网购满意度、网络口碑与在线观察学习

陈振环

(东北林业大学 经济管理学院, 黑龙江 哈尔滨 150040)

一、引言

2018年8月，中国互联网信息中心(CNNIC)发布了《第42次中国互联网络发展情况统计报告》①。数据显示中国的网民规模高达8.02亿，网购用户及网上支付用户占网民总数比例高达71%，网络购物以其方便省时、价格低廉、不受地域限制等优点，正在成为深受广大网民欢迎的一种消费方式。诸多实体企业也紧紧抓住了新一轮“互联网浪潮”所带来的机遇，充分利用互联网平台拓宽产品的营销渠道，使线上和线下零售方式交织程度日益加深[1]。对于线上交易而言，产品销售页面提供了先前消费者对所购产品的评价信息，使广大后续消费者足不出户就可以针对心仪的产品进行比较选择，通过在线支付手段实现产品购买，极大地降低了消费者的交易成本。然而，消费者不仅对于交易方式的选择偏好方面存在异质性[2]，其购物体验也可能受到不同销售渠道提供信息和产品满足能力差异的影响，最终导致消费者满意度的影响因素方面存在显著差异。市场营销理论认为，满意度是企业保持竞争优势的重要手段，当企业的顾客满意度提升5%时，利润存在25%～85%的上升空间，探讨满意度的影响因素也一直是理论界关注的热点问题。作为一种典型的大体积耐用品，家具产品具有使用时间久、总价高、体积大、不易退换的特点，使其电子商务营销模式与冰箱、彩电等产品的模式相比更加复杂。从数据来看，2016年国内家具电商销售额以19.4%的增速达到了3536.4亿元，占主营业务比例达到41.32%，表明消费者对线上途径购买家具这种大体积耐用品的接受程度正在迅速提高。此外，随着中国消费者消费能力和健康意识的不断增强，对家具产品的环保性和美观性需求也越来越高，实木家具因其具备天然、环保、健康和高档的特点一直受到消费者青睐，因此有必要对消费者购买实木家具产品的满意度展开研究，探寻消费者对实木家具产品消费过程中满意度的影响因素进而提升消费者的满意度，这有助于家具企业制定合理的经营策略和促进国内家具行业的发展。

对已有研究进行梳理发现，从消费者年龄、收入等个体特征因素的微观视角出发并运用问卷调查手段对影响消费者购物满意度展开分析，目前已经涌现出大量有价值的成果。然而消费者的家具网购行为不仅仅受其个体因素的影响，实践中电商平台的产品页面信息因素亦会对消费者网购意愿产生刺激作用，目前有极少数文献讨论了产品销售页面的在线评论信息对产品销量的影响，却鲜有研究涉及产品销售页面信息对消费者网购满意度的影响，虽然已有少数学者指出了这种影响机制的客观存在(Finn, 2011)，但尚缺乏深入具体的实证分析进行验证。有鉴于此，本文以在线实木家具产品作为研究对象，结合电商平台的产品页面信息探究了网络口碑等信息对消费者网购满意度的影响，进一步丰富了消费者满意度领域的研究成果，并可为电子商务平台中的商家制定提升销售业绩的策略提供有益的借鉴。文章余下部分的结构安排如下：第二部分为口碑传播的形成原因及其对产品销量和网购满意度影响机理的相关文献回顾；第三部分为研究设计，给出了本文的数据来源、模型的构建与实证研究中所采用的变量说明；第四部分报告了不同视角下的实证分析结果，同时给出了内生性问题及稳健性检验结果；最后是本研究的结论与管理启示部分，并对研究局限性做出说明。

二、文献回顾

消费者在购买不同的产品和服务时，由于信息缺失总会习惯性的征询其他消费者的建议，以最大的程度的掌握相关的信息并做出购买决策[3]。实际上在行为科学领域研究中，人们很早就已发现信息沟通和口碑交流会影响个体的行为、偏好和决策[4]。但是，传统的口碑交流仅限于不同消费者之间面对面的讨论产品或服务信息，在一定的社交范围内受限于沟通媒介方式的落后，会随着时间的推移和地理距离的增加而导致影响力逐渐减弱(龚诗阳等，2013)。互联网的出现使这种情况得到了有效的改观，消费者可以顺畅的通过网络渠道进行信息交流，这也让口碑传播渠道从线下转移到了线上，从而使口碑传播的范围更广和时间更长，由此产生了网络口碑这一概念。在网络营销的研究领域，网络口碑又被称为在线口碑或在线评论，首先由Hanson(2000)在其著作《Principles of Internet Marketing》②引出，Hanson将网络口碑定义为以计算机为媒介的信息沟通，通过电子邮件、在线论坛、使用者群组或网站讨论区等形式进行的口碑传播[5]。在一些研究中认为，消费者在购买某种产品或服务之前，通常会查阅其他消费者对于其购买过程的评价，甚至于很多消费者在实体店进行购买产品时，也会提前查阅同类产品的线上评论信息，以最大限度减小购物过程中的不确定性因素和决策失误[6]。Dellarocas(2003)在其研究中也指出，互联网的通信功能可以实现网络口碑的在线反馈机制，因此消费者的在线评论系统被视为是实现网络口碑最直接有效的途径[7]。有关网络口碑的研究逐渐兴起并迅速成为热点，相关研究主要集中在网络口碑对产品销量的影响、评论有用性及在线评论的传播机制等方面，且尤其以网络口碑对产品销量影响的研究居多[8]。从研究对象的视角对国内外文献进行梳理发现，网络口碑对产品销量影响的研究横跨了电影票房[9-11]、图书产品[12-13]、电视节目[14]、电子游戏[15]、餐饮[16]、酒店住宿[17]、护肤品[18]、实木家具[19]、在线林产品[20]等多个产品领域，这些研究均着重讨论了在线评论的关键特征因素对产品销量的影响效应，通过网页数据与计量模型进行了规范严谨的实证分析，均认为在线评论对产品销量存在显著的影响。然而受限于研究视角、在线评论要素选择与实证分析方法的不一致，使相关研究的结论存在着比较大的差异，③这也导致了现有结论缺乏共识性的理论框架与规律性的研究发现(卢向华等, 2009)。

