O2O電商平臺(tái)在線點(diǎn)評(píng)有用性影響因素的識(shí)別研究
——以餐飲行業(yè)O2O模式為例

劉 偉，徐鵬濤

(東北財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院，遼寧 大連 116025)

?

O2O電商平臺(tái)在線點(diǎn)評(píng)有用性影響因素的識(shí)別研究
——以餐飲行業(yè)O2O模式為例

劉 偉，徐鵬濤

(東北財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院，遼寧 大連 116025)

為了識(shí)別O2O電商平臺(tái)在線點(diǎn)評(píng)有用性的影響因素，本文構(gòu)建了基于IAM模型的雙路徑分析理論模型。以大眾點(diǎn)評(píng)網(wǎng)上6家餐廳的2372條用戶點(diǎn)評(píng)數(shù)據(jù)為樣本，通過(guò)Tobit回歸方法對(duì)理論模型進(jìn)行了實(shí)證檢驗(yàn)。研究結(jié)果顯示，核心路徑中的信息豐富性、信息可讀性及點(diǎn)評(píng)負(fù)面性等三個(gè)變量對(duì)在線點(diǎn)評(píng)有用性有顯著正向影響，其中信息可讀性的觀測(cè)變量點(diǎn)評(píng)段落數(shù)與在線點(diǎn)評(píng)有用性之間呈倒“U”型關(guān)系，品牌價(jià)值對(duì)點(diǎn)評(píng)負(fù)面性與點(diǎn)評(píng)有用性之間的關(guān)系具有調(diào)節(jié)作用，高的品牌價(jià)值會(huì)降低點(diǎn)評(píng)負(fù)面性對(duì)點(diǎn)評(píng)有用性的積極作用。邊緣路徑中的消費(fèi)者回應(yīng)及點(diǎn)評(píng)者經(jīng)驗(yàn)對(duì)在線點(diǎn)評(píng)有用性具有顯著正向影響。舊的評(píng)論比新的評(píng)論對(duì)在線點(diǎn)評(píng)有用性的影響更大。

餐飲行業(yè)；O2O；在線點(diǎn)評(píng)；點(diǎn)評(píng)有用性

1 引言

O2O(Online to Offline)是通過(guò)線上營(yíng)銷或購(gòu)買來(lái)帶動(dòng)線下經(jīng)營(yíng)或消費(fèi)的一種新興電子商務(wù)模式，即“線上搜索，線下消費(fèi)”。O2O模式利用線上平臺(tái)的海量信息和無(wú)邊界性進(jìn)一步挖掘線下資源，拓寬了商家的運(yùn)營(yíng)和營(yíng)銷渠道，改變了人們的消費(fèi)方式，提升了用戶體驗(yàn)。2012年以來(lái)，許多電商平臺(tái)開(kāi)始拓展本地生活服務(wù)(餐飲、娛樂(lè)、票務(wù)等服務(wù))O2O業(yè)務(wù)。餐飲業(yè)作為較早接觸線上渠道搭建的傳統(tǒng)服務(wù)行業(yè)，依托線上交易和線下消費(fèi)已成為O2O最典型的應(yīng)用場(chǎng)景之一。以阿里巴巴、百度為代表的傳統(tǒng)互聯(lián)網(wǎng)巨頭和以大眾點(diǎn)評(píng)、美團(tuán)、餓了么等為代表的新興企業(yè)紛紛布局餐飲行業(yè)O2O市場(chǎng)。品途咨詢研究顯示，2014年我國(guó)餐飲行業(yè)O2O的在線用戶規(guī)模達(dá)到1.89億人，市場(chǎng)規(guī)模達(dá)到943.7億元，餐飲行業(yè)O2O市場(chǎng)受到廣泛關(guān)注，以餐飲行業(yè)O2O平臺(tái)為例進(jìn)行研究具有較強(qiáng)的代表性和應(yīng)用價(jià)值。

對(duì)于餐飲O2O平臺(tái)的在線用戶來(lái)說(shuō)，面臨的主要問(wèn)題是如何最優(yōu)的在線選擇餐館進(jìn)行線下消費(fèi)。當(dāng)消費(fèi)者很難了解產(chǎn)品信息時(shí)，來(lái)自其他消費(fèi)者的在線點(diǎn)評(píng)通常是用戶進(jìn)行決策的主要依據(jù)，在線點(diǎn)評(píng)幫助其進(jìn)行購(gòu)買決策的作用是十分重要的[1]。在線點(diǎn)評(píng)(Online Review)也稱為網(wǎng)絡(luò)口碑、在線口碑(Electronic Word of Mouth，eWOM)等，是由處于同等身份的其他消費(fèi)者在第三方網(wǎng)站平臺(tái)上發(fā)布的產(chǎn)品或服務(wù)評(píng)價(jià)[2]。和傳統(tǒng)的口碑營(yíng)銷一樣，在線點(diǎn)評(píng)也可以通過(guò)感知有用性和感知易用性來(lái)影響消費(fèi)者的購(gòu)買意愿[3]。根據(jù)Simonson和Rosen[4]的研究，30%的美國(guó)消費(fèi)者是通過(guò)瀏覽亞馬遜網(wǎng)站上的產(chǎn)品信息和點(diǎn)評(píng)才開(kāi)始網(wǎng)絡(luò)購(gòu)物的。在線點(diǎn)評(píng)的重要性毋容置疑，但隨著點(diǎn)評(píng)數(shù)量的大幅度增加，會(huì)給消費(fèi)者帶來(lái)信息過(guò)載的問(wèn)題[5]。一些學(xué)者認(rèn)為在線點(diǎn)評(píng)有用性就是“會(huì)幫助消費(fèi)者進(jìn)行購(gòu)買決策”，只有有用的在線點(diǎn)評(píng)才能給消費(fèi)者的選擇帶來(lái)幫助[2]。目前對(duì)于在線點(diǎn)評(píng)有用性的研究多集中在亞馬遜、淘寶等B2C和C2C類電商平臺(tái)上，采用計(jì)量模型、文本挖掘等方法對(duì)網(wǎng)上抓取的二手?jǐn)?shù)據(jù)進(jìn)行實(shí)證研究，但是研究結(jié)論并不一致[6]。從個(gè)體層面分析在線點(diǎn)評(píng)影響消費(fèi)者購(gòu)買決策的研究不足，沒(méi)有形成明晰的理論分析框架，難以解釋有用性點(diǎn)評(píng)的影響機(jī)制。具體來(lái)說(shuō)，缺乏對(duì)點(diǎn)評(píng)內(nèi)容質(zhì)量相關(guān)特征的關(guān)注，點(diǎn)評(píng)內(nèi)容質(zhì)量特征的深度語(yǔ)義挖掘不夠，負(fù)面點(diǎn)評(píng)的作用一直被在線點(diǎn)評(píng)的相關(guān)研究所重視，缺乏對(duì)正面點(diǎn)評(píng)中所包含的點(diǎn)評(píng)負(fù)面性的深入研究，點(diǎn)評(píng)有用性影響因素的設(shè)定不統(tǒng)一。另外，由于O2O的概念還比較新，將視角放在餐飲行業(yè)O2O平臺(tái)的在線點(diǎn)評(píng)的研究很少。與B2C和C2C類電商平臺(tái)不同，O2O平臺(tái)為第三方平臺(tái)，消費(fèi)者發(fā)布的在線點(diǎn)評(píng)不容易受到商家的營(yíng)銷策略影響，具有更高的可信度和參考價(jià)值，對(duì)于線上搜索的消費(fèi)者來(lái)說(shuō)，線下消費(fèi)的選擇對(duì)在線點(diǎn)評(píng)的依賴性極大?，F(xiàn)實(shí)情況是餐飲O2O平臺(tái)存在海量的在線評(píng)論，點(diǎn)評(píng)信息的過(guò)載及其質(zhì)量的參差不齊嚴(yán)重影響消費(fèi)者的決策判斷，增加了信息搜索成本。因此，從管理實(shí)踐來(lái)說(shuō)需要建立有效識(shí)別O2O平臺(tái)在線點(diǎn)評(píng)影響因素、改進(jìn)平臺(tái)的評(píng)論信息發(fā)布策略和提取有價(jià)值的評(píng)論信息的機(jī)制，從而提升消費(fèi)者的決策效率、平臺(tái)的用戶流量和收益以及改進(jìn)商家的服務(wù)質(zhì)量。

