消费者在购买产品时，往往会根据此产品的口碑进行决策。[ 1 ]传统意义上的口碑是人际间进行的与品牌、企业、产品、服务等相关的口头传播行为，是不以商业为目的的人际口头传播。[ 2 ]
有研究表明口碑是购买决策最重要的影响因素，这种影响甚至是新闻杂志的7倍、广播广告的2倍。[ 3 ]
在互联网时代，消费者在社交网站、电子商务网站等互联网平台上发表自己对产品的评论已经成为消费生活的一部分，口碑从传统的一对一、面对面的口头传播方式发展成为在匿名环境下同时传递给众多潜在消费者的方式。这种由实际的或潜在的消费者通过互联网发布相关正面、负面或中立评论内容的传播形式被称为网络口碑。[ 4 ]
不仅如此，网络口碑信息还可以被存储、搜索和再传播，而不像传统口碑那样即时和短暂。因此，网络口碑可以通过互联网渠道无止境地扩散出去，具有比传统口碑更强的影响力。
尼尔森（Nelson）[ 5 ]在其研究中把产品分为两类：一种为体验型产品，另一种为搜索型产品。其中搜索型产品的质量可以在购买之前通过搜索等来进行确定，通常一般功能性产品都属于这个范畴；而体验型产品的质量只能在购买后得出结论，通常指服务类产品或者娱乐产品，例如音乐会、电影等。贝等（Bei et al）[ 6 ]的研究发现，购买体验型产品的消费者与购买搜索类产品的消费者相比，前者较频繁地使用网络获取产品信息，并且更倾向接受网络口碑。
近年来，国内电子商务网站发展得如火如荼，其中，格瓦拉网（www.gewara.com）是国内领先的体验型产品第三方网站，不仅可以让消费者发表电影评论信息，而且也提供电影票在线购买服务。
本文以格瓦拉网所收集到的电影信息（包括电影评论、票房、上映天数、每天上映场数）的大样本面板数据为研究基础，通过建立计量模型对电影在线评论与电影票房的关系进行实证分析。
一、文献综述与假设
学者们采用各种计量模型和研究方法，从不同维度测量网络口碑对企业的传播效应。最常采用的三个维度为口碑数量（Volume）、口碑效价（Valence）和口碑离散度（Dispersion）。[ 7 ]
口碑离散度是指口碑在不同网络社区间传播的程度，口碑的离散度越高，说明网络口碑的影响力越广。由于本文的研究仅囿于格瓦拉网这一网络社区内，无法从离散度的维度来测量，因此，本文主要从数量和效价的维度来分析网络口碑对销量的影响。
口碑数量主要指消费者对某一产品的评论数量，反映的是网络口碑的知晓效应（Awareness Effect）。高德斯和梅兹林（Godes & Mayzlin）[ 8 ]认为评论数量越多，说明有越多的消费者参与到对产品的讨论中，这不仅反映了该产品消费人群的规模，也反映了消费者对该产品讨论的热度。热度越高，其他消费者知晓该产品的可能性就越大，从而能够产生更多的后续销量。陈等（Chen et al）[ 9 ]根据在亚马逊网站上收集的数据，实证研究了消费者的反馈和评价对销售的影响，发现更多的推荐提高了亚马逊网站上产品的销量，同时，消费者的评论数量与销量呈正相关关系。刘（Liu）[ 10 ]通过对雅虎（Yahoo）网站收集的数据分析发现，评论数量越多，电影票房越高。段等（Duan et al）[ 11 ]在对电影票房的研究中发现，消费者评论的数量对于票房收入有显着的正向作用。由此，本文提出假设H1:H1:网络口碑数量对电影票房收入有显着正向影响。
口碑效价指消费者对产品评价的好坏或正负性，通常用评论分数及其好坏的比例来衡量，反映的是网络口碑的说服效应（Persuasive Effect）。说服效应是指产品评价越好，越能够引起潜在消费者态度的转变，从而说服他们购买该产品。克莱蒙斯等（Clemons et al）[ 12 ]通过消费者对啤酒的网络评论分析，发现评论效价与啤酒的销量呈正相关关系。郝媛媛等[ 13 ]认为五星评论的正面影响大于一星评论的负面影响，而中评没有显着影响。
汉森（Hanson）[ 14 ]研究认为，不满意的消费者会通过网络平台将负面口碑信息传播超过六千人。夏维勒和梅兹林（Chevalier & Mayzlin）[ 15 ]发现，一本书评论的改善会增加该书的销量，同时负面口碑对降低产品销量比正面口碑提升产品销量的效果更加显着。但是，也有部分学者的研究结论认为口碑效价对产品销量没有显着影响。段（Duan）[16 ]通过对雅虎网站上电影评论分数对电影票房的影响分析，发现评论分数对于票房并没有显着影响。陈（Chen）[ 17 ]通过亚马逊网站上收集的数据分析，没有发现消费者的评论效价与销量之间有显着关系。刘（Liu）[ 18 ]通过正负评论的百分比测量分析，发现口碑的正负性对电影票房的影响没有解释力度。在此基础上，本文提出假设H2、假设H3、假设H4和假设H5.
