Delingsøkonomiens fremvekst
Effekten av Airbnb på hotellbransjen i Norge
Jens Magnus Furuholmen
Masteroppgave ved økonomisk institutt
November 2016
Delingsøkonomiens fremvekst
Jens Magnus Furuholmen
Masteroppgave ved Økonomisk institutt
Veiledet ved
Frischsenteret for samfunnsøkonomisk forskning
Dr. Simen Markussen
For å oppnå graden
Master i samfunnsøkonomi
November 2016
Opphavsrett cJens Magnus Furuholmen, 2016
Delingsøkonomiens fremvekst. Effekten av Airbnb på hotellbransjen i Norge http://www.duo.uio.no
Print: Reprosentralen, Universitetet i Oslo
Sammendrag
Fremveksten av digitale plattformer hvor brukere kan handle med hverandre er i ferd med å endre økonomien i store deler av verden. Tjenester i den såkalte
«delingsøkonomien» reduserer transaksjonskostnader nok til å muliggjøre pri- vat utleie i markeder som tidligere har vært dominert av tradisjonelle bedrifter.
Airbnb er et av flaggskipene i delingsøkonomien, og har på kort tid vokst til å bli en av verdens største tilbydere av overnatting for reisende. Denne opp- gaven forsøker å måle effekten Airbnb har hatt på hotellbransjen i Norge etter opprettelsen av selskapets norske nettside i 2013. Jeg sammenligner utviklingen i hotellbransjen i 54 kommuner i Norge fem år før og tre år etter nettsiden ble oppført. Ved bruk av metodendifference-in-differences (DD) estimerer jeg at Airbnb hadde en negativ påvirkning på norske hotellers kapasitetsutnyttelse og feriebesøk. Jeg ser også tegn til at Airbnb vokste frem i områder med en gunstig markedssituasjon for korttidsutleie. Oppgaven viser at delingsøkonomien ikke eksisterer ved siden av det tradisjonelle markedet, men som et imperfekt sub- stitutt til vanlige varer. Arbeidet mitt er relevant i debatten om hvilken rolle delingsøkonomien skal spille i Norge i fremtiden, spesielt med tanke på hvilke reguleringer som eventuelt bør innføres.
Forord
Denne masteroppgaven markerer avslutningen på fem år med studier i sam- funnsøkonomi ved Universitet i Oslo. I oppgaven har jeg benyttet mye av det jeg har lært på studiet, samtidig som arbeidet har gitt nye utfordringer og lær- dommer.
Valget av temaet delingsøkonomi kommer av et ønske om å skrive om et sam- funnsfenomen som er nytt, uutforsket og omdiskutert. På den måten håper jeg å komme med et bidrag i en debatt med behov for uavhengig forskning.
Jeg ønsker og takke veilederen min Simen Markussen for uvurdelige råd i ar- beidet med denne oppgaven, og ikke minst for entusiasmen han viste for ideen min. Jeg ønsker også og takkeFrischsenteret for økonomisk forskning for å ha gitt meg stipend og en kontorplass i et hyggelig miljø. Til sist vil jeg takke Sindre Eilertsen, Linnea Lorentzen, Adam Reiremo og Christine Furuholmen for verdifulle kommentarer.
Analysen i denne oppgaven er blitt gjort i programvaren STATA. Dersom noen ønsker å validere resultatene mine, vil datasett og do-filer bli tilgjengeliggjort ved forespørsel,.
Oslo, november 2016 Jens Furuholmen
Innholdsfortegnelse
1 Introduksjon 1
1.1 Airbnb . . . 3
1.2 Konseptuelt rammeverk - Hvorfor lykkes Airbnb? . . . 3
1.3 Regulering av Airbnb . . . 4
2 Relatert litteratur 5 3 Data 7 3.1 Airbnb-data . . . 7
3.2 Hotelldata . . . 10
3.3 Andelen Airbnb . . . 13
4 Regional variasjon i Airbnbs størrelse 14 4.1 Geografisk fordeling av Airbnb . . . 15
4.2 Airbnbs fremvekst i Norge . . . 17
4.3 Forskjeller i kommuners hotellmarked . . . 20
4.4 Formål med reisen og gjesters opprinnelsesland . . . 24
4.5 Hva forklarer Airbnbs fremvekst - Regresjonsanalyse . . . 26
5 Empirisk strategi 30 5.1 Avhengige variabler . . . 30
5.2 Forklaringsvariabel . . . 31
5.3 Kontrollvariabler . . . 32
5.4 Resultater . . . 33
6 Test av robusthet 36 6.1 Antagelse om lineær vekst . . . 36
6.2 Profesjonelle utleiere . . . 38
7 Diskusjon og konklusjon 39
8 Vedlegg 46
Tabell-liste
1 Deskriptive data . . . 11 2 Antall aktive boliger ved slutten av året i Airbnbs syv største
markeder. Kilde: Airbnb . . . 16 3 Antall aktive boliger ved slutten av året i Airbnbs syv minste
markeder i utvalget. Kilde: Airbnb . . . 16 4 Airbnbs andel av utleieenheter i ved slutten av året i prosent -
syv kommuner med den største andelen og syv kommuner med den minste andelen. Kilde: Airbnb, SSB . . . 18 5 Tversnittsregresjon. Effekten på Airbnb-andelen i 2015 av kapa-
sitetsutnyttelse, pris, reiseformål og opprinnelsesland i 2012. . . . 27 6 Tversnittsregresjon. Effekten på Airbnb-andel i 2015 av endrin-
gen i kapasitetsutnyttelse, pris, reiseformål og opprinnelsesland fra 2007-2012. . . 28 7 Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på
utfall knyttet til hotellers kapasitet. . . 33 8 Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på
utfall knyttet til hotellers inntekt. . . 34 9 Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på
utfall knyttet til hotellers besøkstall. . . 34 10 Paneldataregresjon uten årene 2013-14 . . . 38 11 Paneldataregresjon med skalering for belegningsgrad . . . 39 A1 Liste over kommuner i utvalget med størrelsen på Airbnb i 2015 . 46 A2 Beskrivelse av variabler . . . 47
Figurliste
1 Aktive Airbnb-boliger i Norge etter opprettelse av Airbnb.no. . . 8
2 Antall måneder Airbnb-boliger var tilgjengelig for leie, og antall måneder de faktisk blir leid ut. September 2015 - september 2016. Kilde: Airdna. . . 14
3 Utleide Airbnb-boliger i 2015. Kilde: Airbnb . . . 15
4 Til venstre: hoteller i Oslo september 2016. Kilde: Kayak.no Til høyre utleide Airbnb-boliger i Oslo i 2015. Kilde: Airbnb . . . . 15
5 Antall rom, hotellkjeder i Norge. Kilde: Horwath, Airbnb . . . . 17
6 Andel Airbnb i Treatment- og kontrollgruppa. Den loddrette linja markerer opprettelsen av Airbnb.no. . . 19
7 Omsetning fra salg av hotellrom (losjiomsetning) i treatment- og kontrollgruppa. . . 20
8 Prisene på ulike Airbnb-alternativer. Kilde: airdna.co. . . 21
9 Inntekt per solgte rom i T- og C-gruppa . . . 22
10 Kapasitetsutnyttelse av rom . . . 23
11 Utlendingers andel av besøkende på norske hoteller når gjester er delt inn i gruppene utlendinger og nordmenn. . . 24
12 Feriegjesters andel av alle besøkende på norske hoteller når gjester er delt inn gruppene ferie og jobb etter reisens formål . . . 25
13 Aktive Airbnb-boliger i Oslo . . . 37
1 Introduksjon
Fremveksten av digitale plattformer hvor brukere kan handle med hverandre er i ferd med å bli en viktig del økonomien i store deler av verden. Den klassiske markedsformen med kunder og bedrifter, har fått en utfordrer i den såkalte delingsøkonomien, der individer kan selge og leie ut private eiendeler via en nettside eller mobilapplikasjon. Nettsider som Airbnb (overnatting), Taskrabbit (småjobber) og mobilapplikasjonen Uber (drosje) er kjente navn i bransjen, og har i dag millioner av brukere og milliarder i omsetning. Uber er verdens høyest verdsatte startup-bedrift (68 mrd $), og Airbnb ligger på tredjeplass (25,5 mrd
$)(Wall Street Journal, 2015). Det finnes også eksempler hvor både bruker og bedrift driver ideelt, som Coachsurfing (overnatting) og Khan Academy (utdan- ning), men de største aktørene er kommersielle. Det har fått flere til å påpeke at navnet delingsøkonomi gir et misvisende inntrykk av altruisme i et marked som i virkeligheten er kommersielt (Aftenposten, 2015). En ting aktører i del- ingsøkonomien i hvert fall har til felles er at de tilbyr digitale plattformer hvor tilbydere og mottagere enkelt kan kontakte hverandre. Ofte involverer det en vare som tidvis blir benyttet av eieren selv og tidvis «delt».
Denne oppgaven tar for seg nettsiden Airbnb, en av delingsøkonomiens største aktører, og den desidert største innen overnatting. Selskapet ble opprettet i 2008 og har base i San Fransisco, California. Siden opprettelsen har 70 mil- lioner reisende brukt Airbnb, flertallet av disse i 2015 (Airbnb, 2016a). I dag har Airbnb over to millioner utleieenheter i 191 land (Airbnb, 2016a). Det er flere hotellrom enn de to største hotellkjedene i verden, Hilton og IHG (IHG, 2015)(Hilton, 2015). Airbnb er populære også i Norge, med over ni tusen aktive boliger per 1. januar 2016. I 2015 sto 197 000 gjester for 591 000 overnattings- døgn i Airbnb-boliger her til lands (Airbnb, 2016b).
