【基于网络数据抓取的在线评论对旅游产品销量的影响实证分析8400字（论文）】

基于网络数据抓取的在线评论对旅游产品销量的影响实证研究目录1导论11.1选题背景和意义11.2文献综述11.3论文的结构与主要内容31.4论文研究方法32影响机制与研究假设42.1评论数量对在线旅游产品销量的影响42.2差评数量对在线旅游产品销量的影响42.3带图评论数对在线旅游产品销量的影响53在线评论对旅游产品销量影响的实证分析63.1数据收集63.2变量设计与模型建立63.3相关性分析63.4回归分析73.5检验分析73.6结论74建议8参考文献101导论1.1选题背景和意义1.1.1选题背景目前，我国服务业依托网络迅速发展，越来越多的消费者习惯在网上购买现代服务。网购为消费者购买服务型产品提供了便捷，但由于网购的虚拟性，消费者并不能全面的了解产品的真实信息。在线评论是消费者了解商品真实信息的重要渠道，是影响服务型商品销量的重要途径。服务业中的旅游业是山西转型升级的重点产业，近年来山西政府加大了对旅游业的投入，充分利用互联网推动旅游业发展。在线评论是消费者了解山西旅游景点、影响消费者购买意愿的重要因素，因此分析山西旅游产品的在线评论、研究在线评论对山西旅游产品销量的影响十分有必要。1.1.2选题意义在线评论是促进产品销量增长的重要因素。本文通过分析在线评论指标、研究携程平台上在线评论对山西旅游产品销量的影响，可以为商家提出改进在线评论管理的建议，对促进消费者的购买意愿、提升山西旅游产品销量具有积极作用。研究这一问题也可以使消费者充分了解山西旅游景点的真实信息，降低消费者搜寻信息的成本。1.2文献综述国内外学者们从量化指标、文本处理技术、产品类型的角度对在线评论对产品销量的影响进行了分析。学者们通过分析在线评论的量化指标与产品销量之间的关系来研究在线评论对产品销量的影响这一问题。Chevalier和Mayzlin（2006）分析了图书的在线评论数据和图书销量之间的关系，发现图书评分对图书的销量有着显著的正向影响，图书评分越高，图书的销量越好。郝媛媛等（2009）分析了电影的在线评论数据，发现电影评论数量对电影票房的影响成钟形变化，初期电影评论数量对电影票房的影响较小，然后影响慢慢变大，最终随着时间的延长评论数量对票房的影响又逐渐变小。王君珺和闫强（2013）对手机的在线评论数据进行了实证研究，分析了评论长度、评论及时度和星级评分等数据，发现评论长度对手机的销量有着显著的正向影响，评论及时度对热门品牌手机的销量有显著影响，星级评分对手机销量无显著影响。方佳明等（2016）分析了豆瓣网的图书在线评论数据，发现图书评论数量会正向影响图书销量，“在读人数”和“想读人数”指标对图书销量有着显著的正向影响，评论效价和评论差异对图书销量无显著影响。吴小平（2019）以京东商城上的汽车配件为研究对象，发现评论数量、评论效价、评论深度均对汽车配件的销量有着显著的正向影响。邓携敏（2020）选取评论总数、好评率、评论效价、带图评论率等指标分析在线评论对化妆品销量的影响，发现评论总数、好评率对化妆品销量有着显著的正向影响；评论效价与化妆品销量之间存在倒U型的关系，适度的评论效价能够促进化妆品销量的提升，过度的评论效价会阻碍化妆品销量的提升；带图评论率与化妆品销量之间存在U型关系，带图评论率低会抑制化妆品销量增长，带图评论率高会促进化妆品销量增长，并且价格作为一种产品的品质信号，会增强评论总数对产品销量的正向影响。学者们运用文本处理技术研究在线评论对产品销量的影响。郝媛媛（2010）运用文本分类技术来分析在线评论的文本内容，发现正、负情感倾向以及情感倾向的方差会显著影响在线评论的感知有用性，从而间接影响消费者的决策与产品的销量。韩科伦等（2015）运用情感分析技术、产品特征挖掘技术深入挖掘影响销量的因素，发现对于图书来说，书中内容、图书的印刷情况、整体质量对于其销量的影响最大，对于手机来说，服务、用户定位、外观对于其销量的影响最大。李玉玉（2017）利用文本挖掘技术对京东商城上洗衣机的文本评论内容数据进行了实证研究，采用情感计算模型对在线评论的文本数据包含的情感词进行打分，发现文本评论内容的情感倾向会对洗衣机的销量有显著影响。