易閩琦，劉洪偉，高鴻銘

（廣東工業(yè)大學(xué) 管理學(xué)院, 廣東 廣州 510520）

隨著線上電商平臺的飛速發(fā)展，顧客選擇商品的能力遠(yuǎn)不及商品種類增加的速度，導(dǎo)致顧客選擇到讓自己滿意的產(chǎn)品非常困難[1]。為更好地滿足客戶需求，電子商務(wù)平臺如亞馬遜、淘寶、京東等都將推薦系統(tǒng)(Recommendation Systems)作為預(yù)測用戶偏好選擇，提升產(chǎn)品銷量的有效工具。其中基于協(xié)同過濾算法(Collaborative Filtering)的推薦系統(tǒng)得以廣泛應(yīng)用，該算法通過挖掘用戶歷史行為數(shù)據(jù)來發(fā)現(xiàn)用戶的偏好，并基于不同的偏好將用戶分類，對相同的用戶群推薦相似的產(chǎn)品。例如，協(xié)同過濾算法會以 “買了產(chǎn)品i的人也買了產(chǎn)品j”的產(chǎn)品共同購買鏈接向用戶進(jìn)行推薦，因此構(gòu)建出一個具有共同購買關(guān)系的產(chǎn)品網(wǎng)絡(luò)。在這個網(wǎng)絡(luò)中，產(chǎn)品(即網(wǎng)絡(luò)節(jié)點)之間具有一定的聯(lián)系(網(wǎng)絡(luò)共同購買關(guān)系)，這便是熟知的共同購買網(wǎng)絡(luò)[1-3]。

在電子交互過程中，通過給用戶推送具有強(qiáng)關(guān)聯(lián)性產(chǎn)品組合的超鏈接，幫助用戶更快地做出購買決策。電子商務(wù)網(wǎng)站上每一個產(chǎn)品都有各自獨特的網(wǎng)絡(luò)位置，這是由它鏈接到的產(chǎn)品或鏈接到其他產(chǎn)品所決定的。電子商務(wù)界面結(jié)構(gòu)由相互鏈接的產(chǎn)品構(gòu)成，產(chǎn)品在網(wǎng)絡(luò)中所處的位置類似于虛擬的貨架位置。因此，在電子商務(wù)界面中，如何基于網(wǎng)絡(luò)口碑的角度處理產(chǎn)品的虛擬貨架的位置規(guī)劃問題頗受信息系統(tǒng)研究者的關(guān)注。例如對于低參與度的產(chǎn)品如服裝，由于共同購買產(chǎn)品推薦網(wǎng)絡(luò)的存在，頁面日均瀏覽量達(dá)到7.5%的增幅，這說明推薦系統(tǒng)在注意力經(jīng)濟(jì)層面提高了用戶的參與度[2]。網(wǎng)絡(luò)中，若焦點產(chǎn)品指向其他替代品或互補(bǔ)品的鏈接數(shù)越多，一方面，將引起焦點產(chǎn)品的銷量減少1.9%。另一方面，替代品或互補(bǔ)品的銷量卻增加9%，整體銷量上升的結(jié)果顯示出，研究電子商務(wù)界面中產(chǎn)品共同購買鏈接具有經(jīng)濟(jì)意義。盡管如此，共購?fù)扑]網(wǎng)絡(luò)也會對銷售的多樣性[1，4-6]造成一定的損害，例如，基于共購網(wǎng)絡(luò)下協(xié)同過濾算法對銷售多樣性的影響結(jié)果表明[4]，與沒有安裝推薦系統(tǒng)的在線零售商相比，安裝協(xié)同過濾算法的顯著降低了銷售多樣性。值得一提的是，從產(chǎn)品鏈接的指向性和產(chǎn)品種類的多樣性來探究其對共購網(wǎng)絡(luò)的影響只是基于內(nèi)生性角度來考慮，忽視了外生性對共同購買關(guān)系造成的影響。本文的目的是加入網(wǎng)絡(luò)口碑視角，主要以銷售量、產(chǎn)品入度、差評率和評論數(shù)角度為主，測量其對產(chǎn)品間形成共同購買鏈接的影響程度。為實現(xiàn)這一目的，本文使用了一家中國綜合網(wǎng)絡(luò)的電子商務(wù)零售商的購買數(shù)據(jù)，主要提供了7類產(chǎn)品，包括服飾、母嬰、數(shù)碼通訊、圖書、食品、家居、電腦類商品。通過構(gòu)建出該零售平臺的共同購買網(wǎng)絡(luò)圖，運用指數(shù)隨機(jī)圖模型估計產(chǎn)品之間受網(wǎng)絡(luò)口碑影響而產(chǎn)生鏈接的概率。

