基于信號理論的在線商店購買轉(zhuǎn)化率研究

鄭杰文?劉洪偉

摘? 要：電子商務行業(yè)的蓬勃發(fā)展也伴隨著激烈的競爭，在線商店如何在競爭激烈的大型電商平臺具備競爭力是一個值得探討的問題，而購買轉(zhuǎn)化率是商店的一個非常重要的指標。文章基于信號理論，采用大型電商平臺提供的點擊流數(shù)據(jù)，用分層回歸模型對在線商店購買轉(zhuǎn)化率的影響因素進行了研究。結(jié)果表明，在線商店的綜合評分、會員數(shù)及好評率等質(zhì)量信號均對在線商店的購買轉(zhuǎn)化率有積極影響。

關(guān)鍵詞：電子商務;在線商店;信號理論;購買轉(zhuǎn)化率

中圖分類號：TP391;G206? ? ? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2022）02-0086-05

Abstract： The vigorous development of the E-Commerce industry is also accompanied by fierce competition. How online stores stand out from the fiercely competitive large-scale E-Commerce platforms is a question worthy of discussion， and the purchase conversion rate is a very important indicator for stores. Based on the signal theory， this paper uses the click stream data provided by large E-Commerce platforms， and uses the hierarchical regression model to research the influencing factors of online store purchase conversion rate. The results show that quality signals such as comprehensive score， number of membership and favorable rate of the online stores all have a positive impact on purchase conversion rate of the online stores.

Keywords： E-Commerce; online store; signal theory; purchase conversion rate

0? 引? 言

據(jù)BIG COMMERCE報告，2017年亞馬遜商城上有超過50%的銷售量來自于第三方店鋪;并且亞馬遜在家裝種類商品的市場份額的逐步提升預示著越來越多的銷售傳統(tǒng)品類的商家正在轉(zhuǎn)型到電子商務中。而對于國內(nèi)的大型電子商務平臺來說，截至2019年12月31日，京東商城的第三方商店超過了27萬家;而截至2020年3月31日，已有超過25萬個商店入駐天貓。數(shù)量眾多的在線商店意味著激烈的競爭。此前曾有報告指出，2016年間，單單亞馬遜美國站點的注冊賣家就多達70萬，但是最終存活下來的商店不足十分之一，更有甚者，其商店竟沒能持續(xù)經(jīng)營超過6個月[1]，可見在線商店競爭之慘烈。因此，在線商店如何在激烈競爭的電子商務平臺上體現(xiàn)競爭優(yōu)勢是一個有意義的管理實踐問題。

早在2013年，淘寶網(wǎng)行業(yè)研究團隊就指出，購買轉(zhuǎn)化率是商店的一個非常重要的指標，這個指標是商品質(zhì)量、服務能力、營銷水平等各項在線商店運營能力的最終體現(xiàn)[2]。鑒于買方和賣方分離的特點，電子商務平臺的不確定性很高。為了幫助消費者從平臺上良莠不齊的在線商店和商品中識別出“好”的在線商店和商品，電子商務平臺已經(jīng)開發(fā)了質(zhì)量信號機制來推動線上交易，而眾多學者則對這些機制的實證檢驗做出了貢獻。

回顧以往的論文發(fā)現(xiàn)：第一，過去關(guān)于在線商店的研究大多基于網(wǎng)站粒度，本文基于最新的電子商務實踐，把研究對象定義為同一個大型電商平臺上的不同在線商店，競爭范圍也限制在了同一個平臺上;第二，過去對于在線商店購買轉(zhuǎn)化率的研究，較多流于表面上主觀的分析，而本文的在線商店購買轉(zhuǎn)化率，是基于電商平臺提供的客觀數(shù)據(jù)，且進行了定量分析;第三，本文新引入的好評率及在線商店會員數(shù)等質(zhì)量信號，豐富了信號理論在電子商務領(lǐng)域的研究。

本文后續(xù)的章節(jié)中，首先將梳理與本文相關(guān)的研究，然后再基于質(zhì)量信號理論進行假設(shè)推導，最后通過客觀的數(shù)據(jù)分析得出結(jié)論與啟示。

