韩雨彤, 周季蕾, 任菲. 动态视角下实时评论内容对直播电商商品销量的影响[J]. 管理科学, 2022, 35(1): 17-28.DOI:10.3969/j.issn.1672−0334.2022.01.002

HAN Yutong, ZHOU Jilei, REN Fei. A Dynamic Perspective on the Impact of Live Comments Content on Product Sales of Live Streaming Commerce[J]. Journal of Management Science, 2022, 35(1): 17-28. DOI: 10.3969/j.issn.1672−0334.2022.01.002

韩雨彤, 周季蕾, 任菲,

1.

北京大学 光华管理学院，北京 100871

2.

中国人民大学 信息学院，北京 100872

基金项目: 中央高校基本科研业务费专项资金(21XNLG07)；国家自然科学基金(71572004)

详细信息

作者简介:

韩雨彤，北京大学光华管理学院博士研究生，研究方向为社会化媒体和电子商务等，E-mail：hanyutong19@pku.edu.cn

周季蕾，管理学博士，中国人民大学信息学院讲师，研究方向为管理信息系统和商务智能等，代表性学术成果为“Inferring multi-stage risk for online consumer credit services: an integrated scheme using data augmentation and model enhancement”，发表在2021年第149卷《Decision Support Systems》，E-mail：zhoujilei@ruc.edu.cn

任菲，管理学博士，北京大学光华管理学院教授，研究方向为社会化媒体、电子商务和用户在线行为等，代表性学术成果为“Optimizing two-sided promotion for transportation network companies: a structural model with conditional bayesian learning”，发表在2020年第3期《Information Systems Research》，E-mail：fren@gsm.pku.edu.cn

中图分类号: F713.36

HAN Yutong, ZHOU Jilei, REN Fei,

1.

Guanghua School of Management, Peking University, Beijing 100871, China

2.

School of Information, Renmin University of China, Beijing 100872, China

Funds: Supported by the Fundamental Research Funds for the Chinese Central Universities(21XNLG07) and the National Natural Science Foundation of China(71572004)

引言

伴随着直播技术的不断发展以及社交元素在电商领域的广泛应用，越来越多的商家将直播功能嵌入到电商消费过程中，形成了直播电商这一新兴商业模式[1]。直播间内的所有消费者都可以在直播界面下方的对话框内发送评论内容，商家和其他消费者可以对评论内容进行实时回复。实时评论是消费者在直播电商中进行社交互动的主要形式，它以动态的方式记录了电商直播过程中丰富的社交互动内容，反映了消费者在观看直播时实时分享的信息和观看体验。

对直播电商而言，如何利用实时评论带来的独特社交互动体验提升消费者转化率，成为其进一步发展的关键。由于实时评论在近几年才兴起，实时评论这一形式的社交互动的影响效果研究尚处于起步阶段，已有研究在研究视角和研究方法上仍存在局限。第一，实时评论对消费者行为的影响研究往往从数量和长度等角度出发[2]，缺乏对实时评论语义内容的深入挖掘；第二，实时评论具有动态反馈的特点，它可以增强消费者在观看视频内容时的临场感和沉浸感[3]。然而，已有实证研究较为缺乏对实时评论动态特性的刻画。为了弥补已有研究的不足，本研究基于用户生成内容潜在的信息效应和说服效应对实时评论的语义内容进行挖掘，并从动态视角探究实时评论的信息丰富度峰值和情感极性峰值对直播电商商品销量的影响，进一步丰富直播电商和实时评论领域的实证研究。

1. 相关研究评述

本研究主要关注实时评论内容对直播电商商品销量的影响，因此对直播电商模式下的消费者购买意愿和实时评论的相关研究进行回顾和总结。

1.1 直播电商模式下的消费者购买意愿

针对直播电商模式下消费者购买意愿的影响因素，当前研究主要从直播内容、信息来源和传播渠道3个方面进行探索。

对于直播内容，已有研究主要分析直播的独特技术形式对商品展示和品牌宣传的作用。商家可以通过实时的视频画面客观、真实地向消费者展示商品，同时可以利用主播讲解对商品进行品牌宣传和推广。因此，通过视觉与听觉等多种媒介结合的方式，消费者可以更加直接地了解商品的具体属性信息，降低他们在网购中面临的感知不确定性[4]。当消费者对商品特征有疑问时，还可以进一步询问主播以获取相关信息，降低了他们搜索和比较商品的成本。因此，直播为消费者提供了高质量的信息内容，直播中推广的商品也更容易被消费者接受和认可[5]。

对于信息来源，已有研究探讨主播作为商品信息的主要介绍者发挥的重要作用。在直播过程中，主播是消费者获得商品信息的主要来源，对提升消费者购买意愿起重要作用。主播在直播过程中展现出的可信性、专业性、互动性和吸引力，会影响消费者对于主播及其推广的商品的认知和心理感受，进而影响其购买意愿[6]。当主播传递的价值观念与消费者本身的更为相似或主播表现出很强的专业能力和吸引力时，观看直播的消费者更容易对主播产生信任，进而愿意为主播推荐的商品付费[7]。

对于传播渠道，已有研究主要围绕直播间这一传播渠道的互动性展开讨论。直播间的互动性是指主播与消费者之间以及消费者与消费者之间不受时间和距离约束的双向信息交流[8]。主播可以通过实时回应直播间消费者提出的问题拉进与消费者之间的心理距离，建立与消费者之间的情感连接，营造更加轻松、舒适的购物氛围[9]。同时，消费者也可以通过互动的相关功能与主播和其他消费者进行实时交流和互动。在与其他消费者相互分享自身的购物体验和经历的过程中，消费者获得了更高的信息价值和情感价值，观看直播的感知有用性得到提高[10]。此外，活跃的互动氛围也使直播受众更容易与其他消费者产生心理和情感上的连接，满足了消费者自身的社交需求[11]。拥有相似购买需求的消费者聚集在直播间内，通过社交互动进一步分享观看直播的信息和感受，由此形成了直播间消费者的社群关系。在社群的情感连接下，消费者更容易形成对直播间的归属感，从参与直播中获得享乐价值和实用价值，进而愿意参与到直播间的购买活动中[12]。

已有研究主要采用访谈或者问卷调查等方法，从个体心理感知角度，分析直播内容、信息来源和传播渠道对消费者购买意愿的影响。很少有学者基于实际的销售数据探究直播电商模式下商品销量的影响因素。近年来，直播电商经历了由产生到蓬勃发展的飞速上升期，其经济价值是学界和业界共同关注的焦点。此外，探究直播电商独特的实时互动特性带来的经济价值的研究更是少之又少。直播间中的互动体验是直播电商最独特的价值来源[13]，具有相似购买需求或偏好的消费者聚集在同一直播间中，通过动态的实时评论信息传递形成社交互动关系。此时，消费者对商品的选择受到其所处的社会群体中的其他消费者传递的信息影响[14]。因此，本研究主要关注直播电商的社交互动特性，引入实时评论这种独特的动态用户生成内容形式，探究实时评论对直播电商商品销量的影响。

