數(shù)據(jù)驅(qū)動下的個體移動服務(wù)產(chǎn)品采納行為的擴散研究

冉曉斌，劉躍文，姜錦虎

(西安交通大學(xué)管理學(xué)院，陜西 西安 710049)

數(shù)據(jù)驅(qū)動下的個體移動服務(wù)產(chǎn)品采納行為的擴散研究

冉曉斌，劉躍文，姜錦虎

(西安交通大學(xué)管理學(xué)院，陜西 西安 710049)

隨著信息技術(shù)的不斷發(fā)展，個體間的交互更加便捷，同時各類網(wǎng)絡(luò)平臺的不斷興起，使得個體之間的決策變得越來越相互依賴。新產(chǎn)品擴散的研究自Bass模型起，主要是對市場整體擴散過程及結(jié)果進行描述和預(yù)測，但這些方法均存在一定的局限性，包括完全連接的網(wǎng)絡(luò)結(jié)構(gòu)、未考慮個體之間的異質(zhì)性等。本研究從社會網(wǎng)絡(luò)的視角來研究同伴影響在個體新產(chǎn)品采納行為中的作用，并通過社會網(wǎng)絡(luò)將個體行為與市場擴散過程相連接。對于此類研究中難以區(qū)分的同質(zhì)性所帶來的內(nèi)生性問題，本研究通過PSM模型進行了有效的控制。同時，本文使用超過120萬社交網(wǎng)絡(luò)用戶的真實數(shù)據(jù)集，包含完整的社會網(wǎng)絡(luò)、個體屬性及采納行為等信息，通過數(shù)據(jù)分析、靜態(tài)與動態(tài)PSM模型相結(jié)合的方法，證實了在新產(chǎn)品的擴散中同伴影響的作用。此外，研究發(fā)現(xiàn)關(guān)系強度對同伴影響具有正向的調(diào)節(jié)作用。本文對后續(xù)從社會網(wǎng)絡(luò)視角進行產(chǎn)品擴散的研究提供了方法及依據(jù)。

新產(chǎn)品擴散；同伴影響；社會網(wǎng)絡(luò)；數(shù)據(jù)驅(qū)動

1 引言

新產(chǎn)品擴散的相關(guān)研究最早始于上世紀(jì)六十年代[1-3]。作為其中最具影響力的模型，Bass模型通過對內(nèi)外部影響系數(shù)的估計，從宏觀市場層面對市場擴散過程及結(jié)果進行描述和預(yù)測。雖然隨后研究大多基于Bass模型進行改進及擴展，但該模型仍存在一定的局限性，如完全連接的網(wǎng)絡(luò)結(jié)構(gòu)、未考慮個體之間的異質(zhì)性[4]，并且bass模型中對于參數(shù)的估計很難與實際市場情況相一致[5]。考慮到個體間建立連接并產(chǎn)生交互作用時，采納行為會在個體間進行擴散，這種個體間相互影響的過程可以被稱作同伴影響(Peer Influence)。新產(chǎn)品能否被消費者接納，則關(guān)乎一個企業(yè)的成敗，然而新產(chǎn)品的成功率卻只有59%，即接近一半的新產(chǎn)品擴散都是失敗的[6]。因而，對新產(chǎn)品擴散的進一步探究對企業(yè)意義重大。近年來社交網(wǎng)絡(luò)的興起使個體的決策越來越相互依賴[7]，用戶在采納及購買等決策中受到同伴的影響更為顯著。因此，本文從個體同伴影響的角度來探討產(chǎn)品擴散的過程。部分學(xué)者們也開始從個體角度研究新產(chǎn)品擴散問題，要將微觀個體采納行為與宏觀市場擴散結(jié)果相連接，社會網(wǎng)絡(luò)是其中不可或缺的部分。因而，以社會網(wǎng)絡(luò)為視角，研究個體采納行為的擴散有重要的研究價值。關(guān)于行為擴散的研究在近些年成為管理領(lǐng)域研究者關(guān)注的熱點之一，學(xué)者們以社會網(wǎng)絡(luò)為視角，通過實地數(shù)據(jù)(Field Data)及實地實驗(Field Experiment)的方法對行為傳播問題展開了深入的研究，在Nature，Science等頂尖期刊上均有所發(fā)表，可見，此類研究正處于方興未艾之時[8-9]。而相較于國外，國內(nèi)的相關(guān)研究才剛剛起步。在Christakis和Fowler[10]的研究基礎(chǔ)上，劉斌等[11]、李磊等[12]以中國的大規(guī)模社會調(diào)查數(shù)據(jù)，分別對幸福感和肥胖的傳播做了進一步的探討，但主要是對環(huán)境效應(yīng)的作用進行了驗證，即社區(qū)中不同個體的行為對焦點個體所產(chǎn)生的影響，但并未利用個體間一一對應(yīng)的完整的社會網(wǎng)絡(luò)來驗證該問題。此外，陳庭強和何建敏[13]指出個體之間的關(guān)聯(lián)程度對信用風(fēng)險的擴散存在一定的影響，周彥莉則從網(wǎng)絡(luò)結(jié)構(gòu)的角度進一步解釋了個體決策之間的關(guān)聯(lián)關(guān)系。同時，劉霞等[14]關(guān)于數(shù)字內(nèi)容產(chǎn)品的研究也指出消費者之間的模仿行為是驅(qū)動產(chǎn)品擴散的直接動力。已有研究從不同角度證明了社會網(wǎng)絡(luò)在新產(chǎn)品擴散中的重要作用[15-17]。