李阳（2019）运用文本分类相关算法、文本情感分析算法研究在线评论对大型家电销量的影响，发现冰箱质量相关评论中的外观评价对冰箱销量没有显著影响，而关于制冷保鲜和噪音的评价对冰箱销量产生影响，制冷保鲜方面的评价越好销量越高，噪音方面的评价越好销量也越高。朱静（2020）运用了文本挖掘方法研究在线评论对生鲜农产品网络销量的影响，认为产品品质、包装物流对产品销量有重要影响，文本与产品相关的信息对生鲜农产品的网络销量有显著影响。学者们从产品类型的角度对在线评论对产品销量的影响进行了分析。目前被广泛接纳的关于产品类型的定义是由Nelson（1974）提出的分类，即把产品分为搜索型产品和体验型产品。对于搜索型产品而言，消费者在购买前，通过搜索产品商标就可以查看到产品所有的品质信息，确认产品的品质属性（如颜色、款式、像素、硬度、存储大小等），进而确定产品品质质量。而对于体验型产品来说，消费者只有在购买之后或者消费的过程中才能获取产品全部的品质信息，确认其产品属性（如味道、润肤程度、体验感受等），从而确定产品质量。王君琚和闫强（2013）以手机相关的在线评论数据作为样本进行分析，认为对于搜索型产品，价格、评论的长度对销量有显著的影响，热门手机品牌的在线评论的长度、评论及时度会对其它非热门品牌手机的销量有正向影响。韩科伦等（2015）以图书、手机为研究对象来研究不同类型产品销量的影响因素，认为对于图书这一体验型产品来说，书中内容、印刷、质量对于其销售量的影响最大，而对于手机这一搜索型产品来说，厂商服务、产品定位和外观对于其销售量的影响最大。宋鹏和郭勤勤（2019）采集亚马逊中国的产品在线评论作为研究样本探究在线评论的属性特征对搜索型产品和体验型产品销量的影响方式，发现评论极端性和评论长度对搜索型产品销量的影响更加明显，评论数量对体验型产品销量的影响更加明显。刘华和李敬强（2020）以辣味零食为例分析体验型产品在线评论与消费意愿及销量的关系，发现在线评论作为一种信息刺激，其数量对体验型产品的在线销量具有显著的正向影响，但在线评论质量效价评分对体验型产品的在线销量没有显著的影响，这与产品的类型有关。 学者们从多个角度研究了在线评论对产品销量的影响。在量化指标方面，学者们使用了评分、评论总数、评论长度、评论及时度、评论差异、好评率、带图评论率等量化指标研究在线评论对产品销量的影响，对于在线评论的量化指标的研究已十分全面。在文本处理技术方面，学者们运用了文本分类技术、文本情感分析、产品特征挖掘技术等方法分析在线评论对产品销量的影响。在产品类型方面，学者们大多将产品分为体验型产品和搜索型产品研究在线评论对产品销量的影响。学者们在研究在线评论对产品销量的影响这一问题时，所选取的研究对象大多是图书、电影、手机、家电、食物等，而针对服务业中的旅游业进行分析的研究十分少，因此研究在线评论对旅游产品销量的影响能丰富现有的研究成果，具有一定的研究意义。1.3论文的结构与主要内容本文以携程网上山西跟团游产品为研究对象研究在线评论对山西旅游产品销量的影响。通过实证分析，得出了在线评论数量与产品销量存在正相关关系、差评数量对在线旅游产品销量存在正相关关系的结论，并且对商家提出改进在线评论管理、吸引消费者的建议。本文一共分为四章研究在线评论对山西旅游产品销量的影响。第一章概括了选题背景和意义，从量化指标、文本处理技术、产品类型的角度对在线评论对产品销量的影响这一问题进行了文献总结，阐述了论文的结构、主要内容及数据挖掘法、计量分析法两种研究方法。第二章分析在线评论中评论数量、差评数量、带图评论数对旅游产品销量的影响机制，并相应的提出研究假设：评论数量对在线旅游产品销量有正向影响、差评数量对在线旅游产品销量有负向影响、带图评论数对在线旅游产品销量有正向影响。第三章进行在线评论对山西旅游产品销量影响的实证分析，首先用八爪鱼爬虫软件收集携程网上山西旅游产品在线评论的相关数据，如商品销量、评论数量、差评数量、带图评论数、价格、旅游天数等，其次选取商品销量为被解释变量，评论数量、差评数、带图评论数为解释变量，价格、旅游天数为控制变量并构建理论模型，运用EViews软件进行在线评论对山西旅游产品销量影响的实证分析，对数据进行相关性分析并且对计量模型进行逐步回归分析，并且进行多重共线性检验和异方差检验，最后得出文章结论：在线评论数量与产品销量存在正相关关系、差评数量对在线旅游产品销量存在正相关关系。