網購滿意度、網絡口碑與在線觀察學習

陳振環

(東北林業大學 經濟管理學院, 黑龍江 哈爾濱 150040)

一、引言

2018年8月，中國互聯網信息中心(CNNIC)發布了《第42次中國互聯網絡發展情況統計報告》①。數據顯示中國的網民規模高達8.02億，網購用戶及網上支付用戶占網民總數比例高達71%，網絡購物以其方便省時、價格低廉、不受地域限制等優點，正在成為深受廣大網民歡迎的一種消費方式。諸多實體企業也緊緊抓住了新一輪“互聯網浪潮”所帶來的機遇，充分利用互聯網平臺拓寬產品的營銷渠道，使線上和線下零售方式交織程度日益加深[1]。對于線上交易而言，產品銷售頁面提供了先前消費者對所購產品的評價信息，使廣大后續消費者足不出戶就可以針對心儀的產品進行比較選擇，通過在線支付手段實現產品購買，極大地降低了消費者的交易成本。然而，消費者不僅對于交易方式的選擇偏好方面存在異質性[2]，其購物體驗也可能受到不同銷售渠道提供信息和產品滿足能力差異的影響，最終導致消費者滿意度的影響因素方面存在顯著差異。市場營銷理論認為，滿意度是企業保持競爭優勢的重要手段，當企業的顧客滿意度提升5%時，利潤存在25%～85%的上升空間，探討滿意度的影響因素也一直是理論界關注的熱點問題。作為一種典型的大體積耐用品，家具產品具有使用時間久、總價高、體積大、不易退換的特點，使其電子商務營銷模式與冰箱、彩電等產品的模式相比更加復雜。從數據來看，2016年國內家具電商銷售額以19.4%的增速達到了3536.4億元，占主營業務比例達到41.32%，表明消費者對線上途徑購買家具這種大體積耐用品的接受程度正在迅速提高。此外，隨著中國消費者消費能力和健康意識的不斷增強，對家具產品的環保性和美觀性需求也越來越高，實木家具因其具備天然、環保、健康和高檔的特點一直受到消費者青睞，因此有必要對消費者購買實木家具產品的滿意度展開研究，探尋消費者對實木家具產品消費過程中滿意度的影響因素進而提升消費者的滿意度，這有助于家具企業制定合理的經營策略和促進國內家具行業的發展。

對已有研究進行梳理發現，從消費者年齡、收入等個體特征因素的微觀視角出發并運用問卷調查手段對影響消費者購物滿意度展開分析，目前已經涌現出大量有價值的成果。然而消費者的家具網購行為不僅僅受其個體因素的影響，實踐中電商平臺的產品頁面信息因素亦會對消費者網購意愿產生刺激作用，目前有極少數文獻討論了產品銷售頁面的在線評論信息對產品銷量的影響，卻鮮有研究涉及產品銷售頁面信息對消費者網購滿意度的影響，雖然已有少數學者指出了這種影響機制的客觀存在(Finn, 2011)，但尚缺乏深入具體的實證分析進行驗證。有鑒于此，本文以在線實木家具產品作為研究對象，結合電商平臺的產品頁面信息探究了網絡口碑等信息對消費者網購滿意度的影響，進一步豐富了消費者滿意度領域的研究成果，并可為電子商務平臺中的商家制定提升銷售業績的策略提供有益的借鑒。文章余下部分的結構安排如下：第二部分為口碑傳播的形成原因及其對產品銷量和網購滿意度影響機理的相關文獻回顧；第三部分為研究設計，給出了本文的數據來源、模型的構建與實證研究中所采用的變量說明；第四部分報告了不同視角下的實證分析結果，同時給出了內生性問題及穩健性檢驗結果；最后是本研究的結論與管理啟示部分，并對研究局限性做出說明。

二、文獻回顧

消費者在購買不同的產品和服務時，由于信息缺失總會習慣性的征詢其他消費者的建議，以最大的程度的掌握相關的信息并做出購買決策[3]。實際上在行為科學領域研究中，人們很早就已發現信息溝通和口碑交流會影響個體的行為、偏好和決策[4]。但是，傳統的口碑交流僅限于不同消費者之間面對面的討論產品或服務信息，在一定的社交范圍內受限于溝通媒介方式的落后，會隨著時間的推移和地理距離的增加而導致影響力逐漸減弱(龔詩陽等，2013)。互聯網的出現使這種情況得到了有效的改觀，消費者可以順暢的通過網絡渠道進行信息交流，這也讓口碑傳播渠道從線下轉移到了線上，從而使口碑傳播的范圍更廣和時間更長，由此產生了網絡口碑這一概念。在網絡營銷的研究領域，網絡口碑又被稱為在線口碑或在線評論，首先由Hanson(2000)在其著作《Principles of Internet Marketing》②引出，Hanson將網絡口碑定義為以計算機為媒介的信息溝通，通過電子郵件、在線論壇、使用者群組或網站討論區等形式進行的口碑傳播[5]。在一些研究中認為，消費者在購買某種產品或服務之前，通常會查閱其他消費者對于其購買過程的評價，甚至于很多消費者在實體店進行購買產品時，也會提前查閱同類產品的線上評論信息，以最大限度減小購物過程中的不確定性因素和決策失誤[6]。Dellarocas(2003)在其研究中也指出，互聯網的通信功能可以實現網絡口碑的在線反饋機制，因此消費者的在線評論系統被視為是實現網絡口碑最直接有效的途徑[7]。有關網絡口碑的研究逐漸興起并迅速成為熱點，相關研究主要集中在網絡口碑對產品銷量的影響、評論有用性及在線評論的傳播機制等方面，且尤其以網絡口碑對產品銷量影響的研究居多[8]。從研究對象的視角對國內外文獻進行梳理發現，網絡口碑對產品銷量影響的研究橫跨了電影票房[9-11]、圖書產品[12-13]、電視節目[14]、電子游戲[15]、餐飲[16]、酒店住宿[17]、護膚品[18]、實木家具[19]、在線林產品[20]等多個產品領域，這些研究均著重討論了在線評論的關鍵特征因素對產品銷量的影響效應，通過網頁數據與計量模型進行了規范嚴謹的實證分析，均認為在線評論對產品銷量存在顯著的影響。然而受限于研究視角、在線評論要素選擇與實證分析方法的不一致，使相關研究的結論存在著比較大的差異，③這也導致了現有結論缺乏共識性的理論框架與規律性的研究發現(盧向華等, 2009)。

