共享短租平台房东定价行为——基于小猪短租平台的数据分析

(上海交通大学 安泰经济与管理学院,上海 200030)

随着共享经济的日益兴起,共享短租市场也逐渐受到追捧,人们的旅行住宿方式发生了转变,从只能选择单一的标准化酒店,到开始选择具有当地特色的民宿,共享住宿丰富了旅行人群在旅行地的生活。而且,由于有些民宿可以提供厨房、冰箱等基本的配套设施,这也为旅行人群节约了一定的旅行资本,给人以“家”的感觉。共享经济发展的最初是闲置资源的再利用,共享短租平台上的房源也是如此,由于是闲置资源,往往定价也相对较低,但是随着消费者端的需求不断增加,共享经济在供给者端是否会出现一些不同的特征,对共享资源的定价是否也出现差异,是本文要探讨的两个重要问题。

1 相关研究述评

近几年,对共享短租平台及房源定价的研究越来越丰富。Fang等[1]分析了共享经济这一现象在宏观经济层面的渗透影响,以Airbnb上爱德华州的房源数据为考察对象,分析了共享经济对旅游行业就业的正面和负面影响,结果发现:共享短租平台可以在一定程度上解决失业问题;但共享经济也有消极的一面,政府不能简单地允许其进入,应制定相应的政策,以确保社会将受益。Jefferson-Jones[2]认为促进共享经济发展的驱动力主要来自两个方面:满足消费者不断升级的寻找负担得起的住宿需求;房子的所有者通过分享他们的闲置资源来赚取一定的经济收益。Pairolero[3]认为Airbnb的经济活动是房子的拥有者将房源临时租赁给他人,而这种租赁不改变房子原本归属的一种经济现象。Gutierrez等[4]对西班牙巴塞罗纳的Airbnb网络进行了空间分析,并得出Airbnb的房源在历史比较悠久的城市中心比传统酒店更集中的结论。Li等[5]认为共享经济平台(如Airbnb和Uber)的进入已经潜在地改变了传统行业的竞争格局,通过实证分析发现,Airbnb在一定程度上蚕食了酒店的销售额,同时为这个行业开拓了市场,而且灵活的Airbnb房源的供应有助于满足需求波动和放大潜在需求。王春英等[6]从产品或服务差异、供给端和需求端的目标客户群差异等方面对共享经济平台与专业平台进行了差异化分析。梁晓蓓等[7]以Airbnb数据为例,研究了线上商家属性对网络口碑的影响机制,结果发现,商家的特色介绍、回复时间、优质商家和实名认证等因素对房源的口碑产生显著的正向影响,因此,房东应特别注意这些相关因素。严蕾[8]通过对Airbnb粉丝的问卷调查,对127份问卷数据进行了实证分析,建立了民宿租赁平台用户使用意愿影响因素模型,从而挖掘出消费者最看重的因素,结果发现,感知有用性、易用性和娱乐性正向影响使用态度和使用意愿,使用态度在有用性、易用性、娱乐性和使用意愿之间具有部分中介作用。池毛毛等[9]进一步从双边平台的网络效应视角,分析两边用户如何影响彼此的参与行为,结果发现,用户之间的跨边网络效应和同边网络效应在感知有用性对平台满意度方面均存在一定的调节作用。王水莲等[10]认为共享短租平台Airbnb拥有平台、用户网络和利益相关者3个层次结构,通过共创驱动,增强了平台的吸引力、用户的创造性等。李立威[11]以Airbnb和小猪短租为例,分析了共享经济中多层信任的构建机制,提出制度、信息和交互是3种主要方式。

