商家公开回复对后续用户评论特点的影响研究

陈莉　伍青生

摘 要：在线评论特点尤其是评论数量与评分能对消费决策过程产生显著影响，商家公开回复能否影响后续评论数量和评分，如何公开回复能更加显著地影响后续评论特点？对手机游戏评论数据进行实证分析，发现被用户观测到的公开回复行为能显著增加后续评论数量和评分。而随着被回复评论的评分增加，其对评论数量的影响先减少后增加；随着回复内容情感倾向的变化，其对评论数量的影响先减少后增加，对后续评分的影响先增加后减少。

关键词：在线评论；商家公开回复；用户评论特点

中图分类号：F 063.2

文献标志码：A

Research on the Influence of Managers’ Responses toOnline Reviews on Subsequent Reviews

CHEN Li WU Qingsheng

（Antai College of Economics & Management， Shanghai Jiao Tong University， Shanghai 200030， China）

Abstract：The characteristics of online reviews， especially the number and rate of reviews， can have a significant impact on the consumption decision-making process. Can the number and rate of subsequent reviews be affected by the managers’public responses？ How can the public responses more significantly affect the characteristics of subsequent reviews？ Through the empirical analysis of mobile game review data， it have been found that the public response behavior observed by users can significantly increase the number and rate of subsequent reviews. With the increase of the rate of the replied reviews， the impact on the number of reviews first weaken and then strengthen; with the change of emotional tendency of the reply content， the impact on the number of comments first weaken and then strengthen， and the impact on the rate first strengthen and then weaken.

Key words：online review; managers’ response; characteristics of online reviews

0 引言

隨着互联网迅速发展，各个行业均发展出多样的点评网站，有些网站是独立的消费者点评网站，如面向书籍、电影等的豆瓣网，而有些网站则包括产品销售与购后评论功能，如销售大众消费品的淘宝网、短时性租房的Airbnb以及主营手机游戏的TapTap等，同时在这些网站上，商家也可对评论进行公开回复。随着线上运营技术的成熟，越来越多的商家会通过公开回复点评来进行客户关系管理（如图1所示，图片分别来自大众点评网、淘宝网、Airbnb、TapTap）。商家如何管理公开回复的问题是普遍存在的，如选择哪些评论进行回复，选择怎样的话语模式进行回复等。本文的研究问题是商家公开回复对后续用户评论特点的影响。众多研究发现在线评论特点能通过影响感知有用性等因素影响该评论对消费者购买决策的影响。有研究显示在线评论的正负向对酒店预订量有显著作用；Tsekouras（2017）和Kupor（2018）等人均研究发现评论的极端性的重要作用，对体验型产品极端评价相对中等评价其有用性更低，而搜索型产品评论深度对有用性影响更显著（Mudambi，2010；张艳辉，李宗伟，2016）；文本长度也会影响产品销量（Schindler，2012；王君珺等，2013）；同时Ordenes等（2017）人研究发现了评论文本有着不同的话语模式，存在着不同的唤起水平，可分为直接、承诺性和陈述性评论，同时语句中存在着情绪不一致性。Yin等（2017）研究证明高唤醒水平的文本可通过感知努力造成更高的感知有用性。因此，商家公开回复对后续评论特点的影响研究能帮助企业通过公开回复行为影响整体舆情，同时也能通过影响评论特点来影响消费者购买行为。

已有在线评论特点的影响因素研究表明，评论动机和评论环境均会显著影响评论特点。Pan等（2018）研究不同亲密程度人的评价时，评论者评论行为的差异，也有学者研究面对不同亲密程度人群时，人们分享信息内容和动机的差异（Dubois，2016），即高亲密程度分享更多的负面消息，有着更强的保护他人的动机，而低亲密者分享更多的正面消息，有着更多的自我强化信息。Tsekouras等（2017）研究显示不同的评分框架量表会影响用户进行极端评论的倾向，Ransbotham （2019）研究发现移动端创建的口碑更有感染力、更具体、极端性更低。但只有较少目光聚焦于商家公开回复对在线评论的影响。Proserpio（2017）对酒店在线评论数据的实证分析显示，商家首次回复会增加后续评分和12%左右的评论数量，并且会收到更少但更长的负面评论，其可能的原因是消费者意识到酒店会监测评论，使得不满意的消费者更少可能留下短评；但Chevalier（2018）研究证明商家回复会减少评分，其原因在于商家的首次公开回复能提供一个商家可能会解决问题的信号，消费者提供反馈和获得回复的动机显著增强了；而Wang（2018）等人继续研究证明被观察到的经理人的回复能影响消费者的后续评价，正向评论的回复会使得后续评分下降，而负向评论的回复会使后续评分上升。李宗伟等人（2020）从淘宝网数据分析中发现，卖家回复能正向影响评论长度和图片评论数，同时店铺星级水平、店铺服务能力起到调节作用。从这些研究结果可以看出，商家公开回复对评论特点有着显著影响，但其效果仍具有争议，而且其研究的主要是商家首次公开回复的影响，并未探究多次公开回复造成的累积效应。与此同时，这些研究数据来源集中于酒店行业，主要由于酒店行业的产品质量是易变的（如客房服务），评论者将评论信息和商家回复都当作一种信息参考，商家有更多的动机与必要性去进行公开回复（Chevalier，2018）。而本文将研究多次的商家公开回复对后续评论特点（即后续评论数量和后续评论评分）的影响。

