Efectos de Airbnb sobre el desempeño del sector hotelero de Montevideo, Uruguay
Abstract
En años recientes la plataforma de alojamiento Airbnb ha disputado el liderazgo de las cadenas hoteleras establecidas. La evidencia sobre el impacto de Airbnb en el sector hotelero es contrapuesta o mixta, y el debate académico sigue abierto. Con la presente investigación se contribuye a la literatura sobre el tema con un caso de estudio en América Latina. La investigación analiza el impacto de los anuncios activos en Airbnb en el desempeño hotelero de Montevideo, Uruguay, para el período de octubre de 2016 a noviembre de 2019. Se examinaron tres métricas de desempeño hotelero: los ingresos hoteleros (RevPAR), los precios promedio diarios (ADR) y las tasas de ocupación (OCR). El objetivo fue determinar si la entrada y la expansión de Airbnb en el mercado de alojamiento de Montevideo afectaron estas métricas y, en caso afirmativo, en qué medida. Para ello se utilizó un modelo de regresión de datos de panel dinámico con los anuncios activos en Airbnb mensuales en Montevideo y el número de habitaciones de hotel mensuales como variables independientes principales. A su vez se consideraron la tasa de desempleo de Montevideo y las llegadas al aeropuerto y puerto de Montevideo como variables independientes de control. Se utilizó un rezago en la variable dependiente y variables instrumentales para tener en cuenta la influencia de la endogeneidad en las estimaciones econométricas. La oferta de anuncios activos en Airbnb durante el período de agosto de 2015 a noviembre de 2019 aumentó un 259%, mientras que el crecimiento que experimentaron las habitaciones de hotel durante el período de octubre de 2016 a noviembre de 2019 fue del 9,8%. Los resultados muestran que el aumento de los anuncios activos de Airbnb en Montevideo tuvo un impacto negativo en los ingresos hoteleros (RevPAR) y los precios promedio diarios (ADR). Sin embargo, no se encontró un efecto significativo de los anuncios activos en Airbnb en las tasas de ocupación hoteleras (OCR). Estos resultados pueden indicar que los hoteleros se vieron forzados a rebajar los precios de las habitaciones debido a la expansión de Airbnb, pero optaron por mantener las ocupaciones de los hoteles lo más altas posibles para hacer frente a ciertos costes fijos. De los principales hallazgos se desprenden una serie de implicancias gerenciales. Los gestores turísticos deben tener en cuenta que, a pesar del crecimiento de Airbnb en Montevideo, el mercado de pernoctaciones podría seguir aumentando incluso con el incremento en el número de personas que realizan reservas a través de Airbnb. A su vez, las estancias adicionales relacionadas a Airbnb que se observan en el período pueden tener efectos en el resto de la economía de la ciudad. El crecimiento de la oferta hotelera también genera incrementos en la demanda de bienes y servicios relacionados, si bien el crecimiento de la oferta hotelera en el período de octubre de 2016 a noviembre de 2019 es muy menor al crecimiento de Airbnb en el período de agosto de 2015 a noviembre de 2019.
Full text
Efectos de Airbnb sobre el desempeño del sector hotelero de Montevideo, Uruguay Martin Mathias Sprechmann Gómez Directores de tesis: Prof. Dr. Luis Miguel López Bonilla y Profa. Dra. Sandra Zapata Aguirre Tutor: Prof. Dr. Jesús Manuel López Bonilla Universidad de Sevilla Programa de Doctorado en Turismo Mayo 2023
Resumen En años recientes la plataforma de alojamiento Airbnb ha disputado el liderazgo de las cadenas hoteleras establecidas. La evidencia sobre el impacto de Airbnb en el sector hotelero es contrapuesta o mixta, y el debate académico sigue abierto. Con la presente investigación se contribuye a la literatura sobre el tema con un caso de estudio en América Latina. La investigación analiza el impacto de los anuncios activos en Airbnb en el desempeño hotelero de Montevideo, Uruguay, para el período de octubre de 2016 a noviembre de 2019. Se examinaron tres métricas de desempeño hotelero: los ingresos hoteleros (RevPAR), los precios promedio diarios (ADR) y las tasas de ocupación (OCR). El objetivo fue determinar si la entrada y la expansión de Airbnb en el mercado de alojamiento de Montevideo afectaron estas métricas y, en caso afirmativo, en qué medida. Para ello se utilizó un modelo de regresión de datos de panel dinámico con los anuncios activos en Airbnb mensuales en Montevideo y el número de habitaciones de hotel mensuales como variables independientes principales. A su vez se consideraron la tasa de desempleo de Montevideo y las llegadas al aeropuerto y puerto de Montevideo como variables independientes de control. Se utilizó un rezago en la variable dependiente y variables instrumentales para tener en cuenta la influencia de la endogeneidad en las estimaciones econométricas. La oferta de anuncios activos en Airbnb durante el período de agosto de 2015 a noviembre de 2019 aumentó un 259%, mientras que el crecimiento que experimentaron las habitaciones de hotel durante el período de octubre de 2016 a noviembre de 2019 fue del 9,8%. Los resultados muestran que el aumento de los anuncios activos de Airbnb en Montevideo tuvo un impacto negativo en los ingresos hoteleros (RevPAR) y los precios promedio diarios (ADR). Sin embargo, no se encontró un efecto significativo de los anuncios activos en Airbnb en las tasas de ocupación hoteleras (OCR). Estos resultados pueden indicar que los hoteleros se vieron forzados a rebajar los precios de las habitaciones debido a la expansión de Airbnb, pero optaron por mantener las ocupaciones de los hoteles lo más altas posibles para hacer frente a ciertos costes fijos. De los principales hallazgos se desprenden una serie de implicancias gerenciales. Los gestores turísticos deben tener en cuenta que, a pesar del crecimiento de Airbnb en Montevideo, el mercado de pernoctaciones podría seguir aumentando incluso con el incremento en el número de 1
personas que realizan reservas a través de Airbnb. A su vez, las estancias adicionales relacionadas a Airbnb que se observan en el período pueden tener efectos en el resto de la economía de la ciudad. El crecimiento de la oferta hotelera también genera incrementos en la demanda de bienes y servicios relacionados, si bien el crecimiento de la oferta hotelera en el período de octubre de 2016 a noviembre de 2019 es muy menor al crecimiento de Airbnb en el período de agosto de 2015 a noviembre de 2019. Palabras clave: Economía colaborativa, plataformas digitales, Airbnb, hoteles, ingresos hoteleros, precios promedio diarios, ocupación hotelera. 2
Agradecimientos Deseo expresar en primer lugar mi gratitud y agradecimiento a los directores de tesis, el Prof. Dr. Luis Miguel López Bonilla y la Profa. Dra. Sandra Zapata Aguirre, cuya contribución resultó fundamental para la presente tesis. Me resulta muy grato reconocer sus aportes siempre positivos en la orientación y que resultaron clave. También mi reconocimiento y agradecimiento al tutor, Prof. Dr. Jesús Manuel López Bonilla, por su rol junto al Prof. Luis López Bonilla en la orientación de mi trabajo, y la amabilidad de ambos al recibirme en mis estancias en la Universidad de Sevilla. Quiero extender además mi agradecimiento al Prof. Dr. Juan Gabriel Brida, Director del Grupo de Investigación en Administración y Economía del Turismo (GAET), de la Facultad de Ciencias Económicas y de Administración, Universidad de la República, Uruguay. También agradezco a mis colegas del Grupo de Investigación en Administración y Economía del Turismo (GAET) de la Facultad de Ciencias Económicas y de Administración de la Universidad de la República, Uruguay, por su apoyo para responder preguntas referidas al problema de la investigación. Quisiera reconocer también el apoyo de la Facultad de Ciencias Económicas y de Administración de la Universidad de la República, Uruguay, y del Departamento de Administración en particular. En un plano personal quisiera mencionar y agradecer a mi familia, que en todo momento me acompañó a lo largo de mi trabajo. Muy especialmente deseo destacar a mi hermano Pablo que me ayudó en múltiples oportunidades durante el transcurso del Doctorado. 3
Indice de contenido Resumen…………………………………………………………………………………………. 1 Agradecimientos…………………………………………………………………………………. 3 Índice de contenido………………………………………………………………………………. 4 Indice de figuras…………………………………………………………………………………..6 Indice de tablas……………………………………………………………………………………7 Capítulo 1: Introducción………………………………………………………………………….8 1.1 Introducción…………………………………………………………………………..8 1.2 Antecedentes de la investigación……………………………………………………..8 1.3 Justificación de la investigación……………………………………………………..11 1.4 Vaciós de la literatura………………………………………………………………..13 1.5 Caso de estudio: Montevideo………………………………………………………..15 1.6 Definiciones………………………………………………………………………….18 1.7 La presente investigación y su relación con la pandemia de Covid 19……………...19 1.8 Metodología………………………………………………………………………….22 1.9 Esquema de la tesis…………………………………………………………………..25 1.10 Conclusiones………………………………………………………………………..26 Capítulo 2: Revisión de la literatura y modelo teórico…………………………………………..27 2.1 Economía colaborativa……………………………………………………………….27 2.2 Plataformas digitales…………………………………………………………………29 2.3 Alojamiento “peer-to-peer”, Airbnb y su relación con la industria hotelera………...31 2.4 Airbnb como innovación disruptiva………………………………………………….32 2.5 Líneas de investigación en torno a Airbnb………………………………………..…34 2.6 Investigaciones sobre Airbnb y el sector hotelero…………………………………...36 2.7 Esquema conceptual…………………………………………………………………41 2.7.1 Modelo teórico…………………………………………………………………41 2.7.2 Enunciado de las hipótesis de investigación…………………………………...42 2.8 Conclusiones…………………………………………………………………………43 Capítulo 3: Visualización de datos y análisis geoespacial de Airbnb y el sector hotelero……....45 3.1 Características de la oferta de hoteles en la ciudad de Montevideo…………………46 3.1.1 Distribución espacial de los hoteles de Montevideo…………………………..46 3.2 Características de los anuncios de Airbnb en Montevideo…………………………..50 3.2.1 Distribución de la oferta de anuncios de Airbnb en Montevideo según tipo de anuncio…………………………………………………………………………53 3.2.2 Ingresos totales de los anfitriones de Airbnb en Montevideo………………….53 3.2.3 Ocupación mensual de las propiedades en Airbnb en Montevideo……………55 3.2.4 Llegadas al Aeropuerto y puerto y tasa de desempleo………………………....56 3.2.5 Anfitriones single-unit vs. anfitriones multi-unit………………………………58 3.3 Análisis geonanalítico…………………………………………………………..……61 4
3.4 Conclusiones………………………………………………………………………....63 Capítulo 4: Metodología de la investigación…………………………………………………….65 4.1 Modelos de regresión de datos de panel…………………………………………......65 4.2 Análisis realizados…………………………………………………………………...68 4.3 Datos……………..,.....................................................................................................69 4.4 Análisis de datos……………………………………………………………………..71 4.5 Conclusiones…………………………………………………………………………72 Capítulo 5: Análisis de datos de panel estático…………………………………………………..73 5.1 Formulación del análisis de datos de panel estático…………………………………73 5.2 Resultados de los modelos de datos de panel estáticos………………………………74 5.3 Resultados de los modelos de datos de panel estáticos utilizando las casas enteras y apartamentos…………………………………………………………………………77 5.4 Valoración del modelo de datos de panel estático…………………………………...79 5.5 Conclusiones…………………………………………………………………………80 Capítulo 6: Tests de raíces unitarias…………………………………………………………..….82 6.1 Tests de raíces unitarias para datos de panel…………………………………………82 6.2 Resultados de los tests de raíces unitarias…………………………………………....82 6.3 Conclusiones………………………………………………………………………....85 Capítulo 7: Análisis de datos de panel dinámico………………………………………………...86 7.1 Formulación del análisis de datos de panel dinámico………………………………..86 7.2 Resultados de los modelos de datos de panel dinámico………………………..……87 7.3 Resultados de los modelos de datos de panel dinámico utilizando las casas enteras y apartamentos…………………………………………………………………………92 7.4 Conclusiones……………………………………………………………………..…..94 Capítulo 8: Conclusiones, limitaciones y trabajo a futuro………………………………….……95 8.1 Descripción general………………………………………………………………….95 8.2 Discusión e implicancias teóricas………………………………………………...….95 8.3 Implicancias gerenciales…………………………………………………………….99 8.4 Modelo estático versus modelo dinámico…………………………………………..100 8.5 Los hallazgos de la investigación y la pandemia de Covid 19…………………..…101 8.6 Visualización de datos y análisis geoanalítico de Airbnb y del sector hotelero de Montevideo……………………………………………………………………...….102 8.7 Limitaciones de la investigación……………………………………………………103 8.8 Trabajo a futuro………………………………………………………………..……104 8.9 Conclusiones………………………………………………………………………..105 Referencias bibliográficas………………………………………………………………106 Anexo I: Entrevistas en profundidad………………………………………………..….117 Anexo II: Códigos de R del análisis de datos…………………………………………..122 5
Indice de figuras Figura 1.1: Crecimiento de los anuncios activos en la ciudad de Montevideo: octubre de 2016 a noviembre de 2019……………………………………………………………………………….12 Figura 1.2: Llegadas a la ciudad de Montevideo entre octubre de 2016 y noviembre de 2019…17 Figura 1.3: Barrios de Montevideo…………………………………………………………...….17 Figura 1.4: Cantidad de noches reservadas y propiedades reservadas en Airbnb. Diciembre de 2018 a Agosto de 2020…………………………………………………………………….…….20 Figura 1.5: Ingresos por tipo de habitación en Montevideo. diciembre de 2018 a agosto de 2020…………………………………………………………………………………………..…..21 Figura 3.1: Distribución de los hoteles de Montevideo………………………………….………47 Figura 3.2: Distribución por código postal de los hoteles de la AHRU…………………………48 Figura 3.3: Distribución por código postal de los hoteles que sólo figuran en la página web del MINTUR………………………………………………………………………………………....49 Figura 3.4: Oferta total de hoteles en Montevideo, año 2018……………………………………50 Figura 3.5: Evolución de los anuncios activos, agosto 2015 - noviembre 2018…………………51 Figura 3.6: Anuncios activos en Airbnb desglosados por año del período………………………52 Figura 3.7: Oferta de anuncios de Airbnb, Agosto 2015 - Noviembre 2018…………………….52 Figura 3.8: Distribución de los anuncios según tipo de anuncio………………………………...53 Figura 3.9: Ingresos totales de los anfitriones de Airbnb para cada mes del período agosto de 2015 a noviembre de 2018……………………………………………………………………….54 Figura 3.10: Ingresos totales de los anfitriones de Airbnb para cada mes del período agosto de 2015 a noviembre de 2018 (II).......................................................................................................55 Figura 3.11: Tasa de ocupación mensual promedio de los anuncios de Airbnb en Montevideo. agosto de 2015 a noviembre de 2018……………………………………………………….……56 Figura 3.12: Llegadas al Aeropuerto de Carrasco y al Puerto de Montevideo para el período de octubre de 2016 a noviembre de 2019………………………………………………………..….57 Figura 3.13: Tasa de desempleo de Montevideo y de Uruguay para el período correspondiente a octubre de 2016 a noviembre de 2019……………………………………………………….…..58 Figura 3.14: Porcentaje de anfitriones single-unit versus anfitriones multi-unit en la ciudad de Montevideo. agosto de 2015 a noviembre de 2018……………………………………………...59 Figura 3.15:Porcentaje de los anuncios en posesión de los anfitriones “multi-unit” y anfitriones “single-unit”...................................................................................................................................60 Figura 3.16: Número de propiedades gestionadas por los 3.925 anfitriones de Airbnb en Montevideo. Agosto de 2015 a noviembre de 2018…………………………………….……….61 Figura 3.17: Distribución espacial de los 5.712 anuncios en Montevideo para el período considerado………………………………………………………………………………………62 Figura 3.18: Promedio de la Average Daily Rate (ADR) por zonas establecidas de Montevideo………………………………………………………………………………………63 6
Indice de tablas Tabla 1.1: Anuncios acumulados de casas enteras o apartamentos enteros, habitaciones privadas y habitaciones compartidas en la ciudad de Montevideo por año (2015*-2019).................................................................................................................11 Tabla 1.2: Definiciones de términos…………………………………………………………..…18 Tabla 2.1: Objetos de estudio y principales resultados de documentos académicos acerca del impacto de Airbnb sobre el sector hotelero……………………………………….….39 Tabla 3.1: Ubicación y número de estrellas de los hoteles de la muestra…………………….….70 Tabla 5.1: Efecto de los anuncios activos en Airbnb sobre los ingresos hoteleros (RevPAR) - modelo estático……………………………………………………………………...75 Tabla 5.2: Efecto de los anuncios activos en Airbnb sobre el ADR hotelero - modelo estático...76 Tabla 5.3: Efecto de los anuncios activos en Airbnb en las tasas de ocupación hoteleras (OCR) - modelo estático……………………………………………………………………….77 Tabla 5.4: Efectos de la oferta de anuncios activos casas enteras y apartamentos en los ingresos hoteleros (RevPar), ADR y tasas de ocupación (OCR) - modelo estático…………....78 Tabla 6.1: Resultados de los tests de raíces unitarias de LLC y IPS para las variables dependientes……………………………………………………………………..……83 Tabla 6.2: Test de Dickey-Fuller Aumentado para las variables independientes…………….….84 Tabla 6.3: Test de Choi para dependencia cruzada en las variables independientes…...………..84 Tabla 6.4: Test de Hadri para las variables dependientes………………………………………..85 Tabla 7.1: Efectos de los anuncios activos en Airbnb sobre los ingresos hoteleros (RevPAR) - modelo dinámico…………………………………………………………….………..89 Tabla 7.2: Efectos de los anuncios activos en Airbnb sobre los precios promedio diarios (ADR) - modelo dinámico………………………………………………………………..…….90 Tabla 7.3: Efectos de los anuncios activos en Airbnb sobre las tasas de ocupación (OCR) - modelo dinámico……………………………………………………………….……..91 Tabla 7.4: Efectos del número de anuncios activos de casas enteras y apartamentos en los ingresos hoteleros, ADR y tasas de ocupación (OCR) - modelo dinámico…………..93 7
Capítulo 1: Introducción 1.1 Introducción La economía colaborativa en el sector turístico ha permitido conectar a quienes tienen propiedades ociosas para alquiler de corto plazo con turistas y viajeros en diversas ciudades y regiones del mundo. Desde su aparición en 2008, Airbnb ha montado una plataforma digital disponible en todo el mundo en donde en 2021 se listaron más de 2 millones de propiedades distribuidas en 100.000 ciudades y 191 países (Zheng, Ke y Li, 2023). Según la literatura, el producto que ofrece Airbnb a través de su página web es una estancia económica, poder disfrutar de las amenidades de una casa, la atmósfera local y una mayor interacción con los residentes del destino (Guttentag, 2015, Guttentag, Smith, Potwarka y Havitz, 2017; Tussyadiah y Pesonen; 2015). En tanto, el producto hotelero se caracteriza por la estancia en un recinto hotelero, pernoctando en una habitación y que incluye una serie de servicios como limpieza de la habitación y desayuno (Sheela, 2002). A su vez, el hotel ofrece en general algún tipo de amenidad como piscina o gimnasio. Esto distingue a uno y otro producto. La aparición y consolidación de Airbnb ha generado una serie de fenómenos nuevos, como por ejemplo la interacción de las propiedades para alquiler temporal con el mercado inmobiliario (Benitez-Aurioles y Tussyadiah, 2020; García-López et al., 2020; Segú, 2018) o incluso cuestiones positivas para las ciudades, como un aumento de los ingresos de los restaurantes (Basuroy, Kim y Proserpio, 2020). Una de esas interacciones se materializa en la creciente competencia entre el sector hotelero y Airbnb, dado que Airbnb ha ido captando una mayor participación del mercado de alojamiento de corto plazo con el paso del tiempo. 1.2 Antecedentes de la investigación Los hoteles han sido los proveedores tradicionales de alojamiento de corto plazo en la industria de los viajes y turismo. La alternativa de hospedaje en hoteles le ha permitido a los turistas encontrar un lugar adecuado para pernoctar, en habitaciones privadas, con servicios de limpieza 8
