吳曉雋　裘佳璐

[摘 要]自Airbnb正式進(jìn)軍中國市場(chǎng)，它已快速發(fā)展成為中國分享經(jīng)濟(jì)的標(biāo)桿，并且以Airbnb模式為先導(dǎo)的在線民宿短租市場(chǎng)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(shù)從Airbnb App上獲得中國36個(gè)城市的51874個(gè)房源的有效樣本數(shù)據(jù)，采用OLS回歸和分位數(shù)回歸模型，分析了9類共27個(gè)細(xì)分變量對(duì)房源價(jià)格的影響，來確定影響Airbnb房源價(jià)格的關(guān)鍵因素。OLS和分位數(shù)回歸所得的結(jié)果表明，大多數(shù)變量（除實(shí)體床、客人電話和照片外）均通過顯著性檢驗(yàn)，信任度與社交度這兩類非經(jīng)濟(jì)因素也對(duì)Airbnb房?jī)r(jià)有明顯影響，且對(duì)于經(jīng)營不同價(jià)位房源的房東，房源屬性和社交度、信任度對(duì)房?jī)r(jià)的影響程度有明顯區(qū)別?；诨貧w結(jié)論，文章進(jìn)一步采用了對(duì)應(yīng)分析法對(duì)不同城市的不同價(jià)位Airbnb房源的價(jià)格關(guān)鍵影響因素深入剖析，研究顯示，對(duì)于不同城市的Airbnb房源經(jīng)營房東，他們所需重點(diǎn)關(guān)注的因素有所不同。

[關(guān)鍵詞]Airbnb;價(jià)格影響因素;分位數(shù)回歸;信任與社交

[中圖分類號(hào)]F59

[文獻(xiàn)標(biāo)識(shí)碼]A

[文章編號(hào)]1002-5006（2019）04-0013-16

Doi：10.19765/j .cnkl.1002-5006.2019.04.007

引言

分享經(jīng)濟(jì)（sharing economy）作為一種依賴網(wǎng)絡(luò)，建立在分享知識(shí)、服務(wù)或閑置資料“使用權(quán)”基礎(chǔ)上的需要社會(huì)大眾廣泛參與的新經(jīng)濟(jì)形態(tài)，對(duì)當(dāng)前社會(huì)生活的各個(gè)領(lǐng)域都產(chǎn)生了深刻的影響。在信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展推動(dòng)下，分享經(jīng)濟(jì)已成為目前社會(huì)經(jīng)濟(jì)領(lǐng)域中非常活躍的經(jīng)濟(jì)模式之一。中國分享經(jīng)濟(jì)起步雖略晚于國外，但發(fā)展勢(shì)頭強(qiáng)勁，預(yù)計(jì)到2020年分享經(jīng)濟(jì)交易規(guī)模占GDP比重將達(dá)到10%以上[1]。

其中，以旅行住宿分享為內(nèi)容的民宿在線短租的發(fā)展令人矚目。相對(duì)于傳統(tǒng)住宿消費(fèi)市場(chǎng)，民宿在線短租有兩方面優(yōu)勢(shì)：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(fèi)靈活，性價(jià)比高，同等價(jià)位下，享受酒店所不具備的個(gè)性體驗(yàn)。另一方面相較于傳統(tǒng)線下短租，民宿在線短租網(wǎng)站/平臺(tái)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(duì)稱性;平臺(tái)的保障機(jī)制，能有效降低預(yù)訂和支付環(huán)節(jié)可能的交易風(fēng)險(xiǎn)[2]。在分享經(jīng)濟(jì)領(lǐng)域，2017年中國民宿在線短租的交易量增長(zhǎng)速度僅次于知識(shí)技能和生活服務(wù)，增速達(dá)到了70.6%[3];且民宿在線預(yù)訂市場(chǎng)的交易規(guī)模也由2012年興起時(shí)的4.7億元增長(zhǎng)至2017年的145.6億元[4]，后續(xù)還呈現(xiàn)出持續(xù)擴(kuò)大的趨勢(shì)。而且中國國務(wù)院在2018年10月印發(fā)的《完善促進(jìn)消費(fèi)體制機(jī)制實(shí)施方案（2018-2020年）》文件中提到要鼓勵(lì)發(fā)展民宿短租，加快行業(yè)服務(wù)標(biāo)準(zhǔn)制訂工作，使得民宿在線短租在中國的發(fā)展，相較于日本、西班牙等國，享有更為有

利的政策環(huán)境。

Airbnb（愛彼迎）是民宿在線短租平臺(tái)鼻祖，分享住宿的先驅(qū)，它以P2P為商業(yè)模式，以互聯(lián)網(wǎng)平臺(tái)為媒介，賦能個(gè)人在線上發(fā)布房源、搜索房屋信息、完成在線預(yù)訂程序并實(shí)現(xiàn)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(gè)國家的65000多個(gè)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(dá)310億美元[5]，已超越全球多家知名酒店集團(tuán)。Airbnb在中國市場(chǎng)起步于2010年，并于2015年8月正式入華，發(fā)展十分迅速，至2017年年底，中國的Airbnb可供出租的房間數(shù)量已達(dá)到15萬間[5-6]。盡管在房源規(guī)模上，中國境內(nèi)的Airbnb不敵途家100多萬間的房源數(shù)量，但是就房東構(gòu)成和商業(yè)模式來說，途家主要采用B2P模式，其平臺(tái)上更多的是公司統(tǒng)一運(yùn)營的房源，更具有酒店標(biāo)準(zhǔn)化特征，而Airbnb則更多采用P2P的商業(yè)模式，平臺(tái)上的房東以個(gè)人房東為主[7]，更能體現(xiàn)分享經(jīng)濟(jì)的本質(zhì)特征，故而以Airbnb為本文研究對(duì)象比較合適且有代表性。

當(dāng)前，我國正處于分享經(jīng)濟(jì)發(fā)展的黃金期和轉(zhuǎn)折關(guān)鍵期。據(jù)電子商務(wù)研究中心監(jiān)測(cè)數(shù)據(jù)顯示，2017年中國分享經(jīng)濟(jì)市場(chǎng)規(guī)模約52850億元，較2016年的36 750億元增長(zhǎng)了43.81%[4]。但相較于2013年和2014年的增長(zhǎng)速度，近兩年的市場(chǎng)規(guī)模增速逐漸放緩，由原先的“高歌猛進(jìn)”階段進(jìn)入當(dāng)前關(guān)鍵的調(diào)整階段[4]。表現(xiàn)在民宿在線短租領(lǐng)域，不難發(fā)現(xiàn)隨著房源數(shù)量指數(shù)級(jí)的增長(zhǎng)，市場(chǎng)競(jìng)爭(zhēng)的激烈程度正在倍增。這也就意味著，房東在競(jìng)爭(zhēng)日益激烈的市場(chǎng)環(huán)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(jià)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(xù)。事實(shí)上，定價(jià)和收入管理是酒店?duì)I銷中最常研究的兩個(gè)主題[8]。但與傳統(tǒng)酒店業(yè)成熟的定價(jià)理論與實(shí)踐不同，Airbnb房源的獨(dú)特性和房東的異質(zhì)性，使得房東難以最佳方式做出合理的定價(jià)決策[9-10]。Hill在其發(fā)表的文章中有提及房東對(duì)其房源真實(shí)市場(chǎng)價(jià)值和Airbnb“智能定價(jià)”功能的困惑[11]。故而，研究Airbnb房源的價(jià)格影響因素是一個(gè)有意義的話題。

