品牌声誉对农产品网络销售的调节影响

郭敏　周雅欣

摘要：抓取京东商城中10 223条长米产品的在线评论作为数据，研究在线顾客评论（OCRs）对产品销量影响，并探究品牌声誉对产品销量的调节，构建出长米销量的影响模型并通过实际爬虫数据进行验证。结果表明，在高品牌声誉产品下，品牌对评论极性的调节作用更为显著，而在低品牌声誉产品下，品牌对产品属性高频词的调节作用更加显著。研究为农产品网络销售和在线顾客评论处理提供了理论基础及方法，企业和电商平台针对不同品牌与不同发展进程需要制定具有差异化的产品销售策略。

关键词：评论特征;品牌声誉;农产品销量;调节效应

中图分类号：F323         文献标识码：A

文章编号：0439-8114（2020）05-0152-05

Abstract： Based on the survey data of 10 223 reviews on long-grain rice in Jingdong Mall， the effects of online custom reviews（OCRs） on product sales were analyzed. A factor model of long rice sales were set up to study the effects of brand reputation on product sales and verified by the actual crawler data. The results showed that the brand with high reputation had more significant regulating effect on the comments polarity， while the brand with low reputation had more significant regulating effect on the high-frequency words of product attributes. It provides a theoretical basis and method for online sales of agricultural products and online customer comment processing. It suggested that enterprises and e-commerce platforms need to develop differentiated strategies of product sales according to the brand and development process.

Key words： comment characteristics; brand reputation; agricultural products sales; regulatory effect

隨着互联网思维进一步扩展，互联网与各个传统行业的运营方式在解决产品的销售、推广、运营思路上不断融合，通过互联网平台获得价值交换与利益最大化。与此同时，依靠农业电子商务的发展，各地农产品的网络销售量越来越大，与实体店面不同的是，农产品电子商务平台除了商品详情处的大量图片以及文字介绍，还能提供给消费者更加丰富的评论信息，其中，在线评论系统已成为消费者在电子商务网站中购物决策的一个重要影响因素。

农产品的线上网络销售是解决“三农”问题十分有效的对策。在大数据环境下，需要推动中国农业经济的现代化信息建设，从网络平台建设、资金投入、网络销售服务体系出发，解决当前面临的问题，为农业商品网络销售找到一条适合发展的道路，以加快中国农业和农村的发展。分析国内外相关研究文献，发现现有文献多数停留在构建行业机制、“互联网+”视角下农业电商的创新创业、改善电子商务服务网站环境等方面，而针对电商网站农产品具体销售的研究文献不多，本研究参考了前人研究的细化产品类型部分，同时将品牌声誉纳入研究范围内，探究品牌如何调节消费者决策。基于农产品在线评论特征，细化研究品牌声誉、在线评论与销量三者之间的影响关系，为企业如何在品牌定位以及网络店铺评论系统设计提供参考。

国内外学者都对在线评论系统进行了一系列研究，其中主要基于研究评论特征方面，从评论星级、评论长度、评论极性、评论质量等评论内容特征入手，研究上述变量对消费者购买决策时产生的影响作用[1-3]。除此之外，刘景方等[4]在面对大量评论信息时，研究得出增加用户评论系统的标签摘要有利于简化消费者了解商品详情的过程。林爽等[5]又提出图片和文字叠加后，仅对消费者在决策感官型产品时有显著帮助，甚至能够促进消费者冲动型购买，而非感官型产品中提供的图片评论和文字评论无明显区别。

消费者在电子商务网站浏览农产品时，尽管很依赖于商品的在线评论来判断商品的质量，但同时农产品的品牌声誉也成为反映产品质量情况的关键因素[6]。消费者初次接触某种农产品，除一些知名度高的品牌外，由于无法辨别农产品品牌之间的明显区别，此时产品在线评论可以帮助其快速了解产品特征，使消费者第一时间对产品品牌声誉做出初步判断[7]。

