在线评论对商家业绩影响研究

陈火全

(泉州师范学院 创新创业学院,福建 泉州 362000)

随着网络技术和物流技术的发展，网络购物成为时下流行的购物方式。它具有产品价格低、商品种类多、节约时间和体力的优势，但其虚拟性也意味着消费者无法像传统渠道那样看到商品实体，因此网络购物会面临较大的不确定性和风险。此时，作为新的网络口碑形式，在线消费者评论在消费者网络购物决策中扮演着越来越重要的角色，并成为一个新兴的市场现象。在线消费者评论(Online Reviews)，又称在线评论( Online Consumer Reviews，OCRs)或消费者产生的内容( User-generated Content) 。Park,D.H.和J.Lee( 2009) 指出，在线消费者评论是网络口碑(Electronic Word of Mouth,eWOM)的一种类型，是消费者对网络购物场所提供产品的正面或负面评价[1]；Mudambi,S.M.和D.Schuff( 2010) 将其定义为同样身份的人发表在企业或第三方网站的产品评价[2]。

在线评论对商家来说是一把双刃剑，一方面消费者可以通过在线评论了解产品的信息，减少商家的销售成本；另一方面在线评论的质量对产品的销量产生重要影响。负面的评价内容对产品的销售量会产生消极的影响，这样，商家就会被第三方评价平台所制约，对其产生依赖性；而正面的评价内容对提升产品的销量具有重要作用。Chrysanthos Dellarocas[3]和Yubo Chen[4]等人研究提出在线产品评论已经成为新时代企业重要的营销手段，在企业产品网上销售过程中充当着企业销售助理的作用，它对企业的销量具有明显的杠杆作用。越来越多的国内外学者已经在研究在线评论内容与产品销量之间的联系,他们的研究也表明,在线产品评论的分数与产品的销量呈正相关关系。然而他们研究的前提假设是:假设顾客的购买决策只受到在线产品评论得分的影响，却忽视了在线产品评论其他方面的信息,像评论内容的质量、评论者的资信度、评论者的时效性、评论数量等对用户购买决策的影响,而这些因素能够反映出评论的真实质量，对购物者具有重要的参考价值。

本文在前人分析的基础之上，以数码相机的在线评论为研究对象,重点研究在线评论内容质量、评论者资信度、评论的时效性等各方面因素对其产品销量的影响，将产品销量作为因变量，测量它对各影响因素变量变化的敏感程度，从中找出能够对产品销量产生显著影响的因素，并利用交易成本经济学原理对此结果进行解释，并在此基础上确定各影响因素对产品销量的影响因子大小和在线产品评论与产品销量的逻辑回归模型，为以后企业的产品销售策略提供参考，这也是本文的价值所在。

