自Airbnb(爱彼迎)正式进军中国市场,它已快速发展成为中国分享经济的标杆,并且以Airbnb模式为先导的在线民宿短租市场也显著地影响着民众的旅行及住宿方式。而随着中国在线短租房源数量的指数级增长,市场竞争的激烈程度也在持续上升。这种增长创造了一个竞争激烈的市场环境,在这个市场环境中,房东的获利空间受到挤压,这就要求房东通过明智的定价和营销策略来确保收益。而值得一提的是,相比传统的住宿行业,Airbnb房源的独特性和房东的异质性使得房东难以做出最佳定价决策。因此,了解影响Airbnb房源价格的因素非常有价值。这种理解可以帮助房东优化价格,以便房东和租户都可以从这种共享经济模型中受益。本文利用爬虫技术从Airbnb APP获得中国36个城市的51,874个房源的有效样本数据。依据数据可得性,基于相关理论与文献并结合博弈分析,采用因子分析法将选取的27个细分变量降维为6个因子,这些变量共包含9个类别(外部因素,房东特征,位置特征,上市特征,房间设施,租赁规则,信任,社会性,房客特征)。首先采用OLS回归和分位数回归模型来确定影响Airbnb房源价格的关键因素。回归的结果表明,大多数变量(实体床,电话和照片除外)均通过了显著性检验,而非经济因素(信任度和社社交度)也对Airbnb房源价格有明显影响;此外,对于经营不同价位房源的房东来说,房源属性,社交度和信任度对房价的影响也存在明显区别。经营高价位房源的房东,提供更多的照片有助于溢价的保持,同时要对苛刻的评论有准备,在提高服务质量,更好地满足房客预期方面要更下功夫;而经营低价位房源的房东,保持较高的出租率和评论率则非常有意义。基于回归结果,本文进一步采用对应分析法,对不同城市的不同价位Airbnb房源的价格关键影响因素深入剖析。对应分析的结果表明,不同城市的Airbnb房东所需关注的因素有所不同。对于一线城市和旅游城市的Airbnb房东来说,改善房间设施质量可以有效地帮助提高短租房源价格。在旅游城市,低价房源更易受到酒店供应量的影响,与酒店的竞争也就相对其他城市更为激烈。而本文所提的社交度和信任度这2类非经济影响因素,则是对一线城市的Airbnb房源会有更为明显的影响。OLS和分位数回归分析均假定空间均质性,忽略了可能存在的空间依赖性与空间异质性,故此本文对房源属性进行了进一步地空间计量分析。空间数据的探索性分析(如Moran’s I与莫兰散点图)以及各类空间计量模型(如SEM、SAR、SAC模型)均表明存在房源价格属性空间依赖性;地理加权回归模型的一系列探讨也证明了房源属性空间异质性的存在。在理论贡献上,本文的研究结果对现有分享经济背景下在线短租定价规律的研究有一定的补充和完善的作用。在实际应用中,这项研究可以在一定程度上降低Airbnb“智能定价”工具的定价原理的不透明度,帮助房东更好的制定价格及营销策略。