行业集中度对国内直播平台的影响研究——马太效应是否存在？外文翻译资料

The Matthew Effect in Social Commerce: the case of online review helpfulness

摘要：在线评论作为用户生成内容的一种主要形式，在消除信息不对称、促进电子市场交易等方面发挥着重要的战略作用。为了提高市场效率，许多在线零售商使用帮助投票作为一种众包策略来识别和排名在线评论。在本研究中，我们分析了一组包含2187篇评论的数据集，以及从亚马逊网站上六种最畅销产品收集的两个多月评论排名数据。我们发现，由于马太效应，早发的长篇评论获得了不成比例的高比例投票。我们还发现，早期评论一旦被确定为最有帮助的，由于棘轮效应，可以在整个产品生命周期中保持其顶级排名的地位。讨论了这些发现的含义，并提出了如何减轻在线零售商这种影响的负面影响的策略。

关键词：马太效应，棘轮效应，用户生成内容，社交商务，在线评论，评论帮助

研究背景、文献综述及假设

社交商务与在线评论

社交商务利用基于互联网的社交网络平台，方便个人在线上和线下市场参与营销活动，主要是购买和销售产品和服务。这代表了一种范式转变，反映在企业和个体零售商的电子商务模式中（Zhou等人，2013年）。

自从基于Internet的电子商务出现以来，我们经历了几种电子商务模式的发展和演变，包括企业对消费者(B2C)、企业对企业(B2B)和消费者对消费者(C2C)模式（Altamp;Zimmermann,2001）。然而，这些模型在在线环境中基本上是独立的。虽然早期有将线下企业整合到线上市场的努力，但进展甚微，因为消费市场还没有达到关键的门槛，比如智能移动设备的发明和采用率。随着苹果在2007年和2010年分别推出了智能手机(iPhone)和平板电脑(iPad)，线下传统企业比以往更容易吸引到当地消费者。与此同时，Facebook等社交网站和Groupon等社交商务网站的流行使得网络和线下零售商得以整合。因此，社会商业作为全球电子市场演变的下一阶段开始增长。

在这一整合过程中，在线评论发挥了连接零售商和购物者的关键作用，并成为社会购买体验的主要来源（Ambleeamp;Bui,2011）。因此，了解在线评论的动态将进一步提高电子市场的效率。

在过去的20年中，在线零售商开发了多种渠道来生成在线评论。例如，作为领先的在线零售商，亚马逊提供了三个供消费者撰写在线评论的投稿渠道。

消费者只需登录他们的Amazon帐户，就可以为产品写一篇评论。大多数审查都是以这种方式提交的。消费者还可以提供“亚马逊验证购买”评论，该评论将评论与消费者进行的可验证购买联系起来，从而提高评论的可信度。第三个渠道是通过“亚马逊藤蔓计划”，亚马逊将产品样品发送给选定的消费者，并邀请他们在试用后写一篇评论。据亚马逊网站称，所有提交的评论，不管是正面的还是负面的，都被张贴出来。该频道在其所有畅销书类别中贡献了不到4%的评论（回溯，2010年）。

所有这些渠道的累积效应导致产生越来越多的在线评论。目前，亚马逊网站上的一个热门产品在进入市场的头几个月内吸引几百条评论是很常见的。像哈利波特系列这样的畅销书在其生命周期内可能会收到成千上万的评论。由于产生了如此多的评论，帮助消费者识别有帮助的评论变得至关重要，以便他们能够在有限的时间框架内进行产品研究或慎重的购买决定。因此，亚马逊引入了帮助投票和排名功能来帮助实现这一目的。

使用有帮助的/总票数来对在线评论进行排名，既有道德上的优势，也有实践上的优势。首先，根据汇总的投票结果对评论进行投票和排名，从网购者的角度来看是一种值得信赖的方法，而且很容易理解。这也是一个透明的过程，理论上可以由公众监督（French,2007）。其他的选择方法，比如使用文本挖掘来评估有用性，很难理解，也不透明。一些网上购物者可能会将后者视为网上零售商操纵的黑匣子，因而不值得信赖(Sarwar，Karypis，Konstan，amp;Riedl，2000)。其次，使用Ajax技术（Garrett,2005）将评审作为一个功能进行投票是相当容易和负担得起的。因此,由于其受欢迎程度、被感知的公平性和易于实施,帮助性投票逐渐被许多在线零售商采用,不仅被购物者使用,而且被研究者用作评价质量的基准(Baek,Ahn,amp;Choi,2012；Cao,Duan,amp;Gan,2011；Mudambiamp;Schuff,2010）。