目前雖然已有文獻(xiàn)開始嘗試將短租房源價(jià)格與其房源屬性聯(lián)系起來進(jìn)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(jià)格為研究對(duì)象的文獻(xiàn)，多是基于中國某一個(gè)城市來研究影響Airbnb房?jī)r(jià)的關(guān)鍵因素[12-13]，或是雖然基于多個(gè)城市，但卻是從其他國家角度來探討分享經(jīng)濟(jì)在線短租的價(jià)格影響因素[10，14];另一方面，對(duì)Airbnb價(jià)格決定因素的分類與確認(rèn)大多基于酒店業(yè)的研究，并沒有突出Airbnb作為分享經(jīng)濟(jì)平臺(tái)所特有的影響因素。而且雖然有學(xué)者提及并分析Airbnb所特有的非經(jīng)濟(jì)影響因素，如游客的社交需求，但并沒有將其與價(jià)格聯(lián)系在一起做實(shí)證分析。

本文以中國的Airbnb房源為研究對(duì)象，探究其價(jià)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(nèi)的123 655個(gè)Airbnb房源信息及其評(píng)論的相關(guān)數(shù)據(jù)，使用普通最小二乘（OLS）分析和分位數(shù)回歸（QR）分析51 874個(gè)有效樣本數(shù)據(jù)，調(diào)查9類因素：外部因素、房東特征、區(qū)位特征、房源特征、房間設(shè)施、出租規(guī)則、信任度、社交度、租客特征對(duì)價(jià)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(jīng)濟(jì)平臺(tái)特質(zhì)。本文的發(fā)現(xiàn)在理論上對(duì)現(xiàn)有分享經(jīng)濟(jì)背景下在線短租定價(jià)規(guī)律的研究有一定的補(bǔ)充和完善的作用，并在實(shí)踐上能一定程度降低Airbnb“智能定價(jià)”工具的定價(jià)原理的不透明度，幫助房東更好地制定價(jià)格及營銷策略。

1 文獻(xiàn)回顧

1.1分享經(jīng)濟(jì)和Airbnb

分享經(jīng)濟(jì)作為一種經(jīng)濟(jì)思想，最早是在20世紀(jì)80年代中期由美國麻省理工學(xué)院經(jīng)濟(jì)學(xué)教授Weitzman提出，他認(rèn)為能替代現(xiàn)有工資制度（即利潤(rùn)全歸于資本家們）的經(jīng)濟(jì)模式就是分享經(jīng)濟(jì)[15]。當(dāng)然，現(xiàn)在所說的分享經(jīng)濟(jì)概念已經(jīng)發(fā)生了很大的變化。分享經(jīng)濟(jì)的全球思想先鋒Botsman將其定義為一種分享空間、技術(shù)，甚至是工具等未充分利用資產(chǎn)，由此產(chǎn)生貨幣性或非貨幣性利益的經(jīng)濟(jì)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(zhì)資源分享而建立起來的一種可持續(xù)的經(jīng)濟(jì)系統(tǒng)”。

分享經(jīng)濟(jì)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(duì)分享經(jīng)濟(jì)的特征進(jìn)行確定時(shí)就有提及陌生人分享能力的促進(jìn)這一點(diǎn)[17]。陳馳在對(duì)分享經(jīng)濟(jì)的核心進(jìn)行總結(jié)時(shí)也有提出，分享若要變?yōu)橐环N經(jīng)濟(jì)現(xiàn)象，則需要通過利用閑置資源降低管理成本[18]。分享經(jīng)濟(jì)的另一大特征與產(chǎn)權(quán)關(guān)系相聯(lián)系，分享是使用權(quán)的分享而非所有權(quán)的轉(zhuǎn)換，這種模式使得多次“出售”同一個(gè)產(chǎn)品成

為可能，從而產(chǎn)生更大的經(jīng)濟(jì)價(jià)值和效益[19]。人們相互信任和誠信作為分享經(jīng)濟(jì)能真正實(shí)施的一大前提，也是學(xué)者們重點(diǎn)關(guān)注的這一經(jīng)濟(jì)模式所獨(dú)有的特征。Piscicelli等就指出，分享經(jīng)濟(jì)追求的是社會(huì)文化價(jià)值，根本上體現(xiàn)的是價(jià)值觀的變化[20]。分享經(jīng)濟(jì)的產(chǎn)生與發(fā)展建立在互聯(lián)網(wǎng)以及信息技術(shù)發(fā)展的基礎(chǔ)上，這亦是其不容忽視的一大特征。呂福玉就曾指出，分享經(jīng)濟(jì)實(shí)質(zhì)是新型信息消費(fèi)[21]，而張孝德和張文明也認(rèn)為，正是互聯(lián)網(wǎng)和生態(tài)文明兩者合力造就了目前的分享經(jīng)濟(jì)，并催生分享經(jīng)濟(jì)快速發(fā)展[22]。

互聯(lián)網(wǎng)技術(shù)的發(fā)展為分享經(jīng)濟(jì)的產(chǎn)生奠定了技術(shù)基礎(chǔ)。而全球經(jīng)濟(jì)氣候的變化，特別是2008年的金融危機(jī)，催生了這種經(jīng)濟(jì)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(xié)同消費(fèi)”“點(diǎn)對(duì)點(diǎn)（P2P）經(jīng)濟(jì)”“共享經(jīng)濟(jì)”等術(shù)語都被用來描述這種對(duì)未充分利用的商品和服務(wù)的P2P分享，但是不少學(xué)者認(rèn)為，這種新模式深刻地改變了人們的生產(chǎn)、消費(fèi)、互動(dòng)和生活方式，甚至導(dǎo)致所有權(quán)的逐漸弱化[23-24]。研究者認(rèn)為，通過允許個(gè)人、社區(qū)、組織和政策制定者重新思考人們的生活方式、聯(lián)系方式和創(chuàng)造價(jià)值方式，這種模式將改變我們當(dāng)前的社會(huì)經(jīng)濟(jì)體系[23-25]。

近幾年，分享經(jīng)濟(jì)在國內(nèi)學(xué)術(shù)圈也逐漸成為熱點(diǎn)。由于目前國內(nèi)學(xué)術(shù)界對(duì)“分享經(jīng)濟(jì)”和“共享經(jīng)濟(jì)”這兩個(gè)詞并不嚴(yán)格區(qū)分，有混用現(xiàn)象，因此為了解國內(nèi)這一領(lǐng)域的學(xué)術(shù)進(jìn)展，我們?cè)谥袊W(wǎng)數(shù)據(jù)庫（CNKI）搜索框輸入“分享經(jīng)濟(jì)”和“共享經(jīng)濟(jì)”作為關(guān)鍵詞進(jìn)行全文搜索，共得到3620條結(jié)果（截至2018年12月15日），時(shí)間區(qū)域集中在2016-2018年。研究?jī)?nèi)容覆蓋了從內(nèi)涵定義、商業(yè)模式到行業(yè)規(guī)制、產(chǎn)業(yè)組織、經(jīng)濟(jì)影響等多個(gè)主題[26-30]。 Airbnb是分享經(jīng)濟(jì)中最成功的企業(yè)之一[9]，2008年成立并于2015年8月進(jìn)入中國市場(chǎng)，是一個(gè)利用閑置房間、公寓或別墅，將游客和有空房出租的房主聯(lián)系起來并在線完成預(yù)訂、支付、溝通、評(píng)價(jià)這一系列程序步驟的P2P分享平臺(tái)，該平臺(tái)致力于讓每位用戶在旅行中都能“像當(dāng)?shù)厝艘粯由睢?，更好地體驗(yàn)當(dāng)?shù)匚幕irbnb與其他旅行房屋預(yù)訂平臺(tái)或者民宿平臺(tái)不同，其平臺(tái)上的房源大多來自普通人的個(gè)人房屋，而不是通過中介或者地產(chǎn)公司[7]。Guttentag將Airbnb稱為住宿行業(yè)的顛覆性創(chuàng)新[31]。

