2025年6月20日下午14：00，中国营销工程与创新研究中心 (以下简称“MEI”) 2024-2025年第二学期第18次研讨会 (以下简称“Seminar”) 在MEI如期举行，参与本次研讨会的有黄敏学老师及MEI各位成员。

　　本次Seminar由孙嘉悦研读文章《Smart Green Nudging: Reducing Product Returns Through Digital Footprints and Causal Machine》。

　　一、研究概述

　　在全球电商快速发展的背景下，高退货率问题日益突出，不仅显著增加了企业的物流与处理成本，还因重复运输、包装与资源消耗，导致大量碳排放与环境负担。

　　此外，大量退回商品因难以二次销售而被销毁或废弃，进一步加剧了原材料与能源的浪费。由此可见，退货行为不仅影响企业运营效率，更在无形中对生态环境构成挑战。面对这一挑战，企业尝试引入“绿色助推(green nudging)”。一种通过提示或默认设置引导用户行为的非强制干预方式，旨在引导用户更理性地购物，从源头减少退货。

　　研究问题：

　　1) 在不增加成本、不影响销售的前提下，如何借助用户的行为数据和AI算法，精准识别适合助推的人群，实现更智能的绿色助推?

　　2) 消费者对绿色助推干预是否存在显著的响应异质性?该异质性如何被有效识别?

　　3) 与统一干预相比，基于预测响应的个性化助推策略是否具有更高的干预效果?

　　二、理论框架与研究假设

　　1)产品退货

　　高退货率带来显著的经济成本与环境负担，包括运输成本、库存管理压力及碳排放等。现有研究提出三类干预工具：(1)经济激励(如退货手续费)(2)流程设计(如包装优化);消费者导向干预(如虚拟试衣、评论信息)然而，多数干预集中在购买后阶段，缺乏购买前的“绿色认知引导”研究。

　　2)绿色助推与行为干预策略

　　助推(nudge)通过改变决策环境而非限制选择，引导用户行为改变(Thaler & Sunstein, 2009)。数字环境中常见“数字助推”手段，如默认选项、温馨提示等。近年来，绿色助推被广泛应用于节能减排、垃圾分类与可持续消费等场景，但多以普适性提示为主，缺乏对受助推对象异质性的关注。研究表明，助推干预在不同人群中效果差异显著，部分群体甚至可能出现反弹效应，因此需要更精细化的干预机制。

　　3)处理效应异质性

　　不同消费者对相同干预(如绿色助推)的反应存在显著差异(Lehner et al., 2016;Hummel & Maedche, 2019)。平均处理效应(ATE)可能掩盖了某些子群体的正向或负向反应，甚至出现干预“反噬”(backfire)现象。识别个体或子群体的异质性响应，是实现更精准、更有效行为干预的关键路径。

　　4)因果机器学习

　　CML结合了因果推断与机器学习，突破传统模型对线性关系与变量选择的依赖。可估计个体层级的条件平均处理效应(CATE)，识别“哪些人更受益”，为个性化干预提供决策依据。常用模型包括 Causal Forest、T-Learner、S-Learner 等。该研究使用 CausalForestDML (EconML 库)，兼具稳健性与可部署性。

　　三、Empirical Study

　　我们与欧洲一家领先的时尚零售商合作，设计并测试了一项绿色助推干预方案。该干预方案旨在提高顾客对商品退货环境影响的认知，并鼓励更理性的购物行为。我们共同开发了两种助推方式：购物车提示和购买后提醒。这些措施通过为期七周的随机现场实验，被嵌入该零售商的在线商店中实施。

　　1)助推机制

　　购物车提示：当用户查看购物车时触发，在结算前鼓励其做出可持续消费决策。购买后提醒：订单完成后显示，通过"减少退货"自我承诺工具强化环保意识。双重助推组用户会同时收到两种提示，其他组则仅接收单一提示或无提示。