本文基于手机游戏下载点评APP（TapTap）的评论数据和商家回复数据，即包括157个游戏样本的49 289条有效观测值分析发现：

（1）被观测到的商家回复能显著影响后一天的总体评论特点，包括增加后一天新增评论数量和评分。

（2）新增评论数量随着被回复评论评分变化呈现U型变化；随着回复内容情感倾向变化呈现U型变化。

（3）后续评分随着商家公开回复内容的情感强度倾向变化呈现倒U型变化。

与已有的相关文献中的结果不同的是。

（1）累积的商家公开回复会使后续整体评分显著增加。Proserpio（2017）发现商家首次回复会增加后续评分，Chevalier（2018）研究证明商家回复会减少评分，其结果有一定矛盾性。本文对手机行业的数据分析发现，观测到的商家公开回复能显著增加后续评论评分和评论数量。

（2）本文发现无论是对正向还是负向评论的回复均能显著增加评论数量，但对负向评论的回复增长更加显著；但无论是对正向还是负向评论的回复均无法增加后续评分，但增加负向评论回复比例可以增加后续评论评分。这与过去Wang（2018）研究发现正向评论的回复会使得后续评分下降，而负向评论的回复会使后续评分上升的结果也有差异。

（3）本文相比其他研究，更多地探讨了商家公开回复的策略，如回复内容的情感强度导致后续评论特点的影响，发现回复内容情感强度对后续评论数量和评分的增长模式有所差异。

本文对商家公开回复对后续评论特点的影响研究，一方面补充了评论特点影响因素的研究，将商家公开回复的研究范围从首次扩展到多次的累积影响，同时也补充了在该研究问题上数据来源相对单一的问题，补充了国内市场手机游戏行业的分析；另一方面，为商家如何管理评论来引导整体评论特点，选择怎样的评论回复以及使用怎样的回复内容提供了一定的参考。

1 相关文献与研究假设

1.1 理论基础：社会反应理论（Social Respond Theory）

Moon（2000）提出社会反应理论（Social Respond Theory），即当机器与人产生互动行为时，人会倾向于将机器作为一个社会角色，从而更有可能分享自身的私人信息。该观点的提出基于互惠原则和社会取向。对自我披露（self-disclosure）的研究发现，由于互惠原则，如果人们第一次从谈话伙伴那里获得了这样的信息，即使是相对陌生的人，他们也会进行亲密的自我表露（Archer ， 1978）。同时人类是社会性动物，在进化过程中倾向于社会取向 （Reeves and Nass，1996），而当人类面对一种表现出类人特征的技术时，这种社会取向变得更加明显。有研究发现，网站可以被认为是一个有效的社会行动者，其特征与任何其他人际关系的特征基本相同（Kumar， 2002）。Horton和Wohl（1956）在对电视行为的研究中发现，电视人物可以将各种社会线索融入他们在镜头中的举止行为中，人格可以创造出一种准社会在场。

闫幸（2013）在企业微博互动策略对消费者品牌关系影响的研究中也基于社会互动理论分析了通过设计社交媒体中的互动来增加对网站社会化的感知，同时Wang（2007）基于社会互动理论也分析零售网站可通过一些社会化设计来提高用户社会化感知。在商家公开回复中，商家与后续评论者之间并非是直接互动的，而是通过评论网站上的公开回复创造出社会化线索而提高其社会化感知，对于商家而言，其可以通过各种线索创造出人格的准在场，而后续评论者将其作为一个社会角色来产生自我披露，在此处自我披露表现为在线评论，尤其表现为消费者的评论文本。

1.2 商家公开回复行为和评论特点

评论数量是评论特点中常见的研究变量，Duan（2008）对电影票房的研究表明在线评论数量和票房对在线评论数量产生显著影响，其他很多研究也表明了评论数量对产品销量的影响（Liu，2006；Ye at el，2009）。Henning-Thurau（2003）提出发表在线评论的动机：平台支持、负面情绪发泄、关心其他消费者、提升社区地位、社会利益、帮助企业、经济激励和寻求建议。由于品牌与消费者之前的沟通能影响品牌形象（Escalas，2004），商家公开回复行为可能使后续评论者眼中产生该品牌是“能接受消费者建议”的形象，从而直接提高消费者帮助企业的动机（Proserpio，2017；Chevalier，2018）；同时商家公开回复行为表现出“积极与用户互动”的形象，产生更高的类人行为，从而用户将其作为社会角色对待，增加互惠动机（Moon， 2000），即帮助商家与支持商家，从而评论数量增加。

