后疫情時代下短租民宿用戶購買行為研究

黃茜 賀超城 李欣儒 吳江

摘要：[目的/意義]挖掘疫情后網絡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，促進在線短租行業經濟回暖甚至實現超越。[方法/過程] 獲取Airbnb上北京地區的公開數據，利用BERT算法構建在線短租網絡口碑的衡量指標，基于ELM模型選取4個房源屬性和6個房東屬性構建在線短租用戶購買行為影響因素模型并進行實證研究。[結果/結論] 利用BERT模型計算的評論情感得分均值來衡量在線短租網絡口碑，為確認其替代變量提供思路。同時負二項回歸結果表明，除房源周邊環境描述所在影響路徑外，網絡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，與研究假設相反，房東持有房源數量將負向顯著影響房源口碑與銷量，這可能是因為單套房源房東參與度更低；而房源與市中心距離越遠，網絡口碑越好，與疫情后周邊游特征相關聯。最后基于本研究結果為房東和平臺提出相關運營建議，后疫情時代房源描述應當更加著墨于房源防疫措施、退訂政策、室內活動等，但應與周邊環境描述區別開來，同時可以抓住周邊游熱潮將疫情挑戰轉變為發展機遇，提升在線短租房源的競爭實力和業務量。

關鍵詞：在線短租? ? 網絡口碑? ? 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衡量的網絡口碑[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，傳統酒店住宿已經無法滿足用戶的個性化住宿需求。在線短租，這一更具體驗感和溫馨感的住宿方式應運而生，既能滿足租客的多樣化房源需求，又能實現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[2]。而進入后疫情時代，隨著新冠疫苗接種的全面普及和取消旅游限制地區的增加，在線短租也逐步迎來了回暖復蘇期[3]。同時，區別于共享交通、共享充電寶等其他共享經濟業態，在在線短租領域，消費者所能獲得的產品服務信息剝離了許多物理信息線索，又由于房屋的不動產屬性面臨著更大的沉沒成本，網絡口碑（electronic word of mouth， eWOM）成為消費者獲取短租產品服務質量信息的重要渠道，以減少消費決策的不確定性[4]。已有研究表明，約93%的消費者在購買決策時會受到網絡口碑的影響[5]。但面對新冠疫情等突發性公共安全事件所導致的用戶需求新變化，過往研究多以評論數或總評分作為替代變量衡量網絡口碑的方法并不能準確地反映真實情況，還需要對網絡口碑進行更細粒度的刻畫。

因此，在后疫情時代，考慮到經歷疫情影響，消費者心理及行為所發生的重大變化[6]，本研究從全球最大C2C在線短租平臺Airbub（insideairbnb.com）獲取北京地區截至2021年12月24日的公開數據，其中包含仍處于運營狀態的5 159處房源信息，以及自2018年1月1日至此的全部評論數據[7]。進而利用BERT（bidirectional encoder representations from transformers）算法構建在線短租網絡口碑的衡量指標，基于詳盡可能性模型（elaboration likelihood model， ELM）構建在線短租用戶購買行為影響因素模型，挖掘疫情后消費者網絡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展的決策規劃，為用戶選擇更好的房源提供助力。

1? 理論基礎與文獻綜述

1.1? 在線短租用戶購買行為

近年來，隨著共享經濟的快速發展，在線短租這一共享住宿形式在全球各大城市發展迅猛，盤活了大量閑置已久的房屋資源，創造了巨大的經濟價值，為數十億用戶提供了個性化的住宿服務，受到國內外學者的廣泛關注。從認知信任和制度信任角度出發，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]、房屋設施[9]、房東信譽[10]、房屋定價[11]等作為信任衡量指標對用戶消費的影響作用均已得到驗證。而在了解用戶信任與用戶消費關系的基礎上，融合圖像和文本數據分析的在線短租平臺信任計算框架被提出，可有效解決房東信任評估等問題，為消費者購買租房服務提供了可信環境[12]。但現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制的構建上，未考慮互聯網背景下影響房源聲譽信念傳播的前置因素，即網絡口碑的重要作用。此外，對于新冠疫情等突發性公共安全事件為在線短租產業帶來的影響，當前大多研究還停留在定性分析用戶消費意愿衰退和銷售業績下降等方面[13]，尚未有學者利用實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行研究。