　　2)实验设计与随机分组

　　样本规模：117,304名网站访客被随机分为三组：对照组(无助推)，单助推组(仅购买后提醒)，双重助推组(购物车提示+购买后提醒)

　　有效样本：其中73,235人完成购买。实验设计确保了地理位置、浏览器类型、初始购物车规模等关键变量的组间平衡。

　　3)模型设计

　　我们开发了因果机器学习模型(Causal Machine Learning, CML)，用于评估绿色助推干预对个体消费者退货行为的处理效应。该模型基于用户首次访问购物车时可获取的客户层级数据，包含三大类特征：初始购物车信息(购物车金额、商品数量、重复商品等);购物行为特征(品类偏好、访问时段[工作日/周末]);数字足迹数据(如：网络运营商、浏览器类型、地理位置)。

　　我们采用因果森林算法(Causal Forest)来估计每位顾客的条件平均处理效应(CATE)。该方法能精准识别不同客群对双重绿色助推的差异化响应。为评估模型预测性能，我们开展双重验证：样本内分析，基于已观测的受干预/未受干预客群;量化实际处理效应差异，反事实策略评估，模拟仅对模型判定"助推敏感型"客群实施干预，预测潜在退货率变化。

　　4)研究发现

　　①与对照组相比，双重助推组的客户退货率降低了2.6个百分点。这一结果不仅具有统计学显著性，更具备实际商业价值。实验还发现：退货商品平均价值同步下降。对整体销售额未产生负面影响。

　　②根据模型预测结果，客群呈现显著差异：低响应客群(π(xi)=0)，模型判定助推干预无效的顾客群体，高响应客群(π(xi)=1)。相比非目标客群，精准干预高响应客群可实现额外7%的退货率降幅，验证了模型筛选的有效性。

　　③基于模型预测，我们模拟实施了"智能绿色助推"策略，该策略具有以下特征：精准触达机制，仅针对60%高响应客群(π(xi)=1)实施干预，避免对低响应客群造成无效干扰。 常规助推方案：实现约2.6%的退货率降低;智能助推方案：退货率降低超5%，保持购物车转化率与销售额零负面影响。

　　④最优干预阈值出现在针对约60%顾客实施助推时(非全员干预)，此时退货率降至最低水平。通过因果机器学习实现的个性化干预，能使行为助推效果产生质的飞跃。该研究开创性地证实：AI精准定位+绿色行为助推的创新组合，可同时实现：商业效益提升(降低运营成本)和环境可持续性促进(减少无效物流)。

　　一、研究启示

　　1)理论贡献

　　首先通过大规模实地实验拓展了绿色助推理论，证实其在真实商业场景中既能降低退货率又不影响销售额的实际效果;

　　其次运用因果机器学习方法推进个性化理论，不仅识别出消费者对助推干预的异质性响应，还通过可解释性模型揭示关键预测特征;

　　最后深化数字营销理论，发现购物时段、设备类型等情境因素对助推效果的调节作用，为构建数据驱动且情境敏感的行为干预体系提供理论基础。

　　2)管理启示

　　首先，作为一种低成本、低侵入性的策略，绿色助推能有效降低产品退货率，证明细微的行为干预可以同时产生显著的商业效益和环境效益。

　　其次，基于消费者数字足迹数据(如购物时间、设备类型和浏览习惯)的个性化干预策略，相比一刀切的方法能显著提升助推的精准性和有效性。

　　最后，通过可解释人工智能技术(如SHAP分析)，管理者能够清晰识别影响消费者响应的关键因素，这不仅支持更透明的决策过程，也促进了数据伦理在可持续商业实践中的应用。这些发现为企业在保持商业竞争力的同时实现环境目标提供了创新方法论。

　　至此，本次Seminar文章研读完毕。

　　之后，由谢晓东、卫广宇、朱雅阁和喻英豪分享研究进展，老师与同学们提出了建议，并明确了进一步的研究计划。

　　至此，本学期第18次Seminar圆满结束。

　　文字 / 左翎

　　排版 / 左翎

　　审核 / 左翎