電碑管理對台灣觀光旅館來客量之研究 · 社及團客為導向獲利模式，以及傳統依賴看板µ 廣播µ 電視和平媒體的宣傳式，轉向注重網路平台的銷，還有網路評論的管理與回覆

電⼦子⼝口碑管理對台灣觀光旅館來客量之研究

Analyzing the Effect of Electronic Word-of-Mouth in Hospitality Management

摘要

近年來線上⼝口碑已成為消費者在旅⾏行時選擇景點和旅館時的重要依據，旅館

管理者對於線上⼝口碑的管理⽅方式也成為旅客的選擇⼊入住與否的考量。︒｡過去的研究

顯⽰示線上的評論和星等對於消費者的決策具有影響⼒力，因此本論⽂文旨在研究線上

不同型態的評價及旅館管理⼈人員是否有回覆，如何影響旅客需求。︒｡

本論⽂文資料蒐集 2015⾄至 2018年共 48 個⽉月的線上評論網 TripAdvisor上台

灣觀光旅館共 60家的歷年中⽂文評論，及從交通部交通局的觀光旅館每⽉月營運統

計資料進⾏行計算，使⽤用追蹤資料並使⽤用固定效果建⽴立模型，本研究顯⽰示，前三個

⽉月的負⾯面評論回覆管理對當期旅客總⼈人次有有顯著負向影響，當中對於⾃自由⾏行旅

客有更⾼高的影響⼒力，同時也可觀到附近周圍⼀一般旅館家數與旅館的電⼦子⼝口碑管理

具有交互關係。︒｡最後，將提供不同型態之旅館的管理者該如果看待和回覆線上評

論，以及線上評論將如何影響不同旅遊類型的消費者。︒｡

關鍵字：台灣觀光旅館、︑､eWOM、︑､TripAdvisor、︑､追蹤資料、︑､固定效果模型

1

壹、︑､緒論

⼀一、︑､研究動機

筆者曾於國內連鎖商務旅館總部⾏行銷企劃處擔任過⾏行銷企劃⼀一職，參與旗下旅

館、︑､背包客棧及館外獨⽴立餐廳的⾏行銷活動，除實體活動的執⾏行，還有操作和經營

網路平台，因此對於網路⾏行銷的操作⼯工具擁有實務經驗。︒｡當時在回覆及管理網路

上的評論也屬職務範疇，當時在⾯面對負評管理時，觀察到回覆若過於重複的致歉

和承諾改善，或是與顧客解釋相關的流程和產品時，若沒有掌握好⽤用字，會引起

其他同樣有負向感受的消費者做共鳴的評論，反⽽而接續著前⼀一篇負評做負評留⾔言，

因此本研究欲針對評論和負評回覆的管理做探討。︒｡

近年來網路便利，消費者能夠在網路上獲得⾷食⾐衣住⾏行育樂的資訊，不⽤用像傳統

要透過旅⾏行社代訂相關票據，因此近年國內外⾃自由⾏行旅客皆⽇日益增多，並在現今

旅遊電⼦子商務平台興盛的的世代，翻轉過去旅館業主要以業務部⾨門實體接洽旅⾏行

社及團客為導向獲利模式，以及傳統依賴看板、︑､廣播、︑､電視和平⾯面媒體的宣傳⽅方

式，轉向注重網路平台的⾏行銷，還有網路⽤用⼾戶評論的管理與回覆。︒｡

因為近年網路平台的趨勢和過往⼯工作經驗，筆者對於網路聲量是否影響旅館來

客量深感興趣，欲做探討回覆負⾯面評論的管理⽅方式，依照不同的客群做分析，希

望能夠藉此研究，提供給旅館業者於品牌定位、︑､操作以及網路⾏行銷策略擬定時作

為參考，使電⼦子⼝口碑與合適的管理成為品牌經營時的利器。︒｡

⼆二、︑､研究背景

（⼀一）觀光產業定義

聯合國世界旅遊組織（UNWTO）定義旅遊產業是⼀一種社會、︑､⽂文化和經濟現

象，指⼈人們為了個⼈人或商業及專業⽬目的⽽而移動到其⽇日常⽣生活環境之外的國家或地

區，⽽而旅遊產業泛指與訪客有關的⾏行為活動。︒｡

（⼆二）國際觀光產業的現況與趨勢

根據 UNWTO指出，2017年國際遊客數量成⾧長 7%，是 2009年以來的最⼤大漲

幅，世界旅遊總⽀支出為 1.3兆美元，⽐比 2016年增加了約 940億美元，⽽而旅客為

13.23億⼈人次，增加約 8400萬⼈人次，皆為歷年成⾧長幅度之最，可看出旅遊產業的

產值增加，成為許多國家重點發展項⽬目。︒｡

2

（三）台灣觀光產業的現況及趨勢

台灣 2017年的國際旅客⼈人次約為 1,074萬⼈人次，產值約為 123億美元。︒｡根據

台灣交通部觀光局最新的資料顯⽰示，旅遊產業營收占 2017年 GDP約 4.45%，於

同年度國外來台的旅遊⼈人次為 1,073萬⼈人次，以中國、︑､⽇日本及新南向地區遊客分

居前三名。︒｡觀光旅館營業收⼊入 592 億元，其中客房收⼊入 255億元、︑､餐飲收⼊入 269

億元。︒｡關於旅客國籍，107 年旅客為 1,218 萬⼈人次，其中本國籍 550 萬⼈人次（占

45.2％），中國和⽇日本籍分居前⼆二位（占⽐比各約為 16％），可以出中⽂文使⽤用者

佔⽐比超過 50%。︒｡就旅客⼈人數的旅⾏行類別來看，個別旅遊有逐年增加趨勢，102 年

占⽐比 54.8％，107 年已升⾄至 66.7％，因此接觸散客所使⽤用媒介和⾏行銷管道成為

旅遊產業中業者逐漸重視的⼯工具。︒｡

（四）網路平台興起

網路趨勢網路已經成為現代⼈人⽣生活中不可或缺的⼯工具，因此網路聲量的經營

和⾏行銷，成為現在業者經營品牌時必須要投注⼼心⼒力的新型態商業模式。︒｡

網路平台關鍵的要素是其反饋機制（Feedback Mechanisms），賣⽅方能夠在

任何的時間與單⼀一買⽅方進⾏行交易，⽽而反饋機制利⽤用網絡的通訊能⼒力創造⼀一個環

境，讓買家通過⼝口碑（Word-Of-Mouth，簡稱WOM）的傳遞去了解每個賣家

先前的交易狀況，⾧長期以來WOM傳播⼀一直被認為是最可信、︑､最客觀且最具影

響⼒力的共享訊息，以及建⽴立信任的⽅方式（e.g., Kamins et al. 1997, Milgrom et al.