實際上，無論是研究網絡口碑對產品銷量的影響，亦或是探索網絡口碑對于消費者購買意愿的影響，均無法回避消費者的網購滿意度問題。④消費者在線購買產品或服務后所形成的在線評論信息，也直接或間接的反映了消費者對于購物過程中各個環節的滿意程度，因為消費者會將其所獲取的滿意度感知反饋在在線評論信息之中。在既有的討論消費者行為的研究中，Oliver(1980)所提出的期望確認理論(Expection-confirmation Theory，簡稱ECT)被廣泛應用于評估消費者滿意度及其購買行為，ECT理論認為消費者對于所購買的產品或服務滿意與否，是基于購買前對產品或服務的預期與購買后所獲得的績效進行比較的結果，而滿意度則成為消費者再次購買該產品或服務的參考[21]。消費者在參與網購的過程中經歷著類似的過程，當消費者的預期與購買后的績效存在差異的情況下，消費者就會獲得不同層面的滿意度認知，即當消費的預期低于購買后績效的時候滿意度較高，而當消費者的預期高于購買后績效時滿意度較低。因此，網絡口碑與滿意度在很大程度上存在著相關性。而從國內外研究現狀來看，國外學者針對網絡口碑與顧客滿意度的關系早已展開了理論與實證研究。如Ho和Lee(2007)在研究電商服務質量時發現，網頁信息的質量⑤會對顧客滿意度和忠誠度產生顯著的影響，網站的頁面信息質量是預測顧客滿意度和購買意愿的一個重要因素[22]。Finn(2011)探討了加拿大在線零售網站的網頁服務質量維度對客戶滿意度的非線性影響，發現網頁的質量屬性與客戶滿意度之間存在著非常顯著非線性函數關系[23]。Guo等(2017)基于16個國家的25670家酒店信息，利用數據挖掘手段從在線酒店評論中提取出顧客滿意度的維度，并使用多元線性回歸分析驗證了部分維度結構指標與整體滿意度之間的線性相關性[24]。Widmer等(2018)使用醫生的在線評論數據評估了患者的滿意度情況，通過有負面評論信息和沒有負面評論信息將醫生編為兩組，結果發現患者的滿意度并沒有顯著差異[25]。而國內目前在該領域的探索尚處于起步階段，如李燕飛(2016)[26]和吳維芳等(2017)[27]分別運用文本數據挖掘的手段，對在線評論信息中與滿意度相關的高頻特征詞進行提煉，繼而歸納分析了滿意度的影響因素。在國內最近的一些研究中，電子商務平臺的產品頁面信息被進一步細化為點評類網絡口碑(WOM)因素和電商服務質量類在線觀察學習(OL)兩個維度要素(張明璽和雷明, 2016)，而網絡口碑因素在先前的研究中已經被證實會對消費者滿意度形成間接的影響機制(魏佳, 2011; 姚卿和宋曉康, 2018)[28,29]。整體上看，國內現有研究仍以問卷調查為主(如查金祥等(2006)[30])，研究者會在樣本的采集成本和代表性之間尋求折中，導致只能在有限的樣本范圍內進行實證檢驗(Guo等, 2017)。

綜述所述，現有研究雖然為我們提供了有價值的成果，但相關課題仍然存在進一步探索的必要性。首先，現有研究對于網絡口碑的討論，大多數都是圍繞在線評論對產品銷量或購買意愿而展開，然而即使是基于同一視角下的研究結論也存在著很大的分歧，因此針對網絡口碑繼續展開深入研究是具有較大理論價值。其次，具體到網絡口碑對網購滿意度的影響，盡管已有研究從文本數據挖掘角度進行了有益的探索，但從實證性角度利用在線評論信息對滿意度進行嚴謹的定量研究仍然非常匱乏。最后，大部分現有文獻均從消費者的年齡、性別等個體特征因素討論其對滿意度的影響，而采用在線評論信息展開研究更加直接有效的體現了消費者的網絡消費感知，可以從新的研究視角對消費者網購滿意度的影響因素進行把握。基于對現有研究的梳理和歸納，本文擬在將目標網頁信息進一步細分為網絡口碑與在線學習觀察的基礎上，采用計量經濟分析方法評估了哪些線上購買因素會對消費者網購滿意度產生顯著影響，進而為商家提升銷售業績提供借鑒，這也正是本研究需要解決的關鍵性問題。

三、模型構建與數據說明

(一) 變量的定義

在線商品銷售網絡平臺的頁面為消費者提供了極為豐富的信息(如淘寶商城、京東商城等)，其中不僅包含了之前消費者基于網購經歷的在線評論信息，還包含了價格、發貨地址以及交易成功數量等信息，這可以使消費者依靠產品銷售頁面的信息進行購買決策。參照學者Ho和Lee(2007)在關于電商服務質量研究中得到的重要結論，顯示在線上購買過程中的網頁信息質量會對消費者的滿意度和忠誠度產生顯著影響，這為本文接下來的實證研究部分提供了極具借鑒意義的理論支撐。如前所述，當消費者借助互聯網媒介進行將要購買的產品或服務的信息溝通過程，被稱為網絡口碑。在心理學與經濟學領域，消費者之間基于所看到的行為而進行的社交互動和決策被稱為觀察學習[31]。國內學者張明璽和雷明(2016)在此基礎上提出了在線觀察學習⑥的概念，認為在線觀察學習是基于互聯網信息而展開的觀察學習行為，并指出網絡口碑(WOM)和在線觀察學習(OL)是基于消費者行為而產生的兩種典型可供參考的產品銷售頁面信息[32]。與口碑傳播相比，觀察學習為行為主體提供了更少的信息數量和可信度，因為其完全依賴個體根據眼前所觀察到的信息做出主觀層面的決策。

本文借鑒和延續了張明璽和雷明(2016)的研究思路，在其研究基礎上對網絡口碑與在線觀察學習的維度結構進行了適當的調整。首先，我們采用累計評論數量(REVI)、以及正面評論標簽所占比例⑦(POSI)這兩個變量來衡量點評類網絡口碑信息，采用評論數量來反映網絡口碑是已有研究的普遍做法(Gu和Park等, 2012)[33]，正面評論標簽所占比例則反映了產品獲得消費者正面評價的程度，可為潛在顧客購買產品時提供更加全面地參考信息(張明璽和雷明, 2016)。其次，我們采用了描述相符與同行平均相對比率(DESC)、服務態度與同行平均相對比率(SERV)、物流速度與同行平均相對比率(LOGI)、寶貝收藏次數(FAVO)、搜索排名(RANK)衡量電商服務質量類在線觀察學習信息，前面三個相對比率變量反映了店鋪當前在某一方面得分與同行所有店鋪平均得分的相對比率⑧，從另一方面也綜合反映了電商服務質量的好壞，收藏次數反映了該產品受消費者的歡迎程度(通常指“人氣”)，搜索排名間接地反映了消費者網購過程中接觸到該產品的優先程度。最后，我們采用主成分分析方法計算權重，針對描述相符、服務態度和物流速度得分⑨構建了一個滿意度加權綜合指數，以此來度量消費者的網購滿意程度。

