信息级联视角下网购产品排名...品类型和产品价格的调节作用_刘启华.pdf

第 35 卷第 1 期管理评论Vol.35,No.12023 年 1 月Management ReviewJan.,2023信息级联视角下网购产品排名对产品销量的影响:产品类型和产品价格的调节作用刘启华1 王 丽1 童泽林1 李一然2 张晓钰3(1.海南大学管理学院,海口 570228;2.浙江工业大学管理学院,杭州 310014;3.江西财经大学信息管理学院,南昌 330032)摘要:运用真实的线上产品数据,从信息级联视角分析产品排名对在线消费者购买行为的影响,并深入研究产品类型和产品价格的调节作用。研究发现,在控制网络效应和口碑效应的影响后,产品排名对产品销量有积极的影响。与购买搜索品相比,在线消费者在购买体验品时产品排名拥有更大的影响。与购买低价品相比,在线消费者在购买高价品时产品排名拥有更大的影响。而且,在线消费者购买高价体验品时产品排名的影响最大,低价体验品次之,高价搜索品再次之,低价搜索品最小。此外,研究表明,单独分析产品类型或产品价格的影响时,它们的调节作用都是显著的。但同时考虑两者的影响时,其交互作用和产品类型的调节作用都是显著的,产品价格的调节作用却消失了。关键词:产品排名;网络购物;信息级联;产品类型;产品价格收稿日期:2020-11-02基金项目:国家自然科学基金项目(71764006);海南省自然科学基金项目(720RC572);海南大学科研启动基金资助项目(kyqd(sk)1932);浙江工业大学科研启动基金项目(2021132001529)。作者简介:刘启华,海南大学管理学院教授,博士生导师,博士;王丽(通讯作者),海南大学管理学院硕士研究生;童泽林,海南大学管理学院教授,博士生导师,博士;李一然,浙江工业大学管理学院讲师,博士;张晓钰,江西财经大学信息管理学院硕士研究生。引 言随着网购用户规模和网络零售额的快速增长,各大电子商务网站的产品数量已经呈爆炸式增长。以淘宝网为例,每天的在线产品数已经超过了 8 亿件1。而且,网络购物平台上产品同质化比较严重,同一类型产品的商家和产品数量往往数以万计,在线消费者遇到比较严重的“信息过载”问题2。此外,在电子商务中,网购用户不能像传统线下购物用户那样去触摸和体验产品,从而导致其在制定购物决策的过程中往往存在不确定性3。为此,众多电子商务平台通过提供排名系统为在线消费者的购物决策提供辅助和支持。例如,在淘宝和天猫平台上,在线消费者通过导航栏、在检索框输入关键词或直接进入一家店铺,都可以看到产品排名结果。排名系统有助于在线消费者更快地找到匹配的产品从而降低搜索成本,进而对他们的购买决策可能产生影响4。当前,众多在线零售商已经开始使用诸如淘宝直通车等营销方法提高产品排名,希望能够获得更多的销量。甚至,“刷销量”“刷好评”等违法行为也屡见不鲜。但是,在网络购物中,产品排名的改进到底是否能够促进产品销量的提升呢?近年来,不少研究都对在线平台上产品排名与产品销量的关系进行了实证分析。但是,现有文献在研究产品排名的影响时,往往忽略了产品类型和产品价格可能存在的调节作用。实际上,众多在线零售商已经投入大量营销成本来提升产品排名。如果网络购物中产品排名对产品销量的影响会受到产品类型、产品价格或两者之间的交互作用的调节,那么在线零售商就应该采取差异化的营销策略,但现有文献尚未对此进行深入研究。因此,本文采集真实的线上产品数据,从信息级联视角分析产品排名对在线消费者购买行为的影响,并在此基础上进一步深入研究产品类型和产品价格的调节作用。本文的研究有助于进一步拓展和完善现有的在线消费者行为研究理论并对在线零售商和电子商务平台更好地开展网络营销提供实践指导。DOI:10.14120/11-5057/f.20211209.001第 1 期刘启华,等:信息级联视角下网购产品排名对产品销量的影响:产品类型和产品价格的调节作用175 文献回顾信息级联,也称为信息瀑布,其由 Bikhchandani 等5于 1992 年提出,描述了人们做决策时忽略自己的信息,跟随其他人选择的现象。众多研究发现,信息级联引发的群体一致行为在劳动力市场6、金融7,8、新闻传播9、旅游传播10、餐饮营销管理11、影视传播12等领域产生了重要影响。例如,Melissas7研究发现,信息级联可以减少搭便车行为,并提高公共产品的使用效率。Drehmann 等8通过实验法发现,在金融市场,灵活的市场价格可以防止投资者信息级联行为的产生。