在线评论有用性影响因素与组态分析——基于负二项回归和fsQCA方法

李继承，蔡伟彬

（哈尔滨理工大学 经济与管理学院，黑龙江 哈尔滨 150040）

0 引言

数字经济背景下，网络消费观念的普及与网络支付的便捷化带动网络购物的蓬勃发展，而新冠疫情在冲击线下产业的同时也在客观上改变了消费者的购物习惯，消费者纷纷从线下消费转变为线上消费。据CNNIC统计数据显示，截至2021 年12 月，我国网络购物用户规模达8.42 亿人，约占网民整体的81.6%［1］。虽然相比于线下购物更便捷，但线上购物的虚拟性及匿名性使得其颇具风险［2］。因而，消费者需要通过搜寻获取更多的信息以此来减少网络购物的风险。除了店铺相关的介绍与产品的详细信息外［3］，在线评论也会对消费者的购买行为产生重要影响［4］。而商家在意识到在线评论的重要性后，有意参与到在线评论的发布中。部分商家通过奖励回报的形式，促使消费者给予好评，更有甚者，则通过雇佣水军的形式，直接发布虚假的评论信息影响消费者的判断决策。因而如何衡量评论质量就显得尤为重要，而在线评论有用性作为行之有效的衡量手段，研究其前因影响，能帮助消费者有效地获取所需的信息，有利于提升电商平台服务水平和消费者的购物体验。

目前在在线评论有用性的相关研究领域，以往国内外学者多从评论内容、评论者和商品类型等影响因素出发开展线性因果效应研究。从研究方法上看，多数研究主要以传统的线性回归模型为基础通过问卷或电商平台真实数据进行实证研究。已有研究虽阐述了在线评论有用性的影响关系，但仅挖掘出单一前因变量和在线评论有用性之间的线性对称关系，忽略了多因素间的组合影响，使得该领域的研究无法从整体视角出发形成相对统一的研究脉络和理论框架。此外，学者们研究部分前因变量对在线评论有用性的影响存在研究结论前后不一致的情况，这可能是因为存在因果间的非对称性，从而导致研究结果无法统一。鉴于此，本文基于信息采纳模型（Information Adoption Model，IAM），采集亚马逊中国官网真实的评论数据，采用负二项回归模型和模糊集定性比较分析（Fuzzy－set Qualitative Comparative Analysis，fsQCA）的混合方法，探究在线评论有用性的影响因素及组态效应，以突破单一统计分析方法变量独立和因果对称的限制，弥补过往研究方法的不足。

1 理论综述与研究假设

1.1 信息采纳模型

Sussman等结合技术接收模型和精细加工可能性模型提出信息采纳模型［5］。由图1 可知，该模型认为接收者依据信息质量和信息源可信度决定对信息是否采纳，这两者直接影响信息有用性。在线评论作为消费者在网络购物中的重要决策工具，消费者对其阅读、理解、判断的过程实质上便是信息采纳过程［5］。信息采纳是引起消费者态度和行为改变的前提［6］，本文使用信息采纳模型来解释消费者衡量在线评论是否有用的行为过程。

图1 信息采纳模型Figure 1 Information adoption model

目前已有不少研究使用信息采纳模型研究网络购物中消费者的在线评论有用性的影响过程及机制。对于在线评论，研究者们倾向认为评论信息通过中心路径来影响消费者，而评论来源则是通过边缘路径对消费者产生影响［7－9］。完整的在线评论主要由评论内容信息和评论者信息构成。评论内容包括时间信息、商品感知信息、服务感知信息、消费情境等，是信息的主体内容，即中心路径［8］，而评论者信息则常作为边缘路径影响消费者对信息有用性的判断。