1.2? 在線短租網絡口碑

網絡口碑，其本質即為發布在產品或服務提供網站的反映消費者個人體驗的一類重要用戶生成內容[14]。尤其在互聯網時代，用戶熱衷于通過評論來表達自身使用旅游產品的主觀感受和真實體驗，網絡口碑在消費者購買決策中發揮著重要作用。而隨著在線短租內容社區屬性的加強，針對其他重要影響因素，尤其是非結構化數據，如用戶生成內容（user-generated content， UGC）[15]和房東營銷者生成內容（marketer-generated content， MGC）[16]等對用戶感知乃至用戶預定意愿的影響路徑也成為正在研究焦點之一。梁曉蓓等探究了研究與電子服務質量相關的商家特色介紹等線上商家屬性對房源網絡口碑的影響[4]。而Z. Mao等發現網絡口碑對在線短租用戶復購意愿有積極影響，同時網絡口碑將通過主觀規范間接影響消費者復購[17]。因此，可以認為網絡口碑在房源和房東屬性影響在線短租房源預定過程中具有重要作用。此外，對于網絡口碑，當前研究常常以評論數或總評分作為其替代變量，對網絡口碑的衡量并不準確[18]。而由于網絡口碑體現的是一種具有傾向性的購買態度，反映了已有消費體驗的用戶對購買產品所持的情感傾向，代表著消費者對產品與服務的認可與依賴，可考慮從在線評論所蘊含的情感來量化網絡口碑。但是，僅用評論情感傾向（即正向、中性、負向）量化網絡口碑又較為粗糙，在此基礎上，考慮用評論情感得分更加細粒度地刻畫網絡口碑[19-20]。故本研究將利用BERT算法計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絡口碑，為構建在線短租網絡口碑衡量指標提供參考。

1.3? ELM模型

ELM模型是由R. E. Petty和J. T. Cacioppo 于1986年所提出的關于個體對所獲取的信息進行參與、思考、處理的二元路徑處理模型，認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和能力，將以高卷入度認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度和行為。而邊緣路徑下信息接受者較少關注信息本身，更多關注信息源的特征，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，可以認為影響受眾處理信息態度的兩個關鍵因素是動機（處理所接受信息的強烈欲望）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加工程度和其影響用戶行為的路徑選擇[22]。其中，消費者的產品涉入度，即用戶對產品信息的關注程度以及產品屬性對用戶的重要性，反映了個體動機的大小[23]。而信息接受者的專業知識背景，以及信息的復雜程度和可讀性等被認為與能力密切相關[22]。同時，參照現有研究，在互聯網環境下，平臺質量、信息質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]。馮俊發現知識產品描述性信息等將通過中心路徑影響知識產品購買決策，而知識提供者聲譽信號則是邊緣路徑上正向影響因素[25]。黃思皓等驗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用戶沉浸體驗和滿意度[24]。

ELM模型同樣被認為是網絡口碑研究中的重要理論模型。I. Elvira等總結了現有網絡口碑研究中的集體發現，重新驗證了19項中心路徑（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）上影響網絡口碑和消費者購買意愿的因素[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，認為房源屬性作為短租產品服務質量的直接客觀描述將通過中心路徑影響網絡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品服務信息相關的重要外圍線索。

