線上消費者評論如何影響產品銷量?——基于在線圖書評論的實證研究

龔詩陽，劉 霞，趙 平

(清華大學經濟管理學院，北京 100084)

一、引言

消費者在購買產品或服務時，往往會去尋求其他消費者的意見。早在半個世紀以前，學者們就意識到人際溝通和口碑傳播是影響人們行為、偏好和決策的重要因素［1-3］。傳統的口碑傳播指人與人之間一對一、面對面地交流產品或服務的信息，其影響往往局限于有限的社交范圍內，并且隨著距離的增加和時間的推移而迅速減弱［4］。互聯網與信息技術的發展為消費者提供了一個在網絡上交流產品和服務信息的機會。越來越多的消費者在個人博客、BBS、社交網絡、電子商務網站等平臺上發布對于產品或服務的評論，促使口碑傳播由線下發展到線上。在互聯網的影響和推動下，口碑傳播的范圍不再僅僅局限于傳統意義上的小型社會群體內，而是擴展到由大規模消費者群體所組成的網絡世界中。口碑傳播的方式也不再是一對一、面對面地進行，消費者可以通過網絡將產品或服務的購買和使用經驗、對產品或服務的評價等信息同時傳遞給眾多的潛在消費者。距離和時間也不再成為口碑傳播的重要阻礙，因為消費者所發布的評論信息會被儲存和顯示在網頁上，其他消費者隨時隨地都能看到這些評論信息。因此，網絡口碑(online word-of-mouth)，作為一種新興的口碑傳播形式，其影響范圍和程度都遠遠超過了傳統的口碑傳播。

圖1 傳統口碑到網絡口碑的變遷

由于傳統口碑的局限性，企業在制定營銷溝通戰略時通常沒有將其納入考慮范圍。然而，隨著Web2.0時代下用戶生成系統(user-generated content)的發展，企業能以越來越低的成本來引發和管理網絡口碑［5］。早在1995年，美國著名的電子商務網站亞馬遜(Amazon.com)就在其網站上建立了線上評論系統，鼓勵消費者發表對商品的評論信息。這項功能受到了消費者的廣泛歡迎，并被認為是亞馬遜獲得成功的關鍵因素之一［6］。近年來，國內的電子商務網站如雨后春筍般成長起來，很多網站(如當當網、京東網、淘寶網、凡客誠品、麥包包等)都建立了線上評論系統，來引發消費者對商品的評論。不僅如此，眾多的第三方信息門戶(如中關村在線、太平洋電腦網)和社交網站(如豆瓣網)也為消費者提供了發布評論信息的平臺。因此，消費者現在可以很容易地在網絡上找到各類商品和服務的評論信息，例如電影、圖書、餐飲、音像制品、數碼產品和旅游住宿等。

線上評論系統的普及對消費者的購買行為和決策過程產生了重要的影響。BizRate調查了5500名網絡消費者對線上評論的看法，44%的受訪者表示他們在購買前會參考其他消費者的評論，59%的受訪者甚至認為消費者評論比專家評論更有價值［7］。最近的一項針對中國消費者的調查研究顯示，超過70%消費者在購買產品前都會主動上網查看其他消費者對品牌、產品或服務的評價［8］。有很大一部分消費者甚至在實體店購買產品時，也會查閱線上消費者評論信息，以此來降低購買決策的風險和不確定性［9］。因此，不少學者認為，線上消費者評論對促進產品的銷量有重要的影響。例如，Liu(2006)發現Yahoo網站上的消費者評論對電影的票房收入有顯著的影響［10］。Clemons、Gao和Hitt(2006)分析了啤酒行業的數據，發現線上消費者評論對啤酒銷量的增長也有顯著的作用［11］。

然而，同樣也存在不少觀點對建立線上評論系統的作用有所質疑。首先，建立在線評論系統減弱了網站對信息的控制能力，負面評論信息的產生和傳播可能會對銷售起抑制作用。很多研究的結論都顯示負面評論的影響大于正面評論［12-13］。其次，相關的利益群體可以利用這一平臺大量地發布對自己商品有利的、對其競爭者商品不利的虛假評論，從而降低了評論信息的可信度。再次，在缺乏有效激勵的情況下，如何刺激購買過商品的消費者花費時間和精力去認真發表評論仍是懸而未決的問題。Chen和Tseng(2011)指出，網絡中不少在線評論存在著文本直接復制、垃圾評論等情況［14］。

那么，企業究竟是否可以通過引發和管理線上消費者評論來影響產品的銷量呢?如果可以，又有哪些關鍵的決策指標需要著重考慮?線上評論的影響在產品的生命周期中會怎么樣動態變化?我們通過收集當當網(dangdang.com)上超過3200萬條圖書評論的大樣本面板數據，建立計量模型對線上消費者評論與產品銷量的關系進行了系統的實證分析，并進一步探討了線上評論各指標的影響在整個產品生命周期中的變化。在接下來的內容中，我們首先進行文獻綜述，并介紹相關的理論背景。第三部分對數據進行了描述。第四部分介紹模型設定并解釋分析結果。第五部分總結了全文的研究，并提出了相應的管理啟示。

