在線信息對飯店產品預訂的影響

趙鵬宇， 汪桃羽

(忻州師范學院 旅游管理系，山西 忻州 034000)

一、引言

隨著web2.0的快速發展，酒店在線預訂得到廣泛運用及普及，酒店在線預訂平臺軟件成為消費者的主要預訂方式。酒店提供的是一種典型的體驗式服務[1]，消費者預訂前無法對其服務內容和質量作出準確評估，在決策過程中需要參考大量信息以降低感知風險[2]。在線信息對消費者購買決策的影響極為重要，酒店在線預訂平臺對酒店信息的合理呈現顯得尤為重要。

Milan發現84%的消費者依據在線信息來進行購買決策[3]。Peterson和Merino研究消費者在互聯網上的信息搜尋行為時，發現在線信息可以影響消費者的購買行為，進而對產品的銷量產生影響[4]。徐峰研究發現網絡輿論比傳統媒介更能影響消費行為[5]，關注點主要體現在信息豐富性上[6]。何秋亞等研究了消費者在線預訂酒店選擇意向在個體上的差異[7]。探討在線信息對飯店產品預訂的影響，有利于飯店針對消費者關心的信息采取有效合理的措施與反應，充分發揮在線信息對消費者預訂行為的積極效應，從而有效提高預訂率。

二、文獻綜述

(一)在線信息要素選擇

酒店在線預訂平臺提供的在線信息直接影響著消費者的購買決策。根據以往的研究，在線信息可分為顧客評論信息、酒店特征信息、預訂平臺推薦信息。

顧客評論信息主要包括顧客對酒店設施、服務水平、周邊環境、客房衛生等的評價。同時在線評論還可以包括消費者推薦比率、酒店位置評分。多數研究中用消費者評分代表酒店電子口碑[8-10]，選擇用消費者推薦比率代替消費者評分，更能說明消費者對酒店的滿意程度[11]。張夢等在研究中采用酒店所在城市等級來反映酒店所在位置，缺點是比較范圍過大，影響的準確性不夠，且位置對消費者購買決策的影響具有主觀性和差異性[12]。例如以飛機為交通工具的商務人士在選擇酒店時更傾向于選擇機場附近的酒店，旅游者則更愿意選擇離景點更近的酒店，本文采用消費者對位置的評分來作為其位置的自變量因素。根據負向評論對銷售的影響大于正向評論[7]，差評對消費者購買行為存在一定的影響，本文也將此在線信息作為影響因素，同時將差評數量作為研究的在線信息因素。基于以上解釋，酒店的硬件雖然是客觀物體，但是對消費者卻具有主觀上的影響。關于酒店不能直觀定論的設施設備如客房的裝修等，以及周邊環境、地理位置、服務水平等消費者感官體驗的主觀感受，都采用消費者評論信息作為其在線信息影響因素。

以往研究以酒店客房價格、客房類型、酒店星級等作為酒店的特征信息，來研究其對消費者購買行為的影響，其中酒店客房價格對消費者具有最為直觀的影響，在線產品的定價對網絡營銷具有重要影響，且網絡定價是酒店競爭的重要決策[13-14]，本文也將其作為影響因素的研究對象。同時提出新的特征信息，酒店經營時間與酒店房型多樣性作為酒店特征信息。

以往研究的預訂平臺推薦信息包括用戶評分(顧客對酒店的評價，綜合考慮了其他多方面因素，預訂平臺對合作酒店進行的評級)、點評瀏覽指數(根據顧客對酒店評論信息的瀏覽次數，預訂平臺對該變量進行的賦值)等。本文選取用戶評分作為研究在線信息因素，由于酒店問答數量一定程度體現消費者對該酒店的關注程度，酒店問答信息也作為消費者購買決策的影響因素。

