共享经济中的短租房均衡价格——基于个人微观数据与混合Logit模型

一 引言及文献综述

近些年来的经济观察表明，信息及通信技术的创新与应用推广重塑了消费和交易的手段。对社会关系和可持续性的关注与行动导致了P2P(Peer to Peer，对等网络)消费模式的增长，这被称之为“共享经济”。Joe L. Spaeth教授于1978年在“Community Structure and Collaborative Consumption: A Routine Activity Approach”中首次提出共享经济概念，将共享经济定义为由第三方创建、以信息技术为基础的平台市场(Daunoriené et al.，2015)[1]，如今的共享经济与实体经济、网络经济、信息经济相互融合，改变了传统主流的信息二分法，将互联网、信息和行为内在有机地联系起来。共享经济作为一种新型的P2P贸易形式，在“互联网+”的大环境下得到迅速发展，它的主要内容就是为市场提供服务以及闲置商品，以互联网技术为基础的分享和协同开创出一种“我的就是你的”的全新经济共享模式(Botsman和Rogers，2010)[2]。当前，国外学者普遍认为共享经济其协作大于竞争(杰里米·里夫金，2014)[3]，是个人闲置物品的再分享；国内尚无共享经济的官方定义，多数学者认为，共享经济偏向于陌生人的网上交易(朱文征，2014)[4]。

当前，中国有超过7亿人参与共享经济，共享经济市场交易额约为49205亿元。在现代化服务业不断发展的时代背景下，共享经济、“互联网+”的经济模式相互融合，推动了短租房交易市场逐渐崛起，使闲置资源得到更充分地利用。蚂蚁短租、小猪短租等中国本土短租房交易平台以及2016年正式进入中国市场的Airbnb等国外短租房线上交易平台一起对中国传统的旅游住宿业造成了巨大冲击。《中国分享经济发展报告2018》显示，2017年，中国房屋住宿领域交易规模为145亿元，同比增长70.6%，主要住房分享平台的房源数量超过190万套，用户总人数超3500万人，每日在线申请的用户房源达到1500个。

资源共享的本质特性正随闲置物品的分享和陌生人的网上交易扩展而得到越来越多的表达：在交通出行方面，共享单车、共享电动车、共享汽车等交通工具作为共享对象，改变了人们的出行方式；在知识技能方面，在线问答、网络直播等技能出租、付费丰富了人们解决问题的方法和形式，并使问题的解决更具针对性和便利性；在医疗服务领域，线上医疗应用软件实体化、线下实体医疗机构电子化将有效推动医疗改革，缩小城乡医疗卫生方面的差距；在生产领域，闲置资源的共享推动企业资源配置方式变革和行业转型升级，优化了中国产品和服务的发展环境。

在房屋住宿方面，线上短租房市场发展势头迅猛，共享经济为闲置的房屋资源提供了合理利用的途径，避免了资金和空间的闲置浪费。当互联网的“订单经济”与旅游住宿相互交叉，闲置房屋的短期出租交易作为共享经济在旅游界催生的新兴产业，因其性价比高、租赁周期随意、租住时间机动性强，正在逐渐代替传统酒店、旅馆住宿。当前，中国短租房交易较为活跃的地点主要集中在一线城市和东部地区，据统计，这些地区的房源供给和用户占比均在60%以上。可以预见，共享短租房未来市场潜力巨大，房源数、用户数、交易额等都将持续增加，而短租房交易的发展也将带动保洁、装修、维修、保险等相关行业的发展。

网络经济下，消费者不再满足于个别信息或局部信息，期望掌握更多的关联性动态性信息，这体现了互联网关联信息元吸收性和兼容性的意义(张永林,2016)[5]。图1展示了线上短租房交易过程在互联网与信息态屏幕化市场下的概念图。随着互联网技术应用的拓展，线上短租克服了时间的稀缺性约束，信息可以被无限复制传输。短租房相关信息以线上交易平台为依托，在互联网这个信息池中集合，通过反馈机制，促进信息的交换，最终将结果体现至终端。具体表现为：一方面，房东可以通过电脑端或手机端看到自己闲置房屋出租的全过程，另一方面，消费者通过电脑端或手机端可以看到自己预定房屋的全过程。