品牌声誉的形成，一部分是由顾客评价定义的，代表消费者了解产品后对品牌的总体认知情况[8]。关于在线品牌研究，刘伟等[9]认为在线商品品牌是消费者与在线品牌商品接触时的主观认识和情感体验。韩心瑜等[10]发现品牌关系与其他因素（品牌满意度、品牌参与度）不同，这种关系一旦形成，随着消费者与品牌间的互动频率和关注时间的增加，品牌关系越来越稳固，且不会轻易被复制。

1  研究假设

1.1  品牌声誉的调节效应

方佳明等[11]阐述了品牌声誉对消费者购买行为有显著影响，如果消费者面对一个品牌声誉较高的产品，会增强对该产品的购买信心。在品牌信号理论中，消费者在未知的产品质量与性能中可能存在购买风险[12]。消费者在对信息掌握不全面的产品进行购物决策时，若通过查看商品评论后对产品持有过高的期望，在消费者初次使用产品后，可能会对该产品的品牌声誉产生过于极端的认识。所以要加大对产品特征的全面描述，帮助消费者进行选择，而不是由消费者主观从评论中抓取产品的品牌特点来进行选择。本研究通过CNPP品牌网站提供的行业著名企业名录作为高声誉稻米品牌，将市场内不具有高声誉的企业品牌作为低声誉品牌。

1.2  產品价格和产品销量

在网络购物环境下，定价成为消费者在选购农产品时对产品产生的感知价值[13]。现有的研究主要从产品价格的影响因素、产品定价权和产品定价策略等方面进行。其中在价格的影响因素方面，巫国义[14]认为定价的影响因素除了成本、定价权和品牌保护外，还包括市场需求与市场竞争等因素。所以对于高价的农产品，消费者关注点更多，除了产品质量，销售服务、产品包装等都直接影响消费者的满意度，故当消费者面对定价低的农产品时，包容度相对要好。王林等[15]认为在网上购物时，消费者第一时间会对价格和产品细节进行了解，如果产品提供的条件线索符合消费者的要求，会使消费者产生欢喜情感，直接影响消费者对产品的接受和依赖。

因此，在研究中提出如下假设：

H1，产品价格会显著影响农产品销量。

1.3  不同品牌声誉下，评论数量和产品销量

评论数量的增加最能直接反映出这段时间产品的销量增多。在已有的农产品网络销售研究中，一个品牌如何成为经久不衰的行业品牌标杆，一部分形成于消费者的潜意识，其中高度关注是树立品牌标杆的主要因素。在线评论数量多的农产品能反映出消费者对此品牌关注度较高，消费者对品牌了解加深并能促进农产品的销量[16]。蔡淑琴等[17]对手机的在线评论研究证明，参与评论人数越多，在线评论越能衡量出产品的影响力。评论数量对低卷入程度的消费者更有作用，所以没有精力投入观看在线评论内容的消费者可能更注重评论数量多的产品[18]。

因此，在研究中提出如下假设：

H2a，评论数量正向影响农产品销量。

H2b，高品牌声誉产品中，评论数量对农产品销量的影响减弱。

1.4  不同品牌声誉下，评论极性和产品销量

消费者对于评论信息的抓取来源于评论中的情感词，电子商务在线评论由于文本较短，语气内容都更贴近实际生活，消费者阅读评论获取信息时，不需要产生其他成本。在长度较长的产品评论中，往往评价对象和情感词同时出现，其中极性词出现的比例很高[19]。从信息诊断力观点理论看，中性评论意味着信息价值不高，无法影响其他消费者判断。蔡淑琴等[20]认为相较于正面和中性词，评论出现的负面词性，有时更能表现出一部分消费者想了解的准确信息。所以在品牌信誉低的产品中，消费者在对产品不确定时，评论的极端词信息量大更能体现出一定的准确性，Huang等[21]验证了这个结论。