Cai 等11的田野实验结果表明,当餐厅向顾客提供最受欢迎的前五道菜的信息时,顾客对这五道菜的需求量和用餐满意度会显著增加。Lee 等12使用美国电影数据研究发现,在线用户对电影进行评分时受到先前用户评分的显著影响,表现出明显的信息级联效应。随着互联网的快速发展,在出现信息过载的同时,观察别人的决策结果也变得愈发容易。因此,在互联网环境下,在线用户容易出现信息级联行为13。近年来,众多文献从信息级联视角研究发现,软件下载13-16、P2P 网络借贷17、在线评分18、在线阅读19-21、移动阅读22、网络购物23-25和在线音乐社区26等领域中产品排名对在线消费者行为决策有显著影响,如表 1 所示。表 1 产品排名影响在线消费者行为决策的部分信息级联视角文献作者时间研究领域数据来源研究结论Duan 等132009软件下载CNET Download软件排名对在线用户的软件采纳有积极影响Onnela 和 Reed-Tsochas142010软件下载Facebook在软件排名达到阈值后,大量用户几乎是完全根据其他用户的行为来选择安装这个软件,表现出明显的信息级联效应Lee 和 Lee172012P2P 网络借贷Popfunding在 P2P 网络借贷平台上产品排名对贷款人行为决策有显著影响Gu 等182013在线评分亚马逊对于排名较高的产品,正面评论对销量具有更大的影响Liu 和 Zhang192014在线阅读新浪读书图书排名对电子图书点击量具有积极影响王秀昕等222015移动阅读基于 A/B Test的现场实验对于 TOP5 的图书列表,与不提示畅销信息的图书相比,提示畅销信息图书的访问量显著提升Liu 等232016网络购物天猫与搜索式商品相比,用户在购买体验式商品时信息级联效应更加突出Dewan 等262017在线音乐社区Hype Machine排名靠前的歌曲会更受在线用户青睐Liu 等202019在线阅读网易云阅读图书排名对电子图书点击量具有积极的影响,而且在线评分和推荐强度在影响排名高的电子图书的点击量上拥有替代关系Park 等152019软件下载CNET Download软件下载排名对软件的下载量具有积极的影响胡林枫和郑杰慧242019网络购物眼动实验与购买搜索式产品相比,在线消费者购买体验式产品时产品排名的影响更大Liu 等212020在线阅读纵横中文网与免费电子图书相比,图书排名对阅读付费电子图书的读者影响更大Zhao 等162020软件下载火狐在控制 APP 的下载量后,与排名较低的 APP 相比,排名较高的 APP 的弃用率更高Liu 等252021网络购物天猫、eBay无论是在天猫还是 eBay 平台,产品排名对产品销量都有积极影响除了信息级联视角以外,现有文献还根据长尾理论和消费者同质性研究产品排名对产品销量的影响27-30。例如,Brynjolfsson 等27通过分析亚马逊的图书数据发现,产品排名和产品销量之间存在对数线性关系。Ander-son28和 Brynjolfsson 等29基于长尾理论都发现,产品排名可以提升非畅销商品的销量。Elberse30发现,相比于排名靠后的产品,消费者更倾向于购买排名靠前的产品,表现出更高的消费者同质性。综上所述,关于产品排名影响产品销量的研究已经取得了较为丰富的研究成果。但是,现有文献大都假设产品排名对所有产品具有相同或相似的影响,产品类型和产品价格可能存在的调节作用尚未得到深入研究。尽管 Liu 等23已经发现,与购买搜索式产品相比,在线消费者购买体验式产品时产品排名的影响更大。176 管理评论第 35 卷胡林枫和郑杰慧24使用眼动实验方法也得到了类似的结论。但是,这些研究忽视了产品价格可能存在的调节作用。实际上,与低价产品相比,消费者选择高价产品时可能需要付出更多的感知风险。相关文献已经发现,当消费者选择具有较高感知风险的产品时,他们将更多地参考检索系统或推荐系统等决策支持工具提供的结果31-33。与检索系统和推荐系统类似,排名系统也是在线消费者常用的一种决策支持工具。因此,产品排名对产品销量的影响也可能会受到消费者产品感知风险的调节。而且,当同时考虑产品类型和产品价格的影响时,两者之间的交互作用也可能会对产品排名的作用产生影响。因此,本文在研究产品排名影响产品销量的同时,深入分析产品类型和产品价格的调节效应,对现有在线消费者行为决策研究理论进行完善和拓展。