牛阮霞 宋瑞

[摘 要]就共享住宿而言，如何建立用戶信任是業(yè)界、學界及政府部門共同關注的問題，而現(xiàn)有文獻中探究真實情境下共享住宿平臺信任建立措施實施效果者甚少。文章以途家為例，在信任建立模型的基礎上，構建共享住宿平臺房客信任影響因素模型，探討共享住宿平臺信任建立措施中的制度因素、情感因素和認知因素對房客信任的實際影響效果。研究發(fā)現(xiàn)：制度因素中的超贊房東、優(yōu)選PRO 房源、評價分數(shù)顯著正向影響房客信任;情感因素中的即時速訂并未對房客信任產(chǎn)生顯著的正向影響;認知因素中的房東性別和房東性質(zhì)顯著正向影響房客信任，房東會員時長并未對房客信任產(chǎn)生顯著的正向影響。文章拓展了共享住宿用戶信任的理論研究，并為共享住宿平臺進一步完善信任建立措施提供了科學依據(jù)。

[關鍵詞]共享住宿;信任建立模型;信任建立措施;房客信任

[中圖分類號] F592 [文獻標識碼] A [文章編號] 1674-3784（2024）04-0067-13

近年來，伴隨著互聯(lián)網(wǎng)技術的廣泛普及、消費觀念的不斷升級和產(chǎn)業(yè)競爭的日益加劇，共享住宿作為一種新的業(yè)態(tài)得以快速發(fā)展。共享住宿是指以互聯(lián)網(wǎng)技術為依托，通過搭建第三方平臺，將供給端有閑置或租賃房產(chǎn)的房東和需求端有短期住房需求的房客對接起來，實現(xiàn)供需雙方精準匹配的資源配置方式[1]。在該模式中，買賣雙方交易的實現(xiàn)首先依賴于房客信任的建立。由于房客的交易和互動對象是以個人房東為主[2]，這些“微型企業(yè)家”雖可提供個性化的房源和服務，但通常缺乏傳統(tǒng)酒店業(yè)通過標準化的產(chǎn)品供應、專業(yè)化的客戶服務以及品牌化的信譽認知所形成的保障[3]。與此同時，由于買賣雙方之間存在時空距離，房客在預訂之前很難準確評估房源的實際質(zhì)量和房東的服務水平，這種信息不對稱所帶來的逆向選擇和道德風險增加了交易環(huán)境的不確定性[4]。因此，與入住傳統(tǒng)酒店相比，“住進陌生人家里”的房客面臨更多的風險，例如，個人信息泄露、入住房間與平臺描述不符、房東服務質(zhì)量差以及人身安全沒有保障等。這些風險的存在容易使房客產(chǎn)生不信任感，而不信任正是阻礙房客參與共享住宿的主要因素之一[5]?？梢?，如何建立房客信任對于共享住宿的發(fā)展而言至關重要。

為緩解信息不對稱所帶來的信任危機，一些共享住宿平臺不斷優(yōu)化相關措施。例如，制定一系列標準，評選出經(jīng)營能力強的房東和質(zhì)量有保障的房源，并授予其超贊房東、優(yōu)選PRO（途家推出的“優(yōu)選PRO 全新計劃”，以下簡稱“優(yōu)選PRO”）、甄選房源、平臺嚴選及安心住等認證標簽;開發(fā)聲譽和反饋系統(tǒng)，邀請已入住房客對住宿體驗進行評分并發(fā)表評論;設置房東主頁，向潛在房客提供房東的頭像照片、個人資料、注冊時間、認證信息、經(jīng)營性質(zhì)、回復率和訂單確認率等信息。共享住宿平臺推出的這些措施能否切實有效地促進房客建立信任，目前尚缺乏深入分析?，F(xiàn)有研究多以Airbnb（Airbnb andbreakfast）為研究對象，通過問卷調(diào)查法或?qū)嶒灧ㄋ鸭瘮?shù)據(jù)，探索虛擬情境中影響房客信任的前因變量。眾所周知，虛擬情境中房客的主觀感受與其真實的消費行為之間存在偏差，因此相關研究說服力相對有限，有必要采集共享住宿平臺的客觀數(shù)據(jù)，對真實情境下平臺信任建立措施的實施效果進行系統(tǒng)評估。本文以途家為例，在信任建立模型的基礎上，構建共享住宿平臺房客信任影響因素模型，探討共享住宿平臺的信任建立措施對房客信任的實際影響效果，以期從理論上豐富共享住宿用戶信任的研究內(nèi)容，從實踐上為共享住宿平臺進一步提升房客信任提供科學依據(jù)。

1 文獻回顧

1.1 信任的概念

信任具有復雜性、抽象性并對情境存在依賴性[6]25，要對其進行準確界定并非易事。不同學科基于不同研究背景、研究對象和研究目的，從不同的角度對信任加以界定[7]35。在社會學領域，信任被認為是簡化社會交往復雜性的有效機制。人們基于熟悉度和情感聯(lián)系的人際信任以及基于法律、法規(guī)的制度信任，降低社會交往的復雜性。心理學主要關注個體間的信任。Hosmer認為，當面臨預期損失大于預期收益這種不可預料的事件時，個體的非理性選擇行為即為信任[8]。 經(jīng)濟學更加關注信任的經(jīng)濟價值，認為信任是經(jīng)濟交換的有效潤滑劑，可有效提升經(jīng)濟組織的運作效率[9]。管理學者認為，信任是在不確定性和存在風險的情況下，組織或個體對互動的另一方不會采取投機行為的期望[10]。信任概念的不統(tǒng)一，給學術研究和實踐發(fā)展帶來諸多障礙。為此，一些學者嘗試對信任進行一般性的概念界定，其中影響最大的是Mayer等的研究。在其看來，信任是無論控制或監(jiān)督受信方的能力如何，施信方都預期受信方將執(zhí)行對施信方而言重要的特定行為，從而容忍受信方可能導致的傷害行為的程度[11]。本文對信任的界定沿用此概念，并在此概念的基礎上，將共享住宿中的房客信任界定為“無論控制或監(jiān)督受信方共享住宿平臺、房東的能力如何，作為施信方的房客都預期共享住宿平臺、房東將執(zhí)行對房客而言重要的特定行為，從而容忍受信方可能導致的傷害行為的程度”。

