在線評論有用性影響因素與組態分析
——基于負二項回歸和fsQCA方法

李繼承，蔡偉彬

（哈爾濱理工大學 經濟與管理學院，黑龍江 哈爾濱 150040）

0 引言

數字經濟背景下，網絡消費觀念的普及與網絡支付的便捷化帶動網絡購物的蓬勃發展，而新冠疫情在沖擊線下產業的同時也在客觀上改變了消費者的購物習慣，消費者紛紛從線下消費轉變為線上消費。據CNNIC統計數據顯示，截至2021 年12 月，我國網絡購物用戶規模達8.42 億人，約占網民整體的81.6%［1］。雖然相比于線下購物更便捷，但線上購物的虛擬性及匿名性使得其頗具風險［2］。因而，消費者需要通過搜尋獲取更多的信息以此來減少網絡購物的風險。除了店鋪相關的介紹與產品的詳細信息外［3］，在線評論也會對消費者的購買行為產生重要影響［4］。而商家在意識到在線評論的重要性后，有意參與到在線評論的發布中。部分商家通過獎勵回報的形式，促使消費者給予好評，更有甚者，則通過雇傭水軍的形式，直接發布虛假的評論信息影響消費者的判斷決策。因而如何衡量評論質量就顯得尤為重要，而在線評論有用性作為行之有效的衡量手段，研究其前因影響，能幫助消費者有效地獲取所需的信息，有利于提升電商平臺服務水平和消費者的購物體驗。

目前在在線評論有用性的相關研究領域，以往國內外學者多從評論內容、評論者和商品類型等影響因素出發開展線性因果效應研究。從研究方法上看，多數研究主要以傳統的線性回歸模型為基礎通過問卷或電商平臺真實數據進行實證研究。已有研究雖闡述了在線評論有用性的影響關系，但僅挖掘出單一前因變量和在線評論有用性之間的線性對稱關系，忽略了多因素間的組合影響，使得該領域的研究無法從整體視角出發形成相對統一的研究脈絡和理論框架。此外，學者們研究部分前因變量對在線評論有用性的影響存在研究結論前后不一致的情況，這可能是因為存在因果間的非對稱性，從而導致研究結果無法統一。鑒于此，本文基于信息采納模型（Information Adoption Model，IAM），采集亞馬遜中國官網真實的評論數據，采用負二項回歸模型和模糊集定性比較分析（Fuzzy－set Qualitative Comparative Analysis，fsQCA）的混合方法，探究在線評論有用性的影響因素及組態效應，以突破單一統計分析方法變量獨立和因果對稱的限制，彌補過往研究方法的不足。

1 理論綜述與研究假設

1.1 信息采納模型

Sussman等結合技術接收模型和精細加工可能性模型提出信息采納模型［5］。由圖1 可知，該模型認為接收者依據信息質量和信息源可信度決定對信息是否采納，這兩者直接影響信息有用性。在線評論作為消費者在網絡購物中的重要決策工具，消費者對其閱讀、理解、判斷的過程實質上便是信息采納過程［5］。信息采納是引起消費者態度和行為改變的前提［6］，本文使用信息采納模型來解釋消費者衡量在線評論是否有用的行為過程。

圖1 信息采納模型Figure 1 Information adoption model

目前已有不少研究使用信息采納模型研究網絡購物中消費者的在線評論有用性的影響過程及機制。對于在線評論，研究者們傾向認為評論信息通過中心路徑來影響消費者，而評論來源則是通過邊緣路徑對消費者產生影響［7－9］。完整的在線評論主要由評論內容信息和評論者信息構成。評論內容包括時間信息、商品感知信息、服務感知信息、消費情境等，是信息的主體內容，即中心路徑［8］，而評論者信息則常作為邊緣路徑影響消費者對信息有用性的判斷。

