1. 引言
对消费者的网络购买行为可以从两个维度去看待，即个体和总体，因为总体的消费者网络购买行为更具有代表性所以在大多数对消费者网络购买行为的研究中把总体维度作为研究的视角以商品销量作为测度的变量[1]-[5]。消费者在进行网络购物时，常常依赖于他人的评论来获取关于产品的真实信息，这些评论为他们提供了宝贵的购买参考。然而，在线评论的内容和性质复杂多样，既包括对产品的正面评价，也包含对产品的负面反馈。这也引发了众多学者结合在线评论对消费者购买行为进行研究，张佳琦等[6] (2018)通过对当当网小说销量的研究，发现在线评论数量和特征对销量有显著正向影响。霍红和张晨鑫[7] (2018)探讨了在线评论质量丰富度对异质性产品购买行为的影响，发现高质量评论对购买行为有正向作用，尤其在功能性和享乐性产品之间表现出不同的影响机制。赵曼琳[8] (2018)强调评论数量和质量对网络购买消费者决策的重要性。孟静[9] (2018)指出真实有效的评论内容、差评以及图片视频上传显著影响购买决策，卖家回复也增强了评论的有用性。邱凌凡[10] (2019)表明消费者浏览和信任在线评论与购买行为呈正相关。王亚萍[11] (2020)研究了在线评论特征对冲动性购买的影响，发现评论数量、质量等对冲动性购买有显著影响。陈卓[12] (2020)分析了在线评论和感知有用性对购买行为意向的影响，强调评论类型和商品类型的重要性。史学谦[13] (2022)研究了新产品在线评论的关注度，发现其在新品推广中至关重要。王佳[14] (2024)基于使用和满足理论，分析了在线评论对购买意愿的影响，发现在线评论及其各维度均对购买意愿有积极影响，且心理意向质量和品牌信任在其中起到显著中介作用。研究表明，尽管正面评论通常数量较多，但由于负面偏好现象，消费者对负面评论更加敏感，负面评论在购买决策中发挥着关键作用。负面评论不仅会直接影响消费者对产品和品牌的信任度和购买意愿，还会通过增加感知风险、延迟决策等方式，进一步抑制消费者的购买行为。然而很少有研究提到负面评论对消费者网络购买行为的正面作用。
本文使用主成分分析的方法旨在系统地探讨在线评论，如何调节和影响消费者的网络购买行为，并且考虑了负面评论所起到的正面作用，为企业制定更有效的在线评论管理策略提供理论依据和实践指导。通过这一研究，期望能够深入揭示在线评论对消费者行为的复杂影响机制，促进电子商务环境下的消费者信任和满意度提升。
2. 消费者网络购买行为分析
消费者购买行为是指消费者在选择、购买和使用产品或服务过程中所表现出来的各种行为和决策。了解消费者购买行为可以帮助企业优化产品设计、市场推广策略、销售渠道和客户服务，从而提高市场竞争力和客户满意度[15]。消费者的购买决策过程包括问题识别、信息搜索(内部搜索和外部搜索)、评价替代品、购买决策和购买后行为。影响消费者购买行为的主要因素包括个人因素(如年龄、性别、收入、教育水平、职业等人口统计特征以及个性、态度、动机、价值观、生活方式等心理特征)、社会因素(如家庭成员的意见和建议、朋友、同事、社交圈等的影响，以及社会文化、亚文化、社会阶层等文化背景)、营销因素(如产品的特性、品牌、包装、设计，产品的价格策略、折扣、促销，销售渠道的选择和便利性，如线上购物和实体店购买，以及广告、公关活动和销售推广等促销手段) [16]。购买行为可以分为以下几种类型：复杂购买行为是指消费者在购买高价位或重要产品时，通常会进行详细的调查和比较，如购车、买房等。习惯性购买行为是指消费者习惯于购买某一品牌或类型的产品，如日常用品、食品等。冲动性购买行为是指消费者在无计划的情况下受到某些因素的刺激而产生的购买行为，如促销、折扣等。寻求多样性购买行为是指消费者希望尝试不同品牌或类型的产品以获得新体验，如尝试新口味的食品、新款式的服装等。
