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)平臺上基于多層信任視角所生成的信息對資源需求方預(yù)定行為的影響，以助力后疫情時代共享經(jīng)濟的復(fù)蘇和持續(xù)發(fā)展。[方法/過程]結(jié)合供需雙方對平臺、供需雙方之間和需方對共享產(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)平臺消費者購買行為研究模型。以共享短租平臺為例，獲取Airbnb上北京地區(qū)的公開數(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)算法初步推測用戶預(yù)定行為的內(nèi)在機制并利用泊松回歸進行實證分析。[結(jié)果/結(jié)論]供需雙方對平臺、供需雙方之間和需方對共享產(chǎn)品的信任變量對房源銷量均有顯著的正向促進作用。其中房東產(chǎn)生的信任特征對租客預(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并適當(dāng)披露更多的信息，為獲得“超級房東”徽章，可優(yōu)先選擇不提供“直接預(yù)定”服務(wù)以便篩選掉可能會惡意差評的用戶。建議平臺嚴(yán)格把關(guān)用戶的個人資質(zhì)，注重對用戶身份信息認(rèn)證機制和評論激勵制度的完善，以降低用戶決策中的不確定性。

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

分類號：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)平臺用戶預(yù)定行為研究[J/OL]. 知識管理論壇， 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)濟模式，在社會生活的各個領(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)濟的重要分支，依托“C2C去中心化”的互聯(lián)網(wǎng)平臺，日益成為游客們的最佳選擇。

由于中國對新冠肺炎疫情蔓延的有效控制、文旅部關(guān)于推進旅游景區(qū)疫情防控安全有序開放及旅游企業(yè)擴大復(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，經(jīng)歷新冠疫情后[4]的游客對于旅游目的地[5]、旅游產(chǎn)品[6]、交通方式[5]、消費方式[6]的選擇也都發(fā)生了明顯的變化：游客比起跟團游更加傾向于自駕游，出行地點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，游客對共享短租下的特色民宿偏好相對提升?；诖耍蚕矶套獾姆繓|與平臺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)濟的多層信任的構(gòu)建機制來合理調(diào)整服務(wù)策略與運營政策，以此來適應(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)平臺中基于多層信任視角的用戶購買行為影響因素，本文選取共享短租中的典范Airbnb為研究對象，選取其在中國代表性地區(qū)北京的公開運營數(shù)據(jù)，以截至2021年12月24日中國北京地區(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)濟信任構(gòu)建的“3P+3I”理論框架，定位于制度信任（institution trust）、互動信任（interaction trust）、信息信任（information trust），從用戶對平臺的信任（trust to platform）、用戶間的人際信任（trust to peers）、用戶對產(chǎn)品的信任（trust to products）三個層面來構(gòu)建共享經(jīng)濟多層信任體系，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代共享短租平臺用戶預(yù)定行為的影響機制，以提升共享短租平臺的房源交易量，打造用戶、共享短租平臺發(fā)展之間的良性循環(huán)，這對促進后疫情時代共享經(jīng)濟的復(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)平臺的賦能效應(yīng)等特點，為消費者提供了類家性、互動性、原真性的旅游體驗[8]。在《經(jīng)濟學(xué)人》期刊的《崛起中的共享經(jīng)濟》一文中，Airbnb也被譽為“新興的共享經(jīng)濟學(xué)突出代表”[9]。許多學(xué)者在共享經(jīng)濟框架下圍繞Airbnb顛覆性創(chuàng)新的商業(yè)模式[10-11]、對傳統(tǒng)旅行住宿市場的沖擊[12-13]、用戶使用Airbnb的行為動機[14-18]與表現(xiàn)偏好[19]、基于信任的房東聲譽[20-21]以及房源的定價策略[22-23]等話題展開深入的討論。

