生鲜农产品评论对在线销量影响的研究——基于京东商城陕西猕猴桃在线评论数据的分析

乔晓娟

（陕西邮电职业技术学院，陕西 咸阳 712000）

“十三五”时期，政府、企业等多方参与下沉市场数字化基础设施建设，优化传统的农产品供应链模式，助力农产品向外地销售，如京东、阿里巴巴、苏宁等将供应链、物流等零售新基建不断向下延伸，通过溯源体系、技术输出、品牌赋能、渠道拓展等措施促进农产品上行。农村电商迎来高速发展，已成为引领乡村数字经济发展的重要新动能，有力促进了乡村振兴。2020年全国农村网络零售额达1.79万亿元，是2015 年的5.1 倍，远高于全国电子商务整体增速；农产品网络零售额达4158.9 亿元，已占到农产品零售总额的10%。

随着消费层次的升级，消费群体逐步转向以80后、90后为主的消费大军，生鲜产品消费人群年轻化趋势越来越明显，消费者对生鲜农产品的消费习惯逐步由线下转向线上。但因为生鲜农产品对保质期、时效性要求较高，消费者对产品感知风险较大，使得消费者在下单前更关注在线评论，便于消费者做出有利于自己的购买决策，所以研究在线评论对生鲜农产品在线销售有极其重要的意义[1-2]。

文中采用文献研究法、数理统计分析法和实证研究法，使用网络爬虫工具获取京东商城（www.jd.com）的产品评论数据，分析产品评论对在线销量影响的具体因素。文中引入在线评论的数量、效价、评论的点赞、评论的回复作为自变量，消费者特征及价格作为调节变量，探索上述变量与在线销量的影响，分析调节变量是否能在生鲜农产品在线评论与在线销量之间产生影响，最终为生鲜农产品电商企业提出相关的建议，从而丰富在线评论的研究内容。

一、文献综述

（一）在线评论相关研究

目前，国内外学者研究在线评论主要集中在以下3 个维度：评论的特征、参与评论的消费者及参考评论的消费者，评论特征主要包括质量、数量、效价、时效性、强度、长度、形式等方面；参与评论的消费者主要包括资信度、专业能力等方面；参考评论的消费者主要包括消费者的专业能力、产品涉入度、感知风险等方面[3]。Anu 等采用线性回归模型对亚马逊评论数据进行分析发现：产品价格、评论长度、评论量和情绪（正面或负面词汇）作为自变量，分析产品销售的影响，最终得出除了价格之外，用户还受到评论数量、评论长度、明星评级和评论文本情感的影响[4]。刘小娇的研究发现：产品评论数量会直接影响消费者的购买意愿[5]。

（二）生鲜农产品的在线评论相关研究

生鲜农产品的在线评论研究主要包括在线评论对其销量影响的研究及在线评论特征对消费者满意度的研究［3］。胡雅淇，林海对淘宝羊肉大数据进行分析发现：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，评论长度对其销量的影响不显著[2]。张红霞运用回归分析的方法分析天猫生鲜频道数据，采用四分图模型分析影响生鲜农产品电子商务消费者满意度的关键因素[6]。

（三）研究现状综述

通过梳理前面学者的研究发现：在线评论研究内容非常丰富，但不同学者得出的结论差异较大。分析上述结论原因，发现主要为：有些学者采用问卷调研的方式开展研究，有些学者采用实验数据开展研究，样本数据不同，导致不同学者研究得出的结论差距较大；同时有些学者分析手机、空调等搜索型产品，有些学者分析电影等体验型产品，产品的类型也对分析结果有较大影响。因此研究在线评论对在线销量的影响需要结合产品类型，才能为企业提供针对性建议。

生鲜农产品一方面属于体验型产品，另一方面对时效性等有较高要求，所以其研究又不同于一般的体验型产品，研究这一特殊品类对理论有很好的补充作用。同时采用网络爬虫工具获取京东商城（www.jd.com）的大量真实有效的产品评论数据，也可以给企业生鲜农产品项目运营带来很好的指导意义。

二、研究假设及模型

（一）研究假设

Chen的研究表明在线评论总数量对产品的销量有显著的影响，评论数量越多，产品销售越多[7]。Zhang等学者通过实验室实验和实际在线零售商的数据表明，消费者认为正面评论比负面评论更具说服力[8]。张艳辉等研究认为，评论回复可以使得该评论更加深入，引起更多消费者的关注[9]。蔡莉梅等研究发现，评论回复数量对评论有用性有显著正向影响[10]。刘杰等研究发现，消费者特征会影响评论的有用性[11]。王涛等研究发现价格通过消费者满意度对消费者购买产品有直接影响[12]。因而，文中提出以下研究假设，如表1所示。