1.2 電子商務中的消費者信任研究

隨著互聯(lián)網(wǎng)的普及，越來越多的消費者通過線上渠道購買產(chǎn)品或服務。線上交易過程中，由于產(chǎn)品、資金、買賣雙方存在時空分離，加之信息不對稱和交易環(huán)境復雜等原因，消費者較易產(chǎn)生不信任態(tài)度[12]。因此，獲得消費者信任是電子商務面臨的主要挑戰(zhàn)之一[13]。針對這一問題，學者們重點圍繞以下3個方面展開了系列研究：一是信任的分類。根據(jù)交易的不同階段，Kim 等將信任分為購買前信任、購買中信任和購買后信任[14];根據(jù)信任對象的不同，可將信任分為對賣方的信任和對中介的信任[15-16]301，39。二是信任的影響因素。主要包括消費者因素、賣方因素和網(wǎng)站因素。消費者因素涉及信任傾向[17]、經(jīng)驗特征[18]等;賣方因素包括能力、仁慈、正直表現(xiàn)[19]以及與買方的相似性[20]等;網(wǎng)站因素涵蓋隱私保護、結構保障、網(wǎng)站質(zhì)量及服務質(zhì)量[21-22]等。三是信任的實際作用。研究發(fā)現(xiàn)，消費者信任的建立可直接或間接對消費者的購買意愿、忠誠度和滿意度產(chǎn)生影響[23]。

1.3 共享住宿中的房客信任研究

基于Mayer等對信任的界定以及電子商務中消費者信任的研究，學者們主要從兩個方面就共享住宿中的房客信任問題展開研究。

一是房客信任的影響因素。已有研究主要通過問卷調(diào)查法和實驗法搜集房客的主觀匯報數(shù)據(jù)，試圖探究虛擬情境中共享住宿平臺、房東和房客因素對房客信任的影響。其中，共享住宿平臺方面包括制度保障和技術支持，房東方面涉及聲譽評價，房客方面主要取決于其自身的信任傾向。共享住宿平臺的制度保障因素主要包括保險賠償、安全和隱私保護[24]201 和第三方信用體系的引入[25]等，這些因素通過營造安全可靠的交易環(huán)境來影響房客對平臺的信任。共享住宿平臺的技術支持則與網(wǎng)站質(zhì)量有關。Yang等的研究發(fā)現(xiàn)，房客在使用共享住宿網(wǎng)站時感知到IT 質(zhì)量正向影響房客對平臺的信任[24]201。房東的聲譽評價主要包括已入住房客的評價分數(shù)和評論數(shù)量。已有研究表明，已入住房客的評價分數(shù)越高、評論數(shù)量越多，房客對房東的感知信任度越高[26]112。房客的信任傾向是指在一般情況下，房客愿意依賴他人的傾向[7]41。Park等的調(diào)查發(fā)現(xiàn)，信任傾向?qū)Ψ靠托湃蜛irbnb平臺具有積極作用[27]。少數(shù)學者將共享住宿中房客信任影響因素的研究從虛擬情境拓展到真實情境。Ert等通過采集Airbnb平臺房東的人口統(tǒng)計信息和頭像信息，研究了房東性別、年齡以及頭像照片中的人數(shù)、照片質(zhì)量、照片清晰度等對房客信任的影響[28-29]62，630。

二是房客信任的實際影響。主要指房客信任對房客持續(xù)使用平臺的意愿[30]、購買行為[31]2970、滿意度[32]等產(chǎn)生的直接影響，以及通過其他變量如依戀、感知風險和吸引力對房客行為意愿產(chǎn)生的間接影響。Mao等通過調(diào)查發(fā)現(xiàn)，房客對房東的信任和對平臺的信任分別對房客的持續(xù)購買意愿產(chǎn)生顯著正向影響。其中，平臺信任的影響效果大于房東信任的影響效果[33]73。Yang等通過對Airbnb房客的調(diào)查發(fā)現(xiàn)，認知信任通過對Airbnb的身份依戀間接影響房客的持續(xù)購買意愿[24]206。

1.4 研究述評

學者們圍繞共享住宿中的房客信任這一重要議題進行了有益的探索，不過仍有較大的拓展空間。首先，就研究內(nèi)容而言，盡管既有研究驗證了虛擬情境中共享住宿平臺、房客及房東等因素對房客信任有積極的影響，但真實情境中共享住宿平臺信任建立措施對房客信任的實際影響關注不多。其次，就研究方法而言，既有研究多以問卷調(diào)查法和實驗法收集房客的主觀數(shù)據(jù)，通過數(shù)據(jù)挖掘技術搜集共享住宿平臺客觀數(shù)據(jù)的研究相對較少。最后，就研究對象而言，既有研究多以Airbnb為主，對國內(nèi)本土共享住宿平臺房客信任問題探究不足。因此，本文試圖以國內(nèi)共享住宿平臺為研究對象，通過搜集客觀數(shù)據(jù)，研究真實情境下信任建立措施中的制度因素、認知因素、情感因素對房客信任的實際影響。

2 理論基礎與研究假設

2.1 信任建立模型

2002年，Harrison等在互聯(lián)網(wǎng)技術催生了更多在線交易的背景下，提出了信任建立模型，用于研究消費者對電子商務供應商的信任建立過程[15]297。該模型提出，電子商務情境下，影響消費者感知信任的因素有三類：以結構保障為代表的制度因素、網(wǎng)絡供應商聲譽和網(wǎng)站質(zhì)量。消費者在對網(wǎng)絡供應商的信任和感知風險綜合權衡的基礎上，會產(chǎn)生一系列的行為意愿[15]301。之后，信任建立模型被廣泛應用于在線購物網(wǎng)站、證券網(wǎng)站和眾籌網(wǎng)站中消費者的信任建立過程。近年來，隨著共享住宿的興起，一些學者如Yang等、Mao等在信任建立模型的基礎上，探索了虛擬情境中房客信任的影響因素，驗證了信任建立模型在共享住宿情境中的適用性[24]198，[33]67。

