在线影评对电影上映场次和票房收入的影响研究

郭恺强

(井冈山大学商学院，江西吉安343009)

在线影评对电影上映场次和票房收入的影响研究

郭恺强

(井冈山大学商学院，江西吉安343009)

随着电子商务的飞速发展，在线影评已经成为消费者在选择观看电影过程中的重要信息源，也使得利用在线影评来预测电影票房收入成为了可能。为此，将在线影评数量、电影票房收入、电影上映场次作为内生变量，并借助联立方程模型分析它们的相互关系，结果表明：在线影评数量和电影上映场次显著正向影响电影票房收入；而电影票房收入和在线影评分值又对在线影评数量有显著影响；在用户影评和专家影评中，只有用户影评分值显著正向影响电影上映场次。

在线影评；口碑；联立方程；电影票房收入

互联网上的在线评论逐步成为消费者在选择与购买过程中的重要信息源。 根据CNNIC 的调查显示，71.1%网购消费者认为产品的在线评论是影响其购买决策的最主要因素。在线影评是指关于电影的在线评论，主要可以分为两类：用户影评和专家影评。 在电影行业，用户影评一般由普通的电影观众发布，用户影评更多地是表达自己的观点，很少评价电影的技术和艺术。专家影评则一般由专业的影评人士发布，更多关注电影的技术和艺术方面，从而迎合“精英人士”的口味。[1]一部电影获得截然不同的用户影评和专家影评是很普遍的事情。研究发现用户影评和专家影评对不同的消费者有不同的影响。[2]

近年来涌现大量针对在线影评与电影票房收入的研究，但在线影评对电影上映场次的影响却没有得到太多关注。电影上映场次是电影院在电影上映期间动态调整的，反映了卖家行为，因此针对在线影评对电影上映场次的影响研究，可以弥补在线评论与卖家行为关系研究的空白。总体来说，选择电影行业有两个优势：首先，电影是典型的体验型产品，消费者难以在消费前掌握体验型产品的真实质量，体验型产品有书籍、音乐、食物等，因此消费者在做购买决策前，会更为依赖相关产品的在线评论。调查发现 53% 的电影观众根据来自其他观众的信息判断电影的好坏。[3]其次，电影上映场次和电影票房收入的数据是完全公开的，而其它产品(如书籍、音乐)只公开销售排名。因此以电影行业为背景展开研究，可大幅提高实证分析的准确度。

基于以上讨论，本研究拟解决两个问题：在线影评对电影上映场次与电影票房收入的影响机理；用户影评和专家影评对电影上映场次以及票房收入影响上的异同。

一、文献综述

在线评论对产品销量的影响已经被广泛证实。在出版行业，Sorensen 和 Rasmussen (2004) 通过对《纽约时报》销量的分析，发现评论数量是预测产品销量最重要的因素，评论数量反映市场对产品的知晓度，甚至负面评论都会对销量的增加有所帮助。[4]龚诗阳等(2013)通过研究当当网的大样本面板数据，发现在线书评对图书的销量有显著影响；其中，评论数量和评论效价对销量有显著的正向影响。[5]在酒店业，Ye等(2009)收集携程网的酒店评论，利用线性回归模型研究在线评论对酒店预订量的影响。结果表明，评论的情感极性对酒店预定量有显著影响。[6]Zhang 等(2009) 的研究表明关于食物质量、环境以及服务质量的评论分值，与评论数量一起显著影响酒店的欢迎程度，而专家评论却负向影响顾客浏览酒店网站的意图。[7]在电视行业，Cadario(2014)通过收集tvbythenumbers.com网站上的数据，实证分析了在线评论对美国电视节目收视率的影响。结果表明，在线评论对收视率的影响是个倒“U”形，在线电视节目刚刚播映阶段，在线评论对收视率的影响并不显著，在中期阶段在线评论对收视率的影响达到顶峰，随后逐渐衰退。[8]在电影行业，Liu (2006)对于在线影评与电影票房之间的关系构建了线性回归模型，实证结果发现，在线影评的数量比影评分值对票房收入具有更为显著的解释力。[9]Duan等(2008)通过建立联立方程，分析了在线影评与票房的动态影响关系，结果证实，在线影评应为内生变量。影评既是票房的先导因素，也是票房的产出变量，两者相互影响。影评数量的增加会提高票房，票房的增加也会带来影评的增加。[10]杨扬(2015)通过格瓦拉网上电影评论的样本面板数据，从在线评论数量、评论分数、星级评论三个角度，对在线评论和电影票房收入的关系展开实证分析，结果表明，评论数量对票房收入有显著正向影响，并且影响效应随时间呈现出抛物线的变化趋势。星级评论对票房收入的影响主要发生在第 1周，并且一星级的负面评论对票房收入的影响大于五星级的正面评论。[11]

