在线信息对饭店产品预订的影响

赵鹏宇， 汪桃羽

(忻州师范学院 旅游管理系，山西 忻州 034000)

一、引言

随着web2.0的快速发展，酒店在线预订得到广泛运用及普及，酒店在线预订平台软件成为消费者的主要预订方式。酒店提供的是一种典型的体验式服务[1]，消费者预订前无法对其服务内容和质量作出准确评估，在决策过程中需要参考大量信息以降低感知风险[2]。在线信息对消费者购买决策的影响极为重要，酒店在线预订平台对酒店信息的合理呈现显得尤为重要。

Milan发现84%的消费者依据在线信息来进行购买决策[3]。Peterson和Merino研究消费者在互联网上的信息搜寻行为时，发现在线信息可以影响消费者的购买行为，进而对产品的销量产生影响[4]。徐峰研究发现网络舆论比传统媒介更能影响消费行为[5]，关注点主要体现在信息丰富性上[6]。何秋亚等研究了消费者在线预订酒店选择意向在个体上的差异[7]。探讨在线信息对饭店产品预订的影响，有利于饭店针对消费者关心的信息采取有效合理的措施与反应，充分发挥在线信息对消费者预订行为的积极效应，从而有效提高预订率。

二、文献综述

(一)在线信息要素选择

酒店在线预订平台提供的在线信息直接影响着消费者的购买决策。根据以往的研究，在线信息可分为顾客评论信息、酒店特征信息、预订平台推荐信息。

顾客评论信息主要包括顾客对酒店设施、服务水平、周边环境、客房卫生等的评价。同时在线评论还可以包括消费者推荐比率、酒店位置评分。多数研究中用消费者评分代表酒店电子口碑[8-10]，选择用消费者推荐比率代替消费者评分，更能说明消费者对酒店的满意程度[11]。张梦等在研究中采用酒店所在城市等级来反映酒店所在位置，缺点是比较范围过大，影响的准确性不够，且位置对消费者购买决策的影响具有主观性和差异性[12]。例如以飞机为交通工具的商务人士在选择酒店时更倾向于选择机场附近的酒店，旅游者则更愿意选择离景点更近的酒店，本文采用消费者对位置的评分来作为其位置的自变量因素。根据负向评论对销售的影响大于正向评论[7]，差评对消费者购买行为存在一定的影响，本文也将此在线信息作为影响因素，同时将差评数量作为研究的在线信息因素。基于以上解释，酒店的硬件虽然是客观物体，但是对消费者却具有主观上的影响。关于酒店不能直观定论的设施设备如客房的装修等，以及周边环境、地理位置、服务水平等消费者感官体验的主观感受，都采用消费者评论信息作为其在线信息影响因素。

以往研究以酒店客房价格、客房类型、酒店星级等作为酒店的特征信息，来研究其对消费者购买行为的影响，其中酒店客房价格对消费者具有最为直观的影响，在线产品的定价对网络营销具有重要影响，且网络定价是酒店竞争的重要决策[13-14]，本文也将其作为影响因素的研究对象。同时提出新的特征信息，酒店经营时间与酒店房型多样性作为酒店特征信息。

以往研究的预订平台推荐信息包括用户评分(顾客对酒店的评价，综合考虑了其他多方面因素，预订平台对合作酒店进行的评级)、点评浏览指数(根据顾客对酒店评论信息的浏览次数，预订平台对该变量进行的赋值)等。本文选取用户评分作为研究在线信息因素，由于酒店问答数量一定程度体现消费者对该酒店的关注程度，酒店问答信息也作为消费者购买决策的影响因素。

(二)在线信息的研究对象选择

携程网是目前中国最大的在线旅行服务提供商，2016年的市场份额为41.8%，位居第一，拥有最大的访问客户群，在线呈现的信息具有代表性。本文将在以往研究基础上，参考刘国涛研究的携程网盈利模式[15]，进而通过携程网选取极大可能对消费者购买行为产生影响的因素，研究其与酒店预订率的相关性。以往的研究表明，在线评论对消费者决策具有更加明显的重要性[16-18]，在线评论的不一致也会对消费者的决策产生不同影响[19-20]，本文将以在线评论作为研究主线。

携程网提供给消费者酒店类型的选择为豪华型酒店(涵盖五星级酒店)、高档型酒店(涵盖四星级)、舒适型酒店(涵盖三星级)、经济型酒店(涵盖二星级及以下)。依据携程网的酒店分类标准，本文将研究对象分为经济型酒店、舒适型酒店、高档型酒店和豪华型酒店4种类型。案例地选择天津，研究其在线信息对不同类型饭店产品预订的影响。

(三)解释变量选择

Ye等研究在线评论与酒店网上预订量时，采用了在线评论数量代替酒店网上预订量的做法，并证明二者之间存在一定的线性关系[8]181-182。高宝俊等指出用总评论量代替酒店总销售量是不可取的，因为并非所有在网上预订酒店的消费者都会发表评论[11]112。多数研究表明在线评论量和酒店销售量之间的关系是非线性的[21-23]。

