黃茜 賀超城 李欣儒 吳江
摘要:[目的/意義]挖掘疫情后網(wǎng)絡(luò)口碑和用戶購買行為影響因素,從而在后疫情時代更好地吸引用戶,促進(jìn)在線短租行業(yè)經(jīng)濟(jì)回暖甚至實(shí)現(xiàn)超越。[方法/過程] 獲取Airbnb上北京地區(qū)的公開數(shù)據(jù),利用BERT算法構(gòu)建在線短租網(wǎng)絡(luò)口碑的衡量指標(biāo),基于ELM模型選取4個房源屬性和6個房東屬性構(gòu)建在線短租用戶購買行為影響因素模型并進(jìn)行實(shí)證研究。[結(jié)果/結(jié)論] 利用BERT模型計(jì)算的評論情感得分均值來衡量在線短租網(wǎng)絡(luò)口碑,為確認(rèn)其替代變量提供思路。同時負(fù)二項(xiàng)回歸結(jié)果表明,除房源周邊環(huán)境描述所在影響路徑外,網(wǎng)絡(luò)口碑在其他房源和房東屬性作用于用戶購買行為過程中具有中介作用。然而,與研究假設(shè)相反,房東持有房源數(shù)量將負(fù)向顯著影響房源口碑與銷量,這可能是因?yàn)閱翁追吭捶繓|參與度更低;而房源與市中心距離越遠(yuǎn),網(wǎng)絡(luò)口碑越好,與疫情后周邊游特征相關(guān)聯(lián)。最后基于本研究結(jié)果為房東和平臺提出相關(guān)運(yùn)營建議,后疫情時代房源描述應(yīng)當(dāng)更加著墨于房源防疫措施、退訂政策、室內(nèi)活動等,但應(yīng)與周邊環(huán)境描述區(qū)別開來,同時可以抓住周邊游熱潮將疫情挑戰(zhàn)轉(zhuǎn)變?yōu)榘l(fā)展機(jī)遇,提升在線短租房源的競爭實(shí)力和業(yè)務(wù)量。
關(guān)鍵詞:在線短租? ? 網(wǎng)絡(luò)口碑? ? ELM模型? ? BERT算法
分類號:F719.2
引用格式:黃茜, 賀超城, 李欣儒, 等. 后疫情時代下短租民宿用戶購買行為研究: 基于BERT衡量的網(wǎng)絡(luò)口碑[J/OL]. 知識管理論壇, 2022, 8(3): 238-257[引用日期]. http://www.kmf.ac.cn/p/348/.
隨著人們家庭游、自駕游等出行方式的日益多元化,傳統(tǒng)酒店住宿已經(jīng)無法滿足用戶的個性化住宿需求。在線短租,這一更具體驗(yàn)感和溫馨感的住宿方式應(yīng)運(yùn)而生,既能滿足租客的多樣化房源需求,又能實(shí)現(xiàn)房東閑置房屋資源的充分利用,為用戶出行住宿提供了新的選擇,完善了住宿市場[1]。
然而,新冠疫情以來,為配合防疫要求,在線短租行業(yè)幾乎陷入全面停滯,在線短租平臺和入駐房主面臨前所未有的挑戰(zhàn)[2]。而進(jìn)入后疫情時代,隨著新冠疫苗接種的全面普及和取消旅游限制地區(qū)的增加,在線短租也逐步迎來了回暖復(fù)蘇期[3]。同時,區(qū)別于共享交通、共享充電寶等其他共享經(jīng)濟(jì)業(yè)態(tài),在在線短租領(lǐng)域,消費(fèi)者所能獲得的產(chǎn)品服務(wù)信息剝離了許多物理信息線索,又由于房屋的不動產(chǎn)屬性面臨著更大的沉沒成本,網(wǎng)絡(luò)口碑(electronic word of mouth, eWOM)成為消費(fèi)者獲取短租產(chǎn)品服務(wù)質(zhì)量信息的重要渠道,以減少消費(fèi)決策的不確定性[4]。已有研究表明,約93%的消費(fèi)者在購買決策時會受到網(wǎng)絡(luò)口碑的影響[5]。但面對新冠疫情等突發(fā)性公共安全事件所導(dǎo)致的用戶需求新變化,過往研究多以評論數(shù)或總評分作為替代變量衡量網(wǎng)絡(luò)口碑的方法并不能準(zhǔn)確地反映真實(shí)情況,還需要對網(wǎng)絡(luò)口碑進(jìn)行更細(xì)粒度的刻畫。
因此,在后疫情時代,考慮到經(jīng)歷疫情影響,消費(fèi)者心理及行為所發(fā)生的重大變化[6],本研究從全球最大C2C在線短租平臺Airbub(insideairbnb.com)獲取北京地區(qū)截至2021年12月24日的公開數(shù)據(jù),其中包含仍處于運(yùn)營狀態(tài)的5 159處房源信息,以及自2018年1月1日至此的全部評論數(shù)據(jù)[7]。進(jìn)而利用BERT(bidirectional encoder representations from transformers)算法構(gòu)建在線短租網(wǎng)絡(luò)口碑的衡量指標(biāo),基于詳盡可能性模型(elaboration likelihood model, ELM)構(gòu)建在線短租用戶購買行為影響因素模型,挖掘疫情后消費(fèi)者網(wǎng)絡(luò)口碑和用戶購買行為影響因素,從而為后疫情時代在線短租平臺與房東制定更貼近市場發(fā)展的決策規(guī)劃,為用戶選擇更好的房源提供助力。
1? 理論基礎(chǔ)與文獻(xiàn)綜述
1.1? 在線短租用戶購買行為
近年來,隨著共享經(jīng)濟(jì)的快速發(fā)展,在線短租這一共享住宿形式在全球各大城市發(fā)展迅猛,盤活了大量閑置已久的房屋資源,創(chuàng)造了巨大的經(jīng)濟(jì)價值,為數(shù)十億用戶提供了個性化的住宿服務(wù),受到國內(nèi)外學(xué)者的廣泛關(guān)注。從認(rèn)知信任和制度信任角度出發(fā),各類在線短租平臺可開放獲取信息,即房屋、房東、租客、交易信息,其中房源位置[8]、房屋設(shè)施[9]、房東信譽(yù)[10]、房屋定價[11]等作為信任衡量指標(biāo)對用戶消費(fèi)的影響作用均已得到驗(yàn)證。而在了解用戶信任與用戶消費(fèi)關(guān)系的基礎(chǔ)上,融合圖像和文本數(shù)據(jù)分析的在線短租平臺信任計(jì)算框架被提出,可有效解決房東信任評估等問題,為消費(fèi)者購買租房服務(wù)提供了可信環(huán)境[12]。但現(xiàn)有在線短租用戶購買行為研究大多集中在用戶間互動與信任機(jī)制的構(gòu)建上,未考慮互聯(lián)網(wǎng)背景下影響房源聲譽(yù)信念傳播的前置因素,即網(wǎng)絡(luò)口碑的重要作用。此外,對于新冠疫情等突發(fā)性公共安全事件為在線短租產(chǎn)業(yè)帶來的影響,當(dāng)前大多研究還停留在定性分析用戶消費(fèi)意愿衰退和銷售業(yè)績下降等方面[13],尚未有學(xué)者利用實(shí)證分析方法對后疫情時代在線短租用戶購買行為影響因素進(jìn)行研究。
1.2? 在線短租網(wǎng)絡(luò)口碑