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)模式畫布分析Airbnb中國市場商業(yè)模式的構(gòu)成要素，發(fā)現(xiàn)Airbnb的中國市場具有能夠利用數(shù)據(jù)資源賦能用戶體驗、打造多方合作網(wǎng)絡(luò)驅(qū)動內(nèi)外資源協(xié)調(diào)等競爭優(yōu)勢[26]。周佳則分別從價值主張、價值創(chuàng)造、價值傳遞和價值實現(xiàn)4個方面出發(fā)，總結(jié)了Airbnb成熟商業(yè)模式中的經(jīng)驗，拓展了商業(yè)模式創(chuàng)新理論的應(yīng)用范圍[9]。在Airbnb對旅行住宿市場的沖擊方面，G. Zervas等研究Airbnb 進入德克薩斯州的情況并量化了其在隨后10年對德克薩斯州酒店業(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，發(fā)現(xiàn)Airbnb的高覆蓋率使得酒店投資的股本回報下降[27]。紐約市酒店協(xié)會委托進行的一項研究發(fā)現(xiàn)，由于Airbnb的入駐，紐約酒店經(jīng)營者收入累計損失了20億美元[28]。在用戶使用Airbnb的行為動機與表現(xiàn)偏好方面，E. Sthapit、J. Jiménez-Barreto等發(fā)現(xiàn)房源價格與位置是激發(fā)用戶購買意愿的兩個主要驅(qū)動因素[29]。D. Guttentag、 S. Smith等發(fā)現(xiàn)用戶主要關(guān)注點是Airbnb上的房源價格、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的體驗感[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)動因素包括房源價格、與市中心的距離等[30]。G. Abrate、 G. Viglia通過研究歐洲5個城市的981個房源數(shù)據(jù)發(fā)現(xiàn)房東是否通過身份認(rèn)證、房東是否獲得“超級房東”徽章、成為房東的時長會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個活躍房源，發(fā)現(xiàn)房東是否獲得“超級房東”徽章、房東在線回復(fù)率、房源數(shù)量、房源評級、評論數(shù)量、房源價格和房源容納量均會影響房源銷量[32]。S. Liang、M. Schucker等還專門強調(diào)了獲得“超級房東”徽章的房東對房客的吸引力，發(fā)現(xiàn)超級房東所擁有的房源更有可能獲得更多的評論數(shù)（通常視為預(yù)定量）與更高的評級。此外，房客傾向于額外支付相關(guān)費用來預(yù)定超級房東名下的房源[33]。在基于信任的房東聲譽方面，聲譽與信任之間的關(guān)系可理解為“正面聲譽增加信任”。E. Ert等發(fā)現(xiàn)Airbnb平臺上的用戶偏向從房東所披露的照片以及在線評論中對房東的描述來推斷房東的可信度，感知其房東聲譽進而選擇預(yù)定其房源[20]。N. Baute-Díaz等發(fā)現(xiàn)與房東聲譽有關(guān)的社交互動會減少用戶在線評論時的消極性[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，而且僅僅是關(guān)于房東的不確定性信息減少也可以促進在線交易中的信任[34]。在Airbnb房源的定價策略方面，合理的定價機制能夠使得共享短租平臺房東獲利更多，與傳統(tǒng)的酒店管理者相比，個人房東沒有經(jīng)過專業(yè)的收益管理培訓(xùn)，也沒有獲得必要的價格決策信息的支持，很難做出較為合理的定價決策[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、評論數(shù)、評級分?jǐn)?shù)是影響房源價格的顯著因素[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)在線評論的積極性提高將會導(dǎo)致房源價格的提高，且老用戶的評論增加所造成的黏度效應(yīng)會對潛在消費者產(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)房東在個人信譽度、所在地區(qū)、自我介紹等因素的差異會直接影響到房東和用戶雙邊市場中房屋供需關(guān)系，進而影響短租房源的成交價格[38]。