实际上，无论是研究网络口碑对产品销量的影响，亦或是探索网络口碑对于消费者购买意愿的影响，均无法回避消费者的网购满意度问题。④消费者在线购买产品或服务后所形成的在线评论信息，也直接或间接的反映了消费者对于购物过程中各个环节的满意程度，因为消费者会将其所获取的满意度感知反馈在在线评论信息之中。在既有的讨论消费者行为的研究中，Oliver(1980)所提出的期望确认理论(Expection-confirmation Theory，简称ECT)被广泛应用于评估消费者满意度及其购买行为，ECT理论认为消费者对于所购买的产品或服务满意与否，是基于购买前对产品或服务的预期与购买后所获得的绩效进行比较的结果，而满意度则成为消费者再次购买该产品或服务的参考[21]。消费者在参与网购的过程中经历着类似的过程，当消费者的预期与购买后的绩效存在差异的情况下，消费者就会获得不同层面的满意度认知，即当消费的预期低于购买后绩效的时候满意度较高，而当消费者的预期高于购买后绩效时满意度较低。因此，网络口碑与满意度在很大程度上存在着相关性。而从国内外研究现状来看，国外学者针对网络口碑与顾客满意度的关系早已展开了理论与实证研究。如Ho和Lee(2007)在研究电商服务质量时发现，网页信息的质量⑤会对顾客满意度和忠诚度产生显著的影响，网站的页面信息质量是预测顾客满意度和购买意愿的一个重要因素[22]。Finn(2011)探讨了加拿大在线零售网站的网页服务质量维度对客户满意度的非线性影响，发现网页的质量属性与客户满意度之间存在着非常显著非线性函数关系[23]。Guo等(2017)基于16个国家的25670家酒店信息，利用数据挖掘手段从在线酒店评论中提取出顾客满意度的维度，并使用多元线性回归分析验证了部分维度结构指标与整体满意度之间的线性相关性[24]。Widmer等(2018)使用医生的在线评论数据评估了患者的满意度情况，通过有负面评论信息和没有负面评论信息将医生编为两组，结果发现患者的满意度并没有显著差异[25]。而国内目前在该领域的探索尚处于起步阶段，如李燕飞(2016)[26]和吴维芳等(2017)[27]分别运用文本数据挖掘的手段，对在线评论信息中与满意度相关的高频特征词进行提炼，继而归纳分析了满意度的影响因素。在国内最近的一些研究中，电子商务平台的产品页面信息被进一步细化为点评类网络口碑(WOM)因素和电商服务质量类在线观察学习(OL)两个维度要素(张明玺和雷明, 2016)，而网络口碑因素在先前的研究中已经被证实会对消费者满意度形成间接的影响机制(魏佳, 2011; 姚卿和宋晓康, 2018)[28,29]。整体上看，国内现有研究仍以问卷调查为主(如查金祥等(2006)[30])，研究者会在样本的采集成本和代表性之间寻求折中，导致只能在有限的样本范围内进行实证检验(Guo等, 2017)。

综述所述，现有研究虽然为我们提供了有价值的成果，但相关课题仍然存在进一步探索的必要性。首先，现有研究对于网络口碑的讨论，大多数都是围绕在线评论对产品销量或购买意愿而展开，然而即使是基于同一视角下的研究结论也存在着很大的分歧，因此针对网络口碑继续展开深入研究是具有较大理论价值。其次，具体到网络口碑对网购满意度的影响，尽管已有研究从文本数据挖掘角度进行了有益的探索，但从实证性角度利用在线评论信息对满意度进行严谨的定量研究仍然非常匮乏。最后，大部分现有文献均从消费者的年龄、性别等个体特征因素讨论其对满意度的影响，而采用在线评论信息展开研究更加直接有效的体现了消费者的网络消费感知，可以从新的研究视角对消费者网购满意度的影响因素进行把握。基于对现有研究的梳理和归纳，本文拟在将目标网页信息进一步细分为网络口碑与在线学习观察的基础上，采用计量经济分析方法评估了哪些线上购买因素会对消费者网购满意度产生显著影响，进而为商家提升销售业绩提供借鉴，这也正是本研究需要解决的关键性问题。

三、模型构建与数据说明

(一) 变量的定义

在线商品销售网络平台的页面为消费者提供了极为丰富的信息(如淘宝商城、京东商城等)，其中不仅包含了之前消费者基于网购经历的在线评论信息，还包含了价格、发货地址以及交易成功数量等信息，这可以使消费者依靠产品销售页面的信息进行购买决策。参照学者Ho和Lee(2007)在关于电商服务质量研究中得到的重要结论，显示在线上购买过程中的网页信息质量会对消费者的满意度和忠诚度产生显著影响，这为本文接下来的实证研究部分提供了极具借鉴意义的理论支撑。如前所述，当消费者借助互联网媒介进行将要购买的产品或服务的信息沟通过程，被称为网络口碑。在心理学与经济学领域，消费者之间基于所看到的行为而进行的社交互动和决策被称为观察学习[31]。国内学者张明玺和雷明(2016)在此基础上提出了在线观察学习⑥的概念，认为在线观察学习是基于互联网信息而展开的观察学习行为，并指出网络口碑(WOM)和在线观察学习(OL)是基于消费者行为而产生的两种典型可供参考的产品销售页面信息[32]。与口碑传播相比，观察学习为行为主体提供了更少的信息数量和可信度，因为其完全依赖个体根据眼前所观察到的信息做出主观层面的决策。

本文借鉴和延续了张明玺和雷明(2016)的研究思路，在其研究基础上对网络口碑与在线观察学习的维度结构进行了适当的调整。首先，我们采用累计评论数量(REVI)、以及正面评论标签所占比例⑦(POSI)这两个变量来衡量点评类网络口碑信息，采用评论数量来反映网络口碑是已有研究的普遍做法(Gu和Park等, 2012)[33]，正面评论标签所占比例则反映了产品获得消费者正面评价的程度，可为潜在顾客购买产品时提供更加全面地参考信息(张明玺和雷明, 2016)。其次，我们采用了描述相符与同行平均相对比率(DESC)、服务态度与同行平均相对比率(SERV)、物流速度与同行平均相对比率(LOGI)、宝贝收藏次数(FAVO)、搜索排名(RANK)衡量电商服务质量类在线观察学习信息，前面三个相对比率变量反映了店铺当前在某一方面得分与同行所有店铺平均得分的相对比率⑧，从另一方面也综合反映了电商服务质量的好坏，收藏次数反映了该产品受消费者的欢迎程度(通常指“人气”)，搜索排名间接地反映了消费者网购过程中接触到该产品的优先程度。最后，我们采用主成分分析方法计算权重，针对描述相符、服务态度和物流速度得分⑨构建了一个满意度加权综合指数，以此来度量消费者的网购满意程度。