I oppgaven forsøker jeg å måle hvilke effekter fremveksten av Airbnb har hatt på hotellbransjen i Norge. Jeg ønsker å se om Airbnb er et substitutt eller kom- plement til vanlige overnattingstilbud. Dersom det første er tilfelle, forventer jeg at delingsplattformen vil påvirke pris, omsetning og tilbud av tradisjonell overnatting. For ansatte kan det bety lavere lønn og sysselsetting enn det som ellers ville vært tilfelle. Ved bruk av metoden difference-in-differences (DD) utnytter jeg regionale forskjeller i tilbudet av Airbnb. I områder hvor antallet Airbnb-boliger er høyt relativt til antallet hoteller, forventer jeg at eventuelle
effekter er sterkest.
Det pågår for tiden en debatt om delingsøkonomiens rolle i samfunnet og hvorvidt slike tjenester skal reguleres. Tilhengere av delingsøkonomien hevder det bidrar til lavere priser for konsumenter og effektivisering av økonomien ved bruk av uut- nyttede ressurser. Kritikere mener derimot at det fører til skatteunndragelse, svekkelse av ansattes rettigheter, boligmangel og høye boligpriser (NRK, 2016a).
I Berlin har man nylig innført et forbud mot å leie ut boligen sin til turister. For- budet er ment å forhindre boligmangel og høye priser. Lignende lovgivning kan være i ferd med å innføres i New York, og i Barcelona og Paris har utleiere blitt bøtelagt og pålagt å slette annonsene sine fra nettsiden (Reuters, 2016). I Norge har interessegrupper tatt til orde for å forby heltidsutleie (Dagens næringsliv, 2016a).
Den norske regjeringen har nedsatt et utvalg (Regjeringen, 2016) som blant annet skal: «Vurdere om reguleringer bør justeres for å oppnå større grad av symmetri mellom delingsøkonomien og tradisjonelle virksomheter, og vurdere om det eksisterer reguleringer som enkelte aktører bør unntas fra.»Denne opp- gaven tilbyr empiriske funn til debatten, og har betydning for hvordan samfun- net anser Airbnb og kanskje også delingsøkonomi i sin helhet.
I kapittel 1 av oppgaven presenterer jeg et rammeverk for modellering av del- ingsøkonomien og jeg forklarer hvordan boligutleie blir regulert i Norge. Kapittel 2 gir en gjennomgang av relatert litteratur. I kapittel 3 presenteres det tilgjen- gelige datamaterialet for oppgaven og jeg forklarer hvordan jeg samlet inn deler av datasettet. I kapittel 4 beskriver jeg Airbnbs omfang i Norge og undersøker hvordan plattformen har vokst frem i ulike kommuner. Jeg mistenker at Airbnb blir påvirket av de samme utfallene som jeg senere ønsker å studere (omvendt kausalitet). Derfor utfører jeg tversnittsregresjoner med Airbnb som avhengig variabel for å undersøke hva som har påvirket plattformens fremvekst. Kapittel 5 er den viktigste delen av oppgaven. Jeg presenter metoden min og utfører paneldata-regresjoner som forsøker å måle effekten av Airbnb på norsk hotell- bransje. I kapittel 6 utførerer jeg robusthetstester for å videre verifisere og støtte opp under resultatene i kapittel 5. Jeg avslutter oppgaven med en diskusjon i kapittel 7.
1.1 Airbnb
Airbnb startet i 2008 med at to romkamerater leide ut en luftmadrass på gulvet i leiligheten sin i San Fransisco. Siden den gang har selskapet vokst til å om- fatte over to millioner utleieenheter (Airbnb, 2016a), hvilket gjør det til verdens største tilbyder av overnattinger. Airbnb har også rukket å bli et symbol på delingsøkonomien, og regnes som den viktigste aktøren sammen med drosjesel- skapet Uber. Airbnb.no ble opprettet 1. januar 2013, og på tre år har over 9000 boliger blitt lagt ut til leie. Det innebærer mer enn en dobling i antall boliger per år.
Airbnb omtaler seg selv som «en betrodd markedsplass for folk å leie ut, op- pdage og bestille unike overnattinger rundt om i verden» (Airbnb, 2016a). En vert legger ut en annonse for boligen sin, og velger selv pris og hvilke dager den er tilgjengelig for utleie. Gjester kan deretter velge hvor de ønsker å bo, og hvor lenge. Airbnb beregner selv at 89 prosent leier ut sin primærbolig (Airbnb, 2016c), men det finnes også verter som leier ut flere boliger. Airbnb får inntekter for både gjester og verter. Gjester betaler vanligvis et gebyr på 6 til 12 prosent av prisen, men det kan i følge Airbnb være høyere eller lavere avhengig av spe- sifikasjonene i reservasjonen. Etter et besøk er fullført belastes verten med et gebyr på 3 prosent.
1.2 Konseptuelt rammeverk - Hvorfor lykkes Airbnb?
Kortidsutleie av bolig er ikke et nytt fenomen, men Airbnb har forbedret markedet på flere måter. For det første fungerer delingsplattformer utmerket til å koble kjøpere og selgere sammen (Einav, Farranto og Levin, 2015). Det gjelder for øvrig for flere aktører i delingsøkonomien. I utganspunktet er markedsaktører svært forskjellige. Kjøpere kan være interessert i helt spesifike produkter og selgere kan tilby en mengde varer til ulike priser. Airbnb løser dette ved å tillatte skreddersydde nettsøk med hensyn på pris og egenskaper ved boligen man ønsker å leie. Her har internett og digital teknologi vært essensielle fak- torer for suksess (Reisch og Thøgersen, 2015). Det er enkelt for kjøpere å få en oversikt over tilbudet, og det bidrar til å redusere transaksjonskostnaden ved handel. En annen faktor som reduserer transaksjonskostnaden er at det er gratis for å utleiere å annonsere produktet sitt på de fleste delingsplattformer.
Der utleiere før måtte kjøpe annonser for å komme i kontakt med potensielle
kunder, kan de nå annonsere gratis gjennom en nettisde eller mobilapplikasjon.
Videre tilbyr aktører i delingsøkonomien sikkerhet ved private transaksjoner.
Airbnb tar hånd om alle betalinger og reduserer dermed risikoen ved å handle.
Selskapet tilbyr også envertsgarantisom skal dekke eventuelle skader ved besøk Airbnb (2016d).
En viktig del av forretningsmodellen til selskaper i delingsøkonomien er knyttet til brukerrangeringer. Etter hvert besøk hos Airbnb får både gjester og verter mulighet til å gi motparten et terningkast og en kort anmeldelse. Rangeringen du får, avgjør hvor attraktiv du er som vert eller gjest. Et godt rykte bidrar til å skape tillit, og et dårlig rykte kan gjøre at andre brukere skyr deg. Ved å få oversikt over motpartens historikk kan useriøse aktører velges bort. Til sam- men sørger betalingshåndtering, vertsgaranti og brukerrangeringer for tillitt i det private utleiemarkedet.
Mange selskaper i delingsøkonomien nyter godt av nettverkseksternaliteter. Det vil si at verdien av et produkt eller tjeneste er avhengig av hvor mange som bruker det. Det klassiske eksempelet er telefonen. Jo flere folk som eier tele- foner, jo mer verdifult blir det å eie en telefon, men den gevinsten tar ikke nødvendigvis de som kjøper en telefon innover seg. Delingsøkonomien fungerer på samme måte. Hver gang en ny bolig registreres på Airbnb, øker utvalget for konsumenter og det vil tiltrekke mer etterspørsel. Airbnb er dominerende i markedet for privat kortidsutleie og vil av den grunn være det åpenbare valget for selgere og kjøpere. Det øker også forhandlingsmakten til selskapet, slik at det kan ta seg bedre betalt.
1.3 Regulering av Airbnb
I Norge betaler man ikke skatt hvis man leier ut under halvparten av arealet av sin egen bolig (Skatteetaten, 2016). Hvis man bor i boligen samtidig som gjesten, kan man derfor leie ut så mye man vil. Dersom man derimot leier ut mer enn halvparten av en bolig, er det skattefritt frem til inntekten overskrider 20 000 kr i året. Airbnb-verter som ikke bor i boligen samtidig som de leier ut må derfor forholde seg til den grensen. Hvis man tjener mer enn 20 000 i året på å leie ut over halvparten av boligen, må man skatte 27 prosent på hele summen.
Det er den samme prosentandel som kapitalskatt. I noen tilfeller anses utleie
som næringsvirksomhet. Da er skatteraten opp mot 50 prosent. «Om utleie av bolig/fritidsbolig skal regnes som virksomhet må bedømmes etter en konkret helhetsvurdering», i følge Skatteetaten. Debatten rundt Airbnb i Norge har blant annet handlet om hvilke tilfeller som skal regnes som næringsvirksomhet (Dagens næringsliv, 2016b). I tillegg har Norges handelsorganisasjon (NHO) utrykt skepsis mot skattefritaket og spekulert i at det eksisterer manglende rapportering (NRK, 2016b). Det er ingen bevis for at Airbnb-verter bedriver skatteundragelse. Derimot vil Airbnb-verter ha en skattefordel over hotellbran- sjen, hvis det viser seg at de to er konkurrenter. Det gjelder i midlertid ikke for verter som er registrert som virksomhet.