在进行网络购物时在线评论对消费者线上购买行为有着显著影响。它增强了信息透明度，提供了关于产品实际使用情况的详细信息和真实反馈，比产品描述更具可信度。在线评论影响购买决策，正面的评论增强信任，负面的评论增加风险感知。此外，在线评论的社会影响力也不容忽视，大量正面评论和高评分起到社会证明作用，高影响力评论者的评价更能显著影响购买决策[12]。在线评论还为产品改进提供建议，通过用户反馈帮助企业提升产品质量，并带来创新灵感。在客户服务和品牌形象方面，积极回应评论能提升服务形象和消费者忠诚度，维护品牌声誉。在线评论促进二次购买和推荐，满意的消费者更可能留下积极评论并再次购买或推荐给他人。
3. 在线评论对消费者购买行为的影响机理
3.1. 在线评论丰富程度对消费者购买行为的影响
网络购物的虚拟性加剧了买卖双方间的信息不对称性也就是消费者在购买产品时，掌握的信息不如卖家充分和准确，这会增加消费者的购买风险和不确定性，所以消费者需要在其购买行为发生前进行更多的信息搜索，以降低其购买决策过程中的不确定性。在网络中众多的信息来源中，在线评论由于其独特的非商业性质和内容与商品和服务质量的高度相关性，已经成为消费者购买前进行信息搜索的首选渠道[17]。在线评论的非商业性质体现在它们主要来自于先前购买者的真实评价，而不是由商家提供的广告或推广信息。这使得评论内容更加客观、公正，消费者能够获取到更为真实可靠的产品使用体验和反馈。与此同时，在线评论通常包含了大量关于商品和服务质量的具体细节，包括优缺点、使用方法、效果评价等。这些详细的信息使得消费者能够更全面地了解产品，降低购买决策的不确定性。因此，在众多的信息来源中，消费者更倾向于依赖在线评论来获取购买前所需的关键信息，从而做出更明智的购买决策。在线评论的丰富程度是指评论的多样性和详细程度，包括纯文本、图片和视频等形式，提供了关于产品的全面信息。
丰富的在线评论通过详细描述产品的优缺点、使用方法等，显著减少了信息不对称，增强了消费者对产品的信任感。而随着电子商务的发展在线评论的呈现出多样性的趋势，在线评论丰富程度对消费者购买行为的影响也备受关注。纯文本评论提供详细的产品信息和使用建议，帮助消费者了解产品的各个方面。虽然纯文本评论能提供大量信息，但缺乏直观的视觉感受，可能影响消费者的理解和感知深度。图片评论通过直观的视觉呈现，让消费者更直观地了解产品的外观、细节和实际使用效果，增强评论的可信度，使消费者更容易验证产品与描述的一致性，进一步减少信息不对称。视频评论能够动态展示产品的功能和使用过程，提供更全面的产品性能信息，并通过更强的互动性和吸引力，影响消费者的购买决策。
然而，随着刷单的出现导致在线评论所展现出来的好评率的公证效益有所降低，消费者似乎对纯文本的好评产生了质疑，对图片和视频等直观的评价则更加的信任。
3.2. 不同商品类型的调节作用
先前诸多研究已经充分证明了在线评论对消费者网络行为和商品销量的重要影响。然而，一些学者也注意到，在线评论在不同类型商品中的作用效应存在显著差异。具体来说，商品类型可以在在线评论和消费者网络购买行为的关系中起到调节作用，这意味着不同类型的商品对在线评论的依赖程度和影响方式各不相同。比如，Ren和Nickerson (2019)系统地研究了在线评论对商品销量的影响，以及实用商品和享乐商品类型的调节作用[18]。在以往研究中发现在线评论的效价(即评论的正负面评价)可以显著增加实用商品的销量。实用商品通常指那些功能性强、满足日常生活需要的商品，如家电、工具和办公用品等。这类商品的购买决策通常基于其功能性和可靠性，因此，正面的在线评论能够有效地增强消费者对商品质量的信任，从而促进销售。另一方面，在线评论的数量和情绪对于享乐商品的销量影响更大。享乐商品指那些主要用于娱乐和享受的商品，如旅游产品、奢侈品和游戏设备等。对于这类商品，消费者的购买决策更多受到情感和主观体验的驱动。因此，大量积极的情绪评论能够营造出一种产品受欢迎和值得体验的氛围，进而激发消费者的购买欲望和冲动。我们可以看到，在线评论在不同类型商品中的影响机制是复杂且多样的。实用商品和享乐商品之间的这种差异，反映了消费者在面对不同购买情境时的心理和行为变化。