1.2 研究模型

在消费者进行在线评论投票的情境中，消费者对信息质量的评估主要是对评论内容的评估，而信息源可信度的评估是对评论者信息的评估［10］。信息质量一般通过信息的相关性、准确性、时效性和全面性加以测量［11］，在亚马逊中国网站的评论信息中不仅包含了评论星级、时间、内容和图片等评论内容，亚马逊还提倡评论者用简明扼要的标题来点明评论重点，因此其评论信息还包含标题信息量，所以本文选取评论星级、长度、标题信息量、时效性、商品类型及图片评估评论信息质量。信息源可信度则通过其专业性和可靠性加以测量［5］，不同于其他电商平台，亚马逊中国网站会根据评论者的贡献，进行优秀评论者排行以帮助消费者在网站上做出明智的购物决策，并公开评论者过往的评论数和获得的有帮助的投票数。本文信息源的可信度便选取评论者等级、经验及权威性加以评估。当前电商网站如淘宝、京东、亚马逊等在其评论系统中均设计该条评论是否有用的选项，其中亚马逊中国网站直截了当地以“X个人发现此评论有用”来向消费者展示该条评论的有用性，本文便以此来衡量在线评论有用性。根据上述内容，基于信息采纳模型，本文从评论内容和评论者两个层面多个前因因素探究它们对消费者感知的在线评论有用性的组态影响，据此构建在线评论有用性研究模型，如图2 所示。

图2 在线评论有用性研究模型Figure 2 Research model of online comment usefulness

1.3 评论内容特征对评论有用性的影响

评论星级是购买者对商品和使用体验给出的综合评价［12］。过往研究中评论星级的影响作用有所差异。部分学者认为评论星级对评论有用性起正向影响［13］，其余学者则认为负面评论包含的信息更准确，对消费者的影响更大［14－16］。多数学者普遍认同极端评论观点表达更明晰，情感倾向更明确，在线评论有用性更强［13，17］。在电商网站中，在线评论易受到商家的操纵，导致负面评价出现频率较低，但消费者更接受其真实性［16］，此外，负面偏差理论认为负面信息对消费者的行为和认知的作用更强，其对评论有用性的影响更显著［11］。

此外，评论内容作为在线评论的主体信息，在过往研究中，评论内容的篇幅越长，评论者对商品及使用体验的介绍信息更完整，评论接收者的阅读投入程度更高，对商品更加了解，信息不确定性得以减弱，显著提升信息的有用性［18］。也有学者指出，评论长度对评论有用性的影响呈现为倒“U”型关系，即在一定范围内，评论信息有助于购买决策，当评论信息过长时则会导致认知过载，消费者难以进行购买决策［17］。由于评论者撰写评论需投入时间及精力，加上电商平台的评论限制，一般情况下认为评论长度仍在合理范围内。其次，消费者在阅读评论内容前，会通过阅读评论标题来筛选符合其需求的评论，而标题作为启发式信息加工的线索，其信息量也代表着评论者在时间和精力上更大的付出［19］。而标题信息量越多，越有利于消费者了解评论信息，在线评论更有用。由此，提出以下假设——H1：评论星级对在线评论有用性起负向作用；H2：评论长度对在线评论有用性起正向作用；H3：标题信息量对在线评论有用性起正向作用。

消费者在阅读评论时，除了关注评论星级及评论内容外，也会关注评论时效性。评论时效性是指评论时间与接收者阅读时间的间隔。郝媛媛等证实评论时效性越高，其评论越有用［20］；方佳明等研究发现评论发表天数越长，评论有用性越高［21］。而评论有用性之所以存在时间累积的影响，是由于消费者对近期评论来不及浏览投票，而时间较长的评论则更能获得消费者的关注，所以时效长的评论更有用［16］。再者，信息技术的发展使得评论展示形式日益多样化，除了传统的文字评论，消费者还能以图片、视频形式进行评论。研究表明，图片比文字更容易对消费者产生积极影响［19］。相较于传统的文字评论，消费者在进行图片评论时，需要考虑图片的色泽、构图、美感等诸多因素，花费更多的时间成本，因而具备图片的评论更具可信度。此外，评论图片与内容相互补充，更好降低消费者的信息不确定性，提高评论的有用性［22］。由此，提出以下假设——H4：评论时效性对在线评论有用性起正向作用；H5：评论图片对在线评论有用性起正向作用。