1.2 实时评论

实时评论是一种特殊的评论形式，起源于日本的动画、漫画、游戏(animation, comic and game, ACG)文化，近年来逐渐被应用于各种在线视频网站和直播平台中。实时评论常常浮于视频内容上方，是一种以类似字幕的形式滚动播放的用户实时文字评价信息[15]。由于大量实时评论从屏幕上滚动而过的效果形似军事中密集的炮火射击，因此实时评论也常被称为“弹幕”。

由于实时评论在最近几年才兴起，国内外对实时评论的研究仍处于起步阶段。已有研究主要对视频场景下的实时评论展开研究，探索实时评论这一功能对用户行为的影响。喻昕等[16]认为，实时评论具有互动性、娱乐性、可视性和有用性的特点，可以提高用户观看视频时的控制感和集中感，使他们产生更加愉悦的沉浸式体验。这种沉浸状态进一步推动用户参与到弹幕信息互动中。与独立评论区相比，使用实时评论功能的产品广告视频更能激发消费者的积极情绪，使他们对视频内容产生更加积极的态度[17]。此外，消费者在观看带有实时评论的视频时更容易感受到其他消费者的存在，并且可以通过发送评论与其他消费者相互联系，缩短了消费者之间的心理距离，提高了观看体验的社会临场感[15]。在这种情况下，消费者之间还会存在情绪上的传染和行为上的相互模仿，进而影响最终的消费决策[18]。

综上所述，越来越多的学者开始关注实时评论的不同维度对消费者参与行为的影响，主要针对实时评论的数量和字数等基本特征展开研究。实时评论字数反映了直播中的临场感，可以正向影响消费者的打赏行为[2]。实时评论数量也对消费行为过程产生影响。已有研究表明，实时评论数量对视频观看量的时变影响呈倒U形关系[19]。随着自然语言处理技术的发展，少数学者开始尝试挖掘实时评论的语义内容，大多集中在实时评论的情感分析方面。王霞等[20]发现，实时评论的情感强度可以反映对应时段内视频内容的吸引力水平，进而可以用来预测视频的受欢迎程度。

总体看，已有研究有两点不足。①围绕实时评论语义内容的研究分析维度仍较为单一。实时评论是一种典型的用户生成内容。针对用户生成内容语义内容的挖掘常常针对其信息丰富度和情感极性两方面展开[21-23]。信息丰富度是实时评论语义内容的关键特征之一。通过观看实时评论内容，消费者可以观察到其他消费者对商品的态度和购买偏好，进而参照其他人提供的信息进一步更新自己对商品的认识[24]，最终形成自身对商品的评价和购买决策。因此，本研究借助用户生成内容研究中经典的语义内容分类体系，从信息丰富度和情感极性两个方面对实时评论的语义内容进行全面挖掘。②已有研究主要基于静态视角，即关注实时评论对于消费者行为的综合影响。直播中的实时评论内容主要包含了直播间消费者关于商品属性、价格咨询以及与购买经历和购买建议相关的讨论，反映了消费者在观看直播和制定购买决策时关注的商品属性和情绪变化。与传统的用户生成内容相比，直播的实时评论具有强互动性和强实时性的特点。在直播过程中，消费者的观看体验和购买需求随直播内容的变化而不断发生变化。直播中的实时评论内容也反映了消费者之间的同步交流过程，随着消费者发送新的评论内容，过去时间段内的评论内容逐渐向上滚动直至消失。这意味着，在直播的一段时间内，消费者能够观察到的实时评论内容是随时间的改变而不断变化的，不同时段、不同内容特点的实时评论，对于直播间消费者的影响也有所差异。因此，与静态整体视角相比，采用动态视角对实时评论内容进行分析更为合适，这也是本研究的创新点之一。

2. 理论分析和研究假设

用户生成内容对消费者行为的影响研究常围绕其信息效应和说服效应展开[21-22]。信息效应是指用户生成内容中包含的商品客观属性、服务和价格等相关信息，可以帮助消费者了解相关商品内容，起到降低购买不确定性的作用[21]。说服效应是指用户生成内容中包含的情绪态度可以促进消费者之间的情感连接，起到唤起消费者认可产品的作用[25]。实时评论也是一种典型的用户生成内容。因此，本研究从信息效应和说服效应切入，探索实时评论内容对直播电商商品销量的影响。

2.1 动态视角与峰值时段

本研究引入动态视角探索实时评论的影响效果。已有研究主要从两方面对动态视角进行挖掘：①面向不同时段的自变量，其对同一因变量具有不同影响[26]；②针对不同时段的因变量，同一自变量具有不同影响[27]。本研究的动态视角主要围绕前者展开，即体现在自变量上。具体来说，实时评论具有动态更新的特点，不同时段内直播观众接收到的实时评论强度是不同的。因此，本研究提取不同时段的实时评论内容特征，以刻画实时评论内容的动态性。

基于不同时段实时评论内容特征，本研究在模型中重点关注峰值时段，试图探究不同实时评论内容特征的峰值时段对直播电商商品销量的影响。之所以选择峰值时段，是因为根据格式塔特征理论，峰值时段代表消费者体验中最有价值或个人记忆最强烈的时段[28-29]。消费者体验中的峰值时段会显著影响消费者对于事件整体的态度和评价[30]。因此，实时评论相关特征的峰值时段对直播观众态度和行为的影响最为关键。下面将进一步讨论实时评论内容特征的峰值对直播电商商品销量的可能影响。

2.2 实时评论信息丰富度峰值对商品销量的影响

信息丰富度是激发用户生成内容信息效应的关键诱因。根据信息丰富度理论[31-32]，信息丰富度是指媒介潜在的信息承载量，体现了媒介能够在给定时间内提供信息、将不明确的问题阐述清楚、促进沟通双方达成共识的能力[33]。在直播电商模式下，消费者对某些商品或商品的具体特征感兴趣时，常常发送包含商品信息的实时评论，以表达对商品的需求和态度。因此，本研究的实时评论信息丰富度是指实时评论这一媒介的信息承载量，体现了实时评论这一媒介在直播期间向直播观众提供商品信息(如商品名称和属性等)、降低直播电商的不确定性、促进商家与消费者达成购买共识的能力。

结合峰值视角，本研究探讨实时评论的信息丰富度峰值对商品销量的可能影响，以证明其潜在的信息效应。信息丰富度的峰值是指商品展示时段内信息丰富度的最高点，反映了消费者在观看直播内容时对于商品整体关注度最高的时段。一方面，实时评论信息丰富度能够通过信息性社会影响推动消费者购买决策。信息性社会影响是指个人将从他人处接收到的信息作为真实依据[34]。在直播电商模式下，具有丰富信息的实时评论实现了直播间消费者之间的信息传递，直播间消费者可以了解到其他消费者更关注哪些商品，并将这些信息作为自己进行购买决策时的真实依据[35]，最终帮助消费者减少购买不确定性。另一方面，实时评论的信息丰富度越高，信息性社会影响的作用也就越大。在信息丰富度峰值时段，许多消费者会集中性发布与商品相关的讨论信息，此时直播间内的信息交流非常密集。密集的信息冲击不仅帮助直播间消费者快速了解商品属性，还会减少消费者理性的购物决策思考，激发消费者的冲动性购买行为[36]。因此，实时评论的信息丰富度峰值具有潜在的信息效应，即实时评论的信息丰富度峰值越高，消费者的不确定性越低，商品销量越高。基于以上分析，本研究提出假设。

