章一丹 羅繼鋒 吳志艷

（1．上海交通大學 安泰經濟與管理學院，上海 200030；2．對外經貿大學，上海 201620）

時間距離是影響在線評價的重要因素，但針對旅游在線評論時間距離的研究還比較少見。并且，時間距離對評論影響的研究主要集中在認知理論方面，解釋水平／情感強度兩條路徑的作用尚未被充分討論，而且缺乏二手數(shù)據(jù)的支撐。鑒于此，本文對上述問題進行研究，主要貢獻體現(xiàn)在：

第一，本文爬蟲獲取平臺旅游網站門票區(qū)2017—2018年的全量評論數(shù)據(jù)，使用文本情感傾向和效價評分結合的方式探究時間距離的兩條作用路徑。首先采用文本挖掘的方法提煉情感指標，其次運用分位數(shù)回歸、固定效應模型和中介效應模型等計量模型嚴謹?shù)仳炞C時間距離的兩條作用路徑。本文將二手數(shù)據(jù)的方法應用于心理距離理論研究在以前的研究中不多見，是對當前理論的實證補充。

第二，本文充分論證了時間距離對評分的兩條作用路徑：（1）隨著時間距離的增加，消費者情感減弱從而導致原先低評分變好、原先高評分變差；（2）時間距離的增加帶來高水平的構建，對原先評分有正向作用，而整體上時間距離對評分的正向作用是由于評分右偏的J形分布特征，低評分被拉高作用明顯大于高評分被拉低作用。這一結論對線上口碑的營銷策略有一定的指導意義，適度的評論時間距離能帶來更多正向的口碑，而服務商一味促使消費者過早評論可能會帶來消極影響。

1 數(shù)據(jù)

1.1 數(shù)據(jù)

為了研究旅游網站在線評論的時間距離對評分的影響，編寫爬蟲程序獲取某旅游網站門票專欄2017年4月1日—2018年11月1日的所有產品的評論信息，包括產品編號、消費者編號、出行時間（精確到天）、評論時間（精確到秒）、旅游地區(qū)、評分、評論文本。為了結果的有效性，去除數(shù)據(jù)中的噪聲，比如系統(tǒng)故障導致的重復評論，產品上線最開始的30條評論等。最終，共有622178條評論、2451個產品和225428個用戶。

此外，旅游以戶外活動為主，容易受天氣這類外生因素的影響，為避免遺漏天氣因素帶來的內生性問題，本文編寫爬蟲程序獲取2017年4月1日-2018年11月1日所有景點地區(qū)每日的天氣信息，包括最高溫度、天氣（晴、雨、多云）和PM2．5值。

1.2 關鍵變量

1．2．1 評分

旅游網站評論中的產品評分有1～5分五檔，分數(shù)越高越積極。622178條樣本評分均值4．57，方差0．80。評分有著明顯J形偏態(tài)分布（Gao et al．，2015；Hu et al．，2006；2009），評分集中在5分檔（見圖1）。90．1%的評分集中在4～5分，其中5分超過70%。由于消費者對高分（4～5分）的偏好，時間距離對低分段的變化（1～2分）和高分段的變化（4～5分）的影響可能是不一樣的，常見的多元回歸在這里可能無效，本文增加分位數(shù)回歸模型驗證這種不一致性。

圖1 評分分布

1．2．2 時間距離

時間距離定義為消費者出行時間和評論時間的時間差。旅游網站的出行時間精確到天，評論時間精確到分鐘，因此本文以天為單位統(tǒng)計時間距離。時間距離的偏度是3．39（p＜0．001），因此對時間距離做對數(shù)變換，由于時間距離包含0（0沒有對數(shù)變換），因此整體加1再進行對數(shù)變換（McCune et al．，2012）。此外，為了更好地解釋交互項，本文對時間距離做了中心化處理（Cohen et al．，2003）。

圖2 時間距離分布

1．2．3 文本情感

Senta情感分析系統(tǒng)采用Bi-LSTM雙向語義依賴的深度學習框架，本文調用Baidu API的Senta情感分析定制模塊，采用遷移學習的方法，獲得文本情感得分0～1的連續(xù)值。首先利用公開數(shù)據(jù)集“譚松波的酒店評論語料”訓練模型，共包含9000條積極樣本、3000條消極樣本，訓練后的模型精確度從0．77提升到0．84。然后將模型應用到622178條評論文本中，獲得連續(xù)情感值的均值為0．78、方差為0．28、偏度為-1．51，也存在J形偏態(tài)分布的情況。

