障礙信號對在線短租房源受歡迎度的影響研究

吳曉雋 王嘉敏

（東華大學(xué)旭日工商管理學(xué)院，上海 200051）

0 引言

分享經(jīng)濟(jì)興起于一場存量資源的消費(fèi)革命（王寧，2021），通過鼓勵雙邊平臺和閑置資源利用，以互聯(lián)網(wǎng)平臺配置資源，豐富原有的資源配置方式，優(yōu)化交換效率，構(gòu)建了一系列的經(jīng)濟(jì)活動（Richardson，2015；任朝旺 等，2021）。根據(jù)國家信息中心（2022）的數(shù)據(jù)，2021年中國分享經(jīng)濟(jì)市場交易規(guī)模約為36881億元，同比增長約9.2%，表明分享經(jīng)濟(jì)繼續(xù)呈現(xiàn)出巨大的發(fā)展?jié)摿晚g性。其中，以旅行分享住宿為核心的在線短租平臺的發(fā)展令人矚目。與傳統(tǒng)酒店相比，在線短租房源具有非標(biāo)準(zhǔn)化、個性化、靈活性強(qiáng)的特點(diǎn)。個人房東可以通過網(wǎng)絡(luò)平臺將閑置的房屋或房間短期出租以獲取收益，而旅游者則可以租用這些閑置房源來換取更低的住宿價格或更豐富的旅游體驗。2020 年中國在線民宿房東數(shù)量已達(dá)45.8 萬人，房源數(shù)量約為156萬套（國家信息中心，2022）。

隨著越來越多的房東加入在線短租平臺，市場競爭日益激烈，房東的獲利空間受到擠壓。房東的整體創(chuàng)收能力取決于他們能夠吸引多少需求，將潛在用戶的注意力轉(zhuǎn)化為實際的預(yù)訂需求。由于顧客搜索和預(yù)訂房源的整個過程都發(fā)生在線上，平臺顯示的元素往往成為潛在顧客初步評估房東可信度和報價質(zhì)量的唯一參考來源（Hawlitschek et al.，2016）。而在線短租平臺具有明顯的草根性和低門檻的特點(diǎn)（吳曉雋 等，2019），很多房東并不具備做好競爭分析和線上營銷的專業(yè)能力，因而在線短租房源在市場上的留存比例相對較低，房源流動性高。因此，研究房東如何在房源上線后通過有效地信息展示提高房源的受歡迎度，獲得持續(xù)且較為穩(wěn)定的收益，對于在線短租模式的可持續(xù)發(fā)展有著重要的意義。

在線短租房源的收益問題已成為分享旅行領(lǐng)域的研究熱點(diǎn)。由于變量眾多，房源收益的因素研究尤為復(fù)雜。一些研究者聚焦于房源特征、房東屬性及當(dāng)?shù)馗偁幁h(huán)境（Perez-Sanchez et al.，2018；Xie et al.，2019；Tang et al.，2019）等因素，開展了實證研究，案例地主要在歐美地區(qū)，而且往往以單個城市為研究樣本，其結(jié)論的普適性存在爭議。因此，需要更多的實證研究（Gibbs et al.，2018）來揭示并驗證規(guī)律。此外，目前的研究主要集中在價格決定因素上（Wang et al.，2017；Bárcena-Martín et al.，2022），對房源受歡迎度的研究相對不足。而且，已有研究多從宏觀視角將Airbnb 房源作為一個整體看待，對由于房源和房東屬性的不同造成的房源個體差異關(guān)注不足（Liu et al.，2020；王紅麗 等，2021）。事實上，每個房源所在城市的特性、房源周邊競爭環(huán)境等因素都會影響房源的受歡迎度，而現(xiàn)有文獻(xiàn)明顯在微觀層面對在線房源受歡迎度的研究存在不足。

因此，本文基于信號理論中的信號分類，聚焦于房東有較大自主努力空間的障礙信號，在微觀層面對信號發(fā)布與房源受歡迎程度之間的關(guān)系進(jìn)行了研究，并將城市類型和房源周邊競爭者密度作為調(diào)節(jié)變量，分析其對房源受歡迎程度的影響機(jī)制。鑒于Airbnb 在在線短租行業(yè)的領(lǐng)先地位，以及其平臺上以個人房東為主的特點(diǎn)，更能體現(xiàn)分享經(jīng)濟(jì)P2P 商業(yè)模式的本質(zhì)特征，本文以Airbnb 為研究案例，使用中國20個城市的Airbnb房源為樣本進(jìn)行實證研究。

本文的創(chuàng)新在于：第一，考慮到房源在地理位置上的不可移動性，基于信號理論，從更微觀的環(huán)境層面聚焦于房東在既定房源前提下更具調(diào)整空間的障礙信號，研究障礙信號傳遞對房源受歡迎度的影響，為理解房東自我展示信息對房源收益的影響提供新視角，是從微觀層面上對在線短租房源績效研究的豐富和細(xì)化。第二，在考察房源信號與受歡迎度之間的關(guān)系時，本文采用了更微觀的環(huán)境空間尺度，用平均每日房源評論數(shù)量與周邊2.5公里內(nèi)房源平均評論數(shù)量的差值來度量解釋變量（房源受歡迎程度），避免了不同區(qū)域之間無意義的對比。同時，調(diào)節(jié)變量的選取也考慮了房源周圍環(huán)境的影響，以揭示不同地理環(huán)境中障礙信號對房源受歡迎程度的異質(zhì)性影響。第三，考慮到房源的多樣性，實證過程將分位數(shù)回歸與最小二乘法相結(jié)合，這樣既能了解因變量分布的中心趨勢，又能知曉因變量分布的尾部趨勢，更能細(xì)致地刻畫障礙信號對房源受歡迎度的影響。