本文創(chuàng)新之處在于，在共同購買網(wǎng)絡(luò)中，管理網(wǎng)絡(luò)口碑是一個較新的話題，從電商平臺從業(yè)人員角度來說，在他們的平臺中戰(zhàn)略性地監(jiān)控和改進(jìn)網(wǎng)絡(luò)口碑，將為平臺帶來很高的銷售潛力。詳盡地，本文為電子商務(wù)平臺管理提供了重要見解，第一，共同購買網(wǎng)絡(luò)中一對產(chǎn)品之間連接與否與網(wǎng)絡(luò)口碑屬性相關(guān)聯(lián)；第二，通過消費者在線網(wǎng)絡(luò)口碑，可以幫助平臺選擇將什么樣的推薦商品信息放置在網(wǎng)站的界面上，以最大限度地提高電商平臺的效益；第三，在共同購買網(wǎng)絡(luò)中，可通過消費者網(wǎng)絡(luò)口碑的一致性或異質(zhì)性對平臺進(jìn)行管理，如從消費者對產(chǎn)品口碑的一致性角度，允許廣告商將他們的產(chǎn)品放置在對方網(wǎng)頁上，以提高產(chǎn)品銷售量。

1 文獻(xiàn)回顧與假設(shè)提出

1.1 文獻(xiàn)回顧

如今，互聯(lián)網(wǎng)為客戶提供了所需的大量信息，由于可獲得的信息數(shù)量龐大，造成信息過載。為了找到心儀的產(chǎn)品，消費者需要花費大量的時間去搜尋和處理產(chǎn)品信息[7]。因此，迎來了電子商務(wù)中最受歡迎的增值服務(wù)——推薦系統(tǒng)。由于評論者之間沒有直接的聯(lián)系，推薦系統(tǒng)作為一個雙向的交流平臺，引入網(wǎng)絡(luò)口碑機(jī)制為消費者提供信息，這樣的信息被認(rèn)為是主觀且獨立的，更具可信度[8]。網(wǎng)絡(luò)口碑定義為消費者在購買某項產(chǎn)品或服務(wù)后所感知到的滿意度[9]，在網(wǎng)絡(luò)平臺中影響其他消費者的購買意愿。網(wǎng)絡(luò)口碑的傳播不僅影響消費者的購買行為，產(chǎn)品供應(yīng)商也可以通過監(jiān)督、管理和激勵積極的口碑來提高銷售量[9-10]。對于本文，更狹義地將網(wǎng)絡(luò)口碑定義為在線口碑評論(即數(shù)字評級和文本評論，反映消費者對產(chǎn)品的意見)。在線消費者評論作為在線口碑的一種，消費者評論對產(chǎn)品銷售變得非常重要，當(dāng)評論的數(shù)量變得越來越多時，產(chǎn)品受歡迎信號增強(qiáng)的正面影響，將抵消一部分來自消費者受評論信息過載帶來的負(fù)面影響[11]。在線口碑?dāng)?shù)量的增加會導(dǎo)致消費者購買意愿的提高。同時，在線口碑評論中口碑偏向也對產(chǎn)品的銷量有一定的影響?？诒蛑笇ι唐返脑u價，既可能是積極的，也可能是消極的。積極正面的評論更易鼓舞消費者，對消費者的決策產(chǎn)生積極影響。相反，低評分口碑則會削弱消費者的購買意愿[12]。研究負(fù)面網(wǎng)絡(luò)口碑對消費者的推薦影響時，認(rèn)為當(dāng)發(fā)生負(fù)面評分事件時，會降低消費者向其他人推薦的意愿[13]。

就推薦系統(tǒng)的優(yōu)化設(shè)計而言，有研究表明，推薦系統(tǒng)作用于不同類型的產(chǎn)品網(wǎng)絡(luò)時會產(chǎn)生不同的影響，其中對于“互補(bǔ)性”產(chǎn)品網(wǎng)絡(luò)來說，推薦系統(tǒng)會使產(chǎn)品的評級具有異質(zhì)性[7]。對比一般推薦系統(tǒng)而言，基于商品購買關(guān)系網(wǎng)絡(luò)的推薦多樣性在一定程度上改善了由推薦系統(tǒng)造成的長尾機(jī)制問題，能夠精準(zhǔn)地為消費者進(jìn)行商品推薦[14]。最近的研究也顯示出，對協(xié)購網(wǎng)絡(luò)進(jìn)行分析可幫助消費者發(fā)現(xiàn)新產(chǎn)品[4]。Oestricher[15]的研究表明，圖書之間的共同購買鏈接的可見性顯著增加了他們銷售的相關(guān)性。Lin等[16]也進(jìn)一步從網(wǎng)絡(luò)多樣性和網(wǎng)絡(luò)穩(wěn)定性的角度考察了產(chǎn)品網(wǎng)絡(luò)屬性對產(chǎn)品需求的影響。文獻(xiàn)[17]研究表明，兩個產(chǎn)品之間存在鏈接導(dǎo)致鏈接產(chǎn)品對的評級趨同。研究人對人的推薦網(wǎng)絡(luò)時，用“買產(chǎn)品i的人同時購買產(chǎn)品j”的協(xié)作過濾作建議[18]，打破傳統(tǒng)宣傳廣告的方式，使得營銷更具針對性。然而對推薦鏈接的經(jīng)濟(jì)價值的估計，以及它是如何根據(jù)將網(wǎng)絡(luò)口碑結(jié)合在產(chǎn)品網(wǎng)絡(luò)中的研究甚少。因此，本文以共同購買產(chǎn)品網(wǎng)絡(luò)作為研究，其中共同購買產(chǎn)品網(wǎng)絡(luò)中的節(jié)點被定義為發(fā)生購買的產(chǎn)品網(wǎng)絡(luò)，邊緣是由推薦系統(tǒng)生成的產(chǎn)品之間購買的超鏈接[19]。網(wǎng)絡(luò)口碑對共同購買網(wǎng)絡(luò)中的產(chǎn)品影響不盡相同，在評估共同購買網(wǎng)絡(luò)中共同購買關(guān)系的經(jīng)濟(jì)效應(yīng)還未具體應(yīng)用到每一個產(chǎn)品上。特定產(chǎn)品(例如熱門產(chǎn)品指向利基產(chǎn)品)的定向共同購買鏈接的具體經(jīng)濟(jì)價值可能有所差異[19]。因此本文具體從銷售量、產(chǎn)品入度、差評率和評論數(shù)角度，研究其對共同購買產(chǎn)品網(wǎng)絡(luò)中超鏈接形成的影響。

