Οι επιπτώσεις της τοποθεσίας πριν και κατά τη διάρκεια του COVID-19: Επιρροές στα έσοδα των καταχωρήσεων Airbnb στο Μιλάνο (Ιταλία)

Στην αναζήτηση με φίλτρο την λέξη κλειδί e-commerce, εντοπίστηκε το άρθρο με τίτλο «The effects of location before and during COVID-19. Impacts on revenue of Airbnb listings in Milan (Italy)». Δημοσιεύθηκε στο επιστημονικό περιοδικό με τίτλο «Annals of Tourism Research», με CiteScore 19.1 (https://www.sciencedirect.com/journal/annals-of-tourism-research) .

Ειδικότερα:

Α. Ο τίτλος του άρθρου

«The effects of location before and during COVID-19. Impacts on revenue of Airbnb listings in Milan (Italy)»

Στα ελληνικά: «Οι επιπτώσεις της τοποθεσίας πριν και κατά τη διάρκεια της COVID-19: Επιρροές στα έσοδα των καταχωρήσεων Airbnb στο Μιλάνο (Ιταλία)»

Β. Ενεργός σύνδεσμος που να οδηγεί στο άρθρο

Ενεργό link άρθρου: https://www.sciencedirect.com/science/article/pii/S0160738322001153

Ενεργό link περιοδικού:

https://www.sciencedirect.com/journal/annals-of-tourism-research/vol/96/suppl/C

Γ. Το Citescore του περιοδικού και η λέξη κλειδί που χρησιμοποιήθηκε στην αναζήτηση του

Το περιοδικό είναι «The effects of location before and during COVID-19. Impacts on revenue of Airbnb listings in Milan (Italy)», με Citescore 19,1. Η λέξη κλειδί είναι e-commerce.

Εικόνα 1

Εικόνα 2

Δ. 1. Τι προσπαθεί να βρει το άρθρο;

Το επιστημονικό άρθρο μελετά πώς οι μεταβλητές της τοποθεσίας (locational variables) και το φαινόμενο της χωρικής διάχυσης (spatial spillover effect) μπορούν να επηρεάσουν την απόδοση καταχώρησης καταλυμάτων στο Airbnb (listing performance) στο Μιλάνο της Ιταλίας.

Συγκεκριμένα, αναλύει αν παράγοντες όπως η απόσταση από καταστήματα ή μέσα μεταφοράς, καθώς και οι επιδόσεις κοντινών καταλυμάτων, επηρεάζουν τα έσοδα. Επιπλέον, συγκρίνει τα αποτελέσματα πριν και κατά τη διάρκεια της πανδημίας COVID-19, για να δει πώς άλλαξε η σημασία αυτών των παραγόντων λόγω της υγειονομικής κρίσης.

Δ. 2. Μεθοδολογία έρευνας του άρθρου

Η έρευνα πραγματοποιήθηκε στο Μιλάνο της Ιταλίας. Συνέκρινε 7213 καταχωρήσεις πριν την πανδημία (Ιανουάριος 2020) και κατά τη διάρκεια (Μάρτιος 2021). Οι συγκεκριμένες ημερομηνίες επιλέχθηκαν για συγκεκριμένους λόγους: Ο Ιανουάριος 2020 αποτέλεσε τον τελευταίο «κανονικό» μήνα πριν την πανδημία, ενώ ο Μάρτιος 2021 ήταν ο πρώτος μήνας της πανδημίας χωρίς πλήρη lockdown.

Δείγμα

Το δείγμα περιλάμβανε 7.213 καταχωρήσεις, οι οποίες είχαν όλες ενοικιαστεί και στις δύο χρονικές περιόδους της μελέτης. Έτσι διασφαλίστηκε η πλήρης συγκρισιμότητα των δεδομένων μεταξύ της προ-πανδημικής και της πανδημικής φάσης.

Η μελέτη χρησιμοποίησε δεδομένα από δύο πηγές: την AirDNA για πληροφορίες σχετικά με το RevPAR (Έσοδα ανά διαθέσιμο δωμάτιο), τις μεταβλητές ελέγχου (μέγεθος, συμβατικούς όρους, κανόνες, οικοδεσπότη, επισκέπτη) και τις γεωγραφικές τοποθεσίες των καταχωρήσεων. Πληροφορίες για τις μεταβλητές τοποθεσίας ενδιαφέροντος (σταθμοί μετρό, στάσεις τουριστικών λεωφορείων, σταθμοί κοινόχρηστων ποδηλάτων και εμπορικά καταστήματα) λήφθηκαν από το Comune di Milano.

