田亞男　鄭瑞坤

摘要：基于小豬平臺(tái)的微觀數(shù)據(jù)，挖掘在線短租服務(wù)的決定因素。運(yùn)用python網(wǎng)絡(luò)爬蟲技術(shù)獲得房源的有關(guān)數(shù)據(jù)，對(duì)影響因子進(jìn)行Lasso變量識(shí)別和決策樹CART算法的預(yù)測。研究結(jié)果表明，訂單的接受率、價(jià)格、點(diǎn)評(píng)數(shù)、交通位置和是否為超棒房東這五個(gè)變量對(duì)房源的訂單量有顯著影響。運(yùn)用決策樹CART算法對(duì)識(shí)別后的變量進(jìn)行預(yù)測，研究結(jié)果顯示，決定性影響因素模擬的訂單量預(yù)測值能夠很好的擬合真實(shí)值，進(jìn)一步證明了在線短租共享服務(wù)的決定性因素甄別的合理性。

關(guān)鍵詞：在線短租 決定因素 Lasso變量選擇 決策樹CART算法

一、引言

近年來，互聯(lián)網(wǎng)消費(fèi)帶動(dòng)了共享經(jīng)濟(jì)的繁榮發(fā)展。2010年，由互聯(lián)網(wǎng)搭建雙邊市場交易平臺(tái)，在線短租業(yè)務(wù)在中國興起，它是中國住宅租賃市場出現(xiàn)的一種以房屋共享租賃為特征的新型經(jīng)濟(jì)模式。雖然在線短租業(yè)務(wù)在中國發(fā)展時(shí)間不長，但行業(yè)增長迅速。據(jù)iiMedia Research（艾媒咨詢）權(quán)威發(fā)布《2018-2019中國在線租房行業(yè)專題報(bào)告》數(shù)據(jù)顯示，2018年中國在線短租市場交易額達(dá)178.08億元，用戶規(guī)模達(dá)1.47億人，同比增長83%，預(yù)計(jì)2020年用戶規(guī)模將達(dá)到3億人，在線短租市場的持續(xù)升溫，為中國住宅租賃行業(yè)創(chuàng)造了新的經(jīng)濟(jì)增長點(diǎn)。

但與此同時(shí)，數(shù)據(jù)也顯示，在線短租用戶規(guī)模的增長率已經(jīng)從2017年的103%下降至2018年的83%，預(yù)計(jì)到2020年，用戶增長率將降至30.6%，中國在線短租行業(yè)規(guī)模的增長率逐年下降，表明用戶對(duì)短租市場房屋共享需求發(fā)生了轉(zhuǎn)移，那么，是什么因素影響了用戶對(duì)在線短租的需求呢？

在線短租共享租房追求以人為本和可持續(xù)發(fā)展的經(jīng)濟(jì)發(fā)展目標(biāo)，在滿足消費(fèi)者多樣化需求的同時(shí)，以低成本、高效率匹配的方式達(dá)到了空余房源的合理利用和用戶最佳體驗(yàn)的目的。與傳統(tǒng)租賃相比，在線短租滿足各類人群的不同租房需求，實(shí)現(xiàn)了房源的供需雙方快速匹配與交易。因此，在線短租的交易過程，供需雙方信息顯露在平臺(tái)上，特別是用戶在體驗(yàn)了短租服務(wù)后會(huì)將自己的體驗(yàn)信息公布于平臺(tái)用戶欄中，這些信息對(duì)引導(dǎo)新的用戶選擇房源與房東具有很強(qiáng)的導(dǎo)向性。如何運(yùn)用數(shù)據(jù)挖掘方法挖掘這些信息，甄別在線短租共享服務(wù)的決定性影響因素，不僅能夠回答在線短租服務(wù)用戶需求訴求狀況，對(duì)指導(dǎo)在線短租行業(yè)穩(wěn)定持續(xù)發(fā)展也具有重要意義。

本文通過Lasso變量識(shí)別和決策樹CART算法，甄別在線短租共享服務(wù)的決定性影響因素。研究特色在于：（1）基于在線短租服務(wù)信息相對(duì)對(duì)稱的特征，利用python挖掘在線數(shù)據(jù)，利用在線數(shù)據(jù)信息抓取數(shù)據(jù)共同特征，遵循了大數(shù)據(jù)數(shù)字信息經(jīng)濟(jì)的研究范式;（2）采用Lasso變量識(shí)別的方法識(shí)別變量，并配備決策樹算法進(jìn)一步驗(yàn)證，在研究方法上體現(xiàn)了大數(shù)據(jù)研究方法的功能。