1990），同時也有助於區分賣家並避免檸檬市場，降低資訊不對稱的情形（Paul

& Angelika, 2006）。︒｡

根據 Phillips & Baumgartner (2002) 研究指出，消費者的正負向情緒皆會影

響消費者的滿意度，⽽而滿意度會影響該品牌的WOM和推薦程度，進⼀一步反映

在網路聲量，在網路平台裡，線上論壇、︑､部落格、︑､推特、︑､臉書等網路平台的出

現，產⽣生數量龐⼤大的消費者評論 (Gunter et al., 2014)，數以萬計的個⼈人訊息經

由⼈人們的⼿手機、︑､筆記型電腦、︑､網站及其它的數據設備發送出去 (Bollier, 2010)，

⽽而消費者在購買新產品也普遍會依賴線上的消費者評論來了解新產品的品質

（Zhu & Zhang, 2010），但開放式的消費者⾔言論也會成就或破壞公司品牌之商

譽(Gunter, Koteyko, & Atanasova, 2014)，研究顯⽰示 97%的買家會先評估買家於

的⽂文字評論（Paul , Angelika , 2006），顯⽰示線上評論會影響消費者的購買決策。︒｡

3

三、︑､研究缺⼝口

因⽬目前電⼦子⼝口碑運⽤用於旅館產業的研究，多以針對旅館的知名度、︑､線上評論

和星等，以及上述所提及之電⼦子⼝口碑的正⾯面評價的實證研究，對於負⾯面評論的

分析和管理較為缺乏，加上筆者於實務場域⾯面臨的問題，因此提出三個研究問

題，欲透過實證研究進⾏行分析。︒｡

四、︑､研究問題

因現今各國對於觀光產業的重視，加上網路旅遊平台的興起，基於上述研究

背景與缺⼝口，本研究提出下列三個研究問題：

1. 電⼦子⼝口碑對旅館各類型旅客⼈人次的影響？

2. 館⽅方⼈人員於電⼦子⼝口碑的回覆管理，對各類型旅客⼈人次的影響？

3. 周圍⼀一般旅館家數與館⽅方對於電⼦子⼝口碑回覆管理間，對各類型旅客⼈人次的

影響程度？

貳、︑､⽂文獻回顧本研究旨在探討電⼦子⼝口碑對於旅館旅客⼈人次之影響，為了解這些變項之間的關

係，本章針對電⼦子⼝口碑與評論與旅遊產業相關⽂文獻與實證研究加以彙整及評析。︒｡

⼀一、︑､⼝口碑的定義與演變

（⼀一）傳統⼝口碑（Word-Of-Mouth）

傳統⼝口碑通常發⽣生於⾯面對⾯面發⽣生的⾃自然情境，參與者彼此是接近的，並在情境

中接收豐富的訊息（e.g., Kozinets et al. 2010），早期研究⼝口碑的學者，定義其為

「接收者與通訊者之間⾮非商業性質的⼝口頭溝通⽅方式」（Arndt, 1967）。︒｡

WOM 在資訊交換的過程中，具有⼀一定的影響⼒力，尤其對經驗性、︑､感受性產品，

如電影、︑､醫療、︑､服務及旅遊，更顯得WOM的重要性，原因在於消費者無法預先

知曉產品的內容，故民眾會透過各式各樣的管道，像是線上使⽤用者評論與廣告，

進⾏行資訊蒐集（Duan, Gu & Whinston, 2008），因此WOM是⽐比其他⾏行銷溝通形

式更影響⼒力的管道（Day, 1971）。︒｡

WOM僅透過消費者⾃自⾝身的⼝口⽿耳相傳，因此常被當作是⼀一種免費的廣告（Buttle,

1998），且因訊息來源⼤大多為親朋好友或專家意⾒見，這些資訊來源本⾝身即具有⾼高

信賴度（Baker, 2004）。︒｡另⼀一⽅方⾯面，有不少消費者逐漸以新的傳播⽅方式－電⼦子⼝口

碑 eWOM（Electronic Word-of-Mouth）作為資訊來源，不同於⼀一般直觀的看法，

4

消費者會認為網路的匿名性，將導致線上訊息不可靠，但是多項調查數據顛覆此

直觀的想法，反⽽而有⾼高⽐比例的於網路上購物的消費者，是依據線上使⽤用者評論來

決定其購買⾏行為（Mintel, 2015; Market Intelligence & Consulting Institute, 2015)；

網路線上評論不僅成為消費者購買時的依據，同時也認為其可信度相當⾼高。︒｡

（⼆二）電⼦子⼝口碑 (Electronic Word-of-Mouth)