2 Relatert litteratur
Selv om det er et mye omtalt tema finnes det fortsatt lite empirisk forskning på delingsøkonomien og effekten den har på samfunnet. Likevel finnes det noen nevneverdige eksempler. Den mest relevante for denne oppgaven er Zervas et al. (2016), en amerikansk studie som i likhet med denne oppgaven forsøker å måle effekten av Airbnb på hotellmarkedet. De tar også i bruk en difference- in-differences empirisk strategi, som utnytter regionale forskjeller i innføringen av Airbnb over tid. Ved å se på introduksjonen av Airbnb i Texas fant forskere en negativ effekt på hotellomsetningen i områder hvor delingsplattformen opp- trådde hyppigst. Effekten var sterkest for hoteller som var billige og som ikke spesialiserte seg på forretningsreisende.
Airbnb har publisert en rekke rapporter om seg selv, men disse har en tendens til å ha en ensidig positiv fremstilling. Selskapet ønsker å fremstille seg som en aktør ved siden av hotellnæringen, som tilbyr ekstrainntekter for vanlige folk.
Blant annet trekkes det frem at 74 prosent av boligene som annonseres ligger utenfor hoveddistrikter for hoteller (Airbnb, 2016b). I en rapport Airbnb har laget om Norge hevder de at 89 prosent av medlemmene leier ut sin primære bolig, og at en typisk bolig leies ut 26 dager i året. Slik kan det fremstå som om Airbnb ikke konkurrer med vanlig overnattingsvirksomhet. På den annen side har en rapport bestilt avAmerican Hotel and lodging association (AHLA) fun- net at selv om andelen boliger til heltidsutleie kun er 3,3 prosent, utgjør det over en fjerdedel av Airbnb sin inntekt i USA (O’Neill og Ouyang, 2016). I tillegg finnes det verter som leier ut flere boliger. Disse utgjør 17 prosent av vertene
og står for 40 prosent av Airbnbs inntekt. Det er viktig å påpeke at hverken rapportene fra Airbnb eller AHLA er uavhengige og at de bevisst utelater noen tall til fordel for andre. Airbnb nevner for eksempel aldri at det finnes aktører som driver med profesjonell utleie. På den annen side er AHLA kun opptatt av aktører som driver profesjonelt. Airbnbs rapporter inneholder også svakheter ved at det blant annet ikke redegjøres for hva som er «en typisk leilighet» og
«hoveddistrikt for hotell». Det er heller ikke brukt statistisk analyse for å prøve og forstå kausale sammenhenger mellom Airbnb og hotellbransjen. Alt i alt kan ikke slike rapporter fortelle oss hvordan Airbnb påvirker hotellbransjen og vi er nødt til å se på mer avansert forskning.
Flere rapporter argumenterer for at Airbnb fører til høyere boligpriser i blant annet Amsterdam (ING-gruppen, 2016) og New York (BJH-advisors, 2016).
Rapportene peker på at boligprisene har økt relativt mye i sentrumsnære by- deler med mye Airbnb-boliger. Hypotesen er at potensielle boligkjøpere tillater seg høyere lån fordi de kan dekke kostnadene gjennom utleie. Det vil igjen føre til at de kan betale mer for boliger en de ellers ville. Det kan godt hende pås- tanden stemmer, men rapportene er for bombastiske i det de hevder at Airbnb har forårsaket økningen i boligpriser. Det er sannsynlig at prisene ville økt mest i sentrumsnære områder uavhengig av Airbnb, og at disse områdene tilfeldigvis er best egnet for å drive utleie via plattformen. En av rapportene viser også til korrelasjon mellom leiepriser og Airbnb-vekst, og hevder dermed at Airbnb presser prisen opp for leietagere. Igjen er problemet at sammenhengen ikke nødvendigvis er kausal, men kan være forårsaket av at det er mest gunstig å leie ut via Airbnb i områder hvor leieprisen for bolig er høy.
En håndfull studier har forsøkt å måle effekten på konkurranse og sosial velferd av bildelingstjenesten Uber. Gjennom en DD fremgangsmåte, finner Wallsten (2015) at opprettelsen av Uber førte til et fall i passasjer og priser for drosje- selskap i henholdsvis New York City og Chicago. Han tolker funnene som et bevis på at Uber er i ferd med å utkonkurrere tradisjonelleyellow cabs. Videre finner Wallsten at antall klager til drosjeselskapene går ned etter opprettelsen av Uber. Han anser det som et tegn på at misfornøyde kunder bytter til Uber, eller at drosjeselskapene forbedrer tjenestene sine i møte med konkurranse. I en annen studie ser Greenwood og Wattal (2015) på sosiale effekter av bildeling, og finner at Uber førte til færre alkoholrelaterte dødsfall i trafikken i USA.
Denne oppgaven bidrar også til forskningsfeltet som tar for seg substituering av tradisjonelle markeder medpeer-to-peer-markeder på nett. Det er markeder der brukere kan handle med hverandre gjennom en nettside som tilrettelegger for transaksjonen. Det finnes ikke noe klart skille mellom definisjonene avpeer- to-peer og delingsøkonomi, men sistnevnte blir oftest brukt i snakk om utleie av private eiendeler som ellers hadde stått brakk. Fraiberger og Sundararajan (2015) definerer skillet mellom delingsøkonomien og tidlligere nettbaserte sel- skaper ved at delingsøkonomien fokuserer på tilrettelegging av tilbakevendende korttidsleie eller tjenesteytelse snarere enn sporadisk videresalg. Kroft og Pope (2014) finner i en studie at fremveksten av Craigslist, den amerikanske varianten av Finn.no, førte til en nedgang i annonseinntekter for aviser. I tillegg sank an- delen ledige leieboliger på markedet. Det tyder på at Craigslist skapte redusert søkefriksjon, slik at tiden hver bolig lå ute til salgs sank. I en lignende studie finner Seamans og Zhu (2013) at annonsepriser i aviser falt etter at Craigslist dukket opp. Det kan være et utslag av økt konkurranse. Begge disse studiene har til felles med tidligere nevnte forskningsartikler at de utnytter variasjon over tid og sted i oppføringen av en nettside eller applikasjon.
I en empirisk studie om rasediskriminering, finner Edelman et al. (2015) at Airbnb-brukere med distinkte afroamerikanske navn, har 16 prosent mindre sjanse for å få positiv respons når de spør om å få leie en bolig. Studien ble gjennomført ved å sende 6400 forespørsler til verter i fem amerikanske byer.
Brukerne som sendte forespørslene var identiske med unntak av navnet. Både studien til Edelman et al. og studien til Zervas et al. samler store datasett om Airbnb ved å bruke automatiserte dataprogrammer, såkaltweb-mining eller web-scraping. Disse programmene er innstilt til å gå inn på Airbnbs nettside og samle store mengder data som ligger tilgjengelig.
3 Data
3.1 Airbnb-data
Airbnb er selektive på hvilke data som deles med offentligheten. Det er vanskelig å komme i kontakt med selskapet og de fleste forespørsler blir avslått. Likevel valgte Airbnb og dele noe data til bruk i denne oppgaven. Det er tall som Airbnb har brukt i sine egne publiserte rapporter og foredrag. All data i denne studien har dermed vært offentlig tilgjengelig på et gitt tidspunkt, men mye er ikke
lenger å finne. Tallene stammer fra en rekke publiseringer og har så vidt jeg vet ikke blitt analysert som et samlet sett. Det dreier seg om antall aktive Airbnb- boliger over tid i selskapets åtte største markeder i Norge. Det er henholdsvis Oslo, Bergen, Stavanger, Tromsø, Trondheim, Kristiansand, Lillehammer og Lofoten. Til sammen hadde disse områdene 77 prosent av alle Airbnb-boliger i landet ved utgangen av 2015. Fra oppstarten i 2013 vokste Airbnb i Norge til å omfatte over 1000 verter ved utgangen av året. To år etter åpningen av nettsiden var dette tallet steget til over 4000, og ved utgangen av 2015 hadde Airbnb 9222 verter.
Figur 1: Aktive Airbnb-boliger i Norge etter opprettelse av Airbnb.no.
Aktive boliger defineres av Airbnb som: «En bolig som kan bookes på Airbnb.
Det omfatter for eksempel hele hus og leiligheter, samt private rom. Aktive Airbnb-boliger er alle resultater som vises på hjemmesiden under et søk.
Alle aktive Airbnb-boliger er ikke nødvendigvis tilgjengelige på en gitt dato»
(Airbnb, 2016b). Det tyder på at boliger slutter å dukke opp på søk dersom de ikke har vært i bruk på en stund. Aktive boliger vil også variere fra å være tilgjengelig hele tiden, til bare å være tilgjengelig noen dager i året.
I tillegg til de åtte områdene Airbnb har delt data om, velger jeg 46 andre kom- muner og sjekker hvor mange aktive boliger det er i hver av disse. Kommunene
er interessante fordi de er de mest folkerike kommunene som det ikke allerede finnes Airbnb-tall for, eller fordi de er kommuner med stor hotellsektor. Det omfatter kommuner fra alle landets fylker. Antall aktive boliger finner jeg ved å gå inn på Airbnbs nettside og søke på hver enkelt kommune. Aktive boliger er alle annonser som dukker opp i søket. Det gir meg størrelsen på Airbnb i hver enkelt kommune for den dagen jeg søker. For å få tall før det tidspunktet antar jeg at Airbnb har hatt en lineær vekst fra opprettelsen av nettsiden frem til dagen jeg søker. Deretter gjør jeg en lineær interpolering fra opprettelsen av Airbnb i starten av 2013, frem til søkedatoen i oktober 2016. Til sammen er det data fra 54 kommuner. Ved slutten av 2015 var Oslo den klart største Airbnb-kommunen med 3995 boliger. Lom var den minste med bare 4 boliger.
