产品销售、网络口碑与在线观察与学习信息的动态互动_观察学习论文

产品销量、网络口碑与在线观察学习信息之间的动态交互影响，本文主要内容关键词为：在线论文,销量论文,口碑论文,动态论文,产品论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

       中图分类号：F72 文献标志码：A 文章编号：1002～5766(2016)02～0091～11

       一、引言

       随着网络购物越来越盛行，大型网上购物商场(如天猫商城、京东商城)销售的商品种类日益繁多。面对琳琅满目的同类商品，为了节约选购时间、降低购买风险，消费者往往对产品销售页面呈现的信息依赖程度比较高(Bikhchandani等，1998)。在众多页面信息中，网络口碑(Word-of-Mouth，WOM)与在线观察学习(Observational Learning，OL)信息是两类典型的购物参考信息，它们均基于消费者行为产生①。营销学中将基于意见或偏好的社交互动称为口碑(Arndt，1967)，当口碑信息借助网络媒介传播时，则被称为网络口碑(Godes等，2005)。心理学与经济学中将基于行为的社交互动称为观察学习(Bikhchandani等，1998；Bandura，1977)，比如，当需要在两个餐厅中选择其一就餐时，顾客可能会听取朋友的意见，也可能简单地观察当前每个餐厅的受欢迎程度而选择人数较多的餐厅就餐，哪怕其本人已有选择餐厅的标准(Becker，1991)。当观察学习行为是基于网络信息展开时，则被称为在线观察学习。观察学习与口碑的差异主要体现在社交互动过程中的信息数量与可信度，观察学习比口碑一般包含更少的信息(Chen等，2011)。WOM信息通常既包含消费者的评价或推荐(如五星点评)，也包含做出该评价背后的理由(如撰写点评)(Bikhchandani等，1998)；而OL信息仅揭示出所有消费者行为的综合结果，具有一定的统计属性(如销量排行榜)，但并不提供导致该结果的理由。

       与传统的营销活动相比，基于用户生成的信息对潜在消费者的购买行为影响更大(Trusov等，2009)，本文将关注两类基于用户生成的销售页面信息：点评类WOM与电商服务质量(e-commerce Service Quality，e-SQ)类OL信息。点评在塑造消费者态度与购买行为中扮演着重要角色，对产品销量具有显著影响(Chevalier & Mayzlin，2006)；e-SQ作为一种特殊的OL信息，对顾客满意度与购买意愿也具有显著影响(Ho & Lee，2007)，这意味着两类销售页面信息对产品销量具有直接或间接的影响。然而，已有文献大多数都从静态角度去考虑WOM信息与OL信息对产品销量的影响，并未研究它们对产品销量是否具有动态影响。正是基于这方面的不足，本文将探索产品销量、点评类WOM与e-SQ类OL信息三者之间是否具有动态交互影响，即点评类WOM与e-SQ类OL信息是否对产品销量具有长期动态影响?产品销量是否反过来对点评类WOM信息与e-SQ类OL信息具有动态反馈效应?两类销售页面信息之间是否具有动态交叉效应?在回答上述三个问题的基础上，本文还将进一步探索产品销量、点评类WOM信息与e-SQ类OL信息彼此之间的预测能力。

       二、文献回顾

       近几年来，一些学者对产品销量(或销售业绩)与网络口碑之间的动态交互影响进行了研究。不同于Duan等(2008)和Lu等(2013)分别将电影票房和餐厅收入作为研究对象，揭示了网络口碑与线下消费者行为之间的动态交互影响，本文以大型B2C电商平台为研究背景，研究网络口碑与线上消费者行为之间的动态交互影响。不同于一些文献基于时间序列数据(比如股票、新成员注册)，运用向量自回归(Vector Auto-regression，VAR)模型研究网络口碑与产品销量(或销售业绩)之间的动态关系(Trusov等，2009；Luo，2009；Tirunillai & Tellis，2012；Villanueva等，2008)，本文则是基于面板数据，运用面板向量自回归(Panel Vector Auto-regression，PVAR)模型展开研究。也不同于一些文献将四星与五星点评看作正面WOM信息，三星及以下点评看作负面WOM信息(Sonnier等，201l；Ho-Dac等，2013)，本文借助实证数据来源销售页面点评数据展示的独特性，以经过文本挖掘后得到的正面点评标签百分比来衡量正面WOM信息。