2.2 模型與假設

信任建立模型是在傳統(tǒng)電子商務情境下提出的，在此情境下，消費者信任的建立更多依賴于網(wǎng)站的制度約束。在沒有物理接觸且交易雙方可能來自不同社會和文化背景的電子商務情境中，制度因素是建立信任的最重要方式。共享住宿具有傳統(tǒng)電子商務的一般特征，因此，其用戶信任的建立對制度因素的要求較高。此外，共享住宿還具有區(qū)別于傳統(tǒng)電子商務的新特征，如房客和房東具有高交互性，因此，人際因素也是房客信任建立的重要參考[24]199。根據(jù)社會心理學的研究，人際信任通常建立在認知因素和情感因素的基礎上[6]25。當施信方通過搜集受信方的信息和線索，對受信方的認知介于完全認知和完全未知之間，他就有了充分的理由去進行冒險的信任決策，于是基于認知的人際信任就產(chǎn)生了[34]。情感因素是指交易雙方之間的情感紐帶。當人們在信任關系中進行情感投資，表達對另一方的真正關心時，就為信任的產(chǎn)生提供了情感基礎[6]54。

本文在信任建立模型和社會心理學關于人際信任的研究基礎上，將共享住宿平臺的信任建立措施劃分為三大類：制度因素、情感因素和認知因素。房客通過對三類因素的觀察、感知，形成感知信任或不信任。由此形成房客信任影響因素模型（圖1）。其中，制度因素包含超贊房東、優(yōu)選PRO 房源及評價分數(shù)，用于解釋共享住宿平臺的制度約束對房客信任的影響;情感因素包括即時速訂，認知因素包含經(jīng)營性質(zhì)、房東性別和會員時長，這兩類因素分別從情感和認知的視角解釋人際因素對房客信任的影響?？刂谱兞繛榉从撤吭刺卣鞯膬r格、宜住人數(shù)、配套設施、出租方式以及反映城市特征的各城市人均國內(nèi)生產(chǎn)總值（GDP）、第三產(chǎn)業(yè)占GDP 比重和星級飯店數(shù)量。

2.2.1 制度因素對房客信任的影響

制度因素對信任的影響，是指施信方認為已具備有利的條件保證交易環(huán)境的相對安全，從而對受信方完成期望行為的評估過程[7]42。行為是由情境建構的，只有當人們感知到情境是安全可靠時，才有可能采取進一步行動[7]39。共享住宿模式下，潛在房客需要與網(wǎng)絡另一端未知的另一方進行交易，交易過程中的不確定性和感知風險較大[16]39。因此，作為連接買賣雙方的共享住宿平臺往往通過制度機制的建設，為房客營造可信賴的交易情境，并通過鼓勵合作以及懲罰不當行為促進信任的建立[35]。本文的制度因素特指共享住宿平臺的認證標簽和聲譽評價。

認證標簽是指共享住宿平臺通過制定一系列的標準對房東的經(jīng)營能力或房源的質(zhì)量進行綜合評估，符合標準的房東或房源經(jīng)過申請并獲得平臺審核通過后，房客就可以在平臺的房東頁面、列表頁面以及篩選頁面看到這些認證標簽。認證標簽是以平臺為擔保，保障房東經(jīng)營能力和房源質(zhì)量的一種制度約束。聲譽評價是共享住宿平臺基于房東過去表現(xiàn)所建立的評價系統(tǒng)，這一系統(tǒng)通過讓已入住房客進行真實入住體驗的評價而對房東進行制度約束，進一步保證了房客交易環(huán)境的安全。

（1）認證標簽。超贊房東、優(yōu)選PRO 是途家對房東和房源進行綜合評估后所頒發(fā)的平臺認證，每月評選一次，房東必須滿足一定的標準才有資格申請。超贊房東的具體標準為：1）門店評分≥4.8分;2）門店等級≥V4;3）30天內(nèi)無拒單;4）30天內(nèi)無違規(guī)。優(yōu)選PRO 的具體標準為：1）開通閃訂功能;2）房源擁有5條及以上點評;3）近3個月訂單大于15;4）未來30天有可售天數(shù)（不得限制起訂天數(shù)）;5）總點評分數(shù)大于4.8分;6）房源圖片不少于20張;7）庫存不得大于10。

從房客角度看，超贊房東和優(yōu)選PRO 認證標簽是以平臺為背書提供的質(zhì)量擔保，有助于提高其感知信任。部分學者研究了此類認證標簽對房客信任的影響。Zhang等認為，Airbnb平臺的超贊房東是房東卓越能力和精英地位的證明，實證研究證明超贊房東對房客信任產(chǎn)生積極影響[26]112。類似地，Xie等的研究發(fā)現(xiàn)，房客認為帶有超贊房東標簽的房東是誠實、積極、可靠的，并在此基礎上形成初始信任[36]2254。因此可認為，共享住宿平臺認證標簽通過向房客傳遞房東經(jīng)營能力和房源質(zhì)量的積極信號，可增加房客的感知信任。基于此，本文作如下假設：

H1：帶有超贊房東認證標簽的房源更受房客信任;

H2：帶有優(yōu)選PRO 認證標簽的房源更受房客信任。

（2）評價分數(shù)。為降低信息不對稱所帶來的負面影響，共享住宿平臺建立了基于房東過去表現(xiàn)的聲譽評價系統(tǒng)，便于潛在房客客觀評估即將與之發(fā)生交易的房東的可信度[16]37。房東獲得的聲譽評價越積極，潛在房客的感知風險和不確定性程度越低，從而越容易對房東產(chǎn)生信任[15]312。最常見的聲譽評價為評價分數(shù)，即已入住房客對住宿體驗滿意度的數(shù)值評價。一些學者研究了評價分數(shù)對房客信任的影響。Teubner等基于Airbnb平臺上86個德國城市房源數(shù)據(jù)的分析發(fā)現(xiàn)，評價分數(shù)是促進消費者信任并提升房源價格的重要信號[37]72。Zhang等的研究得出相同結論，即潛在消費者在Airbnb上搜索房源時通常會參考評價分數(shù)，評價分數(shù)越高，感知信任度越高[26]112?；诖?，本文作如下假設：