1? 相關(guān)研究

鑒于買方和賣方分離的特點，電子商務平臺的不確定性很高。為了幫助消費者從平臺上良莠不齊的在線商店和商品中識別出“好”的在線商店和商品，電子商務平臺已經(jīng)開發(fā)了質(zhì)量信號機制來推動線上交易，而眾多學者則對這些機制的實證檢驗做出了貢獻。需要注意到，經(jīng)濟學中的質(zhì)量信號理論[3]，提供了一類在線拍賣質(zhì)量和可信度的指標，已經(jīng)被用于線上拍賣的研究[4]。具體來說，Michael[3]以及Kirmani和Rao[5]指出，在一種機制可以用作質(zhì)量信號之前，需要滿足兩個條件。首先，該機制需要賣家付出成本才能采用。其次，信號傳遞成本必須符合單交叉條件，即不好的賣家需要付出的成本比好的賣家要高，這樣才會出現(xiàn)分離均衡。

與經(jīng)濟學中發(fā)現(xiàn)的質(zhì)量信號理論相結(jié)合，信息系統(tǒng)領(lǐng)域的研究人員提出了建立基于制度的機制（例如聲譽系統(tǒng)，代管服務，信用卡擔保和中介保護）在建立消費者信任方面的有效性[6]。Ou等人認為，盡管這些制度機制可以有效地反映出整個賣方社區(qū)的質(zhì)量，但與“好”賣方和“差”賣方的區(qū)別要比整個社區(qū)的制度機制更為重要。在這方面，基于社交的質(zhì)量信號機制在消費者甄別電商平臺中的在線商店方面起著重要作用[7]。

因此，本研究利用質(zhì)量信號理論將電子商務平臺中的質(zhì)量信號機制分類為與在線商店特征有關(guān)的機制。此外，從基于制度和社交的質(zhì)量信號機制的視角為來建立消費者信任為賣方提供了不同的質(zhì)量指標，讓他們能選擇或披露更多質(zhì)量信息。在質(zhì)量信號理論和建立信任機制的結(jié)合中，我們從基于制度和社交的角度提出了一系列與賣方信譽和產(chǎn)品質(zhì)量相關(guān)的指標（如表1所示）。在這項研究中，我們嘗試檢查它們對在線商店購買轉(zhuǎn)化率方面影響的有效性。 在以下部分中，我們建立并證明與該類型質(zhì)量信號指標相關(guān)的理論假設(shè)。

1.1? 基于電子商務平臺制度機制的質(zhì)量信號

為了吸引買家與電子市場中的“未知”在線供應商進行交易，人們已經(jīng)在研究如何設(shè)計有效的電子市場方面付出了很多努力。特別是，信任和建立信任的機制受到了極大的關(guān)注（通常，聲譽機制、代管服務、信用卡擔保和中介保護等制度結(jié)構(gòu)被認為是有效的建立信任的機制[6，8]。這些制度機制已在電子商務平臺（例如eBay和淘寶）中普遍采用。

許多電子商務平臺為消費者評估在線商店提供了評級系統(tǒng)。在京東商城上，第三方的在線商店有一個由用戶評價得分、物流履約得分和售后服務得分三個維度組成的在線商店綜合評分。這些等級評分代表消費者對特定產(chǎn)品的評價、物流速度和售后服務的平均評分。在線商店需要證明自己可以提供消費者滿意的產(chǎn)品、按時交付產(chǎn)品的能力和良好的售后服務的能力，才能贏得消費者較高的等級分數(shù)。這意味著賣方要承擔額外的成本，也意味著如果管理不善，在線商店未來的收入會受到影響。對于較差的商家而言，由于要獲得相同的較高評價分數(shù)更加困難，因此，質(zhì)量信號成本也更高。在這方面，商店綜合評分滿足單交叉特性的要求，因此可以視為質(zhì)量信號指標。綜上所述，從未在一些在線商店購物的消費者，可能基于其他消費者對這些在線商店的評價，傳遞了對這些在線商店的信任，進而愿意在這些商店進行購買行為。因此，我們提出：

H1：綜合評分對在線商店購買轉(zhuǎn)化率有積極影響。

在店鋪搜索列表中，我們點進去一些在線商店瀏覽，發(fā)現(xiàn)有的商店會有“上新”區(qū)域，而有的則沒有。上新即代表有新產(chǎn)品上架，能獲取到新產(chǎn)品，說明該店鋪的運營能力具有一定的水平，而沒有新產(chǎn)品上架的商店，若想要得到新產(chǎn)品上架，則需要在選取供應商，談判議價，供應鏈管理等方面投入成本。因此，我們認為，“上新”能作為在線商店的質(zhì)量信號。并且有：