本文在已有研究基礎(chǔ)上，以大眾點(diǎn)評(píng)網(wǎng)的在線餐館點(diǎn)評(píng)為研究對(duì)象，圍繞“什么樣的在線點(diǎn)評(píng)對(duì)消費(fèi)者選擇餐館更有用？”這一問(wèn)題，以IAM模型為理論框架，研究消費(fèi)者感知在線評(píng)論有用性的影響因素。本文對(duì)在線點(diǎn)評(píng)有用性的影響因素識(shí)別進(jìn)行研究，有利于減少消費(fèi)者的線上搜索成本，提高消費(fèi)者的用戶體驗(yàn)，促進(jìn)線下商家的銷售和品牌信譽(yù)度的提升，以及改進(jìn)第三方在線平臺(tái)的點(diǎn)評(píng)發(fā)布策略和用戶黏性，豐富在線點(diǎn)評(píng)有用性的相關(guān)理論。

2 理論模型

Sussman和Siegal[7]在結(jié)合理性行為理論、技術(shù)接受模型(Technology Acceptance Model，TAM)以及詳盡可能性模型(Elaboration Likelihood Model，ELM)的基礎(chǔ)上提出了信息采納模型(Information Acceptance Model，IAM)。該模型將信息有用性加入到ELM模型中作為中介變量，同時(shí)將接收者的參與度與專業(yè)知識(shí)作為調(diào)節(jié)變量。IAM模型將信息影響人們的決策過(guò)程看作是信息采納過(guò)程，將信息內(nèi)容質(zhì)量作為核心路徑，信息源作為邊緣路徑，信息接受者感知的內(nèi)容質(zhì)量與信息源的可靠性越高，其感知的信息有用性也就越高；而有用性越高的信息會(huì)產(chǎn)生較高水平的信息采納效果，即信息有用性會(huì)調(diào)節(jié)內(nèi)容質(zhì)量和信息源可靠性對(duì)信息采納的影響。一些學(xué)者運(yùn)用IAM模型分析了在線點(diǎn)評(píng)影響消費(fèi)者購(gòu)買決策的過(guò)程[8-9]，表明IAM模型適用于在線點(diǎn)評(píng)有用性的研究，本文基于IAM模型構(gòu)建餐飲行業(yè)O2O模式下在線點(diǎn)評(píng)有用性影響因素的理論模型。

在核心路徑方面，本文著重研究點(diǎn)評(píng)內(nèi)容質(zhì)量。由于在線點(diǎn)評(píng)是以文本方式呈現(xiàn)給消費(fèi)者，本文選取信息豐富性和信息可讀性兩個(gè)變量來(lái)研究點(diǎn)評(píng)內(nèi)容質(zhì)量對(duì)在線點(diǎn)評(píng)有用性的影響[10]。負(fù)面點(diǎn)評(píng)的作用一直被在線點(diǎn)評(píng)的相關(guān)研究所重視，正面點(diǎn)評(píng)內(nèi)容中所包含的負(fù)面信息對(duì)在線點(diǎn)評(píng)有用性的影響更有價(jià)值，點(diǎn)評(píng)負(fù)面性也被納入理論模型。考慮到品牌價(jià)值會(huì)對(duì)點(diǎn)評(píng)負(fù)面性與點(diǎn)評(píng)有用性之間的關(guān)系產(chǎn)生調(diào)節(jié)作用，因此將品牌價(jià)值作為調(diào)節(jié)變量引入理論模型。在邊緣路徑方面，本文選取信息源可靠性中易于消費(fèi)者處理的因素進(jìn)行研究。點(diǎn)評(píng)者經(jīng)驗(yàn)可以幫助消費(fèi)者判斷點(diǎn)評(píng)發(fā)布者對(duì)產(chǎn)品或服務(wù)評(píng)價(jià)的資格和能力，將其作為信息源可靠性的因素。動(dòng)態(tài)屬性變量一直是在線點(diǎn)評(píng)研究所缺乏的，消費(fèi)者在進(jìn)行在線產(chǎn)品選擇的時(shí)候容易受到其他消費(fèi)者的影響[4]，所以其他消費(fèi)者對(duì)點(diǎn)評(píng)的回復(fù)或響應(yīng)以及評(píng)分不一致性也作為影響在線點(diǎn)評(píng)有用性的因素。點(diǎn)評(píng)數(shù)量和點(diǎn)評(píng)發(fā)布的時(shí)間會(huì)對(duì)在線點(diǎn)評(píng)有用性產(chǎn)生影響，將其作為控制變量引入到模型之中。圖1為本文提出的餐飲行業(yè)O2O模式下在線點(diǎn)評(píng)有用性影響因素識(shí)別的理論模型。