根据购买前信息获取的难易程度，Nelson 将商品类型划分为搜索品和体验品［23］。在购买前，消费者能通过评论信息了解搜索品的质量属性，而体验品只能通过在购买后知晓，不同类型商品的评论有用性有所差别，相较于体验品，搜索品评论的有用性更高［22］。此外，消费者对不同商品类型的信息认知有所差异，搜索品的评论侧重于客观商品品质描述，而体验品的评论则主要呈现用户的主观体验，因此在研究中商品类型常作为调节变量［24］。不同商品类型下，评论长度会引起评论中解释行为和解释反应与评论有用性的感知差异［25］。对于搜索品而言，评论篇幅越长，商品实物描述越细致，消费者也能获得更多有用信息，这对于注重客观属性的搜索品更具参考价值［13］。商品类型不同，评论图片的效果有所差异。对于体验品而言，图片无法展示购买者的使用体验等核心信息，而在搜索品中，图片展示的信息更为直接客观，图片能清晰明了展示产品功能设计及使用效果，其评论的有用性也会增加［13］。由此，提出以下假设——H6a：不同商品类型的在线评论有用性存在差异；H6b：商品类型在评论长度与评论有用性中起调节作用；H6c：商品类型在评论图片与评论有用性中起调节作用。

1.4 评论者特征对评论有用性的影响

在电商平台评论系统中，常会对优秀评论者进行等级排行，这既能为消费者购物决策提供判断信息，也会激励购买者发表优质评论。作为启发式的信息线索，评论者等级影响消费者感知到的评论有用性［26］。评论者的高等级凸显其专业性，用户更青睐高等级评论者的评论，其评论的有用性也越高［33］。评论者以往获得的投票越多，其商品知识水平越高，代表其权威性也越高，其评论意见更有用［16］。根据信号传递理论，评论者权威性作为电商平台提供的高成本信号，信息更难以获得，因而对消费者的可信度较高。而评论者权威性越强，可雅度越高，则其评论有用性越高。过往研究常使用评论者所发表的评论数来衡量评论者的经验，评论者过往所发表的评论数越多，代表其参与程度越高，其评论经验更丰富，则其评论有用性应该会更高［16］。由此，提出以下假设——H7：评论者等级对在线评论有用性起正向作用；H8：评论者权威性对评论有用性起正向作用；H9：评论者经验对在线评论有用性起正向作用。

2 研究设计

2.1 研究方法

社会学家Ragin 于20 世纪80 年代提出了定性比较分析方法［28］。不同于传统回归分析聚焦于独立因素的影响，定性比较分析方法不受条件之间可能存在相互交互的影响即共线性问题，可以揭示不同条件组合和结果之间因果关系的复杂性［29］。定性比较分析方法在处理大样本和分析复杂组态问题的优势，使其成为多个研究领域解决复杂因果关系的重要工具。

过往关于在线评论有用性影响因素的研究仅关注前因变量的单独效应，缺乏对不同影响因素间组态效应的探讨。因此，本文使用QCA 方法探究在线评论有用性与其前因变量之间存在的复杂因果关系。由于本文通过采集大量亚马逊中国网站真实评论数据进行分析，属于大样本文，且多数变量属于计数变量更适用fsQCA 方法进行分析。此外，基于大样本文的趋势，张明等认为QCA 方法和主流统计分析方法的有效整合提供了扩大社会科学理论的描述力、预测力和解释力的机会［30］。因而本文尝试采用负二项回归模型和fsQCA相结合的方法以提高解释力度。

