电商服务质量类在线观察学习信息对产品销量的影响

张明玺　雷明

摘要：电商服务质量与产品销售页面呈现的信息对消费者的网络购买决策具有越来越重要的影响。本文主要关注了国内最大B2C电商平台——天猫商城产品销售页面上反映电商服务质量的五个指标维度：“描述相符”、“服务态度”、“发货速度”、“退款速度”、“纠纷退款比例”，探索电商服务质量类在线观察学习信息对电子类产品销量的影响，以及这些影响如何分别受到产品市场年龄与页面位置的调节。研究发现：五个电商服务质量指标维度中，只有“描述相符”与“纠纷退款比例”在线观察学习信息对产品销量具有显著影响；产品市场年龄与页面位置仅分别对“纠纷退款比例”在线观察学习信息的产品销量影响具有显著的调节效应，且该在线观察学习信息对市场年龄较短或页面位置靠前的产品销量影响更大。

关键词：电商服务质量；在线观察学习；两交互模型

中图分类号：F8314文献标识码：A

一、引言

据中国网购市场数据显示，2014年中国网购市场交易规模已达28万亿元，同比增长487%。各类产品卖家纷纷进驻大型电商平台（以天猫商城为例，其平台上销售的手机已近6 000部），这导致消费者网络购物的信息搜索成本急剧升高。为了节约选购时间，降低购买风险，消费者的购买决策越来越多地依赖于产品销售页面所呈现的信息，比如网络口碑信息（Chevalier & Mayzlin，2006；Gu et al，2012）。由于羊群效应的存在（Banerjee，1992；Bikhchandani et al，1992），个体消费者倾向于参考前人行为以做出有关产品质量的推断（Foster & Rosenzweig，1995），所以产品销售页面呈现的在线观察学习（Observational Learning，OL）信息对消费者购买行为具有重要影响（Chen et al，2011）。然而，在线OL信息不同于网络口碑信息，后者通常既包含已购物消费者的总体评价，也包含做出每条评价的理由（Chen et al，2011），如在线点评；前者仅揭示已购物消费者购买行为产生的综合结果，但并不呈现每笔购买发生的理由（Bikhchandani et al，1998），具有一定的统计属性，如销售排行榜。

为了向潜在消费者提供更多有价值的参考信息，国内大型B2C电商平台在产品销售页面陈列了各种在线OL信息，如京东商城按同价位、同品牌与同类别呈现了三种“排行榜”类在线OL信息。而作为国内最大的B2C电商平台，天猫商城则提供了另一类在线OL信息——电商服务质量（E-commerce Service Quality， e-SQ），它是指虚拟市场中顾客对电子服务交付质量的综合评价与判断（Santos，2003）。许多具有成功电子商务经验的企业已开始意识到经营成败的关键不只是网页内容展示与低价策略，还包括电商服务质量（Yang，2001；Zeithaml，2002），它甚至被认为是在线零售商追求长期绩效与成功最重要的决定因素（Zeithaml，2002；Fassnacht & Koese，2006；Wolfinbarger & Gilly，2003）。改进e-SQ可提高顾客满意度与忠诚度（Chang et al，2009），极大地提高公司的竞争力（Oliveira et al，2002）。这暗示着e-SQ的高低将直接影响在线消费者的购买意愿，进而影响产品的受欢迎程度。

正是基于观察学习现象的广泛存在，以及e-SQ对消费者购买行为影响的相关理论，本文主要研究大型B2C电商平台上e-SQ类在线观察学习信息对产品销量的影响。关于e-SQ理论的研究，目前仍处于早期阶段（Santos，2003；Fassnacht & Kese，2006；Cristobal et al，2007），大多数学者试图提出具有广泛适应性的指标量表。结合对网络服务质量的研究，Parasuraman等（2005）构建的e-SQ指标量表包含七个维度：有效性、系统可用性、完成性、私密性、响应性、补偿性与接触性，其中前四个被称为核心e-SQ维度，后三个被称为售后e-SQ维度。Ladhari（2010）在回顾各种e-SQ评价模型的基础上，指出其主要维度包括：可靠性/完成性、响应性、使用容易、私密性/安全性、网页设计、信息质量。本研究只关注基于产品层面的e-SQ维度对产品销量的影响，如可靠性（完成性）与响应性，而对反映平台层面的e-SQ维度不予关注，如网页设计、私密性等①。关于e-SQ与顾客购买意愿（满意度）之间关系的研究，已有文献主要侧重于讨论顾客亲身感受的服务质量对其自身购买行为的影响（Cristobal et al，2007；Fassnacht & Kse，2007；Ho & Lee，2007；Lee & Lin，2005），而本研究侧重于探索卖家过去的服务质量综合水平对后续顾客购买产品决策的影响。结合实证数据所选电商平台（天猫商城）产品销售页面的特征，本研究将重点关注e-SQ的五个维度：“描述相符”②、“服务态度”、“发货速度”、“退款速度”与“纠纷退款比例”，探讨e-SQ这五个维度的在线OL信息对产品销量的影响，以及这些影响是否分别受到产品所在页面位置与市场年龄的调节。

