对于尝试—重购新产品扩散模型的改进：logit模型及NILS估计，本文主要内容关键词为：模型论文,新产品论文,NILS论文,logit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：R272文献标识码：A文章编号：1003－207（2008）06－0105－07
1 引言
新产品扩散模型（new product diffusion model）是营销模型研究领域的一个重要方向。新产品扩散模型的研究目的主要是用一个基于特定扩散理论而建立起来的数学模型来拟合新产品上市之后的销量变化规律，并找出影响销量变化的因素。这类研究开始于Bass在1969年提出的首次购买模型[1]，该模型综合了内部影响和外部影响两方面对消费者采用新产品的作用。然而，Bass模型研究的是首次购买的情况，而没有考虑到重复购买，因此只适用于大宗耐用消费品。快速消费品新产品投放市场后，随着时间的推移，其销量越来越多地来源于重复购买。耐用消费品随着时间的推移市场会逐渐饱和，销量会不断下降；而快速消费品由于消费者的重复购买，即使市场达到饱和，销量也不会有那么明显的下降。
显然，经典的Bass模型并不适用于对于快速消费品扩散过程的刻画，因此学者们开始运用尝试—重购模型（trial-repeat model）研究快速消费品新产品的扩散过程[2－6]。LRK模型（1981）[2]和MWS模型（1983）[3]把市场中的消费者简化为两类：非购买者和购买者，认为非购买者在新产品的营销活动以及口碑的影响下会转变为购买者，而购买者又有可能在竞争对手的营销活动影响下转变为购买者。LRK模型和MWS模型最大的缺陷是没有把来源于尝试购买的新产品销量和来源于重复购买的新产品销量区分开来。对于快速消费品来说，企业在新产品上市的初期比较关注尝试购买，但是随着时间的推移，由于产品销量越来越多地来源于消费者的重复购买，因此重复购买对企业来说变得越来越重要。由于尝试购买和重复购买的影响因素是不同的，所以区分了消费者的尝试购买和重复购买的新产品扩散模型对企业来说更有意义。
HPKZ模型（1994）在结构上区分了尝试购买者和重复购买者[4]。该模型假定消费者在受营销活动和口碑的影响尝试购买了新产品（由非尝试者变为尝试者）之后，就一直以固定的概率进行重复购买（由尝试者变为重购者）。Hahn等人（1994）还对LRK，MWS和HPKZ三个有关药物新产品的扩散模型进行了比较[4]。结果表明，HPKZ模型的表现要优于LRK模型和MWS模型。虽然HPKZ模型在理论上和有限的实证分析上都优于其他两个模型，但也存在不足之处。首先它是一个准线性模型，而营销组合变量对于新产品销量的影响不可能是线性的。随着销量的增加，营销组合变量的作用将会越来越小。当市场达到饱和时，营销组合变量几乎不再对销量产生影响。线形模型显然无法很好的描述营销组合变量与新产品销量之间的这种关系。另外，这样的形式可能估计出负的重复购买系数，这显然是不合理的。而且，HPKZ模型只考虑了营销组合变量对于尝试购买的影响，没有考察营销活动对于重复购买的影响。
在参数估计方面，尝试—重购扩散模型也有一定的特殊性。原因就在于研究者把新产品的销量分为来自尝试购买和重复购买两个部分，而我们一般只能观测到每一时期新产品的销售量，而不能观测到销量中究竟有多大比例来源于尝试购买，有多大比例来源于重复购买。LRK模型由于没有区分尝试购买和重复购买，模型中的所有变量都是可以观测到的，所以用普通的非线性最小二乘NLS就可以进行估计。
