障碍信号对在线短租房源受欢迎度的影响研究

吴晓隽 王嘉敏

（东华大学旭日工商管理学院，上海 200051）

0 引言

分享经济兴起于一场存量资源的消费革命（王宁，2021），通过鼓励双边平台和闲置资源利用，以互联网平台配置资源，丰富原有的资源配置方式，优化交换效率，构建了一系列的经济活动（Richardson，2015；任朝旺 等，2021）。根据国家信息中心（2022）的数据，2021年中国分享经济市场交易规模约为36881亿元，同比增长约9.2%，表明分享经济继续呈现出巨大的发展潜力和韧性。其中，以旅行分享住宿为核心的在线短租平台的发展令人瞩目。与传统酒店相比，在线短租房源具有非标准化、个性化、灵活性强的特点。个人房东可以通过网络平台将闲置的房屋或房间短期出租以获取收益，而旅游者则可以租用这些闲置房源来换取更低的住宿价格或更丰富的旅游体验。2020 年中国在线民宿房东数量已达45.8 万人，房源数量约为156万套（国家信息中心，2022）。

随着越来越多的房东加入在线短租平台，市场竞争日益激烈，房东的获利空间受到挤压。房东的整体创收能力取决于他们能够吸引多少需求，将潜在用户的注意力转化为实际的预订需求。由于顾客搜索和预订房源的整个过程都发生在线上，平台显示的元素往往成为潜在顾客初步评估房东可信度和报价质量的唯一参考来源（Hawlitschek et al.，2016）。而在线短租平台具有明显的草根性和低门槛的特点（吴晓隽 等，2019），很多房东并不具备做好竞争分析和线上营销的专业能力，因而在线短租房源在市场上的留存比例相对较低，房源流动性高。因此，研究房东如何在房源上线后通过有效地信息展示提高房源的受欢迎度，获得持续且较为稳定的收益，对于在线短租模式的可持续发展有着重要的意义。

在线短租房源的收益问题已成为分享旅行领域的研究热点。由于变量众多，房源收益的因素研究尤为复杂。一些研究者聚焦于房源特征、房东属性及当地竞争环境（Perez-Sanchez et al.，2018；Xie et al.，2019；Tang et al.，2019）等因素，开展了实证研究，案例地主要在欧美地区，而且往往以单个城市为研究样本，其结论的普适性存在争议。因此，需要更多的实证研究（Gibbs et al.，2018）来揭示并验证规律。此外，目前的研究主要集中在价格决定因素上（Wang et al.，2017；Bárcena-Martín et al.，2022），对房源受欢迎度的研究相对不足。而且，已有研究多从宏观视角将Airbnb 房源作为一个整体看待，对由于房源和房东属性的不同造成的房源个体差异关注不足（Liu et al.，2020；王红丽 等，2021）。事实上，每个房源所在城市的特性、房源周边竞争环境等因素都会影响房源的受欢迎度，而现有文献明显在微观层面对在线房源受欢迎度的研究存在不足。

因此，本文基于信号理论中的信号分类，聚焦于房东有较大自主努力空间的障碍信号，在微观层面对信号发布与房源受欢迎程度之间的关系进行了研究，并将城市类型和房源周边竞争者密度作为调节变量，分析其对房源受欢迎程度的影响机制。鉴于Airbnb 在在线短租行业的领先地位，以及其平台上以个人房东为主的特点，更能体现分享经济P2P 商业模式的本质特征，本文以Airbnb 为研究案例，使用中国20个城市的Airbnb房源为样本进行实证研究。

本文的创新在于：第一，考虑到房源在地理位置上的不可移动性，基于信号理论，从更微观的环境层面聚焦于房东在既定房源前提下更具调整空间的障碍信号，研究障碍信号传递对房源受欢迎度的影响，为理解房东自我展示信息对房源收益的影响提供新视角，是从微观层面上对在线短租房源绩效研究的丰富和细化。第二，在考察房源信号与受欢迎度之间的关系时，本文采用了更微观的环境空间尺度，用平均每日房源评论数量与周边2.5公里内房源平均评论数量的差值来度量解释变量（房源受欢迎程度），避免了不同区域之间无意义的对比。同时，调节变量的选取也考虑了房源周围环境的影响，以揭示不同地理环境中障碍信号对房源受欢迎程度的异质性影响。第三，考虑到房源的多样性，实证过程将分位数回归与最小二乘法相结合，这样既能了解因变量分布的中心趋势，又能知晓因变量分布的尾部趋势，更能细致地刻画障碍信号对房源受欢迎度的影响。

