在線評(píng)論有用性影響因素實(shí)證研究
——基于Tripadvisor.com酒店評(píng)論數(shù)據(jù)

卓四清 馮永洲

(武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院，湖北武漢 430072)

?

在線評(píng)論有用性影響因素實(shí)證研究
——基于Tripadvisor.com酒店評(píng)論數(shù)據(jù)

卓四清 馮永洲*

(武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院，湖北武漢 430072)

隨著互聯(lián)網(wǎng)的迅速發(fā)展，消費(fèi)者購(gòu)物決策越來(lái)越依賴于在線評(píng)論。從信息接受模型對(duì)信息有用性影響出發(fā)，構(gòu)建在線評(píng)論有用性投票增量的時(shí)間窗，建立在線評(píng)論有用性影響因素模型，研究在線評(píng)論內(nèi)容和評(píng)論者對(duì)在線評(píng)論有用性的影響?；赥ripAdvisor.com的4 258條酒店評(píng)論數(shù)據(jù)，運(yùn)用負(fù)二項(xiàng)回歸進(jìn)行實(shí)證分析。研究發(fā)現(xiàn)評(píng)論內(nèi)容長(zhǎng)度、評(píng)論極端性、評(píng)論有用性投票數(shù)、評(píng)論者認(rèn)可度和個(gè)人信息披露對(duì)在線評(píng)論有用性具有顯著正影響，這對(duì)在線零售商和消費(fèi)者具有重要的啟發(fā)和建議。

在線評(píng)論；評(píng)論有用性；負(fù)二項(xiàng)回歸；大數(shù)據(jù)

隨著互聯(lián)網(wǎng)的迅速發(fā)展，電子商務(wù)憑借其快捷、方便和低成本優(yōu)勢(shì)已占據(jù)著重要地位，越來(lái)越多的消費(fèi)者通過(guò)網(wǎng)上購(gòu)買商品和服務(wù)?；诨ヂ?lián)網(wǎng)的高效性、共享性、匿名性等特點(diǎn)，消費(fèi)者愿意將產(chǎn)品的特征描述、購(gòu)物后的使用體驗(yàn)發(fā)表在博客、論壇或第三方評(píng)論網(wǎng)站上，與他人分享商品使用心得，即消費(fèi)者在線評(píng)論。越來(lái)越多的人在網(wǎng)絡(luò)購(gòu)物時(shí)將其他消費(fèi)者發(fā)表的在線評(píng)論作為購(gòu)物決策的重要參考。在線評(píng)論作為網(wǎng)絡(luò)口碑的重要形式，逐漸替代了傳統(tǒng)的商品口碑。據(jù)德勤咨詢調(diào)查顯示，閱讀并發(fā)表商品評(píng)論的網(wǎng)絡(luò)購(gòu)物者占總?cè)藬?shù)的63%，71%的用戶樂(lè)意選擇購(gòu)買帶有網(wǎng)上在線評(píng)論的商品和服務(wù)。消費(fèi)者越來(lái)越依賴于在線評(píng)論作出購(gòu)物決策，對(duì)產(chǎn)品和品牌的認(rèn)知態(tài)度受到在線評(píng)論的巨大影響，在線評(píng)論已成為影響消費(fèi)者進(jìn)行購(gòu)買決策的關(guān)鍵因素[1-2]。在線評(píng)論不僅能夠幫助企業(yè)樹(shù)立良好的品牌形象，也是銷售的重要宣傳方式。因此，在大數(shù)據(jù)日趨成熟的時(shí)代，對(duì)于海量在線評(píng)論數(shù)據(jù)的挖掘和運(yùn)用，預(yù)示著新一波生產(chǎn)率的增長(zhǎng)和消費(fèi)者盈余浪潮的到來(lái)。

根據(jù)消費(fèi)者購(gòu)買決策理論，購(gòu)物決策過(guò)程包括5個(gè)階段：需求認(rèn)知、搜索信息、評(píng)估方案、購(gòu)買決策和購(gòu)買后評(píng)價(jià)。為了減少不確定性，增強(qiáng)購(gòu)買信心，消費(fèi)者會(huì)盡可能搜索相關(guān)的產(chǎn)品信息。但對(duì)于海量的在線評(píng)論，什么樣的評(píng)論對(duì)消費(fèi)者購(gòu)物決策具有參考價(jià)值？為了解決信息過(guò)載的問(wèn)題，許多電商和第三方評(píng)論網(wǎng)站開(kāi)發(fā)了信息評(píng)估系統(tǒng)，消費(fèi)者可以對(duì)在線評(píng)論進(jìn)行有用性投票。例如，每條在線評(píng)論后面，TripAdvisor.com會(huì)問(wèn)“這條評(píng)論對(duì)您有用嗎？”，亞馬遜還會(huì)在評(píng)論旁邊提供評(píng)論有用性的參考信息(如“30/50人認(rèn)為此評(píng)論有用”)。這些有用性投票成為診斷評(píng)論信息的指標(biāo)，作為提示用戶過(guò)濾信息的信號(hào)，以提高用戶決策效率[2-4]。