2.1 核心路徑

核心路徑包括信息的豐富性、可讀性以及點(diǎn)評(píng)負(fù)面性等三個(gè)指標(biāo)。

(1)信息豐富性

信息豐富性是指可以幫助消費(fèi)者了解產(chǎn)品的信息集的數(shù)量[11]。面對(duì)不完整的產(chǎn)品信息，消費(fèi)者常常要在不確定的情況下進(jìn)行購(gòu)買決策。為了避免損失，消費(fèi)者會(huì)搜尋與產(chǎn)品相關(guān)的信息來(lái)減少購(gòu)買的不確定性，從而獲得足夠的信心來(lái)進(jìn)行購(gòu)買決策。共振市場(chǎng)理論認(rèn)為消費(fèi)者只有在知情的情況下才會(huì)購(gòu)買他們想要的產(chǎn)品，而且獲知與產(chǎn)品相關(guān)的信息越多，其購(gòu)買產(chǎn)品的數(shù)量也就越多[12]。對(duì)于在線點(diǎn)評(píng)來(lái)說(shuō)，其包含產(chǎn)品相關(guān)的信息越豐富，對(duì)消費(fèi)者購(gòu)買決策的影響就越大，而消費(fèi)者感知的在線點(diǎn)評(píng)有用性也就越大。據(jù)此，本文提出如下研究假設(shè)：

H1：信息豐富性與在線點(diǎn)評(píng)有用性呈正向相關(guān)關(guān)系。

圖1 餐飲行業(yè)O2O模式下在線點(diǎn)評(píng)有用性影響因素識(shí)別的理論模型

(2)點(diǎn)評(píng)可讀性

可讀性是人們閱讀和理解一段包含對(duì)被評(píng)價(jià)產(chǎn)品的文本時(shí)所感受到的難易程度，可讀性與點(diǎn)評(píng)長(zhǎng)度一樣對(duì)一段文本的易理解性有著重要的影響。根據(jù)認(rèn)知適配理論，當(dāng)人們對(duì)接收到的信息采用恰當(dāng)?shù)恼J(rèn)知過(guò)程時(shí)，其對(duì)信息的處理將會(huì)更加有效[13-14]。在這里，恰當(dāng)?shù)恼J(rèn)知過(guò)程是指給出的信息要采用可以最小化閱讀者認(rèn)知努力的形式，才能與閱讀者的信息處理策略相匹配，從而加強(qiáng)對(duì)消費(fèi)者制定決策的影響效果[15]。因此，信息的可讀性越高，代表人們閱讀該信息所需要付出的認(rèn)知努力就越少，從而其對(duì)消費(fèi)者制定購(gòu)買決策的影響就越大。對(duì)在線點(diǎn)評(píng)來(lái)說(shuō)，如果點(diǎn)評(píng)的信息文本能夠提供一個(gè)合適的段落數(shù)，就可以提高該條點(diǎn)評(píng)的可讀性[10]，從而對(duì)消費(fèi)者進(jìn)行購(gòu)買決策具有更大的輔助作用，即具有更高的有用性。據(jù)此，本文提出如下研究假設(shè)：

H2：點(diǎn)評(píng)可讀性與在線點(diǎn)評(píng)有用性呈正向相關(guān)關(guān)系。

(3)點(diǎn)評(píng)負(fù)面性

點(diǎn)評(píng)負(fù)面性一直是在線點(diǎn)評(píng)有用性研究的重要方面，就對(duì)點(diǎn)評(píng)有用性的影響效果來(lái)說(shuō)，負(fù)面點(diǎn)評(píng)的影響力要比正面點(diǎn)評(píng)更大[16]。信息診斷性理論表明，當(dāng)存在診斷性更高的信息時(shí)，人們不會(huì)選用那些診斷性低的容易理解的信息。負(fù)面點(diǎn)評(píng)要比正面點(diǎn)評(píng)具有更高診斷性，人們往往會(huì)把負(fù)面信息作為更重要的信息源，因此負(fù)面信息具有更大的說(shuō)服力。從對(duì)購(gòu)買行為的影響來(lái)說(shuō)，包含更多正面情感內(nèi)容的在線點(diǎn)評(píng)產(chǎn)生的在線轉(zhuǎn)化率要更低一些，而包含負(fù)面情感內(nèi)容的在線點(diǎn)評(píng)則沒(méi)有這種遞減效應(yīng)[17]。已有研究往往將焦點(diǎn)放在負(fù)面點(diǎn)評(píng)上，而正面點(diǎn)評(píng)內(nèi)容中的負(fù)面性因素常常被忽視。Doh和Hwang[18]認(rèn)為含有少量負(fù)面性內(nèi)容的正面點(diǎn)評(píng)的可信度會(huì)更高，從而可以對(duì)消費(fèi)者的購(gòu)買決策產(chǎn)生更大的影響。點(diǎn)評(píng)內(nèi)容中所包含的負(fù)面性因素越多，其對(duì)點(diǎn)評(píng)有用性的影響也就越大。據(jù)此，本文提出如下研究假設(shè)：

H3a：點(diǎn)評(píng)負(fù)面性與在線點(diǎn)評(píng)有用性呈正向相關(guān)關(guān)系。

品牌價(jià)值是在討論負(fù)面性因素對(duì)在線點(diǎn)評(píng)有用性的影響時(shí)需要考慮的因素。作為可以有效代表產(chǎn)品質(zhì)量的標(biāo)識(shí)，品牌價(jià)值可以在消費(fèi)者進(jìn)行購(gòu)買決策時(shí)產(chǎn)生對(duì)產(chǎn)品質(zhì)量的暗示，從而形成消費(fèi)者的選擇偏見(jiàn)[19]。因此，消費(fèi)者在閱讀在線點(diǎn)評(píng)信息中的負(fù)面性內(nèi)容時(shí)，由于高品牌價(jià)值所帶來(lái)的高質(zhì)量暗示會(huì)使消費(fèi)者對(duì)這些負(fù)面性因素產(chǎn)生不信任感，會(huì)降低對(duì)這些內(nèi)容所感知的有用性。據(jù)此，本文提出如下研究假設(shè)。

