2024年12月29日下午两点，中国营销工程与创新研究中心(以下简称“MEI”)2024-2025年第一学期第13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、朱华伟老师及MEI各位成员。

　　本次Seminar由鲁欣雨研读文章:《Reputation Burning: Analyzing the Impact of Brand Sponsorship on Social Influencers》。

　　一、研究概述

　　据报道，2020 年影响者营销行业价值 60 亿美元，预计 到 2028 年将增至 848.9 亿美元(复合年增长率为 30.3%;GlobeNewswire 2021)。影响者是有效的营销人员，因为他们在社交媒体平台上 吸引了大量受众，并以专家或值得信赖的来源的形象出现， 为他们的粉丝提供信息。 他们通过创造真实、相关且有趣的 有机内容来建立声誉(Sokolova 和 Kefi 2020)。 一旦影响 者变得足够受欢迎，他们就可以通过与品牌合作创建赞助内容来从自己的声誉中获利(McQuarrie 等人，2013)。我们的研究重点是影响者在受众中的声誉，以订阅者的数量来衡量。从经验来看，关于赞助内容是否以及如何影响 影响者声誉的关键问题仍然没有答案。

　　因此，我们提出以下问题：1. 相对于发布类似的自然内容，发布赞助内容对影响者声誉(可操作为订阅者数量)有何影响(主效应)?2. 品牌赞助的影响是否会随着影响者的受众规模而变化? 如果是，可能的原因是什么? 3. 品牌赞助的影响是否会因 (a) 影响者与赞助内容之间的契合度以及 (b) 品牌的受欢迎程度而变化?。

　　二、理论框架

　　◆ 声誉

　　根据经济学理论著作，声誉是一种重要的资产，可以积累、消耗和恢复; 也就是说，声誉可以是周期性的(Liu 2011，Liu 和 Skrzypacz 2014)。 Liu(2011)将声誉动态描述为服务提供商(例如，公司或影响 者)与个体代理(例如，消费者或受众)之间的互动。 代理观察服务提供者的行为，并形成或更新关于提供 者“类型”(好名声或坏名声)的信念，这会影响代理与服务提供者进行后续交互的意愿。

　　类似地，在社交媒体上，用户观察影响者的发布行为(例如，帖子的质量和频率以及帖子是否是品牌赞助 的)，并形成或更新他们对影响者声誉的感知，这影响用户是否希望在未来与影响者交互或继续交互。感知到 影响者具有良好声誉的用户可以跟随(或继续跟随)以便“收听”影响者，而感知到影响者具有不良声誉的用 户可以通过不跟随他们或首先不跟随他们来“拒绝”影响者。直觉上，用户关注或不关注影响者的决定反映了 用户长期与影响者互动并听取影响者意见的意愿(Morton 2020)。

　　因此，影响者在累积过程中获得订阅者，类似于随着时间的推移建立声誉(Mitchell 2021)，影响者的 订阅者数量反映了他们的声誉和影响他人的能力。品牌寻找拥有众多订阅者的影响者，因为订阅者数量表明了影响者影响和说服人们的能力(Eldor 2019)，这是品牌与影响者合作的动机(Avery和Israeli 2020)。

　　◆ 影响者的受众规模

　　我们分析了受众规模，因为受众较少的影响者可能会产生更多的参与度和信任，而且他们赞助的内容 往往比受众较多的影响者的内容更真实和值得信赖(Barker 2019)。 Experti city (2016) 发现，82% 的消费者认为，如果购买推荐来自受众相对较少的有影响力的人，则值得信赖。

　　◆ 赞助内容与影响者常见内容之间的契合度

　　我们分析了契合度，因为建议高影响者-赞助契合度可以提高影响者营销信息的有效性(Avery 和Israel 2020)，而缺乏契合度会降低信息的可信度并损害影响者的可信度和可信度。 同样，名人代言文献中的匹配假设(Kirmani 和 Shiv 1998，Knoll 和 Matthes 2017)预测，更好的名人品牌契合度会带来 更积极的品牌评价和更有效的名人代言。

　　◆ 品牌知名度

　　我们分析了品牌受欢迎程度，因为一旦影响者和品牌之间形成关联联系，受众对品牌的看法可能会蔓 延到影响者身上(McCracken 1989，Batra and Homer 2004)。 此外，观看者观看赞助内容的效用可 能取决于品牌的受欢迎程度(Rochet and Tir ole 2006)，这可能会影响他们与在创建内容时以特定品牌为特色的影响者(继续)互动的意愿。 费者的购买意愿。

