در دهه گذشته، ظهور و رشد قابل توجه پلتفرم‌های اشتراک‌گذاری خانه، مانند Airbnb، با افزایش ناتوانی مسکن در بسیاری از شهرهای جهانی همزمان شده است. در این زمینه است که ما به دنبال ارزیابی تجربی تأثیر Airbnb بر قیمت مسکن در سیدنی هستیم – یکی از کم‌هزینه‌ترین شهرهای جهان. با استفاده از یک مدل ارزیابی اموال لذت‌گرا، نتایج ما نشان می‌دهد که اثر کلی Airbnb مثبت است. افزایش 1 درصدی در تراکم Airbnb با افزایش تقریباً 2 درصدی قیمت فروش ملک همراه است. با این حال، با توجه به اینکه تأثیر Airbnb از نظر جغرافیایی ناهموار است و با توجه به ماهیت پراکنده بازار مسکن سیدنی، از GWR نیز استفاده می‌کنیم تا تغییرات فضایی در فعالیت Airbnb را در نظر بگیریم. یافته‌ها تأیید می‌کنند که تأثیر Airbnb بر قیمت مسکن در سراسر شهر متفاوت است. سواحل شمالی سیدنی و بخش‌هایی از غرب سیدنی افزایش ارزش آماری قابل‌توجهی را تجربه می‌کنند که به فعالیت Airbnb نسبت داده می‌شود. با این حال، مکان‌های گردشگری سنتی که در اطراف CBD سیدنی و حومه‌های شرقی متمرکز شده‌اند، تأثیرات ناچیز یا منفی بر قیمت ملک را تجربه می‌کنند. نتایج نشان می‌دهد که هنگام تصمیم‌گیری برای سطح مناسب و طراحی مقررات Airbnb، سیاست‌گذاران نیاز به در نظر گرفتن زمینه‌های Airbnb محلی و بازار مسکن را نشان می‌دهند.

کلید واژه ها:

قیمت مسکن ؛ مقرون به صرفه بودن مسکن ؛ Airbnb _ اقتصاد اشتراکی ; مدل سازی فضایی ; سیدنی

1. مقدمه

افزایش اقتصاد اشتراک‌گذاری ناشی از اختلال دیجیتال تأثیر عمیقی بر نحوه عملکرد شهرهای ما دارد. از جمله بزرگترین این شرکت‌های اقتصاد اشتراک‌گذاری، Airbnb است، یک پلتفرم اشتراک‌گذاری خانه که در سال 2008 تأسیس شد و به عنوان نمونه‌ای از اقتصاد اشتراک‌گذاری عمل می‌کند [ 1 ]. توانمندسازی اقتصاد اشتراک گذاری از طریق اینترنت، همراه با افزایش تقاضا در سطح جهان برای گردشگری شهری (افزایش 45 درصدی در 132 شهر پرطرفدار از سال 2009 تا 2015)، شرایط بازار ایده آلی را برای Airbnb فراهم کرده است تا بتواند تمایل رو به رشد مردم را برآورده کند. ارزان و معتبر سفر کنید [ 2 ]. در حالی که مطالعات قبلی Airbnb تأثیر متقابل آن را با اقامتگاه‌های سنتی هتل بررسی کردند [ 2]، مطالعات اخیر توجه خود را به تأثیر آن بر بازار مسکن معطوف کرده است.
در حالی که در ابتدا به عنوان راهی برای افزایش مسکن در دسترس و مقرون به صرفه شناخته می شد، شواهد از چندین شهر جهانی نشان می دهد که گزینه های مسکن غیررسمی ارائه شده از طریق Airbnb در عوض چندین مشکل مسکن شهری را تشدید کرده است. در لندن، پیدایش اجاره‌های کوتاه‌مدت، گزینه‌ای جذاب برای سرمایه‌گذاران خارج از کشور و شرکت‌های خصوصی برای سرمایه‌گذاری بر هزینه‌های گزاف مسکن لندن و تقاضای توریستی فراوان، ایجاد کرده است که فشار بیشتری را به بازار مسکن لندن وارد می‌کند [ 3 ]. به طور مشابه، در نیویورک، شواهدی وجود دارد که نشان می‌دهد Airbnb روند اعیانی‌سازی را تسریع کرده است و به نظر می‌رسد در حال ایجاد شکل جدیدی از شکاف اجاره است [ 4 ]. سرانجام، در سیدنی، ر. [ 5] دریافت که پلتفرم‌های اجاره کوتاه‌مدت (STR) مانند Airbnb معمولاً به بخش مرفه‌تر بازار اجاره اجاره داده می‌شوند و جایگزین‌های مقرون به صرفه محدودی برای سهام اجاره رسمی ارائه می‌کنند. از این رو، انتقادات فزاینده ای در مورد پیامدهای حضور Airbnb در بازار مسکن وجود دارد، با توجه به اینکه مقرون به صرفه بودن مسکن در بسیاری از مناطق شهری که گردشگری در آن رونق می گیرد، نگرانی حیاتی است [ 6 ].
علاوه بر این، توقف موقت سفرهای جهانی در طول همه‌گیری کووید-19، تأثیر مخرب Airbnb بر بازار مسکن را برجسته کرده است. در سیدنی، ر. [ 7 ] نشان داد که یک رابطه واضح بین کاهش فعالیت Airbnb و کاهش قیمت اجاره وجود دارد، با کاهش قیمت اجاره تا 7.1٪ در فعال ترین محله ها. به همین ترتیب، ر. [ 8] افزایش 1.8 درصدی نرخ خانه های خالی و کاهش 6 درصدی متوسط ​​اجاره بها در شهر هوبارت را به کاهش سهام Airbnb در طول اولین قرنطینه کووید نسبت داد. این مطالعات با نشان دادن بهبودهای مقرون به صرفه ناشی از کاهش فعالیت Airbnb، بار دیگر اثر تورمی Airbnb را مورد بررسی قرار داده است. علاوه بر این، درجه بالایی از تنوع در پاسخ‌های بازار مسکن به همه‌گیری در داخل شهرها [ 7 ] این سوال را مطرح می‌کند که چگونه تأثیر Airbnb در بازارهای فرعی مختلف مسکن متفاوت است.
بنابراین، هدف این مطالعه کمک به بحث بازار مسکن Airbnb با ارائه شواهد تجربی در مورد تأثیر کلی و متغیر Airbnb بر قیمت ملک است. اولا، این مطالعه به مطالعات محدود فناوری مخرب در بازارهای مسکن، به ویژه سیدنی بزرگ کمک می کند. مطالعات قبلی مستقر در سیدنی چگونگی تأثیر Airbnb بر اجاره‌های بلندمدت و قیمت‌های اجاره را بررسی کرده‌اند [ 7 ، 9 ]]. این مقاله به دنبال گسترش گفتمان این مطالعات با بررسی چگونگی تأثیر فعالیت‌های Airbnb بر قیمت مسکن است. با استفاده از داده‌های دقیق فروش ملک و داده‌های منحصر به فرد AirDNA Airbnb، تأثیر Airbnb بر قیمت مسکن برای اولین بار در سطح دارایی فردی سنجیده می‌شود. برخلاف مطالعات قبلی که تأثیر Airbnb را بر قیمت ملک در سطح کل بررسی می‌کردند، ما تأثیر Airbnb را در زمینه ارزیابی املاک مسکونی ارزیابی می‌کنیم. یک مطالعه در سطح خرد برای سیاست گذاران، مالکان خانه ها و توسعه دهندگان دارایی مورد توجه است و به بحث های جاری در مورد اینکه آیا Airbnb باید بیشتر تنظیم شود یا خیر کمک می کند.
ثانیا، مطالعه ما برای اولین بار اثر Airbnb را در زیر بازارهای مختلف ارزیابی می کند. با توجه به ناهمواری های جغرافیایی فعالیت Airbnb در سیدنی [ 10 ]، و همچنین تکه تکه شدن فضایی بازار مسکن سیدنی [ 11 ]]، یک مدل تغییر ناپذیر فضایی، تفاوت های ظریف فضایی نفوذ Airbnb بر بازار مسکن را نادیده می گیرد. با استفاده از داده‌های تفکیک‌شده (یعنی دارایی‌های فردی) به‌جای شاخص‌های مسکن انبوه، ما از یک رگرسیون وزن‌دار جغرافیایی (GWR) استفاده می‌کنیم تا تغییرات فضایی تأثیر Airbnb را به‌طور مؤثرتری ثبت کنیم. این درک کامل‌تری از ترجیح ساکنان برای این فناوری جدید مخرب در بازارهای فرعی مختلف ارائه می‌کند و اهمیت در نظر گرفتن پویایی بازار فرعی در تحلیل‌های سیاستی را روشن می‌کند. به طور مهمی، این یافته ها نیاز سیاست گذاران به در نظر گرفتن محرک های توریستی و بازار مسکن محلی را هنگام طراحی مقررات Airbnb برجسته می کند. یافته‌های ما همچنین به بحث جاری در مورد اهمیت تحلیل‌های بازار فرعی برای مسکن و فعالیت Airbnb کمک می‌کند.