H3：評價分數(shù)正向影響房客的信任。

2.2.2 情感因素對房客信任的影響

情感因素對信任的影響是指施信方對受信方是否具有可信任屬性的情感評估[38]。與認知因素的理性判斷不同，情感因素更多地建立在房客所產(chǎn)生的情感信念的基礎上。Mcallister認為，當受信方愿意表達對施信方的真正關心，即使受信方不會因為提供幫助而得到報酬時，基于情感的信任就產(chǎn)生了[6]26。本文中的情感因素特指即時速訂。即時速訂是指房客在預訂房源時無需經(jīng)過房東確認即可直接下單的功能，這一功能從房東的角度來看，可能會因為無法審核房客資料而增加入住風險，但從房客角度來看，不僅提高了預訂的便利性，而且減少了預訂的不確定性，是房東基于利他主義動機所產(chǎn)生的行為，這符合情感信任產(chǎn)生的條件。因此，有利于房客信任的建立。Biswas等研究了影響共享住宿平臺房客評論數(shù)量的因素后發(fā)現(xiàn)，開通即時速訂功能房源的評論數(shù)量要高于沒有開通即時速訂功能房源的評論數(shù)量[39]13?；诖?，本文作如下假設：

H4：開通即時速訂功能的房源更受房客的信任。

2.2.3 認知因素對房客信任的影響

認知因素對信任的影響是指施信方對受信方是否具有可信任屬性的理性預期[40]。施信方選擇在何種情況、在哪些方面信任受信方，是基于施信方是否找到了對方值得信任的證據(jù)，這種證據(jù)建立在對受信方的過去表現(xiàn)、專業(yè)知識和其他可用線索的理性判斷的基礎上[6]25。在共享住宿情境中，房客在預訂之前不能直接通過物理接觸觀察房東，但可通過平臺顯示的房東屬性來推斷其服務質(zhì)量和經(jīng)營能力。本文中的認知因素特指房東主頁中所顯示的經(jīng)營性質(zhì)、房東性別和會員時長3個特征。經(jīng)營性質(zhì)、會員時長是房客推斷房東經(jīng)營房源專業(yè)性的有力證據(jù)，房東性別所傳遞的刻板印象以及感知相似性為房客推斷房東可信度提供了線索支持。

（1）房東性質(zhì)。共享住宿平臺房東包含兩種類型：非專業(yè)房東和專業(yè)房東。根據(jù)Kwok等的研究，非專業(yè)房東更易產(chǎn)生損失厭惡、有限注意力和過度自信等行為偏差[41]253。與之相比，專業(yè)房東會投入更多的時間和精力去經(jīng)營房源，且可通過同時運營多個房源快速積累經(jīng)驗，從而更熟練地為消費者提供服務，提升房源收益[42]。Kwok等的研究表明，通過使用價格定位和動態(tài)定價等策略，專業(yè)房東在Airbnb平臺的收益表現(xiàn)要優(yōu)于非專業(yè)房東[41]257。基于此，本文作如下假設：

H5：專業(yè)房東管理的房源更受房客信任。

（2）房東性別。人際關系領域的研究表明，根據(jù)可觀察到的特征（性別、年齡、相貌）來評估一個人的可信度是人的天性[43]。在長期人際交往中，人們往往會形成對不同性別群體可信度的刻板印象。有研究發(fā)現(xiàn)，女性群體似乎比男性群體更值得信任[44]。這種基于性別所形成的偏見會對潛在消費者對房東的選擇意愿和行為產(chǎn)生影響。Ert等通過一組對照實驗發(fā)現(xiàn)，75%的受訪者更愿意選擇女性房東，25%的受訪者更愿意選擇男性房東[28]68。Wu等以小豬短租為研究對象，探討了房東屬性對消費者購買行為的影響，結果顯示，房東性別是影響消費者預訂決策的重要因素[31]2971。Ert等通過對Airbnb房東頭像特征的分析發(fā)現(xiàn)，女性房東比男性房東更值得信任[29]636?；诖耍疚淖魅缦录僭O：

H6：女性房東管理的房源更受房客的信任。

（3）會員時長。會員時長是指房東注冊成為共享住宿平臺會員的時間長度。房東成為會員的時間越長，所積累的管理經(jīng)驗會越多[45]。經(jīng)驗的增加會讓房東在提升服務質(zhì)量、增加房客滿意度以及爭取更多訂單量方面更加游刃有余[36]2255。Biswas等通過對全球10個城市Airbnb房源數(shù)據(jù)的分析發(fā)現(xiàn)，房東的會員時長對房東收到的評論數(shù)量有積極影響[39]15。Teubner 等也得出了相同的結論[37]72?；诖?，本文做如下假設：

H7：房東會員時長正向影響房客的信任。

綜上，本文模型構建及研究假設如圖1所示。

3 研究方法

3.1 數(shù)據(jù)收集

本文數(shù)據(jù)來自途家官網(wǎng)（www.tujia.com）。途家成立于2011年12月1日，截至2020年，擁有在線房源超過230萬套，覆蓋國內(nèi)400個城市地區(qū)和海外1 037個目的地，是國內(nèi)共享住宿行業(yè)的龍頭企業(yè)① 。為保證樣本的代表性，選取途家官網(wǎng)上25個城市的房源數(shù)據(jù)作為研究對象，這25個城市分別是北京、上海、成都、廣州、三亞、重慶、廈門、杭州、西安、青島、深圳、貴陽、南昌、呼和浩特、拉薩、蘭州、烏魯木齊、西寧、銀川、哈爾濱、沈陽、石家莊、濟南、太原及鄭州。2021年1月，采用Python編寫的程序在途家官網(wǎng)上共抓取25個城市的30 258條房源數(shù)據(jù)。而后對數(shù)據(jù)進行清洗，刪除不可量化、數(shù)據(jù)均質(zhì)性強、有明顯錯誤和缺失值的數(shù)據(jù)，最終得到有效數(shù)據(jù)29 640條。考慮到不同城市的經(jīng)濟、旅游等因素可能對房客信任產(chǎn)生一定的影響，在參考前人研究[46-47]的基礎上，本文對11個城市的人均生產(chǎn)總值、第三產(chǎn)業(yè)所占生產(chǎn)總值比重及星級飯店數(shù)量進行統(tǒng)計，數(shù)據(jù)來源于《中國統(tǒng)計年鑒2021》《中國城市統(tǒng)計年鑒2021》《中國文化文物和旅游統(tǒng)計年鑒2021》以及各城市文化和旅游部門的官網(wǎng)。