然而個體的社會網(wǎng)絡(luò)較為隱秘且過于龐雜，很難通過問卷調(diào)查等方法獲取。隨著信息技術(shù)的廣泛應(yīng)用，個體之間的互動方式也由單一的面對面的交互，演變?yōu)殡娫挕⒓磿r通訊軟件等多種交互方式的同時進行。得益于此，個體的社會網(wǎng)絡(luò)數(shù)據(jù)也在使用過程中被各類信息設(shè)備及軟件記錄下來。相比于調(diào)查問卷所獲的數(shù)據(jù)，這些原始信息更加真實、客觀和完整。

隨著社會網(wǎng)絡(luò)數(shù)據(jù)可獲取性的提高，近年來在各類頂級期刊上開始出現(xiàn)此類研究，使該問題的研究有了突破性的進展。Christakis和Fowler[18]基于一項32年跟蹤研究所獲的數(shù)據(jù)集，就社會網(wǎng)絡(luò)中個體行為的同伴影響展開的一系列的研究，其研究表明，社會行為的影響力會傳播到自身的三度好友。其中最具影響力的是關(guān)于肥胖癥的研究，如果個體的好友、兄弟姐妹及配偶變肥胖，其變?yōu)榉逝值母怕蕦謩e增加57%、40%、30%[10]。在此基礎(chǔ)之上，眾多學(xué)者也投入到了同伴影響問題的研究之中，Bond等[8]在2010年美國國會選舉期間，對六億Facebook用戶進行了隨機對照實驗。結(jié)果表明，好友在選舉中的投票行為，會顯著影響目標(biāo)用戶的行為，且強關(guān)系對個體行為在線上及線下的傳播均有顯著影響。Centola[9]創(chuàng)建了一個由1528人參與的基于互聯(lián)網(wǎng)的健康社區(qū)，通過對照實驗，研究了網(wǎng)絡(luò)結(jié)構(gòu)對健康行為擴散的影響，個體行為在高聚類的規(guī)則網(wǎng)絡(luò)中的傳播比在隨機網(wǎng)絡(luò)中速度更快。隨機網(wǎng)絡(luò)中由于長程捷徑的存在使信息傳播比較快，而行為方式的傳播恰恰相反。社會行為的傳播要更為復(fù)雜，人們常常需要與多個人接觸之后才會堅定地采納某種行為。段文奇和孔立佳[19]指出個體在選擇電子商務(wù)平臺的決策上，需考慮與其他用戶的決策相協(xié)調(diào)，即受到其他用戶決策的影響。已有研究在不同的情景下，驗證了同伴影響對行為擴散所產(chǎn)生的作用，但已有研究并未對移動服務(wù)產(chǎn)品采納行為的擴散進行深入的探討。隨著移動互聯(lián)網(wǎng)的普及，用戶使用服務(wù)產(chǎn)品的方式也逐漸從PC端向移動端轉(zhuǎn)移，因此，對于移動服務(wù)產(chǎn)品的采納行為仍需進一步探討。