چرا سیدنی به عنوان یک مطالعه موردی

سیدنی یک مطالعه موردی از حضور بسیار فعال Airbnb در یک بازار مسکن به شدت متورم، با بازارهای فرعی مسکن متمایز که پتانسیل یک اثر Airbnb متغیر را فراهم می کند، ارائه می دهد. سیدنی یک شهر جهانی و یک مقصد توریستی محبوب است که با 12.7 میلیون بازدید کننده داخلی و 4.1 میلیون بازدید کننده بین المللی در سال 2019، منطق روشنی برای فعالیت های Airbnb ارائه می دهد. نقشه گرمایی تراکم Airbnb در کدپستی سیدنی، نشان داده شده در شکل 1 ، نقاط مهم Airbnb را نشان می دهد. در اطراف شهر CBD، و سواحل شرقی (بوندی) و شمالی (مانلی) جمع شده است.
از زمان معرفی آن در سال 2009، فعالیت Airbnb در منطقه بزرگ سیدنی با سرعتی تصاعدی رشد کرده و به بیش از 23000 فهرست فعال در آغاز سال 2021 رسیده است و آن را به چهارمین بازار بزرگ Airbnb در سراسر جهان تبدیل کرده است [ 12 ]. به طور همزمان، قیمت اجاره و فروش در سیدنی از میانگین درآمد برای بیش از دو دهه پیشی گرفته است، که منجر به افزایش بیش از دو برابری قیمت مسکن در شرایط واقعی شده است [ 13 ]. مقرون به صرفه بودن مسکن در سیدنی سومین بدترین شهرها در سطح جهان است، با میانگین چند برابری (متوسط ​​قیمت خانه / متوسط ​​درآمد سالانه) بیش از 11 [ 14 ]. همزمانی Airbnb و رشد قیمت مسکن این سوال را مطرح می کند که آیا و تا چه اندازه Airbnb در بحران استطاعت مسکن سیدنی نقش داشته است.
با این حال، سیاست گذاران به طور کلی توجه کمی به پیامدهای احتمالی ظهور Airbnb در بازار مسکن سیدنی نشان داده اند. پاسخ‌های سیاستی به Airbnb در سیدنی در ابتدا کند بود و در سطح دولت محلی ناکافی بود [ 9 ]، اما در سال‌های اخیر تلاش‌هایی برای محدود کردن تأثیر آن بر ساکنان محلی و بازار مسکن صورت گرفته است. در ژوئن 2018، دولت نیوساوت ولز قانون اصلاح تجارت منصفانه (محل اجاره کوتاه مدت) را به تصویب رساند که تعداد روزهای اجاره کل خانه را در جایی که میزبان حضور ندارد را به 180 روز در سال در منطقه بزرگ محدود کرد. منطقه سیدنی این امر به دنبال رهبری سایر شهرهای جهانی مانند لندن بود که در سال 2015 یک سقف Airbnb 90 روزه در سال اعمال کردند [ 3 ]]، و پاریس، که Airbnb را به چهار ماه در سال محدود می کند [ 15 ]. در حالی که این محدودیت‌های متوسط ​​تأثیر مخرب Airbnb را بر بازار مسکن سیدنی تأیید می‌کنند، با این وجود کمترین محدودیت‌های Airbnb را در سراسر جهان اعمال می‌کنند [ 15 ]. در حالی که عدم تمایل سیاسی ممکن است به کندی و ملایمت پاسخ سیاست سیدنی در قبال Airbnb کمک کند، فقدان شواهد تجربی با کیفیت در مورد تأثیر بازار مسکن Airbnb، فشار بر دولت و سازمان های برنامه ریزی برای مداخله را کاهش می دهد [ 15 ]. در واقع، ر. [ 9 ] بر اهمیت تحقیقات هدفمند برای شهرهای منفرد برای تطبیق استراتژی‌های مقررات Airbnb تأکید می‌کند، با توجه به اینکه تأثیر آن می‌تواند به طور قابل توجهی بین شهرها متفاوت باشد.
چندین محقق ارتباط بین فعالیت Airbnb و اثرات آن بر بازار مسکن را بررسی کرده اند. مرجع. [ 9 ] حق بیمه اشتراک خانه را در سیدنی نشان داد، که نشان می دهد متوسط ​​اجاره ماهانه برای لیست های Airbnb اغلب در دسترس از اجاره های بلندمدت 600 دلار بیشتر است. علاوه بر این، ر. [ 16 ] نشان داد که افزایش فهرست‌ها در محله‌های متراکم Airbnb سیدنی با کاهش تعداد اسناد اجاره همزمان شد. اخیراً، ر. [ 7] بررسی کرد که چگونه کاهش در فهرست‌های Airbnb در محله‌های پر فعالیت Airbnb در طول همه‌گیری COVID-19 با افزایش عرضه اجاره و کاهش قیمت‌ها همزمان شد. این مطالعات در مجموع ارتباط واضحی بین افزایش فعالیت Airbnb و کاهش عرضه واحدها در بازار بلندمدت نشان می‌دهد. با این حال، هیچ یک از این مطالعات تاثیر Airbnb بر بازار املاک سیدنی را از منظر ارزیابی املاک مسکونی بررسی نکرده است. روش‌شناسی در مطالعات قبلی Airbnb مبتنی بر سیدنی، با استفاده از تجزیه و تحلیل داده‌ها و مقایسه الگوهای فضایی، ابتدایی بوده است. این مطالعه به دنبال گسترش گفتمان در مورد تأثیر Airbnb در سیدنی با مطالعه تأثیر Airbnb بر قیمت مسکن برای اولین بار از طریق تحلیل لذت‌گرایانه قوی است.
علاوه بر این، در تحقیقات Airbnb در سیدنی اشاره شده است که گسترش Airbnb از نظر جغرافیایی نابرابر است [ 10 ]. وجود بازارهای فرعی مسکن در سیدنی نیز به خوبی مستند شده است، با یک شکاف متمایز بین بازار فرعی گران‌قیمت در نواحی ساحلی و درون شهری و بازار فرعی پایین در حومه‌های میانی و بیرونی [ 17 ]. در واقع، ر. [ 11 ] استدلال می کند که بازار مسکن سیدنی به دلیل ناپیوستگی فضایی بازارهای فرعی مسکن به شیوه ای پراکنده از نظر فضایی عمل می کند. نکته مهم، ارجاعات [ 17 و 18 ] نشان داده اند که بازارهای فرعی مسکن با قیمت بالا و پایین از یک مکانیسم قیمت گذاری پیروی نمی کنند. مراجع. [ 19 ، 20] همچنین متوجه شد که خریداران خانه های گران قیمت و ارزان ترجیحات متفاوتی دارند. بنابراین، منطقی است انتظار داشت که در میان بازارهای فرعی مختلف مسکن موجود در سیدنی، قیمت مسکن واکنش‌های متفاوتی به ورود Airbnb نشان دهد. با این حال، با وجود اذعان به ناهمواری جغرافیایی فعالیت Airbnb در سیدنی و تکه تکه شدن بازار مسکن سیدنی، تلاشی برای توضیح این تفاوت‌های فضایی از طریق تکنیک‌های مدل‌سازی صورت نگرفته است. بنابراین، این مطالعه از یک بعد فضایی با استفاده از یک GWR برای توضیح تغییرات فضایی تأثیر Airbnb در سراسر سیدنی استفاده می‌کند.

