馮 嬌，姚 忠

(北京航空航天大學經(jīng)濟管理學院，北京 100191)

?

基于社會學習理論的在線評論信息對購買決策的影響研究

馮 嬌，姚 忠

(北京航空航天大學經(jīng)濟管理學院，北京 100191)

消費者在線商品評論對電商企業(yè)提高銷售業(yè)績，消費者制定購買決策等都有重要作用。本文基于社會學習理論，運用貝葉斯和高斯更新公式構(gòu)建社會學習模型，分析消費者通過社會學習評論數(shù)量和等級對其購買決策的差異性影響，并深入探析評論數(shù)量和等級的內(nèi)在關(guān)系，運用數(shù)值試驗和電子商務網(wǎng)站獲取的真實數(shù)據(jù)，驗證了模型和結(jié)論的有效性。結(jié)果表明評論等級與評論數(shù)量存在負相關(guān)關(guān)系，評論等級隨銷售量和評論數(shù)量增加而下降； 但當評論數(shù)量達到某值后，評論等級受評論數(shù)量影響不大，評論等級對銷售量有積極作用，評論數(shù)量對高質(zhì)量產(chǎn)品銷售量有積極作用，對低質(zhì)量產(chǎn)品銷售量沒有積極影響。本文結(jié)果說明評論數(shù)量和等級在不同銷售期對不同產(chǎn)品的購買決策有差異性影響，從而有利于電商企業(yè)在不同銷售期制定相應的營銷策略。

電子商務；社會學習；在線評論；評論數(shù)量；評論等級

1 引言

隨著WEB2.0、社會化媒體(如SNS、blog 等) 的發(fā)展，消費者在線評論被認為是影響消費者購買決策和電商企業(yè)商品銷售的重要因素。消費者在電子商務網(wǎng)站進行交易后，會對所購商品進行評論，闡述對商品和服務的個人體驗，以供其他消費者參考。Deloitte[1]調(diào)查顯示，在被調(diào)查者中82%的消費者購買決策受在線評論的影響。因此，消費者在線評論對于潛在消費者了解商品真實質(zhì)量和制定購買決策起到越來越重要的作用[2]。同時，電商企業(yè)也能通過消費者線上評論信息增加商品宣傳并形成良好的網(wǎng)絡口碑，獲取更大的市場份額和銷售量[3]。

近年來很多學者深入探析了在線商品評論對消費者購買意愿的影響[4-7]。Deloitte[1]的研究表明43%的消費者閱讀學習在線商品評論后仍堅持自己的購買意愿，但是43%的消費者改變了自己原始購買意愿，9%的消費者放棄了其原始購買計劃，結(jié)果表明在線評論影響消費者購買意愿， 且不同消費者學習相同在線評論產(chǎn)生不同結(jié)果。 一些學者從消費者學習角度研究了不同消費者閱讀相同評論信息進行學習的不同過程。Li Xinxin和Hitt[2]從消費者自我選擇偏差角度分析消費者學習在線商品評論對消費者購買行為、消費者剩余的影響。Villas-Boas[3]探索消費者學習、品牌忠誠和競爭之間的關(guān)系，并分析了消費者學習對市場產(chǎn)出的影響。盡管一些學者對消費者學習評論信息進行了研究[1-3]，但隨著社會化商務發(fā)展，社會學習在線評論對消費者購買決策的影響不容忽視，但進一步從社會學習角度研究的甚少。

社會學習理論表明消費者不僅對評論信息進行學習還對其他消費者的社會行為進行學習，體現(xiàn)羊群效應，因而能更全面深入的進行學習并制定購買決策[8]。社會學習理論曾經(jīng)較多應用于社會學、心理學等領(lǐng)域[9-10]。Chamley[10]對社會學習的理論、模型和羊群理論等進行了全面介紹。Kristjanson等[11]研究個人、團體如何通過社會學習改變他們的行為，從而實現(xiàn)可持續(xù)發(fā)展。學者們對社會學習理論的研究較少基于電子商務領(lǐng)域， 但網(wǎng)絡口碑的流行使得消費者社會學習評論信息和其他消費者的購買行為成為其購物前的重要準備[1]。Ifrach等[12]從社會學習機制出發(fā)，研究消費者對在線評論信息和其他消費者行為的學習過程，探索社會學習對企業(yè)商品定價策略的影響。Papanastasiou等[13]探討了社會學習對新產(chǎn)品發(fā)布的影響，并提出定價和庫存策略。消費者學習和社會學習均為學習在線評論過程，但學習過程有本質(zhì)差異，從實踐角度看社會學習進一步學習其他消費者行為，從理論角度看社會學習基于Bayes 規(guī)則更新學習評論前后的商品感知和購買決策[10,12-13]。因而，有必要從理論和實踐角度深入分析消費者社會學習在線評論信息對購買決策的影響。