然而，此類研究往往很難區(qū)分個體同質(zhì)性與同伴影響的作用，如何排除同質(zhì)性所帶來的內(nèi)生性問題成為一個重要挑戰(zhàn)。具體來說，對于好友行為相似性的形成主要有兩種不同的解釋：1)個體在交友過程中傾向于選擇具有同質(zhì)性特征的個體，而同質(zhì)性特征可能會帶來相似的行為；2)好友間的相互影響導(dǎo)致行為的傳播[18]。因此，應(yīng)對基于影響和基于同質(zhì)性這兩種行為傳播的機理加以區(qū)分。已有文獻對該問題的解決方法主要包括以下三類：1)隨機試驗(Random test)，此方法在一定程度上識別了同伴影響的作用，但不能解釋其因果關(guān)系[20]；2)實驗室實驗(Experiment)，實驗的設(shè)計難以完全控制相關(guān)因素，且成本高樣本小[21]；3)實地實驗(Filed experiment)，學(xué)者通過與Facebook等平臺合作，在自然環(huán)境下開展大規(guī)模實驗，此類研究通常具有極高的價值，但實驗難度較大不易操作[8]。鑒于上述方法的局限性，本文提出通過計量模型的方法來控制同質(zhì)性的影響。

此外，已有研究雖然說明了個體之間的采納行為存在同伴影響，但并未探討不同社會網(wǎng)絡(luò)結(jié)構(gòu)所產(chǎn)生的作用。而在以社會網(wǎng)絡(luò)結(jié)構(gòu)為視角的研究中，學(xué)者們已經(jīng)注意到社會網(wǎng)絡(luò)結(jié)構(gòu)會對產(chǎn)品擴散產(chǎn)生影響，如Garber等[22]認(rèn)為個體的網(wǎng)絡(luò)結(jié)構(gòu)會對口碑傳播的作用產(chǎn)生影響。Lee[23]從信息獲取的角度，提出個體在社會網(wǎng)絡(luò)中所處的位置會影響信息的獲取，從而影響其消費決策。也有學(xué)者對網(wǎng)絡(luò)的整體結(jié)構(gòu)對產(chǎn)品擴散的影響進行了研究，相比于隨機網(wǎng)絡(luò)，聚集網(wǎng)絡(luò)更有利于新產(chǎn)品的擴散[24]。基于此，本文通過對個體局部網(wǎng)絡(luò)五大指標(biāo)的測量，將社會網(wǎng)絡(luò)結(jié)構(gòu)納入分析模型中。而個體間的關(guān)系強度的差異也會使同伴影響產(chǎn)生不同的作用，已有學(xué)者研究證明，個體的采納決策行為主要受到與其有較強聯(lián)系個體的影響[25-27]，如朋友、同事、家庭成員，但并未對不同關(guān)系強度進行對比，因此本研究將探討關(guān)系強度對同伴影響的調(diào)節(jié)作用。

綜上所述，本文以同伴影響在移動服務(wù)產(chǎn)品擴散過程中的作用為研究問題，在已有研究的基礎(chǔ)上，探討個體社會網(wǎng)絡(luò)結(jié)構(gòu)對行為傳播的影響，以及個體間關(guān)系強度對同伴影響的調(diào)節(jié)作用。在研究方法上，本文以國內(nèi)某社交平臺移動端的100余萬用戶的采納行為數(shù)據(jù)為基礎(chǔ)，通過數(shù)據(jù)分析，觀察個體行為間的相關(guān)性，并運用傾向得分匹配的方法，進一步控制個體同質(zhì)性因素所產(chǎn)生的內(nèi)生性影響，以分析同伴影響的作用。

