摘要本文从社会影响理论角度分析，认为消费者在社交网络中建立的网络关系是一种典型的社会存在，会激发消费者的自我展示动机，从而发起更多、更负面的在线口碑，成为口碑“爆点”。通过对美国购物点评网站Epinion.com的实证研究发现：（1）当消费者拥有更多网络关系时会触发更强的自我展示动机，从而发起更多在线口碑。（2）负面口碑会被感知为更客观、更有见地，因此更强的印象管理动机会导致“爆点”的口碑效价更低。（3）“爆点”的口碑发起行为受到其朋友圈的形成时间（时间距离——从关系建立的时间点到当前时间点的时间长度）、朋友的影响力（特征向量中心性——粉丝节点的度中心性）的调节作用，朋友圈形成时间越短影响力越大，则其关系对口碑数量和口碑效价产生的影响更强。
关键词网络关系；口碑爆点；社会网络；社会影响
引言
口碑是消费者对产品或服务的评论，随着互联网的发展，口碑逐渐由人际之间的语言沟通转化为互联网中的用户生成内容。与大众传媒时代由企业主导的、垂直方式、单向传播的广告相比，社交媒体时代由消费者发布、水平方式、多向扩散的在线口碑，更能集中体现消费者群体对产品和服务的了解、体验，逐渐成为消费者信息获取的主要方式之一，对消费者的购买决策和企业的经营产生巨大影响。[1]例如，看电影前会浏览相关的影评，买书时会看看亚马逊排行榜，网上购物时更是会参考“买家秀”。[2]积极口碑可以树立企业良好的形象，而负面口碑则会丑化企业形象，影响企业的经营和发展。研究表明，相比正面口碑，负面口碑的危害性更大。然而在冗杂的UGC信息中，在线口碑是一种弱信号，不易于企业直接察觉。特别是一些有影响力的人，当他们发起（Generation）负面口碑后，更容易爆发式扩散至整个网络，传播（Transmission）过程更难被企业掌控，我们将这类人定义为口碑“爆点”。[3]由此可见，在口碑扩散初期——口碑产生阶段，企业有效地进行舆情监测，识别负面口碑“爆点”，防止由负面口碑引发网络口碑危机至关重要。[4]要解决这个问题，首先需要理解消费者为什么发起口碑，特别是发起负面口碑。
社会网络研究指出，网络发展初期各节点度中心性普遍较小，网络呈同配性。此时，少数节点为了获得更多社会关系展示自己，即口碑贡献的动机是获取网络关系，在这方面已经有很多关于口碑内容对网络关系形成影响的研究（如意见领袖形成机制）。但随着网络的演化发展，节点间度中心性差异变大，少数节点度中心性较大（形成意见领袖），网络度中心性呈幂律分布，此时度中心性小的节点倾向于与度中心性大的节点（意见领袖）关联，网络呈异配性。社会网络理论（Social Network Theory）认为，网络结构会对网络节点所面临的信息、资源、机会产生影响，进而影响网络节点行为。[5]那么，当一个用户成为意见领袖后，其口碑发起的动机是不是由于他的社会关系增加所带来的社会影响，即用户朋友圈的存在和变化是否对其口碑发起造成影响？例如，社交媒体上的“新晋网红”与粉丝数量相对稳定的“网络大V”相比，在短时间内得到了更多的关注，而这些新增的关注会被个体感知为新的社会存在，进而影响“新晋网红”的行为。相比之下，这些“新晋网红”就更可能散播一些非主流言论。另一方面，当这些“新晋网红”的粉丝数量相对稳定、不再有太多新增的关注以后，他们口碑贡献的数量和负面口碑的比例会下降。这是否意味着用户在社会网络中的关系会影响其口碑发起呢？以往有关意见领袖对口碑贡献的研究，更多关注正面口碑传播（转发）过程，对负面口碑发起的研究较少。而企业在舆情监控过程中，口碑预测和“爆点”识别非常关键。那么，什么样的网络结构特征更可能使用户成为“爆点”，发起数量更多、更负面的在线口碑？本文希望探究网络结构是否会影响消费者口碑发起，以及如何影响消费者的口碑发起行为。
以往针对在线口碑动机的研究发现，口碑贡献的前因变量包括信息回报、社区兴盛、提升形象、支持/惩罚商家等。[6-9]相关研究主要从两个方面展开：一是消费者内在的动机，如消费者会出于印象管理的动机贡献口碑，以提升他人对消费者的形象感知；二是消费者所处的外部环境，例如电影票房越高越能获得消费者的口碑传播。[10-13]基于社会影响理论(Social Impact Theory)，我们认为网络关系（外部因素）实际上是一种虚拟的社会存在，会激发消费者自我展示和印象管理（内在因素）的动机，从而促使其发起数量上更多、效价更低的口碑，成为口碑“爆点”。[14-16]本文希望证明网络结构与口碑发起特别是负面口碑的相关关系，从而说明什么样的节点更可能成为口碑“爆点”。
为了探究网络关系与“爆点”口碑发起间的作用机制，本文搜集了美国Epinion.com网站中的用户关系和口碑行为的数据，利用具有固定效应的面板数据模型对数据进行回归分析。结果发现，网络关系对口碑数量存在显著的正向影响，对口碑效价存在显著的负向影响，而这种效应主要来自入度网络关系，出度网络关系影响较小。此外还发现，网络关系的时间距离和关系强度对这一效应起到了调节作用。
一、文献综述和研究假设
1.在线口碑
与传统的信息渠道（广告、新闻报道等）相比，口碑（WOM）直接来自消费者自身经验，被认为更加真实可信。[17]与线下口碑相比，在线口碑（Online WOM）具有保存时间长、受众广、传播速度快、影响大的特点。[18]Angelis等[19]对亚马逊网站上的评论进行了对比分析，发现口碑对书籍的销售存在显著影响，并且负面口碑的影响更大。在线口碑的研究也开始扩展到其他行业，如电影、股票、游戏、汽车等。[20,21]此外，有学者从口碑影响模式、语言表达、消费者特征、产品属性、品牌特质等不同角度对在线口碑进行了深入的研究。[22-24]
表1 在线口碑影响研究
相关文献 口碑变量 结果变量研究对象 研究结论等 [25,26] 口碑离散程度 收视率 电视节目 口碑的离散程度能够解释电视节目收视率Chevalier Berger口碑数量等[27]和效价 销量 图书 口碑数量和效价对图书销售均存在显著影响，并且负面口碑影响更大口碑数量对票房有显著影响，而口碑效价没有，并且口碑和票房之间存在相互影响Wang等[15]负面口碑数量 股票超常Wilcox等[28] 口碑数量和效价 票房收益 电影收益 银行业 负面口碑对股价存在长期影响，需要数月完全发挥作用以及作用消失Zhu等[21] 口碑数量和效价 销量 游戏 产品的流行度和消费者的经验对口碑的影响起到调节作用郝媛媛等[29] 口碑数量和效价 票房 电影 主要是口碑效价对票房收益产生显著影响MoeWendy等[9] 口碑效价 销量日用产品 口碑效价对产品销售产生直接影响，并且口碑之间还会相互影响Ma等[18] 口碑效价和不一致 销量 图书 当口碑效价较低时，高不一致性能够提高产品的销量积极文本特征的增加能提高转化率，并且语言风格的一致性能够强化这一影响Tang等[31]口碑数量、效Ludwig等[30]口碑文本特征 点击转化率 图书价和文本特征 销量 汽车、电影电子产品中立评论对产品销量存在显著影响，并且不同类型的中立评论影响不同He等[32] 口碑数量、效价和文本特征 销量 餐饮业消费者从不同的评论中学习不同内容，评论能够为消费者带来7元的经济价值
从表1可以看出，目前对口碑的研究更偏向基于二手数据的实证研究，维度上也更加丰富，从以往单纯研究口碑的数量（Volume）到研究口碑的效价（Valence），对效价的关注从以往的正面、负面口碑（Positive/Negative）到目前的中性口碑（Neutral），对于口碑的影响以及影响产生的机制认知也越来越深入。[33]然而当前的研究主要聚焦于口碑对产品及口碑接受者的影响，对口碑贡献行为（口碑数量、口碑效价）与口碑贡献者自身网络结构之间关系的研究则主要集中在意见领袖的形成机制上，即口碑对网络关系形成的影响。而针对现有的网络关系对未来口碑贡献的影响研究较少。
2.在线口碑的形成及动机
企业通过在线口碑实施营销策略时，需要充分了解口碑传播的动机。研究发现，消费者贡献口碑主要有两个内在动机：印象管理（Impression Management）和自我展示（Self-presentation）。[34]例如，消费者会分享特定的内容（产品）而得到更多的口碑传播；某些产品如汽车、服装等，具有很强的象征性，消费者可以通过分享与自我相关的产品来展示自我定义（Self-concept）和身份认同（Identity）。[35]消费者的独特性需求会降低口碑传播动机，因为口碑会鼓励其他消费者购买相同的产品，削弱由产品带来的独特性。[30]消费者的满意度和口碑传播意愿存在U型关系，即非常不满意和非常满意都会导致口碑传播，并且不满意更可能导致口碑传播。[36]消费者会出于构建和提升自身形象（Image）的目的主动在社交平台上传播口碑。[33]
图1 企业与网络口碑的关系
表2 口碑动机研究
文献 自变量 因变量 类型Angelis等[19] 印象管理/Impression Management口碑产生（Generation Of WOM）口碑传播（Transmission Of WOM）内部因素Anderson[37] 满意/Satisfaction 口碑传播（Transmission Of WOM）Cheema等[14] 独特性需求/Uniqueness Seeking 口碑效价（Valence Of WOM）Toubia[36] 形象/Images 口碑数量（Volume Of WOM）Zhu等[21] 产品流行度/Product Popularity 口碑数量（Volume Of WOM）外部因素Liu[38] 企业干预/Firm Interventions口碑数量（Volume Of WOM）MoeWendy等[9] 过去的评论/Previous Review口碑数量（Volume Of WOM）本研究关系数量/Degree关系强度/Strength of Relation关系距离/Distance of Relation口碑产生的数量（Volume Of WOM Generation ）口碑产生的效价（Valence Of WOM Generation ）外部-＞内部
除了消费者本身的内部因素，一些外部因素也会影响其口碑贡献行为。Zhu等[21]发现产品流行程度会影响口碑扩散，如电影。Liu等[38]发现企业在社交媒体上的参与也会影响口碑传播，当社交媒体上出现负面口碑时，企业的服务补救能够减少类似的抱怨。
