在线评论特征对生鲜电商农产品销量的影响——来自淘宝羊肉大数据的证据

胡雅淇 林 海

(中国农业大学 经济管理学院，北京 100083)

电子商务是促进小农户和大市场实现有效对接的现代化途径之一，有助于保障农产品供给、增加农民收入，助力解决乡村振兴的实际问题。特别是2020年突发新冠疫情的背景之下，以数字经济为核心的经济形式在当下中国经济发展过程中具有主导性作用，而生鲜电商作为农业数字经济的具体依托，因其能够在供需方之间建立非接触性的经济关系，在疫情期间为解决农产品滞销、保障城镇居民菜篮子安全提供了有效支撑。事实上，“互联网+农业”背景下，生鲜电子商务迅猛发展，2019年我国生鲜电商行业市场交易规模高达2 796.2亿元，平均每年增速超过50%。生鲜电商能够契合消费者对高质量多样化农产品的需求，缓解产业链环节间信息不对称的难题，提高农产品流通的信息化程度，然而其发展面临诸多问题，其中之一就是买卖双方的信息不对称问题。

在非接触购物的情境下，在线评论的有效性是生鲜电商厂家与消费者间信任形成的重要媒介。鉴于农产品的信任品特征[1]，消费者在购买生鲜农产品时，比购买经验品和搜寻品时面临更大的信息不对称问题和决策风险。在电子商务平台购买生鲜农产品时，消费者无法直接接触商品从而弱化亲身体验获取商品信息的能力，只能更多的依赖信息搜索的方式来获取有助于购买决策的信息，加上生鲜农产品对消费者的饮食安全和健康影响更为重大，且购买前质量评估较为困难，这促使消费者往往倾向于通过网络口碑收集更多的信息，选择是否相信某产品的销售描述。在线评论是网络口碑的重要形式，一般是指消费者在电子商务平台上发表对产品或服务的观点，通过在线方式传递给大众群体，亦是用户与商家之间的在线互动与信息交流。在线评论作为经验信息的主要来源，对消除消费者的不确定性，辅助其做出有效决策具有重要作用[2]。在线评论是消费者在线购物信任机制形成的重要参考依据，也是近年国内外研究的热点。相关研究认为在线评论能够显著影响到消费者的购买行为和电商平台的销量[3-4]，并得到国内外学者相关研究的进一步证实[5-7]。针对不同的产品类型，在线评论会产生不同的影响力[8-9]，产品类型会调节在线评论有用性程度[10-11]。农产品特别是生鲜农产品的消费，体现了消费者对食品安全和质量方面的考虑，消费者更为看重农产品的质量和声誉[12]，因此，生鲜农产品的在线消费行为同样需要考虑相关的在线评论特征。鉴于在线评论的产品异质性，在线评论对我国生鲜电商影响的研究仍然需要进一步探索丰富。

从经济学角度看，如果所有消费者在做出购买决策前能够充分获取信息，那么市场会更有效率，但现实是，商家通常比消费者掌握着更多的产品信息，如商品价格、质量和性能等，这种固有的信息不对称会造成消费者对卖家行为感知的不确定性，进而影响购买决策和市场效率，而互联网时代，消费者面临着与以往形式不同的信息不确定和信任问题。网上购物时，消费者对生鲜农产品的质量、性状、口感和配送时间等要求比普通农产品更高，在线消费者更加关心重视生鲜农产品的网络口碑，以此作为购买决策的重要依据。特别是生鲜肉类，因产品对保鲜技术、检疫手段等要求较高，消费者通过电商购买面临更大的不确定性，因而进行生鲜肉类购买决策时，更加关注质量信号来增加自身对农产品的信任，在线评论起到的作用可能会更加明显。然而目前研究大都以搜寻品为研究对象，针对在线评论对农产品影响的研究相对较少，涉及生鲜产品的研究更加缺乏。