2.2 数据收集与清洗

本文使用的数据来源于亚马逊中国网站（www.amazon.cn），选取销售量大、评论数多的商品，使用网络爬虫软件八爪鱼抓取Kindle 阅读器、耳机、手表、电动牙刷等搜索品，以及图书等体验品在线评论数据，评论数据的时间从2012 年1 月1 日至2021 年12月31 日，评论数据主要包括评论星级、标题和内容、图片、该评论的有用性投票数、评论者排名、评论数、过往获得的有帮助投票数等。

为了保证研究的准确性，对初始采集的数据进行清洗。首先，剔除短时间内（2min）同一ID 地址的重复样本，以及缺失数据如评论者排名的样本。其次，剔除掉无效的样本，如评论内容为“哈哈哈哈”“棒棒棒”等。最后，对评论内容中存在的无效符号如“＃”“！”“＆”进行筛选并删除。最终获得18 635个有效样本。

2.3 变量测度

本文中共包括10 个变量，对变量的测度主要根据亚马逊网站实测数据。通过收集该评论的有用性投票来衡量在线评论有用性［31］。评论内容特征则用评论星级、评论长度、标题信息量、评论时效性、评论图片、商品类型来测量，评论者特征选取评论者等级、评论者权威性、经验来衡量。其中亚马逊中国网站给出评论者明确的等级排名，为方便研究，评论者等级规则如下：前10 001—10 000 000 名为等级1、前5 001—10 000 名为等级2、前1 001—5 000 名为等级3、前101—1 000 名为等级4、前1—100 名为等级5。具体如表1 所示。

3 实证分析

3.1 描述性统计

描述性统计分析结果如表2 所示，在线评论有用性最大值为1 407，均值为0.961，评论星级均值为4.464，表明多数评论为正面评论。评论长度均值为37个字左右，标题信息量均值为6.296，表明多数评论者对其购买过程进行反馈。评论者经验、评论者权威性的均值分别为11.51 和18.94，表明多数消费者并非首次进行评论且其评论普遍获得其他人的认同。评论图片的均值为0.0502，说明网站中消费者对发布图片并不积极。

表2 描述性统计Table 2 Descriptive statistics

3.2 假设检验

参考过往在线评论有用性的研究，由于在线评论有用性属于计数变量，而且真实获取的在线评论有用性存在大量的零值，样本数据方差大于均值。适用于能拟合离散计数数据的负二项回归模型［26］，所以本文借助Stata 软件采用负二项回归模型验证假设。回归结果如表3 所示，对比过往研究的拟合优度，本模型的伪R2系数为0.13，说明拟合效果良好。

表3 负二项回归分析结果Table 3 Negative binomial regression analysis results

评论星级的系数为负，P 值显著，表明评论星级越低，评论有用性更高，假设H1成立。评论长度和标题信息量的系数均为正且P 值均显著，表明在一定范围内，评论篇幅越长，标题信息量越多，在线评论有用性更高，假设H2、H3成立。评论时效性的系数为正，P 值显著，表明相比于最近发布的评论，发布时间较长的评论累积的有用性更高，假设H4成立。评论图片的系数为正，P 值显著，表明评论者发布的图片与评论内容相互结合，对评论有用性有显著促进作用，假设H5成立。商品类型的系数为负，P 值显著，表明不同商品类型的评论有用性有显著差异，相对于体验品，消费者从搜索品的评论中获取信息更为容易，则搜索品的评论有用性更高，假设H6a成立。评论长度与商品类型的交互项系数为正，P 值显著，表明商品类型促进评论长度对评论有用性的作用，相比于搜索品，消费者更需要通过长篇幅的内容了解购买者的使用体验，假设H6b部分成立。而评论图片与商品类型的交互项系数不显著，表明商品类型并无调节作用，假设H6c不成立。