关于在线评论对卖家行为的影响，现有研究并不多。在照相机行业，Li 和 Hitt 发现在线评论会影响公司的定价行为；评价中等的产品，其价格浮动会更大。[12]在电影行业，Elberse 和 Eliashberg(2003)发现在线影评通过影响票房收入，从而影响电影上映场次的安排。[13]Karniouchina (2011) 则指出关于影星和电影的流言蜚语对电影上映场次有显著影响。[14]

二、理论框架

现有研究中，Elberse 和 Eliashberg (2003) 把电影上映场次和电影票房收入作为内生变量，认为电影上映场次和电影票房收入有相互影响的关系，而把在线影评作为外生变量，并通过建立联立方程模型分析证实了这种相互关系，即：高票房收入，将促使电影院安排更多的上映场次，同时额外的场次会带来更多的票房收入。[13]然而，Duan等(2008)把在线影评和电影票房收入作为内生变量，把电影上映场次作为外生变量，构建联立方程模型进行分析，结果表明电影票房收入和在线影评之间存在相互影响关系。

本文综合了以上两种观念，认为电影票房收入、在线影评、电影上映场次都存在相互影响关系，且都应为内生变量。如图1所示，高的票房收入会增加电影院对市场需求的期望，从而导致更多的上映场次被安排；另一方面，高的票房收入表示有更多的观众观看过电影，意味着更多的人可以发表在线影评，而新增的在线影评将进一步提高市场对电影的知晓程度，从而吸引更多观众。最终，电影票房收入将因为在线影评数量和电影上映场次的增加而增加。

图1 理论框架

本文研究对象的时间单位是从电影的上映到下线期间，而不是单日或单周。为此，本文收集的是累积汇总数据，即：电影票房总收入、在线影评总数、电影上映总场次；关于在线影评分值，以电影上映日最后一天的影评分值为准。另外，根据观察，在线影评的数量和分值在上映六周后基本趋于稳定。

三、假设

(一)关于票房收入的影响因素

在线影评影响票房收入的路径有两条。[9]一是意识效应，通过影评的扩散，促使更多消费者了解电影。市场研究者早已认同顾客对产品知晓是顾客确定购买的第一步, 在线评论的数量反映了市场对产品的知晓度，显然，越高的知晓度，导致越多的销售。大量研究证明在线评论的数量和产品销量正相关。[4]二是诱导效应, 消费者通过阅读在线影评对电影有新的认识，并重新估计观看该电影的预期价值，一般而言正面的意见鼓励消费，而负面的意见则阻碍消费。 现有的在线影评系统不仅提供文字评价的功能，还提供打分评价功能，并公开其汇总平均后的数值，即在线影评分值。因此，在线影评分值可以用来衡量影评的诱导效应。但是，大部分研究却证实在线影评的分值对电影票房的影响并不显著。[10]这正解释了，无论是在好莱坞还是在国内，“叫座不叫好”的电影比比皆是。因此，本文提出以下假设：

H1:在线影评总数正向影响电影票房总收入。

在电影业，众多研究证明了电影上映场次强烈影响票房收入，它反映了现实环境下观众对电影的实际可获得性。[15][16]同时，我们的模型也考虑影响电影票房收入的传统因素，如：电影投资额、电影等级(以美国电影协会MPAA的定级制度为标准)、是否为续集、明星号召力。因此，本文提出假设 H2和H3：