1.2 研究模型

在消費者進行在線評論投票的情境中，消費者對信息質量的評估主要是對評論內容的評估，而信息源可信度的評估是對評論者信息的評估［10］。信息質量一般通過信息的相關性、準確性、時效性和全面性加以測量［11］，在亞馬遜中國網站的評論信息中不僅包含了評論星級、時間、內容和圖片等評論內容，亞馬遜還提倡評論者用簡明扼要的標題來點明評論重點，因此其評論信息還包含標題信息量，所以本文選取評論星級、長度、標題信息量、時效性、商品類型及圖片評估評論信息質量。信息源可信度則通過其專業性和可靠性加以測量［5］，不同于其他電商平臺，亞馬遜中國網站會根據評論者的貢獻，進行優秀評論者排行以幫助消費者在網站上做出明智的購物決策，并公開評論者過往的評論數和獲得的有幫助的投票數。本文信息源的可信度便選取評論者等級、經驗及權威性加以評估。當前電商網站如淘寶、京東、亞馬遜等在其評論系統中均設計該條評論是否有用的選項，其中亞馬遜中國網站直截了當地以“X個人發現此評論有用”來向消費者展示該條評論的有用性，本文便以此來衡量在線評論有用性。根據上述內容，基于信息采納模型，本文從評論內容和評論者兩個層面多個前因因素探究它們對消費者感知的在線評論有用性的組態影響，據此構建在線評論有用性研究模型，如圖2 所示。

圖2 在線評論有用性研究模型Figure 2 Research model of online comment usefulness

1.3 評論內容特征對評論有用性的影響

評論星級是購買者對商品和使用體驗給出的綜合評價［12］。過往研究中評論星級的影響作用有所差異。部分學者認為評論星級對評論有用性起正向影響［13］，其余學者則認為負面評論包含的信息更準確，對消費者的影響更大［14－16］。多數學者普遍認同極端評論觀點表達更明晰，情感傾向更明確，在線評論有用性更強［13，17］。在電商網站中，在線評論易受到商家的操縱，導致負面評價出現頻率較低，但消費者更接受其真實性［16］，此外，負面偏差理論認為負面信息對消費者的行為和認知的作用更強，其對評論有用性的影響更顯著［11］。

此外，評論內容作為在線評論的主體信息，在過往研究中，評論內容的篇幅越長，評論者對商品及使用體驗的介紹信息更完整，評論接收者的閱讀投入程度更高，對商品更加了解，信息不確定性得以減弱，顯著提升信息的有用性［18］。也有學者指出，評論長度對評論有用性的影響呈現為倒“U”型關系，即在一定范圍內，評論信息有助于購買決策，當評論信息過長時則會導致認知過載，消費者難以進行購買決策［17］。由于評論者撰寫評論需投入時間及精力，加上電商平臺的評論限制，一般情況下認為評論長度仍在合理范圍內。其次，消費者在閱讀評論內容前，會通過閱讀評論標題來篩選符合其需求的評論，而標題作為啟發式信息加工的線索，其信息量也代表著評論者在時間和精力上更大的付出［19］。而標題信息量越多，越有利于消費者了解評論信息，在線評論更有用。由此，提出以下假設——H1：評論星級對在線評論有用性起負向作用；H2：評論長度對在線評論有用性起正向作用；H3：標題信息量對在線評論有用性起正向作用。

消費者在閱讀評論時，除了關注評論星級及評論內容外，也會關注評論時效性。評論時效性是指評論時間與接收者閱讀時間的間隔。郝媛媛等證實評論時效性越高，其評論越有用［20］；方佳明等研究發現評論發表天數越長，評論有用性越高［21］。而評論有用性之所以存在時間累積的影響，是由于消費者對近期評論來不及瀏覽投票，而時間較長的評論則更能獲得消費者的關注，所以時效長的評論更有用［16］。再者，信息技術的發展使得評論展示形式日益多樣化，除了傳統的文字評論，消費者還能以圖片、視頻形式進行評論。研究表明，圖片比文字更容易對消費者產生積極影響［19］。相較于傳統的文字評論，消費者在進行圖片評論時，需要考慮圖片的色澤、構圖、美感等諸多因素，花費更多的時間成本，因而具備圖片的評論更具可信度。此外，評論圖片與內容相互補充，更好降低消費者的信息不確定性，提高評論的有用性［22］。由此，提出以下假設——H4：評論時效性對在線評論有用性起正向作用；H5：評論圖片對在線評論有用性起正向作用。

