能带来更好的决策！

（2）决策支持工具的使用延长了消费者决策时间，增加了认知努力的付出，但提高了决策的主观自信与满意度

决策支持工具能帮助消费者做出更好的决策，也有助于提高决策自信与满意度，但增加了认知成本，并没有产生如同Haubl & Trifts研究所得出的降低了采用复杂决策规则所需付出的认知资源[2]，也不同于Benbasa & Toddt的研究结论[49]。根据认知成本最小化原则，消费者付出认知资源的意愿与处理信息的认知成本呈反比关系，决策认知成本越高，决策处理意愿越低。当决策支持工具降低了综合处理备择的难度与强度，降低了信息处理的单位认知成本，消费者会更愿意处理更多单位的信息，以谋取更好的决策质量，从而形成总体决策成本的增加。

正是由于决策支持工具并不减少心智成本的付出，所以即便在提供决策支持工具的环境下，高的信息负载仍然会使消费者借助启发线索来筛选备择，减小信息处理成本。本文提出，在信息丰富的网购环境中，即便存在决策支持工具，消费者仍然首先使用启发式方法，以减少信息处理成本。

由此可得消费者的决策过程：当备择信息增加时(不论是否存在决策支持工具)，消费者都会采取启发式方法简化决策过程，减小决策的认知努力付出，在决策第二阶段更多利用决策支持工具，虽然增加了决策成本，但提高决策质量，减小了对启发线索的依赖。

（3）同样作为启发式线索的推荐信号没有被用来简化信息处理过程

同样作为启发式线索推荐信号并没有产生对决策过程的直接影响，但与信息负载有交互效应。随着信息负载增加，考虑集与选择集中推荐产品数量与占比减少，消费者并没有利用推荐产品来简化信息处理，反而更多考虑非推荐产品。究其原因有三，一是面对更多选择，消费者会扩大选择范围。二是消费者可能对卖家推荐的产品怀有戒备。三可能是最重要原因，推荐产品与消费者偏好产生冲突，使推荐产品不能作为启发线索被用来简化信息处理，而是使原本过载的认知系统更添不确定性，结果是考虑集与选择集规模扩大，推荐产品数量和占比减小。研究得出的以扩大考虑和选择范围，评价更多备择来适应冲突的决策过程与Goodman等人的研究结果相同[35]。

简单地说，本文主要理论意义是：第一，把有限理性、启发式分析式双处理等理论引入对考虑集的研究中，得出一些新的认识；第二，现有研究成果基本上是对考虑集的特定状态进行考察，而本文首次同时对考虑集和选择集两个特定状态进行考察，采用“分别考察，分析对比”的方法得到网购者决策的过程特征；第三，通过假设检验和对决策过程变化的解释，证实了本文的一个结论，即在网购信息丰富易取的环境下，消费者仍然倾向于减小认知成本的付出，从而延伸了有限理性的解释范围。由此，本文研究结论延伸或补充了相关研究成果。

4.3 实践启示

在网购中，产品内部线索与外部线索都是通过信息形式提供的。由此，提供什么样的信息，如何提供信息是研究消费者决策行为的重要议题[50]，也是营销关注的重要领域。在网上消费者可以便捷地获取大量的产品信息，能够应用网站提供的智能系统进行产品比对，借助网站提供了销量、口碑、推荐等产品外部信息来做出判断。充足的产品内部和外部信息有助于消费者做出良好的决策，但是过多信息易产生信息过载，使用决策支持工具需要更多心智资源，推荐易与偏好产生冲突，因此如何处理好网物网站的信息环境是经营的重中之重。

（1）购物网店所提供的信息并非越多越好

网店提供多少产品信息，常常处于两难：一是“选择诱惑”，消费者倾向于更多备择，一是过多的备择增加了认知成本，从而使消费者采取启发式方法，简单而非补偿地快速淘汰备择，对选购做出严格限定，其结果可能是对这些备择的更少选择。所以，网店虽然没有货架空间的限制，可以低成本地提供更多产品选择，但网店信息并非越多越好，信息展示的内容与数量必须充分考虑处理信息的认知成本，太过细节的、复杂的难处理的大量信息将使消费者更多依赖启发式处理无奈地做出并非自信和满意的决策，或者“以脚投票”。多次这样的购物经历将影响到对网店的忠诚度。

（2）购物网店所提供的信息须针对网店目标消费者的偏好特点

网店在推荐产品的选择、推荐用词，或者对产品积极的、正面的描述，不能只从厂商的角度出发，而应该准确把握网站目标消费者的细分特征和需求特征，从贴近消费者偏好的角度进行描述与措辞，从而尽可能避免推荐信息、产品信息与目标消费者的消费经验、功能需求、偏好等发生冲突，而夸张地，甚至夸大地描述产品更是不足取，不仅会与经验丰富的消费者产生严重的认知冲突，也会让普通消费者感到不适，最终起不到积极的市场效果。因此，针对目标消费者的“口味”进行简单、直观、生动的产品描述，必定能起到事半功倍的效果。

