奈特不确定性下旅游消费者价格决策研究

来源:用户上传      作者:

　　[摘    要]近几年，风险决策和“赌博范式”一直是经济学和心理学的研究主流，但奈特不确定性的选择问题没有引起学者的关注，尤其是旅游营销领域消费者潜在的认知过程。文章引入贝叶斯学习理论，还原旅游消费者学习过程，通过两阶段实验来探索感知价格和不确定质量信息对旅游消费者学习及其决策的影响机制。贝叶斯学习理论假设通过提供动态旅游广告信息的眼动追踪实验来观察消费者在奈特不确定性决策过程中的学习机制进而得到验证。结果表明，奈特不确定性下，旅游消费者在不同的信息状态空间[St]中基于不同感知价格水平，进行了不规则的贝叶斯学习;信念变化遵循一阶马尔可夫的学习规则;贝叶斯学习是一个双系统加工过程。总体而言，结果支持贝叶斯学习模型的信念整合原则。
　　[关键词]奈特不确定性;贝叶斯学习;旅游消费者;价格决策
　　[中图分类号]F59
　　[文献标识码]A
　　[文章编号]1002-5006（2020）08-0033-15
　　Doi： 10.19765/j.cnki.1002-5006.2020.08.010
　　引言
　　奈特（Frank Hyneman Knight，1885—1972）是20世纪初较有影响力的经济学家之一，他在著作Risk， Uncertainty and Profit中提出区别“风险”（已知机会或可测量概率）和“不确定性”（不可测量的概率或不确定的机会）差异的重要性。近年来，奈特不确定性下的风险管理和决策问题越来越引人关注，因为有些利润在奈特不确定性状态下不可能产生而在风险状态可能产生[1]，观测到的行为结果与模型的预测结果存在偏差。
　　处理奈特不确定性的主要统计决策方法可分为新古典方法（期望效用理论）、参数修正方法（前景理论等）和贝叶斯方法，但前两种决策方法分析框架仍是在风险状态下的最优决策，而非直接面对不确定性，造成研究结果的偏差。目前，一些研究把前景理论直接引入不确定性消费者行为研究，造成结果偏离传统行为理论，尤其认知过程偏差很大[2-3]。最近一些研究提出并证明了贝叶斯学习法则是解决奈特不确定性的合理方法[4-6]，但没有进行具体情境的实证研究，特别是旅游消费者决策研究领域。一些学者基于风险状态假设研究了消费者决策问题[7]，并比较了风险与奈特不确定性下消费者对价格的不同信息获取和反应模式，证明了不同的信息状态不仅影响选择，还影响消费者的价格判断（即支付意愿的形成），即风险状态下消费者会过高估价低概率的收益，而奈特不确定性状态下会偏低估价低概率收益;风险状态下会偏低估价高概率收益，而不确定状态下会过高估价高概率收益[8]。本研究由Golan和Ert的文章[8]激发，探讨了一个新的决策情境，称之为“奈特不确定性下旅游消费者价格决策研究”，具体而言，本研究将从旅游消费者学习视角，结合贝叶斯学习规则理论，探究奈特不确定性下的价格和产品信息如何影响消费者的购买决策（即支付意愿）。
　　1 文献综述
　　1.1 奈特不确定性的行为决策方法
　　本研究重点探讨奈特不确定性下旅游消费者基于外部信息（旅游广告）对价格的反应，贝叶斯学习模型提供了一个框架来研究旅游消费者整合外部信息进行选择的动态过程。
　　在旅游市场中，消费者拥有有限的产品知识，必须通过学习降低不确定性。相关的消费者贝叶斯学习文献解决了有关产品质量信息有限的问题。Erdem和Keane在他们的开创性工作中估计了消费者如何了解衣服洗涤剂的清洁能力，认为经验和广告都给消费者带来有关洗涤剂质量的嘈杂信号，消费者以贝叶斯学习方式更新其关于质量的信念[9]。在这项研究之后，已经有许多研究在各个市场用贝叶斯框架模拟消费者学习[10-11]。但这些研究主要基于过去的面板数据演绎消费者的贝叶斯学习过程，侧重经济方面的研究结果，而忽略了消费者在其学习中信念更新的认知机制。
　　1.2 基于信息加工的价格决策
　　对于现代旅游市场，许多创新定价机制已经演变，消费者、价格和零售商的关系也发生了新的变化。例如，priceline.com等一些网上旅行社推出的支付你想要的价格（pay what you want，PWYW）、说出你的价格（name your own price，NYOP）和概率销售（probabilistic selling）等新的参与定价机制已在市场开始应用，即经营商把旅游需求的不确定性转化为消费者购买信息的不确定性，消费者面临奈特不确定性决策问题。针对市场上的不确定性，考虑到决策行为的复杂性，大量研究认同旅游市场参与者的行为受到信念影响，需要综合过去、现在和未来的信息做出价格决策。本研究重点关注广告作为信源对旅游消费者价格决策的影响。广告有两种信息效应：产品质量信号和影响旅游消费者意识到产品的可能性[12-13]，消费者在广告动态的信息环境中不断更新价格判断[14]。广告信息效应是指广告有效提供相关信息的能力[15]。营销专业人士认为，广告是刺激需求的信息和有说服力的工具[16]。从广告的信息性角度来看，大量研究表明，广告的信息性与广告对消费者的价格感知有很强的相关性[17]，而广告的信息性内容是品牌态度形成的最佳预测因子[18]，而品牌态度的形成又会对消费者行为产生显著影响[19]。Klein认为，当消费者在购买决策之前能夠获得关键和有用的产品信息时，被视为体验商品（如旅游产品）的产品就可以成为搜索商品[20]。特别是，消费者可以从文本、图像、视频等内容中建立间接体验，以及各种广告信息的刺激，即产品选择的内在风险，可以随着消费者对可选方案的了解而大大降低[18]。许多研究表明，由于卖方和买方之间的信息不对称，企业有动力通过广告来影响消费者的价值感知[21]。因此，广告可以提高消费者的感知质量并改变他们的支付意愿（willingness to pay，WTP），从而在感知质量和支付意愿之间建立积极的关系[22]。 　　目前，关于消费者价格决策的研究聚焦于消费者价格信息处理阶段（价格获取、价格评估、价格存储）及其消费行为[23]，但主要集中在确定性情境中静态信息和显性过程的研究，忽略了新的定价机制下不确定信息的动态变化、消费者的隐性信息学习过程对消费行为的影响，无法解释新的定价机制下消费者对价格的反应模式。在这种新的旅游市场营销环境下，亟须发展新的理论来解释旅游消费者、价格和零售商之间的新关系。
　　1.3 眼动实验在不确定情境中的应用