(二)在線信息的研究對象選擇

攜程網是目前中國最大的在線旅行服務提供商，2016年的市場份額為41.8%，位居第一，擁有最大的訪問客戶群，在線呈現的信息具有代表性。本文將在以往研究基礎上，參考劉國濤研究的攜程網盈利模式[15]，進而通過攜程網選取極大可能對消費者購買行為產生影響的因素，研究其與酒店預訂率的相關性。以往的研究表明，在線評論對消費者決策具有更加明顯的重要性[16-18]，在線評論的不一致也會對消費者的決策產生不同影響[19-20]，本文將以在線評論作為研究主線。

攜程網提供給消費者酒店類型的選擇為豪華型酒店(涵蓋五星級酒店)、高檔型酒店(涵蓋四星級)、舒適型酒店(涵蓋三星級)、經濟型酒店(涵蓋二星級及以下)。依據攜程網的酒店分類標準，本文將研究對象分為經濟型酒店、舒適型酒店、高檔型酒店和豪華型酒店4種類型。案例地選擇天津，研究其在線信息對不同類型飯店產品預訂的影響。

(三)解釋變量選擇

Ye等研究在線評論與酒店網上預訂量時，采用了在線評論數量代替酒店網上預訂量的做法，并證明二者之間存在一定的線性關系[8]181-182。高寶俊等指出用總評論量代替酒店總銷售量是不可取的，因為并非所有在網上預訂酒店的消費者都會發表評論[11]112。多數研究表明在線評論量和酒店銷售量之間的關系是非線性的[21-23]。

基于以上研究，本文以總評論量為解釋變量，代替酒店的總銷售量，一些評論量特別少或者特別多的酒店會對在線信息影響因素的研究產生誤差。為統一變量，排除評論量特別多和特別少的酒店，便于更準確地得出在線信息的影響因素研究。

三、研究方法

(一)模型構建

采用對數線性回歸模型，分析在線信息對酒店網上預訂的影響，并從攜程網獲取在線信息數據，模型一般表達式如下

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)數據收集

根據數據收集與整理，本文以在攜程網上顯示的天津市所有酒店為研究對象，其中經濟型酒店2343家、舒適型酒店132家、高檔型酒店107家、豪華型酒店54家。篩選出評論量在一定合理范圍內的酒店作為研究對象[24](酒店總評論量在平均總量以上的為合理范圍)。選取標準如表1所示。

根據攜程網呈現的在線信息，選取顧客評論信息7項，有衛生評分、環境評分、服務評分、設施評分、酒店推薦比率、酒店位置評分以及差評比重；酒店特征信息3項，有客房最低價格、客房類型數、經營時間；預訂平臺推薦信息2項，有用戶評分、酒店問答數量。共包括12項在線信息因素。當消費者接觸的在線信息與模型納入順序一致時，更便于分析不同信息對消費者預訂決策的影響程度[20]。本文按照此順序排列。

(三)數據處理

線性回歸時，在攜程網收集的原始數據需要處理后才能使用。攜程網提供的顧客點評系統中的評分與李克特5點量表相似，其評級從“最好”到“最差”共5級，對在線信息中的6個變量推薦比率、衛生評分、環境評分、服務評分、設施評分以及用戶評分進行了由“1” 到“5”的賦值。其中推薦比率的原始數據為百分數，取值在(0，1)區間內，處理時統一乘以5，以便賦值于推薦比率由“1” 到“5”的范圍。另外5個變量在攜程網呈現的數值已經采取此種賦值方式，可直接使用。在線性回歸處理各個變量時，為了數據處理結果的集中性，其他變量也會進行相應的處理后再使用，考慮到原始數據之間可能存在異方差和自相關等問題，在用Excel的線性回歸處理數據時，同時使用SPSS對數據逐步回歸，并通過DW檢驗、Glejser檢驗擬合多個回歸式，得出在線信息與其解釋變量的相關性。其數據的具體處理方式見表2。

