基于在線評論和管理回復一致性的用戶參與行為研究

祝琳琳，李 賀，沈 旺，劉金承

（吉林大學商學與管理學院，長春 130012）

0 引言

目前，已有很多研究從不同方面關注在線評論。作為用戶生成內容，在線客戶評論已成為潛在消費者從有經(jīng)驗的消費者中獲取信息的主要溝通渠道。然而，來自企業(yè)的其他在線內容也不容忽視，如管理回復信息。管理回復通常是主要的雙向溝通渠道，有助于將單向的公司與客戶的溝通轉變?yōu)榛舆^程[1]。

管理回復可能是有效的，也可能是無效的。相關研究認為，最有效的管理回復是將解釋與補償相結合[2]。一些不分是非或只是簡單重復評論的管理回復是不適當?shù)模踔量赡苁怯泻Φ摹４送猓蠖鄶?shù)已有研究均忽略了管理回復與其相應評論之間的自然關聯(lián)，但是未來的潛在消費者并不僅僅是單獨查看管理回復。先前的消費者評論以及管理回復會影響閱讀回復的潛在消費者[3]，因此，用戶參與行為會受到現(xiàn)有評論和管理回復的影響。

鑒于此，本研究旨在進行每個評論和回復組合層面的分析，即探索每條客戶評論和相應管理回復的匹配如何影響潛在消費者的參與行為。基于認知一致性理論，本研究考慮了評論和回復組合之間的主題一致性和長度一致性。其中，主題一致性定義為管理回復與相應客戶評論之間主題相關性的相似程度[4]，而長度一致性是管理回復與相應客戶評論之間的文本長度匹配程度。本研究提出以下研究問題：

（1）在線客戶評論和管理回復之間的主題一致性如何影響用戶參與行為？

（2）在線客戶評論和管理回復之間的長度一致性如何影響用戶參與行為？

（3）考慮評論情感時，上述關系是否仍然存在以及它們是如何受到影響的？

本研究利用深度學習的BERT（bidirectional encoder representations from transformers）技術和余弦相似度量化客戶評論和管理回復之間的主題一致性，并使用文本挖掘方法分別計算評論和管理回復之間的長度一致性。評論情緒由評論評級確定。評論點贊和管理回復點贊數(shù)量被視為用戶參與行為的代表。最后，使用從華為商城收集的80329 個評論和回復組合執(zhí)行零膨脹負二項回歸（zero-inflated negative binomial，ZINB）。本研究在客戶評論和管理回復的背景下采用認知一致性理論，在理論上，有助于使用新的視角檢查客戶評論和管理回復之間的一致性對用戶參與行為的影響；在實踐上，可以為管理者的回復策略提供有效指導，有利于促進用戶參與行為。

1 文獻綜述

1.1 相關研究

1.1.1 管理回復相關研究

在線評論是用戶在互聯(lián)網(wǎng)上撰寫的，以文本、圖片、視頻等形式傳遞的一種網(wǎng)絡口碑，也是用戶獲取有關特定產(chǎn)品信息的主要途徑。管理回復，亦稱為商家回復、賣家回復和管理反饋等，指的是如經(jīng)理等管理者在每條客戶評論下方撰寫的文本，旨在公開回復客戶。

通過對國內外管理回復相關研究文獻的梳理發(fā)現(xiàn)，目前國內外關于管理回復的研究主要集中在以下幾個方面。

（1）管理回復對客戶態(tài)度影響的研究。管理回復對客戶態(tài)度的影響主要涉及潛在消費者的信任、滿意度、感知風險等，對在線評論進行回復可以有效地提升商家的服務形象和消費者的交互體驗。Gu等[5]認為，當消費者收到服務提供商對其負面評論的回復時，服務提供商被認為更值得信賴，客戶可以體驗到更大的滿意度。張德鵬等[6]建立了商家在線回復與消費者購買意愿的數(shù)學模型，其中引入了顧客信任作為模型的中介變量，該模型充分論證了商家及時、有效的回復可以加深消費者對產(chǎn)品及商家的信任。

（2）管理回復對客戶行為影響的研究。管理回復對客戶行為的影響主要涉及對潛在消費者的參與度和購買意愿等方面的影響。Olson 等[7]提出，潛在客戶更愿意與回應負面評論的公司開展業(yè)務。Meng 等[8]認為，針對負面在線評論提供服務回復增強了客戶入住酒店的意愿。李愛國等[9]利用實證研究方法分析了商家回復對負面在線評論的內容評分與產(chǎn)品銷量的調節(jié)作用，結果表明，商家回復的及時程度和商家回復的內容質量對體驗型產(chǎn)品銷量存在顯著調節(jié)作用。