       此外，一些学者对消费者行为与e-SQ的相互影响也进行了研究。Finn(2011)揭示出e-SQ指标维度②对顾客满意度具有非线性影响；Delone(2003)发现，网站信息质量与顾客满意度正相关；Udo等(2010)发现，e-SQ不仅对消费者购买意愿具有显著的直接影响，还能通过顾客满意度作为中间调节因素对消费者购买意愿产生间接影响；Olorunniwo等(2006)指出，负责e-SQ的经理应调整运营战略，聚焦可提高顾客满意度的服务质量指标维度，这将对消费者购买意愿产生正面影响；Chang等(2009)借助问卷调查发现，e-SQ通过影响顾客满意度，进而影响顾客忠诚度。本文与这些文献的差异主要体现在三个方面：(1)上述文献中，e-SQ是指消费者网上购物过程中的感知服务水平，而本文中的e-SQ是指顾客选购产品时呈现在销售页面、可供参考的一种OL信息；(2)上述文献主要研究e-SQ对顾客满意度、购买意愿或忠诚度的影响，并未揭示其对产品销量(或销售业绩)的直接影响，本文借助大型B2C电商平台销售页面提供的数据优势弥补了这方面的研究不足；(3)不同于上述文献均基于静态模型展开有关e-SQ对顾客满意度等方面影响的单向研究，本文通过建立动态模型，不仅研究了e-SQ对产品销量的直接影响，也研究了产品销量反过来对e-SQ的影响。

       三、研究设计

       1.数据来源

       本文实证数据来源于国内最大的B2C电商平台——天猫商城③，其2014年总成交额达5050亿元。实证数据样本采集对象为笔记本商品，借助网页数据采集工具④，抓取产品销售页面相关数据，每周抓取一次。为保证所有商品信息尽可能在同一时间获取，以降低因销售页面信息更新导致的分析误差，本文选择每次均在周一凌晨00：00～6：00采集数据，该时间段内顾客购买行为不活跃，产品销售页面信息相对静止。数据采集时间跨度为2013年7月15日—2014年1月13日，持续近半年，共27周，每周均将商城上销售的所有笔记本商品相关数据采集下来⑤。由于商城产品上下架更换频繁，平均每周下架与新上架的商品均超过200种，甚至会出现一些商品下架几周后又重新上架的现象，这导致采集的数据样本是一个极度不平衡的面板数据。但由于PVAR模型一般要求平衡面板数据，为了包含尽可能多的平衡面板数据，本文实证样本截取了采集样本中的20周数据，其对应时间段为2013年7月29日—2013年12月9日⑥。删除无效和异常数据后⑦，有效样本共3820条，包含191款笔记本商品。

       2.变量定义

       本文共包含三类变量：产品销量、点评类WOM信息、e-SQ类OL信息。产品销量用周销量来衡量(Wsales)。

       (1)点评类WOM信息。本文用点评量变化(Volume)与正面点评标签百分比(Positive)这两个变量衡量WOM信息。其中，Volume用连续两周的累计点评数量之差求得，不同于绝大多数类似研究用点评总量来度量口碑数量(Chevalier & Mayzlin，2006；Gu等，2012)，本文用点评数量的变化来度量口碑数量，可更准确地揭示点评数量与产品销量之间的关系，这主要是因为周销量相对于总销量来说也是增量概念。Positive表示各种正面点评标签出现的次数与点评总数之间的比值，本文用该变量来衡量产品获得正面评价程度的高低，主要是因为：天猫商城根据用户撰写点评内容的习惯，对不同类产品(如笔记本)设置了一系列正面标签(如性能好、性价比很高等)与负面标签(如OS一般、屏幕一般等)⑧。相对于大多数国内外大型B2C电商平台(如亚马逊)仅用“几星”点评来粗略衡量产品所获正面和负面点评的多寡，天猫商城借助文本挖掘技术对每条点评进行深入剖析，为潜在顾客提供了更加全面的参考信息。