在線評論信息主要從兩個方面影響消費者和電商企業(yè)：評論數(shù)量和等級。大量文獻分析了消費者在線評論數(shù)量和等級分別對消費者購買決策和電商企業(yè)商品銷量的積極作用[2,14]。Lee[15]運用實驗和實證研究方法探索評論數(shù)量和等級對購買意愿的積極影響。Cui Geng等[16]研究電子產(chǎn)品和電子游戲的新產(chǎn)品銷售，通過實證分析亞馬遜332 個新產(chǎn)品，發(fā)現(xiàn)評論數(shù)量和等級對搜索產(chǎn)品有重要作用。但是，一些學者認為評論數(shù)量相較于評論等級對消費者有更重要影響。Duan Wenjing等[17]發(fā)現(xiàn)線上用戶發(fā)布信息數(shù)量能顯著影響電影票房收入，而評論等級對銷售量沒有明顯作用。Tirunillai 和 Tellis[18]收集4 年不同網(wǎng)站用戶產(chǎn)生信息，運用多維度時間序列模型，發(fā)現(xiàn)評論數(shù)量對銷售量有更強影響。隨著一部分學者對評論數(shù)量的關(guān)注和重視，另一部分學者則提出評論等級對消費者購買行為有更強影響。Dellarocas 等[19]認為消費者線上評論等級比其它因素更能預測未來電影銷售利潤。Moon 等[20]用實證方法分析評論等級對電影收益的積極作用，并進一步發(fā)現(xiàn)評論等級隨著電影收益的增加而逐漸降低。Gao Jie等[21]對比性分析了消費者有意識和無意識思維活動對大量評論信息的閱讀學習過程，實證結(jié)果表明評論等級影響經(jīng)驗產(chǎn)品的消費者購買情況。學者們大多采用實驗或?qū)嵶C方法，分析評論數(shù)量和等級對消費者購買決策和銷售量的差異影響，但其未從社會學習角度進行理論分析；其得到的不同結(jié)論能為學術(shù)研究提供指導，但卻為電商企業(yè)市場營銷策略帶來困惑。本文基于社會學習理論，構(gòu)建數(shù)學模型， 從理論和實證角度分析消費者社會學習評論數(shù)量和等級對消費者購買決策的積極性和差異性影響。

許多學者全方位分析了評論數(shù)量和等級對其它因素的影響，如對電商企業(yè)銷售量[7]、消費者感知風險和信任[22]、消費者購買意愿[23-24]、消費者感知有用性[25]等等，卻很少有學者探討評論數(shù)量和評論等級之間的內(nèi)在關(guān)系。Park 等[26]探索性研究了網(wǎng)絡口碑數(shù)量和質(zhì)量相互作用下對零售商銷售量的影響，結(jié)果顯示分別在零售商和第三方平臺上，網(wǎng)絡口碑的質(zhì)量積極影響數(shù)量；但是零售商主導的網(wǎng)絡口碑質(zhì)量與第三方平臺主導的網(wǎng)絡口碑數(shù)量呈負相關(guān)。Park 等[26]的研究對評論數(shù)量和等級的關(guān)系研究提供引導，但卻與中國實踐中的結(jié)果存在差異。本文調(diào)查了第三方平臺淘寶網(wǎng)中所有銷售三星手機Note2 和Note3 網(wǎng)店的消費者在線評論數(shù)量和等級，為防止網(wǎng)店操縱評論信息等非正規(guī)操作，本文篩選淘寶網(wǎng)中所有銷售三星Note 網(wǎng)店的評論數(shù)超過20 的網(wǎng)店評論信息進行分析，時間截至2014 年4 月30 日。統(tǒng)計分析結(jié)果表明消費者線上商品評論數(shù)量和等級呈負相關(guān)現(xiàn)象。那么是否評論數(shù)量和評論等級存在負相關(guān)關(guān)系？為什么呈負相關(guān)關(guān)系？如果評論數(shù)量和評論等級存在負相關(guān)關(guān)系，評論數(shù)量和等級如何都對銷售量起積極作用，這是否與原來學者的研究存在矛盾？等等一系列問題引起我們思考。

