Airbnb房源价格影响因素研究

吴晓隽　裘佳璐

[摘 要]自Airbnb正式进军中国市场，它已快速发展成为中国分享经济的标杆，并且以Airbnb模式为先导的在线民宿短租市场也显著地影响着民众的旅行及住宿方式。文章利用爬虫技术从Airbnb App上获得中国36个城市的51874个房源的有效样本数据，采用OLS回归和分位数回归模型，分析了9类共27个细分变量对房源价格的影响，来确定影响Airbnb房源价格的关键因素。OLS和分位数回归所得的结果表明，大多数变量（除实体床、客人电话和照片外）均通过显著性检验，信任度与社交度这两类非经济因素也对Airbnb房价有明显影响，且对于经营不同价位房源的房东，房源属性和社交度、信任度对房价的影响程度有明显区别。基于回归结论，文章进一步采用了对应分析法对不同城市的不同价位Airbnb房源的价格关键影响因素深入剖析，研究显示，对于不同城市的Airbnb房源经营房东，他们所需重点关注的因素有所不同。

[关键词]Airbnb;价格影响因素;分位数回归;信任与社交

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2019）04-0013-16

Doi：10.19765/j .cnkl.1002-5006.2019.04.007

引言

分享经济（sharing economy）作为一种依赖网络，建立在分享知识、服务或闲置资料“使用权”基础上的需要社会大众广泛参与的新经济形态，对当前社会生活的各个领域都产生了深刻的影响。在信息技术和互联网的发展推动下，分享经济已成为目前社会经济领域中非常活跃的经济模式之一。中国分享经济起步虽略晚于国外，但发展势头强劲，预计到2020年分享经济交易规模占GDP比重将达到10%以上[1]。

其中，以旅行住宿分享为内容的民宿在线短租的发展令人瞩目。相对于传统住宿消费市场，民宿在线短租有两方面优势：一方面相较于酒店，在线短租房源覆盖广，种类多，选择丰富，消费灵活，性价比高，同等价位下，享受酒店所不具备的个性体验。另一方面相较于传统线下短租，民宿在线短租网站/平台房源更多、更丰富，为租客提供多种选择;展示信息形式多样，提高沟通效率，能降低交易双方的信息不对称性;平台的保障机制，能有效降低预订和支付环节可能的交易风险[2]。在分享经济领域，2017年中国民宿在线短租的交易量增长速度仅次于知识技能和生活服务，增速达到了70.6%[3];且民宿在线预订市场的交易规模也由2012年兴起时的4.7亿元增长至2017年的145.6亿元[4]，后续还呈现出持续扩大的趋势。而且中国国务院在2018年10月印发的《完善促进消费体制机制实施方案（2018-2020年）》文件中提到要鼓励发展民宿短租，加快行业服务标准制订工作，使得民宿在线短租在中国的发展，相较于日本、西班牙等国，享有更为有

利的政策环境。

Airbnb（爱彼迎）是民宿在线短租平台鼻祖，分享住宿的先驱，它以P2P为商业模式，以互联网平台为媒介，赋能个人在线上发布房源、搜索房屋信息、完成在线预订程序并实现线下入住。自2008年在美国成立以来，Airbnb的影响力已遍及了全世界190多个国家的65000多个城市，拥有超过400万套房源，积累了6000多万名用户，其估值高达310亿美元[5]，已超越全球多家知名酒店集团。Airbnb在中国市场起步于2010年，并于2015年8月正式入华，发展十分迅速，至2017年年底，中国的Airbnb可供出租的房间数量已达到15万间[5-6]。尽管在房源规模上，中国境内的Airbnb不敌途家100多万间的房源数量，但是就房东构成和商业模式来说，途家主要采用B2P模式，其平台上更多的是公司统一运营的房源，更具有酒店标准化特征，而Airbnb则更多采用P2P的商业模式，平台上的房东以个人房东为主[7]，更能体现分享经济的本质特征，故而以Airbnb为本文研究对象比较合适且有代表性。

当前，我国正处于分享经济发展的黄金期和转折关键期。据电子商务研究中心监测数据显示，2017年中国分享经济市场规模约52850亿元，较2016年的36 750亿元增长了43.81%[4]。但相较于2013年和2014年的增长速度，近两年的市场规模增速逐渐放缓，由原先的“高歌猛进”阶段进入当前关键的调整阶段[4]。表现在民宿在线短租领域，不难发现随着房源数量指数级的增长，市场竞争的激烈程度正在倍增。这也就意味着，房东在竞争日益激烈的市场环境下，获利空间受到挤压，盈利难度增大。因此他们需要采用更为明智的定价和营销策略来保证自己的收益，从而使这种P2P的房屋分享模式可持续。事实上，定价和收入管理是酒店营销中最常研究的两个主题[8]。但与传统酒店业成熟的定价理论与实践不同，Airbnb房源的独特性和房东的异质性，使得房东难以最佳方式做出合理的定价决策[9-10]。Hill在其发表的文章中有提及房东对其房源真实市场价值和Airbnb“智能定价”功能的困惑[11]。故而，研究Airbnb房源的价格影响因素是一个有意义的话题。

目前虽然已有文獻开始尝试将短租房源价格与其房源属性联系起来进行研究，但是存在一定的局限性。一方面，并没有专门以中国的Airbnb房源及其价格为研究对象的文献，多是基于中国某一个城市来研究影响Airbnb房价的关键因素[12-13]，或是虽然基于多个城市，但却是从其他国家角度来探讨分享经济在线短租的价格影响因素[10，14];另一方面，对Airbnb价格决定因素的分类与确认大多基于酒店业的研究，并没有突出Airbnb作为分享经济平台所特有的影响因素。而且虽然有学者提及并分析Airbnb所特有的非经济影响因素，如游客的社交需求，但并没有将其与价格联系在一起做实证分析。

本文以中国的Airbnb房源为研究对象，探究其价格的决定因素。通过爬虫程序获取了截至2017年11月，在中国境内的123 655个Airbnb房源信息及其评论的相关数据，使用普通最小二乘（OLS）分析和分位数回归（QR）分析51 874个有效样本数据，调查9类因素：外部因素、房东特征、区位特征、房源特征、房间设施、出租规则、信任度、社交度、租客特征对价格决定的影响。其中，加入信任度和社交度这两类变量以表征分享经济平台特质。本文的发现在理论上对现有分享经济背景下在线短租定价规律的研究有一定的补充和完善的作用，并在实践上能一定程度降低Airbnb“智能定价”工具的定价原理的不透明度，帮助房东更好地制定价格及营销策略。

1 文献回顾

1.1分享经济和Airbnb

分享经济作为一种经济思想，最早是在20世纪80年代中期由美国麻省理工学院经济学教授Weitzman提出，他认为能替代现有工资制度（即利润全归于资本家们）的经济模式就是分享经济[15]。当然，现在所说的分享经济概念已经发生了很大的变化。分享经济的全球思想先锋Botsman将其定义为一种分享空间、技术，甚至是工具等未充分利用资产，由此产生货币性或非货币性利益的经济模式[16]。最新的维基百科词条则将其解释为“围绕人力和物质资源分享而建立起来的一种可持续的经济系统”。

分享经济最显著的特征即是通过陌生人之间的分享以充分利用闲置资源。Schor在对分享经济的特征进行确定时就有提及陌生人分享能力的促进这一点[17]。陈驰在对分享经济的核心进行总结时也有提出，分享若要变为一种经济现象，则需要通过利用闲置资源降低管理成本[18]。分享經济的另一大特征与产权关系相联系，分享是使用权的分享而非所有权的转换，这种模式使得多次“出售”同一个产品成