       (2)e-SQ类OL信息。本文用“描述相符”(Depict)与“退款速度”(Refund)这两个指标衡量e-SQ类OL信息⑨。其中，Depict表示卖家页面信息描述的真实性与同行业平均水平相比的百分比值(如“描述相符”与同行业相比高于12.26％)，具体计算规则为：(卖家店铺得分同行业平均分)/(同行业店铺最高得分-同行业平均分)，该指标由商品购买者主观评分生成，若“高于”，则为正数；若“持平”，则等于0；若“低于”，则为负数。Refund表示卖家退货速度与同行业平均水平相比的绝对值(如“退款速度”与同行业相比快1天)，具体计算规则：卖家店铺退款速度-同行业店铺平均退款速度，该指标由电商平台根据客观数据统计生成，若“快多少天”，则为正数；若“慢多少天”则为负数。

       3.数据描述性统计与相关关系

       本文对产品周销量与点评量变化均取对数⑩，这主要是因为产品销量存在边际递减规律(Gu等，2012；Chevalier & Goolsbee，2003；Ghose，2009)，点评量变化对产品周销量的影响也存在边际递减效应。经过数据处理后，所有变量的描述性统计与相关关系如表1所示。

       表1显示，点评类WOM信息变量(Ln_volume和Positive)均与产品周销量具有较强的相关性，且它们之间也具有较强的相关关系。e-SQ类OL信息变量(Depict和Refund)均与产品销量的相关性较小，且它们之间的相关性也较小。此外，点评类WOM信息变量与e-SQ类OL信息变量之间的相关性均较小。

      

       4.研究方法

       本文将选择面板向量自回归(PVAR)模型来研究产品销量、点评类WOM信息、e-SQ类OL信息三者之间的动态交互关系，这主要是因为，PVAR模型是专门用来研究多个内生变量之间动态关系的模型，它将所有变量看作一个封闭的系统，既能揭示单个变量的时间序列动态特征，又能揭示不同变量之间的动态关系，很好地切合了本文的研究问题。Sims(1980)提出基于时间序列数据的向量自回归(VAR)模型，在此基础上，Holtz-Eakin等(1988)建立了基于面板数据的向量自回归模型，经过Lütkepohl(2007)的进一步发展与扩充，PVAR模型已成为面板数据中分析变量之间相互动态关系的一种较为成熟的工具。

       PVAR模型把所有变量均看作内生变量(11)，并将每个内生变量看作系统中所有内生变量滞后项的函数来构建模型，从而揭示各内生解释变量之间的长期动态交互关系，具体模型如等式(1)所示。该模型主要借助脉冲响应函数(Impulse Response Function，IRF)与预测误差方差分解(Forecast Error Variance Decomposition，FEVD)两种分析工具。前者用来刻画一个内生变量的随机误差项当期所受到的一个标准差冲击对它自身及其他各内生变量未来多期影响大小的变化趋势；后者用来评估每个内生变量当期受到的一个标准化冲击对系统中各内生变量在未来各期波动预测的贡献程度。

      

       其中，

为内生变量；

是由内生变量

滞后1期至滞后n期构成的1×5n维列向量(12)；A是由待估计系数构成的5×5n维矩阵；

为外生变量，本研究将不考虑外生变量，所有变量均被看作内生解释变量；

为个体效应，用来反映不可观察的个体差异(如质量、品牌)；

为时间效应，用来捕捉个体在同一时间截面可能受到的共同冲击(如电商“双11”促销)；

为服从正态分布的随机误差项。

       本文将先采用系统广义矩(System Generalized Method of Moments，SGMM)方法对PVAR模型进行参数估计，以弄清产品销量、点评类WOM信息、e-SQ类OL信息的哪些滞后变量将分别对这三类信息的当期变量产生显著影响。紧接着，借助脉冲响应函数定性观察上述三类变量当期受到的一个标准差冲击将分别对未来多期这三类变量影响大小的变化趋势。最后，利用预测误差方差分解进一步探讨上述三类变量的当期波动分别对这三类变量未来不同期波动的解释能力，即从定量角度评估一类信息变量波动对预测另一类信息变量波动的重要性。

       四、实证结果与分析

       在面板数据中，为了防止变量之间可能出现伪回归(或伪相关)现象，需要对模型涉及的变量进行平稳性检验(13)。检验结果表明，产品周销量、点评数量变化、正面点评标签百分比、“描述相符”与“退款速度”这五个变量均为零阶单整，即本文涉及的所有变量均是平稳的。此外，利用PVAR模型进行参数估计和预测时，首先需要利用信息准则确定模型最优滞后阶数，本文运用了AIC(Akaike Information Criterion，赤池信息准则)、BIC(Bayesian Information Criterion，贝叶斯信息准则)和HQIC(Hannan-Quinn Information Criterion，奎因传信息准则)三种信息准则(14)。尽管三种准则对模型最优滞后阶数的选取未能形成一致结论，但为了使估计结果可以更好地被解释，又尽可能让模型更加简洁，本文将选择滞后一阶的PVAR模型。

