郭愷強(qiáng)

（1．井岡山大學(xué)商學(xué)院，江西 吉安 343009；2．同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092）

根 據(jù)Deloitte＇s Consumer Products Group的調(diào)查顯示，有67%的網(wǎng)民會瀏覽在線口碑，其中82%的人認(rèn)為在線口碑直接影響了他們的購買決策。在線口碑逐步成為消費(fèi)者在選擇與購買過程中的重要信息源，在線口碑也因此引起大量學(xué)者的關(guān)注。以電影行業(yè)為例，Dellarocas等采用修改的Bass Diffusion模型，利用在線口碑預(yù)測電影票房收入，結(jié)果表明，早期的在線口碑可以產(chǎn)生準(zhǔn)確的票房預(yù)測[1]（P23－45）。 Liu采用回歸法驗(yàn)證了在線口碑和電影銷售的關(guān)系，并發(fā)現(xiàn)在線口碑分值和電影票房并不顯著相關(guān)，但是口碑?dāng)?shù)量卻對電影票房顯著正向影響[2]（P74－89）。 同時Duan等認(rèn)為在線口碑和電影票房存在相互影響關(guān)系，把在線口碑和電影票房作為內(nèi)生變量，通過建立聯(lián)立方程發(fā)現(xiàn)，在線口碑分值并沒有明顯地影響票房收入，然而在線口碑?dāng)?shù)量則明顯影響票房收入[3]（P1007－1016）。 郝媛媛等以電影行業(yè)為背景，基于面板數(shù)據(jù)環(huán)境，研究了不同情感傾向的影評是否影響電影票房收入以及在電影發(fā)布后的什么階段存在影響，并進(jìn)一步比較了各情感等級的評論影響效應(yīng)的差異性。分析結(jié)果表明，僅在電影發(fā)布后第3周，在線影評的情感傾向?qū)﹄娪捌狈渴杖氪嬖陲@著影響，且這種影響超過在線影評數(shù)量的影響，口碑的勸說功能發(fā)揮主要作用；極端好評（5星評論）的正向影響大于極端差評（1星評論）的負(fù)向影響，而中評（2－4星評論）沒有顯著影響[4]（P95－103）。

綜上所述，大量研究證實(shí)，在線口碑對產(chǎn)品銷量有顯著影響。但是在線口碑對商家行為的影響卻沒有得到太多關(guān)注。歸其原因，主要是因?yàn)樯碳倚袨殡y以測量，如：產(chǎn)品定價、促銷方式、產(chǎn)品質(zhì)量改進(jìn)等。幸運(yùn)的是，在電影行業(yè)中，電影上映場次的數(shù)據(jù)是公開的，由于電影上映場次是電影院根據(jù)預(yù)期的市場需求進(jìn)行每周調(diào)整的。因此，我們可以把電影上映場次作為商家行為的測量指標(biāo)。選擇電影行業(yè)還有另外兩個優(yōu)勢，第一，相比于其它產(chǎn)品（如書籍、音樂）只公開銷售排名，電影的票房收入也是完全公開的，因此可大幅提高我們的測量準(zhǔn)確度。第二，口碑對電影票房的影響已經(jīng)被廣泛認(rèn)同。Rosen證實(shí)，53%的電影觀眾根據(jù)來自其他觀眾的信息判斷電影的好壞[5]（P22－29）。

基于以上討論，本文以電影行業(yè)為背景，研究在線口碑對商家行為的影響。另外，鑒于在線口碑包括用戶口碑和專家口碑兩種類型，兩種口碑是否對商家行為有相同的影響，也是本文研究的內(nèi)容之一。

一、研究假設(shè)

研究表明，電影票房收入存在自相關(guān)性，即前期的票房收入對后續(xù)的票房收入有影響，另外電影前期的票房收入也反映電影的市場需求，因此，電影院主要是根據(jù)電影前期在市場上的表現(xiàn)，來預(yù)測本周市場對此電影的需求，從而安排相應(yīng)的電影場次[6]（P1493－1514）[7]（P329－354）。 因此，本文提出以下假設(shè)：

H1：電影票房收入正向影響電影上映場次。

眾所周知，電影院主要是通過預(yù)測電影未來的市場需求來提前安排電影的上映場次，而市場需求又是消費(fèi)者購買行為的匯總反映。因此，凡是會影響消費(fèi)者購買行為的因素，都可能會被影院用來對未來市場需求的預(yù)測。