網(wǎng)絡(luò)口碑,其本質(zhì)即為發(fā)布在產(chǎn)品或服務(wù)提供網(wǎng)站的反映消費(fèi)者個人體驗(yàn)的一類重要用戶生成內(nèi)容[14]。尤其在互聯(lián)網(wǎng)時代,用戶熱衷于通過評論來表達(dá)自身使用旅游產(chǎn)品的主觀感受和真實(shí)體驗(yàn),網(wǎng)絡(luò)口碑在消費(fèi)者購買決策中發(fā)揮著重要作用。而隨著在線短租內(nèi)容社區(qū)屬性的加強(qiáng),針對其他重要影響因素,尤其是非結(jié)構(gòu)化數(shù)據(jù),如用戶生成內(nèi)容(user-generated content, UGC)[15]和房東營銷者生成內(nèi)容(marketer-generated content, MGC)[16]等對用戶感知乃至用戶預(yù)定意愿的影響路徑也成為正在研究焦點(diǎn)之一。梁曉蓓等探究了研究與電子服務(wù)質(zhì)量相關(guān)的商家特色介紹等線上商家屬性對房源網(wǎng)絡(luò)口碑的影響[4]。而Z. Mao等發(fā)現(xiàn)網(wǎng)絡(luò)口碑對在線短租用戶復(fù)購意愿有積極影響,同時網(wǎng)絡(luò)口碑將通過主觀規(guī)范間接影響消費(fèi)者復(fù)購[17]。因此,可以認(rèn)為網(wǎng)絡(luò)口碑在房源和房東屬性影響在線短租房源預(yù)定過程中具有重要作用。此外,對于網(wǎng)絡(luò)口碑,當(dāng)前研究常常以評論數(shù)或總評分作為其替代變量,對網(wǎng)絡(luò)口碑的衡量并不準(zhǔn)確[18]。而由于網(wǎng)絡(luò)口碑體現(xiàn)的是一種具有傾向性的購買態(tài)度,反映了已有消費(fèi)體驗(yàn)的用戶對購買產(chǎn)品所持的情感傾向,代表著消費(fèi)者對產(chǎn)品與服務(wù)的認(rèn)可與依賴,可考慮從在線評論所蘊(yùn)含的情感來量化網(wǎng)絡(luò)口碑。但是,僅用評論情感傾向(即正向、中性、負(fù)向)量化網(wǎng)絡(luò)口碑又較為粗糙,在此基礎(chǔ)上,考慮用評論情感得分更加細(xì)粒度地刻畫網(wǎng)絡(luò)口碑[19-20]。故本研究將利用BERT算法計(jì)算用戶評論情感得分,以某一房源下所有用戶評論情感得分的均值作為該房源的網(wǎng)絡(luò)口碑,為構(gòu)建在線短租網(wǎng)絡(luò)口碑衡量指標(biāo)提供參考。
1.3? ELM模型
ELM模型是由R. E. Petty和J. T. Cacioppo 于1986年所提出的關(guān)于個體對所獲取的信息進(jìn)行參與、思考、處理的二元路徑處理模型,認(rèn)為基于信息處理詳盡度和投入精力的不同可以將受眾處理信息的路徑分為中心路徑和邊緣路徑兩種[21]。中心路徑下個人具有高度的動機(jī)和能力,將以高卷入度認(rèn)真思考和分析信息的含義和價值,從而決定是否改變對事物的態(tài)度和行為。而邊緣路徑下信息接受者較少關(guān)注信息本身,更多關(guān)注信息源的特征,主要依賴信息的來源因素和情感因素來判斷信息的有用性。
因此,基于兩條信息處理路徑的差異,可以認(rèn)為影響受眾處理信息態(tài)度的兩個關(guān)鍵因素是動機(jī)(處理所接受信息的強(qiáng)烈欲望)和能力(對有效信息做出正確評估的能力),而它們也決定了用戶對待所接受信息的精細(xì)加工程度和其影響用戶行為的路徑選擇[22]。其中,消費(fèi)者的產(chǎn)品涉入度,即用戶對產(chǎn)品信息的關(guān)注程度以及產(chǎn)品屬性對用戶的重要性,反映了個體動機(jī)的大小[23]。而信息接受者的專業(yè)知識背景,以及信息的復(fù)雜程度和可讀性等被認(rèn)為與能力密切相關(guān)[22]。同時,參照現(xiàn)有研究,在互聯(lián)網(wǎng)環(huán)境下,平臺質(zhì)量、信息質(zhì)量等是中心路徑的代表變量,而平臺中的代言人及用戶對其情感傾向則作為邊緣路徑代表變量[24]。馮俊發(fā)現(xiàn)知識產(chǎn)品描述性信息等將通過中心路徑影響知識產(chǎn)品購買決策,而知識提供者聲譽(yù)信號則是邊緣路徑上正向影響因素[25]。黃思皓等驗(yàn)證了直播平臺特征和主播個人特征將分別通過中心邊緣路徑正向促進(jìn)用戶沉浸體驗(yàn)和滿意度[24]。
ELM模型同樣被認(rèn)為是網(wǎng)絡(luò)口碑研究中的重要理論模型。I. Elvira等總結(jié)了現(xiàn)有網(wǎng)絡(luò)口碑研究中的集體發(fā)現(xiàn),重新驗(yàn)證了19項(xiàng)中心路徑(描述長度和一致性等)和邊緣路徑(信息源可信度和參與度等)上影響網(wǎng)絡(luò)口碑和消費(fèi)者購買意愿的因素[5]。因此,本文選擇ELM模型作為研究在線短租用戶購買行為影響因素的理論基礎(chǔ),認(rèn)為房源屬性作為短租產(chǎn)品服務(wù)質(zhì)量的直接客觀描述將通過中心路徑影響網(wǎng)絡(luò)口碑與用戶購買行為,而房東作為用戶獲取信息的來源,其屬性是邊緣路徑上與短租產(chǎn)品服務(wù)信息相關(guān)的重要外圍線索。
2? 研究假設(shè)與模型構(gòu)建
2.1? 中心路徑:房源屬性的影響
房源是消費(fèi)者在共享短租交易中的直接購買對象,因此房源屬性包括基本設(shè)施、房屋布局、周邊環(huán)境、地理位置等,無疑是消費(fèi)者在完成購買決策時所需首要關(guān)注和分析的基本信息。其中,房源整體特征是房東對房源基本信息和主要優(yōu)勢的概述,是房東所披露的認(rèn)為房源具有吸引力的信息,同時也是租客對房源質(zhì)量產(chǎn)生第一印象的基礎(chǔ)。印象管理理論指出個體會有意識地管理和控制他人對自己所形成的印象,盡可能維護(hù)自身所希望擁有的形象[26]。即可以認(rèn)為房東會有策略地通過對房源特征的描述來塑造良好形象并取得用戶信任,以獲得良好用戶口碑。同時,有學(xué)者認(rèn)為描述性文本長度與交易成功率密切相關(guān)[27]。因此,在共享短租平臺上,房源整體特征描述所包含的內(nèi)容越詳細(xì),越能加深消費(fèi)者的理解,就越能建立正向網(wǎng)絡(luò)口碑,對消費(fèi)者擇屋決策的影響越大。故可以提出假設(shè):
H1a:房源整體特征描述會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H1b:房源整體特征描述會正向影響用戶購買行為。
其次,根據(jù)商圈理論[28]和核心—邊緣旅游結(jié)構(gòu)理論[29],房源周邊環(huán)境和地理位置共同體現(xiàn)了房源的區(qū)位效益。受行政、市場、交通等因素影響,旅游區(qū)域可以劃分為中心區(qū)和非中心區(qū),中心區(qū)往往具有更豐富的旅游資源,因而旅游活動最為強(qiáng)烈,所產(chǎn)生的旅游效率最高,可以認(rèn)為從中心到邊緣,旅游區(qū)域吸引消費(fèi)者的能力逐漸降低[30]。而周邊環(huán)境和地理位置是對房源是否處于中心區(qū)的直觀體現(xiàn)。陳琳等發(fā)現(xiàn)不同的房源空間分布會影響用戶對房源的信任值和關(guān)注度[8]。S. Jang等探究了在新冠疫情背景下租房市場中目的地區(qū)位屬性所導(dǎo)致的消費(fèi)者行為的異質(zhì)性[31]。因此提出假設(shè):
H2a:房源周邊環(huán)境描述會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H2b:房源周邊環(huán)境描述會正向影響用戶購買行為。
H3a:房源與市中心距離會負(fù)向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H3b:房源與市中心距離會負(fù)向影響用戶購買行為。