但是对于HPKZ模型，我们无法对其参数进行直接估计的。Hahn等人（1994）使用的方法是，首先猜测了一个重复购买系数，然后算出重复购买量，并且事先确定了市场容量的取值，把重复购买量和市场容量代入模型，用普通最小二乘OLS求出参数的估计值。然后对重复购买系数进行迭代，直到收敛。他们建议利用管理者的判断或最新的市场占有率数据作为初始的重复购买系数。Hahn等人所用的模型估计方法存在很大的问题。首先，由于他们把猜测的重复购买量作为已知量来进行参数估计。这样做的结果等价于把重复购买量看作是一种缺失数据，而猜测的数值是对它的合理插值（imputation）。过去的大量统计学研究反复表明，这样做与数据已知相比，得到的参数误差会增大，从而使显著性检验的结果受到影响[7]。Hahn等人在研究中并没有明确阐明他们对于模型参数的显著性检验是如何进行的。如果他们根据OLS来计算参数的标准差，那么很可能会高估参数的t值，从而提高参数显著的可能性，增加犯第一类错误的可能性。所以，在利用迭代方法估计尝试—重购模型时，要特别注意参数的方差，并且解决参数显著性检验中存在的问题。其次，它要求模型必须是线性或准线性函数，而解释变量的线性函数往往无法保证尝试比例在0到1之间。最后，它无法直接从模型中把市场潜力m估计出来，而必须利用别的方法事先确定。这样就会使模型其他参数的估计误差增大。
综上所述，现有的关于快速消费品的尝试—重购模型还存在一定的不足，有待于进一步的完善。首先在模型的设定上，大多数的尝试—重购新产品扩散模型都把尝试比例设定为营销组合变量的线性或准线性函数，这样既无法保证尝试比例介于0到1之间，又不符合营销组合变量的作用规律。其次，前人在对尝试—重购新产品扩散模型进行估计时，由于无法把新产品销量中来源于尝试购买和来源于重复购买的部分区分开来，所以一般要先对其中的一部分给予合理的估计，然后将此估计值看做是真实值，从而利用OLS进行估计和检验。这种方法不仅容易低估模型参数的方差（高估参数的t值），导致参数显著性检验中犯第一类错误的概率增加，而且对于模型的形式有很强的要求，稍微复杂一些的模型就无法用此方法进行估计。
本文将尝试在以上两个方面对快速消费品的新产品扩散模型进行改进，希望在建模方式和估计方法上都对现有的快速消费品新产品扩散模型研究有所贡献。具体来说，本文将完善现有的尝试—重购新产品扩散模型，建立一个logit形式的可用于快速消费品新产品扩散的尝试—重购模型；并发展一套适用于各种形式的尝试—重购模型的估计方法和检验方法，用Monte Carlo随机模拟实验对此估计和检验方法的有效性进行验证；最后对于该模型在实践中的应用价值进行阐述。
2 改进的logit模型的构建
尝试—重购模型本质上是一种流程模型，它描述了消费者从非尝试者到尝试者再到重购者或非重购者的整个过程。从图2可以看出，在每个时点上（如t时期）市场上的消费者可以被分为非尝试者，尝试者，重购者和非重购者四类。新产品刚上市的时候，市场上的所有消费者都没有尝试过新产品，然后在营销组合变量（大众传媒，创新作用）和口碑（人际影响，模仿作用）的影响下一部分人会尝试购买新产品。尝试过新产品的消费者一部分会重复购买，另一部分则不会重复购买（他们可能会转向购买竞争者的产品）。而重复购买者和非重复购买者之间会相互转化，即这一期的重复购买者下一期可能不会购买，这一期的非重复购买者下一期又有可能重新购买。（如图1所示）
图1 尝试—重购模型
根据图1所显示的消费者对于新产品的采用过程，我们假设：上一期的非尝试者会在本期以一定的比率δ去尝试购买新产品，变为尝试者；上一期的尝试者，会在本期以一定的重复购买比率θ重复购买该产品，剩下比例为1－θ的消费者变为非重购者；上一期的重购者以比率ρ在本期重复购买该产品，1－ρ变为非重购者；上一期的非重购者以比率ψ在本期重复购买该产品，1－ψ仍是非重购者。理论上，δ，θ，ρ，ψ应该各不相同。
重购比例是t时期各种营销策略的函数。