(二) 模型构建

本文采用多元线性回归分析方法分析消费者网购满意度的影响因素，将被解释变量设定为消费者网购满意度综合指数(SATI)，解释变量主要包含了网络口碑(WOM)和在线观察学习(OL)以及其它可能会对满意度产生影响的因素。首先采用SPSS 23.0软件中的主成分分析功能计算描述相符、服务态度和物流速度得分权重，KMO和Bartlett球型检验的值为0.770，说明数据是适合做主成分分析的；初始特征值显示只有一个主成分大于1，可以解释方差总变异的89.216%，主成分变量具有较强的解释能力，最终求得三个得分指标权重分别为0.332、0.335、0.333，然后采用加权平均数的方式计算得到满意度综合指数。⑩其次，解释变量除了网络口碑因素(WOM)和在线观察学习因素(OL)，我们还考察了页面信息中的产品价格(PRIC)、折扣系数(DISC)、产品销量(SALE)以及店铺虚拟变量(PLAT)对满意度综合指数可能存在的影响。其中，产品价格(PRIC)与产品搜索排名相对应，反映了产品区间的最低价格；淘宝(天猫)店铺在其销售页面还同时提供了实体店价格和淘宝(天猫)价格，根据这两种价格可以计算出该项产品的折扣系数；产品销量(SALE)采用30天内交易成功数量替代，因产品的销量越大需要提供的售后服务概率越高，而售后服务的好坏可能会影响到消费者的满意度；店铺虚拟变量(PLAT)为两分类变量，当店铺为天猫店铺时值设为1，当店铺为淘宝店铺时值设为0。最后，为了尽量减少解释变量以外因素对参数估计准确性带来的干扰，我们还在回归模型中加入了若干控制变量(CONTi)，主要包括发货属地省份的地区固定效应(δ)、人均GDP(CONT1)、IPv4地址数 (CONT2)和货运总量(CONT3)，后三个变量分别反映了发货属地省份的经济发展水平、互联网发展水平和物流运输能力。回归模型如下：

(1)

在上式中，β为待估计的回归方程系数，ε为模型中的误差项。参照已有研究的普遍做法，考虑到解释变量可能存在的边际递减效应和尽量减小异方差现象，对模型中的部分解释变量进行了对数化处理，最后选用普通最小二乘法(Ordinary Least Square, 简称OLS)对回归方程进行参数估计。在后续的实证分析部分，我们还会采用逐步回归分析方法对解释变量进行筛选，以得到对回归系数更加精确地无偏估计量，避免出现伪回归现象。

(三) 数据描述

本研究的原始数据采集自国内深受欢迎的网购零售平台——淘宝网(含天猫平台)，淘宝网在亚太区域范围内也属于比较大型的网络零售电商，仅在2017年“双十一”当天就达成交易额1682亿元。本文将研究对象定义为淘宝网的实木家具产品，通过在淘宝网首页搜索栏键入实木家具字段进行检索，然后使网页形成按产品销量进行排名的列表，最后借助面向对象的解释型计算机程序设计软件Python，通过编程按照事先定制的规则对网页相关字段进行抓取。数据的采集时间为2017年12月7日，由于刚经历过“双十一”大型网购狂欢日，淘宝店铺也已结束大规模确认收货的在线评论高峰期，因而本文的样本数据比较具有代表性。值得注意的是，在淘宝网中检索实木家具类商品，所呈现的产品排名页面呈现的是同时包含天猫店铺和淘宝店铺混合列表，我们进一步对取样对象进行了筛选，剔除了销量仅为个位数的样本，最终得到1044个有效样本数据，其中发货地址分布于广东省等14个地区，包括了700个淘宝店铺数据和344个天猫店铺数据。除此以外，人均GDP(CONT1)和货运总量(CONT3)数据均来源于2017年《中国统计年鉴》，IPv4地址数 (CONT2)数据取自于《第40次中国互联网络发展状况统计报告》，我们利用Stata 15.0软件根据省份信息将其与抓取的网页数据进行匹配，形成了最终的研究数据集。表1给出了主要变量的描述性统计结果。

表1 变量描述性统计

四、实证结果与分析

(一) 相关性检验

相关系数反映了变量之间联系的密切程度，相关系数越大预示着变量间的相关性越强。在进行正式的回归方程参数估计之前，进行相关性检验是必要的，这可以进一步明确解释变量之间是否存在多重共线性的问题，同时还可以判断哪些解释变量对被解释变量存在的影响较大。我们使用Stata 15.0软件计算了变量之间的相关系数矩阵，并基于Sidak检验方法将多重比较纳入了考虑来调整显著性水平，这样做可以有效的避免陷入多重比较谬误问题，相关系数矩阵的结果如表2所示。从表2中的相关系数矩阵可以看出，在回归方程的全部解释变量中，只有搜索排名(LnRANK)和店铺虚拟变量(PLAT)两个变量与满意度综合指数(SATI)的相关系数较小，两个解释变量的显著性概率P值均大于0.1，无法拒绝相关系数显著异于0的原假设，因此两个解释变量可能与满意度综合指数不相关，除此之外的其他解释变量均在α=0.01的水平上拒绝了原假设，剩余解释变量与满意度综合指数均是显著相关的。而从各个解释变量之间的相关系数来看，我们发现描述相符与同行平均相对比率(DESC)、服务态度与同行平均相对比率(SERV)、物流速度与同行平均相对比率(LOGI)呈现高度相关性，因此在接下来的回归模型中需考虑可能存在的多重共线性问题。

