在线阅读杂志

    2018年05月20日

    第10期 总第484期

    封面文章
    “网银”殊途同归路
    金融服务似乎正在以你想要的方式前行。 相应的,金融的生态及格局也在发生重大变化。技术的推动让金融的数字化转型愈发明显,传统金融机构“离柜率”同互联网银行业务激增形成强烈的对比。[详细]
    精彩推荐
  • Airbnb这样的分享经济,究竟谁获益?

    时间:2016-05-23    来源:百度百家    作者:李华芳 我要评论() 字号:T | T

  • 谁能从Airbnb的“共享”经济中得到奶酪?

    Intetix Foundation(英明泰思基金会)由从事数据科学、非营利组织和公共政策研究的中国学者发起成立,致力于通过数据科学改善人类社会和自然环境。通过联络、动员中美最顶尖的数据科学家和社会科学家,以及分布在全球的志愿者,我们创造性地践行着我们的使命:为美好生活洞见数据价值。

    原文链接:http://arxiv.org/abs/1602.02238 

    原作者:

    Giovanni Quattrone

    (Dept. of Geography University College London, UK )---g.quattrone@cs.ucl.ac.uk

    Davide Proserpio

    (Dept. of Computer Science Boston University, USA)--- dproserp@bu.edu

    Daniele Quercia

    (Bell Laboratories Cambridge, UK)--- quercia@cantab.net

    Licia Capra

    (Dept. of Computer Science University College London, UK)--- l.capra@ucl.ac.uk

    Mirco Musolesi

    (Dept. of Geography University College London, UK)--- m.musolesi@ucl.ac.uk

    摘要

    在过去的几年里,共享经济平台以极其迅猛的势头流行起来,它们改变了我们在上下班交通、旅行和许多其他日常中租借物品的方式。不过虽然它们在消费者中好评如潮,但参与其中的商家却缺乏管理。以Airbnb为例,Airbnb作为最成功的共享经济平台范例之一,却经常被管理者和政策制定者批评。在理论上来说,各市政厅应该通过循证决策来管理Airbnb这类平台,但现实中他们却采用了错误的二分法:一些市政厅对某商家不进行任何监管,但其他则完全相反。这种现象的产生是因为没有明确的政策草案来规范。在本文中,我们建议收集互联网中的信息来进行决策。在抓取Airbnb对于整个伦敦的数据后,我们了解了Airbnb的房源是在何时何地罗列出来的,然后根据信息列表中的调查和酒店数据的匹配,我们确定当地的社会经济确实受益于共享经济平台。现实比预计的更为微妙,而且它也在逐年改变。Airbnb的需求和供应随时间变化,但传统的规则已经不能应对这些变化,这就是为什么我们最后会依靠数据分析来设想一个能满足实时响应需求的规定,由此形成了关于“算法调节”的新兴理念。

    1. 介绍

    在过去的几年里,我们看到了共享经济平台的发展。这些平台利用信息技术使用户能够更充分的共享和利用商品和服务。共享经济的服务范围从交通延伸到住宿,再延伸到财务。共享经济中最引人注目的例子之一就是Airbnb,一个点对点的住宿网站。Airbnb把自己定义为“一个将能分享多余空间的人和正在寻找住处的人联系起来的社会网站”。公司成立于2008,在过去的几年迅速发展,如今已能列出分布在190多个国家和34000个城市超过150万个的居所。2014年底,这家公司已经拥有超过7千万的住宿预订。[1]

    共享经济的井喷式增长导致了世界范围内在监管和政*治*上的斗 争。共享经济的支持者认为这将带来许多好处,这些好处包括从这类服务的用户得到额外收入,更好地配置和利用资源,并为城市提供新的经济活动。[2]而另一方面,批评者则认为,共享经济所产生消极外部经济效益的坏处远远超过其产生的好处。大多数批评家谴责共享经济是一种自赢经济而不是共享,其本质是掠夺和剥削。事实上,这种经济行为掠夺的一面已经初见端倪:在Uber进入纽约市场后,出租车牌照的价格下降了约25%,[3]作者表明,Airbnb进入德克萨斯州后对酒店收入产生了负面影响。

