龔 璇，黃敏學

1 華中農(nóng)業(yè)大學 經(jīng)濟管理學院, 武漢 430070

2 武漢大學 經(jīng)濟與管理學院, 武漢 430072

引言

隨著移動互聯(lián)網(wǎng)技術(shù)的發(fā)展，應(yīng)用產(chǎn)品創(chuàng)新面臨技術(shù)競爭挑戰(zhàn)的同時還需要面對需求多變的市場挑戰(zhàn)，因此越來越多的開發(fā)商通過快速更新迭代的創(chuàng)新方式獲取用戶數(shù)據(jù)資源[1]，實現(xiàn)持續(xù)創(chuàng)新。問題是海量的用戶數(shù)據(jù)是否可以為產(chǎn)品創(chuàng)新賦能，快速創(chuàng)新與用戶反饋在動態(tài)的創(chuàng)新過程能否形成良性循環(huán)，實現(xiàn)持續(xù)創(chuàng)新。相關(guān)研究認為產(chǎn)品開發(fā)的關(guān)鍵就是快[2-3]，尤其是快速學習用戶評論知識和快速響應(yīng)用戶評論中的需求信息[4]，然而已有關(guān)于應(yīng)用產(chǎn)品創(chuàng)新速度的實證研究并沒有得出一致結(jié)論。一個可能的原因是，已有不多的研究關(guān)注創(chuàng)新速度對結(jié)果變量的單向影響。事實上，應(yīng)用產(chǎn)品創(chuàng)新速度與結(jié)果之間存在復雜的動態(tài)關(guān)系，以應(yīng)用產(chǎn)品的更新速度也即創(chuàng)新速度與用戶評論之間關(guān)系為例，創(chuàng)新速度影響用戶評論，但這一關(guān)系也可能反過來，即用戶評論作為一種信息資源影響產(chǎn)品的創(chuàng)新速度。MILLS et al.[5]認為，產(chǎn)品的這種非線性的更新迭代是圍繞用戶需求和產(chǎn)品價值增長的動態(tài)迭代過程。但卻鮮有探討創(chuàng)新速度、用戶需求和產(chǎn)品價值在持續(xù)的創(chuàng)新過程中到底如何迭代，如果不對這一迭代關(guān)系進行充分的探討，將無法充分理解開發(fā)商基于用戶反饋對應(yīng)用產(chǎn)品持續(xù)創(chuàng)新的動態(tài)機理，將錯誤指導開發(fā)商對應(yīng)用產(chǎn)品的更新迭代策略。

1 相關(guān)概念定義和研究評述

1.1 應(yīng)用產(chǎn)品創(chuàng)新

應(yīng)用產(chǎn)品是指在特定開發(fā)平臺上設(shè)計運行的軟件應(yīng)用產(chǎn)品[6-7]。這里的平臺包括瀏覽器(如火狐等)、移動應(yīng)用市場(如App store 和Google Play 等)和社交平臺(如微博和微信小程序等)。應(yīng)用產(chǎn)品創(chuàng)新是指基于已有應(yīng)用產(chǎn)品發(fā)布更新的產(chǎn)品版本[8-9]，通常版本的更新包括4 個類型：①主更新是指提供新增內(nèi)容或新功能的更新[10]；②無新增內(nèi)容的更新，如修補bug 或漏洞等[11]；③商業(yè)更新，如在產(chǎn)品內(nèi)部新增促銷或折扣信息等；④組合更新，一般指包括以上任何兩種類型的更新。其中，第1 種更新類型更有利于應(yīng)用產(chǎn)品在競爭市場獲得相對優(yōu)勢[11]。參考已有研究[9]，本研究將應(yīng)用產(chǎn)品創(chuàng)新定義為應(yīng)用產(chǎn)品的第1 類更新，即基于已有應(yīng)用增加新的功能或新的特性，應(yīng)用產(chǎn)品創(chuàng)新速度(以下簡稱創(chuàng)新速度)指應(yīng)用產(chǎn)品在進行第1 類更新時的速度。

不同于突破性創(chuàng)新和漸進性創(chuàng)新等分類方法，應(yīng)用產(chǎn)品創(chuàng)新通過多次更新有效響應(yīng)用戶需求，實現(xiàn)創(chuàng)新突破，與突破性創(chuàng)新相比更強調(diào)創(chuàng)新過程的持續(xù)性，與漸進性創(chuàng)新相比更強調(diào)創(chuàng)新過程中用戶對產(chǎn)品價值的輸入[9]。已有研究將應(yīng)用產(chǎn)品的創(chuàng)新模式歸納為敏捷創(chuàng)新模式[4](或迭代創(chuàng)新模式[12-13])，敏捷創(chuàng)新的關(guān)鍵在于對接外部的用戶資源[5,14]。類似地，在響應(yīng)用戶的基礎(chǔ)上，基于創(chuàng)新過程的短周期性，敏捷創(chuàng)新多以連續(xù)逼近的產(chǎn)品迭代逐漸釋放產(chǎn)品價值[3]，強調(diào)基于臨近期創(chuàng)新結(jié)果(如用戶反饋)的動態(tài)學習和策略性調(diào)整。可見應(yīng)用產(chǎn)品創(chuàng)新的關(guān)鍵在于持續(xù)的獲取和學習更多有價值的用戶知識，并將這些用戶知識以最小的成本轉(zhuǎn)化為令人滿意的產(chǎn)品。

已有關(guān)于應(yīng)用產(chǎn)品創(chuàng)新或更新的研究，探討了創(chuàng)新或更新的速度、頻率和創(chuàng)新內(nèi)容等創(chuàng)新策略對滿意、評價、持續(xù)使用意愿和下載量等因變量的影響。FLEISCHMANN et al.[8]探究操作系統(tǒng)應(yīng)用軟件產(chǎn)品更新頻率對用戶滿意和持續(xù)使用意愿的影響；TIAN et al.[9]研究旅游類應(yīng)用產(chǎn)品創(chuàng)新內(nèi)容對用戶評價的影響；ZHOU et al.[15]和DONG et al.[16]分別研究火狐應(yīng)用和開源軟件創(chuàng)新速度對下載量和用戶興趣的影響等。涉及的理論主要包括期望確認理論和信號理論等，主要從用戶行為視角關(guān)注更新策略對用戶端結(jié)果變量的單向影響。更為相關(guān)的，關(guān)于創(chuàng)新速度，已有研究一般將應(yīng)用產(chǎn)品的創(chuàng)新速度看作開發(fā)商可控的策略變量[15-16]，但對創(chuàng)新速度的內(nèi)生性及其在持續(xù)創(chuàng)新過程與結(jié)果變量之間的聯(lián)動問題卻鮮有探討。VERGANTI et al.[17]將應(yīng)用產(chǎn)品的這種敏捷創(chuàng)新模式視為一種循環(huán)迭代的學習過程，意味著產(chǎn)品創(chuàng)新的結(jié)果可能反過來影響產(chǎn)品的創(chuàng)新策略。應(yīng)用產(chǎn)品創(chuàng)新是持續(xù)的，依據(jù)資源基礎(chǔ)觀，企業(yè)創(chuàng)新效率受到持續(xù)創(chuàng)新過程中企業(yè)資源稟賦的影響[18]，特別是在內(nèi)部知識不足以應(yīng)對變化的外部環(huán)境時，企業(yè)依賴外部知識進行創(chuàng)新[19-20]。另外，產(chǎn)品創(chuàng)新決策不僅受到用戶需求的影響，還受制于有限理性，創(chuàng)新決策者會基于如對產(chǎn)品的評分等歷史績效水平學習并做出策略調(diào)整[21]，這表明用戶評論作為一種信息資源，其數(shù)量(如評論數(shù)量)和性質(zhì)(如評分)都將影響應(yīng)用產(chǎn)品的創(chuàng)新過程。已有研究對應(yīng)用產(chǎn)品更新策略與用戶評論關(guān)系的探討還不夠充分，本研究將在消費者行為決策理論框架的基礎(chǔ)上豐富創(chuàng)新速度作為策略變量的研究，進一步基于組織學習理論框架加深對創(chuàng)新效果反向作用于創(chuàng)新速度這一聯(lián)動機制的理解。

