Delingsøkonomiens fremvekst – Effekten av Airbnb på hotellbransjen i Norge

Kategori	Artikler
Underkategori(er)	n/a
År	2017
Forfatter(e)	Jens Furuholmen
	https://www.frisch.uio.no/publikasjoner/?pubid=1312
Last ned	file_download (1.1 MB)
Les i nettleser	find_in_page

SAMFUNNSØKONOMEN NR. 3 2017 • 131. årgang	
Returadresse:
Samfunnsøkonomene,
Kristian Augusts gate 9,
0164 Oslo
SAMF UNNSØKONOMEN
NR. 3 • 2017 • 131. årgang
Ingrid Hjort og Elisabeth Isaksen:
KLIMAMÅLENE
Katrine Løken:
FOR MYE VELFERD?
Andreas Moxnes:
NETTVERK OG INTERNASJONAL HANDEL
Arne Jon Isachsen:
STATSEIDE FORETAK PÅ OFFANSIVEN I
KINA
Bjørn Sandvik:
STORTINGSMELDINGA OM OLJEFONDET
Klaus Mohn:
VERDSETTING AV LOFOTEN/
VESTERÅLEN/SENJA
Kjetil Bjorvatn, Mathias Ekström og
Armando J. G. Pires:
KAN NUDGING GI BEDRE OPPMØTE TIL
LÆRERSTUDIET?
Jens Furuholmen:
EFFEKTEN AV AIRBNB PÅ
HOTELLBRANSJEN I NORGE
Christoph Böhringer, Knut Einar
Rosendahl og Halvor Briseid Storrøsten:
ROBUSTE VIRKEMIDLER MOT
KARBONLEKKASJE

52 // SAMFUNNSØKONOMEN NR. 3 2017	JENS FURUHOLMEN
1. DEN NYE ØKONOMIEN	1
Den klassiske markedsformen med kunder og bedrifter,
har fått en utfordrer i den såkalte delingsøkonomien, der
individer kan selge og leie ut private eiendeler via en nett-
side eller mobilapplikasjon. Denne artikkelen tar for seg
nettsiden Airbnb, en av delingsøkonomiens største aktø-
rer, og den desidert største innen overnatting. Selskapet
ble opprettet i 2008 og har base i San Francisco, California.
I dag har Airbnb over to millioner utleieenheter i 191 land.
Det er flere hotellrom enn de to største hotellkjedene i ver-
den, Hilton og IHG (IHG, 2015; Hilton, 2015). Airbnb er
populære også i Norge, med over ni tusen aktive boliger
per 1. januar 2016. I 2015 sto 197 000 gjester for 591 000
1 Artikkelen er en forkortet versjon av en masteroppgave. Den er skrevet
med stipend hos Frischsenteret under veiledning av Simen Markussen.
overnattingsdøgn i Airbnb-boliger her til lands (Airbnb,
2016b).
I artikkelen forsøker jeg å måle hvilke effekter fremvek-
sten av Airbnb har hatt på hotellbransjen i Norge. Målet er
å undersøke om Airbnb er et substitutt eller komplement
til vanlige overnattingstilbud. Dersom det første er tilfelle,
forventer jeg at delingsplattformen vil påvirke pris, omset-
ning og tilbud av tradisjonell overnatting. For ansatte kan
det bety lavere lønn og sysselsetting enn det som ellers ville
vært tilfelle. Ved bruk av metoden difference-in-differences
(DD) utnyttes regionale forskjeller i tilbudet av Airbnb.
I områder hvor antallet Airbnb-boliger er høyt relativt
til antallet hoteller, forventer jeg at eventuelle effekter er
sterkest.
JENS FURUHOLMEN
Vista Analyse
Delingsøkonomiens fremvekst –
Effekten av Airbnb på hotellbransjen i
Norge1
Airbnb er et av flaggskipene i delingsøkonomien, og har på kort tid vokst til å bli en av ver -
dens største tilbydere av overnatting for reisende. Denne artikkelen forsøker å måle effekten
Airbnb har hatt på hotellbransjen i Norge etter opprettelsen av selskapets norske nettside i
2013. Jeg estimerer at Airbnb hadde negativ påvirkning på norske hotellers kapasite\
tsutnyt-
telse og feriebesøk. Jeg ser også tegn til at Airbnb vokste frem i områder med en gunstig mar -
kedssituasjon for korttidsutleie av bolig.
ARTIKKEL

