在线评论对酒店订满率的影响研究

高宝俊 孙含琳 王寒凝

[摘要]随着Web 2.0的广泛应用，在线评论对酒店销售产生了重大影响。由于无法获取确切的在线销售数据，已有的研究用在线评论量来替代，但其并不能有效地衡量酒店的在线销售量。因此，文章引入订满率，从TripAdvisor.com上采集酒店数据，研究消费者推荐比率和酒店位置评分等在线评论因素对不同档次酒店订满率的影响。结果表明：（1）订满率比在线评论量更能反映酒店的销售情况；（2）消费者推荐比率对豪华型酒店的订满率有正面影响，但对经济型酒店无显著影响；（3）消费者对酒店位置的评分对所有酒店的订满率都有显著的正面影响。

[关键词]订满率；酒店档次；在线评论；消费者推荐比率；酒店位置评分

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2016）04-0109-09

Doi： 10.3969/j.issn.1002-5006.2016.04.017

引言

随着Web 2.0时代的到来，新兴的网络技术大幅度地提高了沟通的效率，越来越多的行业管理者选择互联网作为新的销售渠道[1]。而旅游行业就是最先发展网络营销并取得成功的行业之一，研究表明，旅游产品的在线销售量仍然保持增长态势[2]。

随着第三方旅游点评网站的迅速发展和普及，在线评论已成为消费者获取信息的重要来源，并对消费者的购买行为产生了重大影响，同时也为研究者提供了更全面的数据。然而，酒店的销售数据一般是不公开的，研究者无法通过网络渠道获取酒店的销售量或入住率等确切数据。所以，大多数关于在线评论对酒店销售的影响研究，用总评论量来代替酒店的总销售量[3-4]，或者用平均评论量来代替酒店的平均销售量[5]。然而，并非所有在网上预订酒店的消费者都会发表评论，在线评论量和酒店销售量之间的关系是非线性的。研究表明，消费者更倾向于为那些较冷门的、评论量较少的产品或者非常受欢迎的、评论量很多的产品发表评论[6]。因此，在线评论量并不能有效地衡量酒店的在线销售量。

在互联网普及之前，研究者通常用平均入住率来衡量酒店销售量[7]。但这些离线数据是由相关机构或酒店提供的，通常数据量较小并且缺乏消费者的反馈。TripAdvisor.com提供的数据可以反映酒店每天的预订情况。因此，本文引入酒店订满率作为被解释变量来衡量酒店的销售情况。

此前的研究都用消费者评分代表酒店的电子口碑[3-5]。但消费者评分并不能说明消费者满意与否。只有酒店的各方面都达到了消费者的心理预期并充分满足了需求，消费者才会推荐该酒店。因此，本文采用了消费者推荐比率，这不仅消除了消费者评分标准不统一所造成的偏差，而且更直观地反映了消费者的满意程度和酒店的受欢迎程度。

已有研究常用调查分析等方法来确定位置在消费者购买决策中的重要性。但位置是一个客观变量，很难用数据来度量。而最新的研究则采用了“谷歌地图”的相关技术来确定酒店的物理位置和相关属性[8]，忽视了不同消费者对酒店位置的不同需求。本文采用了消费者对酒店位置的评分，这不仅合理地量化了酒店位置，而且客观地反映了消费者的意见。

此外，按照酒店星级，将酒店分为豪华型酒店和经济型酒店，研究了消费者推荐比率和酒店位置评分等在线评论因素对不同档次酒店订满率的影响。通过本文的分析，管理者能根据消费者的需求调整酒店的销售策略，从而增加酒店销售量。

1文献综述

消费者通常会听取他人的建议做出购买决定，这种非正式沟通就是口碑。传统意义上的口碑只能通过口头交流，局限在一定的社交网络内。而在线评论作为一种电子口碑完全突破了时间和空间的限制，任何用户都可以通过互联网发表评论和浏览他人的评论[1]。因此，它不仅可以促进消费者之间的交流，而且有助于培养品牌忠诚度[9]。研究表明，26%的互联网用户写过在线评论，而61%的用户认为在线评论是有价值并且可信的[10]。

