在线影评和在线短评对票房收入影响的比较研究

石文华，钟碧园，张 绮

(北京邮电大学经济管理学院，北京 100876)

在线影评和在线短评对票房收入影响的比较研究

石文华，钟碧园，张 绮

(北京邮电大学经济管理学院，北京 100876)

在线评论是近几年学者十分关注的问题，随着信息载体的丰富，在线评论的形式也越来越多样化，现今 研究在线评论数据来源主要有第三方专业评论和非专业评论两大类，但并未有研究对比过两类评论对之间的差异。 本文将在线电影评论进一步区分为较长且专业的影评和较短且非专业的短评，首先结合前人研究成果构建了电影 在线评论对票房影响的综合模型，然后从豆瓣电影爬取了不同电影的在线评论，利用eviews7.0在面板数据的环境 下对比分析了影评与短评对票房收入的影响。研究发现，第一，影评数量对票房收入无影响，而短评数量对票房收 入的影响呈倒U 形变化；第二，影评极端性对票房收入的影响持续至第三周，而短评极端性对票房收入影响持续至 第五周；第三，无论是数量还是极端性，短评在每周的回归结果中均比影评的影响大。结论表明，在线电影评论中 起到更重要作用的评论形式为短评。通过本文研究，可以丰富在线评论对销量影响的研究，并能够给在线电影评论 网站以及电影出品方提供有针对的可行性营销建议。

在线评论；评论数量；评论极端性；票房收入

1 引言

在线评论是消费者发布在网络上，以文本形式为主对商品的评价，这些评价包括对商品的肯定、不满或个人对特定产品服务的购买和使用感受[1]。随着电子商务的发展，在线评论已经成为消费者购买产品或服务的重要信息来源，可以帮助消费者降低商品信息的不确定性和购物风险，进而进行购物决策[2-3]。近年来，有关在线评论课题的研究主要集中在在线评论基本要素对产品销量的影响，对感知有用性、可信度和购买意愿等消费者行为的影响，以及与品牌互动关系的研究。其中在线评论基本要素对产品销量的影响方面，主要通过研究在线评论评论数量、情感倾向、情感倾向方差、评论长度等维度与产品销量的关系[4-7]。

随着在线评论对销量影响相关研究的深入，已有很多研究从不同对象、不同来源、不同产品生命周期进行分类研究，深入地观察在线评论的 影响。从研究对象来看，主要分为搜索型产品和体验型产品，针对搜索型产品的研究主要选取相机等数码产品[8-9]，针对体验型产品的研究主要选取图书、电影这类由于无形性与经验性因素导致消费者在使用前很难判断其质量的产品[10-12]，消费者使用这类产品需要通过在线评论来收集信息，正如Scholz和Dorner[13]研究发现，体验型产品评论比功能型产品评论得到的有用票数多，因此体验型产品对在线评论的研究至关重要。从研究来源来看，在线评论研究的数据来源也主要有两大类，一类是第三方专业评论(Third-Party Product Reviews)，如Chen Yubo[14]等曾提出类似电影、电子产品等在产品推出前及推出期间，第三方专业评论会对公司市值有显著影响；另一类是非专业评论，即普通消费者的口碑，现有的关于在线评论的研究数据多是来源于非专业评论，如亚马逊、雅虎电影、大众点评等[12,15-16]。其中以电影为对象的研究大多是采取雅虎电影网站的数据，不同学者从不同角度研究在线电影评论对票房的影响,如Dellaroca等[17]从评论数量、平均情感倾向维度来研究在线评论对销量的影响；Yong Liu人等[11]研究了评论数量、正负面评论的比率对销量的影响，发现评论数量与销量相关尤其在公映早期，而正负评论比率对销量影响不显著；Duan Wenjing[18]等研究了累积评论数、日评论数、用户等级以及是否周末对销量的影响，得出评论数量对销量有显著影响，而评论平均情感倾向影响不显著。这些研究解释了在线电影评论在不同时期的影响模式，得出了结论也趋于一致，即评论数量影响显著而平均情感倾向影响不显著。

