第四章 研究結果與分析
第三節 發現與討論
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
87
第三節 發現與討論
綜合前兩節針對Netflix 和 Spotify 的模型解釋力及預測分析結果，本研究以 以下五點整理研究發現：
研究發現一：
Bass
模型應用於影音串流平台用戶成長時，非線性最小平方法為較合適之參數估計方法。
在進行模型解釋力和預測之實證分析前，必須先決定此模型檢測欲使用之參 數估計工具為何，Bass (1969)在提出 Bass 模型時以一般最小平方估計參數，以 最小誤差平方和的方式估計出創新係數、模仿係數及市場潛量，由於最小平方法 參數計算方式簡單，被廣泛地應用在後續的實證研究中；然而 Schmittlein and Mahajan (1982)提出一般最小平方法是以離散時間序列作為連續時間序列的近似，
可能產生在時間區隔上造成的估計偏誤，進而提出最大概似估計法進行參數估計，
以連續型的模型來估計模型參數不僅可以消除一般最小平方法因時間序列間斷 所造成的偏誤，也可在估計過程中計算參數的標準差，但後續 Srinivasan and Mason (1986) 認為最大概似估計法必須在估計前取得母體資料，且僅考慮抽樣 造成的誤差而忽略其他外生變數所造成的偏誤，因而提出以線性最小平方法進行 Bass 模型的參數估計，認為非線性最小平方法可以解決使用一般最小平方法無 法進行參數統計檢定的缺點，且能夠修正最大概似估計法有低估誤差的問題，但 以耐久財實證結果發現非線性最小平方法估計參數會因考慮較多的變量而導致 標準誤差值較大的狀況。
各學者對於 Bass 模型所適用之參數估計方法各自持有不同意見，而目前 Bass 模型的實證研究中亦三種參數估計方法皆有被使用，以一般最小平方法和 非線性最小平方法為大宗，參數估計之結果相當重要，是影響模型配適與否的重 大變項，然過去之實證研究大多是直接決定欲使用之參數估計方法，並未經過參 數估計方法比較之過程，因此本研究希冀透過使用上述三種參數估計方法比較 Bass 模型於影音串流平台的實證研究中較適合使用之參數估計方法，供後續之 延伸研究參考。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
由於 Bass 模型之參數具有實質意義，必須符合參數設定之數值才得以輸入 模型進行模型模擬，經本研究試算發現，將三種參數估計方法應用於 Netflix 用 戶估計時，一般最小平方法和最大概似估計法所計算出的參數不符合模型之正負 值和相對大小之設定，因此無法使用此兩項估計方法作為參數結果；至於Spotify 用戶之結果同樣顯示最小平方法估計出不適用之參數，而最大概似法與非線性最 小平方法經模型試算後，以非線性最小平方法之參數較為配適，因此於影音串流 平台的創新擴散模型分析中，非線性最小平方法為最穩定之參數估計方法。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
89
研究發現二：
Gompertz
模型適用於影音串流平台付費用戶之長期配適觀察，而附隨擴散模型適合做短期的用戶成長預測。
由第四章之分析結果得知Netflix 及 Spotify 之最適解釋模型為 Gompertz 模 型，而預測最為精準的模型為將網路使用者作為動態市場潛量的附隨擴散模型。
由於模型解釋力及預測能力之概念和作用不同，得以應用的方式也略有差異，其 中模型解釋能力的展現在於創新擴散模型可以模擬一創新產品之生命週期的走 向，屬於較長期且整體性的分析；而模型預測能力是以過去歷史數據輸入模型後，
以模型預測值推斷後幾期產品的銷售數字及成長動能，為短期且階段性的分析工 具。
因此，就影音串流平台的付費用戶而言，Gompertz 模型較適合作為長期串 流平台用戶成長趨勢之估計工具，或是使用於影音串流平台上市前觀察整體平台 服務成長趨勢的模型，Gompertz 模型在整體成長配適上有較穩定之表現；至於 附隨擴散模型則適合使用於已上市且擁有歷史用戶數據之影音串流平台，得以精 準的計算出未來短期用戶數成長的趨勢，加以研擬未來之行銷策略。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
研究發現三：影音串流平台用戶擴散之內部影響力大於外部影響。
Gompertz 模型為本研究之最適解釋模型，而 Gompertz 模型本身被歸類為一 種內部影響模型(Internal-influence model)，原因為模型中的已採用者(N)與潛在採 用者(lnK – lnN)間的互動會影響擴散效率，表示網路外部性及口碑效應為此模型 擴散之核心概念。因此，Gompertz 模型作為影音串流平台之最適解釋模型，顯示 相較於 Bass 模型考量了內部效果及外部效果對於產品擴散之影響，反而內部擴 散模型有較好的解釋力，表示影音串流平台之內部效果在用戶擴散的影響力是大 於外部效果的。