1.5 Caso de estudio: Montevideo En la presente sección se justifica la elección de la ciudad de Montevideo, Uruguay, como caso de estudio para la presente investigación, a la vez que se presenta información sobre la ciudad. Se trata de una ciudad relativamente joven estructurada en lo fundamental a partir de finales del siglo XIX (Altezor y Baracchini, 1971; Alvarez Lenzi, Arana y Bocchiardo, 1986). Actualmente se presenta como un lugar amigable, razonablemente equilibrado desde el punto de vista social y cultural, con una buena cantidad de barrios de clase media en comparación con la mayoría de las ciudades de América Latina. Asimismo se destaca por la buena calidad de vida de sus habitantes y sus indicadores en términos de seguridad y delincuencia son también relativamente favorables con respecto a otras ciudades latinoamericanas. Montevideo y su área metropolitana en los Departamentos aledaños de Canelones y San José tienen cerca de 1,7 millones de habitantes y es el destino turístico con la mayor cantidad de llegadas turísticas de Uruguay (MINTUR, 2019). En 2018 un total de 930.000 turistas internacionales visitaron Montevideo, con lo que se ubicó en el puesto número 8 en términos de turistas internacionales en América Latina (Euromonitor, 2019). En 2019 Montevideo se ubicó en el primer puesto en satisfacción turística en América Latina, según la World Cities Tourist Federation (La Diaria, 2019). La mayoría de los visitantes son argentinos, brasileños y uruguayos que viven en el exterior, mientras que un número menor son turistas extrarregionales que recorren la parte sur de Sudamérica (MINTUR, 2019). Como se muestra en la Figura 2, las llegadas a la ciudad son estacionales con un pico durante los meses de verano (diciembre a febrero). Además, en julio y agosto también se observa un relativamente importante número de llegadas (ver Figura 2). Por el contrario, las llegadas son bastante menores durante el resto de los meses del año. Los turistas internacionales tienen dos formas primordiales de entrada a Montevideo. Una es el Aeropuerto Internacional de Carrasco. La otra es la terminal de pasajeros del puerto de la ciudad de Montevideo para los pasajeros que vienen en barco desde Buenos Aires. También está la Terminal de Ómnibus de Tres Cruces, pero es utilizada por una gran cantidad de viajeros domésticos, además de los internacionales. 15
Como toda ciudad de porte grande o mediano, Montevideo cuenta con una serie de áreas de interés turístico ubicadas principalmente en la Ciudad Vieja, el Centro y en un segmento del borde costero ligado directamente con la zona de playas existentes dentro la ciudad. El resto del área urbanizada de Montevideo no despierta mayor interés al turista. En esta zona encontramos un amplio sector de la bahía afectada a la actividad portuaria y de servicios logísticos, así como una gran cantidad de barrios centrales y de la periferia de la ciudad. La Ciudad Vieja y el Centro son barrios importantes de la ciudad. La Ciudad Vieja es donde surgió originalmente la ciudad aunque ahora reviste la condición tanto de zona de oficinas como de viviendas. Cuenta con la denominada Peatonal Sarandí alrededor de la cual se ubican algunos hoteles. El Centro, vertebrado sobre la Av. 18 de julio, tiene algunas características distintas a los centros de las ciudades europeas y españolas. Hasta 1980 fue verdaderamente un área de gran centralidad en la ciudad. Sin embargo, con la expansión de la ciudad hacia las zonas costeras, las favorables condiciones socioambientales de estos barrios facilitaron la aparición de Shopping Centers (como se denomina en Uruguay a los centros comerciales) con lo cual Montevideo adoptó una condición policéntrica disputada entre el Centro y barrios como Pocitos y Punta Carretas. De todas formas, el antiguo centro sigue siendo un área muy activa de la ciudad en términos de tránsito de personas, es sede de numerosos edificios públicos, la Plaza Independencia y de una buena cantidad de hoteles más bien de cierta antigüedad (aunque algunos puedan haber sido remodelados). Los barrios de Pocitos y Punta Carretas son barrios residenciales de perfil medio alto y alto, que cuentan con diversos comercios. Entre esos comercios se destacan los Shopping Centers de Punta Carretas Shopping y Montevideo Shopping en Pocitos Nuevo. Alrededor de estos centros comerciales se ha evidenciado un proceso muy claro de gentrificación, con hoteles, edificios de oficinas, comercios y viviendas residenciales. Estos barrios están cercanos a tramos muy calificados de la Rambla de Montevideo, otro atractor de turistas y residentes. Finalmente, el barrio de Carrasco es el barrio más exclusivo del Departamento de Montevideo, muy residencial y con viviendas para segmentos de alto poder adquisitivo y de lujo. También es muy cercano a la Rambla de Montevideo. 16
En resumen, Montevideo es una ciudad relativamente equilibrada en términos sociales y de calidad de vida, de unos 1,7 millones de habitantes en su área metropolitana. Cuenta con una Rambla de borde sobre el Río de la Plata de aproximadamente unos 20 kilómetros de extensión, a lo largo de la cual se ubican los barrios más turísticos: Ciudad Vieja, Centro, Pocitos, Pocitos Nuevo y Buceo, Punta Carretas, Malvín, Punta Gorda y Carrasco. Figura 1.2: Llegadas a la ciudad de Montevideo entre octubre de 2016 y noviembre de 2019 Figura 1.3: Barrios de Montevideo 17
1.6 Definiciones A continuación se definen algunos términos que son utilizados en forma frecuente en la presente tesis. Tabla 1.2: Definiciones de términos Anuncio activo Un anuncio de Airbnb “activo” corresponde a una propiedad que estuvo al menos un día de calendario clasificado como reservado o disponible durante un mes determinado (Airdna, 2023). RevPAR Revenue per available room. Se calcula multiplicando el precio promedio diario o “average daily rate” (ADR) por la tasa de ocupación. (Reid y Bojanic, 2009) ADR Average daily rate. Cociente entre los ingresos totales y el número de habitaciones vendidas (Reid y Bojanic, 2009) Ocupación hotelera Cociente entre el número de huéspedes y el número de camas totales de un hotel en un período determinado. Multi unit host Anfitriones que tienen dos propiedades o más listadas en la plataforma de Airbnb (Kwok y Xie, 2019) Single unit host Anfitriones que tienen listadas una única propiedad en la plataforma de Airbnb (Kwok y Xie, 2019) 18
1.7 La presente investigación y su relación con la pandemia de Covid 19 El presente estudio cubre la operativa del sector hotelero y de Airbnb en Montevideo correspondiente al período de Octubre de 2016 a Noviembre de 2019. El 13 de marzo de 2020 se detectan los tres primeros casos de Covid 19 en Uruguay y el gobierno uruguayo decreta la emergencia sanitaria, instando a las personas a permanecer en sus hogares. Por ende, el estudio cubre hasta los cuatro meses anteriores al inicio de la pandemia en Uruguay. En los primeros meses de 2020, los distintos países del mundo fueron ingresando paulatinamente en “lockdowns” a medida de que el virus se dispersaba. En algunos países como España o Italia, los “lockdowns” comenzaron antes que en Uruguay. Estos “lockdowns” alteraron radicalmente el tránsito de turistas entre las fronteras de los países, dado que muchas fronteras permanecieron cerradas. Una importante cantidad de empresas turísticas, como hoteles y aerolíneas, sufrieron cuantiosas pérdidas o tuvieron que cerrar. En Uruguay, los hoteles se vieron obligados a cerrar por unos meses durante el año 2020 para luego abrir en meses subsiguientes de forma paulatina y con muy bajas tasas de ocupación (El País, 2020). También muchos hoteles establecidos de Montevideo tuvieron que reconvertirse en otro tipo de negocios como por ejemplo, “co-livings” (espacios compartidos de vivienda) o sedes de compañías de trabajos colaborativos (El País, 2021). Fue el caso del hotel Sheraton de Montevideo, uno de los tres hoteles 5 estrellas de la ciudad de Montevideo, que tuvo que reconvertirse temporalmente en una compañía de trabajos colaborativos. Resulta natural entonces cuestionarse si ¿son válidos los hallazgos de la presente investigación después de sucedida la pandemia de Covid 19? En primer lugar, el estudio es explicativo de lo que sucedió en los años previos a la pandemia, en un mundo “normalizado” sin este tipo de shocks que tanto afectaron al sector turístico y a todo el planeta, y que configuraron un “evento de Cisne Negro” en el sentido de Nassim Taleb (Taleb, 2005; He y Harris, 2020). Se intenta ver cuánto influyó cada variable independiente en las variables de desempeño hotelero para el período de referencia. Sin embargo, la pandemia generó severos efectos distorsivos en el sector turístico a nivel mundial y en Uruguay, tanto para el sector hotelero como para el sector de Airbnb. A continuación se pueden ver dos gráficos confeccionados con datos provistos por 19
Airdna que reflejan la distorsión que generó la pandemia para Airbnb en Montevideo. Estos datos fueron consultados de la página de Airdna en oportunidad de la realización de la presente investigación, pero corresponden a un período posterior al de la investigación, básicamente el año 2020. Figura 1.4: Cantidad de noches reservadas y propiedades reservadas en Airbnb. Diciembre de 2018 a Agosto de 2020. Fuente: Airdna. 20
Figura 1.5: Ingresos por tipo de habitación en Montevideo. diciembre de 2018 a agosto de 2020. Fuente: Airdna. Las “listings nights booked”, que serían algo así como la cantidad de noches que fueron reservados los anuncios disponibles en Airbnb, caen en Montevideo en 2020 de forma muy importante. También podemos ver en la figura que los ingresos para las casas enteras y habitaciones privadas se desploman durante los primeros 8 meses del año 2020. Después de la pandemia se han recompuesto los viajes internacionales y domésticos. Esto sugiere que por más que los hallazgos del estudio por 2 o 3 años no valgan per se, por tratarse de un período que siguió a un “cisne negro”, si que valen para el futuro que emergió después de la pandemia. A su vez, los hallazgos de la investigación son de carácter explicativo, por lo que ponen foco en lo que aconteció con el efecto de Airbnb sobre el sector hotelero en los meses de octubre de 2016 a noviembre de 2019. Ha de recordarse además que los primeros registros en la prensa de la actividad de Airbnb en Uruguay son de Agosto de 2015, por lo que tampoco se han dejado períodos prolongados de la operativa de Airbnb en Montevideo sin considerar. 21
1.8 Metodología La metodología general de la investigación se divide en tres partes. La parte más importante y sustancial es el análisis econométrico de efectos de los anuncios activos de Airbnb sobre las tres métricas de desempeño del sector hotelero, a saber, ingresos hoteleros, ADR o precios promedio diarios de las habitaciones y la ocupación hotelera. De aquí se desprenden los hallazgos más sustanciales de la presente investigación. Los capítulos 4 a 7 están enteramente dedicados a explicar la metodología cuantitativa y sustancial de la investigación. El objetivo principal de esta investigación es analizar y cuantificar el efecto de los anuncios activos en Airbnb sobre los ingresos hoteleros (RevPAR), los precios promedio diarios (ADR) y las tasas de ocupación hoteleras (OCR) en el sector hotelero de la ciudad de Montevideo, tomando en consideración la oferta de habitaciones de hotel. Para llevar a cabo este análisis, se utilizará un modelo de regresión de datos de panel con efectos fijos en dos versiones: una estática y otra dinámica. Los ingresos hoteleros (RevPAR) se han elegido como la métrica base en los análisis siguientes debido a su amplio uso en el sector hotelero como indicador de desempeño. Esta métrica permite medir la eficiencia de la gestión de la demanda y la oferta hotelera (Sheela, 2002). Los modelos de regresión de datos panel son herramientas valiosas para analizar el comportamiento de entidades a lo largo del tiempo (Hayashi, 2011). Son especialmente útiles cuando se cuenta con datos longitudinales y permiten tener una comprensión más clara de las relaciones entre variables. Además, estos modelos tienen la ventaja de considerar la heterogeneidad individual de las entidades, como las diferencias en las prácticas empresariales entre hoteles o las diferencias en la superficie de amenidades entre distintos hoteles. También permiten controlar variables que varían con el tiempo pero no entre entidades, como políticas a nivel nacional, regulaciones nacionales y acuerdos internacionales (Torres-Reyna, 2007). 22
Además de la investigación principal de la tesis, una parte complementaria de importancia en el desarrollo del Doctorado se centró en el análisis de visualización de datos. Esta fase del estudio se enfocó en aprovechar la información referente a las 5.712 propiedades en la base de datos de Airbnb, con el objetivo de obtener hallazgos tanto en visualización de datos como en aspectos geoespaciales. Para llevar a cabo este análisis, se utilizó la base de datos de Airbnb que abarcó el período comprendido entre agosto de 2015 y noviembre de 2018. Los datos de diciembre de 2018 a noviembre de 2019 se refieren únicamente a los anuncios activos en Montevideo y fueron obtenidos por separado. También hay algunos datos de la operativa de Airbnb en Montevideo para el año 2020. La base de datos utilizada en el estudio contiene un total de 5.712 propiedades que estuvieron activas durante ese período de tiempo en Montevideo. Además, se contaba con 94.844 registros de información relacionada con la actividad de Airbnb en la ciudad y variables asociadas tales como precios, ocupación de la propiedad, por citar dos variables utilizadas solamente. El objetivo principal de esta etapa del estudio fue explorar la información georeferenciada y revelar patrones y tendencias a través de técnicas de visualización de datos. La visualización de datos es muy importante cuando se cuenta con datos “crudos” puesto es imposible conceptualizarlos por sí solos, y las visualizaciones de datos revelan patrones, tendencias y relaciones que permiten una mayor comprensión de la problemática de estudio. A su vez, la visualización de datos permite una mejor entendimiento de las problemáticas de estudio y definición de objetivos de investigación en las fases iniciales de la investigación. Los hallazgos obtenidos a partir de este análisis de visualización de datos y hallazgos geoespaciales proporcionaron una comprensión más profunda de la dinámica del mercado de alquileres a través de Airbnb en Montevideo, que presenta características diferentes a las del sector hotelero de Montevideo. Se identificaron zonas con mayor concentración de propiedades, se visualizaron las fluctuaciones temporales de la demanda asociadas a patrones estacionales en variables tales como los ingresos brutos en Airbnb, los ingresos promedio de las propiedades o la ocupación promedio de las propiedades, y se identificaron patrones geoespaciales tanto a nivel a 23
nivel de los barrios de Montevideo en términos de densidad de anuncios como en precios promedio diarios (ADR) en Airbnb (precios promedios diarios). Previo a la fase cuantitativa de la investigación y a modo exploratorio, se llevó a cabo un estudio cualitativo que constó de entrevistas en profundidad de toma de conocimiento de la problemática. Por un lado se entrevistó al Secretario de la Asociación de Hoteles y Restaurantes del Uruguay (AHRU), Fernando Peláez, y también al Arquitecto y Urbanista Diego Capandeguy, profesor titular de la Facultad de Arquitectura, Universidad de la República. Las entrevistas en profundidad se encuentran en el Anexo I. 24
2.3 Alojamiento “peer-to peer”, Airbnb y su relación con la industria hotelera Los hoteles han sido los proveedores tradicionales de servicios de alojamiento en la industria de los viajes y el turismo. Li y Srinivasan (2019) describen a la industria hotelera como una industria con una capacidad fija en el corto plazo, donde se necesitan grandes erogaciones de capital para incrementar la oferta de habitaciones. Los hoteles tienen capacidades fijas y costes fijos que representan el 70% de los costes totales (Li y Srinivasan, 2019). El desarrollo de un nuevo proyecto hotelero puede tomar unos tres años hasta que el hotel esté listo para operar (Rutherford y O’Fallon, 2007). A su vez, dado que el sector hotelero opera con capacidades fijas en el corto plazo, los hoteles realizarán transacciones aún cuando la demanda es relativamente baja, y no podrán ampliar la capacidad en períodos de picos de demanda (Farronato y Fradkin, 2018). Por el contrario, Airbnb tiene una capacidad flexible. Los costes que enfrentan los anfitriones son muy distintos y en general mucho más bajos que en el sector hotelero, tales como los costes de entrada y los costes marginales de albergar viajeros adicionales o incorporar una propiedad existente al portafolio del anfitrión (Farronato y Fradkin, 2018; Li y Srinivasan, 2019). Agregar una propiedad adicional al inventario del ambiente de Airbnb costará una fracción menor de lo que le cuesta a una cadena hotelera agregar una cantidad similar de habitaciones de hotel a su inventario existente (Strømmen-Bakhtiar y Vinogradov, 2019). Por ello, conviene conceptualizar a la industria hotelera como un sector de capacidad fija, y al ecosistema de Airbnb como un sector de capacidad flexible. Este marco teórico de un sector de alojamiento de capacidad fija y un sector de alojamiento de capacidad flexible sugiere una explicación para el rápido crecimiento y la penetración de Airbnb en ciertas ciudades y regiones, y su dominio actual en la industria del alojamiento. 31
2.4 Airbnb como una innovación disruptiva Según esta teoría, una empresa disruptiva puede transformar un mercado hasta el punto de revertir el dominio de las empresas establecidas, aunque posea inicialmente menos recursos (Christensen, Raynor y McDonald, 2015; Guttentag, 2015). Como señala el propio Guttentag (2015, p. 1194), la teoría de la innovación disruptiva de Clayton Christensen se caracteriza por: “...Esta teoría describe un proceso a través del cual un producto disruptivo transforma un mercado, a veces hasta el punto de revertir empresas que eran previamente dominantes. Un producto disruptivo generalmente tendrá un rendimiento más bajo con respecto a los atributos de los productos predominantes, pero ofrecerá un conjunto de beneficios distintos, típicamente focalizados en ser más barato, más conveniente o más simple. En consecuencia, el producto disruptivo atrae a una parte “low-end” del mercado y crea un mercado completamente nuevo. Este mercado inicial es limitado en tamaño y márgenes de beneficio, por lo que no es atractivo para las empresas líderes que se contentan con centrarse en sus mercados más rentables y continúan mejorando marginalmente sus productos mediante “innovaciones de sostenimiento”. No obstante, con el tiempo el producto disruptivo mejora, haciéndolo así atractivo a un mayor número de clientes y atrayendo mayores niveles del mercado tradicional. Este cambio puede finalmente llamar la atención de las compañías líderes, pero para ese momento el producto disruptivo puede estar tan imbuido que las compañías previamente líderes tengan dificultades para competir. En otras palabras, la teoría de la innovación disruptiva describe como las empresas pueden vacilar no por quedar detrás del ritmo de avance o ignorar sus clientes principales, sino más bien haciendo caso omiso del ascenso de un producto disruptivo que carece de los atributos tradicionalmente favorecidos pero ofrece en cambio beneficios alternativos. Como se ha señalado anteriormente, Airbnb ha crecido hasta el punto de ofrecer más habitaciones que cualquier otra cadena hotelera en el mundo (Farronato y Fradkin, 2018). Airbnb es uno de los actores clave en la economía colaborativa, especialmente en lo que refiere a permanecer en establecimientos de alojamiento no tradicionales como propiedades residenciales, y ha observado una popularidad creciente en los principales destinos turísticos alrededor del 32