1 文献综述

1.1 分享经济与在线短租

人类的分享活动由来已久，但“分享经济”则是近年来在互联网背景之下诞生的一种经济现象（Belk，2014；里夫金，2014）。Botsman（2010）认为，分享经济是由信息和通信技术（ICT）的发展、消费者意识的日益增长、协作网络社区的扩散，以及社交商务/共享所推动的。Zervas（2017）指出，分享经济是在商业价值背景下的一个综合的概念，是经济问题，而不仅仅是通过传统供应商以较低的成本或较低的交易费来租赁商品。Hamari（2016）则认为，分享经济是通过“基于社区的在线服务”协调“基于对等的获取、给予或共享对商品和服务的访问的活动”，是一个涵盖了信息通信技术的发展和技术及协作消费的综合性概念，其核心是在线平台上共享商品和服务。从转型的角度出发，分享经济被定义为包括利基市场、相关创新领域（即分享经济平台），以及支持和促进这些创新发展的中介机构（即分享经济倡导者和投资者）（Smith et al.，2012；Martin，2016）。而Möhlmann（2015）则认为，协作消费已然超越了一种利基市场的模式，成为一个大规模的、拥有数百万用户基础，且吸引了众多企业投资的盈利市场。作为基于互联网及智能设备产生的新型经济模式，分享经济被认为是传统经济模式的有益补充。其核心是在数字社会结构的基础上，对私人财物剩余容量的日常化和规模化分享（王宁，2021），这不仅提高了交易质量，还激活了资源存量，同时也可能成为推动新一轮经济发展的动力，对于创新、资源分配和环境保护都具有显著的推动作用（丁国峰，2021）。此外，在分享经济平台上，多方可以协同创造价值（左文明 等，2020；沈蕾 等，2022），而且为了建立和维护平台、消费者、生产者等各方的信任，各方都期望平台能够建立相应的模式和机制（Li et al.，2020；Pouri et al.，2021）。

Airbnb 所代表的在线短租平台是分享经济模式中发展最迅速的类型之一，通过提供一个允许从个人到个人的大规模租用空间在线市场，改变了传统住宿模式（Guttentag et al.，2015）。区别于传统的酒店住宿模式，在线短租房源更加个性化且灵活（Chang et al.，2022）。此外，在线短租极大地降低了住宿业的进入门槛，房东可以出租闲置的住房、房间甚至是床位。Airbnb 房东通常被描述为微型企业家（Stabrowski，2017），管理的房源显示出广泛的属性变化（Wang et al.，2017），而且通常与客人的互动比酒店更频繁（Abrate et al.，2019）。然而，潜在消费者的消费意愿很大程度上取决于房东在平台上所释放出的相关信号（Mauri et al.，2018；Yao et al.，2019；Liu et al.，2020；王红丽 等，2021）。因此，房东只有在了解消费者的消费意愿受何种信号影响的情况下，才能提高房源竞争力，从而获取更多收益。然而，在Airbnb领域，影响收益的因素非常复杂，因为变量之间互相重叠。这些变量包括房源特征（Perez-Sanchez et al.，2018；Yao et al.，2019）、房东属性（Xie et al.，2019；Liu et al.，2020）及当地环境中的相关因素（Tang et al.，2019）。目前的研究结论还存在一些争议（Kwok et al.，2019），因此需要进行更多的实证研究（Gibbs et al.，2018）。本文从房东的角度探究房源受欢迎度的影响因素，以弥补这方面研究的不足。

1.2 受欢迎度

在线短租领域关于受欢迎度的文献并不多。通常情况下，能够吸引更多顾客并更有效提供服务的房东具有更高的受欢迎程度（Mauri et al.，2018）。研究证明，消费者的偏好会随着住宿设施受欢迎程度的增加而增加，他们愿意在受欢迎的住宿上花费更多的资金（Viglia et al.，2014；Liang et al.，2017）。这表明受欢迎程度是一个有用的线索，可以更好地引导消费者的判断和决策。在电商领域，研究发现消费者更倾向于购买拥有更多在线评论的产品，因为产品的质量已经被大量的在线同行所体验和评估（Godes et al.，2004）。线上评分曾被认为是测量受欢迎程度的首选指标，比来自公司本身的信息更有帮助和值得信任。然而，在分享经济领域，产品通常会收到压倒性的正面评论，事实上，超过90%的Airbnb 酒店拥有平均4.5或5 星的用户生成评级（Zervas et al.，2017），而且对评论的定性分析也显示了积极评价的趋势（Bridges et al.，2018）。这导致评分系统存在明显的偏差，使得消费者不得不寻找其他线索来协助决策。其中，房源的评论数量被认为是一个重要的帮助顾客决策的变量（Benítez-Aurioles et al.，2020），是表明房源受欢迎度的一个重要线索。事实上，评论的数量已被证明与房源的业绩密切相关，很多研究用Airbnb房源的在线评论量来衡量销售量（Moen et al.，2017；Zervas，2017）。Lee等（2015年）通过对纽约等城市的4178个房源数据样本进行分析后发现，评论数量比评级更能够解释房源销售的差异。因此，有研究者选择使用评论数量作为受欢迎度的衡量指标，例如：Liu等（2020）使用途家房源的评论数量来度量受欢迎程度；Mauri等（2018）则将Airbnb房源的评分、评论数量及将该房源保存到“愿望列表”的次数进行主成分分析来测算房源的综合人气指数。本文参考Liu（2020）的做法，使用房源的评论数量来度量受欢迎程度。因为它反映了客人的讨论量（Chen et al.，2008），显示了产品/服务的知名度（Zhu et al.，2010），并与商业绩效直接相关（Xie et al.，2016）。