H3b：高的品牌價(jià)值會(huì)降低點(diǎn)評(píng)負(fù)面性對(duì)在線點(diǎn)評(píng)有用性的積極影響。

2.2 邊緣路徑

邊緣路徑包括消費(fèi)者回應(yīng)、評(píng)分不一致性和點(diǎn)評(píng)者經(jīng)驗(yàn)等三個(gè)指標(biāo)。

(1)消費(fèi)者回應(yīng)

相對(duì)于面對(duì)面的溝通情境，以互聯(lián)網(wǎng)為媒介的溝通情境的社會(huì)臨場(chǎng)感(社會(huì)臨場(chǎng)感即個(gè)人在溝通中對(duì)群體中其他人的感覺(jué))會(huì)比較低[20]，主要是由于其缺乏非文字的線索，傳遞信息的渠道單一，溝通者不容易感受到其他參與者的存在，從而使整個(gè)通訊過(guò)程低人性化和低社會(huì)化。社會(huì)臨場(chǎng)感理論認(rèn)為消費(fèi)者之間的互動(dòng)可以增加在線點(diǎn)評(píng)信息傳遞的真實(shí)性，從而增加在線點(diǎn)評(píng)的信息源可靠性。本文將來(lái)自其他消費(fèi)者的回應(yīng)納入在線點(diǎn)評(píng)有用性的理論模型中，當(dāng)來(lái)自其他消費(fèi)者回應(yīng)的數(shù)量越多時(shí)，在線點(diǎn)評(píng)溝通情境中的交互性也就會(huì)越高。高的交互性可以帶來(lái)高的社會(huì)臨場(chǎng)感，消費(fèi)者感知到更高的信息源的可靠性。據(jù)此，本文提出如下研究假設(shè)：

H4：消費(fèi)者回應(yīng)與在線點(diǎn)評(píng)有用性呈正向相關(guān)關(guān)系。

(2)評(píng)分不一致

在線點(diǎn)評(píng)的平均評(píng)分可視為其他消費(fèi)者對(duì)某一產(chǎn)品的一致觀點(diǎn)[21]。信息階流理論認(rèn)為當(dāng)人們?cè)谛畔⒉煌耆虿粚?duì)稱的情況下進(jìn)行決策時(shí)，除了考慮自身所了解的信息外，也會(huì)觀察處于相同情況下的其他人的決策行為。雖然無(wú)法了解其他人的決策過(guò)程，但是如果有連續(xù)不斷的相同行為結(jié)果出現(xiàn)時(shí)，人們就會(huì)放棄自己的判斷，轉(zhuǎn)而遵循大多數(shù)人的決策結(jié)果。Cheung等[9]研究發(fā)現(xiàn)在線點(diǎn)評(píng)的評(píng)分與現(xiàn)有點(diǎn)評(píng)的評(píng)分越一致，消費(fèi)者感知的在線點(diǎn)評(píng)的可信度也就越高。也就是說(shuō)，某一點(diǎn)評(píng)評(píng)分與平均評(píng)分的一致性可以使消費(fèi)者認(rèn)為點(diǎn)評(píng)的信息來(lái)源更加可靠，從而認(rèn)為點(diǎn)評(píng)更有用。據(jù)此，本文提出如下研究假設(shè)：

H5：評(píng)分不一致與在線點(diǎn)評(píng)有用性呈負(fù)向相關(guān)關(guān)系。

(3)點(diǎn)評(píng)者經(jīng)驗(yàn)

對(duì)于信息主題參與度低的消費(fèi)者而言，信息源可靠性在人們對(duì)認(rèn)知權(quán)威的判斷中起著重要的作用。Baek 等[8]指出點(diǎn)評(píng)者身份、點(diǎn)評(píng)者等級(jí)以及點(diǎn)評(píng)者活躍度等點(diǎn)評(píng)發(fā)布者特征可以作為信息源可靠性的相關(guān)因素對(duì)點(diǎn)評(píng)有用性產(chǎn)生影響。Ngo-Ye和Sinha[22]認(rèn)為點(diǎn)評(píng)發(fā)布者特征和點(diǎn)評(píng)文本特征對(duì)在線點(diǎn)評(píng)有用性同樣重要。根據(jù)歸因理論，如果消費(fèi)者將點(diǎn)評(píng)者對(duì)產(chǎn)品的評(píng)價(jià)歸因?yàn)楫a(chǎn)品本身的性能，則其對(duì)點(diǎn)評(píng)者會(huì)更加信任，從而更容易被點(diǎn)評(píng)所說(shuō)服。點(diǎn)評(píng)者經(jīng)驗(yàn)可以向點(diǎn)評(píng)閱讀者傳遞點(diǎn)評(píng)發(fā)布者具有對(duì)產(chǎn)品或服務(wù)評(píng)價(jià)的資格和能力，點(diǎn)評(píng)者的經(jīng)驗(yàn)越多，消費(fèi)者就會(huì)因其有能力對(duì)產(chǎn)品的性能進(jìn)行評(píng)價(jià)而對(duì)其更加信任。也就是說(shuō)，點(diǎn)評(píng)者的經(jīng)驗(yàn)越多，消費(fèi)者感知的信息源可靠性就越高，從而其感知的在線點(diǎn)評(píng)有用性也就越高。據(jù)此，本文提出如下研究假設(shè)：

H6：點(diǎn)評(píng)者經(jīng)驗(yàn)對(duì)在線點(diǎn)評(píng)有用性呈正向相關(guān)關(guān)系

2.3 控制變量

考慮到人們更愿意對(duì)存在大量點(diǎn)評(píng)的產(chǎn)品進(jìn)行評(píng)論以及點(diǎn)評(píng)發(fā)表時(shí)間對(duì)點(diǎn)評(píng)有用性的影響[23]，本文引入點(diǎn)評(píng)的數(shù)量和發(fā)表的時(shí)間近度作為控制變量。由于點(diǎn)評(píng)的數(shù)量代表著產(chǎn)品的市場(chǎng)表現(xiàn)，有關(guān)產(chǎn)品的點(diǎn)評(píng)數(shù)量越多，消費(fèi)者感知到的產(chǎn)品重要性和受歡迎程度也就越大。一些研究認(rèn)為點(diǎn)評(píng)的數(shù)量越多，消費(fèi)者感知的點(diǎn)評(píng)有用性越大，對(duì)消費(fèi)者購(gòu)買意愿的影響越大[24]，尤其是對(duì)于剛剛接觸在線點(diǎn)評(píng)的消費(fèi)者來(lái)說(shuō)更是如此。在線點(diǎn)評(píng)的有用性會(huì)顯著地依賴于點(diǎn)評(píng)的發(fā)表時(shí)機(jī)[25-26]，及時(shí)的在線點(diǎn)評(píng)可以影響消費(fèi)者對(duì)在線點(diǎn)評(píng)質(zhì)量的感知。因此，點(diǎn)評(píng)的時(shí)間近度也需要納入在線點(diǎn)評(píng)有用性模型中加以考慮。

