Airbnb承认了传统酒店所阐述的:它们是酒店行业的补充者
文章运用实证来研究Airbnb进入德克萨斯市场在酒店收入上的影响。研究通过评估酒店房间月收入作为airbnb进入市场的函数来探索德克萨斯州的airbnb和酒店的关系。
数据来源:airbnb网站上的数据以及德克萨斯州大概3000个酒店的客房月收入。量化Airbnb渗透带来的消极影响的程度。
主要的结果:在airbnb最受欢迎的区域,易受攻击的酒店在过去五年中的收入下降了8%到10%。
利用双差分实证策略。由于air占领市场的时间速度和空间密度以及air和酒店数据的地理特征有明显的变化,我们将air市场准入看做空间和时间的干预变量。
DD策略通过对比Airbnb进入市场前后酒店收入的差异来确定air的处理效用。利用该策略发现,air市场每扩大10%会导致酒店房间收入降低0.37%。识别的关键威胁是未观察到的城市特征以及时间变化因素。为了检验评估的鲁棒性,执行了一系列的检查。
然后我们研究了air对酒店房间收入影响背后的机制以及对air进入的市场反应。最后我们对比了air对连锁酒店和独立酒店影响的差别,以期望连锁酒店受到的影响较小,原因是大的营销开支、强品牌到可预测的一致服务。而独立酒店会展示更多的变化以及不一致性,最后对于市场反应,我们研究对于air市场进入受影响的酒店所做的反应程度。利用酒店行业表现指标,我们发现在占用率上统计显著的降低以及现在酒店房间价格上更加显著的降低。这样的价格反应影响了全部的消费者而不仅仅是共享经济的参与者。
为了估计air市场进入的程度,在网站上搜集了房东房源信息。数据集包括横跨到10555个房东和13935房源的信息。
我们跨时间段以每个城市的粒度量化air的供应,对于给定的城市和日期,我们计算在日期之前的房源数目。
选定了城市为地理上的粒度。
酒店的数据:收入,价格,入住率
主要的因变量是酒店房间月收入,数据集还包括酒店名称、地址和容量,到。
Airbnb可以通过酒店入住率和降低酒店价格或者结合这两种因素影响酒店客房收入
关键的假设是,没有未被观察到的,时间变化的以及特定城市的原因,这些原因和air的市场进入和酒店收入有关。
DD模型:logHotel Revenueikt = β logAirbnb Supplykt + hi + τt + Xikt 0 γ + ikt.
接下来探讨这个模型的特殊形式以及在实施实证检验中的控制。
1、住宿需求的增长很可能与air供应以及酒店房间供应的增长有关。construct a control variableHotel Room Supply−ikt
2、如果存在跨越城市和时间不短变化的未察觉的因素共同影响air进入市场以及酒店房间收入,我们的DD评估将会偏颇。Xikt
3、分析单位是酒店房间月收入,但是我们的处理对象,air采取的是在城市等级上。
提出两个检验来支撑假设:
1、air adoption大部分的变化已经可以通过air关于不变时的特定城市的因素,时间固定影响以及特定城市的倾向(这些都包含在模型当中)供应的回归来解释。接下来,我们将一些与酒店房间收入相关的特定城市、时间变化的因素做回归:例如人口,失业率以及住宿行业的就业。----->这些因素没有影响回归的解释力。
2、当air进入德克萨斯市场,时,我们检验预处理的城市特征是否可以预测未来airbnb的供应。
log Airbnb Supplykt = Cityk + (τt × Zk,)0 θ + ekt.
用的城市和月份为分析单位预测airbnb的供应量
3.3 鲁棒性检验
文章利用广义精确匹配作为匹配方法通过确保处理过和未被处理单位的可比性来减少内生因素。
CEM需要两步。
第一步,酒店基于可供观测到的特征来分类。例如价格、运营模式以及连锁酒店联系。
第二步,我们丢弃那些只包括处理过和未被处理过的类别,然后对于剩下的类别重新标准化权重。
最后基于酒店的子集利用CEM权重重新估计了公式1中的DD参数。
第二个鲁棒性检验
guard against 函数参数
3.4 酒店如何回应air
我们观察酒店是否会积极的通过价格来回应air进入市场。我们将air对酒店收入的影响分为两部分:
1、由于占有率降低的影响
2、由于平均每日房价变化的影响
重新估计DD参数,将因变量改为占有率以及ADR的log
4 机制
4.1 容易受影响的酒店及其原因
商务报销和高水平的度假者是不可能使用air。而且商务游客会充分利用酒店提供的但是air不会提供的便利设施。
我们通过将酒店分成两个不同的部分进一步将影响分隔。一类是不易受air进入市场影响的酒店,另一类是更容易遭受的酒店,然后估计额外的交互影响。
1、我们通过价格段对酒店进行分类:Budget,Economy, Midprice, Upscale, Luxury
2、通过客户群来分类:目标是否为商务旅行者
为了估计异构处理效应,我们加入了酒店类型和air供应的相乘来估计新的参数。
log Hotel Revenueikt =β1log Airbnb Supplykt + β2log Airbnb Supplykt × Hotel Typei+ Xikt 0 γ + αi + τt + ikt.
我们发现随着价格区间的降低,air的负面影响也在增加。缺少商务设施的酒店更容易受到air的影响。
对比了酒店运营模式:连锁酒店和独立酒店所受的影响。结果:air对独立酒店的影响稍微大一些。
总的来说,独立酒店、没有设计商务的酒店以及低端酒店更容易遭受air的影响