       1.回归估计结果分析

       由于PVAR模型一般采用SGMM估计方法，该方法将内生变量的滞后项作为工具变量对回归方程进行迭代估计。然而，消除个体效应

与时间效应

的惯用途径——组内去心法(或称为均值差分法)将导致变化后的方程无法采用SGMM方法进行估计，因为内生变量的滞后项将与随机干扰项相关，工具变量失效。为了克服该问题，Arellano & Bover(1995)提出了“向前均值差分法”(又称为Helmert过程)来消除个体向前的均值，这样，滞后内生变量与转换后的随机误差项无关，仍可作为工具变量，于是，SGMM方法依然可以得到有效的估计结果(15)，如表2所示。

      

       借鉴Villanueva等(2008)对VAR模型估计结果的分析思路，本文将重点分析四种动态交互效应。表1显示：(1)从整体上来看，各变量滞后一期项均对其自身当期项具有显著影响，这意味着产品销量、点评类WOM与e-SQ类OL信息均存在强化效应。(2)滞后一期的点评量变化与正面点评标签百分比对当期产品周销量均具有正向显著影响，该结论与大多数相关研究的发现一致(Chevalier & Mayzlin，2006)。滞后一期的“描述相符”对当期产品销量也具有正向显著影响，然而滞后一期的“退款速度”对当期产品销量没有显著影响，这可能是因为，产品销售页面信息描述的真实性对潜在消费者的购买决策具有较大影响，而消费者对退款速度的快慢不太敏感。这意味着两种点评类WOM信息变量对产品销量存在直接效应，e-SQ类OL信息变量——“描述相符”对产品销量也存在直接效应，但“退款速度”对产品销量不具有直接效应。(3)滞后一期的产品销量对当期点评量变化与正面点评标签百分比均具有显著影响(16)；对当期“描述相符”与“退款速度”均不具有显著影响。这意味着产品销量对点评类WOM信息存在反馈效应，对e-SQ类OL信息不存在反馈效应。(4)无论是滞后一期的两种点评类WOM信息变量对当期e-SQ类OL信息变量，还是滞后一期的e-SQ类OL信息变量对当前点评类WOM信息变量，均不具有显著影响。此外，滞后一期的点评量变化(或正面点评标签百分比)对当期的正面点评标签百分比(或点评量变化)不具有显著影响；滞后一期的“描述相符”(或“退款速度”)对当期的“退款速度”(或“描述相符”)也不具有显著影响。这意味着，不仅点评类WOM信息与e-SQ类OL信息之间不存在交叉效应，而且两类信息内部变量之间也不存在交叉效应。

      

       图1 产品周销量、点评类WOM与e-SQ类在线OL信息之间的脉冲响应

       资料来源：本文整理

       2.脉冲响应函数分析

       脉冲响应函数是在其他变量的当期和过去各期值保持不变的前提下，PVAR系统中某个方程的随机扰动项当期发生的一个标准差冲击对所有内生变量的当期与未来多期影响的变化趋势(17)，以直观刻画出各变量之间的动态交互作用。本文使用Monte Carlo模拟1000次得到脉冲响应函数图，如图1所示，其中，横轴表示冲击反应的响应期数(单位：周)，考察冲击作用的期限为10周，纵轴表示不同内生变量对冲击的响应程度，并给出了95％的置信区间，每个小图的中间实线表示具体冲击的变化趋势。

       (1)产品周销量预测受到的冲击。从图1第一行可知，产品周销量对自身预测的冲击随着时间的延长逐渐减小，但数值比较大，这意味着，对产品周销量预测的冲击主要源于自身。点评量变化对产品周销量预测的冲击在第一周达到最大，并随时间的延长逐渐降低，从第六周后开始趋于0，这意味着，点评数量变化对产品周销量预测的作用随着时间的推移逐渐降低。正面点评标签百分比对产品周销量预测的冲击从第二周起达到稳定，并维持在较高水平，这说明，正面点评标签百分比是预测未来产品销量的重要因素。“描述相符”对产品周销量预测的冲击从第一周至第四周迅速增长，四周后开始放缓，但数值相对较小；“退款速度”对产品周销量预测的冲击可忽略不计。

