一、引言

随着移动互联网的普及与消费升级的不断深入，电子商务凸显出前所未有的潜力，重塑了许多行业的贸易机制。在旅游行业，越来越多的人开始接受并习惯线上预订酒店，许多酒店也通过与在线旅行社(online travel agency)合作来拓展线上市场。线上交易环境的虚拟性，催生了许多独有的信息，如在线评分，产生了与线下不同的消费者行为。在线评分和折扣作为影响消费者购买决策的两个重要因素^[1-3]，近年来引起了许多学者的注意, 但关于它们对销量的影响，意见却并不一致，如何利用在线评分和折扣就成为商家的一道难题。同时，在竞争日益激烈的市场环境中，企业产品与竞争商品的关系是竞争战略的重要问题，产品的销售表现不仅会被自身评分和折扣左右，也会受到竞争商品的评分和折扣的影响。然而，先前的研究大多数仅关注产品的评分与折扣，却极少分析其竞争对手对产品销量造成的影响。

在线评分本质上是数值形式的电子口碑，反映了评论者对产品或服务的评价，帮助消费者减少了对商品的感知风险和不确定性，因此对购买行为产生重要影响^[1]。对关于酒店及一些产品的研究，有学者指出评分的上升有利于在线销量的增长^[3-4]；同时，折扣作为商家吸引客户的常用手段，可以增加消费者的购买意愿，从而促进产品销量增长^{[2, 5-6]}。例如美国的Groupon，以折扣品为卖点，在创办不到3年的时间里拥有2 000万注册用户。近年来我国“双十一”“双十二”等电商购物节，也利用折扣等优惠手段不断地刷新了销量纪录。

然而，一些商家可能会采取一些欺骗手段提高在线评分和折扣来吸引消费者^[7]，而这些欺骗手段一旦被察觉，则会削弱消费者对购买相关商品的信心，甚至抑制购买欲望。在市场利益驱动和激烈的竞争下，继传统不实广告后，刷好评的新型营销方式伴随网购开始蔓延和泛滥。例如，美国知名电商平台Amazon和Barnes and Noble曾被发现存在许多虚假评论^[7]。《纽约时报》也曾报道，一些企业会雇佣员工在Yelp上发布五星评价^[8]。刷单、刷评等甚至构成了不小的灰色市场和黑色产业链，这不仅是某个平台面临的问题，而且是整个电商环境的阴霾。因此，与面对面传播的传统口碑相比，匿名的在线评分无法确认其真实性，可信度较低。

至于折扣，同样存在不少“猫腻”，无法分辨是否真实。许多商家通过提高原价再打折，制造促销假象，诱导消费者购买。谷歌调查结果表明70%的美国人不相信商家节日时提供的折扣^[9]。此外，许多供应商通过打折来处理不合格或者有缺陷的商品，而消费者网购时无法实际接触产品，面临着高度的质量不确定性，尤其对于体验型产品。因此折扣有时会给消费者传递“低质量”的信号^[10]，过高的折扣甚至会使消费者对卖家产生怀疑，担心交易是否存在安全风险^[11]。在这些情况下，打折可能会适得其反，抑制在线销量^[12]。

全球化竞争市场下，消费者往往有多个可替代的选择，企业的成功不仅取决于优质的产品，也离不开成功的竞争策略。商场如战场，知己知彼，方能百战不殆。除了了解产品自身的在线评分和折扣对消费者购买选择的影响之外，了解竞争对手的表现的影响，是制定良好竞争策略的前提。而目前关于竞争对手的研究主要集中于从企业管理角度分析影响竞争优势的因素，比如公司的人力资源、IT战略的影响^[13]。竞争对手的评分和折扣如何影响消费者的看法，并进一步影响在线销量尚未被学者检验。原因之一可能是产品的竞争者数据难以大规模获得，虽然有一些研究分析了企业的竞争优势，但是一般通过对管理者的调研来获取^[13]或是通过财务指标来衡量^[14]，却没有对特定的竞争者进行研究。本文利用Agoda网站的数据克服了这一障碍。

