在线社交对消费者需求的影响研究——基于网络视频产业的实证分析

龚诗阳，李 倩，余承锬

(1.对外经济贸易大学国际商学院，北京 100029； 2.北京外国语大学国际商学院，北京 100089)



在线社交对消费者需求的影响研究
——基于网络视频产业的实证分析

龚诗阳1，李 倩2，余承锬1

(1.对外经济贸易大学国际商学院，北京 100029； 2.北京外国语大学国际商学院，北京 100089)

本文围绕“在线社交是否会影响消费者需求”这一核心问题，从两个国内知名的视频网站上收集了2015-2016年发布的110部视频节目的客观数据，通过建立计量模型开展了一项探索性的实证研究。研究结果表明，在线社交对消费者需求具有显著的正向影响作用。具体而言，在线社交数量每提升1%，消费者需求将增加约0.5%。此外，我们还发现，第三方评论网站的节目评分对在线社交的影响效果具有负向调节作用：对于评分较低的视频节目，在线社交对消费者需求的影响较大；而对于评分较高的节目，在线社交对消费者需求的影响效果则有所下降。最后，本文基于研究结论对相关企业和行业的发展提供了管理建议。

在线社交；收视行为；网络视频；用户生成内容；实证研究

一、引言

近年来，随着互联网和移动智能设备的广泛普及，以网络视频产业为代表的文化创意产业蓬勃发展。中国消费者对文化创意产品的消费需求也逐渐由传统媒体转移至网络媒体。根据中国互联网信息中心(CNNIC)的最新统计报告，截至2016年12月，中国网民规模已达到7.31亿，手机网民规模达6.95亿，互联网普及率为53.2%。中国网络视频行业的市场规模也在2016年度迅速增长至609亿元，越来越多的企业开始涉足这一成长性的新兴领域。

在互联网环境中，用户的收视行为也在发生重要的改变。越来越多的用户喜欢在收看视频节目的同时与其他用户进行在线社交[1]。在2015年，尼尔森公司开展了一项针对全球收视用户的问卷调研。其中，超过一半(53%)用户回答，他们收看视频节目的乐趣在于可以获得话题与其他用户进行在线聊天；接近一半(49%)用户提出，如果视频网站提供社交媒体的接入，他们会收看更多节目[2]。

在这一新趋势下，很多视频网站开始鼓励和管理在线社交。所以，“弹幕”这一网络视频行业的流行功能也就应运而生。“弹幕”是指用户在观看视频节目时发布的简短文字信息，可以实时出现在节目画面上以达到与其他观众进行在线社交的目的。如图1所示，自2014年以来，“弹幕”一词的网络搜索量呈逐年上升的趋势，说明这一新兴的在线社交模式越来越受到各界的关注。最近几年，国内大部分视频网站(优酷、乐视、Acfun、Bilibili等)均开始使用基于弹幕的在线社交功能，众多相关企业(内容提供商、广告商、社交媒体等)也开始围绕这一模式开发新的产品和商业模式。

图1 “弹幕”的谷歌搜索趋势

然而，学术界对在线社交的影响效果和经济价值的研究却并不多见，一些重要的问题亟待解答。首先，一个最基本的问题是，在线社交是否能显著地影响消费者的收视需求？如果能，应该如何准确地量化在线社交的影响效果？其次，在线社交究竟对哪些视频节目更加有效？目前，越来越多的第三方评论网站(例如，IMDB、豆瓣网等)开始鼓励观众对影视节目进行在线评分，而观众对不同节目的评分通常有较大差异。那么，节目评分的高低是否会对在线社交的效果产生调节作用？为回答上述一系列问题，本文基于国内两家知名视频网站的数据，通过建立计量模型进行了一项探索性的实证研究。

二、文献回顾与研究假设

(一)在线社交对节目收视需求的影响

在互联网普及之前，学术界对用户收视行为的研究主要集中于探索影响电视节目收视率的相关因素。随着互联网的发展，研究逐步开始关注用户的线上行为与收视行为之间的关系。例如，Joo等(2014)、Liaukonyte等(2015)的研究发现，用户的在线搜索行为和线上购物行为均与用户的收视行为相关[3-4]。Fossen和Schweidel(2016)的一项研究初步证明了在线社交与节目收视之间的关联[5]。他们发现，视频节目和广告的收视会促进用户在Twitter网站上实时地发布相关的口碑信息，但是，在线社交数量最多的节目却并不是广告效果最好的节目。这项研究考察了节目收视率对在线社交的直接影响，但未涉及在线社交是否会进一步提升节目收视这一问题。

