在線社交對消費者需求的影響研究
——基于網絡視頻產業的實證分析

龔詩陽，李 倩，余承錟

(1.對外經濟貿易大學國際商學院，北京 100029； 2.北京外國語大學國際商學院，北京 100089)

?

在線社交對消費者需求的影響研究
——基于網絡視頻產業的實證分析

龔詩陽1，李 倩2，余承錟1

(1.對外經濟貿易大學國際商學院，北京 100029； 2.北京外國語大學國際商學院，北京 100089)

本文圍繞“在線社交是否會影響消費者需求”這一核心問題，從兩個國內知名的視頻網站上收集了2015-2016年發布的110部視頻節目的客觀數據，通過建立計量模型開展了一項探索性的實證研究。研究結果表明，在線社交對消費者需求具有顯著的正向影響作用。具體而言，在線社交數量每提升1%，消費者需求將增加約0.5%。此外，我們還發現，第三方評論網站的節目評分對在線社交的影響效果具有負向調節作用：對于評分較低的視頻節目，在線社交對消費者需求的影響較大；而對于評分較高的節目，在線社交對消費者需求的影響效果則有所下降。最后，本文基于研究結論對相關企業和行業的發展提供了管理建議。

在線社交；收視行為；網絡視頻；用戶生成內容；實證研究

一、引言

近年來，隨著互聯網和移動智能設備的廣泛普及，以網絡視頻產業為代表的文化創意產業蓬勃發展。中國消費者對文化創意產品的消費需求也逐漸由傳統媒體轉移至網絡媒體。根據中國互聯網信息中心(CNNIC)的最新統計報告，截至2016年12月，中國網民規模已達到7.31億，手機網民規模達6.95億，互聯網普及率為53.2%。中國網絡視頻行業的市場規模也在2016年度迅速增長至609億元，越來越多的企業開始涉足這一成長性的新興領域。

在互聯網環境中，用戶的收視行為也在發生重要的改變。越來越多的用戶喜歡在收看視頻節目的同時與其他用戶進行在線社交[1]。在2015年，尼爾森公司開展了一項針對全球收視用戶的問卷調研。其中，超過一半(53%)用戶回答，他們收看視頻節目的樂趣在于可以獲得話題與其他用戶進行在線聊天；接近一半(49%)用戶提出，如果視頻網站提供社交媒體的接入，他們會收看更多節目[2]。

在這一新趨勢下，很多視頻網站開始鼓勵和管理在線社交。所以，“彈幕”這一網絡視頻行業的流行功能也就應運而生?！皬椖弧笔侵赣脩粼谟^看視頻節目時發布的簡短文字信息，可以實時出現在節目畫面上以達到與其他觀眾進行在線社交的目的。如圖1所示，自2014年以來，“彈幕”一詞的網絡搜索量呈逐年上升的趨勢，說明這一新興的在線社交模式越來越受到各界的關注。最近幾年，國內大部分視頻網站(優酷、樂視、Acfun、Bilibili等)均開始使用基于彈幕的在線社交功能，眾多相關企業(內容提供商、廣告商、社交媒體等)也開始圍繞這一模式開發新的產品和商業模式。

圖1 “彈幕”的谷歌搜索趨勢

然而，學術界對在線社交的影響效果和經濟價值的研究卻并不多見，一些重要的問題亟待解答。首先，一個最基本的問題是，在線社交是否能顯著地影響消費者的收視需求？如果能，應該如何準確地量化在線社交的影響效果？其次，在線社交究竟對哪些視頻節目更加有效？目前，越來越多的第三方評論網站(例如，IMDB、豆瓣網等)開始鼓勵觀眾對影視節目進行在線評分，而觀眾對不同節目的評分通常有較大差異。那么，節目評分的高低是否會對在線社交的效果產生調節作用？為回答上述一系列問題，本文基于國內兩家知名視頻網站的數據，通過建立計量模型進行了一項探索性的實證研究。

二、文獻回顧與研究假設

(一)在線社交對節目收視需求的影響

在互聯網普及之前，學術界對用戶收視行為的研究主要集中于探索影響電視節目收視率的相關因素。隨著互聯網的發展，研究逐步開始關注用戶的線上行為與收視行為之間的關系。例如，Joo等(2014)、Liaukonyte等(2015)的研究發現，用戶的在線搜索行為和線上購物行為均與用戶的收視行為相關[3-4]。Fossen和Schweidel(2016)的一項研究初步證明了在線社交與節目收視之間的關聯[5]。他們發現，視頻節目和廣告的收視會促進用戶在Twitter網站上實時地發布相關的口碑信息，但是，在線社交數量最多的節目卻并不是廣告效果最好的節目。這項研究考察了節目收視率對在線社交的直接影響，但未涉及在線社交是否會進一步提升節目收視這一問題。

