1 引 言

互联网时代的到来, 传统市场突破了时间和空间的限制, 更多的商品选择、更方便的购买体验使电子商务逐渐成为消费者最主要的购物渠道之一。电子商务本身固有的高度的虚拟特性, 使消费者对交易过程中的不确定性感知更加敏感, 即对商家出售的商品和提供的服务是否如己所愿并没有足够把握, 但为了交易顺利完成, 消费者不得不接受一些潜在风险, 如先行付款、物流延误甚至商品丢失、商品不合心意等。在线声誉系统一定程度上缓解了消费者在电子商务交易过程中的这种被动的、劣势的局面, 是指用于收集和传播消费者对购物体验的反馈和建议的平台^[1], 该平台通过商品在线评论、销售排名、卖家评分或第三方组织提供的对商品评估或咨询等文本信息, 为原本陌生的商家和消费者建立起在线信任关系^[2], 进而帮助潜在消费者做出合理的购买决策。

有别于传统声誉, 在线声誉系统建立在Web 2.0技术和社会化媒体的基础上, 其传播速度更快, 传播范围更远, 不仅突破了时空界限, 而且变化迅速。因此, 在线声誉系统的相关研究在近年引起不少学者的关注, 但尚属于起步阶段, 还没有形成系统的研究体系, 研究热点主要集中在在线声誉的理论研究^[1,2,3]、在线声誉系统的设计和测评研究^[4,5]、在线声誉的经济价值研究, 即在线声誉对在线交易市场产生怎样的影响, 以及如何有效管理和利用在线声誉等几个方面的问题^[6,7]。在现有对在线声誉经济价值的实证研究中, 大多以商品评论的“好评数/率”、“中评数/率”、“差评数/率”及根据上述信息, 通过适当的聚类算法计算得出的“声誉分值”表示企业或卖家的在线声誉值。其实, 在线声誉信息的评价应该是多维度的, 应该能够充分地反映来自对商品和服务质量的不同方面的描述^[8], 以此减少在线市场信息的不对称性。

品牌, 作为商品或服务的质量象征, 是一种名称、名词、标记、符号或设计, 或它们的组合运用^[9], 它向消费者传递了企业的形象、信誉和文化, 降低了消费者的感知风险和信息成本^[10]。品牌是消费者推断产品质量的重要线索, 很多研究都证实了品牌对商品销量或消费者购买意愿的影响作用^[11,12]。一些研究还探究了品牌与在线评论紧密相连的关系, 如Lovett等研究发现品牌感知风险、复杂性和品牌个性等特征会影响消费者产生口碑的数量^[13]; Hodac等将口碑分为正面产品评论和负面产品评论, 研究两者与品牌之间的关系^[14]。目前鲜有文献将品牌和在线评论文本中所隐含的在线声誉结合起来, 共同检验品牌和在线声誉对商品在线销量或消费者购买意愿的影响。

鉴于此, 本文以京东商城的手机商品为研究对象, 使用自然语言处理技术和机器学习的方法, 根据现有文献精准、全面地计算出海量在线评论所隐含的商品在线声誉, 并构建计量经济学模型以探究品牌、在线声誉对商品销量的影响机理。具体而言, 本研究分析在线声誉和商品知名度对品牌的两个维度, 即品牌竞争力和品牌来源国(地区)对于商品在线销售量影响的调节作用, 从而拓展口碑研究。

2 理论回顾与研究假设

2.1 品牌及品牌信号论

学术界对品牌的研究可以追溯到20世纪50年代, Gardner等在《哈佛商业评论》上发表的《产品与品牌》一文就指出“品牌能为其所有者带来市场竞争收益”^[15]。至此, 品牌作为独立及无法复制与模仿的稀缺资源开始进入战略管理视野, 包括心理学、人类学、经济学、管理学等多个领域的学者开始对品牌理论、品牌构建、品牌创新、品牌营销、品牌价值、品牌竞争力、品牌来源国(地区)、品牌的评价指标构建等诸多方面展开研究, 而“品牌信号论”就是其中非常重要的理论之一。该理论认为, 尽管消费者希望判断产品质量以确定购买决策, 但无论产品提供给消费者什么样的实际价值, 消费者事先都难以对其进行评价^[16]。为了减少交易成本和风险, 消费者必然会寻找一种标识或信号用于方便地判断产品的内在质量, 而这种标志或信号在长期的商业演化中就成为产品的品牌。卖方创造品牌, 发出关于产品质量的信号, 买方则依据品牌信号推断产品质量。品牌产品若达不到宣称的质量水平将会失去对于产品声誉的投资, 同时也会失去未来利润。正是考虑到这一点, 消费者从理性判断品牌产品的质量是可靠的, 导致品牌成为不可观测质量的信号^[17], 也成为消费者确定购买决策的重要依据。

