劉 偉，徐鵬濤

(東北財經大學管理科學與工程學院，遼寧 大連 116025)

?

O2O電商平臺在線點評有用性影響因素的識別研究
——以餐飲行業(yè)O2O模式為例

劉 偉，徐鵬濤

(東北財經大學管理科學與工程學院，遼寧 大連 116025)

為了識別O2O電商平臺在線點評有用性的影響因素，本文構建了基于IAM模型的雙路徑分析理論模型。以大眾點評網上6家餐廳的2372條用戶點評數據為樣本，通過Tobit回歸方法對理論模型進行了實證檢驗。研究結果顯示，核心路徑中的信息豐富性、信息可讀性及點評負面性等三個變量對在線點評有用性有顯著正向影響，其中信息可讀性的觀測變量點評段落數與在線點評有用性之間呈倒“U”型關系，品牌價值對點評負面性與點評有用性之間的關系具有調節(jié)作用，高的品牌價值會降低點評負面性對點評有用性的積極作用。邊緣路徑中的消費者回應及點評者經驗對在線點評有用性具有顯著正向影響。舊的評論比新的評論對在線點評有用性的影響更大。

餐飲行業(yè)；O2O；在線點評；點評有用性

1 引言

O2O(Online to Offline)是通過線上營銷或購買來帶動線下經營或消費的一種新興電子商務模式，即“線上搜索，線下消費”。O2O模式利用線上平臺的海量信息和無邊界性進一步挖掘線下資源，拓寬了商家的運營和營銷渠道，改變了人們的消費方式，提升了用戶體驗。2012年以來，許多電商平臺開始拓展本地生活服務(餐飲、娛樂、票務等服務)O2O業(yè)務。餐飲業(yè)作為較早接觸線上渠道搭建的傳統服務行業(yè)，依托線上交易和線下消費已成為O2O最典型的應用場景之一。以阿里巴巴、百度為代表的傳統互聯網巨頭和以大眾點評、美團、餓了么等為代表的新興企業(yè)紛紛布局餐飲行業(yè)O2O市場。品途咨詢研究顯示，2014年我國餐飲行業(yè)O2O的在線用戶規(guī)模達到1.89億人，市場規(guī)模達到943.7億元，餐飲行業(yè)O2O市場受到廣泛關注，以餐飲行業(yè)O2O平臺為例進行研究具有較強的代表性和應用價值。

對于餐飲O2O平臺的在線用戶來說，面臨的主要問題是如何最優(yōu)的在線選擇餐館進行線下消費。當消費者很難了解產品信息時，來自其他消費者的在線點評通常是用戶進行決策的主要依據，在線點評幫助其進行購買決策的作用是十分重要的[1]。在線點評(Online Review)也稱為網絡口碑、在線口碑(Electronic Word of Mouth，eWOM)等，是由處于同等身份的其他消費者在第三方網站平臺上發(fā)布的產品或服務評價[2]。和傳統的口碑營銷一樣，在線點評也可以通過感知有用性和感知易用性來影響消費者的購買意愿[3]。根據Simonson和Rosen[4]的研究，30%的美國消費者是通過瀏覽亞馬遜網站上的產品信息和點評才開始網絡購物的。在線點評的重要性毋容置疑，但隨著點評數量的大幅度增加，會給消費者帶來信息過載的問題[5]。一些學者認為在線點評有用性就是“會幫助消費者進行購買決策”，只有有用的在線點評才能給消費者的選擇帶來幫助[2]。目前對于在線點評有用性的研究多集中在亞馬遜、淘寶等B2C和C2C類電商平臺上，采用計量模型、文本挖掘等方法對網上抓取的二手數據進行實證研究，但是研究結論并不一致[6]。從個體層面分析在線點評影響消費者購買決策的研究不足，沒有形成明晰的理論分析框架，難以解釋有用性點評的影響機制。具體來說，缺乏對點評內容質量相關特征的關注，點評內容質量特征的深度語義挖掘不夠，負面點評的作用一直被在線點評的相關研究所重視，缺乏對正面點評中所包含的點評負面性的深入研究，點評有用性影響因素的設定不統一。另外，由于O2O的概念還比較新，將視角放在餐飲行業(yè)O2O平臺的在線點評的研究很少。與B2C和C2C類電商平臺不同，O2O平臺為第三方平臺，消費者發(fā)布的在線點評不容易受到商家的營銷策略影響，具有更高的可信度和參考價值，對于線上搜索的消費者來說，線下消費的選擇對在線點評的依賴性極大。現實情況是餐飲O2O平臺存在海量的在線評論，點評信息的過載及其質量的參差不齊嚴重影響消費者的決策判斷，增加了信息搜索成本。因此，從管理實踐來說需要建立有效識別O2O平臺在線點評影響因素、改進平臺的評論信息發(fā)布策略和提取有價值的評論信息的機制，從而提升消費者的決策效率、平臺的用戶流量和收益以及改進商家的服務質量。

