李欣儒 賀超城 黃茜 吳江

摘要：[目的/意義]旨在探索共享服務(wù)平臺(tái)上基于多層信任視角所生成的信息對(duì)資源需求方預(yù)定行為的影響，以助力后疫情時(shí)代共享經(jīng)濟(jì)的復(fù)蘇和持續(xù)發(fā)展。[方法/過(guò)程]結(jié)合供需雙方對(duì)平臺(tái)、供需雙方之間和需方對(duì)共享產(chǎn)品的信任信息，基于多層信任視角的“3P+3I”理論，構(gòu)建共享服務(wù)平臺(tái)消費(fèi)者購(gòu)買(mǎi)行為研究模型。以共享短租平臺(tái)為例，獲取Airbnb上北京地區(qū)的公開(kāi)數(shù)據(jù)，利用Bert算法構(gòu)建房源產(chǎn)品口碑指標(biāo)，基于因果推斷中的因果發(fā)現(xiàn)算法初步推測(cè)用戶預(yù)定行為的內(nèi)在機(jī)制并利用泊松回歸進(jìn)行實(shí)證分析。[結(jié)果/結(jié)論]供需雙方對(duì)平臺(tái)、供需雙方之間和需方對(duì)共享產(chǎn)品的信任變量對(duì)房源銷量均有顯著的正向促進(jìn)作用。其中房東產(chǎn)生的信任特征對(duì)租客預(yù)定行為的正向影響效應(yīng)最大，建議房東花極大精力建立房東聲譽(yù)并適當(dāng)披露更多的信息，為獲得“超級(jí)房東”徽章，可優(yōu)先選擇不提供“直接預(yù)定”服務(wù)以便篩選掉可能會(huì)惡意差評(píng)的用戶。建議平臺(tái)嚴(yán)格把關(guān)用戶的個(gè)人資質(zhì)，注重對(duì)用戶身份信息認(rèn)證機(jī)制和評(píng)論激勵(lì)制度的完善，以降低用戶決策中的不確定性。

關(guān)鍵詞：共享服務(wù)平臺(tái)? ? Bert算法? ? 文本挖掘? ? 因果推斷? ? 在線評(píng)論? ? 因果發(fā)現(xiàn)? ? 用戶行為

分類號(hào)：F719.2

引用格式：李欣儒， 賀超城， 黃茜， 等. 多層信任視角下的共享服務(wù)平臺(tái)用戶預(yù)定行為研究[J/OL]. 知識(shí)管理論壇， 2022， 8（2）： 140-154[引用日期]. http：//www.kmf.ac.cn/p/339/.

隨著物聯(lián)網(wǎng)、人工智能等新興技術(shù)的飛速發(fā)展，共享經(jīng)濟(jì)作為能夠優(yōu)化配置分散的閑置資源或服務(wù)并從中獲取貨幣性或非貨幣性收益的新業(yè)態(tài)新經(jīng)濟(jì)模式，在社會(huì)生活的各個(gè)領(lǐng)域均產(chǎn)生了非常深刻的影響[1]。而共享住宿作為共享經(jīng)濟(jì)的重要分支，依托“C2C去中心化”的互聯(lián)網(wǎng)平臺(tái)，日益成為游客們的最佳選擇。

由于中國(guó)對(duì)新冠肺炎疫情蔓延的有效控制、文旅部關(guān)于推進(jìn)旅游景區(qū)疫情防控安全有序開(kāi)放及旅游企業(yè)擴(kuò)大復(fù)工復(fù)業(yè)的通知印發(fā)[2]，因疫情遭受重創(chuàng)的旅游業(yè)逐步恢復(fù)[3]。但與此同時(shí)，經(jīng)歷新冠疫情后[4]的游客對(duì)于旅游目的地[5]、旅游產(chǎn)品[6]、交通方式[5]、消費(fèi)方式[6]的選擇也都發(fā)生了明顯的變化：游客比起跟團(tuán)游更加傾向于自駕游，出行地點(diǎn)更加偏向人口密度較低的鄉(xiāng)村。相比偏常規(guī)、正式的酒店，游客對(duì)共享短租下的特色民宿偏好相對(duì)提升?；诖?，共享短租的房東與平臺(tái)迫切需要思考掌握用戶的需求變化規(guī)律，根據(jù)分享經(jīng)濟(jì)的多層信任的構(gòu)建機(jī)制來(lái)合理調(diào)整服務(wù)策略與運(yùn)營(yíng)政策，以此來(lái)適應(yīng)用戶信息需求內(nèi)容和方式上的轉(zhuǎn)變[7]。

為探索共享服務(wù)平臺(tái)中基于多層信任視角的用戶購(gòu)買(mǎi)行為影響因素，本文選取共享短租中的典范Airbnb為研究對(duì)象，選取其在中國(guó)代表性地區(qū)北京的公開(kāi)運(yùn)營(yíng)數(shù)據(jù)，以截至2021年12月24日中國(guó)北京地區(qū)數(shù)據(jù)為例，利用Bert算法構(gòu)建房源產(chǎn)品口碑指標(biāo)，基于共享經(jīng)濟(jì)信任構(gòu)建的“3P+3I”理論框架，定位于制度信任（institution trust）、互動(dòng)信任（interaction trust）、信息信任（information trust），從用戶對(duì)平臺(tái)的信任（trust to platform）、用戶間的人際信任（trust to peers）、用戶對(duì)產(chǎn)品的信任（trust to products）三個(gè)層面來(lái)構(gòu)建共享經(jīng)濟(jì)多層信任體系，基于因果推斷中的因果發(fā)現(xiàn)算法和泊松回歸深入挖掘后疫情時(shí)代共享短租平臺(tái)用戶預(yù)定行為的影響機(jī)制，以提升共享短租平臺(tái)的房源交易量，打造用戶、共享短租平臺(tái)發(fā)展之間的良性循環(huán)，這對(duì)促進(jìn)后疫情時(shí)代共享經(jīng)濟(jì)的復(fù)蘇和健康持續(xù)發(fā)展至關(guān)重要。

1? 相關(guān)研究

1.1? 共享住宿中的Airbnb

不同于傳統(tǒng)的酒店與租賃業(yè)，以Airbnb為首的共享住宿呈現(xiàn)出住宿產(chǎn)品的非標(biāo)準(zhǔn)化特性、私有房屋資源的可供應(yīng)性、住宿產(chǎn)品供求雙方的需求傾向以及去中介化網(wǎng)絡(luò)平臺(tái)的賦能效應(yīng)等特點(diǎn)，為消費(fèi)者提供了類家性、互動(dòng)性、原真性的旅游體驗(yàn)[8]。在《經(jīng)濟(jì)學(xué)人》期刊的《崛起中的共享經(jīng)濟(jì)》一文中，Airbnb也被譽(yù)為“新興的共享經(jīng)濟(jì)學(xué)突出代表”[9]。許多學(xué)者在共享經(jīng)濟(jì)框架下圍繞Airbnb顛覆性創(chuàng)新的商業(yè)模式[10-11]、對(duì)傳統(tǒng)旅行住宿市場(chǎng)的沖擊[12-13]、用戶使用Airbnb的行為動(dòng)機(jī)[14-18]與表現(xiàn)偏好[19]、基于信任的房東聲譽(yù)[20-21]以及房源的定價(jià)策略[22-23]等話題展開(kāi)深入的討論。