在共享短租平台房源定价影响因素研究方面:Gutt等[12]的研究结果表明,在Airbnb上提供住宿出租的房东,如果他们的房源可以获得较高的星级评价,则房源定价也相对较高;Jun等[13]将美国纽约Airbnb上房源的房东类型划分为专业房东和业余房东,通过实证分析发现,专业房东在收入、入住率等方面要高于业余房东:专业房源的日均收入高于业余房东16.9%,入住率高于业余房东15.5%,退出率低于业余房东13.6%;Zervas等[14]利用DID实证方法,以Airbnb平台上美国德克萨斯州的房源为例,研究了Airbnb对酒店行业的影响,结果发现,Airbnb上房源数量每增加10%,会导致酒店收入降低0.37%,这说明,共享短租行业对传统酒店产生一定的负面影响;Wang等[15]通过获取Airbnb平台上欧洲和北美33个城市的房源信息,利用分位数回归方法分析了房源定价的影响因素;Gyodi[16]对波兰华沙Airbnb房源特征进行了分析,发现Airbnb平台的主要活动减少了长租市场的房源数量;相比于传统酒店,Airbnb对与城市外围地区的旅游业没有明显的促进作用;Gibbs等[17]通过获取Airbnb平台上加拿大的房源信息,利用享乐价格法分析了定价影响因素,发现房源的物理特性、地理位置以及房东特性显著影响定价,房源的评论数会降低房源的住宿价格;吴晓隽等[18]对Airbnb中国36个城市的房源数据进行了OLS和分位数回归分析,发现信任度与社交度对住宿定价有显著影响,而且对于不同价位的房源的定价影响因素程度各不相同;王保乾等[19]的研究表明,家庭可支配收入越高,消费者对高价的共享短租房源接受度越高,选择低房源价格的消费群将房东个人信息作为选择的重要依据,并从共享短租房源的供给者、共享短租平台和相关监管部门3个角度对共享短租行业的健康发展提出意见和建议;陈子燕等[20]对Airbnb上的专业房东和业余房东的定价差异进行了分析,发现专业房东的定价对房源数量、可容纳人数、房屋的整洁等因素更加重视,而非专业房东对地理位置、评分等因素更加重视。

通过上述分析可以看出,共享短租平台的出现对现有酒店行业产生了较大冲击,共享短租平台的定价因素也来自多方面的影响。但是,在对定价因素分析时,已有文献主要是对总体房东的定价因素进行分析,没有对房东的类型进行分类,并且鲜有文献考虑传统酒店对其的影响。因此,本文以Jun等[13]的划分方法为依据,对房东类型进一步细分,并以国内C2C共享短租平台为依据,结合以往文献中对影响房源住宿价格等因素,加入传统专业酒店的相关数据。根据获得的数据分析房东特征,对房源定价的影响因素进行实证分析,可以更好地分析不同房东类型的定价行为,以及传统酒店的定价是否影响共享短租平台房源的定价,从而进一步分析共享短租平台的相关特点。

2 共享短租平台特征

小猪短租成立于2012年,是我国出现比较早的一批共享短租平台,目前比较大的国内民宿平台有途家、美团民宿(榛果民宿),小猪短租是典型的C2C商业模式运作,从数据的可获得性考虑,本文以小猪短租平台的数据为分析依据。通过对数据的持续观察,以及通过爬虫技术,获得了在2019-10-01～10-05黄金周期间10个重点旅游城市的共享短租房源的定价、房源特性、房东特点以及房客评价等数据,通过分析得出如下特点:

2.1 房源以整套出租为主,独立单间的比重在下降

小猪短租平台上的房源有整套、独立单间以及合住房间3种类型。其中:整套是指房客独享整套房屋,独立单间是指可能与其他房客分住不同房间;合住房间是指和房东或房客分享同一房间,这种类型的房源较少,所以主要研究整套出租和独立单间出租的房源。由于网站上不显示房源的具体数据,故根据估算,考察两个不同时间的国内10个城市的房源信息,具体如表1所示。

表1 不同房源类型对比

根据表1可以看出,与房东或房客合住的独立单间的房源相对较少,整套出租的房源较多,而且随着时间的推移,独立单间出租占整套出租的比例呈下降趋势,呈现以房客独享整套房间的趋势。独立单间出租在北京、上海这种一线城市占比较高,其他二线城市中,该比例也存在上升趋势。

从供给者端看,独立单间形式出租的房源,可以较多地展现房源闲置的特征。根据上述数据趋势可以看出,具有闲置特征的独立单间的房源数量明显小于专门用于出租的整套房源的数量,供给端提供的资源的特征逐渐发生变化,有些房源不再是闲置,而是专门为了在短租平台上交易而出租。

2.2 一定规模房源的房东数量占比逐渐升高

数据获取:第1次为2018年1月的房源及房东信息,第2次为2019年10月的房源及房东信息;第1次房东规模样本量为8 344 个,第2 次为2 931个。房东的房源数量如表2所示。