H2:网络口碑评分对票房收入有显着正向影响。
H3:正面网络口碑（五星评论比例）对票房收入有显着正向影响。
H4:负面网络口碑（一星评论比例）对票房收入有显着负向影响。
H5:负面网络口碑对票房收入的影响大于正面网络口碑的影响。
此外，在研究网络口碑对电影票房收入的影响时，还需考虑其他相关的重要因素，如放映场数、周末效应以及上映天数等。斯瓦米等（Swami et al）[ 19 ]研究认为，放映场数与票房收入之间存在显着正相关关系。段（Duan）[ 20 ]研究发现周末票房通常会出现周期上的高峰，同时还发现电影上映天数与票房存在负相关关系。由此，本文提出以下假设：
H6:放映场数对当天票房收入有显着正向影响。
H7:周末对当天票房收入有显着正向影响。
H8:上映天数对当天票房收入有显着负向影响。
在网络口碑与产品销量关系的研究中，内生性也是一个重要的因素。因为票房的收入通常会和电影的质量、主演的受欢迎程度、导演的票房号召力等因素有关，这些因素可能同时与网络口碑和票房收入相关，从而产生内生性。
二、数据描述
目前格瓦拉网会员超过1500万，占全国电影票在线选座市场的75%份额，在体验型产品第三方网站中具有较强的代表性。此外，郝媛媛等[ 21 ]的研究数据主要来源于雅虎网站，该网站是独立的电影在线评论网站，而不是体验型产品购买网站。因此，选择格瓦拉网作为电影数据来源，可以与他们的研究结果进行比较。
通过编程收集了格瓦拉网站2013年11月、12月上映电影的数据，包括购票人数、评论数量、评论分数、星级评论所占比例、上映天数、每天上映场数等相关数据。由于格瓦拉网站票房统计数据是购票人数，而非直接的票房收入，因此，用购票人数来替代票房收入。根据研究需要，剔除了信息缺失严重的电影，以保证分析结果的有效性，最终确定21部电影为样本。考虑到电影生命周期为6周左右、[ 22 ]在线购买服务的周期为4周左右，以及为方便与郝媛媛等的研究结果进行比较，本文以电影上映28天的时间序列为时间观测点。最后得到容量为588（21个截面成员×28个观测点）的面板数据。表1为数据的描述性统计结果。网络口碑的数据包含了每部电影的评论数量、评论分数和各星级的比例。其中，评论数量的均值为2604,与中位数1138有较大的差异，说明有部分电影获得了大量消费者评论，最多的一部电影获得了15208条评论。其次，电影评论分数（10分制）的均值为7.38,与中位数7.3接近，最高分为9,最低分为5.5.从电影星级评论的分布比例来看，五星级评论、四星级评论、三星级评论占了总体评论的大多数，分别为36.15%、21.21%和25.91%;二星级评论和一星级评论分别为7.02%和9.5%.