因而本文基于已有研究中的不足和實踐中的疑問，構(gòu)建了從電商企業(yè)發(fā)布新產(chǎn)品到消費者決定是否購買商品的社會學習模型，從社會學習角度分析評論數(shù)量和等級對消費者購買決策的差異性影響，以及銷售量對評論數(shù)量和等級的不同影響，進而深入探析評論數(shù)量和評論等級的關(guān)系， 用數(shù)值試驗和真實數(shù)據(jù)驗證模型和結(jié)論的有效性， 為消費者在線評論的研究提供新的視角和方向， 進一步豐富社會學習理論的研究。

2 模型構(gòu)建

2.1 模型概述及假設

考慮壟斷型企業(yè)發(fā)布新產(chǎn)品，銷售期為兩個階段t(t=1,2)，第一階段銷售期為短暫的引入期， 第二階段銷售期為大量銷售時期。銷售初始階段有N 位消費者進入市場，在第一階段一部分消費者購買商品并選擇是否提供購后商品評論，而沒有購買商品的消費者(以下稱潛在消費者)可通過社會學習購買者評論信息以及消費者行為更新自己對商品的購前質(zhì)量感知，進而影響潛在消費者的購買決策和商品銷售量(見圖1)。

圖1 建模過程

模型的構(gòu)建分別以第一階段和第二階段銷售期為分界段，第一階段銷售期產(chǎn)生消費者購買量和購后評論信息，第二階段產(chǎn)生潛在消費者社會學習和購買量。兩階段以購買者產(chǎn)生評論信息(數(shù)量和等級)和潛在消費者社會學習評論信息為橋梁，有利于清晰、透徹地分析潛在消費者通過社會學習評論數(shù)量和等級對購買行為的不同影響。

2.2 第一階段銷售

(1) 商品銷售量

第一階段消費者效用函數(shù)期望為：

(1)

當E(Ui1)≥0時，購買者個人偏好滿足：

(2)

?1(p)為第一階段購買者偏好xi的最低臨界值，即當xi≥?1(p) 時，消費者i購買商品。

因而，第一階段銷售期的消費者購買量為：

D1(p)=NP(xi≥?1(p))

(3)

(2) 購買者產(chǎn)生商品評論信息數(shù)量和等級

當銷售量為D1(p)時，評論數(shù)量n1為：

(4)

當00時，有n1>0，公式(4)成立。當r>2,b>0時，有n1<0，公式(4)不成立。當r=2,b>0時，公式(4)沒有意義。

公式(4)的一階條件為：

故評論數(shù)量n1隨銷售量D1(p)的增加而增加。

公式(4)的二階條件為：

因而，根據(jù)實際數(shù)據(jù)和模型分析，得評論數(shù)量服從冪律分布函數(shù)的參數(shù)取值范圍2>r>1,b>0。結(jié)合以上的模型和討論，總結(jié)為如下定理。

(5)

購買商品的消費者線上評論等級R1為：

(6)

評論數(shù)量為所有提供評論的購買者數(shù)量和(每個購買者購買一單位商品則最多提供一次評論信息)，不包含購買商品但沒提供評論的購買者。評論等級為所有提供評論的購買者對商品質(zhì)量真實評價的期望。

定理1表明，評論數(shù)量隨著銷售量的增加而增加，但是增加幅度逐漸減弱，與實際相符；評論等級隨著銷售量的增加而降低，與Moon等[20]研究一致，同時評論數(shù)量和評論等級存在相關(guān)性。評論數(shù)量與銷售量的數(shù)值試驗與淘寶網(wǎng)獲取的數(shù)據(jù)進行對比分析，發(fā)現(xiàn)其能較好的擬合(如圖2)， 因而本文的評論模型能較好的反映實踐中評論數(shù)量和等級與銷售量的關(guān)系。

圖2 三星Note2 月銷售量和月評論量關(guān)系

2.3 第二階段銷售期

(1) 商品銷售量

第二階段消費者效用函數(shù)期望為：

(7)

當E(Ui2)≥0時，購買者個人偏好xi滿足：

(8)

?2(p)為第二階段購買者偏好xi最低臨界值。

第二階段銷售量：

D2(p) =NP(xi≥min {?1(p),?2(p) })-D1(p)