3 實(shí)證研究

3.1 變量與數(shù)據(jù)

在線點(diǎn)評(píng)有用性是研究模型中的因變量。現(xiàn)有文獻(xiàn)對(duì)在線點(diǎn)評(píng)有用性的測(cè)度方法有兩種：一種通過(guò)點(diǎn)評(píng)的有用投票數(shù)占總投票數(shù)的比例來(lái)測(cè)度有用性[2，8]；另一種是通過(guò)點(diǎn)評(píng)的累積有用投票數(shù)來(lái)測(cè)度[22]。本文采用點(diǎn)評(píng)的累積有用投票數(shù)來(lái)測(cè)量在線點(diǎn)評(píng)有用性。根據(jù)大眾點(diǎn)評(píng)網(wǎng)規(guī)定，如果點(diǎn)評(píng)閱讀者認(rèn)為一條點(diǎn)評(píng)對(duì)其有用，則可以進(jìn)行鮮花數(shù)的投遞(2014年后改為點(diǎn)贊)，因此，本文將使用某條點(diǎn)評(píng)累積獲得的鮮花數(shù)來(lái)作為對(duì)該條點(diǎn)評(píng)的有用投票數(shù)。

在自變量方面，信息豐富性和點(diǎn)評(píng)可讀性分別通過(guò)與餐廳相關(guān)的特征數(shù)量和點(diǎn)評(píng)段落數(shù)來(lái)測(cè)量[10]。本文在結(jié)合大眾點(diǎn)評(píng)提供的各類信息的基礎(chǔ)上將價(jià)格、口味、環(huán)境、服務(wù)和菜品這五類人們最常關(guān)注的餐廳特征信息作為考察點(diǎn)評(píng)信息豐富性的內(nèi)容特征。點(diǎn)評(píng)負(fù)面性通過(guò)負(fù)面詞匯占點(diǎn)評(píng)總字?jǐn)?shù)的比例來(lái)測(cè)量[8]。品牌價(jià)值的高低分別用1和0表示，老字號(hào)餐廳為1，而非老字號(hào)餐廳為0。點(diǎn)評(píng)者經(jīng)驗(yàn)和消費(fèi)者互動(dòng)性分別用點(diǎn)評(píng)者的等級(jí)[8]及消費(fèi)者回應(yīng)數(shù)來(lái)測(cè)量。評(píng)分不一致使用某一點(diǎn)評(píng)的星級(jí)評(píng)分和平均星級(jí)評(píng)分的差值的絕對(duì)值來(lái)測(cè)量[8，25]，而時(shí)間近度變量則使用數(shù)據(jù)抓取日期與點(diǎn)評(píng)發(fā)布日期之間差值的絕對(duì)值來(lái)測(cè)量。

變量的定義如表1所示。

表1 變量定義

大眾點(diǎn)評(píng)網(wǎng)(dianping.com)是中國(guó)領(lǐng)先的本地生活服務(wù)O2O交易平臺(tái)，本文選擇大眾點(diǎn)評(píng)網(wǎng)為研究對(duì)象，選取大眾點(diǎn)評(píng)網(wǎng)上3家老字號(hào)餐廳及3家非老字號(hào)餐廳的消費(fèi)者點(diǎn)評(píng)數(shù)據(jù)進(jìn)行抓取。樣本數(shù)據(jù)的抓取工具采用GooSeeker提供的MetaSeeker網(wǎng)絡(luò)爬蟲(chóng)工具包，共抓取3771條在線點(diǎn)評(píng)數(shù)據(jù)。由于近期的點(diǎn)評(píng)可能沒(méi)有足夠的時(shí)間來(lái)累積有用性投票，剔除了數(shù)據(jù)抓取日期之前兩個(gè)月內(nèi)發(fā)布的點(diǎn)評(píng)[22]；而且涉及到文本內(nèi)容的分析，還剔除了少量沒(méi)有內(nèi)容或其他語(yǔ)言書(shū)寫(xiě)的點(diǎn)評(píng)，共收集2372條有效在線點(diǎn)評(píng)數(shù)據(jù)。采用文本情感分析軟件ROSTCM6對(duì)在線點(diǎn)評(píng)文本內(nèi)容質(zhì)量數(shù)據(jù)進(jìn)行挖掘和分析。

樣本數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果如表2所示。

表2 樣本數(shù)據(jù)的描述性統(tǒng)計(jì)

本文對(duì)樣本數(shù)據(jù)進(jìn)行了相關(guān)性檢驗(yàn)，結(jié)果表明各個(gè)解釋變量之間的相關(guān)系數(shù)均小于0.5，這些自變量均可用于實(shí)證模型。

3.2 實(shí)證模型設(shè)定

消費(fèi)者在進(jìn)行有用性投票時(shí)只有有用和沒(méi)用兩種選擇而無(wú)法進(jìn)行比有用更好或比沒(méi)用更差的選擇，因此因變量存在自身受限的問(wèn)題，符合Tobit模型的前提條件。本文采用Tobit模型來(lái)對(duì)樣本數(shù)據(jù)進(jìn)行回歸分析，根據(jù)前文提出的理論模型及研究假設(shè)，建立的實(shí)證模型如式(1)所示：

HF=β1RF+β2RP+β3RP2+β4NW+β5CR+β6RI+β7RR+β8BE×NW+β9TR+β10RQ+ε

(1)

式(1)中，HF代表點(diǎn)評(píng)有用性的累積投票數(shù)，RF代表餐廳特征數(shù)，RP代表點(diǎn)評(píng)段落數(shù)，NW代表點(diǎn)評(píng)負(fù)面詞率，CR代表消費(fèi)者回應(yīng)數(shù)，RI代表評(píng)分不一致，RR代表點(diǎn)評(píng)者等級(jí)，BE代表品牌價(jià)值，BE×NW代表品牌價(jià)值與負(fù)面詞率的乘積，TR和RQ分別代表時(shí)間近度和點(diǎn)評(píng)總數(shù)量。本文認(rèn)為RP與HF具有非線性的倒“U”型關(guān)系，存在一個(gè)RP值，在該值的左側(cè)，點(diǎn)評(píng)可讀性隨段落數(shù)增加而增加；而在該值的右側(cè)，點(diǎn)評(píng)可讀性隨段落數(shù)的增加而降低。