圖1 在線口碑影響消費(fèi)者購買行為的路徑

Liu提出在線口碑影響消費(fèi)者購買行為的路徑主要有兩條。如圖1所示，首先，意識效應(yīng)。消費(fèi)者對產(chǎn)品知曉是消費(fèi)者確定購買的第一步。顯然，產(chǎn)品擁有知曉度越高，則銷量越多。而在線口碑?dāng)?shù)量反映了市場對產(chǎn)品的知曉度，同時通過口碑的擴(kuò)散，促使更多消費(fèi)者了解產(chǎn)品[2]（P74－89）。另外，Sorensen和Rasmussen通過對紐約時報(bào)的銷量分析，發(fā)現(xiàn)消費(fèi)者對產(chǎn)品的知曉度是影響銷量的重要因素之一，評論越多則消費(fèi)者意識到產(chǎn)品的概率越高，甚至是負(fù)面評論都會增加銷量[8]。Karniouchina也指出關(guān)于電影的談?wù)摂?shù)量，甚至是負(fù)面的流言蜚語，也會正向影響電影的市場需求[9]（P62－74）。 其次，誘導(dǎo)效應(yīng)。 口碑可以通過改變消費(fèi)者對產(chǎn)品的態(tài)度而改變消費(fèi)者購買行為，即正面的意見鼓勵消費(fèi)者購買此產(chǎn)品，而負(fù)面的意見則阻礙消費(fèi)者購買?，F(xiàn)有的在線口碑聲譽(yù)系統(tǒng)都提供用戶在發(fā)表對產(chǎn)品口碑的同時對產(chǎn)品的質(zhì)量進(jìn)行打分評價，并公開其匯總平均后的數(shù)值，即在線口碑分值。因此，在線口碑分值可以用來衡量口碑的誘導(dǎo)效應(yīng)。因此，本文認(rèn)為，高的在線影評數(shù)量和影評分值，會增加電影的市場需求，同時也提高電影院對未來市場需求的預(yù)期，最終導(dǎo)致影院增加電影的上映場次。因此提出假設(shè)H2、H3。

H2：在線影評總數(shù)正向影響電影上映場次。

H3：在線影評分值正向影響電影上映場次。

為了比較在線用戶影評和在線專家影評對影院行為的影響，我們把假設(shè)H3分成以下兩個部分。

H3a：在線用戶影評分值正向影響電影上映場次。

H3b：在線專家影評分值正向影響電影上映場次。

我們同樣考慮電影上映時間和電影投資預(yù)算對電影場次的影響。電影上映時間越長意味著電影被安排更多場次的機(jī)會更大；電影投資預(yù)算越多表明電影發(fā)行方對影院場次安排上可施加的影響也越大。因此提出：

H4：電影上映天數(shù)正向影響電影上映場次。

H5：電影投資預(yù)算正向影響電影上映場次。

二、模型構(gòu)建

為了驗(yàn)證假設(shè)，我們用專家口碑分值和用戶口碑分值分別建立兩組回歸方程組。

另外，本文對所連續(xù)型變量均取自然對數(shù)形式，這種變換不僅與多階段消費(fèi)者決策過程的相關(guān)理論模型相符合，還可以平滑模型中變量的分布，使變量間關(guān)系趨于線性化。表1是變量的解釋說明。

表1 變量的解釋說明

鑒于美國電影業(yè)更為成熟，相關(guān)數(shù)據(jù)更為全面，因此本文的研究僅基于美國電影市場。相關(guān)研究數(shù)據(jù)來源自以下三個網(wǎng)站：IMDB（www．IMDB．com），Box Office Mojo （www．boxofficemojo．com），和 Forbes （www．forbes．com）。 本 文 從 Box Office Mojo網(wǎng)站收集電影票房收入、電影上映場次、電影投資額、電影上映時間和電影等級的信息，并剔除了動畫電影、成人電影以及票房或口碑信息嚴(yán)重缺失的電影。IMDB網(wǎng)站是美國最出名的電影口碑網(wǎng)站，本文從該網(wǎng)站收集電影在線口碑分值和在線口碑?dāng)?shù)量信息。表2提供了電影樣本的統(tǒng)計(jì)描述。