2.2 声誉信息理论

声誉的价值是不言而喻的。自亚当·斯密开始, 经济学中一直将声誉作为保证契约顺利执行的重要机制。经济学家也早已认识到声誉信息的广泛传播能够提高市场运作的效率, 但是直到近年他们才开始研究声誉的传送机制, 这就是关于声誉信息的理论。声誉信息理论将声誉看成是反映行为人历史记录与特征(效用函数)的信息, 这些信息在各个利益相关者之间的交换、传播, 形成声誉信息流(Reputation Flow)、声誉信息系统(Reputation System)以及声誉信息网络(Reputation Network), 成为信息的显示机制, 有效限制信息扭曲, 增加交易透明度并降低交易成本^[18]。一个特定的或一系列的商业交易中, 经济主体会体现出其商业声誉, Milgrom等研究香槟酒交易会中和谐的声誉信息流, 并指出这些声誉信息能够帮助中世纪的交易者从遥远的地区识别值得信赖的伙伴, 进而强调声誉信息流动在降低信息不对称问题上的作用^[19]。Kennes等研究声誉信息系统的价值, 指出声誉系统既是一种信号发送机制, 它集中和报告了过去交易的信息; 又是一种信号甄别和信号搜索机制, 它总是能够甄别出高质量的产品并有助于更加精确地搜寻到销售这种商品的销售商^[20]。

2.3 研究假设

品牌竞争力是指某一品牌产品超越其他同类产品的竞争能力, 是其他同类产品不易甚至是无法模仿的能力, 是开拓、占领市场并获取较大市场份额的能力^[21], 是能够引起消费者良好的品牌联想, 进而促进其购买行为的能力^[22]。一个成功的品牌能够帮助购买者将品牌附加在产品或服务上, 能最好地满足购买者需要的独特附加价值, 而且品牌的成功源于其在竞争环境下, 能持续地保持这些增加的价值^[23]。本研究综合上述文献, 将品牌竞争力定义为一定市场环境中企业拥有的塑造强势品牌并支持其持久发展的能力, 是提升品牌的市场影响力和占有率、满足购买者附加价值、提高消费者忠诚度的能力。近年来, 国内外一些学者开始关注品牌竞争力对商品销量或消费者购买行为的影响, 姜岩等指出企业的品牌竞争力越强, 企业的品牌就越容易引起消费者的关注, 让其产生兴趣和好感, 进而在购买时作为优先选择的对象^[24]。Bansah等在对加纳河市纺织品用户对消费者购买行为的影响研究中发现, 品牌对商品销售产生积极影响, 消费者忠于强势品牌, 当品牌价格略有上涨时, 消费者将继续购买相关商品^[25]。Yeboah研究了商品的品牌对联合利华有限公司销售收入的短期和长期影响。结果表明, 品牌竞争力对销售收入有长期的积极影响, 但对销售收入的短期影响并不显著^[26]。可以发现, 品牌竞争力对商品销量影响的相关文献多为定性描述, 而少量定量分析的相关研究又大多关注的是品牌竞争力对商品总体销售量的影响, 而并非对商品在线销量的影响。在电子商务时代, 品牌依然是企业、产品或服务在消费者心目中的总体印象, 只有消费者心理感知到品牌或企业的优势, 才能转化为品牌竞争力。品牌竞争力可以提升消费者忠诚度以增加商品的市场份额, 有助于企业收取更高的价格以提高利润, 是影响商品销售或消费者购买行为的重要因素之一。因此, 有假设1:

H1: 品牌竞争力对商品在线销售量有积极影响。

随着经济全球化的深入发展, 品牌来源国(地区)的研究从最早的关于原产地的研究, 已经转变为对消费者购买商品时, 所能联系到的国家或地区的研究, 是消费者根据这个国家(地区)的文化、政治体制、经济发展水平和科技发展程度等概括形成整体国家(地区)的形象, 进而根据该形象探究其如何影响消费者对该国家(地区)品牌商品质量的认知、评价和消费者购买行为等内容的研究^[27]。许多研究发现品牌来源国(地区)形象受到国家(地区)工业化程度的影响很大, 良好的国家(地区)形象可以提高消费者对产品的评价, 进而影响商品销量或消费者的购买意愿。吴坚等在区分品牌来源国和产品制造国的基础上, 探索了两者对消费者产品质量评价和购买意愿的影响, 发现产品制造国对品质评价具有显著影响, 而品牌来源国对购买意向产生显著作用^[28]; 朱强等将品牌来源国作为调节变量, 探究了产品创新性感知对消费者购买意愿的影响, 结果显示品牌来源国分别正向调节产品创新性感知的两个维度与消费者的新产品购买意愿间的关系^[29]。以往研究充分表明, 消费者在购买商品时, 品牌来源国(地区)会直接或间接地影响消费者的购买决策。随着经济全球化的发展, 在同一种商品市场中势必出现既有本土品牌又有国际品牌的局面。而国际品牌一般都来自工业化程度较高的发达国家, 拥有悠久的历史和雄厚的实力, 与本土品牌相比, 更受消费者青睐。因此, 有假设2:

H2: 国际品牌的产品将比本土品牌更受欢迎。

作为承载在线声誉的平台, 在线声誉系统收集和传播了消费者对购物体验的反馈和建议。根据声誉信息理论, 它通过鼓励守信行为, 跟踪分析消费者对产品和服务的评价打分及文字评论等历史数据的方法, 帮助潜在消费者辨别哪些商家更值得信赖, 进而做出合理的购买决策。品牌竞争力是企业品牌拥有区别或领先其他竞争对手, 显示该品牌产品具有内在的产品功能要素(如用途、品牌等)、外在企业和产品形象要素(如图案、色调、包装等)等方面的能力^[30], 这些能力以消费者撰写的评论或给出评分的形式出现在电商平台的在线声誉系统中, 其良好的口碑不仅使商品被更多的潜在消费者认识和了解, 而且会提升原本熟悉该商品消费者的客户忠诚度。即, 在线评论文本中隐含的在线声誉使得品牌竞争力不再是消费者脑中抽象的记忆, 也不再是专业评估或商家广告的独家推荐, 普通消费者给出的在线声誉具象地描述了商品的品牌竞争力, 既提升商品的感知质量, 又强化消费者的购买意向, 从而为企业带来更多利润。由此, 有假设3:

H3: 商品的在线声誉加强了品牌竞争力对在线销售量的影响。

研究发现品牌来源国效应的产生需要具备两个条件: 其一, 消费者对产品不熟悉; 其二, 消费者能清晰地辨认品牌来源国的国家形象。这是因为当消费者对产品的质量、功能、耐用程度等产品的内部线索非常了解时, 就会根据这些内部线索对产品进行评价, 此时品牌来源国(地区)效应的影响较小; 而当消费者对产品知识掌握的程度较低, 即对产品的内部线索不了解时, 才会根据产品的价格、品牌、来源国等外部线索评价产品, 从而导致品牌来源国(地区)对消费者的购买决策产生较大影响^[31]。而品牌知名度作为消费者预测产品质量的重要线索, 对消费者购买意愿也产生较大的影响。在购买产品的过程中, 消费者都希望降低和回避可能面临的各种风险, 拥有较高知名度品牌的产品可以降低消费者的心理感知风险, 提升消费者对产品的感知价值, 进而激发潜在消费者的购买意愿。Cobb-Wagren等在品牌质量的研究中将两个酒店品牌进行对比, 结果发现品牌知名度高的酒店比知名度较低的酒店更能够吸引消费者^[32]。林素吟认为品牌有助于塑造产品正面的形象, 品牌形成的知名度在产品销售通路中具有辨识的作用; 一个成功的品牌, 可以拥有较高的价格、较多的优势, 也可以获得较多的忠诚顾客^[33]。由此可见, 当消费者不了解产品的内部线索时, 产品的品牌知名度越高, 越能够提升消费者对产品的感知价值, 从而降低了品牌来源国(地区)的效应。因此, 有假设4:

H4: 品牌知名度削弱了品牌来源国(地区)对在线销售量的影响。

根据上述假设, 提出概念模型如图1所示。

显示原图| 下载原图ZIP| 生成PPT

图1   本研究的概念模型

   

3 在线声誉测度

如何更好地利用海量在线评论中所隐含的在线声誉信息完成对商品的更为精准、更为全面的评估, 以帮助潜在消费者更有信心地完成自己的购买决策, 是本研究要解决的首要问题。以往关于在线声誉测度的研究多限于定性描述与分析, 到目前为止仍没有系统的在线声誉的测度方法。尽管如此, 已有的声誉定性研究大都认为应该从知名度和美誉度这两个维度分析声誉主体的声誉状态^[34,35], 其中, 知名度体现了声誉的影响范围, 是美誉度的前提和基础; 而美誉度是声誉的核心, 是知名度的指引和导向。美誉度低, 知名度高就会成为恶名; 而美誉度高, 知名度低, 也不能看作是声誉好。Ghose等首次提出了Web 2.0时代基于海量在线评论测度卖家声誉的基本设想, 虽然该方法获得了产品客观且全面的在线声誉信息, 但其仅考虑了产品的美誉度, 并未考虑到产品知名度^[36]。鉴于此, 本研究依据上述文献, 引入产品知名度后得到在线声誉的测度模型, 如公式(1)所示。

$OR=PR\times OA$ (1)

其中, OR表示产品的在线声誉, PR表示产品的在线美誉度, 而OA表示产品的网络知名度, 在线美誉度PR的测度模型如公式(2)所示。

$PR=w(R)\times M\times w(A)$ (2)

其中, $w(R)=(w({{r}_{1}}),w({{r}_{2}}),\cdots ,w({{r}_{p}}))$表示产品每条评论的权重所构成的向量, p为评论总数。$M={{({{a}_{ij}})}_{p\times n}}$表示对产品在线评论进行语义分析所获取的产品属性评价矩阵, 每一个元素${{a}_{ij}}$表示该产品的第i条评论第j个属性的评价情感倾向。$w(A)={{(w({{a}_{1}}),w({{a}_{2}}),\cdots ,w({{a}_{n}}))}^{T}}$表示产品每个属性的权重所构成的向量, 其中n为属性个数。