目前，已有大量研究者关注了在线评论对销售的影响。如亚马逊的在线评论对图书销售量具有显著影响，负面评论产生的负面影响要大于正面评论产生的正面影响[11]。此外，也有研究者分析了大众点评的在线评论，发现在线评论的评分、数量以及负面评论率对餐馆产品的在线销售量有显著影响，而且产品的价格越高，消费者评分对销售量的作用越大[12]。而Clemons等[13]指出，消费者评分的波动比消费者评分对在线销售量有更显著的影响，而在线评论量对销售没有影响。Hu等[14]同时考虑了在线评论的定量和定性两个方面，发现消费者能判断有利信息和不利信息之间的价值差异并及时做出相应的决策，所以企业在产品发布后的一段时间内不必激励消费者写评论。在线评论的主要作用是扩大产品的知名度，其说服消费者购买的作用并不明显[15]。

随着旅游网站的快速发展和盛行，消费者可以通过网络渠道来获取丰富的酒店信息，并与其他消费者分享心得体会。每年数以万计的游客都会访问酒店点评网站。研究表明，相比旅行社提供的信息，在线评论能更加客观地反映最新的、可靠的、有价值的信息[16]。研究发现，大约34.7%的在线支付都与旅游有关[17]，而且超过74%的旅行者会参考其他消费者的评价[16]。Milan[18]发现，84%的消费者在网上预订酒店时会受到在线评论的影响，因为他们认为在线评论比酒店提供的信息更有说服力。此外，在线评论每年会影响100亿美元的在线旅行购买决策[6]。

Ye等[3]发现在线评论对酒店销售具有显著的正面影响。另有研究表明，消费者评分对酒店销售和酒店价格都有显著的正面影响，而高星级酒店的价格对消费者评分更加敏感[5]。Spark和Browning[19]指出，积极的在线评论会增加酒店销售量，但是消极的在线评论更易影响消费者的购买决策。此外，还有研究指出在线评论既会影响销售量，也会受到销售量的影响，如果忽略了内生性，就会过高地估计在线评论对销售量的影响[20]。

综上所述，关于在线评论的研究主要集中于3个方面：在线评论的重要性，在线评论对消费者购买的影响，以及在线评论和产品销售之间的关系。且在线评论对酒店业的影响尤为显著。

2研究方法

2.1研究假设与模型框架

消费者偏好购买热门的产品，因为他们普遍认为跟随大众潮流能一定程度上规避风险[21]。而有关羊群效应的研究也表明，在信息不充分时，消费者容易受大众影响，而忽视小众的信息[22]。

积极的在线评论能使网站更受欢迎，而一个拥有大量的在线评论的网站能吸引更多的访问者[23]。庞璐和李君轶[24]将在线评论细分为消费者评论和编辑评论，结果发现消费者评论对增加网页浏览量具有更显著的作用。在线评论也可以降低消费者的认知负荷，从而促进在线销售[25]。此外，积极评论和消极评论会同时出现在一个在线平台，世界各地的消费者都可以通过互联网访问大量的在线评论[26]。

酒店业的营销人员非常重视对在线消费者交互关系的管理，因为酒店业的产品是无形产品，消费者在消费之前无法评估产品价值，却可以参考其他消费者的意见[27]。因此，强大的在线人际影响力可以为酒店提供显著的在线竞争优势。酒店的口碑往往是影响消费者购买决策的重要因素[28]。在线评分系统和在线推荐系统已经成为可靠的营销手段，能有效地赢得消费者的信任并促进网络市场的需求[29]。

现有文献采用消费者评分衡量酒店口碑[3]，但消费者推荐比率更能反映酒店口碑。由于不同消费者的评分准则不同，一个给了高评分的消费者不一定会推荐这个酒店。酒店必须真正达到消费者的预期并满足其需求，才可能被消费者推荐。如果消费者并不十分满意，他们也可能给一个较高的评分，但是不太可能推荐这个酒店。总之，消费者推荐与否更直观地表明了消费者对酒店的满意与否，比消费者评分更能反映酒店的电子口碑。因此，本文采用消费者推荐比率作为解释变量来表示酒店口碑，并提出如下假设：