根據購買前信息獲取的難易程度，Nelson 將商品類型劃分為搜索品和體驗品［23］。在購買前，消費者能通過評論信息了解搜索品的質量屬性，而體驗品只能通過在購買后知曉，不同類型商品的評論有用性有所差別，相較于體驗品，搜索品評論的有用性更高［22］。此外，消費者對不同商品類型的信息認知有所差異，搜索品的評論側重于客觀商品品質描述，而體驗品的評論則主要呈現用戶的主觀體驗，因此在研究中商品類型常作為調節變量［24］。不同商品類型下，評論長度會引起評論中解釋行為和解釋反應與評論有用性的感知差異［25］。對于搜索品而言，評論篇幅越長，商品實物描述越細致，消費者也能獲得更多有用信息，這對于注重客觀屬性的搜索品更具參考價值［13］。商品類型不同，評論圖片的效果有所差異。對于體驗品而言，圖片無法展示購買者的使用體驗等核心信息，而在搜索品中，圖片展示的信息更為直接客觀，圖片能清晰明了展示產品功能設計及使用效果，其評論的有用性也會增加［13］。由此，提出以下假設——H6a：不同商品類型的在線評論有用性存在差異；H6b：商品類型在評論長度與評論有用性中起調節作用；H6c：商品類型在評論圖片與評論有用性中起調節作用。

1.4 評論者特征對評論有用性的影響

在電商平臺評論系統中，常會對優秀評論者進行等級排行，這既能為消費者購物決策提供判斷信息，也會激勵購買者發表優質評論。作為啟發式的信息線索，評論者等級影響消費者感知到的評論有用性［26］。評論者的高等級凸顯其專業性，用戶更青睞高等級評論者的評論，其評論的有用性也越高［33］。評論者以往獲得的投票越多，其商品知識水平越高，代表其權威性也越高，其評論意見更有用［16］。根據信號傳遞理論，評論者權威性作為電商平臺提供的高成本信號，信息更難以獲得，因而對消費者的可信度較高。而評論者權威性越強，可雅度越高，則其評論有用性越高。過往研究常使用評論者所發表的評論數來衡量評論者的經驗，評論者過往所發表的評論數越多，代表其參與程度越高，其評論經驗更豐富，則其評論有用性應該會更高［16］。由此，提出以下假設——H7：評論者等級對在線評論有用性起正向作用；H8：評論者權威性對評論有用性起正向作用；H9：評論者經驗對在線評論有用性起正向作用。

2 研究設計

2.1 研究方法

社會學家Ragin 于20 世紀80 年代提出了定性比較分析方法［28］。不同于傳統回歸分析聚焦于獨立因素的影響，定性比較分析方法不受條件之間可能存在相互交互的影響即共線性問題，可以揭示不同條件組合和結果之間因果關系的復雜性［29］。定性比較分析方法在處理大樣本和分析復雜組態問題的優勢，使其成為多個研究領域解決復雜因果關系的重要工具。

過往關于在線評論有用性影響因素的研究僅關注前因變量的單獨效應，缺乏對不同影響因素間組態效應的探討。因此，本文使用QCA 方法探究在線評論有用性與其前因變量之間存在的復雜因果關系。由于本文通過采集大量亞馬遜中國網站真實評論數據進行分析，屬于大樣本文，且多數變量屬于計數變量更適用fsQCA 方法進行分析。此外，基于大樣本文的趨勢，張明等認為QCA 方法和主流統計分析方法的有效整合提供了擴大社會科學理論的描述力、預測力和解釋力的機會［30］。因而本文嘗試采用負二項回歸模型和fsQCA相結合的方法以提高解釋力度。