研究假设1、信息级联和产品排名当消费者在多个竞争产品之间进行选择时,信息级联理论认为他们会受到两方面信息的影响13,34。一方面是消费者根据自己对产品的了解或通过阅读产品信息而形成自己的信息;另一方面是从其他人的选择中获取的信息。在不完全信息环境下,消费者自己的信息通常是有限的或不完善的,以至于不能确定产品的真正价值,此时从其他人的行动中获取的信息对消费者决策就会产生更大的影响,从而导致信息级联现象的出现。下面,考虑一个简单的信息级联模型:消费者在两件产品(A 和 B)之间进行选择,两件产品的价格是相同的,但一件产品的质量要好于另一件产品。消费者事先没有获得关于两件产品质量的完整信息,因此两件产品对他们来说都是同等渴望的。现在,假设每个消费者在选择产品之前都会得到相同的信号,且该信号揭示A 的质量优于 B 的概率是 p(p 0.5)。因此,第一位消费者选择 A 的概率为 p。第二位消费者根据自己的信息以及从第一位消费者的选择中获取的信息做出决策。根据贝叶斯定律,第二位消费者选择 A 的概率如下:Pr(Second)=Pr(A|A,B)=1/2 P (1-P)P (1-P)=1/2 因此,第二个消费者选择 A 或 B 的概率是相同的。如果前两个消费者选择不同的产品,那么第三个消费者的选择就会出现随机性。但如果前两个消费者的选择是一致的,都选择了 A,那么第三个消费者选择 A 的概率如下:Pr Third()=Pr A|A,A,B()=1/2 P2(1-P)1/2 P21-P()+1/2P(1-P)21/2 P (1-P)21/2 P21-P()+1/2P(1-P)2=Pr(B 丨 A,A,B)这表明第三个消费者选择 A 的概率大于选择 B 的概率。也就是说,即使第三个消费者自己认为另一个选择 B 更适合他,但是他/她选择 A 的概率会更大。接下来,如果前面三个消费者都选择了 A,那么第四个消费者选择 A 的概率也会高于他/她选择 B 的概率。以此类推,信息级联就会出现。信息级联理论认为产品排名是一种重要的信息,反映了在线平台上其他消费者的选择,能够对在线消费者的行为决策产生重要的影响13。如果一件产品的排名高于另外一件产品,这将向后面的消费者传递一个强烈的信号。Park 等15发现,该信号能够让在线消费者从排名高的产品中感知到更高的质量或价值,从而导致他们选择忽略自己的信息,跟随其他人的行动,信息级联就此产生。网络购物平台为信息级联的发生提供了一个理想的环境。一方面,由于信息过载,在线消费者难以理解和使用所有产品信息,他们往往缺少时间和知识从海量竞争产品中做出最合理的选择;另一方面,众多网络购物平台已经广泛使用排名系统向在线消费者提供产品排名信息,在线消费者可以很容易观察到其他人的选择。因此,在线消费者网络购物时,信息级联极其容易发生,从而导致他们选择排名更高的产品。由此,本文提出假设:H1:在网络购物平台上,产品排名对产品销量有积极的影响。2、产品类型的调节作用网络购物平台上提供的产品可以分为搜索式产品和体验式产品35。搜索式产品指那些产品属性能够被直接量化而不需要用户去实际体验的产品36,37。例如,当在线消费者购买图书时,他们通过浏览就可以获取到图书标题、作者、出版时间、图书摘要、图书目录等图书信息。体验式产品指产品的属性难以量化,需要消费者实际体验后才能感知产品的相关特性36,37。例如,当消费者购买化妆品时,化妆品的气味、涂在身上的感觉、使用效果等在消费者实际体验前都难以明确判定。第 1 期刘启华,等:信息级联视角下网购产品排名对产品销量的影响:产品类型和产品价格的调节作用177 先前研究已经显示,产品类型对在线消费者的行为决策会产生影响36,38-40。Jimenez 和 Mendoza38发现,对于搜索式产品,消费者对评论质量的感知主要基于自己对评论内容的理解。而对于体验式产品,其他人的评价在消费者的质量判断中起着至关重要的作用。Park 和 Lee39发现,与搜索式产品相比,在线用户购买体验式产品时口碑效应更显著。Xiao 和 Benbasat36指出,消费者在购买搜索式产品时,会更多依靠自己的信息去做决策;但是,消费者在购买体验式产品时却会更多参考其他消费者的选择。产品排名在一定程度上反映了网络购物平台上其他消费者的行为决策19。因此,与搜索式产品相比,当在线消费者购买体验式产品时产品排名可能拥有更大的影响。在此基础上,本文提出假设:H2:在网络购物平台上,与搜索式产品相比,产品排名对体验式产品的销量拥有更大的影响。