Suscríbete a DeepL Pro para poder editar este documento.

Entra en www.DeepL.com/pro para más información.

Revista Internacional de Gestión Hotelera 95 (2021) 102914

Listas de contenidos disponibles en ScienceDirect

Revista Internacional de Gestió n de la Hostelería

página web de la revista: www.elsevier.com/locate/ijhm

Precios e ingresos diná micos de los anuncios de Airbnb: Estimació n de efectos

causales heterogéneos
Veronica Leoni a,*, William Nilsson b
a
Departamento de Economía (Universidad Ca' Foscari de Venecia), Italia
b
Departamento de Economía Aplicada (Universidad de las Islas Baleares), España

ARTÍCULOSENFOR
MACIÓ N ABSTRACTO

Palabras clave: Este trabajo investiga en qué medida la aplicació n de la discriminació n intertemporal de precios afecta a los
Airbnb ingresos de los anuncios de Airbnb. Encontramos que, por término medio, un aumento de precios (es decir, un
Precios diná micos Efectos incremento del precio a medida que se acerca la fecha de consumo del servicio) tiene un efecto adverso sobre los
causales heterogéneos ingresos. Sin embargo, la magnitud de dicho efecto presenta una importante heterogeneidad entre los listados. A
Bosque aleatorio
través de la aplicació n de bosques aleatorios generalizados, una técnica de aprendizaje de maquina causal,
generalizado
identificamos modificadores de tratamiento exacerbadores y moderadores y arrojamos luz sobre las dimensiones
de los anuncios que hacen que las subidas de precios sean particularmente perjudiciales para los ingresos de los
anfitriones.

1. Introducción
El papel que desempeñ a el precio se debate con frecuencia en
economía, especialmente en el á mbito de la hostelería y la gestió n del
transporte aé reo. La importancia que se atribuye a las decisiones de
precios en este ámbito surge principalmente de la naturaleza intrínseca
del producto turístico como servicio perecedero y no almacenable
(Legoh'ereletal.,2013).
Los establecimientos turísticos requieren una gestió n eficiente del
inventario de su capacidad fija -el llamado Yield Management-, así como
el Revenue Management, que es un mé todo má s amplio y á gil en tiempo
real que toma en consideració n todos los centros de beneficio de forma
holística (Viglia y Abrate, 2019).
La gestió n de los ingresos suele ser compleja y requiere importantes
habilidades analíticas avanzadas. Dentro del á mbito de la gestió n de
ingresos se encuentra el aná lisis de precios para aquellos servicios
caracterizados por una demanda estocá stica y diná mica, un horizonte de
venta finito y un inventario no reponible (GallegoyTopaloglu,2019). Este
marco se adapta a los proveedores de ac- comestibles y transportes, así
como a la venta minorista de moda estacional. Como estas empresas se
caracterizan generalmente por sus altos costes fijos y sus bajos costes
marginales, tienden a maximizar los ingresos mediante ajustes de
precios. Sin embargo, esta es una tarea no trivial. Fijar un precio
inadecuado podría conducir, por ejemplo, a la pé rdida inmediata de
ingresos, y tener un efecto negativo en la percepció n de los clientes sobre
la calidad y el posicionamiento en el mercado. Una prá ctica audaz de
descuentos podría enviar una señ al equivocada y dar la impresió n de que
el bien o servicio es dete- rior. Ademá s, los ajustes de tarifas podrían
afectar a la llamada
"precio de referencia" (es decir, el valor subjetivo con el que los
consumidores evalú an los precios actuales de los productos para valorar
su atractivo) e in- fluencia las intenciones de compra futuras (Nieto-
García et al., 2017; Viglia y Mauri, 2016; Abrate et al., 2016).
La espectacular evolució n de las tecnologías de la informació n y la
comunicació n (TIC) ha permitido a los gestores turísticos ser má s
receptivos y rá pidos a la hora de ajustar los precios, en funció n de las
condiciones del mercado. El té rmino "precios dinámicos" se refiere a los
ajustes de precios al alza o a la baja en el tiempo. La mayor parte de la
literatura anterior sobre la adopció n de estrategias de precios diná micos
por parte de las compañ ías aé reas (especialmente las de bajo coste)
encontró pruebas de dos tipos principales de discriminació n de precios:
(i) la discriminació n intertemporal de precios (en adelante IPD), y (ii) los
ajustes diná micos de la demanda estocá stica. Las compañ ías suelen
utilizar una combinació n de estas estrategias; es decir, fijan el precio en
funció n del horizonte temporal entre la hora de la reserva y la fecha del
viaje (IPD) y en funció n del nivel actual de capacidad (ajustes diná micos a
la demanda estocá stica). Los datos empíricos (Koenigsbergetal.,2008;
Escobari,2012; Malighetti etal.,2009) ponen de manifiesto una tendencia
al aumento de los precios a medida que se acerca la fecha del viaje y
disminuye el nú mero de habitaciones (plazas) disponibles. Aunque el
sector del alojamiento es un campo ideal para la aplicació n de la teoría de
la gestió n de ingresos (Abrate et al., 2016), faltan pruebas empíricas
sobre la adopció n de estrategias de precios diná micos
en el contexto de los proveedores de alojamiento.
Paralelamente, el auge del segmento peer-to-peer (en adelante, p2p),
con Airbnb como ejemplo de alojamiento no tradicional, requiere una
comprensió n má s profunda de las estrategias de precios adoptadas por

* Autor correspondiente.
Dirección de correo electrónico: veronica.leoni@unive.it (V. Leoni).
https://doi.org/10.1016/j.ijhm.2021.102914
Recibido el 18 de junio de 2020; Recibido en forma revisada el 1 de marzo de 2021; Aceptado el 10 de marzo de 2021
Disponible en línea el 18 de marzo de 2021
0278-4319/© 2021 Elsevier Ltd. Todos los derechos reservados.
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914
Este estudio se relaciona con dos corrientes de la literatura: (i) las
pares. El precio se reconoce como una de las principales ventajas estrategias de precios diná micos tanto en el sector del alojamiento
competitivas de la oferta p2p (Tussyadiah y Pesonen, 2016; está ndar como en los mercados entre iguales; y (ii) una literatura má s
Gibbsetal.,2018a,b) y, por lo tanto, el papel de la fijació n de precios y el amplia sobre la estimació n de los efectos de tratamiento heterogé neos.
efecto de dichas estrategias en el rendimiento de los agentes merecen una
atenció n sustancialmente mayor. A pesar del é xito de la plataforma, la 2.1. Precios dinámicos en los mercados tradicionales
fijació n de precios se considera uno de los principales retos de Airbnb.
Segú n un informe de LearnAirbnb.com, la ineficacia de los precios es una
La teoría econó mica general afirma que el precio, en ausencia de
de las principales causas del bajo rendimiento de los anfitriones. Como
resultado, estiman una pé rdida de alrededor del 46 % de los ingresos
adicionales potenciales (LearnAirbnb.com,2015).
Wanget al. (2015) destacaron el vacío bibliográ fico sobre la
aplicació n de té cnicas de Revenue Management en alojamientos no
tradicionales. Ademá s, los estudiosos del turismo pidieron má s
investigaciones sobre las estrategias de precios adoptadas por los
anfitriones en las plataformas p2p (Gibbs et al., 2018a,b;
Oskametal.,2018).
Este mercado emergente representa un contexto interesante para la
investigació n de los precios diná micos. Sin embargo, solo unos pocos
trabajos han explorado directamente la adopció n de técnicas de gestió n
de ingresos por parte de agentes turísticos no profesionales
(Gibbsetal.,2018a,b; KwokyXie,2019; Magnoetal., 2018; Oskam, 2018).
Las estrategias de precios analizadas convergen en dos tipos
principales: (i) el posicionamiento del precio, es decir, el nivel de
precios en comparació n con el de los competidores cercanos; y (ii) la
volatilidad del precio, es decir, las variaciones globales absolutas del
precio durante un período específico.
El mercado de Airbnb se caracteriza por una oferta muy diferenciada,
que permite a los anfitriones utilizar activamente el mecanismo de
precios. La heterogeneidad de la oferta tambié n se refleja en la forma en
que los anfitriones ajustan los precios de sus anuncios a lo largo del
tiempo. Dentro del mismo mercado, y al mismo tiempo, es posible
observar tanto descuentos como subidas de precios, y ambas políticas
pueden ser ó ptimas. Esto es difícil de evaluar, porque el efecto de los
cambios de precios puede tener efectos diferentes para distintos
anfitriones; no hemos encontrado ningú n estudio empírico que considere
este tema. Este vacío en la literatura ha motivado nuestro trabajo.
Por lo tanto, este documento tiene tres objetivos principales. En
primer lugar, examinaremos la adopció n del DPI en el mercado peer-to-
peer. Utilizando un conjunto de datos de panel de los precios diarios
fijados por los anfitriones de Airbnb en Ibiza, iremos un paso má s allá de
una mera estimació n de la volatilidad al discernir la direcció n de los
ajustes de precios a medida que se acerca la fecha de consumo del
servicio. En segundo lugar, identificaremos el efecto de la
implementació n de los precios diná micos en los ingresos de los listados.
El marco que adoptamos utiliza resultados potenciales (a menudo
denominado modelo causal de Rubin) para definir los efectos causales
del tratamiento (estrategia de precios) sobre el resultado (ingresos). En
tercer lugar, analizaremos la heterogeneidad de los efectos del
tratamiento, es decir, examinaremos las diferencias entre los sujetos que
moderan el efecto positivo/negativo de las estrategias de precios sobre
los ingresos finales. Para lograr estos objetivos, definimos
cuidadosamente una variable de "aumento de precios", que puede medir
la diná mica de precios incluso con una disponibilidad restringida de
datos. Aplicamos una té cnica reciente de aprendizaje automá tico, el
bosque aleatorio generalizado, que es capaz de identificar los efectos
heterogé neos del tratamiento, incluso cuando é ste es endó geno.
Hasta donde sabemos, este es el primer intento de examinar la DPI
en los mercados peer-to-peer y el primero que evalú a a fondo su efecto
sobre los ingresos de los agentes. Mientras que la mayor parte de la
literatura se centra en la estimació n de los efectos medios, en este estudio
analizamos tambié n la heterogeneidad de los efectos del tratamiento, ya
que los listados pueden dar resultados diferentes en respuesta a la misma
estrategia. Este trabajo proporciona pruebas de las diferencias en los
efectos entre los sujetos y arroja luz sobre las características que hacen
que una estrategia de precios sea especialmente favorable o perjudicial.

