弹幕对在线消费行为过程影响的时变效应研究

袁海霞 方青青 白 琳

(安徽大学商学院)

1 研究背景

互联网的发展与移动设备的升级，使在线视频消费成为全球范围内最受欢迎的活动之一，在线视频渗透率已高达90%(1)资料来源于https://www.statista.com/markets/424/topic/542/online-video-entertainment/。。与美国视频行业YouTube一家独大的情况不同[1]，中国网络视频市场竞争激烈，BAT 3家渗透率均超八成，尾部市场群雄角逐(2)资料来源于QuestMobile发布的《中国移动互联网2019半年大报告》。。同时，用户的收视行为也发生了变化，娱乐需求市场弹性疲软，越来越多的用户喜欢在收看视频时与他人进行互动[2]，在线社交需求萌芽。各大视频网站纷纷引入以弹幕为表现形式的在线社交功能。对网络视频行业来说，如何以弹幕为契机，打造新的商业场景来提高用户黏性，成为其发展的关键。然而，学术界对以弹幕为形式的在线社交的影响效果和经济价值的研究较少[2]，且在研究视角与方法上存在局限，很难解决本研究提出的问题。

具体来说：①从研究视角看，视频娱乐产品的内容和场景随时间变化较大，且消费是一个需要时间的过程，而非一个时间点，现有文献多研究了消费行为的结果，忽略了对过程的关注。例如，大部分学者基于弹幕的属性、功能、数量、整体情感倾向等方面，分析了弹幕对用户的态度和使用频率[3]、节目播放量[2]、视频的流行度[4]等某阶段性消费行为结果的影响，并未关注在线消费行为的整体过程。仅有少数学者在对网络视频供应内容控制的基础上，分析了消费过程中的行为反应与供端内容的耦合对电影评分与投币行为的影响[5]。而消费者决策过程是一个双环模型[6]，这些研究仅关注消费行为的部分阶段性结果，却忽略了对行为过程的分析。②从研究方法看，现有研究从静态视角，多采用质性研究、计量经济模型，对弹幕与在线消费行为之间的关系进行了探讨。一方面，质性研究缺乏对研究基本信息的识别，只是提供了一些学术价值有限的描述；另一方面，部分学者在使用经济学模型分析时，忽略了相关因素的影响效果随时间变化的趋势，因此也难以为企业营销资源的动态配置提供可操作的建议。

为解决上述问题并弥补现有研究的不足，本研究拟在控制视频基本信息的基础上，以消费者决策进程模型为基础，采用时变效应模型，分析弹幕对在线消费行为过程影响的时变效应。

2 理论基础及相关研究述评

2.1 消费者决策进程模型

消费者决策进程(consumer decision journey,CDJ)模型结合数字时代消费行为的变化，对在线消费行为进行了深入分析，为触点管理提供了指导(见图1[7])。该模型也被称为双环模型，与漏斗模型不同，它体现的消费者行为过程是环状循环往复的，主要由“购买环”和“忠诚度环”两个内切小环构成，“购买环”行为主要由考虑、评估、购买构成，而“忠诚度环”依次分为体验、互粉(推介)和信任(建立纽带)3个关键阶段[6]。与其他在线消费行为模型不同，CDJ模型根据涉入度不同，将在线消费行为过程划分为不同阶段，这对深刻认识在线消费行为过程，识别行为过程中不同触点的优先等级及其利益，和相应的资源配置都极具现实意义。

图1 消费者决策进程模型(CDJ)

2.2 瞬间反馈数据研究现状

弹幕是一种新形式的消费瞬间反馈数据(moment-to-moment，MTM)。现有文献基于该数据的研究集中于两个领域：①体验营销领域，部分学者采用特殊设备采集消费者瞬间情感体验，并分析了其与行为的关系。例如，BAUMGARTNER等[8]利用感觉监控器对消费者瞬间情感和评估信息采集后分析发现，整体评估与情感峰值和终值密切相关；HUI等[9]对电视节目试播数据分析发现，终值显著影响整体评估。②视觉营销领域，TEIXEIRA等[10]以2 000名参与者对31个电视广告的眼球追踪数据为对象，研究发现广告回避现象广泛存在。此外，也有部分学者借用其他概念(如娱乐和信息价值[11])来研究。综上，现有对消费反馈数据的研究，都难以排除实验因素、样本选择、概念内涵的一致性等问题对结果的干扰，建立在该基础上的消费行为研究结论也易受质疑。近年来，以弹幕为表现形式的在线社交的出现，提供了一种新形式的消费反馈数据，为真实情境下消费行为过程的研究提供了契机。

