網(wǎng)上小額批發(fā)商言語性評價的維度分析

張仙鋒，張 楠

(西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院，陜西西安 710061)

網(wǎng)上小額批發(fā)商言語性評價的維度分析

張仙鋒，張 楠

(西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院，陜西西安 710061)

隨著網(wǎng)上小額批發(fā)平臺的快速發(fā)展及其對信譽(yù)評價體系不斷完善的要求，以文字內(nèi)容為主的言語性評價受到廣泛關(guān)注?；趦?nèi)容分析法對阿里巴巴速賣通平臺的言語性評價的編譯，細(xì)化出九大類、29項維度，分別涉及交易過程、質(zhì)量、定價、服務(wù)、物流、賣家信用、主觀感受、未來行為傾向等內(nèi)容。網(wǎng)上批發(fā)商混合采用主客觀評價相結(jié)合、整體和細(xì)節(jié)評價相結(jié)合的方式，且在商品質(zhì)量、交易經(jīng)歷、整體服務(wù)水平、整體物流水平及對商品的喜好程度等維度上表現(xiàn)出明顯的正負(fù)向情感。通過進(jìn)一步的潛在類別分析，發(fā)現(xiàn)網(wǎng)上小額批發(fā)商分為“關(guān)注質(zhì)量的主客觀評價型”和“整體綜合評價型”，進(jìn)而提出解釋和建議。

B2B2C;信譽(yù)打分體系;言語性評價;內(nèi)容分析;潛在類別分析

小額批發(fā)平臺通過在線提供信息流、資金流、物流、信用流等全程解決方案，方便企業(yè)與企業(yè)間在線交易，徹底解決了以信息交互為主的傳統(tǒng)B2B網(wǎng)站的局限，開創(chuàng)了B2BC新模式。敦煌網(wǎng)是最早建立的快速小額外貿(mào)批發(fā)平臺，2010年交易額已達(dá)60億元人民幣［1］，而阿里巴巴也于2009年正式推出外貿(mào)小額批發(fā)平臺——速賣通(Alixpress)，面向海外企業(yè)及批發(fā)商展開中國商品的小額批發(fā)業(yè)務(wù)。為了給在線買賣方創(chuàng)建良好的交易環(huán)境，速賣通等平臺不斷建設(shè)制度基礎(chǔ)設(shè)施，完善交易服務(wù)機(jī)制。

與眾多C2C平臺類似，小額批發(fā)平臺引入了支付擔(dān)保服務(wù)，為買賣方信用交易提供保證。小額批發(fā)商在線直接下單并支付貨款給平臺后，平臺通知企業(yè)賣家發(fā)貨，賣家只有在批發(fā)商收到貨物并無爭議的情況下才會收到平臺的放款。通過提供第三方支付擔(dān)保服務(wù)，小額批發(fā)平臺解決了“敢買”的問題，但在眾多企業(yè)賣家中“買誰”的問題仍困擾著批發(fā)商。信譽(yù)評價體系的建立能在一定程度上提供信息甄別機(jī)制，幫助區(qū)分優(yōu)質(zhì)和劣質(zhì)賣家，減少買家的搜索成本。常見的網(wǎng)上小額批發(fā)平臺的信譽(yù)評價體系也基本沿用了傳統(tǒng)C2C市場的雙元打分體系，由打分評價和言語性評價組成。打分評價通常采用好評、中評和差評對交易方進(jìn)行整體評價，并將評價量化為數(shù)字，如好評(1分)、中評(0分)、差評(－1分)。言語性評價則鼓勵交易者用文字內(nèi)容的形式完成對另一方的評價。但是，傳統(tǒng)的打分評價仍存在一定弊端，Resnick和Zeckhauser等人［2］基于eBay市場數(shù)據(jù)分析發(fā)現(xiàn)，在雙元打分體系下，至少有48．3%的買家和39．4%的賣家不會選擇打分，且在打分的買家中，約99．1%都會給出好評。因此，對以文字內(nèi)容為主的言語性評價的挖掘就顯得非常重要。