因此，在线评分和折扣并不总是值得信任，对在线销量的影响是促进还是抑制尚存在争论，值得进一步研究。在竞争环境下，对竞争商品的在线评分和折扣是如何影响消费者的选择，进而影响产品的销量表现，更是缺乏探讨。综上，本文的研究目标包括：第一，通过两种模型来检验在线评分和折扣对酒店在线销量的影响。与以往研究只关注其线性关系不同，本文还检验了它们的非线性影响。第二，通过将酒店竞争对手的在线评分和折扣作为调节变量，分析其对焦点酒店的在线评分和折扣与在线销量之间关系的影响。第三，将样本划分为经济型酒店和豪华型酒店，进一步检验不同星级酒店的在线评分和折扣与在线销量的关系及其差异。

二、理论基础与研究假设 (一) 在线评分对在线销量的影响

在线评分是评论者对产品或服务的综合评价，相比于商家广告在线评分为决策者提供了更值得信赖的信息, 尤其对于体验型产品的参考价值更高。许多学者探索了在线评分对消费者态度^[1]或产品销售情况^[4-15]的影响。较高的在线评分有助于决策者降低对产品的感知风险和不确定性，从而增加产品的被购买概率，带来更高的销量^{[3-4, 15]}。例如，Öĝüt等^[15]发现在线评分每提高1%，巴黎和伦敦的单间客房销量会分别提高2.68% 和2.62%。

然而，也有学者认为在线评分对消费者购买决策的影响有限^[16]。首先，与传统口碑相比，在线评分产生于虚拟的网络环境，往往只是反映评论者个人的偏好，且评论者与消费者一般互不相识，在社交网络中，属于弱关系，因此对消费者的说服力有限^[17]。其次，虚假评论的出现削弱了在线评论的可信度。由于评论的真实性难以辨认，一些企业为了打造高口碑，会通过某些手段操纵在线评论。例如，雇佣兼职人员撰写好评^[8]，或给消费者返利发布好评，甚至为防止消费者看见，串通平台将负面评论移至最末端^[18]。因而，在线点评的匿名性让消费者很难对其质量和可信度做出准确判断。

早期研究认为消费者较难识别商家人为添加的好评，因此评论仍是有说服力的^[19]。但当好评过多时，则会引起消费者的怀疑，此时对销售的积极影响则会消失甚至变为负面的^[16]。理想点模型认为消费者对商品的每一个属性都有一个理想点，品牌的属性越接近理想点，消费者越有可能选择，而属性进一步的增加反而会带来负效用。因此，当一家酒店的在线评分极高并超出消费者的预期时，可能会使消费者怀疑评论的真实性和可靠性, 产生负作用。Chakraborty^[20]的一项研究则表明，两极的在线评论会更容易被消费者信任。

因此，本文预测在线评分对酒店在线销量的影响呈倒U形。也就是说，最初评分的增加有利于酒店的在线销量增长，但当在线评分过高时，则反而会负面影响在线销量。基于此，本文假设：

H1:在线评分与酒店的在线销量之间呈倒U形关系。

(二) 在线折扣对在线销量的影响

在日常生活中，折扣是商家吸引消费者首选的促销方式，如新品上市时的早期推广、竞争中的市场份额争夺，或是对于一些易腐性商品比如生鲜食品，通过折扣清空库存。

根据参考价格理论，价格感知在消费者购买过程中起着关键作用。折扣则会改变消费者的价格感知，促销中同时显示参考价格和折扣将使产品更具吸引力^[21]。折扣让消费者感到“获利”，进而产生快乐或者冲动的情绪，增加购买概率^[2]，从而提高销售额^[5]。互联网催生的许多购物狂欢节，例如“双十一”，通过多种促销方式屡次打破销售记录。在旅游行业，康奈尔大学酒店研究中心通过分析美国酒店行业数据发现，折扣同样会对酒店在线销量产生显著正向影响^[6]。

然而，一些学者认为长期来看，折扣不能促进甚至不利于销售^{[10, 22]}。尽管折扣对促销的有效性已被许多学者证实^{[6, 21]}，但这不意味着折扣与销量一定呈线性关系。也就是说，更大的折扣不一定会导致更高的销量。折扣的潜在不利影响可能来源于两方面：

一是较大的折扣会增加客户对产品的质量感知风险^[11]。电子贸易中，消费者无法接触到实际的产品，也就无法确定产品质量，对于一些不知名的品牌更是如此。此外，许多公司利用折扣吸引对价格敏感的客户，促销残次品。因此，当商家提供折扣时，在某种程度上会被认为是质量差的标志^[10]。客户会质疑产品是否能真正满足他们的需求。频繁的促销会造成消费者对产品的感知质量下降，长此以往会损害品牌形象^[10]，对销量产生负面影响^[22]。