1.2 用戶對應(yīng)用產(chǎn)品的評論：評論數(shù)量和評分

用戶對應(yīng)用產(chǎn)品的評論(以下簡稱用戶評論)指用戶在應(yīng)用產(chǎn)品平臺上提交的產(chǎn)品評論信息[22]，為了方便平臺對眾多應(yīng)用產(chǎn)品開發(fā)商的管理，以及為了讓開發(fā)商基于用戶反饋提升已有產(chǎn)品服務(wù)質(zhì)量，應(yīng)用平臺一般會提供公用的評論系統(tǒng)，如App store評分系統(tǒng)，用戶通過在評分系統(tǒng)給應(yīng)用產(chǎn)品進行評分和評論，供開發(fā)商和其他用戶參考。

用戶評論在口碑的研究中得到廣泛關(guān)注[4]，口碑的數(shù)量和口碑的效價或評分是口碑中最常被探究的兩個維度[23-24]。已有比較一致的觀點是評論數(shù)量和口碑數(shù)量影響產(chǎn)品的銷量、訂閱量和績效[25]，也通常被用于描述產(chǎn)品的曝光度和知名度[26-27]。同時，評分通常被認為與用戶對產(chǎn)品的滿意度、聲譽和質(zhì)量績效相關(guān)[28-30]，這使評論數(shù)量和評分常被作為產(chǎn)品創(chuàng)新和病毒營銷的結(jié)果變量進行探討。也有研究認為用戶評論作為創(chuàng)新的關(guān)鍵來源影響應(yīng)用產(chǎn)品創(chuàng)新策略[4]，但鮮有研究從資源的視角探討評論對創(chuàng)新策略的影響。已有研究發(fā)現(xiàn)評論數(shù)量影響開發(fā)商響應(yīng)用戶需求的敏捷性策略[4]，然而相關(guān)結(jié)果是否能夠推廣到創(chuàng)新速度的情形卻不清楚。也有研究探討質(zhì)量績效對新產(chǎn)品推出速度的影響[29]，但傳統(tǒng)企業(yè)創(chuàng)新的研究結(jié)果是否能夠推廣到單個產(chǎn)品的迭代創(chuàng)新也不明確。由于用戶評論既是量化產(chǎn)品創(chuàng)新效果的關(guān)鍵指標，又是應(yīng)用創(chuàng)新的信息來源，因此有必要對評論數(shù)量和評分與創(chuàng)新速度之間的關(guān)系展開詳細分析。

2 理論基礎(chǔ)

2.1 創(chuàng)新速度與用戶評論的動態(tài)關(guān)系

VERGANTI et al.[17]將應(yīng)用產(chǎn)品的創(chuàng)新模式視為一種動態(tài)迭代的過程，但鮮有研究從實證的角度對這一迭代關(guān)系進行探討，圖1 給出本研究變量之間的關(guān)系。

圖1 產(chǎn)品創(chuàng)新的動態(tài)過程Figure 1 Dynamic Process of the Product Innovation

(1)創(chuàng)新速度對用戶評論數(shù)量和評分的影響。關(guān)于評論數(shù)量，本研究主要基于兩個原因推測提高產(chǎn)品創(chuàng)新速度能夠增加供開發(fā)商學習的用戶評論數(shù)量。①應(yīng)用產(chǎn)品更新給用戶帶來利益[8]，如新的產(chǎn)品功能和體驗。但更新也給用戶帶來些許負面體驗，如產(chǎn)品使用流暢性被破壞，但相關(guān)研究認為開發(fā)商能夠主動規(guī)避這類問題[8]。因此，一般來說更新對于用戶便意味著得到收益。②對多數(shù)免費的應(yīng)用產(chǎn)品，已有研究主要基于互惠動機解釋用戶發(fā)表評論的行為機制[31]，即當應(yīng)用產(chǎn)品更新給用戶帶來新的功能或體驗時，用戶出于互惠互利對產(chǎn)品進行評論和打分。因此，本研究推測在控制其他條件的情況下，提高創(chuàng)新速度能夠增加用戶對產(chǎn)品的利益感知，從而導致評論數(shù)量增加。關(guān)于評分，本研究認為創(chuàng)新速度對產(chǎn)品的整體評價有積極影響。期望確認理論認為，當用戶感受到的實際產(chǎn)品體驗大于用戶對產(chǎn)品的期望時，用戶對產(chǎn)品產(chǎn)生滿意情緒[32-33]。當更新給用戶帶來的負面影響可以被忽略時，對用戶而言更新就等同于預期之外的收益[8]。根據(jù)期望確認理論，提高創(chuàng)新速度將增加用戶對產(chǎn)品的積極期望確認，從而促進用戶對產(chǎn)品的滿意程度，增加用戶對產(chǎn)品的評分。因此綜合看，本研究推測應(yīng)用產(chǎn)品的創(chuàng)新速度對評論數(shù)量和評分都具有積極的影響。

(2)評論數(shù)量和評分對創(chuàng)新速度的影響。用戶評論是應(yīng)用產(chǎn)品創(chuàng)新的重要資源，能夠有效指導開發(fā)商創(chuàng)新[1]。雖然增加的海量評論給開發(fā)商內(nèi)部的數(shù)據(jù)分析管理帶來挑戰(zhàn)，但大量評論比少量評論對創(chuàng)新更加有利，評論數(shù)量的增加強化了開發(fā)商響應(yīng)用戶需求的動機。已有研究表明用戶評論的豐富性促進開發(fā)商產(chǎn)生更有創(chuàng)新的想法[34]，對多樣化市場知識的理解能激勵開發(fā)商發(fā)掘潛在的市場需求[35]。此外，評論數(shù)量通常與產(chǎn)品的流行和知名度相關(guān)[36]。資源基礎(chǔ)觀認為開發(fā)商需要足夠的資源克服現(xiàn)有挑戰(zhàn)，充分利用海量評論進行創(chuàng)新，隨著評論數(shù)量的增加，更高的產(chǎn)品知名度和流行度將為開發(fā)商帶來更多的資源，這將有助于開發(fā)商克服現(xiàn)有挑戰(zhàn)，更高效地響應(yīng)用戶需求。因此，本研究推測評論數(shù)量的增加有助于開發(fā)商更高效地響應(yīng)用戶需求，促進應(yīng)用產(chǎn)品的創(chuàng)新速度。