如何获取上述三个参数的值是得到产品在线美誉度、进而获得产品在线声誉的关键问题。其中, 识别评论中提及的产品属性已经在数据挖掘和自然语言处理领域得到了广泛的关注。面对海量在线评论, 本研究采用机器学习方法, 将每一条评论划分为包含属性词语的短句, 并分析每个属性相应的情感倾向(情感倾向分为正、负、中三级, 分别用1、-1和0表示)。若一条评论中没有提及产品的某一属性, 则用缺失值NA表示这条评论对这个属性的评价情感倾向, 由此获得上述测度模型中的产品属性评价矩阵$M={{({{a}_{ij}})}_{p\times n}}$, 其形式如表1所示。

为了计算每条评论的权重, 本研究基于姜巍等提出的方法^[37], 构建评论有用性的计算模型, 如公式(3)所示。

$w({{r}_{i}})=\frac{1+H{{V}_{S(i)}}}{p+\sum\nolimits_{i=1}^{p}{H{{V}_{S(i)}}}}$ (3)

其中, $w({{r}_{i}})$表示第i条评论的影响权重; $H{{V}_{S(i)}}$表示第i条评论收到的有用性投票数, $(1+H{{V}_{S(i)}})$即为针对第i条评论所给出的评价意见的人数; p表示评论总条数, $(p+\sum\nolimits_{i=1}^{p}{H{{V}_{S(i)}}})$为参与在线评论的总体消费者人数。根据公式(3)可以获取每一条评论的权重值, 得到产品的在线评论权重矩阵$w(R)=(w({{r}_{1}}),w({{r}_{2}}),\cdots ,w({{r}_{p}}))$。

如何针对全体消费者对产品不同属性的重视程度予以不同的权重是本研究获取在线美誉度的另一个重要问题。相关研究方法包括层次分析法、专家打分法、主成分分析法和联合分析法等。其中, 联合分析法(Conjoint Analysis)是国际上市场研究领域应用最为广泛的方法^[38], 该方法由心理学家Luce和统计学家Tukey于1964年首次提出, 它认为消费者对产品的评价由消费者对产品各个属性的评价组合而成, 而消费者对产品各个属性的重视程度也不尽相同, 可以用水平效用值来衡量^[39]。由于通过在线评论的文本内容可以了解消费者对产品不同属性各个水平的偏好^[40], 所以本研究从在线评论中直接获取相关信息, 对传统的联合分析法进行改进, 进而得到产品的属性权重向量, 相关联合分析模型如公式(4)所示。

$score=\alpha +\sum\nolimits_{j=1}^{n}{({{\beta }_{j\_pos}}{{x}_{j\_pos}}+{{\beta }_{j\_neg}}{{x}_{j\_neg}})}$ (4)

其中, $score$表示每条评论给出的星级评分, 作为消费者对产品总体的偏好得分。j表示产品不同属性的编号, 共计n个属性。${{x}_{j\_pos}}$和${{x}_{j\_neg}}$是虚拟变量, 表示属性j得到正向或负向的情感倾向, 若评论对属性j的评价为正, 则${{x}_{j\_pos}}$设置为1, ${{x}_{j\_neg}}$设置为0; 若评论对属性j的评价为负, ${{x}_{j\_pos}}$设置为0, ${{x}_{j\_neg}}$设置为1; 评论不包含对属性j的评价, 则${{x}_{j\_pos}}$与${{x}_{j\_neg}}$均设置为0。

将在线评论数据代入公式(4)后, 可得到产品不同属性的两个水平的估计效用值${{\beta }_{j\_pos}}$与${{\beta }_{j\_neg}}$, 而每个属性的权重由其贡献最大和贡献最小的水平效用值的差, 即${{\beta }_{j\_pos}}$与${{\beta }_{j\_neg}}$的差来决定, 各个属性的权重计算公式如公式(5)和公式(6)所示, 最终得到产品的属性权重向量$w(A)={{(w({{a}_{1}}),w({{a}_{2}}),\cdots ,w({{a}_{n}}))}^{T}}$。

$rang{{e}_{j}}={{\beta }_{j\_pos}}-{{\beta }_{j\_neg}}$ (5)

$w({{a}_{j}})=\frac{rang{{e}_{j}}}{\sum\nolimits_{j=1}^{n}{rang{{e}_{j}}}}$ (6)

综上, 将上述评论权重向量、产品属性评价矩阵和属性权重向量三者相乘, 可得到产品的在线美誉度。而关于产品知名度的测度, 主要有两种方法。一种通过问卷调查, 另一种则利用搜索引擎。由于本研究关注的是产品的网络知名度, 故选用第二种方法, 利用“百度指数”获取产品网络知名度的相关数据。“百度指数”是全球最大的中文搜索引擎——百度搜索以网民在百度浏览器上的搜索量为数据基础, 以关键词为统计对象, 科学分析并计算各个关键词在百度网页搜索中的搜索频次加权和。本研究以产品名称为关键字, 以各产品自上市之日起至搜索数据当天这段时间内的平均“百度指数”表示该产品的网络知名度OA。