然而已有研究并未对比专业的评论与非专业评论之间的差异，而现实环境中确实存在这两类不同类型的评论，如相较于雅虎电影均是非专业的用户评论而言，豆瓣电影将评论划分为了影评和短评两种，而影评属于偏专业性的在线电影评论。从数据角度看，短评数量较影评数量有压倒性的优势；从评论特征角度看，影评字数要求在140以上，内容精彩丰富，逻辑性较强，而短评要求在140以内，内容简单随意，逻辑性较弱；从消费者认知角度看，短评容易阅读，消费者能够迅速获知与电影相关的信息，而影评较长，消费者无法快速直接的获取评论的核心观点。这些差异会对消费者最终的购买决策产生不同的影响进而对票房也有不同的影响。

本文将从评论形式的角度区别偏专业性的在线影评和非专业性的在线短评两种不同的信息载体，以新型电影评论网站为研究对象，基于面板数据，将影评与短评对票房的影响进行比较研究，分析不同信息载体的在线电影评论对电影票房的影响在电影发布后各阶段的差异性，以及考察影响随电影生命周期阶段推移的动态变化性，对新产品开发、娱乐市场、服务市场和口碑研究具有理论和实践意义。本文的内容组织如下：首先根据相关理论和文献研究提出理论假设并建立在线电影评论对票房收入的影响关系各模型，其次，说明收集数据和实证分析的过程，并对分析结果进行阐释，最后进行总结并指出研究不足与未来研究方向。

2 假设与模型

本文研究的重点在于对比分析偏专业性评论和非专业性评论对销量影响的差异。电影作为一类典型的体验型产品，存在偏专业的影评和非专业的普通消费者发布的短评，因此本研究选择电影作为研究对象。另外还考虑到电影业有着两大普遍的特点使其被认为电影口碑能影响观众，首先，作为一种流行文化，电影往往获得公众极大的兴趣和关注。因此，积极的关于电影的人际沟通是期望存在的，并且根据信息可获得性和影响的理论，它会影响观众；其次，电影属于体验型产品，它的无形性与经验性因素导致在观看前很难判断它的质量，当产品很难在购买前被评估，消费者往往通过口碑以收集更多的信息[19]。通过对在线评论定义的回顾，本文将在线电影评论定义为：在线电影评论是消费者根据自己观看电影的经历，通过电影评论网站对特定电影发表自己的意见和建议，可以是正面也可以是负面的信息。本研究将在在线评论对销量影响模型的基础上，进行在线评论的分类，探索偏专业的影评和非专业的短评对销量影响的差异。

2.1在线评论数量

评论数量在一定程度上显示了评论中所包含信息内容的总量[20]，大量的研究都发现评论数量与消费者行为和产品市场表现有显著关系[21-23]。对于在线评论的数量与消费者总体购买行为或市场产出的关系，其受到重视的原因是在线评论数量能反映口碑的知晓效应，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，也反映了消费者对该产品讨论的热度，这会引起潜在消费者更加关注该商品，并且可能进一步产生从众心理和行为，最终引起购买行为[24]，如杜学美等研究表明在线评论数量越多，消费者的购买意愿越强[25]。并且许多关于在线电影评论对票房影响的研究都支持评论数量与销量的正相关，如Duan Wenjing等[26]通过分析Yahoo网站上每天的消费者评论信息，发现评论数量对电影的票房收入有显著影响。Rui Huaxia等[27]则利用twitter中信息推送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票房收入有很强的解释力度。本文选取滞后一天的评论数量作为测量指标，这可以有效避免反向因果的问题，也更加符合实际情况，因为前往影院观看电影的行为大多是发生在前一天消费者阅读评论之后，口碑的影响具有滞后性[14]，因此做出如下假设：