评论的效价值意味着消费者对产品的满意度（Chevalier，2006；Liu，2006），也常被作为评论特点研究变量。有研究认为评论效价值会影响评论数量（Liu，2006），某些研究将效价值分为正向、负向和中立三类（Sonnier，2011），研究结果证明在线评论的正负面对酒店预订量有显著作用（Ye， 2009）。Moon （2004）采用对服务的整体满意程度和对服务提供者的整体满意程度两个维度来衡量总体顾客满意度。商家公开回复一方面可能对消费者使用过程中出现的服务问题进行补救，从而提高服务满意度（Spreng et.al， 1995）；另一方面商家公開回复行为可能使后续评论者将该品牌作为社会角色对待，增加互惠动机，从而使消费者对品牌满意度增加，从而增加评分。

综上， 提出假设1：

H：商家的公开回复行为会使后续用户评论的（a）评论数量显著增加；（b）评分显著增加。

1.3 商家公开回复与被回复评论评分的交互作用

在商家公开回复的研究中，Wang（2018）发现当商家首次公开回复的评论的评分极性不同时，后续评分变化有所差异，主要是消费者认为回复不同极性的评论时，商家公开回复行为的动机是有所差异的。Gu （2014）研究表明低满意度的客户收到商家在线回复后客户满意度会提高，因此对负面评论的回复可看作一种服务补救行为（Spreng et.al， 1995; Wang， 2018）; 而对正向评论的回复则更可能被看作一种营销活动（Wang， 2018）。根据社会反应理论，后续评论者将通过商家公开回复留下的线索而将其视为一种社会角色来进行对待。因此，我们可以假设商家对不同评分评论的回复产生了差异性的社会线索，从而后续影响产生差异。

评论评分越负向极端，说明消费者体验越差，越可能需要补救，商家在其他消费者中产生更强的“积极解决问题”形象，消费者帮助企业解决问题的的动机显著增加，从而评论数量增加（Henning-Thurau，2004；Proserpio，2017）。同时，商家对负向极端评论的公开回复行为更可能对消费者使用过程中出现的更为严重服务问题进行补救，从而提高服务满意度，后续用户评分增加更为显著。

评论评分越正向极端，说明消费者体验越好，商家对这类评论进行评分时，会在其他消费者心目中产生更强的“积极与用户互动”及“希望得到用户支持和鼓励”形象，表现出更强的类人行为（Gouldner，1960），其他评论者将其更可能作为社会角色对待，增加消费者互惠动机，从而评论数量增加（Henning-Thurau，2003）。商家对正向极端的评论的公开回复行为更可能使后续评论者眼中产生更强的类人行为，更可能将其作为社会角色对待，其互惠动机更为显著，因此评论评分增加更为显著。

另一方面，对正向评论的公开回复，更有可能被认为是“广告宣传”的线索（Wang， 2018），而根据抗拒理论（Clee， 1980），即促销活动、广告操纵都被视为威胁自由的方式，消费者对此会产生抗拒心理，此时消费者的抗拒心理会显著增加，因此消费者评论意愿下降，评论数量也会显著减少。

综上所述，被回复的评论评分越极端，无论是正向还是负向，均会使其他消费者增加更强的帮助企业动机，因此后续评论数量增加越显著。对极端负向评论的回复能对消费过程中产生的更严重服务问题进行补救，服务满意度增加更为显著，因此后续评论评分增加更为显著；正向评论的回复更能加强企业在其他评论者眼中“积极与用户互动”“希望得到用户支持和鼓励”形象，更可能使其他评论者将其作为社会角色对待，产生更强烈的互惠动机，从而后续评分增加更为显著。因此，后续评论数量和后续评分均随着被回复评论的评论变化呈U型变化。

因此，提出假设2：

H：商家公开回复后，被回复评论评分对后续用户评论特点有一种U型影响。（a）后续评论数量随着被回复评论的评分呈现U型变化；（b）后续评分随着被回复评论的评分呈现U型变化。

1.4 商家公开回复与回复内容情感强度的交互作用

在商家回复策略中，商家首先可采用不同的回复内容，Wang（2018）发现在对负面评论的回复中常采用“承认、解释、行动”的回复模式，同时也可采用情感强度更加明显的回复内容。一方面，随着回复内容情感强度极端性增加，则其表现出更加类人行为，其他评论者更可能将其视作社会角色，增加互惠行为，即支持和帮助商家，因此增加评论数量；另一方面，随着公开回复情感强度的增加，其更有可能被认为是“广告宣传”的线索（Wang， 2018）。而根据抗拒理论（Clee， 1980），此时消费者的抗拒心理会显著增加，因此消费者评论意愿下降，评论数量也会显著减少。因此，商家回复策略对后续评论数量的调节作用可能是正U型的，但当情感强度增加时其可能会减少后续评论数量。

而对于评论的用户而言，当商家采用情感强度极端性更加明显的回复时，评论者更可能将其作为社会角色对待，增加评论者的互惠行为，增加对品牌的评价，即增加后续评论评分；另一方面，Yin（2017）在对评论文本的研究中发现，文本情感强度对感知有用性的正向影响将随着情感强度呈倒U型，即先增加后减少直至成为负向影响。因此，其他消费者对商家公开回复的感知有用性可能也随着回复文本情感强度的增加呈倒U型，即先增加后较少。根据Rust等（1994）提出的服务质量三因素模型，即公开回复信息的感知有用性可以影响服务的交互质量从而影响服务质量，从而正向影响用户满意度，其他消费者对商家公开回复的服务满意度会随着回复文本情感强度的增加呈倒U型。因此，后续评论评分的增加也会随着回复内容情感强度的增加呈现倒U型。