图1 线上短租房交易在互联网与信息态屏幕化市场下的概念图

在现有的短租房市场交易模式中，互联网线上交易成为主要交易方式，消费者可根据信息平台上提供的可视信息进行判别，选择理想的住房进行租住。以Airbnb相关数据为例，Ert et al.(2016)[6]的研究认为短租房的交易率与房东的特征以及产品的特性有关，而房东的特征则通过可视化的信息(如头像照片)以及不可视化的信息(如信誉)来判断，产品的特征则可根据互联网交易平台上的产品图片来判断。他们研究发现，消费者在选择短租房时，更倾向于信赖可感知的信息，例如房东性别、房屋照片等，而不是交易平台上消费者对短租房过高的交易评分。郑志来(2016)[7]以Airbnb为案例指出，当前共享经济的商业模式基础应该是闲置、价值与回报。

现有研究中，国内外学者主要关注短租房交易软件的运营模式、企业内部管理等方面，极少对短租房本身的价格影响因素进行量化研究。本文运用混合Logit模型，基于消费者的偏好选择，分析短租房的出租价格影响因素，并预测各个因素最终对消费者选择短租房的影响，以便为完善线上短租房交易市场的定价、提升网络平台交易的有效性提供参考。

二 模型构建及解释变量分析

在多值选择模型中，Mixed Logit模型能考虑到不同消费者选择偏好的异质性，较好地反映不同决策者之间参数的不同，且当不同时间扰动项之间存在相关性时，能直接把模型推广到面板数据，同时克服IIA(Independence from Irrelevent Alternatives)假设。McFadden和Train(2000)[8]证明任何随机效用模型可以以任意精度被Mixed Logit模型逼近，趋近任何一种基于随机效用理论的离散选择模型。同时，由于没有封闭概率表达形式，Mixed Logit模型的使用方式灵活。因此，本文将通过建立混合Logit模型框架并进行回归标定效用函数，最后对短租房交易过程中，不同消费者的偏好选择进行预测。

(一)模型构建

短租房市场的消费者面临选择时，往往是多值的。消费者的年龄、家庭收入、对相关信息的敏感程度等都将影响消费者对不同价位短租房的选择。因此，需要采用多值选择模型，分析消费者多种互相排斥的选择。本文采用混合Logit模型，从消费者的偏好选择入手，对短租房价格影响因素进行分析。

1.多项Logit模型

在多值选择中，消费者i选择不同价位的短租房j带来的随机效用为：

Uij=x′iβj+εij(i=1， …，n；j=1， …，J)

(1)

消费者i选择短租房j的概率为：

P(yi=j|xi)=P(εik-εij≤x′i,βj-x′i,βk， ∀k≠j)

(2)

假设{εij}为iid且服从I型极值分布，则多项Logit模型可表达为：

P(yi=j|xi)={ 11+∑Jk=2exp(x′i,βk) (j=1)
exp(x′i,βk)1+∑Jk=2exp(x′i,βk) (j=2，…，J)

(3)

其中，j=1所对应的方案为参照方案。

2.混合Logit模型

一般而言，个体选择备选方案主要受三个方面的影响，分别是系统效用、随机效用和误差部分(白瑞等，2006)[9]，固定效用包含决策者的属性变量或选择性的属性变量，在Mixed Logit模型中，对待估参数α(α=α1，α2，α3……)可用下式表达：

Uij=V′ijα+εij+ξij

(4)

其中，Uij为消费者i(i=1， 2， 3……)对选择的短租房j(j=1， 2， 3……)的效用，V′ij为系统效用，又称可观测效用，εij为随机效用，又称不可观测效用。

Mixed Logit模型的概率函数为多项Logit模型在其密度函数上的积分形式(刘振和周溪召，2005)[10]，即：

Pij=∫Kij(α)f(α|θ)d(α)

(5)

其中，Kij(α) 为待估参数α的多项Logit模型，即：

Kij(α)=evij (α)∑Nn=1evij(α)

(6)

将式(2)、式(3)合并，即可得Mixed Logit模型的选择概率：

Pij=∫evij (α)∑Nn=1evij (α)f(α|θ)d(α)

(7)

其中，f(α|θ)是α的密度函数，其种类可以根据研究的方向不同而进行选择，混合Logit 模型可计算待估参数α的均值M和标准差S两个参数。

3.IIA值假定检验

经济学很多分支都有IIA(Independence of Irrelevant Alternatives)假定，在多项Logit和混合Logit模型中，如果不同方案之间内容类似、联系紧密，将不一定满足IIA假定，因此，需要对模型进行IIA假定的检验。本文采用豪斯曼检验：

