摘  要： 通過研究電影票房與社交媒體用戶行為的關(guān)系,，揭示在線口碑（word-of-mouth）對業(yè)績表現(xiàn)的作用,。與之前的研究不同，將社交媒體用戶評論,、用戶關(guān)注等用戶行為數(shù)據(jù)作為內(nèi)生變量進(jìn)行研究,，認(rèn)為用戶行為既影響業(yè)績，又被業(yè)績影響,。首先,，以電影產(chǎn)業(yè)為研究對象，分析了每周票房與用戶評論,、用戶評分,、用戶關(guān)注度等之間的關(guān)系，通過樣板（Panel）數(shù)據(jù)分析,，構(gòu)建了電影票房預(yù)測模型,。接著,，將票房作為自變量，分析了作為在線口碑表現(xiàn)形式的用戶評論,、用戶關(guān)注度與票房的關(guān)系,。最后，分析了在線口碑自身的特點,，得出了多個有意義的結(jié)論,，如用戶評分僅僅是票房收入的反映，其本身并不顯著影響票房,。本研究具有良好的理論價值和實踐意義,。

　　關(guān)鍵詞： 社交媒體；口碑,；在線評論,；用戶關(guān)注度；電影票房,；聯(lián)立方程

0 引言

　　商品經(jīng)濟(jì)以來,，口碑被公認(rèn)為是信息傳遞的有效來源，特別是對體驗型商品而言[1-2],。隨著信息技術(shù)的發(fā)展,，人與人之間的信息傳遞方式發(fā)生了很大改變，人們可以通過計算機網(wǎng)絡(luò),，借助在線客戶評價系統(tǒng),，在前所未有的范圍內(nèi)實時方便地獲取公司、產(chǎn)品或服務(wù)的信息,，并可以方便地交換意見[3],。網(wǎng)絡(luò)成為觀眾評論的重要媒介，網(wǎng)絡(luò)環(huán)境下,，網(wǎng)絡(luò)口碑活動效率高,、靈活、不受地域限制,，于是被越來越多地認(rèn)同和開展,。

　　對在線聊天、微博,、推特,、在線評論系統(tǒng)等社交媒體口碑研究的文獻(xiàn)大量出現(xiàn)，但其研究結(jié)果卻是多樣的,，有的研究認(rèn)為其作用很大[4],；有的研究卻對這種觀點提出挑戰(zhàn)[1，5-7]，如在線評論的說服作用（Persuasive Effect）和認(rèn)知影響（Awareness Effect）的爭論,、口碑作為外生還是內(nèi)生變量的爭論,、所選樣本的異質(zhì)性問題等,。

　　本文擴(kuò)充了對用戶行為的描述,，將用戶行為作為內(nèi)生變量進(jìn)行研究，解決了數(shù)據(jù)異質(zhì)性問題,。本文以電影產(chǎn)業(yè)為例,，不僅考慮用戶評論，還引入了用戶關(guān)注度指標(biāo),，通過聯(lián)立方程來描述在線用戶行為的雙重作用,，來評估在線用戶評論、用戶關(guān)注度的說服作用和認(rèn)知影響,；分析用戶行為與銷量的相互關(guān)系,，同時分析了行為本身的特點。為消除不同樣本集數(shù)據(jù)的異質(zhì)性,，本文研究的用戶評論,、用戶關(guān)注度與產(chǎn)品銷量是同一樣板（Panel）數(shù)據(jù)集。本文的聯(lián)立方程利用樣板數(shù)據(jù)結(jié)果和雙向因果關(guān)系,，構(gòu)建了預(yù)測模型,，提供在線用戶評論真實影響的度量。

1 理論假設(shè)

　　前人的理論和實驗研究[1,，6,，8]表明了口碑?dāng)?shù)量與產(chǎn)品銷量的正相關(guān)關(guān)系：用戶口碑（用戶評論數(shù)和用戶關(guān)注度）對票房收入有積極影響；同時,，電影票房是自相關(guān)的,，即近期票房較高的電影接下來票房仍然比較高，這些結(jié)論不再贅述,。本文對相關(guān)假設(shè)進(jìn)行了擴(kuò)展,，增加了如下假設(shè)：