與傳統(tǒng)的酒店在線預(yù)訂平臺(tái)不同，Airbnb以對(duì)陌生人的信任為基礎(chǔ)，給了房客以合理的價(jià)格入住各種特色房源，在伴隨居家體驗(yàn)的同時(shí)，又能夠和當(dāng)?shù)胤繓|深入交流的、區(qū)別于酒店的另一種選擇。故而，這種住宿體驗(yàn)對(duì)游客具有獨(dú)特的吸引力，可在短期內(nèi)體驗(yàn)當(dāng)?shù)匚幕谌氘?dāng)?shù)丨h(huán)境。不可否認(rèn)，與傳統(tǒng)酒店相比，Airbnb在服務(wù)質(zhì)量、品牌聲譽(yù)、安全等諸多方面有欠缺，但它還是飛速發(fā)展，這種火箭式噴發(fā)的增長(zhǎng)效應(yīng)也引起了學(xué)術(shù)界的廣泛關(guān)注。不少學(xué)者探討了Airbnb成功的因素，認(rèn)為是監(jiān)管寬松、避稅機(jī)會(huì)、位置靈活、供給快速、低成本等一系列相對(duì)于傳統(tǒng)酒店行業(yè)的競(jìng)爭(zhēng)性優(yōu)勢(shì)，使得Airbnb快速成長(zhǎng)起來31-34]。其中，價(jià)格就是廣為研究者們關(guān)注的因素之一[31]。

1.2短租房源價(jià)格影響因素

價(jià)格通常被認(rèn)為是影響消費(fèi)者選擇住宿的關(guān)鍵因素之一[13]。如Tanford等的研究證明，消費(fèi)者往往認(rèn)為價(jià)格是影響他們?nèi)胱≈械投司频隂Q策的最重要的影響因素[32]。許多學(xué)者研究過影響傳統(tǒng)酒店業(yè)房?jī)r(jià)的因素，并確定了一系列相關(guān)的價(jià)格決定因素，如品牌名稱、星級(jí)、地理位置、酒店的年齡、客房設(shè)施等[35-38]。

與酒店采用成熟的定價(jià)方式不同，Airbnb的房源價(jià)格完全由房東個(gè)人決定。雖然Airbnb有提供“智能定價(jià)”這一功能，但房東仍需根據(jù)市場(chǎng)及個(gè)人判斷發(fā)揮其主觀能動(dòng)性。已經(jīng)有一些學(xué)者進(jìn)行了相關(guān)研究，以確定哪些因素會(huì)影響Airbnb房源的價(jià)格（表1）。但是，學(xué)者們的研究結(jié)論并不一致，即使是同一影響因素，由于研究對(duì)象和研究方法的不同，所得出的結(jié)論甚至完全相反。

其中，Wang和Nicolauc[14]對(duì)Airbnb價(jià)格影響因素的總結(jié)較為全面。他們確定了Airbnb房源的5類價(jià)格決定因素類別，包括房東屬性、房源屬性、設(shè)施和服務(wù)、租賃規(guī)則和在線評(píng)論等級(jí)（這5類因素又包含許多細(xì)分變量），通過回歸分析得出了一系列結(jié)論：例如房源屬性中房源類型與價(jià)格顯著負(fù)相關(guān)，而房間類型與價(jià)格則是正相關(guān)關(guān)系;房間設(shè)施的各細(xì)分變量均與房源價(jià)格正相關(guān);出租規(guī)則中即時(shí)預(yù)訂政策反而導(dǎo)致低價(jià)，易取消預(yù)訂政策與要求客人照片的規(guī)則使房源價(jià)格提高，但要求客人電話的規(guī)則對(duì)房源價(jià)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(duì)房?jī)r(jià)的影響時(shí)，他們僅考慮了房源到市中心的距離，得出二者為負(fù)向相關(guān)的結(jié)論。其實(shí)有學(xué)者就距離這一因素

進(jìn)行了更為詳細(xì)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(huì)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(jià)格影響因素時(shí)，納入了與競(jìng)爭(zhēng)者的距離這個(gè)外部因素進(jìn)行討論，認(rèn)為其對(duì)價(jià)格的影響不是簡(jiǎn)單線性正或負(fù)相關(guān)。另外，張志華[12]在考慮影響Airbnb房?jī)r(jià)的關(guān)鍵因素時(shí)，還加入了房源上線時(shí)間（即年數(shù)）這一因素，發(fā)現(xiàn)其對(duì)價(jià)格的影響為正;馬磐昊對(duì)在線短租市場(chǎng)房源銷量的影響因素進(jìn)行研究時(shí)，提出要基于信任這一因素[43];呂姝在分析社交需求對(duì)分享經(jīng)濟(jì)平臺(tái)成交價(jià)格的影響時(shí)，包含了房客最少入住天數(shù)（即租客特征）這一變量，且所得結(jié)果為顯著負(fù)相關(guān)[13]。

張志華等[12]基于田納西州納什維爾地區(qū)的房源樣本，得出距離、評(píng)論數(shù)量、年齡和評(píng)論評(píng)分這4個(gè)因素與Airbnb房源價(jià)格顯著相關(guān)的結(jié)論。不過，其研究結(jié)果與呂姝等學(xué)者的研究結(jié)論有所不同，即評(píng)論數(shù)量、評(píng)論分?jǐn)?shù)和價(jià)格之間存在顯著的負(fù)相關(guān)關(guān)系。而呂姝[13]以及Gutt和Herrmann[44]所得結(jié)論都是評(píng)論數(shù)越多，價(jià)格越高，Wang和Nicolauc[14]、Ikkala和Lampinen[45]研究表明評(píng)論分?jǐn)?shù)越高，房源價(jià)格越高，呂姝[13]及Ert等[46]的相關(guān)研究認(rèn)為，房源價(jià)格與其評(píng)分并無顯著相關(guān)關(guān)系，即值得信賴的在線評(píng)論分?jǐn)?shù)對(duì)Airbnb房源價(jià)格沒有影響。

由于相關(guān)研究多是基于1個(gè)城市，所以大部分文獻(xiàn)并沒有考慮城市房?jī)r(jià)對(duì)房源價(jià)格產(chǎn)生的影響。但本文是基于中國多個(gè)城市，住宅價(jià)格與住宅租金二者作為住宅價(jià)值不同的表現(xiàn)形式，其具體相關(guān)關(guān)系雖會(huì)因城市而異[47-48]，但不論是Airbnb對(duì)住宅價(jià)格的影響還是各城市房?jī)r(jià)對(duì)當(dāng)?shù)孛袼薅套夥?/p>

源價(jià)格的影響都是不容忽視的。而在目前的研究中，學(xué)者們更多的是考慮Airbnb房源對(duì)住宅價(jià)格的影響。有研究表明，Airbnb房?jī)r(jià)上漲10%，將會(huì)導(dǎo)致租金上漲0.42%，住宅價(jià)格上漲0.76%[49-50]。反之，住宅價(jià)格也應(yīng)會(huì)顯著影響Airbnb房?jī)r(jià)，故此本文在下文的實(shí)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(tǒng)的酒店行業(yè)中，服務(wù)已日益標(biāo)準(zhǔn)化，游客一般不考慮酒店除價(jià)格、服務(wù)外的其他非經(jīng)濟(jì)因素[44]。而Airbnb不同于傳統(tǒng)酒店，它其實(shí)是一個(gè)以信任為基礎(chǔ)的社區(qū)，為彼此陌生的用戶建立起某種社會(huì)聯(lián)系。非經(jīng)濟(jì)因素特別是其提供的社交是影響游客選擇入住Airbnb的一個(gè)主要原因[13]，因此社交度應(yīng)納入影響Airbnb房源成交價(jià)格的因素中。