2. Revisión de la literatura

2
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914
los fallos del mercado, debería ser una señ al econó mica vá lida. El precio variaciones al alza o a la baja durante el periodo de reserva que precede
incluye la informació n sobre la calidad de un bien o servicio y, por lo al consumo del servicio (Melis y Piga, 2017). El signo y la magnitud de la
tanto, ayuda a los clientes a tomar decisiones informadas. Una rica rama fluctuació n del precio dependen de dos factores: la expectativa sobre la
de la literatura (de Oliveira Santos, 2016; Espinet et al., 2003; Thrane, disposició n a pagar del cliente y el stock de capacidad (Alderighi, 2016).
2005; Abrate y Viglia,2016; ChenyRothschild,2010; Magnoetal.,2018; Por lo tanto, podríamos describir el precio como una funció n de
Gibbs etal.,2018a,b; y WangyNicolau,2017, entre otros) utiliza la
modelizació n he- donica de los precios. En este contexto, el precio de un características invariables en el
bien turístico es una funció n de sus propias características. A travé s de tiempo (por ejemplo, las
la modelizació n hedó nica, se desentrañ a el efecto de cada característica instalaciones de la habitació n o la
sobre el precio final (Lancaster 1966; Rubin,1974). ruta del vuelo), la fecha del viaje
La elasticidad de los precios de los clientes no está vinculada (estacionalidad), el tiempo de
ú nicamente a las características del producto, sino tambié n a la utilidad espera y la capacidad restante.
asociada a la compra. El llamado "precio de referencia interno" es el Investigaciones anteriores
precio está ndar con el que los consumidores evalú an el precio real sugieren que la forma del precio
(Monroe,1973). En este sentido, el precio de referencia es simplemente ó ptimo podría representarse
el precio "justo" de un producto-servicio. Un creciente cuerpo de como una hipé rbola, en la que el
literatura investiga la existencia de diferentes precios de referencia y su precio aumenta a medida que se
efecto en la intenció n de compra (Oh, 2003; Viglia et al., 2016; Nie- to- acerca la fecha de viaje y se
Garcíaetal.,2017, entre otros). reduce la capacidad restante
La adopció n generalizada de té cnicas de gestió n de ingresos, (Koenigsberg et al.,2008;
facilitada por un mayor comportamiento de compra por Internet Escobari,2012;
(Abrateet al.,2012), ha provocado mayores variaciones de precios en los Malighettietal.,2009).
mercados turísticos. Las desviaciones de precios, entendidas como Los clientes con menor
desviaciones positivas o negativas del precio de referencia interno, disposició n a pagar tienden a
podrían producir efectos asimé tricos en las percepciones y los reservar con mayor antelació n;
comportamientos de reserva de los consumidores (Oh, 2003). En un esto garantiza un cierto nivel de
entorno experimental, Viglia et al. (2016) descubrieron que la aplicació n ocupació n (o factor de carga en el
de descuentos en los precios podía afectar gravemente al precio de caso de las aerolíneas) que es
referencia y, a su vez, a las futuras intenciones de compra. La aplicació n necesario para la cobertura de los
de reducciones de precio agresivas podría poner en peligro el precio de costes variables. Sin embargo, los
referencia; como resultado, hace que sea difícil para las empresas clientes má s deseados son
recuperar el valor en la mente de los consumidores y má s arduo aquellos que presentan una
aumentar los ingresos a travé s de la subida de precios. Para má s menor elasticidad al precio y que
detalles, remitimos al lector a Vigliaetal.(2016). tienden a reservar má s tarde
El precio de un producto turístico funciona como una herramienta de (Bergantino y Capozza, 2015). Por
gestió n de operaciones. Fijar un precio implica tener en cuenta las tanto, existe una disyuntiva entre
siguientes condiciones: el producto turístico es (i) de facto un servicio, garantizar un nivel de ocupació n
(ii) perecedero y (iii) no almacenable. La mayoría de los proveedores umbral y el deseo de asignar parte
turísticos (sectores del alojamiento y el transporte) tienen una de la capacidad a los clientes con
capacidad limitada (nú mero de habitaciones por día o nú mero de plazas mayor disposició n a pagar. Estas
en un vuelo) y un tiempo limitado para vender (compra anticipada); decisiones implican un cierto
ademá s, suelen enfrentarse a costes fijos elevados y a una demanda grado de riesgo; aceptar la
incierta. El precio puede ayudar a estimular la demanda cuando é sta es "reserva equivocada" o fijar una
escasa (mediante descuentos en el precio) o a controlarla si supera la tarifa inadecuada significa que,
capacidad restante (subida de precios). aunque cualquier reserva genere
Dado que la mayoría de los costes no son recuperables y los costes nuevos ingresos, este aumento
marginales tienden a ser muy pequeñ os, la forma má s directa de puede resultar inferior al que se
maximizar el beneficio es mediante la maximizació n de los ingresos. Un podría haber obtenido con una
conjunto creciente de publicaciones examina la fijació n ó ptima de decisió n de venta diferente. Esto
precios cuando los bienes tienen las características mencionadas; la se denomina normalmente
mayoría de ellas se refieren al alojamiento (Abrate et al., 2012; Abrate y "dilució n de ingresos". "La forma
Viglia, 2016; Melis y Piga, 2017) y a la gestió n del transporte aé reo en que las empresas ajustan sus
(Malighettietal.,2009; Koenigsbergetal.,2008; Escobari, 2012; Willliams, precios de forma diná mica
2018). tambié n podría depender de las
Desde un punto de vista teó rico, Gallego y Van Ryzin (1994) sugieren características de su població n de
que es posible elegir un precio ó ptimo y maximizar los ingresos con dos clientes. Los compradores
restricciones: la duració n del horizonte temporal y la capacidad potenciales pueden mostrar
disponible. El tipo de discriminació n de precios que está relacionado con heterogeneidad en su valoració n
el horizonte temporal entre la fecha de reserva y la fecha de viaje -en la del servicio y en su grado de
jerga del sector, el "tiempo de espera"- se conoce como discriminació n paciencia, en funció n del coste de
intertemporal de precios (IPD). La mayoría de las investigaciones la espera (Su, 2007). En este
anteriores sobre la IPD examinan la gestió n de las aerolíneas sentido, la estrategia ó ptima
(Escobari,2012; Malighettietal.,2009; Williams,2018; Koenisberg, tambié n depende del
2006; Alderighi et al.,2016; Morlottiet al.,2017; Alderighietal.,2018). comportamiento estraté gico de
Se ha prestado menos atenció n al sector del alojamiento (Abrate y los clientes.
Viglia, 2016; Melis y Piga, 2017; Abrate et al., 2012; Abrate et al., Incluso las té cnicas de gestió n
2019; Mitra, 2020). de ingresos má s duras podrían
Los ajustes intertemporales de precios pueden revelarse mediante mejorar tanto la
3
La rentabilidad de la empresa y el
bienestar social (al asignar el
producto a los clientes que má s lo
valoran), hay varias razones para
una fijació n de precios má s
uniforme. Una de ellas es el
mencionado precio de referencia.
Las empresas que aplican
descuentos en los precios podrían
afectar permanentemente al
precio de referencia de sus clientes
(en Viglia et al., 2016). Los clientes
fieles podrían percibir las
fluctuaciones de precios como
injustas y desincentivar futuras
compras.
Otro efecto secundario de los
precios diná micos se refiere a la
capacidad de producir previsiones
fiables. Si la direcció n no es capaz
de estimar correctamente la
demanda, es má s conveniente
adoptar una fijació n de precios
uniforme (Melis y Piga, 2017).
Melis y Piga (2017) encuentran
pruebas de que el uso de los
precios diná micos está en realidad
menos extendido de lo que
normalmente sugiere la literatura.
Como informan Tso y Law
(2005), todavía se desconoce el
efecto cuantitativo real de las
estrategias de precios diná micos
sobre los ingresos, en
comparació n con los precios má s
uniformes. En contraste con la
literatura de las aerolíneas, los
estudios sobre la industria
hotelera se centran má s en el
mé todo de reserva que en la
variabilidad de los precios a lo
largo del tiempo (Abrate et al.,
2016). En un trabajo reciente,
Abrate et al. (2019) exploran el
efecto del IPD en la maximizació n
de los ingresos de los hoteles. Su
principal hallazgo es que una
mayor variabilidad de precios
conduce a mayores ingresos.
Segú n los autores, el efecto
positivo de la variació n de
precios, junto con una gestió n
adecuada del inventario,
compensaría el efecto negativo
de la percepció n de injusticia.
2.2. Precios dinámicos en los
mercados entre iguales
El té rmino "economía entre
iguales" tiene diversos
significados; podría resumirse
V. Leoni y W. Nilsson
como la actividad de compartir el
acceso a bienes o servicios, de
forma gratuita o a cambio de una
cuota, entre proveedores no
profesionales (iguales), a menudo
mediada a travé s de plataformas
online de dos caras.
La revolució n de las TIC ha
permitido el auge de estas
actividades, que han florecido
especialmente en el sector
turístico (Ert et al., 2016). La
plataforma peer-to-peer má s
popular en el segmento del
alojamiento es Airbnb, mientras
que Uber ha sido la pionera en el
segmento del transporte por
carretera.
Uno de los principales
factores que influyen en la
decisió n de comprar a un
proveedor no tradicional es la
ganancia econó mica obtenida por
la reducció n de costes; estos
servicios suelen ser má s baratos
que los canó nicos
esta opció n (Kimetal.,2015;
Hamarietal.,2016).
El precio es una ventaja
competitiva fundamental para la
economía colaborativa
(Tussyadiah y Pesonen, 2016;
Gibbsetal.,2018a,b), por lo que
las estrategias de precios son
parte integral de su é xito. A este
respecto, Uber y Airbnb han
adoptado enfoques diferentes.
Uber fija el precio de un viaje
mediante un mecanismo de
"aumento de precios": Cuantas
má s personas soliciten viajes en
una zona determinada (y
durante un tiempo concreto),
má s aumentará el precio y, a su
vez, se asegurará de que el
servicio se asigne al cliente que
má s lo valore. Por el contrario,
Airbnb ha desarrollado un
algoritmo muy sofisticado
llamado Smart Pricing; esta
herramienta sugiere el precio
ó ptimo (Hill,2015; Yeetal.,2018)
pero deja al anfitrió n la libertad
de decidir
si aceptar la recomendació n. La
herramienta Smart Pricing, tal y
como se explica en el sitio web
de Airbnb,1 ayudalos
anfitrionesaaumentarsusposibili
dadesde conseguir reservas;
mantiene los precios de cada
anuncio en línea con los de su
competitivo establece y ajusta las
tarifas en funció n del nivel de
demanda. El algoritmo de la
herramienta sugiere un rango de
precios (precio má ximo y
mínimo), teniendo en cuenta el
tiempo de espera, la popularidad
del mercado, la estacionalidad, la
popularidad de los anfitriones
(es decir, las opiniones), las
comodidades de los listados y la
reputació n online (calificació n de
los hué spedes).
En los mercados de dos caras,
la fijació n de precios es una
palanca crucial para ajustar
mejor la oferta y la demanda
(Yeetal.,2018). Sin embargo, a
pesar de la importancia que
Airbnb atribuye a sus políticas de
precios, sigue faltando un
análisis empírico del efecto real
de las estrategias de precios en la
rentabilidad de los anuncios.
Gibbsetal.(2018a,b) investigan la
adopció n de estrategias de
precios diná micos por parte de
los anfitriones de Airbnb y
comparan estos mé todos con las
estrategias de los hoteles
cercanos. Para comparar las
4
Revista Internacional de Gestión Hotelera 95 (2021) 102914
fluctuaciones de precios, mercado.
analizan el coeficiente de Por ú ltimo, Oskam et al.
variació n de los precios (2018) exploran el efecto de la
mensuales de Airbnb. Los fijació n diná mica de precios en el
resultados muestran una rendimiento de los ingresos. La
importante heterogeneidad entre fijació n diná mica de precios se
los anfitriones de Airbnb y una aproxima por el nú mero de
adopció n relativamente menor precios diferentes y la media de
de estrategias de precios cambios de precios positivos y
diná micos, en comparació n con negativos. Utilizando OLS
el hotel mú ltiples, muestran que los
segmento. anfitriones que ajustan sus
Kwock y Xie (2018) precios con mayor frecuencia
examinan el efecto de dos superan a los demá s tanto en
estrategias de precios diferentes té rminos de ingresos como de
en los ingresos de los anuncios tasas de ocupació n.
de Airbnb. La primera es el La mayoría de los estudios
"posicionamiento de precios", es mencionados miden los precios
decir, la diferencia entre el diná micos a travé s del coeficiente
precio fijado por un anfitrió n de variació n (Gibbsetal.,2018a,b;
específico y el precio medio Kwock y Xie, 2018; Oskam et al.,
fijado por sus competidores. La 2018) o la desviació n está ndar
segunda estrategia examina los del precio (Kwock y Xie, 2018).
precios diná micos, que se Estas medidas permiten conocer
reflejan en la desviació n la adopció n de precios no
está ndar de los precios de los uniformes por parte de los
anuncios en un mes agentes peer-to-peer, pero no
determinado. Sus resultados exploran las di- recciones de
favorecen la adopció n de ambas dichos cambios de precios. Se ha
estrategias, que, ceteris paribus, dado un paso hacia ello utilizando
generarían mayores ingresos. otras dos medidas: el recuento de
Ademá s, muestran un cambios de precios negativos y
rendimiento significativamente positivos, y la media de
mejor de los anfitriones con variaciones de precios positivas y
varios anuncios (anfitriones negativas (Oskam et al., 2018).
que gestionan má s de una Sin embargo, incluir estas
propiedad) en comparació n variables en un modelo de
con los anfitriones con un solo regresió n y hacer una
anuncio. interpretació n ceteris paribus, se
Magno et al. (2018) aleja del objetivo de analizar los
investigan el precio de los precios diná micos en forma de
anuncios de Airbnb en Verona IPD. En general, una variació n
(Italia); encuentran pruebas de media de precios positiva elevada
que los anfitriones está n irá seguida de una variació n
adquiriendo competencias de media de precios negativa
gestió n de ingresos ajustando los elevada, a menos que el precio se
precios de forma diná mica, en modifique debido a un ajuste
funció n de las condiciones del
(Guttentag,2015). Ademá s, las personas que participan en el
intercambio
La economía suele declarar la 1
Página web de Airbnb:
sostenibilidad y el disfrute de la https://blog.atairbnb.com/smart-
actividad en sí -es decir, tener pricing/. Consultado el 6 de octubre
experiencias má s auté nticas- como de 2020
razones para elegir
en la situació n del mercado a refirié ndose a la variació n del
largo plazo. Cuando estas precio a lo largo del tiempo para
variables, al igual que los ingresos, diferentes fechas, en lugar de la
se miden a lo largo de un periodo variació n del precio a lo largo del
prolongado, es difícil mantener el tiempo para la misma fecha.
supuesto de exogeneidad; por
ejemplo, unos ingresos bajos 2.3. Efectos heterogéneos del
podrían dar lugar a cambios tratamiento
medios de precios negativos
mayores. En consecuencia, Uno de los objetivos de este
aunque estas variables incluyen el trabajo es medir en qué medida la
signo del cambio, el aná lisis sigue aplicació n de los precios
V. Leoni y W. Nilsson
diná micos afecta a los ingresos de
los anuncios. La relació n causal
entre el precio y los ingresos se
estudia en el marco de los
resultados potenciales, conocido
generalmente como el modelo
causal de Rubin (Shek- hon,
2008). Un efecto causal se define
como la diferencia entre dos
resultados potenciales, pero en la
prá ctica só lo se observa uno de
los dos resultados. Este tipo de
modelo se utiliza en diferentes
disciplinas, como la investigació n
biomé dica (por ejemplo, para
comprobar el efecto de un
medicamento en los pacientes) o
la evaluació n de políticas (para
valorar el efecto de una política).
El efecto medio del tratamiento
(ATE) mide el efecto esperado del
tratamiento, expresado por una
variable explicativa binaria, para
una unidad elegida al azar en la
població n. Cuando el tratamiento
tiene un intervalo continuo, como
en el presente estudio, se habla
de efecto medio parcial.
En los ú ltimos añ os, hemos
explorado la heterogeneidad
de
efectos del tratamiento (HTE) con
creciente interé s. Cualquier
tratamiento -por ejemplo, una
fluctuació n de precios- puede
afectar a los sujetos de diferentes
maneras. Estudiar los HTE
implica examinar las diferencias
entre los sujetos para revelar las
condiciones en las que los
tratamientos son especialmente
eficaces (o ineficaces). Como
sugiere Lechner (2019), es
valioso descubrir la
heterogeneidad subyacente al
"nivel má s fino posible de
granularidad"; esto permite
comprender mejor los
mecanismos causales en
funcionamiento. Tambié n arroja
luz sobre los aspectos
distributivos de un tratamiento al
identificar, por ejemplo, los
grupos que ganan y los que
pierden. El aná lisis de la HTE
puede ayudar a diseñ ar y aplicar
políticas para maximizar su
eficacia.
Las metodologías utilizadas
para estimar la HTE varían en la
literatura. Los enfoques no
paramé tricos clá sicos incluyen el
emparejamiento del vecino má s
cercano y los mé todos de nú cleo
(Crump et al.,2008; Xieetal.,2012;
Verhofstadt yMaertens,2014; y
Chenetal.,2019, entre otros).
Recientemente, se han producido
rá pidos avances en el desarrollo
de té cnicas de aprendizaje
automá tico causal para estudiar
los efectos del tratamiento tanto
en estudios experimentales como
observacionales. Varios trabajos
(Green y Kern, 2012; Athey
eImbens,2016; Wendling et
al.,2018; AtheyyWager,2019;
DaoudyJohansson,2019;
Farbmacheretal.,2019;
Lechner,2019) adoptan mé todos
basados en á rboles para estimar
HTE, a partir del algoritmo de
bosque aleatorio de Breiman
(Breiman,2001). Athey et al.
(2019) introdujeron el bosque
aleatorio generalizado, que
permite un tratamiento
determinado endó genamente
siempre que se disponga de una
variable instrumental. Su modelo
es, por tanto, especialmente
adecuado para su uso en esta
aplicació n. En la secció n 4 se
dará n má s detalles.
El aprendizaje automá tico
causal podría ser una
alternativa a la regresió n
clá sica.
para el estudio de efectos causales
heterogé neos. A diferencia de la
regresió n lineal, que puede perder
poder estadístico cuando se
añ aden muchas interacciones, los
bosques causales pueden detectar
la heterogeneidad del efecto del
tratamiento basada en covariables
de alta dimensió n. Ademá s, estos
modelos permiten una mayor
flexibilidad a la hora de
incorporar té rminos no lineales y
de interacció n de forma
automatizada (Strittmatter,2018).
Por ú ltimo, al adoptar los bosques
causales, limitamos los
comportamientos de cherry-
picking porque aprendemos sobre
los moderadores deductivamente
a partir de los datos, en lugar de
inductivamente, añ adiendo in-
teracciones. Las bú squedas ad hoc
de subgrupos particularmente
receptivos podrían confundir el
ruido con un verdadero efecto del
tratamiento (DavisyHeller,2017).
5
Revista Internacional de Gestión Hotelera 95 (2021) 102914
3. Datos
3.1. Muestra
El conjunto de datos utilizado
en este estudio ha sido facilitado
por Airdna. 2 Consiste en
informació n diaria de los
anuncios publicados en la
plataforma de Airbnb, para Ibiza
(Islas Baleares, Españ a), durante
la temporada de verano de 2016.
En este aná lisis, consideramos
ú nicamente los anuncios con al
menos una reserva activa para el
mes analizado y otra reserva
activa para el mes anterior.
Nuestra muestra contiene 2.599
anuncios para el mes de julio y
3.049 para el mes de agosto.
3.2. Definición y medición de los
precios dinámicos (W i)
Una de las principales
preocupaciones en las
estrategias de precios diná micos
es fijar el precio correcto en el
momento adecuado. A pesar de
ello, la mayoría de las medidas
utilizadas actualmente para la
fijació n de precios diná micos se
centran en la variació n de los
precios o en los cambios de
precios para diferentes fechas.
Utilizar estas medidas para
evaluar si la fijació n diná mica de
precios afecta a los ingresos
puede ser engañ oso; observar
una variació n ab- soluta no
revela la calidad de los cambios.
Lo ideal sería observar el
historial completo del precio de
un anuncio concreto hasta la
fecha de la reserva (o hasta que
haya pasado la fecha sin que se
haya producido ninguna
reserva). Sin embargo, la
obtenció n de estos datos es muy
exigente, por lo que proponemos
una alternativa que requiere
mucha menos informació n.
Nuestra idea es comparar el
precio de fechas de llegada
similares que se reservaron con
diferentes plazos de entrega. La
primera fecha reservada (la
primera fecha del calendario que
se reserva) implica que el precio
en ese momento está fijado. Por
el contrario, las demá s fechas
siguen estando disponibles y, por
tanto, abiertas a ajustes de
precio. Cuando se reserva la
segunda fecha (o cuando se
alcanza la fecha de entrada sin
ninguna reserva), se registra otro
precio. Entonces es fá cil
comparar los dos precios y
evaluar si el anfitrió n ha
aumentado o disminuido el
precio a medida que se acerca la
fecha de consumo. Nuestra
medida de los precios diná micos
se basa en una diferencia de
precios logarítmicos -o, lo que es
lo mismo, el logaritmo de una
relació n de precios-. Esta es
nuestra variable de tratamiento,
que etiquetamos como variable
de aumento de precios, porque los
valores positivos
corresponden a un aumento del
precio a medida que la fecha de
consumo del servicio
enfoques. Por el contrario, se
encuentran valores negativos de
la variable si el precio disminuyó .
Para facilitar la comprensió n de
có mo se construye la variable de
subida de precios (es decir, el
tratamiento, Wi ), el cuadro1
incluye un calendario para una
propiedad elegida al azar durante
el mes de agosto de 2016.
El cuadro 1 indica el nú mero
de identificació n del inmueble
(columna 1), la fecha de cal-
endar (columna 2), el estado
(columna 3), el precio (columna
4), la fecha de reserva (columna
5) y el nú mero de referencia de la
reserva (columna 6).
La variable status (Columna 3)
asume el valor "R" si esa fecha ha
sido reservada (reservado), "B" si
el anfitrió n la ha bloqueado
deliberadamente para evitar
reservas involuntarias, y "A" si
esa fecha no ha sido reservada (es
decir, disponible). Las variables
bookeddate (columna 5) y
reservationid (columna 6)
registran un valor ausente si el
estado es "bloqueado" o
"disponible". ”
Generamos la variable lead
que corresponde al lapso de
tiempo (en días) entre la fecha de
consumo del servicio y la fecha de
la reserva (es decir, el lead time).
Para cada referencia de reserva
(bookingid), creamos una
variable, average_price (columna
8), que es el precio medio de esa
reserva específica.
Para definir una medida de
precios diná micos, consideramos
dos tipos de variaciones de
precios: (i) la diferencia de precio
entre dos reservas activas y (ii) la
diferencia entre las reservas
activas y las fechas "no
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914
reservadas". En el primer caso, diferencia de precios y en el
evaluamos la direcció n del adelanto de la compra. En el
precio (que aumenta o segundo caso, es evidente que no
disminuye a medida que se tenemos el adelanto de compra
reduce el tiempo de espera). de una fecha no reservada, pero
Para ello, nos fijamos en la esperamos que el