3.2 變量量化

本文采用Zhang等[26]108、呂婉瑩等[48]對信任（Trust，T）的量化方法（如公式1所示）。已有研究通過主觀標注房客信任與量化房客信任進行對比，驗證了該方法的合理性。

T（li）=R（li）/Rt（li）. （1）

其中，R（li）表示第i 個房源收到的全部評論數(shù)量;Rt（li）表示第i 個房源收到的第一條評論和最后一條評論（截至2021年1月1日）的時間間隔月數(shù)。

在自變量中，即時速訂、超贊房東、優(yōu)選PRO為虛擬變量，如房源有此認證標簽則賦值為1，沒有則賦值為0。評價分數(shù)是指房源的綜合評分，為連續(xù)變量。房東性質(zhì)為虛擬變量，房東主頁中顯示為商戶經(jīng)營的則視為專業(yè)房東，賦值為1，顯示為個人房東的則視為非專業(yè)房東，賦值為0。性別為虛擬變量，女性房東賦值為1，男性房東則賦值為0。會員時長為連續(xù)變量。在控制變量中，房源價格、宜住人數(shù)為連續(xù)變量，按照實際數(shù)值進入模型。配套設施包含基礎設施、衛(wèi)浴設施、廚房設施、娛樂設施、周邊設施及特色設施等共計66種設施，如含有則賦值為1，不含有則賦值為0，配套設施的數(shù)值為66種設施分值的總和。出租方式為虛擬變量，如為整套出租則賦值為1，單間出租則賦值為0。人均國內(nèi)生產(chǎn)總值是指各個城市2020年的人均生產(chǎn)總值。第三產(chǎn)業(yè)所占生產(chǎn)總值比重是指各個城市2020年第三產(chǎn)業(yè)所占生產(chǎn)總值的比重。星級飯店數(shù)量是指截至2021年1月1日各個城市所包含的星級飯店數(shù)量。模型中所有變量的描述如表1所示。

4 實證分析

4.1 描述性統(tǒng)計分析

截至2021年1月1日，北京、上海、成都、廣州、三亞、重慶、廈門、杭州、西安、青島及深圳等25個城市的29 640條房源數(shù)據(jù)中：開通即時速訂功能的房源占比44.9%;47.8%的房源獲得了超贊房東認證標簽;25.3%的房源獲得了優(yōu)選PRO 認證標簽;平均評價分數(shù)為4.75分;62%的房東為個體經(jīng)營的非專業(yè)房東，38%的房東為商戶經(jīng)營的專業(yè)房東;男性房東占比78%，女性房東占比22%;房東會員時長從1個月到109個月不等，平均會員時長為21.98個月。在控制變量中：房源價格從每晚20元到每晚20 025元不等，平均住宿價格是每晚529.85元;房源平均可容納3.77人;配套設施平均值是36.37;單間出租房源占比6.2%，整套出租房源占比93.8%。與其他變量相比，房源價格、人均生產(chǎn)總值數(shù)量級差異較大，特將這兩個變量進行對數(shù)轉換后納入模型。變量的描述性統(tǒng)計分析結果詳見表2。

4.2 回歸分析

本文旨在探究真實情境中共享住宿平臺的制度因素、認知因素、情感因素對房客信任的影響，因變量為連續(xù)變量，自變量包含連續(xù)變量和分類變量，因此可采用多元線性回歸模型對假設進行檢驗，采用最小二乘法對多元線性回歸參數(shù)進行估計。研究模型的標準化表達式如下：

Trust=β0 +β1BI+β2SH +β3PP +

β4RS +β5AH +β6GH +β7SM +

β8ln（PH）+β9AG +β10SF +

β11RM +β12ln（PGDP）+

β13TGDP +β14N H +ε.

其中，β0 為截距項，β1～β14 為變量回歸系數(shù)，ε為誤差項。

回歸分析結果如表3所示。模型的P 值小于0.05，德賓-沃森值接近于2，各變量的VIF值均小于5，通過了顯著性和共線性檢驗。

實證研究結果如下。

（1）在制度因素中，擁有超贊房東（β=0.021，P <0.01）和優(yōu)選PRO（β=0.015，P <0.05）認證標簽的房源更受房客信任。Xie 等[36]2254、Zhang等[26]112 在研究Airbnb平臺認證標簽對房客信任的影響因素時，也得出了類似結論。原因有兩個：第一，超贊房東和優(yōu)選PRO 是途家對房東經(jīng)營能力和房源質(zhì)量的平臺認可，潛在房客將其視為平臺對高品質(zhì)服務質(zhì)量和住宿體驗的一種背書和承諾，這種制度保障增加了房客的感知信任度。第二，途家對獲得超贊房東和優(yōu)選PRO 認證標簽的房源給予廣告推廣和流量支持，吸引更多潛在房客的關注，在一定程度上增加了該房源被預訂的概率。此外，從影響效果來看，超贊房東對房客信任的影響大于優(yōu)選PRO。原因可能在于，途家上線超贊房東的時間較早，且城市覆蓋率較高，獲得該認證標簽的房源比例高于優(yōu)選PRO，在房客中的認可度較高。因此，假設H1、H2得到支持。評價分數(shù)顯著正向影響房客信任（β=0.017，P <0.01）。具體來看，在信息不對稱的情境中，潛在房客往往通過搜集相關信息對房東的可信任程度作出判斷，由于評價分數(shù)是已入住房客對入住體驗的綜合評價指標，因此成為重要的參考。評價分數(shù)越高，代表已入住房客對房源的聲譽評價越積極，潛在房客的感知風險和不確定性程度越低，從而更易對房東產(chǎn)生信任。假設H3得到支持。

（2）在情感因素中，即時速訂并未對房客信任產(chǎn)生顯著的正向影響（β=-0.004，P >0.05）。這可能與房客的認知有關。具體原因或有3個：首先，傳統(tǒng)的旅游住宿服務一般都提供即時速訂功能，因此房客在認知上將共享住宿中的即時速訂視作默認服務。其次，與超贊房東、優(yōu)選PRO 等質(zhì)量認證標簽相比，房客在認知上將即時速訂視作便利性認證標簽，對其重視程度不高。最后，由于即時速訂功能開通門檻較低，一些房東傾向于開通此功能以彌補房源其他屬性的不足。因此，假設H4并未得到支持。