1 文獻(xiàn)綜述

1.1 分享經(jīng)濟(jì)與在線短租

人類的分享活動由來已久，但“分享經(jīng)濟(jì)”則是近年來在互聯(lián)網(wǎng)背景之下誕生的一種經(jīng)濟(jì)現(xiàn)象（Belk，2014；里夫金，2014）。Botsman（2010）認(rèn)為，分享經(jīng)濟(jì)是由信息和通信技術(shù)（ICT）的發(fā)展、消費(fèi)者意識的日益增長、協(xié)作網(wǎng)絡(luò)社區(qū)的擴(kuò)散，以及社交商務(wù)/共享所推動的。Zervas（2017）指出，分享經(jīng)濟(jì)是在商業(yè)價值背景下的一個綜合的概念，是經(jīng)濟(jì)問題，而不僅僅是通過傳統(tǒng)供應(yīng)商以較低的成本或較低的交易費(fèi)來租賃商品。Hamari（2016）則認(rèn)為，分享經(jīng)濟(jì)是通過“基于社區(qū)的在線服務(wù)”協(xié)調(diào)“基于對等的獲取、給予或共享對商品和服務(wù)的訪問的活動”，是一個涵蓋了信息通信技術(shù)的發(fā)展和技術(shù)及協(xié)作消費(fèi)的綜合性概念，其核心是在線平臺上共享商品和服務(wù)。從轉(zhuǎn)型的角度出發(fā)，分享經(jīng)濟(jì)被定義為包括利基市場、相關(guān)創(chuàng)新領(lǐng)域（即分享經(jīng)濟(jì)平臺），以及支持和促進(jìn)這些創(chuàng)新發(fā)展的中介機(jī)構(gòu)（即分享經(jīng)濟(jì)倡導(dǎo)者和投資者）（Smith et al.，2012；Martin，2016）。而M?hlmann（2015）則認(rèn)為，協(xié)作消費(fèi)已然超越了一種利基市場的模式，成為一個大規(guī)模的、擁有數(shù)百萬用戶基礎(chǔ)，且吸引了眾多企業(yè)投資的盈利市場。作為基于互聯(lián)網(wǎng)及智能設(shè)備產(chǎn)生的新型經(jīng)濟(jì)模式，分享經(jīng)濟(jì)被認(rèn)為是傳統(tǒng)經(jīng)濟(jì)模式的有益補(bǔ)充。其核心是在數(shù)字社會結(jié)構(gòu)的基礎(chǔ)上，對私人財物剩余容量的日?；鸵?guī)?；窒恚ㄍ鯇帲?021），這不僅提高了交易質(zhì)量，還激活了資源存量，同時也可能成為推動新一輪經(jīng)濟(jì)發(fā)展的動力，對于創(chuàng)新、資源分配和環(huán)境保護(hù)都具有顯著的推動作用（丁國峰，2021）。此外，在分享經(jīng)濟(jì)平臺上，多方可以協(xié)同創(chuàng)造價值（左文明 等，2020；沈蕾 等，2022），而且為了建立和維護(hù)平臺、消費(fèi)者、生產(chǎn)者等各方的信任，各方都期望平臺能夠建立相應(yīng)的模式和機(jī)制（Li et al.，2020；Pouri et al.，2021）。

Airbnb 所代表的在線短租平臺是分享經(jīng)濟(jì)模式中發(fā)展最迅速的類型之一，通過提供一個允許從個人到個人的大規(guī)模租用空間在線市場，改變了傳統(tǒng)住宿模式（Guttentag et al.，2015）。區(qū)別于傳統(tǒng)的酒店住宿模式，在線短租房源更加個性化且靈活（Chang et al.，2022）。此外，在線短租極大地降低了住宿業(yè)的進(jìn)入門檻，房東可以出租閑置的住房、房間甚至是床位。Airbnb 房東通常被描述為微型企業(yè)家（Stabrowski，2017），管理的房源顯示出廣泛的屬性變化（Wang et al.，2017），而且通常與客人的互動比酒店更頻繁（Abrate et al.，2019）。然而，潛在消費(fèi)者的消費(fèi)意愿很大程度上取決于房東在平臺上所釋放出的相關(guān)信號（Mauri et al.，2018；Yao et al.，2019；Liu et al.，2020；王紅麗 等，2021）。因此，房東只有在了解消費(fèi)者的消費(fèi)意愿受何種信號影響的情況下，才能提高房源競爭力，從而獲取更多收益。然而，在Airbnb領(lǐng)域，影響收益的因素非常復(fù)雜，因為變量之間互相重疊。這些變量包括房源特征（Perez-Sanchez et al.，2018；Yao et al.，2019）、房東屬性（Xie et al.，2019；Liu et al.，2020）及當(dāng)?shù)丨h(huán)境中的相關(guān)因素（Tang et al.，2019）。目前的研究結(jié)論還存在一些爭議（Kwok et al.，2019），因此需要進(jìn)行更多的實證研究（Gibbs et al.，2018）。本文從房東的角度探究房源受歡迎度的影響因素，以彌補(bǔ)這方面研究的不足。

1.2 受歡迎度

在線短租領(lǐng)域關(guān)于受歡迎度的文獻(xiàn)并不多。通常情況下，能夠吸引更多顧客并更有效提供服務(wù)的房東具有更高的受歡迎程度（Mauri et al.，2018）。研究證明，消費(fèi)者的偏好會隨著住宿設(shè)施受歡迎程度的增加而增加，他們愿意在受歡迎的住宿上花費(fèi)更多的資金（Viglia et al.，2014；Liang et al.，2017）。這表明受歡迎程度是一個有用的線索，可以更好地引導(dǎo)消費(fèi)者的判斷和決策。在電商領(lǐng)域，研究發(fā)現(xiàn)消費(fèi)者更傾向于購買擁有更多在線評論的產(chǎn)品，因為產(chǎn)品的質(zhì)量已經(jīng)被大量的在線同行所體驗和評估（Godes et al.，2004）。線上評分曾被認(rèn)為是測量受歡迎程度的首選指標(biāo)，比來自公司本身的信息更有幫助和值得信任。然而，在分享經(jīng)濟(jì)領(lǐng)域，產(chǎn)品通常會收到壓倒性的正面評論，事實上，超過90%的Airbnb 酒店擁有平均4.5或5 星的用戶生成評級（Zervas et al.，2017），而且對評論的定性分析也顯示了積極評價的趨勢（Bridges et al.，2018）。這導(dǎo)致評分系統(tǒng)存在明顯的偏差，使得消費(fèi)者不得不尋找其他線索來協(xié)助決策。其中，房源的評論數(shù)量被認(rèn)為是一個重要的幫助顧客決策的變量（Benítez-Aurioles et al.，2020），是表明房源受歡迎度的一個重要線索。事實上，評論的數(shù)量已被證明與房源的業(yè)績密切相關(guān)，很多研究用Airbnb房源的在線評論量來衡量銷售量（Moen et al.，2017；Zervas，2017）。Lee等（2015年）通過對紐約等城市的4178個房源數(shù)據(jù)樣本進(jìn)行分析后發(fā)現(xiàn)，評論數(shù)量比評級更能夠解釋房源銷售的差異。因此，有研究者選擇使用評論數(shù)量作為受歡迎度的衡量指標(biāo)，例如：Liu等（2020）使用途家房源的評論數(shù)量來度量受歡迎程度；Mauri等（2018）則將Airbnb房源的評分、評論數(shù)量及將該房源保存到“愿望列表”的次數(shù)進(jìn)行主成分分析來測算房源的綜合人氣指數(shù)。本文參考Liu（2020）的做法，使用房源的評論數(shù)量來度量受歡迎程度。因為它反映了客人的討論量（Chen et al.，2008），顯示了產(chǎn)品/服務(wù)的知名度（Zhu et al.，2010），并與商業(yè)績效直接相關(guān)（Xie et al.，2016）。