    由于这种消极的外部经济效益,共享经济及其调控已成为非常热门的政策议题。许多市政厅试图在这些新的市场环境下强加旧法规,却没有妥善思考过这些律令是否适用于这些企业,同样他们也没有全面认识到这些新的服务所带来的利弊。此外,我们将在文章第二部分知道,这样一场争论对学术工作几乎没有造成影响。我们的目标是通过对Airbnb所采用的初步社会经济分析来填补这一漏洞,采取的方法是使用伦敦作为案例研究。伦敦之所以是极佳的案例,是因其社会经济和地理条件的高度多样性,以及对Airbnb极好的适应(2015年6月,伦敦有超过14000个Airbnb住处登记)。我们展示了哪些地区从Airbnb得益,以及这种洞悉是如何与决策制定相关起来。更具体地说,我们做出了两个主要的贡献:

    •我们抽取了Airbnb从2012到2015在伦敦的数据,研究这个平台在伦敦这个英国人口普查区的接纳程度(Section 4)。

    •我们分析这样的数据(Section 5)并对比得益地区和未得益地区的社会经济条件(Section 6)。

    之后我们提出了五条关于如何基于我们的洞见之后对Airbnb进行管理的建议,以此作为总结。

    2. 相关工作

    我们的工作涉及到越来越多关于共享经济管理的文献。这些领域的研究来自许多学科,从法律到经济再到政策。在[3]中,列举完共享经济对服务供应商和消费者产生的影响之后,作者讨论了这种软件平台的法规和政策。他们认为需要调整法律和法规来使这些平台合法运作。这将确保服务供应商,用户和第三方都得到充分的保护,免于任何可能的伤害。同样的观点作者在[8]中有提出。他们认为,当市场环境发生巨大变化的时候——或者当新技术或竞争缓解了监管的必要性的时候,公共政策应该进行相应的调整。Einav等人在[4]就关于共享经济的许可、就业规则、数据和隐私权展开讨论。他们通过考虑目前几个城市采用的规定并讨论的优缺点来论述。在[12]中,作者批评Airbnb现有的法规。[20] 提出了一个“共享”分类,包括正式性和酬金,并检验理论对共享情况的反馈。[16] 比较了Uber的监管套利效率。[15] 通过讨论这些创新不应受到监管但是同样不应该完全脱离管制,分析了在“创新法律视角”管理共享经济的困难。[2] 认为自我监管的方法和监管责任再分配可以用于政府以外的其他方。最后,[7] 研究了在Airbnb中财务激励是如何通过包容性和社交性进行调节的。

    虽然上述工作在定义共享经济规范方面有着出色成就,但他们中没有一个在基于经验证据的根本上论述真正的分享经济是什么样的,它是如何被采用,它能给谁添益。但相对的来看,本文认为通过对于Airbnb采用的实证调查,循证决策同样可以提供这些问题的答案。

    3.综述

    Airbnb的房源位于哪里?这是一个由市政厅,酒店经营者和旅客提出的最常见的问题。为了回答这个问题,我们抓取了大量Airbnb登记场所(从2012到2015年)和在伦敦的酒店的数据(这在下一节将详细描述),并且简单地标记了在城市内酒店和Airbnb房源的位置。Airbnb网站在整个家庭/公寓(如整体家居/公寓出租)和私人房间(只有一个私人房间出租或者是与他人分享的房间)之间有一个明显的区别。鉴于这个区别,我们分别标记了Airbnb的房屋(Figure 1b)和Airbnb的房间(Figure 1c)提供,并与酒店房间提供相对比(Figure 1a)。Figure1表明酒店在伦敦零星分布,大多集中在中心或邻近的主要机场(Heathrow)西侧。Airbnb房屋着重分布在市中心(与酒店相似),但他们也能到达距中心10公里的范围。Airbnb房间大量地分布,在市中心范围与前两者的分布基本一致,但不同的是,它在城郊地区同样分布广泛。

    在可视检验之外,我们计算了Airbnb和酒店之间的重叠部分。由于每个区域都可以多方面地被Airbnb和酒店覆盖,我们采用了模糊逻辑函数。具体地来解释,就是让bnb和hotel作为两个模糊集,以bnbi∈[0,1]和hoteli∈[0,1]表示,分别代表Airbnb和酒店在i地区的服务能力。如果Airbnb房源(酒店)的强度为零,则表示地区i完全不存在Airbnb居所(酒店),除非有表现出最大的存在(相对于整个数据集),否则,我们将假设中间值的存在比例。

     