由于对不同的商品消费者的购物需求不同所以消费者在购买实用商品前，通常会进行更多的信息搜索，以便对商品的功能和质量有清晰的了解，从而尽可能做出理性购物决策。这种理性决策过程需要消费者获取详尽而准确的信息，包括产品的性能、耐用性、使用体验等。正因为如此，消费者在购买实用商品前，更倾向于阅读大量的评论，特别是视频评论，这些评论能够提供更直观和深入的产品信息，帮助消费者做出明智的选择。相比之下，享乐商品更多地用于满足消费者的主观情感需求，因此消费者的信息搜索需求通常比较弱。这类商品的购买决策往往受到情感驱动，消费者更注重即时的感受和体验，而不是详细的功能和质量分析。尽管在线评论对享乐商品的销量也有影响，但这种影响主要体现在评论的情绪和数量上，而不是评论的详细程度。从消费者个体来看，消费者在购买实用商品前会花更多时间阅读视频评论和追加评论。从总体来看，丰富的在线评论，尤其是包含详细描述和真实体验的评论，可以显著增加消费者对实用商品的信任感和购买意愿，最终促进销量增长。对于享乐商品，虽然评论的数量和情绪也能影响销量，但这种影响的强度和直接性通常不如实用商品。
在本文中也考虑两种商品的调节作用，但为了避免不同商品之间带来的差异性，在两种商品中选择周边商品代表享乐商品，家用小电器代表实用商品，并且为了减轻价格优势所带来的影响，在选择各类别商品时筛选同一价格区间的商品进行分析。
3.3. 负面评论对消费者购买行为的影响
负面评论对消费者购买行为有显著的影响，负面评论会直接影响消费者对产品和品牌的信任度和购买决策。首先，当消费者在浏览产品评论时，负面评论的高占比会削弱他们对产品的信任感，认为负面评论比例高的产品可能存在质量问题或使用体验不佳，从而降低购买意愿，并倾向于选择负面评论比较少的替代产品。其次，负面评论通常反映了产品的缺陷、不良体验或潜在风险，当负面评论比例高时，消费者会感知到购买该产品的风险增加，包括产品质量问题和售后服务差等，从而进一步抑制购买行为[18]。面对高占比的负面评论，消费者往往会延迟决策，进行更深入的信息搜索和比较，可能花更多时间查找额外的评论、寻求朋友或家人的意见，或查看其他平台的评价，这种延迟行为可能导致最终放弃购买该产品。此外，高比例的负面评论不仅影响单一产品的销售，还可能对品牌整体形象产生负面影响，消费者可能将对某一产品的不满情绪延伸到品牌的其他产品上，从而降低品牌的整体吸引力和市场竞争力。在负面评论中，如果消费者看到关于售后服务差的反馈，他们会特别关注购买后的支持和保障问题，这可能会增加他们对售后服务政策和质量的关注，甚至成为最终是否决定购买的重要因素。负面评论的高占比还可能通过口碑传播影响潜在消费者，社交媒体和在线社区的广泛传播，使得负面评论的影响不仅限于看到评论的消费者，还可能扩散到更广泛的受众，进一步影响品牌声誉和产品销量。在负面评论比例高的情况下，正面评论的作用相对减弱，即使有正面的评价和推荐，消费者也可能认为这些正面评论不足以弥补负面评论所反映的问题，从而减少对正面评论的参考价值。
由于负面偏好现象的存在，消费者在其网络购买过程中会对负面评论更加敏感，负面评论的比例、质量、位置都被证明可以影响到消费者决策，但很少对其负面评论产生的原因对消费者购买行为产生的作用进行研究。先前的研究表明，消费者在撰写在线评论时，倾向于产生积极评论，因此商品的正面评论数量通常远大于负面评论数量[19]。然而，由于负面偏好现象的存在，人们对负面信息更加敏感。在浏览在线评论时，消费者往往会特别关注负面评论，并试图了解这些评论背后的原因。当消费者阅读负面评论时，他们会尝试将这些评论归因于外部原因或评论者的主观原因。外部原因可能包括物流问题、客服态度等与商品质量无关的因素，而评论者的主观原因则可能包括评论者的个人偏好、使用方法不当等。同样与商品质量无关。研究发现，当消费者将负面评论归因于评论者的主观态度时，这些负面评论不会对消费者的网络购买行为产生显著影响。