(9)

第二階段與第一階段的主要區(qū)別是：(1)第二階段消費者為第一階段未購買商品的消費者， 他們通過對第一階段購買者評論信息數(shù)量和等級的學習，可能更新其對商品的購前質(zhì)量感知(qi1→qi2)，從而改變其效用函數(shù)和購買決策；(2) 第二階段消費者個人偏好xi沒有變化，而通過社會學習可能改變購前質(zhì)量感知，從而改變第二階段消費者偏好最低臨界值?2(p)，影響銷售量。消費者通過社會學習改變購前質(zhì)量感知的過程如下。

(2) 消費者社會學習過程

(10)

(11)

3 數(shù)值分析及數(shù)值試驗

本文基于以上模型，分析評論數(shù)量和等級分別對購買決策的作用，并進一步探討評論數(shù)量和等級的關(guān)系，通過數(shù)值試驗和真實數(shù)據(jù)進行對比分析，從而解決本文開篇的疑問，為消費者在線評論的研究提供新的方向。

3.1 評論等級與購買決策

推論1 在不考慮評論數(shù)量和評論等級關(guān)系前提下(即假設評論數(shù)量不影響評論等級，評論等級也不影響評論數(shù)量，其為獨立變量)，購買量隨評論等級的增加而增加。

(12)

公式(12)表明消費者對商品質(zhì)量的感知uq2隨著評論等級R1的增加而增加，而由公式(8)知消費者偏好臨界值?2(p)隨著消費者商品質(zhì)量感知uq2的增加而下降，在本文消費者偏好xi不變的假設下，將有更多的消費者偏好xi大于臨界值?2(p)，從而購買商品，因此商品購買量增加，故評論等級對消費者購買量有積極影響。

為驗證結(jié)論，本文通過獲取亞馬遜網(wǎng)站中購買者對三星Note2的實際評論等級和潛在消費者社會學習后的反饋數(shù)據(jù)進行說明(如圖3)。由于實際通過社會學習后的潛在消費者購買商品數(shù)量不易區(qū)分和獲取，故本文通過潛在消費者社會學習后對不同評論等級的反饋，表明評價等級對潛在消費者更新商品質(zhì)量感知的社會學習過程。

圖3 Note2潛在消費者社會學習后對不同等級的反饋數(shù)量

由圖3 可見，潛在消費者對評論等級的反饋說明潛在消費者閱讀了評論，潛在消費者對評論等級認為有用的反饋說明潛在消費者學習并且更新了自己對商品的質(zhì)量認知。當潛在消費者對商品質(zhì)量感知一般時(假設為3 等)，其認為評論等級為5 等(購買者認為商品質(zhì)量特別好)的信息有用，則表明其更新對商品質(zhì)量的感知，并且向5 等好的方向變化；然而當其認為評論等級為1 等(購買者認為商品質(zhì)量特別不好)的信息有用， 則表明其更新對商品質(zhì)量的感知，并且向1等不好的方向變化；同理可分析2、3、4等評論信息。潛在消費者對評論等級為5 等和1 等的有用性反饋最多，其次為2 和4，最后為3，潛在消費者越重視的等級說明此等級對于潛在消費者商品質(zhì)量感知的更新越有用，如從3 等到5 等有用性反饋數(shù)量增加，則潛在消費者購前質(zhì)量感知期望增加。 因此，實際例子表明潛在消費者購前質(zhì)量感知期望uq2隨著評論等級R1增加而增加，消費者偏好臨界值?2(p)隨著購前質(zhì)量感知期望uq2的增加而下降，故購買量隨評論等級的增加而增加，證明了推理1 的正確性。

3.2 評論數(shù)量與購買決策

類似于推論1，可得評論信息數(shù)量與購買決策的關(guān)系，見推論2。

推論2 在不考慮評論數(shù)量和評論等級關(guān)系前提下，當消費者購后質(zhì)量感知uq大于購前質(zhì)量感知uq1時(稱高質(zhì)量產(chǎn)品)，潛在消費者購買量隨評論數(shù)量的增加而增加，但增加幅度逐漸減弱； 當消費者購后質(zhì)量感知小于等于購前質(zhì)量感知時uq≤uq1(稱低質(zhì)量產(chǎn)品)，潛在消費者購買量隨評論數(shù)量的增加而不增長。

(13)

(14)