基于以上研究，本文以总评论量为解释变量，代替酒店的总销售量，一些评论量特别少或者特别多的酒店会对在线信息影响因素的研究产生误差。为统一变量，排除评论量特别多和特别少的酒店，便于更准确地得出在线信息的影响因素研究。

三、研究方法

(一)模型构建

采用对数线性回归模型，分析在线信息对酒店网上预订的影响，并从携程网获取在线信息数据，模型一般表达式如下

ln(num__reviews)=α0+α1PCRec+α2cleanliness rating+α3environment rating +α4service rating+α5facilities rating+α6ln(deviationof reviews)+α7ln(the lowest price)+α8ln(num__room types)+α9business_hours+α10travel_ers’ rating+α11num__hotel q&a+α12location rating。

(二)数据收集

根据数据收集与整理，本文以在携程网上显示的天津市所有酒店为研究对象，其中经济型酒店2343家、舒适型酒店132家、高档型酒店107家、豪华型酒店54家。筛选出评论量在一定合理范围内的酒店作为研究对象[24](酒店总评论量在平均总量以上的为合理范围)。选取标准如表1所示。

根据携程网呈现的在线信息，选取顾客评论信息7项，有卫生评分、环境评分、服务评分、设施评分、酒店推荐比率、酒店位置评分以及差评比重；酒店特征信息3项，有客房最低价格、客房类型数、经营时间；预订平台推荐信息2项，有用户评分、酒店问答数量。共包括12项在线信息因素。当消费者接触的在线信息与模型纳入顺序一致时，更便于分析不同信息对消费者预订决策的影响程度[20]。本文按照此顺序排列。

(三)数据处理

线性回归时，在携程网收集的原始数据需要处理后才能使用。携程网提供的顾客点评系统中的评分与李克特5点量表相似，其评级从“最好”到“最差”共5级，对在线信息中的6个变量推荐比率、卫生评分、环境评分、服务评分、设施评分以及用户评分进行了由“1” 到“5”的赋值。其中推荐比率的原始数据为百分数，取值在(0，1)区间内，处理时统一乘以5，以便赋值于推荐比率由“1” 到“5”的范围。另外5个变量在携程网呈现的数值已经采取此种赋值方式，可直接使用。在线性回归处理各个变量时，为了数据处理结果的集中性，其他变量也会进行相应的处理后再使用，考虑到原始数据之间可能存在异方差和自相关等问题，在用Excel的线性回归处理数据时，同时使用SPSS对数据逐步回归，并通过DW检验、Glejser检验拟合多个回归式，得出在线信息与其解释变量的相关性。其数据的具体处理方式见表2。

四、结果与分析

通过以上处理，分析12个变量的在线信息在豪华型酒店、高档型酒店、舒适型酒店、经济型酒店4种不同类型中的影响结果，得出4个模型，回归结果如下。

豪华型酒店。环境评分P-value=0.038，Coefficients=1.318；客房最低价格P-value=0.000，Coefficients=-0.537；酒店问答数量P-value=0.017，Coefficients=0.165。表明酒店问答数量和环境评分对豪华型酒店有显著的正相关性，客房最低价格对豪华型酒店有显著的负相关性。这可能是因为入住豪华型酒店的消费者大多为商务人员等，他们更关注酒店的档次、入住的环境是否能使消费者满意，而酒店的问答数量间接体现了酒店的受欢迎程度，只有关注酒店并打算要入住该酒店的消费者才会针对该酒店提出问题。豪华型酒店的价格降低时可对酒店预订产生正面影响，可能是因为豪华型酒店的各项设施配备、服务达到了一定的水平，且豪华型酒店的价格一般较高，具有较大的下降空间。当豪华型酒店的价格降低时，容易刺激更多消费者购买酒店的客房。

高档型酒店。环境评分P-value=0.024，Coefficients=0.837；服务评分P-value=0.080，Coefficients=0.505；设施评分P-value=0.071，Coefficients=0.537。表明环境评分、服务评分以及设施评分对高档型酒店有显著的正相关性。这体现了消费者在选择高档型酒店时更加关注的是在酒店的感官体验，其环境、服务及设施都是消费者在预订高档型酒店时关注的重点。这可能是由于与豪华型酒店相比，高档型酒店的价格低一些，相对经济型酒店的设施设备高档一点，消费者选择此类比更低档次高些的酒店时，会更多关注酒店本身的档次。

舒适型酒店。服务评分P-value=0.080，Coefficients=0.567；酒店差评数量P-value=0.084，Coefficients=-0.318；客房最低价格P-value=0.000，Coeffients=-1.120；位置好评量P-value=0.062，Coefficients=0.181。表明服务评分和位置好评量对舒适型酒店有显著的正相关性，酒店差评数量和客房最低价格对舒适型酒店有显著的负相关性。这说明在舒适型酒店中，消费者除关注酒店价格外，还重视酒店的服务和位置，可能是因为选择舒适型酒店的消费者大多追求舒适的体验，大多是出行旅游或学习，更愿意选择经济又有良好服务的酒店，且这样的消费者更关注酒店的位置，以方便出行。