此外,使整個住宿體驗(yàn)更有“人情味”和“體驗(yàn)感”正是在線短租的優(yōu)勢所在,房源內(nèi)設(shè)施狀況無疑是探究在線短租相關(guān)用戶行為不可或缺的影響因素[28]。對于租客來說,房源內(nèi)部是其短租旅游過程中的重要活動與休息場所,完善的內(nèi)部設(shè)施,能夠消除用戶對于短租生活不便利性和安全風(fēng)險的擔(dān)憂,從而對用戶網(wǎng)絡(luò)口碑的建立產(chǎn)生積極影響,使用戶能夠放心地做出購買決策。因此提出假設(shè):
H4a:房源設(shè)施數(shù)量會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H4b:房源設(shè)施數(shù)量會正向影響用戶購買行為。
2.2? 邊緣路徑:房東屬性的影響
不同于其他共享經(jīng)濟(jì)業(yè)態(tài),共享短租涉及更多的租客和房東間的交流互動,因此更需要提供細(xì)?;姆繓|資料特征來提高信息源可信度,從而降低消費(fèi)者由于信息不對稱所帶來的風(fēng)險[32]。而對于Airbnb所開放展示的房東信息,其中房東持有房源數(shù)量是房東短租經(jīng)營經(jīng)驗(yàn)的直觀體現(xiàn),反映了房東的運(yùn)營管理能力,對短租定價[33]和消費(fèi)者信任[34]具有顯著作用。此外,“超贊房東”是Airbnb基于一年內(nèi)房東所持有的所有房源的出租表現(xiàn),對于出色房東所授予的榮譽(yù)稱號,房客將通過查看是否為超贊房東來判斷房東經(jīng)營能力和網(wǎng)絡(luò)口碑,并做出購買決策[32]。因此提出假設(shè):
H5a:房東持有房源數(shù)量會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H5b:房東持有房源數(shù)量會正向影響用戶購買行為。
H6a:超贊房東認(rèn)證會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H6b:超贊房東認(rèn)證會正向影響用戶購買行為。
同時,在電子商務(wù)交易過程中,買方對誠實(shí)、真誠地展示自身真實(shí)信息的賣方具有明顯信任傾向[35]。而身份認(rèn)證機(jī)制即為共享住宿平臺所提供的幫助買賣雙方建立信任的兩大機(jī)制之一[36]。Airbnb上并未強(qiáng)制要求房東對以上所有身份信息進(jìn)行披露,其中個人身份信息認(rèn)證越全面的房東被認(rèn)為更愿意向租客展示更多的個人真實(shí)信息來展現(xiàn)個人信譽(yù),也更容易獲得網(wǎng)絡(luò)口碑。另一方面,房東入駐平臺的時間越長,房東的經(jīng)驗(yàn)越豐富,越了解用戶消費(fèi)心理和服務(wù)需求,因此可以提供更高質(zhì)量的短租產(chǎn)品與服務(wù)。已有研究發(fā)現(xiàn),與剛完成注冊的房東相比,用戶更傾向于信任注冊時間較長的房東[32],且房源預(yù)定次數(shù)與房東入駐時長間具有明顯的正相關(guān)關(guān)系[37]。因此提出假設(shè):
H7a:房東認(rèn)證方式數(shù)量會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H7b:房東認(rèn)證方式數(shù)量會正向影響用戶購買行為。
H8a:房東入駐平臺年份會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H8b:房東入駐平臺年份會正向影響用戶購買行為。
此外,除頁面所展示的一般描述性信息之外,消費(fèi)者了解短租產(chǎn)品服務(wù)信息的重要渠道就是通過平臺所設(shè)置的在線聊天工具與房東進(jìn)行溝通。D.H. Mchnight等認(rèn)為買賣雙方的信任建立在社會互動的過程之中,積極的互動是賣方善意的表現(xiàn),有助于增進(jìn)用戶對商家的信任[38]。房東在與租客互動中所表現(xiàn)出的服務(wù)態(tài)度,是否能給消費(fèi)者營造出溫馨舒適的交易氛圍,對消費(fèi)者是否表現(xiàn)出積極的網(wǎng)絡(luò)口碑至關(guān)重要[39]。而對于在線短租平臺,能夠及時回復(fù)租客無疑是房東積極參與互動的體現(xiàn),可以通過幫助租客了解更多的訂房信息而加快用戶購買決策。同時,閃訂功能是房東可選擇開通的一項(xiàng)功能,能讓房客更輕松地完成預(yù)定,一旦開通,無須等待房東確認(rèn),就可即刻成單。閃訂功能的開通意味著房東愿意承擔(dān)一定的沒有親自對租客素質(zhì)水平進(jìn)行把關(guān)所帶來的風(fēng)險,而為租客享受短租服務(wù)提供便利,可以讓租客感受到友好的服務(wù),對于房源定價與促進(jìn)用戶完成預(yù)定均有顯著影響[40]。因此提出假設(shè):
H9a:房東回復(fù)率會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H9b:房東回復(fù)率會正向影響用戶購買行為。
H10a:房東是否允許閃訂會正向影響短租產(chǎn)品服務(wù)網(wǎng)絡(luò)口碑。
H10b:房東是否允許閃訂會正向影響用戶購買行為。
2.3? 網(wǎng)絡(luò)口碑的中介作用
網(wǎng)絡(luò)口碑的概念最早由B. Gelb和M. Johnson提出,他們認(rèn)為通過互聯(lián)網(wǎng)所進(jìn)行的信息溝通與交換是當(dāng)前口碑傳播的重要形式[41]。以在線評論為主要表現(xiàn)形式,網(wǎng)絡(luò)口碑體現(xiàn)的是一種具有傾向性的購買態(tài)度,代表著消費(fèi)者對產(chǎn)品與服務(wù)的認(rèn)可與依賴,而積極的購買態(tài)度對用戶消費(fèi)具有刺激作用[42]。從情感極性上看,網(wǎng)絡(luò)口碑的傾向可分為積極、中性和消極,是用戶體驗(yàn)的直觀描述。同時,正面的網(wǎng)絡(luò)口碑又會激發(fā)潛在消費(fèi)者的積極情緒,從而促進(jìn)產(chǎn)生沖動性購買,反之負(fù)面的網(wǎng)絡(luò)口碑會激發(fā)消極情緒進(jìn)而抑制沖動性購買[43-44]。已有學(xué)者通過問卷調(diào)查方式驗(yàn)證了Airbnb平臺用戶感知價值對房源網(wǎng)絡(luò)口碑的影響[45],以及通過用戶評分所衡量的網(wǎng)絡(luò)口碑對旅游住宿預(yù)訂數(shù)量的作用路徑[46]。對于在線短租平臺,其用戶評論無疑體現(xiàn)了消費(fèi)者對民宿產(chǎn)品服務(wù)質(zhì)量的整體感知,同樣將作為一種信號影響其他人的購買行為。尤其當(dāng)前,國內(nèi)外學(xué)術(shù)界已經(jīng)關(guān)注到對產(chǎn)品口碑信息的更細(xì)粒度刻畫,通過計(jì)算評論情感指數(shù)等來探究用戶口碑傾向,并進(jìn)一步探索其對房源銷量的影響,在新方法下實(shí)現(xiàn)了對口碑效應(yīng)的驗(yàn)證[47-48]。因此提出假設(shè):
H11:網(wǎng)絡(luò)口碑會影響用戶購買行為。