第四章对商家提出改进在线评论管理、吸引消费者的建议：对用户开展客户关怀，增加累计评价数、完善评论机制、在线旅游产品供应商要努力提高服务质量。1.4论文研究方法1.4.1数据挖掘法本文利用八爪鱼爬虫软件收集携程网上山西跟团游产品在线评论的相关数据，如商品销量、评论数量、差评数、带图评论数、商品价格、旅游天数，为实证分析提供数据来源。1.4.2计量分析法本文利用EViews软件对收集到的山西跟团游产品的商品销量、评论数量、差评数、带图评论数、价格、旅游天数等数据进行相关性分析，建立计量模型进行逐步回归分析，通过山西跟团游产品的信息来了解山西旅游产品的状况，研究在线评论对山西旅游产品销量的影响。2影响机制与研究假设2.1评论数量对在线旅游产品销量的影响评论数量即消费者对某产品评论的总数量，体现了消费者对该产品发表评论的总体规模。由于携程网只允许消费者对其购买的在线旅游产品发表评论，评论数量越多，一般情况下，购买这种在线旅游产品的消费者越多，受欢迎程度越高，人们对该产品的接纳度更高。对于绝大多数的消费者而言，他们普遍存在着从众心理，因此当消费者对某类产品不了解时，出于降低其决策风险的目的，他们会偏向于选择评论数量多的产品。从国内外有关在线评论对产品销量影响的文献来看，大部分实证研究均表明评论数量对产品销量有着正向影响。综上分析，本文认为评论数量对在线旅游产品的销量有正向影响，提出假设H1：假设H1：评论数量对在线旅游产品销量有正向影响。2.2差评数量对在线旅游产品销量的影响在消费者网购过程中，他们的购物决策受到产品在线评论的影响非常大，一般情况下，积极的评论会显著促进消费者购买该产品，负面的评论对在线旅游产品销量有负向影响。在线评论的正负面性体现出了消费者对此产品的态度和看法，是他们使用感受的体现。差评数量影响消费者对于商品质量的判断，差评数量越多，消费者对于商品的印象就越差，基于从众心理与风险规避意识，其购买商品的可能性大大降低，进而影响产品的销量。因此，本文提出了假设H2：假设H2：差评数量对在线旅游产品销量有负向影响。2.3带图评论数对在线旅游产品销量的影响带图评论通过图片对产品的展示，使潜在消费者对该产品有着视觉的直观感受。文字性评论一般是将产品的使用感受进行解释与说明，但是不同的人对于同一文字的理解性不同，很多消费者在进行文字评论的时候喜欢用比较中性的评价，这加大了其他消费者参考评论的难度。对于旅游等服务型产品而言，旅游产品比较抽象，主观性比较强，难以用文字进行准确的表达，相反，带图评论能够带给消费者更直观的感受。带图评论是对商品最直接的展示，能让消费者更全面的了解产品信息，降低消费者对信息的不确定性和感知风险。本文将带图评论数引入模型来衡量带图评论对在线旅游产品销量的影响，因此提出假设H3：假设H3：带图评论数对在线旅游产品销量有正向影响。3在线评论对旅游产品销量影响的实证分析3.1数据收集本文采用数据挖掘法，运用软件收集了携程网上销量前82的山西跟团游旅游产品关于商品销量、评论数量、差评数量、带图评论数、价格、旅游天数的信息，基于此进行在线评论对山西旅游产品销量的影响研究。3.2变量设计与模型建立本文将携程网上山西跟团游旅游产品的销量作为被解释变量进行研究，选取评论数量、差评数量、带图评论数作为解释变量，选取产品价格和旅游天数作为控制变量。除了在线评论因素可能会影响在线旅游产品的销量外，还有很多其他重要的影响因素，所以有必要引入其他变量来控制潜在的异质性影响。为了控制在线旅游产品的价格和旅游天数这两个变量对在线旅游产品销量的影响，本研究将在线旅游产品的产品价格和旅游天数作为控制变量引入模型。本文结合旅游产品的特点，将产品价格和旅游天数作为控制变量加入研究模型中，假设产品价格负向影响在线旅游产品销量，旅游天数负向影响在线旅游产品销量。本文将商品销量、评论数量、差评数量、带图评论数、价格、旅游天数这6个变量引入模型，相应测度指标详见表1，对应模型的线性公式见式（1）。