目前，對(duì)在線評(píng)論有用性的研究存在諸多缺陷。首先，幾乎所有研究者將有用性投票數(shù)占總投票數(shù)的百分比作為有用性的測(cè)度標(biāo)準(zhǔn)。但對(duì)于只提供了在線評(píng)論有用性投票數(shù)，而沒(méi)有提供總投票數(shù)的網(wǎng)站則不能用這種方法來(lái)度量，以前的研究沒(méi)有為這種情況構(gòu)建理論模型來(lái)測(cè)度和解釋有用評(píng)論的影響因素。其次，百分比會(huì)隱藏一些重要的信息，比如，“50/100人認(rèn)為此評(píng)論有用”和“500/1000人認(rèn)為此評(píng)論有用”應(yīng)該具有不同的解釋。第三，過(guò)去的研究大多聚焦于在線評(píng)論本身，少有學(xué)者將評(píng)論內(nèi)容和評(píng)論者結(jié)合起來(lái)。鑒于此，本文在前人研究的基礎(chǔ)上建立了在線評(píng)論有用性影響因素概念模型，并基于TripAdvisor.com酒店評(píng)論數(shù)據(jù)，從評(píng)論內(nèi)容和評(píng)論者特征兩個(gè)信息源維度出發(fā)，進(jìn)行實(shí)證研究在線評(píng)論有用性影響因素。

1 國(guó)內(nèi)外研究綜述

1.1 國(guó)外研究現(xiàn)狀

消費(fèi)者在購(gòu)物決策中，如果受到在線評(píng)論的影響，則會(huì)對(duì)商品和服務(wù)的原有認(rèn)知發(fā)生改變或者認(rèn)同，該評(píng)論對(duì)消費(fèi)者就具備了有用性。Mudambi和Schuff借鑒信息經(jīng)濟(jì)學(xué)中搜索型商品和體驗(yàn)型商品范式，建立了在線評(píng)論有用性的概念模型，通過(guò)對(duì)2類6種產(chǎn)品的1 587條評(píng)論研究發(fā)現(xiàn)，產(chǎn)品類型、評(píng)論深度和評(píng)論極端性會(huì)對(duì)在線評(píng)論感知有用性產(chǎn)生影響[2]。Forman的研究表明，評(píng)論長(zhǎng)度對(duì)在線評(píng)論有用性具有正向影響，搜索型商品比體驗(yàn)型商品這種影響作用更強(qiáng)[8-9]。Korfiatis發(fā)現(xiàn)，評(píng)論極端性與有用性呈正相關(guān)關(guān)系，尤其是對(duì)于體驗(yàn)型商品，評(píng)論極端性的影響更為明顯[10]。Ghose和Ipeirotis采用文本挖掘方法和回歸統(tǒng)計(jì)技術(shù)，將評(píng)論類型作為調(diào)節(jié)變量，并把評(píng)論文本的可讀性、極端性和評(píng)論發(fā)表時(shí)長(zhǎng)作為模型的影響因子，運(yùn)用計(jì)量經(jīng)濟(jì)學(xué)的方法建立回歸模型，預(yù)測(cè)文本的有用性[7]。

Forman和Ghose研究亞馬遜網(wǎng)站上的評(píng)論發(fā)現(xiàn)，在線評(píng)論的發(fā)布者提供的與自己身份有關(guān)的信息，可作為消費(fèi)者購(gòu)買決策和評(píng)估有用性的補(bǔ)充信息，在線社區(qū)中的消費(fèi)者對(duì)包含評(píng)論源身份信息的評(píng)論有較高的評(píng)價(jià)，消費(fèi)者非常注重評(píng)論信息發(fā)布者的特征[8]。Pan Yue等人發(fā)現(xiàn)評(píng)論者的特征對(duì)評(píng)論有用性也有影響。評(píng)論者暴露越多有關(guān)個(gè)人的信息，其評(píng)論對(duì)其他消費(fèi)者購(gòu)物決策的影響越大[9]。