2? 研究假設與模型構建

2.1? 中心路徑：房源屬性的影響

房源是消費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施、房屋布局、周邊環境、地理位置等，無疑是消費者在完成購買決策時所需首要關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勢的概述，是房東所披露的認為房源具有吸引力的信息，同時也是租客對房源質量產生第一印象的基礎。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，盡可能維護自身所希望擁有的形象[26]。即可以認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，有學者認為描述性文本長度與交易成功率密切相關[27]。因此，在共享短租平臺上，房源整體特征描述所包含的內容越詳細，越能加深消費者的理解，就越能建立正向網絡口碑，對消費者擇屋決策的影響越大。故可以提出假設：

H1a：房源整體特征描述會正向影響短租產品服務網絡口碑。

H1b：房源整體特征描述會正向影響用戶購買行為。

其次，根據商圈理論[28]和核心—邊緣旅游結構理論[29]，房源周邊環境和地理位置共同體現了房源的區位效益。受行政、市場、交通等因素影響，旅游區域可以劃分為中心區和非中心區，中心區往往具有更豐富的旅游資源，因而旅游活動最為強烈，所產生的旅游效率最高，可以認為從中心到邊緣，旅游區域吸引消費者的能力逐漸降低[30]。而周邊環境和地理位置是對房源是否處于中心區的直觀體現。陳琳等發現不同的房源空間分布會影響用戶對房源的信任值和關注度[8]。S. Jang等探究了在新冠疫情背景下租房市場中目的地區位屬性所導致的消費者行為的異質性[31]。因此提出假設：

H2a：房源周邊環境描述會正向影響短租產品服務網絡口碑。

H2b：房源周邊環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向影響短租產品服務網絡口碑。

H3b：房源與市中心距離會負向影響用戶購買行為。

此外，使整個住宿體驗更有“人情味”和“體驗感”正是在線短租的優勢所在，房源內設施狀況無疑是探究在線短租相關用戶行為不可或缺的影響因素[28]。對于租客來說，房源內部是其短租旅游過程中的重要活動與休息場所，完善的內部設施，能夠消除用戶對于短租生活不便利性和安全風險的擔憂，從而對用戶網絡口碑的建立產生積極影響，使用戶能夠放心地做出購買決策。因此提出假設：

H4a：房源設施數量會正向影響短租產品服務網絡口碑。

H4b：房源設施數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

不同于其他共享經濟業態，共享短租涉及更多的租客和房東間的交流互動，因此更需要提供細粒化的房東資料特征來提高信息源可信度，從而降低消費者由于信息不對稱所帶來的風險[32]。而對于Airbnb所開放展示的房東信息，其中房東持有房源數量是房東短租經營經驗的直觀體現，反映了房東的運營管理能力，對短租定價[33]和消費者信任[34]具有顯著作用。此外，“超贊房東”是Airbnb基于一年內房東所持有的所有房源的出租表現，對于出色房東所授予的榮譽稱號，房客將通過查看是否為超贊房東來判斷房東經營能力和網絡口碑，并做出購買決策[32]。因此提出假設：

H5a：房東持有房源數量會正向影響短租產品服務網絡口碑。

H5b：房東持有房源數量會正向影響用戶購買行為。

H6a：超贊房東認證會正向影響短租產品服務網絡口碑。

H6b：超贊房東認證會正向影響用戶購買行為。

同時，在電子商務交易過程中，買方對誠實、真誠地展示自身真實信息的賣方具有明顯信任傾向[35]。而身份認證機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制之一[36]。Airbnb上并未強制要求房東對以上所有身份信息進行披露，其中個人身份信息認證越全面的房東被認為更愿意向租客展示更多的個人真實信息來展現個人信譽，也更容易獲得網絡口碑。另一方面，房東入駐平臺的時間越長，房東的經驗越豐富，越了解用戶消費心理和服務需求，因此可以提供更高質量的短租產品與服務。已有研究發現，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]，且房源預定次數與房東入駐時長間具有明顯的正相關關系[37]。因此提出假設：

