李 清，張 波，段習賢

（天津職業(yè)技術師范大學經(jīng)濟與管理學院，天津 300222）

網(wǎng)購中，影響商品銷量的因素是商家和平臺都很關注的內容。從銷量的影響因素的分析結論看，趙占波等[1]通過貝葉斯泊松回歸模型，得到了產品負向影響銷量的結論。徐敏[2]將地理位置因素引入模型，對比了地理因素和信譽因素對賣家銷量的影響作用，采用泊松回歸、負二項回歸和零膨脹負二項回歸這3 類計數(shù)數(shù)據(jù)分析模型，分析了信譽對銷量的作用。郭功星[3]分析了商品的收藏量、評分次數(shù)和好評數(shù)對消費者的購買決策存在顯著的正向作用；商品的定價和分享量對銷售量存在顯著的負向影響；而網(wǎng)購頁面中呈現(xiàn)的瀏覽量、評價分數(shù)、中評數(shù)、差評數(shù)和優(yōu)惠情況方面的信息并不會對消費者的購買決策產生顯著影響。許啟發(fā)等[4]采用門限分位數(shù)回歸的方法，建立了門限分位數(shù)回歸模型，揭示商品價格、商家信譽評分、商家信譽等級、保障標記數(shù)量、商品收藏人氣、口碑數(shù)量和口碑分數(shù)等對銷量的非線性異質影響，得出了商家的信譽等級、口碑數(shù)量、收藏人氣和一定價格范圍內的提價對低銷量商家的銷量有促進作用的結論。胡林楓等[5]用眼動實驗的方法，得出了綜合排序減弱了由歷史銷量所引起的羊群行為的產生，描述了綜合排序的重要性，但并未對銷量和位置間的關系做進一步的定量分析。外文文獻中，Ren 等[6]采用格蘭杰因果檢驗方法，跟蹤研究亞馬遜網(wǎng)站的商品銷售數(shù)據(jù)，得到了在線消費者評論量與銷售額之間存在因果關系的結論。Aidilia等[7]采用多元線性回歸的方法，研究了印度尼西亞的消費者在線購物行為，得到了網(wǎng)絡營銷和價格感知共同影響購買決策的結論。

綜上所述，現(xiàn)有文獻中，學者的研究大多集中在銷量與商品的價格、店鋪的信用、收藏、口碑以及以往的銷量與現(xiàn)有銷量的關系上，有關價格與銷量關系的研究中，得到的結論都是價格和銷量負相關的結論，缺乏網(wǎng)站綜合排序對銷量影響的定量研究。本文把綜合排序納入研究，并重點考察價格對銷量的影響，以及同頁商品的上下位置對銷量的影響。

1 研究方法及變量選取

研究采用了加權線性回歸的方法。作為應變量的當月銷量數(shù)據(jù)變動范圍較大，全距892 個，因此將其作為連續(xù)變量，用多元線性回歸比較合適。把價格、商品排序、價格乘以商品排序、商品外觀描述、商品所處頁數(shù)、商品在本頁中的位置等變量納入其中，得出回歸模型并做初步線性回歸，擬合度較好；計算殘差，做殘差和應變量的散點圖為漏斗形，測定為非定方差。因此，采用加權線性回歸消除非定方差的影響，得到最終回歸方程。

對于網(wǎng)購中價格是否是最重要的因素，本文持懷疑態(tài)度，在研究中有必要做重點考察。因為電子商務中的銷量受到諸多因素的影響，如商家綜合運用宣傳促銷等手段，可以誘導消費者購買商品，價格只是眾多因素之一。從常識可知，即便價格更低，但考慮到極端情況，排序過于靠后，可能沒有展示的機會，價格也就失去了對消費者有效的購買激勵，銷量也不會樂觀。

1.1 選取的變量

綜合考察了文獻[1-14]中所選取的變量，結合主要研究的主題，本研究選取如下變量作為模型的解釋變量。

（1）商品的綜合排序。商品的綜合排序即購物網(wǎng)站默認的商品排序序號，也是用戶進入搜索到的商品頁面后，第一次看到的頁面里的商品，好比商店中擺在最顯要位置上的商品。雖然沒有學者對該變量進行推斷統(tǒng)計研究，但根據(jù)直覺判斷，猜測對商品的銷量應該會有影響，于是選取這個指標，以考察其和應變量的關系以及其和價格的交互作用。

（2）商品價格。經(jīng)濟學認為，在完全競爭市場中，商品的價格和商品的銷量是反向的關系。因為信息的透明性，電子商務比以往任何經(jīng)濟形態(tài)更接近于完全競爭狀態(tài)，理論分析中，價格應該比較明顯地和銷量存在負相關，因此納入模型中。

