引言

在进行购买决策时，消费者通常会从两种媒介途径获取产品或服务的信息：大众媒介和人际媒介。在“互联网+”环境下，随着越来越多的产品或服务面向数字化和网络化发展，网络广告和网络口碑已逐渐成为代表大众媒介和人际媒介的两种最重要的营销沟通工具。

互联网出现伊始，网络广告就一直是企业最为青睐的营销沟通方式。与传统的线下广告相比，网络广告最大的优势在于可以利用网络技术来获得丰富的消费者信息，从而更加精确地识别和接触目标消费者。[1]根据eMarketer公司近期发布的全球广告调研报告，2016年全球广告支出总额达到6150亿美元。其中，网络广告的支出从2012年开始就一直保持着20%以上的高增长率，2016年其总额已经达到1980亿美元，占全球广告支出总额的32%。

随着社交网络和电子商务的发展，网络口碑的作用也愈发受到企业管理者的重视。一项统计报告指出，社交媒体中大约有20%的信息含有消费者对某一品牌或产品的口碑评价。[2]此外，众多的电子商务网站（如淘宝、京东、亚马逊等）和第三方评论网站（如大众点评、豆瓣网等）也都建立了线上评论系统来鼓励消费者贡献和传播口碑信息。调查显示，超过70%的中国消费者在购买商品时会主动查看这些网站上的口碑信息。[3]不少消费者甚至在实体店购物时也会通过手机等移动设备来查阅网络口碑，以降低购物风险。[4]

水下分流河道：扇三角洲前缘亚相的沉积主体，岩石类型为(砂)砾岩、中细砂岩并夹薄层泥岩，中等分选，但明显好于平原亚相，岩石组合呈现多层楼式的正韵律，亦可见复合韵律；测井曲线表现为自然伽马、电阻率曲线上幅度相对较高，SP曲线呈较平滑的箱型和钟形。

在学术界，网络广告和网络口碑也一直是备受研究者们关注的议题。[5,6]然而，已有研究很少从整合营销沟通角度出发，探讨网络广告、网络口碑和数字化产品销量三者之间的相互影响关系，以及这些影响关系在产品生命周期中的动态变化。所以，本研究试图回答以下几个相关的重要问题：网络广告如何影响网络口碑？网络广告和网络口碑如何共同影响产品销量？在产品的生命周期中，以上两种影响关系如何随时间动态变化？

我们用人人游戏公司提供的2012-2014年上市发行的5款手机游戏数据，围绕上述问题开展了一项探索性的实证研究。在研究过程中，我们同时分析了两个方面的内容：一是网络广告对网络口碑的影响；二是网络广告和网络口碑对产品销量的共同影响。考虑到这一特殊的研究目标，我们建立了一个联立方程模型来系统地分析这两方面的影响过程。在此基础上，依据手机游戏产品的生命周期规律，将产品所处的阶段划分为引入期、成熟期和衰退期，进一步分析了上述两种影响关系随时间的动态变化。

综上所述，吉西他滨联合卡铂对肺癌患者病情有较好的控制作用，其治疗作用的发挥与调节血清IL-2、IFN-γ、TNF-α与IGF-1水平有关，其中IL-2和IFN-γ与治疗效果呈显著正相关，TNF-α和IGF-1与治疗效果呈显著负相关。

一、理论背景和研究假设

1. 网络营销沟通对产品销量的影响

在营销领域，新产品扩散理论最早强调了营销沟通和媒介效应对产品销量的重要影响。[7]相关学者认为，新产品扩散在很大程度上归因于新产品信息通过大众媒介（如广告）和人际媒介（如口碑）的传递，[7-9]为后续的营销沟通研究奠定了基础。

通常情况下，祈使语气的都是具有较高社会地位的人对于其下级或下属使用。在政治类演讲语篇中，演说者的地位都较于听众较高，因此，他们在自己的演说中使用祈使语气代替陈述语气能更好地凸显他们所要表达的观点，体现自己的权威性。

本文的实证模型需要同时考虑两方面的影响过程：其一是广告对口碑的影响，其二是广告和口碑对游戏下载量的共同影响。由于这两方面的影响过程是同时发生并且相互关联的，所以最理想的分析方法是通过建立联立方程模型（Simultaneous Equation Models）来同时考虑这两方面的影响过程。[54]在参考Onishi等[29]模型的基础上，我们提出如下线性联立方程模型。

 

表1 网络口碑对产品销量影响的实证研究

  

作者 研究对象 口碑的测量Godes 等[6] 电视节目 口碑数量，口碑分散程度Liu[11] 电影 口碑数量Chevalier等[12] 图书 口碑数量，口碑效价Clemons等[13] 啤酒 口碑效价，口碑差异Dellarocas等[14] 电影 口碑数量，口碑效价Duan等[15] 电影 口碑数量Luo[16] 股票 口碑效价卢向华等[17] 餐饮 口碑数量，口碑效价Chintagunta等[18] 电影 口碑效价，口碑差异Zhu等[19] 电子游戏 口碑数量，口碑效价，口碑差异Moe等[20] 网络零售 口碑数量，口碑效价，口碑差异Sun[21] 图书 口碑效价，口碑差异龚诗阳等[22,23] 图书 口碑数量，口碑效价，口碑差异Rui等[24] 电影 口碑数量，口碑效价Gopinath等[25] 电影 口碑数量，口碑效价Ho-Dac等[26] 蓝光影碟机 口碑数量，口碑效价Baker等[27] 多个行业 口碑效价

很多研究都探讨了网络口碑与产品销量或企业绩效之间的关系。总结起来，相关研究通常采用口碑的数量（Volume）、效价（Valence）和差异（Variance）三个维度来测量网络口碑的影响效果：口碑的数量衡量了口碑信息的传播广度，通常采用线上消费者评论的总数来衡量；口碑的效价衡量了口碑信息的正（负）面程度，通常采用线上消费者评分的均值或正（负）面评论的比例来衡量；口碑的差异衡量了口碑信息中存在的分歧，通常采用线上消费者评分的方差来衡量。相关研究从这三个维度出发，探索了网络口碑与各个行业产品销量或企业绩效之间的关系（表1），如电视收视率、[6]电影票房、[11,14,15,18,24,25]图书销量、[12,21-23]啤酒销量、[13]股票价格、[16]餐厅营业额、[17]游戏销量、[19]网络零售额、[20]影碟机销量[26]等。最近，Baker等[27]又以美国55个行业804个品牌的大规模样本为研究对象，综合性地分析了网络口碑对消费者购买行为的影响。

尽管如此，目前相关文献较少关注网络口碑与其他网络沟通工具（如网络广告）对产品销量的共同影响。事实上，根据Mahajan等[8]的理论，消费者对不同的沟通媒介存在不同的偏好倾向，并且这种倾向是随时间动态变化的。如Villanueva等[28]运用向量自回归模型（Vector Autoregressive Model）分析了口碑效应和其他传统营销沟通方式（如收音广播、电子邮件等）所带来的顾客价值。他们发现，通过不同营销沟通方式所获得的顾客价值在不同时期存在很大差异。Onishi等[29]运用联立方程模型研究了网络博客数量（Blogging Activities）和广告对电影票房的影响，发现两者存在正向的协同作用。

  

图1 本研究理论框架

本研究聚焦于探索网络口碑与网络广告对产品销量的共同影响。根据Mahajan等[8]对媒介效应与新产品扩散理论的总结，在产品生命周期的不同阶段，不同类型的沟通媒介（如大众媒介vs.人际媒介）对销量的影响效果可能存在较大的差异。那么，作为互联网环境下最普遍的大众媒介和人际媒介沟通工具，网络广告和网络口碑对销量的动态影响效果是否也符合这种规律？在这一过程中，由企业主导的大众媒介（网络广告）如何动态影响由消费者主导的人际媒介（网络口碑）？我们推测，网络广告、网络口碑与产品销量之间很可能存在一定程度的相互影响和动态联动关系。图1总结了本研究的理论框架，着重对两方面的研究内容进行理论推演：第一，网络广告的投入如何影响网络口碑（数量、效价和差异）的发展？在产品的生命周期中（引入期、成熟期和衰退期），网络广告对网络口碑的影响如何动态变化？第二，网络广告和网络口碑如何共同影响产品销量？在产品的生命周期中（引入期、成熟期和衰退期），网络广告和网络口碑对销量的影响又如何动态变化？

2. 网络广告对网络口碑的动态影响

现有的研究较少关注网络广告对网络口碑的影响。Gopinath等[25]的研究考虑了广告在各种媒介的总体支出与网络口碑的关系，发现当月的广告支出与下月的网络口碑数量正相关。这一研究结论为两者之间存在影响关系提供了初步证据。近期，Fossen等[30]研究了电视广告对社交媒体中口碑数量的影响，发现电视广告会同时促进广告品牌和电视节目的口碑数量。