H2:电影上映总场次正向影响电影票房总收入。

H3：电影投资额、电影等级、明星号召力、电影续集正向影响电影票房总收入。

(二)关于在线影评的影响因素

显然，产品销量的增加意味着有更多顾客体验过此产品，也预示着将有更多顾客有可能发表在线评论。以上现象符合产品扩散理论，即体验过产品的消费者人数是产品口碑传播的重要因素。[17]因此，本文假设：

H4：电影票房总收入正向影响在线影评总数。

另一方面，有学者认为，在线影评分值越高，越容易刺激对电影失望的观众发表负面影评，以便降低电影评价的总分值，达到他们报复制片方的目的。另外在线影评分值同时反映了观众满意度，而满意的消费者，有强烈的动机发表正面影评，来满足自我提升的心理需求。[18]另外，为了分析用户影评和专家影评对发表影评行为影响的差异，提出以下两个假设：

H5a:在线用户影评分值正向影响在线影评总数。

H5b:在线专家影评分值正向影响在线影评总数。

大牌明星总是拥有更多的拥趸，可以吸引更多的关注目光，同样也伴随着更多流言蜚语；以往的研究表明，明星的号召力和在线影评数量正相关。[14]因此，本文提出假设：

H6:明星号召力正向影响在线影评总数。

(三)关于电影场次的影响因素

调查表明，电影院一般每隔一周调整电影的上映场次，调整的依据主要是电影前期在市场上的表现。[19]另外， Karniouchina (2011) 指出网络上关于电影明星和电影的话题越多，市场对电影的需求就越大，最终导致电影院安排更多的电影场次。[13]因此，本文提出以下假设：

H7: 电影票房总收入正向影响电影上映总场次。

H8: 在线影评总数正向影响电影上映总场次。

H9: 在线影评分值正向影响电影上映总场次。

为了分析在线用户影评和在线专家影评对电影上映场次影响的差异，我们把假设H9分成两个部分：

H9a: 在线用户影评分值正向影响电影上映总场次。

H9b: 在线专家影评分值正向影响电影上映总场次。

最后，显而易见电影上映时间越长，电影被安排的场次也可能更多。因此提出：

H10: 电影上映天数正向影响电影上映总场次。

四、研究方法

(一) 数据来源

本文的研究主要基于美国电影市场，一方面是因为美国的电影数据更为全面，另一方面是因为美国电影业更为成熟。本研究中的在线影评分值和在线影评数量的数据均来自IMDB网站，该网站是美国最受欢迎的电影评论网站。电影票房收入、电影上映场次、电影上映时间、电影投资额和电影等级的数据来自Box Office Mojo网站，而明星号召力是根据Forbes 网站发布的2013年100名人报告判定的，如果电影的主创人员出现在100名人列表中，则认为电影存在明星号召力。在收集数据的过程中，剔除了动画电影、成人电影及票房或评论信息严重缺失的电影。最终样本包括了美国 2013年度出品的120部电影。表1提供了电影样本的统计描述。

表1 电影样本的统计描述

(二)模型构建

根据收集的数据，发现上映场次、票房总收入、在线影评总数不存在线性相关性，两两之间相关系数均在0.5左右，而一般情况下大于0.8才被认为线性相关，可以分别对这三个变量构建模型。为了验证以上假设，建立以下两组联立方程组。联立方程组1:

LNREVENUE=α0+α1LNREVIEWS+α2LNSCREENS+α3LNBUDGET+α4STAR+α5SEQUEL+α6MPAAPG+α7MPAAR+μ1

(1)

LNREVIEWS=β0+β1LNREVENUE+β2LNUSERRATING+β3STAR+μ2

(2)

LNSCREENS=γ0+γ1LNREVENUE+γ2LNREVIEWS+γ3LNUSERRATING+γ4LNRELEASEDAYS+μ3

(3)

为了分析在线用户影评和专家影评的差异，建立另外一组联立方程组，在该方程组中用专家影评分值替代了用户影评分值。联立方程组2：

LNREVENUE=δ0+δ1LNREVIEWS+δ2LNSCREENS+δ3LNBUDGET+δ4STAR+δ5SEQUEL+δ6MPAAPG+δ7MPAAR+μ4

(4)

LNREVIEWS=θ0+θ1LNREVENUE+θ2LNCRITICRATING+θ3STAR+μ5

(5)