H1直播电商模式下，实时评论的信息丰富度峰值对商品销量产生正向影响。

2.3 实时评论情感极性峰值对商品销量的影响

情感极性是激发用户生成内容说服效应的关键变量。情感极性是指用户生成内容中包含的用户对于产品的态度、评价和情绪，可以用来刻画实时评论的说服效应[21]。在直播电商模式下，消费者不仅使用实时评论发表与商品相关的评价或询问，也常常在实时评论中表达自己在观看直播时的心情和情感态度。当消费者对直播间内容感到满意或成功购买到心仪的商品时，会发送“这件非常好看”“我很喜欢你家的衣服”“抢到了，开心”等与积极的情绪态度相关的实时评论内容。当消费者对直播间内容感到无聊或疲惫时，会发送“颜色不好看”“能不能快点”等与负面的情绪态度相关的实时评论内容。因此，本研究的实时评论情感极性是指实时评论内容中包含的消费者关于直播内容和商品的情绪态度。

结合峰值视角，本研究探讨实时评论的情感极性对直播电商商品销量的可能影响。情感极性的峰值是指商品展示时段内情感极性的最高点，反映了消费者在观看直播内容时整体情感态度最为积极的时段。一方面，实时评论情感极性能够通过规范性社会影响改变消费者对商品的态度，唤起消费者对商品的认可。规范性社会影响是指群体成员希望自己与他人的期望相符[34]。在直播电商模式下，具有情感倾向的实时评论实现了直播间消费者之间的情感交流，消费者受到其他消费者表达的情感的影响，并希望与他人对商品的意见保持一致。当实时评论表达了对商品的喜爱，规范性社会影响让消费者更容易受到集体情绪的影响，消费者更容易感受到心理接近和心理认同，唤起消费者对商品的认可，从而愿意浏览商品并进行下单[37]。另一方面，实时评论的情感极性越高，规范性社会影响的作用越大。情感极性的峰值越大，表明有更多消费者集中表达了积极的情感态度，直播间内的情感连接会更加紧密。受到强烈的积极情感刺激，消费者的兴奋程度也得到提高，消费者更容易产生冲动消费行为[38]。因此，实时评论的情感极性峰值具有潜在的说服效应，即实时评论的情感极性峰值越高，消费者对商品的认可越强，直播电商的商品销量越高。基于以上分析，本研究提出假设。

H2直播电商模式下，实时评论的情感极性峰值对商品销量产生正向影响。

3. 数据和变量

3.1 样本和数据

本研究使用的数据来自抖音平台的直播电商板块，选择抖音作为研究对象有两个原因。一方面，抖音是中国直播电商行业的领先平台之一，具有大量有代表性的活跃用户。许多抖音用户在参与直播的过程中观看或发送实时评论；另一方面，抖音已经初步建立了直播电商的完整闭环，保障了商品销量数据的完整性。自2020年10月9日起，抖音正式宣布关闭直播间的电商外链，不允许第三方来源的商品进入直播间购物车，所有商品链接将由抖音内部的抖音小店提供。

本研究选择2020年12月25日至2021年1月1日抖音平台某头部母婴类主播的6场直播数据作为分析样本，该主播售卖的商品均为儿童服饰和鞋，属于直播电商中售卖的热门品类之一。主播直播的时间段相对固定，均为晚上7点开始，至第2天凌晨结束，该时间段属于直播营销的黄金时段。以上数据可以有效控制主播个人特质、知名度、粉丝群特征、商品类型和直播时间对销量可能带来的潜在影响。本研究收集每场直播的三方面数据：①采集直播售卖的商品及其相关信息，包括其所属直播场次、商品编号、商品描述、商品类别、商品价格、商品在直播中的上架时间和商品销售量；②采集与直播间热度相关的数据，包括直播的开始时间、结束时间、直播中的点赞和打赏情况；③采集观看直播的消费者产生的实时评论数据，包括用户昵称、实时评论的发送时间和实时评论的具体文本信息。

在本研究选择的直播场次中，均采取上架商品−主播讲解−下架商品的营销推广方式。因此，为了探究直播间商品销售的影响因素，将某一直播商品上架到下一直播商品上架之间的时间定义为该商品的售卖区间。主播在售卖区间内对该商品的属性和内容进行介绍，同时消费者可以在实时评论中分享信息或感受。按照该商品的售卖区间构建对应的因变量、自变量和控制变量。经过排除异常值等初步的数据清洗后，共得到1 002条商品层面数据，包含商品信息、售卖区间对应的直播间热度信息和实时评论信息。

3.2 因变量

本研究的因变量为售卖区间内的商品销量，为了消除销量数据非正态分布的影响，在后续模型中对商品销量取自然对数进行处理[39]。

3.3 自变量

(1)实时评论的信息丰富度峰值，测量步骤如下：

第1步，构建商品关键词词典，并基于词典标记每条实时评论中是否包含商品关键词。具体来说，本研究基于商品标题描述和实时评论中的商品信息建立商品关键词词典。商品标题往往包含了商家希望突出展示的商品属性和相关特征，可以客观地反映商品特性[40]。实时评论中经常提到的商品信息也体现了消费者在购买商品时主要关注的商品维度。因此，从商品标题和实时评论构成的语料库中提取与商品相关的关键词。对商品标题和实时评论文本进行数据预处理，包括过滤表情符号、删除超链接和去除停用词。进一步地，对预处理后的商品标题和实时评论进行分词，并将与商品相关的高频属性词放入商品关键词词典中。随后，基于商品关键词词典，逐条判断某一商品售卖区间内的实时评论中是否含有商品关键词内容。

第2步，计算信息丰富度。采用含有商品信息的实时评论数量占实时评论总数量的比例测量信息丰富度。考虑到实时评论具有连续、动态变化的特点，为了分析实时评论对消费者产生的动态影响，本研究采用类似于移动平均的方式[41]，通过固定的时间窗口对商品售卖区间内的实时评论进行切分，进而对每个时间窗口内的信息丰富度进行测量，由此实现对实时评论的细化分析。基于直播中商品售卖区间的平均时长和实时评论的发送频率，选取窗口大小为1分钟的时间窗口。在商品售卖区间内，通过滑动时间窗口纳入不同时段的实时评论数据，计算每一时间窗口内的信息丰富度，直到覆盖全部商品售卖区间内的实时评论数据。为了更加细致地刻画不同时间段内实时评论中包含的商品信息量的变化情况，允许时间窗口的移动步长为30秒。