1.2 假設(shè)提出

1) 銷售量對共同購買鏈接的影響

銷售量被用來評估產(chǎn)品銷量的好壞程度，隨著商品種類的日益增多和商品搜索的時間成本增加，銷售排名系統(tǒng)受到消費者的一致好評，因為銷售排名系統(tǒng)不僅可用來衡量商品好壞[20]，通常也可作為影響消費者購買意愿的因素之一。銷售排名系統(tǒng)的作用機(jī)制是將產(chǎn)品質(zhì)量與排名結(jié)合，將他們認(rèn)為與消費者購買行為最相關(guān)的產(chǎn)品放在推薦的前面，幫助消費者可以快速匹配到自己需要的產(chǎn)品[19]。如今，消費者越來越依賴于銷售排名系統(tǒng)，排名靠前的產(chǎn)品能夠更吸引顧客，同時，高銷售量的產(chǎn)品也會使產(chǎn)品的出現(xiàn)率變高，讓更多的人了解到該產(chǎn)品，并在一定程度上提高該產(chǎn)品購買率。因此提出假設(shè)H1：銷售量越高的商品對共同購買鏈接的形成起促進(jìn)作用。

2) 產(chǎn)品入度對共同購買網(wǎng)絡(luò)的影響

基于指數(shù)隨機(jī)圖模型(Exponential Random Graph Model，ERGM)理論，引入兩個相關(guān)概念：受歡迎度與活躍度，兩者的概念分別代表了網(wǎng)絡(luò)圖中入度和出度的集中化趨勢。從產(chǎn)品入度的角度來研究并非無稽之談，Xu等[19]在品牌網(wǎng)絡(luò)的研究中，證實了入度高的品牌將獲得更高的歡迎度(入度高的品牌更受歡迎)。一方面證明了“富者越富”的現(xiàn)象在社交網(wǎng)絡(luò)中常有出現(xiàn)[19]；另一方面根據(jù)商品搜索引擎規(guī)則來看，越受歡迎的產(chǎn)品會位于消費者瀏覽界面的前面，隨著在大眾眼中的熟悉度增加，帶來更多的潛在顧客，從而提高銷售量。因此在共同購買網(wǎng)絡(luò)中提出假設(shè)H2：入度越高的商品對共同購買鏈接的形成起促進(jìn)作用。

3) 差評率(負(fù)面評論數(shù)占比)對共同購買網(wǎng)絡(luò)的影響

高達(dá)一半以上的消費者信任并依賴于在線產(chǎn)品評論[21]。有學(xué)者從計量經(jīng)濟(jì)學(xué)角度，針對分析電影評論對票房數(shù)的影響，得知評論量與銷售高峰有很強(qiáng)的相關(guān)性[22]；此外，研究它們之間具體關(guān)系時，發(fā)現(xiàn)評論的數(shù)量與銷售量呈正相關(guān)，并且相比正面積極的評論數(shù)，負(fù)面的評論數(shù)更有參考意義[13]。因此，從負(fù)面評論數(shù)數(shù)量的角度分析，它是推薦系統(tǒng)中重要影響因素之一，差評率更加容易對消費者購買造成影響，即差評率減少共同購買。因此，在共同網(wǎng)絡(luò)中提出假設(shè)H3: 差評率(負(fù)面評論數(shù)占比)越高的產(chǎn)品對共同購買鏈接的形成起消極作用。