mundo (Gunter y Önder, 2018). Airbnb puede ser catalogada como una “innovación disruptiva” del sector turístico y de alojamiento en el marco de la teoría de la innovación disruptiva de Clayton Christensen (Guttentag, 2015, como se cita en Gibbs, Guttentag, Gretzel, Morton y Goodwill, 2018, p. 47). El alojamiento colaborativo había estado limitado por las dificultades con las que se enfrentaban los anfitriones en hacer que sus propiedades fueran conocidas por los potenciales huéspedes, así como por la complicación de establecer confianza entre huéspedes y anfitriones (Guttentag, 2015). Con las tecnologías de web 2.0 de internet, Airbnb pudo lograr que los anfitriones ofrecieran sus propiedades a los huéspedes (Guttentag, 2015). Airbnb carece de las prestaciones que tienen muchos hoteles, como la calidad del servicio, personal amable, imagen de marca y seguridad (Guttentag, 2015). De esta manera, Airbnb tiene un producto que no se enmarca dentro de los estándares de lo que ofrecen los hoteles, es decir, los líderes del mercado. Sin embargo, un gran atractivo del producto de Airbnb es su coste más bajo en comparación con los hoteles (Guttentag, 2015). También puede que los turistas disfruten de estar en un hogar en lugar de en un hotel, algo que puede convertir al producto de Airbnb en más conveniente (Guttentag, 2015). Una propiedad de Airbnb puede que también cuente con amenidades tales como una cocina o un lavadora (Guttentag, 2015). Una estancia en Airbnb también puede ofrecer una estancia más “auténtica” en una zona no tan turística (Guttentag, 2015). Y como afirma Guttentag (2015, p. 1198) entre cuestiones que justifican la consideración de Airbnb como innovación disruptiva: “...Además de ofrecer una alternativa de alojamiento que es económica y ofrece varios beneficios asociados con una estancia en una residencia local, Airbnb ha introducido continuamente mejoras en donde tiene un desempeño inferior, al igual que predice la teoría de la innovación disruptiva…”. El otro elemento que agrega Guttentag (2015, p. 1198) es el rápido crecimiento que ha experimentado Airbnb y que es característico de las innovaciones disruptivas: 33
“...La teoría de la innovación disruptiva sugiere que un producto disruptivo debería disfrutar de una popularidad inicial limitada, pero luego crece en tamaño a medida que ingresa cada vez más al mercado convencional. Este patrón describe perfectamente el crecimiento de Airbnb, ya que después de varios años de popularidad muy marginal, Airbnb ha experimentado un crecimiento explosivo en los últimos años…”. 2.5. Líneas de investigación en torno a Airbnb Si bien existen una multiplicidad de líneas de investigación relativas a Airbnb, existen algunas que tienen un volumen importante de artículos académicos. Una primera línea de investigación analiza los determinantes en la formación de los precios de las propiedades que se anuncian en Airbnb mediante modelos de precios hedónicos (Chen y Xie, 2017; Falk, Larpin y Scaglione, 2019; Gibbs et al., 2018; Gunter y Önder, 2018; Magno, Cassia y Ugolini, 2018; Önder, Weismayer y Gunter, 2019, Tong y Gunter, 2022). Una segunda línea estudia, a través de conceptos de revenue management, el desempeño de los anfitriones de Airbnb en sus estrategias de fijación de precios para sus anuncios (Benítez-Aurioles, 2022b; Gibbs, , 2018; Kwok y Xie, 2018; Oskam y Telkamp, 2018). A su vez, el foco empírico sobre Airbnb sugiere que esta plataforma digital se ha convertido en un objeto de estudio central en la investigación académica sobre la economía colaborativa (Sutherland y Jarrahi, 2018). A medida que Airbnb se ha vuelto popular entre los turistas, los investigadores han estudiado las principales razones para la preferencia de los huéspedes y la motivación de compra. Guttentag, Smith, Potwarka y Havitz (2017) encontraron que los huéspedes de Airbnb se ven fundamentalmente atraídos por las características prácticas del servicio, que incluyen el bajo coste de una estancia en Airbnb, la ubicación conveniente de muchos anuncios de Airbnb y el deseo de utilizar las amenidades de la propiedad. Con respecto a esto último, los autores concluyen que los establecimientos de alojamiento tradicional como hoteles, deberían percibir a Airbnb como un competidor “low cost” (Guttentag et al., 2017). En orden secundario a estos beneficios prácticos se encuentran las motivaciones relacionadas con la experiencia como la autenticidad dada por lo “local” (Guttentag et al., 2017). Un estudio de 34
Tussyadiah y Pesonen (2015) sobre los viajeros estadounidenses y finlandeses encontró que los viajeros utilizan alojamiento “peer-to-peer” como Airbnb en gran medida por los ahorros asociados al coste (refiriéndose como atractivo económico) y la oportunidad de tener más interacciones sociales con los residentes (refiriéndose como atractivo social). La entrada de Airbnb en el sector de alojamiento ha originado discusiones en torno a las políticas y la regulación de la plataforma digital en contextos diversos (Farronato y Fradkin, 2018). En años recientes han emergido un conjunto de estudios relacionados con la regulación de la plataforma digital (Del Busto, Martín y Guerra, 2019; Gao, Zhu, Liu y Jiang 2022; DiNatale, Lewis y Parker, 2018; Márquez, 2018; Nieuwland y Van Melik, 2020; Quattrone et al. 2016; Tham, 2016; Wegmann y Jiao, 2017). La mayoría de estos estudios se focalizan en los impactos de Airbnb sobre la disponibilidad y asequibilidad de las viviendas para uso residencial, la oferta y cambios en los precios de las propiedades residenciales, la gentrificación y los marcos regulatorios de las plataformas de alojamiento “peer-to-peer”. Otros temas abordados en las investigaciones incluyen la confianza (Chatterjee et al., 2019; Ert y Fleischer, 2019; Ert, Fleischer y Magen, 2019; Farmaki et al., 2019; Zervas, Proserpio y Bryers, 2021) el comportamiento del anfitrión (Belarmino y Koh, 2022; Karlsson y Dolnicar, 2016; Gunter, 2018; Ozzane y Prayag, 2022), el comportamiento del consumidor (Möhlmann, 2005; Tussyadiah y Pesonen; 2015; Sthapit et al., 2022), la relación entre el huésped y el anfitrión (Ikkala y Lampinen, 2016; Kim, Yoon y Zo, 2015; Wang y Jeong, 2018) y los impactos macro de Airbnb, por ejemplo sobre el sector residencial (Bekkerman et al., 2022; Benitez-Aurioles y Tussyadiah, 2020; García-López et al., 2020; Segú, 2018; Schäfer y Braun, 2016). La confianza es una cuestión crucial que tuvo que superar Airbnb para desarrollar su plataforma digital y en definitiva asegurar la cooperación de huésped y anfitrión para que se produzca una transacción de alojamiento, algo que tiene barreras derivadas que se trata de una transacción entre desconocidos y uno le está abriendo las puertas de su hogar.. Para ello Airbnb introdujo una serie de cambios en años recientes. En 2014 Airbnb introdujo un cambio en su sistema de reputación (Ert y Fleischer, 2019). Generó una evaluación “doble ciego” de huéspedes y anfitriones para impedir las represalias en las evaluaciones (Ert y Fleischer, 2019). Otro cambio 35
que introdujo Airbnb fue que la ventana web para dejar los comentarios era limitada en el número de caracteres, para evitar comentarios extremadamente buenos o extremadamente malos (Ert y Fleischer, 2019). 2.6 Investigaciones sobre Airbnb y el sector hotelero El carácter disruptivo de Airbnb ha dado lugar a una buena cantidad de investigaciones que exploran su influencia en el sector hotelero (Yang et al., 2022). En efecto, un conjunto de estudios analizan los efectos del alojamiento “peer-to-peer” de Airbnb en el desempeño de los hoteles (Farronato y Fradkin, 2018; Forgacs y Dimanche, 2016; Choi et al., 2015; Dogru, Mody y Suess, 2019; Dogru, Mody, Line, Suess, Hanks y Bonn, 2020; Haywood et al., 2017; Mhlanga, 2019; Sainaghi y Baggio, 2020; Strømmen-Bakhtiar y Vinogradov, 2019; Xie y Kwok, 2017). A continuación se discuten los hallazgos de los estudios más importantes del tema. La evidencia de los estudios del impacto de la oferta de anuncios de Airbnb sobre el sector hotelero es contrapuesta o mixta. Si bien algunos estudios detectaron un impacto concreto estadísticamente significativo de Airbnb sobre el sector hotelero (por ejemplo, Farronato y Fradkin, 2018; Dogru et al., 2018; Xie y Kwok, 2017; Zervas et al., 2017), otra cantidad de estudios encontraron un impacto despreciable o estadísticamente no significativo (Choi, Jung, Ryu, Kim y Yoon, 2015; Haywood, Mayock, Freitag, Owoo y Fiorilla; 2017; Strømmen-Bakhtiar y Vinogradov, 2019). En un meta análisis en base a 33 estudios sobre el efecto de Airbnb sobre el sector hotelero, Yang et al. (2022) encontraron que los estudios reportan una pequeña baja en los precios promedio diarios (ADR) y en las tasas de ocupación provocados por Airbnb. El efecto es más profundo cuando se utiliza a las tasas de ocupación como única métrica de desempeño, y no cuando se utilizan a las ADR y las tasas de ocupación en forma combinada (Yang et al., 2022). El análisis también muestra que el efecto negativo se ha vuelto menos significativo con el tiempo, lo que indica una mayor resistencia de los hoteles ante el advenimiento de Airbnb (Yang et al., 2022). Los autores también encuentran un efecto menos pronunciado en Europa en comparación con 36
Asia y un menor impacto en los hoteles de gama alta que en los hoteles de gama baja (Yang et al., 2022). La tabla 2 resume los hallazgos de los artículos más importantes sobre el efecto de Airbnb sobre el sector hotelero. En uno de los estudios más relevantes en esta área de investigación, Zervas el al. (2017) encontraron que un incremento del 1% en los anuncios de Airbnb en el estado de Texas (EE.UU) resultó en una bajada del 0.05% en los ingresos hoteleros trimestrales. Los autores también encontraron que algunos segmentos de hoteles se vieron más afectados que otros. En particular los hoteles de gama baja y aquellos que no servían a viajeros de negocios fueron los más afectados (Zervas et al., 2017). Dogru et al. (2019) concluyeron que el número de anuncios en Airbnb tenía un efecto estadísticamente significativo en las tasas de ocupación, los precios y los ingresos hoteleros de los hoteles de 10 ciudades en los Estados Unidos. Los autores encontraron que no solamente los hoteles de gama baja se vieron afectados por una creciente oferta de propiedades en Airbnb, sino que también los hoteles convencionales en esas ciudades se vieron afectados (Dogru et al., 2019). Blal, Singal y Templin (2018) examinaron los efectos tanto sustitutivos como complementarios de la oferta de Airbnb sobre las ventas de los hoteles en la ciudad de San Francisco. En este caso, los resultados mostraron que no hubo un efecto estadísticamente significativo de la oferta de Airbnb sobre los ingresos hoteleros en San Francisco (Blal et al., 2018). Sin embargo, los precios promedio de las propiedades en Airbnb, la satisfacción de los huéspedes y los segmentos de hoteles tuvieron un efecto estadísticamente significativo (Blal et al., 2018). Sin embargo, otros estudios encontraron un efecto mucho menor o ningún efecto de la oferta de Airbnb sobre el desempeño hotelero. Li y Srinivasan (2019) concluyeron que la oferta de Airbnb expandió el mercado de alojamiento global, al tiempo que se canibalizaba moderadamente con las ventas de los hoteles. Choi et al. (2015) encontraron que la oferta de Airbnb no tiene un efecto estadísticamente significativo sobre los ingresos hoteleros en tres ciudades de Corea del Sur: Seúl, Busan y Jeju. Los autores concluyen en este caso que los visitantes a Corea del Sur continuaron prefiriendo las estancias de hotel a las estancias en Airbnb. Strømmen-Bakhtiar y 37
Vinogradov (2019) encontraron que la tasa de crecimiento de las noches de huéspedes de hotel fue independiente de la adopción de Airbnb en varias regiones de Noruega, y que la tasa de crecimiento de los hoteles en la regiones en las que Airbnb estaba siendo adoptada vigorosamente no difería de la tasa de crecimiento donde Airbnb no estaba presente. No se encontró una asociación negativa entre la adopción de Airbnb y los precios de los hoteles (Strømmen-Bakhtiar y Vinogradov,2019). Mhlanga (2019) encontró un impacto estadísticamente significativo en las tasas de ocupación en los hoteles de Sudáfrica, pero no encontró un efecto estadísticamente significativo en los ingresos hoteleros y los precios. Algunos estudios han analizado el problema de la sustitución de hoteles por Airbnbs desde la perspectiva de los patrones estacionales (Negi y Tripathi, 2022). Entre esos estudios cuentan el de Sainaghi y Baggio (2020) y el de Benítez-Aurioles (2022b). Sainaghi y Baggio (2020) estudiaron los patrones estacionales de la demanda y analizaron el grado de sincronización entre la ocupación diaria de los hoteles y de los Airbnbs en Milán, Italia, durante cuatro años. Encontraron una fuerte desincronización durante la semana, los días laborales y los días de feria comercial, cuando los hoteles se orientan al viajero de negocios, y cuando las propiedades de Airbnb se orientan a los viajeros de ocio (Sainaghi y Baggio, 2020). Los autores encontraron un efecto de sustitución parcial en los fines de semana y los feriados (Sainaghi y Baggio, 2020). Benítez-Aurioles (2022b) se plantea comparar la estacionalidad entre el mercado de alojamiento “peer-to-peer” y el mercado de alojamiento tradicional en Mallorca, España. Encontró que la estacionalidad en el mercado “peer-to-peer” es menor que en el tradicional. Las fluctuaciones de la demanda en Palma de Mallorca capital son menores que en el resto de la isla (Benítez-Aurioles, 2022b). A la luz de lo anterior y considerando los principales estudios que analizan el impacto de Airbnb sobre la industria hotelera, hasta ahora no se puede extraer evidencia concluyente del impacto de Airbnb sobre los hoteles. Paralelamente, se han señalado una serie de limitaciones sobre la evaluación del efecto de Airbnb sobre el desempeño hotelero. Los investigadores han hecho una llamada a incluir más ciudades y regiones para obtener una mayor capacidad de generalización (Blal et al., 2018; Dogru et al., 2018; Xie y Kwok, 2017). A su vez, los estudios se preocupan por obtener correlaciones, pero no se establecen relaciones causales para este tipo de problemas de investigación (Dogru et al., 2018). Finalmente, en la medida en que se usan diferentes métodos 38
cuantitativos y se utilizan diferentes variables independientes, esto no permite una comparación directa entre los estudios. Tabla 2.1: Objetos de estudio y principales resultados de documentos académicos acerca del impacto de Airbnb sobre el sector hotelero Autores Objeto de estudio especificado Resultados Blal, Singal y Templin (2018) 101 hoteles en San Francisco, EE.UU. No hay un efecto estadísticamente significativo de Airbnb sobre el RevPAR hotelero. Los precios promedio de los anuncios sí tienen efecto estadísticamente significativo sobre el RevPAR en ciertos segmentos. Choi, Jung, Ryu, Kim y Yoon (2015) Seul, Busan y Jeonju No existe relación entre los anuncios de Airbnb y el RevPAR hotelero. Dogru, Mody y Suess (2018) 10 grandes ciudades de Estados Unidos Nueva York, Boston, San Francisco, Chicago, Miami, entre otras. El aumento de la oferta de Airbnb impacta negativamente en el RevPAR, el ADR y las tasas de ocupación. Dogru, Mody y Suess (2017) Boston, EE.UU. Un incremento del 1% en la oferta de Airbnb está asociado a una bajada del 0.025% en el RevPAR hotelero y un 0.02% en el ADR. Farronato y Fradkin (2018) Hoteles en 50 ciudades de Estados Unidos Los efectos más importantes se presentan en ciudades donde los hoteles tienden a funcionar con la capacidad instalada más tensionada. Se estima que sin Airbnb los ingresos hoteleros serían un 1,5% mayores. 39
Haywood, Mayock, Freitag, Owoo y Fiorilla (2017) 13 ciudades: Barcelona, Boston, Londres, Los Ángeles, Ciudad de México, Miami, Nueva Orleans, París, San Francisco, Seattle, Sydney, Tokio y Washington D.C. A Julio de 2016, los hoteles de estas ciudades registraron 77 meses consecutivos de crecimiento en el RevPAR. Las ADR hoteleras (tarifas) son en general más altas que las de Airbnb. Las ADR hoteleras crecieron en todas las ciudades, excepto París. Las ADR de Airbnb crecieron en 8 ciudades, mientras que cayeron en las 5 restantes. Li y Srinivasan (2019) 8 ciudades de Estados Unidos entre las que cuentan Los Angeles, Chicago y Washington D.C. Airbnb afecta moderadamente a las ventas de los hoteles y expande el mercado en su conjunto. La oferta flexible de Airbnb ayuda a mitigar la volatilidad de la demanda de alojamiento y repercute positivamente en la demanda total. Zervas, Proserpio y Bryers (2017) 4.763 hoteles en el Estado de Texas, EE.UU. Un incremento del 1% en los anuncios de Airbnb está asociado a una bajada del 0.05% en los ingresos hoteleros trimestrales. Los hoteles de gama baja y los que no sirven a los viajeros por trabajo son los más afectados. Xie y Kwok (2017) 86 hoteles en Austin, Texas (EE.UU). Se detectó una caída en el desempeño de los hoteles de Austin ante la presencia de Airbnb. 40
actividad de la ciudad. Sin embargo, se observa todavía una muy importante presencia de hoteles en esta parte de la ciudad. También se observa que existen una serie de hoteles en Pocitos Nuevo, que son en general hoteles muy nuevos de cadenas internacionales. Esta zona se encuentra contigua a Montevideo Shopping Center y es una zona de compras y de edificios de oficina, muy aptas para los viajeros de negocios y turistas de gama media y alta. Finalmente, también hay unos cuantos hoteles en el exclusivo barrio de Carrasco, un barrio jardín caracterizado por residencias vistosas y de lujo, con calles amplias. Entonces, y a modo de resumen, del mapa geoanalítico se pueden establecer cuatro grandes zonas donde se ubican los hoteles en Montevideo (de izquierda a derecha en la imagen): Centro y Ciudad Vieja, Pocitos y Punta Carretas, Pocitos Nuevo y Carrasco. Figura 3.1: Distribución de los hoteles de Montevideo La figura 3.2 muestra la distribución por código postal de los hoteles asociados a la AHRU: 47
Figura 3.2: Distribución por código postal de los hoteles de la AHRU. Como se puede observar en la figura 3.2, el principal código postal donde están instalados hoteles de la AHRU en Montevideo es el que corresponde a los barrios Centro y Sur con casi la mitad de los hoteles (42,6%). A este le siguen Punta Carretas y Pocitos con 16,7%, Ciudad Vieja con 13,0% y Cordón, Palermo y Parque Rodó con 11,1%. Estos cuatro códigos postales conforman una zona contigua (todos los códigos postales limitan con al menos uno de los otros 3 códigos postales), que alberga el 83,4% de los hoteles de la AHRU. En tanto la distribución por código postal de los hoteles que no están en la AHRU se muestra en la figura 3.3. Punta Carretas y Pocitos (38,5%) y Centro y Barrio Sur (34,6%) son con mucho margen los barrios con más hoteles no asociados a la AHRU. A estos barrios le siguen Cordón y Palermo con 11,5%. En tanto Ciudad Vieja, que tiene muchos hoteles asociados a la AHRU, apenas tiene un 1,9% de los hoteles no asociados a la AHRU. Los barrios de Punta Carretas y Pocitos, Cordón y Palermo y Centro y Barrio Sur son una zona contigua de la ciudad que nuclea casi el 85% de los hoteles no asociados a la AHRU. Se puede observar que un número no 48
despreciable de hoteles de Pocitos y Punta Carretas no están asociados a la AHRU al comparar los dos gráficos. Figura 3.3: Distribución por código postal de los hoteles que sólo figuran en la página web del MINTUR. Teniendo en cuenta que la AHRU nuclea aproximadamente la mitad de los hoteles de Montevideo para el período de referencia (54 en total), mientras que la otra mitad no está asociada, es interesante mostrar la distribución por código postal de todos los establecimientos hoteleros de Montevideo (son 105 hoteles en total). Esto se hace en la figura 3.4. 49
