基于特征价格模型的共享短租差异化定价研究
2023-02-21牛新艳
牛新艳
(山东财经大学统计学院,山东济南 250014)
引言
共享短租是将闲置住宅提供给他人短期使用的一种共享经济模式,自出现以来一直保持快速发展势头,并在一定程度上对传统酒店行业造成冲击。然而,在其高速发展的背后也存在诸多问题,特别是没有形成统一的行业规范,给监管工作造成很大的困难。2020年12月24日,北京市住房城乡建设委、公安局、网信办、文旅局四部门印发了《关于规范管理短租住房的通知》,旨在加强对共享短租市场的管理,促进其健康持续发展。众所周知,不论是购买还是租用,价格问题始终是房地产市场的基本问题。对于短租市场来说,合理的定价机制是保障其规范管理的重要一环,特别是短租价格指数的编制,能够及时客观的反映市场变化,便于监管部门发现异常交易行为并进行纠正。然而由于统计方法缺陷以及主观选样偏差,导致目前还未形成短租价格指数,现存的房地产价格指数,无法完全适应短租市场特点,不能客观地反映市场运行情况。当前对房地产价格的统计方法主要包括平均法、重复交易法、特征价格法。与其他两种方法相比,特征价格法在房价指数编制方面具有明显的优势。首先,平均法难以满足同质可比的要求。这种方法实际上假设除单元面积以外的房产属性都是匀质的,在当前城市化进程加速推进的过程中,位置和周边基础设施在各个属性中的权重越来越大,而这种做法显然会造成价格统计出现系统性的偏差。其次,重复交易法在编制价格指数时要求本期统计价格的样本与上一期的样本一致,这就解决了平均法在统计中非同质的问题。然而,这一方法也会受样本约束导致统计上的偏差:比如首次交易的房产难以进入统计,再比如某些重要地区因缺少两次交易未能进入样本从而导致偏差,特别是在交易量较少的情况也可能导致系统性的低估。特征价格法的最大优势在于:它通过建立方程将房地产的每一个特征都给出定价,这样就解决了非同质可比的问题,同时可以为非交易的房产计算出市场价格。由于共享短租房源的本质是自有住宅,特征价格模型在住宅价格评估中表现出明显优势,因此本文选用特征价格模型对共享短租房源进行定价。
在使用短租价格数据建立特征价格模型的过程中,我们发现不同地区、不同城市间建立的特征价格模型存在一定的差别。即便在同一城市中,由于房源所处区域的不同,其价格特征的作用方式和作用强度也有不同程度的差异。随着对共享短租行业管理的逐步深入,建立合理规范的定价模型势在必行,而差异化的定价是保证价格合理性的基本需求。
一、共享短租定价研究现状
自20世纪60年代以来,特征价格研究蓬勃发展。国外方面,Ferri[1]将特征价格指数与传统方法编制的房价进行了对比,结果发现1965至1975年间传统指数上涨86.2%,而特征价格指数仅为59.2%;其原因是后者剔除了由于样本住房楼龄的缩短、住房设备的改善等因素对价格的影响。Case等[2]对特征价格指数、加权重复销售指数和混合模型方法的结果进行了对比。Hill等[3]使用三种方法对澳大利亚悉尼市2001至2006年间出现的楼价暴涨和暴跌进行了测度,结果表明三者测度大体一致。特征价格法除了在房价指数编制方面的优势以及在房产税税基计算中的应用外,还有其他广泛应用,最主要的应用是对公共产品和非市场产品的评估。这方面较早的一篇文献是Ridker和Henning[4]关于空气污染的研究,他们以圣路易斯市为样本实证研究了空气污染对房价影响的分析。Zabel和Kiel[5]对美国4个城市的空气污染对房价的影响进行了研究。关于水环境方面,Bin等[6]对北卡罗来纳州的海岸线房价受洪水影响的程度进行了分析,验证了住宅市场和保险市场的均衡是一致的。
国内方面,祈神军等[7]发现基于Hedonic模型的厦门市房地产价格指数除了能反应价格变化外,还能准确地反映厦门市房地产市场供求关系。蔡真等[8]建立了北京地区的住宅特征价格模型,提取出影响北京市住宅价格的主要特征。董倩[9]将特征价格法与重复交易法组合在一起,提出一种新的房价指数编制方法。陈永伟和陈立中[10]则首次考察了空气环境对房价的影响。