通过百度云情感倾向分析功能，将文本中情感强度词类别赋予权重，给每一条在线评论打分。评论极性计算公式如下：

其中，w为百度云词典中提供的情感词强度，ki为每条评论中情感词的极性，n为每条评论中情感词出现的次数，Ei为评论打分值的期望。比较属于积极类别的概率与属于消极类别的概率，将每条评论情感极性最终取为0（负向），1（中性），2（正向）。

因此，在研究中提出如下假设：

H3a，极性词正向影响农产品销量。

H3b，高品牌声誉产品中，评论极性对农产品销量的影响更显著。

1.5  不同品牌声誉下，产品属性高频词和产品销量

产品属性词是描述产品每个方面特征的词汇，在农产品中总结为产品价格类、产品口味类、产品特殊词、包装外形类、产品物流服务类。通过Java语言引用Ansj工具实现中文分词，将下载的评论按照品牌进行分词统计，最后得出每个品牌的词频，提取出每个品牌的高频词，表1为每个分类中的部分高频词及其权重。

一个种类的高频词若出现次数多，说明消费者对该属性的评论描述越详尽，消费者对此类高频词更敏感，所以消费者会将该属性特征与产品的品牌关联度提高，这种类别属性的高频词就越对之后浏览产品消费者提供很大的参考价值。

产品属性高频词计算公式如下：

freqi为每条评论的属性高频词计算结果，wij为定义的i种产品评论属性高频词的权重，nip为第i个属性高频词分类出现的个数。

因此，在研究中提出如下假设：

H4a，产品属性高频词正向影响农产品销量。

H4b，高品牌声誉产品中，评论极性对农产品销量的影响变弱。

本研究的模型变量见表2，因变量为农产品销量，结合在线评论相关理论，自变量由产品因素和评论因素两个方面构成，用品牌强度和产品价格测量产品因素，用评论数量、评论极性和产品属性高频词测量评论因素，调节变量为品牌声誉，高品牌声誉赋值为1，低品牌声誉赋值为0。根据前文提出的假设，将品牌与评论数量、评论极性以及产品属性高频词产生的交互作用加入模型中。

2  实证分析

2.1  研究方法

通过抓包工具，抓取京东网（www.jd.com）中评论接口，从2018年11月1日到2019年3月31日，按5 kg规格和长米品种两个条件筛选出在线评论文本数据。为进一步研究品牌声誉的调节影响，需要分别选取高声誉和低声誉产品，其中高声誉品牌从CNPP品牌网站中获得。对于所有品牌抓取的数据进行筛选、清理，将无效数据剔除，最后得到52个品牌共计31 248条文本评论。根据前文变量的量化方法，统计出价格、评论数量、评论极性、产品属性高频词4个变量的量化结果，全部样本的描述性统计结果见表3。

2.2  结果与分析

通过将上述变量建立研究模型，因变量为产品销售情况，使用京东销量排名作为销售情况的衡量指标。研究证明，大多数产品ln（销售额）和ln（销售排名）的关系是线性关系，且它们之间的差异对线性模型的系数符号不会改变[22，23]。自变量为产品价格、评论数量、评论极性、产品属性高频词。为了减弱模型的共线性和异方差性，使研究结果更平稳，将所有数据取对数形式，目的是为压缩变量尺度。拟构建的回归方程如下：

Ln（Rank）=β0+β1ln（Pri）+β2ln（Num）+β3ln（Rating）+β4ln（Freq）+？着it   （1）

此模型以品牌声誉、产品价格、评论数量、评论极性和产品属性高频词为自变量对农产品销量进行回归分析，β0到β4为待估计参数，？着it为随机扰动项。选用 Stata12.0计量软件进行回归分析，结果见表4。此模型将高、低声誉品牌分开，结果发现主要选取的解释变量未全部显著，更说明高品牌声誉与低品牌声誉对数据结果有一定影响。所以进行下一步分析，加入品牌声誉这一调节变量（0～1表示品牌声誉），考虑调节效应后，建立如下模型。