1.3 信号理论

信号理论的前提是信息不对称，即交易双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，当不同的人知道不同的事情时，信息不对称就会发生。因为有些信息是私人的，所以信息不对称通常出现在那些拥有这些信息的人和那些如果拥有这些信息就可能做出更好决策的人之间（Connelly，2011）。由于信息不对称的存在，一些行为可以被作为信号，传递给掌握信息较少的外部人（鲁耀斌 等，2005）。Stiglitz（2002）强调了两种尤为重要的信息不对称类型：关于质量的信息和关于意图的信息。在第一种情况下，当一方不完全了解另一方的特征时，信息不对称变得至关重要；在第二种情况下，当一方担心另一方的行为或行为意图时，信息不对称也具有很高的重要性。在线短租平台的双方通常就处于信息不对称的状态，对于有临时住宿需求的客人来说，他们对于即将入住的房源并不了解，在线短租平台几乎是他们获得房源信息的唯一渠道。

此外，信息不对称和不确定性也可能导致羊群行为的出现。Kraus等（1972）将大量机构投资者在同一时间内以同方向交易同一只股票的行为定义为平行交易，即机构投资者的羊群行为。在旅游领域，研究者们研究了餐饮、酒店、Airbnb 等领域中的羊群行为（Ha et al.，2016；Benítez-Aurioles，2020）。Hill（2015）的研究发现，Airbnb房源是否有评论会显著影响消费者的购买决策。考虑到客人可能的羊群行为，这个结果并不意外。此外，Chen 等（2017）通过问卷调查，评估出评分数量对Airbnb购买意愿有重大影响，而评分本身则不具有相同的影响力。Benítez-Aurioles（2020）进一步对Airbnb平台上发生的微观经济层面的羊群行为进行了计量建模和实证研究，结果显示，在控制了房源的多个重要特征后，每增加一条评论，不管其内容是否正面，都对未来消费者的需求产生积极影响。这意味着羊群效应确实存在，但也存在其他影响需求的因素，比如房东发布即时预订选项等信息，这些因素可以打破羊群效应的恶性循环，为新进入市场的房源提供机会，这也表明房东发布信息的内容会影响房源的受欢迎程度。

在市场营销领域的相关研究中，通常把顾客视为信号接收者，把产品或服务的卖方视为信号的发出者。在这种情况下，顾客可以通过购买与高质量信号相关的商品和服务来获益，并且在完成信号接收和购买行为之后可能会提供反馈信号（Stiglitz，2002）。在短租房源的预订中，消费者是信号的接收者，而房东是信号的发出者。为了减少信息不对称，使消费者相信他们产品的质量至关重要。然而，在线平台上的消费者往往很难辨别产品的内在质量，因此他们只能转而参考其他指标或信号，如卖家信息、经验、能力等，以推断信任并做出购买决定（Xie et al.，2017）。因此，对房源在平台上所释放的信号进行研究很有必要。

在电子商务领域，供应商可以通过价格、描述、保证或品牌等指标来发出其产品或服务质量的信号（Basoglu et al.，2014），以应对信息不对称问题并促进交流。Spence（2002）将信号指标分为三类：基础（conventional）指标、障碍（handicap）指标、索引（index）指标。Mauri 等（2018）将这些概念应用到住宿领域，将基础信号视为房东提供的信息（即自我描述），将障碍信号定义为房东在交易之前和交易期间所付出的更深层次的努力（如身份披露、主客互动），将索引信号看作来自同行经验的最终结果（即评论和其他声誉指标）。这三类信号对于形成消费者对房源的质量判断和信任都非常重要（Yao et al.，2019；Xie et al.，2017）。房东作为线上交易和服务交付的主体，有责任和动力将自己值得信任的一面呈现出来。但从房东的角度看，他们在基础信号和索引信号方面的调整能力受到限制，最有主观能动空间的是障碍信号。首先，房东在发布基础信号（如房源设施的基本信息描述等）时，由于可以假设房东的房源属性是固定的，因此是不能或者不应该以有利的方式对其进行调整的。其次，索引信号通常被认为是最强的信号类型，因为它依赖于独立的第三方进行确认，这些第三方已经实际使用或体验了产品或服务，通常没有任何动机虚假报告其质量（Aiken et al.，2006）。但是，由于Airbnb 存在明显的评分偏高现象（Zervas et al.，2017；2021），仅依靠以评论系统为代表的索引信号难以缓解房客对不确定性的担忧。因此，房客也会关注其他的信息来源，特别是房东努力发布的障碍信号。相比之下，发出障碍信号（如：精心拍摄的照片或即时预订的政策），与房东的努力有关，而且也是房东可以进行调整的信号发布行为。对于低质量房源的房东来说，提供这类信号的成本要高于高质量房源的房东（例如，低质量房源不容易拍出有吸引力的好照片）因此，障碍信号的欺诈可能性就降低了，潜在消费者可以有效地解读这信号。（Teubner et al.，2017）。

因此，本文针对Airbnb短租平台的特点，从房东的角度出发，聚焦障碍信号，分析如何有效地进行线上的障碍信号披露，以提高房源的受欢迎程度，这在分享短租环境下是一种利于双方信任关系建立的有益策略。