二、研究設计

（一）数据来源

本研究实证分析将基于一个面板数据展开，数据源于国内最大的B2C电子商务网站——天猫商城。不同于绝大多数类似研究均只选择一种产品作为实证对象，如书籍（Chevalier & Mayzlin，2006）、电影（Duan et al，2008）、数码相机（Gu et al，2012），本文选择笔记本与平板电脑两类电子产品作为实证对象，这种多类产品形成的样本能提高实证结论的普遍性。借助网页数据采集工具③，抓取页面相关数据，每周抓取一次。为保证所有产品信息尽可能在同一时间获取，防止销售页面信息更新导致数据误差，本研究每次均选择在周一凌晨00：00-6：00之间收集数据，该时间段内顾客购买行为不活跃，产品销售页面信息相对静止。数据收集时间跨度为2013年7月15日至2014年1月13日，持续近半年，共27周，每周均将天猫商城上销售的所有笔记本④与平板电脑相关数据采集下来。由于商城产品上下架更新频繁，平均每周上架与下架产品分别超过200种，甚至会出现下架几周后又重新上架的现象，所以本研究实证样本是一个非平衡面板数据。删除无效或异常数据后，有效样本共10 508条，其中笔记本有4 556条，包含1 142款产品；平板电脑有5 952条，包含1 303款产品。不难发现，有效样本中无论是笔记本还是平板电脑，单个产品经历的平均周数均较短（前者约为40周，后者约为46周），导致该现象的一个重要原因是：本研究在数据处理时仅包含周销量大于零的样本，其目的主要是为了保证时间序列分析的有效性（Lu et al，2013），而实际上天猫商城中大量在售产品的周销量均为0，尤其是陈列位置比较靠后的商品。

（二）变量定义

因变量。当前绝大多数类似研究均因电商平台销售页面未提供销量信息，而选择产品销售排名代替产品销量作为因变量（Gu et al，2012；Chevalier & Goolsbee，2003；Ghose，2009）。不同于亚马逊、京东商城等国内外知名电商平台出于商业机密的考虑，均未在销售页面提供任何有关产品销量的信息，天猫商城是目前我们所了解的唯一提供产品销量信息的大型B2C电商平台，根据其页面提供的累计售出量信息，做差即可得到产品每周销量。因此，本研究将以产品周销量（Wsales）作为因变量。

自变量。本研究的自变量是销售页面反映e-SQ的五个指标：“描述相符”（Depict）、“服务态度”（Service）、“发货速度”（Delivery）、“退货速度”（Refund）和“纠纷退款比例”（P_dispute），它们均属于在线OL信息。其中前三个指标主要反映售前e-SQ⑤，后两个指标主要反映售后e-SQ，其在销售页面的具体呈现方式如图1所示⑥。根据已有文献设计的e-SQ量表，“描述相符”与“发货速度”可看做属于完成性（Fulfillment）（Parasuraman et al，2005）或可靠性（Reliability）（Wolfinbarger & Gilly，2003；Lee & Lin，2005）维度的指标；“退款速度”与“纠纷退款”可看做属于响应性（Responsiveness）维度的指标（Parasuraman et al，2005）；“服务态度”可看做一个综合性指标。Ladhari（2010）通过回顾有关e-SQ评级模型的文献，确定可靠性与响应性是e-SQ的关键度量维度，这暗示着本研究选取的变量在一定程度上捕捉到了e-SQ的核心指标，有助于提升实证结论的价值。前三个指标均由产品购买者主观评分产生，电商平台产品销售页面将呈现出每个指标与同行业相比的值（如“描述相符”与同行业相比高于1226%），具体计算规则为：（卖家店铺得分-同行业平均分）/（同行业店铺最高得分-同行业平均分）。若“高于”，则为正数；若“持平”，则等于0；若“低于”，则为负数。后两个指标由电商平台系统客观统计产生，其中，“退款速度”采用与同行业平均水平比较的绝对值来衡量，即卖家店铺退货速度-同行业平均退货速度，若“快多少天”，则为正数；若“慢多少天”则为负数。关于“纠纷退款”，天猫商城产品销售页面呈现近30天内发生纠纷退款的笔数，由于发生纠纷退款的笔数与产品月销量有直接关系，月销量越大，纠纷退款笔数可能也越大，但这并不意味着是负面信息，所以为了更加合理研究该指标对产品销量的影响，本研究将用月成交记录作为纠纷退款的加权来衡量该指标，并将其称为“纠纷退款比例”。