互联网时代，不完全信息条件下，当前文献需要进一步细化来回答：在电商平台上，在线评论的哪些特征会影响生鲜农产品的销售以及不同特征对其销售的影响程度如何的问题。鉴于生鲜电商在市场规模和用户规模上均存在巨大的增长空间，本研究旨在深度剖析在线评论特征对生鲜产品在线购买行为的影响，面向市场分析其发展瓶颈，从而为卖家和第三方平台完善农产品评论机制提供合理的参考路径，促进购买决策的形成，提升市场效率，助力生鲜电商的发展。

1 理论模型与研究假设

1.1 在线评论因素影响农产品销量模型

消费者在线购买行为可被视为不完全信息条件下的消费决策，是在线产品销量的决定因素。网络店铺的销量取决于消费者的购买决策，很多文献显示，在互联网时代下，消费者购买决策显著受到网络口碑的影响[13-14]，而网络口碑的好坏与有用性评论的作用是密切相关的。消费者对在线评论的阅读、识别、判断体现了一个信息采纳过程，人们在此过程中对信息进行有目的性的利用。众多学者运用实证研究来探索在线评论有用性的影响因素，在线评论不同的特征使其评论有用性程度有所不同，进而对于消费者购买决策产生不同的影响，即评论的有用性决定在线评论对于销量的影响程度，因而影响评论有用性的基本要素与影响销量的评论因素根本上是一致的。

图1 在线评论作用于销量的理论模型Fig.1 Theoretical model of impact of online review factors on sales

鉴于在线评论是消费者可获得的重要信息，信息质量影响消费者的在线购买决策，因而本研究采用以信息为核心的技术采纳模型。Sussman等[15]在精细加工可能性模型(Elaboration likelihood model，ELM)和技术接受模型(Technology acceptance model，TAM)的基础之上，将理论运用于在线信息的研究中，构建出信息采纳模型(Information adoption model，IAM)，该模型构建既以信息质量为出发点，又在实践过程中与在线信息相结合，因而适用于在线评论的研究。在IAM模型中，信息质量被视作中心路径，信息源可信度为边缘路径，两条路径直接影响信息有效性的感知，信息有效性进一步影响信息采纳。该研究在IAM模型的基础上，将分析向后延伸至销量的变动：信息一经采纳，消费者会感知到产品好的或差的网络口碑，好的网络口碑使消费者对该产品持信任态度，最终倾向于购买该产品，进而提升产品的销量；差的网络口碑使消费者怀疑该产品，最终更有可能拒绝购买该产品，进而无益于产品的销量，长此以往则会减少产品销量(图1)。

与影响信息有用性的边缘路径相比，中心路径在接受者态度转变上发挥的作用持续更久，且对行为的预测性效果更好，信息接受者依据实际应用状况，可以同时结合使用两条路径，也可以单独选取其中的一条[16]。这表明中心路径的作用更为显著持久有效，因此基于数据的可获得性，本研究只考虑中心路径，即信息质量对于信息有用性的作用。信息质量是对信息内容本身的衡量，根据信息采纳模型，在现有研究的基础上，本研究选取有效评论(包括评论次数和评论长度两个指标)、负面评价、上传图片数量来体现在线评论的信息质量。

1.2 评论次数和评论长度

首先，评论次数是评论因素的关键指标之一，很多学者认为在线评论次数总量对产品的销量有显著的影响[17-18]，这种认知的依据在于消费者的从众心理和风险规避意识。根据现有的在线评论机制，只有购买过此产品，才能对该产品进行评论，因而评论次数越多，意味着购买此产品的人数越多，而消费者通常会认为：被购买次数越多意味着产品得到大众认可的程度越高，因而购买决策所带来的不确定风险较低，交易成本较低。