在本研究中，我们首先从口碑数量、口碑效价和口碑差异三个维度来分析网络广告对网络口碑的潜在影响。第一，对于网络口碑数量，Berger等、[31]Lovett等[32]的研究均表明，消费者发布口碑的主要动因在于产品的可得性（Accessibility）和易见性（Visibility），即消费者是否能很容易地接触和知晓与产品相关的信息。不少广告相关的文献均表明，广告对引发消费者注意和提升产品知晓程度有重要作用。[33]所以，我们可以很直观地推断网络广告会对网络口碑数量产生显著的正向影响。第二，大量研究指出，广告可以塑造和转变消费者对产品或品牌的情感和态度。[34-36]在广告的影响下，消费者对产品或品牌的评价也会更加积极。所以，我们推断网络广告会对网络口碑的效价有正向影响。第三，Sun[21]的研究指出，产生口碑差异的主要原因是不同细分群体的消费者对产品的偏好不一致，所以他们对产品的评价也会存在差异。那么，当企业网络广告增加时，产品信息也会通过广告接触到更多不同细分群体的消费者，从而口碑的差异也会加大。所以，我们认为网络广告对网络口碑差异也会有正向影响。基于上述分析，提出如下假设：

H1：网络广告对网络口碑数量、效价和差异均有正向影响

接着，我们分析广告对网络口碑的数量、效价和差异的动态变化。首先，在产品生命周期中，网络广告对网络口碑数量的影响将随时间逐渐减弱。其原因在于，在产品发布初期，消费者可以从广告中了解产品的信息并与其他消费者分享和讨论，所以广告对口碑数量有较强的正向影响；而随着产品上市时间的推移，消费者变得难以从广告中获取新的信息，所以广告对口碑数量的影响自然也逐步降低。[37]其次，在产品的生命周期中，广告对口碑效价的影响将随时间逐渐增强。其原因是，消费者从知晓、了解到对产品产生正面评价存在一段时间过程。在产品发布初期，消费者对产品不了解，所以广告的主要作用在于让消费者知晓和了解产品；而随着产品上市时间的增加，大部分消费者都已经熟悉了该产品，所以广告的说服效应开始显现，其对口碑效价的影响也逐渐增强。再次，在产品生命周期中，广告对口碑差异的影响将随时间逐渐减弱。其原因在于，在产品上市初期，消费者对产品不够了解。所以，当消费者刚开始通过广告接触到产品时，他们对产品质量的判断也不够准确，从而造成口碑的差异也较大。随着产品上市时间增加，消费者对产品更加了解，对产品质量的判断也趋于一致，所以广告对口碑差异的影响也逐渐减弱。基于以上分析，提出如下假设：

H2a：在产品生命周期中，网络广告对网络口碑数量的影响逐渐减弱

H2b：在产品生命周期中，网络广告对网络口碑效价的影响逐渐增强

H2c：在产品生命周期中，网络广告对网络口碑差异的影响逐渐减弱

3. 网络广告和网络口碑对产品销量的动态影响

网络广告和网络口碑作为两种重要的营销沟通工具，均会对产品销量产生影响。就网络广告而言，Evans[1]认为其可以通过运用更加丰富的个体层面数据来识别潜在的顾客，从而达到比传统广告更好的效果。近年来，一些实证研究也开始探索网络广告对顾客购买行为的影响。例如，Chatterjee等[38]发现，网络广告主要增加了网站新访客的点击行为。Manchanda等[39]则发现，网络广告对增加老顾客的重复购买也有显著影响。Hoban等[40]发现，网络广告可以同时增加新访客、注册访客和老顾客的购买行为，但却对未注册访客没有作用。这些研究均直接或间接地表明了网络广告可以提升产品销量。近期，Lewis等[41]在Yahoo网站上开展了一项针对160万名顾客的大型实地实验来验证两者之间的因果关系。实验结果表明，Yahoo网站的广告提升了5%的产品销量，其中78%的销量增长来自新访客。基于上述内容，我们推测网络广告对数字化产品的销量（如手机游戏）也存在类似的影响，所以提出如下假设：

第（4）-（6）列的回归结果反映了网络广告对口碑效价的动态影响。我们发现广告对口碑效价的正向影响随游戏的生命周期而逐步加强，恰好与口碑数量的结果相反。在引入期，lnAdit的系数估计值为0.009，且仅为边际显著（p＜0.10）；而在成熟期，lnAdit的系数估计值上升为0.017（p＜0.01）；到了衰退期，lnAdit的系数估计值进一步上升为0.026（p＜0.01）。这一结果支持了前文提出的假设H2b。

对于网络广告与销量之间的动态影响关系，Aravindakshan等、[33]Kolsarici等、[42]Bruce等 [43]学者发现，广告的效果在产品生命周期中会呈现上升或者下降的系统性趋势。通常有两种观点可以用于解释广告效果的这种动态变化规律：第一种观点认为，新产品上市后，企业在产品生命周期中广告投入的波动是导致广告效果动态变化的主要原因。Bruce[43]指出，在电影、音乐和游戏等行业，企业的广告投入通常在新产品上市前开始进行，在产品上市时达到顶峰，然后逐步下降。随后，在产品生命周期的中后期，这一广告投入的过程又再次重复。由于在产品生命周期的不同阶段，不同的广告投入水平创造了不同的消费者知晓度，同时也向消费者释放了不同的产品质量信号，所以广告效果会产生动态波动。第二种观点认为，在产品生命周期中，一些消费者心理因素也会对广告效果的动态变化产生影响。[37]第一种因素称为磨合效应（Wear-in Effect），即随着广告的播出，消费者会逐渐对产品增加了解和产生兴趣，所以广告的效果也会随之上升。[44]第二种因素称为磨损效应（Wear-out Effect），即随着产品从引入期进入成熟期，消费者无法再从广告中获得新的信息，会逐渐厌烦和遗忘广告的内容，所以广告的效果会下降。[45]第三种因素称为重生效应（Restoration Effect），即产品进入生命周期的中后期，消费者已经遗忘了早期的广告，当广告重新出现的时候，消费者会将广告作为新的信息来源并重新受到影响，所以广告的效果又会上升。[46]因此，基于上述分析我们推测，网络广告在产品生命周期中对数字化产品销量的影响将随时间呈现一条正U型曲线：在引入期，网络广告对销量具有很强的正向影响，这一现象源自企业对广告投入的重视和广告的“磨合效应”；广告的影响在成熟期下降，其原因是广告投入的下降和“磨损效应”；在衰退期，由于企业又开始恢复广告投入和广告的“重生效应”，广告效果又重新增强。据此，提出如下假设：

H3b：在产品生命周期中，网络广告投入量对销量的影响随时间呈正U型曲线

我们探讨网络口碑的数量、效价和差异对数字化产品销量的影响。第一，通常认为网络口碑数量对销量的影响来源于知晓效应（Awareness Effect），即口碑的数量越多，说明越多的消费者参与了对某个产品的讨论，所以其他潜在消费者就更有可能通过这些信息知晓这个产品，从而提高产品的未来销量。不少实证研究证明，网络口碑数量对销量存在正向影响。以电影行业为例，Liu、[11]Duan等[15]探索了Yahoo网站的电影评论信息对票房收入的影响。他们发现，评论数量越多，电影的票房收入越高。Rui等[24]则运用Twitter网站中提及电影的微博信息（Tweet）来测量口碑，同样发现口碑数量与电影的票房收入正相关。在此基础上，Dellarocas等[14]将口碑数量加入电影票房预测模型中发现，模型的预测效果有显著提升。此外，Godes等[6]对电视节目行业的研究，Chevalier等、[12]龚诗阳等[22,23]对图书行业的研究，卢向华等[17]对餐饮行业的研究，Zhu等[19]对电子游戏行业的研究，Moe等[20]对网络零售商的研究，Ho-Dac等[26]对蓝光影碟机的研究，也都支持了网络口碑数量对销量的正向影响。

第二，对于口碑效价，通常认为其对销量的影响主要来自说服效应（Persuasive Effect），即消费者对产品的评价越正面，越容易说服其他消费者进行购买。对于口碑效价与产品销量的关系，相关实证研究也较为丰富。例如，Duan等[47]的研究发现，超过20%的消费者在浏览CNET网站上的产品信息时都会根据其他消费者对产品的评分来排序，这在很大程度上表明口碑效价是影响消费者决策的重要因素。Clemons等[13]分析啤酒行业中口碑的作用发现，口碑效价与啤酒销量正相关，并且排在前25%的口碑的正（负）面程度对销量的解释力度最强。Chintagunta等[18]将电影行业对口碑的研究拓展到多个区域市场，并指出口碑效价才是对电影票房最重要的影响因素。Ho-Dac等[26]发现，口碑效价仅对品牌资产较弱的产品有影响，而对品牌资产较强的产品影响不显著。Baker等[27]则比较了线上和线下渠道的口碑效价对产品购买倾向的影响。他们发现，线下渠道的口碑效价比线上渠道的口碑效价对销量的影响更大。