为可能，从而产生更大的经济价值和效益[19]。人们相互信任和诚信作为分享经济能真正实施的一大前提，也是学者们重点关注的这一经济模式所独有的特征。Piscicelli等就指出，分享经济追求的是社会文化价值，根本上体现的是价值观的变化[20]。分享经济的产生与发展建立在互联网以及信息技术发展的基础上，这亦是其不容忽视的一大特征。吕福玉就曾指出，分享经济实质是新型信息消费[21]，而张孝德和张文明也认为，正是互联网和生态文明两者合力造就了目前的分享经济，并催生分享经济快速发展[22]。

互联网技术的发展为分享经济的产生奠定了技术基础。而全球经济气候的变化，特别是2008年的金融危机，催生了这种经济模式的诞生。虽然这种新模式尚缺乏广泛接受的精确定义，“协同消费”“点对点（P2P）经济”“共享经济”等术语都被用来描述这种对未充分利用的商品和服务的P2P分享，但是不少学者认为，这种新模式深刻地改变了人们的生产、消费、互动和生活方式，甚至导致所有权的逐渐弱化[23-24]。研究者认为，通过允许个人、社区、组织和政策制定者重新思考人们的生活方式、联系方式和创造价值方式，这种模式将改变我们当前的社会经济体系[23-25]。

近几年，分享经济在国内学术圈也逐渐成为热点。由于目前国内学术界对“分享经济”和“共享经济”这两个词并不严格区分，有混用现象，因此为了解国内这一领域的学术进展，我们在中国知网数据库（CNKI）搜索框输入“分享经济”和“共享经济”作为关键词进行全文搜索，共得到3620条结果（截至2018年12月15日），时间区域集中在2016-2018年。研究内容覆盖了从内涵定义、商业模式到行业规制、产业组织、经济影响等多个主题[26-30]。 Airbnb是分享经济中最成功的企业之一[9]，2008年成立并于2015年8月进入中国市场，是一个利用闲置房间、公寓或别墅，将游客和有空房出租的房主联系起来并在线完成预订、支付、沟通、评价这一系列程序步骤的P2P分享平台，该平台致力于让每位用户在旅行中都能“像当地人一样生活”，更好地体验当地文化。Airbnb与其他旅行房屋预订平台或者民宿平台不同，其平台上的房源大多来自普通人的个人房屋，而不是通过中介或者地产公司[7]。Guttentag将Airbnb称为住宿行业的颠覆性创新[31]。

与传统的酒店在线预订平台不同，Airbnb以对陌生人的信任为基础，给了房客以合理的价格入住各种特色房源，在伴随居家体验的同时，又能够和当地房东深入交流的、区别于酒店的另一种选择。故而，这种住宿体验对游客具有独特的吸引力，可在短期内体验当地文化，融入当地环境。不可否认，与传统酒店相比，Airbnb在服务质量、品牌声誉、安全等诸多方面有欠缺，但它还是飞速发展，这种火箭式喷发的增长效应也引起了学术界的广泛关注。不少学者探讨了Airbnb成功的因素，认为是监管宽松、避税机会、位置灵活、供给快速、低成本等一系列相对于传统酒店行业的竞争性优势，使得Airbnb快速成长起来31-34]。其中，价格就是广为研究者们关注的因素之一[31]。

1.2短租房源价格影响因素

价格通常被认为是影响消费者选择住宿的关键因素之一[13]。如Tanford等的研究证明，消费者往往认为价格是影响他们入住中低端酒店决策的最重要的影响因素[32]。许多学者研究过影响传统酒店业房价的因素，并确定了一系列相关的价格决定因素，如品牌名称、星级、地理位置、酒店的年龄、客房设施等[35-38]。

与酒店采用成熟的定价方式不同，Airbnb的房源价格完全由房东个人决定。虽然Airbnb有提供“智能定价”这一功能，但房东仍需根据市场及个人判断发挥其主观能动性。已经有一些学者进行了相关研究，以确定哪些因素会影响Airbnb房源的价格（表1）。但是，学者们的研究结论并不一致，即使是同一影响因素，由于研究对象和研究方法的不同，所得出的结论甚至完全相反。

其中，Wang和Nicolauc[14]对Airbnb价格影响因素的总结较为全面。他们确定了Airbnb房源的5类价格决定因素类别，包括房东属性、房源属性、设施和服务、租赁规则和在线评论等级（这5类因素又包含许多细分变量），通过回归分析得出了一系列结论：例如房源属性中房源类型与价格显著负相关，而房间类型与价格则是正相关关系;房间设施的各细分变量均与房源价格正相关;出租规则中即时预订政策反而导致低价，易取消预订政策与要求客人照片的规则使房源价格提高，但要求客人电话的规则对房源价格并没有显著影响[14]。但还有一些他们未讨论到的影响因素，如分析距离对房价的影响时，他们仅考虑了房源到市中心的距离，得出二者为负向相关的结论。其实有学者就距离这一因素

进行了更为详细深入的分析[12，38-42]，如张志华等人在研究中所用的距离分为房源到会议中心与最近高速公路的距离[12];Balaguer和Pemias[42]、Becerra等[38]在探讨酒店房间价格影响因素时，纳入了与竞争者的距离这个外部因素进行讨论，认为其对价格的影响不是简单线性正或负相关。另外，张志华[12]在考虑影响Airbnb房价的关键因素时，还加入了房源上线时间（即年数）这一因素，发现其对价格的影响为正;马磐昊对在线短租市场房源销量的影响因素进行研究时，提出要基于信任这一因素[43];吕姝在分析社交需求对分享经济平台成交价格的影响时，包含了房客最少入住天数（即租客特征）这一变量，且所得结果为显著负相关[13]。

张志华等[12]基于田纳西州纳什维尔地区的房源样本，得出距离、评论数量、年龄和评论评分这4个因素与Airbnb房源价格显著相关的结论。不过，其研究结果与吕姝等学者的研究结论有所不同，即评论数量、评论分数和价格之间存在显著的负相关关系。而吕姝[13]以及Gutt和Herrmann[44]所得结论都是评论数越多，价格越高，Wang和Nicolauc[14]、Ikkala和Lampinen[45]研究表明评论分数越高，房源价格越高，吕姝[13]及Ert等[46]的相关研究认为，房源价格与其评分并无显著相关关系，即值得信赖的在线评论分数对Airbnb房源价格没有影响。

由于相关研究多是基于1个城市，所以大部分文献并没有考虑城市房价对房源价格产生的影响。但本文是基于中国多个城市，住宅价格与住宅租金二者作为住宅价值不同的表现形式，其具体相关关系虽会因城市而异[47-48]，但不论是Airbnb对住宅价格的影响还是各城市房价对当地民宿短租房

源价格的影响都是不容忽视的。而在目前的研究中，学者们更多的是考虑Airbnb房源对住宅价格的影响。有研究表明，Airbnb房价上涨10%，将会导致租金上涨0.42%，住宅价格上涨0.76%[49-50]。反之，住宅价格也应会显著影响Airbnb房价，故此本文在下文的实证研究中加入代表此因素的变量。