1.2 國(guó)內(nèi)研究現(xiàn)狀

彭嵐等人從傳播說(shuō)服理論的視角構(gòu)建在線評(píng)論有用性影響因素模型，他們從信息本身、信息發(fā)送者、信息接收者和信息反饋4個(gè)維度出發(fā)，發(fā)現(xiàn)評(píng)論等級(jí)、好評(píng)率、評(píng)論長(zhǎng)度和互聯(lián)網(wǎng)使用經(jīng)驗(yàn)對(duì)在線評(píng)論有用性具有重要影響[11]。郝媛媛在改進(jìn)Ghose等人研究的基礎(chǔ)上，把研究對(duì)象鎖定在體驗(yàn)型商品領(lǐng)域，以影評(píng)數(shù)據(jù)為對(duì)象研究在線評(píng)論有用性的影響因素，發(fā)現(xiàn)評(píng)論長(zhǎng)度和評(píng)論發(fā)表時(shí)長(zhǎng)對(duì)評(píng)論有用性具有正向影響[6]。祝珊以社會(huì)網(wǎng)絡(luò)理論為基礎(chǔ)，利用社交網(wǎng)站上的在線評(píng)論數(shù)據(jù)，研究了評(píng)論內(nèi)容和評(píng)論者對(duì)在線口碑的有用性影響，發(fā)現(xiàn)評(píng)論極端性、評(píng)論長(zhǎng)度、評(píng)論者受關(guān)注度和歷史評(píng)論數(shù)量對(duì)在線口碑有用性具有重要影響[12]。

2 理論模型與研究假設(shè)

2.1 理論模型

根據(jù)Sussman和Siegal提出的信息接受理論模型(圖1)，信息內(nèi)容質(zhì)量和信息源可靠性是影響消費(fèi)者對(duì)在線評(píng)論感知有用性的直接因素[14]。由于在線評(píng)論具有匿名性，信息內(nèi)容質(zhì)量和信息源可靠性是減少消費(fèi)者感知風(fēng)險(xiǎn)的關(guān)鍵因素。

圖1 信息接受模型

消費(fèi)者作出購(gòu)物決策前處于信息不對(duì)稱的條件下，通過(guò)閱讀在線評(píng)論以獲取關(guān)于商品和服務(wù)的信息，從而來(lái)減少?zèng)Q策風(fēng)險(xiǎn)和損失，這構(gòu)成研究在線評(píng)論有用性影響因素的邏輯起點(diǎn)[5，13]。通過(guò)對(duì)前人研究的總結(jié)，本文考慮評(píng)論內(nèi)容和評(píng)論者特征，構(gòu)建了在線評(píng)論有用性影響機(jī)制模型(圖2)。該模型主要考慮了評(píng)論內(nèi)容方面的評(píng)論長(zhǎng)度、評(píng)論極端性和有用投票數(shù)的影響，以及評(píng)論者的個(gè)人信息披露和評(píng)論者認(rèn)可度兩個(gè)方面。

圖2 在線評(píng)論有用性模型

2.2 研究假設(shè)

2.2.1 評(píng)論內(nèi)容特征

消費(fèi)者在線評(píng)論包含數(shù)字評(píng)論和開(kāi)放式文本評(píng)論。開(kāi)放式文本評(píng)論是評(píng)論者購(gòu)買使用商品或服務(wù)后對(duì)該產(chǎn)品的語(yǔ)言描述、用戶體驗(yàn)或購(gòu)買建議。此外，在線評(píng)論系統(tǒng)也提供了以星級(jí)(1～5星)的形式給產(chǎn)品或服務(wù)評(píng)分，將評(píng)論分為5個(gè)星級(jí)。低星級(jí)評(píng)分(1星)代表對(duì)商品或服務(wù)的極端差評(píng)，高星級(jí)評(píng)分(5星)代表對(duì)商品或服務(wù)的極端好評(píng)，3星為中性評(píng)論。張小泉等研究了評(píng)論效價(jià)和評(píng)論長(zhǎng)度對(duì)在線評(píng)論有用性的影響，表明評(píng)論效價(jià)和評(píng)論長(zhǎng)度對(duì)在線評(píng)論有用性具有顯著正影響[9，19]。消費(fèi)者可以通過(guò)評(píng)論評(píng)分來(lái)直接判斷商品好壞，以此減少不確定性，增強(qiáng)購(gòu)買信心[2，16]。星級(jí)評(píng)分代表了消費(fèi)者對(duì)產(chǎn)品或者服務(wù)的總體態(tài)度，在一定程度上反映了在線口碑的評(píng)論效價(jià)[20]。評(píng)論長(zhǎng)度能夠增強(qiáng)信息的診斷性，在線評(píng)論越長(zhǎng)，消費(fèi)者在不需要花費(fèi)額外的時(shí)間和物質(zhì)成本情況下，能夠獲得更多的商品信息，在線評(píng)論的感知有用性就會(huì)更高。Mudambi和Schuff認(rèn)為信息深入性能夠增強(qiáng)消費(fèi)者的信心，從而促進(jìn)消費(fèi)者的購(gòu)買決策過(guò)程[2]。根據(jù)馬太效應(yīng)，當(dāng)一個(gè)評(píng)論獲得較多的有用性投票時(shí)，那么它后續(xù)獲得有用性投票數(shù)的可能性更大。因此作出如下假設(shè)：