由表2可以看出,房源数量为1的房东的占比下降幅度较大,2018年1月占比35%,2019年10月占比下降至18%。房源数量为2 个的房东的占比也有所下降,3个及以上的房东较2018年均不同程度地上升,其中上升幅度最大的是拥有5～20个房源数量的房东,这部分小微规模的房东合计占比约为33%。房源数量超过20 个的房东占比较小,但是这类房东拥有的房源总量较多,其中有房东拥有75个房源。由此可见,拥有一定规模的房东数量逐渐升高,在共享短租平台的供给端出现一定规模的共享资源提供者。

表2 房东的房源数量统计

2.3 市场集中度较低,行业竞争程度高

市场集中度(HHI)指数是用来测量某一产业集中度的综合指数。根据所获得房源的所有数据,将样本中属于同一房东的房源进行整理,对规模超过5个房源的房东的市场份额进行测算,具体如表3所示。

由表3可以看出,HHI＜500,根据以HHI值为基准的市场结构分类,属于竞争Ⅱ型,即分散竞争型。由此可见,以小猪短租网站作为考察的共享短租行业,虽然出现了一定规模的房东,但是整个市场仍然处于充分竞争的状态。

表3 市场集中度

2.4 房东年龄、学历和职业特征

通过获得的133个显示具体信息的房东数据样本可以看出,房东年龄为80 后的占比最大,为53%;学历水平中本科学历的房东占比最高,为68%。标注职业的90 个房东中有建筑师、银行柜员、花艺师和设计师,也有全职妈妈、自由作家和职业房东,其中大多从事IT、教育等行业。由表4可见,自由职业占比21%,职业房东占比22%,这两类人群的占比约为43%。从平均房源来看,职业房东的平均房源为14个,自由职业的房东平均拥有房源9.4个,其他职业的房东平均拥有房源7个。可以看出,职业房东拥有较大规模的房源,因为小猪短租平台上的房源包括单间出租和整套出租,所以职业房东平均拥有的房源房间数会超过14个,有可能是20个或更多,这种房源规模完全可以同经济型小酒店的客房规模不相上下。

表4 房东年龄、学历和职业特征

3 房东特征对房源定价影响的实证分析

3.1 样本选择和描述

共享经济的供给端最初是由供给者将其拥有的闲置资源接入到共享平台中提供相应的服务,随着共享经济的不断发展,共享平台需求端对多样化资源的需求越来越旺盛,因此出现了一定规模的专业的共享资源供给者,在共享短租平台上也存在这种情况。

在共享平台上提供闲置资源的供给者一般具有低回报的要求,但是,当平台上出现一定规模的共享资源提供者时,这类规模的用户对其提供的共享资源的定价与闲置资源提供者的定价相比应有不同的区别。因此,本文将通过实证考察不同房源规模的房东对房源的定价是否存在着本质的区别。

另外,短租平台的房源的定价还受到房源大小、类型、床铺数量、地理位置、配套设施、房东特点以及消费者评论等因素的影响。

本文数据样本时间为2019年9月,选取入住时间为10月1日～10月5日国庆黄金周时间段的房源数据,通过技术手段进行爬取,剔除无效数据后,最终获得5 388条房源信息,具体如表5所示。

表5 小猪短租房源数据信息

为了考察共享短租平台与专业酒店平台的关系,还抓取了同一时间区间(10-01～10-05)携程网上3星级以下酒店和客房的相关信息,具体数量如表6所示。

在考察小猪短租平台房东特征对房源定价的影响时,还加入了专业平台(携程网)上酒店的相关信息,剔除价格高于5 000元/晚的客房。对数据进行进一步处理,将10个城市每个区的酒店的平均价格(hotelp)和平均数量(hnum)作为解释变量,研究专业平台相关变量对共享经济平台定价的影响。

小猪短租平台上获取的相关变量包括:每晚住宿价格、房东的房源数量和房源类型(整套出租/单间出租),房源照片数量、面积、宜住人数,居室数量、地理位置、有无wifi,能否做饭、房东特点以及消费者评论,具体如表7所示。