　　◆ 研究平台

　　我们的研究背景是YouTube，一个主要的全球影响力营销平台截至2020年，YouTube拥有21亿用户。 我们专注于美容和生活方式类别，因为它吸引了最高数量的品牌赞助(Schwemmer和Ziewiecki2018)。

　　YouTube的影响者通常根据订阅者的数量进行分类：纳米级(1,000或更少)、微型(1,000- 100000)、大型(100000 - 100万)和超级影响者(超过100万)(Sonnenberg 2021)。我们的数 据包括微观、宏观和巨型影响者。我们不包括纳米影响者，因为他们往往不经常发帖，也不太可能收到 赞助(Weber 2018)。继Hwang等人(2021)之后，我们在YouTube上收集了861位在美容和时尚类 别中具有积极影响力的人6的数据。2019年8月至2020年7月期间，我们下载了85，669个视频(约2.5 TB和900，000分钟)，这些视频是由影响者发布的。

　　◆ 数据处理

　　研究中将“赞助视频”定义为由影响者与品牌合作创建的YouTube视频。85,669个视频中有5,993 个(7.0%)是赞助的，861个影响者中有333个(38.7%)在我们的观察窗口期间发布了至少一个赞助视 频。我们将这333位网红称为“赞助网红”，其余528位称为“非赞助网红”。

　　对于示例中的每个 YouTube 视频，我们从视频的 YouTube 页面收集了观众参与度信息(观看次数、 喜欢、不喜欢和评论的数量)和视频发布信息(日期、视频长度、标题和说明)(参见示例) 。

　　我们使用机器学习模型从每个视频中提取图像、音频和语音。 为了捕捉观众对影响者的所见、所闻和所感，我们理论化并提取了可能影响观众注意力和参与度的四类 33 个变量：基本视频属性(考虑了可能影响注意力和参与度的五个变量：视频长度、场景数量、平均场景长度、语速和情绪)和影响者的情 绪和外观(Face++量化七种情绪并平均;提取了五个外观特征：性别，年龄，微笑，吸引力和面孔数 量)、声音(提取四个声音特征：响度，音高，响度变化和说话持续时间)和视觉美学(提取三个运动 特征：前景运动区域、运动幅度和运动方向;五个颜色特征：暖色调比例、饱和度、亮度、亮度对比度 和清晰度)。

　　◆ 数据处理-DFL加权

　　我们使用了 DFL 重新加权(DiNardo 等人，1996)，这是一种半参数加权方法，可以根据观察到的 特征来平衡样本。

　　DFL 重新加权方法首先根据倾向评分计算每个给定单元的样本权重(Rosenbaum 和 Rubin 1985， Rosenbaum 2002)，然后为每个单元分配权重，以消除组之间任何现有的系统差异，从而构建可比较的 治疗组和对照组。先前研究表明，与匹配方法相比，DFL 重新加权等重新加权方法的估计效率更高，且均方误差更低(Hirano et al. 2003、Firpo 2007、Austin and Stuart 2015)。

　　我们采用 DFL 方法在影响者-视频对级别上匹配样本，并确保加权处理组和对照组在广泛的影响者和 视频特征上具有可比性。对于影响者特征，我们包括每周视频发布的频率、自上次视频发布以来的天数、 频道标题的长度、自首次视频发布以来的天数、年龄、性别以及视频发布前三天影响者的声誉 。

　　DFL 加权有效地减少了数据不平衡，使得所有协变量的标准化差异的绝对值均远低于 0.2(“非常小 的数据不平衡”的通用标准)，加权样本中大约 90% 的协变量(即 41/47 变量)远低于 0.1 。因此，我 们的加权策略创建了一个匹配样本，有效减轻了原始样本中存在的协变量的显著不平衡。

　　数据处理-品牌赞助声誉影响估算器

　　Post_Reputationij 是影响者 i 在发布视频 j 后一个时期(一个时期为三天)的声誉。 如果影响者 i 的 视频 j 得到赞助，则 Sponsorshipij 等于 1; 否则为零。 兴趣系数为 β，它表示发布赞助视频 j 相对于发 布类似的有机视频对影响者 i 的声誉的主要影响。 我们还在 Controlsij 中控制了一系列广泛的因素，包括 影响者 i 的特征(例如，视频发布前三天的声誉，Pre_Reputationij)和视频 j 的特征(例如，匹配中使用 的视频特征(例如，匹配过程中使用的视频特征和受众参与变量) 。 Monthij 是月份固定效应，捕捉可 能的季节性因素(例如，观众在夏季可能更活跃)。