（3）商品所在頁的序號。因為并不是每個瀏覽者都會點擊下一頁，因此猜測前頁的商品比后頁的商品有更多的曝光率，進而猜測商品所在頁越靠前，銷量也會越好，因此納入模型中。

（4）商品外觀的圖片展示效果。網(wǎng)購商品的外觀以及圖片展示的效果，對商品的銷量應該有促進作用，因此納入模型。操作上，通過從事電子商務10 年以上的3名專家對商品圖片打分，取平均值后并取整，取值為1～3分。分數(shù)越高，代表商品外觀的圖片展示越好。

（5）商品在本頁中的位置。胡林楓等[5]通過眼動實驗的結果，證明了瀏覽者綜合排序下，消費者在處理產品搜索結果頁面時，主要采取自上而下的瀏覽方式。把商品在本頁中的位置納入模型，能以不同的方法驗證這一結論。操作上，把每頁的商品分成上、下兩部分，上部分取值為0，下部分取值為1。

1.2 未選取的變量

（1）好評率。好評率有2 種體系，一類是對于淘寶的一般店鋪，可以通過計算得到客戶給出的好評數(shù)量占所有顧客評論總數(shù)的百分比；另一類是針對天貓店鋪的商品，考核商品描述相符的程度，5 分為滿分。這2 種體系都存在一個共同的弊端，只有購買成功的客戶，才有權對商品做出評價。這樣把對商品最不滿意，而選擇退貨的客戶拒之門外，他們沒權限對商品做出評價。使得好評率難以反映商品的真實得分，這從調研的數(shù)據(jù)中也可以看到，大多數(shù)的商品得分在4.8～4.9，數(shù)據(jù)分析很難顯著。于是沒有采納好評率的數(shù)據(jù)。

（2）店鋪信用。店鋪信用是淘寶平臺為第三方銷售者建立的一個信用體系。本質上，是店鋪從開店以來，所有出售商品的累計銷量減去所有差評的數(shù)量。這個指標可以反映店鋪的銷售能力。理論上，因為商品默認好評等規(guī)則的影響，只要銷售數(shù)量足夠多，店鋪的信用值就會越來越大，這樣就難以反映店鋪在消費者心中的真實信用。

2 數(shù)據(jù)采集與數(shù)據(jù)清洗

研究以淘寶網(wǎng)為數(shù)據(jù)采集來源，選取淘寶網(wǎng)上截止到2020 年12 月31 日的古琴樂器的銷量、交易等相關數(shù)據(jù)。選擇古琴的原因有：①古琴是近幾年來興起的樂器，各品牌在購買者中沒有形成有效的品牌和口碑影響力，這也導致了古琴品牌數(shù)量眾多，截止到2020 年12 月31 日，注冊的商標有104 個[15]，各品牌之間還處在無序競爭中。②古琴本身差異化很小，琴體只有桐木或杉木2 種，產品本身差異能夠較好地控制。

為了避免材質的不同而產生的差異化，數(shù)據(jù)的采集是在淘寶網(wǎng)上搜索杉木古琴。當前的爬蟲程序只能獲得網(wǎng)頁上展示的數(shù)據(jù)，無法自動計算商品的排序值，所以采用人工搜索的方式進行數(shù)據(jù)采集，且人工搜索的好處是可以把展示頁中不準確的商品剔除，以免影響數(shù)據(jù)分析。

采集的內容為5 個變量：30 d 的銷量數(shù)據(jù)、過去180 d 的歷史銷量、商品的價格、排序以及商品的描述與外觀（古琴是個性化的商品，個人的喜好差異較大，外觀的評分僅代表專家組的評分，從統(tǒng)計學上講，不顯著不能證明外觀對商品的銷量無影響）。

共收集了前5 頁共223 份數(shù)據(jù)。這是由于：①后面頁的古琴銷售數(shù)量較小。②223 份的數(shù)據(jù)量已經(jīng)在變量個數(shù)10 倍以上，符合統(tǒng)計學的要求。在收集數(shù)據(jù)中，排除了自然排序不準確的商品。此外，對奇異值做了剔除處理。共收集數(shù)據(jù)223 份，搜索的結果中，有6份數(shù)據(jù)不是古琴，而是做琴的材料，因此被排除在外。淘寶店鋪為了銷售，存在刷信用的現(xiàn)象，必須把這些非真實的交易盡量剔除。對于歷史銷量較少，而本月銷量突然增大的數(shù)據(jù)，視為奇異值。同時，本月銷量明顯低于累計平均銷量的個案，可能是由于商家自身供貨不足等原因導致，也一并剔除，共剩余有效數(shù)據(jù)137份，描述統(tǒng)計如表1 所示。