(8)

其中，βR为去掉某个方案后子样本的系数估计值，βF为全样本的系数估计值，m为βR的维度。

(二)数据来源与变量描述性统计

1.数据来源

根据《中国分享经济发展报告2018》，一线城市和东部地区为线上短租房交易活跃地区，因此本文以江苏、浙江、上海为研究对象。通过Python技术，截取蚂蚁短租平台线上三地的房源定价，除去异常值后，得到四分位数据，在此基础上，将当前短租房日均价格细分成5种模式。

表1 江浙沪线上短租房市场定价及划分

本文分析数据来源于2017年7月-2017年10月的问卷调研。调研团队根据中国旅游研究院发布的《中国国内旅游发展年度报告2017》客源地潜在出游力分类，即客源地居民群体在经济能力、休假制度、身心健康等条件下形成的参与户外休闲或旅游的综合能力划分，同时考虑各地区线上短租房交易活跃度及经济状况等因素，选取江苏省、福建省、江西省等3个出游力不同的省份。其中，江苏省为出游力极强地区，其次是福建省，江西省出游力一般。在调研过程中，选取3个省份中经济发展水平不同的地区，仅从消费视角进行分析。本次调研范围涉及到9个县(市)，与当地旅行社合作，随机选择了一定数量的调研对象，调研对象均为了解线上短租房或曾有过线上短租房租住经历的消费者。本次调研共发放问卷500份，剔除答题不完整、答案前后矛盾的无效问卷后，实际有效问卷460份，占总问卷量的92%。

研究的基本思路是，在调查表中设计了若干影响中国短租房价格形成的因素变量，整理收集到的横截面数据，用于模型的预估检测分析，建立混合Logit模型展开实证分析，对建立的混合Logit模型进行预测效率检验，修正模型，最终得到预测效率较高的预测模型。

研究变量从个人偏好选择入手，分为个人属性和出行属性两方面，形成变量层，具体指标的设定如图2。

2.样本基本特征

社会人口统计特征能较好地反映消费者的个体状况，故个人属性部分采用人口学指标，内容主要包括年龄、收入。其中，收入具体为年家庭可支配收入，其可反映消费者用于最终消费、投资、非义务性支付及储蓄的收入水平。年龄分布上，本文以具有完全民事行为能力公民最低年龄18周岁为划分基线。在家庭可支配收入方面，以当前中国常见的家庭组成方式——核心家庭为计算基准。核心家庭的主要家庭成员组成方式为夫妻二人及其未婚子女，因此，问卷调查中，对于家庭可支配收入的相关算法为共同居住的夫妻二人收入加上未婚子女收入。对于好评率和用户评价的关注与否，是消费者在线上短租房选择过程中个人情感倾向的表达方式，也是可视的直观信息。出行人数及出行费用预算则可能影响消费者在出行过程中对房屋住宿方面的开支及短租房价格的接受程度。

表2描述了本次调查的基本特征。年轻用户是住房分享经济的第一大消费群体，因此，调查对象年龄分布在23-29岁、30-39岁两个年龄段居多，分别占样本总量的38.9%和37.4%，家庭可支配收入分布中，12-18万、18-24万的受访人群较多，分别占总样本的32.2%和41.5%。

表2 调查样本基本特征的描述性统计

(续上表)

3.变量说明和描述性统计

将因变量短租房价格划分为200元以下、200-400元、400-600元、600-800元及800元以上5个模式(模式一、模式二、模式三、模式四、模式五)，由被调查者综合自身情况进行选择。表3就3个省份的选择结果做出描述。