1.3 控制變量

具體的控制變量見表1，包含產品信息、用戶信息和天氣信息。產品信息方面，本文統(tǒng)計了評論前產品的歷史平均分和歷史評價數(shù)，分別代表了旅游產品的歷史水平和受歡迎程度，這些可能會影響到產品評價（Huang et al．，2016）。用戶信息方面，本文統(tǒng)計了評論前消費者的評論平均分和評論數(shù)，這可能系統(tǒng)性代表了消費者的評價習慣（Huang et al．，2016）。天氣信息是影響旅游出行的重要因素（Becken and Wilson，2013），本文提取了最高氣溫、天氣狀況和PM2．5三個指標。選用當日最高氣溫主要是景點旅游一般是在日間進行，由于一些地區(qū)的晝夜溫差較大，最高氣溫比平均氣溫更能反映出當天的體感溫度。為了更好地解釋交互項，對最高氣溫做了中心化處理（Cohen et al．，2003）。天氣狀況是將天氣預報的文字描述劃分成4檔：1-晴，2-多云，3-小雨陣雨等，4-中雨暴雨等。旅游出行受到淡旺季、氣候等因素的影響，因此本文采用年度和月度的時間固定效應，以消除由時間因素帶來的模型不可觀測因素。需要注意的是，當使用時間和產品的固定效應時，產品信息已經在固定效應模型中體現(xiàn)；當使用時間和消費者固定效應時，消費者信息也得到了體現(xiàn)，相應變量無需再放入模型。

表1 控制變量表

圖3 連續(xù)情感得分分布

2 模型結果

2.1 時間距離與評分

首先，采用傳統(tǒng)的多元回歸模型，評分為因變量、時間距離為自變量。模型有兩個特點：（1）增加了天氣變量、最高氣溫、天氣狀況和PM2．5值，其中天氣狀況（2，3，4）是離散值（2）分別對時間、產品和消費者做固定效應，控制了隨時間、產品、個體變化但難以觀測的變量，因此三者固定效應模型具有最佳的穩(wěn)健性。用以下公式對三者固定效應模型做具體解釋：

在式（1）中：TD指時間距離，Temp是最高氣溫，i是消費者編號，j是產品編號，t是時間編號，δi是消費者的固定效應，λj是產品的固定效應，τt是時間的固定效應，Controlijt代表除時間距離以外的控制變量。

回歸結果顯示（表2），在普通的最小二乘回歸（OLS）和多種固定效應模型下，時間距離對評分均有顯著的正向作用，且多個模型的回歸系數(shù)相近。天氣因素的影響方面，最高氣溫對評分有顯著的負作用（系數(shù)＝-0．003，p＜0．01）；極端天氣（天氣狀況4）相較于好天氣（天氣狀況1）有顯著的負作用（系數(shù)＝-0．028，p＜0．01）；PM2．5也會影響到評分，旅游當天的 PM2．5值越高，評分越低（系數(shù)＝-0．015，p＜0．1）。此外，表2還報告了時間與天氣的交互系數(shù)，時間與最高氣溫的交互項顯著為正（系數(shù)＝0．0007，p＜0．01），而最高氣溫對評分有負作用（系數(shù)＝-0．003，p＜0．01）。因此，時間距離對主效應（最高氣溫）帶來的負影響有一定的調節(jié)作用，即隨著時間距離的增加，最高氣溫對評分的負作用逐漸減弱。

值得思考的是，時間距離對最高氣溫的調節(jié)作用也說明了時間距離增加給消費者天氣感知帶來的減弱作用，由此推斷時間距離對評分可能也會存在同樣的“弱化”作用。同時，評分有著明顯J形偏態(tài)分布（Gao et al．，2015；Hu et al．，2006；2009），評分主要集中在5分，低分段的變化（1分／2分向高分）空間大于高分段的變化（4分和5分向低分），傳統(tǒng)的最小二乘回歸中時間距離對低分段的影響主導了回歸系數(shù)。因此，傳統(tǒng)的多元回歸在這里可能是失效的，下面將采用分位數(shù)回歸模型進一步探究時間距離對不同水平評分的影響。

表2 評分的回歸模型結果

2.2 時間距離與情感強度

普通最小二乘法是建立自變量和因變量條件均值關系的線性模型，而分位數(shù)回歸則是利用自變量和因變量的條件分位數(shù)進行建模，它能反映自變量對因變量分布位置、刻度和形狀的影響。本文采用分位數(shù)回歸模型對評分在0．25、0．5、0．75、0．9分位點上進行回歸，研究不同水平下時間距離的影響系數(shù)。同時，模型在時間和產品層面做了固定效應，由于消費者人數(shù)較多，直接將用戶平均分和用戶評論數(shù)作為控制變量加入模型中。固定效益模型能夠避免觀測不到的變量對模型的干擾，增加了模型整體的穩(wěn)健性。具體回歸模型如下：

其中：λj（τ）是產品j在水平τ下的固定效應，υt（τ）是時間t在水平τ下的固定效應，模型中的不同水平的斜率系數(shù)不一樣，時間距離TDijts的系數(shù)αgi（τ）（τ）代表第g i（τ）組未知的斜率參數(shù)。

根據(jù)Williams（2013）的研究，時間距離對不同水平的情感有不同的作用，時間距離對消極情感有改進的作用，對積極情感有減弱的作用。前文已經探討了效價評分和文本情感傾向的差別，本文加入時間距離對文本的情感值（自然語言處理模型計算的連續(xù)情感值）的分位數(shù)回歸，對比時間距離對評分和情感值的不同影響。