因此，提出假设3：

H：商家公开回复和回复内容的情感强度对后续评论特点有交互作用，即 （a）对评论数量的影响随着公开回复内容的情感强度呈正U型变化；（b）对后续评论评分的影响随着公开回复内容的情感强度呈倒U型变化。

2 研究方法

2.1 数据收集

本研究将采用实证研究的方法，实证数据来源于手机游戏行业。一方面由于手机游戏行业市场竞争比较充分，我们可以获得足够的样本数据，同时点评数据也较易获得，其产品与服务具有持续性，也易于做出改变，商家回复更具有实践意义，因此选择该行业点评数据作为样本选择数据。另一方面，也有学者通过APP点评数据做在线评论的影响研究的实证分析（Zhou，2016; Yin， 2017）。

数据来源于一款移动端游戏下载与点评APP（TapTap）。国内手机游戏厂商会选择的发行渠道包括官方网站、iOS应用商店、Android应用商店（包括安卓系统手机自带游戏下载中心，如华为游戏中心、应用宝等第三方应用下载商店）、TapTap APP（iOS和Android均有）。除官方网站外，这些应用商店均提供游戏评价功能，包括评分和评论文本，同时商家也可以进行公开回复。在这些应用商店中，只有TapTap是專门的游戏下载应用商店，游戏运营商也会专门对TapTap内容进行运营。因此，TapTap可以为我们提供足够的游戏评论与商家回复数据，而且其同时有Android端和iOS端，可以消除游戏终端差异对分析结果的影响。

通过网络爬虫爬取了包括单机、角色扮演、动作、moba、策略、卡牌、生存、模拟、竞速、益智、二次元、音游、开放世界、高画质、MMORPG、武侠、乙女、冒险、恋爱、休闲、经营、射击、文字、解谜、联机、Roguelike、养成、放置、像素、挂机在内的30个类别的游戏，每个类别按照网站下载热度从高到低爬取了30个游戏的游戏信息，包括游戏名称、发行商、游戏大小、平台总体评分、总评论数量、游戏价格、游戏标签（如单机、有内购、女性向）等，并且通过数据清洗删除游戏信息缺失、未开服、测试服（包括体验服和先行服）、国际服（日本、美国、韩国等其他国家）游戏和评论数量少于30条的样本，最后剩下266个有效游戏样本。同时，爬取了这些游戏2018年6月-2019年6月的所有评论信息，包括评分、评论时间、评论文本和商家回复信息（包括商家公开回复时间，回复内容），共375699条评论数据。

当前评论文本的文本分析技术主要包括预处理、属性抽取和情感分析三大类。预处理包括中文分词、词性标注和语言学特征处理。情感分析主要分为基于机器学习的情感分析和基于词典的情感分析。基于词典的情感分析方法主要首先标记句中的情感表达词进行正向与负向打分，然后处理情感转换词和情感副词（如很、非常、稍微等），最后进行情感聚合打分。本文采用的文本情感分析是基于词典的情感分析方法，结合BosonNLP词语情感得分和HowNet副词词库进行处理。

2.2 变量

2.2.1 自变量

商家是否公开回复（IsReply）变量为二元变量，即游戏i在时间t（以每日为单位间隔）的第k条评论是否被商家回复，如果已被回复则为1，否则为0（Proserpio， 2017）。IsReply均值为0.238，即在整个样本中商家公开回复的比例占到23.8%，说明在游戏行业商家公开回复为普遍策略。因此，像过去的研究那样只考虑第一次回复的影响是不合适的，我们需要考虑商家多次回复的累积影响。

2.2.2 因变量

评论数量（AddReviewNum）为游戏i在时间t（天）新增的评论数量，为连续变量（Liu，2006；Ye at el，2009； Duan， 2008），其均值为14.1567条，极差相距较大。

评分（Rate）为游戏i在时间t的新增的第k条评论的评分，为顺序离散变量，取值为1、2、3、4、5（Chevalier，2006；Liu，2006）。整体均值为3.831，符合均值分布的J型分布特点。

2.2.3 调节变量

评论评分（ReplyRate）为1～5的离散变量，即被回复的评论j的评分，与因变量Rate的区别为此处为被回复的评论的评分，Rate为后续（本文为t+1时间）新增评论的评分。

评分文本一致性为（SaRateBias）类别变量，其分类如图1所示。评论情感强度（ReviewSa）为用户评论文本的情感得分（Ordenes ，Ludwig et al.， 2017）。本文情感分析的基本方法为基于词典的情感分析方法。首先将整个文本根据标点符号分拆为n个语句，每个语句通过jieba分词插件分拆为多个词语，并去掉停用词；语句中的情感词汇基于BosonNLP词语情感得分进行赋值，并根据HowNet的程度副词库确定程度（如非常：2；稍微：0.5；不：-1）得到每个语句的情感程度，然后聚合整个文本的情感程度。如文本t中有s个语句，即{t， t，…， t}， 在语句t中有n个情感词汇，即{t，t，…， t}，情感词汇对应的副词修饰程度为{a，a，…， a}，則文本t的情感程度Sa=∑si=1∑nj=1a*t。设SaRate1、SaRate2、SaRate3、SaRate4四个虚拟变量。当评论j的评分（Rate）大于3分时，即为正向评分，当评论情感强度（ReviewSa）大于0时即为正向文本，此时SaRate1为1，否则为0；其他三个变量类似。当评论j评分小于3分，评论情感强度大于0时，SaRate2为1，否则为0；当评论j评分大于3分，评论情感强度小于0时，SaRate3为1，否则为0；当评论j评分小于3分，评论情感强度小于0时，SaRate4为1，否则为0。从样本数据来看，46.5%的评论属于第1类，仅8.96%的评论属于第2类，第3类评论占16.0%，第4类评论占11.6%。