Det er åpenbart betydelig variasjon i hvor stort Airbnb er i de forskjellige kommunene, også relativt til befolkningsstørrelse. Oslo har over 250 ganger så mange innbyggere som Lom, men hele 1000 ganger så mange Airbnb-boliger.
Tallene Airbnb har delt er gitt ved seks tidspunkt fra 30. juni 2013 til 31.
desember 2015. Tallene for de andre kommunene derimot, er kun målt ved ett tidspunkt i oktober 2016. For å få årlige tall for alle kommunene interpolerer jeg lineær vekst fra opprettelsen av Airbnb og frem til i dag. Jeg vet for eksempel at det er 40 Airbnb-boliger i Halden i oktober 2016. Hvis jeg antar at veksten opp til i dag har vært lineær, vil det si at det var 10 boliger i 2013, 20 i 2014 og 30 i 2015. Konsekvensene av antagelsen for analysen blir diskutert nærmere i kapittel seks.
Jeg har også data for Airbnb-pris for 17 av kommunene i utvalget1. Det omfat- ter gjennomsnittsprisen i hver kommune for ulike overnattingsalternativer (ett soverom, to soverom osv.). Det er hentet fra nettsiden airdna.co, som tilbyr data om Airbnb. Airdna er et eget selskap og er ikke tilknyttet Airbnb. Jeg har bare prisdata for aktive boliger etter oktober 2015 og kun for 17 av 54 kommuner i utvalget. Derfor brukes ikke data fra Airdna i regresjonsanalysen, men blir i stedet brukt for å få en oversikt over prisforskjeller mellom kommuner, og mel- lom hoteller og Airbnb. I tillegg har Airdna tall for antall dager Airbnb-boliger var til leie det siste året, og antall dager de faktisk ble leid ut2. Det vil bli brukt til å sammenlikne Airbnb-boliger og hotellrom.
1Oslo, Bergen, Stavanger, Kristiansand, Trondheim, Drammen, Tromsø, Lillehammer, Fredrikstad, Sarpsborg, Sandefjord, Moss, Halden, Gjøvik, Kristiansund, Molde og Narvik
2Oktober 2015 - oktober 2016
3.2 Hotelldata
Jeg har brukt en rekke avhengige variabler i analysen, men de viktigste er om- setning, pris, kapasitetsutnyttelse, reiseformål og gjestenes opprinnelsesland.
Alle data om hoteller er fra nettsiden Statistikknett.no som igjen henter sine data fra Statistisk sentralbyrå (SSB). I følge Statistikknett selv er de: «en formidlingskanal for den regionale reiselivsstatistikken fra SSB. Hensikten er å bearbeide og tilrettelegge datagrunnlaget slik at det er bedre tilpasset regionale brukeres behov». Reiselivsstatistikk er tilgjengelig på SSBs nettside, men kun på fylkesnivå. Derfor kjøper Statistikknett data fra SSB på kommunalt og re- gionalt nivå. Det omfatter variabler som blant annet omsetning, antall utleide rom, antall gjestedøgn og formål for besøk. Statistikknett er finansiert av norske fylkeskommuner og regionale reiselivsorganisasjoner, og innholdet på nettsiden er fritt tilgjengelig.
Jeg ønsker å måle effekten av Airbnbs relative størrelse og trenger derfor et mål på hotellbransjens størrelse i de ulike kommunene. Til det bruker jeg antall hotellrom til leie. Oslo har flest hotellrom i utvalget (12 099) og Lom har minst (126). Hotellstatistikken er i årlige intervaller fra 2007 til 2015. Det er fem år før og tre år etter opprettelsen av Airbnb i Norge.
Tabell 1: Deskriptive data
Obs Gj.snitt Median St.avvik Min Maks Airbnb-
boliger
2007-09 162 0 0 0 - -
2010-12 162 0 0 0 - -
2013-15 162 91,8 20,3 365 1 3995
Airbnb- andel %
2007-09 156 0 0 0 - -
2010-12 158 0 0 0 - -
2013-15 162 5,8 4,4 4,8 0,2 24,8
Hoteller
2007-09 156 8,9 5,9 8,1 3 53
2010-12 158 9,2 5,9 9,1 2 62
2013-15 162 8,8 5,3 10 3 69
Hotellsenger
2007-09 156 1638 895 2332 337 16100
2010-12 158 1888 1023 2759 330 19622
2013-15 162 2026 1068 3295 274 23032
Kapasitetsu- tnyttelse %
2007-09 156 51,9 52,4 12,1 23,1 76,2
2010-12 159 49,1 50,3 11,9 3,0 72,3
2013-15 162 50,1 50,5 9,5 20,3 75,2
Losjiomsetning (mill kr)
2007-09 156 12,6 5,3 26 1,5 183
2010-12 159 13,7 5,7 28 0,5 194
2013-15 162 338 6,5 35 1,6 244
Pris (kr)
2007-09 156 816 811 102 398 1053
2010-12 158 840 841 109 462 1177
2013-15 134 859 856 115 393 1265
Obs Gj.snitt Median St.avvik Min Maks Overnattinger
(1000)
2007-09 129 289 122 507 32 3143
2010-12 135 303 126 553 16 3576
2013-15 134 338 141 645 39 4389
Overnattinger nordmenn
2007-09 129 212 94 332 23 2048
2010-12 135 224 101 365 14 2342
2013-15 134 246 109 413 30 2659
Overnattinger utlendinger
2007-09 129 78 24 181 2,1 1152
2010-12 135 80 22 194 1 1264
2013-15 134 93 25 238 4,8 1730
Overnattinger jobb
2007-09 156 145 58 292 5,9 1980
2010-12 158 149 59 297 6,8 2022
2013-15 161 156 61 321 1,6 2247
Overnattinger ferie
2007-09 158 104 43 182 9,7 1252
2010-12 158 122 49 225 8,3 1554
2013-15 161 138 53 281 11 2142
Noter: Alle variabler for overnattinger er i oppgitt i enheter på 1000. Det mangler hotelldata for Sola i 2014 og Stjørdal 2007-10. For de følgende kommunene mangler det helt eller delvis data for besøkendes opprinnelsesland: Halden, Sarpsborg, Fredrikstad, Moss (2015); Røros, Steinkjer (2007-2009); Stjørdal (2007-2012); Elverum, Kragerø, Arendal, Voss, Sogndal, Op- pdal, Alta(2007-2015).
3.3 Andelen Airbnb
I analysen er Airbnbs andel av overnattingsenheter den eneste forklaringsvari- abelen. Den beregnes ved å dele antall Airbnb-boliger på det totale antallet hotellrom og Airbnb-boliger i en kommune. Da får vi brøken:
Airbnb.andel= Airbnb.boliger Airbnb.boliger+hotellrom
Hvis en kommune for eksempel har ni hotellrom og én Airbnb-bolig vil andelen Airbnb være 10 prosent. Brøken blir multiplisert med 100 av tolkningshensyn.
Det er viktig å merke seg at en Airbnb-bolig og et hotellrom ikke er perfekt sammenlignbare. Over halvparten av alle Airbnb-boliger var til leie under tre måneder i fjor, mens hotellrom er til leie mer eller mindre året rundt. Det gjør at en Airbnb-bolig ikke har besøk like ofte som et hotellrom. En «typisk bolig» er i følge selskapet selv belagt 26 dager i året. Med typisk menes trolig medianen3. Til sammenligning var norske hotellrom belagt 194 dager i snitt i 2015. En annen forskjell er at en gjennomsnittlig Airbnb-bolig kan huse flere gjester enn et gjennomsnittlig hotellrom. Det ser vi ved at det i Norge i 2015 var 2,4 personer ved gjennomsnittlige Airbnb-besøk og bare 1,4 personer per hotellrom. I tillegg varer et gjennomsnittlig Airbnb-besøk flere dager enn et gjennomsnittlig hotellbesøk. Airbnb opplyser at en gjennomsnittlig gjest overnattet tre netter i 2015, mens en hotellgjest i utvalget jeg ser på overnattet i snitt 1,7 netter det samme året.
Det at en Airbnb-bolig og et hotellrom er forskjellige, bør i utgangspunktet ikke være et problem for analysen min. Målet med å konstruere variabelen Airbnb-andel er å få et tall på plattformens størrelse relativt til hotellsektoren, som er sammenlignbart mellom kommuner. Problemet oppstår først hvis det er systematiske forskjeller mellom kommuner i hva en Airbnb-bolig er. For eksempel hvis en bolig i Bodø i snitt leies ut betydelig flere dager enn en bolig i Kristiansand. Eller hvis en bolig i Ålesund i snitt huser mange flere personer enn en bolig i Fredrikstad. Da ender jeg opp med å sammenligne effekten av det som egentlig er forskjellige variabler. Data fra Airdna.co gjør at jeg kan sjekke om det er systematiske forskjeller i hvor mange dager i året Airbnb-boliger er tilgjengelige for leie, og hvor mange dager i året de faktisk leies ut (figur 2). I
3Medianverten beskrives av Airbnb som en «typisk vert». Dermed er det rimelig å anta at det som beskrives som den «typiske boligen» er medianboligen
Airdna-utvalget på 17 kommuner skiller Oslo og Bergen seg ut. I de to byene er 20 prosent av boligene til utleie mer enn seks måneder i året og 16,7 prosent av boligene er belagte mer enn 3 måneder i året. I de resterende 15 kommunene er bare 3,3 prosent til leie mer enn 6 måneder i året, og omtrent ingen boliger blir leid ut mer enn 3 måneder i året. Det virker som utleievirksomhet i de to største markedene er mer profesjonalisert enn i andre områder.