表3展示了分位數(shù)回歸的結果，對評分的回歸中，時間距離在 25%（0．029，p＜0.01）、50%（0.008，p＜0.01）、75%（0.04，p＜0．01）分位點上均有正向作用，但影響系數(shù)在逐漸變小，而時間距離在90%分位點對評分沒有顯著的作用。對情感值的回歸中，時間距離在25%（0．002，p＜0.01）分位點有正向作用，在50%分位點沒有顯著的作用，在75%（-0.0008，p＜0.01）和90%（-0.001，p＜0．01）分位點有顯著的負向作用，同時負向作用是在逐漸增強的。需要注意的是，因為因變量評分和連續(xù)情感值的閾值范圍不同，回歸系數(shù)沒有直接可比性。

從模型結果來看，時間距離對不同水平評分的影響系數(shù)差異較大，這種差異可能是別的遺漏變量帶來的。而時間距離對情感強度的減弱作用明顯，隨著時間距離的增加，消極情感和積極情感都會逐漸減弱，并且時間距離的作用大小隨情感強度的增加邊際增大。因此，時間距離很可能通過改變情感強度從而減弱了對評分的影響系數(shù)。本文進一步在時間距離對評分的回歸中加入情感值作為中介變量。

2.3 時間距離的兩條作用路徑

時間距離對評分的回歸中加入情感值作為中介變量的結果展示在下方。首先，加入情感值后的時間距離在各分位點上對評分都是顯著的正向作用，并且影響系數(shù)處于同一個量級，即加入剔除情感收縮的影響后，時間距離對各水平評分均有穩(wěn)健的正向作用。結合解釋水平理論的相關研究（Eyal et al．，2004；Herzog et al．，2007；Williams et al．，2014；Huangetal．，2016），認為這反映時間距離通過高水平構建正向提高了評分。

其次，以0．25和0．75分位數(shù)為例分析情感值的中介作用。根據(jù)溫忠麟等（2004）的中介效應測試方法，情感值的中介作用成立。在0．25分位數(shù)水平上（圖5），時間距離對情感是正向作用，加入情感值后，時間距離對評分的影響系數(shù)從原先的0．029（p＜0.01）下降到0.023（p＜0.01）；在0.75水平上，時間距離對情感是負向作用，加入情感值后，時間距離對評分的影響系數(shù)從原先的0.004（p＜0.01）下降到0.012（p＜0．01）。

表3 時間距離、評分和情感值的分位數(shù)回歸結果

表4 情感值在時間距離對評分影響的中介效應

圖4 情感值的中介效應（0．25分位數(shù)）

圖5 情感值的中介效應（0．75分位數(shù)）

2.4 小結

首先，本文通過分位數(shù)回歸模型論證了時間距離對情感值的減弱作用，并且時間距離對最高氣溫的調節(jié)作用也佐證了這一減弱效應。其次，通過中介效應模型論證了時間距離通過情感和解釋水平兩條路徑共同作用于評分。本文還對模型的穩(wěn)健性進行了檢驗。一方面，調整樣本集，如隨機生成的方式抽取子樣本集，在樣本集中隨機加入被清洗掉的“臟”樣本等，測試發(fā)現(xiàn)樣本數(shù)據(jù)的變化不會改變時間距離對評分的影響方式；另一方面，調整時間距離的測量方式，如改用周度、月度統(tǒng)計時間距離，取消時間距離的對數(shù)變換等，測試發(fā)現(xiàn)時間距離的測量方式也不會其對評分結果產生作用。因此，以上的模型結果適用于普遍數(shù)據(jù)集和測量方式，有良好的穩(wěn)健性。

3 結論

本文的貢獻在于：第一，通過嚴謹?shù)膶嵶C分析，在二手數(shù)據(jù)中論證了時間距離的兩條作用路徑，對心理距離、解釋水平理論和在線評論的研究工作作出了貢獻；第二，為旅游評論的市場營銷提供了科學建議。目前普遍督促消費者盡早評論的營銷策略可能會帶來負面效果，適度增加消費者評論的時間距離可以提高在線口碑。本文的研究還有以下兩點不足：首先，本文研究中只論證了時間距離對評分的正向作用，并結合 Williams（2013）的框架推斷出這種作用是由解釋水平變化帶來的，而抽象／具體在其中的作用尚未得到充分論證；其次，本文目前只涉及四種心理距離中的時間距離，Huang et al．（2016）的研究表明時間距離和空間距離會同時影響到在線評分，并且時間距離和空間距離間有交互作用，這些有待后續(xù)研究繼續(xù)論證。

人們常說“距離產生美”，本文的研究發(fā)現(xiàn)，旅游活動的回憶會隨著時間距離的增加而變化，所謂的“距離產生美”，一方面是時間距離的增加減弱了消極情感，另一方面是時間距離增加使人們更關注抽象事件，從而增加了評價的積極性。當然，時間距離的增加也會減弱積極情感，但由于旅游口碑的J形分布特征，消極情感的改善效果和解釋水平的正向作用更為突出。因此，服務商不必一味促使消費者過早評論，適當?shù)摹熬嚯x”能夠產生更“美”的口碑。