　　方程(2)不包括影响者固定效应，因为它们与赞助状态完全共线。在构建匹配样本时，我们从匹配 样本中排除了赞助影响者发布的有机视频。 我们还在等式(2)中控制了影响者的发布行为，包括影响者 的视频特征随时间的平均值和方差以及影响者上次发布以来的天数。 最后，我们标准化了所有视频特征并 对所有计数变量(包括声誉度量)进行了对数转换。

　　三、实验概述

　　二、实证过程

　　Study 1

　　实验目的：

　　测试发布赞助视频(与有机视频)对影响者声誉的主要影响。

　　研究方法：

　　从 2018 年 6 月 26 日到 2018 年 12 月 13 日，272 826 名客户被随机分配到两种实验条件之一。

　　研究结果：

　　治疗状态指标Sponsorshipij的估计系数为负且显著(b 0.00194, p < 0.001)，表明声誉燃烧效应，其中发布赞助视频，与发布同等的有机视频(即具有相似视频功能)相比，成本影响其订阅者的0.19%。直观地说，随着网红的粉丝群下降，他们后期视频的观看量也会减少，其他一切都保持不变。

　　Study 2

　　实验目的：

　　检验影响者受众规模的异质性效应

　　研究方法：

　　我们增加了一个交互项Post_Reputationij*Sponsorshipij到方程2的模型中。Post_Reputationij是影响者 i 在发布视频 j 之前的(对数)受众人数。交互项系数 µ 反映了受众规模对治疗效果的调节程度。影响的程度。我们收集了样本中 63,880 个匹配视频的点赞数、评论数和评论文本。的点赞数量、评论数量和评论文本。我们使用美国国家研究委员会(NRC;Mohammad and Turney 2013)的情感词典来分析评论文本中反映的情感。我们的重点是信任。

　　研究结果：

　　在表 5 中，µ 为负值且显著(b=-0.00125，p < 0.05)，表明受众越多的影响者的声誉燃烧效应越强。

　　对受众规模较大的影响者而言更为明显。也就是说，受众规模每增加 10%，影响者的声誉就会下降 10%、 影响者的声誉会额外下降 0.0125%，相当于平均处理效果的 6.32%。

　　Study 3

　　实验目的：

　　通过影响者与视频的契合度测试异质效应。

　　研究方法：

　　我们使用 doc2vec 这种无监督算法从文本中学习固定长度的特征表示(即 “嵌入")(Quoc 和 Mikolov，2014 年)，以便从标题和描述中提取描述每个视频的内容。

　　研究结果：

　　在表 6 第(1)列中，Similarityij 的系数为正且显著(μ1=0.0160，p < 0.05)，而 Similarity2 ij 的系数为负且显著(μ2=-0.0132，p < 0.05)。结果表明，影响者需要一定程度的一致内容，但过度一致会适得其反。

　　结果表明，影响者与视频契合度的调节作用在不同视频之间存在差异(U 型关系)。关系)。例如，当影响者与视频的契合度较低时(<0.63)，提高契合度会导致更负面的声誉烧毁效应(Abdra. 的负面声誉燃烧效应(Abosag 等，2020 年)。然而，一旦影响者视频拟合度超过 0.63，影响者与视频的契合度变量就会对声誉燃烧效应产生积极的调节作用(Kirmani 和 Shiv 1998)。

　　Study 4

　　实验目的：

　　测试品牌知名度的异质性效应  。

　　研究方法：

　　我们收集了Sephora.com上每个产品的价格、评级、评论量和“喜爱”数，Sephora.com是一家领先的跨国个人护理和美容产品零售商。我们根据品牌的平均“喜爱”数(反映了消费者将品牌“保存”到他们最喜欢的列表中的愿望)对品牌进行排名，并将品牌分类为不太受欢迎的品牌(最差的50%;知名度较低的品牌)和较受欢迎的品牌(前50%;知名度较高的品牌)。我们样本中的一些品牌足够新或足够小众，以至于没有出现在丝芙兰的网站上;我们把它们归类为非丝芙兰。我们控制了价格、评级和评论量，以控制品牌质量。

