线上消费者评论如何影响产品销量?——基于在线图书评论的实证研究

龚诗阳，刘 霞，赵 平

(清华大学经济管理学院，北京 100084)

一、引言

消费者在购买产品或服务时，往往会去寻求其他消费者的意见。早在半个世纪以前，学者们就意识到人际沟通和口碑传播是影响人们行为、偏好和决策的重要因素［1-3］。传统的口碑传播指人与人之间一对一、面对面地交流产品或服务的信息，其影响往往局限于有限的社交范围内，并且随着距离的增加和时间的推移而迅速减弱［4］。互联网与信息技术的发展为消费者提供了一个在网络上交流产品和服务信息的机会。越来越多的消费者在个人博客、BBS、社交网络、电子商务网站等平台上发布对于产品或服务的评论，促使口碑传播由线下发展到线上。在互联网的影响和推动下，口碑传播的范围不再仅仅局限于传统意义上的小型社会群体内，而是扩展到由大规模消费者群体所组成的网络世界中。口碑传播的方式也不再是一对一、面对面地进行，消费者可以通过网络将产品或服务的购买和使用经验、对产品或服务的评价等信息同时传递给众多的潜在消费者。距离和时间也不再成为口碑传播的重要阻碍，因为消费者所发布的评论信息会被储存和显示在网页上，其他消费者随时随地都能看到这些评论信息。因此，网络口碑(online word-of-mouth)，作为一种新兴的口碑传播形式，其影响范围和程度都远远超过了传统的口碑传播。

图1 传统口碑到网络口碑的变迁

由于传统口碑的局限性，企业在制定营销沟通战略时通常没有将其纳入考虑范围。然而，随着Web2.0时代下用户生成系统(user-generated content)的发展，企业能以越来越低的成本来引发和管理网络口碑［5］。早在1995年，美国著名的电子商务网站亚马逊(Amazon.com)就在其网站上建立了线上评论系统，鼓励消费者发表对商品的评论信息。这项功能受到了消费者的广泛欢迎，并被认为是亚马逊获得成功的关键因素之一［6］。近年来，国内的电子商务网站如雨后春笋般成长起来，很多网站(如当当网、京东网、淘宝网、凡客诚品、麦包包等)都建立了线上评论系统，来引发消费者对商品的评论。不仅如此，众多的第三方信息门户(如中关村在线、太平洋电脑网)和社交网站(如豆瓣网)也为消费者提供了发布评论信息的平台。因此，消费者现在可以很容易地在网络上找到各类商品和服务的评论信息，例如电影、图书、餐饮、音像制品、数码产品和旅游住宿等。

线上评论系统的普及对消费者的购买行为和决策过程产生了重要的影响。BizRate调查了5500名网络消费者对线上评论的看法，44%的受访者表示他们在购买前会参考其他消费者的评论，59%的受访者甚至认为消费者评论比专家评论更有价值［7］。最近的一项针对中国消费者的调查研究显示，超过70%消费者在购买产品前都会主动上网查看其他消费者对品牌、产品或服务的评价［8］。有很大一部分消费者甚至在实体店购买产品时，也会查阅线上消费者评论信息，以此来降低购买决策的风险和不确定性［9］。因此，不少学者认为，线上消费者评论对促进产品的销量有重要的影响。例如，Liu(2006)发现Yahoo网站上的消费者评论对电影的票房收入有显著的影响［10］。Clemons、Gao和Hitt(2006)分析了啤酒行业的数据，发现线上消费者评论对啤酒销量的增长也有显著的作用［11］。

然而，同样也存在不少观点对建立线上评论系统的作用有所质疑。首先，建立在线评论系统减弱了网站对信息的控制能力，负面评论信息的产生和传播可能会对销售起抑制作用。很多研究的结论都显示负面评论的影响大于正面评论［12-13］。其次，相关的利益群体可以利用这一平台大量地发布对自己商品有利的、对其竞争者商品不利的虚假评论，从而降低了评论信息的可信度。再次，在缺乏有效激励的情况下，如何刺激购买过商品的消费者花费时间和精力去认真发表评论仍是悬而未决的问题。Chen和Tseng(2011)指出，网络中不少在线评论存在着文本直接复制、垃圾评论等情况［14］。

那么，企业究竟是否可以通过引发和管理线上消费者评论来影响产品的销量呢?如果可以，又有哪些关键的决策指标需要着重考虑?线上评论的影响在产品的生命周期中会怎么样动态变化?我们通过收集当当网(dangdang.com)上超过3200万条图书评论的大样本面板数据，建立计量模型对线上消费者评论与产品销量的关系进行了系统的实证分析，并进一步探讨了线上评论各指标的影响在整个产品生命周期中的变化。在接下来的内容中，我们首先进行文献综述，并介绍相关的理论背景。第三部分对数据进行了描述。第四部分介绍模型设定并解释分析结果。第五部分总结了全文的研究，并提出了相应的管理启示。