Airbnb的社交服務(wù)功能主要通過其完善的信息披露機(jī)制得以實(shí)現(xiàn)。本文參照呂姝在分析此問題時(shí)的分類[13]：一是房東主動(dòng)披露，二是被動(dòng)披露。主動(dòng)披露，即在Airbnb平臺(tái)上提供房東個(gè)人信息，F(xiàn)agerstrom等[51]甚至已經(jīng)細(xì)致地探討過Airbnb房東的面部表情對(duì)房屋出租的相對(duì)影響。被動(dòng)披露，即過去租住房客的評(píng)價(jià)，以年均評(píng)價(jià)數(shù)量來衡量。Gutt和Herrmann的實(shí)證研究報(bào)告稱，評(píng)級(jí)可見性（多于3條評(píng)論）會(huì)導(dǎo)致價(jià)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(jié)果與其恰恰相反，認(rèn)為評(píng)論數(shù)量越多，價(jià)格反而越低。這可能是由于房客往往選擇價(jià)格較低的房源，房東為吸引房客，增加出租機(jī)會(huì)，更有可能會(huì)降低他們房源的價(jià)格，使得低價(jià)房源的出租可能性更大，獲得的房客評(píng)論也就相應(yīng)越多。

1.3.2信任度

Airbnb是一個(gè)在線民宿P2P市場(chǎng)，個(gè)人通過向其他個(gè)人租借住所來進(jìn)行“短期”住宿[26]。其中所暗含的直接面對(duì)面互動(dòng)和臨時(shí)占有個(gè)人財(cái)產(chǎn)[52]，使之與常規(guī)電子商務(wù)、傳統(tǒng)的B2C住宿相比具有更多的風(fēng)險(xiǎn)，比如人身暴力危害及資產(chǎn)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(jī)制時(shí)也指出，為培養(yǎng)對(duì)分享經(jīng)濟(jì)的信任，從業(yè)者應(yīng)該同步增強(qiáng)制度信任、產(chǎn)品信任和人際信任[53]。但事實(shí)上，與傳統(tǒng)渠道中的現(xiàn)有酒店品牌相比，客戶在Airbnb交易中所獲得的信任度可能會(huì)大大降低[35]。

鑒于信任在分享經(jīng)濟(jì)平臺(tái)中的重要性，學(xué)者們就房客對(duì)Airbnb及其房東的信任度這一主題進(jìn)行了多角度的探討。Liang等的研究結(jié)果表明，Airbnb房源的聲譽(yù)或者說房客對(duì)房東的信任可能受到房東是否是“Superhost”的影響[54]。Liang等也在調(diào)查消費(fèi)者回購意圖時(shí)，提出關(guān)注感知真實(shí)性，線上口碑和消費(fèi)者價(jià)格敏感度這3個(gè)因素的影Ⅱ向[55]。

Airbnb通過評(píng)分機(jī)制來顯示和增加消費(fèi)者對(duì)平臺(tái)及房東的信任度，使得能表明信任度的在線評(píng)分也成為研究熱點(diǎn)。不過，學(xué)者們的研究結(jié)論并不一致。Wang和Nicolau[14]、Ikkala和Lampinen[45]所得結(jié)論與其猜想一致，即評(píng)分越高，房?jī)r(jià)越高;Ert等嘗試以房東個(gè)人照片和評(píng)價(jià)分?jǐn)?shù)作為信任變量探討其在Airbnb中的作用[46]，結(jié)果顯示，房客對(duì)房?jī)r(jià)的選擇及其預(yù)訂可能性受到房東個(gè)人照片的可信度的影響，而評(píng)價(jià)分?jǐn)?shù)反而對(duì)價(jià)格沒有影響，即房東的可信賴度是比評(píng)價(jià)分?jǐn)?shù)更好的價(jià)格和需求指標(biāo)。呂姝[13]的研究結(jié)論與Ert等[46]的觀點(diǎn)類似，而有學(xué)者甚至得出評(píng)分與價(jià)格呈負(fù)相關(guān)的結(jié)論[12，14]。這可能是由于Airbnb的平均評(píng)分顯著高于其他平臺(tái)的平均評(píng)分[26]，并且從房客期望角度看，價(jià)格較低的房源，房客預(yù)期也較低，更容易獲得滿足從而給出高評(píng)價(jià)[12]。而且超過90%的Airbnb房東獲得了4.5-5星的評(píng)論分?jǐn)?shù)，使得它們實(shí)際上難以區(qū)分[52]。事實(shí)上，不止一篇文獻(xiàn)對(duì)用房客評(píng)分來衡量信任度提出質(zhì)疑，Airbnb平臺(tái)的房客評(píng)分趨向于同質(zhì)化，方差極低，并且沒有足夠的價(jià)值基礎(chǔ)來建立信任度[26，46，53]。

特定的文化環(huán)境和經(jīng)濟(jì)環(huán)境也是分享經(jīng)濟(jì)發(fā)展的重要因素，因此除了在線評(píng)分外，各省各地區(qū)的守信程度，也會(huì)影響該地分享經(jīng)濟(jì)的發(fā)展。以前的研究已經(jīng)確定了分享經(jīng)濟(jì)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(jià)格的關(guān)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(rèn)為是一個(gè)信任度比較低的社會(huì)[57]。雖然改革開放以來，中國的市場(chǎng)經(jīng)濟(jì)有了很大的發(fā)展，尤其在一些經(jīng)濟(jì)發(fā)達(dá)的省市，契約精神逐漸建立起來，社會(huì)關(guān)系也在發(fā)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(duì)來得容易、去得輕松的流動(dòng)關(guān)系更加寬容[58]，人際間的信任度有很大的提升，不

過從整個(gè)國家來看，因?yàn)榘l(fā)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(duì)象及數(shù)據(jù)處理

2.1研究對(duì)象

本研究選取2010年1月-2017年11月中國境內(nèi)Airbnb房源數(shù)量較多（大于100個(gè)）的36個(gè)城市為研究樣本。在剔除信息嚴(yán)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(gè)。這36個(gè)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、?？?、成都、重慶、大理、麗江、昆明、桂林、貴陽、南寧、武漢、長(zhǎng)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(shù)據(jù)的獲取與處理 本研究利用Python語言，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于Scrapy框架下的分布式爬蟲系統(tǒng)，在Airbnb App中獲取房源價(jià)格、房型屬性、評(píng)論等一系列數(shù)據(jù)，截止時(shí)間為2017年11月30日，共整理成兩張Excel表（房源數(shù)據(jù)表和評(píng)論數(shù)據(jù)表）。房源數(shù)據(jù)表有123 655個(gè)房源數(shù)據(jù)，包含與房東ID相關(guān)聯(lián)的一組屬性，包括照片、個(gè)人聲明、房源信息（包括位置、價(jià)格、簡(jiǎn)要說明、照片、容量、可用性、入住和結(jié)賬時(shí)間、清潔費(fèi)用和保證金等）、客人評(píng)論和Airbnb認(rèn)證的聯(lián)系信息。而評(píng)論數(shù)據(jù)表為房客評(píng)論的相關(guān)數(shù)據(jù)表，共有原始數(shù)據(jù)788 574條評(píng)論。雖然房源的實(shí)際預(yù)訂數(shù)據(jù)不可得，但是評(píng)論數(shù)可以在一定程度上表征房源預(yù)訂數(shù)①，故而可以根據(jù)不同年份的評(píng)論數(shù)量，制作Airbnb滲透圖（圖1）?？梢悦黠@看出，雖然早在2010年在中國就開始出現(xiàn)Airbnb房源，但實(shí)際爆發(fā)式增長(zhǎng)是在2016年和2017年。