Figur 2: Antall måneder Airbnb-boliger var tilgjengelig for leie, og antall måneder de faktisk blir leid ut. September 2015 - september 2016. Kilde:
Airdna.
4 Regional variasjon i Airbnbs størrelse
For å bedre måle effekten Airbnb har på hotellbransjen, ønsker jeg å forstå hvorfor det er mye Airbnb i noen kommuner og lite i andre. I dette kapittelet undersøker jeg regionale variasjoner i Airbnbs omfang, og forsøker å se om det er tilfeldig at plattformen er mer populær noen steder. Det blir nyttig når jeg utførerer hoveddelen av analysen i kapittel fem.
4.1 Geografisk fordeling av Airbnb
Det er stor variasjon i hvor fort Airbnb har vokst og hvor langt det har gått i ulike deler av landet. I figur 3 ser vi et kart over alle Airbnb-boliger som ble besøkt i 2015. Det er tydelig at urbane strøk er hyppigst besøkt. Hvis vi observerer Airbnb innad i byer er det en tendens til at Airbnb-boliger ligger mer spredt enn hoteller. I figur 4 ser vi et kart over hoteller i Oslo. De er konsentrert i sentrum innenfor Ring 2. Figur 5 viser alle utleide Airbnb-boliger i 2015. Vi ser at Airbnb-boliger ligger mer spredt enn hoteller. Det er mye Airbnb også utenfor sentrum, i bydelene St. Hanshaugen, Grünerløkka og Sagene. Disse er alle sentrumsnære områder med mye leiligheter.
Figur 3: Utleide Airbnb-boliger i 2015. Kilde: Airbnb
Figur 4: Til venstre: hoteller i Oslo september 2016. Kilde: Kayak.no Til høyre utleide Airbnb-boliger i Oslo i 2015. Kilde: Airbnb
Tabell 2: Antall aktive boliger ved slutten av året i Airbnbs syv største markeder. Kilde: Airbnb
År Oslo Bergen Stavanger Tromsø Tr.heim Lilleha. Kr.sand
2013 676 230 118 42 28 52 24
2014 1867 533 287 354 114 114 47
2015 3995 1163 622 428 342 205 135
Tabell 3: Antall aktive boliger ved slutten av året i Airbnbs syv minste markeder i utvalget. Kilde: Airbnb
År Ålesund Ringerike Gol Elverum Rana Stjørdal Lom
2013 5 5 5 4 3 3 1
2014 9 9 9 8 7 7 3
2015 14 14 14 11 10 10 4
Av tabell 2 og 3 ser vi at det er stor variasjon i hvor utbredt Airbnb er i Norge.
I noen byer ble Airbnb tidlig populært og vokste fort. I andre byer har veksten vært tregere, og noen byer har så godt som ingen Airbnb-boliger. Det er denne variasjonen jeg skal utnytte, i et forsøk på måle effekten selskapet har hatt på hotellbransjen. Det gjør jeg ved bruk av metodendifference-in-differences.
Da sammenligner jeg hotellvariabler (pris, omsetning osv.) før og etter innføringen av Airbnb i hver enkelt kommune. Jeg trenger en kontrollgruppe som referansenivå for hvordan utviklingen hadde vært om Airbnb aldri hadde eksistert. Til det bruker jeg kommuner hvor det er lite Airbnb-boliger i forhold til hotellrom. En eventuell endring i trend i kommuner med mye Airbnb, tolkes som effekten av Airbnb, under visse forutsetninger som jeg senere skal se på.
4.2 Airbnbs fremvekst i Norge
Airbnb.no har siden oppstarten i 2013 fått over ni tusen norske boliger til utleie på sin nettside. Det betyr at selskapet har like mange utleieenheter som Thon Hotels, Norges tredje største hotellkjede (Horwath, 2013). Det er i midlertid kun i noen områder at Airbnb har vokst seg stort, og det er fortsatt steder i landet hvor plattformen omtrent ikke er tilstedeværende. I 24 av kommunene i utvalget er det mindre enn én Airbnb-bolig per tusen innbyggere. Relativt til folketall er Airbnb minst i Ålesund, hvor det er hele 3300 innbyggere per Airbnb-bolig.
Figur 5: Antall rom, hotellkjeder i Norge. Kilde: Horwath, Airbnb
Tabell 4: Airbnbs andel av utleieenheter i ved slutten av året i prosent - syv kommuner med den største andelen og syv kommuner med den minste andelen.
Kilde: Airbnb, SSB
År Oslo Arendal Grimstad Lilleha. Bergen Lofoten Stavanger
2013 5,8 9,2 8,3 5,7 5,5 3,6 2,6
2014 13,9 16,9 15,3 12,0 10,6 7,0 9,3
2015 24,8 24,1 21,0 20,2 19,5 18,0 16,1
År Lom Rana Gol Stjørdal Elverum Ålesund Ullensaker
2013 0,9 1,2 0,7 0,5 0,3 0,4 0,2
2014 1,7 2,4 1,4 0,9 0,7 0,9 0,4
2015 2,9 2,4 2,1 1,4 1,3 1,3 0,6
For å undersøke effektene av Airbnb må vi først forstå hvorfor plattformen er stor i noen byer og liten i andre. I resten av figurene i dette kapittelet deler jeg kommunene inn i to grupper for å få bedre oversikt over forskjellene i utviklin- gen på steder hvor det er ulik andel Airbnb. Kommunene med Airbnb-andel over medianen i 2015 på 7,5 prosent kaller jeg treatment-gruppa4(T-gruppa) og kommunene under medianen kaller jeg kontrollgruppa5 (C-gruppa). Deretter beregner jeg den gjennomsnittlige verdien av en rekke variabler for hvert år i begge gruppene. Strengt talt er ikke forskningsmetoden min difference-in- differences på den måten som begrepet ofte omtales i litteraturen. Alle kom- munene i utvalget mitt har fått en viss grad avtreatment, siden de alle har noen Airbnb-boliger. Nøkkelen ligger i hvor myetreatmentde har fått. Treatment er altså i dette tilfellet kontinuerlig, men det er likevel nyttig å dele inn i to grupper for å få oversikt over forskjellene mellom kommuner med ulik andel Airbnb.
4Treatment: Halden, Moss, Fredrikstad, Bærum, Oslo, Ringsaker, Lillehammer, Hemsedal, Horten, Larvik, Skien, Grimstad, Arendal, Kristiansand, Sandnes, Stavanger, Bergen, Trond- heim, Oppdal, Bodø, Lofoten, Harstad, Tromsø.
5Kontroll: Sarpsborg, Asker, Skedsmo, Ullensaker, Hamar, Trysil, Elverum, Gjøvik, Dram- men, Kongsberg, Ringerike, Gol, Hol, Tønsberg, Sandefjord, Kragerø, Haugesund, Sola, Voss, Sogndal, Molde, Ålesund, Kristiansund, Røros, Steinkjer, Størdal, Narvik, Rana, Alta.
Figur 6: Andel Airbnb i Treatment- og kontrollgruppa. Den loddrette linja markerer opprettelsen av Airbnb.no.
I figur 6 er ser vi forskjellen i utviklingen i Airbnb-andel i de to gruppene etter opprettelsen av Airbnb.no. T-gruppa har en Airbnb-andel på 13,1 prosent. C-gruppas Airbnb-andel er på 4,5 prosent. I tillegg har andelen vokst fortere i T-gruppa og det virker som de to gruppene divergerer. Det tyder på at det ikke er tilfelle at byene med mye Airbnb bare har vært tidlig ute med å ta i bruk plattformen, og at de etter hvert kommer til å bli tatt igjen av andre byer. Forskjellen mellom kommuner med stor og liten Airbnb- andel har økt jevnt siden opprettelsen av nettsiden og viser ingen tegn til å avta.
Blant de 27 kommunene6i det jeg har definert som T-gruppa finner vi de ni mest folkerike kommunene i Norge. I kontrollgruppa er Drammen den mest folkerike kommunen. Det gjør at T-gruppa har et gjennomsnittlig innbyggertall på over 52 tusen, tre ganger så høyt som i kontrollgruppa. Veksten i Airbnb-andelen ( Airbnb.boliger
Airbnb.boliger+hotellrom) skjer samtidig som antall hotellrom stiger i T-gruppa.
Det betyr at vekstraten til Airbnb er høyere enn vekstraten for hotellrom.
6Lofoten er den eneste observasjonen i utvalget som ikke er en kommune, og består av Vågan, Vestvågøy, Flakstad, Moskenes, Værøy og Røst
4.3 Forskjeller i kommuners hotellmarked
Det er flere forskjeller mellom hotellbransjene i det jeg definerte som treatment- og kontrollgruppe. Én av forskjellene er ulik vekst i omsetningen til hoteller både før og etter opprettelsen av Airbnbs norske nettside (figur 7). Losjiomsetningen vokser med tre ganger så mye i T-gruppa enn C-gruppa i perioden jeg studerer.
Det tyder på at det ikke er tilfeldig hvor Airbnb har blitt populært. Én mulighet er at én eller flere uobserverbare forhold fører til at både: (1) flere ønsker å leie ut via Airbnb; (2) hotellbransjens inntekt øker. Årsaken kan være stor etterspørsel etter overnatting som skaper en gunstig markedssituasjon både for hoteller og andre typer overnatting. Hvis dette ikke kontrolleres for i regresjonen, kan det oppstå et utelatt-variabel-problem (omitted variable bias) i modellen, og det kan se ut som en høyere andel Airbnb fører til høyere omsetning. Med andre ord vil Airbnb-andel få positivt bias. Det ser for øvrig ikke ut som oppføringen av Airbnb, markert med den loddrette linja, førte til endring i utviklingen i omsetningen til hoteller. Den har vokst jevnt i hele tidsperioden vi ser på.