在Airbnb顛覆性創(chuàng)新的商業(yè)模式方面，覃芳利用F. Boons等[24]的BMfS（business models for sustainable）商業(yè)模式框架和A. Osterwalder[25]商業(yè)模式畫(huà)布分析Airbnb中國(guó)市場(chǎng)商業(yè)模式的構(gòu)成要素，發(fā)現(xiàn)Airbnb的中國(guó)市場(chǎng)具有能夠利用數(shù)據(jù)資源賦能用戶體驗(yàn)、打造多方合作網(wǎng)絡(luò)驅(qū)動(dòng)內(nèi)外資源協(xié)調(diào)等競(jìng)爭(zhēng)優(yōu)勢(shì)[26]。周佳則分別從價(jià)值主張、價(jià)值創(chuàng)造、價(jià)值傳遞和價(jià)值實(shí)現(xiàn)4個(gè)方面出發(fā)，總結(jié)了Airbnb成熟商業(yè)模式中的經(jīng)驗(yàn)，拓展了商業(yè)模式創(chuàng)新理論的應(yīng)用范圍[9]。在Airbnb對(duì)旅行住宿市場(chǎng)的沖擊方面，G. Zervas等研究Airbnb 進(jìn)入德克薩斯州的情況并量化了其在隨后10年對(duì)德克薩斯州酒店業(yè)的影響，發(fā)現(xiàn)Airbnb房源每增加10%，每月酒店客房收入就減少0.39%[12]。J. P. Aznar等以巴塞羅那為研究地點(diǎn)，發(fā)現(xiàn)Airbnb的高覆蓋率使得酒店投資的股本回報(bào)下降[27]。紐約市酒店協(xié)會(huì)委托進(jìn)行的一項(xiàng)研究發(fā)現(xiàn)，由于Airbnb的入駐，紐約酒店經(jīng)營(yíng)者收入累計(jì)損失了20億美元[28]。在用戶使用Airbnb的行為動(dòng)機(jī)與表現(xiàn)偏好方面，E. Sthapit、J. Jiménez-Barreto等發(fā)現(xiàn)房源價(jià)格與位置是激發(fā)用戶購(gòu)買(mǎi)意愿的兩個(gè)主要驅(qū)動(dòng)因素[29]。D. Guttentag、 S. Smith等發(fā)現(xiàn)用戶主要關(guān)注點(diǎn)是Airbnb上的房源價(jià)格、位置與設(shè)施，但也有很大一部分用戶關(guān)注入住房源后所帶來(lái)的體驗(yàn)感[15]。U. Gunter、I. ?nder利用2015年7月至2016年6月維也納Airbnb房源的橫截面數(shù)據(jù)發(fā)現(xiàn)用戶預(yù)定意愿的顯著正向驅(qū)動(dòng)因素包括房源面積、房源圖片披露數(shù)量、房東應(yīng)答能力。而顯著負(fù)向驅(qū)動(dòng)因素包括房源價(jià)格、與市中心的距離等[30]。G. Abrate、 G. Viglia通過(guò)研究歐洲5個(gè)城市的981個(gè)房源數(shù)據(jù)發(fā)現(xiàn)房東是否通過(guò)身份認(rèn)證、房東是否獲得“超級(jí)房東”徽章、成為房東的時(shí)長(zhǎng)會(huì)顯著影響到房源銷量[31]。K. Xie， Z. Mao研究了德克薩斯州奧斯汀市4 608位Airbnb房東的5 805個(gè)活躍房源，發(fā)現(xiàn)房東是否獲得“超級(jí)房東”徽章、房東在線回復(fù)率、房源數(shù)量、房源評(píng)級(jí)、評(píng)論數(shù)量、房源價(jià)格和房源容納量均會(huì)影響房源銷量[32]。S. Liang、M. Schucker等還專門(mén)強(qiáng)調(diào)了獲得“超級(jí)房東”徽章的房東對(duì)房客的吸引力，發(fā)現(xiàn)超級(jí)房東所擁有的房源更有可能獲得更多的評(píng)論數(shù)（通常視為預(yù)定量）與更高的評(píng)級(jí)。此外，房客傾向于額外支付相關(guān)費(fèi)用來(lái)預(yù)定超級(jí)房東名下的房源[33]。在基于信任的房東聲譽(yù)方面，聲譽(yù)與信任之間的關(guān)系可理解為“正面聲譽(yù)增加信任”。E. Ert等發(fā)現(xiàn)Airbnb平臺(tái)上的用戶偏向從房東所披露的照片以及在線評(píng)論中對(duì)房東的描述來(lái)推斷房東的可信度，感知其房東聲譽(yù)進(jìn)而選擇預(yù)定其房源[20]。N. Baute-Díaz等發(fā)現(xiàn)與房東聲譽(yù)有關(guān)的社交互動(dòng)會(huì)減少用戶在線評(píng)論時(shí)的消極性[21]。G. Bente等發(fā)現(xiàn)積極信息不僅可以增加基于信任的房東聲譽(yù)，而且僅僅是關(guān)于房東的不確定性信息減少也可以促進(jìn)在線交易中的信任[34]。在Airbnb房源的定價(jià)策略方面，合理的定價(jià)機(jī)制能夠使得共享短租平臺(tái)房東獲利更多，與傳統(tǒng)的酒店管理者相比，個(gè)人房東沒(méi)有經(jīng)過(guò)專業(yè)的收益管理培訓(xùn)，也沒(méi)有獲得必要的價(jià)格決策信息的支持，很難做出較為合理的定價(jià)決策[35]。Z. Zhang等基于田納西州納什維爾地區(qū)的Airbnb數(shù)據(jù)利用GLM和GWR空間模型發(fā)現(xiàn)，房源的推出日期、評(píng)論數(shù)、評(píng)級(jí)分?jǐn)?shù)是影響房源價(jià)格的顯著因素[36]。呂姝基于2016年12月的264家Airbnb上海地區(qū)的房源數(shù)據(jù)，發(fā)現(xiàn)在線評(píng)論的積極性提高將會(huì)導(dǎo)致房源價(jià)格的提高，且老用戶的評(píng)論增加所造成的黏度效應(yīng)會(huì)對(duì)潛在消費(fèi)者產(chǎn)生一定的誘導(dǎo)效應(yīng)[37]。E. Martin-Fuentes等認(rèn)為專業(yè)房東與非專業(yè)房東在個(gè)人信譽(yù)度、所在地區(qū)、自我介紹等因素的差異會(huì)直接影響到房東和用戶雙邊市場(chǎng)中房屋供需關(guān)系，進(jìn)而影響短租房源的成交價(jià)格[38]。

1.2? Airbnb中的用戶預(yù)定行為

由于共享經(jīng)濟(jì)具有典型的點(diǎn)對(duì)點(diǎn)經(jīng)濟(jì)特征，因此筆者將在Airbnb平臺(tái)中信任問(wèn)題更加復(fù)雜多元的大背景下探討其中的用戶預(yù)定行為。相較于傳統(tǒng)的電子商務(wù)平臺(tái)，Airbnb平臺(tái)中的信任呈現(xiàn)出不同的特點(diǎn)：①由于Airbnb平臺(tái)中的房東與用戶均為陌生個(gè)體，且房東多為未經(jīng)監(jiān)管機(jī)構(gòu)授權(quán)的業(yè)余服務(wù)者，房東的非專業(yè)性導(dǎo)致Airbnb平臺(tái)更容易引發(fā)用戶信任問(wèn)題。②由于房東與用戶除有線上互動(dòng)外還很可能產(chǎn)生線下的實(shí)際接觸，房東與用戶之間高強(qiáng)度互動(dòng)導(dǎo)致Airbnb平臺(tái)中的信任要求與風(fēng)險(xiǎn)也更高。? ?③由于Airbnb的信譽(yù)機(jī)制從單向評(píng)價(jià)發(fā)展為買(mǎi)賣(mài)雙方互評(píng)，共享產(chǎn)品的非標(biāo)準(zhǔn)化與過(guò)渡短期使用權(quán)的特點(diǎn)，使得房東、用戶、共享產(chǎn)品都面臨著信任風(fēng)險(xiǎn)，這導(dǎo)致Airbnb平臺(tái)中的信任構(gòu)成更加復(fù)雜多元。在此背景下，為了能夠消解在Airbnb平臺(tái)中進(jìn)行交易時(shí)由于信息不對(duì)稱所造成的種種問(wèn)題，平臺(tái)與用戶雙方應(yīng)共同致力于健全共享經(jīng)濟(jì)下的信任體系，以此促進(jìn)Airbnb平臺(tái)中交易的良性循環(huán)。現(xiàn)有研究依據(jù)部分公開(kāi)的房源信息、用戶信息、交易信息，已經(jīng)初步驗(yàn)證房東聲譽(yù)[20]、房源價(jià)格[29]、房東的披露情況[31]、房源產(chǎn)品口碑[39]等因素作為信任衡量指標(biāo)能夠顯著影響到用戶預(yù)定行為。但目前關(guān)于共享短租平臺(tái)的用戶預(yù)定行為研究大多僅集中于用戶間人際互動(dòng)的信任構(gòu)建上，卻并沒(méi)有進(jìn)一步考慮到用戶對(duì)平臺(tái)與產(chǎn)品的信任構(gòu)建。故本文基于Airbnb中的信任問(wèn)題突出且其成因復(fù)雜多變的大背景，從多個(gè)角度出發(fā)來(lái)構(gòu)建共享經(jīng)濟(jì)下的多層信任體系，深入探究用戶預(yù)定行為的影響機(jī)制，以期能夠?yàn)榉繓|運(yùn)營(yíng)房源、平臺(tái)制定政策提供相關(guān)指導(dǎo)與建議。

2? 研究模型及假設(shè)