1.2? Airbnb中的用戶預(yù)定行為

由于共享經(jīng)濟具有典型的點對點經(jīng)濟特征，因此筆者將在Airbnb平臺中信任問題更加復(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，Airbnb平臺中的信任呈現(xiàn)出不同的特點：①由于Airbnb平臺中的房東與用戶均為陌生個體，且房東多為未經(jīng)監(jiān)管機構(gòu)授權(quán)的業(yè)余服務(wù)者，房東的非專業(yè)性導(dǎo)致Airbnb平臺更容易引發(fā)用戶信任問題。②由于房東與用戶除有線上互動外還很可能產(chǎn)生線下的實際接觸，房東與用戶之間高強度互動導(dǎo)致Airbnb平臺中的信任要求與風(fēng)險也更高。? ?③由于Airbnb的信譽機制從單向評價發(fā)展為買賣雙方互評，共享產(chǎn)品的非標(biāo)準(zhǔn)化與過渡短期使用權(quán)的特點，使得房東、用戶、共享產(chǎn)品都面臨著信任風(fēng)險，這導(dǎo)致Airbnb平臺中的信任構(gòu)成更加復(fù)雜多元。在此背景下，為了能夠消解在Airbnb平臺中進行交易時由于信息不對稱所造成的種種問題，平臺與用戶雙方應(yīng)共同致力于健全共享經(jīng)濟下的信任體系，以此促進Airbnb平臺中交易的良性循環(huán)?，F(xiàn)有研究依據(jù)部分公開的房源信息、用戶信息、交易信息，已經(jīng)初步驗證房東聲譽[20]、房源價格[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)于共享短租平臺的用戶預(yù)定行為研究大多僅集中于用戶間人際互動的信任構(gòu)建上，卻并沒有進一步考慮到用戶對平臺與產(chǎn)品的信任構(gòu)建。故本文基于Airbnb中的信任問題突出且其成因復(fù)雜多變的大背景，從多個角度出發(fā)來構(gòu)建共享經(jīng)濟下的多層信任體系，深入探究用戶預(yù)定行為的影響機制，以期能夠為房東運營房源、平臺制定政策提供相關(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。根據(jù)信任對象與共享短租中信任的獨特性，可將共享短租中的信任劃分為用戶對共享平臺的信任（trust to platform）、用戶間的人際信任（trust to peers）、用戶對共享產(chǎn)品或服務(wù)的信任（trust to products）三大類，又根據(jù)共享經(jīng)濟的點對點模式和供需雙方對等的特征，對供方和需方的信任進行區(qū)分。則共享短租平臺中的信任關(guān)系有需方對平臺的信任、供方對平臺的信任；需方對供方的人際信任、供方對需方的人際信任；需方對產(chǎn)品或服務(wù)的信任5個類型。共享經(jīng)濟中3種信任關(guān)系如圖1所示：

L. G. Zucker提出在共享經(jīng)濟中同時存在3種信任機制，分別是制度信任、互動信任和信息信任。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機制是信任的來源，互動信任主要是指基于互動主體的人格特征進一步產(chǎn)生未來信任的基礎(chǔ)。信息信任主要是指基于以往的相關(guān)經(jīng)歷所提供的信息進一步產(chǎn)生未來信任的基礎(chǔ)。而在共享短租平臺中，當(dāng)用戶選擇提供或享受共享服務(wù)時，首先是選擇可信的共享平臺，并在平臺上篩選出感覺可信的共享者。在此基礎(chǔ)上，才有可能產(chǎn)生對共享短租中的產(chǎn)品或服務(wù)的信任，進而才會產(chǎn)生共享意愿并做出相應(yīng)行為?；贚. G. Zucker的信任理論，用戶對共享平臺的信任屬于制度信任，用戶之間的信任屬于互動信任，而需方對所提供的共享產(chǎn)品或服務(wù)的信任屬于信息信任。其中，用戶對平臺的信任會影響到用戶間的信任，而用戶間的信任會影響到用戶對共享產(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]。故供需雙方對平臺的信任、供需雙方間的信任、需方對產(chǎn)品的信任可共同構(gòu)成“3P+3I”理論模型，作為共享經(jīng)濟中多層信任機制分析的理論框架[43]來探究在多層信任視角下的共享短租平臺用戶預(yù)定行為的影響機制。本文所構(gòu)建的共享經(jīng)濟多層信任理論框架可如圖2所示：

