刘 伟，徐鹏涛

(东北财经大学管理科学与工程学院，辽宁 大连 116025)



O2O电商平台在线点评有用性影响因素的识别研究
——以餐饮行业O2O模式为例

刘 伟，徐鹏涛

(东北财经大学管理科学与工程学院，辽宁 大连 116025)

为了识别O2O电商平台在线点评有用性的影响因素，本文构建了基于IAM模型的双路径分析理论模型。以大众点评网上6家餐厅的2372条用户点评数据为样本，通过Tobit回归方法对理论模型进行了实证检验。研究结果显示，核心路径中的信息丰富性、信息可读性及点评负面性等三个变量对在线点评有用性有显著正向影响，其中信息可读性的观测变量点评段落数与在线点评有用性之间呈倒“U”型关系，品牌价值对点评负面性与点评有用性之间的关系具有调节作用，高的品牌价值会降低点评负面性对点评有用性的积极作用。边缘路径中的消费者回应及点评者经验对在线点评有用性具有显著正向影响。旧的评论比新的评论对在线点评有用性的影响更大。

餐饮行业；O2O；在线点评；点评有用性

1 引言

O2O(Online to Offline)是通过线上营销或购买来带动线下经营或消费的一种新兴电子商务模式，即“线上搜索，线下消费”。O2O模式利用线上平台的海量信息和无边界性进一步挖掘线下资源，拓宽了商家的运营和营销渠道，改变了人们的消费方式，提升了用户体验。2012年以来，许多电商平台开始拓展本地生活服务(餐饮、娱乐、票务等服务)O2O业务。餐饮业作为较早接触线上渠道搭建的传统服务行业，依托线上交易和线下消费已成为O2O最典型的应用场景之一。以阿里巴巴、百度为代表的传统互联网巨头和以大众点评、美团、饿了么等为代表的新兴企业纷纷布局餐饮行业O2O市场。品途咨询研究显示，2014年我国餐饮行业O2O的在线用户规模达到1.89亿人，市场规模达到943.7亿元，餐饮行业O2O市场受到广泛关注，以餐饮行业O2O平台为例进行研究具有较强的代表性和应用价值。

对于餐饮O2O平台的在线用户来说，面临的主要问题是如何最优的在线选择餐馆进行线下消费。当消费者很难了解产品信息时，来自其他消费者的在线点评通常是用户进行决策的主要依据，在线点评帮助其进行购买决策的作用是十分重要的[1]。在线点评(Online Review)也称为网络口碑、在线口碑(Electronic Word of Mouth，eWOM)等，是由处于同等身份的其他消费者在第三方网站平台上发布的产品或服务评价[2]。和传统的口碑营销一样，在线点评也可以通过感知有用性和感知易用性来影响消费者的购买意愿[3]。根据Simonson和Rosen[4]的研究，30%的美国消费者是通过浏览亚马逊网站上的产品信息和点评才开始网络购物的。在线点评的重要性毋容置疑，但随着点评数量的大幅度增加，会给消费者带来信息过载的问题[5]。一些学者认为在线点评有用性就是“会帮助消费者进行购买决策”，只有有用的在线点评才能给消费者的选择带来帮助[2]。目前对于在线点评有用性的研究多集中在亚马逊、淘宝等B2C和C2C类电商平台上，采用计量模型、文本挖掘等方法对网上抓取的二手数据进行实证研究，但是研究结论并不一致[6]。从个体层面分析在线点评影响消费者购买决策的研究不足，没有形成明晰的理论分析框架，难以解释有用性点评的影响机制。具体来说，缺乏对点评内容质量相关特征的关注，点评内容质量特征的深度语义挖掘不够，负面点评的作用一直被在线点评的相关研究所重视，缺乏对正面点评中所包含的点评负面性的深入研究，点评有用性影响因素的设定不统一。另外，由于O2O的概念还比较新，将视角放在餐饮行业O2O平台的在线点评的研究很少。与B2C和C2C类电商平台不同，O2O平台为第三方平台，消费者发布的在线点评不容易受到商家的营销策略影响，具有更高的可信度和参考价值，对于线上搜索的消费者来说，线下消费的选择对在线点评的依赖性极大。现实情况是餐饮O2O平台存在海量的在线评论，点评信息的过载及其质量的参差不齐严重影响消费者的决策判断，增加了信息搜索成本。因此，从管理实践来说需要建立有效识别O2O平台在线点评影响因素、改进平台的评论信息发布策略和提取有价值的评论信息的机制，从而提升消费者的决策效率、平台的用户流量和收益以及改进商家的服务质量。