那么，在线社交究竟会如何影响节目的收视需求呢？近期的营销研究发现，当消费者在与他人共同观看视频节目时，人际之间的互动和沟通会满足消费者对归属感的需求(need to belong)和对节目内容的精确性需求(need for accuracy)，从而提升节目收视过程中的愉悦感[6]。所以，在线社交可能通过提升用户观看节目时的愉悦感来提升节目收视率。其次，在线社交在本质上是观众在观看视频节目时所发布的线上口碑(online word-of-mouth)。众多有关口碑的研究指出，线上口碑可以通过吸引消费者知晓[7]或说服消费者改变态度来增加消费者的参与或购买行为[8-9]。因此，在线社交也可能通过口碑的知晓效应或说服效应来提升节目的收视率。此外，也有研究认为，在线社交可能会造成节目剧情提前被其他观众泄露，从而降低观众的收视体验和节目收视率[10]。不过，总体而言，我们仍认为在线社交对节目收视率的正向影响大于由潜在的剧透效应带来的负向影响。因此综上所述，我们提出研究假设H1：

H1：在线社交对网络视频节目的收视需求有显著的正向影响。

(二)节目评分对在线社交效果的调节作用

在互联网时代，对于影视节目这类体验型产品，一个非常重要的变化是消费者可以在很多第三方评论网站(例如，IMDB、豆瓣网等)对节目进行评分[11]。很多相关的研究均发现影视类节目的线上评分对消费者的态度和行为有重要的影响。例如，Chintagunta等(2010)研究了美国各个区域市场的票房销售情况，发现线上评分的高低是最重要的影响因素[12]。Gopinath等(2014)进一步将线上评分分为属性导向(attribute oriented)的评分、情感导向(emotion oriented)的评分和推荐导向(recommendation oriented)的评分三种类别，并通过实证研究发现仅有推荐导向的评分会产生显著的影响[13]。

那么，对于评分不同的节目，在线社交的效果是否有差异？事实上，观众观看视频节目和进行在线社交是同时进行的，这是一个多任务(multitask)处理的过程。在我们的研究情境中，节目评分越高通常代表节目内容越精彩。那么，观众在观看节目时，注意力就会向节目本身分配更多的认知资源。在观众的认知资源总量有限的情况下，注意力在同一时间分配给在线社交的认知资源就减少了。所以，对于评分较高的节目，在线社交对节目收视率的影响可能较小。相反，对于评分较低的节目，观众的注意力会将更少的认知资源分配给节目本身，而将更多的资源分配给在线社交。所以，对于评分较低的节目，在线社交对节目收视率的影响可能更大。综合上述分析结果，我们提出本文的研究假设H2：

H2：节目评分对在线社交的效果有负向的调节作用，即节目的评分越高，在线社交对节目收视需求的正向影响越小。

三、数据与变量

(一)数据来源

在本研究中，我们的研究数据来源于三个国内知名网站：Acfun网站(www.acfun.cn)、Bilibili网站(www.bilibili.com)和豆瓣网(www.douban.com)。

首先，我们从Acfun和Bilibili网上收集了视频节目收视需求和在线社交的数据。选择这两个网站的原因有两点。第一，这两个网站是目前国内最活跃的视频节目网站。以Bilibili网站为例，其活跃注册用户数超过1亿人，视频节目总数超过800万，每天的节目播放量超过1亿次。所以，采用这两个网站的数据对捕捉我国消费者的网络收视需求具有良好的代表性。第二，这两个网站最大的特色即是我们的研究所关注的在线社交功能——“弹幕”。尽管目前已经有很多其它网站(例如，优酷网、爱奇艺等)也开通了弹幕功能，但这两个网站仍然是国内最早成立且最活跃的弹幕类视频网站，其弹幕数量超过14亿条，为我们提供了丰富的信息来研究在线社交对观众收视行为的影响。