2 模型与研究方法

2.1 模型

基于Spence（2002）的分类及Airbnb平台房源信号的内容，本文将房东传递、消费者接收的信号分为基础信号、障碍信号、索引信号。基础信号指平台规定发布的房源的属性信息，包括房源类型、位置、设施、上线时长等；障碍信号指房东在交易之前和交易期间提供的更深层次的信息，包括价格、是否给出信息提示、照片的数量、预订和取消政策等；索引信号指用户在浏览时得到的来自其他用户的反馈，即房源的各项评分。

本文重点讨论障碍信号对房源受欢迎程度的影响，障碍信号反映了房东为达成交易而做出的努力，是房东提高房源吸引力最可行的优化路径。

综上，本文的基础模型如下：

式（1）中，β0为常数项；Handicap为障碍信号；CV为控制变量，包括基础信号与索引信号；ε为随机干扰项。基础模型展开如下：

式（2）中，Converntional为基础信号；Index为索引信号。加入调节变量后，模型如下：

式（3）中，M为调节变量。

2.2 变量说明

2.2.1 因变量

本文的因变量为房源的受欢迎程度。由于无法获得Airbnb 房源的交易数据，因此使用在线评论数量来衡量房源的受欢迎度。鉴于每次入住后，Airbnb 平台都会要求客人和房东提供关于他们体验的评论，70%的Airbnb 顾客会在网站上留下评论（Fradkin et al.，2021），并参考分享住宿领域中用顾客对房源的在线评论量来衡量销售量的做法（Moen et al.，2017；Zervas，2017；Liu et al.，2020），我们认为在线评论数量是衡量房源受欢迎度的一个合理代表。

另外，考虑到房源在地理空间上的不可移动性，房源的竞争对手往往来自其周边范围内的其他房源。因此，本文采用房源的相对数值来度量房源的受欢迎程度，具体是指房源上线以来平均每天房源评论数量与周边2.5 公里内其他房源平均评论数量的差值。这样更能准确评估房源的受欢迎程度，避免了绝对数值评估可能带来的不合理性。

因变量的计算过程包括以下步骤：首先，将爬取到的Airbnb房源经纬度信息导入ArcGIS 10.2 软件，运用点距离工具将每间房源与其周边2.5 公里范围内的其他房源进行匹配，得到31514698 条匹配记录；然后，将这些匹配记录导入MySQL 软件，与所有房源周边环境中其他房源的评论数量进行匹配，得出每间房源周边其他房源的评论总数量和该房源上线以来每日平均收到的评论数量。最后，通过计算这些评论数量与周边2.5公里内房源的评论数量的差值，得到因变量的数值。

2.2.2 自变量及控制变量

核心自变量为障碍信号变量。本文将房东可以自主传达的、不属于房源设施属性的信号视为障碍信号。从Airbnb 网页所获得的数据包含三类障碍信号：第一类是房东的信息提示，包括周边环境介绍、交通提醒、房屋守则与照片数量，这些信息可以帮助用户更加了解房源，从而潜在地提升顾客对房源的信任度；第二类是预订和取消政策，便捷灵活的预订和取消政策可能会吸引更多的用户；第三类为价格属性，包括房源的价格与清洁费，价格指房源的单间夜价格，清洁费是指房东设定的顾客入住后必须支付的清洁费用。

控制变量包括基础信号和索引信号两类。结合Mauri 等（2018）和Yao 等（2019）的研究，本文认为位置属性、设施属性、整体属性和房东属性属于基础信号；而索引信号包括房源的各项具体评分，包括描述准确性评分、入住评分、干净程度评分、交流评分、位置属性评分、性价比评分。具体变量内容及说明详见表1。

房源距重要POI 的距离经由ArcGIS 软件计算得出，而POI 数据是通过Python从百度地图数据进行抓取获得。首先，将POI 数据进行坐标转换，由BD 09 坐标转化为WGS 1984坐标；然后，在ArcGIS中将这些POI数据与房源坐标进行连接，以计算房源距离重要POI的距离。

2.2.3 调节变量

本文的调节变量有3个。第一个调节变量是城市类型，将Airbnb房源最多的20个城市分为综合城市和旅游城市两类，其中直辖市、省会城市和计划单列市被视为综合城市，其他城市被视为旅游城市。虽然苏州市不是计划单列市，但其第二产业比重将近48%①苏州市统计局.国家统计局苏州调查队.苏州统计年鉴2018［M］，北京：中国统计出版社，2018.，本文也将其列为综合城市。这些城市类型的数据来自各省（区、市）的统计年鉴。第二个调节变量是每间房源周边2.5公里范围内的总房源数量。第三个调节变量是每间房源周边2.5公里范围内酒店的数量。酒店数据来自百度地图，包括星级酒店、经济型连锁酒店、宾馆、招待所、酒店式公寓等类型。周边环境中总房源数量和酒店数量两个变量作为竞争者密度变量，对房源的受欢迎程度产生影响。