2.3 时变效应模型与营销

时变效应模型(time-varying effect model，TVEM)可以对变量间的动态关系进行分析，有助于解决行为学研究中衍生出的新问题，如预测变量影响效果的变化趋势等。传统分析方法认为，协变量(xijp)对因变量(yij)的影响效果(βp)是恒定不变的(见式(1))，其中εij表示误差项；而TVEM认为，协变量影响随时间(tij)而改变(见式(2))。它将参数作为时间的连续平滑函数，不设定参数的形状或状态[12]。

yij=β1xij1+β2xij2+…+βpxijp+εij；

(1)

yij=β1(tij)xij1+β2(tij)xij2+…+βp(tij)xijp+εij。

(2)

近年来，TVEM在市场营销领域开始受到关注。例如，SABOO等[13]采用TVEM分析邮件营销、交易特征等对销量影响的变化趋势；KUMAR等[12]研究了传统媒体和社交媒体的独立性，以及协同效应随时间变化的趋势。这些研究都为企业营销资源的动态配置提供了重要启示。基于此，本研究拟采用TVEM，分析弹幕对在线消费行为过程影响的动态效应。

3 研究假设

弹幕是位于屏幕上方并覆盖视频的实时文字评价[14]，反映了观众对视频产品消费的反应，是一种新形式的动态瞬间消费流信息[5]。现有文献对弹幕的研究，主要集中于弹幕的数量和情感对在线消费行为过程某阶段行为结果的影响[1]，缺乏对弹幕在消费行为过程不同阶段的长期及动态影响效果的分析。基于此，下面从弹幕的数量和情感两个方面进行研究。

3.1 弹幕与“购买环”行为

“购买环”行为主要由考虑、评估、购买3个阶段构成。“考虑”阶段在传统消费行为中占据重要位置，随着网络媒体的发展，消费者被信息轰炸，进入考虑阶段的产品或品牌减少。“评估”阶段消费者会从多渠道获取信息，扩大“考虑”阶段的选择范围。EDELMAN[7]对几十个营销预算分析发现，70%～90%的营销预算支出在广告和零售促销中，以获得消费者的考虑和购买。而由于考虑更多的还是一种心理活动，并未转化到个人行动上，所以对于“购买环”行为，本研究主要集中于对购买行为的研究。

弹幕是一种新形式的基于真实消费情境的瞬间反馈数据，正向影响消费者对网络视频节目的收视行为[2]。当个体与他人同时处于同一视频消费中时，信息需求、娱乐需求和社交需求动机能有效地预测消费者态度和对视频消费的频率，且与社交需求相比，信息和娱乐需求的影响更大；而随着弹幕数量的不断增多，可能会削弱行为意愿[15]。根据信息过载理论，过多的信息将会造成认知过载或信息污染，负向影响视频收看频率[3]。此外，也有研究认为，弹幕可能造成剧情泄露，降低节目收视率[16]。从本质上讲，弹幕也是网络口碑的一种，对于网络口碑数量与在线销售的关系，现有研究也并未达成一致意见[17]。多数研究认为，网络口碑的数量与效价对产品销量的提高都有重要的影响[18]；也有部分研究认为，网络口碑数量而非效价正向影响产品在线销售[19]；更有甚者研究发现，与网络口碑数量相比，效价对在线销售的影响更大[20]。总之，消费者利用在线评论来做出购买决策的过程，更像是从一个有限评论的数据库中获得产品信息后进行决策的过程[21]，从原则上来说，评论的数量越多，评论内容所提供的产品信息就越丰富，消费者的整体认可程度也就越高，商品被个体全面了解的可能性就越大[22]。也有研究认为，口碑存在衰竭效应[23]，随着评论数量的不断增多，其在消费者决策过程中带来的边际效用可能会逐渐减小。

弹幕与其他形式的在线评论不同，它是一种发生在消费过程中的瞬时体验，评论的内容(如“备胎系列”“这尴尬了”)并不能够直接反映出消费者在视频消费时刻的偏好。弹幕的本质在于互动，从互动理论来看，弹幕体现的是受众与弹幕视频、受众与受众之间的人际互动。这种互动更多体现的是个人在视频消费过程中的情感体验，这种情感体验所呈现出的社会交往动机，并不是行为结果出现的主要驱动因素[5]。