四、結果與分析

通過以上處理，分析12個變量的在線信息在豪華型酒店、高檔型酒店、舒適型酒店、經濟型酒店4種不同類型中的影響結果，得出4個模型，回歸結果如下。

豪華型酒店。環境評分P-value=0.038，Coefficients=1.318；客房最低價格P-value=0.000，Coefficients=-0.537；酒店問答數量P-value=0.017，Coefficients=0.165。表明酒店問答數量和環境評分對豪華型酒店有顯著的正相關性，客房最低價格對豪華型酒店有顯著的負相關性。這可能是因為入住豪華型酒店的消費者大多為商務人員等，他們更關注酒店的檔次、入住的環境是否能使消費者滿意，而酒店的問答數量間接體現了酒店的受歡迎程度，只有關注酒店并打算要入住該酒店的消費者才會針對該酒店提出問題。豪華型酒店的價格降低時可對酒店預訂產生正面影響，可能是因為豪華型酒店的各項設施配備、服務達到了一定的水平，且豪華型酒店的價格一般較高，具有較大的下降空間。當豪華型酒店的價格降低時，容易刺激更多消費者購買酒店的客房。

高檔型酒店。環境評分P-value=0.024，Coefficients=0.837；服務評分P-value=0.080，Coefficients=0.505；設施評分P-value=0.071，Coefficients=0.537。表明環境評分、服務評分以及設施評分對高檔型酒店有顯著的正相關性。這體現了消費者在選擇高檔型酒店時更加關注的是在酒店的感官體驗，其環境、服務及設施都是消費者在預訂高檔型酒店時關注的重點。這可能是由于與豪華型酒店相比，高檔型酒店的價格低一些，相對經濟型酒店的設施設備高檔一點，消費者選擇此類比更低檔次高些的酒店時，會更多關注酒店本身的檔次。

舒適型酒店。服務評分P-value=0.080，Coefficients=0.567；酒店差評數量P-value=0.084，Coefficients=-0.318；客房最低價格P-value=0.000，Coeffients=-1.120；位置好評量P-value=0.062，Coefficients=0.181。表明服務評分和位置好評量對舒適型酒店有顯著的正相關性，酒店差評數量和客房最低價格對舒適型酒店有顯著的負相關性。這說明在舒適型酒店中，消費者除關注酒店價格外，還重視酒店的服務和位置，可能是因為選擇舒適型酒店的消費者大多追求舒適的體驗，大多是出行旅游或學習，更愿意選擇經濟又有良好服務的酒店，且這樣的消費者更關注酒店的位置，以方便出行。

經濟型酒店。消費者推薦率P-value=0.000，Coefficients=0.940；環境評分P-value=0.002，Coefficients=0.338；設施評分P-value=0.021，Coefficients=0.220；酒店差評數量P-value=0.000，Coefficients=-0.405；酒店問答數量P-value=0.001，Coefficients=0.072。表明消費者推薦率、環境評分、設施評分以及酒店問答數量對經濟型酒店有顯著的正相關性，酒店差評數量對經濟型酒店有顯著的負相關性。這說明在經濟型酒店中，消費者關注酒店環境以及設施的同時也關注消費者推薦率，可能是因為經濟型酒店的選擇范圍廣，消費者預訂時更容易偏向消費者推薦比率大的酒店。此外，經濟型酒店的差評數量對預訂率產生了顯著的負面影響，可能是因為經濟型酒店的設施設備本來就偏向于簡單經濟，消費者預訂酒店時希望能夠在經濟的范圍內得到合理的消費體驗，而經濟型酒店的差評則更傾向于對消費者的購買行為產生負面影響。