Figura 3.4: Oferta total de hoteles en Montevideo, año 2018. La conclusión principal de la distribución por código postal de los hoteles de Montevideo es que los códigos postales de Ciudad Vieja, Centro y Barrio Sur, Cordón, Palermo y Parque Rodó y Punta Carretas, Pocitos (junto con Pocitos Nuevo y sur del Buceo) nuclea una porción muy considerable de la oferta de establecimientos total, a saber, el 85,6 por ciento. También es cierto que esta zona es a grandes rasgos la más turística de la ciudad, por lo que el resultado tampoco es sorprendente. 3.2 Características de los anuncios de Airbnb en Montevideo Se comenzará presentando las características y tendencias de la oferta de propiedades en la plataforma Airbnb en Montevideo para el período que comprende desde agosto de 2015 a noviembre de 2018. Los anuncios activos de Airbnb en Montevideo muestran tanto un patrón claramente creciente a lo largo del tiempo (ver Figura 3.5), como un patrón estacional cada año (ver Figura 3.6). El 50
patrón estacional confluye con las características de las llegadas de turistas extranjeros a la ciudad de Montevideo, que también es estacional a lo largo del año. En tanto la oferta de Airbnb tiene un comportamiento claramente creciente a lo largo del período de referencia, como se observa en la figura 3.7. Figura 3.5: Evolución de los anuncios activos, agosto 2015 - noviembre 2018. 51
Figura 3.6: Anuncios activos en Airbnb desglosados por año del período. Figura 3.7: Oferta de anuncios de Airbnb, Agosto 2015 - Noviembre 2018 52
3.2.1 Distribución de la oferta de anuncios de Airbnb en Montevideo según tipo de anuncio Los anuncios de Airbnb se distinguen en tres tipos de anuncios: habitación compartida, habitación privada o casa o apartamento entero. La Figura 3.8 muestra la distribución según tipo de anuncio para Montevideo entre agosto de 2015 y noviembre de 2018. De los 5.712 anuncios para el período, un 6,0% correspondió a habitaciones compartidas, un 40,2% a habitaciones privadas y un 53,7% a casas enteras y apartamentos. Figura 3.8: Distribución de los anuncios según tipo de anuncio 3.2.2 Ingresos totales de los anfitriones de Airbnb en Montevideo Los ingresos totales de los anfitriones de Airbnb en Montevideo han venido creciendo desde agosto de 2015, aunque con oscilaciones durante el transcurso del año. Como se puede ver en las 53
Figuras 3.9 y 3.10, el comportamiento de los ingresos totales de los anfitriones es estacional. En general toma valores mayores en los meses de noviembre, diciembre, enero y febrero, y tiene un comportamiento decreciente en los primeros meses de todos los años considerados. Tanto en 2016, 2017 como 2018, hay un leve crecimiento en julio y agosto. El comportamiento en el segundo semestre de cada año es creciente. Figura 3.9: Ingresos totales de los anfitriones de Airbnb para cada mes del período agosto de 2015 a noviembre de 2018 54
Figura 3.10: Ingresos totales de los anfitriones de Airbnb para cada mes del período agosto de 2015 a noviembre de 2018 (II) 3.2.3 Ocupación mensual de las propiedades en Airbnb en Montevideo Airdna mide la tasa de ocupación mensual de una propiedad como un número que tomará un valor entre 0 y 1. Si la tasa de ocupación asume el valor 0, es porque no se alquiló ningún día en el mes. Si la tasa de ocupación asume el valor 1, es porque estuvo alquilada todos y cada uno de los días del mes. Si la propiedad estuvo alquilada una cierta cantidad de días, tomará el valor proporcional a la cantidad de días del mes entre 0 y 1. Con los valores de la tasa de ocupación mensual de cada anuncio o “listing”, se puede calcular un promedio de la ocupación mensual de las propiedades anunciadas en Airbnb en Montevideo para cada mes del período de referencia, esto es, agosto de 2015 a noviembre de 2018. Esto se puede ver en la Figura 3.11. La ocupación mensual de los anuncios en Airbnb es estacional, de la misma forma que lo son las llegadas a Montevideo. 55
Figura 3.11: Tasa de ocupación mensual promedio de los anuncios de Airbnb en Montevideo. agosto de 2015 a noviembre de 2018. 3.2.4 Llegadas al Aeropuerto y puerto y tasa de desempleo A continuación se grafican dos series que son utilizadas como variables en el análisis econométrico: las llegadas al Aeropuerto de Carrasco y al Puerto de Montevideo y la tasa de desempleo de Montevideo, comparada con la tasa de desempleo “total país”, como denomina el INE a la tasa de desempleo para todo Uruguay. 56
La Figura 3.18 muestra el promedio de la Average Daily Rate (ADR) de los anuncios de Airbnb en Montevideo. Se observa que el promedio del Average Daily Rate (ADR) por las zonas que genera el programa kepler.gl, aumenta en la medida en que las propiedades en Airbnb de Montevideo se encuentran más cercanas a la costa del Río de la Plata, en particular la Rambla de Montevideo. Esto ocurre en concreto para los barrios de Pocitos, Punta Carretas, Buceo, Punta Gorda y Carrasco. Para el caso de las zonas de Carrasco, el ADR promedio es muchísimo más alto que en el resto de la ciudad. Como se trata de promedios, las zonas de muy poca densidad pueden mostrar el valor de una única propiedad de lujo (por ejemplo, Las Piedras y otros “outliers”). Figura 3.18: Promedio de la Average Daily Rate (ADR) por zonas establecidas de Montevideo. 3.4 Conclusiones: Del análisis de visualización de datos se desprendió que existen 54 hoteles hoteles asociados a la AHRU y 52 hoteles que no forman parte de la AHRU. Casi la mitad de los hoteles asociados a la AHRU (el 42.6%) se encuentran ubicados en el Centro y Barrio Sur. A estos barrios le siguen Punta Carretas y Pocitos y luego Ciudad Vieja. La oferta de Airbnb en Montevideo tuvo un 63
patrón claramente creciente a lo largo del tiempo. Por otro lado, la distribución de los anuncios se divide en tres tipos: habitación compartida, habitación privada y casas enteras o apartamentos, siendo estos últimos el tipo de anuncio más frecuente con un 53,7% de los anuncios totales. Los ingresos totales de los anfitriones tienen un comportamiento estacional, siendo mayores en los meses de noviembre, diciembre y enero y febrero del siguiente año y decrecientes en los primeros meses de todos los años considerados. La tasa de ocupación mensual promedio de los anuncios de Airbnb en Montevideo es también estacional y coincide con la estacionalidad de las llegadas a la ciudad. Los anfitriones multi-unit, que poseen 2 o más propiedades en Airbnb en Montevideo, representan el 21,6% de los anfitriones y el 45,1% de los anuncios totales. Del análisis geoanalítico se descubrió que existen algunas zonas con poca cantidad de hoteles que tienen una alta concentración de anuncios de Airbnb. Esto es particularmente el caso en Parque Rodó y Cordón. Esto está en línea con la teoría de Airbnb sobre la ubicación de los anuncios en zonas menos turísticas. Los precios promedio diarios en Airbnb tienden a ser mayores en las cercanías de la Rambla de Montevideo, sobre el Río de la Plata. 64
Capítulo 4: Metodología de la investigación 4.1 Modelos de regresión de datos de panel El objetivo de esta investigación es analizar y cuantificar el efecto de los anuncios activos en Airbnb sobre los ingresos hoteleros (RevPAR), los precios promedio diarios (ADR) y las tasas de ocupación hoteleras (OCR) del sector hotelero de la ciudad de Montevideo tomando en consideración la oferta de habitaciones de hotel. La métrica base en los análisis siguientes son los ingresos hoteleros (RevPAR) porque es una métrica de desempeño ampliamente utilizada en el sector hotelero que permite medir la eficiencia de la gestión de la demanda y la oferta (Reid y Bojanic, 2009). Se utilizará un modelo de regresión de datos de panel con efectos fijos en dos versiones, una estática y otra dinámica. Los datos de panel, también llamados datos longitudinales, son una estructura de datos en la que se recopilan observaciones repetidas a lo largo del tiempo para las mismas unidades individuales o entidades (Torres-Reyna, 2007; Wooldridge, 2010; Wooldridge, 2015). En otras palabras, el panel de datos consiste en una combinación de datos de series temporales y datos transversales. Es decir, los datos de panel recopilan información tanto sobre diferentes unidades individuales (como personas, empresas, estados o países) como sobre diferentes períodos de tiempo. Cada unidad individual se sigue a lo largo del tiempo, lo que permite analizar los cambios en las variables de interés tanto dentro de cada unidad como entre diferentes unidades. Los modelos de datos de panel toman en cuenta la heterogeneidad individual de las entidades, como son las diferencias en las prácticas empresariales entre empresas, así como poder controlar por variables que varían con el tiempo pero no entre entidades -como políticas a nivel nacional, regulaciones nacionales, acuerdos internacionales, etc.- (Torres-Reyna, 2007, Wooldridge, 2015). De esta forma es posible estimar los efectos de las variables independientes en las variables dependientes, controlando el efecto de otros factores y teniendo en cuenta la heterogeneidad entre las unidades individuales (Wooldridge, 2010; Wooldridge, 2015). 65
Los análisis de datos panel se utilizan comúnmente en varias disciplinas, como la economía, la sociología, la ciencia política y la epidemiología, entre otras (Cornwell y Trumbull, 1994; Papke, 1996). En el caso de esta investigación, se pretende estudiar el efecto que la oferta de Airbnb tiene sobre el sector hotelero, teniendo en cuenta la heterogeneidad entre los distintos hoteles. En efecto, este factor puede captar las diferencias en, por ejemplo, las amenidades de cada hotel, y los modelos de datos de panel permiten conservar cierta parte de esa heterogeneidad específica de cada entidad u hotel. El hecho que un hotel tenga amenidades de muy buen nivel puede de que ayude a que ese hotel logre mayores niveles de ingresos, precios y ocupación. En esta investigación se utilizan modelos de regresión de datos de panel con efectos fijos. En un modelo de regresión de datos de panel con efectos fijos, se incluyen aquellos efectos específicos de cada unidad individual en el análisis que no varían con el tiempo. Estos efectos fijos capturan las características individuales inobservables que pueden tener un impacto constante en las variables dependientes (Heij et al., 2004). Concretamente, el modelo de regresión panel estático adopta la siguiente forma (Wooldridge, 2010; Wooldridge, 2015): 𝑦𝑖,𝑡=𝑎𝑖+β𝑥𝑖, 𝑡 +𝑢𝑖,𝑡 donde se tiene que, ●representa la variable dependiente para cada unidad ipara el tiempo t. 𝑦𝑖,𝑡 ●representa el efecto fijo específico de la unidad i, que es invariante en el tiempo. 𝑎𝑖 ●representa la variable independiente para cada unidad ipara el tiempo t. 𝑥𝑖, 𝑡 ●es el coeficiente que representa la relación lineal entre las variables independientes y la βvariable dependiente y se asume que son constantes a lo largo del tiempo. ●es el término de error para cada unidad ipara el tiempo tque captura el componente 𝑢𝑖,𝑡 no explicado por el modelo. 66
En este modelo, el efecto fijo se incluye para cada unidad individual y se asume que es 𝑎𝑖 constante a lo largo del tiempo. Esto significa que el efecto fijo representa las características inobservables de la unidad ique pueden tener un impacto sistemático en la variable dependiente. Al incluir el efecto fijo, se controlan estas características individuales constantes, permitiendo un análisis más preciso de la relación entre las variables independientes y la variable dependiente. Si se cuenta con una cantidad nde unidades (hoteles, paises, empresas, etc) y evaluamos mperíodos de tiempo (meses, años, etc), el modelo de datos de panel contiene mxnecuaciones como la descrita anteriormente. El nombre "modelo estático" proviene del hecho de que se está modelando una relación contemporánea entre yyx(Arup y Oxera, 2010a; Arup y Oxera 2010b; Wooldridge, 2010). Por lo general, se postula un modelo estático cuando se cree que un cambio en xen el momento t tiene un efecto inmediato en y(Wooldridge, 2010). Es decir, los valores pasados de las variables (dependiente e independiente) no influyen en dicha relación. En contraste, en un modelo de datos panel dinámico se incorpora la dimensión temporal y se considera que las variables dependientes pueden estar influenciadas por su propio pasado, así como por las variables independientes y los efectos fijos específicos de cada unidad (Wooldridge, 2010). Por esta razón, los modelos de datos de panel dinámicos también se refieren como auto-regresivos (en inglés: autoregressive distributed lag models, ARDL) (Arup y Oxera, 2010a; Hassler y Wolters, 2006). En su forma más simple, un modelo de regresión panel dinámico toma la forma: . 𝑦𝑖,𝑡=𝑎𝑖+⍴ 𝑦𝑖,𝑡−1+ β𝑥𝑖, 𝑡 +𝑢𝑖,𝑡 La ecuación anterior es idéntica al del modelo estático salvo por el término donde, ⍴ 𝑦𝑖,𝑡−1 ●representa la variable dependiente para cada unidad ipara el tiempo t-1, 𝑦𝑖,𝑡−1 comúnmente referida como rezago de la variable dependiente. ●es el coeficiente del rezago de la variable dependiente, que capta la influencia de los ⍴valores que la variable dependiente tomó en el pasado. 67
Cabe destacar que existen variantes de estos modelos considerando una variedad de estructuras de rezago (tanto en la variable dependiente como en las independientes). Los modelos de regresión panel estáticos pueden verse como un caso particular de los dinámicos, simplemente corresponde al caso en el que el coeficiente es cero. ⍴ Los modelos de regresión panel estáticos y dinámicos tienen diferentes ventajas y desventajas, dependiendo de las características de los datos y las preguntas de investigación. Uno de los aspectos más importantes de esta investigación es evaluar si debe utilizarse un modelo estático o un modelo dinámico. Los modelos estáticos son más simples de especificar e interpretar, ya que no requieren considerar las dinámicas temporales. Los modelos estáticos pueden proporcionar estimaciones eficientes de los coeficientes si las variables son I(0) (estacionarias) y no hay problemas de endogeneidad. Sin embargo, los modelos estáticos no capturan los ajustes y cambios a lo largo del tiempo, lo que puede ser problemático si existen relaciones dinámicas importantes entre las variables (Arup y Oxera, 2010). Por otro lado, si se cuenta con variables que son I(1) (no estacionarias) y/o existe endogeneidad, los estimadores estáticos pueden ser sesgados e inconsistentes. 4.2 Análisis realizados Se cuenta con datos que proporcionan medidas de los ingresos hoteleros (RevPAR), los precios promedio diarios (ADR) y las tasas de ocupación hoteleras (OCR) del sector hotelero de la ciudad de Montevideo desagregados por hotel y por mes en el período de interés. Dado que los datos son recopilados a lo largo del tiempo y para múltiples hoteles, resulta natural utilizar un modelo de regresión de panel para analizar estas medidas. El objetivo cuantitativo de la investigación es estudiar empíricamente qué tipo de modelo es más apropiado para estos datos y las preguntas de investigación a abordar. Se plantea la pregunta de si es más adecuado utilizar un modelo de regresión de datos de panel estático, que asume que los efectos son constantes en el tiempo, o un modelo de datos de panel dinámico, que permite capturar ajustes y cambios a lo largo del tiempo. 68
Para tomar una decisión informada, también se realizó un análisis de estacionariedad de las variables. Este análisis permite evaluar si las variables son estacionarias (I(0)) o no estacionarias (I(1)). Dependiendo de los resultados del análisis de estacionariedad, es posible tener una idea más clara de si los modelos estáticos o dinámicos son más apropiados para los datos con los que se cuenta. La presencia de señales no estacionarias I(1) puede acarrear la aparición de correlaciones espurias, por lo que es muy importante chequear la presencia de raíces unitarias en las señales con las que se trabaja. El resto del documento está organizado de la siguiente manera. En los capítulos 5 se presentan los resultados de evaluar un modelo de datos de panel estático. Luego, en el Capítulo 6 se lleva adelante un análisis de raíces unitarias para evaluar la estacionariedad de las variables en cuestión. Finalmente se realiza un análisis de regresión de datos de panel dinámico en el Capítulo 7. 4.3 Datos La aproximación empírica utiliza datos tanto de la actividad de Airbnb en Montevideo como del sector hotelero de la ciudad, así como tres variables de control. Los datos de Airbnb fueron proporcionados por Airdna (http://www.airdna.co), una empresa que provee información sobre anuncios de residencias disponibles al público en la página de Airbnb (Airdna, 2023). Los datos de la actividad de Airbnb corresponden al período entre octubre de 2016 a noviembre de 2019 sobre un total de 5.712 propiedades listadas en la ciudad de Montevideo en base a 94.844 registros de la actividad durante el período de agosto de 2015 a noviembre de 2018, y datos mensuales de anuncios activos desde diciembre de 2018 a octubre de 2019. Los servicios de datos de Airdna han sido utilizados por numerosas organizaciones turísticas como CBRE Hotels, la “American Hotel & Lodging Association” de los Estados Unidos, San Francisco Travel y Visit Berlin (Airdna, 2023). A su vez, los análisis de datos de varios artículos académicos fueron realizados con datos de Airdna (ver, por ejemplo, Gunter y Önder, 2018; Kwok y Xie, 2018; Xie y Kwok, 2017). 69
Los datos de los hoteles corresponden a 39 hoteles de la ciudad de Montevideo que son miembros de la AHRU (Asociación de Hoteles y Restaurantes del Uruguay). Los datos incluyen las ocupaciones mensuales, las tarifas promedio diarias mensuales y los ingresos hoteleros mensuales para hoteles de una, dos, tres y cuatro estrellas durante el período de octubre de 2016 a noviembre de 2019. En la tabla x se exhibe el número de hoteles de 1 a 3 estrellas y de 4 estrellas por barrios de Montevideo. La muestra está compuesta por 10 hoteles de una a 3 estrellas y de 9 hoteles de 4 estrellas en el barrio del Centro. En tanto, la muestra también tiene 15 hoteles de 4 estrellas ubicados en el barrio de Pocitos y 5 hoteles de 4 estrellas localizados en el barrio de Carrasco. Tabla 3.1: Ubicación y número de estrellas de los hoteles de la muestra Barrio 1 a 3 estrellas 4 estrellas Centro 10 9 Pocitos 15 Carrasco 5 TOTAL 10 29 A su vez, la oferta hotelera considera las habitaciones de hotel disponibles en cada mes del período controlando las aperturas y cierres de hoteles durante el período. Los hoteles de 5 estrellas de Montevideo no pudieron ser incluidos en los datos por motivos de privacidad. De todas formas, los hoteles de 5 estrellas difícilmente compiten con la gran mayoría de los anuncios en Airbnb. Se incluyen un conjunto de variables de control asociadas a la ciudad de Montevideo en los modelos de datos de panel. La tasa de desocupación mensual de la ciudad de Montevideo fue obtenida del Instituto Nacional de Estadística de Uruguay. También se utilizan las llegadas a la ciudad de Montevideo en dos puntos principales de entrada: el Aeropuerto Internacional de Carrasco y el Puerto de Montevideo. El número de pasajeros mensuales que llegaron por el 70
Aeropuerto se obtuvieron de la DINACIA (Dirección Nacional de Aviación Civil). Paralelamente, se utilizan y se agregan al número de llegadas anterior las llegadas a la terminal de pasajeros del Puerto de Montevideo. Las llegadas a través de la terminal de pasajeros del Puerto de Montevideo constituyen una habitual forma de acceder a Montevideo desde Buenos Aires mediante la empresa Buquebus, que cuenta con ferries. Las llegadas al puerto de Montevideo fueron obtenidos de la página web de la Administración Nacional de Puertos. Las llegadas al Aeropuerto Internacional de Carrasco y al Puerto de Montevideo fueron combinadas en una sola variable que representa las llegadas totales a la ciudad, denominada “Llegadas”. Una cuestión importante para llevar adelante la investigación fue determinar si los datos con que se contaba de Airbnb cubrían la mayor parte de la operativa de la plataforma en la ciudad de Montevideo. Cabe recordar que los datos del sector hotelero de Montevideo comienzan en octubre de 2016. Sin embargo, el conjunto de datos de la actividad de Airbnb contiene datos de agosto de 2015 a agosto de 2020. Las primeras referencias a la actividad de Airbnb fueron reportadas por primera vez en julio de 2015 (El Observador, 2015). Esto da confianza que se cubre la actividad de Airbnb desde las etapas iniciales de la llegada de la empresa al mercado de Montevideo hasta el comienzo de la pandemia de Covid-19. 4.4 Análisis de datos Todos los análisis de datos fueron realizados utilizando el programa R. R es un lenguaje de programación que es un dialecto del lenguaje S (Peng, 2016). S es un lenguaje de programación diseñado por John Chambers y otros en los laboratorios de Bell Telephone, que formaban parte de AT&T (Peng, 2016). Su naturaleza de código abierto hace que cualquiera pueda adaptarlo a la plataforma que está utilizando (Peng, 2016). Para el investigador, R tiene la practicidad que corre en cualquier dispositivo y con cualquier sistema operativo (Peng, 2016). Para el caso de los modelos de regresión de datos de panel se utilizó el paquete plm de R desarrollado por Croissant y Millo (2008) y para el caso de los tests de raíces unitarias los paquetes plm (Croissant y Millo, 2008) y panelunitroots (Kleiber y Lupi, 2011). 71