筆者擬通過內(nèi)容分析法對小額批發(fā)平臺上批發(fā)商做出的言語性評價進(jìn)行挖掘，找出外貿(mào)小額批發(fā)商所關(guān)注的維度，并試圖基于這些維度對批發(fā)商進(jìn)行潛在類別聚類，進(jìn)而說明其行為特征。以言語性評價為研究對象，不僅在理論上為言語性評價的研究領(lǐng)域提供借鑒，而且還能開啟對小額批發(fā)平臺的相關(guān)研究。此外，通過對小額批發(fā)商關(guān)注維度的分析，可為小額批發(fā)平臺運營商在后續(xù)信譽(yù)評價體系的建設(shè)提供一定建議。

一、文獻(xiàn)綜述

言語性評價能反映出買家對整個交易流程中各細(xì)節(jié)的滿意度，如賣家的服務(wù)、商品的質(zhì)量、物流的速度等，同時，還能折射出買家對交易過程及賣家的喜好態(tài)度，如極其憤慨譴責(zé)型、十分滿意褒獎型及客觀公正中立型。Popescu指出對言語性評價的挖掘可分為4類:挖掘產(chǎn)品特征、挖掘交易者對產(chǎn)品特征的主觀評價、挖掘評價的情感導(dǎo)向及挖掘各言語性評價維度的重要性［3］。

根據(jù)言語性評價的文本內(nèi)容，可將其分為客觀文本和主觀文本2類?？陀^文本是指評價者對商品的屬性或特征做出的描述，而主觀文本則被定義為評價者對商品或服務(wù)的主觀情感表達(dá)。同時，也可以對言語性評價進(jìn)行情感分析，其主要目的是通過對文本的判斷發(fā)掘交易者的情感傾向。言語性評價的情感導(dǎo)向通?？梢苑譃檎?、負(fù)面和中性3種情況［4］。通過對大量言語性評價的情感傾向挖掘，很多學(xué)者將正面和負(fù)面評價歸結(jié)為極端評價，將中性情感導(dǎo)向定義為中間評價［5－6］。

不同類型的言語性評價對他人行為影響的有效性是不一樣的。Ghose和Ipeirotis［7］研究了主客觀評價的有效性差異，發(fā)現(xiàn)主觀評價的傾向越大(即言語性評價多以主觀情感表達(dá)為主)，評價的有用性越低。然而，郝媛媛等［8］卻發(fā)現(xiàn)評價內(nèi)容中的主客觀表達(dá)形式的混雜運用更加有效，其混雜度越高，對評價有用性的作用越強(qiáng)。Dellarocas等人［9］認(rèn)為極端評價易引起重視，便于口碑傳播，所以人們更傾向于做出極端評價，或者關(guān)注極端評價。Ghose和Ipeirotis［7］也驗證發(fā)現(xiàn)極端評價對消費者的有效性要大于中間評價。還有一部分學(xué)者對極端評價中的正負(fù)評價的有效性做了相應(yīng)研究，發(fā)現(xiàn)兩者之間也存在差異。Skowronski和Carlston［10］提出負(fù)面評價更能影響人們的購買行為，這是因為人們對負(fù)面評價的反應(yīng)強(qiáng)度要大于正面評價的，前者對人們的情感刺激更大。然而，Adaval等人［11］基于感情一致性理論，提出潛在消費者是抱著正面心態(tài)閱讀商品評價的，負(fù)面評價對消費者決策影響力度會因其與消費者正面預(yù)期相矛盾而降低。Sen和Lerman［12］通過實證研究發(fā)現(xiàn)，無論對功利型還是享樂型商品而言，其正面評價的影響要大于負(fù)面評價，且享樂型商品負(fù)面評價的有效性要低于功利型。郝媛媛等［8］發(fā)現(xiàn)正負(fù)情感對評價的有效性都有影響，且正負(fù)情感混雜度越高，評價有用性也就越強(qiáng)。

對言語性評價的分析，最關(guān)鍵的問題在于如何將文字性的內(nèi)容轉(zhuǎn)變?yōu)榭煞治龅臄?shù)字性內(nèi)容，內(nèi)容分析及文本挖掘為這一工作的展開提供了幫助。目前，研究人員對文本的挖掘主要采用情感分析技術(shù)，運用機(jī)器學(xué)習(xí)法和語義法，使用計算機(jī)程序或軟件實現(xiàn)對情感的分析。內(nèi)容分析法與情感分析技術(shù)相類似，但更偏重于對內(nèi)容進(jìn)行客觀、系統(tǒng)和定量的描述。內(nèi)容分析法屬于一種半定量的研究方法，通過將已有媒介的文字等信息轉(zhuǎn)化為定量數(shù)據(jù)，建立有意義的類目并以此來分析信息的某些特征。Pavlou和Dimoka［13］采用內(nèi)容分析法對eBay消費者做出的言語性評價進(jìn)行分析，量化區(qū)分出消費者對賣家友善性維度和可信性維度的正負(fù)面評價。Qu等人［14］也曾基于內(nèi)容分析法，運用Yahoo Shopping的市場數(shù)據(jù)對消費者的言語性評價進(jìn)行編譯，提取出14個出現(xiàn)頻率較高的因素。