控制变量。除了产品价格（Price）之外，本研究分别用产品已上市时间、页面位置排名⑦和数据收集当周是否含有节假日⑧来分别控制产品市场年龄（Age）、页面位置（Rank或Page）、节假日（Holiday）这些容易对销量产生影响的外界因素。此外，产品所处的竞争环境是另一个需要控制的重要因素，本研究将从价格角度衡量竞争环境的强弱，并以当前页面产品价格上下浮动20%范围内其他在售产品的总数来衡量当前页面产品面临的市场竞争强度（Compete）⑨。

上述所有因变量、自变量与控制变量的具体定义与描述如表1所示。

（三）变量描述性统计与相关分析

表2对本研究涉及的关键变量进行了描述性统计。从表2不难发现除了虚拟变量Holiday之外，因变量与所有控制变量的最小值与最大值之间相差均较大，这将导致变量的偏度与峰度均较大，而过大的峰度与偏度容易使得估计结果不稳定，进而引起实证结论不可靠。此外，一般来说，页面位置、市场年龄、价格、竞争强度这些控制变量对产品销量的影响往往存在边际递减效应。所以，借鉴Chevalier & Mayzlin（2006）等其他类似研究的处理方法，本研究将对上述变量取对数，以克服因偏度与峰度过大可能带来的估计误差，并更好地揭示上述控制变量对销量影响的边际递减效应。

此外，表2也显示，解释变量Refund、P_dispute的最大值与最小值均相差悬殊。通过进一步观察数据样本，我们发现导致这两个变量偏度与峰度均较大⑩的原因是存在极少数电商平台卖家的“退款速度”或“纠纷退款”极大地远离均值，甚至与常理不相符（如“退款速度”比行业平均水平慢782天，近30天内发生的“纠纷退款”笔数是月成交量的55倍），为了消除这些少数特殊样本可能对回归结果造成的影响，本研究将删除这些异常数据。

表3描述了本研究實证模型中所有变量之间的相关性。不难发现，衡量售前e-SQ的三个在线OL信息变量Depict、Service和Delivery之间高度相关。为了避免因多重共线性问题导致回归系数估计存在误差，本研究将运用三个回归方程分别研究每个变量对产品销量的影响，每个方程中仅包含上述三个变量中的一个。此外，表3也显示，衡量产品所在页面位置的两个变量（Ln_rank与Ln_page）之间高度相关（相关系数为096），故下文实证分析中，本研究将用变量Ln_rank来控制产品所处页面位置，因为Ln_rank比Ln_page提供了更多有关页面位置的信息。

与方程（1）类似，方程（2）也相当于是三个回归方程。方程（2）中电商服务质量的五个维度分别与Ln_age或Ln_rank的交叉乘积项是用来衡量产品市场年龄与页面位置是否对e-SQ类在线OL信息产品销量的影响具有调节效应。本研究将主要利用两交互（Two-way Interaction）线性回归模型中的简单斜率检测（Simple Slope Tests）方法来分析这种调节效应。

三、实证结果与分析

本研究将采用面板数据的固定效应模型B12进行参数估计，且估计时均采用聚类稳健性标准差，而非普通标准差B13。首先，借助回归方程（1）得到电商服务质量五个维度在线OL信息变量对产品销量影响的主效应估计结果，如表4中研究1所示。然后，借助回归方程（2）得到产品市场年龄与页面位置分别对上述影响的调节效应估计结果，如表4中研究2所示。