4) 同質(zhì)性對共同購買網(wǎng)絡(luò)的影響

Pezzuti等[23-24]將同質(zhì)性定義為個體與他人的相似性，在電商交互中，人們會因為相同的興趣而增加聯(lián)系，在沒有面對面互動的情況下，針對消費者如何對在線評論信息產(chǎn)生信任或為何會參考陌生人對產(chǎn)品的評價這一問題，可以通過彼此對商品的評價內(nèi)容進(jìn)行推斷，尋找到與自己想法相似的人。網(wǎng)絡(luò)中節(jié)點的屬性之間存在一定的相似性[23]，基于同質(zhì)性理論，會導(dǎo)致節(jié)點之間的聯(lián)系更加緊密。在研究品牌網(wǎng)絡(luò)中，Xu等[19]發(fā)現(xiàn)具有相同特征的品牌會因為同質(zhì)作用而相互鏈接。評論內(nèi)容一般包含了對商品質(zhì)量和使用感的評論，有些還會對商品進(jìn)行等級評分，基于同質(zhì)性理論，推斷消費者更傾向于選擇與自己購買過的產(chǎn)品評論相似的產(chǎn)品，并進(jìn)行購買。本文假設(shè)評論數(shù)量一致的商品更易被共同購買，即評論數(shù)量同質(zhì)性偏好是存在的，因此提出假設(shè)H4：評論數(shù)一致的商品對共同購買鏈接的形成起促進(jìn)作用。

2 研究設(shè)計

2.1 數(shù)據(jù)處理

本文的數(shù)據(jù)來自一家中國綜合網(wǎng)絡(luò)的電子商務(wù)零售商，主要提供了7類產(chǎn)品，包括服飾、母嬰、數(shù)碼通訊、圖書、食品、家居、電腦類商品。本文所用數(shù)據(jù)集來自該平臺2016年3月份6 759 711名用戶的日志數(shù)據(jù)，共產(chǎn)生19 233次購買。刪除數(shù)據(jù)集中重復(fù)購買產(chǎn)品(僅購買產(chǎn)品i)的信息，其中共同購買(購買產(chǎn)品i的同時購買產(chǎn)品j)次數(shù)為7 091次，共同購買表示為交易數(shù)據(jù)中的73.738%(7 091×2/19 233)。共同購買網(wǎng)絡(luò)中，含有1 825個產(chǎn)品(節(jié)點)和5 731條邊(即，消費者重復(fù)購買了其中的部分產(chǎn)品對)。

從表1可以看到，該共同購買網(wǎng)絡(luò)中產(chǎn)品類別為7類，在第1到第6類的產(chǎn)品數(shù)目趨向均勻分布，但第7類的產(chǎn)品數(shù)量要遠(yuǎn)小于其他品類，尤其是第7類只含31個產(chǎn)品被共同購買。這說明了盡管以共同購買數(shù)據(jù)為基礎(chǔ)的協(xié)同過濾算法能體現(xiàn)消費者之間偏好的相似性假設(shè)，但仍可能存在某些隨機(jī)的共同購買關(guān)系，指明檢驗共同購買網(wǎng)絡(luò)中共同購買鏈接存在價值的重要性。

表1 共同購買網(wǎng)絡(luò)中產(chǎn)品類別統(tǒng)計表Table 1 Statistics of product categories in the co-purchase network

2.2 研究方法

ERGM模型是一種依賴網(wǎng)絡(luò)數(shù)據(jù)來擬合真實網(wǎng)絡(luò)結(jié)構(gòu)的統(tǒng)計方法，被廣泛應(yīng)用于各種網(wǎng)絡(luò)中，例如腦網(wǎng)絡(luò)、疾病網(wǎng)絡(luò)和氣候變化網(wǎng)絡(luò)。近年來，ERGM中的“社會選擇”模型引起了不少研究者的關(guān)注，自變量和解釋變量分別是網(wǎng)絡(luò)中節(jié)點屬性和關(guān)系屬性[25]。本文試圖解釋的是參與者之間關(guān)系的形成，將這種關(guān)系作為因變量。在這類模型中，主要測試節(jié)點或關(guān)系屬性是否會形成網(wǎng)絡(luò)關(guān)系。例如，研究生產(chǎn)商的屬性是否會促進(jìn)協(xié)作網(wǎng)絡(luò)發(fā)生時，發(fā)現(xiàn)關(guān)聯(lián)越緊密的生產(chǎn)商之間越傾向于合作[26]。ERGM也被證實可有效識別社交網(wǎng)絡(luò)中的結(jié)構(gòu)特性，在電子商務(wù)中，消費者也在電商平臺中通過評分或留言產(chǎn)生交互。本文通過對產(chǎn)品節(jié)點特征來了解共同購買網(wǎng)絡(luò)的形成，包括：產(chǎn)品銷售量、產(chǎn)品入度(Indegree)、差評率和產(chǎn)品評論數(shù)。

ERGM模型是概率模型，核心是將網(wǎng)絡(luò)中的Y視為隨機(jī)變量，構(gòu)建基于節(jié)點屬性關(guān)系和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的隨機(jī)圖概率如下所示。