Μεταβλητές

Για την μελέτη χρησιμοποιήθηκαν δύο μεταβλητών: α) εξαρτημένη και β) ανεξάρτητες.

Α. Η απόδοση των καταχωρήσεων (listing performance), η οποία μετρήθηκε μέσω του RevPAR (έσοδα ανά διαθέσιμο δωμάτιο): Χρησιμοποιήθηκε ο φυσικός λογάριθμος του RevPAR (lnRevPAR) για την ανάλυση, καθώς το RevPAR συνδυάζει τιμή και πληρότητα.

Εικόνα 3

Β. Οι μεταβλητές χωρίστηκαν σε τρεις κατηγορίες:

1. Μη-χωρικοί παράγοντες (Non-locational factors) : Χαρακτηριστικά του καταλύματος, του οικοδεσπότη και του επισκέπτη: Μέγεθος (υπνοδωμάτια, μπάνια, μέγιστοι επισκέπτες), Συμβατικοί όροι (πολιτική ακύρωσης, εγγύηση, καθαρισμός, χρέωση επιπλέον ατόμων, check-in/out, ελάχιστη διαμονή), Κανόνες (κατοικίδια), Οικοδεσπότης (superhost, ποσοστό απόκρισης, χρόνος απόκρισης, αριθμός φωτογραφιών, εμπειρία), και Επισκέπτης (αριθμός κριτικών, συνολική βαθμολογία)
2. Χωρικοί παράγοντες (Locational factors):

• Χωρική τάση (Spatial trend): Απόσταση από το κέντρο της πόλης (Duomo).
• Μεταφορά (Transport): Απόσταση από τον πλησιέστερο σταθμό μετρό, απόσταση από την πλησιέστερη στάση τουριστικού λεωφορείου, πυκνότητα πάρκινγκ κοινόχρηστων ποδηλάτων.
• Εμπόριο (Commerce): Πυκνότητα μεσαίων έως μεγάλων εμπορικών καταστημάτων τροφίμων, πυκνότητα μεσαίων έως μεγάλων εμπορικών καταστημάτων μη-τροφίμων, αριθμός εμπορικών κέντρων στην περιοχή.
• Φαινόμενο χωρικής διάχυσης (Spatial spillover effect): Μετρήθηκε ως ο μέσος RevPAR (WRevPAR) των διαμερισμάτων εντός μιας καθορισμένης ακτίνας.

Ανάλυση Δεδομένων και Μοντέλα

Χρησιμοποιήθηκε Γεωγραφικό Σύστημα Πληροφοριών (GIS) για να υπολογιστούν αποστάσεις και χωρικοί δείκτες πυκνότητας, με ακτίνα 200μ για ποδήλατα και 500μ για εμπορικά καταστήματα.

Η μεθοδολογία της μελέτης πραγματοποιήθηκε βάσει ημι-λογαριθμικού μοντέλου (semi-log model). Σύμφωνα με αυτό, η εξαρτημένη μεταβλητή, δηλαδή, αυτό που προσπαθούμε να εξηγήσουμε ή να προβλέψουμε, μετασχηματίζεται χρησιμοποιώντας τον φυσικό λογάριθμο. Εν προκειμένω, η εξαρτημένη μεταβλητή ήταν ο φυσικός λογάριθμος του Εσόδου ανά Διαθέσιμο Δωμάτιο (RevPAR). Το RevPAR αποτελεί δείκτη απόδοσης που συνδυάζει την τιμή και την πληρότητα ενός καταλύματος.

Τις δύο χρονικές περιόδους  που μελετάει η έρευνα (Ιανουάριος 2020 και Μάρτιος 2021) αναλύθηκαν με δύο μοντέλα.