表2 相关性检验结果

续表2

SATILnREVIPOSIDESCSERVLOGILnFAVOLnRANKLnPRICDISCLnSALEPLATLOGI0.8622***-0.3390***0.2410***0.9472***0.9462***1(0.0000) (0.0000) (0.0000) (0.0000) (0.0000) LnFAVO-0.3966***0.7660***0.0285-0.5077***-0.4619***-0.4998***1(0.0000) (0.0000) (1.0000) (0.0000) (0.0000) (0.0000) LnRANK-0.0081-0.4230***-0.0842-0.0185-0.0069-0.0404-0.1634***(1.0000) (0.0000)(0.3487) (1.0000) (1.0000) (1.0000) (0.0000) LnPRIC0.3690***-0.1220***0.1857***0.3446***0.3440***0.3462***-0.09610.1521***1(0.0000) (0.0051) (0.0000) (0.0000) (0.0000) (0.0000) (0.1170) (0.0001) DISC-0.1382***0.2012***0.0827-0.2385***-0.1934***-0.2184***0.2999***-0.0120.04921(0.0005) (0.0000) (0.3932) (0.0000) (0.0000) (0.0000) (0.0000) (1.0000) (0.9996) LnSALE-0.1974***0.6362***0.0267-0.3002***-0.2666***-0.2664***0.5370***-0.7034***-0.1657***0.2590***1(0.0000) (0.0000) (1.0000) (0.0000) (0.0000) (0.0000) (0.0000) (0.0000) (0.0000) (0.0000) PLAT-0.07060.1739***0.1013*-0.2024***-0.1576***-0.1541***0.2812***-0.0996*0.1137**0.4041***0.4898***1(0.7790) (0.0000) (0.0667) (0.0000) (0.0000) (0.0000) (0.0000) (0.0808) (0.0151) (0.0000) (0.0000)

注：***代表在α=0.01水平下显著，**代表在α=0.05水平下显著，*代表在α=0.1水平下显著；括号内数值为对应的显著性概率.

(二) 不同因素对网购满意度的总体影响

多元线性回归的异方差问题和多重共线性会使参数估计结果有偏且不一致，这会导致我们的研究结论产生偏误。为了尽量减小可能存在的异方差问题，事先对主要连续型变量进行了对数化处理，目的是最大限度的压缩原始数据的方差，从数据的源头上对异方差的潜在影响进行控制[34]。针对多重共线性问题，我们基于前面所设立的回归模型作为基准模型，然后通过逐步添加不同控制变量的方式设定了多个形式的回归方程，目的是便于比较纳入不同解释变量时回归模型的系数变化情况。在实际操作中，我们还使用了方差的稳健估计方法来获取稳健标准误(Robust)，与常用的回归标准误相比，稳健标准误放宽了独立同分布的误差假定，因而得到的结果更加令人信服。最终，我们以逐步回归方法给出了回归方程的最终结果形式。与常见的图书或餐饮服务产品属性的区别在于，实木家具产品被归属于大体积耐用品的范围之内，相较而言实木家具产品兼具了资产和实用的属性，消费者一般购买此类商品都会比较慎重，这也可能导致消费者对于网络口碑与在线观察学习信息的认识程度存在差异，因此实证结果与针对其它产品得到的研究结论存在相悖的可能性。回归方程估计结果如表3所示。为了便于对比，本文一共设定了5组回归方程。模型(1)对应基准回归方程的普通最小二乘法(OLS)的参数估计结果，模型(2)至模型(5)分别采用了稳健标准误(Robust)进行参数估计。

从基准回归方程(1)可以看出，累计评论数量(REVI)、正面评论标签所占比例 (POSI)、宝贝收藏次数(FAVO)、店铺虚拟变量(PLAT) 和控制变量中的货运总量(CONT3)在模型中的系数并不显著，而常数项和其他解释变量均是显著的。模型(3)则在基准回归方程的基础上给出了稳健标准误(Robust)的估计结果，我们可以看出其回归系数与基准回归方程的回归系数完全相同，但其标准误的值大部分均有所下降，而除了IPv4地址数 (CONT2)的显著性发生变化外，其余的回归系数显著性并没有发生明显的改变，说明本文的回归结果是相对稳健的。除此以外，我们在模型(2)中并没有采用模型(3)中包含的控制变量，而是在回归方程中控制了地区固定效应，由于原始数据的发货属地包含了14个地区，对潜在的地区异质性因素进行控制可以减少随机因素的干扰，地区固定效应的处理通过在回归方程中引入了13个地区虚拟变量来完成。同理，为了便于比较回归模型系数的显著性差异，我们在模型(4)中同时加入了3个控制变量和地区固定效应，可以看出回归系数的显著性与模型(3)并没有明显的差异。需要指出的是，在模型(4)的地区固定效应变量中，绝大多数虚拟变量均不显著，我们可以认为控制变量的加入已经可以较好的解决问题。因此，模型(5)在稳健标准误参数估计的基础上，进一步采用了逐步回归方法对网购满意度的影响因素进行筛选，剔除了在α=0.1置信水平下不显著的因素，这样可以得到较为精确的回归系数无偏估计值。最终结果显示，就实木家具产品的网购满意度而言，网络口碑因素并没有对其产生显著影响，服务态度相对比率(SERV)、物流速度相对比率(LOGI)、描述相符相对比率(DESC)对网购满意度存在正向影响，且影响力度依次由强变弱，而搜索排名(LnRANK)、产品价格(PRIC)、店铺虚拟变量(PLAT)和产品销量(SALE)对满意度的影响也是正向的，说明以上因素均促进了网购满意度的提升。综上所述，我们发现实木家具产品的网购过程与其它商品存在相似之处，即消费者仍然会在网购过程中关注描述相符、服务态度和物流速度的感知体验；而搜索排名和产品销量越高的实木家具产品，说明该家具产品越受到消费者的青睐，此时消费者的网购满意度也相对较高；网购满意度随产品价格的增加而提高，通常较高的产品价位对应中高档家具产品，由于消费对象对产品品质的要求不同，粗制滥造型家具产品出现的几率大幅降低，较低的价格通常也在一定意义上意味着较低的服务与质量(张怀, 2015)，消费者虽考虑能不能购得物美价廉的产品，但更加关注电商平台的安全性和产品质量保证(查金祥等, 2006)；天猫店铺相对淘宝店铺的网购满意度要稍高，可能的原因在于天猫店铺对于商家准入标准更加严格，从而降低了网络欺诈与假冒伪劣现象的发生几率(张明玺和雷明, 2016)。

表3 总体影响的回归方程估计结果

注：括号内数值为标准误或稳健标准误，***代表在α=0.01水平下显著，**代表在α=0.05水平下显著，*代表在α=0.1水平下显著.