Ln（Rank）=β0+β1ln（Pri）+β2ln（Num）+β3ln（Rationg）+β4ln（Freq）+β5BraStr+β6BraStr×ln（Pri）+β7BraStr×ln（Num）+β8BraStr×ln（Rationg）+β9BraStr×ln（Freq）+？着it   （2）

在网站排名中销售排名第一位是销售量最多的，则销售排名和销售量是反向关系。从不同品牌声誉的所有数据回归结果（表5）中可知，产品价格负向影响产品销售排名（β=0.204，P<0.05），假设H1成立。评论数量对产品销量影响不显著（β=0.147，P>0.05），假设H2a不成立。评论极性与产品属性高频词显著正向影响产品销量（β=0.241，β=1.041，P<0.05），假设H3a、H4a成立。R2用于检验模型的稳定性，由表5可知模型的拟合效果很好。

为说明品牌这一控制变量对长米销量的调节作用，继续进行交叉分析，发现品牌声誉×评论极性（P=0.001）存在显著的交叉作用且为正值，说明高声誉产品的评论极性对销量的影响更显著，假设H3b得到验证。另外由表4可见，在高声誉产品中，评论极性对产品销量影响并不显著，这说明品牌声誉在回归模型中会增强评论极性对产品销量的影响，这可能是由于正面评论与负面评论对消费者产生的声誉效应，使消费者形成“积极偏见”，对产品认知发生改变[24]。品牌声誉×产品属性高频词（P=0.001）存在显著的交叉作用且为负值，说明低品牌声誉产品的评论高频词对销量的影响更显著，假设H4b得到验证。但是由于品牌声誉對评论数量的调节作用不显著（P>0.05），假设H2b不成立。

为了使研究结果对假设验证更具可靠性，针对模型中涉及的内生性问题需要进一步考虑。本研究在去掉价格变量后，将评论数量、评论极性与产品属性高频词带入方程（2）进行回归，结果见表6。与表5相比，在线评论极性及产品属性高频词与品牌声誉的交互作用系数是显著的，而在线评论数量与品牌声誉的交互作用系数不显著。因此，在线顾客评论特征中，只有评论极性与产品属性高频词发挥作用。

3  政策建议

海量网上评论信息是消费者进行购买决策时的主要参考方式，然而庞大的信息量也同时降低消费者选择产品时的决策效率。以往文献主要独立研究评论类型和产品类型对产品销量的影响，而本研究的主要贡献是在评论类型与品牌强度之间的交互作用下建立模型，考察对产品销量的主调节作用，同时利用了京东商城稻米销售后顾客输入的真实评论数据进行验证。

本研究利用爬虫软件，获取了京东商城中长米品牌的评论，结合品牌效应的影响，构建了多元线性回归模型，通过研究得到以下政策建议：

第一，低品牌声誉管理者应该将在线评论内容作为最关键指标，正面评论对于消费者的决策更有帮助，有利于农产品的销售。管理者应该对于顾客正面评论采取引导策略，从评论中提取出产品关注度高的部分，再考虑投入广告宣传。线上销售与线下销售都具有帕累托曲线，但弱势品牌在线上销售更容易获得市场份额，能帮助弱势品牌树立品牌形象，提高销量。

第二，对于网站设计者，可以根据识别出的文本内容进行排序，将文字内容丰富的评论、极端评论等信息价值高的评论放置前端，使消费者更快速更准确地了解到产品信息。

同时本研究也存在一些局限，一是本研究只选取了京东商城的52种长米品牌作为研究对象，没有考虑其他购物网站，可能对结果有一定影响;二是建议在未来的研究中，可以更进一步量化评论中有参考价值的变量，如一定的产品销售时间内已购消费者进行追评，以及其他消费者浏览评论后对评论有用性进行的点赞量等，进而更加充分地得出哪些影响因素对产品销量更有影响。

参考文献：

[1] 胡志海，赵丹丹，张  义.在线评论对商品销售影响的实证研究[J].重庆工商大学学报（自然科学版），2015，32（12）：52-55.