H7a：房東認證方式數量會正向影響短租產品服務網絡口碑。

H7b：房東認證方式數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品服務網絡口碑。

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，消費者了解短租產品服務信息的重要渠道就是通過平臺所設置的在線聊天工具與房東進行溝通。D.H. Mchnight等認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，有助于增進用戶對商家的信任[38]。房東在與租客互動中所表現出的服務態度，是否能給消費者營造出溫馨舒適的交易氛圍，對消費者是否表現出積極的網絡口碑至關重要[39]。而對于在線短租平臺，能夠及時回復租客無疑是房東積極參與互動的體現，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功能，能讓房客更輕松地完成預定，一旦開通，無須等待房東確認，就可即刻成單。閃訂功能的開通意味著房東愿意承擔一定的沒有親自對租客素質水平進行把關所帶來的風險，而為租客享受短租服務提供便利，可以讓租客感受到友好的服務，對于房源定價與促進用戶完成預定均有顯著影響[40]。因此提出假設：

H9a：房東回復率會正向影響短租產品服務網絡口碑。

H9b：房東回復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品服務網絡口碑。

H10b：房東是否允許閃訂會正向影響用戶購買行為。

2.3? 網絡口碑的中介作用

網絡口碑的概念最早由B. Gelb和M. Johnson提出，他們認為通過互聯網所進行的信息溝通與交換是當前口碑傳播的重要形式[41]。以在線評論為主要表現形式，網絡口碑體現的是一種具有傾向性的購買態度，代表著消費者對產品與服務的認可與依賴，而積極的購買態度對用戶消費具有刺激作用[42]。從情感極性上看，網絡口碑的傾向可分為積極、中性和消極，是用戶體驗的直觀描述。同時，正面的網絡口碑又會激發潛在消費者的積極情緒，從而促進產生沖動性購買，反之負面的網絡口碑會激發消極情緒進而抑制沖動性購買[43-44]。已有學者通過問卷調查方式驗證了Airbnb平臺用戶感知價值對房源網絡口碑的影響[45]，以及通過用戶評分所衡量的網絡口碑對旅游住宿預訂數量的作用路徑[46]。對于在線短租平臺，其用戶評論無疑體現了消費者對民宿產品服務質量的整體感知，同樣將作為一種信號影響其他人的購買行為。尤其當前，國內外學術界已經關注到對產品口碑信息的更細粒度刻畫，通過計算評論情感指數等來探究用戶口碑傾向，并進一步探索其對房源銷量的影響，在新方法下實現了對口碑效應的驗證[47-48]。因此提出假設：

H11：網絡口碑會影響用戶購買行為。

因此，通過以上的文獻回顧，以ELM模型為理論基礎，本研究構建了基于網絡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、是否有獨立衛生間、臥室數往往為租客所主動設置的篩選條件，該信息不需要用戶進行過多處理分析，但將限制用戶購買行為，故將其作為控制變量。

3? 數據獲取與變量構建

3.1? 數據采集

Airbnb創立于2008年，已成為目前全球領先的民宿短租公寓預定平臺，積累了大量的在線短租用戶消費數據和反饋數據。本研究采集來自Airbnb網站Inside Airbnb上截至2021年12月24日北京地區的公開數據，見表1。

3.2? 基于BERT的eWOM指標構建

網絡口碑是消費者對產品服務質量正面或負面情緒的反饋，充分反映了用戶對產品的感知滿意度，尤其對于負面口碑，為了提升用戶體驗和產品銷量，對這些評論的適當管理是塑造品牌聲譽的基本要素[45]。已有研究表明，網絡口碑中的情感因素對圖書銷量、電影票房、房源銷量產生了一定的影響[47，49]。更有學者基于情感詞典方法對產品網絡口碑信息進行了多層次細粒度挖掘[48]。因此可以通過用戶評論的情感傾向來判斷網絡口碑的好壞[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、重復評論、無效評論、字數小于10的評論信息，最終得到19 744條有效評論信息用來訓練BERT模型，并對每條評論進行情感得分計算，以獲取網絡口碑衡量指標。基于BERT的eWOM衡量指標構建過程見圖2。

（1）樣本篩選與標注。本文從評論文本集中隨機抽取出3 000條評論，將情感表達明顯為積極的評論標記為1，同時借鑒以往文獻中的研究[51]，考慮到模型泛化能力的提升，將情感表達明顯為消極和“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的評論文本標記為0，體現為情感非正，由此得到可用于BERT預訓練模型的評論情感標注樣本集。部分標注內容見表2。

（2）用戶評論情感得分計算。BERT作為一種基于transformer所建立的預訓練模型，不同于傳統語言模型采用CNN或RNN的鏈式結構，能夠直接獲取語言單位的雙向語義關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）任務中表現出色[52]。謝星雨等基于BERT及其改進模型實現對電商評論文本的自動化分類，驗證了BERT預訓練模型的優越性[53]。

因此，本研究利用BERT來對評論樣本集的情感極性進行判別，其準確率能達到0.950，精確率為0.955，召回率達到0.950，F1值為0.952，證實了BERT預訓練模型在處理在線短租評論文本情感分析問題中的優越性。并基于訓練好的BERT算法對全評論集中每條評論的情感得分進行了計算，部分評論內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，該房源所對應的全部用戶評論的情感得分均值即可以作為該房源的網絡口碑，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。故該房源的網絡口碑應同時考慮到消費者的積極和消極體驗，對所有評論的情感得分進行求和平均，最終得到評價該房源網絡口碑的值為0.727 448。

3.3? 變量描述

在Airbnb上并不會顯示成交的訂單量數據，因此當以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。同時，根據Airbnb交易規則發現，Airbnb在每一次成功的交易后會要求用戶對當次短租體驗做出評論，因此可以選取評論量來反映在線短租的成交情況[18]。此外，根據圖1所提出的研究模型和表1中所獲取到的房源、房東數據，參考以往Airbnb相關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? 實證分析

4.1? 相關性分析

變量之間的相關性和共線性見表5，所有變量之間的相關性系數均小于0.8，同時方差膨脹因子VIF均遠小于5，所有自變量的平均VIF為1.370，大于1，均在合理范圍內。因此可以認為變量之間沒有嚴重的相關性問題，且不存在多重共線性問題，可以進行下一步的回歸分析。

4.2? 回歸分析

為了驗證第2節提出的假設，本文運用Stata軟件進行負二項回歸分析，房源屬性和房東屬性相關回歸分析結果分別如表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絡口碑的影響。同時表6中模型（6）—（10）以及表7中模型（7）—（12）則探究了網絡口碑的中介作用。

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絡口碑（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，而對網絡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向影響用戶購買行為（β=-0.009 6，p<0.001），但顯著正向影響網絡口碑（β=0.002 5，p<0.001）。最后，房屋內設施量顯著正向影響網絡口碑（β=0.019 5，p<0.001），用戶購買行為亦然（β=0.053 5，p<0.001）。因此，房源屬性對網絡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，房東持有房源數量顯著負向影響網絡口碑（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證顯著正向影響網絡口碑（β=0.473 0，p<0.001）和用戶購買行為（β=1.126 8，p<0.001）。此外，房東認證方式數量對網絡口碑（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絡口碑（β=0.088 1，p<0.001）和用戶購買行為（β=0.314 1，p<0.001）。最后房東回復率對網絡口碑（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絡口碑（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，房東屬性對網絡口碑及用戶購買行為的影響見表9。