二、文獻綜述

在市場營銷和信息系統領域，越來越多的研究開始關注網絡口碑與線上評論的作用。大部分的研究對象為體驗型產品(experience goods)，如電影［10，12，15-17］、圖書［13］、電視節目［18］、電子游戲［19］、餐飲［20］等。對于體驗型產品，消費者只有在消費后才能對產品和服務做出準確的評價［21］。線上評論系統的出現，使消費者在購買產品后可以通過發表評論來向其他的潛在消費者傳遞產品信息和體驗，降低了他們的購買風險，因此對體驗型產品的銷售有重要的影響。此外，對于非體驗型產品，許多研究也證實了網絡口碑的重要作用［11，22］。

在測量網絡口碑效應時，最常采用的3個維度為評論數量、評論效價和評論差異［23］。評論數量(volume)主要指消費者對某一產品或服務發布的評論數之和，代表了網絡口碑規模的大小。評論效價(valence)指消費者對產品或服務評價的好壞或正負性，一般用評論分數的平均值，或正(負)面評價的比例來衡量。評論差異(variance)主要指消費者所發布的評論信息存在的差異或不一致性，通常用評論分數的統計方差來表示。盡管已經有不少學者分別從評論數量、評論效價和評論差異三個方面對網絡口碑效應進行了實證研究，但得到的結論卻不盡相同(見表1)。Liu(2006)、Duan等(2008)在研究網絡口碑的評論數量和評論效價對電影票房的影響時，發現僅有評論數量產生顯著的影響［10，16］。然而，同樣研究電影行業的網絡口碑效應，Dellarocas等(2007)卻發現評論數量和評論效價均有顯著的影響［15］。Chintagunta等(2010)同時分析了評論數量、評論效價和評論差異三種口碑維度對電影票房的影響［17］，他們發現僅有評論效價存在顯著的影響，而評論數量和評論差異的影響并不顯著。Clemons等(2006)同樣研究了這三種效應對啤酒銷量的影響，卻發現評論效價和評論差異均對銷量有顯著的影響，并認為前25%的評分情況對銷量的預測最為精確［11］。

因此，盡管現有的研究已經在不同維度上探索了網絡口碑效應，但其結論仍然存在很大的分歧。對于產生分歧的原因，Duan等(2008)認為是采用了不同的計量模型和研究方法［16］;Chen等(2011)認為與研究中采用的樣本數量的大小有關［24］;也有學者稱是因為忽略了不同階段評論影響的動態變化［22，25］。接下來，我們將分別闡述評論數量、評論效價和評論差異對產品銷量的作用機理，并探討網絡口碑對處于不同生命周期產品的影響差異。

表1 主要的實證研究結論

(一)評論數量

評論數量度量了網絡口碑總體規模的大小，大量的研究都發現了評論數量與消費者行為和產品市場表現的顯著關系［27-29］。評論數量之所以產生影響，最為普遍的解釋是因為其反映了網絡口碑的知曉效應(awareness effect):評論數量越多，說明越多的消費者參與到對一個產品的評價討論中，這不僅從正面反映了已消費該產品人群的大小，也反映了消費者對該產品討論的熱度。熱度越高，反映了已消費顧客傳播口碑的熱情越高，那么其他消費者知曉這個產品的可能性就越大，從而能夠產生更多的后續銷量［18］。不少學者的研究都支持了評論數量對銷量的正向影響。例如，在對電影行業的研究中，Liu(2006)分析了Yahoo網站上每周電影評論信息對票房收入的影響，發現評論數量越多，電影票房越高［10］。Duan等(2008)進一步通過分析Yahoo網站上每天的消費者評論信息，也發現了評論數量對電影的票房收入有顯著的影響［16］。Rui等(2010)則利用 twitter中信息推送(push)的方式直接測量接受到評論信息的人數，發現評論數量對于電影的票房收入有很強的解釋力度［30］。此外，Godes和 Mayzlin(2004)對電視節目的研究［18］，Chevalier和 Mayzlin(2006)對圖書行業的研究［13］，以及盧向華和馮越(2009)對餐飲行業的研究也證實了評論數量對銷量的重要影響［20］。基于同樣的原理，研究產品擴散模型的文獻也通常采用購買者與非購買者之間的互動來衡量口碑效應。Dellarocas等(2007)將評論數量加入產品銷量的預測模型中，發現模型的預測精度有顯著提高［15］。由此，我們推測評論數量對銷量有顯著的正向影響。

(二)評論效價

評論效價指消費者對產品或服務評價的好/壞(正/負)，一般用評論分數的平均值或者正負面評論的比例來衡量。評論效價對產品銷量的影響通常被稱為說服效應(persuasive effect):產品或服務的評分越高，越容易引發其他消費者態度的轉變，從而說服他們接受和購買該產品。Duan等(2009)發現22%的消費者在查看CNET網站上的產品信息時都會按照評分來排序，說明評論分數是消費者進行購買決策的重要依據［31］。已有不少學者的研究驗證了評論效價與產品銷量的關系。Chevalier和Mayzlin(2006)收集了美國兩大圖書銷售網站Amazon.com和BN.com上的評論信息，發現評論分數對圖書的銷量有顯著的正向影響［13］。Clemons等(2006)分析了消費者對啤酒廠商的在線評論，發現評論分數與啤酒的銷售量正相關，并且前25%的評分對銷量的預測最為精確［11］。Dellarocas等(2007)運用網絡評論信息來預測電影票房收入，發現評論的平均分值對票房收入有良好的預測精度［15］。Chintagunta等(2010)將電影行業的網絡口碑研究擴展到多個市場，發現評論效價是最為重要的影響因素［17］。盡管也有一部分學者的研究沒有支持評論效價的作用［10，31-32］，但是，基于以上的分析和大量實證研究的結論，我們仍然推測評論效價對銷量有顯著的正向影響。

