摘  要： 社交媒体的广泛应用使得人们获取、分享信息更加便捷，在线评论是内容共享型社交媒体的典型代表，能帮助消费者快速制定购买决策。依据信息经济学理论和信息采纳模型，研究影响商品在线评论感知有用性的主要因素，构建了在线商品评论感知有用性预测模型，并以亚马逊网站上商品的实际评论数据进行了实证分析。结果表明，评论深度、评论者可信度、评论情感倾向和评论及时性与感知有用性为正相关关系，并根据研究结果对电商企业管理提出相关建议。

　　关键词： 在线商品评论；感知有用性；信息采纳模型

0 引言

　　随着Web2.0的广泛应用，社交媒体迅速发展，并引起了学术界的广泛关注。社交媒体指的是一系列建立在Web2．0技术和意识形态基础上的网络应用，它允许用户生成内容（UGC）的创造和交流[1]。社交媒体的核心理念在于“消费者即生产者”、“用户生成内容”，其主要特点是用户交互和信息资源共享，而在线评论作为内容共享型社交媒体的典型代表，成为当代消费者获得产品信息的重要来源。据统计，到2013年11月底，中国网民规模达到6.04亿。随着我国网民数量的不断增长，网络购物的人群也在持续增加，有研究表明，消费者在购买商品之前会首先参考网友的评论建议[2]。

　　在线评论在消费者制定购买决策过程中起着重要作用，并对电子商务网站商品的销售具有显著的影响[3]。然而，目前电子商务网站上关于商品的在线评论数量巨大而且评论信息内容呈多样性，使得消费者很难快速发现对其有用的评论，并帮助其制定购买决策。因此，研究怎样的评论信息对消费者有用具有重要的意义。

　　有用的在线评论是指能够帮助消费者制定购买决策的评论[3]。针对在线评论的有用性问题，学术界已有一些研究，主要是基于文本挖掘和信息质量评价理论的方法[4]，并集中在评论文本内容的特征选取上。Kim等人通过实证分析认为，评论的长度、评论的词汇特征和对商品的评分是评论有用的主要影响因素[5]。Mudambi和Schuff通过对搜索型和体验型两类产品的实证研究，得出极端评论和评论深度显著影响消费者对商品评论的感知有用性[3]。Ghose和Ipeirotis针对数码相机和视听播放器两类商品，通过LingPipe对在线评论进行情感分析，通过统计模型进一步分析发现，评论的主客观倾向及正负情感倾向对商品评论有用性有显著影响[6]。另外，有一些学者也试图从评论者方面去寻找影响评论有用性的因素。Liu等人认为评论者的经验、评论的写作风格和评论的时效等对消费者采纳评论意见起到决定性作用，并通过从影评数据集抽取相关属性建模拟合以上3个因素，进而构建非线性的回归模型，预测评论的有用性[7]。Christy等以信息处理过程为基础，研究认为消费者个人身份信息披露是对产品信息的完善和补充，可用来作为评价评论有用性的依据[8]。

　　通过以往研究发现，在线评论有用性问题是当前研究的热点，但尚不成熟，关于评论有用性的影响还应考虑更多因素。本文依据信息采纳模型（Information Adoption Model），从评论内容特征和评论者特征两方面，探讨消费者对评论感知有用性的影响因素，提出假设并构建在线评论感知有用性预测模型。本文旨在帮助消费者更有效地参考在线评论，帮助电商企业更有效地进行管理与营销以实现增值，具有重要的理论价值和现实意义。

1 理论基础和模型框架

　　1.1 理论基础和模型框架

　　Mudambi和Schuff在研究中首次借鉴信息经济学与决策不确定性理论框架[3]，认为消费者在网上购物时对商品的质量等信息并不完全了解，通常处在信息不对称的情况下。消费者通过在线信息搜寻来减少购买过程中的不确定性，并且需要衡量在网上进行信息搜寻所花费的成本与其能带来的效益之间的关系[6]。

　　在信息系统领域，Sussman和Siegal提出了IAM（Information Adoption Model）模型，该模型首次提出“信息有用性”概念，并认为影响信息搜寻者感知信息有用的直接因素是信息内容质量和信息源的可信性[9]。如图1所示。

　　因此，依据IAM模型，并结合在线评论本身的特征，提出在线商品评论感知有用性预测模型，如图2所示。信息内容质量维度主要考察评论内容质量，选取了评论情感倾向、评论深度和评论及时性等评论内容特征为代理指标；信息评论者是信息的主要信息源，因此，信息源可信性维度主要考察了评论者特征，选取了评论者可信度为代理指标；此外，由于电子商务网站上有用度取值是一个比值，因此，把有用度投票总数作为控制变量。