4.2.3? 網絡口碑的中介作用

為了從實證角度驗證網絡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，本文采用逐步檢驗法對其中介效應進行分析[56]。首先，由以上分析可知，除房源周邊環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絡口碑；而由表6中模型（6）可知，網絡口碑顯著正向影響用戶購買行為（β=3.727 1，p<0.001），假設H11成立；其次，由表6中模型（7）—（10）以及表7中模型（7）—（12）可知，除房源周邊環境描述外，網絡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顯著，見表10。網絡口碑的建立意味著消費者對賣家所提供產品與服務的認可與依賴，是在接收到產品服務質量信號后對房東聲譽信念的認識，并成為影響在線短租消費者購買行為的重要驅動力[57]。因此可以認為，房源和房東屬性會通過影響消費者的態度，即網絡口碑，間接影響潛在消費者的購買行為。

4.3? 魯棒性檢驗

A. Lawani等[58]和楊帥等[54]均認為，Airbnb房源評價的6個細分指標，即“如實描述、位置便利、溝通順暢、干凈衛生、入住便捷、高性價比”能夠反映房源口碑，且其效果優于單維評價指標，即整體評價等級分數。因此，為了進行魯棒性檢驗，驗證在線短租網絡口碑替代變量構建的可行性，以及實證分析模型的穩定性和可推廣性，本文將單個房源6項細分評價指標分數之和作為該房源的網絡口碑進行實驗。回歸結果（見表11和表12）與原結論基本一致，即證明本文研究模型具有穩健性。

5? 實證結果討論

本文基于ELM模型，通過BERT情感得分計算構建網絡口碑指標，采用實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絡口碑，進而影響最終的用戶購買行為，最終得到如下主要結論：

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絡口碑和用戶購買行為均有顯著正向影響。而房源周邊環境描述則僅顯著正向影響用戶購買行為，而對網絡口碑無顯著作用。正如圖3所示，房源整體特征描述是對房源特色優勢的概述，讓消費者可以對該房源有更準確的心理預期。根據印象管理理論，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絡口碑，提高交易成功率[24，27]。但對于房源周邊環境相關描述性文本，雖然如圖4所示體現了房源周邊自然、交通和經濟資源情況，但由于在房源整體描述中已經涉及對房源交通狀況、周邊景區等的描述，過長的周邊環境描述性文本反而造成冗余，給消費者帶來不必要的理解負擔，不利于提升網絡口碑。

此外，房源與市中心距離僅顯著負向影響用戶購買行為，對網絡口碑則有顯著正向影響。北京市中心位于東城區和西城區。如圖5所示，市中心是一個明顯的短租房源聚集區，東城區平均房源銷量也位于前列。但北京作為政治經濟中心，其他各區在經濟商業上同樣發展出了自身優勢產業，形成了區縣內的短租旅游中心，整體上依然符合商圈理論[28]和核心—邊緣旅游結構理論[29]。而對于消費者而言，如圖6—圖7，以用戶體驗情感得分均值為衡量指標的網絡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，但郊區自然風光使租客表現出明顯正向情感傾向，網絡口碑提升[59]。

最后，房源設施數量對在線短租網絡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、安全和娛樂設施，使整個住宿體驗更有“人情味”和“體驗感”，滿足用戶對于“家庭氛圍”的期待正是共享短租優于傳統酒店住宿業的地方[28]。完備的房源內部設施能夠增強消費者對優質住宿條件的確定性，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證、房東認證方式數量和入駐平臺年份均對在線短租網絡口碑和用戶購買行為有顯著正向影響。這是因為超贊房東是平臺對能力突出的房東所授予的官方認證稱號，具有一定的權威性，且是對房東在過去12個月內的綜合評價，因此更容易得到具有積極傾向的網絡口碑，并促使消費者做出購買決策[32]。同時，Airbnb上房東經過了越多的第三方平臺檢驗，則越能讓消費者相信房東的真實身份并提高房源的可靠性，讓租客可以放心地與房東進行交易，這也與L. Zhang等[60]的研究結論相符。而面對市場淘汰機制，房東經營時間越長，意味著他們自入駐平臺以來已經對所提供的短租產品與服務進行了多次優化和完善來適應共享短租市場，因此更能取得租客認同。