第三，有关口碑差异对产品销量的影响，相关文献存在两种相反的观点。一种观点认为，口碑差异对销量有正向影响。Martin等[48]认为，口碑差异会引发消费者的好奇心，从而驱动消费者选择口碑差异较大的产品。Sun[21]指出，口碑差异大的产品更容易受到小众消费群体的欢迎。另一种观点则认为，口碑差异越大，消费者会感知到更大的购买风险，从而降低购买倾向。Meyer[49]的研究结果佐证了这种观点。他发现，消费者会降低对商品的评价来适应不一致的口碑。Zhang[50]对2004年上映的128部电影进行了实证分析，发现电影在上映初期的口碑差异越大，票房收入下滑也越快。综合上述分析，结合本文的研究情景，提出如下假设：

H4a：网络口碑数量和效价对数字化产品销量有显著的正向影响，但网络口碑差异对销量的影响不一定显著

对于网络口碑与销量之间的动态影响关系，Liu、[11]Trusov等、[51]Moe等[20]学者均发现，网络口碑的效果在产品生命周期中也会呈现出上升或者下降的动态变化趋势。相关的研究提出了多种观点来解释这种现象。Mahajan等[52]认为，在产品上市初期，大部分消费者是“创新者”或对产品有丰富经验的“专家”，而“跟随者”或对产品不了解的“新手”更倾向于在产品上市一段时间后购买产品。其中，“跟随者”或“新手”对产品好坏的鉴别能力远不如“创新者”或“专家”，所以他们对口碑信息的依赖程度更高。随着时间的推移，消费者中“跟随者”或“新手”的人数增加，所以口碑的影响效果也会变化。Li等[53]认为，在产品生命周期中，参与发布口碑的消费者对产品的偏好存在明显的自选择偏误（Self-selection Bias）。由于不同时期发布口碑的消费者对产品存在不同的偏好，所以口碑的数量和效价会出现上升或者下降的动态变化，这种变化又会进一步影响消费者的购买行为。Moe等[20]认为，口碑效果在产品生命周期中的动态变化主要来自口碑发布者之间的社会影响（Social Influence）。他们发现，产品上市初期的口碑会对消费者在未来发布的口碑产生显著影响，从而进一步影响产品的销量。

入冬了，来暖气了。回想起以前那个零食不如现在丰富的年代，家里大人放在暖气上烘烤的苹果干、山楂干、地瓜干和胡萝卜干等，就成了孩子们的零食。在暖气旁边玩边吃，也成了多少人的童年回忆。其实除了它们，暖气还能做出各种各样好吃的。

第（1）-（3）列的回归结果反映了网络广告对口碑数量的动态影响。对比这三列的回归结果发现，广告对口碑数量的正向影响随游戏的生命周期而逐步减弱。在引入期，lnAdit的系数估计值为0.042（p＜0.01）；在成熟期，lnAdit的系数估计值有小幅下降，为0.028（p＜0.01）；而到了衰退期，lnAdit的系数估计值进一步下降为0.012（p＜0.01）。这一结果支持了前文提出的假设H2a。

以上述研究为基础，我们推测，网络口碑在产品生命周期中对销量的影响将随时间呈现一条倒U型曲线。在引入期，网络口碑对销量的影响相对较弱，然后逐步上升，并在成熟期达到顶峰，而后在衰退期又出现下降。这种现象产生的原因是，在产品生命周期的早期，口碑信息还未完全形成，通常表现为数量较少、效价不稳定和差异较大。所以，早期消费者更多是通过广告来获取产品信息，基于自身的判断来做出购买决策。随着产品进入成熟期，口碑也发展到相对成熟的阶段，逐渐被消费者当作一个比广告更加可信的信息来源。并且，成熟期的消费者通常会跟随早期消费者的口碑来做出购买决策。到了衰退期，口碑的信息已经被消费者所熟知，所以其影响效果也会下降。基于上述分析，提出假设：

H4b：在产品生命周期中，网络口碑（数量、效价和差异的总体效果）对销量的影响随时间呈倒U型曲线

二、实证背景

1. 数据来源

本文的研究数据由人人游戏公司提供。人人游戏公司成立于2006年，是一家在国内处于领先地位的手机游戏研发和运营公司。

我们从人人游戏公司获取了2012-2014年上市发行的5款手机游戏产品的数据，主要包括游戏发行时间、每日下载量、每日网络广告投入费用等信息。这5款产品覆盖了当时市场上最受欢迎的两种游戏类型，其中3款属于角色扮演类游戏，另2款属于策略模拟类游戏。①这5款游戏的上市地点均在中国台湾地区和东南亚地区（包括菲律宾、马来西亚、泰国、新加坡和越南5个国家）。这两个地区的手机游戏行业发展存在较大差异，中国台湾地区的智能手机覆盖率较高，而同期东南亚地区的智能手机覆盖率较低。②选择这两个地区作为研究对象的好处在于，可以同时考察发达和欠发达地区的市场，以增强研究结论的普适性。此外，考虑到不同地区的购买力存在差异，我们对广告投入费用按购买力评价指数进行了换算，以符合不同地区的购买力水平。③

人人游戏公司通过自主开发的爬虫软件为我们收集了这5款游戏的网络口碑数据。口碑数据的主要来源为苹果应用商店（Apple Store）和谷歌游戏商店（Google Play）中的消费者评论区。在中国台湾地区和东南亚地区，手机游戏的推广和销售渠道比较集中，主要通过苹果应用商店和谷歌游戏商店，所以大部分口碑信息也都集中于这两个应用商店的消费者评论区。以本研究中的一个游戏为例，其苹果应用商店和谷歌游戏商店的线上评论数量为5376条，而同期Facebook主页和人人游戏论坛上的线上评论数量仅为36和21条。所以，苹果应用商店和谷歌游戏商店的消费者评论可以作为游戏口碑的良好代表。在这两个游戏商店中，消费者评论包含两个部分。第一部分为星级评分，星级分为1至5星，数值越高代表消费者对产品的评价越好。第二部分为文字评论，即用户可以在评论栏中撰写一段简短的文字评论，通常包含对游戏的具体体验和看法。当消费者完成评论后，页面会实时更新并展示评论的统计信息，包括评论数量、平均评分、1至5星评分的比例，以及每名消费者的具体评分和文字评论（示例省略备索）。

我们将游戏下载量、广告投入和口碑数据以日为单位来进行整理，整个数据共包含2497个样本。表2对数据进行了简要的描述性统计。首先，每款游戏的日均下载量为872次，并且不同的游戏在不同时期下载量的波动较大。可以看到，最小值3和最大值22396之间存在非常大的差距，均值872和中位数201之间也存在不小的差距，说明在某些日期某些游戏获得了很高的下载量。其次，我们可以看到广告投入和口碑数量也存在同样的特点。日均广告投入和口碑数量分别为14381元和4.5条，并且两者的最小值和最大值之间也都存在较大的差距，这一现象从一定程度上说明广告投入、口碑数量与游戏下载量之间可能存在较强的相关关系。最后，我们用星级评分来代表口碑效价，计算该数据的方差来代表口碑差异。平均口碑效价为3.64分，说明消费者对产品的总体评价较高，这一特点与已有研究发现一致。[12]平均口碑差异为1.78，与标准差2.14差距不大，说明消费者对游戏的总体评分是相对一致的。

 

表2 数据的描述性统计

  

注：样本量=2497

 

变量 均值 标准差 最小值 中位数 最大值下载量 872 1592 3 201 22396广告投入 14381 34808 0 0 936098口碑数量 4.50 13.9 0 1 360口碑效价 3.64 1.22 1 4 5口碑差异 1.78 2.14 0 1 8

此外，我们还分别按地区和游戏类型对数据进行了相应的描述性统计，结果如表3所示。我们发现，中国台湾地区的用户下载量低于东南亚地区，但其用户获取成本却明显高于东南亚地区，这反映在广告投入和游戏下载量的比值上。这一现象说明，在手机游戏行业更加发达的中国台湾地区，游戏公司对用户的竞争更加激烈，所以广告投入的费用也更高。除此之外，口碑的各项数据在中国台湾和东南亚地区并没有呈现出明显的区别。从游戏类型上看，策略模拟游戏显然比角色扮演游戏更加受到游戏公司和消费者的青睐。一方面，人人游戏公司在策略模拟游戏上投入的广告费用是角色扮演游戏的两倍；另一方面，策略模拟游戏在下载量、口碑数量和高分口碑比例上也明显高于角色扮演游戏。

 

表3 数据的描述性统计（不同地区和游戏类型）

  

注：表中的数值为均值

 