从以上文献可以看出，口碑贡献的动机有两方面：一是消费者的心理动机，如自我展示、印象管理、满意、独特性需求等；二是消费者所处的环境，包括市场环境、社会环境等。现有研究多关注某一类因素对口碑贡献的作用，缺少内外部因素之间的交互研究。[36-39]在社会影响的作用下，在线口碑会充当消费者自我展示和印象管理的工具，口碑数量和效价将反映出这两种心理机制的作用。此外，在口碑贡献研究中，涉及的因变量大都是口碑的传播（Transmission）意愿，而不是口碑的发起（Generation）。研究主要关注易感（Infected）人群的识别，而对负面口碑易爆（Explosive）人群识别的研究较少。Angelis等[19]指出，口碑发起和口碑传播是口碑扩散的两个不同阶段。随着社会化媒体的发展，一旦负面口碑产生后，其扩散过程是难以掌控的，口碑“爆点”的识别对企业的口碑预测、舆情监控更有意义。因此本文聚焦于消费者所处的网络结构（外部因素）通过消费者自身的心理动机（内部因素）影响消费者的口碑发起行为（数量/效价）。
式中：Z为无功补偿设备总投资成本；C为单位容量补偿电容器的价格；Qi为第i个无功补偿总容量；n为系统总的无功补偿节点数。
3.在线口碑与网络关系
（1）网络关系的概念
社会网络研究指出，在社交导向网络中，网络关系往往是现实人际关系的反映，用户基于社交需求而建立的一种高交互频率的强关系无向网络，如QQ、微信等。[40]在信息导向的网络中，网络关系反映了信息的流动，用户基于信息性需求而建立的一种低交互频率、弱关系有向网络，如微博、淘宝等。[41]一些社交网络既有社交功能，又有信息传播功能，如百度贴吧、小米社区等。[42]这些不同的社交网络在网络关系中有很大的差异：首先从关系构建看，社交导向网络中关系建立需要双方的认可，因此这种关系是无向的（Non-directed）；而在信息导向网络中，关系的建立并不需要双方同意，这意味着信息导向网络中的关系是有向的。其次从关系的内涵上看，社交导向网络承载的是关系双方的交流和沟通，关系可以与现实生活中个人关系、资源产生联系，具有更多的现实意义；对于信息导向网络而言，关系主要是信息的流动渠道，其主要意义就是促进信息的扩散和流动。最后从关系的维护看，社交导向网络中的关系需要关系双方的投入，只有双方积极主动沟通互惠才能够保持关系的热度和强度，单方面的主动得不到对方回应，并不会提升关系的价值，最终关系只能是形同虚设；对信息导向网络而言，关系的维护主要在被关注方，因为关注者建立关系的主要目的是从被关注者那里获得感兴趣的信息，一旦被关注者无法满足这一点，二者之间的关系也就很容易消失。
图2 无向网络与有向网络
（2）网络关系与社会影响（Social Influence）
在社会网络中，用户贡献内容和网络关系相互影响，网络平台的价值往往是通过这两个维度来衡量的。[43]对于企业而言，社交平台中产生的内容很多与企业直接相关。在本研究中，我们从消费者所占有的网络关系角度解释消费者的口碑发起行为，即拥有不同数量、类型、强度的网络关系会如何影响消费者的口碑发起。
腰椎间盘突出是临床上一种较为常见的骨科疾病，该病主要因为突出部位压迫或刺激人体的组织结构或神经，从而让患者表现出腰背部疼痛、肢体麻木等症状，如果不得到及时有效的治疗，甚至会因为压迫患者神经引起患者行动能力丧失，严重影响到患者的生活质量[1]。磁共振成像与CT诊断是两种诊断腰椎间盘突出的常用方式，本文主要探讨二者在诊断腰椎间盘突出中显现出来的应用价值。
社会网络理论(Social Network Theory)认为，网络结构会对网络节点所面临的信息、资源、机会产生影响，进而影响网络节点的行为。[44]而网络结构本身是基于网络关系来测量的，不同网络结构指标反映不同类型关系的数量和组合，所以从本质上看社会网络对节点的影响是来自网络关系。网络关系表现为节点之间的连接，是节点间重要的传播渠道。[45]基于网络关系中不同的传播内容，衍生出了对社会网络不同的研究维度。自然科学领域的研究显示了网络关系对于人际之间扩散的重要性，这种扩散包括病毒、心理状态甚至生理状态。而在社会科学领域，网络关系更多被视作信息和资源的来源。如在社会学研究中，网络关系是社会资本的重要测量指标，网络关系越多，社会资本就越高。这些基于自然和社会科学的研究说明网络关系是信息、资源等的流动渠道，对中心节点的行为、选择及相关结果变量有着重要的影响。
网络关系一方面是资源和信息的流通渠道，同时也是重要的社会影响（Social Influence）的来源。[30]社会影响指个人的行为、态度和感情会受他人行为、态度和感情的影响。以往研究已经证实个人决策对周围群体决策具有一定的依赖性，并且周围群体决策的一致性越高，这种依赖性越强。[46]最近基于社交网络的实证研究发现，这种社会影响存在于人们决策的各方面，包括政治表 达/投票、新产品采用、个人健康行为等。社会影响可以划分为信息性影响和规范性影响两类：信息性影响指他人的决策为我的决策提供了信息，如买家的好评说明产品质量很好，于是我就购买了该产品；而规范性影响则强调他人的决策形成了一种社会规范，如老乡会的成员都购买印有家乡标识的文化衫，似乎这种购买行为成为了某个群体的行为准则或“标配”，为了融入这样一个群体，你就必须得买。信息性和规范性影响模式实际上就解释了为什么个人决策会受到他人决策的影响。
但社会影响有一个前提条件，就是只有与中心节点建立关系的人才会对中心节点产生社会影响，这种社会影响在人际范围上的局限性充分说明了网络关系的重要性。而对于在线口碑传播这一特定的行为，社会影响理论发挥着更为重要的作用：首先，互联网环境下他人的存在对消费者来说具有很高的可见度（Observability），这种对他人行为的高可见性促使我们在决策时会更多注意到他人的存在。Ludwig等[30]的研究证实，个体会考虑到自己周围人的决策，并与周围的人趋同。其次，在线口碑行为对他人也是可见的，具有很高的可见性（Visibility），如我们在微博或者微信上发表了关于某个产品的评论，在我们好友列表中的用户都可以看到评论。用户拥有的粉丝越多，所感知的受关注度越高，感知社会存在越强。消费者会在意他人对其口碑行为的评价，从而激发其社会认同等社会性需求。[47]此外，有研究表明，消费者在社会网络中发布的内容、贡献的口碑对维持现有的网络关系和吸引新关系构建有很强的作用。主要表现在发布越多信息的节点越容易引起其他节点的注意，提升其影响力。
本研究关注的是网络关系如何影响网络节点的口碑行为，我们考虑的是他人的存在对于中心节点口碑行为的影响，而并不考虑他人的口碑行为对中心节点口碑行为的影响。
（3）社会存在与社会影响（Social Impact）
随着互联网的发展，非面对面的网上交流变成一种常态，这种人际之间的存在感是虚拟的。社会影响理论认为，当个体感知到有他人存在时，不管这种社会存在（Social Presence）是真实还是虚拟的，他人对我们的影响都是客观存在的，个体的心理状态或者行为会发生一定改变。[47]社会存在的感知会使个体意识到自身行为可能会带来的社会影响（Social Impact）。需要注意的是，这里讨论的社会影响（Social Impact）与前面讨论的社会影响（Social Influence）存在一定的差异。Latane[48]所提出的社会影响（Social Impact）理论强调，当人们感知到有他人存在时，自己的心理状态或者行为会发生一定的改变。而在前面文献中提到的社会影响（Social Influence）则描述的是人们会采取与周围人相似的行为，反映到社会网络中就会呈现出某种行为的扩散，如新产品扩散等。可以认为，Latane所提出的社会影响理论包含后者，因为基于他人行为而采取的相似行为实际上也是他人的存在对自己行为的改变。Latane认为有三个因素会决定社会影响的大小，分别是影响源的数量、影响源的强度、影响源与被影响对象的距离。[48]
首先看影响源的数量。在本研究中，对一个口碑“爆点”而言，与之相关联的其他用户都会被感知为社会存在，从而带来社会影响。关联的用户数量越多，“爆点”感知的社会影响越大。有研究指出，社会存在关注带来的社会影响会使个体产生紧张等负面情绪。[9]如当在场的他人更多时，用户会体验到更低的自信心。同时社会存在能够促使人们更加关注自己的形象，而网络关系作为一种社会存在能够强化个体自我展示的动机。自我展示是口碑贡献的动机之一，口碑频次提供了自我展示的机会。
此外，社会存在还会触发个体的印象管理动机。[42]Bond等[49]研究发现，当用户购买一些私人物品时，社会存在让用户体会到尴尬的情绪，这也是因为用户认识到自我形象受到了负面影响。[46]有研究指出，正面口碑归因为用户个人体验，负面口碑归因为产品质量，与正面口碑相比，负面口碑更能影响用户决策，因为负面口碑让人感知更真实，而那些传播负面口碑的用户也被感知为更有能力。[49]
在线口碑是用户自我展示的重要渠道，充当了印象管理的工具。[50]一方面，当用户有更强的自我展示动机时，会发起更多的口碑。[46]另一方面，当用户印象管理动机更强时，会产生更加负面的口碑，也就是口碑的效价更低。[6,24]如果一个用户发表更多、更负面的口碑，则很可能成为潜在的口碑“爆点”。基于此，我们假设：
H1a：网络关系数量越多，消费者产生口碑的数量也越多
H1b：网络关系数量越多，消费者产生口碑的效价也越低
其次，社会影响还受到影响源和被影响对象间距离的作用，距离越近，影响力越大。[51]网络环境下，用户间地理位置差异的作用被弱化，用户间交互频率（时间距离）的影响更为突出。因此，本研究以关系在时间上的距离或者紧密程度来表示距离。我们假设时间距离越近，外部的社会存在对口碑“爆点”的影响力也就越大。如A和B是在一年前建立了关系，而A和C是在一个月前建立了关系，那么C对A的影响大于B对A的影响。在时间上最近建立的关系显然更能有社会存在的提示作用，能够给“爆点”用户传达社会关注的信息。这种基于时间维度对网络关系的划分也是时空网络（Temporal Network）核心命题之一，它们最基本的假设是随着网络的演化，网络关系的存在、价值及重要性会随时间变化。[8,40]基于此，我们假设：
H2a：时间距离越近，关系对口碑数量影响越大
H2b：时间距离越近，关系对口碑效价影响越大
（2）因变量
从图4可以看出关系和评论呈现典型的无标度分布（Scale-free Distribution），少数用户占据大部分的网络关系，发起了大分布的评论或在线口碑。而本研究更关心的是入度关系和口碑数量之间存在怎样的关系，是不是更多的入度关系会促使网络用户发起更多在线口碑。图5是基于每个用户的入度关系总量和口碑数量的散点图。