LNSCREENS=φ0+φ1LNREVENUE+φ2LNREVIEWS+φ3LNCRITICARTING+φ4LNRELEASEDAYS+μ6

(6)

表2 变量的解释说明

另外，本文对所有连续型变量均取自然对数形式，这种变换有三个好处：一是符合多阶段消费者购买决策过程的理论模型；二是尽可能将潜在的非线性关系变为线性关系；三是因为数据的对数化压缩了变量的量纲，控制了潜在离群值的影响。表2是变量的解释说明。

五、结果分析

在对模型进行估计之前，本文检验了上述联立方程模型的阶条件和秩条件，发现所有方程的阶条件和秩条件均成立，说明所有方程是可识别的。另外，本文采用Hauseman(1978)确认检验方法进一步证实了方程的联立性。[20]因此，本文采用三阶段最小二乘法( 3SLS) 进行参数估计，估计结果呈现在表3中。所有方程的R2都大于0.6，表示拟合度较好。

(一)关于票房收入的影响因素

在两个联立方程组中，方程(1)和方程(4)同以电影票房总收入为因变量，且估计结果非常相似。影响电影票房总收入的首要因素是电影放映总场次，其次是在线影评总数，这再次证明评论数量的意识效应，即更多用户讨论某个产品，则其他用户意识到产品的概率就越高，从而带来更多销量。因此，假设 H1和H2得到支持。

关于假设H3，只有电影投资额、明星号召力被证明和电影票房总收入正相关，而电影等级和电影续集对电影票房总收入没有显著影响。因此假设H3只被部分支持。高额投资意味着有力的市场推广、极具票房号召力的演员、华丽的场景、精彩的动作戏，多方位增大用户对电影的知晓和期望，最终导致高的票房收入。对于明星号召力，一方面、明星自身的影响力有助于提高电影的知名度，另一方面，由于观众对明星演技的认可，或相信明星对参演电影的慎重选择，提高了观众对电影的期望。电影续集固然可以借助上集的影响力提高观众对电影的知晓程度，但是市场上不乏“狗尾续貂”的电影作品，大大降低了观众的期望，两种效应的抵消，导致电影续集的影响不显著。

(二)关于在线影评数量的影响因素

方程(2)和方程(5)都以在线影评总数为因变量。在两个方程中，电影票房总收入和明星号召力都显著正向影响在线影评数量，因此，假设H4和H6都得到支持。在方程(2)中，在线用户影评分值的系数为1.3，说明在线用户影评对在线影评数量的影响显著且强烈。然而，在方程(5)中在线专家影评分值的系数下降到0.58, 说明相对于用户影评分值，在线专家影评分值对在线影评数量的影响力较弱。因此假设H5a 和 H5b 都得到支持。这一结果与Duan等(2008)的实证研究结果相符[10]，但与Anderson (1998)的研究结果不一致。 Anderson指出满意度和口碑之间是 U 型的曲线关系，当消费者对消费体验的满意度越极端时，其传播口碑的可能性越大；而当消费者对消费体验的感知较平淡时，即满意或不满意的程度不强烈时，消费者传播口碑的可能性也较低。[21]

归其原因，可能是因为，Anderson的研究是针对泛指的所有产品和服务的传统口碑，而本文和Duan等(2008)的实证研究都是针对电影行业的网络口碑，因此我们大胆推测，针对体验型产品(如 电影、书籍、音乐等)，满意的观众更愿意主动发表正面在线评论，不满的观众则更趋于沉默，且用户评论相对于专家评论可更准确地代表消费者的满意度。[10]此猜测有待更多的后续证明。

(三) 关于电影场次的影响因素

方程(3)和方程(6)中都以电影上映总场次为因变量，且估计结果有以下三个共同点：首先，电影票房总收入对电影上映总场次有显著正向的影响，因此假设H7得到支持；其次，在线影评数量对电影上映总场次的影响并不显著，这个假设 H8不符；最后，电影上映时间对电影上映总场次有显著正向影响，假设H10得到验证。