H1：消费者推荐比率对酒店销售有正面影响

消费者推荐比率对酒店订满率的影响力取决于该酒店的星级档次。高星级酒店的价格通常高于低星级酒店，比起那些价格敏感（比起质量，更看重价格）的消费者，高星级酒店更注重提高那些质量敏感（比起价格，更关心质量）的消费者的满意度[5]。此外，最新的研究也表明，对比中低档酒店，消费者评分对高档酒店的销售量有更加显著的正面影响[30]。因此，提出如下假设：

H2：酒店档次会减弱消费者推荐比率对酒店销售的影响；相比经济型酒店，消费者推荐比率对豪华型酒店的销售有更显著的正面影响

一个成功的酒店投资，不仅应该重视对现阶段价值的评估，而且需要考虑合理的酒店位置所带来的长远利益。无论酒店的服务设施多么到位，营销策略多么完善，酒店的销售量还是会很大程度上受到酒店位置的影响。研究发现，酒店位置对消费者购买决策有显著影响[31]，而消费者对酒店周边环境的评价也会显著影响酒店的在线销售[32]。

但是，一个酒店位置的优劣是难以衡量的。Ghose等[33]通过微软的虚拟地球互动软件包取得酒店附近的信息，确定了周围是否有商店、公共交通、沙滩、高速公路等重要因素，以此衡量酒店位置的优劣。此外，最新的研究采用了“谷歌地图”的技术来测量消费者和酒店之间的空间距离[9]。但这些研究仅仅从酒店的角度评估了酒店的地理位置，却忽视了消费者的因素。不同消费者对酒店位置有不同的需求，有的消费者会考虑周围的繁华程度和交通便利程度，而有的消费者可能更注重安全性和隐私性。而本文则采用了在线消费者对酒店位置的评分。虽然这些评分是消费者的主观意见，但是具体地表现出了其对酒店位置的满意程度。因此，消费者对酒店位置的平均评分能较直观地反映大多数消费者的偏好以及酒店位置的优劣。

消费者对酒店位置的评分是1～5分。本文用平均位置评分来衡量消费者对酒店位置的偏好，并提出如下假设：

H3：酒店位置评分对酒店销售有正面影响

根据以上假设，提出本文理论框架（图1）。

2.2控制变量

除了上述变量之外，本文还选择了酒店档次、酒店价格和房间数作为控制变量。

大约50%的消费者认为酒店星级是首要考虑因素[34]。酒店星级不仅可以帮消费者预估对该酒店的期望价值，而且能降低预订酒店的风险。在同一个地区，高星级酒店通常比低星级酒店更昂贵[35]。在不同档次的酒店中，消费者会有不同档次的体验[36]。因此，消费者会根据个人需求做出购买决策，可能选择相对奢侈但高质量的高星级酒店，也可能接受相对廉价但质量一般的低星级酒店。此外，最新研究表明，酒店星级会减弱酒店价格对消费者服务质量感知的影响[37]。因此，本文按照酒店星级将酒店大致分成了两个档次：（1）星级大于等于4的酒店为豪华型酒店；（2）星级小于4的酒店为经济型酒店。本文引入了酒店档次作为模型的分类变量：“1”表示豪华型酒店，“0”表示经济型酒店。

酒店价格会显著影响消费者的购买决策[38]。相比酒店的服务质量，酒店价格更加具有可比性。消费者在消费前只能从酒店或者其他消费者处获取酒店质量的相关信息，但却可以直接获取及时准确的价格信息。所以，尽管电子商务的普及为消费者提供了更便捷的服务和资讯，但消费者在购买时还是会充分考虑价格因素。因此，本文把酒店的平均价格作为一个控制变量。此外，最新研究表明，采用单一定价策略的酒店更加受到消费者的青睐[39]。因此，价格波动也会影响酒店销售量。而酒店的房间数就代表了酒店规模，也作为一个控制变量。表1是对本文所使用的变量的描述。

3实验数据

本文的数据来自TripAdvisor.com（www. tripadvisor.com）。网站的信息质量和口碑是影响消费者持续使用在线旅游网站的关键因素[40]。而TripAdvisor.com是全球最大最受欢迎的旅游社区之一，也是全球第一的旅游评论网站。TripAdvisor. com的每月访问量已经达到3.4亿人，同时拥有超过800万的注册会员以及2亿条评论。旅行者的真实评论是TripAdvisor.com最大的特点，这也是本文选择该网站的重要原因。

