2018年11月22日上午八点四十五分，中国营销工程与创新研究中心(以下简称“MEI”)2018-2019年第一学期第10次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师及MEI各位成员。

　　本次Seminar由郭瑞静研读文章《Agglomeration as a Driver of the Volume of Electronic Word of Mouth in the Restaurant Industry》。

　　以往的研究调查了电子口碑营销(eWOM)的各种驱动因素，但并没有把公司的线下竞争环境考虑进去。本文探索了这一新领域，从集聚理论的视角出发研究线下竞争环境对电子口碑数量(eWOM)的影响。具体而言，本文区分了三种类型的企业集聚，即密度聚集(density agglomeration，特定区域内的竞争者数量)、产品聚集(product agglomeration，不同商家提供的产品类型的相似性)和时间聚集(temporal agglomeration，消费时刻的重叠)。作者假设三种类型的集聚对eWOM主要影响呈倒u型，同时考虑纵向差异——质量等级对这一影响的调节作用。

　　通过对Yelp上23526名用户2005年3月至2013年1月期间在菲利克斯城市2885家餐馆发布的119177条评论进行测试，得到相关实验数据，用实证结果广泛支持提出的假设。文章的第一个模型是零膨胀负二项回归模型，验证了三种聚集程度对eWOM数量的影响以及质量的调节作用。第二个模型是Heckman两阶段模型，用来检查和纠正潜在的样本选择偏差，文章中选择的是带有签到数据的餐馆，与那些不带有签到数据的样本可能存在差异。文章同时运用了控制函数法，用来解决模型中可能出现的内生性问题，修正了质量相关效应估计中的潜在偏差，使用Angrist和Pischke(2009)的多元F统计量检验工具变量的效度。最后，运用一系列验证分析进一步证实了结果的稳定性。

　　研究结果表明，在控制了餐厅和地理(邮政编码)特征后，三种类型的集聚对eWOM都有影响，其影响的曲线都呈倒U型。惠顾效应和信息需求效应都刺激了eWOM数量的增加。然而，在高凝聚水平下，任何单个企业的eWOM数量达到峰值之后都会下降。不同集聚类型对eWOM的影响达到最大值的相对水平不同。时间集聚最高，产品凝聚最低，即时间聚集>密度聚集>产品聚集。文章解释了出现倒U型的原因，在任何聚集效应下消费者扩大他们的选择集的意愿是有限的，即选择集是有一定范围的，当选择集太大时，人们的选择成本超过了收益。最佳集聚度(eWOM数量值最大时对应的聚集度)还受质量的影响。高品质餐厅的密度集聚和产品集聚的最佳水平高于低品质餐厅，但质量不会对时间聚集的最佳水平产生太大影响。

　　至此，文章研读完毕。

　　图1 郭瑞静讲解文章

　　之后，刘通分享了python学习之神经网络，首先对卷积神经网络(CNN)进行了简单的介绍，使大家了解了CNN的结构和相关概念，通过对具体例子的讲解生动形象地展示了什么是卷机神经网络。结合python，刘通向大家展示了如何在python环境下运用神经网络，并分享了如何学习神经网络的方法。

　　同时，鄢敏锐分享了自己的研究，大家进行了激烈的探讨，提出了宝贵的意见。

　　至此，本学期第10次Seminar顺利结束。

　　文字/陈晶晶

　　供图/苏  羽

　　审核/郑仕勇

　　网站编辑 / 苏  羽