那么，在線社交究竟會如何影響節目的收視需求呢？近期的營銷研究發現，當消費者在與他人共同觀看視頻節目時，人際之間的互動和溝通會滿足消費者對歸屬感的需求(need to belong)和對節目內容的精確性需求(need for accuracy)，從而提升節目收視過程中的愉悅感[6]。所以，在線社交可能通過提升用戶觀看節目時的愉悅感來提升節目收視率。其次，在線社交在本質上是觀眾在觀看視頻節目時所發布的線上口碑(online word-of-mouth)。眾多有關口碑的研究指出，線上口碑可以通過吸引消費者知曉[7]或說服消費者改變態度來增加消費者的參與或購買行為[8-9]。因此，在線社交也可能通過口碑的知曉效應或說服效應來提升節目的收視率。此外，也有研究認為，在線社交可能會造成節目劇情提前被其他觀眾泄露，從而降低觀眾的收視體驗和節目收視率[10]。不過，總體而言，我們仍認為在線社交對節目收視率的正向影響大于由潛在的劇透效應帶來的負向影響。因此綜上所述，我們提出研究假設H1：

H1：在線社交對網絡視頻節目的收視需求有顯著的正向影響。

(二)節目評分對在線社交效果的調節作用

在互聯網時代，對于影視節目這類體驗型產品，一個非常重要的變化是消費者可以在很多第三方評論網站(例如，IMDB、豆瓣網等)對節目進行評分[11]。很多相關的研究均發現影視類節目的線上評分對消費者的態度和行為有重要的影響。例如，Chintagunta等(2010)研究了美國各個區域市場的票房銷售情況，發現線上評分的高低是最重要的影響因素[12]。Gopinath等(2014)進一步將線上評分分為屬性導向(attribute oriented)的評分、情感導向(emotion oriented)的評分和推薦導向(recommendation oriented)的評分三種類別，并通過實證研究發現僅有推薦導向的評分會產生顯著的影響[13]。

那么，對于評分不同的節目，在線社交的效果是否有差異？事實上，觀眾觀看視頻節目和進行在線社交是同時進行的，這是一個多任務(multitask)處理的過程。在我們的研究情境中，節目評分越高通常代表節目內容越精彩。那么，觀眾在觀看節目時，注意力就會向節目本身分配更多的認知資源。在觀眾的認知資源總量有限的情況下，注意力在同一時間分配給在線社交的認知資源就減少了。所以，對于評分較高的節目，在線社交對節目收視率的影響可能較小。相反，對于評分較低的節目，觀眾的注意力會將更少的認知資源分配給節目本身，而將更多的資源分配給在線社交。所以，對于評分較低的節目，在線社交對節目收視率的影響可能更大。綜合上述分析結果，我們提出本文的研究假設H2：

H2：節目評分對在線社交的效果有負向的調節作用，即節目的評分越高，在線社交對節目收視需求的正向影響越小。

三、數據與變量

(一)數據來源

在本研究中，我們的研究數據來源于三個國內知名網站：Acfun網站(www.acfun.cn)、Bilibili網站(www.bilibili.com)和豆瓣網(www.douban.com)。

首先，我們從Acfun和Bilibili網上收集了視頻節目收視需求和在線社交的數據。選擇這兩個網站的原因有兩點。第一，這兩個網站是目前國內最活躍的視頻節目網站。以Bilibili網站為例，其活躍注冊用戶數超過1億人，視頻節目總數超過800萬，每天的節目播放量超過1億次。所以，采用這兩個網站的數據對捕捉我國消費者的網絡收視需求具有良好的代表性。第二，這兩個網站最大的特色即是我們的研究所關注的在線社交功能——“彈幕”。盡管目前已經有很多其它網站(例如，優酷網、愛奇藝等)也開通了彈幕功能，但這兩個網站仍然是國內最早成立且最活躍的彈幕類視頻網站，其彈幕數量超過14億條，為我們提供了豐富的信息來研究在線社交對觀眾收視行為的影響。