2.3 计量方法

2.3.1 分位数回归

OLS 回归模型通常考查的是解释变量对被解释变量条件期望的影响，即均值回归。但均值回归很难反映整个条件分布的全貌，且易受极端值影响。相比之下，分位数回归（quantile regression）使用残差绝对值的加权平均作为最小化的目标函数，不易受极端值的干扰，且能提供条件分布的全面信息（陈强，2010）。此前的研究中，黄杰龙等（2018）运用分位数回归法研究了影响森林公园旅游产业竞争力空间差异的因素。Chen（2016）运用分位数回归，探究了入境旅游市场增长率对酒店企业的销售增长率及财务绩效的影响。本文对房源受欢迎度的百分位数进行了回归分析，以深入研究障碍信号对不同受欢迎度房源的影响。

2.3.2 调节效应分析

如果变量Y与X的关系是变量M的函数，则M就是调节变量。在以往的研究中，陈晓红等（2010）在研究资本结构对企业受欢迎程度的影响时指出，对于不同竞争激烈程度的行业，资本结构对投资能力的负效应随着行业竞争程度的下降会有所减弱。刘凤委等（2007）也指出，外部竞争程度越低，业绩与经营者的奖惩关联度越弱，即竞争程度的不同很可能会导致受欢迎程度影响机制的不同。因而，竞争者密度很有可能对房源受欢迎程度的影响机制产生调节作用。此外，城市类型也是不可忽视的因素。不同类别的城市意味着不同的产业结构，而城市是否以旅游业为支柱产业可能会很大程度上影响游客的预期及服务偏好，从而导致不同类型城市中，游客对房源的偏好可能不同。

2.4 样本与数据处理

本文通过爬取Airbnb 平台获得房源数据，包括房源的ID、价格、房源名称、对应房东的ID、经纬度、房源介绍、用户的评论内容及时间、房源的设施、用户评分等，截至2017 年11 月30 日。本文选取上线后至少有一条评论的活跃房源作为研究对象，剔除了缺少评分、不提供夜间住宿、房价和清洁费的总和为0 的房源。在此基础上，本文选取国内活跃房源数量排名前20 的城市（不包括港澳台地区），最终得到了共计52552间有效的活跃房源，具体信息如表2所示。

表2 房源数量统计

值得一提的是，活跃房源比例在不同城市间存在一定的差异，其中重庆（72.52%）和南京（72.18%）的活跃房源比例较高，而丽江和三亚的活跃房源比例相对较低，分别为35.47%和44.50%。

3 实证分析结果

3.1 OLS回归分析

由于数据并不满足同方差性的假设，本文使用“OLS 回归+稳健标准误”的方法，以确保参数估计的有效性。回归结果如表3所示。

表3 OLS回归结果

首先是价格属性。研究结果显示，清洁费与房源价格都呈现出显著的负向影响。清洁费是顾客入住时额外支付的费用，在52552 间房源样本中，有35085 间的清洁费为0 元。这种定价方式被称为“分离定价（segregated pricing）”，即将商品价格和额外服务费用分开计算，如网购和邮购中的产品价格和运费、酒店中的房费和服务费等。消费者购买某商品时必须同时支付这两部分的费用，而没有选择的余地（Burman et al.，2007；杨玉兵，2016）。相反，整合定价则是将两部分费用一起计算，给定一个价格。结果显示，单列清洁费显然降低了房源的受欢迎程度，即在短租房源的定价中，整合定价是更合适的选择。同时，房源价格对房源的受欢迎度有负向影响，因为低廉的价格是许多顾客选择在线短租房源而非酒店的主要原因。价格越高，房源的受欢迎度自然会下降。

信息提示方面，照片数量对房源受欢迎度有正向影响。在样本中，整房房源占据了全部房源的61.57%，增加更多的房源照片可以更完整地展示整个房源的设施和布局，让顾客对房源有更全面的了解。通常情况下，顾客更倾向于选择照片数量更多的房源。此外，房屋守则与交通提醒对房源的受欢迎度也有正向的影响。房屋守则是房东在房源页面提供的对顾客在房源内行为的限制，包括入住时间限制、入住人年龄限制、活动举办限制、噪声限制等。尽管房屋守则是对顾客活动的限制，但也为顾客提供了更多关于房源的信息。此外，房屋守则也可以让顾客觉得房东关注客人的入住体验，从而增加顾客对房源的好感。交通提醒为顾客提供了清晰便捷的交通方式信息，包括从交通站点至房源、从房源至其他旅游目的地的路线等，使得顾客能更好地规划旅游线路。此外，给出交通提醒的房源可能拥有更好的位置属性，给出提示也可以让顾客直观地感受房源位置的优越性和周边交通的便捷度。

订房政策方面，预订和取消政策对房源受欢迎度有相反的作用。整体上看，预订政策对房源受欢迎度有负向影响，因为即时预订要求高的房源要求顾客必须经过身份认证且有过Airbnb 住宿经历，这可能对初次使用Airbnb 平台的顾客不太友好，导致潜在用户的流失。然而，有住宿经历要求的即时预订政策对受欢迎度呈现正向的影响作用，这可能是因为这个政策体现了对Airbnb老顾客群体的认可，增进了这部分顾客群体的消费。取消政策则对房源受欢迎度产生正向影响，即拥有严格取消政策的房源有更高的受欢迎度。这可能是由于严格的取消政策能保证大部分订单的履约，从而提高了房源的可预测性和稳定性。