2. بررسی ادبیات

2.1. مطالعات بازار مسکن Airbnb

علی‌رغم شواهد حکایتی قوی و بحث‌های نظری درباره تأثیر Airbnb در بحث‌های سیاست محلی، تحقیقات تجربی محدودی در مورد تأثیر آن بر بازار مسکن وجود دارد. در حالی که چندین مطالعه اولیه از بینش داده‌ها برای کشف پیوندهای بین Airbnb و بازار مسکن استفاده می‌کنند [ 9 ، 10 ]، اخیراً، تجزیه و تحلیل مسکن Airbnb به سمت مطالعات تجربی برای بررسی تأثیر بر ارزش املاک مسکونی که از طریق معاملات فروش مشهود است، تغییر کرده است. پیوست A خلاصه‌ای از مطالعات تجربی را ارائه می‌کند که تأثیر Airbnb بر بازار مسکن را که این مقاله شناسایی کرده است، تجزیه و تحلیل می‌کند.
مرجع. [ 21 ] یکی از اولین تحلیل‌های رگرسیون لذت‌گرا را با استفاده از یک رگرسیون خطی ساده با تراکم Airbnb به عنوان متغیر توضیحی برای مدل‌سازی قیمت‌های اجاره انجام داد. رویکرد لذت‌گرایانه ساده فرض می‌کند که اندازه‌گیری تراکم Airbnb برون‌زا است – یعنی هیچ علیت معکوس وجود ندارد و تراکم Airbnb با عبارت خطا همبستگی ندارد. با این حال، از آنجایی که معادله لذت‌بخش یک مدل کاهش‌یافته است، انجام این فرض عاقلانه نیست. مرجع. [ 22 ] این نگرانی را با جایگزین کردن اندازه‌گیری تراکم Airbnb با یک متغیر ابزاری (IV) که می‌توان آن را برون‌زا فرض کرد، برطرف کرد. مرجع. [ 22 ] اولین مطالعه ای بود که به تأثیر Airbnb بر قیمت ملک پرداخت. مراجع. [ 23 ، 24] روش‌های مشابهی را به ترتیب برای بارسلونا و لیسبون/پورتو اعمال کرد، با این حال، هر دو روش‌های جدیدی را برای اندازه‌گیری مولفه «سهم» IV پیشنهاد کردند.
این سه مطالعه به طور جامع ارتباط بین Airbnb و قیمت ملک را بررسی می‌کنند، به‌طور متوالی متغیرهای کنترلی را اضافه می‌کنند و همچنین طیف وسیعی از بررسی‌های استحکام را به کار می‌گیرند. اعتبار IV به طور طولانی مورد بحث قرار گرفته است و نگرانی های بی ثباتی متغیر توضیحی در مدل لذت جوی ساده مورد بررسی قرار گرفته است. با این حال، در هر سه مطالعه، مدل‌ها در مقیاس مجموع برای پیش‌بینی شاخص قیمت هر شهرداری، به‌جای استفاده از دریچه ارزش‌گذاری دارایی در سطح دارایی فردی به کار می‌روند. در نتیجه، بسیاری از متغیرهای سنتی ارزش گذاری دارایی که برای توصیف ویژگی های ملک و محله استفاده می شوند، مانند نزدیکی به امکانات رفاهی، تحرک، و ویژگی های دارایی فردی نادیده گرفته می شوند. در واقع،25 ]. بنابراین، این مطالعه با استفاده از یک رویکرد لذت‌گرایانه در سطح دارایی فردی برای تعیین کمیت تأثیر Airbnb بر قیمت مسکن از منظر ارزیابی دارایی، به یافته‌های تجربی جدید کمک می‌کند.
علاوه بر این، علیرغم بحث در مورد پراکندگی جغرافیایی «اثر Airbnb» [ 24 ، 26 ]، هیچ تلاشی در روش‌های مورد استفاده برای توضیح تفاوت‌های فضایی تأثیر Airbnb وجود ندارد، با هر سه مطالعه که از رویکردهای فضایی تغییرناپذیر استفاده می‌کنند. رویکرد رگرسیون خطی به کار گرفته شده، تغییرات در فضا را جهانی فرض می‌کند. با این حال، زمانی که در داده‌ها ناپایداری فضایی وجود داشته باشد، تغییرات مکانی در مناطق مختلف به دلیل برآورد ضرایب جهانی برای هر متغیر از بین می‌رود [ 27 ].]. رگرسیون وزن‌دار جغرافیایی (GWR) روشی را برای گنجاندن ناهمگنی فضایی در مدل‌سازی، با برازش رگرسیون خطی برای هر نقطه به صورت محلی ارائه می‌کند تا تغییرات مکانی در تخمین‌های پارامترهای محلی اجازه دهد [ 28 ، 29 ]. GWR در تحقیقات مسکن برای تجزیه و تحلیل بخش‌بندی بازار [ 30 ] و مدل‌سازی تغییرپذیری فضایی در اجاره [ 31 ] استفاده شده است. همچنین برای Airbnb برای مدل‌سازی عوامل تعیین‌کننده قیمت Airbnb [ 32 ] و بررسی رابطه فضایی آن با عناصر اصلی گردشگری شهری مانند هتل‌ها، رستوران‌ها و حمل‌ونقل استفاده شده است [ 29 ]]. با این حال، استفاده از GWR برای بررسی تاثیر Airbnb بر قیمت ملک در ادبیات وجود ندارد. بنابراین، این مطالعه به دنبال توضیح ناهمگونی فضایی اثر Airbnb است که با اجرای یک مدل صریح فضایی برای اولین بار شناسایی شده است تا بفهمد چگونه تأثیر Airbnb در سراسر سیدنی متفاوت است.

2.2. چارچوب مفهومی

این مقاله به دنبال ارائه یک چارچوب نظری جدید نیست، بلکه به دنبال ارائه یافته‌های تجربی خود در ابعاد مفهومی توسعه‌یافته توسط مطالعات دیگر درباره نحوه تعامل Airbnb با بازار ملک در بافت وسیع‌تر شهر است. علاوه بر این، پذیرفته شده است که متغیرهای زیادی وجود دارند که تأثیر عمیقی بر قیمت مسکن و همچنین پیچیدگی‌های مکان خاص ناشی از محیط‌های مختلف اقتصاد کلان و نظارتی دارند [ 33 ]. با این حال، مطالعه تأثیرات خاص Airbnb، که اختلال در بازار مسکن منحصر به فرد است و تنها در دهه گذشته پدیدار شده است، ارزشمند است. اینکه چگونه Airbnb ممکن است بر بازار مسکن تأثیر بگذارد از طریق مکانیسم‌های عرضه و تقاضا مورد بحث قرار گرفته است.
اولاً، محققان استدلال کرده‌اند که ظرفیت تولید درآمد اضافی که از طریق Airbnb فعال می‌شود، تقاضای اضافی برای واحدها در بازار بلندمدت در مناطقی با Airbnb بالا ایجاد می‌کند [ 21 ، 24 ]. از سوی دیگر، عوامل خارجی منفی مانند سر و صدا، ازدحام، نگرانی های ایمنی و دسترسی به امکانات محلی ممکن است تقاضا برای مناطق Airbnb با فعالیت بالا را کاهش دهد [ 34 ].
در سمت عرضه، استدلال می شود که Airbnb تقسیم بندی بین بازارهای اجاره بلند مدت و کوتاه مدت را محو می کند [ 22 ]. شواهد نشان می‌دهد که Airbnb نرخ‌های روزانه بسیار بیشتر از نرخ‌های اجاره بلندمدت مسکن دارد که به معنای «حق بیمه اشتراک در خانه» است. میانگین نرخ روزانه فهرست‌های Airbnb در مقایسه با واحدهای اجاره‌ای بلندمدت از 2.5 برابر در بوستون تا 6.5 برابر در بارسلونا متغیر است، که مقادیر آن بستگی به مقرون به صرفه بودن پایه سهام اجاره یک شهر دارد [ 21 ، 23 ] . این ممکن است مورد انتظار باشد، با توجه به ماهیت کوتاه مدت اجاره ها ممکن است به معنای دوره های طولانی تری باشد که در طی آن املاک خالی هستند [ 23 ]]. وجود این حق بیمه به مالکانی که به طور سنتی برای تامین بازار بلندمدت تقسیم بندی شده اند، فرصتی برای افزایش پتانسیل درآمدزایی با ورود به بازار کوتاه مدت فراهم می کند. از نظر تئوری، اگر مالکان بتوانند با تبدیل واحدهای بلندمدت به اجاره‌های کوتاه‌مدت درآمد و در نتیجه مطلوبیت بیشتری کسب کنند. سپس، به عنوان یک عامل به حداکثر رساندن مطلوبیت، این کار را انجام خواهند داد [ 35 ]. بنابراین انتظار می‌رود مقداری از واحدهای موجود در بازار بلندمدت که توسط مالکان سنتی عرضه می‌شود، به دلیل اجاره‌های کوتاه‌مدت از بین برود. این توسط شواهدی در نیویورک و تورنتو مبنی بر جابجایی مستاجران توسط مالکان، چه به طور مستقیم یا از طریق اقدامات انحصاری برای معرفی املاک نگهداری شده به بازار کوتاه مدت، تأیید شده است [ 4 ، 36 ]]. علاوه بر این، انتظار نمی رود که تامین کنندگان سنتی بازار کوتاه مدت (هتل ها و تختخواب و صبحانه) به دلیل هزینه های نظارتی و توسعه وارد بازار بلند مدت شوند [ 22 ]. از این رو، پیش بینی می شود عرضه کل واحدها در بازار بلندمدت کاهش یابد. از نظر تجربی، ر. [ 21 ] در بوستون دریافتند که به طور متوسط ​​4.5 واحد اجاره بلندمدت در هر تراکت سرشماری هفتگی به Airbnb گم می شود، در حالی که ر. [ 37 ] دریافتند که پلتفرم های اشتراک خانه هر روز 11 واحد را از بازار اجاره محلی در محله لس آنجلس حذف می کنند.
مدل چهار ربعی DiPasquale-Wheaton [ 38 ]، محبوب ترین مدل اقتصاد کلان بازار مسکن، می تواند برای بحث در مورد تأثیر کاهش عرضه اجاره بها بر قیمت مسکن مورد استفاده قرار گیرد. مرجع. [ 38 ] ادعا می کند که قیمت اجاره یک متغیر اساسی برای توضیح قیمت دارایی/قیمت مسکن است. نکته مهم، تغییر در عرضه اجاره با قیمت اجاره رابطه معکوس دارد. به این ترتیب، مفهوم فعالیت Airbnb که عرضه مسکن بلندمدت را کاهش می‌دهد منجر به سطح بالاتری از اجاره مسکن شده است، همانطور که توسط [ 21 ] مشخص شده است. اگر تأثیر شدیدی بر اجاره‌بها وجود داشته باشد، منطقی است انتظار داشت که این تأثیر بر قیمت مسکن داشته باشد، زیرا اجاره بها متغیر اساسی کلیدی برای توضیح قیمت مسکن است [ 17 ].
بنابراین، این مقاله چندین فرضیه را بر اساس چارچوب مفهومی مورد بحث ارائه می‌کند:
  • انتظار می‌رود که فعالیت‌های Airbnb به سطح کلی بالاتر قیمت مسکن منجر شود.
  • انتظار می‌رود که تأثیر بر قیمت مسکن در مناطق پر فعالیت Airbnb که انتظار می‌رود اجاره‌های بلندمدت بیشتری در اختیار Airbnb قرار گیرد، بیشتر باشد.
  • البته باید توجه داشت که اثرات خارجی منفی مرتبط با Airbnb نیز در مناطق توریستی افزایش خواهد یافت. از این رو، فشارهای رقابتی ناشی از کاهش عرضه و تقاضای خارجی ممکن است تأثیرات بازار مسکن را در بازارهای فرعی مختلف مسکن نشان دهد.