二、文献综述

在市场营销和信息系统领域，越来越多的研究开始关注网络口碑与线上评论的作用。大部分的研究对象为体验型产品(experience goods)，如电影［10，12，15-17］、图书［13］、电视节目［18］、电子游戏［19］、餐饮［20］等。对于体验型产品，消费者只有在消费后才能对产品和服务做出准确的评价［21］。线上评论系统的出现，使消费者在购买产品后可以通过发表评论来向其他的潜在消费者传递产品信息和体验，降低了他们的购买风险，因此对体验型产品的销售有重要的影响。此外，对于非体验型产品，许多研究也证实了网络口碑的重要作用［11，22］。

在测量网络口碑效应时，最常采用的3个维度为评论数量、评论效价和评论差异［23］。评论数量(volume)主要指消费者对某一产品或服务发布的评论数之和，代表了网络口碑规模的大小。评论效价(valence)指消费者对产品或服务评价的好坏或正负性，一般用评论分数的平均值，或正(负)面评价的比例来衡量。评论差异(variance)主要指消费者所发布的评论信息存在的差异或不一致性，通常用评论分数的统计方差来表示。尽管已经有不少学者分别从评论数量、评论效价和评论差异三个方面对网络口碑效应进行了实证研究，但得到的结论却不尽相同(见表1)。Liu(2006)、Duan等(2008)在研究网络口碑的评论数量和评论效价对电影票房的影响时，发现仅有评论数量产生显著的影响［10，16］。然而，同样研究电影行业的网络口碑效应，Dellarocas等(2007)却发现评论数量和评论效价均有显著的影响［15］。Chintagunta等(2010)同时分析了评论数量、评论效价和评论差异三种口碑维度对电影票房的影响［17］，他们发现仅有评论效价存在显著的影响，而评论数量和评论差异的影响并不显著。Clemons等(2006)同样研究了这三种效应对啤酒销量的影响，却发现评论效价和评论差异均对销量有显著的影响，并认为前25%的评分情况对销量的预测最为精确［11］。

因此，尽管现有的研究已经在不同维度上探索了网络口碑效应，但其结论仍然存在很大的分歧。对于产生分歧的原因，Duan等(2008)认为是采用了不同的计量模型和研究方法［16］;Chen等(2011)认为与研究中采用的样本数量的大小有关［24］;也有学者称是因为忽略了不同阶段评论影响的动态变化［22，25］。接下来，我们将分别阐述评论数量、评论效价和评论差异对产品销量的作用机理，并探讨网络口碑对处于不同生命周期产品的影响差异。

表1 主要的实证研究结论

(一)评论数量

评论数量度量了网络口碑总体规模的大小，大量的研究都发现了评论数量与消费者行为和产品市场表现的显著关系［27-29］。评论数量之所以产生影响，最为普遍的解释是因为其反映了网络口碑的知晓效应(awareness effect):评论数量越多，说明越多的消费者参与到对一个产品的评价讨论中，这不仅从正面反映了已消费该产品人群的大小，也反映了消费者对该产品讨论的热度。热度越高，反映了已消费顾客传播口碑的热情越高，那么其他消费者知晓这个产品的可能性就越大，从而能够产生更多的后续销量［18］。不少学者的研究都支持了评论数量对销量的正向影响。例如，在对电影行业的研究中，Liu(2006)分析了Yahoo网站上每周电影评论信息对票房收入的影响，发现评论数量越多，电影票房越高［10］。Duan等(2008)进一步通过分析Yahoo网站上每天的消费者评论信息，也发现了评论数量对电影的票房收入有显著的影响［16］。Rui等(2010)则利用 twitter中信息推送(push)的方式直接测量接受到评论信息的人数，发现评论数量对于电影的票房收入有很强的解释力度［30］。此外，Godes和 Mayzlin(2004)对电视节目的研究［18］，Chevalier和 Mayzlin(2006)对图书行业的研究［13］，以及卢向华和冯越(2009)对餐饮行业的研究也证实了评论数量对销量的重要影响［20］。基于同样的原理，研究产品扩散模型的文献也通常采用购买者与非购买者之间的互动来衡量口碑效应。Dellarocas等(2007)将评论数量加入产品销量的预测模型中，发现模型的预测精度有显著提高［15］。由此，我们推测评论数量对销量有显著的正向影响。

(二)评论效价

评论效价指消费者对产品或服务评价的好/坏(正/负)，一般用评论分数的平均值或者正负面评论的比例来衡量。评论效价对产品销量的影响通常被称为说服效应(persuasive effect):产品或服务的评分越高，越容易引发其他消费者态度的转变，从而说服他们接受和购买该产品。Duan等(2009)发现22%的消费者在查看CNET网站上的产品信息时都会按照评分来排序，说明评论分数是消费者进行购买决策的重要依据［31］。已有不少学者的研究验证了评论效价与产品销量的关系。Chevalier和Mayzlin(2006)收集了美国两大图书销售网站Amazon.com和BN.com上的评论信息，发现评论分数对图书的销量有显著的正向影响［13］。Clemons等(2006)分析了消费者对啤酒厂商的在线评论，发现评论分数与啤酒的销售量正相关，并且前25%的评分对销量的预测最为精确［11］。Dellarocas等(2007)运用网络评论信息来预测电影票房收入，发现评论的平均分值对票房收入有良好的预测精度［15］。Chintagunta等(2010)将电影行业的网络口碑研究扩展到多个市场，发现评论效价是最为重要的影响因素［17］。尽管也有一部分学者的研究没有支持评论效价的作用［10，31-32］，但是，基于以上的分析和大量实证研究的结论，我们仍然推测评论效价对销量有显著的正向影响。

