Airbnb房源價格影響因素研究

吳曉雋　裘佳璐

[摘 要]自Airbnb正式進軍中國市場，它已快速發展成為中國分享經濟的標桿，并且以Airbnb模式為先導的在線民宿短租市場也顯著地影響著民眾的旅行及住宿方式。文章利用爬蟲技術從Airbnb App上獲得中國36個城市的51874個房源的有效樣本數據，采用OLS回歸和分位數回歸模型，分析了9類共27個細分變量對房源價格的影響，來確定影響Airbnb房源價格的關鍵因素。OLS和分位數回歸所得的結果表明，大多數變量（除實體床、客人電話和照片外）均通過顯著性檢驗，信任度與社交度這兩類非經濟因素也對Airbnb房價有明顯影響，且對于經營不同價位房源的房東，房源屬性和社交度、信任度對房價的影響程度有明顯區別。基于回歸結論，文章進一步采用了對應分析法對不同城市的不同價位Airbnb房源的價格關鍵影響因素深入剖析，研究顯示，對于不同城市的Airbnb房源經營房東，他們所需重點關注的因素有所不同。

[關鍵詞]Airbnb;價格影響因素;分位數回歸;信任與社交

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2019）04-0013-16

Doi：10.19765/j .cnkl.1002-5006.2019.04.007

引言

分享經濟（sharing economy）作為一種依賴網絡，建立在分享知識、服務或閑置資料“使用權”基礎上的需要社會大眾廣泛參與的新經濟形態，對當前社會生活的各個領域都產生了深刻的影響。在信息技術和互聯網的發展推動下，分享經濟已成為目前社會經濟領域中非常活躍的經濟模式之一。中國分享經濟起步雖略晚于國外，但發展勢頭強勁，預計到2020年分享經濟交易規模占GDP比重將達到10%以上[1]。

其中，以旅行住宿分享為內容的民宿在線短租的發展令人矚目。相對于傳統住宿消費市場，民宿在線短租有兩方面優勢：一方面相較于酒店，在線短租房源覆蓋廣，種類多，選擇豐富，消費靈活，性價比高，同等價位下，享受酒店所不具備的個性體驗。另一方面相較于傳統線下短租，民宿在線短租網站/平臺房源更多、更豐富，為租客提供多種選擇;展示信息形式多樣，提高溝通效率，能降低交易雙方的信息不對稱性;平臺的保障機制，能有效降低預訂和支付環節可能的交易風險[2]。在分享經濟領域，2017年中國民宿在線短租的交易量增長速度僅次于知識技能和生活服務，增速達到了70.6%[3];且民宿在線預訂市場的交易規模也由2012年興起時的4.7億元增長至2017年的145.6億元[4]，后續還呈現出持續擴大的趨勢。而且中國國務院在2018年10月印發的《完善促進消費體制機制實施方案（2018-2020年）》文件中提到要鼓勵發展民宿短租，加快行業服務標準制訂工作，使得民宿在線短租在中國的發展，相較于日本、西班牙等國，享有更為有

利的政策環境。

Airbnb（愛彼迎）是民宿在線短租平臺鼻祖，分享住宿的先驅，它以P2P為商業模式，以互聯網平臺為媒介，賦能個人在線上發布房源、搜索房屋信息、完成在線預訂程序并實現線下入住。自2008年在美國成立以來，Airbnb的影響力已遍及了全世界190多個國家的65000多個城市，擁有超過400萬套房源，積累了6000多萬名用戶，其估值高達310億美元[5]，已超越全球多家知名酒店集團。Airbnb在中國市場起步于2010年，并于2015年8月正式入華，發展十分迅速，至2017年年底，中國的Airbnb可供出租的房間數量已達到15萬間[5-6]。盡管在房源規模上，中國境內的Airbnb不敵途家100多萬間的房源數量，但是就房東構成和商業模式來說，途家主要采用B2P模式，其平臺上更多的是公司統一運營的房源，更具有酒店標準化特征，而Airbnb則更多采用P2P的商業模式，平臺上的房東以個人房東為主[7]，更能體現分享經濟的本質特征，故而以Airbnb為本文研究對象比較合適且有代表性。

當前，我國正處于分享經濟發展的黃金期和轉折關鍵期。據電子商務研究中心監測數據顯示，2017年中國分享經濟市場規模約52850億元，較2016年的36 750億元增長了43.81%[4]。但相較于2013年和2014年的增長速度，近兩年的市場規模增速逐漸放緩，由原先的“高歌猛進”階段進入當前關鍵的調整階段[4]。表現在民宿在線短租領域，不難發現隨著房源數量指數級的增長，市場競爭的激烈程度正在倍增。這也就意味著，房東在競爭日益激烈的市場環境下，獲利空間受到擠壓，盈利難度增大。因此他們需要采用更為明智的定價和營銷策略來保證自己的收益，從而使這種P2P的房屋分享模式可持續。事實上，定價和收入管理是酒店營銷中最常研究的兩個主題[8]。但與傳統酒店業成熟的定價理論與實踐不同，Airbnb房源的獨特性和房東的異質性，使得房東難以最佳方式做出合理的定價決策[9-10]。Hill在其發表的文章中有提及房東對其房源真實市場價值和Airbnb“智能定價”功能的困惑[11]。故而，研究Airbnb房源的價格影響因素是一個有意義的話題。

目前雖然已有文獻開始嘗試將短租房源價格與其房源屬性聯系起來進行研究，但是存在一定的局限性。一方面，并沒有專門以中國的Airbnb房源及其價格為研究對象的文獻，多是基于中國某一個城市來研究影響Airbnb房價的關鍵因素[12-13]，或是雖然基于多個城市，但卻是從其他國家角度來探討分享經濟在線短租的價格影響因素[10，14];另一方面，對Airbnb價格決定因素的分類與確認大多基于酒店業的研究，并沒有突出Airbnb作為分享經濟平臺所特有的影響因素。而且雖然有學者提及并分析Airbnb所特有的非經濟影響因素，如游客的社交需求，但并沒有將其與價格聯系在一起做實證分析。

本文以中國的Airbnb房源為研究對象，探究其價格的決定因素。通過爬蟲程序獲取了截至2017年11月，在中國境內的123 655個Airbnb房源信息及其評論的相關數據，使用普通最小二乘（OLS）分析和分位數回歸（QR）分析51 874個有效樣本數據，調查9類因素：外部因素、房東特征、區位特征、房源特征、房間設施、出租規則、信任度、社交度、租客特征對價格決定的影響。其中，加入信任度和社交度這兩類變量以表征分享經濟平臺特質。本文的發現在理論上對現有分享經濟背景下在線短租定價規律的研究有一定的補充和完善的作用，并在實踐上能一定程度降低Airbnb“智能定價”工具的定價原理的不透明度，幫助房東更好地制定價格及營銷策略。

1 文獻回顧

1.1分享經濟和Airbnb

分享經濟作為一種經濟思想，最早是在20世紀80年代中期由美國麻省理工學院經濟學教授Weitzman提出，他認為能替代現有工資制度（即利潤全歸于資本家們）的經濟模式就是分享經濟[15]。當然，現在所說的分享經濟概念已經發生了很大的變化。分享經濟的全球思想先鋒Botsman將其定義為一種分享空間、技術，甚至是工具等未充分利用資產，由此產生貨幣性或非貨幣性利益的經濟模式[16]。最新的維基百科詞條則將其解釋為“圍繞人力和物質資源分享而建立起來的一種可持續的經濟系統”。

分享經濟最顯著的特征即是通過陌生人之間的分享以充分利用閑置資源。Schor在對分享經濟的特征進行確定時就有提及陌生人分享能力的促進這一點[17]。陳馳在對分享經濟的核心進行總結時也有提出，分享若要變為一種經濟現象，則需要通過利用閑置資源降低管理成本[18]。分享經濟的另一大特征與產權關系相聯系，分享是使用權的分享而非所有權的轉換，這種模式使得多次“出售”同一個產品成

為可能，從而產生更大的經濟價值和效益[19]。人們相互信任和誠信作為分享經濟能真正實施的一大前提，也是學者們重點關注的這一經濟模式所獨有的特征。Piscicelli等就指出，分享經濟追求的是社會文化價值，根本上體現的是價值觀的變化[20]。分享經濟的產生與發展建立在互聯網以及信息技術發展的基礎上，這亦是其不容忽視的一大特征。呂福玉就曾指出，分享經濟實質是新型信息消費[21]，而張孝德和張文明也認為，正是互聯網和生態文明兩者合力造就了目前的分享經濟，并催生分享經濟快速發展[22]。

互聯網技術的發展為分享經濟的產生奠定了技術基礎。而全球經濟氣候的變化，特別是2008年的金融危機，催生了這種經濟模式的誕生。雖然這種新模式尚缺乏廣泛接受的精確定義，“協同消費”“點對點（P2P）經濟”“共享經濟”等術語都被用來描述這種對未充分利用的商品和服務的P2P分享，但是不少學者認為，這種新模式深刻地改變了人們的生產、消費、互動和生活方式，甚至導致所有權的逐漸弱化[23-24]。研究者認為，通過允許個人、社區、組織和政策制定者重新思考人們的生活方式、聯系方式和創造價值方式，這種模式將改變我們當前的社會經濟體系[23-25]。

近幾年，分享經濟在國內學術圈也逐漸成為熱點。由于目前國內學術界對“分享經濟”和“共享經濟”這兩個詞并不嚴格區分，有混用現象，因此為了解國內這一領域的學術進展，我們在中國知網數據庫（CNKI）搜索框輸入“分享經濟”和“共享經濟”作為關鍵詞進行全文搜索，共得到3620條結果（截至2018年12月15日），時間區域集中在2016-2018年。研究內容覆蓋了從內涵定義、商業模式到行業規制、產業組織、經濟影響等多個主題[26-30]。 Airbnb是分享經濟中最成功的企業之一[9]，2008年成立并于2015年8月進入中國市場，是一個利用閑置房間、公寓或別墅，將游客和有空房出租的房主聯系起來并在線完成預訂、支付、溝通、評價這一系列程序步驟的P2P分享平臺，該平臺致力于讓每位用戶在旅行中都能“像當地人一樣生活”，更好地體驗當地文化。Airbnb與其他旅行房屋預訂平臺或者民宿平臺不同，其平臺上的房源大多來自普通人的個人房屋，而不是通過中介或者地產公司[7]。Guttentag將Airbnb稱為住宿行業的顛覆性創新[31]。

與傳統的酒店在線預訂平臺不同，Airbnb以對陌生人的信任為基礎，給了房客以合理的價格入住各種特色房源，在伴隨居家體驗的同時，又能夠和當地房東深入交流的、區別于酒店的另一種選擇。故而，這種住宿體驗對游客具有獨特的吸引力，可在短期內體驗當地文化，融入當地環境。不可否認，與傳統酒店相比，Airbnb在服務質量、品牌聲譽、安全等諸多方面有欠缺，但它還是飛速發展，這種火箭式噴發的增長效應也引起了學術界的廣泛關注。不少學者探討了Airbnb成功的因素，認為是監管寬松、避稅機會、位置靈活、供給快速、低成本等一系列相對于傳統酒店行業的競爭性優勢，使得Airbnb快速成長起來31-34]。其中，價格就是廣為研究者們關注的因素之一[31]。

1.2短租房源價格影響因素

價格通常被認為是影響消費者選擇住宿的關鍵因素之一[13]。如Tanford等的研究證明，消費者往往認為價格是影響他們入住中低端酒店決策的最重要的影響因素[32]。許多學者研究過影響傳統酒店業房價的因素，并確定了一系列相關的價格決定因素，如品牌名稱、星級、地理位置、酒店的年齡、客房設施等[35-38]。

與酒店采用成熟的定價方式不同，Airbnb的房源價格完全由房東個人決定。雖然Airbnb有提供“智能定價”這一功能，但房東仍需根據市場及個人判斷發揮其主觀能動性。已經有一些學者進行了相關研究，以確定哪些因素會影響Airbnb房源的價格（表1）。但是，學者們的研究結論并不一致，即使是同一影響因素，由于研究對象和研究方法的不同，所得出的結論甚至完全相反。

其中，Wang和Nicolauc[14]對Airbnb價格影響因素的總結較為全面。他們確定了Airbnb房源的5類價格決定因素類別，包括房東屬性、房源屬性、設施和服務、租賃規則和在線評論等級（這5類因素又包含許多細分變量），通過回歸分析得出了一系列結論：例如房源屬性中房源類型與價格顯著負相關，而房間類型與價格則是正相關關系;房間設施的各細分變量均與房源價格正相關;出租規則中即時預訂政策反而導致低價，易取消預訂政策與要求客人照片的規則使房源價格提高，但要求客人電話的規則對房源價格并沒有顯著影響[14]。但還有一些他們未討論到的影響因素，如分析距離對房價的影響時，他們僅考慮了房源到市中心的距離，得出二者為負向相關的結論。其實有學者就距離這一因素

進行了更為詳細深入的分析[12，38-42]，如張志華等人在研究中所用的距離分為房源到會議中心與最近高速公路的距離[12];Balaguer和Pemias[42]、Becerra等[38]在探討酒店房間價格影響因素時，納入了與競爭者的距離這個外部因素進行討論，認為其對價格的影響不是簡單線性正或負相關。另外，張志華[12]在考慮影響Airbnb房價的關鍵因素時，還加入了房源上線時間（即年數）這一因素，發現其對價格的影響為正;馬磐昊對在線短租市場房源銷量的影響因素進行研究時，提出要基于信任這一因素[43];呂姝在分析社交需求對分享經濟平臺成交價格的影響時，包含了房客最少入住天數（即租客特征）這一變量，且所得結果為顯著負相關[13]。

張志華等[12]基于田納西州納什維爾地區的房源樣本，得出距離、評論數量、年齡和評論評分這4個因素與Airbnb房源價格顯著相關的結論。不過，其研究結果與呂姝等學者的研究結論有所不同，即評論數量、評論分數和價格之間存在顯著的負相關關系。而呂姝[13]以及Gutt和Herrmann[44]所得結論都是評論數越多，價格越高，Wang和Nicolauc[14]、Ikkala和Lampinen[45]研究表明評論分數越高，房源價格越高，呂姝[13]及Ert等[46]的相關研究認為，房源價格與其評分并無顯著相關關系，即值得信賴的在線評論分數對Airbnb房源價格沒有影響。

由于相關研究多是基于1個城市，所以大部分文獻并沒有考慮城市房價對房源價格產生的影響。但本文是基于中國多個城市，住宅價格與住宅租金二者作為住宅價值不同的表現形式，其具體相關關系雖會因城市而異[47-48]，但不論是Airbnb對住宅價格的影響還是各城市房價對當地民宿短租房

源價格的影響都是不容忽視的。而在目前的研究中，學者們更多的是考慮Airbnb房源對住宅價格的影響。有研究表明，Airbnb房價上漲10%，將會導致租金上漲0.42%，住宅價格上漲0.76%[49-50]。反之，住宅價格也應會顯著影響Airbnb房價，故此本文在下文的實證研究中加入代表此因素的變量。

1.3社交度和信任度

1.3.1社交度

傳統的酒店行業中，服務已日益標準化，游客一般不考慮酒店除價格、服務外的其他非經濟因素[44]。而Airbnb不同于傳統酒店，它其實是一個以信任為基礎的社區，為彼此陌生的用戶建立起某種社會聯系。非經濟因素特別是其提供的社交是影響游客選擇入住Airbnb的一個主要原因[13]，因此社交度應納入影響Airbnb房源成交價格的因素中。

Airbnb的社交服務功能主要通過其完善的信息披露機制得以實現。本文參照呂姝在分析此問題時的分類[13]：一是房東主動披露，二是被動披露。主動披露，即在Airbnb平臺上提供房東個人信息，Fagerstrom等[51]甚至已經細致地探討過Airbnb房東的面部表情對房屋出租的相對影響。被動披露，即過去租住房客的評價，以年均評價數量來衡量。Gutt和Herrmann的實證研究報告稱，評級可見性（多于3條評論）會導致價格上漲2.69歐元[44]。不過Wang和Nicolau[14]以及張志華等[12]的分析結果與其恰恰相反，認為評論數量越多，價格反而越低。這可能是由于房客往往選擇價格較低的房源，房東為吸引房客，增加出租機會，更有可能會降低他們房源的價格，使得低價房源的出租可能性更大，獲得的房客評論也就相應越多。

1.3.2信任度

Airbnb是一個在線民宿P2P市場，個人通過向其他個人租借住所來進行“短期”住宿[26]。其中所暗含的直接面對面互動和臨時占有個人財產[52]，使之與常規電子商務、傳統的B2C住宿相比具有更多的風險，比如人身暴力危害及資產濫用行為。因此，Airbnb交易的必要條件是信任[33]。吳曉雋和沈嘉斌在探討Airbnb信任機制時也指出，為培養對分享經濟的信任，從業者應該同步增強制度信任、產品信任和人際信任[53]。但事實上，與傳統渠道中的現有酒店品牌相比，客戶在Airbnb交易中所獲得的信任度可能會大大降低[35]。

鑒于信任在分享經濟平臺中的重要性，學者們就房客對Airbnb及其房東的信任度這一主題進行了多角度的探討。Liang等的研究結果表明，Airbnb房源的聲譽或者說房客對房東的信任可能受到房東是否是“Superhost”的影響[54]。Liang等也在調查消費者回購意圖時，提出關注感知真實性，線上口碑和消費者價格敏感度這3個因素的影Ⅱ向[55]。

Airbnb通過評分機制來顯示和增加消費者對平臺及房東的信任度，使得能表明信任度的在線評分也成為研究熱點。不過，學者們的研究結論并不一致。Wang和Nicolau[14]、Ikkala和Lampinen[45]所得結論與其猜想一致，即評分越高，房價越高;Ert等嘗試以房東個人照片和評價分數作為信任變量探討其在Airbnb中的作用[46]，結果顯示，房客對房價的選擇及其預訂可能性受到房東個人照片的可信度的影響，而評價分數反而對價格沒有影響，即房東的可信賴度是比評價分數更好的價格和需求指標。呂姝[13]的研究結論與Ert等[46]的觀點類似，而有學者甚至得出評分與價格呈負相關的結論[12，14]。這可能是由于Airbnb的平均評分顯著高于其他平臺的平均評分[26]，并且從房客期望角度看，價格較低的房源，房客預期也較低，更容易獲得滿足從而給出高評價[12]。而且超過90%的Airbnb房東獲得了4.5-5星的評論分數，使得它們實際上難以區分[52]。事實上，不止一篇文獻對用房客評分來衡量信任度提出質疑，Airbnb平臺的房客評分趨向于同質化，方差極低，并且沒有足夠的價值基礎來建立信任度[26，46，53]。

特定的文化環境和經濟環境也是分享經濟發展的重要因素，因此除了在線評分外，各省各地區的守信程度，也會影響該地分享經濟的發展。以前的研究已經確定了分享經濟中買方和賣方之間信任的重要性[16，56]，但并沒有探討其與價格的關系問題。在過去，與其他國家相比，中國的人際信任度比較低①。在以往的跨文化研究中，中國也被認為是一個信任度比較低的社會[57]。雖然改革開放以來，中國的市場經濟有了很大的發展，尤其在一些經濟發達的省市，契約精神逐漸建立起來，社會關系也在發生深刻的變化。人們一方面更加渴望接觸其他人，一方面又對來得容易、去得輕松的流動關系更加寬容[58]，人際間的信任度有很大的提升，不

過從整個國家來看，因為發展差距比較大，省市之間的信任度差距也比較明顯。

2 研究對象及數據處理

2.1研究對象

本研究選取2010年1月-2017年11月中國境內Airbnb房源數量較多（大于100個）的36個城市為研究樣本。在剔除信息嚴重不完整、信息明顯有誤等房源之后，共得到有效房源51 874個。這36個城市分別為：上海、北京、廣州、深圳、杭州、廈門、蘇州、青島、南京、三亞、寧波、天津、秦皇島、珠海、福州、海口、成都、重慶、大理、麗江、昆明、桂林、貴陽、南寧、武漢、長沙、張家界、鄭州、合肥、太原、南昌、大連、哈爾濱、沈陽、吉林、西安。

2.2數據的獲取與處理 本研究利用Python語言，設計并實現了一個基于Scrapy框架下的分布式爬蟲系統，在Airbnb App中獲取房源價格、房型屬性、評論等一系列數據，截止時間為2017年11月30日，共整理成兩張Excel表（房源數據表和評論數據表）。房源數據表有123 655個房源數據，包含與房東ID相關聯的一組屬性，包括照片、個人聲明、房源信息（包括位置、價格、簡要說明、照片、容量、可用性、入住和結賬時間、清潔費用和保證金等）、客人評論和Airbnb認證的聯系信息。而評論數據表為房客評論的相關數據表，共有原始數據788 574條評論。雖然房源的實際預訂數據不可得，但是評論數可以在一定程度上表征房源預訂數①，故而可以根據不同年份的評論數量，制作Airbnb滲透圖（圖1）。可以明顯看出，雖然早在2010年在中國就開始出現Airbnb房源，但實際爆發式增長是在2016年和2017年。

在123 655個原始房源數據的基礎上，將數據爬取期間（2017年11月）前一年內至少有一次數據更新（即Airbnb日歷顯示有房客預訂入住）的房源定義為活躍房源，由此得到了94 992個活躍房源。各城市活躍房源的數據細節列于表2，Airbnb的房源主要分布在黑河一騰沖線以東。其中，北、上、廣、深這4個一線城市，以及杭州、青島、成都、重慶的活躍房源數量均在3000以上。

在刪去不活躍房源的基礎上，關聯評論數據表，進一步刪去沒有評論的房源，得到38個房源數量大于100的城市。把這38個城市的數據刪去空值（如沒有平均評分數據的房源）和異常值（如地理坐標不在區域范圍內的或價格過于離譜的房源），整合成新表，樣本數據量為53 026個房源。另外，由于我國臺灣、香港地區的其他變量數據的可得性問題，最終的城市樣本只包含36個城市，以下分析均基于上述數據處理后的去掉臺灣、香港的51 874個有效數據。本文所用的加權信任數據來源于張維迎和柯榮住的“信任及其解釋——來自中國的跨省調查分析”[59]一文中各地區的加權信任數據。

通過對旅游總收入占GDP比重的計算，將除一線城市②以外的其他城市分為：旅游城市和綜合城市。依據《創建中國優秀旅游城市工作管理暫行辦法》和《中國優秀旅游城市檢查標準》，截至2010年末，共有337座城市通過旅游城市的驗收標準。本文所選取的36個城市均為文化和旅游部所確定的“旅游城市”，為更有針對性地進行相關研究，將“旅游城市”的范圍以如下方式縮小;2017年，旅游總收入占GDP比重大于25%的城市，并結合中國城市競爭力研究會、中商產業研究院對2017年中國旅游城市的排行，綜合考慮確定。綜合城市則為36個城市中除“一線城市”和“旅游城市”以外的其他所有城市。數據細節表2如下，表中的區域劃分參考自文獻“基于空間異質性視角下的中國區域經濟差異研究”對中國區域的劃分[60]。

3 模型及方法

3.1最小二乘法和分位數回歸

在研究方法上，Koenker和Bassett[61]提出的分

位數回歸模型，彌補了最小二乘法（OLS）的很多不足之處，其對條件分布的估計與分析更加詳細（OLS僅刻畫了均值函數），在異方差模型中的應用效果也更優（OLS有嚴格假設）。故而，若將分位數回歸與最小二乘法結合起來，則既能了解因變量分布的中心趨勢，又能知曉因變量分布的尾部趨勢;通過分位數回歸擬合結果還可以判斷最小二乘估計的適用性，簡明的最小二乘法也能更好地發揮其優勢，二者相互補充能起到良好效果。因此，本文將最小二乘法與分位數回歸相結合來研究Airbnb房源價格與其影響因素的關系。

3.2變量選擇

本文的因變量為Airbnb房源每晚的價格。根據文獻綜述和數據可得性，將解釋變量分為9種特征屬性，共27個自變量，包括：外部因素（酒店供應量）、房東特征（專業房東）、區位特征（距離）、房源特征（房源類型1、房源類型2、房源類型3、整套房子、獨立房間、分享房間、可容人數、實際人數、年數）、房間設施（浴室、臥室、床、實體床）、出租規則（即時預訂、取消政策、客人電話、客人照片、額外收費項目）、信任度（加權信任分、平均評分）、社交度（照片數、年均評論數）、租客特征（最少天數）。具體的變量描述與解釋詳見表3。

3.3模型對比

將不是虛擬變量的解釋變量進行標準化處理后，對上文提及的數據進行OLS回歸和分位數回歸。為了避免多重共線性，在回歸方程中沒有加入對照組（房源類型3和分享房間），所以共計25個自變量。表4列出了普通最小二乘（OLS）回歸結果①，以及對第10、第25、第50、第75和第90分位數的回歸估計結果。通過對比，分析每個分位數對解釋變量的不同影響，使得根據因變量的閾值來區分特定變量的效果成為可能。

雖然分位數回歸與OLS回歸的結果相似，但分位數系數能提供更豐富的信息。且OLS回歸有其使用范圍的限制：若對OLS回歸做因變量（Airbnb房源價格）的分位數Q-Q圖②，同時做OLS的回歸診

斷，可以發現，因變量即Airbnb房源價格并不是正態分布的，也有少量觀測值是異常點和強影響點①。這使得普通最小二乘回歸的估計結果不準確。但，分位數回歸不要求因變量服從正態分布，不僅如此，分位數回歸對異常值點也并不敏感。因此，分位數回歸是對基于最小二乘法的經典線性回歸的有益補充，使實證研究結果更具解釋力和說服力。

4 回歸結果分析

4.1 0LS和分位數回歸分析

通過OLS和分位數回歸對比表（表4）可以看

出，即使通過OLS回歸和分位數回歸所得到的系數符號相同，但使用OLS回歸估計的效應在分位數上可能不是恒定的。事實上，大多數分位數回歸置信區間落在OLS的置信區間之外。

根據OLS和分位數回歸對比表（表4）的估計結果，分析如下：

在外部因素方面，二手房價對短租房源房價的影響顯著為正，這是符合正常預期的結果，城市二手房價越高就會相應帶動該城市的租房價格提高。酒店供應量在OLS回歸下不顯著，但在分位數回歸下，除了0.1分位數外，在其他分位數上該變量均通過顯著性檢驗且系數為負，說明酒店供應量越多，房源價格越低，這與正常預期（激烈的競爭使價格降低）相符。且其系數隨分位數的增加而降低，說明對于低價房源來說，酒店供應量的影響更為明顯。可能原因可以參考Zervas等[26]的研究結論：Airbnb的入駐對不同檔次酒店的影響是不均衡的，價格較低的酒店及不能滿足商務旅客需求的酒店，受到的影響最大[25]。說明Airbnb房源主要是和低檔低價酒店在同一細分市場進行競爭，且低價的Airbnb房源與酒店的競爭會更激烈，故此酒店供應量會對低價房源產生更大的影響。不過，也不是所有學者都對此得出了統一的結論，Dogru等的研究結論認為，Airbnb似乎影響的是豪華酒店，而不是經濟型酒店[62]，但是本文的實證結果并不支持這樣的結論。

在房東特征方面，專業房東在最小二乘回歸下并沒有通過顯著性檢驗，但在各個分位數回歸中，

其系數在0.01的顯著性水平上均顯示為正，說明專業房東對Airbnb房源價格具有積極的提升作用。且其系數隨分位數的增加而增加，呈增長態勢，說明專業房東對高價房源的積極影響比對低價房源更明顯。

在區位特征方面，OLS的結果顯示，距離的系數顯著為正，說明房源離市中心越遠，房價反而越高。根據分位數回歸的估計，在房源價格低（0.1和0.25分位數）時，房價與距離負相關，即距離市中心越近，交通越便利，房源價格也會越高，這符合一般常識推理;但隨價格升高（0.5、0.75和0.9分位數），房價與距離的關系由負相關轉為正相關。有此結果，一方面可能是由于只取房源到市中心的距離作為變量，過于“一刀切”，使得回歸結果不準確;另一方面，可能是因為越臨近遠離市中心的郊區，房源中別墅的比例相應越高，而租賃別墅的價格相較其他類型的房源明顯更高，這就使得從數據上來看，距離市中心越遠房價反而越高，即兩者一定程度上表現出正相關關系。可以認為在房源類型不同情況下，距離對因變量價格影響的邊際量不同。

由于猜測距離與房價的關系受到第三個變量（即房源類型）的影響，故以房源類型3為調節變量，在回歸模型中引入交叉項（距離乘以房源類型3）作為新變量。根據所得回歸結果①：當房源類型屬于房源類型3時，變量房源類型3取值為1，距離對房價的總效應（單獨效應+調節效應）系數為0.03953（0.01704+0.02249）;當房源類型不屬于房源類型3時，變量房源類型3取值為0，距離對房價的總效應系數為0.01704。可見，對于別墅等（房源類型3）房源來說，距離對價格的正向影響更突出。總的來說，當調節變量（房源類型3）處于較低水平（取值為0）時，自變量（距離）負向預測因變量（價格）;當調節變量處于較高水平（取值為1）時，自變量正向預測因變量。

在房源特征中，兩種房源類型（房源類型1、房源類型2）與其對照組（房源類型3）相比，均對價格產生負面影響，系數分別為-0.22433和-0.08198。這說明房源類型1（公寓/分契式公寓/酒店式公寓）和房源類型2（B&B/宿舍/賓館）對房價的影響類似，都顯著低于房源類型3（別墅/連棟住宅/度假屋等）對價格的影響。即以較不典型的房源類型3作為基線，如果租用的房源被歸類為房源類型1或者房源類型2，則價格會降低。但這一因素若通過分位數回歸來分析則會顯示更多的信息。根據圖2（a）所示，兩種房源類型隨分位數的增加，房源類型1的系數呈遞減趨勢（但系數絕對值遞增），而房源類型2遞減趨勢不明顯，在0.9分位數上系數甚至有上升。隨著房源價格的增大，房源類型1對價格的影響也逐漸增大，而房源類型2對價格的影響則變化不大。在房源價格低時，兩類房源對價格的影響大小相近，但隨房源價格增大，兩類房源對價格影響的差距也愈大。在低價房源中，房源類型1的住宿條件較房源類型2相似，故而對價格的影響也相似。但房源類型1對價格的變動更為敏感，當是高價房源時，其房源類型對價格的反作用相較房源類型2更明顯。對于高價位房源，公寓類房源（房源類型1）比賓館類房源（房源類型2）的系數絕對值更大，即公寓類房源對價格的影響較大。

除了房源類型外，其他房源特征變量，即整套房子、獨立房間、可容人數、實際人數和年數，它們的系數不論是在OLS還是分位數回歸結果中，都顯著為正。整套房子的系數為0.38064，獨立房間的系數為0.18916，獨立房間的系數比整套房子的系數更小，因此對價格的影響也較小，所以整套房子很可能比獨立房間價格更高。這兩種系數為正的房間類型的對照組是分享房間，分享房間的價格會相對最低。如同預期，入住整套房子的房價高于獨立房間和分享房間。如圖2（b）所示，不論在低價還是高價房源中，整套房子對房價的影響系數與另兩類房間對房價的影響系數之間的差距，始終保持在0.1左右。說明不論對哪類價格檔次（即不論處于哪個分位數上）的房源來說，整套房子相對于其他兩類房間的房價優勢都是穩定的。

可容人數和實際入住人數越多，說明房源的物理空間越大，Airbnb的價格越高，這符合常理推斷。經營年數的系數在0.01的顯著性水平上為正，表明房源經營時間越久，房源價格越高，這與張志華等[12]的結論一致。經營年數更長的Airbnb房源往往收取更高的價格，部分原因是房東通過更長時間的出租住房，會更有經驗，而且房客也更能相信其安全和服務質量[11]。

關于房間設施，浴室、臥室和床的系數均顯著。其中，浴室和臥室系數為正，說明浴室和臥室的數量越多，房源價格則越高，這與預期相同。床的系數為負，說明隨著床的數量增加，價格反而下降。

這可能是因為，房東為吸引價格敏感的房客，提供價格低廉且有更多床可供更多人人睡的房間的營銷策略。實體床沒有通過顯著性檢驗，說明床的類型（如是實體床還是氣墊床等）對房源價格沒有顯著的影響關系，這與Wang和Nicolau[14]的分析結果有所不同。

在出租規則方面，即時預訂的系數在0.1的顯著性水平上為負，說明提供即時預訂服務反而對房源價格具有反向作用。取消政策的系數在0.05的顯著性水平上也為負，說明提供靈活的取消預訂政策，反而會使房價降低2.Og%。這需要聯系房東的營銷策略來解釋，房東可能會把低價和寬松的即時預訂、取消政策相結合來吸引房客。Wang和Nicolau[14]對此的解釋是，設置靈活取消預訂的規則的房東往往是出于情感因素而非理性考慮，這類房東并不十分關心出租房源所帶來的收益，他們只是想有一個合理的價格提供給真心想入住的房客。額外費用的系數顯著為正，說明若需要對額外增加的人額外收費，價格提高約10.25%。但客人電話和客人照片這兩個變量沒有通過顯著性檢驗，這兩個變量對價格沒有影響。

在信任度方面，加權信任分的系數顯著為正，信任度越高，房價越高，且其影響系數為3.02%。根據圖2（c）可以看出，隨分位數的增加，加權信任分的系數整體呈上升趨勢，系數在0.75分位數上達到最高值。說明加權信任分對高價房源房價有更大的積極作用。可能是由于選擇入住高價房源的游客對信任和安全的要求往往更高，更能接受由于信任分提高帶來的房價升高。平均評分的系數在0.01的顯著性水平上也為正，即平均評分越高，則房源價格也越高。但仔細觀察分位數系數和圖2（d）可知，在0.9分位數上，平均評分并沒有通過顯著性檢驗，即對于極高價的房源來說，其價格并不受平均評分影響。由于房客會對高價（0.9分位數）房源有更大的預期，但這個預期并不容易滿足，故而房源與房東甚至反而會收到較低的評價，使得從數據上看，評分與價格并無顯著相關關系。但房客對一般價位（0.1、0.25、0.5、0.75分位數）房源往往更容易滿

足，所以評分會相應較高，計量估計結果也就顯示為價格與評分兩者呈正相關關系。

在社交度方面，房東主動社交的照片數系數顯著為正，說明照片數越多，房價越高。這是符合預期的，房東提供的照片數越多，房客就越能從中判斷這個房東與房源的特色以及自己入住該房源能否達到與當地房東交流、更好了解該地文化的目的，從而最終確定是否選擇入住。照片數增加，信息披露度也隨之上升，房客與房東房源匹配的可能性也就相應增加，對房東和房源有一定認可度的目標客戶，房東可以更“任性”地提出相對較高的房價。根據圖2（e），分位數估計的系數為遞增趨勢，表明雖然更多的照片數會導致較高的價格，但這種正向的影響在較高價格的房源中比在較低價格的房源中更顯著。

而被動社交的年均評論數卻是顯著負相關，即年均評論數多的房源價格相對更低。這一結論與張志華等及Wang和Nicolau的研究成果一致[12，14]。過去已經有學者證明，大多數選擇分享住宿的旅客是為了節約成本[31，63]。故而為了增加出租機會，房東會降低房源價格。而出租率增加了，評論數則會相應增加。通過圖2（f）能發現，分位數估計的系數呈遞減模式，年均評論數對低價房源的影響更為明顯。

在租客特征方面，最少天數的系數顯著為正，不同于呂姝[13]的研究結論。房東要求的租戶最少入住的天數越多，房價反而越高。但分位數回歸并沒有通過顯著性檢驗。說明此回歸結果的準確度有待商榷。一般來說，在其他條件基本相同的情況下，房東要求的最短入住時間越長，越可能引發客戶對于房屋入住條件的公平性產生懷疑，進而會降低房源的吸引力，從而使房東不能要求過高的房價。

4.2對應分析

為了研究不同城市類型下Airbnb房源價格的影響因素的異同，本文將36個城市分為3類：一線城市、旅游城市和其他綜合城市，并運用對應分析，研究這3類不同城市類型下，Airbnb房源價格的影響因素是否有變化，又有何變化。

將因變量（price）按價格高低分為3檔，具體分類如下：價格不高于200的房源為低價房源，介于200-500的為中等價位房源，價格不低于500的房源為高價房源。

由于解釋變量有27個，在對應分析中為突出研究重點（信任度和社交度），我們選取了其中7個變量進行考察：酒店供應量、房東房源數（host listingscount①）、距離、房間設施（facility②）、主動社交度、被動社交度、信任度。運用R軟件，程序運行結果（表5）③歸納如下：

（1）不論在哪類城市中，距離對中等價位房源的價格影響更顯著。

（2）酒店供應量在旅游城市，影響的更多的是低價房源的價格，而在一線和其他綜合城市則對中等價位的房源影響更大。

（3）每個房東擁有的房源數量分別對一線城市

的高價房源、旅游城市的中等價位房源以及綜合城市的低價房源的價格產生更顯著的影響。

（4）房間設施對一線和旅游城市的高價房源的價格影響較中低價房源更為顯著，但在綜合城市中，其對中等價位房源的價格的影響高于低價或高價房源。

（5）在社交度方面，不論在哪類城市，照片數均是影響中等價位房源價格的主要變量。不過，年均評論數的影響在不同類型城市有所區別，一線城市的中等價位房源的價格及其他城市（旅游城市、綜合城市）的低價房源的價格受年均評論數的影響會更顯著。

（6）在信任度方面，加權信任分不論在哪類城市中，始終對中等價格的房源價格影響較大。而平均評分對一線城市的Airbnb房源來說，更容易影響中等價位房源的價格，但對一線城市以外（旅游城市、綜合城市）的房源則更易影響其低價房源的價格。

（7）從社交度和信任度對不同價位房源價格的影響來看，旅游城市和綜合城市并沒有明顯區別，但它們相較一線城市則有所不同。一線城市各類價格檔次（低、中、高價）的房源中，中等價位房源較其他價位房源，其價格更易受到年均評論數和平均評分的影響。而其他類型城市（旅游城市、綜合城市）則是低價房源受到的影響更顯著。

總體來看，對于一線城市和旅游城市的Airbnb房東，提升房間設施質量能有效幫助他們提高房租價格，故而前期對房間設施增加資金投入，有利于后續長期的經營收益。在旅游城市，酒店與低價Airbnb房源的競爭比在其他類型城市中更為激烈，低價房源更易受到酒店供應量的影響，或者說在酒店供應多的旅游區，低端的Airbnb房源的經營會相對較為困難。而社交度和信任度對一線城市Airbnb房東群體的影響與對旅游城市和綜合城市Airbnb房東群體的影響也有所不同。一線城市經營中等價位房源的房東和其他兩類城市經營低價房源的房東要更為關注這兩個影響要素。

5 結論與不足

5.1研究結論

價格在Airbnb分享模式的發展中發揮著重要作用，不僅會影響旅行者的住宿選擇，也會顯著影響房東的利潤[64]。尤其是隨著短租行業的進一步發展和Airbnb房東供給的增加，目前房東之間的競爭日趨激烈，房東獲利難度顯著加大。因此，了解影響Airbnb房源價格的因素具有重要價值，可以幫助房東提出合理的價格，使房東和房客都能從這種分享經濟模式中獲益。

從本文的回歸分析結果中可以看出，25個變量中僅有3個變量（實體床、客人電話、客人照片）未通過檢驗，而其他所選變量均對Airbnb房源價格有不同程度的顯著影響。其中，游客對房東和房源的信任度及房源對游客社交需求的滿足程度均會顯著影響Airbnb房源的價格。這是明顯區別于傳統酒店業的兩類因素，其原因在于Airbnb是基于分享經濟模式來利用閑置資源的創新P2P平臺。雙方交易所轉移的不是所有權而是使用權，這種方式更需要雙方之間的良好互動，他們的關系會更加復雜，這使得非經濟因素（信任、社交）對價格的影響不容忽視。

除了代表兩類非經濟影響因素的4個變量外，本文也仔細分析了其他變量對房源價格的影響。首先，本文在探討外部影響因素時，驗證了酒店供給與住宅價格對Airbnb房源價格所帶來的影響。本研究證實了城市二手房價正向影響Airbnb房源的房租價格，而酒店供應量的增加會導致酒店住宿業競爭加大，從而使Airbnb房源價格與酒店供應鏈之間呈現負向相關關系，所得結論符合供求規律和常識。其次，Airbnb房源本身的屬性對其價格也會帶來影響，如房東特征（是否為專業房東）、區位特征（房源距市中心的距離）、租客特征（租房時長區別）、房源的類型、面積、經營年數、房間設施、預訂及取消的規則等。在眾多的房源屬性對房源價格影響的關系中，本文的結論與Wang和Nicolau[l4]的研究結論基本一致，不過本文的回歸結果顯示，實體床和客人電話對房源價格并沒有顯著影響，而在Wang和Nicolau[14]的回歸結論中，實體床和客人電話均顯著正向影響房源價格。

分位數回歸結果進一步顯示，對于經營不同價位房源的房東，房源屬性和社交度、信任度對房屋出租價格的影響程度有明顯區別。經營高價位房源的房東，提供更多的照片有助于溢價的保持，同時要對苛刻的評論有準備，在提高服務質量，更好地滿足房客預期方面要更下功夫;而經營低價位房源的房東，保持較高的出租率和評論率則非常有意義。

而通過對不同城市的不同價位Airbnb房源的價格關鍵影響因素的對比分析，本研究顯示對于不同城市的Airbnb房源經營房東，他們所需重點關注的因素有所不同。具體來說，在一線城市，房東可

以通過提高其服務的專業水平及房屋硬件設施配備（如臥室、浴室）兩方面來尋求房屋的提價可能性，從而獲利。在旅游城市和綜合城市，房東可以“薄利多銷”，即以低價取勝，但要注意關注游客評論數量及評分高低使得房源對于房客來說能滿足社交和信任要求。而旅游城市相對于一線城市和綜合城市，其低價位的房源價格受到信任度與社交度的影響更大，而且與酒店的競爭比在其他類型城市中更為激烈。

5.2不足與限制

本文的因變量價格所選取的是房源整體價格，而不是每個人每間房間的價格，這可能會導致計量結果在一定程度上的不準確。其次，本研究基于中國36個城市的Airbnb房源數據進行分析，在其他國家和地區是否具有廣泛的應用性，還有待驗證。

參考文獻（References）

[l] PAN Zheqi. Promote the sharing of economic prosperity[J].Zhejiang Economy，2018，20： 45.[潘哲琪，促進分享經濟蓬勃發展[J].浙江經濟，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中國共享經濟發展年度報告[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.[電子商務研究中心.2017年度中國共享經濟發展報告[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.[搜狐網.Airbnb創始人：3張床墊起家，看小鎮青年如何打造估值310億的短租巨頭[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.[人人都是產品經理：看三大在線短租平臺，深度解析中國房東市場運營狀況[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.[呂姝，社交需求對共享經濟平臺成交價格影響研究[D].大連：大連理工大學，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.“小豬”陳馳：荒地生長的房屋共享[J].名人傳記：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.[呂福玉，分享經濟的發展趨勢與應對策略[J].商業時代，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，張文明，共享經濟：邁向綠色發展的新經濟革命[J].中華環境，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.[鄭聯盛，共享經濟：本質、機制、模式與風險[J.國際經濟評論，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，王詩桪，共享經濟與價值創造——共享經濟的經濟學分析[J].中國流通經濟，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.[張孝榮，俞點.共享經濟在我國發展的趨勢研究[J].新疆師范大學學報：哲學社會科學版，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.[楊學成，涂科.平臺支持質量對用戶價值共創公民行為的影響——基于共享經濟背景的研究[J].經濟管理，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.基于信任理論的在線短租市場房源銷量影響因素研究[D].武漢：武漢大學，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.[張所地，趙華平，李斌.房地產宏觀調控影響下的房價與租金關系研究——基于中國35個大中城市面板數據的實證分析[J].數理統計與管理，2014. 33（2）： 305-316]

[48] YE Junbo. Study on the Influence Factors and City Differencesof Rent-price Ratio [D]. Hangzhou：Zhejiang University， 2015.[葉君波.租金房價比的影響因素及城市異質性研究[D].杭州：浙江大學，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：社會道德和繁榮的創造[M].呼和浩特：遠方出版社，1998： 33.]

[58] BROOKS D， CAO Yu. Trust transformation behind Airbnb businessmodeI[J]. PR Magazine.2014， （4） 20-20.[戴維·布魯克斯，曹劼Airbnb商業模式背后的信任轉型[J].國際公關，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.[張維迎，柯榮住，信任及其解釋：來自中國的跨省調查分析[J]經濟研究，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.[孫久文，姚鵬.基于空間異質性視角下的中國區域經濟差異研究[J].上海經濟研究，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