在这两个网站上，我们收集了2015年1月1日至2016年2月29日期间发布的所有动画剧节目的数据。通过匹配，这一时间段在两个网站上同时存在的节目共有110个。对于样本中的每一个节目，我们均从网站上收集了节目自发布以来的播放数量和弹幕数量，以及每个节目所包含的集数和每一集节目的播放时长。

表1展示了节目数据的描述性统计结果。首先，在节目收视方面，平均每个节目在两个网站的播放数量分别为1025886和5839779，这说明样本中的大部分节目都很受欢迎。其次，从在线社交的情况上看，平均每个节目在Bilibili网站上产生的弹幕数量为246450条，高于Acfun网站的5450条，这说明Bilibili网站的用户在实时互动方面更加活跃。第三，在节目集数和时长上，大部分节目都是系列节目，平均每个节目包含大约15集，平均每集时长约为26分钟。

表1 节目数据的描述性统计

其次，我们从豆瓣网上收集了节目的在线消费者评分数据。用户在豆瓣网上对节目进行评论时，首先会被要求对节目进行星级评分(范围从1星到5星)，然后再撰写具体的文字评论。豆瓣网会根据每位用户的评分实时地计算节目的平均评分(从1分到10分)和各个星级评分的比例，并将其呈现在节目页面的主要位置。我们将样本中的110个节目与豆瓣网中的节目信息进行匹配，最终获得了104个节目的评分信息，剩下的6个节目由于评论数不足10条而不显示总体评分。我们发现，样本中的节目在豆瓣网上的评分均值为7.22分，最小值和最大值分别为4分和9.2分。从具体的星级评分的比例上看，3星至5星评分(85%)占大多数，这说明观众对样本中节目的普遍评价较高。以上结果与已有的不少国内外相关研究中的描述性统计结果相似[14]，说明我们的样本具有良好的代表性。

(二)变量描述

基于从上述网站中收集的原始数据，我们对实证分析中涉及的相关变量进行了构建。其中，对于研究中所涉及的所有取值大于零的连续变量，我们都进行了取自然对数的线性变换(logarithm transformation)。这样做的好处主要有两点：一是将潜在的非线性关系转变为线性关系，使得模型的回归结果更加稳健；二是压缩了变量的量纲(scale)，控制了离群值的潜在影响[15]。在我们的样本中，节目的播放数量和弹幕数量在取值上存在很大的差距。例如，有的节目有上千万次播放和上百万条弹幕，有的节目仅有几千次播放和几条弹幕。因此，对这些变量进行对数变换很有必要。在表2中，我们汇总了主要的变量以及每个变量的描述。

(1)因变量。我们采用节目的播放数量LnView作为因变量，用于测量Acfun网站和Bilibili网站中视频节目的收视需求。

(2)自变量和调节变量。实证分析中采用的自变量为节目的弹幕数量LnBullet，用于测量在线社交的数量。此外，我们采用节目在豆瓣网上的评分LnRating作为调节变量，用于测量观众对节目精彩程度的评价。通常而言，豆瓣网的评分低于6分的节目为低评分的节目，评分在6分至8分之间的为中等评分的节目，评分在8分以上的为高评分的节目。因此，我们在此基础上进一步构建了三个新的哑变量来区分不同评分区间的节目。

表2 主要变量及描述

(3)控制变量。由于样本中存在不同类别和特征的节目，所以我们还构建了一系列相关的控制变量来控制这些潜在的异质性影响。首先，不同类型的节目在内容和风格上存在较大差异，所以其对观众的吸引程度可能也存在差异。因此，我们构建了节目类别的分类变量Genre来控制其影响。第二，样本中的节目来自中国和日本两个国家。两国的动画节目在制作水平和题材内容上有所差别，观众对两国动画节目的偏好可能也不一样。因此，我们运用哑变量District来控制节目制片地区可能产生的潜在影响。第三，在我们的样本中，一些节目已经完结，另一些节目仍然在连载中。由于连载中的节目可能比已完结的节目更能吸引观众的注意力，那么，其播放数量也可能更高。因此，我们采用哑变量Status来控制节目状态对节目播放量的影响。最后，由于样本中不同节目的集数和每集时长不同，这两个因素都可能对节目播放数量造成影响。所以我们采用LnEpisode和LnLength两个变量来分别控制节目的集数和时长可能产生的潜在影响。