目前，TripAdvisor.com已成为一个大型的在线数据库，为用户提供及时可靠的全球旅游信息、客观的酒店评论、全面的酒店预订服务等。在TripAdvisor.com上，游客不仅可以在消费前获取酒店信息，而且可以在消费后留下个人评论，而这些在线评论又能给酒店和其他消费者提供参考意见。为了在短时间内做出最好的购买决策，消费者往往会参考他人的意见和建议[41]。TripAdvisor.com能使酒店产生巨大变化，因为酒店能通过该网站了解消费者的不满和诉求从而及时做出改进[42]。

从2013年9月16日至12月15日，笔者采集了736家伦敦酒店的日常数据。

4结果分析

4.1酒店销售的度量：订满率vs评论量

电子商务的飞速发展为酒店提供了越来越多的分销渠道，比如在线旅行社或者第三方网站。如果一个网站能保证其提供的酒店价格是全网最低价，那么该网站必定会吸引更多的顾客来浏览网页或者预订酒店。而TripAdvisor.com上有大量知名的酒店预订网站的链接，会自动比较这些网站所提供的每个酒店的价格并显示最低价格。因此，通过TripAdvisor.com，酒店消费者就无需进行繁琐的比价，而直接可以获知最优价格。但是，如果其他网站都不提供酒店价格，那么TripAdvisor.com也不会提供价格。因此，本文假设如果TripAdvisor.com不提供某酒店的价格，那么整个网络上都没有该酒店的价格信息，即该酒店已订满。本文引入订满率作为被解释变量，衡量酒店供不应求的概率。

当采集酒店价格时，有时会显示“No availability for your dates from these sites”，表示互联网上找不到该酒店的价格信息，即该酒店已订满。于是，本文将每个酒店已订满的天数作为分子，采集数据的总天数作为分母，并乘以100，即得到酒店订满率。因此，订满率作为本文的被解释变量，是限制在0～100的数值。

已有酒店业相关研究，通常用总评论量（NR）代替总销售量[3-4]，用平均评论量（NR Per Room）代替平均销售量[5]。由于采用的订满率是一个相对值，因此本文选了平均评论量（NR Per Room）作为对照。而已有研究通常选取平均价格（AVGPrice）、消费者平均评分（AVGRating）、消费者评分的波动（VARRating）、酒店星级（StarClass）、酒店排名（Rank）等作为解释变量来进行简单的线性回归。因此，本文分别用平均评论量（NR Per Room）和订满率（Fully-booked Rate）代替酒店销售量（Sales），对式（1）进行回归。

其回归结果如表2、表3所示。表2的回归结果基本符合已有的研究[5]，表3的回归结果也基本符合理论，但是表2的调整R2（0.0309）远远小于表3的调整R2（0.3210）。因此，订满率比平均评论量更能反映酒店的销售情况。

4.2模型与结果

综上所述，本文将订满率作为被解释变量，酒店档次（hotel grade）作为分类变量，消费者推荐比率（PCRec）、位置评分（AVGLocation）作为主要的解释变量，平均价格（AVGPrice）、价格波动（VCPrice）、房间数（NumRooms）作为控制变量。

整体样本的回归结果如表4所示。

该模型具有极高的似然比（p =0.0000），调整R2是0.4329。

表5显示PCRec（p=0.8093）不显著，这就否定了H1，即不是所有酒店的订满率都会受到消费者推荐比率的影响。而PCRec×Hotel Grade（p=0.0001）对订满率有显著的正面影响，即验证了H2。该结果表明，消费者推荐比率对经济型酒店的订满率没有显著影响，对豪华型酒店的订满率有显著的正面影响。因此，电子口碑对经济型酒店销售量的作用并不明显。而豪华型酒店则可以采取相应措施，来提升消费者的满意度和酒店的电子口碑，从而扩大消费者需求。