故本研究认为，弹幕数量对购买行为的影响前期逐渐增大，但边际效用递减，达到一定程度后，弹幕带来的视觉混乱、剧透等负面影响凸显，其正向影响会逐渐被削弱。由于弹幕整体情感并不是个人对视频内容喜好的反应，对收视行为无明显影响。基于此，提出以下假设：

假设1弹幕数量对“购买环”行为的影响，随着时间的变化先逐渐增大后又逐渐减小。

假设2弹幕情感对“购买环”行为无显著影响。

3.2 弹幕与“忠诚度环”行为

购后消费者在新的在线触点与产品互动，品牌与个体的更深层次的联结开始。当消费者对购买的产品感到(不)满意，就会(放弃)继续使用这个品牌，并做出相应的口碑宣传，此时如果消费者与品牌之间的关系纽带足够强大，在线消费行为将呈现“体验—互粉(推介)—信任(建立纽带)—购买”的循环[7]，即为“忠诚度环”行为。该行为描述了互联网状态下个人购后行为中体验、分享及信任的形成过程，本研究拟从体验、互粉(推介)、信任(建立纽带)3个方面对弹幕在“忠诚度环”阶段的时变效应进行分析。

当个体与他人共同观看视频节目时，弹幕带来的社会临场感会提高个体对使用价值、享乐价值和社会价值的感知，最终影响个体的电子忠诚。具体来说，享乐价值带来的重新观看意愿更强，社会收益对正向口碑传播的影响更大[14]。这里所说的“忠诚度”仅涵盖了重购和推介两个方面，且仅是一种个人的行为意愿，而并非真实发生的行为。后期学者基于真实行为情境研究后发现，弹幕视频中的即时同步(MTMS)，也称“即时耦合”，即消费者对内容的反应与内容本身的耦合，正向影响视频评分与投币行为，且仅与内容相关的即时同步与该类行为密切相关[5]。同时，不同情感表达的弹幕数量对个人的行为又有所差异。梁栋等[4]认为，弹幕数量和弹幕情感对视频流行度均有显著的正向影响，且弹幕情感带来的影响更大，视频的播放量、收藏次数和硬币数量在很大程度上都是由播放量决定的；进一步的脉冲响应分析发现，弹幕数量和弹幕情感对视频流行度的影响趋势基本一致。与先前研究相比，基于真实场景中的研究虽进一步提高了结论的说服力，却未关注消费者行为过程中不同阶段的行为结果；此外，将弹幕情感粗略划分为正向、负向与中性3个方面，也忽略了弹幕情感表达的强度。

与在线评论相比，弹幕是对当下视频时间点对消费内容的评价，是一种消费内信息和对消费视频对象局部内容的评估；而在线评论是消费后评论，一般是对主体的整体评价。“忠诚度环”消费行为的出现，是对多重信息整体评估后逐渐形成的。根据边际效用递减规则，早期随着消费某种商品数量的不断增加，个体从中获得的总效用也在不断增加；后期当消费的商品数量达到一定程度后，边际效用开始递减。故当个人所获得的量较少时，随着弹幕数量越多，弹幕内容所提供的信息相对也就越丰富，对“忠诚度环”消费行为影响也就较大。但随着弹幕数量的不断增多和个人对消费产品的不断熟悉，个人获得信息的渠道和经验的不断丰富，一方面弹幕信息边际效用递减；另一方面，弹幕这一局部信息提供的价值有限，在产品整体评价中的贡献有限，而且使用时也需要个体花费较大精力整合，因此影响会逐渐减弱。如前文所述，弹幕情感并非个人对视频内容喜好的反应，故对“购买环”行为无显著影响。CDJ模型认为，个人消费行为在同一层次可以跨阶段产生，但并未提供任何跨环行为出现的证据。由此可见，弹幕情感也无法为“忠诚度环”行为的发生提供指导。基于此，提出以下假设：