三、模型建立
本文建立的面板数据线性回归模型中引入固定效应 μi来控制模型中所有未被涉及因素的影响，如电影质量、导演和主演的票房号召力等因素。因变量购票人数和自变量电影上映场数、上映时间、网络口碑的数量以及评分均取自然对数形式，将潜在的非线性关系转变为线性关系，使回归模型的结果更加稳健。[ 23 ]
回归模型如下：LnRevenueit=C+α1LnVolit+α2LnValit+α3star1it+α4star5it+α5LnTimet+α6LnCinemait+α7Weekendit+μi+εit其中，i=1,?n 为电影样本数；t=1,?n 为时间；LnRevenue 为电影第 t 天在格瓦拉网上购票人数的自然对数；LnVol 为电影第 t 天评论数量的自然对数；LnVal 为电影第 t 天评论分数的自然对数 ;LnTime 为 电 影 上 映 天 数 的 自 然 对 数 ;LnCinema 为电影第 t 天放映场数的自然对数；star1、star5 分别为电影第 t 天一星级和五星级评论所占比例；Weekend 为电影放映第 t 天是否为周末的虚拟变量（1 表示周六和周日，0 表示工作日）。 μi为固定效应，用于控制电影的质量、主演的受欢迎程度、导演的票房号召力等非观测效应的影响。
四、模型结果分析
通过收集到的21×28个样本电影面板数据，采用EVIEWS6.0对构建的面板数据回归模型进行分析。在建模过程中，由于各自变量可能存在多重共线性，首先检查单独变量的影响效应，在单独变量影响效应显着的基础上，采用逐步回归的方法来进行分析。由于在模型中假设非观测效应 μi与多个网络口碑变量相关，所以采用固定效应模型取代随机效应模型来进行面板数据的回归分析。[ 24 ]
此外，从豪斯曼（Hausman）检验的结果来看，固定效应模型优于随机效应模型。回归模型结果见表2.从表2可以看出，网络口碑的相关变量并不在模型1中，模型1仅将购票人数与控制变量进行回归分析。模型1的回归结果显示所有的控制变量均对因变量有显着影响。其中，LnTime的系数是负向显着影响（α5= -0.2415,p<0.01），这表示上映天数对当天票房收入有显着负向影响，上映时间越长，当天票房收入越低。H8假设成立。LnCinema的系数是正向显着影响（α6= 0.9903,p<0.001），这表示电影放映场数对当天票房收入有显着正向影响，当天放映的场数越多，票房收入越高。H6假设成立。Weekend 的系数是正向显着影响（α7=0.3520,p<0.001），这表示周末对当天票房收入有显着正向影响，即周末票房收入比工作日更高。H7假设成立。
在模型2、3、4、5中，逐步加入评论数量、评论分数、一星级评论和五星级评论4个网络口碑的相关变量。在将这4个变量逐步加入模型后，R2由0.9048逐步增加到0.9132,说明在加入网络口碑变量后模型的解释能力更强。模型2回归结果显示，LnVol 的系数是正向显着影响（α1= 0.2476,p<0.001），这表示消费者在格瓦拉网上对某部电影的评论数量越多，其购票人数多，即票房越高。H1假设成立。这一结论与绝大多数文献的研究结果一致。LnVol的系数还可以解释为评论数量每增加1%,电影的购票人数增加0.25%.模型3的回归结果显示，LnVal对购票人数的影响不显着，即电影的评论分数对票房收入没有显着影响，这验证了段（Duan）和陈（Chen）的研究结论。H2假设不成立。模型4的回归结果显示star1的系数对票房收入是负向显着影响（α3= - 0.2033,p<0.05），表示消费者在格瓦拉网上对某部电影的一星级评论越多，其购票人数越少，票房越低。H4假设成立。模型5的回归结果显示star5对票房收入没有显着影响。H3假设不成立。由于H4假设成立，H3假设不成立，因此H5假设成立，即负面网络口碑对票房收入的影响大于正面网络口碑的影响，尽管这与郝媛媛等的研究结论相悖，但却与汉森和麦准乐、梅兹林的研究结论相一致。
由于样本以电影上映28天的时间为观测点，为便于分析网络口碑对处于不同周期的电影票房收入的影响，对电影上映后4周内各周的网络口碑对票房收入的影响分别进行回归分析，结果见表3.