最后, 由上述产品美誉度的测度方法可知其数值范围处于-1到1之间, 彼此之间差异很小, 而利用“百度指数”表示的产品知名度差异却很大。如果将这两个变量直接相乘, 势必削弱美誉度的影响, 使得产品的在线声誉主要受知名度的影响, 这明显不符合在线声誉、美誉度与知名度之间的关系。为了解决该问题, 采用解决异方差过大问题的最常用方法“取对数”, 得到修正后产品在线声誉的最终测度模型, 如公式(7)所示。

$OR=PR\times \ln (OA)$ (7)

4 实证研究

4.1 数据采集及数据描述

目前国内外在线评论研究中的商品分类, 大都基于Nelson提出的分类方法。Nelson从信息经济学角度, 将商品分为搜索型商品和体验型商品^[41]。其中, 搜索型商品是指在购买前商品的主要属性可以通过商家介绍等相关信息客观评估的商品; 而体验型商品则是指商品属性通过商家介绍等相关信息不能够准确获知, 必须通过消费者自身体验才能激发购买欲望的商品。本文针对手机这一款搜索型商品进行研究。首先通过编写爬虫程序采集京东商城网站中121款价格在1000-1499元手机的评论数据, 数据采集是从产品发布之时开始算起, 截止到2014年4月。其中20款手机因为评论数量少于30条而被剔除, 最终得到101款手机的共计201 633条评论。选择京东商城作为数据采集平台的主要原因是其在线声誉系统比较完善, 包括本研究所需的各种数据, 且其手机商城的商品种类齐全, 销售数量较大, 可使本研究的结果更具代表性。

本研究从品牌竞争力和品牌来源国(地区)两个角度衡量101款手机的品牌特征。其中, 品牌竞争力来自于搜索数据当天中关村在线(www.zol.com.cn)中手机频道的“手机品牌排行榜”数据。中关村在线集产品数据、专业资讯、科技视频、互动行销为一体, 是国内科技互联网最权威的数据行业报告发布平台之一。中关村在线“手机品牌排行榜”的数据依据品牌占有率、用户关注度和用户好评率等几个维度计算的综合评分对市场上的手机品牌进行排名, 具有一定的权威性和准确性, 而这几个维度正好和本研究的品牌竞争力的定义相符。在本研究中, 排名前10名的品牌, 品牌竞争力值设为1; 其他品牌的品牌竞争力值设为0。而品牌来源国(地区)设置则根据手机品牌是否为中国本土品牌而定, 本土品牌设为1, 国际品牌设值为0。

本研究最重要也是难度较大的是101款手机产品在线声誉值的获取。利用汉语词法分析系统ICTCLAS, 并适当借助HowNet词典, 首先进行分词和词性识别, 提取在线评论中的名词作为一个集合, 同时提取“名词+形容词”作为另一个集合, 然后采用LDA模型和改进的PageRank算法, 构造了LPCE(LDA + PageRank + Conditional Entropy)模型系统, 如图2所示。利用上述基于无监督抽取技术, 从201 633条评论中提取4 105项候选属性, 并将其分为手机的系统、信号、容量、电池、手感、外观、相机、功能、屏幕、价格、版本、CPU、物流和其他属性等14个类别, 同时构造由1 151个词语组成的产品属性词典。与此同时, 由于消费者在购买手机过程中所产生的情感有其独特的特点, 利用现有的中文情感词典并不合适, 因此本研究构建了包含909个词的评价情感词典, 其构建过程与产品属性词典的构建过程完全相同。由于此处并非本研究的重点, 在此不再详细叙述。

显示原图| 下载原图ZIP| 生成PPT

图2   产品属性词典和评价情感词典构建流程

   

根据上述在线声誉的测度方法, 本研究利用产品属性词典和评价情感词典从201 633条评论中提取出产品属性及相应的情感倾向, 以每条评论中消费者给出的星级评分作为其对产品的总体偏好得分, 通过联合分析模型, 即公式(4)估算每个属性正负情感倾向变量的参数, 再按照公式(5)、公式(6)计算产品每个属性的权重值, 由高到低排列如表2所示。根据各款手机的属性评价矩阵、评论权重矩阵和手机属性权重矩阵, 结合公式(2), 可以测算101款手机的在线美誉度; 以每一款产品名称为关键字, 以各产品自上市之日起至搜索数据当天这段时间内的平均百度“搜索指数”作为每款手机的网络知名度, 结合公式(1), 即可最终得到每款手机的在线声誉值, 如表3所示。

为了探究在线声誉调节作用下商品品牌对商品销量的影响, 必须获得商品的销量数据。目前, 京东商城并没有公开相关数据, 仅提供了商品每天的销量排名。由于商品销量和销量排名存在线性关系^[42], 相关的大部分研究都直接用销量排名的自然对数替代销量。因此本研究也采用101款手机销量排名的自然对数值替代其销量值进行研究。

最后, 还采集了每款手机的上架时间、手机价格、是否有促销活动、评论总数、差评率(一款手机中星级为1星级和2星级的评论总数占评论总数的百分比)和平均星级评分等信息, 各个变量的含义及描述性统计结果如表4所示。

4.2 模型构建与结果分析

根据上述理论假设和采集的数据, 以品牌竞争力(brand_rec)和品牌来源国(地区)(brand_cou)为自变量, 以手机的在线销量排名(rank)为因变量, 以手机的上架时间(time_of_rel)、价格(price)、是否有促销活动(discount)、手机的评论数量(num_of_review)、差评率(ratio_of_bad)和平均星级评分(avg_rating)为控制变量, 采用多元线性回归模型用于考虑品牌竞争力与品牌来源国(地区)对商品销量的影响, 如公式(8)所示。模型I中除了对手机的销量排名进行对数变换之外, 还将手机的评论数量进行对数变换, 这样一方面可以将潜在的非线性关系变为线性关系, 使模型的结果更加稳健, 另一方面也使得数据的对数化压缩了变量的量纲, 控制了离群值的影响。

$\begin{align} & \ln (rank)={{\beta }_{0}}+{{\beta }_{1}}brand\_rec+{{\beta }_{2}}brand\_cou \\ & \ \ \ \ \ \ \ \ \ \ \ +{{\beta }_{3}}time\_of\_rel+{{\beta }_{4}}\ln (price)+{{\beta }_{5}}discount \\ & \ \ \ \ \ \ \ \ \ \ \ +{{\beta }_{6}}\ln (num\_of\_review)+{{\beta }_{7}}ratio\_of\_bad \\ & \ \ \ \ \ \ \ \ \ \ \ +{{\beta }_{8}}avg\_rating+\varepsilon \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ (\text{8}) \\ \end{align}$

将公式(8)所包含的数据输入到SPSS 20.0, 并利用最小二乘法对上述模型进行回归分析, 最终的回归分析结果如表5所示, 可以看出, 模型的整体拟合F检验显著(p=0.000), 调整的确定性系数R²为0.486, 两个解释变量并非全部显著, 其中品牌竞争力对商品在线销量有显著的正向影响($\beta =-0.49758$,$p<0.01$), 与文献[24,25]结论相同, 从而验证了H1; 而品牌来源国(地区)对商品在线销量的影响并不显著($\beta =0.058222$,$p=0.729$), H2没有得到验证。

为了优化上述模型, 验证解释变量的显著性, 在上述简单线性模型的基础上加入商品的在线声誉(reputation)和品牌知名度(awareness)两个调节变量, 进一步深入探究品牌竞争力与品牌来源国对商品销量的影响。构建加入调节变量之后的模型II, 如公式(9)所示。

$\begin{align} & \ln (rank)={{\beta }_{0}}+{{\beta }_{1}}brand\_rec+{{\beta }_{2}}brand\_cou \\ & \ \ \ \ +{{\beta }_{3}}time\_of\_rel+{{\beta }_{4}}\ln (price) \\ & \ \ \ \ +{{\beta }_{5}}discount+{{\beta }_{6}}\ln (num\_of\_review) \\ & \ \ \ \ +{{\beta }_{7}}ratio\_of\_bad+{{\beta }_{8}}avg\_rating \\ & \ \ \ \ +{{\beta }_{9}}brand\_rec\times reputation \\ & \ \ \ \ +{{\beta }_{10}}brand\_cou\times \ln (awareness)+\varepsilon \\ \end{align}$ (9)

加入调节变量后的模型整体拟合及标准化参数的估计结果见表5。可以看出, 模型II可以看成是商品在线销量的一个较好的预测器, 模型的整体拟合F检验显著(p=0.000), 校正的确定性系数R²为0.553, 比模型I有所提高。此外, 本研究还计算了更能精确反映模型拟合优度的赤池信息量准则(AIC), 在加入在线声誉和品牌知名度两个调节变量以后, 模型的AIC值由原来的2.109逐步下降为1.986, 同样证明模型II的拟合优度有明显的提升。

模型II中大多数变量对商品在线销量的影响都是显著的。首先, 解释变量产品的品牌竞争力对商品在线销量有显著的正向影响($\beta =$-0.87397, $p<0.01$), 即中关村在线网站中手机频道的“手机品牌排行榜”前10名的手机品牌产品在销售中占主导地位, 再一次验证了H1。而另一个解释变量品牌来源国(地区)对商品在线销量有显著的负向影响($\beta =\text{1}\text{.310094}$, $p<0.01$), 从而验证了H2, 与文献[28]结论相同。即消费者会根据品牌来源国(地区)的国家形象评价某一产品, 他们很容易将不同的品牌来源国(地区)与不同的产品属性特征联系在一起, 与本土品牌相比, 拥有良好国家形象的国际品牌产品更能够激发消费者的购买热情。

除了品牌竞争力和品牌来源国(地区)两个解释变量之外, 控制变量中对商品在线销量影响最大的是商品的上架时间($\beta =-\text{0}\text{.83077}$, $p<0.01$), 其次是在线评论数量($\beta =-\text{0}\text{.3217}$, $p<0.001$)。与刚刚上架的新商品相比, 消费者对早期上架的商品更为熟悉, 这些产品经过一段时间已经在电商平台积累了一定的口碑, 消费者也更倾向于购买这些“旧商品”。同时, 商品的评论数越多, 预示着该商品越流行, 消费者也越容易从众。而其他控制变量, 包括产品价格、产品的折扣活动、消费者给出的产品差评率和平均星级评分对商品销售的影响并不显著, 其p值分别为0.463, 0.662, 0.329和0.066。

最后, 由表5可知, 对于新加入的两个变量都存在显著的调节效应, 其中在线声誉对于品牌竞争力对商品在线销售的影响起到正向的调节作用($\beta =36.66385$, $p<0.05$), 验证了H3。这意味着良好的在线声誉可以提升名牌产品在销售上的积极作用, 从这个意义来说, 消费者可以将商品声誉与之前对品牌的认知相比较, 良好的声誉可以加强消费者对品牌的认知度。而另一个变量品牌知名度对于品牌来源国(地区)对商品在线销量有显著的消极影响($\beta =-0.20379$, $p<0.01$), 因此对于本土品牌来说, 可以通过提高品牌知名度调整品牌对销量的负面效应, 验证了H4。

5 结论与讨论

5.1 研究结论

本研究以大型中文电子商务平台手机商品的销售为背景, 通过自然语言处理技术和机器学习方法, 对现有文献中基于海量在线评论的产品在线声誉测度模型的计算方法进行改进, 从而得到百余种手机的全面精准的在线声誉, 同时结合品牌信号论和声誉信息理论, 通过构建基本的计量经济学模型, 探究了在电子商务平台中品牌竞争力和品牌来源国(地区)对商品在线销量的影响, 及在线声誉、品牌知名度对该影响的调节作用。具体的研究结论如下:

(1) 对于在线声誉测度的研究大多集中于企业声誉领域, 而鲜有对商品在线声誉的研究。本研究利用自然语言处理和机器学习等技术, 利用联合分析法, 精准而全面地计算出商品的在线声誉值。在这一过程中, 运用海量评论数据, 共计201 633条评论计算得到产品属性的评价矩阵, 进而得到产品属性权重向量。该向量更加全面且准确地反映出消费者对于手机商品各个属性的偏好程度, 可以看出, 消费者对手机系统本身最为重视, 如果手机系统运行缓慢, 会极大地影响消费者对手机的满意度; 然后关注的是手机信号的强弱、手机容量的多少等; 而消费者最不在意的是电商提供的物流服务及手机中央处理器CPU的性能, 这可能是京东商城有自己规范、统一的物流渠道且同一价格区间的手机CPU性能往往比较相似的缘故。

(2) 在电子商务时代, 品牌竞争力依然是影响商品销量的重要因素, 品牌竞争力越强, 商品销售量越高。本研究表明, 在线评论中隐含的产品在线声誉加强了品牌竞争力对商品在线销量的影响, 品牌竞争力强的商品, 各方面的性能更为突出, 消费者在在线声誉系统中给出的评价更高, 进而影响潜在消费者的购买意愿。而品牌来源国(地区)则有所不同, 本研究模型在未引入调节变量之前, 品牌来源国(地区)对商品在线销量的影响并不显著, 也就是说, 价格在1000-1499元的中低端手机商品中, 国际品牌的手机并没有比国产手机的销量更好, 这可能是由于本土手机厂商加大了对中低端手机的研发和营销力度, 不少国产手机比国际品牌手机更智能、更美观且价格更低, 从而导致国际品牌对商品销量的影响优势并不明显。当模型中引入品牌竞争力与在线声誉以及品牌来源国与品牌知名度的交叉项以后, 模型的效果得到了明显的优化, 品牌来源国(地区)对商品在线销量有了显著的正向影响, 这表明, 拥有良好国家形象的国际品牌产品可能激发某些消费者发表了对品牌本身的一些积极评论, 进而燃起了潜在消费者的购买热情。而品牌知名度削弱了品牌来源国(地区)对商品在线销量的影响, 这也反映出商品知名度的重要性, 对于本土品牌手机来说, 只要知名度高, 消费者也愿意为其买单。

(3) 模型中的控制变量描述了商品本身属性和商品评论属性两个方面的特征。其中, 商品本身属性中的商品上架时间对商品在线销量有显著的正向影响, 商品价格和促销力度对商品销量并没有显著影响。这表明, 在商品上架初期, 消费者获取商品信息的渠道比较有限, 对商品的优缺点并没有形成充分的认识, 故其购买行为相对谨慎。而随着时间的推移, 当消费者对商品越来越熟悉, 且商品也积累了一定口碑的时候, 消费者必然会“出手”。此外, 随着国民生活水平的提高, 消费者越来越重视商品的品质而忽视商品的价格, 尤其是面对差距不大的同一价格区间的商品, 价格不再是影响消费者购买的主要因素, 理性的消费者反而会顾虑低价格商品可能存在的质量隐患。最后, 形式多样的促销手段的效果也大不如前, 它们并不能激发消费者的购买欲望。在描述商品评论属性的变量中, 评论数量对商品销量有显著正向影响, 这说明, 消费者对所有在线声誉系统提供的在线评论相关数据中, 评论数量对销量的影响最为显著, 评论数量越多, 则有越多的消费者参与商品购买过程中信息的讨论和传播, 越容易吸引更多的消费者前来消费。此外, 差评率和平均星级评分对销量的影响不大, 说明对于同一价格区间的中低端的手机商品, 消费者除了关注评论数量外, 更关注的是评论文本本身。

5.2 管理与实践意义

(1) 计算出的商品各个属性的权重向量全面而精确地反映了消费者对商品各个属性的偏好程度和重视程度, 为产品设计人员和开发人员改善产品设计、增加产品功能、提升产品服务提供了依据。此外, 比起其他描述商品声誉的测度, 本研究挖掘在线评论文本得出的产品在线声誉值为电商平台在线声誉系统提供了更加客观而有益的补充。电商平台运营者可以将产品的在线声誉值显示到商品主页中, 随着评论的增加, 产品的在线声誉值实时发生变化, 潜在消费者可以不用逐条查看评论文本, 而只需通过查看该声誉值, 即可了解已购买产品的消费者群体对产品的总体评价, 进而辅助自己做出合理的购买决策。

(2) 在电子商务时代, 品牌竞争力依然是影响产品销量的重要因素。品牌竞争力是产品本身、技术、服务、管理、文化等各个因素互相作用的结果。企业要提升自己的品牌竞争力, 需要产品生产部门和服务提供部门共同提升产品和服务质量, 因为质量是品牌创立、发展的基础; 需要产品研发部门加大科技创新, 领先的技术才是品牌竞争力提升的源泉; 需要企业经营者重视企业规模的扩大, 以此将产品的“优”转化为市场的“势”; 品牌经理需要努力提高品牌的文化内涵, 以开放的品牌文化作为品牌竞争力提升的核心。

(3) 研究结果证实品牌知名度会削弱品牌来源国(地区)对产品在线销量的影响, 即本土品牌要想在与国际品牌的竞争中脱颖而出, 必须提升产品的知名度。这要求本土企业的销售人员一方面通过电视媒介发布精心设计、独树一帜的商品广告, 给消费者过目不忘的效果; 另一方面也可以通过网络媒介推广, 包括以商业、企业新闻的方式出现在各大知名门户网站的商品新闻营销, 以企业、商品等相关信息内容出现在百度等搜索引擎排名靠前位置的搜索引擎营销, 以及让消费者满意而树立良好口碑的口碑营销等方式。

5.3 局限与未来研究

本研究针对京东商城的手机商品进行相关建模和分析, 当价格区间发生变化, 在在线声誉和品牌知名度的调节作用下, 品牌竞争力和品牌来源国(地区)对商品在线销量的影响同样值得探究。此外, 针对手机这一款搜索型商品进行了相关分析, 而如何计算体验型商品的在线声誉值, 即如何根据体验型商品的在线评论特点, 利用机器学习和自然语言处理技术确定其在线声誉值, 进而确定体验型商品的在线声誉、品牌和在线销量之间的关系也同样值得进一步研究。

作者贡献声明

刘丽娜: 分析数据, 完善设计思路, 起草论文;

齐佳音: 提出研究思路, 设计研究方案, 审阅、修改论文, 论文最终版本修订;

张镇平: 数据的采集、清洗和分析;

曾丹: 在线声誉测度模型的构建和分析。

利益冲突声明

所有作者声明不存在利益冲突关系。

支撑数据

支撑数据由作者自存储, E-mail: liulina@bupt.edu.com。

[1] 刘丽娜, 齐佳音, 张镇平, 曾丹. Initial Data.xlsx. 手机初始相关信息和初始评论数据.

[2] 刘丽娜, 齐佳音, 张镇平, 曾丹. Sentiment Analysis Result.xlsx. 手机评论情感分析结果.

[3] 刘丽娜, 齐佳音, 张镇平, 曾丹. Online Reputation.xlsx. 手机在线声誉数据表.

[4] 刘丽娜, 齐佳音, 张镇平, 曾丹. Econometric Model Data.xlsx. 计量模型数据表.

参考文献

文献选项

• 原文顺序
• 文献年度倒序
• 文中引用次数倒序
• 被引期刊影响因子