H1a：評(píng)論長(zhǎng)度對(duì)在線評(píng)論有用性具有顯著的正影響。

H1b：評(píng)論極端性與評(píng)論有用性正相關(guān)，極端評(píng)論比中性評(píng)論更有用。

H1c：評(píng)論的有用投票數(shù)對(duì)評(píng)論有用性具有顯著正影響。

2.2.2 評(píng)論者特征

根據(jù)信息接受模型，評(píng)論者提供的有關(guān)個(gè)人信息也會(huì)影響消費(fèi)者對(duì)產(chǎn)品或服務(wù)的評(píng)估[9]。傳統(tǒng)的社交是熟人間面對(duì)面的交流，建立在相互信任的基礎(chǔ)之上。在虛擬的網(wǎng)絡(luò)環(huán)境下，消費(fèi)者之間通常都是陌生人，只能根據(jù)評(píng)論者發(fā)出的信息和暴露的個(gè)人信息來(lái)判斷信息真實(shí)性。評(píng)論者提供的個(gè)人信息越充分，該評(píng)論者暴露商品有用信息的可能性就越大，有利于消費(fèi)者作出準(zhǔn)確的購(gòu)物決策[9]。評(píng)論者將個(gè)人信息展示出來(lái)，可以給消費(fèi)者更多的信息，讓消費(fèi)者從信息源上建立自信。評(píng)論者評(píng)論數(shù)量也是衡量其評(píng)論經(jīng)驗(yàn)的指標(biāo)，參與評(píng)論的數(shù)量越多，網(wǎng)購(gòu)經(jīng)驗(yàn)越豐富，其發(fā)表的評(píng)論會(huì)更加專業(yè)，從而得到更多的消費(fèi)者認(rèn)可?；谏鐣?huì)心理學(xué)，F(xiàn)orman研究了評(píng)論者個(gè)人信息暴露，如真實(shí)姓名和住所對(duì)其在同行中的認(rèn)可度的影響，以及個(gè)人信息暴露和評(píng)論效價(jià)對(duì)有用性的交互影響[8]。本文對(duì)評(píng)論者的兩個(gè)重要特征做出如下假設(shè)：

H2a：暴露個(gè)人信息的評(píng)論者發(fā)表的評(píng)論有用性更高。

H2b：評(píng)論者的評(píng)論認(rèn)可度與在線評(píng)論有用性顯著正相關(guān)。

3 研究設(shè)計(jì)

3.1 數(shù)據(jù)收集

為驗(yàn)證上述模型和研究假設(shè)，本文以TripAdvisor.com上的酒店在線評(píng)論作為研究對(duì)象。首先，TripAdvisor.com是全球最大的旅游網(wǎng)站，擁有超過(guò)1 000萬(wàn)的注冊(cè)會(huì)員以及15 000多萬(wàn)條評(píng)論，可以得到大量的評(píng)論數(shù)據(jù)，保證對(duì)海量數(shù)據(jù)的需求。其次，作為第三方評(píng)論網(wǎng)站，旅行者的真實(shí)評(píng)論是其最大特點(diǎn)，從而保證在線評(píng)論數(shù)據(jù)的質(zhì)量和真實(shí)性，以便得出科學(xué)研究結(jié)論。

通過(guò)LocoySpider從網(wǎng)站上獲取相關(guān)數(shù)據(jù)，為了計(jì)算有用性投票數(shù)的增量，讓設(shè)計(jì)科學(xué)合理、數(shù)據(jù)收集分為兩個(gè)階段。第1個(gè)階段(2014年9月)，收集了需要的所有相關(guān)指標(biāo)，每條評(píng)論數(shù)據(jù)都包含以下變量：(1)星級(jí)評(píng)分：消費(fèi)者對(duì)產(chǎn)品的星級(jí)評(píng)分(1～5星)；(2)評(píng)論長(zhǎng)度：評(píng)論文本的字?jǐn)?shù)；(3)有用投票數(shù)：該條評(píng)論獲得有用性投票數(shù)；(4)每條評(píng)論的評(píng)論者年齡和性別(如沒(méi)有則為0)；(5)每個(gè)評(píng)論者的總評(píng)論數(shù)量和總計(jì)有用性投票數(shù)量；(6)每條評(píng)論發(fā)布的時(shí)間。第2階段(2014年10月)，收集了第1階段已經(jīng)得到的評(píng)論對(duì)應(yīng)的有用性投票數(shù)。

3.2 變量設(shè)計(jì)

3.2.1 因變量

TripAdvisor.com對(duì)每一條評(píng)論后面的問(wèn)題“這條評(píng)論對(duì)您有用嗎？”提供了一個(gè)選項(xiàng)“Yes”，統(tǒng)計(jì)了在線評(píng)論的有用性投票數(shù)量。有用性投票數(shù)在某種程度上反映了在線評(píng)論的感知有用性，但是不能直接用來(lái)衡量評(píng)論的有用性。因?yàn)樵u(píng)論發(fā)布的時(shí)間會(huì)影響有用性投票數(shù)的絕對(duì)量，而且有用投票數(shù)是一個(gè)長(zhǎng)期投票的累積量，不能用來(lái)衡量評(píng)論在短期的有用性[7]。所以，采用兩個(gè)階段的有用投票數(shù)的差值，即有用投票數(shù)在同一段時(shí)間內(nèi)的增量作為因變量。