H3b：关系强度越高，关系对口碑效价影响更大
主人公小女孩和她的动物朋友们热情、友善，画者笔下的动植物生动写实，画面清新雅致。这套书不仅教给孩子们知识，更传授给孩子们亲近大自然、享受大自然的秘诀，让他们去看、去听、去闻、去辨别、去动手。
图3 研究框架
二、研究数据
1.数据抓取
由于网络关系形成需要一定的时间跨度，以便进行关系跟踪和回溯，因此，本研究采用美国评论网站Epinion.com的数据，消费者可以在该网站上浏览别人的评论，也可以发布自己对产品和服务的评论，但无法转发别人的评论信息。那么，这里的评论就是消费者的一种口碑产生（Generation），而不是口碑传播（Transmission）。此外，该网站的注册用户可以相互关注，建立好友关系，从而形成了关系网络。这与微信朋友圈和微博比较类似，只有当用户关注了某个人之后，才能看到这个人状态的更新。可能是由于隐私保护方面的考虑，国内的社交媒体，如微信、微博，以及具有一定口碑分享的购物网站，如美团、大众点评等，都没有公开网络关系形成的时间数据。而Epinion.com网站对用户活动和相互关注均有时间记录，这意味着可以准确地回溯网络关系建立和在线口碑发表的精确时间，构建网络结构和用户口碑行为之间的前后关系，从而准确研究变量之间的因果关系，有效解决变量间内生性问题，更好地观测“爆点”用户形成后的口碑发起行为。或许是考虑隐私方面的原因，2014年后，Epinion.com网站没有再公开用户之间的关注数据，因此采集的数据截止到2014年，本研究中数据时间跨度从2001至2014年，数据跨度和数据量能够满足我们对网络结构与口碑贡献之间的关系，以及口碑“爆点”用户网络结构特征的研究需要。
(4) 电能交易市场化。充分竞争的电力市场有助于降低电网运行所需的调峰资源。在竞争性的电价市场化机制下,可以通过不同时段的电价差异达到全网电能供需基本平衡,使所需要的调峰资源大大降低,而辅助服务市场主要调配其他辅助服务资源。但我国现阶段实施的市场机制可能会增加辅助服务的需求。
多能因子是保持细胞多潜能性和自我更新的核心基因，具有抑制细胞分化的重要作用，参与调控胚胎干细胞自我更新和多能性维持。核蛋白oct4、nanog 和 sox2 是多能因子的 3 个主要成员[6]，近年研究发现，这 3 个多能因子在生殖细胞肿瘤和多种实体肿瘤中异常高表达，参与正常细胞恶性转化，调控肿瘤细胞的干性，促进其增殖、迁移和侵袭等[7-9]。它们的多重作用可能是推动肿瘤发展和转移的重要因素。本研究旨在寻找与多能因子相关的 lncRNA，探讨其在 HCC 发展和转移中的作用，为进一步探究 HCC 转移的机制提供新的思路。
我们利用滚雪球（Snow Ball Sampling）方法抓取了数据。[10,37,55]首先在网站上选取一个用户，然后抓取这个用户的好友，接着抓取这些好友的好友，以此滚动三轮，获得了近7000个用户ID，最后再在这些用户里面随机抽取了1000个用户作为我们的研究样本。获取研究样本的ID后，通过生成链接的方式抓取了这1000个用户的详细信息：第一部分是这些网络用户的关系建立信息，即这些用户被哪些人关注，又关注了哪些人，以及关系建立的时间；第二部分是这些用户发表的评论信息，包括每一条评论的标题、时间、效价（1-5分）、评论的产品或服务名称、所属产品或服务类别。利用用户的相互关注信息，我们就可以建立一个随时间演变的网络，网络的节点代表每一个不同的用户，网络关系代表用户之间的相互关注，由于用户之间的关注和被关注不同，所以这是一个有向网络（Directed Network）。可以直观地看到，随着时间的变化，越来越多的用户加入到网络中，并且网络的关系密度也越来越高，说明用户的交互越来越强。我们要关注的是在这样的网络环境下，随着网络关系越来越多，用户在线口碑行为会发生怎样的变化？哪些用户更可能成为口碑“爆点”？为了研究这个问题，我们需要对不同时间段的用户网络关系和口碑行为进行匹配，考察网络关系对于用户口碑发起行为的影响，即网络关系是不是口碑“爆点”形成的因素之一。
需要指出的是，我们这里研究的网络关系不只是这1000个用户之间的相互关系，还包括研究样本之外的用户建立的关系，因为1000个用户之间所建立的关系只有34条，占所有关系的1%，将所有关系纳入分析，能增加数据的代表性和分析结果的可信度。数据抓取时间是2014年3月，网站上可回溯到的最早时间是2001年1月，较长时间的数据点也为分析提供足够数据变异，同时也能够稳健地呈现分析结果。
2.变量构建
基于抓取的原始数据集，我们构建了研究中所需要的自变量和因变量。使用面板数据中，i代表每一个网络用户，t代表时间，由于数据的整体时间跨度较长，我们以季度作为时间区间的划分，研究网络用户i在季度t的网络关系对在线口碑行为的影响。研究主要有三类变量，自变量是网络关系，因变量是口碑行为，控制变量是与网络用户相关的有可能会影响到其口碑行为的其他变量。
（1）自变量
网络关系是主要的自变量，但网络关系是有向的，即A关注B和B关注A是两条不同的关系，而关系方向的差异对研究有非常大的影响。研究核心假设是网络关系作为一种社会存在会促发网络用户的自我展示和印象管理动机，而在这一动机的驱使下，“爆点”用户会发表数量更多、效价更负面的口碑，显然他人关注网络用户的关系更能符合这一逻辑。例如对于用户A而言，有10个人关注他（也就是A的入度，In-degree），这10个人都可以直接看到用户A发表的口碑，因此用户A在发表评论时会着重考虑他希望这10个人如何看待他，将会在这10个人心中树立怎样的形象。而对于用户A关注的人而言（也就是A的出度，Out-degree），如果这些人没有关注A，那么他们无法知道A发表了怎样的评论，建立对A的印象也就无从谈起。这种关系双方在行为和信息上的不对称性也是有向网络的重要特点之一。所以，与出度关系相比，网络节点的入度关系显然会发挥更大的社会影响力，从而左右网络用户的口碑行为。因此我们的研究中网络关系还被进一步细化成了总关系、入度关系和出度关系三个自变量：①总关系it：用户i在季度t建立的关系总数量。②入度关系it：用户i在季度t建立的所有入度关系数量。③出度关系it：用户i在季度t建立的所有出度关系数量。
除了网络关系的数量会作用于口碑行为外，网络关系的时间距离也会调节这一效应，具体而言，时间距离越近的网络关系对“爆点”用户的口碑行为的影响越大。对于时间距离变量的区分，本研究将时间距离分为三段：①近距离关系it：季度t建立的关系；②中等距离关系it：季度t前一年建立的关系；③远距离关系it：更早以前建立的关系。从时间上看，关系的距离越来越远，其对网络用户口碑行为的影响也越来越小。我们将近距离关系占所有入度关系中的比例作为调节变量，近距离关系所占比例it即季度t建立的关系占总入度关系的比例。当近距离关系所占比例越高，则中、远距离关系所占比例越低。
除了网络关系数量和关系距离会作用于口碑行为以外，影响源的强度也会调节口碑行为，具体而言，影响源强度更大的网络关系对“爆点”用户口碑行为的影响也越大。而对影响源强度的衡量，本研究使用的是影响源占有关系的多少。关系占有的越多，其作为影响源的强度也就越大。有研究表明，网络关系多的节点往往承担社会网络意见领袖的角色，控制着网络中资源和信息的流动，因而具有更高的地位和更强的影响力。本研究将所有网络用户最终的关系数量进行排列对比，将关系强度划分为四种，分别是：①强关系it：用户i在季度t与关系量前25%的其他用户建立的所有入度关系数量。②较强关系it：用户i在季度t与关系量前25%-50%的其他用户建立的所有入度关系数量。③较弱关系it：用户i在季度t与关系量前50%-75%的其他用户建立的所有入度关系数量。④弱关系it：用户i在季度t与关系量前75%-100%的其他用户建立的所有入度关系数量。这里我们将强度最大的关系占所有入度关系中的比例作为调节变量，强关系所占比例it即用户i在季度t与关系量前25%的其他用户建立的所有入度关系数量占季度t入度关系的比例。强关系所占比例越高，则中等强度、弱强度关系所占的比例越低。
表3 变量说明
变量类型 变量名称 变量计算自变量总关系it 用户i在季度t建立的所有关系数量入度关系it 用户i在季度t建立的所有入度关系数量出度关系it 用户i在季度t建立的所有出度关系数量近距离关系it 用户i在季度t建立的所有入度关系数量中等距离关系it 用户i在季度[t-5,t-1]建立的所有入度关系数量远距离关系it 用户i在季度[1,t-6]建立的所有入度关系数量近距离关系所占比例it用户i在季度t建立的所有入度关系数量占总入度关系的比例强关系it用户i在季度t与关系量前25%的其他用户建立的所有入度关系数量较强关系it用户i在季度t与关系量前25%-50%的其他用户建立的所有入度关系数量较弱关系it用户i在季度t与关系量前50%-75%的其他用户建立的所有入度关系数量弱关系it用户i在季度t与关系量前75%-100%的其他用户建立的所有入度关系数量强关系所占比例it用户i在季度t与关系量前25%的其他用户建立的所有入度关系数量占季度t入度关系的比例因变量口碑数量it 用户i在季度t发表评论的数量口碑效价it 用户i在季度t发表评论效价的平均值控制变量网络经验it 用户i从注册之日起到季度t的时间长度关注it 用户i截止到季度t关注其他节点的数量被关注it 用户i截止到季度t被其他节点关注的数量
最后，“爆点”用户感知到的社会影响还受到影响源强度（Strength）的作用，强度越高，外部的社会存在对口碑“爆点”的影响力也就越大。[51]在社会网络研究中，一般用关系强度（Tie Strength）来表达类似的概念，强度更高的关系会带来更多的资源，同时也会给“爆点”用户传达更强的影响力。[52]强度差异可以通过很多方式表现出来，如社会地位、权利、掌握的资源、信息等。在我们研究的情景——社交网络中，最明显的强度差异是社交网络用户本身所具有的关系数量，那些具有大量关系的用户则被称为“意见领袖”。[53]对于消费者本身及网络中的其他人来说，意见领袖是拥有更多关系的网络节点，是更重要的社会存在，具有更大的影响力。[10,54]基于此，我们假设：