3. مواد و روشها

3.1. داده ها

داده‌های Airbnb از AirDNA به‌دست‌آمده‌اند که حاوی اطلاعاتی درباره قیمت، مکان، میزبان و تاریخچه رزرو همه فهرست‌ها در استرالیا از سال 2009 است. املاک فهرست‌شده به‌عنوان Airbnb به صورت ماهانه بین سال‌های 2018 و 2020 با استفاده از «تاریخ ایجاد» و «تاریخ آخر» فیلتر می‌شوند. زمین های خراشیده شده فهرست‌های فعال با فیلتر کردن فهرست‌هایی که در سال گذشته هیچ درآمدی نداشتند، انتخاب شدند. هر فهرست با تعیین موقعیت جغرافیایی هر نقطه در محدوده کدپستی که از طریق به‌روزرسانی سال 2016 اداره آمار استرالیا از مرزهای منطقه آماری استرالیا به دست آمده بود، در سطح کدپستی تجمیع شد. برای منابع ورودی داده برای مدل سازی لذت و GWR به جدول 1 مراجعه کنید .
داده های فروش ملک توسط شرکت Australian Property Monitors (APM) ارائه شده است که از داده های فروش مسکونی بصورت ماهانه تشکیل شده است. از موقعیت جغرافیایی هر ملک، نزدیکی ملک به امکانات رفاهی و نقاط دیدنی محله بر اساس تحلیل فاصله اقلیدسی محاسبه شد. مکان این نقاط دیدنی از طریق داده های نقشه خیابان باز به دست آمد.
در نهایت، برای مشخصات IV، داده‌های ماهانه Google Trends از وب‌سایت عمومی Google Trends با استفاده از جستجوی دقیق کلمه «Airbnb» حذف شد.
متغیرهای مدل انتخاب شده با تحلیل همبستگی و آزمون تورم واریانس مورد ارزیابی قرار گرفتند. نتایج نشان می دهد که هیچ شواهدی از هم خطی بودن بین این متغیرها وجود ندارد (به پیوست B مراجعه کنید ).

3.2. مشخصات OLS پایه

مدل رگرسیونی حداقل مربعات معمولی (OLS) برای ارزیابی اثر کلی Airbnb بر قیمت مسکن در سیدنی ساخته شد. این مدل در سطح دارایی با به روز رسانی داده های ماهانه در طول سال تقویم 2019 انجام شد. تجمع برای متغیر توضیحی، تراکم Airbnb، در سطح کدپستی بود. کوچکترین سطح تجمع فضایی ممکن برای داده ها.

مدل به صورت زیر بود:

جایی که گزارش طبیعی قیمت فروش ملک i است، در کدپستی c (منطقه کدپستی) در دوره t (که دوره ها به ماه داده می شود). ، که نشان دهنده تراکم فهرست‌های Airbnb فعال در یک کد پستی است، برای یک کد پستی c در دوره زمانی t با تقسیم تعداد کل فهرست‌های Airbnb فعال در آن کد پستی بر مساحت در کیلومتر مربع کدپستی محاسبه می‌شود. متغیر چگالی Airbnb دم سنگین است. بنابراین، تبدیل لاگ این متغیر برای القای نرمال بودن در نظر گرفته شد.

جدا از فهرست‌های Airbnb، پانزده متغیر ارزیابی دارایی انتخاب شدند تا ویژگی‌های دارایی فردی، امکانات محله، و موقعیت ملک را با توجه به مکان‌های دیدنی اصلی (مانند ساحل، CBD) نشان دهند. لیست کامل متغیرها را می توان در جدول 2 مشاهده کرد. مدل‌های قیمت‌گذاری املاک لذت‌گرایانه قابل مقایسه در سیدنی طیف مشابهی از متغیرهای دارایی، امکانات رفاهی و مکان را اعمال کرده‌اند [ 39 ، 40 ]. و تعداد اتاق خواب و حمام را نشان می دهد، پرچمی برای پارکینگ است و نشان دهنده یک بردار از امکانات ثابت زمان در نزدیکی ملک است. نکته قابل توجه، فاصله تا خط ساحلی و مرکز شهر، که هر دو به عنوان کانون‌های سنتی برای فعالیت Airbnb در سیدنی شناسایی شده‌اند، برای کنترل تمایل فضایی Airbnb به سمت مناطق با قیمت بالا گنجانده شده‌اند. این ممکن است نگرانی هایی را در مورد هم خطی ایجاد کند. با این حال، آزمون تورم واریانس ( پیوست B ) هیچ نشانه ای از هم خطی بودن بین متغیرهای مدل را نشان نمی دهد. سرانجام، شامل شوک های سطح کدپستی به قیمت مسکن است، نشان‌دهنده شوک‌های متغیر با زمان به قیمت مسکن است، و شامل هر سطح کدپستی مشاهده نشده یا عوامل متغیر با زمان موثر بر قیمت خانه است.

3.3. مشخصات متغیر ابزاری

همانطور که قبلا ذکر شد، یک نگرانی با رگرسیون OLS پایه، همبستگی بالقوه سطح کد پستی مشاهده نشده یا عوامل متغیر با زمان موجود در عبارت خطا است. با متغیر توضیحی . برای مبارزه با این، یک متغیر ابزاری (IV) برای جایگزینی متغیر توضیحی، به دنبال روش حداقل مربعات دو مرحله‌ای (TSLS) معرفی شد که توسط ref. [ 22]. این IV یک متغیر ‘shift-share’ را معرفی می کند که به موجب آن مولفه ‘share’ محل وقوع فعالیت Airbnb را پیش بینی می کند و مولفه ‘shift’ زمان وقوع فعالیت Airbnb را پیش بینی می کند. مؤلفه سهم مشخصات IV یک معیار تغییرناپذیر با زمان «گردشگری بودن» برای هر کد پستی بود، در حالی که جزء شیفت معیاری برای «آگاهی Airbnb» برای هر ماه بود. این مشخصات فرض می‌کند که هر کدپستی سطح پایه‌ای از «گردشگری» دارد که ثابت می‌ماند، و فعالیت Airbnb در هر کدپستی تنها با نوسانات در آگاهی عمومی اجتماعی از Airbnb به عنوان گزینه‌ای برای مسافران و صاحبخانه‌ها تغییر می‌کند.

رویکرد رفر. [ 24 ] برای ساخت مولفه سهم IV، با پیش‌بینی «گردشگری بودن» یک منطقه از طریق تراکم Airbnb در یک نقطه زمانی ثابت، بلافاصله قبل از دوره مطالعه دنبال شد. . اندازه گیری متغیر با زمان آگاهی ماهانه Airbnb از طریق Google Trends از کلمه “Airbnb” در سطح کل (NSW) گرفته شد که نشان دهنده مناسب بودن استفاده از Airbnb برای گردشگران و صاحبخانه ها است. . اندازه گیری تراکم Airbnb جدید با ضرب مؤلفه های ‘shift’ و ‘share’ IV به شرح زیر ایجاد شد:

روش IV با استفاده از رگرسیون دو مرحله ای حداقل مربعات (TSLS) انجام شد، همانطور که در بارون و همکاران بیان شده است. (2020). پس از آن، IV را می توان اگزوژن فرض کرد. برای بحث بیشتر در مورد انگیزه و اجرای این روش IV، به رجوع کنید. [ 22 ].