在這兩個網站上，我們收集了2015年1月1日至2016年2月29日期間發布的所有動畫劇節目的數據。通過匹配，這一時間段在兩個網站上同時存在的節目共有110個。對于樣本中的每一個節目，我們均從網站上收集了節目自發布以來的播放數量和彈幕數量，以及每個節目所包含的集數和每一集節目的播放時長。

表1展示了節目數據的描述性統計結果。首先，在節目收視方面，平均每個節目在兩個網站的播放數量分別為1025886和5839779，這說明樣本中的大部分節目都很受歡迎。其次，從在線社交的情況上看，平均每個節目在Bilibili網站上產生的彈幕數量為246450條，高于Acfun網站的5450條，這說明Bilibili網站的用戶在實時互動方面更加活躍。第三，在節目集數和時長上，大部分節目都是系列節目，平均每個節目包含大約15集，平均每集時長約為26分鐘。

表1 節目數據的描述性統計

其次，我們從豆瓣網上收集了節目的在線消費者評分數據。用戶在豆瓣網上對節目進行評論時，首先會被要求對節目進行星級評分(范圍從1星到5星)，然后再撰寫具體的文字評論。豆瓣網會根據每位用戶的評分實時地計算節目的平均評分(從1分到10分)和各個星級評分的比例，并將其呈現在節目頁面的主要位置。我們將樣本中的110個節目與豆瓣網中的節目信息進行匹配，最終獲得了104個節目的評分信息，剩下的6個節目由于評論數不足10條而不顯示總體評分。我們發現，樣本中的節目在豆瓣網上的評分均值為7.22分，最小值和最大值分別為4分和9.2分。從具體的星級評分的比例上看，3星至5星評分(85%)占大多數，這說明觀眾對樣本中節目的普遍評價較高。以上結果與已有的不少國內外相關研究中的描述性統計結果相似[14]，說明我們的樣本具有良好的代表性。

(二)變量描述

基于從上述網站中收集的原始數據，我們對實證分析中涉及的相關變量進行了構建。其中，對于研究中所涉及的所有取值大于零的連續變量，我們都進行了取自然對數的線性變換(logarithm transformation)。這樣做的好處主要有兩點：一是將潛在的非線性關系轉變為線性關系，使得模型的回歸結果更加穩??；二是壓縮了變量的量綱(scale)，控制了離群值的潛在影響[15]。在我們的樣本中，節目的播放數量和彈幕數量在取值上存在很大的差距。例如，有的節目有上千萬次播放和上百萬條彈幕，有的節目僅有幾千次播放和幾條彈幕。因此，對這些變量進行對數變換很有必要。在表2中，我們匯總了主要的變量以及每個變量的描述。

(1)因變量。我們采用節目的播放數量LnView作為因變量，用于測量Acfun網站和Bilibili網站中視頻節目的收視需求。

(2)自變量和調節變量。實證分析中采用的自變量為節目的彈幕數量LnBullet，用于測量在線社交的數量。此外，我們采用節目在豆瓣網上的評分LnRating作為調節變量，用于測量觀眾對節目精彩程度的評價。通常而言，豆瓣網的評分低于6分的節目為低評分的節目，評分在6分至8分之間的為中等評分的節目，評分在8分以上的為高評分的節目。因此，我們在此基礎上進一步構建了三個新的啞變量來區分不同評分區間的節目。

表2 主要變量及描述

(3)控制變量。由于樣本中存在不同類別和特征的節目，所以我們還構建了一系列相關的控制變量來控制這些潛在的異質性影響。首先，不同類型的節目在內容和風格上存在較大差異，所以其對觀眾的吸引程度可能也存在差異。因此，我們構建了節目類別的分類變量Genre來控制其影響。第二，樣本中的節目來自中國和日本兩個國家。兩國的動畫節目在制作水平和題材內容上有所差別，觀眾對兩國動畫節目的偏好可能也不一樣。因此，我們運用啞變量District來控制節目制片地區可能產生的潛在影響。第三，在我們的樣本中，一些節目已經完結，另一些節目仍然在連載中。由于連載中的節目可能比已完結的節目更能吸引觀眾的注意力，那么，其播放數量也可能更高。因此，我們采用啞變量Status來控制節目狀態對節目播放量的影響。最后，由于樣本中不同節目的集數和每集時長不同，這兩個因素都可能對節目播放數量造成影響。所以我們采用LnEpisode和LnLength兩個變量來分別控制節目的集數和時長可能產生的潛在影響。