(二) 模型構建

本文采用多元線性回歸分析方法分析消費者網購滿意度的影響因素，將被解釋變量設定為消費者網購滿意度綜合指數(SATI)，解釋變量主要包含了網絡口碑(WOM)和在線觀察學習(OL)以及其它可能會對滿意度產生影響的因素。首先采用SPSS 23.0軟件中的主成分分析功能計算描述相符、服務態度和物流速度得分權重，KMO和Bartlett球型檢驗的值為0.770，說明數據是適合做主成分分析的；初始特征值顯示只有一個主成分大于1，可以解釋方差總變異的89.216%，主成分變量具有較強的解釋能力，最終求得三個得分指標權重分別為0.332、0.335、0.333，然后采用加權平均數的方式計算得到滿意度綜合指數。⑩其次，解釋變量除了網絡口碑因素(WOM)和在線觀察學習因素(OL)，我們還考察了頁面信息中的產品價格(PRIC)、折扣系數(DISC)、產品銷量(SALE)以及店鋪虛擬變量(PLAT)對滿意度綜合指數可能存在的影響。其中，產品價格(PRIC)與產品搜索排名相對應，反映了產品區間的最低價格；淘寶(天貓)店鋪在其銷售頁面還同時提供了實體店價格和淘寶(天貓)價格，根據這兩種價格可以計算出該項產品的折扣系數；產品銷量(SALE)采用30天內交易成功數量替代，因產品的銷量越大需要提供的售后服務概率越高，而售后服務的好壞可能會影響到消費者的滿意度；店鋪虛擬變量(PLAT)為兩分類變量，當店鋪為天貓店鋪時值設為1，當店鋪為淘寶店鋪時值設為0。最后，為了盡量減少解釋變量以外因素對參數估計準確性帶來的干擾，我們還在回歸模型中加入了若干控制變量(CONTi)，主要包括發貨屬地省份的地區固定效應(δ)、人均GDP(CONT1)、IPv4地址數 (CONT2)和貨運總量(CONT3)，后三個變量分別反映了發貨屬地省份的經濟發展水平、互聯網發展水平和物流運輸能力。回歸模型如下：

(1)

在上式中，β為待估計的回歸方程系數，ε為模型中的誤差項。參照已有研究的普遍做法，考慮到解釋變量可能存在的邊際遞減效應和盡量減小異方差現象，對模型中的部分解釋變量進行了對數化處理，最后選用普通最小二乘法(Ordinary Least Square, 簡稱OLS)對回歸方程進行參數估計。在后續的實證分析部分，我們還會采用逐步回歸分析方法對解釋變量進行篩選，以得到對回歸系數更加精確地無偏估計量，避免出現偽回歸現象。

(三) 數據描述

本研究的原始數據采集自國內深受歡迎的網購零售平臺——淘寶網(含天貓平臺)，淘寶網在亞太區域范圍內也屬于比較大型的網絡零售電商，僅在2017年“雙十一”當天就達成交易額1682億元。本文將研究對象定義為淘寶網的實木家具產品，通過在淘寶網首頁搜索欄鍵入實木家具字段進行檢索，然后使網頁形成按產品銷量進行排名的列表，最后借助面向對象的解釋型計算機程序設計軟件Python，通過編程按照事先定制的規則對網頁相關字段進行抓取。數據的采集時間為2017年12月7日，由于剛經歷過“雙十一”大型網購狂歡日，淘寶店鋪也已結束大規模確認收貨的在線評論高峰期，因而本文的樣本數據比較具有代表性。值得注意的是，在淘寶網中檢索實木家具類商品，所呈現的產品排名頁面呈現的是同時包含天貓店鋪和淘寶店鋪混合列表，我們進一步對取樣對象進行了篩選，剔除了銷量僅為個位數的樣本，最終得到1044個有效樣本數據，其中發貨地址分布于廣東省等14個地區，包括了700個淘寶店鋪數據和344個天貓店鋪數據。除此以外，人均GDP(CONT1)和貨運總量(CONT3)數據均來源于2017年《中國統計年鑒》，IPv4地址數 (CONT2)數據取自于《第40次中國互聯網絡發展狀況統計報告》，我們利用Stata 15.0軟件根據省份信息將其與抓取的網頁數據進行匹配，形成了最終的研究數據集。表1給出了主要變量的描述性統計結果。

表1 變量描述性統計

四、實證結果與分析

(一) 相關性檢驗

相關系數反映了變量之間聯系的密切程度，相關系數越大預示著變量間的相關性越強。在進行正式的回歸方程參數估計之前，進行相關性檢驗是必要的，這可以進一步明確解釋變量之間是否存在多重共線性的問題，同時還可以判斷哪些解釋變量對被解釋變量存在的影響較大。我們使用Stata 15.0軟件計算了變量之間的相關系數矩陣，并基于Sidak檢驗方法將多重比較納入了考慮來調整顯著性水平，這樣做可以有效的避免陷入多重比較謬誤問題，相關系數矩陣的結果如表2所示。從表2中的相關系數矩陣可以看出，在回歸方程的全部解釋變量中，只有搜索排名(LnRANK)和店鋪虛擬變量(PLAT)兩個變量與滿意度綜合指數(SATI)的相關系數較小，兩個解釋變量的顯著性概率P值均大于0.1，無法拒絕相關系數顯著異于0的原假設，因此兩個解釋變量可能與滿意度綜合指數不相關，除此之外的其他解釋變量均在α=0.01的水平上拒絕了原假設，剩余解釋變量與滿意度綜合指數均是顯著相關的。而從各個解釋變量之間的相關系數來看，我們發現描述相符與同行平均相對比率(DESC)、服務態度與同行平均相對比率(SERV)、物流速度與同行平均相對比率(LOGI)呈現高度相關性，因此在接下來的回歸模型中需考慮可能存在的多重共線性問題。