3.2.2 自變量

解釋變量包含評(píng)論內(nèi)容特征和評(píng)論者特征兩個(gè)部分。評(píng)論長(zhǎng)度表示評(píng)論文本的字?jǐn)?shù)。評(píng)論極端性用消費(fèi)者星級(jí)評(píng)分來(lái)測(cè)度，為檢驗(yàn)H1b中評(píng)論極端性的影響，我們?cè)O(shè)置了評(píng)分和評(píng)分的平方項(xiàng)。有用性投票是指我們第一次抓取數(shù)據(jù)時(shí)，每條評(píng)論得到的有用性投票數(shù)。評(píng)論認(rèn)可度是指評(píng)論者所有評(píng)論得到的有用性投票數(shù)之和占該評(píng)論者總評(píng)論數(shù)的比，它表示評(píng)論者發(fā)表評(píng)論被消費(fèi)者認(rèn)可有用性的大小。評(píng)論者個(gè)人信息披露是指評(píng)論者是否將自己的年齡或者性別公開(kāi)，它是個(gè)虛擬變量，評(píng)論者披露了個(gè)人的年齡或性別的賦值為1，反之賦值為0。通過(guò)數(shù)據(jù)清洗，得到了204家酒店4 258條有效評(píng)論。

3.2.3 控制變量

在實(shí)際中，評(píng)論的發(fā)布時(shí)間會(huì)對(duì)評(píng)論有用性投票產(chǎn)生影響，進(jìn)而影響評(píng)論的有用性。評(píng)論發(fā)布的時(shí)間越早，得到的絕對(duì)有用投票數(shù)越多，而有用投票數(shù)的增量越少。因此我們將評(píng)論的暴露時(shí)間作為控制變量。

3.3 分析方法

本文運(yùn)用負(fù)二項(xiàng)回歸對(duì)模型進(jìn)行估計(jì)。負(fù)二項(xiàng)分布是統(tǒng)計(jì)學(xué)上的離散概率分布，它表示一個(gè)事件在伯努利試驗(yàn)中出現(xiàn)的概率為P，在一系列獨(dú)立的伯努利試驗(yàn)中，事件剛好在第r+k次出現(xiàn)r次的概率為

x=r，r+1，…，其中r為一個(gè)固定的整數(shù)。

負(fù)二項(xiàng)回歸適合用來(lái)擬合離散的計(jì)數(shù)數(shù)據(jù)，要求數(shù)據(jù)的方差大于條件均值。通過(guò)比較負(fù)二項(xiàng)分布和樣本數(shù)據(jù)分布特征，運(yùn)用負(fù)二項(xiàng)回歸比較理想,尤其當(dāng)觀測(cè)數(shù)據(jù)中具有較多的0時(shí)，用負(fù)二項(xiàng)回歸來(lái)擬合模型更加合適。一方面，運(yùn)用負(fù)二項(xiàng)回歸是由數(shù)據(jù)特征決定的，有用性投票數(shù)是消費(fèi)者感知有用性投票的累計(jì)結(jié)果，是一個(gè)計(jì)數(shù)數(shù)據(jù)。其次，因變量包含了大量的0值(見(jiàn)表1)，負(fù)二項(xiàng)分布能夠修正0值的影響效果。此外，盡管我們基于大數(shù)據(jù)選擇了一個(gè)大樣本，潛在的選擇性偏誤仍然可能存在[2]。因?yàn)門ripAdvisor.com沒(méi)有顯示有多少人瀏覽過(guò)該評(píng)論，它僅提供了得到有用性投票的那部分?jǐn)?shù)據(jù)，運(yùn)用OLS估計(jì)就會(huì)存在較大偏誤。具體的回歸模型如下：

Helpfulness(ΔHelpfulVotes)=β1ConsumerRating+β2ConsumerRating2+β3ReviewLength+β4HelpfulVotes+β5InformationDisclosrue+β6PeerRecognition+β7ExposureTime+ε