回复情感强度（ReplySa）为连续变量，其测量方法与评论情感强度相同，同时本文计算的情感得分为第一次回复文本的情感得分。其均值为1.892902，但极值相差较大，说明商家回复的情感强度具有较大差异，但大部分情感强度为0。

2.2.4 控制变量

游戏本身的总体评论特点会对商家回复的效应有所影响。游戏的评论总数（ReviewNum）反映了游戏整体的热度，也会对因变量产生影响（Liu，2006；Ye at el，2009）。

其他游戏特点，如游戏大小（Size），即游戏的安装包大小，反映了游戏的下载门槛，也可能会对用户态度产生影响。是否为女性向游戏（IsFemale）则反映了游戏主要用户的性别群体，而男女性在游戏中的评论可能具有差异，因此也可能对结果产生影响，当游戏标签中包含“女性向”“乙女”时，其值为1，否则为0。是否为个人开发者游戏（IsPersonal）也将影响用户将商家作为社会角色对待的可能性，从而对商家回复的效应产生影响。游戏总体评论比率（ReviewRatio）为游戏评论总数除以游戏下载总数得到，表明了游戏总体吸引人进行用户评论的比例，与游戏本身类别与其他因素有关，也可能对因变量产生影响。是否为单机游戏（IsSolo）将会影响商家是否会持续投入运营，也可能会对商家回复的效应产生影响。

回复时间（ReplyLag）为商家回复时间与评论时间的差值，精确到天，其均值为2.5943天，极差较大。但整体而言75%的评论回复在1天之内（含1天），因此我们在分析回复对后一天的影响时，包含了75%的回复内容（在一天之内回复，第二天评论者可以看到，为有效回复；而在一天之后回复，由于排序原因评论者看到的可能性较低，影响较低）。

评论影响力（Perserate）为游戏i的评论j的影响力。之前的研究表明，评论所在的顺序和评论的有用性对（Cheung et al.，2008；Forman et al.，2008）用户决策均会产生影响，因此本研究需控制由商家公开回复引起的用户影响力增加而对后续评论特点造成的影响。其测量方式为计算游戏i在评论时间为t的所有评论的点赞数up和down，即N=∑nk=1up+down（n为游戏i在评论时间t的评论总数），则游戏i在时间t的第k条评论的评论影响力为Perserate=upN。

通过数据清洗，剩下157个游戏样本的49 289条观测值，其变量的描述性统计如表4所示。

2.3 模型

本文采用动态面板数据的分析方法，分析时间t的所有商家回复内容对后一天（时间t+1）总体评论特点的影响。在前文的描述性统计中可以看出，50%以上的商家回复都是评论发表后一天以内发生的，因此我们分析商家回复对后一天的评论既能简化模型，又能包含绝大部分的回复信息。而根据前文分析，商家公开回复需要观测到才可能影响后续评论者的行为，而Wang（2018）的研究也证明了商家的回复只有被观测到才是有影响的，因此我们引入变量IsObserve，当回复间隔ReplyLag大于1时，第二天的评论者是无法观测到商家回复的，因此IsObserve为0，否则为1。我们在此处表示的公开回复均为可观测到的，后文不再赘述。

本文研究的是在时间t商家回复的累积效应对后一天的影响，在度量累积影响时，采用的是测量游戏i在时间t所有评论的影响的均值的方法。但由于自变量为二元变量，当游戏i在时间t有观测到前一天任意一条公开回复均为1，否则为0，则本文的研究模型为：

Y=β+β IsReply+β f（IsReplyM）+β C+ε

其中。i为游戏i。由于游戏的重大版本更新可能会影响产品质量与体验，从而影响到消费者评论，为控制产品质量对评论特点的影响，我们的观测窗口为版本更新后的第4到第30天（Proserpio， 2017）。而不同样本更新时间具有差异性，为解决面板数据的非平衡问题，我们将时间t设置为版本更新后的第t天，因此t的取值为。k为游戏i在时间t的第k条评论。

Y为游戏i在时间t+1的总体评论特点（包括上述的AddReviewNum， Rate）。评分的总体特点测量采用的是求取游戏i在时间t+1时评论评分均值的方法。

M为上述的调节变量，f（IsReplyM）为调节效应的累积影响，本研究对累积影响的度量为均值函数。C为上述控制变量的向量组合。n为游戏i在时间t的评论总数。

3 结果

我们采用随机效应模型对数据进行分析。如表5所示，Model1至Model4验证的是商家公开回复对后续评论数量的影响。由于新增评论数量没有呈现正态分布，我们对新增评论数量进行取对数处理（即lnARN）。Model1结果表明了商家公开回复能显著增加后一天评论数量（p<0.01），H得到验证，结果显示商家的公开回复行为会使后一天的评论数量平均增加22.3%。