3.3 實(shí)證結(jié)果分析

實(shí)證結(jié)構(gòu)如表3所示，模型1、模型2和模型3分別表示對(duì)核心路徑、邊緣路徑以及二者的組合(雙路徑)進(jìn)行回歸的結(jié)果。從三個(gè)模型的Likelihood Ratio的顯著性(p=0.000)及McFadden’s R2值來(lái)看，Tobit模型的整體擬合結(jié)果可以接受。從系數(shù)的估計(jì)結(jié)果來(lái)看，三個(gè)模型呈現(xiàn)較好的一致性，下面對(duì)模型3的回歸結(jié)果進(jìn)行分析。

核心路徑的變量回歸結(jié)果表明，餐廳相關(guān)特征數(shù)RF的系數(shù)(β1)為0.192，在5%的水平下顯著，在線點(diǎn)評(píng)的內(nèi)容中每增加一個(gè)餐廳相關(guān)特征數(shù)，平均對(duì)在線點(diǎn)評(píng)的有用性增加0.192個(gè)投票數(shù)。在線點(diǎn)評(píng)的信息豐富性越高，在線點(diǎn)評(píng)的有用性越高，假設(shè)H1得到樣本數(shù)據(jù)的支持。點(diǎn)評(píng)段落數(shù)RP的回歸系數(shù)(β2)為3.942，在1%的水平下顯著；點(diǎn)評(píng)段落數(shù)RP的平方的回歸系數(shù)(β3)為-0.266，在1%的水平下顯著。因此，點(diǎn)評(píng)段落數(shù)RP與在線點(diǎn)評(píng)有用性之間具有非線性關(guān)系，即點(diǎn)評(píng)段落數(shù)與點(diǎn)評(píng)有用性之間的關(guān)系呈倒“U”型，存在一個(gè)恰當(dāng)?shù)狞c(diǎn)評(píng)段落數(shù)使得點(diǎn)評(píng)具有更高的可讀性，從而使得在線點(diǎn)評(píng)的有用性更高，假設(shè)H2得到樣本數(shù)據(jù)的支持。本文計(jì)算得到當(dāng)點(diǎn)評(píng)段落數(shù)約為7.404時(shí)，在線點(diǎn)評(píng)的有用性最高，因此點(diǎn)評(píng)段落數(shù)應(yīng)最好控制在7～8段左右。負(fù)面詞率NW的回歸系數(shù)(β4)為11.714，在1%的水平下顯著，說(shuō)明點(diǎn)評(píng)的負(fù)面性越高，在線點(diǎn)評(píng)的有用性越高，假設(shè)H3a得到樣本數(shù)據(jù)的支持。這也驗(yàn)證了信息診斷性理論的觀點(diǎn)，即負(fù)面性的信息往往會(huì)對(duì)消費(fèi)者產(chǎn)生更大的說(shuō)服力。BE×NW的系數(shù)(β8)為-6.363，且在5%的水平下顯著，假設(shè)H3b得到樣本數(shù)據(jù)的支持，即高的品牌價(jià)值會(huì)降低點(diǎn)評(píng)負(fù)面性對(duì)在線點(diǎn)評(píng)有用性的正向影響。從BE×NW的系數(shù)來(lái)看，這種影響效果十分明顯，高的品牌價(jià)值(老字號(hào)餐廳)會(huì)平均降低約一半的點(diǎn)評(píng)負(fù)面性給在線點(diǎn)評(píng)有用性帶來(lái)的影響。

為了進(jìn)一步證明品牌價(jià)值的調(diào)節(jié)作用，本文分別對(duì)老字號(hào)餐廳和非老字號(hào)餐的在線點(diǎn)評(píng)數(shù)據(jù)進(jìn)行了回歸分析。如表4所示，老字號(hào)餐廳點(diǎn)評(píng)負(fù)面性的系數(shù)為4.481，且在5%的水平下顯著；而非老字號(hào)餐廳中點(diǎn)評(píng)負(fù)面性的回歸系數(shù)為11.802，在1%的水平下顯著?？梢?jiàn)，點(diǎn)評(píng)負(fù)面性對(duì)低品牌價(jià)值餐廳的點(diǎn)評(píng)有用性的影響要遠(yuǎn)遠(yuǎn)大于對(duì)高品牌價(jià)值的餐廳，原因在于高的品牌價(jià)值會(huì)對(duì)消費(fèi)者產(chǎn)生高質(zhì)量的暗示，從而使其對(duì)點(diǎn)評(píng)的負(fù)面信息產(chǎn)生不信任，進(jìn)而影響其對(duì)點(diǎn)評(píng)有用性的感知。

表3 Tobit回歸分析結(jié)果

注：Likelihood Ratio對(duì)應(yīng)一欄括號(hào)內(nèi)的數(shù)值為P值。

表4 老字號(hào)餐廳和非老字號(hào)餐廳點(diǎn)評(píng)數(shù)據(jù)的回歸結(jié)果

注：Likelihood Ratio對(duì)應(yīng)一欄括號(hào)內(nèi)的數(shù)值為P值。

邊緣路徑的回歸結(jié)果表明，消費(fèi)者回應(yīng)CR的系數(shù)(β5)為1.763，且在1%的水平下顯著，假設(shè)H4得到實(shí)證的支持，即來(lái)自其他消費(fèi)者的回應(yīng)數(shù)越多，在線點(diǎn)評(píng)的有用性就越高。就平均對(duì)點(diǎn)評(píng)有用性投票數(shù)的影響而言，消費(fèi)者回應(yīng)要比其他邊緣路徑的變量要好。點(diǎn)評(píng)不一致RI的系數(shù)與假設(shè)一致為負(fù)(β6=-0.369)，但并不顯著，假設(shè)H5沒(méi)有得到實(shí)證的支持。本文認(rèn)為正面點(diǎn)評(píng)比負(fù)面點(diǎn)評(píng)普遍要多而導(dǎo)致點(diǎn)評(píng)的評(píng)分往往集中在高水平上(樣本數(shù)據(jù)中點(diǎn)評(píng)評(píng)分為4星和5星的占有相當(dāng)大的比重)，因此點(diǎn)評(píng)不一致性的取值(與平均星級(jí)的差值)相對(duì)固定，從而對(duì)在線點(diǎn)評(píng)有用性的影響不顯著。點(diǎn)評(píng)者等級(jí)RR與在線點(diǎn)評(píng)有用性之間存在著顯著的正相關(guān)關(guān)系(β7=0.159，p=0.025)，假設(shè)H6得到實(shí)證的支持，點(diǎn)評(píng)者經(jīng)驗(yàn)對(duì)在線點(diǎn)評(píng)有用性具有正向影響。