式(1)中：Y表示共同購買網(wǎng)絡(luò)的鄰接矩陣。其中θ ∈Ω ∈Rq代表系數(shù)矩陣θ 的 向量；g(y,X)是基于鄰接矩陣y加入?yún)f(xié)變量信息X后的統(tǒng)計q向量；k(θ,y)確保概率始終保持在0到1之間；y即 節(jié)點數(shù)n，是式(1)中一個重要但經(jīng)常被忽視的方面，n固 定時，y最多可包含N=2n(n-1)個 網(wǎng)絡(luò)。由式(2)可知，即便n可能是不太大，也會使k(θ,y)計 算起來非常復(fù)雜。式(3)中y+ij和y-ij分別表示1和0； δg(y)ij用來表述當(dāng)yij從0變1的差值。就變化的統(tǒng)計項而言,Yij可被伯努利方程表示，如式(4)所示，其中l(wèi)ogit函數(shù)被定義為logit(p)=ln[p/(1-p)]，Yic j代表網(wǎng)絡(luò)中除Yij的部分，當(dāng)網(wǎng)絡(luò)統(tǒng)計涉及協(xié)變量X時，將δg(y)ij變成δg(y,X)ij。

3 實證分析

3.1 網(wǎng)絡(luò)構(gòu)建與節(jié)點統(tǒng)計指標(biāo)

3.1.1 共同購買產(chǎn)品網(wǎng)絡(luò)圖

圖1顯示了基于網(wǎng)絡(luò)口碑的共同購買網(wǎng)絡(luò)圖，主要以評論數(shù)為屬性進(jìn)行分析。發(fā)生共同購買關(guān)系的數(shù)量由整個網(wǎng)絡(luò)的外部向內(nèi)部呈正趨勢增加。內(nèi)部黑點(即超過50條評論的產(chǎn)品)占比達(dá)到80%以上，可知評論數(shù)越高的產(chǎn)品相互之間更易發(fā)生共同購買關(guān)系。盡管如此，外部聯(lián)通量中超過50條評論的產(chǎn)品也與低評論數(shù)(0到50條)的產(chǎn)品產(chǎn)生1或2次共同購買關(guān)系，反映了擁有高評論數(shù)和低評論數(shù)的產(chǎn)品之間也會發(fā)生共同購買關(guān)系。因此從網(wǎng)絡(luò)口碑角度研究共同購買鏈接的存在是否有意義至關(guān)重要。

圖1 共同購買產(chǎn)品網(wǎng)絡(luò)圖Fig.1 Network of co-purchased products

3.1.2 節(jié)點統(tǒng)計指標(biāo)

定義1共同購買網(wǎng)絡(luò)產(chǎn)品集N

設(shè)共同購買網(wǎng)絡(luò)中產(chǎn)品為ni， 產(chǎn)品總數(shù)為n，產(chǎn)品集N由網(wǎng)絡(luò)中的所有產(chǎn)品累計，由式(5)得出

定義2產(chǎn)生共同購買關(guān)系的邊集V1

設(shè)發(fā)生共同購買關(guān)系的產(chǎn)品ni和產(chǎn)品nj的邊為e(ni,nj) ， 其中i與j不相等，邊集E由網(wǎng)絡(luò)中的所有邊累計，由式(6)得出

定義3共同購買網(wǎng)絡(luò)中銷售量V2

V2被定義為在網(wǎng)絡(luò)中產(chǎn)品被累計購買的次數(shù)，由式(7)得出

定義4共同購買網(wǎng)絡(luò)中產(chǎn)品入度V3

設(shè)產(chǎn)品ni對產(chǎn)品nj的指向 性(ni→nj) 為入度V3，其中，設(shè)V3end(ne) 為網(wǎng)絡(luò)中任意一產(chǎn)品ni指向ne的邊，由式(8)得出。V3(ni→nj) 為 統(tǒng)計網(wǎng)絡(luò)中符合產(chǎn)品ne等于nj的邊的累積量，由式(9)得出。

定義5共同購買網(wǎng)絡(luò)中差評率V4

設(shè)網(wǎng)絡(luò)中產(chǎn)品ni的評論數(shù)為C(ni)，V4(ni)被定義為網(wǎng)絡(luò)中產(chǎn)品ni的負(fù)面評論數(shù)R(ni)對該產(chǎn)品評論數(shù)C(ni)的占比，由式(10)得出

定義6共同購買網(wǎng)絡(luò)中評論數(shù)

V5、V6、V7、V8被 定義為產(chǎn)品ni被累計評論的次數(shù)，由式(11)得出

3.2 非模型分析

圖2、表2和表3給出了基于影響網(wǎng)絡(luò)口碑因素的數(shù)據(jù)非模型證據(jù)分析(其中，密度為產(chǎn)品出現(xiàn)的次數(shù))。首先從產(chǎn)品銷量分析，從表2可知，最低銷售量為5件，最大銷售量卻高達(dá)1 250件，說明產(chǎn)品對不同消費者在購買時產(chǎn)生的偏好誘導(dǎo)性有所差異。在整個銷售期間，銷售量均值為48.3件，25%分位數(shù)為10件，75%分位數(shù)為50件。結(jié)合圖2(a)，可知所有1 825個產(chǎn)品的銷量主要集中在5～50件之間，占比高達(dá)75%以上，而銷量大于50件的產(chǎn)品數(shù)量不到25%。本文將銷量額大于50件(產(chǎn)品銷量的75%分位值)的產(chǎn)品定義為高銷售量產(chǎn)品，銷售量越高的產(chǎn)品在共同購買網(wǎng)絡(luò)中出現(xiàn)的密度越高，因此銷售量可作為影響共同購買網(wǎng)絡(luò)形成的因素之一。