假设3弹幕数量对“忠诚度环”行为的影响，随着时间的变化先逐渐增大后逐渐减小。

假设4弹幕情感对“忠诚度环”行为无显著影响。

4 数据描述

4.1 数据的抓取和清洗

本研究数据主要来自于国内知名弹幕视频网站Bilibili(www.bilibili.com)(简称B站)。之所以选择B站的原因如下：①B站是国内目前最活跃的视频节目网站之一，活跃用户超过1.5亿，每天视频播放量超过1亿，原创投稿总数超过1 000万，所以，B站数据对于捕捉我国消费者的网络视频收视需求具有良好的代表性。②B站的最大特色为本研究所关注的动态瞬间消费流信息——“弹幕”。尽管目前国内大部分的视频网站，如腾讯视频、爱奇艺等也纷纷开通弹幕功能，但B站是国内成立最早且最活跃的弹幕视频网站之一，并于2018年3月28日在美国上市，其弹幕数量超过10亿条，为本研究问题的开展提供了丰富的弹幕信息。

基于此，本研究以B站截止到2019年3月6日上传的所有电影(共1 019部)为研究对象，从2019年3月6日～2019年5月18日，利用爬虫程序，每3天定时对上述影片的弹幕数量、弹幕内容、观看量、点赞量、收藏量、分享量、硬币量、评论量等信息进行采集，删除网络原因造成数据缺失的电影后，最终获取25期1 019个研究对象(影片基本信息见表1)的25 475条样本基本信息数据和61 770 044弹幕评论。

表1 影片类型概况(N=1 019)

4.2 数据处理

(1)弹幕情感分析常见的情感分析方法主要分为：基于情感词典的情感分析法和基于监督学习算法的情感分析法。本研究在对中国知网、台湾大学和清华大学情感词典整合的基础上，利用R软件，采用基于情感词典的分析方法，对每部电影每期所有弹幕的情感进行分析，并汇总得出每部电影每期弹幕的情感得分。

(2)变量的处理在数据采集、文本分析的基础上，获得每部影片每期的观看量、弹幕数量、弹幕情感、收藏量、点赞量、分享量、硬币量、评论量等基本信息(见表2)。

表2 变量基本信息(N=1 019)

进一步地分析发现，弹幕数量、弹幕情感、观看量、收藏量、点赞量、分享量、硬币量与评论量间显著相关(见表3)。

表3 主要变量间相关关系(N=1 019)

为了进一步压缩变量的量纲，控制离群值的潜在影响，本研究对上述基本信息进行了处理，具体见表4。

表4 主要变量的处理

4.3 模型构建

BIERENS等[24]认为，不同市场组合策略所带来的结果是难以预料的，强制将数据按照假设的形状去拟合会带来误判性错误。TVEM在对参数进行估计时，并未预先设定形状或分布，能够有效揭示纵向数据集系数随时间变化的真实情况，因此，本研究采用TVEM进行分析，具体如下：

lnVWij=β0(tij)+β1(tij)lnVOij+β2(tij)lnSEij+

β3(tij)lnCTij+β4(tij)lnPij+β5(tij)lnSHij+

β6(tij)lnCNij+β7(tij)lnRij+εij；

(3)

lnPij=β0(tij)+β1(tij)lnVOij+β2(tij)lnSEij+

β3(tij)lnCTij+β4(tij)lnVWij+β5(tij)lnSHij+

β6(tij)lnCNij+β7(tij)lnRij+εij；

(4)

lnCTij=β0(tij)+β1(tij)lnVOij+β2(tij)lnSEij+

β3(tij)lnVWij+β4(tij)lnPij+β5(tij)lnSHij+

β6(tij)lnCNij+β7(tij)lnRij+εij；

(5)

lnSHij=β0(tij)+β1(tij)lnVOij+β2(tij)lnSEij+

β3(tij)lnCTij+β4(tij)lnPij+β5(tij)lnVWij+

β6(tij)lnCNij+β7(tij)lnRij+εij；

(6)

lnCNij=β0(tij)+β1(tij)lnVOij+β2(tij)lnSEij+

β3(tij)lnCTij+β4(tij)lnPij+β5(tij)lnSHij+

β6(tij)lnVWij+β7(tij)lnRij+εij，

(7)

式中，假设随机误差εij服从正态且独立分布，截距函数β0(tij)表示不同的因变量在时间tij时的均值轨迹，βp(tij)(p=1,2,…，7)表示不同影响因子与相应的因变量间关系的时间变化情况。对于式(3)～式(7)来说，不同的时间点会有不同的截距和斜率，这些截距和斜率表现了系数随时间变化的真实情况。

