在線影評和在線短評對票房收入影響的比較研究

石文華，鐘碧園，張 綺

(北京郵電大學經(jīng)濟管理學院，北京 100876)

在線影評和在線短評對票房收入影響的比較研究

石文華，鐘碧園，張 綺

(北京郵電大學經(jīng)濟管理學院，北京 100876)

在線評論是近幾年學者十分關注的問題，隨著信息載體的豐富，在線評論的形式也越來越多樣化，現(xiàn)今 研究在線評論數(shù)據(jù)來源主要有第三方專業(yè)評論和非專業(yè)評論兩大類，但并未有研究對比過兩類評論對之間的差異。 本文將在線電影評論進一步區(qū)分為較長且專業(yè)的影評和較短且非專業(yè)的短評，首先結合前人研究成果構建了電影 在線評論對票房影響的綜合模型，然后從豆瓣電影爬取了不同電影的在線評論，利用eviews7.0在面板數(shù)據(jù)的環(huán)境 下對比分析了影評與短評對票房收入的影響。研究發(fā)現(xiàn)，第一，影評數(shù)量對票房收入無影響，而短評數(shù)量對票房收 入的影響呈倒U 形變化；第二，影評極端性對票房收入的影響持續(xù)至第三周，而短評極端性對票房收入影響持續(xù)至 第五周；第三，無論是數(shù)量還是極端性，短評在每周的回歸結果中均比影評的影響大。結論表明，在線電影評論中 起到更重要作用的評論形式為短評。通過本文研究，可以豐富在線評論對銷量影響的研究，并能夠給在線電影評論 網(wǎng)站以及電影出品方提供有針對的可行性營銷建議。

在線評論；評論數(shù)量；評論極端性；票房收入

1 引言

在線評論是消費者發(fā)布在網(wǎng)絡上，以文本形式為主對商品的評價，這些評價包括對商品的肯定、不滿或個人對特定產(chǎn)品服務的購買和使用感受[1]。隨著電子商務的發(fā)展，在線評論已經(jīng)成為消費者購買產(chǎn)品或服務的重要信息來源，可以幫助消費者降低商品信息的不確定性和購物風險，進而進行購物決策[2-3]。近年來，有關在線評論課題的研究主要集中在在線評論基本要素對產(chǎn)品銷量的影響，對感知有用性、可信度和購買意愿等消費者行為的影響，以及與品牌互動關系的研究。其中在線評論基本要素對產(chǎn)品銷量的影響方面，主要通過研究在線評論評論數(shù)量、情感傾向、情感傾向方差、評論長度等維度與產(chǎn)品銷量的關系[4-7]。

隨著在線評論對銷量影響相關研究的深入，已有很多研究從不同對象、不同來源、不同產(chǎn)品生命周期進行分類研究，深入地觀察在線評論的 影響。從研究對象來看，主要分為搜索型產(chǎn)品和體驗型產(chǎn)品，針對搜索型產(chǎn)品的研究主要選取相機等數(shù)碼產(chǎn)品[8-9]，針對體驗型產(chǎn)品的研究主要選取圖書、電影這類由于無形性與經(jīng)驗性因素導致消費者在使用前很難判斷其質(zhì)量的產(chǎn)品[10-12]，消費者使用這類產(chǎn)品需要通過在線評論來收集信息，正如Scholz和Dorner[13]研究發(fā)現(xiàn)，體驗型產(chǎn)品評論比功能型產(chǎn)品評論得到的有用票數(shù)多，因此體驗型產(chǎn)品對在線評論的研究至關重要。從研究來源來看，在線評論研究的數(shù)據(jù)來源也主要有兩大類，一類是第三方專業(yè)評論(Third-Party Product Reviews)，如Chen Yubo[14]等曾提出類似電影、電子產(chǎn)品等在產(chǎn)品推出前及推出期間，第三方專業(yè)評論會對公司市值有顯著影響；另一類是非專業(yè)評論，即普通消費者的口碑，現(xiàn)有的關于在線評論的研究數(shù)據(jù)多是來源于非專業(yè)評論，如亞馬遜、雅虎電影、大眾點評等[12,15-16]。其中以電影為對象的研究大多是采取雅虎電影網(wǎng)站的數(shù)據(jù)，不同學者從不同角度研究在線電影評論對票房的影響,如Dellaroca等[17]從評論數(shù)量、平均情感傾向維度來研究在線評論對銷量的影響；Yong Liu人等[11]研究了評論數(shù)量、正負面評論的比率對銷量的影響，發(fā)現(xiàn)評論數(shù)量與銷量相關尤其在公映早期，而正負評論比率對銷量影響不顯著；Duan Wenjing[18]等研究了累積評論數(shù)、日評論數(shù)、用戶等級以及是否周末對銷量的影響，得出評論數(shù)量對銷量有顯著影響，而評論平均情感傾向影響不顯著。這些研究解釋了在線電影評論在不同時期的影響模式，得出了結論也趨于一致，即評論數(shù)量影響顯著而平均情感傾向影響不顯著。