二是除了造成对产品质量的担忧，过大的折扣还可能引起消费者对商家的怀疑，担心是否存在欺诈陷阱^[11]。根据美国酒店与住宿协会(American Hotel & Lodging Association)的估算，每年网络诈骗从在线预订的订单中获利约40亿美元。这种安全风险会降低消费者的购买意愿。此外，毫无理由的过大折扣会使消费者怀疑其真实性，比如担心存在其他隐形消费，或只是商家通过提高原价等手段营造的促销假象。因此，当折扣超过一定的“阈值”时，可能会使消费者质疑促销的原因是酒店存在质量或安全问题，或者折扣本身是否真实。

在最近的研究中，Dan^[23]的报告指出折扣和销量之间不是简单的线性关系，当折扣超过10%时，销量会随着折扣增加而降低，这可能是因为消费者对产品的感知价值开始降低。Cao等^[12]在追踪Groupon.com上的19 978笔交易数据后，发现当折扣超过样本均值10%，会使销售额下降0.63%~4.60%。Olivares^[24]等利用保险数据发现适度的初始折扣更有利于维持长期客户关系。

与在线评分类似，本文假设在线折扣与酒店在线销量之间存在倒U形的关系。换句话说，开始折扣的增加会吸引消费者购买，从而增加销量，但当折扣太大时，可能会造成消费者对酒店的不信任，从而导致对销量的负面影响。基于此，本文假设：

H2:在线折扣与酒店的在线销量之间呈倒U形关系。

(三) 竞争者的调节作用

网络的普及拓宽了消费者获取信息的渠道，丰富了消费者的产品选择，竞争在开放的市场环境下，变得无处不在并且日趋激烈。竞争战略也被认为是企业战略的重要组成部分，而竞争者产品与本企业产品的关系则是其核心问题。Carmi等^[25]指出，一个产品的价值不仅取决于其自身特征，也被其他相关产品影响。因此，除了产品本身的好坏，竞争商品的表现同样会对当前产品或者说焦点产品的销量造成影响。

产品评分的提高会让消费者进一步区分其与竞争商品的感知质量。Keel等^[26]对实体店商品的研究中，发现货架上相邻竞争商品的折扣会影响焦点品牌的销量。Karakaya等^[27]指出折扣对酒店收入增加的影响程度，会被竞争对手的价格响应所影响。因此，许多商家除了关注自有产品的业绩，也对竞争商品动态保持密切关注。为了防止消费者对产品产生偏见，竞争环境下的商家被迫投入资源监视在线评论^[19]。更有甚者，为了取得竞争优势，雇佣兼职人员在竞争对手的页面上发布负面评论。折扣被商家认为是市场竞争中的利器，无论是以前的传统零售还是如今的新兴电商，促销战总是此起彼伏，不断上演。在酒店业，紧跟竞争对手的促销策略也是司空见惯。

参照框架理论认为个体的判断和认知不仅受到认知或心理因素的影响，而且是发生在一个恰当的参照框架下的。“框架效应”指出同一组资讯经由不同的表达会导致不同的决策选择。Blanchard等^[28]的研究发现销售人员对竞争商品的推荐会降低消费者对焦点产品的高价的感知风险，从而有利于其销售。当消费者在不同产品之间进行选择时，竞争商品则可能成为消费者的参照点从而改变其对当前产品的认知。具体而言，当前产品的评分较高或者折扣较大会吸引消费者购买，但当看到竞争商品的评分或折扣同样较高时，这种吸引力则可能下降。而当产品评分或折扣过高引发消费者对评论或者产品的不信任时，竞争商品若呈现出相似的高评分和折扣，则可能缓解消费者的这种不信任感和感知风险，从而削弱此时焦点产品过高的评分与折扣对销量的不利影响。因此，本文假设：

H3:竞争对手在线评分的提高, 将不利于焦点酒店的在线评分与其在线销量的积极作用，也会削弱评分过高时对销量的不利影响。

H4:竞争对手在线折扣的提高, 将不利于焦点酒店的在线折扣与其在线销量的积极作用，也会削弱折扣过高时对销量的不利影响。

三、研究数据与模型 (一) 数据

本文数据来自Agoda网站(https://www.agoda.com)，它是亚太地区较大的酒店在线预订平台之一。选择Agoda网站的原因有二：一是它提供了比其他网站更为丰富的信息(如折扣)，而这些信息直接关系到本文研究目标；二是Agoda网站覆盖60 000多个目的地，并拥有来自不同国家的庞大用户，同样被其他学者采用^[29]。