其次，评论长度对于产品销量作用的研究结论存在差异。评论长度是消费者购买某款产品后进行评论的字数，目前大多数学者认为评论长度与产品销量正向相关；当然也有学者指出过长的评论对于销量并没有太大影响。评论长度之所以能够反映在销量上，是因为一方面，评论者发布信息的长度，能够反映出评论者对该产品的了解程度以及评论者对产品的热情程度，篇幅越长，对产品的介绍和描述就会越多，进而为消费者提供更全面的信息，提升消费者对该条评论有用性的认可[19]，以便其更好地做出购买决策，从而对产品销量影响也就越大。另一方面，评论长度可能会刺激评论阅读者仔细浏览，加深或改变原有的态度，提高对产品或服务的认知度，抵消用户的不确定性[20]；同时，内容丰富的评论可以增加信息的可认知性，进而影响消费者的感知可信度，从而促成消费者的购买决策，例如Baek等[21]基于亚马逊评论数据，证明了字符总数会对评论质量造成影响，进而影响消费者对评论的信任程度。当然，也有研究指出，过长的评论对于销量并没有太大影响[22]。根据认知负荷理论，一旦评论信息的处理需求达到工作记忆的上限，就会造成消费者的认知超载，消费者难以较好地进行决策制定[3]，理想的评论长度难以确定，不同评论长度对评论有用性的作用不同，作用方向的正负以及作用程度显著不显著都呈现出产品异质性的特点[23]。

1.3 负面在线评论(差评)

负面在线评论数量是影响产品网络销售量的重要因素，在淘宝平台体现为差评数量。根据前景理论，相比于收益，消费者对损失的敏感程度更加强烈，即损失的痛苦大于收益的快乐[24]。在线负面评论反映的是消费者对产品或服务的不愉快体验，往往更能受到其他消费者的重视和再传播，在消费群体中促进消极口碑的形成。对于某一个产品，在线负面评论越多，说明该产品在质量或服务方面可能存在的问题更多。因而，负面评论数量越多，越容易阻碍潜在消费者购买该产品，进而影响产品销量。相关研究认为负面信息比正面信息更具判断性价值，消费者在购买决策时会更多地依赖负面信息[25]。虽然负面在线评论数量对于消费决策及产品销量具有显著的负面影响[26]，然而对于不同的产品其有用性存在差异，比如体验享乐型商品的负面评论有用性要低于实用型商品[27]，搜索品的负面评论对购买意愿影响程度要小于体验品[28]，高成熟度的产品销量受负面评论的影响要大于低成熟度的产品[29]。

1.4 可视化评论(图片)

除上述因素以外，可视化评论(图片)亦可以通过影响在线评论的有用性作用于产品销量。随着互联网和信息技术的发展，通过手机拍照功能和购物应用等智能终端的运用，在线评论中的图片要素越发普及。研究指出，文本、图片和视频等不同的评论形式对消费者的影响是不同的[30]，生动直观的图片可以向消费者提供感官信息从而刺激购买决策[31]。当然，含有图片的在线评论的效果会随产品类型的不同而有所差异，例如图片对于经验品的正向影响往往大于对搜寻品的影响[32]；感官型产品图片评论对消费者购买意向的影响大于文字评论，而非感官型产品文字评论对消费者购买意向的影响大于图片评论[33]。

基于理论框架的搭建，综合核心变量的已有研究，提出4个零假设：1)评论次数对生鲜农产品的销售有显著正向作用；2)评论长度对生鲜农产品的销售有显著正向影响；3)负面评论数量对生鲜农产品销量有显著的负向作用；4)可视化评论对生鲜农产品销量有显著的正向影响。