因此,通過以上的文獻(xiàn)回顧,以ELM模型為理論基礎(chǔ),本研究構(gòu)建了基于網(wǎng)絡(luò)口碑中介作用的在線短租用戶購買行為研究模型框架,見圖1。同時考慮到價格、是否有獨(dú)立衛(wèi)生間、臥室數(shù)往往為租客所主動設(shè)置的篩選條件,該信息不需要用戶進(jìn)行過多處理分析,但將限制用戶購買行為,故將其作為控制變量。
3? 數(shù)據(jù)獲取與變量構(gòu)建
3.1? 數(shù)據(jù)采集
Airbnb創(chuàng)立于2008年,已成為目前全球領(lǐng)先的民宿短租公寓預(yù)定平臺,積累了大量的在線短租用戶消費(fèi)數(shù)據(jù)和反饋數(shù)據(jù)。本研究采集來自Airbnb網(wǎng)站Inside Airbnb上截至2021年12月24日北京地區(qū)的公開數(shù)據(jù),見表1。
3.2? 基于BERT的eWOM指標(biāo)構(gòu)建
網(wǎng)絡(luò)口碑是消費(fèi)者對產(chǎn)品服務(wù)質(zhì)量正面或負(fù)面情緒的反饋,充分反映了用戶對產(chǎn)品的感知滿意度,尤其對于負(fù)面口碑,為了提升用戶體驗(yàn)和產(chǎn)品銷量,對這些評論的適當(dāng)管理是塑造品牌聲譽(yù)的基本要素[45]。已有研究表明,網(wǎng)絡(luò)口碑中的情感因素對圖書銷量、電影票房、房源銷量產(chǎn)生了一定的影響[47,49]。更有學(xué)者基于情感詞典方法對產(chǎn)品網(wǎng)絡(luò)口碑信息進(jìn)行了多層次細(xì)粒度挖掘[48]。因此可以通過用戶評論的情感傾向來判斷網(wǎng)絡(luò)口碑的好壞[50]。故將收集到的23 224條在線短租用戶評論,刪除非中文評論、重復(fù)評論、無效評論、字?jǐn)?shù)小于10的評論信息,最終得到19 744條有效評論信息用來訓(xùn)練BERT模型,并對每條評論進(jìn)行情感得分計(jì)算,以獲取網(wǎng)絡(luò)口碑衡量指標(biāo)?;贐ERT的eWOM衡量指標(biāo)構(gòu)建過程見圖2。
(1)樣本篩選與標(biāo)注。本文從評論文本集中隨機(jī)抽取出3 000條評論,將情感表達(dá)明顯為積極的評論標(biāo)記為1,同時借鑒以往文獻(xiàn)中的研究[51],考慮到模型泛化能力的提升,將情感表達(dá)明顯為消極和“位置不錯很好找,房間也很干凈。就是隔音不太好,希望能夠改善”等既有積極又有消極情感表達(dá)的評論文本標(biāo)記為0,體現(xiàn)為情感非正,由此得到可用于BERT預(yù)訓(xùn)練模型的評論情感標(biāo)注樣本集。部分標(biāo)注內(nèi)容見表2。
(2)用戶評論情感得分計(jì)算。BERT作為一種基于transformer所建立的預(yù)訓(xùn)練模型,不同于傳統(tǒng)語言模型采用CNN或RNN的鏈?zhǔn)浇Y(jié)構(gòu),能夠直接獲取語言單位的雙向語義關(guān)系從而獲取到更多文本語義信息,并能夠有效提升模型的泛化能力,在很多自然語言處理(natural language processing,NLP)任務(wù)中表現(xiàn)出色[52]。謝星雨等基于BERT及其改進(jìn)模型實(shí)現(xiàn)對電商評論文本的自動化分類,驗(yàn)證了BERT預(yù)訓(xùn)練模型的優(yōu)越性[53]。
因此,本研究利用BERT來對評論樣本集的情感極性進(jìn)行判別,其準(zhǔn)確率能達(dá)到0.950,精確率為0.955,召回率達(dá)到0.950,F(xiàn)1值為0.952,證實(shí)了BERT預(yù)訓(xùn)練模型在處理在線短租評論文本情感分析問題中的優(yōu)越性。并基于訓(xùn)練好的BERT算法對全評論集中每條評論的情感得分進(jìn)行了計(jì)算,部分評論內(nèi)容及其情感得分和情感極性如表3所示:
(3)單個房源eWOM衡量。在得到所有用戶評論的情感得分后,對于單個房源而言,該房源所對應(yīng)的全部用戶評論的情感得分均值即可以作為該房源的網(wǎng)絡(luò)口碑,以Airbnb上id為8 787 628的房源為例,其所有用戶評論共11條,其中既包含積極評論,如“屋子很干凈舒適,周圍環(huán)境也很好,離各種餐廳很近,地鐵站也很近,屋主很熱心,還幫忙提行李”,情感得分為0.999 961;也包含消極評論,如“一個房間的浴室蓮蓬頭水太小太小了,不能洗頭,最多沖一下。還有雙人床的一個角是塌陷下去的”,情感得分為0.001 716。故該房源的網(wǎng)絡(luò)口碑應(yīng)同時考慮到消費(fèi)者的積極和消極體驗(yàn),對所有評論的情感得分進(jìn)行求和平均,最終得到評價該房源網(wǎng)絡(luò)口碑的值為0.727 448。
3.3? 變量描述
在Airbnb上并不會顯示成交的訂單量數(shù)據(jù),因此當(dāng)以Airbnb為研究對象時,不宜使用訂單量作為用戶購買行為的衡量指標(biāo)。同時,根據(jù)Airbnb交易規(guī)則發(fā)現(xiàn),Airbnb在每一次成功的交易后會要求用戶對當(dāng)次短租體驗(yàn)做出評論,因此可以選取評論量來反映在線短租的成交情況[18]。此外,根據(jù)圖1所提出的研究模型和表1中所獲取到的房源、房東數(shù)據(jù),參考以往Airbnb相關(guān)研究中的房源和房東屬性定義[54-55],可得到表4的變量描述:
4? 實(shí)證分析
4.1? 相關(guān)性分析
變量之間的相關(guān)性和共線性見表5,所有變量之間的相關(guān)性系數(shù)均小于0.8,同時方差膨脹因子VIF均遠(yuǎn)小于5,所有自變量的平均VIF為1.370,大于1,均在合理范圍內(nèi)。因此可以認(rèn)為變量之間沒有嚴(yán)重的相關(guān)性問題,且不存在多重共線性問題,可以進(jìn)行下一步的回歸分析。
4.2? 回歸分析
為了驗(yàn)證第2節(jié)提出的假設(shè),本文運(yùn)用Stata軟件進(jìn)行負(fù)二項(xiàng)回歸分析,房源屬性和房東屬性相關(guān)回歸分析結(jié)果分別如表6和表7所示。其中,表6中模型(1)顯示了控制變量對用戶購買行為的影響。表6中模型(2)—(5)以及表7中模型(1)—(6)探究了房源和房東屬性對用戶購買行為的影響。而表6中模型(11)—(14)以及表7中模型(13)—(18)探究了這些因素對網(wǎng)絡(luò)口碑的影響。同時表6中模型(6)—(10)以及表7中模型(7)—(12)則探究了網(wǎng)絡(luò)口碑的中介作用。
4.2.1? 房源屬性的影響
房源屬性各維度下,房源整體特征描述長度顯著正向影響網(wǎng)絡(luò)口碑(β=0.000 4,p<0.001)和用戶購買行為(β=0.001 7,p<0.001),房源周邊環(huán)境描述長度則對用戶購買行為(β=0.000 6,p<0.05)有顯著正向影響,而對網(wǎng)絡(luò)口碑無顯著影響作用(β=-0.000 1)。此外,房源與北京市中心的距離顯著負(fù)向影響用戶購買行為(β=-0.009 6,p<0.001),但顯著正向影響網(wǎng)絡(luò)口碑(β=0.002 5,p<0.001)。最后,房屋內(nèi)設(shè)施量顯著正向影響網(wǎng)絡(luò)口碑(β=0.019 5,p<0.001),用戶購買行為亦然(β=0.053 5,p<0.001)。因此,房源屬性對網(wǎng)絡(luò)口碑及用戶購買行為的影響見表8。