本文在已有研究基础上，以大众点评网的在线餐馆点评为研究对象，围绕“什么样的在线点评对消费者选择餐馆更有用？”这一问题，以IAM模型为理论框架，研究消费者感知在线评论有用性的影响因素。本文对在线点评有用性的影响因素识别进行研究，有利于减少消费者的线上搜索成本，提高消费者的用户体验，促进线下商家的销售和品牌信誉度的提升，以及改进第三方在线平台的点评发布策略和用户黏性，丰富在线点评有用性的相关理论。

2 理论模型

Sussman和Siegal[7]在结合理性行为理论、技术接受模型(Technology Acceptance Model，TAM)以及详尽可能性模型(Elaboration Likelihood Model，ELM)的基础上提出了信息采纳模型(Information Acceptance Model，IAM)。该模型将信息有用性加入到ELM模型中作为中介变量，同时将接收者的参与度与专业知识作为调节变量。IAM模型将信息影响人们的决策过程看作是信息采纳过程，将信息内容质量作为核心路径，信息源作为边缘路径，信息接受者感知的内容质量与信息源的可靠性越高，其感知的信息有用性也就越高；而有用性越高的信息会产生较高水平的信息采纳效果，即信息有用性会调节内容质量和信息源可靠性对信息采纳的影响。一些学者运用IAM模型分析了在线点评影响消费者购买决策的过程[8-9]，表明IAM模型适用于在线点评有用性的研究，本文基于IAM模型构建餐饮行业O2O模式下在线点评有用性影响因素的理论模型。

在核心路径方面，本文着重研究点评内容质量。由于在线点评是以文本方式呈现给消费者，本文选取信息丰富性和信息可读性两个变量来研究点评内容质量对在线点评有用性的影响[10]。负面点评的作用一直被在线点评的相关研究所重视，正面点评内容中所包含的负面信息对在线点评有用性的影响更有价值，点评负面性也被纳入理论模型。考虑到品牌价值会对点评负面性与点评有用性之间的关系产生调节作用，因此将品牌价值作为调节变量引入理论模型。在边缘路径方面，本文选取信息源可靠性中易于消费者处理的因素进行研究。点评者经验可以帮助消费者判断点评发布者对产品或服务评价的资格和能力，将其作为信息源可靠性的因素。动态属性变量一直是在线点评研究所缺乏的，消费者在进行在线产品选择的时候容易受到其他消费者的影响[4]，所以其他消费者对点评的回复或响应以及评分不一致性也作为影响在线点评有用性的因素。点评数量和点评发布的时间会对在线点评有用性产生影响，将其作为控制变量引入到模型之中。图1为本文提出的餐饮行业O2O模式下在线点评有用性影响因素识别的理论模型。

2.1 核心路径

核心路径包括信息的丰富性、可读性以及点评负面性等三个指标。

(1)信息丰富性

信息丰富性是指可以帮助消费者了解产品的信息集的数量[11]。面对不完整的产品信息，消费者常常要在不确定的情况下进行购买决策。为了避免损失，消费者会搜寻与产品相关的信息来减少购买的不确定性，从而获得足够的信心来进行购买决策。共振市场理论认为消费者只有在知情的情况下才会购买他们想要的产品，而且获知与产品相关的信息越多，其购买产品的数量也就越多[12]。对于在线点评来说，其包含产品相关的信息越丰富，对消费者购买决策的影响就越大，而消费者感知的在线点评有用性也就越大。据此，本文提出如下研究假设：