控制變量的估計(jì)結(jié)果顯示，時(shí)間近度變量TR的系數(shù)為正且顯著(β9=0.003，p=0.000)，這表明點(diǎn)評(píng)發(fā)布的時(shí)間越早，在線點(diǎn)評(píng)的有用性反而越高。實(shí)證結(jié)果與模型假設(shè)相反，究其原因，本文認(rèn)為消費(fèi)者受到來(lái)自其他消費(fèi)者之前的有用性投票行為結(jié)果的影響比受到點(diǎn)評(píng)時(shí)效性的影響要大，因此對(duì)點(diǎn)評(píng)有用性的大量投票往往出現(xiàn)在以前的點(diǎn)評(píng)中，而近期的點(diǎn)評(píng)獲得的有用性投票較少。點(diǎn)評(píng)數(shù)量RQ的回歸系數(shù)為正(β10=0.002)，但并不顯著(p=0.171)。分析其原因，本文認(rèn)為點(diǎn)評(píng)數(shù)量主要是通過(guò)增加產(chǎn)品熱度的方式來(lái)影響在線點(diǎn)評(píng)的有用性。但是對(duì)于餐飲行業(yè)來(lái)說(shuō)人們往往更關(guān)注的是餐廳的品牌價(jià)值和自身的口味偏好，點(diǎn)評(píng)數(shù)量對(duì)點(diǎn)評(píng)有用性的影響不明顯。

根據(jù)Tobit模型的實(shí)證結(jié)果，本文研究假設(shè)的驗(yàn)證結(jié)果如表5所示。

表5 研究假設(shè)的驗(yàn)證結(jié)果

4 結(jié)語(yǔ)

本文圍繞電商平臺(tái)下消費(fèi)者感知在線點(diǎn)評(píng)有用性的影響因素這一核心問(wèn)題，構(gòu)建了基于IAM模型的點(diǎn)評(píng)有用性影響因素識(shí)別的理論模型，并以大眾點(diǎn)評(píng)網(wǎng)上的餐飲行業(yè)點(diǎn)評(píng)數(shù)據(jù)為樣本，對(duì)不同因素對(duì)在線點(diǎn)評(píng)有用性的影響差異進(jìn)行了實(shí)證分析。核心路徑分析發(fā)現(xiàn)點(diǎn)評(píng)信息越豐富，消費(fèi)者感知的在線點(diǎn)評(píng)有用性越高；用來(lái)觀測(cè)點(diǎn)評(píng)可讀性與在線點(diǎn)評(píng)有用性呈現(xiàn)倒“U”型關(guān)系；點(diǎn)評(píng)負(fù)面性對(duì)在線點(diǎn)評(píng)有用性具有正向影響，說(shuō)明了正面點(diǎn)評(píng)信息中包含一定比例的負(fù)面內(nèi)容的積極作用。品牌價(jià)值對(duì)點(diǎn)評(píng)負(fù)面性與點(diǎn)評(píng)有用性之間關(guān)系具有調(diào)節(jié)作用，高的品牌價(jià)值會(huì)降低點(diǎn)評(píng)負(fù)面性對(duì)點(diǎn)評(píng)有用性的積極作用。邊緣路徑分析發(fā)現(xiàn)消費(fèi)者回應(yīng)數(shù)和點(diǎn)評(píng)者等級(jí)對(duì)在線點(diǎn)評(píng)有用性具有正向影響；點(diǎn)評(píng)不一致與在線點(diǎn)評(píng)有用性之間的負(fù)相關(guān)關(guān)系沒(méi)有得到證實(shí)。點(diǎn)評(píng)發(fā)布的時(shí)間近度與在線點(diǎn)評(píng)有用性之間的正向相關(guān)，間接地證實(shí)了其他消費(fèi)者的影響對(duì)在線點(diǎn)評(píng)有用性的重要作用。

對(duì)電商平臺(tái)在線點(diǎn)評(píng)有用性影響因素的識(shí)別，消費(fèi)者可以更快、更準(zhǔn)地完成線上信息收集過(guò)程，以減少信息的搜索成本，更準(zhǔn)確的選擇合適的線下消費(fèi)對(duì)象，決策的準(zhǔn)確性和效率提高。O2O平臺(tái)可以更加合理地對(duì)在線點(diǎn)評(píng)進(jìn)行排序，適當(dāng)?shù)馗倪M(jìn)點(diǎn)評(píng)發(fā)布的方式，從而增加平臺(tái)用戶黏性。O2O平臺(tái)可以考慮改變單一的內(nèi)容發(fā)布方式，以按相關(guān)特征分別填寫(xiě)內(nèi)容的方式將點(diǎn)評(píng)自動(dòng)分類，從而使消費(fèi)者感受到更高的信息質(zhì)量及有用性，降低用戶的搜索成本并提升用戶體驗(yàn)。商家可以將關(guān)注的焦點(diǎn)放在負(fù)面點(diǎn)評(píng)上，提示消費(fèi)者對(duì)正面點(diǎn)評(píng)中的負(fù)面信息加以關(guān)注，同時(shí)，商家也要關(guān)注以往發(fā)布的點(diǎn)評(píng)信息對(duì)消費(fèi)者購(gòu)買決策的影響，進(jìn)而對(duì)點(diǎn)評(píng)中的負(fù)面信息進(jìn)行說(shuō)明，給消費(fèi)者以引導(dǎo)。

本文研究也存在一些需要改進(jìn)的地方，如改進(jìn)文本內(nèi)容的識(shí)別和語(yǔ)義挖掘方法、將團(tuán)購(gòu)價(jià)格及早期的促銷價(jià)格因素引入到研究模型之中、對(duì)整個(gè)O2O電商平臺(tái)中不同行業(yè)進(jìn)行研究并分析行業(yè)差異性，從而進(jìn)一步完善在線點(diǎn)評(píng)有用性的相關(guān)理論研究。

[1] Pathak B, Garfinkel R, Gopal, R D. Empirical analysis of the impact of recommender systems on sales[J]. Journal of Management Information Systems, 2010, 27(2): 159-188．

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

[3] Parry M E., Kawakami T, Kishiya K, The effect of personal and virtual Word-of-Mouth on technology acceptance[J]. Journal of Product Innovation Management, 2012, 29(6): 952-966.