前述是早期針對傳統⼝口碑的定義及特性的相關研究，然⽽而隨著科技的進步，⼝口

碑已由過去單純的⼝口⽿耳相傳，演變成以網路為主的傳播媒介。︒｡⾃自 2000 年左右，

慢慢開始有電⼦子⼝口碑、︑､網路⼝口碑（online word-of-mouth）、︑､⿏鼠碑（word-of-mouse）

等新名詞出現，本研究統稱為 eWOM。︒｡針對WOM 的研究，最早源於 1960 年

代，直⾄至今⽇日，隨著 eWOM 的出現與傳播⽅方式的改變，其特性也與先前的傳統

⼝口碑有所差異，在此將電⼦子⼝口碑定義為「由潛在、︑､實際顧客對⼀一個產品或公司

經由網際網絡發表給他⼈人知道的任何正⾯面或負⾯面意⾒見」（Hennig-Thurau et al.,

2004.），參與者透過線上社群與⼈人際網絡溝通，並在上⾯面分享共同興趣的特定

產品、︑､服務或活動（e.g., Kozinets et al., 2010）。︒｡

（三）電⼦子⼝口碑對觀光產業的影響

綜合前兩節對於電⼦子⼝口碑及觀光產業的⽂文獻回顧，因 eWOM具有網路的規模

性、︑､匿名性及短暫性的特⾊色，因此在觀光產業產⽣生了⼀一個全新的取得、︑､分析和詮

釋的⾏行銷管道，更能夠提供機會讓旅館管理者與顧客的溝通（Litvin et al., 2008），

取代了傳統只能夠透過代理商的溝通形式，獲得新的主導的地位。︒｡Ye, Law, & Gu

（2009）使⽤用中國旅遊網站-攜程網 Ctrip的評論進⾏行分析，指出正⾯面的評論會增

加旅客的訂購量，Ogut & Tas （2012）也指出，旅館旅客⼈人次量和定價會受到

評論的影響，再者，消費者給予評級越⾼高將導致旅館的房價增加。︒｡

Park & Lee（2009）指出，當商品為體驗式商品時，eWOM中負⾯面的⼝口碑的影

響⼒力⼤大過與正⾯面的⼝口碑，因旅遊服務被歸類在具有不確定性的體驗商品，因此對

旅遊服務類的商品來說，負⾯面的電⼦子⼝口碑效應相較於其他商品來說更為重要

（Tracey S. Dagger et al. 2011）。︒｡因此，eWOM不僅旅館帶來更多的來客量和營

收，也能夠讓旅館管理者更妥善的管理，藉由管理 eWOM提供的資訊，公司可

以設定更有效率及影響⼒力的商業策略（Yacouel & Fleischer, 2012），因此，若公

司能夠正確且有效的管理 eWOM，其將成為旅館⾏行銷⼈人員的重要優勢。︒｡

5

參、︑､研究⽅方法

⼀一、︑､資料來源

（⼀一）TripAdvisor中⽂文評論

TripAdvisor是⼀一國際具指標性的旅遊評論網站，旅客能夠於平台產⽣生評論，

分享經驗且互動，是具有多功能的旅遊論壇。︒｡根據 Shamdasani et al. （2001）指

出，有龐⼤大使⽤用者為基礎的網站對於消費者的決策較有影響⼒力，⽽而該平台⽬目前在

45個國家設有據點，覆蓋 28種語⾔言、︑､擁有超過 60萬的會員，具有百萬家餐廳、︑､

旅館和景點資訊，因此筆者認為此網站是適合作為資料來源的平台。︒｡主要研究能

夠閱讀中⽂文的華⼈人使⽤用者，因此本研究使⽤用 TripAdvisor上中⽂文評論，包含留⾔言

者的旅館、︑､時間、︑､給予之星等、︑､評論內容、︑､館⽅方回覆內容等，觀察值涵括全台三

⼤大都會地區館觀察值共 60間旅館，因考量到各旅館上架平台時間，以及旅客開

始評論和旅館⼈人員開始回覆時間，研究使⽤用資料時間起始為：2015年 1⽉月⾄至 2018

年 12⽉月，共 48個⽉月，以確保考量資料完整性及研究代表性。︒｡

（⼆二）⾏行政資訊網交通部觀光局-觀光旅館每⽉月營收報表

根據⾏行政院主計處資料，該網站業務資訊中包含觀光產業及旅館相關資料，蒐

集每間旅館每個⽉月的客房數量、︑､於客房及餐飲部⼯工作之職⼯工數量，以及旅館當⽉月

不同類別的來客量，分為總⼈人次、︑､散客、︑､團客、︑､國內遊客、︑､中國遊客等。︒｡

（三）⾏行政資訊網交通部觀光局-台灣旅宿網

從交通部觀光局台灣旅宿網獲得三都會區合法營業登記證的⼀一般旅館資料，包

含旅館建⽴立年份、︑､地址、︑､房間數等，將觀察值中於 2015年開始四年間於該縣市

⼀一般旅館家數家數做年份分群，並使⽤用地理資訊系統 GIS將旅館的地址轉換為

經緯度（X，Y）資訊，以使⽤用 R統計程式語⾔言進⾏行後續觀察值與該地區⼀一般旅

館的距離⽐比對，塞選出當年度度距離三公⾥里內已存在的⼀一般旅館家數。︒｡

⼆二、︑､研究變數定義

（⼀一）應變數

使⽤用交通部觀光局的觀光旅館的營收報表資料。︒｡

1. 當⽉月份旅館來客總⼈人次：該⽉月該旅館的總旅客⼈人次數量。︒｡