    两模糊集的重合部分(bnb∩hotel)被定义为(bnb∩hotel) i = min{bnbi,hoteli},模糊集的基数被定义为|bnb| =∑i bnb i。我们从2012到2015每一年都计算对两种Airbnb房源类别的比率,房间和房屋(Table 1)。Airbnb居所(尤其是房间)往往是位于有酒店的地方。从2012到2015年来一直如此,而且这几年Airbnb房屋有所增加(具体为7%)。相反,酒店一般不会在有Airbnb居所的区域分布。因此,我们可以得出这样的结论:Airbnb房源比酒店覆盖更广阔的城市区域。

    因为Airbnb背后的时空动态变化是相当独特的(也肯定与酒店的有明显差异),我们将研究设置地更为细致,来回答四个主要的研究问题:

    RQ1 –Airbnb房源区的主要社会经济特征是什么?

    RQ2 –所有类型的列表是平等的吗?比如Airbnb房源的房间和整个房子什么区别吗?

    RQ3 –Airbnb房源的时间演化是怎么样的?

    RQ4 –Airbnb的客户实际上是去哪里?即Airbnb客户去的地方有什么主要社会经济特征?

    Figure 1: 分别是伦敦的酒店数量,Airbnb房屋数量,Airbnb房间数量的热点地图。区域颜色越深越深,表示数量越多。三个图例反映实际(不规范)的数字是具有可比性的。

    4.数据和指标

    要回答这些问题,我们需要从多方数据源收集信息。一方面,我们需要对Airbnb房源进行详细记录;另一方面,我们需要收集社会经济数据,从中推导出从邻里指标。

    4.1 Airbnb数据

    从2012中旬,我们定期从http://airbnb.com收集面向用户的信息,包括伦敦已经在Airbnb上出租的房源完整的消费信息。我们把这些用户作为主机,他们的居所作为房源。每个主机有一套关联信息,包括照片,个人陈述,他们的房源,客户点评,和Airbnb认证的联系信息。类似地,每一个房源信息显示了包括位置、价格、简短文字说明、照片、容量、可用性、入住和离开时间、清洗费用和安全存款在内的消息。

    我们收集的数据集包含了从2012年3月至2015年6月期间14639个不同的伦敦住户,17825个不同的伦敦房源信息,和220075个客户评论的详细信息。从这些数据我们可定义:

    Airbnb提供的单位面积(bnb_offering):在给定的伦敦区域,在一平方公里地表上Airbnb的房源登记覆盖的比例。我们还考虑了2种与考虑地表不同的正规化因素---居民和住宅的数量。对于这三种类型,其结果是可比的。

    Airbnb单位面积的需求(bnb_demand):在伦敦某一个地区平方公里内Airbnb评论的总数。我们使用评价作为需求的表现,这是因为它已经能显示人们留在一个地方超过70%的时间后留下的评论 [ 6 ]。

    4.2社会经济条件

    我们使用了两种不同的数据集,来反映伦敦地区的社会经济条件。

    4.2.1人口普查数据

    我们收集了2011英国政府人口普查数据,包含小的地区的人口信息。其中包括地区人口密度,有多少年轻人居住在那里,受教育的人口数量,以及适宜居住指数(例如,绿化百分比)。我们从这个数据集也收集到住房信息。这包括在一个地区目前的房间和房屋数量,房源出售的数量,拥有而非租用的住宅数量,和房屋平均价格。这信息对于整理一幅伦敦地区能提供的准确住房的类型图非常有用,就像流动的房地产市场那样。这些指标大多数已被广泛使用。相比之下,有小部分只被用于在数量有限的文件中,对此需要说明:

    种族的多样性(ethnical_mixed)。多样性指数的理念是从Chris von Csefalvay的数据博客[19]中提取。在博客中,作者描述了一种用数学生态学在英国和威尔士的多样性测量方法。这个度量计算居住在各地区的民族多样性作为Gini-Simpson 指数[5]。人口普查数据包含5个不同种族(在一个地区白人,黑人,亚洲人,混血和其他个体数量)。这5类被用来计算Gini-Simpson指数。该指数代表从一个地区随机选择2个人是不同的种族(与多民族地区关联很大)的概率。