https:/
/www.
airdna.
co/pric
ing.

6
 Tabla 1
Ejemplo.
propertyid fech estad pricea bookeddate reservationid precio_medio
(1) a o (3) (4) (5) (6) (7)
(2)
1999468
1999468 01/09/2016
02/09/2016 A
R 266
297 10/08/2016 65214712 303
1999468 03/09/2016 R 297 10/08/2016 65214712 303
1999468 04/09/2016 R 297 10/08/2016 65214712 303
1999468 05/09/2016 R 308 10/08/2016 65214712 303
1999468 06/09/2016 R 308 10/08/2016 65214712 303
1999468 07/09/2016 R 308 10/08/2016 65214712 303
1999468 08/09/2016 R 308 10/08/2016 65214712 303
1999468 09/09/2016 R 292 25/08/2016 65214714 292
1999468 10/09/2016 R 292 25/08/2016 65214714 292
1999468 11/09/2016 R 292 25/08/2016 65214714 292
1999468 12/09/2016 R 292 25/08/2016 65214714 292
1999468 13/09/2016 A 289
1999468 14/09/2016 R 288 01/08/2016 65214717 305
1999468 15/09/2016 R 311 01/08/2016 65214717 305
1999468 16/09/2016 R 311 01/08/2016 65214717 305
1999468 17/09/2016 R 311 01/08/2016 65214717 305
1999468 18/09/2016 A 312
1999468 19/09/2016 A 358
1999468 20/09/2016 A 358
1999468 21/09/2016 R 363 25/06/2016 65214720 363
1999468 22/09/2016 R 363 25/06/2016 65214720 363
1999468 23/09/2016 R 363 25/06/2016 65214720 363
1999468 24/09/2016 R 363 25/06/2016 65214720 363
1999468 25/09/2016 A 173
1999468 26/09/2016 A 173
1999468 27/09/2016 A 173
1999468 28/09/2016 A 173
1999468 29/09/2016 A 173
1999468 30/09/2016 R 230 22/09/2016 65214722 230
a
Los precios (columnas 4 y 7) está n expresados en USD.