由于Agoda网站的酒店业务主要覆盖亚太地区，因此本文选择了其首页上的6个热门亚洲旅游城市作为样本：东京、上海、广州、成都、西安和曼谷。为避免假期等预定高峰时段的影响，数据收集于2018年11月6日至20日。Ye等^[3]认为一星级酒店的线下价格较低，较少通过在线渠道出售客房，因此本文样本选择二星级以上的酒店。每家酒店收集的信息包括：平均在线评分、价格、折扣、星级、城市、客房数量和在线评论数量、竞争酒店的价格和折扣。由于在线评分、评论数量、折扣、价格可能会因为时间而变化，因此采用数据收集期间的平均值以反映酒店上述指标的一般水平。

关于酒店竞争对手的选择，在Agoda网站上，每家酒店的主页会推荐其他相似酒店。本文获取所有推荐酒店后采用与其最相近的推荐酒店做为竞争对手，理由有三。第一，在实体店中，相似的产品通常放于同一货架上，也被学者视为焦点产品的竞争商品进行研究^[26]。而对于线上，推荐系统则扮演同样的角色，也会将与本产品相似的产品展示给消费者，这种现象被学者称为“在线竞争对手推荐”^[30]；Jabr等同样利用亚马逊的推荐系统，来识别书籍的竞争商品^[31]。第二，在Agoda网站上展示的推荐酒店，通常在地理位置、房价和总体水平上都与焦点酒店接近，从经济学视角来看，可视为焦点酒店的替代产品，具有强烈的竞争关系。第三，在酒店行业中，Mohammed等^[32]发现酒店经理往往会将地理位置相近、规模、价格、质量相似的酒店作为酒店的竞争集，而消费者在识别时同样会考虑以上因素，对于地理位置的考虑范围更广。因此，本文获取的竞争酒店不仅符合酒店管理者的识别标准，也符合消费者的识别标准。此外，由于星级反映了酒店的规模和质量，且价格是消费者选择的重要指标，本文进一步利用聚类思想从推荐酒店集中选取了与焦点酒店价格和星级最接近的酒店作为其竞争对手，从而使其更具有代表性。通过收集得到样本共计2 392家酒店及每家酒店对应的竞争酒店，其中东京566家、上海436家、广州481家、成都188家、曼谷580家、西安141家。

(二) 变量说明

本文的因变量为酒店在线销量。由于真实的在线销量数据通常无法获得，因此许多研究人员使用其他数据代替。例如，Chevalier等^[4]使用销量排名；而Ye等^[3]使用在线评论数量，他们认为只有在预定平台消费的顾客才能发布评论，也就是每笔交易只对应一条评论，并且客户在网站上各个酒店发布评论的概率是稳定的，因此在线评论的数量应与酒店在线销量成正比，使用在线评论数量衡量是合理的。基于此，使用在线评论数量衡量在线销量。

自变量为在线评分和折扣，调节变量为竞争酒店的在线评分和折扣，采用所有在线评论的平均评分，以及酒店在Agoda网站上最低价客房提供的折扣。控制变量包括价格、酒店星级、客房数量和城市的GDP排名。价格是消费者购买选择的重要考虑因素，酒店星级和客房数量则反映了酒店的社会地位和规模，另外本文样本覆盖了不同国家(中国、泰国和日本)的6个城市，城市之间的经济水平存在一定差异。参照先前研究，利用城市GDP排名衡量城市的经济水平^[3]，排名依次为东京、上海、广州、成都、曼谷和西安。因此本文与其他关于在线销量的研究一样，在回归中控制了这些因素的影响^{[3, 33]}。表 1和表 2总结了所有变量的描述性统计特征。

(三) 研究模型

与在线销量的现有研究文献一致，本文利用对数线性回归模型来检验假设，并将在线评论数量、价格和房间数量进行对数平滑处理^[3]。最后考虑到因变量的非负性，使用Tobit模型测试结果的稳健性。

模型(1)检验在线评分和折扣对在线销量的线性影响：

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_{\rm{i}}} + {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln}}({\rm{Pric}}{{\rm{e}}_i}) +\\ {\beta _4}{\rm{Sta}}{{\rm{r}}_i} + {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) + {\varepsilon _i} \end{array} $