评论者等级系数为正，P 值显著，表明排名靠前的评论者发布的评论的有用性更高，假设H7成立。评论者权威性系数为正，P 值显著，表明评论者权威性越强，则其评论的可靠性越高，对商品理解越深刻，则其评论越有用，假设H8成立。评论者经验系数为负，P 值显著，表明评论者过往发布的评论数越多，并不能增加其评论的有用性，反而会削弱其评论的有用性，可能是平台在激励消费者发表评论时，虽然提高了评论者的评论数量，却导致评论者随意评论，致使评论可信度降低［32］，因而降低其评论有用性，假设H9不成立。

3.3 变量校准

本文参考Andrews 等使用直接校准法对变量进行校准［33］，锚点选取为95%的分位数值、平均数、5%的分位数值分别作为完全隶属、交叉点和完全不隶属的临界点。使用fsQCA3.0 程序进行模糊值校准各变量校准锚点结果如表4 所示。

表4 各变量校准锚点Table 4 Calibration anchor points for each variable

3.4 必要性分析

由表5 可知，单个前因变量一致性均低于0.9，表明不存在前因变量能构成高在线评论有用性的必要条件，可以对所有在线评论者有用性的前因变量进行组态分析。

表5 单因素必要性分析结果Table 5 Results of single factor necessity analysis

3.5 构建真值表和组态分析

关于原始一致性阈值设定的问题，Ragin 推荐一致性阈值设定大于等于0.80［28］。结合样本实际情况，本文将一致性阈值设定为0.80，而PRI一致性则根据学者们建议设定为不低于0.75［29］。考虑到本文的案例数量较大，在保留75%的总案例数后［29］，设定案例阈值为10。之后，经过标准分析、反事实分析得到复杂解、中间解及简约解。QCA 不仅能够能分析得到不同的组态路径，还能区分核心条件与补充条件［33］，简约解得到结果变量的核心条件变量，中间解得到结果变量的辅助条件变量，本文在分析时以中间解为主并考虑了简约解。从表6 可见，通过对18 635 个评论数据样本的计算和分析可以得到高在线评论有用性的组态，结果显示总体一致性为0.9333，而当前大样本的QCA 研究中解的总体覆盖度一般是在0.3 以上［36］，而本文的解的总体覆盖度为0.3744 ＞0.3，是符合当前研究标准的。表明组态整体解释力较强，可信度高。基于“等效性”的假设前提，在研究复杂因果关系时，多种组态可以得出同一结果［29］。本文发现了6 种构成高在线评论有用性的组态，即Y1、Y2a、Y2b、Y3a、Y3b、Y3c，其一致性指标分别为0.9752、0.989、0.9925、0.9813、0.9836、0.9842，说明这6 种组态都是高在线评论有用性的充分条件。