    波希米亚指数(bohemian)。我们从Richard Florida [5]在波希米亚产生的工作影响入手,艺术家和同性恋人群对区域性房价影响的研究。笔者发现,新产生的“Bohemian-Gay 指数”对房价产生实质性的影响。因此我们可以推测,类似的度量可能对Airbnb产品数量或价格产生有趣的效果。不幸的是,由于性别不是英国人口普查信息的一部分,我们无法建立这个指标。因此,我们用Nick Clifton [1] 采用的分析伦敦的创意阶层的方法替代。根据Florida的工作,Clifton只使用英国人口普查提供的数据计算了文化的度量(波希米亚指数)。这个度量被定义为人在艺术,娱乐,创新的指标。

    熔炉指数(melting_pot)。这是Nick Clifton [1]用的二个指标,用以描述英国的创意类,计算式为该地区非英国出生的人口数量除该地区总人数。

    4.2.2 IMD评分

    我们还收集了可在小普查区水平的IMD数据[6]---被称为LSOAs。LSOAs被定义为大致常住总居民数(1500左右)。[7]IMD是一个综合得分,包括七个不同的领域:(i)的收入,(ii)就业,(iii)健康,(iv)教育,(v)的住房和服务,(vi)犯罪,和(vii)生活环境。为了我们的研究,我们收集了收入和生活环境两个指标的值,我们推测这两个因素与人口普查收集的数据相关,可能对数量和Airbnb提供类型产生影响。

    4.3吸引力

    一种传统的度量标准通常用来描述伦敦地区的交通运输能力(交通):地区价值越高,公共交通工具就越容易到达那里。这个指标可以从英国的人口普查中获得。为了捕捉伦敦要比其他地区更有吸引力的细微方面,我们从其他两个数据集对数据度量进行更加深入的计算。

    4.3.1四方网

    四方网于2009年推出,是最流行的基于位置的社交网络网站之一。[8]

    4.3.2地形测量

    地形调查是英国国家测绘局的工作。OS测绘通常分类作为更细致的国家测绘,不仅涵盖道路还有以百万计的不同性质的景点标识(POIs),从餐馆到医院再到宾馆。地形调查数据可以被自由使用。[12]

    4.4 Hotel Data 酒店数据

    为了研究Airbnb供应房是否位于传统住宿形式存在的地区,我们考虑了地形调查POIs中属于“酒店”、“旅馆”、“乡村住宅和酒店”类在归一化的平方面积内的数量。我们定义这个变量为hotel_offering。Table 2列出了我们迄今为止计算过的所有指标,以及我们接下来需要用到的指标。

    5.方法

    本节介绍了我们对于之前在Section 3末尾提出的四个问题的发展。

    5.1分析单元

    这项工作的目的是衡量Airbnb在同城不同区(本例在伦敦)的房源的数量和产品类型,以及研究房源和社区的社会经济条件之间的关系。

    为了做这些,我们需要去定义用于分析的空间单元—伦敦具有代表性的不同地区。因此,我们选择一个空间单元也就是区。在英国用官方的地理定义的区,[13]我们在Figure 2标出伦敦625个区。虽然我们知道这些区可能在特征上不完全均匀,而且区的尺寸来自统计学有效数据点数量的集合,它是不可能通过较小的地理单元如LSOAs,来获得的。从现在开始,为了简单起见,我们将把区称为“地区”。无论数据是否在不同粒度级别,我们将它聚合到区级信息。例如IMD的数据,这在LSOA的水平上是可行的;在上文所提及的情况下,我们将IMD一个区的指标当作区的LSOAs的IMD平均得分。在聚集过程中仅有很少的信息丢失,如在同一区内对于LSOAs的IMD评分将会非常一致(对所有的区来说,标准差小于相应的平均值)。

    在时间单位的分析中,我们必须承认,英国2011年的人口普查数据和参考2014 / 2015年的其他组的数据之间有一个四年的差距。然而,即使在存在这一差距,所有组仍有交叉比较的可能。这是因为人口普查数据的采集在英国是每10年进行一次,因此,统计指标都在4年的时间窗口内是保持不变的。

    5.2方法

    本文的目的是给出‘Airbnb为给谁带来经济利益’的前景。第一步,我们研究了哪一种伦敦地区的社会经济因素会与Airbnb房源显著相关。

    6. 结果

    本节包含两个部分,在第一部分我们给出了接纳度矩阵互相关分析的初步结果,而在第二部分描述了我们的调查结果。

    6.1 初步分析

    表格2中各变量间相关性可通过互相关矩阵(如图3所示)给出。从第一行可以看出哪些变量和Airbnb供应量相关联。从表中可以看出,Airbnb房源更多分布在公共交通条件较好、居民整体上较年轻、有工作、且非英国出生比例较高的区域。相反地,在住宅多于公寓、自有房产多于租房的区域(这样的区域很可能是近郊区域)则分布较少。从图3中的第二行,即对Airbnb的需求,也可以得到类似的结果。

