龔詩(shī)陽(yáng)，李 倩，余承錟

(1.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)國(guó)際商學(xué)院，北京 100029； 2.北京外國(guó)語(yǔ)大學(xué)國(guó)際商學(xué)院，北京 100089)

?

在線社交對(duì)消費(fèi)者需求的影響研究
——基于網(wǎng)絡(luò)視頻產(chǎn)業(yè)的實(shí)證分析

龔詩(shī)陽(yáng)1，李 倩2，余承錟1

(1.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)國(guó)際商學(xué)院，北京 100029； 2.北京外國(guó)語(yǔ)大學(xué)國(guó)際商學(xué)院，北京 100089)

本文圍繞“在線社交是否會(huì)影響消費(fèi)者需求”這一核心問(wèn)題，從兩個(gè)國(guó)內(nèi)知名的視頻網(wǎng)站上收集了2015-2016年發(fā)布的110部視頻節(jié)目的客觀數(shù)據(jù)，通過(guò)建立計(jì)量模型開展了一項(xiàng)探索性的實(shí)證研究。研究結(jié)果表明，在線社交對(duì)消費(fèi)者需求具有顯著的正向影響作用。具體而言，在線社交數(shù)量每提升1%，消費(fèi)者需求將增加約0.5%。此外，我們還發(fā)現(xiàn)，第三方評(píng)論網(wǎng)站的節(jié)目評(píng)分對(duì)在線社交的影響效果具有負(fù)向調(diào)節(jié)作用：對(duì)于評(píng)分較低的視頻節(jié)目，在線社交對(duì)消費(fèi)者需求的影響較大；而對(duì)于評(píng)分較高的節(jié)目，在線社交對(duì)消費(fèi)者需求的影響效果則有所下降。最后，本文基于研究結(jié)論對(duì)相關(guān)企業(yè)和行業(yè)的發(fā)展提供了管理建議。

在線社交；收視行為；網(wǎng)絡(luò)視頻；用戶生成內(nèi)容；實(shí)證研究

一、引言

近年來(lái)，隨著互聯(lián)網(wǎng)和移動(dòng)智能設(shè)備的廣泛普及，以網(wǎng)絡(luò)視頻產(chǎn)業(yè)為代表的文化創(chuàng)意產(chǎn)業(yè)蓬勃發(fā)展。中國(guó)消費(fèi)者對(duì)文化創(chuàng)意產(chǎn)品的消費(fèi)需求也逐漸由傳統(tǒng)媒體轉(zhuǎn)移至網(wǎng)絡(luò)媒體。根據(jù)中國(guó)互聯(lián)網(wǎng)信息中心(CNNIC)的最新統(tǒng)計(jì)報(bào)告，截至2016年12月，中國(guó)網(wǎng)民規(guī)模已達(dá)到7.31億，手機(jī)網(wǎng)民規(guī)模達(dá)6.95億，互聯(lián)網(wǎng)普及率為53.2%。中國(guó)網(wǎng)絡(luò)視頻行業(yè)的市場(chǎng)規(guī)模也在2016年度迅速增長(zhǎng)至609億元，越來(lái)越多的企業(yè)開始涉足這一成長(zhǎng)性的新興領(lǐng)域。

在互聯(lián)網(wǎng)環(huán)境中，用戶的收視行為也在發(fā)生重要的改變。越來(lái)越多的用戶喜歡在收看視頻節(jié)目的同時(shí)與其他用戶進(jìn)行在線社交[1]。在2015年，尼爾森公司開展了一項(xiàng)針對(duì)全球收視用戶的問(wèn)卷調(diào)研。其中，超過(guò)一半(53%)用戶回答，他們收看視頻節(jié)目的樂(lè)趣在于可以獲得話題與其他用戶進(jìn)行在線聊天；接近一半(49%)用戶提出，如果視頻網(wǎng)站提供社交媒體的接入，他們會(huì)收看更多節(jié)目[2]。

在這一新趨勢(shì)下，很多視頻網(wǎng)站開始鼓勵(lì)和管理在線社交。所以，“彈幕”這一網(wǎng)絡(luò)視頻行業(yè)的流行功能也就應(yīng)運(yùn)而生。“彈幕”是指用戶在觀看視頻節(jié)目時(shí)發(fā)布的簡(jiǎn)短文字信息，可以實(shí)時(shí)出現(xiàn)在節(jié)目畫面上以達(dá)到與其他觀眾進(jìn)行在線社交的目的。如圖1所示，自2014年以來(lái)，“彈幕”一詞的網(wǎng)絡(luò)搜索量呈逐年上升的趨勢(shì)，說(shuō)明這一新興的在線社交模式越來(lái)越受到各界的關(guān)注。最近幾年，國(guó)內(nèi)大部分視頻網(wǎng)站(優(yōu)酷、樂(lè)視、Acfun、Bilibili等)均開始使用基于彈幕的在線社交功能，眾多相關(guān)企業(yè)(內(nèi)容提供商、廣告商、社交媒體等)也開始圍繞這一模式開發(fā)新的產(chǎn)品和商業(yè)模式。

圖1 “彈幕”的谷歌搜索趨勢(shì)

然而，學(xué)術(shù)界對(duì)在線社交的影響效果和經(jīng)濟(jì)價(jià)值的研究卻并不多見，一些重要的問(wèn)題亟待解答。首先，一個(gè)最基本的問(wèn)題是，在線社交是否能顯著地影響消費(fèi)者的收視需求？如果能，應(yīng)該如何準(zhǔn)確地量化在線社交的影響效果？其次，在線社交究竟對(duì)哪些視頻節(jié)目更加有效？目前，越來(lái)越多的第三方評(píng)論網(wǎng)站(例如，IMDB、豆瓣網(wǎng)等)開始鼓勵(lì)觀眾對(duì)影視節(jié)目進(jìn)行在線評(píng)分，而觀眾對(duì)不同節(jié)目的評(píng)分通常有較大差異。那么，節(jié)目評(píng)分的高低是否會(huì)對(duì)在線社交的效果產(chǎn)生調(diào)節(jié)作用？為回答上述一系列問(wèn)題，本文基于國(guó)內(nèi)兩家知名視頻網(wǎng)站的數(shù)據(jù)，通過(guò)建立計(jì)量模型進(jìn)行了一項(xiàng)探索性的實(shí)證研究。

二、文獻(xiàn)回顧與研究假設(shè)