• OLS – Ordinary Least Squares (Μοντέλα Ελαχίστων Τετραγώνων): Αρχική ανάλυση και κατανόηση της συμβολής κάθε μεταβλητής στο RevPAR. Δεν λαμβάνει υπόψη τη χωρική διάχυση.
• SAR – Spatial Autoregressive (Χωρικά Αυτοπαλινδρομικά Μοντέλα): Συμπεριλαμβάνουν την επίδραση των γειτονικών καταχωρήσεων (χωρική διάχυση), με τη μεταβλητή Wy που εκφράζει τον μέσο lnRevPAR γύρω από κάθε καταχώρηση.
• SEM – Spatial Error Model (Μοντέλο Σφάλματος Χώρου): Λαμβάνει υπόψη την χωρική εξάρτηση των σφαλμάτων.

Οι ερευνητές σημείωσαν ότι η κλασική μέθοδος OLS είναι αναποτελεσματική όταν υπάρχουν χωρικές αυτοσυσχετίσεις (spatial autocorrelations) στα σφάλματα του μοντέλου. Η χωρική αυτοσυσχέτιση αναφέρεται στην ιδέα ότι οι κοντινές τοποθεσίες τείνουν να είναι πιο όμοιες μεταξύ τους από ό,τι οι μακρινές, κάτι που περιγράφεται ως ο πρώτος νόμος της γεωγραφίας του Tobler. Επίσης, τα κλασικά μοντέλα OLS δεν λαμβάνουν υπόψη την επίδραση της χωρικής διάχυσης (spatial spillover effect).

Το μοντέλο SAR λαμβάνει υπόψη την ουσιαστική χωρική εξάρτηση, όπου η τιμή της εξαρτημένης μεταβλητής σε μια τοποθεσία επηρεάζεται από την τιμή της εξαρτημένης μεταβλητής σε γειτονικές τοποθεσίες. Η βασική μορφή του μοντέλου είναι y = ρWy + Xβ + e, όπου y είναι ο λογάριθμος του RevPAR (lnRevPAR), X και β είναι οι ερμηνευτικές μεταβλητές και οι αντίστοιχες παράμετροι, W είναι ο πίνακας χωρικών βαρών (spatial weights matrix) που αναπαριστά τη δομή της γειτονίας, Wy είναι η χωρικά καθυστερημένη εξαρτημένη μεταβλητή (που μπορεί να αναπαριστά τη μέση τιμή του lnRevPAR των γειτονικών καταλυμάτων), ρ είναι η καθολική επίδραση χωρικής διάχυσης, και e είναι ένα διάνυσμα διαταραχών (σφαλμάτων).

Για να καθοριστεί ποιο μοντέλο (SAR ή SEM) ήταν πιο κατάλληλο, πραγματοποιήθηκαν δοκιμές πολλαπλασιαστή Lagrange (Lagrange multiplier tests), στατιστικά τεστ που χρησιμοποιούνται για τον προσδιορισμό της παρουσίας χωρικής αυτοσυσχέτισης στις διαταραχές ενός μοντέλου OLS.

Επιπλέον, δημιουργήθηκε πίνακας χωρικών βαρών (W), ο οποίος παρουσιάζει την αντίστροφη απόσταση με όριο τα 3,3 χιλιόμετρα, ώστε να εξασφαλιστεί ότι κάθε κατάλυμα έχει τουλάχιστον έναν.

Η μέθοδος αυτή βασίζεται στον πρώτο νόμο της γεωγραφίας του Tobler, σύμφωνα με τον οποίο κοντινές οντότητες τείνουν να επηρεάζονται περισσότερο μεταξύ τους.

Στα μοντέλα SAR, οι συντελεστές δεν ερμηνεύονται απευθείας. Αντ’ αυτού, εξετάζονται οι άμεσες (στο ίδιο το κατάλυμα), οι έμμεσες (μέσω των γειτόνων) και οι συνολικές επιδράσεις (άθροισμα των δύο) των ερμηνευτικών μεταβλητών στο RevPAR.

Για τα OLS μοντέλα, πραγματοποιήθηκε αποσύνθεση του R², ώστε να μετρηθεί η συμβολή κάθε ομάδας ανεξάρτητων μεταβλητών (όπως μέγεθος, όροι συμβολαίου, κανόνες, οικοδεσπότης, επισκέπτης, χωρικά χαρακτηριστικά κ.ά.). Αυτό έγινε συγκρίνοντας τη διακύμανση του R² (πόσο καλά οι ανεξάρτητες μεταβλητές που έχουμε συμπεριλάβει στο μοντέλο μας είναι σε θέση να εξηγήσουν τις αλλαγές στην εξαρτημένη μεταβλητή), όταν προστίθεται κάθε ομάδα μεταβλητών σε ένα βασικό μοντέλο.