2 數(shù)據(jù)分析

2.1數(shù)據(jù)描述

數(shù)據(jù)來自某社交網(wǎng)絡(luò)移動端的用戶使用數(shù)據(jù)。數(shù)據(jù)的抽樣通過滾雪球抽樣(Snowball sampling)的方法進行，首先隨機選擇一部分種子用戶，再抽取出這些種子用戶的好友(一度好友)，進而再抽樣其好友的好友(二度好友)。通過滾雪球抽樣方法得到的社會網(wǎng)絡(luò)數(shù)據(jù)具有局部的完整性。數(shù)據(jù)集共包含1)120余萬節(jié)點，1800余條連接。其中焦點節(jié)點5828個，其局部網(wǎng)絡(luò)結(jié)構(gòu)是完整的。因此本研究是基于5828個焦點節(jié)點，及其120余萬好友進行的；2)用戶的個體屬性信息，包含有性別、年齡等人口統(tǒng)計信息，以及地理位置信息；3)用戶的使用行為數(shù)據(jù)，包括在pc端的登錄行為，及移動端的采納行為；4)數(shù)據(jù)的時間跨度從2012年9月至2012年12月，共四個月按月匯總數(shù)據(jù)，如表1所示。

該數(shù)據(jù)集的時間范圍是從2012年9月至2012年12月，因為此時正處于用戶對該產(chǎn)品采納行為的爆發(fā)式增長期，對于用戶行為之間的影響作用觀察更為清晰。產(chǎn)品的初始發(fā)布時間要早于數(shù)據(jù)的起點時間，如圖1所示，對于9月前已采納該產(chǎn)品的用戶，則無法判定其采納的具體時間點，同時12月后仍存在未采納的用戶。因此，在本文的研究中，我們將數(shù)據(jù)集分為兩部分，2012年9月為第一部分做靜態(tài)分析，2012年10月至2012年12月的數(shù)據(jù)為第二部分做動態(tài)分析。

圖1 各月采納用戶數(shù)

2.2數(shù)據(jù)分析

對于社會網(wǎng)絡(luò)中個體的行為之間是否存在同伴影響，可以從兩個方面來加以論證，即行為結(jié)果的相關(guān)性[28]和行為時間的相關(guān)性[20]。行為結(jié)果的相關(guān)性可以從個體之間采納行為的相關(guān)性進行判斷，通過對數(shù)據(jù)的分析，我們發(fā)現(xiàn)焦點個體的采納比例與好友采納的比例存在顯著的正相關(guān)(圖2)，這可以作為同伴影響存在的一個有力的證據(jù)。而行為時間的相關(guān)性則是對同伴影響存在的加強，因為若同伴影響不存在，個體采納行為發(fā)生的時間相互之間應(yīng)該是獨立的[20]。而要對此進行驗證，我們需要通過隨機試驗(Shuffle test)的方法來進行。1)計算出建立連接的個體之間采納時間之差Δt；2)依照總體采納時間的分布，隨機給定個體的采納時間；3)計算隨機試驗后的個體間采納時間之差Δtshuffle；4)分析Δt與Δtshuffle的差異。隨機試驗結(jié)果如圖3所示，隨機試驗所得到的個體采納時間之差要顯著高于實驗采納時間之差，說明建立連接的個體間的采納行為具有較高的時間一致性。

圖2 好友采納比例與焦點個體采納比例

圖3 好友采納時間與焦點個體采納時間差

通過分析，可以看到好友的采納行為與個體的采納行為之間有很強的相關(guān)性，但這種相關(guān)性并不能等同于因果關(guān)系。同質(zhì)性是指個體更傾向于與自己相似的個體建立連接[29]，這就造成了選擇偏差(Select bias)，即好友采納比例較高的個體，即使不考慮同伴效應(yīng)的影響，其采納行為發(fā)生的概率也會高于好友采納比例低的個體，這是由于相似的個體屬性所導(dǎo)致。但同質(zhì)性和同伴效應(yīng)通常會混雜在一起，無法直接判斷。因此，需要通過一些方法來控制同質(zhì)性，本文通過構(gòu)建PSM來實現(xiàn)。

