重复购买行为与新产品创新扩散——基于产品复杂性的视角

郭 斌 郭 琳 汪玥琦

(浙江大学 管理学院， 浙江 杭州 310058)

一、 引 言

随着新产品的不断涌现以及技术的不断进步，新产品创新扩散引起了越来越多研究者的关注。尽管相关研究已取得了很多重要的进展，但现有研究存在的不足之一是大多数的研究基于单次采纳行为(first-purchase)进行分析，对于重复购买行为的关注明显不足[1]224。事实上，很多产品购买并不是简单的单次购买行为，常常存在着多次的重复购买行为。因此，理解重复购买行为对新产品创新扩散的影响机制具有较为重要的理论及现实意义。

关于重复购买行为与新产品创新扩散之间关系的现有文献已经注意到基于单次采纳情境的研究结论在重复购买情境下可能会有所差异。例如，创新者和模仿者在两种情境下的贡献会有所不同[2]188，并且在不同情境下最优的价格策略、负面口碑以及扩散渠道对新产品创新扩散的影响也是不同的[3-4]。然而需要指出的是，现有研究在重复购买行为对新产品创新扩散的影响上仍然存在一定的分歧。新产品创新扩散的两个重要测度变量是扩散速度和扩散规模：扩散规模是指全部节点的采纳比例[5]189，而扩散速度是指采纳总人数除以采纳时间[6]26。在重复购买行为对新产品扩散规模的研究中，Gatignon等人认为随着重复购买行为的增加，新产品的采纳人数也会增加[7]854，而Peres等人则认为重复购买行为的增加只会促进销售额的增加，而不是采纳人数的增加[8]100。而在重复购买行为对新产品创新扩散速度的影响上，目前研究工作尚较为缺乏。

此外，在以往关于重复购买行为与新产品扩散的研究中，对于重复购买行为是通过什么机制作用于新产品扩散速度及规模的，目前尚缺少统一的分析框架，并且学者们往往忽略了产品属性在其中的影响。事实上，采纳者决策和购买的过程与产品复杂性有很大关系[9]188。随着产品复杂性的提高，使用者知识对新产品的采纳有更重要的影响。当产品复杂性增加时，潜在采纳者的不确定性会增强，而这会造成新产品自身信息对潜在采纳者具有更多的不确定性[10]873。对于复杂性低的新产品而言，潜在采纳者对新产品的采纳会更多地依靠自身的知识进行决策[11]29。与此同时，随着新产品的不断扩散以及采纳者的不断增加，采纳者之间还会发生产品知识的转移。根据技术接受模型(Technology Acceptance Model)的研究，随着技术采纳的不断进行，感知易用性对新技术的采纳影响逐渐降低，直至消失，而这种变化的主要原因是用户对新技术的知识不断增加[12]281。因此，我们需要从产品复杂性视角出发，通过将产品采纳过程中的知识动态过程纳入重复购买行为的作用机制分析中，以此来研究重复购买情境下的新产品扩散行为。

因此，本文拟从产品复杂性视角出发来研究重复购买行为对新产品扩散速度与扩散规模的影响机制。我们将采纳者与非采纳者的动态知识转移过程纳入研究模型，运用智能体仿真方法(agent-based modeling)建立基于无标度网络结构的仿真模型。一方面，我们将探索重复购买行为对新产品扩散的作用机制，由此分析和阐释重复购买行为对新产品扩散速度与扩散规模影响的差异性，从而消弭现有研究存在的分歧性结论。另一方面，通过建立三阶段模型来刻画用户的采纳行为，从而将信息影响机制和社会影响机制同时纳入新产品扩散模型研究，并由此检验我们所预期的产品复杂性在重复购买行为与新产品扩散之间存在的调节效应。

二、 研究模型

在新产品创新扩散领域，有两种研究方法被广泛应用：一种是基于计量经济模型的预测方法，而另一种是基于个体消费者采纳行为的聚合效用的解释模型[13]519。在基于计量经济模型的预测方法中，Bass模型是最著名的，主要研究扩散的增长规模和增长速度。而第二种解释模型中比较典型的是基于智能体仿真方法通过个体微观的采纳行为研究宏观的采纳规模和采纳速度。但值得注意的是，Bass模型存在一定的局限性，比如完全连接的网络结构、采纳者的同质性等[8]。基于智能体仿真方法对于解决上述局限具有一定的优势，且该方法也被越来越多研究新产品创新扩散的学者所采纳[14]382。基于智能体的仿真方法可以通过节点间的互动和学习行为基于特定的网络拓扑结构得到总体的扩散比例和速度，通过设计微观的规则得到宏观的结果；此外，该方法还可以保证节点之间的异质性，更加符合现实背景。因此，本文选择了该仿真方法作为研究方法。