3、产品价格的调节作用在网络购物平台上,同一种产品之间可能也会出现比较大的价格差异。例如,同为化妆品,“海蓝之谜”系列的价格可以高达几千元人民币,而“大宝”系列却往往只需几十元人民币就能买到。因此,根据产品价格将在线产品分为高价产品和低价产品。与购买低价产品相比,由于可能损失的金额更多,消费者购买高价产品时往往拥有更高的产品感知风险。产品感知风险指消费者对购买错误的后果以及发生这种错误的可能性的评估41。众多研究已经表明,产品感知风险对消费者的行为决策有着重要的影响。Abbassi 等42指出,当产品感知风险较低时,消费者在产品选择上会表现出更多的随机行为。Cox 和 Rich43通过随机访谈发现,产品感知风险会给消费者带来焦虑感。Roselius44研究发现,当消费者具有较高的产品感知风险时,他们往往会使用一些风险规避的策略,例如,购买品牌知名度高的产品或货比三家等。很多研究发现,在网络购物中,产品感知风险会促发在线消费者的风险规避行为,导致他们更多地使用和参考一些决策支持工具所提供的结果。Campbell 和 Goodstein45发现,产品感知风险越高,消费者就会越谨慎,也会更加注意规避风险。Abbassi 等42研究发现,与观看免费电影(低风险决策)相比,当预订酒店(高风险决策)时在评分上增加一星或增加一个朋友推荐对消费者的行为决策有更大的影响。Xiao 等33指出,当在线消费者的产品感知风险更高时,个性化推荐系统对他们的行为决策拥有更为重要的影响。Spiekermann31和 Swaminathan32也发现,更高的产品感知风险将导致消费者更多地参考信息检索系统提供的结果,决策所花的时间也会更多。吴川徽等46发现,消费者的产品感知风险与他们的网络信息搜寻行为之间存在显著的正相关关系。与信息检索和推荐系统类似,排名系统也能够为在线消费者的购物决策提供辅助和支持47。因此,可以预期,当消费者拥有更高的产品感知风险时,他们会更多地参考排名系统所提供的结果。在网络购物中,由于在线消费者对高价产品拥有更高的产品感知风险,本文提出假设:H3:在网络购物平台上,与低价产品相比,产品排名对高价产品的销量拥有更大的影响。4、产品类型和产品价格的交互作用在网络购物平台上,具有同等价位的产品可能属于不同的产品类型,而具有相同类型的产品可能也会有比较大的价格差异。因此,根据产品类型和产品价格可以进一步把在线产品划分为高价搜索式产品、低价搜索式产品、高价体验式产品和低价体验式产品。那么,产品排名对这四类产品的销量具有不同的影响吗?假设 2 和假设 3 已经分别描述了产品类型和产品价格对产品排名影响在线产品销量可能存在的调节效应。如果这两个假设都成立,可以预期在四类产品中,在线消费者购买高价体验式产品时产品排名的影响最大,购买低价搜索式产品时产品排名的影响最小。由此,本文提出假设:H4:在高价搜索式产品、低价搜索式产品、高价体验式产品和低价体验式产品中,产品排名对高价体验式产品的销量具有最大的影响,对低价搜索式产品的销量具有最小的影响。除了高价体验式产品和低价搜索式产品以外,接下来的问题就是对于高价搜索式产品和低价体验式产品,产品排名对哪一种产品的销量具有更大的影响?实际上,该问题主要考虑的是在分析产品排名对产品销量的影响时,产品类型的调节效应和产品价格的调节效应的强弱问题。对于该问题,现有文献尚未对其进行研究。但是,Le Roux 等48使用实验法比较消费者对价格较低的产品和价格较高的产品的购买决策,研究发现与产品价格的影响相比,产品类型对消费者的购买意愿有更重要的影响。因此,与产品价格的调节效应相比,在分析产品排名对产品销量的影响时,产品类型的调节效应可能会更强。此外,Le Roux 等48的研究结果还表明,当产品价格被提供时,产品类型对消费者购买决策仍然有显著的影响。而且,这种作用不会受到产品价格的影响。假设 2 已经提出,在网络购物平台上,与搜索式产品相比,产品排名对体验式产品的销量拥有更大的影响。相应地,本文提出以下研究假设:178 管理评论第 35 卷H5:在高价搜索式产品和低价体验式产品中,产品排名对低价体验式产品的销量有更大的影响。数据和变量本文的研究数据来源于阿里巴巴集团旗下的购物平台:天猫。选择天猫作为数据的来源主要有三个原因:第一,天猫是中国最大的 B2C 电子商务平台,拥有大约 4 亿个买家、5 万多家商店和 7 万多个品牌,其影响力远超过同类网站。