Η οπτικοποίηση έγινε με μέθοδο Kriging (γεωστατιστική τεχνική χωρικής παρεμβολής που χρησιμοποιείται για να εκτιμήσουμε την τιμή μιας μεταβλητής σε σημεία του χώρου όπου δεν έχουμε δεδομένα, βασιζόμενοι στις τιμές από γειτονικά σημεία) και τα αποτελέσματα συγκρίθηκαν μεταξύ των δύο περιόδων, για να φανεί η επίδραση της πανδημίας.

Εικόνα 4. Περιοχές του Μιλάνου, κέντρο της πόλης (Duomo), έσοδα ανά διαθέσιμο δωμάτιο τον Ιανουάριο του 2020 και τον Μάρτιο του 2021, και χωρική εκτίμηση του RevPAR με τη μέθοδο Kriging

Δ. 3. Τα ερωτήματα και οι υποθέσεις που θέτει

Συνολικά, η έρευνα αποσκοπεί στην κατανόηση του πώς η τοποθεσία και η γειτονιά ενός καταλύματος Airbnb επηρεάζουν τα έσοδά του, και πώς αυτή η σχέση άλλαξε κατά τη διάρκεια της πανδημίας COVID-19 στην πόλη του Μιλάνου.

Τα βασικά ερωτήματα της μελέτης είναι:

1. Πώς η ικανότητα των χωρικών μεταβλητών και της χωρικής διάχυσης επηρεάζουν την απόδοση των καταλυμάτων Airbnb. H έρευνα εστιάζει στην απόσταση από εμπορικές δραστηριότητες και τη διαθεσιμότητα συστημάτων μεταφοράς κοντά σε κάθε κατάλυμα.
2. Πώς τα γειτονικά διαμερίσματα επηρεάζουν τις τιμές των καταχωρήσεων και τα έσοδα.
3. Πώς επηρεάζεται η απόδοση των Airbnb την περίοδο πριν την πανδημία του κορονοϊού και κατά τη διάρκεια.

Οι υποθέσεις είναι οι εξής:

1. Εάν η προσβασιμότητα στα συστήματα μεταφορών επηρεάζει θετικά το RevPAR των καταλυμάτων Airbnb.
2. Εάν η χωρική κατανομή των εμπορικών καταστημάτων (συγκεκριμένα, η πυκνότητα μεσαίων έως μεγάλων καταστημάτων τροφίμων, μη τροφίμων και εμπορικών κέντρων) επηρεάζει θετικά το RevPAR.
3. Εάν η χωρική διάχυση επηρεάζει θετικά το RevPAR.
4. Εάν η θετική επίδραση της χρέωσης καθαρισμού στο RevPAR ήταν μεγαλύτερη κατά την πανδημία COVID-19 από ό,τι πριν.
5. Εάν η θετική επίδραση της χωρητικότητας (π.χ. αριθμός υπνοδωματίων, μπάνιων, μέγιστοι επισκέπτες) στο RevPAR ήταν μικρότερη κατά την πανδημία από ό,τι πριν.
6. Εάν η θετική επίδραση της εγγύτητας στο κέντρο της πόλης στο RevPAR ήταν μικρότερη κατά την πανδημία από ό,τι πριν.
7. Εάν η θετική επίδραση της πολιτικής ακύρωσης στο RevPAR ήταν μεγαλύτερη κατά την πανδημία από ό,τι πριν.
8. Εάν η θετική επίδραση του σήματος «Superhost» στο RevPAR ήταν μεγαλύτερη κατά την πανδημία από ό,τι πριν.

Δ. 4. Αποτελέσματα

Η μελέτη επιβεβαίωσε τις υποθέσεις που προτάθηκαν. Η εκτιμώμενη απόδοση (revenue) για ένα τυπικό διαμέρισμα το 2020 ήταν περίπου διπλάσια από αυτή που εκτιμήθηκε για το 2021. Παρατηρήθηκαν σημαντικές αλλαγές κατά τη διάρκεια της πανδημίας, οι οποίες μείωσαν σημαντικά την ικανότητα μεταβλητών να εξηγήσουν τη διακύμανση της απόδοσης των καταχωρίσεων.