表1 去除奇異值后的描述統(tǒng)計

3 多元線性回歸分析

3.1 建立回歸模型

采用SPSS 軟件，把1 個月內的銷量sales_now 作為因變量，選取逐步的方法做線性回歸，共得到3 個模型。各模型的相關參數(shù)、方差分析表、模型的R2匯總分別如表2、表3、表4 所示。

表2 各模型的相關參數(shù)

表3 方差分析表

表4 模型的R2 匯總

第3 個模型調整R2值最大，選第3 個模型。其R2為0.793，說明模型有較好的解釋度。在第3 個模型中，常量、前180 d 銷量、綜合排序以及本頁位置4 個系數(shù)在0.05 顯著水平下的顯著性分別為0.001、0.000、0.000、0.001，均小于0.05，系數(shù)有統(tǒng)計學意義。3個變量的共線性指標VIF 分別為1.226、1.143、1.085，均小于10，變量間的共線性程度在可接受范圍內。

3.2 方差齊性檢驗

做殘差分析圖，考察方差齊性。殘差分析圖如圖1所示。由圖1 可知，殘差呈現(xiàn)漏斗形，說明方差是非齊性的，不符合線性回歸的前提假設，需要對模型進行修正。

圖1 殘差分析圖

3.3 模型的修正

采用加權最小二乘法，經(jīng)過多次迭代，得到較為穩(wěn)定的模型。R2值為0.756，自變量對因變量有較高的解釋程度，模型有較好的效果。加權后模型3 的R2值、方差分析表、系數(shù)及共線性分別如表5、表6 和表7所示。

表5 加權后模型3 的R2 值

表6 加權后模型3 的方差分析表

表7 加權后模型三的系數(shù)及共線性

得到最終模型表示為

式中：Y 為當月銷量；X1為前180 d 的銷量；X2為綜合排序；X3為商品在本頁中的位置。

從解釋程度上看，對當月銷量影響最大的是X1，即前180 d 的銷量，這可以用消費者的從眾心理解釋。個體在群體的影響或壓力下，放棄自己的意見或違背自己的觀點，使自己的言論、行為與群體保持一致的現(xiàn)象，即通常所說的“隨大流”。而從眾行為，一般指群體成員的跟從群體的傾向行為。當網(wǎng)購者發(fā)現(xiàn)自己的意見與大多數(shù)人不一致時，會懷疑自己的判斷，促使其采取與其他網(wǎng)購者一致的行為。但這并不能解釋網(wǎng)購者所有的購買行為，購買行為還受到綜合排序的影響，因為人的惰性，當網(wǎng)購者看到網(wǎng)站推薦給自己的商品滿足其意愿時，不愿意再點擊按銷量排序，從而抵消了銷量排序的影響力。

值得注意的是，綜合排序和商品的銷量呈負相關的關系，即綜合排序越靠后，銷量越低，該結論與常識一致。在綜合排序的同樣頁面中，對于同一個頁面的眾多商品，下面的商品比上面的商品更能吸引消費者采取購買行為。而在同樣頁面中，頁面上半部分的商品比下半部分的銷量更高。此外，商品的展示圖外觀對商品銷量影響不顯著，商品的價格對銷量的影響不顯著。

4 結論及建議

本文采用回歸分析方法，證明了綜合排序對購物者的購買行為有正向的影響，而在同樣頁面中，頁面上半部分的商品比下半部分的銷量更高。學者胡林楓等在眼動實驗中得到的結論：在同頁的商品中，消費者是自上而下瀏覽的，主要把注意力集中在位置靠前的高銷量產品上，而對排序靠后的低銷量產品的關注顯著減少。導致這個現(xiàn)象的原因是：淘寶平臺商品搜索得到的頁面第一排是廣告位，由于對網(wǎng)絡廣告的排斥，導致部分消費者養(yǎng)成了更喜好跳過頂部的廣告商品，而直接看中下部商品的習慣，從而頁面下半部分的商品銷量反而高于頁面上半部分的銷量。

對于價格影響不顯著的原因的理論解釋為：雖然電子商務中，消費者可以利用互聯(lián)網(wǎng)充分了解商品的價格等信息，但由于搜索成本的制約，消費者不會為買一個商品而搜盡所有的商品信息，因此導致排序靠后的商品很難被搜索到，即便降價也很難被消費者關注，這是導致在小樣本中，價格對銷量影響不顯著的一個重要因素。

研究表明，商品的歷史銷量對本月銷量起到了最主要的作用，網(wǎng)購中商品的價格對銷量的影響不顯著。因此，作為淘寶類平臺的網(wǎng)上店鋪，應該把網(wǎng)絡營銷的重點放在綜合排序、歷史銷量以及在頁面中的位置上。