H1：滞后一天的在线电影评论数量对票房有显著的正向影响

H1a：滞后一天的影评数量对电影票房具有显著的正向影响

H1b：滞后一天的短评数量对电影票房具有显著的正向影响

2.2在线评论极端性

评论的情感倾向同样受到许多学者的关注，它反映了口碑的劝说作用[28]。评论的情感倾向是消费者对产品的态度表明，从产品已使用者的角度反映了商品质量的好坏，而评论阅览者会根据产品已使用者的口碑评价对产品质量做出判断，进而决定是否购买。在线电影评论的情感倾向作为一个重要的维度已经被许多学者考察过，有些学者研究表明评论情感倾向对票房无显著影响[11,18]，而郝媛媛等[16]以电影作为研究对象，发现影评中蕴含的不同的情感倾向会对电影的票房产生不同的影响；此外，不同的情感等级在影响的效果上也存在着差异。目前大部分学者的研究集中在评论的极端性上，如Dellarocas等[29]在电影的在线评论研究中发现，人们会把注意力更多的放在极端评论而非中间评论，因为对产品极端正向或负向的体验更容易引发口碑交流行为。Ghose和Ipeirotis[30]针对体验型商品和搜索型商品进行分别研究，结果表明对体验型产品来说，极端评论更有用。同样，江晓东[31]的研究也表明产品类型在评分极端性对感知有用性的影响中起到调节作用，相比于搜索型产品，体验型产品评分极端性对感知有用性的正向影响更强。这是由于针对体验型商品，人们将更多的注意力给予极端评论，使得极端评论表达的极端情感更容易引起用户共鸣[17]。在线电影评论极端性与销量的关系则很少被考察，一些学者以其他产品做了相关研究，得出正负情感方差显著影响销量的结论[32-33]。基于口碑影响的滞后性，本文以滞后一天的评论情感倾向方差作为评论极端性的测量指标，作出如下假设：

H2：滞后一天的评论极端性对票房具有显著的正向影响

H2a：滞后一天的影评极端性对票房具有显著的正向影响

H2b：滞后一天的短评极端性对票房具有显著的正向影响

2.3影评与短评

评论者发布信息的长度，从一定程度上反映了评论者对该产品的了解详细程度和对发布此条评论信息的重视程度。一般认为高质量的评论包含明确的观点、具体的事例、详细的信息等[34]，而信息所包含的内容越广泛、越好，消费者越容易感到满意，对消费者更有用，影响也就越大。Mudambi和Schuff[35]的研究指出较长的在线评论可能会刺激阅读者进行浏览，加深或改变原有感知，提高对商品或服务的认知度，抵消用户的不确定性。Ghose等人[30]研究初始语气评论平均句子越长，评论的可读性越差，阅读评论的认知成本越高，从而导致评论的有用性降低，结果却得出相反的结论，即评论句子越长，评论的有用性越高。另外，内容丰富的评论还会影响消费者的感知可信度，可以增加信息的可认知性，尤其对那些取得这些信息无需成本的消费者来说更加有利，如Hyunmi等人[36]通过对亚马逊评论数据的分析，验证了字符总数会对评论质量造成影响，进而影响消费者对评论的信任程度。Tversk[37]的研究也表明，掌握更多的信息会增强消费者在进行决策时的信心，并有学者基于手机销售数据，分析得出评论长度对产品销量有显著正向影响[38]。影评的深度和广度均高于短评，所以，本文认为影评和短评对票房收入的影响模式会有区别，因此提出如下假设：

H3：影评较短评对票房的影响力较影评更大

H3a: 影评数量对票房的影响力较短评数量更大

H3b：影评极端性对票房的影响力较短评极端性更大

2.4在线电影评论对销量影响的动态性

在对在线电影评论的许多研究中，时间是一个重要的影响因素，早期的消费者对电影处于热度较高的阶段，会产生大量的口碑传播行为，但随着时间的推荐，消费者的热度减淡，慢慢停止了口碑传播行为，传播速度逐渐下降，传播影响不断减弱，就无法刺激潜在消费者去消费，有的学者研究了相机这一产品，证实了在线评论的影响力随着时间而降低[8]，一些关于在线电影评论的研究也揭示了电影发布之后在线评论对票房的影响基本呈逐渐减弱的趋势[11,39]。因此，我们提出以下假设：