    这些有限的结果证明了特定附件社会经济条件与Airbnb供需会有所影响的假设。为得到更详细的结果,我们进行了回归分析。由于部分的独立变量显示出了其互相关水平,所以我们希望并非所有我们所用的变量在之后的回归分析中都有同等的重要性。 

    6.2 RQ1 社会经济条件

    在绘出Airbnb房源图表(图1)后,我们发现供应量与其城中心距离高度相关。因此,我们对伦敦每单位面积的Airbnb供应数目与第4节中所提到的社会经济变量和距城中心距离作了回归分析。早先的研究表明,伦敦有十个不同的”城邦“[17]。因此,我们计算了其各个行政区地理中心与这些“城邦”地理中心的距离,并以其中的最小距离作为我们的“中心距离”,并以此测试了我们的假设,即距离各中心区越近则Airbnb的供求就越高。 

    6.3 RQ2 Airbnb 房间 VS 住房

    至此,我们已经证明,如果我们对Airbnb的房源一视同仁,会发现其更倾向于分布在科技较发达、更为富裕且有更多年轻租房者的区域。但事实上,Airbnb房源间有着很大区别,其中很明显的一点就在于整间住房和私人房的区别。因此在本节中,我们考虑将Airbnb的房源分为两类(见表4)再重做如上分析。我们发现了二者间重要的区别:Airbnb房间更多分布于有着更多受教育程度较高且非英国出生的租客的区域,而Airbnb住房则更多分布于高档住宅区。

    6.4 时间因素

    因为我们得到的Airbnb的数据包含了超过4年的数据,故能够对其时间特征进行研究。为此,我们对Airbnb从2012年(即Airbnb开始进入伦敦市场的当年)开始每年的房源数目与我们所得的社会经济要素集合作回归分析,从而得到Airbnb供应量随时间变化趋势:哪些特征始终与其发展相关,而哪些又随时间变化了。表5是由2012到2015这四年数据中获得的估计结果。

    2012年

    处于早期阶段,最重要的预测因素是其地理位置,即Airbnb最先由靠近市中心区域开始。早期的租客多为年轻和种族多元化的住在中心区的人群。早期的租客中有一定比例为学生,与有工作者数目成反比。

    2013年

    与中心的距离相应系数的减少以及FourSquare网站统计上显示不再如以前重要,均表明了在第二阶段Airbnb进入不再以精通技术的年轻人为主的区域,而逐渐倾向于有如下两种类型居民的区域,其一是拥有自己的房子,其二则是经济上拮据的(收入变量呈现负相关)。

    2014和2015

    2013年中的趋势仍在继续,尤其与Airbnb供应量关系最为密切的两个因素:低收入和大量租房。同样地,这表明Airbnb能对经济拮据人士有所帮助。

    总体上可以概括为三个观点:首先,中心区域这一因素的重要性逐年下降,而距中心的距离相应系数也在下降,foursquare这一变量在统计上而言不再如之前重要。再者,人群收入的负相关程度逐年提高——后来的用户为了额外收入而加入Airbnb。最后,已有房产的比例其负相关程度也逐年提高——后来的用户更多为无自有房产人群。

    6.5 RQ4. Airbnb客户的实际去向

    我们认识到房源数目并不能完全反映租用事件,因此,在本节中,我们以用户评论为参考研究Airbnb的需求量。据文献6,Airbnb的评论完成率很高——评论数与住宿数比例达70%以上。因此,评论数可以作为分析需求量很好的依据。

    我们将前面提到的回归模型用于研究过去4年,即2012到2015年,其需求量与周围社会经济条件的关联。在6.4节对供应量进行研究时我们发现Airbnb最先在中心区域被接受,继而向城市不同区域发展,但对Aribnb的需求量研究却得不到类似的发展模式,评论的模式在各年都是类似的。因为我们并没有发现其在时间上有所差异,表6是单独对2015年的估计结果: (理所当然地,)旅游区有着较高的Airbnb需求,这些区域靠近中心区域且有着大量FourSquare登记记录和高人口密度。