本文在已有研究基礎上，以大眾點評網的在線餐館點評為研究對象，圍繞“什么樣的在線點評對消費者選擇餐館更有用？”這一問題，以IAM模型為理論框架，研究消費者感知在線評論有用性的影響因素。本文對在線點評有用性的影響因素識別進行研究，有利于減少消費者的線上搜索成本，提高消費者的用戶體驗，促進線下商家的銷售和品牌信譽度的提升，以及改進第三方在線平臺的點評發(fā)布策略和用戶黏性，豐富在線點評有用性的相關理論。

2 理論模型

Sussman和Siegal[7]在結合理性行為理論、技術接受模型(Technology Acceptance Model，TAM)以及詳盡可能性模型(Elaboration Likelihood Model，ELM)的基礎上提出了信息采納模型(Information Acceptance Model，IAM)。該模型將信息有用性加入到ELM模型中作為中介變量，同時將接收者的參與度與專業(yè)知識作為調節(jié)變量。IAM模型將信息影響人們的決策過程看作是信息采納過程，將信息內容質量作為核心路徑，信息源作為邊緣路徑，信息接受者感知的內容質量與信息源的可靠性越高，其感知的信息有用性也就越高；而有用性越高的信息會產生較高水平的信息采納效果，即信息有用性會調節(jié)內容質量和信息源可靠性對信息采納的影響。一些學者運用IAM模型分析了在線點評影響消費者購買決策的過程[8-9]，表明IAM模型適用于在線點評有用性的研究，本文基于IAM模型構建餐飲行業(yè)O2O模式下在線點評有用性影響因素的理論模型。

在核心路徑方面，本文著重研究點評內容質量。由于在線點評是以文本方式呈現給消費者，本文選取信息豐富性和信息可讀性兩個變量來研究點評內容質量對在線點評有用性的影響[10]。負面點評的作用一直被在線點評的相關研究所重視，正面點評內容中所包含的負面信息對在線點評有用性的影響更有價值，點評負面性也被納入理論模型?？紤]到品牌價值會對點評負面性與點評有用性之間的關系產生調節(jié)作用，因此將品牌價值作為調節(jié)變量引入理論模型。在邊緣路徑方面，本文選取信息源可靠性中易于消費者處理的因素進行研究。點評者經驗可以幫助消費者判斷點評發(fā)布者對產品或服務評價的資格和能力，將其作為信息源可靠性的因素。動態(tài)屬性變量一直是在線點評研究所缺乏的，消費者在進行在線產品選擇的時候容易受到其他消費者的影響[4]，所以其他消費者對點評的回復或響應以及評分不一致性也作為影響在線點評有用性的因素。點評數量和點評發(fā)布的時間會對在線點評有用性產生影響，將其作為控制變量引入到模型之中。圖1為本文提出的餐飲行業(yè)O2O模式下在線點評有用性影響因素識別的理論模型。