共享短租定价方面,Gibbs等[11]研究了39837个Airbnb房源的属性和销售信息以及来自五个市场的1025家酒店的数据,探索Airbnb房东使用动态定价的程度,并将他们的定价策略与酒店的定价策略进行了对比。DWang和JL Nicolau[12]使用普通最小二乘法和分位数回归方法,对Airbnb上的33个城市的住宿租赁报价进行了研究,以确定数字市场中基于共享经济的住宿供应的价格决定因素。王春英和陈宏民[13]以小猪短租网站上的10个重要旅游城市的12527个房源为研究对象,使用最小二乘回归以及分位数回归的方法,对9个可能影响房源定价的因素进行分析,得出房源特性、地理位置与配套设施、房东特性及消费者评价对共享短租平台房源定价均有不同程度的影响。牛阮霞和何砚[14]对蚂蚁短租平台31个城市房源数据进行OLS和分位数回归,研究了八大类共18个特征变量对共享住宿平台房源价格的影响,发现各影响因素不仅在不同价位水平的房源中存在差异,在不同经济发展水平的城市的房源中也不尽相同。
在现有的关于共享短租房源定价研究中,多数工作集中在对价格影响因素的整体归纳和分析上,对差异化定价的讨论相对缺乏,对时间因素的影响也鲜有考量。本文将这两方面作为切入点,从时间和空间两个维度对差异化定价的必要性和合理性进行探讨,进一步改进和完善共享短租房源定价模型。
二、特征价格模型的建立
特征价格法认为:特定住房价格由其包含的各种特征以及每种特征的特征价格决定,通过大量数据反映的特征信息可以将房屋的价格逐一分解出来。其公式可表示成如下形式:
其中,c为常数项,X1…Xn分别为住房的n个特征因素,β1…βn分别为对应的特征价格,Dt为时间虚拟变量,at为时间虚拟变量系数,ε为随机误差项。
(一)共享短租房源价格特征选取及数据说明
为了研究短租房源在不同地域的特征价格差异,我们选择上海市的短租房源作为研究对象。上海市一方面是热门旅游城市,另一方面也是商务旅行的重点城市,短期旅游和商务出差的人组成了共享短租的主要客户群体。我们在共享短租平台上选取上海市2018年1月至2019年12月的短租房源数据,从而规避疫情对短租市场造成的影响。本文在定价模型建立过程中将时间因素作为虚拟变量加入其中,不仅反映不同区域的房源在各个特征上的定价差异,同时反映出节假日等时间因素对短租价格的影响。
由于上海在全域范围内房产价格有两个制高点,因此我们有针对性地建立两个方程:一个是针对浦西,一个是针对浦东,进而发现两个区域在短租房源价格特征上的异同。其中浦西地区的中心确定为太平桥公园附近的翠湖天地嘉苑小区,浦东地区的中心确定为陆家嘴附近的汤臣一品小区。另外,考虑到周边环境对价格正负效应在空间上的差异,我们在进行邻里和区位特征考察时,分别考虑了房源所在小区周边300米、500米、800米和1000米四种情况。
短租价格特征的选取与住宅特征不同,通常短租房源不提供房屋的面积、朝向等信息,租客更关心的往往是房源能居住的人数,是否要与其他人合住等具体的居住信息。因此,综合考虑短租房源的特点,我们选择了四个部分的指标,包括:居住特征、邻里特征、区位特征和政策特征。本文结合前人研究成果以及既有数据条件选取如下特征进入计算,见表1。这里就有关特征的计算方法作两点说明:一是关于部分邻里特征的赋值说明。商业环境,我们统计的信息类型只包括大型商场、市场这两类,市场包括古玩市场、美食街等与游客相关性较高的类型,其中大型商场得分为2,市场得分为1;医疗条件包括医院和诊所两类,医院得分为2,诊所得分为1;旅游资源主要考虑房源周边一定范围内的旅游景区数量,普通景区得分0.5,3A级景区得分1,4A级景区得分2,5A级景区得分2.5;公共场所,统计包括公园、场馆、游乐场,这些设施与人们的休闲娱乐都相关,我们只统计数量,不对它们所产生的效用高低进行区分。第二点说明是关于区位特征中房源距区域中心距离的计算。我们视同一小区所有房源到区域中心的距离是相等的,即小区内房源之间的距离差距可以忽略;对于特别大型的小区,我们将其分割成若干小块;然后应用googleearth软件标注出小区中心的经纬度以及城市中心的经纬度,进而计算两者之间的距离。