（3）管理回復對后續(xù)評論趨勢影響的研究。管理回復對后續(xù)評論傾向的影響主要是指后續(xù)評論的評分、數(shù)量、效價等在回復的干預下發(fā)生的變化。管理層對負面評論的回復提高了后續(xù)評論的評級，對于隨后生成的評論也具有相同的效果[10]。Xu等[11]認為，收到更多管理回復的用戶往往會付出更多的努力去評論。張小威[12]針對酒店行業(yè)管理回復的研究結果認為，當前評論效價較高的酒店的個性化管理反饋對提升后續(xù)酒店評論效價的影響弱于當前評論效價較低的酒店。

（4）管理回復對公司業(yè)績影響的研究。管理回復對公司業(yè)績的影響主要包括公司聲譽、財務業(yè)績、公司競爭力、產(chǎn)品銷量和品牌評價等。Crijns等[13]認為，個性化組織對消費者負面反應的回復有助于提高組織聲譽。陽欣[14]認為，評論效價、評論差異、含圖評論率、商家回復率、商家回復長度、商家回復時間間隔及產(chǎn)品鉆級對旅游產(chǎn)品的銷量均有顯著影響，其中商家回復長度對旅游產(chǎn)品的銷量有顯著的正向影響，而商家回復時間間隔對旅游產(chǎn)品的銷量有顯著的負向影響。

1.1.2 用戶參與行為相關研究

用戶參與行為（customer engagement behavior）指的是參與的行為表現(xiàn)，應視為一個整體概念，可以分為由低到高不同的連續(xù)水平[15]。借鑒用戶參與行為在社交媒體上的分類并結合消費者的投入水平對電子商務網(wǎng)站上的用戶參與行為進行分類[16]，主要劃分為信息消費、參與社交互動和社區(qū)發(fā)展、產(chǎn)生自我表達和自我實現(xiàn)、產(chǎn)生產(chǎn)品或服務交易[17]。第一類用戶參與行為是信息消費，指消費者閱讀客戶評論和管理回復、觀看產(chǎn)品視頻等；第二類用戶參與行為是參與社交互動和社區(qū)發(fā)展，如關注其他用戶個人賬號或者對某些評論和回復進行點贊、轉發(fā)等，喜歡、評論和轉發(fā)的數(shù)量被發(fā)現(xiàn)直接影響公司績效[18]；第三類用戶參與行為是產(chǎn)生自我表達和自我實現(xiàn)，指的是創(chuàng)建有關特定主題的內容，如對特定產(chǎn)品創(chuàng)建在線客戶評論；第四類用戶參與行為是產(chǎn)生產(chǎn)品或服務交易，上述3 類用戶參與行為均是非交易行為，雖然有學者在社交媒體的研究中認為用戶參與行為是超出交易行為的，但是在電子商務環(huán)境下，產(chǎn)品或服務的交易行為是電子商務中的重要行為。出于對娛樂、社會聯(lián)系或信息需求等的差異，用戶通常會參與所有類型參與行為或幾種參與行為的組合。

通過對國內外文獻的梳理可以發(fā)現(xiàn)，目前，國內外關于用戶參與行為的研究主要集中在不同的社交媒體和在線平臺上。由于用戶在社交媒體平臺不同強度和不同效價的參與行為表現(xiàn)，研究者對不同平臺展開了研究，這些平臺主要包括在線健康社區(qū)、虛擬學術社區(qū)、企業(yè)虛擬品牌社區(qū)、在線問答社區(qū)、在線旅游社區(qū)、在線直播電商、移動應用類和在線視頻網(wǎng)站等。潘濤濤等[19]基于S-O-R（stimuli-organism-response）模型，選取某在線健康社區(qū)244 名用戶的465337 個發(fā)帖，探究在線健康社區(qū)中基于情緒中介機制的社會支持對用戶參與行為的影響。周濤等[20]基于社會資本理論研究了在線健康社區(qū)用戶參與行為的影響因素。翟羽佳等[21]利用百度戒煙吧的用戶數(shù)據(jù)，評估在線健康社區(qū)中個體的參與行為。Guo 等[22]以企業(yè)微信公眾號用戶數(shù)據(jù)探究了自我一致性和心理所有權對用戶參與行為3 個維度的顯著影響。Fang 等[23]使用來自大型旅游知識共享社區(qū)的游記數(shù)據(jù)，調查了與發(fā)布相關的屬性對在線社區(qū)中的3 種不同參與行為的驅動作用。Zhang等[24]將多維用戶參與行為作為酒店環(huán)境中行動忠誠度的影響，研究結果顯示3 種用戶參與行為的結構，即反饋、動員和交叉購買均對酒店環(huán)境中的行動忠誠度有顯著貢獻，并且這些影響因抑制因素和促進因素而不同。