表6 携程酒店数据信息

由表7和图1可以看出,房源的每晚住宿价格主要分布在100～400元。

3.2 数据分析和实证结果

对全部样本数据中的主要变量进行相关性分析,具体如表8所示。

表7 相关变量统计性描述

图1 每晚住宿价格分布

为考虑各变量之间多重共线性可能导致回归结果不准确的问题,对所有解释变量进行多重共线性检验。结果表明,方差膨胀因子VIF 的平均值为3.69,最大值为9.26,小于10。因此,模型中不存在多重共线性问题。

根据Jun等[13]的方法,将房源为1的房东定义为业余房东,将大于1个的房东定义为专业房东,本文对这个划分稍加改进,将专业房东按照规模进一步细分,具体分类如表9所示。

表8 各变量间相关性分析

表9 房东类型分类

将房源数量rooms设为虚拟变量,房源数量为散户的作为参照组,将其他数量规模的用户定价与散户作为对照,考虑其他影响定价的相关因素,建立如下多元回归模型:

回归结果如表10所示。

通过添加控制变量,可以看出,具有一定规模房源的房东的房源定价要比散户高,特别是在将专业平台影响因素、房源类型及配套设施、房东特性、消费者评论、房价和区位以及房源特点等控制变量加入后,专业房东的房源定价显著比业余房东的房源定价高。具体来看,房源数量为[2,5]的小规模房东的房源住宿价格比业余房东价格高出约3.4%,但是结果不显著;房源数量为[6,10]的中等规模房东的房源住宿价格比业余房东价格高出约5.7%;而房源数量为10个以上的大规模房东的房源住宿价格比业余房东价格高出约8.2%。因此,在同等条件下,专业房东对其房源的住宿价格比业余房东的房源定价要高,随着专业房东房源规模的扩大,房源的定价越高。因此,可以明显看出,专业房东由于专门从事这一共享短租行业,对其房源的定价明显高于业余房东。

由其他控制变量可以看出:

(1)专业平台的影响。携程酒店的平均定价提高1%,则小猪短租平台房源的定价提高0.2%,从中可以看出,专业平台与共享短租平台之间存在着明显的竞争关系。

(2)房源类型。整套出租的房源价格比独立单间出租的房源住宿价格高12%;房东是否实名认证对房源住宿价格的影响较大,实名认证的房东的房源价格比没有实名认证的房东的房源价格高出约6.4%,实名认证的房东能够得到房客更多的信任,这些房东的房源更优质,给予房客的安全感更强。房东获得的订单数量越多,则房源的定价越低(-0.1%)。这说明,房东的订单数量越多,他越会通过降低价格来吸引更多的住客。

(3)消费者端的评论。房客的评论数量和打分对房源的定价产生显著的正向影响,消费者对房东总的房源评论数量越多,则该房源的住宿价格越高(0.02%),因为这种房东的房源越能吸引房客的注意,越是受欢迎的房源,所以该房源的住宿定价越高;房客对房东房源的总评分越高,则该房源的住宿价格越高(13%),房源的打分是评价房源优质与否的一个重要指标,打分越高,该房源越优质,则其价格也相对较高,对于想要入住的房客的吸引力也更强。

表10 稳健性回归结果

(4)房价和区位。二手房价格对小猪短租平台上房源的住宿价格呈现正向影响(0.27%),这与现实相符,因为二手房价格越高,房源出租的机会成本也就越高,所以房源的定价也就越高;房源离城市中心距离越远,住宿价格越高(0.02%)。这主要是因为共享短租平台主要是迎合外地旅行者的需求,距离城市旅游中心越近,房源一般较多,竞争较激烈,所以住宿价格会相对较低。

(5)房源特点。房源照片数量对价格的影响正向且显著。房源图片数量越多,对房源的定价就越高,这主要是因为房源数量越多,一方面说明房东的投入多,其是专业房东的可能性就越大,对其从事这一商业活动的回报越高,所以住宿价格越高;另一方面,房源照片数量越多,会更多地显示出房源与其他房源的差异化,而且由于差异化的存在,会满足消费者的用户体验需求,故房源的定价越高。

3.3 边际效应分析

通过上述分析可见,专业房东对房源的定价明显高于业余房东,在专业房东中,大规模房东的定价明显高于小规模和中等规模的房东,房源规模越大,房东对房源的定价越高。对这4种类型房东的房源平均定价进行边际效应预测,可以得到这4种类型房东房源住宿定价的预测边际值,如图2所示。