2 数据来源及模型选择

2.1 数据来源及预处理

淘宝网(www.taobao.com)是中国最大的移动商务平台，拥有大量消费后的评论信息，适合作为数据采集的来源平台。笔者选择新鲜羊肉作为目标农产品，于2018年1月份用Python爬虫工具一次性抓取了淘宝网上新鲜羊肉商家的评论信息。具体的数据采集过程包括4个步骤：1)以“新鲜羊肉”作为关键词，利用爬虫中内嵌的关键字匹配模块，对淘宝上所有实时销售的羊肉产品进行数据抓取，抓取内容涵盖羊肉店铺相关信息及其产品评论信息，整个抓取过程在两小时内一次性完成，以保证各店铺数据的可比性；2)进行数据清洗，剔除与羊肉相关但不是羊肉产品的无关样本，设定Python程序，将包含“羊肉汤、羊杂汤、火锅底料、调料”等86个词汇的样本，剔除无关样本之后，形成数据集；3)根据研究目的，将样本进行筛选归类，首先按照店铺进行分类，将由于评论指标而出现的重复样本删除，最后产生有效样本，共包含2 345条羊肉产品信息，每一条羊肉产品信息被视为一个样本，即用于回归的样本量为2 345；4)在Python抓取并清洗过而形成的csv格式的数据表中，所有信息都储存在一个单元格内，运用Excel数据清理的方法，将数据无关的符号去除，并将数据按照不同变量分割成可处理的形式；然后将数据导入Stata，形成易于处理的dta格式。

2.2 变量选取及依据

1)被解释变量。羊肉的销量(DEL)为因变量，并用店铺月度付款人数为代理指标。淘宝作为中国最大的零售网上平台，其受众群体为普通消费者，而批发商等农产品需求量较大的中间商一般不会选择淘宝进行成批采购，而对普通消费者而言，其单次生鲜农产品的需求量不会有特别大的差异，因而销量可以用成功的交易量衡量，即用付款人数代表，淘宝平台上用月销量这一指标表示。

2)核心解释变量。选取在线评论次数(NUM)、评论长度(LEN)、负面评论(BAD)、可视化评论数量(IMG)4个在线评论的特征指标为核心解释变量。在线评论次数在淘宝平台上显示为“累计评论”，采用累计评论数量来表示在线评论次数；根据已有研究，消费者一般情况下不会看超过2页的在线评论[34]，有研究通过设定一个容纳20条评论的移动窗口来抓取评论内容[35]，笔者根据淘宝平台评论的页面特征，选择淘宝评论首页的内容(按照淘宝的设定，首页评论通常为20条)，进而用获取的首页所有评论的长度均值作为评论长度；可视化评论在淘宝平台上主要是以图片的形式来展示，因而选用图片数量作为可视化评论的代理变量。负面在线评论以评论中的差评数量作为代理变量。

3)控制变量。控制变量包括3类：交易特征、店铺特征和服务特征。一是交易特征(X1)，包括价格在内的交易特征对于消费者需求而言是不可忽视的因素，故选取羊肉在线价格(PRI)和快递费用(EXP)、质量保障(QUA)、坏单包赔(COM)3个虚拟变量为控制变量。二是店铺特征(X2)，在线购买商品时，消费者会关注商铺本身的水平，通常商家越值得信赖，则其产品的可靠性就越大，因此选取商铺特征为控制变量，包括担保资金(GUA)、信誉(CRE)及所在区域(ARE)。相比于传统渠道，电商销售呈现出更加明显的区域集聚特点，因而依据2016年阿里研究院公布的阿里农产品白皮书，将电商发展水平处于同一梯度的省份归为同一区域，共包括5个梯度：第1梯度(江苏、浙江)；第2梯度(广东、上海、安徽、山东、福建)；第3梯度(湖北、北京、河南、云南、湖南、四川)；第4梯度(陕西、辽宁、广西、江西、河北、吉林、天津、内蒙古)；第5梯度(其他省份)。三是服务特征(X3)，包括半年内店铺的产品与描述符合程度(DES)、物流水平(LOG)、服务水平(SER)等3方面的动态分值。

上述变量的含义及单位如表1所示。

表1 回归方程的变量选择与说明Table 1 Variable selection and description of regression equation

2.3 描述性统计结果

羊肉产品成交量均值为27.03单，不同电商店铺间差异较大，且店铺大多成交量较低。就在线评论特征而言，每个羊肉产品样本平均拥有107条在线评论，有一半的店铺评论数量在18条及以下，不同店铺之间评论次数差异较大，评论次数较大的店铺样本较少；评论长度均值为7.03，字数最多不超过21字，说明针对生鲜羊肉产品的大多数评论都较为简短；消费者上传图片数量仍然有限，差评数量普遍都较低，超过一半以上的店铺的差评数量为0(表2)。