四、实证分析与结果

(一)在线社交对节目收视需求的影响

为了分析在线社交对节目收视需求的影响，我们首先建立了一个线性回归模型来进行估计。具体的模型设定如下：

LnViewi=α0+α1LnBulleti+α2LnEpisodei+α3LnLengthi+α4～7Genrei,1～4+α8Districti+α9Statusi+εi

(1)

在模型(1)中，我们用下标i=1,…N来代表不同的节目。因变量为LnView，即节目的播放数量；自变量为LnBullet，即节目的弹幕数量；控制变量方面，LnEpisode为节目的集数，LnLength为节目的时长，Genre为一系列代表节目类型的哑变量(节目共有五种类型，所以加入四个哑变量)，District为代表节目制片地区的哑变量，Status为代表节目状态的哑变量；最后，ɛ为残差项。我们采用普通最小二乘法(ordinary least squares，OLS)来对模型(1)中的参数进行估计。

表3展示了回归分析的结果。其中，第(1)和(2)列为全部样本的回归结果，第(3)和(4)列为Acfun网站样本的回归结果，第(5)和(6)列为Bilibili网站样本的回归结果。首先，我们仅将因变量LnView与所有的控制变量进行回归，随后再进一步将自变量LnBullet加入回归模型。这样做的目的主要在于对比加入自变量前后模型的拟合优度是否有明显提升，以此来说明弹幕数量是否对节目播放数量有重要的影响。从表3的结果可以看出，所有的样本在加入自变量后模型的拟合优度都显著提高。以第(1)和(2)列全部样本的回归结果为例，调整后R2在加入自变量LnBullet后由0.07增加到0.71，F值也由2.96增加到54.19。

表3 在线社交对节目收视需求的影响：横截面分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。横截面分析的对象为Acfun网站和Bilibili网站上同时存在的110个节目，两个网站加总后共有220个样本。模型的因变量为LnView，即节目播放量(取自然对数)。表格中所列的数字为回归模型中系数的估计值，括号中的数字为标准误。

在表3中，我们主要关注自变量弹幕数量的估计结果。我们发现无论是全部样本还是Acfun网站或Bilibili网站的子样本，弹幕数量的估计结果都非常一致。我们以全部样本的估计结果为例，表3第(2)列显示，LnBullet的系数估计值为正向显著(α1=0.52，p<0.01)，这说明观众在某个节目中发布的弹幕数量越多，这个节目的播放数量也越多。通过系数的估计值我们还可以计算出弹幕数量对节目播放数量的实际影响大小。由于我们对弹幕数量和节目播放数量都进行了取自然对数的线性变换，所以系数的估计值为弹性，即弹幕数量的变化率对节目播放数量的变化率的影响[15]。α1估计值等于0.52，这说明观众发布的弹幕数量每增加1%，节目的播放数量将增加0.52%。

在横截面分析中，我们将用户之间的在线社交(弹幕数量)作为外生性变量来进行分析。然而，弹幕数量也有可能是内生性变量，忽略潜在的内生性问题(endogeneity)可能会导致估计结果产生偏误。在回归模型中，遗漏了重要的相关变量是导致内生性的主要原因*我们可以用一个简单的推理来解释为什么遗漏相关变量会导致内生性问题。假设“真实”模型是yi=α+βxi+γzi+εi，然而，在实际的回归模型中遗漏了变量zi。所以，实际进行估计的模型是yi=α+βxi+μi(μi=γzi+εi)。如果xi与zi相关且zi与yi相关(即γ≠0)，那么xi就会与残差项μi相关。如果γ>0，β的估计结果就会产生向上的偏误；反之，如果γ<0，β的估计结果就会产生向下的偏误。。如果这个被遗漏的变量同时与自变量和因变量相关，那么自变量与随机扰动项的无关性假定就不再成立，从而使最小二乘法的估计结果产生偏误[17]。不少相关研究都发现内生性会对研究结果产生重要影响[18]。例如，Oberholzer-Gee和Strumpf(2007)对音乐市场的经典研究发现，在考虑了内生性的影响后，音乐网络下载量对线下专辑销量的影响由显著变为不显著[19]。他们认为，原因在于原模型中遗漏了能够测量音乐质量的变量，而音乐质量又同时与音乐网络下载量和线下专辑销量相关。Nair等(2010)对医药市场的研究也发现，如果忽略了内生性的影响，跟随型医生对意见领袖型医生在使用药剂方面的模仿行为会受到高估[20]。