2. 當⽉月份散客⼈人次：⼜又稱為⾃自助旅⾏行，由旅客⾃自⾏行安排⾏行程。︒｡

3. 當⽉月份團客⼈人次：由旅⾏行社組織的旅遊，⼀一般⼈人數在⼗十五⼈人以上。︒｡

4. 當⽉月份國內旅客⼈人次：台灣的旅客，包含散客及團客。︒｡

6

5. 當⽉月份中國旅客⼈人次：中國的旅客，包含散客及團客。︒｡

（⼆二）⾃自變數

將於 TripAdvisor上獲得的中⽂文評論做計算，因消費者使⽤用習慣⼀一次為瀏

覽 2-3⾴頁，因此變數以計算三個⽉月的數量做為基礎。︒｡

1. ⽉月份虛擬變數：設⽴立 47個虛擬變數控制模型，為當⽉月該變數值為 1，⾮非

當⽉月變數值為 0。︒｡

2. 平均星等：累積⾄至上⽉月平均星等，將總獲得星等加總除以總評論數⽬目。︒｡

3. 前三個⽉月評論數：前三個⽉月該觀察值所有中⽂文評論的加總數量。︒｡

4. 前三個⽉月負評數量：旅客評論為 2顆星及 1顆星的中⽂文評論定義為「負

⾯面評論」，並將前三個⽉月的負評數量加總。︒｡

5. 前三個⽉月無負評：⼆二元變數，設⽴立 2個虛擬變數控制模型，將前三個⽉月

評論中有負評設為 0，無任何負評設為 1。︒｡

6. 前三個⽉月回覆評論⽐比例：前三個⽉月館⽅方⼈人員於網站上回覆評論總數為佔

前三個⽉月所有評論數的⽐比例。︒｡

7. 前三個⽉月回覆負評⽐比例：前三個⽉月館⽅方⼈人員於網站上回覆負評總數佔前

三個⽉月所有負評數的⽐比例。︒｡

8. 距離三公⾥里的周圍⼀一般旅館家數：該年已成⽴立的⼀一般旅館與觀察值距離

三公⾥里內的旅館家數。︒｡

9. 房間數：以每個⽉月計算，觀察值的房間數量。︒｡

10. 客房部員⼯工數：以每個⽉月做計算，觀察值客房部職⼯工數量。︒｡

11. 餐飲部員⼯工數：以每個⽉月做計算，觀察值餐飲部職⼯工數量。︒｡

三、︑､分析⼯工具

本研究主要為探討前三期的負評的管理回覆對當期旅館來客量的影響，為

回答研究問題，筆者將使⽤用追蹤資料的固定效果模型來進⾏行分析。︒｡

追蹤資料屬於時間序列與橫斷⾯面特性的資料，同時擁有橫斷⾯面不同旅館間

的特性資料，並且有變數間的時間序列動態變化，其形式為 n個個體在 t個

時點上的資料，舉例來說，資料中的應變數為第 i間旅館於第 t個⽉月的當⽉月

旅館來客量。︒｡本研究簡化的模型如下所⽰示：

Y"# = 𝛽0 + 𝛽1𝑀𝑜𝑛𝑡ℎ𝐷𝑢𝑚𝑚𝑦 "#＋ 𝛽2𝐶𝑜𝑚𝑚𝑒𝑛𝑡"# + 𝛽3𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒"# +

𝛽4 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# + β5𝐻𝑜𝑡𝑒𝑙"# ＋ u; + ε;= （1）

7

本研究使⽤用固定效果模型⼜又稱最⼩小平⽅方虛擬變數模型（Least Square

Dummy Variable Model, LSDV），可⽤用來控制資料中隨個體改變但不隨時間

改變的遺漏變數，模型處理遺漏變數的⽅方式是透過個體中⼼心化

(entity-demeaned)，將不可觀察到的遺漏變數刪除，使⽤用此模型的能夠降低

估計上的偏誤，其⽅方法如下：

⾸首先，先求得⽅方程式（2），此⽅方程式是將各個變數取平均值，舉例：𝑌 "為

第 i 間旅館平均的總旅客⼈人次、︑､𝐶𝑜𝑚𝑚𝑒𝑛𝑡 ?為第 i 間旅館所有評論數⽬目的平

均值；以此類推其他變數皆也取平均值：

𝑌 "= 𝛽0 + 𝛽1𝑀𝑜𝑛𝑡ℎ𝐷𝑢𝑚𝑚𝑦 "+ 𝛽2𝐶𝑜𝑚𝑚𝑒𝑛𝑡 ? + 𝛽3𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒 ? ＋

𝛽4𝐶𝑜𝑚𝑝𝑒𝑡𝚤𝑡𝑜𝑟" + 𝛽5𝐻𝑜𝑡𝑒𝑙" ＋ 𝑢;+ 𝜀 " （2）

接著，將⽅方程式（1）減去⽅方程式（2），得到⼀一條新的⽅方程式（3）：

（Y"# − 𝑌 ?）= 𝛽1（𝑀𝑜𝑛𝑡ℎ𝐷𝑢𝑚𝑚𝑦 "# − 𝑀𝑜𝑛𝑡ℎ𝐷𝑢𝑚𝑚𝑦 " ）+ 𝛽2

（𝐶𝑜𝑚𝑚𝑒𝑛𝑡;= − Comment ?）+ 𝛽3（𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒;= − 𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒 ?）＋ 𝛽4

（𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟;= − 𝐶𝑜𝑚𝑝𝑒𝑡𝚤𝑡𝑜𝑟"）+ β5（ 𝐻𝑜𝑡𝑒𝑙"# − 𝐻𝑜𝑡𝑒𝑙"）＋ 𝜀"# − 𝜀 "（3）

