发表时间：2023.12.28     作者：Jingyi     来源：ShoelessCai     阅读：239

这篇文章的灵感来自于一个问题，即“Airbnb 对北京房价的影响是什么？”。

首先，我们关注感性认知的部分。自如在北京租金，平均 3000 - 4000 一个房间，如果放到 Airbnb 上出租， 假设 80% 出租率，每天 180 元收入，每个月 180 * 30 * 80% = 4320。因此，小年轻只要找到 3000 甚至 3000 以下的房源，利润空间都是很大的。

其次，这样的行为对房地产行业会产生影响吗？

我还记得当年我父母莫名告诉我别炒房 —— 我哪来的钱？我思索了一下，说的大概就是这类，承租长租资源 ，再分发到短租市场的行为。这件事对我的影响就是免去北京的房租，换言之，收入 = 成本 + 自己的房租， 以一个房间的价格来算，大致 3000 - 4000 每个月的利润。

如何确定对北京房价的影响？

第一步，我们确定北京的买卖市场走向，资料来源，国家统计局。



从图表上看，北京市买卖市场的均价一直都是单边上扬。我标注了 2014 年价格，这一年，几乎是 Airbnb 开始进入中国市场。这意味着，Airbnb 拓展市场的时候，租赁市场在上涨，Airbnb 作出正确的商业选择。后来，经过公司测算，觉得利润空间受到挤压，所以停掉中国业务。这一事实，也可以从图表中发现。

第二步，考察北京的租赁市场。

我们发现租赁市场从 2019 年开始有所下滑，类似于快速流动的租赁，例如，自如、蛋壳模式，可能会影响一 部分。

总的来说，其上扬趋势与买卖市场一起上扬，并未呈现出任何背离趋势。

但是，我们发现 2018 - 2020 年，按面积平均要高于按租金平均。这种现象，有一定概率是因为短租平台介入 之后，使得资源按面积单元分发至市场，使得单位面积的盈利有所增加。换言之，有利于拥有小房子的人。



为了进一步科学合理看待 Airbnb 在各个行业的作用，本文还引用了东北财经大学的硕士论文，关于 Airbnb 在北京的房价研究，分别用 XGBoost， LightGBM，随机森林作为模型手段进行研究。

主要结论如下

(1) 本文通过分析三个算法输出的特征重要性排序结果，将影响共享住宿日租价格的主要因素总结成房源特征、房东特征、区位特征、租赁特征和评论特征这五类。其中房东特征是共享住宿平台所特有的影响因素。

(2) 综合随机森林回归模型、XGBoost 回归模型和 LightGBM 回归模型输出的特征重要性排序结果来看，北 京市 Airbnb 共享住宿房源日租价格的主要影响因素有房源特征中的“卧室数”、“浴室数”、“床数”、“ 房源建筑风格”、“房源可供入住的最大人数”，房东特征中的“房东拥有的房源数”、“房东的回复时间” 、“房东的资历”，区位特征中的“房源距市中心的距离”、“是否有景点优势”，租赁特征中的“房间租赁 方式”以及评论特征中的“近１２个月评论数”、“评分”。共享住宿平台的房东在制定定价和营销策略时可 以更多的考虑以上这些重要影响因素，消费者也能根据这些重要因素并结合自身的经济实力与需求来选择合适 的房源。

根据研宄结果，结合共享住宿行业的相关理论和发展前景，对相关利益方给出以下建议。

(1) 对想进军共享住宿行业、拥有闲置房源的房东来说，可以从“卧室数”、“浴室数”、“床数”、“房 源建筑风格”等房源特征以及“房源距市中心的距离”、“是否有景点优势”等区位特征出发来判断自己房源 的定位，根据不同的房源特征和区位特征设定价格，对从事共享住宿行业可以获得的收入有个基本的认知。同 时随着人们越来越追求个性化以及城乡旅游消费服务的不断升级，想进军共享住宿行业的房东可以考虑通过改 善房源基础设施条件，提高房源的档次以及独特性，以顺应未来的消费趋势，科学合理的提高收益。

 (2) 对刚进入共享住宿行业的房东来说，除了一开始房源自带的一些属性，还可以从“是否是整套房子／公 寓租赁”、“是否是共享房间租赁”、“是否是私人房间租赁”、“房源可供入住的最大人数”这些特征出发 ，制定合理的定价策略和营销策略。

(3) 对已经进入共享住宿行业一段时间的房东来说，由于其房源特征、区位特征已经较为固定，房东可以通 过改变其房东特征和评论特征来灵活调整其定价策略和营销策略。由于共享住宿行业发展过于快速，导致相同 价位的房源质量参差不齐，不少消费者通过观察评论数、评分以及房东的个人信息来衡量房源的质量与安全＾ 生，这也就意味着房东可以通过优化其房东特征和评论特征来获得更加有力的竞争力。且随着共享住宿行业标 准化建设和监管的进一步加强，房东需要积极配合共享住宿行业监管政策的实施，推动房东个人信息的 完善、评论机制的优化以及租赁流程的规范化，在维护消费者合法利益的前提，提升服务水平。

(4) 对于共享住宿平台来说，可以从本文得出的共享住宿日租价格主要影响因素出发，设计并提供一个将树 集成模型的随机森林回归算法、XGBoost 回归算法、LightGBM 回归算法进行 Stacking 融合的共享住宿日租价 格预测模型，以此吸引更多拥有闲置房源的房东入驻并为其提供定价指导，从而扩大自身的市场规模和收益。

(5) 对于消费者来说，可以根据本文得出的共享住宿日租价格主要影响因素，结合自身的经济条件和需求， 在进行共享住宿房源选择的时候充分提取有用的信息，对所选房源的日租价格有一个合理的估值，从而制定更 加合理的旅游住宿规划，获得更加优越的旅行体验（杨宇超，2022）。

然后，我们关注模型效果，R-square 约停留在 0.8，是非常好的预测模型。



文章有 Stacking 的效果，我没拿来做参考，这是其一。

其二，作者在文章中呈现了好几次变量选择，Jingyi 在选择的过程中，选择的是最终拿来作结果的。

其三，用户针对房源的评价也是个重要的切入点。

其四，我们认为，工作有余力的，可以考虑 1+1 的兼职模式。而短租是很不错的选择。

我们留给读者 CAJ 格式的论文。

长按/扫码，有您的支持，我们会更加努力！