摘 要： 通過研究電影票房與社交媒體用戶行為的關系，揭示在線口碑（word-of-mouth）對業績表現的作用。與之前的研究不同，將社交媒體用戶評論、用戶關注等用戶行為數據作為內生變量進行研究，認為用戶行為既影響業績，又被業績影響。首先，以電影產業為研究對象，分析了每周票房與用戶評論、用戶評分、用戶關注度等之間的關系，通過樣板（Panel）數據分析，構建了電影票房預測模型。接著，將票房作為自變量，分析了作為在線口碑表現形式的用戶評論、用戶關注度與票房的關系。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。
關鍵詞： 社交媒體；口碑；在線評論；用戶關注度；電影票房；聯立方程
0 引言
商品經濟以來，口碑被公認為是信息傳遞的有效來源，特別是對體驗型商品而言[1-2]。隨著信息技術的發展，人與人之間的信息傳遞方式發生了很大改變，人們可以通過計算機網絡，借助在線客戶評價系統，在前所未有的范圍內實時方便地獲取公司、產品或服務的信息，并可以方便地交換意見[3]。網絡成為觀眾評論的重要媒介，網絡環境下，網絡口碑活動效率高、靈活、不受地域限制，于是被越來越多地認同和開展。
對在線聊天、微博、推特、在線評論系統等社交媒體口碑研究的文獻大量出現，但其研究結果卻是多樣的，有的研究認為其作用很大[4]；有的研究卻對這種觀點提出挑戰[1，5-7]，如在線評論的說服作用（Persuasive Effect）和認知影響（Awareness Effect）的爭論、口碑作為外生還是內生變量的爭論、所選樣本的異質性問題等。
本文擴充了對用戶行為的描述，將用戶行為作為內生變量進行研究，解決了數據異質性問題。本文以電影產業為例，不僅考慮用戶評論，還引入了用戶關注度指標，通過聯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、用戶關注度的說服作用和認知影響；分析用戶行為與銷量的相互關系，同時分析了行為本身的特點。為消除不同樣本集數據的異質性，本文研究的用戶評論、用戶關注度與產品銷量是同一樣板（Panel）數據集。本文的聯立方程利用樣板數據結果和雙向因果關系，構建了預測模型，提供在線用戶評論真實影響的度量。
1 理論假設
前人的理論和實驗研究[1，6，8]表明了口碑數量與產品銷量的正相關關系：用戶口碑（用戶評論數和用戶關注度）對票房收入有積極影響；同時，電影票房是自相關的，即近期票房較高的電影接下來票房仍然比較高，這些結論不再贅述。本文對相關假設進行了擴展，增加了如下假設：
假設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2（H2） 口碑是過去銷售的產出，票房收入對口碑有積極影響。
用用戶評論數/發帖數量、用戶關注度（搜索量）來刻畫用戶口碑，H2變為：
H2a：票房收入對用戶評論數有積極影響；
H2b：票房收入對用戶關注度有積極影響。
假設3（H3） 用戶評論數量是自相關的，即最近帖子量的增加極有可能引起用戶評論增加。
假設4（H4） 用戶關注度是自相關的，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 數據描述
本文中的數據主要有三類：（1）電影及票房信息：從電影網（http：//www.m1905.com/）獲得電影及票房信息，匯總得到當周票房、當周累計票房。（2）電影評論信息：從時光網（http：//www.mtime.com/）獲取電影評論數據，匯總得到各周評價數、各周平均評分、各周累計評價數、各周累計評分。（3）用戶指數信息：從百度指數查詢（http：//index.baidu.com）獲取電影用戶關注度信息，匯總得到每周用戶關注指數。
各指標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（國產影片27部，進口影片25部，這52部電影的國內總票房均在前100名內）放映期內的342組數據。
2.2 實驗模型
電影在內地的上映周期為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，以實際上映周數為準）。分三步進行實驗。
（1）每周票房與用戶評論、評分之間的關系：與本周評論數、評分，上周評論數、上周評分（WEEKLYGRADEi，t-1）/上周累計評分（CMUGRADEi，t-1）之間的關系，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，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，i=1，2，…，N；t為上映周，t=1，2，…，T。
（2）每周評論數與票房、評論數、評分、關注度之間的關系：與本周票房、評分、關注度，上周評論數、評分、關注度之間的關系，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
（3）每周用戶關注度與票房、評論數、評分、關注度之間的關系：與本周票房、評分、評論數，上周評論數、分數、用戶關注度之間的關系，模型如下：
模型3
3 結果與分析
通過Eviews 6.0建立樣板數據集，運行上述模型。首先進行協整檢驗，確保其符合線性回歸要求，然后進行回歸，結果如圖1所示（限于篇幅，協整檢驗結果略）。
圖1結果表明，每周票房與本周評分、本周評價數、本周關注度正相關，與上周評分/上周累計評分、上周評價數、上周關注度負相關。在消除了用戶評價的內生性和產品的異質性后，用戶評分僅作為票房收入的表現，不再顯著影響票房收入。用戶評分只是票房收入的反映，并不對票房收入產生影響，即假設1（H1）是不成立的，高評分未必帶來高票房。
模型2、模型3的運行結果分別如圖2、圖3所示。
從圖2和圖3可以得出以下結論：
（1）在p<0.01的置信水平下，每周評價數與本周票房正相關，每周用戶關注度與本周票房是正相關的，驗證了假設2（包括H2a和H2b），即票房收入對口碑（以用戶評價數和用戶關注度為指標）有積極影響。
（2）在p<0.01的置信水平下，每周評價數與上周評價數正相關，驗證了假設3（H3），即每周評論數是自相關的，最近帖子量的增加極有可能引起接下來用戶評論的增加。
（3）在p<0.01的置信水平下，每周用戶關注度與上周用戶關注度正相關，驗證了假設4（H4），即每周用戶關注度是自相關的，最近搜索量的增加極大可能引起接下來搜索量的增加。
4 結論
本文研究的是社交媒體用戶行為對產品銷售的影響，通過電影票房及在線口碑數據來觀測在線口碑影響及其特質。定立了聯立方程，通過樣本數據來獲取在線口碑與電影票房之間的關系。可以發現，票房收入與在線用戶人氣（評價數、用戶關注度）是顯著相關的，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、用戶關注度（搜索量）作為在線口碑的表現形式，本文分析了它們的特質。在線用戶口碑表現出明顯的自相關性，即最近評論數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、用戶關注度的增加。
本文構建了基于社交媒體用戶行為的產品銷量預測模型，對在線口碑特質進行了分析，研究具有良好的現實意義。以電影產業為例，通過前期的策劃，可以帶來較高的網絡人氣，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，這為電影服務商策略提供了參考。通過稍加改動，這一模型可以擴展至其他行業、其他企業。
參考文獻
[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.