4.4 模型估计

TAN等[25]认为，P样条法比较灵活，计算的有效性高，且在营销领域已有应用，故本研究采用P样条平滑法对未知参数进行估计。在函数型数据分析中，3次样条具有连续的一阶导数和二阶导数，在节点附近曲线平滑，且已在营销领域被用来解释对销量影响的变化趋势，故本研究采用3次样条对未知的时变系数函数βp(tij)(p=0,1,…，7)进行估计，即

(8)

式中，K表示划分节点数，τk表示第k个划分节点对应的值。由于最优节点(K)的选择并无明确的指导性原则，本研究采用TAN等[25]的观点，将K值设置为10，利用SAS软件，对式(3)～式(7)分别与式(8)的组合进行估计。

5 参数估计

为了更好地说明TVEM在解决营销相关问题时的优越性，本研究构建基准模型和多水平线性模型进行对比分析。

5.1 基准模型：无时变效应

弹幕从本质上说是一种新形式的网络口碑，部分研究认为，网络口碑与产品销量、视频流行度[4]等彼此相互影响，为此本研究构建面板向量自回归模型(PVAR)，对弹幕与在线消费行为之间的关系进行分析，结果见表5。与前人研究结果不同，本研究发现，弹幕数量(β=-0.001)与弹幕情感(β=-0.004)对“购买环”消费行为均无显著影响，弹幕数量对部分“忠诚度环”消费行为有较小的影响。

表5 无时变效应的基准模型参数估计结果(N=1 019)

5.2 单调时变参数模型

多水平线性模型是线性回归的拓展，通过将时间因素纳入预测因子中来刻画参数随时间变化的情况。本研究采用多水平线性模型研究发现，弹幕数量和弹幕情感对观看量(β弹幕数量=0.500，p=0.000；β弹幕情感=-0.236，p=0.000)、点赞量(β弹幕数量=-0.846，p=0.000；β弹幕情感=0.553，p=0.000)、收藏量(β弹幕数量=0.423，p=0.000；β弹幕情感=-0.139，p=0.000)、分享量(β弹幕数量=0.076，p=0.000；β弹幕情感=0.070，p=0.000)和硬币量(β弹幕数量=0.131，p=0.000；β弹幕情感=-0.137，p=0.000)都有显著影响，但其对观看量(β弹幕数量=-0.000 3，p=0.749；β弹幕情感=0.000，p=0.879)、 点赞量 (β弹幕数量=-0.002，p=0.920；

β弹幕情感=-0.001，p=0.627)、收藏量(β弹幕数量=-0.001，p=0.633；β弹幕情感=0.003，p=0.194)、分享量(β弹幕数量=0.001，p=0.415)、硬币量(β弹幕数量=-0.000 1，p=0.893)的影响随时间变化不明显，弹幕情感对分享量(β弹幕情感=-0.002，p=0.005)和硬币量(β弹幕情感=0.001，p=0.097)的影响随时间而改变。而单调时变参数模型在对两个协变量的关系随时间变化的趋势分析时，有线性关系的预设，难以有效解释真实的变化趋势。由此，有必要采用一种灵活的函数来捕捉协变量间关系随时间变化的趋势。为此，本研究构建TVEM来进行分析。

5.3 时变效应模型(TVEM)

本研究采用P样条，对式(3)～式(7)分别与式(8)的组合进行估计，结果分别见图2～图6。首先，对于“购买环”消费行为来说，弹幕数量对观看量的影响随时间的变化呈倒U型，弹幕情感负向影响观看量且呈U型关系。故假设1成立，假设2未得到支持。随着口碑数量的增多，弹幕互动主流观点逐渐形成，弹幕内容的丰富性受限，可能是造成弹幕情感负向影响观看量的主要原因。本研究对样本分析发现，一半以上的样本弹幕数量在千条以上，弹幕数量相对较大，为此对样本按照弹幕数量筛选后分析发现，当弹幕数量较小时，弹幕情感正向影响观看量。由此可见，弹幕数量和弹幕内容的丰富性是影响“购买环”消费行为的关键因素。