因变量是网络用户的口碑行为，从两个维度考察：①口碑数量it：网络用户i在季度t发表的评论的数量。②口碑效价it：用户i在季度t发表的评论效价的平均值。通过计算出相应的因变量，并基于网络用户ID和季度t进行匹配，就能够实现需要的数据结构。
（3）控制变量
本文采用列联表分析（Contingency Table Analysis）和独立样本t检验的方法（Student’s t test）分别对离散型和连续型指标进行检验，判断哪些指标对y不具有相关性，即判断哪些指标与y相互独立。
为了控制其他可能影响网络用户发表口碑的因素，我们将其纳入分析：①网络经验it：用户i从注册之日起到季度t的时间长度。以此将用户的网络使用经验考虑进来。除此之外，我们还考虑了截止到季度t，网络用户关注人数和被关注人数的总计。②关注it：用户i截止到季度t关注其他节点的数量。③被关注it：用户i截止到季度t被其他节点关注的数量。变量见表3。
3.描述性统计
首先们基于单个网络用户的角度对其数据特征进行描述，不使用时间维度，所有数据均截止于数据收集时间，结果如表4所示。
对赤铁矿磁化产品使用扫描电镜拍照，如图7所示。赤铁矿表面明显分布有较多的形状不规则的颗粒，且颗粒间存在团聚现象[6]。
表4 单个用户数据特征
变量名称 观测量 平均数 方差 极小值 中位数 极大值总关系 1000 7.054 30.37957 0 1 380出度关系 1000 3.497 13.81567 0 0 168入度关系 1000 3.557 19.32502 0 0 302评论总量 1000 7.339 16.64894 1 2 208网络经验 1000 32.835 13.70232 1 37 48
从数据中可以看出，大部分关系都集中在少数用户中，并且少部分用户发起了绝大部分的评论，说明在整个网络社区中非常活跃的用户只占少部分，大部分用户没有明显的活动痕迹，处于休眠状态。
所以模型设定变为以下形式：
表5 变量描述性统计
变量名称 观测量 平均数 方差 极小值 中位数 极大值总关系it 32835 0.08 1.50 0 0 115入度关系it 32835 0.03 0.64 0 0 44出度关系it 32835 0.04 1.05 0 0 98近距离关系it 32835 0.03 0.64 0 0 44中等距离关系it 32835 0.31 4.80 0 0 272远距离关系it 32835 4.22 20.53 0 0 300近距离关系所占比例it 32835 0.003 0.062 0 0 1强关系it 32835 0.02 0.38 0 0 23较强关系it 32835 0.01 0.28 0 0 21较弱关系it 32835 0.01 0.23 0 0 13弱关系it 32835 0.01 0.10 0 0 4强关系所占比例it 32835 0.007 0.075 0 0 1口碑数量it 32835 0.22 1.70 0 0 69口碑效价it 2039 3.84 1.21 1 4 5网络经验it 32835 19.77 12.58 1 18 48关注it 32835 4.29 14.96 0 0 168被关注it 32835 4.53 21.40 0 1 302
可以看出，该截面数据共有32835条观测，大部分用户在大部分季度并没有显著活动，具体表现在没有关系建立，也没有评论发表。有口碑效价的观测共2039条，占总体观测的一小部分，因为只有某个用户在某个季度发表评论时，才能计算该用户在该季度的口碑效价；如果用户在该季度并未发表评论，那么口碑效价便是空值，解释了为什么包含口碑效价有效数据的观测比较少。
三、实证分析
1.非模型分析
在正式统计模型分析前，我们将主要感兴趣的变量以统计图形方式展示出来。由于入度关系更能代表我们所想研究的社会存在和社会影响，所以统计图形分析都是基于入度关系。[56]图4是这两个变量的频数分布直方图。
图4 入度关系和口碑数量分布
图5 入度关系与口碑数量的相关性
H3a：关系强度越高，关系对口碑数量影响更大
从图5可以看出，不考虑时间维度上的变化，入度关系和口碑数量之间的线性关系非常明显，斜率也将近1，即网络用户的入度关系越多，其产生的口碑也就越多，并且这种线性关系在入度关系大于10时表现得最为明显。这说明当入度关系数量超过一定界限（例如10）时，关系数量和口碑数量之间的线性关系就表现得比较稳定。但是基于这一结果并不能直接认为更多的入度关系会带来更多的口碑发起。因为这里没有加入时间维度，所以无法确定这两个变量之间的因果关系，需要加入时间维度来进一步细化二者之间的关系。基于前面得出的面板数据，我们做出了网络用户在某一季度的入度关系数量和口碑发起之间的散点图，这里不仅仅考虑口碑数量，还将口碑效价纳入分析范畴。
图6 入度关系与口碑数量/效价的相关性
如图6所示，当考虑不同季度入度关系和口碑发起之间的关系时，可以看出对于大部分用户在大部分季度，入度关系的增量和口碑发起数量都在10以内。虽然量级下降，但是入度关系和口碑数量之间的线性关系依然十分明显。从入度关系和口碑效价的散点图看，二者之间似乎不存在明显的线性关系，这主要表现在拟合的趋势线比较平坦，对于不同关系数量的消费者，其口碑的效价均值集中在4左右，无论关系数量大小，这一趋势没有显著变化。
从统计图形可以看出，不同用户在关系数量和口碑发起上存在较大的差异，有的用户活跃度较低，建立的关系数量和发起的口碑较少，有的用户非常活跃，这些活跃用户数量上虽然是少数，但是却占据网络社区中的大部分关系，发起了大部分口碑。更为重要的是，入度关系和口碑发起存在显著的线性关系，这种线性关系无论是从截面数据看还是从面板数据看都非常稳定，关系的斜率均接近1。
2.模型
从统计图形中虽然得出了大致结论，但是分析过程中未加入控制变量，鉴于现有研究的做法，我们通过计量模型计算入度关系对口碑行为的影响：[14,17,57]
(4)实施任务计划：创业团队制定好任务计划后，开始实施计划方案，根据计划流程分步骤实施任务，其主要内容为：制作消费者需求调查表，实施线上线下市场调研，撰写调研报告等。教师首先要了解学生的任务计划，指导学生执行，鼓励学生去尝试，观察学生实施过程等，尽量多的和学生进行交流沟通，引导学生有效实施任务计划。
母乳是早产儿的最佳食粮。目前主张早产儿尽早母乳喂养，但是暖箱内宝宝不适宜母乳喂养，一般是给予特制的早产儿配方奶粉。早产儿配方奶粉不仅保留了母乳的许多优点，使蛋白质、糖、脂肪等营养素易于消化和吸收，和其他配方奶粉相比，还适当地提高了热量，强化了多种维生素和矿物质，以补充母乳对早产儿营养需要的不足。但早产儿配方奶粉缺乏母乳中的许多生长因子、酶和IgA等。
其中，yit表示网络用户i在时刻t的口碑行为，包括口碑数量和口碑效价；x'it表示关于用户i在时刻t的一系列影响口碑行为的协变量矩阵，在研究中主要是关系数量，此外还有控制变量等，μit则是误差项，服从期望为0的正态分布。而我们感兴趣的是待估系数β，这里的β代表了自变量关系数量对口碑行为影响的方向和大小。但是对于面板数据而言，μit的期望并不为0，因为简单的线性模型未将不同个体的固定效应（Fixed Effect）纳入分析范围，固定效应之所以重要是因为不同的个体（即网络用户i）本身就有某些固定的特质，如生活习惯、性格特点，这些因素会影响到其是否发起口碑。个体的固定效应的特点是只随i变化，而不随t变化。所以在这里随机误差项μit就可以分解为两部分，分别是个体i的固定效应以及服从期望为0的正态分布的随机误差项εit，即：
除此我们还对面板数据进行了描述统计，这里统计的维度不再是一个用户在整个时间范围内的数据特征，而是一个用户在某个季度的时间特征，结果如表5所示。
3 口碑数量
基于面板数据模型，我们首先对口碑数量进行分析，使用的软件是R的3.2.1版本，回归分析主要使用了Plm Package中的plm函数。[58]回归模型采用分层回归（Hierarchal Regression）方法，这种方法的特点是将自变量逐步加入回归方程中，可以判断某些自变量对因变量影响大小在不同情况下的变化。[59]例如，一种比较常用的做法是先将控制变量纳入回归，然后再将主要研究的自变量纳入回归，从而判断自变量对因变量的影响是不是非常稳定。表6是分析结果。
在模型1中，我们先将控制变量纳入回归模型，随后在模型2中将网络用户总的关系纳入回归模型，不做区分地考察网络关系对用户口碑行为的影响。从回归结果可以看出，网络关系对用户发起口碑的数量有显著的正向影响，影响系数达到0.245，这意味着网络用户每增加10条关系，就会促使其平均在单个季度内多发起口碑2.45条。这说明网络关系作为一种社会存在能够激发消费者进行自我表达和展示，其中的表现之一就是他们会发起更多的口碑。
表6 口碑数量回归结果
注：* 表示p＜0.05，** 表示p＜0.01，*** 表示p＜0.001,下同
变量 模型1 模型2 模型3(控制变量)估计系数估计方差估计系数估计方差估计系数估计方差网络结构总关系it 0.245*** 0.007入度关系it 0.613*** 0.020出度关系it 0.074*** 0.011被关注it 0.116*** 0.004 0.122*** 0.004 0.072*** 0.005关注it 0.048*** 0.004 0.019*** 0.001 0.013* 0.005网络经验it-0.022*** 0.001 -0.021*** 0.001 -0.022*** 0.001调整后的R2 0.08 0.12 0.15控制变量
在模型3中，我们将关系细化成了出度关系和入度关系两种类型，取代了模型2中的总关系。回归结果显示，入度关系和出度关系对网络用户发起的口碑数量均存在显著的正向影响，回归系数分别是0.613和0.074，说明总关系的效应主要来自入度关系。在将总关系拆分成两类关系后，模型调整后的R2也从0.12提升到0.15，说明模型的拟合优度也进一步提高。为什么会出现这一结果？如何从理论上理解这一数据结果？正如前面所讨论的那样，出度关系是指网络用户关注的人，而入度关系则是网络用户被哪些人关注。二者比较可以明显地看出，入度关系代表了他人对“我”的兴趣，反映了“我”的行为会被哪些人了解，哪些人会基于我的行为对我做出评价；而出度关系则反映了“我”自身的兴趣，反映了“我”关心哪些人和内容。从这一角度看，那些关注用户的人会显著影响用户的口碑发起数量，关注的人越多，用户发起口碑的数量也就越多；而用户对哪些人感兴趣，虽然对其口碑发起数量也存在显著的正向影响，但是效应的大小与入度关系相比近乎可以忽略不计。虽然都是网络关系，但是入度关系和出度关系在内涵和意义上的差异导致了其对用户口碑行为影响模式上的不同。这种差异化的影响进一步证明，用户发起口碑的主要动力之一是进行自我展示和印象管理。当社会存在比较多，他人对自身的兴趣比较集中时，这种自我展示的动机得以被激发，从而促使用户发起口碑。