表1 在线评论研究假设

images/BZ_72_1273_393_2290_452.png假设H5假设H6消费者特征显著调节了在线评论对生鲜农产品在线销量的影响。产品价格显著调节了在线评论对生鲜农产品在线销量的影响。

（二）模型变量选择

1.自变量及维度的选取

通过前文的分析及假设，文中选择了有效评论数量、评论效价、评论的点赞、评论的回复作为影响在线销量的自变量。有效评论数量是指消费者发布的真实评论数量的总和的统计，因为购物平台存在系统默认评论的现状，文中选择有效评论数量。有效评论数量=（评论总数-系统默认评论）。评论效价的典型表现形式是产品评分，反映了消费者对产品的情感倾向。在实证研究中，通常采用消费者评分的平均值表示评论效价，文中选用了京东商城产品的好评度作为评论效价。评论的点赞和评论回复是京东商城在评论中设置的，主要通过此方式选出高质量评论，有利于消费者评估评论质量。

2.控制变量的选取

通过前文的分析及假设，文中选择了消费者特征及价格作为控制变量。

购物平台为了刺激消费者购买产品，一般都会推出自身的会员体系。京东商城的会员按照是否付费可以分为：京东会员和京东plus 会员两种。因为京东plus 会员是为其核心客户提供更优质的购物体验而推出的会员，京东plus 会员在线消费经验丰富、活跃程度较高，所以京东plus 会员的评论更容易被消费者接受，所以此处将消费者特征引入作为控制变量。

价格作为产品的重要属性之一，也是在线销量的重要影响因素。对于同类产品来说，价格的高低会改变消费者的购买决定。所以文中将价格作为控制变量，来研究在线评论与在线销量之间的关系。

3.因变量及维度的选取

文中研究的是评论与在线销量的关系，但因企业的在线销量数据较难获取，为本文研究带来一定困难，所以用销量排名代替在线销量。销量排名是按照产品销售数量排名后的结果，能够如实反映该产品的真实在线销量。

（三）模型构建

结合文献研究及相关理论学习，建立了如图1 所示的研究模型，文中以消费者购买行为理论为基础，以评论数量、评论效价、评论点赞和评论回复为模型的自变量，价格和消费者特征为控制变量，生鲜农产品在线销量排名为因变量。

图1 论文研究模型

基于图1 中的论文研究模型，根据前文多位学者的研究，采用回归分析的方式来验证在线评论对生鲜农产品销量排名的影响力。因变量为销量排名（Y），自变量包括评论数量（A1）、评论效价（A2）、评论的点赞（A3）、评论的回复（A4）、消费者特征（A5）、价格（A6）。设μi 为随机变量，基于以上变量建立以下回归模型方程（1），来验证各自变量对因变量的影响情况。

由于影响生鲜农产品销量排名的因素较多，为了深入对比研究，在模型方程（1）中，增加了控制变量A5和A6，并验证控制变量在自变量对因变量影响的调节作用，建立回归模型方程（2）

三、数据采集及处理

（一）数据采集方法及对象选择

按照销量排名，人工筛选出排行榜前25 的产品，再使用八爪鱼采集器，选取的平台为京东商城，产品为近30 天销量排行榜前25 名的陕西猕猴桃，抓取目标产品的评论信息。数据采集的时间为2022 年5 月1日-2022 年5 月5 日，一共抓取了25 个产品，共有14733条有效评论（不包含默认好评）。

（二）数据采集内容

结合本次研究指标，主要收集的数据包括：评论数量、评论的点赞数量及评论的回复数量、价格、好评度、消费者特征等，如图2所示。

图2 数据采集内容

（三）数据处理

考虑到电商购物平台评论中存在系统默认好评，文中在计算评论数量时剔除了系统默认好评，使用了产品有效的评论数量。同时为了消除因产品上架时间不一导致的评论数据差异较大的现象，对消费者特征、评论的点赞及评论的回复采用了占有效评论比例的方式来展开分析。

四、实证分析及结论

（一）描述性统计分析

文中使用Excel2016 对整理后的数据进行描述性统计分析，具体的分析结果如表2所示。

表2 在线评论数据描述性统计分析

从描述性统计分析结果来看，产品价格、评论数量方差较大，这说明文中选择的样本的评论数量及产品价格跨度较大，具有研究价值。

（二）相关分析

相关分析主要用于判断变量之间是否存在相关关系，文中使用Excel2016对数据进行皮尔森（Pearson）相关性分析，主要分析因变量与自变量间有无相关关系、相关的方向以及关系的密切程度，分析结果如表3所示。