一、文献回顾

在线评论的特征包括评论的数量(Quantity of Review)、质量(Quality of Review)、效价(Avalibity of Review)、时效性(Timeliness of Review)、星级评分(评论者资信度)(Reputation of Reviewer)等几个方面[5-7]。目前国内外学者对在线评论的研究集中在：(一)在线评论的可信度研究，通过挖掘在线评论的可信度来提升在线评论的经济价值。(二)消费者情感倾向的不一致对消费者决策影响的研究。在线评论消费者情感倾向的不一致导致后期顾客进入选择的两难境地。学者采用各种计算方法分析消费者的感情倾向，挖掘在线评论的价值。研究发现，学者们通过各种技术手段挖掘在线评论价值的根本目的在于实现在线评论的经济价值，目前在这一方面的研究还刚刚起步。Liu[8](2006)，Duan[9](2008)，Duan&Bin[10](2008)等以电影为研究对象，Duan&Bin提出在线产品评论数量和票房收入都对在线产品评论数量产生影响，同时在线评论数量的增加反过来又会增加电影的票房收入,两者之间是相互影响的；Liu得出在线产品评论对每周和总的票房收入都有影响，特别是对刚开始几周的票房有显著影响。但对在线评论负面倾向性百分比研究发现，影响票房收入的是在线评论总数而不是评论内容的结论；Duan的研究指出在线电影评论内容对电影的票房收入没有多大影响，但是在线电影评论的数量对电影票房收入有显著性影响；郝媛媛[11]等(2010)指出电影在线影评中正向情感、较高正负情感混杂度、较长句子对评论的有用性具有显著的正面影响，这种正面的影响对电影票房的提升有很大作用。综上所述可知，电影票房的收入受在线电影评论的影响，只是在线评论四个维度对票房量的影响存在差别。Godes[12]等学者(2004)通过对1999—2000电视节目进行研究，指出利用互联网对电视节目进行评论的形式,增加电视节目评论数量，能够很大程度上增加这个电视节目的收视率。Forman[13]等(2008)认为评论者相关的信息对消费者判别产品的质量和可信度有着较为重要的影响,评论者身份的公开化对书籍产品的销量有着显著性影响。Chen[14]等(2004)也以书籍为研究对象指出在线产品评论内容对产品销量无明显影响,而评论的数量与书籍产品销量呈现正相关关系。Ye[15]等(2009)通过研究酒店预订量与在线评论的关系指出在线评论内容的正负面与酒店预定量呈现正相关关系,而评论内容的多少与酒店的预定量无直接联系。学者李建[16]研究在线评论对网上手机销量的实证研究指出：手机产品的价格和评论者的威望对产品的销量相关性不大，在线评论数量、商品的关注度、评论的时效性、顾客认为评论的有用率对在线手机销量有显著性影响,而评论的正负情感倾向性、商品的价格、评论者的威望对产品的销量无明显影响。消费心理学研究表明，消费者是带着主观情感色彩进行在线评论的，其内容可以大大触发潜在顾客的心理诉求，进而影响其购买决策及商家业绩。Chevaliar (2006)等研究发现评论数量越多与图书销量就越多，反之亦然，二者呈显著正相关关系。Trusov[17](2009)等研究表明在线评论对消费者而言具有更大的说服性，会给企业带来更多的消费者，商家业绩也相应得到提高。刘顺利[18](2013)通过实证研究分析了在线评论对产品销量及商家业绩的影响，并建议企业管理者主动对在线评论进行有效的引导和管理，从而提高销量及商家业绩。因此，商家的业绩与在线评论紧密结合起来。代陆群[19](2014)得出平均得分、极端评论、评论内容、节省价格对搜索型产品销量有显著的正向影响，而评论标题、折扣、评论时间对搜索型产品销量有显著的负向影响；胡志海[20](2015)根据研究得出评论数量和评论得分对护肤品的影响显著的结论。从以上的研究中可以看出，目前对在线评论经济价值的挖掘主要表现在评论的数量与产品销量的关系，本文将从在线评论的数量、效价、时效性、评论者的资信度、评论的质量等方面分析其对产品销量的影响。

二、研究假设的提出

(一)评论的数量

目前的购物网站都可以根据产品的关注程度来检索产品，这也就是说关注程度越高的产品被其他顾客看到的可能性也就越大。评论的数量越多，消费者从中看到的有用性也会越多，越有利于顾客了解产品，对消费者的购买决策影响越大。根据经济学中交易成本的理论解释是由于在线评论数量越多说明购买过此产品的人数越多，客户都有从众心理和风险规避意识,购买数量越多说明产品是得到大众认可的，购买所带来的不确定风险较低，交易成本较低。学者[3,11,15]通过实证研究得出在线评论的数量对产品的销量有显著影响。因此，提出本文的第一个假设，产品的在线评论数量会对产品的销量产生显著影响。