圖2 基于網(wǎng)絡(luò)口碑因素統(tǒng)計量Fig.2 Statistics based on internet word of mouth

表2 連續(xù)型變量描述性統(tǒng)計Table 2 Descriptive statistics of continuous variables

表3 離散型變量描述性統(tǒng)計Table 3 Descriptive statistics of discrete variables

本文分析的另一個因變量是產(chǎn)品入度(Indegree)，它用于判斷在購買決策中產(chǎn)品的受歡迎程度。如圖2(b)所示，該變量與銷售量的分布是類似的，兩者都呈現(xiàn)偏鋒，密度由高逐漸走向低。由表2數(shù)據(jù)可知，產(chǎn)品平均入度為3.88，75%分位數(shù)為3，略低于均值，說明在75%分位數(shù)后產(chǎn)品入度遠(yuǎn)大于3，其中最大高達(dá)185。因此，將入度為3以上的產(chǎn)品定義為高入度產(chǎn)品。

除以上兩者從積極角度分析對共購網(wǎng)絡(luò)的影響，為使分析更具全面和客觀性，引入差評率，一般差評率取值范圍為[0,1]。而由表2數(shù)據(jù)得到，共同購買網(wǎng)絡(luò)中產(chǎn)品差評率取值為[0, 0.5], 整體差評率低于50%。由此可推斷，消費者對產(chǎn)品進(jìn)行共同購買時，更傾向于采納產(chǎn)品評論信息，不會購買超過50%差評率的產(chǎn)品。差評率均值為0.03，75%分位數(shù)為0.04，由圖2(c)可觀察到差評率大于0.04的產(chǎn)品極少與其他產(chǎn)品進(jìn)行共同購買。因此，將0.04作為低差評率與高差評率的分界值。

為了使分析更具區(qū)分性，將產(chǎn)品銷量、受歡迎程度、差評率這3個連續(xù)變量離散為二元變量，將高銷售量、高受歡迎程度、高差評率分別定義為1，其余賦值為0。產(chǎn)品評論通常被作為消費者根據(jù)自己的想法對已購買產(chǎn)品進(jìn)行衡量的指標(biāo)?？紤]到不同的產(chǎn)品，消費者的評論也不盡相同，由圖2(d)知，在1 825個產(chǎn)品中，其中擁有評論數(shù)50條以上的商品占整體的80%以上，因此將評論數(shù)超過50條的產(chǎn)品標(biāo)記為具有高評論數(shù)。同時該數(shù)據(jù)表明大多數(shù)消費者傾向于分享對產(chǎn)品使用的感受，評論數(shù)也在一定程度上對消費者的購買決策有影響。為了更好地說明ERGM如何應(yīng)用于假設(shè)的評估，對假設(shè)和相應(yīng)的屬性賦值如表4所示。

表4 屬性賦值說明Table 4 Description of attribute assignment

3.3 模型構(gòu)建

為更好地說明ERGM是如何應(yīng)用于本文的假設(shè)中，對模型的統(tǒng)計項進(jìn)行了具體說明，如表5所示。

表5 模型統(tǒng)計項說明Table 5 Description of model statistics

基于表5模型統(tǒng)計項說明，共同購買網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)邊緣項和節(jié)點屬性中包括產(chǎn)品銷售量、產(chǎn)品入度(Indegree)、差評率和產(chǎn)品評論數(shù)。以伯努利模型作為建立模型的開始，構(gòu)建零模型P0，如式(12)所示。

式(12)中：θ1(V1)為邊參數(shù)。

伯努利隨機(jī)圖模型不能很好地展現(xiàn)出共同購買網(wǎng)絡(luò)的結(jié)構(gòu)特征，作為一條基準(zhǔn)線，它預(yù)設(shè)的節(jié)點是隨機(jī)的，并不考慮節(jié)點屬性對節(jié)點的影響，因此考慮其他更復(fù)雜的模型來展現(xiàn)共同購買網(wǎng)絡(luò)P。根據(jù)混合矩陣初步分析，逐次加入節(jié)點屬性：產(chǎn)品銷售量、入度(Indegree)、差評率、和產(chǎn)品評論數(shù)，分別構(gòu)建模型P1，P2，P3，P4，P5，P6，P7。其中，產(chǎn)品銷售量、產(chǎn)品入度和差評率用nodecov函數(shù)計算，而選擇產(chǎn)品評論數(shù)作為同質(zhì)性變量，用nodematch函數(shù)進(jìn)行計算，如式(13)～(20)所示。

3.4 結(jié)果分析

為進(jìn)一步量化驗證本研究假設(shè)，借助R語言中的ERGM程序包，采用馬爾科夫鏈蒙特卡羅估計法對它們進(jìn)行參數(shù)估計，模型的參數(shù)估計如表6所示。