(三)评论差异

评论差异度量了消费者对产品或服务态度和观点上的分歧(统计上称为异质性)，通常采用评分的方差或标准差来度量。评论差异对销量的影响目前还存在较大的争议。支持评论差异对销量有负面影响的观点认为，消费者是风险规避(risk averse)的，不一致的评论会提升消费者对购买风险的感知，因此会降低消费者的购买倾向。Meyer(1981)的研究支持了风险规避的观点，他发现消费者会通过贬低产品的平均评价来适应对产品的批评［33］。Zhang(2006)研究了2004年7月至9月上映的128部电影，发现评论差异越大，票房的衰减越快［34］。另一种观点认为，对产品评价的较大的差异说明产品不是针对大众市场，而是针对利基市场(niche market)的产品［26］。对于利基产品，其目标市场的顾客会非常喜欢该产品，评价也相应较高，而非目标市场的顾客评价会相应较低，形成评价效价上的两极分化。因为利基市场一般来说规模比较小，所以会造成评价差异与销量之间的负向相关。相反，也有学者认为评论差异对销量有正面影响。Martin等(2007)通过实验方法研究了被试在给定电影评分后对电影的偏好程度，发现他们更倾向于选择评分差异较大的电影［35］。他们将这种现象解释为评论差异引发了消费者的好奇心，消费者在好奇心的驱动下会产生更多的购买。另一种观点则认为，评论差异越大，说明评论信息所覆盖的消费者细分群体就越多，从而会产生更多的销量。Godes和Mayzlin(2004)发现评论分散度越高，电视节目的收视率越高［18］。Clemons等(2006)也发现评论差异大的啤酒品牌在销量增长上更快［11］。综合上述观点发现，评论差异对销量的影响尚未有定论，因此需要我们通过实证来进行检验。

(四)线上评论的生命周期效应

线上评论信息对产品销量的影响是如何动态变化的?评论信息对于处于不同生命周期的产品的影响是否有差异?我们发现两种不同的因素可能造成截然相反的结果。首先，评论信息对销量的影响可能随时间而降低，从而对处于生命周期早期的产品的影响大于处于晚期的产品。其原因是随着产品发布时间的增长，消费者可以从更多的公开渠道获得与产品相关的信息，如广告、购物杂志、媒体报道和朋友推荐等。这些渠道发布的信息会影响消费者对产品的认知和态度，使消费者不再仅仅依赖线上评论的信息。Goldfarb和Tucker(2011)通过实地实验证明了线上广告与线下广告存在互相替代的效应［36］。Chen等(2011)的研究也发现网络互动信息对销量的影响随时间而减弱［24］。其次，评论信息对销量的影响也有可能随时间而增强，对处于生命周期晚期的产品的影响大于处于早期的产品，因为不同生命周期中消费者的构成不同。Mahajan等(1990)发现在产品生命周期的早期，大部分的消费者是“创新者”或“专家”，而“跟随者”或“新手”倾向于在更晚的时候购买产品［37］。这个结论说明随着时间的增长，消费者的构成中“跟随者”或“新手”的比例越来越大。因为“跟随者”或“新手”缺乏对产品的知识和经验［38］，其甄别产品好坏的能力远逊于“创新者”或“专家”，所以他们更可能依赖线上评论信息来辅助购买决策。

综合上面的分析，信息渠道的替代效应会使线上评论的影响随时间增强，而消费者构成的变化会使线上评论的影响随时间减弱。因此，这两种相反的效应综合作用所产生的结果需要运用实证的数据来进行检验。

三、数据描述

我们从当当网(dangdang.com)上收集了研究所需的数据。当当网在2007年开通线上商品评论功能，是国内最早建立线上评论系统的网络零售商之一。在当当网的商品页面上，每一名注册用户均可以对商品撰写评论信息。在发表评论时，用户首先被要求对商品进行评分，分值从1分到5分，分值越高代表用户对商品的评价越高。接着，用户会被要求撰写文字标题和具体的评论信息。当当网会实时统计每个商品的评论数量(volume)，并根据所有会员的评分计算出商品的综合评分(valence)。

通过自主开发的软件程序，我们跟踪并收集了当当网“近24小时图书畅销榜”上的图书数据。当当网“近24小时图书畅销榜”提供排名前500的图书信息，其排名由近24小时真实的图书销售量决定，通常在每天中午进行更新。我们收集了2011年6月24日至8月30日共68天的畅销榜上的所有图书信息。对于每一本图书，我们记录了其销量排名、价格、出版时间、评论数量、评论分数以及各分数(1分到5分)的评论比例。根据研究需要，我们删除了出版时间缺失、评论分数为0和评论数量小于10的样本，以保证分析结果的有效性。最终，我们的数据共包含27655本图书的3200多万条评论数据。表2为数据的描述性统计结果。