H1：在线评论的数量对产品的销量有正向影响。

(二)在线评论的质量

在线评论的质量指评论内容的真实性、可靠性、内容与所评价产品的相关性、以及是否为后来的购买者提供了大量有用的信息。由于网络环境的特殊性，会产生一些新的问题。卖家可能会注册其它的用户名，冒充买家对产品进行评价，这样的评价就没有任何的质量可言。同时，由于消费者自身能力素质的不同，他们关于产品知识的理解也不尽相同，因此他们发表的评论质量有高有低，不同的评论对后续购买者的购买决策的影响也是不一样的。许多学者Pei-yu chen[21]、Samita Dhanascbhon[21]、Chatter jee(2001)[22]、Dellarocas[3]、Godes[12]、郑小平[23]等都提出在线评论的质量对于产品的销量有重要影响。因此本文提出第二个假设，在线评论内容的质量对产品的销售量有显著影响。

H2：在线评论内容的质量越高，产品的销售量越好。

(三)在线评论的效价

在线评论的效价即评论内容的正面性和负面性价[24]，或在线评论的极性，也是指正负情感倾向。在线评论的效价反映的是一种整体正负程度，当在线评论中大多数为正面评论时，总体的评论效价就为正。在线评论的内容反映了顾客对产品的切实看法，基本上代表了产品的内在价值。从经济学上来说它给了潜在购买者一个间接的商品使用体验，使得他们能感受到产品的价值，帮助他们降低交易成本。从文献综述可以看出，学者Ye认为在线评论情感倾向性对产量的销量有显著的影响，正负面的情感倾向评价可以告知后续顾客产品是否值得购买，可能改变顾客原有的观点。基于以上分析，本文提出第三个假设，在线评论内容的情感倾向性与产品的销量正相关。

H3：在线评论的效价与产品的销量正相关。

(四)在线评论的时效性

评论的时效性是指评论所包含内容的新旧程度，是否包含了最新产品的信息。尽管在线评论的数量能在一定程度反应出评论时间跨度的长久，但它们两个是不同的概念，没有必然的联系。评论的时间跨度反应了评论的时效性，对于刚刚上架的产品，顾客对它们了解甚小，很大程度上依赖于在线评论的内容，同时由于是刚上市的产品，在线评论时间跨度也不会太大，新增的一条稍微倾向性较强的评论多会引起客户的极大关注，当上市数周后评论数量增多，顾客对产品的了解渠道也趋于多元化，因此在线产品评论对销量的影响会随着评论时间跨度的增长而减弱。因此，提出本文的第四个假设，产品销量随着评论的时间跨度增长而减弱。

H4：评论的时间跨度(效价)与产品的销量负相关。

(五)评论者的资信度

信用一词最早起源于经济学，它是指把某一财产的所有权让渡，以获得其他财产的所有权，货币银行学中的信用指一种借贷行为。对于网上购物而言，评论者的资信度是指顾客的星级，也是指顾客的威望。这种威望是消费者长期购物过程中形成的，代表了后续购买者对其的信任和接收程度。网上消费者的评论质量参差不齐，因此顾客需要关注那些等级高、信用度好的评论者评论的内容。因为他们较高的威望值说明他们之前提供过高质量的评论，同时说明他们有责任地进行客观评价产品。正由于评论者与购买者之间的信息不对称，才使得顾客更加关注威望值高的评论者，来降低对产品质量的不确定感。因此提出理论假设5。

H5：评论者的资信度与产品的销量正相关。

(六)其他因素

商品的价格和品牌是影响产品销量的重要因素，预测任何商品销量时都需考虑，因此提出理论假设H6 和H7。

H6:商品的价格与在线产品的销量负相关;