由表3可知，从电影上映的第1周到第4周，网络口碑数量均对电影票房收入有显着正向影响，第 1 周对票房的影响为0.2996,第 2 周的影响增大到 3.2414,第 3周的影响增大到5.2282,而从第4周开始，影响逐渐衰减到 1.3089.H1 假设成立。
网络口碑数量对票房影响在前几周逐渐增大，最后又逐渐衰减的研究结论基本与郝媛媛等的研究结果一致。对于网络口碑评分，第1周到第4周对电影票房收入均没有显着影响。H2假设依然不成立。对于星级评论，由表2的模型4和模型5已知，一星级评论对28天总票房收入是负向显着影响；五星级评论对28天总票房收入没有显着影响。但是，表3的回归结果显示，在电影上映的4周内，一星级评论仅在第1周内对票房收入是负向显着影响（α3= - 0.3308,p<0.05），从第2周开始，对票房收入没有显着影响。五星级评论尽管从电影上映的总体时间上来说对票房收入没有显着影响，但是在第1周对票房收入有显着影响（α4= 0.1178,p<0.05）。从star1和star5的系数方面看，电影上映的第1周内，一星级评论对票房收入的影响（- 0.3308）要大于五星级评论的影响（0.1178）。即一星级评论每增加1%,票房收入则要降低0.3308%;而五星级评论每增加1%,票房收入会提高 0.1178%.因此，在电影上映第 1 周内H3、H4、H5假设均成立。
五、结论与启示
1. 结论
本文采用国内领先的体验型产品第三方网站--格瓦拉网站电影在线评论的面板数据，通过建立计量模型，对电影在线评论与票房收入的关系进行了实证分析，主要结论如下：
（1）网络口碑数量从电影上映的第1周到第4周均对电影票房收入有显着正向影响，并且影响效应随时间呈现出抛物线的形状。这不仅验证了文献提出的知晓效应，也说明网络口碑的知晓效应随时间表现出抛物线形状的变化趋势。这种变化趋势的可能解释是，随着电影上映时间越久，消费者获得电影信息的其他渠道也越来越多，包括传统口碑、媒体宣传、广告等等。这些渠道对网络口碑产生了替代作用，从而减弱了网络口碑的传播效应。
（2）星级评论反映的是消费者对电影质量的个人判断，也即说服效应。星级评论对票房收入的影响并没有贯穿于电影上映的整个生命周期，而是主要发生在第1周，呈现出首周效应。即在电影上映的第1周，潜在消费者会根据上映电影的星级评论做出购买决策，而从第2周开始说服效应逐渐失去了影响力，不再能够引起潜在消费者态度的转变。而且，在星级评论中，尽管五星级的评论占36.15%,一星级的评论仅占9.5%,但是一星级的负面评论对票房收入的影响大于五星级的正面评论，即负面网络口碑对票房收入的影响大于正面网络口碑的影响。
2. 启示
根据研究结论，有如下管理启示：
（1）网络口碑对电影票房的影响主要来自于知晓效应。因此，电影网络销售商应积极在第三方网站上建立和完善消费者在线评论系统，激励消费者积极参与在线评论，提升消费者对产品讨论的热度，充分发挥网络口碑的知晓效应，推动电影票房的快速增长。
（2）根据研究结论，潜在消费者在电影上映第1 周内对负面网络口碑信息会做出更敏感的反应。因此，电影网络销售商应认识到与其在网络上炒作好评，不如避免负面口碑在网络上的传播，电影网络销售商尤其应重点关注与跟踪电影上映第1周的网络口碑信息，遏制负面口碑在网络上的传播。
参考文献：
[1]Keaveney Susan M.Customer Switching Behaviour inService Industries:An Exploratory Study[J].Journal of Marketing,1995（2）：71-82.
[2]Arndt JRole of Product-related Conversations in theDiffusion of a New Product[J].Journal of Marketing Research,1967（4）：291-295.