(一)在線社交對(duì)節(jié)目收視需求的影響

在互聯(lián)網(wǎng)普及之前，學(xué)術(shù)界對(duì)用戶收視行為的研究主要集中于探索影響電視節(jié)目收視率的相關(guān)因素。隨著互聯(lián)網(wǎng)的發(fā)展，研究逐步開始關(guān)注用戶的線上行為與收視行為之間的關(guān)系。例如，Joo等(2014)、Liaukonyte等(2015)的研究發(fā)現(xiàn)，用戶的在線搜索行為和線上購(gòu)物行為均與用戶的收視行為相關(guān)[3-4]。Fossen和Schweidel(2016)的一項(xiàng)研究初步證明了在線社交與節(jié)目收視之間的關(guān)聯(lián)[5]。他們發(fā)現(xiàn)，視頻節(jié)目和廣告的收視會(huì)促進(jìn)用戶在Twitter網(wǎng)站上實(shí)時(shí)地發(fā)布相關(guān)的口碑信息，但是，在線社交數(shù)量最多的節(jié)目卻并不是廣告效果最好的節(jié)目。這項(xiàng)研究考察了節(jié)目收視率對(duì)在線社交的直接影響，但未涉及在線社交是否會(huì)進(jìn)一步提升節(jié)目收視這一問(wèn)題。

那么，在線社交究竟會(huì)如何影響節(jié)目的收視需求呢？近期的營(yíng)銷研究發(fā)現(xiàn)，當(dāng)消費(fèi)者在與他人共同觀看視頻節(jié)目時(shí)，人際之間的互動(dòng)和溝通會(huì)滿足消費(fèi)者對(duì)歸屬感的需求(need to belong)和對(duì)節(jié)目?jī)?nèi)容的精確性需求(need for accuracy)，從而提升節(jié)目收視過(guò)程中的愉悅感[6]。所以，在線社交可能通過(guò)提升用戶觀看節(jié)目時(shí)的愉悅感來(lái)提升節(jié)目收視率。其次，在線社交在本質(zhì)上是觀眾在觀看視頻節(jié)目時(shí)所發(fā)布的線上口碑(online word-of-mouth)。眾多有關(guān)口碑的研究指出，線上口碑可以通過(guò)吸引消費(fèi)者知曉[7]或說(shuō)服消費(fèi)者改變態(tài)度來(lái)增加消費(fèi)者的參與或購(gòu)買行為[8-9]。因此，在線社交也可能通過(guò)口碑的知曉效應(yīng)或說(shuō)服效應(yīng)來(lái)提升節(jié)目的收視率。此外，也有研究認(rèn)為，在線社交可能會(huì)造成節(jié)目劇情提前被其他觀眾泄露，從而降低觀眾的收視體驗(yàn)和節(jié)目收視率[10]。不過(guò)，總體而言，我們?nèi)哉J(rèn)為在線社交對(duì)節(jié)目收視率的正向影響大于由潛在的劇透效應(yīng)帶來(lái)的負(fù)向影響。因此綜上所述，我們提出研究假設(shè)H1：

H1：在線社交對(duì)網(wǎng)絡(luò)視頻節(jié)目的收視需求有顯著的正向影響。

(二)節(jié)目評(píng)分對(duì)在線社交效果的調(diào)節(jié)作用

在互聯(lián)網(wǎng)時(shí)代，對(duì)于影視節(jié)目這類體驗(yàn)型產(chǎn)品，一個(gè)非常重要的變化是消費(fèi)者可以在很多第三方評(píng)論網(wǎng)站(例如，IMDB、豆瓣網(wǎng)等)對(duì)節(jié)目進(jìn)行評(píng)分[11]。很多相關(guān)的研究均發(fā)現(xiàn)影視類節(jié)目的線上評(píng)分對(duì)消費(fèi)者的態(tài)度和行為有重要的影響。例如，Chintagunta等(2010)研究了美國(guó)各個(gè)區(qū)域市場(chǎng)的票房銷售情況，發(fā)現(xiàn)線上評(píng)分的高低是最重要的影響因素[12]。Gopinath等(2014)進(jìn)一步將線上評(píng)分分為屬性導(dǎo)向(attribute oriented)的評(píng)分、情感導(dǎo)向(emotion oriented)的評(píng)分和推薦導(dǎo)向(recommendation oriented)的評(píng)分三種類別，并通過(guò)實(shí)證研究發(fā)現(xiàn)僅有推薦導(dǎo)向的評(píng)分會(huì)產(chǎn)生顯著的影響[13]。

那么，對(duì)于評(píng)分不同的節(jié)目，在線社交的效果是否有差異？事實(shí)上，觀眾觀看視頻節(jié)目和進(jìn)行在線社交是同時(shí)進(jìn)行的，這是一個(gè)多任務(wù)(multitask)處理的過(guò)程。在我們的研究情境中，節(jié)目評(píng)分越高通常代表節(jié)目?jī)?nèi)容越精彩。那么，觀眾在觀看節(jié)目時(shí)，注意力就會(huì)向節(jié)目本身分配更多的認(rèn)知資源。在觀眾的認(rèn)知資源總量有限的情況下，注意力在同一時(shí)間分配給在線社交的認(rèn)知資源就減少了。所以，對(duì)于評(píng)分較高的節(jié)目，在線社交對(duì)節(jié)目收視率的影響可能較小。相反，對(duì)于評(píng)分較低的節(jié)目，觀眾的注意力會(huì)將更少的認(rèn)知資源分配給節(jié)目本身，而將更多的資源分配給在線社交。所以，對(duì)于評(píng)分較低的節(jié)目，在線社交對(duì)節(jié)目收視率的影響可能更大。綜合上述分析結(jié)果，我們提出本文的研究假設(shè)H2：

H2：節(jié)目評(píng)分對(duì)在線社交的效果有負(fù)向的調(diào)節(jié)作用，即節(jié)目的評(píng)分越高，在線社交對(duì)節(jié)目收視需求的正向影響越小。

三、數(shù)據(jù)與變量

(一)數(shù)據(jù)來(lái)源

在本研究中，我們的研究數(shù)據(jù)來(lái)源于三個(gè)國(guó)內(nèi)知名網(wǎng)站：Acfun網(wǎng)站(www.acfun.cn)、Bilibili網(wǎng)站(www.bilibili.com)和豆瓣網(wǎng)(www.douban.com)。