[4] Simonson I, Rosen E, What marketers misunderstand about online reviews[J]. Harvard Business Review, 2014, 92(1): 23-25．

[5] Jones Q, Ravid G, Rafaeli S. Information overload and the message dynamics of online interaction spaces: A theoretical model and empirical exploration[J]. Information Systems Research, 2004, 15(2): 194-210．

[6] 郝媛媛，葉強(qiáng)，李一軍．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)，2010，13(8)：78-96．

[7] 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．

[8] Baek H, Ahn J, Youngseok C. Helpfulness of online consumer reviews: Readers' objectives and review cues, International Journal of Electronic Commerce[J]. 2012,17(2): 99-126．

[9] Cheung M Y, Luo Chuan, Sia C L, et al, Credibility of electronic Word-of-Mouth: Informational and normative determinants of online consumer recommendations[J]. International Journal of Electronic Commerce, 2009, 13(4): 9-38．

[10] Liu Jingjing, Cao Yunbo, Lin C Y,et al. Low-quality product review detection in opinion summarization[C]//Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, Prague, June, 2007．

[11] Park D H, Lee J, Han I, The effect of online consumer reviews on consumer purchasing intention: The moderating role of involvement[J]. International Journal of Electronic Commerce, 2007, 11(4): 125-148．

[12] Clemons E K, Gao G G, Hitt L M. When online reviews meet hyperdifferentiation: A study of the craft beer industry[J]. Journal of Management Information Systems, 2006, 23(2): 149-171．

[13] Vessey I, Galletts D, Cognitive fit: An empirical study of information acquisition[J]. Information System Research, 1991, 2(1): 63-84．

[14] 閆強(qiáng)，孟躍．在線評(píng)論的感知有用性影響因素——基于在線影評(píng)的實(shí)證研究[J].中國(guó)管理科學(xué)，2013，21(S2):126-131．

[15] Park D H, 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．

[16] Schindler R M, Bickart B, Perceived helpfulness of online consumer reviews: The role of message content and style[J]. Journal of Consumer Behaviour, 2012, 11(3): 234-243．

[17] Ludwig S, Ruyter Ko de, Friedman M, et al. More than words: The influence of affective content and linguistic style matches in online reviews on conversion rates[J]. Journal of Marketing, 2013, 77(1): 87-103．

[18] Doh S J, Hwang JS. How consumers evaluate eWOM (Electronic Word-of-Mouth) messages[J]. Cyberpsychology & Behavior, 2009, 12(2): 193-197．

[19] Ho-Dac N N, Carson S J, Moore W 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．

[20] Short J, Williams E, Christie B, The social psychology of communication [M]. New York: John Wiley, 1976.

[21] Bikhchandani S, Hirshleifer D, Welch I, A theory of fads, fashion, custom, and cultural change as informational cascades[J]. Journal of Political Economy, 1992, 100(5): 992-1026．

[22] Ngo-Ye T L, Sinha, Atish P, The influence of reviewer engagement characteristics on online review helpfulness: A text regression model[J]. Decision Support Systems, 2014, 61(4): 47-58．

[23] Cheung C M Y, Sia C L, Kuan K K Y, Is this review believable? A study of factors affecting the credibility of online consumer reviews from an ELM perspective[J]. Journal of The Association for Information Systems, 2012, 13(8): 618-635．

[24] Lee S H. How do online reviews affect purchasing intention?[J]. African Journal of Business Management, 2009, 3(10): 576-581．

[25] 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．

[26] 蔡淑琴，馬玉濤，王瑞．在線口碑傳播的意見(jiàn)領(lǐng)袖識(shí)別方法研究[J].中國(guó)管理科學(xué)，2013，21(2):185-192．

A Study on Influencing Factors of the Helpfulness of Online Reviews in O2O of Restaurant Industry——Based on Tobit Model

LIU Wei, XU Peng-tao

(School of Management and Engineering, Dongbei University of Finance and Economics, Dalian 116025, China)

Online reviews are an effective way of commodity recommendation and its helpfulness has an important impact on consumer’s decision. Online retail sites with more helpful reviews offer greater potential value to customers, which can help them to avoid the uncertainty and risk of purchase decision. But there is huge volume of reviews on online websites sometimes, which cause customers confused when they make decisions according to the reviews. Especially O2O is an emerging pattern of e-commerce, which factors will affect the helpfulness of online reviews in O2O. For this research, a dual process model of the helpfulness of online reviews that consumer perceives in O2O of restaurant industry is established based on ELM and extensional IAM. Central cue and peripheral cue are included in the dual process model. Focus is put on information richness, review readability and review negativity in the central cue, and consumer’s response, rating inconsistency and reviewer experience in the peripheral cue. Then 2,372 online consumer reviews of 6 restaurants are collected from dianping.com, and an empirical test is conducted using Tobit regression model. Our findings show the central cue, including information richness, information readability and review negativity has a significant positive impact on the helpfulness of online reviews. The relation of the paragraphs, observational variable of information readability and the helpfulness of online reviews present an inverted U-shape. Brand value has a regulating effect on the relation between review negativity and the helpfulness of online reviews, and high brand value will weaken positive effect which review negativity affects the helpfulness of online reviews. The peripheral cue, including consumer’s response and reviewer’s experience has a positive impact on the helpfulness of online reviews. Meanwhile we also find early reviews are better than recent reviews. This study contributes to both theory and practice. First, theoretical framework is provided to understand the context of online reviews. Based on dual process theories of ELM and IAM, this research revealed that information processing occurs in either peripheral cue or central cue when consumers read online reviews. Second, our findings may help online retailers recognize what factors constitute helpful online reviews for online markets. The results of this study can be used to develop guidelines for creating and choosing more valuable online reviews. Furthermore, the results of the current research can be used to design Web sites by considering certain review factors that affect helpfulness of review, depending on which products consumers intend to buy.

restaurant industry; O2O; online reviews; helpfulness of reviews

1003-207(2016)05-0168-09

10.16381/j.cnki.issn1003-207x.2016.05.019

2014-09-11；

2015-10-28

遼寧省高等學(xué)校優(yōu)秀人才支持計(jì)劃(WJQ2013027)

簡(jiǎn)介：劉偉(1979-)，男(漢族)，遼寧錦州人，東北財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院副教授，研究方向：信息管理、創(chuàng)新管理，E-mail: liuweidufe@126.com.

C931.6

A