二、文獻(xiàn)綜述

在線短租是房屋的承租人通過互聯(lián)網(wǎng)或移動(dòng)互聯(lián)網(wǎng)的方式查詢及預(yù)訂短租住房，與房屋的所有者或經(jīng)營者通過線上平臺(tái)形成租賃關(guān)系?；ヂ?lián)網(wǎng)技術(shù)的進(jìn)步促使了新的經(jīng)濟(jì)模式的產(chǎn)生，共享經(jīng)濟(jì)帶來了住房的共享消費(fèi)。相較于傳統(tǒng)租賃，共享租房降低了失業(yè)率，增加了家庭收入。雖然在不同的研究領(lǐng)域，在線短租的定義能夠達(dá)到一致性。但是，在線短租的研究側(cè)重點(diǎn)比較分散，學(xué)者們從不同的層面分別給出了不同的研究結(jié)論，主要表現(xiàn)在兩個(gè)方面：（1）在線短租的影響因素。影響因素研究主要集中在在線短租的消費(fèi)動(dòng)機(jī)、消費(fèi)信任、購買意愿、房源價(jià)格等方面。傳統(tǒng)住宿業(yè)的消費(fèi)者選擇酒店住宿服務(wù)的主要?jiǎng)訖C(jī)只包含了“價(jià)格、住宿設(shè)施和位置”，而在線短租的使用者在選擇住宿時(shí)有其特殊的需求，即“居家性、社交性和原真性”三大動(dòng)機(jī)?；谙M(fèi)者信任的角度考慮，在線度假租賃通過個(gè)性化的服務(wù)將游客和業(yè)主聯(lián)系起來。馬磐昊基于信任理論從房東屬性和信譽(yù)的角度研究了信任對(duì)房源銷量的影響，并強(qiáng)調(diào)了信任建立對(duì)在線短租發(fā)展的重要性。在逐漸替代傳統(tǒng)酒店住宿的發(fā)展趨勢(shì)中，在線短租服務(wù)的信息對(duì)稱性也在潛移默化地改變消費(fèi)者的購買意愿和決策。由于網(wǎng)絡(luò)消費(fèi)的公開透明性，評(píng)論信息是影響消費(fèi)者決策的重要因素，總體評(píng)分和房源價(jià)格對(duì)用戶的購買意愿影響顯著。反過來，價(jià)格也能影響消費(fèi)者的決策。除此之外，房源價(jià)格與短租消費(fèi)者的家庭可支配收入、年齡、好評(píng)率的關(guān)注度、對(duì)用戶評(píng)價(jià)的關(guān)注度等具有較強(qiáng)的相關(guān)性。（2）在線短租的影響因素的分析方法。從使用的研究方法來看，傳統(tǒng)的統(tǒng)計(jì)分析方法和數(shù)據(jù)挖掘法是研究在線短租影響因素常用的方法。趙建欣通過相關(guān)分析和回歸分析得出中國地區(qū)和美國地區(qū)購買意圖是基于不同因素的影響。張廣宇和葉作亮通過建立線性回歸模型分析了酒店特征信息、顧客評(píng)論信息和預(yù)訂平臺(tái)信息對(duì)酒店在線預(yù)訂的影響?；谪?fù)二項(xiàng)面板回歸模型，房東屬性對(duì)在線短租房源訂單增量有顯著影響，并且該模型具有一定的魯棒性。王佳園和徐薛艷通過建立服務(wù)質(zhì)量評(píng)價(jià)的指標(biāo)體系將網(wǎng)絡(luò)文本分析應(yīng)用于在線短租的影響研究，強(qiáng)調(diào)要提高在線短租服務(wù)質(zhì)量的重要性。