具体来说，如果消费者认为负面评论是由于评论者的主观因素导致的，如评论者对产品的期望过高或使用不当等，他们会认为这些负面评论并不代表产品的实际质量和性能。因此，这类负面评论对他们的购买决策影响较小，消费者仍有可能选择购买负面评论较多的商品。然而，为了确保这些负面评论确实是由主观原因或外部原因引起的，消费者通常会在做出购买决策之前阅读更多的在线评论。他们会仔细分析正面和负面评论的内容，以便更全面地了解产品的实际情况。这一过程使得消费者能够区分哪些负面评论是可以忽略的，从而减轻负面评论对其购买行为的影响。因此，尽管消费者对负面评论较为敏感，但他们在阅读和分析评论时会进行归因判断[19]。如果他们认为负面评论并非由于产品本身的问题，而是外部因素或评论者主观态度导致的，那么这些负面评论对他们的购买决策影响就会减少。最终，消费者可能仍会购买这些负面评论较多的商品，但他们在购买前需要花费更多时间阅读和分析评论，以确认负面评论的真正原因。通过这种方式，消费者能够在复杂的信息环境中做出更为理性的购买决策，减少负面评论对其网络购买行为的不利影响。同时，这也表明了在线评论的重要性，不仅是正面评论，负面评论也在影响消费者决策过程中发挥着关键作用。
3.4. 在线评论对消费者购买行为产生影响的概念模型
消费者在进行购买行为的决策之前会进行信息收集的过程，在网络购物之中则体现为对商品在线评论的阅读，这个过程降低了消费者的决策风险增加了对网络商品的信任度。在进行在线评论阅读时，消费者对图片和视频形式的评论以及负面的评论更为敏感。这正从两个方面加深了在线评论的丰富度。图1展示了在线评论对消费者购买行为产生影响的概念模型。
Figure 1. Probability model of online comment richness on consumers’ online shopping behavior
图1. 在线评论丰富度对消费者网络购物行为概率模型
4. 主成分分析
数据来源于淘宝网页数据，对50个商品的店铺好评率，在线评论数量，包含视频和图片评论数量、差评数量以及差评原因和该商品的销量进行了收集并用于主成分分析。对数据的适用性进行KMO (Kaiser-Meyer-Olkin)和Bartlett的球形度检验见表1。
Table 1. KMO and Bartlett tests
表1. KMO和Bartlett的检验
KMO值 |
0.676 |
Bartlett球形度检验 |
近似卡方 |
134.106 |
df |
15 |
p值 |
0 |
KMO值达到0.676，表明样本数据适合进行主成分分析(PCA)。Bartlett的球形度检验的近似卡方值为134.106，自由度为15.0，对应的p值为0.0，显著性水平远低于0.05，这进一步支持了数据的多维结构性。
由表2可知，第一个主成分具有3.136的特征根，解释了52.275%的方差，累积解释率达到52.275%。第二个主成分的特征根为1.304，解释了21.732%的方差，累积解释率增至74.007%。这表明前两个主成分已解释超过74%的总方差，显示了数据集中的显著信息集中在这两个维度上。
Table 2. Variance interpretation rate table
表2. 方差解释率表格
编号 |
特征根 |
主成分提取 |
特征根 |
方差解释率% |
累积% |
特征根 |
方差解释率% |
累积% |
1 |
3.136 |
52.275 |
52.275 |
3.136 |
52.275 |
52.275 |
2 |
1.304 |
21.732 |
74.007 |
1.304 |
21.732 |
74.007 |
3 |
0.967 |
16.119 |
90.125 |
- |
- |
- |
4 |
0.291 |
4.843 |
94.968 |
- |
- |
- |
5 |
0.189 |