El precio del día no reservado es el ú ltimo precio que el anfitrió n fijó para
conseguir una reserva. En este sentido, consideramos que el precio de
3
una fecha no reservada es posterior al precio de una fecha reservada.
Creamos Δaijk (i = 1, ...,I, donde i se refiere al propertyid; j = 1,..., J,
= donde k se refiere al nú mero de
donde j se refiere al mes; k 1,...,K,
reservas realizadas por el listado i en el periodo j), que corresponde al
diferencia entre el precio medio de los días no reservados4 (transformado
en logaritmo natural) y el mencionado precio_medio (trans-
formado en logaritmo natural). Δ aij corresponde a la media de Δa ijkpor
propertyid y para un mes concreto. Estas variables asumen un valor
positivo si el anfitrió n aumenta el precio de los días aú n no
reservados, y un valor negativo si el anfitrió n establece un descuento
en el precio.
Ademá s, consideramos la diferencia de precio entre dos reservas
(en orden cronoló gico segú n la fecha de reserva). La variable Δr ijk
corresponde a la diferencia entre el precio_medio de los dos
reservas5 (ambastransformadasenlogaritmonatural).Ladiferencia de
precios
Las reservas que registramos se limitan a las que tienen una fecha de
consumo del 15
días o menos, excluyendo las fiestas locales. Siguiendo el ejemplo de
la Tabla1, comparamos el precio_medio6 de la reserva #65214714 y la
anterior (#65214712). Como podemos ver, la primera reserva tiene
un precio medio
(303 $), que es superior a la segunda reserva (293 $). Como la
primera reserva (#65214712) ha sido reservada con un anticipo
mayor, la variable Δrijk asumirá por tanto un valor negativo. Por lo
tanto, concluimos que el anfitrió n está disminuyendo el precio a
medida que nos acercamos a la fecha de entrada. De nuevo, si
comparamos la referencia de reserva posterior #65214717 con la
anterior, #65214714, podemos ver que el anfitrió n está
sigue disminuyendo el precio, a medida que se acerca la fecha de entrada,
y a- tienta estimulando la demanda mediante descuentos en el precio. 7
Para tener un valor no ausente para Δaijk , necesitamos al menos un
día no reservado en ese mes específico, mientras que para Δr
ijkrequerimos al menos dos reservas activas. Δ r ijcorresponde a la media
de Δr ijk, por propertyid y para un mes específico. La ú ltima variable
utilizada en el modelo economé trico es la media de Δ a ijy Δ r ij, en
adelante denominada tratamiento W ij. El tratamiento es, por tanto, la
media de estas dos medidas (Δ a ijy Δ r ij) si ambas está n disponibles. Si un
anuncio no tiene dos reservas activas durante el mes específico,
utilizamos Δ a ijcomo medida final. Si no quedan días disponibles
(totalmente reservados), ijno se puede calcular Δ a y, por tanto, ijse utiliza
Δ r en su lugar. Promediar estas dos variables (Δ a ijy Δ r ij) significa que
para cada anuncio, el tratamiento
asumen
miento en ununú nico valordemensual.
conjunto Así, el modelo final se implementará
datos transversales.
En la Fig.1, mostramos la distribució n de la W para los meses de junio,
Julio y agosto de 2016. ij
Durante los tres periodos, cerca del 60% de los anuncios persiguieron
una disminució n de precios y cerca del 6% optaron por una fijació n de
8
precios má s uniforme. Elresto
Los listados muestran un aumento de precios para las reservas má s
cercanas a la fecha de consumo del servicio. Sin embargo, la magnitud de
esta variació n de precios es menor que la registrada en las bajadas de
precios.
La Fig.2 muestra la relació n entre Wij y el plazo de entrega, utilizando
la funció n polinó mica local9. El grá fico muestra una tendencia a la
variació n positiva de los precios para los hosts que registran plazos de
entrega medios má s elevados.

3
A menos que la fecha reservada se haya reservado con un tiempo de espera
cero (reservada en la misma fecha de consumo del servicio), pero no tenemos 7
Obsérvese que el #65214720 (entrada: 21-09-16/ salida: 24-09/16) ha sido
esos casos en nuestro conjunto de datos. reservado con má s antelació n (25-06-2016); para calcular el signo de la
4
Estado=A; en este caso, el precio medio de los días no reservados es de variació n del precio, consideramos la BOOKEDDATE (no la fecha del
244,8USD. calendario).
5
Comparamos las reservas del mismo inmueble y durante el mismo mes 8
Consideramos que la fijació n de precios es uniforme cuando el valor de la
6
Los precios se expresan en dó lares estadounidenses. subida de precios está entre
+
-0,001 y 0,001.
9
Es una representació n gráfica de los valores suavizados derivados de una
regresió n polinó mica local ponderada por el nú cleo.
totalmente reservados para el vuelo o la fecha específica. Por el contrario,
un anfitrió n de Airbnb dejará de variar el precio para una fecha específica
una vez reservada, a menos que la reserva se cancele posteriormente. Por
lo tanto, esta diferencia en los datos es bastante natural; no obstante, la
obtenció n de la trayectoria de los precios permitiría un aná lisis má s
detallado de las variaciones intertemporales de los precios.
Otra posible limitació n es que nuestra medida podría pasar por alto

Fig. 1. Sobrecarga de precios (W i).

Fig. 2. Aumento del precio (Wi ) sobre el plazo de entrega

(polinomio local).

En este estudio, consideramos la variació n de los precios en funció n

de la antelació n de la reserva, es decir, la distancia (en días) entre la fecha
de reserva y la fecha de consumo. Nuestra variable de tratamiento mide
la magnitud de la variació n de precios, así como su signo. Esto permite
captar có mo los anfitriones de Airbnb cambian el precio a medida que
nos acercamos a la fecha concreta.
Nuestra medida no está exenta de limitaciones, ya que el precio para
cada fecha cal- endar corresponde al ú ltimo precio disponible en la
plataforma. La variable de precio en nuestro conjunto de datos de panel
es el precio al que se reservó una fecha específica o el ú ltimo precio
intentado de una habitació n no reservada. La mayor parte de la literatura
sobre aerolíneas prescinde de utilizar má s datos sobre la trayectoria de
los precios para fechas concretas (por ejemplo, con 30, 20, 10, 5 y 1 día
de antelació n). Este enfoque permite una comprensió n má s amplia de la
variació n de precios a lo largo del tiempo, en comparació n con nuestros
datos restringidos, que podrían pasar por alto los cambios de precios
intermedios. Es importante tener en cuenta que las aerolíneas y los
hoteles pueden seguir realizando cambios de precios hasta que esté n
fechas que sean lo má s parecidas posible. Esta es la razó n por la que se
utilizan reservas consecutivas para el mismo mes, cuando el efecto de la
temporada debería ser bastante pequeñ o. Ademá s, excluimos los días
festivos y las reservas separadas por má s de 15 días. De este modo, la
variació n de precios debida al tiempo transcurrido entre la fecha de la
reserva y el consumo del servicio está má s directamente orientada.
A pesar de estas limitaciones, ambas relacionadas con la ausencia de
trayectorias de precios, nuestro aná lisis pretende superar los
principales problemas de las medidas adoptadas hasta ahora en la
literatura sobre los pares. Dichas limitaciones se discutieron al final de
la subsecció n 2.2. Obsé rvese que el mé todo que se introducirá en la
secció n 4 tambié n es aplicable a situaciones con trayectorias de precios.
La diferencia clave radica en la construcció n de la variable de aumento
de precios, que ofrece vías para futuras investigaciones sobre precios
diná micos en mercados tradicionales.
3.3. Variables
Tras hablar del tratamiento, presentamos nuestra variable
dependiente, los ingresos de los listados, y el conjunto de variables de
control que se utilizará n en nuestro modelo economé trico.
El resultado Yi son los ingresos (logarítmicos) de los listados (valor
nominal, expresado en USD) durante un mes concreto. En la Fig. 3,
estacionalidad o días caracterizados por una fuerte demanda (eventos locales). En
En estos casos, podríamos ver saltos de precios independientes del
tiempo de espera. En esencia, para superar este posible problema,
nuestra idea es acercarnos lo má s posible a la comparació n de la
variació n intertemporal de los precios en la misma fecha, ya que la
trayectoria de los precios está ausente. En consecuencia, es importante
utilizar
mostramos la distribució n de los ingresos para los meses de julio y
agosto de 2016.
En el cuadro 2, mostramos las estadísticas descriptivas de las
variables. El primer subgrupo contiene características invariables en el
tiempo, mientras que el segundo subgrupo contiene variables específicas
para cada mes.
El primer grupo contiene variables relacionadas con el tamañ o de la
vivienda, como el nú mero de dormitorios (bedrooms), bañ os (bathrooms),
el nú mero má ximo de hué spedes permitidos (maxguest), y una dummy
para el tipo de vivienda listada (entire_property), donde la categoría
excluida es room (es decir el anfitrió n alquila una habitació n privada o
compartida en lugar de toda la vivienda); variables que definen la
ubicació n, como la distancia a la playa má s cercana (distance_beach), la
distancia a la discoteca má s cercana (dis- tance_disco), un conjunto de
variables ficticias para el municipio (Sant Antoni de Portmany, San Joan
de Labritja, San Josep de sa Talaia, Santa Eula`ria des Riu), con Eivissa
como categoría excluida; e informació n sobre el capital de reputació n
online de la propiedad, como el nú mero de re
opiniones dejadas por hué spedes anteriores (número de opiniones) y un
conjunto de variables ficticias para la calificació n de la puntuació n
(high_rated, medium_rate, never_rated),
10
Fig. 3. Distribuciones de los ingresos logarítmicos de los listados: Julio y
agosto de 2016.15
10
Este conjunto de variables ficticias se origina a partir de una variable continua
(over- allrating) que contiene el índice de puntuació n (de 0 a 5) dejado por los
huéspedes anteriores. low_rate es igual a uno si overallrating está en el rango [0, 4);
medium_rate para el rango [4, 4,5) y high_rate para el rango [4,5, 5]. Los listados sin
puntuació n disponible se clasifican como "never_rated".

Cuadro 2 Cuadro 2 (continuación)

Estadísticas descriptivas.
nombre de media/ sdminmax
nombre de la media/ sd min max la variable significado proporció n
variable significado proporció n

Invariante temporal puntuació n

número de 11.259 14.451 0 173 [4,5;5]
revisiónnúmero de (Variable
comentarios ficticia)
dormitoriosnúmero de instantbookingbookings 85.19730.2240100
dormitori aceptados al
2.1361.504010
os instante
bañosnúmero de bañ os (Dummy
maxguestsnú mero máximo variable)
de invitados 1.8381.22808
429.416598.971011749
permitidos
tasa de respuesta a las solicitudes
de los clientes
depósito de seguridadimporte
del
depó sito
requerido
distancia_discodistancia
(en km) al
club má s
cercano
distancia_playadistancia
(en km) a la
playa má s
cercana
casa/apartamento entero
(variable
ficticia)
cancelpolicy_modmoderate
política de
cancelació n
(variable
ficticia)
cancelarpolitica_estricta 5.0563.053116
política de 4.8324.8410.01016.250
cancelació n
(variable
ficticia)
 never_ratedlistings sin calificació n de 0.166–01
puntuació n (variable
0.2990.0340.1990.357
ficticia)
1.6741.8260.0169.321 ln_pricen logaritmo natural del
precio fijado por noche
(por defecto)
0.752–01 OR_JuneTasa de ocupación en junio
OR_JulyTasa de ocupación en julio 5.2250.8652.4857.948 0.6220.39301
OR_June_locala índice de ocupació n
medio en junio
0.089–01 en la misma zona
OR_Julio_promedio de ocupació n en julio
en la misma zona
perc30_junioporcentaje de días de
0.5210.2720.0331 0.6950.34901
0.781–01 junio, reservados con
al menos 30 días de
antelació n
perc30_julioporcentaje de días de 0.6570.2590.0321
0.854–01 julio reservados con al
menos 30 días de
antelació n 100.44850.5060181
leadtimen_julioTiempo medio de
entrega en julio 0.1950.0260.1400.239
leadtimen_Augustaverage lead
tiempo en agosto 101.53656.1070212