本文对van Eck等人的模型进行了拓展[5]193，应用Netlogo 4.1.3对模型进行编程。在本文的模型中引入两种影响，一种是信息影响，另一种是社会影响。信息影响主要是指潜在采纳者向其他人寻求理解和使用新产品的倾向，而社会影响是指满足其他人期望的倾向。用户的采纳行为在本文中采用三阶段模型来进行刻画：第一阶段是意识到新产品的出现，第二阶段是是否试采纳新产品，第三阶段是重复购买新产品还是拒绝继续采纳而传递负面口碑。本文基本算法如图1所示，模型的基本参数设置如表1所示。

图1 模型的基本算法

变量 参数 取值分布节点数N500迭代次数N.A.500普通用户的效用阈值分布U(i,min)U(0,1)意见领袖的效用阈值分布U(i,min)U(0,0.8)普通用户的内部影响系数βiN(0.6,0.2)意见领袖的内部影响系数βiN(0.51,0.2)

续表1

注： N.A.代表Not Applicable，表示此处为缺省项，代表此常量不赋字母代替。

在第一阶段，本文设计了两种途径让群体了解到新产品的存在。第一种途径是通过大众媒介的方式，在仿真过程中每迭代一次，群体中都随机有一定比例的节点了解到新产品。对于能够受到大众媒体影响的节点，本文并没有采用传统的两阶段理论，而是借鉴了Watts和Dodds的扩散设计[15]。传统的两阶段理论认为，大众媒介的扩散是通过先扩散给意见领袖，然后通过意见领袖扩散给普通用户的[16]268，但新的研究认为大众媒介扩散的信息并不局限于扩散给意见领袖[15]442，因此，本文的模型也设定接受媒体信息的节点并不局限为意见领袖。第二种途径是通过人际间信息传递发生的。本文加入了因为采纳新产品而产生负面口碑的节点即拒绝采纳的节点，而拒绝节点是已经试采纳了新产品但发现无法理解和使用而产生的，在向周围节点传递负面口碑的同时，也会让潜在试采纳节点意识到新产品的出现。

因此，当一个节点采纳或拒绝新产品时，他(她)的邻居有可能通过两种方式意识到新产品的出现，第一种方式是他(她)的邻居观察到该节点采纳或拒绝了该新产品，第二种方式是他(她)向其邻居传递了新产品正面或负面的口碑信息。因此，本文认为当某节点采纳或拒绝新产品时，他(她)的邻居节点将会知道新产品的出现。此外，人际间的信息传递还可能通过意见领袖向普通用户传递[16]292。在新产品创新扩散中，有一类特殊的群体被称为意见领袖，他们具有社会地位高、信息渠道广、邻居节点多的特点[16]，因此，当意见领袖获取了新产品出现的信息后，他(她)的邻居节点也会获取到新产品出现的信息，即便意见领袖并未采纳或拒绝该新产品。

当一个节点意识到新产品的出现时，该节点进入第二个阶段，决定是试采纳新产品还是等待。当新产品效用U(i，t)大于潜在采纳者的效用阈值U(i，min)时，该节点就会试采纳该新产品，否则等待。因此，当U(i，t)≥U(i，min)时，那么节点i将会试采纳新产品，而当U(i，t)

第三个阶段是用户重复购买传递正面口碑还是用户拒绝采纳而传递负面口碑的阶段。因为本文讨论的是产品复杂性对新产品创新扩散的影响，因而用户的重复购买决策以是否可以理解和使用新产品作为标准。当用户的知识基础与产品复杂性的差距超过δ即Ip-I(i，t) >δ时，该用户将会拒绝采纳该新产品；而当Ip-I(i，t)≤δ，则该用户有可能以一定的概率重复购买该新产品。其中I(i，t)是节点i在t时的知识基础，而Ip是指产品复杂性，δ是指知识差距的最低值。

U(i，t)=βiX(i，t)+(1-βi)Y(i，t)

(1)

Y(i，t)=I(i，t)-Ip

(2)