Figur 7: Omsetning fra salg av hotellrom (losjiomsetning) i treatment- og kon- trollgruppa.
Figur 8: Prisene på ulike Airbnb-alternativer. Kilde: airdna.co.
Høyere Airbnb-priser er en indikator på at etterspørselen etter overnattinger relativt til tilbudet er høyere i T-gruppa. Jeg bruker tall fra airdna.co, som har prisdata for ti av kommunene T-gruppa og syv av kommunene i C-gruppa7. Selv om jeg mangler prisdata for mesteparten av utvalget gir det en pekepinn på prisforskjellene mellom kommuner med mye og lite Airbnb. I figur 8 ser vi at prisen på de fleste Airbnb-alternativer er høyere i T-gruppa. Det kan være blant forklaringene på hvorfor denne gruppa har høy andel Airbnb. En mulig årsaksrekke er at høy etterspørsel etter overnatting relativt til tilbudet fører til høyere Airbnb-priser, som igjen fører til større tilbud av Airbnb-boliger.
7Treatment-gruppa er Oslo, Bergen, Trondheim Stavanger, Kristiansand, Fredrikstad, Tromsø, Lillehammer og Halden. Kontrollgruppa er Sarpsborg, Drammen, Sandefjord, Gjøvik, Molde, Kristiansund og Narvik
Figur 9: Inntekt per solgte rom i T- og C-gruppa
Prisene for hotellrom ligger også jevnt høyere i T-gruppa sammenlignet med C-gruppa. I figur 9 ser vi at prisforskjellen mellom de to gruppene har økt i perioden vi ser på. Prisdivergensen har foregått både før og etter Airbnb dukket opp. Høye hotellpriser gjør trolig at private utleiere også kan ta høye priser, slik vi så i figur 8. For gjester kan høye hotellpriser gjøre det mer gunstig å velge det billigere alternativet til Airbnb. Pris kan derfor ha vært utslagsgivende for hvor Airbnb har vokst frem.
Figur 10: Kapasitetsutnyttelse av rom
Jeg sjekker hotellers kapasitetsutnyttelse av rom for å videre undersøke teorien om at Airbnb-andelen er drevet av etterspørsel etter overnatting. Kapasitet- sutnyttelse er andelen belagte (utleide) rom. Vi ser av figur 10 at T-gruppa har en betydelig høyere kapasitetsutnyttelse enn C-gruppa. Det betyr at en større andel av T-gruppas hotellrom er belagte til enhver tid. Dette er nok et tegn på at etterspørselen i større grad er mettet i C-gruppa, noe som kan forklare gruppas lave Airbnb-andel.
Når man oppsummerer er det tydelig at det er andre forskjeller mellom T- og C-gruppa enn bare Airbnb-andelen. T-gruppa har hatt høyere vekst i hotellom- setning, høyere kapasitetsutnyttelse og høyere pris i hele perioden jeg under- søker. Det tyder på at T-gruppa har voksende etterspørsel etter overnatting, mens markedet i C-gruppa er mettet. Ytterligere tegn på dette finner man ved å sammenligne Airbnb-priser mellom gruppene. T-gruppa har minst 10 prosent høyere priser for fem av seks utleie-alternativer.
4.4 Formål med reisen og gjesters opprinnelsesland
Airbnb opplyser at ti prosent av deres gjester er på forretningsreise (Airbnb, 2016d). For norske hoteller er denne andelen 48 prosent. Dermed forventer jeg at Airbnb har større effekt på hvor mange feriegjester som besøker norske hoteller, sammenlignet med forretningsgjester. Airbnb er et alternativ for turister, men antageligvis ikke for de fleste forretningsreisende.
Utlendinger er en annen gruppe som utgjør en stor andel av Airbnbs reisende.
Selskapet opplyser selv at 87 prosent av deres gjester i Norge er utenlandske.
Det samme tallet for norske hoteller er kun 27 prosent. Det gjør at jeg forventer at Airbnb har en sterkere effekt på hotellers utenlandske besøk sammenlignet med norske besøk.
Figur 11: Utlendingers andel av besøkende på norske hoteller når gjester er delt inn i gruppene utlendinger og nordmenn.
Figur 12: Feriegjesters andel av alle besøkende på norske hoteller når gjester er delt inn gruppene ferie og jobb etter reisens formål
I figur 9 og 10 så vi tegn på at Airbnb har vokst frem i områder med høy hotellpris og høy kapasitetsutnyttelse. Det tyder på at Airbnb har blitt påvirket av de samme variablene som plattformen selv kan ha en effekt på. Det samme kan være tilfelle for variablene utenlandske gjester og feriegjester. Jeg tror Airbnb har størst påvirkning på hoteller i kommuner med stor andel av de to typene gjester. Samtidig tror jeg plattformen kan ha vokst frem i områder hvor det nettopp er mye ferierende og utlendinger. I figur 11 ser vi at treatment- kommuner har en høyere andel utlendinger enn kontroll-kommuner. I figur 12 derimot ser vi at det samme ikke gjelder for andel feriegjester. Det ser ikke ut som kommuner med høy andel Airbnb har relativt mer feriegjester enn andre kommuner. I stedet varierer det mellom hvilke kommuner som har høyest andel ferierende. Dermed forventer jeg at andelen utenlandske gjester forklarer Airbnbs fremvekst i større grad enn andelen feriegjester.
4.5 Hva forklarer Airbnbs fremvekst - Regresjonsanalyse
Vi har sett at hotellers pris, kapasitetsutnyttelse og andel utlendinger i snitt har vært høyere i kommunene med Airbnb-andel over medianen (T-gruppa).
For å lære mer om hvor Airbnb har vokst frem, gjør jeg en tverrsnittsregresjon med Airbnb-andel i 2015 som avhengig variabel. Som forklaringsvariabler bruker jeg en rekke variabler målt før opprettelsen av Airbnb.no, som jeg tror kan ha påvirket størrelsen til plattformen. Det er hotellers pris, kapasitetsut- nyttelse, gjesters reiseformål og gjesters opprinnelsesland. Jeg undersøker om forklaringsvariablenes størrelse i 2012 hadde en påvirkning på Airbnb-andelen i forskjellige kommuner i 2015.
Høy pris på hotellrom gjør at man kan sette høyere pris for Airbnb-boliger. Det vil igjen gjøre det mer attraktivt å bli vert og kan føre til høyere Airbnb-andel.
Hotellers kapasitetsutnyttelse sier hvor stor andel av hotellrom som er belagte i forhold til hvor mange som er ledige. Dersom kapasitetsutnyttelsen er høy kan det være et tegn på at tilbudet ikke dekker etterspørselen fullstendig. Det lager en åpning for privatpersoner som ønsker å leie ut boligen sin. Derfor tror jeg at høy kapasitetsutnyttelse er forbundet med høy Airbnb-andel.
Jeg lager en variabel for feriegjesters andel av alle besøk. Jeg mistenker at det er mer attraktivt å leie ut boligen sin i kommuner med relativt mye feriegjester, og sjekker derfor om typiske feriekommuner har fått mer Airbnb. På samme måte lager jeg en variabel for utlendingers andel av gjester, for å sjekke om kommuner med relativt mye utenlandske besøkende har fått mer Airbnb.
Tabell 5: Tversnittsregresjon. Effekten på Airbnb-andelen i 2015 av kapasitet- sutnyttelse, pris, reiseformål og opprinnelsesland i 2012.
(1) (2) (3) (4) (5) (6)
Airbnb- Airbnb- Airbnb- Airbnb- Airbnb- Airbnb- andel2015 andel2015 andel2015 andel2015 andel2015 andel2015
Kapasitet- 0,150** 0,156* 0,096
sutnyttelse (0,071) (0,093) (0,079)
rom2012
Pris2012 0,020*** 0,016** 0,015**
(0,007) (0,007) (0,007)
Andel -0,004 0,066
feriegje- (0,042) (0,054)
ster2012
Andel 0,132* 0,094 0,130*
utlendi- (0,080) (0,082) (0.077)
nger2012
N 53 53 53 45 45 45
R2 0,063 0,134 -0,019 0,037 0,254 0,227
Noter: Den avhengige variabelen erAirbnbs andel av utleieenheter2015i . Standardfeil er vist i parentes. Signifikansnivå: * = 10%, ** = 5%, *** = 1%. Haugesund mangler data for 2012.
For syv av de mindre kommunene mangler jeg data for opprinnelsesland.
I tabell 5 ser man resultatet av tversnittsregresjonen med Airbnba-andelen i 2015 som avhengig variabel. I kolonne 1-4 er regresjonene gjort med kun én av forklaringsvariablene om gangen. Da ser det ut til at hotellers kapasitetsutnyt- telse, pris og utlendingsandel i 2012 har en positiv effekt på Airbnb-andelen i 2015. Andelen utlendinger er riktignok ikke signifikant på et 5 prosent nivå.
I kolonne 5 virker det som det oppstår kollinearitet mellom andel feriegjester og andel utlendinger, i det feriegjester tar over mye av forklaringskraften til utlendinger. Det skjer på tross av at andel feriegjester var insignifikant i (3).