(1)

其中NumReviews_i代表酒店i的在线评论数量，来替代酒店在线销量。AveRating_i代表酒店i所有在线评论的平均评分。Discount_i代表酒店i的最低价房间折扣。Price_i、Star_i、City_GDP_Rank_i和NumRooms_i是控制变量。

为检验在线评分和折扣对酒店在线销量的倒U形影响，将平均在线评分的平方和折扣的平方分别放入回归模型，得到模型(2)和模型(3)。

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_i} + {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln}}({\rm{Pric}}{{\rm{e}}_i}) +\\ {\beta _4}{\rm{Sta}}{{\rm{r}}_i} + {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + \;\;\;\;{\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) + {\beta _7}{({\rm{AveRatin}}{{\rm{g}}_i})^2} + {\varepsilon _i} \end{array} $

(2)

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_i} + {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln}}({\rm{Pric}}{{\rm{e}}_i}) \\+ {\beta _4}{\rm{Sta}}{{\rm{r}}_i} + {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + \;\;\;\;\;\;{\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) + {\beta _7}{({\rm{Discoun}}{{\rm{t}}_i})^2} + {\varepsilon _i} \end{array} $

(3)

进一步探讨竞争酒店的在线评分和折扣的影响，模型(4)、(5)检验竞争酒店的评分对在线评分与酒店销量关系的调节作用。模型(6)、(7)检验竞争酒店的折扣对在线折扣与酒店销量关系的调节作用。其中Competitor's AveRating_i和Competitor's Discount_i分别代表酒店i的竞争者的在线评分和折扣。

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_i} + {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln}}({\rm{Pric}}{{\rm{e}}_i}) \\+ {\beta _4}{\rm{Sta}}{{\rm{r}}_i} + {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + \;\;{\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) + {\beta _7}{\rm{Competitor's AveRatin}}{{\rm{g}}_i} \\+ {\beta _8}{\rm{AveRatin}}{{\rm{g}}_i} \times {\rm{Competitor's AveRatin}}{{\rm{g}}_i} + {\varepsilon _i} \end{array} $

(4)

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_i} + {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln}}({\rm{Pric}}{{\rm{e}}_i}) + {\beta _4}{\rm{Sta}}{{\rm{r}}_i}\\ + {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + \;\;\;{\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) \\+ {\beta _7}{\rm{Competior's AveRatin}}{{\rm{g}}_i} + {\beta _8}{\rm{AveRatin}}{{\rm{g}}_i} \times {\rm{Competitor's }}\\ \;\;\;{\rm{AveRatin}}{{\rm{g}}_i} + {\beta _9}{({\rm{AveRatin}}{{\rm{g}}_i})^2} + {\beta _{10}}{({\rm{AveRatin}}{{\rm{g}}_i})^2} \times {\rm{Competitor's AveRatin}}{{\rm{g}}_i} + {\varepsilon _i} \end{array} $

(5)

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_i} + {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln}}({\rm{Pric}}{{\rm{e}}_i}) + {\beta _4}{\rm{Sta}}{{\rm{r}}_i} \\+ {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + \;\;\;\;\;\;{\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) + {\beta _7}{\rm{Competitor's Discoun}}{{\rm{t}}_i} \\+ {\beta _8}{\rm{Discoun}}{{\rm{t}}_i} \times {\rm{Competitor's Discoun}}{{\rm{t}}_i} \end{array} $

(6)

$ \begin{array}{l} {\rm{ln}}({\rm{NumReview}}{{\rm{s}}_i}) = {\beta _0} + {\beta _1}{\rm{AveRatin}}{{\rm{g}}_i} \\+ {\beta _2}{\rm{Discoun}}{{\rm{t}}_i} + {\beta _3}{\rm{ln(Pric}}{{\rm{e}}_i}) + {\beta _4}{\rm{Sta}}{{\rm{r}}_i} + {\beta _5}{\rm{City\_GDP\_Ran}}{{\rm{k}}_i} + \\ \;\;\;\;\;{\beta _6}{\rm{ln}}({\rm{NumRoom}}{{\rm{s}}_i}) + {\beta _7}{\rm{Competior's Discoun}}{{\rm{t}}_i} + {\beta _8}{\rm{Discoun}}{{\rm{t}}_i} \times {\rm{Competitor's Discoun}}{{\rm{t}}_i}\\ \;\;\;\;\; + {\beta _9}{({\rm{Discoun}}{{\rm{t}}_i})^2} + {\beta _{10}}{({\rm{Discoun}}{{\rm{t}}_i})^2} \times {\rm{Competitor's Discoun}}{{\rm{t}}_i} + {\varepsilon _i} \end{array} $