1.3 信號理論

信號理論的前提是信息不對稱，即交易雙方中的一方掌握了比另一方更多的信息。正如Stiglitz（2002）所指出的，當(dāng)不同的人知道不同的事情時，信息不對稱就會發(fā)生。因為有些信息是私人的，所以信息不對稱通常出現(xiàn)在那些擁有這些信息的人和那些如果擁有這些信息就可能做出更好決策的人之間（Connelly，2011）。由于信息不對稱的存在，一些行為可以被作為信號，傳遞給掌握信息較少的外部人（魯耀斌 等，2005）。Stiglitz（2002）強(qiáng)調(diào)了兩種尤為重要的信息不對稱類型：關(guān)于質(zhì)量的信息和關(guān)于意圖的信息。在第一種情況下，當(dāng)一方不完全了解另一方的特征時，信息不對稱變得至關(guān)重要；在第二種情況下，當(dāng)一方擔(dān)心另一方的行為或行為意圖時，信息不對稱也具有很高的重要性。在線短租平臺的雙方通常就處于信息不對稱的狀態(tài)，對于有臨時住宿需求的客人來說，他們對于即將入住的房源并不了解，在線短租平臺幾乎是他們獲得房源信息的唯一渠道。

此外，信息不對稱和不確定性也可能導(dǎo)致羊群行為的出現(xiàn)。Kraus等（1972）將大量機(jī)構(gòu)投資者在同一時間內(nèi)以同方向交易同一只股票的行為定義為平行交易，即機(jī)構(gòu)投資者的羊群行為。在旅游領(lǐng)域，研究者們研究了餐飲、酒店、Airbnb 等領(lǐng)域中的羊群行為（Ha et al.，2016；Benítez-Aurioles，2020）。Hill（2015）的研究發(fā)現(xiàn)，Airbnb房源是否有評論會顯著影響消費(fèi)者的購買決策?？紤]到客人可能的羊群行為，這個結(jié)果并不意外。此外，Chen 等（2017）通過問卷調(diào)查，評估出評分?jǐn)?shù)量對Airbnb購買意愿有重大影響，而評分本身則不具有相同的影響力。Benítez-Aurioles（2020）進(jìn)一步對Airbnb平臺上發(fā)生的微觀經(jīng)濟(jì)層面的羊群行為進(jìn)行了計量建模和實證研究，結(jié)果顯示，在控制了房源的多個重要特征后，每增加一條評論，不管其內(nèi)容是否正面，都對未來消費(fèi)者的需求產(chǎn)生積極影響。這意味著羊群效應(yīng)確實存在，但也存在其他影響需求的因素，比如房東發(fā)布即時預(yù)訂選項等信息，這些因素可以打破羊群效應(yīng)的惡性循環(huán)，為新進(jìn)入市場的房源提供機(jī)會，這也表明房東發(fā)布信息的內(nèi)容會影響房源的受歡迎程度。

在市場營銷領(lǐng)域的相關(guān)研究中，通常把顧客視為信號接收者，把產(chǎn)品或服務(wù)的賣方視為信號的發(fā)出者。在這種情況下，顧客可以通過購買與高質(zhì)量信號相關(guān)的商品和服務(wù)來獲益，并且在完成信號接收和購買行為之后可能會提供反饋信號（Stiglitz，2002）。在短租房源的預(yù)訂中，消費(fèi)者是信號的接收者，而房東是信號的發(fā)出者。為了減少信息不對稱，使消費(fèi)者相信他們產(chǎn)品的質(zhì)量至關(guān)重要。然而，在線平臺上的消費(fèi)者往往很難辨別產(chǎn)品的內(nèi)在質(zhì)量，因此他們只能轉(zhuǎn)而參考其他指標(biāo)或信號，如賣家信息、經(jīng)驗、能力等，以推斷信任并做出購買決定（Xie et al.，2017）。因此，對房源在平臺上所釋放的信號進(jìn)行研究很有必要。

在電子商務(wù)領(lǐng)域，供應(yīng)商可以通過價格、描述、保證或品牌等指標(biāo)來發(fā)出其產(chǎn)品或服務(wù)質(zhì)量的信號（Basoglu et al.，2014），以應(yīng)對信息不對稱問題并促進(jìn)交流。Spence（2002）將信號指標(biāo)分為三類：基礎(chǔ)（conventional）指標(biāo)、障礙（handicap）指標(biāo)、索引（index）指標(biāo)。Mauri 等（2018）將這些概念應(yīng)用到住宿領(lǐng)域，將基礎(chǔ)信號視為房東提供的信息（即自我描述），將障礙信號定義為房東在交易之前和交易期間所付出的更深層次的努力（如身份披露、主客互動），將索引信號看作來自同行經(jīng)驗的最終結(jié)果（即評論和其他聲譽(yù)指標(biāo)）。這三類信號對于形成消費(fèi)者對房源的質(zhì)量判斷和信任都非常重要（Yao et al.，2019；Xie et al.，2017）。房東作為線上交易和服務(wù)交付的主體，有責(zé)任和動力將自己值得信任的一面呈現(xiàn)出來。但從房東的角度看，他們在基礎(chǔ)信號和索引信號方面的調(diào)整能力受到限制，最有主觀能動空間的是障礙信號。首先，房東在發(fā)布基礎(chǔ)信號（如房源設(shè)施的基本信息描述等）時，由于可以假設(shè)房東的房源屬性是固定的，因此是不能或者不應(yīng)該以有利的方式對其進(jìn)行調(diào)整的。其次，索引信號通常被認(rèn)為是最強(qiáng)的信號類型，因為它依賴于獨(dú)立的第三方進(jìn)行確認(rèn)，這些第三方已經(jīng)實際使用或體驗了產(chǎn)品或服務(wù)，通常沒有任何動機(jī)虛假報告其質(zhì)量（Aiken et al.，2006）。但是，由于Airbnb 存在明顯的評分偏高現(xiàn)象（Zervas et al.，2017；2021），僅依靠以評論系統(tǒng)為代表的索引信號難以緩解房客對不確定性的擔(dān)憂。因此，房客也會關(guān)注其他的信息來源，特別是房東努力發(fā)布的障礙信號。相比之下，發(fā)出障礙信號（如：精心拍攝的照片或即時預(yù)訂的政策），與房東的努力有關(guān)，而且也是房東可以進(jìn)行調(diào)整的信號發(fā)布行為。對于低質(zhì)量房源的房東來說，提供這類信號的成本要高于高質(zhì)量房源的房東（例如，低質(zhì)量房源不容易拍出有吸引力的好照片）因此，障礙信號的欺詐可能性就降低了，潛在消費(fèi)者可以有效地解讀這信號。（Teubner et al.，2017）。