在線短租的特征是供需雙方的信息披露過程，但綜述現(xiàn)有研究成果發(fā)現(xiàn)，大部分學(xué)者在考察在線短租的影響因素時(shí)要么立足于用戶，要么立足于房東，這種單視角分析使在線短租信息披露得不到完整的體現(xiàn)。另外，在分析方法上，采用回歸分析通過事先預(yù)設(shè)影響因素可能會(huì)使得一些重要因素排除在研究范圍外而得不到體現(xiàn)。本文根據(jù)在線短租平臺(tái)上披露的信息，運(yùn)用Lasso選擇變量的方法對(duì)各項(xiàng)指標(biāo)進(jìn)行變量識(shí)別，并利用決策樹CART預(yù)測算法加以驗(yàn)證。相較已有研究，本文最大的特色在于：在遵循大數(shù)據(jù)的研究規(guī)律與研究方法基礎(chǔ)上去實(shí)現(xiàn)甄別在線短租共享服務(wù)的影響因素研究。

三、研究方法與數(shù)據(jù)來源

（一）研究方法

對(duì)數(shù)據(jù)變量進(jìn)行降維和決定性影響因素的選取有很多種方法可以選擇，本文在對(duì)在線短租的數(shù)據(jù)特征和數(shù)據(jù)挖掘方法的研究基礎(chǔ)上，決定使用Lasso選取變量的方法和分類回歸樹CART算法結(jié)合的方式來研究在線短租服務(wù)的影響因素。

1.Lasso變量選擇法.在以往的文獻(xiàn)中，經(jīng)常采用普通最小二乘法對(duì)在線消費(fèi)的影響因素進(jìn)行實(shí)證研究，建立回歸模型并進(jìn)行假設(shè)檢驗(yàn)，對(duì)解釋變量的選取采用的則是逐步回歸。然而，在處理高維度大數(shù)據(jù)樣本時(shí)，無論是最小二乘法還是逐步回歸，都有其不足之處。它們一般都局限于最優(yōu)解而不是全局最優(yōu)解。Tib-shirani在1996年提出Lasso變量選擇的算法，解決了數(shù)據(jù)降維的難題。Lasso方法是一種將高維數(shù)據(jù)進(jìn)行壓縮的方法，并且可以使參數(shù)估計(jì)與變量選擇同時(shí)進(jìn)行。Lasso方法剔除了相關(guān)性較小的變量，避免了這些變量的異常值對(duì)模型進(jìn)行干擾，是近年來被各類學(xué)者廣泛應(yīng)用于參數(shù)估計(jì)和變量選擇的方法之一?？紤]到數(shù)據(jù)的形態(tài)特征，本文選擇Lasso方法對(duì)影響在線短租服務(wù)的因素進(jìn)行變量識(shí)別。定義如下：

2.決策樹CART預(yù)測法.在Lasso變量選擇法的基礎(chǔ)上，繼續(xù)采用決策樹CART預(yù)測法對(duì)識(shí)別因素進(jìn)行檢驗(yàn)。這種檢驗(yàn)方法是將影響因素用于預(yù)測，利用預(yù)測的準(zhǔn)確性判斷影響因素選擇的合理性。具體操作時(shí)將影響因素用于在線短租的訂單量預(yù)測，根據(jù)訂單量預(yù)測效果判斷所選擇的因素。

決策樹技術(shù)是數(shù)據(jù)分析中用于將一組樣本分成若干類的數(shù)據(jù)挖掘方法。通過映射關(guān)于某個(gè)項(xiàng)目的觀測值，預(yù)測項(xiàng)目的目標(biāo)值的模型。首先選擇被分類的原始數(shù)據(jù)，按照預(yù)先提供的分類規(guī)則進(jìn)行每個(gè)類別的最佳分割。每個(gè)根節(jié)點(diǎn)都對(duì)應(yīng)若干葉節(jié)點(diǎn)，當(dāng)每個(gè)個(gè)體達(dá)到某片葉子所屬規(guī)則的最大概率時(shí)，就會(huì)被分配給該葉子。然后在到達(dá)的新節(jié)點(diǎn)上執(zhí)行相同的操作，直到進(jìn)一步的分割不再可能或者合理，該個(gè)體就屬于某個(gè)分類。

（二）數(shù)據(jù)來源

目前國內(nèi)的在線短租平臺(tái)有小豬短租、途家網(wǎng)、螞蟻短租等。作為最受消費(fèi)者喜愛的房源預(yù)訂平臺(tái)，小豬短租以房源量大、房東身份信息實(shí)名認(rèn)證、平臺(tái)管理規(guī)范聞名。所以，基于小豬平臺(tái)的優(yōu)勢(shì)和數(shù)據(jù)可得性的特點(diǎn)，本文采集了該平臺(tái)上每個(gè)房源從發(fā)布至2018年12月期間的房源數(shù)據(jù)。選擇北京、上海、武漢、廣州和成都5個(gè)城市的房源在線信息作為本研究的樣本數(shù)據(jù)。主要從房客在線評(píng)價(jià)、房源屬性、房東個(gè)體特征三個(gè)方面研究在線信息對(duì)在線短租服務(wù)的影響。