       (2)点评类WOM信息预测受到的冲击。从图1第二行与第三行可知，无论是点评量变化还是正面点评标签百分比，对各自自身预测的冲击均在当期达到最大，前者随后急剧下降，三周后趋于平缓；后者随时间延长缓慢下降。产品周销量对点评量变化预测的冲击在第一周达到最大，随后逐渐下降，六周后趋于平缓。产品周销量对正面点评标签百分比预测的冲击从第一周至第四周逐渐增大，四周后趋于平缓。正面点评标签百分比对点评量变化预测的冲击可忽略不计。点评量变化对正面点评标签百分比预测的冲击从第一周至第四周逐渐增大，四周后趋于平缓，但数值比较小。“描述相符”对点评量变化预测的冲击也是从第一周至第四周逐渐增大，四周后趋于平缓，但数值比较小；“退款速度”对点评量变化预测的冲击在第一周达到最大，随后逐渐降至趋于0。e-SQ类OL信息对正面点评标签百分比预测的冲击可忽略不计。

       (3)e-SQ类OL信息预测受到的冲击。从图1第四行与第五行可知，“描述相符”与“退款速度”对各自自身测预测的冲击均在当期达到最大，且随着时间的延长逐渐缓慢下降。“退款速度”对“描述相符”预测的冲击从第一周至第四周逐渐增大，四周后趋于平缓；“描述相符”对“退款速度”预测的冲击从第一周就趋于平缓。产品周销量与点评类WOM信息对e-SQ类OL信息预测的冲击可忽略不计。

       3.预测误差方差分解

       上述分析表明，产品周销量、点评类WOM信息和e-SQ类OL信息之间存在动态相互作用，但脉冲响应函数只能说明每个内生变量对其他变量冲击响应的变化趋势，无法判断“预测能力”的大小，即无法知晓它们之间的相互影响程度。为了回答这一问题，本节将借助预测误差方差分解工具，探索当对未来各期每个内生变量波动进行预测时，系统中所有内生变量当期的一个标准差冲击所贡献的百分比大小，从而评估一个变量对另一个变量的影响程度。本文构建的PVAR模型预测误差方差分解结果如表3所示。

      

       表3显示，当对产品周销量进行预测时，无论从短期还是长期来看，其自身冲击的贡献程度(或解释能力)均最大，但这种贡献程度在未来一期至未来20期过程中逐渐降低(从100％降至62.9％)；点评量变化和“描述相符”的冲击对其贡献程度均较小，前者在未来五期时稳定在3％左右，后者虽然逐期有所增大，但未超过4％；正面点评标签百分比的冲击对其贡献程度逐期快速增大，未来20期时已增至30.6％；“退款速度”的冲击对其贡献程度几乎为0。这些结论表明，虽然点评量变化和“描述相符”的变动对产品周销量的变动具有一定的解释能力，但正面点评标签百分比的变动对后者变动的解释能力要大得多，这意味着，正面点评是影响产品销量的一个重要因素，且具有明显的长期效应，产品周销量的预测方差中有近三分之一可由正面点评标签百分比的冲击来解释。

       当对点评量变化(正面点评标签百分比)进行预测时，其自身冲击的贡献程度最大，且未来10期后将收敛至75％～77％之间(86％～90％之间)；产品周销量的冲击对其贡献程度较大，且未来10期后将维持在20.3％左右(11％左右)；“描述相符”的冲击对其贡献程度很小，未来10期约为0.9％(0.2％)；“退款速度”的冲击对其贡献程度几乎为0。点评量变化与正面点评标签百分比之间，从未来10期之后来看，后者的冲击对前者预测的贡献程度为1.9％～2.4％，前者的冲击对后者预测的贡献程度为0.5％～0.6％。这些结论表明，产品周销量的变动对点评类WOM信息的变动具有较强的解释能力，而e-SQ类OL信息的变动对后者的变动没有太大的解释能力。此外，从点评类WOM信息内部变量来看，相互之间的解释能力均较弱。

