張明璽　雷明

摘要：電商服務質量與產品銷售頁面呈現(xiàn)的信息對消費者的網絡購買決策具有越來越重要的影響。本文主要關注了國內最大B2C電商平臺——天貓商城產品銷售頁面上反映電商服務質量的五個指標維度：“描述相符”、“服務態(tài)度”、“發(fā)貨速度”、“退款速度”、“糾紛退款比例”，探索電商服務質量類在線觀察學習信息對電子類產品銷量的影響，以及這些影響如何分別受到產品市場年齡與頁面位置的調節(jié)。研究發(fā)現(xiàn)：五個電商服務質量指標維度中，只有“描述相符”與“糾紛退款比例”在線觀察學習信息對產品銷量具有顯著影響；產品市場年齡與頁面位置僅分別對“糾紛退款比例”在線觀察學習信息的產品銷量影響具有顯著的調節(jié)效應，且該在線觀察學習信息對市場年齡較短或頁面位置靠前的產品銷量影響更大。

關鍵詞：電商服務質量；在線觀察學習；兩交互模型

中圖分類號：F8314文獻標識碼：A

一、引言

據中國網購市場數據顯示，2014年中國網購市場交易規(guī)模已達28萬億元，同比增長487%。各類產品賣家紛紛進駐大型電商平臺（以天貓商城為例，其平臺上銷售的手機已近6 000部），這導致消費者網絡購物的信息搜索成本急劇升高。為了節(jié)約選購時間，降低購買風險，消費者的購買決策越來越多地依賴于產品銷售頁面所呈現(xiàn)的信息，比如網絡口碑信息（Chevalier & Mayzlin，2006；Gu et al，2012）。由于羊群效應的存在（Banerjee，1992；Bikhchandani et al，1992），個體消費者傾向于參考前人行為以做出有關產品質量的推斷（Foster & Rosenzweig，1995），所以產品銷售頁面呈現(xiàn)的在線觀察學習（Observational Learning，OL）信息對消費者購買行為具有重要影響（Chen et al，2011）。然而，在線OL信息不同于網絡口碑信息，后者通常既包含已購物消費者的總體評價，也包含做出每條評價的理由（Chen et al，2011），如在線點評；前者僅揭示已購物消費者購買行為產生的綜合結果，但并不呈現(xiàn)每筆購買發(fā)生的理由（Bikhchandani et al，1998），具有一定的統(tǒng)計屬性，如銷售排行榜。

為了向潛在消費者提供更多有價值的參考信息，國內大型B2C電商平臺在產品銷售頁面陳列了各種在線OL信息，如京東商城按同價位、同品牌與同類別呈現(xiàn)了三種“排行榜”類在線OL信息。而作為國內最大的B2C電商平臺，天貓商城則提供了另一類在線OL信息——電商服務質量（E-commerce Service Quality， e-SQ），它是指虛擬市場中顧客對電子服務交付質量的綜合評價與判斷（Santos，2003）。許多具有成功電子商務經驗的企業(yè)已開始意識到經營成敗的關鍵不只是網頁內容展示與低價策略，還包括電商服務質量（Yang，2001；Zeithaml，2002），它甚至被認為是在線零售商追求長期績效與成功最重要的決定因素（Zeithaml，2002；Fassnacht & Koese，2006；Wolfinbarger & Gilly，2003）。改進e-SQ可提高顧客滿意度與忠誠度（Chang et al，2009），極大地提高公司的競爭力（Oliveira et al，2002）。這暗示著e-SQ的高低將直接影響在線消費者的購買意愿，進而影響產品的受歡迎程度。

正是基于觀察學習現(xiàn)象的廣泛存在，以及e-SQ對消費者購買行為影響的相關理論，本文主要研究大型B2C電商平臺上e-SQ類在線觀察學習信息對產品銷量的影響。關于e-SQ理論的研究，目前仍處于早期階段（Santos，2003；Fassnacht & Kese，2006；Cristobal et al，2007），大多數學者試圖提出具有廣泛適應性的指標量表。結合對網絡服務質量的研究，Parasuraman等（2005）構建的e-SQ指標量表包含七個維度：有效性、系統(tǒng)可用性、完成性、私密性、響應性、補償性與接觸性，其中前四個被稱為核心e-SQ維度，后三個被稱為售后e-SQ維度。Ladhari（2010）在回顧各種e-SQ評價模型的基礎上，指出其主要維度包括：可靠性/完成性、響應性、使用容易、私密性/安全性、網頁設計、信息質量。本研究只關注基于產品層面的e-SQ維度對產品銷量的影響，如可靠性（完成性）與響應性，而對反映平臺層面的e-SQ維度不予關注，如網頁設計、私密性等①。關于e-SQ與顧客購買意愿（滿意度）之間關系的研究，已有文獻主要側重于討論顧客親身感受的服務質量對其自身購買行為的影響（Cristobal et al，2007；Fassnacht & Kse，2007；Ho & Lee，2007；Lee & Lin，2005），而本研究側重于探索賣家過去的服務質量綜合水平對后續(xù)顧客購買產品決策的影響。結合實證數據所選電商平臺（天貓商城）產品銷售頁面的特征，本研究將重點關注e-SQ的五個維度：“描述相符”②、“服務態(tài)度”、“發(fā)貨速度”、“退款速度”與“糾紛退款比例”，探討e-SQ這五個維度的在線OL信息對產品銷量的影響，以及這些影響是否分別受到產品所在頁面位置與市場年齡的調節(jié)。