然而已有研究并未對比專業(yè)的評論與非專業(yè)評論之間的差異，而現(xiàn)實環(huán)境中確實存在這兩類不同類型的評論，如相較于雅虎電影均是非專業(yè)的用戶評論而言，豆瓣電影將評論劃分為了影評和短評兩種，而影評屬于偏專業(yè)性的在線電影評論。從數(shù)據(jù)角度看，短評數(shù)量較影評數(shù)量有壓倒性的優(yōu)勢；從評論特征角度看，影評字數(shù)要求在140以上，內(nèi)容精彩豐富，邏輯性較強，而短評要求在140以內(nèi)，內(nèi)容簡單隨意，邏輯性較弱；從消費者認知角度看，短評容易閱讀，消費者能夠迅速獲知與電影相關的信息，而影評較長，消費者無法快速直接的獲取評論的核心觀點。這些差異會對消費者最終的購買決策產(chǎn)生不同的影響進而對票房也有不同的影響。

本文將從評論形式的角度區(qū)別偏專業(yè)性的在線影評和非專業(yè)性的在線短評兩種不同的信息載體，以新型電影評論網(wǎng)站為研究對象，基于面板數(shù)據(jù)，將影評與短評對票房的影響進行比較研究，分析不同信息載體的在線電影評論對電影票房的影響在電影發(fā)布后各階段的差異性，以及考察影響隨電影生命周期階段推移的動態(tài)變化性，對新產(chǎn)品開發(fā)、娛樂市場、服務市場和口碑研究具有理論和實踐意義。本文的內(nèi)容組織如下：首先根據(jù)相關理論和文獻研究提出理論假設并建立在線電影評論對票房收入的影響關系各模型，其次，說明收集數(shù)據(jù)和實證分析的過程，并對分析結果進行闡釋，最后進行總結并指出研究不足與未來研究方向。

2 假設與模型

本文研究的重點在于對比分析偏專業(yè)性評論和非專業(yè)性評論對銷量影響的差異。電影作為一類典型的體驗型產(chǎn)品，存在偏專業(yè)的影評和非專業(yè)的普通消費者發(fā)布的短評，因此本研究選擇電影作為研究對象。另外還考慮到電影業(yè)有著兩大普遍的特點使其被認為電影口碑能影響觀眾，首先，作為一種流行文化，電影往往獲得公眾極大的興趣和關注。因此，積極的關于電影的人際溝通是期望存在的，并且根據(jù)信息可獲得性和影響的理論，它會影響觀眾；其次，電影屬于體驗型產(chǎn)品，它的無形性與經(jīng)驗性因素導致在觀看前很難判斷它的質(zhì)量，當產(chǎn)品很難在購買前被評估，消費者往往通過口碑以收集更多的信息[19]。通過對在線評論定義的回顧，本文將在線電影評論定義為：在線電影評論是消費者根據(jù)自己觀看電影的經(jīng)歷，通過電影評論網(wǎng)站對特定電影發(fā)表自己的意見和建議，可以是正面也可以是負面的信息。本研究將在在線評論對銷量影響模型的基礎上，進行在線評論的分類，探索偏專業(yè)的影評和非專業(yè)的短評對銷量影響的差異。

2.1在線評論數(shù)量

評論數(shù)量在一定程度上顯示了評論中所包含信息內(nèi)容的總量[20]，大量的研究都發(fā)現(xiàn)評論數(shù)量與消費者行為和產(chǎn)品市場表現(xiàn)有顯著關系[21-23]。對于在線評論的數(shù)量與消費者總體購買行為或市場產(chǎn)出的關系，其受到重視的原因是在線評論數(shù)量能反映口碑的知曉效應，評論數(shù)量越多，說明越多的消費者參與到對一個產(chǎn)品的評價討論中，也反映了消費者對該產(chǎn)品討論的熱度，這會引起潛在消費者更加關注該商品，并且可能進一步產(chǎn)生從眾心理和行為，最終引起購買行為[24]，如杜學美等研究表明在線評論數(shù)量越多，消費者的購買意愿越強[25]。并且許多關于在線電影評論對票房影響的研究都支持評論數(shù)量與銷量的正相關，如Duan Wenjing等[26]通過分析Yahoo網(wǎng)站上每天的消費者評論信息，發(fā)現(xiàn)評論數(shù)量對電影的票房收入有顯著影響。Rui Huaxia等[27]則利用twitter中信息推送的方式直接測量接受到評論信息的人數(shù)，發(fā)現(xiàn)評論數(shù)量對于電影票房收入有很強的解釋力度。本文選取滯后一天的評論數(shù)量作為測量指標，這可以有效避免反向因果的問題，也更加符合實際情況，因為前往影院觀看電影的行為大多是發(fā)生在前一天消費者閱讀評論之后，口碑的影響具有滯后性[14]，因此做出如下假設：