同样，本研究也需要考虑潜在的内生性影响。尽管我们在回归模型中加入了一系列与节目类别和特征相关的控制变量来削弱内生性的影响，但是，仍然可能存在一些变量因为难以直接观测而无法进行控制。例如，在本研究中，节目的质量或受欢迎程度就难以直接观测但却与因变量和自变量都相关。因为，与“差”的节目相比，“好”的节目很有可能引发更多的弹幕，同时产生更多的播放数量。那么，遗漏节目质量或受欢迎程度就会产生内生性问题，从而使最小二乘法的估计结果产生偏误。

我们用第一个等式减去第二个等式，便得到下面的模型(2)：

△LnViewi=γ0+γ1△LnBulleti+△εi

(2)

在模型(2)中，Δ代表各变量在Acfun网站和Bilibili网站上的差值。由于节目i在Acfun网站和Bilibili网站是完全一样的，所以，在差分之后，潜变量μi就不会再出现在模型中。通过这种方法，我们在模型中去除了那些难以直接观测的因素，从而控制了内生性的影响。同理，其它一些可观测的控制变量LnEpisode、LnLength、Genre、District和Status在两个网站中的取值也是相同的，所以，他们在模型(2)中也同样通过差分而去掉了。在模型(2)中，△LnViewi代表节目i在两个网站的播放数量之差，△LnBulleti代表节目i在两个网站的弹幕数量之差，△εi则为残差项之差。

我们同样运用普通最小二乘法对模型(2)进行估计。相对于横截面分析，模型(2)的主要优势在于消除了潜在的非观测效应μi，从而控制了内生性影响。因此，通过差分分析，我们可以得到在线社交对节目收视率更加准确的估计，并可以将估计结果与横截面分析的结果进行比较，以验证结论的可靠性。

表4展示了差分分析的估计结果。其中，第(1)列为虚无模型(null model)的估计结果，第(2)列为完整模型的估计结果。通过对比可以看出，加入自变量之后的完整模型在拟合优度上有巨大提升，其调整后R2和F值分别为0.39和71.65。对于自变量ΔLnBullet，我们发现其系数的估计结果是依然正向且显著的(γ1=0.55，p<0.01)。并且，从取值上看，ΔLnBullet的系数估计值γ1=0.55与横截面分析中LnBullet的系数估计值α1=0.52也非常接近。所以，差分分析的结果再一次验证了横截面分析得出的结果，即在线社交对节目收视率有显著的正向影响。综合两次分析的结果，我们提出的研究假设H1得到支持。

表4 在线社交对节目收视需求的影响：差分分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。差分分析的对象为Acfun网站和Bilibili网站上同时存在的110个节目。模型的因变量为ΔLnView，即两个网站中同一节目播放量(取自然对数)之差。表格中所列的数字为回归模型中系数的估计值，括号中的数字为标准误。

实证分析中存在的另一个潜在的问题是反向因果，即究竟是在线社交增加了消费者需求，还是消费者需求使得在线社交增加？为了解决这一问题，我们借鉴Hair等(2010)的方法，建立了一个联立方程模型来同时估计这两种影响关系[21]。具体的模型设定如下：

(3)

模型(3)共包含两个方程：第一个方程用于分析节目收视率LnView对在线社交LnBullet的影响，第二个方程用于分析在线社交LnBullet对节目收视率LnView的影响。在第一个方程中，为了满足模型可识别的要求，我们在基准模型的基础上加入了LnEpisode和LnLength的二次项作为新的外生变量，并且去掉了Status这一不显著的变量；第二个方程的设定与模型(1)完全相同，以验证研究结论的一致性。通过模型(3)，我们可以同时分析在线社交与消费者需求的相互影响，从而在一定程度上解决反向因果的问题。