二、研究設計

（一）數據來源

本研究實證分析將基于一個面板數據展開，數據源于國內最大的B2C電子商務網站——天貓商城。不同于絕大多數類似研究均只選擇一種產品作為實證對象，如書籍（Chevalier & Mayzlin，2006）、電影（Duan et al，2008）、數碼相機（Gu et al，2012），本文選擇筆記本與平板電腦兩類電子產品作為實證對象，這種多類產品形成的樣本能提高實證結論的普遍性。借助網頁數據采集工具③，抓取頁面相關數據，每周抓取一次。為保證所有產品信息盡可能在同一時間獲取，防止銷售頁面信息更新導致數據誤差，本研究每次均選擇在周一凌晨00：00-6：00之間收集數據，該時間段內顧客購買行為不活躍，產品銷售頁面信息相對靜止。數據收集時間跨度為2013年7月15日至2014年1月13日，持續(xù)近半年，共27周，每周均將天貓商城上銷售的所有筆記本④與平板電腦相關數據采集下來。由于商城產品上下架更新頻繁，平均每周上架與下架產品分別超過200種，甚至會出現(xiàn)下架幾周后又重新上架的現(xiàn)象，所以本研究實證樣本是一個非平衡面板數據。刪除無效或異常數據后，有效樣本共10 508條，其中筆記本有4 556條，包含1 142款產品；平板電腦有5 952條，包含1 303款產品。不難發(fā)現(xiàn)，有效樣本中無論是筆記本還是平板電腦，單個產品經歷的平均周數均較短（前者約為40周，后者約為46周），導致該現(xiàn)象的一個重要原因是：本研究在數據處理時僅包含周銷量大于零的樣本，其目的主要是為了保證時間序列分析的有效性（Lu et al，2013），而實際上天貓商城中大量在售產品的周銷量均為0，尤其是陳列位置比較靠后的商品。

（二）變量定義

因變量。當前絕大多數類似研究均因電商平臺銷售頁面未提供銷量信息，而選擇產品銷售排名代替產品銷量作為因變量（Gu et al，2012；Chevalier & Goolsbee，2003；Ghose，2009）。不同于亞馬遜、京東商城等國內外知名電商平臺出于商業(yè)機密的考慮，均未在銷售頁面提供任何有關產品銷量的信息，天貓商城是目前我們所了解的唯一提供產品銷量信息的大型B2C電商平臺，根據其頁面提供的累計售出量信息，做差即可得到產品每周銷量。因此，本研究將以產品周銷量（Wsales）作為因變量。

自變量。本研究的自變量是銷售頁面反映e-SQ的五個指標：“描述相符”（Depict）、“服務態(tài)度”（Service）、“發(fā)貨速度”（Delivery）、“退貨速度”（Refund）和“糾紛退款比例”（P_dispute），它們均屬于在線OL信息。其中前三個指標主要反映售前e-SQ⑤，后兩個指標主要反映售后e-SQ，其在銷售頁面的具體呈現(xiàn)方式如圖1所示⑥。根據已有文獻設計的e-SQ量表，“描述相符”與“發(fā)貨速度”可看做屬于完成性（Fulfillment）（Parasuraman et al，2005）或可靠性（Reliability）（Wolfinbarger & Gilly，2003；Lee & Lin，2005）維度的指標；“退款速度”與“糾紛退款”可看做屬于響應性（Responsiveness）維度的指標（Parasuraman et al，2005）；“服務態(tài)度”可看做一個綜合性指標。Ladhari（2010）通過回顧有關e-SQ評級模型的文獻，確定可靠性與響應性是e-SQ的關鍵度量維度，這暗示著本研究選取的變量在一定程度上捕捉到了e-SQ的核心指標，有助于提升實證結論的價值。前三個指標均由產品購買者主觀評分產生，電商平臺產品銷售頁面將呈現(xiàn)出每個指標與同行業(yè)相比的值（如“描述相符”與同行業(yè)相比高于1226%），具體計算規(guī)則為：（賣家店鋪得分-同行業(yè)平均分）/（同行業(yè)店鋪最高得分-同行業(yè)平均分）。若“高于”，則為正數；若“持平”，則等于0；若“低于”，則為負數。后兩個指標由電商平臺系統(tǒng)客觀統(tǒng)計產生，其中，“退款速度”采用與同行業(yè)平均水平比較的絕對值來衡量，即賣家店鋪退貨速度-同行業(yè)平均退貨速度，若“快多少天”，則為正數；若“慢多少天”則為負數。關于“糾紛退款”，天貓商城產品銷售頁面呈現(xiàn)近30天內發(fā)生糾紛退款的筆數，由于發(fā)生糾紛退款的筆數與產品月銷量有直接關系，月銷量越大，糾紛退款筆數可能也越大，但這并不意味著是負面信息，所以為了更加合理研究該指標對產品銷量的影響，本研究將用月成交記錄作為糾紛退款的加權來衡量該指標，并將其稱為“糾紛退款比例”。