在123 655個(gè)原始房源數(shù)據(jù)的基礎(chǔ)上，將數(shù)據(jù)爬取期間（2017年11月）前一年內(nèi)至少有一次數(shù)據(jù)更新（即Airbnb日歷顯示有房客預(yù)訂入?。┑姆吭炊x為活躍房源，由此得到了94 992個(gè)活躍房源。各城市活躍房源的數(shù)據(jù)細(xì)節(jié)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(gè)一線城市，以及杭州、青島、成都、重慶的活躍房源數(shù)量均在3000以上。

在刪去不活躍房源的基礎(chǔ)上，關(guān)聯(lián)評(píng)論數(shù)據(jù)表，進(jìn)一步刪去沒有評(píng)論的房源，得到38個(gè)房源數(shù)量大于100的城市。把這38個(gè)城市的數(shù)據(jù)刪去空值（如沒有平均評(píng)分?jǐn)?shù)據(jù)的房源）和異常值（如地理坐標(biāo)不在區(qū)域范圍內(nèi)的或價(jià)格過于離譜的房源），整合成新表，樣本數(shù)據(jù)量為53 026個(gè)房源。另外，由于我國臺(tái)灣、香港地區(qū)的其他變量數(shù)據(jù)的可得性問題，最終的城市樣本只包含36個(gè)城市，以下分析均基于上述數(shù)據(jù)處理后的去掉臺(tái)灣、香港的51 874個(gè)有效數(shù)據(jù)。本文所用的加權(quán)信任數(shù)據(jù)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(diào)查分析”[59]一文中各地區(qū)的加權(quán)信任數(shù)據(jù)。

通過對(duì)旅游總收入占GDP比重的計(jì)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(jù)《創(chuàng)建中國優(yōu)秀旅游城市工作管理暫行辦法》和《中國優(yōu)秀旅游城市檢查標(biāo)準(zhǔn)》，截至2010年末，共有337座城市通過旅游城市的驗(yàn)收標(biāo)準(zhǔn)。本文所選取的36個(gè)城市均為文化和旅游部所確定的“旅游城市”，為更有針對(duì)性地進(jìn)行相關(guān)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(jié)合中國城市競(jìng)爭(zhēng)力研究會(huì)、中商產(chǎn)業(yè)研究院對(duì)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(gè)城市中除“一線城市”和“旅游城市”以外的其他所有城市。數(shù)據(jù)細(xì)節(jié)表2如下，表中的區(qū)域劃分參考自文獻(xiàn)“基于空間異質(zhì)性視角下的中國區(qū)域經(jīng)濟(jì)差異研究”對(duì)中國區(qū)域的劃分[60]。

3 模型及方法

3.1最小二乘法和分位數(shù)回歸

在研究方法上，Koenker和Bassett[61]提出的分

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

3.2變量選擇

本文的因變量為Airbnb房源每晚的價(jià)格。根據(jù)文獻(xiàn)綜述和數(shù)據(jù)可得性，將解釋變量分為9種特征屬性，共27個(gè)自變量，包括：外部因素（酒店供應(yīng)量）、房東特征（專業(yè)房東）、區(qū)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(dú)立房間、分享房間、可容人數(shù)、實(shí)際人數(shù)、年數(shù)）、房間設(shè)施（浴室、臥室、床、實(shí)體床）、出租規(guī)則（即時(shí)預(yù)訂、取消政策、客人電話、客人照片、額外收費(fèi)項(xiàng)目）、信任度（加權(quán)信任分、平均評(píng)分）、社交度（照片數(shù)、年均評(píng)論數(shù)）、租客特征（最少天數(shù)）。具體的變量描述與解釋詳見表3。

3.3模型對(duì)比

將不是虛擬變量的解釋變量進(jìn)行標(biāo)準(zhǔn)化處理后，對(duì)上文提及的數(shù)據(jù)進(jìn)行OLS回歸和分位數(shù)回歸。為了避免多重共線性，在回歸方程中沒有加入對(duì)照組（房源類型3和分享房間），所以共計(jì)25個(gè)自變量。表4列出了普通最小二乘（OLS）回歸結(jié)果①，以及對(duì)第10、第25、第50、第75和第90分位數(shù)的回歸估計(jì)結(jié)果。通過對(duì)比，分析每個(gè)分位數(shù)對(duì)解釋變量的不同影響，使得根據(jù)因變量的閾值來區(qū)分特定變量的效果成為可能。

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

斷，可以發(fā)現(xiàn)，因變量即Airbnb房源價(jià)格并不是正態(tài)分布的，也有少量觀測(cè)值是異常點(diǎn)和強(qiáng)影響點(diǎn)①。這使得普通最小二乘回歸的估計(jì)結(jié)果不準(zhǔn)確。但，分位數(shù)回歸不要求因變量服從正態(tài)分布，不僅如此，分位數(shù)回歸對(duì)異常值點(diǎn)也并不敏感。因此，分位數(shù)回歸是對(duì)基于最小二乘法的經(jīng)典線性回歸的有益補(bǔ)充，使實(shí)證研究結(jié)果更具解釋力和說服力。

4 回歸結(jié)果分析

4.1 0LS和分位數(shù)回歸分析

通過OLS和分位數(shù)回歸對(duì)比表（表4）可以看

出，即使通過OLS回歸和分位數(shù)回歸所得到的系數(shù)符號(hào)相同，但使用OLS回歸估計(jì)的效應(yīng)在分位數(shù)上可能不是恒定的。事實(shí)上，大多數(shù)分位數(shù)回歸置信區(qū)間落在OLS的置信區(qū)間之外。

根據(jù)OLS和分位數(shù)回歸對(duì)比表（表4）的估計(jì)結(jié)果，分析如下：

在外部因素方面，二手房?jī)r(jià)對(duì)短租房源房?jī)r(jià)的影響顯著為正，這是符合正常預(yù)期的結(jié)果，城市二手房?jī)r(jià)越高就會(huì)相應(yīng)帶動(dòng)該城市的租房?jī)r(jià)格提高。酒店供應(yīng)量在OLS回歸下不顯著，但在分位數(shù)回歸下，除了0.1分位數(shù)外，在其他分位數(shù)上該變量均通過顯著性檢驗(yàn)且系數(shù)為負(fù)，說明酒店供應(yīng)量越多，房源價(jià)格越低，這與正常預(yù)期（激烈的競(jìng)爭(zhēng)使價(jià)格降低）相符。且其系數(shù)隨分位數(shù)的增加而降低，說明對(duì)于低價(jià)房源來說，酒店供應(yīng)量的影響更為明顯?？赡茉蚩梢詤⒖糧ervas等[26]的研究結(jié)論：Airbnb的入駐對(duì)不同檔次酒店的影響是不均衡的，價(jià)格較低的酒店及不能滿足商務(wù)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(jià)酒店在同一細(xì)分市場(chǎng)進(jìn)行競(jìng)爭(zhēng)，且低價(jià)的Airbnb房源與酒店的競(jìng)爭(zhēng)會(huì)更激烈，故此酒店供應(yīng)量會(huì)對(duì)低價(jià)房源產(chǎn)生更大的影響。不過，也不是所有學(xué)者都對(duì)此得出了統(tǒng)一的結(jié)論，Dogru等的研究結(jié)論認(rèn)為，Airbnb似乎影響的是豪華酒店，而不是經(jīng)濟(jì)型酒店[62]，但是本文的實(shí)證結(jié)果并不支持這樣的結(jié)論。