Ο ρόλος των χαρακτηριστικών του οικοδεσπότη (σήμα superhost) αυξήθηκε κατά τη διάρκεια της πανδημίας, με το σήμα Superhost να αυξάνει τον θετικό του αντίκτυπο και τον χρόνο απόκρισης να τετραπλασιάζει τον θετικό του αποτέλεσμα

Η πολιτική ακύρωσης αύξησε σημαντικά το θετικό της αποτέλεσμα, υποστηρίζοντας την έβδομη υπόθεση. Η χρέωση καθαρισμού παρέμεινε ιδιαίτερα σημαντική και ο συντελεστής της διπλασιάστηκε, επιβεβαιώνοντας την τέταρτη υπόθεση.

Το χωρικό spillover effect σχεδόν διπλασιάστηκε κατά τη διάρκεια της πανδημίας, επιβεβαιώνοντας τη θετική επίδρασή του στην απόδοση.

Εικόνα 5. Εκτίμηση των εσόδων ανά διαθέσιμο δωμάτιο (RevPAR) για διαφορετικές ομάδες χωρικών παραγόντων

Υπήρξε μια ισχυρή μείωση στην απόδοση των καταχωρίσεων κατά τη διάρκεια της πανδημίας. Πριν από την πανδημία, η ομάδα των μη-χωρικών μεταβλητών (μέγεθος, συμβατικοί όροι, κανόνες, οικοδεσπότης, και επισκέπτες) εμφάνισε αποτελέσματα που συνέκλιναν σε μεγάλο βαθμό με προηγούμενες μελέτες. Η εμφάνιση του COVID-19 άλλαξε τη συνάφεια και την ένταση αυτών των μεταβλητών.

Η εξάπλωση του COVID-19 μείωσε σημαντικά το πλεονέκτημα του κέντρου της πόλης (χωρική τάση) και αντίστοιχα μείωσε το μειονέκτημα της περιφερειακής θέσης. Η έκτη υπόθεση επιβεβαιώθηκε.

Η προσβασιμότητα στα συστήματα μεταφορών (μετρό, τουριστικά λεωφορεία, κοινόχρηστα ποδήλατα) επηρεάζει θετικά την απόδοση. Πιο συγκεκριμένα, η μικρότερη απόσταση από το μετρό και τους σταθμούς τουριστικών λεωφορείων σχετίζεται θετικά με την απόδοση, ενώ η πυκνότητα των σταθμών κοινόχρηστων ποδηλάτων είχε θετικό αντίκτυπο. Αυτά τα ευρήματα υποστήριξαν πλήρως την πρώτη υπόθεση. Οι χωρικές μεταβλητές των μεταφορών έδειξαν ελαφρώς μειωμένο ενδιαφέρον για τη δημόσια συγκοινωνία κατά τη διάρκεια της πανδημίας, αλλά και ένα ελαφρώς αυξανόμενο ενδιαφέρον για τις υπαίθριες μεταφορές (π.χ. ποδήλατα).

Εικόνα 6. Εκτίμηση των εσόδων ανά διαθέσιμο δωμάτιο (RevPAR) για διαφορετικές ομάδες χωρικών παραγόντων

Η χωρική κατανομή των εμπορικών καταστημάτων (αυτά που δεν πουλούν τρόφιμα) επηρεάζει θετικά την απόδοση. Η πυκνότητα των καταστημάτων τροφίμων δεν ήταν σημαντική, ενώ τα καταστήματα μη-τροφίμων και τα εμπορικά κέντρα εμφάνισαν θετικά και ιδιαίτερα σημαντικά αποτελέσματα. Αυτό υποστήριξε τη δεύτερη υπόθεση, αλλά μόνο εστιάζοντας στα καταστήματα μη-τροφίμων. Το εμπόριο αύξησε οριακά την ποσοστιαία διακύμανση που εξηγήθηκε κατά τη διάρκεια της πανδημίας, λόγω της αύξησης του συντελεστή της πυκνότητας των καταστημάτων μη-τροφίμων.