4.2.2? 房東屬性的影響
在房東屬性方面,房東持有房源數(shù)量顯著負(fù)向影響網(wǎng)絡(luò)口碑(β=-0.004 8,p<0.001)和用戶購買行為(β=-0.006 5,p<0.05),而房東的超贊房東認(rèn)證顯著正向影響網(wǎng)絡(luò)口碑(β=0.473 0,p<0.001)和用戶購買行為(β=1.126 8,p<0.001)。此外,房東認(rèn)證方式數(shù)量對網(wǎng)絡(luò)口碑(β=0.043 8,p<0.001)和用戶購買行為(β=0.143 4,p<0.001)有顯著正向影響,而房東入駐平臺年份同樣顯著正向影響網(wǎng)絡(luò)口碑(β=0.088 1,p<0.001)和用戶購買行為(β=0.314 1,p<0.001)。最后房東回復(fù)率對網(wǎng)絡(luò)口碑(β=0.414 1,p<0.001)和用戶購買行為(β=0.897 6,p<0.001)具有顯著的正向影響作用,而是否開通閃訂同樣顯著正向影響網(wǎng)絡(luò)口碑(β=0.124 6,p<0.001)和用戶購買行為(β=0.277 3,p<0.001)。綜上所述,房東屬性對網(wǎng)絡(luò)口碑及用戶購買行為的影響見表9。
4.2.3? 網(wǎng)絡(luò)口碑的中介作用
為了從實(shí)證角度驗(yàn)證網(wǎng)絡(luò)口碑在房東個人屬性和房源功能價值影響用戶購買行為中的中介作用,本文采用逐步檢驗(yàn)法對其中介效應(yīng)進(jìn)行分析[56]。首先,由以上分析可知,除房源周邊環(huán)境描述外所提出的房源和房東屬性均會顯著影響用戶購買行為和網(wǎng)絡(luò)口碑;而由表6中模型(6)可知,網(wǎng)絡(luò)口碑顯著正向影響用戶購買行為(β=3.727 1,p<0.001),假設(shè)H11成立;其次,由表6中模型(7)—(10)以及表7中模型(7)—(12)可知,除房源周邊環(huán)境描述外,網(wǎng)絡(luò)口碑在房源和房源屬性影響用戶購買行為過程中的中介效應(yīng)顯著,見表10。網(wǎng)絡(luò)口碑的建立意味著消費(fèi)者對賣家所提供產(chǎn)品與服務(wù)的認(rèn)可與依賴,是在接收到產(chǎn)品服務(wù)質(zhì)量信號后對房東聲譽(yù)信念的認(rèn)識,并成為影響在線短租消費(fèi)者購買行為的重要驅(qū)動力[57]。因此可以認(rèn)為,房源和房東屬性會通過影響消費(fèi)者的態(tài)度,即網(wǎng)絡(luò)口碑,間接影響潛在消費(fèi)者的購買行為。
4.3? 魯棒性檢驗(yàn)
A. Lawani等[58]和楊帥等[54]均認(rèn)為,Airbnb房源評價的6個細(xì)分指標(biāo),即“如實(shí)描述、位置便利、溝通順暢、干凈衛(wèi)生、入住便捷、高性價比”能夠反映房源口碑,且其效果優(yōu)于單維評價指標(biāo),即整體評價等級分?jǐn)?shù)。因此,為了進(jìn)行魯棒性檢驗(yàn),驗(yàn)證在線短租網(wǎng)絡(luò)口碑替代變量構(gòu)建的可行性,以及實(shí)證分析模型的穩(wěn)定性和可推廣性,本文將單個房源6項(xiàng)細(xì)分評價指標(biāo)分?jǐn)?shù)之和作為該房源的網(wǎng)絡(luò)口碑進(jìn)行實(shí)驗(yàn)。回歸結(jié)果(見表11和表12)與原結(jié)論基本一致,即證明本文研究模型具有穩(wěn)健性。
5? 實(shí)證結(jié)果討論
本文基于ELM模型,通過BERT情感得分計(jì)算構(gòu)建網(wǎng)絡(luò)口碑指標(biāo),采用實(shí)證研究的方法解釋了在線短租平臺Airbnb上房源和房東屬性如何影響網(wǎng)絡(luò)口碑,進(jìn)而影響最終的用戶購買行為,最終得到如下主要結(jié)論:
5.1? 中心路徑:房源屬性的影響
如表8所示,房源屬性中房源整體特征描述對在線短租網(wǎng)絡(luò)口碑和用戶購買行為均有顯著正向影響。而房源周邊環(huán)境描述則僅顯著正向影響用戶購買行為,而對網(wǎng)絡(luò)口碑無顯著作用。正如圖3所示,房源整體特征描述是對房源特色優(yōu)勢的概述,讓消費(fèi)者可以對該房源有更準(zhǔn)確的心理預(yù)期。根據(jù)印象管理理論,房東可以通過一定的描述性策略來塑造房源形象并取得良好網(wǎng)絡(luò)口碑,提高交易成功率[24,27]。但對于房源周邊環(huán)境相關(guān)描述性文本,雖然如圖4所示體現(xiàn)了房源周邊自然、交通和經(jīng)濟(jì)資源情況,但由于在房源整體描述中已經(jīng)涉及對房源交通狀況、周邊景區(qū)等的描述,過長的周邊環(huán)境描述性文本反而造成冗余,給消費(fèi)者帶來不必要的理解負(fù)擔(dān),不利于提升網(wǎng)絡(luò)口碑。
此外,房源與市中心距離僅顯著負(fù)向影響用戶購買行為,對網(wǎng)絡(luò)口碑則有顯著正向影響。北京市中心位于東城區(qū)和西城區(qū)。如圖5所示,市中心是一個明顯的短租房源聚集區(qū),東城區(qū)平均房源銷量也位于前列。但北京作為政治經(jīng)濟(jì)中心,其他各區(qū)在經(jīng)濟(jì)商業(yè)上同樣發(fā)展出了自身優(yōu)勢產(chǎn)業(yè),形成了區(qū)縣內(nèi)的短租旅游中心,整體上依然符合商圈理論[28]和核心—邊緣旅游結(jié)構(gòu)理論[29]。而對于消費(fèi)者而言,如圖6—圖7,以用戶體驗(yàn)情感得分均值為衡量指標(biāo)的網(wǎng)絡(luò)口碑大部分處于中性水平,但隨著疫情后“京郊游”的逐步興起,雖然尚未動搖房源銷量的空間分布,但郊區(qū)自然風(fēng)光使租客表現(xiàn)出明顯正向情感傾向,網(wǎng)絡(luò)口碑提升[59]。
最后,房源設(shè)施數(shù)量對在線短租網(wǎng)絡(luò)口碑和用戶購買行為均有顯著正向影響作用。共享短租能夠提供更多生活、安全和娛樂設(shè)施,使整個住宿體驗(yàn)更有“人情味”和“體驗(yàn)感”,滿足用戶對于“家庭氛圍”的期待正是共享短租優(yōu)于傳統(tǒng)酒店住宿業(yè)的地方[28]。完備的房源內(nèi)部設(shè)施能夠增強(qiáng)消費(fèi)者對優(yōu)質(zhì)住宿條件的確定性,從而提升用戶評價,激勵用戶完成購買決策。
5.2? 邊緣路徑:房東屬性的影響