從開發(fā)商角度看，產(chǎn)品的評分也被看作產(chǎn)品的質(zhì)量績效[29]?？冃Х答伬碚撟鳛榻M織學習的重要分支，認為產(chǎn)品項目管理者的決策受制于有限理性，會基于自身績效水平和期望的高低改變決策[21]，這里的績效水平也包括產(chǎn)品的質(zhì)量績效(如評分)。當評分也即質(zhì)量績效低于期望績效時，開發(fā)商會啟動問題搜索途徑提高績效，當績效高于期望水平時，開發(fā)商會基于冗余搜索途徑維持現(xiàn)狀[37]。在決定期望績效時，開發(fā)商一般會參考歷史績效[38]。此時，在動態(tài)更新過程中，當評分降低時，開發(fā)商可能改變以往策略提升產(chǎn)品質(zhì)量。相關(guān)研究認為，產(chǎn)品創(chuàng)新速度與質(zhì)量之間具有均衡關(guān)系，創(chuàng)新速度的增加通常伴隨著產(chǎn)品質(zhì)量的下降[38]。因此，當產(chǎn)品的質(zhì)量績效下降，則可能通過降低創(chuàng)新速度來保證產(chǎn)品質(zhì)量。當評分增加時，開發(fā)商更可能基于冗余資源來維持績效[37]。有別于基于財務(wù)績效的非沉淀冗余資源，質(zhì)量績效給開發(fā)商帶來了口碑和聲譽，是一種難以流動的沉淀冗余資源[39]。研究表明，沉淀冗余資源促進企業(yè)將冗余資源向內(nèi)部研發(fā)轉(zhuǎn)移，這將有助于產(chǎn)品創(chuàng)新和縮短產(chǎn)品的更新周期[39]。因此，本研究推測評分的增加也將有助于應(yīng)用產(chǎn)品的創(chuàng)新速度。

(3)應(yīng)用產(chǎn)品創(chuàng)新過程中評論數(shù)量與評分之間的關(guān)系。已有研究關(guān)于評論數(shù)量與評分之間關(guān)系的探討并不多，主要基于電影行業(yè)數(shù)據(jù)探究口碑的作用。有的研究探究口碑數(shù)量對效價的影響，但究竟如何影響卻不明確，有的研究認為評論數(shù)量導致更多積極的口碑[26]。KHARE et al.[40]的研究表明，口碑數(shù)量導致口碑效價的強化和吸收，即相對于低口碑數(shù)量，高口碑數(shù)量能使積極的評論更積極，消極的評論更消極。但評論數(shù)量與評分是否在持續(xù)更新過程中體現(xiàn)出相似的作用機制并不清楚。除此之外，產(chǎn)品創(chuàng)新中變量之間的動態(tài)性還表現(xiàn)在變量本身可能受到前期水平的影響，如有的研究從評分對產(chǎn)品質(zhì)量的診斷效應(yīng)與用戶之間的社會影響進行探討，發(fā)現(xiàn)當前評分受到前期評分的影響[41]。因此，本研究將對創(chuàng)新速度、評論數(shù)量和評分在持續(xù)創(chuàng)新過程中的滯后性進行系統(tǒng)的探討。

2.2 應(yīng)用產(chǎn)品類型對創(chuàng)新速度與用戶評論之間關(guān)系的影響

已有研究表明創(chuàng)新知識的特質(zhì)與創(chuàng)新行為具有相關(guān)性[42]，應(yīng)用產(chǎn)品創(chuàng)新的關(guān)鍵在于基于海量用戶反饋獲取有價值的需求信息，而用戶對不同類型產(chǎn)品的需求乃至產(chǎn)品決策過程具有差異，用戶不同的需求將影響開發(fā)商實施的創(chuàng)新策略[43]，進一步，由于用戶對不同類型產(chǎn)品決策具有差異，很可能反過來影響開發(fā)商創(chuàng)新策略的效果。創(chuàng)新速度作為應(yīng)用產(chǎn)品創(chuàng)新的重要策略之一[9]，有必要探究由不同類型產(chǎn)品導致的創(chuàng)新速度與用戶評論之間關(guān)系的差異性。根據(jù)消費者購買產(chǎn)品基本需求的不同，產(chǎn)品被分為享樂型和功能型兩種產(chǎn)品類型[44]。享樂型產(chǎn)品主要指能夠給消費者帶來情感性、感官享受和體驗性的產(chǎn)品，如應(yīng)用分類下的游戲等。相對于享樂型產(chǎn)品，功能型產(chǎn)品主要指能夠給消費者提供功能性、工具性以及有實際功能和使用價值的產(chǎn)品，如應(yīng)用分類中的日常工具等[44]。本研究將應(yīng)用產(chǎn)品也分為享樂型和功能型，擬研究創(chuàng)新速度與用戶評論之間關(guān)系在享樂型應(yīng)用產(chǎn)品與功能型應(yīng)用產(chǎn)品上的差異。具體來說，對于重點滿足用戶享樂性、感官偏好的游戲類產(chǎn)品，用戶對產(chǎn)品的決策(如評分和評論行為)可能受到一些難以評估的社會性因素的影響，這將影響開發(fā)商創(chuàng)新過程的不確定性，因此有必要探究由不同類型產(chǎn)品導致的評論數(shù)量和評分對創(chuàng)新速度的影響差異。也正因為用戶對享樂型應(yīng)用產(chǎn)品決策過程存在個人偏好性，導致在理解創(chuàng)新速度與用戶評分之間的關(guān)系，以及用戶評論數(shù)量與評分之間的關(guān)系時具有一定的復雜性，因此本研究也進一步檢驗不同類型產(chǎn)品下，創(chuàng)新速度對用戶評論的影響，以及評分數(shù)量與評論之間的關(guān)系。

(1) 本研究推測，相對于功能型應(yīng)用產(chǎn)品，享樂型應(yīng)用產(chǎn)品的評論數(shù)量對創(chuàng)新速度的正向影響更加明顯。CANDI et al.[43]認為，相對于開發(fā)商對功能型應(yīng)用產(chǎn)品的主要創(chuàng)新，如對某文字編輯應(yīng)用在新增錄音功能、語音轉(zhuǎn)換文字等功能上的創(chuàng)新，開發(fā)商對享樂型應(yīng)用產(chǎn)品投入的成本更低，且創(chuàng)新風險也更低，如對游戲應(yīng)用在背景音樂、故事情景和角色應(yīng)用上的創(chuàng)新。創(chuàng)新風險能負向調(diào)節(jié)研發(fā)投入與創(chuàng)新速度的關(guān)系[45]，這表明當創(chuàng)新風險較高時，開發(fā)商需要克服知識管理的困難，利用海量的用戶知識進行創(chuàng)新，需要的研發(fā)投入也越多。因此本研究認為，相對于功能型應(yīng)用產(chǎn)品，享樂型應(yīng)用產(chǎn)品的評論數(shù)量對創(chuàng)新速度的正向影響更加明顯。