Model2验证了商家公开回复与被回复评论评分的交互效应，即公开回复对后续评论数量的影响随着被回复评论评分的增加呈U型变化，其影响差异如图3所示，H得到验证。同时从图4可以看出，随着评分极端性的增加，商家的行为出现出更强的类人性，而消费者产生了更强的互惠动机，评论数量增加的比例更高；而同时回复评分为5的新增评论数量不如回复评分为1的评论数量增长，说明了对正向评论的回复会使商家此时的行为给消费者产生营销的印象，使消费者产生抗拒心理，减少了评论行为。

Model3验证了回复内容情感强度对商家公开回复影响的交互作用，且其作用為正U型，即随着回复内容情感强度的增加，其影响先减少后增加，H得到了支持。即随着回复内容情感强度的增加，其表现出的类人性先减少后增加，从而消费者帮助商家的行为也先减少后增加，即评论数量先显著减少后显著增加。

在控制变量中，是否为独立开发者在Model1里对后续评论数量产生了正向显著，进一步验证了当产品有更多的类人行为线索时，根据社会反应理论，其更可能产生互惠动机，从而增加评论数量。

如表6所示，Model4至Model6验证的是商家公开回复对后续评论评分的影响，Model4结果表明了商家公开回复能显著增加后一天评论评分（p<0.05），H得到验证，结果显示商家存在公开回复行为会使后一天的评论评分平均增加0.1603。

Model5验证的是商家公开回复与被回复评分的交互作用，数据结果显示其没有显著影响，即H没有得到支持。从这个结果可以看出，在对后续评分的影响中，社会反应理论产生的互惠影响较小，也有可能是因为评论动机的变化对评分没有显著影响。Wang（2018）的研究结果显示，对负面评论的回复会增加后续评分，对正面评论的回复会降低评分。本文因此也检验了商家回复正向或负向的评论时，其后续评分是否会有差异。与Wang（2018）的结果不同的是，评分并未出现变化；但是随着负向评论回复比例的增加，其后续评分增长也会更加显著。我们猜测其可能原因为需要商家持续地对负面评论进行公开回复才能使后续评分增加，而单一的负面评论回复无法表现出商家能有效地解决问题，提高用户满意度。

Model6检验了公开回复内容文本情感强度对该影响的交互作用，结果显示其作用为倒U型，即随着回复内容情感强度的增加，其影响先增加后减少，H得到了支持。图4显示的是公开回复内容情感强度对后续评论数量和评分的影响。从图4中可以看出，负向情感的回复内容会增加后续评论数量但是会减少评分，同时从回复内容情感强度对后续评论数量和评分的不同影响模式也可以看出，在对评论数量的影响中起到主导性作用的是社会反应理论使消费者对商家产生的互惠动机，但是在评分的影响上，起到主导性作用的是商家公开回复作为一种服务对消费者服务满意度的增加。

在控制变量上，Model4结果表明是否为个人开发者会显著增加后续评论评分，表明了更多类人线索存在时，消费者更可能对商家产生互惠行为，验证了社会反应理论的解释。

4 结论与讨论

本文基于TapTap网站的游戏用户评论数据和商家回复数据（总共包括157个游戏样本的49 289条观测值），分析了商家公开回复对后续评论总体特点的影响。

本文的主要研究结果，可以概括为以下几个方面：

被观测到的商家回复能显著影响后一天的总体评论特点，即增加后续评论数量和后续评分。本文使用手机游戏行业的评论数据进一步验证了Proserpio（2017）的商家回复会增加后续评分和评论数量的结论。本文认为其影响是两方面的：在对评论数量的影响上，一方面是商家公开回复会直接影响消费者的评论动机（Proserpio，2017），另一方面是商家公开回复会留下类人行为线索，根据社会反应理论，消费者将商家看作社会人来进行互动，即进行互惠行为，从而增加评论数量；在对后续评分的影响上，一方面是作为一种服务直接影响商家服务满意度来影响评分，另一方面是通过社会反应理论来增加对品牌的互惠行为从而增加品牌满意度来影响评分。本研究也通过其他的交互效应验证了这两种影响方式的存在。

本文研究发现商家公开回复对后续评论数量的影响随着回复评论评分的增加呈现U型特点，不管是对正向还是负向评论的回复均能显著增加后续评论数量，且随着评分极端性的增加，其评论数量增加得越多，回复中立评论时（3分），评论数量增加是最少的；同时回复同样极端性的正向评论相比负向评论（即5分相比1分；4分相比2分），评论数量增加得更少，可能原因为消费者将商家公开回复的行为看作一种营销行为，产生了抗拒心理，从而减少了评论数量；但是在评分的影响上，商家公开回复的影响随着回复评论评分变化没有显著性变化，同时本文也检验了商家回复正向或负向的评论时，其后续评分是否会有差异，与Wang（2018）的结果不同的是，评分并未出现变化；但是随着对负向评论回复比例的增加，其后续评分增长也会更加显著，其可能原因为评分的增加需要商家持续公开回复。