（1）表1模型变量测度指标变量类别变量名称变量测度变量符号被解释变量山西跟团游产品销量该商品的销量Sale解释变量评论数量该商品的总评论数量差评数量该商品评论中的差评数量带图评论数该商品评论中上传图片的评论数控制变量价格该商品的最低价格旅游天数该旅游产品的旅游天数3.3相关性分析本文分析被解释变量与解释变量之间的相关性关系，研究山西跟团游产品销量与评论数量、差评数量、带图评论数、价格、旅游天数之间的相关性程度，利用EViews软件得出相关系数矩阵。表2各变量相关系数矩阵salesale10.970.940.94-0.16-0.180.9710.940.98-0.08-0.100.940.9410.90-0.17-0.180.940.980.9010.01-0.01-0.16-0.08-0.170.0110.89-0.18-0.10-0.18-0.010.891由表2可看出，被解释变量产品销量与解释变量评论数量、差评数量、带图评论数之间存在较强的相关性，与控制变量价格、旅游天数的相关性弱。评论数量、带图评论数与产品销量显著正相关，与本文的假设相符。差评数量与产品销量显著正相关，与本文的假设不符，因此后续进行逐步回归分析进一步探究被解释变量与解释变量之间的精确关系。有些解释变量之间存在较强的相关性，可能存在多重共线性。3.4回归分析由于解释变量之间可能存在多重共线性，因此本文利用逐步回归分析方法进行回归。本文涉及6个变量，1个被解释变量：产品销量，2个控制变量：价格、旅游天数，3个解释变量：评论数量、差评数量、带图评论数。本文采用EViews软件对式（1）进行逐步回归，当模型不显著时，依次去掉不显著解释变量，直至模型显著为止。在EViews软件中点击quick-估计方程estimateequation选择逐步回归方法method：stepls，在dependentvariable中输入sale，在listofsearchregressors中输入cx1x2x3x4x5,在options中设置迭代中止条件stoppingcriteria，选择以显著性水平p值作为判别依据，假设检验水平为5%，设置两个值0.05和0.051，点击确定，逐步回归分析结果如下：表3逐步回归分析VariableCoefficientStd.Errort-StatisticProb.X12.900.2611.320.00C227.6547.614.780.00X231.1411.112.800.01X5-37.2913.48-2.770.01R-squared0.96AdjustedR-squared0.96F-statistic613.01Prob(F-statistic)0.00经过逐步回归分析，模型排除了带图评论数、商品价格，留下了评论数量、差评数量、旅游天数，该模型调整后的决定系数AdjustedR-squared为0.96，拟合程度好，可以解释产品销量96%的变化，解释程度较高。而带图评论数和商品价格对被解释变量影响不显著，被排除在模型之外，故假设H3不成立。为评论数量，系数为2.90，p值=0＜0.05，评论数量对在线旅游产品销量有正向影响，假设H1成立。为差评数量，系数为31.14，p值=0.01＜0.05，差评数量对在线旅游产品销量存在正相关关系，假设H2不成立，需对差评数量与在线旅游产品销量之间的关系进行讨论。为控制变量中的旅游天数，系数为-37.29，p值=0.01＜0.05，旅游天数对在线旅游产品销量存在负相关关系，符合原假设。3.5检验分析3.5.1多重共线性检验在EViews中选择view-coefficientdiagnostics-varianceinflationfactors进行多重共线性检验，结果如表4所示。表4多重共线性诊断VariableCoefficientVarianceCenteredVIFX1

0.07

9.17C

2267.09

NAX2123.549.37X5

181.841.08