2.2? 用戶對共享短租平臺的信任建立

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

H1：用戶對共享短租平臺信任程度越高，房源銷量越高。

2.2.1? 供方對平臺的信任建立

H1a：房東披露信息越多，房源銷量會更高[54-56]。

對于提供閑置房源的供方而言，只有共享平臺足夠完善其信任機制，房東才愿意與陌生人分享閑置房源的使用權(quán)，從而為平臺吸引更多的用戶，獲得長久發(fā)展[44]。與房東不同，租客需要更多的房東信息來確保交易的可信度[45-46]，所以租客傾向于房東能夠披露更多的信息來緩解因為信息不對稱造成的問題。但對于房東而言，在虛擬網(wǎng)絡(luò)平臺上披露個人信息存在著很大的潛在風(fēng)險[47]。房東需要在披露信息所獲得的預(yù)期回報與預(yù)期風(fēng)險之間做出權(quán)衡，并基于隱私計算理論（Privacy Calculus Theory）選擇披露程度[48-50]。其中，平臺的隱私保障制度[51]、平臺對房東披露情況的激勵回報機制[52]、平臺使用用戶隱私數(shù)據(jù)的目的[53]會極大地影響房東的信息披露行為。而Airbnb平臺通過設(shè)立多重身份驗證機制來保障平臺用戶的隱私信息安全，鼓勵用戶披露額外的個人資料信息以便增強個性化用戶體驗，通過匿名化處理使用和分析用戶隱私數(shù)據(jù)優(yōu)化平臺運營，并個性化定制平臺的廣告營銷活動，這些制度均會影響房東對自身和房源信息的披露，而這些信息的披露會折射出利他性的信號來影響租客的預(yù)定行為[20]，進而影響到房源銷量[54]。故在供方對平臺的信任方面提出以下假設(shè)：

2.2.2? 需方對平臺的信任

對于享受閑置房源的需方而言，Airbnb通過設(shè)立支付擔(dān)保、強制站內(nèi)交易、風(fēng)險評分等制度來增強租客對平臺的信任，并提醒租客分享入住房源時最喜歡的方面，鼓勵租客進行信息披露，為房東提供改進建議。故除去租客在注冊個人資料時對自身信息披露程度可反映需方對平臺的信任程度外，租客對平臺的信任還可體現(xiàn)在租客是否愿意花費時間與精力在Airbnb平臺上對自己的以往住宿經(jīng)歷進行相關(guān)信息披露[57]，且評論越正面，租客越傾向于信任Airbnb平臺，進而更容易在該平臺上再次產(chǎn)生預(yù)定行為。故在需方對平臺的信任方面提出以下假設(shè)：

H1b：房源下對應(yīng)的積極評論數(shù)越多，房源銷量會更高[57]。

2.3? 供需雙方間的信任建立

供需雙方在共享短租平臺上產(chǎn)生交易的完整過程為：需方在共享短租平臺上搜索目標(biāo)房源，通過即時通訊工具聯(lián)系到供方，與供方進行初次交流；供需雙方依據(jù)雙方聲譽和溝通體驗來建立彼此之間的信任；如果雙方建立了足夠的信任，需方會選擇供方名下的房源并辦理登記，開始入住體驗。在此期間，供需雙方可能會進行面對面的互動交流，共同分享住宿空間；達到入住截止日期后，需方會辦理退房手續(xù)，供需雙方可以互相對彼此進行評價。故在共享短租平臺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交換。在這種社會交換中，供需雙方均面臨著很高的風(fēng)險和不確定性。對作為需方的租客而言，租客傾向于獲得多樣的生活體驗，希望了解到不同的文化，但在這種社會交換過程中，由于租客在決定入住前無法檢測其真實的入住體驗質(zhì)量，租客往往面臨著期望無法實現(xiàn)的風(fēng)險。此外，由于在入住互動期間，之前互不認(rèn)識的供需雙方會近距離接觸，可能會共同居住，這導(dǎo)致供需雙方均會面臨個人人身安全的風(fēng)險。故供需雙方間的信任建立，會降低供需雙方對交易過程中的預(yù)估風(fēng)險，影響到需方的預(yù)定行為，進而影響房源銷量。故提出如下假設(shè)：

H2：供需雙方間的信任程度越高，房源銷量會更高。

2.3.1? 供方對需方的信任

在Airbnb中，作為供方的房東可根據(jù)風(fēng)險評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)來判斷是否接受租客預(yù)定房源。若租客風(fēng)險評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論，進而拒絕其訂單預(yù)定請求。此外，房東也會出于保護房源的目的拒絕想要借用房源舉辦瘋狂派對的租客訂單，他們更愿意接受老人、帶小孩的夫妻等類型的租客。而Airbnb平臺上“直接預(yù)定”機制則允許租客在無需房東進行核查和明確批準(zhǔn)的情況下直接預(yù)定房源，認(rèn)為若房東開啟“直接預(yù)定”服務(wù)則代表房東對陌生租客存在潛在信任，進而影響到租客的預(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，房源銷量會更高[22]。