变量 中国台湾 东南亚 策略模拟 角色扮演下载量 779 980 1256 704广告投入 16775 11595 22851 10671口碑数量 4.33 4.70 9.49 2.32口碑效价 3.60 3.68 3.63 3.65口碑差异 1.67 1.90 2.15 1.44高分口碑比例（＞4星） 67.3% 62.4% 77.3% 56.4%样本量 1342 1153 760 1735

由于中国台湾地区和东南亚地区的游戏下载量存在一定差异，可能是由企业的营销沟通活动造成的，也可能是由当地的文化、科技、经济等宏观因素导致的。所以，我们进一步收集了一系列可能对游戏下载量造成影响的宏观因素（见表4），并观察这些宏观因素与游戏下载量之间的关系。我们发现，互联网普及程度（互联网使用者比例）、经济发展水平（人均GDP）和受教育程度（15岁以上识字人口比例）这三个因素在中国台湾地区和东南亚地区的大小关系正好与游戏下载量相反，尽管网民数量（互联网宽带接入数量）和青少年人口数量（10-24岁人口数量）这两个因素在中国台湾地区和东南亚地区的大小关系与游戏下载量一致，但其数值大小在两个地区的差异却远大于游戏下载量在两地的差异。因此，从数值与逻辑关系上，这些宏观因素均不大可能成为影响游戏下载量的主要因素。

 

表4 宏观影响因素（不同地区）

  

注：东南亚地区包括菲律宾、马来西亚、泰国、新加坡和越南5个国家；东南亚地区的互联网普及程度、上网成本、经济发展水平、受教育程度为5个国家的平均值，网民数量和青少年人口数量为5个国家的数量总和

 

影响因素 变量 中国台湾 东南亚互联网普及程度 互联网使用者比例（%） 80.00 51.56网民数量 互联网宽带接入数量（百万） 7.0 23.6青少年人口数量 10-24岁人口数量（百万） 4.5 78.2经济发展水平 人均GDP（美元） 41538 25590受教育程度 15岁以上识字人口比例（%） 98.50 95.78

2. 变量描述

根据人人游戏公司提供的原始数据，我们计算了实证分析所需的变量。表5对这些变量进行了总结和说明。值得注意的是，我们对取值大于0的连续变量都进行了取自然对数的线性变换，一方面降低了异方差性（Heteroskedasticity），另一方面控制了离群值的影响。[54]

本文建立了基于蒙特卡罗方法和束流光学的带电粒子输运程序，对磁谱仪进行了全过程物理建模和性能模拟，获得了反冲质子在焦平面上的空间分布和相互关联的性能参数，可为反冲质子磁谱仪的优化设计、能量刻度及应用提供参考。

 

表5 主要变量

  

变量名称 变量含义 相关说明lnDlit 单日单款游戏下载量 经过自然对数变换lnAdit 单日单款游戏广告投入 经过自然对数变换lnVolit 单日单款游戏网络口碑数量 经过自然对数变换lnValit 单日单款游戏网络口碑效价 经过自然对数变换lnVarit 单日单款游戏网络口碑差异 经过自然对数变换Geoi 地区哑变量 东南亚=0，中国台湾=1 Genrei 游戏类型哑变量 策略模拟=0，角色扮演=1 Seat 季度哑变量以一季度（1-3月）为基准生成3个哑变量，分别代表二季度（3-6月）、三季度（6-9月）和四季度（9-12月）

（1）因变量：在本文中，我们用游戏下载量来度量手机游戏的销量。所以，因变量为单日单款手机游戏的下载量，我们对其进行了取自然对数的变换。

（2）自变量：本文的自变量包括网络广告投入和网络口碑。首先，我们用单日单款游戏的实际广告费用来衡量广告投入。前文提到，因为样本中存在中国台湾和东南亚两个地区，我们对两地的广告投入分别按照当地的购买力评价指数进行调整，随后取自然对数。然后，我们根据苹果应用商店和谷歌游戏商店的消费者评论数据计算了网络口碑的相关变量。其中，口碑数量由单日单款游戏在两个商店中获得的消费者评论数量相加得到；口碑效价用单日单款游戏在两个商店中获得的平均评分来代表；口碑差异用单日单款游戏在两个商店中获得的评分方差来衡量。我们对这三个网络口碑变量都进行了取自然对数的变换。

图2展示了部分自变量和因变量之间的关系，由上自下的三条曲线分别代表了广告投入、游戏下载量和口碑数量。从图2中可以发现，这三条曲线无论在整体形态还是在局部波动上都呈现出紧密的前后一致性，由此我们可以初步推断广告投入和网络口碑会对游戏的下载量产生影响。

  

图2 广告投入、口碑数量与游戏下载量

此外，由于口碑也可能会受到广告投入的影响，我们在图3中分别展示了广告投入与口碑数量（图3a）、口碑效价（图3b）和口碑差异（图3c）之间的关系。图3中的虚线代表广告投入，而实线则分别代表口碑数量、口碑效价和口碑差异。从图中可以看出，代表口碑的三条曲线也分别与代表广告投入的曲线在形态上呈现出较强的一致性。

（3）控制变量：为了控制除广告与口碑之外其他因素的潜在影响，我们计算了一系列控制变量：第一，数据中手机游戏的上市地点为中国台湾和东南亚两个地区。如前所述，这两个地区在手机游戏行业的发展程度方面存在较大差异，所以这两个地区的广告和口碑效应也可能存在差异。因此，我们用地区哑变量来区分中国台湾和东南亚两个地区，以控制地区差异可能对结果产生的影响。第二，游戏类型也可能会对游戏下载量产生影响。数据中的游戏类型主要分为角色扮演游戏和策略模拟游戏两类，这两种类型涵盖了市场上80%以上的热门游戏。⑤由于不同类型的手机游戏在题材、趣味性和操作方法上均存在较大差异，所以其在消费者群体中的受欢迎程度可能存在差异。因此，我们用游戏类型哑变量来区分角色扮演和策略模拟这两类游戏，以控制游戏类型可能对结果产生的影响。第三，由于数据中游戏上市的时间跨度较大，节假日和寒暑假等季度性的因素可能会使得游戏的下载量存在差异。所以，我们用季度哑变量来控制时间因素可能会对游戏下载量产生的影响。具体而言，我们以一季度（1-3月）为基准生成三个哑变量，分别代表二季度（3-6月）、三季度（6-9月）和四季度（9-12月）。

  

图3 网络广告与网络口碑的关系④

三、实证模型及结果

1. 模型设定

西南地区的旱情牵动着水利干部职工的心。水利部在全力做好水利抗旱救灾各项工作的同时，自发向干旱地区群众伸出援手。3月30日下午，水利部举办向干旱灾区人民“送温暖，献爱心”捐款活动。下午2时30分，水利部部长陈雷，副部长鄂竟平，驻部纪检组组长董力，副部长周英、胡四一、刘宁，部党组成员陈小江，总工程师汪洪，总规划师周学文等领导来到部机关大楼集中捐款现场，带头为灾区捐款。水利部机关及直属事业单位的干部职工们也纷纷解囊相助，一份份浓浓的爱心投进捐款箱，表达着对旱区同胞的深情厚谊。截至3月31日上午，水利部直属机关捐款额近80万元。

根据《中华人民共和国农业技术推广法》，农业科研人员并非作为农业技术推广的主体。但作为农业技术的研发源头，部分学者已经看到农业科研人员在农业技术推广中的重要作用。他们认为，作为农业科技成果产生源头的农业高校、科研院所的科研人员已成为我国农业技术推广战线的重要力量,并在农业和农村经济社会发展中发挥着越来越重要的作用[8]。而根据科研工作的开展，越来越多的农业科研人员参与到农业技术推广工作中。

世界公认的“经营之圣”稻盛和夫先生有一句话我觉得说得很好：“人来到世间，其实也是佛家的一种修行。”既然是一种修行，那么修行的道路上自会有各种苦难。茫茫人海之中，我们如果彼此善待对方，人生也许会多一分光亮，世间自会少一分苦难，难道不是吗？《易传·文言传·坤文言》中有句话是“积善之家，必有余庆，积不善之家，必有余殃。”意思是指修善积德的个人和家庭，必然有更多的吉庆，作恶坏德的，必有更多的祸殃。既然善良是利己利人的事情，相信大家自然也有了行善事之想法。

 

在上述模型中，下标i：1, …N代表游戏，下标t：1,…N代表时间。

方程（1）-（3）的目标是分析网络广告对网络口碑的影响。具体而言，我们分别以口碑数量lnVolit、口碑效价lnValit和口碑差异lnVarit为因变量，建立（1）-（3）三个等式。在这三个等式的右侧首先加入lnAdit这一变量，以分析广告对口碑数量、效价和差异的影响。此外，模型中还采用lnVolit-1、lnValit-1、lnVarit-1这三个口碑的一期滞后变量作为解释变量，因为已有研究发现网络口碑会受到前期口碑的影响。[20]我们没有在模型中加入广告的滞后项，因为广告对网络口碑的影响是在很短的时间之内迅速发生的，并不存在以天为单位的滞后效应。[55]此外，我们还加入了3个控制变量：Geoi为游戏上市地区哑变量（东南亚=0，中国台湾=1）；Genrei为游戏类型哑变量（策略模拟=0，角色扮演=1）；Seat为季度哑变量。