H2：上架新產(chǎn)品對在線商店購買轉(zhuǎn)化率有積極影響。

1.2? 基于電商平臺社交機制的質(zhì)量信號

與制度機制相比，研究人員并未對電子商務平臺的社交機制基于太多關(guān)注。Ou等人將受歡迎程度和線上客服歸納了基于社交機制的質(zhì)量信號，并研究了它們對銷售量的影響[7]。在刻畫受歡迎程度上，他們以淘寶的店鋪收藏數(shù)為例質(zhì)量信號的指標。在本研究中，我們把京東商城的在線商店粉絲數(shù)作為基于社交機制的質(zhì)量信號，在實證上檢驗了不同平臺的質(zhì)量信號，并研究其對購買轉(zhuǎn)化率的影響。如今，粉絲數(shù)已成為衡量在線商店受歡迎程度的一個指標，消費者認為該指標高的商店更具吸引力，更值得信賴，更具親和力[9]。這一指標不但可用來評判店鋪的人氣，發(fā)現(xiàn)擁有大量收藏人數(shù)的店鋪銷量越好，提供給顧客的產(chǎn)品質(zhì)量越高[10];并且該指標加速了店鋪信息的傳播速度[11]，幫助店鋪被更多的人所關(guān)注到。因此，我們提出：

H3：粉絲數(shù)對在線商店購買轉(zhuǎn)化率有積極影響。

線上店鋪VIP人數(shù)的概念從線下會員制度演變而來，指在電子商務平臺中購買東西時，授權(quán)個人的手機號等信息，成為該店鋪的會員，允許成為會員的顧客在購買時對其商品進行積分，并在眾多的商品頁面中，根據(jù)這類顧客以往的購買喜好，提供更精準的服務;會員計劃是對公司有利營銷手段，通過提供更大力度的價格折扣和更貼心的服務來鼓勵顧客的再購買意愿[12];對于企業(yè)來說，會員制度為客戶從滿意度到忠誠度提供了一個跳板，顧客重復購買率是利潤增長的重要來源，提高5%的顧客忠誠度可帶來75%的利潤，因為吸引新顧客的成本遠比誘導老顧客回購的成本要高的多[13]。因此，會員數(shù)越高，說明客戶的再購買意愿更高，我們提出：

H4：會員數(shù)對在線商店購買轉(zhuǎn)化率有積極影響。

在淘寶上，我們點擊一家在線商店的詳情頁，能看到店鋪好評率，而在京東商城上則沒有店鋪好評率。因此，我們將數(shù)據(jù)集中的數(shù)據(jù)進行處理，把同一在線商店的所有產(chǎn)品的評論累計起來計算京東商城上某家在線商店的店鋪好評率，探究它對購買轉(zhuǎn)化率的影響。評價系統(tǒng)實際上就是電子商務平臺對商家設(shè)計的聲譽體系。在淘寶上，購買者可以對每筆交易進行評分。然后，電子商務平臺會通過所有買家對該商家的個人評分的比例構(gòu)成，算出在線商店的好評率。賣家需要花費時間喝經(jīng)理來獲取每筆交易中單個買家的正面評價，以便使在線商店的好評率維持在一個較高的級別。好評率的信號成本是未來的收益，而低質(zhì)量的在線商店從長遠來看，獲得一個高的店鋪好評率要比質(zhì)量好的在線商店更困難。因此，我們提出：

H5：好評率對在線商店購買轉(zhuǎn)化率有積極影響。

2? 模型構(gòu)建

2.1? 變量定義

定義1：在線商店綜合評分（shop_scores）：

我們依靠國內(nèi)某大型電商平臺提供的客觀消費者點擊流數(shù)據(jù)來驗證我們的假設(shè)。在基于制度機制的質(zhì)量信號方面，我們研究的變量首先包含單個在線商店的綜合評分，綜合評分代表該在線商店在用戶評價、物流履約、售后服務等方面的得分平均值。該評分的取值范圍是0到10。該數(shù)據(jù)直接來源于電商頁面上展示的在線商店綜合評分。