四、實證分析與結果

(一)在線社交對節目收視需求的影響

為了分析在線社交對節目收視需求的影響，我們首先建立了一個線性回歸模型來進行估計。具體的模型設定如下：

LnViewi=α0+α1LnBulleti+α2LnEpisodei+α3LnLengthi+α4～7Genrei,1～4+α8Districti+α9Statusi+εi

(1)

在模型(1)中，我們用下標i=1,…N來代表不同的節目。因變量為LnView，即節目的播放數量；自變量為LnBullet，即節目的彈幕數量；控制變量方面，LnEpisode為節目的集數，LnLength為節目的時長，Genre為一系列代表節目類型的啞變量(節目共有五種類型，所以加入四個啞變量)，District為代表節目制片地區的啞變量，Status為代表節目狀態的啞變量；最后，?為殘差項。我們采用普通最小二乘法(ordinary least squares，OLS)來對模型(1)中的參數進行估計。

表3展示了回歸分析的結果。其中，第(1)和(2)列為全部樣本的回歸結果，第(3)和(4)列為Acfun網站樣本的回歸結果，第(5)和(6)列為Bilibili網站樣本的回歸結果。首先，我們僅將因變量LnView與所有的控制變量進行回歸，隨后再進一步將自變量LnBullet加入回歸模型。這樣做的目的主要在于對比加入自變量前后模型的擬合優度是否有明顯提升，以此來說明彈幕數量是否對節目播放數量有重要的影響。從表3的結果可以看出，所有的樣本在加入自變量后模型的擬合優度都顯著提高。以第(1)和(2)列全部樣本的回歸結果為例，調整后R2在加入自變量LnBullet后由0.07增加到0.71，F值也由2.96增加到54.19。

表3 在線社交對節目收視需求的影響：橫截面分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。橫截面分析的對象為Acfun網站和Bilibili網站上同時存在的110個節目，兩個網站加總后共有220個樣本。模型的因變量為LnView，即節目播放量(取自然對數)。表格中所列的數字為回歸模型中系數的估計值，括號中的數字為標準誤。

在表3中，我們主要關注自變量彈幕數量的估計結果。我們發現無論是全部樣本還是Acfun網站或Bilibili網站的子樣本，彈幕數量的估計結果都非常一致。我們以全部樣本的估計結果為例，表3第(2)列顯示，LnBullet的系數估計值為正向顯著(α1=0.52，p<0.01)，這說明觀眾在某個節目中發布的彈幕數量越多，這個節目的播放數量也越多。通過系數的估計值我們還可以計算出彈幕數量對節目播放數量的實際影響大小。由于我們對彈幕數量和節目播放數量都進行了取自然對數的線性變換，所以系數的估計值為彈性，即彈幕數量的變化率對節目播放數量的變化率的影響[15]。α1估計值等于0.52，這說明觀眾發布的彈幕數量每增加1%，節目的播放數量將增加0.52%。

在橫截面分析中，我們將用戶之間的在線社交(彈幕數量)作為外生性變量來進行分析。然而，彈幕數量也有可能是內生性變量，忽略潛在的內生性問題(endogeneity)可能會導致估計結果產生偏誤。在回歸模型中，遺漏了重要的相關變量是導致內生性的主要原因*我們可以用一個簡單的推理來解釋為什么遺漏相關變量會導致內生性問題。假設“真實”模型是yi=α+βxi+γzi+εi，然而，在實際的回歸模型中遺漏了變量zi。所以，實際進行估計的模型是yi=α+βxi+μi(μi=γzi+εi)。如果xi與zi相關且zi與yi相關(即γ≠0)，那么xi就會與殘差項μi相關。如果γ>0，β的估計結果就會產生向上的偏誤；反之，如果γ<0，β的估計結果就會產生向下的偏誤。。如果這個被遺漏的變量同時與自變量和因變量相關，那么自變量與隨機擾動項的無關性假定就不再成立，從而使最小二乘法的估計結果產生偏誤[17]。不少相關研究都發現內生性會對研究結果產生重要影響[18]。例如，Oberholzer-Gee和Strumpf(2007)對音樂市場的經典研究發現，在考慮了內生性的影響后，音樂網絡下載量對線下專輯銷量的影響由顯著變為不顯著[19]。他們認為，原因在于原模型中遺漏了能夠測量音樂質量的變量，而音樂質量又同時與音樂網絡下載量和線下專輯銷量相關。Nair等(2010)對醫藥市場的研究也發現，如果忽略了內生性的影響，跟隨型醫生對意見領袖型醫生在使用藥劑方面的模仿行為會受到高估[20]。