　　研究结果：

　　交互项Sponsorshipij·Non_Sephoraij的系数为正且显著，而Sponsorshipij·Less_Popularij在95%置信区间上不显著，但方向为正。换句话说，与名人代言研究中价值转移模型的预测(McCracken 1989)相反，如果赞助视频是针对知名度较低的品牌或小众/新品牌，则声誉燃烧效应要弱于知名度较高的品牌。这种差异可能归因于网红营销独特的品牌播种过程，这通常会严重影响订阅者的品牌发现(Carmicheal 2021)。Casal等人(2018)发现，观众喜欢小众品牌的赞助内容，因为他们可能不容易获取信息，而关于热门品牌的信息很容易找到。似乎有影响力的人比名人更能体现广告的信息作用(Ozga 1960)，观众从观看赞助内容中获得更多的效用，当它包含不太知名品牌的信息时(Rochet and Tirole 2006)。

　　二、总结与讨论

　　理论贡献

　　研究结论：与发布同等的有机视频(即具有类似视频功能)相比，发布赞助视频使影响者损失了 0.19% 的订阅者;声誉燃烧效应在受众较多的影响者中更为强烈;赞助内容与影响者 “惯常 ”内容之间的高度契合可减轻声誉燃烧效应;当品牌知名度较低时，声誉燃烧效应可减轻。赞助内容与影响者 “惯常 ”内容之间的高度契合减轻了声誉燃烧效应;当品牌知名度较低时，声誉燃烧效应也会减轻。

　　我们的研究从经验上验证了一些关于社会影响者的理论著作的基本假设 的基本假设(Fainmesser 和 Galeotti，2021 年;Mitchell，2021 年)。我们还为新兴的影响者视频广告研究做出了贡献，这是影响者营销的最新形式。

　　最后，我们与名人代言文献(Sternthal et al.

　　Rifon 2012)进行了有价值的比较。虽然名人代言可能会从与更知名的品牌合作中获益更多，但我们发现，声誉烧毁效应的影响并不明显。

　　我们发现，当赞助帖子的主角是知名度较低的品牌时，声誉受损效应会得到缓解、

　　这凸显了受众期望社交影响者发挥的独特的信息作用。

　　管理意义

　　本研究对影响者、品牌和社交媒体平台都具有管理意义。

　　对于有影响力的人来说，我们对发布赞助视频效果的估算提供了一个基线，有影响力的人可以据此评估赞助提议中的隐性经济权衡。对影响者而言，我们对发布赞助视频效果的估算提供了一个基准，影响者可以据此评估赞助提议中隐含的经济权衡。建议 影响者发布的赞助内容与其一贯风格一致(即高契合度)，且赞助品牌知名度较低。2.

　　对于品牌来说，我们的研究结果可以作为选择影响者的参考。我们的结果表明，品牌应招募那些平时的内容与要推广的产品密切相关(即高契合度)的影响者。

　　对平台而言，我们提醒，影响者与品牌合作的日益盛行可能会威胁受众的长期参与。平台可考虑向发布赞助视频的影响者收费，类似于广告货币化。平台还可以提醒影响者注意赞助的风险，并鼓励他们发布有机内容。平台还可以提醒影响者赞助的风险，鼓励他们发布有机内容，从而减少对影响者失去信任的活跃用户的流失。影响者的信任，从而减少平台上活跃用户的流失。

　　局限与展望

　　本文并非没有局限性。

　　首先，为了确保有机和赞助发布的样本量足够大，我们只纳入了顶级和活跃的影响者。

　　其次，我们无法访问 YouTube 的推荐算法，因此无法全面研究该算法是否会影响视频浏览量，进而影响有影响力者的后续(取消)订阅。视频浏览量，进而影响影响者的后续(非)订阅。

　　此外，我们没有考虑影响者之间的竞争;例如，一个影响者声誉的增长可能会影响另一个影响者的

　　声誉的增长可能会影响另一位影响者吸引和留住粉丝的能力。

　　最后，我们不知道注意到每个视频的赞助披露的观众比例。例如 例如，如果赞助披露出现在描述框的末尾，一些观众可能没有看到。

　　我们的研究为今后的研究提供了几个方向。首先，值得研究有影响力者的 使其长期回报最大化的最优视频发布政策。其次，未来的研究应该调查 影响者在其他类别和其他平台上的声誉燃烧效应。

　　至此，本次Seminar文章研读完毕。

　　之后，由谢晓东、陈雷、卫广宇、朱雅阁分享了最近的研究进展。针对研究中的问题，老师与同学们提出了一些建议，并且明确了进一步的研究计划。

　　至此，本学期第13次Seminar圆满结束。

　　文字/朱伊平

　　排版 /朱伊平

　　审核 / 左翎