2.1 核心路徑

核心路徑包括信息的豐富性、可讀性以及點評負面性等三個指標。

(1)信息豐富性

信息豐富性是指可以幫助消費者了解產品的信息集的數量[11]。面對不完整的產品信息，消費者常常要在不確定的情況下進行購買決策。為了避免損失，消費者會搜尋與產品相關的信息來減少購買的不確定性，從而獲得足夠的信心來進行購買決策。共振市場理論認為消費者只有在知情的情況下才會購買他們想要的產品，而且獲知與產品相關的信息越多，其購買產品的數量也就越多[12]。對于在線點評來說，其包含產品相關的信息越豐富，對消費者購買決策的影響就越大，而消費者感知的在線點評有用性也就越大。據此，本文提出如下研究假設：

H1：信息豐富性與在線點評有用性呈正向相關關系。

圖1 餐飲行業(yè)O2O模式下在線點評有用性影響因素識別的理論模型

(2)點評可讀性

可讀性是人們閱讀和理解一段包含對被評價產品的文本時所感受到的難易程度，可讀性與點評長度一樣對一段文本的易理解性有著重要的影響。根據認知適配理論，當人們對接收到的信息采用恰當的認知過程時，其對信息的處理將會更加有效[13-14]。在這里，恰當的認知過程是指給出的信息要采用可以最小化閱讀者認知努力的形式，才能與閱讀者的信息處理策略相匹配，從而加強對消費者制定決策的影響效果[15]。因此，信息的可讀性越高，代表人們閱讀該信息所需要付出的認知努力就越少，從而其對消費者制定購買決策的影響就越大。對在線點評來說，如果點評的信息文本能夠提供一個合適的段落數，就可以提高該條點評的可讀性[10]，從而對消費者進行購買決策具有更大的輔助作用，即具有更高的有用性。據此，本文提出如下研究假設：

H2：點評可讀性與在線點評有用性呈正向相關關系。

(3)點評負面性

點評負面性一直是在線點評有用性研究的重要方面，就對點評有用性的影響效果來說，負面點評的影響力要比正面點評更大[16]。信息診斷性理論表明，當存在診斷性更高的信息時，人們不會選用那些診斷性低的容易理解的信息。負面點評要比正面點評具有更高診斷性，人們往往會把負面信息作為更重要的信息源，因此負面信息具有更大的說服力。從對購買行為的影響來說，包含更多正面情感內容的在線點評產生的在線轉化率要更低一些，而包含負面情感內容的在線點評則沒有這種遞減效應[17]。已有研究往往將焦點放在負面點評上，而正面點評內容中的負面性因素常常被忽視。Doh和Hwang[18]認為含有少量負面性內容的正面點評的可信度會更高，從而可以對消費者的購買決策產生更大的影響。點評內容中所包含的負面性因素越多，其對點評有用性的影響也就越大。據此，本文提出如下研究假設：

H3a：點評負面性與在線點評有用性呈正向相關關系。

品牌價值是在討論負面性因素對在線點評有用性的影響時需要考慮的因素。作為可以有效代表產品質量的標識，品牌價值可以在消費者進行購買決策時產生對產品質量的暗示，從而形成消費者的選擇偏見[19]。因此，消費者在閱讀在線點評信息中的負面性內容時，由于高品牌價值所帶來的高質量暗示會使消費者對這些負面性因素產生不信任感，會降低對這些內容所感知的有用性。據此，本文提出如下研究假設。

H3b：高的品牌價值會降低點評負面性對在線點評有用性的積極影響。

2.2 邊緣路徑

邊緣路徑包括消費者回應、評分不一致性和點評者經驗等三個指標。

(1)消費者回應

相對于面對面的溝通情境，以互聯網為媒介的溝通情境的社會臨場感(社會臨場感即個人在溝通中對群體中其他人的感覺)會比較低[20]，主要是由于其缺乏非文字的線索，傳遞信息的渠道單一，溝通者不容易感受到其他參與者的存在，從而使整個通訊過程低人性化和低社會化。社會臨場感理論認為消費者之間的互動可以增加在線點評信息傳遞的真實性，從而增加在線點評的信息源可靠性。本文將來自其他消費者的回應納入在線點評有用性的理論模型中，當來自其他消費者回應的數量越多時，在線點評溝通情境中的交互性也就會越高。高的交互性可以帶來高的社會臨場感，消費者感知到更高的信息源的可靠性。據此，本文提出如下研究假設：