X(i，t)=(Nneighbors-rebuy(i，t)-τNneighbors-reject(i，t))/Nneighbours-total(i，t)

(3)

当全部节点的采纳状态每迭代一次之后，将会发生一次节点的知识转移过程。潜在采纳者只会和愿意重复购买新产品的邻居节点发生知识转移。因为节点若没有采纳新产品则并不能获得使用新产品的经验，也不会与其邻居发生关于该新产品的知识交换。而当节点拒绝采纳新产品时，该节点因无法理解和使用该新产品而无法与其他节点发生知识转移行为。当潜在采纳者的邻居愿意重复购买新产品，而该邻居的知识基础高于潜在采纳者的知识基础且知识差距不超过δ时，潜在采纳者会获取已采纳邻居节点的部分知识。

I(i，t+1)=I(i，t)+γΣ[I(j，t)-I(i，t)]

j∈Nneighbors-rebuy(i，t) ，I(j，t)-I(i，t) ∈(0， δ)

(4)

上述方程中，Nneighbors-rebuy(i，t)是节点i在t时愿意重复购买的邻居节点的权重总和，Nneighbors-reject(i，t)是节点i在t时已经拒绝的邻居节点的权重总和，而Nneighbours-total(i，t)是节点i在t时的邻居节点的权重总和。

模型的基本参数设置参考了 van Eck等学者的设置[5]，主要包括节点数、迭代次数、普通用户的效用阈值分布、意见领袖的效用阈值分布、普通用户的内部影响系数、意见领袖的内部影响系数、外部影响系数等。具体而言，节点数和迭代次数设为500。在意见领袖的设定方面，本文遵循一个节点的邻居节点数超过2的时候则成为意见领袖。根据实验仿真的结果，意见领袖占全部节点的16%—17%，符合Rogers对意见领袖的定义[16]273。根据意见领袖的特点，意见领袖具有知识水平高、创新意识强及不易受外部影响等特点，因此，本文采用了van Eck等学者对意见领袖和普通用户受内部影响权重系数与效用阈值分布的设置[5]194，满足了意见领袖与普通用户异质性及意见领袖创新能力强的要求；与此同时，本文也将意见领袖的知识分布与普通用户进行了区分，满足了意见领袖知识水平高的要求。

对于大众传媒的扩散比例，本文参照了Jeuland的建议*A.Jeuland, ″The Bass Model as a Tool to Uncover Empirical Generalizations in Diffusion of Innovation,″ Empirical Generalizations Conference, Wharton School, February 1994.，该学者认为大众传媒每次迭代的扩散比例不超过1%。本文将知识差距的最低值设为0.3，对该值进行敏感性分析后发现该值在0.2(低)、0.3(中)和0.4(高)时不会影响结果的显著性，因此，本文选择了0.3作为知识差距的最低值。根据吸收能力的观点[17]247，因为有隐性知识的存在，知识转移的双方并不能完全获得对方的知识，因此，本文将学习能力系数取值为0.8。此外，根据过去关于负面口碑的研究结论，本文设定负面口碑强度是正面口碑的2倍[18]293。

在仿真中，本文共设置了三组共9个对比模型，分别是在新产品的产品复杂性为高、中、低三个情境下有无重复购买行为对新产品的扩散规模和扩散速度进行的对比。9个模型的模型参数设置如表2所示。由表2可知，模型1至模型3是在产品复杂性高的情景下的对比模型，模型1是重复购买强度为0.5的扩散模型，即有50%的已采纳人群会重复购买新产品，模型2是重复购买强度为0.2的扩散模型，而模型3是没有重复购买的扩散模型。与此类似，模型4至模型6是基于产品复杂性中等的情境，而模型7至模型9是基于产品复杂性低的情境。9组模型的仿真结果如图2、图3及图4所示。

表2 各模型参数设置

图2 产品复杂性高的情境下重复购买率不同的用户的采纳比例

图3 产品复杂性中等的情境下重复购买率不同的用户的采纳比例

图4 产品复杂性低的情境下重复购买率不同的用户的采纳比例

三、 研究结果

为保证模型结果的稳定性，本文对每个模型运行50次，运行结果的描述性统计如表3所示。本文的研究重点是重复购买对新产品扩散规模和扩散速度的影响，以及这种影响是否受到产品复杂性的调节作用。下文将从扩散规模和扩散速度两个维度对结果进行分析。