H4：上映天数对票房收入有显著的负向影响

在本研究中，我们想要探讨影评和短评对销量影响的不同模式，将在线评论分成了影评和短评两部分。之前关于在线电影评论对票房影响的研究中，在线电影评论主要包括了评论数量、评论情感倾向、评论极端性三个解释变量，由于评论情感倾向被许多学者证实对票房收入无显著影响，因此不被纳入本模型中。图 1显示了本研究的研究模型， 除了一些核心变量外，一些研究也指出了与票房收入相关的重要变量，如放映场次，它反映了观众对电影的实际可获得性，与票房收入呈现显著的正相关关系[11]；另外，是否节假日也会显著影响电影的票房收入，有的学者观察票房每日变动情况发现周末票房会达到一个局部的高峰，本文认为假日效应会影响电影的票房收入，为了提高对票房收入的解释力，需将这些重要的变量纳入模型中。

图1 影评和短评对票房影响的动态比较模型

基于上述所建模型，本研究建立公式(1)所示的初始面板数据线性回归方程。各变量的解释如表 1。其中参考多数研究文献的做法，本研究对模型中的连续型变量采用自然对数的形式，这不仅与多阶段消费者决策过程的相关理论模型相符合，还可以平滑模型中变量的分布，使变量间关系趋于线性化。另外，模型中引入固定效应αi来捕捉模型中所有未被包含但对票房有影响的非时变因素在不同电影间的变异(如明星影响力、电影类型、电影预算等)，通过固定效应来控制截面变异是面板数据模型对于截面数据模型的一大优势所在。

LNBoxofficei,t=Coust+αi+β1LNReviewnumi,t+β2LNCommentnumi,t+β3LNReviewnvari,t+β4LNCommentvari,t+β5LNScreeni,t+β6LNAget+β7LNHolidayi,t+εi,t

(1)

表1 模型中各变量的解释说明

3 实证结果与分析

3.1数据获取

在线评论的数据是从国内最大的电影分享与评论社区豆瓣电影网站收集(http://movie.douban.com)，它作为电影一个很好的在线评论来源有如下原因：首先，它是最流行的电影网站之一；其次，网站的结构设计精心，

因此，查找和收集信息相对简单，从而减少了数据收集过程中出现错误的可能性；最后，在线评论在其发布当日就以时间被记录，因此也可以按照时间进行索引，易于笔者跟踪监测到电影运营期特定的在线评论归属。

鉴于Duan 在电影行业口碑对票房影响的研究中指出，每天特别是电影首映周中每天的票房收入和在线评论数量的波动均较大，以天为时间单位分析影响关系较为合理，本研究选取了豆瓣电影排行榜中2013年上映的67部电影，以天为时间节点收集每部电影上映8周(56天)的在线评论[18]。其他数据来自其他渠道，每天的票房收入和放映场次主要是从网票网的获取数据，网票网是国内最专业的电影票网购，覆盖全国40多个城市，由于真实票房难以获取，我们认为网票网的票房具有代替真实票房的能力。除去关于相关变量没有可靠信息的电影后，最终的数据集包含43部电影，有614982条在线评论，其中影评10233条，短评604749条。表 2提供了样本的基本汇总数据统计，前五周的票房占据了电影总票房收入的90%以上，因此本文重点考察电影上映后前五周(35天)的在线评论及电影票房。剔除一些无法获取有效数据的样本，最后得到容量为1505(43个截面成员*35个观测点)的非平衡面板数据。

表2 各变量的描述性统计

3.2在线电影评论的动态特征

每条在线电影评论都是有时间标签的，因此很容易通过网站爬取的数据跟踪分析在线电影评论的动态特征，不同时间段电影的在线评论会呈现不同的状况。同时随着时间的推移，还会发生相应的变化。