同樣，本研究也需要考慮潛在的內生性影響。盡管我們在回歸模型中加入了一系列與節目類別和特征相關的控制變量來削弱內生性的影響，但是，仍然可能存在一些變量因為難以直接觀測而無法進行控制。例如，在本研究中，節目的質量或受歡迎程度就難以直接觀測但卻與因變量和自變量都相關。因為，與“差”的節目相比，“好”的節目很有可能引發更多的彈幕，同時產生更多的播放數量。那么，遺漏節目質量或受歡迎程度就會產生內生性問題，從而使最小二乘法的估計結果產生偏誤。

我們用第一個等式減去第二個等式，便得到下面的模型(2)：

△LnViewi=γ0+γ1△LnBulleti+△εi

(2)

在模型(2)中，Δ代表各變量在Acfun網站和Bilibili網站上的差值。由于節目i在Acfun網站和Bilibili網站是完全一樣的，所以，在差分之后，潛變量μi就不會再出現在模型中。通過這種方法，我們在模型中去除了那些難以直接觀測的因素，從而控制了內生性的影響。同理，其它一些可觀測的控制變量LnEpisode、LnLength、Genre、District和Status在兩個網站中的取值也是相同的，所以，他們在模型(2)中也同樣通過差分而去掉了。在模型(2)中，△LnViewi代表節目i在兩個網站的播放數量之差，△LnBulleti代表節目i在兩個網站的彈幕數量之差，△εi則為殘差項之差。

我們同樣運用普通最小二乘法對模型(2)進行估計。相對于橫截面分析，模型(2)的主要優勢在于消除了潛在的非觀測效應μi，從而控制了內生性影響。因此，通過差分分析，我們可以得到在線社交對節目收視率更加準確的估計，并可以將估計結果與橫截面分析的結果進行比較，以驗證結論的可靠性。

表4展示了差分分析的估計結果。其中，第(1)列為虛無模型(null model)的估計結果，第(2)列為完整模型的估計結果。通過對比可以看出，加入自變量之后的完整模型在擬合優度上有巨大提升，其調整后R2和F值分別為0.39和71.65。對于自變量ΔLnBullet，我們發現其系數的估計結果是依然正向且顯著的(γ1=0.55，p<0.01)。并且，從取值上看，ΔLnBullet的系數估計值γ1=0.55與橫截面分析中LnBullet的系數估計值α1=0.52也非常接近。所以，差分分析的結果再一次驗證了橫截面分析得出的結果，即在線社交對節目收視率有顯著的正向影響。綜合兩次分析的結果，我們提出的研究假設H1得到支持。

表4 在線社交對節目收視需求的影響：差分分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。差分分析的對象為Acfun網站和Bilibili網站上同時存在的110個節目。模型的因變量為ΔLnView，即兩個網站中同一節目播放量(取自然對數)之差。表格中所列的數字為回歸模型中系數的估計值，括號中的數字為標準誤。

實證分析中存在的另一個潛在的問題是反向因果，即究竟是在線社交增加了消費者需求，還是消費者需求使得在線社交增加？為了解決這一問題，我們借鑒Hair等(2010)的方法，建立了一個聯立方程模型來同時估計這兩種影響關系[21]。具體的模型設定如下：

(3)

模型(3)共包含兩個方程：第一個方程用于分析節目收視率LnView對在線社交LnBullet的影響，第二個方程用于分析在線社交LnBullet對節目收視率LnView的影響。在第一個方程中，為了滿足模型可識別的要求，我們在基準模型的基礎上加入了LnEpisode和LnLength的二次項作為新的外生變量，并且去掉了Status這一不顯著的變量；第二個方程的設定與模型(1)完全相同，以驗證研究結論的一致性。通過模型(3)，我們可以同時分析在線社交與消費者需求的相互影響，從而在一定程度上解決反向因果的問題。