表6 高在线评论有用性组态Table 6 High online review usefulness configurations

对这6 种组态详细分析如下：①条件组态Y1显示，无论评论图片是否存在，缺乏高评论星级（核心条件）、缺乏高评论时效性（核心条件）、在搜索品中（边缘条件）、缺乏高评论者等级（边缘条件）、缺乏高评论者经验（边缘条件）、拥有高评论长度（核心条件）、拥有高评论者权威性（核心条件）以及拥有高标题信息量（边缘条件）可以产生高的在线评论有用性。②组态Y1表明，无论评论图片是否存在，对于一些低评论时效性即时间间隔近的搜索品的负面评论（缺乏评论星级）而言，即使该条评论的撰写者等级较低且评论经验较少，只要其评论标题总结得当，评论内容丰富，并且作为该商品的权威评论者，则其在线评论仍能得到较高的有用性投票。如，在Kindle阅读器及飞利浦电动牙刷等近期销量大、评论多的商品中，虽然其负面评论中的评论者等级较低、经验少，但作为Kindle 阅读器的拥趸，其叙述得当、言之有物的评论，仍然得到较多人的有用性投票。③条件组态Y2a显示，无论高标题信息量是否存在，缺乏高评论时效性（边缘条件）、在搜索品中（边缘条件）、缺乏高评论者等级（边缘条件）、缺乏高评论者经验（边缘条件）、拥有评论图片（核心条件）、拥有高评论者权威性（核心条件）、拥有高评论星级（边缘条件）以及拥有高评论长度（边缘条件）可以产生高的在线评论有用性。条件组态Y2b显示，无论高标题信息量是否存在，缺乏高评论时效性（边缘条件）、在搜索品中（边缘条件）、拥有评论图片（核心条件）、拥有高评论者权威性（核心条件）、拥有高评论星级（边缘条件）、拥有高评论长度（边缘条件）、拥有高评论者等级（边缘条件）以及拥有高评论者经验（边缘条件）可以产生高的在线评论有用性。④组态Y2a与Y2b表明，无论评论标题信息量是否丰富，在近期搜索品的正面评价中，只要评论者有专业的商品知识且在评论中发布图片，则其在线评论便能获得较高的有用性投票。而Y2a与Y2b的区别便在于Y2a路径中的评论者等级较低、经验不足，而Y2b的评论者等级高、历史评论数较多即经验丰富。例如，在Sony 耳机、Western台式机外置硬盘、AKG 专业录音室耳机和Casio男士数字手表等销量较少的小众商品中，在评论星级高的情况下，只要评论者的权威性较高即具备较渊博的商品知识并在其评论中发布图片，便能获得较高的评论有用性。⑤条件组态Y3a显示，无论高标题信息量是否存在，缺乏高评论星级（核心条件）、缺乏高评论时效性（边缘条件）、不考虑评论图片（边缘条件）、在搜索品中（边缘条件）、拥有高评论长度（核心条件）、拥有高评论者等级（核心条件）、拥有高评论者权威性（边缘条件）以及拥有高评论者经验（边缘条件）可以产生高的在线评论有用性。条件组态Y3b显示，无论高标题信息量是否存在，缺乏高评论星级（核心条件）、不考虑评论图片（边缘条件）、拥有高评论长度（核心条件）、拥有高评论者等级（核心条件）、拥有高评论时效性（边缘条件）、在体验品中（边缘条件）、拥有高评论者权威性（边缘条件）以及拥有高评论者经验（边缘条件）可以产生高的在线评论有用性。条件组态Y3c显示，无论评论时效性是否存在，缺乏高评论星级（核心条件）、不考虑评论图片（边缘条件）、拥有高评论长度（核心条件）、拥有高评论者等级（核心条件）、拥有高标题信息量（边缘条件）、在体验品中（边缘条件）、拥有高评论者权威性（边缘条件）以及拥有高评论者经验（边缘条件）可以产生高的在线评论有用性。⑥组态Y3a表明，无论标题信息量是否丰富，在近期搜索品的负面评价中，消费者在兼顾评论者权威性和经验后，主要依据排名靠前的评论者等级及其评论内容中囊括的关于商品的表述言辞，给予其评论高的有用性投票。这种情况出现在多种产品中，如Champion T恤、耳机、手表、电动牙刷和保温杯中，在低评论星级即负面评论中，消费者主要关注评论者等级及其评论内容来确定该评论是否有用。⑦组态Y3b和Y3c表明，无论评论时效性即评论时间远近、标题信息量多少，在体验品的负面评论中，消费者在兼顾评论者权威性和经验后，主要依据评论者的领先排名即高等级以及其长篇幅的评论内容，给予该评论高的有用性投票。由于本文选取的体验品为图书，在其负面评价中，评论者会使用长篇幅的评论内容撰写书籍情况及自身的阅读体验，而一般情况下，这样的评论者多为热爱阅读，涉猎较广的“读书人”，其评论者权威性高、评论等级及经验相较其他商品的评论者更为丰富，因而其评论的有用性也更高。