我们运用两阶段最小二乘法(two-stage least squares，2SLS)对模型(3)进行估计。表5展示了回归结果。其中，第(1)、(3)和(5)列为方程一的回归结果，即节目收视率LnView对在线社交LnBullet的影响；第(2)、(4)和(6)列为方程二的回归结果，即在线社交LnBullet对节目收视率LnView的影响。从回归结果中可以发现，无论在全部样本还是子样本中，关键变量的系数估计值都非常一致。第(1)、(3)和(5)列的结果显示，LnView的系数在所有样本中均不显著，说明节目收视率对弹幕数量并没有显著的影响。第(2)、(4)和(6)列的结果显示，LnBullet的系数在所有样本中均为正向显著(p值均小于0.01)，说明弹幕数量对节目收视率有显著的正向影响。因此，通过总结这两方面的回归结果，可以说明是在线社交增加了消费者需求，而不是消费者需求使得在线社交增加。

(二)节目评分的调节作用

接下来，我们想进一步分析：在线社交究竟对评分高的节目还是评分低的节目作用更大？基于这个研究目的，我们在模型(1)的基础上建立了下面的线性回归模型。

LnViewi=θ0+θ1LnBulleti+θ2LnRatingi+θ3LnBulleti×Rating2i+θ4LnBulleti×Rating3i+θ5LnEpisodei+θ6LnLengthi+θ7～10Genrei,1～4+θ11Districti+θ12Statusi+εi

(4)

在模型(4)中，我们在模型(1)的基础上进一步加入了变量LnRating，用于控制节目评分对节目播放数量影响的主效应。此外，我们还加入了弹幕数量和节目评分的两个交互项LnBulletRating2和LnBulletRating3，以此来分析节目评分的调节效应。其中，Rating2为代表中等评分(6-8分)节目的哑变量，Rating3为代表高评分(8分以上)节目的哑变量。模型中并没有加入代表低评分(6分以下)节目的哑变量Rating1与弹幕数量的交互项，否则会产生多重共线性(multicollinearity)[25]。由于Rating2和Rating3均为哑变量，所以，当两者的取值均为零时，即代表低评分的节目。

我们采用普通最小二乘法对模型(4)进行估计。表6展示了回归结果。其中，第(1)列为全部样本的回归结果，第(2)和(3)列分别为Acfun网站和Bilibili网站的回归结果。从表6中可以看出，全部样本和两个网站的子样本在回归结果上呈现一致性。

我们主要关注节目评分的主效应和调节效应。首先，我们发现，变量LnRating的系数为正向显著(2=1.34，p<0.1)，说明节目在豆瓣网上的评分越高，节目的播放数量也越高。这一结果与已有的众多网络口碑的研究相符[12,22]。然后，我们注意到，两个交互项LnBulletRating2和LnBullet

表5 在线社交对节目收视需求的影响：两阶段分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。第(1)、(3)和(5)列为方程一的回归结果，因变量为LnBullet，即节目的弹幕数量(取自然对数)；第(2)、(4)和(6)列为方程二的回归结果，因变量为LnView，即节目播放量(取自然对数)。表格中所列的数字为回归模型中系数的估计值，括号中的数字为标准误。

表6 节目评分对在线社交影响效果的调节作用

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。回归分析的对象为Acfun网站和Bilibili网站上同时存在且在豆瓣网站上有评分的104个节目，两个网站加总后共有208个样本。模型的因变量为LnView，即节目播放量(取自然对数)。表格中所列的数字为回归模型中系数的估计值，括号中的数字为标准误。

五、结论与管理建议

(一)研究结论

本文围绕“在线社交是否会影响消费者需求”这一核心问题，从两个国内知名的视频网站上收集了2015-2016年发布的110部视频节目的客观数据，通过建立计量模型开展了一项探索性的实证研究，获得了以下结论。

第一，我们运用从Acfun网站和Bilibili网站收集的弹幕数据和视频播放数据分析了在线社交对节目收视率的影响。在横截面分析中，我们首先将弹幕数量作为外生性变量进行回归分析。结果显示，弹幕数量对节目播放数量有显著的正向影响。随后，为了进一步控制潜在的内生性影响，我们又设计了一个差分模型来消除遗漏难以观测的变量(例如，节目质量或受欢迎程度)的问题。差分分析的估计结果再次验证了弹幕数量对节目播放数量的正向影响，从而证明在线社交能够显著提高节目的收视率。