从关系数量对网络用户的口碑数量回归结果看，假设1a 得到验证，即网络关系数量越多，消费者发起口碑的数量越多。并且入度关系和出度关系的差异化影响进一步佐证了用户发起口碑的主要动机是自我展示和印象管理。前面的理论分析还提出了两个调节变量，分别是关系的距离和强度。首先看关系的距离，我们根据关系建立距离当季的时间将关系划分为近距离关系、中等距离关系和远距离关系，关系建立时间分别是当季度，当季度前一年以及更久之前，从时间上看这些关系与网络用户的相关性越来越小，核心假设是时间距离越远的关系对用户的口碑行为影响越小，具体回归结果如表7a所示。
表7 a 时间距离的调节作用（1）
变量 模型1 模型2估计系数 估计方差 估计系数 估计方差近距离关系it 0.657*** 0.019中等距离关系it 0.067*** 0.006远距离关系it -0.032*** 0.005出度关系it 0.086*** 0.011网络结构被关注it 0.116*** 0.004关注it 0.048*** 0.004 -0.011** 0.005网络经验it -0.022*** 0.001 -0.019*** 0.001调整后的R2 0.08 0.22控制变量
从模型的回归结果来看，近距离关系对口碑数量的影响最大，达到0.657；中等距离关系其次，为0.067；有趣的是远距离关系的回归系数为-0.032，对口碑数量存在负的影响。从回归系数的量级来看，近距离关系拥有最大的影响力，中等距离和远距离关系虽然对口碑数量也存在显著影响，影响系数的绝对值要小得多。而出度关系对口碑数量存在显著的正向影响，回归系数为0.086，依然远远小于近距离关系的影响系数。数据分析结果表明，时间距离对网络关系和口碑数量之间的关系起到调节作用，在与时间距离更远的关系相比，时间距离更近的关系对网络用户发起的口碑数量影响更大。这与我们的理论预测一致，假设H2a得到验证。因为建立时间更短的关系反映了网络用户最近的活动和交互，更能够代表网络用户最近与哪些人存在交集，而这些人更有可能在网络用户心中留下印象，对其行为产生影响。具体来看我们的研究问题，最近建立的关系体现了哪些人在当下对网络用户感兴趣，因而对网络用户的相关性更大，所以对其口碑数量的影响也更强。
基于时间维度对网络关系的划分还存在另外一个价值，就是更进一步证明了自变量和因变量之间的因果关系。由于网络关系和口碑行为发生在同一时间，即季度t，很有可能是口碑行为导致了网络关系，而不是反过来网络关系导致了口碑行为。在这一回归模型中，可以看到季度t前一年内建立的关系同样对口碑行为存在显著的正向影响，由于t前一年内建的关系和季度t发起的口碑存在时间上先后顺序，因此在一定程度上确定了两个变量之间的因果关系。从模型的拟合优度来看，基于建立时间对网络关系进行了划分，回归的调整R2达到了0.22，显著优于前面的回归模型，说明基于时间维度区分网络关系后更能解释网络用户的口碑行为。
除上述外，还可将近距离关系所占比例作为调节变量，检验时间距离对关系的调节作用，具体结果如表7b所示。从模型结果来看，近距离关系比例与被关注量的交互项系数显著，系数为0.498；说明当近距离关系在总入度关系中的比例增加时（远距离关系在总入度关系中的比例随之减少），对口碑数量有正向调节作用。假设H2a再次得到验证。这里的时间距离是我们的调节变量之一，另一个调节变量是影响源的强度。在网络关系中，关系的一端是网络用户，其口碑行为是结果变量，另一端是其他网络用户，这些用户构成影响结果变量的自变量，也就是社会存在。我们认为，这些其他用户影响力或重要性的大小会决定其对中心用户影响的大小，重要性更大的用户对中心用户影响更大。
表7 b 时间距离的调节作用（2）
变量模型1 模型2 模型3估计系数估计方差估计系数估计方差估计系数估计方差近距离关系所占比例it 1.076*** 0.156 0.441*** 0.149出度关系it 0.216*** 0.011 0.123*** 0.011被关注it 0.143*** 0.004 0.096*** 0.005近距离比例×被关注it 0.498*** 0.018控制变量网络结构关注it 0.102*** 0.003 0.014** 0.005 0.002 0.005网络经验it -0.022*** 0.001 -0.021*** 0.001 -0.011*** 0.001调整后的R2 0.07 0.10 0.14
本研究用网络用户本身所具有的总关系数量来划分用户重要性的大小，关系数量居于前25%的用户属于具有很大影响力的用户，因而与其形成的关系就是强关系，而关系数量居于前25%-50%的用户属于较强关系、关系数量居于前50%-75%的用户属于较弱关系，关系数量居于后25%的用户属于弱关系。表8a是用这些基于强度划分的关系对网络用户发起的口碑数量回归结果。
从模型的结果来看，强关系、较强关系、较弱关系和弱关系对网络用户发起口碑数量的影响大小依次由大到小，回归系数分别是0.705、0.667、0.518和-0.014。可以看出强关系和较强关系对口碑数量的效应大小非常相近，说明在单个季度内，网络用户每增加一个强关系或较强强度关系，就会多发起将近一条口碑。从而进一步证实社会存在的强度是决定其影响力大小的重要因素，强度更高的社会存在会展现出更大的影响力。这与我们日常中的体验是一致的，当与地位更高、更有权力或者更有影响力的人相处时，我们会感受到来自这些人更大的影响力，这是因为这些人具有更高的强度（Strength），会在更大程度上改变我们的态度和行为。这与我们的理论预测是一致的，假设H3a得到验证。
表8 a 影响源强度的调节作用（1）
变量 模型1 模型2估计系数 估计方差 估计系数 估计方差强关系it 0.705*** 0.042较强关系it 0.667*** 0.048较弱关系it 0.518*** 0.055弱关系it -0.014*** 0.095出度关系it 0.078*** 0.011网络结构控制变量被关注it 0.116*** 0.004 -0.073*** 0.005关注it 0.048*** 0.004 -0.012*** 0.005网络经验it -0.022*** 0.001 -0.022*** 0.001调整后的R2 0.08 0.15
除了比较不同强度关系对口碑数量的回归系数，进而分析不同强度关系对口碑发起的影响以外，还可将强关系所占比例作为调节变量，检验关系强度对关系的交互效用，具体结果如表8b所示。
表8 b 影响源强度的调节作用（2）
变量模型1 模型2 模型3估计系数估计方差估计系数估计方差估计系数估计方差网络结构强关系所占比例it 0.823*** 0.198 0.457** 0.261入度关系it 0.679*** 0.019 0.678*** 0.018出度关系it 0.077***0.001 0.078*** 0.009强关系比例×入度关系it 0.015** 0.005被关注it 0.116***0.004 0.034** 0.005 0.034** 0.005关注it 0.048***0.0040.035***0.001 0.036*** 0.001网络经验it -0.022***0.001-0.013***0.001-0.022*** 0.001调整后的R2 0.08 0.22 0.28控制变量
从模型结果来看，强关系比例与入度关系的交互项系数显著，系数为0.015，说明当强关系在总入度关系中的比例增加时（弱关系在总入度关系中的比例随之减少），对口碑数量有正向调节作用。假设H3a再次得到验证。
多么完美无差的对话，可蒲琳心里却像塞了棉花，那种虚胀让她难受。张盈盈指引给她的生活标准就是只要条件允许，只要她愿意，什么都可以做。
在这部分的数据分析中，我们考察了关系数量对口碑数量的影响。从回归的结果看，关系数量对口碑数量存在显著的正向影响，即网络用户的关系会促使其发起更多的口碑，使其更可能成为口碑“爆点”。而把网络关系细化成入度关系和出度关系时，发现入度关系的影响更显著。这种来自他人兴趣和注意力对网络用户口碑行为的影响说明，自我展示和印象管理是口碑行为的主要动机，网络关系作为一种社会存在启动了这样一种动机，从而促使其更活跃，发起更多的口碑。此外我们还发现，对于时间距离更近的关系以及影响源强度更强的关系，这种效应会更强，对口碑行为的激励作用会更高，也就是说时间距离起到负向调节作用，而影响源强度起到正向调节作用。
4.口碑效价
口碑的另一重要维度是效价，也就是说消费者是说企业的“好话”还是“坏话”。效价反映了消费者对企业产品或服务的态度，本研究更关注说企业坏话的用户，即口碑“爆点”用户。本文数据来源网站以1-5分的量表让消费者对商品或服务做出评价，因此效价表示形式为数值型。在数据分析的第二部分中，主要考虑用户的网络关系对口碑效价的影响，分析步骤与第一部分基本类似。分析结果如表9所示。
表9 口碑效价回归结果
变量 模型1 模型2 模型3(控制变量)估计系数估计方差估计系数估计方差估计系数估计方差网络结构总关系it -0.001** 0.0004入度关系it -0.003** 0.013出度关系it 0.005 0.007被关注it -0.002* 0.001 -0.009* 0.003 -0.009* 0.004关注it 0.005** 0.002 0.012* 0.004 0.012* 0.005网络经验it 0.001 0.004 0.004 0.004 0.005 0.004调整后的R2 0.003 0.02 0.05控制变量