(三) 不同热度下满意度的影响因素分析

随着互联网时代的到来，热门是当今一个频繁出现的词汇，然而对于其概念的界定却鲜有文献有所涉及。从一般意义而言，热门是指比较流行的引人注目或吸引人的事物，通俗一些理解就是指一种产品受到欢迎或关注的程度。此外，也有一些文献从微观经济学的视角对热门进行了定义，如Stock和Balachander(2005)认为热门产品是指当前商品处于消费者很难获取的状态，也就是说产品处于资源稀缺的情况，因此厂商可以通过使产品稀缺来获取可观的市场利润[35]。目前，理论界对于热门产品和非热门产品的界定标准并不统一，不同的学者对于如何区分热门产品和非热门产品提出了多种方法。如盘英芝等(2011)采用已看过、正在看和收藏数作为图书产品的热门程度的指标，然后通过聚类分析方法将图书分为热门产品和非热门产品两类，然后根据相关样本进行实证分析[36]。王君珺和闫强(2013)从消费者需求量大小的视角出发，采用在线评论的数量作为热门与非热门品牌的划分标准，评论数量在均值以上的样本为热门产品，反之则划分为非热门产品。Zhu和Zhang(2010)分析在线评论对游戏产品销量的影响时，采用了销售数量衡量商品的热门程度，将销售数量在均值以上的产品定义为热门，反之则划分为非热门产品[37]。综合上述资源稀缺理论与消费者需求量理论，我们认为采用产品销售数量作为热门程度的划分标准较为妥当，因为资源稀缺程度和消费者的需求量大小均可以通过销售数量得到最为直观的体现，而采用评论数量反映消费者的需求，则无法排除一些消费者交易完成后并未进行点评的特殊情况。根据Zhu和Zhang(2010)对于热门与非热门产品的划分标准，本文将实木家具样本数据划分为两大类，并采用方差的稳健估计方法计算回归方程系数，得到的结果如表4所示。

模型(6)与模型(7)分别针对非热门类实木家具产品的样本进行回归分析，模型(8)和模型(9)则给出了热门类实木家具产品的回归分析结果。在全部样本中，非热门类实木家具产品的数量多于热门类实木家具产品，其中非热门类样本有601个，而热门类样本只有443个。模型(6)为针对非热门类实木家具产品全部解释变量的回归结果，可以看出回归方程中存在很多解释变量不显著的情况，因此我们采用逐步回归方法得到更加简洁的模型(7)。回归结果显示，对于非热门类实木家具产品，对消费者网购满意度影响最大的为服务态度与同行相对比率(SERV)，其次为物流速度与同行相对比率(LOGI)，描述相符与同行相对比率(DESC)排在第三位，产品价格(PRIC)对满意度的影响系数最小，且这些解释变量对网购满意度的影响均为正向效应。同理，模型(8)和模型(9)分别给出了热门实木家具产品的回归结果。从模型(9)的参数估计结果可以看出，对于热门实木家具产品而言，对消费者网购满意度影响最大的为服务态度与同行相对比率(SERV)，其次为物流速度与同行相对比率(LOGI)，描述相符与同行相对比率(DESC)在模型中变得并不显著，产品价格(PRIC)依然对网购满意度产生了显著的正向影响，而实木家具产品的销量(SALE)与搜索排名(LnRANK)也对网购满意度具有显著的正向促进作用。由此可见，与前面的全样本回归结果相一致，我们发现网络口碑因素对于实木家具产品的网购满意度影响并不显著，而在线观察学习因素则对消费者的网购满意度产生了显著影响，反映了消费者对于实木家具产品的选购更加的理性，关注的重点集中在店铺的服务质量方面的自我感知，而不会盲目的追随其他消费者做出评论反馈。除此以外，我们发现店铺虚拟变量(PLAT)对热门家具产品存在显著的正向影响，这意味着天猫店铺中的热门家具产品相对淘宝店铺中的热门家具产品满意度要高，而在非热门实木家具产品中这种影响则并不显著存在。与全样本回归结果相一致的是，折扣系数(DISC)和正面评论标签比例(POSI)对消费者网购满意度的影响均不显著。可能的原因在于网络店铺在营销中的打折现象非常普遍，并不能明显的刺激消费者产生该产品相对便宜的心理感知，同时消费者的消费观念日趋理性，折扣对消费者决策的影响正在逐渐减小(张怀, 2015)，而正面评论标签比例的影响则可能受到来自负面评论标签影响的抵消，使消费者难以根据评论标签的内容对网购满意度做出综合的评判(张明玺和雷明, 2016)。

公路养护管理部门还要增强养护人员的专业技能，改变原有的公路养护理念，让养护人员更加清晰地了解自身工作性质，充分认识到做好公路大中修养护工作对公路安全运行的重要性。从公路养护管理人员自身角度来分析，要树立长远工作目标，正确看待公路大中修工程养护工作，并定期总结工作经验，对于结构不同的公路，应当采取不同的公路养护方法，并加强检修力度，提升公路预防性养护水平，保证公路能够可靠运行。

表4 热门产品与非热门产品的回归方程估计结果

注：括号内数值为稳健标准误，***代表在α=0.01水平下显著，**代表在α=0.05水平下显著，*代表在α=0.1水平下显著.