表2 相關性檢驗結果

續表2

SATILnREVIPOSIDESCSERVLOGILnFAVOLnRANKLnPRICDISCLnSALEPLATLOGI0.8622***-0.3390***0.2410***0.9472***0.9462***1(0.0000) (0.0000) (0.0000) (0.0000) (0.0000) LnFAVO-0.3966***0.7660***0.0285-0.5077***-0.4619***-0.4998***1(0.0000) (0.0000) (1.0000) (0.0000) (0.0000) (0.0000) LnRANK-0.0081-0.4230***-0.0842-0.0185-0.0069-0.0404-0.1634***(1.0000) (0.0000)(0.3487) (1.0000) (1.0000) (1.0000) (0.0000) LnPRIC0.3690***-0.1220***0.1857***0.3446***0.3440***0.3462***-0.09610.1521***1(0.0000) (0.0051) (0.0000) (0.0000) (0.0000) (0.0000) (0.1170) (0.0001) DISC-0.1382***0.2012***0.0827-0.2385***-0.1934***-0.2184***0.2999***-0.0120.04921(0.0005) (0.0000) (0.3932) (0.0000) (0.0000) (0.0000) (0.0000) (1.0000) (0.9996) LnSALE-0.1974***0.6362***0.0267-0.3002***-0.2666***-0.2664***0.5370***-0.7034***-0.1657***0.2590***1(0.0000) (0.0000) (1.0000) (0.0000) (0.0000) (0.0000) (0.0000) (0.0000) (0.0000) (0.0000) PLAT-0.07060.1739***0.1013*-0.2024***-0.1576***-0.1541***0.2812***-0.0996*0.1137**0.4041***0.4898***1(0.7790) (0.0000) (0.0667) (0.0000) (0.0000) (0.0000) (0.0000) (0.0808) (0.0151) (0.0000) (0.0000)

注：***代表在α=0.01水平下顯著，**代表在α=0.05水平下顯著，*代表在α=0.1水平下顯著；括號內數值為對應的顯著性概率.

(二) 不同因素對網購滿意度的總體影響

多元線性回歸的異方差問題和多重共線性會使參數估計結果有偏且不一致，這會導致我們的研究結論產生偏誤。為了盡量減小可能存在的異方差問題，事先對主要連續型變量進行了對數化處理，目的是最大限度的壓縮原始數據的方差，從數據的源頭上對異方差的潛在影響進行控制[34]。針對多重共線性問題，我們基于前面所設立的回歸模型作為基準模型，然后通過逐步添加不同控制變量的方式設定了多個形式的回歸方程，目的是便于比較納入不同解釋變量時回歸模型的系數變化情況。在實際操作中，我們還使用了方差的穩健估計方法來獲取穩健標準誤(Robust)，與常用的回歸標準誤相比，穩健標準誤放寬了獨立同分布的誤差假定，因而得到的結果更加令人信服。最終，我們以逐步回歸方法給出了回歸方程的最終結果形式。與常見的圖書或餐飲服務產品屬性的區別在于，實木家具產品被歸屬于大體積耐用品的范圍之內，相較而言實木家具產品兼具了資產和實用的屬性，消費者一般購買此類商品都會比較慎重，這也可能導致消費者對于網絡口碑與在線觀察學習信息的認識程度存在差異，因此實證結果與針對其它產品得到的研究結論存在相悖的可能性。回歸方程估計結果如表3所示。為了便于對比，本文一共設定了5組回歸方程。模型(1)對應基準回歸方程的普通最小二乘法(OLS)的參數估計結果，模型(2)至模型(5)分別采用了穩健標準誤(Robust)進行參數估計。

從基準回歸方程(1)可以看出，累計評論數量(REVI)、正面評論標簽所占比例 (POSI)、寶貝收藏次數(FAVO)、店鋪虛擬變量(PLAT) 和控制變量中的貨運總量(CONT3)在模型中的系數并不顯著，而常數項和其他解釋變量均是顯著的。模型(3)則在基準回歸方程的基礎上給出了穩健標準誤(Robust)的估計結果，我們可以看出其回歸系數與基準回歸方程的回歸系數完全相同，但其標準誤的值大部分均有所下降，而除了IPv4地址數 (CONT2)的顯著性發生變化外，其余的回歸系數顯著性并沒有發生明顯的改變，說明本文的回歸結果是相對穩健的。除此以外，我們在模型(2)中并沒有采用模型(3)中包含的控制變量，而是在回歸方程中控制了地區固定效應，由于原始數據的發貨屬地包含了14個地區，對潛在的地區異質性因素進行控制可以減少隨機因素的干擾，地區固定效應的處理通過在回歸方程中引入了13個地區虛擬變量來完成。同理，為了便于比較回歸模型系數的顯著性差異，我們在模型(4)中同時加入了3個控制變量和地區固定效應，可以看出回歸系數的顯著性與模型(3)并沒有明顯的差異。需要指出的是，在模型(4)的地區固定效應變量中，絕大多數虛擬變量均不顯著，我們可以認為控制變量的加入已經可以較好的解決問題。因此，模型(5)在穩健標準誤參數估計的基礎上，進一步采用了逐步回歸方法對網購滿意度的影響因素進行篩選，剔除了在α=0.1置信水平下不顯著的因素，這樣可以得到較為精確的回歸系數無偏估計值。最終結果顯示，就實木家具產品的網購滿意度而言，網絡口碑因素并沒有對其產生顯著影響，服務態度相對比率(SERV)、物流速度相對比率(LOGI)、描述相符相對比率(DESC)對網購滿意度存在正向影響，且影響力度依次由強變弱，而搜索排名(LnRANK)、產品價格(PRIC)、店鋪虛擬變量(PLAT)和產品銷量(SALE)對滿意度的影響也是正向的，說明以上因素均促進了網購滿意度的提升。綜上所述，我們發現實木家具產品的網購過程與其它商品存在相似之處，即消費者仍然會在網購過程中關注描述相符、服務態度和物流速度的感知體驗；而搜索排名和產品銷量越高的實木家具產品，說明該家具產品越受到消費者的青睞，此時消費者的網購滿意度也相對較高；網購滿意度隨產品價格的增加而提高，通常較高的產品價位對應中高檔家具產品，由于消費對象對產品品質的要求不同，粗制濫造型家具產品出現的幾率大幅降低，較低的價格通常也在一定意義上意味著較低的服務與質量(張懷, 2015)，消費者雖考慮能不能購得物美價廉的產品，但更加關注電商平臺的安全性和產品質量保證(查金祥等, 2006)；天貓店鋪相對淘寶店鋪的網購滿意度要稍高，可能的原因在于天貓店鋪對于商家準入標準更加嚴格，從而降低了網絡欺詐與假冒偽劣現象的發生幾率(張明璽和雷明, 2016)。

表3 總體影響的回歸方程估計結果

注：括號內數值為標準誤或穩健標準誤，***代表在α=0.01水平下顯著，**代表在α=0.05水平下顯著，*代表在α=0.1水平下顯著.