(三)評論差異

評論差異度量了消費者對產品或服務態度和觀點上的分歧(統計上稱為異質性)，通常采用評分的方差或標準差來度量。評論差異對銷量的影響目前還存在較大的爭議。支持評論差異對銷量有負面影響的觀點認為，消費者是風險規避(risk averse)的，不一致的評論會提升消費者對購買風險的感知，因此會降低消費者的購買傾向。Meyer(1981)的研究支持了風險規避的觀點，他發現消費者會通過貶低產品的平均評價來適應對產品的批評［33］。Zhang(2006)研究了2004年7月至9月上映的128部電影，發現評論差異越大，票房的衰減越快［34］。另一種觀點認為，對產品評價的較大的差異說明產品不是針對大眾市場，而是針對利基市場(niche market)的產品［26］。對于利基產品，其目標市場的顧客會非常喜歡該產品，評價也相應較高，而非目標市場的顧客評價會相應較低，形成評價效價上的兩極分化。因為利基市場一般來說規模比較小，所以會造成評價差異與銷量之間的負向相關。相反，也有學者認為評論差異對銷量有正面影響。Martin等(2007)通過實驗方法研究了被試在給定電影評分后對電影的偏好程度，發現他們更傾向于選擇評分差異較大的電影［35］。他們將這種現象解釋為評論差異引發了消費者的好奇心，消費者在好奇心的驅動下會產生更多的購買。另一種觀點則認為，評論差異越大，說明評論信息所覆蓋的消費者細分群體就越多，從而會產生更多的銷量。Godes和Mayzlin(2004)發現評論分散度越高，電視節目的收視率越高［18］。Clemons等(2006)也發現評論差異大的啤酒品牌在銷量增長上更快［11］。綜合上述觀點發現，評論差異對銷量的影響尚未有定論，因此需要我們通過實證來進行檢驗。

(四)線上評論的生命周期效應

線上評論信息對產品銷量的影響是如何動態變化的?評論信息對于處于不同生命周期的產品的影響是否有差異?我們發現兩種不同的因素可能造成截然相反的結果。首先，評論信息對銷量的影響可能隨時間而降低，從而對處于生命周期早期的產品的影響大于處于晚期的產品。其原因是隨著產品發布時間的增長，消費者可以從更多的公開渠道獲得與產品相關的信息，如廣告、購物雜志、媒體報道和朋友推薦等。這些渠道發布的信息會影響消費者對產品的認知和態度，使消費者不再僅僅依賴線上評論的信息。Goldfarb和Tucker(2011)通過實地實驗證明了線上廣告與線下廣告存在互相替代的效應［36］。Chen等(2011)的研究也發現網絡互動信息對銷量的影響隨時間而減弱［24］。其次，評論信息對銷量的影響也有可能隨時間而增強，對處于生命周期晚期的產品的影響大于處于早期的產品，因為不同生命周期中消費者的構成不同。Mahajan等(1990)發現在產品生命周期的早期，大部分的消費者是“創新者”或“專家”，而“跟隨者”或“新手”傾向于在更晚的時候購買產品［37］。這個結論說明隨著時間的增長，消費者的構成中“跟隨者”或“新手”的比例越來越大。因為“跟隨者”或“新手”缺乏對產品的知識和經驗［38］，其甄別產品好壞的能力遠遜于“創新者”或“專家”，所以他們更可能依賴線上評論信息來輔助購買決策。

綜合上面的分析，信息渠道的替代效應會使線上評論的影響隨時間增強，而消費者構成的變化會使線上評論的影響隨時間減弱。因此，這兩種相反的效應綜合作用所產生的結果需要運用實證的數據來進行檢驗。

三、數據描述

我們從當當網(dangdang.com)上收集了研究所需的數據。當當網在2007年開通線上商品評論功能，是國內最早建立線上評論系統的網絡零售商之一。在當當網的商品頁面上，每一名注冊用戶均可以對商品撰寫評論信息。在發表評論時，用戶首先被要求對商品進行評分，分值從1分到5分，分值越高代表用戶對商品的評價越高。接著，用戶會被要求撰寫文字標題和具體的評論信息。當當網會實時統計每個商品的評論數量(volume)，并根據所有會員的評分計算出商品的綜合評分(valence)。

通過自主開發的軟件程序，我們跟蹤并收集了當當網“近24小時圖書暢銷榜”上的圖書數據。當當網“近24小時圖書暢銷榜”提供排名前500的圖書信息，其排名由近24小時真實的圖書銷售量決定，通常在每天中午進行更新。我們收集了2011年6月24日至8月30日共68天的暢銷榜上的所有圖書信息。對于每一本圖書，我們記錄了其銷量排名、價格、出版時間、評論數量、評論分數以及各分數(1分到5分)的評論比例。根據研究需要，我們刪除了出版時間缺失、評論分數為0和評論數量小于10的樣本，以保證分析結果的有效性。最終，我們的數據共包含27655本圖書的3200多萬條評論數據。表2為數據的描述性統計結果。