二、言語性評價的內(nèi)容分析

(一)數(shù)據(jù)來源

筆者選擇外貿(mào)小額批發(fā)平臺阿里巴巴速賣通作為研究對象。該平臺已發(fā)展為全球流量最大的B2B在線交易平臺，每天訪問的獨立海外買家達(dá)30萬人［15］。速賣通平臺的信譽(yù)評價體系沿襲雙元打分體系，買家交易后可根據(jù)整體交易經(jīng)歷對賣家做出評價。打分評價采用1～5分制，并將其分為好、中、差3類，4～5分為好評、3分為中評，1～2分為差評。同時，買家也可進(jìn)行言語性評價，官方語言為英文。

本研究數(shù)據(jù)來自于速賣通平臺2010年上半年會員交易所形成的打分評價和言語性評價，共計6萬余條。這些交易評價數(shù)據(jù)中，有45．6%的交易是買方?jīng)]有自主打分和評價的。而在剩余的54．4%的交易數(shù)據(jù)中，很大一部分言語性評價或者采用笑臉、數(shù)字等特殊符號，或者采用excellent，good，ok，nice等單字評價。這些言語性評價難以提供有價值的信息，故參照前人做法予以刪除。此外，還有很多買家在與相同賣家多次交易中統(tǒng)一采用相同的評價，這里也進(jìn)行了刪減，只保留其中一條評價。經(jīng)過數(shù)據(jù)的預(yù)處理，遴選出2萬余條言語性評價。鑒于內(nèi)容分析的編譯工作量非常大，筆者對樣本進(jìn)行了隨機(jī)化抽樣，最終選擇了1147個樣本。

(二)內(nèi)容編譯

內(nèi)容分析首先需要明確研究目的，在其基礎(chǔ)上進(jìn)行內(nèi)容抽樣。在分析前需要依據(jù)已有研究文獻(xiàn)確定維度體系，設(shè)定編譯規(guī)則。筆者主要參照了前人的研究文獻(xiàn)和信譽(yù)評價體系的產(chǎn)業(yè)應(yīng)用，形成了基本編譯思路［14，16－18］。然后，通過對2萬多條言語性評價進(jìn)行快速查看，將眾多維度進(jìn)行細(xì)化，最終確定出九大類、29個小項的編譯維度，如表1所示。九大類分別為交易過程、質(zhì)量、定價、服務(wù)、物流、賣家信用、主觀感受、未來行為傾向及其他。在對九大類維度劃分的過程中，采取了客觀言語和主觀言語分離、整體性評價和細(xì)節(jié)化評價分離的政策，如對交易經(jīng)歷的評價是整體綜合性的，而訂單處理準(zhǔn)確度、商品多樣化等則是交易的具體細(xì)節(jié);對商品質(zhì)量、商品與描述一致是相對客觀的，而對商品的喜好程度則是主觀的。

表1 評語維度的劃分及其含義

為了進(jìn)一步挖掘各細(xì)化維度的情感傾向，筆者對維度的程度劃分采用了不同的詞語進(jìn)行區(qū)別，如表示非常好的詞語有“very good，excellent，perfect，great，gorgeous”，表示比較好的詞語有“good，nice，all are working”，表示比較差的詞語有“bad experience，a little not worth for the money”，表示非常差的詞語有“very slow，very bad seller，worthless，fake，bad quality，very poor”。這樣，29個維度就形成了示例池，如質(zhì)量維度主要包括“good quality，fake，bad quality”等，運費則主要由“free shipping，shipping fee is too much”等組成。當(dāng)形成了較完善的維度示例池后，就能保證后續(xù)內(nèi)容編譯工作的一致性。