图 2解释了在线评论的数量随着时间的推移而变化的情况。下图主要描述了样本为43部电影的影评数量和短评数量总和的变化情况。从折线图情况可以看出电影在在线评论在首映周最为活跃，然后逐渐减小，影评和短评具有相同的模式。大多数电影在首映周会达到最大的在线评论的量，平均每部电影191条影评发布，9768.40条短评发布。第二周影评数量以56.36%的幅度降低，短评数量以40.37%的幅度下降。从第三周开始，评论数量持续下降，但下降幅度有所降低，进入平缓下降阶段，这说明电影在第三周开始过了热映期。第四周电影评论数量趋于稳定。具体情况如下图所示。

图2 影评数量与短评数量的动态变化

图3解释了在线电影评论极端性随着时间的推移而变化的情况。影评极端性变化较大，而短评极端性则较为平稳，变化不大。从折线图的情况可看出，短评方差一直处于较高水平，每一周的方差值均高于影评方差值，可见，短评的讨论比影评更为激烈，争议更大，影评在后期讨论的激烈程度淡化。这一现象可以解释为短评较为随意且简洁，用户不需要花大量时间来编辑即可发布，所以很容易用户之间产生较为激烈的争论。影评需要用户仔细思考后才会撰写，在电影上映的前两周消费者表达的意愿较为强烈，所以影评还能保持着激烈的讨论，但随着上映时间推移，关于电影的高质量讨论会越来越弱化，所以影评的极端性在后期降幅较大。具体情况如下图所示。

图3 评论极端性的动态变化

3.3短评与影评对票房影响的比较研究

为了考察影评、短评对票房的影响，需要对电影上映后各周影评数量、短评数量、影评极端性、短评极端性的影响以及这些影响在各周的变化情况分别进行估计。本研究所分析的数据属于一组面板数据，并且是由样本结果对总体进行分析，因此先选用随机效应模型作为面板数据模型，再利用Hausman检验验证固定效应和随机效应模型何者更适合。鉴于各自变量间可能存在影响不显著或多重共线性，本文采用面板数据的广义最小二乘法来估计参数，在建模过程中先单独输入各自变量，检查单独的影响效应，如果单独影响效应显著，再采用逐步回归方法引入影响显著的变量。解释变量之间多重共线性情况及对票房影响的显著情况在各周有所不同，因此采用逐步回归法建立的各周的模型也有所差异[16]。基于前述所构建的初始面板数据线性回归模型，通过网页抓取收集到的43个样本电影面板数据，并采用Eviews7对模型进行估计，得到结果如表 3所示。其中，第五周通过回归检验发现，短评极端性和短评数量存在较高相关性，并且单独引入短评极端性和短评数量时均影响显著，同时引入时发现短评数量变为不显著，但由于调整R2变动不大，可忽略第五周模型存在的多重共线性问题，因此需要将两个自变量单独纳入模型中进行估计(见表 3模型5-1和模型5-2)。各模型F检验均拒绝原假设，各模型的调整R2较高(0.742-0.875)说明各模型整体拟合情况较好。

由电影上映各周模型的参数估计结果可发现，影评数量对票房的影响不显著，这一结果否定了H1a，这是因为影评需要消费者更多的时间和精力进行编辑，每天产生的影评很少，影评数量本身在时间上的变化也就不明显，影评数量的变化刺激达不到一个行为反应所需要的最小刺激强度，既刺激阈值，低于阈值的刺激不能导致行为释放。其次，短评数量对票房的影响呈倒U形变化，首映周就有较强的正向影响(0.243)，第二周影响继续扩大(0.481)，随后影响逐周减弱(支持了假设H1b)。这一结果与目前大多数评论数量对票房收入影响的研究结果一致[12,14]。由结果可见，只有短评数量对票房有着正向的影响，而影评数量无影响，这一结果否定了假设H3a。该结果原因在于短评数量在在线电影评论数量中占据绝大部分比例，可以反应口碑的知晓作用，它的扩散比影评更加快，提升了消费者的认知度。其次，消费者偏好在电影理论生命周期的早期呈现差别，早期消费者(在首映周)对电影怀有极大的兴趣(例如他们是某位明星、导演等的粉丝)，这一部分自我选择的消费者可供参考的口碑信息很少，并且其他人的意见对他们没有太大的影响，然而，之后的消费者大多是被口碑信息所驱使的，因此短评数量在第二周的影响会增加[40]。最后，随着时间的推移，电影宣传力度和最初对电影的热度在逐渐减弱，同时早期消费者的热度减淡使其逐渐停止口碑传播行为，而与早期消费者相比，仍未观看电影的潜在消费者又属于较为理性的潜在消费者，因此传播速度逐渐下降，传播影响不断减弱的情况下，必然会产生短评数量对潜在消费者的影响减弱的趋势[11]。