首先，因為當當網沒有公開其產品的具體銷售量，所以我們無法直接獲取產品的銷量數據。但是，當當網暢銷榜每天提供銷量前500名圖書的排名數據，間接反映了圖書的銷售量。不少近期的研究都運用銷量排名來衡量產品的銷售量。Schnapp和Allwine(2001)通過挖掘Amazon網站上的數據發現銷量和銷量排名分別取自然對數之后呈線性相關［39］①Schnapp和Allwine(2001)的擬合結果為:ln(sales)=9.61-0.78*ln(rank)。。Chevalier和 Goolsbee(2003)進一步探討了銷量和銷量排名之間的線性關系，并指出可以用排名的對數值來替代銷量的對數值進行研究［40］。此后，大部分的研究都直接用銷量排名的自然對數來替代銷量［13，24］，也有學者將銷量排名根據Schnapp和Allwine(2003)的擬合結果計算出銷量的近似值［25］。因此，本研究也采用銷量排名的自然對數值替代銷量進行研究。

其次，對于價格，我們采用當當網的實際銷售價格，而非圖書的原價，因為當當網的銷售價格更能反映消費者的實際購買成本。樣本中圖書的平均價格為25.17元，價格最高的圖書為488.2元，最低的為6.4元。此外，我們也收集了圖書的出版時間。出版時間衡量了圖書所處的生命周期階段，出版時間最長的圖書已經出版了5808天，最短的剛上市1天，平均的出版時間為673天。

在線上評論信息方面，我們的數據包含了每本圖書的評論數量、評論分數和各分數(1分到5分)的評論比例。其中，評論數量的均值為1163，與中位數530有較大的差異，說明有少部分圖書獲得了大量的消費者評論，最多的一本書獲得了28624條評論。其次，消費者對樣本中圖書的評價普遍較高，這表現在評論分數的中位數為5，均值為4.78，這一現象與多項相關研究中發現的消費者評論模式是一致的［13，22］。從1分到5分評論的分布比例來看，5分評論和4分評論占了總體評論的大多數，分別為67.68%和22.07%;3分、2分和1分評論分別為7.81%、1.63%和0.78%。我們計算了評論分數的方差來作為評論差異的度量［17，22，34］，評論差異的均值為 0.53，最小值和最大值分別為0和4，說明評論差異在樣本中的分布是均勻的。

表2 描述性統計

四、模型與結果

(一)模型設定

在研究線上評論與銷量關系時，很可能會產生遺漏相關變量的問題(omitted variable problem)。在回歸模型中，遺漏重要的相關變量是導致內生性(heterogeneity)的主要原因。因為一旦這個被遺漏的變量同時與因變量和目標自變量相關，那么目標自變量與隨機擾動項的無關性假定就不再成立，這時如果用最小二乘法進行估計，目標自變量的估計結果就是有偏的［41-42］。不少最近的研究都證明了內生性對估計結果的重要影響。例如，Oberholzer-Gee和Strumpf(2007)對音樂行業的研究發現，控制內生性后，音樂文件的網絡下載次數對專輯銷量的影響由顯著變為不顯著。其原因是遺漏了與音樂質量和音樂的受歡迎程度相關的變量，而它們又同時與音樂的網絡下載量和線下專輯銷量相關［43］。Nair等(2010)對醫藥市場的研究也發現內生性對研究結果存在顯著的影響。在忽略內生性的情況下，跟隨者對意見領袖的模仿行為會被高估［44］。

同樣，本研究也需要考慮內生性的影響。因為，與“差”的圖書相比，“好”的圖書更有可能獲得更多和更好的評價，同時產生更多的銷量。那么，影響產品銷量的可能并非是網絡口碑效應，而是其它一些因素，如圖書質量、作者的受歡迎程度等。不少相關的研究都提出需要控制這些難以觀測的因素的影響。Duan等(2008)提出，對內生性的思考會顯著影響口碑效應的分析結果。他們的研究發現，控制內生性后，僅有評論數量顯著影響電影票房收入，而評論效價的影響并不顯著［16］。Chintagunta等(2010)同樣支持網絡口碑為內生性變量的考慮。他們將電影產業的口碑研究細化到區域市場，并指出在控制內生性后，對總體市場產生顯著影響的是評論數量，而對區域市場產生顯著影響的是評論效價［17］。

基于上述考慮，本文將采用面板數據，通過固定效應模型(fixed effect model)進行分析，以此來控制由遺漏變量而產生的內生性影響(Wooldridge，2002)。具體的回歸模型設定如下:

下標i=1，…N代表圖書，t=1，…N代表時間。μi為以圖書為單位的固定效應，用于控制圖書“質量”等非觀測效應的影響。lnRank為圖書的銷量排名;lnPri為圖書的實際銷售價格;lnAge為圖書的出版天數;lnVol為評論數量;lnVal為評論效價;lnVar為評論差異。我們對上述的因變量和自變量均進行了對數變換。除了因為排名取自然對數后與銷量線性相關以外，這樣做還有兩點好處。一是將潛在的非線性關系變為線性關系，使得回歸模型的結果更加穩健。二是數據的對數化壓縮了變量的量綱，控制了離群值的影響。在我們的樣本中，有的圖書有上萬條消費者評論，所以有必要對其進行對數變換。經過對數變換后，回歸系數的估計值為彈性，即自變量的變化率對因變量變化率的影響。在模型中，我們還加入了Weekend和Trend兩個控制變量。Weekend為代表周末的啞變量(周六和周日=1，工作日=0)，用于控制周末和工作日圖書銷量可能存在的差異。Trend為時間趨勢變量，用于控制圖書銷量隨時間趨勢的變化。

(二)線上評論對銷量的影響

由于我們在模型中假設非觀測效應μi與多個線上評論變量相關，所以采用固定效應模型而非隨機效應模型來進行回歸分析。豪斯曼檢驗［45］的結果也支持固定效應優于隨機效應模型。考慮到線上評論的影響與消費者的購買行為在時間上可能存在一定的先后順序，我們不僅用同期的因變量和自變量進行回歸，還用因變量與滯后一期的自變量(評論數量、評論效價和評論差異)進行了回歸①此時的回歸模型寫為:lnRankit= α0+ α1lnPriit+ α2lnAgeit+ α3lnVoli，t-1+ α4lnVali，t-1+ α5lnVari，t-1+ α6Weekendt+ α7Trendt+ μi+ εit，以檢驗回歸結果的穩健性。表3和表4分別為兩次回歸的結果，不論從系數還是顯著性水平來看，兩次回歸的結果都是一致的。下面我們將參照表3來解釋回歸結果。

表3 評論信息對圖書銷量的影響(同期)

我們用逐步回歸的方法來進行分析。模型1將銷量排名與所有的控制變量進行了回歸，而線上評論的相關變量并沒有進入模型1。模型1的回歸結果顯示所有的控制變量都對因變量有顯著的影響。其中，Weekend的系數是負向顯著的(α6=-0.0202，p＜0.01)，說明相比工作日，圖書在周末的銷量排名更靠前。因為排名是根據銷量計算而來，所以圖書在周末的銷量比工作日更高。Trend的系數是正向顯著的 (α7=0.00160，p＜0.001)，說明樣本中的圖書銷量存在趨勢性的小幅地下降，所以在模型中通過引入時間趨勢變量來除趨勢 (detrending)是有必要的。lnPri的系數為正向顯著 (α1=0.935，p＜.001)，說明圖書的價格越高，其銷量越低。lnAge的系數為正向顯著(α2=0.449，p＜.001)，說明圖書銷量隨著出版時間的增長而衰減。

表4 評論信息對圖書銷量的影響 (滯后1期自變量)

在模型2、3、4中，我們逐步加入了評論數量、評論效價和評論差異這3個與線上評論信息相關的變量。在將這3個變量加入模型后，R2由0.050逐步增加到0.053，說明在加入線上評論變量后，模型的解釋能力更強。此外，我們還計算了更能精確反映模型擬合優度的赤池信息量準則(AIC)和貝葉斯信息量準則 (BIC)。在加入線上評論變量后，AIC由37289.1逐步下降為37212.1，BIC也由37330.2下降到37277.9。AIC和BIC的結果同樣證明加入線上評論變量后模型的擬合優度有明顯地提升，說明線上評論對圖書的銷量有非常重要的影響。

模型2在模型1的基礎上加入了變量lnVol，lnVol為圖書的評論數量。回歸結果顯示，lnVol的系數為負向顯著 (α3=-0.0877，p＜0.001)。這說明消費者在當當網上對某本圖書所發布的評論數量越多，其銷量排名越靠前，即銷量越高。

表5 線上評論的生命周期效應

由于模型中的系數衡量的是彈性，所以可以解釋為評論數量每增加1%，圖書的銷量排名將上升0.09%。在模型3中，我們進一步加入了代表評論效價的變量lnVal。與我們的推測相一致，lnVal的系數也是負向顯著的 (α4=-0.833，p＜0.001)，說明消費者對圖書的總體評論分數越高，其排名越靠前，即銷量越高。由系數α4的估計值可以發現，評論分數的均值每上升1%，該圖書的銷售量將上升0.83%。模型4在之前的基礎上加入了我們所關心的最后一個線上評論變量lnVar，即消費者對圖書的評論差異。lnVar系數的估計結果是顯著的，且方向為正 (α5=0.328，p＜0.001)，說明圖書的評論差異越大，其排名越靠后，即銷量越低。lnVar系數的估計值為0.328，可解釋為評論差異 (評論分數的方差)每增加1%，圖書的排名將下降0.33%。由此，實證分析結果最終支持了評論差異對銷量有負向影響的觀點。由于消費者是風險規避的，當他們看到不一致的評論信息時，會感知到更高的購買風險，從而降低了購買意向。

(三)線上評論的生命周期效應

由于樣本中的圖書在出版時間上的跨度很大(從1天-5808天)，所以便于我們分析線上評論信息對處于不同生命周期階段的圖書的影響。在研究中，我們采用兩種方法來對圖書所處的生命周期進行分類。