為了反映批發(fā)商對賣家的不同評價，編譯人員在編譯過程中針對29個維度，均采取5個等級打分，即最高2分、最低－2分，如果沒有涉及該項維度內(nèi)容則計0分。而對其他維度則采用1分和0分的形式，有相關(guān)內(nèi)容為1分，沒有則為0分。在編譯過程中，聘請了1名電子商務(wù)專業(yè)的本科生與課題組工作人員一同進(jìn)行內(nèi)容的編譯工作。這種安排可以保證編譯的客觀性。2名編譯人員首先進(jìn)行學(xué)習(xí)性訓(xùn)練，并分別對200條言語性評價進(jìn)行閱讀，進(jìn)而分割出每句言語性評價所涉及的細(xì)化維度并打分，然后對其一致性進(jìn)行檢驗，探討其存在異議的編譯。最后，再認(rèn)真地對1 147條樣本進(jìn)行數(shù)據(jù)編譯，編譯結(jié)果按照頻度進(jìn)行信度檢驗，結(jié)果表明均符合一致性標(biāo)準(zhǔn)。

(三)維度的描述性統(tǒng)計特征

對細(xì)化維度的描述性統(tǒng)計特征分析采用SPSS16．0軟件，其分析結(jié)果如表2所示。表2中未將批發(fā)商買家對賣家做出的打分評價予以匯報，統(tǒng)計顯示，大部分買家都給予賣方5分的好評，總體評價均值為4．61，說明小額批發(fā)商對交易的總體評價是較好的。然而，言語性評價的29個細(xì)化維度卻反映出小額批發(fā)商在整體打分過程中所不能表達(dá)的很多問題。小額批發(fā)商對質(zhì)量和整體物流的評價出現(xiàn)頻率最高，分別占整體評價樣本量的34．5%和33．4%。其次，小額批發(fā)商對整體服務(wù)水平、賣家的整體評價、商品的喜好、表感謝也有提到，均占25%以上。最后，小額批發(fā)商也比較關(guān)注對交易經(jīng)歷的評價、商品與描述一致、交易的整體喜好、會再來購物的行為傾向等，這類評價出現(xiàn)的頻率超過了10%。還有一些維度雖然零星提到，但不占主要份額，如產(chǎn)品多樣化程度、發(fā)貨速度、賣家的喜好、顧客喜歡等。

表2 描述性統(tǒng)計特征 n=1147

為了進(jìn)一步說明言語性評價不同維度的情感程度，筆者對20個主要的5級打分維度的程度分布情況予以說明(見表3)。統(tǒng)計顯示，只有12．675%的言語性評價涉及到這20個評價維度。其中正向的情感表達(dá)(1～2分)占11．2%，而負(fù)向的情感表達(dá)(－1～－2分)只占1．505%。前人研究顯示，為了表達(dá)對交易或商品的不滿，人們傾向于做出極端評價［9］，并且，負(fù)向評價的影響要大于正向評價的影響［10］。在最不滿意的－2分負(fù)向評價中，小額批發(fā)商對商品質(zhì)量、交易經(jīng)歷、整體服務(wù)水平、訂單處理準(zhǔn)確度、整體物流評價及對商品的喜好程度等維度出現(xiàn)的次數(shù)較多，比率大于1%，這說明賣家在這些方面的欠缺影響了小額批發(fā)商對整體交易的感知，引起了他們的情感表達(dá)意愿。在最滿意的2分正向評價中，同樣發(fā)現(xiàn)商品質(zhì)量、整體服務(wù)水平、對商品的喜好程度、整體物流評價、交易經(jīng)歷等是出現(xiàn)頻次最高的維度。Dellarocas和Wood［6］的研究還發(fā)現(xiàn)中評也能代表消費者對交易的不滿情緒。本文的中評以稍有不滿的－1分為主，如訂單處理準(zhǔn)確度、整體服務(wù)水平、對商品的喜好程度、服務(wù)專業(yè)性、商品質(zhì)量、交易經(jīng)歷評價等維度也表現(xiàn)突出，見表3。