表 2 電影樣本的統(tǒng)計(jì)描述

三、結(jié)果分析

本文利用Eviews 6．0軟件對模型采用最小二乘法進(jìn)行參數(shù)估計(jì)。估計(jì)結(jié)果呈現(xiàn)在表3中。方程（1）和方程（2）都以電影上映總場次為因變量。比較兩方程的估計(jì)結(jié)果，有以下相似點(diǎn)：首先，影響電影上映總場次最為重要的因素是電影票房收入，這和假設(shè)H1相一致，再次證明影院在電影場次安排上首要參考的是電影前期的市場表現(xiàn)。其次，在線影評數(shù)量和電影上映總場次沒有顯著關(guān)系，因此否定了假設(shè)H2。歸其原因，口碑?dāng)?shù)量反映的是市場的意識效應(yīng)以及多少消費(fèi)者對產(chǎn)品有所認(rèn)知。大量研究證明在線口碑?dāng)?shù)量和產(chǎn)品銷量正相關(guān)。因此本文猜測，影院方偏向于通過借鑒電影票房來間接觀察了解市場對電影的意識效應(yīng)，此猜測有待更多的后續(xù)證明。最后，電影上映時間和電影投資預(yù)算正向影響電影上映總場次，證明了假設(shè)H4、H5。

另一方面，兩方程的估計(jì)結(jié)果同時存在明顯不同，在方程（1）中，在線用戶影評分值并不顯著正向影響電影場次。然而，在方程（2）中，一旦我們用專家口碑分值替代用戶口碑分值，專家口碑分值則顯著影響電影場次。這說明，電影院在安排電影場次的時候，更多是借鑒專家對電影的評價，而不是普通用戶對電影的評價。因此，假設(shè)H3b得到支持，而假設(shè)H3a沒有得到支持。這一結(jié)果可以用Li和Chakravaty的研究進(jìn)行解釋，Li認(rèn)為，用戶口碑尤其是早期的用戶口碑大量來自于產(chǎn)品的粉絲，對產(chǎn)品有強(qiáng)烈的偏見，并不能真實(shí)地反映產(chǎn)品的質(zhì)量，因此專家口碑相對于用戶口碑更準(zhǔn)確地代表了市場對產(chǎn)品的滿意度[10]（P809－831）。 另外，Chakravarty針對美國電影市場指出經(jīng)常觀影者（成熟觀眾）會偏向于借鑒專家口碑，而不經(jīng)常觀影者更多是被用戶口碑所影響[11]（185－197）。而美國人平均每人每年看六次電影是中國人的近三十倍，正是因?yàn)槊绹娪笆袌鲋饕獮槌墒煊^眾，所以電影院主要是借鑒專家口碑來制定經(jīng)營策略。不管怎樣，在線影評對影院行為的影響仍然得到了證明。

最后，模型（2）中調(diào)整的R2為0．61大于模型（1）的0．575，說明模型（2）有更好的整體擬合效果，即模型（2）能更好的表示在線影評與電影上映場次的關(guān)系，因此模型（2）為最終模型。根據(jù)模型（2）的估計(jì)結(jié)果可知，影響電影上映場次最主要的因素仍然是電影票房收入，其系數(shù)為0．387，表示電影票房每增加1%，則上映場次提高0．387%；緊隨其后的是在線專家口碑分值，系數(shù)為0．306，意味著專家口碑分值每上升1%，則上映場次提高0．306%；其次是上映天數(shù)（0．253）和電影投資額（0．081）。而在線口碑?dāng)?shù)量和在線用戶口碑分值對上映場次沒有顯著影響。表4對假設(shè)檢驗(yàn)結(jié)果進(jìn)行了匯總。

表3 估計(jì)結(jié)果

表4 假設(shè)檢驗(yàn)的結(jié)果匯總

四、結(jié)論

本文應(yīng)用了計(jì)量經(jīng)濟(jì)學(xué)的方法，以電影行業(yè)為背景，構(gòu)建了關(guān)于在線口碑（以在線影評為代理變量）、商家行為（以電影上映場次為代理變量）相互關(guān)系的回歸模型。研究結(jié)果有力地證明了它們之間存在影響關(guān)系，并發(fā)現(xiàn)在線影評分值，尤其是在線專家影評分值正向影響電影上映場次，證明了在線口碑對商家行為的影響。另外，在線影評的數(shù)量卻對電影上映場次沒有顯著影響；最后，票房收入、電影投資預(yù)算均對電影上映場次有顯著影響。