首先，我們以出版時間的中位數和均值為界，將樣本中的圖書分為處于生命周期早期的圖書 (出版時間小于中位數或均值)和處于生命周期晚期的圖書 (出版時間大于中位數或均值)，并分別對它們進行回歸分析。表5呈現了回歸分析的結果。其中，表5的第1、2列以出版時間的中位數來區分圖書處于生命周期的早期還是晚期，第3、4列以出版時間的均值來進行區分。從第1、2列的回歸結果可以發現，對于那些處于生命周期早期的圖書 (出版時間小于中位數)，線上評論的影響非常顯著。具體來看，評論數量和評論效價的系數為負向顯著 (α3=-0.115，p＜0.001;α4=-0.561，p＜0.01)，評論差異的系數為正向顯著 (α5=0.357，p＜0.001)，均與前述的分析結果一致。然而，對于那些處于生命周期晚期的圖書 (出版時間大于中位數)，線上評論的影響總體上減弱了。盡管評論數量的影響依然非常顯著 (α3-0.132，p＜0.001)，評論效價的顯著性水平卻有所下降，而評論差異的影響已經降到了顯著性水平以下。同樣，表中第3、4列的回歸結果也說明線上評論的影響隨時間而減弱。對于處于生命周期早期的圖書 (出版時間小于均值)，評論數量、效價和差異的影響都非常顯著 (α3=-0.101，p＜0.001; α4=-0.671，p＜0.001;α5=0.345，p＜0.001)。但對于處于生命周期晚期的圖書 (出版時間大于均值)，評論效價和評論差異的影響都不再顯著，評論數量的顯著性也有一定程度的減弱。

接著，我們進一步將圖書分為早、中、晚三期來檢驗線上評論的影響是否隨時間而減弱。我們將出版時間小于半年的圖書定義為處于生命周期的早期，出版時間在半年至2年的為生命周期的中期，出版時間在2年以上的為生命周期的晚期。統計結果顯示，處于早期、中期和晚期的圖書分別有10173、8282和9113本。回歸分析的結果如表6所示。

與我們的推測相符，線上評論的影響隨圖書出版時間的增長而逐步減弱。對于處于生命周期早期的圖書 (出版時間小于半年)，評論數量、效價和差異均存在顯著的影響，影響方向也與前述的分析結果相符。當圖書處于生命周期的中期(出版時間在半年至2年間)，評論差異的影響首先降低到不顯著的水平。這說明評論差異僅在產品上市的早期產生影響。因為在產品上市的初期，消費者對其質量等各方面的因素不了解，購買的風險和不確定性很高，一旦看到不一致的評論，就會產生疑惑而踟躕不前。而當產品到了生命周期的中后期，通過各種渠道所獲得的信息，消費者已經逐漸了解產品的情況。已有的研究發現評論信息會隨時間逐步調整并趨于一致［25］，所以評論差異的影響會變得不顯著。最后，當圖書到了生命周期的晚期 (出版時間大于2年)，評論效價和評論差異均不再對銷量產生顯著的影響，但是評論數量的影響仍然十分顯著 (α3=-0.145，p＜0.01)。這個結果說明，當產品到了生命周期的晚期，消費者已經對產品各方面的情況非常了解，并且他們也可以從其它各種渠道獲取產品的質量等信息，所以與評論分數相關的評論效價和評論差異都不再產生顯著的影響。不過，值得注意的是，評論數量在整個產品的生命周期中一直都對銷量有非常顯著的影響。這說明當產品進入衰退期時，最重要的是通過評論的信息性影響提醒并讓更多的消費者知道該產品，這個結論與提醒性廣告的作用非常類似［46］。

表6 線上評論的生命周期效應 (續)

五、結論與啟示

(一)研究結論

本文使用當當網圖書評論的大樣本面板數據，通過建立計量模型，對線上評論信息與圖書銷量的關系進行了實證分析，分析的結論豐富了網絡口碑與線上消費者評論領域的相關論述。

首先，我們發現線上評論信息的各維度均對銷量存在顯著的影響。其中，評論數量和評論效價對圖書的銷量有顯著的正向影響，評論差異會負向影響圖書的銷量。評論數量和評論效價的實證結果驗證了已往研究中提出的知曉效應和說服效應，即評論數量通過讓更多消費者知曉該產品來增加銷量，而評論效價則通過說服消費者接受該產品來增加銷量。評論差異的實證結果調和了現有研究中的爭論。一種觀點認為評論差異對銷量有負向影響，因為評論差異可能會提升消費者對購買風險的感知［33］，或是預示著該產品僅符合一小部分利基市場消費者的偏好［26］。另一種觀點卻認為評論差異對銷量有正向影響，其理由是評論差異可能會引發消費者的購買好奇心［35］，或是暗含著對于產品的討論覆蓋了更多的消費者細分群體［18］。實證分析的結論支持了前一種說法，證明評論差異會對銷量產生負向的影響。

其次，本文發現線上評論對銷量的影響隨時間而減弱，所以對處于生命周期早期的產品的影響大于處于晚期的產品。此現象可以解釋為，隨著產品發布時間的增長，消費者可以從越來越多的其它渠道獲得與產品相關的信息，如廣告、購物雜志、媒體報道和朋友推薦等。這些信息會對線上評論的信息產生替代作用，從而減弱了線上評論的影響。不過，值得強調的是，評論數量在整個產品生命周期的過程中一直扮演非常重要的角色。特別是在產品生命周期的晚期，評論效價和評論差異的影響均降到顯著性水平以下，而僅有評論數量仍然對銷量有非常重要的影響。這個結論也再一次支持了評論數量為網絡口碑中最重要的變量的觀點［10，16］。