　　假設(shè)1（H1） 用戶評分對票房收入有積極影響。

　　把用戶評分分為兩種：累計評分和本周評分,，H1變化為：

　　H1a：累計用戶評分對票房收入有積極影響,；

　　H1b：每周用戶評分對票房收入有積極影響。

　　假設(shè)2（H2） 口碑是過去銷售的產(chǎn)出,，票房收入對口碑有積極影響,。

　　用用戶評論數(shù)/發(fā)帖數(shù)量、用戶關(guān)注度（搜索量）來刻畫用戶口碑,，H2變?yōu)椋?/p>

　　H2a：票房收入對用戶評論數(shù)有積極影響,；

　　H2b：票房收入對用戶關(guān)注度有積極影響。

　　假設(shè)3（H3） 用戶評論數(shù)量是自相關(guān)的，即最近帖子量的增加極有可能引起用戶評論增加,。

　　假設(shè)4（H4） 用戶關(guān)注度是自相關(guān)的,，即最近搜索量的增加極有可能引起用戶搜索量增加。

2 模型建立

　　2.1 數(shù)據(jù)描述

　　本文中的數(shù)據(jù)主要有三類：（1）電影及票房信息：從電影網(wǎng)（http：//www.m1905.com/）獲得電影及票房信息,，匯總得到當(dāng)周票房,、當(dāng)周累計票房。（2）電影評論信息：從時光網(wǎng)（http：//www.mtime.com/）獲取電影評論數(shù)據(jù),，匯總得到各周評價數(shù),、各周平均評分、各周累計評價數(shù),、各周累計評分,。（3）用戶指數(shù)信息：從百度指數(shù)查詢（http：//index.baidu.com）獲取電影用戶關(guān)注度信息，匯總得到每周用戶關(guān)注指數(shù),。

　　各指標(biāo)變量名稱及定義如表1所示,。

　　選取了2011年至2013年的52部電影（國產(chǎn)影片27部，進(jìn)口影片25部,，這52部電影的國內(nèi)總票房均在前100名內(nèi)）放映期內(nèi)的342組數(shù)據(jù),。

　　2.2 實驗?zāi)Ｐ?/p>

　　電影在內(nèi)地的上映周期為6~10周（樣本中平均為7.17周），取前8周（上映周期不足8周的,，以實際上映周數(shù)為準(zhǔn)）,。分三步進(jìn)行實驗。

　?。?）每周票房與用戶評論,、評分之間的關(guān)系：與本周評論數(shù)、評分,，上周評論數(shù),、上周評分（WEEKLYGRADEi，t-1）/上周累計評分（CMUGRADEi,，t-1）之間的關(guān)系,，模型如下：

　　模型1.1

　　WEEKLYREVENUEi，t=θt+α1WEEKLYPOSTi,，t+α2WEEKLYGRADEi,，t+α3WEEKLYPOSTi，t-1+α4COMUGRADEi,，t-1+α5WEEKLYREVENUEi,，t-1+σi+ωi，t

　　其中,，i為電影數(shù),，i=1,，2，…,，N,；t為上映周，t=1,，2,，…，T,。

　　模型1.2

　　WEEKLYREVENUEi,，t=θt+α1WEEKLYPOSTi,，t+α2WEEKLYGRADEi,，t+α3WEEKLYPOSTi，t-1+α4WEEKLYGRADEi,，t-1+α5WEEKLYREVENUEi,，t-1+σi+ωi，t

　　其中,，i為電影數(shù),，i=1，2,，…,，N；t為上映周,，t=1,，2，…,，T,。

　　（2）每周評論數(shù)與票房,、評論數(shù),、評分、關(guān)注度之間的關(guān)系：與本周票房,、評分,、關(guān)注度，上周評論數(shù),、評分,、關(guān)注度之間的關(guān)系，模型如下：

　　模型2

　　WEEKLYPOSTi,，t=λt+ρ1WEEKLYREVENUEi,，t+ρ2WEEKLYGRADEi，t+ρ3WEEKLYFOCUSi，t+ρ4WEEKLYPOSTi,，t-1+ρ5WEEKLYGRADEi,，t-1+ρ6WEEKLYFOCUSi，t-1+Фi+ψi,，t

　?。?）每周用戶關(guān)注度與票房、評論數(shù),、評分,、關(guān)注度之間的關(guān)系：與本周票房、評分,、評論數(shù),，上周評論數(shù)、分?jǐn)?shù),、用戶關(guān)注度之間的關(guān)系,，模型如下：

　　模型3

3 結(jié)果與分析

　　通過Eviews 6.0建立樣板數(shù)據(jù)集，運行上述模型,。首先進(jìn)行協(xié)整檢驗,，確保其符合線性回歸要求，然后進(jìn)行回歸,，結(jié)果如圖1所示（限于篇幅,，協(xié)整檢驗結(jié)果略）。

　　圖1結(jié)果表明,，每周票房與本周評分,、本周評價數(shù)、本周關(guān)注度正相關(guān),，與上周評分/上周累計評分,、上周評價數(shù)、上周關(guān)注度負(fù)相關(guān),。在消除了用戶評價的內(nèi)生性和產(chǎn)品的異質(zhì)性后,，用戶評分僅作為票房收入的表現(xiàn)，不再顯著影響票房收入,。用戶評分只是票房收入的反映,，并不對票房收入產(chǎn)生影響，即假設(shè)1（H1）是不成立的,，高評分未必帶來高票房,。