我们把尝试比例和重复购买比例都设为各种解释变量的logit函数，这样既可以体现营销组合变量对于消费者购买的非线性影响，又可以保证尝试比例和重复购买比例都在［0，1］之间。另外，如果我们分别对三种不同的重复购买系数建立logit函数，会大大增加模型参数的个数，从而给模型的估计带来一定的困难，而且在管理实践中也缺乏实用性。因此，为了简化模型，我们假定三种重复购买系数以同样的方式受到营销组合变量的影响，即：
图2显示的是logit函数的基本形式。假设x为解释变量，y为被解释变量，图中的三条线分别代表参数取不同值的三种情形。从图中我们可以清楚地看出，如果x的系数为负（图中的实线所示），那么y随着x的增加而降低。当x的系数为正时（图中的点线所示），y随着x的增加而增加。无论x如何变化，y都在0到1之间变动，而且越往曲线的两端发展，x对y的作用越小。这说明，logit形式的函数完全符合营销组合变量对于产品销量变化的作用规律，我们采用logit形式的函数是比较合理的。
即新产品的当期销量可以表示为当期各类消费者所占比例和各个参数的函数，而当期各类消费者所占的比例又是上期各类消费者所占比例、当期营销组合变量以及各个参数的函数。
4 Monte Carlo随机模拟实验
我们用Monte Carlo随机模拟实验的方式来验证上述迭代最小二乘方法用于模型参数估计和显著性检验的有效性。
在进行随机模拟实验时，首先要根据上文构建的logit模型生成随机数列。给定所有参数m，α，β的值（m＝100，α＝（－2.0，0，0，0，5.0），β＝（－1.0，－0.5，0，0.5）），通过调整样本的数据量（20，30，40，50，60）和样本标准差（1.0，2.0）的方式，可以得到不同数据量和标准差的十种组合，每个组合生成5000组不同的新产品扩散数据。然后用上文提出的估计方法和随机模拟生成的新产品扩散数据对模型参数进行估计。
首先，我们考察参数估计的合理性。由于我们设定了参数的真实值，通过上述估计方法得到了参数的估计值，就可以计算出不同数据量和不同标准差下参数估计的平均绝对误差（见表1）。从表中我们可以看出，随着样本拟合数据量的增加或标准差的降低，所有参数的平均绝对误差都在不断减小，说明利用此迭代方法估计出来的参数是合理的。
营销组合系数的平均绝对误差
下面我们分析单参数显著性检验的有效性。首先我们来看利用上述迭代方法进行单参数显著性检验时犯第一类错误（拒真）的可能性。也就是说，在5000次随机模拟实验中，如果模型参数等于0，而我们却在95％的水平下拒绝了原假设，从而判定该参数不等于0的错误比率。表2显示了在不同的样本数据量和样本标准差下，用上述方法对等于0的4个参数（
）进行单参数显著性检验时犯第一类错误的可能性。从表中可以看出，在对于这4个参数的单参数显著性检验中，除了样本量为20的样本之外，其余的样本犯第一类错误的概率都在5％左右。
最后，我们来计算单参数显著性检验的检验效力，即在5000次随机模拟试验中，如果模型参数不等于0，在95％的置信水平下正确判定该参数不等于0的百分比。表3显示了在不同的样本数据量和样本标准差下，对不等于0的5个参数（
）进行单参数显著性检验时接受原假设（拒伪）的可能性。从表中我们可以看出，随着拟合数据量的增加或样本标准差的降低，对于这5个参数，在5000次参数检验中，拒伪的概率都在逐渐增加，最后接近甚至等于100％。
在95％的置信水平下，用本文提出的检验方法进行单参数显著性检验时，犯第一类错误的可能性能够控制在5％左右，并且随着样本数据量的增加或标准差的减小，检验效力逐渐增大最终接近100％。这说明此参数检验方法是有效和可靠的。
5 模型的应用