2.1? 共享短租中的多層信任“3P+3I”模型

在共享短租中最基本的構(gòu)成要素包括供方、需方和平臺(tái)。根據(jù)信任對(duì)象與共享短租中信任的獨(dú)特性，可將共享短租中的信任劃分為用戶對(duì)共享平臺(tái)的信任（trust to platform）、用戶間的人際信任（trust to peers）、用戶對(duì)共享產(chǎn)品或服務(wù)的信任（trust to products）三大類，又根據(jù)共享經(jīng)濟(jì)的點(diǎn)對(duì)點(diǎn)模式和供需雙方對(duì)等的特征，對(duì)供方和需方的信任進(jìn)行區(qū)分。則共享短租平臺(tái)中的信任關(guān)系有需方對(duì)平臺(tái)的信任、供方對(duì)平臺(tái)的信任；需方對(duì)供方的人際信任、供方對(duì)需方的人際信任；需方對(duì)產(chǎn)品或服務(wù)的信任5個(gè)類型。共享經(jīng)濟(jì)中3種信任關(guān)系如圖1所示：

L. G. Zucker提出在共享經(jīng)濟(jì)中同時(shí)存在3種信任機(jī)制，分別是制度信任、互動(dòng)信任和信息信任。其中，制度信任主要是指認(rèn)為習(xí)俗規(guī)范和契約合同等各類社會(huì)機(jī)制是信任的來(lái)源，互動(dòng)信任主要是指基于互動(dòng)主體的人格特征進(jìn)一步產(chǎn)生未來(lái)信任的基礎(chǔ)。信息信任主要是指基于以往的相關(guān)經(jīng)歷所提供的信息進(jìn)一步產(chǎn)生未來(lái)信任的基礎(chǔ)。而在共享短租平臺(tái)中，當(dāng)用戶選擇提供或享受共享服務(wù)時(shí)，首先是選擇可信的共享平臺(tái)，并在平臺(tái)上篩選出感覺(jué)可信的共享者。在此基礎(chǔ)上，才有可能產(chǎn)生對(duì)共享短租中的產(chǎn)品或服務(wù)的信任，進(jìn)而才會(huì)產(chǎn)生共享意愿并做出相應(yīng)行為?；贚. G. Zucker的信任理論，用戶對(duì)共享平臺(tái)的信任屬于制度信任，用戶之間的信任屬于互動(dòng)信任，而需方對(duì)所提供的共享產(chǎn)品或服務(wù)的信任屬于信息信任。其中，用戶對(duì)平臺(tái)的信任會(huì)影響到用戶間的信任，而用戶間的信任會(huì)影響到用戶對(duì)共享產(chǎn)品或服務(wù)的信任建立。由于信任在共享短租平臺(tái)中的交易中扮演著重要橋梁和聯(lián)結(jié)作用，它不斷促使成功交易，即信任直接影響到用戶預(yù)定行為[40-42]。故供需雙方對(duì)平臺(tái)的信任、供需雙方間的信任、需方對(duì)產(chǎn)品的信任可共同構(gòu)成“3P+3I”理論模型，作為共享經(jīng)濟(jì)中多層信任機(jī)制分析的理論框架[43]來(lái)探究在多層信任視角下的共享短租平臺(tái)用戶預(yù)定行為的影響機(jī)制。本文所構(gòu)建的共享經(jīng)濟(jì)多層信任理論框架可如圖2所示：

2.2? 用戶對(duì)共享短租平臺(tái)的信任建立

用戶對(duì)共享短租平臺(tái)的信任是通過(guò)平臺(tái)設(shè)置的各種結(jié)構(gòu)性保障制度建立起來(lái)的。這里的用戶包括供需雙方。供方即為房東，需方即為租客。他們對(duì)于平臺(tái)的信任決定了是否會(huì)在該平臺(tái)上發(fā)生交易行為，進(jìn)而影響到房源銷量。故提出如下假設(shè)：

H1：用戶對(duì)共享短租平臺(tái)信任程度越高，房源銷量越高。

2.2.1? 供方對(duì)平臺(tái)的信任建立

H1a：房東披露信息越多，房源銷量會(huì)更高[54-56]。

對(duì)于提供閑置房源的供方而言，只有共享平臺(tái)足夠完善其信任機(jī)制，房東才愿意與陌生人分享閑置房源的使用權(quán)，從而為平臺(tái)吸引更多的用戶，獲得長(zhǎng)久發(fā)展[44]。與房東不同，租客需要更多的房東信息來(lái)確保交易的可信度[45-46]，所以租客傾向于房東能夠披露更多的信息來(lái)緩解因?yàn)樾畔⒉粚?duì)稱造成的問(wèn)題。但對(duì)于房東而言，在虛擬網(wǎng)絡(luò)平臺(tái)上披露個(gè)人信息存在著很大的潛在風(fēng)險(xiǎn)[47]。房東需要在披露信息所獲得的預(yù)期回報(bào)與預(yù)期風(fēng)險(xiǎn)之間做出權(quán)衡，并基于隱私計(jì)算理論（Privacy Calculus Theory）選擇披露程度[48-50]。其中，平臺(tái)的隱私保障制度[51]、平臺(tái)對(duì)房東披露情況的激勵(lì)回報(bào)機(jī)制[52]、平臺(tái)使用用戶隱私數(shù)據(jù)的目的[53]會(huì)極大地影響房東的信息披露行為。而Airbnb平臺(tái)通過(guò)設(shè)立多重身份驗(yàn)證機(jī)制來(lái)保障平臺(tái)用戶的隱私信息安全，鼓勵(lì)用戶披露額外的個(gè)人資料信息以便增強(qiáng)個(gè)性化用戶體驗(yàn)，通過(guò)匿名化處理使用和分析用戶隱私數(shù)據(jù)優(yōu)化平臺(tái)運(yùn)營(yíng)，并個(gè)性化定制平臺(tái)的廣告營(yíng)銷活動(dòng)，這些制度均會(huì)影響房東對(duì)自身和房源信息的披露，而這些信息的披露會(huì)折射出利他性的信號(hào)來(lái)影響租客的預(yù)定行為[20]，進(jìn)而影響到房源銷量[54]。故在供方對(duì)平臺(tái)的信任方面提出以下假設(shè)：

2.2.2? 需方對(duì)平臺(tái)的信任

對(duì)于享受閑置房源的需方而言，Airbnb通過(guò)設(shè)立支付擔(dān)保、強(qiáng)制站內(nèi)交易、風(fēng)險(xiǎn)評(píng)分等制度來(lái)增強(qiáng)租客對(duì)平臺(tái)的信任，并提醒租客分享入住房源時(shí)最喜歡的方面，鼓勵(lì)租客進(jìn)行信息披露，為房東提供改進(jìn)建議。故除去租客在注冊(cè)個(gè)人資料時(shí)對(duì)自身信息披露程度可反映需方對(duì)平臺(tái)的信任程度外，租客對(duì)平臺(tái)的信任還可體現(xiàn)在租客是否愿意花費(fèi)時(shí)間與精力在Airbnb平臺(tái)上對(duì)自己的以往住宿經(jīng)歷進(jìn)行相關(guān)信息披露[57]，且評(píng)論越正面，租客越傾向于信任Airbnb平臺(tái)，進(jìn)而更容易在該平臺(tái)上再次產(chǎn)生預(yù)定行為。故在需方對(duì)平臺(tái)的信任方面提出以下假設(shè)：

H1b：房源下對(duì)應(yīng)的積極評(píng)論數(shù)越多，房源銷量會(huì)更高[57]。

2.3? 供需雙方間的信任建立

供需雙方在共享短租平臺(tái)上產(chǎn)生交易的完整過(guò)程為：需方在共享短租平臺(tái)上搜索目標(biāo)房源，通過(guò)即時(shí)通訊工具聯(lián)系到供方，與供方進(jìn)行初次交流；供需雙方依據(jù)雙方聲譽(yù)和溝通體驗(yàn)來(lái)建立彼此之間的信任；如果雙方建立了足夠的信任，需方會(huì)選擇供方名下的房源并辦理登記，開(kāi)始入住體驗(yàn)。在此期間，供需雙方可能會(huì)進(jìn)行面對(duì)面的互動(dòng)交流，共同分享住宿空間；達(dá)到入住截止日期后，需方會(huì)辦理退房手續(xù)，供需雙方可以互相對(duì)彼此進(jìn)行評(píng)價(jià)。故在共享短租平臺(tái)上的共享住宿可以看作是先線上交互再線下交互的混合模式的社會(huì)交換。在這種社會(huì)交換中，供需雙方均面臨著很高的風(fēng)險(xiǎn)和不確定性。對(duì)作為需方的租客而言，租客傾向于獲得多樣的生活體驗(yàn)，希望了解到不同的文化，但在這種社會(huì)交換過(guò)程中，由于租客在決定入住前無(wú)法檢測(cè)其真實(shí)的入住體驗(yàn)質(zhì)量，租客往往面臨著期望無(wú)法實(shí)現(xiàn)的風(fēng)險(xiǎn)。此外，由于在入住互動(dòng)期間，之前互不認(rèn)識(shí)的供需雙方會(huì)近距離接觸，可能會(huì)共同居住，這導(dǎo)致供需雙方均會(huì)面臨個(gè)人人身安全的風(fēng)險(xiǎn)。故供需雙方間的信任建立，會(huì)降低供需雙方對(duì)交易過(guò)程中的預(yù)估風(fēng)險(xiǎn)，影響到需方的預(yù)定行為，進(jìn)而影響房源銷量。故提出如下假設(shè)：