在房東特征方面，專業(yè)房東在最小二乘回歸下并沒有通過顯著性檢驗(yàn)，但在各個(gè)分位數(shù)回歸中，

其系數(shù)在0.01的顯著性水平上均顯示為正，說明專業(yè)房東對(duì)Airbnb房源價(jià)格具有積極的提升作用。且其系數(shù)隨分位數(shù)的增加而增加，呈增長(zhǎng)態(tài)勢(shì)，說明專業(yè)房東對(duì)高價(jià)房源的積極影響比對(duì)低價(jià)房源更明顯。

在區(qū)位特征方面，OLS的結(jié)果顯示，距離的系數(shù)顯著為正，說明房源離市中心越遠(yuǎn)，房?jī)r(jià)反而越高。根據(jù)分位數(shù)回歸的估計(jì)，在房源價(jià)格低（0.1和0.25分位數(shù)）時(shí)，房?jī)r(jià)與距離負(fù)相關(guān)，即距離市中心越近，交通越便利，房源價(jià)格也會(huì)越高，這符合一般常識(shí)推理;但隨價(jià)格升高（0.5、0.75和0.9分位數(shù)），房?jī)r(jià)與距離的關(guān)系由負(fù)相關(guān)轉(zhuǎn)為正相關(guān)。有此結(jié)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(jié)果不準(zhǔn)確;另一方面，可能是因?yàn)樵脚R近遠(yuǎn)離市中心的郊區(qū)，房源中別墅的比例相應(yīng)越高，而租賃別墅的價(jià)格相較其他類型的房源明顯更高，這就使得從數(shù)據(jù)上來看，距離市中心越遠(yuǎn)房?jī)r(jià)反而越高，即兩者一定程度上表現(xiàn)出正相關(guān)關(guān)系。可以認(rèn)為在房源類型不同情況下，距離對(duì)因變量?jī)r(jià)格影響的邊際量不同。

由于猜測(cè)距離與房?jī)r(jià)的關(guān)系受到第三個(gè)變量（即房源類型）的影響，故以房源類型3為調(diào)節(jié)變量，在回歸模型中引入交叉項(xiàng)（距離乘以房源類型3）作為新變量。根據(jù)所得回歸結(jié)果①：當(dāng)房源類型屬于房源類型3時(shí)，變量房源類型3取值為1，距離對(duì)房?jī)r(jià)的總效應(yīng)（單獨(dú)效應(yīng)+調(diào)節(jié)效應(yīng)）系數(shù)為0.03953（0.01704+0.02249）;當(dāng)房源類型不屬于房源類型3時(shí)，變量房源類型3取值為0，距離對(duì)房?jī)r(jià)的總效應(yīng)系數(shù)為0.01704?？梢?，對(duì)于別墅等（房源類型3）房源來說，距離對(duì)價(jià)格的正向影響更突出?？偟膩碚f，當(dāng)調(diào)節(jié)變量（房源類型3）處于較低水平（取值為0）時(shí)，自變量（距離）負(fù)向預(yù)測(cè)因變量（價(jià)格）;當(dāng)調(diào)節(jié)變量處于較高水平（取值為1）時(shí)，自變量正向預(yù)測(cè)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(duì)照組（房源類型3）相比，均對(duì)價(jià)格產(chǎn)生負(fù)面影響，系數(shù)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(duì)房?jī)r(jià)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(duì)價(jià)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(jià)格會(huì)降低。但這一因素若通過分位數(shù)回歸來分析則會(huì)顯示更多的信息。根據(jù)圖2（a）所示，兩種房源類型隨分位數(shù)的增加，房源類型1的系數(shù)呈遞減趨勢(shì)（但系數(shù)絕對(duì)值遞增），而房源類型2遞減趨勢(shì)不明顯，在0.9分位數(shù)上系數(shù)甚至有上升。隨著房源價(jià)格的增大，房源類型1對(duì)價(jià)格的影響也逐漸增大，而房源類型2對(duì)價(jià)格的影響則變化不大。在房源價(jià)格低時(shí)，兩類房源對(duì)價(jià)格的影響大小相近，但隨房源價(jià)格增大，兩類房源對(duì)價(jià)格影響的差距也愈大。在低價(jià)房源中，房源類型1的住宿條件較房源類型2相似，故而對(duì)價(jià)格的影響也相似。但房源類型1對(duì)價(jià)格的變動(dòng)更為敏感，當(dāng)是高價(jià)房源時(shí)，其房源類型對(duì)價(jià)格的反作用相較房源類型2更明顯。對(duì)于高價(jià)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(shù)絕對(duì)值更大，即公寓類房源對(duì)價(jià)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(dú)立房間、可容人數(shù)、實(shí)際人數(shù)和年數(shù)，它們的系數(shù)不論是在OLS還是分位數(shù)回歸結(jié)果中，都顯著為正。整套房子的系數(shù)為0.38064，獨(dú)立房間的系數(shù)為0.18916，獨(dú)立房間的系數(shù)比整套房子的系數(shù)更小，因此對(duì)價(jià)格的影響也較小，所以整套房子很可能比獨(dú)立房間價(jià)格更高。這兩種系數(shù)為正的房間類型的對(duì)照組是分享房間，分享房間的價(jià)格會(huì)相對(duì)最低。如同預(yù)期，入住整套房子的房?jī)r(jià)高于獨(dú)立房間和分享房間。如圖2（b）所示，不論在低價(jià)還是高價(jià)房源中，整套房子對(duì)房?jī)r(jià)的影響系數(shù)與另兩類房間對(duì)房?jī)r(jià)的影響系數(shù)之間的差距，始終保持在0.1左右。說明不論對(duì)哪類價(jià)格檔次（即不論處于哪個(gè)分位數(shù)上）的房源來說，整套房子相對(duì)于其他兩類房間的房?jī)r(jià)優(yōu)勢(shì)都是穩(wěn)定的。

可容人數(shù)和實(shí)際入住人數(shù)越多，說明房源的物理空間越大，Airbnb的價(jià)格越高，這符合常理推斷。經(jīng)營年數(shù)的系數(shù)在0.01的顯著性水平上為正，表明房源經(jīng)營時(shí)間越久，房源價(jià)格越高，這與張志華等[12]的結(jié)論一致。經(jīng)營年數(shù)更長(zhǎng)的Airbnb房源往往收取更高的價(jià)格，部分原因是房東通過更長(zhǎng)時(shí)間的出租住房，會(huì)更有經(jīng)驗(yàn)，而且房客也更能相信其安全和服務(wù)質(zhì)量[11]。

關(guān)于房間設(shè)施，浴室、臥室和床的系數(shù)均顯著。其中，浴室和臥室系數(shù)為正，說明浴室和臥室的數(shù)量越多，房源價(jià)格則越高，這與預(yù)期相同。床的系數(shù)為負(fù)，說明隨著床的數(shù)量增加，價(jià)格反而下降。