本文研究显示公开回复内容情感强度也会对后续评论特点产生影响，即后续评论数量会随着回复内容情感强度的增加呈现正U型，随着商家公开回复情感强度的增加其后续评论数量增长率先减少直至为负向，后开始增加；而后续评分则随着回复内容情感强度的增加呈现倒U型，即先增加后减少。研究表明随着评论内容情绪唤醒的增加，其有用性感知是先增加后减少的，商家回复的内容也是随着情感强度的增加，有用性先增加后减少，因此后续评分的变化趋势也呈现倒U型。公开回复内容的情感强度对评分数量和评分的影响模式具有差异性，其可能原因是对评论数量的影响起到主导性作用的是社会反应理论使消费者对商家产生的互惠动机，但是在评分的影响上，起到主导性作用的是商家公开回复作为一种服务对消费者服务满意度的增加，后者也可以解释被回复评论的评分对后续评论评分变化无显著性影响，而负向评论的回复比例越大，评分增加越多，说明商家持续对负向评论进行回复才可能增加其服务满意度，社会反应理论在对评分的影响上起到的效应较小。

本文研究的几个理论贡献主要体现在以下几个方面：

（1）本文在对商家公开回复的影响研究中，首次讨论了商家公开回复的累积效应，过去的研究中，学者讨论的均是第一次公开回复对消费者的影响。这些文章表明，第一次的公开回复会使消费者意识到自己的行为受到了商家的监控（Chevalier，2018）， 同时自己的意见可能会得到反馈（Proserpio，2017），从而影响了消费者的评论行为。但当前，商家公开回复已是一个普遍存在的事实，本文數据显示，有23.5%的评论收到了商家的公开回复，因此首次公开回复的影响可能变得更弱，而累积回复的影响更为重要，本文研究的即是前一天所有公开回复对后一天评论特点的影响。

（2）本文讨论了不同的回复策略对评论特点影响的差异，Wang（2018）的研究中讨论了商家公开回复的评论的极性不同时后续评论评分的差异，本文除了分析被回复评论评分差异，被回复内容的评分文本极性不一致性的影响，还讨论了商家回复内容差异的影响。即后续评论数量增加会随着被回复评论评分变化呈现U型变化，先增加后减少，同时回复4分或者5分的评论相比2分和1分的评论，其评论数量增加得更少，验证了Wang（2018）研究中认为回复正向评论相比负向评论能增加消费者的抗拒心理。回复负向评分正向评论文本情感的评论，相比正向评论负向评论文本情感的评论更加显著减少了评论数量，但更加显著地增加了后续评论评分，其可能的原因还需要进一步研究验证。而公开回复内容情感强度也会对后续评论特点产生影响，即后续评论数量会随着回复内容情感强度的增加呈现正U型，后续评分则随着回复内容情感强度的增加呈现倒U型。公开回复内容的情感强度对评分数量和评分的影响验证了社会反应理论在对评论数量的影响中起到主导作用，而在评分上公开回复服务在对满意度的影响中起到主导作用。李宗伟（2020）在对淘宝网的实证分析中，讨论的是店铺的星级水平和服务水平的影响，而未讨论选择何种类型评论回复和用怎样的方式回复的影响。本文对商家选择策略的研究也对商家如何采取回复策略实践有着更加直接的参考价值。

（3）本文在商家公开回复对后续评论特点的影响研究中，首次认为其对评论数量和评分的影响是存在直接效应和间接效应的，间接效应以社会反应理论作为中介效应，商家公开回复后，后续用户将商家看做社会角色来进行互动，同时被回复评论评分和回复内容情感强度对评论数量和评分的不同影响也证明了在对评论数量的影响中，有着更强的间接效应，因此商家在公开回复中表现出的类人线索越多，其评论数量增长越多；而在对评分的影响中，直接效应的影响更显著，即商家公开回复作为一种服务，使用户的感知满意度上升。

在实践上，本文为商家如何管理评论，即商家选择怎样的评论进行公开回复以及采用怎样的回复内容来引导后续评论特点起到了一定的参考作用。

（1）本文研究结果表明，商家可以通过对评论的公开回复来影响后续评分的评分数量和评分，即评论的整体舆论，被观测到的商家回复能显著增加后一天评论数量和评分。而评论数量和评分在过去研究中表明能显著影响决策流程和增加产品销量，因此商家在进行运营时，应积极地对评论进行公开回复。

（2）与以往结果不同的是，无论选择负向还是正向的评论进行回复，后续评论数量均能显著增加，但评分没有显著的变化。但负向评论回复相比正向评论，评论数量增长更加显著，而选择评分更极端的评论进行回复也能更加显著地增加后续评论数量。虽然单一的正向或负向评论公开回复无法显著影响后续评分，但增加负向评论回复比例能显著增加后续评分，因此尽量多地回复负面评论能让消费者感受到商家积极解决问题的态度，最终能增加评分。另一方面，商家也可以通过回复内容来影响后续的评论特点，商家选择更加极端的情感内容能更加显著地增加评论数量，但是会减少后续评分。当商家想要更加显著地增加后续评分时，应该选择情感倾向正向且适度的回复内容，既能表现出厂商良好的解决问题态度，也能最大化回复内容的感知可用性，从而通过公开回复内容来提高消费者满意度。