H2：供需雙方間的信任程度越高，房源銷量會(huì)更高。

2.3.1? 供方對(duì)需方的信任

在Airbnb中，作為供方的房東可根據(jù)風(fēng)險(xiǎn)評(píng)分和租客檔案中顯示出的租客數(shù)量、租客親和力、出行目的、年齡、性別與預(yù)定天數(shù)來(lái)判斷是否接受租客預(yù)定房源。若租客風(fēng)險(xiǎn)評(píng)分較高且出行目的含糊其辭，房東傾向于認(rèn)為該租客很可能做出惡意評(píng)論，進(jìn)而拒絕其訂單預(yù)定請(qǐng)求。此外，房東也會(huì)出于保護(hù)房源的目的拒絕想要借用房源舉辦瘋狂派對(duì)的租客訂單，他們更愿意接受老人、帶小孩的夫妻等類型的租客。而Airbnb平臺(tái)上“直接預(yù)定”機(jī)制則允許租客在無(wú)需房東進(jìn)行核查和明確批準(zhǔn)的情況下直接預(yù)定房源，認(rèn)為若房東開(kāi)啟“直接預(yù)定”服務(wù)則代表房東對(duì)陌生租客存在潛在信任，進(jìn)而影響到租客的預(yù)定行為。故提出如下假設(shè)：

H2a：房東提供“直接預(yù)定”服務(wù)時(shí)，房源銷量會(huì)更高[22]。

2.3.2? 需方對(duì)供方的信任

在Airbnb中，作為需方的租客可通過(guò)社交網(wǎng)絡(luò)賬號(hào)接入Facebook查看房東的社交網(wǎng)絡(luò)，通過(guò)所提供的在線視頻聊天工具查看供方提供的房源，選擇感知可信度高的供方的房源入住[58]，這其中，由于共享住宿對(duì)社交互動(dòng)的要求更高[31]，租客對(duì)房東的信任需要通過(guò)更多細(xì)?；男畔?lái)建立，而Airbnb中設(shè)置的“超級(jí)房東”徽章授予機(jī)制很好地考慮了很多細(xì)?；蛩亍＿@主要是因?yàn)椋骸俺?jí)房東”的評(píng)選機(jī)制為房東必須在房源上線后過(guò)去一年里至少接待過(guò)10次房客，回復(fù)用戶提問(wèn)的比例保持在90％以上，至少有半數(shù)住過(guò)的房客撰寫(xiě)了評(píng)價(jià)，且收到的評(píng)價(jià)中至少有80％為五星評(píng)價(jià)，完成了每一筆已確認(rèn)的預(yù)訂，訂單取消率低于1%?；诖?，認(rèn)為房東是否被授予“超級(jí)房東”徽章[31，33，59-60]這一指標(biāo)能夠很好地刻畫(huà)房東聲譽(yù)。具有高聲譽(yù)的活躍房東更容易獲得需方的信任，傾向于擁有更多的房源銷量。故提出如下假設(shè)：

H2b：房東為“超級(jí)房東”時(shí)，房源銷量會(huì)更高[31，33，59-60]。

2.4? 需方對(duì)共享產(chǎn)品的信任建立

供需雙方對(duì)共享平臺(tái)的信任與供需雙方間的信任會(huì)進(jìn)一步影響到需方對(duì)共享產(chǎn)品的信任。需方對(duì)共享產(chǎn)品的信任則會(huì)直接影響并作用到需方的預(yù)定行為。需方對(duì)共享產(chǎn)品的信任建立主要來(lái)源于產(chǎn)品本身的屬性和基于信任傳遞理論的產(chǎn)品口碑。故提出如下假設(shè)：

H3：需方對(duì)共享產(chǎn)品的信任程度越高，房源銷量會(huì)更高。

房源類型是需方對(duì)共享產(chǎn)品的信任影響因素之一，Airbnb提供的房源類型有整租房源、獨(dú)立房源、共享房源。由于共享房源需要與陌生人共享空間，隱私受到潛在威脅，作為需方的租客會(huì)因?yàn)楦兄叫湃物L(fēng)險(xiǎn)而在房源類型的選擇中權(quán)衡。但同時(shí)，由于房源類型也與房源價(jià)格顯著相關(guān)[61-62]。相對(duì)于同地域的整租房源和獨(dú)立房源，共享房源的價(jià)格低廉會(huì)更加吸引獨(dú)自旅游的租客。盡管租客會(huì)對(duì)共享房源的安全性產(chǎn)生顧慮，出于對(duì)共享平臺(tái)的信任以及低價(jià)共享房源的吸引力，租客仍然偏向選擇共享房源。故與整租房源和獨(dú)立房源相比，共享房源的銷量會(huì)更高（總收益不一定更大）。故提出以下假設(shè)：

H3a：房源類型為共享房源時(shí)，房源銷量會(huì)更高[61-62]。

產(chǎn)品口碑是需方對(duì)共享產(chǎn)品的另外信任影響因素。產(chǎn)品口碑可由在線評(píng)論效價(jià)來(lái)體現(xiàn)，它能夠反映已體驗(yàn)消費(fèi)的用戶對(duì)共享產(chǎn)品的情感傾向，并直接影響潛在租客對(duì)該房源的態(tài)度和感知[64-65]，進(jìn)而影響到租客的預(yù)定決策。在Airbnb平臺(tái)中，為保證評(píng)論的及時(shí)性和真實(shí)性設(shè)置同時(shí)公開(kāi)房東與用戶的互評(píng)機(jī)制以避免帶有情緒并且不公正的評(píng)論出現(xiàn)，潛在預(yù)定租客往往會(huì)通過(guò)評(píng)論信息來(lái)進(jìn)一步了解共享產(chǎn)品的具體情況，進(jìn)而搭建對(duì)共享產(chǎn)品的信任。更高的在線評(píng)論效價(jià)會(huì)向潛在預(yù)定租客展示其他租客對(duì)該房源的正面評(píng)價(jià)。租客通過(guò)觀察他人對(duì)房源的評(píng)論來(lái)減弱自身對(duì)房源質(zhì)量的感知不確定性[31]和信息不對(duì)稱帶來(lái)的顧慮，其預(yù)定意愿也會(huì)變高。因此，我們提出以下假設(shè)：

H3b：房源產(chǎn)品口碑越高，房源銷量會(huì)更高[63-65]。

此外，在產(chǎn)品本身的屬性上，產(chǎn)品價(jià)格有些時(shí)候可作為區(qū)分產(chǎn)品質(zhì)量的信號(hào)[66]，作為需方的租客寧可相信高價(jià)的商品同時(shí)會(huì)具備高質(zhì)量，進(jìn)而選擇購(gòu)買(mǎi)[67]。且由于Airbnb中的同類異質(zhì)性十分突出，價(jià)格博弈現(xiàn)象的存在也會(huì)影響到租客的預(yù)定行為?？紤]到房源價(jià)格能夠直接影響到房源銷量，后期將其作為控制變量進(jìn)行實(shí)證分析。且提出如下假設(shè)：

H4：房源價(jià)格越高，房源銷量會(huì)更高[66-67]。

3? 研究框架

多層信任是對(duì)共享短租平臺(tái)中信任體系的整體評(píng)估。它主要體現(xiàn)于供需雙方對(duì)共享平臺(tái)的信任、供需雙方間的信任、需方對(duì)共享產(chǎn)品的信任。本文構(gòu)建“3P+3I”理論框架來(lái)探究共享經(jīng)濟(jì)多層信任體系影響房源銷量的內(nèi)在機(jī)制，理論框架如圖3所示：