在模型2中可以看出，网络关系对口碑效价的影响是负面的，回归系数为-0.001，且在0.02的置信水平上显著，意味着随着网络用户关系数量的增加，其发起的口碑效价是越来越负面的。在模型3中，我们将总关系划分为入度关系和出度关系两类，回归结果显示入度关系的回归系数为-0.003，且在0.05的置信水平上显著，但是出度关系并不显著。模型2和3的结果共同说明了网络关系在口碑效价中的作用，即消费者发起口碑的目的是为了进行自我展示和印象管理，发起负面的口碑会让人觉得其更有见地和知识，因而更能实现这一目的；当消费者拥有更多的关系时，这种自我展示和印象管理的动机就会被启动，从而发起效价更低的口碑。并且网络关系对口碑效价的负面效应主要来自入度关系，也就是有多少人关注了该网络用户。虽然模型中回归系数较小，说明每增加一个关系，对用户的口碑效价的影响较小。但是本研究关注的是口碑“爆点”用户的口碑行为，而“爆点”用户的关系数量通常是比较大的。如果将这个系数乘以粉丝数量（关系数），可以发现这些网络关系对“爆点”用户口碑效价的影响是非常可观的。
从模型整体的解释度看，调整后的R2在0.05以下，解释度并不是很高。这与我们前面做出统计图形所得出结论一致，即网络关系与口碑效价之间的线性关系并不十分明显，两个变量之间的相关性较低。可能是因为口碑效价分析样本数量不够多，口碑效价分析的前提条件是在时刻t节点Vi至少发布了一条评论，这样才能计算效价的平均值，但是有很多节点在很多时候是没有发表评论的，导致了空值的出现。此外，效价的变动区间在1和5之间，变量没有足够的变异也可能是原因之一。
普通管理员只能管理自己发布的内容。超级管理员可以分配普通管理员，并且可以管理其分配的多个普通管理员所发布的内容。系统管理员，可以管理所有的内容，具有最高权限。
众所周知，急性阑尾炎是外科急腹症中最常见的疾病[2]，其发病率已高达 1/1000[3，4]，而在急性阑尾炎手术中，切口感染是术后常见并发症，一旦出现切口感染，短时间内不易恢复，一方面加重患者的经济负担，延长住院时间，另一方面可能导致病情恶化。因此，对于我们临床医师来说，采用各种手段以降低急性阑尾炎术后切口感染发生率显得尤为重要。它不仅可以减少医疗支出、缩短住院时间，更为减轻病患痛苦做出极大的贡献。本研究旨在研究急性阑尾炎手术3种不同的切口处理方法，以进一步探讨如何在急性阑尾炎手术中更好的预防切口感染。
同样，我们需要考虑网络关系的时间距离以及影响源的强度对网络数量的调节作用，是否会呈现出与口碑数量一致的结论。表10a是分析结果。
从表10a可以看出，近距离关系对口碑效价的影响是负面的，回归系数为-0.002，显著性也只是在0.1的置信水平上显著，并且其他的关系类型均不显著。从模型的拟合优度来看，调整后的R2也只有0.02，解释力度比较低。说明这些自变量不能很好地解释消费者在口碑效价上的差异。同时，我们再次使用近距离关系所占比例作为调节变量，检验时间距离对关系的交互效用，具体结果如表10b所示。
批改作业时，注意对比错误作业之间的联系及时学生作业质量与成绩是否成正比关系，多做抄袭作业学生的思想工作，课下多于课代表、班干部沟通，让他们多帮助这些同学。
表10a 时间距离的调节作用（1）
变量 模型1 模型2估计系数 估计方差 估计系数 估计方差近距离关系it -0.002* 0.013中等距离关系it -0.011 0.005远距离关系it -0.010 0.004度关系it 0.005 0.007网络结构控制变量关注it -0.002* 0.001注it 0.005** 0.002 0.012 0.005络经验it 0.001 0.004 0.004 0.004调整后的R2 0.003 0.02
表10b 时间距离的调节作用（2）
变量模型1 模型2 模型3估计系数估计方差估计系数估计方差估计系数估计方差近距离关系所占比例it 0.171 0.115 0.172 0.117出度关系it 0.001 0.007 0.002 0.007被关注it -0.001* 0.004 -0.001* 0.004近距离比例×被关注 -0.001 0.012控制变量网络结构关注it 0.002 0.003 0.011** 0.005 0.012** 0.005网络经验it 0.004 0.001 0.004 0.004 0.004 0.004调整后的R2 0.001 0.003 0.004
表10b显示了同样的结果，说明关系距离不能很好地解释消费者在口碑效价上的差异。接下来我们进一步考虑了关系强度对关系数量的调节作用。
表11a 影响源强度的调节作用（1）
变量 模型1 模型2估计系数 估计方差 估计系数 估计方差网络结构强关系it -0.017* 0.029较强关系it 0.008 0.037较弱关系it 0.007 0.035弱关系it 0.113 0.079出度关系it 0.006 0.008被关注it -0.002* 0.001 -0.010* 0.004关注it 0.005** 0.002 0.012* 0.005网络经验it 0.001 0.004 0.005 0.004调整后的R2 0.003 0.03控制变量
表11b 影响源强度的调节作用（2）
变量模型1 模型2 模型3估计系数估计方差估计系数估计方差估计系数估计方差网络结构强关系所占比例it 0.014 0.231 0.035 0.271入度关系it 0.0034 0.021 -0.001 0.0213出度关系it 0.009 0.011 0.011 0.011强关系比例×入度关系it -0.001* 0.002被关注it -0.002* 0.001 -0.002* 0.001 -0.007 0.007关注it 0.005** 0.002 0.005** 0.002 0.014* 0.001网络经验it 0.001 0.004 0.001 0.005 0.001 0.006调整后的R2 0.003 0.005 0.012控制变量
从表11a可以看出，强关系对口碑效价的影响是负面的，回归系数为-0.017，显著性也只是在0.1的置信水平上显著，并且其他的关系类型均不显著。从模型的拟合优度来看，调整后的R2也只有0.03，解释力度比较低。这说明关系强度不能很好地解释消费者在口碑效价上的差异。同时，我们再次使用强关系所占比例作为调节变量，检验关系强度对关系的交互效用，具体结果如表11b所示。
如表11b所示，在基于关系强度调节的回归模型中，回归结果呈现出与关系时间距离一致性，大部分变量均不显著，并且模型的解释度比较低，只有强关系在模型中为边际显著，影响系数为负，上述口碑效价数据分析的结果与我们的理论预测保持部分一致。主要表现在关系数量对口碑效价呈现负面的影响，即关系数量越多，效价越低，并且这一效应主要来自入度关系，假设H1b得到验证。但是在口碑数量分析中起到重要调节作用的关系时间距离以及强度在这里并不显著，调节作用得不到数据的支持。除此之外，对于口碑效价的回归模型拟合优度并不高，说明消费者发起口碑效价是由其他变量主要决定的。
5.稳健性检验
为进一步检验以上数据分析所得出结论的稳健性，我们对入度关系进行了滞后三期处理，也就是说用本期（t）的在线口碑数量和效价作为因变量，t-1至t-3期的网络关系作为自变量，目的是进一步证明网络关系和口碑行为之间的因果关系的作用。如果网络关系的确对口碑行为存在滞后影响，意味着二者之间的因果关系方向和大小比较稳定，表12是分析结果。
表12 滞后一期模型
变量 口碑数量 口碑效价估计系数 估计方差 估计系数 估计方差入度关系it 0.698*** 0.020 -0.004** 0.013入度关系it-1 -0.003 0.008 -0.002* 0.005入度关系it-2 0.037*** 0.003 0.000 0.002入度关系it-3 0.175*** 0.003 -0.001 0.002出度关系it 0.074*** 0.011 0.005 0.008网络结构被关注it -0.043*** 0.005 -0.009 0.004关注it -0.012* 0.005 0.012 0.005网络经验it -0.020*** 0.001 0.004 0.004调整后的R2 0.23 0.004控制变量
从口碑数量的回归结果来看，滞后一期的入度关系对其不存在显著影响，但是滞后两期和三期的入度关系则存在显著的正向作用，说明过去建立的关系实际上对当期的口碑行为仍然存在作用，只是作用的大小明显小于当期的入度关系。而从口碑效价来看，滞后一期的入度关系对口碑效价也存在显著的负向影响，其影响系数也是小于当期的入度关系。从口碑数量和口碑效价的滞后模型可以看出，在t期之前建立的网络关系依然对t期的口碑行为存在影响，因此进一步证明了网络关系和口碑行为之间因果关系的方向性问题。
四、研究结论与讨论
本文基于美国购物点评网站Epinion.com的数据，研究了网络关系作为一种虚拟的语境，会被用户感知为一种社会存在，对用户在线口碑发起行为产生社会影响，是口碑“爆点”形成的一个前因变量。研究发现：（1）当用户拥有更多的网络关系时会感知到更强的社会存在，从而触发更强的自我展示动机，使其发起更多的在线口碑。（2）负面的口碑会被感知为更客观、更有见地，因此当有更多社会存在感知时，消费者会触发更强的印象管理动机，导致其发起效价更低的口碑。（3）关系的时间距离（朋友圈的动态性）以及关系的强度（朋友圈的影响力）可以调节这种社会感知所带来的社会影响，从而影响消费者的口碑发起行为。（4）入度关系对口碑的影响效应远远大于出度关系。
1.理论贡献
第一，以往研究认为，口碑动机包括情感分享、获得奖励、社区兴盛、改进服务、信息回报、支持/惩罚商家、提升形象等。[60]本研究发现，网络关系会给消费者带来一种虚拟的社会存在感知，这种社会存在会带来社会影响，其实也是一种社会压力，进而影响用户的口碑发起行为。因此本研究用社会影响理论解释了用户发起口碑的动机，扩充了口碑动机的相关研究。
第二，以往有关口碑贡献的研究并没有严格区分口碑传播行为和口碑发起行为在动机上的差异。本研究数据源中涉及的用户评论不具备评论转发功能，所有的评论都是由消费者自己发起的。因此，本文扩充了口碑扩散的初期——口碑发起阶段的动机研究。此外，以往对口碑发起阶段的研究多关注正面口碑研究，如种子策略（Seed Strategy）优化等；在口碑传播过程的研究中，也多关注“易感”人群的识别。文本着眼于负面口碑的发起，即“易爆”人群的识别研究，发现网络结构是口碑“爆点”形成的一个前因变量，扩充了口碑预测、舆情监控方面的研究。
第三，不同类型的关系对口碑贡献的作用差异很大。本研究发现，入度关系更能触发消费者对口碑贡献的意愿，入度关系会使消费者感知到周围的社会存在形成的社会影响，激发消费者自我展示和印象管理的动机，进而发起口碑。因此我们指出，信息扩散网络应是一种有向（单向关注）网络，即网络关系并不是对等的。而许多新产品扩散/口碑传播相关研究将扩散环境视为无向（双向好友）网络，这种做法不够严谨。[61-64]