3 計量模型

3.1變量

3.1.1 網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)是個體屬性的一個重要方面，在現(xiàn)有對本問題的研究中，并未考慮個體的局部社會網(wǎng)絡(luò)指標(biāo)，或只考慮度、密度等個別指標(biāo)。本文將反映個體網(wǎng)絡(luò)結(jié)構(gòu)五個較為重要的指標(biāo)都納入了模型當(dāng)中，如表2所示。

3.1.2 關(guān)系強度的測量

不同關(guān)系強度的好友對個體的影響力有著顯著的差異。共同好友(Common neighbor，CN)是對個體間關(guān)系強度測量最為廣泛，也是最為有效的方法之一。本文以焦點個體與好友間共同好友(CN)的人數(shù)作為關(guān)系強度的測量指標(biāo)。

表2 網(wǎng)絡(luò)結(jié)構(gòu)系數(shù)

3.2靜態(tài)模型

因數(shù)據(jù)起點為2012年9月，因此在之前已采納用戶與其好友采納行為的時間一致性我們無法觀測到，但可以研究其行為的一致性。為確保研究的準(zhǔn)確與完整，本文將數(shù)據(jù)分為兩部分，即使用第一個月及后三個月的數(shù)據(jù)，分別進行靜態(tài)與動態(tài)的分析。

本文使用傾向得分匹配(Propensity score matching，PSM)的方法來控制個體的同質(zhì)性。PSM常用作控制內(nèi)生性，其理論框架是反事實模型(Counter-factor model)，對于處在干預(yù)組的個體而言，反事實就是該個體處于控制狀態(tài)下的潛在結(jié)果，而這種潛在結(jié)果是無法被觀測到的。因此需要對干預(yù)組個體在控制組中匹配相似個體，再觀察其行為的一致性。相似是指這對個體具有相同的可能性受到該影響。

本研究首先將個體分為兩組，即干預(yù)組(Treatment group)與控制組(Control group)，分組依據(jù)為個體的全部好友中采納該產(chǎn)品的比例，若采納比例高于50%，說明同伴影響較強，為干預(yù)組，低于50%為控制組。其次構(gòu)建Logistic回歸模型，將個體特征(A)，網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)(Net)，好友特征(FA)作為自變量，以個體是否受到較高的同伴影響(≥50%好友采納)為因變量，如公式(1)所示。通過Logistic回歸，得出各變量系數(shù)，最后再將個體的所有指標(biāo)代入回歸方程中，即得出個體的傾向得分Pi，將干預(yù)組與控制組中得分相近的個體進行匹配，再對匹配后個體進行分析。

關(guān)系強度則通過共同好友數(shù)來測量，將與焦點個體的共同好友大于等于1、5、10的好友分別進行分析。

(1)

3.3動態(tài)模型

靜態(tài)模型只從個體與好友行為一致性的角度，部分的證明同伴影響，若能對時間一致性也進行證明，則能使同伴影響的證明更加充分。因此，我們構(gòu)建了動態(tài)PSM模型，將后三個月數(shù)據(jù)逐月進行匹配，分析在這期間新采納該產(chǎn)品的個體是否存在同伴影響的作用。

在動態(tài)模型當(dāng)中，干預(yù)組為在該月內(nèi)新采納的個體，控制組為仍未采納的個體。而我們在公式(1)的基礎(chǔ)上，將個體好友中已采納的比例(Adopter)作為自變量加入，因變量則為在該月內(nèi)是否有好友采納該產(chǎn)品。

(2)

4 結(jié)果分析

4.1Logistic回歸結(jié)果

根據(jù)公示(1)進行Logistic回歸，其結(jié)果如表3。15個變量中僅3個變量不顯著，說明變量的選取具有一定的解釋性。

表3 Logistic回歸結(jié)果

注：***、**及*分別表示在0.01，0.05，0.1的水平下顯著

4.2計算傾向得分并匹配

完成Logistic回歸得到各變量系數(shù)后，將干預(yù)組與控制組的個體代入其中，計算傾向得分，結(jié)果如圖4所示。干預(yù)組的得分要高于控制組，但兩組存在重合的部分，我們需要對其重合部分進行匹配。