3.4. GWR

مدل GWR برای ارزیابی تغییرات فضایی تأثیر بازار مسکن Airbnb مورد استفاده قرار گرفت. مدل با استفاده از معادله (1) با همان فروش دارایی و داده های Airbnb به عنوان ورودی ساخته شد. متغیر کنترل کد پستی حذف شد، زیرا تغییرات مکانی در قیمت مسکن از طریق روش صریح فضایی GWR محاسبه می‌شود.
مشخصات اصلی در انجام یک GWR، انتخاب پهنای باند و هسته بهینه است [ 29 ]. پهنای باند شعاع اطراف هر نقطه را تعیین می کند که مشاهدات در رگرسیون محلی آن نقطه در نظر گرفته می شوند. انتخاب پهنای باند بهینه با انتخاب هسته مشخص می شود. برای تفسیر بصری انتخاب هسته، به پیوست C مراجعه کنید .
هسته مکانی ثابت از یک پارامتر فاصله ثابت استفاده می کند و بنابراین توزیع یکنواخت داده های مکانی را فرض می کند. با این حال، زمانی که چگالی مکانی متغیر در داده ها وجود دارد، یک هسته ثابت منجر به مناطقی با داده های پراکنده می شود که نقاط رگرسیون کافی ندارند [ 28 ]. در این مورد، یک هسته تطبیقی ​​با استفاده از k نزدیکترین همسایه ها بهتر است، زیرا هسته با توجه به چگالی داده ها برای هر مشاهده تنظیم می شود. در مورد سیدنی، جایی که پراکندگی شهری منجر به تنوع بالای تراکم جمعیت شده است [ 41 ]، یک هسته تطبیقی ​​مناسب‌تر تلقی می‌شود.
تابع وزنی هسته ها نیز باید در نظر گرفته شود [ 28 ]. تابع وزن دهی گاوسی به تدریج وزن تخصیص داده شده به تمام نقاط به سمت بیرون از مرکز هسته را کاهش می دهد، بدون اینکه وزنی هرگز برابر با صفر نباشد. از طرف دیگر، تابع دوضرب وزن تمام نقاط خارج از پهنای باند بهینه را صفر می کند. هسته گاوسی در نهایت انتخاب شد، زیرا برازش خوب مدل را بهینه کرد. در نهایت، پس از مشخص کردن این عناصر از هسته، پهنای باند بهینه با به حداقل رساندن معیار اطلاعات Akaike اصلاح شده (AICc) محاسبه شد.

4. نتایج و بحث

4.1. نتایج مدل‌سازی لذت‌گرا

جدول 2 نتایج پیش بینی های مدل OLS و IV ضریب چگالی Airbnb را گزارش می کند. با توجه به معادله (1) به دنبال تبدیل log-to-log متغیر وابسته و توضیحی، ضریب مدل پایه OLS 0.0844 (ستون (2)) حاکی از افزایش 1٪ در تراکم Airbnb با افزایش 8.44٪ در فروش است. قیمت ارجاع داده شده [ 16 ] اشاره کرد که فعالیت‌های Airbnb منجر به کاهش عرضه اجاره بلندمدت می‌شود، منطقی است که انتظار حرکت صعودی قیمت اجاره و مسکن را داشته باشیم. این همچنین با ادعای مدل چهار ربعی DiPasquale-Wheaton [ 38 ] سازگار است که در آن انتظار می‌رود کاهش عرضه مسکن اجاره‌ای منجر به سطح بالاتر اجاره و قیمت، ceteris paribus شود.

معرفی کنترل‌هایی برای شوک‌های متغیر با زمان و سطح همسایگی از طریق متغیرهای ماه و کد پستی، به طور قابل‌توجهی مقدار تخمینی ضریب چگالی Airbnb را کاهش می‌دهد (ستون (3)). با توجه به اینکه هرگونه شوک مکانی یا زمانی قابل مشاهده به قیمت مسکن که ممکن است قبلاً به متغیر Airbnb نسبت داده می شد اکنون کنترل می شود، قابل انتظار است. مدل OLS با کنترل‌های ثابت ماهانه و سطح کدپستی، افزایش 3.01 درصدی قیمت‌های فروش ملک را با افزایش 1 درصدی در تراکم Airbnb مرتبط می‌کند.

با اجرای رگرسیون TSLS با مشخصات IV، یک ضریب مثبت و معنی‌دار آماری برای چگالی Airbnb مشهود است. این استحکام نتایج پایه ما را تأیید می کند که در آن فعالیت های Airbnb تأثیر مثبتی بر قیمت مسکن دارند. به طور خاص، مدل IV حاکی از افزایش 1٪ در تراکم Airbnb با افزایش 2.01٪ (ستون (4)) در قیمت خانه است. میزان چگالی Airbnb در مدل (3) در مقایسه با مدل (2) اندکی کاهش می یابد. این مطابق با انتظارات است، زیرا هدف از مشخصات IV حذف هر گونه همبستگی متغیر ابزاری با عبارت خطا و ثبت تأثیرات Airbnb با دقت بیشتری بود. مرجع. [ 22] یک بحث مفصل در مورد اعتبار اصطلاح IV ساخته شده از طریق رویکرد “Shift-Share” ارائه می دهد، و به این نتیجه می رسد که می توان آن را برونزا از شوک های سطح شهرداری با زمان متغیر فرض کرد. انتظار می‌رود که برون‌زایی عبارت IV با شوک‌های مشاهده نشده موجود در عبارت خطا، دقیق‌ترین تخمین را از متغیر چگالی Airbnb ارائه دهد. بنابراین، ضریب چگالی Airbnb IV معیار ترجیحی برای تأثیر Airbnb بر قیمت مسکن در سیدنی است.
برای میانگین کد پستی از نظر فعالیت Airbnb (3.074)، ضریب چگالی Airbnb IV حاکی از افزایش قیمت خانه 2.26 درصد است، کمتر از نتیجه 3.7 درصد در بارسلونا [ 23 ]. با این حال، با 50٪ بیشتر گردشگران سالانه در شهری با تقریبا یک سوم جمعیت سیدنی، باید توجه داشت که بازار توریستی بارسلون بسیار قابل توجه تر از بازار سیدنی است. به طور مشابه، برآورد ما از افزایش 2.01 درصدی قیمت مسکن مرتبط با افزایش 1 درصدی تراکم Airbnb کمتر از برآورد 3.5 درصدی در لیسبون و پورتو است [ 24 ].]، با این حال، نابرابری مشابهی در بازارهای گردشگری سیدنی و پرتغال وجود دارد. همچنین باید توجه داشت که این ارقام به طور مستقیم قابل مقایسه نیستند، با توجه به دانه بندی فضایی متفاوتی که در سایر مطالعات انجام شده در سطح کل استفاده شده است. با این وجود، نتایج ما زمانی که بازارهای توریستی نسبی مطالعات مشابه را در نظر می گیریم، تقریباً همسو هستند.
در هر مرحله از مدل‌سازی لذت‌گرا، متغیر توضیحی از نظر آماری معنی‌دار است و تأثیر ارتباطی واضحی از فعالیت Airbnb افزایش قیمت ملک را نشان می‌دهد. از طریق استفاده از داده‌های فروش ملک شخصی، می‌توان میزان تأثیر Airbnb را برای اولین بار در زمینه قیمت‌گذاری املاک مسکونی ارزیابی کرد. به طور کلی، این نشان می دهد که فعالیت Airbnb به سطح بالاتری از قیمت مسکن منجر می شود. با این حال، استفاده از یک مدل OLS برای تخمین اثر Airbnb بر بازار مسکن، تغییرات فضایی فعالیت Airbnb و بازارهای فرعی مسکن در سیدنی را نادیده می‌گیرد. بنابراین یک GWR برای به تصویر کشیدن تفاوت های ظریف فضایی رابطه Airbnb با بازار مسکن سیدنی به کار می رود.