表3 电影发布五周内各模型参数估计结果

注：**表示0.05水平显著；***表示0.01水平显著；‘-’表示相应自变量未纳入到模型。

影评极端性从首映周起就对票房有显著的正向影响(0.123)，随后呈减弱的趋势，第四、五周则没有显著的影响(支持了假设H2a)。短评极端性从首映周起，对票房有显著的正向影响(0.224)，第二周的影响大幅下降(0.155)，与影评极端性的影响模式一样，随后几周逐周减弱(支持了假设H2b)。由结果可见，无论是影评还是短评的极端性对票房有着正向的影响，且短评在每周的影响都要比影评大，这一结果否定了假设H3b。极端性越大，说明消费者对电影持有的意见分歧越大，对电影讨论的激烈程度也越大，部分潜在消费者会对这种分歧产生兴趣，于是决定去通过自己的亲身体验来验证这种分歧。

对比短评和影评，可以发现二者对票房的影响模式有差异，短评数量有影响而影评数量无影响，短评极端性的影响大于影评极端性，且短评极端性的影响效应延伸至第五周，影评极端性的影响效应在第三周就终止了。可见消费者更多的会关注短评而非影评，该结果与感知理论不符，且与早先的研究结果不符。著名的弗莱施公式也指出句子越短，字数越少，可读性越大，我们认为具备较长的平均词长和句长的评论会消耗用户更多的时间和精力，导致用户不愿阅读，所以影评的影响力弱于短评。

另外，评论的数量和极端性对票房的影响都会随着时间的变化，并且是逐渐减弱的变化。早期消费者度对电影热情高涨，会产生大量的口碑传播，但随着时间的推移，消费者热度下降，逐渐减少口碑传播行为，使得在线评论对票房的影响没有早期强。

对假设结果的总结如下：

表4 假设结果汇总

4 结语

本文研究的目的是希望通过结合国内评论网站的新特点的实证研究，扩充在线评论对票房影响的模型，丰富在线评论对销量影响的研究，并能够给在线电影评论网站以及电影出品方提供有针对的可行性营销建议。首先，电影上映的最初阶段做好宣传推广工作，鼓励消费者多发表短评。在电影上映的最初阶段，短评数量的影响较大，因此，在电影发布的前两周应该进行大力的宣传，在各类社交媒体或各种平台上发动相应话题，促进消费者之间简短的口碑交流，充分发挥在线短评的知晓作用，使得电影票房得到快速增长；其次，电影出品方重点关注和跟踪在线评论的情感倾向。虽然许多研究证实了在线电影评论的情感倾向对票房没有显著影响，但是评论的极端性却能票房产生影响。这些发现要求影院管理人员对口碑传递的观察与反应，尤其是在电影上映后的前三周内需同时监测影评和短评的极端性，第四、第五周时段重点关注短评的极端性，管理人员的监测与反馈对调整电影的市场宣传营销策略或电影的生命周期策略有着重要的作用。

本研究也有一定的局限性：第一，社会科学研究中很多变量是无法捕获的，仅仅追踪影评和短评的数量与极端性信息是不够的，还有许多其他属性难以纳入模型，现有的模型更多是依赖于网站已提供的信息，对于那些获取不到的信息，研究者很少思考它们是否应该进入模型；第二，本文仅对电影这类体验型产品的在线评论进行研究，结论是否可以推广到其他产品还有待验证。未来的研究者可对不同的研究对象做进一步的研究，纳入新的研究变量，丰富在线评论与销量的研究。

[1] 殷国鹏. 消费者认为怎样的在线评论更有用？社会性因素的影响效应[J]. 管理世界, 2012，(12):115-124.