(2)評論內(nèi)容的差異導致評分在影響創(chuàng)新速度時的差異。對于享樂型應(yīng)用產(chǎn)品，用戶評論受到用戶主觀偏好、社會存在和社會影響等外在的不穩(wěn)定社會因素的影響[43]，這些因素更易導致決策者將績效與外部不穩(wěn)定因素相關(guān)聯(lián)，當決策者將績效歸因于外部不穩(wěn)定因素時，產(chǎn)品項目管理者很難將任務(wù)績效與行為或策略上的努力相關(guān)聯(lián)[46]。從決策歸因視角看，在管理者將績效進行外部歸因時，管理者對低評分的容忍度會增強，進而削弱評分對創(chuàng)新速度的影響。在高評分情形下，績效的外部歸因?qū)е聸Q策者不太傾向于將高產(chǎn)品質(zhì)量與內(nèi)部研發(fā)努力相關(guān)聯(lián)。特別在決策者進行冗余搜尋時，開發(fā)商更可能將高質(zhì)量作為組織容錯能力信號[30]，此時，相對于將冗余資源向內(nèi)部研發(fā)轉(zhuǎn)移，開發(fā)商更可能基于降低創(chuàng)新速度尋找維持高質(zhì)量的因素。因此本研究推測，在對享樂型應(yīng)用產(chǎn)品進行創(chuàng)新時，評分與創(chuàng)新速度可能存在負相關(guān)關(guān)系。而對于功能型應(yīng)用產(chǎn)品，評分主要反映了質(zhì)量和效用信息，開發(fā)商更容易將創(chuàng)新的質(zhì)量與自身的技術(shù)水平等內(nèi)在、穩(wěn)定的因素掛鉤[43]，這將加強評分與創(chuàng)新速度的正向關(guān)系。

(3)享樂型應(yīng)用產(chǎn)品的創(chuàng)新速度對評論數(shù)量和評分的影響。前面提到，應(yīng)用產(chǎn)品快速創(chuàng)新帶來更多評論的原因之一是因為通過更頻繁的交互，給用戶帶來更多的產(chǎn)品體驗，用戶基于互惠和期望確認的機制給產(chǎn)品更多的評論數(shù)量和更高的評分[31]。這里隱含的一個前提是，每次更新都能給用戶帶來積極的體驗。但本研究認為這一前提并非一直成立，已有研究更多關(guān)心功能型應(yīng)用產(chǎn)品的創(chuàng)新問題，缺乏對享樂型應(yīng)用產(chǎn)品創(chuàng)新的考量。功能型應(yīng)用產(chǎn)品的創(chuàng)新主要服務(wù)于產(chǎn)品的垂直或質(zhì)量屬性[47]，符合用戶對垂直需求的一致性偏好，即用戶一般愿意為質(zhì)量的提升買單。而享樂型應(yīng)用產(chǎn)品的創(chuàng)新服務(wù)于感官和體驗需求的水平屬性，用戶對產(chǎn)品的評價主要依賴于主觀的自我偏好[47]，因此產(chǎn)品的更新效果不一定符合異質(zhì)的用戶偏好。因此，本研究推測對于享樂型應(yīng)用產(chǎn)品，創(chuàng)新速度對用戶的評論數(shù)量和評分都沒有顯著影響。

(4)產(chǎn)品類型影響更新過程中評論數(shù)量與評分之間的動態(tài)關(guān)系。對于功能型應(yīng)用產(chǎn)品，用戶對產(chǎn)品的購買決策更依賴于產(chǎn)品質(zhì)量，產(chǎn)品質(zhì)量遵循客觀的評價標準[47]，因此評論數(shù)量多，意味著產(chǎn)品越流行、質(zhì)量越好。而對于享樂型應(yīng)用產(chǎn)品，用戶對產(chǎn)品的價值評估不僅取決于產(chǎn)品質(zhì)量，還取決于用戶的主觀偏好，這可能導致評論數(shù)量中評分差異較大的問題[48]。這意味著享樂型應(yīng)用產(chǎn)品的評論數(shù)量與評分在持續(xù)的創(chuàng)新過程中不具備協(xié)同關(guān)系。

綜上，本研究試圖探究在應(yīng)用產(chǎn)品的持續(xù)創(chuàng)新迭代過程中，創(chuàng)新速度與用戶評論之間如何動態(tài)變化，這些變化蘊含著什么樣的演化關(guān)系，以及上述動態(tài)變化關(guān)系對于不同類型的產(chǎn)品創(chuàng)新是否具有差異。

3 研究設(shè)計

3.1 樣本選擇和數(shù)據(jù)來源

本研究的主要目的是探究創(chuàng)新速度與用戶評論特征(評論數(shù)量和評分)在應(yīng)用產(chǎn)品持續(xù)創(chuàng)新迭代過程中的動態(tài)關(guān)系，為此本研究基于App store 應(yīng)用產(chǎn)品更新和海量評論數(shù)據(jù)進行分析。蘋果應(yīng)用商店是典型的應(yīng)用產(chǎn)品平臺，由多個第三方開發(fā)商在平臺上發(fā)布應(yīng)用產(chǎn)品供蘋果產(chǎn)品終端用戶使用。App store 為開發(fā)商和用戶提供評論系統(tǒng)，評論系統(tǒng)中的用戶評論是App store 上開發(fā)商的主要用戶信息來源。使用這一數(shù)據(jù)集具有以下優(yōu)點：①提供的是典型的應(yīng)用產(chǎn)品，普及范圍廣泛，據(jù)Sensor Tower 媒體報導，2019 年第3 季度App store 上的營收數(shù)據(jù)占全球應(yīng)用產(chǎn)品營收數(shù)據(jù)的65%，并呈快速增長的趨勢。產(chǎn)品種類豐富，既包括較為傳統(tǒng)的B2B 商業(yè)技術(shù)應(yīng)用產(chǎn)品，又包括眾多類型的大眾應(yīng)用產(chǎn)品，使用的終端類型既包括移動端，也包括電腦端。因此，App store 上的產(chǎn)品數(shù)據(jù)樣本具有較好的代表性。②App store 有相對封閉的評論系統(tǒng)，能夠排除用戶使用不同系統(tǒng)進行評論和用戶反饋來源異質(zhì)性等干擾因素。因此，App store 上應(yīng)用產(chǎn)品更新數(shù)據(jù)集能夠為本研究提供較好的數(shù)據(jù)支持。