munic3listing situado en
0.086–01 donde la categoría excluida es low_rate. Ademá s, incluimos informació n
Sant Antony
de Portmany sobre la profesionalidad del anfitrió n: el nú mero de listados gestionados
(Dummy por cada anfitrió n (multiple_host), la tasa de respuesta del anfitrió n a los
hué spedes
consultas (responserate), aceptació n de reservas instantá neas
(instant_booking),
munic4 (variable
ficticia) listado 0.057–01 la longevidad de la cuenta (longevidad) y la política de cancelació n
ubicado en (cxl_mod; cxl_strict). Para estas ú ltimas variables, una política de
Sant Joan de sa
cancelació n flexible es la categoría excluida. Por ú ltimo, incluimos dos
Labritja
munic5 (variable
proxies de la calidad de la propiedad: el importe del depó sito exigido en
ficticia) listado 0.279–01 el momento de la reserva (secur- itydeposit) y el primer precio fijado por
ubicado en Sat el anfitrió n al entrar en el mercado (lnpublishednightlyrate).
Josep de sa El segundo grupo de variables de control consiste en informació n
Talaia (variable
sobre el rendimiento del anuncio, como el índice de ocupació n (OR_junio;
munic6 ficticia) listado
ubicado en 0.217–01
OR_julio), el rendimiento local medio de los anuncios vecinos
Santa Eularia (OR_junio_local; OR_julio_local), el tiempo medio de espera, es decir el
des Riu nú mero medio de días entre la fecha de reserva y el consumo del servicio
(variable
(leadtime_julio; leadtime_agosto), y el porcentaje de días de un mes
longevid ficticia)
ad nú mero de 14.751 13.909 0 73.833 concreto que se reservaron con una antelació n de al menos 30 días
meses desde la (perc30_junio; perc30_julio). perc30_junio y perc30_julio permiten conocer
creació n de la el ritmo de las reservas.
cuenta
casa/apartamento múltiple 0.687 -– 0 1
4. Metodología
(Dummy
El
W resultado
es un Y es el logaritmo de los ingresos; la variable de tratamiento
variable) i i
calificació n_media [4;4,5) 0.205–01 medida continua de precios diná micos, es decir, la variable de aumento
(Dummy
de precios; y Xi es un conjunto de covariables. W ise explica en detalle en
el apartado anterior
secció n, pero es importante tener en cuenta que los valores má s altos
corresponden
variable)
tasa_alta 0.552–01 para aumentar el precio a medida que se acerca la fecha. La variable
tambié n puede tomar valores negativos si el precio, en cambio, ha
disminuido. Los datos son

representados por Yi , Wi , X i, para i1 ,..., n, que son casos podría compensar el menor
()
distribuidos de forma independiente e idéntica. El objetivo es estimar precio y, en consecuencia, implican un aumento de los ingresos. Para el
= permitiendo al mismo tiempo la
có mo iafecta W al resultado, aná lisis empírico utilizamos bosques aleatorios generalizados
heterogeneidad de dicho efecto; de ahí que τix se exprese con un ( ) 11
(Atheyetal.,2019). Nuestra revisió n del mé todo incluye las ideas
indicador de que depende de X. Esta es una característica importante clave. Para los detalles técnicos
del modelo porque no es posible, de antemano, descartar los efectos remitir al lector a Atheyetal.(2019).
positivos o negativos de la variable. Por ejemplo, los anfitriones que Considera el modelo:
esperan poder alquilar todos los días podrían aumentar el precio para
Yi = μ(X i) + τ i(x)W i+ ε i
(posiblemente) aumentar los ingresos. Por supuesto, aumentar el
precio conlleva un mayor riesgo de que la tasa de ocupació n sea Suponemos inicialmente desconfianza o exogeneidad (Y i(t)⊥W |X ii) lo
menor. Otro anfitrió n, que no espera poder alquilar todos los días, que implica que la magnitud (y el signo) del tratamiento es aleatorio
podría decidir bajar el precio para aumentar la tasa de ocupació n. Esto cuando se condiciona a todas las covariables observadas. Es importante
subrayar que esta hipó tesis excluye las variables de confusió n adicionales
no medidas. El anuncio se alquila. Esto equivale a afirmar que el signo y la magnitud
iables que está n relacionadas con los resultados potenciales (Y ) y el (t ) de la subida de precios está n fuera del control del anfitrió n. EX ante, el
i
grado del tratamiento t. anfitrió n no sabe a qué nivel de precios se reservará esa fecha concreta. Si
Athey et al. (2019) consideran el bosque aleatorio como un los factores no observados estuvieran relacionados tanto con W como con
los ingresos, podríamos enfrentarnos a un problema de endogeneidad.
método de kernel adaptativo, ( )en el que los pesos, a ix , capturan la
frecuencia de ocasiones en las que la observació n i se encuentra en la Los anfitriones hacen una previsió n sobre su probabilidad de alquilar en
misma hoja que el punto de prueba x, cuando se cultivan á rboles B. El todos (o en la mayoría) de los días; si consideran que esa probabilidad es
efecto del tratamiento se estima segú n alta, pueden aumentar el precio en un intento de aumentar los ingresos.
Otros anfitriones, que consideran que dicha probabilidad es baja, podrían
reducir su precio para aumentar la tasa de ocupació n y (con suerte)
aumentar los ingresos. La primera "solució n" para superar el problema
de la endogeneidad es asegurarse de que el conjunto de variables de
control, X, es suficientemente completo y cumple el supuesto de no
confusión. Si esperamos que los anfitriones basen sus decisiones en su
tasa de ocupació n del mes anterior, podríamos suponer que dicha
variable es una variable de control natural. Por este motivo, tambié n
incluimos en X ivariables relacionadas con el rendimiento individual
pasado (rendimiento del mes anterior).
Otra medida de rendimiento clave es la rapidez de las reservas, en
general, se hacen. Por ejemplo, a finales de junio, un anfitrió n sabe con
qué antelació n se hicieron las reservas para ese mes concreto. Esta
informació n podría utilizarse para fijar el precio de julio. Formalizamos
esta idea teniendo en cuenta el porcentaje de reservas realizadas con al
menos 30 días de antelació n para el mes anterior al del resultado. La
tarifa nocturna publicada (publishednighlyrate) que el anfitrió n introdujo
por primera vez al entrar en la plataforma, puede considerarse un
indicador subjetivo de la calidad. Al fijar el precio, el anfitrió n tuvo en
cuenta los factores relacionados con la ubicació n, o las características
específicas del anuncio que podrían ser parcialmente inobservadas por
un analista (factores inobservados).
A pesar de una cuidadosa revisió n de las variables a incluir en X,
sospechamos que
todavía puede haber lugar para un problema de endogeneidad. La segunda
solució n
(̂ -i) (—i)
τ x∑n ai (x)(Yi - m (Xi ))(W i- ̂e (X i )) que proponemos es el uso de variables instrumentales. En este sentido
i=1

i=1 i i
ε, condicionado a X. Esto nos permite relajar el supuesto de incon-
∑n i
2
,
(—i)
a (x)(W - ê (X ))
̂( ) = requieren una variable Z que esté relacionada con el tratamiento pero que
sea independiente de
y se utilizan resultados centrados condicionalmente. El bosque aleatorio o fundamentos. Tras este ajuste, los datos relevantes consisten en (Y i, W i,
cualquier Xi , Zi ) y el efecto del tratamiento se identifica segú n
Tambié n se puede utilizar otro procedimiento en el que las variables X se
utilizan para
obtener valores ajustados para Y y (—i) (X i) y ̂ e (—
i) (Xi ) son leave-one-
W. m̂ out Cov(Y i, Z iX i= x)
̂τIV x) =
(
Es decir, la observació n i no se utiliza para estimar la funció n de no siempre se cumple. Considere, por ejemplo, que los factores no
regresió n para sí misma. El centrado condicional de los resultados observados relacionados con el tratamiento tambié n afectan al resultado.
implica que los efectos de las covariables se regresan a partir de todos los En tal situació n, ε se correlacionaría con W. Como resultado, sería
resultados; es decir, es un residuo que se utiliza finalmente para hacer necesario utilizar un mé todo alternativo para identificar de forma
crecer el bosque causal. En nuestra aplicació n, la variable leadtime se consistente el efecto del tratamiento. En nuestro caso, el tratamiento no se
excluye de X cuando se realiza el centrado condicional, mientras que asigna aleatoriamente: La preocupació n es que la variable de aumento de
se incluye para detectar la posible heterogeneidad. La razó n de esta precios está impulsada por la decisió n del anfitrió n, aunque se filtre a
elecció n es que el nú mero medio de días entre la fecha de reserva y el travé s del proceso de mercado. Los anfitriones eligen su propia política de
consumo del servicio es, al menos en parte, una consecuencia de la precios; sin embargo, la diferencia de precios depende de cuá ndo, y a qué
fijació n de precios diná mica. Los descuentos en los precios pueden, por precio, el
ejemplo, reducir el plazo medio de entrega.

Con respecto a la regla de divisió n en el crecimiento de los á rboles, en 11

Realizado con el paquete R grf, versió n 0.10.4 (Tibshiranietal.,2019).
grf elegimos con avidez la variable y dó nde hacer la divisió n. Esto
maximiza la heterogeneidad del efecto del tratamiento al dividir los
datos. Causal forest utiliza un mé todo de remuestreo etiquetado como
honesto. La opció n por defecto es dividir los datos en dos partes: Las
observaciones de la primera mitad se utilizan para hacer crecer el á rbol,
mientras que las de la segunda parte se utilizan para calcular las es-
taciones dentro de las hojas (Athey et al., 2018). Así, este procedimiento
no permite ningú n "desperdicio", porque cada punto de datos se utiliza,
de hecho, en ambos papeles.
El supuesto de ausencia de factores de confusión es importante, pero
 Cov(W i, Z iX i= x)
donde el procedimiento de centrado tambié n incluye a Z. Utilizamos el
aumento de precio
del mes anterior como variable instrumental.
Al interpretar τ(x) (o τIV (x)) -es decir, el efecto del tratamiento,
Wi , sobre el resultado final- debemos recordar que el tratamiento es
esencialmente la diferencia entre dos logaritmos de precios, (Wi = lnP
- lnP2 ), que corresponde al logaritmo del ratio, Wi = ln . En este
P1
1 P
condicionada a un conjunto de covariables (Xi . Evidentemente, el
modelo también puede utilizarse para evaluar el efecto de una
reducció n de la variable de subida de precios. La secció n de
resultados incluye estimaciones de ambas especificaciones.
5. Resultados
Una cuestió n clave para el aná lisis empírico es elegir un modelo que
permita la heterogeneidad en el efecto de la tarificació n diná mica. Este es

modelo logarítmico, un aumento del ratio de precios producirá un efecto un punto muy importante porque la misma política
2 puede no ajustarse a
(positivo o negativo) en el logaritmo de los ingresos, mantenié ndose todos los anfitriones del mercado. A pesar de ello, comenzamos el aná lisis
constantes las demá s variables. Un aumento del ratio de precios del empírico estimando una regresió n lineal (OLS) y una regresió n de
()
( )𝜔ln( ) variable instrumental, de la que obtenemos un efecto parcial medio. La
1% multiplicará Y ipor eτ x 1,01
. τ x es el coeficiente de
el efecto del tratamiento en el modelo correspondiente, en el que se variable instrumental que utilizamos es la misma medida de precios
permiten diferencias a travé s de las diferencias en las variables de diná micos pero calculada a partir del mes anterior. Como se discute en la
secció n de Metodología, la existencia de factores que afectan tanto al
control. Así, el efecto del tratamiento medido es la diferencia en los )
resultado como al tratamiento, llevaría a
ingresos (Yi por un aumento de la variable de subida de precios Wi ), (
)
de endogeneidad. En la Tabla3, mostramos el resultado de la regresió n de
la variable instrumental. Podemos ver que, controlando todos los demá s entireproperty0.364***[9.63]0.404***[10.50]
factores, el efecto de un aumento de W i(el tratamiento) en una unidad
disminuiría los ingresos finales; esto es cierto tanto para julio (-0,9761) cancelpolicymod0.108**[1.98]0.040[0.72]
como para agosto (-0,7133), siendo el efecto ligeramente mayor para
julio. Esto equivale a decir que, ceteris paribus, un aumento del 10 % en cancelpolicystrict0.085**[2.09]0.094**[2.23]
la relació n de precios produciría una disminució n de los ingresos del 8,88 instantbooking0.020[0.58 ] -0.029[-
% en julio y del 6,57 % en 0.86]
Agosto. Señ alamos que se habría producido un efecto má s dé bil del munic3-0.088[-1.44 ] -0.108*[-
1.91]
tratamiento sobre los ingresos si se hubiera pasado por alto el problema
munic4-0.133**[-2.05 ] -0.141**[-
de la endogeneidad. 12 ElcoeficientedeW ien el modelo OLS simple habría 2.04]
sido munic5-0.004[-0.11 ] -0.021[-
-0,5463 para julio y -0,3769 para agosto. 0.55]
Resumir el efecto de la tarificació n diná mica con un ú nico coeficiente munic6-0.054[-1.39 ] -0.108***[-
2.81]
para todas las observaciones podría ocultar resultados relevantes. De
longevity-0.009***[-7.84 ] -0.09***[-
hecho, encontramos una fuerte heterogeneidad en los efectos del 8.12]
tratamiento: los anfitriones podrían enfrentarse a efectos que está n lejos Or t-1
0.465***[9.21]0.580***[9.73]
de lo que indica el efecto medio. Por este motivo, ampliamos nuestro
O t-1local0
análisis estimando el bosque causal, como se explica en la secció n ,860[1,35]0,306[0,63]
anterior, tanto con como sin utilizar una variable instrumental, es decir,
la variable de precios diná micos rezagada del mes anterior. Nuestro multiplehost0.0417[1.53]0.098***[3.56]
modelo preferido es el bosque causal que utiliza una variable leadtimen t
instrumental, y nuestra presentació n de los resultados se centra en ese 0.002***[7.60]0.002***[6.82]

modelo. Como sugieren Basu et al. (2018) y demuestran Athey et al.