2.3.2? 需方對供方的信任

在Airbnb中，作為需方的租客可通過社交網(wǎng)絡(luò)賬號接入Facebook查看房東的社交網(wǎng)絡(luò)，通過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，由于共享住宿對社交互動的要求更高[31]，租客對房東的信任需要通過更多細(xì)?；男畔斫?，而Airbnb中設(shè)置的“超級房東”徽章授予機制很好地考慮了很多細(xì)粒化因素。這主要是因為：“超級房東”的評選機制為房東必須在房源上線后過去一年里至少接待過10次房客，回復(fù)用戶提問的比例保持在90％以上，至少有半數(shù)住過的房客撰寫了評價，且收到的評價中至少有80％為五星評價，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“超級房東”徽章[31，33，59-60]這一指標(biāo)能夠很好地刻畫房東聲譽。具有高聲譽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“超級房東”時，房源銷量會更高[31，33，59-60]。

2.4? 需方對共享產(chǎn)品的信任建立

供需雙方對共享平臺的信任與供需雙方間的信任會進一步影響到需方對共享產(chǎn)品的信任。需方對共享產(chǎn)品的信任則會直接影響并作用到需方的預(yù)定行為。需方對共享產(chǎn)品的信任建立主要來源于產(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：需方對共享產(chǎn)品的信任程度越高，房源銷量會更高。

房源類型是需方對共享產(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，作為需方的租客會因為感知到信任風(fēng)險而在房源類型的選擇中權(quán)衡。但同時，由于房源類型也與房源價格顯著相關(guān)[61-62]。相對于同地域的整租房源和獨立房源，共享房源的價格低廉會更加吸引獨自旅游的租客。盡管租客會對共享房源的安全性產(chǎn)生顧慮，出于對共享平臺的信任以及低價共享房源的吸引力，租客仍然偏向選擇共享房源。故與整租房源和獨立房源相比，共享房源的銷量會更高（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，房源銷量會更高[61-62]。

產(chǎn)品口碑是需方對共享產(chǎn)品的另外信任影響因素。產(chǎn)品口碑可由在線評論效價來體現(xiàn)，它能夠反映已體驗消費的用戶對共享產(chǎn)品的情感傾向，并直接影響潛在租客對該房源的態(tài)度和感知[64-65]，進而影響到租客的預(yù)定決策。在Airbnb平臺中，為保證評論的及時性和真實性設(shè)置同時公開房東與用戶的互評機制以避免帶有情緒并且不公正的評論出現(xiàn)，潛在預(yù)定租客往往會通過評論信息來進一步了解共享產(chǎn)品的具體情況，進而搭建對共享產(chǎn)品的信任。更高的在線評論效價會向潛在預(yù)定租客展示其他租客對該房源的正面評價。租客通過觀察他人對房源的評論來減弱自身對房源質(zhì)量的感知不確定性[31]和信息不對稱帶來的顧慮，其預(yù)定意愿也會變高。因此，我們提出以下假設(shè)：