（一）e-SQ类在线OL信息对产品销量的影响（主效应）

表4中研究1显示，在衡量售前e-SQ的三个指标中，“描述相符”对产品销量具有显著的正向影响，系数估计值为0549，这意味着与同行业平均水平相比，产品页面信息和实际情况的相符程度每提高1个百分点，产品销量将平均增加0549个百分点。一种可能的解释是：页面信息描述相符程度直接反映了卖家所提供信息（如色差、质量等）的真实性与可靠性，这些都是顾客做出购买决策的重要依据，一旦“描述相符”得分较低，则意味着卖家可能在制造虚假信息以粉饰商品性价比，这将降低潜在顾客的购买意愿。此外，当前各种网络造假新闻层出不穷，消费者购买产品前对页面信息的真实性会更加警觉与重视，这些因素均导致了“描述相符”对消费者的购买行为具有重要的参考价值，进而影响产品销量。“服务态度”对产品销量没有显著影响，一种可能的解释是：作为国内最大的B2C电商平台，天猫商城承诺提供100%优质服务，目前每个店铺卖家均成立了专门的在线客服团队，其对潜在顾客在线咨询的问题均非常友好地做出回答，这使得卖家在服务态度方面不具有很强的异质性，以致“服务态度”对消费者购买决策影响不大，进而对产品销量影响不显著。“发货速度”对产品销量也不具有显著影响，一种可能的解释是：随着国内物流网络日益发达，顾客一般下单2-3天后货物即可送达，网购消费者对卖家发货速度具有较强的预期；另外，越来越频繁的网上购物也极大地降低了消费者收货的迫切性，这两方面因素使“发货速度”对消费者购买决策影响不大，进而对产品销量影响不显著。

在衡量售后e-SQ的两个指标中，“退款速度”对产品销量没有显著影响，而“纠纷退款比例”对产品销量具有显著的负向影响，系数估计值为-0467，这意味着卖家的“纠纷退款比例”每降低1个百分点，产品销量将增加0467个百分点。这可能是因为：当发生退款时，消费者更关心卖家是否会完整退还购买款，而对早一天或晚一天完成退款并不太在意，故“退款速度”对潜在消费者的购买意愿影响不显著。如果卖家“纠纷退款比例”较高，则意味着消费者一旦对所购商品不满意，申请退货成功的概率将较低，这将极大地降低潜在消费者对卖家售后服务水平的信赖程度，进而影响其当前购买决策，故“纠纷退款比例”对产品销量具有显著影响。

此外，表4中研究1還显示，控制变量产品的市场年龄、页面位置、销售价格均对销量具有显著的负向影响，当周是否含有节假日与市场竞争强度对产品销量具有显著的正向影响。一般来说，产品面临的市场竞争强度越大，其销量应该越小，即竞争强度对产品销量应该具有负向影响，但本研究发现的结论却与之相反。一个重要的原因是：对于天猫商城上销售的笔记本与平板电脑，大多数产品价格均集中在各自均值附近，价格过低或过高的产品虽然面临的市场竞争强度较低，但前者可能质量不高，后者可能性价比偏低，最终导致消费者对其购买意愿均不强，反而处于均值附近的商品更能获得消费者的青睐，所以才会出现市场竞争强度对产品销量具有正向影响的实证结果。

（二）e-SQ类在线OL信息对产品销量的影响（调节效应）

表4中研究2显示，产品市场年龄（Ln_age）与页面位置（Ln_rank）对售前e-SQ维度的在线OL信息（如“描述相符”、“服务态度”、“发货速度”）销量影响均没有显著的调节效应；对售后e-SQ维度的“退款速度”在线OL信息来说，产品市场年龄对其销量影响具有显著调节效应，产品页面位置对其销量影响不具有显著调节效应；对售后e-SQ维度的“纠纷退款比例”在线OL信息来说，产品市场年龄与页面位置对其销量影响均具有显著调节效应。

为了进一步解释并分析这些显著的两交互变量，以揭示产品参与性与市场年龄分别对e-SQ类在线OL信息销量影响的内在调节机制，本研究将借助网站wwwjeremydawsoncom/slopeshtm提供的一个文件名为2-way_with_all_optionsxls的在线资源B14，描绘这些显著的调节效应图，具体如图2至图4所示B15。