H4：消費者回應與在線點評有用性呈正向相關關系。

(2)評分不一致

在線點評的平均評分可視為其他消費者對某一產品的一致觀點[21]。信息階流理論認為當人們在信息不完全或不對稱的情況下進行決策時，除了考慮自身所了解的信息外，也會觀察處于相同情況下的其他人的決策行為。雖然無法了解其他人的決策過程，但是如果有連續(xù)不斷的相同行為結果出現時，人們就會放棄自己的判斷，轉而遵循大多數人的決策結果。Cheung等[9]研究發(fā)現在線點評的評分與現有點評的評分越一致，消費者感知的在線點評的可信度也就越高。也就是說，某一點評評分與平均評分的一致性可以使消費者認為點評的信息來源更加可靠，從而認為點評更有用。據此，本文提出如下研究假設：

H5：評分不一致與在線點評有用性呈負向相關關系。

(3)點評者經驗

對于信息主題參與度低的消費者而言，信息源可靠性在人們對認知權威的判斷中起著重要的作用。Baek 等[8]指出點評者身份、點評者等級以及點評者活躍度等點評發(fā)布者特征可以作為信息源可靠性的相關因素對點評有用性產生影響。Ngo-Ye和Sinha[22]認為點評發(fā)布者特征和點評文本特征對在線點評有用性同樣重要。根據歸因理論，如果消費者將點評者對產品的評價歸因為產品本身的性能，則其對點評者會更加信任，從而更容易被點評所說服。點評者經驗可以向點評閱讀者傳遞點評發(fā)布者具有對產品或服務評價的資格和能力，點評者的經驗越多，消費者就會因其有能力對產品的性能進行評價而對其更加信任。也就是說，點評者的經驗越多，消費者感知的信息源可靠性就越高，從而其感知的在線點評有用性也就越高。據此，本文提出如下研究假設：

H6：點評者經驗對在線點評有用性呈正向相關關系

2.3 控制變量

考慮到人們更愿意對存在大量點評的產品進行評論以及點評發(fā)表時間對點評有用性的影響[23]，本文引入點評的數量和發(fā)表的時間近度作為控制變量。由于點評的數量代表著產品的市場表現，有關產品的點評數量越多，消費者感知到的產品重要性和受歡迎程度也就越大。一些研究認為點評的數量越多，消費者感知的點評有用性越大，對消費者購買意愿的影響越大[24]，尤其是對于剛剛接觸在線點評的消費者來說更是如此。在線點評的有用性會顯著地依賴于點評的發(fā)表時機[25-26]，及時的在線點評可以影響消費者對在線點評質量的感知。因此，點評的時間近度也需要納入在線點評有用性模型中加以考慮。

3 實證研究

3.1 變量與數據

在線點評有用性是研究模型中的因變量?，F有文獻對在線點評有用性的測度方法有兩種：一種通過點評的有用投票數占總投票數的比例來測度有用性[2，8]；另一種是通過點評的累積有用投票數來測度[22]。本文采用點評的累積有用投票數來測量在線點評有用性。根據大眾點評網規(guī)定，如果點評閱讀者認為一條點評對其有用，則可以進行鮮花數的投遞(2014年后改為點贊)，因此，本文將使用某條點評累積獲得的鮮花數來作為對該條點評的有用投票數。

在自變量方面，信息豐富性和點評可讀性分別通過與餐廳相關的特征數量和點評段落數來測量[10]。本文在結合大眾點評提供的各類信息的基礎上將價格、口味、環(huán)境、服務和菜品這五類人們最常關注的餐廳特征信息作為考察點評信息豐富性的內容特征。點評負面性通過負面詞匯占點評總字數的比例來測量[8]。品牌價值的高低分別用1和0表示，老字號餐廳為1，而非老字號餐廳為0。點評者經驗和消費者互動性分別用點評者的等級[8]及消費者回應數來測量。評分不一致使用某一點評的星級評分和平均星級評分的差值的絕對值來測量[8，25]，而時間近度變量則使用數據抓取日期與點評發(fā)布日期之間差值的絕對值來測量。