H1：滯后一天的在線電影評論數(shù)量對票房有顯著的正向影響

H1a：滯后一天的影評數(shù)量對電影票房具有顯著的正向影響

H1b：滯后一天的短評數(shù)量對電影票房具有顯著的正向影響

2.2在線評論極端性

評論的情感傾向同樣受到許多學者的關注，它反映了口碑的勸說作用[28]。評論的情感傾向是消費者對產(chǎn)品的態(tài)度表明，從產(chǎn)品已使用者的角度反映了商品質(zhì)量的好壞，而評論閱覽者會根據(jù)產(chǎn)品已使用者的口碑評價對產(chǎn)品質(zhì)量做出判斷，進而決定是否購買。在線電影評論的情感傾向作為一個重要的維度已經(jīng)被許多學者考察過，有些學者研究表明評論情感傾向?qū)ζ狈繜o顯著影響[11,18]，而郝媛媛等[16]以電影作為研究對象，發(fā)現(xiàn)影評中蘊含的不同的情感傾向會對電影的票房產(chǎn)生不同的影響；此外，不同的情感等級在影響的效果上也存在著差異。目前大部分學者的研究集中在評論的極端性上，如Dellarocas等[29]在電影的在線評論研究中發(fā)現(xiàn)，人們會把注意力更多的放在極端評論而非中間評論，因為對產(chǎn)品極端正向或負向的體驗更容易引發(fā)口碑交流行為。Ghose和Ipeirotis[30]針對體驗型商品和搜索型商品進行分別研究，結果表明對體驗型產(chǎn)品來說，極端評論更有用。同樣，江曉東[31]的研究也表明產(chǎn)品類型在評分極端性對感知有用性的影響中起到調(diào)節(jié)作用，相比于搜索型產(chǎn)品，體驗型產(chǎn)品評分極端性對感知有用性的正向影響更強。這是由于針對體驗型商品，人們將更多的注意力給予極端評論，使得極端評論表達的極端情感更容易引起用戶共鳴[17]。在線電影評論極端性與銷量的關系則很少被考察，一些學者以其他產(chǎn)品做了相關研究，得出正負情感方差顯著影響銷量的結論[32-33]?；诳诒绊懙臏笮?，本文以滯后一天的評論情感傾向方差作為評論極端性的測量指標，作出如下假設：

H2：滯后一天的評論極端性對票房具有顯著的正向影響

H2a：滯后一天的影評極端性對票房具有顯著的正向影響

H2b：滯后一天的短評極端性對票房具有顯著的正向影響

2.3影評與短評

評論者發(fā)布信息的長度，從一定程度上反映了評論者對該產(chǎn)品的了解詳細程度和對發(fā)布此條評論信息的重視程度。一般認為高質(zhì)量的評論包含明確的觀點、具體的事例、詳細的信息等[34]，而信息所包含的內(nèi)容越廣泛、越好，消費者越容易感到滿意，對消費者更有用，影響也就越大。Mudambi和Schuff[35]的研究指出較長的在線評論可能會刺激閱讀者進行瀏覽，加深或改變原有感知，提高對商品或服務的認知度，抵消用戶的不確定性。Ghose等人[30]研究初始語氣評論平均句子越長，評論的可讀性越差，閱讀評論的認知成本越高，從而導致評論的有用性降低，結果卻得出相反的結論，即評論句子越長，評論的有用性越高。另外，內(nèi)容豐富的評論還會影響消費者的感知可信度，可以增加信息的可認知性，尤其對那些取得這些信息無需成本的消費者來說更加有利，如Hyunmi等人[36]通過對亞馬遜評論數(shù)據(jù)的分析，驗證了字符總數(shù)會對評論質(zhì)量造成影響，進而影響消費者對評論的信任程度。Tversk[37]的研究也表明，掌握更多的信息會增強消費者在進行決策時的信心，并有學者基于手機銷售數(shù)據(jù)，分析得出評論長度對產(chǎn)品銷量有顯著正向影響[38]。影評的深度和廣度均高于短評，所以，本文認為影評和短評對票房收入的影響模式會有區(qū)別，因此提出如下假設：