首先，我們從Acfun和Bilibili網(wǎng)上收集了視頻節(jié)目收視需求和在線社交的數(shù)據(jù)。選擇這兩個(gè)網(wǎng)站的原因有兩點(diǎn)。第一，這兩個(gè)網(wǎng)站是目前國(guó)內(nèi)最活躍的視頻節(jié)目網(wǎng)站。以Bilibili網(wǎng)站為例，其活躍注冊(cè)用戶數(shù)超過(guò)1億人，視頻節(jié)目總數(shù)超過(guò)800萬(wàn)，每天的節(jié)目播放量超過(guò)1億次。所以，采用這兩個(gè)網(wǎng)站的數(shù)據(jù)對(duì)捕捉我國(guó)消費(fèi)者的網(wǎng)絡(luò)收視需求具有良好的代表性。第二，這兩個(gè)網(wǎng)站最大的特色即是我們的研究所關(guān)注的在線社交功能——“彈幕”。盡管目前已經(jīng)有很多其它網(wǎng)站(例如，優(yōu)酷網(wǎng)、愛奇藝等)也開通了彈幕功能，但這兩個(gè)網(wǎng)站仍然是國(guó)內(nèi)最早成立且最活躍的彈幕類視頻網(wǎng)站，其彈幕數(shù)量超過(guò)14億條，為我們提供了豐富的信息來(lái)研究在線社交對(duì)觀眾收視行為的影響。

在這兩個(gè)網(wǎng)站上，我們收集了2015年1月1日至2016年2月29日期間發(fā)布的所有動(dòng)畫劇節(jié)目的數(shù)據(jù)。通過(guò)匹配，這一時(shí)間段在兩個(gè)網(wǎng)站上同時(shí)存在的節(jié)目共有110個(gè)。對(duì)于樣本中的每一個(gè)節(jié)目，我們均從網(wǎng)站上收集了節(jié)目自發(fā)布以來(lái)的播放數(shù)量和彈幕數(shù)量，以及每個(gè)節(jié)目所包含的集數(shù)和每一集節(jié)目的播放時(shí)長(zhǎng)。

表1展示了節(jié)目數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果。首先，在節(jié)目收視方面，平均每個(gè)節(jié)目在兩個(gè)網(wǎng)站的播放數(shù)量分別為1025886和5839779，這說(shuō)明樣本中的大部分節(jié)目都很受歡迎。其次，從在線社交的情況上看，平均每個(gè)節(jié)目在Bilibili網(wǎng)站上產(chǎn)生的彈幕數(shù)量為246450條，高于Acfun網(wǎng)站的5450條，這說(shuō)明Bilibili網(wǎng)站的用戶在實(shí)時(shí)互動(dòng)方面更加活躍。第三，在節(jié)目集數(shù)和時(shí)長(zhǎng)上，大部分節(jié)目都是系列節(jié)目，平均每個(gè)節(jié)目包含大約15集，平均每集時(shí)長(zhǎng)約為26分鐘。

表1 節(jié)目數(shù)據(jù)的描述性統(tǒng)計(jì)

其次，我們從豆瓣網(wǎng)上收集了節(jié)目的在線消費(fèi)者評(píng)分?jǐn)?shù)據(jù)。用戶在豆瓣網(wǎng)上對(duì)節(jié)目進(jìn)行評(píng)論時(shí)，首先會(huì)被要求對(duì)節(jié)目進(jìn)行星級(jí)評(píng)分(范圍從1星到5星)，然后再撰寫具體的文字評(píng)論。豆瓣網(wǎng)會(huì)根據(jù)每位用戶的評(píng)分實(shí)時(shí)地計(jì)算節(jié)目的平均評(píng)分(從1分到10分)和各個(gè)星級(jí)評(píng)分的比例，并將其呈現(xiàn)在節(jié)目頁(yè)面的主要位置。我們將樣本中的110個(gè)節(jié)目與豆瓣網(wǎng)中的節(jié)目信息進(jìn)行匹配，最終獲得了104個(gè)節(jié)目的評(píng)分信息，剩下的6個(gè)節(jié)目由于評(píng)論數(shù)不足10條而不顯示總體評(píng)分。我們發(fā)現(xiàn)，樣本中的節(jié)目在豆瓣網(wǎng)上的評(píng)分均值為7.22分，最小值和最大值分別為4分和9.2分。從具體的星級(jí)評(píng)分的比例上看，3星至5星評(píng)分(85%)占大多數(shù)，這說(shuō)明觀眾對(duì)樣本中節(jié)目的普遍評(píng)價(jià)較高。以上結(jié)果與已有的不少國(guó)內(nèi)外相關(guān)研究中的描述性統(tǒng)計(jì)結(jié)果相似[14]，說(shuō)明我們的樣本具有良好的代表性。

(二)變量描述

基于從上述網(wǎng)站中收集的原始數(shù)據(jù)，我們對(duì)實(shí)證分析中涉及的相關(guān)變量進(jìn)行了構(gòu)建。其中，對(duì)于研究中所涉及的所有取值大于零的連續(xù)變量，我們都進(jìn)行了取自然對(duì)數(shù)的線性變換(logarithm transformation)。這樣做的好處主要有兩點(diǎn)：一是將潛在的非線性關(guān)系轉(zhuǎn)變?yōu)榫€性關(guān)系，使得模型的回歸結(jié)果更加穩(wěn)??；二是壓縮了變量的量綱(scale)，控制了離群值的潛在影響[15]。在我們的樣本中，節(jié)目的播放數(shù)量和彈幕數(shù)量在取值上存在很大的差距。例如，有的節(jié)目有上千萬(wàn)次播放和上百萬(wàn)條彈幕，有的節(jié)目?jī)H有幾千次播放和幾條彈幕。因此，對(duì)這些變量進(jìn)行對(duì)數(shù)變換很有必要。在表2中，我們匯總了主要的變量以及每個(gè)變量的描述。

(1)因變量。我們采用節(jié)目的播放數(shù)量LnView作為因變量，用于測(cè)量Acfun網(wǎng)站和Bilibili網(wǎng)站中視頻節(jié)目的收視需求。

(2)自變量和調(diào)節(jié)變量。實(shí)證分析中采用的自變量為節(jié)目的彈幕數(shù)量LnBullet，用于測(cè)量在線社交的數(shù)量。此外，我們采用節(jié)目在豆瓣網(wǎng)上的評(píng)分LnRating作為調(diào)節(jié)變量，用于測(cè)量觀眾對(duì)節(jié)目精彩程度的評(píng)價(jià)。通常而言，豆瓣網(wǎng)的評(píng)分低于6分的節(jié)目為低評(píng)分的節(jié)目，評(píng)分在6分至8分之間的為中等評(píng)分的節(jié)目，評(píng)分在8分以上的為高評(píng)分的節(jié)目。因此，我們?cè)诖嘶A(chǔ)上進(jìn)一步構(gòu)建了三個(gè)新的啞變量來(lái)區(qū)分不同評(píng)分區(qū)間的節(jié)目。