4? 模型數(shù)據(jù)與研究方法

4.1? 情感分析：從用戶反饋中提取變量

為獲取房源產(chǎn)品口碑指標(biāo)，考慮從用戶反饋中提取該變量，由于Bert算法對(duì)文本情感分析表現(xiàn)性能較優(yōu)[68-69]，故本文采用Bert算法來(lái)對(duì)在線評(píng)論文本內(nèi)容進(jìn)行情感分析。本文選取Airbnb網(wǎng)站（http：//insideairbnb.com/）上中國(guó)北京地區(qū)的2018—2021年全部的21 955條在線評(píng)論數(shù)據(jù)，隨機(jī)抽取3 000條在線評(píng)論數(shù)據(jù)進(jìn)行人工標(biāo)注，將純積極情感表達(dá)的評(píng)論文本標(biāo)記為“1”，兼有積極消極情感表達(dá)和純消極情感表達(dá)的評(píng)論文本標(biāo)記為“0”，得到可用于Bert預(yù)訓(xùn)練模型的評(píng)論情感標(biāo)注樣本集。利用Bert算法對(duì)樣本集的情感極性判別，用情感分類的概率作為每條評(píng)論文本的情感得分，由此得到在線評(píng)論效價(jià)變量。最終Bert算法分類準(zhǔn)確率達(dá)95%，召回率達(dá)95%。隨機(jī)抽取的評(píng)論文本情感評(píng)分結(jié)果如表1所示：

4.2? 因果發(fā)現(xiàn)：因果關(guān)系探究

4.2.1? 模型數(shù)據(jù)探索性分析

利用Bert算法[70]對(duì)2018-2021年中國(guó)北京地區(qū)的在線評(píng)論數(shù)據(jù)進(jìn)行情感評(píng)分后，結(jié)合2021年12月24日當(dāng)天的“l(fā)isting.csv”數(shù)據(jù)，由于在衡量具體房源的在線評(píng)論效價(jià)時(shí)，應(yīng)該綜合考慮不同用戶所給出的積極/消極反饋，故依據(jù)對(duì)應(yīng)id取均值來(lái)代表每個(gè)房源產(chǎn)品口碑變量，一共得到2 642條數(shù)據(jù)。盡管Airbnb無(wú)法顯示房源銷量，但由于Airbnb在每次服務(wù)完畢后都會(huì)讓用戶就自身的入住體驗(yàn)發(fā)表在線評(píng)論，故可選取總評(píng)論數(shù)作為共享短租的房源銷量[71]。根據(jù)研究框架和基于Bert算法所提取的在線評(píng)論效價(jià)變量，可構(gòu)建模型所涉及的變量說(shuō)明表，以便后續(xù)進(jìn)行回歸分析（見(jiàn)表2）。

對(duì)涉及回歸模型的全部變量進(jìn)行相關(guān)性分析，發(fā)現(xiàn)均通過(guò)共線性檢驗(yàn)，且根據(jù)表3變量相關(guān)性表發(fā)現(xiàn)積極評(píng)論數(shù)與訂單量明顯相關(guān)性較高。

4.2.2? 因果推斷算法

因果推斷[72]（Causal Inference）是基于觀察數(shù)據(jù)進(jìn)行反事實(shí)估計(jì)，分析干預(yù)與結(jié)果之間的因果關(guān)系的科學(xué)[73-74]。在本文中采用DoWhy算法[75]來(lái)推斷變量間的因果關(guān)系[76]，為后文的實(shí)證分析做準(zhǔn)備。

（1）基于假設(shè)創(chuàng)建因果圖。本文中能夠運(yùn)用因果推斷算法DoWhy來(lái)估計(jì)干預(yù)對(duì)結(jié)果的影響。采用基于Bert算法得出的在線評(píng)論文本的情感得分來(lái)代表在線評(píng)論效價(jià)，采用總評(píng)論數(shù)代表房源銷量。由于“超級(jí)房東”徽章的獲取能夠綜合展現(xiàn)房東的服務(wù)質(zhì)量，與其他涉及變量息息相關(guān)，能夠很大程度上收獲租客的信任，且由于“超級(jí)房東”徽章的數(shù)據(jù)分布較為均衡，故定義干預(yù)變量為是否“超級(jí)房東”徽章，結(jié)果變量為“房源銷量”，并根據(jù)先驗(yàn)知識(shí)設(shè)定其他房源銷量的影響因素，繪制因果推斷模型圖，如圖6所示：

（2）識(shí)別因果效應(yīng)?；趫D4的圖模型，本文通過(guò)非參數(shù)統(tǒng)計(jì)法來(lái)識(shí)別因果效應(yīng)的表達(dá)式，發(fā)現(xiàn)所構(gòu)建的因果推斷模型中不存在工具變量和前門(mén)路徑，故可直接利用計(jì)算條件概率的方式來(lái)估計(jì)因果效應(yīng)。

（3）估計(jì)因果效應(yīng)。利用識(shí)別因果效應(yīng)階段所得到的表達(dá)式計(jì)算干預(yù)變量單位變化時(shí)結(jié)果發(fā)生變化的程度，發(fā)現(xiàn)通過(guò)DoWhy估計(jì)的因果效應(yīng)為2.12，干預(yù)變量為是否獲得“超級(jí)房東”徽章，結(jié)果變量為房源銷量，即說(shuō)明當(dāng)房東獲得“超級(jí)房東”徽章時(shí)，房源銷量增加2.12個(gè)單位。

（4）反駁結(jié)果。由于該因果推斷結(jié)果是基于因果圖中所設(shè)定的假設(shè)識(shí)別因果關(guān)系，又利用數(shù)據(jù)知識(shí)進(jìn)行統(tǒng)計(jì)學(xué)估計(jì)，為了能夠進(jìn)一步驗(yàn)證假設(shè)是否正確，對(duì)此進(jìn)行魯棒性檢驗(yàn)，本研究中筆者選擇“安慰劑干預(yù)”來(lái)檢驗(yàn)該因果推斷模型的穩(wěn)健性。安慰劑干預(yù)方法是將真實(shí)干預(yù)變量替換為獨(dú)立隨機(jī)變量，其后看因果效應(yīng)是否會(huì)改變，所期望結(jié)果為因果效應(yīng)歸零。結(jié)果發(fā)現(xiàn)因果效應(yīng)為0.026，十分接近于0，故模型的穩(wěn)健性尚優(yōu)。

4.3? 實(shí)證分析：計(jì)量模型應(yīng)用

通過(guò)因果發(fā)現(xiàn)算法對(duì)因果關(guān)系進(jìn)行探索后，發(fā)現(xiàn)房東是否為“超級(jí)房東”對(duì)房源銷量的影響較為明顯。筆者依據(jù)變量所估計(jì)的因果效應(yīng)來(lái)構(gòu)建回歸模型進(jìn)行實(shí)證分析，以總評(píng)論數(shù)代表房源銷量作為因變量，表2中供需雙方對(duì)共享平臺(tái)的信任、供需雙方間的信任、需方對(duì)共享產(chǎn)品的信任三個(gè)維度對(duì)應(yīng)的變量作為自變量。由于房源價(jià)格本身就顯著影響到房源銷量，將其作為控制變量。建立泊松回歸模型，依次對(duì)變量進(jìn)行回歸，有以下公式：

依次按照公式（1）—公式（7）進(jìn)行回歸，有以下回歸結(jié)果（見(jiàn)表4），發(fā)現(xiàn)最終的模型解釋性為0.360 6，隨著逐步回歸的進(jìn)行，各個(gè)變量系數(shù)正負(fù)和顯著性始終保持穩(wěn)定，且對(duì)銷量均呈正向促進(jìn)作用。

4.4? 魯棒性檢驗(yàn)

為了驗(yàn)證模型的魯棒性，進(jìn)一步添加街區(qū)為控制變量納入到模型中，結(jié)果見(jiàn)表5。增加街區(qū)變量的泊松回歸模型所涉及原模型的變量系數(shù)均十分顯著，且主效應(yīng)回歸結(jié)果保持一致，系數(shù)相差很小，而所增加的街區(qū)變量系數(shù)也十分顯著，模型解釋性提高至0.377 3，證明了本研究模型具有一定的魯棒性和可推廣性。

5? 結(jié)果分析

本文以Airbnb平臺(tái)為研究對(duì)象，從多層信任的視角來(lái)探究租客預(yù)定行為的影響機(jī)制。在供需雙方對(duì)共享平臺(tái)的信任、供需雙方間的信任以及需方對(duì)共享產(chǎn)品的信任三方面對(duì)房源銷量的影響設(shè)立7個(gè)假設(shè)，結(jié)果發(fā)現(xiàn)，所有假設(shè)均顯著成立，論文假設(shè)成立情況如表6所示：