H7:商品的品牌关注度与在线产品的销量正相关。

三、研究数据与结果分析

(一)研究对象及其数据采集

本文选取经济型数码相机①为实证分析对象，采取淘宝网站价位为1200—2000元的352件商品②为研究对象。收集数据采集日商品的交易量、前一周的评论及其商品前两页的评论③来分析在线评论对商品销售量的影响。在线评论的数量直接网站上得出；根据淘宝网默认排序的特点，评论的效价利用商品前两页的评论通过人工标注得出其中正面、中立、负面评论条数；在线评论的质量通过认为评论有用性的人数④得出；评论的时效性依据前两页中评论的时间距离数据采集日的时长；评论者的资信程度根据买家星级分布图得出，根据淘宝网的规格分为钻石级别、五星级别、四星级别、三星级别、二星级别、一星级别⑤；商品的交易数量抓取网站上的交易记录得出；商品的价格直接从网站上抓取；品牌关注度直接从百度数码相机品牌排行榜抓取。其中，第一个数据采集日所得数据，在淘宝网352件商品中27天中有交易记录的商品有59件，而有效数据17组，以一周7天为周期，可得有效数据337个。

(二)结果分析

1.一元回归分析

(1)品牌关注度与交易数量

一元回归分析是分析一个自变量与应变量的关系。笔者统计了数据收集日数码品牌排名度：尼康占市场份额23%、佳能占21%、索尼占20%、卡西欧占5%、柯达占1%。根据调查资料统计得出30天各品牌的交易数量分别为索尼333件、尼康99件、佳能995件、卡西欧255件、柯达52件。这说明数码相机的品牌排名度与交易数量基本呈正相关关系，支持假设7。本文在研究中认为品牌关注度表现为评论数量对交易数量的影响，不再列入多元回归分析中的自变量因素进行考量。

(2)商品价格与交易数量

根据国内外学者的研究结果得出商品的价格与商品的交易数量存在负相关关系。而本文的研究对象是指1200—2000元的实用性数码相机，随着人们生活水平的提高，消费者对不够明显的价格差距并不是很敏感，而且本文所选取的研究对象价格基本在同一水平。因此，本文剔除了价格这一因素对交易数量的影响，假设6在本文的研究中剔除。

(3)交易数量与评论数量

本文利用SPSS17.0对所收集的337个数据进行一元线性回归分析。假设回归方程为Y=aX+b。

第一，散点图分析。利用SPSS17.0进行散点图分析，取自变量评价数量为X轴，应变量交易数量为Y轴，线形拟合，置信区间95%，得出图1。由图1所示，交易数量与评论数量之间线形正相关，且这种相关性随着评论数量的增加减弱，以评论数量数值20为分界点。这说明商品销售初期受评论数量的影响较大，而后期这种影响会减弱。

图1 交易数量与评论数量的关系图

第二，回归分析。由图1所示，交易数量和评论数量之间存在相关性，线形回归如表1所示。

表1 交易数量与评论数量的线形回归表

a.All requested variables entered.

b.Dependent Variable:交易数量

表1表示交易数量与评论数量的线形回归。

表2 拟合模型的情况汇总表

a.Predictors:(Constant)，评论数量

表2为拟合模型的情况汇总，如表中所示相关系数R=0.480，拟合优度R方=0.230，调整后的拟合优度=0.228，标准估计的误差=3.919。由此可知，根据原始数据分析的一元线形回归中交易数量与评价数量之间存在低中度正相关，R方的值偏小，说明回归性不是很好，而且这种相关性会随着产品销售时间的加长而减弱。

第三，显著性检验。由表3中所示的F统计值=100.179，P值=0，说明此假设是成立的，交易数量与评价数量存在正相关。进行T检验，得出a=0.136,b=1.778.

表3 方差分析表

a.Predictors:(Constant)，评论数量

b.Dependent Variable:交易数量

表4 Coefficients分析表

a.Dependent Variable:交易数量

综合以上分析得到交易数量与评价数量的一元回归方程为

Y=0.136X+1.778

①

这反映了1200—2000元实用型数码相机交易数量与评论数量的线形关系，支持假设1。

2.多元回归分析

在线评论对交易数量的影响是多方面的，而不仅仅表现为评价数量。如前文所示，在线评论包含在线评论的数量、有质量的评论、评论的效价、评论的时效性及其评论者的资信度等5个指标。本文收集了淘宝网中售价为1200—2000元的实用性数码相机为期一周每日前两页(40条)的评论，通过人工标注收集商品有质量的评论条数、正面(负面、中立)评论的条数、时效性和评论者的资信度，对资料进行汇总整理，然后利用SPSS17.0软件进行分析。