對(duì)于每個(gè)房東，從房東頁面采集了在線回復(fù)率、平均確認(rèn)時(shí)長、訂單接受率以及是否為超棒房東等房東信息;對(duì)于每個(gè)房源，從房源頁面采集了價(jià)格、房源類型（整套出租、單間出租）、押金等;在房客對(duì)房源的評(píng)價(jià)方面采集了點(diǎn)評(píng)數(shù)量和總評(píng)分，以及各項(xiàng)評(píng)分（整潔衛(wèi)生、描述相符、交通位置、安全程度、性價(jià)比等）。用房源的累積訂單量定量描述在線短租服務(wù)。在小豬短租平臺(tái)上，大部分房東都同時(shí)擁有多個(gè)房源，為了區(qū)分開每一個(gè)房源的訂單量，本文只研究擁有一個(gè)房源的房東和該房源的在線信息。所以，利用python爬蟲工具從小豬短租網(wǎng)站上獲取房東的訂單量數(shù)據(jù)作為在線短租服務(wù)的評(píng)價(jià)指標(biāo)，并篩選出單套房源的房源信息，去掉沒有評(píng)分的房源信息，最終獲得150條有效數(shù)據(jù)作為本文的研究樣本。

四、實(shí)證分析

（一）變量特征分析

表1給出了房源訂單量及全部采集的14個(gè)影響因素的數(shù)據(jù)特征。訂單量的均值和標(biāo)準(zhǔn)差分別是84.23和78.59，說明每個(gè)房東所獲得的房源預(yù)訂量有很大的差別，最多的訂單量達(dá)到了436個(gè)，最少的只有7個(gè)。這與房東發(fā)布房源的時(shí)間有關(guān)，也和房源的吸引度有關(guān)。而房屋類型、總評(píng)分、整潔衛(wèi)生評(píng)分、描述相符評(píng)分、交通位置評(píng)分、安全程度評(píng)分、性價(jià)比評(píng)分和是否為超棒房東等指標(biāo)的標(biāo)準(zhǔn)差卻比較小，由此也可以說明在線短租的房源給房客住宿體驗(yàn)差別不是特別大。但相比較而言，住宿的押金、價(jià)格、點(diǎn)評(píng)數(shù)的標(biāo)準(zhǔn)差卻非常大，這主要是因?yàn)樵诰€短租是一種非標(biāo)準(zhǔn)化的住宿，房東對(duì)房源的押金和價(jià)格的決定上有很大的自主權(quán)，這就使得樣本之間出現(xiàn)了較大的差異。

（二）決定因素的識(shí)別

影響房源訂單量的因素有很多，為了識(shí)別主要的影響因素。本研究運(yùn)用Lasso方法進(jìn)行變量選擇，被識(shí)別的變量分別是：在線回復(fù)率、平均確認(rèn)時(shí)長、訂單的接受率、押金、價(jià)格、點(diǎn)評(píng)數(shù)、交通位置評(píng)分和是否為超棒房東，具體見表2。剔除了房間類型、總評(píng)分、整潔衛(wèi)生評(píng)分、描述相符評(píng)分、安全程度評(píng)分和性價(jià)比評(píng)分這六個(gè)變量，因?yàn)檫@幾個(gè)變量之間存在多重共線性并且對(duì)因變量的貢獻(xiàn)度比較小。