(7)

四、结果和讨论

为了减少多重共线性，将模型(2)、(4)、(5)的在线评分和模型(3)、(6)、(7)的折扣进行中心化处理，所有模型结果的方差膨胀因子(VIF)均远低于10，说明不存在明显的多重共线性问题。模型(1)、(2)、(3)的回归结果如表 3所示，在线评分和折扣均会影响酒店在线销量。模型(2)中在线评分的平方项系数显著为负(β=-0.18，p < 0.001)，说明评分对在线销量具有倒U形效应，当评分增加到9.19时，在线销量最高，见图 1(a)。而模型(3)中在线折扣平方项的系数显著为负(β=-3.89，p < 0.001)，说明在线折扣与在线销量同样呈倒U形关系，图 1(b)则表明最佳的折扣点为46.77%。因此，假设H1、H2得到支持。

表 4列举了假设H3和H4的检验结果。竞争商品在线评分及其二次项的交互项被分别引入至模型(4)和模型(5)；竞争商品折扣及其二次项的交互项被分别引入至模型(6)和模型(7)。根据Haans等^[34]的研究，对倒U形曲线的调节会表现为曲线的移动和形状变化(更平缓或是更陡峭)两种影响，调节变量与自变量的一次交互项显著时，会发生拐点的左右移动；而调节变量与自变量的二次交互项显著时，则会改变曲线的形状，均显著时则两者都会发生改变。表 4的结果显示：第一，模型(4)中，竞争商品的在线评分与焦点酒店的在线评分的一次交互项显著为负(β=-0.05，p < 0.05)，且R²增加显著(ΔF=4.14，p < 0.05)；而模型(5)中，与焦点酒店的在线评分的二次项的交互项显著为负(β=-0.03，p < 0.01)，说明竞争酒店的在线评分对酒店在线评分与销量之间的倒U形关系具有调节作用。一次交互项显著为负时，会使曲线的拐点左移，从而减小了酒店在线评分与销量的正相关区间，造成消极作用；而二次交互项显著为负，则会使曲线的形状变得陡峭，下降更快。也就是说，当竞争酒店的在线评分较高时，酒店在线评分前期对销量的积极效果会减弱，酒店评分过高时对销量的负向作用也会更强。说明竞争商品评分的增加，对酒店评分与产品销量的作用总是不利的，假设H3得到部分支持。第二，模型(6)中，竞争者的折扣与焦点酒店的折扣一次交互项显著为负(β=-1.11，p < 0.05)，且R²增加显著(ΔF=5.39，p < 0.05)；而模型(7)中，竞争者的折扣与焦点酒店的折扣二次项交互项不显著，说明曲线的拐点向左移动，而形状不发生改变。也就是说，当竞争酒店折扣较大时，焦点酒店折扣与销量的正相关区间减小，从而负面影响焦点酒店折扣前期对在线销量的积极作用，但并不影响焦点酒店折扣过高时对销量的负向影响，假设H4得到部分支持。

此外，本文进一步将样本中的2~3星级酒店划分为经济型酒店，4~5星级酒店划分为豪华型酒店，分析不同星级酒店在线评分、折扣与在线销量之间的倒U形关系是否存在差异。从表 5中可以看出，豪华型酒店的平均评分高于经济型酒店，而折扣的分布情况则类似。

从表 6中可以看出，在线评分和折扣的平方项的所有系数均显著为负值(p < 0.01)，说明无论是经济型还是豪华型酒店，评分和折扣增加到一定程度以后，酒店在线销量并不会随之增加。这可能是因为消费者开始质疑评论信息的真实性和酒店的质量。经济型酒店的最佳评分点是9.37，而豪华型酒店是8.62。这意味着与豪华型酒店相比，高评分更有利于经济型酒店的销量增长，当评分超过9.37后，才会引发消费者对评论的不信任。折扣的结果则与之相反，经济型酒店的最佳折扣点为45.57%，豪华型酒店为56.1%，说明消费者对豪华型酒店的折扣期望更高，当其超过56.1%时，才开始对商品的质量和折扣的真实性、交易的风险产生怀疑。这可能是由于人们对经济型酒店的期望较低，更容易满意，所以经济型酒店取得的高评分也更容易被信任。而豪华型酒店通常价格更高，打折力度大也更容易被消费者接受。