基于Python 的Scrapy 爬蟲框架，本研究獲取2015年至2018 年iOS 系統(tǒng)App store 的版本更新數(shù)據(jù)，包括每個產(chǎn)品版本更新的相關(guān)信息，如產(chǎn)品所屬分類、版本更新時間，以及對應(yīng)的評論數(shù)量和評分信息等。根據(jù)已有研究，本研究對數(shù)據(jù)進行清洗：①為了控制可能存在的內(nèi)生性問題，本研究剔除下架的應(yīng)用產(chǎn)品；②為了確保應(yīng)用產(chǎn)品的活躍性，本研究選取總版本數(shù)大于10 的應(yīng)用產(chǎn)品；③為了確保數(shù)據(jù)的完整性和分析結(jié)果的穩(wěn)健性，本研究剔除存在版本信息缺失的應(yīng)用產(chǎn)品；④為了分析享樂型和功能型應(yīng)用產(chǎn)品迭代策略的影響，本研究分別選取在游戲和系統(tǒng)工具分類下的應(yīng)用產(chǎn)品進行分組分析。參考相關(guān)研究的產(chǎn)品分類[49]，游戲類應(yīng)用主要用于娛樂體驗，被劃入享樂型應(yīng)用產(chǎn)品組；系統(tǒng)工具類應(yīng)用主要用于輔助操作系統(tǒng)功能和提升效率，被劃入功能型應(yīng)用產(chǎn)品組。通過以上篩選和數(shù)據(jù)清洗，本研究最終獲取包括271 個游戲類應(yīng)用產(chǎn)品和653 個工具類應(yīng)用產(chǎn)品，總計924 個應(yīng)用產(chǎn)品的完整的連續(xù)版本的更新數(shù)據(jù)集，構(gòu)成以產(chǎn)品名稱或產(chǎn)品序列id 號分類、以版本序號為時間變量的非平衡面板數(shù)據(jù)。

3.2 變量測量

本研究關(guān)注創(chuàng)新速度與用戶評論數(shù)量和評分之間的動態(tài)迭代關(guān)系，主要對創(chuàng)新速度、用戶評論數(shù)量和評分進行測量。已有研究一般將創(chuàng)新速度定義為特定時間內(nèi)企業(yè)創(chuàng)新活動數(shù)量或企業(yè)進行一次創(chuàng)新活動需要的時間[50]。本研究將創(chuàng)新速度定義為應(yīng)用產(chǎn)品更新一個主版本需要的時間，通過計算應(yīng)用產(chǎn)品相鄰主版本發(fā)布時間間隔的天數(shù)進行測量。評論數(shù)量是指當前版本的評論數(shù)量，通過計算應(yīng)用產(chǎn)品當前版本評論總量與前一個版本評論總量的差進行測量。評分是采用當前版本的凈增評分的平均分測量，凈增評分是指在當前版本的評分中刪除前一個版本評分之后的評分。表1 給出全樣本、享樂型應(yīng)用產(chǎn)品樣本和功能型應(yīng)用產(chǎn)品樣本3 個樣本各自變量的描述性分析結(jié)果。由表1 可知，樣本中應(yīng)用產(chǎn)品創(chuàng)新周期大約為72 天，平均評分為3.181 分，平均評論數(shù)量達到9 000 條以上；相對于功能型應(yīng)用產(chǎn)品，享樂型應(yīng)用產(chǎn)品的評論數(shù)量和評分都相對偏高。

表1 變量的描述性分析結(jié)果Table 1 Analysis Results for Descriptive Statistics of the Variables

3.3 模型方法

為了探究應(yīng)用產(chǎn)品的創(chuàng)新速度、評論數(shù)量和評分之間的關(guān)系，本研究采用面板向量自回歸模型(panel vector autoregressive，PVAR)解決3 個核心變量之間的動態(tài)關(guān)系。PVAR 模型最早由HOLTZ-EAKIN[51]提出，沿襲了向量自回歸(vector autoregressive，VAR)模型的優(yōu)點，即事先無需設(shè)定變量之間的因果關(guān)系，將各個變量都視為內(nèi)生變量，并分析各個變量及其滯后項對模型中其他變量的影響。相對于傳統(tǒng)VAR模型的長時序要求，PVAR 模型具有截面大、時序短的特點，其利用面板數(shù)據(jù)能夠有效解決個體異質(zhì)性問題，充分考慮個體效應(yīng)和時間效應(yīng)，該模型能夠較好地分析模型中變量之間的動態(tài)時序關(guān)系或動態(tài)影響，能較好地分析本研究問題。依據(jù)模型使用的條件，模型可計算的前提是變量序列具有平穩(wěn)性，由于本研究使用非平衡面板數(shù)據(jù)，參考已有研究，本研究采用Fisher ADF 檢驗對變量進行單位根檢驗[52]。檢驗結(jié)果拒絕原假設(shè)，p ＜0.010，即變量具有單位根，表明本研究可以利用變量值進行回歸分析。

根據(jù)研究目標，探討3 個核心變量構(gòu)成的內(nèi)生向量組之間的動態(tài)關(guān)系，構(gòu)建PVAR 模型為

其中，i為應(yīng)用產(chǎn)品；t為版本序號；j為滯后階數(shù)，j=1，…，P，P為最大滯后階數(shù)；Rev為應(yīng)用產(chǎn)品對應(yīng)版本的評論數(shù)量；Rat為應(yīng)用產(chǎn)品對應(yīng)版本的平均評分；Usp為 應(yīng) 用 產(chǎn) 品 對 應(yīng) 版 本 的 創(chuàng) 新 速 度； ?njm為m變 量在滯后j期時對n變量的影響，m= 1,2,3，n= 1,2,3，m可以等于n；f1i、f2i和f3i為與產(chǎn)品異質(zhì)性相關(guān)的固定效 應(yīng)；d1t、d2t和d3t為 時 間 固 定 效 應(yīng)； ε1i,t、 ε2i,t和 ε3i,t為殘差項，服從正態(tài)分布。為了使模型中的變量更接近正態(tài)分布，減少異方差問題，本研究將模型中創(chuàng)新速度、評論數(shù)量和評分3 個變量進行對數(shù)轉(zhuǎn)換。由于產(chǎn)品迭代周期越長表示創(chuàng)新速度越慢，因此使用產(chǎn)品迭代周期取對數(shù)后再取其相反數(shù)計算產(chǎn)品迭代的速度。對于模型滯后期的選擇，本研究根據(jù)Schwarz 信息標準(BIC)和Akaike 信息標準(AIC)設(shè)定，采用這些標準的依據(jù)是：當增加自變量階數(shù)因變量的變化很小時，選擇原自變量階數(shù)作為滯后期。最終選擇滯后期為1 的PVARX(1)模型對研究問題進行分析。參考LOVE et al.[53]的研究，需要先對模型中的內(nèi)生變量進行Helmert 轉(zhuǎn)換，該方法能使模型中的內(nèi)生變量及其滯后項滿足正交性，并將內(nèi)生變量的滯后項作為工具變量，使本研究可以基于GMM 方法對變量的參數(shù)進行估計。