第3步，计算信息丰富度峰值。随着时间变化，实时评论信息丰富度也在不断变化。将商品售卖区间内各个时间窗口中信息丰富度的最大值定义为该商品的信息丰富度峰值。

(2)实时评论的情感极性峰值，测量步骤如下：

第1步，基于百度自然语言处理平台进行实时评论情感极性分析。已有研究常常采用基于情感词典的方法对文本进行情感极性分类[42]，但基于情感词典的方法泛化和迁移能力较差，往往需要针对特定领域的数据对词典进行扩充，在情感分析的准确度上也较为有限[43]。在实时评论中，消费者会使用语气词、网络用语等多种内容进行情绪态度的表达，在这种情况下，使用情感词典带来的局限性会更加突出。因此，本研究采用百度智能云平台自然语言处理模块的情感倾向分析对实时评论文本的情感极性进行判断[44]，该平台的情感分类算法基于深度学习的训练模型，自动学习包含主观信息的文本中的深层次语义和句法特征。目前已经证明该方法在产品分析和电商商品销售等领域具有良好的应用效果，模型整体精度和泛化能力好。使用上述情感分析模型，将每条实时评论表达的情感分为积极、中性和消极3类，积极情感取值为1，中性情感取值为0，消极情感取值为− 1。

第2步，计算情感极性。采用所有实时评论包含情感的均值测量情感极性。与信息丰富度的计算类似，通过滑动时间窗口，得到不同时间窗口内的实时评论情感极性。

第3步，计算情感极性峰值。将商品售卖区间内时间窗口中的情感极性最大值定义为实时评论的情感极性峰值。

3.4 控制变量

在研究模型中加入与实时评论、直播间氛围、商品相关的变量，以控制直播中其他因素对研究问题可能产生的干扰。

(1)实时评论数量。用户生成内容的数量是影响消费行为的重要维度之一，已有研究表明，用户生成内容数量越多，消费者对该商品的认知就更加深刻，进而表现出更强的购买倾向[39]。在线视频中的实时评论往往采用叠加式，从右向左匀速滑动。而在直播电商模式下，实时评论采用位于屏幕底端位置，每条评论以对话框的形式从屏幕底端向上滚动。单位时间内评论条数越多，滚动速度越快。因此，商品售卖区间的实时评论数量可以反映此时参与直播的活跃消费者人数，以及消费者对商品感兴趣的程度。同时，观看直播的所有消费者可以通过观察实时评论的滚动速度间接感受到其他消费者的存在。当评论数量越多时，消费者对他人存在的感知也就越强，消费者的心理唤醒水平也就越高[2]。同时，评论数量也在一定程度上帮助消费者了解正在展示的商品的受欢迎程度，以此对直播间消费者的购买决策产生影响。因此，本研究在模型中加入商品售卖区间内的实时评论数量，以对其产生的影响进行控制。

(2)在线观看人数。在直播过程中在线观看直播的人数随时间不断变化，在线观看直播的消费者数量反映了直播间热度，直接影响直播间内商品的销售情况。本研究获取每场直播中每5分钟记录一次的在线观看人数数据。为了得到特定商品展示时的在线观看人数，将商品的上架时间与在线人数数据中的记录时点进行匹配，选取观看人数数据中距离该商品上架时间最接近的时点，以该时点的在线观看人数作为商品售卖区间观看人数的近似值。考虑到该变量的非正态分布特性，对在线观看人数变量进行取自然对数处理。

(3)直播粉丝团人数、打赏数和点赞数。商品售卖区间内直播间整体的氛围对商品销量产生影响，在直播过程中消费者可以通过给主播点赞和打赏等互动方式表达对主播的支持，还可以加入主播的直播粉丝团，关注主播今后的每场直播。这些点赞、打赏和转粉等互动行为均在直播的屏幕上体现，可以被所有消费者和主播本人看到。当参与互动的人数增加时，直播间的氛围也就更加热烈，此时直播间消费者的情绪更容易被调动起来，更容易受到直播间氛围的影响，产生外在的行为反映。因此，将商品售卖区间内直播粉丝团人数、打赏数和点赞数加入模型，以反映该直播时段的感染力。加入直播粉丝团人数、打赏数和点赞数也进行取自然对数处理。

(4)商品价格。电子商务领域的相关研究已经发现，商品品类、品牌和价格等商品特征也是影响运营效果的重要因素[45]。在直播中商品往往以限定时间内的优惠价格出售，因此商品的价格也是影响商品销量的重要因素。在直播电商模式下，往往采用限时优惠的方式吸引消费者进行购买。但是在本研究获取的商品数据中，商品的原价与直播中的实际销售价格相同。因此，模型中仅控制商品价格。

3.5 描述性统计分析

所有变量的描述性统计结果见表1，在1 002条样本中，直播商品的平均销量为70.198，标准差为114.354，表明直播间中不同商品的销量存在较大差距。因此，直播电商商品销量的影响因素值得进一步分析和探索。

表2给出模型主要变量的相关系数。由相关性分析可知，信息丰富度峰值和情感极性峰值均与商品销量呈显著的正相关关系，与研究假设一致。下面结合实证模型进一步对研究假设进行检验。

4. 实证结果和分析

4.1 线性回归模型和最小二乘估计

为了检验直播电商模式下实时评论的信息效应和说服效应对商品销量的影响(即H1和H2)，本研究将售卖区间内的商品销量作为因变量，将售卖区间内实时评论的信息丰富度峰值和情感极性峰值作为自变量，其他与实时评论、直播间氛围和商品相关的变量作为控制变量，对1 002个商品样本数据进行分析。通过线性回归模型和最小二乘(OLS)估计法分析实时评论的信息效应和说服效应的影响，模型为

其中，i为商品，j为直播场次；Roo为反映商品所在直播场次的哑变量；α为常数项；β1和β2为自变量回归系数；γ1～γ6为控制变量回归系数；φj为不同直播场次哑变量的回归系数，控制了直播场次相关因素对商品销量的可能影响；εi为误差项。

回归分析结果见表3。模型1为OLS回归结果，检验自变量对因变量的影响。可以看出，实时评论的信息丰富度峰值显著正向影响商品销量，β1= 0.845，p<0.010，说明商品销量随着售卖区间内实时评论信息丰富度峰值的增加而增加，证实实时评论具有信息效应，H1得到验证。实时评论的情感极性峰值也显著正向影响商品销量，β2= 0.263，p<0.050，说明商品销量随着售卖区间内情感极性峰值的增加而增加，证实实时评论具有说服效应，H2得到验证。

在控制变量方面，实时评论的数量对商品销量有正向影响，γ1=0.002，p<0.010，表明活跃的互动可以提升观看直播的消费者的购买意愿。这一结果也与先前针对用户生成内容的研究结果一致[46]。在反映直播间氛围的变量中，在线观看的消费者人数、打赏数和点赞数都可以起到提升销售量的作用。正在观看直播的消费者人数体现了直播社群的受众范围，社群人数越多，社群内的消费者会产生更加强烈的社会临场感，进而促进其产生愉悦的消费体验。打赏和点赞作为直播中的一种互动仪式，可以更好地提高社群中消费者的心理唤醒水平，进而提高购买意愿。这些指标的提升意味着直播中主播的表现和上架的商品得到更多消费者的关注和支持，营造出一种更加热烈的直播间氛围，这种氛围也是提升商品转化的重要源动力。