表3 江苏省、福建省、江西省短租房价格模式选择情况分析

由表3可见，3个省份的调查对象对线上短租房价格模式的选择是有差异的(P=0.000)。整体选择趋势表明，参与调查的绝大多数消费者对200-400元、400-600元两个价格区间的短租房需求量更大，三省中选择模式二、模式三的人群百分比均比其他三种模式要高，这一结果符合预期。江苏省作为3个调查地区中出游力最强的省份，样本数据相对更丰富，对于各个价格下的短租房接受度也最高，钟士恩等(2009)[11]认为，60%的出游力是由社会经济规模决定的，居民生活水平和对外联系水平的影响约占30%和10%，从出游力的形成因素进行分析，也可以得出样本数据的合理性。观察五种价格模式下的短租房需求量发现，模式一为最低价格段，在该价格段内，江西省调查对象的选择人数远超其他两省，即在低价短租房需求量上，江西省的消费者远高于江苏省和福建省；模式二和模式三作为中端住宿价位，在3个省调查对象中需求量都是较大的，观察线上平台的房源信息，发现模式二和模式三价位下的短租房房源较多，且相关设施均能满足一般个人或家庭的出行住宿需求，即线上房源的供给数量和质量在一定程度上也影响着消费者的选择。模式四作为短租房中的中高端价位，需求量已经开始减少，但江苏省消费者的需求量大于其他两个省。模式五划归为高端价位的短租房，由于该价位房源较少，多数设施精致、房屋面积大，且对消费者的消费能力有一定要求，因此需求量较少。出行的主体是人，不同的社会人口统计特征可能会影响消费者对短租房的选择，且不同特征的影响程度不同，因此，下文将从家庭可支配收入、年龄、家庭出行费用预算等人口统计特征以及消费者个人偏好入手，探究各因素对共享经济中短租房均衡价格形成的影响。

家庭可支配收入(HDI)。该变量为不随方案而变的解释变量，《2017年中国统计年鉴》显示，2016年，全国人均可支配收入为23821元，其中，东部地区人均可支配收入为30654.7元，中部地区人均可支配收入为20006.2元，西部地区人均可支配收入为18406.8元，东北地区人均可支配收入为22351.5元。由于样本调查区域均为东部地区，因此，将6万元作为本调查中家庭可支配收入的基线较合适。根据统计数据，调查人群中，家庭可支配收入大部分集中在12-24万元之间。根据偏好选择指标分析显示，家庭可支配收入的差别具有统计学上的意义。

年龄(Age)。该变量为不随方案而变的解释变量，为了考察年龄对消费者选择短租房价位的影响，本次调查设置了5个年龄水平，由表3可见，调研对象年龄主要集中在23-49岁间，年轻的消费群体占据了多半线上短租房市场，成为共享闲置房屋的主要参与主体。且年龄的增长在一定程度上影响着对短租房价格的承受能力。

是否关注好评率(FR)。该变量为不随方案而变的解释变量，是虚拟变量(1=“关注”；0=“不关注”)。由表3得到，各个消费阶层的消费者对于好评率的关注度实际上并未有较大起伏，原因可能在于，好评率是线上短租房质量的直观体现，随着价格的增长，消费者对于好评率的关注度又有所上升。

是否关注用户评价(CMNT)。该变量为不随方案而变的解释变量，是虚拟变量(1=“关注”；0=“不关注”)。消费者对用户评价的关注度与对好评率的关注度呈现出类似规律，随着对短租房价格承受能力的增加，消费者对用户评价的关注度越来越高。不过，当前线上短租房也存在着相关用户评价缺少参考价值、评价有较为强烈的个人情感倾向以及各消费者接受度和期望值不尽相同等问题。

是否关注房东性别(Gender)。该变量为不随方案而变的解释变量，是虚拟变量(1=“关注”；0=“不关注”)。调查发现，对于房东性别的关注比例随着对房屋价格承受度的增加而有所减弱。

出行人数(TN)。该变量为不随方案而变的解释变量，线上短租房主要针对市场上自助出行的消费者，考虑到当前的家庭结构、家庭出行方式、个人出行、出行便利度等情况，将四人及四人以上出行人数合并为一类。

家庭出行费用预算(HTB)。该变量为不随方案而变的解释变量，体现了家庭在出行方面的费用开支。一般来说，家庭出行费用预算越高，对房屋价格承受能力也将越高。

具体的变量说明及描述性统计如表4所示。

表4 短租房价格模式偏好选择结果的描述性统计

(续上表)

三 模型实证结果及分析

(一)因素间Pearson相关矩阵

本文采用Pearson相关系数分析各因素间联系强弱。

表5 影响线上短租房定价因素的Pearson相关矩阵

(续上表)