我們運用兩階段最小二乘法(two-stage least squares，2SLS)對模型(3)進行估計。表5展示了回歸結果。其中，第(1)、(3)和(5)列為方程一的回歸結果，即節目收視率LnView對在線社交LnBullet的影響；第(2)、(4)和(6)列為方程二的回歸結果，即在線社交LnBullet對節目收視率LnView的影響。從回歸結果中可以發現，無論在全部樣本還是子樣本中，關鍵變量的系數估計值都非常一致。第(1)、(3)和(5)列的結果顯示，LnView的系數在所有樣本中均不顯著，說明節目收視率對彈幕數量并沒有顯著的影響。第(2)、(4)和(6)列的結果顯示，LnBullet的系數在所有樣本中均為正向顯著(p值均小于0.01)，說明彈幕數量對節目收視率有顯著的正向影響。因此，通過總結這兩方面的回歸結果，可以說明是在線社交增加了消費者需求，而不是消費者需求使得在線社交增加。

(二)節目評分的調節作用

接下來，我們想進一步分析：在線社交究竟對評分高的節目還是評分低的節目作用更大？基于這個研究目的，我們在模型(1)的基礎上建立了下面的線性回歸模型。

LnViewi=θ0+θ1LnBulleti+θ2LnRatingi+θ3LnBulleti×Rating2i+θ4LnBulleti×Rating3i+θ5LnEpisodei+θ6LnLengthi+θ7～10Genrei,1～4+θ11Districti+θ12Statusi+εi

(4)

在模型(4)中，我們在模型(1)的基礎上進一步加入了變量LnRating，用于控制節目評分對節目播放數量影響的主效應。此外，我們還加入了彈幕數量和節目評分的兩個交互項LnBulletRating2和LnBulletRating3，以此來分析節目評分的調節效應。其中，Rating2為代表中等評分(6-8分)節目的啞變量，Rating3為代表高評分(8分以上)節目的啞變量。模型中并沒有加入代表低評分(6分以下)節目的啞變量Rating1與彈幕數量的交互項，否則會產生多重共線性(multicollinearity)[25]。由于Rating2和Rating3均為啞變量，所以，當兩者的取值均為零時，即代表低評分的節目。

我們采用普通最小二乘法對模型(4)進行估計。表6展示了回歸結果。其中，第(1)列為全部樣本的回歸結果，第(2)和(3)列分別為Acfun網站和Bilibili網站的回歸結果。從表6中可以看出，全部樣本和兩個網站的子樣本在回歸結果上呈現一致性。

我們主要關注節目評分的主效應和調節效應。首先，我們發現，變量LnRating的系數為正向顯著(2=1.34，p<0.1)，說明節目在豆瓣網上的評分越高，節目的播放數量也越高。這一結果與已有的眾多網絡口碑的研究相符[12,22]。然后，我們注意到，兩個交互項LnBulletRating2和LnBullet

表5 在線社交對節目收視需求的影響：兩階段分析

注：*代表p<0.10；**代表p<0.05；***代表p<0.01。第(1)、(3)和(5)列為方程一的回歸結果，因變量為LnBullet，即節目的彈幕數量(取自然對數)；第(2)、(4)和(6)列為方程二的回歸結果，因變量為LnView，即節目播放量(取自然對數)。表格中所列的數字為回歸模型中系數的估計值，括號中的數字為標準誤。

表6 節目評分對在線社交影響效果的調節作用

注：*代表p<0.10；**代表p<0.05；***代表p<0.01?；貧w分析的對象為Acfun網站和Bilibili網站上同時存在且在豆瓣網站上有評分的104個節目，兩個網站加總后共有208個樣本。模型的因變量為LnView，即節目播放量(取自然對數)。表格中所列的數字為回歸模型中系數的估計值，括號中的數字為標準誤。

五、結論與管理建議

(一)研究結論

本文圍繞“在線社交是否會影響消費者需求”這一核心問題，從兩個國內知名的視頻網站上收集了2015-2016年發布的110部視頻節目的客觀數據，通過建立計量模型開展了一項探索性的實證研究，獲得了以下結論。

第一，我們運用從Acfun網站和Bilibili網站收集的彈幕數據和視頻播放數據分析了在線社交對節目收視率的影響。在橫截面分析中，我們首先將彈幕數量作為外生性變量進行回歸分析。結果顯示，彈幕數量對節目播放數量有顯著的正向影響。隨后，為了進一步控制潛在的內生性影響，我們又設計了一個差分模型來消除遺漏難以觀測的變量(例如，節目質量或受歡迎程度)的問題。差分分析的估計結果再次驗證了彈幕數量對節目播放數量的正向影響，從而證明在線社交能夠顯著提高節目的收視率。