1.1.3 研究述評

基于上述分析結果可以發(fā)現(xiàn)，雖然國內外的研究主題內容較為豐富，利用專業(yè)的研究方法從不同角度對研究主體的影響和形成因素進行了深入的討論與分析，但是當前主要在以下幾個方面存在問題。其一，較多關注對某些特定行業(yè)管理回復的相關研究，絕大多數(shù)研究主要局限在旅游行業(yè)和酒店行業(yè)等服務領域，缺乏對其他行業(yè)的相關研究，如實物產(chǎn)品的管理回復。其二，大多數(shù)先前的工作忽略了管理回復與其相應評論之間的自然關聯(lián)。研究通常將全部管理回復作為一個整體探究商家的回復率，然而，管理回復是對客戶評論的回應，當前研究缺乏將單個評論與其對應回復組合起來展開聯(lián)合分析的研究。其三，關于用戶參與行為的研究主要集中在網(wǎng)絡社區(qū)，在電子商務環(huán)境下對用戶參與行為影響的研究仍然不足。

1.2 理論基礎

認知一致性理論（cognitive consistency theory）是社會心理學的主要概念框架，心理學家普遍認為人們具有認知一致性的需要。認知一致性的關鍵思想是人們喜歡他們對世界的看法是有條理的和一致的，而心理上不一致的認知會擾亂人們，并構成信心減弱或期望降低的負面證據(jù)，因此，會感到有必要重新組織其思維并恢復一致性[25]。此外，一致性理論屬于認知一致性理論，專門針對溝通和說服環(huán)境[26]。一致性理論認為，個體試圖在信念和態(tài)度上保持一致，而不一致和矛盾信息的不穩(wěn)定會導致消極的情緒狀態(tài)[27]。認知一致性的假設和含義已經(jīng)滲透到多個領域，如文化心理學、組織心理學、神經(jīng)科學、動物研究、政治科學、經(jīng)濟學、社會學和哲學等。認知一致會使人們經(jīng)歷積極的心理體驗，認知不一致會使人們倍感壓力，增加人們的認知負荷。當出現(xiàn)兩個信息不一致時，人們會產(chǎn)生認知失調，然后依據(jù)思想、價值觀和感知等采取行動，從而維持一致性[28]。Festinger[29]提出，減少或消除這種認知不一致和失調有3 種途徑：第一，減少不協(xié)調認知成分；第二，增加協(xié)調的認知成分；第三，改變一種不協(xié)調的認知成分，使之不再與另一個認知成分產(chǎn)生矛盾。

2 研究模型和研究假設

本研究采用認知一致性理論作為客戶評論與管理回復對用戶參與行為影響的理論基礎。當存在管理回復時，評論讀者通常會同時看到評論者的評論和管理者的回復，讀者不可避免地會根據(jù)其從網(wǎng)上獲得的兩種文本信息來調整自己的態(tài)度。借鑒認知一致性理論，由于與評論和回復的聯(lián)系，讀者由此形成了一致或不一致的態(tài)度和心理狀態(tài)。因此，有必要考慮客戶評論和管理回復之間的一致性。

2.1 在線評論和管理回復的主題一致性對用戶參與的影響

主題一致性問題已在社交媒體等在線平臺中得到了廣泛關注。例如，Butler 等[30]指出，主題一致性線索與社區(qū)規(guī)模呈負相關，而與社區(qū)復原力呈曲線關系。Xiao 等[31]使用主題一致性作為預測You-Tube 上男女觀眾比例的一個因素。回復信息的質量很重要，如潛在客人的購買意愿會隨著房東在Airbnb 上回復的相關性和豐富性而增加[32]。

主題匹配的管理回復解決了客戶評論中暴露的具體問題，提供了更多相關的解決方案，是對在線評論的有效補充。相關研究進一步揭示了在線評論中主題匹配措施對客戶滿意度的影響。高水平的主題匹配導致酒店在線評分增加，評論與回復的一致性程度會對酒店的競爭績效產(chǎn)生積極影響[33]。當在評論中提供管理回復時，用戶參與度可能會得到加強[34]。然而，當評論與管理回復主題不一致時，消費者可能難以從在線交流中提取建設性信息。管理者與消費者在網(wǎng)絡溝通中的態(tài)度共識對后續(xù)客戶的評價具有關鍵作用。正如認知一致性理論所述，當個人可以對給定的信息使用適當?shù)恼J知過程時，信息處理將更加高效和有效[35]。消費者能夠有選擇地尋求支持的信息或避免不一致的信息，因此，本研究假設在線評論與管理回復之間的主題一致性關系對用戶參與行為有影響。其中，點贊數(shù)量被視為電子商務背景下用戶參與行為的度量。