變量的定義如表1所示。

表1 變量定義

大眾點評網(dianping.com)是中國領先的本地生活服務O2O交易平臺，本文選擇大眾點評網為研究對象，選取大眾點評網上3家老字號餐廳及3家非老字號餐廳的消費者點評數據進行抓取。樣本數據的抓取工具采用GooSeeker提供的MetaSeeker網絡爬蟲工具包，共抓取3771條在線點評數據。由于近期的點評可能沒有足夠的時間來累積有用性投票，剔除了數據抓取日期之前兩個月內發(fā)布的點評[22]；而且涉及到文本內容的分析，還剔除了少量沒有內容或其他語言書寫的點評，共收集2372條有效在線點評數據。采用文本情感分析軟件ROSTCM6對在線點評文本內容質量數據進行挖掘和分析。

樣本數據的描述性統計結果如表2所示。

表2 樣本數據的描述性統計

本文對樣本數據進行了相關性檢驗，結果表明各個解釋變量之間的相關系數均小于0.5，這些自變量均可用于實證模型。

3.2 實證模型設定

消費者在進行有用性投票時只有有用和沒用兩種選擇而無法進行比有用更好或比沒用更差的選擇，因此因變量存在自身受限的問題，符合Tobit模型的前提條件。本文采用Tobit模型來對樣本數據進行回歸分析，根據前文提出的理論模型及研究假設，建立的實證模型如式(1)所示：

HF=β1RF+β2RP+β3RP2+β4NW+β5CR+β6RI+β7RR+β8BE×NW+β9TR+β10RQ+ε

(1)

式(1)中，HF代表點評有用性的累積投票數，RF代表餐廳特征數，RP代表點評段落數，NW代表點評負面詞率，CR代表消費者回應數，RI代表評分不一致，RR代表點評者等級，BE代表品牌價值，BE×NW代表品牌價值與負面詞率的乘積，TR和RQ分別代表時間近度和點評總數量。本文認為RP與HF具有非線性的倒“U”型關系，存在一個RP值，在該值的左側，點評可讀性隨段落數增加而增加；而在該值的右側，點評可讀性隨段落數的增加而降低。

3.3 實證結果分析

實證結構如表3所示，模型1、模型2和模型3分別表示對核心路徑、邊緣路徑以及二者的組合(雙路徑)進行回歸的結果。從三個模型的Likelihood Ratio的顯著性(p=0.000)及McFadden’s R2值來看，Tobit模型的整體擬合結果可以接受。從系數的估計結果來看，三個模型呈現較好的一致性，下面對模型3的回歸結果進行分析。

核心路徑的變量回歸結果表明，餐廳相關特征數RF的系數(β1)為0.192，在5%的水平下顯著，在線點評的內容中每增加一個餐廳相關特征數，平均對在線點評的有用性增加0.192個投票數。在線點評的信息豐富性越高，在線點評的有用性越高，假設H1得到樣本數據的支持。點評段落數RP的回歸系數(β2)為3.942，在1%的水平下顯著；點評段落數RP的平方的回歸系數(β3)為-0.266，在1%的水平下顯著。因此，點評段落數RP與在線點評有用性之間具有非線性關系，即點評段落數與點評有用性之間的關系呈倒“U”型，存在一個恰當的點評段落數使得點評具有更高的可讀性，從而使得在線點評的有用性更高，假設H2得到樣本數據的支持。本文計算得到當點評段落數約為7.404時，在線點評的有用性最高，因此點評段落數應最好控制在7～8段左右。負面詞率NW的回歸系數(β4)為11.714，在1%的水平下顯著，說明點評的負面性越高，在線點評的有用性越高，假設H3a得到樣本數據的支持。這也驗證了信息診斷性理論的觀點，即負面性的信息往往會對消費者產生更大的說服力。BE×NW的系數(β8)為-6.363，且在5%的水平下顯著，假設H3b得到樣本數據的支持，即高的品牌價值會降低點評負面性對在線點評有用性的正向影響。從BE×NW的系數來看，這種影響效果十分明顯，高的品牌價值(老字號餐廳)會平均降低約一半的點評負面性給在線點評有用性帶來的影響。