1.3社交度和信任度

1.3.1社交度

传统的酒店行业中，服务已日益标准化，游客一般不考虑酒店除价格、服务外的其他非经济因素[44]。而Airbnb不同于传统酒店，它其实是一个以信任为基础的社区，为彼此陌生的用户建立起某种社会联系。非经济因素特别是其提供的社交是影响游客选择入住Airbnb的一个主要原因[13]，因此社交度应纳入影响Airbnb房源成交价格的因素中。

Airbnb的社交服务功能主要通过其完善的信息披露机制得以实现。本文参照吕姝在分析此問题时的分类[13]：一是房东主动披露，二是被动披露。主动披露，即在Airbnb平台上提供房东个人信息，Fagerstrom等[51]甚至已经细致地探讨过Airbnb房东的面部表情对房屋出租的相对影响。被动披露，即过去租住房客的评价，以年均评价数量来衡量。Gutt和Herrmann的实证研究报告称，评级可见性（多于3条评论）会导致价格上涨2.69欧元[44]。不过Wang和Nicolau[14]以及张志华等[12]的分析结果与其恰恰相反，认为评论数量越多，价格反而越低。这可能是由于房客往往选择价格较低的房源，房东为吸引房客，增加出租机会，更有可能会降低他们房源的价格，使得低价房源的出租可能性更大，获得的房客评论也就相应越多。

1.3.2信任度

Airbnb是一个在线民宿P2P市场，个人通过向其他个人租借住所来进行“短期”住宿[26]。其中所暗含的直接面对面互动和临时占有个人财产[52]，使之与常规电子商务、传统的B2C住宿相比具有更多的风险，比如人身暴力危害及资产滥用行为。因此，Airbnb交易的必要条件是信任[33]。吴晓隽和沈嘉斌在探讨Airbnb信任机制时也指出，为培养对分享经济的信任，从业者应该同步增强制度信任、产品信任和人际信任[53]。但事实上，与传统渠道中的现有酒店品牌相比，客户在Airbnb交易中所获得的信任度可能会大大降低[35]。

鉴于信任在分享经济平台中的重要性，学者们就房客对Airbnb及其房东的信任度这一主题进行了多角度的探讨。Liang等的研究结果表明，Airbnb房源的声誉或者说房客对房东的信任可能受到房东是否是“Superhost”的影响[54]。Liang等也在调查消费者回购意图时，提出关注感知真实性，线上口碑和消费者价格敏感度这3个因素的影Ⅱ向[55]。

Airbnb通过评分机制来显示和增加消费者对平台及房东的信任度，使得能表明信任度的在线评分也成为研究热点。不过，学者们的研究结论并不一致。Wang和Nicolau[14]、Ikkala和Lampinen[45]所得结论与其猜想一致，即评分越高，房价越高;Ert等尝试以房东个人照片和评价分数作为信任变量探讨其在Airbnb中的作用[46]，结果显示，房客对房价的选择及其预订可能性受到房东个人照片的可信度的影响，而评价分数反而对价格没有影响，即房东的可信赖度是比评价分数更好的价格和需求指标。吕姝[13]的研究结论与Ert等[46]的观点类似，而有学者甚至得出评分与价格呈负相关的结论[12，14]。这可能是由于Airbnb的平均评分显著高于其他平台的平均评分[26]，并且从房客期望角度看，价格较低的房源，房客预期也较低，更容易获得满足从而给出高评价[12]。而且超过90%的Airbnb房东获得了4.5-5星的评论分数，使得它们实际上难以区分[52]。事实上，不止一篇文献对用房客评分来衡量信任度提出质疑，Airbnb平台的房客评分趋向于同质化，方差极低，并且没有足够的价值基础来建立信任度[26，46，53]。

特定的文化环境和经济环境也是分享经济发展的重要因素，因此除了在线评分外，各省各地区的守信程度，也会影响该地分享经济的发展。以前的研究已经确定了分享经济中买方和卖方之间信任的重要性[16，56]，但并没有探讨其与价格的关系问题。在过去，与其他国家相比，中国的人际信任度比较低①。在以往的跨文化研究中，中国也被认为是一个信任度比较低的社会[57]。虽然改革开放以来，中国的市场经济有了很大的发展，尤其在一些经济发达的省市，契约精神逐渐建立起来，社会关系也在发生深刻的变化。人们一方面更加渴望接触其他人，一方面又对来得容易、去得轻松的流动关系更加宽容[58]，人际间的信任度有很大的提升，不

过从整个国家来看，因为发展差距比较大，省市之间的信任度差距也比较明显。

2 研究对象及数据处理

2.1研究对象

本研究选取2010年1月-2017年11月中国境内Airbnb房源数量较多（大于100个）的36个城市为研究样本。在剔除信息严重不完整、信息明显有误等房源之后，共得到有效房源51 874个。这36个城市分别为：上海、北京、广州、深圳、杭州、厦门、苏州、青岛、南京、三亚、宁波、天津、秦皇岛、珠海、福州、海口、成都、重庆、大理、丽江、昆明、桂林、贵阳、南宁、武汉、长沙、张家界、郑州、合肥、太原、南昌、大连、哈尔滨、沈阳、吉林、西安。

2.2数据的获取与处理 本研究利用Python语言，设计并实现了一个基于Scrapy框架下的分布式爬虫系统，在Airbnb App中获取房源价格、房型属性、评论等一系列数据，截止时间为2017年11月30日，共整理成两张Excel表（房源数据表和评论数据表）。房源数据表有123 655个房源数据，包含与房东ID相关联的一组属性，包括照片、个人声明、房源信息（包括位置、价格、简要说明、照片、容量、可用性、入住和结账时间、清洁费用和保证金等）、客人评论和Airbnb认证的联系信息。而评论数据表为房客评论的相关数据表，共有原始数据788 574条评论。虽然房源的实际预订数据不可得，但是评论数可以在一定程度上表征房源预订数①，故而可以根据不同年份的评论数量，制作Airbnb渗透图（图1）。可以明显看出，虽然早在2010年在中国就开始出现Airbnb房源，但实际爆发式增长是在2016年和2017年。

在123 655个原始房源数据的基础上，将数据爬取期间（2017年11月）前一年内至少有一次数据更新（即Airbnb日历显示有房客预订入住）的房源定义为活跃房源，由此得到了94 992个活跃房源。各城市活跃房源的数据细节列于表2，Airbnb的房源主要分布在黑河一腾冲线以东。其中，北、上、广、深这4个一线城市，以及杭州、青岛、成都、重庆的活跃房源数量均在3000以上。

在删去不活跃房源的基础上，关联评论数据表，进一步删去没有评论的房源，得到38个房源数量大于100的城市。把这38个城市的数据删去空值（如没有平均评分数据的房源）和异常值（如地理坐标不在区域范围内的或价格过于离谱的房源），整合成新表，样本数据量为53 026个房源。另外，由于我国台湾、香港地区的其他变量数据的可得性问题，最终的城市样本只包含36个城市，以下分析均基于上述数据处理后的去掉台湾、香港的51 874个有效数据。本文所用的加权信任数据来源于张维迎和柯荣住的“信任及其解释——来自中国的跨省调查分析”[59]一文中各地区的加权信任数据。

通过对旅游总收入占GDP比重的计算，将除一线城市②以外的其他城市分为：旅游城市和综合城市。依据《创建中国优秀旅游城市工作管理暂行办法》和《中国优秀旅游城市检查标准》，截至2010年末，共有337座城市通过旅游城市的验收标准。本文所选取的36个城市均为文化和旅游部所确定的“旅游城市”，为更有针对性地进行相关研究，将“旅游城市”的范围以如下方式缩小;2017年，旅游总收入占GDP比重大于25%的城市，并结合中国城市竞争力研究会、中商产业研究院对2017年中国旅游城市的排行，综合考虑确定。综合城市则为36个城市中除“一线城市”和“旅游城市”以外的其他所有城市。数据细节表2如下，表中的区域划分参考自文献“基于空间异质性视角下的中国区域经济差异研究”对中国区域的划分[60]。