       当对“描述相符”(“退款速度”)进行预测时，其方差的绝大部分由自身冲击造成，未来10期时，“描述相符”(“退款速度”)类OL信息预测方差中自身冲击贡献程度为98.2％(98.6％)；产品周销量的冲击对它们的贡献程度均较低；点评量变化的冲击对它们的贡献程度几乎均为0；正面点评标签百分比的冲击对“描述相符”的贡献程度虽然逐期有所增大，但未超过2.5％；对“退款速度”的贡献程度几乎为0。“描述相符”与“退款速度”类OL信息之间，从未来20期来看，后者的冲击对前者预测的贡献程度几乎为0，前者的冲击对后者预测的贡献程度约为1.5％。这些结果表明，产品周销量和点评类WOM信息的变动对e-SQ类OL信息的变动基本没有解释能力，各种e-SQ类OL信息的变动完全取决于其自身受到的冲击，且各维度相互之间也彼此独立，即一种e-SQ类OL信息的变动对另一种e-SQ类OL信息的变动几乎没有解释能力。

       五、总结

       本研究借助国内最大B2C电商平台——天猫商城产品销售页面呈现的丰富数据信息，通过面板向量自回归(PVAR)模型，探讨了产品销量、点评类WOM与e-SQ类OL信息之间的动态交互影响以及相互预测能力。

       1.主要研究结论

       首先，产品周销量、点评类WOM与e-SQ类OL信息自身均存在动态效应，即其过去表现对自身当前表现均具有显著影响。产品周销量与点评类WOM信息(即点评量变化与正面点评标签百分比)之间均具有显著的动态交互影响；与e-SQ类OL信息——“描述相符”之间只具有显著的动态单向影响(18)；与e-SQ类OL信息——“退款速度”之间不存在动态交互影响。

       其次，除了自身冲击外，正面点评标签百分比冲击对产品周销量波动的解释能力比较大，从长期来看接近30％；产品周销量冲击对点评类WOM信息波动具有一定的解释能力，从长期来看，对点评量变化波动的解释能力超过20％，对正面点评标签百分比波动的解释能力接近12％。然而，e-SQ类OL信息波动的贡献因素几乎全部源于其自身，从长期来看，“描述相符”超过96％，“退款速度”超过98％。

       2.管理启示

       本文研究发现为大型B2C电商平台上的网络卖家提供了一些管理启示。

       首先，e-SQ类OL信息。目前天猫商城的卖家并没有根据产品销售业绩的好坏及时改进电商服务质量水平，尤其是页面信息描述的相符性，页面信息的夸大或造假在短期内可能带来产品销量的增加，但“描述相符”对产品销量具有显著的正向动态影响，这意味着，页面信息描述的失真从长期来看对网络卖家的收益是不利的。所以，为了获得更好的长期收益，网络卖家应提高对产品信息描述相符性的重视程度。

       其次，消费者点评标签。由于正面点评标签百分比的变化对产品销量波动预测的解释能力超过30％，这意味着，正面点评标签的多寡将极大地影响产品销量的变化。所以，网络卖家应及时监控正面与负面点评标签的数量变化趋势，对含有负面点评标签的点评内容引起警觉，对有失客观、公允的负面点评内容及时给予回应和解释，防止这些负面评价在更多消费者中蔓延。对由于产品本身缺陷导致的负面点评标签，应从成本收益角度尽可能予以改进，引导后续消费者撰写更多正面点评内容。

       3.研究局限性与未来方向

       本研究也存在一些局限性有待未来进一步探索。首先，由于消费者购买不同类型产品的心态存在较大差异，而本文实证样本仅收集了笔记本这一种产品的相关数据，这意味着本文研究结论的普遍性仍有待完善，未来将基于更大范围的产品样本来研究大型B2C电商平台上WOM信息、e-SQ类OL信息与产品销量之间的动态关系。其次，在电商实际运营中，影响产品销量、WOM信息、e-SQ类OL信息的因素有很多，而本文采用的PVAR模型将所有变量均看作内生变量，彼此之间形成一个封闭系统，未控制其他外生变量的影响，未来将在考虑一些重要外生变量影响的情况下，探索这三者之间的动态交互关系。最后，本文在度量e-SQ时，受到天猫商城产品页面所陈列信息的限制，仅考虑了“描述相符”和“退款速度”两个维度，未来将探讨e-SQ其他维度的信息与WOM、产品销量之间的动态影响。