定義2：在線商店是否上新（have_new_product）：

其次，我們研究了在線商店是否上架新產(chǎn)品對其購買轉(zhuǎn)化率的影響，上新的定義是，研究的時間的前一個月，如果商店上架了新產(chǎn)品，我們則將“上新”編碼為1;如果商店未在研究期間的前一個月上架新產(chǎn)品，我們則將“上新”編碼為0。

在基于社交的質(zhì)量信號方面，首先，我們研究的變量包含了關(guān)注該在線商店的消費者數(shù)量，即粉絲數(shù)。

定義3：在線商店粉絲數(shù)（fans_num）：

該變量直接來源于電商平臺頁面上關(guān)注該商店的用戶數(shù)。為了統(tǒng)一量綱，我們對該數(shù)值進行了對數(shù)化的處理。

定義4：在線商店好評率（positive_rate）：

其次，我們研究了在線商店的好評率對其購買轉(zhuǎn)化率的影響，這個變量是我們通過數(shù)據(jù)集提供的該商店的好評數(shù)除以它的總評論數(shù)構(gòu)造出來的。

定義5：在線商店會員數(shù)（vip_num）：

我們新穎地研究了在線商店的會員數(shù)這一質(zhì)量信號，我們的數(shù)據(jù)來源于電商平臺提供的點擊流數(shù)據(jù)，可以得到每個商店的會員數(shù)，我們將研究這一變量，看是否能將該變量暴露給消費者，以提高商店的購買轉(zhuǎn)化率，同樣地，我們也對該數(shù)值進行了對數(shù)化處理以統(tǒng)一量綱。

定義6：在線商店購買轉(zhuǎn)化率（purchase_conversion_rate）：

最后，本研究的因變量是在線商店的購買轉(zhuǎn)化率。這個變量是我們通過數(shù)據(jù)集提供的該商店的單位時間內(nèi)的交易量除以它的單位時間內(nèi)的訪問量構(gòu)造出來的。

2.2? 控制變量

定義7：在線商店成立時間（set_up_days）：

set_up_days=the date of the period we study-the set up date of the online store

除了上述變量外，我們根據(jù)數(shù)據(jù)集中的在線商店成立時間，該數(shù)據(jù)直接來源于電商平臺頁面中的商店詳情頁。將我們選取的數(shù)據(jù)集的日期日期范圍與其成立時間作差得到，單位為天數(shù)，視作本文分析的控制變量。由于在市場上具有較長歷史的賣方，其吸引顧客并留存老顧客的能力經(jīng)過了實踐的檢驗，因此，我們認為開店時間對在線商店的購買轉(zhuǎn)化率有積極影響。

2.3? 研究模型

根據(jù)以上變量定義及第一節(jié)的假設(shè)，我們構(gòu)建了以下基于信號理論的在線商店影響因素研究模型，如圖1所示。

3? 數(shù)據(jù)分析

我們使用的數(shù)據(jù)集包含2018年2月1日至4月15日共1 608 707名消費者在國內(nèi)某大型電商平臺上的10 399家在線商店瀏覽的37 214 269條記錄的點擊流數(shù)據(jù)。由于2月份中包含春節(jié)這段特殊時期，4月只有半個月的數(shù)據(jù)，所以我們最終選擇以2018年3月的數(shù)據(jù)來進行數(shù)據(jù)分析。

3月份的數(shù)據(jù)集中共有9 458家在線商店，我們在刪除了銷售量為0的商店后，剩余6 904家在線商店。再刪除掉粉絲數(shù)、會員數(shù)、綜合評分、評論數(shù)、開店時間為空的在線商店后，我們最終的研究對象為3 565間在線商店。

3.1? 共線性檢驗

在進行回歸分析前，我們首先檢查了潛在的多重共線性問題，本文使用的一種檢驗方法是方差膨脹因子（Variance Inflation Factor， VIF），VIF是指解釋變量之間存在多重共線性時的方差與不存在多重共線性時的方差之比。該方法通過檢查指定的解釋變量能被其他全部解釋變量所解釋的程度來檢測多重共線性，VIF具體步驟如下：

設(shè)原方程為：

y=β0+β1x1+β2x2+β3x4+β4x4+β5x5+β6x6+u

首先，xi（i=1，2，3，4，5，6）對上述方程中其他全部解釋變量進行最小二乘法（Ordinary Least Square， OLS）回歸，例如i=1，回歸方程為：

x1=α1+α2x2+α3x3+α4x4+α5x5+α6x6+v

其次，計算VIF，公式為：

其中是第i個自變量xi對其余i-1個自變量回歸中的判定系數(shù)，方差膨脹因子VIF越高，多重共線性的影響越嚴重。若VIF大于10，則認為具有嚴重的多重共線性。