肆、︑､實證結果分析

⼀一、︑､敘述統計及樣本概況

（⼀一）樣本概況

1. 觀察值位置分佈：本研究觀察值觀光旅館位於台灣三⼤大都會區，分別坐落於

台北市、︑､台中市、︑､⾼高雄市分別為 44、︑､7及 9間觀光旅館，合計共 60間。︒｡

2. 觀察值成⽴立時間：以確保資料的完整性，本研究資料使⽤用 2015年⾄至 2018年

資料，當中 55間旅館具有完整的營收及⼈人次資料，另有 5間旅館分別為 2

家於 2015年、︑､1家於 2016年、︑､1家於 2017年及 1家於 2018年獲得政府核發

的營業登記執照。︒｡

3. TripAdvisor平台上評論時間：從 2014年就有旅客開始在 TripAdvisor上留下

評論及星等評分的共有 44家、︑､2015年開始的有 12家、︑､2016年開始的有 2

家、︑､2017年才在該平台註冊供旅客撰寫評論的有 2家；⽽而旅館業主從 2014

年有在 TripAdvisor管理評論的有 22家、︑､2015年開始管理的有 11家，依序

8

2016、︑､2017、︑､2018、︑､2019年分別為 7家、︑､2家、︑､2家及 1家，皆沒有回覆旅

客評論的旅館共有 15家。︒｡

4. ⼀一般旅館家數：

(1) 台北市：2015年共有 488家，四年之間成⾧長⾄至 575家，成⾧長約 1.8成。︒｡

(2) 台中市：2015年共有 304家，四年之間成⾧長⾄至 374家，成⾧長約 2.3成。︒｡

(3) ⾼高雄市：2015年共有 323家，四年之前成⾧長⾄至 374家，成⾧長約 1.6成。︒｡

綜合以上，台北市的旅館數最多，密度度也之最；⾼高雄市為三縣市中最低。︒｡

（⼆二）敘述統計

主要的⾃自變數為旅館館⽅方回覆評論及負評的⽐比例，其他控制變數為於評論網上

的星等、︑､累積評論之類型數量及該地區歷年附近三公⾥里內⼀一般旅館家數等。︒｡⽉月份

時間、︑､有無評論在本研究以虛擬變數做標記，重要變數統計參考表 1。︒｡

表 1 重要變數統計表

變數 Obs. Mean S.D. Min Max

每⽉月總來客⼈人次 2697 9663 6283.80 25 49610

每⽉月散客⼈人次 2697 6412 5198.97 25 39190

每⽉月團客⼈人次 2697 3251 2927.87 0 18600

每⽉月國內旅客⼈人次 2697 2272 2226.81 0 15370

每⽉月中國旅客⼈人次 2697 1778 1641.84 0 13610

當⽉月平均星等 2697 3.863 0.96 2.25 5.00

前三個⽉月合計評論數 2697 16.31 25.32 0.00 218.00

前三個⽉月合計負評數 2697 0.5421 0.98 0.00 13.00

前三個⽉月回覆評論⽐比 2697 0.5400 0.47 0.00 1.00

前三個⽉月回覆負評⽐比 2697 0.2105 0.40 0.00 1.00

周圍⼀一般旅館家數 2697 224.2 116.12 7.0 425.0

房間數量 2679 273.7 162.78 40 853

客房部職⼯工數 2679 88.46 58 7 310

餐飲部職⼯工數 2679 145.3 126.60 0 651

9

圖 1每⽉月觀察值來客量趨勢圖

⼆二、︑､分析結果

筆者使⽤用固定效果除分析變數外，進⼀一步加⼊入交互作⽤用來討論周圍⼀一般旅館家

數與旅館於 TripAdvisor上回覆評論的管理⾏行為，並分別依照五個不同旅客的類

型做分析，包含：總旅客、︑､散團客及國內爛中國旅客⼈人次等。︒｡

交互作⽤用有五種情況，分別將兩個連續變數：前三個⽉月回覆負評⽐比和周圍⼀一般

旅館家數做搭配，於不同旅客類型的應變數情況中做分析，回歸式如下：

Y"# = 𝛽0 + 𝛽1𝑀𝑜𝑛𝑡ℎ𝐷𝑢𝑚𝑚𝑦 "#＋ 𝛽2𝐶𝑜𝑚𝑚𝑒𝑛𝑡"# + 𝛽3𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒"# +

𝛽4 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# + β5𝐻𝑜𝑡𝑒𝑙"# ＋ 𝛽6（𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒"# ∗ 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"#）

＋ ε;=（4）

⽅方程式（4）中，Y"#為旅客⼈人次；𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒"#為前三個⽉月回覆負評⽐比率

𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# 為周圍⼀一般旅館家數；𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒"# ∗ 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"#為交互作⽤用

項，觀察交互作⽤用項中，周圍⼀一般旅館家數的多寡，與旅館⼈人員回覆不同特

性評論的時相關性，以及並且在最後⼩小結部分了解變數和之前的正負關係，

於不同旅客類型中的作⽤用。︒｡

以下分別為 2679觀察值進⾏行計量分析，模型 A是使⽤用固定效果模型在五

種不同旅客類型的分析結果，⽽而模型 B以模型 A為基礎，加⼊入交互作⽤用項

「前三個⽉月回覆評論⽐比*周圍⼀一般旅館家數」、︑､「前三個⽉月回覆負評⽐比*周圍

⼀一般旅館家數」後的分析結果。︒｡

10

（⼀一）總旅客⼈人次分析

可以觀察到前三個⽉月回覆負評⽐比與周圍⼀一般旅館家數對於總旅客⼈人次皆

是顯著負向影響，當中兩個交互作⽤用項與應變數是沒有顯著相關的，分析結

果詳⾒見表 2。︒｡

表 2總旅客⼈人次結果分析

Dependent Variable：各間旅館每⽉月的總旅客⼈人次

Independent variables （A）（B）

Coef. S.E. Coef. S.E.

平均星等 -149.29 86.12 -151.16 86.46

前三個⽉月評論數 -6.49 3.26* -6.33 3.27

前三個⽉月負評數 145.50 87.58 157.22 87.85

前三個⽉月無負評 -195.48 224.88 -184.74 224.96

前三個⽉月回覆評論⽐比 -7.32 178.88 334.75 378.43

前三個⽉月回覆負評⽐比 -685.62 218.30** -1105.38 336.22**

周圍⼀一般旅館家數 -17.95 5.69** -16.05 5.91**

前三個⽉月回覆評論⽐比*

周圍⼀一般旅館家數

- - -1.60 1.57

前三個⽉月回覆負評⽐比*


- - 1.97 1.21

房間數 19.10 4.14*** 19.27 4.14***

客房部員⼯工數 -30.07 6.74*** -29.25 6.77***

餐飲部員⼯工數 25.43 3.18*** 245.00 3.19***

Random/Fixed Effect Fixed Effect Fixed Effect

R-squared 0.13 0.05

No. of Obs. 2679 2679

*P<0.1. **P<0.05. ***P<0.01.

11

（⼆二）散客⼈人次分析

在⾃自由⾏行的散客分析中，可以看到變數前三個⽉月的回覆負評⽐比例與周圍⼀一

般旅館家數為顯著負相關，⽽而在兩個交互作⽤用項中皆沒有顯著相關，散客⼈人

次的結果分析詳⾒見表 3。︒｡

表 3散客⼈人次結果分析

Dependent Variable：各間旅館每⽉月的散客⼈人次



平均星等 -46.88 79.41 -41.73 79.75

前三個⽉月評論數 -3.93 3.01 -3.77 3.01

前三個⽉月負評數 101.85 80.76 107.17 81.03

前三個⽉月無負評 -114.38 207.36 -107.79 207.52

前三個⽉月回覆評論⽐比 303.78 164.94 203.71 349.09

前三個⽉月回覆負評⽐比 -627.69 201.29 -820 310.15**

周圍⼀一般旅館家數 -19.24 5.24 -19.58 5.45***


周圍⼀一般旅館家數 - - 0.47 1.44


周圍⼀一般旅館家數 - - 0.92 1.11

房間數 11.45 3.82 11.46 3.82**

客房部員⼯工數 -20.04 6.22 -20.12 6.24**

餐飲部員⼯工數 20.2 2.94 20.08 2.94***


R-squared 0.04 0.04

No. of Obs. 2679 2679

*P<0.1. **P<0.05. ***P<0.01.

12

（三）團客⼈人次分析

團客對於平均星等有顯著的負向影響，並在前三個⽉月的回覆負評⽐比與周圍

⼀一般旅館家數的交互作⽤用項中，也有顯著的負向影響。︒｡

表 4團客⼈人次結果分析

Dependent Variable：各間旅館每⽉月的團客⼈人次



平均星等 -101.83 43.73* -108.66 43.85*

前三個⽉月評論數 -2.6 1.66 -2.56 1.65

前三個⽉月負評數 42.46 44.47 49.47 44.55

前三個⽉月無負評 -82.8 114.18 -77.99 114.10

前三個⽉月回覆評論⽐比 -316.75 90.82*** 131.30 191.93

前三個⽉月回覆負評⽐比 -47.41 110.84 -296.92 170.52

周圍⼀一般旅館家數 1.25 2.89 3.52 2.99



-2.10 0.79**



1.14 0.61

房間數 7.7 2.1*** 7.84 2.10***

客房部員⼯工數 -10.04 3.42** -9.11 3.43**

餐飲部員⼯工數 5.22 1.62** 4.87 1.61**


R-squared 0.02 0.03

No. of Obs. 2679 2679

*P<0.1. **P<0.05. ***P<0.01.