從表2的Lasso回歸系數(shù)來看，影響系數(shù)較大的有訂單的接受率、點(diǎn)評(píng)數(shù)、交通位置和是否為超棒房東四個(gè)變量，說明共享住宿用戶在選擇房源時(shí)更關(guān)注這些因素。房東對(duì)訂單的接受率越大，訂單量越多。每一個(gè)房源只要產(chǎn)生訂單就會(huì)有房客信息，房客對(duì)房源的點(diǎn)評(píng)數(shù)量會(huì)影響潛在用戶的選擇，根據(jù)消費(fèi)者的心理特征，點(diǎn)評(píng)數(shù)量越多說明越多人入住過該房源，也就能吸引越來越多的潛在用戶。這種現(xiàn)象不僅在共享住宿中有，在很多的線上銷售平臺(tái)上也很常見。交通位置對(duì)訂單量也是有正向顯著的作用，當(dāng)其他因素不影響訂單量時(shí)，交通位置評(píng)分每增加一個(gè)單位，房源會(huì)平均增加4.43個(gè)訂單量，這說明消費(fèi)者很關(guān)注房源的地理位置。在影響訂單量這8個(gè)變量中，是否為超棒房東這個(gè)變量影響最顯著。而是否為超棒房東是小豬短租平臺(tái)根據(jù)房東個(gè)人的信用度以及房客對(duì)房源的各項(xiàng)評(píng)分和評(píng)價(jià)進(jìn)行綜合判斷的。根據(jù)小豬平臺(tái)上對(duì)超棒房東的認(rèn)定標(biāo)準(zhǔn)，房源提供者被評(píng)為超棒房東需要滿足的要求有六點(diǎn)：一是身份真實(shí)可信，二是房源驗(yàn)真實(shí)拍，三是快速回復(fù)接單，四是接待經(jīng)驗(yàn)豐富，五是好評(píng)獲得率高，六是樂于待客之道。此外，在線回復(fù)率和價(jià)格也是影響房源訂單量的因素。平均確認(rèn)時(shí)間和押金對(duì)訂單量的影響為負(fù)，這說明確認(rèn)訂單的時(shí)間會(huì)影響消費(fèi)者的選擇，如果房東遲遲沒有確認(rèn)訂單就會(huì)錯(cuò)失重要的顧客，訂單量就會(huì)越來越少。

（三）決定性因素的檢驗(yàn)

1.預(yù)測模型的建立.根據(jù)變量識(shí)別的Lasso回歸結(jié)果，選擇以上八個(gè)顯著影響因子作為決策樹預(yù)測模型的輸入變量，對(duì)短租的訂單量進(jìn)行預(yù)測。在建立Lasso-CART預(yù)測模型過程中，將房源數(shù)據(jù)的150個(gè)樣本按照7：3的比例隨機(jī)分成訓(xùn)練集和測試集。對(duì)訓(xùn)練集建立CART決策樹模型，每個(gè)訓(xùn)練樣本經(jīng)過若干節(jié)點(diǎn)的判斷后最終被分配到所屬的類別。根據(jù)決策樹修剪的規(guī)則，影響因子有較大的貢獻(xiàn)率才會(huì)成為決策樹的節(jié)點(diǎn)。通過調(diào)整每個(gè)節(jié)點(diǎn)中包含的最小樣本數(shù)，使錯(cuò)誤率盡可能小。最終，將調(diào)整參數(shù)后的模型進(jìn)行對(duì)比，當(dāng)只有訂單的接受率、價(jià)格、點(diǎn)評(píng)數(shù)、交通位置和是否為超棒房東成為決策樹的節(jié)點(diǎn)時(shí)，錯(cuò)誤率是最小的。用該模型進(jìn)行預(yù)測，訓(xùn)練集預(yù)測的結(jié)果和真實(shí)值的擬合情況如圖1所示，從圖中可以看出，Lasso-CART模型的擬合效果理想，擬合優(yōu)度系數(shù)R²為89%，預(yù)測值能夠很好的反映訂單量的真實(shí)情況。

2.預(yù)測模型的檢驗(yàn)，為了更好的檢驗(yàn)Lasso-CART決策樹模型的預(yù)測效果，將Lasso-CART決策樹模型和Lasso-SVM支持向量機(jī)、Lasso-線性回歸模型做比較研究。如圖2所示，Lasso-CART決策樹模型在測試樣本中預(yù)測值和真實(shí)值之間相差最小。對(duì)比表3中三種組合模型的預(yù)測精度，Lasso-CART預(yù)測模型的均方根誤差、絕對(duì)誤差和相對(duì)誤差都達(dá)到最小。從模型本身來說，SVM算法在分類預(yù)測應(yīng)用中，更適合對(duì)分類目標(biāo)變量進(jìn)行預(yù)測，對(duì)數(shù)值型目標(biāo)變量進(jìn)行預(yù)測時(shí)的誤差較大。而線性回歸模型在對(duì)大樣本數(shù)據(jù)進(jìn)行預(yù)測時(shí)，顯著地削弱了樣本中的極大值和極小值的作用，所以真實(shí)值和預(yù)測值的擬合程度明顯不高。而Lasso-CART決策樹模型在處理大樣本數(shù)據(jù)時(shí)，能夠?qū)B續(xù)型目標(biāo)變量進(jìn)行精準(zhǔn)的預(yù)測，具有可靠性高、適用性強(qiáng)的特點(diǎn)，這些都是另外兩種模型無法實(shí)現(xiàn)的。通過比較三種組合模型的預(yù)測效果，說明Lasso-CART決策樹模型是檢驗(yàn)在線短租服務(wù)決定性因素的最優(yōu)模型。