Το μέγεθος (υπνοδωμάτια, μπάνια, μέγιστος αριθμός επισκεπτών) παρέμεινε πολύ θετικό και ιδιαίτερα σημαντικό σε αμφότερες τις περιόδους, δείχνοντας σταθερότητα, ωστόσο, η συνολική εξήγηση της διακύμανσης από το μέγεθος μειώθηκε έντονα, υποστηρίζοντας την πέμπτη υπόθεση.

Τα χαρακτηριστικά των επισκεπτών (αριθμός κριτικών, συνολική βαθμολογία) παρέμειναν πολύ παρόμοια και στις δύο περιόδους.

Συνολικά, η αξία της τοποθεσίας ήταν πολύ υψηλότερη το 2020 από ό,τι το 2021. Ωστόσο, η περιοχή που κάλυπτε τις θετικές διακυμάνσεις σε σχέση με ένα τυπικό κατάλυμα ήταν πολύ μεγαλύτερη το 2021 από ό,τι το 2020.

Εικόνα 7. Εκτίμηση όλων των τοποθεσιακών χαρακτηριστικών (RevPAR_gl)

Δ.6 Σκέψεις-ιδέες προτάσεις σχετικά με την έρευνα

Η έρευνα αποτελεί ένα ιδιαίτερα χρήσιμο παράδειγμα ανάλυσης της επίδρασης εξωτερικών κρίσεων, όπως η πανδημία COVID-19, στην τουριστική οικονομία, εστιάζοντας στις βραχυχρόνιες μισθώσεις τύπου Airbnb. Το άρθρο αναδεικνύει πώς μεταβάλλεται η σημασία διαφόρων παραγόντων (όπως η τοποθεσία, οι όροι κράτησης και τα χαρακτηριστικά του οικοδεσπότη) σε περιόδους αστάθειας και αβεβαιότητας.

Η έννοια του “spatial spillover” παρουσιάζει ιδιαίτερο ενδιαφέρον, καθώς υπογραμμίζει ότι τα έσοδα μιας καταχώρισης δεν εξαρτώνται μόνο από τα εσωτερικά της χαρακτηριστικά, αλλά και από το τι συμβαίνει στη γειτονιά ή ακόμη και στο “δίκτυο” των κοντινών καταχωρίσεων.

Μια ενδιαφέρουσα πρόταση για μελλοντική έρευνα είναι η σύγκριση μεταξύ διαφορετικών ευρωπαϊκών πόλεων (π.χ. Αθήνα, Λισαβόνα, Βαρκελώνη) για να διαπιστωθεί εάν τα ευρήματα του Μιλάνου ισχύουν σε διαφορετικά πολιτισμικά και πολεοδομικά περιβάλλοντα. Επιπλέον, θα ήταν σημαντικό να εξεταστεί πιο αναλυτικά η επίδραση των οικοδεσποτών: Πώς αντέδρασαν οι “απλοί” ιδιώτες σε σύγκριση με τους επαγγελματίες με πολλά ακίνητα;

Από την πλευρά της πολιτικής, οι δήμοι θα μπορούσαν να αξιοποιήσουν τέτοιες έρευνες. Θα μπορούσαν να προχωρήσουν σε επενδύσεις σε βιώσιμες μεταφορές (όπως ποδηλατοδρόμους και μέσα μαζικής μεταφοράς) και να ενισχύσουν τις τοπικές εμπορικές αγορές, καθώς φαίνεται ότι έτσι αυξάνεται η ελκυστικότητα μιας περιοχής για τουριστική διαμονή.

Παράλληλα, οι οικοδεσπότες οφείλουν να προσαρμόζουν τις υπηρεσίες τους στις νέες ανάγκες των επισκεπτών (ευελιξία ακύρωσης, υγειονομική ασφάλεια, ταχύτατη επικοινωνία), ώστε να παραμένουν ανταγωνιστικοί σε περιόδους κρίσης.

Συνολικά, η έρευνα προσφέρει σημαντική θεωρητική και πρακτική αξία και μπορεί να αποτελέσει τη βάση για περαιτέρω μελέτη στον τομέα της βραχυχρόνιας μίσθωσης.

Πηγή αρχικής εικόνας: Pexels

Share on Facebook

Tweet