為了進一步證明品牌價值的調節(jié)作用，本文分別對老字號餐廳和非老字號餐的在線點評數據進行了回歸分析。如表4所示，老字號餐廳點評負面性的系數為4.481，且在5%的水平下顯著；而非老字號餐廳中點評負面性的回歸系數為11.802，在1%的水平下顯著。可見，點評負面性對低品牌價值餐廳的點評有用性的影響要遠遠大于對高品牌價值的餐廳，原因在于高的品牌價值會對消費者產生高質量的暗示，從而使其對點評的負面信息產生不信任，進而影響其對點評有用性的感知。

表3 Tobit回歸分析結果

注：Likelihood Ratio對應一欄括號內的數值為P值。

表4 老字號餐廳和非老字號餐廳點評數據的回歸結果

注：Likelihood Ratio對應一欄括號內的數值為P值。

邊緣路徑的回歸結果表明，消費者回應CR的系數(β5)為1.763，且在1%的水平下顯著，假設H4得到實證的支持，即來自其他消費者的回應數越多，在線點評的有用性就越高。就平均對點評有用性投票數的影響而言，消費者回應要比其他邊緣路徑的變量要好。點評不一致RI的系數與假設一致為負(β6=-0.369)，但并不顯著，假設H5沒有得到實證的支持。本文認為正面點評比負面點評普遍要多而導致點評的評分往往集中在高水平上(樣本數據中點評評分為4星和5星的占有相當大的比重)，因此點評不一致性的取值(與平均星級的差值)相對固定，從而對在線點評有用性的影響不顯著。點評者等級RR與在線點評有用性之間存在著顯著的正相關關系(β7=0.159，p=0.025)，假設H6得到實證的支持，點評者經驗對在線點評有用性具有正向影響。

控制變量的估計結果顯示，時間近度變量TR的系數為正且顯著(β9=0.003，p=0.000)，這表明點評發(fā)布的時間越早，在線點評的有用性反而越高。實證結果與模型假設相反，究其原因，本文認為消費者受到來自其他消費者之前的有用性投票行為結果的影響比受到點評時效性的影響要大，因此對點評有用性的大量投票往往出現在以前的點評中，而近期的點評獲得的有用性投票較少。點評數量RQ的回歸系數為正(β10=0.002)，但并不顯著(p=0.171)。分析其原因，本文認為點評數量主要是通過增加產品熱度的方式來影響在線點評的有用性。但是對于餐飲行業(yè)來說人們往往更關注的是餐廳的品牌價值和自身的口味偏好，點評數量對點評有用性的影響不明顯。

根據Tobit模型的實證結果，本文研究假設的驗證結果如表5所示。

表5 研究假設的驗證結果

4 結語

本文圍繞電商平臺下消費者感知在線點評有用性的影響因素這一核心問題，構建了基于IAM模型的點評有用性影響因素識別的理論模型，并以大眾點評網上的餐飲行業(yè)點評數據為樣本，對不同因素對在線點評有用性的影響差異進行了實證分析。核心路徑分析發(fā)現點評信息越豐富，消費者感知的在線點評有用性越高；用來觀測點評可讀性與在線點評有用性呈現倒“U”型關系；點評負面性對在線點評有用性具有正向影響，說明了正面點評信息中包含一定比例的負面內容的積極作用。品牌價值對點評負面性與點評有用性之間關系具有調節(jié)作用，高的品牌價值會降低點評負面性對點評有用性的積極作用。邊緣路徑分析發(fā)現消費者回應數和點評者等級對在線點評有用性具有正向影響；點評不一致與在線點評有用性之間的負相關關系沒有得到證實。點評發(fā)布的時間近度與在線點評有用性之間的正向相關，間接地證實了其他消費者的影響對在線點評有用性的重要作用。