　　鉴于文献中缺乏对现实决策环境中的消費者使用的实际学习规则的共识，因此需要以足够的灵活性来估计这些规则以适应贝叶斯学习模式。本文提出了一种评估旅游消费者贝叶斯学习中信念动态变化的新方法，即在实验环境中，利用实验中的受试者眼睛运动的数据，以帮助笔者推论受试者在决策过程中使用的学习（或信念更新）规则。以前的研究已经建立了受试者的眼睛运动和凝视时间之间的联系以及他们在选择实验中的估价[24]。笔者利用这种连接，并使用决策时间、眼动指标来反映被试在动态选择环境中的不断变化的信念。
　　眼动跟踪技术在决策中的应用是近年来在行为经济学和决策科学领域得到迅速发展和开始有效利用的一种方法。这个应用程序显化了认知过程，是理解人类决策过程的基础。目前，有关眼动跟踪技术在决策领域的研究主要集中在风险情境，即概率世界，其中，“赌博范式”主导了大部分研究，主要集中在金融领域[25]，而模糊了奈特不确定性与风险性的认知区别[3]，同时也忽略了不确定性逐渐提高的旅游市场营销领域。国内一些学者尝试借用眼动跟踪技术对旅游者决策过程进行追踪，主要包括：（1）外部信息对旅游者决策的影响，例如借用眼动技术可以显化旅游地图信息加工模式对旅游决策的影响[26]以及大学生群体对旅游地图空间符号的认知差异[27]。随着在线旅游的发展，眼动技术帮助研究者探索景区在线评论对游客决策的影响程度[28]，酒店预订网站的信息布局如何影响消费决策[29]以及旅游移动界面的布局及信息呈现方式如何影响游客的信息搜索[30]等。（2）旅游广告效果，徐薛艳等探讨了眼动实验法在旅游广告有效性研究中的合理性[31]，孔少君利用眼动技术构建大学生对移动端旅游广告的心理效应模型[32]。（3）旅游行为决策研究，眼动技术有助于打开游客游前决策的黑箱以及判断计划行为与时空行为的差距[33]。国内这些研究对理解眼动与旅游研究的关系提供了一定的理论实践，但研究中主要强调现有的、特定的信息，而对旅游消费者在决策过程中不确定的信息更新环境关注较少。
　　关于眼睛运动和奈特不确定性之间的关系研究不多，据目前的文献显示，从眼睛运动和不确定性之间的类似的行为关系可以推测，人类通常会通过暂停、反应和寻求暗示或信息来对不确定性做出反馈[34]。在最近的两项研究中，Uggeldahl等确定了眼睛运动与不确定之间的相关性。在选择任务中可替代方案之间的注视转换次数越多，他们所选择的确定性就越低[35]。Brunyé和Gardony验证了眼睛运动与感知决策的关系。结果表明，决策的确定性影响了眼动变量，包括注视频率和注视时长，跳视的频率、峰值速度和幅度，以及瞳孔面积。而大多数眼动指标随着决策的确定性变化呈线性变化，瞳孔面积则揭示了更多关于感知决策时间过程的微妙动态信息[25]。这表明，转换的眼动跟踪措施反映出不确定性，并可能为我们提供一种外部评估方法，用于评估消费者在面临奈特不确定时的价格决策问题。
　　2 研究设计
　　本文没有使用复杂的模型拟合，而是使用经典的假设检验方法。具体来说，通过操纵产品的价格和质量信息之间的差异，来预测因变量以及操纵效果。贝叶斯学习的结果关键依赖于信念更新的认知推理过程。整个过程的时间分配和注意力分配是量化其信念的重要指标。本研究选择决策时间、注视比例、平均注视时长、瞳孔扩张、信息搜索方向作为因变量。首先，本研究基于时间的推移和外部信息的变化从整体角度分析了消费者的贝叶斯学习过程。其次，通过分阶段分解了价格决策过程，分析信息与信念的发展和变化。
　　2.1 研究假设
　　本研究引入变量[X*t]，其表示旅游消费者在t阶段对当前信号状态[St]的信念;显然，旅游消费者知道他们的信念[X*t]，但这些不被研究者观察到。在下文中，假设[X*]和S都是离散的，并且支持t个不同的值，用{1， 2， …，t}表示。本研究对旅游消费者的学习和决策规则做出以下假设：
　　假设1：旅游消费者的选择概率[PYt|X*t]仅取决于当前的信念。此外，选择概率[PYt=y|X*t]在不同的[X*t]值之间变化（即信念影响行为）
　　这个假设体现了本研究估计旅游消费者信念的核心思想：不可观察到的变量[X*t]表示目前旅游消费者在判断哪一个产品是否“值得”购买的当前信念，所以选择概率[PYt|X*t]可以被解释为遵循“近视”选择规则。这种解释是通过模拟反转学习环境下的完全理性的决策规则来证明，这表明这些规则是近视的，仅依赖于当前的信念[X*t]。
　　假设2：信念[X*t]的运动定律称为学习规则，它描述了旅游消费者的信念随着时间的推移，基于过去的选择和感知价值而变化
　　这个假设是由完全理性的贝叶斯信念更新规则的结构所驱动，其中，期间t的消费者信念[X*t]仅仅依赖于过去的信念[X*t-1]、行动[Ct-1]和期间的价格感知[Vt-1]，属于典型的一阶马尔科夫链。
　　假设3：奈特不确定下贝叶斯学习是一个双系统认知过程，旅游消费者信念[X*t]是理性推理[R*t]和启发式判断[E*t]共同作用下形成的，即[X*t]=[αR*t |R*t-1+βE*t|E*t-1]
　　[α、β]分别表示有意识信息加工和无意识信息加工在信念[X*t]形成过程中的权重系数。理性推理一直与贝叶斯推理的概念有关，可以帮助旅游消费者在不确定情况下做出理性决策，是非常重要的。简而言之，贝叶斯规则通过一个新信息被压缩的信号来帮助消费者修改先前的信念。但由于人类认知的有限性，旅游消费者通过启发式决策提高对市场不确定的反应效率。在形成购买决策过程中，两个系统相互作用[36]。 　　2.2 因变量
　　本研究自變量为感知价格和产品信息不确定程度，验证感知价格和产品信息不确定程度对旅游消费者信息搜索和信息整合的影响，因变量包括决策时间、注视次数、平均注视时长（不包括首次和最后一次注视时长）、瞳孔扩张、注意力分布和信息搜索方向。决策时间是指开始曝光于广告到形成初步选择的过程。注视次数指的是每个阶段平均注视次数（次/每次决策/人）。平均注视时长指的是在一次决策中的单一注视时长，换句话说，平均每次注视多长时间。已经有研究证明在学习中总平均注意时长会随着屏幕感知的加工水平不断增加[37]。这个结果推广到更广泛的应用，可以认为深思熟虑的加工过程伴随着较长的注视，而直觉或浅层次的信息加工通过短时的注视积累完成[38]。瞳孔扩张指的是任务加工过程中瞳孔面积的变化，反映人们的心理负荷。注意力分布可以解释为对不确定信息广告界面特定区域的注视比例，也叫做兴趣区。兴趣区由两幅广告一些小信息区域组成。信息搜索方向指的是在选项内注视转换与选项间信息处理所有转换的百分比。
　　2.3 实验设计
　　在旅游市场中，由于旅游产品频繁的升级和退出，消费者面临两种信息不确定问题：一方面，他们对产品的存在性认知有限;另一方面，消费者在消费前对旅游产品的质量了解有限，特别是面对新的不确定定价形式，消费者很难用概率去衡量旅游产品的交易效用，处于奈特不确定性决策环境，符合本文的研究情境。因此，本文选择旅游产品购买情境作为研究典型。