H3：影評較短評對票房的影響力較影評更大

H3a: 影評數(shù)量對票房的影響力較短評數(shù)量更大

H3b：影評極端性對票房的影響力較短評極端性更大

2.4在線電影評論對銷量影響的動態(tài)性

在對在線電影評論的許多研究中，時間是一個重要的影響因素，早期的消費者對電影處于熱度較高的階段，會產(chǎn)生大量的口碑傳播行為，但隨著時間的推薦，消費者的熱度減淡，慢慢停止了口碑傳播行為，傳播速度逐漸下降，傳播影響不斷減弱，就無法刺激潛在消費者去消費，有的學者研究了相機這一產(chǎn)品，證實了在線評論的影響力隨著時間而降低[8]，一些關于在線電影評論的研究也揭示了電影發(fā)布之后在線評論對票房的影響基本呈逐漸減弱的趨勢[11,39]。因此，我們提出以下假設：

H4：上映天數(shù)對票房收入有顯著的負向影響

在本研究中，我們想要探討影評和短評對銷量影響的不同模式，將在線評論分成了影評和短評兩部分。之前關于在線電影評論對票房影響的研究中，在線電影評論主要包括了評論數(shù)量、評論情感傾向、評論極端性三個解釋變量，由于評論情感傾向被許多學者證實對票房收入無顯著影響，因此不被納入本模型中。圖 1顯示了本研究的研究模型， 除了一些核心變量外，一些研究也指出了與票房收入相關的重要變量，如放映場次，它反映了觀眾對電影的實際可獲得性，與票房收入呈現(xiàn)顯著的正相關關系[11]；另外，是否節(jié)假日也會顯著影響電影的票房收入，有的學者觀察票房每日變動情況發(fā)現(xiàn)周末票房會達到一個局部的高峰，本文認為假日效應會影響電影的票房收入，為了提高對票房收入的解釋力，需將這些重要的變量納入模型中。

圖1 影評和短評對票房影響的動態(tài)比較模型

基于上述所建模型，本研究建立公式(1)所示的初始面板數(shù)據(jù)線性回歸方程。各變量的解釋如表 1。其中參考多數(shù)研究文獻的做法，本研究對模型中的連續(xù)型變量采用自然對數(shù)的形式，這不僅與多階段消費者決策過程的相關理論模型相符合，還可以平滑模型中變量的分布，使變量間關系趨于線性化。另外，模型中引入固定效應αi來捕捉模型中所有未被包含但對票房有影響的非時變因素在不同電影間的變異(如明星影響力、電影類型、電影預算等)，通過固定效應來控制截面變異是面板數(shù)據(jù)模型對于截面數(shù)據(jù)模型的一大優(yōu)勢所在。

LNBoxofficei,t=Coust+αi+β1LNReviewnumi,t+β2LNCommentnumi,t+β3LNReviewnvari,t+β4LNCommentvari,t+β5LNScreeni,t+β6LNAget+β7LNHolidayi,t+εi,t

(1)

表1 模型中各變量的解釋說明

3 實證結果與分析

3.1數(shù)據(jù)獲取

在線評論的數(shù)據(jù)是從國內(nèi)最大的電影分享與評論社區(qū)豆瓣電影網(wǎng)站收集(http://movie.douban.com)，它作為電影一個很好的在線評論來源有如下原因：首先，它是最流行的電影網(wǎng)站之一；其次，網(wǎng)站的結構設計精心，

因此，查找和收集信息相對簡單，從而減少了數(shù)據(jù)收集過程中出現(xiàn)錯誤的可能性；最后，在線評論在其發(fā)布當日就以時間被記錄，因此也可以按照時間進行索引，易于筆者跟蹤監(jiān)測到電影運營期特定的在線評論歸屬。

鑒于Duan 在電影行業(yè)口碑對票房影響的研究中指出，每天特別是電影首映周中每天的票房收入和在線評論數(shù)量的波動均較大，以天為時間單位分析影響關系較為合理，本研究選取了豆瓣電影排行榜中2013年上映的67部電影，以天為時間節(jié)點收集每部電影上映8周(56天)的在線評論[18]。其他數(shù)據(jù)來自其他渠道，每天的票房收入和放映場次主要是從網(wǎng)票網(wǎng)的獲取數(shù)據(jù)，網(wǎng)票網(wǎng)是國內(nèi)最專業(yè)的電影票網(wǎng)購，覆蓋全國40多個城市，由于真實票房難以獲取，我們認為網(wǎng)票網(wǎng)的票房具有代替真實票房的能力。除去關于相關變量沒有可靠信息的電影后，最終的數(shù)據(jù)集包含43部電影，有614982條在線評論，其中影評10233條，短評604749條。表 2提供了樣本的基本匯總數(shù)據(jù)統(tǒng)計，前五周的票房占據(jù)了電影總票房收入的90%以上，因此本文重點考察電影上映后前五周(35天)的在線評論及電影票房。剔除一些無法獲取有效數(shù)據(jù)的樣本，最后得到容量為1505(43個截面成員*35個觀測點)的非平衡面板數(shù)據(jù)。