图3与图4显示，无论产品市场年龄较短还是较长，页面位置靠前还是靠后，“纠纷退款比例”对产品销量的影响均是负向的B16。这意味着研究1中揭示的“纠纷退款比例”对产品销量影响的主效应不会随着产品市场年龄（较长或较短）或页面位置（靠前或靠后）而改变方向。此外，“纠纷退款比例”对市场年龄较短（页面位置靠前）与较长（靠后）产品的销量影响之间存在显著差异B17。

上述调节效应图虽然能从定性角度看出在不同市场年龄或页面位置情况下，“退款速度”与“纠纷退款比例”对产品销量影响的方向与相对大小，但仍无法度量在不同市场年龄或页面位置情况下，图2至图4中“退款速度”与“纠纷退款比例”对产品销量影响的具体大小及其显著性。为了回答该问题，本研究将运用简单斜率检测方法计算图2至图4中各直线斜率大小，以及与水平轴（斜率为0）之间的差异性，结果如表5所示。

表5显示，“退款速度”对市场年龄较短或较长产品的销量均不具有显著影响（p=0464， 0791），这与回归模型（1）揭示的“退款速度”对产品销量影响的主效应不显著的结论一致。此外，无论产品市场年龄较短还是较长，页面位置靠前还是靠后，“纠纷退款比例”对产品销量均具有显著负向影响（p=0004， 0014， 0000， 0000）。一种可能的解释是：电子产品属于典型高参与性（High-involvement）产品，潜在消费者往往对其具有较大的购买感知风险（Hoyer & Macinnis，2008），购买决策的失误可能导致消费者需要花费大量额外时间和精力来处理退货退款问题（Laurent & Kapferer，1985），为了避免售后过程中遇到不必要的财务纠纷，消费者在购买前会提高对卖家过去处理退款问题口碑的关注程度。所以，对任意市场年龄或页面位置的产品，e-SQ中反映购买风险的“纠纷退款比例”均能显著地影响消费者购买意愿，进而影响产品销量。

表5也显示，相对于市场年龄较长的产品，“纠纷退款比例”对市场年龄较短产品的销量影响更大（斜率=-2207，-2609）。一种可能的解释是：当电子类产品上架时间较短时，潜在消费者对产品质量、性能等相关信息一般了解较少，倾向于在做出购买决策前进行广泛的信息搜索（Clarke & Belk，1979），以降低购买产品的感知风险，于是会对“纠纷退款比例”在线OL信息给予更高的重视。当电子类产品上市时间较长时，各种其他营销渠道（如广告、同僚推荐等）提供的公开信息会极大地帮助顾客提高对产品性价比、质量等方面的判断，对退款风险也有一定的评估，使得其对“纠纷退款比例”这种反映购买风险的在线OL信息的依赖程度减弱（Bikhchandani et al，1992）。因此，相对于市场年龄较长产品，“纠纷退款比例”对市场年龄较短产品的销量影响更大。

表5还显示，相对于页面位置靠后的产品，“纠纷退款比例”对页面位置靠前产品的销量影响更大（斜率=-1131，-1844）。一种可能的解释是：由于消费者偏好容易受到产品展示形式的影响（Hong et al，2004），当面对某类产品（如笔记本）的搜索结果页面时，消费者通常按照页面陈列方式，从前至后逐页顺序浏览产品，且一般不会详尽浏览所有页面产品（Lohse & Spiller，1998）。当看到初步中意的某款商品后，才会通过点击链接进入该款产品销售页面，这时各种电商服务质量类在线OL信息将被关注，这意味着处于页面位置越靠前的产品，其销售页面的在线OL信息将拥有更大的概率被潜在消费者参考。因此，产品页面位置越靠前，其销售页面中电商服务质量类OL信息（如“纠纷退款比例”）会受到更多消费者关注，其对产品销量影响也随之更大。