H3b：房源產(chǎn)品口碑越高，房源銷量會更高[63-65]。

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

H4：房源價格越高，房源銷量會更高[66-67]。

3? 研究框架

多層信任是對共享短租平臺中信任體系的整體評估。它主要體現(xiàn)于供需雙方對共享平臺的信任、供需雙方間的信任、需方對共享產(chǎn)品的信任。本文構(gòu)建“3P+3I”理論框架來探究共享經(jīng)濟多層信任體系影響房源銷量的內(nèi)在機制，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算法來對在線評論文本內(nèi)容進行情感分析。本文選取Airbnb網(wǎng)站（http：//insideairbnb.com/）上中國北京地區(qū)的2018—2021年全部的21 955條在線評論數(shù)據(jù)，隨機抽取3 000條在線評論數(shù)據(jù)進行人工標(biāo)注，將純積極情感表達的評論文本標(biāo)記為“1”，兼有積極消極情感表達和純消極情感表達的評論文本標(biāo)記為“0”，得到可用于Bert預(yù)訓(xùn)練模型的評論情感標(biāo)注樣本集。利用Bert算法對樣本集的情感極性判別，用情感分類的概率作為每條評論文本的情感得分，由此得到在線評論效價變量。最終Bert算法分類準(zhǔn)確率達95%，召回率達95%。隨機抽取的評論文本情感評分結(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2018-2021年中國北京地區(qū)的在線評論數(shù)據(jù)進行情感評分后，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論效價時，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)對應(yīng)id取均值來代表每個房源產(chǎn)品口碑變量，一共得到2 642條數(shù)據(jù)。盡管Airbnb無法顯示房源銷量，但由于Airbnb在每次服務(wù)完畢后都會讓用戶就自身的入住體驗發(fā)表在線評論，故可選取總評論數(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論效價變量，可構(gòu)建模型所涉及的變量說明表，以便后續(xù)進行回歸分析（見表2）。

對涉及回歸模型的全部變量進行相關(guān)性分析，發(fā)現(xiàn)均通過共線性檢驗，且根據(jù)表3變量相關(guān)性表發(fā)現(xiàn)積極評論數(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)進行反事實估計，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]來推斷變量間的因果關(guān)系[76]，為后文的實證分析做準(zhǔn)備。

（1）基于假設(shè)創(chuàng)建因果圖。本文中能夠運用因果推斷算法DoWhy來估計干預(yù)對結(jié)果的影響。采用基于Bert算法得出的在線評論文本的情感得分來代表在線評論效價，采用總評論數(shù)代表房源銷量。由于“超級房東”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“超級房東”徽章，結(jié)果變量為“房源銷量”，并根據(jù)先驗知識設(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）識別因果效應(yīng)?；趫D4的圖模型，本文通過非參數(shù)統(tǒng)計法來識別因果效應(yīng)的表達式，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路徑，故可直接利用計算條件概率的方式來估計因果效應(yīng)。

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

（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)識別因果關(guān)系，又利用數(shù)據(jù)知識進行統(tǒng)計學(xué)估計，為了能夠進一步驗證假設(shè)是否正確，對此進行魯棒性檢驗，本研究中筆者選擇“安慰劑干預(yù)”來檢驗該因果推斷模型的穩(wěn)健性。安慰劑干預(yù)方法是將真實干預(yù)變量替換為獨立隨機變量，其后看因果效應(yīng)是否會改變，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? 實證分析：計量模型應(yīng)用

通過因果發(fā)現(xiàn)算法對因果關(guān)系進行探索后，發(fā)現(xiàn)房東是否為“超級房東”對房源銷量的影響較為明顯。筆者依據(jù)變量所估計的因果效應(yīng)來構(gòu)建回歸模型進行實證分析，以總評論數(shù)代表房源銷量作為因變量，表2中供需雙方對共享平臺的信任、供需雙方間的信任、需方對共享產(chǎn)品的信任三個維度對應(yīng)的變量作為自變量。由于房源價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，依次對變量進行回歸，有以下公式：

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

4.4? 魯棒性檢驗

為了驗證模型的魯棒性，進一步添加街區(qū)為控制變量納入到模型中，結(jié)果見表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平臺為研究對象，從多層信任的視角來探究租客預(yù)定行為的影響機制。在供需雙方對共享平臺的信任、供需雙方間的信任以及需方對共享產(chǎn)品的信任三方面對房源銷量的影響設(shè)立7個假設(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：

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

在供需雙方間的信任方面，供方對需方的潛在信任可由“是否提供直接預(yù)定”來體現(xiàn)，房東提供“直接預(yù)定”服務(wù)時，房源銷量會更高[22]假設(shè)成立（β=0.911， p=0.000）。對此的解釋為：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)對房源銷量的正向效應(yīng)較弱。需方對供方的潛在信任可通過房東“是否為‘超級房東”來建立，房東為“超級房東”時，房源銷量會更高[31， 33， 59-60]的假設(shè)成立（β=1.497， p=0.000）。若房東是“超級房東”，在其他變量保持不變的情況下，其對房源銷量的正向促進效應(yīng)為1.497個單位。對此的解釋為，房東是否為“超級房東”是租客在預(yù)定房源時所參考的重要指標(biāo)，房東的服務(wù)質(zhì)量（回復(fù)響應(yīng)率、回復(fù)時長等）會由“超級房東”徽章綜合體現(xiàn)。