从交易特征来看，线上价格差异较大，但平均水平与线下接近，稍高于线下价格；47%的产品包邮，商家提供质量保障的产品比重较低，只占样本的29%，提供坏单包赔的比重为43%。就店铺特征而言，不同店铺的担保资金虽然差距较大，但以1 000元为担保资金的样本占比67.25%，高信誉和低信誉店铺之间的信誉差距较大；第1到第5梯度的样本所占比例依次为13.18%、24.39%、7.76%、32.32%、22.35%；服务特征指标值以4.8为主，描述、物流及服务水平为4.8的样本占比依次为47.08%、45.20%、43.33%。

表2 变量的描述性统计Table 2 Descriptive statistics of variables

值得注意的是，解释变量中的评论次数、在线单价的标准差较高，表明2个指标存在一些极端值，为排除这种极端值的干扰，增强解释变量的解释能力，回归前在1%的水平上对上述2个指标进行Winsorize处理，以降低极端值对回归结果的影响。

2.4 实证模型设定

根据理论基础和变量选定，本研究设计在线评论影响电商销量的实证基准模型为：

DEL=β0+β1NUM+β2LEN+β3BAD+
β4IMG+β5X1+β6X2+β7X3+μ

(1)

式中：DEL表示销量，NUM表示评论次数、LEN表示评论长度，BAD表示负面评论、IMG表示评论包含的图片数量；X1表示交易特征变量；X2表示店铺特征变量；X3表示服务特征变量；μ表示随机误差项。根据模型，本研究关注β1，β2，β3和β4的正负大小和显著性，从而判断在线评论特征如何影响生鲜电商的销量情况。

基于计量模型的设定，采用OLS的方法对模型进行全样本回归，并使用“OLS+稳健标准误”的方法处理回归中存在的异方差问题，以保证异方差情况下参数估计的正常进行。同时，在对全部变量进行基准回归的基础上，采用逐步回归的方法，分别控制不同类型的变量进行回归，以检验回归结果的稳健性。

3 结果与分析

3.1 在线评论特征对生鲜电商销量的影响

在线评论特征对羊肉销量影响的基准回归及逐步回归结果如表3所示，其中最大方差膨胀因子都远小于10，说明不存在明显的多重共线性问题；同时，拟合优度均大于等于0.601，模型整体拟合效果较好。在线评论特征对生鲜电商销量的影响分析如下：

1)评论次数对生鲜电商销量有正向作用。基准回归结果中，评论次数的系数为正，且在5%的置信区间显著，表明在线评论次数对生鲜羊肉的销量有显著的正向作用，在线评论次数每增加10次，羊肉销量增加1单。逐步回归结果也均与基准回归的结论一致，检验结果接受零假设1，即评论次数对生鲜农产品的销售有显著正向作用，该结论与刘灵芝等[18]的结论一致。

2)评论长度对生鲜电商销量作用并不显著。由基准回归结果，评论长度的系数为正，但在1%、5%和10%的置信区间上都不显著，表明在线评论长度对生鲜羊肉销量的影响并不显著。回归②、③、⑥、⑦结果不显著，④、⑤、⑧的结果也只是在10%的置信水平下显著，所以总体来看在线评论长度对销量的影响显著程度不高，检验结果拒绝零假设2，该结论与殷国鹏[3]的研究有所区别，但是二者的研究对象不同，而已有研究表明评论长度的作用具有产品异质性。

3)负面评价对生鲜电商销量有显著的负面影响。由基准回归结果，差评数量的系数为负，且在10%的置信区间上显著，表明在线评论中的负面评价对生鲜羊肉的销量有显著的负向影响，差评数量每增加1个，羊肉销量减少超过10单。该结果得到回归②～⑧所有结果的支持。检验结果接受零假设3，即负面评论数量对生鲜农产品销量有显著的负向作用，该结论与Weissteina[26]的主要观点一致。