[2] Lee E，Shin S Y． When do consumers buy online product reviews? Effects of review quality，product type，and reviewer’s photo[J]. Computers in Human Behavior, 2014, 31(1):356-366.

[3] 杨铭,祁巍,闫相斌．在线商品评论的效用分析研究[J].管理科学学报,2012,15(5):65-75.

[4] 廖俊云,黄敏学.基于酒店销售的在线产品评论、品牌与产品销量实证研究[J].管理学报,2016,13(1):122-130.

[5] Korfiatis N, García-Bariocanal E, Evaluating content quality and helpfulness of online product reviews: The interplay of review helpfulness vs. review content [J]. Electronic Commerce Research and Applications, 2012，(11):205-217.

[6] Cui Geng,Lui H K,Guo Xiaoning.The effect of online consumer reviews on new product sales[J]. International Journal of Electronic Commerce, 2012, 17(1):39-57.

[7] Ho-Dac N N, Carson S J, Moore M L.The effects of positive and negative online customer reviews: Do brand strength and category maturity matter? [J]. Journal of Marketing, 2013, 77(6):37-53.

[8] 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(4):238-254.

[9] 方佳明, 王钰莹,赵志荣.不同产品品牌声誉对在线评论有用性影响因素的调节效应[J].软科学,2016,30(3):108-112.

[10] Cheema A, Papatla P. Relative importance of online versus offline information for Internet Purchases: Product category and Internet experience effects [J].Journal of Business Research, 2010，63(9-10):979-985.

[11] Liu Yong. Word of mouth for movies: Its dynamics and impact on box office revenue [J]. Journal of Marketing, 2006, 70(7):74-89

[12] 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.

[13] Scholz M, Dorner V. The recipe for the perfect review? An investigation into the determinants of review helpfulness [J]. Business & Information Systems Engineering, 2013, 5(3):141-151.

[14] Chen Yubo, Liu Yong, Zhang Jurui. When do third-party product reviews affect firm value and what can firms do? The case of media critics and professional movie reviews [J]. Journal of Marketing, 2011, 75: 116-134.

[15] Weathers D, Swain S D, Grover V. Can online product reviews be more helpful? Examining characteristics of information content by product type [J]. Decision Support Systems, 2015, 79:12-23.

[16] 郝媛媛,邹鹏,李一军,等. 基于电影面板数据的在线评论情感倾向对销售收入影响的实证研究[J]. 管理评论,2009,21(10):95-103.

[17] Dellarocas C. The digitization of word of mouth: Promise and challenges of online feedback mechanisms [J]. Management Science, 2003, 49(10):1407-1424.

[18] Duan Wenjing, Gu Bin, 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.

[19] Jiménez F R, Mendoza N A. Too popular to ignore: The influence of online reviews on purchase intentions of search and experience products [J]. Journal of Interactive Marketing, 2013, 27(3):226-235.

[20] Park D, Kim S. The effects of consumer knowledge on message processing of electronic word-of-mouth via online consumer reviews [J]. Electronic Commerce Research and Applications, 2008, 7(4): 399-410.

[21] Van D B C, Lilien G L. Medical innovation revisited: Social contagion versus marketing effort [J]. American Journal of Sociology, 2001, 106(5):1409-1435.

[22] 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.

[23] 龚诗阳,刘霞,赵平.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[J].中国软科学,2013,(6):171-183.

[24] Godes D, Mayzlin D, Using online conversations to study word-of-mouth communication [J]. Marketing Science, 2004,23(4):545-560.

[25] 杜学美,丁璟妤,谢志鸿,等.在线评论对消费者购买意愿的影响研究[J].管理评论,2016,28(3):173-183.