4.5 Conclusiones: La estrategia empírica consta de modelos de regresión de datos panel con efectos fijos donde se evalúa el efecto de los anuncios activos en Airbnb sobre tres métricas de desempeño hotelero, los ingresos hoteleros (RevPAR), los precios promedio diarios (ADR) y las tasas de ocupación (OCR), tomando en consideración la oferta hotelera. Los datos de la operativa de Airbnb fueron tomados de Airdna, un reconocido proveedor de datos de propiedades y anuncios de Airbnb. Los datos del sector hotelero fueron provistos por la Asociación de Hoteles y Restaurantes del Uruguay (AHRU). Se discuten las propiedades y las características de los modelos de datos de panel, en su versión estática y dinámica. Se utilizan una serie de controles en los modelos de datos de panel, controles que están asociados a la ciudad de Montevideo. Estos son la tasa de desempleo mensual en Montevideo y las llegadas al aeropuerto y puerto de Montevideo, que se combinan en una variable denominada “Llegadas”. Los modelos de datos de panel son adecuados como herramienta de análisis de datos, dado que existen un número de hoteles (39 en particular) que son heterogéneos y de los cuales existe información sobre la evolución de su desempeño en el tiempo, más una serie de variables explicativas. Para todos los análisis de datos econométricos se utilizó el programa R. 72
5.4 Valoración del modelo de datos de panel estático A continuación se presenta una valoración de los resultados obtenidos a partir de la realización del modelo de datos de panel estático. La misma pretende evaluar los resultados obtenidos con el modelo de datos de panel estático y considerar si realizar un análisis de datos de panel dinámico podría traer ciertas ventajas vinculadas con una mayor precisión econométrica. Esto es similar a lo que se realiza en el informe de Arup y Oxera (2010a). En primer lugar, se observa que los coeficientes finales obtenidos con el modelo estático muestran niveles de significancia muy altos, como se puede apreciar por ejemplo en la tabla 5.1 correspondiente al indicador RevPAR. Estos niveles elevados podrían sugerir la presencia de un ajuste excesivo en los análisis econométricos realizados. Segundo, algunos de los coeficientes estimados son grandes en términos absolutos. Tercero, los t-valores del modelo de datos de panel estático son un tanto grandes en su valor también. Cuarto, se llegó a la conclusión de que no se estaba tomando en cuenta la endogeneidad de los datos. La endogeneidad se refiere a la posibilidad de que las variables independientes estén correlacionadas con el término de error, lo cual puede generar sesgos en las estimaciones. Es importante abordar la cuestión de la posible endogeneidad puesto puede haber causalidad inversa entre los anuncios activos en Airbnb y las variables de RevPAR, precios promedio diarios y la ocupación hotelera, como se discute en el siguiente capítulo. Quinto, si las variables independientes y la variable dependiente son estacionarias, entonces se puede utilizar el análisis de datos de panel estático. Sin embargo, si las variables no son estacionarias, entonces se debe considerar el uso de otros análisis, como el análisis de datos de panel dinámico. Más aún, la presencia de señales no estacionarias en los modelos de datos de panel pueden conducir a la obtención de correlaciones espurias (Arup y Oxera, 2010a; Baumöhl y Lyócsa, 2009; Noriega, y Ventosa‐Santaulària, 2007). Por lo tanto, con el objetivo de abordar estas consideraciones y obtener resultados más confiables desde el punto de vista econométrico, se procede a realizar un análisis de datos panel de dinámico. Antes de ello, se llevarán a cabo tests de raíces unitarias para evaluar la estacionariedad de las series de tiempo utilizadas. Estos tests permitirán determinar si las 79
variables son estacionarias o no estacionarias, cuestión que si no es tenida en cuenta en los análisis de datos de panel puede generar la aparición de correlaciones espurias. 5.5 Conclusiones: El análisis de datos de panel estático fue realizado con tres modelos diferentes para evaluar las seis hipótesis de trabajo del problema de investigación. Los modelos de datos de panel estáticos son con efectos fijos y se realizaron con el paquete plm de R. Para algunas variables se tomaron los logaritmos para amortiguar la asimetría en las distribuciones de las variables. Específicamente a las variables de RevPAR, ADR o precios promedios diarios, los anuncios activos en Airbnb, las llegadas de turistas a Montevideo y la oferta hotelera se les aplicó esta transformación logarítmica. Los resultados del análisis muestran que la oferta de anuncios activos en Airbnb tuvo un impacto negativo en los ingresos hoteleros, lo que indica que H1 se corrobora. Además, se observó que la oferta hotelera también tuvo un impacto negativo en los ingresos hoteleros, lo que indica que H4 se corrobora. Las llegadas de turistas están positivamente asociados con los ingresos hoteleros, y la tasa de desempleo de la ciudad de Montevideo estaba negativamente asociada con los ingresos hoteleros. Los resultados también muestran que la oferta de anuncios activos en Airbnb tuvo un impacto negativo en los precios promedios diarios, lo que hace que H2 se corrobore. H5 no se corrobora. H3 tampoco se corrobora. No hay un efecto estadísticamente significativo del número de anuncios activos en Airbnb sobre las tasas de ocupación hoteleras (OCR). El estudio también realizó un conjunto de modelos de datos de panel considerando solamente el número de anuncios activos de casas y apartamentos enteros en Montevideo, ya que estos compiten de forma más directa con las estancias en habitaciones de hotel. Esta es una aproximación más conservadora, dado que se restan los anuncios de habitaciones compartidas y habitaciones privadas. Los resultados indican que los anuncios de casas enteras y apartamentos también tienen un impacto negativo significativo en el RevPAR y en los precios promedio diarios (ADR), pero no así en las tasas de ocupación hoteleras. Los efectos de la oferta hotelera sobre los ingresos hoteleros, los precios promedio diarios y las tasas de ocupación son estadísticamente significativos en este caso. A partir de la valoración del análisis de datos de panel estático se procede a realizar un análisis de datos de panel dinámico, dado que al análisis estático se le encontraron una serie de limitaciones. 80
Dado que es muy importante saber sobre la presencia de series estacionarias y no estacionarias entre los datos utilizados, en el capítulo siguiente se procede con una serie de tests de raíces unitarias. 81
Capítulo 6: Tests de raíces unitarias 6.1 Tests de raíces unitarias para datos de panel Antes de llevar adelante los análisis de datos de panel, se estudió previamente las variables dependientes y las variables independientes para verificar la presencia o ausencia de raíces unitarias. Las series de tiempo no estacionarias pueden sesgar los resultados de un análisis de regresión. Si no se las trata de manera correcta, éstas últimas pueden llevar a problemas asociados con las correlaciones espurias (Baumöhl y Lyócsa, 2009; Noriega y Ventosa‐Santaulària, 2007). Más aún, si la variable dependiente es no estacionaria, se recomienda la inclusión de variables dependientes con rezagos para evitar que surjan correlaciones espurias (Granger y Newbold, 1974). Por lo anterior, antes de llevar adelante los análisis de datos de panel se comprobó la presencia de raíces unitarias en todas las series de tiempo utilizadas, para seleccionar un tipo de modelo adecuado (esto es, estático o dinámico). Todos los tests de estacionariedad fueron realizados con el programa R utilizando los paquetes plm (Croissant y Millo, 2008) y panelunitroots (Kleiber y Lupi, 2011). Para las variables dependientes de ingresos hoteleros (RevPAR), precios promedio diarios (ADR) y ocupación hotelera mensual (OCR), se llevó adelante el test LLC (Levin et al., 2002) e IPS (Im et al., 2003) para evaluar las propiedades de estacionariedad de los datos. Para el caso de las variables independientes, dado que son variables invariantes respecto de los individuos, se utilizó el test de Dickey-Fuller aumentado (1979). A su vez, para considerar la dependencia de sección cruzada de los datos de panel, se realizaron los tests de Choi (2001) y el test de Hadri (Baumöhl y Lyócsa, 2009; Kleiber y Lupi, 2011). 6.2 Resultados de los tests de raíces unitarias Para las variables dependientes de ingresos hoteleros (RevPAR), precios promedio diarios (ADR) y tasas de ocupación (OCR), se llevó a cabo el test LLC (Levin et al., 2002) e IPC (Im et al., 2003) para evaluar las propiedades estacionarias de los datos. La tabla 6.1 muestra que de acuerdo a los tests LLC y los test IPC las tres variables son no estacionarias, dado que las 82
hipótesis nulas de los tests de raíces unitarias se corroboran al nivel de significación del 5 por ciento en todos los casos excepto en uno. Solo no se puede rechazar la hipótesis nula de la variable de precios promedio diarios después del test IPS. Tabla 6.1: Resultados de los tests de raíces unitarias de LLC y IPS para las variables dependientes Levin-Lin-Chu Im-Pesaran-Shin Variable Intercept Intercept and trend Intercept Intercept and trend z - valor z - valor Wtbar Wtbar RevPAR -9,168*** -9,538*** -7,435*** -11,281*** ADR -4,224*** -10,194*** -1,630 -11,645*** OCR -11,29*** -9,949*** -11,04*** -11,383*** Niveles de significancia: *p<0.05, **p<0.01, *** p<0.001. En el caso de las variables independientes, dado que se trata de variables invariantes individuales, se utilizó la prueba de Dickey-Fuller Aumentada. Los resultados de la prueba ADF se muestran en la Tabla 6.2. Para todas las variables dependientes, excepto la tasa de desempleo, no se pudo rechazar la hipótesis nula al nivel de significancia del 5 por ciento. Por lo tanto, la variable de anuncios activos de Airbnb, la variable de llegadas y la variable de oferta hotelera no son estacionarias, mientras que la tasa de desempleo es estacionaria. Para tomar en cuenta la dependencia transversal de los datos de panel, se realizó el test de Choi (2001) y la prueba de Hadri (Baumöhl y Lyócsa, 2009; Kleiber y Lupi, 2011). Las pruebas LLC e IPS asumen independencia transversal entre unidades de series de tiempo (Kleiber y Lupi, 2011). De hecho, los hoteles de la ciudad de Montevideo están ubicados en unos pocos barrios y son de categorías similares. En concreto, se utiliza la prueba de Choi (2001) y la prueba de estacionariedad de Hadri (2000) para contemplar la dependencia transversal de los datos de las variables dependientes. 83
Tabla 6.2: Test de Dickey-Fuller Aumentado para las variables independientes ADF Nivel Primera diferencia Anuncios activos Airbnb -1,488 -1,342 Llegadas -3,423 -2,349 Tasa de desempleo -3,643* -3,385* Oferta hotelera -1,508 -1,817 Niveles de significancia: *p<0.05, **p<0.01, *** p<0.001. De acuerdo con los resultados del test de Choi, las tres variables dependientes tienen al menos una serie I(0), puesto que las hipótesis nulas de los tests de raíces unitarias se aceptan al nivel de significación del 5 por ciento. Además, detectamos dependencia transversal entre las tres variables dependientes en el nivel y dependencia transversal en los precios promedio diarios y las tasas de ocupación.. Tabla 6.3: Test de Choi para dependencia cruzada en las variables dependientes Test Nivel Dependencia transversal Diferencia Dependencia transversal RevPAR -1,93* Detectada -3,69*** No detectada ADR -7,03*** Detectada -0,093 Detectada OCR -1,90* Detectada -2,87* Detectada Niveles de significancia: *p<0.05, **p<0.01, *** p<0.001. Note: OCR es una abreviatura para tasas de ocupación. Finalmente, como resultado del test de Hadri, se encontró evidencia de una combinación de series estacionarias de nivel I(0) y series estacionarias de nivel I(1) entre las series de variables dependientes (ver Tabla 6.4). En otras palabras, había al menos una serie I(1) en cada ecuación en el conjunto de datos del panel. 84
Tabla 6.4: Test de Hadri para las variables dependientes Test z-valor p-valor Resultados Dependencia cruzada RevPAR 35,723 0,000 Al menos una serie tiene una raíz unitaria Detectada ADR 63,026 0,000 Al menos una serie tiene una raíz unitaria Detectada OCR 15,056 0,000 Al menos una serie tiene una raíz unitaria Detectada Nota: OCR es una abreviatura para tasas de ocupación. A la luz de los resultados de los análisis antes mencionados, más las salvedades detalladas en el epígrafe “Valoración del modelo de datos de panel estático”, se opta por utilizar a continuación un marco de modelo de datos de panel dinámico. 6.3 Conclusiones: Es importante verificar si las variables que se van a utilizar son estacionarias o no, ya que las series de tiempo no estacionarias pueden afectar a los resultados de la regresión y llevar a problemas de correlaciones espurias. Para hacer esta verificación se utilizaron tests de raíces unitarias, como el test de Levin, Lin y Chu (LLC) y el test de Im, Pesaran y Shin (IPS). Además, se utilizó el test de Dickey-Fuller Aumentado para las variables independientes y pruebas de dependencia transversal de los datos de panel, como el test de Choi y el test de Hadri. Tras realizar los distintos tests, se encontró evidencia de la presencia de señales no estacionarias y estacionarias entre las variables dependientes y las variables independientes. Una de las maneras de superar los problemas asociados con ello es utilizar un análisis de datos de panel dinámico, lo que se hace a continuación. 85
Capítulo 7: Análisis de datos de panel dinámico 7.1 Formulación del análisis de datos de panel dinámico Partiendo de los mismos datos con que se cuenta, se plantean tres modelos de datos de panel dinámicos utilizando el estimador GMM two-step de Arellano Bond (1991) con variables rezagadas e instrumentales. Las tres ecuaciones se presentan a continuación: 𝑙𝑜𝑔 𝑅𝑒𝑣𝑃𝐴𝑅𝑖,𝑡=𝑎𝑖+β0𝑙𝑜𝑔 𝑅𝑒𝑣𝑃𝐴𝑅𝑖,𝑡−1+β1𝑙𝑜𝑔 𝐴𝑖𝑟𝑏𝑛𝑏𝑆𝑢𝑝𝑝𝑙𝑦𝑡+ β2 𝑙𝑜𝑔 𝐻𝑜𝑡𝑒𝑙𝑆𝑢𝑝𝑝𝑙𝑦𝑡+β3 𝑈𝑛𝑒𝑚𝑝𝑙𝑜𝑦𝑚𝑒𝑛𝑡𝑡+ β4 𝑙𝑜𝑔 𝐴𝑟𝑟𝑖𝑣𝑎𝑙𝑠𝑡+𝑢𝑖,𝑡 𝑙𝑜𝑔 𝐴𝐷𝑅𝑖,𝑡=𝑎𝑖+β0𝑙𝑜𝑔 𝐴𝐷𝑅𝑖,𝑡−1+β1𝑙𝑜𝑔 𝐴𝑖𝑟𝑏𝑛𝑏𝑆𝑢𝑝𝑝𝑙𝑦𝑡+β2 𝑙𝑜𝑔 𝐻𝑜𝑡𝑒𝑙𝑆𝑢𝑝𝑝𝑙𝑦𝑡+β3 𝑈𝑛𝑒𝑚𝑝𝑙𝑜𝑦𝑚𝑒𝑛𝑡𝑡+ β4 𝑙𝑜𝑔 𝐴𝑟𝑟𝑖𝑣𝑎𝑙𝑠𝑡+𝑢𝑖,𝑡 𝑂𝐶𝑅𝑖,𝑡=𝑎𝑖+β0 𝑂𝐶𝑅𝑖,𝑡−1+β1𝑙𝑜𝑔 𝐴𝑖𝑟𝑏𝑛𝑏𝑆𝑢𝑝𝑝𝑙𝑦𝑡 + β2 𝑙𝑜𝑔 𝐻𝑜𝑡𝑒𝑙𝑆𝑢𝑝𝑝𝑙𝑦𝑡+β3𝑈𝑛𝑒𝑚𝑝𝑙𝑜𝑦𝑚𝑒𝑛𝑡𝑡+ β4 𝑙𝑜𝑔 𝐴𝑟𝑟𝑖𝑣𝑎𝑙𝑠𝑡+𝑢𝑖,𝑡 Nuevamente corresponde con las entidades - esto es, los hoteles en cada intervalo de tiempo , 𝑖 𝑡𝑡 -1, es el coeficiente para cada hotel y , , , y son los parámetros a estimar en cada 𝑎𝑖β0β1β2β3β4 ecuación. Los coeficientes otra vez modelan las características invariantes en el tiempo de 𝑎𝑖 cada unidad (por ejemplo, la capacidad gerencial del hotel o las amenidades del hotel). En cada una de las tres ecuaciones se incluyó el primer rezago de cada variable dependiente en la especificación econométrica. Las variables independientes son el número de anuncios activos en Airbnb, que constan de la suma de casas y apartamentos enteros, habitaciones compartidas y habitaciones privadas en la ciudad de Montevideo que estuvieron “activas” durante el mes, y la oferta mensual de habitaciones de hotel en Montevideo. Un anuncio de Airbnb “activo” corresponde a una propiedad que tenía al menos un día de calendario clasificado como reservado o disponible durante un mes determinado (Airdna, 2023). Teniendo en cuenta esto, se trató a la variable de anuncios activos en Airbnb como una variable endógena en cada ecuación de datos de panel dinámica. La causalidad puede ir en las dos direcciones -desde los anuncios activos hacia el los ingresos hoteleros, los precios promedio diarios o las tasas de ocupación, y vice versa-, de manera que la variable de anuncios activos en Airbnb puede estar correlacionada con 86
el término de error (Mileva, 2007; Wooldridge, 2015). Dicho de otro modo, dado que la variable que se mide es los anuncios activos de Airbnb, es decir los que efectivamente estuvieron en el mercado, ciertos propietarios pueden contemplar poner un anuncio de su residencia en Airbnb dependiendo de los precios de los hoteles o de los niveles de ocupación de los hoteles de Montevideo. Por ello, se agregó del segundo al cuarto rezago de cada variable dependiente en cada ecuación. Se realizó una transformación logarítmica para las siguientes variables: ingresos hoteleros (RevPAR), precios promedio diarios (ADR), anuncios activos en Airbnb, llegadas y oferta hotelera. Esto se hizo para amortiguar la asimetría en las distribuciones de las variables. Las tasas de desempleo y las tasas de ocupación hoteleras estaban medidas en puntos porcentuales, por lo que esta transformación no fue necesaria para estas variables. Luego se testó el modelo el modelo dinámico mediante el paquete plm (Croisant and Mills, 2008) del programa R. Para evaluar la robustez de los análisis, también se realizó un conjunto de modelos de datos de panel dinámicos utilizando solamente el número de anuncios activos de casas enteras y apartamentos. Se hizo así dado que uno puede argumentar que este tipo de propiedad es la que compite más directamente con una habitación de hotel, mientras que las habitaciones privadas y las habitaciones compartidas pueden ser considerados sustitutos más distantes de las habitaciones de hotel. Al tomar un menor número de anuncios en Airbnb durante el período, se está siendo más conservador y prudente con el crecimiento de la oferta de Airbnb en Montevideo. 7.2 Resultados de los modelos de datos de panel dinámico En esta sección se describen los resultados del contraste de las seis hipótesis, comenzando con los efectos de los anuncios activos en Airbnb y la oferta hotelera sobre los ingresos hoteleros. En la tabla 7.1, se agregan las variables una en una a la vez para examinar sus capacidades explicativas en cada etapa. Los coeficientes tienen las direcciones esperadas y magnitudes razonables. Los resultados muestran que los ingresos hoteleros están negativamente afectados por el número de anuncios activos en Airbnb. El coeficiente de los anuncios activos es estadísticamente significativo ( Por ello, H1 se corrobora. En lo que refiere a los 𝑝<0.05). efectos de la oferta hotelera sobre los ingresos hoteleros, H4 también se corrobora. La oferta 87