2.2 數據收集與清洗

本文使用的數據來源于亞馬遜中國網站（www.amazon.cn），選取銷售量大、評論數多的商品，使用網絡爬蟲軟件八爪魚抓取Kindle 閱讀器、耳機、手表、電動牙刷等搜索品，以及圖書等體驗品在線評論數據，評論數據的時間從2012 年1 月1 日至2021 年12月31 日，評論數據主要包括評論星級、標題和內容、圖片、該評論的有用性投票數、評論者排名、評論數、過往獲得的有幫助投票數等。

為了保證研究的準確性，對初始采集的數據進行清洗。首先，剔除短時間內（2min）同一ID 地址的重復樣本，以及缺失數據如評論者排名的樣本。其次，剔除掉無效的樣本，如評論內容為“哈哈哈哈”“棒棒棒”等。最后，對評論內容中存在的無效符號如“＃”“！”“＆”進行篩選并刪除。最終獲得18 635個有效樣本。

2.3 變量測度

本文中共包括10 個變量，對變量的測度主要根據亞馬遜網站實測數據。通過收集該評論的有用性投票來衡量在線評論有用性［31］。評論內容特征則用評論星級、評論長度、標題信息量、評論時效性、評論圖片、商品類型來測量，評論者特征選取評論者等級、評論者權威性、經驗來衡量。其中亞馬遜中國網站給出評論者明確的等級排名，為方便研究，評論者等級規則如下：前10 001—10 000 000 名為等級1、前5 001—10 000 名為等級2、前1 001—5 000 名為等級3、前101—1 000 名為等級4、前1—100 名為等級5。具體如表1 所示。

3 實證分析

3.1 描述性統計

描述性統計分析結果如表2 所示，在線評論有用性最大值為1 407，均值為0.961，評論星級均值為4.464，表明多數評論為正面評論。評論長度均值為37個字左右，標題信息量均值為6.296，表明多數評論者對其購買過程進行反饋。評論者經驗、評論者權威性的均值分別為11.51 和18.94，表明多數消費者并非首次進行評論且其評論普遍獲得其他人的認同。評論圖片的均值為0.0502，說明網站中消費者對發布圖片并不積極。

表2 描述性統計Table 2 Descriptive statistics

3.2 假設檢驗

參考過往在線評論有用性的研究，由于在線評論有用性屬于計數變量，而且真實獲取的在線評論有用性存在大量的零值，樣本數據方差大于均值。適用于能擬合離散計數數據的負二項回歸模型［26］，所以本文借助Stata 軟件采用負二項回歸模型驗證假設。回歸結果如表3 所示，對比過往研究的擬合優度，本模型的偽R2系數為0.13，說明擬合效果良好。

表3 負二項回歸分析結果Table 3 Negative binomial regression analysis results

評論星級的系數為負，P 值顯著，表明評論星級越低，評論有用性更高，假設H1成立。評論長度和標題信息量的系數均為正且P 值均顯著，表明在一定范圍內，評論篇幅越長，標題信息量越多，在線評論有用性更高，假設H2、H3成立。評論時效性的系數為正，P 值顯著，表明相比于最近發布的評論，發布時間較長的評論累積的有用性更高，假設H4成立。評論圖片的系數為正，P 值顯著，表明評論者發布的圖片與評論內容相互結合，對評論有用性有顯著促進作用，假設H5成立。商品類型的系數為負，P 值顯著，表明不同商品類型的評論有用性有顯著差異，相對于體驗品，消費者從搜索品的評論中獲取信息更為容易，則搜索品的評論有用性更高，假設H6a成立。評論長度與商品類型的交互項系數為正，P 值顯著，表明商品類型促進評論長度對評論有用性的作用，相比于搜索品，消費者更需要通過長篇幅的內容了解購買者的使用體驗，假設H6b部分成立。而評論圖片與商品類型的交互項系數不顯著，表明商品類型并無調節作用，假設H6c不成立。