如表9所示,房東屬性中超贊房東認(rèn)證、房東認(rèn)證方式數(shù)量和入駐平臺年份均對在線短租網(wǎng)絡(luò)口碑和用戶購買行為有顯著正向影響。這是因?yàn)槌澐繓|是平臺對能力突出的房東所授予的官方認(rèn)證稱號,具有一定的權(quán)威性,且是對房東在過去12個月內(nèi)的綜合評價,因此更容易得到具有積極傾向的網(wǎng)絡(luò)口碑,并促使消費(fèi)者做出購買決策[32]。同時,Airbnb上房東經(jīng)過了越多的第三方平臺檢驗(yàn),則越能讓消費(fèi)者相信房東的真實(shí)身份并提高房源的可靠性,讓租客可以放心地與房東進(jìn)行交易,這也與L. Zhang等[60]的研究結(jié)論相符。而面對市場淘汰機(jī)制,房東經(jīng)營時間越長,意味著他們自入駐平臺以來已經(jīng)對所提供的短租產(chǎn)品與服務(wù)進(jìn)行了多次優(yōu)化和完善來適應(yīng)共享短租市場,因此更能取得租客認(rèn)同。
此外,房東回復(fù)率和是否允許閃訂也均對在線短租網(wǎng)絡(luò)口碑和用戶購買行為有顯著正向影響。消費(fèi)者在進(jìn)行交易前獲得房源信息的一個重要渠道就是與房東進(jìn)行線上溝通,而能夠及時詳細(xì)地回答用戶問題體現(xiàn)了房東的處事和溝通能力,是建立房東良好口碑的重要因素,也能夠有效引導(dǎo)用戶的選擇行為[61]。閃訂功能的開通無疑簡化了用戶的訂房流程,無需等待房東確認(rèn),即刻完成房源預(yù)定,可以避免等待期間被搶單,也使得房客可以更加輕松地規(guī)劃行程,同時開通閃訂功能的房東被要求提前設(shè)置入住須知,提高了主客間溝通效率與響應(yīng)性,因此這類房源得到消費(fèi)者青睞[62]。
而房東持有房源數(shù)量則對在線短租網(wǎng)絡(luò)口碑和用戶購買行為有顯著負(fù)向影響。一般來說,房東持有房源數(shù)量越多,則該房東為職業(yè)房東的可能性越大[33]。然而,職業(yè)房東雖然擁有更強(qiáng)的運(yùn)營能力,但有研究證明職業(yè)房東往往定價更高[63],且對于單套房源而言房東參與度更低[28],因此反而會降低用戶網(wǎng)絡(luò)口碑和購買意愿。
5.3? 網(wǎng)絡(luò)口碑的中介作用
如表10所示,網(wǎng)絡(luò)口碑在除房源周邊環(huán)境外的其他房源和房東屬性作用于用戶購買行為過程中均具有中介作用。解決消費(fèi)者對共享經(jīng)濟(jì)平臺與服務(wù)提供方的信任問題是維護(hù)共享經(jīng)濟(jì)可持續(xù)運(yùn)行的關(guān)鍵要素之一[64]。而隨著在線短租內(nèi)容社區(qū)屬性的加強(qiáng),網(wǎng)絡(luò)口碑得以將過往消費(fèi)者的真實(shí)體驗(yàn)傳遞給潛在用戶,在構(gòu)建用戶信任、營造房東聲譽(yù)中發(fā)揮著重要作用,是房源銷售的關(guān)鍵驅(qū)動因素。
同時,通過魯棒性檢驗(yàn),本研究已經(jīng)驗(yàn)證了以用戶評論情感得分均值作為網(wǎng)絡(luò)口碑替代變量的可行性?;诖耍瑸榱藘?yōu)化用戶體驗(yàn),短租平臺可以提取用戶評論表現(xiàn)出正向或負(fù)向情感傾向的內(nèi)容標(biāo)簽,并根據(jù)用戶關(guān)注的房東個人屬性和房源功能價值維度調(diào)整相關(guān)信息展示的排布,從而為用戶帶來正向激勵,促進(jìn)用戶完成房源預(yù)定。
6? 結(jié)果討論
6.1? 理論貢獻(xiàn)
首先,本文為確認(rèn)網(wǎng)絡(luò)口碑的替代變量提供了思路。網(wǎng)絡(luò)口碑體現(xiàn)了一種具有傾向性的購買態(tài)度,代表著消費(fèi)者對產(chǎn)品與服務(wù)的評價,是共享經(jīng)濟(jì)環(huán)境下在線交易得以順利進(jìn)行的前提和基礎(chǔ),有助于消費(fèi)者在與服務(wù)提供商信息不對稱的情況下做出購買決策。然而,現(xiàn)有研究大多利用評論數(shù)或總評分對網(wǎng)絡(luò)口碑進(jìn)行衡量,其結(jié)果并不準(zhǔn)確,僅用口碑情感傾向衡量又較為粗略,故本文采用評論情感傾向進(jìn)一步細(xì)粒度地刻畫網(wǎng)絡(luò)口碑,利用BERT模型對用戶評論進(jìn)行情感得分計(jì)算,并以某一房源下所有用戶評論的情感得分均值作為消費(fèi)者對該房源所產(chǎn)生的信任的衡量指標(biāo),為確認(rèn)網(wǎng)絡(luò)口碑的替代變量提供了思路。其次,本文擴(kuò)展了ELM模型的應(yīng)用場景。本文驗(yàn)證了ELM模型在探究在線短租產(chǎn)品服務(wù)質(zhì)量對用戶購買行為的影響中的應(yīng)用,尤其是網(wǎng)絡(luò)口碑在房東屬性和房源屬性影響用戶購買行為中的中介效應(yīng),擴(kuò)展了ELM模型的應(yīng)用場景,為其他學(xué)者研究在線平臺用戶行為提供參考。
6.2? 管理啟示
對于房東而言,為了提高自身吸引力,首先,可以有策略地通過房源描述塑造房源良好形象,后疫情時代可以著墨于房源防疫措施、退訂政策、室內(nèi)活動等;其次,對周邊環(huán)境的描述可以更有針對性,主要關(guān)注房源周邊交通狀況及主要景區(qū)或商圈,精簡字?jǐn)?shù),避免冗余;同時,在京郊游熱潮下,位于區(qū)縣邊緣位置的房源可以通過進(jìn)一步完善引起用戶積極情感傾向的產(chǎn)品及服務(wù),營造良好的口碑并穩(wěn)定用戶信任,借后疫情時代的新機(jī)遇形成良好商業(yè)循環(huán)。
而對于平臺而言,本研究已經(jīng)驗(yàn)證了以用戶評論情感得分均值作為網(wǎng)絡(luò)口碑替代變量的可行性,及其在影響用戶購買行為中的中介效應(yīng),因此平臺可以提取用戶評論表現(xiàn)出正向或負(fù)向情感傾向的內(nèi)容標(biāo)簽,為用戶購買決策提供參考,也為房東改進(jìn)自身短租產(chǎn)品及服務(wù)提供方向。其次,平臺應(yīng)當(dāng)加強(qiáng)對房東服務(wù)水平的監(jiān)管,保證房東對單套房源的參與度,設(shè)置相關(guān)評價指標(biāo),免除用戶選擇專業(yè)房東時的后顧之憂。
6.3? 研究局限及未來研究方向
本文探究了具體的房源和房東屬性如何影響在線短租網(wǎng)絡(luò)口碑及用戶購買行為,為確認(rèn)在線短租網(wǎng)絡(luò)口碑的替代變量提供了思路,并擴(kuò)展了ELM模型的應(yīng)用場景,為探索在線短租網(wǎng)絡(luò)口碑的前置影響因素提供了參考。但仍存在不足之處,包括考慮到短租平臺存在控評行為,用以衡量網(wǎng)絡(luò)口碑的評論情感得分具有一定的偏差,以及本研究采用了Airbnb北京地區(qū)的開源數(shù)據(jù),對解釋其他城市的網(wǎng)絡(luò)口碑水平及購買行為不具有普適性等。因此,未來研究可以綜合考慮評論中的文本和圖像等,并可以通過獲取多個城市的短租真實(shí)數(shù)據(jù)進(jìn)行對比分析,來觀察地區(qū)間差異對用戶購買行為的影響。此外,考慮到Airbnb退出中國的影響,未來可以將本文研究模型遷移到小豬短租、途家等平臺進(jìn)行比較研究,明確Airbnb在平臺運(yùn)營中存在的諸多問題,探究中國本土短租平臺的可持續(xù)發(fā)展路徑。
參考文獻(xiàn):
曹睿, 廖彬, 李敏, 等. 基于XGBoost的在線短租市場價格預(yù)測及特征分析模型[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn), 2021, 5(6): 51-65.