(三) 不同熱度下滿意度的影響因素分析

隨著互聯網時代的到來，熱門是當今一個頻繁出現的詞匯，然而對于其概念的界定卻鮮有文獻有所涉及。從一般意義而言，熱門是指比較流行的引人注目或吸引人的事物，通俗一些理解就是指一種產品受到歡迎或關注的程度。此外，也有一些文獻從微觀經濟學的視角對熱門進行了定義，如Stock和Balachander(2005)認為熱門產品是指當前商品處于消費者很難獲取的狀態，也就是說產品處于資源稀缺的情況，因此廠商可以通過使產品稀缺來獲取可觀的市場利潤[35]。目前，理論界對于熱門產品和非熱門產品的界定標準并不統一，不同的學者對于如何區分熱門產品和非熱門產品提出了多種方法。如盤英芝等(2011)采用已看過、正在看和收藏數作為圖書產品的熱門程度的指標，然后通過聚類分析方法將圖書分為熱門產品和非熱門產品兩類，然后根據相關樣本進行實證分析[36]。王君珺和閆強(2013)從消費者需求量大小的視角出發，采用在線評論的數量作為熱門與非熱門品牌的劃分標準，評論數量在均值以上的樣本為熱門產品，反之則劃分為非熱門產品。Zhu和Zhang(2010)分析在線評論對游戲產品銷量的影響時，采用了銷售數量衡量商品的熱門程度，將銷售數量在均值以上的產品定義為熱門，反之則劃分為非熱門產品[37]。綜合上述資源稀缺理論與消費者需求量理論，我們認為采用產品銷售數量作為熱門程度的劃分標準較為妥當，因為資源稀缺程度和消費者的需求量大小均可以通過銷售數量得到最為直觀的體現，而采用評論數量反映消費者的需求，則無法排除一些消費者交易完成后并未進行點評的特殊情況。根據Zhu和Zhang(2010)對于熱門與非熱門產品的劃分標準，本文將實木家具樣本數據劃分為兩大類，并采用方差的穩健估計方法計算回歸方程系數，得到的結果如表4所示。

模型(6)與模型(7)分別針對非熱門類實木家具產品的樣本進行回歸分析，模型(8)和模型(9)則給出了熱門類實木家具產品的回歸分析結果。在全部樣本中，非熱門類實木家具產品的數量多于熱門類實木家具產品，其中非熱門類樣本有601個，而熱門類樣本只有443個。模型(6)為針對非熱門類實木家具產品全部解釋變量的回歸結果，可以看出回歸方程中存在很多解釋變量不顯著的情況，因此我們采用逐步回歸方法得到更加簡潔的模型(7)。回歸結果顯示，對于非熱門類實木家具產品，對消費者網購滿意度影響最大的為服務態度與同行相對比率(SERV)，其次為物流速度與同行相對比率(LOGI)，描述相符與同行相對比率(DESC)排在第三位，產品價格(PRIC)對滿意度的影響系數最小，且這些解釋變量對網購滿意度的影響均為正向效應。同理，模型(8)和模型(9)分別給出了熱門實木家具產品的回歸結果。從模型(9)的參數估計結果可以看出，對于熱門實木家具產品而言，對消費者網購滿意度影響最大的為服務態度與同行相對比率(SERV)，其次為物流速度與同行相對比率(LOGI)，描述相符與同行相對比率(DESC)在模型中變得并不顯著，產品價格(PRIC)依然對網購滿意度產生了顯著的正向影響，而實木家具產品的銷量(SALE)與搜索排名(LnRANK)也對網購滿意度具有顯著的正向促進作用。由此可見，與前面的全樣本回歸結果相一致，我們發現網絡口碑因素對于實木家具產品的網購滿意度影響并不顯著，而在線觀察學習因素則對消費者的網購滿意度產生了顯著影響，反映了消費者對于實木家具產品的選購更加的理性，關注的重點集中在店鋪的服務質量方面的自我感知，而不會盲目的追隨其他消費者做出評論反饋。除此以外，我們發現店鋪虛擬變量(PLAT)對熱門家具產品存在顯著的正向影響，這意味著天貓店鋪中的熱門家具產品相對淘寶店鋪中的熱門家具產品滿意度要高，而在非熱門實木家具產品中這種影響則并不顯著存在。與全樣本回歸結果相一致的是，折扣系數(DISC)和正面評論標簽比例(POSI)對消費者網購滿意度的影響均不顯著。可能的原因在于網絡店鋪在營銷中的打折現象非常普遍，并不能明顯的刺激消費者產生該產品相對便宜的心理感知，同時消費者的消費觀念日趨理性，折扣對消費者決策的影響正在逐漸減小(張懷, 2015)，而正面評論標簽比例的影響則可能受到來自負面評論標簽影響的抵消，使消費者難以根據評論標簽的內容對網購滿意度做出綜合的評判(張明璽和雷明, 2016)。

公路養護管理部門還要增強養護人員的專業技能，改變原有的公路養護理念，讓養護人員更加清晰地了解自身工作性質，充分認識到做好公路大中修養護工作對公路安全運行的重要性。從公路養護管理人員自身角度來分析，要樹立長遠工作目標，正確看待公路大中修工程養護工作，并定期總結工作經驗，對于結構不同的公路，應當采取不同的公路養護方法，并加強檢修力度，提升公路預防性養護水平，保證公路能夠可靠運行。

表4 熱門產品與非熱門產品的回歸方程估計結果

注：括號內數值為穩健標準誤，***代表在α=0.01水平下顯著，**代表在α=0.05水平下顯著，*代表在α=0.1水平下顯著.