注：*P<0.1，**P<0.05。

Pearson相关系数的大小决定了各变量间相关关系的强弱，Cohen(1988)[12]提出当0.1<|r|<0.3时，分析对象互为弱相关，0.3<|r|<0.5为中度相关，|r|>0.5为强相关，根据表5可知，出行人数、家庭可支配收入以及家庭出行费用预算与短租房价格选择存在着强相关关系，对好评率、用户评价的关注度与短租房价格选择存在一定的相关关系，但相关性较弱。其中，出行人数与家庭出行费用预算对短租房价格选择的影响较大，出行人数增加，对于房间面积、住房基础设施、交通便利度等方面的要求更高，因此对房间价格的可接受度也越高，年龄与出行人数之间存在着强相关，一般而言，随着年龄的增长，家庭组合结构发生变化，家庭出游人数也可能相应增加。2017年国家全面开放二孩政策，从长远来看，未来家庭出行人数可能持续增加；年龄与家庭可支配收入存在着强相关，年龄的增加往往伴随着工作经验、工作年龄的增加，薪金、福利待遇也会有所增加，加上未婚子女参与工作取得收入，因此家庭可支配收入与年龄存在着正向相关性；家庭可支配收入与家庭出行费用预算存在着强相关，可以理解为消费者用于最终消费、投资、非义务性支付及储蓄的收入水平高低影响其在出行方面的开支。对房东性别关注度这一解释变量与出行人数和家庭可支配收入具有相关性，对原数据进行观察，发现当出行人数为一人或者较少时，消费者对房东性别的关注度更高，此举可能是出于安全性或是沟通便利性考虑，当出行人数较多时，房东的性别在一定程度上不会对消费者选择短租房构成影响。

(二)构建用于预测的多值选择模型

通过Stata软件建立多项Logit模型用于豪曼斯检验。估计多项Logit模型后，进一步对模型进行豪斯曼检验，得出表6。

表6 豪斯曼检验结果

豪斯曼检验结果显示，去掉四个非参照方案中的任一方案，均不拒绝IIA的原假设，满足“无关选择的独立性”，因此随机检验模型可进行本次调查数据的分析预测，参数估计结果将较为准确。

(三)混合Logit模型的构建

经对数据进行IIA检验并得出不拒绝IIA原假设后，进一步构建混合Logit模型。混合Logit模型对对照组的选择要求不高，本文将模式三设置为对照组的原因在于，模式三价格处于5个模式中间位置，且相对选择人数较多。

表7 基于消费者偏好的价格模式选择的混合Logit模型

注：*P<0.1，**P<0.05，***P<0.01。

模型的另一目的是进行预测，以便反映现实状况的发展趋势。因此，在构建混合Logit模型后，对基于情感偏好下消费者对不同价位短租房的选择进行样本内预测，以100例样本数据作为检验样本进行建模，再将模型代入总样本进行预测效率的检验，最终得出表8。

表8 基于消费者偏好的价格模式选择的混合Logit模型预测效率分析

表8显示，在现有数据样本下，基于消费者偏好的价格模式选择的混合Logit预测模型对模式一的预测一致率为51.1%，对模式二的预测一致率为63.4%，对模式三的预测一致率为71.2%，对模式四的预测一致率为52.2%，对模式五的预测一致率为40%，模型总体预测效率为62.83%，该模型除了对模式五的预测一致率低于50%外，其余一致率均在50%以上。由于本次调查中收集到的模式五选择样本较少，导致最终的预测一致率偏低，考虑到模型预测的准确性，将在后续调查中增加相关样本容量，提升模型对模式五的预测一致率。

(四)短租房市场价格影响因素分析

在影响因素的分析中以模式三为对照组。

混合Logit模型的常数项显示，在没有任何影响因素的情况下，消费者更愿意选择模式一(200元以下)的短租房，而不愿意选择价格较高的短租房。这种偏好十分理想，现实中几乎不可能存在，因此，模型的常数项仅提供分析其他变量的基线水平。

相对于模式三，家庭可支配收入的增加使得消费者选择模式四(600-800元)及模式五(800元以上)的概率增加，即家庭可支配收入越高，消费者对高价的短租房接受度也越高，他们倾向于选择价格较高的短租房，而不再考虑价格相对较低的。