此外，房東回復率和是否允許閃訂也均對在線短租網絡口碑和用戶購買行為有顯著正向影響。消費者在進行交易前獲得房源信息的一個重要渠道就是與房東進行線上溝通，而能夠及時詳細地回答用戶問題體現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，即刻完成房源預定，可以避免等待期間被搶單，也使得房客可以更加輕松地規劃行程，同時開通閃訂功能的房東被要求提前設置入住須知，提高了主客間溝通效率與響應性，因此這類房源得到消費者青睞[62]。

而房東持有房源數量則對在線短租網絡口碑和用戶購買行為有顯著負向影響。一般來說，房東持有房源數量越多，則該房東為職業房東的可能性越大[33]。然而，職業房東雖然擁有更強的運營能力，但有研究證明職業房東往往定價更高[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絡口碑和購買意愿。

5.3? 網絡口碑的中介作用

如表10所示，網絡口碑在除房源周邊環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。解決消費者對共享經濟平臺與服務提供方的信任問題是維護共享經濟可持續運行的關鍵要素之一[64]。而隨著在線短租內容社區屬性的加強，網絡口碑得以將過往消費者的真實體驗傳遞給潛在用戶，在構建用戶信任、營造房東聲譽中發揮著重要作用，是房源銷售的關鍵驅動因素。

同時，通過魯棒性檢驗，本研究已經驗證了以用戶評論情感得分均值作為網絡口碑替代變量的可行性。基于此，為了優化用戶體驗，短租平臺可以提取用戶評論表現出正向或負向情感傾向的內容標簽，并根據用戶關注的房東個人屬性和房源功能價值維度調整相關信息展示的排布，從而為用戶帶來正向激勵，促進用戶完成房源預定。

6? 結果討論

6.1? 理論貢獻

首先，本文為確認網絡口碑的替代變量提供了思路。網絡口碑體現了一種具有傾向性的購買態度，代表著消費者對產品與服務的評價，是共享經濟環境下在線交易得以順利進行的前提和基礎，有助于消費者在與服務提供商信息不對稱的情況下做出購買決策。然而，現有研究大多利用評論數或總評分對網絡口碑進行衡量，其結果并不準確，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一步細粒度地刻畫網絡口碑，利用BERT模型對用戶評論進行情感得分計算，并以某一房源下所有用戶評論的情感得分均值作為消費者對該房源所產生的信任的衡量指標，為確認網絡口碑的替代變量提供了思路。其次，本文擴展了ELM模型的應用場景。本文驗證了ELM模型在探究在線短租產品服務質量對用戶購買行為的影響中的應用，尤其是網絡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，擴展了ELM模型的應用場景，為其他學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、室內活動等；其次，對周邊環境的描述可以更有針對性，主要關注房源周邊交通狀況及主要景區或商圈，精簡字數，避免冗余；同時，在京郊游熱潮下，位于區縣邊緣位置的房源可以通過進一步完善引起用戶積極情感傾向的產品及服務，營造良好的口碑并穩定用戶信任，借后疫情時代的新機遇形成良好商業循環。

而對于平臺而言，本研究已經驗證了以用戶評論情感得分均值作為網絡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，因此平臺可以提取用戶評論表現出正向或負向情感傾向的內容標簽，為用戶購買決策提供參考，也為房東改進自身短租產品及服務提供方向。其次，平臺應當加強對房東服務水平的監管，保證房東對單套房源的參與度，設置相關評價指標，免除用戶選擇專業房東時的后顧之憂。

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絡口碑及用戶購買行為，為確認在線短租網絡口碑的替代變量提供了思路，并擴展了ELM模型的應用場景，為探索在線短租網絡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，用以衡量網絡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北京地區的開源數據，對解釋其他城市的網絡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數據進行對比分析，來觀察地區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、途家等平臺進行比較研究，明確Airbnb在平臺運營中存在的諸多問題，探究中國本土短租平臺的可持續發展路徑。

參考文獻：

曹睿， 廖彬， 李敏， 等. 基于XGBoost的在線短租市場價格預測及特征分析模型[J]. 數據分析與知識發現， 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.后疫情時代關于我國住宿業發展的思考[J]. 山西財政稅務專科學校學報， 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者網絡口碑的影響研究[J]. 數據分析與知識發現， 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.