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

在出租規(guī)則方面，即時(shí)預(yù)訂的系數(shù)在0.1的顯著性水平上為負(fù)，說明提供即時(shí)預(yù)訂服務(wù)反而對(duì)房源價(jià)格具有反向作用。取消政策的系數(shù)在0.05的顯著性水平上也為負(fù)，說明提供靈活的取消預(yù)訂政策，反而會(huì)使房?jī)r(jià)降低2.Og%。這需要聯(lián)系房東的營銷策略來解釋，房東可能會(huì)把低價(jià)和寬松的即時(shí)預(yù)訂、取消政策相結(jié)合來吸引房客。Wang和Nicolau[14]對(duì)此的解釋是，設(shè)置靈活取消預(yù)訂的規(guī)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(guān)心出租房源所帶來的收益，他們只是想有一個(gè)合理的價(jià)格提供給真心想入住的房客。額外費(fèi)用的系數(shù)顯著為正，說明若需要對(duì)額外增加的人額外收費(fèi)，價(jià)格提高約10.25%。但客人電話和客人照片這兩個(gè)變量沒有通過顯著性檢驗(yàn)，這兩個(gè)變量對(duì)價(jià)格沒有影響。

在信任度方面，加權(quán)信任分的系數(shù)顯著為正，信任度越高，房?jī)r(jià)越高，且其影響系數(shù)為3.02%。根據(jù)圖2（c）可以看出，隨分位數(shù)的增加，加權(quán)信任分的系數(shù)整體呈上升趨勢(shì)，系數(shù)在0.75分位數(shù)上達(dá)到最高值。說明加權(quán)信任分對(duì)高價(jià)房源房?jī)r(jià)有更大的積極作用?？赡苁怯捎谶x擇入住高價(jià)房源的游客對(duì)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?jī)r(jià)升高。平均評(píng)分的系數(shù)在0.01的顯著性水平上也為正，即平均評(píng)分越高，則房源價(jià)格也越高。但仔細(xì)觀察分位數(shù)系數(shù)和圖2（d）可知，在0.9分位數(shù)上，平均評(píng)分并沒有通過顯著性檢驗(yàn)，即對(duì)于極高價(jià)的房源來說，其價(jià)格并不受平均評(píng)分影響。由于房客會(huì)對(duì)高價(jià)（0.9分位數(shù)）房源有更大的預(yù)期，但這個(gè)預(yù)期并不容易滿足，故而房源與房東甚至反而會(huì)收到較低的評(píng)價(jià)，使得從數(shù)據(jù)上看，評(píng)分與價(jià)格并無顯著相關(guān)關(guān)系。但房客對(duì)一般價(jià)位（0.1、0.25、0.5、0.75分位數(shù)）房源往往更容易滿

足，所以評(píng)分會(huì)相應(yīng)較高，計(jì)量估計(jì)結(jié)果也就顯示為價(jià)格與評(píng)分兩者呈正相關(guān)關(guān)系。

在社交度方面，房東主動(dòng)社交的照片數(shù)系數(shù)顯著為正，說明照片數(shù)越多，房?jī)r(jià)越高。這是符合預(yù)期的，房東提供的照片數(shù)越多，房客就越能從中判斷這個(gè)房東與房源的特色以及自己入住該房源能否達(dá)到與當(dāng)?shù)胤繓|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(shù)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(yīng)增加，對(duì)房東和房源有一定認(rèn)可度的目標(biāo)客戶，房東可以更“任性”地提出相對(duì)較高的房?jī)r(jià)。根據(jù)圖2（e），分位數(shù)估計(jì)的系數(shù)為遞增趨勢(shì)，表明雖然更多的照片數(shù)會(huì)導(dǎo)致較高的價(jià)格，但這種正向的影響在較高價(jià)格的房源中比在較低價(jià)格的房源中更顯著。

而被動(dòng)社交的年均評(píng)論數(shù)卻是顯著負(fù)相關(guān)，即年均評(píng)論數(shù)多的房源價(jià)格相對(duì)更低。這一結(jié)論與張志華等及Wang和Nicolau的研究成果一致[12，14]。過去已經(jīng)有學(xué)者證明，大多數(shù)選擇分享住宿的旅客是為了節(jié)約成本[31，63]。故而為了增加出租機(jī)會(huì)，房東會(huì)降低房源價(jià)格。而出租率增加了，評(píng)論數(shù)則會(huì)相應(yīng)增加。通過圖2（f）能發(fā)現(xiàn)，分位數(shù)估計(jì)的系數(shù)呈遞減模式，年均評(píng)論數(shù)對(duì)低價(jià)房源的影響更為明顯。

在租客特征方面，最少天數(shù)的系數(shù)顯著為正，不同于呂姝[13]的研究結(jié)論。房東要求的租戶最少入住的天數(shù)越多，房?jī)r(jià)反而越高。但分位數(shù)回歸并沒有通過顯著性檢驗(yàn)。說明此回歸結(jié)果的準(zhǔn)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(shí)間越長(zhǎng)，越可能引發(fā)客戶對(duì)于房屋入住條件的公平性產(chǎn)生懷疑，進(jìn)而會(huì)降低房源的吸引力，從而使房東不能要求過高的房?jī)r(jià)。

4.2對(duì)應(yīng)分析

為了研究不同城市類型下Airbnb房源價(jià)格的影響因素的異同，本文將36個(gè)城市分為3類：一線城市、旅游城市和其他綜合城市，并運(yùn)用對(duì)應(yīng)分析，研究這3類不同城市類型下，Airbnb房源價(jià)格的影響因素是否有變化，又有何變化。

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

由于解釋變量有27個(gè)，在對(duì)應(yīng)分析中為突出研究重點(diǎn)（信任度和社交度），我們選取了其中7個(gè)變量進(jìn)行考察：酒店供應(yīng)量、房東房源數(shù)（host listingscount①）、距離、房間設(shè)施（facility②）、主動(dòng)社交度、被動(dòng)社交度、信任度。運(yùn)用R軟件，程序運(yùn)行結(jié)果（表5）③歸納如下：

（1）不論在哪類城市中，距離對(duì)中等價(jià)位房源的價(jià)格影響更顯著。

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

（3）每個(gè)房東擁有的房源數(shù)量分別對(duì)一線城市

的高價(jià)房源、旅游城市的中等價(jià)位房源以及綜合城市的低價(jià)房源的價(jià)格產(chǎn)生更顯著的影響。

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

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

（6）在信任度方面，加權(quán)信任分不論在哪類城市中，始終對(duì)中等價(jià)格的房源價(jià)格影響較大。而平均評(píng)分對(duì)一線城市的Airbnb房源來說，更容易影響中等價(jià)位房源的價(jià)格，但對(duì)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(jià)房源的價(jià)格。

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

總體來看，對(duì)于一線城市和旅游城市的Airbnb房東，提升房間設(shè)施質(zhì)量能有效幫助他們提高房租價(jià)格，故而前期對(duì)房間設(shè)施增加資金投入，有利于后續(xù)長(zhǎng)期的經(jīng)營收益。在旅游城市，酒店與低價(jià)Airbnb房源的競(jìng)爭(zhēng)比在其他類型城市中更為激烈，低價(jià)房源更易受到酒店供應(yīng)量的影響，或者說在酒店供應(yīng)多的旅游區(qū)，低端的Airbnb房源的經(jīng)營會(huì)相對(duì)較為困難。而社交度和信任度對(duì)一線城市Airbnb房東群體的影響與對(duì)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(jīng)營中等價(jià)位房源的房東和其他兩類城市經(jīng)營低價(jià)房源的房東要更為關(guān)注這兩個(gè)影響要素。

5 結(jié)論與不足

5.1研究結(jié)論

價(jià)格在Airbnb分享模式的發(fā)展中發(fā)揮著重要作用，不僅會(huì)影響旅行者的住宿選擇，也會(huì)顯著影響房東的利潤(rùn)[64]。尤其是隨著短租行業(yè)的進(jìn)一步發(fā)展和Airbnb房東供給的增加，目前房東之間的競(jìng)爭(zhēng)日趨激烈，房東獲利難度顯著加大。因此，了解影響Airbnb房源價(jià)格的因素具有重要價(jià)值，可以幫助房東提出合理的價(jià)格，使房東和房客都能從這種分享經(jīng)濟(jì)模式中獲益。