另一方面，两个方程的估计结果同时存在明显不同，在方程(3)中，在线用户影评分值对电影上映总场次有显著正向的影响。然而，方程(6)的估计结果却显示，在线专家影评分值对电影上映总场次的影响并不显著。因此，假设H9a得到支持, 而假设H9b 没有得到支持。这意味着，电影院在安排电影场次的时候，更多是依据普通用户对电影的评价，而不是专家或业界对电影的评价。可能的原因是，在线用户影评相对于专家影评能更准确地代表消费者对电影的满意度。另外，Chakravarty等(2010)针对美国电影市场指出普通电影消费者(不经常观影者)更多是被用户影评所影响，而成熟电影消费者(经常观影者)会更多地借鉴在线专家影评。[2]由于成熟电影消费者的数量要远远小于普通电影消费者，因而电影院主要是依据在线用户影评来安排上映场次。

总的来说，估计结果(参见表3)证明了电影票房收入、在线影评、电影上映场次之间的相互关系。表4对假设检验结果作了汇总。

表3 估计结果

***p<0.01, **p <0.05.

表4 假设检验的结果汇总

六、结论

本文应用了计量经济学的方法，构建了关于在线影评、电影票房收入、电影上映场次相互关系的联立方程组。研究结果有力地证明了它们之间存在相互影响关系。

研究结果发现， 影响电影票房总收入的主要因素是电影放映总场次和在线影评总数，再次证明评论数量的意识效应，即更多用户讨论某个产品，则其他用户意识到产品的概率就越高，从而带来更多的销量。其次，在线影评数量同时受到电影票房总收入和在线用户影评分值的影响，表明在线用户影评分值可通过在线影评数量间接影响票房收入。针对在线影评分值和在线影评数量这一正向关系，本文大胆推测，针对体验型产品(如电影、书籍、音乐等)，满意的消费者更愿意主动发表正面在线评论，不满的消费者则更趋于沉默。最后，我们发现在线影评分值中只有用户影评分值正向影响电影上映场次，证明了在线影评对电影院排片行为的影响。另外，在线影评数量虽然不直接影响电影院排片行为，但可通过影响电影票房收入间接作用于电影院排片行为。

根据本文的研究结果，提出如下建议以帮助企业的管理实践。首先，企业应尽量提高产品的在线评论数量。 在线评论的数量反映了市场对产品的知晓度，显然，越高的知晓度，则越多的销售。大量研究证明在线评论的数量和产品销量正相关。因此，商家应采取多种方式引导消费者发布评论。例如，淘宝商城部分商家为积极发表产品评论的消费者提供积分或其它奖励；当当网为发表产品评论的消费者提供经验值奖励，并有机会获得礼物或者抽奖机会；一号店设置发表买家体验积分，积分可用来购买特惠产品或抽奖。网络零售商的这些激励措施有助于提高产品知名度，扩大产品的潜在市场。

其次，以往的大部分研究并未重视在线影评分值和票房收入的显著影响关系。本文通过将在线影评数量设为内生变量，发现在线影评分值可通过在线影评数量间接地影响票房收入，从而证实在线影评的诱导效应。因此，电影发行方应尽全力提供高质量的电影，让消费者获得大于其所期望的价值，激发消费者的满意情绪，从而发表更多的电影评论，最终提高市场对电影的知晓度，进而吸引更多的消费者。

最后,研究结果证实在线用户影评对电影院排片行为的影响，这意味着，互联网时代在线评论不仅是消费者购买产品的重要依据，同时也是企业营销决策的重要参考。因此，企业不仅可以通过在线评论了解市场对自己产品的意见，还可以了解竞争产品在市场中的表现并加以分析，以此来预先判断竞争对手下一步可能的营销策略，提早采取应对措施。

本文的研究对象在线评论是一个相对新鲜的事物，且研究涉及多个学科，研究过程充满挑战，因此本研究仍然存在一些有待改进的地方， 需要继续展开深入的研究。首先，本文中的研究未考虑时间因素，后续研究可以分析在线影评在不同时期内对票房和上映场次的变化。其次，近年来电影评论网站层出不穷，有时不同网站上对同一电影的评价大相径庭，因此后续研究可以将在线影评来源纳入到研究模型中，分析在线影评在不同平台上的影响差异。最后，本文的研究是以电影行业为背景，而电影是典型的体验型产品，研究结果是否同样适用于搜索型产品，还有待进一步检验。

[1] Jong K.E. I., Christian B. Do consumer critics write differently from professional critics? A genre analysis of online film reviews[J]. Discourse, Context and Media, 2013, 2(2):75-83.