(二)管理啟示

隨著電子商務與信息技術的不斷發展，消費者熱衷于在網絡上參與商品和服務的討論，從而為企業提供了一種新型的營銷溝通模式。電子商務企業可以在自己的網站上建立消費者評論系統，或是將第三方評論網站的結果鏈接到自己的商品頁面中，來輔助和影響消費者的購買行為。對于企業管理者而言，如何引導和管理線上消費者評論，進行有效的營銷溝通，成為了他們在管理實踐中所關注的焦點。本文的研究結論提供了以下兩點重要的啟示。

首先，線上評論作為一種重要的網絡口碑信息，會對產品的銷量產生直接的影響，進而影響企業的收益和利潤。所以，企業應該運用線上評論系統來進行網絡口碑營銷。在進行網絡口碑營銷的過程中，評論數量、評論效價和評論差異是企業需要關注的關鍵性決策指標。企業的營銷目標是增加評論數量，提高評論效價，并降低評論差異。因為增加評論數量能讓更多潛在的消費者知曉產品，提高評論效價能說服更多的消費者進行購買，降低評論差異能減少消費者的困惑和對購買風險的感知。

其次，線上評論的生命周期效應提示管理者，對于處于不同生命周期的產品應該采用不同的口碑營銷策略。在產品上市的早期階段，評論數量、評論效價和評論差異都非常重要，企業應同時關注這三個方面的影響。而隨著產品進入生命周期的中后期，評論效價和評論差異的作用逐漸變得不明顯。這時，企業應主要聚焦于提升評論數量，讓更多的潛在消費者知曉該產品，或是提醒消費者再次進行購買。

［1］KATZ E，LAZARSFELD P F.Personal Influence:The Part Played by People in the Flow of Mass Communications［M］.New York，NY:Free Press，1955.

［2］COLEMAN J S，KATZ E，MENZEL H.Medical Innovation:A Diffusion Study［M］.New York，NY:Bobbs-Merrill Company，1966.

［3］GRANOVETTER M S.The Strength of Weak Ties［J］.American Journal of Sociology，1973，78(6):1360-1380.

［4］ELLISON G，FUDENBERG D.Word-of-mouth Communication and Social Learning［J］.The Quarterly Journal of Economics，1995，110(1):93-125.

［5］ CHEN Yubo，XIE Jinhong.Online Consumer Review:Word-of-mouth as a New Element of Marketing Communication Mix［J］.Management Science，2008，54(3):477-491.

［6］HARMON A.Amazon Glitch Unmasks War of Reviewers［OL］.TheNew York Times，http://www.nytimes.com/2004/02/14/us/amazon-glitch-unmasks-war-of-review-ers.html，2004-02-14.

［7］PILLER C.Everyone Is a Critic in Cyberspace［N］.Los Angeles Times，1999-03-12(A1).

［8］胡 輝.網絡口碑左右消費者購買行為 ［N］.第一財經日報，2009-03-16(C05).

［9］DERBAIX C，VANHAMME J.Inducing Word-of-Mouth by Eliciting Surprise-A Pilot Investigation ［J］.Journal of Economic Psychology，2003，24(1):99-116.

［10］ LIU Yong.Word of Mouth for Movies:Its Dynamics and Impact on Box Office Revenue［J］.Journal of Marketing，2006，70(3):74-89.

［11］CLEMONS E K，GAO Guodong，Hitt L M.When Online Reviews Meet Hyper Differentiation:A Study of the Craft Beer Industry［J］.Journal of Management Information Systems，2006，23(2):149-171.

［12］ BASUROY S，CHATTERJEE S，RAVID S A.How Critical Are Critical Reviews?The Box Office Effects of Film Critics，Star Power，and Budgets［J］.Journal of Marketing，2003，67(4):103-117.

［13］CHEVALIER J A，MAYZLIN D.The Effect of Word of Mouth on Sales:Online Book Reviews［J］.Journal of Marketing Research，2006，43(3):345-354.

［14］CHEN Chien Chin，TSENG Youde.Quality Evaluation of Product Reviews Using an Information Quality Framework［J］.Decision Support Systems，2011，50(4):755-768.［15］ DELLAROCAS C，ZHANG Xiaoquan，AWAD N F.Exploring the Value of Online Product Reviews in Forecasting Sales:The Case of Motion Pictures［J］.Journal of Interactive Marketing，2007，21(4):23-45.

［16］DUAN Wenjing，GU Bin，WHINSTON A B.Do Online Reviews Matter?-An Empirical Investigation of Panel Data［J］. Decision Support Systems， 2008， 45 (4):1007-1016.

［17］CHINTAGUNTA P K，GOPINATH S，VENKATARAMAN S.The Effects of Online User Reviews on Movie Box Office Performance:Accounting for Sequential Rollout and Aggregation Across Local Markets ［J］.Marketing Science，2010，29(5):944-957.

［18］GODES D，MAYZLIN D.Using Online Conversations to Study Word-of-mouth Communication ［J］.Marketing Science，2004，23(4):545-560.