3 模型及方法

3.1最小二乘法和分位数回归

在研究方法上，Koenker和Bassett[61]提出的分

位数回归模型，弥补了最小二乘法（OLS）的很多不足之处，其对条件分布的估计与分析更加详细（OLS仅刻画了均值函数），在异方差模型中的应用效果也更优（OLS有严格假设）。故而，若将分位数回归与最小二乘法结合起来，则既能了解因变量分布的中心趋势，又能知晓因变量分布的尾部趋势;通过分位数回归拟合结果还可以判断最小二乘估计的适用性，简明的最小二乘法也能更好地发挥其优势，二者相互补充能起到良好效果。因此，本文将最小二乘法与分位数回归相结合来研究Airbnb房源价格與其影响因素的关系。

3.2变量选择

本文的因变量为Airbnb房源每晚的价格。根据文献综述和数据可得性，将解释变量分为9种特征属性，共27个自变量，包括：外部因素（酒店供应量）、房东特征（专业房东）、区位特征（距离）、房源特征（房源类型1、房源类型2、房源类型3、整套房子、独立房间、分享房间、可容人数、实际人数、年数）、房间设施（浴室、卧室、床、实体床）、出租规则（即时预订、取消政策、客人电话、客人照片、额外收费项目）、信任度（加权信任分、平均评分）、社交度（照片数、年均评论数）、租客特征（最少天数）。具体的变量描述与解释详见表3。

3.3模型对比

将不是虚拟变量的解释变量进行标准化处理后，对上文提及的数据进行OLS回归和分位数回归。为了避免多重共线性，在回归方程中没有加入对照组（房源类型3和分享房间），所以共计25个自变量。表4列出了普通最小二乘（OLS）回归结果①，以及对第10、第25、第50、第75和第90分位数的回归估计结果。通过对比，分析每个分位数对解释变量的不同影响，使得根据因变量的阈值来区分特定变量的效果成为可能。

虽然分位数回归与OLS回归的结果相似，但分位数系数能提供更丰富的信息。且OLS回归有其使用范围的限制：若对OLS回归做因变量（Airbnb房源价格）的分位数Q-Q图②，同时做OLS的回归诊

断，可以发现，因变量即Airbnb房源价格并不是正态分布的，也有少量观测值是异常点和强影响点①。这使得普通最小二乘回归的估计结果不准确。但，分位数回归不要求因变量服从正态分布，不仅如此，分位数回归对异常值点也并不敏感。因此，分位数回归是对基于最小二乘法的经典线性回归的有益补充，使实证研究结果更具解释力和说服力。

4 回归结果分析

4.1 0LS和分位数回归分析

通过OLS和分位数回归对比表（表4）可以看

出，即使通过OLS回归和分位数回归所得到的系数符号相同，但使用OLS回归估计的效应在分位数上可能不是恒定的。事实上，大多数分位数回归置信區间落在OLS的置信区间之外。

根据OLS和分位数回归对比表（表4）的估计结果，分析如下：

在外部因素方面，二手房价对短租房源房价的影响显著为正，这是符合正常预期的结果，城市二手房价越高就会相应带动该城市的租房价格提高。酒店供应量在OLS回归下不显著，但在分位数回归下，除了0.1分位数外，在其他分位数上该变量均通过显著性检验且系数为负，说明酒店供应量越多，房源价格越低，这与正常预期（激烈的竞争使价格降低）相符。且其系数随分位数的增加而降低，说明对于低价房源来说，酒店供应量的影响更为明显。可能原因可以参考Zervas等[26]的研究结论：Airbnb的入驻对不同档次酒店的影响是不均衡的，价格较低的酒店及不能满足商务旅客需求的酒店，受到的影响最大[25]。说明Airbnb房源主要是和低档低价酒店在同一细分市场进行竞争，且低价的Airbnb房源与酒店的竞争会更激烈，故此酒店供应量会对低价房源产生更大的影响。不过，也不是所有学者都对此得出了统一的结论，Dogru等的研究结论认为，Airbnb似乎影响的是豪华酒店，而不是经济型酒店[62]，但是本文的实证结果并不支持这样的结论。

在房东特征方面，专业房东在最小二乘回归下并没有通过显著性检验，但在各个分位数回归中，

其系数在0.01的显著性水平上均显示为正，说明专业房东对Airbnb房源价格具有积极的提升作用。且其系数随分位数的增加而增加，呈增长态势，说明专业房东对高价房源的积极影响比对低价房源更明显。

在区位特征方面，OLS的结果显示，距离的系数显著为正，说明房源离市中心越远，房价反而越高。根据分位数回归的估计，在房源价格低（0.1和0.25分位数）时，房价与距离负相关，即距离市中心越近，交通越便利，房源价格也会越高，这符合一般常识推理;但随价格升高（0.5、0.75和0.9分位数），房价与距离的关系由负相关转为正相关。有此结果，一方面可能是由于只取房源到市中心的距离作为变量，过于“一刀切”，使得回归结果不准确;另一方面，可能是因为越临近远离市中心的郊区，房源中别墅的比例相应越高，而租赁别墅的价格相较其他类型的房源明显更高，这就使得从数据上来看，距离市中心越远房价反而越高，即两者一定程度上表现出正相关关系。可以认为在房源类型不同情况下，距离对因变量价格影响的边际量不同。

由于猜测距离与房价的关系受到第三个变量（即房源类型）的影响，故以房源类型3为调节变量，在回归模型中引入交叉项（距离乘以房源类型3）作为新变量。根据所得回归结果①：当房源类型属于房源类型3时，变量房源类型3取值为1，距离对房价的总效应（单独效应+调节效应）系数为0.03953（0.01704+0.02249）;当房源类型不属于房源类型3时，变量房源类型3取值为0，距离对房价的总效应系数为0.01704。可见，对于别墅等（房源类型3）房源来说，距离对价格的正向影响更突出。总的来说，当调节变量（房源类型3）处于较低水平（取值为0）时，自变量（距离）负向预测因变量（价格）;当调节变量处于较高水平（取值为1）时，自变量正向预测因变量。

在房源特征中，两种房源类型（房源类型1、房源类型2）与其对照组（房源类型3）相比，均对价格产生负面影响，系数分别为-0.22433和-0.08198。这说明房源类型1（公寓/分契式公寓/酒店式公寓）和房源类型2（B&B/宿舍/宾馆）对房价的影响类似，都显著低于房源类型3（别墅/连栋住宅/度假屋等）对价格的影响。即以较不典型的房源类型3作为基线，如果租用的房源被归类为房源类型1或者房源类型2，则价格会降低。但这一因素若通过分位数回归来分析则会显示更多的信息。根据图2（a）所示，两种房源类型随分位数的增加，房源类型1的系数呈递减趋势（但系数绝对值递增），而房源类型2递减趋势不明显，在0.9分位数上系数甚至有上升。随着房源价格的增大，房源类型1对价格的影响也逐渐增大，而房源类型2对价格的影响则变化不大。在房源价格低时，两类房源对价格的影响大小相近，但随房源价格增大，两类房源对价格影响的差距也愈大。在低价房源中，房源类型1的住宿条件较房源类型2相似，故而对价格的影响也相似。但房源类型1对价格的变动更为敏感，当是高价房源时，其房源类型对价格的反作用相较房源类型2更明显。对于高价位房源，公寓类房源（房源类型1）比宾馆类房源（房源类型2）的系数绝对值更大，即公寓类房源对价格的影响较大。