（3）在認知因素中，房東性質(zhì)顯著正向影響房客信任（β=0.064，P <0.001）。這說明，相較于非專業(yè)房東，專業(yè)房東在管理房源的過程中投入了更多的時間和精力，因此在提升服務質(zhì)量和房客滿意度方面更具優(yōu)勢，這種優(yōu)勢進一步增加了房客的感知信任。房東性別對房客信任也存在顯著的正向影響（β=0.014，P <0.05）。相較于男性房東，由女性房東管理的房源更受房客信任。這和Ert等[28]68、Wu等[31]2971、Ert等[29]636 的研究一致。在交易雙方存在高交互以及高風險的共享住宿情境中，房客基于性別所形成的偏見會促使他們更加信任女性房東。因此，假設H5、H6得到支持。房東會員時長并未對房客信任產(chǎn)生顯著的正向影響（β=-0.096，P <0.001）。一個可能的解釋是，房東會員時長僅代表房東成為共享住宿平臺會員的時間長度，而不能代表房東所管理房源的活躍度，尤其在疫情影響下，房源的活躍度更受影響。活躍度較低的房源，即使房東會員時長更長，但房東的管理經(jīng)驗和能力也未必得到相應提升。因此，假設H7沒有得到支持。

（4）在控制變量中，配套設施顯著的正向影響房客信任（β=0.015，P <0.05）。配套設施越齊全，房客越容易對房源產(chǎn)生信任。出租方式顯著正向影響房客信任（β=0.023，P <0.01）。Wu等[31]2971 的研究也得出了類似的結論。與單間出租的房源相比，整套出租的房源更受房客信任。此外，人均生產(chǎn)總值（β=0.049，P <0.001）、第三產(chǎn)業(yè)占生產(chǎn)總值的比重（β=0.030，P <0.01）也對房客信任產(chǎn)生了顯著的積極影響。這說明，城市的經(jīng)濟發(fā)展水平和服務業(yè)發(fā)展水平越高，共享住宿發(fā)展所需的基礎設施和服務體系越完善，房客的感知信任度就越高。

4.3 穩(wěn)健性檢驗

為檢驗模型結果的穩(wěn)定性，本文還采集了每個房源2021年1月2日至2021年3月1日的評論增量、2021年1月2日至2021年4月30日的評論增量，以評論增量/第一條評論和最后一條評論的時間間隔天數(shù)（2021年1月2日至2021年3月1日）作為因變量1（Trust60days）、評論增量/第一條評論和最后一條評論的時間間隔天數(shù)（2021年1月2日至2021年4月30日）作為因變量2（Trust120days）[26]108，[31]2871對模型進行穩(wěn)健性檢驗，結果如表4所示。結果顯示：超贊房東、優(yōu)選PRO、評價分數(shù)、房東性質(zhì)和房東性別等顯著正向影響房客信任。即時速訂、會員時長并未對房客信任產(chǎn)生顯著正向影響。在控制變量中，顯著正向影響房客信任的變量有配套設施、出租方式、人均生產(chǎn)總值及第三產(chǎn)業(yè)占生產(chǎn)總值比重。基于上述分析可知，穩(wěn)健性檢驗結果與多元線性回歸模型結果保持一致。

本文假設檢驗結果如表5所示。

5 結論與啟示

5.1 主要發(fā)現(xiàn)

本文基于信任建立模型，從制度因素、認知因素、情感因素分析共享住宿平臺的信任建立措施對房客信任的影響。通過對途家平臺數(shù)據(jù)的回歸分析和穩(wěn)健性檢驗發(fā)現(xiàn)，制度因素中的超贊房東、優(yōu)選PRO 認證標簽以及評價分數(shù)等均對房客信任產(chǎn)生了積極影響，認知因素中的房東性別和房東性質(zhì)顯著正向影響房客信任。情感因素中的即時速訂、認知因素中的會員時長并未對房客信任產(chǎn)生顯著正向影響。從標準化回歸系數(shù)來看，影響效果由大到小依次是：房東性質(zhì)、超贊房東、評價分數(shù)、優(yōu)選PRO和房東性別。

5.2 理論價值

從理論研究角度來看，本文在以下3個方面有潛在貢獻。

其一，雖然既有研究已經(jīng)驗證了虛擬情境中影響共享住宿房客信任的因素，但缺乏實證研究對真實情境中共享住宿平臺信任建立措施的影響效果進行檢驗。本文在以平臺制度因素作為主要影響因素的信任建立模型的基礎上，加入反映房東和房客人際交互的認知因素和情感因素，驗證了共享住宿平臺信任建立措施中的制度因素、認知因素和情感因素對房客信任的影響效果。拓展了信任建立模型，突破以往單純從平臺制度因素解釋信任行為的局限，為進一步剖析房客信任建立的內(nèi)在機理提供了研究思路和實證支持。

其二，研究成果進一步豐富了國內(nèi)本土共享住宿平臺用戶信任的研究。以往對共享住宿平臺用戶信任的研究主要集中于以Airbnb為代表的國外平臺。Airbnb倡導“共享式”理念的傳播，希望通過搭建平臺，將房東的個人閑置房產(chǎn)共享給房客，并在二者之間打造富有人情味的社區(qū)文化。國內(nèi)共享住宿平臺倡導“泛住宿化”理念，不強調(diào)“共享”，重點突出非標準化、特色化和多元化住宿產(chǎn)品的提供。在此背景下，國外共享住宿平臺的用戶有更多機會同住一個屋檐下，雙方的情感交流更多，面對面產(chǎn)生的感知風險也更多。因此，其信任建立措施更注重房東和房客資料的完備性，以及入住前用戶資料真實性的審核。國內(nèi)共享住宿平臺的信任建立措施更注重房源質(zhì)量和房東的服務質(zhì)量。本文的研究結果表明，基于平臺的制度因素以及基于理性的認知因素更能對房客信任產(chǎn)生積極影響，而基于情感的即時速訂并未對房客信任產(chǎn)生積極影響，這也進一步驗證了國內(nèi)本土共享住宿平臺和國外共享住宿平臺信任建立措施影響效果的不同。