模型1中產(chǎn)品鏈接(邊項)僅作為估計發(fā)生共同購買關(guān)系的連線數(shù)量，對數(shù)系數(shù)為-7.95，說明建立共同購買網(wǎng)絡(luò)的概率在50%以下。表中所有模型都收斂良好，沒有出現(xiàn)模型退化問題，隨著模型1到模型4，AIC和BIC的數(shù)值逐漸變小(越小越好)，表明包含所有變量的模型(模型4)是最好的。模型4顯示了高銷量、高入度和評論數(shù)的同質(zhì)性對產(chǎn)生共同購買鏈接的影響在符號上是一致的。結(jié)果表明，這3個節(jié)點屬性帶來的作用均是正且顯著的，然而，高差評率產(chǎn)品則對削弱共同購買鏈接的形成具有顯著影響，且節(jié)點屬性對鏈接的形成結(jié)果具有穩(wěn)健性。觀察表6中的模型1可知，高銷量產(chǎn)品的對數(shù)系數(shù)為正且統(tǒng)計檢驗顯著，系數(shù)為1 .68(p＜0.01)，達(dá)到exp(1.68)/(1+exp(1.68))=0.84，在共同購買鏈接的形成上具有積極影響，且在鏈接形成的貢獻(xiàn)率達(dá)到84%。與低銷量產(chǎn)品相比，擁有高銷量的產(chǎn)品在共同購買網(wǎng)絡(luò)中聯(lián)系得更加緊密，因此支持假設(shè)1。

表6 共同購買網(wǎng)絡(luò)中參數(shù)估計結(jié)果1)Table 6 Estimation results of parameters in co-purchase network

模型2與假設(shè)2預(yù)期的結(jié)果一致，高入度的對數(shù)系數(shù)為1.01(p＜0.01)，它對鏈接的貢獻(xiàn)率提升exp(1.01)/(1+exp(1.01))=0.73，在共同購買網(wǎng)絡(luò)中入度對不同產(chǎn)品類別中發(fā)生共同購買概率的影響顯著。例如受歡迎程度高的母嬰類產(chǎn)品與入度高的產(chǎn)品產(chǎn)生共同購買鏈接的概率，是低入度產(chǎn)品的3倍，因此入度高的產(chǎn)品更易發(fā)生共同購買。

與之相反，模型3中產(chǎn)品高差評率對共同購買鏈接的形成具有消極意義，且阻礙其發(fā)生共同購買的能力強(qiáng)。高差評率的對數(shù)系數(shù)為 - 0.16(p＜0.01)，對共同購買網(wǎng)絡(luò)中鏈接形成的貢獻(xiàn)率降低了exp(-0.16)/(1+exp(-0.16))=0.46，數(shù)據(jù)顯示了負(fù)面評論數(shù)占比較高的商品之間不太可能構(gòu)成共同購買關(guān)系。因此，顧客不可能同時購買到兩件差評率高的產(chǎn)品，驗證了假設(shè)3。

將結(jié)構(gòu)性變量和外生協(xié)變量統(tǒng)一在一起形成模型 4，使得各個變量的統(tǒng)計檢驗都比較顯著。其中，共同購買網(wǎng)絡(luò)中高銷量產(chǎn)品的貢獻(xiàn)率提升exp(1.06)/(1+exp(1.06))=0.74，高入度產(chǎn)品的貢獻(xiàn)率提升exp(0.97)/(1+exp(0.97))=0.73，差評率高的產(chǎn)品對共同購買網(wǎng)絡(luò)的貢獻(xiàn)率降低exp(-0.17)/(1+exp(-0.17))=0.46。在同質(zhì)性分類變量中，對產(chǎn)品評論數(shù)進(jìn)行更詳細(xì)的分析顯示，無評論數(shù)產(chǎn)品和有評論數(shù)產(chǎn)品的同質(zhì)性呈正趨勢，換句話說，無評論的產(chǎn)品更可能與其他無評論的產(chǎn)品建立共同購買關(guān)系，有評論數(shù)的產(chǎn)品之間也更有可能相互鏈接。在有評論數(shù)的產(chǎn)品類別中，擁有1～10條評論數(shù)的產(chǎn)品，對邊的貢獻(xiàn)率分別提升了 exp(1.24)/(1+exp(1.24))=0.77。擁有11～50條評論數(shù)產(chǎn)品和超50條評論數(shù)產(chǎn)品的對數(shù)系數(shù)分別為1 .07(p＜0.05)，0 .45(p＜0.01)，這對共購鏈接形成的貢獻(xiàn)率分別為exp(1.07)/(1+exp(1.07))=0.74和exp(0.45)/(1+exp(0.45))=0.61。其中1～10條評論數(shù)產(chǎn)品的對數(shù)概率比11～50條評論數(shù)產(chǎn)品高0.79，這意味著就比率而言，具有1～10條評論數(shù)的產(chǎn)品發(fā)生共同購買的可能性比擁有11～50條評論數(shù)的產(chǎn)品高16%。這表明，否認(rèn)傳統(tǒng)認(rèn)為擁有越高評論數(shù)的產(chǎn)品越吸引顧客購買的觀念，在共同購買網(wǎng)絡(luò)中消費者不僅關(guān)注于產(chǎn)品的評論數(shù)量，更專注于與自己觀點相似的產(chǎn)品，因此評論數(shù)一致的產(chǎn)品相比于只擁有大量評論數(shù)的產(chǎn)品，更可能發(fā)生共同購買關(guān)系，假設(shè)4成立。