除了房源类型外，其他房源特征变量，即整套房子、独立房间、可容人数、实际人数和年数，它们的系数不论是在OLS还是分位数回归结果中，都显著为正。整套房子的系数为0.38064，独立房间的系数为0.18916，独立房间的系数比整套房子的系数更小，因此对价格的影响也较小，所以整套房子很可能比独立房间价格更高。这两种系数为正的房间类型的对照组是分享房间，分享房间的价格会相对最低。如同预期，入住整套房子的房价高于独立房间和分享房间。如图2（b）所示，不论在低价还是高价房源中，整套房子对房价的影响系数与另两类房间对房价的影响系数之间的差距，始终保持在0.1左右。说明不论对哪类价格档次（即不论处于哪个分位数上）的房源来说，整套房子相对于其他两类房间的房价优势都是稳定的。

可容人数和实际入住人数越多，说明房源的物理空间越大，Airbnb的价格越高，这符合常理推断。经营年数的系数在0.01的显著性水平上为正，表明房源经营时间越久，房源价格越高，这与张志华等[12]的结论一致。经营年数更长的Airbnb房源往往收取更高的价格，部分原因是房东通过更长时间的出租住房，会更有经验，而且房客也更能相信其安全和服务质量[11]。

关于房间设施，浴室、卧室和床的系数均显著。其中，浴室和卧室系数为正，说明浴室和卧室的数量越多，房源价格则越高，这与预期相同。床的系数为负，说明随着床的数量增加，价格反而下降。

这可能是因为，房东为吸引价格敏感的房客，提供价格低廉且有更多床可供更多人人睡的房间的營销策略。实体床没有通过显著性检验，说明床的类型（如是实体床还是气垫床等）对房源价格没有显著的影响关系，这与Wang和Nicolau[14]的分析结果有所不同。

在出租规则方面，即时预订的系数在0.1的显著性水平上为负，说明提供即时预订服务反而对房源价格具有反向作用。取消政策的系数在0.05的显著性水平上也为负，说明提供灵活的取消预订政策，反而会使房价降低2.Og%。这需要联系房东的营销策略来解释，房东可能会把低价和宽松的即时预订、取消政策相结合来吸引房客。Wang和Nicolau[14]对此的解释是，设置灵活取消预订的规则的房东往往是出于情感因素而非理性考虑，这类房东并不十分关心出租房源所带来的收益，他们只是想有一个合理的价格提供给真心想入住的房客。额外费用的系数显著为正，说明若需要对额外增加的人额外收费，价格提高约10.25%。但客人电话和客人照片这两个变量没有通过显著性检验，这两个变量对价格没有影响。

在信任度方面，加权信任分的系数显著为正，信任度越高，房价越高，且其影响系数为3.02%。根据图2（c）可以看出，随分位数的增加，加权信任分的系数整体呈上升趋势，系数在0.75分位数上达到最高值。说明加权信任分对高价房源房价有更大的积极作用。可能是由于选择入住高价房源的游客对信任和安全的要求往往更高，更能接受由于信任分提高带来的房价升高。平均评分的系数在0.01的显著性水平上也为正，即平均评分越高，则房源价格也越高。但仔细观察分位数系数和图2（d）可知，在0.9分位数上，平均评分并没有通过显著性检验，即对于极高价的房源来说，其价格并不受平均评分影响。由于房客会对高价（0.9分位数）房源有更大的预期，但这个预期并不容易满足，故而房源与房东甚至反而会收到较低的评价，使得从数据上看，评分与价格并无显著相关关系。但房客对一般价位（0.1、0.25、0.5、0.75分位数）房源往往更容易满

足，所以评分会相应较高，计量估计结果也就显示为价格与评分两者呈正相关关系。

在社交度方面，房东主动社交的照片数系数显著为正，说明照片数越多，房价越高。这是符合预期的，房东提供的照片数越多，房客就越能从中判断这个房东与房源的特色以及自己入住该房源能否达到与当地房东交流、更好了解该地文化的目的，从而最终确定是否选择入住。照片数增加，信息披露度也随之上升，房客与房东房源匹配的可能性也就相应增加，对房东和房源有一定认可度的目标客户，房东可以更“任性”地提出相对较高的房价。根据图2（e），分位数估计的系数为递增趋势，表明虽然更多的照片数会导致较高的价格，但这种正向的影响在较高价格的房源中比在较低价格的房源中更显著。

而被动社交的年均评论数却是显著负相关，即年均评论数多的房源价格相对更低。这一结论与张志华等及Wang和Nicolau的研究成果一致[12，14]。过去已经有学者证明，大多数选择分享住宿的旅客是为了节约成本[31，63]。故而为了增加出租机会，房东会降低房源价格。而出租率增加了，评论数则会相应增加。通过图2（f）能发现，分位数估计的系数呈递减模式，年均评论数对低价房源的影响更为明显。

在租客特征方面，最少天数的系数显著为正，不同于吕姝[13]的研究结论。房东要求的租户最少入住的天数越多，房价反而越高。但分位数回归并没有通过显著性检验。说明此回归结果的准确度有待商榷。一般来说，在其他条件基本相同的情况下，房东要求的最短入住时间越长，越可能引发客户对于房屋入住条件的公平性产生怀疑，进而会降低房源的吸引力，从而使房东不能要求过高的房价。

4.2对应分析

为了研究不同城市类型下Airbnb房源价格的影响因素的异同，本文将36个城市分为3类：一线城市、旅游城市和其他综合城市，并运用对应分析，研究这3类不同城市类型下，Airbnb房源价格的影响因素是否有变化，又有何变化。

将因变量（price）按价格高低分为3档，具体分类如下：价格不高于200的房源为低价房源，介于200-500的为中等价位房源，价格不低于500的房源为高价房源。

由于解释变量有27个，在对应分析中为突出研究重点（信任度和社交度），我们选取了其中7个变量进行考察：酒店供应量、房东房源数（host listingscount①）、距离、房间设施（facility②）、主动社交度、被动社交度、信任度。运用R软件，程序运行结果（表5）③归纳如下：

（1）不论在哪类城市中，距离对中等价位房源的价格影响更显著。

（2）酒店供应量在旅游城市，影响的更多的是低价房源的价格，而在一线和其他综合城市则对中等价位的房源影响更大。

（3）每个房东拥有的房源数量分别对一线城市

的高价房源、旅游城市的中等价位房源以及综合城市的低价房源的价格产生更显著的影响。

（4）房间设施对一线和旅游城市的高价房源的价格影响较中低价房源更为显著，但在综合城市中，其对中等价位房源的价格的影响高于低价或高价房源。

（5）在社交度方面，不论在哪类城市，照片数均是影响中等价位房源价格的主要变量。不过，年均评论数的影响在不同类型城市有所区别，一线城市的中等价位房源的价格及其他城市（旅游城市、综合城市）的低价房源的价格受年均评论数的影响会更显著。

（6）在信任度方面，加权信任分不论在哪类城市中，始终对中等价格的房源价格影响较大。而平均评分对一线城市的Airbnb房源来说，更容易影响中等价位房源的价格，但对一线城市以外（旅游城市、综合城市）的房源则更易影响其低价房源的价格。