首先，因为当当网没有公开其产品的具体销售量，所以我们无法直接获取产品的销量数据。但是，当当网畅销榜每天提供销量前500名图书的排名数据，间接反映了图书的销售量。不少近期的研究都运用销量排名来衡量产品的销售量。Schnapp和Allwine(2001)通过挖掘Amazon网站上的数据发现销量和销量排名分别取自然对数之后呈线性相关［39］①Schnapp和Allwine(2001)的拟合结果为:ln(sales)=9.61-0.78*ln(rank)。。Chevalier和 Goolsbee(2003)进一步探讨了销量和销量排名之间的线性关系，并指出可以用排名的对数值来替代销量的对数值进行研究［40］。此后，大部分的研究都直接用销量排名的自然对数来替代销量［13，24］，也有学者将销量排名根据Schnapp和Allwine(2003)的拟合结果计算出销量的近似值［25］。因此，本研究也采用销量排名的自然对数值替代销量进行研究。

其次，对于价格，我们采用当当网的实际销售价格，而非图书的原价，因为当当网的销售价格更能反映消费者的实际购买成本。样本中图书的平均价格为25.17元，价格最高的图书为488.2元，最低的为6.4元。此外，我们也收集了图书的出版时间。出版时间衡量了图书所处的生命周期阶段，出版时间最长的图书已经出版了5808天，最短的刚上市1天，平均的出版时间为673天。

在线上评论信息方面，我们的数据包含了每本图书的评论数量、评论分数和各分数(1分到5分)的评论比例。其中，评论数量的均值为1163，与中位数530有较大的差异，说明有少部分图书获得了大量的消费者评论，最多的一本书获得了28624条评论。其次，消费者对样本中图书的评价普遍较高，这表现在评论分数的中位数为5，均值为4.78，这一现象与多项相关研究中发现的消费者评论模式是一致的［13，22］。从1分到5分评论的分布比例来看，5分评论和4分评论占了总体评论的大多数，分别为67.68%和22.07%;3分、2分和1分评论分别为7.81%、1.63%和0.78%。我们计算了评论分数的方差来作为评论差异的度量［17，22，34］，评论差异的均值为 0.53，最小值和最大值分别为0和4，说明评论差异在样本中的分布是均匀的。

表2 描述性统计

四、模型与结果

(一)模型设定

在研究线上评论与销量关系时，很可能会产生遗漏相关变量的问题(omitted variable problem)。在回归模型中，遗漏重要的相关变量是导致内生性(heterogeneity)的主要原因。因为一旦这个被遗漏的变量同时与因变量和目标自变量相关，那么目标自变量与随机扰动项的无关性假定就不再成立，这时如果用最小二乘法进行估计，目标自变量的估计结果就是有偏的［41-42］。不少最近的研究都证明了内生性对估计结果的重要影响。例如，Oberholzer-Gee和Strumpf(2007)对音乐行业的研究发现，控制内生性后，音乐文件的网络下载次数对专辑销量的影响由显著变为不显著。其原因是遗漏了与音乐质量和音乐的受欢迎程度相关的变量，而它们又同时与音乐的网络下载量和线下专辑销量相关［43］。Nair等(2010)对医药市场的研究也发现内生性对研究结果存在显著的影响。在忽略内生性的情况下，跟随者对意见领袖的模仿行为会被高估［44］。

同样，本研究也需要考虑内生性的影响。因为，与“差”的图书相比，“好”的图书更有可能获得更多和更好的评价，同时产生更多的销量。那么，影响产品销量的可能并非是网络口碑效应，而是其它一些因素，如图书质量、作者的受欢迎程度等。不少相关的研究都提出需要控制这些难以观测的因素的影响。Duan等(2008)提出，对内生性的思考会显著影响口碑效应的分析结果。他们的研究发现，控制内生性后，仅有评论数量显著影响电影票房收入，而评论效价的影响并不显著［16］。Chintagunta等(2010)同样支持网络口碑为内生性变量的考虑。他们将电影产业的口碑研究细化到区域市场，并指出在控制内生性后，对总体市场产生显著影响的是评论数量，而对区域市场产生显著影响的是评论效价［17］。

基于上述考虑，本文将采用面板数据，通过固定效应模型(fixed effect model)进行分析，以此来控制由遗漏变量而产生的内生性影响(Wooldridge，2002)。具体的回归模型设定如下:

下标i=1，…N代表图书，t=1，…N代表时间。μi为以图书为单位的固定效应，用于控制图书“质量”等非观测效应的影响。lnRank为图书的销量排名;lnPri为图书的实际销售价格;lnAge为图书的出版天数;lnVol为评论数量;lnVal为评论效价;lnVar为评论差异。我们对上述的因变量和自变量均进行了对数变换。除了因为排名取自然对数后与销量线性相关以外，这样做还有两点好处。一是将潜在的非线性关系变为线性关系，使得回归模型的结果更加稳健。二是数据的对数化压缩了变量的量纲，控制了离群值的影响。在我们的样本中，有的图书有上万条消费者评论，所以有必要对其进行对数变换。经过对数变换后，回归系数的估计值为弹性，即自变量的变化率对因变量变化率的影响。在模型中，我们还加入了Weekend和Trend两个控制变量。Weekend为代表周末的哑变量(周六和周日=1，工作日=0)，用于控制周末和工作日图书销量可能存在的差异。Trend为时间趋势变量，用于控制图书销量随时间趋势的变化。