第二，我們從第三方消費者評論網站豆瓣網收集了節目評分數據，并進一步分析了節目評分對在線社交效果的調節效應。回歸結果顯示，對比低評分(6分以下)的節目，彈幕數量對于中等評分(6-8分)或高評分(8分以上)的節目的播放量的影響效果有所下降。該結果表明，節目評分對在線社交的效果有負向的調節作用：當節目的評分較低時，節目的內容很難吸引觀眾，所以觀眾更加會受到在線社交內容的影響；節目評分越高則說明節目內容越精彩，那么，觀眾就越不容易受到在線社交內容的影響，而更關注節目本身的內容。

(二)管理建議

對于管理實踐，本文的研究結論有助于企業管理者更加有效地運用在線社交這一新興的營銷工具來提高節目的收視率，同時也為以網絡視頻行業為代表的文化創意產業的發展提供了頗有價值的參考。具體而言，本文提出以下三方面管理建議。

第一，由于在線社交能夠有效地提高消費者需求，所以相關的視頻網站和利益相關企業應提高對在線社交的重視，通過多種方式引導并鼓勵更多觀眾發表“彈幕”，從而提升節目的收視率。例如，企業可以考慮邀請名人參與在線實時互動，也可以考慮給予參與在線互動的觀眾積分獎勵等方式。從Acfun網站和Bilibili網站的案例中不難發現，盡管它們的成立時間遠晚于優酷和樂視等網站，卻能在目前網絡視頻行業激烈的市場競爭中脫穎而出，其最重要的競爭優勢即來自于完善的在線社交功能。因此，我們建議企業管理者加強對在線社交工具的重視和使用，以應對互聯網和新媒體環境下的新業態和新趨勢。

第二，企業管理者還應該注意，在線社交的效果對評分不同的節目有所差異。對于評分較低的節目，在線社交對節目收視率的提升越大；而對于評分較高的節目，觀眾會更加關注節目本身的內容，所以在線社交的效果反而不那么明顯。這一結果提示企業管理者應該根據視頻節目在第三方消費者評論網站(例如，豆瓣網等)的評分情況，動態地、有側重地管理在線社交工具，以獲得更好的營銷效果。特別是對于評分較低和觀眾實際反饋較差的節目，企業更應該加大營銷投入去吸引和鼓勵觀眾發布互動內容，以此來“挽救”節目的收視率。

第三，正確管理并引導在線社交，也有利于推動網絡視頻行業的健康發展。由于彈幕是消費者在觀看視頻節目過程中發布的實時信息，能夠真實地反應用戶的實際看法，因此我們建議相關企業和行業管理者對于在線社交內容進行細致分析。一方面，可以幫助企業管理者更加真實地了解用戶實際需求；另一方面，也有助于行業管理者了解市場的真實反饋，順應市場需求，提供更高質量的文化內容和產品。

[1]HILL S, BENTON A. Analyzing the impact of socialTV strategies on viewer engagement [R]. Beijing: KDD 2nd SOMA Workshop on Social Media Analytics, 2012.

[2]NIELSEN. Live TV + social media = engaged viewers [OL]. http://www.nielsen.com/us/en/insights/news/2015/live-tv-social-media-engaged-viewers.html, 2015-04-06.

[3]JOO M, WILBUR K C, COWGILL B, ZHU Y. Television advertising and online search [J].Management Science, 2014, 60(1): 56-73.

[4]LIAUKONYTE J, TEIXEIRA T, WILBUR K C. Television advertising and online shopping [J].Marketing Science, 2015, 34(3): 311-330.

[5]FOSSEN B L, SCHWEIDEL D A. Television advertising and online word-of-mouth:An empirical investigation of social TV activity [J]. Marketing Science, 2016, forthcoming.

[6]LOVETT M J, STAELIN R. The role of paid, earned, and owned media in building entertainment brands: Reminding, informing, and enhancing enjoyment [J].Marketing Science, 2016, 35(1): 142-157.

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

[8]SCHLOSSER A E. Can including pros and cons increase the helpfulness and persuasiveness of online reviews? The interactive effects of ratings and arguments [J].Journal of Consumer Psychology, 2011, 21(3): 226-239.