（7）从社交度和信任度对不同价位房源价格的影响来看，旅游城市和综合城市并没有明显区别，但它们相较一线城市则有所不同。一线城市各类价格档次（低、中、高价）的房源中，中等价位房源较其他价位房源，其价格更易受到年均评论数和平均评分的影响。而其他类型城市（旅游城市、综合城市）则是低价房源受到的影响更显著。

总体来看，对于一线城市和旅游城市的Airbnb房东，提升房间设施质量能有效帮助他们提高房租价格，故而前期对房间设施增加资金投入，有利于后续长期的经营收益。在旅游城市，酒店与低价Airbnb房源的竞争比在其他类型城市中更为激烈，低价房源更易受到酒店供应量的影响，或者说在酒店供应多的旅游区，低端的Airbnb房源的经营会相对较为困难。而社交度和信任度对一线城市Airbnb房东群体的影响与对旅游城市和综合城市Airbnb房东群体的影响也有所不同。一线城市经营中等价位房源的房东和其他两类城市经营低价房源的房东要更为关注这两个影响要素。

5 结论与不足

5.1研究结论

价格在Airbnb分享模式的发展中发挥着重要作用，不仅会影响旅行者的住宿选择，也会显著影响房东的利润[64]。尤其是随着短租行业的进一步发展和Airbnb房东供给的增加，目前房东之间的竞争日趋激烈，房东获利难度显著加大。因此，了解影响Airbnb房源价格的因素具有重要价值，可以帮助房东提出合理的价格，使房东和房客都能从这种分享经济模式中获益。

从本文的回归分析结果中可以看出，25个变量中仅有3个变量（实体床、客人电话、客人照片）未通过检验，而其他所选变量均对Airbnb房源价格有不同程度的显著影响。其中，游客对房东和房源的信任度及房源对游客社交需求的满足程度均会显著影响Airbnb房源的价格。这是明显区别于传统酒店业的两类因素，其原因在于Airbnb是基于分享经济模式来利用闲置资源的创新P2P平台。双方交易所转移的不是所有权而是使用权，这种方式更需要双方之间的良好互动，他们的关系会更加复杂，这使得非经济因素（信任、社交）对价格的影响不容忽视。

除了代表两类非经济影响因素的4个变量外，本文也仔细分析了其他变量对房源价格的影响。首先，本文在探讨外部影响因素时，验证了酒店供给与住宅价格对Airbnb房源价格所带来的影响。本研究证实了城市二手房价正向影响Airbnb房源的房租价格，而酒店供应量的增加会导致酒店住宿业竞争加大，从而使Airbnb房源价格与酒店供应链之间呈现负向相关关系，所得结论符合供求规律和常识。其次，Airbnb房源本身的属性对其价格也会带来影响，如房东特征（是否为专业房东）、区位特征（房源距市中心的距离）、租客特征（租房时长区别）、房源的类型、面积、经营年数、房间设施、预订及取消的规则等。在众多的房源属性对房源价格影响的关系中，本文的结论与Wang和Nicolau[l4]的研究结论基本一致，不过本文的回归结果显示，实体床和客人电话对房源价格并没有显著影响，而在Wang和Nicolau[14]的回归结论中，实体床和客人电话均显著正向影响房源价格。

分位数回归结果进一步显示，对于经营不同价位房源的房东，房源属性和社交度、信任度对房屋出租价格的影响程度有明显区别。经营高价位房源的房东，提供更多的照片有助于溢价的保持，同时要对苛刻的评论有准备，在提高服务质量，更好地满足房客预期方面要更下功夫;而经营低价位房源的房东，保持较高的出租率和评论率则非常有意义。

而通过对不同城市的不同价位Airbnb房源的价格关键影响因素的对比分析，本研究显示对于不同城市的Airbnb房源经营房东，他们所需重点关注的因素有所不同。具体来说，在一线城市，房东可

以通过提高其服务的专业水平及房屋硬件设施配备（如卧室、浴室）两方面来寻求房屋的提价可能性，从而获利。在旅游城市和综合城市，房东可以“薄利多销”，即以低价取胜，但要注意关注游客评论数量及评分高低使得房源对于房客来说能满足社交和信任要求。而旅游城市相对于一线城市和综合城市，其低价位的房源价格受到信任度与社交度的影响更大，而且与酒店的竞争比在其他类型城市中更为激烈。

5.2不足与限制

本文的因变量价格所选取的是房源整体价格，而不是每个人每间房间的价格，这可能会导致计量结果在一定程度上的不准确。其次，本研究基于中国36个城市的Airbnb房源数据进行分析，在其他国家和地区是否具有广泛的应用性，还有待验证。

参考文献（References）

[l] PAN Zheqi. Promote the sharing of economic prosperity[J].Zhejiang Economy，2018，20： 45.[潘哲琪，促进分享经济蓬勃发展[J].浙江经济，2018，20： 45.]

[2] TUSSYADIAH IP.Factors of satisfaction and intention to use peer-to-peer accommodation[J]. International Journal of HospitalityManagement， 2016，55： 70-80.

[3] National Information Center. 2018 China annual report on sharingeconomy development [EB/OL].https：//baijiahao.baidu.com/s？id=1593817823216878396&wfr=spider&for，2018-05-20.[國家信息中心.2018中国共享经济发展年度报告[EB/OL]. https：//baijiahao.baidu.com/s？id=1593817823216878396&wr=spider&fOr=pc，2018-05-20.]

[4] E—commerce Research Center. 2017 China sharing economydevelopment report [EB/OL]. http：//b2b.toocle.com/detail--6442908.html，2018-05-19.[電子商务研究中心.2017年度中国共享经济发展报告[EB/OL]. http：//b2b.toocle.com/detail--6442908.html，2018-05-19.]

[5] SOHU. Airbnb founder：3 mattresses to start， see how the townyouth to builda short-term rental giant witha valuation of 31 billion[EB/OL]. https：//www.sohu com/a/213734266_467197，2018-06-15.[搜狐网.Airbnb创始人：3张床垫起家，看小镇青年如何打造估值310亿的短租巨头[EB/OL]. https：//www.sohu.com/a/213734266_467197，2018-06-15.]

[6] LEE C.Airbnb sees China as its number one market by 2020[EB/OL]. https：//www.zdnet.com/article/airbnb-sees-china-as-its-number-one-market-by-2020，2018-07-31.

[7] Everyone is a product manager： Depth analysis of China's landmarket operations [EB/OL]. http：//www.woshipmcom/it/707407.html，2018-12-19.[人人都是产品经理：看三大在线短租平台，深度解析中国房东市场运营状况[EB/OL].http：//www.woshipm.com/it/707407.html，2018-12-19.]

[8] YOO M， LEE S，BAI B.Hospitality marketing research from2000 t0 2009： Topics， methods， and trends[J]. International Journalof Comtemporauy Hospttality Management，2Ol1，23（4）：517-532.

[9] XIE K L，KWOK L. The effects of Airbnb's price positioningon hotel perfomance[J].International Journal of HospitalityManagement， 2017，67：174—184.

[10] GIBBS C，GUTTENTAG D，GRETZEL U，et al.Pricing in thesharing econonly：A hedonic pricing model applied to Airbnb listings[J].Journal of Travel & Tourism Marketing，2018，35（1）：46—56.