表2 各變量的描述性統(tǒng)計

3.2在線電影評論的動態(tài)特征

每條在線電影評論都是有時間標簽的，因此很容易通過網(wǎng)站爬取的數(shù)據(jù)跟蹤分析在線電影評論的動態(tài)特征，不同時間段電影的在線評論會呈現(xiàn)不同的狀況。同時隨著時間的推移，還會發(fā)生相應的變化。

圖 2解釋了在線評論的數(shù)量隨著時間的推移而變化的情況。下圖主要描述了樣本為43部電影的影評數(shù)量和短評數(shù)量總和的變化情況。從折線圖情況可以看出電影在在線評論在首映周最為活躍，然后逐漸減小，影評和短評具有相同的模式。大多數(shù)電影在首映周會達到最大的在線評論的量，平均每部電影191條影評發(fā)布，9768.40條短評發(fā)布。第二周影評數(shù)量以56.36%的幅度降低，短評數(shù)量以40.37%的幅度下降。從第三周開始，評論數(shù)量持續(xù)下降，但下降幅度有所降低，進入平緩下降階段，這說明電影在第三周開始過了熱映期。第四周電影評論數(shù)量趨于穩(wěn)定。具體情況如下圖所示。

圖2 影評數(shù)量與短評數(shù)量的動態(tài)變化

圖3解釋了在線電影評論極端性隨著時間的推移而變化的情況。影評極端性變化較大，而短評極端性則較為平穩(wěn)，變化不大。從折線圖的情況可看出，短評方差一直處于較高水平，每一周的方差值均高于影評方差值，可見，短評的討論比影評更為激烈，爭議更大，影評在后期討論的激烈程度淡化。這一現(xiàn)象可以解釋為短評較為隨意且簡潔，用戶不需要花大量時間來編輯即可發(fā)布，所以很容易用戶之間產(chǎn)生較為激烈的爭論。影評需要用戶仔細思考后才會撰寫，在電影上映的前兩周消費者表達的意愿較為強烈，所以影評還能保持著激烈的討論，但隨著上映時間推移，關于電影的高質(zhì)量討論會越來越弱化，所以影評的極端性在后期降幅較大。具體情況如下圖所示。

圖3 評論極端性的動態(tài)變化

3.3短評與影評對票房影響的比較研究

為了考察影評、短評對票房的影響，需要對電影上映后各周影評數(shù)量、短評數(shù)量、影評極端性、短評極端性的影響以及這些影響在各周的變化情況分別進行估計。本研究所分析的數(shù)據(jù)屬于一組面板數(shù)據(jù)，并且是由樣本結果對總體進行分析，因此先選用隨機效應模型作為面板數(shù)據(jù)模型，再利用Hausman檢驗驗證固定效應和隨機效應模型何者更適合。鑒于各自變量間可能存在影響不顯著或多重共線性，本文采用面板數(shù)據(jù)的廣義最小二乘法來估計參數(shù)，在建模過程中先單獨輸入各自變量，檢查單獨的影響效應，如果單獨影響效應顯著，再采用逐步回歸方法引入影響顯著的變量。解釋變量之間多重共線性情況及對票房影響的顯著情況在各周有所不同，因此采用逐步回歸法建立的各周的模型也有所差異[16]?；谇笆鏊鶚嫿ǖ某跏济姘鍞?shù)據(jù)線性回歸模型，通過網(wǎng)頁抓取收集到的43個樣本電影面板數(shù)據(jù)，并采用Eviews7對模型進行估計，得到結果如表 3所示。其中，第五周通過回歸檢驗發(fā)現(xiàn)，短評極端性和短評數(shù)量存在較高相關性，并且單獨引入短評極端性和短評數(shù)量時均影響顯著，同時引入時發(fā)現(xiàn)短評數(shù)量變?yōu)椴伙@著，但由于調(diào)整R2變動不大，可忽略第五周模型存在的多重共線性問題，因此需要將兩個自變量單獨納入模型中進行估計(見表 3模型5-1和模型5-2)。各模型F檢驗均拒絕原假設，各模型的調(diào)整R2較高(0.742-0.875)說明各模型整體擬合情況較好。