表3 5級打分維度的程度變化頻率 n=1147

三、基于評價維度的潛在類別分析

(一)潛在類別分析

潛在類別分析(Latent Class Analysis，簡稱LCA)是對概率進(jìn)行多變量分析的統(tǒng)計方法，多用在社會學(xué)、心理學(xué)領(lǐng)域。它主要通過將類別變量表述成類別變量在不同水平上的反應(yīng)概率，來分析這些概率間的關(guān)聯(lián)性并估計出潛在變量。潛在類別分析與結(jié)構(gòu)方程模型的不同在于其處理的是類別變量，而不是連續(xù)變量。也正因為潛在類別模型以類別數(shù)據(jù)作為素材，彌補(bǔ)了結(jié)構(gòu)方程模型的一個缺口，為社會科學(xué)研究者提供了一種強(qiáng)有力的分析工具。

潛在類別分析的具體步驟主要有:估計初始模型(T=1的1-cluster模型);逐步增加類別數(shù)目，進(jìn)行參數(shù)估計，并計算各模型的適配性;進(jìn)行差異性檢驗和適配性檢驗，以確定最佳模型;對潛在類別進(jìn)行命名，整理結(jié)果;最后決定各觀察值的歸屬類別［19］。

(二)維度修正

通過對29個維度的適配檢驗發(fā)現(xiàn)，維度數(shù)量過多且一些維度所折射的問題具有同質(zhì)性，很多維度的出現(xiàn)頻率偏低等問題導(dǎo)致了很難適配出合適的模型。因此，需要對初始的29個維度進(jìn)行修正。整個修正過程主要是依據(jù)評價內(nèi)容進(jìn)行劃分，最終得出七大維度，作為外顯變量。T1是對交易及經(jīng)營方式的評價，其中包括對交易經(jīng)歷評價的3項及價格、贈品等經(jīng)營策略;T2主要是對商品質(zhì)量的評價，包括商品質(zhì)量和商品與描述一致2項;T3強(qiáng)調(diào)的是賣家的服務(wù)，包括整體服務(wù)水平、溝通態(tài)度及服務(wù)專業(yè)性3個維度;T4是對物流的評價，主要是涉及整體物流水平、發(fā)貨速度、物流速度、包裝和運費;T5是對賣家做出的評價，不僅有對賣家信用的整體評價和細(xì)節(jié)說明，還包括對賣家人品的認(rèn)知;T6匯集了表達(dá)期望與建議的評價，如推薦、再來、勉勵、熟悉、感謝賣家、表歉意等;T7囊括了所有能反映買家個人喜好的評價，如對整體交易的喜好、對賣家的喜好、對商品的喜好、下游顧客的喜好、不滿失望情緒等。

同時，筆者對7個外顯變量的頻次進(jìn)行了重新計算，只要在言語性評價中有任何一個細(xì)化維度出現(xiàn)，則表明該變量的頻次增加1次。7個外顯變量中，按照出現(xiàn)頻次高低依次順序為T6(期望與建議的評價)、T2(對商品質(zhì)量的評價)、T7(表喜好的評價)、T4(對物流的評價)、T5(對賣家的評價)、T1(對交易及經(jīng)營方式的評價)和T3(對賣家服務(wù)的評價)。

(三)模型的適配性檢驗

采用Mplus軟件進(jìn)行潛在類別分析。模型的適配性檢驗是通過對各類潛在模型的擬合程度，判斷出最佳研究模型。適配性檢驗可利用極大似然法和Pearson χ2檢驗進(jìn)行。模型的適配檢驗指標(biāo)主要有2種:AIC指標(biāo)和BIC指標(biāo)。AIC指標(biāo)是基于信息理論的指標(biāo)，適用于對不同模型的適配優(yōu)劣比較，估計參數(shù)越少、自由度越大的模型就越好。當(dāng)樣本數(shù)達(dá)到1 000人以上或模型參數(shù)較少時，可采用BIC指標(biāo)，BIC的值越小越好［20］。

表4列出了潛在類別分類從1～5的5種不同類別數(shù)目的模型適配指標(biāo)，可以看出，當(dāng)類別數(shù)目越大時，模型適配的對數(shù)似然值(LL)就下降，卡方數(shù)值也在變小。對本文的大樣本數(shù)據(jù)可參考BIC指標(biāo)，其中模型2和模型3的BIC指標(biāo)最小。但是，以卡方統(tǒng)計量進(jìn)行判斷，只有模型1和模型2的兩個卡方值達(dá)到了顯著水平(P＜0．001)。因此，選取模型2為最佳模型，即潛在類別的數(shù)目為2個。