新产品扩散模型对于企业的管理实践具有重要的应用价值。其中，描述新产品的扩散规律，对新产品销量进行预测是其最基本的作用。除了总销量的预测之外，利用本文所构建的尝试—重购模型，营销人员还可以算出新产品的销量中有多大比重来源于尝试购买，有多大比重来源于重复购买，以及这两部分的比重如何随时间变化。例如，什么时候重复购买的比重将超过尝试购买而成为销量的主要来源，在什么时候尝试购买将达到饱和状态（即不再有新的消费者来尝试该产品），全部的新产品销量都来源于已经购买过新产品的消费者的重复购买。
一旦估计出某一新产品的扩散模型的参数，把各个参数代入模型中，就可以算出每一时期进行尝试购买和重复购买的消费者比例（
），以这两部分比例分别乘以市场容量m，就可以估计出尝试购买的新产品销量（
）和来自重复购买的产品销量（
），两者相加即为新产品的总销量。
我们以2003年6月在北京上市的伊利牌调味塑料包常温奶为例来具体考察本文所构建的模型对快速消费品新产品数据的拟合和预测效果。图3直观地显示了不同拟合数据量下，我们的尝试—重购模型对于新产品销量的拟合和预测结果。从图中我们可以看出，新产品的实际销售量（单位：公斤／升）在其上市之后不断上升，到第37周左右达到最高点。然后开始缓慢下降，直到第56周左右不再下降，而保持在一定的销量水平上。总的来说，以前50周和前80周作为拟合数据而进行的销量预测都比较准确，80个周的预测结果稍好。
当拟合数据量为80时，我们利用模型预测出的总销量以及总销量中来自尝试购买和来自重复购买的部分如图4所示。从图中可以看出，该产品来自消费者尝试购买的销量在其上市之后的5周之内占有主导地位，从第6周开始缓慢下降，到第25周左右几乎降为0，之后只是偶尔有消费者会尝试购买该产品。到第46周之后所有潜在的消费者都尝试购买过该产品，46周之后的产品销量全部来源于已尝试消费者的重复购买。
图3 新产品的实际销量、拟合销量及预测销量
图4 来自尝试购买和重复购买的销量比较
6 结语
本文对于现有的尝试—重购新产品扩散模型进行了改进，构建了一个logit形式的可用于快速消费品新产品扩散的尝试—重购模型，并且在重复购买中引入营销组合变量的作用。这种形式的尝试—重购模型能够保证消费者对于新产品的尝试购买比例和重
复购买比例介于0到1之间，并且设定了营销组合变量对于新产品销量的非线性影响。我们以实际的液态牛奶新产品为例，具体地阐述了企业管理者在营销实践中如何利用尝试—重购新产品扩散模型。尝试—重购模型在营销实践中可以被用于快速消费品新产品的销量预测。另外，由于此模型中还包含了营销组合变量作为解释变量，我们还可以利用它来进行营销组合变量的比较静态分析。通过考察不同的营销组合变量对于产品销量影响的强弱，来为新产品制定最为有效和经济的营销组合策略。
本文还发展出一套适用于复杂的非线性尝试—重购模型的估计方法和检验方法，并用Monte Carlo随机模拟实验的方法对此估计和检验方法的有效性进行验证。经检验，随着样本数据量的增加和样本标准差的减小，无论是模型参数的估计误差，还是单参数显著性检验的效力，以及犯第一类错误的可能性都表现出合理的变化趋势。这说明我们所使用的模型估计和检验方法是有效的。此估计方法的适用性很强，不受模型形式的限制，为将来构建更为复杂的新产品扩散模型提供了便利条件。
然而，此估计方法也存在一定的局限。由于其目标函数比较复杂（非凸函数），无法很快地找到极值点，所以迭代收敛较慢，计算量较大。另外，此估计方法对于模型参数初始值的选取也较为敏感。我们采用逐点搜索的方式来选择模型参数的初始值，使得参数的估计有可能随着初始值的变动而变化，不是十分的稳定。将来的研究可以进一步对尝试—重购模型的估计方法进行改进，以找到更为简单和有效的参数估计方法。
收稿日期：2008－06－19：修订日期：2008－12－02