[11] HILL D.How much is your spare room worth？[J].IEEES[ectrum，2015，52（9）：32-58.

[12] ZHANG Z，CHEN R J C，HAN L D，et al.Key factors affectingthe price of Airbnb listings：A geogmphically weighted approach[J].Sustainability，2017，9（9）：1635-1648.

[13] LYU Shu.Research on the Influence of Social Demand on theDeal Price of Shared Economic PPlatform[D].DaliaIl：DalianUniversity of Technology，2017.[吕姝，社交需求对共享经济平台成交价格影响研究[D].大连：大连理工大学，2017.]

[14] WANG D，NICOLAU J L.Price determinants of sharingeconomy based accommodation rental：A study of listings from33 cities on Airbnb.com[J].International Journal of HospitalityManagement，2017，62：120—l31.

[15] WEITZMAN M L. The share economy：Conquering stagnation[J].ILR Review，1986，39（2）：285—290.

[16] BOTSMAN R，ROGERS R.What's Mine is Yours：HowCollaborative Consumption is Changing the Way We Live[M].London：Collins，2011，15—16.

[17] SCHOR J.Debating the sharing economy[J].Journal of Self-Governance & Management Economics，2016，4（3）1-14.

[18] ZHOU Luping.Sharing of houses growing in wasteland[J].Celebrity Biographies，2016，12：58-61.[周路平.“小猪”陈驰：荒地生长的房屋共享[J].名人传记：下半月，2016，12：58—61.]

[19] GANSKY L. The Mesh：Why the Future of Business is Sharing[M].New York：Penguin，2010：11—23.

[20] PISCICELLI L，COOPER T，FISHER T.The role of values incollaborative consumption：Insights from a product-servicesystem for lending and borrowing in the UK[J].Journal ofCleaner Production，2015，97：21—29.

[21] LYU Fuyu.Sharing the development trend of the economy andcoping strategies[J].Commercial Times，2014，29：47—49.[吕福玉，分享经济的发展趋势与应对策略[J].商业时代，2014，29：47-49.]

[22] ZHANG Xiaode，ZHANG Wenming.Sharing economy：A neweconomic revolution towards green development[J].ChineseEnvionment.2016，（6）：28—30.[張孝德，张文明，共享经济：迈向绿色发展的新经济革命[J].中华环境，2016，（6）：28_30.]

[23] BELK R.Sharing[J].Journal of Consumer Research，2009，36（5）：715-734.

[24] SCHOR J B，FITZMAURICE C J.Collaborationg andconnecting：The emergence of the sharing economy[M]//REISCHL.THOGERSEN J.Handbook on Research on SustainatleConsumption.Cheltenham，Uk： Edward Elgar.2015：410-425.

[25] CHENG M.Sharing economy：A review and agenda for futureresearch[J].International Journal of Hospitality Management，2016.57：60-70.

[26] ZERVAS G，PROSERPIO D，BYERS J W. The rise of thesharing economy：Estimating the impact of Airbnb on the hotelindustry[J].Journal of Marketing Research，2017，54（5）：687—705.

[27] ZHENG Liansbeng.Sharing economy：Essence，mechanism，

models and risks[J].International Economic Review， 2017，（6）：45—69;5.[郑联盛，共享经济：本质、机制、模式与风险[J.国际经济评论，2017，（6）：45—69;5.]

[28] SHAO Hongbo，WAMG Shixun.Sharing economy and valuecreation[J].China Business and Market，2017，31（lO）：100-109.[邵洪波，王诗桪，共享经济与价值创造——共享经济的经济学分析[J].中国流通经济，2017，3l（10）：l00-109.]

[29] ZHANG Xiaorong，YU Dian.A study on the development ofsharing economy in China[J].Journal of Xinjiang NormalUniversity：Edition of Philosophy and Social Science，2018，39（2）：132—146.[张孝荣，俞点.共享经济在我国发展的趋势研究[J].新疆师范大学学报：哲学社会科学版，2018，39（2）：132—146.]

[30] YANG Xuecheng，TU Ke.Research on the effect of plafoumsupport quality on user value co-creation citizenship behaviorunder the background of sharing econorny[J].Business ManagementJournal，2018，40（3）：128—144.[杨学成，涂科.平台支持质量对用户价值共创公民行为的影响——基于共享经济背景的研究[J].经济管理，2018，40（3）：128—144.]

[31] GUTTENTAG D.Airbnb：Dismptlve lnnoVation and the rise ofan informal tourism accommodation sector[J].Curent Lssues inTourism，2015，18（12）：1192—1217.

[32] TANFORD S，RAAB C，KIM Y S. Determinants of customerloyalty and purchasing behavior for full-service and limited.service hotels[J].International Journal of Hospitality Management，2012，31（2）：319—328.

[33] YOON S.Transitions of Tust Across Different Business Context：Impact of the Sharing Economy on the Lodging Industry[D].LasVegas：UniVersity of Nevada，2017.

[34] GUTIERREZ J，GARCIA—P J C，ROMANILLOS G，et al.Theeruption Of Airbnb in touriSt citieS：Comparing spatial patternSof hotels and peer—to—peer accommodation in Barcelona[J].Tourism Management， 2017，62：278-291.

[35] BULL A O.Pricing a motel's location[J].International Journaof Contempouary Hospitality Management，l994，6（6）：lO一15.

[36] ZHANG H，ZHANG J，LU S，et al.Modeling hotel room pricewith geographically weighted regression[J].InternationalJournal of Hospitality Managemeng，2011，30（4）：1036—1043.

[37] HUNG W T，SHANG J K，WANG F C.Pricing determnants inthe hotel industry：Quantile regression analysis[J].InternationalJournal of Hospitality Management，20lO，29（3）：378-384.

[38] BECERRA M，SANTALO J，SLLVA R.Being better w.beingdifferent：Differentiation，competition，and pricing strategies in theSpanish hotel industry[J].Tourism Management，2013，34：71-79.

[39] ZHANG Z，YE Q，LAW R.Detenninants of hotel room price：An explOmtiOn of travelers'hierarchy of acCOmmOdatiOn needS[J].International Journal of Contemporary Hospitality Management，2011，23（7）：972-981.

[40] HUNG W T，SHANG J K，WANG F C.Pricing determinants inthe hotel industry：Quantile regression analysis[J].InternationalJournal of Hospitality Management，2010，29（3）：378—384.

[41] LI Y，PAN Q，YANG T，et al.Reasonable price recommendationon Airbnb using multi-scale clustering[C]//Control Conference（CCC），2016 35th Chinese.IEEE，2016：7038-7041.

[42] BALAGUER J，PERNIAS J C.Relationship between spatialagglomeratiOn and hOtel priCeS.EvidenCe from buSineSS andtourism consumers[J].Tourism Management，2013，36：391-400.

[43] MA Panhao.A Research on the Influential Fsctors of Listingscales in short Rental Mdrkets Based on Theory of Trust[D].Wuhan：Wuhan University，2017.[馬磐昊.基于信任理论的在线短租市场房源销量影响因素研究[D].武汉：武汉大学，2017.]

[44] GUTT D， HERRMANN P.Sharing means caring？ Hosts' pricereaction to rating visibility[C]//ECLS. 2015： 54.

[45] IKKALA T， LAMPINEN A.Defining the price of hospitality：Networked hospitality exchange via Airbnb[C]//Proceedings ofthe Companion Publication of the 17th ACM Conference onComputer Supported Cooperative Work & Social Computing.ACM， 2014： 173-176.