表4 潛在類別分析模型適配指標(biāo)摘要表

(四)潛在類別命名

最佳模型顯示，小額批發(fā)平臺的批發(fā)商凸顯為2個類別群體，表5給出了7個外顯變量在2個潛在類別上的條件概率。

從表5中的潛在類別概率看，兩類小額批發(fā)商群體比重幾乎相當(dāng)，分別為0．587和0．413。從條件概率看，第1類小額批發(fā)商對外顯變量T2(對商品質(zhì)量的評價)和T7(表示喜好的評價)較為關(guān)注，條件概率分別為0．738和0．591，均超過了0．5。這類網(wǎng)上小額批發(fā)商對商品的質(zhì)量非常關(guān)注，會對商品質(zhì)量、商品與描述一致給予客觀評價;同時，他們還會在評價中積極發(fā)表對商品、賣家等的主觀喜好評價，屬于“關(guān)注質(zhì)量的主客觀評價型”。

第2類小額批發(fā)商中，僅T6(期望與建議的評價)的條件概率超過了0．5，T5(對賣家的信用評價)也接近0．5且大于第1類群體在該變量上的條件概率。這類網(wǎng)上小額批發(fā)商多關(guān)注賣家信用，或采用整體性的表述“good seller，recommended seller”，或?qū)u家信用情況進(jìn)行說明“a very reliable seller，a trustworthy seller”。此外，這類批發(fā)商還對賣家后期行為提出期望和建議，如“will come again，will recommend，work hard”。因此，這一類別的小額批發(fā)商屬于“整體綜合評價型”。

服務(wù)及交易經(jīng)歷的外顯變量在兩類潛在類別中均沒有顯現(xiàn)，出現(xiàn)的概率都不足0．30。相比而言，小額批發(fā)商對物流的關(guān)注程度稍高一些，分別為0．415和0．322，但也不夠顯著。

四、討 論

通過對速賣通平臺中小額批發(fā)買家對賣家做出的言語性評價的內(nèi)容分析，筆者劃分出小額批發(fā)商所關(guān)注的九大類、29個細(xì)化維度，分別涉及到交易過程、質(zhì)量、定價、服務(wù)、物流、賣家信用、主觀感受、未來行為傾向等內(nèi)容。小額批發(fā)商在評價過程中，混合采用主客觀評價相結(jié)合、整體和細(xì)節(jié)評價相結(jié)合的方式。在具體的細(xì)化維度中，小額批發(fā)商重點關(guān)注商品質(zhì)量、整體物流評價、整體服務(wù)水平、整體賣家信用、對商品的喜好、對交易經(jīng)歷的評價、商品與描述一致、對整體交易的喜好等。同時，小額批發(fā)商的言語性評價也表現(xiàn)出不同的情感，有非常滿意的正向情感，也有非常不滿的負(fù)向情感，還有表現(xiàn)一般情感的中間態(tài)度。在極端的負(fù)向和正向評價中，小額批發(fā)商均重點關(guān)注商品質(zhì)量、交易經(jīng)歷、整體服務(wù)水平、整體物流水平及對商品的喜好程度等因素。

這一結(jié)論說明商品質(zhì)量、服務(wù)水平、物流評價在外貿(mào)小額批發(fā)平臺上依然是國際批發(fā)商所關(guān)注的重點。這與我國目前眾多交易平臺所采用的店鋪動態(tài)打分機(jī)制是相符的。如淘寶網(wǎng)、敦煌網(wǎng)都將商品與描述相符、服務(wù)水平和配送速度作為3個細(xì)化評價指標(biāo)，并鼓勵買方基于1～5分制對賣家進(jìn)行打分評價，進(jìn)而彌補(bǔ)雙元打分體系的缺陷。然而，本研究同時發(fā)現(xiàn)，商品質(zhì)量是區(qū)別于商品與描述一致的，后者只關(guān)注商品本身與商家描述的一致性，而前者涉及到買家對商品質(zhì)量的整體評估，且小額批發(fā)商對商品質(zhì)量的關(guān)注度要遠(yuǎn)高于描述一致性。也就是說，商品質(zhì)量對以再次銷售為目的的小額批發(fā)商而言更加重要，可以考慮將其增加在小額批發(fā)平臺的店鋪評價維度中。最后，眾多小額批發(fā)商還對產(chǎn)品做出喜好評價，這是因為小額批發(fā)平臺上的產(chǎn)品以衣服、照相機(jī)等體驗型消費品為主，對產(chǎn)品喜好的主觀評價能全面反映商品的情況。