(二)线上评论对销量的影响

由于我们在模型中假设非观测效应μi与多个线上评论变量相关，所以采用固定效应模型而非随机效应模型来进行回归分析。豪斯曼检验［45］的结果也支持固定效应优于随机效应模型。考虑到线上评论的影响与消费者的购买行为在时间上可能存在一定的先后顺序，我们不仅用同期的因变量和自变量进行回归，还用因变量与滞后一期的自变量(评论数量、评论效价和评论差异)进行了回归①此时的回归模型写为:lnRankit= α0+ α1lnPriit+ α2lnAgeit+ α3lnVoli，t-1+ α4lnVali，t-1+ α5lnVari，t-1+ α6Weekendt+ α7Trendt+ μi+ εit，以检验回归结果的稳健性。表3和表4分别为两次回归的结果，不论从系数还是显著性水平来看，两次回归的结果都是一致的。下面我们将参照表3来解释回归结果。

表3 评论信息对图书销量的影响(同期)

我们用逐步回归的方法来进行分析。模型1将销量排名与所有的控制变量进行了回归，而线上评论的相关变量并没有进入模型1。模型1的回归结果显示所有的控制变量都对因变量有显著的影响。其中，Weekend的系数是负向显著的(α6=-0.0202，p＜0.01)，说明相比工作日，图书在周末的销量排名更靠前。因为排名是根据销量计算而来，所以图书在周末的销量比工作日更高。Trend的系数是正向显著的 (α7=0.00160，p＜0.001)，说明样本中的图书销量存在趋势性的小幅地下降，所以在模型中通过引入时间趋势变量来除趋势 (detrending)是有必要的。lnPri的系数为正向显著 (α1=0.935，p＜.001)，说明图书的价格越高，其销量越低。lnAge的系数为正向显著(α2=0.449，p＜.001)，说明图书销量随着出版时间的增长而衰减。

表4 评论信息对图书销量的影响 (滞后1期自变量)

在模型2、3、4中，我们逐步加入了评论数量、评论效价和评论差异这3个与线上评论信息相关的变量。在将这3个变量加入模型后，R2由0.050逐步增加到0.053，说明在加入线上评论变量后，模型的解释能力更强。此外，我们还计算了更能精确反映模型拟合优度的赤池信息量准则(AIC)和贝叶斯信息量准则 (BIC)。在加入线上评论变量后，AIC由37289.1逐步下降为37212.1，BIC也由37330.2下降到37277.9。AIC和BIC的结果同样证明加入线上评论变量后模型的拟合优度有明显地提升，说明线上评论对图书的销量有非常重要的影响。

模型2在模型1的基础上加入了变量lnVol，lnVol为图书的评论数量。回归结果显示，lnVol的系数为负向显著 (α3=-0.0877，p＜0.001)。这说明消费者在当当网上对某本图书所发布的评论数量越多，其销量排名越靠前，即销量越高。

表5 线上评论的生命周期效应

由于模型中的系数衡量的是弹性，所以可以解释为评论数量每增加1%，图书的销量排名将上升0.09%。在模型3中，我们进一步加入了代表评论效价的变量lnVal。与我们的推测相一致，lnVal的系数也是负向显著的 (α4=-0.833，p＜0.001)，说明消费者对图书的总体评论分数越高，其排名越靠前，即销量越高。由系数α4的估计值可以发现，评论分数的均值每上升1%，该图书的销售量将上升0.83%。模型4在之前的基础上加入了我们所关心的最后一个线上评论变量lnVar，即消费者对图书的评论差异。lnVar系数的估计结果是显著的，且方向为正 (α5=0.328，p＜0.001)，说明图书的评论差异越大，其排名越靠后，即销量越低。lnVar系数的估计值为0.328，可解释为评论差异 (评论分数的方差)每增加1%，图书的排名将下降0.33%。由此，实证分析结果最终支持了评论差异对销量有负向影响的观点。由于消费者是风险规避的，当他们看到不一致的评论信息时，会感知到更高的购买风险，从而降低了购买意向。

(三)线上评论的生命周期效应

由于样本中的图书在出版时间上的跨度很大(从1天-5808天)，所以便于我们分析线上评论信息对处于不同生命周期阶段的图书的影响。在研究中，我们采用两种方法来对图书所处的生命周期进行分类。