如表2所示，發(fā)現(xiàn)所有自變量的VIF值均小于2，表明各自變量之間沒有共線性的問題。隨后我們進行對在線商店的購買轉(zhuǎn)化率進行了分層回歸，從基于制度機制的質(zhì)量信號開始，以檢驗我們的理論假設(shè)。這種分層回歸能使我們確定R2和F值增量的變化，從而顯示每組自變量如何在本文的研究中對在線商店的購買轉(zhuǎn)化率做出貢獻。

3.2? 結(jié)果分析

表3顯示，第一個回歸步驟在p<0.05的水平上是顯著的，后續(xù)的回歸步驟在p<0.005的水平上都是顯著的，包括基于電商平臺制度的機制（模型2），基于電商平臺社交的機制（模型3）。盡管每種特定的電商平臺制度機制和社交機制不會發(fā)揮相同的影響，但是模型2和模型3的R2顯著性的總體變化在原則上驗證了H1，H4和H5。這三種質(zhì)量信號（在線商店綜合評分、在線商店會員數(shù)、在線商店好評率）對在線商店的購買轉(zhuǎn)化率具有積極的正向影響。而H2和H3則未得到驗證，不能表明在線商店的粉絲數(shù)及上架新品的動作能對其購買轉(zhuǎn)化率產(chǎn)生積極影響?？偟膩碚f，這兩套質(zhì)量信號機制對因變量，即在線商店的購買轉(zhuǎn)化率的解釋為22.6%，表明整體的研究模型具有足夠的擬合優(yōu)度。下面我們將討論在分層回歸中對特定相關(guān)因素的主要發(fā)現(xiàn)。

盡管并非每個因素都像預期的那樣重要，但是三步分層回歸也得到了有趣的發(fā)現(xiàn)。尤其是，我們的數(shù)據(jù)表明，在線商店開店時間越長（b=-0.026 7，p<0.001），并不能表明會對它的購買轉(zhuǎn)化率產(chǎn)生積極影響。但是前人的研究卻發(fā)現(xiàn)，開店時長會對在線商店的銷量產(chǎn)生積極影響。同樣是刻畫在線商店競爭力的指標，同一個質(zhì)量信號卻對銷售量和購買轉(zhuǎn)化率有不同程度的影響，這也值得我們進一步探究。于此相對的是，前人發(fā)現(xiàn)在線商店綜合評分對銷售量有著積極影響，而在本研究中，我們也發(fā)現(xiàn)在線商店綜合評分（b=0.045 9，p<0.001）對其購買轉(zhuǎn)化率產(chǎn)生積極影響。因此，電商平臺把綜合評分放在搜索商店的結(jié)果頁充當質(zhì)量信號，可以作為在線商店吸引潛在買家的有效起點。而本文創(chuàng)新性地研究了“上新”（b=-0.019 6）這一電商平臺制度機制的質(zhì)量信號，研究結(jié)果未表明其會對在線商店的購買轉(zhuǎn)化率產(chǎn)生積極影響。這可能與目前電商平臺實踐中，“上新”通常更側(cè)重于推薦新產(chǎn)品，而較少在新品頁呈現(xiàn)在線商店的名稱有關(guān)。因此“上新”并未作為一個吸引用戶訪問在線商店的信號。我們在電商平臺社交機制方面的發(fā)現(xiàn)更有趣，回歸的結(jié)果不能表明，在線商店的粉絲數(shù)（b=-0.015 2，p<0.001）會對其購買轉(zhuǎn)化率產(chǎn)生積極影響。這也是與前人關(guān)于粉絲數(shù)對在線商店的銷售量有積極影響有所不同的。但是，這個可以從購買轉(zhuǎn)化率的定義上嘗試解釋，很簡單的道理，粉絲的基數(shù)越大，就越難達到高的轉(zhuǎn)化率。這也可以給我們不同的在線商店運營策略，比如粉絲數(shù)少的時候，我們要更注重提高購買轉(zhuǎn)化率，當粉絲數(shù)達到一定數(shù)量級后，更加專注于提高產(chǎn)品的銷量。好評率（b=0.038 4，p<0.005）也會對在線商店的購買轉(zhuǎn)化率產(chǎn)生積極影響，因此，為了提高購買轉(zhuǎn)化率，運營者要好好經(jīng)營商店的口碑。最后，是本文新穎地研究了的電商平臺社交機制的質(zhì)量信號——會員數(shù)（b=0.033 6，p<0.001）也能對在線商店購買轉(zhuǎn)化率產(chǎn)生積極的影響。這啟示運營者們在實踐中也可以好好搭建自己在線商店的會員體系。