對電商平臺在線點評有用性影響因素的識別，消費者可以更快、更準地完成線上信息收集過程，以減少信息的搜索成本，更準確的選擇合適的線下消費對象，決策的準確性和效率提高。O2O平臺可以更加合理地對在線點評進行排序，適當地改進點評發(fā)布的方式，從而增加平臺用戶黏性。O2O平臺可以考慮改變單一的內容發(fā)布方式，以按相關特征分別填寫內容的方式將點評自動分類，從而使消費者感受到更高的信息質量及有用性，降低用戶的搜索成本并提升用戶體驗。商家可以將關注的焦點放在負面點評上，提示消費者對正面點評中的負面信息加以關注，同時，商家也要關注以往發(fā)布的點評信息對消費者購買決策的影響，進而對點評中的負面信息進行說明，給消費者以引導。

本文研究也存在一些需要改進的地方，如改進文本內容的識別和語義挖掘方法、將團購價格及早期的促銷價格因素引入到研究模型之中、對整個O2O電商平臺中不同行業(yè)進行研究并分析行業(yè)差異性，從而進一步完善在線點評有用性的相關理論研究。

[1] Pathak B, Garfinkel R, Gopal, R D. Empirical analysis of the impact of recommender systems on sales[J]. Journal of Management Information Systems, 2010, 27(2): 159-188．

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

[3] Parry M E., Kawakami T, Kishiya K, The effect of personal and virtual Word-of-Mouth on technology acceptance[J]. Journal of Product Innovation Management, 2012, 29(6): 952-966.

[4] Simonson I, Rosen E, What marketers misunderstand about online reviews[J]. Harvard Business Review, 2014, 92(1): 23-25．

[5] Jones Q, Ravid G, Rafaeli S. Information overload and the message dynamics of online interaction spaces: A theoretical model and empirical exploration[J]. Information Systems Research, 2004, 15(2): 194-210．

[6] 郝媛媛，葉強，李一軍．基于影評數據的在線評論有用性影響因素研究[J]，管理科學學報，2010，13(8)：78-96．

[7] Sussman S W, Siegal W S, Informational influence in organizations: An integrated approach to knowledge adoption[J]. Information Systems Research, 2003, 14(1): 47-65．

[8] Baek H, Ahn J, Youngseok C. Helpfulness of online consumer reviews: Readers' objectives and review cues, International Journal of Electronic Commerce[J]. 2012,17(2): 99-126．

[9] Cheung M Y, Luo Chuan, Sia C L, et al, Credibility of electronic Word-of-Mouth: Informational and normative determinants of online consumer recommendations[J]. International Journal of Electronic Commerce, 2009, 13(4): 9-38．

[10] Liu Jingjing, Cao Yunbo, Lin C Y,et al. Low-quality product review detection in opinion summarization[C]//Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, Prague, June, 2007．

[11] Park D H, Lee J, Han I, The effect of online consumer reviews on consumer purchasing intention: The moderating role of involvement[J]. International Journal of Electronic Commerce, 2007, 11(4): 125-148．

[12] Clemons E K, Gao G G, Hitt L M. When online reviews meet hyperdifferentiation: A study of the craft beer industry[J]. Journal of Management Information Systems, 2006, 23(2): 149-171．

[13] Vessey I, Galletts D, Cognitive fit: An empirical study of information acquisition[J]. Information System Research, 1991, 2(1): 63-84．

[14] 閆強，孟躍．在線評論的感知有用性影響因素——基于在線影評的實證研究[J].中國管理科學，2013，21(S2):126-131．

[15] Park D H, Kim S. The effects of consumer knowledge on message processing of electronic Word-of-Mouth via online consumer reviews[J]. Electronic Commerce Research and Applications, 2008, 7(4): 399-410．

[16] Schindler R M, Bickart B, Perceived helpfulness of online consumer reviews: The role of message content and style[J]. Journal of Consumer Behaviour, 2012, 11(3): 234-243．

[17] Ludwig S, Ruyter Ko de, 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．

[18] Doh S J, Hwang JS. How consumers evaluate eWOM (Electronic Word-of-Mouth) messages[J]. Cyberpsychology & Behavior, 2009, 12(2): 193-197．

[19] Ho-Dac N N, Carson S J, Moore W L, The effects of positive and negative online customer reviews: Do brand strength and category maturity matter? [J]. Journal of Marketing, 2013, 77(6): 37-53．

[20] Short J, Williams E, Christie B, The social psychology of communication [M]. New York: John Wiley, 1976.