在供需雙方對(duì)共享平臺(tái)的信任方面，對(duì)于供方而言，房東披露信息越多，房源銷量會(huì)更高[54-56]假設(shè)成立（β=1.951， p=0.010）。若房東信任共享平臺(tái)并展示照片，進(jìn)行更多的信息披露，在其他變量保持不變的情況下，其對(duì)房源銷量的正向促進(jìn)效應(yīng)為1.951個(gè)單位。對(duì)此的解釋為在房東向平臺(tái)披露相關(guān)信息時(shí)，租客能夠依據(jù)這些信息搭建自己對(duì)共享產(chǎn)品的認(rèn)知，從而基于這些認(rèn)知做出預(yù)定行為。對(duì)于需方而言，房源下對(duì)應(yīng)的積極評(píng)論數(shù)越多，房源銷量會(huì)更高[57]的假設(shè)成立（β=1.023， p=0.000）。若租客信任共享平臺(tái)，并愿意在共享平臺(tái)上花費(fèi)時(shí)間與精力發(fā)布帶有積極情感的評(píng)論，在其他變量保持不變的情況下，積極評(píng)論數(shù)每增加1.000個(gè)單位，其對(duì)房源銷量的正向促進(jìn)效應(yīng)為1.023個(gè)單位。對(duì)此的解釋為租客傾向于在自己滿意度較高的平臺(tái)上做出預(yù)定行為。

在供需雙方間的信任方面，供方對(duì)需方的潛在信任可由“是否提供直接預(yù)定”來(lái)體現(xiàn)，房東提供“直接預(yù)定”服務(wù)時(shí)，房源銷量會(huì)更高[22]假設(shè)成立（β=0.911， p=0.000）。對(duì)此的解釋為：房東出于信任為潛在租客提供“直接預(yù)定”服務(wù)，而該服務(wù)也很大程度為租客預(yù)定房源提供便利。但該服務(wù)對(duì)房源銷量的正向效應(yīng)較弱。需方對(duì)供方的潛在信任可通過(guò)房東“是否為‘超級(jí)房東”來(lái)建立，房東為“超級(jí)房東”時(shí)，房源銷量會(huì)更高[31， 33， 59-60]的假設(shè)成立（β=1.497， p=0.000）。若房東是“超級(jí)房東”，在其他變量保持不變的情況下，其對(duì)房源銷量的正向促進(jìn)效應(yīng)為1.497個(gè)單位。對(duì)此的解釋為，房東是否為“超級(jí)房東”是租客在預(yù)定房源時(shí)所參考的重要指標(biāo)，房東的服務(wù)質(zhì)量（回復(fù)響應(yīng)率、回復(fù)時(shí)長(zhǎng)等）會(huì)由“超級(jí)房東”徽章綜合體現(xiàn)。

在需方對(duì)共享產(chǎn)品的信任方面，需方通過(guò)了解共享產(chǎn)品的房源類型、產(chǎn)品口碑來(lái)建立對(duì)共享產(chǎn)品的信任。房源類型為共享房源時(shí)[61-62]，房源產(chǎn)品口碑越高[63-65]，房源銷量會(huì)更高的假設(shè)成立（β1=3.040， p1=0.000， β2=0.727， p2=0.000）。若房源類型為共享房源時(shí)，對(duì)房源銷量的正向效應(yīng)為3.040，是所有變量中對(duì)房源銷量促進(jìn)效應(yīng)最高的變量。然而，需要清醒地認(rèn)識(shí)到，由于共享房源的價(jià)格遠(yuǎn)遠(yuǎn)優(yōu)惠于整租房源和獨(dú)立房源，多個(gè)預(yù)定共享房源的訂單收益僅相當(dāng)于一個(gè)預(yù)定整租房源或獨(dú)立房源的訂單收益。共享房源對(duì)房源銷量的促進(jìn)效應(yīng)高，不一定意味著對(duì)最終房源總收入的促進(jìn)效應(yīng)也很高。房源產(chǎn)品口碑對(duì)房源銷量的促進(jìn)效應(yīng)并不明顯，對(duì)此的解釋為：只有當(dāng)房源產(chǎn)品口碑足夠高，形成羊群效應(yīng)時(shí)，才會(huì)對(duì)房源銷量有較大的促進(jìn)作用。

房源價(jià)格越高，房源銷量會(huì)更高[66-67]的假設(shè)成立（β=1.000， p=0.000）。房源價(jià)格每增加1.000個(gè)單位，房源銷量即增加1.000個(gè)單位。對(duì)此的解釋為，在Airbnb平臺(tái)上的用戶認(rèn)可價(jià)格與質(zhì)量正相關(guān)，具有一定的購(gòu)買(mǎi)力，但總體來(lái)看，大幅提高價(jià)格，并不利于房源銷量的增加。

6? 研究貢獻(xiàn)

6.1? 理論貢獻(xiàn)

本文在研究視角和研究方法上做出了以下理論貢獻(xiàn)：

（1）在研究視角方面，本文基于多層信任視角下的“3P+3I”理論模型，較為完整地構(gòu)建了在共享服務(wù)平臺(tái)中的多層信任體系，探究影響用戶購(gòu)買(mǎi)行為的復(fù)雜因素。研究發(fā)現(xiàn)，由房東產(chǎn)生的信任特征更加能夠引發(fā)租客的預(yù)定行為，如房東是否提供“直接預(yù)定”服務(wù)，房東是否為“超級(jí)房東”。

（2）在研究方法方面，本文采用“機(jī)器學(xué)習(xí)＋實(shí)證分析”的范式進(jìn)行研究，并引入因果發(fā)現(xiàn)算法來(lái)初步推斷各個(gè)變量之間的因果關(guān)系，不僅拓展了因果推斷的應(yīng)用場(chǎng)景，也為如何挖掘用戶預(yù)定行為的影響機(jī)制提供了新視角與新思路。

6.2? 實(shí)踐貢獻(xiàn)

本文從多層信任的視角出發(fā)挖掘共享服務(wù)平臺(tái)用戶預(yù)定行為的影響機(jī)制，可為促進(jìn)共享服務(wù)平臺(tái)用戶購(gòu)買(mǎi)行為提供指導(dǎo)。

（1）對(duì)于供方的房東，建議：①房東是否披露照片和房東是否為“超級(jí)房東”能夠很大程度上決定租客是否預(yù)定房源。這也就決定了房東應(yīng)花極大精力建立房東聲譽(yù)并適當(dāng)披露關(guān)于自身和共享產(chǎn)品的信息，以期獲得“超級(jí)房東”徽章，在此前提下，可優(yōu)先選擇不提供直接預(yù)定服務(wù)以便篩選掉可能會(huì)惡意差評(píng)的用戶。②房東應(yīng)鼓勵(lì)租客提供具有高質(zhì)量、細(xì)節(jié)性、客觀性的評(píng)論以提升房源產(chǎn)品口碑。這需要房東在實(shí)際與租客社交互動(dòng)時(shí)與租客建立良好的關(guān)系，并可對(duì)租客提出合理的優(yōu)惠政策來(lái)鼓勵(lì)租客撰寫(xiě)評(píng)論內(nèi)容。③雖然共享房源對(duì)房源銷量的正向促進(jìn)效應(yīng)十分明顯，但最終房東是否獲得收益取決于房源價(jià)格與房源銷量。房東應(yīng)綜合考慮房源價(jià)格與房源銷量來(lái)確定應(yīng)運(yùn)營(yíng)哪種房源類型。

（2）對(duì)于共享平臺(tái)，應(yīng)嚴(yán)格把關(guān)房東和租客的個(gè)人資質(zhì)，在新冠疫情這一突發(fā)公共衛(wèi)生事件的特殊場(chǎng)景下，設(shè)置完善的身份驗(yàn)證機(jī)制和評(píng)論激勵(lì)制度，以免惡意事件發(fā)生，這也能在很大程度上提高房東和租客對(duì)平臺(tái)的信任程度。

7? 研究不足與未來(lái)展望

本文研究存在一些研究局限，需待未來(lái)研究進(jìn)一步探索：

（1）隨著共享服務(wù)模型的日益完善，未來(lái)研究可對(duì)比不同的共享短租平臺(tái)對(duì)用戶購(gòu)買(mǎi)行為的影響機(jī)制，以此得出多層信任視角下的各個(gè)信任特征對(duì)用戶購(gòu)買(mǎi)決策支持的影響機(jī)制。

（2）為能夠使研究更加完善，未來(lái)可收集長(zhǎng)時(shí)間的周期數(shù)據(jù)，從時(shí)間序列分析的角度出發(fā)進(jìn)一步探析多層信任視角下共享服務(wù)平臺(tái)用戶購(gòu)買(mǎi)行為影響因素的動(dòng)態(tài)變化規(guī)律，提升共享平臺(tái)對(duì)突發(fā)公共衛(wèi)生事件的應(yīng)對(duì)能力，助力共享經(jīng)濟(jì)的復(fù)蘇。

參考文獻(xiàn)：

[1] B?CKER L， MEELEN T. Sharing for people， planet or profit？ analysing motivations for intended sharing economy participation [J]. Environmental innovation and societal transitions， 2017， 23： 28-39.