評論數(shù)量與購買量的分析與評論等級與購買量的分析相類似，即評論數(shù)量→潛在消費者購前質(zhì)量感知期望→潛在消費者偏好臨界值→潛在消費者購買決策→銷售量。通過數(shù)值試驗給出評論數(shù)量和潛在消費者質(zhì)量感知期望的關(guān)系(見圖4)。

圖4 社會學習后的購前質(zhì)量感知期望與評論數(shù)量關(guān)系

對于高質(zhì)量產(chǎn)品，當產(chǎn)品的實際質(zhì)量大于第一階段消費者購前質(zhì)量感知時，評論數(shù)量逐漸增加，潛在消費者通過社會學習，更新對商品的購前質(zhì)量感知越來越好并且逐漸趨近于商品的實際質(zhì)量，潛在消費者偏好臨界值則越來越低，銷售量越來越大。但購前質(zhì)量感知的增加幅度逐漸減緩，當評論數(shù)量達到一定值后，潛在消費者對商品的質(zhì)量感知變化不大，這是因為人類被限制的信息處理能力和信息過量問題，使得潛在消費者不能很好的學習全部評論信息。對于低質(zhì)量產(chǎn)品， 當產(chǎn)品的實際質(zhì)量小于等于第一階段消費者購前質(zhì)量感知時，評論數(shù)量越多，潛在消費者通過社會學習對商品的質(zhì)量感知越差，當評論數(shù)量達到一定程度后，潛在消費者更新商品質(zhì)量感知下降的幅度逐漸減緩，潛在消費者對商品的質(zhì)量感知接近商品的實際質(zhì)量。因而，潛在消費者偏好臨界值增大，銷售量不增加。同時，通過獲取亞馬遜網(wǎng)站三星手機Note2評論數(shù)量和潛在消費者反饋數(shù)據(jù)進行對比說明(圖5)，也可得到相似結(jié)論， 驗證推理2。

圖5 Note2 潛在消費者社會學習后的反饋數(shù)量與評論數(shù)量的關(guān)系

來自亞馬遜網(wǎng)站高質(zhì)量產(chǎn)品的三星手機Note2 評論數(shù)量和潛在消費者反饋數(shù)據(jù)表明，隨著評論數(shù)量的增加，潛在消費者反饋數(shù)量逐漸增加， 但當評論數(shù)量達到一定程度后，潛在消費者的反饋數(shù)量逐漸減緩。潛在消費者對購買者評論的反饋說明潛在消費者進行社會學習，有用性反饋說明潛在消費者學習并更新對商品質(zhì)量的感知；而認為評論有用的反饋數(shù)增長率表示潛在消費者通過社會學習更新對商品質(zhì)量感知的快慢。因而， 對于Note2潛在消費者對商品質(zhì)量感知的更新隨著評論數(shù)量的增加而增加，當評論數(shù)達到一定程度后則減緩。因此，對于Note2的銷售量隨著評論數(shù)的增加而增加，但增加幅度逐漸減緩。數(shù)值試驗和真實數(shù)據(jù)驗證了模型和推論2 有效性。

3.3 評論數(shù)量與評論等級

在假設評論數(shù)量和評論等級不相關(guān)條件下， 推論1 和推論2 說明了評論數(shù)量和評論等級分別對消費者購買決策的重要作用，此研究結(jié)果延伸并補充了已有研究中評論數(shù)量和等級對其他消費者購買決策的影響[16,21]。然而是否評論數(shù)量和等級不存在關(guān)系呢？以下推論予以解釋說明。

推論3 評論等級隨著評論數(shù)量增加呈下降趨勢，但下降幅度逐漸減緩，即評論數(shù)量和評論等級呈負相關(guān)。

(15)

(16)

通過數(shù)值試驗給出評論數(shù)量和評論等級之間的關(guān)系(見圖6)；并通過獲取亞馬遜網(wǎng)站Note2 的評論數(shù)量和評論等級的數(shù)據(jù)進行對比分析。亞馬遜真實數(shù)據(jù)表明，評論等級隨著評論數(shù)量的增加呈現(xiàn)下降趨勢。本模型的數(shù)值試驗，依據(jù)參數(shù)取值的不同而不同但趨勢不變，在圖6 的參數(shù)選取下數(shù)值試驗較好的說明了評論數(shù)量和評論等級的負相關(guān)關(guān)系，并與真實數(shù)據(jù)呈現(xiàn)部分重合現(xiàn)象。