Derfor dropper jeg andel feriegjester i kolonne 6, som jeg anser som den mest relevante i denne tabellen. I (6) ser vi at koeffisienten til romprisen for hoteller holder seg stabil og positivt signifikant. Det tyder på at Airbnb har vokst seg
stort relativt til hotellbransjen der prisene har vært høye. Estimatet tolkes som at én krones høyere rompris i 2012 er forbundet med 0,015 prosentpoengs økning i Airbnb-andelen i 2015. Det kan forklares med at høy pris for hotellrom gjør at man kan sette en høy pris som Airbnb-vert, noe som igjen gjør det mer attraktivt å leie ut boligen sin. Resultatet stemmer overens med figur 9, som viser at treatment-gruppa hadde høyere hotellpriser i hele tidsperioden.
Selv om kapasitetsutnyttelse og utlendinger ikke er signifikante på et 5 prosent nivå, viser også disse variablene tegn til å påvirke Airbnb-andelen positivt. Det gjelder spesielt for andelen utlendinger, som er signifikant på et 10 prosent nivå og har en høy koeffisient. Estimatet for kapasitetsutnyttelse tilsier at ett prosentpoengs økning i hotellers belegningsgrad fører til 0,1 prosentpoengs økning i Airbnb-andelen. For andelen utlendinger er ett prosentpoengs økning forbundet med 0,13 prosentpoengs økning i Airbnb-andelen.
Tabell 6: Tversnittsregresjon. Effekten på Airbnb-andel i 2015 av endringen i kapasitetsutnyttelse, pris, reiseformål og opprinnelsesland fra 2007-2012.
(1) (2) (3) (4) (5)
Airbnb- Airbnb- Airbnb- Airbnb- Airbnb- andel2015 andel2015 andel2015 andel2015 andel2015
∆Kapasite- 0,240** 0,208
tsutnyttelse (0,120) (0,152)
rom
∆Pris 0,021** 0,018*
(0,009) (0,010)
∆Andel -0,053 0,141
feriegje- (-0,092) (0,103)
ster
∆Andel -0,135 -0,255
utlendi- (0,178) (0,182)
nger
N 52 52 52 43 43
R2 0,058 0,081 -0,013 0,010 0,195
Noter: Den avhengige variabelen er Airbnbs andel avutleieenheter2015i . Standardfeil er vist i parentes. Signifikansnivå: * = 10%. Haugesund mangler data for 2012. Stjørdal mangler data før 2012. 10 av de mindre kommunene mangler data for reiseformål.
I tillegg til regresjonen med forklaringsvariabler målt i 2012, gjør jeg en regresjon hvor forklaringsvariablene størrelse er målt som endringen variablene gjennomgikk fra 2007 til 2015 (tabell 6). Det er fem år før opprettelsen av Airbnbs norske nettside ved årsskiftet i 2012/13. Målet er å undersøke om kommuner som har opplevd endringer i hotellvariabler får ulik andel Airbnb enn andre kommuner i 2015. For eksempel om kommuner hvor hotellprisene har økt, får en høy andel Airbnb.
Endring i hotellvariabler over tid ser ikke ut til å ha like sterk sammenheng med Airbnb-andelen som det hotellvariablers størrelse i 2012 har. I tabell 6 er den eneste signifikante variabelen prisendring. Én krones økning i prisen i peri- oden 2007-2012 er forbundet med 0,018 prosentpoengs økning i Airbnb-andelen.
Fra figur 7-12 og tabell 5-6 ser vi antydninger til at Airbnb har vokst seg stort relativt til hotellsektoren i kommuner hvor hoteller har høy pris og høy andel utenlandske gjester. Forskjellene i Airbnb-andelen mellom kommuner forklares bedre av størrelsen til variablene i 2012, fremfor endringen variablene gjennomgikk i perioden 2007-2012.
Variabler som jeg senere skal studere som utfall, ser ut til å ha påvirket fremvek- sten av Airbnb. Det er et tegn på omvendt kausalitet (reverse causality) og kan føre til endogenitet når jeg senere forsøker å måle effekten av Airbnb. En måte å kontrollere for omvendt kausalitet, er å bruke en instrumentvariabel (IV). Det blir ikke gjort i denne oppgaven fordi jeg ikke har lykkes med å finne et godt instrument. En passende IV i dette tilfellet, ville korrelert med Airbnb-andelen uten å påvirke hotellutfall. En lignende studie som tar i bruk IV, er Kroft og Pope (2014). De måler effekten av nettsiden Craigslist på blant annet arbeid- sledighet i USA. Craigslist er en nettside som formidler annonser, tilsvarende Finn.no. For å kontrollere for omvendt kausalitet bruker forfatterne veksten i kontaktannonser på Craigslist. Antagelsen er at veksten i kontaktannonser kor- relerer med jobbannonser uten å bli påvirket av arbeidsledighet. Dessverre kan jeg ikke ta i bruk metoden fordi det ikke annonseres for noe annet en kortid- sutleie av boliger på Airbnb. I stedet lager jeg en interaksjonsvariabel mellom kommune og tid, som kontrollerer for ulik trend i kommuners hotellbransje før opprettelse av Airbnb.no. Det skal vi se nærmere på i neste kapittel.
5 Empirisk strategi
Så langt har vi sett stor variasjon i hvor fort Airbnb har vokst frem i ulike områder av landet. Ikke overaskende har veksten vært sterkest i de største byene, hvor det er mye av både besøkende og potensielle utleiere. I midlertid har ikke veksten i Airbnb vært proporsjonal hverken med tanke på folketall eller markedsstørrelse i kommunene vi ser på. Det er betydelige regionale forskjeller i delingsplattformens størrelse relativt til hotellmarkedet. Hvis Airbnb er en konkurrent for den tradisjonelle overnattingsindustrien kan hoteller i ulike deler av landet oppleve forskjellige effekter. Hoteller i kommuner som blir berørt av plattformen kan oppleve redusert inntekt, som igjen kan presse prisene nedover.
Spesielt sterk konkurranseeffekt forventer jeg å se i gruppeneutenlandske gjester ogferiegjester, som er overrepresentert blant Airbnbs besøkende. I denne sek- sjonen utnytter jeg regionale forskjeller i Airbnbs relative størrelse, til å måle effekten selskapet har hatt på hotellbransjen.
5.1 Avhengige variabler
Jeg ønsker å sjekke om Airbnb har en effekt på en rekke variabler forbundet med hotellers kapasitet, inntekt og besøkstall. Variablene som beskriver hotellers kapasitet erantall rom, antall senger ogantall hoteller. Jeg forventer at det er variabler som er nokså statiske. For å øke tilbudet må nye hoteller bygges, og det er en langsiktig beslutning som trolig ikke endres brått av konkurranse fra Airbnb. Dersom Airbnb er et substitutt for hoteller vil til slutt hotellkapasiteten påvirkes, men trolig kun på lang sikt. Variableneomsetning og pris er mer fleksible. Det er størrelser som Airbnb kan ha en umiddelbar virkning på. Det samme gjelder kapasitetsutnyttelse, antall besøkende med hensyn påreiseformål ogbesøkendes opprinnelsesland.
Feriegjester er blant de viktigste avhengige variablene i denne studien. Den beskriver antall gjester som overnatter på norske hoteller med formål ferie/fritid.
Det andre mulige reiseformålet er jobb. Jeg er spesielt opptatt av feriegjester fordi Airbnb har en større andel ferieturister enn det hoteller har. Globalt var hele 90 prosent av selskapets gjester per juni 2016 på ferie. Til sammenligning var bare halvparten av norske hotellgjester i 2015 på ferie. Dermed har delingsplattformen potensiale til å «stjele» flere feriegjester enn yrkesgjester fra norske hoteller. Grunner til at forretningsreisende har en sterkere preferanse
for hoteller kan være lojalitetsprogrammene mange hotellkjeder tilbyr eller at Airbnb har et stempel som uformelt. Hoteller er trolig også mest praktisk for korte opphold, og forretningsreiser varer kortere enn feriereiser8 (Knutson, 1988). Forretningsreisende har også høyere betalingsvillighet og er mindre prissensitive enn turister (Knutson, 1988). Dermed har de trolig svakere preferanse for Airbnb, som i snitt har lavere pris enn hotellrom. På landsbasis hadde aktive Airbnb-boliger med ett soverom snittpris på 516 kr, per oktober 2015 (figur 9). Til sammenligning hadde hotellrom snittpris på 842 kr i 2015.
Airbnbs relativt høye andel feriereisende tyder det på at selskapet er et nærere substitutt for hoteller for feriereisende enn for forretningsreisende. Dermed bør selskapet ha en større påvirkning på antall besøkende feriegjester enn jobbgjester på norske hoteller.
Utenlandske gjester er en annen interessant avhengig variabel som jeg ønsker å studere og sammenligne med norske gjester. Grunnen er at Airbnb har en større andel utenlandske gjester enn det norske hoteller har. Airbnb hadde i følge selskapet selv 87 prosent utenlandske gjester i 2015 (Airbnb, 2016a). Til sammenligning hadde norske hoteller kun 27 prosent. Dermed vil trolig Airbnb ha en større effekt på utenlandske besøk enn på norske besøk.
5.2 Forklaringsvariabel
Airbnb-andel er forklaringsvariabelen jeg bruker. Den beregnes ved å dele antall Airbnb-boliger på det totale antallet overnattingsenheter. Det inkluderer både Airbnb-boliger og hotellrom. Airbnb-andel er multiplisert med 100 og beskriver en prosentvis endring i Airbnbs størrelse relativt til hotellbransjen. Det må ikke feiltolkes som Airbnbs markedsandel. Hvis koeffiensenten for Airbnb-andelen er 0.01, tolkes det som at ett prosentpoengs økning i andelen Airbnb fører til én prosents økning i den avhengige variabelen9. Et negativt estimat tilsier at Airbnb fører til dårligere resultater for hoteller. Hvis Airbnb viser seg å ha en effekt på andre overnattingsbedrifter forventer jeg at det er i denne retningen.