4.2 内生性问题和工具变量估计

在直播过程中，主播的个人能力和现场的讲解表现既会影响直播中消费者的实时评论内容，也会影响直播带货的效果。考虑到以上因素，已有研究使用同一主播的直播数据，同时控制观众的点赞数和打赏数等反映主播表现的相关变量，在一定程度上控制了主播个人因素对销量带来的影响。但是，仍然有一些主播个人因素，如主播介绍商品时的语音语调、表情等对商品销量造成影响。测量上述变量往往需要对直播视频和主播语音等内容进行细粒度的处理，获取数据的难度较大。由于无法将这些变量作为控制变量加入到现有模型，因此线性回归模型的OLS估计结果可能存在内生性问题。

针对内生性问题，本研究采用工具变量法进行解决。工具变量法要求选择一系列变量作为模型中内生解释变量的工具变量，进而与模型中其他变量一起构建相应参数的一致估计量。工具变量需要具备与内生自变量高度相关且与随机误差项不相关，因此，构建合适的工具变量是工具变量法的关键。

针对某一商品的信息丰富度峰值和情感极性峰值，本研究选取同一主播其他直播场次与目标商品同类且拥有相似实时评论的商品，用该商品售卖区间内实时评论的信息丰富度峰值和情感极性峰值作为工具变量。这样做的理由如下：①上述两个工具变量与内生自变量存在相关关系。实时评论整体特征相似的商品，表明在该商品售卖区间内消费者讨论的话题和热度均较为相似。因此，可以认为该商品实时评论中包含的商品信息和消费者情感态度与目标商品实时评论中包含的商品信息和情感态度相关。②上述两个工具变量与随机误差项不相关，即不会直接影响因变量(目标商品销量)。由于工具变量中选择的商品与目标商品不在同一直播场次，工具变量商品的实时评论不会对目标商品销量产生影响。另外，这些商品虽为同类但并不完全相同，因此不存在购买需求上的冲突。

为了刻画不同商品的实时评论相似度，使用商品售卖区间实时评论的内容和数量作为实时评论特征的主要维度，对商品实时评论的相似度进行测量。将商品售卖区间的所有实时评论文本进行整合，在进行分词、去停用词操作后，将文本中的词语转换为词频矩阵。在此基础上，统计商品售卖区间的实时评论数量。基于实时评论内容和数量两个维度，本研究使用余弦文本相似度计算目标商品与其他直播场次中商品的实时评论特征之间的相似度[47]，选取实时评论相似度最高的商品的信息丰富度峰值和情感极性峰值作为目标商品的工具变量。

基于以上工具变量，使用两阶段最小二乘法(2SLS)用(1)式进行检验，进一步确认信息丰富度峰值和情感极性峰值对商品销量的影响。检验结果见表3的模型2，在工具变量的估计过程中，两个内生变量第一阶段的F统计量值均大于10，最小特征值统计量为18.654，远大于STOCK et al.[48]设定的在10%偏误水平下的临界值，表明本研究选择的工具变量是合适的，不存在弱工具变量问题。由表3可知，与OLS方法相比，2SLS法得到的两个自变量的回归系数值变大，但是系数的方向和显著性没有发生变化，进一步验证了实时评论的信息效应和说服效应对商品销量的积极影响。

为了提高工具变量回归的稳健性，进一步验证工具变量的外生性假设。本研究选取与目标商品的实时评论结构相似度最高的3个其他直播场次的商品，以这些商品售卖区间的实时评论中包含的信息性和说服性作为工具变量，再一次进行多工具变量回归，结果见表3的模型3。第一阶段回归的F统计量值为13.837，大于STOCK et al.[48]设定的在10%偏误水平下的临界值，因此可以拒绝弱工具变量假设。同时，Hansen-J统计量的值为5.812，p值为0.214，即不能拒绝工具变量与扰动项不相关的原假设，表明本研究选取的工具变量满足外生性假设。表3模型3中，在过度识别的情况下(即模型中工具变量个数大于内生变量个数)，自变量的回归系数与模型2中恰好识别情况下(即模型中工具变量个数等于内生变量个数)的回归结果相差不大，且依旧显著。以上分析进一步证明了回归结果的稳健性。

由于在存在过度识别和异方差的情况下广义矩估计(GMM)更为有效，因此在多个工具变量的基础上，本研究采取GMM方法进一步验证工具变量的有效性。检验结果见表3的模型4，与模型3相比，实时评论信息丰富度峰值和情感极性峰值的回归系数大小变化不大，显著性也没有发生变化。

5. 讨论

5.1 稳健性检验

前文对因变量取对数处理并进行线性回归分析，考虑到因变量商品销量为非负整数数据，同时可能存在过度分散现象，本研究采取负二项回归的形式，对研究假设进行再次检验。结果表明，与先前的分析结果一致，实时评论信息丰富度峰值和情感极性峰值的回归系数依旧显著为正。此外，在考虑模型内生性的情况下，加入工具变量的负二项回归模型依旧可以得到相似的结果，证明研究结果稳健。

为了进一步检验实时评论对直播电商商品销量的影响，本研究采用商品售卖区间内不同时间窗口中信息丰富度和情感极性的均值进一步检验回归结果的稳健性。在计算不同时间窗口中包含的商品信息评论和用户情感评论占整体实时评论的占比时，为了不对实时评论内容进行重复计算，采用时间间隔为1分钟并且不重叠的时间窗口，得到每个商品在不同时间窗口中的信息丰富度均值和情感极性均值。OLS和2SLS估计结果均表明，商品售卖区间内的平均信息丰富度和平均情感极性仍然对商品销量产生正向的显著影响，进一步证实了实时评论的信息效应和说服效应。

在上述分析中，针对实时评论中包含的商品信息内容，逐条判断实时评论中是否含有商品关键词，构建含有商品关键词的实时评论占时间窗口内实时评论总数的比例作为自变量，对商品售卖区间中不同时段的信息丰富度进行测量。作为稳健性检验，此处在判断每条实时评论是否含有商品关键词的基础上，进一步考虑实时评论中包含的商品关键词的数量，使用平均每条实时评论中包含的商品关键词个数作为商品实时评论中的信息内容占比的另一种测量方法，变量记为Pkw，并对研究假设做进一步检验。表4中的模型5和模型6分别采用不考虑内生性问题的OLS模型和考虑内生性问题的2SLS模型，检验Pkw和Pks对Sal的影响。由表4可知，回归结果仍然验证了研究假设，说明在调整了实时评论信息丰富度峰值的测量方法后，结果依然十分稳定。