四、启示与不足

本文的研究发现为大型B2C电商平台上的网络卖家提供了以下管理启示：（1）网络卖家对e-SQ不同指标维度应给予差异化关注程度，特别应加大对“描述相符”和“纠纷退款比例”这两个指标维度变化的重视。任何试图在销售页面提供与实际产品不相符的信息均需要慎重，任何可能导致纠纷退款的事件均应给予高度关注，尽可能避免产生纠纷退款记录。（2）相对于上架晚期（或页面位置靠后）的产品来说，卖家对处于上架早期（或页面位置靠前）的产品，提升其e-SQ指标维度——“纠纷退款比例”在线OL信息的表现水平，可获得更大的销量回报。而对于e-SQ指标维度——“描述相符”在线OL信息的表现水平，无论产品市场年龄较短或较长，产品页面位置靠前还是靠后，卖家都应给予同等的重视程度。（3）网络卖家在提高e-SQ水平时，需根据所售电子产品的类型采取一定的差异化策略。仅以本文实证样本为例，卖家应重点针对市场年龄较短的笔记本和页面位置靠前的平板电脑产品，改进其e-SQ指标维度——“纠纷退款比例”在线OL信息的表现水平，这样可在营销资源受限的情况下，获取更大投资回报。

当然，本研究也存在一些不足之处：（1）实证样本仅收集了笔记本与平板电脑两类电子产品，这使得本文研究结论的普遍性还有待提高，包含更多其他类电子产品将有助于更加全面地评估大型B2C电商平台e-SQ类在线OL信息对电子类产品销量的影响。（2）实证样本仅包含来自一个B2C电商平台的产品，然而现实中消费者进行网络购物时，往往会参考其他平台（如其他电商平台、综合性比价网等）信息，这意味着当没有控制这种跨平台信息对当前平台产品销量的影响時，可能导致估计结果存在偏差。因此，选择同时销售在两个同级别电商平台的产品作为实证样本，借助对照样本研究e-SQ类在线OL信息对产品销量的影响（或动态交互影响），将极大地提高实证结论的有效性。（3）由于售前e-SQ指标维度——“描述相符”、“服务态度”和“发货速度”之间具有较高的相关性，本研究采用三个独立方程分别来估计其对产品销量的影响，但消费者对这三个维度的评分是同时进行的，往往具有一定的关联性。也就是说，可能存在一些不可观测的因素（如个人偏好）同时对这三个维度得分造成影响，即这三个方程的扰动项可能存在相关性。所以，对这三个方程进行联合估计，可能会提高估计效率。（4）由于实证数据源于国内最大的B2C电商平台——天猫商城，该商城的付款途径时基于第三方支付平台——支付宝，其具有极高的支付信用，这使得消费者不用担心出现类似退货不退款的纠纷，这才会有实证结果中“退款速度”对产品销量不具有显著影响，但这并不意味着在其他网络购物平台中，消费者对退款速度不在意，所以本研究揭示的e-SQ类在线OL信息对产品销量的影响主要限于具有良好商誉的大型网购商城。

注释：

①由于本文选择天猫商城作为实证数据来源，而该电商平台淡化了商城店铺的个性特征，对产品销售页面进行统一设计，突出商城的整体形象，并承诺提供100%品质保证，要求加入平台的店铺必须是在工商部门注册的公司，或各大品牌的正规授权代理商，所以不同产品卖家的网页设计、有效性与私密性不存在明显差异。

②该指标用于反映销售页面描述的产品信息与顾客实际买到的产品特征之间的一致性，如色差、功能等。

③本研究使用的网页数据采集工具名为“火车头数据采集器”，它是目前国内使用最为广泛的页面数据采集软件，有关该软件的详细介绍请参考网站：http：//wwwlocoycom/。

④为排除屏幕尺寸大小带来的影响，本研究实际上仅收集天猫商城上销售的所有14寸笔记本（约占所有笔记本的50%）的相关数据。

⑤目前，天猫商城要求买家对这三项指标的评分必须在交易成功后15天内完成，逾期未打分则视为放弃。对每个月相同买家与卖家之间的交易，卖家店铺评分仅计取前三次，销售页面呈现的指标得分为近6个月所有买家打分的综合值。

⑥反映售前e-SQ的三个指标在产品销售页面将呈现两次，第一次出现在销售页面开头位置左侧区域（呈现形式如图1中左侧所示），第二次出现在销售页面描述“累计评价”区域之后（呈现形式如图1中右侧所示）。此外，反映售后e-SQ的指标还包括：“近30天投诉率”与“处罚情况”（如图1所示），但这两个指标对大多数产品均相同（即近30天内投诉率与处罚情况均为0），所以其未被包含在本研究的模型中。