3.15 |
98.118 |
- |
- |
- |
6 |
0.113 |
1.882 |
100 |
- |
- |
- |
Table 3. Load factor table
表3. 载荷系数表格
名称 |
载荷系数 |
共同度(公因子方差) |
主成分1 |
主成分2 |
商品类别 |
0.658 |
−0.608 |
0.802 |
包含视频的评论数量 |
0.895 |
0.275 |
0.877 |
总体在线评论评分 |
−0.584 |
0.742 |
0.891 |
在线评论总数量 |
0.849 |
0.354 |
0.847 |
负面评论原因 |
−0.258 |
−0.369 |
0.203 |
负面评论数量 |
0.879 |
0.217 |
0.82 |
备注：表格中数字若有颜色：蓝色表示载荷系数绝对值大于0.4，红色表示共同度(公因子方差)小于0.4。
如表3，载荷系数表格显示了各个变量在主成分上的载荷。例如，“包含视频的评论数量”在第一主成分上的载荷系数为0.895，表明它与第一主成分高度相关。而“总体在线评论评分”在第二主成分上的载荷系数为0.742，显示了其与第二主成分的强烈关联。
Table 4. Linear combination coefficient matrix
表4. 线性组合系数矩阵
名称 |
成分 |
成分1 |
成分2 |
商品类别 |
0.372 |
−0.532 |
包含视频的评论数量 |
0.505 |
0.241 |
总体在线评论评分 |
−0.33 |
0.65 |
在线评论总数量 |
0.48 |
0.31 |
负面评论原因 |
−0.146 |
−0.323 |
负面评论数量 |
0.497 |
0.19 |
如表4，线性组合系数矩阵提供了变量与主成分之间的具体线性关系。例如，“在线评论总数量”在第一主成分的系数为0.48，第二主成分的系数为0.31，这表明该变量在两个主成分上都有显著的贡献。得分具体算法如下：
成分得分1 = 0.372 * 商品类别 + 0.505 * 包含视频的评论数量 − 0.330 * 总体在线评论评分 + 0.480 * 在线评论总数量 − 0.146 * 负面评论原因 + 0.497 * 负面评论数量；
成分得分2 = −0.532 * 商品类别 + 0.241 * 包含视频的评论数量 + 0.650 * 总体在线评论评分 + 0.310 * 在线评论总数量 − 0.323 * 负面评论原因 + 0.190 * 负面评论数量。
图2中碎石图用于辅助判断主成分提取个数，当拆线由陡峭突然变得平稳时，陡峭到平稳对应的主成分个数即为参考提取主成分个数。第一主成分具有最高的特征根值，接近3.14，这表明它在所有
Figure 2. Lithotripsy diagram
图2. 碎石图
主成分中占据主导地位，解释了数据中最大的方差部分。第二主成分的特征根值为1.30，虽然低于第一主成分，但仍然具有显著的解释能力。从第三主成分开始，特征根值逐渐减小，直至第六主成分的0.11，这表明随着主成分序号的增加，它们对数据方差的解释能力逐渐减弱。
Table 5. Linear combination coefficient and weight results
表5. 线性组合系数及权重结果
名称 |
主成分1 |
主成分2 |
综合得分系数 |
权重 |
特征根 |
3.136 |
1.304 |
|
|
方差解释率 |
52.27% |
21.73% |
商品类别 |
0.3716 |
0.5322 |
0.4187 |
18.17% |
包含视频的评论数量 |
0.5053 |
0.241 |
0.4277 |
18.56% |
总体在线评论评分 |
0.3299 |
0.6495 |
0.4237 |
18.39% |
在线评论总数量 |
0.4796 |
0.3103 |
0.4299 |