5.2 机制讨论

本研究采用深度访谈的方式验证上述因果关系及其背后机制。对有过直播电商观看经历的18位在校学生进行访谈，首先唤起学生观看电商直播的记忆，随后通过深度访谈收集实时评论对个体认知、态度和行为的影响。基于访谈数据的分析，实时评论信息丰富度峰值和情感极性峰值对直播电商的消费者产生强烈刺激，影响消费者的行为。一方面，实时评论的信息丰富度和情感极性能够影响购买行为。受访者2表示：“大家提到的商品信息是很真实的反馈，给我的购买提供参考”；受访者17表示：“好评会增加购买概率，恶意评论影响观看体验。”另一方面，实时评论信息丰富度峰值和情感极性峰值对消费者购买决策的影响最大。受访者5表示：“我会注意询问人数多的产品”；受访者12表示：“我会考虑购买好评居多的商品”；受访者7表示：“实时评论中好几个人都提到衣服质量不好，售后态度不好，我会直接放弃购买”。

本研究挖掘了实时评论的信息丰富度峰值和情感极性峰值对消费者决策过程的推动作用，以此解释消费者与直播电商商品销量之间因果关系的背后机制。①当实时评论的信息丰富度很高时，消费者会意识到他人的关注点，进而对商品产生关注。受访者7表示：“如果有很多人对商品属性发表评论，我也会点开商品链接看商品的信息，按照自己感兴趣的方面查看，对比其他家的商品价格、品牌和性能，点开评论，尤其注重评论中的图片回答和追加”；受访者11表示：“我会仔细看看主播说的这个产品，然后认真了解一下”；受访者12和受访者14均表示：“看到实时评论中大家在讨论商品，我会有点开商品链接的冲动，考虑购买”。②当实时评论的情感极性更偏向积极时，消费者更容易被积极的购买情绪感染，进而对商品产生兴趣。受访者4表示：“大家都很喜欢的商品我也会觉得喜欢”；受访者7表示：“比如一件衣服第一眼看上去觉得普普通通没有新意，不感兴趣，但如果问的人多了或者夸的人多了，我会重新审视一遍这件衣服，甚至会觉得更耐看、更有味道”；受访者11表示：“我没事儿去看一个衣服的直播间，原本是抱着随便看看的心态，可是发现大家对它评价很高，然后我就很感兴趣，就买了它”。 综上所述，实时评论的信息丰富度峰值和情感极性峰值能够通过影响消费者决策过程中的关键心理状态(即产生关注和产生兴趣)，推动消费者的购买行为。

6. 结论

6.1 研究结果

本研究以抖音平台的直播电商为研究对象，基于用户生成内容的分类体系，同时结合实时评论的动态性特点，探究直播电商模式下实时评论的信息丰富度峰值和情感极性峰值对商品销量的影响，并采用深度访谈进一步探索实时评论对直播消费者产生影响的具体心理机制。

研究结果表明，①实时评论的信息丰富度峰值对商品销量有显著的正向影响，信息丰富度峰值越高，对商品销量的促进作用越强；②实时评论的情感极性峰值对商品销量有显著的正向影响，情感极性峰值越高，对商品销量的促进作用越强；③反映活跃的直播间在线观看人数、打赏数和点赞数对消费者购买行为带来积极影响；④实时评论的信息丰富度峰值和情感极性峰值对消费者的决策过程具有推动作用，进而能够影响其购买行为。

6.2 理论贡献和管理启示

本研究的理论贡献在于：①本研究丰富了用户生成内容领域的相关研究。已有研究主要关注微博、在线评论等传统用户生成内容及其影响，这些传统用户生成内容主要在消费者购物前阶段或购物后阶段生成。实时评论是一种在购物过程中产生的用户生成内容，其对理解消费者行为有重要意义[49]。②本研究拓展了实时评论的相关研究。很少有研究深入挖掘实时评论的语义内容及其影响，本研究从语义内容角度揭示了实时评论具有的信息效应和说服效应，采用峰值对实时评论产生的动态影响进行理论假设和模型检验，实现了对实时评论特性的进一步探索。③本研究拓展了直播用户购买决策的相关研究。已有研究很少通过实证的方法验证各类因素对消费者购买行为的影响及其实际经济价值，本研究基于直播电商的真实销售数据，通过实证分析检验了实时评论对商品销量的经济影响。

本研究也为直播电商领域的实践者提供启示。实时评论是直播电商中的一种重要互动信息，应当引起直播平台方、商家和主播的充分重视。实时评论不仅反映了消费者参与直播的积极性，还反映了观看直播的受众之间的相互影响，对直播带货效果发挥至关重要的作用。参与直播的品牌方和主播应当充分重视社会互动对于营销效果的重要作用，采用适当的方式对消费者进行管理和引导，激励直播间的消费者主动生成实时评论内容，更好地实现客户关系管理和品牌营销推广的目标。

6.3 局限性和展望

本研究采用科学严谨的实证流程，尽量处理内生性等因素对研究结果的影响，但仍然存在一些局限。①本研究采用具有代表性的特定主播和特定品类商品的直播数据进行分析，未来研究可以考虑扩大数据集范围，验证实时评论内容对直播电商商品销量的影响。②本研究仅将实时评论内容分为积极、消极和中性3类，没有刻画更细粒度的情感特征，未来可以考虑引入更加细粒度的情感分析分类模型，以便更精准地捕捉实时评论中蕴含的情感。③由于数据限制，本研究并未区分主播与消费者之间不同社交互动程度对实时评论内容特征影响的调节作用。直播间内高水平的社交互动往往能对消费者的态度和行为产生积极影响[50]。因此，本研究结果是对实时评论内容特征影响效果的保守估计，未来可以进一步收集主播讲解的相关数据，对社交互动的调节作用进行探索。

[1]

CAI J, WOHN D Y. Live streaming commerce: uses and gratifications approach to understanding consumers′ motivations//Proceedings of the 52nd Hawaii International Conference on System Sciences. Hawaii: Scholar Space, 2019: 2548−2557.

[2]

ZHOU J L, ZHOU J, DING Y, et al. The magic of danmaku: a social interaction perspective of gift sending on live streaming platforms. Electronic Commerce Research and Applications, 2019, 34: 100815-1−100815-9.

[3]陈瑞, 张晏宁, 吴胜涛. 直播营销模式的深层逻辑:社交场和营销场及其协同作用. 清华管理评论, 2020(12): 44−52.

CHEN Rui, ZHANG Yanning, WU Shengtao. The deep logic of the live streaming marketing: social field, marketing field and their synergy. Tsinghua Business Review, 2020(12): 44−52.

[4]

ZHANG M, QIN F, WANG G A, et al. The impact of live video streaming on online purchase intention. The Service Industries Journal, 2020, 40(9/10): 656−681.

[5]

XU X Y, WU J H, CHANG Y T, et al. The investigation of hedonic consumption, impulsive consumption and social sharing in e-commerce live-streaming videos//Proceedings of the 23rd Pacific Asia Conference on Information Systems. Xi′an: Association for Information Systems, 2019.

[6]刘凤军, 孟陆, 陈斯允, 等. 网红直播对消费者购买意愿的影响及其机制研究. 管理学报, 2020, 17(1): 94−104.