其三，建立在客觀數(shù)據(jù)分析結果基礎上的結論和建議，對引導行業(yè)實踐發(fā)展更具有參考性。以往研究大多采用實驗法和問卷調(diào)查法收集房客的主觀匯報數(shù)據(jù)。本文通過搜集途家平臺的客觀數(shù)據(jù)并構建回歸模型對其展開分析，探究真實情境中制度因素、情感因素以及認知因素對房客信任的影響，彌補了既往研究通過收集用戶主觀匯報數(shù)據(jù)所可能出現(xiàn)的偏差。

5.3 管理啟示

從實踐應用角度來看，本文或可從以下3個方面為共享住宿平臺和房東提供參考。

首先，對共享住宿平臺而言，應進一步規(guī)范和完善平臺的標簽認證機制，如前所述的超贊房東、優(yōu)選PRO 房源等均對房客信任有積極的正向影響。這說明以平臺為背書，對房東經(jīng)營能力和房源質(zhì)量評估所產(chǎn)生的系列標簽認證，可降低信息不對稱所帶來的感知風險，節(jié)省了房客的信息搜索成本，從而有效促進房客的購買行為。未來，共享住宿平臺可建立多層次、多樣化的標簽認證體系，鼓勵不同房源類型、不同出租方式、不同經(jīng)營年限的房源加入標簽認證工作中。既可以針對優(yōu)質(zhì)新房、精品民宿等打造專屬的品牌認證標簽，也可以根據(jù)特殊時期房客的入住需求，評選出衛(wèi)生條件達標、零接觸入住及訂單靈活取消等認證標簽。其次，對共享住宿平臺的房東而言，應進一步提升專業(yè)化運營房源的能力。研究結果表明，房東性質(zhì)顯著正向影響房客信任。共享住宿平臺的非專業(yè)房東，應通過線上線下學習，不斷積累管理經(jīng)驗，也可將其名下房源交由專業(yè)房東進行機構化運營管理，優(yōu)化房源的聲譽指標。最后，對共享住宿平臺和房東而言，應重視聲譽評價系統(tǒng)的改進和完善。評價分數(shù)顯著正向影響房客信任。未來，共享住宿平臺可進一步改善用戶評論機制，確保評論信息的公正性和有用性，如可共享其他旅游住宿網(wǎng)站同一房源的評論信息，給房客提供有價值的信息參考;房東也可通過提供優(yōu)惠券或積分等方式鼓勵房客即時反饋入住體驗。

5.4 未來展望

囿于知識、經(jīng)驗、時間和篇幅等所限，本文在如下方面仍存在拓展空間。

首先，研究視角可進一步拓展。本文主要關注房客的信任問題，對其信任構建影響因素進行了分析。實際上，房客與房東和平臺之間存在兩兩對應的信任關系，共享住宿平臺也可通過風險評估、身份驗證、背景核查、財產(chǎn)保障及第三方擔保支付等措施構建房東信任，未來可對此進行深入研究。其次，研究樣本可再擴展。本文選取了途家官網(wǎng)25個國內(nèi)城市的樣本數(shù)據(jù)，未來可選取不同文化情境下途家官網(wǎng)的房源數(shù)據(jù)，以增加樣本的代表性;也可對不同的共享住宿平臺如小豬民宿、木鳥短租和螞蟻短租數(shù)據(jù)進行橫向?qū)Ρ确治觯M一步驗證研究結論的可靠性。最后，本文的數(shù)據(jù)是在疫情期間采集的，未來可進一步采集疫情前后不同階段的縱向數(shù)據(jù)，探索共享住宿用戶信任的動態(tài)變化特征。

注釋

①資料來源：途家官網(wǎng)《關于途家》，2019年10月25日，http：//content.tujia.com/tujiajianjie.htm。

參考文獻

[1] 國家信息中心分享經(jīng)濟研究中心. 中國共享經(jīng)濟發(fā)展

報告[R].北京：國家信息中心，2021.

[2] 國家信息中心分享經(jīng)濟研究中心. 中國共享住宿發(fā)展

報告[R].北京：國家信息中心，2018.

[3] LU L，CAI R，KING C. Building trust through a personal

touch： consumer response to service failure and

recovery of home-sharing[J]. Journal of business research，

2020，117： 99-111.

[4] ERT E，F(xiàn)LEISCHER A. The evolution of trust in

Airbnb：a case of home rental[J]. Annals of tourism

research，2019，75： 279-287.

[5] TUSSYADIAH I P，PESONEN J. Drivers and barriers

of peer-to-peer accommodation stay-an exploratory

study with American and Finnish travellers[J]. Current

issues in tourism，2018（6）：703-720.

[6] MCALLISTER D J. Affect- and cognition-based trust

as foundations for interpersonal cooperation in organizations[

J].Academy of management journal，1995（1）：

24-59.

[7] MCKNIGHT D H，CHERVANY N L. What trust

means in e-commerce customer relationships：an interdisciplinary

conceptual typology [J]. International

journal of electronic commerce，2002（2）：35-59.

[8] HOSMER L T. Trust： the connecting link between

organizational theory and philosophical ethics[J]. The

academy of management review，1995（2）：379-403.

[9] BERG J，DICKHAUT J，MCCABE K. Trust，reciprocity，

and social history[J]. Games and economic

behavior，1995（1）：122-142.

[10] BHATTACHARYA R，DEVINNEY T M，PILLUTLA

M M. A formal model of trust based on outcomes

[J]. Academy of management review，1998（3）：459-

472.

[11] MAYER R C，DAVIS J H，SCHOORMAN F D. An

integrative model of organizational trust[J].The academy

of management review，1995（3）：709-734.

[12] GEFEN D，KARAHANNA E，STRAUB D W. Trust

and TAM in online shopping： an integrated model

[J]. MIS quarterly，2003（1）：51-90.

[13] BELDAD A，MD J，STEEHOUDER M. How shall I

trust the faceless and the intangible？ A literature review

on the antecedents of online trust[J]. Computers

in human behavior，2010（5）：857-869.

[14] KIM D J，F(xiàn)ERRIN D L，RAO H R. Trust and satisfaction，

two stepping stones for successful e-commerce relationships：

a longitudinal exploration[J]. Information

systems research， 2009， 20 （2）：237-257.