　　2.3.1    被试
　　本实验于2016年12月在某大学人因认识工程实验室进行。招募的被试要求在时间和金钱允许的情况下，有意愿购买上海—迈阿密的15日邮轮旅游产品。为了控制商业诱导形象和经验对实验的影响，要求被试没参加过邮轮旅游，只通过非商业渠道了解过邮轮旅游（例如报纸杂志、教材课本、新闻解说）。被试共36名，其中，男性14名，女性22名，年龄23～50岁（平均年龄为38岁，年龄标准差为3.3岁），一名男性因为视力存在问题，取消了实验资格，故有效被试35名。所有被试都是右利手，视力正常，无色盲等眼疾，均签署了研究知情同意书，且均为自愿参与，每位被试在实验结束后分别获得了30元的报酬。由于本研究主要测试信息更新对消费者的决策问题，因此采取了组内设计。
　　2.3.2    眼动设备
　　实验采用加拿大SR Research公司开发的Eyelink2000桌面式眼动仪，具有采样频率高、空间分辨率高、精确度高、数据反馈迅速等特点。该设备由两台计算机组成，采样率为1000次/秒。其中，一台计算机用来呈现实验刺激材料，其液晶显示器为27英寸，屏幕分辨率设置为1024×768像素;另一台计算机用来记录眼动数据，其刷新频率为120赫兹。实验程序由Eyelink2000自带程序Experiment Builder编制。整个实验在某大学人因认知工程实验室进行，隔音及抗干扰条件较好。实验过程中，被试头部都由下巴托固定，被试眼睛与显示屏中央水平距离约为75厘米，与眼动仪距离约为55厘米。在实验过程中被试双眼注视屏幕，由于两个眼球的活动是很协调的，它们总是向同一方向运动。当头部固定不动时，用两眼追踪一个出现在偏左或偏右前方的物体时，两眼的运动程度有差异，但这种差别是极微小的。所以，本实验只记录其右眼的眼动轨迹。
　　2.3.3    实验刺激
　　本研究选择邮轮旅游产品作为实验刺激材料（图1），主要有3个原因：首先，过去的研究表明，邮轮旅游产品往往更加体验化，广告对旅游消费者的支付意愿的影响异质性很大。第二，邮轮旅游产品是独一无二的，需要生产者和消费者共同创造完成。旅游消费者在购买产品之前主要通过广告信息来评估产品的不确定性和商家的不确定性。第三，邮轮旅游产品是即时现场体验产品，可以消除消费者对产品过期或卖家操纵产品的担忧。邮轮旅游产品的这些特点为测量广告的有效性提供了保障。实验情境是从上海—迈阿密的邮轮旅游，共有两种产品方案可供选择。为了避免邮轮旅游产品地域性和熟悉度对被试判断的影响，本研究选择跨境邮轮旅游产品广告作为刺激物。在实验中，分阶段播放邮轮旅游的信息性广告和形象性广告，构建旅游者产品信息更新环境。其中，信息性广告包括确定性广告和不确定广告信息，广告中产品信息的不确定性主要根据广告产品中信息量的多少来确定。由于旅游属于体验性产品，相对于一般商品，消费者旅游决策具有更高的风险性。本研究中不确定性指的是广告中只允许消费者提供预算，其余的出发时间、行程天数等由商家来帮其选择，但享受折扣优惠，只有消费者付款后才知道旅游航线细节;确定性指的是正常的产品销售，消费者有权利选择出发时间、出发地点和行程天数，并知晓航线的细节信息，但感知体验具有不确定性。本文参考携程网的报价制作了实验刺激材料，并对图片广告信息的不确定性进行了控制，另外，从携程网选取歌诗达邮轮视频形象广告作为第二阶段更新信息实验素材，其中，广告的主要内容是对实验第一阶段信息广告中同一邮轮产品的体验性进行展示，播放时长大约40秒。
　　2.3.4    实验程序
　　为了更好地匹配实验，被试在实验前要回答选择确定性问题，每个选择集使用Likert 5级量表判断产品确定性问题，1表示非常不确定，5表示非常确定，随后在分析中用作选择确定性的度量。本研究采用了一个重复选择实验设计，被试在每个实验阶段完成两个选择集。每个选择集包括两个替代方案：一个替代品属于不确定性产品，另一个替代品显示了标准的“常规”邮轮旅游产品广告，具有确定性的产品质量信息。采用E-Prime 2.0编程，刺激项目以上下并列的方式呈现在屏幕上方。为了尽量减少时间压力对被试学习的影响，刺激呈现时间由被试控制。广告中的价格信息和产品质量信息进行变化对比，广告邮轮图片和广告语在呈现方式（字体、位置、大小、背景颜色）上是固定的，并且总是显示在广告屏幕的上半部分，以减少反应的认知负担。 　　被试被告知有关调查的主题、實验程序以及关于眼睛跟踪的一般说明，然后进行如图2所示的实验，首先进行眼动设备的点校正，确保测量的注视数据与目标点之间的平均差小于或等于40像素，接着介绍实验过程中的注意事项，被试使用普通电脑鼠标回答问卷调查，并可以随时查看屏幕上的说明和选择集，为了使所有选择集中的视觉注意的起点保持一致，被试被要求在每个选择集开始前呈现两秒钟的固定十字。一旦被试完成了一个试次（trial），图2中的实验进行第二次重复试次。每项实验平均花费约10分钟完成。被称为凝视点的单次眼睛跟踪观察由当时的被试凝视在屏幕上位置的时间戳和一组坐标组成。根据观察完成后的凝视点，计算被试的注视位置和持续时间。注视被定义为在一个半径内的至少100毫秒的凝视点。
　　2.4 变量测量
　　实验参与者参与实验之前并不知晓实验的相关内容。为避免参与者互相交流，影响实验的真实性，首先给每位参与者分配一个ID号，并请其按照各自的ID号在相应的座位依次就坐;实验员再向参与者提供书面材料，解释实验流程。
　　在试验t阶段，被试选择[Yt]∈{1=（“确定性”），2=（“不确定性”）}。被试对这两个产品产生的感知价值跨实验而变化，用状态变量[St]∈{1，2}进行描述，这是被试从未观察到的。当[St]=1时，被试处于静态信息广告阶段，当[St]=2，被试处于动态形象广告阶段。受试者在实验t阶段感知的交易效用[Ut]取决于所采取的行动以及（随机地）当前状态，感知效用过程为：
　　[Ut]=1感知低价格    如果支付意愿>产品广告价格
　　[Ut]=2感知高价格    如果支付意愿<产品广告   价格
　　为方便起见，使用符号[Ut]=1表示感知低价格，[Ut]=2表示感知高价格。被试感知效用根据外部二进制马尔可夫过程进化，状态随着转换概率而演变。由于受试者没有观察到[St]，并且随着时间的推移而连续相关，受试者有机会在过去的感知效用基础上学习和更新他们对当前状态的信念。
　　第一轮实验的目的是获得实验参与者认知更新前的参照点数据。首先要求实验参与者根据已有的知识估计上海—迈阿密的邮轮旅游产品价格，作为支付意愿初始值。