AVGLocation（p=0.0000）对订满率有显著的正面影响，而AVGLocation×Hotel Grade（p=0.4086）不显著。该结果表明，酒店位置对豪华型酒店的订满率和经济型酒店的订满率都有显著的正面影响，即验证了H3。因此，无论是豪华型酒店还是经济型酒店，只要有一个受欢迎的位置，就能吸引顾客。

ln（AVGPrice）（p=0.0000）和ln（AVGPrice）×Hotel Grade（p=0.0003）都对订满率有显著的负面影响。因此，酒店都可以采取降价的方式来提高订满率，而豪华型酒店会比经济型酒店取得更显著的效果。ln（NumRooms）（p=0.0278）和ln（NumRooms）×Hotel Grade（p=0.0000）都对订满率有显著的负面影响，这也符合常理。

VCPrice（p=0.0003）对经济型酒店的订满率有负面影响（-0.4661），而对豪华型酒店的订满率有正面影响（0.6666～0.4661）。其原因包括经济型酒店的价格是相对较低的，降价的空间很小，很难通过降价来获取额外的收益。因此，经济型酒店只要保持稳定的低价就能保证利润。相反，豪华型酒店的价格相对较高，有较大的降价空间，为了最大化利润，豪华型酒店会采取动态的定价策略，根据市场来调整酒店价格。因此，豪华型酒店的价格波动反而可以促进酒店销售，即豪华型酒店的价格波动对其订满率有正面影响。

综上所述，为了提高酒店的订满率，豪华型酒店可以制定灵活的降价策略并且鼓励消费者推荐，而经济型酒店则应保持较稳定的低价。豪华型酒店可以通过不同方式提高消费者推荐比率：一方面，可以提高自身的服务设施质量；另一方面，也可以推出返还现金或者赠送优惠券等营销活动。

5总结

5.1本文的局限性和未来研究方向

本文在已有研究的基础上，做了一定的突破和改进，虽然存在一定的局限性，但这也为未来的研究提供了方向：

首先，由于缺少具体的销售数据，已有的研究都采用在线评论量来代替销售量。但是，研究表明评论量和销售量的关系并不是线性的，而是呈现“U”形的。因此，本文引入了订满率作为被解释变量，并且证明其比评论量更能反映酒店的销售量。如果研究者可以通过酒店或者相关机构来获取每天的订房量或者入住率等确切的销售数据，未来的研究就能考虑更加一般的情况，因为订房量或入住率能更加准确地反映酒店的销售情况，得到确切的销售数据就能更好地研究在线评论对销售量的影响。

其次，已有研究用消费者在线评分代表酒店的电子口碑。消费者在线评分在同级别的酒店竞争中能起重大作用，但并不能客观地说明消费者是否满意，因为消费者不同的评分标准会很大程度上影响评分的高低。因此，本文引入了消费者推荐比率，这就从一定程度上消除了消费者性格、价值观的不同所造成的评分标准不统一的问题。但是，究竟哪些因素会影响消费者的推荐决定，本文并未给出答案。而在线评论的文字信息则能反映具体的消费者诉求。因此，未来的研究可以考虑用文本挖掘和文本分析的方法获取更加全面的信息。

再次，已有的研究常用调查分析等方法来确定酒店位置在消费者购买决策中的重要性。但是，位置很难用数据来衡量。虽有研究者用“谷歌地图”的相关技术确定酒店的位置属性，却忽视了不同消费者对酒店位置的不同需求。因此，本文采用了消费者对酒店位置的评分。尽管这些评分具有一定的主观性，但是能有效地反映消费者对酒店位置的评价。而本文采用的每个酒店位置评分的平均值，也能代表消费者的普遍偏好。

此外，在酒店属性中，本文仅研究了对酒店最重要的位置属性。而事实上，为了吸引更多的消费者，酒店推出了各种特色设施和服务，比如商务中心、健身中心、酒吧、休息室、免费WiFi、免费早餐、餐厅、游泳池等。研究者可以把这些变量当作解释变量，也可以根据这些特征对酒店进行分类，未来的研究可以变得更加完善和丰富。

最后，本文的模型可以多考虑一些与消费者相关的因素。未来的研究可以多关注消费者的职业、性别、住址、评论等级等特征，从而区别不同类型的消费者对酒店的需求。这也能使酒店管理者更了解消费者，为不同需求的消费者提供不同的服务。