圖4 傾向得分計算結(jié)果

在不同的關(guān)系強度下，控制組與干預(yù)組的樣本總數(shù)不同。在匹配過程中，為排除不相似的個體，需要對配對個體的得分差設(shè)置閾值。干預(yù)組個體得分為pi,控制組個體得分為pj,則只選取|pi-pj|≤0.01的個體進行配對。因此最終配對的個體數(shù)要小于任一組的樣本量，如圖5所示。

圖5 匹配的樣本量

4.3模型結(jié)果分析

將干預(yù)組與控制組個體進行PSM匹配后，是否控制有效控制了同質(zhì)性，還需要與隨機匹配的結(jié)果進行對比。如圖所示，從PSM與隨機匹配的對比結(jié)果中可以得出，在不考慮關(guān)系強度的條件下，隨機匹配會混雜同質(zhì)性因素，過高估計同伴影響的效應(yīng)。而在控制了同質(zhì)性之后，同伴效應(yīng)帶來的影響是有原來的72%，說明同質(zhì)性是新產(chǎn)品擴散問題中不可忽視的一個重要因素。同時，也說明了同伴效應(yīng)在新產(chǎn)品擴散中確實存在，并起著關(guān)鍵性的作用。

當(dāng)關(guān)系強度增加時，同伴影響整體呈遞增趨勢，如圖6所示，說明關(guān)系強度對同伴影響具有正向的調(diào)節(jié)作用。關(guān)系強度高的好友，與焦點個體之間所產(chǎn)生的互動相對較高，也具有更高的影響力。但共同好友大于等于1處的同伴影響最弱，這可能是由于在排除一部分弱連接的好友后(無共同好友)，可以將同質(zhì)性更好的區(qū)分并加以控制，增大了同質(zhì)性的解釋水平。

動態(tài)模型的分析結(jié)果如圖7所示，該結(jié)果表明個體間的采納行為存在時間一致性，進一步說明了同伴影響存在一定的作用。

圖6 靜態(tài)模型分析結(jié)果

圖7 動態(tài)模型分析結(jié)果

5 結(jié)語

本文通過對120余萬用戶采納行為的計量分析，說明了同伴影響對采納行為的重要作用，并驗證了個體網(wǎng)絡(luò)結(jié)構(gòu)及關(guān)系強度對同伴影響的調(diào)節(jié)作用，同時，說明了在關(guān)于同伴影響的研究中，應(yīng)注意區(qū)分同質(zhì)性的作用，在本研究中，在控制個體同質(zhì)性之后，同伴影響只有控制前的72%。

本研究理論貢獻主要包含以下幾點：1)不同于現(xiàn)有研究將微觀的個體采納行為與宏觀的市場擴散過程相互獨立，本文通過社會網(wǎng)絡(luò)的視角，將個體層面的采納行為與市場整體的產(chǎn)品擴散結(jié)果相連接。在國內(nèi)的研究中，此類問題大多采用仿真方法進行，而本文提供了一個全新的視角將個體與市場擴散相連接；2)在研究設(shè)計上，現(xiàn)有文獻大多采用仿真、調(diào)查問卷等方法，而本文以超過120余萬用戶的真實數(shù)據(jù)集，通過數(shù)據(jù)分析與計量模型的方法，將靜態(tài)與動態(tài)模型相結(jié)合，使結(jié)果更加客觀、真實與嚴(yán)謹(jǐn)；3)對于同伴影響相關(guān)研究，即同質(zhì)性所帶來的內(nèi)生性問題是其面臨的最大挑戰(zhàn)，本文應(yīng)用計量方法控制了部分內(nèi)生性，使同伴影響的作用更加客觀地被觀察到；4)已有研究較少將網(wǎng)絡(luò)結(jié)構(gòu)、關(guān)系強度與個體屬性等相結(jié)合，本文通過研究證明，關(guān)系強度高的個體間具有更高的同伴影響作用。