第二，我们从第三方消费者评论网站豆瓣网收集了节目评分数据，并进一步分析了节目评分对在线社交效果的调节效应。回归结果显示，对比低评分(6分以下)的节目，弹幕数量对于中等评分(6-8分)或高评分(8分以上)的节目的播放量的影响效果有所下降。该结果表明，节目评分对在线社交的效果有负向的调节作用：当节目的评分较低时，节目的内容很难吸引观众，所以观众更加会受到在线社交内容的影响；节目评分越高则说明节目内容越精彩，那么，观众就越不容易受到在线社交内容的影响，而更关注节目本身的内容。

(二)管理建议

对于管理实践，本文的研究结论有助于企业管理者更加有效地运用在线社交这一新兴的营销工具来提高节目的收视率，同时也为以网络视频行业为代表的文化创意产业的发展提供了颇有价值的参考。具体而言，本文提出以下三方面管理建议。

第一，由于在线社交能够有效地提高消费者需求，所以相关的视频网站和利益相关企业应提高对在线社交的重视，通过多种方式引导并鼓励更多观众发表“弹幕”，从而提升节目的收视率。例如，企业可以考虑邀请名人参与在线实时互动，也可以考虑给予参与在线互动的观众积分奖励等方式。从Acfun网站和Bilibili网站的案例中不难发现，尽管它们的成立时间远晚于优酷和乐视等网站，却能在目前网络视频行业激烈的市场竞争中脱颖而出，其最重要的竞争优势即来自于完善的在线社交功能。因此，我们建议企业管理者加强对在线社交工具的重视和使用，以应对互联网和新媒体环境下的新业态和新趋势。

第二，企业管理者还应该注意，在线社交的效果对评分不同的节目有所差异。对于评分较低的节目，在线社交对节目收视率的提升越大；而对于评分较高的节目，观众会更加关注节目本身的内容，所以在线社交的效果反而不那么明显。这一结果提示企业管理者应该根据视频节目在第三方消费者评论网站(例如，豆瓣网等)的评分情况，动态地、有侧重地管理在线社交工具，以获得更好的营销效果。特别是对于评分较低和观众实际反馈较差的节目，企业更应该加大营销投入去吸引和鼓励观众发布互动内容，以此来“挽救”节目的收视率。

第三，正确管理并引导在线社交，也有利于推动网络视频行业的健康发展。由于弹幕是消费者在观看视频节目过程中发布的实时信息，能够真实地反应用户的实际看法，因此我们建议相关企业和行业管理者对于在线社交内容进行细致分析。一方面，可以帮助企业管理者更加真实地了解用户实际需求；另一方面，也有助于行业管理者了解市场的真实反馈，顺应市场需求，提供更高质量的文化内容和产品。

[1]HILL S, BENTON A. Analyzing the impact of socialTV strategies on viewer engagement [R]. Beijing: KDD 2nd SOMA Workshop on Social Media Analytics, 2012.

[2]NIELSEN. Live TV + social media = engaged viewers [OL]. http://www.nielsen.com/us/en/insights/news/2015/live-tv-social-media-engaged-viewers.html, 2015-04-06.

[3]JOO M, WILBUR K C, COWGILL B, ZHU Y. Television advertising and online search [J].Management Science, 2014, 60(1): 56-73.

[4]LIAUKONYTE J, TEIXEIRA T, WILBUR K C. Television advertising and online shopping [J].Marketing Science, 2015, 34(3): 311-330.

[5]FOSSEN B L, SCHWEIDEL D A. Television advertising and online word-of-mouth:An empirical investigation of social TV activity [J]. Marketing Science, 2016, forthcoming.

[6]LOVETT M J, STAELIN R. The role of paid, earned, and owned media in building entertainment brands: Reminding, informing, and enhancing enjoyment [J].Marketing Science, 2016, 35(1): 142-157.