表2 主要變量及描述

(3)控制變量。由于樣本中存在不同類別和特征的節(jié)目，所以我們還構(gòu)建了一系列相關(guān)的控制變量來(lái)控制這些潛在的異質(zhì)性影響。首先，不同類型的節(jié)目在內(nèi)容和風(fēng)格上存在較大差異，所以其對(duì)觀眾的吸引程度可能也存在差異。因此，我們構(gòu)建了節(jié)目類別的分類變量Genre來(lái)控制其影響。第二，樣本中的節(jié)目來(lái)自中國(guó)和日本兩個(gè)國(guó)家。兩國(guó)的動(dòng)畫節(jié)目在制作水平和題材內(nèi)容上有所差別，觀眾對(duì)兩國(guó)動(dòng)畫節(jié)目的偏好可能也不一樣。因此，我們運(yùn)用啞變量District來(lái)控制節(jié)目制片地區(qū)可能產(chǎn)生的潛在影響。第三，在我們的樣本中，一些節(jié)目已經(jīng)完結(jié)，另一些節(jié)目仍然在連載中。由于連載中的節(jié)目可能比已完結(jié)的節(jié)目更能吸引觀眾的注意力，那么，其播放數(shù)量也可能更高。因此，我們采用啞變量Status來(lái)控制節(jié)目狀態(tài)對(duì)節(jié)目播放量的影響。最后，由于樣本中不同節(jié)目的集數(shù)和每集時(shí)長(zhǎng)不同，這兩個(gè)因素都可能對(duì)節(jié)目播放數(shù)量造成影響。所以我們采用LnEpisode和LnLength兩個(gè)變量來(lái)分別控制節(jié)目的集數(shù)和時(shí)長(zhǎng)可能產(chǎn)生的潛在影響。

四、實(shí)證分析與結(jié)果

(一)在線社交對(duì)節(jié)目收視需求的影響

為了分析在線社交對(duì)節(jié)目收視需求的影響，我們首先建立了一個(gè)線性回歸模型來(lái)進(jìn)行估計(jì)。具體的模型設(shè)定如下：

LnViewi=α0+α1LnBulleti+α2LnEpisodei+α3LnLengthi+α4～7Genrei,1～4+α8Districti+α9Statusi+εi

(1)

在模型(1)中，我們用下標(biāo)i=1,…N來(lái)代表不同的節(jié)目。因變量為L(zhǎng)nView，即節(jié)目的播放數(shù)量；自變量為L(zhǎng)nBullet，即節(jié)目的彈幕數(shù)量；控制變量方面，LnEpisode為節(jié)目的集數(shù)，LnLength為節(jié)目的時(shí)長(zhǎng)，Genre為一系列代表節(jié)目類型的啞變量(節(jié)目共有五種類型，所以加入四個(gè)啞變量)，District為代表節(jié)目制片地區(qū)的啞變量，Status為代表節(jié)目狀態(tài)的啞變量；最后，?為殘差項(xiàng)。我們采用普通最小二乘法(ordinary least squares，OLS)來(lái)對(duì)模型(1)中的參數(shù)進(jìn)行估計(jì)。

表3展示了回歸分析的結(jié)果。其中，第(1)和(2)列為全部樣本的回歸結(jié)果，第(3)和(4)列為Acfun網(wǎng)站樣本的回歸結(jié)果，第(5)和(6)列為Bilibili網(wǎng)站樣本的回歸結(jié)果。首先，我們僅將因變量LnView與所有的控制變量進(jìn)行回歸，隨后再進(jìn)一步將自變量LnBullet加入回歸模型。這樣做的目的主要在于對(duì)比加入自變量前后模型的擬合優(yōu)度是否有明顯提升，以此來(lái)說(shuō)明彈幕數(shù)量是否對(duì)節(jié)目播放數(shù)量有重要的影響。從表3的結(jié)果可以看出，所有的樣本在加入自變量后模型的擬合優(yōu)度都顯著提高。以第(1)和(2)列全部樣本的回歸結(jié)果為例，調(diào)整后R2在加入自變量LnBullet后由0.07增加到0.71，F(xiàn)值也由2.96增加到54.19。

表3 在線社交對(duì)節(jié)目收視需求的影響：橫截面分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。橫截面分析的對(duì)象為Acfun網(wǎng)站和Bilibili網(wǎng)站上同時(shí)存在的110個(gè)節(jié)目，兩個(gè)網(wǎng)站加總后共有220個(gè)樣本。模型的因變量為L(zhǎng)nView，即節(jié)目播放量(取自然對(duì)數(shù))。表格中所列的數(shù)字為回歸模型中系數(shù)的估計(jì)值，括號(hào)中的數(shù)字為標(biāo)準(zhǔn)誤。

在表3中，我們主要關(guān)注自變量彈幕數(shù)量的估計(jì)結(jié)果。我們發(fā)現(xiàn)無(wú)論是全部樣本還是Acfun網(wǎng)站或Bilibili網(wǎng)站的子樣本，彈幕數(shù)量的估計(jì)結(jié)果都非常一致。我們以全部樣本的估計(jì)結(jié)果為例，表3第(2)列顯示，LnBullet的系數(shù)估計(jì)值為正向顯著(α1=0.52，p<0.01)，這說(shuō)明觀眾在某個(gè)節(jié)目中發(fā)布的彈幕數(shù)量越多，這個(gè)節(jié)目的播放數(shù)量也越多。通過(guò)系數(shù)的估計(jì)值我們還可以計(jì)算出彈幕數(shù)量對(duì)節(jié)目播放數(shù)量的實(shí)際影響大小。由于我們對(duì)彈幕數(shù)量和節(jié)目播放數(shù)量都進(jìn)行了取自然對(duì)數(shù)的線性變換，所以系數(shù)的估計(jì)值為彈性，即彈幕數(shù)量的變化率對(duì)節(jié)目播放數(shù)量的變化率的影響[15]。α1估計(jì)值等于0.52，這說(shuō)明觀眾發(fā)布的彈幕數(shù)量每增加1%，節(jié)目的播放數(shù)量將增加0.52%。