　　模型2、模型3的運行結(jié)果分別如圖2,、圖3所示,。

　　從圖2和圖3可以得出以下結(jié)論：

　?。?）在p<0.01的置信水平下，每周評價數(shù)與本周票房正相關(guān),，每周用戶關(guān)注度與本周票房是正相關(guān)的,，驗證了假設(shè)2（包括H2a和H2b），即票房收入對口碑（以用戶評價數(shù)和用戶關(guān)注度為指標(biāo)）有積極影響,。

　?。?）在p<0.01的置信水平下，每周評價數(shù)與上周評價數(shù)正相關(guān),，驗證了假設(shè)3（H3）,，即每周評論數(shù)是自相關(guān)的，最近帖子量的增加極有可能引起接下來用戶評論的增加,。

　?。?）在p<0.01的置信水平下，每周用戶關(guān)注度與上周用戶關(guān)注度正相關(guān),，驗證了假設(shè)4（H4）,，即每周用戶關(guān)注度是自相關(guān)的，最近搜索量的增加極大可能引起接下來搜索量的增加,。

4 結(jié)論

　　本文研究的是社交媒體用戶行為對產(chǎn)品銷售的影響，通過電影票房及在線口碑?dāng)?shù)據(jù)來觀測在線口碑影響及其特質(zhì),。定立了聯(lián)立方程,，通過樣本數(shù)據(jù)來獲取在線口碑與電影票房之間的關(guān)系?？梢园l(fā)現(xiàn),，票房收入與在線用戶人氣（評價數(shù)、用戶關(guān)注度）是顯著相關(guān)的,，而用戶評分通常是票房收入的反映,，并不顯著影響票房，即高評分并不一定獲得高票房,。這一研究結(jié)果是有趣的,，它表明用戶有自己的判斷力，有能力自己判斷產(chǎn)品的好壞,，而不被口碑的說服作用影響,；另一方面，受到用戶口碑的認(rèn)知作用影響,，高人氣帶來高知名度,，往往帶來高銷量。

　　用戶評論,、用戶關(guān)注度（搜索量）作為在線口碑的表現(xiàn)形式,，本文分析了它們的特質(zhì),。在線用戶口碑表現(xiàn)出明顯的自相關(guān)性，即最近評論數(shù)的增加具有可能引起接下來用戶評論的增加,，最近搜索量的增加極有可能引起接下來用戶搜索量的增加,。電影銷量對在線口碑有顯著影響，即電影票房的增加往往帶來用戶評論,、用戶關(guān)注度的增加,。

　　本文構(gòu)建了基于社交媒體用戶行為的產(chǎn)品銷量預(yù)測模型，對在線口碑特質(zhì)進(jìn)行了分析,，研究具有良好的現(xiàn)實意義,。以電影產(chǎn)業(yè)為例，通過前期的策劃,，可以帶來較高的網(wǎng)絡(luò)人氣,，也往往帶來較高的銷量，但通過提高電影評級卻無法帶來更高的銷量,，這為電影服務(wù)商策略提供了參考,。通過稍加改動，這一模型可以擴(kuò)展至其他行業(yè),、其他企業(yè),。

　　參考文獻(xiàn)

　　[1] GODES D， MAYZLIN D. Using online conversations to study word of mouth communication[J]. Marketing Science,，2004,，23（4）：545-560.

　　[2] GRANOVETTER M. The strength of weak ties[J]. American Journal of Sociology， 1973,，78（6）：1360-1380.

　　[3] DELLAROCAS C. The digitization of word of mouth： promise and challenges of online feedback mechanisms[J]. Management Science,， 2003，49（10）：1407-1424.

　　[4] Chen Yubo,， FAY S,， Wang Qi. Marketing implications of online consumer product reviews[J]. Information Technology and Management， 2003,，9（3）：201-214.

　　[5] Chen Peiyu,， Wu Shiyi， YOON J. The impact of online recommendations and consumer feedback on sales[C]. Proceedings of the International Conference on Information Systems,，2004： 711-724.

　　[6] Liu Yong. Word of mouth for movies： its dynamics and impact on box office revenue[J]. Journal of Marketing,， 2006， 70（3）： 74-89.

　　[7] Duan Wenjing,， Gu Bin,， WHINSTON A B. Do online reviews matter？-An empirical investigation of panel data[J]. Decision Support Systems,， 2008,，45（4）：1007-1016.

　　[8] MCFADDEN D L,， TRAIN K E. Consumer′s evaluation of new products： learning from self and others[J]. Journal of Political Economy， 1996,， 104（4）： 683-703.