[2] 姬璐婕， 王曉峰， 趙欣欣. 疫情防控常態(tài)化下旅游信息需求圖譜構(gòu)建與實(shí)現(xiàn) [J]. 河南科學(xué)， 2022， 40（4）： 641-9.

[3] 徐雅竹. 今年上半年國(guó)內(nèi)旅游總?cè)舜?18.71 億 [J].中國(guó)會(huì)展（中國(guó)會(huì)議），2021（16）：20.

[4] YU M， LI Z， YU Z， et al. Communication related health crisis on social media： a case of COVID-19 outbreak [J]. Current issues in tourism， 2021， 24（19）： 2699-2705.

[5] 王慶生， 劉詩(shī)涵. 新冠肺炎疫情對(duì)國(guó)內(nèi)游客旅游意愿與行為的影響 [J]. 地域研究與開(kāi)發(fā)， 2020， 39（4）： 1-5.

[6] WEN J， KOZAK M， YANG S， et al. COVID-19： potential effects on Chinese citizens lifestyle and travel [J]. Tourism review， 2020， 76（1）： 74-87.

[7] 杜國(guó)慶. 疫情下對(duì)智慧旅游的再認(rèn)識(shí) [J]. 旅游學(xué)刊， 2020， 35（8）： 7-9.

[8] 胡姍，楊興柱，王群.國(guó)內(nèi)外共享住宿研究述評(píng)[J].旅游科學(xué)，2020，34（02）：41-57.

[9] 馬仁鋒. 文化創(chuàng)意產(chǎn)業(yè)動(dòng)態(tài)及其空間效應(yīng)： 以長(zhǎng)江三角洲地區(qū)為例 [M]. 杭州：浙江大學(xué)出版社， 2018.

[10] GUTTENTAG D. Airbnb： disruptive innovation and the rise of an informal tourism accommodation sector [J]. Current issues in Tourism， 2015， 18（12）： 1192-1217.

[11] GUTTENTAG D A， SMITH S L. Assessing Airbnb as a disruptive innovation relative to hotels： Substitution and comparative performance expectations [J]. International journal of hospitality management， 2017， 64： 1-10.

[12] ZERVAS G， PROSERPIO D， BYERS J W. The rise of the sharing economy： estimating the impact of Airbnb on the hotel industry [J]. Journal of marketing research， 2017， 54（5）： 687-705.

[13] LI J， HUDSON S， SO K K F. Exploring the customer experience with Airbnb [J]. International journal of culture， tourism and hospitality research， 2019.13（4）：410-429.

[14] AMARO S， ANDREU L， HUANG S. Millenials intentions to book on Airbnb [J]. Current issues in tourism， 2019， 22（18）： 2284-2298.

[15] GUTTENTAG D， SMITH S， POTWARKA L， et al. Why tourists choose Airbnb： a motivation-based segmentation study [J]. Journal of travel research， 2018， 57（3）： 342-59.

[16] YOUNG C A， CORSUN D L， XIE K L. Travelers preferences for peer-to-peer （P2P） accommodations and hotels [J]. International journal of culture， tourism and hospitality research， 2017， 11（4）： 465-482.

[17] TUSSYADIAH I P. An exploratory study on drivers and deterrents of collaborative consumption in travel[C]//Information and communication technologies in tourism 2015： Proceedings of the international conference in Lugano， Switzerland， February 3-6， 2015.Berlin： Springer International Publishing， 2015： 817-830.

[18] TUSSYADIAH I P. Factors of satisfaction and intention to use peer-to-peer accommodation [J]. International journal of hospitality management， 2016， 55： 70-80.

[19] RANSON P， GUTTENTAG D. “Please tidy up before leaving”： nudging Airbnb guests toward altruistic behavior [J]. International journal of culture， tourism and hospitality research， 2019.13（4）： 524-530.

[20] 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： 62-73.

[21] BAUTE-DíAZ N， GUTIéRREZ-TA?O D， DíAZ-ARMAS R. Interaction and reputation in Airbnb： an exploratory analysis [J]. International journal of culture， tourism and hospitality research， 2019.13（4）：370-383.

[22] WANG D， NICOLAU J L. Price determinants of sharing economy based accommodation rental： a study of listings from 33 cities on Airbnb. com [J]. International journal of hospitality management， 2017， 62： 120-31.

[23] CHATTERJEE D， DANDONA B， MITRA A， et al. Airbnb in India： comparison with hotels， and factors affecting purchase intentions [J]. International journal of culture， tourism and hospitality research， 2019. 13（4）： 430-442.

[24] BOONS F， LüDEKE-FREUND F. Business models for sustainable innovation： state-of-the-art and steps towards a research agenda [J]. Journal of cleaner production， 2013， 45： 9-19.

[25] OSTERWALDER A， PIGNEUR Y， TUCCI C L. Clarifying business models： origins， present， and future of the concept [J]. Communications of the association for information systems， 2005， 16（1）： 1.

[26] 覃芳. 愛(ài)彼迎（Airbnb）中國(guó)商業(yè)模式分析 [D]. 廣州： 暨南大學(xué)， 2020.

[27] AZNAR J P， SAYERAS J M， ROCAFORT A， et al. The irruption of Airbnb and its effects on hotel profitability： an analysis of Barcelonas hotel sector [J]. 2017，13（1）： 147-159.

[28] AKBAR Y H， TRACOGNA A. The sharing economy and the future of the hotel industry： transaction cost theory and platform economics [J]. International journal of hospitality management， 2018， 71： 91-101.

[29] STHAPIT E， JIM?NEZ-BARRETO J. Sharing in the host–guest relationship： perspectives on the Airbnb hospitality experience [J]. Anatolia， 2018， 29（2）： 282-284.

[30] GUNTER U， ?NDER I. Determinants of Airbnb demand in Vienna and their implications for the traditional accommodation industry [J]. Tourism economics， 2018， 24（3）： 270-293.

[31] ABRATE G， VIGLIA G. Personal or product reputation？ optimizing revenues in the sharing economy [J]. Journal of travel research， 2019， 58（1）： 136-148.

[32] XIE K， MAO Z. The impacts of quality and quantity attributes of Airbnb hosts on listing performance [J]. International journal of contemporary hospitality management， 2017， 29（9）： 2240-2260.

[33] LIANG S， SCHUCKERT M， LAW R， et al. Be a “Superhost”： the importance of badge systems for peer-to-peer rental accommodations [J]. Tourism management， 2017， 60： 454-465.

[34] BENTE G， BAPTIST O， LEUSCHNER H. To buy or not to buy： influence of seller photos and reputation on buyer trust and purchase behavior [J]. International journal of human-computer studies， 2012， 70（1）： 1-13.

[35] 吳曉雋， 裘佳璐. Airbnb 房源價(jià)格影響因素研究——基于中國(guó) 36 個(gè)城市的數(shù)據(jù) [J]. 旅游學(xué)刊， 2019， 34（4）： 13-28.

[36] ZHANG Z， CHEN R J， HAN L D， et al. Key factors affecting the price of Airbnb listings： a geographically weighted approach [J]. Sustainability， 2017， 9（9）： 1635.

[37] 呂姝. 社交需求對(duì)共享經(jīng)濟(jì)平臺(tái)成交價(jià)格影響研究 [D]. 大連： 大連理工大學(xué)， 2017.

[38] MARTIN-FUENTES E， MELLINAS J P. Hotels that most rely on Booking. com–online travel agencies （OTAs） and hotel distribution channels [J]. Tourism review， 2018， 73（4）： 465-479.

[39] BAE S J， LEE H， SUH E-K， et al. Shared experience in pretrip and experience sharing in posttrip： a survey of Airbnb users [J]. Information & management， 2017， 54（6）： 714-727.

[40] GRAEBNER M E， HEIMERIKS K H， HUY Q N， et al. The process of postmerger integration： a review and agenda for future research [J]. Academy of management annals， 2017， 11（1）： 1-32.