H1.在線評論和管理回復之間的主題一致性正向影響在線評論的點贊數(shù)量。

H2.在線評論和管理回復之間的主題一致性正向影響管理回復的點贊數(shù)量。

2.2 在線評論和管理回復的長度一致性對用戶參與的影響

長度是在線評論研究領域的一個重要因素。較長的評論包含更多關于產(chǎn)品/服務體驗的細節(jié)和信息[36]，例如，作為外部線索的在線評論的長度對有用性有積極影響[37]。評論者和管理者的努力程度可以分別通過在線評論和管理回復的長度來顯示。一方面，評論的長度既反映了參與程度，也反映了以前評論者的努力[38]，評論中的詳細描述是后期消費者的重要參考；另一方面，管理回復的長度反映了所傳達的信息量，它代表了經(jīng)理在回應客戶評論方面所做的努力[39]。管理人員不僅可以表達感謝，還可以為消費者提供服務說明，這種雙向溝通減少了信息不對稱，其詳細的回復可以更好地吸引后續(xù)客戶產(chǎn)生評論[40]。在不考量具體內容時，用戶可能通過回復與評論文本長度這種形式上的非深度思考來改變自身行為。當評論者花了很多力氣撰寫了詳細的評論，而管理者卻沒有做出相應的努力去撰寫回復時，此時的不一致可能會對后續(xù)的用戶參與行為產(chǎn)生影響，將賣家的回復與服務態(tài)度視為一種不可靠的表現(xiàn)。因此，一致的文本長度體現(xiàn)了回復對評論的補充，幫助管理者解答潛在消費者可能存在的疑慮，是信息豐富的體現(xiàn)，同時也表明賣家愿意付出一定的時間和精力去反饋用戶評論，體現(xiàn)了認真負責的態(tài)度[41]。因此，本研究假設在線評論與管理回復之間的長度一致性關系對用戶參與行為有影響。其中，點贊數(shù)量被視為用戶參與行為的度量。

H3.在線評論和管理回復之間的長度一致性正向影響在線評論的點贊數(shù)量。

H4.在線評論和管理回復之間的長度一致性正向影響管理回復的點贊數(shù)量。

2.3 評論情感的調節(jié)作用

Riordan 等[42]認為，社交媒體信息發(fā)送者通過情感詞和語言信號展示情緒，能夠顯著影響信息接收者理解和處理這些信息。在電子商務環(huán)境下，評論撰寫者作為評論信息的發(fā)送者，通過評論文本中包含的情感吸引信息接收者，即管理者和后續(xù)潛在用戶的注意力。客戶通過評論產(chǎn)生的在線情緒表達會對后續(xù)用戶參與行為產(chǎn)生影響，獲得更高的參與度[43]；與此同時，評論文本中包含的情感也能夠顯著影響管理者對評論回復的處理方式。管理者在面對正面或負面的客戶評論時，由于評論的情緒存在差異，管理層對正面評論和負面評論的回復會產(chǎn)生不同的影響，管理回復產(chǎn)生的效果既可能是促進的，也可能是抑制的。當對正面評價生成個性化的管理回復時，客戶認為這些回復更可信。管理層對積極評論的回復體現(xiàn)了管理層對消費者所表達內容贊賞的傾聽，能夠加強后續(xù)用戶參與積極性[44]。另外，Liu 等[45]在研究酒店管理者回復時認為，客戶評論每減少1 顆星會增加大約17 個字的管理回復，冗長和負面的評論會被優(yōu)先考慮和回復，并且管理者需要做出更多的額外努力。管理層對負面評論的反饋可以安撫評論者的負面情緒，重新樹立品牌信念，也能夠讓后續(xù)的潛在消費者消除顧慮。Anderson 等[46]指出，回復負面評論比回復正面評論能夠帶來更多好處。因此，評論表達的不同情緒也可能會對主題一致性和長度一致性對用戶參與行為的影響產(chǎn)生不同的調節(jié)作用。基于此，本研究提出以下假設：