4.2. نتایج GWR

جدول 3 خوبی تناسب (GOF) مدل صریح فضایی را با مدل‌های جهانی مقایسه می‌کند و با همه معیارها، GWR از مدل‌های OLS بهتر عمل می‌کند. R 2 تنظیم شده ، که نسبت کل تغییرات ثبت شده توسط مدل را اندازه می گیرد، برای GWR 0.911 در مقایسه با 0.871 برای بهترین مدل OLS است. علاوه بر این، GWR مجموع مربع‌های باقی‌مانده مدل IV را یک سوم از 1288.169 به 886.834 کاهش می‌دهد، که نشان می‌دهد واریانس غیرقابل توضیح کمتری در مدل صریح فضایی وجود دارد. در نهایت، از دست دادن اطلاعات Akaike اصلاح شده (AICc) از -17,973.784 با مدل IV به -26,824.740 برای مدل GWR کاهش می‌یابد، که نشان می‌دهد مدل GWR از دست دادن اطلاعات را در مدل به حداقل می‌رساند.
جدول 4 توزیع تخمین پارامترهای ضریب برای GWR را خلاصه می کند. لازم به ذکر است که GWR در درجه اول یک ابزار فضایی توصیفی است تا یک روش دقیق برای استنتاج علی [ 29 ]]. بنابراین، بزرگی برآورد ضرایب نگرانی اصلی تجزیه و تحلیل GWR نیست، بلکه تغییر ارتباط جهت (یعنی مثبت/منفی) تراکم Airbnb و قیمت ملک است. ضریب میانگین تراکم Airbnb 0.0127 نتایج مدل‌سازی لذت‌گرا را تأیید می‌کند که Airbnb تأثیر غالب افزایش قیمت ملک را دارد. با این حال، تخمین چندک اول 0.0432- نشان می دهد که برای بخش قابل توجهی از املاک سیدنی، Airbnb تأثیر منفی بر قیمت ها دارد. بنابراین، در حالی که تأثیر کلی Airbnb بر بازار ملک مثبت است، نتایج GWR نشان می‌دهد که این تأثیر یکسان نیست و در برخی موارد، اثرات خارجی منفی تولید شده توسط Airbnb نیز ممکن است قیمت ملک را کاهش دهد.
شکل 2 تخمین پارامتر تراکم Airbnb را در سراسر سیدنی به تصویر می کشد. نوسانات برآورد ضرایب ممکن است به مسائل انتخاب پهنای باند مربوط باشد، به دلیل استفاده از یک پهنای باند واحد برای همه متغیرها. این یک محدودیت شناخته شده از روش GWR است که به طور بالقوه می تواند در کارهای آینده با اعمال یک MGWR غلبه کند [ 42 ]. همچنین باید توجه داشت که میزان برآورد ضرایب ممکن است به طور مستقیم در مناطق سیدنی قابل مقایسه نباشد، به دلیل تفاوت های قابل توجه در تراکم Airbnb اساسی. با این وجود، بررسی جهت ضرایب چگالی Airbnb می‌تواند بینش‌های ارزشمندی در مورد تنوع جغرافیایی رابطه Airbnb با قیمت‌های ملک در سراسر سیدنی ارائه دهد.
خوشه‌بندی فضایی تخمین‌های ضریب مثبت به سمت Manly و در امتداد سواحل شمالی، جایی که فعالیت Airbnb قابل‌توجهی وجود دارد، مشهود است. با توجه به چارچوب مفهومی Airbnb که عرضه اجاره‌های بلندمدت را کاهش می‌دهد و در نتیجه قیمت مسکن را افزایش می‌دهد، می‌توان انتظار داشت. همچنین مجموعه قابل توجهی از ضرایب مثبت وجود دارد که تا 0.146 متغیر است، به سمت مرکز غربی پاراماتا. ظهور پاراماتا به عنوان دومین CBD سیدنی در دهه گذشته ممکن است استفاده از Airbnb با انگیزه تجاری را در این مناطق توضیح دهد [ 2 ]. در این مناطق، که قیمت مسکن پایین‌تر است و بازار توریستی توسعه‌یافته کمتری دارد، افزایش Airbnb ممکن است به عنوان نشانه‌ای مثبت برای صاحبان خانه در سیگنال‌دهی رشد و درآمد بالقوه بیشتر از اجاره تلقی شود. علاوه بر این، ر. [43 ] برجستگی روزافزون «صاحبان سرمایه گذار» در وسترن سیدنی را ثبت کرد که Airbnb فرصتی مستقیم برای افزایش بازده اجاره برای آنها فراهم می کند. در حالی که تراکم Airbnb در اینجا در مقایسه با مناطق مرکزی و ساحلی بیشتر توریستی کمتر است و بنابراین تأثیر آن بر قیمت مسکن کمتر خواهد بود، با این وجود این نشان می‌دهد که Airbnb می‌تواند بر قیمت مسکن خارج از مناطق سنتی توریستی تأثیر بگذارد.
با کمال تعجب، نسبت به مناطق توریستی سنتی سیدنی در CBD و حومه شرقی، ضرایب تراکم Airbnb ناچیز یا منفی است. ضرایب ناچیز در مرکز شهر را می توان با اجاره هتل و تعطیلات قابل توجه از قبل موجود در این مناطق توضیح داد، به این معنی که ورود Airbnb به اندازه مناطق توریستی غیر سنتی بازار مسکن را مختل نکرده است. ضرایب منفی مشهود در حومه شرقی و ساحل شمالی پایین این سوال را ایجاد می کند که آیا در مناطق گران قیمت، آستانه اوج فعالیت Airbnb وجود دارد، پس از آن اشباع بیش از حد بازار توریستی به عنوان یک آسیب برای ساکنان محلی دیده می شود. در این موارد، اثرات جانبی منفی مرتبط با فعالیت Airbnb مانند سر و صدا، ازدحام، و دسترسی به امکانات برای افراد محلی،34 ]. قابل توجه است که در سیدنی نشان داده شده است که بازارهای فرعی مسکن با قیمت بالا و پایین از مکانیسم های قیمت گذاری متفاوتی پیروی می کنند [ 17 ، 18 ]. به این ترتیب، مستند کردن اثر عدم تشابه فعالیت‌های Airbnb بر قیمت مسکن، که اهمیت مطالعه تفکیک‌شده در سنجش تأثیر Airbnb را برجسته می‌کند، تعجب‌آور نیست.
لازم به ذکر است که با اعمال این منطق می توان انتظار داشت که مانلی و سواحل شمالی نیز ضرایب Airbnb منفی را تجربه کنند. در حالی که این محدودیت بالقوه GWR را در شناسایی نقاط خاص بازار املاک Airbnb نشان می دهد، اما پیچیدگی فضایی اثر Airbnb را در سراسر شهر برجسته می کند. متعاقباً، ممکن است تصور شود که تأثیر Airbnb بر مقرون به صرفه بودن نیز به دلیل تأثیرات ناهمگن ناهموار است. این یک ملاحظات مهم در زمینه سیاست‌های مقرون‌به‌صرفه است و نیاز سیاست‌گذاران به در نظر گرفتن شرایط توریستی و بازار مسکن محلی را هنگام ایجاد مقررات Airbnb برجسته می‌کند.
واضح است که تأثیر Airbnb در یک شهر به شدت با پویایی بازار توریستی و مسکن محلی شهر مرتبط است. بنابراین، درک اینکه چگونه بازار مسکن Airbnb از نظر فضایی در سایر شهرهای جهانی در سراسر قاره‌های مختلف متفاوت است، ممکن است به روشن کردن تأثیر ناهمگن بالقوه آن در زیر بازارهای مختلف مسکن کمک کند. کار آینده همچنین می‌تواند تاثیرات متغیر Airbnb را با استفاده از مطالعات موردی بازارهای فرعی مسکن در یک شهر و همچنین تکامل زمانی اثر Airbnb در دهه گذشته بررسی کند. در نهایت، با توجه به همه‌گیری جهانی COVID-19 که فعالیت Airbnb در شهرهای بزرگ را به شدت تغییر داده است، تجزیه و تحلیل وابستگی بازار به توسعه همه‌گیر ممکن است لنز جدیدی و به‌روز را در رابطه Airbnb با بازار مسکن ارائه دهد. در نهایت، از طریق محاسبه تغییرات فضایی در مدل‌سازی،