根據(jù)本文的研究結(jié)果，提出如下建議以幫助企業(yè)的管理實(shí)踐。第一，由于本文證明了在線專家口碑對商家行為的影響，因此，商家不僅要關(guān)注網(wǎng)絡(luò)上與自己產(chǎn)品的相關(guān)口碑，同時也應(yīng)注意收集對手產(chǎn)品的口碑信息，尤其是專業(yè)人士對其產(chǎn)品的口碑，并加以分析，以此來預(yù)先判斷競爭對手下一步可能的營銷策略，提早做好應(yīng)對措施。第二，隨著在線口碑對產(chǎn)品銷量的影響被反復(fù)證明，越來越多的商家組織起專業(yè)的團(tuán)隊(duì)，對自身相關(guān)在線口碑進(jìn)行管理，并進(jìn)行合理引導(dǎo)來提高企業(yè)績效，但是大部分商家忽略了對競爭對手以及行業(yè)伙伴在線口碑的合理干預(yù)。因此商家可以在避免惡意攻擊的基礎(chǔ)上，通過合理的引導(dǎo)其它商家的相關(guān)在線口碑，以促使整個市場的合理發(fā)展。例如：引導(dǎo)輿論更多關(guān)注競爭產(chǎn)品的某個特征，從而改變競爭對手在產(chǎn)品設(shè)計(jì)上的改變，提高市場上產(chǎn)品的差異性，避免惡性的價格戰(zhàn)。

基于上述分析，今后可以在以下方面展開后續(xù)研究。首先，本文中的研究對象的時間單位是從電影的上映到下線期間，因此，后續(xù)研究可以收集以天或周為單位的電影票房、在線口碑、電影場次數(shù)據(jù)，從而探討它們隨著時間變化的動態(tài)關(guān)系。其次，盡管電影票價和上映天數(shù)同樣屬于賣家行為，但是由于數(shù)據(jù)收集的便利，本文僅采用電影場次測量賣家行為。因此，后續(xù)研究可以加入電影票價和上映天數(shù)作為測量指標(biāo)，從而更精確地表示影院行為。最后，本文僅對電影這類體驗(yàn)型商品的在線口碑進(jìn)行了研究，結(jié)論是否可以推廣到其它商品（如圖書、游戲等），還有待進(jìn)一步檢驗(yàn)。因此，后續(xù)研究可復(fù)制本文的研究方法到其它商品上。

[1] Dellarocas C．， Awad， N F．， Zhang X．Exploring the Value of Online Product Ratings in Revenue Forecasting: The Case of Motion Pictures[J]．Journal of interactive Marketing， 2007．21．

[2] Liu Y．Word－of－Mouth for movies:Its dynamics and impact on box office revenue[J]．Journal of Marketing， 2006，70．

[3] Duan W．， Gu B．， Whinston A B． Do online reviews matter？－An empirical investigation of panel data[J]．Journal of Retailing，2008，45．

[4] 郝媛媛，鄒鵬，李一軍，等．基于電影面板數(shù)據(jù)的在線評論情感傾向?qū)︿N售收入影響的實(shí)證研究[J]．管理評論，2009（21）．

[5] Rosen E．The anatomy of buzz:How to create Word of Mouth marketing[M]．NY:Random House， New York， 2000．

[6] De Vany A．， Walls W D．Bose－Einstein dynamics and adaptive contracting in the motion picture industry[J]．The Economic Journal， 1996， 106．

[7] Elberse， A．， Eliashberg J．Demand and Supply Dynamics for Sequentially Released Products in International Markets:The Case of Motion Pictures[J]．Marketing Science， 2003， 22．

[8] Sorensen A．T．， Rasmussen S．J．， Is any publicity good publicity？A note on the impact of book review[J]， NBER Working paper， Stanford University， 2004．

[9] Karniouchina E V．Impact of star and movie buzz on motion picture distribution and box office revenue[J]．International Journal of Research in Marketing， 2011， 28．

[10] Li X．， Hitt L M．Price effects in online product reviews:an analytical model and empirical analysis[J]．MIS Quarterly，2010， 34．

[11] Chakravarty A．， Liu Y．， Mazumdar T．The Differential Effects of Online Word－of－Mouth and Critics＇Reviews on Pre－release Movie Evaluation[J]．Journal of Interactive Marketing， 2010， 24．