图2 观看量

图3 点赞量

图4 收藏量

图5 分享

图6 硬币量

其次，对于“忠诚度环”消费行为来说，弹幕数量负向影响点赞量，且随着时间的变化负向影响先逐渐增大后又迅速减小。由于本研究所采集样本的弹幕数量都相对较大，可能造成所谓的弹幕“霸屏”现象，影响个体的观影效果，因此依然按照弹幕数量对样本进行筛选后发现，随着弹幕数量的逐渐变小，弹幕数量对点赞量的负向影响，先逐渐变小后又开始变得不显著，随后又正向影响点赞量，进一步明确了弹幕刷屏导致的弹幕数量与点赞量间的负向关系。弹幕情感正向影响点赞量且呈倒U型。弹幕数量对收藏量的影响随时间的变化呈倒U型，而弹幕情感随时间变化对收藏量的负向影响逐渐减小，在观测时间内减少-0.078。对于分享量来说，弹幕数量对其影响随着时间的变化逐渐减小后又逐渐增大，弹幕情感带来的影响刚好相反。弹幕数量对投币行为的正向影响随时间变化呈倒U型，弹幕情感对投币行为的负向影响先逐渐增大后又逐渐变小，并于观测期期末又逐渐增大。故假设3成立，假设4未得到支持。值得注意的是，多数研究认为口碑情感正向影响消费行为；但本研究却发现，弹幕情感与收藏量和硬币量负相关，且弹幕数量增多带来的内容丰富性瓶颈造成了这种虚假的负向关系，而且对样本按照弹幕数量筛选后也同样证实了这一推测。

6 结语

本研究以消费者决策进程模型为理论基础，对弹幕与在线消费行为过程的动态关系进行了研究，得出以下主要结论：①TVEM更适合解决本研究提出的问题。②弹幕数量正向影响观看量、收藏量和硬币量，且影响效果随时间变化呈倒U型。弹幕数量对分享量的正向影响呈U型变化，但却负向影响点赞量。与“购买环”消费行为相比，弹幕数量对以分享和投币为代表的深层次消费行为的影响较小。③弹幕情感对观看量、收藏量和投币量的负向影响效果随时间变化呈U型，对点赞量和分享量的正向影响随时间变化先增大后又逐渐减小。

本研究的理论贡献主要在于：①对弹幕与在线消费行为全过程的动态关系进行了分析，丰富了以弹幕为表现形式的在线社交理论的研究成果。②瞬间反馈数据的获取问题一直是营销领域面临的难题。弹幕的出现为解决该问题提供了契机，本研究对以弹幕为表现形式的瞬间反馈数据进行了研究，为后期学者基于动态瞬间反馈数据开展相关研究提供了新的视角。③为弹幕研究提供了一种新的方法。TVEM没有参数形状或状态的预设，更符合数据驱动的市场策略的制定。

本研究的管理启示主要在于：①对在线视频行业说，弹幕对“购买环”消费行为的出现有很大的推动作用，应该分配较多的营销资源来实现购买行为的转化；而对于深层次消费行为，尤其是互联网分享来说，其影响力有限。管理者需要进一步构建以弹幕为中心的市场下沉机制，来实现营销效果的进一步扩展。弹幕情感对在线消费行为带来的影响结果相对比较复杂，从整体上对弹幕情感进行管理的意义有限，需要结合产品不同生命周期阶段的具体情况及企业的营销目标进行动态干预。②对其他企业来说，弹幕视频背后是具有相似特征的用户群体，在对视频受众进行精准分析的基础上，以弹幕为依托开发弹幕广告，不仅能够达到精准营销的目的，而且通过弹幕广告、视频内容与弹幕的有效匹配，适时进行投放，也不会引发观众的抵触情绪，有助于提高受众对广告的接受度。

本研究也存在以下不足：①对弹幕情感分析时，未考虑符号、网络语言等所表达的情感，也未对弹幕情感进行细粒度分析，在未来的研究中有必要在对弹幕情感主题挖掘的基础上，融入符号、网络语言等表现的情感后，对不同弹幕主题的情感进行分析；②本研究主要以B站所有电影为研究对象，并未按照不同体量的弹幕数量对样本进行对比分析，在未来的研究中，进一步控制样本的同质性及其他因素对研究结论的干扰也很有必要；③本研究忽略了电影类型、时长、演员影响力、弹幕的具体表现形式等因素的影响，因此在未来的研究中有必要对该类信息进行控制，进一步分析弹幕对在线消费行为影响的变化趋势。