本研究結(jié)合脈沖響應(yīng)函數(shù)檢驗3 個內(nèi)生變量之間的相互作用關(guān)系，即在控制其他變量的前提下，一個變量的單位變化對另一個變量變化的沖擊程度及其影響的持續(xù)周期。參考已有研究[53]，僅當PVAR 模型和脈沖響應(yīng)函數(shù)分析的結(jié)果同時顯著時，才能在一定程度上說明變量之間存在相互影響。本研究使用蒙特卡洛模擬方法對脈沖響應(yīng)函數(shù)的系數(shù)和置信區(qū)間進行擬合，參考已有研究的類似做法[54]，將脈沖響應(yīng)的重復次數(shù)設(shè)置為1 000 次，將估計系數(shù)的分位數(shù)設(shè)置為5%分位數(shù)和95%分位數(shù)，由此得到含置信區(qū)間的脈沖響應(yīng)函數(shù)圖。

4 結(jié)果分析

表2 給出基于全樣本、功能型應(yīng)用產(chǎn)品樣本和享樂型應(yīng)用產(chǎn)品樣本數(shù)據(jù)集對模型(1)中系數(shù)的估計結(jié)果，全樣本包括924 款應(yīng)用產(chǎn)品共17 017 個產(chǎn)品版本，271 款享樂型應(yīng)用產(chǎn)品有5 447 個產(chǎn)品版本，653 款功能型應(yīng)用產(chǎn)品樣本有11 570 個產(chǎn)品版本。

表2 PVAR(1)模型估計結(jié)果Table 2 Estimated Results for PVAR(1) Model

圖2 為全樣本中評論數(shù)量、評分和創(chuàng)新速度之間的脈沖響應(yīng)函數(shù)圖，子圖 (a)、(d)、(g)分別為單位評論數(shù)量的沖擊對評論數(shù)量、評分和創(chuàng)新速度的影響，(b)、(e)、(h)分別為單位產(chǎn)品評分的沖擊對評論數(shù)量、評分和創(chuàng)新速度的影響，(c)、(f)、(i)分別為單位創(chuàng)新速度的沖擊對評論數(shù)量、評分和創(chuàng)新速度的影響，圖中虛線圍成的部分表示脈沖響應(yīng)函數(shù)的置信區(qū)間。本研究將依據(jù)創(chuàng)新速度與評論之間的關(guān)系、評論數(shù)量與評分之間的關(guān)系、變量之間的滯后關(guān)系，以及由不同類型產(chǎn)品導致的變量關(guān)系差異的順序闡述PVAR(1)的分析結(jié)果。

(1)創(chuàng)新速度與評論之間的關(guān)系。①創(chuàng)新速度對評論數(shù)量和評分的影響，由表2 全樣本組的估計結(jié)果可知，創(chuàng)新速度對評論數(shù)量和評分的影響與預期基本一致。關(guān)于創(chuàng)新速度的1 階滯后項，其對當期評論數(shù)量的影響顯著為正， β = 0.161，p＜ 0.001；其對當期評分的影響也顯著為正， β = 0.010，p ＜0.050。表明前1 期創(chuàng)新速度正向影響對當期產(chǎn)品評論的數(shù)量和評分。由圖2(c)可知，創(chuàng)新速度對評論數(shù)量的沖擊能夠持續(xù)較長的周期；由圖2(f)可知，創(chuàng)新速度對評分的沖擊在中長期內(nèi)具有顯著的正向影響，在一個很短的迭代周期之后的脈沖響應(yīng)函數(shù)的置信區(qū)間不包含0。因此，結(jié)合脈沖響應(yīng)分析結(jié)果可知，創(chuàng)新速度對評論數(shù)量和評分均具有正向的影響。②評論數(shù)量和評分對創(chuàng)新速度的影響，由表2 全樣本組的估計結(jié)果可知，評論數(shù)量1 階滯后項對當期創(chuàng)新速度的影響顯著為正， β= 0.018，p＜ 0.001；評分1 階滯后項對當期創(chuàng)新速度的影響也顯著為正，β = 0.013，p＜ 0.001。由圖2(g)可知，評論數(shù)量對創(chuàng)新速度具有持續(xù)的正向沖擊，即脈沖響應(yīng)函數(shù)值都大于0，且置信區(qū)間不包含0；由圖2(h)可知，評分對創(chuàng)新速度的沖擊在短暫的不顯著之后持續(xù)為正。表明評論數(shù)量和評分對創(chuàng)新速度也具有正向影響。以上結(jié)果表明，在應(yīng)用產(chǎn)品的持續(xù)創(chuàng)新過程中，創(chuàng)新速度與用戶評論存在相互影響，且二者之間的關(guān)系是協(xié)同加強的。

(2)評論數(shù)量與評分之間的關(guān)系。結(jié)合表2 全樣本組的估計結(jié)果和圖2 可知，評論數(shù)量與評分之間具有相互影響。評論數(shù)量1 階滯后項對當期評分具有顯著正向影響， β = 0.005，p＜ 0.001，圖2(d)的置信區(qū)間不包含0，即評論數(shù)量對后期產(chǎn)品評分有積極的影響。與已有研究不同的是，評分的1 階滯后項對評論數(shù)量的影響顯著為負， β = - 0.095，p＜ 0.001，圖2(b)的置信區(qū)間不包含0。本研究認為導致該結(jié)果的可能原因是，基于應(yīng)用產(chǎn)品創(chuàng)新過程的持續(xù)性和連續(xù)性，應(yīng)用產(chǎn)品的大部分用戶屬于現(xiàn)存用戶，導致產(chǎn)品某版本的評分增加時，更可能增加現(xiàn)存用戶對當前版本的粘性，而并非通過增加額外的習慣轉(zhuǎn)換成本更新現(xiàn)有產(chǎn)品，本研究使用PVAR 模型分析的是前1 期解釋變量對當期被解釋變量的影響，因此前1 期產(chǎn)品用戶評分增加可能導致用戶更愿意保留使用當前版本，減少用戶升級產(chǎn)品，進而減少對升級產(chǎn)品的評論數(shù)量。但對這部分解釋的證明并非本研究關(guān)注的重點，因此未對這一推測進行驗證。

圖2 脈沖響應(yīng)函數(shù)圖(全樣本, 95%置信區(qū)間)Figure 2 Impulse Response Function Plots (Total Sample, with 95% Confidence Intervals)