18.66% |
负面评论原因 |
0.1455 |
0.3231 |
0.1977 |
8.58% |
负面评论数量 |
0.4965 |
0.1901 |
0.4066 |
17.64% |
由表5可知我们关注综合得分系数和权重，这些指标反映了各个变量在主成分分析中的重要性。例如，“包含视频的评论数量”的综合得分系数为0.4277，权重为18.56%，这表明它在解释数据变异性方面具有相对较高的贡献度。
图3为我们提供了一个直观的视角，用以观察变量在主成分空间中的分布。从图中可以看出，总体在线评论评分与第一主成分呈现强烈的正相关性，位于载荷图的右侧，接近1.00的位置。这表明消费者对产品或服务的整体评价是影响市场反馈的一个关键正面指标。同时，在线评论总数量和包含视频的评论数量也位于第一主成分的正方向上，尽管它们的载荷值较低，但仍然表明评论的数量和视频内容的包含对消费者满意度有一定的正向影响。商品类别与第一主成分呈现负相关，位于载荷图的左侧，这可能表明某些商品类别可能与消费者的负面感知相关联。
Figure 3. Load diagram
图3. 载荷图
5. 结论
在线评论在电子商务中扮演着至关重要的角色，它们不仅作为消费者评估产品或服务质量的关键市场信号，而且深刻影响着消费者的购买决策。通过主成分分析(PCA)，我们发现在线评论的数量和质量是影响消费者行为的两个主要维度。数量上的丰富性为消费者提供了足够的信息来源，而高质量的评论则提供了深度和可靠性。这两个维度的结合，显著地解释了消费者行为的方差，显示出评论在消费者决策过程中的核心作用。以下是得出的结论：
1. 消费者越来越倾向于信赖那些能够提供直观体验的媒体评论，尤其是视频评论。这类评论通过展示产品的使用场景和效果，帮助消费者更全面地了解产品，从而在心理上构建起信任感。视频评论的这种直观性，使得消费者能够在没有实际体验产品的情况下，对其有一个较为准确的预期。
2. 高质量的评论通过提供详细的产品描述、使用感受和客观评价，有效地降低了消费者的风险感知。这种降低风险的作用促进了消费者对卖家和产品的信任，进而增强了他们的购买意愿。高质量的评论往往包含了对产品优点的详细描述，以及对潜在问题的公正评价，这样的平衡视角有助于消费者做出更为理性的购买决策。
3. 负面评论虽然在表面上看似对购买行为有抑制作用，但在某些情况下(评论产生原因不是因为商品本身)，它们也能激发消费者对产品的购买意愿。并且人们对负面评论的敏感度更高，可以利用差评来有效的展示商品数据和质量。
消费者的购买行为是一个动态过程，受多种因素影响。通过综合分析在线评论的多维度特征及其对消费者网络购买行为的影响，为管理在线评论提出了以下建议：
1. 强化正面评论的激励机制：鉴于正面评论对消费者购买行为的显著正向影响，电子商务平台应建立激励机制，鼓励消费者分享他们的正面购买体验。这可以通过积分奖励、优惠券发放等形式实现，以增加平台上的正面评论数量。
2. 优化评论展示机制：平台应设计智能的评论展示算法，确保高质量评论得到优先展示。同时，应提供多样化的评论筛选和排序选项，帮助消费者从不同角度了解产品，降低信息筛选成本。
3. 建立负面评论的积极应对策略：负面评论虽然可能抑制消费者的购买意愿，但它们也为产品改进提供了宝贵反馈。平台应引导卖家积极响应负面评论，提供合理的解释或补救措施，以转化为提升服务质量和产品改进的机会。
4. 提高评论的真实性和可信度：针对刷单和虚假评论的问题，电子商务平台需要采取技术手段和管理措施，如加强用户身份验证、采用机器学习算法识别异常评论行为等，确保评论的真实性。
5. 加强评论内容的监管和引导：平台应制定明确的评论发布规则，引导消费者发布更有建设性和参考价值的评论。同时，应加强对恶意评论和不当言论的监管，营造积极健康的在线购物环境。
通过实施上述建议，企业可以更有效地管理在线评论，提升消费者购物体验，增强消费者信任，最终促进企业的长期发展和市场竞争力。