由電影上映各周模型的參數(shù)估計結果可發(fā)現(xiàn)，影評數(shù)量對票房的影響不顯著，這一結果否定了H1a，這是因為影評需要消費者更多的時間和精力進行編輯，每天產(chǎn)生的影評很少，影評數(shù)量本身在時間上的變化也就不明顯，影評數(shù)量的變化刺激達不到一個行為反應所需要的最小刺激強度，既刺激閾值，低于閾值的刺激不能導致行為釋放。其次，短評數(shù)量對票房的影響呈倒U形變化，首映周就有較強的正向影響(0.243)，第二周影響繼續(xù)擴大(0.481)，隨后影響逐周減弱(支持了假設H1b)。這一結果與目前大多數(shù)評論數(shù)量對票房收入影響的研究結果一致[12,14]。由結果可見，只有短評數(shù)量對票房有著正向的影響，而影評數(shù)量無影響，這一結果否定了假設H3a。該結果原因在于短評數(shù)量在在線電影評論數(shù)量中占據(jù)絕大部分比例，可以反應口碑的知曉作用，它的擴散比影評更加快，提升了消費者的認知度。其次，消費者偏好在電影理論生命周期的早期呈現(xiàn)差別，早期消費者(在首映周)對電影懷有極大的興趣(例如他們是某位明星、導演等的粉絲)，這一部分自我選擇的消費者可供參考的口碑信息很少，并且其他人的意見對他們沒有太大的影響，然而，之后的消費者大多是被口碑信息所驅(qū)使的，因此短評數(shù)量在第二周的影響會增加[40]。最后，隨著時間的推移，電影宣傳力度和最初對電影的熱度在逐漸減弱，同時早期消費者的熱度減淡使其逐漸停止口碑傳播行為，而與早期消費者相比，仍未觀看電影的潛在消費者又屬于較為理性的潛在消費者，因此傳播速度逐漸下降，傳播影響不斷減弱的情況下，必然會產(chǎn)生短評數(shù)量對潛在消費者的影響減弱的趨勢[11]。

表3 電影發(fā)布五周內(nèi)各模型參數(shù)估計結果

注：**表示0.05水平顯著；***表示0.01水平顯著；‘-’表示相應自變量未納入到模型。

影評極端性從首映周起就對票房有顯著的正向影響(0.123)，隨后呈減弱的趨勢，第四、五周則沒有顯著的影響(支持了假設H2a)。短評極端性從首映周起，對票房有顯著的正向影響(0.224)，第二周的影響大幅下降(0.155)，與影評極端性的影響模式一樣，隨后幾周逐周減弱(支持了假設H2b)。由結果可見，無論是影評還是短評的極端性對票房有著正向的影響，且短評在每周的影響都要比影評大，這一結果否定了假設H3b。極端性越大，說明消費者對電影持有的意見分歧越大，對電影討論的激烈程度也越大，部分潛在消費者會對這種分歧產(chǎn)生興趣，于是決定去通過自己的親身體驗來驗證這種分歧。

對比短評和影評，可以發(fā)現(xiàn)二者對票房的影響模式有差異，短評數(shù)量有影響而影評數(shù)量無影響，短評極端性的影響大于影評極端性，且短評極端性的影響效應延伸至第五周，影評極端性的影響效應在第三周就終止了。可見消費者更多的會關注短評而非影評，該結果與感知理論不符，且與早先的研究結果不符。著名的弗萊施公式也指出句子越短，字數(shù)越少，可讀性越大，我們認為具備較長的平均詞長和句長的評論會消耗用戶更多的時間和精力，導致用戶不愿閱讀，所以影評的影響力弱于短評。

另外，評論的數(shù)量和極端性對票房的影響都會隨著時間的變化，并且是逐漸減弱的變化。早期消費者度對電影熱情高漲，會產(chǎn)生大量的口碑傳播，但隨著時間的推移，消費者熱度下降，逐漸減少口碑傳播行為，使得在線評論對票房的影響沒有早期強。

對假設結果的總結如下：

表4 假設結果匯總

4 結語

本文研究的目的是希望通過結合國內(nèi)評論網(wǎng)站的新特點的實證研究，擴充在線評論對票房影響的模型，豐富在線評論對銷量影響的研究，并能夠給在線電影評論網(wǎng)站以及電影出品方提供有針對的可行性營銷建議。首先，電影上映的最初階段做好宣傳推廣工作，鼓勵消費者多發(fā)表短評。在電影上映的最初階段，短評數(shù)量的影響較大，因此，在電影發(fā)布的前兩周應該進行大力的宣傳，在各類社交媒體或各種平臺上發(fā)動相應話題，促進消費者之間簡短的口碑交流，充分發(fā)揮在線短評的知曉作用，使得電影票房得到快速增長；其次，電影出品方重點關注和跟蹤在線評論的情感傾向。雖然許多研究證實了在線電影評論的情感傾向?qū)ζ狈繘]有顯著影響，但是評論的極端性卻能票房產(chǎn)生影響。這些發(fā)現(xiàn)要求影院管理人員對口碑傳遞的觀察與反應，尤其是在電影上映后的前三周內(nèi)需同時監(jiān)測影評和短評的極端性，第四、第五周時段重點關注短評的極端性，管理人員的監(jiān)測與反饋對調(diào)整電影的市場宣傳營銷策略或電影的生命周期策略有著重要的作用。