ROMANO A. The shifting geographies of digital intermediation: the effects of the COVID-19 pandemic on short-term rentals in Italian cities[J]. Digital geography and society, 2021(2): 100019.
賀靜.后疫情時代關(guān)于我國住宿業(yè)發(fā)展的思考[J]. 山西財(cái)政稅務(wù)專科學(xué)校學(xué)報, 2021, 23(3): 38-41.
梁曉蓓, 徐真, 李晶晶. 共享短租平臺商家屬性對消費(fèi)者網(wǎng)絡(luò)口碑的影響研究[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn), 2018, 2(11): 46-53.
ELVIRA I, YOGESH K D, NRIPENDRA R. The use of elaboration likelihood model in eWOM research: literature review and weight-analysis[C]//Responsible AI and analytics for an ethical and inclusive digitized society: 20th IFIP WG 6.11 conference on e-business, e-services and e-society. Galway: Springer, 2021: 495-505.
關(guān)利欣. 新冠肺炎疫情后中國消費(fèi)發(fā)展趨勢及對策[J]. 消費(fèi)經(jīng)濟(jì), 2020, 36(3): 27-34.
SUTHERLAND I, KIATKAWSIN K. Determinants of guest experience in airbnb: a topic modeling approach using LDA [J]. Sustainability, 2020, 12(8): 3402.
陳琳, 陳濤. 基于LDA模型和信任維度的在線短租用戶信任感知空間分布研究——基于Airbnb北京地區(qū)數(shù)據(jù)[J]. 中國發(fā)展, 2021, 21(5): 53-61.
盧長寶, 林嗣杰. 游客選擇在線短租住宿的動機(jī)研究[J]. 經(jīng)濟(jì)管理, 2018, 40(12): 153-167.
ERT E, FLEISCHER A, MAGEN N. Trust and reputation in the sharing economy: the role of personal photos in Airbnb[J]. Tourism management, 2016, 55(8): 62-73.
XIE K L, KWOK L. The effects of Airbnbs price positioning on hotel performance[J]. International journal of hospitality management, 2017(67): 174-184.
梁家銘, 趙潔, 鄭鵬, 等. 特征選擇下融合圖像和文本分析的在線短租平臺信任計(jì)算框架[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn), 2021, 5(2): 129-140.
劉蘭. 公共危機(jī)管理框架下在線短租平臺應(yīng)對新冠危機(jī)研究——基于途家房主視角[D]. 濟(jì)南: 山東大學(xué), 2021.
YAN L, WANG X . Why posters contribute different content in their positive online reviews: a social information-processing perspective[J]. Computers in human behavior, 2018(82): 199-216.
CHENG M, JIN X. What do Airbnb users care about? an analysis of online review comments[J]. International journal of hospitality management, 2019(76): 58-70.
TAO D, FANG W, LUO B, et al. Which marketer-generated-content is more effective? an experimental study in the context of a peer-to-peer accommodation platform[J]. International journal of hospitality management, 2022(100): 103089.
MAO Z, LYU J. Why travelers use Airbnb again? an integrative approach to understanding travelers repurchase intention.[J]. International journal of contemporary hospitality management, 2017, 29(9): 2464-2482.
閆勵, 牛新艷. 我國共享短租市場中的信任研究——基于Airbnb開源數(shù)據(jù)的分析[J]. 經(jīng)濟(jì)論壇, 2020(12): 137-147.
AHMAD S N, LAROCHE M. Analyzing electronic word of mouth: a social commerce construct[J]. International journal of information management, 2017, 37(3): 202-213.
盧彩鳳. 在線短租情境下的負(fù)面網(wǎng)絡(luò)口碑發(fā)布動機(jī)研究[D]. 武漢: 武漢大學(xué), 2018.
PETTY R E, CACIOPPO J T. The elaboration likelihood model of persuasion[J]. Advances in experimental social psychology, 1986(19): 123-205.
郭紈如. 基于ELM視角的在線評論對消費(fèi)者購買決策行為的影響研究[D]. 鄭州: 鄭州大學(xué), 2015.
黃靜, 劉洪亮, 郭昱瑯. 在線促銷限制對消費(fèi)者購買決策的影響研究-基于精細(xì)加工可能性視角[J]. 商業(yè)經(jīng)濟(jì)與管理, 2016(5): 76-85.
黃思皓, 鄧富民, 肖金岑. 網(wǎng)絡(luò)直播平臺觀眾的沖動購買決策研究——基于雙路徑影響視角[J]. 財(cái)經(jīng)科學(xué), 2021(5): 119-132.
馮俊. 不同質(zhì)量信號對知識產(chǎn)品購買決策的影響研究[D]. 武漢: 中南財(cái)經(jīng)政法大學(xué), 2019.
BARLOW J, DYSON E, LEARY T, et al. Hip, hype and hope—the three faces of virtual worlds (panel session)[C]// Proceedings of SIGGRAPH90: the 17th international ACM conference on computer graphics & interactive technique. New York: ACM, 1990: 1001-1029.
DORFLEITNER G, PRIBERNY C, SCHUSTER S, et al. Description-text related soft information in peer-to-peer lending–Evidence from two leading European platforms[J]. Journal of banking & finance, 2016(64): 169-187.
GEITS A, GEITS J. Christallers central place theory[J]. Journal of geography, 1966, 65(5): 220-226.
朱莉, 萬怡春. 核心—邊緣理論在區(qū)域旅游規(guī)劃中的運(yùn)用分成[J]. 旅游縱覽(下半月), 2017(3): 56.
池毛毛, 劉姝君, 盧新元, 等. 共享住宿平臺上房東持續(xù)參與意愿的影響機(jī)理研究: 平臺網(wǎng)絡(luò)效應(yīng)的視角[J]. 南開管理評論, 2019(4): 103-113.
JANG S, KIM J, KIM J, et al. Spatial and experimental analysis of peer-to-peer accommodation consumption during COVID-19[J]. Journal of destination marketing & management, 2021(20): 100563.
閆勵. 共享經(jīng)濟(jì)中的信任研究——基于共享短租大數(shù)據(jù)的分析[D]. 濟(jì)南: 山東財(cái)經(jīng)大學(xué), 2019.
賀明華, 劉小泉. 共享經(jīng)濟(jì)下消費(fèi)者信任的形成機(jī)理及影響機(jī)制[J]. 中國流通經(jīng)濟(jì), 2020, 34(2): 69-82.
曾應(yīng)強(qiáng). 共享短租模式中消費(fèi)者初始信任影響因素實(shí)證研究[D]. 北京: 對外經(jīng)濟(jì)貿(mào)易大學(xué), 2017.
MAYER R C, DAVIS J H, SCHOORMAN F D. An integrative model of organizational trust[J]. Academy of management review, 1995, 20(3): 709-734.