表1 短租房源特征价格指标
(二)共享短租房源特征价格综合分析
图2与图3分别绘制了上海市浦西地区和浦东地区房源取对数后,随距地区中心距离的变化情况。
图2 浦西地区房源价格在地理空间上的差异
图3 浦东地区房源价格在地理空间上的差异
从图中可以看出,房源价格随距离增加呈逐渐下降趋势,但其下降趋势并不是线性比例的下降,而是减速下降。这提示我们方程的形式应该包括二次形式。图中的价格下降趋势中呈现锯齿形态,我们设想这是由四个方面的原因造成的:一是预订政策之间的差异,二是是否整租导致的差异,三是交通便利性导致的差异,四是房源周边的资源导致的差异。其中,预订政策包括是否自助入住、能否随时退订和是否有押金;交通便利性区分为公交站点带来的和地铁站点带来的便利性;周边资源分为商业环境、旅游资源、医疗资源、公共场所四方面。在此基础上,时间虚拟变量的加入有利于观察短租价格在不同时点上的变动情况。于是构建如下的方程形式:
其中P表示价格,c为截距项,dis表示房源到区域中心的距离(单位公里),numb表示房源可容纳人数,traf表示房源周边的交通数量(包括地铁站个数和公交站点的个数),neib表示房源周边的资源(与邻里特征对应),poly是政策虚拟变量,whole是整租虚拟变量,holy是时间虚拟变量,表示是否为法定节假日。
在区位特征中,为了对交通便利性进行合理赋值,我们分别计算了四种情形下的模型分析结果,四个模型分别对应房源所在小区周边300米、500米、800米和1000米范围的交通便利性。检验结果表明,当赋值范围达到小区中心800m范围时,地铁站点系数通过T检验,我们选取800米范围内的交通数量作为分析标准。较小的半径范围难以通过检验的原因是,范围过小不能充分的包含地铁站点信息,以小区中心300米半径为例,很多大型的小区自身都覆盖了这个面积,因此地铁便利性赋值大都为0,难以起到区分作用。公交站点一般布局较密,所以在较小范围内也能有效区分,不会出现地铁便利性在较小范围内不显著的问题。
对于邻里特征,我们以相同的思路进行分析,选择对住宅价格有显著影响的邻里特征进入方程,最终确定浦西地区500米范围的商业环境、1000米范围的旅游资源、800米范围的医疗条件和800米范围的公共场所进入回归方程;浦东地区选择300米范围的商业环境、1000米范围的旅游资源、500米范围的医疗条件和500米范围内的公共场所进入回归方程。
时间因素选择上,因为共享短租的相当一部分客户群体为游客,因此假期是短租房源的需求旺季,往往伴随着价格上涨,我们主要考虑元旦、春节、清明节、端午节、劳动节、国庆节和中秋节7个法定节假日,将其划分为长假和小长假两类,使用虚拟变量表示当前时间是否处于假期以及处于哪种类型的假期。变量设置上,加入的时间虚拟变量以2018年3月为基底,其他各时间虚拟变量系数代表该时段相对于2018年3月房源价格的增长率。所有时间虚拟变量都通过了显著性检验。我们将虚拟变量的系数做简单的变换,就能得到基于特征价格模型的短租房源价格环比变动情况,并可以由此建立短租价格指数。
(三)特征价格模型的区域差异分析
表2给出浦东和浦西地区共享短租房源的特征价格模型回归结果,可以看到,一部分特征因素在两个区域对短租房源价格表现出类似的作用效果,而另一部分则表现出不同的影响方式。具体分析如下:
表2 上海市短租房源价格特征回归结果
1.居住特征方面,两个区域中容纳人数的系数均为正,表示短租房源价格随可入住人数的增加而增加,这种增加效应在浦西地区表现得更加明显。因为浦西地区的短租房源在相同户型条件下面积普遍较浦东偏小,因此容纳人数的增加会导致户型梯度发生变化,房源价格的增高也就更加明显。在是否整租这个因素上,浦西和浦东地区的表现基本相同,在容纳人数相同的条件下,整租房源要比分租价格高。