第二,天猫平台上销售的产品类型丰富、数量庞大,在线消费者面临“信息过载”问题,网络购物时往往存在不确定性。第三,在天猫平台上,在线消费者不仅可以观察到产品名称、价格、产品描述、评论数量、在线评分等产品详情,也能通过排名系统看到产品排名信息。为了分析产品类型、产品价格以及两者之间的交互作用可能带来的影响,本文选择手表和化妆品分别作为搜索式产品和体验式产品的代表,并根据产品价格将“海蓝之谜”化妆品(价格往往在 60011000 元之间)作为高价体验式产品的代表,将“海鸥”手表(价格在 50020000 元之间)作为高价搜索式产品的代表,将“大宝”化妆品(价格在 20100 元之间)作为低价体验式产品的代表,将“聚利时”手表(价格在 60300 元之间)作为低价搜索式产品的代表,如表 2 所示。本文选择这四个品牌的主要原因是:第一,在中国的网络购物市场上,这些品牌分别在化妆品和手表领域具有较大的影响力。其中,“海蓝之谜”化妆品2019 年的年销售额超过 10 亿美元49;“海鸥”手表在天猫平台 2018 年公布的“双十一”购物节全网钟表品牌销售排名榜单中排名前十50;“大宝”化妆品在 2019 年冬季护肤品新消费品牌榜中综合得分位列第一51;“聚利时”手表 2016 年 5 月的手表月销售件数在天猫平台上排名第一52。第二,这四个品牌的天猫旗舰店提供了本文研究所需要的相关数据,而其他很多品牌旗舰店的网页上都没有提供产品总销量等产品数据。表 2 研究数据中的产品划分产品类型产品价格高价产品低价产品体验式产品“海蓝之谜”化妆品“大宝”化妆品搜索式产品“海鸥”手表“聚利时”手表2018 年 11 月 6 日2019 年 3 月 5 日的每天 20 点至 22 点,本文使用爬虫软件分别从上述四个品牌的天猫旗舰店采集产品相关信息,包括综合排名、产品名称、产品原价、产品现价、产品总销量、产品月销量、产品库存、产品收藏数、评论数量和产品评分。天猫排名系统为在线消费者提供了综合排名、销量排名、新品排名、人气排名、收藏排名和口碑排名等多种排名信息。其中,综合排名既是相关排名指标的系统综合评估,也是天猫提供给在线消费者的系统默认排名,且已经被众多文献用来分析产品排名的影响。因此,本文采集天猫提供的产品综合排名来代表产品排名。产品总销量被用来控制网络效应的影响,评论数量和产品评分被用来控制口碑效应的影响。对消费者信息级联行为进行实证检验的关键是要将其与其他导致羊群行为的驱动因素(例如,网络效应和口碑效应等)进行有效区分47。信息级联、网络效应和口碑效应都可以诱发在线消费者羊群行为的出现,但它们之间也存在着明显的区别。网络效应强调当一个产品或服务的用户数量增加时,其价值也会增加,从而导致更多的用户购买该产品或服务53。当一种产品的流行程度超过另一种,并且这种信息带来的影响权重超过自己的信息时,信息级联就会出现13。与网络效应不一样,如果产品或服务用户数量的增加并没有改变该产品或服务的流行程度,那么这种增加对信息级联没有影响20。口碑效应对在线消费者行为的影响更多地体现在它的知晓效应(通常使用评论数量进行衡量)和说服效应(通常使用在线评分进行衡量)54,55。此外,与前人的研究一致23,54,56,57,为了控制潜在的异质性的影响,产品原价、产品现价、产品月销量、产品库存和产品收藏数等信息也被采集。在网络购物市场上,在线零售商需要快速应对市场需求变化导致的飞快产品更新速度。很多产品可能销售一段时间后就下架,没有持续出现在整个数据采集周期。因此,本文采集的数据是四个非平衡面板数据集。剔除了样本数量小于 3 的样本数据,以保证研究的有效性。最后,共获得 61255 条数据,其包含 385 件“海蓝之谜”化妆品的 5975 条数据、192 件“海鸥”手表的 13002 条数据、134 件“大宝”化妆品的 9854 条数据和 385件“聚利时”手表的 32424 条数据。表 3 汇总了研究中涉及的主要变量及其描述。与先前信息级联文献一致,本研究使用销量增量(ISi,t)作为因变量。为了分析所有可观测变量对因变量的影响,对所有自变量进行滞后一期的处理。而且,对因变量和自变量中的所有连续变量都进行了取自然对数的线性变换。龚诗阳等54指出,这样做的好处是可以控制第 1 期刘启华,等:信息级联视角下网购产品排名对产品销量的影响:产品类型和产品价格的调节作用179 潜在的离群值的影响,使回归结果更加客观。为了防止取自然对数之后出现结果为零的异常值,本文对数据中包含 0 或 1 的变量都进行处理并将变量重命名。此外,由于产品折扣(Discounti,t-1)等于产品现价除以产品原价,所以没有进行对数变换,且为避免共线性的出现,从研究变量中剔除掉了产品原价。表 4 展示了主要变量的描述性统计结果。表 3 主要变量及其描述变量描述ISi,t产品 i 在时间 t-1 到时间 t 的销量增量Ranki,t-1产品 i 在时间 t-1 的排名Salesi,t-1产品 i 在时间 t-1 的总销量Volumei,t-1产品 i 在时间 t-1 的评论数量Scorei,t-1产品 i 在时间 t-1 的评分Apricei,t-1产品 i 在时间 t-1 的销售价格Discoi,t-1产品 i 在时间 t-1 的价格折扣:销售价格/原价MSalesi,t-1产品 i 在时间 t-1 的月销量Stocki,t-1产品 i 在时间 t-1 的总库存Collecti,t-1产品 i 在时间 t-1 的总收藏数lnIS_2i,t(ISi,t+2)的自然对数lnRank_1i,t-1(Ranki,t-1+1)的自然对数lnSales_2i,t-1(Salesi,t-1+2)的自然对数lnVolume_2i,t-1(Volumei,t-1+2)的自然对数lnScore_2i,t-1(Scorei,t-1+2)的自然对数lnApricei,t-1Apricei,t-1的自然对数lnMSale_2i,t-1(MSalei,t-1+2)的自然对数lnStock_2i,t-1(Stocki,t-1+2)的自然对数lnCollecti,t-1Storei,t-1的自然对数 表 4 主要变量的描述性统计变量“海蓝之谜”化妆品(N=5975)“大宝”化妆品(N=9854)均值中位数标准差最小值最大值均值中位数标准差最小值最大值ISi,t23.534382.88029005162.27142737.250164906Ranki,t-132.393021.06111245.644526.38198Salesi,t-15152.11161711273.1307786860296.0722689.5124016.10988082Volumei,t-11337.794342928.969021295.012961.493652.00031593.790249043.0Scorei,t-14.7924.90.61054.844.90.2405Apricei,t-12407.4115502694.872301720051.8643.929.456.50299Discoi,t-11.04510.220.973.060.60.520.170.261MSalesi,t-1464.41161241.60177873217.48778.511521.190143496Stocki,t-1193.8255476.31058931192.553513299.56069497Collecti,t-116090.38638631283.96320744714189.036006.523602.941159784变量“海鸥”手表(N=13002)“聚利时”手表(N=32424)均值中位数标准差最小值最大值均值中位数标准差最小值最大值ISi,t1.75066.12073311010.6501413Ranki,t-178.057744.241176163.0515599.951376Salesi,t-11319.821543269.22024889680.451082045.13020786Volumei,t-1391.3960878.8206264177.1327517.3406020Scorei,t-14.794.90.68054.764.90.7605Apricei,t-13547.5816996272.7910058000180.7615999.835818Discoi,t-10.590.530.220.221.130.9810.070.241.3MSalesi,t-129.77764.14075225.384.00099.2902188Stocki,t-1163.6761298.1402513536.69250923.57113204Collecti,t-13290.9510896302.632418671270.634002895.43129136众多研究13,20,21已经显示,这种处理不会对研究模型的回归结果产生影响。180 管理评论第 35 卷实证模型及结果1、实证模型为了分析网络购物中产品排名对销量增量的影响,建立以下回归模型:lnIS_2i,t=i+1 lnRank_1i,t-1+2 lnSales_2i,t-1+3 lnVolume_2i,t-1+4lnScore_2i,t-1+5 lnApricei,t-1+6 lnDiscoi,t-1+7 lnMSales_2i,t-1+8 lnStocki,t-1+9 lnCollect_2i,t-1+Tt+i,t(1)为了进一步分析产品类型的调节效应,建立加入虚拟变量 Type(Type 取值为 1 时,代表体验式产品;Type取值为 0 时,代表搜索式产品)后的回归模型,如下所示:lnIS_2i,t=i+1 lnRank_1i,t-1+2 lnSales_2i,t-1+3 lnVolume_2i,t-1+4 lnScore_2i,t-1+5 lnApricei,t-1+6 lnDiscoi,t-1+7 lnMSales_2i,t-1+8 lnStocki,t-1+9 lnCollect_2i,t-1+10 Type+11 Type lnRank_1i,t-1+Tt+i,t(2)同样,为了分析产品价格的调节效应,建立加入虚拟变量 Price(Price 取值为 1 时,代表高价产品;Price 取值为 0 时,代表低价产品)后的回归模型表达如下:lnIS_2i,t=i+1 lnRank_1i,t-1+2 lnSales_2i,t-1+3 lnVolume_2i,t-1+4 lnScore_2i,t-1+5 lnApricei,t-1+6 lnDiscoi,t-1+7 lnMSales_2i,t-1+8 lnStocki,t-1+9 lnCollect_2i,t-1+10 Price+11 Price lnRank_1i,t-1+Tt+i,t(3)最后,为了深入分析产品类型和产品价格的交互作用的影响,建立同时加入虚拟变量 Type 和 Price 的双重差分模型(DID,Differences-In-Differences)表达如下:lnIS_2i,t=i+1 Type+2 Price+3(Type Price)+X+i,t(4)考虑到变量较多,为了简化模型,上式仅展开了产品类型、产品价格及其交互项,其他变量均缩略到变量矩阵 X 中。在式(4)中,当 Type=1 且 Price=1 时,得到高价体验式产品销量增量,记为 1;当 Type=1 且Price=0时,得到低价体验式产品销量增量,记为2;当Type=0 且Price=1 时,得到高价搜索式产品销量增量,记为3;当Type=0 且 Price=0 时,得到低价搜索式产品销量增量,记为 4。令 =(1-2)-(3-4)=3,则代表产品类型和产品价格的交互作用的影响。2、模型回归结果首先,本文分别使用总体样本、搜索式产品样本(“海鸥”手表和“聚利时”手表)、体验式产品样本(“海蓝之谜”化妆品和“大宝”化妆品)、高价产品样本(“海蓝之谜”化妆品和“海鸥”手表)、低价产品样本(“大宝”化妆品和“聚利时”手表)、高价体验式产品样本(“海蓝之谜”化妆品)、高价搜索式产品样本(“海鸥”手表)、低价体验式产品样本(“大宝”化妆品)以及低价搜索式产品样本(“聚利时”手表)对模型(1)进行回归分析。根据豪斯曼检验结果,所有样本都应使用固定效应模型。表 5 呈现了回归分析的结果。在所有样本中 lnRank_1i,t-1的系数都是负向显著的。值得注意的是,产品排名上升,其数值反而会出现下降(例如,产品排名从 2 到 1)。因此,结果表明,产品排名对销量增量有积极和显著的影响,假设 1 得到支持。此外,lnSale_2i,t-1的系数在部分样本中是正向显著的,在部分样本中是负向显著的,在部分样本中不显著,说明网络效应对在线消费者行为的影响可能也会受到产品类型和产品价格的调节。同样,其他很多变量也有类似的结果,都反映了产品类型和产品价格的调节作用的影响。比较表 5 的第 3 列和第 4 列结果,可以发现 lnRank_1i,t-1在体验式产品样本的系数(1=-0.131,p0.01)的绝对值大于其在搜索式产品样本的系数(1=-0.026,p0.01)的绝对值,说明与搜索式产品相比,产品排名对体验式产品的销量增量可能有更大的影响。但是,该结果并不能显示产品类型导致的这种差异是显著的。因此,使用总体样本对模型(2)进行回归分析,得到的结果呈现在表 6 的第 2 列。可以发现,变量 Type的系数(10=2.328,p0.01)和 TypelnRank_1i,t-1的系数(11=-0.511,p0.01)都是显著的,说明产品类型的调节作用是显著的。综合上述结果,表明与搜索式产品相比,产品排名对体验式产品的销量拥有更大的影响,假设 2 得到支持。比较表 5 的第 5 列和第 6 列结果,可以发现 lnRank_1i,t-1在高价产品样本的系数(1=-0.045,p0.01)的绝对值大于其在低价产品样本的系数(1=-0.025,p0.01)的绝对值,说明与低价产品相比,产品排名对高价产品的销量增量可能有更大的影响。但是,该结果并不能显示产品价格导致的这种差异是显著的。因第 1 期刘启华,等:信息级联视角下网购产品排名对产品销量的影响:产品类型和产品价格的调节作用181 此,使用总体样本对模型(3)进行回归分析,得到的结果呈现在表 6 的第 3 列。可以发现,变量 Price 的系数(10=0.075,p0.01)和 PricelnRank_1i,t-1的系数(11=-0.016,p0.01)都是显著的,说明产品价格的调节作用是显著的。综合上述结果,表明与低价产品相比,产品排名对高价产品的销量拥有更大的影响,假设 3得到支持。比较表 5 的第 7 列、第 8 列、第 9 列和第 10 列结果,可以发现 lnRank_1i,t-1在高价体验式产品样本中的系数(1=-0.108,p0.01)的绝对值最大,在低价体验式产品样本(1=-0.083,p0.01)中次之,在高价搜索式产品样本(1=-0.038,p0.01)中再次之,在低价搜索式产品样本(1=-0.027,p0.01)中最小。同理,该结果并不能表明产品类型和产品价格的交互作用的影响是显著的。因此,使用总体样本对模型(4)进行双重差分回归分析,得到的结果呈现在表 6 的第 4 列。可以发现,变量 PriceType 的系数(3=-0.112,p0.01)表明产品类型和产品价格的交互影响是显著的。综合上述结果,表明在高价搜索式产品、低价搜索式产品、高价体验式产品和低价体验式产品中,产品排名对高价体验式产品的销量具有最大的影响,低价体验式产品次之,高价搜索式产品再次之,对低价搜索式产品具有最小的影响,假设 4 和假设 5 得到支持。此外,还发现变量 Type的系数(1=0.543,p0.01)也是显著的,但变量 Price 的系数(2=-0.019)是不显著的。这说明,在同时考虑了产品类型和产品价格的影响后,产品类型的调节作用仍然是显著的,但产品价格的调节作用就消失了。表 5 产品排名对销量增量的影响变量总体样本体验式产品搜索式产品高价产品低价产品高价体验式产品高价搜索式产品低价体验式产品低价搜索式产品lnRank_1i,t-1-0.005(0.003)-0.131 (0.007)-0.026 (0.002)-0.045 (0.005)-0.025 (0.004)-0.108 (0.012)-0.038 (0.004)-0.083 (0.007)-0.027 (0.003)lnSale_2i,t-10.051 (0.005)-0.010(0.015)0.015 (0.003)0.025 (0.008)-0.179 (0.025)0.211 (0.028)0.035 (0.005)-0.043 (0.016)0.004(0.004)lnVolume_2i,t-10.027 (0.005)0.029(0.013)0.018 (0.003)0.075 (0.008)-0.037(0.014)0.108 (0.022)0.025 (0.005)-0.044(0.014)-0.018(0.004)lnScore_2i,t-10.321(0.016)0.724 (0.059)0.103(0.008)0.331 (0.027)-0.044(0.038)0.443 (0.061)0.124(0.017)-1.873(0.116)0.093(0.011)lnApricei,t-1-0.021 (0.003)0.062 (0.008)-0.012 (0.002)0.011(0.006)-5.013 (0.166)0.005(0.013)0.014 (0.005)-0.157 (0.013)-0.030 (0.004)Discoi,t-10.033 (0.011)0.200 (0.026)-0.047 (0