H1：信息丰富性与在线点评有用性呈正向相关关系。

图1 餐饮行业O2O模式下在线点评有用性影响因素识别的理论模型

(2)点评可读性

可读性是人们阅读和理解一段包含对被评价产品的文本时所感受到的难易程度，可读性与点评长度一样对一段文本的易理解性有着重要的影响。根据认知适配理论，当人们对接收到的信息采用恰当的认知过程时，其对信息的处理将会更加有效[13-14]。在这里，恰当的认知过程是指给出的信息要采用可以最小化阅读者认知努力的形式，才能与阅读者的信息处理策略相匹配，从而加强对消费者制定决策的影响效果[15]。因此，信息的可读性越高，代表人们阅读该信息所需要付出的认知努力就越少，从而其对消费者制定购买决策的影响就越大。对在线点评来说，如果点评的信息文本能够提供一个合适的段落数，就可以提高该条点评的可读性[10]，从而对消费者进行购买决策具有更大的辅助作用，即具有更高的有用性。据此，本文提出如下研究假设：

H2：点评可读性与在线点评有用性呈正向相关关系。

(3)点评负面性

点评负面性一直是在线点评有用性研究的重要方面，就对点评有用性的影响效果来说，负面点评的影响力要比正面点评更大[16]。信息诊断性理论表明，当存在诊断性更高的信息时，人们不会选用那些诊断性低的容易理解的信息。负面点评要比正面点评具有更高诊断性，人们往往会把负面信息作为更重要的信息源，因此负面信息具有更大的说服力。从对购买行为的影响来说，包含更多正面情感内容的在线点评产生的在线转化率要更低一些，而包含负面情感内容的在线点评则没有这种递减效应[17]。已有研究往往将焦点放在负面点评上，而正面点评内容中的负面性因素常常被忽视。Doh和Hwang[18]认为含有少量负面性内容的正面点评的可信度会更高，从而可以对消费者的购买决策产生更大的影响。点评内容中所包含的负面性因素越多，其对点评有用性的影响也就越大。据此，本文提出如下研究假设：

H3a：点评负面性与在线点评有用性呈正向相关关系。

品牌价值是在讨论负面性因素对在线点评有用性的影响时需要考虑的因素。作为可以有效代表产品质量的标识，品牌价值可以在消费者进行购买决策时产生对产品质量的暗示，从而形成消费者的选择偏见[19]。因此，消费者在阅读在线点评信息中的负面性内容时，由于高品牌价值所带来的高质量暗示会使消费者对这些负面性因素产生不信任感，会降低对这些内容所感知的有用性。据此，本文提出如下研究假设。

H3b：高的品牌价值会降低点评负面性对在线点评有用性的积极影响。

2.2 边缘路径

边缘路径包括消费者回应、评分不一致性和点评者经验等三个指标。

(1)消费者回应

相对于面对面的沟通情境，以互联网为媒介的沟通情境的社会临场感(社会临场感即个人在沟通中对群体中其他人的感觉)会比较低[20]，主要是由于其缺乏非文字的线索，传递信息的渠道单一，沟通者不容易感受到其他参与者的存在，从而使整个通讯过程低人性化和低社会化。社会临场感理论认为消费者之间的互动可以增加在线点评信息传递的真实性，从而增加在线点评的信息源可靠性。本文将来自其他消费者的回应纳入在线点评有用性的理论模型中，当来自其他消费者回应的数量越多时，在线点评沟通情境中的交互性也就会越高。高的交互性可以带来高的社会临场感，消费者感知到更高的信息源的可靠性。据此，本文提出如下研究假设：