2.区位特征方面,不论是浦东还是浦西地区,距离的系数皆为负,表明随距离的增加,房源价格是单调递减的。但浦东距离系数的绝对值大于浦西距离系数的绝对值,表示浦东地区房源价格随距离增加下降较快。距离的平方系数为正,说明这种递减是减速递减的。地铁站点在两个区域的系数皆为正,但在浦东地区未通过显著性检验。说明地铁站点对浦西地区房源价格有显著的提升作用,而对浦东地区房源价格的影响不显著。公交站点的系数在浦西地区为正,说明周边公交站点对浦西地区房源价格有显著的提升作用。区别于浦西的情况,浦东地区的公交站点系数为负,即公交站点对房源价格产生负效应。其原因在于,到上海的游客多数会选择居住在浦西,因为浦西地区的商业资源和游乐资源相对丰富且位置较为集中,地铁和公交是游客进行城市游的首选交通工具。而浦东相较于浦西来说是富人居住区,浦东居民的日常出行并不依赖于公共交通设施,有研究表明浦东地区的住宅价格不受地铁设施的影响。而短租房源多数为闲置住宅,其价格必定以住宅价格作为基础。同时,在浦东地区租赁短租房源的多为短期商务旅行人士,公共交通亦非其主要出行方式。特别是公交车相较于地铁来说噪声较大,会带来噪声污染和地面交通的拥堵,在一定程度上对房源价格造成负面影响。
3.邻里特征方面,我们首先观察商业环境。浦西地区商业环境系数通过了显著性检验,且系数为正,说明房源周边商业环境的繁荣对其价格有显著提升作用,且商业离小区越近,作用越明显。其原因在于上海相较于其他旅游城市来说,自然景观并不丰富,主打的旅游形式为都市游。尤其浦西地区,生活氛围亦偏向于市场化、商业化,无论是居民还是游客,对商业的接受程度和热衷度都非常高。浦东地区的回归结果,商业环境系数为负。区别于浦西地区情况,浦东地区住宅小区500米范围内的商业越繁荣,房源价格越低。其次,在旅游资源方面,浦东和浦西都表现出旅游资源对房源价格有正向的影响。从系数来看,这种影响在浦西地区表现的更强,其原因还是在于两个地区短租客户群体的差异。再次,医疗条件在多数短租定价模型中没有被考虑,因为短期出游的人群对于医疗并没有普遍需求,但是医疗条件在住宅价格中是一个重要邻里因素,而该价格与短租房源价格存在密切的关系,因此我们将其纳入模型中。可以看到,和商业环境一样,医疗条件对房源价格的影响是双向的。我们认为医疗条件对房源价格的影响有两方面:其一,邻近医疗设施会带来获得医疗救助的便利性,在遇突发情况时能更加及时的获得救助,所以医疗设施对房源价格带来正的影响;其二,医院是救死扶伤之场所,同时也是各种细菌病毒的滋生和聚集场所,越靠近医院,医疗污染的风险越大,所以医疗设施对房源价格也会带来负的影响。除此之外,我们还需考虑租住人口的年龄构成特征,一般来说短租面向的客户群以短期旅游和商务出差的年轻人居多,在选择租住房源时会更多考虑商业环境、旅游资源和自身工作便利性等因素。而较为年长的游客,绝大多数会选择在健康状况良好的情况下出游,对于医疗服务的需求并不迫切。即便考虑到部分老年人有一定的医疗需求,但他们的一个特别属性是有大量的时间,空间上的距离是通过时间上的可达性丈量的,在时间相对充裕的情况下,距离的远近也就并非重要。所以,医疗条件对房源价格的影响是极其复杂的,是以上因素的综合考量结果。回归结果表明,对于浦西地区大多数房源来说,医疗条件带来的医疗便利性稍占主导。与浦西地区的回归结果不同,医疗条件在浦东地区整体影响并不显著。进一步分析发现,浦东地区医疗设施对房源价格的影响表现出了较强的趋势性,即随着范围的扩大,影响逐渐由负变为正。距离医疗设施越近,医疗污染的可能性越大,人流、车流带来的拥堵、污染等负面效应也越大;随着距离医疗设施的距离增大,负面效果减弱,总的效应转变为正。但只有500米范围模型的医疗设施系数通过了显著性检验,说明对于浦东房源来说,医疗设施带来的负面影响稍占主导。最后,公共场所对于游客生活便利性和舒适性的提升是显然的,但同时也会带来复杂环境形成的负面效应。在浦西地区公共场所系数均通过了显著性检验,且均为正,说明公共场所对浦西房源的价格具有显著的提升作用。同时公共场所的系数体现出了一定的趋势性,随着范围的扩大,公共场所带来的正效应逐渐降低。公共场所不仅为游客带来生活的便利,同时也带来生态环境方面正的外部性,紧邻自然景观或公园的房源能享受到更多的绿化及景观,所以距离公共场所越近,受到的正效应越明显。区别于浦西地区的回归结果,浦东地区公共场所系数为负。对于浦东房源来说,公共场所带来的人流、车流的污染等问题占据的了主导。并且,浦东地区多高档社区和别墅,其生态景观本身就很好,公共场所带来的景观外部性并不适用。