在橫截面分析中，我們將用戶之間的在線社交(彈幕數(shù)量)作為外生性變量來(lái)進(jìn)行分析。然而，彈幕數(shù)量也有可能是內(nèi)生性變量，忽略潛在的內(nèi)生性問(wèn)題(endogeneity)可能會(huì)導(dǎo)致估計(jì)結(jié)果產(chǎn)生偏誤。在回歸模型中，遺漏了重要的相關(guān)變量是導(dǎo)致內(nèi)生性的主要原因*我們可以用一個(gè)簡(jiǎn)單的推理來(lái)解釋為什么遺漏相關(guān)變量會(huì)導(dǎo)致內(nèi)生性問(wèn)題。假設(shè)“真實(shí)”模型是yi=α+βxi+γzi+εi，然而，在實(shí)際的回歸模型中遺漏了變量zi。所以，實(shí)際進(jìn)行估計(jì)的模型是yi=α+βxi+μi(μi=γzi+εi)。如果xi與zi相關(guān)且zi與yi相關(guān)(即γ≠0)，那么xi就會(huì)與殘差項(xiàng)μi相關(guān)。如果γ>0，β的估計(jì)結(jié)果就會(huì)產(chǎn)生向上的偏誤；反之，如果γ<0，β的估計(jì)結(jié)果就會(huì)產(chǎn)生向下的偏誤。。如果這個(gè)被遺漏的變量同時(shí)與自變量和因變量相關(guān)，那么自變量與隨機(jī)擾動(dòng)項(xiàng)的無(wú)關(guān)性假定就不再成立，從而使最小二乘法的估計(jì)結(jié)果產(chǎn)生偏誤[17]。不少相關(guān)研究都發(fā)現(xiàn)內(nèi)生性會(huì)對(duì)研究結(jié)果產(chǎn)生重要影響[18]。例如，Oberholzer-Gee和Strumpf(2007)對(duì)音樂(lè)市場(chǎng)的經(jīng)典研究發(fā)現(xiàn)，在考慮了內(nèi)生性的影響后，音樂(lè)網(wǎng)絡(luò)下載量對(duì)線下專輯銷量的影響由顯著變?yōu)椴伙@著[19]。他們認(rèn)為，原因在于原模型中遺漏了能夠測(cè)量音樂(lè)質(zhì)量的變量，而音樂(lè)質(zhì)量又同時(shí)與音樂(lè)網(wǎng)絡(luò)下載量和線下專輯銷量相關(guān)。Nair等(2010)對(duì)醫(yī)藥市場(chǎng)的研究也發(fā)現(xiàn)，如果忽略了內(nèi)生性的影響，跟隨型醫(yī)生對(duì)意見領(lǐng)袖型醫(yī)生在使用藥劑方面的模仿行為會(huì)受到高估[20]。

同樣，本研究也需要考慮潛在的內(nèi)生性影響。盡管我們?cè)诨貧w模型中加入了一系列與節(jié)目類別和特征相關(guān)的控制變量來(lái)削弱內(nèi)生性的影響，但是，仍然可能存在一些變量因?yàn)殡y以直接觀測(cè)而無(wú)法進(jìn)行控制。例如，在本研究中，節(jié)目的質(zhì)量或受歡迎程度就難以直接觀測(cè)但卻與因變量和自變量都相關(guān)。因?yàn)?，與“差”的節(jié)目相比，“好”的節(jié)目很有可能引發(fā)更多的彈幕，同時(shí)產(chǎn)生更多的播放數(shù)量。那么，遺漏節(jié)目質(zhì)量或受歡迎程度就會(huì)產(chǎn)生內(nèi)生性問(wèn)題，從而使最小二乘法的估計(jì)結(jié)果產(chǎn)生偏誤。

我們用第一個(gè)等式減去第二個(gè)等式，便得到下面的模型(2)：

△LnViewi=γ0+γ1△LnBulleti+△εi

(2)

在模型(2)中，Δ代表各變量在Acfun網(wǎng)站和Bilibili網(wǎng)站上的差值。由于節(jié)目i在Acfun網(wǎng)站和Bilibili網(wǎng)站是完全一樣的，所以，在差分之后，潛變量μi就不會(huì)再出現(xiàn)在模型中。通過(guò)這種方法，我們?cè)谀Ｐ椭腥コ四切╇y以直接觀測(cè)的因素，從而控制了內(nèi)生性的影響。同理，其它一些可觀測(cè)的控制變量LnEpisode、LnLength、Genre、District和Status在兩個(gè)網(wǎng)站中的取值也是相同的，所以，他們?cè)谀Ｐ?2)中也同樣通過(guò)差分而去掉了。在模型(2)中，△LnViewi代表節(jié)目i在兩個(gè)網(wǎng)站的播放數(shù)量之差，△LnBulleti代表節(jié)目i在兩個(gè)網(wǎng)站的彈幕數(shù)量之差，△εi則為殘差項(xiàng)之差。

我們同樣運(yùn)用普通最小二乘法對(duì)模型(2)進(jìn)行估計(jì)。相對(duì)于橫截面分析，模型(2)的主要優(yōu)勢(shì)在于消除了潛在的非觀測(cè)效應(yīng)μi，從而控制了內(nèi)生性影響。因此，通過(guò)差分分析，我們可以得到在線社交對(duì)節(jié)目收視率更加準(zhǔn)確的估計(jì)，并可以將估計(jì)結(jié)果與橫截面分析的結(jié)果進(jìn)行比較，以驗(yàn)證結(jié)論的可靠性。

表4展示了差分分析的估計(jì)結(jié)果。其中，第(1)列為虛無(wú)模型(null model)的估計(jì)結(jié)果，第(2)列為完整模型的估計(jì)結(jié)果。通過(guò)對(duì)比可以看出，加入自變量之后的完整模型在擬合優(yōu)度上有巨大提升，其調(diào)整后R2和F值分別為0.39和71.65。對(duì)于自變量ΔLnBullet，我們發(fā)現(xiàn)其系數(shù)的估計(jì)結(jié)果是依然正向且顯著的(γ1=0.55，p<0.01)。并且，從取值上看，ΔLnBullet的系數(shù)估計(jì)值γ1=0.55與橫截面分析中LnBullet的系數(shù)估計(jì)值α1=0.52也非常接近。所以，差分分析的結(jié)果再一次驗(yàn)證了橫截面分析得出的結(jié)果，即在線社交對(duì)節(jié)目收視率有顯著的正向影響。綜合兩次分析的結(jié)果，我們提出的研究假設(shè)H1得到支持。

表4 在線社交對(duì)節(jié)目收視需求的影響：差分分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。差分分析的對(duì)象為Acfun網(wǎng)站和Bilibili網(wǎng)站上同時(shí)存在的110個(gè)節(jié)目。模型的因變量為ΔLnView，即兩個(gè)網(wǎng)站中同一節(jié)目播放量(取自然對(duì)數(shù))之差。表格中所列的數(shù)字為回歸模型中系數(shù)的估計(jì)值，括號(hào)中的數(shù)字為標(biāo)準(zhǔn)誤。