首先，我们以出版时间的中位数和均值为界，将样本中的图书分为处于生命周期早期的图书 (出版时间小于中位数或均值)和处于生命周期晚期的图书 (出版时间大于中位数或均值)，并分别对它们进行回归分析。表5呈现了回归分析的结果。其中，表5的第1、2列以出版时间的中位数来区分图书处于生命周期的早期还是晚期，第3、4列以出版时间的均值来进行区分。从第1、2列的回归结果可以发现，对于那些处于生命周期早期的图书 (出版时间小于中位数)，线上评论的影响非常显著。具体来看，评论数量和评论效价的系数为负向显著 (α3=-0.115，p＜0.001;α4=-0.561，p＜0.01)，评论差异的系数为正向显著 (α5=0.357，p＜0.001)，均与前述的分析结果一致。然而，对于那些处于生命周期晚期的图书 (出版时间大于中位数)，线上评论的影响总体上减弱了。尽管评论数量的影响依然非常显著 (α3-0.132，p＜0.001)，评论效价的显著性水平却有所下降，而评论差异的影响已经降到了显著性水平以下。同样，表中第3、4列的回归结果也说明线上评论的影响随时间而减弱。对于处于生命周期早期的图书 (出版时间小于均值)，评论数量、效价和差异的影响都非常显著 (α3=-0.101，p＜0.001; α4=-0.671，p＜0.001;α5=0.345，p＜0.001)。但对于处于生命周期晚期的图书 (出版时间大于均值)，评论效价和评论差异的影响都不再显著，评论数量的显著性也有一定程度的减弱。

接着，我们进一步将图书分为早、中、晚三期来检验线上评论的影响是否随时间而减弱。我们将出版时间小于半年的图书定义为处于生命周期的早期，出版时间在半年至2年的为生命周期的中期，出版时间在2年以上的为生命周期的晚期。统计结果显示，处于早期、中期和晚期的图书分别有10173、8282和9113本。回归分析的结果如表6所示。

与我们的推测相符，线上评论的影响随图书出版时间的增长而逐步减弱。对于处于生命周期早期的图书 (出版时间小于半年)，评论数量、效价和差异均存在显著的影响，影响方向也与前述的分析结果相符。当图书处于生命周期的中期(出版时间在半年至2年间)，评论差异的影响首先降低到不显著的水平。这说明评论差异仅在产品上市的早期产生影响。因为在产品上市的初期，消费者对其质量等各方面的因素不了解，购买的风险和不确定性很高，一旦看到不一致的评论，就会产生疑惑而踟蹰不前。而当产品到了生命周期的中后期，通过各种渠道所获得的信息，消费者已经逐渐了解产品的情况。已有的研究发现评论信息会随时间逐步调整并趋于一致［25］，所以评论差异的影响会变得不显著。最后，当图书到了生命周期的晚期 (出版时间大于2年)，评论效价和评论差异均不再对销量产生显著的影响，但是评论数量的影响仍然十分显著 (α3=-0.145，p＜0.01)。这个结果说明，当产品到了生命周期的晚期，消费者已经对产品各方面的情况非常了解，并且他们也可以从其它各种渠道获取产品的质量等信息，所以与评论分数相关的评论效价和评论差异都不再产生显著的影响。不过，值得注意的是，评论数量在整个产品的生命周期中一直都对销量有非常显著的影响。这说明当产品进入衰退期时，最重要的是通过评论的信息性影响提醒并让更多的消费者知道该产品，这个结论与提醒性广告的作用非常类似［46］。

表6 线上评论的生命周期效应 (续)

五、结论与启示

(一)研究结论

本文使用当当网图书评论的大样本面板数据，通过建立计量模型，对线上评论信息与图书销量的关系进行了实证分析，分析的结论丰富了网络口碑与线上消费者评论领域的相关论述。

首先，我们发现线上评论信息的各维度均对销量存在显著的影响。其中，评论数量和评论效价对图书的销量有显著的正向影响，评论差异会负向影响图书的销量。评论数量和评论效价的实证结果验证了已往研究中提出的知晓效应和说服效应，即评论数量通过让更多消费者知晓该产品来增加销量，而评论效价则通过说服消费者接受该产品来增加销量。评论差异的实证结果调和了现有研究中的争论。一种观点认为评论差异对销量有负向影响，因为评论差异可能会提升消费者对购买风险的感知［33］，或是预示着该产品仅符合一小部分利基市场消费者的偏好［26］。另一种观点却认为评论差异对销量有正向影响，其理由是评论差异可能会引发消费者的购买好奇心［35］，或是暗含着对于产品的讨论覆盖了更多的消费者细分群体［18］。实证分析的结论支持了前一种说法，证明评论差异会对销量产生负向的影响。

其次，本文发现线上评论对销量的影响随时间而减弱，所以对处于生命周期早期的产品的影响大于处于晚期的产品。此现象可以解释为，随着产品发布时间的增长，消费者可以从越来越多的其它渠道获得与产品相关的信息，如广告、购物杂志、媒体报道和朋友推荐等。这些信息会对线上评论的信息产生替代作用，从而减弱了线上评论的影响。不过，值得强调的是，评论数量在整个产品生命周期的过程中一直扮演非常重要的角色。特别是在产品生命周期的晚期，评论效价和评论差异的影响均降到显著性水平以下，而仅有评论数量仍然对销量有非常重要的影响。这个结论也再一次支持了评论数量为网络口碑中最重要的变量的观点［10，16］。