[9]LI X. Could deal promotions improve merchants’ online reputations? The moderating role of prior reviews [J]. Journal of Management Information Systems, 2016, 33(1): 171-201.

[10]BENTON A, HILL S. The spoiler effect?: Designing socialTV content that promotes ongoing WOM [R]. Phoenix, AZ: INFORMS Conference on Information Systems and Technology, 2012.

[11]CHEN Y, XIE J. Online consumer review: Word-of-mouth as a new element of marketing communication mix [J].Management Science, 2008, 54(3): 477-491.

[12]CHINTAGUNTA P K, GOPINATH S, VENKATARAMAN S. The effects of online user reviews on movie box office performance: Accounting for sequential rollout and aggregation across local markets [J].Marketing Science, 2010, 29(5): 944-957.

[13]GOPINATH S, THOMAS J S, KRISHNAMURTHI L. Investigating the relationship between the content of online word of mouth, advertising, and brand performance [J].Marketing Science, 2014, 33(2): 241-258.

[14]龔詩陽, 劉 霞, 劉 洋, 趙 平. 網絡口碑決定產品命運嗎——對線上圖書評論的實證分析 [J]. 南開管理評論, 2012, 15(4): 118-128.

[15]LIU Y. Word of mouth for movies: Its dynamics and impact on box office revenue [J].Journal of Marketing, 2006, 70(3): 74-89.

[16]WOOLDRIDGE J M.Econometric analysis of cross section and panel data [M]. Cambridge, MA: MIT Press, 2010.

[17]GREENE W H.Econometric analysis [M]. Upper Saddle River, NJ: Prentice Hall, 2003.

[18]ROSSI P E. Invited paper—Even the rich can make themselves poor: A critical examination ofIV methods in marketing applications [J]. Marketing Science, 2014, 33(5): 655-672.

[19]OBERHOLZER-GEE F, STRUMPF K. The effect of file sharing on record sales: An empirical analysis [J].Journal of Political Economy, 2007, 115(1): 1-42.

[20]NAIR H S, MANCHANDA P, BHATIA T. Asymmetric social interactions in physician prescription behavior: The role of opinion leaders [J].Journal of Marketing Research, 2010, 47(5): 883-895.

[21]HAIR J F, ANDERSON R E, BABIN B J, BLACK W C.Multivariate data analysis: A global perspective [M]. Upper Saddle River, NJ: Prentice Hall, 2010.

[22]YOU Y, VADAKKEPATT G G, JOSHI A M. A meta-analysis of electronic word-of-mouth elasticity [J].Journal of Marketing, 2015, 79(2): 19-39.

(本文責編：辛 城)

The Effect of Online Social Interactions on Consumer Demand——An Empirical Study on Online Video Industry

GONG Shi-yang1, LI Qian2, YU Cheng-tan1

(1.BusinessSchool,UniversityofInternationalBusinessandEconomics,Beijing100029,China;2.InternationalBusinessSchool,BeijingForeignStudiesUniversity,Beijing100089,China)

This article focuses on the key question of “whether online interactions would affect consumer demand”, and carries out an exploratory empirical study based on the data of 110 programs released between the year of 2015 and 2016 from two popular Chinese online video websites. The results show that online social interactions have a positive impact on consumers’ viewing demand. Specifically, with an increase of 1 percent in online social interactions, the consumers’ viewing will increase by about 0.5 percent. In addition, the programs’ rating scores, from a third-party consumer reviews website, negatively moderate the relationship between online social interactions and program viewership. The online social interactions have a stronger impact on programs of lower rating scores than ones of higher rating scores. Finally, we provide managerial recommendations to the development of relevant enterprises and the industry.

online social interactions; viewing behaviors; online video; user-generated content; empirical study

2016-10-12

2017-04-23

國家自然科學基金青年項目“社交媒體環境下的目標消費者識別研究：基于人際連結視角”(71602033)；對外經濟貿易大學中央高?；究蒲袠I務費專項資金項目“社會化媒體營銷對消費者采納行為的影響”(15QD11)；北京外國語大學中央高?；究蒲袠I務費專項資金項目“企業員工的社會交換關系對知識分享影響的實證研究”(2016JJ019)。

龔詩陽(1987—)，男，重慶人，對外經濟貿易大學國際商學院講師，博士，研究方向：市場營銷。通訊作者：李倩。

F713.50

A

1002-9753(2017)06-0039-10