在不同年龄阶段，消费者对短租房的价格选择也呈现出一定的规律性，随着年龄的增加，消费者倾向于选择模式一和模式四。出现这种情况可能有以下两种原因：第一，家庭组成人员发生变化。一方面，当子女形成自己家庭后，家庭出行人数减少，对临时住房要求降低，从而倾向于选择价格相对较低的短租房，这一年龄阶段主要集中在50岁及以上；另一方面，年龄的增加也可能带来家庭人口的增加，因此出现了对模式四价格下短租房的选择偏好，这一年龄阶段主要集中在30-40岁之间。第二，家庭储蓄的变化。Chamon和Prasad(2010)[13]等认为中国的年龄-储蓄率呈U形关系，低储蓄率的年轻人家庭或老年人家庭倾向于选择与他们的中年父母或子女居住在一起，这一方面提高了青年户主家庭和老年户主家庭的平均储蓄率,另一方面也拉低了中年户主家庭的平均储蓄率(李蕾和吴斌珍，2014)[14]。

在对线上短租房可视信息——好评率的关注度上，对比于模式三，认为好评率的高低对自己选择起到重要作用的消费者主要集中在模式二和模式四中，这可能与当前国内线上短租房市场刚刚兴起有关。由于以“短租房”形式开展的房屋共享在国内刚刚起步，普及率不高，多数人对“闲置房屋共享”这一概念较陌生，线上短租房相关的评价人数少且好评率均较高，模式二、模式三、模式四的房间价位为200-800元，高接受度和高入住率带来的好评率更具参考价值。

表7显示，消费者将用户评价作为重要依据从而选择模式二、模式三、模式四、模式五的相对概率是不断上升的，这可能是由于，随着支出的增加，消费者对支付对象选择更加谨慎，用户评价作为参与共享环节的非利益相关人，对共享物品的文字描述具体且直观，成为潜在消费群体重要的参考意见。当然，用户评价也具有强烈的个人感情色彩，消费者个人偏好不同，对评价信息的接受度可能不同，这也成为了部分消费者对用户评价关注度较低的一个原因。

在对房东个人信息的关注度上，相较于模式三，选择模式一、模式二的消费者更关注房东个人信息，进一步分析这一预测结论可以发现，偏好选择这三种模式的消费群有很大一部分是单独出行或少数人结伴出行，出于自身安全等相关因素的考虑，选择该房价的消费者将房东个人信息作为选择的重要依据之一也就不难理解了。

在出行人数方面，出行人数越多，越倾向于选择模式四和模式五。一般而言，出行人数越多，对住所空间需求就越大，对住宿环境、房屋基础设施要求也较高，这种情况下，消费者提高了对房间的承受价格，或者说，当出行人数较多时，消费者对房屋的价格不再敏感，在合理范围内，他们的选择也更多。

家庭出行费用预算显示随着家庭在出行方面支出的增加，选择房间的价格也将随之增加。

(五)实证结果讨论

尽管多数学者对房屋的均衡价格有所研究，但是共享经济中的类似问题仍然较少讨论。当前学界几乎没有进行关于共享经济线上短租房价格的实证研究，共享经济中的住宿预订与原有酒店行业的影响因素可能大有不同。本文补充了相关领域的研究不足，并得出了短租房市场价格与消费者的家庭可支配收入、年龄、对好评率的关注度、对用户评价的关注度、出行人数、家庭出行费用预算以及对房东性别关注度等因素的相关性强度，以及不同因素对最终闲置房源定价的影响。本研究的一个目的是了解用户情感偏好对短租房均衡价格的影响，另一个更实际的目标是帮助参与共享经济活动的双方作出更好的决策。

共享经济下，短租房的交易主体是分享者(房东)与需求者(消费者)，两者的供需平衡将构成短租房市场的均衡价格，当消费者通过个人需求，结合网页可视信息选择房屋时，房东同样也可以选择消费者。本文的研究结果将更有利于房东掌握不同消费者选择住宿的规律特点，并根据自身心理预期和需求，推出相适应的住宿产品，从而使个人利益最大化。2017年7月，国家发展改革委发布《关于促进分享经济发展的促进性意见》指出，“将进一步取消或放宽资源提供者市场准入条件限制，审慎出台新的市场准入标准。”该意见鼓励更多拥有闲置房屋资源的房东进入线上短租房市场。在此发展背景下，若房东在充分评估闲置房屋自身条件后，明确线上短租房均衡价格区间，根据地区旅游者特点，将房屋定价设置为不同模式范围内，不仅有利于充分利用闲置房屋资源，而且有助于构建规范的短租房市场定价机制，自发形成合理的市场价格。