H5a.評論情感調節(jié)在線評論和管理回復之間主題一致性對在線評論點贊數(shù)量的影響。

H5b.評論情感調節(jié)在線評論和管理回復之間主題一致性對管理回復點贊數(shù)量的影響。

H5c.評論情感調節(jié)在線評論和管理回復之間長度一致性對在線評論點贊數(shù)量的影響。

H5d.評論情感調節(jié)在線評論和管理回復之間長度一致性對管理回復點贊數(shù)量的影響。

基于上述假設，本研究的研究模型如圖1所示。

3 數(shù)據(jù)收集與變量測量方法

3.1 數(shù)據(jù)收集

本研究的在線評論和管理回復樣本均來自華為旗下的官方電子商務平臺，即華為商城（VMall，https://www.vmall.com/）。選擇該樣本主要有以下幾個原因。首先，該網(wǎng)站是一個注冊用戶可以交易產(chǎn)品和撰寫客戶評論的網(wǎng)站，擁有大量的在線客戶評論。其次，VMall 的官方客服會經(jīng)常回復撰寫在線客戶評論的評論者，有助于檢查客戶評論和管理回復的內容。最后，該網(wǎng)站在網(wǎng)頁上分別設置了點贊在線客戶評論和點贊管理回復的按鈕，方便獲取用戶參與行為。

基于Python 模塊包，本研究通過開發(fā)爬蟲程序獲取該網(wǎng)站的在線評論和管理回復信息。選擇的產(chǎn)品是在VMall 銷售的華為Mate 系列的11 款手機，包括HUAWEI Mate 40 Pro、HUAWEI Mate 40 Pro+等。剔除沒有管理回復和后續(xù)評論的在線評論以及未填寫具體內容的數(shù)據(jù)，只采用同時包含客戶評論和管理回復的樣本作為研究數(shù)據(jù)。數(shù)據(jù)采集時間為2021年9 月，經(jīng)過數(shù)據(jù)篩選，最終共獲得2019 年9 月至2021 年9 月的80329 個華為手機評論和回復樣本組合。對于每個組合數(shù)據(jù)樣本，分別收集了評論者級別、星級、圖片和視頻數(shù)量、評論文本、評論日期、回復文本、回復日期、評論點贊數(shù)和回復點贊數(shù)。圖2 是本研究中符合條件的評論和回復樣本的示例。需要注意的是，管理回復日期并沒有直接明確顯示在網(wǎng)頁上，可以從后臺代碼中獲取。

3.2 變量測量方法

研究模型中包含了因變量、自變量、調節(jié)變量和控制變量，每個變量的描述和測量方法如表1所示。

表1 變量描述和測量方法

3.2.1 因變量測量方法

點贊是一種輕量級的一鍵式反饋動作，是一個隨時間累積的指標。點贊數(shù)量可以反映在線評論讀者點擊“點贊”按鈕的次數(shù)。本研究的因變量是在線用戶參與行為，收到的點贊是用戶參與行為的有力指標之一[47]。更多的點贊數(shù)對應更高的用戶參與水平[48]。用戶參與是通過點贊的數(shù)量來衡量的，點贊的用戶往往比普通用戶更投入、更活躍、更緊密。因此，本研究分別利用每個在線評論和每個管理回復獲得的點贊總數(shù)來衡量用戶參與行為的程度，分別表示為ReviewLikes 和ResponseLikes。

3.2.2 自變量測量方法

（1）每組在線評論與管理回復的主題一致性以每組在線評論與管理回復的主題相似度的比值作為主題一致性的代表，記為TopicConsistency，主要通過將句子轉換為向量并計算向量之間的相似度等步驟進行處理。首先，本研究使用BERT 模型將在線評論和管理回復分別轉換為向量形式。本質上，BERT 是谷歌公司于2018 年提出的一種用于預訓練語言表示的自然語言處理模型，是適用于各種自然語言處理任務的深度學習模型。BERT 首先以無監(jiān)督的方式對大量文本數(shù)據(jù)進行預訓練，使用Transformer 構建的多層雙向編碼器來獲得語言的深度雙向表示。本研究基于TensorFlow 的深度學習框架，使用了bert-as-service。bert-as-service 使用BERT作為句子編碼器，通過ZeroMQ 將其作為服務托管。在下載中文BERT 預訓練模型（chinese_L-12_H-768_A-12）的前提下，通過使用并編寫Python 代碼模擬和調用bert-as-service，將每個在線評論句子和管理回復句子映射為具有固定長度的向量表示[49]。在獲得向量表示后，計算每組在線評論和管理回復句子向量之間的相似度。為了計算句子向量的相似度，本研究使用了余弦相似度指數(shù)，其取值范圍為0～1，該值被用于衡量每組在線評論和管理回復之間的主題一致性的量化值，記為TopicConsistency。計算方法為

其中，Rev 和Res 分別代表評論句子和回復句子的向量；Revi和Resi分別是向量Rev 和Res 的分量。

（2）每組在線評論和管理回復的長度一致性

以每組在線評論與管理回復之間的長度比值作為長度一致性的代表，將其表示為LengthConsistency。為了準確計算文本的長度，本研究通過構造正則表達式刪除了文本中的標點符號和表情符號，即只保留中文單詞、英文字母和數(shù)字。在計算文本長度后，計算評論文本長度與回復文本長度的比值作為衡量每組在線評論和管理回復之間的長度一致性的量化值。

3.2.3 調節(jié)變量測量方法

調節(jié)變量是評論情感，記為Rating。大多數(shù)現(xiàn)有研究表明，評論評分可以反映評論的情感[50]。華為商城評論的評分總共分為5 個等級，即1～5 星。一般來說，1 星或2 星的評論是負面的，表示用戶不滿意的情感，因此，將其設置為虛擬變量，編碼為0。4 星或5 星的評論是正面的，表示用戶滿意的情感，因此，將4 星和5 星的評論被編碼為1。雖然3 星的評論處于中間，但評論的情緒比正面更負面，因此，也將其編碼為0。

3.2.4 控制變量測量方法

為了更好地保證模型的穩(wěn)定性，需要控制一些混雜因素。關于在線評論的來源，將用戶等級（UserGrade）設置為控制變量。按0～5 分為6 個等級，由用戶的累計消費決定。年累計消費越高，等級越高，不同用戶在網(wǎng)站的權益不同。用戶等級是從每個在線評論中顯示的客戶等級數(shù)中獲得的。就客戶評論的形式而言，評論中上傳的圖片和視頻也可能對管理回復產(chǎn)生影響，通常對在線評論具有控制作用。因此，每條評論中包含的圖片和視頻數(shù)量的總和是一個控制變量（PicturesAndVideos）。在客戶評論的時間方面，Sparks 等[51]對酒店管理回復進行實驗研究，認為及時發(fā)布回復會帶來更有利的客戶推斷。管理回復的延遲可能是管理回復對客戶滿意度的內在性的一個邊界條件[52]。因此，在線評論和管理回復之間的時間間隔是一個控制變量（ReviewResponseInterval），通過每組客戶評論和管理回復時間之間的差異來衡量（以天為單位）。此外，在線用戶評論點贊和回復點贊的參與行為隨著時間的推移而積累。由于橫斷面數(shù)據(jù)選擇到一定時間，因此，在線評論發(fā)布和評論抓取之間的時間間隔是另一個控制變量，記為ReviewCrawlInterval。

3.3 回歸模型選擇

研究模型中的兩個因變量均為計數(shù)變量。其中，ReviewLikes 為0 的占比是73.3%，其方差遠大于平均值（方差=43.938，均值=1.096）。同時，ResponseLikes 為0 的占比是70.9%，其方差遠大于平均值（方差=36.073，均值=1.356）。零膨脹負二項回歸（ZINB）適用于對具有較多0 的計數(shù)變量進行建模，通常用于過度分散的計數(shù)結果變量[53]。當0的占比大于70%時，零膨脹負二項式模型的擬合效果優(yōu)于其他模型。因此，本研究采用零膨脹負二項回歸進行模型分析。

此外，零膨脹負二項回歸由邏輯回歸模型和負二項回歸模型兩個部分組成。其中，生成邏輯回歸模型用于解釋因變量中的某些零情況，而生成負二項回歸模型用于預測因變量中某些不是0 的計數(shù)。最后，需要將這兩個模型結合起來。在本研究中，運行零膨脹負二項回歸模型時，首先指定計數(shù)模型，逐步添加所有自變量、控制變量、調節(jié)變量和交互作用來解釋因變量的計數(shù)。邏輯回歸模型指定了自變量、控制變量和調節(jié)變量，以預測自變量是否為0。

4 假設檢驗分析與結果

4.1 假設檢驗

描述性統(tǒng)計結果如表2 所示，包括除虛擬變量以外其他變量的平均值、標準差（standard deviation，SD）、最大值（max）和最小值（min）。變量LengthConsistency 的平均值為0.803，表明管理回復的平均長度高于在線評論的長度。變量ReviewResponseInterval 的平均值為0.475，表明管理回復的速度及時。Rating 取0 的樣本數(shù)量共有2340，占全部樣本的2.91%，Rating 取1 的樣本數(shù)量共有77989，占全部樣本的97.09%。表3 顯示了自變量之間的相關性，變量之間相關系數(shù)較小，且變量ReviewResponseInterval 與變量TopicConsistency、LengthConsistency 的相關性不顯著。每個變量的方差膨脹因子（variance inflation factor，VIF）范圍為1.00～1.14。因此，相關性和VIF 的結果均反映了多重共線性問題不能混淆本研究的結果。