4.政策特征方面,在短租房源预订时,不少人会考虑到因为某些突发状况可能导致无法按时入住,因此能否自由退订就成为影响房源价格的一个重要因素。结果表明,能够在入住前随时退订这个预订政策,给短租房源的价格带来正面影响。预定时押金的收取会让租客在能否顺利退还方面产生顾虑,相比于入住前需支付押金的房源,那些除了房屋租金外不需交纳其他费用的房源的价格可以稍向上浮动。另外,回归结果显示自助入住对房源价格有正向作用,这是由于,一方面不需与房东见面的自助方式在入住和退房的程序上都更为便捷,为租客节省了一定的时间成本。另一方面,自助的方式可能会导致房东在无法及时发现租客可能对房屋造成的一些损坏,增加了房源的维护成本,因此房东会适当提高价格来抵消潜在的风险。
以上四个方面可以归纳为上海市的短租房源价格在空间特征上的表现,此外我们在模型中加入了时间序列因素,重点观察其在时间上的动态表现。模型中加入的时间虚拟变量以2018年3月为基底,其他各时间虚拟变量系数代表该时段相对于2018年3月房源价格的增长率。比如“是否长假”系数为0.5511,其含义是五一和十一长假期间价格相对于2018年3月增长55.1%,所有时间虚拟变量系数都通过了显著性检验。从回归结果可以看到,当处于五一、十一或春节长假期间,短租房源价格普遍上涨,并且其上涨幅度要高于清明、端午等小长假,这与我们对假期出游情况的一般认知较为相符。这提示我们,在进行短租房源定价时,应充分考虑当前所处的时期,以适当的变动幅度对价格进行调整。
三、结论与建议
本文以共享短租开源数据为基础,以上海市为例,对短租房源的价格特征进行了详细深入的分析,一方面建立了可用于房源定价的特征价格模型,另一方面在空间和时间两个层面归纳了在不同区域、不同时间点上可能存在的价格特征差异。
综合前述的分析结果,在房源预定政策和时间动态变化方面,浦西和浦东两个区域的房源表现出相似的价格特征。浦西的短租房源价格随到浦西中心距离的增加而减速下跌,公交站点和地铁站点系数为正,表明公共交通系统正向影响浦西地区的房源单价。商业环境、旅游资源、医疗条件和公共场所系数均为正且显著,表明这些邻里特征对浦西地区的短租价格有提升作用;浦东地区的建筑特征对价格的影响与浦西地区类似,但是区位特征上差异明显,公共交通系统伴随而来的污染和拥堵给浦东房源价格造成一定负面影响。邻里特征中,除了旅游资源在两个地区都表现出对房源价格的正向影响外,商业环境、医疗条件和公共场所三个因素带来的负面效果在浦东地区占主导地位。相较于在浦西地区回归结果中的强烈显著且为正,浦东地区的回归结果表明浦东地区的居住氛围和租住群体显著区别于浦西地区,对浦西地区房源带来提升作用的因素并不一定在浦东地区产生同样的效果。
通过对上海市的共享短租房源特征价格模型的研究,可以明显看出,即使在同一个城市,当房源所处的区域不同时,建立的模型可能会存在明显差异。一方面,影响短租房源价格的因素会与影响该区域住宅价格的因素重叠,且影响方式也非常类似,房源的价格很大程度上取决于其住宅本质。另一方面,由于不同区域的短租房源面向的租住群体存在差异,造成了某些因素对各个区域房源价格的影响方式表现出显著差异,区域间的这些差异也必然会在不同城市之间存在。这些结论提示我们,当对共享短租房源进行定价时,首先应考虑房源所在的城市与其他城市的区别,建立针对特定城市的价格模型;其次,要在城市内对不同区域间的差异进行分析,包括在不同区域租住的人群特征等;最后,要考虑定价所处的时期特点,对于法定节假日等特殊时期,建立合理的价格浮动机制。由此,逐步建立起共享短租房源的合理、规范的定价机制,并在此基础上编制短租价格指数,为监管部门提供政策依据,保障短租行业的持续稳定发展。