（3）更多提供简单易用的决策支持工具

决策支持工具可以提高决策自信与满意，有助于提高决策质量，但没有减少认知努力付出，其原因一是使用决策支持工具，特别是较复杂的，需要具有一定的基础知识与操作能力；二是消费者会由于决策支持工具而对更多产品进行比较；三是对结果的解读与判断。由于消费者是认知吝啬者，总是倾向于减少认知努力付出而不是提高决策质量，因此，要使网店所提供的决策支持工具产生更好的效果，应该多提供易于使用、简单直观的工具，如口碑(人气)排序、价格排序、直观的产品比对等，从而在不太增加认知努力的前提下，让消费者利用工具高效地做出更好的决策。利用决策支持工具产生“只买对的”的购物体验有助于加深消费者对网店的认知。

4.4 研究展望

（1）信息负载测量维度一是产品备择数量，二是产品属性数量。本文只是从产品备择数量来操控信息负载。未来研究可以尝试同时操控备择数和属性数，通过一定的方法（如组间实验）来分离两个因素的影响，考察由备择增加和属性增加所导致的信息负载对决策过程和结果的作用机制。

（2）本文在信息负载的操控上设立了高与低两种水平，只得到两点数据。未来研究可以设立多个信息负载水平，从而更全面的反映决策过程随信息负载变化而变化的特征。

（3）本文对考虑集与选择集的异质性测量采用集内产品的最大价差和品牌数，未来研究可以探索更全面有效的测量方法。

（4）本文基于成本-收益理论来探讨信息环境对决策过程的影响，其基本思想是信息环境通过改变消费者信息处理策略从而影响决策过程和结果。未来研究可以采用眼动仪、网络数据采集技术等手段，观察消费者信息处理行为特征与决策策略。

[1] Senecal S, Kalczynski P J, Nantel J. Consumers' decision-making process and their online shopping behavior: A clickstream analysis[J]Journal of Business Research, 2005, 58(11): 1599-1608.

[2] Häubl G, Trifts V. Consumer decision making in online shopping environments: The effects of interactive decision aids[J]Marketing Science, 2000, 19(1): 4-21.

[3] Punj G, Moore R. Information search and consideration set formation in a web-based store environment[J]Journal of Business Research, 2009, 62(6): 644-650.

[4] Shugan S M. The cost of thinking[J]Journal of Consumer Research, 1980, 7(2): 99-111.

[5] 卿志琼, 陈国富. 心智成本理论: 一个超越新古典经济学的解释框架[J]当代经济科学, 2003, (006): 1-6.

[6] Simon H.A. A behavioral model of rational choice[J]The quarterly journal of economics, 1955, 69(1): 99-118.

[7] Bettman J R, Johnson E J, Payne J.W. A componential analysis of cognitive effort in choice[J]Organizational Behavior and Human Decision Processes, 1990, 45(1): 111-139.

[8] Bellman S, Johnson E J, Lohse G.L., et al. Designing marketplaces of the artificial with consumers in mind: Four approaches to understanding consumer behavior in electronic environments[J]Journal of Interactive Marketing, 2006, 20(1): 21-33.

[9] Peterson Robert A, Merino M C. Consumer information search behavior and the internet[J]Psychology and Marketing, 2003, 20(2): 99-121.

[10] Parra J F, Ruiz S. Consideration sets in online shopping environments: The effects of search tool and information load[J]Electronic Commerce Research and Applications, 2009, 8(5): 252-262.

[11] Iyengar S S, Lepper M R. When choice is demotivating: Can one desire too much of a good thing?[J]Journal of Personality and Social Psychology, 2000, 79(6): 995-1006.

[12] Chernev A, Mick D G, Johnson M D. When more is less and less is more: The role of ideal point availability and assortment in consumer choice[J]Journal of Consumer Research, 2003, 30(2): 170-183.

[13] Berger J, D M, Simonson I. The influence of product variety on brand perception and choice[J]Marketing Science, 2007, 26(4): 460-472.

[14] Diehl K, Poynor C. Great expectations?! Assortment size, expectations, and satisfaction[J]Journal of Marketing Research (JMR), 2010, 47(2): 312-322.

[15] Moe W. An empirical two-stage choice model with varying decision rules applied to internet clickstream data[J]Journal of Marketing Research, 2006.

[16] Hauser J R. Consideration-set heuristics[J]Journal of Business Research, 2014, 67(8): 1688-1699.

[17] Roberts J H., Lattin J M. Development and testing of a model of consideration set composition[J]Journal of Marketing Research, 1991, 28(4): 429-440.