四 结论及进一步提升短租房市场质量的讨论

随着居民消费结构中旅游服务业占比不断增加，消费者对于共享短租房的消费习惯逐渐形成，未来中国线上短租房发展的潜力和空间巨大。这种共享模式不仅极大地降低交易成本，还盘活闲置资源存量、创造新的社会价值，成为未来新的经济增长点。为了促进国家短租房市场的健康发展，理顺短租房与其它商用住房的价格关系，让价格更好地反映消费者的多元化偏好，延续本文的研究结论，进一步提出关于提升短租房市场质量的几个讨论要点。

第一，就短租房的提供者而言，明确潜在客户群体，根据不同消费者的选择偏好，有针对性地定制闲置房屋的价格十分重要。在对固定消费群体的家庭可支配收入、年龄阶段、出行人数、家庭出行费用预算有了整体的了解评估后，房东还应对好评率、用户评价进行个性化管理，同时完善丰富可视的个人信息，合理制定房屋租价，提高交易率。

第二，对短租房交易在线平台企业来说，需要建立良好的信任机制。共享经济模式的基础是信任，建立良好的信任机制将有助于双方参与者放心交易，在当前线上交易的网页设置上，交易率、好评率、评价信息、房东简介等相关信息成为相互了解、信任的途径。线上交易平台应严格把关，制定信息评估体系，统一标准，确保参与双方信息的真实性和准确性，同时落实安全政策和隐私保护政策，保障个人信息的安全。

第三，对短租房市场的管理部门来说，通过法律法规明确交易双方及交易平台的责任和义务是提升线上短租房市场质量的一个关键。与酒店、家庭旅馆等正规化、规模化、商业化、标准化的运营模式相比，线上短租房经营模式进入中国市场时间短，交易方式较为私人化。为此应明确线上短租房交易双方的法律地位，厘清共享平台以及闲置资源提供者与共享平台间的法律关系，制定统一的标准化审核机制，以弥补短租房市场的交易漏洞，减少参与双方的交易风险。

[参考文献]

[1] Daunoriené, A., Drakšaité, A., Snieška, V., et al.. Evaluating Sustainability of Sharing Economy Business Models[J].Procedia-SocialandBehavioralSciences, 2015, 213: 836-841.

[2] Botsman, R., Rogers, R.. What’s Mine is Yours: How Collaborative Consumption is Changing the Way We Live[J].HarperCollins, 2010.

[3] (美)杰里米·里夫金, 赛迪研究院专家组译. 零边际成本社会[M]. 北京: 中信出版杜, 2014.

[4] 朱文征. 商业网络团购模式下影响消费者信任的关键因素及其信任形成机制的研究[D]．杭州: 浙江理工大学, 2014.

[5] 张永林. 互联网、 信息元与屏幕化市场: 现代网络经济理论模型和应用[J]. 经济研究, 2016, (9): 147-161.

[6] Ert, E., Fleischer, A., Magen, N.. Trust and Reputation in the Sharing Economy: The Role of Personal Photos in Airbnb[J].TourismManagement, 2016, 55: 62-73.

[7] 郑志来. 共享经济的成因、 内涵、 与商业模式研究[J]. 现代经济探讨, 2016, 411(3): 32-36.

[8] Mcfadden, D., Train, K.. Mixed MNL Models for Discrete Response[J].JournalofAppliedEconometrics, 2000, 15(5): 447-470.

[9] 白瑞, 沈其君, 张晓等. 嵌套Logit模型原理及其在医学离散选择问题分析中的应用[J]. 中国卫生统计, 2006, 23(2): 181-183.

[10] 刘振, 周溪召. 巢式Logit交通方式划分模型及求解方式研究[J]. 山东交通学院学报, 2005, 13(4): 28-32.

[11] 钟士恩, 张捷, 任黎秀等. 基于社会经济属性的中国省际出游力研究:兼对中国与世界已研究国家案例比较[J]. 经济地理, 2009, 29(1): 153-159.

[12] Cohen, G.. Auxiliary Problem Principle Extend to Variational Inequalities[J].JournalofOptimizationTheoryandApplications, 1988, 59(2): 325-333.

[13] Chamon, M. D., Prasad, E. S.. Why are Saving Rates of Urban, Households in China Rising?[J].AmericanEconomicJournal:Macroeconomics, 2010, 2(1): 93-130.

[14] 李蕾, 吴斌珍. 家庭结构与储蓄率U形之谜[J]. 经济研究, 2014, (S1): 44-54.