近年来，数字平台通过促进创作者和消费者的直接交易，打破了传统市场中多层级式的中间渠道，降低了市场交易成本和搜索成本，实现去中介化经营。然而，随着平台规模和个人创作者规模的扩大，大量的信息处理和筛选工作增加了消费者的搜索成本，平台仍面临如何促进创作者和消费者交易的管理挑战。为了改善平台匹配绩效，一些平台允许代理商代表个人创作者和消费者进行互动和交易，即代理商在平台中扮演着中间商的角色。代理商的出现，可能会对其代表的创作者有声誉溢出效应，而这种溢出效应在当前的研究中仍存在空白。本期文章《Reputation Spillover from Agencies on Online Platforms: Evidence from the Entertainment Industry》利用二手数据分析，探究了代理商声誉对创作者声誉的影响，为平台中的声誉机制建立和管理提供实践启示。

01 研究背景和研究问题

尽管数字平台使得产品的生产和销售更加容易，但随着平台规模的扩大，市场拥挤程度逐渐上升，创作者面临如何在拥挤的市场中脱颖而出的差异化挑战，消费者面临较高的搜索成本和较高的产品不确定性的痛点问题，平台管理者面临如何改善匹配绩效、减少交易摩擦的管理挑战。尤其是对体验型产品而言这类问题更严重，因为体验型产品的质量难以标准化和规范化。为了应对上述问题，已有研究探究了声誉系统、推荐系统、在线评论等策略的影响，但这些策略都有不足。为了克服这些不足，部分数字平台允许代理商代理特定的产品和服务，对此，本文提出以下三个研究问题：当声誉较低（或较高）的创作者与声誉较高（或较低）的代理商合作时，会发生什么呢？这种异质的代理商声誉溢出如何影响数字市场中的不同创作者？这样的溢出是对称的还是不对称的？

02理论和假设

本文共提出三个研究假设。

H1：在数字市场中，代理商通过声誉溢出影响产品的成功：一个代理的声誉越好，声誉溢出就越有利。

假设推导：代理商可以通过与创作者签订合同以及认可创作者的产品和服务来促进产品质量信号传递的过程，因此代理商的声誉对创作者的声誉有积极的溢出效应。同一个产品而言，声誉水平越高的代理商，能够有产生更多的积极的溢出效应。

H2：声誉差的代理商对声誉好的创作者的伤害比对声誉较差的创作者的伤害更大。

H3：声誉较好的代理商对声誉较差的创作者的好处要大于声誉较好的创作者。

假设推导：根据认知理论来看，一般情况下，消费者期望声誉高的代理商和声誉高的创作者合作，声誉低的代理商和声誉低的创作者合作。然而声誉低的创作者（代理商）可能会想和声誉高的代理商（创作者）合作，从而提高实现产品成功的可能性。结合期望不一致理论，当代理商和创作者的合作与消费者期望的不一致时，消费者表现更强烈。一方面声誉差的代理商对声誉好（vs.声誉差）的创作者有更强的负面作用。另一方面声誉好的代理商对声誉差（vs.声誉好）的创作者有更强的积极作用。

03研究方法与发现

本文以在音乐行业为研究情景，分析该行业MusicShare平台的二手数据。该研究情景有三个特点，一是产品属于体验型产品，消费者对质量的感知非常依赖于信号的传递。二是音乐创作者之间难以进行差异化比较。三是平台要求创作者需要和代理商合作共同推出产品（即音乐）。作者收集的数据集中包含10,925位创作者信息，以及他们在20个月时间里创作的超过158,948首歌曲，以及相关联2,733家代理商信息。作者创建了日度的产品层面的面板数据，创建了是否进入畅销榜、代理商声誉、创作者声誉等核心变量。其中，是否进入畅销榜为因变量，用于衡量歌曲的绩效表现。代理商声誉使用代理商历史歌曲中进入畅销榜的数量来衡量。创作者声誉使用创作者历史歌曲中进入畅销榜的数量来衡量。作者使用双向固定效应模型进行分析。

图1 (Reference: Kokkodis et al, 2023, p743, Table 2)

04 结论与启示

数字平台通过直接连接创作者和消费者，提高了市场效率，减少了市场交易摩擦。但通过这种去中介化的运营也加剧了一些市场问题。例如，产品很难在拥挤的市场中脱颖而出。本文通过关注代理商声誉对创作者声誉的溢出效应，进一步探究了代理商声誉对创作者声誉和绩效的影响，为平台声誉机制设计提供理论及实践启示。

参考文献：Kokkodis, M., Adamopoulos, P., and Ransbotham, S. 2023. “Reputation Spillover from Agencies on Online Platforms: Evidence from the Entertainment Industry,” MIS Quarterly (47:2), pp. 733–770.

文章链接：https://doi.org/10.25300/MISQ/2022/17432

作者信息：

Marios Kokkodis

Position: Staff (IC6) Data Scientist - Machine Learning Tech Lead at Meta

Site: http://kokkodis.com/

Research Interest: Predictive Modeling, Recommender Systems, Personalization, Causal Inference, A/B testing, Deep Learning, Reinforcement Learning, and NLP.

Panagiotis Adamopoulos

Position: Assistant Professor at the Goizueta Business School of Emory University

Site: https://pages.stern.nyu.edu/~padamopo/?ref=emory

Research Interest: Social Media, Information Systems, Recommender Systems, Social Commerce, Word of Mouth, Internet of Things, Econometrics, Machine Learning, Big Data, Data Science

Sam Ransbotham

Position: Professor of Business Analytics at the Boston College Carroll School of Management

Site: https://www.bc.edu/bc-web/schools/carroll-school/faculty-research/faculty-directory/sam-ransbotham.html

E-mail: sam.ransbotham@bc.edu

Research Interest: IT security; artificial intelligence; and the strategic use of IT