H4：消费者回应与在线点评有用性呈正向相关关系。

(2)评分不一致

在线点评的平均评分可视为其他消费者对某一产品的一致观点[21]。信息阶流理论认为当人们在信息不完全或不对称的情况下进行决策时，除了考虑自身所了解的信息外，也会观察处于相同情况下的其他人的决策行为。虽然无法了解其他人的决策过程，但是如果有连续不断的相同行为结果出现时，人们就会放弃自己的判断，转而遵循大多数人的决策结果。Cheung等[9]研究发现在线点评的评分与现有点评的评分越一致，消费者感知的在线点评的可信度也就越高。也就是说，某一点评评分与平均评分的一致性可以使消费者认为点评的信息来源更加可靠，从而认为点评更有用。据此，本文提出如下研究假设：

H5：评分不一致与在线点评有用性呈负向相关关系。

(3)点评者经验

对于信息主题参与度低的消费者而言，信息源可靠性在人们对认知权威的判断中起着重要的作用。Baek 等[8]指出点评者身份、点评者等级以及点评者活跃度等点评发布者特征可以作为信息源可靠性的相关因素对点评有用性产生影响。Ngo-Ye和Sinha[22]认为点评发布者特征和点评文本特征对在线点评有用性同样重要。根据归因理论，如果消费者将点评者对产品的评价归因为产品本身的性能，则其对点评者会更加信任，从而更容易被点评所说服。点评者经验可以向点评阅读者传递点评发布者具有对产品或服务评价的资格和能力，点评者的经验越多，消费者就会因其有能力对产品的性能进行评价而对其更加信任。也就是说，点评者的经验越多，消费者感知的信息源可靠性就越高，从而其感知的在线点评有用性也就越高。据此，本文提出如下研究假设：

H6：点评者经验对在线点评有用性呈正向相关关系

2.3 控制变量

考虑到人们更愿意对存在大量点评的产品进行评论以及点评发表时间对点评有用性的影响[23]，本文引入点评的数量和发表的时间近度作为控制变量。由于点评的数量代表着产品的市场表现，有关产品的点评数量越多，消费者感知到的产品重要性和受欢迎程度也就越大。一些研究认为点评的数量越多，消费者感知的点评有用性越大，对消费者购买意愿的影响越大[24]，尤其是对于刚刚接触在线点评的消费者来说更是如此。在线点评的有用性会显著地依赖于点评的发表时机[25-26]，及时的在线点评可以影响消费者对在线点评质量的感知。因此，点评的时间近度也需要纳入在线点评有用性模型中加以考虑。

3 实证研究

3.1 变量与数据

在线点评有用性是研究模型中的因变量。现有文献对在线点评有用性的测度方法有两种：一种通过点评的有用投票数占总投票数的比例来测度有用性[2，8]；另一种是通过点评的累积有用投票数来测度[22]。本文采用点评的累积有用投票数来测量在线点评有用性。根据大众点评网规定，如果点评阅读者认为一条点评对其有用，则可以进行鲜花数的投递(2014年后改为点赞)，因此，本文将使用某条点评累积获得的鲜花数来作为对该条点评的有用投票数。

在自变量方面，信息丰富性和点评可读性分别通过与餐厅相关的特征数量和点评段落数来测量[10]。本文在结合大众点评提供的各类信息的基础上将价格、口味、环境、服务和菜品这五类人们最常关注的餐厅特征信息作为考察点评信息丰富性的内容特征。点评负面性通过负面词汇占点评总字数的比例来测量[8]。品牌价值的高低分别用1和0表示，老字号餐厅为1，而非老字号餐厅为0。点评者经验和消费者互动性分别用点评者的等级[8]及消费者回应数来测量。评分不一致使用某一点评的星级评分和平均星级评分的差值的绝对值来测量[8，25]，而时间近度变量则使用数据抓取日期与点评发布日期之间差值的绝对值来测量。