(1)相关分析

相关分析是为了判断变量之间是否存在相关关系，通过相关关系分析可以从影响交易数量的众多因素中判断哪些因素影响是显著的，哪些因素影响是不显著的，结果如表5所示。

利用SPSS17.0作相关分析如表5所示， 由表中可知当显著水平为5%时，所有的自变量与产品的成交量存在显著相关关系，当显著水平为1%时，“有质量的评论系数”与产品的销量不那么显著相关。而正面的评论条数(支持假设3)、评论的数量(支持假设1)、三星及以上的评论者人数(支持假设5)与产品的交易量显著正相关，时效、负面的评论条数、二星及以下的评论者人数与产品的交易量负相关(支持假设4)。

表5 Correlations分析表

**.Correlation is significant at the 0.01 level (2-tailed).

*.Correlation is significant at the 0.05 level (2-tailed).

(2)回归分析

通过相关分析得出自变量与应变量之间存在线性相关关系，进一步做回归分析为了分析自变量与应变量之间的统计关系，侧重考查数量变化关系，本文采用全回归分析和多元分布回归分析考查各自变量与交易数量的数量变化规律，进一步研究交易数量受自变量的影响程度。

第一，全回归分析。设多元回归方程Y=aX1+bX2+cX3+dX4+eX5+F。全回归分析是指所有自变量一次性进入方程，而不考虑自变量对交易数量的影响程度，分析结果如表6所示。

表6 Coefficients分析表

a.Dependent Variable:交易数量

从表6中可以看出，回归方程的统计量F值为35.806，P值为0.000，可见方程极其显著。因此，前一周的评论数量(β=0.349，P=0.000)与交易数量成显著正相关(支持假设1)、正面评论的条数(β=0.198，P=0.11)与成交数量显著正相关(支持假设3)有质量的条数(β=0.056，P=0.438)与交易数量有正向影响、三星以上的评论者(β=0.340，P=0.000)占交易数量显著相关(支持假设5)。评论的时效性(β=-0.291，P=0.000)与交易数量有显著的负向相关关系(支持假设4)。由此可得回归方程

Y=0.349X1+0.056X2+0.198X3-0.291X4+0.340X5-8.356

②

由表6可知，方程及其显著但是质量这一自变量的因素P值不合理。因此，本文继续选择做逐步回归分析。

第二，逐步回归分析。逐步回归分析的基本方法是对自变量X1、X2、X3、X4、X5，按它们对Y的贡献大小进行比较，并通过F检验法，选择偏回归平方和显著的变量进入回归方程，每一步只引入一个变量，同时建立一个偏回归方程。当一个变量被引入后，对原已引入回归方程的变量，逐个检验它们的偏回归平方和，如果由于引入新的变量而使得已经进入方程的变量变得不显著时，则及时从偏回归方程中剔除。在引入了两个自变量以后，便开始考虑是否有需要剔除的变量。只有当回归方程中的所有自变量对Y都有显著影响而不需要剔除时，再考虑从未选入方程的自变量中，挑选对Y有显著影响的新的变量进入方程。不论引入还是剔除一个变量都称为一步。不断重复这一过程，直至无法剔除已引入的变量，也无法再引入新的自变量时，逐步回归过程结束。假设回归方程Y=aX1+bX2+cX3+dX4+eX5+F，分析结果如表7所示。