       注释：

       ①为了简化表达，下文中WOM表示网络口碑，OL表示在线观察学习。

       ②e-SQ指标量表包含七个指标维度：有效性、系统可用性、完成性、私密性、响应性、补偿性与接触性。其中，前四个维度被称为核心e-SQ指标维度，后三个维度被称为售后e-SQ指标维度(Parasuraman等，2005)。

       ③当前各种网上欺诈与假冒伪劣产品现象日益严重，天猫商城对加盟商家设置了严格的准入标准，本文选择从天猫商城采集数据样本，可一定程度上剔除这些因素对研究结论的影响。

       ④本文使用的网页数据采集工具名为“火车头数据采集器”，它是目前国内使用最为广泛的网页数据采集软件，有关该软件的详细介绍请参考网站：http：//www.locoy.com/。

       ⑤为了排除笔记本屏幕尺寸差异带来的影响，本文实际上仅关注商城上销售的所有14寸笔记本，该尺寸商品种类最多，数量占比约为50％。

       ⑥也即采集样本中第3周～第22周的数据，这主要源于：一方面，前2周因对网页数据采集软件使用不够熟练，部分数据未采集到；另一方面，在第23周时，天猫商城对其销售页面与产品分类方式进行了全新改版，这导致第23周产品上下架变动较大，故若包含这一周的数据，将极大地损失样本容量。

       ⑦本文在数据处理时仅包含周销量大于零的样本，以保证时间序列分析的有效性(Lu等，2013)，而实际上天猫商城中大量在销商品的周销量均为0，尤其是陈列位置相对靠后的商品。

       ⑧后台信息系统会对每条点评进行文本挖掘，若点评中包含某个标签，该标签数将增加1次，潜在顾客浏览该商品页面“累计评价”处时，可看到各种点评标签在所有点评中被提到次数。

       ⑨在天猫商城产品销售页面，共有“描述相符”“服务态度”“发货速度”“退款速度”“纠纷退款比例”五个指标可衡量e-SQ类OL信息，本文仅选择其中两个变量，主要是因为：“服务态度”“发货速度”均与“描述相符”高度相关，且“描述相符”对产品销量具有显著影响，而“服务态度”与“发货速度”对产品销量没有显著影响；许多样本中“纠纷退款比例”指标均为空值，而PVAR模型一般要求平衡面板数据，若包含该指标将极大地损失样本容量。

       ⑩为了表述更简洁，下文将产品周销量对数简称为“产品周销量”，点评量变化对数简称为“点评量变化”。

       (11)实际上，PVAR模型也允许包含外生变量，但由于该模型主要用来研究几个内生解释变量之间的长期动态关系。所以，在大多数实际应用中，外生变量没有被包含在模型中。

       (12)本研究将在下一节通过信息准则确定PVAR模型的最优滞后阶数n。

       (13)通常采用单位根方法进行检验，如Levin-Lin-Chu检验(LLC)、Harris-Tzavalis检验(HT)、Breitung检验、Im-Pesaran-Shin检验(IPS)、Fisher Augmented Dickey-Fuller检验(Fisher ADF)，本文用这五种方法对变量的平稳性均进行了检验。

       (14)信息准则是用来刻画某个模型相对于“真实模型”的信息损失程度，其计算的信息损失值越小，则认为对应的模型越好。

       (15)本文实证模型估计结果是借助连玉君博士在Stata命令pvar基础上进行修改后编写的命令pvar2得到的。

       (16)Lu等(2013)发现，餐厅前一期的销售收入对当期的点评数量具有显著影响，本文的结论与其一致。

       (17)由于PVAR模型在生成脉冲响应函数时，运用了Choleski分解过程，即对随机误差项的一个标准差冲击进行了正交化分解，需要对所有内生变量进行特定排序，并对内生关系做了一定假设：位置排序靠前的变量对其后的变量具有同期与滞后多期的影响，但位置靠后的变量对其前的变量只存在滞后多期的影响，所以，排序中位置靠前的变量一般比位置靠后的变量外生性更强。

       (18)即后者的过去表现对前者的当前表现具有显著影响，但前者的过去表现不会显著影响后者的当前表现。

标签：观察学习论文;  内生变量论文;  市场营销论文;  解释变量论文;  预测模型论文;  能力模型论文;  动态模型论文;  口碑传播论文;  sq论文;  变量论文;  百分比论文;