(二)管理启示

随着电子商务与信息技术的不断发展，消费者热衷于在网络上参与商品和服务的讨论，从而为企业提供了一种新型的营销沟通模式。电子商务企业可以在自己的网站上建立消费者评论系统，或是将第三方评论网站的结果链接到自己的商品页面中，来辅助和影响消费者的购买行为。对于企业管理者而言，如何引导和管理线上消费者评论，进行有效的营销沟通，成为了他们在管理实践中所关注的焦点。本文的研究结论提供了以下两点重要的启示。

首先，线上评论作为一种重要的网络口碑信息，会对产品的销量产生直接的影响，进而影响企业的收益和利润。所以，企业应该运用线上评论系统来进行网络口碑营销。在进行网络口碑营销的过程中，评论数量、评论效价和评论差异是企业需要关注的关键性决策指标。企业的营销目标是增加评论数量，提高评论效价，并降低评论差异。因为增加评论数量能让更多潜在的消费者知晓产品，提高评论效价能说服更多的消费者进行购买，降低评论差异能减少消费者的困惑和对购买风险的感知。

其次，线上评论的生命周期效应提示管理者，对于处于不同生命周期的产品应该采用不同的口碑营销策略。在产品上市的早期阶段，评论数量、评论效价和评论差异都非常重要，企业应同时关注这三个方面的影响。而随着产品进入生命周期的中后期，评论效价和评论差异的作用逐渐变得不明显。这时，企业应主要聚焦于提升评论数量，让更多的潜在消费者知晓该产品，或是提醒消费者再次进行购买。

［1］KATZ E，LAZARSFELD P F.Personal Influence:The Part Played by People in the Flow of Mass Communications［M］.New York，NY:Free Press，1955.

［2］COLEMAN J S，KATZ E，MENZEL H.Medical Innovation:A Diffusion Study［M］.New York，NY:Bobbs-Merrill Company，1966.

［3］GRANOVETTER M S.The Strength of Weak Ties［J］.American Journal of Sociology，1973，78(6):1360-1380.

［4］ELLISON G，FUDENBERG D.Word-of-mouth Communication and Social Learning［J］.The Quarterly Journal of Economics，1995，110(1):93-125.

［5］ CHEN Yubo，XIE Jinhong.Online Consumer Review:Word-of-mouth as a New Element of Marketing Communication Mix［J］.Management Science，2008，54(3):477-491.

［6］HARMON A.Amazon Glitch Unmasks War of Reviewers［OL］.TheNew York Times，http://www.nytimes.com/2004/02/14/us/amazon-glitch-unmasks-war-of-review-ers.html，2004-02-14.

［7］PILLER C.Everyone Is a Critic in Cyberspace［N］.Los Angeles Times，1999-03-12(A1).

［8］胡 辉.网络口碑左右消费者购买行为 ［N］.第一财经日报，2009-03-16(C05).

［9］DERBAIX C，VANHAMME J.Inducing Word-of-Mouth by Eliciting Surprise-A Pilot Investigation ［J］.Journal of Economic Psychology，2003，24(1):99-116.

［10］ LIU Yong.Word of Mouth for Movies:Its Dynamics and Impact on Box Office Revenue［J］.Journal of Marketing，2006，70(3):74-89.

［11］CLEMONS E K，GAO Guodong，Hitt L M.When Online Reviews Meet Hyper Differentiation:A Study of the Craft Beer Industry［J］.Journal of Management Information Systems，2006，23(2):149-171.

［12］ BASUROY S，CHATTERJEE S，RAVID S A.How Critical Are Critical Reviews?The Box Office Effects of Film Critics，Star Power，and Budgets［J］.Journal of Marketing，2003，67(4):103-117.

［13］CHEVALIER J A，MAYZLIN D.The Effect of Word of Mouth on Sales:Online Book Reviews［J］.Journal of Marketing Research，2006，43(3):345-354.

［14］CHEN Chien Chin，TSENG Youde.Quality Evaluation of Product Reviews Using an Information Quality Framework［J］.Decision Support Systems，2011，50(4):755-768.［15］ DELLAROCAS C，ZHANG Xiaoquan，AWAD N F.Exploring the Value of Online Product Reviews in Forecasting Sales:The Case of Motion Pictures［J］.Journal of Interactive Marketing，2007，21(4):23-45.

［16］DUAN Wenjing，GU Bin，WHINSTON A B.Do Online Reviews Matter?-An Empirical Investigation of Panel Data［J］. Decision Support Systems， 2008， 45 (4):1007-1016.

［17］CHINTAGUNTA P K，GOPINATH S，VENKATARAMAN S.The Effects of Online User Reviews on Movie Box Office Performance:Accounting for Sequential Rollout and Aggregation Across Local Markets ［J］.Marketing Science，2010，29(5):944-957.

［18］GODES D，MAYZLIN D.Using Online Conversations to Study Word-of-mouth Communication ［J］.Marketing Science，2004，23(4):545-560.