因此，本文針對Airbnb短租平臺的特點(diǎn)，從房東的角度出發(fā)，聚焦障礙信號，分析如何有效地進(jìn)行線上的障礙信號披露，以提高房源的受歡迎程度，這在分享短租環(huán)境下是一種利于雙方信任關(guān)系建立的有益策略。

2 模型與研究方法

2.1 模型

基于Spence（2002）的分類及Airbnb平臺房源信號的內(nèi)容，本文將房東傳遞、消費(fèi)者接收的信號分為基礎(chǔ)信號、障礙信號、索引信號?；A(chǔ)信號指平臺規(guī)定發(fā)布的房源的屬性信息，包括房源類型、位置、設(shè)施、上線時長等；障礙信號指房東在交易之前和交易期間提供的更深層次的信息，包括價格、是否給出信息提示、照片的數(shù)量、預(yù)訂和取消政策等；索引信號指用戶在瀏覽時得到的來自其他用戶的反饋，即房源的各項評分。

本文重點(diǎn)討論障礙信號對房源受歡迎程度的影響，障礙信號反映了房東為達(dá)成交易而做出的努力，是房東提高房源吸引力最可行的優(yōu)化路徑。

綜上，本文的基礎(chǔ)模型如下：

式（1）中，β0為常數(shù)項；Handicap為障礙信號；CV為控制變量，包括基礎(chǔ)信號與索引信號；ε為隨機(jī)干擾項?；A(chǔ)模型展開如下：

式（2）中，Converntional為基礎(chǔ)信號；Index為索引信號。加入調(diào)節(jié)變量后，模型如下：

式（3）中，M為調(diào)節(jié)變量。

2.2 變量說明

2.2.1 因變量

本文的因變量為房源的受歡迎程度。由于無法獲得Airbnb 房源的交易數(shù)據(jù)，因此使用在線評論數(shù)量來衡量房源的受歡迎度。鑒于每次入住后，Airbnb 平臺都會要求客人和房東提供關(guān)于他們體驗的評論，70%的Airbnb 顧客會在網(wǎng)站上留下評論（Fradkin et al.，2021），并參考分享住宿領(lǐng)域中用顧客對房源的在線評論量來衡量銷售量的做法（Moen et al.，2017；Zervas，2017；Liu et al.，2020），我們認(rèn)為在線評論數(shù)量是衡量房源受歡迎度的一個合理代表。

另外，考慮到房源在地理空間上的不可移動性，房源的競爭對手往往來自其周邊范圍內(nèi)的其他房源。因此，本文采用房源的相對數(shù)值來度量房源的受歡迎程度，具體是指房源上線以來平均每天房源評論數(shù)量與周邊2.5 公里內(nèi)其他房源平均評論數(shù)量的差值。這樣更能準(zhǔn)確評估房源的受歡迎程度，避免了絕對數(shù)值評估可能帶來的不合理性。

因變量的計算過程包括以下步驟：首先，將爬取到的Airbnb房源經(jīng)緯度信息導(dǎo)入ArcGIS 10.2 軟件，運(yùn)用點(diǎn)距離工具將每間房源與其周邊2.5 公里范圍內(nèi)的其他房源進(jìn)行匹配，得到31514698 條匹配記錄；然后，將這些匹配記錄導(dǎo)入MySQL 軟件，與所有房源周邊環(huán)境中其他房源的評論數(shù)量進(jìn)行匹配，得出每間房源周邊其他房源的評論總數(shù)量和該房源上線以來每日平均收到的評論數(shù)量。最后，通過計算這些評論數(shù)量與周邊2.5公里內(nèi)房源的評論數(shù)量的差值，得到因變量的數(shù)值。

2.2.2 自變量及控制變量

核心自變量為障礙信號變量。本文將房東可以自主傳達(dá)的、不屬于房源設(shè)施屬性的信號視為障礙信號。從Airbnb 網(wǎng)頁所獲得的數(shù)據(jù)包含三類障礙信號：第一類是房東的信息提示，包括周邊環(huán)境介紹、交通提醒、房屋守則與照片數(shù)量，這些信息可以幫助用戶更加了解房源，從而潛在地提升顧客對房源的信任度；第二類是預(yù)訂和取消政策，便捷靈活的預(yù)訂和取消政策可能會吸引更多的用戶；第三類為價格屬性，包括房源的價格與清潔費(fèi)，價格指房源的單間夜價格，清潔費(fèi)是指房東設(shè)定的顧客入住后必須支付的清潔費(fèi)用。

控制變量包括基礎(chǔ)信號和索引信號兩類。結(jié)合Mauri 等（2018）和Yao 等（2019）的研究，本文認(rèn)為位置屬性、設(shè)施屬性、整體屬性和房東屬性屬于基礎(chǔ)信號；而索引信號包括房源的各項具體評分，包括描述準(zhǔn)確性評分、入住評分、干凈程度評分、交流評分、位置屬性評分、性價比評分。具體變量內(nèi)容及說明詳見表1。

房源距重要POI 的距離經(jīng)由ArcGIS 軟件計算得出，而POI 數(shù)據(jù)是通過Python從百度地圖數(shù)據(jù)進(jìn)行抓取獲得。首先，將POI 數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換，由BD 09 坐標(biāo)轉(zhuǎn)化為WGS 1984坐標(biāo)；然后，在ArcGIS中將這些POI數(shù)據(jù)與房源坐標(biāo)進(jìn)行連接，以計算房源距離重要POI的距離。

2.2.3 調(diào)節(jié)變量

本文的調(diào)節(jié)變量有3個。第一個調(diào)節(jié)變量是城市類型，將Airbnb房源最多的20個城市分為綜合城市和旅游城市兩類，其中直轄市、省會城市和計劃單列市被視為綜合城市，其他城市被視為旅游城市。雖然蘇州市不是計劃單列市，但其第二產(chǎn)業(yè)比重將近48%①蘇州市統(tǒng)計局.國家統(tǒng)計局蘇州調(diào)查隊.蘇州統(tǒng)計年鑒2018［M］，北京：中國統(tǒng)計出版社，2018.，本文也將其列為綜合城市。這些城市類型的數(shù)據(jù)來自各?。▍^(qū)、市）的統(tǒng)計年鑒。第二個調(diào)節(jié)變量是每間房源周邊2.5公里范圍內(nèi)的總房源數(shù)量。第三個調(diào)節(jié)變量是每間房源周邊2.5公里范圍內(nèi)酒店的數(shù)量。酒店數(shù)據(jù)來自百度地圖，包括星級酒店、經(jīng)濟(jì)型連鎖酒店、賓館、招待所、酒店式公寓等類型。周邊環(huán)境中總房源數(shù)量和酒店數(shù)量兩個變量作為競爭者密度變量，對房源的受歡迎程度產(chǎn)生影響。