模型存在多重共线性时，模型可能会导致自变量无法使用专业理论解释等问题。根据容忍度（容差）、方差膨胀因子（VIF）可以判断自变量的多重共线性。容忍度取值范围（0，1），值越小，则多重共线性就越严重。一般容忍度小于0.1时，认为存在严重的多重共线性。VIF为容忍度的倒数，VIF越大，多重共线性越严重。一般认为大于10时存在多重共线性。一般用表4中的centeredvif来表示方差膨胀因子，表4模型中三个变量的centeredvif分别为9.17、9.37和1.08，都小于10，因此认为模型不存在多重共线性问题。3.5.2异方差检验在EViews软件中点击view-residualdiagnostics-heteroskedasticitytests进行异方差检验，在显示栏中选择white进行怀特检验，结果如表5所示。表5怀特检验HeteroskedasticityTest:WhiteF-statistic2.35Prob.F(3,78)0.08Obs*R-squared6.79Prob.Chi-Square(3)0.08

怀特检验中由检验的伴随概率prob＜0.05可以判断，在显著性水平α=0.05的情况下，拒绝“模型不存在异方差性”的原假设，认为回归模型具有明显的异方差性。表5显示怀特异方差检验的统计量的值Obs*R-squared为6.79，怀特异方差检验相应的伴随概率p为0.08，大于0.05，即认为该模型不存在异方差性，模型通过检验。3.6结论3.6.1评论数量与产品销量存在正相关关系评论数量显著正向影响产品销量（P<0.05），假设2得到验证。该结论表明：在线评论作为网络口碑的一种表现形式，具有很强的口碑传播效应，评论量越多，消费者更了解产品，能够极大地缓解消费者对购买旅游产品的不确定风险感知，更愿意作出购买决策。3.6.2差评数量对在线旅游产品销量存在正相关关系差评数量对在线旅游产品销量有正向影响（P<0.05），这可能是消费者认为这样的评论比较真实可靠。消费者通过查看差评了解到真实的产品情况，降低了购买产品的不确定性，从而增加了销量。也有可能是商家在消费者反馈的差评内容中发现了山西旅游产品存在的问题并改进，提高了山西旅游产品的质量，从而促进了产品销量的增长。4建议根据本文的实证研究，下面提出几点建议：对用户开展客户关怀，增加累计评价数。根据客户关系管理理论，开发一个新客户的成本是同等条件下维持一个老客户成本的6倍，并且，客户关怀作为客户关系管理理论的一项重要内容，店铺使用此项策略和客户建立良好的关系是有必要的。对于已经完成订单并出行的游客，店铺可以通过友好提示，使游客对于产品进行评价，并给出好评。如果游客不知道如何评价，则店铺可以提前准备好话术，从导游服务、餐饮交通、酒店住宿、行程安排等方面给出引导，询问客户在整个购买过程及出行中的旅游体验。并调查客户满意度，做好客户关系管理，建立与客户的良好关系。对于粘性不足的客户，可设定激励机制，促使其评价。比如：对于给出5分好评、深度评价的游客，可以对其给予一部分现金折扣或者赠送一定的礼物。对于深度游玩用户，平时可多对其进行客户关怀，比如节假日之前，询问其最近是否有出游的计划，如果有，则咨询其时间和目的地，并提供出游建议。当店铺开发了一个新旅游线路时，则可以联系此类游客，促使其长期消费，并使其转化为自己店铺的忠实客户，进而提升美誉度。对于旅游体验较差的客户，需想办法弥补这种过失，比如直接退款，记录体验较差的原因，并完善不足之处，以此来优化整个运营流程的细节并提升客户满意度。第二，在线旅游网站要完善评论机制。根据本文的研究结果，负面评论率对在线旅游产品销量有显著的正向影响，这与我们的研究假设不符。究其原因可能是由于消费者对在线评论缺乏信任导致，故在线旅游网站可通过建立有用评论投票机制等方式完善评论机制，帮助消费者快速地从大量评论中获取真实有用的信息。第三，在线旅游产品供应商要努力提高服务质量，提高服务质量有助于更多消费者给予正面评论，提高产品销量。在线评论反映供应商提供的旅游产品的质量，服务质量越高，消费者的体验感受越好，反馈的真实正面评论就越多，使得潜在购买者的决策风险降低、购买意愿增强，从而促进产品销量增长。参考文献ChevalierJ,MayzlinD.Theeffectofword-of-mouthonsales:onlinebookreviews[J].JournalofMarketingResearch,2006,43(3):345-354NelsonP.Advertisingasinformation[J].JournalofPoliticalEconomy，1974，81(4):729-754．曹珍珠,符式