實(shí)證分析中存在的另一個(gè)潛在的問(wèn)題是反向因果，即究竟是在線社交增加了消費(fèi)者需求，還是消費(fèi)者需求使得在線社交增加？為了解決這一問(wèn)題，我們借鑒Hair等(2010)的方法，建立了一個(gè)聯(lián)立方程模型來(lái)同時(shí)估計(jì)這兩種影響關(guān)系[21]。具體的模型設(shè)定如下：

(3)

模型(3)共包含兩個(gè)方程：第一個(gè)方程用于分析節(jié)目收視率LnView對(duì)在線社交LnBullet的影響，第二個(gè)方程用于分析在線社交LnBullet對(duì)節(jié)目收視率LnView的影響。在第一個(gè)方程中，為了滿足模型可識(shí)別的要求，我們?cè)诨鶞?zhǔn)模型的基礎(chǔ)上加入了LnEpisode和LnLength的二次項(xiàng)作為新的外生變量，并且去掉了Status這一不顯著的變量；第二個(gè)方程的設(shè)定與模型(1)完全相同，以驗(yàn)證研究結(jié)論的一致性。通過(guò)模型(3)，我們可以同時(shí)分析在線社交與消費(fèi)者需求的相互影響，從而在一定程度上解決反向因果的問(wèn)題。

我們運(yùn)用兩階段最小二乘法(two-stage least squares，2SLS)對(duì)模型(3)進(jìn)行估計(jì)。表5展示了回歸結(jié)果。其中，第(1)、(3)和(5)列為方程一的回歸結(jié)果，即節(jié)目收視率LnView對(duì)在線社交LnBullet的影響；第(2)、(4)和(6)列為方程二的回歸結(jié)果，即在線社交LnBullet對(duì)節(jié)目收視率LnView的影響。從回歸結(jié)果中可以發(fā)現(xiàn)，無(wú)論在全部樣本還是子樣本中，關(guān)鍵變量的系數(shù)估計(jì)值都非常一致。第(1)、(3)和(5)列的結(jié)果顯示，LnView的系數(shù)在所有樣本中均不顯著，說(shuō)明節(jié)目收視率對(duì)彈幕數(shù)量并沒(méi)有顯著的影響。第(2)、(4)和(6)列的結(jié)果顯示，LnBullet的系數(shù)在所有樣本中均為正向顯著(p值均小于0.01)，說(shuō)明彈幕數(shù)量對(duì)節(jié)目收視率有顯著的正向影響。因此，通過(guò)總結(jié)這兩方面的回歸結(jié)果，可以說(shuō)明是在線社交增加了消費(fèi)者需求，而不是消費(fèi)者需求使得在線社交增加。

(二)節(jié)目評(píng)分的調(diào)節(jié)作用

接下來(lái)，我們想進(jìn)一步分析：在線社交究竟對(duì)評(píng)分高的節(jié)目還是評(píng)分低的節(jié)目作用更大？基于這個(gè)研究目的，我們?cè)谀Ｐ?1)的基礎(chǔ)上建立了下面的線性回歸模型。

LnViewi=θ0+θ1LnBulleti+θ2LnRatingi+θ3LnBulleti×Rating2i+θ4LnBulleti×Rating3i+θ5LnEpisodei+θ6LnLengthi+θ7～10Genrei,1～4+θ11Districti+θ12Statusi+εi

(4)

在模型(4)中，我們?cè)谀Ｐ?1)的基礎(chǔ)上進(jìn)一步加入了變量LnRating，用于控制節(jié)目評(píng)分對(duì)節(jié)目播放數(shù)量影響的主效應(yīng)。此外，我們還加入了彈幕數(shù)量和節(jié)目評(píng)分的兩個(gè)交互項(xiàng)LnBulletRating2和LnBulletRating3，以此來(lái)分析節(jié)目評(píng)分的調(diào)節(jié)效應(yīng)。其中，Rating2為代表中等評(píng)分(6-8分)節(jié)目的啞變量，Rating3為代表高評(píng)分(8分以上)節(jié)目的啞變量。模型中并沒(méi)有加入代表低評(píng)分(6分以下)節(jié)目的啞變量Rating1與彈幕數(shù)量的交互項(xiàng)，否則會(huì)產(chǎn)生多重共線性(multicollinearity)[25]。由于Rating2和Rating3均為啞變量，所以，當(dāng)兩者的取值均為零時(shí)，即代表低評(píng)分的節(jié)目。

我們采用普通最小二乘法對(duì)模型(4)進(jìn)行估計(jì)。表6展示了回歸結(jié)果。其中，第(1)列為全部樣本的回歸結(jié)果，第(2)和(3)列分別為Acfun網(wǎng)站和Bilibili網(wǎng)站的回歸結(jié)果。從表6中可以看出，全部樣本和兩個(gè)網(wǎng)站的子樣本在回歸結(jié)果上呈現(xiàn)一致性。

我們主要關(guān)注節(jié)目評(píng)分的主效應(yīng)和調(diào)節(jié)效應(yīng)。首先，我們發(fā)現(xiàn)，變量LnRating的系數(shù)為正向顯著(2=1.34，p<0.1)，說(shuō)明節(jié)目在豆瓣網(wǎng)上的評(píng)分越高，節(jié)目的播放數(shù)量也越高。這一結(jié)果與已有的眾多網(wǎng)絡(luò)口碑的研究相符[12,22]。然后，我們注意到，兩個(gè)交互項(xiàng)LnBulletRating2和LnBullet

表5 在線社交對(duì)節(jié)目收視需求的影響：兩階段分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。第(1)、(3)和(5)列為方程一的回歸結(jié)果，因變量為L(zhǎng)nBullet，即節(jié)目的彈幕數(shù)量(取自然對(duì)數(shù))；第(2)、(4)和(6)列為方程二的回歸結(jié)果，因變量為L(zhǎng)nView，即節(jié)目播放量(取自然對(duì)數(shù))。表格中所列的數(shù)字為回歸模型中系數(shù)的估計(jì)值，括號(hào)中的數(shù)字為標(biāo)準(zhǔn)誤。