方程（4）的作用在于分析网络口碑和网络广告对游戏下载量的共同影响。在方程（4）中，因变量lnDlit代表游戏i在t日的下载量。自变量lnAdit代表游戏i在t日的广告投入；lnVolit代表游戏i在t日的口碑数量；lnValit代表游戏i在t日的口碑效价，lnVarit代表游戏i在t日的口碑差异。然后，我们同样加入了Geoi、Genrei和Seat这三个控制变量来控制游戏上市地区、游戏类型和季节性因素。此外，已有文献研究表明，上一期的产品销量会对当期的产品销量产生影响。[56]所以，加入游戏下载量的一期滞后项lnDlit-1来控制这一滞后性影响。

对于上述联立方程模型，我们采用两阶段最小二乘法进行估计。在第一阶段，我们运用外生变量lnAdit、滞后变量lnVolit-1、lnValit-1、lnVarit-1和控制变量Geoi、Genrei、Seat对方程（1）-（3）中的口碑变量 lnVolit、lnValit、lnVarit进行估计，以分析网络广告对网络口碑的影响。在第二阶段，我们再运用第一阶段的口碑变量的预测值对方程（4）进行估计，以分析网络口碑和网络广告对销量的共同影响。由于对因变量和自变量均进行了自然对数的变换，所以回归系数的估计值为弹性，即自变量的变化率对因变量变化率的影响。

2. 网络广告对网络口碑的影响及动态变化

为了分析网络广告对网络口碑的总体影响，我们运用总体样本对方程（1）-（3）进行回归分析。表6展示了回归分析的结果。从模型的拟合优度上看，R2分别为0.75、0.48和0.33，说明广告投入对口碑数量的解释力度最强，口碑效价次之，口碑差异最次。总体而言，所有模型的拟合结果均十分显著。

此外，网络口碑变量在游戏生命周期的不同阶段发挥了不同的作用。在引入期，lnVolit的系数为正向显著（a2=0.842，p＜0.01），而 lnValit和 lnVarit的系数均不显著（a3=-0.724，p＞0.10；a4=0.736，p＞0.10），说明在引入期仅有口碑数量对游戏下载量产生影响。在成熟期，lnVolit、lnValit和 lnVarit的系数均为正向显著（a2=0.237，p＜0.01；a3=1.457，p＜0.01；a4=0.170，p＜0.01）， 说 明在该阶段口碑对游戏下载量的总体影响显著上升。在衰退期，仅有lnVolit的系数为正向显著（a2=0.517，p＜0.05），而lnValit和lnVarit的系数均不显著（a3=-0.242，p＞0.10；a4=-0.192，p＞0.10），说明口碑对游戏下载量的总体影响也在下降。这说明，在产品生命周期中，网络口碑对游戏下载量的影响呈现出一条倒U型曲线。这一结果支持了前文提出的假设H4b。

 

表6 网络广告对网络口碑的影响

  

注：括号中的数值为标准误，*** p ＜ 0.10，** p ＜ 0.05，*** p ＜0.01

 

lnValit-1 0.110(0.022)***0.352(0.023)***0.073(0.022)***lnVarit-1-0.152(0.022)***-0.000(0.022)0.110(0.021)***Geoi-0.026(0.022)0.012(0.023)-0.052(0.021)**Genrei-0.224(0.028)***-0.233(0.029)***-0.226(0.028)***Seat是是是常数项 0.296(0.033)***0.400(0.034)***0.269(0.032)***F值 1781.69*** 430.32*** 77.27***

表6第（1）列的结果反映了广告投入对口碑数量的影响。lnAdit的系数为正向显著（b1=0.026，p＜0.01），说明企业的广告投入越多，该游戏所获得的口碑数量也越多。此外，早期的口碑也会对当期的口碑数量产生影响。lnVolit-1和lnValit-1的系数均为正向显著（b2=0.857，p＜0.01；b3=0.110，p＜0.01），说明前期的口碑数量越多、口碑效价越好，该游戏在当期获得的口碑数量也越多；lnVarit-1的系数负向显著（b4=-0.152，p＜0.01），说明前期的口碑差异越小，当期的口碑数量会越多。

第（2）列的结果反映了广告投入对口碑效价的影响。lnAdit的系数为正向显著（c1=0.015，p＜0.01），说明企业的广告投入越多，该游戏获得的口碑效价也越好。此外，lnVolit-1和lnValit-1的系数均为正向显著（c2=0.165，p＜0.01；c3=0.352，p＜0.01），说明前期的口碑数量越多、口碑效价越好，该游戏在当期的口碑效价也越好；而lnVarit-1的系数并不显著（c4=-0.000，p＞0.10），说明前期的口碑差异对当期的口碑效价并无明显影响。

第（3）列的结果反映了广告投入对口碑差异的影响。lnAdit的系数为正向显著（d1=0.024，p＜0.01），说明企业的广告投入越多，该游戏获得的口碑差异越大。此外，lnVolit-1、lnValit-1和lnVarit-1的系数均为正向显著（d2=0.129，p＜0.01；d3=0.073，p＜0.01；d4=0.110，p＜0.01），说明前期的口碑数量、效价和差异均会对当期的口碑差异产生正向影响。

总体而言，上述回归结果支持了前文提出的假设H1。为了研究网络广告对网络口碑影响的动态变化，我们将总体样本按照手机游戏的生命周期规律划分为多个子样本，然后对各个子样本分别进行回归分析。

 

表7 手机游戏游戏的生命周期

  

游戏类型 平均生命周期 引入期 成熟期 衰退期手机游戏 1年 1个月 5个月 6个月

表7为人人游戏公司提供的手机游戏的平均生命周期。⑥根据相关文献，[19]游戏类产品的生命周期有两个特点：一是游戏的整个生命周期通常比较短，更新和迭代的速度很快；二是新游戏在上市后用户数量通常会迅速积累，很快从引入期过渡到成熟期。从表7中可以看出，手机游戏的平均生命周期约为一年。经过数据验证，这一生命周期的时间长度也符合我们所获得的5款手机游戏的生命周期规律。如前所述，由于手机游戏的生命周期特点是很快从引入期过渡到成熟期，所以我们将生命周期划分为引入期、成熟期和衰退期三个阶段。具体的划分标准如下：（1）引入期：游戏上市发行至第一个月结束，约1个月时间。在引入期，游戏的一部分早期用户开始积累。游戏公司通常会通过较多的广告投入来提升游戏的认知度。同时，这也是网络口碑的初始形成阶段。（2）成熟期：第二月开始至第六月结束，约5个月时间。在成熟期，游戏的用户数量和活跃度迅速增加并达到顶峰。游戏公司的广告投入逐步下降，口碑数量迅速增加，口碑效价趋于稳定。（3）衰退期：第七月开始至游戏退市，通常为6个月时间。在衰退期，游戏的用户开始流失，用户活跃度也大幅下降。游戏公司重新开始进行一定的广告投入，口碑数量的增加放缓，口碑效价也几乎不再变化。

基于上述划分标准，我们将总体样本按时间划分为引入期、成熟期和衰退期三个子样本。对于这三个子样本，我们同样采用两阶段最小二乘法来进行回归。⑦表8展示了方程（1）-（3）的回归结果。其中，第（1）-（3）列的因变量为lnVolit，对应模型中的方程（1）；第（4）-（6）列的因变量为lnValit，对应模型中的方程（2）；第（7）-（9）列的因变量为lnVarit，对应模型中的方程（3）。在表8中，我们主要关注变量lnAdit的系数在各列的估计结果，因为lnAdit的系数变化反映了游戏不同生命周期阶段广告对口碑影响的动态变化。

3.新媒体发展迅猛，电视媒体出现窘况。在四种传统媒体中，相对而言，电视的发展受到的冲击较小，然而，电视也面临着巨大的生存危机。早在2014年4月22日的“东北新闻网”就有报道，“手机电视业务随着精细化运营的有效推进和渠道成本的降低，互联网视频网站的各项指标均取得突破式增长”，也就是说，新媒体的发展突飞猛进，而电视的发展却出现瓶颈。

 

表8 网络广告对网络口碑的动态影响

  

注：括号中的数值为标准误，*** p ＜ 0.10，** p ＜ 0.05，*** p ＜0.01

 