關利欣. 新冠肺炎疫情后中國消費發展趨勢及對策[J]. 消費經濟， 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北京地區數據[J]. 中國發展， 2021， 21（5）： 53-61.

盧長寶， 林嗣杰. 游客選擇在線短租住宿的動機研究[J]. 經濟管理， 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算框架[J]. 數據分析與知識發現， 2021， 5（2）： 129-140.

劉蘭. 公共危機管理框架下在線短租平臺應對新冠危機研究——基于途家房主視角[D]. 濟南： 山東大學， 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開源數據的分析[J]. 經濟論壇， 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面網絡口碑發布動機研究[D]. 武漢： 武漢大學， 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者購買決策行為的影響研究[D]. 鄭州： 鄭州大學， 2015.

黃靜， 劉洪亮， 郭昱瑯. 在線促銷限制對消費者購買決策的影響研究-基于精細加工可能性視角[J]. 商業經濟與管理， 2016（5）： 76-85.

黃思皓， 鄧富民， 肖金岑. 網絡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]. 財經科學， 2021（5）： 119-132.

馮俊. 不同質量信號對知識產品購買決策的影響研究[D]. 武漢： 中南財經政法大學， 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—邊緣理論在區域旅游規劃中的運用分成[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參與意愿的影響機理研究： 平臺網絡效應的視角[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. 共享經濟中的信任研究——基于共享短租大數據的分析[D]. 濟南： 山東財經大學， 2019.

賀明華， 劉小泉. 共享經濟下消費者信任的形成機理及影響機制[J]. 中國流通經濟， 2020， 34（2）： 69-82.

曾應強. 共享短租模式中消費者初始信任影響因素實證研究[D]. 北京： 對外經濟貿易大學， 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測研究[D]. 杭州： 浙江工商大學， 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， 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. 網絡口碑如何促進購買意愿？——基于消費者鼓舞的被調節中介模型[J]. 商業經濟與管理， 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]. 當代經濟管理， 2019， 41（5）： 25-31.

張敏， 張哲. 網絡環境下口碑對消費者沖動性購買的影響[J]. 軟科學， 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. 網絡口碑對產品銷量的影響： 基于細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. 基于領域本體的產品網絡口碑信息多層次細粒度情感挖掘[J]. 數據分析與知識發現， 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. 網絡負面口碑對消費者沖動性購買意愿的影響負面情緒的中介作用[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： 對外經濟貿易大學， 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]. 數據分析與知識發現， 2022， 6（1）： 101-112.

畢文杰， 扶春娟. 基于機器學習的Airbnb房源價格預測及影響因素研究——以北京市為例[J]. 運籌與管理， 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濟中的調節作用[J]. 南開管理評論， 2021， 24（03）： 60-73.

王耀德， 林良. 協同創新網絡成員多樣性如何影響企業探索式創新——技術多元化的中介效應[J]. 科技進步與對策， 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質量及影響研究[D]. 武漢： 武漢大學， 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制研究——基于不同房東類型的分析[J]. 價格理論與實踐， 2019（5）： 149-152.

孫玉玲， 方向， 李岸峰.共享住宿平臺消費者信任的形成機制——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.

作者貢獻說明：

黃? 茜：設計研究方案，分析數據與撰寫論文；

賀超城：提出選題和研究思路，進行數據分析；

李欣儒：收集并處理數據；

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