5.2管理启示

首先，酒店价格对经济型酒店和豪华型酒店都有显著影响。对于经济型酒店，由于基本定价偏低，即使进一步降价，其幅度也是有限的，对销售量的影响较小。因此，该类型酒店的管理者应当采取稳定的低价策略，保持一定的价格优势且不盲目地降价。对于豪华型酒店，可以推出灵活适度的打折活动。该类型酒店的管理者应该采用积极的价格策略，灵活合理的价格变动能有效地促进其销售量。

其次，本文的研究表明消费者推荐比率对经济型酒店的销售量无显著影响。因为经济型酒店的消费者是高度价格敏感者，酒店价格比其他消费者的建议更容易影响潜在消费者的购买决策。因此，该类型酒店的管理者在试图提高在线消费者对酒店的认可度和满意度时，要充分考虑这些举措所能带来的实际经济效益，电子口碑对其在线销售量的影响可能并不能达到管理者的预期。而豪华型酒店的管理者则应该重视消费者的反馈意见，充分利用网络平台来提高消费者推荐比率，从而促进酒店的声誉和知名度。此外，如果能充分发挥电子口碑的作用，豪华型酒店的管理者就可以用更少的投入获取更显著的回报。这对酒店的长远发展也具有十分重要的战略意义。

参考文献（References）

[1]Osenton T. Customer Share Marketing： How the World？s Great Marketers Unlock Profits from Customer Loyalty[M].London： FT Press， 2002： 27.

[2]Amaro S， Duarte P. An integrative model of consumersintentions to purchase travel online[J]. Tourism Management， 2015， 46： 64-79.

[3]Ye Q， Law R， Gu B. The impact of online user reviews on hotel room sales[J]. International Journal of Hospitality Management， 2009， 28（1）： 180-182.

[4]Ye Q， Law R， Gu B， et al. The influence of user- generated content on traveler behavior： An empirical investigation on the effects of e- word- of- mouth to hotel online bookings[J]. Computers in Human Behavior， 2011， 27（2）： 634-639.

[5]？？üt H， OnurTa？B K. The influence of internet customer reviews on the online sales and prices in hotel industry[J]. The Service Industries Journal， 2012， 32（2）： 197-214.

[6]Dellarocas C， Gao G， Narayan R. Are consumers more likely to contribute online reviews for hit or niche products？[J]. Journal of Management Information Systems， 2010， 27（2）： 127-158.

[7]Jeffrey D. Trends and fluctuations in visitor flows to Yorkshire and Humberside hotels： An analysis of daily bed occupancy rates， 1982–1984[J]. Regional Studies， 1985， 19（6）： 509-522.

[8]Huang N， Hong Y， Burtch G. The nature and effects of distance bias in consumer evaluation[J]. Available at SSRN 2514962， 2014.

[9]McWilliamG.Buildingstrongerbrandsthroughonline communities[J]. Sloan Management Review， 2012， 41（3）：327-384.

[10]Amblee N， Bui T. Can brand reputation improve the odds of being reviewed on-line？[J].International Journal of Electronic Commerce， 2008， 12（3）： 11-28.

[11]Chevalier J A， Mayzlin D. The effect of word of mouth on sales： Online book reviews[J]. Journal of Marketing Research， 2006， 43（3）： 345-354.

[12]Lu Xianghua， Feng Yue.The value of onlineword-of-mouth： An empiricalstudybasedononlinerestaurantreviews[J]. Management World， 2009， （7）： 126-132. [卢向华，冯越.网络口碑的价值——基于在线餐馆点评的实证研究[J].管理世界， 2009，（7）： 126-132.]

[13]Clemons E K， Gao G G， Hitt L M. When online reviews meet hyperdifferentiation： A study of the craft beer industry[J]. Journal of Management Information Systems， 2006， 23（2）： 149-171.

[14]Hu N， Liu L， Zhang J J. Do online reviews affect product sales？ The role of reviewer characteristics and temporal effects[J]. Information Technology and Management， 2008， 9（3）： 201-214.

[15]Gong Shiyang， Liu Xia， Liu Yang， et al. Does online word-ofmouth determine products fate： An empirical analysis of online book reviews[J]. Nankai Business Review， 2012， （4）： 118-128.[龚诗阳，刘霞，刘洋，等.网络口碑决定产品命运吗——对线上图书评论的实证分析[J].南开管理评论， 2012，（4）： 118-128.]