新產(chǎn)品的開發(fā)是企業(yè)競爭力的保障，但許多新產(chǎn)品在發(fā)布后卻無人問津，相關(guān)研究顯示超過41%的商業(yè)性新產(chǎn)品最終以失敗收場[6]。同時，隨著信息技術(shù)的不斷發(fā)展，個體之間的聯(lián)系更加便捷，個體的決策變得越來越相互依賴，這種基于社會網(wǎng)絡(luò)的交互作用將導(dǎo)致企業(yè)商業(yè)模式隨之發(fā)生變化。對于企業(yè)管理者而言，如何利用用戶間的社會網(wǎng)絡(luò)關(guān)系促進產(chǎn)品的推廣，對于新產(chǎn)品的成功與否起著愈發(fā)關(guān)鍵的作用。本研究的結(jié)果對企業(yè)如何利用社會網(wǎng)絡(luò)來預(yù)測與促進新產(chǎn)品的擴散有著重要的借鑒意義。企業(yè)管理者可增加產(chǎn)品的社交屬性，使用戶之間通過產(chǎn)品的聯(lián)系更加緊密，增加用戶粘性，同時可設(shè)定相應(yīng)的激勵機制促使用戶將產(chǎn)品使用的相關(guān)信息向其社會網(wǎng)絡(luò)中的其他個體進行傳播，從而提高產(chǎn)品的擴散速度。

[1] Fourt L A,Woodlock J W.Early prediction of market success for new grocery products[J].The Journal of Marketing,1960，25(2): 31-38.

[2] Mansfield E.Technical change and the rate of imitation[J].Econometrica,1961,29(4): 741-766.

[3] Bass F M.A new product growth for model consumer durables[J].Management Science,1969,15(5):215-227.

[4] Peres R,Muller E,Mahajan V.Innovation diffusion and new product growth models: A critical review and research directions[J].International Journal of Research in Marketing,2010,27(2):91-106.

[5] 王光輝,劉怡君.網(wǎng)絡(luò)輿論危機事件的蔓延擴散效應(yīng)研究[J].中國管理科學(xué),2015,23(7): 119-126.

[6] Barczak G,Griffin A,Kahn K B.Perspective: Trends and drivers of success in NPD practices: Results of the 2003 PDMA best practices study[J].Journal of Product Innovation Management,2009,26(26):3-23.

[7] 邵鵬.消費者網(wǎng)絡(luò)對試用產(chǎn)品的“商家—平臺”合作機制的影響[J].中國管理科學(xué),2016， 24(2):76-83.

[8] Bond R M,Fariss C J,Jones J J,et al.A 61-million-person experiment in social influence and political mobilization[J].Nature,2012,489(7415): 295-298.

[9] Centola D.The spread of behavior in an online social network experiment[J].Science,2010,329(5996): 1194-1197.

[10] Christakis N A,Fowler J H.The spread of obesity in a large social network over 32 years[J].New England Journal of Medicine,2007,357(4): 370-379.

[11] 劉斌,李磊,莫驕.幸福感是否會傳染[J].世界經(jīng)濟,2012，(6):132-160.

[12] 李磊,胡博,鄭妍妍.肥胖會傳染嗎?[J].經(jīng)濟學(xué)(季刊),2016,(2): 429-452.

[13] 陳庭強,何建敏.基于復(fù)雜網(wǎng)絡(luò)的信用風(fēng)險傳染模型研究[J].中國管理科學(xué),2014,22(11): 1-10.

[14] 劉霞,董曉松,姜旭平.數(shù)字內(nèi)容產(chǎn)品消費擴散與模仿的空間模式——基于空間面板模型的計量研究.中國管理科學(xué),2014，22(1): 139-148.

[15] Manchanda P,Xie Ying,Youn N.The role of targeted communication and contagion in product adoption[J].Marketing Science,2008，27(6): 961-976.

[16] Iyengar R,Van den Bulte C,Valente T W.Opinion leadership and social contagion in new product diffusion[J].Marketing Science,2011,30(2): 195-212.

[17] Conley T G,Udry C R.Learning about a new technology: Pineapple in Ghana[J].The American Economic Review,2010,100(1): 35-69.