表6 節(jié)目評(píng)分對(duì)在線社交影響效果的調(diào)節(jié)作用

注：*代表p<0.10；**代表p<0.05；***代表p<0.01?；貧w分析的對(duì)象為Acfun網(wǎng)站和Bilibili網(wǎng)站上同時(shí)存在且在豆瓣網(wǎng)站上有評(píng)分的104個(gè)節(jié)目，兩個(gè)網(wǎng)站加總后共有208個(gè)樣本。模型的因變量為L(zhǎng)nView，即節(jié)目播放量(取自然對(duì)數(shù))。表格中所列的數(shù)字為回歸模型中系數(shù)的估計(jì)值，括號(hào)中的數(shù)字為標(biāo)準(zhǔn)誤。

五、結(jié)論與管理建議

(一)研究結(jié)論

本文圍繞“在線社交是否會(huì)影響消費(fèi)者需求”這一核心問(wèn)題，從兩個(gè)國(guó)內(nèi)知名的視頻網(wǎng)站上收集了2015-2016年發(fā)布的110部視頻節(jié)目的客觀數(shù)據(jù)，通過(guò)建立計(jì)量模型開展了一項(xiàng)探索性的實(shí)證研究，獲得了以下結(jié)論。

第一，我們運(yùn)用從Acfun網(wǎng)站和Bilibili網(wǎng)站收集的彈幕數(shù)據(jù)和視頻播放數(shù)據(jù)分析了在線社交對(duì)節(jié)目收視率的影響。在橫截面分析中，我們首先將彈幕數(shù)量作為外生性變量進(jìn)行回歸分析。結(jié)果顯示，彈幕數(shù)量對(duì)節(jié)目播放數(shù)量有顯著的正向影響。隨后，為了進(jìn)一步控制潛在的內(nèi)生性影響，我們又設(shè)計(jì)了一個(gè)差分模型來(lái)消除遺漏難以觀測(cè)的變量(例如，節(jié)目質(zhì)量或受歡迎程度)的問(wèn)題。差分分析的估計(jì)結(jié)果再次驗(yàn)證了彈幕數(shù)量對(duì)節(jié)目播放數(shù)量的正向影響，從而證明在線社交能夠顯著提高節(jié)目的收視率。

第二，我們從第三方消費(fèi)者評(píng)論網(wǎng)站豆瓣網(wǎng)收集了節(jié)目評(píng)分?jǐn)?shù)據(jù)，并進(jìn)一步分析了節(jié)目評(píng)分對(duì)在線社交效果的調(diào)節(jié)效應(yīng)?；貧w結(jié)果顯示，對(duì)比低評(píng)分(6分以下)的節(jié)目，彈幕數(shù)量對(duì)于中等評(píng)分(6-8分)或高評(píng)分(8分以上)的節(jié)目的播放量的影響效果有所下降。該結(jié)果表明，節(jié)目評(píng)分對(duì)在線社交的效果有負(fù)向的調(diào)節(jié)作用：當(dāng)節(jié)目的評(píng)分較低時(shí)，節(jié)目的內(nèi)容很難吸引觀眾，所以觀眾更加會(huì)受到在線社交內(nèi)容的影響；節(jié)目評(píng)分越高則說(shuō)明節(jié)目?jī)?nèi)容越精彩，那么，觀眾就越不容易受到在線社交內(nèi)容的影響，而更關(guān)注節(jié)目本身的內(nèi)容。

(二)管理建議

對(duì)于管理實(shí)踐，本文的研究結(jié)論有助于企業(yè)管理者更加有效地運(yùn)用在線社交這一新興的營(yíng)銷工具來(lái)提高節(jié)目的收視率，同時(shí)也為以網(wǎng)絡(luò)視頻行業(yè)為代表的文化創(chuàng)意產(chǎn)業(yè)的發(fā)展提供了頗有價(jià)值的參考。具體而言，本文提出以下三方面管理建議。

第一，由于在線社交能夠有效地提高消費(fèi)者需求，所以相關(guān)的視頻網(wǎng)站和利益相關(guān)企業(yè)應(yīng)提高對(duì)在線社交的重視，通過(guò)多種方式引導(dǎo)并鼓勵(lì)更多觀眾發(fā)表“彈幕”，從而提升節(jié)目的收視率。例如，企業(yè)可以考慮邀請(qǐng)名人參與在線實(shí)時(shí)互動(dòng)，也可以考慮給予參與在線互動(dòng)的觀眾積分獎(jiǎng)勵(lì)等方式。從Acfun網(wǎng)站和Bilibili網(wǎng)站的案例中不難發(fā)現(xiàn)，盡管它們的成立時(shí)間遠(yuǎn)晚于優(yōu)酷和樂(lè)視等網(wǎng)站，卻能在目前網(wǎng)絡(luò)視頻行業(yè)激烈的市場(chǎng)競(jìng)爭(zhēng)中脫穎而出，其最重要的競(jìng)爭(zhēng)優(yōu)勢(shì)即來(lái)自于完善的在線社交功能。因此，我們建議企業(yè)管理者加強(qiáng)對(duì)在線社交工具的重視和使用，以應(yīng)對(duì)互聯(lián)網(wǎng)和新媒體環(huán)境下的新業(yè)態(tài)和新趨勢(shì)。

第二，企業(yè)管理者還應(yīng)該注意，在線社交的效果對(duì)評(píng)分不同的節(jié)目有所差異。對(duì)于評(píng)分較低的節(jié)目，在線社交對(duì)節(jié)目收視率的提升越大；而對(duì)于評(píng)分較高的節(jié)目，觀眾會(huì)更加關(guān)注節(jié)目本身的內(nèi)容，所以在線社交的效果反而不那么明顯。這一結(jié)果提示企業(yè)管理者應(yīng)該根據(jù)視頻節(jié)目在第三方消費(fèi)者評(píng)論網(wǎng)站(例如，豆瓣網(wǎng)等)的評(píng)分情況，動(dòng)態(tài)地、有側(cè)重地管理在線社交工具，以獲得更好的營(yíng)銷效果。特別是對(duì)于評(píng)分較低和觀眾實(shí)際反饋較差的節(jié)目，企業(yè)更應(yīng)該加大營(yíng)銷投入去吸引和鼓勵(lì)觀眾發(fā)布互動(dòng)內(nèi)容，以此來(lái)“挽救”節(jié)目的收視率。

第三，正確管理并引導(dǎo)在線社交，也有利于推動(dòng)網(wǎng)絡(luò)視頻行業(yè)的健康發(fā)展。由于彈幕是消費(fèi)者在觀看視頻節(jié)目過(guò)程中發(fā)布的實(shí)時(shí)信息，能夠真實(shí)地反應(yīng)用戶的實(shí)際看法，因此我們建議相關(guān)企業(yè)和行業(yè)管理者對(duì)于在線社交內(nèi)容進(jìn)行細(xì)致分析。一方面，可以幫助企業(yè)管理者更加真實(shí)地了解用戶實(shí)際需求；另一方面，也有助于行業(yè)管理者了解市場(chǎng)的真實(shí)反饋，順應(yīng)市場(chǎng)需求，提供更高質(zhì)量的文化內(nèi)容和產(chǎn)品。

[1]HILL S, BENTON A. Analyzing the impact of socialTV strategies on viewer engagement [R]. Beijing: KDD 2nd SOMA Workshop on Social Media Analytics, 2012.