［19］ZHU Feng，ZHANG Xiaoquan.Impact Of Online Consumer Reviews on Sales:The Moderating Role of Product and Consumer Characteristics［J］.Journal of Marketing，2010，74(2):133-148.

［20］盧向華，馮 越.網絡口碑的價——基于在線餐館點評的實證研究 ［J］.管理世界，2009(7):126-132.

［21］ NEELAMEGHAMR，JAIND.ConsumerChoice Process for Experience Goods:An Econometric Model and Analysis［J］.Journal of Marketing Research，1999，36(3):373-386.

［22］ MOE W W，TRUSOV M.The Value of Social Dynamics in Online Product Ratings Forums［J］.Journal of Marketing Research，2011，48(3):444-456.

［23］ DELLAROCASC， NARAYAN R.A Statistical Measure of a Population's Propensity to Engage in Post-purchase Online Word-of-mouth ［J］.Statistical Science，2006，21(2):277-285.

［24］CHEN Yubo，WANG Qi，XIE Jinhong.Online Social Interactions:A Natural Experiment on Word of Mouth Versus Observational Learning ［J］.Journal of Marketing Research，2011，48(2):238-254.

［25］LI Xinxin，HITT L M.Self Selection and Information Role of Online Product Reviews［J］.Information Systems Research，2008，19(4):456-474.

［26］ SUN Monic.How Does Variance of Product Ratings Matter? ［J］. ManagementScience，2012，58 (4):696-707.

［27］ANDERSON E W.Customer Satisfaction and Word of Mouth ［J］.Journal of Service Research，1998，1(1):5-17.

［28］VAN DEN BULTE C，LILIEN G L.Medical Innovation Revisited:Social Contagion Versus Marketing Effort［J］.American Journal of Sociology， 2001， 106 (5):1409-1435.

［29］BOWMAN D，NARAYANDAS D.Managing Customer-Initiated Contacts with Manufacturers:The Impact on Share of Category Requirements and Word-Of-Mouth Behavior［J］.Journal of Marketing Research，2001，38(3):281-297.

［30］ RUI Huaxia，LIU Yizao，WHINSTON A B.Chatter Matters:How Twitter can Open the Black Box of Online Word-Of-Mouth［A］.ICIS 2004 Proceedings［C］.Saint Louis，Missouri:ICIS Press，2010:204.

［31］DUAN Wenjing，Gu Bin，WHINSTON A B.Informational Cascades and Software Adoption on the Internet:An Empirical Investigation［J］.MIS Quarterly，2009，33(1):23-48.

［32］ CHEN Peiyu，WU Shinyi，YOON Jungsun.The Impact of Online Recommendations and Consumer Feedback on Sales［A］.ICIS 2004 Proceedings［C］.Washington DC:ICIS Press，2004:58.

［33］MEYER R J.A Model of Multiattribute Judgments under Attribute Uncertainty and Informational Constraint［J］.Journal of Marketing Research，1981，18(4):428-441.

［34］ZHANG Xiaoquan.Tapping into the Pulse of The Market:Essays on Marketing Implications of Information Flows［D］.Cambridge，MA:MIT Ph.D.Dissertation，2006.

［35］MARTIN J，BARRON G，NORTON M I.Choosing to Be Uncertain:Preferences for High Variance Experiences［Z］.Cambridge，MA:Harvard Business School，2007.

［36］GOLDFARB A，TUCKER C.Advertising Bans and the Substitutability of Online and Offline Advertising［J］.Journal of Marketing Research，2011，48(2):207-227.

［37］MAHAJAN V，MULLER E，Bass F M.New Product Diffusion Models in Marketing:A Review and Directions for Research［J］.The Journal of Marketing，1990，54(1):1-26.

［38］ALBA J W，HUTCHINSON J W.Dimensions of Consumer Expertise［J］.Journal of Consumer Research，1987，13(4):411-454.

［39］SCHNAPP M，ALLWINE T.Mining of Book Data from Amazon.Com［R］.Berkeley，CA:SIMS Web Mining Conference，2001.

［40］CHEVALIER J，GOOLSBEE A.Measuring Prices and Price Competition Online:Amazon.Com and Barnesandnoble.com ［J］.QuantitativeMarketingand Economics，2003，1(2):203-222.

［41］ WOOLDRIDGE J M.Econometric Analysis of Cross Section and Panel Data［M］.Cambridge，MA:The MIT Press，2002.

［42］ GREENE W H.Econometric Analysis［M］.Upper Saddle River，NJ:Prentice Hall，2003.

［43］OBERHOLZER G F，STRUMPF K.The Effect of File Sharing on Record Sales:An Empirical Analysis［J］.Journal of Political Economy，2007，115(1):1-42.

［44］ NAIR H S， MANCHANDA P， BHATIA T.Asymmetric Social Interactions in Physician Prescription Behavior:The Role of Opinion Leaders［J］.Journal of Marketing Research，2010，47(5):883-895.

［45］ HAUSMAN J A.Specification Tests in Econometrics［J］.Econometrica:Journal of the Econometric Society，1978，46(6):1251-1271.

［46］NELSON P.Advertising as Information［J］.The Journal of Political Economy，1974，82(4):729-754.