[15] HARRISON M D，CHOUDHURY V，KACMAR C.

The impact of initial consumer trust on intentions to

transact with a web site： a trust building model[J].

The journal of strategic information systems，2002（3-

4）：297-323.

[16] PAVLOU P A，GEFEN D. Building effective online

marketplaces with institution-based trust[J]. Information

systems research，2004（1）：37-59.

[17] LEE M K O，TURBAN E. A trust model for consumer

internet shopping[J]. International journal of

electronic commerce，2001（1）：75-91.

[18] GEFEN D. E-commerce： the role of familiarity and

trust[J]. Omega，2000（6）：725-737.

[19] PAVLOU P A，LIANG H，XUE Y. Understanding

and mitigating uncertainty in online exchange rela-

tionships： a principal-agent perspective[J]. MIS

quarterly，2007（1）：105-135.

[20] LAMBERTON C P，ROSE R L. When is ours better

than mine？ A framework for understanding and altering

participation in commercial sharing systems[J].

Journal of marketing，2012（4）：109-125.

[21] YEN C，LU H. Effects of e-service quality on loyalty

intention： an empirical study in online auction[J].

Managing service quality，2008（2）：127-146.

[22] CHEN D，LAI F，LIN Z. A trust model for online

peer-to-peer lending：a lender's perspective[J]. Information

technology and management，2014（4）：239-

254.

[23] CYR D. Modeling web site design across cultures：relationships

to trust， satisfaction，and e-loyalty[J].

Journal of management information systems，2008

（4）：47-72.

[24] YANG S B，LEE K，LEE H，et al. In Airbnb we

trust：understanding consumers' trust-attachment

building mechanisms in the sharing economy[J]. International

journal of hospitality management，2019，

83：198-209.

[25] 謝雪梅，石嬌嬌. 共享經(jīng)濟下消費者信任形成機制的

實證研究[J]. 技術經(jīng)濟，2016（10）：122-127.

[26] ZHANG L，YAN Q，ZHANG L. A computational

framework for understanding antecedents of guests'

perceived trust towards hosts on Airbnb[J]. Decision

support systems，2018，115：105-116.

[27] PARK S，TUSSYADIAH I P. How guests develop

trust in hosts：an investigation of trust formation in

P2P accommodation[J]. Journal of travel research，

2020（8）：1402-1412.

[28] ERT E，F(xiàn)LEISCHER A，MAGEN N. Trust and reputation

in the sharing economy：the role of personal

photos in Airbnb[J]. Tourism management，2016，

55：62-73.

[29] ERT E，F(xiàn)LEISCHER A. What do Airbnb hosts reveal

by posting photographs online and how does it

affect their perceived trustworthiness[J]. Psychology &

marketing，2020（5） ：630-640.

[30] LI C Y，TSAI M C. What makes guests trust Airbnb？

Consumer trust formation and its impact on continuance

intention in the sharing economy[J]. Journal

of hospitality and tourism management，2022，50：44-

54.

[31] 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 （11）：2962-

2976.

[32] MOHLMANN M. Collaborative consumption：determinants

of satisfaction and the likelihood of using a

sharing economy option again[J]. Journal of consumer

behaviour，2015（3）：193-207.

[33] MAO Z X，JONES M F，LI M M， et al. Sleeping in a

stranger's home： a trust formation model for Airbnb

[J]. Journal of hospitality and tourism management，

2020，42：67-76.

[34] LIANG L J，CHOI H C，JOPPE M. Exploring the

relationship between satisfaction，trust and switching

intention， repurchase intention in the context of Airbnb[

J]. International journal of hospitality management，

2018，69：41-48.

[35] MOYSIDOU K，HAUSBERG J P. In crowdfunding

we trust：a trust-building model in lending crowdfunding[

J]. Journal of small business management，

2020（3）：511-543.

[36] 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（9）：2240-2260.

[37] TEUBNER T，HAWLITSCHEK F，DANN D. Price

determinants on Airbnb：how reputation pays off in

the sharing economy[J]. Journal of self-governance

and management economics，2017（4）：53-80.

[38] SWIFT P E，HWANG A. The impact of affective

and cognitive trust on knowledge sharing and organizational

learning[J]. The learning organization，2013

（1）：20-37.

[39] BISWAS B，SENGUPTA P，CHATTERJEE D. Examining

the determinants of the count of customer reviews

in peer-to-peer home-sharing platforms using

clustering and count regression techniques[J]. Decision

support systems，2020，135：1-18.

[40] KOMIAK S Y X，BENBASAT I. The effects of personalization

and familiarity on trust and adoption of

recommendation agents [J]. MIS quarterly，2006（4）：

941-960.

[41] KWOK L，XIE K L. Pricing strategies on Airbnb：are

multi-unit host revenue pros？ [J].International journal

of hospitality management，2019，82：252-259.

[42] JEROEN O，JEAN-PIERRE D R，BENJAMIN T.

What's mine is yours：but at what price？ Dynamic pricing

behavior as an indicator of Airbnb host professionalization[

J]. Journal of revenue & pricing management，

2018，17：311-328.

[43] SACCO J M，SCHEU C R，RYAN A M，et al. An investigation

of race and sex similarity effects in inter-

views：a multilevel approach to relational demography

[J]. Journal of applied psychology，2003（5）：852-865.

[44] BUCHAN N R，CROSON R T A，SOLNICK S.

Trust and gender： an examination of behavior and beliefs

in the investment game[J]. Journal of economic

behavior & organization，2008（3-4）：466-476.

[45] MAGNO F，CASSTA F，UGOLINI M M. Accommodation

prices on Airbnb：effects of host experience and

market demand[J]. TQM Journal，2018（5）：608-620.

[46] 龍飛，劉家明，朱鶴，等. 長三角地區(qū)民宿的空間分布

及影響因素[J]. 地理研究，2019（4）：950-960.

[47] 董之滔，孫鳳芝，田菲菲，等. 山東省民宿空間分布特

征及影響因素研究[J]. 干旱區(qū)資源與環(huán)境，2023

（2）：112-119.

[48] 呂婉瑩，趙潔，黃流深，等. 基于特征分組和組合的住

宿共享信任評估研究[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn)，

2022（8）：61-74.