此外，还有两类控制变量。基础信号中，市中心距离对房源受欢迎度有负向影响，距离越近，房源受欢迎度越高；与三甲医院的距离则对房源受欢迎度有正向影响。卧室数量对房源的竞争力有负向作用，即卧室数量越多的房源并不一定具有竞争优势。相反，床的数量和浴室数量对房源受欢迎度有正向作用，意味着可以提供更加便利和舒适的居住环境。此外，拥有特殊房型、整房房型和由专业房东经营的房源都具有较高的受欢迎度，说明顾客期望体验到与平时生活不同、拥有独立空间的专业服务。索引信号中，除交流评分与描述准确性评分之外，其他四项评分均对房源受欢迎度有正向影响。

3.2 分位数回归

在上述回归的基础上，本文也进行了房源受欢迎程度影响因素的分位数回归。分位数回归使用残差绝对值的加权平均作为最小化的目标函数，不易受极端值影响，较为稳健。本文采用10%、25%、50%、75%和90%五个条件百分位数。

分位数回归结果如表4 所示。房价对于10%上的房源并无显著影响，但对处于25%分位点及以上受欢迎度的房源有显著的负向影响，且相关系数在50%分位点达到最高。这表明对于受欢迎程度高的房源，价格的影响相对较弱。可能是由于这部分房源已经拥有较好的口碑，顾客对它们产生偏好，从而降低了对价格的敏感性。而对于受欢迎程度处于中间档的房源来说，房源的设施及口碑并没有达到较高的水准，无法吸引一定数量的顾客群体，因而降低价格可能是相对更有效的提升受欢迎度的手段。对于受欢迎度较低的房源，价格并没有起到显著的影响人们选择的作用，表明对于在这个阶段的房源，房东需要通过价格以外的信号去建立主客信任，吸引顾客。而清洁费在10%分位点上负向系数最大，随着受欢迎度的上升其负向影响减弱，表明收取清洁费对于刚上线的房源或者受欢迎度低的房源的负面影响最大，提示这些房源在制定价格策略时可以考虑不单列清洁费。

表4 分位数回归结果

在信息提示方面，除了环境介绍之外，在照片数量、房屋守则及交通提醒3 个指标上，都是10%分位点的回归系数最高。这说明对于受欢迎程度低的房源来说，能否将房源的特色和优势展示出来非常关键，因为直观、明了的信息提示可以引发顾客的积极期望，从而提高选择意愿，这与已有Airbnb顾客意愿的研究结果相呼应（Ert et al.，2016）。

严格的预订政策（第四类和第五类）回归系数的绝对值随着房源受欢迎度的增高而递增。这表明，严格的预订政策会对受欢迎度较高的房源造成更大的负面影响。这可能是由于顾客在预订房源时更倾向于快速选择自己青睐的房源，而不太愿意接受需要等待房东的批准才能入住的体验。尤其是对于受欢迎度较高的房源来说，顾客可能会担心，当有多人同时预订时，房东会选择接受他人的申请。然而，对于需要住宿经历的预订政策（第三类），在10%，25%和50%分位点的房源对受欢迎度呈显著的正向影响，而且分位数越低，影响系数越大。这说明，对于那些受欢迎度不高或是新进入市场的房源，实施要求顾客具有一定住宿经历的即时预订政策，实际上是在向Airbnb的老顾客发出认可的信号，这有助于引发Airbnb使用群体的认同和信任感。老顾客通常更有经验和信心，可以尝试新房源或者可参考评论较少的房源。因此，这种预订政策对于低认知度的房源具有最大的促进作用。而取消政策对房源的正向影响随着受欢迎度的增加先降后升，在50%分位点影响系数相对最小。严格的取消政策对受欢迎度最低（10%分位点）的房源有最大的正向影响。这是因为严格的取消政策能保证已预订顾客的履约率，对于订单不多（受欢迎程度低）的房源来说至关重要。

3.3 调节效应分析

为了探究竞争环境是否会对信号传递属性的影响机制产生作用，本文对竞争环境及房源所处的城市类型进行了调节效应分析，因为竞争环境的不同可能会导致消费者偏好特性不同的房源。

3.3.1 城市类型的调节效应

首先，在价格方面，城市类型有显著的调节效应。旅游城市清洁费的负向影响被削弱，说明旅游城市房源的定价政策仍适用整合定价，但分离定价的负向影响减弱。这可能是由于游客在综合城市更习惯预订酒店，而在旅游城市更倾向于选择民宿或客栈。由于大部分酒店并不会对客人收取清洁费，游客在综合城市进行住宿时会倾向于选择不收清洁费的房源；而在旅游城市，游客可能更加注重民宿的特色和周边环境的风情，额外收取清洁费的房源并不能减弱房源特色所带来的吸引力，从而减弱了游客的排斥。