表3 各模型扩散规模和扩散速度描述性统计及相关模型两样本非参数假设检验

注： 后8列为两样本非参数独立检验Z值，用以检验模型间均值是否存在显著差异；**表示p< 0.001，*表示p< 0.05。

(一)扩散规模

根据表3，在产品复杂性高和中的情境下，随着重复购买的存在以及重复购买深度的增加，扩散规模的均值都在增加；在产品复杂性低的情境下，虽然重复购买比例低的扩散规模均值略高于重复购买比例高的均值，但从两样本非参数独立检验的统计结果来看，两者均值并无显著性差异。以产品复杂性高的情境为例，当无重复购买行为时，新产品扩散规模的均值为5.1%；当重复购买比例为20%时，新产品扩散规模的均值为22.4%；而当重复购买比例为50%时，新产品扩散规模达到24.3%。以此类推，在产品复杂性中等及产品复杂性低的情境下均存在随着重复购买行为的出现，新产品扩散规模逐渐增加的趋势。通过运用SPSS v16.0对对比模型的扩散规模进行两样本非参数独立检验发现，在产品复杂性高中低的任何一种情境下，出现重复购买行为与无重复购买行为相比，其扩散规模都有显著增加(p<0.001)；而随着重复购买比例的增加，扩散规模并无显著增加(p>0.05)。因此，本文认为重复购买行为会增加新产品的扩散规模，但重复购买比例的增加却不会增加新产品的采纳人数，而只会增加销售量。

本文关注的重点是重复购买对新产品扩散规模的影响是否受到产品复杂性的调节作用。以重复购买比例为50%为例，由表3可知，当产品复杂性高时，重复购买的产品扩散规模为24.3%(S.D.=0.086)，而没有重复购买的产品扩散规模为5.1%(S.D.=0.024)，扩散规模提高了376%；当产品复杂性中等时，重复购买比非重复购买的扩散规模提高了110%；当产品复杂性低时，提高了32%。可以看出，随着产品复杂性的提高，重复购买对新产品扩散规模的影响越来越大。通过运用双因素方差分析对上述结果进行检验后发现，重复购买行为和产品复杂性对新产品创新扩散规模具有显著的正向交互作用(p<0.001)，如表4所示。因此，本文认为，重复购买行为对新产品扩散规模的影响随着产品复杂性的提高而增强。

表4 扩散规模的双因素方差分析

注： 校正模型的R2为0.950，调整后R2为0.949。

(二)扩散速度

根据表3可知，重复购买对新产品扩散速度的影响因产品复杂性情境的不同而存在一定的差异。在产品复杂性低或中等的情境下，随着重复购买行为的出现以及深度的增加，新产品的扩散速度也在逐渐加快。比如，在产品复杂性为中等的情境下，当无重复购买时，新产品扩散的平均速度是0.001 94(S.D.=0.000 21)；而当重复购买比例为20%时，新产品扩散的平均速度为0.002 44(S.D.=0.001 4)；当重复购买比例增加为50%时，平均速度提高至0.003 06(S.D.=0.001 5)。在产品复杂性低的情境下存在同样的趋势。而在产品复杂性高的情境下，当无重复购买时，新产品扩散的平均速度是0.001 05(S.D.=0.001 81)；当重复购买比例为20%时，平均速度为0.000 71(S.D.=0.000 56)；当比例提高至50%时，平均速度为0.001 4(S.D.=0.001 04)。可以看出，在产品复杂性高的情境下，重复购买对扩散速度的影响存在非线性的关系。因此，我们通过双因素方差分析研究了产品复杂性与重复购买对新产品扩散速度的交互影响，结果如表5所示。