[21] 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．

[22] Ngo-Ye T L, Sinha, Atish P, The influence of reviewer engagement characteristics on online review helpfulness: A text regression model[J]. Decision Support Systems, 2014, 61(4): 47-58．

[23] Cheung C M Y, Sia C L, Kuan K K Y, Is this review believable? A study of factors affecting the credibility of online consumer reviews from an ELM perspective[J]. Journal of The Association for Information Systems, 2012, 13(8): 618-635．

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

[25] 殷國鵬．消費者認為怎樣的在線評論更有用？——社會性因素的影響效應[J].管理世界，2012，(12):115-124．

[26] 蔡淑琴，馬玉濤，王瑞．在線口碑傳播的意見領袖識別方法研究[J].中國管理科學，2013，21(2):185-192．

A Study on Influencing Factors of the Helpfulness of Online Reviews in O2O of Restaurant Industry——Based on Tobit Model

LIU Wei, XU Peng-tao

(School of Management and Engineering, Dongbei University of Finance and Economics, Dalian 116025, China)

Online reviews are an effective way of commodity recommendation and its helpfulness has an important impact on consumer’s decision. Online retail sites with more helpful reviews offer greater potential value to customers, which can help them to avoid the uncertainty and risk of purchase decision. But there is huge volume of reviews on online websites sometimes, which cause customers confused when they make decisions according to the reviews. Especially O2O is an emerging pattern of e-commerce, which factors will affect the helpfulness of online reviews in O2O. For this research, a dual process model of the helpfulness of online reviews that consumer perceives in O2O of restaurant industry is established based on ELM and extensional IAM. Central cue and peripheral cue are included in the dual process model. Focus is put on information richness, review readability and review negativity in the central cue, and consumer’s response, rating inconsistency and reviewer experience in the peripheral cue. Then 2,372 online consumer reviews of 6 restaurants are collected from dianping.com, and an empirical test is conducted using Tobit regression model. Our findings show the central cue, including information richness, information readability and review negativity has a significant positive impact on the helpfulness of online reviews. The relation of the paragraphs, observational variable of information readability and the helpfulness of online reviews present an inverted U-shape. Brand value has a regulating effect on the relation between review negativity and the helpfulness of online reviews, and high brand value will weaken positive effect which review negativity affects the helpfulness of online reviews. The peripheral cue, including consumer’s response and reviewer’s experience has a positive impact on the helpfulness of online reviews. Meanwhile we also find early reviews are better than recent reviews. This study contributes to both theory and practice. First, theoretical framework is provided to understand the context of online reviews. Based on dual process theories of ELM and IAM, this research revealed that information processing occurs in either peripheral cue or central cue when consumers read online reviews. Second, our findings may help online retailers recognize what factors constitute helpful online reviews for online markets. The results of this study can be used to develop guidelines for creating and choosing more valuable online reviews. Furthermore, the results of the current research can be used to design Web sites by considering certain review factors that affect helpfulness of review, depending on which products consumers intend to buy.

restaurant industry; O2O; online reviews; helpfulness of reviews

1003-207(2016)05-0168-09

10.16381/j.cnki.issn1003-207x.2016.05.019

2014-09-11；

2015-10-28

遼寧省高等學校優(yōu)秀人才支持計劃(WJQ2013027)

簡介：劉偉(1979-)，男(漢族)，遼寧錦州人，東北財經大學管理科學與工程學院副教授，研究方向：信息管理、創(chuàng)新管理，E-mail: liuweidufe@126.com.

C931.6

A