因变量：lnVolit因变量：lnValit因变量：lnVarit变量 （1）引入期（9）衰退期lnAdit（2）成熟期（3）衰退期（4）引入期（5）成熟期（6）衰退期（7）引入期（8）成熟期0.042(0.010)***0.028(0.004)***0.012(0.005)**0.009(0.005)*0.017(0.004)***0.026(0.009)***0.034(0.008)***0.024(0.004)***0.018(0.006)***lnVolit-1 0.743(0.060)***0.817(0.026)***0.343(0.056)***0.061(0.034)*0.184(0.024)***0.210(0.076)***-0.085(0.044)*0.112(0.025)***0.130(0.063)**lnValit-1-0.038(0.116)0.007(0.036)0.041(0.037)0.578(0.066)***0.372(0.033)***0.192(0.051)***0.250(0.087)***0.147(0.035)***0.012(0.042)lnVarit-1-0.196**(0.081)-0.156(0.031)***-0.057(0.033)*-0.038(0.046)-0.006(0.028)-0.031(0.045)0.131(0.061)**0.115(0.030)***0.035(0.037)Geoi-0.070(0.076)-0.026(0.034)0.064(0.034)*-0.023(0.043)0.038(0.032)0.109(0.046)**-0.129(0.058)**-0.081(0.034)***0.013(0.038)Genrei-0.612(0.117)***-0.093(0.040)**-0.271(0.046)***-0.362(0.066)***-0.154(0.038)***-0.467(0.063)***-0.592(0.088)***-0.162(0.039)***-0.168(0.052)***Seat是是是是是是是是是常数项 0.292(0.201)0.243(0.052)***0.317(0.047)***0.374(0.049)***0.246(0.113)**0.551(0.064)**0.409(0.151)***0.275(0.051)***0.195(0.053)***F值 201.14*** 411.58*** 56.42*** 162.91*** 161.40*** 48.69*** 48.39*** 76.51*** 11.09***R2 0.87 0.75 0.34 0.84 0.54 0.30 0.61 0.35 0.08样本量 270 1237 990 270 1237 990 270 1237 990

H3a：网络广告对数字化产品销量有显著的正向影响

第（7）-（9）列的回归结果反映了网络广告对口碑差异的动态影响。我们发现，广告对口碑差异的影响也随游戏的生命周期而逐步减弱。在引入期，lnAdit的系数估计值为0.034（p＜0.01）；在成熟期，lnAdit的系数估计值有小幅下降，为0.024（p＜0.01）；而到了衰退期，lnAdit的系数估计值下降为0.018（p＜0.01）。这一结果支持了前文提出的假设H2c。

图4更加直观地展示了网络广告对网络口碑的动态影响。从图中可以清晰地看出，在产品生命周期中，广告对口碑数量和口碑差异的影响逐渐减弱，对口碑效价的影响逐渐增强。

  

图4 网络广告对网络口碑的动态影响

3. 网络广告和网络口碑对销量的影响及动态变化

为了分析网络广告和网络口碑对销量的总体影响，我们运用总体样本对方程（4）进行回归分析。表9展示了相关的回归结果。⑧对于方程（4），我们采用逐步回归法来进行分析。首先，我们仅将因变量与控制变量进行回归。然后，在此基础上再逐步加入与广告和口碑相关的自变量。

表9第（5）列为完整模型的回归结果，我们以此来说明各变量之间的影响关系。首先，lnAdit的系数是正向显著的（a1=0.066，p＜0.01），说明企业的广告投入越多，游戏的下载量越高。其次，lnVolit和lnValit的系数均为正向显著（a2=0.105，p＜0.01；a3=0.149，p＜0.10），说明口碑的数量和效价均对游戏的下载量有显著的正向影响；而lnVarit的系数为负且不显著（a4=-0.126，p＞0.10），说明口碑差异对游戏下载量的影响并不明显。上述回归结果支持了前文提出的假设H3a和H4a。

此外，关于控制变量，Geoi的系数很小且不显著（a5=-0.039，p＞0.10），说明中国台湾和东南亚两地在游戏下载量方面并无明显差异；Genrei的系数正向显著（a6=0.142，p＜0.01），说明角色扮演游戏比策略模拟游戏更受消费者欢迎。由于Geoi的系数不显著，所以我们将其剔除后再次对模型进行回归，以观察其结果是否有变化。第（6）列展示了剔除Geoi后的回归结果。总体而言，各变量的系数估计值并没有明显的变化。

 

表9 网络口碑和网络广告对游戏下载量的影响

  

注：因变量为lnDlit，即单日单款游戏下载量，括号中的数值为标准误，*** p ＜ 0.10，** p ＜ 0.05，*** p ＜0.01

 

?

为了研究网络广告和网络口碑对销量影响的动态变化，我们将总体样本按时间划分为引入期、成熟期和衰退期三个子样本，然后对各个子样本分别进行回归分析。见表10。⑨表10的回归结果显示，广告在整个生命周期中都对游戏下载量有显著的正向影响，这与表4的回归结果一致。在引入期，lnAdit的系数为0.157（p＜0.01）；在成熟期，lnAdit的系数下降为0.056（p＜0.01）；而到了衰退期，lnAdit的系数再次上升为0.166（p＜0.01）。这说明，在产品生命周期中，网络广告对游戏下载量的影响呈现出一条正U型曲线。这一结果支持了前文提出的假设H3b。

近年来，随着互联网技术的发展，大量的营销沟通研究都聚焦于网络口碑。相对于传统的线下口碑，网络口碑有两点非常突出的优势：一是消费者可以通过互联网便捷地发布和查阅口碑信息，使网络口碑突破时间和空间的限制，其传播效果和影响范围远远超过了传统口碑；二是企业引发和管理网络口碑的成本相对较低，运用网络口碑可以帮助企业有效降低营销沟通成本。[10]

 

表10 网络广告和网络口碑对游戏下载量的动态影响

  

注：因变量为lnDlit，即单日单款游戏下载量，括号中的数值为标准误，*** p ＜ 0.10，** p ＜ 0.05，*** p ＜0.01

 

?

  

图5 网络口碑和网络广告对游戏下载量的动态影响

(3)近50年来沪宁杭地区年降水量变化较小。三地降水高峰月不同，杭州为6月，南京为7月，上海则有6月和8月的两个高峰。

图5更加直观地展示了网络口碑和网络广告对游戏下载量的动态影响。图中的实线和虚线分别代表了口碑和广告的动态效应。⑩如图所示，网络口碑和网络广告对游戏下载量的影响呈现出“此消彼长”的关系：在引入期和衰退期，广告对销量的影响较强，而口碑对销量的影响较弱；相反，在成熟期，广告对销量的影响较弱，而口碑对销量的影响较强。

四、研究结论与讨论

1. 研究结论

本文从整合营销沟通的视角出发，探讨了网络口碑和网络广告对产品销量的影响及动态变化。具体而言，我们运用人人游戏公司提供的2012-2014年上市发行的5款手机游戏数据，通过建立联立方程模型，得出了以下研究结论：

第一，我们分析了网络广告对网络口碑的影响及动态变化。首先，运用总体样本进行回归，结果表明，网络广告对口碑数量、口碑效价和口碑差异均有显著的正向影响。随后，按照手机游戏的生命周期规律将总体样本划分为引入期、成熟期和衰退期三个子样本分别进行回归。子样本的回归结果表明，在手机游戏的生命周期中，网络广告对口碑数量和口碑差异的影响逐渐减弱，对口碑效价的影响逐渐增强。

第二，我们分析了网络口碑和网络广告对产品销量的共同影响及动态变化。首先，总体样本的回归结果表明，网络口碑数量、口碑效价和网络广告均对手机游戏的下载量有显著的正向影响，而口碑差异对游戏下载量的影响不显著。其次，我们同样按照手机游戏的生命周期规律，将总体样本划分为引入期、成熟期和衰退期三个子样本分别进行回归。回归结果表明，在产品生命周期中，网络口碑和网络广告对产品销量的动态影响呈现出“此消彼长”的形态。其中，网络口碑对产品销量的动态影响过程为倒U型：口碑在引入期对产品销量的影响较弱，随后该影响逐步上升并在成熟期达到顶峰，最后在衰退期又开始下降。相反，网络广告对产品销量的动态影响过程为正U型：广告在引入期对产品销量有较强的正向影响，随后该影响在成熟期下降，最后在衰退期又重新增强。

毛鸡随着只重的增大，其腿、大胸等部位的占比会随着相应的增大。由图1毛鸡只重对肉鸡腿产品的出成影响可知，随着鸡只毛重从4.31×500g增加到5.91×500g，腿出成变化非常明显，从25.41%增加到26.29%，增加了0.9%。不同毛鸡只重对于腿产品的出成有明显的影响，并且4.61×500g和5.10×500g两组实验中腿出成变化趋势大，腿出成相差0.6%，对于提高腿类出成的毛鸡只重在5.00×500g以上效果显著。