（3）从数据分析结果发现个人开发者的游戏有着更高的情感强度，因为消费者更可能将这类游戏商家看作社会角色，从而增加了自我披露，进一步验证了社会反应理论，所以对于个人开发者而言，采取非官方的形式，保持“个人”特点能更显著地增加后续评论的情感强度。而对于厂商而言，通过类人化的线索能提高消费者帮助商家动机，即能提高评论数量，但是对于提高評分而言，通过服务内容来提高服务质量能更显著地增加评分。

5 不足与进一步研究的方向

在其他对商家公开回复的研究中，多选择两个或多个网站的点评数据，在部分网站商家无法进行回复，而在另一部分网站商家可以进行回复，通过DID的方法用同一家酒店的数据分析商家首次公开回复的影响。而手机游戏难以找到没有商家回复的评论网站（第三方网站使用人数、评论数量都与TapTap差距较大，不适合使用DID），因此本文采用的是同类型有商家公开回复和无商家公开回复游戏之间的DID分析，而游戏本身的差异可能会对结果造成一定影响。

在计算多次商家公开回复的累积效应时，采用的是简单相加的形式，可能还需要考虑商家多次公开回复的相似性和差异性。

参考文献：

［1］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.

［2］TSEKOURAS D. The effect of rating scale design on extreme response tendency in consumer product ratings［J］. International Journal of Electronic Commerce， 2017， 21（2）：270-296.

［3］KUPOR D， TORMALA Z. When moderation fosters persuasion：the persuasive power of deviatory reviews［J］. Journal of Consumer Research， 2018， 45（3）：490-510.

［4］MUDAMBI S M， SCHUFF D. What makes a helpful online review？ A study of customer reviews on amazon.com［J］. Mis Quarterly， 2010， 34（1）：185-200.

［5］张艳辉，李宗伟.在线评论有用性的影响因素研究：基于产品类型的调节效应［J］. 管理评论， 2016， 28（10）：123-132.

［6］SCHINDLER R M， BICKART B. Perceived helpfulness of online consumer reviews：the role of message content and style［J］. Journal of Consumer Behaviour， 2012， 11（3）：234-243.

［7］王君珺，闫强.不同热度搜索型产品的在线评论对销量影响的实证研究［J］.中国管理科学， 2013， 21（增刊2）：406-411.

［8］ORDENES F V. Unveiling what is Written in the stars：analyzing explicit， implicit and discourse patterns of sentiment in social media［J］. Journal of Consumer Research， 2017， 43（6）：875-894.

［9］YIN D， BOND S D， ZHANG H. Keep your cool or let it out：nonlinear effects of expressed arousal on perceptions of consumer reviews［J］. Journal of Marketing Research， 2017， 54（3）：447-463.

［10］PAN X. Do reviews from friends and the crowd affect online consumer posting behavior differently［J］. Electronic Commerce Research and Applications， 2018， 29：102-112.

［11］DUBOIS D， BONEZZI A， DE ANGELIS M. Sharing with friends versus strangers：how interpersonal closeness influences word-of-mouth valence［J］. Journal of Marketing Research， 2016， 53（5）：712-727.

［12］RANSBOTHAM S， LURIE N， LIU H. Creation and consumption of mobile word of mouth：how are mobile reviews different［J］. Marketing Science， 2019， 38（5）：773-792.

［13］PROSERPIO D， ZERVAS G. Online reputation management：estimating the impact of management responses on consumer reviews［J］. Marketing Science， 2017， 36（5）：645-665.

［14］CHEVALIER J A， DOVER Y， MAYZLIN D. Channels of impact：user reviews when quality is dynamic and managers respond［J］. Marketing Science， 2018， 37（5）：688-709.

［15］WANG Y， CHAUDHRY A. When and how managers’ responses to online reviews affect subsequent reviews［J］. Journal of Marketing Research， 2018， 55（2）：163-177.

［16］李宗偉，张艳辉，夏伟伟.卖家反馈能否引发高质量的在线评论信息？——基于淘宝网的实证分析［J］.中国管理科学.

［17］MOON Y. Intimate exchanges：using computers to elicit self：disclosure from consumers［J］. Journal of Consumer Research， 2000， 26（4）：323-339.

［18］BERG J H. Disclosure reciprocity and its limits：a reactance analysis［J］. Journal of Experimental Social Psychology， 1978， 14 （5）：527-540.

［19］REEVES， BYRON， CLIFFORD I. Nass， the media equation［M］. Stanford：CSLI Publications.

［20］闫幸，常亚平. 企业微博互动策略对消费者品牌关系的影响基于新浪微博的扎根分析［J］. 营销科学学报， 2013， 9（1）：62-78.

［21］WANG L C， BAKER J， WAGNER J A， et al. Can a retail web site be social［J］. Journal of Marketing， 2007， 71（3）：143-157.