2.3 計量方法

2.3.1 分位數(shù)回歸

OLS 回歸模型通?？疾榈氖墙忉屪兞繉Ρ唤忉屪兞織l件期望的影響，即均值回歸。但均值回歸很難反映整個條件分布的全貌，且易受極端值影響。相比之下，分位數(shù)回歸（quantile regression）使用殘差絕對值的加權(quán)平均作為最小化的目標(biāo)函數(shù)，不易受極端值的干擾，且能提供條件分布的全面信息（陳強(qiáng)，2010）。此前的研究中，黃杰龍等（2018）運(yùn)用分位數(shù)回歸法研究了影響森林公園旅游產(chǎn)業(yè)競爭力空間差異的因素。Chen（2016）運(yùn)用分位數(shù)回歸，探究了入境旅游市場增長率對酒店企業(yè)的銷售增長率及財務(wù)績效的影響。本文對房源受歡迎度的百分位數(shù)進(jìn)行了回歸分析，以深入研究障礙信號對不同受歡迎度房源的影響。

2.3.2 調(diào)節(jié)效應(yīng)分析

如果變量Y與X的關(guān)系是變量M的函數(shù)，則M就是調(diào)節(jié)變量。在以往的研究中，陳曉紅等（2010）在研究資本結(jié)構(gòu)對企業(yè)受歡迎程度的影響時指出，對于不同競爭激烈程度的行業(yè)，資本結(jié)構(gòu)對投資能力的負(fù)效應(yīng)隨著行業(yè)競爭程度的下降會有所減弱。劉鳳委等（2007）也指出，外部競爭程度越低，業(yè)績與經(jīng)營者的獎懲關(guān)聯(lián)度越弱，即競爭程度的不同很可能會導(dǎo)致受歡迎程度影響機(jī)制的不同。因而，競爭者密度很有可能對房源受歡迎程度的影響機(jī)制產(chǎn)生調(diào)節(jié)作用。此外，城市類型也是不可忽視的因素。不同類別的城市意味著不同的產(chǎn)業(yè)結(jié)構(gòu)，而城市是否以旅游業(yè)為支柱產(chǎn)業(yè)可能會很大程度上影響游客的預(yù)期及服務(wù)偏好，從而導(dǎo)致不同類型城市中，游客對房源的偏好可能不同。

2.4 樣本與數(shù)據(jù)處理

本文通過爬取Airbnb 平臺獲得房源數(shù)據(jù)，包括房源的ID、價格、房源名稱、對應(yīng)房東的ID、經(jīng)緯度、房源介紹、用戶的評論內(nèi)容及時間、房源的設(shè)施、用戶評分等，截至2017 年11 月30 日。本文選取上線后至少有一條評論的活躍房源作為研究對象，剔除了缺少評分、不提供夜間住宿、房價和清潔費(fèi)的總和為0 的房源。在此基礎(chǔ)上，本文選取國內(nèi)活躍房源數(shù)量排名前20 的城市（不包括港澳臺地區(qū)），最終得到了共計52552間有效的活躍房源，具體信息如表2所示。

表2 房源數(shù)量統(tǒng)計

值得一提的是，活躍房源比例在不同城市間存在一定的差異，其中重慶（72.52%）和南京（72.18%）的活躍房源比例較高，而麗江和三亞的活躍房源比例相對較低，分別為35.47%和44.50%。

3 實證分析結(jié)果

3.1 OLS回歸分析

由于數(shù)據(jù)并不滿足同方差性的假設(shè)，本文使用“OLS 回歸+穩(wěn)健標(biāo)準(zhǔn)誤”的方法，以確保參數(shù)估計的有效性?；貧w結(jié)果如表3所示。

表3 OLS回歸結(jié)果

首先是價格屬性。研究結(jié)果顯示，清潔費(fèi)與房源價格都呈現(xiàn)出顯著的負(fù)向影響。清潔費(fèi)是顧客入住時額外支付的費(fèi)用，在52552 間房源樣本中，有35085 間的清潔費(fèi)為0 元。這種定價方式被稱為“分離定價（segregated pricing）”，即將商品價格和額外服務(wù)費(fèi)用分開計算，如網(wǎng)購和郵購中的產(chǎn)品價格和運(yùn)費(fèi)、酒店中的房費(fèi)和服務(wù)費(fèi)等。消費(fèi)者購買某商品時必須同時支付這兩部分的費(fèi)用，而沒有選擇的余地（Burman et al.，2007；楊玉兵，2016）。相反，整合定價則是將兩部分費(fèi)用一起計算，給定一個價格。結(jié)果顯示，單列清潔費(fèi)顯然降低了房源的受歡迎程度，即在短租房源的定價中，整合定價是更合適的選擇。同時，房源價格對房源的受歡迎度有負(fù)向影響，因為低廉的價格是許多顧客選擇在線短租房源而非酒店的主要原因。價格越高，房源的受歡迎度自然會下降。

信息提示方面，照片數(shù)量對房源受歡迎度有正向影響。在樣本中，整房房源占據(jù)了全部房源的61.57%，增加更多的房源照片可以更完整地展示整個房源的設(shè)施和布局，讓顧客對房源有更全面的了解。通常情況下，顧客更傾向于選擇照片數(shù)量更多的房源。此外，房屋守則與交通提醒對房源的受歡迎度也有正向的影響。房屋守則是房東在房源頁面提供的對顧客在房源內(nèi)行為的限制，包括入住時間限制、入住人年齡限制、活動舉辦限制、噪聲限制等。盡管房屋守則是對顧客活動的限制，但也為顧客提供了更多關(guān)于房源的信息。此外，房屋守則也可以讓顧客覺得房東關(guān)注客人的入住體驗，從而增加顧客對房源的好感。交通提醒為顧客提供了清晰便捷的交通方式信息，包括從交通站點(diǎn)至房源、從房源至其他旅游目的地的路線等，使得顧客能更好地規(guī)劃旅游線路。此外，給出交通提醒的房源可能擁有更好的位置屬性，給出提示也可以讓顧客直觀地感受房源位置的優(yōu)越性和周邊交通的便捷度。

訂房政策方面，預(yù)訂和取消政策對房源受歡迎度有相反的作用。整體上看，預(yù)訂政策對房源受歡迎度有負(fù)向影響，因為即時預(yù)訂要求高的房源要求顧客必須經(jīng)過身份認(rèn)證且有過Airbnb 住宿經(jīng)歷，這可能對初次使用Airbnb 平臺的顧客不太友好，導(dǎo)致潛在用戶的流失。然而，有住宿經(jīng)歷要求的即時預(yù)訂政策對受歡迎度呈現(xiàn)正向的影響作用，這可能是因為這個政策體現(xiàn)了對Airbnb老顧客群體的認(rèn)可，增進(jìn)了這部分顧客群體的消費(fèi)。取消政策則對房源受歡迎度產(chǎn)生正向影響，即擁有嚴(yán)格取消政策的房源有更高的受歡迎度。這可能是由于嚴(yán)格的取消政策能保證大部分訂單的履約，從而提高了房源的可預(yù)測性和穩(wěn)定性。