本文的理论贡献主要有以下四个方面：第一，将网络广告和网络口碑共同纳入数字化营销沟通的研究框架，同时分析了网络环境中大众媒介（网络广告）、人际媒介（网络口碑）和产品销量之间的影响关系，研究结论丰富了数字化营销沟通理论。第二，研究发现，网络广告和网络口碑对产品销量的影响在产品生命周期的不同阶段存在差异。这一结论为新产品扩散理论中对媒介效果动态发展的推断提供了实证依据。[7-9]第三，研究发现，网络广告与网络口碑对产品销量的影响呈现“此消彼长”的动态变化：网络广告对产品销量的影响呈现出“先降后升”正U型形态；而网络口碑对产品销量的影响则呈现出“先升后降”的倒U型形态。该结论有助于解释理论文献中对于两者的影响究竟存在互补还是替代关系的争论。[28,29]第四，研究还发现网络广告对网络口碑数量和效价存在影响，并且对口碑数量的影响逐步下降，而对口碑效价的影响逐步上升。该研究结果也在一定程度上拓展了有关网络口碑的前因变量和动态效应的研究。

2. 管理启示与建议

网络广告和网络口碑是数字化时代最具代表性的两种营销沟通方式。对于企业管理者而言，如何有效地整合不同类型的营销沟通方式、依据产品的生命周期规律在各阶段进行有针对性的营销沟通，是在管理实践中应关注的焦点问题。依据本文的研究结论，我们为企业提供了以下三方面的营销建议：

第一，企业应结合产品的生命周期规律调整网络广告和网络口碑的投入策略，在营销资源既定情况下提升产品的销量。我们的实证结果表明，在产品的整个生命周期中，网络广告对产品销量的影响呈正U型，而网络口碑对产品销量的影响则呈倒U型。这说明两者对产品销量的影响在不同阶段存在异质性，并且有相互补充的作用。因此，为了最好地配合和发挥网络广告和网络口碑的影响效果，企业应该相应地分阶段调整这两种营销沟通工具的投入策略。例如，企业可以在产品的引入期、成熟期和衰退期分别采用“高—低—高”的广告投入策略和“低—高—低”的口碑管理策略。通过这样的安排，企业可以在总体营销资源不变的情况下，通过加强引入期和衰退期阶段网络广告的效果以及成熟期阶段网络口碑的效果，达到提升产品销量的目的。

第二，企业应该充分考虑各种网络营销沟通工具之间的相互影响，监测和优化营销沟通的总体效果。研究发现，网络广告将通过两条路径对产品销量产生影响。一方面，网络广告可以通过直接作用于消费者对产品销量产生直接影响；另一方面，网络广告也可以通过提升网络口碑的数量和效价对产品销量产生间接影响。所以，企业不仅需要关注网络广告对产品销量的直接影响，同时也不能忽视网络口碑在其中扮演的重要作用。在产品上市的早期阶段，由于网络广告对口碑数量的影响较大但对口碑效价的影响较小，所以企业应该考虑采用其它更加有效的方法（如专家推荐、试用分享等）来鼓励消费者做出更多的正面评价，从而说服其他消费者购买产品；而在产品上市的中后期阶段，网络广告对口碑数量的影响会逐渐减弱，所以企业又应该重点考虑其他可以提升口碑数量的营销策略（如评论或转发奖励等），以保持口碑传播效果的持续性。

(3)托辊。承载分支的托辊槽角为35°，3节等长托辊采用Φ159×530 mm，安装距离1.5 m，旋转部分的质量为12.22×1.5 kg/m；回程分支的托辊为V形托辊，2节等长托辊采用Φ159×800 mm，安装距离3 m，旋转部分的质量为16.86×1.5 kg/m。

第三，企业应确保产品生命周期中网络广告和网络口碑投入的持续性，以获得可持续的营销沟通效果。研究发现，网络广告和网络口碑在产品的整个生命周期中均会对产品销量产生显著的影响效果。并且，前期的广告投入和口碑数量均会对后续的营销沟通效果带来不同程度的正向影响。因此，企业在制定营销沟通计划时，应该考虑网络广告投入和网络口碑管理上的持续性。营销管理者应该依据不同营销沟通工具在产品生命周期不同阶段的特点，有计划且可持续地调整广告投入和管理网络口碑，发挥营销沟通工具的累加效应，从而获得更好的总体市场效果。

(4)疏水系统：疏水扩容器人孔门；所有与疏扩、疏水立管相连的管路及阀门；疏水冷却器疏水、锅炉启动疏水及除氧器溢放水至凝汽器管路及阀门。

最后，对于未来的研究有以下几点展望：第一，本文立足于手机游戏这一行业，未来研究可以考虑将研究对象扩展到其他行业，以增强研究结论的普适性；第二，本文分析了网络广告投入对网络口碑及产品销量的影响，但除了广告投入，广告的内容（如理性诉求广告、情感诉求广告等）与形式（如线上广告与线下广告）也是影响网络口碑和产品销量的重要因素，未来的研究应该予以重点考察。第三，未来研究可以进一步考虑广告和口碑的交互效应及其在产品生命周期中的动态变化，以揭示两者对产品销量的协同影响。第四，在不同的国家与地区，产品的销量将会同时受到企业的营销沟通活动和当地宏观环境的共同影响。例如，在本文的研究情境中，游戏下载量还可能会受到不同地区的互联网普及度、网民数量、青少年人口数量、经济发展水平等宏观因素的影响。因此，未来的研究如果能够获得全球多个国家和地区的面板数据，可以进一步考察企业的营销沟通活动与地区宏观因素之间的交互作用，为企业因地制宜地制定营销沟通策略提供理论基础。

参考文献

[1] Evans, D. S.. The Economics of the Online Advertising Industry.Review of Network Economics, 2008, 7(3): 359-391.

[2] Jansen, B. J., Zhang, M., Sobel, K., Chowdury, A.. Twitter Power: Tweets as Electronic Word of Mouth. Journal of the American Society for Information Science and Technology, 2009,60(11): 2169-2188.

[3] 胡辉. 网络口碑左右消费者购买行为. 第一财经日报, 2008.

[4] Derbaix, C., Vanhamme, J.. Inducing Word-of-mouth by Elic-iting Surprise: A Pilot Investigation. Journal of Economic Psychology, 2003, 24(1): 99-116.

[5] Ambler, T., Vakratsas, D.. How Advertising Works: What Do We Really Know? Journal of Marketing, 1999, 63(1): 26-43.

[6] Godes, D., Mayzlin, D.. Using Online Conversations to Study Word-of-Mouth Communication. Marketing Science, 2004,23(4): 545-560.

[7] Bass, F. M.. A New Product Growth for Model Consumer Durables. Management Science, 1969, 15(5): 215-227.

[8] Mahajan, V., Muller, E., Bass, F. M.. Diffusion of New Products:Empirical Generalizations and Managerial Uses. Marketing Science, 1995, 14(3): 79-88.

[9] Rogers, E. M.. Diffusion of Innovations. Free Press, 2003

[10] Chen, Y., Xie, J.. Online Consumer Review: Word-of-Mouth as a New Element of Marketing Communication Mix. Management Science, 2008, 54(3): 477-491.

[11] Liu, Y.. Word of Mouth for Movies: Its Dynamics and Impact on Box Off i ce Revenue. Journal of Marketing, 2006, 70(3): 74-89.

[12] 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.

[13] Clemons, E. K., Gao, G. G., Hitt, L. M.. When Online Reviews Meet Hyperdifferentiation: A Study of the Craft Beer Industry.Journal of Management Information Systems, 2006, 23(2): 149-171.

[14] Dellarocas, C., Zhang, X. M., Awad, N. F.. Exploring the Value of Online Product Reviews in Forecasting Sales: The Case of Motion Pictures. Journal of Interactive Marketing, 2007, 21(4):23-45.

[15] Duan, W., Gu, B., Whinston, A. B.. Do Online Reviews Matter:An Empirical Investigation of Panel Data. Decision Support Systems, 2008, 45(4): 1007-1016.

[16] 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.

[17] 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.

[18] Chintagunta, P. K., Gopinath, S., Venkataraman, S.. The Effects of Online User Reviews on Movie Box Off i ce Performance: Accounting for Sequential Rollout and Aggregation across Local Markets. Marketing Science, 2010, 29(5): 944-957.

[19] Zhu, F., Zhang, X.. Impact of Online Consumer Reviews on Sales: The Moderating Role of Product and Consumer Characteristics. Journal of Marketing, 2010, 74(2): 133-148.

[20] Moe, W. W., Trusov, M.. The Value of Social Dynamics in Online Product Ratings Forums. Journal of Marketing Research,2011, 48(3): 444-456.

[21] Sun, M.. How Does the Variance of Product Ratings Matter?Management Science, 2012, 58(4): 696-707.

[22] 龚诗阳, 刘霞, 刘洋. 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.

[23] 龚诗阳, 刘霞, 赵平. 线上消费者评论如何影响产品销量——基于在线图书评论的实证研究. 中国软科学, 2013, (6): 171-183.