(四) 不同价位下满意度的影响因素分析

与图书和电影等产品相区别之处在于，实木家具产品更加偏向于体验型商品，即需要消费者购买后进行使用才能够对产品品质进行正确的评价，仅通过商家的介绍信息所能够获知的商品属性有限，而前者完全可以在购买前通过商家介绍信息就能够对商品属性进行精确感知，因此前者属于搜索型商品。根据微观经济理论，消费者的需求量会随价格的变化而改变，那么当价格的变动引起消费者对实木家具产品需求量的变化，也同时意味着商家为消费者提供售后服务总量的增加或减少，而电商服务质量则会影响到消费者对实木家具产品的综合评价结果。例如，当商家需要为多个消费者提供售后服务时，由于时间或精力的限制，可能会引发消费者对商家服务的抱怨，当顾客得到的服务体验与购买前的预期不一致的情况下，就会导致消费者的网购满意度相对较低。一些学者在研究中发现，对于较高价位的产品而言，口碑评分的重要性存在边际递增效应，而随着产品价格的继续提高，口碑评分的重要性则呈现边际递减特征，甚至变为负面影响；此外，价格通常是消费者进行消费的主要动机，对于低价位产品而言，消费者面临风险的成本较低，消费者可能会更加容易达成交易行为；而对于高价位的产品而言，较高的价格通常会被消费者认为是产品价值的体现，一些消费者可能更加偏爱高价位的实木家具产品(卢向华和冯跃, 2009)。因此，价格对消费者的影响可能存在双重叠加效应。实木家具产品带给消费者的印象通常是价格高不可攀，然而当前实木家具市场并非高端消费者的独宠，由于满足各个收入阶层的消费需求，因此按照价格也可以被划分为高、中、低档。我们通过对产品价格(PRIC)进行描述统计发现，样本数据中的价格最小值为80元，而最大值为40875元，均值为2465.9元，可见与上述分析完全相一致。

目前对于实木家具产品价格档次的划分并没有固定的标准，需要根据实际情况对价格进行灵活的处理，我们考虑到消费者对于家具档次的划分会在工资收入水平与实木家具产品价格之间进行综合权衡，家具产品的分档也应该根据消费者的支付能力进行界定。因此本文效仿了恩格尔系数的计算方法，得到划分实木家具产品档次的价格界限。我们采用了消费比例系数的形式，采用实木家具产品的实际价格与国内城镇人均工资水平的比例系数作为区划标准，参照恩格尔系数对于贫困和富裕的界定标准，本文界定当消费比例系数低于0.3时，我们将其视为低端实木家具产品，当消费比例系数介于0.3和0.59之间时界定为中端实木家具产品，当消费比例系数大于0.59时定义为高端实木家具产品。全国城镇人均平均工资数据来源于2017年《中国统计年鉴》，转换为月平均工资为5630.75元，因此我们可以得到实木家具产品的分档界限分别为1689.23元和2989.93元。根据这一界定标准，我们将原始数据划分为高、中、低档三组样本，并分别进行逐步回归分析，以检验不同价位下消费者网购满意度的影响因素差异，具体的回归分析结果见表5。模型(10)和模型(11)给出了低端实木家具产品的样本估计结果，低端产品的样本个数为502个，可以看出对于低端产品，消费者会更加关注服务态度与同行相对比率(SERV)，其次为物流速度与同行相对比率(LOGI)，而产品销量(SALE)、产品价格(PRIC)与搜索排名(LnRANK)对消费者网购满意度具有正向促进作用。中端实木家具产品的样本个数为309个，模型(12)和模型(13)给出了回归分析结果，消费者关注的重点为服务态度与同行相对比率(SERV)，其次为描述相符与同行相对比率(DESC)和物流速度与同行相对比率(LOGI)，中端实木家具产品在天猫店铺中的满意度要比淘宝店铺的满意度稍高一些。模型(14)和模型(15)为高端产品的回归分析结果，其样本个数为233个，与低端产品的影响因素相类似，产品销量(SALE)、产品价格(PRIC)与搜索排名(LnRANK)均具有正向促进作用，不同之处在于消费者主要关注描述相符与同行相对比率(DESC)和物流速度与同行相对比率(LOGI)因素，这可能是由于高端产品价格较高，相较于中低端产品店家的服务态度普遍都比较好。综上所述，实木家具产品的网络营销的重点需要从产品质量、服务态度和物流速度三个方面提升消费者的满意度水平，中端产品在天猫店铺进行销售以赢得消费者的信任水平，中高端产品可以通过适当的价格歧视手段促进消费者的购买欲望，例如通过合理的提高价格使顾客认为实木家具产品有更好的质量保障。折扣系数作为最为常用的促销手段，对实木家具产品的网购满意度影响效果并不显著，这与张怀(2015)的研究结论是一致的。同时，实木家具产品作为体验型产品，网络口碑因素对于消费者满意度的影响十分微弱，甚至可能会取得适得其反的效果。

表5 不同价格档次产品的回归方程估计结果

续表5

模型(10)模型(11)模型(12)模型(13)模型(14)模型(15)SERV0.177***0.173***0.0880***0.0965***0.0296(0.0173)(0.0132)(0.0154)(0.0157)(0.0241)LOGI0.0545***0.0522***0.0349***0.0330***0.0698***0.0762***(0.0133)(0.0113)(0.0122)(0.0116)(0.0148)(0.0111)LnFAVO0.00172-0.001170.00118(0.00212)(0.00120)(0.00140)LnRANK0.004250.00594**0.002920.00901***0.00861***(0.00283)(0.00240)(0.00288)(0.00274)(0.00285)LnPRIC0.00681*0.00782**-0.002270.0105***0.00917**(0.00353)(0.00308)(0.00886)(0.00367)(0.00356)DISC0.003180.0134-0.0120(0.00810)(0.00926)(0.0108)LnSALE0.00785**0.00983***0.002530.0114***0.00942**(0.00356)(0.00268)(0.00242)(0.00356)(0.00369)PLAT0.001380.005360.00815**0.000888(0.00529)(0.00371)(0.00366)(0.00491)LnCONT1-0.00143-0.0121-0.0148***-0.0139(0.00684)(0.00866)(0.00534)(0.0121)LnCONT20.003180.004550.00869***0.00535(0.00398)(0.00925)(0.00264)(0.0124)LnCONT3-0.0005860.00542-0.000536(0.00428)(0.0107)(0.0147)_CONS4.597***4.605***4.746***4.786***4.671***4.608***(0.0944)(0.0315)(0.115)(0.0552)(0.116)(0.0530)N502502309309233233R20.8090.8080.8090.8050.7430.733adj. R20.8040.8060.8000.8020.7270.728