变量的定义如表1所示。

表1 变量定义

大众点评网(dianping.com)是中国领先的本地生活服务O2O交易平台，本文选择大众点评网为研究对象，选取大众点评网上3家老字号餐厅及3家非老字号餐厅的消费者点评数据进行抓取。样本数据的抓取工具采用GooSeeker提供的MetaSeeker网络爬虫工具包，共抓取3771条在线点评数据。由于近期的点评可能没有足够的时间来累积有用性投票，剔除了数据抓取日期之前两个月内发布的点评[22]；而且涉及到文本内容的分析，还剔除了少量没有内容或其他语言书写的点评，共收集2372条有效在线点评数据。采用文本情感分析软件ROSTCM6对在线点评文本内容质量数据进行挖掘和分析。

样本数据的描述性统计结果如表2所示。

表2 样本数据的描述性统计

本文对样本数据进行了相关性检验，结果表明各个解释变量之间的相关系数均小于0.5，这些自变量均可用于实证模型。

3.2 实证模型设定

消费者在进行有用性投票时只有有用和没用两种选择而无法进行比有用更好或比没用更差的选择，因此因变量存在自身受限的问题，符合Tobit模型的前提条件。本文采用Tobit模型来对样本数据进行回归分析，根据前文提出的理论模型及研究假设，建立的实证模型如式(1)所示：

HF=β1RF+β2RP+β3RP2+β4NW+β5CR+β6RI+β7RR+β8BE×NW+β9TR+β10RQ+ε

(1)

式(1)中，HF代表点评有用性的累积投票数，RF代表餐厅特征数，RP代表点评段落数，NW代表点评负面词率，CR代表消费者回应数，RI代表评分不一致，RR代表点评者等级，BE代表品牌价值，BE×NW代表品牌价值与负面词率的乘积，TR和RQ分别代表时间近度和点评总数量。本文认为RP与HF具有非线性的倒“U”型关系，存在一个RP值，在该值的左侧，点评可读性随段落数增加而增加；而在该值的右侧，点评可读性随段落数的增加而降低。

3.3 实证结果分析

实证结构如表3所示，模型1、模型2和模型3分别表示对核心路径、边缘路径以及二者的组合(双路径)进行回归的结果。从三个模型的Likelihood Ratio的显著性(p=0.000)及McFadden’s R2值来看，Tobit模型的整体拟合结果可以接受。从系数的估计结果来看，三个模型呈现较好的一致性，下面对模型3的回归结果进行分析。

核心路径的变量回归结果表明，餐厅相关特征数RF的系数(β1)为0.192，在5%的水平下显著，在线点评的内容中每增加一个餐厅相关特征数，平均对在线点评的有用性增加0.192个投票数。在线点评的信息丰富性越高，在线点评的有用性越高，假设H1得到样本数据的支持。点评段落数RP的回归系数(β2)为3.942，在1%的水平下显著；点评段落数RP的平方的回归系数(β3)为-0.266，在1%的水平下显著。因此，点评段落数RP与在线点评有用性之间具有非线性关系，即点评段落数与点评有用性之间的关系呈倒“U”型，存在一个恰当的点评段落数使得点评具有更高的可读性，从而使得在线点评的有用性更高，假设H2得到样本数据的支持。本文计算得到当点评段落数约为7.404时，在线点评的有用性最高，因此点评段落数应最好控制在7～8段左右。负面词率NW的回归系数(β4)为11.714，在1%的水平下显著，说明点评的负面性越高，在线点评的有用性越高，假设H3a得到样本数据的支持。这也验证了信息诊断性理论的观点，即负面性的信息往往会对消费者产生更大的说服力。BE×NW的系数(β8)为-6.363，且在5%的水平下显著，假设H3b得到样本数据的支持，即高的品牌价值会降低点评负面性对在线点评有用性的正向影响。从BE×NW的系数来看，这种影响效果十分明显，高的品牌价值(老字号餐厅)会平均降低约一半的点评负面性给在线点评有用性带来的影响。