[16]Gretzel U， Yoo K H. Use and impact of online travel reviews[J]. Information and Communication Technologies in Tourism， 2008， 3（2）： 35-46.

[17]Forrester Research. The state of retailing online 2006： The 9th annual shop.org study[EB/OL]. http：//www.clickz.com/3611181， 2006-06-27.

[18]Milan R. Travel reviews- consumers are changing your brand and reputation online[EB/OL]. http：//www.travelindustrywire. com/article29359，2014-9-25.

[19]Sparks B A， Browning V. The impact of online reviews on hotel bookingintentionsandperceptionoftrust[J].Tourism Management， 2011， 32（6）： 1310-1323.

[20]Duan W， Gu B， Whinston A B. Do online reviews matter？An empirical investigation of panel data[J]. Decision Support Systems， 2008， 45（4）： 1007-1016.

[21]DeSarbo W S， Kim J， Choi S C， et al. A gravity- based multidimensional scaling model for deriving spatial structures underlying consumer preference/choice judgments[J]. Journal of Consumer Research， 2002， 29（1）： 91-100.

[22]Bikhchandani S， Hirshleifer D， Welch I. A theory of fads， fashion， custom， and cultural change as informational cascades[J]. Journal of Political Economy， 1992， 2（1）：992-1026.

[23]Zhang Z， Ye Q， Law R， et al. The impact of e-word-of-mouth on the online popularity of restaurants： A comparison of consumer reviewsandeditorreviews[J].InternationalJournalof Hospitality Management， 2010， 29（4）： 694-700.

[24]Pang Lu， Li Junyi. The impact of electronic word-of-mouth on the online page view of restaurants[J]. Tourism Tribune， 2014， 29（1）： 111-118. [庞璐，李君轶.电子口碑对餐厅在线浏览量影响研究[J].旅游学刊， 2014， 29（1）： 111-118.]

[25]Ghose A， Ipeirotis P. Towards an understanding of the impact of customer sentiment on product sales and review quality[J]. Information Technology and Systems， 2006， （12）：1-6.

[26]Chatterjee P. Online reviews： Do consumers use them？[J]. Advances in Consumer Research， 2001，28（1）：129-134.

[27]Lewis R C， Chambers R E. Marketing Leadership in Hospitality： Foundations and Practices[M]. New York：John Wiley and Sons，1999：28-33.

[28]Barsky J， Nash L. Word of mouth should be top-of-mind for hotel operators[J]. Hotel & Motel Management， 2007， 222（6）： 8.

[29]Dellarocas C. The digitization of word of mouth： Promise and challenges of online feedback mechanisms[J]. Management Science， 2003， 49（10）： 1407-1424.

[30]Blal I， Sturman M C. The differential effects of the quality and quantity of online reviews on hotel room sales[J]. Cornell Hospitality Quarterly， 2014， 55（4）： 365-375.

[31]Callan R J， Kyndt G. Business travellersperception of service quality： A prefatory study of two European city centrehotels[J]. International Journal of Tourism Research， 2001， 3（4）： 313-323.

[32]Zhang Meng， Zhang Guangyu， Ye Zuoliang. Exploring the impact of online information on hotel e-bookings： Based on the analysis of the data from Ctrip[J]. Tourism Tribune， 2011， 26（7）： 79-84. [张梦，张广宇，叶作亮.在线信息对酒店网上预订的影响研究——基于携程网酒店在线预订数据的分析[J].旅游学刊， 2011， 26（7）： 79-84.]

[33]Ghose A， Ipeirotis P G， Li B. Designing ranking systems for hotels on travel search engines by mining user-generated and crowd sourced content[J]. Marketing Science， 2012， 31（3）： 493-520.

[34]Callan R J. Attributional analysis of customers hotel selection criteria by UK grading scheme categories[J]. Journal of Travel Research， 1998， 36（3）： 20-34.

[35]Guillet B D， Law R. Analyzing hotel star ratings on third-party distribution websites[J]. International Journal of Contemporary Hospitality Management， 2010， 22（6）： 797-813.

[36]Pine R， Phillips P. Performance comparisons of hotels in China[J]. International Journal of Hospitality Management， 2005， 24（1）： 57-73.

