Airbnb承認了傳統酒店所闡述的：它們是酒店行業的補充者

文章運用實證來研究Airbnb進入德克薩斯市場在酒店收入上的影響。研究通過評估酒店房間月收入作為airbnb進入市場的函式來探索德克薩斯州的airbnb和酒店的關係。

資料來源：airbnb網站上的資料以及德克薩斯州大概3000個酒店的客房月收入。量化Airbnb滲透帶來的消極影響的程度。

主要的結果：在airbnb最受歡迎的區域，易受攻擊的酒店在過去五年中的收入下降了8%到10%。

利用雙差分實證策略。由於air佔領市場的時間速度和空間密度以及air和酒店資料的地理特徵有明顯的變化，我們將air市場準入看做空間和時間的干預變數。

DD策略通過對比Airbnb進入市場前後酒店收入的差異來確定air的處理效用。利用該策略發現，air市場每擴大10%會導致酒店房間收入降低0.37%。識別的關鍵威脅是未觀察到的城市特徵以及時間變化因素。為了檢驗評估的魯棒性，執行了一系列的檢查。

然後我們研究了air對酒店房間收入影響背後的機制以及對air進入的市場反應。最後我們對比了air對連鎖酒店和獨立酒店影響的差別，以期望連鎖酒店受到的影響較小，原因是大的營銷開支、強品牌到可預測的一致服務。而獨立酒店會展示更多的變化以及不一致性，最後對於市場反應，我們研究對於air市場進入受影響的酒店所做的反應程度。利用酒店行業表現指標，我們發現在佔用率上統計顯著的降低以及現在酒店房間價格上更加顯著的降低。這樣的價格反應影響了全部的消費者而不僅僅是共享經濟的參與者。

為了估計air市場進入的程度，在網站上搜集了房東房源資訊。資料集包括橫跨2008年到2014年10555個房東和13935房源的資訊。

我們跨時間段以每個城市的粒度量化air的供應，對於給定的城市和日期，我們計算在日期之前的房源數目。

選定了城市為地理上的粒度。

酒店的資料：收入，價格，入住率

主要的因變數是酒店房間月收入，資料集還包括酒店名稱、地址和容量，2003年到2014年。

Airbnb可以通過酒店入住率和降低酒店價格或者結合這兩種因素影響酒店客房收入

關鍵的假設是，沒有未被觀察到的，時間變化的以及特定城市的原因，這些原因和air的市場進入和酒店收入有關。

DD模型：logHotel Revenueikt = β logAirbnb Supplykt + hi + τt + Xikt 0 γ + ikt.

接下來探討這個模型的特殊形式以及在實施實證檢驗中的控制。

1、住宿需求的增長很可能與air供應以及酒店房間供應的增長有關。construct a control variable Hotel Room Supply−ikt

2、如果存在跨越城市和時間不短變化的未察覺的因素共同影響air進入市場以及酒店房間收入，我們的DD評估將會偏頗。Xikt

3、分析單位是酒店房間月收入，但是我們的處理物件，air採取的是在城市等級上。

提出兩個檢驗來支撐假設：

1、air adoption大部分的變化已經可以通過air關於不變時的特定城市的因素，時間固定影響以及特定城市的傾向（這些都包含在模型當中）供應的迴歸來解釋。接下來，我們將一些與酒店房間收入相關的特定城市、時間變化的因素做迴歸：例如人口，失業率以及住宿行業的就業。----->這些因素沒有影響迴歸的解釋力。

2、當air進入德克薩斯市場,時，我們檢驗預處理的城市特徵是否可以預測未來airbnb的供應。

log Airbnb Supplykt = Cityk + (τt × Zk,2007)0 θ + ekt.

用2007年的城市和月份為分析單位預測airbnb2008年的供應量

3.3 魯棒性檢驗

文章利用廣義精確匹配作為匹配方法通過確保處理過和未被處理單位的可比性來減少內生因素。

CEM需要兩步。

第一步，酒店基於可供觀測到的特徵來分類。例如價格、運營模式以及連鎖酒店聯絡。

第二步，我們丟棄那些只包括處理過和未被處理過的類別，然後對於剩下的類別重新標準化權重。

最後基於酒店的子集利用CEM權重重新估計了公式1中的DD引數。

第二個魯棒性檢驗

guard against 函式引數

3.4 酒店如何迴應air

我們觀察酒店是否會積極的通過價格來回應air進入市場。我們將air對酒店收入的影響分為兩部分：

1、由於佔有率降低的影響

2、由於平均每日房價變化的影響

重新估計DD引數，將因變數改為佔有率以及ADR的log

4 機制

4.1 容易受影響的酒店及其原因

商務報銷和高水平的度假者是不可能使用air。而且商務遊客會充分利用酒店提供的但是air不會提供的便利設施。

我們通過將酒店分成兩個不同的部分進一步將影響分隔。一類是不易受air進入市場影響的酒店，另一類是更容易遭受的酒店，然後估計額外的互動影響。

1、我們通過價格段對酒店進行分類：Budget,Economy, Midprice, Upscale, Luxury

2、通過客戶群來分類:目標是否為商務旅行者

為了估計異構處理效應，我們加入了酒店型別和air供應的相乘來估計新的引數。

log Hotel Revenueikt =β1log Airbnb Supplykt + β2log Airbnb Supplykt × Hotel Typei+ Xikt 0 γ + αi + τt + ikt.

我們發現隨著價格區間的降低，air的負面影響也在增加。缺少商務設施的酒店更容易受到air的影響。

對比了酒店運營模式：連鎖酒店和獨立酒店所受的影響。結果：air對獨立酒店的影響稍微大一些。

總的來說，獨立酒店、沒有設計商務的酒店以及低端酒店更容易遭受air的影響