How Does Online Information Influence Offline Transactions? Insights from Digital Real Estate Platforms今天我们分享一篇发表于信息管理顶级期刊Information Systems Research上的论文。虽然现在很多消费都转移到了线上，但是很多大宗消费还是在线下成交。典型的例子就是买房。
虽然买房是在线下购买的，但是人们还是需要看线上信息的。这是因为看房的成本很高，人们通常需要在网上筛选出感兴趣的房子，然后再去看。一个自然的问题是，线上的信息会影响房价吗？作者关注了三个维度：（1）信息量；（2）信息类别；（3）房产类别。本文的研究问题是：各种线上信息的丰富程度如何影响线下交易价格？信息种类和房产种类如何调节上述关系？本文的数据集来自于美国的Zillow网站，这个网站和我国的贝壳找房类似。本文关注了两类信息（搜索信息 vs. 体验信息）。搜索信息是下图的facts and features，作者以提供facts and features的数目作为搜索信息的丰富程度。体验信息包括下图中的Photos和Property Description。作者用Photos的数目和Property Description的字数度量体验信息的丰富程度。房产类别分为常见房型和异常房型。Zillow为房产的价格提供了一个估算价，是下图中的Zestimate。如果一个房子的估算价与邻居的平均价差异不大（相似度在70%-130%之间），该房子定义为常见房型，否则为异常房型。假设H1：线上信息（facts and features、Photos、Property Description）越丰富，线下房价越高。这是因为丰富的信息能够吸引更多的人来看房，更多的人数导致卖方更容易以高价将房子卖出。H2：相比于正常房型，异常房型的线上信息对线下房价的影响更大。人们搜索信息通常来自线上和线下。对于正常房型，人们可获得的线下信息更多且更可靠，不需要依赖线上信息。相较而言，异常房型更依赖于线上信息。H3：相比于线上的搜索属性的信息，线上的体验属性的信息的丰富度对线下房价的影响更大。这是因为搜索信息更客观、明确，不确定性低，而体验属性的信息则相反。在线上提供大量的体验属性的信息，可以吸引更多人来看房。因此，其对线下房价的影响更大。
数据 本文从美国东南西北四个区域分别选择大、中、小三个都会区作为研究对象，以Zillow网站上房产主页的信息的丰富程度作为本文的自变量。本文进行了多次数据抓取和手工抓取，以获得房产成交的价格，以此作为因变量。结果表2拟验证H1。第一列未控制了Zillow的预估价，第二列则对预估价进行了控制。第一列的结果表明，facts and features对房价没有影响。Photos的数目和Property Description的字数对房价有正向影响，因此H1得到了部分支持。在第二列中，仅有Property Description的字数对房价有显著的正向影响。表3拟验证假设2和假设3。作者首先进行了分组回归。对于正常房型（第三列），线上信息丰富度对线下房价没有影响。对于异常房型（第四列），facts and features对房价没有影响，而Photos的数目和Property Description的字数对房价则有正向影响。H2得到了部分支持。作者还进行了调节分析（第五列），Photo和异常房型的调节是显著的。作者还进行了Walt test分析，结果表明，当房型是异常房型的时候，Photos的数目和Property Description的字数对线下房价均有正向影响。综上，表3发现，仅有线上的体验属性信息的丰富程度（Photos的数目和Property Description的字数）对异常房型的线下房价具有显著影响。本分析支持了假设2和假设3。排除其他解释 本文有两个其他解释。第一，中介的能力。写更多信息的房产中介可能能力更强，因此可能促成更高的成交价格。作者收集了芝加哥的2016和2020的数据。这两套数据都有房产中介的评分。区别在于（1）2020年数据缺少了一项阅读和收藏的数据，本文的主结果是控制了这个变量 的；（2）2020年的数据更丰富。作者在两套数据中均控制了中介的评分，不影响本文的结论，结果见表4和表5。第二，房产的质量存在差异。质量是价格最重要的影响因素。但是很多质量是不可观测的。因此，需要对房产质量进行进一步控制。作者采用了三种方法。第一，政府会对房产进行估价，作者对此进行了控制。第二，作者控制了小区的固定效应。第三，作者收集了房价的过往的交易记录，作者用过往的房价作为因变量，以本文的所有的变量作为自变量，进行第一阶段的回归，从回归中估计了残差，这些残差能够表示未观察到的质量，将估计出的残差作为第二阶段回归的控制变量。上述结果呈现在表5中。这些结果再次发现，仅有线上的体验属性信息的丰富程度对异常房型的线下房价具有显著影响。本文还进行了一些稳健性检验，例如采用不同的标准误、以平均值补齐缺失值、采用不同的标准对房型进行划分、采用其他的模型。这些检验也获得了与主结果一致的结论。这些结果呈现在附录中，我们不一一呈现了。 参考文献Jiang et al. (2023). How Does Online Information Influence Offline Transactions? Insights from Digital Real Estate Platforms. Information Systems Research.