[2] LEE S，CHOEH J. Predicting the helpfulness of online reviews using multilayer perceptron neural networks[J].Expert systems with applications，2014，41（6）：3041-3046.

[3] RISSELADA H，DE VRIES L，VERSTAPPEN M. The impact of social influence on the perceived helpfulness of online consumer reviews[J].European journal of marketing，2018，52（3）：619-636.

[4] 刘景方，李  嘉，张朋柱，等.用户评论标签摘要系统的有效性研究[J].系统管理学报，2016，25（4）：613-623.

[5] 林  爽，吕兴洋，宋慧林.一图胜千言？图片与文字在线评论对消费者购买意向的影响研究[J].商业经济与管理，2017（8）：59-68.

[6] 廖俊云，黄敏学，彭  捷.虚拟品牌社区成员社会化策略及其影响[J].南开管理评论，2016，19（5）：171-181，192.

[7] 李红柳，王兴元.在线用户评论对顾客价值创造的影响研究——基于对消费者价格决策的考量[J].价格理论与实践，2018（1）：150-153.

[8] 杨  雪.在线口碑对品牌社群关系质量的影响研究[J].管理现代化，2016，36（5）：91-93.

[9] 刘  伟，樊晓婷.在线品牌契合的前因和后果研究[J].软科学，2018，32（6）：125-128，144.

[10] 韩心瑜，张向达.在线品牌与消费者在线体验互动关系研究——基于在线品牌体验综合评价模型的分析[J].价格理论与实践，2018（7）：123-126.

[11] 方佳明，王钰莹，赵志荣.不同产品品牌声誉对在线评论有用性影响因素的调節效应[J].软科学，2016，30（3）：108-112.

[12] ERDEM T，JOFFRE S，ANA V. Brands as signals：A cross-country validation study[J].Journal of marketing，2006，70（1）：34-49.

[13] 胡志海，赵丹丹，张  义.在线评论对商品销售影响的实证研究[J].重庆工商大学学报（自然科学版），2015，32（12）：52-55.

[14] 巫国义.电子书定价策略评析[J].科技与出版，2014（10）：95-98.

[15] 王  林，曲如杰，赵  杨.基于评论信息的网购情景线索类型及其作用机制研究[J].管理评论，2015，27（4）：156-166.

[16] 李林红，李莲青，甯利平.网络口碑对农产品网络销量的影响研究——基于天猫超市北京地区新鲜水果的实证研究[J].昆明理工大学学报（自然科学版），2018，43（2）：121-127.

[17] 蔡淑琴，袁乾，周  鹏.基于社会网络关系的微博个性化推荐模型[J].情报学报，2014，33（5）：520-529.

[18] 李宗伟，张艳辉，栾东庆.哪些因素影响消费者的在线购买决策？——顾客感知价值的驱动作用[J].管理评论，2017，29（8）：136-146.

[19] 熊  乐，饶  泓.电商评论情感挖掘模型[J].南昌大学学报（理科版），2018，42（1）：88-94.

[20] 蔡淑琴，秦志勇，李翠萍，等.面向负面在线评论的情感强度对有用性的影响研究[J].管理评论，2017，29（2）：79-86.

[21] HUANG A，CHEN K，YEN D，et al. A study of factors that contribute to online review helpfulness[J].Computers in human behavior，2015（1）：17-27.

[22] CHEN C C，TSENG Y D. Quality evaluation of product reviews using an information quality frame-work[J].Decision support systems，2011，50（4）：755-768.

[23] 汪旭晖，张其林，杜  航.在线顾客评论对产品销量的影响：品牌强度和产品成熟度的调节作用[J].管理工程学报，2018，32（3）：9-18.

[24] PAN Y，ZHANG J Q. Born unequal：A study of the helpfulness of user-generated product reviews[J].Journal of retailing，2011，87（4）：598-612.