圖6 Note2評論數(shù)量和評論等級關(guān)系

推論3表明評論等級隨著評論數(shù)量增加而下降。當銷售量增加，評論數(shù)量增加，評論等級下降，與Moon 等[20]研究一致，評論等級與銷售量呈負相關(guān)。但以往大量研究[19]和本文的推論1 和推論2 都表明評論等級與購買量呈正相關(guān)。導致此研究看似矛盾的原因是：以往的很多研究和本文推論1 和推論2 均基于評論數(shù)量和評論等級不相關(guān)條件下探索其各自與購買量的關(guān)系，因為其前提假設不同，所以并不矛盾。但是評論數(shù)量和評論等級是否又存在不相關(guān)呢？推論4 給予說明。 推論4 評論等級隨評論數(shù)量增加逐漸趨于收斂，收斂于商品真實質(zhì)量，評論等級受評論數(shù)量影響不大，評論數(shù)量與評論等級不相關(guān)。

(17)

推論4 表明，當評論數(shù)量趨于無窮大時，潛在消費者更新的購前質(zhì)量感知期望趨于商品真實質(zhì)量。評論等級為消費者在購前質(zhì)量感知下體驗商品進而提供的購后感知期望，因而評論等級最終也將收斂于商品真實質(zhì)量。圖6 中亞馬遜真實數(shù)據(jù)也表明，評論等級隨著評論數(shù)量的增加而下降，當下降到某個值后，出現(xiàn)波動下降或平緩下降即長尾現(xiàn)象，即當評論數(shù)量大于某值后，評論等級在可允許誤差范圍內(nèi)收斂于商品真實質(zhì)量， 此時評論數(shù)量和評論等級不相關(guān)，故評論數(shù)量和等級對銷售量的影響可見推論1 和推論2。數(shù)值試驗也很好的與亞馬遜真實數(shù)據(jù)在長尾現(xiàn)象處重合， 逐漸收斂于商品真實質(zhì)量且無明顯下降趨勢，較好的驗證了推論4。

4 結(jié)語

消費者在線評論數(shù)量和等級對購買決策有重要作用，一些學者運用實證和實驗方法分析了評論數(shù)量和等級對購買量的不同影響[15-21]， 卻沒有從社會學習理論角度系統(tǒng)性對比分析其差異性影響及其原因，并深入探討評論數(shù)量和等級之間的相互關(guān)系。同時，與以往研究不同，本文評論信息由購買者自主決定是否產(chǎn)生，而不是所有購買者都產(chǎn)生評論信息[12,13]，此研究更符合消費者實際行為。本文在已有研究基礎(chǔ)上，基于社會學習理論，構(gòu)建了新產(chǎn)品發(fā)布后消費者購買行為的兩周期模型，第一銷售期為消費者購買商品并產(chǎn)生購后評論；第二銷售期為潛在消費者社會學習并更新購買決策時期，分析了消費者通過社會學習評論數(shù)量和等級對消費者商品質(zhì)量感知的影響進而對購買決策的差異性影響及原因，數(shù)值試驗和電子商務網(wǎng)站獲取的數(shù)據(jù)表明了如下結(jié)論的正確性和有效性。

(1)從消費者社會學習角度，分析了社會學習對購買決策的影響過程，表明社會學習在線評論信息和其他消費者行為，是影響消費者購買決策的重要因素。

(2)評論數(shù)量和評論等級存在相關(guān)關(guān)系。即當評論數(shù)量達到某值前，評論數(shù)量和等級呈負相關(guān)關(guān)系，評論等級隨評論數(shù)量增加而明顯下降。

(3)評論數(shù)量和評論等級也存在不相關(guān)關(guān)系。當評論數(shù)量達到某值后，評論等級隨評論數(shù)量增加而下降的幅度逐漸趨緩，當評論數(shù)量趨于無窮大時，評論等級收斂于商品真實質(zhì)量，此時評論等級與評論數(shù)量不相關(guān)?，F(xiàn)實中，評論數(shù)量不可能無窮大，故當評論數(shù)量達到某值后，在可允許的誤差范圍內(nèi)，評論等級收斂于商品真實質(zhì)量， 此時評論等級受評論數(shù)量影響不大。

(4)基于社會學習理論對比性分析在線評論數(shù)量和等級對購買決策差異性影響時，發(fā)現(xiàn)當評論數(shù)量和評論等級不相關(guān)時，評論等級對購買決策有積極作用，評論數(shù)量對高質(zhì)量產(chǎn)品銷售量有積極作用，對低質(zhì)量產(chǎn)品銷售量沒有積極作用。