孫楠. 信息不對稱視角下共享住宿商家行為挖掘與徽章預(yù)測研究[D]. 杭州: 浙江工商大學(xué), 2018.
徐敬博. 螞蟻短租用戶購買決策的影響因素分析[D]. 天津: 天津師范大學(xué), 2019.
MCKNIGHT D H, CHOUDHURY V, KACMAR C. Developing and validating trust measures for e-commerce: an integrative typology[J]. Information systems research, 2002, 13(3): 334-359.
CHENG X, FU S, SUN J, et al. An investigation on online reviews in sharing economy driven hospitality platforms: a viewpoint of trust[J]. Tourism management, 2019(71): 366-377.
HONG I, YOO C. Analyzing spatial variance of Airbnb pricing determinants using multiscale GWR approach[J]. Sustainability, 2020, 12(11): 4710.
GELB B, JOHNSON M. Word-of-Mouth communication: causes and consequences[J]. Journal of health care marketing, 1995, 15(3): 54-58.
梁劍平, 武亮, 容家希. 網(wǎng)絡(luò)口碑如何促進(jìn)購買意愿?——基于消費(fèi)者鼓舞的被調(diào)節(jié)中介模型[J]. 商業(yè)經(jīng)濟(jì)與管理, 2021(2): 56-67.
何軍紅, 杜尚蓉, 李仲香. 在線評論對沖動性移動購物意愿的影響研究[J]. 當(dāng)代經(jīng)濟(jì)管理, 2019, 41(5): 25-31.
張敏, 張哲. 網(wǎng)絡(luò)環(huán)境下口碑對消費(fèi)者沖動性購買的影響[J]. 軟科學(xué), 2015, 29(10): 110-114.
DO T T M D, PEREIRA L N. Understanding Vietnamese consumers perception and word-of-mouth intentions towards Airbnb[J]. Journal of hospitality and tourism technology, 2023, 14(2): 83-101.
GARCIA M J, CHICO J R, SANCHEZ A R P, et al. Does electronic word-of-mouth differently influence traditional economy vs. collaborative economy tourist accommodation? an empirical study[J]. Journal of quality assurance in hospitality & tourism, 2022, 23(3): 771-795.
孟園, 王洪偉, 王偉. 網(wǎng)絡(luò)口碑對產(chǎn)品銷量的影響: 基于細(xì)粒度的情感分析方法[J]. 管理評論, 2017, 29(1): 144-154.
何有世, 何述芳. 基于領(lǐng)域本體的產(chǎn)品網(wǎng)絡(luò)口碑信息多層次細(xì)粒度情感挖掘[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn), 2018, 2(8): 60-68.
LICA L, TUTA M. Predicting product performance with social media[J]. Informatica Economicaeconomica, 2011, 15(2): 46.
張潔梅, 孔維錚. 網(wǎng)絡(luò)負(fù)面口碑對消費(fèi)者沖動性購買意愿的影響負(fù)面情緒的中介作用[J]. 管理評論, 2021, 33(6): 144-156.
江映潼. Airbnb短租平臺房源價格影響因素研究——基于在線評論情感分析及房源信息[D]. 北京: 對外經(jīng)濟(jì)貿(mào)易大學(xué), 2021.
DEVLIN J, CHANG M W, LEE K, et al. Bert: pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv: 1810.04805, 2018.
謝星雨, 余本功. 基于MFFMB的電商評論文本分類研究[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn), 2022, 6(1): 101-112.
畢文杰, 扶春娟. 基于機(jī)器學(xué)習(xí)的Airbnb房源價格預(yù)測及影響因素研究——以北京市為例[J]. 運(yùn)籌與管理, 2022(9): 217-224.
楊帥, 陳建宏, 柯丹, 等.共享住宿定價策略的跨國差異:國家文化價值觀在共享經(jīng)濟(jì)中的調(diào)節(jié)作用[J]. 南開管理評論, 2021, 24(03): 60-73.
王耀德, 林良. 協(xié)同創(chuàng)新網(wǎng)絡(luò)成員多樣性如何影響企業(yè)探索式創(chuàng)新——技術(shù)多元化的中介效應(yīng)[J]. 科技進(jìn)步與對策, 2021, 38(22): 76-82.
WU J, MA P, XIE K L. In sharing economy we trust: the effects of host attributes on short-term rental purchases[J]. International journal of contemporary hospitality management, 2017, 29(11): 2962-2976.
LAWANI A, REED M R, MARK T, ZHANG Y. Reviews and price on online platforms: evidence from sentiment analysis of Airbnb reviews in Boston[J]. Regional science and urban economics, 2019, 75(3): 22-34.
田文娟. 京郊旅游回暖[J]. 投資北京, 2020(6): 63-65.
ZHANG L, YAN Q, ZHANG L. A computational framework for understanding antecedents of guests perceived trust towards hosts on Airbnb[J]. Decision support systems, 2018(115): 105-116.
劉福珍.基于文本挖掘的用戶反饋服務(wù)質(zhì)量及影響研究[D]. 武漢: 武漢大學(xué), 2019.
GAWORr T, HOBERG K. Customers valuation of time and convenience in e-fulfillment[J]. International journal of physical distribution & logistics management, 2019, 49(1): 75-98.
陳子燕, 鄧麗. 短租市場租賃平臺定價機(jī)制研究——基于不同房東類型的分析[J]. 價格理論與實(shí)踐, 2019(5): 149-152.
孫玉玲, 方向, 李岸峰.共享住宿平臺消費(fèi)者信任的形成機(jī)制——基于扎根理論的案例探究[J]. 管理案例研究與評論, 2022, 15(1): 1-9.
作者貢獻(xiàn)說明:
黃? 茜:設(shè)計(jì)研究方案,分析數(shù)據(jù)與撰寫論文;
賀超城:提出選題和研究思路,進(jìn)行數(shù)據(jù)分析;
李欣儒:收集并處理數(shù)據(jù);
吳? 江:提出研究方向,確定選題。
Research on the Influencing Factors of Online Short-term Rental Users Consumption Behavior Based on the eWOM Measured by BERT in the Post-pandemic Era
Huang Qian? He Chaocheng? Li Xinru? Wu Jiang
School of Information Management, Wuhan University, Wuhan 430072
Abstract: [Purpose/Significance] Exploring the influence factors of electronic word-of-mouth (eWOM) and user purchase behavior after the epidemic, so as to better attract users in the post-epidemic era, which is crucial for promoting the economic recovery of the online short-term rental industry. [Method/Process] This research obtained public data in Beijing area on Airbnb, and constructed a measurement index of eWOM based on BERT. Then based on the ELM, a model of influencing factors of online short-term rental users purchase behavior was constructed with 4 listing attributes and 6 landlord attributes. Finally, the empirical research was carried out. [Result/Conclusion] Using the average sentiment score of reviews calculated by the BERT model to measure online short-term rental eWOM provided ideas for confirming its substitute variables. Apart from the impact pathway of describing the surrounding environment of the listing, eWOM plays an intermediary role when other attributes of the listing and the landlord influencing user purchasing behavior. However, contrary to the research hypothesis, the number of listings held by the landlord will negatively and significantly affect the eWOM and sales of the listing, which may be due to the lower involvement of the landlord in a single listing. And the farther the listing is from the city center, the better the eWOM is, which is associated with the post-epidemic peripheral travel. Finally, based on the results of this study, we proposed relevant operational suggestions for landlords and platforms. In the post-epidemic era, listing descriptions should focus more on epidemic prevention measures, check-out policies and indoor activities, as well as avoiding redundancy with the description of the surrounding environment. At the same time, the peripheral travel boom can be seized to turn the challenges of the epidemic into development opportunities and enhance the competitive strength and business volume of online short term rental listings.
Keywords: online short-term rental? ? electronic word of mouth? ? ELM? ? BERT