hotelera está negativamente relacionada con los ingresos hoteleros y el coeficiente también es estadísticamente significativo (𝑝<0.001). Las estimaciones del modelo de datos de panel implicarían que un aumento del 1% en el número de anuncios activos reducirían los ingresos hoteleros en un 0,067% para el sector hotelero de Montevideo. En lo que se refiere a la oferta hotelera, el modelo sugiere que un aumento del 1% en la oferta de habitaciones de hotel reduciría los ingresos hoteleros en un 1,47%. Las llegadas están positivamente asociadas con los ingresos hoteleros y son significativas al nivel del 0,001. Un aumento del 1% en las llegadas está asociado a un aumento del 0,925% en los ingresos hoteleros. Finalmente, el efecto de la tasa de desempleo de Montevideo sobre los ingresos hoteleros no es estadísticamente significativo. H2 también se corrobora. En la Tabla 7.2, también se agregan las variables de control una en una a la vez para examinar sus capacidades explicativas en cada etapa. Los coeficientes tienen las direcciones y magnitudes esperadas. Los resultados indican que los precios promedio diarios (ADR) de los hoteles fueron negativamente afectados por el número de anuncios activos en Airbnb. La estimación para esta ecuación de datos panel es que un incremento del 1% en los anuncios activos reduciría los precios promedio diarios en 0,095%. El coeficiente de los anuncios activos en Airbnb es estadísticamente significativo (𝑝<0.05). Sin embargo, H5 no se corrobora. La oferta hotelera está negativamente asociada con los precios promedio diarios (ADR), pero el coeficiente no es estadísticamente significativo. Las llegadas están positivamente relacionadas con los precios promedio diarios (ADR) y el coeficiente es estadísticamente significativo ( . La tasa de desempleo de la ciudad de Montevideo 𝑝<0.001) está negativamente relacionada con los precios promedio diarios (ADR) y el coeficiente es significativo ( . 𝑝<0.05) 88
Capítulo 8: Conclusiones, limitaciones y trabajo a futuro 8.1 Descripción general El propósito de esta investigación fue evaluar el efecto de la oferta de anuncios activos de Airbnb y la oferta hotelera en tres métricas clave de desempeño, a saber, los ingresos hoteleros (RevPAR), los precios promedio diarios de los hoteles (ADR) y las tasas de ocupación hoteleras (OCR) en la ciudad de Montevideo, Uruguay, durante octubre de 2016 a noviembre de 2019. Para ello se utilizaron modelos de regresión de datos de panel. Además de las variables independientes de los anuncios activos en Airbnb y la oferta de habitaciones de hotel, se utilizaron dos variables independientes más, comúnmente utilizadas en estudios similares: la tasa de desempleo de la ciudad de Montevideo y las llegadas de pasajeros a la ciudad de Montevideo a través del aeropuerto y el puerto de la ciudad en el período de referencia. Se utilizó un modelo gmm, optando por el estimador de Arellano Bond (1991) con un rezago en la variable dependiente y variables instrumentales para tomar en cuenta la incidencia de la endogeneidad en el análisis. Previo a ese análisis, se llevó adelante un modelo de regresión de datos de panel estáticos sin rezagos en la variable dependiente y sin variables instrumentales. 8.2 Discusión e implicancias teóricas La revisión de la literatura reveló que la evidencia sobre los efectos del alojamiento entre pares en los mercados hoteleros es mixta y las conclusiones son contradictorias. Este problema continúa sin respuesta (Negi y Tripathi, 2022). A su vez, existe una falta de investigaciones sobre los efectos sustitutivos de Airbnb y el sector hotelero en América Latina (Negi y Tripathi, 2022). A nuestro mejor saber y entender, no existen publicaciones sobre el tema en revistas internacionales arbitradas. Teniendo en cuenta la evidencia limitada del grado en que las nuevas plataformas de alojamiento como Airbnb pueden afectar a los hoteles de alojamiento establecidos en general, se contribuye a la literatura existente sobre los efectos de Airbnb sobre los mercados hoteleros. El análisis tomó en consideración el crecimiento de las habitaciones de hotel en la ciudad de Montevideo. De la 95
revisión de la literatura surgió que el sobredesarrollo hotelero es frecuente en los mercados hoteleros, por lo que la investigación incorpora el crecimiento de las habitaciones de hotel como variable explicativa. El enfoque es en el mercado de alojamiento de Montevideo, que experimenta una estacionalidad relativamente alta en las llegadas de turistas, es la octava ciudad más visitada por turistas internacionales en América Latina (Euromonitor, 2019) y no cuenta con una regulación de las plataformas digitales de alojamiento. Se procede a discutir los hallazgos e implicaciones. Los hallazgos del estudio indican que la entrada y crecimiento de Airbnb en la ciudad de Montevideo ha afectado negativamente tanto a los ingresos hoteleros (RevPAR) como a los precios promedio diarios (ADR). Primero, se encontró que la cantidad de anuncios activos en Airbnb afectaron negativamente a los ingresos hoteleros en la ciudad de Montevideo durante el período. Este hallazgo es consistente con estudios previos que muestran que la entrada y el crecimiento de Airbnb en mercados de alojamiento específicos impactaron negativamente en los ingresos de los hoteles (Dogru et al., 2019; Farronato y Fradkin, 2018; Mody et al., 2017; Zervas et al., 2017). El hallazgo es diferente de otros estudios que reportan un crecimiento en los ingresos hoteleros (Haywood et al., 2017), no reportan ningún impacto en la industria hotelera de los mercados de alojamiento estudiados (Choi et al., 2015; Strømmen-Bakhtiar y Vinogradov, 2019). Además, los hallazgos son opuestos a los de Mhlanga (2019), quien solamente encuentra un efecto estadísticamente significativo en las ocupaciones hoteleras en los hoteles de Sudáfrica. Segundo, se encontró que la cantidad de anuncios activos en Airbnb afectó negativamente a los precios promedio diarios (ADR) de los hoteles en la ciudad de Montevideo. Este hallazgo es consistente con Dogru et. al (2019), Farronato y Fradkin (2018), y Mody et al. (2017). Del mismo modo, es diferente de otros estudios que no encontraron impacto en los precios de los hoteles o las ADR (por ejemplo, Mhlanga, 2019). En particular, los resultados de los modelos de datos de panel dinámico muestran que un incremento del 1% en la oferta de anuncios activos en Airbnb reducirían los ingresos hoteleros en 0,07% para el sector hotelero de Montevideo. Además, los resultados muestran que un aumento del 1% en la oferta de anuncios activos en 96
Airbnb reducirían los precios promedio diarios hoteleros en un 0,09%. Se aconseja tomar estas elasticidades con precaución, ya que existe un margen de error en toda estimación econométrica. Una razón fundamental para ello es que nuestro modelo es de naturaleza causal explicativo, pero no predictivo (Brida, Gómez y Segarra, 2020; Shmueli, 2010). Los modelos de datos de panel realizados deben ser juzgados por sus atributos explicativos, y no tienen objetivos predictivos. Sin embargo, estudios previos han reportado caídas en los ingresos hoteleros y los precios promedio diarios, fundamentalmente los artículos académicos de Zervas et al. (2017) y Dogru et al. (2019). Las presentes estimaciones podrían explicarse por las diferencias en la adopción de Airbnb y las tasas de crecimiento de las ciudades donde está presente. Sin embargo, se encuentra una mayor disminución de los ingresos hoteleros y los precios promedio diarios en el mercado hotelero de Montevideo que en otros estudios. Esto podría explicarse por un crecimiento más rápido de Airbnb en la ciudad de Montevideo que en otras regiones ya analizadas por otros estudios, así como por el hecho de que la presente investigación cubre los inicios de la entrada de Airbnb en el mercado de alojamiento turístico de la ciudad de Montevideo. En tercer lugar, los resultados muestran que el número de anuncios activos en Airbnb en la ciudad de Montevideo no tiene un efecto estadísticamente significativo en las tasas de ocupación de los hoteles. Esto contradice nuestra hipótesis anterior de que un número creciente de anuncios en Airbnb estaría asociado con tasas de ocupación promedio más bajas en el sector hotelero de Montevideo. Es posible que frente a la creciente competencia de Airbnb, particularmente en las últimas etapas de penetración de Airbnb, los hoteles en Montevideo redujeran sus precios para enfrentar la mayor competencia y mantuvieran sus capacidades relativamente fijas. Es posible que los empresarios hoteleros prefirieran mantener las tasas de ocupación relativamente constantes para cubrir ciertos costes fijos. Por lo tanto, aunque se reporta un efecto estadísticamente significativo del número de anuncios activos en Airbnb sobre los precios promedio diarios, este ajuste de precios podría no necesariamente reflejarse en un efecto estadísticamente significativo en las tasas de ocupación hoteleras en Montevideo, es decir, una caída en la ocupación hotelera promedio. 97
En cuarto lugar, las relaciones entre la oferta de habitaciones de hotel y los ingresos hoteleros, así como entre la oferta de habitaciones de hotel y las tasas de ocupación son estadísticamente significativas. Sin embargo, no existe una relación estadísticamente significativa entre la oferta de habitaciones hoteleras y los precios promedio diarios de los hoteles de Montevideo. Para poner este hallazgo en perspectiva, la tasa de crecimiento de la oferta de Airbnb es mucho mayor que la tasa de crecimiento de la oferta de habitaciones de hotel en la ciudad de Montevideo. El número de anuncios activos de Airbnb aumentó un 259% de agosto de 2015 a noviembre de 2019. Por el contrario, la oferta de habitaciones de hoteles de 1 estrella a 4 estrellas en la ciudad de Montevideo aumentó un 9,8% durante el mismo período, tomando en cuenta aperturas y cierres de hoteles. Un aumento del 1% en la oferta de habitaciones de hotel disminuiría los ingresos hoteleros en un 1,47% y las ocupaciones en un 0,8%. No obstante, nuestros hallazgos sugieren que el sobredesarrollo hotelero en la ciudad de Montevideo reduciría los ingresos hoteleros y las tasas de ocupación. Sin embargo, la literatura reveló que el sector hotelero tiene una capacidad fija en el corto y medio plazo, y sumado al hecho de que no se trata de un modelo predictivo, se sugiere no considerar las elasticidades como estimaciones y con precaución. Los hallazgos sugieren que el crecimiento de la oferta hotelera en la ciudad de Montevideo reduciría los ingresos hoteleros y las tasas de ocupación. Sin embargo, la revisión de la literatura reveló que el sector hotelero tiene una capacidad fija en el corto y mediano plazo, por lo que preferimos no considerar las elasticidades como estimaciones. De todas formas, de la investigación se concluye que hay una parte marginal de la caída en el RevPAR y en las ocupaciones hoteleras durante el período que está asociada a que hubo un aumento en la oferta hotelera, y no al aumento de los anuncios en Airbnb en Montevideo. Finalmente, para evaluar la solidez de los análisis de base, llevamos a cabo los tres modelos de datos de panel dinámicos con las mismas variables dependientes pero utilizando las casas y los apartamentos enteros activos como oferta de Airbnb únicamente. Esta aproximación es más conservadora porque considera solamente las casas y apartamentos enteros activos y no las habitaciones privadas activas y las habitaciones compartidas activas, por lo que el número de anuncios activos totales es menor. Los resultados son similares a los de los modelos de referencia. Además, los coeficientes obtenidos tienen las mismas direcciones y magnitudes 98
similares a las de los modelos de referencia, lo que aumenta la consistencia de los resultados obtenidos al utilizar todos los anuncios activos de Airbnb y los anuncios activos de casas y apartamentos enteros únicamente. 8.3 Implicaciones gerenciales Los hallazgos pueden ser de particular interés para destinos maduros y estacionales como Montevideo, que han experimentado un rápido crecimiento en los anuncios de Airbnb en períodos de tiempo relativamente cortos y no tiene regulaciones vigentes para las plataformas digitales de alojamiento. Airbnb inició sus operaciones en 2015 en Montevideo, y se cubre el período hasta noviembre de 2019, meses antes del inicio de la pandemia del SARS-CoV-2. En particular, es posible que los hallazgos precedentes puedan explicarse en parte por el hecho de que los hoteles en destinos donde la oferta de Airbnb ha crecido rápidamente en el tiempo, pueden ser más propensos a los efectos adversos de las plataformas de alojamiento. Los hallazgos del estudio sugieren que una aproximación más estricta respecto de la operación de Airbnb en la ciudad de Montevideo puede lograr un mejor equilibrio entre la porción de participación de mercado de alojamiento que obtienen Airbnb y el sector hotelero. Sin embargo, los gestores turísticos y los hacedores de política también deben ser conscientes de que el mercado de las pernoctaciones podría aumentar a pesar del aumento en el número de personas que reservan en Airbnb. De hecho, una estancia en Airbnb puede ser más barata y llegar a un mercado objetivo más amplio de lo que una estancia en un hotel, lo que genera demanda por productos que antes no estaban disponibles, como una estancia en Airbnb. Asimismo, la entrada de Airbnb al mercado de alojamiento de Montevideo puede tener efectos indirectos sobre otros sectores económicos que demandan los turistas, como el sector de restaurantes, museos, entretenimiento, compras, por mencionar solo algunos. De todas formas, Dogru et al. (2019) llaman a una evaluación económica más holística de las estancias más baratas de Airbnb y el gasto turístico, en el contexto de los estudios sobre los efectos de Airbnb en el desempeño hotelero. Los hallazgos indican que el crecimiento de las habitaciones de hotel disminuiría mínimamente los ingresos hoteleros a través de reducciones en 99
las tasas de ocupación. Por lo tanto, a pesar de los efectos adversos que tuvo Airbnb para el sector hotelero de Montevideo, los hacedores de política y los gestores turísticos deben adoptar un enfoque integral sobre los efectos de derrame de los turistas que se hospedan en diferentes tipos de alojamiento. En efecto, la tasa de crecimiento de la oferta hotelera en Montevideo durante el período, aunque aproximadamente 26 veces menor que la tasa de crecimiento de la oferta de anuncios en Airbnb, sugiere que los gestores turísticos y los hacedores de política también deberían monitorear el crecimiento de los hoteles para lograr un equilibrio adecuado entre los dos componentes del sector del alojamiento. Los empresarios hoteleros de la ciudad de Montevideo deben mantener el crecimiento de las habitaciones de hotel por debajo de umbrales de oferta razonables. Del mismo modo, una infraestructura hotelera en crecimiento puede atraer a más turistas a las ciudades, lo que beneficia a todo el mercado hotelero y también tiene efectos indirectos en el resto de la economía de la ciudad. 8.4 Modelo estático versus modelo dinámico En la presente investigación se llevó a cabo primero un modelo de regresión de datos de panel estático, luego se realizó un modelo de regresión de datos de panel dinámico y se los comparó. Al mismo tiempo se hizo una comprobación de si las distintas variables eran estacionarias o no a través de distintos tests de raíces unitarias. De forma similar a como se realiza en el informe Arup y Oxera (2010a) para el Departamento de Transporte de Escocia, no existe una única forma de llevar a cabo un modelo econométrico, sino que el investigador debe de optar por algunas decisiones en base a los resultados obtenidos, utilizando su juicio. En el caso del modelo dinámico, que es la solución final de la presente investigación, se observan algunas características deseables que lo hacen preferible por sobre el modelo estático. En primer lugar, los coeficientes finales obtenidos con el modelo dinámico presentan niveles de significancia más bajos. Los modelos estáticos tienden a presentar coeficientes más altos (Arup y Oxera, 2010a). En segundo lugar, los niveles elevados de significancia estadística en el modelo estático podrían ser indicio de un posible sobreajuste (“overfit”) en los resultados obtenidos, por 100
lo que por motivos de cautela estadística se optó por el modelo de regresión de datos panel dinámico. Como se indicó, en el modelo de datos de panel estático se encontró que algunos de los coeficientes estimados tienen valores absolutos considerablemente grandes. La dinámica de los rezagos logra reducir los coeficientes estimados, nuevamente una propiedad deseable en las estimaciones econométricas. Como señalan Yang et al. (2022) los resultados de su meta análisis sugieren que el desempeño de un hotel en el período actual también es una función de la oferta de Airbnb en periodos anteriores, lo cual puede favorecer el uso de modelos dinámicos bajo esa premisa. En tercer lugar, los t-valores del modelo de datos panel estático son relativamente más altos que en el modelo dinámico. Y en cuarto lugar, se llegó a la conclusión de que no se había tenido en cuenta la posible endogeneidad de los datos. La endogeneidad es un tema frecuentemente analizado por editores y revisores de revistas arbitradas, y es un problema recurrente que genera inconvenientes en la precisión y los resultados de las estimaciones econométricas. 8.5 Los hallazgos de la investigación y la pandemia de Covid 19 La presente investigación cubre el período entre octubre de 2016 y noviembre de 2019. El 13 de marzo de 2020 el gobierno uruguayo decretó la emergencia sanitaria debido a la presencia de los primeros casos de Covid-19 en Uruguay. Por ende, el estudio abarca un período de tiempo que termina solamente cuatro meses antes del inicio de la pandemia. El impacto que tuvo la pandemia en la vida de las personas, en diferentes sectores de la economía y en los viajes y el turismo es insoslayable. A nivel mundial, se decretaron cierres de fronteras, restricciones a los viajes y muchas empresas turísticas, incluidos hoteles, tuvieron que cerrar sus puertas al menos momentáneamente. Aunque los hallazgos de la investigación no tienen un valor por el período que abarcó la pandemia, sí pueden ser útiles para comprender el futuro que surgió después de la pandemia. Los 101
coeficientes obtenidos del análisis de regresión de datos de panel pueden dar un indicio de lo que sucedería si hoy en día con las variables de desempeño hotelero si la oferta de anuncios en Airbnb aumentase en un determinado porcentaje. Asimismo, la investigación se centra en explicar lo que sucedió con el impacto de Airbnb en el sector hotelero durante los meses de octubre de 2016 a noviembre de 2019. Como ya se ha señalado, la presente investigación tiene carácter explicativo por el período de referencia y no predictivo. 8.6 Visualización de datos y análisis geoanalítico de Airbnb y del sector hotelero de Montevideo Tras el análisis de visualización de datos, se pudo determinar que hay un total de 54 hoteles asociados a la Asociación de Hoteles y Restaurantes del Uruguay (AHRU), mientras que hay 52 hoteles que no forman parte de esta asociación. Aproximadamente el 42.6% de los hoteles asociados a la AHRU se ubican en el Centro y Barrio Sur. Estos barrios son seguidos por Punta Carretas y Pocitos, y luego por Ciudad Vieja. La oferta de alojamiento en Airbnb en Montevideo ha mostrado una clara tendencia creciente a lo largo del tiempo. En cuanto a la distribución de los anuncios, se dividen en tres tipos: habitación compartida, habitación privada y casa o apartamento entero. El tipo de anuncio más común es el de casa o apartamento entero, representando el 53.7% del total de anuncios. Los ingresos totales de los anfitriones muestran un comportamiento estacional, siendo más altos en los meses de noviembre, diciembre, enero y febrero del año siguiente, y disminuyendo en los primeros meses de cada año considerado. La tasa de ocupación mensual promedio de los anuncios de Airbnb en Montevideo también es estacional y coincide con la estacionalidad de las llegadas a la ciudad. Los “multi-unit hosts”, es decir, aquellos que poseen 2 o más propiedades en Airbnb en Montevideo, representan el 21.6% de los anuncios y el 45.1% del total de anuncios. 102