注：括号内数值为稳健标准误，***代表在α=0.01水平下显著，**代表在α=0.05水平下显著，*代表在α=0.1水平下显著。

(五) 内生性及稳健性检验

在基准回归分析结果中，我们基于全样本回归模型(3)考察了不同因素对满意度的整体影响，然而网购满意度与产品销量之间可能存在双向因果关系，这可能会导致我们的回归分析结果存在内生性问题。在回归分析中导致内生性问题的可能原因有三方面，主要包括了遗漏变量、反向因果和测量误差。一方面，我们在回归分析中发现产品销量的提升对顾客满意度具有正向促进作用；另一方面，由于消费者网购满意度的提升会让其作出较高的评分，直接影响可能会导致消费者的二次购买行为，间接影响则会使其他消费者根据评分结果作出购买决策，这些影响均会促进产品销量的增加。此外，已有研究证实了消费者的个体特征和主观偏好会对家具购买行为产生显著的影响，如李英等(2016)通过对问卷调查数据进行多元对应分析后发现，家具消费者的职业、月收入、以往的网购经历等个体特征与其购买行为存在高度相关性[38]。然而，受制于淘宝网页信息的局限和约束，我们并不能获取消费者的个体特征信息，这导致基准回归分析存在遗漏变量的可能性。解决内生性问题的常用方法是利用工具变量，采用两阶段最小二乘法(2SLS)进行参数估计，工具变量必须要满足两个条件：其一是工具变量与内生变量相关，其二是工具变量与随机扰动项不相关；若模型不存在内生性问题，则采用工具变量法与基准回归方程的估计结果应该相似，反之则存在内生性问题[39]。本文采用店铺是否提供上门安装服务(INSTALL)作为产品销量的工具变量，当商家提供该项服务时我们令值为1，反之则值设为0，这是因为如果店铺提供上门安装服务意味着消费者会获得额外的增值服务，这会使消费者更加偏爱选择提供上门安装服务的店铺购买产品，进而会使店铺的产品销量得到提升。而上门安装服务属于商家自行决定是否提供，商家在制定政策前并不知道潜在顾客的个体特征，因此上门安装服务具有相对的外生性。为了进一步确保回归结果的稳健性，我们还采用了地区固定效应对分组回归结果进行了再检验，具体结果如表6所示。模型(16)为两阶段最小二乘回归分析结果，模型(17～21)分别对应热门产品、非热门产品、低端产品、中端产品、高端产品的参数估计结果。从整体来看，使用了工具变量的情况下，两阶段最小二乘(2SLS)估计结果与基准回归估计结果基本相一致，而采用了地区固定效应进行分组参数估计的回归系数及显著性均未发生明显的变化，这进一步说明了本文的实证分析结果的可靠性和稳健性。

注：括号内数值为稳健标准误，***代表在α=0.01水平下显著，**代表在α=0.05水平下显著，*代表在α=0.1水平下显著.

五、结论与启示

本文基于国内最大的B2C网购零售平台——淘宝网(含天猫平台)实木家具产品销售页面提供的丰富数据信息，讨论了网络口碑信息和在线观察学习信息等解释变量对消费者网购满意度的影响，得到的主要结论包括以下几方面：首先，基准回归分析、逐步回归分析、工具变量估计和稳健性检验的结果均显示网络口碑因素对消费者网购满意度的影响并不显著，在线观察学习因素对消费者网购满意度的影响绝大部分情况下较为显著，折扣系数和宝贝收藏次数对消费者的网购满意度并没有发生显著影响，产品价格、产品销量和店铺虚拟变量对网购满意度的影响会因产品类型的不同而存在影响差异。其次，不同热度下分组回归结果显示实木家具产品的消费者网购满意度的影响因素存在显著差异，非热门产品的消费者更多的关注描述相符与同行相对比率、服务态度与同行相对比率、物流速度与同行相对比率和产品价格因素，而热门产品的消费者还会额外关注搜索排名、产品销量和店铺所处平台因素；结果显示热门产品在天猫店铺的满意度相对淘宝店铺的满意度要高，对于非热门产品则这种差异性并不显著。再次，进一步按照价格将实木家具产品划分为低端、中端、高端三种类型，不同价格档次下分组回归结果显示实木家具产品的消费者网购满意度的影响因素具有明显差异；搜索排名、产品价格和产品销量均对消费者的网购满意度呈正向影响，差异主要体现在在线观察学习因素方面，低端产品消费者主要关注服务态度与同行相对比率和物流速度与同行相对比率，高端产品消费者关注重点在于描述相符与同行相对比率、物流速度与同行相对比率；中端产品的消费者则同时关注描述相符与同行相对比率、服务态度与同行相对比率、物流速度与同行相对比率因素，这与非热门产品的消费者关注重点存在交集，店铺所处平台亦会对网购满意度产生影响。最后，从使用是否提供上门安装服务作为工具变量进行参数估计和使用地区固定效应替代控制变量的估计结果来看，回归方程系数的符号和显著性并未发生大规模的改变，说明本文的实证分析结果是稳健的。

基于实木家具产品销售页面信息的理论分析与实证检验结果，对于大型B2C网络购物平台的商家提升顾客满意度提供了丰富的政策启示。第一，网络零售商应该牢固树立诚信经营意识。利用B2C网络购物平台进行产品销售，并非简单的通过互联网信息技术实现交易过程，网络商铺的价值和经营模式在于拓宽销售渠道，使潜在的消费者摆脱了地域因素的限制，节省了消费者的交易成本。然而，中国的消费者对于网络购物过程的满意度和信任度普遍不高(查金祥等, 2006)，整体上与消费者的购买前对产品的预期尚存在一定的差距，消费者的网购满意度仍然存在进一步的提升空间。消费者对于实木家具产品的购买，普遍都比较重视描述相符与同行相对比率，因此网络零售商必须确保产品页面信息描述的真实性，杜绝产品页面信息的伪造或不真实对消费者满意度造成的负面影响。网络零售商过分夸大或造假产品页面描述信息，短期内虽然能够带动销量的增加，但一旦消费者做出较低满意度评分，将给网络零售商的利润带来长期的负面影响(张明玺和雷明, 2016)。第二，网络零售商需要持续不断的提高电商服务质量。我们的实证结果显示实木家具产品的消费者普遍重视服务态度与同行相对比率、物流速度与同行相对比率两方面因素，所以网络零售商家不仅应该为消费者提供完善的售后服务体系，还应该兑现服务承诺和提供快速的退换货机制与补偿机制。当前国内快递服务公司呈现多元化市场特征，物流速度快通常意味着运送费用上升，但商家为消费者选择快递方式时应该充分考虑物流速度，而不应该局限于仅仅考虑物流成本因素，商家可以在物流成本方面做出适当地让步，毕竟物流速度的增加会使网购满意度得到提升，从长远盈利来看是非常值得的。第三，网络零售商的促销手段不应该仅局限于传统的打折活动。从本文使用的实木家具产品样本来看，几乎所有的店铺都使用了打折手段进行促销，然而折扣系数变量对于消费者网购满意度的影响并不显著，说明消费者对于网络零售平台的打折活动可能正在变得越来越不“感冒”。一些媒体曝光了某些网络零售商在促销活动开始之前提高产品价格，再通过打折活动将价格降至原价，表面上看促销活动对消费者让利，实际上这种不诚信行为严重影响了网络平台声誉，降低了消费者对于打折促销的信任感。网络零售商可通过为消费者提供免费上门安装服务等增值业务，提高消费者的满意度。第四，实行差异化的营销策略，满足各层次消费者的需求。实木家具产品作为大体积耐用品，决定了消费者即关注其美学价值又重视其实用价值，可以采用搭配销售或分档销售的方式迎合消费者需求，适度的让产品价格高于同行平均价格，会让消费者产生具有更好质量保障的感觉。此外，天猫店铺的准入条件虽然略显严格，但会让消费者对产品质量形成更高的信任感，一些情况下有利于提高网络零售商的业绩。