[26] 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.

[27] 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. Saint Louis, Missouri: ICIS Press, 2010.

[28] Racherla P, Mandviwalla M, Connolly D J. Factors affecting consumers' trust in online product reviews [J]. Journal of Consumer Behaviour, 2012, 11(2): 94-104.

[29] 郝媛媛,叶强,李一军. 基于影评数据的在线评论有用性影响因素研究[J]. 管理科学学报,2010,13(8):78-88.

[30] Ghose A, Ipeirotis PG. Designing ranking systems for consumer reviews: The impact of review subjectivity on product sales and review quality[C]//Proceeding of the ninth international conference on electronic commerce, 2007.

[31] 江晓东.什么样的产品评论最有用？—在线评论数量特征和文本特征对其有用性的影响研究[J].外国经济与管理，2015,37(4):41-56.

[32] 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.

[33] Ye Qiang, Law R, Gu Bin, et al. The influence of user-generated content on traveler behavior: An empirical investigation on the effects of E-WOM to hotel online bookings [J]. Computers in Human Behavior, 2011，27(2): 634-639.

[34] 周梅华,李佩镅,牟宇鹏. 在线评论对消费者购买意愿的影响——心理距离的中介作用[J]. 软科学,2015,29(1):101-104.

[35] Mudambi S, Schuff D. What makes a helpful online review? A study of customer reviews on Amazon.com [J]. MIS Quarterly, 2010, 34(1):185-200.

[36] Hyunmi B, Joong H A, Youngseok C. Helpfulness of online consumer reviews: Readers’objectives and review cues [J]. International Journal of Electronic Commerce, 2012, 17(2):99-126.

[37] Tversky A, Kahneman D. Judgment under uncertainty: Heuristics and biases [J]. Science, 1974, 185(4157):1124-1131.

[38] 王君珺,闫强.不同热度搜索型产品的在线评论对销量影响的实证研究[J].中国管理科学,2013,21(S1):406-411.

[39] Godes D, Mayzlin D, Using online conversations to study word-of-mouth communication [J]. Marketing Science, 2004，23(4):545-560.

[40] Li Xinxin, Hitt L M. Self-selection and informatiyon role of online product reviews [J]. Information Systems Research, 2008, 19(4):456-474.

ComparingtheEffectsofOnlineReviewsandOnlineCommentsonBox-officeIncomes

SHIWen-huaZHONGBi-yuanZHANGQi

(School of Economics and Management， Beijing University of Posts and Telecommunications, Beijing 100876, China)

Online reviews have been hot issues of researches in recent years. With the wealth of information carrier, the form of online reviews is more and more diversified. Nowadays the data source of research on online reviews mainly has two types: third-party product reviews and non-professional comment. However, there is little study about comparing the differences between two types of online reviews. In this article, the online movie review is divided into long review and short comment. Firstly, based on the review of literature, a conceptual framework is proposed to examine the impact of movie reviews on box-office. Then the online reviews data is collected from Douban movie Web site. The effects of review and comment on box-office incomes based on panel data are compared. The results show that review volume has no significant impact on box-office. Furthermore，the effect of comment volume weakened by week after reaching a peak. Besides，the influence of review valence variance doesnit exist until third week, but the comment valence variance continues to fifth week. Whether in volume or valence variance, comment has great influence on sales than review. The result indicates that the comment playas more important role in online movie reviews. This study is not only helyful for the further research of the impact of reviews on sales, but also optimizethes marketing strategies for movie producer and movie review site.

1003-207(2017)10-0162-09

10.16381/j.cnki.issn1003-207x.2017.10.017

F49

A

2016-02-21；

2016-06-29

国家自然科学基金资助项目(71371034,71372194)

石文华(1976-)，男(汉族)，江苏江州人， 北京邮电大学经济管理学院副教授，研究方向：在线评论，E-mail:ebiz@bupt.edu.cn.

Keywords： online reviews; volume; extremity；box-office