此外，還有兩類控制變量?；A(chǔ)信號中，市中心距離對房源受歡迎度有負(fù)向影響，距離越近，房源受歡迎度越高；與三甲醫(yī)院的距離則對房源受歡迎度有正向影響。臥室數(shù)量對房源的競爭力有負(fù)向作用，即臥室數(shù)量越多的房源并不一定具有競爭優(yōu)勢。相反，床的數(shù)量和浴室數(shù)量對房源受歡迎度有正向作用，意味著可以提供更加便利和舒適的居住環(huán)境。此外，擁有特殊房型、整房房型和由專業(yè)房東經(jīng)營的房源都具有較高的受歡迎度，說明顧客期望體驗到與平時生活不同、擁有獨(dú)立空間的專業(yè)服務(wù)。索引信號中，除交流評分與描述準(zhǔn)確性評分之外，其他四項評分均對房源受歡迎度有正向影響。

3.2 分位數(shù)回歸

在上述回歸的基礎(chǔ)上，本文也進(jìn)行了房源受歡迎程度影響因素的分位數(shù)回歸。分位數(shù)回歸使用殘差絕對值的加權(quán)平均作為最小化的目標(biāo)函數(shù)，不易受極端值影響，較為穩(wěn)健。本文采用10%、25%、50%、75%和90%五個條件百分位數(shù)。

分位數(shù)回歸結(jié)果如表4 所示。房價對于10%上的房源并無顯著影響，但對處于25%分位點(diǎn)及以上受歡迎度的房源有顯著的負(fù)向影響，且相關(guān)系數(shù)在50%分位點(diǎn)達(dá)到最高。這表明對于受歡迎程度高的房源，價格的影響相對較弱?？赡苁怯捎谶@部分房源已經(jīng)擁有較好的口碑，顧客對它們產(chǎn)生偏好，從而降低了對價格的敏感性。而對于受歡迎程度處于中間檔的房源來說，房源的設(shè)施及口碑并沒有達(dá)到較高的水準(zhǔn)，無法吸引一定數(shù)量的顧客群體，因而降低價格可能是相對更有效的提升受歡迎度的手段。對于受歡迎度較低的房源，價格并沒有起到顯著的影響人們選擇的作用，表明對于在這個階段的房源，房東需要通過價格以外的信號去建立主客信任，吸引顧客。而清潔費(fèi)在10%分位點(diǎn)上負(fù)向系數(shù)最大，隨著受歡迎度的上升其負(fù)向影響減弱，表明收取清潔費(fèi)對于剛上線的房源或者受歡迎度低的房源的負(fù)面影響最大，提示這些房源在制定價格策略時可以考慮不單列清潔費(fèi)。

表4 分位數(shù)回歸結(jié)果

在信息提示方面，除了環(huán)境介紹之外，在照片數(shù)量、房屋守則及交通提醒3 個指標(biāo)上，都是10%分位點(diǎn)的回歸系數(shù)最高。這說明對于受歡迎程度低的房源來說，能否將房源的特色和優(yōu)勢展示出來非常關(guān)鍵，因為直觀、明了的信息提示可以引發(fā)顧客的積極期望，從而提高選擇意愿，這與已有Airbnb顧客意愿的研究結(jié)果相呼應(yīng)（Ert et al.，2016）。

嚴(yán)格的預(yù)訂政策（第四類和第五類）回歸系數(shù)的絕對值隨著房源受歡迎度的增高而遞增。這表明，嚴(yán)格的預(yù)訂政策會對受歡迎度較高的房源造成更大的負(fù)面影響。這可能是由于顧客在預(yù)訂房源時更傾向于快速選擇自己青睞的房源，而不太愿意接受需要等待房東的批準(zhǔn)才能入住的體驗。尤其是對于受歡迎度較高的房源來說，顧客可能會擔(dān)心，當(dāng)有多人同時預(yù)訂時，房東會選擇接受他人的申請。然而，對于需要住宿經(jīng)歷的預(yù)訂政策（第三類），在10%，25%和50%分位點(diǎn)的房源對受歡迎度呈顯著的正向影響，而且分位數(shù)越低，影響系數(shù)越大。這說明，對于那些受歡迎度不高或是新進(jìn)入市場的房源，實施要求顧客具有一定住宿經(jīng)歷的即時預(yù)訂政策，實際上是在向Airbnb的老顧客發(fā)出認(rèn)可的信號，這有助于引發(fā)Airbnb使用群體的認(rèn)同和信任感。老顧客通常更有經(jīng)驗和信心，可以嘗試新房源或者可參考評論較少的房源。因此，這種預(yù)訂政策對于低認(rèn)知度的房源具有最大的促進(jìn)作用。而取消政策對房源的正向影響隨著受歡迎度的增加先降后升，在50%分位點(diǎn)影響系數(shù)相對最小。嚴(yán)格的取消政策對受歡迎度最低（10%分位點(diǎn)）的房源有最大的正向影響。這是因為嚴(yán)格的取消政策能保證已預(yù)訂顧客的履約率，對于訂單不多（受歡迎程度低）的房源來說至關(guān)重要。

3.3 調(diào)節(jié)效應(yīng)分析

為了探究競爭環(huán)境是否會對信號傳遞屬性的影響機(jī)制產(chǎn)生作用，本文對競爭環(huán)境及房源所處的城市類型進(jìn)行了調(diào)節(jié)效應(yīng)分析，因為競爭環(huán)境的不同可能會導(dǎo)致消費(fèi)者偏好特性不同的房源。

3.3.1 城市類型的調(diào)節(jié)效應(yīng)

首先，在價格方面，城市類型有顯著的調(diào)節(jié)效應(yīng)。旅游城市清潔費(fèi)的負(fù)向影響被削弱，說明旅游城市房源的定價政策仍適用整合定價，但分離定價的負(fù)向影響減弱。這可能是由于游客在綜合城市更習(xí)慣預(yù)訂酒店，而在旅游城市更傾向于選擇民宿或客棧。由于大部分酒店并不會對客人收取清潔費(fèi)，游客在綜合城市進(jìn)行住宿時會傾向于選擇不收清潔費(fèi)的房源；而在旅游城市，游客可能更加注重民宿的特色和周邊環(huán)境的風(fēng)情，額外收取清潔費(fèi)的房源并不能減弱房源特色所帶來的吸引力，從而減弱了游客的排斥。