根據(jù)本文研究結(jié)論，電商企業(yè)可根據(jù)自身戰(zhàn)略采取相應措施影響評論數(shù)量和等級從而提高銷售量，如對于低質(zhì)量產(chǎn)品，開始階段評論等級隨評論數(shù)量增加而下降，其后評論數(shù)量對銷售量沒有積極作用，因而可采取饑餓營銷法等提高評論等 級，通過控制庫存供給促使強烈需求或忠誠度高的用戶購買商品，從而產(chǎn)生高等級評論；而對于高質(zhì)量產(chǎn)品，電商企業(yè)也可采取人工干預、社會化媒體營銷、優(yōu)惠促銷等策略快速提高評論量。對于消費者，其購買商品前會學習評論數(shù)量和等級，可根據(jù)評論數(shù)量和等級負相關(guān)關(guān)系，了解電商企業(yè)對商品購買量、評論數(shù)量和等級的人工干預程度，有助于消費者對電商企業(yè)的真實、誠信等的認識和了解。

雖然本文對理論和實踐均有貢獻，但本文也存在一些局限。如本文對于產(chǎn)品的銷售期只考慮兩個階段，從長遠和實際角度考慮可將第二階段銷售期劃分為更多子銷售期，研究N階段銷售期的評論數(shù)量和等級的迭代影響，同時對于第一階段本文去除初始時期少量數(shù)據(jù)(為防止電商企業(yè)人工干預)，日后也可酌情考慮；另外本模型假設所有消費者在新商品發(fā)布前均進入商品市場，但更實際的是消費者也可在商品發(fā)布后的每個階段進入市場；最后，在第二階段消費者通過社會學習評論數(shù)量和等級更新購前商品質(zhì)量感知和購買決策，本模型假設消費者能完全學習評論信息，且對購買者的一切信息已知，但實際上消費者不能完全了解所有信息，又由于人類被限制的處理能力和信息過量問題，使消費者對大量評論不能全面的學習，因而后續(xù)的研究可以根據(jù)消費者更實際的行為進行社會學習的探討。

[1] Deloitte T. Most consumers read and rely on online reviews; Companies must adjust[R]. Technical Report, 2007, Marketingcharts.

[2] Li Xinxin, Hitt L M. Self-selection and information role of online product reviews [J]. Information Systems Research, 2008, 19(4): 456-474.

[3] Villas-Boas J M. Consumer learning, brand loyalty, and competition [J]. Marketing Science, 2004, 23(1): 134-145.

[4] Cheung C M, Thadani D R. The impact of electronic word-of-mouth communication: A literature analysis and integrative model [J]. Decision Support System, 2012, 6(8): 1-10.

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

[6] Kwark Y，Chen Jianqing, Raghunathan S. Online product reviews: Implications for retailers and competing manufacturers [J]. Information Systems Research, 2014, 25(1): 93-110.

[7] Tang Tanya, Fang E, Wang Feng. Is neutral really neutral? The effects of neutral user-generated content (UGC) on product sales [J]. Journal of Marketing, 2014， 78(4):41-56.

[8] Bandura A. Social learning theory [M]. New York.General Learning Corporation, 1971.

[9] Reed M, Evely A C, Cundill G. What is social learning [J]. Ecology and Society, 2010, 15(4): 299-305.

[10] Chamley C P. Rational herds: Economic models of social learning [M]. Cambridge:Cambridge University Press, 2004.

[11] Kristjanson P, Harvery B, Epp M V, et al.Social learning and sustainable development [J]. Nature Climate Change, 2014, (4):5-7.

[12] Ifrach B, Maglaras C, Scarsini M. Bayesian social learning from consumer reviews [J]. Working Paper,Columbia University,2013.

[13] Papanastasiou Y, Bakshi N, Savva N. Social learning from early buyer reviews: Implication for new product launch [J]. Working Paper,London Business School,2013.

[14] Moe W W, Schweidel D A. Online product opinions: Incidence, evaluation, and evolution [J]. Marketing Science, 2012, 31(3): 372-386.

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

[16] Cui Geng, Lui H K, Guo Xiaoning. The effect of online consumer reviews on new product sales [J]. International Journal of Electronic Commerce, 2012, 17(1): 39-58.