    7讨论

    基于上述结果,我们给出五项关于市政厅应如何设定(7.1节)、施行(7.1节)以及改善管理规例(7.3节)的建议。在7.4节,我们也对本章进行总结并指出存在的限制。

    7.1 管理

    为了适当管理短期出租,需要考虑如何管理、在何处管理、何时管理以及管理对象的问题。

    如何管理

    设想有一个和Stephen Miiler提出的方案类似的管理框架,其中短期出租是可转移享用权利的合法形式[12]。每个屋主都有权经营一定时间的短期出租。为保证市场效率,转移权需要高效化,企业或许能予以帮助。事实上,保证效率的一大途径是构建出售可转移享用权的网络平台,也就是类似于StubHub的售票方式。网络平台为根据市场需求实时调价提供了条件。需求量在一定程度上会与本地的政策相关,尤其出租价格会因城市旅游市场而变化。由于我们的分析显示Airbnb在不同地区分布不一,社区共享权也会依照社区经济发展计划分配。如果屋主不想自己经营,这项权利也能被出售给别人。共享权市场带来的税收都会流向市政局,这能在不增加现有税的基础上增多税收,而对附近户主而言,这会被用于补偿其带来的影响。

    建议1:建造新的网络平台来为“可转移共享权”提供方案,并且其网络平台上的价格应以实时市场需求和各地不同的政策为基础。该方案应解决由该平台上的短期出租带来的影响问题。(比如,经济活动分散)而且,该方案应基于附近的环境,故在同一城市里也可能因为不同的社区环境而变化。

    何时 & 何地

    对于分区而言,对分派许可证地点的管理十分重要,原因如下:

    1 初始条件很重要。基于我们的时域分析(6.4节),我们发现初始地理条件会对哪些区域会从共享经济中最终受益而哪些不会有很大影响。

    2 本地经济收益。Airbnb可作为经济发展的工具,在Airbnb客户会花费相当一部分金钱在原有社区居民上。

    3 旅游业是可持续的。当地政府首先应考虑让旅游业持续发展。在大城市,游客多聚集于中心区域,而居民通常并不能应付增长的需求量。当地政府正研究分散游客的策略。我们的分析显示,与酒店相比,Airbnb房源有更广阔的位置分布(第3章),因此能让城市的游客量负载相对平衡。

    4 应避免过于集中的短期出租。如果某个街区有过多的短期出租,那么它的原有特征和氛围就必然会逐步消退。在我们设想的框架下,分区应能限制共享权。

    建议2:可转移共享权在分配时应考虑四大要素:对未来接纳度的影响,本地经济的发展,旅游业的可持续性以及避免短期出租热点。

    管理对象

    共享经济平台相互间有所不同,而管理制度也应与之相应。出租车行业和酒店行业没有法定的框架,而Uber和Airbnb也不应有。另外,如在Airbnb不同房源分类中所提到的,同一平台上也存在着各种重要差异。因此,了解管理的对象十分重要。基于上述结果,我们认为房间和房子应分别管理,原因如下:

    1 社会经济条件不同。与房子出租相反,房间出租更多集中于城镇低收入但受教育程度高的部分(比如学生),而且主要是非英国出生人口。(6.3节)而房子出租则更多分布在富裕地区。

    2 社会影响不同。在中心社区,租房的人中富裕人群的比例越来越高(6.2节)。如果不加以管理,长时间下来会对这些社区的社会结构造成影响。研究表明,建立Putnam所说的邻里间的“社会资本”需要一段时间(数年),而短期出租的集中对此毫无帮助。而且,人们的幸福感会受到影响,这点可由人们自己了解和定期拜访邻居的次数看出。

    建议3: 可转移共享权利的管理应根据其出租的是房间还是房子而改变。

    7.2施行

    管理规例只有在实施以后才会生效。施行中很重要的一部分在于辨识罪犯。为此这可以像银行常做的那样,从数据中辨认反常行为。通过匹配Aribnb数据和人口资料,我们能发现Airbnb房间分布与租房人群区域不成比例(6.4节)在伦敦,这意味着短期租用的房客几乎必然会转租他人而违反出租条例。通过Airbnb住房出租和住房所有权数据的互相关很容易建立起违规转租的索引。然而,只有在市政厅以物质激励数据共享生态系统的形成时,上述分析才有可能。而共享经济企业能够也应该共享部分数据。这些数据应能充分明确地支持政策的建立和改善,但又应有所保留从而保护客户的隐私和安全。