　　1.2 研究假设

　　1.2.1 评论内容特征

　　（1）评论情感倾向

　　消费者在线购物完成后，在电商网站上除发布商品评论信息外还可以以星级形式对商品进行评价。星级可以在一星到五星之间进行选择，反映了消费者对购买商品的情感倾向，一星代表极差负评，五星代表极好正面评价。已有一些研究对评价情感倾向对评论的感知有用性进行了探讨，郝媛媛研究发现在线影评中积极的情感倾向（极端评价）与评论的有用性呈正相关关系[4]，Ghose和Ipeirotis的研究认为极端评论对评论有用性有显著影响[7]，以上研究都表明评论情感倾向是影响评论有用性的重要因素，因此，本文提出假设H1：

　　H1：评论的情感倾向与商品评论感知有用性呈正相关关系。

　　（2）评论深度

　　消费者在进行网络购物时通常处在信息不对称的情况下，消费者希望通过信息搜寻能获得更多关于商品质量的信息，而相对较长的评论能包含更多的信息，有助于消费者抵消信息不确定性。Mudambi和Schuff发现评论内容的长度会影响在线评论的有用性[3]。Schwen发现消费者在制定购买决策时更倾向于接受较长的信息[10]。因此，本文提出假设H2：

　　H2：评论深度与评论感知有用性呈正向相关关系。

　　（3）评论的及时性

　　评论的及时性是指评论发表时间与现在时间的时间间隔，时间间隔越小表示其发表的评论越及时。消费者在进行购物时，会更加关注新近发表的评论，以获得商品近期的质量信息。因此，本文提出假设H3：

　　H3：评论的及时性对商品评论感知有用性影响显著。

　　1.2.2 评论者特征

　　评论者是评论信息的主要来源。在传统口碑研究中，Hovland & Weiss通过实验设计方法对口碑来源的可信度进行了实证研究，提出了消费者更倾向于相信来源可信度高的口碑，可信度高的口碑更具有说服力。Fogg & Tseng将评论者可信性定义为信息接收者对信息传送者个人特质特征的判断和对其可信赖程度的主观认知[11]。亚马逊网站对评论者评级资质有考核，并统计了评论者发表的评论中获得其他消费者投其“有用”的票数，并和评论者发表的总评论数相除，这个比值用来衡量该评论者发表的“有用的评论数”，一定程度上反映了评论者发表评论的专业性和真实可靠性。因此，本文提出假设H4：

　　H4：评论者的可信度与评论感知有用性评价之间呈现正向相关关系。

2 模型与变量设定

　　基于以上理论假设，建立在线评论感知有用性影响因素预测模型：

　　Helpfulness=α+β1Review Length+β2Elapsed Date+        β3 Review Rating+β4Total Vote+β5 Reviewer Helpfulness+ε（1）

　　此模型以评论的情感倾向、评论的深度、评论及时性、评论者可信度作为自变量，对评论有用性进行回归。评论深度采用的是评论的字长，评论的情感倾向采用网站对评论的评分（星级）作为代理指标，评论者可信度采用网站上对评论者信息中“有用的评论数”作为代理指标，把从评论发表时间到抓取数据时间的累积天数作为考察评论及时性的代理指标。因变量（评论有用性）采用网站上提供的认为该评论有用的投票数与总投票数的比值作为代理指标。因评论有用性的代理指标是一个比值，因此把评论总数作为控制变量。各变量的符号及解释如表1所示。

3 研究方法

　　本研究使用网络爬虫工具，自动从亚马逊网站上抓取了书、CD和音像制品这3种体验型商品的评论数据。每条评论抓取的数据包括评论内容、评论的星级、评论发布的时间、评论者信息中的有用的评论数、评论的有用比和评论投票总数。时间跨度为2010年12月10日~2013年8月3日，共收集评论1 063条，剔除个别极端数据，得到有效样本共547条。

　　总体样本数据的描述性统计详见表2，评论字长在109余字，投票数均值在12左右，评论时长均值为702天，评论者可信度均值为0.91，评论的有用度均值为0.97，平均星级为4.21，评论情感倾向趋于积极。

4 实证研究结果与讨论

　　本文通过Stata统计软件，使用Tobit回归模型分析不同类型商品在线评论有用性模型及研究假设。

　　由表3可知，评论深度、评论星级和评论者可信度对评论感知有用性均有显著的正向影响作用（p=0.000），评论发布的时间与感知有用性成负相关关系，发布时间越短则表明评论越及时，对评论的感知有用性越有正向影响。因此，假设H1、H2、H3、H4均得以验证。本文研究假设及验证结果总结如表4所示。