評論者等級系數為正，P 值顯著，表明排名靠前的評論者發布的評論的有用性更高，假設H7成立。評論者權威性系數為正，P 值顯著，表明評論者權威性越強，則其評論的可靠性越高，對商品理解越深刻，則其評論越有用，假設H8成立。評論者經驗系數為負，P 值顯著，表明評論者過往發布的評論數越多，并不能增加其評論的有用性，反而會削弱其評論的有用性，可能是平臺在激勵消費者發表評論時，雖然提高了評論者的評論數量，卻導致評論者隨意評論，致使評論可信度降低［32］，因而降低其評論有用性，假設H9不成立。

3.3 變量校準

本文參考Andrews 等使用直接校準法對變量進行校準［33］，錨點選取為95%的分位數值、平均數、5%的分位數值分別作為完全隸屬、交叉點和完全不隸屬的臨界點。使用fsQCA3.0 程序進行模糊值校準各變量校準錨點結果如表4 所示。

表4 各變量校準錨點Table 4 Calibration anchor points for each variable

3.4 必要性分析

由表5 可知，單個前因變量一致性均低于0.9，表明不存在前因變量能構成高在線評論有用性的必要條件，可以對所有在線評論者有用性的前因變量進行組態分析。

表5 單因素必要性分析結果Table 5 Results of single factor necessity analysis

3.5 構建真值表和組態分析

關于原始一致性閾值設定的問題，Ragin 推薦一致性閾值設定大于等于0.80［28］。結合樣本實際情況，本文將一致性閾值設定為0.80，而PRI一致性則根據學者們建議設定為不低于0.75［29］。考慮到本文的案例數量較大，在保留75%的總案例數后［29］，設定案例閾值為10。之后，經過標準分析、反事實分析得到復雜解、中間解及簡約解。QCA 不僅能夠能分析得到不同的組態路徑，還能區分核心條件與補充條件［33］，簡約解得到結果變量的核心條件變量，中間解得到結果變量的輔助條件變量，本文在分析時以中間解為主并考慮了簡約解。從表6 可見，通過對18 635 個評論數據樣本的計算和分析可以得到高在線評論有用性的組態，結果顯示總體一致性為0.9333，而當前大樣本的QCA 研究中解的總體覆蓋度一般是在0.3 以上［36］，而本文的解的總體覆蓋度為0.3744 ＞0.3，是符合當前研究標準的。表明組態整體解釋力較強，可信度高。基于“等效性”的假設前提，在研究復雜因果關系時，多種組態可以得出同一結果［29］。本文發現了6 種構成高在線評論有用性的組態，即Y1、Y2a、Y2b、Y3a、Y3b、Y3c，其一致性指標分別為0.9752、0.989、0.9925、0.9813、0.9836、0.9842，說明這6 種組態都是高在線評論有用性的充分條件。