表7 Excluded Variables分析表

a.Predictors in the Model:(Constant)，评价数量

b.Predictors in the Model:(Constant)，评价数量，三星及以上

c.Predictors in the Model:(Constant)，评价数量，三星及以上，时效

d.Predictors in the Model:(Constant)，评价数量，三星及以上，时效，正面

e.Dependent Variable:交易数量

由表7可知，质量这一自变量将被剔除。其余变量回归分析结果如表8所示。

表8 Coefficients分析表

a.Dependent Variable:交易数量

由表8可知，F统计值=44.798，而P值=0，方程显著相关得Y=0.349X1+0.342X5-0.292X4+0.229X3-2.989

③

分析全回归与逐步回归的F值与P值(见表6及表8)，可见两个方程都极其的显著。只是根据P值判断，逐步回归分析更精确些。于是本文采用逐步回归分析所得结果，依据回归方程①②③，说明前一周的销售数量对交易量有显著影响(β>0，P=0支持假设1)，而前两页的评论对交易数量也存在显著影响，正面的评论对交易数量有正面的影响(β=0.229，P=0.01)，也就是说负面的评论对交易数量存在负面的影响(本文中选取的对象是正面的条数与负面条数相加40条)，支持假设3。评论发表的时间越长，时间跨度越长，时效性越差对商品的交易数量负面相关(β=0.292，P=0)支持假设4。三级以上的评论者越多，交易数量越多(β=0.342，P=0)，支持假设5。而评论的质量对交易数量没有显著性影响。

四、结论及展望

本文以在线评论为研究对象，根据前人的研究成果提出本文的研究假设，通过对淘宝网上售价为1200—2000元的实用性数码相机进行实证研究，得出以下结论。

(一)产品的知名度与产品的销量存在相关性。知名度是产品打开销量的第一把钥匙，因此商家在网上进行产品销售时应当首先做好产品宣传工作。产品的知名度与产品的交易量存在正相关关系。

(二)产品的价格对网上商品的交易量影响越来越小。本文选取的研究样本是1200—2000元实用性的数码相机，几百元的价格差距已经对顾客不构成决策方面的影响。这说明网络顾客越来越理性，价格不再是顾客关注的主要因素，而商家利用价格大战这种营销手段已经过时，通常低价意味着低的品质和服务。因此，商家在进行网上销售时要注重产品的质量及其售后服务。

(三)在线评论的数量、评论的时效性、评论的效价和评论者的资信度对数码相机的销量有显著性影响。实证表明，在线评论的数量与数码相机的交易数量存在显著正相关，但是需要注意的是这些传统因素已不是影响网上产品销量的唯一考量标准。评论的时效性、顾客评论所表现出来的情感偏好及其顾客的资信度都对产品销量产生重要的影响。评论的时效性会随着评论发表日期与成交日相距时间增长而降低，最近发表的评论对顾客的影响最大。评论的资信度越高，其所发表的评论就更具有可信度，越能吸引后续顾客关注并购买。顾客正面的情感评论会给后续顾客对商品留下好的印象，吸引顾客购买。这些研究发现可以帮助企业和网站设计者根据影响产品销量的主要因素制定更为合理的营销策略和网站设计形式，从而提高产品的在线销量。比如：根据日期，正面的评论安排在前两页的在线评论(天猫商城就是根据日期排列评论顺序)；提高产品质量和服务，鼓动顾客多发表正面的评论等等。需要指出的是在本文的研究中，评论的质量对产品的销售数量影响并不显著，因此一些商家利用淘宝账户进行虚假评论实乃无用之举。

本文研究在线评论对销量的影响时，把在线产品销量当作外在因素。由于选取样本的关系剔除了价格和产品关注度等影响因素，只是从宏观和数量关系方面进行考量，没有考虑到产品评论数量与其产品销量之间影响的深层机制，同时产品的评论内容、评论形式、各自变量混杂度等因素对交易数量的影响机制，也是值得进一步研究的问题。

注释：

①数据相机不受顾客、季节、尺码等因素的影响,选取为研究对象，相对比较稳定。

②收集时间：2017-03-13、2017-03-22至2017-03-28为期一周；收集路径：淘宝网首页—照相机—数码相机—(1200—2000元)—按销量排列。

③淘宝网的评论内容是推荐排序(而非时间排序)，顾客基本查看的都是前两页的评论内容。天猫商城默认排序是时间排序。

④淘宝网上标注有用性的人数几乎没有，本文把质量作为考量商品最好的要素。因此评论质量的人数即为评论有用性的人数。

⑤本文资信程度对交易数量的影响以27天为整体进行横向比较。

[1]PARK D H，J.Lee.eWOM.Overload and its Effect on Consumer Behavioral Intention Depending on Consumer Rnvolvement[J].Electronic Commerce Research and Applications,2009,7(4):386-398.