本研究也有一定的局限性：第一，社會科學研究中很多變量是無法捕獲的，僅僅追蹤影評和短評的數(shù)量與極端性信息是不夠的，還有許多其他屬性難以納入模型，現(xiàn)有的模型更多是依賴于網(wǎng)站已提供的信息，對于那些獲取不到的信息，研究者很少思考它們是否應該進入模型；第二，本文僅對電影這類體驗型產(chǎn)品的在線評論進行研究，結論是否可以推廣到其他產(chǎn)品還有待驗證。未來的研究者可對不同的研究對象做進一步的研究，納入新的研究變量，豐富在線評論與銷量的研究。

[1] 殷國鵬. 消費者認為怎樣的在線評論更有用？社會性因素的影響效應[J]. 管理世界, 2012，(12):115-124.

[2] Lee E，Shin S Y． When do consumers buy online product reviews? Effects of review quality，product type，and reviewer’s photo[J]. Computers in Human Behavior, 2014, 31(1):356-366.

[3] 楊銘,祁巍,閆相斌．在線商品評論的效用分析研究[J].管理科學學報,2012,15(5):65-75.

[4] 廖俊云,黃敏學.基于酒店銷售的在線產(chǎn)品評論、品牌與產(chǎn)品銷量實證研究[J].管理學報,2016,13(1):122-130.

[5] Korfiatis N, García-Bariocanal E, Evaluating content quality and helpfulness of online product reviews: The interplay of review helpfulness vs. review content [J]. Electronic Commerce Research and Applications, 2012，(11):205-217.

[6] Cui Geng,Lui H K,Guo Xiaoning.The effect of online consumer reviews on new product sales[J]. International Journal of Electronic Commerce, 2012, 17(1):39-57.

[7] Ho-Dac N N, Carson S J, Moore M L.The effects of positive and negative online customer reviews: Do brand strength and category maturity matter? [J]. Journal of Marketing, 2013, 77(6):37-53.

[8] Chen Yubo, Wang Qi, Xie Jinhong. Online social interactions: A natural experiment on word of mouth versus observational learning [J]. Journal of Marketing Research, 2011, 48(4):238-254.

[9] 方佳明, 王鈺瑩,趙志榮.不同產(chǎn)品品牌聲譽對在線評論有用性影響因素的調(diào)節(jié)效應[J].軟科學,2016,30(3):108-112.

[10] Cheema A, Papatla P. Relative importance of online versus offline information for Internet Purchases: Product category and Internet experience effects [J].Journal of Business Research, 2010，63(9-10):979-985.

[11] Liu Yong. Word of mouth for movies: Its dynamics and impact on box office revenue [J]. Journal of Marketing, 2006, 70(7):74-89

[12] Chevalier J A, Mayzlin D. The effect of word of mouth on sales: Online book reviews [J]. Journal of marketing research, 2006, 43(3): 345-354.

[13] Scholz M, Dorner V. The recipe for the perfect review? An investigation into the determinants of review helpfulness [J]. Business & Information Systems Engineering, 2013, 5(3):141-151.

[14] Chen Yubo, Liu Yong, Zhang Jurui. When do third-party product reviews affect firm value and what can firms do? The case of media critics and professional movie reviews [J]. Journal of Marketing, 2011, 75: 116-134.

[15] Weathers D, Swain S D, Grover V. Can online product reviews be more helpful? Examining characteristics of information content by product type [J]. Decision Support Systems, 2015, 79:12-23.

[16] 郝媛媛,鄒鵬,李一軍,等. 基于電影面板數(shù)據(jù)的在線評論情感傾向?qū)︿N售收入影響的實證研究[J]. 管理評論,2009,21(10):95-103.

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

[18] Duan Wenjing, Gu Bin, Whinston A B, The dynamics of online word-of-mouth and product sales—An empirical investigation of the movie industry [J]. Journal of Retailing, 2008，84(2): 233-242.

[19] Jiménez F R, Mendoza N A. Too popular to ignore: The influence of online reviews on purchase intentions of search and experience products [J]. Journal of Interactive Marketing, 2013, 27(3):226-235.

[20] Park D, Kim S. The effects of consumer knowledge on message processing of electronic word-of-mouth via online consumer reviews [J]. Electronic Commerce Research and Applications, 2008, 7(4): 399-410.

[21] Van D B C, Lilien G L. Medical innovation revisited: Social contagion versus marketing effort [J]. American Journal of Sociology, 2001, 106(5):1409-1435.