13

（四）國內旅客⼈人次分析

對於國內遊客來說，在前三個⽉月的評論回覆⽐比及周圍⼀一般旅館家數，具有

顯著的負向影響，⽽而在兩個交互作⽤用項變數與旅客量的分析中，對應變數並

沒有顯著相關。︒｡

表 5國內旅客⼈人次結果分析

Dependent Variable：各間旅館每⽉月的國內旅客⼈人次



平均星等 -5.18 26.65 -1.88 26.75

前三個⽉月評論數 0.34 1.01 0.37 1.01

前三個⽉月負評數 22.48 27.1 22.24 27.18

前三個⽉月無負評 85.74 69.58 86.45 69.61

前三個⽉月回覆評論⽐比 -113.32 55.34* -258.66 117.11*

前三個⽉月回覆負評⽐比 111.85 67.54 119.26 104.04

周圍⼀一般旅館家數 -6.97 1.76*** -7.66 1.82***



- - 0.68 0.48



- - -0.02 0.37

房間數 4.16 1.28** 4.12 1.28**

客房部員⼯工數 -7.44 2.09*** -7.70 2.09***

餐飲部員⼯工數 2.16 0.99* 2.21 0.98*


R-squared 0.02 0.02

No. of Obs. 2679 2679

*P<0.1. **P<0.05. ***P<0.01.

14

（五）中國旅客⼈人次分析

對於中國旅客來客量來說，與前三個⽉月回覆評論⽐比為顯著正向影響、︑､與前

三個⽉月回覆負評⽐比為顯著的負向影響，⽽而在周圍⼀一般旅館家數的變數中，與

中國旅客量為顯著的正向影響，同時，在兩個交互作⽤用項對該應變數也有顯

著影響。︒｡

表 6中國旅客⼈人次結果分析

Dependent Variable：各間旅館每⽉月的中國旅客⼈人次



平均星等 -18.72 29 -23.50 29.05

前三個⽉月評論數 2.42 1.1* 2.46 1.09*

前三個⽉月負評數 96.83 29.49** 103.42 29.52***

前三個⽉月無負評 -106.32 75.73 -101.33 75.60

前三個⽉月回覆評論⽐比 115.93 60.24 467.41 127.17***

前三個⽉月回覆負評⽐比 -276.61 73.52*** -511.62 112.99***

周圍⼀一般旅館家數 4.24 1.91* 6.05 1.98**


周圍⼀一般旅館家數 - - -1.64 0.52**


周圍⼀一般旅館家數 - - 1.08 0.40**

房間數 5.04 1.39*** 5.16 1.39***

客房部職⼯工數 -7.03 2.27** -6.28 2.27**

餐飲部職⼯工數 8.57 1.07*** 8.27 1.07***


R-squared 0.04 0.05

No. of Obs. 2679 2679

*P<0.1. **P<0.05. ***P<0.01.

15

（六）各類型和國籍旅客與周圍⼀一般旅館家數的交互作⽤用項分析⼩小結

此⼩小結以變數前三個⽉月回覆負評⽐比例與周圍⼀一般旅館家數做交互作⽤用項

分析，以下為分別以不同旅客類型撰寫的回歸式，並在表中，分別帶⼊入計算

有無回覆負評交互作⽤用的數值。︒｡將沒有回覆負評記為 0、︑､有回覆負評的⽐比例

記為 1，與周圍是否有⼀一般旅館家數來做計算，周圍無⼀一般旅館記為 0、︑､有

⼀一般旅館記為平均值 224，來觀察館⽅方於負⾯面電⼦子⼝口碑有回覆相較於無回覆

時，各類型旅客的來客量增減變化，將回歸式簡化為：

Y"# = 𝛾0 + 𝛾1𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒K"#＋ 𝛾2𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# + 𝛾3（𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒_𝑁"# ∗

𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"#）＋ ε;=

不同旅客類型的回歸式：

1. 總旅客⼈人次＝𝛾0 – 1150.38𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒K"# −16.05𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# + 1.97

（𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒K"# ∗ 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"#）＋ ε;=

2. 散客⼈人次＝𝛾0 – 820.09𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒K"# − 19.58𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# + 0.92


3. 團客⼈人次＝𝛾0 – 296.92𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒K"#＋ 3.52𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# + 1.14


4. 國內客⼈人次＝𝛾0 +119.26𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒K"# − 7.66𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# −0.02


5. 中國客⼈人次＝𝛾0 −511.62 𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒_𝑁"# +6.05 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"# +1.08

（𝑅𝑒𝑝𝑙𝑦𝑅𝑎𝑡𝑒_𝑁"# ∗ 𝐶𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑜𝑟"#）＋ ε;=