4? 結(jié)? 論

本研究在先前將質(zhì)量信號理論應用到電子商務領(lǐng)域時，把質(zhì)量信號分為基于制度機制的質(zhì)量信號和基于社交機制的質(zhì)量信號的研究框架的基礎(chǔ)上，通過擴展質(zhì)量信號理論并結(jié)合大型電商平臺的后臺數(shù)據(jù)，進一步研究了近年來電子商務實踐中出現(xiàn)的一些可以納入質(zhì)量信號范疇討論的因素，研究它們對在線商店購買轉(zhuǎn)化率這一重要指標的影響。并得出了相應的結(jié)果。結(jié)果表明，綜合評分、會員數(shù)、好評率等質(zhì)量信號對在線商店的購買轉(zhuǎn)化率有積極影響。

本研究對實踐中如何提高購買轉(zhuǎn)化率，以提高在線商店在大型電商平臺的競爭力，有一定的啟發(fā)。但是尚未對經(jīng)營不同種類商品的在線商店展開討論，今后的研究可以從這方面展開。

參考文獻：

[1] 陳凱毅.跨境電商第三方交易平臺商品轉(zhuǎn)化率及其影響研究 [D].杭州：浙江大學，2018.

[2]蔣榮華，陳娜，胡瓊.提升購買轉(zhuǎn)化：玩轉(zhuǎn)成交漏斗 [J].銷售與市場（評論版），2013（2）：79-81.

[3] MICHAEL S . Job Market Signaling [J].Quarterly Journal of Economics，1973（3）：355-374.

[4] LI S B，KANNAN S，SUN B H. Internet Auction Features as Quality Signals [J].Journal of Marketing，2009，73：75-92.

[5] KIRMANI A ，RAO A R . No Pain，No Gain：A Critical Review of the Literature on Signaling Unobservable Product Quality [J].Journal of Marketing，2000，64（2）：66-79.

[6] PAVLOU P A，GEFEN D. Building effective online marketplaces with institution-based trust [J].Information systems research，2004，15（1）：37-59.

[7] OU C X J，CHAN K C C. Developing a competitive edge in electronic markets via institutional and social based quality signaling mechanisms [J].Information & Management，2014，51（5）：532—540.

[8] PAVLOU P A ，DIMOKA A . The Nature and Role of Feedback Text Comments in Online Marketplaces：Implications for Trust Building，Price Premiums，and Seller Differentiation [J].Information Systems Research，2006，17（4）：392-414.

[9] VEIRMAN M，CAUBERGHE V，HUDDERS L. Marketing through Instagram influencers：the impact of number of followers and product divergence on brand attitude [J].International journal of advertising，2017，36（5）：798-828.

[10] JIN S A，PHUA J. Following celebrities’ tweets about brands：The impact of twitter-based electronic word-of-mouth on consumers’ source credibility perception，buying intention，and social identification with celebrities [J].Journal of advertising，2014，43（2）：181-95.

[11] YOGANARASIMHAN H .Impact of social network structure on content propagation：A study using YouTube data [J].Quantitative Marketing and Economics，2012，10（1）：111-150.

[12] SINGH R ，KHAN I A . An Approach to Increase Customer Retention and Loyalty in B2C World [J].International Journal of Scientific and Research Publications，2012，2（11）：1-5.

[13] CHEN J V，CHENG H K，HSIAO H J. Loyalty and profitability of VIP and non-VIP customers in the banking service industry [J].Service Science. 2016，8（1）：19-36.

作者簡介：鄭杰文（1997—），男，漢族，廣東陽江人，碩士研究生在讀，研究方向：管理科學與工程;劉洪偉（1962—），男，漢族，廣東廣州人，博士生導師，博士，研究方向：信息系統(tǒng)，商務智能，移動商務。