LIU Fengjun, MENG Lu, CHEN Siyun, et al. The impact of network celebrities′ information source characteristics on purchase intention. Chinese Journal of Management, 2020, 17(1): 94−104.

[7]

SCHOUTEN A P, JANSSEN L, VERSPAGET M. Celebrity vs influencer endorsements in advertising: the role of identification, credibility, and product-endorser fit. International Journal of Advertising, 2020, 39(2): 258−281.

[8]刘洋, 李琪, 殷猛. 网络直播购物特征对消费者购买行为影响研究. 软科学, 2020, 34(6): 108−114.

LIU Yang, LI Qi, YIN Meng. Research on the influence of webcast shopping features on consumer purchasing behavior. Soft Science, 2020, 34(6): 108−114.

[9]

SUN Y, SHAO X, LI X T, et al. How live streaming influences purchase intentions in social commerce: an IT affordance perspective. Electronic Commerce Research and Applications, 2019, 37: 100886-1−100886-12.

[10]

ZHANG H, LU Y B, GUPTA S, et al. What motivates customers to participate in social commerce? The impact of technological environments and virtual customer experiences. Information & Management, 2014, 51(8): 1017−1030.

[11]汪旭晖, 张其林. 用户生成内容质量对多渠道零售商品牌权益的影响. 管理科学, 2015, 28(4): 71−85.

WANG Xuhui, ZHANG Qilin. Influencing mechanism of user-generated content quality on brand equity of multichannel retailers. Journal of Management Science, 2015, 28(4): 71−85.

[12]

XUE J L, LIANG X J, XIE T, et al. See now, act now: how to interact with customers to enhance social commerce engagement?. Information & Management, 2020, 57(6): 103324-1−103324-26.

[13]

KANG K, LU J X, GUO L Y, et al. The dynamic effect of interactivity on customer engagement behavior through tie strength: evidence from live streaming commerce platforms. International Journal of Information Management, 2021, 56: 102251-1−102251-16.

[14]

CHEN Y B, WANG Q, XIE J H. Online social interactions: a natural experiment on word of mouth versus observational learning. Journal of Marketing Research, 2011, 48(2): 238−254.

[15]

FANG J M, CHEN L, WEN C, et al. Co-viewing experience in video websites: the effect of social presence on e-loyalty. International Journal of Electronic Commerce, 2018, 22(3): 446−476.

[16]喻昕, 许正良. 网络直播平台中弹幕用户信息参与行为研究:基于沉浸理论的视角. 情报科学, 2017, 35(10): 147−151.

YU Xin, XU Zhengliang. The theoretical model of bullet screen users′ participative behavior in network broadcast platform: based on the perspective of flow theory. Information Science, 2017, 35(10): 147−151.

[17]

SHEN Y, CHAN H C, HUNG I W. Let the comments fly: the effects of flying commentary presentation on consumer judgment//Proceedings of the 35th International Conference on Information Systems. Auckland: Association for Information Systems, 2014.

[18]

RAMANATHAN S, MCGILL A L. Consuming with others: social influences on moment-to-moment and retrospective evaluations of an experience. Journal of Consumer Research, 2007, 34(4): 506−524.

[19]袁海霞, 方青青, 白琳. 弹幕对在线消费行为过程影响的时变效应研究. 管理学报, 2020, 17(7): 1059−1066.

YUAN Haixia, FANG Qingqing, BAI Lin. Study on time-varying effect of danmaku on the process of online consumption behavior process. Chinese Journal of Management, 2020, 17(7): 1059−1066.

[20]王霞, 梁栋. 弹幕数量和弹幕情感强度对视频流行度的影响. 营销科学学报, 2019, 15(2): 132−156.

WANG Xia, LIANG Dong. The impact of danmaku volume and danmaku emotional intensity on video popularity. Journal of Marketing Science, 2019, 15(2): 132−156.

[21]

GOH K Y, HENG C S, LIN Z J. Social media brand community and consumer behavior: quantifying the relative impact of user- and marketer-generated content. Information Systems Research, 2013, 24(1): 88−107.

[22]

COLICEV A, KUMAR A, O′CONNOR P. Modeling the relationship between firm and user generated content and the stages of the marketing funnel. International Journal of Research in Marketing, 2019, 36(1): 100−116.

[23]

WANG X L, LU J D, OW T T, et al. Understanding the emotional and informational influence on customer knowledge contribution through quantitative content analysis. Information & Management, 2021, 58(2): 103426-1−103426-16.

[24]

WANG X W, WU D Z. Understanding user engagement mechanisms on a live streaming platform//6th International Conference on Business, Government, and Organizations (HCIBGO) Held as Part of 21st International Conference on Human-Computer. Orlando: Springer, 2019, 11589: 266−275.

[25]

GUITART I A, STREMERSCH S. The impact of informational and emotional television ad content on online search and sales. Journal of Marketing Research, 2021, 58(2): 299−320.

[26]杜运周, 李佳馨, 刘秋辰, 等. 复杂动态视角下的组态理论与QCA方法:研究进展与未来方向. 管理世界, 2021, 37(3): 180−197.

DU Yunzhou, LI Jiaxin, LIU Qiuchen, et al. Configurational theory and QCA method from a complex dynamic perspective: research progress and future directions. Journal of Management World, 2021, 37(3): 180−197.

[27]刘刚, 张泠然, 梁晗, 等. 互联网创业的信息分享机制研究:一个整合网络众筹与社交数据的双阶段模型. 管理世界, 2021, 37(2): 107−125.

LIU Gang, ZHANG Lingran, LIANG Han, et al. Research on information sharing mechanism of internet entrepreneurship: a two-stage model integrating internet crowdfunding and social data. Journal of Management World, 2021, 37(2): 107−125.

[28]耿晓伟, 郑全全. 经验回顾评价中峰−终定律的检验. 心理科学, 2011, 34(1): 225−229.

GENG Xiaowei, ZHENG Quanquan. A test of the peak-end rule in retrospective evaluation on extended experiences. Journal of Psychological Science, 2011, 34(1): 225−229.

[29]

ARIELY D, CARMON Z. Gestalt characteristics of experiences: the defining features of summarized events. Journal of Behavioral Decision Making, 2000, 13(2): 191−201.

[30]

JIANG L, YIN D Z, LIU D. Can joy buy you money? The impact of the strength, duration, and phases of an entrepreneur′s peak displayed joy on funding performance. Academy of Management Journal, 2019, 62(6): 1848−1871.

[31]

DAFT R L, LENGEL R H. Organizational information requirements, media richness and structural design. Management Science, 1986, 32(5): 554−571.

[32]

DENNIS A R, KINNEY S T. Testing media richness theory in the new media: the effects of cues, feedback, and task equivocality. Information Systems Research, 1998, 9(3): 256−274.

[33]朱梦茜, 颜祥林, 袁勤俭. MIS领域应用媒介丰富度理论研究的文献述评. 现代情报, 2018, 38(9): 146−154.