第四，不同阶段形成的关系对口碑发起的作用差异很大。研究发现，并非个体关系越多其发起的口碑就越多。随着网络的动态演化，历史关系对口碑发起的作用会减弱，说明即便个体度中心性很大，但是如果缺乏关系持续性，其口碑发起的动力也会衰减。这在以往的网络口碑研究中是没有探究的。
第五，不同环境下的关系对口碑发起的作用差异很大。不同于以往的研究只关注消费者个体度中心性，而忽略了其邻节点的度中心性——特征向量中心性，本研究发现消费者口碑发起的意愿与局部关系的密度（特征向量中心性）有关，即朋友的影响力越大，消费者的口碑发起意愿越强。当一个消费者的朋友的影响力越大，那么其更可能发起口碑。
2.管理意义
第一，本研究发现，若用户在短期内爆发式涨粉，他们更可能发布更多、更负面的口碑，因此更可能成为潜在的口碑“爆点”。那么，企业在舆情监控时，应多留意近期新成长的意见领袖如社交媒体中的“新晋网红”，尽早识别这些潜在的负面口碑“爆点”，建立信任关系，树立良好的企业形象。因为这些“爆点”基于自我展示和印象管理的动机，会有很强的口碑发起意愿，经常会对企业信息表达出质疑和发起负面评论，这些负面口碑一旦形成后企业再进行干预，就要付出更高的成本。相关企业可以根据用户的网络结构特征进行口碑预测，尽可能在口碑发起阶段进行介入，干预潜在“爆点”的口碑行为。
第二，企业选择明星代言时，应慎重选择那些潜在的口碑“爆点”，即便这些潜在的“爆点”不会散布雇主企业的负面口碑，但是由于他们有很强的自我展示和印象管理的动机，很可能会散布一些非雇主企业的负面口碑或与主流价值观不一致的言论，一旦他们的言行触及法律或道德底线，就可能被公众抵制、封杀，从而给雇主企业带来损失。
第三，研究发现，粉丝数量多、短时间内爆发式涨粉、朋友圈影响力比较大的用户有更强的口碑发起动机，但同时也可能发起负面口碑。企业在自营社会化媒体进行品牌与产品宣传时应该如何选择意见领袖呢？首先，粉丝数量多是意见领袖的一个基本要求。其次，如果需要持续的口碑贡献，则应该选择长期以来热度高、涨粉稳定的意见领袖。再次，口碑发起以后，为了获得更好的扩散效应，应选择朋友圈影响力大的意见领袖。最后，为了避免意见领袖发布负面口碑，企业应多与这类用户进行互动，在满足用户自我展示和印象管理心理需求的同时，尽量做到无违和感地融入品牌、产品元素，必要时构建一些场景或引导，将一些看似负面的抱怨转换为企业或产品正面的宣传。
3.研究局限与展望
本研究的局限性在于，仅考察了网络关系与口碑贡献的关系，而用户口碑贡献还有其他的动机。[6,60,61]因此，网络关系还不能完全预测口碑贡献行为，未来研究可以更多关注用户个性特征以及用户间相似度对口碑贡献行为的影响。比如在以往的研究中发现，性格更外向的个体在集体主义倾向高、群体用户相似度高的环境下，具有更高的口碑贡献意愿。[65]说明个体特征和群体特征在一定环境下可以解释口碑贡献行为的差异。此外，本研究使用的是由美国评论网站Epinion.com数据构建成的社会网络，是一种典型的无标度网络，未来研究还可以研究不同网络结构环境中（随机网络、小世界网络）用户处在不同网络位置时（Hub节点、桥节点）口碑贡献动机的特征。
参考文献
[1] Westbrook,R.A..Product/Consumption-based Affective Responses and Post-purchase Processes.Journal of Marketing Research,1987,24(2): 258-270.
[2] 贺凯彬,王锐,张涵.从动态竞争理论的视角看电影口碑对票房的影响.营销科学学报,2016,12(3): 1-17.
[3] 黄敏学,王峰,谢亭亭.口碑传播研究综述及其在网络环境下的研究初探.管理学报,2010,1(1): 138-46.
[4] Jonah,B..Word of Mouth and Interpersonal Communication: A Review and Directions for Future Research.Journal of Consumer Psychology,2014,24(4): 586-607.
[5] KramerAdam,D.,Guillory,J.E.,Hancock,J.T..Experimental Evidence of Massive-scale Emotional Contagion through Social Networks.Proceedings of the National Academy of Sciences,2014,111(24): 8788-8790.
[6] 阎俊,蒋音波,常亚平.网络口碑动机与口碑行为的关系研究.管理评论,2011,23(11): 84-91.
[7] Kozlenkova,I.V.,Palmatier,R.W.,Fang,Er.,Xiao,B.M.,Huang,M.X..Online Relationship Formation.Journal of Marketing,2017,81(3): 21-40.
[8] 郑春东,韩晴,王寒.网络水军言论如何左右你的购买意愿.南开管理评论,2015,18(1): 89-97.
[9] MoeWendy,W.,Schweidel,D.A..Online Product Opinions: Incidence,Evaluation and Evolution.Marketing Science,2011,31(3): 372-386.
[10] 黄敏学,王琦缘,肖邦明,王殿文.消费咨询网络中意见领袖的演化机制研究——预期线索与网络结构.管理世界,2015,7(2): 109-121.
[11] 孟园,王洪伟,王伟.网络口碑对产品销量的影响: 基于细粒度的情感分析方法.管理评论,2017,29(1): 144-154.
[12] 殷国鹏.消费者认为怎样的在线评论更有用——社会性因素的影响效应.管理世界,2012,(12): 115-124.
[13] SeibertScott,E.,Kraimer,M.L.,LidenRobert,C..A Social Capital Theory of Career Success.Academy of Management Journal,2001,44(2): 219-237.
[14] Cheema,A.,KaikatiAndrew,M..The Effect of Need for Uniqueness on Word of Mouth.Journal of Marketing Research,2010,47(3): 553-563.
[15] Wang,F.,Huang,M.X.,Shou,Z.G..Business Expansion and Firm Efficiency in the Commercial Banking Industry: Evidence from the U.S.and China.Asia Pacific Journal of Management,2015,32(2): 556-573.
[16] Christakis,N.A.,Fowler,J.H..The Spread of Obesity in a Large Social Network over 32 Years.New England Journal of Medicine,2007,357(4): 370-379.
[17] Damon,C..The Spread of Behavior in an Online Social Network Experiment.Science,2010,329(5996): 1194-1196.
[18] Ma,L.Y.,Sun,B.H.,Kekre,S..The Squeaky Wheel Gets the Grease: An Empirical Analysis of Customer Voice and Firm Intervention on Twitter.Marketing Science,2015,34(5): 627-645.
[19] Angelis,M.D.,Bonezzi,A.,Peluso,A.M.,Rucker,D.D.,Costabile,M..On Braggarts and Gossips: A Self-enhancement Account of Word-of-Mouth Generation and Transmission.Journal of Marketing Research,2012,49(4): 551-563.
[20] Bin,G.,Konana,P.,Rajagopalan,B.,Chen,H.W.M..Competition among Virtual Communities and User Valuation: The Case of Investing-related Communities.Information Systems Research,2007,18(1): 68-85.
[21] Zhu,F.,Zhang,X.Q..Impact of Online Consumer Reviews on Sales: The Moderating Role of Product and Consumer Characteristics.Journal of Marketing,2010,74(2): 133-148.
[22] Fowler,J.H.,Christakis,N.A..Dynamic Spread of Happiness in a Large Social Network: Longitudinal Analysis over 20 Years in the Framingham Heart Study.British Medical Journal,2008,337(49): 2338-2342.
[23] Berger,J.,Milkman,K.L..What Makes Online Content Viral? Journal of Marketing Research,2012,49(2): 192-205.