为了进一步证明品牌价值的调节作用，本文分别对老字号餐厅和非老字号餐的在线点评数据进行了回归分析。如表4所示，老字号餐厅点评负面性的系数为4.481，且在5%的水平下显著；而非老字号餐厅中点评负面性的回归系数为11.802，在1%的水平下显著。可见，点评负面性对低品牌价值餐厅的点评有用性的影响要远远大于对高品牌价值的餐厅，原因在于高的品牌价值会对消费者产生高质量的暗示，从而使其对点评的负面信息产生不信任，进而影响其对点评有用性的感知。

表3 Tobit回归分析结果

注：Likelihood Ratio对应一栏括号内的数值为P值。

表4 老字号餐厅和非老字号餐厅点评数据的回归结果

注：Likelihood Ratio对应一栏括号内的数值为P值。

边缘路径的回归结果表明，消费者回应CR的系数(β5)为1.763，且在1%的水平下显著，假设H4得到实证的支持，即来自其他消费者的回应数越多，在线点评的有用性就越高。就平均对点评有用性投票数的影响而言，消费者回应要比其他边缘路径的变量要好。点评不一致RI的系数与假设一致为负(β6=-0.369)，但并不显著，假设H5没有得到实证的支持。本文认为正面点评比负面点评普遍要多而导致点评的评分往往集中在高水平上(样本数据中点评评分为4星和5星的占有相当大的比重)，因此点评不一致性的取值(与平均星级的差值)相对固定，从而对在线点评有用性的影响不显著。点评者等级RR与在线点评有用性之间存在着显著的正相关关系(β7=0.159，p=0.025)，假设H6得到实证的支持，点评者经验对在线点评有用性具有正向影响。

控制变量的估计结果显示，时间近度变量TR的系数为正且显著(β9=0.003，p=0.000)，这表明点评发布的时间越早，在线点评的有用性反而越高。实证结果与模型假设相反，究其原因，本文认为消费者受到来自其他消费者之前的有用性投票行为结果的影响比受到点评时效性的影响要大，因此对点评有用性的大量投票往往出现在以前的点评中，而近期的点评获得的有用性投票较少。点评数量RQ的回归系数为正(β10=0.002)，但并不显著(p=0.171)。分析其原因，本文认为点评数量主要是通过增加产品热度的方式来影响在线点评的有用性。但是对于餐饮行业来说人们往往更关注的是餐厅的品牌价值和自身的口味偏好，点评数量对点评有用性的影响不明显。

根据Tobit模型的实证结果，本文研究假设的验证结果如表5所示。

表5 研究假设的验证结果

4 结语

本文围绕电商平台下消费者感知在线点评有用性的影响因素这一核心问题，构建了基于IAM模型的点评有用性影响因素识别的理论模型，并以大众点评网上的餐饮行业点评数据为样本，对不同因素对在线点评有用性的影响差异进行了实证分析。核心路径分析发现点评信息越丰富，消费者感知的在线点评有用性越高；用来观测点评可读性与在线点评有用性呈现倒“U”型关系；点评负面性对在线点评有用性具有正向影响，说明了正面点评信息中包含一定比例的负面内容的积极作用。品牌价值对点评负面性与点评有用性之间关系具有调节作用，高的品牌价值会降低点评负面性对点评有用性的积极作用。边缘路径分析发现消费者回应数和点评者等级对在线点评有用性具有正向影响；点评不一致与在线点评有用性之间的负相关关系没有得到证实。点评发布的时间近度与在线点评有用性之间的正向相关，间接地证实了其他消费者的影响对在线点评有用性的重要作用。

对电商平台在线点评有用性影响因素的识别，消费者可以更快、更准地完成线上信息收集过程，以减少信息的搜索成本，更准确的选择合适的线下消费对象，决策的准确性和效率提高。O2O平台可以更加合理地对在线点评进行排序，适当地改进点评发布的方式，从而增加平台用户黏性。O2O平台可以考虑改变单一的内容发布方式，以按相关特征分别填写内容的方式将点评自动分类，从而使消费者感受到更高的信息质量及有用性，降低用户的搜索成本并提升用户体验。商家可以将关注的焦点放在负面点评上，提示消费者对正面点评中的负面信息加以关注，同时，商家也要关注以往发布的点评信息对消费者购买决策的影响，进而对点评中的负面信息进行说明，给消费者以引导。