5. نتیجه گیری ها

گسترش سریع پلت‌فرم‌های اشتراک‌گذاری خانه، مانند Airbnb، که بدون مرز و تا حد زیادی غیرقانونی بوده است، بسیاری را به این سوال واداشته است که تأثیر آنها بر جوامع محلی و مسکن چه بوده است. در شهرهای بزرگ توریستی مانند سیدنی، جایی که رشد Airbnb با افزایش قیمت اجاره و مسکن همزمان شده است، ارتباط آن با بازار مسکن موضوع توجه قابل توجهی هم برای دانشگاهیان و هم برای تنظیم‌کننده‌های دولتی بوده است. با این حال، از آنجایی که سیاست گذاران و دولت های محلی شروع به اعمال طیف وسیعی از اقدامات نظارتی در پاسخ به این نگرانی ها کرده اند، فقدان شواهد تجربی با کیفیت برای سنجش تأثیر علی پلتفرم هایی مانند Airbnb بر قیمت مسکن آشکار شده است.
این مطالعه برای اولین بار میزان تأثیر Airbnb بر قیمت مسکن در سیدنی را به صورت تجربی بررسی می کند. چندین مرحله از مدل‌سازی OLS برای کنترل شوک‌های خارجی و رسیدگی به نگرانی‌های همخطی بالقوه انجام شد. مدل‌سازی OLS از دیدگاه ارزیابی املاک مسکونی، از جمله ویژگی‌های دارایی، متغیرهای تحرک، و نزدیکی به اقدامات رفاهی برای اولین بار در مطالعه بازار مسکن Airbnb انجام شد. نتایج ما نشان می دهد که افزایش 1 درصدی در تراکم Airbnb با افزایش 2.01 درصدی قیمت ملک همراه است. این تحقیقات موجود در مورد تأثیر کلی Airbnb بر بازار مسکن را تأیید می کند.
با وجود این، وجود بازارهای فرعی مسکن و ناهمواری فضایی مستند فعالیت Airbnb در سراسر سیدنی نشان می‌دهد که یک مدل جهانی برای محاسبه تفاوت‌های فضایی تأثیر بازار املاک Airbnb ناکافی است. بنابراین، یک مدل GWR برای بررسی تغییرات فضایی اثر Airbnb برای اولین بار توسعه یافت. پارامتر تراکم Airbnb میانه 0.0127 این یافته را تأیید می کند که Airbnb عمدتاً تأثیر مثبت دارد. با این حال، ضریب تراکم Airbnb از مثبت در بخش‌هایی از سواحل غربی و شمالی سیدنی تا ناچیز در CBD و منفی در بخش‌هایی از حومه شمالی و شرقی سیدنی متغیر است. از طریق اجرای یک مدل صریح فضایی، نتایج ما مفاهیم از قبل موجود در مورد یک رابطه کاملاً مثبت بین Airbnb و قیمت ملک را به چالش می کشد. این نتایج نشان می‌دهد که تأثیر Airbnb از نظر فضایی متفاوت است و باید نسبت به بازارهای توریستی و مسکن مناطق محلی در نظر گرفته شود.
این یافته ها چندین پیامد عمیق برای سیاست گذاران و محققان دارد. اولاً، یافتن ارتباط مثبت بین قیمت مسکن و تراکم Airbnb به بحث جاری کمک می کند که آیا سیاست گذاران باید نقش پلت فرم های اشتراک خانه مانند Airbnb در سیدنی را که در آن مسکن نسبتاً مقرون به صرفه نیست، تنظیم و اصلاح کنند. علیرغم پتانسیل پلتفرم های اشتراک خانه برای افزایش کارایی استفاده از مسکن، ممکن است بدتر شدن قیمت مسکن را نیز تقویت کنند. این موضوع به دلیل بدتر شدن قیمت مسکن در سیدنی در سال های اخیر قابل توجه است. علاوه بر این، یافته‌های یک اثر Airbnb متنوع، نیاز محققان را برای ترکیب یک جزء فضایی در مدل‌سازی برای درک تأثیر متفاوت Airbnb بر بازارهای فرعی مسکن برجسته می‌کند. در حالی که مطالعات قبلی فرض می‌کردند که Airbnb تأثیر همگنی بر قیمت مسکن دارد، در نظر گرفتن اجزای فضایی در مدل‌سازی نشان‌دهنده اثر ظریف‌تری Airbnb است. در زمینه سیاست‌های مسکن مقرون‌به‌صرفه، این امر بر نیاز سیاست‌گذاران به در نظر گرفتن شرایط Airbnb و بازار مسکن به‌جای توسل به رویکردهای «یک اندازه برای همه» تأکید می‌کند. در نهایت، انتظار می‌رود که یافته‌های این مطالعه از طریق درک تأثیر آن‌ها بر بازار مسکن، به یک بحث آگاهانه‌تر و مبتنی بر شواهد در مورد سطح مناسب و طراحی مقررات برای پلت‌فرم‌های اشتراک‌گذاری خانه کمک کند. در زمینه سیاست‌های مسکن مقرون‌به‌صرفه، این امر بر نیاز سیاست‌گذاران به در نظر گرفتن شرایط Airbnb و بازار مسکن به‌جای توسل به رویکردهای «یک اندازه برای همه» تأکید می‌کند. در نهایت، انتظار می‌رود که یافته‌های این مطالعه از طریق درک تأثیر آن‌ها بر بازار مسکن، به یک بحث آگاهانه‌تر و مبتنی بر شواهد در مورد سطح مناسب و طراحی مقررات برای پلت‌فرم‌های اشتراک‌گذاری خانه کمک کند. در زمینه سیاست‌های مسکن مقرون‌به‌صرفه، این امر بر نیاز سیاست‌گذاران به در نظر گرفتن شرایط Airbnb و بازار مسکن به‌جای توسل به رویکردهای «یک اندازه برای همه» تأکید می‌کند. در نهایت، انتظار می‌رود که یافته‌های این مطالعه از طریق درک تأثیر آن‌ها بر بازار مسکن، به یک بحث آگاهانه‌تر و مبتنی بر شواهد در مورد سطح مناسب و طراحی مقررات برای پلت‌فرم‌های اشتراک‌گذاری خانه کمک کند.
Ijgi 11 00065 g0a1 550
شکل A1. انواع هسته فضایی (فاثرینگهام و همکاران، 2003).