在信息提示方面，旅游城市中照片数量和房屋守则对房源受欢迎度的影响有较大的弱化，而交通提醒在旅游城市与综合城市中作用相异。旅游城市中，交通提醒对房源受欢迎度呈负向的影响，即缺少交通提醒的房源有更高的受欢迎度。这可能是由于在旅游城市中，游客更关注房源的基础属性和评分，且旅游城市的交通可能没有综合城市复杂，交通提醒对游客意义不大。在综合城市中，有房屋守则和交通提醒的房源有更高的受欢迎度。这可能是由于综合城市的交通状况较复杂，游客倾向于在出游前更准确地掌握信息，也希望能够得到友善的服务。

最后，在旅游城市中，严格的预订政策会增加房源的受欢迎度，而取消政策的正向影响则被弱化。这表明，在旅游城市中，游客最关心的是房源的基础信号和索引信号，即房源的设施与评分。他们并不关心房东是否提供了足够多的信息，甚至不倾向于选择提供障碍信号相关信息较多、预订政策宽松的房源。在这些城市，房源的基础特征是最重要的，房东需要尽可能改造自己的房源，并采用分离定价策略，使房源能适应游客的需求。对于综合城市的房源，房东则需要采用整合定价的策略，同时需要在平台更多地提供房源的相关信息，以便游客在预订前可以掌握更多信息，并提升其受欢迎度。

3.3.2 竞争者密度的调节效应

竞争者密度分为两个维度：周边酒店数量与周边Airbnb房源数量。

首先是周边酒店数量的影响。如表5 所示，周边酒店数量在清洁费对房源受欢迎程度的影响关系中起到了负向的调节作用，即周边酒店数量越多，清洁费的负向影响越小。在传统酒店行业中，许多高星级酒店会在房费之外收取一定比例的服务费，因而在住宿业较为发达的地区，在线短租房源收取清洁费更容易被接受。此外，在酒店较多的地区，照片数量、房屋守则和交通提醒的正向作用得到了强化。在所有的酒店线上预订平台中，一定数量的照片、房屋守则、交通提醒信息都必不可少。由于酒店提供标准化住宿和服务，顾客对酒店的信息掌握更多，因此，在酒店较多的竞争环境中，提升房源的信息曝光度十分必要。最后，在预订政策对受欢迎度的影响方面，周边酒店数量对不同预订政策起到了不同的调节作用。需要身份验证的预订政策在周边酒店密集的地区受到较小的负向影响，这可能是因为所有酒店都需要进行身份验证，因此顾客更愿意接受房东的这一政策。而在不可即时预订的政策方面，周边酒店数量强化了这种负向影响，因为顾客有更多的备选项，而不必担心房东驳回预订申请时无房可订，从而使得严格的预订政策而产生的提前锁定需求的程度有所减轻，顾客对这类房源的预订率可能会降低。

其次，周边环境中其他Airbnb 房源的数量也会对房源的受欢迎度产生影响。周边房源数量可以增强照片数量和房屋守则的正向效应，即信息提供在竞争激烈的环境中有更强的作用。另外，周边房源数量还强化了身份验证后可即时预订和不可即时预订这两种预订政策对房源受欢迎度的负向影响，说明顾客更倾向于能够快捷方便地预订房源。最后，周边房源数量增强了中等和严格取消政策的正向影响。这可能是由于在周边房源较多的情况下，顾客会认为取消政策严格的房源是被预订较多的、较受欢迎的房源，从而产生预订意愿。

综上，本研究结果表明，价格和清洁费会对房源的受欢迎度产生负向影响，这与Sthapit等（2018）和Yao等（2019）的研究结果一致。相反地，信息提示、宽松的预订政策和严格的取消政策对房源的受欢迎度有积极的影响，这与Ma等（2017）的研究结论相符，但与Yao等（2019）的结论不同。此外，本研究还发现，在旅游城市中，清洁费、照片数量、房屋守则、交通提醒以及预订和取消政策的影响都会被削弱，甚至出现作用相反的情况。因此，在旅游城市中，需要谨慎对待这些因素。

对于房东来说，要提高房源的受欢迎度，可以在不增加成本的前提下，增加房源在平台上的信息曝光，并选择灵活的预订政策和严格的取消政策。但需要注意的是，在综合城市中，障碍信号会对房源的受欢迎度产生较大影响，因此在平台上提供更多关于房源的信息是必要的。然而，在旅游城市中，障碍信号的影响会被削弱，因此提供更多的信息提示并不能对房源的受欢迎度产生积极的影响。

4 稳健性检验

由于网上评论容易出现两极分化“J型”评论效应（Hu et al.，2009），会缺失一部分温和中性的评论，导致对因变量受欢迎度的估计偏差。因此，我们采用替换因变量的方式来检验研究结果的稳健性，避免实证结果受到所选用指标的度量方式的影响。参考Liu 等（2020）的做法，我们基于房源的网络评分（1～10分）进行加权，得到一个替代指标：加权受欢迎度（WP），具体如下所示：

其中，R是平均每日单个房源的在线评论量相对值，S是单个房源的每条在线评论的评分（从1～10 分，1 分为糟糕，10 分为优秀）。通过给网上评论量分配一个权重（即S/10），我们可以调整低评级房源的评论量，因为人们更有可能写批评性的评论，这些房源的评论量可能会更高。表6 和表7 列出了估计结果，作为主要模型的稳健性检查，发现估计效果与表4和表5中的效果一致，支持结果的稳健性。