(四) 不同價位下滿意度的影響因素分析

與圖書和電影等產品相區別之處在于，實木家具產品更加偏向于體驗型商品，即需要消費者購買后進行使用才能夠對產品品質進行正確的評價，僅通過商家的介紹信息所能夠獲知的商品屬性有限，而前者完全可以在購買前通過商家介紹信息就能夠對商品屬性進行精確感知，因此前者屬于搜索型商品。根據微觀經濟理論，消費者的需求量會隨價格的變化而改變，那么當價格的變動引起消費者對實木家具產品需求量的變化，也同時意味著商家為消費者提供售后服務總量的增加或減少，而電商服務質量則會影響到消費者對實木家具產品的綜合評價結果。例如，當商家需要為多個消費者提供售后服務時，由于時間或精力的限制，可能會引發消費者對商家服務的抱怨，當顧客得到的服務體驗與購買前的預期不一致的情況下，就會導致消費者的網購滿意度相對較低。一些學者在研究中發現，對于較高價位的產品而言，口碑評分的重要性存在邊際遞增效應，而隨著產品價格的繼續提高，口碑評分的重要性則呈現邊際遞減特征，甚至變為負面影響；此外，價格通常是消費者進行消費的主要動機，對于低價位產品而言，消費者面臨風險的成本較低，消費者可能會更加容易達成交易行為；而對于高價位的產品而言，較高的價格通常會被消費者認為是產品價值的體現，一些消費者可能更加偏愛高價位的實木家具產品(盧向華和馮躍, 2009)。因此，價格對消費者的影響可能存在雙重疊加效應。實木家具產品帶給消費者的印象通常是價格高不可攀，然而當前實木家具市場并非高端消費者的獨寵，由于滿足各個收入階層的消費需求，因此按照價格也可以被劃分為高、中、低檔。我們通過對產品價格(PRIC)進行描述統計發現，樣本數據中的價格最小值為80元，而最大值為40875元，均值為2465.9元，可見與上述分析完全相一致。

目前對于實木家具產品價格檔次的劃分并沒有固定的標準，需要根據實際情況對價格進行靈活的處理，我們考慮到消費者對于家具檔次的劃分會在工資收入水平與實木家具產品價格之間進行綜合權衡，家具產品的分檔也應該根據消費者的支付能力進行界定。因此本文效仿了恩格爾系數的計算方法，得到劃分實木家具產品檔次的價格界限。我們采用了消費比例系數的形式，采用實木家具產品的實際價格與國內城鎮人均工資水平的比例系數作為區劃標準，參照恩格爾系數對于貧困和富裕的界定標準，本文界定當消費比例系數低于0.3時，我們將其視為低端實木家具產品，當消費比例系數介于0.3和0.59之間時界定為中端實木家具產品，當消費比例系數大于0.59時定義為高端實木家具產品。全國城鎮人均平均工資數據來源于2017年《中國統計年鑒》，轉換為月平均工資為5630.75元，因此我們可以得到實木家具產品的分檔界限分別為1689.23元和2989.93元。根據這一界定標準，我們將原始數據劃分為高、中、低檔三組樣本，并分別進行逐步回歸分析，以檢驗不同價位下消費者網購滿意度的影響因素差異，具體的回歸分析結果見表5。模型(10)和模型(11)給出了低端實木家具產品的樣本估計結果，低端產品的樣本個數為502個，可以看出對于低端產品，消費者會更加關注服務態度與同行相對比率(SERV)，其次為物流速度與同行相對比率(LOGI)，而產品銷量(SALE)、產品價格(PRIC)與搜索排名(LnRANK)對消費者網購滿意度具有正向促進作用。中端實木家具產品的樣本個數為309個，模型(12)和模型(13)給出了回歸分析結果，消費者關注的重點為服務態度與同行相對比率(SERV)，其次為描述相符與同行相對比率(DESC)和物流速度與同行相對比率(LOGI)，中端實木家具產品在天貓店鋪中的滿意度要比淘寶店鋪的滿意度稍高一些。模型(14)和模型(15)為高端產品的回歸分析結果，其樣本個數為233個，與低端產品的影響因素相類似，產品銷量(SALE)、產品價格(PRIC)與搜索排名(LnRANK)均具有正向促進作用，不同之處在于消費者主要關注描述相符與同行相對比率(DESC)和物流速度與同行相對比率(LOGI)因素，這可能是由于高端產品價格較高，相較于中低端產品店家的服務態度普遍都比較好。綜上所述，實木家具產品的網絡營銷的重點需要從產品質量、服務態度和物流速度三個方面提升消費者的滿意度水平，中端產品在天貓店鋪進行銷售以贏得消費者的信任水平，中高端產品可以通過適當的價格歧視手段促進消費者的購買欲望，例如通過合理的提高價格使顧客認為實木家具產品有更好的質量保障。折扣系數作為最為常用的促銷手段，對實木家具產品的網購滿意度影響效果并不顯著，這與張懷(2015)的研究結論是一致的。同時，實木家具產品作為體驗型產品，網絡口碑因素對于消費者滿意度的影響十分微弱，甚至可能會取得適得其反的效果。

表5 不同價格檔次產品的回歸方程估計結果

續表5

模型(10)模型(11)模型(12)模型(13)模型(14)模型(15)SERV0.177***0.173***0.0880***0.0965***0.0296(0.0173)(0.0132)(0.0154)(0.0157)(0.0241)LOGI0.0545***0.0522***0.0349***0.0330***0.0698***0.0762***(0.0133)(0.0113)(0.0122)(0.0116)(0.0148)(0.0111)LnFAVO0.00172-0.001170.00118(0.00212)(0.00120)(0.00140)LnRANK0.004250.00594**0.002920.00901***0.00861***(0.00283)(0.00240)(0.00288)(0.00274)(0.00285)LnPRIC0.00681*0.00782**-0.002270.0105***0.00917**(0.00353)(0.00308)(0.00886)(0.00367)(0.00356)DISC0.003180.0134-0.0120(0.00810)(0.00926)(0.0108)LnSALE0.00785**0.00983***0.002530.0114***0.00942**(0.00356)(0.00268)(0.00242)(0.00356)(0.00369)PLAT0.001380.005360.00815**0.000888(0.00529)(0.00371)(0.00366)(0.00491)LnCONT1-0.00143-0.0121-0.0148***-0.0139(0.00684)(0.00866)(0.00534)(0.0121)LnCONT20.003180.004550.00869***0.00535(0.00398)(0.00925)(0.00264)(0.0124)LnCONT3-0.0005860.00542-0.000536(0.00428)(0.0107)(0.0147)_CONS4.597***4.605***4.746***4.786***4.671***4.608***(0.0944)(0.0315)(0.115)(0.0552)(0.116)(0.0530)N502502309309233233R20.8090.8080.8090.8050.7430.733adj. R20.8040.8060.8000.8020.7270.728