　　本文抓取的数据都属于体验型商品，对于体验型商品，消费者必须靠亲身体验来衡量产品质量，所以在亲身体验前，消费者会比较关注他人的主观评论意见，因此会比较关注已体验过的消费者对商品的情感倾向。

　　通过研究发现，评论的及时性与消费者感知有用性评价之间呈正相关关系，对于体验型商品，消费者更关注其近期的感知质量，因此两者之间的相关关系显著。

　　网站上商品评论信息多种多样，消费者更愿意相信来源可靠的评论，评论者的可信度一定程度上能够反映评论者的专业性和可靠性，其发表的商品评论具有较高的参考价值，因此，消费者更愿意接受可信度高的评论者发表的评论内容。

5 研究结论与建议

　　全球社交媒体用户人数已超过10亿，这对消费者的购买方式产生了深刻影响。消费者们利用各种社交媒体工具表达对商品的意见、分享购买经验，生成了大量关于商品的在线评论，本文的研究结果可以帮助消费者在网上购物过程中更有效地参考在线评论，同时为企业管理和营销提供帮助。

　　本文依据信息经济学和信息采纳模型，从评论内容特征和评论者特征两方面考察影响商品在线评论感知有用性的主要因素，构建了在线商品评论感知有用性预测模型，以亚马逊网站上自动获取的体验型商品的评论数据作为研究对象，用实证分析方法对模型进行了分析和验证。

　　研究表明，评论长度正向影响消费者对评论的感知有用性；评论的星级对评论感知有用性有显著影响，且对于体验型产品，消费者更易关注极端评价；评论者的可信度显著正向影响其发表的评论的感知有用性程度；评论及时性对评论感知有用度影响显著。

　　从实践角度来看，本研究成果能够帮助消费者更有效地参考在线评论信息，帮助企业建立评论有用性预测模型，指导企业对在线评论进行有效管理。从可持续发展的角度来看，电商网站应该尽可能鼓励消费者发表关于商品的在线评论，并为消费者提供对其制定购买决策有用的商品评论，以提高消费者购买前对商品的认知，提升消费者在线体验，减少购买前预期与购买后的落差，从而提高顾客的满意度。首先，在完善评论网站的用户资信度评价体系上，可根据本研究成果，采取措施鼓励用户撰写内容全面、丰富的商品评论；其次，在商品介绍信息网页中加入比较全面的商品评论信息，以加深消费者对商品的了解。

　　本文扩充了对在线评论有用性的研究，但存在一些不足：（1）评论样本量不够大，且只针对体验型商品进行了研究，而对搜索型商品没有研究；（2）对影响因素应做进一步扩充，并与文本挖掘方法相结合来研究评论的有用性。在后续工作中将进行更深入的研究。

参考文献

　　[1] KAPLAN A M， HAENLEIN M. Users of the world， unite! The challenges and opportunities of Social Media[J]. Business Horizons， 2010，53（1）：59－68.

　　[2] 宋晓兵，丛竹，董大海.网络口碑对消费者产品态度的影响机理研究[J].管理学报，2011，8（4）：559-566.

　　[3] MUDAMBI S M， SCHUFF D. What makes a help-ful online review？a study of customer reviews on amazon.com[J]. MIS Quarterly， 2010， 1（34）：185-200.

　　[4] 郝媛媛，叶强，李一军.基于影评数据的在线评论有用性影响因素研究[J].管理科学学报，2010，13（8）：78-96．

　　[5] KIM S M， PANTEL P， CHKLOVSKI T， et al. Automatically assessing review helpfulness [C]. Conference on Empirical Methods in Natural Language Processing， Morristown， 2006： 423-430.

　　[6] STIGLE G J. The economics of information[J]. Journal of Political Economy， 1961， 69（3）：213-225．

　　[7] GHOSE A， IPEIROTIS P G. Designing novel review ranking systems： predicting the usefulness and impact of reviews[C]. Proceedings of the ninth international Conference on Electronic Commerce. Association Computing Machinery（ACM）， 2007： 303-310.

　　[8] CHEUNG C M K， LEE M K O， RABJOHN N． The impact of electronic word-of-mouth the adoption of online opinions in online customer communifies[J]． Internet Research， 2008，18（3）：229-247.

　　[9] 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.

　　[10] SCHWENK C. Information， cognitive biases， and commit-ment to a course of action[J]. Academy of Management Review， 1986， 11（2）：298-310.

　　[11] FOGG B J， TSENG S. Credibility and computing technology[J]. Communieations of Assoeiation for Computing Machinery， 1999，42（5）：39-44.