(3)檢驗變量之間的滯后效應(yīng)。由表2 全樣本的估計結(jié)果可知，當期評論數(shù)量受到前1 期評論數(shù)量的影響， β = 0.986，p＜ 0.001；當期評分受到前1 期評分的影響， β = 0.908，p＜ 0.001，這也可以理解為變量的慣性效應(yīng)；創(chuàng)新速度也具有顯著的正向滯后影響， β =0.267，p＜ 0.001；在圖2(i)中也顯示了創(chuàng)新速度的滯后效應(yīng)。需要注意的是，滯后效應(yīng)的存在并不意味著創(chuàng)新速度、評論數(shù)量和評分在創(chuàng)新過程中持續(xù)增加，如表2 全樣本組中評分對評論數(shù)量的沖擊顯著為負，β= - 0.095，p＜ 0.001，表明評分與評論數(shù)量在動態(tài)創(chuàng)新過程中存在制約機制，對于這一點的解釋暫不展開詳細論述。創(chuàng)新速度、評論數(shù)量和評分的滯后效應(yīng)僅意味著在其他條件不變的情況下，應(yīng)用產(chǎn)品前1期版本的創(chuàng)新速度、評論數(shù)量和評分越高，后續(xù)的創(chuàng)新速度、評論數(shù)量和評分也越高，即變量在前后迭代周期具有一定的相關(guān)性。

(4)由不同類型產(chǎn)品導致的創(chuàng)新速度與用戶評論之間關(guān)系的的差異。本研究分別對享樂型應(yīng)用產(chǎn)品和功能型應(yīng)用產(chǎn)品進行回歸分析。由表2 可知，享樂型應(yīng)用產(chǎn)品創(chuàng)新速度的增加對評論數(shù)量和評分的沖擊無顯著影響。由于功能型應(yīng)用產(chǎn)品的脈沖響應(yīng)函數(shù)圖與全樣本差異不大，這里僅給出享樂型應(yīng)用產(chǎn)品樣本中評論數(shù)量、評分和創(chuàng)新速度之間的脈沖響應(yīng)函數(shù)圖，見圖3。由圖3(c)和圖3(f)可知，脈沖響應(yīng)函數(shù)的置信區(qū)間包含0。以上結(jié)果支持前文的觀點，表明對于享樂型應(yīng)用產(chǎn)品，創(chuàng)新速度與用戶評論的協(xié)同作用可能失效。

從享樂型應(yīng)用的評論數(shù)量和評分對創(chuàng)新速度的影響看，由表2 可知，享樂型應(yīng)用產(chǎn)品樣本中，評論數(shù)量1 階滯后項對創(chuàng)新速度有顯著的正向影響， β =0.029，p＜ 0.001；由圖3(g)可知，脈沖響應(yīng)函數(shù)的置信區(qū)間不包含0。功能型應(yīng)用產(chǎn)品樣本中，評論數(shù)量1階滯后項對創(chuàng)新速度有顯著的正向影響， β = 0.018，p＜0.001。綜上，享樂型應(yīng)用產(chǎn)品前期評論數(shù)量對當期創(chuàng)新速度的影響程度明顯大于功能型應(yīng)用產(chǎn)品，支持前文的觀點。同時，享樂型應(yīng)用產(chǎn)品樣本中，評分對創(chuàng)新速度的影響顯著為負，β = -0.186，p＜ 0.001，圖3(h)中脈沖響應(yīng)函數(shù)的置信區(qū)間不包含0，表明當享樂型應(yīng)用產(chǎn)品的評分增加時，開發(fā)商可能降低創(chuàng)新速度維持高評分，與前文的預期一致。

圖3 脈沖響應(yīng)函數(shù)圖(享樂型應(yīng)用產(chǎn)品樣本, 95%置信區(qū)間)Figure 3 Impulse Response Function Plots (Hedonic Product Sample, with 95% Confidence Intervals)

由表2 可知，兩種類型應(yīng)用產(chǎn)品的評論數(shù)量與評分之間的關(guān)系與前文總樣本的分析結(jié)果基本一致，評論數(shù)量的1 階滯后項對當期評分均有顯著的正向影響。為了驗證不同類型產(chǎn)品的評論數(shù)量與評分之間關(guān)系的差異，本研究關(guān)注評分對評論數(shù)量的影響。對于享樂型應(yīng)用產(chǎn)品，評分的1 階滯后項對當期評論數(shù)量的影響不顯著，且圖3(b)中評分變化對評論數(shù)量無明顯沖擊，脈沖響應(yīng)函數(shù)的置信區(qū)間包含0，表明由于用戶對享樂型應(yīng)用產(chǎn)品的決策主要受自我偏好的影響，用戶采納和評論行為受到總體評分的影響較小，即享樂型應(yīng)用產(chǎn)品的用戶評論數(shù)量與評分之間的協(xié)同效應(yīng)被明顯削弱，與前文的預期一致。

為了進一步觀測在持續(xù)迭代期間變量之間的脈沖響應(yīng)關(guān)系，本研究采用脈沖響應(yīng)函數(shù)分析后，設(shè)置脈沖變量對響應(yīng)變量滯后1 期的影響為短期，滯后15期的影響為中期，滯后30 期為長期。表3 給出3 個期間評論數(shù)量、評分和創(chuàng)新速度之間的脈沖響應(yīng)關(guān)系。由表3 可知，創(chuàng)新速度和評分的滯后效應(yīng)具有明顯的衰減性，從短期到中期，創(chuàng)新速度的滯后效應(yīng)從0.260縮減為0.0044，評分的滯后效應(yīng)從0.192 縮減為0.034，與此同時還可以觀測到隨著迭代周期增加，其他變量之間的脈沖響應(yīng)作用也呈現(xiàn)出不同程度的衰減。

表3 沖擊變量的脈沖響應(yīng)效應(yīng)：短期、中期和長期Table 3 Response Effect of the Impulse Variables：Short-term, Medium-term and Long-term

5 結(jié)論

用戶評論作為一種信息資源，既是應(yīng)用產(chǎn)品創(chuàng)新的重要輸入，也是創(chuàng)新的輸出結(jié)果，而已有研究很少系統(tǒng)地分析應(yīng)用產(chǎn)品創(chuàng)新速度與用戶評論的相互關(guān)系。本研究結(jié)合面板向量自回歸模型和脈沖響應(yīng)函數(shù)，探究應(yīng)用產(chǎn)品創(chuàng)新速度與用戶評論之間的動態(tài)關(guān)系，研究結(jié)果表明，①在應(yīng)用產(chǎn)品的創(chuàng)新過程中，創(chuàng)新速度與用戶評論數(shù)量和評分之間存在協(xié)同加強的動態(tài)作用關(guān)系，即當應(yīng)用產(chǎn)品創(chuàng)新速度增加時，后續(xù)產(chǎn)品評論的數(shù)量和評分也隨之增加，同時，評論數(shù)量和評分的增加又反過來導致后續(xù)創(chuàng)新速度的增加，但以上協(xié)同效應(yīng)隨著創(chuàng)新周期的增加迅速衰減。②創(chuàng)新速度與用戶評論在應(yīng)用產(chǎn)品的持續(xù)創(chuàng)新過程中具有一定的自滯后性，但這種滯后效應(yīng)也隨著創(chuàng)新周期的增加呈現(xiàn)不同程度的衰減。③用戶的評論數(shù)量與評分之間也存在近似的協(xié)同效應(yīng)，具體表現(xiàn)為評論數(shù)量的增加促使后續(xù)評分的增加，但評分增加導致后續(xù)評論數(shù)量的減少。④創(chuàng)新速度與用戶評論之間的協(xié)同加強關(guān)系并非一直存在，針對不同類型應(yīng)用產(chǎn)品的創(chuàng)新過程研究發(fā)現(xiàn)，對于享樂型應(yīng)用產(chǎn)品創(chuàng)新，創(chuàng)新速度與用戶評論的協(xié)同加強關(guān)系退化；特別地，當享樂型應(yīng)用產(chǎn)品的評分增加時，后續(xù)創(chuàng)新速度反而降低，而創(chuàng)新速度的變化對后續(xù)用戶的評論數(shù)量和評分都沒有顯著影響。以上結(jié)論為應(yīng)用產(chǎn)品創(chuàng)新研究和實踐提供了豐富的理論意義和管理啟示。