注：括號內數值為穩健標準誤，***代表在α=0.01水平下顯著，**代表在α=0.05水平下顯著，*代表在α=0.1水平下顯著。

(五) 內生性及穩健性檢驗

在基準回歸分析結果中，我們基于全樣本回歸模型(3)考察了不同因素對滿意度的整體影響，然而網購滿意度與產品銷量之間可能存在雙向因果關系，這可能會導致我們的回歸分析結果存在內生性問題。在回歸分析中導致內生性問題的可能原因有三方面，主要包括了遺漏變量、反向因果和測量誤差。一方面，我們在回歸分析中發現產品銷量的提升對顧客滿意度具有正向促進作用；另一方面，由于消費者網購滿意度的提升會讓其作出較高的評分，直接影響可能會導致消費者的二次購買行為，間接影響則會使其他消費者根據評分結果作出購買決策，這些影響均會促進產品銷量的增加。此外，已有研究證實了消費者的個體特征和主觀偏好會對家具購買行為產生顯著的影響，如李英等(2016)通過對問卷調查數據進行多元對應分析后發現，家具消費者的職業、月收入、以往的網購經歷等個體特征與其購買行為存在高度相關性[38]。然而，受制于淘寶網頁信息的局限和約束，我們并不能獲取消費者的個體特征信息，這導致基準回歸分析存在遺漏變量的可能性。解決內生性問題的常用方法是利用工具變量，采用兩階段最小二乘法(2SLS)進行參數估計，工具變量必須要滿足兩個條件：其一是工具變量與內生變量相關，其二是工具變量與隨機擾動項不相關；若模型不存在內生性問題，則采用工具變量法與基準回歸方程的估計結果應該相似，反之則存在內生性問題[39]。本文采用店鋪是否提供上門安裝服務(INSTALL)作為產品銷量的工具變量，當商家提供該項服務時我們令值為1，反之則值設為0，這是因為如果店鋪提供上門安裝服務意味著消費者會獲得額外的增值服務，這會使消費者更加偏愛選擇提供上門安裝服務的店鋪購買產品，進而會使店鋪的產品銷量得到提升。而上門安裝服務屬于商家自行決定是否提供，商家在制定政策前并不知道潛在顧客的個體特征，因此上門安裝服務具有相對的外生性。為了進一步確保回歸結果的穩健性，我們還采用了地區固定效應對分組回歸結果進行了再檢驗，具體結果如表6所示。模型(16)為兩階段最小二乘回歸分析結果，模型(17～21)分別對應熱門產品、非熱門產品、低端產品、中端產品、高端產品的參數估計結果。從整體來看，使用了工具變量的情況下，兩階段最小二乘(2SLS)估計結果與基準回歸估計結果基本相一致，而采用了地區固定效應進行分組參數估計的回歸系數及顯著性均未發生明顯的變化，這進一步說明了本文的實證分析結果的可靠性和穩健性。

注：括號內數值為穩健標準誤，***代表在α=0.01水平下顯著，**代表在α=0.05水平下顯著，*代表在α=0.1水平下顯著.

五、結論與啟示

本文基于國內最大的B2C網購零售平臺——淘寶網(含天貓平臺)實木家具產品銷售頁面提供的豐富數據信息，討論了網絡口碑信息和在線觀察學習信息等解釋變量對消費者網購滿意度的影響，得到的主要結論包括以下幾方面：首先，基準回歸分析、逐步回歸分析、工具變量估計和穩健性檢驗的結果均顯示網絡口碑因素對消費者網購滿意度的影響并不顯著，在線觀察學習因素對消費者網購滿意度的影響絕大部分情況下較為顯著，折扣系數和寶貝收藏次數對消費者的網購滿意度并沒有發生顯著影響，產品價格、產品銷量和店鋪虛擬變量對網購滿意度的影響會因產品類型的不同而存在影響差異。其次，不同熱度下分組回歸結果顯示實木家具產品的消費者網購滿意度的影響因素存在顯著差異，非熱門產品的消費者更多的關注描述相符與同行相對比率、服務態度與同行相對比率、物流速度與同行相對比率和產品價格因素，而熱門產品的消費者還會額外關注搜索排名、產品銷量和店鋪所處平臺因素；結果顯示熱門產品在天貓店鋪的滿意度相對淘寶店鋪的滿意度要高，對于非熱門產品則這種差異性并不顯著。再次，進一步按照價格將實木家具產品劃分為低端、中端、高端三種類型，不同價格檔次下分組回歸結果顯示實木家具產品的消費者網購滿意度的影響因素具有明顯差異；搜索排名、產品價格和產品銷量均對消費者的網購滿意度呈正向影響，差異主要體現在在線觀察學習因素方面，低端產品消費者主要關注服務態度與同行相對比率和物流速度與同行相對比率，高端產品消費者關注重點在于描述相符與同行相對比率、物流速度與同行相對比率；中端產品的消費者則同時關注描述相符與同行相對比率、服務態度與同行相對比率、物流速度與同行相對比率因素，這與非熱門產品的消費者關注重點存在交集，店鋪所處平臺亦會對網購滿意度產生影響。最后，從使用是否提供上門安裝服務作為工具變量進行參數估計和使用地區固定效應替代控制變量的估計結果來看，回歸方程系數的符號和顯著性并未發生大規模的改變，說明本文的實證分析結果是穩健的。

基于實木家具產品銷售頁面信息的理論分析與實證檢驗結果，對于大型B2C網絡購物平臺的商家提升顧客滿意度提供了豐富的政策啟示。第一，網絡零售商應該牢固樹立誠信經營意識。利用B2C網絡購物平臺進行產品銷售，并非簡單的通過互聯網信息技術實現交易過程，網絡商鋪的價值和經營模式在于拓寬銷售渠道，使潛在的消費者擺脫了地域因素的限制，節省了消費者的交易成本。然而，中國的消費者對于網絡購物過程的滿意度和信任度普遍不高(查金祥等, 2006)，整體上與消費者的購買前對產品的預期尚存在一定的差距，消費者的網購滿意度仍然存在進一步的提升空間。消費者對于實木家具產品的購買，普遍都比較重視描述相符與同行相對比率，因此網絡零售商必須確保產品頁面信息描述的真實性，杜絕產品頁面信息的偽造或不真實對消費者滿意度造成的負面影響。網絡零售商過分夸大或造假產品頁面描述信息，短期內雖然能夠帶動銷量的增加，但一旦消費者做出較低滿意度評分，將給網絡零售商的利潤帶來長期的負面影響(張明璽和雷明, 2016)。第二，網絡零售商需要持續不斷的提高電商服務質量。我們的實證結果顯示實木家具產品的消費者普遍重視服務態度與同行相對比率、物流速度與同行相對比率兩方面因素，所以網絡零售商家不僅應該為消費者提供完善的售后服務體系，還應該兌現服務承諾和提供快速的退換貨機制與補償機制。當前國內快遞服務公司呈現多元化市場特征，物流速度快通常意味著運送費用上升，但商家為消費者選擇快遞方式時應該充分考慮物流速度，而不應該局限于僅僅考慮物流成本因素，商家可以在物流成本方面做出適當地讓步，畢竟物流速度的增加會使網購滿意度得到提升，從長遠盈利來看是非常值得的。第三，網絡零售商的促銷手段不應該僅局限于傳統的打折活動。從本文使用的實木家具產品樣本來看，幾乎所有的店鋪都使用了打折手段進行促銷，然而折扣系數變量對于消費者網購滿意度的影響并不顯著，說明消費者對于網絡零售平臺的打折活動可能正在變得越來越不“感冒”。一些媒體曝光了某些網絡零售商在促銷活動開始之前提高產品價格，再通過打折活動將價格降至原價，表面上看促銷活動對消費者讓利，實際上這種不誠信行為嚴重影響了網絡平臺聲譽，降低了消費者對于打折促銷的信任感。網絡零售商可通過為消費者提供免費上門安裝服務等增值業務，提高消費者的滿意度。第四，實行差異化的營銷策略，滿足各層次消費者的需求。實木家具產品作為大體積耐用品，決定了消費者即關注其美學價值又重視其實用價值，可以采用搭配銷售或分檔銷售的方式迎合消費者需求，適度的讓產品價格高于同行平均價格，會讓消費者產生具有更好質量保障的感覺。此外，天貓店鋪的準入條件雖然略顯嚴格，但會讓消費者對產品質量形成更高的信任感，一些情況下有利于提高網絡零售商的業績。