表5 重复购买与非重复购买间扩散速度的双因素方差分析

注： 校正模型的R2为0.284，调整后R2为0.272。

根据表5可知，产品复杂性与重复购买对新产品扩散速度存在显著的交互影响(p<0.05)。根据表3，以重复购买比例为50%为例，当产品复杂性高时，重复购买时的扩散速度为0.001 4(S.D.=0.001 04)，而当无重复购买时，新产品的扩散速度是0.001 05(S.D.=0.001 81)，重复购买比非重复购买速度提高了33.33%；而当产品复杂性中等时，重复购买比非重复购买速度提高了57.73%；而当产品复杂性低时，速度提高了97.99%。由此可知，随着产品复杂性的提高，重复购买对新产品扩散速度的影响越来越低，甚至会对新产品的扩散速度产生负面影响，并且随着重复购买比例的降低，这种作用更加显著。同样，我们对比了随着重复购买比例的增加对新产品扩散速度的影响。当产品复杂性高时，重复购买比例的增加使扩散速度提高了97.18%；当产品复杂性中等时，重复购买比例的增加使扩散速度提高了25.41%；而产品复杂性低时，重复购买比例将扩散速度提高了61.64%。笔者认为，随着产品复杂性变化而产生的新产品扩散速度的非线性关系，主要是由于产品复杂性因重复购买比例的不同而对新产品扩散速度产生不同的调节效应，产品复杂性对重复购买比例低与新产品扩散速度之间的关系调节作用更强。

四、 结 论

本文的研究目的是阐释和检验重复购买行为对新产品扩散规模与扩散速度的影响机制，以及重复购买行为的这种影响是否受到产品复杂性的调节作用。以van Eck等人的模型为基础[5]，我们应用Netlogo 4.1.3编程建立了基于无标度网络结构的智能体仿真模型。本文的仿真模型从如下方面对基础模型进行了拓展：首先，引入了产品复杂性的视角研究重复购买行为与新产品扩散之间的关系；其次，通过加入负面口碑及扩散阶段的动态知识转移过程，应用三阶段模型来模拟用户的采纳行为。模型中同时纳入了信息影响和社会影响这两种重要的作用机制。

本文得到了一些与前人研究不同且有趣的结论。首先，重复购买对新产品扩散规模和扩散速度的影响并不是简单地随着重复购买比例的提高而增加。过去的研究结论往往认为重复购买的比例越高，新产品的扩散规模就越大[19-20]。然而，根据我们的研究结论，重复购买行为确实会提高新产品的扩散规模，但这种提高并不会随重复购买比例的增加而显著增加。因此，过分追求重复购买的比例只会增加新产品的销售额而不是采纳的比例，企业需要权衡提高重复购买比例而产生的营销成本与新产品销量增加所带来的收入。过去的研究对重复购买与新产品扩散速度之间的关注还较少[1]225，通过研究我们发现重复购买对新产品扩散速度的影响会根据重复购买比例的不同而存在一定不同。当重复购买比例低时，重复购买行为并不一定会提高新产品的扩散速度，甚至会降低新产品的扩散速度(如产品复杂性高时)，可能的原因是重复购买比例低时增加了潜在采纳者的判断成本，存在一定的选择障碍，从而放缓了决策过程；而当重复购买比例高时，重复购买行为会显著提高新产品的扩散速度，此时主要是由于重复购买比例增加会增强潜在采纳者的采纳信心，提高产品有用性的认知，从而加快采纳决策过程。

其次，产品复杂性在新产品扩散中发挥着非常重要的影响。根据本文的研究，产品复杂性对重复购买与新产品的扩散规模和扩散速度起到相反方向的调节作用。随着产品复杂性的提高，重复购买对新产品扩散规模的影响会逐渐增大，而对新产品扩散速度的影响则会逐渐变小，并且当重复购买比例低时，重复购买甚至会对新产品扩散速度产生负向影响。因此，企业应根据新产品扩散的不同需求及产品复杂性的不同，合理安排对重复购买成本的投入，以达到事半功倍的效果。

最后，本文还对负面口碑的敏感性进行了分析。本文模型的初始设置是新产品扩散的负面口碑强度是正面口碑的2倍，当负面口碑与正面口碑对潜在采纳者作用相同时，通过模型的运行结果*受篇幅所限，运行结果未在文中列出，若需要，可向笔者索取。我们发现，重复购买与新产品扩散速度之间的关系发生了部分变化。当产品复杂性高时，重复购买比例低与无重复购买的扩散速度无显著差异；而当产品复杂性低时，重复购买比例高与重复购买比例低的扩散速度也无显著差异。因此，当负面口碑的作用减弱时，重复购买对新产品扩散速度的影响会降低。

总体而言，本研究的发现意味着对产品复杂性越高的产品而言，需要更加重视采纳广度(即网络效应)所发挥的作用；而对产品复杂性越低的产品而言，则需要更加重视采纳深度(即重复购买行为)的作用。当然，本研究也存在一些不足之处及未来研究可以进一步拓展的方向。首先，本研究是基于仿真方法进行的，一些重要的研究结论还需要通过大样本的实证研究来检验其现实普适性；其次，本研究模型是基于无标度网络结构进行的，尽管无标度网络在新产品扩散情境下具有一定的普遍性，但在其他一些网络结构下(如小世界网络)，本文的研究发现是否会出现一些新的变化，还有待进一步的研究来检验。