5.1 研究貢獻

(1)本研究補充了應(yīng)用產(chǎn)品創(chuàng)新速度策略的相關(guān)研究。已有研究關(guān)注應(yīng)用產(chǎn)品創(chuàng)新速度對下載量、用戶興趣、滿意和持續(xù)使用等結(jié)果變量的影響，但更多將創(chuàng)新速度作為影響創(chuàng)新效果的解釋變量，較少從理論上關(guān)注模型內(nèi)變量的內(nèi)生性問題，也缺乏對變量之間動態(tài)關(guān)系的系統(tǒng)性研究。本研究從組織學習和用戶行為動機視角詳細分析了創(chuàng)新速度與用戶評論的相互影響機制，從影響創(chuàng)新速度策略的動機和能力兩方面揭示創(chuàng)新速度的內(nèi)生性問題，豐富了對應(yīng)用產(chǎn)品創(chuàng)新速度的理解?；趧討B(tài)計量模型檢驗創(chuàng)新速度與用戶評論之間的動態(tài)關(guān)系，揭示了在應(yīng)用產(chǎn)品創(chuàng)新過程中創(chuàng)新速度與評論數(shù)量和評分之間協(xié)同加強的迭代機制。

(2)本研究補充了用戶評論和口碑的相關(guān)研究。已有研究一般關(guān)注評論數(shù)量和評分對產(chǎn)品績效的影響，較少關(guān)注評論與創(chuàng)新策略之間的關(guān)系，也缺乏對評論數(shù)量與評分在持續(xù)創(chuàng)新過程中動態(tài)演化關(guān)系的探討。本研究將用戶評論看作應(yīng)用產(chǎn)品創(chuàng)新的信息資源，在ZHOU et al.[4]的研究基礎(chǔ)上進一步探究評論數(shù)量和評分與創(chuàng)新速度策略的協(xié)同關(guān)系，同時還揭示了口碑的數(shù)量與評分在應(yīng)用產(chǎn)品快速迭代過程中的協(xié)同性和滯后性。

(3)本研究拓展了對不同類型應(yīng)用產(chǎn)品的創(chuàng)新策略的研究。已有應(yīng)用產(chǎn)品創(chuàng)新的研究一般關(guān)注產(chǎn)品的技術(shù)創(chuàng)新，更多是對功能型應(yīng)用產(chǎn)品的探討。實踐中，享樂型應(yīng)用產(chǎn)品與功能型應(yīng)用產(chǎn)品的創(chuàng)新具有差異性，并且近年來享樂型應(yīng)用產(chǎn)品廣為普及，對其創(chuàng)新問題的研究亟待補充。本研究基于動態(tài)創(chuàng)新視角，豐富了對享樂型應(yīng)用產(chǎn)品迭代創(chuàng)新的研究，并基于用戶對享樂型產(chǎn)品評論過程的不穩(wěn)定因素，發(fā)現(xiàn)前面提到的協(xié)同效應(yīng)都不再存在，也揭示了快速迭代更新策略的局限性。

5.2 管理啟示

(1)根據(jù)創(chuàng)新速度與用戶評論的普遍協(xié)同強化關(guān)系，本研究向業(yè)界揭示了快速更新迭代策略的可行性，為了實現(xiàn)動機與能力相互匹配的持續(xù)快速創(chuàng)新，開發(fā)商應(yīng)從戰(zhàn)略高度重視對海量的用戶評論數(shù)據(jù)的獲取和利用，充分對接用戶資源，提升產(chǎn)品價值。

(2)本研究結(jié)果可以指導開發(fā)商基于用戶評論的啟發(fā)式信息規(guī)劃創(chuàng)新策略，評論數(shù)量與創(chuàng)新速度的協(xié)同性表明，開發(fā)商除了要主動挖掘海量評論中的用戶需求，還應(yīng)鼓勵用戶在評論中提出需求，通過與用戶建立持續(xù)的互動，保持應(yīng)用產(chǎn)品的持續(xù)創(chuàng)新。評分與創(chuàng)新速度的協(xié)同性表明，產(chǎn)品的質(zhì)量績效和持續(xù)價值創(chuàng)造是能相互轉(zhuǎn)化的，這啟示開發(fā)商在對應(yīng)用產(chǎn)品的持續(xù)創(chuàng)新過程中應(yīng)重視對質(zhì)量冗余資源的構(gòu)建和維護，如保持穩(wěn)定上升的產(chǎn)品評分或用戶滿意度，注重質(zhì)量資源向內(nèi)部研發(fā)的轉(zhuǎn)化，避免由于急功近利造成短期質(zhì)量下滑帶來的持續(xù)負面影響。

(3)基于不同類型應(yīng)用產(chǎn)品創(chuàng)新過程的差異性，啟示開發(fā)商基于用戶評論信息創(chuàng)新時理性分析用戶的評論信息，特別是享樂型產(chǎn)品的評論內(nèi)容蘊含的社會性和主觀性降低了用戶信息的創(chuàng)新價值。對此，開發(fā)商應(yīng)減少對用戶評論的依賴，特別當評分較高時，可通過適當降低創(chuàng)新速度保持穩(wěn)定持續(xù)的創(chuàng)新。

5.3 研究局限和展望

①本研究的理論部分強調(diào)了開發(fā)商對用戶評論內(nèi)容的學習，但卻并沒有精確地測量開發(fā)商學習的信息量，未來研究可以豐富研究的指標，如通過計算評論信息熵等方法加強研究的穩(wěn)健性。②本研究探究了創(chuàng)新速度與用戶評論之間的動態(tài)關(guān)系，并認為快速創(chuàng)新的關(guān)鍵機制就是充分學習外部的用戶知識，但并未就開發(fā)商學習用戶知識的內(nèi)容和程度展開詳細的探討，未來研究可以進一步關(guān)注開發(fā)商在快速創(chuàng)新過程中對用戶知識的學習程度和學習的具體內(nèi)容等因素展開探討，這需要對用戶的評論內(nèi)容和開發(fā)商的創(chuàng)新內(nèi)容進行更詳細的編碼。