由于本文的因变量在线销量是非负值，因此利用Tobit模型对研究结果进行进一步稳健性检验。表 7为回归结果，与表 3中的结果一致，进一步支持了本文的假设。

五、结论与建议

本文利用爬虫程序获取了2 392家酒店及其竞争者的相关数据，从与以往研究不同的新视角分析了在线评分和价格折扣对在线销量的非线性关系，以及竞争酒店的在线评分和折扣的调节作用，并控制了诸如价格、星级等其他因素。此外，本文将样本分为经济型酒店和豪华型酒店，检验了不同档次酒店倒U形效应的差异。最后利用Tobit模型来测试结果的稳健性。研究结果扩展了以往关于电子口碑和折扣作用的研究，有助于更好地了解在线环境中的消费者行为。得出的结论和建议如下：

第一，虽然最初评分的提高有助于促进在线销量，但在缺乏信息来源的情况下，当评分过高时其可信度也开始降低，在线销量反而随之下降。因此比起一味追求高评分，管理者更应考虑如何在不损害消费者对在线评论的信任的情况下提高评分。对于酒店方，一方面应致力于提高入住体验，建立良好口碑，积极对负面评论做出回应，并将消费者反映的问题落实改善；另一方面应采取一些措施提高评论的质量和可信度，比如通过优惠券、会员积分等方式，鼓励消费者撰写更为具体和完整的正面评价。此外，还可以与相关领域知名博主合作，将其体验置于首页或其他宣传平台，增加评论的专业性以及来源的丰富性，从而增强说服力。对于平台而言，建立一系列机制打击虚假评论可以从根本上提高消费者对在线评论的信心，并帮助平台保持健康的交易环境。比如通过技术手段来检测虚假评论(如完全重复的长评论)，增加评论有用性和无用性的投票操作，适当披露评论者的信息(如旅游经验和专业程度)，从而帮助消费者评估在线评论的真实性。

第二，折扣对在线销量同样呈现倒U形影响，当折扣过高时，如本文的数据中，有些酒店提供的折扣甚至超过80%，此时消费者可能会质疑折扣的真实性或者酒店的质量而不愿购买，从而导致销量降低。盲目哄抬原价以增加折扣的做法将降低消费者对产品质量与商家的信任感。因此对于酒店方，首先，在选择合作伙伴时应考虑平台的声誉，以增强消费者对交易安全的信心。其次，当折扣过大时，应提供一些如周年庆典、限时折扣等的合理理由，可能会让消费者更容易信服。对于平台而言，可以展示酒店的长期价格趋势，帮助消费者判断折扣的真实性；可以增加除星级外的其他标识如经营资质认证，来增强消费者对其的信任；建立完善的客户服务系统和预订流程，解答消费者在预订过程中的疑问，增强消费者的购买信心。

第三，除了对产品自身的关注以外，商家同样需要对竞争对手的动态保持密切关注，并学会善于利用竞争商品进行更好的营销活动。竞争产品的在线评分较低时，对焦点酒店的评分对销量的前期促进作用和过高时的负面影响均有益处。因此，企业可在营销平台比如自身酒店官网，展示评分低于自身产品的竞争商品，来突出自身产品的优势。而虽然折扣前期的提高有利于打压竞争对手，但当竞争双方均提供过高的折扣时，并不能减少消费者对折扣的不信任感，反而会损失销售利润，恶性竞争只会两败俱伤。因此，与对手合作共赢可能是更好的策略，酒店可尝试与竞争者建立友谊，增强协作和信息交换机制，将折扣维持在一个合理的范围，比如市场平均水平，从而保证酒店收益，实现“正和博弈”。

第四，经济型酒店的在线评分与在线销量的正相关区间更大，这意味着经济型酒店更受益于高的在线评分。因此，应该比豪华型酒店投入更多的资源提高在线评分。而折扣的情况则相反，豪华型酒店的最佳折扣点高于经济型酒店。也就是说，与经济型酒店相比，豪华型酒店利用折扣提升销量的发挥空间更大，当折扣力度较大时仍然能让消费者信任并吸引其购买。因此，经济型酒店更应投入于建立消费者对产品质量的信任，而豪华型酒店可以更好地利用折扣来促进销售。