(2019), primero entrenamos un bosque causal piloto en todas las medium_rate0.060[1.17]0.046[0.93]

características. A continuació n, entrenamos otro bosque en

high_rate0.092*[1.91]0.096**[2.02]

Cuadro 3
never_rated0.048[0.82]0.146**[2.38]
Regresió n de variables instrumentales.

numberofreviews0.007***[6.78]0.005***[4.37]
Ingresos_JulioIngresos_Agosto

βs .e. βs .e. ln_publishednightlyrate0.452***[18.00]0.394***[15.16]

perc30 t-1 -0.160***[-4.36 ] -
Wij( aumento de precios )-0 ,914***[-5,99 ]-0 ,730***[- 0.108***[-3.02]
5,88]

_cons4.524***[24.05]4.834***[22.91]
bedrooms0.080***[3.93]0.108***[5.14] N2599 2226
R20.596 0.609
bathrooms0.075***[3.89]0.049**[2.46] adjunto R20.592 0.605

Estadística t entre paré ntesis.

maxguests0.001[0.10]0.003[0.32] * p < 0,10, ** p < 0,05, *** p < 0,01.

responserate0.001***[2.64]0.002***[3.89]

12
securitydeposit0.000***[3.23]0.000***[3.15] Para ambos períodos, realizamos la prueba de Durbin-Wu-Hausman (Durbin,
distancedisco-0.013***[-3.50 ] - 1954; Wu,1974; Hausman,1978).El valor p (p=0,000) confirma que el estimador
0.012***[-3.20] OLS simple de la ecuació n no produciría estimaciones consistentes. Después de
distancebeach-0.000[-
0.06]0.013[1.52]
só lo las características con una importancia variable razonable. 13
Obsé rveseque todas las variables de control se utilizan en el
procedimiento de centrado, lo que ayuda a reducir los efectos de
confusió n; por el contrario, se utiliza un nú mero restringido de variables
para detectar la heterogeneidad, lo que nos permite centrarnos en los
verdaderos modificadores del tratamiento.
La Fig. 4 muestra la distribució n de las predicciones del efecto del
tratamiento heterogé neo fuera de la bolsa. Como el modelo utiliza el
remuestreo, podemos obtener predicciones fuera de bolsa; dichas
predicciones se obtienen a partir de un modelo que no utilizó esa
observació n concreta para construirlo. Obsé rvese que nos referimos a la
predicció n del efecto del tratamiento individual y no al resultado en sí;
nuestro objetivo es evaluar el efecto de la estrategia de precios en los
ingresos y no predecir los ingresos en sí.
Utilizando bosques causales, con una variable instrumental,
encontramos un efecto de tratamiento negativo para todos los
anuncios de Airbnb en julio, mientras que en agosto encontramos un
efecto de tratamiento positivo, pero só lo para un nú mero
insignificante de observaciones. El efecto parcial medio condicional
(CATE) para el mes de julio es -1,048 (err. est. 0,307) y para agosto
es -0,759 (err. est. 0,305). Esto significa que en julio un aumento del
10 % en la relació n de precios (W i, disminuiría (por término medio)
los ingresos en un 9,50 %, y en agosto en un 6,98 %. En cambio, una
disminución del 10 % de la relació n de precios aumentaría los
ingresos en un 11,67 % por té rmino medio en julio y en un 6,98 % en
agosto.
ejecutando la variable instrumental OLS, realizamos pruebas de post estimació n (Stata
comando: estat firststage) confirmando que nuestro instrumento no es débil
(está correlacionado con la variable endó gena). Para ambos períodos, los
valores propios (408,74; 509,94) son superiores a los valores críticos.
8,32% en agosto. Como se ha comentado ampliamente en la secció n de
Metodología, una de las principales ventajas de nuestro modelo es que no
limitamos el aná lisis a los efectos medios, sino que tambié n investigamos
la heterogeneidad.
En la Fig.5, mostramos la clasificació n de la importancia de las
variables para los meses de julio y agosto de 2016. Estas listas nos
permiten examinar la naturaleza de la heterogeneidad y comprender qué̂
variables maximizan la varianza τ. El ranking sugiere los modificadores
má s relevantes, es decir, a lo largo de qué dimensiones la varianza del
efecto es mayor. Sin embargo, no proporciona ninguna intuició n sobre las
características específicas que hacen que el aumento de precios sea
especialmente perjudicial. Para ambos periodos, las variables que ocupan
un lugar má s alto son las relacionadas con la calidad del anuncio
(seguridad de-postura y precio), la ubicació n (distancia de la playa o de
una zona de ocio nocturno), el ritmo de las reservas (porcentaje de
reservas realizadas con al menos 30 días de antelació n y tiempo de
espera) y la experiencia del anfitrió n (longevidad).
En la Fig.6a y b, representamos las relaciones entre el efecto del
tratamiento y los modificadores del tratamiento má s relevantes. El
propó sito de estos grá ficos es arrojar luz sobre la relació n entre las
covariables y el
)
Fig. 4. Distribució n del efecto del tratamiento heterogéneo (fuera de bolsa) julio
y agosto de 2016.
13
Seleccionamos solo las características con una importancia variable superior
a 0,2, que corresponde al valor medio del índice "importancia variable". " Para
los detalles té cnicos, nos remitimos a Athey et al. (2019).
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914

Fig. 5. Lista de variables que maximizan la varianza del efecto del

tratamiento.

Fig. 6. a) Predicciones de los efectos del tratamiento. 16 b) Predicciones de los

efectos del tratamiento.

efecto del tratamiento. Sin embargo, debemos ser conscientes de que las efecto del tratamiento. En la Fig.6a, la línea negra continua muestra la
variables no existen de forma independiente, y sus interacciones son relació n
potencialmente complejas en el modelo estimado.
Las funciones mostradas en los grá ficos representan predicciones del

10
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914
entre el efecto del tratamiento (eje y) y el tiempo de espera (EJE X),
manteniendo todas las demá s características en su nivel medio.
Podemos ver que, para ambos meses, el efecto es má s negativo cuanto
má s cerca esté la fecha de consumo. Esto equivale a decir que el efecto
de la subida de precios podría ser especialmente perjudicial si, por
té rmino medio, las reservas vienen con un

10
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914
para los días laborables, podría dar lugar a una variació n de precios que se
anticipació n. deba principalmente a la diferencia cualitativa de los días reservados, y no
En el mismo grá fico (Fig. 6a), representamos el efecto del tratamiento a
a lo largo del tiempo de espera y con las características en su nivel medio,
10
pero para los niveles bajos (percentil ) y altos (percentil 90) de la 14
A través del aná lisis estadístico descriptivo, encontramos homogeneidad en el
variable
de- mandamiento (aproximado por el índice de ocupació n) dentro del mes de
distancia_playa. El grá fico sugiere que los listados má s cercanos a la playa
julio y dentro del mes de agosto, registrando este ú ltimo un nivel de demanda
(línea verde punteada) registran menos efectos negativos del ligeramente superior, lo que justifica nuestra elecció n del aná lisis en dos
tratamiento, en comparació n con los listados situados a mayor distancia periodos.
de la playa
== (línea roja punteada). Esto es vá lido para ambos periodos,
15
Hist histograma; kdensidad densidad del nú cleo.
16 El
siendo el efecto negativo de la ubicació n desfavorable (estar lejos de la plazo de entrega se expresa en días.
playa) ligeramente má s fuerte en julio.
Con el fin de dilucidar mejor las interacciones entre las variables y
proporcionar informació n sobre la heterogeneidad del efecto del
tratamiento, presentamos dos casos extremos. En la Fig. 6b, hemos
aumentado las restricciones sobre los valores asumidos por una variable
específica. La línea negra de puntos representa el efecto del tratamiento
de los listados má s cercanos a la playa (es la misma que se presenta en la
Fig.6a), la línea azul representa los listados cercanos a
la playa y que pertenecen a anfitriones experimentados (90º percentil del
variable de la longevidad), y la línea rosa representa só lo los listados con
las especificaciones mencionadas anteriormente y con la mayoría de las
reservas realizadas con un gran adelanto (percentil 90 de la variable
perc30Junio).
El grá fico demuestra que, aunque el efecto de la subida de precios sigue
siendo negativo, este subgrupo de anuncios parece verse menos
penalizado por la subida de precios. Esto sugiere que estas características
específicas pueden hacer que los clientes sean menos sensibles a una
subida de precios.
Por el contrario, los anuncios alejados de la playa (línea roja
punteada), pertenecientes a anfitriones con menos experiencia (línea gris
punteada) y con un alto índice de reservas tardías (línea rosa punteada)
registran una mayor pé rdida de ingresos como consecuencia de la subida
de precios.
Estos grá ficos representan casos extremos, mientras que la mayoría
de los listados podrían presentar una combinació n de las características
mencionadas. Sin embargo, esta simplificació n ilustra la magnitud de la
variació n del efecto del tratamiento a lo largo del espacio de las
covariables y ayuda a dilucidar qué características hacen que los clientes
sean má s o menos sensibles a los cambios de precios.