4 模型估計(jì)和結(jié)果分析

4.1 描述性統(tǒng)計(jì)分析

變量描述性統(tǒng)計(jì)分析結(jié)果顯示(表1)，絕大多數(shù)有用性投票數(shù)增量(因變量)為0，平均增加的有用性投票數(shù)也接近0，但最高也可以達(dá)到6。有用性投票數(shù)均值不到1，而最大值為11，說(shuō)明很多評(píng)論沒(méi)有得到有用性投票，有些評(píng)論得到了較多有用性投票，表明大多數(shù)消費(fèi)者并不熱衷于對(duì)在線評(píng)論的有用性投票，只有當(dāng)評(píng)論對(duì)其特別有價(jià)值的情況下才會(huì)投有用票。消費(fèi)者評(píng)分的均值、第一四分位數(shù)和中位數(shù)都在4附近，表明大部分消費(fèi)者傾向于給高分。平均評(píng)論長(zhǎng)度為152，最大值可達(dá)到3 425個(gè)字?jǐn)?shù)。評(píng)論者信息披露的均值為0.68，表明披露個(gè)人信息的評(píng)論者和沒(méi)有披露個(gè)人信息的評(píng)論者各占68%和32%，更多的人樂(lè)意將自己的個(gè)人信息公開(kāi)。評(píng)論者發(fā)表評(píng)論的認(rèn)可度最小為0，均值為0.67，說(shuō)明大部分評(píng)論者發(fā)表的評(píng)論得到消費(fèi)者認(rèn)可的較小，有的評(píng)論者根本沒(méi)有被消費(fèi)者認(rèn)可，最大值為18.34，表明有的評(píng)論者發(fā)表的評(píng)論得到大多數(shù)人的認(rèn)可，并給予了很高的評(píng)價(jià)。

表1 變量描述性統(tǒng)計(jì)分析結(jié)果

變 量最小值均 值最大值因變量00.086消費(fèi)者評(píng)分1.004.025.00評(píng)論長(zhǎng)度261523425有用性投票數(shù)00.6311個(gè)人信息披露00.681評(píng)論認(rèn)可度0.000.6718.34暴露時(shí)間1188274

4.2 回歸分析

回歸分析結(jié)果表明(表2)，模型中的參數(shù)都具有較高的顯著性水平。模型的擬合優(yōu)度R2為0.467，調(diào)整R2為0.482，與同類研究相比，模型的擬合結(jié)果較好，表明模型能夠在很大程度解釋在線評(píng)論有用性影響因素。

表2 回歸分析結(jié)果

注：0‘***’0.001‘**’0.01‘*’0.05‘．’0.1 ‘’1

4.3 結(jié)果分析

從表2中發(fā)現(xiàn)，評(píng)論長(zhǎng)度具有較高的顯著性水平(p=0.0029)，證明評(píng)論長(zhǎng)度是影響在線評(píng)論有用性的重要因素。其參數(shù)為正(β3=0.0007)，說(shuō)明評(píng)論長(zhǎng)度對(duì)在線評(píng)論有用性具有正向影響。消費(fèi)者評(píng)分和消費(fèi)者評(píng)分的平方項(xiàng)都通過(guò)了顯著性檢驗(yàn)，且具有較高的顯著性水平。消費(fèi)者評(píng)分的平方項(xiàng)系數(shù)為正(β2=0.234)，說(shuō)明該影響是一個(gè)“U”形關(guān)系，表明極端好評(píng)和極端差評(píng)比中性評(píng)論的影響作用更大，充分證明了原假設(shè)。評(píng)論有用性投票數(shù)也通過(guò)了顯著性檢驗(yàn)(P=1.19E-05)，其參數(shù)為正(β4=0.172)，表明評(píng)論已經(jīng)獲得的有用性投票數(shù)對(duì)后續(xù)消費(fèi)者的有用性投票會(huì)產(chǎn)生影響，該評(píng)論持續(xù)獲得有用性投票數(shù)越多，后續(xù)感知有用性也會(huì)相應(yīng)提高。評(píng)論者個(gè)人信息披露估計(jì)參數(shù)為正(β5=0.002)，說(shuō)明個(gè)人信息披露會(huì)對(duì)評(píng)論有用性產(chǎn)生正向影響。評(píng)論者的評(píng)論認(rèn)可度具有較高的顯著性水平(P=0.007)，該參數(shù)為正(β6=0.108)，對(duì)在線評(píng)論有用性具有較大的正影響。

評(píng)論暴露時(shí)間也具有較高的顯著性水平，其參數(shù)為負(fù)(β7=-0.015)，說(shuō)明評(píng)論暴露的時(shí)間對(duì)有用性也會(huì)產(chǎn)生影響，評(píng)論暴露的時(shí)間越長(zhǎng)，其后續(xù)獲得有用性投票會(huì)越少，隨著時(shí)間的推移，評(píng)論有用性呈現(xiàn)出衰減的狀態(tài)。研究假設(shè)檢驗(yàn)結(jié)果見(jiàn)表3。

表3 假設(shè)檢驗(yàn)結(jié)果

5 總結(jié)與展望

5.1 研究結(jié)論

本研究在大數(shù)據(jù)的背景下展開(kāi)，通過(guò)構(gòu)建多元回歸模型進(jìn)行實(shí)證分析，發(fā)現(xiàn)在線評(píng)論內(nèi)容和評(píng)論者的特征是在線評(píng)論有用性的根本影響因素，最終得到以下結(jié)論：