　　第二轮实验为了避免顺序效应，同时播放确定性和不确定性两种邮轮产品信息性广告。确定性产品广告中，实验参与者可以在现有运营邮轮旅游产品中进行自由选择;不确定性产品广告的旅游产品属于随机产品，广告中只包含目的地名字、游程天数和最低价格，其他信息都由邮轮产品经营商帮助消费者进行选择（图1）。关于不确定程度并不直接告知实验参与者，他们只能通过对广告信息的阅读和学习进行统计推断，假设这一认知更新过程遵循贝叶斯法则。实验参与者在看完图片广告的不确定信息后，要求其分别给出选择两个广告产品的概率。概率较大的那个产品作为每位参与者在本轮实验中的实际选择结果。实验要求参与者对两个产品给予的概率总和必须为100%。为了符合真实的游前感知价格，严禁参与者对两个产品均给出50%的选择概率，因为这样将无法判断其在该轮实验中的实际选择结果，并且要求给出的概率百分数尽量采用整数。本实验阶段为了测量过去的信念[X*t-1]、行动[Ct-1]和期间的价格感知[Vt-1]。
　　第三轮实验，播放携程网提供的邮轮旅游产品视频广告，连续播放3次，要求被试再次估计上海—迈阿密的邮轮旅游产品价格，目的是获得实验参与者经过认知更新并且对支付意愿进行调整之后的数据，构建被试在信息更新后的感知效用。在经过信息更新后要求实验参与者分别给出选择两种产品的概率，具体规则与第一轮实验相同。为了更好地控制视频时长对实验结果的影响，实验后，实验员对此问题通过访谈被试进行确认，被试一致表明由于形象广告视频时长较短，对他们的决策只起到信息更新的作用，对注视时长和决策时间影响甚微。本实验阶段为了测量消费者当前信念[X*t]。
　　3 结果与讨论
　　首先，从整体的角度分析整个学习过程的选择规律和眼动指标特点。其次，从动态的角度，分析随着时间的推移，消费者在贝叶斯学习过程中的价格决策的阶段性特点。
　　3.1 整体决策视角
　　3.1.1    选择结果
　　对于每个对象，每轮实验t，观察数据（[Yt]，[St]，[Ut]）。表1统计了实验t阶段产品的选择概率，取决于前一阶段的选择和感知效用[PYt|Yt-1， Ut-1]。这可以解释为被试的“简化”决策规则。表1中的首行表示所有被试不同状态下的产品选择概率P[Yt|Yt-1， Ut-1]。在旅游信息广告[St-1状态空间]，被试基于感知效用进行产品选择，被试的选择存在显著的异质性。无论在感知低价格（[Ut-1]=1）或感知高价格（[Ut-1]=2）的情况下，被试倾向于选择确定性产品，概率达到70%以上，而高度不确定性产品的概率只有20%左右，说明被试在选择时进行了较理性的学习和判断，而不是随机选择（40%～60%之间的选择概率称为随机化[3]）。
　　然而，被试在经过信息状态转换后，进入旅游形象广告阶段[St]。在感知低价格（[Ut-1]=1）的情况下，被试仍然选择“确定性”策略，确定性产品（[Yt=1]）的选择概率仍然保持在70%以上，但试着通过贝叶斯学习改变原来的选择，增强了对不确定产品[（Yt=2）]的选择信念，概率达到63%。在感知高价格（[Ut-1]=2）的情况下，被试接受旅游形象广告后，通过贝叶斯学习，采取“不确定策略”的被试产品选择概率变得随机化，即保持在50%左右，这种不对称学习原则的发现在以前的文献中很少出现，也是本研究的主要发现之一。确定性策略者开始尝试选择不确定性产品，因为广告信息有助于降低不确定性，符合贝叶斯整合信息的学习原则。
　　3.1.2    感知价格和信息不确定性程度对旅游消费者信息搜索和加工的影响 　　绝对价格是广告中的客观信息，而现实中消费者往往通过感知价格（感知效用）进行判断[39]，所以本文选择感知价格作为自变量，包括感知高价格和感知低价格两个水平。感知价格由于受支付意愿的影响，在不同的实验阶段进行动态变化;产品质量信息的不确定性程度在实验前已经通过Likert 5级量表要求被试进行了判断，在整个实验中保持不变。所有因变量与感知价格和不确定信息的关系，均采用方差分析（表2）。结果发现，随着信息的积累，感知价格和信息不确定性程度对参与者的决策时间、注视次数、平均注视时长和瞳孔面积扩张产生不同程度的影响。
　　如表2所示，整个决策过程中，感知价格[（F12， 35]
　　[=8.40， p=0.01， pη2=0.04; F22， 35=5.21， p=0.05，][pη2=0.70）]对被试的决策时间有显著的影响，并且随着信息的更新，感知价格对决策时间的效应量提高了0.66，即感知价格对决策时间差异的解释力在逐渐提高[40]。信息广告阶段，产品的信息不确定程度对决策时间影响不显著[（F2， 35=0.79， p=][0.38）]。经过状态空间转换，进入旅游形象广告阶段，产品的信息不确定性程度会显著影响被试的决策时间[（F2， 35=3.29， p=][0.02， pη2=0.28）]，这说明被试在首次接触产品时会进行简单式选择。感知价格和信息不确定性程度的交互效应在整个决策过程中显著影响被试的决策时间[（F12，35=][6.56， p=0.03， pη2=0.65; F22，35=9.65， p=0.01， pη2][=0.96））]，并且效应量都高达0.5以上，说明不同价格水平下产品的不确定程度会引起被试的深度思考。
　　在决策的第一阶段，感知价格对被试平均注视时长没有显著影响（[F2 ，35=0.01， p=0.96]），但信息不确定性程度显著影响注视时长（[F2， 35=17.19， p=0.00， pη2=0.77]），同时价格水平强化了信息不确定性程度引发的平均注视时长的差异（[F2， 35=18.14， p=0.00， pη2=0.90]）。随着被试的贝叶斯学习，信息不确定性程度引发被试平均注视时长差异更大，但价格水平仍旧对平均注视时长影响不显著，同时弱化了信息不确定性程度引发的平均注视时长的差异。这说明被试面对不确定，会忽略掉一些简单信息，重点加工复杂信息。为了进一步评估平均注视时长的影响，我们将单注视分为短（<150 ms）、中等（≥150ms，<500 ms）和长（≥ 500 ms）[38]。在两个状态空间中，被试都进行了长注视（≥ 500 ms），说明被试在统一信息背景下，如在相邻信息的复杂程度急剧升高的情况下，决策者会因为不确定性感到波动太大，对随机出现的先验知识不够敏感，而对价格和不确定性组合信息的新异性和刺激性对其产生深度加工。