[2]MUDAMBI S M，SCHUFF D.What Makes a Helpful Online Reviews:A Study of Customer Reviews on AMAZON.COM.Mis Quarterly,2010,34(1):185-200.

[3]DELLAROCAS C.The Digitization of Word-of-mouth:Promise and Challenges of Online Feedback Mechanisms[J].Management Science,2003,49(10):1407-1424.

[4]CHEN Yubo,XIE Jinhong.Online Consumer Review——word-of-Mouth as a News Element of Marketing Communication Mix[J].Management Science,2008,54(3):477-491.

[5]张强．网络口碑与电影消费者态度及观赏动机的关系研究[D]．上海：上海交通大学，2008.

[6]在线评论对网络消费者购买决策影响的实证研究[D]．北京：中国人民大学，2008.

[7]马艳丽．在线评论引起的消费者决策困境：概念与相关问题[J]．求索，2013(7)：244-246.

[8]LIU Yong.Word-of-mouth for Movies:Its Dynamics and Impact on Box Office Revenue[J].Journal of Marketing,2006,70(3):74-89.

[9]DUAN Wenjing.The Dynamics of Online Word-of-Mouth and Produc Tsales—An Empirical Investigation of the Movie Industry[J].Journal of Retailing,2008,84(2):233-242.

[10]DUAN Wenjing,Bin Gu,Whinston A B.Do online reviews matter:An empirical investigation of panel data [J].Decision Support Systems,2008,45(4):1007-1016.

[11]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):78-89.

[12]GODES D,MAYZLIN D.Using Online Conversations to Study Word of Mouth Communication [J].Marketing Science,2004,23(4):545-560.

[13]FORMAN C,GHOSE A,WIESENFELD B.Examining the Relationship Between Reviews and Sales:The Role of Reviewer Identity Discloser in Electronic Markets[J].Information Systems Research,2008,19(3):291-313.

[14]CHEN Peiyu,WU Shinyi.The Impact of Online Recommendations and Consumer Feedback on Sales[C].Proceedings of International Conference on Information Systems (ICIS),2004:711-724.

[15]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.

[16]李建.在线商品评论对产品销量影响研究[J].现代情报科学，2012，32(1):164-167.

[17]CHIEVALIER J A，MAYZLIN D.The Effect of Word of Mouth on Sales:Online Book Reviews[J].Journal of Marketing Research，2006，43(3):345-354.

[18]刘顺利.在线评论对网上书店销量影响实证研究[D]．长沙：湖南大学，2013．

[19]代陆群.在线评论对搜索型产品和体验型产品销量影响的研究[D].西安：西安电子科技大学,2014.

[20]胡志海，赵丹丹，张义.在线评论对商品销售影响的实证研究[J].重庆工商大学学报(自然科学版)，2015(12):52-55.

[21]CHEN Peiyu,Samita Dhanasobhon.Analysis of the Differential Impact of Reviews and Reviewers at Amazon.com[J].Twenty Eighth International Conference On Information Systems Montreal,2007.

[22]CHATTER P.Online Review:Do Consumers Use Them?[J].Advances in Consumer Research,2001(28):133-139.

[23]郑小平.在线评论对网络消费者购买决策影响的实证研究[D].北京：中国人民大学，2008.

[24]邱凌云.网上口碑的信息效价与情感线索对说服效果的影响机制研究[J].营销科学学报,2008(4):32-44.