[24] 汪平,孙鲁平,彭璐珞.解析网络口碑的动态交互过程:一个基于网络回帖行为的分层贝叶斯选择模型.南开管理评论,2012,15(2): 141-151.
[25] Berger,J.,Schwartz,E.M..What Drives Immediate and Ongoing Word of Mouth? Journal of Marketing Research,2011,48(5): 869-880.
[26] Berger,J.,Sorensen,A.T.,Rasmussen,S.J..Positive Effects of Negative Publicity: When Negative Reviews Increase Sales Marketing Science,2010,29(5): 815-827.
[27] 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.
[28] Wilcox,K.,Stephen,A.T..Are Close Friends the Enemy? Online Social Networks,Self-esteem,and Self-control.Journal of Consumer Research,2012,40(1): 90-103.
[29] 郝媛媛,叶强,李一军.基于影评数据的在线评论有用性影响因素研究.管理科学学报,2010,13(8): 78-88.
[30] Ludwig,S.T.,Ruyter,D..More Than Words: The Influence of Affective Content and Linguistic Style Matches in Online Reviews on Conversion Rates.Journal of Marketing,2013,77(1): 87-103.
[31] Tang,T.,Fang,E.,Feng,W..Is Neutral Really Neutral? The Effects of Neutral User-generated Content on Product Sales.Journal of Marketing,2014,78(4): 41-58.
[32] He,S.X.,Bond,S.D..Why Is the Crowd Divided? Attribution for Dispersion in Online Word of Mouth.Journal of Consumer Research,2015,41(6): 1509-1527.
[33] 卢向华,冯越.网络口碑的价值——基于在线餐馆点评的实证研究.管理世界,2009,(7): 126-132.
[34] Muchnik,L.,Aral,S.,Taylor,S.J..Social Influence Bias: A Randomized Experiment.Science,2013,341(6146): 647-651.
[35] Hu,N.,Paul,P.,Zhang,J..Can Online Reviews Reveal a Product`s True Quality? Empirical Findings and Analytical Modeling of Online Word-of-Mouth Communication.Proceedings of the 7th ACM Conference on Electronic Commerce ACM,2006: 323-334.
[36] Toubia,O.,Stephen,A.T..Intrinsic vs.Image-related Utility in Social Media: Why Do People Contribute Content to Twitter? Marketing Science,2013,32(3): 368-380.
[37] Anderson,E.W..Customer Satisfaction and Word of Mouth.Journal of Service Research,2007,1(1): 5-17.
[38] Liu,Y..Word of Mouth for Movies: Its Dynamics and Impact on Box Office Revenue.Journal of Marketing,2006,70(3): 74-89.
[39] Xiao,B.M.,Huang,M.X..Network Closure among Sellers and Buyers in Social Commerce Community.Electronic Commerce Research and Applications,2015,14(6): 641-653.
[40] Petter,H.,Jari,S..Temporal Networks.Physics Reports,2012,519(3): 97-115.
[41] Aral,S.,Walker,D..Identifying Influential and Susceptible Members of Social Networks.Science,2012,337(6092): 488-490.
[42] 史伟,王洪伟,何绍义.网络口碑对市场销售分布的影响: 基于不同产品评价标准.系统工程理论与实践,2016,36(7): 1744-1756.
[43] Amabile,T.M..Brilliant but Cruel: Perceptions of Negative Evaluators.Journal of Experimental Social Psychology,1983,19(2): 146-156.
[44] Borgatti,S.P.,Mehra,A.,Brass,D.J..Network Analysis in the Social Sciences.Science,2009,323(5916): 892-895.
[45] Huang,M.X.,Xiao,B.M.,Sun,P.X..Network Evolution of Transactional Community Based on Network Closure Theory.Systems Engineering-Theory＆Practice,2015,35(5): 1165-1187.
[46] 宋晓兵,丛竹,董大海.网络口碑对消费者产品态度的影响机理研究.管理学报,2011,8(4): 559-566.
[47] Deutsch,M.,Gerard,H.B..A Study of Normative and Informational Social Influences upon Individual Judgment.Journal of Abnormal and Social Psychology,1955,51(3): 629.
[48] Latane,B..The Psychology of Social Impact.American Psychologist,1981,36(1): 343-356.
[49] Bond,R.M.,Fariss,C.J.,Jones,J.J..A 61-Million-Person Experiment in Social Influence and Political Mobilization.Nature,2012,489(7415): 295-298.
[50] Luo,X..Quantifying the Long-term Impact of Negative Word of Mouth on Cash Flows and Stock Prices.Marketing Science,2009,28(1): 148-165.
[51] 左文明,王旭,樊偿.社会化电子商务环境下基于社会资本的网络口碑与购买意愿关系.南开管理评论,2014,17(4): 140-150.
[52] 张红宇,周庭锐,严欢,唐小飞.网络口碑对消费者在线行为的影响研究.管理世界,2014,(3): 178-179.
[53] Chen,Z.,Lurie,N..Temporal Contiguity and Negativity Bias in the Impact of Online Word of Mouth.Journal of Marketing Research,2013,50(4): 463-476.
[54] Huang,M.X.,Wang,Y.T.,Liao,J.Y.,Liu,M.H..Mixd Effects of Inconsistent Reviews on Consumers: The Moderating Roles of Product Attributes and Regulatory Focus.Acta Psychologica Sinica,2017,49(3): 370-382.
[55] Guidi,B.,Amft,T.,De,S.A.,Graffi,K.R..DiDuSoNet: A P2P Architecture for Distributed Dunbar-based Social Networks.Peer-to-Peer Networking and Applications,2015,6(3): 215-230.
[56] 潘海利,黄敏学.用户三元情感关系的形成与差异化影响: 满意、依恋、认同对用户行为的交互补充作用.南开管理评论,2017,20(4): 26-42.
[57] Donald,R.L.,Esteban,B.M..When Giving Some away Makes Sense to Jump-start the Diffusion Process.Market Lett 2016,17(2): 243-254.
[58] Garcia,R..Uses of Agent-based Modeling in Innovation/New Product Development Research.Journal of Product Innovation Management,2015,22(11): 380-398.
[59] Nguyen,D.,Shi,L..Competitive Advertising Strategies and Market-size Dynamics: A Research Note on Theory and Evidence.Management Science,2016,52(5): 965-973.
[60] Dholakia,U.,Bagozzi,R..A Social Influence Model of Consumer Participation in Network- and Small-group-based Virtual Communities.International Journal of Research in Marketing,2004,21(3): 241-263.
[61] Wang,Y.,Fesenmaier,D..Towards Understanding Members` General Participation in and Active Contribution to an Online Travel Community.Tourism Management,2004,25(6): 709-722.
[62] Delre,S.,Jager,W.,Bijmolt,T.,Janssen,M..Targeting and Timing Promotional Activities: An Agent-based Model for the Takeoff of New Products.Journal of Business Research,2007,68(4): 826-835.
[63] Lee,S..The Role of Consumers` Network Positions on Information-seeking Behavior of Experts and Novices: A Power Perspective.Journal of Business Research,2012,7(2): 1-7.
[64] Libai,A..Decomposing the Value of Word-of-Mouth Seeding Programs: Acceleration Versus Expansion.Journal of Marketing Research,2013,4(2): 161-176.
[65] Cascio,C.N.,O`Donnell,M.B.,Bayer,J..Neural Correlates of Susceptibility to Group Opinions in Online Word-of-Mouth Recommendations.Journal of Marketing Research,2015,52(4): 559-575.
Network Ties and Online Word-of-Mouth Explosive Point: An Empirical Study Based on Social Impact Theory
Huang Minxue1,2,Zheng Shiyong1,2,Wang Qiyuan3
1.Department of Marketing and Tourism Management,Economics and Management School,Wuhan University; 2.Research Center for Marketing Engineering and Innovation of China,Economics and Management School,Wuhan University; 3.Sauder School of Business,University of British Columbia
Abstract In the era of mobile Internet,the positive word of mouth diffusion of enterprises is able to help enterprises establish a good image.On the contrary,the negative word of mouth will demonize enterprises'image and ultimately affect their management and development.Compared with positive word of mouth,the negative one spreads faster and has a much greater impact.The word of mouth diffusion can be divided into two stages: generation and transmission.According to previous studies concerning word of mouth diffusion,nearly all of them focused on those susceptible populations as well as the seed selection strategy of positive word of mouth transmission.However,very few studies are on the identification of those explosive populations who will generate negative word of mouth .Online word of mouth is an important channel for consumers to achieve goals of self presentation and express themselves.Based on social impact theory,this paper finds that network ties are a manifestation of virtual social presence.Under its influence,the self presentation motivations of customers will be activated.
Then,more negative online word of mouth will be launched by customers,ultimately forming word of mouth "explosive point".After conducting an empirical study on the US shopping review website --Epinion.com,we found that: (1) When consumers have more network relationships,stronger self presentation opportunities will be triggered,which will in turn prompt them to generate more (volume) online word of mouth.(2) Negative word of mouth will be perceived as more objective and insightful.As a result,stronger impression management motivation will lead to the generation of lower (valence) word of mouth.(3) The generation of word of mouth explosive point will be subjected to the forming time of moments (time distance from the time point in which the relationship has been established) as well as the influence of moments (Eigenvectors centrality the degree centrality of friends).All in all,the shorter formation time of moments and its greater influence will have much greater impact on the volume as well as the valence of word of mouth.
Key Words Social Network; Network Ties; Online Word-of-Mouth; Social Impact
作者简介黄敏学，武汉大学经济与管理学院教授、博士生导师、博士，研究方向为网络营销；郑仕勇，武汉大学经济与管理学院博士研究生，研究方向为网络营销；王琦缘，英属哥伦比亚大学博士研究生，研究方向为网络营销
基金资助本文受国家自然科学基金重大项目（91746206）、国家自然科学基金项目（71672132）资助
标签：关系论文; 口碑论文; 网络论文; 用户论文; 数量论文; 社会科学总论论文; 社会学论文; 社会结构和社会关系论文; 《南开管理评论》2019年第2期论文; 国家自然科学基金重大项目(91746206)国家自然科学基金项目(71672132)论文; 武汉大学经济与管理学院论文; 英属哥伦比亚大学论文;