[7]DUAN W, GU B, WHINSTON A B. Do online reviews matter?—An empirical investigation of panel data [J].Decision Support Systems, 2008, 45(4): 1007-1016.

[8]SCHLOSSER A E. Can including pros and cons increase the helpfulness and persuasiveness of online reviews? The interactive effects of ratings and arguments [J].Journal of Consumer Psychology, 2011, 21(3): 226-239.

[9]LI X. Could deal promotions improve merchants’ online reputations? The moderating role of prior reviews [J]. Journal of Management Information Systems, 2016, 33(1): 171-201.

[10]BENTON A, HILL S. The spoiler effect?: Designing socialTV content that promotes ongoing WOM [R]. Phoenix, AZ: INFORMS Conference on Information Systems and Technology, 2012.

[11]CHEN Y, XIE J. Online consumer review: Word-of-mouth as a new element of marketing communication mix [J].Management Science, 2008, 54(3): 477-491.

[12]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.

[13]GOPINATH S, THOMAS J S, KRISHNAMURTHI L. Investigating the relationship between the content of online word of mouth, advertising, and brand performance [J].Marketing Science, 2014, 33(2): 241-258.

[14]龚诗阳, 刘 霞, 刘 洋, 赵 平. 网络口碑决定产品命运吗——对线上图书评论的实证分析 [J]. 南开管理评论, 2012, 15(4): 118-128.

[15]LIU Y. Word of mouth for movies: Its dynamics and impact on box office revenue [J].Journal of Marketing, 2006, 70(3): 74-89.

[16]WOOLDRIDGE J M.Econometric analysis of cross section and panel data [M]. Cambridge, MA: MIT Press, 2010.

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

[18]ROSSI P E. Invited paper—Even the rich can make themselves poor: A critical examination ofIV methods in marketing applications [J]. Marketing Science, 2014, 33(5): 655-672.

[19]OBERHOLZER-GEE F, STRUMPF K. The effect of file sharing on record sales: An empirical analysis [J].Journal of Political Economy, 2007, 115(1): 1-42.

[20]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.

[21]HAIR J F, ANDERSON R E, BABIN B J, BLACK W C.Multivariate data analysis: A global perspective [M]. Upper Saddle River, NJ: Prentice Hall, 2010.

[22]YOU Y, VADAKKEPATT G G, JOSHI A M. A meta-analysis of electronic word-of-mouth elasticity [J].Journal of Marketing, 2015, 79(2): 19-39.

(本文责编：辛 城)

The Effect of Online Social Interactions on Consumer Demand——An Empirical Study on Online Video Industry

GONG Shi-yang1, LI Qian2, YU Cheng-tan1

(1.BusinessSchool,UniversityofInternationalBusinessandEconomics,Beijing100029,China;2.InternationalBusinessSchool,BeijingForeignStudiesUniversity,Beijing100089,China)

This article focuses on the key question of “whether online interactions would affect consumer demand”, and carries out an exploratory empirical study based on the data of 110 programs released between the year of 2015 and 2016 from two popular Chinese online video websites. The results show that online social interactions have a positive impact on consumers’ viewing demand. Specifically, with an increase of 1 percent in online social interactions, the consumers’ viewing will increase by about 0.5 percent. In addition, the programs’ rating scores, from a third-party consumer reviews website, negatively moderate the relationship between online social interactions and program viewership. The online social interactions have a stronger impact on programs of lower rating scores than ones of higher rating scores. Finally, we provide managerial recommendations to the development of relevant enterprises and the industry.

online social interactions; viewing behaviors; online video; user-generated content; empirical study

2016-10-12

2017-04-23

国家自然科学基金青年项目“社交媒体环境下的目标消费者识别研究：基于人际连结视角”(71602033)；对外经济贸易大学中央高校基本科研业务费专项资金项目“社会化媒体营销对消费者采纳行为的影响”(15QD11)；北京外国语大学中央高校基本科研业务费专项资金项目“企业员工的社会交换关系对知识分享影响的实证研究”(2016JJ019)。

龚诗阳(1987—)，男，重庆人，对外经济贸易大学国际商学院讲师，博士，研究方向：市场营销。通讯作者：李倩。

F713.50

A

1002-9753(2017)06-0039-10