表6 高在線評論有用性組態Table 6 High online review usefulness configurations

對這6 種組態詳細分析如下：①條件組態Y1顯示，無論評論圖片是否存在，缺乏高評論星級（核心條件）、缺乏高評論時效性（核心條件）、在搜索品中（邊緣條件）、缺乏高評論者等級（邊緣條件）、缺乏高評論者經驗（邊緣條件）、擁有高評論長度（核心條件）、擁有高評論者權威性（核心條件）以及擁有高標題信息量（邊緣條件）可以產生高的在線評論有用性。②組態Y1表明，無論評論圖片是否存在，對于一些低評論時效性即時間間隔近的搜索品的負面評論（缺乏評論星級）而言，即使該條評論的撰寫者等級較低且評論經驗較少，只要其評論標題總結得當，評論內容豐富，并且作為該商品的權威評論者，則其在線評論仍能得到較高的有用性投票。如，在Kindle閱讀器及飛利浦電動牙刷等近期銷量大、評論多的商品中，雖然其負面評論中的評論者等級較低、經驗少，但作為Kindle 閱讀器的擁躉，其敘述得當、言之有物的評論，仍然得到較多人的有用性投票。③條件組態Y2a顯示，無論高標題信息量是否存在，缺乏高評論時效性（邊緣條件）、在搜索品中（邊緣條件）、缺乏高評論者等級（邊緣條件）、缺乏高評論者經驗（邊緣條件）、擁有評論圖片（核心條件）、擁有高評論者權威性（核心條件）、擁有高評論星級（邊緣條件）以及擁有高評論長度（邊緣條件）可以產生高的在線評論有用性。條件組態Y2b顯示，無論高標題信息量是否存在，缺乏高評論時效性（邊緣條件）、在搜索品中（邊緣條件）、擁有評論圖片（核心條件）、擁有高評論者權威性（核心條件）、擁有高評論星級（邊緣條件）、擁有高評論長度（邊緣條件）、擁有高評論者等級（邊緣條件）以及擁有高評論者經驗（邊緣條件）可以產生高的在線評論有用性。④組態Y2a與Y2b表明，無論評論標題信息量是否豐富，在近期搜索品的正面評價中，只要評論者有專業的商品知識且在評論中發布圖片，則其在線評論便能獲得較高的有用性投票。而Y2a與Y2b的區別便在于Y2a路徑中的評論者等級較低、經驗不足，而Y2b的評論者等級高、歷史評論數較多即經驗豐富。例如，在Sony 耳機、Western臺式機外置硬盤、AKG 專業錄音室耳機和Casio男士數字手表等銷量較少的小眾商品中，在評論星級高的情況下，只要評論者的權威性較高即具備較淵博的商品知識并在其評論中發布圖片，便能獲得較高的評論有用性。⑤條件組態Y3a顯示，無論高標題信息量是否存在，缺乏高評論星級（核心條件）、缺乏高評論時效性（邊緣條件）、不考慮評論圖片（邊緣條件）、在搜索品中（邊緣條件）、擁有高評論長度（核心條件）、擁有高評論者等級（核心條件）、擁有高評論者權威性（邊緣條件）以及擁有高評論者經驗（邊緣條件）可以產生高的在線評論有用性。條件組態Y3b顯示，無論高標題信息量是否存在，缺乏高評論星級（核心條件）、不考慮評論圖片（邊緣條件）、擁有高評論長度（核心條件）、擁有高評論者等級（核心條件）、擁有高評論時效性（邊緣條件）、在體驗品中（邊緣條件）、擁有高評論者權威性（邊緣條件）以及擁有高評論者經驗（邊緣條件）可以產生高的在線評論有用性。條件組態Y3c顯示，無論評論時效性是否存在，缺乏高評論星級（核心條件）、不考慮評論圖片（邊緣條件）、擁有高評論長度（核心條件）、擁有高評論者等級（核心條件）、擁有高標題信息量（邊緣條件）、在體驗品中（邊緣條件）、擁有高評論者權威性（邊緣條件）以及擁有高評論者經驗（邊緣條件）可以產生高的在線評論有用性。⑥組態Y3a表明，無論標題信息量是否豐富，在近期搜索品的負面評價中，消費者在兼顧評論者權威性和經驗后，主要依據排名靠前的評論者等級及其評論內容中囊括的關于商品的表述言辭，給予其評論高的有用性投票。這種情況出現在多種產品中，如Champion T恤、耳機、手表、電動牙刷和保溫杯中，在低評論星級即負面評論中，消費者主要關注評論者等級及其評論內容來確定該評論是否有用。⑦組態Y3b和Y3c表明，無論評論時效性即評論時間遠近、標題信息量多少，在體驗品的負面評論中，消費者在兼顧評論者權威性和經驗后，主要依據評論者的領先排名即高等級以及其長篇幅的評論內容，給予該評論高的有用性投票。由于本文選取的體驗品為圖書，在其負面評價中，評論者會使用長篇幅的評論內容撰寫書籍情況及自身的閱讀體驗，而一般情況下，這樣的評論者多為熱愛閱讀，涉獵較廣的“讀書人”，其評論者權威性高、評論等級及經驗相較其他商品的評論者更為豐富，因而其評論的有用性也更高。