表6 稳健性检验（1）

表7 稳健性检验（2）

5 研究结论

本文基于信号理论，使用Airbnb 中国20 个城市的房源公开数据，采用OLS 和分位数回归模型，考察障碍信号对房源受欢迎程度的影响及其机制。

5.1 研究结论

主要结论包括：（1）在线短租房源受欢迎度很大程度上取决于房东在平台上所传递的信号，包括基础信号、障碍信号与索引信号。其中，障碍信号是房东有较大自主调节空间的信号类型，也是本文的核心自变量，对房源受欢迎度有显著的影响。研究结果表明，整体而言，给出较低价格信号（包括房价和清洁费）、更多信息提示（包括照片、交通提示、房屋守则）、更灵活的预订政策和严格的取消政策的房源，有更高的受欢迎程度。（2）分位数回归的结果显示，障碍信号对不同受欢迎程度的房源的边际影响存在显著的异质性。对受欢迎度较低的Airbnb 房源来说，信息提示（包括照片数量、房屋守则、交通提醒）、灵活的预订政策、严格的取消政策的边际效用最为显著，而单纯地降低价格并不能显著促进这部分房源的受欢迎度，但降低清洁费用会起到吸引顾客的作用。而对于受欢迎度最高的房源，照片数量、预订及取消政策对受欢迎度的促进作用比较明显，但严格的即时预订政策所带来的负面影响则最大。（3）城市类型和竞争者密度有显著的调节作用。相比综合城市，旅游城市中房源的障碍信号对受欢迎度的影响作用被削弱。严格的取消政策和灵活的预订政策对受欢迎度的正向影响在旅游城市也有显著的削弱。而在酒店密度较大的环境中，障碍信号的影响被削弱，在房源密度较大的环境中，障碍信号的影响则得到了增强。

5.2 理论贡献和实践价值

本文的理论贡献主要在于：第一，以往对P2P在线短租房源特质的研究主要考察其定价机制，对构成房源收益的另一个变量受欢迎度的研究相对不足。本研究基于信号理论，充分考虑到房源在地理位置上的不可移动性，基于更微观的环境颗粒度界定了房源的受欢迎度指标。同时，本研究聚焦于房东在已有房源前提下更具调整空间的障碍信号，研究障碍信号传递对受欢迎度的影响，并利用分位数回归全面地刻画障碍信号对不同受欢迎度房源的影响。从微观层面上对在线短租房源绩效研究进行了丰富和细化，为理解房东自我展示信息对房源收益的影响提供了新视角。第二，本文探讨了房源周边竞争密度及所在城市类型的调节作用，研究了障碍信号对周围环境不同的房源受欢迎度的影响的异质性表现，进一步揭示了房东的障碍信号对房客预订行为产生影响的内在逻辑，为在线短租的信号体系的作用机制提供了新的见解。第三，目前对分享住宿的研究主要集中在西方，使用欧美主要城市的数据样本，只有少数研究关注中国的分享住宿，且多为单一城市的数据样本（徐峰 等，2021；剌利青 等，2022），而且更多地着眼于消费者的使用意愿和行为意图（Yao et al.，2019）。而本研究从房东的角度，系统地研究中国Airbnb 平台上20 个城市房源受欢迎度的影响因素，作为一项探索性的实证研究，研究结果有助于丰富在学术研究中被相对忽视的P2P分享旅行住宿的中国市场的研究。

本文的实践价值在于：目前，国内在线短租房源的经营缺乏系统性、建设性的参考，导致许多房源上线后难以获得持续的收益。本文通过对不同类型城市Airbnb房源的受欢迎程度影响因素进行探究，为房东提供了有价值的参考，帮助他们在房源条件既定前提下，根据所在地及竞争环境的特点发布更能吸引消费者的房源信息。这有助于让房东以成本较小的方式，对房源信号传递进行相应的调整，从而在激烈的竞争中取得竞争优势；同时，为即将进入在线短租市场的潜在房东提供了有关消费者偏好的房源特征的重要参考。此外，本研究还有助于平台运营商更好地引导和协助房东管理和展示房源，提升房东对竞争环境的认知，从而提高信息传达效率，为房东提供增加销售量的建议。

5.3 局限性和未来方向

需要承认本研究的几个局限性。首先，本研究中受欢迎度的测量指标为评论数量，虽然用加权评分进行了稳健性检验，但还是略显单薄，将来如果有直接的经营数据或者更为符合的指标加以验证，将更有说服力。其次，本文只从房源所在城市类型和竞争密度两个方面探讨了障碍信号对房源受欢迎度的调节作用。然而，还有许多其他内部因素，如房东的特征、管理方式等，也是可能的调节因素，未来的研究可以探索其他的角度。最后，不同的时间情境下，房源受欢迎度的影响因素很有可能存在很大差异。例如：疫情后顾客对于分享住宿的需求可能发生了一些改变，未来可以开展进一步研究，以跟踪验证障碍信号对分享住宿房源受欢迎度的估计效果。