[24] Rui, H., Liu, Y., Whinston, A.. Whose and What Chatter Matters? The Effect of Tweets on Movie Sales. Decision Support Systems, 2013, 55(4): 863-870.

[25] Gopinath, S., Chintagunta, P. K., Venkataraman, S.. Blogs,Advertising, and Local-market Movie Box Off i ce Performance.Management Science, 52013, 9(12): 2635-2654.

[26] 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? Journal of Marketing, 2013,77(6): 37-53.

[27] Baker, A. M., Donthu, N., Kumar, V.. Investigating How Wordof-Mouth Conversations about Brands Influence Purchase and Retransmission Intentions. Journal of Marketing Research, 2016,53(2): 225-239.

[28] Villanueva, J., Yoo, S., Hanssens, D. M.. The Impact of Marketing-Induced Versus Word-of-Mouth Customer Acquisition on Customer Equity Growth. Journal of Marketing Research, 2008,45(1): 48-59.

[29] Onishi, H., Manchanda, P.. Marketing Activity, Blogging and Sales. International Journal of Research in Marketing, 2012,29(3): 221-234.

[30] Fossen, B. L., Schweidel, D. A.. Television Advertising and Online Word-of-Mouth: An Empirical Investigation of Social TV Activity. Marketing Science, Forthcoming, 2016.

[31] Berger, J., Schwartz, E. M.. What Drives Immediate and Ongoing Word of Mouth? Journal of Marketing Research, 2011, 48(5):869-880.

[32] Lovett, M. J., Peres, R., Shachar, R.. On Brands and Word of Mouth. Journal of Marketing Research, 2013, 50(4): 427-444.

[33] Aravindakshan, A., Naik, P. A.. How Does Awareness Evolve When Advertising Stops? The Role of Memory. Marketing Letters, 2011, 22(3): 315-326.

[34] Miniard, P. W., Bhatla, S., Rose, R. L.. On the Formation and Relationship of Ad and Brand Attitudes: An Experimental and Causal Analysis. Journal of Marketing Research, 1990: 290-303.

[35] Olney, T. J., Holbrook, M. B., Batra, R.. Consumer Responses to Advertising: The Effects of Ad Content, Emotions, and Attitude toward the Ad on Viewing Time. Journal of Consumer Research,1991, 17(4): 440-453.

[36] Brown, S. P., Stayman, D. M.. Antecedents and Consequences of Attitude toward the Ad: A Meta-analysis. Journal of Consumer Research, 1992, 19(1): 34-51.

[37] Naik, P. A., Mantrala, M. K., Sawyer, A. G.. Planning Media Schedules in the Presence of Dynamic Advertising Quality.Marketing Science, 1998, 17(3): 214-235.

[38] Chatterjee, P., Hoffman, D. L., Novak, T. P.. Modeling the Clickstream: Implications for Web-based Advertising Efforts. Marketing Science, 2003, 22(4): 520-541.

[39] Manchanda, P., Dubé, J.-P., Goh, K. Y., Chintagunta, P. K.. The Effect of Banner Advertising on Internet Purchasing. Journal of Marketing Research, 2006, 43(1): 98-108.

[40] Hoban, P. R., Bucklin, R. E.. Effects of Internet Display Advertising in the Purchase Funnel: Model-based Insights from a Randomized Field Experiment. Journal of Marketing Research,2015, 52(3): 375-393.

[41] Lewis, R. A., Reiley, D. H.. Online Ads and Off l ine Sales: Measuring the Effect of Retail Advertising Via a Controlled Experiment on Yahoo! Quantitative Marketing and Economics, 2014,12(3): 235-266.

[42] Kolsarici, C., Vakratsas, D.. Category-Versus Brand-Level Advertising Messages in a Highly Regulated Environment. Journal of Marketing Research, 2010, 47(6): 1078-1089.

[43] Bruce, N. I.. Pooling and Dynamic Forgetting Effects in Multitheme Advertising: Tracking the Advertising Sales Relationship with Particle Filters. Marketing Science, 2008, 27(4): 659-673.

[44] Campbell, M. C., Keller, K. L.. Brand Familiarity and Advertising Repetition Effects. Journal of Consumer Research, 2003,30(2): 292-304.

[45] Erdem, T., Keane, M. P., Sun, B.. A Dynamic Model of Brand Choice When Price and Advertising Signal Product Quality.Marketing Science, 2008, 27(6): 1111-1125.

[46] Pechmann, C., Stewart, D. W.. Advertising Repetition: A Critical Review of Wearin and Wearout. Current Issues and Research in Advertising, 1988, 11(1-2): 285-329.

[47] Duan, W., Gu, B., Whinston, A. B.. Informational Cascades and Software Adoption on the Internet: An Empirical Investigation.MIS Quarterly, 2009, 33(1): 23-48.

[48] Martin, J., Barron, G., Norton, M. I.. Choosing to be Uncertain:Preferences for High Variance Experiences. London Business School Trans-Atlantic Doctoral Conference, 2007.

[49] Meyer, R. J.. A Model of Multiattribute Judgments under Attribute Uncertainty and Informational Constraint. Journal of Marketing Research, 1981, 18(4): 428-441.

[50] Zhang, X. X. M.. Tapping into the Pulse of the Market: Essays on Marketing Implications of Information Flows. Massachusetts Institute of Technology, 2006.

[51] Trusov, M., Bucklin, R. E., Pauwels, K.. Effects of Word-of-Mouth Versus Traditional Marketing: Findings from an Internet Social Networking Site. Journal of Marketing, 2009, 73(5): 90-102.

[52] Mahajan, V., Muller, E., Bass, F. M.. New Product Diffusion Models in Marketing: A Review and Directions for Research.Diffusion of Technologies and Social Behavior. Springer, 1991.

[53] Li, X., Hitt, L. M.. Self-selection and Information Role of Online Product Reviews. Information Systems Research, 2008, 19(4):456-474.

[54] Greene, W. H.. Econometric Analysis (6. Ed). Upper Saddle River, NJ: Pearson Prentice Hall, 2008.

[55] Fossen, B. L., Schweidel, D. A.. Television Advertising and Online Word-of-Mouth: An Empirical Investigation of Social TV Activity. Marketing Science, 2016, 36(1): 105-123.

[56] Arellano, M., Bond, S.. Some Tests of Specif i cation for Panel data:Monte Carlo Evidence and an Application to Employment Equations. The Review of Economic Studies, 1991, 58(2): 277-297.

注释

① 我们与人人游戏公司达成了保密协议，因此在文中不能泄露这5款游戏的具体名称。

② 资料来源：http://tech.hexun.com/2013-08-14/157066028.html；http://tech.huanqiu.com/comm/2013-09/4370119.html。

③ 根据国际货币基金组织2011年鉴，以美元在美国的购买力=1为购买力评价指数的基准，中国（人民币）为1.550，中国台湾（新台币）为1.879，菲律宾（菲比索）为1.837，泰国（泰铢）为1.742，马来西亚（林吉特）1.666，新加坡（新元）为1.213，越南（越盾）为2.447。首先，计算东南亚地区货币的平均购买力评价指数，即东南亚货币=(1.837+1.742+1.666+1.213+2.447)/5=1.781。然后，将广告投入费用按照相应地区的购买力评价指数进行转换，即广告投入费用（评价后）=广告投入费用（评价前）×当地货币指数/人民币指数。

④ 图中所采用的数据经过取自然对数的变换。其中，口碑差异为线上评论的方差取对数，这一变换会使数值介于0和1之间的方差变为负值。因此，图2c中带表口碑差异的实线会在一些数值上出现负值。

⑤ 来自人人游戏公司内部的市场调研结果。

⑥ 来自人人游戏公司对公司内部和国内其他手机游戏产品的统计结果。

⑦ 另一种回归方法是在同一个回归模型引入代表不同时期（引入期、成熟期和衰退期）的哑变量，然后将哑变量与自变量建立交互项后回归，以观察和比较不同时期的系数是否存在差异。我们同样采用此方法进行了稳健性检验，得出了相同的结果。由于篇幅所限，稳健性检验的结果未在正文中汇报。如有对稳健性检验感兴趣的读者，可来信索要结果。

⑧ 此处我们采用同期的因变量和自变量进行回归分析。此外，考虑到广告和口碑的影响可能会出现一定滞后性，我们还采用了自变量的一期滞后变量对方程（4）进行回归，以验证回归结果的稳健性。一期滞后变量的回归结果与同期变量的回归结果一致。

⑨ 我们采用表9第（6）列的模型进行回归分析，即去掉了Geoi这个结果不显著的地区的哑变量。

⑩ 图中口碑效应的数值为lnVolit、lnValit、lnVarit三个变量的系数之和，以反映网络口碑在这三个维度上的叠加效应。由于引入期lnValit和lnVarit两个变量的系数估计结果不显著，我们将这两个系数值设为0。