经济型酒店。消费者推荐率P-value=0.000，Coefficients=0.940；环境评分P-value=0.002，Coefficients=0.338；设施评分P-value=0.021，Coefficients=0.220；酒店差评数量P-value=0.000，Coefficients=-0.405；酒店问答数量P-value=0.001，Coefficients=0.072。表明消费者推荐率、环境评分、设施评分以及酒店问答数量对经济型酒店有显著的正相关性，酒店差评数量对经济型酒店有显著的负相关性。这说明在经济型酒店中，消费者关注酒店环境以及设施的同时也关注消费者推荐率，可能是因为经济型酒店的选择范围广，消费者预订时更容易偏向消费者推荐比率大的酒店。此外，经济型酒店的差评数量对预订率产生了显著的负面影响，可能是因为经济型酒店的设施设备本来就偏向于简单经济，消费者预订酒店时希望能够在经济的范围内得到合理的消费体验，而经济型酒店的差评则更倾向于对消费者的购买行为产生负面影响。

五、结论与启示

(一)结论

在已有研究的基础上，进一步扩展了在线信息对酒店网上预订影响的研究内容。从携程网收集原始数据，根据异方差原理，既保证回归参数估计量具有良好的统计性质，又对数据处理后使用，并通过了DW检验、Glejser检验。以酒店总评论量为被解释变量，为统一变量，排除了评论量过多及过少的酒店，以豪华型酒店、高档型酒店、舒适型酒店、经济型酒店4种类型酒店为研究对象，分析了12项在线信息对酒店预订率的影响。得出如下结论：4种类型的酒店都明显受到顾客评论信息的影响；环境、服务、设施、价格依然是酒店需重视的主要要素；环境、价格、酒店问答数量对豪华型酒店影响显著，环境、服务、设施对高档型酒店影响显著，服务、价格、位置以及差评对舒适型酒店影响显著，消费者推荐率、环境、设施、酒店问答数量、差评对经济型酒店影响显著。

(二)启示

酒店类型不同，其在线信息对酒店预订率的影响程度不同，消费者关注的在线信息重点也不同，酒店的环境、服务、设施、价格依然是消费者重视的因素。

对于经济型酒店和舒适型酒店，管理者应特别重视差评管理，尽量使消费者满意，减少消费者的差评投诉，可在酒店前台或房间放置酒店建议卡，积极回复和有效处理消费者的建议。经济型酒店的价格下降空间较小，且价格下降对酒店预订率的提高不具有显著相关性，经济型酒店应更注重酒店环境设施是否能使消费者满意，并且积极回答消费者的问题。舒适型酒店的位置是消费者关注的重点，酒店呈现在线信息时可突出表现自身位置方面的优势。

对于高档型酒店和豪华型酒店，管理应特别以消费者的体验满意为主，在线信息的呈现要突出环境、设施优势，打出优质服务的酒店营销在线信息。豪华型酒店可适当推出价格优惠活动，提升酒店产品的营销效果，也应更积极地回答消费者的问题。服务评分对高档型酒店、舒适型酒店的预订率有显著正相关性，可能是因为豪华型酒店的服务一般较好，而消费者对于经济型酒店服务的期望值不是太高，高档型酒店和舒适型酒店的服务更受到消费者关注。

要特别说明的是，本文的在线信息有3个因素对各类型酒店都不具有显著相关性，客房类型数、经营时间、用户评分。其中经营时间是针对一些管理者由于酒店经营时间过长导致竞争力降低，这里需要作出两点说明：第一，酒店的设施设备的确会随着时间的延长而陈旧老化，在收集经营时间的数据时发现经营时间长的酒店都有重新装修；第二，随着酒店经营时间加长，品牌效应、顾客忠诚度提高，有助于提高酒店预订率。考虑到这些因素，酒店的经营时间与预订率不能构成明显的相关性，酒店在长期经营过程中，应该将未来的装修费用作为预计负债纳入财务预算。用户评分是携程网对于消费者对酒店综合性评价的平均值，此处作为消费者推荐率的一个参照，消费者只有对酒店满意才会推荐该酒店。由于每个消费者的评分标准不同，用户评分并不具有代表意义，研究也得出用户评分对于酒店并不具有显著相关性，而消费者推荐率对经济型酒店有显著正相关性。在携程网上不同酒店能够提供的客房类型有所不同，且酒店推出主题客房等是否能明显影响大众消费者，本文将酒店可提供客房类型数作为一项在线信息，研究其可能对预订率产生的影响。结果表明并不存在明显相关性，可能是因为酒店能够提供的基本客房类型(标准间、大床房、家庭房)已经能够满足消费者的选择，至少目前的研究并不能说明酒店推出的各种特色客房对大众消费者的购买行为产生较大影响。

由于收集数据的限制，本研究存在一定的局限性。第一，未能获知酒店的准确预订率信息，而采用了在线总评论量代替酒店网上预订量的做法。第二，评论信息具有一定的时效性，评论内容还可以进一步采用面板数据与文本挖掘等方法深入研究。