3.Lasso-CART決策樹模型的評(píng)價(jià)，從決策樹算法的角度分析，CART算法的回歸預(yù)測跟分類預(yù)測有本質(zhì)的區(qū)別。分類預(yù)測決策樹可以準(zhǔn)確預(yù)測預(yù)測值是否等同于真實(shí)值，同時(shí)分類回歸樹CART算法基于非參數(shù)的識(shí)別技術(shù)，能夠處理大樣本數(shù)據(jù)信息，同時(shí)對(duì)連續(xù)型解釋變量和離散型解釋變量進(jìn)行識(shí)別，利用最大概率分類原則和最小GINI系數(shù)測試屬性原則極大地提高了模型的準(zhǔn)確率，充分利用樣本數(shù)據(jù)的信息，減少錯(cuò)誤分類的成本。而對(duì)于回歸預(yù)測來說，預(yù)測值只能近似地分布在真實(shí)值的附近，這也是預(yù)測連續(xù)目標(biāo)變量存在的缺陷。綜合考慮各種因素，Lasso-CART決策樹模型能夠?qū)⒎吭从唵瘟康念A(yù)測最大可能地和真實(shí)值擬合，從整體上看，大部分的訂單量預(yù)測值可以接近真實(shí)值。

因而，從在線訂單量預(yù)測效果判斷，Lasso-CART決策樹模型決定的因素就是在線短租共享服務(wù)的決定性因素。通過變量識(shí)別和預(yù)測檢驗(yàn)獲知：訂單的接受率、價(jià)格、點(diǎn)評(píng)數(shù)、交通位置和是否為超棒房東這五個(gè)變量是在線短租服務(wù)的決定性影響因素。

五、研究結(jié)論與建議

理論上分析，影響在線短租服務(wù)的原因有很多，房東的個(gè)人屬性、房源的質(zhì)量和平臺(tái)的管理都是影響消費(fèi)者是否下單的決定性因素。但綜合Lasso選取變量和決策樹對(duì)訂單量的預(yù)測結(jié)果發(fā)現(xiàn)：訂單的接受率、價(jià)格、點(diǎn)評(píng)數(shù)、交通位置和是否為超棒房東這五個(gè)變量才是在線短租決定性影響因素。從表2中的Lasso回歸系數(shù)可以看到，對(duì)在線短租的訂單量產(chǎn)生正向顯著影響的因素還有在線回復(fù)率以及其有負(fù)向顯著作用的平均確認(rèn)時(shí)間和押金，這些因素同樣發(fā)揮著一定影響力。

從這些因素的性質(zhì)可以發(fā)現(xiàn)，在線短租服務(wù)的發(fā)展依賴于消費(fèi)者、房東和短租平臺(tái)的共同影響，信息對(duì)稱是在線短租服務(wù)的生命線。為此，必須建立良好的信任機(jī)制，完善消費(fèi)者個(gè)人的信用機(jī)制體系，增加房東與房客之間的信任度。是否為超棒房東是影響在線短租服務(wù)訂單量最顯著的變量，說明平臺(tái)需要加強(qiáng)對(duì)房東的管理，加強(qiáng)對(duì)房東個(gè)人頁面的管理，完善房東個(gè)人信息，制定相應(yīng)的獎(jiǎng)懲機(jī)制規(guī)范房東的經(jīng)營模式。同時(shí)，房東要提高對(duì)消費(fèi)者的服務(wù)水平，認(rèn)真對(duì)待每一個(gè)房源訂單，提高訂單的接受率和在線回復(fù)率，提高房東的房源預(yù)定量，促進(jìn)在線短租共享模式良性發(fā)展。