表 7加⼊入交互作⽤用項係數統整表

交互作⽤用項

前三個⽉月回覆負評⽐比例=0 前三個⽉月回覆負評⽐比例=1

周圍旅館

家數 0

周圍旅館家數

224

周圍旅館家

數 0

周圍旅館家數

224

旅客總⼈人次 𝛾0＋ε;= 𝛾0−3696＋ε;= 𝛾0−1105＋ε;= 𝛾0−4259＋ε;=

散客⼈人次 𝛾0＋ε;= 𝛾0−4386＋ε;= 𝛾0−820＋ε;= 𝛾0−4999＋ε;=

團客⼈人次 𝛾0＋ε;= 𝛾0+788＋ε;= 𝛾0−297＋ε;= 𝛾0+686＋ε;=

國內旅客⼈人次 𝛾0＋ε;= 𝛾0−1716＋ε;= 𝛾0+119＋ε;= 𝛾0−1601＋ε;=

中國旅客⼈人次 𝛾0＋ε;= 𝛾0+1355＋ε;= 𝛾0−512＋ε;= 𝛾0+1085＋ε;=

16

由以上表格可以依照不同的旅客類型和國籍統整以下⼩小結：

1. 總旅客⼈人次：不論有無於平台上回覆負評時，周圍旅館家數越多時，會降

低總旅客⼈人次；且無論附近周圍旅館家數多寡，回覆負評的⽐比例越⾼高將會

降低總旅客⼈人次。︒｡

2. 散客⼈人次：不論有無於平台上回覆負評，當周圍旅館家數越多，會降低散

客⼈人次；無論附近周圍旅館家數多寡，回覆負評⽐比例越⾼高會降低散客⼈人次。︒｡

3. 團客⼈人次：不論有無於平台上回覆負評，當周圍旅館家數越多，會增加團

客⼈人次；無論附近周圍旅館家數多寡，回覆負評⽐比例越⾼高會降低團客⼈人次。︒｡

4. 國內旅客⼈人次：不論有無於平台上回覆負評，當周圍旅館家數越多，會降

低國內旅客⼈人次；但無論附近周圍旅館家數多寡，回覆負評⽐比例越⾼高將增

降低國內旅客⼈人次。︒｡

5. 中國旅客⼈人次：不論有無於平台上回覆負評時，周圍旅館家數越多時，會

增加中國旅客⼈人次；但無論附近周圍旅館家數多寡，回覆負評的⽐比例越⾼高

將會增加中國旅客⼈人次。︒｡

伍、︑､⽂文本分析透過上述結果可以發現，館⽅方⼈人員的回覆負評的⽐比例會對旅館的來客量有負⾯面影響，因此欲透過負評⽂文本分析去瞭解評論時回覆的⽂文本內容，以了

解是何種因素導致負⾯面評論管理的回覆越多，反⽽而造成負向影響。︒｡

本研究定義兩顆星以下的評論為負⾯面評論，資料中為負評且館⽅方⼈人員有回

覆的為 837筆資料，當中負評且有回覆管理的約佔總負⾯面評論數兩成。︒｡

⼀一、︑､負⾯面評論⽂文本分析

負⾯面評論⽂文本總共 837則，當中使⽤用詞彙數量為 71,504個、︑､詞組為 6,695

組，平均⼀一個詞組使⽤用 10.68次，當中使⽤用次數最多的五個詞組依序為：「房

間」1,310次、︑､「沒有」798次、︑､「不」751次、︑､服務 509次、︑､「住」446次，

平均⼀一條負⾯面評論會出現使⽤用最多次數的詞組「房間」達 1.57次，佔總詞

彙數量的 1.83%。︒｡

以下圖 2為⽂文字雲的視覺化呈現，⽂文字雲為使⽤用出現頻率作為依據，詞彙

⼤大⼩小越⼤大表⽰示出現次數越多。︒｡

17

圖 2 負⾯面評論⽂文本⽂文字雲

⼆二、︑､負⾯面評論館⽅方⼈人員回覆⽂文本分析

負⾯面評論⽂文本總共 837則，當中館⽅方⼈人員回覆使⽤用詞彙數量為 22,913個、︑､

詞組為 1,635組，當中使⽤用次數最多的五個詞組依序為：「我們」1,166次、︑､

「服務」527次、︑､「感謝您」406次、︑､「飯店」347次、︑､「意⾒見」302次，平

均⼀一個詞組會使⽤用 14次，⼀一條負⾯面評論回覆會出現使⽤用次數最⾼高詞組達

1.39次，佔總詞彙數量的 5.09%。︒｡

相較負⾯面評論的詞組和詞彙的多樣性，回覆負評的⽂文本較為制式化和⼀一致

性，以下圖 3為回覆負評⽂文本的⽂文字雲的呈現，可觀察到字詞較為集中，顯

⽰示使⽤用辭彙較為單⼀一。︒｡

圖 3 負⾯面評論回覆⽂文本⽂文字雲

18

陸、︑､結論與建議

⼀一、︑､研究結論

本研究主要在分析電⼦子⼝口碑對於旅客於 TripAdvisor上查閱旅館評論時，

對於消費決策的影響，筆者使⽤用旅館資訊、︑､TripAdvisor上評論以及周圍旅

館家數作為變數，⽽而旅客的國籍和類型的⼈人次作為應變數。︒｡本研究使⽤用⾧長期

追蹤資料，運⽤用固定效果做分析，觀察 48個⽉月 TripAdvisor的評論是否會影

響旅館來客量，以及旅館館⽅方⼈人員的回覆管理對於不同類型和國籍的遊客的

影響，根據本研究結果，回覆負⾯面評論的⽐比例對於旅館來客量為顯著負向相

關性，顯⽰示若前三個⽉月回覆負⾯面評論的⽐比例越⾼高，會降低當⽉月旅館來客量。︒｡

⾸首先，針對不同旅客類型做分析，在基本分析模型中加⼊入了回覆評論的⽐比

例與周圍⼀一般旅館家數對⼿手的交互作⽤用項，可以看出在散客中，評論的數量

並不會增強旅客對於預定旅館的意圖，但回覆負⾯面評論時需要格外注意，因

回覆負評的⽐比例越⾼高，將使散客的散客來客⼈人次下降；⽽而團客中，平台上的

評論和回覆皆不會對該類型旅客有顯著影響。︒｡接下來對於旅客國籍，使⽤用中

⽂文評論對於台灣及中國的遊客做分析，對於中國旅客來說，回覆全部的評論

⽐比例越⾼高，將會提升他們的意願，顯⽰示積極地管理態度對於中國遊客來說，

可以提升他們的信賴程度和獲得資訊的豐富程度，進⽽而預定，⽽而在回覆負評

的⽐比例中，回覆負⾯面評論也將增加他們預定旅館的意願。︒｡

因此總結來說，負⾯面評論管理對於旅客的選擇相當重要，因此進⼀一步查看

負評⽂文本，以及回覆負評的⽂文本內容，可以發現在負⾯面評論出現最多與旅館

有意義詞彙為「房間」、︑､「服務」及「早餐」，顯⽰示為此三項為旅客最為在

意且最有可能留下負⾯面觀感，並且會於網路上留下評論，需要特別留意這些

設施和服務；於館⽅方⼈人員管理負評的回覆⽂文本中，觀察到使⽤用的詞組較少，

且特定詞彙出現的頻率較⾼高，因⽽而推斷館⽅方⼈人員回覆較為制式，且未確實反

映到旅客提出的問題，因此負⾯面評論留⾔言的在網路上的軌跡，將對未來的旅

客留下對於對於旅館的負⾯面觀感，若在管理回覆層⾯面未做到解決疑問、︑､實體

上改善設施，反⽽而令消費者感到館⽅方不積極的態度和不被重視的感覺，若只

是不斷重複較為制式的回覆，反⽽而對旅館的電⼦子⼝口碑形成負⾯面宣傳。︒｡

因此，綜合以上，藉由電⼦子⼝口碑評論中負⾯面評論與旅館來客量之實證結果

分析，未來旅館管理⼈人員在管理電⼦子⼝口碑時，在處理負⾯面評論時，若還是要

以較為制式回覆的話反⽽而造成反效果，建議⾯面對負評時不要回覆。︒｡

19

⼆二、︑､研究建議與未來⽅方向

⾸首先，建議未來可擴及全台觀光旅館共計 128間，以增加分析結果的精準

性和代表性。︒｡接次，因 TripAdvisor平台資料中，有負⾯面評論且館⽅方⼈人員有

回覆的資料較少，建議未來可以加⼊入其他觀光產業的評論網的資料⼀一同做分

析，增加樣本資料、︑､使資料更加全⾯面、︑､涵蓋其他使⽤用族群。︒｡最後，可再深⼊入

負⾯面評論的⽂文本，以及回覆負評的⽂文本做分析，除現階段瞭解之負⾯面評論管

理反⽽而會造成旅館來客量之下降，可進⼀一步研究⾯面對負⾯面評論時，館⽅方⼈人員

如何的回覆才能夠扭轉品牌形象，反讓回覆負⾯面評論的詞彙和語句，成為旅

客更加信賴且願意選擇的下榻地。︒｡

參考⽂文獻 Barrie Gunter, Nelya Koteyko, & Dimitrinka Atanasova. (2014). Sentiment analysis:

A market-relevant and reliable measure of public feeling? International Journal of Market Research, 56(2), 231–247.

Day, George.S. (1971). Attitude change, media and word of mouth. Journal of Advertising Research, 11(6), 31–40.

Duan, Wenjing, Bin Gu, and Andrew B. Whinston. (2008). The dynamics of online word-of-mouth and product sales-An empirical investigation of the movie industry. Journal of Retailing, 84(2), 233-242.