[2]NIELSEN. Live TV + social media = engaged viewers [OL]. http://www.nielsen.com/us/en/insights/news/2015/live-tv-social-media-engaged-viewers.html, 2015-04-06.

[3]JOO M, WILBUR K C, COWGILL B, ZHU Y. Television advertising and online search [J].Management Science, 2014, 60(1): 56-73.

[4]LIAUKONYTE J, TEIXEIRA T, WILBUR K C. Television advertising and online shopping [J].Marketing Science, 2015, 34(3): 311-330.

[5]FOSSEN B L, SCHWEIDEL D A. Television advertising and online word-of-mouth:An empirical investigation of social TV activity [J]. Marketing Science, 2016, forthcoming.

[6]LOVETT M J, STAELIN R. The role of paid, earned, and owned media in building entertainment brands: Reminding, informing, and enhancing enjoyment [J].Marketing Science, 2016, 35(1): 142-157.

[7]DUAN W, GU B, WHINSTON A B. Do online reviews matter?—An empirical investigation of panel data [J].Decision Support Systems, 2008, 45(4): 1007-1016.

[8]SCHLOSSER A E. Can including pros and cons increase the helpfulness and persuasiveness of online reviews? The interactive effects of ratings and arguments [J].Journal of Consumer Psychology, 2011, 21(3): 226-239.

[9]LI X. Could deal promotions improve merchants’ online reputations? The moderating role of prior reviews [J]. Journal of Management Information Systems, 2016, 33(1): 171-201.

[10]BENTON A, HILL S. The spoiler effect?: Designing socialTV content that promotes ongoing WOM [R]. Phoenix, AZ: INFORMS Conference on Information Systems and Technology, 2012.

[11]CHEN Y, XIE J. Online consumer review: Word-of-mouth as a new element of marketing communication mix [J].Management Science, 2008, 54(3): 477-491.

[12]CHINTAGUNTA P K, GOPINATH S, VENKATARAMAN S. The effects of online user reviews on movie box office performance: Accounting for sequential rollout and aggregation across local markets [J].Marketing Science, 2010, 29(5): 944-957.

[13]GOPINATH S, THOMAS J S, KRISHNAMURTHI L. Investigating the relationship between the content of online word of mouth, advertising, and brand performance [J].Marketing Science, 2014, 33(2): 241-258.

[14]龔詩(shī)陽(yáng), 劉 霞, 劉 洋, 趙 平. 網(wǎng)絡(luò)口碑決定產(chǎn)品命運(yùn)嗎——對(duì)線上圖書評(píng)論的實(shí)證分析 [J]. 南開管理評(píng)論, 2012, 15(4): 118-128.

[15]LIU Y. Word of mouth for movies: Its dynamics and impact on box office revenue [J].Journal of Marketing, 2006, 70(3): 74-89.

[16]WOOLDRIDGE J M.Econometric analysis of cross section and panel data [M]. Cambridge, MA: MIT Press, 2010.

[17]GREENE W H.Econometric analysis [M]. Upper Saddle River, NJ: Prentice Hall, 2003.

[18]ROSSI P E. Invited paper—Even the rich can make themselves poor: A critical examination ofIV methods in marketing applications [J]. Marketing Science, 2014, 33(5): 655-672.

[19]OBERHOLZER-GEE F, STRUMPF K. The effect of file sharing on record sales: An empirical analysis [J].Journal of Political Economy, 2007, 115(1): 1-42.

[20]NAIR H S, MANCHANDA P, BHATIA T. Asymmetric social interactions in physician prescription behavior: The role of opinion leaders [J].Journal of Marketing Research, 2010, 47(5): 883-895.

[21]HAIR J F, ANDERSON R E, BABIN B J, BLACK W C.Multivariate data analysis: A global perspective [M]. Upper Saddle River, NJ: Prentice Hall, 2010.

[22]YOU Y, VADAKKEPATT G G, JOSHI A M. A meta-analysis of electronic word-of-mouth elasticity [J].Journal of Marketing, 2015, 79(2): 19-39.

(本文責(zé)編：辛 城)

The Effect of Online Social Interactions on Consumer Demand——An Empirical Study on Online Video Industry

GONG Shi-yang1, LI Qian2, YU Cheng-tan1

(1.BusinessSchool,UniversityofInternationalBusinessandEconomics,Beijing100029,China;2.InternationalBusinessSchool,BeijingForeignStudiesUniversity,Beijing100089,China)

This article focuses on the key question of “whether online interactions would affect consumer demand”, and carries out an exploratory empirical study based on the data of 110 programs released between the year of 2015 and 2016 from two popular Chinese online video websites. The results show that online social interactions have a positive impact on consumers’ viewing demand. Specifically, with an increase of 1 percent in online social interactions, the consumers’ viewing will increase by about 0.5 percent. In addition, the programs’ rating scores, from a third-party consumer reviews website, negatively moderate the relationship between online social interactions and program viewership. The online social interactions have a stronger impact on programs of lower rating scores than ones of higher rating scores. Finally, we provide managerial recommendations to the development of relevant enterprises and the industry.

online social interactions; viewing behaviors; online video; user-generated content; empirical study

2016-10-12

2017-04-23

國(guó)家自然科學(xué)基金青年項(xiàng)目“社交媒體環(huán)境下的目標(biāo)消費(fèi)者識(shí)別研究：基于人際連結(jié)視角”(71602033)；對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目“社會(huì)化媒體營(yíng)銷對(duì)消費(fèi)者采納行為的影響”(15QD11)；北京外國(guó)語(yǔ)大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目“企業(yè)員工的社會(huì)交換關(guān)系對(duì)知識(shí)分享影響的實(shí)證研究”(2016JJ019)。

龔詩(shī)陽(yáng)(1987—)，男，重慶人，對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)國(guó)際商學(xué)院講師，博士，研究方向：市場(chǎng)營(yíng)銷。通訊作者：李倩。

F713.50

A

1002-9753(2017)06-0039-10