從本文的回歸分析結(jié)果中可以看出，25個(gè)變量中僅有3個(gè)變量（實(shí)體床、客人電話、客人照片）未通過檢驗(yàn)，而其他所選變量均對(duì)Airbnb房源價(jià)格有不同程度的顯著影響。其中，游客對(duì)房東和房源的信任度及房源對(duì)游客社交需求的滿足程度均會(huì)顯著影響Airbnb房源的價(jià)格。這是明顯區(qū)別于傳統(tǒng)酒店業(yè)的兩類因素，其原因在于Airbnb是基于分享經(jīng)濟(jì)模式來利用閑置資源的創(chuàng)新P2P平臺(tái)。雙方交易所轉(zhuǎn)移的不是所有權(quán)而是使用權(quán)，這種方式更需要雙方之間的良好互動(dòng)，他們的關(guān)系會(huì)更加復(fù)雜，這使得非經(jīng)濟(jì)因素（信任、社交）對(duì)價(jià)格的影響不容忽視。

除了代表兩類非經(jīng)濟(jì)影響因素的4個(gè)變量外，本文也仔細(xì)分析了其他變量對(duì)房源價(jià)格的影響。首先，本文在探討外部影響因素時(shí)，驗(yàn)證了酒店供給與住宅價(jià)格對(duì)Airbnb房源價(jià)格所帶來的影響。本研究證實(shí)了城市二手房?jī)r(jià)正向影響Airbnb房源的房租價(jià)格，而酒店供應(yīng)量的增加會(huì)導(dǎo)致酒店住宿業(yè)競(jìng)爭(zhēng)加大，從而使Airbnb房源價(jià)格與酒店供應(yīng)鏈之間呈現(xiàn)負(fù)向相關(guān)關(guān)系，所得結(jié)論符合供求規(guī)律和常識(shí)。其次，Airbnb房源本身的屬性對(duì)其價(jià)格也會(huì)帶來影響，如房東特征（是否為專業(yè)房東）、區(qū)位特征（房源距市中心的距離）、租客特征（租房時(shí)長(zhǎng)區(qū)別）、房源的類型、面積、經(jīng)營年數(shù)、房間設(shè)施、預(yù)訂及取消的規(guī)則等。在眾多的房源屬性對(duì)房源價(jià)格影響的關(guān)系中，本文的結(jié)論與Wang和Nicolau[l4]的研究結(jié)論基本一致，不過本文的回歸結(jié)果顯示，實(shí)體床和客人電話對(duì)房源價(jià)格并沒有顯著影響，而在Wang和Nicolau[14]的回歸結(jié)論中，實(shí)體床和客人電話均顯著正向影響房源價(jià)格。

分位數(shù)回歸結(jié)果進(jìn)一步顯示，對(duì)于經(jīng)營不同價(jià)位房源的房東，房源屬性和社交度、信任度對(duì)房屋出租價(jià)格的影響程度有明顯區(qū)別。經(jīng)營高價(jià)位房源的房東，提供更多的照片有助于溢價(jià)的保持，同時(shí)要對(duì)苛刻的評(píng)論有準(zhǔn)備，在提高服務(wù)質(zhì)量，更好地滿足房客預(yù)期方面要更下功夫;而經(jīng)營低價(jià)位房源的房東，保持較高的出租率和評(píng)論率則非常有意義。

而通過對(duì)不同城市的不同價(jià)位Airbnb房源的價(jià)格關(guān)鍵影響因素的對(duì)比分析，本研究顯示對(duì)于不同城市的Airbnb房源經(jīng)營房東，他們所需重點(diǎn)關(guān)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(wù)的專業(yè)水平及房屋硬件設(shè)施配備（如臥室、浴室）兩方面來尋求房屋的提價(jià)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(jià)取勝，但要注意關(guān)注游客評(píng)論數(shù)量及評(píng)分高低使得房源對(duì)于房客來說能滿足社交和信任要求。而旅游城市相對(duì)于一線城市和綜合城市，其低價(jià)位的房源價(jià)格受到信任度與社交度的影響更大，而且與酒店的競(jìng)爭(zhēng)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?jī)r(jià)格所選取的是房源整體價(jià)格，而不是每個(gè)人每間房間的價(jià)格，這可能會(huì)導(dǎo)致計(jì)量結(jié)果在一定程度上的不準(zhǔn)確。其次，本研究基于中國36個(gè)城市的Airbnb房源數(shù)據(jù)進(jìn)行分析，在其他國家和地區(qū)是否具有廣泛的應(yīng)用性，還有待驗(yàn)證。

參考文獻(xiàn)（References）

[l] PAN Zheqi. Promote the sharing of economic prosperity[J].Zhejiang Economy，2018，20： 45.[潘哲琪，促進(jìn)分享經(jīng)濟(jì)蓬勃發(fā)展[J].浙江經(jīng)濟(jì)，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(jīng)濟(jì)發(fā)展年度報(bào)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(wù)研究中心.2017年度中國共享經(jīng)濟(jì)發(fā)展報(bào)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(wǎng).Airbnb創(chuàng)始人：3張床墊起家，看小鎮(zhèn)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(chǎn)品經(jīng)理：看三大在線短租平臺(tái)，深度解析中國房東市場(chǎng)運(yùn)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(duì)共享經(jīng)濟(jì)平臺(tái)成交價(jià)格影響研究[D].大連：大連理工大學(xué)，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(zhǎng)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，F(xiàn)ISHER 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(jīng)濟(jì)的發(fā)展趨勢(shì)與應(yīng)對(duì)策略[J].商業(yè)時(shí)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(jīng)濟(jì)：邁向綠色發(fā)展的新經(jīng)濟(jì)革命[J].中華環(huán)境，2016，（6）：28_30.]

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

[24] SCHOR J B，F(xiàn)ITZMAURICE 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(lián)盛，共享經(jīng)濟(jì)：本質(zhì)、機(jī)制、模式與風(fēng)險(xiǎn)[J.國際經(jīng)濟(jì)評(píng)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(jīng)濟(jì)與價(jià)值創(chuàng)造——共享經(jīng)濟(jì)的經(jīng)濟(jì)學(xué)分析[J].中國流通經(jīng)濟(jì)，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(diǎn).共享經(jīng)濟(jì)在我國發(fā)展的趨勢(shì)研究[J].新疆師范大學(xué)學(xué)報(bào)：哲學(xué)社會(huì)科學(xué)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(xué)成，涂科.平臺(tái)支持質(zhì)量對(duì)用戶價(jià)值共創(chuàng)公民行為的影響——基于共享經(jīng)濟(jì)背景的研究[J].經(jīng)濟(jì)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(chǎng)房源銷量影響因素研究[D].武漢：武漢大學(xué)，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(chǎn)宏觀調(diào)控影響下的房?jī)r(jià)與租金關(guān)系研究——基于中國35個(gè)大中城市面板數(shù)據(jù)的實(shí)證分析[J].數(shù)理統(tǒng)計(jì)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?jī)r(jià)比的影響因素及城市異質(zhì)性研究[D].杭州：浙江大學(xué)，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(huì)道德和繁榮的創(chuàng)造[M].呼和浩特：遠(yuǎn)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(yè)模式背后的信任轉(zhuǎn)型[J].國際公關(guān)，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(diào)查分析[J]經(jīng)濟(jì)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(zhì)性視角下的中國區(qū)域經(jīng)濟(jì)差異研究[J].上海經(jīng)濟(jì)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