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

房源價格越高，房源銷量會更高[66-67]的假設(shè)成立（β=1.000， p=0.000）。房源價格每增加1.000個單位，房源銷量即增加1.000個單位。對此的解釋為，在Airbnb平臺上的用戶認(rèn)可價格與質(zhì)量正相關(guān)，具有一定的購買力，但總體來看，大幅提高價格，并不利于房源銷量的增加。

6? 研究貢獻

6.1? 理論貢獻

本文在研究視角和研究方法上做出了以下理論貢獻：

（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)平臺中的多層信任體系，探究影響用戶購買行為的復(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“超級房東”。

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

6.2? 實踐貢獻

本文從多層信任的視角出發(fā)挖掘共享服務(wù)平臺用戶預(yù)定行為的影響機制，可為促進共享服務(wù)平臺用戶購買行為提供指導(dǎo)。

（1）對于供方的房東，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)以便篩選掉可能會惡意差評的用戶。②房東應(yīng)鼓勵租客提供具有高質(zhì)量、細(xì)節(jié)性、客觀性的評論以提升房源產(chǎn)品口碑。這需要房東在實際與租客社交互動時與租客建立良好的關(guān)系，并可對租客提出合理的優(yōu)惠政策來鼓勵租客撰寫評論內(nèi)容。③雖然共享房源對房源銷量的正向促進效應(yīng)十分明顯，但最終房東是否獲得收益取決于房源價格與房源銷量。房東應(yīng)綜合考慮房源價格與房源銷量來確定應(yīng)運營哪種房源類型。

（2）對于共享平臺，應(yīng)嚴(yán)格把關(guān)房東和租客的個人資質(zhì)，在新冠疫情這一突發(fā)公共衛(wèi)生事件的特殊場景下，設(shè)置完善的身份驗證機制和評論激勵制度，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平臺的信任程度。

7? 研究不足與未來展望

本文研究存在一些研究局限，需待未來研究進一步探索：

（1）隨著共享服務(wù)模型的日益完善，未來研究可對比不同的共享短租平臺對用戶購買行為的影響機制，以此得出多層信任視角下的各個信任特征對用戶購買決策支持的影響機制。

（2）為能夠使研究更加完善，未來可收集長時間的周期數(shù)據(jù)，從時間序列分析的角度出發(fā)進一步探析多層信任視角下共享服務(wù)平臺用戶購買行為影響因素的動態(tài)變化規(guī)律，提升共享平臺對突發(fā)公共衛(wèi)生事件的應(yīng)對能力，助力共享經(jīng)濟的復(fù)蘇。

參考文獻：

[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)建與實現(xiàn) [J]. 河南科學(xué)， 2022， 40（4）： 641-9.

[3] 徐雅竹. 今年上半年國內(nèi)旅游總?cè)舜?18.71 億 [J].中國會展（中國會議），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， 劉詩涵. 新冠肺炎疫情對國內(nèi)游客旅游意愿與行為的影響 [J]. 地域研究與開發(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] 杜國慶. 疫情下對智慧旅游的再認(rèn)識 [J]. 旅游學(xué)刊， 2020， 35（8）： 7-9.

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

[9] 馬仁鋒. 文化創(chuàng)意產(chǎn)業(yè)動態(tài)及其空間效應(yīng)： 以長江三角洲地區(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. 愛彼迎（Airbnb）中國商業(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 房源價格影響因素研究——基于中國 36 個城市的數(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. 社交需求對共享經(jīng)濟平臺成交價格影響研究 [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)濟中多層信任的構(gòu)建機制研究——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. 知識付費產(chǎn)品銷量影響因素研究：以知乎Live為例 [J]. 管理工程學(xué)報， 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. 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]. 計算機科學(xué) ，2021，48（02）：87-92.

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

[71] 閆勵， 牛新艷. 我國共享短租市場中的信任研究——基于 Airbnb 開源數(shù)據(jù)的分析 [J]. 經(jīng)濟論壇， 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.

作者貢獻說明：

李欣儒：設(shè)計研究方案，撰寫論文與分析數(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