3.6 穩健性檢驗

對于研究結果的穩健性檢驗，本文參考孫國強等的做法，通過將一致性閾值設定水平由0.8 提升至0.85、0.9 進行穩健性檢驗［35］。研究發現，一致性閾值的改變，并未導致中間解和簡單解的結果出現明顯變化，而解的一致性和覆蓋率也無明顯變動，因此研究結果具有穩健性［36］。

4 結論、啟示與展望

4.1 結論

基于信息采納模型，結合負二項回歸模型和fsQCA方法來探究在線評論有用性的影響因素和因素間的組態效應。主要結論如下：①負二項回歸模型結果表明，在線評論情境中，評論內容特征作為影響在線評論有用性的中心路徑，評論長度、標題信息量、時效性、圖片均對在線評論有用性起顯著正向作用，評論星級與商品類型則起負向作用。而作為邊緣路徑的評論者特征，評論者等級、權威性正向影響評論有用性，評論者經驗則因為存在評論“注水”的可能，負向影響評論有用性，同時，商品類型正向調節評論長度與在線評論有用性間關系。②負二項回歸的模型擬合度為0.13，表明在評論內容或評論者特征中，單個因素對消費者感知的在線評論有用性的解釋力度較差，而必要性分析中單個前因變量一致性均低于0.9，也表明不存在任一前因變量能構成高在線評論有用性的必要條件，因此有必要從整體視角出發探討前因變量間的組態效應。③組態分析結果顯示，包含6 條能提升在線評論有用性的路徑，多條路徑解釋了在線評論有用性影響因素間的組態作用。不同組態表明不同情境下高在線評論有用性的實現路徑。在搜索品的負面評論情境即組態Y1中，只有評論者具備高權威性以及其評論標題信息量多、內容篇幅長時，才能獲得高的評論有用性；在搜索品的正面評論情境即組態Y2中，只要評論者具備專業的商品知識即高權威性并且發布評論圖片，即可獲得高的評論有用性；在體驗品的負面評論情境中即組態Y3中，既需要考慮高評論者等級，也需要內容豐富的長篇幅評論，才能獲得高的在線評論有用性。總而言之，從信息采納模型出發，無論是哪種組態，消費者只有在綜合考慮信息質量（評論內容特征）和信息源可信度（評論者特征）之后，才會給予高在線評論有用性的投票。

4.2 啟示

理論方面。首先，本文率先在在線評論有用性研究領域引入fsQCA 方法，完善在線評論有用性的前因研究，突破過往研究中單一統計分析方法對自變量相互獨立和因果對稱的限制，彌補過往研究方法的不足。其次，從整體視角出發，研究前因變量間的組態效應，有利于形成相對完整統一的理論框架。最后，從信息質量（中心路徑）和信息源可信度（邊緣路徑）出發，采用混合方法識別在線評論有用性的提升路徑，不僅是對信息采納模型的擴展與深入使用，也豐富了QCA研究方法的適用范圍，為后續研究提供良好的借鑒。

實踐方面。首先，本文證實電商網站激勵購買者多發評論的方式存在負向影響，相比于評論數量，評論質量才是電商網站應考慮的重點，而網站可以通過識別評論者權威性的方式，對相關優質評論者加以激勵，從而刺激優質評論者撰寫有用性高的在線評論。同時，評論圖片作為高在線評論有用性多個組態的核心存在條件，對消費者購買決策提供更多幫助，電商網站需要鼓勵購買者在評論中多發布圖片。此外，高有用性評論中負面評論的占比不小，商家可以利用有價值的負面評論來改善產品。最后，高有用性在線評論路徑的識別，有利于潛在消費者迅速識別符合其需求的評論，更高效地進行購買決策。

4.3 研究局限與未來展望

本文的研究局限與未來展望主要有以下兩個方面：一方面，本文的評論數據來源為亞馬遜中國網站，而不同的電商平臺其評論數據有所區別，構成的組態也可能有所差異，未來可以對不同電商平臺的高在線評論有用性的組態進行對比研究。另一方面，評論數據存在時間效應，在今后的研究中可以進行時序QCA研究，以對比分析不同時期高在線評論有用性的組態變化。