⑦目前，天貓商城产品搜索结果页面，每页陈列60种商品，本研究将采用两个变量（Rank和Page）度量产品的页面位置，其具体定义参见表1。

⑧本研究将法定节假日与电商节假日（如“双11”、“双12”）均看做节假日同等对待。

⑨本研究对用当前销售页面产品价格上下浮动10%、15%、25%、30%范围内其他在销售产品总数衡量竞争强度的情况也进行了考虑，从定性角度来看，它们均不影响估计结果。

⑩前者偏度为-1022，峰度为25603；后者偏度为2035，峰度为64852。

B11实际上，本文也用各解释变量的期末值或当周平均值来进行回归分析，回归结果显示：从定性角度来看，其结论与文中用期初值进行回归得到的结论一致。

B12通过BP检验（原假设H0：不存在个体效应），我们发现p=0000，即数据样本存在个体效应，所以随机效应模型优于混合OLS模型。进一步通过Hausman检验（原假设H0：个体效应与所有解释变量均不相关），我们发现p=0000，即个体效应至少与某个解释变量存在显著相关性，所以固定效应模型又优于随机效应模型。

B13普通标准差假设干扰项服从独立同分布，聚类稳健标准差考虑了干扰项存在个体组内自相关，对估计系数的标准差进行调整，所以两种情况下估计的系数相同，但标准差存在差异。一般情况下后者的标准差大于前者的标准差，估计结果（如t值、F值）更不容易显著，但其估计结果更加有效。

B14该在线资源由Dawson 与 Richter于2006年开发完成，其目的是基于回归结果与估计系数方差协方差矩阵数据绘制调节效应图，并完成简单斜率检测，以图形化方式直观展现调节因子对主效应的调节方式。

B15本文所有调节效应图与简单斜率检测所需数据均基于表4研究2中模型1的回归结果，若基于研究2中模型2（模型3）的回归结果，从定性角度来看，得到的调节效应图与简单斜率检测与文中完全一致。此外，根据绘制调节效应图中对连续变量的惯用处理方式，图2至图4中“退款速度”较慢（较快）、“纠纷退款比例”较低（较高）、市场年龄较短（较长）、页面位置靠前（靠后）分别表示变量“退款速度”、“纠纷退款比例”、市场年龄、页面位置均值之下（之上）一个标准差。

B16由于表5中简单斜率检测显示，无论市场年龄较短还是较长，“退款速度”对产品销量的影响均不显著，所以这里未提及“退款速度”对产品销量影响的方向。

B17Dawson（2014）指出，对于两交互模型，交叉项显著即意味着解释变量对被解释变量的影响在调节变量（相当于本研究中的产品市场年龄、页面位置）不同取值情况下存在显著差异。

参考文献：

[1]Banerjee A. A simple model of herd behavior[J].Quarterly Journal of Economics，1992，107（3）：797-817.

[2]Bikhchandani S，Hirshleifer D，Welch I. A theory of fads，fashion，custom，and cultural change as informational cascades[J].Journal of Political Economy，1992，100（5）：992-1026.

[3]Bikhchandani S，Hirshleifer D，Welch I. Learning from the behavior of others： conformity，fads，and informational cascades[J].Journal of Economic Perspectives，1998，12（3）：151-170.

[4]Chang H H，Wang Y，Yang W. The impact of e-service quality，customer satisfaction and loyalty on e-marketing： Moderating effect of perceived value[J].Total Quality Management，2009，20（4）：423-443.

[5]Chen Y，Wang Q，Xie J. Online social interactions： a natural experiment on word of mouth versus observational learning[J].Journal of Marketing Research，2011，48（2）：238-254.

[6]Chevalier J，Goolsbee A. Measuring prices and price competition online： Amazon.com and BarnesandNoble.com[J].Quantitative Marketing and Economics，2003，1（2）：203-222.

[7]Chevalier J，Mayzlin D. The effect of word of mouth on sales： online book reviews[J].Journal of Marketing Research，2006，43（3）：345-354.

[8]Clarke K，Belk R W. The effects of product involvement and task definition on anticipated consumer effort[J].Advances in Consumer Research，1979，6（1）：313-318.

[9]Cristobal E，Flavian C，Guinaliu M. Perceived e-service quality（PeSQ）： measurement validation and effects on consumer satisfaction and web site loyalty[J].Managing Service Quality，2007，17（3）：317-340.