　　注视次数是注意力分配的主要指标。在第一阶段，感知价格[（F2， 35=7.14， p=0.01， pη2=0.56）]和信息不确定性程度[（F2，35=12.80， p=0.01，][pη2=0.94）]对被试的注视次数产生显著影响。但随着信息的积累，进入第二阶段，感知价格[（F2， 35][=1.30， p=0.26）]和产品信息不确定程度[（F（2， 35）=][0.21， p=0.65）]对注视次数没有显著的影响。这说明被试随着信息的更新，不确定信念逐渐减弱。两个阶段感知价格和产品信息的相互作用不显著[（F1 （2， 35）=1.29， p=0.25; F2（2， 35）=0.17， p=0.68）]，反映了被试在进行选择时，认知能力有限，会忽略掉一些信息，进行启发式判断。
　　在贝叶斯学习过程中，消费者使用不同的策略来做出不确定性选择[41-42]。这些都反映在个人之间的注意力模式的异质性上。本研究通过散点图显示了每个被试在感知价格和信息不确定性程度与注视次数的异质性。为了更加清晰地明确各个因子与反应时之间的变化关系，图3给出基于不同感知价格水平下的注视次数分布图。由图3（a）可以看到，对于确定性产品，第一阶段，感知高价格的被试注视次数比感知低价格的被试离散值大;第二阶段，被试的注视次数整体降低，感知高价格人群离散程度降低。对于不确定性产品，图3（b）所示为不同感知价格水平下随着信息的更新注视次数的测量值分布情况，可以看出数据的离散程度逐渐增大。这些进一步说明消费者在贝叶斯学习过程中认知能力有限，不能很好地加工外部信息。从后悔厌恶和损失厌恶的心理分析来看，在低价格不确定性较高的情况下，决策者感知持续的信息搜索会导致更大的遗憾和损失，决策者害怕错过最佳选择，很容易发生选择行为。他们倾向于选择而不是继续寻找，因为他们认为与同等的收益相比，更厌恶损失和后悔，因此注视次数相对集中。而随着序列信息更新，在高价格不确定性较高的情况下，不确定性厌恶的情绪心理导致决策者总是讨厌通过自己的能力做出选择，而更喜歡直接做出赌博或随机的选择，因此注视次数离散程度较高。
　　另外，本研究结果发现，两阶段研究中不同感知价格水平引起被试瞳孔扩张面积大小的差异[（F1（2， 35）=7.20， p=0.01， pη2=0.56; F2（2， 35）=7.89， ][p=0.01， pη2=0.65]）。信息不确定性程度不会引起被试的瞳孔面积的大小变化[（F（2， 35）=0.11， p=][0.74）]，但会随着外部广告信息的曝光变得显著[（F（2， 35）=3.25， p=0.04， pη2=0.25）]，认知负荷增加，这与决策者的信念更新有关。这主要是因为个体的损失感差异造成的。两阶段期间，价格与不确定信息存在交互效应。在整体视角分析中，本研究没有发现信息不确定性对瞳孔面积扩张有显著的影响，但感知价格受到外部信息的影响在不断变化。
　　3.2 动态决策视角 　　在决策中随着外部信息的变化，人的注意力产生动态变化。目前一些研究主要研究了描述性决策（风险状态）中人们的注意力转移模型。本研究主要探讨奈特不确定性下的注意偏差及其详细过程，验证消费者在贝叶斯学习过程中信念和外部信息相结合的认知过程。
　　3.2.1    注意力分布
　　为了验证在决策过程中注意偏差的发生，将产品信息的注视比例作为因变量。图4显示出了注视比例与决策时间比例之间的关系，每个箱包含每人每次决策绝对时间的10%，重现对产品偏好的注意偏差。在两个不同决策阶段过程的最后1/3处，被试对确定性产品和不确定性产品注视比例都开始出现强分离状态。在这两项研究中，笔者也始终看到由读取方向驱动的上侧的初始注意偏差。
　　为了从统计角度测试结果，回归上侧/下侧产品的注视比例、决策比例时间（即时间段）及其相互作用（表3）。对3个预测因子进行随机效应回归，并将决策任务的虚拟变量作为控制因素。选择的主效应表明，被试在产品选择方向方面整体上具有注意偏差。也就是说，如果选择了上侧的产品，被试要比选择合适的产品多注视4%～5%。在决策的时间过程中，被试从上侧产品转移到下侧产品的时间大概占决策时间的比例在18%～20%左右，这可能是由于自然阅读顺序造成的初始上偏。更重要的是，选择与时间比例之间的显著相互作用表明强烈的一阶马尔可夫过程，并且捕捉到注意偏差主要出现在决策过程的最后部分，即产品在决策后期才被真正注意和选择。
　　消费者的信念作为隐藏变量随着时间而变化，在不同的时间点获得关于消费者眼动指标信息以推断其信念。所谓的马尔可夫性质：以现在的世界状况为条件，过去独立于未来，以看作是现时的外部信息和内部信念相结合，在该时间点获得的联合估计值将是下一个时间点的更新先验值。
　　消费者信念的动态不总是恒定的，而是在给定的时间点上变化。在信息状态[St-1]下，消费者对产品的注视比例在决策时间的2/3处进行了分离，而在信息状态[St]下，他们在决策时间的1/3处对产品的注视比例过早发生了分离。整体上，不确定性产品在决策后期注视比例都呈现了下降趋势，而确定性产品呈现上升趋势。这说明消费者在不同的信息状态下，自身的认知（感知低价格或感知高价格）对其眼睛运动模式和信念影响很大。
　　3.2.2    信息搜索方向
　　信息搜索方向是基于属性与基于维度的搜索度量（search measure， SM）[43]。SM是观察到的替代方案之间差异的函数，计算如下：
　　[SM=NADNra-rd-（D-A）A2D-1+D2（A-1）]
　　跳视是注视点的快速转移，从而将需要注视的对象保持在视网膜中央窝区域，以此获得清晰的视觉[44-45]，其中A和D分别表示选项属性和选项维度的数量，本研究选项维度主要包括不确定性广告和确定性广告，选项属性是指广告中产品质量信息和产品价格（在本研究中，A=2，D=2）;[ra]和[rd]分别表示基于属性的跳视次数和基于维度的跳视;并且N表示总跳视的数量（即由眼跟踪器记录[ra]、[rd]和N）。广告中的兴趣区主要划分为确定性产品信息、不确定性产品信息、高价格和低价格4个区域，并在此基础上，针对各区的跳入次数眼动指标进行统计分析。
　　基于维度跳视的显著性，随着SM值的增加而增加。使用这个指数来测试关于信息搜索方向的假设，SM为正值时，表示理性推断过程;SM为负值时，表示启发式判断过程。如图5所示，在两个阶段中，SM都包含了正负值，说明被试在贝叶斯学习过程中采取“双系统加工”策略，理性思考（基于维度的跳视）和启发式判断（基于属性的跳视）。在第一阶段，SM离散程度低，消费者对信息的加工主要集中在决策前期，SM的最小值在-5左右。第二阶段，SM离散程度扩大，SM最小值降低至-15左右。说明消费者随着贝叶斯学习的深入，启发式判断在决策系統中的权重不断提高。