5.1.1 評(píng)論內(nèi)容本身特征影響在線評(píng)論有用性

評(píng)論長(zhǎng)度與評(píng)論有用性正相關(guān)，評(píng)論長(zhǎng)度越長(zhǎng)，消費(fèi)者對(duì)評(píng)論的感知有用性就越高；評(píng)論極端性與在線評(píng)論有用性顯著正相關(guān)，極端好評(píng)或極端差評(píng)比中性評(píng)論更有用；評(píng)論的有用性投票數(shù)對(duì)評(píng)論有用性具有顯著正影響，消費(fèi)者對(duì)評(píng)論的感知有用性受到評(píng)論已經(jīng)獲得的有用性投票數(shù)影響，消費(fèi)者對(duì)有用性投票數(shù)較多的評(píng)論認(rèn)可度較高。

5.1.2 評(píng)論者的特征是在線評(píng)論有用性的重要影響因素

評(píng)論者認(rèn)可度與評(píng)論有用性正相關(guān)，其發(fā)表的評(píng)論被同類消費(fèi)者感知有用性程度越高，該評(píng)論者的評(píng)論更有用；評(píng)論者個(gè)人信息披露與評(píng)論有用性相關(guān)正相關(guān)，有個(gè)人信息披露的消費(fèi)者評(píng)論有用性更高。

5.2 啟示和建議

首先，在線零售商應(yīng)該合理設(shè)置在線評(píng)論系統(tǒng)，引導(dǎo)消費(fèi)者撰寫有價(jià)值的評(píng)論[17，21]。在線評(píng)論系統(tǒng)可以用來(lái)提升消費(fèi)者購(gòu)物經(jīng)驗(yàn)和增強(qiáng)公司的盈利能力。有用評(píng)論將幫助企業(yè)和零售商增加銷售和提升品牌形象。由于評(píng)論長(zhǎng)度對(duì)在線評(píng)論有用性具有正面影響，企業(yè)和零售商應(yīng)該完善在線評(píng)論系統(tǒng)，讓消費(fèi)者的評(píng)論更加詳細(xì)。其次，在線零售商應(yīng)該鼓勵(lì)消費(fèi)者對(duì)其認(rèn)可的評(píng)論進(jìn)行投票，有用性投票數(shù)通常是消費(fèi)者衡量評(píng)論有用的直接指標(biāo)，有用性投票數(shù)將會(huì)影響消費(fèi)者對(duì)評(píng)論的感知有用性，也對(duì)后續(xù)消費(fèi)者閱讀評(píng)論產(chǎn)生影響。第三，在線零售商不必對(duì)負(fù)面評(píng)論產(chǎn)生恐懼，極端評(píng)論，包括極端好評(píng)和極端差評(píng)，都被消費(fèi)者認(rèn)為具有較高的有用性。負(fù)面評(píng)論的存在讓消費(fèi)者會(huì)更加相信在線評(píng)論的真實(shí)性和客觀性。

對(duì)于消費(fèi)者而言，在識(shí)別有用評(píng)論作為購(gòu)物決策參考時(shí)，不僅要關(guān)注評(píng)論內(nèi)容本身，還應(yīng)當(dāng)參考評(píng)論發(fā)表者的特征。消費(fèi)者應(yīng)該選擇那些較長(zhǎng)的和消費(fèi)者認(rèn)可度較高的評(píng)論者發(fā)表的評(píng)論作為參考，盡量不要參考那些中性評(píng)論，極端評(píng)論比中性評(píng)論價(jià)值更高。其次，評(píng)論者的個(gè)人信息披露情況也是篩選有用性高的評(píng)論的參考標(biāo)準(zhǔn)，個(gè)人信息披露越完善的評(píng)論者發(fā)表的評(píng)論更可信。通過(guò)篩選有用的評(píng)論，能夠提高購(gòu)物決策效率，減少搜索成本，增強(qiáng)消費(fèi)信心。

5.3 研究局限和未來(lái)展望

在研究過(guò)程中，對(duì)構(gòu)建模型、理論支撐選擇、數(shù)據(jù)收集和模型估計(jì)都進(jìn)行了嚴(yán)格控制，但是仍然存在一定局限性。首先，解釋變量?jī)H考慮了評(píng)論的數(shù)字指標(biāo)，沒(méi)有考慮評(píng)論文本的影響，有研究表明文本可讀性和主觀性對(duì)在線評(píng)論有用性具有重要影響[15，18]。因此，未來(lái)的研究可以將數(shù)據(jù)挖掘和文本挖掘的方法相結(jié)合。其次，研究結(jié)論基于消費(fèi)者對(duì)評(píng)論的有用性投票得到，沒(méi)有測(cè)度那些沒(méi)有進(jìn)行有用性投票和認(rèn)為評(píng)論不具有有用性的在線評(píng)論。

[1]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.

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

[3]Ghose A,Ipeirotis P G.Estimating the socio-economic impact of product reviews:Mining text and reviewer characteristics[J].NYU Stern Research Working Paper CeDER,2008,18(7):48-56.