本文研究也存在一些需要改进的地方，如改进文本内容的识别和语义挖掘方法、将团购价格及早期的促销价格因素引入到研究模型之中、对整个O2O电商平台中不同行业进行研究并分析行业差异性，从而进一步完善在线点评有用性的相关理论研究。

[1] Pathak B, Garfinkel R, Gopal, R D. Empirical analysis of the impact of recommender systems on sales[J]. Journal of Management Information Systems, 2010, 27(2): 159-188．

[2] Mudambi S M, Schuff D. What makes a helpful online review? A study of customer reviews on Amazon[J].com, MIS Quarterly, 2010, 34(1): 185-200．

[3] Parry M E., Kawakami T, Kishiya K, The effect of personal and virtual Word-of-Mouth on technology acceptance[J]. Journal of Product Innovation Management, 2012, 29(6): 952-966.

[4] Simonson I, Rosen E, What marketers misunderstand about online reviews[J]. Harvard Business Review, 2014, 92(1): 23-25．

[5] Jones Q, Ravid G, Rafaeli S. Information overload and the message dynamics of online interaction spaces: A theoretical model and empirical exploration[J]. Information Systems Research, 2004, 15(2): 194-210．

[6] 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[J]，管理科学学报，2010，13(8)：78-96．

[7] Sussman S W, Siegal W S, Informational influence in organizations: An integrated approach to knowledge adoption[J]. Information Systems Research, 2003, 14(1): 47-65．

[8] Baek H, Ahn J, Youngseok C. Helpfulness of online consumer reviews: Readers' objectives and review cues, International Journal of Electronic Commerce[J]. 2012,17(2): 99-126．

[9] Cheung M Y, Luo Chuan, Sia C L, et al, Credibility of electronic Word-of-Mouth: Informational and normative determinants of online consumer recommendations[J]. International Journal of Electronic Commerce, 2009, 13(4): 9-38．

[10] Liu Jingjing, Cao Yunbo, Lin C Y,et al. Low-quality product review detection in opinion summarization[C]//Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, Prague, June, 2007．

[11] Park D H, Lee J, Han I, The effect of online consumer reviews on consumer purchasing intention: The moderating role of involvement[J]. International Journal of Electronic Commerce, 2007, 11(4): 125-148．

[12] Clemons E K, Gao G G, Hitt L M. When online reviews meet hyperdifferentiation: A study of the craft beer industry[J]. Journal of Management Information Systems, 2006, 23(2): 149-171．

[13] Vessey I, Galletts D, Cognitive fit: An empirical study of information acquisition[J]. Information System Research, 1991, 2(1): 63-84．

[14] 闫强，孟跃．在线评论的感知有用性影响因素——基于在线影评的实证研究[J].中国管理科学，2013，21(S2):126-131．

[15] Park D H, Kim S. The effects of consumer knowledge on message processing of electronic Word-of-Mouth via online consumer reviews[J]. Electronic Commerce Research and Applications, 2008, 7(4): 399-410．

[16] Schindler R M, Bickart B, Perceived helpfulness of online consumer reviews: The role of message content and style[J]. Journal of Consumer Behaviour, 2012, 11(3): 234-243．

[17] Ludwig S, Ruyter Ko de, Friedman M, et al. More than words: The influence of affective content and linguistic style matches in online reviews on conversion rates[J]. Journal of Marketing, 2013, 77(1): 87-103．

[18] Doh S J, Hwang JS. How consumers evaluate eWOM (Electronic Word-of-Mouth) messages[J]. Cyberpsychology & Behavior, 2009, 12(2): 193-197．

[19] Ho-Dac N N, Carson S J, Moore W L, The effects of positive and negative online customer reviews: Do brand strength and category maturity matter? [J]. Journal of Marketing, 2013, 77(6): 37-53．

[20] Short J, Williams E, Christie B, The social psychology of communication [M]. New York: John Wiley, 1976.