近年來，隨著中國經濟的蓬勃發展和人均可支配收入水平的提高，越來越多的消費者更加偏愛于網絡形式購買需要的商品。如今，無論是在農村亦或城市，個人電腦都已經變為十分普及的工具，在過去幾年里實木家具的網絡零售也迅速得到發展。但實木家具產品畢竟與服裝、電子產品等有一定的區別，因為從一般層面來講家具更大成分要歸屬于耐用型產品，因此消費者對于網絡購買方式會變得異常謹慎。先前的實證研究側重于從個體特征層面探索對消費者滿意度的影響或者在線頁面信息對銷量存在的影響，而我們的研究拓展了此前的工作并可初步發現消費者對實木家具產品網購滿意度的影響因素，為淘寶網店家在店鋪經營方面如何提升消費者滿意度提供有意義的借鑒。值得注意的是我們的研究也存在一定程度的局限性。本文的經驗研究結果基于實木家具產品網頁銷售數據完成，而大體積耐用品則包括冰箱、電視、洗衣機等多種產品，因而研究結論在針對大體積耐用品推廣時的普適性有待進一步檢驗和完善，因此本文的結論僅屬于指示性參考。盡管如此，我們的研究結論可以幫助電商企業了解消費者對大體積耐用品網購滿意度的影響因素。此外，一些學者在針對圖書產品(龔詩陽等, 2013)和筆記本電腦產品(張明璽和雷明, 2016)的研究中，采用網絡爬蟲工具獲取了樣本隨時間變化的面板數據，由于增加了時間維度和擴大了樣本量，可以分析影響因素的動態變化信息，使估計結果的精確度得到提高。受到時間和技術手段的限制，本文采用的是淘寶網實木家具樣本的橫截面數據形式，而未將其它大型電商平臺的樣本納入分析范圍，因此擴大產品范圍和樣本數據量展開實證研究將是未來進一步的研究方向。

[注 釋]

① 1997年，國家主管部門研究決定由中國互聯網絡信息中心(CNNIC)牽頭組織有關互聯網單位共同開展互聯網行業發展狀況調查，自1997年至今CNNIC已成功發布42次全國互聯網發展統計報告，自1998年以來，中國互聯網絡信息中心形成了每年年初和年中定期發布《中國互聯網絡發展狀況統計報告》的慣例，這些報告均可以在中國互聯網絡信息中心(CNNIC)的官方網站上免費下載。

② 該書英文版于2000年由美國西北大學出版社出版，國內學者成湘洲將其譯為中文版，并于2001年由華夏出版社出版發行，中文版譯名為《網絡營銷原理》。

④ 菲利普·科特勒(Philip Kotler)認為，顧客滿意是指顧客對其明示的、通常隱含的或必須履行的需求或期望已被滿足的程度的感受。滿意度是顧客滿足情況的反饋。它是對產品或者服務性能，以及產品或者服務本身的評價，給出了(或者正在給出)一個與消費的滿足感有關的快樂水平，包括低于或者超過滿足感的水平，是一種心理體驗。

⑤ Ho和Lee(2007)在其研究中認為，網站上的信息質量是否符合用戶的需求和期望至關重要。他們基于過去的研究，確定了評估信息內容質量的標準包括準確性，及時性，簡潔性，相關性，可靠性和完整性。

⑥ 通俗的說，當消費者在網上訂購酒店住宿時，面對網站上的眾多酒店信息，可能會去征求身邊熟人或朋友(曾在目標酒店住宿過)的建議做出決策，也可能會通過瀏覽網站上邊酒店網頁信息中的消費者點評進行決策，這一過程實質上就是在線觀察學習。當消費者在生活中去餐館就餐時，通過觀察發現某一家餐館非常火爆(就餐人多)而選擇就餐，就是觀察學習的過程。

⑦ 計算公式為正面評論標簽所占比例=(正面評論累計次數/評論總數)*100%。淘寶網在產品頁面評論區上方設置了評論標簽信息，系統自動采用在線文本挖掘技術對用戶評論信息進行挖掘，出現次數較為頻繁的共性詞語會以標簽形式顯示在評論區，同時用戶還能夠看到高頻詞匯的累計出現次數，例如：質量不錯(51)、服務好(24)、沒有色差(5)、質量一般(3)等。

⑧ 當指標得分高于同行店鋪得分均值時為正數，當指標得分低于同行店鋪均值時為負數，指標與同行店鋪得分持平時數值為零。7.92%表示與同行業店鋪平均得分相比，得分高7.92%。

⑨ 描述相符、服務態度和物流速度得分為消費者在確認收貨后進行評價時所賦予，每種得分都可以分為五個星級(依次代表1～5分)，最終顯示在銷售頁面的為所有評論得分的均值。這種形式與調查問卷中李克特五級量表(Likert scale)的功能相類似，因此可以用來反映消費者的滿意程度。

⑩ s計算公式為滿意度綜合指數=0.332*描述相符得分+0.335*服務態度得分+0.333*物流速度得分。從權重可以看出，因描述相符、服務態度和物流速度得分的權重差異性不大，因此也可以直接采用算數平均的方法近似計算滿意度綜合指數。