近年来，随着中国经济的蓬勃发展和人均可支配收入水平的提高，越来越多的消费者更加偏爱于网络形式购买需要的商品。如今，无论是在农村亦或城市，个人电脑都已经变为十分普及的工具，在过去几年里实木家具的网络零售也迅速得到发展。但实木家具产品毕竟与服装、电子产品等有一定的区别，因为从一般层面来讲家具更大成分要归属于耐用型产品，因此消费者对于网络购买方式会变得异常谨慎。先前的实证研究侧重于从个体特征层面探索对消费者满意度的影响或者在线页面信息对销量存在的影响，而我们的研究拓展了此前的工作并可初步发现消费者对实木家具产品网购满意度的影响因素，为淘宝网店家在店铺经营方面如何提升消费者满意度提供有意义的借鉴。值得注意的是我们的研究也存在一定程度的局限性。本文的经验研究结果基于实木家具产品网页销售数据完成，而大体积耐用品则包括冰箱、电视、洗衣机等多种产品，因而研究结论在针对大体积耐用品推广时的普适性有待进一步检验和完善，因此本文的结论仅属于指示性参考。尽管如此，我们的研究结论可以帮助电商企业了解消费者对大体积耐用品网购满意度的影响因素。此外，一些学者在针对图书产品(龚诗阳等, 2013)和笔记本电脑产品(张明玺和雷明, 2016)的研究中，采用网络爬虫工具获取了样本随时间变化的面板数据，由于增加了时间维度和扩大了样本量，可以分析影响因素的动态变化信息，使估计结果的精确度得到提高。受到时间和技术手段的限制，本文采用的是淘宝网实木家具样本的横截面数据形式，而未将其它大型电商平台的样本纳入分析范围，因此扩大产品范围和样本数据量展开实证研究将是未来进一步的研究方向。

[注 释]

① 1997年，国家主管部门研究决定由中国互联网络信息中心(CNNIC)牵头组织有关互联网单位共同开展互联网行业发展状况调查，自1997年至今CNNIC已成功发布42次全国互联网发展统计报告，自1998年以来，中国互联网络信息中心形成了每年年初和年中定期发布《中国互联网络发展状况统计报告》的惯例，这些报告均可以在中国互联网络信息中心(CNNIC)的官方网站上免费下载。

② 该书英文版于2000年由美国西北大学出版社出版，国内学者成湘洲将其译为中文版，并于2001年由华夏出版社出版发行，中文版译名为《网络营销原理》。

④ 菲利普·科特勒(Philip Kotler)认为，顾客满意是指顾客对其明示的、通常隐含的或必须履行的需求或期望已被满足的程度的感受。满意度是顾客满足情况的反馈。它是对产品或者服务性能，以及产品或者服务本身的评价，给出了(或者正在给出)一个与消费的满足感有关的快乐水平，包括低于或者超过满足感的水平，是一种心理体验。

⑤ Ho和Lee(2007)在其研究中认为，网站上的信息质量是否符合用户的需求和期望至关重要。他们基于过去的研究，确定了评估信息内容质量的标准包括准确性，及时性，简洁性，相关性，可靠性和完整性。

⑥ 通俗的说，当消费者在网上订购酒店住宿时，面对网站上的众多酒店信息，可能会去征求身边熟人或朋友(曾在目标酒店住宿过)的建议做出决策，也可能会通过浏览网站上边酒店网页信息中的消费者点评进行决策，这一过程实质上就是在线观察学习。当消费者在生活中去餐馆就餐时，通过观察发现某一家餐馆非常火爆(就餐人多)而选择就餐，就是观察学习的过程。

⑦ 计算公式为正面评论标签所占比例=(正面评论累计次数/评论总数)*100%。淘宝网在产品页面评论区上方设置了评论标签信息，系统自动采用在线文本挖掘技术对用户评论信息进行挖掘，出现次数较为频繁的共性词语会以标签形式显示在评论区，同时用户还能够看到高频词汇的累计出现次数，例如：质量不错(51)、服务好(24)、没有色差(5)、质量一般(3)等。

⑧ 当指标得分高于同行店铺得分均值时为正数，当指标得分低于同行店铺均值时为负数，指标与同行店铺得分持平时数值为零。7.92%表示与同行业店铺平均得分相比，得分高7.92%。

⑨ 描述相符、服务态度和物流速度得分为消费者在确认收货后进行评价时所赋予，每种得分都可以分为五个星级(依次代表1～5分)，最终显示在销售页面的为所有评论得分的均值。这种形式与调查问卷中李克特五级量表(Likert scale)的功能相类似，因此可以用来反映消费者的满意程度。

⑩ s计算公式为满意度综合指数=0.332*描述相符得分+0.335*服务态度得分+0.333*物流速度得分。从权重可以看出，因描述相符、服务态度和物流速度得分的权重差异性不大，因此也可以直接采用算数平均的方法近似计算满意度综合指数。