在信息提示方面，旅游城市中照片數(shù)量和房屋守則對房源受歡迎度的影響有較大的弱化，而交通提醒在旅游城市與綜合城市中作用相異。旅游城市中，交通提醒對房源受歡迎度呈負(fù)向的影響，即缺少交通提醒的房源有更高的受歡迎度。這可能是由于在旅游城市中，游客更關(guān)注房源的基礎(chǔ)屬性和評分，且旅游城市的交通可能沒有綜合城市復(fù)雜，交通提醒對游客意義不大。在綜合城市中，有房屋守則和交通提醒的房源有更高的受歡迎度。這可能是由于綜合城市的交通狀況較復(fù)雜，游客傾向于在出游前更準(zhǔn)確地掌握信息，也希望能夠得到友善的服務(wù)。

最后，在旅游城市中，嚴(yán)格的預(yù)訂政策會增加房源的受歡迎度，而取消政策的正向影響則被弱化。這表明，在旅游城市中，游客最關(guān)心的是房源的基礎(chǔ)信號和索引信號，即房源的設(shè)施與評分。他們并不關(guān)心房東是否提供了足夠多的信息，甚至不傾向于選擇提供障礙信號相關(guān)信息較多、預(yù)訂政策寬松的房源。在這些城市，房源的基礎(chǔ)特征是最重要的，房東需要盡可能改造自己的房源，并采用分離定價策略，使房源能適應(yīng)游客的需求。對于綜合城市的房源，房東則需要采用整合定價的策略，同時需要在平臺更多地提供房源的相關(guān)信息，以便游客在預(yù)訂前可以掌握更多信息，并提升其受歡迎度。

3.3.2 競爭者密度的調(diào)節(jié)效應(yīng)

競爭者密度分為兩個維度：周邊酒店數(shù)量與周邊Airbnb房源數(shù)量。

首先是周邊酒店數(shù)量的影響。如表5 所示，周邊酒店數(shù)量在清潔費(fèi)對房源受歡迎程度的影響關(guān)系中起到了負(fù)向的調(diào)節(jié)作用，即周邊酒店數(shù)量越多，清潔費(fèi)的負(fù)向影響越小。在傳統(tǒng)酒店行業(yè)中，許多高星級酒店會在房費(fèi)之外收取一定比例的服務(wù)費(fèi)，因而在住宿業(yè)較為發(fā)達(dá)的地區(qū)，在線短租房源收取清潔費(fèi)更容易被接受。此外，在酒店較多的地區(qū)，照片數(shù)量、房屋守則和交通提醒的正向作用得到了強(qiáng)化。在所有的酒店線上預(yù)訂平臺中，一定數(shù)量的照片、房屋守則、交通提醒信息都必不可少。由于酒店提供標(biāo)準(zhǔn)化住宿和服務(wù)，顧客對酒店的信息掌握更多，因此，在酒店較多的競爭環(huán)境中，提升房源的信息曝光度十分必要。最后，在預(yù)訂政策對受歡迎度的影響方面，周邊酒店數(shù)量對不同預(yù)訂政策起到了不同的調(diào)節(jié)作用。需要身份驗證的預(yù)訂政策在周邊酒店密集的地區(qū)受到較小的負(fù)向影響，這可能是因為所有酒店都需要進(jìn)行身份驗證，因此顧客更愿意接受房東的這一政策。而在不可即時預(yù)訂的政策方面，周邊酒店數(shù)量強(qiáng)化了這種負(fù)向影響，因為顧客有更多的備選項，而不必?fù)?dān)心房東駁回預(yù)訂申請時無房可訂，從而使得嚴(yán)格的預(yù)訂政策而產(chǎn)生的提前鎖定需求的程度有所減輕，顧客對這類房源的預(yù)訂率可能會降低。

其次，周邊環(huán)境中其他Airbnb 房源的數(shù)量也會對房源的受歡迎度產(chǎn)生影響。周邊房源數(shù)量可以增強(qiáng)照片數(shù)量和房屋守則的正向效應(yīng)，即信息提供在競爭激烈的環(huán)境中有更強(qiáng)的作用。另外，周邊房源數(shù)量還強(qiáng)化了身份驗證后可即時預(yù)訂和不可即時預(yù)訂這兩種預(yù)訂政策對房源受歡迎度的負(fù)向影響，說明顧客更傾向于能夠快捷方便地預(yù)訂房源。最后，周邊房源數(shù)量增強(qiáng)了中等和嚴(yán)格取消政策的正向影響。這可能是由于在周邊房源較多的情況下，顧客會認(rèn)為取消政策嚴(yán)格的房源是被預(yù)訂較多的、較受歡迎的房源，從而產(chǎn)生預(yù)訂意愿。

綜上，本研究結(jié)果表明，價格和清潔費(fèi)會對房源的受歡迎度產(chǎn)生負(fù)向影響，這與Sthapit等（2018）和Yao等（2019）的研究結(jié)果一致。相反地，信息提示、寬松的預(yù)訂政策和嚴(yán)格的取消政策對房源的受歡迎度有積極的影響，這與Ma等（2017）的研究結(jié)論相符，但與Yao等（2019）的結(jié)論不同。此外，本研究還發(fā)現(xiàn)，在旅游城市中，清潔費(fèi)、照片數(shù)量、房屋守則、交通提醒以及預(yù)訂和取消政策的影響都會被削弱，甚至出現(xiàn)作用相反的情況。因此，在旅游城市中，需要謹(jǐn)慎對待這些因素。

對于房東來說，要提高房源的受歡迎度，可以在不增加成本的前提下，增加房源在平臺上的信息曝光，并選擇靈活的預(yù)訂政策和嚴(yán)格的取消政策。但需要注意的是，在綜合城市中，障礙信號會對房源的受歡迎度產(chǎn)生較大影響，因此在平臺上提供更多關(guān)于房源的信息是必要的。然而，在旅游城市中，障礙信號的影響會被削弱，因此提供更多的信息提示并不能對房源的受歡迎度產(chǎn)生積極的影響。

4 穩(wěn)健性檢驗

由于網(wǎng)上評論容易出現(xiàn)兩極分化“J型”評論效應(yīng)（Hu et al.，2009），會缺失一部分溫和中性的評論，導(dǎo)致對因變量受歡迎度的估計偏差。因此，我們采用替換因變量的方式來檢驗研究結(jié)果的穩(wěn)健性，避免實證結(jié)果受到所選用指標(biāo)的度量方式的影響。參考Liu 等（2020）的做法，我們基于房源的網(wǎng)絡(luò)評分（1～10分）進(jìn)行加權(quán)，得到一個替代指標(biāo)：加權(quán)受歡迎度（WP），具體如下所示：