[参 考 文 献]

[1]E.Kiesling， M.Günther & C.Stummer et al.， ″Agent-based Simulation of Innovation Diffusion: A Review，″CentralEuropeanJournalofOperationsResearch， Vol.20， No.2(2012)， pp.183-230．

[2]U.Chanda & A.Bardhan， ″Modelling Innovation and Imitation Sales of Products with Multiple Technological Generations，″TheJournalofHighTechnologyManagementResearch， Vol.18， No.2(2008)， pp.173-190．

[3]J.Goldenberg & S.Oreg， ″Laggards in Disguise: Resistance to Adopt and the Leapfrogging Effect，″TechnologicalForecastingandSocialChange， Vol.74， No.8(2007)， pp.1272-1281．

[4]G.Peng & J.F.Mu， ″Technology Adoption in Online Social Networks，″JournalofProductInnovationManagement， Vol.28， No.1(2011)， pp.133-145．

[5]P.S. van Eck ， W.Jager & P.S.H.Leeflang， ″Opinion Leaders’ Role in Innovation Diffusion: A Simulation Study，″JournalofProductInnovationManagement， Vol.28， No.2(2011)， pp.187-203．

[6]A.Grübler， ″Time for a Change: On the Patterns of Diffusion of Innovation，″Daedalus， Vol.125， No.3(1996)， pp.19-42．

[7]H.Gatignon， J.Eliashberg & T.S.Robertson， ″A Propositional Inventory for New Diffusion Research，″JournalofConsumerResearch， Vol.11， No.4(1985)， pp.849-867．

[8]R.Peres， E.Muller & V.Mahajan， ″Innovation Diffusion and New Product Growth Models: A Critical Review and Research Directions，″InternationalJournalofResearchinMarketing， Vol.27， No.2(2010)， pp.91-106．

[9]J.R.Bettman， M.F.Luce & J.W.Payne， ″Constructive Consumer Choice Processes，″JournalofConsumerResearch， Vol.25， No.3(1998)， pp.187-217．

[10]D.R.Wholey & J.Brittain， ″Characterizing Environmental Variation，″AcademyofManagementJournal， Vol.32， No.4(1989)， pp.867-882．

[11]R.Y.Du & W.A.Kamakura， ″Measuring Contagion in the Diffusion of Consumer Packaged Goods，″JournalofMarketingResearch， Vol.48， No.1(2011)， pp.28-47．

[12]V. Venkatesh & H. Bala， ″Technology Acceptance Model 3 and a Research Agenda on Interventions，″DecisionSciences， Vol.39， No.2(2008)， pp.273-315．

[13]P.Schreinemachers， C.Potchanasin & T.Berger et al.， ″Agent-based Modeling for Ex Ante Assessment of Tree Crop Innovations: Litchis in Northern Thailand，″AgriculturalEconomics， Vol.41， No.6(2010)， pp.519-536．

[14]R.Garcia， ″Uses of Agent-based Modeling in Innovation/New Product Development Research，″JournalofProductInnovationManagement， Vol.22， No.5(2005)， pp.380-398．

[15]D.J.Watts & P.S.Dodds， ″Influentials， Networks， and Public Opinion Formation，″JournalofConsumerResearch， Vol.34， No.4(2007)， pp.441-458．

[16]E.M.Rogers，DiffusionofInnovations， New York: Free Press， 2003．

[17]R.Reagans & B.McEvily， ″Network Structure and Knowledge Transfer: The Effects of Cohesion and Range，″AdministrativeScienceQuarterly， Vol.48， No.2(2003)， pp.240-267．

[18]J.Arndt， ″Role of Product-related Conversations in the Diffusion of a New Product，″JournalofMarketingResearch， Vol.4， No.3(1967)， pp.291-295．

[19]R.Iyengar， C.van den Bulte & T.W.Valente， ″Opinion Leadership and Social Contagion in New Product Diffusion，″MarketingScience， Vol.30， No.2(2011)， pp.195-212．

[20]H.Gatignon & T.S.Robertson， ″A Propositional Inventory for New Diffusion Research，″JournalofConsumerResearch， Vol.11， No.4(1985)， pp.849-867．