　　4 结论
　　本文没有使用复杂的模型拟合，而是使用探索性研究方法，分析因变量的一般差异以及关于操作效果的预测。通过观察到的选择和眼动数据来估计消费者的决策规则和学习规则，以这种免模型的方式估计学习规则，使本研究能够以与现有文献中所采用的截然不同的方式（例如模型拟合）评估消费者在学习实验中的选择的最优性[5，46]。本文拓宽了奈特不确定性下旅游消费者决策的认知机制研究，特别关注动态，即决策过程中信息搜索和处理的变化。
　　第一，不同的信息状态空间[St]中不同价格水平引发的感知收益或损失情境下，旅游消费者进行了不规则的贝叶斯学习。处于信息状态空间[St-1]时，被试无论感知高价格或低价格时，都采取了“确定性”策略，即选择确定性产品的概率达到70%。而在信息状态空间[St]时，感知低价格时，不确定性产品的选择概率超过了60%，而感知高价格时，消费者进行了不规则学习，不确定性产品的选择概率呈现随机性。这说明贝叶斯学习效果在不同情境中存在差异，符合贝叶斯理论假设1，即旅游消费者的选择概率[PYt|X*t]仅取决于当前的信念，并在不同的[X*t]值之间变化。
　　第二，奈特不确定性下，旅游消费者的信念变化遵循一阶马尔可夫过程的学习规则。消费者在决策时间t的注视比例只与t-1时刻的状态相关，而与t-1时刻以前的状态无关。为了估计产品当前价格，旅游消费者需要将每个时间点获得的新的感官信息与目前的信念相结合。这个过程可以看作是在两个步骤之间交替的系统：（1）使用贝叶斯规则将信息与当前信念相结合;（2）市场的动态（本研究中指外部产品信息的变化）影响了消费者购买决策和他们的信念估计，符合本研究假设2。一些动态通常是不可预测的，而消费者收到的线索通常使他们更加确定决策环境。不可预测的变化和观察变量之间的相互作用定义了贝叶斯模型的不确定性。
　　第三，奈特不确定性下的贝叶斯学习是一个双系统认知过程。对整个注意过程进行更深入的分析是本研究独有的。定点动态过程中，笔者分析了产品质量信息和感知价格的注视变化、瞳孔面积扩张的变化以及决策过程中对替代品的注意力分布。根据以前的研究，相对较长的决策时间反映了消费者有意识地对信息进行详尽加工[47-48]。此外，在决策的整个时间过程中主要发现长期注视，说明旅游消费者面临奈特不确定性进行贝叶斯学习时对信息采取了有意识的加工，在确定性决策的开始，消费者更偏向加工价格信息。然而，在决策的中后期部分，个人更注重加工产品质量信息。笔者还观察到决策后期替代品之间注意力分布的强分离，显示了旅游消费者对不确定性选择进行了无意识加工，这可能是由于注视在决策过程或注视期间偏向稍后选择的产品，以确认选择。此外，两项研究的瞳孔面积扩张都随时间增加，这可以解释为对信息搜索过程的积累，可以由贝叶斯学习理论解释。信息搜索方向SM指标存在正负值，表明消费者在奈特不确定性的决策中同时应用了理性的高级加工和启发式的低级加工系统，符合本研究假设3，即消费者在奈特不确定性下贝叶斯学习是一个双系统加工过程。 　　5 管理启示
　　5.1 新的定价机制下旅游企业的定价决策和信息传播
　　本研究选择奈特不确定下的旅游消费者价格决策为研究主题，在学术上和市场营销实践中都极富研究价值。本研究从心理学角度探索消费者对不确定性价格信息的反应，拓展了传统价格理论（成本价格理论、竞争价格理论等），也为企业除了成本和价值信息之外，了解消费者如何看待、处理和响应价格信息提供理论参考，以便其作出最佳的定价决策。
　　本研究结合现实市场环境中许多创新的定价机制的不确定性，对消费者价格决策产生影响的分布规律进行定量化考察，使用实验方法对消费者的价格决策显性过程和隐性过程进行准确刻画，从而为新的定价机制下企业更好地预测消费者行为和广告投放提供理论参考，有利于提高现实市场中企业合理定价和提高广告的传播效果。
　　5.2 创新旅游市场定价机制
　　本研究从动态的角度探讨不确定信息下消费者对价格信息的认知处理，不仅丰富了目前旅游价格领域的研究，探索了旅游消费者行为价格动态变化的心理黑箱，而且研究结果可以帮助零售商和市场营销人员更好地创新定价机制。本研究引入的不确定性定价机制从根本上是由买家偏好的异质性驱动的，是一种典型性的行为定价模式。企业可以通过提前销售来创造买方不确定性，即在旅游消费者了解他们的估值之前完成与他们的交易，通过价格区分具有不同偏好的异质消费者，减少不确定需求和能力之间的不匹配，并软化价格竞争。不确定商品不是具体的，而是虚拟的，虚拟的性质也允许灵活地调整产品线的长度，但又不增加新产品开发成本，例如在旅游淡季，邮轮公司可以灵活地提供不同价格水平的邮轮产品组合，缓解资源有限和市场疲软的问题。此外，本文研究方法也可以用来检验各种其他产品/服务环境中的价格判断形成过程，提高购买转化率。
　　6 局限性和未来研究方向
　　第一，本文的方法应被解释为探索性。由于研究思路和方法在价格研究方面相对较新，因此需要进一步研究消费者信息加工与价格之间的关系。
　　第二，风险和不确定性之间的区别并不总是在认知神经科学中得到认可，其中一个主要限制是使用奈特不确定性的概念。一方面，在许多情况下，研究人员区分风险和不确定性两种情境的差异性是一项艰巨的任务，这导致在相关研究中研究人员混淆使用这两个概念。另一方面，贝叶斯信念涉及先验概率的主观分布。因此，均衡這两个概念的模型或实验设计可能会产生误导性结果。未来的研究将会通过实验比较分析风险和奈特不确定性两种情境下行为价格形成机制和结果的实质性差异。
　　第三，本研究选择的邮轮旅游产品价格偏高，被消费者归属为高价值产品，因此被试未参加过的概率很大，控制了实验中的先前经验变量的影响，符合研究预设，但是高价值产品自身具有消费壁垒，也许其对实验结果会造成一定的偏差。未来的研究可通过常规旅游产品（低价值产品）的实验，验证产品价值不同是否也会对实验结果产生影响。
　　参考文献（References）
　　[1] KNIGHT F H. Risk， Uncertainty and Profit [M]. Boston： Houghton Mifflin， 1921： 18-23.
　　[2] PROKOSHEVA S. Comparing decisions under compound risk and ambiguity： The importance of cognitive skills[J]. Journal of Behavioral and Experimental Economics， 2016， 64（2）： 94-105.
　　[3] VOLZ K G， GIGERENZER G. Cognitive processes in decisions under risk are not the same as in decisions under uncertainty[J]. Frontiers in Neuroscience， 2012， 6： 105.
　　[4] AADLAND D M， CAPLAN A J， PHILLIPS O R. A Bayesian examination of information and uncertainty in contingent valuation[J]. Journal of Risk and Uncertainty， 2007， 35（2）： 149-178.
　　[5] AL-NAJJAR N， WEINSTEIN J. A Bayesian model of Knightian uncertainty[J]. Theory & Decision， 2015， 78（1）： 1-22.
　　[6] VILARES I， KORDING K. Bayesian models： The structure of the world， uncertainty， behavior， and the brain[J]. Annals of the New York Academy of Sciences， 2011， 1224（1）： 22-39.
　　[7] HARBAUGH W， KRAUSE K， VESTERLUND L. The fourfold pattern of risk attitudes in choice and pricing tasks[J]. The Economic Journal， 2010， 120（545）： 595-611.
　　[8] GOLAN H， ERT E. Pricing decisions from experience： The roles of information-acquisition and response modes[J]. Cognition， 2015， 136： 9-13. 　　[9] ERDEM T， KEANE M. Decision-making under uncertainty： Capturing dynamic brand choice processes in turbulent consumer goods markets [J]. Marketing Science， 1996， 15（1）： 1-20.
　　[10] ACKERBERG D A. Advertising， learning， and consumer choice in experience good markets： An empirical examination[J]. International Economic Review， 2003， 44（3）： 1007-1040.
　　[11] CRAWFORD G S， SHUM M. Uncertainty and learning in pharmaceutical demand[J]. Econometrica， 2005， 73（4）： 1137-1173.
　　[12] NELSON P. Information and consumer behavior[J]. Journal of Political Economy， 1970， 78（2）： 311-329.
　　[13] NELSON P. Advertising as information[J]. Journal of Political Economy， 1974， 82（4）： 729-754.
　　[14] ADAVAL R. The utility of an information processing approach for behavioral price research[J]. AMS Review， 2013， 3（3）： 130-134.
　　[15] HSIENHUNG C， CHEN C M. Advertising， price and hotel service quality： A signalling perspective[J]. Tourism Economics， 2014， 20（5）： 1013-1025.
　　[16] PENG B， SONG H， CROUCH G I. A meta-analysis of international tourism demand forecasting and implications for practice[J]. Tourism Management， 2014， 45： 181-193.
　　[17] CAULKINS J P， FEICHTINGER G， GRASS D， et al. Interaction of pricing， advertising and experience quality： A dynamic analysis[J]. European Journal of Operational Research， 2017， 256（3）： 877-885.
　　[18] CHEN C M， LIN L， CHIU H H. Advertising medium effect on tourist satisfaction [J]. Annals of Tourism Research， 2016， 57： 268-272.
　　[19] SHAOUF A， Li X Y. The effect of web advertising visual design on online purchase intention： An examination across gender[J]. Computers in Human Behavior， 2016， 60： 622-634.
　　[20] KLEIN L R. Evaluating the potential of interactive media through a new lens： Search versus experience goods[J]. Journal of Business Research， 1998， 41（3）： 195-203.
　　[21] 劉振.“有限理性”的消费者与广告有效诉求的实现——基于行为经济学视角. 财经理论与实践， 2019， 40（5）： 136-14. [LIU Zhen. Consumers with bounded rationality and the realization of advertising appeals： A perspective of behavioral economics[J]. The Theory and Practice of Finance and Economics， 2019， 40（5）： 136-140.]
　　[22] 王沛， 杨眉. 信息加工视域下的广告心理研究： 广告说服模型. 西北师大学报（社会科学版）， 2007， 44（1）： 89-94. [WANG Pei， YANG Mei. A look on persuasion model from the perspective of information processing[J]. Journal of Northwest Normal University （Social Sciences Edition）， 2007， 44（1）： 89-94.]
　　[23] KOSCHATE-FISCHER N， W?LLNER K. New developments in behavioral pricing research[J]. Journal of Business Economics， 2017， 87（6）： 809-875. 　　[24] SHIMOJO S， SIMION C， SHIMOJO E ， et al. Gaze bias both reflects and influences preference[J]. Nature Neuroscience， 2003， 6（12）： 1317-1322.
　　[25] BRUNY? T， GARDONY A L. Eye tracking measures of uncertainty during perceptual decision making[J]. International Journal of Psychophysiology， 2017， 120： 60.
　　[26] 黄潇婷， 李玟璇， 闫申.旅游地图眼动行为模式研究[J]. 旅游学刊， 2018， 33（10）： 93-102. [HUANG Xiaoting， LI Wenxuan， YAN Shen. Research on pattern of eye-tracking behavior based on tourism map[J]. Tourism Tribune， 2018， 33（10）： 93-102.]
　　[27] 王君怡， 林岚， 高华， 等. 大学生旅游地图空间符号认知的群体差异研究——基于眼动实验数据分析[J].旅游学刊， 2016， 31（3）： 97-105. [WANG Junyi， LIN Lan， GAO Hua， et al. Differences in college students’ spatial symbol cognition of tourism map： Based on experimental data from an eye-movement tracking system[J]. Tourism Tribune， 2016， 31（3）： 97-105.]
　　[28] 张慧. 基于眼动实验数据的景区在线评论对游客决策意愿的影响研究[D]. 重庆理工大学， 2019.[ZHANG Hui. Study on the Impact of Scenic Online Reviews on Tourists’ Decision Making Intention Based on Eye Movement Data[D]. Chongqing： Chongqing University of Technology， 2019.]
　　[29] 袁旭铎， 裴文秀， 伍文， 等.酒店在线预订决策的消费者需求——基于眼动追踪实验[J].资源开发与市场， 2019， 35（11）： 1438-1443. [YUAN Xuduo， PEI Wenxiu， WU Wenfan， et al. Tourism consumer’s demand for online hotel decision-making： Based on eye-tracking study[J]. Resource Development and Market， 2019， 35 （11）： 1438-1443.]
　　[30] 刘会会. 旅游APP页面设计对视觉搜索影响的眼动研究[D]. 燕山大学， 2016. [LIU Huihui. Eye Movement Research on the Influence of the App Page Design on the Visual Search [D]. Qinhuangdao： Yanshan University， 2016.]
　　[31] 徐薛艳， 张建华， 谢鹏扬. 眼动实验法在旅游广告有效性研究中的应用初探[J]. 上海商学院学报， 2014， 15（6）： 27-32. [XU Xueyan， ZHANG Jianhua， XIE Pengyang. Eye-tracking technology and effectiveness of tourism advertising[J]. Journal of Shanghai Business School， 2014， 15（6）： 27-32.]
　　[32] 孔少君. 基于眼动实验的在线旅游平台移动端广告心理效应研究[D]. 南京师范大学， 2017.[KONG Shaojun. Research on the Psychological Effect of Mobile Tourism Advertising Based on Eye Movement[D]. Nanjing： Nanjing Normal University， 2017.]
　　[33] IHNATOLIOVA L. 旅游者眼動行为与时空行为的对比研究[D]. 济南：山东大学， 2019. [IHNATOLIOVA L. A Comparative Study of Eye Movement Behavior and Spatial -Time Behavior of Tourists [D]. Jinan： Shandong University， 2019.]
　　[34] SHIELDS W E， SMITH J D， GUTTMANNOVA K， et al. Confidence judgments by humans and rhesus monkeys[J]. The Journal of General Psychology， 2005， 132（2）： 165.
　　[35] UGGELDAHL K， JACOBSEN C， LUNDHEDE T H， et al. Choice certainty in discrete choice experiments： Will eye tracking provide useful measures？[J]. Journal of Choice Modelling， 2015， 11（6）： 1-12. 　　[36] LI R， SMITH D V， CLITHERO J A， et al. Reason’s enemy is not emotion： Engagement of cognitive control networks explains biases in gain/loss framing[J]. The Journal of Neuroscience， 2017， 37（13）： 3588-3598.
　　[37] HART B M， SCHMIDT H， KLEIN-HARMEYER I， et al. Attention in natural scenes： Contrast affects rapid visual processing and fixations alike[J]. Philosophical Transactions of the Royal Society B Biological Sciences， 2013， 368（1628）： 1-10.
　　[38] HORSTMANN N， AHLGRIMM A， GL?CKNER A. How distinct are intuition and deliberation？ An eye-tracking analysis of instruction-induced decision modes[J]. Judgment and Decision Making， 2009， 4（5）： 335-354.
　　[39] CHENG L L， MONROE K B. An appraisal of behavioral price research （part 1）： Price as a physical stimulus[J]. AMS Review， 2013， 3（3）： 103-129.
　　[40] 溫忠麟， 范息涛， 叶宝娟 等. 从效应量应有的性质看中介效应量的合理性[J]. 心理学报， 2016， 48（4）： 109-117. [WEN Zhonglin， FAN Xitao， YE Baojuan， et al. Characteristics of an effect size and appropriateness of mediation effect size measures revisited[J]. Acta Psychologica Sinica， 2016， 48（4）： 109-117.]
　　[41] HU Y， KAYABA Y， SHUM M. Nonparametric learning rules from bandit experiments： The eyes have it！[J]. Games and Economic Behavior， 2013， 81： 215-231.
　　[42] KNILL D C， POUGET A. The Bayesian brain： The role of uncertainty in neural coding and computation[J]. Trends in Neurosciences， 2004， 27（12）： 712-719.
　　[43] BOCKENHOLT U， HYNAN L S. Caveats on a process-Tracing measure and a remedy[J]. Journal of Behavioral Decision Making， 1994， 7（2）： 23-25.
　　[44] SU Y， RAO L L， SUN H Y， et al. Is making a risky choice based on a weighting and adding process？ An eye-tracking investigation [J]. Journal of Experimental Psychology-Learning Memory and Cognition， 2013， 39（6）： 1765-1780.
　　[45] SCHALL J D. The neural selection and control of saccades by the frontal eye field[J]. Philosophical Transactions of the Royal Society B： Biological Sciences， 2002， 357： 1073-1082.
　　[46] MATHYS C， DAUNIZEAU J， FRISTON K， et al. A Bayesian foundation for individual learning under uncertainty[J]. Frontiers in Human Neuroscience， 2011， 5（2）： 39.
　　[47] GL?CKNER A， HERBOLD A K. An eye-tracking study on information processing in risky decisions： Evidence for compensatory strategies based on automatic processes[J]. Journal of Behavioral Decision Making， 2011， 24（1）： 71-98.
　　[48] GL?CKNER A， FIEDLE S， HOCHMAN G， et al. Processing differences between descriptions and experience： A comparative analysis using eye-tracking and physiological measure[J]. Frontiers in Psychology， 2012， 3（6）： 173. 　　Abstract： In recent years， risk-related decision-making and the “gambling paradigm” have been prominent topics in economics and psychology research. However， decision-making under Knightian uncertainty has not attracted the attention of scholars， especially those studying consumers’ cognitive processes in relation to marketing. The main statistical methods for dealing with uncertainty in decision-making can be divided into neoclassical methods （e.g.， expected utility theory）， parameter correction methods （e.g.， prospect theory） and Bayesian methods， but the first two types focus on optimal decision-making under risk but not uncertainty， resulting in bias. Some recent studies have found that Bayesian learning is a reasonable means of overcoming Knightian uncertainty. However， there has been no empirical research on Knightian uncertainty， especially in relation to consumer decision-making.
　　Given the lack of consensus in the literature on the learning rules used by consumers in real-world decision-making environments， these rules need to be evaluated with sufficient flexibility to accommo-date Bayesian learning patterns. In this study， we propose a new method to evaluate the dynamic changes in beliefs that occur during consumers’ Bayesian learning. We conducted an experiment and used data on the subjects’ eye movements to confirm that the subjects used learning （or belief update） rules in their decision-making process. We refrained from complex comparative model fitting， instead using the classical method of hypothesis testing to investigate predictions regarding general differences in dependent variables and the effects of manipulating information relating to the price and quality of the product. The results of Bayesian learning are dependent on the cognitive process of belief updating， and the entire process of time and attention distribution is an important indicator of beliefs. In this study， we chose decision time， mean fixation duration， pupil dilation， distribution of attention， and direction of information search as the dependent variables. First， we investigated these measures from an overall perspective， aggregating them over the entire Bayesian learning process. Second， we analyzed changes in these variables during the decision-making period by dividing the learning process into several parts （i.e.， time bins）.
　　The results showed that the participants adopted a “certainty” strategy in state space [St-1] when they perceived a high price or a low price， that is， they chose certain products by 70%. However， in state space[ St]， when the perceived price was low， the probability of selecting uncertain products exceeded 60%， while when the perceived price was high， the consumers engaged in irregular learning， and the probability of choosing uncertain products was random. In state space [St-1]， the fixation proportion of the consumer on the product was separated by two-thirds of the decision time， while in state space [St]， they separated prematurely the fixation proportion of product by one-third of the decision time. Overall， the proportion of uncertain products in the late stage of decision-making showed a downward trend， while that of certain products showed an upward trend. Positive （alternative-based） and negative （dimension-based） search indicators exist in relation to information searching， indicating that consumers apply dual systems （reasoning and heuristics） to decision-making under Knightian uncertainty.
　　In summary， when facing Knightian uncertainty， tourism consumers use irregular Bayesian learning based on different perceived price levels in different information state spaces， changes in consumers’ beliefs follow the first-order Markov learning rule， and Bayesian learning is a dual-system process.
　　Keywords： Knightian uncertainty; Bayesian learning; tourism consumer; price decisions
　　[責任编辑：周小芳;责任校对：宋志伟]
转载注明来源:https://www.xzbu.com/7/view-15316834.htm