由于帮助性投票正在成为在线评审系统的一个标准特征，我们可以通过了解其局限性来更好地控制和管理这一过程。接下来，我们解释了马太效应和棘轮效应，以及它们是如何影响帮助投票和强化顺序偏向的。

马太效应、棘轮效应和顺序偏差

因为凡有的，必赐给他，他也必有丰盛。但那没有的，连他所有的，也必夺去。--马太福音25：29,《钦定本圣经》

马太效应是一个源自《马太福音》的概念。其世俗意义被概括为“富人越富，穷人越穷”。社会学家罗伯特·默顿最早在学术领域观察到马太效应；也就是说，杰出的科学家通常比他们相对不知名的同行获得更多的荣誉，即使他们的著作相似(Merton，1968)。马太效应在我们社会生活的许多方面都有发现；例如，良好读者和不良读者之间的阅读能力差距随着时间的推移而扩大（Shaywitz等人，1995年）；多年来，收入和财富集中在美国最富有的1%人口中的比例一直在上升(McMahon，2004)；1995年至1999年间，在电子商务的淘金热时代，许多在线零售商为了夺取主要市场份额花费了大部分风险资金，因为在进一步积累和扩大用户基础方面，先发者的地位往往比后来的竞争对手带来显著优势（Shapiroamp;Varian，1999)--这一切都归功于马太效应。

马太效应与棘轮效应同步工作。棘轮效应是指个体或主体一旦达到一定的受欢迎程度，通常会停留在该程度上，并不会大大低于该程度的现象。例如，默顿发现，一旦一个科学家达到了某种程度的卓越，他的学术声誉就不会比最初的程度低多少(Merton，1968)。在我们生活的许多方面也发现了棘轮效应。例如，一款新车型由于消费者的期望而不得不提供至少同等数量的功能来与现有车型竞争，这是棘轮效应的经典例子。有时，棘轮效应会产生意想不到的后果。例如，在许多公司中，员工倾向于保留他们的最佳表现，只在一段时间内逐步改进，以避免让他们的主管失望，因为后者对前者的表现的期望在最近的过去的基础上倾向于增加，而不会下降(Freixas，Guesnerieamp;Tirole，1985；Weitzman，1980)。

网络评论中的马太效应和棘轮效应可能通过强化顺序偏向影响有用性投票。

亚马逊在经过许多改进后，于2006年左右引入了帮助投票，以方便众包其评论排名。每个评审都被假定在合理的时间内收到其相应的有益投票。因此会逐渐上升到与它的帮助等级相匹配的等级。然而，尽管上述假设在某些情况下可能是正确的，特别是当一个产品是新发布的，并且只有几个评论发布时，它可能不是在所有情况下都成立的。

在现实中，一旦一篇早发的评论被投票为最有帮助的，并且排名靠前，它可能会吸引更多的用户关注，并因为马太效应而获得不成比例的帮助投票。同时，由于棘轮效应，它可能停留在最有帮助的位置，也可能波动在排名靠前的位置。这两种效应都能强化助人投票中的顺序偏向。

认知偏差在决策中的存在(Tverskyamp;Kahneman，1973)及其对决策结果的各种影响(Baeamp;Lee,2011；Duan et al.,2008；N.Hu,Liu,amp;Zhang,2008；N.Hu et al.,2009）已在现有文献中得到广泛的研究和报道。

在这些偏差中，顺序偏差，或者说由观点顺序引起的偏差，对决策结果和随后的反馈有确定的影响(Sikoraamp;Chauhan，2012)。当评论显示的顺序影响在线购物者的评价和购买决策以及售后反馈时，观察到顺序偏差的影响（Kapooramp;Piramuthu,2009；Sikoraamp;Chauhan,2012）。

在帮助性投票情境中，顺序偏差可以理解为第一印象偏差(Rabinamp;Schrag，1999)或最近性和首位性定律(Milleramp;Campbell，1959)。也就是说，一个在线购物者对一个产品的第一印象很大程度上是由第一个评论塑造的，当这个评论被投票认为是最有帮助的。一旦做好准备，购物者随后的产品研究和购买相关活动就会受到相应的影响和塑造，包括随后的乐于助人的选择。

因此，当我们根据评价的帮助度进行排名时，我们应该预见到帮助度投票过程中的马太效应和棘轮效应；它们在一些早期发布的评论中保持了最高的排名，这些评论主导了大多数消费者对产品的第一印象，从而加强了顺序偏见的负面影响。因此，那些被认为是最有帮助的评论，主要是因为发布得很早，可以在产品的整个生命周期中影响购物者。基于前面的讨论和分析，我们制定了以下两个假设：