[46] ERT E， FLEISCHER A， MAGEN N. Trust and reputation in thesharing economy： The role of personal photos in Airbnb[J].Tourism Management， 2016，55： 62-73.

[47] ZHANG Suodi， ZHAO Huaping， LI Bin. Research on the relationshipbetween house price and rent under the influence of real estatemacro-control[J]. Journal of Applied Statistics and Management，2014，33（2）：305-316.[张所地，赵华平，李斌.房地产宏观调控影响下的房价与租金关系研究——基于中国35个大中城市面板数据的实证分析[J].数理统计与管理，2014. 33（2）： 305-316]

[48] YE Junbo. Study on the Influence Factors and City Differencesof Rent-price Ratio [D]. Hangzhou：Zhejiang University， 2015.[叶君波.租金房价比的影响因素及城市异质性研究[D].杭州：浙江大学，2015.]

[49] STEPHEN S， ANDREW U. Do Airbnb properties affect houseprices[Z]. Williams College Department of Economics WorkingPapers. 2016：3.

[50] BARRON K， KUNG E， Proserpio D.The sharing economy andhousing affordability： Evidence from Airbnb[C]//Proceedings ofthe 2018 ACM Conference on Economics and Computation.ACM， 2018：5.

[51] FAGERSTROM A， PAWAR S，SIGURDSSON V， et al.Thatpersonal profile image might jeopardize your rental opportunity！On the relative impact of the seller'S facial expressions uponbuying behavior on AirbnbTM [J].Computers in Human Behavior，2017， 72： 123-131.

[52] WEBER T A. Intermediation in a sharing economy： Insurance，moral hazard， and rent extraction[J]. Journal of ManagementInformation Systems， 2014，3 1（3）： 35-71.

[53] WU Xiaojun， SHEN Jiabin.A study on Airbnb's trustmechanism and the effects of cultural values：Based on a surveyof Chinese consumers[J]. Sustainability， 2018， 10（9）： 3041.

[54] LIANG S，SCHUCKERT M， LAW R，et al.Be a "Superhost"：The importance of badge systems for peer- to- peer rentalaccommodations[J]. Tourism Management， 2017，60： 454-465.

[55] LIANG L J，CHOI H S C，JOPPE M. Understanding repurchaseintention of Airbnb consumers： Perceived authenticity， electronicword- of- mouth， and price sensitivity[J]. Journal of Travel &Tourism Marketing， 2018，35（1）： 73-89.

[56] BEIL R.Sharing versus pseudo- sharing in Web 2.O[J]. TheAnthropologist. 2014， 18（1）： 7-23.

[57] FU Shan. Trust： The Creation of Social Morality and Prosperity[M]. Hohhot： Yuanfang Press，1998.33.[福山.信任：社會道德和繁荣的创造[M].呼和浩特：远方出版社，1998： 33.]

[58] BROOKS D， CAO Yu. Trust transformation behind Airbnb businessmodeI[J]. PR Magazine.2014， （4） 20-20.[戴维·布鲁克斯，曹劼Airbnb商业模式背后的信任转型[J].国际公关，2014. （4） 20-20.]

[59] ZHANG Weiying. KE Rongzhu. Trust in China：A cross-regional analysis[J].Economic Research Journal， 2002， 10（5）：

59-70.[張维迎，柯荣住，信任及其解释：来自中国的跨省调查分析[J]经济研究，2002， 10（5）： 59-70.]

[60] SUN Wenwen，YAO Peng. Research on China's regional economicdifferences from the perspective of spatial heterogeneity[J].Shanghai Journal of Economics， 2014， （5）： 83-92.[孙久文，姚鹏.基于空间异质性视角下的中国区域经济差异研究[J].上海经济研究，2014， （5）： 83-92.]

[61] KOENKER R，BASSEIT J G. Regession quantiles[J]. Econometrica：Journal of the Econometric Society，1978， 46（1）： 33-50.

[62] DOGRU T， MODY M， SUESS C.The hotel industry's AchillesHeel？ Quantifying the negative impacts of Airbnb on Boston' shotel performance[J]. Boston Hospitality Review， 2017， 5（3）： I-1I.

[63] QUINBY D. GASDIA M. Share this！ Private accommodation andthe rise of the new gen renters[EB/OL].https：//www.phocuswright.com/Travel- Research/Consumer- Trends/Share- This- Private-Accommodation-amp-the-Rise-of-the-New-Gen-Renter， 2019-01-15.

[64] LAMPLNEN A， CHESHIRE C. Hosting via Airbnb： Motivationsand financial assurances in monetized network hospitality[C]//Proceedings of the 2016 CHI Conference on Human Factors inComputing Systems. A CM， 2016： 1669-1680.

A Study of Airbnb Listing Price Determinants： Based on Data from 36 Cities in China

WU Xiaojun， QIU Jialu

（The Glorious Sun School of Business and Management， Donghua University， Shanghai 20005 I ， China）Abstract： Since Airbnb officially entered the Chinese market， the platform has rapidly developed into abenchmark for the sharing economy in China. Furthermore， the online short-term rental market led byAirbnb has also significantly influenced people' s choices for travelling accommodations. With theexponential growth in the number of the Airbnb listings in China the intensity of competition in the markethas been multiplying. This growth has created a competitive market environment in which landlords arebeing squeezed， requiring the use of sensible pricing and marketing strategies to ensure eamings. Especially，compared with traditional lodging sectors， the uniqueness of Airbnb's listings and the heterogeneity of thelandlords make it more difficult for landlordS to make optimal pricing decisions. Therefore， it is of greatvalue to understand the factors that affect the price of Airbnb listings. Such understanding can help landlordsto optimize prices， so that both the landlord and the tenant can benefit from this sharing economy model.

This paper uses the effective sample data of 51，874 listings in 36 cities in China obtained from theAirbnb APP by using reptile technology. OLS regression and quantile regression models are used toanalyze the influence of 27 subdivision variables in 9 categories （external factors， landlordcharacteristics， location characteristics， listing characteristics， room facilities， rental rules， trust，sociality， tenant characteristics） on listings prices， to determine the key factors that affect the price ofAirbnb listings. The results of OLS and quantile regression showed that most of the variables （exceptreal bed， phone and picture） passed the significance test， and the two types of non-economic factors，trust and sociality， had significant impact on Airbnb listings prices. In addition， for landlords operatinghouses at different price levels， there are significant differences in the influence of housing properties，sociability and trust on the housing price. Landlords who operate high-priced properties should providemore photos to help maintain the premium， be prepared for harsh comments， and work harder toimprove the quality of service and better meet the expectations of tenants. Landlords who manages thelow- price listings， seek to maintain a high capacity factor and therefore the review rate is verymeaningful. Based on the regression results， this paper further uses the corresponding analysis methodto analyze the key factors affecting the price of Airbnb listings in different cities. The results of thecorresponding analysis show that landlords in different cities need to focus on different factors. ForAirbnb hosts in first-tier cities and tourist cities， improvement of room facilities quality can effectivelyhelp to increase the rent price. In tourist cities， low prices are more susceptible to hotel supply.However， the influence of sociability and trust on Airbnb hosts in first-tier cities is more obvious.

The findings of this paper theoretically supplement the research on the pricing law of online short rentalin the context of the sharing economy. Practically， this research can reduce the opacity of the pricing principleofAirbnb's "intelligent pricing" tool， and help landlords to better formulate prices and marketing strategies.Keywords： Airbnb; price determinants; quantile regression; trust and sociality