[22] Bowman D, Narayandas D. Managing customer-initiated contacts with manufacturers: The impact on share of category requirements and word-of-mouth behavior [J]. Journal of Marketing Research, 2001, 38 (3):281-297.

[23] 龔詩陽,劉霞,趙平.線上消費者評論如何影響產(chǎn)品銷量——基于在線圖書評論的實證研究[J].中國軟科學,2013,(6):171-183.

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

[25] 杜學美,丁璟妤,謝志鴻,等.在線評論對消費者購買意愿的影響研究[J].管理評論,2016,28(3):173-183.

[26] 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.

[27] Rui Huaxia, Liu Yizao, Whinston A B. Chatter matters: How twitter can open the black box of online word-of-mouth [A]// ICIS 2004 proceedings. Saint Louis, Missouri: ICIS Press, 2010.

[28] Racherla P, Mandviwalla M, Connolly D J. Factors affecting consumers' trust in online product reviews [J]. Journal of Consumer Behaviour, 2012, 11(2): 94-104.

[29] 郝媛媛,葉強,李一軍. 基于影評數(shù)據(jù)的在線評論有用性影響因素研究[J]. 管理科學學報,2010,13(8):78-88.

[30] Ghose A, Ipeirotis PG. Designing ranking systems for consumer reviews: The impact of review subjectivity on product sales and review quality[C]//Proceeding of the ninth international conference on electronic commerce, 2007.

[31] 江曉東.什么樣的產(chǎn)品評論最有用？—在線評論數(shù)量特征和文本特征對其有用性的影響研究[J].外國經(jīng)濟與管理，2015,37(4):41-56.

[32] Clemons E K, Gao Guodong, Hitt L M. When online reviews meet hyper differentiation: A study of the craft beer industry [J]. Journal of Management Information Systems, 2006, 23(2): 149-171.

[33] Ye Qiang, Law R, Gu Bin, et al. The influence of user-generated content on traveler behavior: An empirical investigation on the effects of E-WOM to hotel online bookings [J]. Computers in Human Behavior, 2011，27(2): 634-639.

[34] 周梅華,李佩镅,牟宇鵬. 在線評論對消費者購買意愿的影響——心理距離的中介作用[J]. 軟科學,2015,29(1):101-104.

[35] Mudambi S, Schuff D. What makes a helpful online review? A study of customer reviews on Amazon.com [J]. MIS Quarterly, 2010, 34(1):185-200.

[36] Hyunmi B, Joong H A, Youngseok C. Helpfulness of online consumer reviews: Readers’objectives and review cues [J]. International Journal of Electronic Commerce, 2012, 17(2):99-126.

[37] Tversky A, Kahneman D. Judgment under uncertainty: Heuristics and biases [J]. Science, 1974, 185(4157):1124-1131.

[38] 王君珺,閆強.不同熱度搜索型產(chǎn)品的在線評論對銷量影響的實證研究[J].中國管理科學,2013,21(S1):406-411.

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

[40] Li Xinxin, Hitt L M. Self-selection and informatiyon role of online product reviews [J]. Information Systems Research, 2008, 19(4):456-474.

ComparingtheEffectsofOnlineReviewsandOnlineCommentsonBox-officeIncomes

SHIWen-huaZHONGBi-yuanZHANGQi

(School of Economics and Management， Beijing University of Posts and Telecommunications, Beijing 100876, China)

Online reviews have been hot issues of researches in recent years. With the wealth of information carrier, the form of online reviews is more and more diversified. Nowadays the data source of research on online reviews mainly has two types: third-party product reviews and non-professional comment. However, there is little study about comparing the differences between two types of online reviews. In this article, the online movie review is divided into long review and short comment. Firstly, based on the review of literature, a conceptual framework is proposed to examine the impact of movie reviews on box-office. Then the online reviews data is collected from Douban movie Web site. The effects of review and comment on box-office incomes based on panel data are compared. The results show that review volume has no significant impact on box-office. Furthermore，the effect of comment volume weakened by week after reaching a peak. Besides，the influence of review valence variance doesnit exist until third week, but the comment valence variance continues to fifth week. Whether in volume or valence variance, comment has great influence on sales than review. The result indicates that the comment playas more important role in online movie reviews. This study is not only helyful for the further research of the impact of reviews on sales, but also optimizethes marketing strategies for movie producer and movie review site.

1003-207(2017)10-0162-09

10.16381/j.cnki.issn1003-207x.2017.10.017

F49

A

2016-02-21；

2016-06-29

國家自然科學基金資助項目(71371034,71372194)

石文華(1976-)，男(漢族)，江蘇江州人， 北京郵電大學經(jīng)濟管理學院副教授，研究方向：在線評論，E-mail:ebiz@bupt.edu.cn.

Keywords： online reviews; volume; extremity；box-office