[18] Christakis N A,Fowler J H.Social contagion theory: examining dynamic social networks and human behavior[J].Statistics in Medicine,2013,32(4): 556-577.

[19] 段文奇,孔立佳.影響第三方支付新平臺成功進入市場的關(guān)鍵因素[J].中國管理科學(xué),2014(S1): 166-174.

[20] Anagnostopoulos A,Kumar R,Mahdian M.Influence and correlation in social networks[C]// Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining， Las Vegas,Nevada,USA,Auglest 24-27,2008.

[21] Fowler J H,Christakis N A.Cooperative behavior cascades in human social networks[J].Proceedings of the National Academy of Sciences,2010,107(12): 5334-5338.

[22] Garber T,Goldenberg J,Libai B,et al.From density to destiny: Using spatial dimension of sales data for early prediction of new product success[J].Marketing Science,2004，23(3):419-428.

[23] Lee S H M.The role of consumers' network positions on information-seeking behavior of experts and novices: A power perspective[J].Journal of Business Research,2014，67(1): 2853-2859.

[24] Choi H S， Kim H,Lee J.Role of network structure and network effects in diffusion of innovations[J].Industrial Marketing Management,2010,39(1):170-177.

[25] Lee J,Song J.Network topology and standards war: When does a new technology survive in the network economy?[J].Pan African Meclical Journal,2003,19(6):109-109.

[26] Tucker C.Network effects and the role of influence in technology adoption[R].Job Market Paper,2004.

[27] Birke D,Swann G P.Network effects and the choice of mobile phone operator[J].Journal of Evolutionary Economics,2006,16(1-2): 65-84.

[28] Newman M E.Assortative mixing in networks[J].Physical Review Letters,2002,89(20): 111-118.

[29] McPherson M,Smith-Lovin L,Cook J M.Birds of a feather: Homophily in social networks[J].Annual review of sociology,2001,27: 415-444.

Abstract： With the continuous development of information technology,the communication between individuals becomes easier.Meanwhile,the emergence of various types of e-commerce platforms makes the decisionsof individuals become more and more interdependent.The researches of innovation diffusion (starting from the classical Bass Model)focus on the diffusion process from the perspective of market level.However,the existing studies have some limitations,such as the completely connected network which divorced from practice,and the overlook of the heterogeneity between individuals.Thus,more researchers focus the innovation diffusion from the perspective from individual level,and connect individuals’ adoption behavior with markets’ diffusion results.And,this connection should not lack the help of social networks.Luckily,benefited from the improvement of accessibility of social network data,the studies are able to realize.This study focuses on the influence of peers on the individual behavior of new product adoption,and connects the individual behavior and market diffusion process via social networks.A unique dataset contains more than 1.2 million users’ information is taken,which come from the biggest online social network in China.It has several information including a complete social network,individual attributes and adoption behavior.Firstly,a shuffle test is used to identify the peer influence.But,the endogenous from homophilycan not be ignored.Then,the PSM model with both static and dynamic model is used to control the endogenous effectively.And the effect of peer influence is found to exist in adoption process.Furthermore,it accounts for 72% of the total factors.In addition,it is found that the network structure of individuals impacts the peer influence,and the relationship between the tie strength and peer influence has a positive moderating effect.A method and empirical evidence is provided for the future studies.

Keywords： innovation diffusion;peer influence;social network;data-driven

Diffusion of Mobile Service Product Adoption:A Data-Driven Study

RANXiao-bin,LIUYue-wen,JIANGJin-hu

(Schoolof management,Xi’an Jiaotong University,Xi’an 710049,China)

C93

A

1003-207(2017)09-0141-07

10.16381/j.cnki.issn1003-207x.2017.09.016

2016-06-30；

2017-02-17

國家自然科學(xué)基金資助項目(71301128，91546119，71331005，71371151)

劉躍文(1982-)，男(漢族)，山西呂梁人，西安交通大學(xué)管理學(xué)院，副教授，研究方向：大數(shù)據(jù)與電子商務(wù)、社交網(wǎng)絡(luò)等，E-mail: liuyuewen@mail.xjtu.edu.cn.