    建议4:市政厅应以物质激励数据共享生态的形成。

    7.3 改善

    在定义和施行了管理规例后,一座城市需要举办市民听证会。共享经济平台能提供用于评估短期租用市场的数据(比如,对公共服务增长的需求),并据此改善管理。

    建议5:市政厅应时常基于数据评估短期租用的影响,并据此改善管理。

    7.4 限制

    我们的研究有两个主要限制。首先本研究局限于伦敦,而Airbnb的接纳度和社会经济条件在不同城市都各有差异,故我们的结果对其他城市可能并不适用。第二,我们确实有Airbnb的纵向数据,因此我们观察不同时刻地点其接纳度随时间的变化,但社会经济方面我们只有剖面数据,这让我们的因果分析十分困难。在将来,我们计划通过在Inside Airbnb. Adding Data to the Debate. 上的免费Airbnb数据以及更深入收集长期社会经济数据,扩展研究更多的城市。

    8 结论

    在共享经济的管理上力度仍显不足(孤立案例,比如波特兰、俄勒冈州)[15]

    我们把伦敦作为实验地点,在不显眼地收集到的数据上研究并发现Airbnb的环境亟需管理。大量短期租庸的需求来自旅游地区,这些地区会随时间变化,因此传统的管理方法并不能很好地与之相适应。根据我们的分析结果,我们给出了管理Airbnb的五项建议。

    我们的尝试有助于一般意义上的算法式管理,这需要分析大量的数据来建立能对实时要求做出响应的管理规例。这样的方式或许能用于管理任意市区问题而不依赖于共享经济。

    幸亏城市大都十分欢迎共享经济和来自世界各地仍能感觉宾至如归的游客的到来,未来将深入构建广泛的基于证据的法律架构。

    参考文献:

    1.See: http://www.reuters.com/article/2015/09/28/usairbnb-growth-idUSKCN0RS2QK20150928

    2.Airbnb itself released several studies quantifying the positive economic impact of the company in many cities around the world. For more details see: https://www.airbnb.com/economicimpact

    3.See: http://www.nytimes.com/2015/01/08/upshot/newyork-city-taxi-medallion-prices-keep-falling-nowdown-about-25-percent.html

    4.See: http://data.london.gov.uk/dataset/wardprofiles-and-atlas

    5.The Simpson diversity index is a measure that reflects how many different entries there are in a data set and the value is maximized when all entries are equally high [18].

    6.See:https://www.gov.uk/government/uploads/system/uploads/attachment_data/file/6871/1871208.pdf

    7.See:https://www.gov.uk/government/statistics/english-indices-of-deprivation-2010

    8.See: About

    9.See: https://en.wikipedia.org/wiki/Foursquare

    10.See: https://api.foursquare.com

    11.See: www.ordnancesurvey.co.uk

    12.See: www.ordnancesurvey.co.uk/resources

    13.See:https://geoportal.statistics.gov.uk/Docs/Boundaries/Wards_(E+W)_2011_Boundaries_(Full_ Extent).zip

    14.The Moran’s test is a measure of spatial autocorrelation developed by Patrick Alfred Pierce Moran [13]. Values range from

  • 加入收藏
  • [ 作者:李华芳 ]
  • 分享到: 更多
    标签:
  • 相关推荐
    · Airbnb进军养宠界?揭开petbnb真相 .2015-09-01
    · 10亿美金的教训——我居然错过Airbnb的天使轮2015-07-24
    · 布瑞恩与Airbnb.com2014-10-10
    · Airbnb牵手穷游网,好模式能否落地中国市场?2014-06-06
    · Airbnb牵手穷游网,好模式能否落地中国市场?2014-06-05
  • 最新消息
    · Airbnb这样的分享经济,究竟谁获益?2016-05-23
    · 直播大战进入淘汰赛2016-05-19
    · 就业形势差,难道连云计算也抢我饭碗?2016-05-18
    · 格力营收暴跌 董明珠回应10亿赌约:输的一定是雷军2016-05-16
    · 你坐的专车安全吗?2016-05-11
      已有条评论,查看更多评伦发表评论
  • 用户名:  密码:              匿名发表  | 注册会员
  • 网友评论仅供网友表达个人看法,并不表明本站同意其观点或证实其描述