控制變量。除了產品價格（Price）之外，本研究分別用產品已上市時間、頁面位置排名⑦和數據收集當周是否含有節(jié)假日⑧來分別控制產品市場年齡（Age）、頁面位置（Rank或Page）、節(jié)假日（Holiday）這些容易對銷量產生影響的外界因素。此外，產品所處的競爭環(huán)境是另一個需要控制的重要因素，本研究將從價格角度衡量競爭環(huán)境的強弱，并以當前頁面產品價格上下浮動20%范圍內其他在售產品的總數來衡量當前頁面產品面臨的市場競爭強度（Compete）⑨。

上述所有因變量、自變量與控制變量的具體定義與描述如表1所示。

（三）變量描述性統(tǒng)計與相關分析

表2對本研究涉及的關鍵變量進行了描述性統(tǒng)計。從表2不難發(fā)現(xiàn)除了虛擬變量Holiday之外，因變量與所有控制變量的最小值與最大值之間相差均較大，這將導致變量的偏度與峰度均較大，而過大的峰度與偏度容易使得估計結果不穩(wěn)定，進而引起實證結論不可靠。此外，一般來說，頁面位置、市場年齡、價格、競爭強度這些控制變量對產品銷量的影響往往存在邊際遞減效應。所以，借鑒Chevalier & Mayzlin（2006）等其他類似研究的處理方法，本研究將對上述變量取對數，以克服因偏度與峰度過大可能帶來的估計誤差，并更好地揭示上述控制變量對銷量影響的邊際遞減效應。

此外，表2也顯示，解釋變量Refund、P_dispute的最大值與最小值均相差懸殊。通過進一步觀察數據樣本，我們發(fā)現(xiàn)導致這兩個變量偏度與峰度均較大⑩的原因是存在極少數電商平臺賣家的“退款速度”或“糾紛退款”極大地遠離均值，甚至與常理不相符（如“退款速度”比行業(yè)平均水平慢782天，近30天內發(fā)生的“糾紛退款”筆數是月成交量的55倍），為了消除這些少數特殊樣本可能對回歸結果造成的影響，本研究將刪除這些異常數據。

表3描述了本研究實證模型中所有變量之間的相關性。不難發(fā)現(xiàn)，衡量售前e-SQ的三個在線OL信息變量Depict、Service和Delivery之間高度相關。為了避免因多重共線性問題導致回歸系數估計存在誤差，本研究將運用三個回歸方程分別研究每個變量對產品銷量的影響，每個方程中僅包含上述三個變量中的一個。此外，表3也顯示，衡量產品所在頁面位置的兩個變量（Ln_rank與Ln_page）之間高度相關（相關系數為096），故下文實證分析中，本研究將用變量Ln_rank來控制產品所處頁面位置，因為Ln_rank比Ln_page提供了更多有關頁面位置的信息。

與方程（1）類似，方程（2）也相當于是三個回歸方程。方程（2）中電商服務質量的五個維度分別與Ln_age或Ln_rank的交叉乘積項是用來衡量產品市場年齡與頁面位置是否對e-SQ類在線OL信息產品銷量的影響具有調節(jié)效應。本研究將主要利用兩交互（Two-way Interaction）線性回歸模型中的簡單斜率檢測（Simple Slope Tests）方法來分析這種調節(jié)效應。

三、實證結果與分析

本研究將采用面板數據的固定效應模型B12進行參數估計，且估計時均采用聚類穩(wěn)健性標準差，而非普通標準差B13。首先，借助回歸方程（1）得到電商服務質量五個維度在線OL信息變量對產品銷量影響的主效應估計結果，如表4中研究1所示。然后，借助回歸方程（2）得到產品市場年齡與頁面位置分別對上述影響的調節(jié)效應估計結果，如表4中研究2所示。

（一）e-SQ類在線OL信息對產品銷量的影響（主效應）

表4中研究1顯示，在衡量售前e-SQ的三個指標中，“描述相符”對產品銷量具有顯著的正向影響，系數估計值為0549，這意味著與同行業(yè)平均水平相比，產品頁面信息和實際情況的相符程度每提高1個百分點，產品銷量將平均增加0549個百分點。一種可能的解釋是：頁面信息描述相符程度直接反映了賣家所提供信息（如色差、質量等）的真實性與可靠性，這些都是顧客做出購買決策的重要依據，一旦“描述相符”得分較低，則意味著賣家可能在制造虛假信息以粉飾商品性價比，這將降低潛在顧客的購買意愿。此外，當前各種網絡造假新聞層出不窮，消費者購買產品前對頁面信息的真實性會更加警覺與重視，這些因素均導致了“描述相符”對消費者的購買行為具有重要的參考價值，進而影響產品銷量?！胺諔B(tài)度”對產品銷量沒有顯著影響，一種可能的解釋是：作為國內最大的B2C電商平臺，天貓商城承諾提供100%優(yōu)質服務，目前每個店鋪賣家均成立了專門的在線客服團隊，其對潛在顧客在線咨詢的問題均非常友好地做出回答，這使得賣家在服務態(tài)度方面不具有很強的異質性，以致“服務態(tài)度”對消費者購買決策影響不大，進而對產品銷量影響不顯著。“發(fā)貨速度”對產品銷量也不具有顯著影響，一種可能的解釋是：隨著國內物流網絡日益發(fā)達，顧客一般下單2-3天后貨物即可送達，網購消費者對賣家發(fā)貨速度具有較強的預期；另外，越來越頻繁的網上購物也極大地降低了消費者收貨的迫切性，這兩方面因素使“發(fā)貨速度”對消費者購買決策影響不大，進而對產品銷量影響不顯著。

在衡量售后e-SQ的兩個指標中，“退款速度”對產品銷量沒有顯著影響，而“糾紛退款比例”對產品銷量具有顯著的負向影響，系數估計值為-0467，這意味著賣家的“糾紛退款比例”每降低1個百分點，產品銷量將增加0467個百分點。這可能是因為：當發(fā)生退款時，消費者更關心賣家是否會完整退還購買款，而對早一天或晚一天完成退款并不太在意，故“退款速度”對潛在消費者的購買意愿影響不顯著。如果賣家“糾紛退款比例”較高，則意味著消費者一旦對所購商品不滿意，申請退貨成功的概率將較低，這將極大地降低潛在消費者對賣家售后服務水平的信賴程度，進而影響其當前購買決策，故“糾紛退款比例”對產品銷量具有顯著影響。

此外，表4中研究1還顯示，控制變量產品的市場年齡、頁面位置、銷售價格均對銷量具有顯著的負向影響，當周是否含有節(jié)假日與市場競爭強度對產品銷量具有顯著的正向影響。一般來說，產品面臨的市場競爭強度越大，其銷量應該越小，即競爭強度對產品銷量應該具有負向影響，但本研究發(fā)現(xiàn)的結論卻與之相反。一個重要的原因是：對于天貓商城上銷售的筆記本與平板電腦，大多數產品價格均集中在各自均值附近，價格過低或過高的產品雖然面臨的市場競爭強度較低，但前者可能質量不高，后者可能性價比偏低，最終導致消費者對其購買意愿均不強，反而處于均值附近的商品更能獲得消費者的青睞，所以才會出現(xiàn)市場競爭強度對產品銷量具有正向影響的實證結果。

（二）e-SQ類在線OL信息對產品銷量的影響（調節(jié)效應）

表4中研究2顯示，產品市場年齡（Ln_age）與頁面位置（Ln_rank）對售前e-SQ維度的在線OL信息（如“描述相符”、“服務態(tài)度”、“發(fā)貨速度”）銷量影響均沒有顯著的調節(jié)效應；對售后e-SQ維度的“退款速度”在線OL信息來說，產品市場年齡對其銷量影響具有顯著調節(jié)效應，產品頁面位置對其銷量影響不具有顯著調節(jié)效應；對售后e-SQ維度的“糾紛退款比例”在線OL信息來說，產品市場年齡與頁面位置對其銷量影響均具有顯著調節(jié)效應。

為了進一步解釋并分析這些顯著的兩交互變量，以揭示產品參與性與市場年齡分別對e-SQ類在線OL信息銷量影響的內在調節(jié)機制，本研究將借助網站wwwjeremydawsoncom/slopeshtm提供的一個文件名為2-way_with_all_optionsxls的在線資源B14，描繪這些顯著的調節(jié)效應圖，具體如圖2至圖4所示B15。

圖3與圖4顯示，無論產品市場年齡較短還是較長，頁面位置靠前還是靠后，“糾紛退款比例”對產品銷量的影響均是負向的B16。這意味著研究1中揭示的“糾紛退款比例”對產品銷量影響的主效應不會隨著產品市場年齡（較長或較短）或頁面位置（靠前或靠后）而改變方向。此外，“糾紛退款比例”對市場年齡較短（頁面位置靠前）與較長（靠后）產品的銷量影響之間存在顯著差異B17。

上述調節(jié)效應圖雖然能從定性角度看出在不同市場年齡或頁面位置情況下，“退款速度”與“糾紛退款比例”對產品銷量影響的方向與相對大小，但仍無法度量在不同市場年齡或頁面位置情況下，圖2至圖4中“退款速度”與“糾紛退款比例”對產品銷量影響的具體大小及其顯著性。為了回答該問題，本研究將運用簡單斜率檢測方法計算圖2至圖4中各直線斜率大小，以及與水平軸（斜率為0）之間的差異性，結果如表5所示。

表5顯示，“退款速度”對市場年齡較短或較長產品的銷量均不具有顯著影響（p=0464， 0791），這與回歸模型（1）揭示的“退款速度”對產品銷量影響的主效應不顯著的結論一致。此外，無論產品市場年齡較短還是較長，頁面位置靠前還是靠后，“糾紛退款比例”對產品銷量均具有顯著負向影響（p=0004， 0014， 0000， 0000）。一種可能的解釋是：電子產品屬于典型高參與性（High-involvement）產品，潛在消費者往往對其具有較大的購買感知風險（Hoyer & Macinnis，2008），購買決策的失誤可能導致消費者需要花費大量額外時間和精力來處理退貨退款問題（Laurent & Kapferer，1985），為了避免售后過程中遇到不必要的財務糾紛，消費者在購買前會提高對賣家過去處理退款問題口碑的關注程度。所以，對任意市場年齡或頁面位置的產品，e-SQ中反映購買風險的“糾紛退款比例”均能顯著地影響消費者購買意愿，進而影響產品銷量。

表5也顯示，相對于市場年齡較長的產品，“糾紛退款比例”對市場年齡較短產品的銷量影響更大（斜率=-2207，-2609）。一種可能的解釋是：當電子類產品上架時間較短時，潛在消費者對產品質量、性能等相關信息一般了解較少，傾向于在做出購買決策前進行廣泛的信息搜索（Clarke & Belk，1979），以降低購買產品的感知風險，于是會對“糾紛退款比例”在線OL信息給予更高的重視。當電子類產品上市時間較長時，各種其他營銷渠道（如廣告、同僚推薦等）提供的公開信息會極大地幫助顧客提高對產品性價比、質量等方面的判斷，對退款風險也有一定的評估，使得其對“糾紛退款比例”這種反映購買風險的在線OL信息的依賴程度減弱（Bikhchandani et al，1992）。因此，相對于市場年齡較長產品，“糾紛退款比例”對市場年齡較短產品的銷量影響更大。

表5還顯示，相對于頁面位置靠后的產品，“糾紛退款比例”對頁面位置靠前產品的銷量影響更大（斜率=-1131，-1844）。一種可能的解釋是：由于消費者偏好容易受到產品展示形式的影響（Hong et al，2004），當面對某類產品（如筆記本）的搜索結果頁面時，消費者通常按照頁面陳列方式，從前至后逐頁順序瀏覽產品，且一般不會詳盡瀏覽所有頁面產品（Lohse & Spiller，1998）。當看到初步中意的某款商品后，才會通過點擊鏈接進入該款產品銷售頁面，這時各種電商服務質量類在線OL信息將被關注，這意味著處于頁面位置越靠前的產品，其銷售頁面的在線OL信息將擁有更大的概率被潛在消費者參考。因此，產品頁面位置越靠前，其銷售頁面中電商服務質量類OL信息（如“糾紛退款比例”）會受到更多消費者關注，其對產品銷量影響也隨之更大。

四、啟示與不足

本文的研究發(fā)現(xiàn)為大型B2C電商平臺上的網絡賣家提供了以下管理啟示：（1）網絡賣家對e-SQ不同指標維度應給予差異化關注程度，特別應加大對“描述相符”和“糾紛退款比例”這兩個指標維度變化的重視。任何試圖在銷售頁面提供與實際產品不相符的信息均需要慎重，任何可能導致糾紛退款的事件均應給予高度關注，盡可能避免產生糾紛退款記錄。（2）相對于上架晚期（或頁面位置靠后）的產品來說，賣家對處于上架早期（或頁面位置靠前）的產品，提升其e-SQ指標維度——“糾紛退款比例”在線OL信息的表現(xiàn)水平，可獲得更大的銷量回報。而對于e-SQ指標維度——“描述相符”在線OL信息的表現(xiàn)水平，無論產品市場年齡較短或較長，產品頁面位置靠前還是靠后，賣家都應給予同等的重視程度。（3）網絡賣家在提高e-SQ水平時，需根據所售電子產品的類型采取一定的差異化策略。僅以本文實證樣本為例，賣家應重點針對市場年齡較短的筆記本和頁面位置靠前的平板電腦產品，改進其e-SQ指標維度——“糾紛退款比例”在線OL信息的表現(xiàn)水平，這樣可在營銷資源受限的情況下，獲取更大投資回報。

當然，本研究也存在一些不足之處：（1）實證樣本僅收集了筆記本與平板電腦兩類電子產品，這使得本文研究結論的普遍性還有待提高，包含更多其他類電子產品將有助于更加全面地評估大型B2C電商平臺e-SQ類在線OL信息對電子類產品銷量的影響。（2）實證樣本僅包含來自一個B2C電商平臺的產品，然而現(xiàn)實中消費者進行網絡購物時，往往會參考其他平臺（如其他電商平臺、綜合性比價網等）信息，這意味著當沒有控制這種跨平臺信息對當前平臺產品銷量的影響時，可能導致估計結果存在偏差。因此，選擇同時銷售在兩個同級別電商平臺的產品作為實證樣本，借助對照樣本研究e-SQ類在線OL信息對產品銷量的影響（或動態(tài)交互影響），將極大地提高實證結論的有效性。（3）由于售前e-SQ指標維度——“描述相符”、“服務態(tài)度”和“發(fā)貨速度”之間具有較高的相關性，本研究采用三個獨立方程分別來估計其對產品銷量的影響，但消費者對這三個維度的評分是同時進行的，往往具有一定的關聯(lián)性。也就是說，可能存在一些不可觀測的因素（如個人偏好）同時對這三個維度得分造成影響，即這三個方程的擾動項可能存在相關性。所以，對這三個方程進行聯(lián)合估計，可能會提高估計效率。（4）由于實證數據源于國內最大的B2C電商平臺——天貓商城，該商城的付款途徑時基于第三方支付平臺——支付寶，其具有極高的支付信用，這使得消費者不用擔心出現(xiàn)類似退貨不退款的糾紛，這才會有實證結果中“退款速度”對產品銷量不具有顯著影響，但這并不意味著在其他網絡購物平臺中，消費者對退款速度不在意，所以本研究揭示的e-SQ類在線OL信息對產品銷量的影響主要限于具有良好商譽的大型網購商城。

注釋：

①由于本文選擇天貓商城作為實證數據來源，而該電商平臺淡化了商城店鋪的個性特征，對產品銷售頁面進行統(tǒng)一設計，突出商城的整體形象，并承諾提供100%品質保證，要求加入平臺的店鋪必須是在工商部門注冊的公司，或各大品牌的正規(guī)授權代理商，所以不同產品賣家的網頁設計、有效性與私密性不存在明顯差異。

②該指標用于反映銷售頁面描述的產品信息與顧客實際買到的產品特征之間的一致性，如色差、功能等。

③本研究使用的網頁數據采集工具名為“火車頭數據采集器”，它是目前國內使用最為廣泛的頁面數據采集軟件，有關該軟件的詳細介紹請參考網站：http：//wwwlocoycom/。

④為排除屏幕尺寸大小帶來的影響，本研究實際上僅收集天貓商城上銷售的所有14寸筆記本（約占所有筆記本的50%）的相關數據。

⑤目前，天貓商城要求買家對這三項指標的評分必須在交易成功后15天內完成，逾期未打分則視為放棄。對每個月相同買家與賣家之間的交易，賣家店鋪評分僅計取前三次，銷售頁面呈現(xiàn)的指標得分為近6個月所有買家打分的綜合值。

⑥反映售前e-SQ的三個指標在產品銷售頁面將呈現(xiàn)兩次，第一次出現(xiàn)在銷售頁面開頭位置左側區(qū)域（呈現(xiàn)形式如圖1中左側所示），第二次出現(xiàn)在銷售頁面描述“累計評價”區(qū)域之后（呈現(xiàn)形式如圖1中右側所示）。此外，反映售后e-SQ的指標還包括：“近30天投訴率”與“處罰情況”（如圖1所示），但這兩個指標對大多數產品均相同（即近30天內投訴率與處罰情況均為0），所以其未被包含在本研究的模型中。

⑦目前，天貓商城產品搜索結果頁面，每頁陳列60種商品，本研究將采用兩個變量（Rank和Page）度量產品的頁面位置，其具體定義參見表1。

⑧本研究將法定節(jié)假日與電商節(jié)假日（如“雙11”、“雙12”）均看做節(jié)假日同等對待。

⑨本研究對用當前銷售頁面產品價格上下浮動10%、15%、25%、30%范圍內其他在銷售產品總數衡量競爭強度的情況也進行了考慮，從定性角度來看，它們均不影響估計結果。

⑩前者偏度為-1022，峰度為25603；后者偏度為2035，峰度為64852。

B11實際上，本文也用各解釋變量的期末值或當周平均值來進行回歸分析，回歸結果顯示：從定性角度來看，其結論與文中用期初值進行回歸得到的結論一致。

B12通過BP檢驗（原假設H0：不存在個體效應），我們發(fā)現(xiàn)p=0000，即數據樣本存在個體效應，所以隨機效應模型優(yōu)于混合OLS模型。進一步通過Hausman檢驗（原假設H0：個體效應與所有解釋變量均不相關），我們發(fā)現(xiàn)p=0000，即個體效應至少與某個解釋變量存在顯著相關性，所以固定效應模型又優(yōu)于隨機效應模型。

B13普通標準差假設干擾項服從獨立同分布，聚類穩(wěn)健標準差考慮了干擾項存在個體組內自相關，對估計系數的標準差進行調整，所以兩種情況下估計的系數相同，但標準差存在差異。一般情況下后者的標準差大于前者的標準差，估計結果（如t值、F值）更不容易顯著，但其估計結果更加有效。

B14該在線資源由Dawson 與 Richter于2006年開發(fā)完成，其目的是基于回歸結果與估計系數方差協(xié)方差矩陣數據繪制調節(jié)效應圖，并完成簡單斜率檢測，以圖形化方式直觀展現(xiàn)調節(jié)因子對主效應的調節(jié)方式。

B15本文所有調節(jié)效應圖與簡單斜率檢測所需數據均基于表4研究2中模型1的回歸結果，若基于研究2中模型2（模型3）的回歸結果，從定性角度來看，得到的調節(jié)效應圖與簡單斜率檢測與文中完全一致。此外，根據繪制調節(jié)效應圖中對連續(xù)變量的慣用處理方式，圖2至圖4中“退款速度”較慢（較快）、“糾紛退款比例”較低（較高）、市場年齡較短（較長）、頁面位置靠前（靠后）分別表示變量“退款速度”、“糾紛退款比例”、市場年齡、頁面位置均值之下（之上）一個標準差。

B16由于表5中簡單斜率檢測顯示，無論市場年齡較短還是較長，“退款速度”對產品銷量的影響均不顯著，所以這里未提及“退款速度”對產品銷量影響的方向。

B17Dawson（2014）指出，對于兩交互模型，交叉項顯著即意味著解釋變量對被解釋變量的影響在調節(jié)變量（相當于本研究中的產品市場年齡、頁面位置）不同取值情況下存在顯著差異。

參考文獻：

[1]Banerjee A. A simple model of herd behavior[J].Quarterly Journal of Economics，1992，107（3）：797-817.

[2]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.

[3]Bikhchandani S，Hirshleifer D，Welch I. Learning from the behavior of others： conformity，fads，and informational cascades[J].Journal of Economic Perspectives，1998，12（3）：151-170.

[4]Chang H H，Wang Y，Yang W. The impact of e-service quality，customer satisfaction and loyalty on e-marketing： Moderating effect of perceived value[J].Total Quality Management，2009，20（4）：423-443.

[5]Chen Y，Wang Q，Xie J. Online social interactions： a natural experiment on word of mouth versus observational learning[J].Journal of Marketing Research，2011，48（2）：238-254.

[6]Chevalier J，Goolsbee A. Measuring prices and price competition online： Amazon.com and BarnesandNoble.com[J].Quantitative Marketing and Economics，2003，1（2）：203-222.

[7]Chevalier J，Mayzlin D. The effect of word of mouth on sales： online book reviews[J].Journal of Marketing Research，2006，43（3）：345-354.

[8]Clarke K，Belk R W. The effects of product involvement and task definition on anticipated consumer effort[J].Advances in Consumer Research，1979，6（1）：313-318.

[9]Cristobal E，F(xiàn)lavian C，Guinaliu M. Perceived e-service quality（PeSQ）： measurement validation and effects on consumer satisfaction and web site loyalty[J].Managing Service Quality，2007，17（3）：317-340.

[10]Dawson J F. Moderation in management research：What，why，when，and how[J].Journal of Business Psychology，2014，29（1）：1-19.

[11]Duan W，Gu B，Whinston A B. The dynamics of online word-of-mouth and product sales-an empirical investigation of the movie industry[J].Journal of Retailing，2008，84（2）：233-242.

[12]Fassnacht M，Kse I. Consequences of Web-based service quality： Uncovering a multi-faceted chain of effects[J].Journal of Interactive Marketing，2007，21（3）：35-54.

[13]Fassnacht M，Koese I. Quality of electronic services： conceptualizing and testing a hierarchical model[J].Journal of Service Research，2006，9（1）：19-37.

[14]Foster A D，Rosenzweig M R. Learning by doing and learning from others：Human capital and technical change in agriculture[J].Journal of Political Economy，1995，103（6）：1176-1209.

[15]Ghose A. Internet exchanges for used goods： An empirical analysis of trade patterns and adverse selection[J].MIS Quarterly，2009，33（2）：263-291.

[16]Gu B，Park J，Konana P. The impact of external word-of-mouth sources on retailer sales of high-involvement products[J].Information Systems Research，2012，23（1）：182-196.

[17]Ho C I，Lee Y L. The development of an e-travel service quality scale[J].Tourism Management，2007，28（6）：1434-1449.

[18]Hong W，Thong J，Tam K Y. Designing product listing pages on e-commerce websites： an examination of presentation mode and information format[J].International Journal of Human-Computer Studies，2004，61（4）：481-503.

[19]Hoyer W D，Macinnis D H. Consumer Behavior，5th ed[M].South-Western，Mason，OH，2008.

[20]Ladhari R. Developing e-service quality scales： A literature review[J].Journal of Retailing and Consumer Services，2010，17（6）：464-477.

[21]Laurent G，Kapferer J. Measuring consumer involvement profiles[J].Journal of Marketing Research，1985，22（1）：41-53.

[22]Lee G，Lin H. Customer perceptions of e-service quality in online shopping[J].International Journal of Retail and Distribution Management，2005，33（2）：161-176.

[23]Lohse G L，Spiller P. Electronic shopping[J].Communications of the ACM，1998，41（7）：81-87.

[24]Lu X，Ba S，Huang L，F(xiàn)eng Y. Promotional marketing of word-of-mouth？ Evidence from online restaurant reviews[J].Information System Research，2013，24（3）：596-612.

[25]Oliveira P，Roth A V，Gilland W. Achieving competitive capabilities in e-services[J].Technological Forecasting & Social Change，2002，69（7）：721-739.

[26]Parasuraman A，Zeithaml V A，Malhotra A. E-S-Qual： a multiple-item scale for assessing electronic service quality[J].Journal of Service Research，2005，7（3）：213-233.

[27]Santos J. E-service quality： a model of virtual service quality dimension[J].Managing Service Quality，2003，13（3）：233-246.

[28]Wolfinbarger M，Gilly M C. eTailQ：dimensionalizing，measuring and predicting retail quality[J].Journal of Retailing，2003，79（3）：183-198.

[29]Yang Z. Customer perceptions of service quality in internet-based electronic commerce[C].Proceedings of the 30th EMAC Conference，Bergen，2001.

[30]Zeithaml V A. Service excellent in electronic channels[J].Managing Service Quality，2002，12（3）：135-139.

Abstract：E-commerce service quality （e-SQ） and information shown on product sales pages have more and more important effects on consumers′ online purchase decisions. This paper mainly concerns five index dimensions of e-SQ on product sales pages from the largest B2C e-commerce platform named Tmall.com： “description consistency”， “service attitude”， “delivery speed”， “refund speed” and “dispute refund proportion”， explores the impact of online observational learning （OL） information reflecting e-SQ on electronic product （such as notebook and tablet PC） sales， and how these effects are moderated by product market age and page location， respectively. Through an empirical analysis based on a panel data with span of nearly half a year， the paper finds that among five e-SQ index dimensions mentioned above， the online OL information only reflecting “description consistency” and “dispute refund proportion” have significant effects on sales performance； product market age and page location can only significantly moderate the effect of the online OL information reflecting “dispute refund proportion” on sales performance， respectively，and the magnitude of this effect is larger when product market age is shorter or page location is higher.

Key words：e-commerce service quality；online observational learning； two-way interaction model

（責任編輯：張曦）