表3 因变量与自变量的相关性系数

从表3 可以看出，销量排名与有效评论数量之间存在负向中度相关，销量排名与评分之间存在正向中度相关，销量排名与价格之间存在负向中度相关。

（三）回归分析

本节通过对前文的样本数据进行多元线性回归分析，采用的工具为Excel2016，选择数据-数据分析-回归，置信度为95%，得到表4 回归统计、表5 方差分析、表6回归系数检验。

表4 回归统计

表5 方差分析

模型方程（2）回归分析残差总计df SS MS F Significance F 6 22.220044852.09147E-07 19 25 4835.827111 689.1728895 5525 805.9711851 36.27225734

表6 回归系数检验

模型方程（1）中的自变量为销量排名、有效评论数量、评分、评论的点赞比例、评论的回复比例，模型方程（2）在模型方程（1）的基础上，增加了价格和消费者特征。从表4中可以看出来，Multiple R及R Square均大于0.8，表示强相关且模型的拟合度非常高；Adjusted R Square 均大于0.7，表示多元线性回归模型的拟合度也非常高。

同时对比模型方程（1）、（2）回归统计分析发现：ΔMultiple R 有3.98%的增加，ΔR Square有7.28%的增加，ΔAdjusted R Square有6.32%的增加，说明模型方程（2）的解释力在增强，也说明了价格和消费者特征作为控制变量对消费者购买行为影响有实际意义。

从表5 中可以看出来，Significance F 均明显异于0（小于0.001），说明模型方程（1）与模型方程（2）整体的线性关系非常显著。

（1）两个模型均引入了有效评论数量，且系数均为负，说明有效评论数量越高，销量排名越靠前，产品销量越好。但模型方程（1）P=0.05、模型方程（2）P＜0.05，这是因为模型方程（2）引入了控制变量，也就是说控制变量会调整产品评论与销量排名的影响。同时也验证了假设H1是成立的。

（2）两个模型均引入了评分作为自变量，且回归结果中两个模型方程中P值均明显小于0.01，且系数均为正值，可以看出评分越低，产品销量排名越靠前，销量越高。这与大众认知相反，通过分析京东商城的评价体系，发现京东商城的评分初始默认值为100%，也就是说该产品没有销量时，评分为100%；而有了销量之后，因为中差评的产生，评分会降低，所以也就解释了评分会随着销量的增加而降低。这也验证了假设H2的成立。

（3）模型方程（2）中引入评论的点赞和评论的回复作为自变量，0.01＜P＜0.05，且系数为正，说明评论的点赞和评论回复比例越低，产品销量排名越靠前，销量越高，验证了假设H3、H4是成立的。

（4）模型方程（2）中引入消费者特征作为控制变量，P=0.7898＞0.05，说明消费者特征与销量排名之间关系不显著，同时验证H5是不成立的。

（5）模型方程（2）中引入价格作为控制变量，P＜0.01 说明价格显著调节了产品评论与销量排名的影响，同时也验证了假设H6 是成立的。消费者购买生鲜农产品会考虑价格因素，这也与真实市场的状况相符。

五、总结

文中以京东商城陕西猕猴桃销售数据为例，分析生鲜农产品在线评论对销量的影响，采用描述性统计分析、相关分析和回归分析，具体研究在线评论对生鲜农产品在线销量的影响程度。基于上述分析得出企业生鲜农产品项目运营建议如下：

（一）生鲜农产品企业应重视在线评论，诚信经营。

有效评论数量可以降低消费者购买生鲜农产品的不确定性，从而促进在线销售。一方面企业可以通过好评返现和赠品等方式，激发已购消费者评论的积极性。另一方面，可以借助客服发送评论模板，引导已购消费者从猕猴桃口感、大小、新鲜度等多个维度评论，发布形式多样、内容详实、有用可靠的高质量评论，丰富评论内容深度。同时企业也要做到诚信经营，杜绝刷单、刷好评、删差评等虚假行为。

（二）企业需要严把产品质量，优化服务质量。

企业可以借助评论标签、差评等内容，了解消费者关注的产品质量、物流、客服等，做好产品品控管理，严把产品质量关，同时优化生鲜农产品的物流及客服，优化服务质量。

（三）基于平台用户群体，优化产品价格，促进消费者购买。

不同电商平台用户群体不同，能接受的价格也不同，可以将价格调整至尽量覆盖更大的消费群体，从而促进产品销售。

鉴于文中只采集了京东商城的数据，导致研究存在一定的局限性，同时也未考虑运营店铺的评分等变量，因而存在遗漏变量的问题。未来研究可继续扩展多个平台，来丰富研究对象，同时纳入企业店铺评分及物流选择等指标，深化研究内容。