4 總結(jié)與啟示

本文探討了電子商務(wù)平臺中共同購買網(wǎng)絡(luò)的形成機(jī)制，利用網(wǎng)絡(luò)口碑理論，提出了一個基于理論的統(tǒng)計模型(指數(shù)隨機(jī)圖模型)，對中國一家綜合的電子商務(wù)零售商真實點擊流數(shù)據(jù)集形成的共同購買網(wǎng)絡(luò)進(jìn)行建模。為了更全面地分析，指數(shù)隨機(jī)圖模型考慮了個體屬性和網(wǎng)絡(luò)特征。研究結(jié)果表明：(1) 銷售量、入度和評論數(shù)對形成共同購買網(wǎng)絡(luò)中共同購買鏈接的產(chǎn)生有促進(jìn)作用。(2) 在共同購買網(wǎng)絡(luò)中，消費者不太可能購買差評率高的產(chǎn)品。擬合優(yōu)度結(jié)果表明，該模型能很好地擬合觀測到的網(wǎng)絡(luò)數(shù)據(jù)。本文結(jié)果對網(wǎng)絡(luò)口碑在產(chǎn)品網(wǎng)絡(luò)的文獻(xiàn)中做出了有效補(bǔ)充，為進(jìn)一步研究如何提高電商平臺中共同購買提供了有益啟示，從網(wǎng)絡(luò)口碑視角形成的共同購買網(wǎng)絡(luò)，填補(bǔ)了僅基于網(wǎng)絡(luò)內(nèi)生性對購買進(jìn)行研究的空白；可以幫助管理人員更好更有效地實施交叉銷售和精確營銷，以便將來研究更智能的推薦系統(tǒng)以及信息系統(tǒng)(Information System, IS)和營銷領(lǐng)域的其他重要問題。

本文對在線電商平臺改進(jìn)網(wǎng)絡(luò)口碑推薦系統(tǒng)的使用有重要的管理意義。對于在線電商平臺，其平臺的口碑可以被戰(zhàn)略性地監(jiān)控和改進(jìn)。通過檢測網(wǎng)絡(luò)口碑性質(zhì)，判斷哪類性質(zhì)的產(chǎn)品之間更易產(chǎn)生推薦鏈接。因此，通過將本研究的結(jié)果應(yīng)用于推薦系統(tǒng)的設(shè)計和開發(fā)，電子商務(wù)平臺可以提高其推薦系統(tǒng)的效率。此外，一些平臺，例如亞馬遜，允許廣告商將他們的產(chǎn)品放置在其他產(chǎn)品的網(wǎng)頁上，以促進(jìn)銷售。在這種情況下，消費者和在線電商平臺都可以通過關(guān)注商品的網(wǎng)絡(luò)口碑，將共同購買網(wǎng)絡(luò)中的產(chǎn)品聯(lián)系起來。幫助電商平臺從業(yè)人員，正確管理產(chǎn)品網(wǎng)絡(luò)中的位置，并在特定產(chǎn)品上建立鏈接，可能會提高產(chǎn)品銷量和消費者的購買，使其利益最大化。

本文研究的主要局限如下：第一，電子商務(wù)平臺中存在不同的社交網(wǎng)絡(luò)，然而本文只關(guān)注電子商務(wù)平臺中共同購買網(wǎng)絡(luò)。必須將分析擴(kuò)展到更一般的社交網(wǎng)絡(luò)，如商業(yè)社區(qū)。第二，由于數(shù)據(jù)的限制，本文只考察了在線社交媒體上的購買網(wǎng)絡(luò)，忽略了其他類型的社交鏈接，如競爭、合作等機(jī)制；同時，由于消費者的購物具有時序依賴性，只研究消費者在一個月內(nèi)的購買行為數(shù)據(jù)，仍停留在靜態(tài)層面進(jìn)行分析，難以對產(chǎn)品的動態(tài)發(fā)展趨勢進(jìn)行解釋，之后可以考慮不同時期產(chǎn)品的購買數(shù)據(jù)，能夠更完善地體現(xiàn)出共同購買的動態(tài)變化。第三，在研究共同購買網(wǎng)絡(luò)形成的鏈接因素中，還存在著其他主觀影響因素，例如商品價格、消費者偏好、平臺促銷活動等。本文尚未將主觀影響因素納入文中分析，具有一定的局限性。最后，本文以產(chǎn)品共同購買網(wǎng)絡(luò)作為研究對象，探究網(wǎng)絡(luò)口碑對共同購買鏈接形成的經(jīng)濟(jì)影響，缺乏自然實驗(Natural Experiment)進(jìn)行佐證，之后的研究中可加入自然實驗驗證評論有效性對共同購買鏈接形成的影響。