[17] Duan Wenjing, Gu Bin, Whinston A B. Do online reviews matter? An empirical investigation of panel data [J]. Decision Support Systems, 2008, 45(4): 1007-1016.

[18] Tirunillai S, Tellis G J. Does chatter really matter? Dynamics of user-generated content and stock performance [J]. Management Science, 2012, 31(2): 198-215.

[19] Dellarocas C, Zhang Xiaoquan, Awad N F. Exploring the value of online product reviews in forecasting sales: The case of motion pictures [J]. Journal of Interactive Marketing, 2004, 21(4): 23-45.

[20] Moon S, Bergey P K, Lacobucci D. Dynamic effects among movie ratings, movie revenues, and viewer satisfaction [J]. Journal of Marketing, 2010, 74(1): 108-121.

[21] Gao Jie, Zhang Cheng, Wan Ke, Ba Sulin. Understanding online purchase decision making: The effects of unconscious thought, information quality, and information quantity [J]. Decision Support Systems, 2012, 53(4): 772-781.

[22] Utz S, Kerkhof P, Bos J. Consumers rule: How consumer reviews influence perceived trustworthiness of online stores [J]. Electronic Commerce Research and Applications, 2012, 11(1): 49-58.

[23] Ludwig S, Ruyter K, 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.

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

[25] Racherla P, Friske W. Perceived ‘usefulness’ of online consumer reviews: An exploratory investigation across three services categories [J]. Electronic Commerce Research and Applications, 2012, 11(6): 548-559.

[26] Park J H, Gu Bin, Lee H Y. The relationship between retailer-hosted and third-party hosted WOM sources and their influence on retailer sales [J]. Electronic Commerce Research and Applications, 2012, 1(3): 253-261.

[27] 司馬則茜，蔡晨，李建平.度量銀行操作風險的POT 冪律模型及其應用 [J].中國管理科學，2009，17(1)：36-41.

[28] Gu Bin, Konana P, Rajagopalan B, Chen M H. Competition among virtual communities and user valuation: The case of investor communities [J]. Information Systems Research, 2007, 18(1): 68-85.

[29] 王雷.基于信號傳遞過程中學習效應的聯(lián)合創(chuàng)業(yè)投資決策 [J].中國管理科學，2014， 22(4)：74-82.

Consumer-Generated Reviews Based on Social Learning Theory: Implications for Purchase Decision

FENG Jiao, YAO Zhong

(Department of Economics and Management, Beihang University, Beijing 100191,China)

Consumer-generated reviews play an important role in improving sales, and making purchase decisions, so it has become a hot topic of academic study. Based on social learning theory, Bayesian and Gaussian updated formula, mathematic models are established to analyze different influence of volume of consumer-generated reviews and rating of consumer-generated reviews on consumers’ purchase decisions, and then the relationship between volume of consumer-generated reviews and rating of consumer-generated reviews is deeply discussed, and numerical experiments and practical data from Taobao.com and Amazon.com are also used to verify the effectiveness of the models and results. The results show that, the rating of consumer-generated reviews is decreasing as the growth of the volume of consumer-generated reviews, and the decline of the rating of consumer-generated reviews gradually slows down. But when the rating of consumer-generated reviews is (almost) converged into the real quality, the volume of consumer-generated reviews has little impact on the rating of consumer-generated reviews. When the volume of consumer-generated reviews is independent of the rating of consumer-generated reviews, the rating of consumer-generated reviews has a positive effect on purchase decision, and the volume of consumer-generated reviews has a positive effect on purchase decision of high-quality product, but not has a positive effect on purchase decision of low-quality product. The volume of consumer-generated reviews and the rating of consumer-generated reviews play different roles in purchase decisions of different products in different selling periods, and the research findings help online retailers adopt suitable marketing strategies.

electronic commerce; social learning； consumer-generated reviews; volume of consumer-generated reviews; rating of consumer-generated reviews

2014-11-26；

2015-11-22

國家自然科學基金資助重點項目(71332003)； 國家自然科學基金資助項目(71271012,71671011)

姚忠(1964-)，男(漢族)，河北人，北京航空航天大學經(jīng)濟管理學院，教授，研究方向：電子商務與數(shù)據(jù)挖掘，E-mail:iszhyao@buaa.edu.cn.

F713.36

A

1003-207(2016)09-0106-09

10.16381/j.cnki.issn1003-207x.2016.09.013