[2] 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(3): 185-197.

[3] Rosen E. The anatomy of buzz: how to create word of mouth marketing[M]. New York, NY: Random House Press, 2000.

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

[5] 龚诗阳，刘霞，赵平，等．线上消费者评论如何影响产品销量?——基于在线图书评论的实证研究[J]．中国软科学，2013(6)：171-183．

[6] Ye Q., Law R., Gu B. The impact of online user reviews on hotel room sales[J]. International Journal of Hospitality Management, 2009, 28(1): 180-182.

[7] Zhang Z. Q., Ye Q., Law R., Li Y. J. The impact of e-word-of-mouth on the online popularity of restaurants: A comparison of consumer reviews and editor reviews[J]. International Journal of Hospitality Management, 2010,29(4):694-700.

[8] Cadario R. The impact of online word-of-mouth on television show viewership: An inverted U-shaped temporal dynamic[J]. Marketing Letters, 2015, 26(4): 411-422.

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

[10] Duan W., Gu, B., Whinston A. B. The dynamics of online WOM and product sales-an empirical investigation of the movie industry[J]. Journal of Retailing, 84(2): 233-242.

[11] 杨扬. 网络口碑对体验型产品在线销量的影响——基于电影在线评论面板数据的实证研究[J]. 中国流通经济, 2015, 5(10): 62-67.

[12] Li X., Hitt L. M. Price effects in online product reviews: an analytical model and empirical analysis[J]. MIS Quarterly, 2010, 34(4): 809-831.

[13] 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(3): 329-354.

[14] 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(1): 62-74.

[15] Jones J.M., Ritz, C.J. Incorporating distribution into new product diffusion models[J]. International Journal of Research in Marketing, 1991, 8(2): 91-112.

[16] Swami S., Elisahberg J., Weinberg C.B. Silver Screener: A modeling Approach to Movie Screens Management[J].Marketing Science, 1999, 18(3):352-372.

[17] Mahajan V., Mulle E., Wind Y. New-product diffusion models[M]. Boston, MA: Kluwer Academic Publishers, 2000.

[18] Wangenheim F. V., Bayón T. The effect of word of mouth on services switching: measurement and moderating variables[J]. European Journal of Marketing, 2003, 38(9):1173-1195.

[19] De Vany A., Walls W.D. Bose-Einstein dynamics and adaptive contracting in the motion picture industry[J]. The Economic Journal, 1996, 106(439):1493-1514.

[20] Hausman J.A. Specification tests in econometrics[J]. Econometrica,1978, 46(6): 1251-1271.

[21] Anderson E.W. Customer satisfaction and word-of-mouth[J]. Journal of Service Research, 1998, 1(1): 5-17.

[责任编辑 李长成]

Research on Inter-Relationship among Online Review,Number of Screens and Box Office Revenue

GUO Kai-qiang

(School of Business, Jinggangshan University, Ji’an 343009, China)

This research studies the impact that online reviews has on seller’s behavior in the context of movie industry by taking advantage of its publicly available data. To this end, this paper develops a simultaneous equation system by regarding online reviews, box office revenue (product sales) and the number of screens (seller behavior) as endogenous variables. Compared with the prior studies, the result shows that number of screens and number of online reviews are positively correlated to box office revenue，box office revenue and online users’ rating have positive effect on number of online reviews. Besides, online users’ rating is positively associated with the number of screens, confirming that the online reviews have influence on seller’s behavior.

online reviews; online user reviews; online critic reviews; word-of-mouth; simultaneous equations; seller’s behavior

10.16088/j.issn.1001-6597.2016.06.008

2016-04-20

国家自然科学基金资助项目“在线评论对商家业绩的影响研究：情感分析的视角”(71371144)；江西省教育厅科学技术研究课题一般基金项目“中文产品评论细粒度情感分析研究”(GJJ150783)

郭恺强 (1982-)，男，江西兴国人，井冈山大学讲师，管理学博士，研究方向：电子商务与商务智能。

F713.36

A

1001-6597(2016)06-0046-08