6. Limitaciones y sugerencias para futuras investigaciones

Como toda investigació n, nuestro estudio no está exento de

limitaciones. La primera limitació n se ha comentado en la secció n de
Metodología. Lo ideal hubiera sido disponer de toda la trayectoria de
precios para una fecha concreta (por ejemplo, 60,..., 25, etc. días antes de
la fecha de consumo). Por desgracia, la obtenció n de estos datos es muy
exigente. Aunque nuestro índice de subida de precios proporciona una
medida de la IPD con menos informació n disponible, se requiere una
aplicació n meticulosa. Hacemos una suposició n importante, a saber, que
dos reservas consecutivas cercanas en el tiempo (restringidas a menos de
15 días de diferencia) son cualitativamente similares. Por lo tanto, la
diferencia en el precio es atribuible en su mayor parte a la diferencia en
el adelanto de la compra (tiempo de espera), y no a las diferencias en la
temporada o en circunstancias particulares, como los eventos locales. La
similitud cualitativa entre las fechas es un supuesto no trivial, ya que la
comparació n de dos fechas que pertenecen claramente a temporadas
diferentes, y por tanto a periodos con "un desequilibrio temporal en el
fenó meno del turismo" (Butler,1998), podría llevar a una esti- mació n
miope.
mates. Por otro lado, esta preocupació n no parece ser relevante para
14
nuestro aná lisis de julio y agosto.
Otra consideració n importante se refiere a la posible diferencia
cualitativa entre los días de la semana y los fines de semana, sobre la que
la diná mica de los precios podría ser sensiblemente diversa. La
comparació n del precio de dos reservas, una para el fin de semana y otra

1
V. Leoni y W. Nilsson Revista Internacional de Gestión Hotelera 95 (2021) 102914
que a la diferencia en el tiempo de espera. Dado que en nuestro aná lisis precios altos, mientras que los de bajo valor está n má s dispuestos a
comparamos la media de los precios de las reservas (que podrían incluir esperar. MelisyPiga) tambié n confirman
ambos tipos de días), esta cuestió n es menos relevante. Ademá s, en la tendencia a la disminució n de los precios a lo largo del tiempo; en su
ausencia de un patró n sistemá tico para los precios de fin de semana estudio sobre los hoteles
frente a los de días laborables, la diferencia aparecerá como ruido y se en las Islas Baleares, encontraron una alta propensió n a la fijació n de
tratará mediante el procedimiento IV. A pesar de ello, realizamos una precios de rebaja.
comprobació n de sensibilidad efectuando todo el aná lisis en dos El modelo economé trico aplicado ayuda a detectar efectos
muestras separadas: una que incluye só lo los días laborables y la otra heterogé neos. Esto es importante, ya que diferentes anfitriones pueden
só lo los fines de semana. El aná lisis de sensibilidad confirma que los enfrentarse a diferentes efectos en los ingresos al aplicar el mismo
resultados anteriores son só lidos. Este resultado podría estar cambio de precio. Los listados cuyos ingresos son má s sensibles a los
relacionado con el tipo de turismo en Ibiza, que es principalmente de cambios en el precio tambié n tienen má s que ganar
mar y sol; por otro lado, esta robustez no podría garantizarse para los
si se aplica un descuento en el que faltan en nuestros datos: los
destinos de turismo cultural (o destinos de turismo urbano), donde la
precio. En nuestro estudio, factores positivos podrían inclinar
heterogeneidad de días (y la estacionalidad semanal) podría ser má s
identificamos los modificadores a los anfitriones a confiar má s en
fuerte. Las futuras ampliaciones de nuestro modelo deberían tener en
del tratamiento, es decir, las una subida de precios.
cuenta este aspecto a la hora de construir la variable de aumento de
variables exacerbadoras o Desgraciadamente, resulta que
precios.
Otra advertencia, que abre vías para futuras investigaciones, se refiere moderadoras que hacen que la é sta es una política subó ptima
a subida de precios sea para la mayoría de los anuncios si
los días no reservados entre dos reservas. Por ejemplo, si una reserva especialmente perjudicial para los consideramos la maximizació n de
termina el domingo y la siguiente comienza el mié rcoles, los días ingresos. Nuestros resultados los ingresos como ú nico objetivo.
intermedios se vuelven má s difíciles de reservar, independientemente coinciden con estudios anteriores El presente trabajo enriquece
de su precio. Esto es especialmente relevante para los "huecos de sobre el sector del alojamiento. La la literatura existente sobre las
reserva" que se producen durante los días laborables. En este sentido, literatura EXISTENTE encontró que estrategias de precios en el sector
los anfitriones deben ser cuidadosos en la gestió n de sus capacidades una distancia má s cercana al del alojamiento y en el emergente
sobrantes y establecer los requisitos de estancia mínima má s adecuados punto de interé s principal (en este segmento peer-to-peer.
para minimizar los huecos poco atractivos. caso, la playa) se asocia Contribuye metodoló gicamente al
La segunda limitació n está relacionada con el alcance de la pregunta generalmente con una mayor ofrecer una variable alternativa
de investigació n. Aunque podemos identificar có mo afectarían las demanda (o rendimiento) para medir las estrategias de
diferentes políticas de DPI a los ingresos -y para qué tipo de anuncios el (ArbelyPizam,1977; precios; dicho índice puede
efecto es mayor o menor-, nuestro mé todo no especifica cuá nto debería Tussyadiah,2016; Yangetal.,2017; aplicarse incluso cuando se
cambiar el precio. Para casi todos los anuncios, encontramos que un Gunter dispone de escasa informació n.
descuento en el precio aumentaría los ingresos, pero no determinamos yO¨ nder,2018). Del mismo modo, Esto es especialmente relevante
cuá nto debería ser el descuento. Naturalmente, los efectos estimados se la experiencia del anfitrió n (o del cuando se investigan los mercados
hotel man- p2p, ya que los datos rara vez
identifican con la variació n de precios encontrada en los datos, y en la
ager) se encuentra que afecta está n disponibles pú blicamente.
prá ctica el descuento podría ser demasiado grande. La definició n de una
positivamente al rendimiento Nuestro enfoque permite estimar
política de precios ó ptima requiere responder tanto a cuá ndo como a
(Brouder y Eriksson, 2013; la variabilidad de los precios en el
cuá nto debe modificarse el precio. Se trata de un á rea de investigació n
G'emaretal.,2016; mercado, discerniendo tambié n la
importante que requiere té cnicas de aná lisis adecuadas. Las
XieyMao,2017). Por ú ltimo, el direcció n de las estrategias de
investigaciones futuras deberían analizar el objetivo de la optimizació n
ritmo de reserva es un precios para diferentes ho- rizones
para la unidad de toma de decisiones específica.
determinante clave de los de tiempo. Esto abre una vía para
ingresos. Liberar un porcentaje futuras investigaciones tanto
7. Conclusión:
excesivo de la capacidad con un sobre las dimensiones tá cticas y
elevado adelanto podría tener un estraté gicas del precio como sobre
En nuestra investigació n, definimos la IPD como el aumento (o la
efecto negativo sobre el per- fecto. el comportamiento estraté gico del
disminució n) de los precios de dos fechas cercanas, que presentan
Por el contrario, la liberació n de consumidor.
diferentes horizontes de reserva. Nuestra medida de precios diná micos
restricciones frena la dilució n de
revela tanto la magnitud como el signo del ajuste de precios; por lo La principal contribució n
los ingresos
tanto, es má s informativa que la simple dispersió n de precios o el prá ctica del trabajo es el efecto
(Legoh'ereletal.,2013).
nú mero de cambios de precios, mé todos que se han utilizado que tiene una subida de precios en
Nuestro modelo preferido
anteriormente en la literatura. Esto implica que nuestros resultados los ingresos de los anfitriones de
incluye variables instrumentales. Airbnb. Esto, en cierta medida,
está n mucho má s vinculados al concepto real de IPD. Ademá s, tienen
Mediante un aná lisis de ayuda a llenar el vacío sobre el
implicaciones má s relevantes para la gestió n, ya que proporcionan
sensibilidad, descubrimos que el efecto cuantitativo de la
informació n valiosa sobre el efecto de un aumento (o disminució n) de
efecto sobre los ingresos estaría discriminació n de precios en la
los precios, en lugar de la simple variació n absoluta de las tarifas.
sesgado hacia cero sin incorporar industria del turismo.
Nuestra variable de tratamiento es la subida de precios -es decir, el
esta característica en la té cnica de Por ú ltimo, nuestro trabajo
aumento del precio a medida que se acerca la fecha- mientras que el
estimació n. Abordar el problema añ ade otra dimensió n a la
resultado son los ingresos mensuales generados por la actividad de
de la endogeneidad implica un literatura existente al tener en
alquiler de viviendas. Por té rmino medio, encontramos que un aumento
efecto má s negativo de una subida cuenta la heterogeneidad que
de la relació n de precios del 10 % provoca una disminució n de los
de precios. Esto indica que los caracteriza a los mercados p2p. El
ingresos del 9,50 % en julio y del 6,98 % en agosto. El modelo de Su
factores no observados que son alto grado de diferenciació n -tanto
(2007) describe có mo los proveedores deben adaptar sus estrategias de
buenos para los ingresos tambié n en términos de calidad de los
precios en funció n de la composició n de sus clientes. Nuestros
está n relacionados con una listados como de profesionalidad
resultados sugieren que los hué spedes de alta valoració n en Ibiza
variable de subida de precios má s de los anfitriones- sugiere que los
tienden a estar má s dispuestos a reservar con antelació n que los
alta. Esto es bastante natural, agentes podrían no só lo utilizar
consumidores de baja valoració n. Por esta razó n, en línea con Su (2007),
teniendo en cuenta que los diferentes estrategias de precios
sería preferible disminuir el precio a lo largo del tiempo; nuestros
anfitriones pueden ser sino tambié n, a igualdad de
resultados sugieren que los clientes de alto valor comprarían pronto a
conscientes de las características