[18] Chen Y C, Shang A R, Kao C Y. The effects of information overload on consumers’ subjective state towards buying decision in the internet shopping environment[J]Electronic Commerce Research and Applications, 2009, 8(1): 48-58.

[19] Chu P.C., Spires E.E. The joint effects of effort and quality on decision strategy choice with computerized decision aids[J]Decision Sciences, 2000, 31(2): 259-292.

[20] Bettman James R., Jacoby Jacob. Patterns of processing in consumer information acquisition[J]Advances in Consumer Research, 1976, 3(1): 315-320.

[21] Chaiken S. Heuristic versus systematic information processing and the use of source versus message cues in persuasion[J]Journal of personality and social psychology, 1980, 39(5): 752.

[22] Bettman J.R., Luce M.F., Payne J.W. Constructive consumer choice processes[J]Journal of Consumer Research, 1998, 25(3): 187-217.

[23] Brandstaetter E, Gigerenzer G, Hertwig R. The priority heuristic: Making choices without trade-offs[J]Psychological Review, 2006, 113: 409–432.

[24] Narayana C L, Markin R J. Consumer behavior and product performance: An alternative conceptualization[J]Journal of Marketing, 1975, 39(4): 1-6.

[25] Shocker A, Ben-Akiva M, Boccara B, et al. Consideration set influences on consumer decision-making and choice: Issues, models, and suggestions[J]Marketing Letters, 1991, 2(3): 181-197.

[26] Marewski J. N, Gaissmaier W, Schooler L J, et al. From recognition to decisions: Extending and testing recognition-based models for multi-alternative inference[J]Psychonomic Bulletin and Review (Theory & Review Section), 2010, 27: 287–309.

[27] Ding M, Hauser J R, Dong S., et al. Unstructured direct elicitation of decision rules[J]Journal of Marketing Research, 2011, 48: 116–127.

[28] Hauser J R, Wernerfelt B. An evaluation cost model of consideration sets[J]Journal of Consumer Research, 1990, 16(4): 393-408.

[29] Kalpesh K D, Hoyer W D. Descriptive characteristics of memory-based consideration sets: Influence of usage occasion frequency and usage location familiarity[J]Journal of Consumer Research, 2000, 27(3): 309-323.

[30] Malhotra N K. Information load and consumer decision making[J]Journal of Consumer Research, 1982: 419-430.

[31] Mosteller J R. Online product information load: Impact on maximizers and satisficers in a choice context: [D]. US: ProQuest Information & Learning, 2008.

[32] Lucian R. Digital overload: The effects of the large amounts of information when purchasing online[J]Journal of Internet Banking and Commerce, 2014, 19(2).

[33] Kahn B E, Lehmann D R. Modeling choice among assortments[J]Journal of Retailing, 1991, 67(3): 274-299.

[34] Maheswaran D, Chaiken S. Promoting systematic processing in low-motivation settings: Effect of incongruent information on processing and judgment[J]Journal of personality and social psychology, 1991, 61(1): 13.

[35] Goodman J K, Broniarczyk S M, Griffin J G, et al. Help or hinder? When recommendation signage expands consideration sets and heightens decision difficulty[J]. Journal of Consumer Psychology, 2013,23(2):165-174

[36] Don N K, Schkade D A. Information displays and decision processes[J]Psychological Science, 1993, 4(4): 221-227.

[37] Todd P, Benbasat I. The influence of decision aids on choice strategies: An experimental analysis of the role of cognitive effort[J]Organizational Behavior and Human Decision Processes, 1994, 60(1): 36-74.

[38] Vachon F. Can online decision aids support non-cognitive web shopping approaches?[J]International Journal of Business & Management, 2011, 6(10).

[39] Gershoff A D, Broniarczyk S M, West P M. Recommendation or evaluation? Task sensitivity in information source selection[J]Journal of Consumer Research, 2001, 28(3): 418-438.

[40] Weiquan W, Benbasat I. Trust in and adoption of online recommendation agents[J]Journal of the Association for Information Systems, 2005, 6(3): 72-101.

[41] Sela A, Berger J, Liu W. Variety, vice, and virtue: How assortment size influences option choice[J]Journal of Consumer Research, 2009, 35(6): 941-951.

[42] Berdagadaa M, Faure, C, and Perrien, J. Enduring involvement with shopping[J]Journal of Social Psychology & Marketing, 1995, 135(1): 17-25.

[43] Martín Sonia San, Camarero Carmen, José Rebeca San. Does involvement matter in online shopping satisfaction and trust?[J]Psychology and Marketing, 2011, 28(2): 145-167.

[44] Sicilia M, Ruiz S. The effects of the amount of information on cognitive responses in online purchasing tasks[J]Electronic Commerce Research and Applications, 2010, 9(2): 183-191.