五、結論與啟示

(一)結論

在已有研究的基礎上，進一步擴展了在線信息對酒店網上預訂影響的研究內容。從攜程網收集原始數據，根據異方差原理，既保證回歸參數估計量具有良好的統計性質，又對數據處理后使用，并通過了DW檢驗、Glejser檢驗。以酒店總評論量為被解釋變量，為統一變量，排除了評論量過多及過少的酒店，以豪華型酒店、高檔型酒店、舒適型酒店、經濟型酒店4種類型酒店為研究對象，分析了12項在線信息對酒店預訂率的影響。得出如下結論：4種類型的酒店都明顯受到顧客評論信息的影響；環境、服務、設施、價格依然是酒店需重視的主要要素；環境、價格、酒店問答數量對豪華型酒店影響顯著，環境、服務、設施對高檔型酒店影響顯著，服務、價格、位置以及差評對舒適型酒店影響顯著，消費者推薦率、環境、設施、酒店問答數量、差評對經濟型酒店影響顯著。

(二)啟示

酒店類型不同，其在線信息對酒店預訂率的影響程度不同，消費者關注的在線信息重點也不同，酒店的環境、服務、設施、價格依然是消費者重視的因素。

對于經濟型酒店和舒適型酒店，管理者應特別重視差評管理，盡量使消費者滿意，減少消費者的差評投訴，可在酒店前臺或房間放置酒店建議卡，積極回復和有效處理消費者的建議。經濟型酒店的價格下降空間較小，且價格下降對酒店預訂率的提高不具有顯著相關性，經濟型酒店應更注重酒店環境設施是否能使消費者滿意，并且積極回答消費者的問題。舒適型酒店的位置是消費者關注的重點，酒店呈現在線信息時可突出表現自身位置方面的優勢。

對于高檔型酒店和豪華型酒店，管理應特別以消費者的體驗滿意為主，在線信息的呈現要突出環境、設施優勢，打出優質服務的酒店營銷在線信息。豪華型酒店可適當推出價格優惠活動，提升酒店產品的營銷效果，也應更積極地回答消費者的問題。服務評分對高檔型酒店、舒適型酒店的預訂率有顯著正相關性，可能是因為豪華型酒店的服務一般較好，而消費者對于經濟型酒店服務的期望值不是太高，高檔型酒店和舒適型酒店的服務更受到消費者關注。

要特別說明的是，本文的在線信息有3個因素對各類型酒店都不具有顯著相關性，客房類型數、經營時間、用戶評分。其中經營時間是針對一些管理者由于酒店經營時間過長導致競爭力降低，這里需要作出兩點說明：第一，酒店的設施設備的確會隨著時間的延長而陳舊老化，在收集經營時間的數據時發現經營時間長的酒店都有重新裝修；第二，隨著酒店經營時間加長，品牌效應、顧客忠誠度提高，有助于提高酒店預訂率。考慮到這些因素，酒店的經營時間與預訂率不能構成明顯的相關性，酒店在長期經營過程中，應該將未來的裝修費用作為預計負債納入財務預算。用戶評分是攜程網對于消費者對酒店綜合性評價的平均值，此處作為消費者推薦率的一個參照，消費者只有對酒店滿意才會推薦該酒店。由于每個消費者的評分標準不同，用戶評分并不具有代表意義，研究也得出用戶評分對于酒店并不具有顯著相關性，而消費者推薦率對經濟型酒店有顯著正相關性。在攜程網上不同酒店能夠提供的客房類型有所不同，且酒店推出主題客房等是否能明顯影響大眾消費者，本文將酒店可提供客房類型數作為一項在線信息，研究其可能對預訂率產生的影響。結果表明并不存在明顯相關性，可能是因為酒店能夠提供的基本客房類型(標準間、大床房、家庭房)已經能夠滿足消費者的選擇，至少目前的研究并不能說明酒店推出的各種特色客房對大眾消費者的購買行為產生較大影響。

由于收集數據的限制，本研究存在一定的局限性。第一，未能獲知酒店的準確預訂率信息，而采用了在線總評論量代替酒店網上預訂量的做法。第二，評論信息具有一定的時效性，評論內容還可以進一步采用面板數據與文本挖掘等方法深入研究。