此外，通過對內(nèi)容分析所形成的29個評價維度進(jìn)行修正，提取出7個外顯變量，并基于潛在類別分析技術(shù)對網(wǎng)上小額批發(fā)商進(jìn)行潛在類別界定。研究發(fā)現(xiàn)，小額批發(fā)商表現(xiàn)出2個潛在類別，第1類為“關(guān)注質(zhì)量的主客觀評價型”，第2類為“整體綜合評價型”?！罢w綜合評價型”批發(fā)商的評語集中在對賣家的整體評價和行為期望上，對后期交易者的參考性不強(qiáng)。因此，如何深度挖掘交易者的評價顯得非常重要。而“關(guān)注質(zhì)量的主客觀評價型”批發(fā)商通過對商品質(zhì)量的客觀說明和對喜好的主觀情感表達(dá)，能提供更有價值的借鑒。這說明商品質(zhì)量相對服務(wù)、配送等因素而言，應(yīng)受到我國外貿(mào)小額批發(fā)平臺的重點關(guān)注，因此批發(fā)平臺仍需不斷規(guī)范市場，避免次品、贗品和仿制品在平臺上的銷售。

小額批發(fā)平臺應(yīng)積極建設(shè)信譽(yù)評價體系，為交易者建立多渠道的評價機(jī)會。在對店鋪動態(tài)打分指標(biāo)的設(shè)置上，建議在原有對商品與描述一致、服務(wù)和物流等整體評價的基礎(chǔ)上，增加商品質(zhì)量、訂單處理準(zhǔn)確度、服務(wù)的專業(yè)性等細(xì)化維度。這些細(xì)化維度可以作為選填項，方便買賣方根據(jù)具體交易情況進(jìn)行選擇型打分。同時，還需要增設(shè)主觀評價指標(biāo)，如對商品的喜愛程度、下游客戶對商品的喜愛程度、對賣家的喜好程度等。

筆者在分析過程中仍存在一些不足，需要后期不斷改進(jìn)。首先，鑒于小額批發(fā)平臺以體驗性消費品為主，筆者沒有對交易商品進(jìn)行區(qū)分，但耐用性體驗品和非耐用性體驗品是存在差異的，在后期研究中仍需差別化分析。其次，本研究只考察了小額批發(fā)平臺的批發(fā)商言語性評價行為，后續(xù)仍需對C2C市場的消費者言語性評價行為進(jìn)行深入研究，尋找兩者的差異所在。

［1］杭州日報．敦煌網(wǎng):挑戰(zhàn)電子商務(wù)新藍(lán)海［EB/OL］．(2011－06－18)［2011－06－19］．http://hzdaily．hangzhou．com．cn/hzrb/html/ 2011－06/18/content_1085428．htm．

［2］RESNICK P，ZECKHAUSER R．Trust Among Strangers in Internet Transactions:Empirical Analysis of eBay’s Reputation System［M］．Amsterdam:Elsevier Science，2002:127－157．

［3］POPESCU A M，ETZIONI O．Extracting product features and opinions from reviews:proceedings of the conference on Human Language Technology and Empirical Methods in Natural Language Processing，Vancouver，October 6－8，2005［C］．Stroudsburg:Association for Computational Linguistics，2005:339－346．

［4］PANG B，LEE L．A sentimental education:sentiment analysis using subjectivity summarization based on minimum cuts:proceedings of the 42nd Annual Meeting of the Association for Computational Linguistics(ACL)，Barcelona，July 21－26，2004［C］．Stroudsburg:Association for Computational Linguistics，2004:271－278．

［5］TURNEY P D．Thumbs up or thumbs down?Semantic orientation applied to unsupervised classification of reviews:proceeding of the 40th Anniversary Meeting of the Association for Computational Linguistics，Philadelphia，July 7－12，2002［C］．Stroudsburg:Association for Computational Linguistics，2002:417－424．

［6］DELLAROCAS C，WOOD C A．The sound of silence in online feedback:estimating trading risks in the presence of reporting Bias［J］．Management Science，2008，54(3):460－476．