2
V. Leoni y W. Nilsson
estrategia, conseguir resultados
econó micos no homogé neos. A
pesar de que la literatura de
evaluació n de los efectos del
tratamiento tiende a centrarse en
los efectos medios, este enfoque
podría ajustarse mal al contexto
p2p. En este sentido, la
estimació n del efecto de
tratamiento heterogé neo ayuda a
arrojar má s luz sobre la relació n
causal real entre los precios y los
ingresos y, a su vez, sobre las
características que afectan a la
elasticidad de los precios de los
consumidores.
Agradecimientos
Los autores agradecen el
acuerdo de subvenció n entre la
ATB (Ag`encia de turisme de les
Illes Balears) y la Universidad de
las Islas Baleares. William Nilsson
agradece el apoyo financiero del
Ministerio de Economía y
Competitividad españ ol
(subvenció n #RTI2018-094733-
B-I00). Los autores expresan su
agradecimiento al Dr. Paolo Figini
por sus valiosos comentarios.
Referencias
Abrate,G.,Viglia,G.,2016.Decisiones
estratégicasytá cticas de
preciosen la gestió n de
ingresoshoteleros.Tour.Manag.
55,123–132.
Abrate,G.,Fraquelli,G.,Viglia,G.,
2012.Dynamicpricingstrategies:
evidencefrom European
hotels.Int.J.Hosp.Manag.31(1),1
60–168.
Abrate, G., Nicolau, J.L., Viglia, G.,
2019. El impacto de la
variabilidad diná mica de los
precios en la maximizació n
delos
ingresosTour.Manag.74,224–
233.
Alderighi,M.,Nicolini,M.,Piga,C.A.,201
6.Targetingleisureandbusinesspa
ssengers withunsegmented
pricing.Tour.Manag.54,502–512.
Alderighi, M., Gaggero, A.A., Piga,
C.A., 2018. Precios está ticos,
diná micos y discriminatorios.
Preprint on Research gate:
https://www.researchgate.net
/publication/
328107330(consultadoel16
deoctubrede 2020).
Arbel, A., Pizam, A., 1977. Some
determinants of urban hotel
location: the tourists'
inclinations.J.TravelRes.15(3),
18-22.
Athey, S., Imbens, G., 2016. Partició n
recursiva para efectos causales
heterogé neos.
Proc.Acad.Sci.113(27),7353-7360.
Athey,S.,Wager,S.,2019.Estimació
n de los efectosdel
tratamientoconbosquescaus
ales:una
aplicació n.DisponibleenarXi
vPreprint:arXiv:1902.07409.
Athey,S.,Tibshirani,J.,Wager,S.,2019.B
osquesaleatoriosgeneralizados.An
n.Stat.47(2), 1148-1178.
Basu,
S.,Kumbier,K.,Brown,J.B.,Yu,B.,2
018.Bosquesaleatoriositerativo
spara descubrir interacciones
de alto ordenpredictivas
yestables.Proc.Natl.Acad.Sci.11
5(8), 1943-1948.
Bergantino,A.S.,Capozza,C.,2015.
¿Unprecioparatodos?
Discriminació n depreciosy
cautividad del
mercado:evidenciadelosmercados
depares de
ciudadesitalianasTransp..PartAPoli
cy Pract.75,231–244.
Breiman,L.,2001.Bosques
aleatorios.Mach.Learn.45(1),5–32.
Brouder,P.,Eriksson,R.H.,2013.Poder
depermanencia:¿qué influye
ensupervivencia de las
microempresasen el turismo?
Tour.Geogr.15(1),125-144.
Butler,R.,1998.Seasonalityintourism:issue
sandimplications.TheTouristReview.
Chen,C.F.,Rothschild,R.,2010.Anapplicat
ionofhedonicpricinganalysistothec
aseof
hotelroomsinTaipei.Tour.Econ.16(
3),685–694.
Chen,P.,Dong,W.,Lu,X.,Kaymak,U.,He,
K.,Huang,Z.,2019.Aprendizaje de
representació nprofunda para
laestimació n del efectodel
tratamientoindividualizadoutiliza
ndo registros de salud
electró nicos.J.Biomed.Inform.10
0,103303.
Crump,R.K.,Hotz,V.J.,Imbens,G.W.,
Mitnik,O.A.,2008.Nonparamet
rictestsfor
treatmenteffectheterogeneity.
Rev.Econ.Stat.90(3),389-405.
Daoud, A., Johansson, F., 2019.
Estimació n de la heterogeneidad
del tratamiento de los programas
del Fondo Monetario
Internacional sobre la pobreza
infantil con un bosque aleatorio
generalizado.
Disponible en SocArXiv.
https://doi.org/10.31235/osf.io/awfj
3
Revista Internacional de Gestión Hotelera 95 (2021) 102914
t.
Davis,J.,Heller, S.B., 2017.Uso de
bosques causales para predecir la
heterogeneidad del tratamiento:
una aplicació na los trabajos de
verano.Am.Econ.Rev.107(5),546-
550.
De Oliveira Santos, G.E., 2016. Precios
hedó nicos mundiales de las
características subjetivas de los
albergues.Tour.Manag.52,451–454.
Durbin,J.,1954.Erroresenvariables.Revie
woftheInternational
StatisticalInstitute 22, 23-32-
(1970)'testingforserialcorrelationinl
eastsquaresregressionwhensomeof
theregres-
sorsarelaggeddependentvariables.’.E
conometrica38,410-421.
Ert, E., Fleischer, A., Magen, N., 2016.
Confianza y reputació n en la
economía colaborativa: el papelde
lasfotospersonalesenAirbnb.Tour.
Manag.55,62–73.
Escobari, D., 2012. Precios diná micos,
ventas anticipadas y aprendizaje
de la demanda agregada en las
aerolíneas.J.Ind.Econ.60(4),697–
724.
Espinet,J.M.,Saez,M.,Coenders,G.,Fluvi
a`,M.,2003.Efectosobrelos precios
de los atributosde
loshotelesvacacionales:unprecios
hedó nicos.Tour.Econ.9(2),165–
177.
Farbmacher, H., Ko¨gel, H., Spindler, M.,
2019. Efectos heterogéneos de la pobreza
en
Cognició n. MEA Discussion
=
Paper No. 06-2019, Disponible
en SSRN: https://ssrn.
com/abstract3505970.
Gallego, G., Topaloglu, H., 2019. Gestió n
de ingresos y análisis de precios, Vol.
209.
Springer.
Gallego,G.,VanRyzin,G.,1994.Optimaldy
namicpricingofinventorieswithstoc
hastic
demandoverfinitehorizons.Manag.S
ci.40(8),999-1020.
Ge'mar, G., Moniche, L., Morales, A.J.,
2016. Aná lisis de supervivencia de la
hostelería españ ola
industria.Gira.Manag.54,428–438.
Gibbs,C.,Guttentag,D.,Gretzel,U.,Morto
n,J.,Goodwill,A.,2018a.Pricinginth
e
sharingeconomy:ahedonicpricingm
odelappliedtoAirbnblistings.J.Trave
lTour. Mark.35(1),46–56.
Gibbs,C.,Guttentag,D.,Gretzel,U.,Yao,L.,
Morton,J.,2018b.Usode
estrategias de preciosdiná micos
Lechner, M., 2019. Bosques causales
modificados para estimar efectos
causales heterogé neos.
Disponibleen:arXivpreprint.arXiv:18
12.09487.
Legoh'erel,.,Fyall,.,Poutier,.,2013.Rev
enueManagementforHospitalityan
d.
GoodfellowPublishers,Woodeato
n.
Magno, F.,Cassia,
F.,Ugolini,M.M.,2018.Precios
dealojamientoenAirbnb: efectosde
la experienciadel anfitrió ny de la
demandadel
mercadoTQMJ.30(5),608-620.
Malighetti,P.,Paleari,S.,Redondi,R.,2009
.Pricingstrategiesoflow-
costairlines:the Ryanaircase
study.J.AirTransp.Manag.15(4),195
–203.
Melis,G.,Piga,C.A.,2017.
¿Sondiná micostodos losprecios
delos hotelesen líneaUna
por parte de los anfitriones de
Airbnb.Int.JContemp.Hosp.Manag.
30(1),2–20.
Green,D.P.,Kern,H.L.,2012.Modeling
heterogeneoustreatmenteffect
sinsurvey
experimentswithBayesianaddit
iveregression
trees.PublicOpin.Q.76(3), 491–
511.
Gunter,U.,O¨ nder, I.,2018.Determinantesde
lademandaAirbnbenVienaysu
implicacionesparalaindustria
del
alojamientotradicional.Tour.
Econ.24(3), 270-293.
Guttentag,D.,2015.Airbnb: la
innovació ndisruptivayelsurgimient
odeun sector dealojamiento
turístico
informal.Curr.IssuesTour.18(12),1
192–1217.
Hamari,.,Sjo¨klint,.,Ukkonen,.,20
16.Laeconomía
colaborativa:por qué la gente
participaen el
consumocolaborativo.J.Ass
oc.Inf.Sci.Technol.67(9),
2047–2059.
Hausman,J.A.,1978.Specificationtestsine
conometrics.Econometrica1251-1271.
Hill, D., 2015. El secreto del algoritmo
de precios de Airbnb. IEEE Spectrum,
20 de agosto,
disponible en:
http://spectrum.ieee.org/computi
ng/software/the-secret-of-airbnbs-
p ricing-algorithm (consultado el
15 de octubre de 2020).
Kim, J., Yoon, Y., Zo, H., 2015. Por qué
la gente participa en la economía
colaborativa: A Social Exchange
Perspective (p. 76) Disponible en:.
PACIS
http://aisel.aisnet.org/pacis2015/
76.
Koenigsberg, O., Muller, E., Vilcassim,
N.J., 2008. La estrategia de precios
de easyJet®: ¿deben las aerolíneas
de tarifas bajas ofrecerofertas
deú ltima hora?QME6(3),279-297.
Kwok,Linchi,Xie,KarenL.,2019.Estrat
egias depreciosenAirbnb:¿son
losanfitrionesde mú ltiples
unidades pros de los
ingresos?".Int.JHospManag.82,
252–259.
LearnAirbnb.com,2015.AirbnbPr
icingStrategyandTools.Dispo
nibleen:http://
learnairbnb.com/airbnb-
pricing-strategy-tool/(consu
ltadoel 8de octubrede
2020).
evaluació n
empírica.Int.JHospManag.67,163–
173.
Mitra, S.K., 2020. Un aná lisis de la
asimetría en los precios diná micos de la
industria hotelera.
Int.JHospManag.89,102406.
Monroe,K.B.,1973.Lapercepció nsubjetivad
elpreciode los
compradores.J.Mark.Res.10(1),70-80.
Morlotti,C.,Cattaneo,M.,Malighetti,P.,
Redondi,R.,2017.Elasticidad de
preciosmultidimensional
paradestinos
deocioynegociosenelmercado
detransporteaé reode bajo coste:
evidenciadeeasyJet.Tour.Manag.61,23
–34.
Nieto-García, M.,Mun˜oz-Gallego,
P.A.,Gonza'lez-Benito,
O' ,2017.Ladisposició n delos turistas
pagarporunalojamiento:elefectodela
eWOMy elprecio dereferenciainterno.
Int.J. HospManag.62,67–77.
Oh, H.,2003.Price
fairnessanditsasymmetriceffectsonov
V. Leoni y W. Nilsson
erallprice, quality,andvalue
judgments:thecaseofanupscalehotel.
Tour.Manag.24(4),387–399.
Oskam,J.,vanderRest,J.P.,Telkamp,B.,20
18.Lo queesmíoestuyo, ¿peroaqué
precio?comportamientodiná micolos
precioscomoindicadorde
laprofesionalizació n delos
anfitrionesAirbnb.
J.Revenue
PricingManag.17(5),311–328.
Rubin,D.B.,1974.Estimació n
de los
efectoscausalesdelos
tratamientosen estudios
aleatoriosy no
aleatorios.J.Educ.Psychol
.66(5),688.
Strittmatter,A.,2018.Cuá leselvalorañ a
didopor eluso de mé todos de
aprendizajeautomá ticocausal
enunaevaluació n deexperimentos
debienestarDisponibleen:arXivpr
eprintarXiv: 1812.06533.
Su,X.,2007.Fijació n de
preciosintertemporalconcomporta
mientoestratégicodel
cliente.Manag.Sci.53(5), 726-741.
Thrane,C.,2005.Hedonicpricem
odelsandsun-and-
beachpackagetours:the
Norwegiancase.J.TravelR
es.43(3),302-308.
Tibshirani,J.,Athey, S., Wager,S.,
2019. Grf:Bosquesaleatorios
generalizados(Beta). R
PackageVersion0.10.3.
Revista Internacional de Gestión Hotelera 95 (2021) 102914
Tso, A., Law, R., 2005. Aná lisis de las
prá cticas de precios en línea de los
hoteles de Hong Kong. Int.
J.HospManag.24(2),301–307.
Tussyadiah,I.P.,2016.Factoresd
esatisfacció neintenció nde
uso del alojamiento entre
pares.Int.JHospManag.55,
70–80.
Verhofstadt, E., Maertens, M., 2014.
Pueden las cooperativas agrícolas reducir
la pobreza?
Impactoheterogéneode
lapertenencia auna cooperativaen
elbienestardelos agricultoresde
Ruanda.
Appl.Econ.Perspect.Policy37(1),86
-106.
Viglia, G., Mauri, A., Carricano, M., 2016.
La exploració n de los precios de
referencia de los hoteles bajo
escenarios de preciosdiná micosy
diferentesformas decompetencia.
Int. J. Hosp. Manag. 52,46–55.
Wang,D.,Nicolau,J.L.,2017.Determinan
tespreciodel alquiler
dealojamientos basados enla
economíacolaborativa:unestudiod
e los
listadosde33ciudadesenAirbnb.cO
m.Int.JHosp. Manag.62,120–131.
Wang,X.L.,YoonjoungHeo,C.,Schwartz,
Z.,Legoh'erel,P.,Specklin,F.,2015.G
estió n de ingresos: avances, retos y
perspectivas de investigació n. J.
Travel Tour. Mark. 32 (7),797–
811.
Wendling,
T.,Jung,K.,Callahan,A.,Schuler,
A.,Shah,N.H.,Gallego, B.,2018.
Comparació n demé todospara
laestimació ndeefectos
detratamientoheterogé neosuti
lizando
datosobservacionalesdebases
de datos deatenció n
médicaStat.Med.37(23),3309–
3324.
Williams, K., 2018. Dynamic Airline
Pricing and Seat availability.DIscussionj
Paper No.
2103R. Disponible en SSRN: =
https://ssrn.com/abstract3611696.
Wu,D.M.,1974.Alternativetestsofinde
pendencebetweenstochasticregr
essorsand
disturbances:finitesampleresults
.Econometrica529-546.
Xie,K.,Mao,Z.,2017.Losimpactosdeatri
butos de calidadycantidadde
losanfitriones de Airbnben el
rendimiento delos
anuncios.Int.JContemp.Hosp.Man
ag.29(9),2240–2260.
Xie,Y., Brand,J.E.,
Jann,B.,2012.Estimació n de
efectos de tratamiento
heterogé neoscon
datosobservacionalesSociol.Me
thodol.42(1),314–347.
Yang,Y.,
Mao,Z.,Tang,J.,2017.Entender
la satisfacció nlos
hué spedescon la ubicació n de
los hotelesurbanos.
J.TravelRes.57(2),243-259.
Ye, P., Qian, J., Chen, J., Wu, C.H., Zhou,
Y., De Mars, S., Zhang, L., 2018.
Modelo de regresió n
personalizado para los precios
diná micos de Airbnb. Actas de la
24ª Conferencia Internacional
ACM SIGKDD sobre
Descubrimiento de Conocimiento
y Minería de Datos 932-940.
https://doi.org/10.1145/321981
9.3219830.