ZHU Mengxi, YAN Xianglin, YUAN Qinjian. A review of researches based on media richness theory in MIS discipline. Journal of Modern Information, 2018, 38(9): 146−154.

[34]韩金星, 张喆, 古晨妍. 网络团购中消费者社会互动对团购信任的影响. 管理评论, 2016, 28(9): 148−162.

HAN Jinxing, ZHANG Zhe, GU Chenyan. The effect of consumers′ social interactions on trust in online group-buying. Management Review, 2016, 28(9): 148−162.

[35]林钻辉. 网络直播信息特质对冲动性购买的影响:基于心流体验的中介作用. 商业经济研究, 2021(14): 75−78.

LIN Zuanhui. The effect of live streaming information characteristics on impulsive purchase: the mediation effect of flow experience. Journal of Commercial Economics, 2021(14): 75−78.

[36]

HU X, CHEN X Y, DAVISON R M. Social support, source credibility, social influence, and impulsive purchase behavior in social commerce. International Journal of Electronic Commerce, 2019, 23(3): 297−327.

[37]张正林, 庄贵军. 基于社会影响和面子视角的冲动购买研究. 管理科学, 2008, 21(6): 66−72.

ZHANG Zhenglin, ZHUANG Guijun. A study of consumer impulsive buying based on the view of social influence and mianzi. Journal of Management Science, 2008, 21(6): 66−72.

[38]

SANBONMATSU D M, KARDES F R. The effects of physiological arousal on information processing and persuasion. Journal of Consumer Research, 1988, 15(3): 379−385.

[39]

CHEVALIER J A, MAYZLIN D. The effect of word of mouth on sales: online book reviews. Journal of Marketing Research, 2006, 43(3): 345−354.

[40]

GHOSE A, IPEIROTIS P G. Estimating the helpfulness and economic impact of product reviews: mining text and reviewer characteristics. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(10): 1498−1512.

[41]孟凡荣, 庄朋, 闫秋艳. 基于加权移动平均的数据流预测模型. 计算机应用研究, 2009, 26(10): 3680−3682, 3686.

MENG Fanrong, ZHUANG Peng, YAN Qiuyan. Data stream prediction model based on weighted moving average. Application Research of Computers, 2009, 26(10): 3680−3682, 3686.

[42]郑飏飏, 徐健, 肖卓. 情感分析及可视化方法在网络视频弹幕数据分析中的应用. 数据分析与知识发现, 2015(11): 82−90.

ZHENG Yangyang, XU Jian, XIAO Zhuo. Utilization of sentiment analysis and visualization in online video bullet-screen comments. Data Analysis and Knowledge Discovery, 2015(11): 82−90.

[43]王婷, 杨文忠. 文本情感分析方法研究综述. 计算机工程与应用, 2021, 57(12): 11−24.

WANG Ting, YANG Wenzhong. Review of text sentiment analysis methods. Computer Engineering and Applications, 2021, 57(12): 11−24.

[44]谢秋逸, 周年兴, 轩源, 等. 基于百度AI开放平台的北京市共享住宿顾客满意度及需求层次研究. 南京师大学报(自然科学版), 2021, 44(1): 64−70.

XIE Qiuyi, ZHOU Nianxing, XUAN Yuan, et al. Research on the degree of customer satisfaction and hierarchy of needs of Beijing shared accommodation based on Baidu AI open platform. Journal of Nanjing Normal University (Natural Science Edition), 2021, 44(1): 64−70.

[45]

ROSARIO A B, SOTGIU F, DE VALCK K, et al. The effect of electronic word of mouth on sales: a meta-analytic review of platform, product, and metric factors. Journal of Marketing Research, 2016, 53(3): 297−318.

[46]龚诗阳, 刘霞, 刘洋, 等. 网络口碑决定产品命运吗:对线上图书评论的实证分析. 南开管理评论, 2012, 15(4): 118−128.

GONG Shiyang, LIU Xia, LIU Yang, et al. Does online word-of-mouth determine product′s fate: an empirical analysis of online book reviews. Nankai Business Review, 2012, 15(4): 118−128.

[47]

ZHANG W, WANG M, ZHU Y C. Does government information release really matter in regulating contagion-evolution of negative emotion during public emergencies? From the perspective of cognitive big data analytics. International Journal of Information Management, 2020, 50: 498−514.

[48]

STOCK J H, YOGO M. Testing for weak instruments in linear IV regression. Cambridge: Cambridge University Press, 2005: 80−108.

[49]

ZHANG Q, WANG W B, CHEN Y X. Frontiers: in-consumption social listening with moment-to-moment unstructured data: the case of movie appreciation and live comments. Marketing Science, 2020, 39(2): 285−295.

[50]刘容, 于洪彦. 在线品牌社区顾客间互动对顾客愉悦体验的影响. 管理科学, 2017, 30(6): 130−141.

LIU Rong, YU Hongyan. Impact of customer-to-customer interaction in online brand communities on customer enjoyable experience. Journal of Management Science, 2017, 30(6): 130−141.

[1]姚山季. 智力资本对顾客参与的驱动影响：转化式学习视角 [J]. 管理科学, 2016, 29(2): 77-92. DOI: 10.3969/j.issn.1672-0334.2016.02.007

[2]赵旭,刘新梅. 战略聚焦视角下的文化特性与新产品创造力研究 [J]. 管理科学, 2016, 29(6): 52-63. DOI: 10.3969/j.issn.1672-0334.2016.06.005

[3]徐鹏,白贵玉,陈志军. 子公司动态竞争能力培育及效应研究 [J]. 管理科学, 2016, 29(3): 49-58. DOI: 10.3969/j.issn.1672-0334.2016.03.005

[4]余星,张卫国,刘勇军. 期权动态套期保值双相机决策模型及实证研究 [J]. 管理科学, 2016, 29(4): 139-148. DOI: 10.3969/j.issn.1672-0334.2016.04.012

[5]汪旭晖,张其林. 用户生成内容质量对多渠道零售商品牌权益的影响 [J]. 管理科学, 2015, 28(4): 71-85. DOI: 10.3969/j.issn.1672-0334.2015.04.007

[6]丁一,郭伏,张雪峰,姜均译. 产品造型对用户使用意向影响的事件相关电位研究 [J]. 管理科学, 2015, 28(6): 95-104. DOI: 10.3969/j.issn.1672-0334.2015.06.008

[7]蒿坡,龙立荣,贺伟. 领导力共享、垂直领导力与团队创造力：双视角研究 [J]. 管理科学, 2014, 27(6): 53-64.

[8]张宗明,杜荣,廖貅武. 合作生产视角下的服务外包契约设计 [J]. 管理科学, 2014, 27(6): 77-89.

[9]谭庆美,魏东一. 管理层权力与企业价值：基于产品市场竞争的视角 [J]. 管理科学, 2014, 27(3): 1-13.

[10]吴锦峰,常亚平,潘慧明. 多渠道整合质量对线上购买意愿的作用机理：传统零售商的视角 [J]. 管理科学, 2014, 27(1): 62-74. DOI: 10.3969/j.issn.1672-0334.2014.01.009