4)可视化评论对生鲜电商销量有正向作用。由基准回归结果，图片数量的系数为正，且在1%的置信区间上显著，表明在线评论中的图片数量对生鲜羊肉的销量有显著的正向影响，图片数量每增加1个，羊肉销量增长4单左右。逐步回归的结果②～⑧也均与基准回归的结论一致，检验结果接受零假设4，即可视化评论对生鲜农产品销量有显著的正向影响，结论与Liu等[32]表达的观点类似。

综合回归结果，在线评论次数和图片数量对于销量有显著的正向影响，差评数量对于销量具有较为显著的负面影响，虽然其系数显著程度低于评论次数和图片数量，但其对销量的影响程度相对较大。除在线评论特征外，店铺特征对于生鲜农产品销量的影响也较为稳健，信誉水平对销量有显著的正向作用，店铺的信誉水平越高，生鲜农产品的销量越高。

3.2 在线评论交互效应分析

为进一步检验在线评论特征之间是否存在交互作用，在基准模型(1)中，加入在线评论特征变量之间的交互项，交互项包括图片数量和评论长度、图片数量和差评数量、评论数量和差评数量、评论长度和差评数量、评论数量和评论长度，对应的回归结果依次为表4中的I、II、III、IV、V。

表3 在线评论特征对羊肉销量影响的回归结果Table 3 Regression results of the influence of online-review characteristics on mutton sales

表3(续)

1)模型(1)加入图片数量与评论长度的交互项，回归结果I显示：交互系数为1.357(P<0.05)，证明交互作用存在，回归结果说明：随着评论长度的增加，图片对生鲜产品销量的影响更加显著，评论长度每增加1单位，图片数量对销量的影响为(4.569+1.357=5.926)；随着图片的增加，评论长度对生鲜产品销量的影响更加显著，图片数量每增加1单位，评论长度对销量的影响为(5.926+1.357=7.283)。

2)模型(1)加入图片数量与差评数量的交互项，回归结果II显示：交互系数为-0.159(P<0.01)，证明交互作用存在，随着差评数量的增加，图片对生鲜产品销量的作用受到削减，差评数量每增加1单位，图片数量对销量的影响为(4.374-0.159=4.215)；差评对销量影响的主效应不显著，而随着图片数量每增加1单位，差评数量对销量的交互效应为-0.159。

3)模型(1)加入了评论数量与差评数量的交互项，回归结果III显示：交互系数为-0.011(P<0.05)，证明交互作用存在，随着差评的增加，评论数量对生鲜产品销量的正向影响有所减弱，差评数量每增加1单位，评论数量对销量的影响为(0.097-0.011=0.086)；差评对销量影响的主效应不显著，而随着评论数量每增加1单位， 差评数量对销量的交叉效应为-0.011。

4)模型(1)加入评论长度和差评数量的交互项，回归结果IV显示：交互系数为2.182(P<0.10)，证明交互作用存在，随着评论长度的增加，差评对生鲜产品销量的负面影响得到中和，评论长度每增加1单位，差评数量对销量的影响为(-15.820+2.182=-13.638)；差评对销量有双重作用，一方面差评能够极大的降低销量，但随着评论长度的增加，产品适当的负面评论反而增加了店铺评论的真实性，赢取了消费者一定程度的信任，进而缓解差评本身带来的消极作用。差评每增加1单位，评论长度对销量的影响为(1.496+2.182=3.678)。

表4 在线评论特征对羊肉销量影响的交互效应Table 4 Interactive effect of impact of online-review features on mutton sales

5)模型(1)加入评论数量与评论长度的交互项，回归结果V显示：交互系数为0.065(P<0.05)，证明交互作用存在，随着评论长度的增加，评论数量对生鲜产品销量的影响更加显著，评论长度每增加1单位，评论数量对销量的影响为(0.228+0.065=0.293)；随着评论数量的增加，评论长度对生鲜产品销量的正向影响也得到加强，评论数量每增加1单位，评论长度对销量的影响为(5.617+0.065=5.682)。