假设一：最有帮助评论优先排序法引入并强化了在线评论帮助投票过程中的马太效应。

假设二：最有帮助评论优先排序法引入并强化了在线评论帮助投票过程中的棘轮效应。

接下来，我们设计了一个研究模型并收集了数据来验证上述假设。

研究设计和数据收集

为了探讨在线帮助性投票过程中马太效应的存在性,我们考虑了两个对在线帮助性投票至关重要的评论属性：评论发布日期和评论深度。

由于amazon没有定义什么是有帮助的评论，因此它取决于单个消费者来发出呼吁。早期发布的评论通常与早期产品生命周期相吻合。它们是消费者做出购物决定的重要投入，因此更有可能获得赞成票，尽管它们可能不如后来发布的评论更有帮助。

同时，在早期发布的评论中，那些深度更深的评论通常会引起更多的关注，并被认为相对更有帮助(Mudambiamp;Schuff，2010)。因此，评论长度是评论深度的替代，对普通网购者来说是一个直接的有用信号，早期的冗长评论更有可能被购物者注意到，引起更多的注意，更有可能被投票认为有用。因此，我们将投稿日期和评论长度作为自变量纳入我们的研究中。

数据分析

马太效应的存在

为了检验马太效应的存在性，我们根据每个产品获得的赞成票和总票数对所有评论进行了排名。然后我们分别计算了1%和10%排名靠前的评论获得的投票数占所有评论获得的总投票数的百分比。我们还分别计算了1%和10%最早发布的评论（基于它们的发布日期）收到的投票百分比和所有评审收到的总票数。

表3汇总了四个类别中每一类别获得的总票数和赞成票（括号内）的百分比。

表3.优先和早期审查中赞成票和总票数的集中度（%）

我们发现，前1%的评论平均获得26.4%的总票数和31.7%的赞成票，而前10%的评论平均获得72.1%的总票数和74.5%的赞成票。而最早的1%评论平均获得总票数的14.2%和赞成票的11.5%，最早的10%评论平均获得总票数的49.1%和赞成票的43.7%。所有这些数据都表明了马太效应对助人投票的存在和显著影响，特别是对所有类别的10%的结果。因此，验证了假设1。

如果我们比较一下这些顶级评论的得票率和美国的金融财富分布，我们可能会更好地了解这种效应的意义。根据国会预算办公室的数据，2007年，美国人口中最富有的1%拥有国家总财富的34.6%，接下来的19%拥有50.5%。因此，在我们的产品列表中，有两种产品（Adele CD和椰子油）的前1%投票集中程度与美国财富分布不均的前1%相匹配，它们获得赞成票的百分比超过后者。所有六款产品的前10%评论的总投票和赞成票集中度远远超过了美国人口财富分配不均的10%。

棘轮效应的证据

最初12个最有帮助的评论的排名数据列在表4中。在数据收集期间新增加的审查数量和新审查百分比的增加情况在第一栏中用括号表示。每个amazon评论都有自己唯一的评论ID，也包含在表中。我们使用评审最有帮助的天数与数据收集的天数来计算“最有帮助”栏下每个跟踪评审的优势百分比。我们计算了在整个数据收集期间每个评审的平均排名，以及评审不处于最有帮助状态的天数的平均排名（由“平均排名”列中括号中的数字表示）。如果一个评论从我们收集数据的一开始就不在最前面（对于一些最有帮助的批评性评论来说是这样），我们在表中用“N”表示这一点。

表4.原创12篇顶级评论平均排名

我们在这里有两个主要的发现。

首先，我们发现对六款产品中的三款产品（惠普打印机、Adele CD、椰子油）最有帮助的评论在数据收集过程中完全没有变化。换句话说，他们一直占据着最有帮助的位置，尽管增加了54至90条新的评论，同时这些类别的评论总数增加了11%至51%。考虑到这三款产品分别代表了搜索、体验和信任产品类别，并且它们已经是市场上至少两年的畅销产品，这成为棘轮效应的有力证据；一旦评审被列为最有帮助的，并且产品处于其生命周期的后期引入、成长或成熟阶段(Andersonamp;Zeithaml，1984)，评审就可能在产品的剩余生命周期中占据这一位置。

其次，对于每一对最有帮助的评论，好评的评论更早地被识别，更早地变得稳定，并且停留在平均更高的顶级排名比同一产品的最关键的评论；因此，有利的审查更多地受到棘轮效应的影响。例如，搜索产品滑流CD最有帮助的审查就提供了这方面的有力证据。表5显示了对此CD产品最有帮助的评审排名动态。除了评审ID之外，我们还包括每个最有帮助的评审的开始/结束日期、该评审发布的日期、其长度以及在开始和结束日期收到的赞成票和总票数。因此，假设2也被验证。

外文文献出处：

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 22 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[271033]，资料为PDF文档或Word文档，PDF文档可免费转换为Word