[37]Ye Q， Li H， Wang Z， et al. The influence of hotel price on perceived service quality and value in e-tourism： An empirical investigation based on online traveler reviews[J]. Journal of Hospitality & Tourism Research， 2014， 38（1）： 23-39.

[38]Qu H， Xu P， Tan A. A simultaneous equations model of the hotel room supply and demand in Hong Kong[J]. International Journal of Hospitality Management， 2002， 21（4）： 455-462.

[39]Noone B M， Mattila A S. Hotel revenue management and the Internet： The effect of price presentation strategies on customerswillingness to book[J]. International Journal of Hospitality Management， 2009， 28（2）： 272-279.

[40]Wang Wei， Liu Yu. An empirical study on consumerscontinuing use of the newly emerging online travel sites： The mediating role of customer satisfaction and trust[J]. Jinan Journal： Philosophy and Social Science， 2014， 36（4）： 84-92. [王玮，刘玉.消费者持续使用新兴在线旅游网站的实证研究——顾客满意度和信任的中介作用[J].暨南学报：哲学社会科学版， 2014， 36（4）： 84-92.]

[41]Hennig- Thurau T， Walsh G， Walsh G. Electronic word- ofmouth： Motives for and consequences of reading customer articulationsontheinternet[J].InternationalJournalof Electronic Commerce， 2003， 8（2）： 51-74.

[42]Vásquez C. Complaints online： The case of TripAdvisor[J]. Journal of Pragmatics， 2011， 43（6）： 1707-1717.

Influence of Online Reviews on HotelsFull-occupancy Rates

GAO Baojun， SUN Hanlin， WANG Hanning（School of Economics and Management， Wuhan University， Wuhan 430072， China）

Abstract： With use of a more heavily user-influenced Web 2.0 approach now commonplace online， consumers have ready access to a vast amount of detailed hotel information and online user reviews， and can share their own evaluations. Online user-generated reviews are a form of electronic word-ofmouth and profoundly influence online hotel sales. Many studies in recent years have examined this relationship. As exact sales data are not available online， such studies use review volume as an indicator of online hotel sales. However， not all users write reviews and the relationship between review volume and hotel revenue is nonlinear. Therefore， this paper uses the full-occupancy rate as the dependent variable to study the influence of online reviews on online hotel sales. Data used in this study were retrieved from TripAdvisor， one of the worlds largest and most popular online travel communities and one of the first sites to offer unbiased travel reviews by users. We divide the data into two groups according to hotel grade and study the influence of the consumersrecommendation percentage， rating for location and other user-generated factors affecting the full-occupancy rate of the different hotel grades. Empirical results indicate that： （1） full-occupancy rate can reflect hotel revenue better than review volume； （2） recommendations have a positive effect on luxury hotelsfull-occupancy rates， but do not affect those of budget hotels； （3） rating for location has a positive effect on full-occupancy rate for all hotels. The study makes several contributions. First， we introduce practical use of the fulloccupancy rate and prove that it can reflect online hotel sales better than review volume. Second， most existing researches consider consumersrating as hotelsword-of-mouth， but we consider consumersrecommendations to be superior. A consumers high rating does not necessarily mean the consumer was truly satisfied and that the consumer will recommend the hotel. Consumersrecommendations can also effectively eliminate the problem of inconsistent rating standards due to usersdiverse personalities and values. Thus， consumersrecommendations can better reflect consumerssatisfaction and are a better representation of electronic word-of-mouth than ratings. Third， we quantify the location from the usersperspectives. Generally， location information is difficult to acquire and evaluate because individual usersviews vary in accordance with personal preferences. We can， however， acquire the reviewerslocation ratings. Though these ratings are subjective， the average can intuitively reflect the preferences of the majority of users， as well as the advantages and disadvantages of the location. This study also has implications for hotel promotions and marketing. We note the difference between luxury and budget hotels and suggest different marketing strategies for them. To raise the fulloccupancy rate， luxury hotels can offer continual discounts or encourage users to write recommendations， while budget hotels can remain stable at a reasonable， low price. Finally， we summarize the limitations of this study and put forward further research proposals.

Keywords： full-occupancy rate； hotel grade； online reviews； consumersrecommendation percentage； rating for location