相同地，此想法亦可以從 Bass 模型和附隨擴散的創新係數和模仿係數中得 到驗證，由於這兩個模型之參數具有實質意義，其中模仿係數(q)稱為內部影響係 數，表示擴散過程會受到已採用者的影響，包含了口耳相傳效果(Word-of-mouth) 和網路外部性；而創新係數(p)指的是外部影響效果(Effect of external influence)，
意指潛在採納者受到社會群體外因素之影響而決定採納，包含了創新採用者自主 之採納行為(Effect of adoption behavior by innovators)(Bass, 1969)和大眾傳播廣告 效果(Lekvall & Wahlbin, 1973)。此研究在針對 Netflix 和 Spotify 進行用戶擴散研 究時，Bass 模型和附隨擴散模型所計算出的模仿係數始終大於創新係數，再次驗 證了影音串流平台用戶擴散的內部影響力是大於外部影響力的。
針對此項研究發現，本研究呼應影音串流平台之特性。平台本身之建置及運 作就是必須憑藉者網路外部性來擴大用戶群，促使已使用串流服務的使用者藉由 口碑效應來影響潛在採用者，並且，相較於實體產品或是耐久財，平台服務的獲 取成本很低，採訂閱制的方式線上付費、下載及享受服務，使得網路外部性之發 揮更為容易。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
91
研究發現四：影音串流平台成長初期之不確定因素較多，導致初期之創新擴散 模型誤差較大。
由圖四-4 及圖四-9 可以觀察到 Netflix 及 Spotify 在進行模型配適時，除了 Gompertz 應用於 Spotify 訂閱用戶之擴散較為準確外，其他研究模型普遍在前幾 期產生較大的偏誤，且皆為大幅度地低估了串流平台之使用人數，到中後期模型 才有較高的擴散速率，逐漸追上實際用戶數之成長。承研究發現三之討論，影音 串流平台本身就是高度需要網路外部性來擴大用戶群的服務類型，而已採用者間 的口耳相傳效果必須隨著時間推演才能逐漸發揮效果，因此模型前期網路外部性 還尚未發酵時，較難以以數據模型去模擬初值之用戶成長樣態。
因此，模型演算初期普遍低估了創新採用者的人數，顯示實際上願意在產品 推出前期就使用Netflix 和 Spotify 這類型之影音串流平台的用戶並非如模型所估 計的如此悲觀，而這階段的採用者可能會受到消費者本身對於創新產品之態度、
平台行銷活動、大眾傳播媒體或其他無法以模型解釋的外部因素影響而決定採用，
導致造成初期之模型較不具有解釋力，因而本研究認為影音串流平台用戶成長初 期會受到較多不確定因素影響，造成創新擴散模型較難以透過估計值掌握用戶成 長動態。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
研究發現五：影音串流平台中，考量網路使用者擴散的附隨擴散模型在解釋能力 和預測表現上皆優於
Bass
模型。本研究在模型選擇上挑選了 Bass 模型和附隨擴散模型作為研究模型，附隨 擴散模型是根據Bass 模型進行改良推導而生的模型，此模型推翻原始 Bass 模型 將市場潛量視為定值之假設，將附隨擴散模型之市場潛量設為動態且依附另一項 創新產品或技術而變化的模型。
本研究認為常理而言一創新產品的擴散過程，產品的最大市場潛量應是隨時 在變化的，而變化的因素可能在於人口數、經濟因素或是其他創新產品影響，因 此在使用附隨擴散模型時本研究假設影音串流平台的用戶擴散會隨著網路使用 人數的成長而加快擴散速度，經Netflix 和 Spotify 兩項影音串流平台之實證研究 發現，不論應用於解釋能力和預測表現上，附隨擴散模型之表現皆明顯優於原始 Bass 模型，顯示附隨擴散模型確實在加入考量了網路使用人數後有比原始 Bass 模型較高的解釋力。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
93
其他發現：影音串流平台之付費用戶與免費用戶有不同的創新擴散過程。
誠如第二章第一節對於影音串流平台收益方式之討論，部分平台的商業模式 設計為完全訂閱制的，用戶欲使用此平台必須透過支付月租費的方式才可以使用 服務，如 Netflix 即採用此較為單純之收費服務方式；另外也有部分之影音串流 平台讓用戶自由選擇服務提供的方式，分為免費服務(Ad-Support)或是付費服務 (Premium)，免費服務表示在享受服務的過程中並不需要額外支付任何費用，但 平台會不時地穿插企業廣告打斷娛樂過程，而付費服務指用戶在支付月租費購買 串流服務後，娛樂過程中不會有任何廣告中斷服務，而此類型的商業模式設計可 以透過訂閱費用和廣告費用獲取較平衡之收益，Spotify 就是透過此混合模式供 用戶自行選擇。
本研究就 Spotify 不同類型用戶的解釋模型觀察到，免費用戶之最適解釋模 型為附隨擴散模型，而付費用戶之最適模型為 Gompertz 模型，兩種用戶雖採用 了相同的影音串流平台，但服務提供和收費方式的不同亦造成適用模型之差異，
本研究就 Spotify 不同類型用戶的解釋模型觀察到，免費用戶之最適解釋模 型為附隨擴散模型，而付費用戶之最適模型為 Gompertz 模型，兩種用戶雖採用 了相同的影音串流平台，但服務提供和收費方式的不同亦造成適用模型之差異，