A partir de un análisis geoanalítico, se identificó que hay algunas zonas con pocos hoteles pero con una alta concentración de anuncios de Airbnb. Es el caso de zonas como Parque Rodó y Cordón, y las inmediaciones de la Facultad de Arquitectura y de la Facultad de Ciencias Económicas de Montevideo. Si bien Parque Rodó y Cordón no son barrios periféricos, sino que se encuentran cerca del Centro de la ciudad, están distantes en términos de servicios y de centralidad turística de otros barrios como Pocitos y Punta Carretas, Pocitos Nuevo o Carrasco. Esto concuerda con la teoría de que ciertos anuncios en Airbnb se ubican en áreas menos turísticas. Además, los precios promedio diarios en Airbnb tienden a ser más altos en las áreas cercanas a la Rambla de Montevideo, junto al Río de la Plata. 8.7 Limitaciones de la investigación Como intento de evaluar los efectos de los anuncios de Airbnb en las métricas de desempeño hotelero en la ciudad de Montevideo, este estudio se encontró con tres limitaciones. Primero, el conjunto de datos, que comprende 39 hoteles, no tiene suficientes hoteles para permitir modelos de datos de panel separados para cada tipo de hotel según sus estrellas. Eso nos conduciría al riesgo de trabajar con un conjunto reducido de entidades para el modelo de panel de hoteles de 1 a 3 estrellas (Park, 2010). Considerando esto, solo analizamos los efectos sobre el sector hotelero de Montevideo en su conjunto. Esto no permite establecer que ciertos tipos de hoteles se hayan visto más afectados que otros, algo frecuente en los estudios de gran porte. Sin embargo, también cabe mencionar que Montevideo no tiene un espectro de hoteles demasiado amplio, como puede ser el caso de otras ciudades más grandes en otras partes del mundo. En segundo lugar, el conjunto de datos de hoteles no cubre el período comprendido entre agosto de 2015 y septiembre de 2016, cuando Airbnb estuvo activo en el mercado de alojamiento de Montevideo. La inclusión de estos datos posiblemente agregaría evidencia sobre un período en el que la adopción de Airbnb fue probablemente bastante baja. Además, el lapso de tiempo no cubre el período previo a la entrada de Airbnb en Montevideo. Esto último habría permitido utilizar “diferencias en diferencias” para comparar los efectos diferenciales de la adopción de Airbnb antes y después del tratamiento. Por ejemplo Dogru et al. (2020) cubren el período donde 103
Airbnb no estuvo presente en los mercados analizados, desde octubre de 2002 a junio de 2008, en donde Airbnb penetra los 49 mercados estudiados. En tercer lugar, el enfoque de la investigación es en los efectos de Airbnb en el mercado hotelero de un destino maduro y muy estacional, como es Montevideo, Uruguay. Esos hallazgos pueden no ser generalizables a otros mercados con flujos de turistas más estables en América Latina, como Buenos Aires, Río de Janeiro, São Paulo, Santiago de Chile, Lima y Bogotá, o ciudades medianas con bajos niveles de estacionalidad en las llegadas de turistas. 8.8 Trabajo a futuro Un trabajo futuro interesante podría ser una comparación del alojamiento “peer-to-peer” y los hoteles de ciudades sudamericanas o latinoamericanas, como Buenos Aires, Rosario, Córdoba, Porto Alegre, Santiago de Chile, Punta del Este y Valparaíso, con Montevideo. Se ha remarcado en el transcurso de la tesis la escasez de trabajos existentes en Latinoamérica. Al comparar ciudades, se podría observar si los coeficientes que se obtienen en otras ciudades de la región son relativamente similares o no, a los obtenidos en esta investigación. Se han detectado diferencias en el impacto de Airbnb sobre el sector hotelero entre Europa y Asia (Negi y Tripathi, 2022). Puede que la comparativa con ciudades de Sudamérica o Latinoamérica arroje resultados distintos. A su vez, muchas de las ciudades de tamaño medio en Sudamérica presentan patrones de llegadas estacionales. También los hoteles de estas ciudades pueden presentar características similares a los de Montevideo, y diferir con los hoteles de otras ciudades de Estados Unidos, Europa y Asia, donde se han realizado la mayoría de los estudios. En referencia a esto último, sería interesante poder distinguir entre hoteles de gama media y hoteles de gama baja, así como por variables que tengan en cuenta los viajeros de negocios de aquellos que no lo son. En general los viajeros de negocios tienden a preferir los hoteles por sobre los alojamientos de Airbnb. Adicionalmente, sería interesante controlar por distancia a puntos de interés específicos de la ciudad de Montevideo (Rambla, o Avenida Italia norte y sur). Utilizar este tipo de variable 104
Guttentag, D. (2019). Progress on Airbnb: a literature review. Journal of Hospitality and Tourism Technology,10(4), 814-844. Hassler, U., & Wolters, J. (2006). Autoregressive distributed lag models and cointegration (pp. 57-72). Springer Berlin Heidelberg. Hayashi, F. (2011). Econometrics. Princeton University Press. Haywood, J., Mayock, P., Freitag, J., Owoo, K. A., & Fiorilla, B. (2017). Airbnb & hotel performance. STR publication. He, H., & Harris, L. (2020). The impact of Covid-19 pandemic on corporate social responsibility and marketing philosophy. Journal of business research,116, 176-182. Heij, C., de Boer, P., Franses, P. H., Kloek, T., & van Dijk, H. K. (2004). Econometric methods with applications in business and economics. Oxford University Press. Hein, A., Schreieck, M., Riasanow, T., Setzke, D. S., Wiesche, M., Böhm, M., & Krcmar, H. (2019). Digital platform ecosystems. Electronic Markets, 1-12. He, S. (2018). From beautiful maps to actionable insights: introducing kepler.gl, Uber´s open source geospatial toolbox. Recuperado de: https://eng.uber.com/keplergl/ Ikkala, T. and Lampinen, A. (2015), “Monetizing network hospitality: hospitality and sociability in the context of Airbnb”, Proceedings of the 18th ACM conference on computer supported cooperative work & social computing, págs. 1033-1044. Jain, S., Proserpio, D., Quattrone, G., & Quercia, D. (2021). Nowcasting gentrification using Airbnb data. Proceedings of the ACM on Human-Computer Interaction,5(CSCW1), 1-21. Kaine, S., & Josserand, E. (2019). The organisation and experience of work in the gig economy. Journal of Industrial Relations,61(4), 479-501. Kalnins, A. (2006). Markets: The US lodging industry. Journal of Economic Perspectives,20(4), 203-218. Karlsson, L., & Dolnicar, S. (2016). Someone's been sleeping in my bed. Annals of Tourism Research, 58, 159-162. Kathan, W., Matzler, K., & Veider, V. (2016). The sharing economy: Your business model's friend or foe?. Business Horizons,59(6), 663-672. Kim, J., Yoon, Y., & Zo, H. (2015). Why people participate in the sharing economy: A social exchange perspective. PACIS 2015 Proceedings. 111
Kleiber, C., & Lupi, C. (2011). Panel unit root testing with R. URL: Retrieved from: https://r-forge. r-project. org/scm/viewvc. php/* checkout*/pkg/inst/doc/panelUnitRootWithR. pdf. Kwok, L., Tang, Y., & Yu, B. (2020). The 7 Ps marketing mix of home-sharing services: Mining travelers’ online reviews on Airbnb. International Journal of Hospitality Management,90, 102616. Kwok, L., & Xie, K. L. (2019). Pricing strategies on Airbnb: Are multi-unit hosts revenue pros?. International Journal of Hospitality Management,82, 252-259. La Diaria (2019). Montevideo está primera en el ranking de satisfacción turística en América Latina. 14 de Septiembre de 2019. Lee, S. K., & Jang, S. S. (2012). Re-examining the overcapacity of the US lodging industry. International Journal of Hospitality Management,31(4), 1050-1058. Levin, A., Lin, C. F., & Chu, C. S. J. (2002). Unit root tests in panel data: asymptotic and finite-sample properties. Journal of Econometrics,108(1), 1-24. Li, H., & Srinivasan, K. (2019). Competitive dynamics in the sharing economy: An analysis in the context of Airbnb and hotels. Marketing Science,38(3), 365-391. Magno, F., Cassia, F., & Ugolini, M. M. (2018). Accommodation prices on Airbnb: effects of host experience and market demand. The TQM Journal,30(5), 608-620. Márquez, A. R. (2018). El nuevo Decreto andaluz sobre viviendas particulares de uso turístico. Análisis a la luz de la agenda europea para la economía colaborativa. Cuadernos de Turismo, (41). Martin, C. J. (2016). The sharing economy: A pathway to sustainability or a nightmarish form of neoliberal capitalism?. Ecological economics,121, 149-159. Mhlanga, O. (2019). Peer-to-peer-travel: is Airbnb a friend or foe to hotels? International Journal of Culture, Tourism and Hospitality Research. MINTUR (2019). Ministerio de Turismo de Uruguay. Recuperado de: https://www.gub.uy/ministerio-turismo/datos-y-estadisticas/estadisticas Mileva, E. (2007). Using Arellano-Bond dynamic panel GMM estimators in Stata. Economics Department, Fordham University, 64, 1-10. 112
Mody, M., Suess, C., & Dogru, T. (2017). Comparing apples and oranges? Examining the impacts of Airbnb on hotel performance in Boston. Boston Hospitality Review, 5(2), 1-15. Möhlmann, M. (2015). Collaborative consumption: determinants of satisfaction and the likelihood of using a sharing economy option again. Journal of Consumer Behaviour,14(3), 193-207. Negi, G., & Tripathi, S. (2022). Airbnb phenomenon: A review of literature and future research directions. Journal of Hospitality and Tourism Insights, (ahead-of-print). Netter, S., Pedersen, E. R. G., & Lüdeke-Freund, F. (2019). Sharing economy revisited: Towards a new framework for understanding sharing models. Journal of Cleaner Production, 221, 224-233. Nieuwland, S., & Van Melik, R. (2020). Regulating Airbnb: how cities deal with perceived negative externalities of short-term rentals. Current Issues in Tourism,23(7), 811-825. Noriega, A. E., & Ventosa‐Santaulària, D. (2007). Spurious regression and trending variables. Oxford Bulletin of Economics and Statistics, 69(3), 439-444. Papke, L. E. (1996). Are 401 (k) plans replacing other employer-provided pensions? Evidence from panel data. Journal of Human Resources. 34, 346-368. Park, H. M. (2011). Practical guides to panel data modeling: a step-by-step analysis using Stata. Public Management and Policy Analysis Program, Graduate School of International Relations, International University of Japan,12, 1-52. Parker G., Van Alstyne M., Choudary S. (2016). Platform Revolution: How Networked Markets Are Transforming the Economy and How to Make Them Work for You. W. W. Norton: New York Peng, R. D. (2016). R programming for data science (pp. 86-181). Victoria, BC, Canada: Leanpub. Quattrone, G., Proserpio, D., Quercia, D., Capra, L., & Musolesi, M. (2016). Who benefits from the" Sharing" economy of Airbnb?. In Proceedings of the 25th international conference on world wide web (pp. 1385-1394). Oskam, J., van der Rest, J. P., & Telkamp, B. (2018). What’s mine is yours—but at what price? Dynamic pricing behavior as an indicator of Airbnb host professionalization. Journal of Revenue and Pricing Management,17, 311-328. 113
Önder, I., Weismayer, C., & Gunter, U. (2019). Spatial price dependencies between the traditional accommodation sector and the sharing economy. Tourism Economics,25(8), 1150-1166. Ozanne, L. K., & Prayag, G. (2022). Exploring Airbnb host wellbeing and host-guest conflicts in network hospitality. Frontiers in Psychology, 465. R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/. Reid, R. D., & Bojanic, D. C. (2009). Hospitality Marketing Management. Hoboken, NJ: John Wiley and Sons. Reuters (2020). Recuperado de: https://www.reuters.com/article/airbnb-ipo-idUSKBN28K261 Roma, P., Panniello, U., & Nigro, G. L. (2019). Sharing economy and incumbents' pricing strategy: The impact of Airbnb on the hospitality industry. International Journal of Production Economics,214, 17-29. Rutherford, D. G. & O’Fallon M. (2007). Hotel Management and Operations. John Wiley & Sons. Hoboken, New Jersey. Sans, A. A., & Quaglieri, A. (2016). Unravelling Airbnb: Urban perspectives from Barcelona. Reinventing the local in tourism: Producing, consuming and negotiating place,73, 209. Segú, M. (2018). Do short-term rent platforms affect rents? Evidence from Airbnb in Barcelona. Schäfer, P., & Braun, N. (2016). Misuse through short-term rentals on the Berlin housing market. International journal of housing markets and analysis. Schor, J. (2016). Debating the sharing economy. Journal of Self-Governance and Management Economics, 4(3), 7-22. Sheela, A. M. (2002). Economics of Hotel Management. New Age International (P) Ltd., Publishers. Shmueli, G. (2010). To explain or to predict?. Statistical science,25(3), 289-310. Strømmen-Bakhtiar, A., & Vinogradov, E. (2019). The effects of Airbnb on hotels in Norway. Society and Economy, 41(1), 87-105. 114
Sundararajan, A. (2013). From Zipcar to the sharing economy. Harvard Business Review. Recuperado de https://hbr.org/2013/01/from-zipcar-to-the-sharing-eco/ Sutherland, W., & Jarrahi, M. H. (2018). The sharing economy and digital platforms: A review and research agenda. International Journal of Information Management,43, 328-341. Sthapit, E., Björk, P., Coudounaris, D. N., & Stone, M. J. (2022). A new conceptual framework for memorable Airbnb experiences: guests’ perspectives. International Journal of Culture, Tourism and Hospitality Research,16(1), 75-86. Taleb, N. (2005). The Black Swan: Why don’t we learn that we don’t learn. NY: Random House, 1145. Tham, A. (2016). When Harry met Sally: different approaches towards Uber and AirBnB—an Australian and Singapore perspective. Information Technology & Tourism,16(4), 393-412. Tong, B., & Gunter, U. (2022). Hedonic pricing and the sharing economy: How profile characteristics affect Airbnb accommodation prices in Barcelona, Madrid, and Seville. Current Issues in Tourism,25(20), 3309-3328. Torres-Reyna, O. (2007). Panel Data Analysis. Fixed and Random Effects using Stata. Recuperado de https://www.princeton.edu/~otorres/Panel101.pdf. Tussyadiah, I. P., & Pesonen, J. (2016). Impacts of peer-to-peer accommodation use on travel patterns. Journal of Travel Research, 55(8), 1022-1040. Vallas, S., & Schor, J. B. (2020). What do platforms do? Understanding the gig economy. Annual Review of Sociology,46, 273-294. Wang, C. R., & Jeong, M. (2018). What makes you choose Airbnb again? An examination of users’ perceptions toward the website and their stay. International Journal of Hospitality Management,74, 162-170. Wegmann, J., & Jiao, J. (2017). Taming Airbnb: Toward guiding principles for local regulation of urban vacation rentals based on empirical results from five US cities. Land Use Policy,69, 494-501. Woodcock, J., & Graham, M. (2019). The gig economy. A critical introduction. Cambridge: Polity. Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data. MIT press. Wooldridge, J. M. (2015). Introductory econometrics: A modern approach. Cengage learning. 115
Xie, K. L., & Kwok, L. (2017). The effects of Airbnb’s price positioning on hotel performance. International Journal of Hospitality Management,67, 174-184. Yang, Y., Nieto García, M., Viglia, G., & Nicolau, J. L. (2022). Competitors or complements: a meta-analysis of the effect of airbnb on hotel performance. Journal of Travel Research,61(7), 1508-1527. Zervas, G., Proserpio, D., & Byers, J. W. (2017). The rise of the sharing economy: Estimating the impact of Airbnb on the hotel industry. Journal of marketing research,54(5), 687-705. Zervas, G., Proserpio, D., & Byers, J. W. (2021). A first look at online reputation on Airbnb, where every stay is above average. Marketing Letters,32, 1-16. Zhang, D., & Xie, J. (2021). Influence of tourism seasonality and financial ratios on hotels’ exit risk. Journal of Hospitality & Tourism Research, 10963480211016038. Zheng, Q., Ke, D., & Li, X. (2023). Optimal pricing strategies for Airbnb when competing with incumbents on two sides. International Journal of Hospitality Management,108, 103392. Zheng, T. (2014). What caused the decrease in RevPAR during the recession? An ARIMA with intervention analysis of room supply and market demand. International Journal of Contemporary Hospitality Management. 116
Anexo I: Entrevistas en profundidad Percepciones de la Asociación de Hoteles y Restaurantes (AHRU) sobre Airbnb Entrevista en profundidad con Fernando Peláez, Secretario de la AHRU En primer lugar, donde es más latente el fenómeno de Airbnb en Uruguay es en la ciudad de Punta del Este. Allí ya se está al tanto de la existencia de los denominados anfitriones “multi-unit”. Hay edificios de decenas de apartamentos que se alquilan por Airbnb en su totalidad y cuentan con todas las comodidades, de manera similar a un hotel. Éstos compiten con los hoteles ofreciendo comodidades y servicios similares, en posiciones más favorables que los negocios de alojamiento tradicionales, al no tener que cumplir con las exigencias que deben cumplir los primeros. En términos de la visión de Airbnb, perciben a la plataforma como competencia desleal y que la misma “se ha desvirtuado”. A su vez, lo que en un momento era una plataforma de la economía colaborativa, “se ha convertido en un gran negocio”. Esto por varios motivos: en primer lugar, por el surgimiento de anfitriones o “hosts” profesionalizados. En segundo, por la cantidad global de anuncios de Airbnb en Montevideo. Un tercer grupo de motivos está vinculado con las formalidades que tienen que cumplir los establecimientos hoteleros. A saber, por el hecho de que los anfitriones de Airbnb no tienen que pagar impuestos. Tampoco se requiere que sean inspeccionados por la Intendencia Municipal de Montevideo o por Bomberos, por ejemplo. Tampoco es necesario que tengan al personal “en planilla”. La Asociación de Hoteles y Restaurantes del Uruguay (AHRU) viene participando en una serie de reuniones donde se está discutiendo el impacto de Airbnb en el sector hotelero. Estas reuniones tiene carácter global, ya que participan representantes de asociaciones hoteleras de todo el mundo, así como autoridades de las ciudades. La penúltima reunión se realizó en Noviembre de 2018 en Nueva York (BuzzFeed, 2018). La AHRU participó en la última reunión que se realizó en Abril de 2019 en Barcelona, representando a Uruguay. También destacan los 117
problemas que se le atribuyen a Airbnb en ciudades como Madrid o Barcelona. Resulta más rentable alquilarle a los turistas, lo que desplaza a los ciudadanos de esos barrios, afirman. Existe una sobreoferta hotelera en Montevideo. Ésta ha crecido debido a un régimen de promoción de inversiones que las facilita, incluso en lugares donde existe saturación. Entienden que no se deben seguir destinando fondos públicos en incentivos fiscales para incrementar una oferta hotelera en aquellos lugares donde ya existe capacidad ociosa instalada, como en Montevideo. También han cerrado 9 hoteles en un período de 2 años (Mesa, 2019). En cuanto a las tendencias de la ocupación hotelera, Enero es considerado el mejor mes, aunque no parezca muy intuitivo. Esto se debe a que llegan a Montevideo muchos turistas que están en tour por la región y destinan unos días a visitar la capital del país. También se destaca que Montevideo es la ciudad que recibe más turistas en el país aunque naturalmente es estacional, porque en los meses del invierno los turistas prefieren las playas y ciudades durante el verano del hemisferio norte. Percepciones sobre Airbnb desde una perspectiva urbanística y de desarrollo local Entrevista en profundidad con el Arq. Diego Capandeguy En referencia a si regular Airbnb es acaso necesario o no, se sostiene que, ●Primero, La "regulación" pública perse de Airbnb no es una necesaria vía para un mejor desarrollo local. Hoy la "ciudad de las aplicaciones" supone nuevas lógicas comerciales, locacionales, conectivas, logísticas, y otros deseos sociales que en el pasado. Ello se percibe como inevitable. Ciertamente el fenómeno de Airbnb reta a los gobiernos nacionales y departamentales. Podría plantearse una regulación de tipo fiscalista, de "defensa de la hotelería" o por "equidad impositiva" pero sería importante una adecuada articulación con otras políticas públicas. ●Segundo, Su regulación externa (existe una regulación indirecta por la propia firma o plataforma a través de las opiniones de satisfacción de sus usuarios) podría tener sentido si se lograsen mitigar ciertas externalidades de signo negativo como: 118