[21] Bikhchandani S, Hirshleifer D, Welch I, A theory of fads, fashion, custom, and cultural change as informational cascades[J]. Journal of Political Economy, 1992, 100(5): 992-1026．

[22] Ngo-Ye T L, Sinha, Atish P, The influence of reviewer engagement characteristics on online review helpfulness: A text regression model[J]. Decision Support Systems, 2014, 61(4): 47-58．

[23] Cheung C M Y, Sia C L, Kuan K K Y, Is this review believable? A study of factors affecting the credibility of online consumer reviews from an ELM perspective[J]. Journal of The Association for Information Systems, 2012, 13(8): 618-635．

[24] Lee S H. How do online reviews affect purchasing intention?[J]. African Journal of Business Management, 2009, 3(10): 576-581．

[25] 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[J].管理世界，2012，(12):115-124．

[26] 蔡淑琴，马玉涛，王瑞．在线口碑传播的意见领袖识别方法研究[J].中国管理科学，2013，21(2):185-192．

A Study on Influencing Factors of the Helpfulness of Online Reviews in O2O of Restaurant Industry——Based on Tobit Model

LIU Wei, XU Peng-tao

(School of Management and Engineering, Dongbei University of Finance and Economics, Dalian 116025, China)

Online reviews are an effective way of commodity recommendation and its helpfulness has an important impact on consumer’s decision. Online retail sites with more helpful reviews offer greater potential value to customers, which can help them to avoid the uncertainty and risk of purchase decision. But there is huge volume of reviews on online websites sometimes, which cause customers confused when they make decisions according to the reviews. Especially O2O is an emerging pattern of e-commerce, which factors will affect the helpfulness of online reviews in O2O. For this research, a dual process model of the helpfulness of online reviews that consumer perceives in O2O of restaurant industry is established based on ELM and extensional IAM. Central cue and peripheral cue are included in the dual process model. Focus is put on information richness, review readability and review negativity in the central cue, and consumer’s response, rating inconsistency and reviewer experience in the peripheral cue. Then 2,372 online consumer reviews of 6 restaurants are collected from dianping.com, and an empirical test is conducted using Tobit regression model. Our findings show the central cue, including information richness, information readability and review negativity has a significant positive impact on the helpfulness of online reviews. The relation of the paragraphs, observational variable of information readability and the helpfulness of online reviews present an inverted U-shape. Brand value has a regulating effect on the relation between review negativity and the helpfulness of online reviews, and high brand value will weaken positive effect which review negativity affects the helpfulness of online reviews. The peripheral cue, including consumer’s response and reviewer’s experience has a positive impact on the helpfulness of online reviews. Meanwhile we also find early reviews are better than recent reviews. This study contributes to both theory and practice. First, theoretical framework is provided to understand the context of online reviews. Based on dual process theories of ELM and IAM, this research revealed that information processing occurs in either peripheral cue or central cue when consumers read online reviews. Second, our findings may help online retailers recognize what factors constitute helpful online reviews for online markets. The results of this study can be used to develop guidelines for creating and choosing more valuable online reviews. Furthermore, the results of the current research can be used to design Web sites by considering certain review factors that affect helpfulness of review, depending on which products consumers intend to buy.

restaurant industry; O2O; online reviews; helpfulness of reviews

1003-207(2016)05-0168-09

10.16381/j.cnki.issn1003-207x.2016.05.019

2014-09-11；

2015-10-28

辽宁省高等学校优秀人才支持计划(WJQ2013027)

简介：刘伟(1979-)，男(汉族)，辽宁锦州人，东北财经大学管理科学与工程学院副教授，研究方向：信息管理、创新管理，E-mail: liuweidufe@126.com.

C931.6

A