表2 描述性統(tǒng)計結果（n=80329）

表3 變量之間的相關性系數(shù)

本研究通過應用STATA 軟件運行零膨脹負二項回歸模型驗證研究假設。本研究模型的估計結果如表4（因變量為ReviewLikes）和表5（因變量為ResponseLikes）所示。其中，模型1.1 和模型2.1 只包含控制變量，模型1.2 和模型2.2 旨在驗證自變量與控制變量相結合的主要影響，模型1.3 和模型2.3 由控制變量、自變量和調節(jié)變量組成，模型1.4 和模型2.4 進一步增加了交互作用來檢驗調節(jié)效果。

表4 評論點贊數(shù)量的零膨脹負二項式回歸結果

表5 回復點贊數(shù)量的零膨脹負二項式回歸結果

所有零膨脹負二項回歸模型在零膨脹部分均設置了相同的變量。無論模型1.1～模型1.4 中的回歸模型如何，UserGrade（p<0.01）、PicturesAndVideos（p<0.001）、ReviewCrawlInterval（p<0.001）、Topic-Consistency（p<0.001）、LengthConsistency（p<0.001）和Rating（p<0.001）均 對ReviewLikes 的 值是否為0 有顯著影響，即客戶評論的點贊是否可以被投票。同樣地，無論模型2.1～模型2.4 中的回歸模型如何，UserGrade（p<0.001）、PicturesAndVideos（p<0.001）、ReviewResponseInterval（p<0.001）、ReviewCrawlInterval（p<0.001）、TopicConsistency（p<0.001）和LengthConsistency（p<0.001）均顯著影響ResponseLikes 的值是否為0，即管理回復的點贊是否可以被投票。

模型1.2 和模型2.2 分別顯示了兩個自變量的主要影響。在線評論和管理回復之間的主題一致性顯著影響在線評論點贊的數(shù)量（β=1.991，p<0.001），支持H1。當主題一致性每增加一個單位時，在線評論的點贊數(shù)增加e1.991。在線評論和管理回復之間的主題一致性對管理回復的點贊數(shù)有顯著的正向影響（β=0.900，p<0.001），表明H2 得到支持。當主題一致性每增加一個單位時，管理回復的點贊數(shù)增加e0.900。在線評論和管理回復之間的長度一致性對在線評論點贊數(shù)（β=0.210，p<0.001）和管理回復點贊數(shù)（β=0.112，p<0.001）分別具有顯著的正向影響。因此，支持H3 和H4。加入調節(jié)變量和交互作用后，H3 和H4 仍然存在并保持顯著性。

模型1.4 中的交互作用系數(shù)不顯著，因此，H5a和H5c 均未得到支持。模型2.4 中的一個交互系數(shù)TopicConsistency*Rating 不顯著，因此，不支持H5b。然而，交互作用的另一個系數(shù)LengthConsistency*Rating 是顯著的（β=0.670，p<0.001），表明H5d 得到了支持。具體而言，評論文本的情感越積極，在線評論和管理回復的長度一致性對管理回復點贊的影響越大；相反地，當評論文本的情感更消極時，在線評論和管理回復的長度一致性對管理回復的點贊數(shù)的正向影響較弱。

4.2 穩(wěn)健性檢查

許多研究使用Tobit 回歸模型進行假設驗證[54]，我們也運行了Tobit 回歸進行本研究模型的穩(wěn)健性檢查。對應于模型1.2、模型2.2、模型1.4、模型2.4，在Tobit 回歸模型中設置了相同的變量，包括因變量、自變量、控制變量和交互作用。同時，由于因變量中存在過多的0 值，Tobit 模型中的左刪失值設置為0。表6 和表7 顯示了穩(wěn)健性檢驗的結果。在每一對比較模型中（模型1.2 &模型1.5、模型1.4 &模型1.6、模型2.2 &模型 2.5、模型2.4 &模型2.6），除了其中一個控制變量用戶等級（User-Grade）外，Tobit 回歸結果與來自原始零膨脹負二項回歸模型的主效應結果以及交互效應結果一致。因此，零膨脹負二項回歸的結果是穩(wěn)健的。

表6 替代模型規(guī)范的穩(wěn)健性檢查結果（因變量=評論點贊數(shù)）

表7 替代模型規(guī)范的穩(wěn)健性檢查結果（因變量=回復點贊數(shù)）

5 討論與啟示

5.1 討論

基于認知一致性理論，本研究探討了在線評論和管理回復之間的一致性對用戶參與行為的影響。通過成對分析在線評論和相應的管理回復來解釋用戶參與行為（評論點贊和回復點贊）。根據(jù)實證研究得出的結論，本研究詳細闡述了以下內容。

首先，當在線評論和相應的管理回復之間的主題一致性更高時，用戶參與行為更有可能上升。該結果與Zhang 等[24]的結果部分一致，管理回復的高水平主題匹配導致酒店在線評分增加。適當?shù)墓芾砘貜蛻摪M者評論中的具體內容。

其次，隨著在線評論與相應管理回復之間的長度一致性變高，消費者可能具有較高程度的參與行為。該結果與Zhang 等[34]的結果相似，這意味著具有適當管理回復的在線評論在增加用戶參與行為方面發(fā)揮著重要作用。具體而言，管理回復應該與其相應的評論具有一致的長度，這意味著管理者確實付出了一定的努力去關注評論者的評論信息，而不是對評論者所發(fā)布評論的簡單敷衍甚至不了解，這樣可以防止評論者和潛在消費者的失落感。

最后，僅當長度一致性與管理回復點贊這一用戶參與行為相關時，調節(jié)效應才存在，即評論情感能夠調節(jié)長度一致性與管理回復點贊之間的關系。也就是說，評論情感越消極，管理者通過如僅匹配評論長度的膚淺的方法所做出的回復就越無效。從本質上講，該結果從側面反映出管理回復是否解決了用戶的關注點更加重要，例如，相似主題的回復等方式可以有效地獲得消費者的認可。另外，假設中其他關系的調節(jié)作用不存在，其原因可能是無論評論情感如何，一致的主題都會帶來積極的用戶參與行為，這也從另一個角度進一步強調了主題一致性對于用戶參與行為的關鍵和穩(wěn)定的作用。

5.2 理論啟示

本研究為在線評論與管理回復一致性研究提供了新的研究視角。其一，不同于以往將評論和回復視為一個整體的研究，本研究從認知一致性的角度分析比較了每個評論和回復的組合。本研究將認知一致性理論的應用擴展至在線評論和管理回復的情境中，進一步揭示評論與回復主題一致性的重要性。其二，探索評論與相應回復組合如何影響用戶參與行為是一次有價值的嘗試。已有研究更多地關注評論單獨對有用性的影響，而本研究不僅通過添加回復來擴展研究對象，還考慮了以前很少關注的消費者在管理回復當中的參與行為。其三，本研究引入深度學習和文本挖掘方法發(fā)現(xiàn)評論和回復文本背后的信息。將BERT 技術用于句子向量的轉換，并結合了其他文本挖掘方法。這些工作推動了自動文本處理的應用和發(fā)展，為未來在線評論和管理回復研究奠定了一定基礎，提供了新的研究視角。

5.3 實踐啟示

本研究為利用在線評論和管理回復促進用戶參與行為提供了有益的指導。其一，本研究的研究結果顯示，管理者應該認真回復相關的評論信息，并且要求回復與評論的主題和長度保持高度一致，從而充分體現(xiàn)管理者回復的努力。其二，管理回復是促進用戶參與行為的有效方式之一。由于用戶參與行為主要來自潛在消費者和購買過產(chǎn)品的先前客戶，管理回復提供了一種新的互動渠道來維護現(xiàn)有客戶關系并吸引潛在客戶，這有助于產(chǎn)生更多行為來激活平臺氛圍并向潛在客戶發(fā)出可信信號。因此，本研究為利用在線評論和管理回復促進用戶參與行為提供了有益的指導。

6 不足之處與展望

本研究將每條在線評論和相應的管理回復作為一個組合，以認知一致性理論為理論基礎，探討客戶評論和管理回復之間的主題和長度一致性對后續(xù)用戶參與行為的影響，研究結果在理論探索和實證研究上具有一定意義，但也存在一些不足之處。首先，本研究只將評論點贊和回復點贊視為用戶參與度的代表。雖然點贊是一個代表用戶參與度的常見指標，但其他用戶參與行為，如撰寫評論，并未包括在內，未來研究可以對不同類型的用戶參與行為進行研究；其次，本研究只收集了來自搜索型產(chǎn)品的在線評論和管理回復，未來研究可以更多地關注其他類型的產(chǎn)品評論和管理回復信息，將研究結論擴展到更多產(chǎn)品類型，使研究結果更具普遍性；最后，本研究僅探討了基于評論與回復對用戶參與行為的影響，有關用戶參與行為對后續(xù)用戶其他行為的影響并沒有涉及，未來可以進一步拓寬評論和回復與用戶行為之間關聯(lián)的研究范疇。