a) El eventual encarecimiento del alquiler convencional de viviendas, y posible "retiro" de oferta para su stock. Habría que probar si en Montevideo ello tiene significación. b) Posibles problemas de convivencia en edificios en Propiedad Horizontal entre residentes permanentes y turistas que trabajan con Airbnb, del cual tampoco se tiene evidencia. ●Tercero, otro componente de la regulación es la perspectiva de si profundiza o no el ejercicio pleno de la libertad. Airbnb forma parte de la denominada economía colaborativa, de creciente importancia en el mundo contemporáneo. ¿Cuánto cabe restringirla? ●Finalmente, un nivel mínimo de regulación no pública sería el acuerdo entre privados en edificios de Propiedad Horizontal (en sus Reglamentos de Copropiedad) de restringir o limitar la aplicación de tal sistema, penando al propietario cuyas unidades hayan generado problemas de convivencia. En cuanto a la viabilidad de la implementación del otorgamiento de licencias de actividad de alojamiento para los anfitriones de Airbnb (que se acaban de aprobar en Madrid, por ejemplo), se la considera viable pero de difícil punición pública. Seguramente las constricciones existentes son más de tipo constitucional y de aparatos de gestión y control públicos. Se reitera, la realidad de Montevideo es poco equiparable a la las ciudades españolas, u otras ciudades europeas de gran presión turística. La eventual regulación de Airbnb no va a alterar los necesarios cambios en la oferta hotelera de Montevideo, que tuvo una destacable renovación muy fuerte entre 1995 y el 2015, y que se visualiza con problemas. . Los problemas de convivencia y de saturación no son comparables a los ejemplos europeos más notorios (Barcelona, Madrid, París). El Uruguay como destino turístico opera con diversos segmentos motivacionales, con un número de turistas muy reducido en relación a los citados destinos europeos. No obstante, hay problemas específicos de Montevideo, como: a) Un alto porcentajes de viviendas de segmentos medios y altos sin ocupar, gran parte en áreas con infraestructuras y servicios, a pesar de las dificultades de acceso al suelo urbano (ya no a una vivienda) para los sectores sociales populares más vulnerables. b) Sus inequidades socio-territoriales. 119
c) La baja urbanidad de la ciudad en temas como la basura urbana, a pesar de los diversos esfuerzos departamentales para su mejora. d) El envejecimiento de su parque construido. e) Cierto conservadurismo en el manejo urbanístico oficial, a pesar del importante potencial de cambio de la ciudad y de otras transformaciones exitosas gestionadas por diversos actores privados. No se entiende conveniente limitar el número de días para que una propiedad pueda estar listada en Airbnb. Al revés, parece una medida poco feliz pues se trata de un capital fijo que tampoco estaría disponible para un uso residencial convencional. Tampoco se entiende deseable que, con los guarismos actuales de Montevideo, se topee la oferta de pisos turísticos por esta modalidad, salvo acuerdos entre privados. A nivel cualitativo las ciudades cambian. Otros modos como el “coliving”, y el “coworking”, y otras maneras de economía colaborativa, emergerán, pero por ahora en Montevideo solo tienen significación más cualitativa que cuantitativa. Otra pregunta es si jurídicamente es posible limitar tal número de días, y si es posible controlarlo. Acaso, ¿tal regulación, no podría tener un efecto perverso de elevar los costes de las otras ofertas residenciales permanentes? En definitiva, la realidad de Montevideo es poco equiparable a la las ciudades españolas, u otras ciudades europeas de gran presión turística. La eventual regulación de Airbnb no va a alterar los necesarios cambios en la oferta hotelera de Montevideo, que tuvo una destacable renovación muy fuerte entre 1995 y el 2015, y que se visualiza con problemas y que se entiende que quizá deba reconvertirse. Respecto de la aparición de gran cantidad de anuncios en los barrios de Cordón, Parque Rodó y Palermo, se expresa que la zona se está "energizando", diversificando en su uso del espacio (con más locaciones no residenciales) y recibiendo algunas prácticas específicas como: a) La implantación de nuevos segmentos jóvenes de pobladores residentes; la mal llamada Ley de Promoción de la Vivienda Social contribuyó a ello en el Cordón Sur y en el Centro. 120
##Repetir anuncios activos en Montevideo 39 veces para cada hotel anuncios_activos=rep((misdatos$Anuncios.activos.Airbnb),39) ##Repetir anuncios totales en Montevideo 39 veces para cada hotel anuncios_totales=rep((misdatos$Anuncios.totales.Airbnb),39) ##Repetir oferta hotelera de Montevideo 39 veces para cada hotel oferta=rep((misdatos$Oferta.hotelera),39) ##Armo el nuevo csv datospanel=cbind(hoteles_panel,meses_panel,estrellas_panel,barri os_panel,precios_panel,desempleo_panel,arribos_aero_panel, arribos_puerto_panel, arribos_panel, anuncios_activos,oferta) colnames(datospanel)=c("hotel","mes","centro", "pocitos","carrasco", "tres", "cuatro", "precio","desempleo", "arr_aeropuerto", "arr_puerto","arr_totales","airbnb_activos","oferta") write.csv(datospanel,"DatospanelTarifas.csv",row.names = FALSE) 127
Código de R para el armado de la base de datos de tasas de ocupación en formato de panel ## Armado de la base de datos de Ocupación mydata <-read.csv("AHRUDiciembreOcupacion.csv") str(mydata) ##tarifas <-read.csv("AHRUDiciembreTarifas.csv") ##str(tarifas) ## Crear un vector con la primera columna del id del hotel hotelvec <- mydata[,1] str(hotelvec) ## Crear nombres de hoteles para panel data analysis hoteles_panel = c() for (i in 1:length(hotelvec)) { ## Repite el nombre de cada hotel 38 veces, que es la cantidad de meses aux=rep(hotelvec[i], 38) hoteles_panel=append(hoteles_panel,aux) } print(hoteles_panel) ## Crear nombres de barrios para panel data analysis barrios_panel = c() for (j in 4:6) { barriosvec <-mydata[,j] barrios_j = c() for (i in 1:length(barriosvec)) { aux=rep(barriosvec[i], 38) barrios_j=append(barrios_j,aux) } barrios_panel=cbind(barrios_panel,barrios_j) } ## Crear y repetir el número de estrellas para panel data analysis 128
estrellas_panel = c() for (j in 7:8) { estrellasvec <-mydata[,j] estrellas_j = c() for (i in 1:length(estrellasvec)) { aux=rep(estrellasvec[i], 38) estrellas_j=append(estrellas_j,aux) } estrellas_panel=cbind(estrellas_panel,estrellas_j) } meses_panel=rep(1:38,39) ## Repetir las tasas de ocupacion mensuales para panel data analysis ocupacion_panel= c() for (i in 1:39) { aux=mydata[i,] aux=aux[-c(1,2,3,4,5,6,7,8,47)] aux=t(aux) ocupacion_panel=rbind(ocupacion_panel,aux) } ##Cargo todas las variables de control misdatos <- read.csv("VariablesdeControlJunio.csv") str(misdatos) ## Repetir el vector de desempleo 39 veces para cada hotel desempleovec <-misdatos$Desempleo print(desempleovec) desempleo_panel=rep(desempleovec,39) ## Repetir el logaritmo de los arribos 39 veces para cada hotel arribos_panel=rep(misdatos$Arribos.totales,39) ## Repetir el logaritmo de los arribos 39 veces para cada hotel arribos_aero_panel=rep((misdatos$Arribos.Aeropuerto),39) ## Repetir el logaritmo de los arribos 39 veces para cada hotel 129
arribos_puerto_panel=rep((misdatos$Arribos.Puerto),39) ##Repetir anuncios activos en Montevideo 39 veces para cada hotel anuncios_activos=rep(misdatos$Anuncios.activos.Airbnb,39) ##Repetir anuncios totales en Montevideo 39 veces para cada hotel anuncios_totales=rep((misdatos$Anuncios.totales.Airbnb),39) ##Repetir oferta hotelera de Montevideo 39 veces para cada hotel oferta=rep((misdatos$Oferta.hotelera),39) ##Armo el nuevo csv datospanel=cbind(hoteles_panel,meses_panel,barrios_panel,estrell as_panel,ocupacion_panel,desempleo_panel,arribos_aero_panel, arribos_puerto_panel, arribos_panel,anuncios_activos,oferta) colnames(datospanel)=c("hotel","mes","centro", "pocitos","carrasco", "tres", "cuatro", "ocupacion","desempleo", "arr_aeropuerto", "arr_puerto","arr_totales","airbnb_activos","oferta") write.csv(datospanel,"DatospanelOcupacion.csv",row.names = FALSE) 130
Código de R para analizar el efecto de los anuncios activos en Airbnb sobre el RevPAR Modelo estático # Modelo de datos panel library(plm) misdatos <-read.csv("DatosPanelRevpar.csv") str(misdatos) summary(misdatos) # Set data as panel data paneldata <- pdata.frame(misdatos, index=c("hotel","mes")) paneldata$desempleo = paneldata$desempleo/100 # Fixed effects or within estimator fijos <- plm(log(revpar) ~ log(airbnb_activos), data=paneldata, model= "within") summary(fijos) fijos1 <- plm(log(revpar) ~ log(airbnb_activos)+desempleo, data=paneldata, model= "within") summary(fijos1) fijos2 <- plm(log(revpar) ~ log(airbnb_activos)+desempleo+log(arr_totales), data=paneldata, model= "within") summary(fijos2) fijos3 <- plm(log(revpar) ~ log(airbnb_activos)+desempleo+log(arr_totales)+log(Oferta), data=paneldata, model= "within") summary(fijos3) 131
Código de R para analizar el efecto de los anuncios activos en Airbnb sobre los precios promedios diarios (ADR) Modelo estático # Modelo de datos panel library(plm) misdatos <-read.csv("DatosPanelTarifas.csv") str(misdatos) summary(misdatos) # Set data as panel data paneldata <- pdata.frame(misdatos, index=c("hotel","mes")) paneldata$desempleo = paneldata$desempleo/100 # Fixed effects or within estimator fixed <- plm(log(precio) ~ log(airbnb_activos), data=paneldata, model= "within") summary(fixed) fixed1 <- plm(log(precio) ~ desempleo + log(airbnb_activos), data=paneldata, model= "within") summary(fixed1) fixed2 <- plm(log(precio) ~ desempleo + log(arr_totales) + log(airbnb_activos), data=paneldata, model= "within") summary(fixed2) fixed3 <- plm(log(precio) ~ desempleo + log(arr_totales) + log(airbnb_activos) + log(oferta), data=paneldata, model= "within") summary(fixed3) 132
Código de R para analizar el efecto de los anuncios activos en Airbnb sobre las ocupaciones hoteleras (OCR) Modelo estático # Modelo de datos panel library(plm) misdatos <-read.csv("DatosPanelOcupacion.csv") str(misdatos) summary(misdatos) # Set data as panel data paneldata <- pdata.frame(misdatos, index=c("hotel","mes")) paneldata$ocupacion=paneldata$ocupacion/100 # Fixed effects or within estimator fixed1 <- plm(paneldata$ocupacion ~ log(airbnb_activos), data=paneldata, model= "within", effect = "individual") summary(fixed1) fixed2 <- plm(paneldata$ocupacion ~ desempleo + log(airbnb_activos), data=paneldata, model= "within", effect = "individual") summary(fixed2) fixed3 <- plm(paneldata$ocupacion ~ desempleo + log(arr_totales) + log(airbnb_activos), data=paneldata, model= "within", effect = "individual") summary(fixed3) fixed <- plm(paneldata$ocupacion ~ desempleo + log(arr_totales) + log(airbnb_activos)+log(oferta), data=paneldata, model= "within", effect = "individual") summary(fixed) 133
Códigos de R de los análisis de estacionariedad y cointegración Test de Levin-Lin-Chu y test de Im Pesaran Shin para RevPAR library(plm) library(punitroots) library(pco) library(tseries) library(urca) misdatos <-read.csv("DatosPanelRevpar.csv") # Set data as panel data y <- data.frame(split(misdatos$revpar, misdatos$hotel)) y2 <- y[ , colSums(is.na(y)) == 0] # Test de Levin-Lin para Revpar output_levin = purtest(log(y2), test = "levinlin", exo = "intercept", lags = "AIC", pmax = 5) print(output_levin) # Test Im-Pesaran-Shin para Revpar output_ips = purtest(log(y2), test = "ips", exo = "intercept", lags = "AIC", pmax = 5) print(output_ips) 134
Código de R del Test de Levin-Lin-Chu y del test de Im Pesaran Shin para precios promedio diarios (ADR) # Tarifas misdatos <-read.csv("DatosPanelTarifas.csv") # Set data as panel data y <- data.frame(split(misdatos$precio, misdatos$hotel)) tarifas <- y[ , colSums(is.na(y)) == 0] #Test Levin-Lin para Tarifas output_levinlin1 = purtest(log(tarifas), test = "levinlin", exo = "intercept", lags = "AIC", pmax = 5) print(output_levinlin1) #Test Im-Pesaran-Shin para Tarifas output_ips1 = purtest(log(tarifas), test = "ips", exo = "intercept", lags = "AIC", pmax = 5) print(output_ips2) 135
Test de Levin-Lin-Chu y test de Im Pesaran Shin para las tasas de ocupación (OCR) # Ocupación misdatos <-read.csv("DatosPanelOcupacion.csv") # Set data as panel data y <- data.frame(split(misdatos$ocupacion, misdatos$hotel)) ocu <- y[ , colSums(is.na(y)) == 0] #Test Levin-Lin para Ocupación output_levinlin2 = purtest(log(ocu), test = "levinlin", exo = "intercept", lags = "AIC", pmax = 5) print(output_levinlin2) #Test Im-Pesaran-Shin para Ocupación output_ips2 = purtest(log(ocu), test = "ips", exo = "intercept", lags = "AIC", pmax = 5) print(output_ips2) 136
#Test de Hadri para Ocupación output_hadri2 = purtest(log(ocu), test = "hadri", exo = "intercept", lags = "AIC", pmax = 5) print(output_hadri2) summary(output_hadri2) 143
Código de R para analizar el efecto de los anuncios activos en Airbnb sobre el RevPAR Modelo dinámico panel gmm # Dynamic panel GMM # - data indexed by individual (i) and time (t) # General GMM formula "y(i,t) ~ x(i,t) | z(i,t) # y - Dependent variable # x - Endogenous variable, includes y(i,t-1) for dynamics # z - Instrument set library(plm) # Load data misdatos <-read.csv("DatosPanelRevpar.csv") summary(misdatos) # Set data as panel data paneldata <- pdata.frame(misdatos, index=c("hotel","mes")) paneldata$desempleo = paneldata$desempleo / 100 # Breaking down the model # log(revpar) ~ lag(log(revpar),1:1) + lag(log(airbnb_activos,0:1) + lag(desempleo),0:1) + lag(log(arr_totales),0:1) # + lag(log(Oferta),0:1) # # y(i,t) = log(revpar) ====> ingresos hoteleros # x(i,t) = lag(log(revpar),1:2) ====> y(i,t-1) y y(i,t-2) # lag(log(airbnb_activos),0:1) ====> airbnb_activos en (i,t) e (i,t-1) # lag(desempleo),0:1) ====> desempleo en (i,t) e (i,t-1) # lag(log(arribos_totales)) ====> arribos_totales en (i,t) e (i,t-1) # lag(log(Oferta)) ====> Oferta en (i,t) e (i,t-1) 144
# z(i,t) = lag(log(revpar),2:99) ====> y(i,t-1) y(i,t-2) .... . y(i,t-99) # lag(log(airbnb_activos),0:1) ====> ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales zAVE=pgmm(formula = log(paneldata$revpar) ~ lag(log(paneldata$revpar), 1:1) + log(paneldata$airbnb_activos) | lag(log(paneldata$revpar), 2:4) + lag(log(paneldata$airbnb_activos), 1:4), data = paneldata, effect = "individual", model = "twosteps") summary(zAVE,robust=TRUE) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales zAVE1=pgmm(formula = log(paneldata$revpar) ~ lag(log(paneldata$revpar), 1:1) + log(paneldata$airbnb_activos) + paneldata$desempleo | lag(log(paneldata$revpar), 2:4) + lag(log(paneldata$airbnb_activos), 1:4), data = paneldata, effect = "individual", model = "twosteps") summary(zAVE1,robust=TRUE) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales zAVE2=pgmm(formula = log(paneldata$revpar) ~ lag(log(paneldata$revpar), 1:1) + log(paneldata$airbnb_activos) + paneldata$desempleo + log(paneldata$arr_totales) | lag(log(paneldata$revpar), 2:4) + lag(log(paneldata$airbnb_activos), 1:4), data = paneldata, effect = "individual", model = "twosteps") summary(zAVE2,robust=TRUE) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales zAVE3=pgmm(formula = log(paneldata$revpar) ~ lag(log(paneldata$revpar), 1:1) + log(paneldata$airbnb_activos) + paneldata$desempleo + log(paneldata$arr_totales) + log(paneldata$Oferta) | lag(log(paneldata$revpar), 2:4) + lag(log(paneldata$airbnb_activos), 1:4), data = paneldata, effect = "individual", model = "twosteps") summary(zAVE3,robust=TRUE 145
Código de R para analizar el efecto de los anuncios activos en Airbnb sobre los precios promedio diarios Modelo dinámico panel gmm # Dynamic panel GMM # - data indexed by individual (i) and time (t) # General GMM formula "y(i,t) ~ x(i,t) | z(i,t) # y - Dependent variable # x - Endogenous variable, includes y(i,t-1) for dynamics # z - Instrument set library(plm) # Load data misdatos <-read.csv("DatosPanelTarifas.csv") summary(misdatos) # Set data as panel data paneldata <- pdata.frame(misdatos, index=c("hotel","mes")) paneldata$desempleo = paneldata$desempleo / 100 # Breaking down the model # log(precio) ~ lag(log(precio),1:2) + lag(log(airbnb_activos,0:1) + lag(desempleo),0:1) + lag(log(arr_totales),0:1) # + lag(log(oferta),0:1) # # y(i,t) = log(tarifas) ====> ingresos hoteleros # x(i,t) = lag(log(tarifas),1:2) ====> y(i,t-1) y y(i,t-2) # lag(log(aribnb_activos),0:1) ====> airbnb_activos en (i,t) e (i,t-1) # lag(desempleo),0:1) ====> desempleo en (i,t) e (i,t-1) # lag(log(arribos_totales)) ====> arribos_totales en (i,t) e (i,t-1) 146
# lag(log(oferta)) ====> Oferta en (i,t) e (i,t-1) # z(i,t) = lag(log(revpar),2:99) ====> y(i,t-1) y(i,t-2) .... . y(i,t-99) ## MODELO GMM con la variable endógena como variable instrumental zOBO1=pgmm(log(precio) ~ lag(log(precio), 1:1) + log(airbnb_activos) | lag(log(precio), 2:4) + lag(log(airbnb_activos), 1:4),data=paneldata, effect = "individual", model = "twosteps") summary(zOBO1) ## MODELO GMM con la variable endógena como variable instrumental zOBO2=pgmm(log(precio) ~ lag(log(precio), 1:1) + log(airbnb_activos) + desempleo | lag(log(precio), 2:4) + lag(log(airbnb_activos), 1:4),data=paneldata, effect = "individual", model = "twosteps") summary(zOBO2,robust=TRUE) ## MODELO GMM con la variable endógena como variable instrumental zOBO3=pgmm(log(precio) ~ lag(log(precio), 1:1) + log(airbnb_activos) + desempleo + log(arr_totales) | lag(log(precio), 2:4) + lag(log(airbnb_activos), 1:4),data=paneldata, effect = "individual", model = "twosteps") summary(zOBO3,robust=TRUE) ## MODELO GMM con la variable endógena como variable instrumental, menos lags instrumentales zOBO4=pgmm(log(precio) ~ lag(log(precio), 1:1) + log(airbnb_activos) + desempleo + log(arr_totales) + log(oferta) | lag(log(precio), 2:4) + lag(log(airbnb_activos), 1:4),data=paneldata, effect = "individual", model = "twosteps") summary(zOBO4,robust=TRUE) 147
Código de R para analizar el efecto de los anuncios activos en Airbnb sobre las tasas de ocupación Modelo dinámico panel gmm # Dynamic panel GMM # - data indexed by individual (i) and time (t) # General GMM formula "y(i,t) ~ x(i,t) | z(i,t) # y - Dependent variable # x - Endogenous variable, includes y(i,t-1) for dynamics # z - Instrument set library(plm) # Load data mesdatas <-read.csv("DatosPanelOcupacion.csv") summary(mesdatas) # Set data as panel data paneldates <- pdata.frame(mesdatas, index=c("hotel","mes")) paneldates$ocupacion = paneldates$ocupacion / 100 paneldates$desempleo = paneldates$desempleo / 100 # Breaking down the model # log(ocupacion) ~ lag(log(ocupacion),1:2) + lag(log(airbnb_activos,0:1) + lag(desempleo),0:1) + lag(log(arr_totales),0:1) # + lag(log(ocupacion),0:1) # # y(i,t) = (ocupacion) ====> ocupación hotelera # x(i,t) = lag((ocupacion),1:2) ====> y(i,t-1) y y(i,t-2) # lag(log(aribnb_activos),0:1) ====> airbnb_activos en (i,t) e (i,t-1) # lag(desempleo),0:1) ====> desempleo en (i,t) e (i,t-1) 148
# lag(log(arribos_totales)) ====> arribos_totales en (i,t) e (i,t-1) # lag(log(oferta)) ====> Oferta en (i,t) e (i,t-1) # z(i,t) = lag(log(revpar),2:99) ====> y(i,t-1) y(i,t-2) .... . y(i,t-99) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales, agrego anuncios activos one by one zAFE=pgmm((paneldates$ocupacion) ~ lag((paneldates$ocupacion), 1:1) + log(paneldates$airbnb_activos) | lag((paneldates$ocupacion), 2:4) + lag(log(paneldates$airbnb_activos),1:4),data=paneldates, effect = "individual", model = "twosteps") summary(zAFE) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales, agrego anuncios activos y desempleo one by one zAFE1=pgmm((paneldates$ocupacion) ~ lag((paneldates$ocupacion), 1:1) + log(paneldates$airbnb_activos) + paneldates$desempleo | lag((paneldates$ocupacion), 2:4) + lag(log(paneldates$airbnb_activos),1:4),data=paneldates, effect = "individual", model = "twosteps") summary(zAFE1) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales, agrego anuncios activos y desempleo y arribos one by one zAFE2=pgmm((paneldates$ocupacion) ~ lag((paneldates$ocupacion), 1:1) + log(paneldates$airbnb_activos) + paneldates$desempleo + log(paneldates$arr_totales) | lag((paneldates$ocupacion), 2:4) + lag(log(paneldates$airbnb_activos),1:4),data=paneldates, effect = "individual", model = "twosteps") summary(zAFE2) ## MODELO GMM con la variable endógena como variable instrumental, 4 lags instrumentales zAFE3=pgmm((paneldates$ocupacion) ~ lag((paneldates$ocupacion), 1:1) + log(paneldates$airbnb_activos) + paneldates$desempleo + 149
log(paneldates$arr_totales) +log(paneldates$oferta) | lag((paneldates$ocupacion), 2:4) + lag(log(paneldates$airbnb_activos),1:4),data=paneldates, effect = "individual", model = "twosteps") summary(zAFE3) 150