其中，R是平均每日單個房源的在線評論量相對值，S是單個房源的每條在線評論的評分（從1～10 分，1 分為糟糕，10 分為優(yōu)秀）。通過給網(wǎng)上評論量分配一個權(quán)重（即S/10），我們可以調(diào)整低評級房源的評論量，因為人們更有可能寫批評性的評論，這些房源的評論量可能會更高。表6 和表7 列出了估計結(jié)果，作為主要模型的穩(wěn)健性檢查，發(fā)現(xiàn)估計效果與表4和表5中的效果一致，支持結(jié)果的穩(wěn)健性。

表6 穩(wěn)健性檢驗（1）

表7 穩(wěn)健性檢驗（2）

5 研究結(jié)論

本文基于信號理論，使用Airbnb 中國20 個城市的房源公開數(shù)據(jù)，采用OLS 和分位數(shù)回歸模型，考察障礙信號對房源受歡迎程度的影響及其機(jī)制。

5.1 研究結(jié)論

主要結(jié)論包括：（1）在線短租房源受歡迎度很大程度上取決于房東在平臺上所傳遞的信號，包括基礎(chǔ)信號、障礙信號與索引信號。其中，障礙信號是房東有較大自主調(diào)節(jié)空間的信號類型，也是本文的核心自變量，對房源受歡迎度有顯著的影響。研究結(jié)果表明，整體而言，給出較低價格信號（包括房價和清潔費(fèi)）、更多信息提示（包括照片、交通提示、房屋守則）、更靈活的預(yù)訂政策和嚴(yán)格的取消政策的房源，有更高的受歡迎程度。（2）分位數(shù)回歸的結(jié)果顯示，障礙信號對不同受歡迎程度的房源的邊際影響存在顯著的異質(zhì)性。對受歡迎度較低的Airbnb 房源來說，信息提示（包括照片數(shù)量、房屋守則、交通提醒）、靈活的預(yù)訂政策、嚴(yán)格的取消政策的邊際效用最為顯著，而單純地降低價格并不能顯著促進(jìn)這部分房源的受歡迎度，但降低清潔費(fèi)用會起到吸引顧客的作用。而對于受歡迎度最高的房源，照片數(shù)量、預(yù)訂及取消政策對受歡迎度的促進(jìn)作用比較明顯，但嚴(yán)格的即時預(yù)訂政策所帶來的負(fù)面影響則最大。（3）城市類型和競爭者密度有顯著的調(diào)節(jié)作用。相比綜合城市，旅游城市中房源的障礙信號對受歡迎度的影響作用被削弱。嚴(yán)格的取消政策和靈活的預(yù)訂政策對受歡迎度的正向影響在旅游城市也有顯著的削弱。而在酒店密度較大的環(huán)境中，障礙信號的影響被削弱，在房源密度較大的環(huán)境中，障礙信號的影響則得到了增強(qiáng)。

5.2 理論貢獻(xiàn)和實踐價值

本文的理論貢獻(xiàn)主要在于：第一，以往對P2P在線短租房源特質(zhì)的研究主要考察其定價機(jī)制，對構(gòu)成房源收益的另一個變量受歡迎度的研究相對不足。本研究基于信號理論，充分考慮到房源在地理位置上的不可移動性，基于更微觀的環(huán)境顆粒度界定了房源的受歡迎度指標(biāo)。同時，本研究聚焦于房東在已有房源前提下更具調(diào)整空間的障礙信號，研究障礙信號傳遞對受歡迎度的影響，并利用分位數(shù)回歸全面地刻畫障礙信號對不同受歡迎度房源的影響。從微觀層面上對在線短租房源績效研究進(jìn)行了豐富和細(xì)化，為理解房東自我展示信息對房源收益的影響提供了新視角。第二，本文探討了房源周邊競爭密度及所在城市類型的調(diào)節(jié)作用，研究了障礙信號對周圍環(huán)境不同的房源受歡迎度的影響的異質(zhì)性表現(xiàn)，進(jìn)一步揭示了房東的障礙信號對房客預(yù)訂行為產(chǎn)生影響的內(nèi)在邏輯，為在線短租的信號體系的作用機(jī)制提供了新的見解。第三，目前對分享住宿的研究主要集中在西方，使用歐美主要城市的數(shù)據(jù)樣本，只有少數(shù)研究關(guān)注中國的分享住宿，且多為單一城市的數(shù)據(jù)樣本（徐峰 等，2021；剌利青 等，2022），而且更多地著眼于消費(fèi)者的使用意愿和行為意圖（Yao et al.，2019）。而本研究從房東的角度，系統(tǒng)地研究中國Airbnb 平臺上20 個城市房源受歡迎度的影響因素，作為一項探索性的實證研究，研究結(jié)果有助于豐富在學(xué)術(shù)研究中被相對忽視的P2P分享旅行住宿的中國市場的研究。

本文的實踐價值在于：目前，國內(nèi)在線短租房源的經(jīng)營缺乏系統(tǒng)性、建設(shè)性的參考，導(dǎo)致許多房源上線后難以獲得持續(xù)的收益。本文通過對不同類型城市Airbnb房源的受歡迎程度影響因素進(jìn)行探究，為房東提供了有價值的參考，幫助他們在房源條件既定前提下，根據(jù)所在地及競爭環(huán)境的特點(diǎn)發(fā)布更能吸引消費(fèi)者的房源信息。這有助于讓房東以成本較小的方式，對房源信號傳遞進(jìn)行相應(yīng)的調(diào)整，從而在激烈的競爭中取得競爭優(yōu)勢；同時，為即將進(jìn)入在線短租市場的潛在房東提供了有關(guān)消費(fèi)者偏好的房源特征的重要參考。此外，本研究還有助于平臺運(yùn)營商更好地引導(dǎo)和協(xié)助房東管理和展示房源，提升房東對競爭環(huán)境的認(rèn)知，從而提高信息傳達(dá)效率，為房東提供增加銷售量的建議。

5.3 局限性和未來方向

需要承認(rèn)本研究的幾個局限性。首先，本研究中受歡迎度的測量指標(biāo)為評論數(shù)量，雖然用加權(quán)評分進(jìn)行了穩(wěn)健性檢驗，但還是略顯單薄，將來如果有直接的經(jīng)營數(shù)據(jù)或者更為符合的指標(biāo)加以驗證，將更有說服力。其次，本文只從房源所在城市類型和競爭密度兩個方面探討了障礙信號對房源受歡迎度的調(diào)節(jié)作用。然而，還有許多其他內(nèi)部因素，如房東的特征、管理方式等，也是可能的調(diào)節(jié)因素，未來的研究可以探索其他的角度。最后，不同的時間情境下，房源受歡迎度的影響因素很有可能存在很大差異。例如：疫情后顧客對于分享住宿的需求可能發(fā)生了一些改變，未來可以開展進(jìn)一步研究，以跟蹤驗證障礙信號對分享住宿房源受歡迎度的估計效果。