[10]Dawson J F. Moderation in management research：What，why，when，and how[J].Journal of Business Psychology，2014，29（1）：1-19.

[11]Duan W，Gu B，Whinston A B. The dynamics of online word-of-mouth and product sales-an empirical investigation of the movie industry[J].Journal of Retailing，2008，84（2）：233-242.

[12]Fassnacht M，Kse I. Consequences of Web-based service quality： Uncovering a multi-faceted chain of effects[J].Journal of Interactive Marketing，2007，21（3）：35-54.

[13]Fassnacht M，Koese I. Quality of electronic services： conceptualizing and testing a hierarchical model[J].Journal of Service Research，2006，9（1）：19-37.

[14]Foster A D，Rosenzweig M R. Learning by doing and learning from others：Human capital and technical change in agriculture[J].Journal of Political Economy，1995，103（6）：1176-1209.

[15]Ghose A. Internet exchanges for used goods： An empirical analysis of trade patterns and adverse selection[J].MIS Quarterly，2009，33（2）：263-291.

[16]Gu B，Park J，Konana P. The impact of external word-of-mouth sources on retailer sales of high-involvement products[J].Information Systems Research，2012，23（1）：182-196.

[17]Ho C I，Lee Y L. The development of an e-travel service quality scale[J].Tourism Management，2007，28（6）：1434-1449.

[18]Hong W，Thong J，Tam K Y. Designing product listing pages on e-commerce websites： an examination of presentation mode and information format[J].International Journal of Human-Computer Studies，2004，61（4）：481-503.

[19]Hoyer W D，Macinnis D H. Consumer Behavior，5th ed[M].South-Western，Mason，OH，2008.

[20]Ladhari R. Developing e-service quality scales： A literature review[J].Journal of Retailing and Consumer Services，2010，17（6）：464-477.

[21]Laurent G，Kapferer J. Measuring consumer involvement profiles[J].Journal of Marketing Research，1985，22（1）：41-53.

[22]Lee G，Lin H. Customer perceptions of e-service quality in online shopping[J].International Journal of Retail and Distribution Management，2005，33（2）：161-176.

[23]Lohse G L，Spiller P. Electronic shopping[J].Communications of the ACM，1998，41（7）：81-87.

[24]Lu X，Ba S，Huang L，Feng Y. Promotional marketing of word-of-mouth？ Evidence from online restaurant reviews[J].Information System Research，2013，24（3）：596-612.

[25]Oliveira P，Roth A V，Gilland W. Achieving competitive capabilities in e-services[J].Technological Forecasting & Social Change，2002，69（7）：721-739.

[26]Parasuraman A，Zeithaml V A，Malhotra A. E-S-Qual： a multiple-item scale for assessing electronic service quality[J].Journal of Service Research，2005，7（3）：213-233.

[27]Santos J. E-service quality： a model of virtual service quality dimension[J].Managing Service Quality，2003，13（3）：233-246.

[28]Wolfinbarger M，Gilly M C. eTailQ：dimensionalizing，measuring and predicting retail quality[J].Journal of Retailing，2003，79（3）：183-198.

[29]Yang Z. Customer perceptions of service quality in internet-based electronic commerce[C].Proceedings of the 30th EMAC Conference，Bergen，2001.

[30]Zeithaml V A. Service excellent in electronic channels[J].Managing Service Quality，2002，12（3）：135-139.

Abstract：E-commerce service quality （e-SQ） and information shown on product sales pages have more and more important effects on consumers′ online purchase decisions. This paper mainly concerns five index dimensions of e-SQ on product sales pages from the largest B2C e-commerce platform named Tmall.com： “description consistency”， “service attitude”， “delivery speed”， “refund speed” and “dispute refund proportion”， explores the impact of online observational learning （OL） information reflecting e-SQ on electronic product （such as notebook and tablet PC） sales， and how these effects are moderated by product market age and page location， respectively. Through an empirical analysis based on a panel data with span of nearly half a year， the paper finds that among five e-SQ index dimensions mentioned above， the online OL information only reflecting “description consistency” and “dispute refund proportion” have significant effects on sales performance； product market age and page location can only significantly moderate the effect of the online OL information reflecting “dispute refund proportion” on sales performance， respectively，and the magnitude of this effect is larger when product market age is shorter or page location is higher.

Key words：e-commerce service quality；online observational learning； two-way interaction model

（責任编辑：张曦）