[45] Lee B K, Lee W N. The effect of information overload on consumer choice quality in an on-line environment[J]Psychology and Marketing, 2004, 21(3): 159-183.

[46] Jacoby J, Speller D E, Berning C K. Brand choice behavior as a function of information load: Replication and extension[J]Journal of Consumer Research, 1974, 1: 33-42.

[47] Lurie N H. Decision making in information-rich environments: The role of information structure[J]Journal of Consumer Research, 2004, 30(4): 473-486.

[48] Scheibehenne B, Greifeneder R, Todd P M. Can there ever be too many options? A meta-analytic review of choice overload[J]Journal of consumer research, 2010, 37: 409-425.

[49] Benbasat I, Todd P. The effects of decision support and task contingencies on model formulation: A cognitive perspective[J]Decision Support Systems, 1996, 17(4): 241–252.

[50] Clemons E K. How information changes consumer behavior and how consumer behavior determines corporate strategy[J]Journal of Management Information Systems, 2008, 25(2): 13-40.

The Effect of Online Shopping Information Context on Consumers’ Decision-Making:A Perspective of Bounded Rationality

FAN Xiao-ping1LU Yan-feng2HAN Hong-ye1

(1．School of Management，Zhejiang University，Hangzhou 310058，China；2.School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073, China）

Information disseminationhas always been an important issue in both marketing practice and research field. Many studies show that information overload problems can result in poor customer decisions and shopping experiences.

In online environment，due to the unlimited shelf spacee-retailers can provide excessive information to consumers. Information overload issues are worsening with the lowering searching cost. However, with the help of Internet technology e-retailers can provide decision aid tools to facilitate information integration and processing. In addition, advanced Internet technology can provide useful information, such as products’ sales volume，user ratings，recommendations and other extrinsic cues，to help consumers making purchase decision. Thus, Information load，decision aid tools and products’ extrinsic cues are unique, key factors for online shopping environment. It is important to study how consumers make their decisions in the e-tailing context.

Most previous studies focus only on the effect of these factors on consumers’ decision outcomes. Only few studies are concerned about their mechanisms. It is still unknown about how “information overload” leads to consumers’ poor decision quality, and how decision aid tools and recommendations change consumers’ decision-making process.

According to the Cost-Benefit theory from the perspective of bounded rationality, information processing produces cognitive cost. Because consumers pursue both saving cognitive effort and improving decision quality，they will choose decision strategies that balance information-processing cost and decision quality. When information context changes，consumers’ decision- making strategies change accordingly. As a result, different decision outcomes are achieved.

By implementing a 2(information overload : low vs high) * 2 decision aid tools( yes vs no)* recommendation signals(yes vs no) multi-factor experimental design, this paper investigates subjects’ consideration set and choice set. In addition, this paper explores how information affects consumers’ decision-making process in different contexts. Experimental result shows some conclusions. Firstly, when information load increases, consumers’ consideration set size and choice set size increase, the ratio of familiar brands’ products in the sets increases, and the heterogeneity of consideration set decreases. This means that when information load increases and information-processing cost increases, consumers shift to more cost-saving heuristic decision strategy and rely more heavily on heuristic cues. These social cues can result in the increase of homogeneity and selectivity of the sets, and decrease of openness. Meanwhile, when consumer extends the time-to-make decision, it does not improve subjective confidence and satisfaction. This reflects the trade-off between decision-making quality and cognitive cost. Secondly, decision aid tools will help consumers find information needs of their own products(set size decreases), and reduce the dependence on familiar brands in the second phase of decision-making. With decision aid tools, consumers will spend more time to make decision, and improve subjective confidence and satisfaction of decision makers. Decision aid tools help consumers make better decision. However, when consumers face a wealth of alternatives (high information load), they will still screen alternatives using heuristic clues, and reflect the consumer trade-off between decision quality and decision efforts.

This paper makes several contributions. First，it adopts the cost-benefit theory to explore consumers’ decision-making process (consideration set and choice set) and understand information overload problems from the perspective of bounded rationality. Second, the paper investigates the characteristics of consideration set and choice set separately and conducts comparative analysis to explain decision-making processes. Third, our hypotheses show that consumers still tend to reduce cognitive cost in online environment with rich and easy accessible information.

This research helps understand consumers’ decision-making strategy and decision behavior, understand what kind of products have easier access to consumer’s choice set, and guide online retailers and producers in developing marketing strategies.

bounded rationality; decision process; information load; decision support tool; recommend signal

中文编辑：杜 健；英文编辑：Charlie C. Chen

F713.5

A

1004-6062(2016)02-0038-10

10.13587/j.cnki.jieem.2016.02.005

2015-07-14

2015-09-16

国家自然科学基金资助项目（71172114）

范晓屏（1956—），男，浙江杭州人，博士，浙江大学管理学院教授，研究方向: 消费者行为，网络营销。