منابع

  1. زرواس، جی. دیوید، پی. Byers, JW The Rise of Sharing Economy: برآورد تأثیر Airbnb بر صنعت هتلداری. جی. مارک. Res. 2017 ، 54 ، 687-705. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. گوتنتاگ، دی. اسمیت، اس. پوتوارکا، ال. هاویتز، ام. چرا گردشگران Airbnb را انتخاب می کنند: یک مطالعه تقسیم بندی مبتنی بر انگیزه. J. Travel Res. 2018 ، 57 ، 342-359. [ Google Scholar ] [ CrossRef ]
  3. شبینا، ز. Arcaute، E. Batty، M. Airbnb و تأثیر بالقوه آن بر بازار مسکن لندن. مطالعه شهری. 2022 ، 59 ، 197-221. [ Google Scholar ] [ CrossRef ]
  4. واکسموث، دی. ویزلر، A. Airbnb و شکاف اجاره: اعیانی‌سازی از طریق اقتصاد اشتراک‌گذاری. محیط زیست طرح. یک اقتصاد. Space 2018 , 50 , 1147–1170. [ Google Scholar ] [ CrossRef ]
  5. گوران، ن. ماالسن، اس. Shrestha، P. آیا مسکن غیررسمی یک راه حل مقرون به صرفه برای شهرهای گران است؟ شواهدی از سیدنی استرالیا بین المللی جی. هاوس. سیاست 2020 . [ Google Scholar ] [ CrossRef ]
  6. لی، دی. چگونه اجاره های کوتاه مدت Airbnb بحران مسکن مقرون به صرفه لس آنجلس را تشدید می کند: تجزیه و تحلیل و توصیه های سیاست. هارو. قانون سیاست Rev. 2016 , 10 , 229. [ Google Scholar ]
  7. Thakway، WT; Pettit، CP Airbnb در طول COVID-19 و آنچه این موضوع در مورد تأثیر Airbnb بر قیمت اجاره به ما می‌گوید. یافته‌ها 2021 ، 23720. [ Google Scholar ] [ CrossRef ]
  8. باکل، سی. Phibbs، P. چالش گفتمان پیرامون تأثیرات Airbnb از طریق حومه‌ها نه شهرها: درس‌هایی از استرالیا و COVID-19. کریت خانه مقعدی 2021 ، 8 ، 141-149. [ Google Scholar ] [ CrossRef ]
  9. گوران، ن. Phibbs, P. هنگامی که گردشگران وارد می شوند: برنامه ریزان شهری چگونه باید به Airbnb واکنش نشان دهند؟ مربا. طرح. دانشیار 2017 ، 83 ، 80-92. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. کروملین، ال. تروی، ال. مارتین، سی. پارکینسون، اس. اختلال فناوری در بازارهای مسکن خصوصی: مورد Airbnb. در گزارش نهایی اهوری 305 ; موسسه تحقیقات مسکن و شهرسازی استرالیا محدود: ملبورن، استرالیا، 2018. [ Google Scholar ]
  11. راندولف، بی. تایس، الف. چه کسی در مسکن با تراکم بالاتر زندگی می کند؟ مطالعه ای از بازارهای فرعی مسکن ناپیوسته در سیدنی و ملبورن. مطالعه شهری. 2013 ، 50 ، 2661-2681. [ Google Scholar ] [ CrossRef ]
  12. بوروس، ال. دوداس، جی. Kovalcsik, T. اثرات COVID-19 در Airbnb. آویزان شد. Geogr. گاو نر 2020 ، 69 ، 363-381. [ Google Scholar ] [ CrossRef ]
  13. دیلی، جی. کوتس، بی. مقرون به صرفه بودن مسکن تجسم مجدد رویای استرالیا ; گزارش شماره 2018-04; موسسه گراتان: کارلتون، استرالیا، 2018. [ Google Scholar ]
  14. کاکس، دبلیو. پاولتیچ، اچ. شانزدهمین نظرسنجی سالانه جمعیت‌شناسی بین‌المللی مسکن: 2020 ; جمعیت شناسی: Belleville، IL، ایالات متحده، 2020. [ Google Scholar ]
  15. نیولند، اس. ون ملیک، آر. تنظیم Airbnb: نحوه برخورد شهرها با اثرات خارجی منفی اجاره های کوتاه مدت. کر. تور مسائل. 2020 ، 23 ، 811-825. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. کروملین، ال. تروی، ال. مارتین، سی. پتیت، سی. آیا Airbnb یک فوق ستاره اقتصاد اشتراکی است؟ شواهدی از پنج شهر جهانی تصمیم سیاست شهری 2018 ، 36 ، 429-444. [ Google Scholar ] [ CrossRef ]
  17. بانگورا، م. لی، سی‌ال انتشار قیمت خانه در بازارهای فرعی مسکن در سیدنی بزرگ. خانه گل میخ. 2020 ، 35 ، 1110-1141. [ Google Scholar ] [ CrossRef ]
  18. بانگورا، م. لی، سی‌ال حباب‌های قیمت مسکن در سیدنی بزرگ: شواهدی از تحلیل بازار فرعی. خانه گل میخ. 2020 . [ Google Scholar ] [ CrossRef ]
  19. یانگ، ال. Chau، KW; وانگ، ایکس. آیا خریداران مسکن ارزان قیمت مایل به پرداخت برای دسترسی به خدمات عمومی اولیه هستند؟ شواهدی از چین Res. ترانسپ اقتصاد 2019 ، 76 ، 100734. [ Google Scholar ] [ CrossRef ]
  20. ون، اچ. شیائو، ی. Hui، ECM اثر کمی تسهیلات آموزشی بر قیمت مسکن: آیا خریداران مسکن با قیمت بالاتر برای منابع آموزشی هزینه بیشتری می پردازند؟ شهرها 2019 ، 90 ، 100–112. [ Google Scholar ] [ CrossRef ]
  21. هورن، ک. Merante، M. آیا اشتراک خانه باعث افزایش اجاره بها می شود؟ شواهد از Airbnb در بوستون. جی. هاوس. اقتصاد 2017 ، 38 ، 14-24. [ Google Scholar ] [ CrossRef ]
  22. بارون، ک. کونگ، ای. Proserpio, D. تأثیر اشتراک خانه بر قیمت و اجاره خانه: شواهدی از Airbnb. علامت. علمی 2020 ، 40 ، 23-47. [ Google Scholar ] [ CrossRef ]
  23. گارسیا لوپز، مایکروسافت؛ جوفره مونسنی، ج. مارتینز مازا، آر. Segu, M. آیا پلتفرم های اجاره کوتاه مدت بر بازار مسکن تأثیر می گذارد؟ شواهدی از Airbnb در بارسلون. جی. هاوس. اقتصاد 2020 , 119 , 103278. [ Google Scholar ] [ CrossRef ]
  24. فرانکو، اس.اف. سانتوس، سی دی تاثیر Airbnb بر ارزش املاک مسکونی و اجاره: شواهدی از پرتغال. Reg. علمی اقتصاد شهری 2021 ، 88 ، 103667. [ Google Scholar ] [ CrossRef ]
  25. بلنیاک، اس. Wieczorek، D. ارزش گذاری اموال با استفاده از روش قیمت لذت بخش – رویه و کاربرد آن. فنی ترانس. 2017 ، 114 ، 59-70. [ Google Scholar ]
  26. آدامیک، سی. اسیدا، بی. دوبوونیک، ا. گارسیا-آلوارز، دی. پیشنهاد Airbnb در اسپانیا – تحلیل فضایی الگو و عوامل تعیین کننده توزیع آن. ISPRS Int. J. Geo-Inf. 2019 ، 9 ، 155. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای بررسی ناپایداری فضایی. Geogr. مقعدی 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
  28. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . جان وایلی، پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  29. شبینا، ز. بویوکلیوا، بی. پلت فرم اجاره کوتاه مدت NG، MKM در زمینه گردشگری شهری: رویکردهای رگرسیون وزنی جغرافیایی (GWR) و چند مقیاسی GWR (MGWR). Geogr. مقعدی 2020 ، 53 ، 686-707. [ Google Scholar ] [ CrossRef ]
  30. منگانلی، بی. پونتراندولفی، پ. آزاتو، ا. مورگانته، ب. استفاده از رگرسیون وزن‌دار جغرافیایی برای تقسیم‌بندی بازار مسکن. بین المللی اتوبوس جی. هوشمند حداقل داده 2014 ، 9 ، 161-177. [ Google Scholar ] [ CrossRef ]
  31. ژانگ، اس. وانگ، ال. لو، اف. بررسی اجاره مسکن با رگرسیون ترکیبی دارای وزن جغرافیایی: مطالعه موردی در نانجینگ. بین المللی J. Geo-Inf. 2019 ، 8 ، 431. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. سوارز وگا، آر. هرناندز، JM انتخاب عوامل تعیین کننده قیمت و شامل اثرات فضایی در اسکان همتا به همتا. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 259. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. تو، س. دی هان، جی. Boelhouwer, P. عدم تطابق بین مدل‌سازی متعارف قیمت مسکن و بازارهای تنظیم‌شده: بینش‌هایی از هلند. جی. هاوس. محیط ساخته شده 2017 ، 32 ، 599-619. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. Cocola-Gant, A. Holiday Rentals: The New Gentrification Battlefront. اجتماعی Res. آنلاین 2016 ، 21 ، 1-10. [ Google Scholar ] [ CrossRef ]
  35. مولر، MP تحلیلی اقتصادی از پیامدهای سیستم های اشتراک گذاری آنلاین بر رفاه اجتماعی. در مجموعه مقالات کنفرانس اروپایی سیستم های اطلاعاتی (ECIS) 2014، تل آویو، اسرائیل، 9 تا 11 ژوئن 2014. در دسترس آنلاین: https://aisel.aisnet.org/ecis2014/proceedings/track10/14 (در 21 ژانویه 2021 قابل دسترسی است).
  36. گریسدیل، اس. جابجایی بر اثر اختلال: اجاره های کوتاه مدت و اقتصاد سیاسی «تعلق به هر کجا» در تورنتو. جئوگر شهری. 2021 ، 42 ، 654-680. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. Saaman، R. Airbnb، افزایش اجاره، و بحران مسکن در لس آنجلس . LAANE: لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  38. دی پاسکوال، دی. Wheaton، WC بازارهای دارایی‌های مستغلات و فضا: یک چارچوب مفهومی. مربا. املاک و مستغلات شهری اقتصاد. دانشیار 1992 ، 20 ، 181-197. [ Google Scholar ] [ CrossRef ]
  39. Lieske، SN; ون دن نوولانت، آر. هان، اچ. Pettit, JT یک رویکرد مدل‌سازی قیمت لذت‌گرایانه جدید برای تخمین تأثیر زیرساخت‌های حمل‌ونقل بر قیمت ملک. مطالعه شهری. 2019 ، 58 ، 182-202. [ Google Scholar ] [ CrossRef ]
  40. رایاپرولو، اچ اس. لوینسون، دی. ارزش دسترسی چیست؟ رویکرد قیمت لذت‌بخش برای ارزش‌گذاری شهرها. مقاله کار دانشگاه سیدنی 2019. در دسترس آنلاین: https://hdl.handle.net/2123/21352 (در 18 نوامبر 2021 قابل دسترسی است).
  41. باغ، FL; جلال الدین، تأثیر BB پراکندگی شهری بر اضافه وزن، چاقی و فعالیت بدنی در سیدنی، استرالیا. J. Urban Health 2009 ، 86 ، 19-30. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. یو، اچ. Fotheringham، AS; لی، ز. اوشان، تی. کانگ، دبلیو. استنتاج ولف، LJ در رگرسیون وزن‌دار جغرافیایی چند مقیاسی. Geogr. مقعدی 2020 ، 52 ، 87-106. [ Google Scholar ] [ CrossRef ]
  43. پاوسون، اچ. مارتین، سی. سرمایه گذاری املاک اجاره ای در مناطق محروم: ابزارها و انگیزه های مالکان جدید وسترن سیدنی. خانه گل میخ. 2021 ، 36 ، 621-643. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00065 g001 550
شکل 1. توزیع فعالیت Airbnb در سراسر سیدنی.
Ijgi 11 00065 g002 550
شکل 2. توزیع فضایی برآوردهای پارامتر GWR برای متغیر چگالی Airbnb با 190 نزدیکترین همسایه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید