摘 要： 通过研究电影票房与社交媒体用户行为的关系，揭示在线口碑（word-of-mouth）对业绩表现的作用。与之前的研究不同，将社交媒体用户评论、用户关注等用户行为数据作为内生变量进行研究，认为用户行为既影响业绩，又被业绩影响。首先，以电影产业为研究对象，分析了每周票房与用户评论、用户评分、用户关注度等之间的关系，通过样板（Panel）数据分析，构建了电影票房预测模型。接着，将票房作为自变量，分析了作为在线口碑表现形式的用户评论、用户关注度与票房的关系。最后，分析了在线口碑自身的特点，得出了多个有意义的结论，如用户评分仅仅是票房收入的反映，其本身并不显著影响票房。本研究具有良好的理论价值和实践意义。
关键词： 社交媒体；口碑；在线评论；用户关注度；电影票房；联立方程
0 引言
商品经济以来，口碑被公认为是信息传递的有效来源，特别是对体验型商品而言[1-2]。随着信息技术的发展，人与人之间的信息传递方式发生了很大改变，人们可以通过计算机网络，借助在线客户评价系统，在前所未有的范围内实时方便地获取公司、产品或服务的信息，并可以方便地交换意见[3]。网络成为观众评论的重要媒介，网络环境下，网络口碑活动效率高、灵活、不受地域限制，于是被越来越多地认同和开展。
对在线聊天、微博、推特、在线评论系统等社交媒体口碑研究的文献大量出现，但其研究结果却是多样的，有的研究认为其作用很大[4]；有的研究却对这种观点提出挑战[1，5-7]，如在线评论的说服作用（Persuasive Effect）和认知影响（Awareness Effect）的争论、口碑作为外生还是内生变量的争论、所选样本的异质性问题等。
本文扩充了对用户行为的描述，将用户行为作为内生变量进行研究，解决了数据异质性问题。本文以电影产业为例，不仅考虑用户评论，还引入了用户关注度指标，通过联立方程来描述在线用户行为的双重作用，来评估在线用户评论、用户关注度的说服作用和认知影响；分析用户行为与销量的相互关系，同时分析了行为本身的特点。为消除不同样本集数据的异质性，本文研究的用户评论、用户关注度与产品销量是同一样板（Panel）数据集。本文的联立方程利用样板数据结果和双向因果关系，构建了预测模型，提供在线用户评论真实影响的度量。
1 理论假设
前人的理论和实验研究[1，6，8]表明了口碑数量与产品销量的正相关关系：用户口碑（用户评论数和用户关注度）对票房收入有积极影响；同时，电影票房是自相关的，即近期票房较高的电影接下来票房仍然比较高，这些结论不再赘述。本文对相关假设进行了扩展，增加了如下假设：
假设1（H1） 用户评分对票房收入有积极影响。
把用户评分分为两种：累计评分和本周评分，H1变化为：
H1a：累计用户评分对票房收入有积极影响；
H1b：每周用户评分对票房收入有积极影响。
假设2（H2） 口碑是过去销售的产出，票房收入对口碑有积极影响。
用用户评论数/发帖数量、用户关注度（搜索量）来刻画用户口碑，H2变为：
H2a：票房收入对用户评论数有积极影响；
H2b：票房收入对用户关注度有积极影响。
假设3（H3） 用户评论数量是自相关的，即最近帖子量的增加极有可能引起用户评论增加。
假设4（H4） 用户关注度是自相关的，即最近搜索量的增加极有可能引起用户搜索量增加。
2 模型建立
2.1 数据描述
本文中的数据主要有三类：（1）电影及票房信息：从电影网（http：//www.m1905.com/）获得电影及票房信息，汇总得到当周票房、当周累计票房。（2）电影评论信息：从时光网（http：//www.mtime.com/）获取电影评论数据，汇总得到各周评价数、各周平均评分、各周累计评价数、各周累计评分。（3）用户指数信息：从百度指数查询（http：//index.baidu.com）获取电影用户关注度信息，汇总得到每周用户关注指数。
各指标变量名称及定义如表1所示。
选取了2011年至2013年的52部电影（国产影片27部，进口影片25部，这52部电影的国内总票房均在前100名内）放映期内的342组数据。
2.2 实验模型
电影在内地的上映周期为6~10周（样本中平均为7.17周），取前8周（上映周期不足8周的，以实际上映周数为准）。分三步进行实验。
（1）每周票房与用户评论、评分之间的关系：与本周评论数、评分，上周评论数、上周评分（WEEKLYGRADEi，t-1）/上周累计评分（CMUGRADEi，t-1）之间的关系，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为电影数，i=1，2，…，N；t为上映周，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为电影数，i=1，2，…，N；t为上映周，t=1，2，…，T。
（2）每周评论数与票房、评论数、评分、关注度之间的关系：与本周票房、评分、关注度，上周评论数、评分、关注度之间的关系，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）每周用户关注度与票房、评论数、评分、关注度之间的关系：与本周票房、评分、评论数，上周评论数、分数、用户关注度之间的关系，模型如下：
模型3
3 结果与分析
通过Eviews 6.0建立样板数据集，运行上述模型。首先进行协整检验，确保其符合线性回归要求，然后进行回归，结果如图1所示（限于篇幅，协整检验结果略）。
图1结果表明，每周票房与本周评分、本周评价数、本周关注度正相关，与上周评分/上周累计评分、上周评价数、上周关注度负相关。在消除了用户评价的内生性和产品的异质性后，用户评分仅作为票房收入的表现，不再显著影响票房收入。用户评分只是票房收入的反映，并不对票房收入产生影响，即假设1（H1）是不成立的，高评分未必带来高票房。
模型2、模型3的运行结果分别如图2、图3所示。
从图2和图3可以得出以下结论：
（1）在p<0.01的置信水平下，每周评价数与本周票房正相关，每周用户关注度与本周票房是正相关的，验证了假设2（包括H2a和H2b），即票房收入对口碑（以用户评价数和用户关注度为指标）有积极影响。
（2）在p<0.01的置信水平下，每周评价数与上周评价数正相关，验证了假设3（H3），即每周评论数是自相关的，最近帖子量的增加极有可能引起接下来用户评论的增加。
（3）在p<0.01的置信水平下，每周用户关注度与上周用户关注度正相关，验证了假设4（H4），即每周用户关注度是自相关的，最近搜索量的增加极大可能引起接下来搜索量的增加。
4 结论
本文研究的是社交媒体用户行为对产品销售的影响，通过电影票房及在线口碑数据来观测在线口碑影响及其特质。定立了联立方程，通过样本数据来获取在线口碑与电影票房之间的关系。可以发现，票房收入与在线用户人气（评价数、用户关注度）是显著相关的，而用户评分通常是票房收入的反映，并不显著影响票房，即高评分并不一定获得高票房。这一研究结果是有趣的，它表明用户有自己的判断力，有能力自己判断产品的好坏，而不被口碑的说服作用影响；另一方面，受到用户口碑的认知作用影响，高人气带来高知名度，往往带来高销量。
用户评论、用户关注度（搜索量）作为在线口碑的表现形式，本文分析了它们的特质。在线用户口碑表现出明显的自相关性，即最近评论数的增加具有可能引起接下来用户评论的增加，最近搜索量的增加极有可能引起接下来用户搜索量的增加。电影销量对在线口碑有显著影响，即电影票房的增加往往带来用户评论、用户关注度的增加。
本文构建了基于社交媒体用户行为的产品销量预测模型，对在线口碑特质进行了分析，研究具有良好的现实意义。以电影产业为例，通过前期的策划，可以带来较高的网络人气，也往往带来较高的销量，但通过提高电影评级却无法带来更高的销量，这为电影服务商策略提供了参考。通过稍加改动，这一模型可以扩展至其他行业、其他企业。
参考文献
[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.