[41] CHEN Y， LU Y， WANG B， et al. How do product recommendations affect impulse buying？ an empirical study on WeChat social commerce [J]. Information & management， 2019， 56（2）： 236-248.

[42] XU X， LI Q， PENG L， et al. The impact of informational incentives and social influence on consumer behavior during Alibabas online shopping carnival[J]. Computers in human behavior， 2017， 76： 245-254.

[43] 李立威. 分享經(jīng)濟(jì)中多層信任的構(gòu)建機(jī)制研究——基于 Airbnb 和小豬短租的案例分析 [J]. 電子政務(wù)， 2019（2）： 96-102.

[44] 宋逸群， 王玉海. 共享經(jīng)濟(jì)的緣起、界定與影響 [J]. 教學(xué)與研究， 2016（9）： 29-36.

[45] AWAD N F， KRISHNAN M S. The personalization privacy paradox： an empirical evaluation of information transparency and the willingness to be profiled online for personalization [J]. MIS quarterly， 2006， 30（1）： 13-28.

[46] XU H， LUO X R， CARROLL J M， et al. The personalization privacy paradox： an exploratory study of decision making process for location-aware marketing [J]. Decision support systems， 2011， 51（1）： 42-52.

[47] MALHOTRA N K， KIM S S， AGARWAL J. Internet users information privacy concerns （IUIPC）： the construct， the scale， and a causal model [J]. Information systems research， 2004， 15（4）： 336-355.

[48] XU H， TEO H H， TAN B C， et al. The role of push-pull technology in privacy calculus： the case of location-based services [J]. Journal of management information systems， 2009， 26（3）： 135-174.

[49] CULNAN M J， ARMSTRONG P K. Information privacy concerns， procedural fairness， and impersonal trust： an empirical investigation [J]. Organization science， 1999， 10（1）： 104-115.

[50] MOROSAN C. Information disclosure to biometric e-gates： the roles of perceived security， benefits， and emotions [J]. Journal of travel research ， 2018， 57（5）： 644-657.

[51] Ma X， Hancock J T， Lim Mingjie K， et al. Self-disclosure and perceived trustworthiness of Airbnb host profiles[C]//Proceedings of the 2017 ACM conference on computer supported cooperative work and social computing， 2017： 2397-2409.

[52] SHIBCHURN J， YAN X. Information disclosure on social networking sites： an intrinsic–extrinsic motivation perspective [J]. Computers in human behavior， 2015， 44： 103-117.

[53] SHARMA S， CROSSLER R E. Disclosing too much？ situational factors affecting information disclosure in social commerce environment [J]. Electronic commerce research and applications， 2014， 13（5）： 305-319.

[54] BELK R. You are what you can access： sharing and collaborative consumption online [J]. Journal of business research， 2014， 67（8）： 1595-1600.

[55] EDELMAN B G， LUCA M. Digital discrimination： the case of Airbnb. com [J]. Harvard Business School NOM Unit working paper， 2014（14-054）.

[56] 陳婷. 共享房屋自愿信息披露 [D]. 大連： 大連理工大學(xué)， 2020.

[57] 蔡舜， 石海榮， 傅馨， 等. 知識(shí)付費(fèi)產(chǎn)品銷量影響因素研究：以知乎Live為例 [J]. 管理工程學(xué)報(bào)， 2019， 33（3）： 71-83.

[58] 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.

[59] 張樂(lè). 共享短租中房客信任影響因素及信任傳遞研究 [D]. 北京： 北京郵電大學(xué)， 2019.

[60] CAI Y， ZHOU Y， SCOTT N. Price determinants of Airbnb listings： evidence from Hong Kong [J]. Tourism Analysis， 2019， 24（2）： 227-242.

[61] WANG D， NICOLAU J L. Price determinants of sharing economy based accommodation rental： a study of listings from 33 cities on Airbnb.com [J]. International journal of hospitality management ， 2017， 62： 120-131.

[62] CHEN Y， XIE K. Consumer valuation of Airbnb listings： a hedonic pricing approach [J]. International journal of contemporary hospitality management， 2017， 29（9）： 2405-2424.

[63] BLEIER A， HARMELING C M， PALMATIER R W. Creating effective online customer experiences [J]. Journal of marketing， 2019， 83（2）： 98-119.

[64] AU N， BUHALIS D， LAW R. Online complaining behavior in mainland China hotels： the perception of Chinese and non-Chinese customers [J]. International Journal of hospitality & tourism administration， 2014， 15（3）： 248-274.

[65] LADHARI R， MICHAUD M. eWOM effects on hotel booking intentions， attitudes， trust， and website perceptions [J]. International journal of hospitality management， 2015， 46： 36-45.

[66] WOLINSKY A. Prices as signals of product quality [J]. The review of economic studies， 1983， 50（4）： 647-58.

[67] BOJANIC D C. Consumer perceptions of price， value and satisfaction in the hotel industry： an exploratory study [J]. Journal of hospitality & leisure marketing， 1996， 4（1）： 5-22.

[68] VASWANI A， SHAZEER N， PARMAR N， et.al. Attention Is All You Need[C]. GUYON I， LUXBURG U V， BENGIO S， et al. //Advances in neural information processing systems 30 （nips 2017）. La Jolla： Neural Information Processing Systems （nips），2017.

[69] 李可悅， 陳軼， 牛少彰. 基于 BERT 的社交電商文本分類算法 [J]. 計(jì)算機(jī)科學(xué) ，2021，48（02）：87-92.

[70] 劉歡， 張智雄， 王宇飛. BERT模型的主要優(yōu)化改進(jìn)方法研究綜述 [J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)， 2021， 5（1）： 3-15.

[71] 閆勵(lì)， 牛新艷. 我國(guó)共享短租市場(chǎng)中的信任研究——基于 Airbnb 開(kāi)源數(shù)據(jù)的分析 [J]. 經(jīng)濟(jì)論壇， 2020? （12）：137-147.

[72] AVENUE 677 Huntington， BOSTON， MA 02115. Causal inference： what if （the book）[EB/OL]. [2023-04-25]. https：//www.hsph.harvard.edu/miguel-hernan/causal-inference-book/.

[73] PEARL J. Causal inference[EB/OL].[2023-04-25]. https：//www.semanticscholar.org/paper/Causal-Inference-Pearl/dddf9f1c26430e9a2ccc121162c5923c3b5ab622.

[74] HOLLAND P W. Statistics and causal inference [J]. Journal of the American Statistical Association， 1986， 81（396）： 945-960.

[75] SHARMA A， KICIMAN E. DoWhy： an end-to-end library for causal inference [J]. arXiv preprint arXiv：201104216， 2020.

[76] SHARMA A， SYRGKANIS V， ZHANG C， et al. Dowhy： addressing challenges in expressing and validating causal assumptions [J]. arXiv preprint arXiv：210813518， 2021.

作者貢獻(xiàn)說(shuō)明：

李欣儒：設(shè)計(jì)研究方案，撰寫(xiě)論文與分析數(shù)據(jù)；

賀超城：提出研究選題和思路，分析數(shù)據(jù)；

黃? 茜：收集并處理數(shù)據(jù)；

吳? 江：提出研究選題和思路。

Abstract： [Purpose/Significance] The purpose is to explore the predetermined behavior of resource demanders based on the information generated from the perspective of multi-layer trust on the shared service platform， so as to facilitate the recovery and sustainable development of the sharing economy in the post-pandemic era.[Method/Process] Combined with the trust information of the supply and demand sides on the platform， between the supply and demand sides and the demand side on the shared products， based on the “3P+3I” theory from the perspective of multi-layer trust， a research model of consumer purchasing behavior of the shared service platform is constructed. Taking the shared short-term rental platform as an example， this paper obtained the public data of Airbnb in Beijing area， used Bert algorithm to construct the reputation index of housing products， and preliminary speculated the internal mechanism of user reservation behavior based on causal discovery algorithm in causal inference， and used Poisson regression to conduct empirical analysis.[Result/Conclusion] The trust variables of both parties to the platform， between the two parties and the demander to the shared product had a significant positive promoting effect on housing sales. The trust characteristics generate by hosts had the largest positive effect on tenants booking behavior. It is suggested that hosts should make great efforts to establish the reputation of hosts and disclose more information appropriately. In order to obtain the badge of “super host”， they can give priority to not providing “direct booking” service so as to screen out users who may have malicious comments. It is suggested that platforms strictly check the personal qualifications of users. More attention should be paid to improve the identity information authentication mechanism and comment incentive system for users， so as to reduce the uncertainty in users decision-making.

Keywords： sharing service platform? ? Bert algorithm? ? text mining? ? causal inference? ? online reviews? ? causal discovery? ? user behavior