Det vil bety at Airbnb-boliger er et substitutt for hoteller i mer eller mindre grad.
Med andre ord at Airbnb tar markedsandeler fra hoteller. Et mer overraskende resultat vil være et positivt estimat. Det vil bety at en større andel Airbnb gir
8Det ser vi blant annet fordi hotellprisene faller i juli når det er stor andel ferieturister. I følge SSB opplyser kjedehoteller at prisen som rettes mot feriereisende er lavere enn prisen som rettes mot forretningsreisende.
9Gitt at den avhengige variabelen er på logaritmisk form
bedre resultater for hoteller. I så fall er Airbnb et komplement til hoteller. Et estimat som ikke er statistisk signifikant tolker jeg som at Airbnb ikke har noen effekt på hotellbransjen.
5.3 Kontrollvariabler
Hovedantagelsen jeg gjør ved bruk av difference-in-differences er at det ikke er noen uobserverbare faktorer som påvirker både fremveksten av Airbnb og hotellvariabler. Jeg antar dermed at i fravær av Airbnb ville hoteller i utvalget hatt den samme utviklingen mellom kommuner, gitt at jeg kontrollerer for faktorer som spiller inn. Uobserverbare faktorer som kunne påvirket både hoteller og Airbnb, men som jeg kontrollerer for er: 1) Stedsspesifikke effekter som er uavhengige av tid, men varier mellom kommuner (state fixed effects).
For eksempel at innbyggerne i Arendal er tidlig ute med å tilpasse seg nye internettfenomener. 2) Tidsspesifikke effekter som er uavhengige av sted, men som varierer over tid (time fixed effects). For eksempel at synkende kronekurs øker både hotellomsetningen og antall Airbnb-boliger. For tidsspesifike effekter bruker jeg indikatorfunksjoner som antar verdien 0 eller 1. 3) Til slutt inkluderer jeg en interaksjonsvariabel for kommune og tid, hvor jeg behandler kommune som en diskret variabel og tid som en kontinuerlig variabel. Vi har tidligere i oppgaven sett at kommuner med forskjellig andel Airbnb har hatt ulik utvikling i hotellmarkedet. Ved å inkludere en interaksjonsvariabel for tid og sted tillater jeg at variabelen kommune har ulike tidstrender i forkant av Airbnbs inntreden. Hvis jeg lar være å inkludere fixed effects som korrelerer med forklaringsvariabelen, vil det føre til et utelatt variabel problem. Med mine spesifikasjoner ser modellen slik ut:
log.hotellvariabelit=
β0+β1Airbnb.andelit+β2kommunei+β31t(tid=t) +β4kommunei×tidt+εit
Alle steds- og tidsspesifikke konstantledd kan beskrives som binære variable, med en variabel for hver kommune (54), hver tidstrend i hver kommune (54) og hvert år (8). Når jeg bruker enfixed effectsmodell blir summen av de kvadrerte avvikene lave (residual sum of squares). Mesteparten av variasjonen i utvalget er mellom kommuner og det er lite variasjon innad i kommunene. Derfor ender modellen opp med svært høy R-kvadrat (R2).
5.4 Resultater
I tabell 7 ser jeg på tre utfall knyttet til hotellers kapasitet. Estimatene til forklaringsvariabelen er svake og insignifikante for utfallene hoteller og senger.
Det tyder på at Airbnb-andelen ikke har hatt noen effekt på hotellers totale kapasitet. Det er i tråd med mine forventninger. Plattformen har ikke eksistert lenge nok til å påvirke hotellers langsiktige investeringer. Kapasitetsutnyttelse er i midlertid signifikant på et 1 prosents nivå. Kapasitetsutnyttelse er andelen belagte hotellrom og kan variere mellom 0 og 100. Estimatet tilsier at ett prosentpoengs økning i Airbnb-andelen fører til 0,49 prosentpoengs redusert kapasitetsutnyttelse.
Tabell 7: Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på utfall knyttet til hotellers kapasitet.
(1) (2) (3)
Log hoteller Log senger Kapasitetsutnyttelse
Airbnb-andel 0,0023 0,0025 -0,486***
(0,0032) (0,0045) (0,121) [0,0046] [0,0069] [0,240]
N 479 479 479
R2 0,981 0,978 0,901
Noter: De avhengige variablene er henholdsvis: (1) log antall hoteller, (2) log antall hotellsen- ger, (3) kapasitetsutnyttelse (antall solgte rom / antall tilgjengelige rom). Standardfeil er i parentes. Klyngerobuste standardfeil er i hakeparentes. Signifikansnivå for vanlige standard- feil: *** = 1%
Tabell 8: Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på utfall knyttet til hotellers inntekt.
(1) (2)
Log losjiomsetning Log omsetning pr solgte rom (pris)
Airbnb-andel -0,0070 -0,0018
(0,0070) (0,0020)
[0,0068] [0,0035]
N 479 479
R2 0,962 0,860
Noter: De avhengige variablene er henholdsvis: (1) log losjiomsetning (omsetning fra salg av rom), (2) log omsetning per solgte rom (pris). Standardfeil er i parentes. Klyngerobuste standardfeil er i hakeparentes.
I tabell 8 ser vi at estimatene for Airbnb-andelen regressert på hotellers inntekt og pris ikke er statistisk signifikante for noen konvensjonelle nivåer. Det betyr at man ikke kan forkaste nullhypotesen, men vi bør likevel ikke ignorere estimatene helt. Selv om estimatene ikke er signifikante peker de begge i retning av å bli negativt påvirket av Airbnb. Det gir støtte for teorien om at Airbnb er et substitutt for hoteller.
Tabell 9: Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på utfall knyttet til hotellers besøkstall.
(1) (2) (3) (4) (5)
Log Log Log Log Log alle
overnattinger overnattinger overnattinger overnattinger overnattinger
nordmenn utlendinger jobb ferie
Airbnb- -0,0038 -0,0083 0,0057 -0,0126** -0,0056
andel (0,0042) (0,0076) (0,0058) (0,0062) (0,0039)
[0,0061] [0,0122] [0,078] [0,0090] [0,0074]
N 398 398 478 478 478
R2 0,989 0,977 0,978 0,974 987
Noter: De avhengige variablene er henholdsvis: (1) log overnattingsdøgn med reiseformål jobb, (2) log overnattingsdøgn med reiseformål ferie, (3) log overnattingsdøgn nordmenn, (4)
log overnattingsdøgn utlendinger, (5) log alle overnattinger uavhengig av type. Standardfeil er i parentes. Klyngerobuste standardfeil er i hakeparentes. Signifikansnivå for vanlige standardfeil: ** = 5%. For de følgende kommunene mangler det helt eller delvis data for besøkendes opprinnelsesland: Halden, Sarpsborg, Fredrikstad, Moss (2015); Røros, Steinkjer (2007-2009); Stjørdal (2007-2012); Elverum, Kragerø, Arendal, Voss, Sogndal, Oppdal, Alta(2007-2015).
I tabell 9 ser vi Airbnb-andelens effekt på ulike grupper av gjester på norske hoteller. Utfallene i (1) og (2) er logaritmen av antall gjester fra henholdsvis Norge og utlandet. Estimatet til Airbnb-andelen er i begge tilfeller insignifikant.
Likevel er det viktig å påpeke at begge estimatene er negative og dermed antyder at Airbnb reduserer besøkstallet til hoteller. Legg også merke til at estimatet for Airbnb er mye større og mer signifikant når utfallet er utenlandske gjester enn når utfallet er norske gjester. Det er i tråd med hypotesen om at Airbnbs relativt store andel utenlandske gjester gjør at plattformen har større påvirkning på hotellers utenlandske besøk enn på norske besøk. I (3) og (4) måles effekten av Airbnb-andelen på henholdsvis forretningsreisedøgn og feriedøgn på hoteller. Estimatet til koeffisienten er negativt signifikant for utfallet overnattinger ferie. Til sammenligning er estimatet for utfallet overnattinger jobb positivt og insignifikant. Det peker tydelig i retning av at økende tilstedeværelse av Airbnb rammer hotellers feriebesøk mer enn det rammer forretningsbesøk. Koeffisienten i (4) tolkes som at ett prosentpoengs økning i Airbnb-andelen reduserer hotellers feriebesøk med 1,26 prosent.
Det høres ut som et høyt tall og det er nyttig å se på et eksempel for å forstå hva det betyr. I Norge er det omtrent 9 000 Airbnb-boliger og 77 000 hotellrom. Det gir en Airbnb-andel på 10,7 prosent . Ett prosentpoengs økning i Norges Airbnb-andel tilsvarer omtrent tusen nye Airbnb-boliger, gitt at antall hotellrom er uforandret. Det skal i følge estimatet i (4) føre til 11 000 færre feriebesøk på hoteller. Det betyr at hver nye Airbnb-bolig i snitt tar 11 overnattingsdøgn i året fra hotellbransjen. Til sist observerer jeg at Airbnbs effekt på alle besøkende er negativ men så vidt ikke signifikant på et 10 prosent nivå.
Tidligere i oppgaven prøvde jeg å forstå hvorfor Airbnb vokste seg stort noen steder. Da fant jeg ut at høye hotellpriser og en høy andel utlendinger i 2012 hadde sammenheng med størrelsen til Airbnb relativt til hotellbransjen i 2015.
Det kan gjøre at (2) i tabell 8 og (2) i tabell 9 er utsatt for omvendt kausalitet.