Feng Zhu, Xiaoquan Zhang. (2010). Impact of Online Consumer Reviews on Sales:The Moderating Role of Product and Consumer Characteristics. Journal of Marketing, 74( 2), 133-148.

Francis Arthur Buttle. (1998). Word of mouth: Understanding and managing referral marketin. Journal of Strategic Marketing, 6(3), 241-254.

Ivar E. Vermeulen, Daphne Seegers. (2009). Tried and tested: The impact of online hotel reviews on consumer consideration. Tourism Management, 30(1), 123-127.

Johan Arndt. (1967). Role of Product-Related Conversations in the Diffusion of a New Product. Journal of Marketing Research, 4(3), 291-295.

Judith A. Chevalier and Dina Mayzlin. (2006). The Effect of Word of Mouth on Sales: Online Book Reviews. Journal of Marketing Research, 43(3), 345-354.

Kozinets et al. (2010). Networked Narrative: understanding Word-of-Mouth Marketing in Online Communities. Journal of Marketing, 74 (1), 71-89.

Litvin, S. W., Goldsmith, R. E., & Pan, B. (2008). Electronic word-of-mouth in hospitality and tourism management. Tourism Management, 29(3), 458-468.

20

Michael A. Kamins, Valerie S. Folkes, Lars Perner. (1997). Consumer Responses to Rumors: Good News, Bad News. Journal of Consumer Psychology, 6(2), 165-187.

Ogut, H., & Tas, B. K. O. (2012). The influence of internet customer reviews on the online sales and prices in hotel industry. Service Industries Journal, 32(2), 197-214.

Paul A. Pavlou, Angelika Dimoka. (2006). The Nature and Role of Feedback Text Comments in Online Marketplaces: Implications for Trust Building, Price Premiums, and Seller Differentiation. Information Systems Research, 17(4), 392–414.

Paul R. Milgrom, Douglass c. North and Barry R. Weingast. (1990). The Role of Institutions in the Revival of Trade: The Law Merchant, Private Judges, and the Champagne Fairs. Economics and Politics, 2 (1), 2-23.

Phillips Diane M, Baumgartner Hans. (2002). The role of consumption emotions in the satisfaction response. Journal of Consumer Psychology, 12(3), 243 – 52.

Qiang Ye, Rob Law, Bin Gu. (2009). The impact of online user reviews on hotel room sales. International Journal of Hospitality Management, 28(1), 180-182.

Robert Allen King, Pradeep Racherla, Victoria D. Bush. (2014). What We Knew and Don’t Know About Online Word-of-Mouth: A Review and Synthesis of the Literature. Journal of Interactive Marketing, 28(3), 167-183.

Thorsten Hennig-Thurau, Kevin P.Gwinner, GianfrancoWalsh & Dwayne D.Gremler. (2004). Electronic word-of-mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the Internet? Journal of Interactive Marketing, 18(1), 38-52.

Tracey S. Dagger, Meredith E. David, Sandy Ng. (2011). Do relationship benefits and maintenance drive commitment and loyalty ? Journal of Services Marketing, 25(4), 273-281.

Wenjing Duan, Bin Gub, Andrew B. Whinston. (2008). Do online reviews matter? — An empirical investigation of panel data. Decision Support Systems, 45 , 1007-1016.

Wenjing Duan, Bin Gu, Andrew B. Whinston. (2008). The dynamics of online word-of-mouth and product sales-An empirical investigation of the movie industry. Journal of Retailing, 84(2), 233-242.

Westbrook, R. A. (1987). Product/consumption-based affective responses and postpurchase processes. Journal of Marketing Research, 24(3), 258-270.

Yacouel, N., & Fleischer, A. (2012). The Role of Cybermediaries in Reputation Building and Price Premiums in the Online Hotel Market. Journal of Travel Research, 51(2), 219-226.

Documents

電碑管理對台灣觀光旅館來客量之研究 · 社及團客為導向獲利模式，以及傳統依賴看板µ 廣播µ 電視和平媒體的宣傳 式，轉向注重網路平台的銷，還有網路評論的管理與回覆

電碑管理對台灣觀光旅館來客量之研究 · 社及團客為導向獲利模式，以及傳統依賴看板µ 廣播µ 電視和平媒體的宣傳式，轉向注重網路平台的銷，還有網路評論的管理與回覆