图2 4种类型房东的房源住宿定价的预测边际值

由图2可见,在其他变量取均值时,业余房东的房源定价预测边际值为5.40。专业房东中,小规模房东的房源定价预测边际值为5.43,中等规模房东为5.46,大规模房东为5.48。因此,大规模房东的定价明显高于业余房东和中、小规模专业房东。

房源类型有两种:一种是独立单间出租,这类房源是和房东或其他房客共同合住一套房屋,“共享”的特点更明显;另一种是整套出租,房客可以独立拥有一套房源。在不同房东类型下(业余房东或专业房东),将这两类房源住宿价格的预测边际值的差值进行比较,具体如图3所示。

图3 两种类型房源的住宿价格预测边际值差值

由图3可以看出,业余房东的整套出租房源的住宿价格的预测边际值与独立单间的预测边际值差值最小,为0.06;大规模专业房东的最大,为0.21;小规模专业房东的差值大体与业余房东持平。因此,由图3也可以看出,对于业余房东,其房源不管是独立单间出租还是整套出租,房源的定价差异不是很明显,也更说明了他们对于闲置房源的低定价、低回报;而随着专业房东的房源规模的扩大,大规模专业房东对整套出租的房源的定价会明显大于独立单间出租的专业房东的定价。这主要是因为整套出租的房东的专业性更强,专门从事这一商业活动的特性更明显,所以其对房源的定价及回报要求更高。

3.4 稳健性检验和内生性讨论

根据小猪短租网站上房东的信息,对于获得的显示房东职业的209个房源进行回归,将房源数量(rooms)与职业是否专业房东(i.profe1)产生交互项i.profe1×rooms,回归结果如表11所示。

表11 稳健性检验结果

由稳健性检验结果可以看出,专业房东的房源数量越多,其房源的定价比非专业房东的房源的定价越高(0.246)。因此,通过该样本回归结果也可以看出,越是专业房东,其房源越多,对房源的定价比非专业房东越高。这也进一步支持了总体回归中的结果。

本文还将专业平台上酒店的定价作为对共享短租平台房源定价的影响因素。结果显示,专业平台携程上酒店的价格和数量对共享短租平台上的房源的定价产生正向且显著影响,但是由于这两个平台是相互竞争的,故携程上酒店的定价与小猪短租平台上的房源的定价存在直接的双向交互影响,因此可能产生内生性问题。为了克服内生性问题,需要一个或多个与携程上酒店客房的定价高度相关同时独立于小猪短租平台上房源定价的外生变量作为工具变量,采用二阶段最小二乘法估计回归方程。本文中携程酒店的定价采用的是10个城市中各区级行政单位的平均定价,受到客房面积(harea)、最多入住人数(hgest)以及豪华客房(住宿价格大于1 000)比例(luxury)的影响,而这3个变量不会对小猪短租平台上房源的定价产生直接影响。因此,将harea、hgest和luxury作为携程上酒店客房的平均住宿价格(hotelp)的工具变量,使用两阶段最小二乘法(2SLS)进行回归,结果如表12所示。

表12 内生性讨论

通过对工具变量(harea、hgest、luxury)进行过度识别检验,p=0.3,故可认为这3个变量外生,与扰动项无关,工具变量与内生变量(hotelp)也存在很强的相关性(p=0.000 0),对hotelp是否为内生变量进行DWH 检验,p＜0.05,故可认为hotelp为内生解释变量,由弱工具变量的检验结果可知,Cragg-Donald WaldF统计量为 1 602.9,Kleibergen-PaaprkWaldF统计量为1 346.55,均大于10%偏误的临界值22.3,因此拒绝弱工具变量的假设。由估计结果可以看出,在控制了酒店客房平均价格变量的内生性后,酒店客房平均价格仍然通过了1%的显著性检验,系数为正,且系数相比于未控制内生性时有所上升。这说明,酒店客房的住宿价格对小猪短租平台的房源住宿定价产生重要影响:酒店客房的住宿价格每增加1%,小猪短租平台上房源的住宿价格将提高约0.3%。另外,房源规模属于中等规模和大规模房东的房源定价仍然显著高于业余房东。

3.5 规模化房东的房源定价较高的原因

通过挑选不同规模房东的房源,在考虑同一城市、同样面积和房型等因素的前提下,通过对比,发现规模化房东的房源定价之所以较高,主要有如下原因:

(1)房客端自网络效应的存在。共享短租平台是典型的双边平台,除了两边用户的交叉网络效应,在入住的房客端还存在同边的自网络效应。所谓正的自网络效应,是指双边平台一边的用户数量越多,就会吸引更多的同边用户加入。由于规模化房东的房源较多,因而房源获得的订单和点评数量也较多,房客对房源的点评越积极、房源的打分越高,则房源越优质,虽然房东对房源的定价相对较高,但依然吸引更多的房客入住。通过观察一定数量的房源的点评内容,发现具有一定规模的房东的房源点评更积极,房源的打分也更高。因此,房客端自网络外部效应的存在使规模化房东的定价明显高于散户的定价。

(2)规模化房东的专业时间投入及精细化运作。具有一定房源规模的房东,大多是专业从事共享短租活动的房东,由实证结果可以看出,不同规模的专业房东的定价都明显高于仅有1个房源的业余房东。当房东专业从事共享短租时,由于机会成本的存在,专业房东为了覆盖其投入成本,因而对房源的定价相对较高。另一方面,由于专业化从事这项服务,因而房东对于房源的装潢比较精致、考究,实际的投入成本也相对较高。因此,规模化房东对房源的定价相对散户也会更高。

(3)业余房东的粗放化经营及低回报要求。业余房东的房源数量较少(1个),闲置资源的性质较高,这部分房源具有共享经济发展最初阶段的特征:闲置资源的再利用。由于资源是闲置的,而且房东大多是兼职从事这一行业,对房源的装潢也没有投入更多的精力和财力,因而房源的装潢一般比较简单,房东投入的成本相对较低。而且,由于其房源仅为1个,闲置资源的性质更明显,业余房东大多是兼职从事共享短租活动,对于这一商业活动的回报要求也相对较低,因而其房源的定价也比专业的规模化的房东房源低。

4 结论

通过所获取的共享短租平台的一定量的样本数据进行分析,从共享短租平台的供给端即房东的特征出发,将房东划分为业余房东、小规模、中等规模和大规模房东,根据描述性分析和实证分析,得到如下结论:

(1)在共享短租平台上,真正与陌生人共享空间的闲置资源越来越少。共享短租平台上独立单间的比例逐渐下降,而整套出租的房源比例在逐渐升高。这说明,在供给者端,真正是闲置资源,房东与房客共享空间的房源比例在下降;在需求者端,与房客或房东共享空间的需求也越来越少。

(2)在供给者端出现了一定规模的专业房源供给者。从所获得的样本数据看,房东的房源数量最少的是1个,最多的是75个,拥有1～2个房源的房东数量占比仅为18%,较之前的统计下降明显,而房源在5 个以上的房东数量占比从29%上升至36%。从房东的职业看,自由职业和职业房东的占比很高,其拥有的平均房源数量较多。

(3)共享经济平台与专业平台存在明显的竞争关系。通过实证结果可以看出,专业平台上酒店客房的定价和数量对共享短租平台上房源的定价产生正向影响。这说明,这两类平台在供给者端存在激烈的竞争关系,特别是对于经济型的房源和酒店,他们之间的竞争程度更激烈。

(4)专业的、有一定规模房源的房东的定价相对较高。将不同房源数量的房东进行分类,通过对房源的住宿价格的影响因素进行实证分析,结果发现,小规模、中等规模以及大规模房源的房东的住宿价格均显著超过业余房东的房源价格,而且房东拥有房源的规模越大,其房源的价格越高。因此,相比于散户,业余房东和具有一定规模房源的专业房东对房源的定价较高,这主要是由于规模化房东的房客端的自网络外部效应、规模化房东的投入成本相对较高,以及散户房东的闲置资源低回报要求等引起的。

(5)共享短租房源的定价还受到房源图片数量、房客对房源的评论数以及打分的影响。本文分析了其他影响房源定价的因素,除了面积、类型、宜住人数等房源特点,距离城市旅游中心的远近以及配套设施都对定价产生一定的影响。如果是实名认证的房东,其房源的定价会更高;在平台上展示的房源图片数量越多,对房源的描述越详细,房源的定价越高;消费者评论和房源打分对房源的定价都产生显著的正向影响。