［19］ZHU Feng，ZHANG Xiaoquan.Impact Of Online Consumer Reviews on Sales:The Moderating Role of Product and Consumer Characteristics［J］.Journal of Marketing，2010，74(2):133-148.

［20］卢向华，冯 越.网络口碑的价——基于在线餐馆点评的实证研究 ［J］.管理世界，2009(7):126-132.

［21］ NEELAMEGHAMR，JAIND.ConsumerChoice Process for Experience Goods:An Econometric Model and Analysis［J］.Journal of Marketing Research，1999，36(3):373-386.

［22］ MOE W W，TRUSOV M.The Value of Social Dynamics in Online Product Ratings Forums［J］.Journal of Marketing Research，2011，48(3):444-456.

［23］ DELLAROCASC， NARAYAN R.A Statistical Measure of a Population's Propensity to Engage in Post-purchase Online Word-of-mouth ［J］.Statistical Science，2006，21(2):277-285.

［24］CHEN Yubo，WANG Qi，XIE Jinhong.Online Social Interactions:A Natural Experiment on Word of Mouth Versus Observational Learning ［J］.Journal of Marketing Research，2011，48(2):238-254.

［25］LI Xinxin，HITT L M.Self Selection and Information Role of Online Product Reviews［J］.Information Systems Research，2008，19(4):456-474.

［26］ SUN Monic.How Does Variance of Product Ratings Matter? ［J］. ManagementScience，2012，58 (4):696-707.

［27］ANDERSON E W.Customer Satisfaction and Word of Mouth ［J］.Journal of Service Research，1998，1(1):5-17.

［28］VAN DEN BULTE C，LILIEN G L.Medical Innovation Revisited:Social Contagion Versus Marketing Effort［J］.American Journal of Sociology， 2001， 106 (5):1409-1435.

［29］BOWMAN D，NARAYANDAS D.Managing Customer-Initiated Contacts with Manufacturers:The Impact on Share of Category Requirements and Word-Of-Mouth Behavior［J］.Journal of Marketing Research，2001，38(3):281-297.

［30］ RUI Huaxia，LIU Yizao，WHINSTON A B.Chatter Matters:How Twitter can Open the Black Box of Online Word-Of-Mouth［A］.ICIS 2004 Proceedings［C］.Saint Louis，Missouri:ICIS Press，2010:204.

［31］DUAN Wenjing，Gu Bin，WHINSTON A B.Informational Cascades and Software Adoption on the Internet:An Empirical Investigation［J］.MIS Quarterly，2009，33(1):23-48.

［32］ CHEN Peiyu，WU Shinyi，YOON Jungsun.The Impact of Online Recommendations and Consumer Feedback on Sales［A］.ICIS 2004 Proceedings［C］.Washington DC:ICIS Press，2004:58.

［33］MEYER R J.A Model of Multiattribute Judgments under Attribute Uncertainty and Informational Constraint［J］.Journal of Marketing Research，1981，18(4):428-441.

［34］ZHANG Xiaoquan.Tapping into the Pulse of The Market:Essays on Marketing Implications of Information Flows［D］.Cambridge，MA:MIT Ph.D.Dissertation，2006.

［35］MARTIN J，BARRON G，NORTON M I.Choosing to Be Uncertain:Preferences for High Variance Experiences［Z］.Cambridge，MA:Harvard Business School，2007.

［36］GOLDFARB A，TUCKER C.Advertising Bans and the Substitutability of Online and Offline Advertising［J］.Journal of Marketing Research，2011，48(2):207-227.

［37］MAHAJAN V，MULLER E，Bass F M.New Product Diffusion Models in Marketing:A Review and Directions for Research［J］.The Journal of Marketing，1990，54(1):1-26.

［38］ALBA J W，HUTCHINSON J W.Dimensions of Consumer Expertise［J］.Journal of Consumer Research，1987，13(4):411-454.

［39］SCHNAPP M，ALLWINE T.Mining of Book Data from Amazon.Com［R］.Berkeley，CA:SIMS Web Mining Conference，2001.

［40］CHEVALIER J，GOOLSBEE A.Measuring Prices and Price Competition Online:Amazon.Com and Barnesandnoble.com ［J］.QuantitativeMarketingand Economics，2003，1(2):203-222.

［41］ WOOLDRIDGE J M.Econometric Analysis of Cross Section and Panel Data［M］.Cambridge，MA:The MIT Press，2002.

［42］ GREENE W H.Econometric Analysis［M］.Upper Saddle River，NJ:Prentice Hall，2003.

［43］OBERHOLZER G F，STRUMPF K.The Effect of File Sharing on Record Sales:An Empirical Analysis［J］.Journal of Political Economy，2007，115(1):1-42.

［44］ NAIR H S， MANCHANDA P， BHATIA T.Asymmetric Social Interactions in Physician Prescription Behavior:The Role of Opinion Leaders［J］.Journal of Marketing Research，2010，47(5):883-895.

［45］ HAUSMAN J A.Specification Tests in Econometrics［J］.Econometrica:Journal of the Econometric Society，1978，46(6):1251-1271.

［46］NELSON P.Advertising as Information［J］.The Journal of Political Economy，1974，82(4):729-754.