［7］GHOSE A，IPEIROTIS P G．Designing novel review ranking systems:predicting the usefulness and impact of reviews:proceedings of the Ninth International Conference on Electronic Commerce，Minneapolis，August 19－22，2007［C］．New York:Association Computing Machinery (ACM)，2007:303－310．

［8］郝媛媛，葉強(qiáng)，李一軍．基于影評數(shù)據(jù)的在線評論有用性影響因素研究［J］．管理科學(xué)學(xué)報，2010，13(8):78－96．

［9］DELLAROCAS C，ZHANG X Q，AWAD N F．Exploring the value of online product reviews in forecasting sales:The case of motion pictures［J］．Journal of Interactive Marketing，2007，21(4):23－45．

［10］SKOWRONSKI J J，CARLSTON D E．Negativity and extremity Biases in impression formation:a feview of explanations［J］．Psychological Bulletin，1989，105(1):131－142．

［11］ADAVA R．Sometimes it just feels fight:the differential weighting of affect consistent and affect inconsistent product information［J］．Journal of Consumer Research，2001，28(1):1－17．

［12］SEN S，LERMAN D．Why are you telling me this?An examination into negative consumer reviews on the Web［J］．Journal of Interactive Marketing，2007，21(4):76－94．

［13］PAVLOU P A，DIMOKA A．The nature and role of feedback text comments in online marketplaces:implications for trust building，price premiums，and seller differentiation［J］．Information Systems Research，2006，17(4):392－414．

［14］QU Z，ZHANG H，LI H．Determinants of online merchant rating:content analysis of consumer comments about Yahoo merchants［J］．Decision Support systems，2008，46:440－449．

［15］新華網(wǎng)．全球速賣通復(fù)制淘品牌打造多元化支付環(huán)境［EB/OL］．中國經(jīng)濟(jì)時報．(2011－06－17)［2011－06－18］．http://news．xinhuanet．com/it/2011－06/17/c_121549590．htm．

［16］WOLFINBARGER M，GILLY M C．eTailQ:dimensionalizing，measuring and predicting etail quality［J］．Journal of Retailing，2003，79(3): 183－198．

［17］KOTHA S，RAJGOPAL S，VENKATACHALAM M．The role of online buying experience as a competitive advantage:evidence from third-party ratings for E-commerce firms［J］．Journal of Business，2004，77(2):109－133．

［18］POSSELT T，GERSTNER E．Pre-sale vs．Post-sale E-satisfaction:impact on repurchase intention and overall satisfaction［J］．Journal of Interactive Marketing，2005，19(4):35－47．

［19］邱皓政．潛在類別模型的原理與技術(shù)［M］．香港:教育科學(xué)出版社，2008:35．

［20］LIN T H，DAYTON C M．Model selection information criteria for non-nested latent class models［J］．Journal of Educational and Behavioral Statistics，1997，22(3):249－264．

Research on the Dimensions of the Text Comments by Online Wholesalers

ZHANG Xian-feng，ZHANG Nan

(School of Economics and Finance，Xi’an Jiaotong University，Xi’an 710061，China)

With the rapid development of online platform for wholesale business，and with its urgent need to build up online rating system，text comments left by dealers have attracted high attention．With the adoption of the content analysis，the text comments of aliexpress．com are coded into nine categories and 29 dimensions，covering contents of transaction process，quality，pricing，service，logistics，seller trustworthiness，subjective favorites and behavioral intentions，etc．Online wholesalers leave objective comments as well as subject sentences，and tell about the average and also the details．The most important is that dimensions like product quality，transaction process，overall service，overall logistics and product favorites are those that can arouse positive and negative emotions．Further latent class analysis indicates that online wholesalers are defined into two classes:the one who subjectively and objectively concerns the quality most，and the one who only focuses on general evaluations．Explanations and suggestions are followed afterwards．

B2B2C;online rating system;text comment;content analysis;latent class analysis

F 713．36

A

1004－1710(2011)04－0093－08

2011－04－23

國家自然科學(xué)基金資助項目(70802049);阿里巴巴活水計劃(Ali－2010－A－10)

張仙鋒(1978－)，女，陜西韓城人，西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院副教授，博士，主要從事網(wǎng)上信任及信任機(jī)制研究。

［責(zé)任編輯:許文深］