3.6 稳健性检验

对于研究结果的稳健性检验，本文参考孙国强等的做法，通过将一致性阈值设定水平由0.8 提升至0.85、0.9 进行稳健性检验［35］。研究发现，一致性阈值的改变，并未导致中间解和简单解的结果出现明显变化，而解的一致性和覆盖率也无明显变动，因此研究结果具有稳健性［36］。

4 结论、启示与展望

4.1 结论

基于信息采纳模型，结合负二项回归模型和fsQCA方法来探究在线评论有用性的影响因素和因素间的组态效应。主要结论如下：①负二项回归模型结果表明，在线评论情境中，评论内容特征作为影响在线评论有用性的中心路径，评论长度、标题信息量、时效性、图片均对在线评论有用性起显著正向作用，评论星级与商品类型则起负向作用。而作为边缘路径的评论者特征，评论者等级、权威性正向影响评论有用性，评论者经验则因为存在评论“注水”的可能，负向影响评论有用性，同时，商品类型正向调节评论长度与在线评论有用性间关系。②负二项回归的模型拟合度为0.13，表明在评论内容或评论者特征中，单个因素对消费者感知的在线评论有用性的解释力度较差，而必要性分析中单个前因变量一致性均低于0.9，也表明不存在任一前因变量能构成高在线评论有用性的必要条件，因此有必要从整体视角出发探讨前因变量间的组态效应。③组态分析结果显示，包含6 条能提升在线评论有用性的路径，多条路径解释了在线评论有用性影响因素间的组态作用。不同组态表明不同情境下高在线评论有用性的实现路径。在搜索品的负面评论情境即组态Y1中，只有评论者具备高权威性以及其评论标题信息量多、内容篇幅长时，才能获得高的评论有用性；在搜索品的正面评论情境即组态Y2中，只要评论者具备专业的商品知识即高权威性并且发布评论图片，即可获得高的评论有用性；在体验品的负面评论情境中即组态Y3中，既需要考虑高评论者等级，也需要内容丰富的长篇幅评论，才能获得高的在线评论有用性。总而言之，从信息采纳模型出发，无论是哪种组态，消费者只有在综合考虑信息质量（评论内容特征）和信息源可信度（评论者特征）之后，才会给予高在线评论有用性的投票。

4.2 启示

理论方面。首先，本文率先在在线评论有用性研究领域引入fsQCA 方法，完善在线评论有用性的前因研究，突破过往研究中单一统计分析方法对自变量相互独立和因果对称的限制，弥补过往研究方法的不足。其次，从整体视角出发，研究前因变量间的组态效应，有利于形成相对完整统一的理论框架。最后，从信息质量（中心路径）和信息源可信度（边缘路径）出发，采用混合方法识别在线评论有用性的提升路径，不仅是对信息采纳模型的扩展与深入使用，也丰富了QCA研究方法的适用范围，为后续研究提供良好的借鉴。

实践方面。首先，本文证实电商网站激励购买者多发评论的方式存在负向影响，相比于评论数量，评论质量才是电商网站应考虑的重点，而网站可以通过识别评论者权威性的方式，对相关优质评论者加以激励，从而刺激优质评论者撰写有用性高的在线评论。同时，评论图片作为高在线评论有用性多个组态的核心存在条件，对消费者购买决策提供更多帮助，电商网站需要鼓励购买者在评论中多发布图片。此外，高有用性评论中负面评论的占比不小，商家可以利用有价值的负面评论来改善产品。最后，高有用性在线评论路径的识别，有利于潜在消费者迅速识别符合其需求的评论，更高效地进行购买决策。

4.3 研究局限与未来展望

本文的研究局限与未来展望主要有以下两个方面：一方面，本文的评论数据来源为亚马逊中国网站，而不同的电商平台其评论数据有所区别，构成的组态也可能有所差异，未来可以对不同电商平台的高在线评论有用性的组态进行对比研究。另一方面，评论数据存在时间效应，在今后的研究中可以进行时序QCA研究，以对比分析不同时期高在线评论有用性的组态变化。