[4]Willemsen L M,Neijens P C,Bronner F.“Highly Recommended!”The content characteristics and perceived usefulness of online consumer reviews[J].Journal of Computer-Mediated Communication，2011,17(1):19-38.

[5]劉送英.在線顧客評(píng)論有用性研究[D].泉州：華僑大學(xué),2011.

[6]郝媛媛,葉強(qiáng).基于影評(píng)數(shù)據(jù)的在線評(píng)論有用性影響因素研究[J].管理科學(xué)學(xué)報(bào)，2010,19(8):78-88.

[7]Archak N,Ghose A,Ipeirotis PG.Deriving the pricing power of product features by mining consumer reviews[J].Management Science，2011,57(8):485-509.

[8]Forman C,Ghose A,Wiesenfeld B.Examining the relationship between reviews and sales: The role of reviewer identity disclosure in electronic markets[J].Information Systems Research，2008,19(3):291-313.

[9]Pan Y,Zhang J Q.Born Unequal:A Study of the Helpfulness of User-Generated Product Reviews[J].Journal of Retailing，2011,87(4):598-612.

[10]Korfiatis N,García-Bariocanal E,Sánchez-Alonso S.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(3):205-217.

[11]彭嵐,周啟海,邱江濤.消費(fèi)者在線評(píng)論有用性影響因素模型研究[J].計(jì)算機(jī)科學(xué)，2011,32(8):205-207.

[12]殷國(guó)鵬,祝珊.網(wǎng)絡(luò)社區(qū)在線評(píng)論有用性影響模型研究——基于信息采納與社會(huì)網(wǎng)絡(luò)視角[J].圖書情報(bào)工作，2012，(16):140-147.

[13]殷國(guó)鵬.消費(fèi)者認(rèn)為怎樣的在線評(píng)論更有用?——社會(huì)性因素的影響效應(yīng)[J].管理世界，2012，(12):115-124.

[14]Sussman S W,Siegal W S.Informational influence in organizations:an integrated approach to knowledge adoption[J].Information Systems Research，2003,14(1):47-65.

[15]Ngo-Ye T L,Sinha A P.Analyzing Online Review Helpfulness Using a Regressional ReliefF-Enhanced Text Mining Method[J].ACM Transactions on Management Information Systems，2012,3(2):1-20.

[16]Poston R S,Speier C.Effective use of knowledge management systems:a process model of content ratings and credibility indicators[J].MIS quarterly，2005，29(2):221-244.

[17]郭林方.影響在線評(píng)論有用性的相關(guān)因素研究[D].大連：東北財(cái)經(jīng)大學(xué),2012.

[18]Ghose A,Ipeirotis P G.The EconoMining project at NYU:Studying the economic value of user-generated content on the internet[J].Journal of Revenue & Pricing Management,2008,37(16):241-246.

[19]Walther J B,Liang Y J,Ganster T.Online reviews,helpfulness ratings,and consumer attitudes:An extension of congruity theory to multiple sources in Web2.0[J].Journal of Computer Mediated Communication，2012,18(1):97-112.

[20]Klionsky D J,Abdalla F C,Abraham R T,et al.Guidelines for the use and interpretation of assays for monitoring autophagy[J].Autophagy，2012,8(4):445-544.

[21]Zhu F,Zhang X.Impact of online consumer reviews on sales:The moderating role of product and consumer characteristics[J].Journal of Marketing,2010,74(2):133-148.

(本文責(zé)任編輯：孫國(guó)雷)

Empirical Study of Online Consumer Review Helpfulness Determinants——Based On Hotel Review Data of Tripadvisor.com

Zhuo Siqing Feng Yongzhou*

(School of Economics and Management，Wuhan University，Wuhan 430072，China)

With rapid development of the Internet,consumers have increasingly relied on online reviews prior to making purchase decisions.This paper discussed the determinants of helpfulness of online consumer reviews from the perspective of information adoption model.By designing time window of helpful votes and building concept model of review helpfulness,the paper mainly discussed the influence of review content and reviewers’ characteristics on review helpfulness.Based on 4258 hotel review data of Tripadvisor.com,the paper did empirical analysis by using negative binomial regression.The results found that review length,rating extremity,number of helpful votes,peer recognition and information disclosure have significantly positive influence on review helpfulness.The conclusions would give some important implications and suggestions for both online retailers and consumers.

online reviews;review helpfulness;negative binomial regression;big data

2014-12-04

卓四清(1965-)，男，副教授，研究方向：管理科學(xué)與工程和數(shù)據(jù)挖掘。

馮永洲(1989-)，男，碩士研究生，研究方向：管理科學(xué)與工程和數(shù)據(jù)挖掘。

10．3969/j．issn．1008-0821．2015．04．011

F724.6

A

1008-0821(2015)04-0052-05