综合交互效应的分析，差评能够削弱图片以及评论数量对销量的正向作用，图片能够加强评论长度对销量的积极作用，而差评的负面作用能够被评论长度进行一定程度的中和，评论数量和评论长度能够促进彼此对销量的正向作用。

3.3 内生性检验

由于在线评论的数量与销量存在一定的反向因果关系，可能存在内生性问题，本研究对在线评论数量与销量之间的内生性问题进行检验。选取省份羊肉电商评论平均数量(Mean_Num)作为工具变量，选取的理由在于：每个生鲜电商的在线评论都与省份评论数量均值相关，但个体的销量与全省份的在线评论没有直接关系。工具变量的有效性检验以及内生性检验结果如表5所示，一阶段回归结果、不可识别检验和弱工具变量检验表明Mean_Num是有效工具变量，在此基础上，豪斯曼检验结果显示，无法拒绝“所有解释变量均为外生”的原假设，即认为在线评论数量为外生变量。因而，本研究不存在显著的内生性问题。

表5 工具变量有效性和豪斯曼检验结果Table 5 Validity of instrumental variables and Hausmann test results

4 结论与建议

本研究以生鲜产品为研究对象，以Python爬虫获取数据的方法，进行在线评论更加细致的研究，内容上丰富了在线评论的研究维度，方法上拓展了大数据在农业经济领域的应用范围，具有一定的研究意义。研究表明，对生鲜电商而言，在线评论数量、图片数量对生鲜农产品销量有积极的正向作用，差评数量则有显著的负面影响，而评论长度作用于生鲜农产品销售的效果并不显著。此外，在线评论特征之间存在交互效应，差评能削弱图片以及评论数量对销量的正向作用，图片能加强评论长度对销量的积极作用，而评论长度对差评的负面影响却有缓冲、中和之效。

研究结论为生鲜电商的运营及消费者购买行为，提供以下三方面的决策参考建议。第一，生鲜电商在鼓励消费者发布在线评论的基础之上，采取激励手段刺激消费者发布带有图片的、效果更为直观的评论，来提高网站的声誉和吸引力。评论次数对销量有正向作用，因而要鼓励消费者购后评论，积累更多声誉吸引潜在消费者，同时，图片对销量的正向作用要大于评论次数，故提升在线评价系统的生动性，切实考虑顾客体验，设计可以传递更多信息的评价系统，能够更好的保证生鲜电商的销售业绩。

第二，鉴于差评较大的负面作用以及长评对差评的中和效应，生鲜电商一方面可以建立有效的评价监督机制来降低差评对潜在消费者以及企业的负面影响，另一方面可以鼓励消费者写长评，以间接中和差评带来的负面影响。长评论能够一定程度的缓冲差评带来的负面作用，所以督促消费者发表长评，仍是提升在线评论积极效应的有效手段。此外，在监督机制之下，商家和消费者如果建立更加有效的评价对话，既可以起到监督商家的作用又可以给与商家补救的机会，既可以保障消费者权益又可以解决部分消费者的恶意评论问题，从而保障生鲜产品交易的顺利进行。

第三，对消费者而言，为了更好的做出购买决策，可以更多的参考评论中的图片等可视化评论内容以及差评反映的问题。研究揭示出消费者更加重视产品在线评论中可视化评论和差评等内容，借鉴大众消费理念，反映出可视化评论和差评对消费者而言是更加有效直接的信息来源，因而潜在消费者在阅读产品评论时，与评论数量和评论长度相比，点击查看评论区中的图片、比较差评数量并阅读差评内容，根据图片和差评，有效识别更高质量的评论而做出购买决策。

鉴于数据的可获得性，本研究目前存在一定的局限性：研究基于淘宝平台数据，无法观测到消费者个体特征变量，因而存在遗漏变量的问题，未来研究可继续开展线下调研，丰富研究对象，深化研究内容。