SAMFUNNSØKONOMEN NR. 3 2017 // 53	JENS FURUHOLMEN
En lignende studie finner at Airbnb hadde en negativ effekt
på hotellers omsetning i Texas (Zervas m fl. 2016). Fang
m fl. (2015) påpeker at selv om Airbnb muligens har en
negativ effekt på hotellbransjen kan selskapet ha en positiv
effekt på turistsektoren i sin helhet. De finner at Airbnb
hadde positiv effekt på sysselsettingen i turistbransjen
i Idaho. En teoretisk tilnærming til Airbnb blir gitt av
Guttentag (2013). Han analyserer selskapet i lys av teorien
om disruptiv innovasjon, som beskriver hvordan et utra-
disjonelt produkt med alternative fordeler kan endre spil-
lereglene i et marked. En håndfull studier har også forsøkt
å måle effekten på konkurranse og sosial velferd av bilde-
lingstjenesten Uber. Wallsten (2015) finner at Uber førte til
et fall i priser og passasjerer i henholdsvis New York City
og Chicago. Greenwood og Wattal (2015) kommer frem til
at Uber førte til færre alkoholrelaterte dødsfall i USA.
Det pågår for tiden en debatt om delingsøkonomiens
rolle i samfunnet og hvorvidt slike tjenester skal regule-
res. Tilhengere av delingsøkonomien hevder det bidrar
til lavere priser for konsumenter og effektivisering av
økonomien ved bruk av uutnyttede ressurser. Kritikere
mener derimot at det fører til skatteunndragelse, svek-
kelse av ansattes rettigheter, boligmangel og høye bolig-
priser (NRK, 2016a). Samfunnsøkonomen har også vært
kritisk til delingsøkonomien og har på lederplass gått inn
for mer regulering av «oppskrytt deling» (Lind, 2016). I
Berlin har man nylig innført et forbud mot å leie ut boligen
sin til turister. Forbudet er ment å forhindre boligmangel
og høye priser. Lignende lovgivning kan være i ferd med
å innføres i New York, og i Barcelona og Paris har utleiere
blitt bøtelagt og pålagt å slette annonsene sine fra nettsiden \
(Reuters, 2016). I Norge har interessegrupper tatt til orde
for å forby heltidsutleie (Dagens næringsliv, 2016a).
Den norske regjeringen mottok nylig en rapport fra
delingsøkonomisk utvalg (NOU 2017:4). Utvalget anbe-
falte å fjerne skattefritaket for kortidsutleie av bolig
når leieinntektene overstiger 10 000 kr. Utvalgsleder
Tommy Staahl Gabrielsen gjentok nylig oppfordringen i
Samfunnsøkonomen (Gabrielsen, 2017) og begrunner det
med faren for vridning i utleiers tilpasning i arbeidsmarke-
det, hensynet til konkurranse med hoteller, samt myndig-
hetenes skattegrunnlag.
1.2 Hvorfor lykkes Airbnb?
Kortidsutleie av bolig er ikke et nytt fenomen, men Airbnb
har forbedret markedet på flere måter. For det første funge-
rer delingsplattformen utmerket til å koble kjøpere og sel-
gere sammen (Einav, Farranto og Levin, 2015). Det gjelder for øvrig for flere aktører i delingsøkonomien. I utgangs-
punktet er markedsaktører svært forskjellige. Kjøpere kan
være interessert i helt spesifikke produkter og selgere kan
tilby en mengde varer til ulike priser. Airbnb løser dette
ved å tillatte skreddersydde nettsøk med hensyn på pris og
egenskaper ved boligen man ønsker å leie. Her har inter
-
nett og digital teknologi vært essensielle faktorer for suk-
sess (Reisch og Thøgersen, 2015).
Det er enkelt for kjøpere å få en oversikt over tilbudet, og
det bidrar til å redusere transaksjonskostnaden ved han-
del. En annen faktor som reduserer transaksjonskostna-
den er at det er gratis for å utleiere å annonsere produktet
sitt på de fleste delingsplattformer. Der utleiere før måtte
kjøpe annonser for å komme i kontakt med potensielle
kunder, kan de nå annonsere gratis gjennom en nettside
eller mobilapplikasjon.
Videre tilbyr aktører i delingsøkonomien sikkerhet ved
private transaksjoner. Airbnb tar hånd om alle betalinger
og reduserer dermed risikoen ved å handle. Selskapet til-
byr også en vertsgaranti som skal dekke eventuelle skader
ved besøk Airbnb (2016d).
En viktig del av forretningsmodellen til selskaper i delings-
økonomien er knyttet til brukerrangeringer. Etter hvert
besøk hos Airbnb får både gjester og verter mulighet
til å gi motparten et terningkast og en kort anmeldelse.
Rangeringen du får, avgjør hvor attraktiv du er som vert
eller gjest. Et godt rykte bidrar til å skape tillit, og et dårlig
rykte kan gjøre at andre brukere skyr deg. Ved å få over -
sikt over motpartens historikk kan useriøse aktører velges
bort. Til sammen sørger betalingshåndtering, vertsgaranti
og brukerrangeringer for tillit i det private utleiemarkedet.
Mange selskaper i delingsøkonomien nyter godt av nett-
verkseksternaliteter. Det vil si at verdien av et produkt eller
tjeneste er avhengig av hvor mange som bruker det. Det
klassiske eksempelet er telefonen. Jo flere folk som eier
telefoner, jo mer verdifullt blir det å eie en telefon, men den
gevinsten tar ikke nødvendigvis de som kjøper en telefon
innover seg. Delingsøkonomien fungerer på samme måte.
Hver gang en ny bolig registreres på Airbnb, øker utval-
get for konsumenter og det vil tiltrekke mer etterspørsel.
Airbnb er dominerende i markedet for privat kortidsutleie
og vil av den grunn være det åpenbare valget for selgere og
kjøpere. Det øker også forhandlingsmakten til selskapet,
slik at det kan ta seg bedre betalt.
ARTIKKEL

54 // SAMFUNNSØKONOMEN NR. 3 2017JENS FURUHOLMEN
1.3 Regulering av Airbnb
I Norge betaler man ikke skatt hvis man leier ut under
halvparten av arealet av sin egen bolig (Skatteetaten, 2016).
Hvis man bor i boligen samtidig som gjesten, kan man der-
for leie ut så lenge man vil. Dersom man derimot leier ut
mer enn halvparten av en bolig, er det skattefritt frem til
leieinntekten overskrider 20 000 kr i året. Airbnb-verter
som ikke bor i boligen samtidig som de leier ut må derfor
forholde seg til den grensen. Hvis man tjener mer enn 20
000 i året på å leie ut over halvparten av boligen, må man
skatte 27 prosent på hele summen. Det er den samme pro-
sentandel som kapitalskatt. I noen tilfeller anses utleie som
næringsvirksomhet. «Om utleie av bolig/fritidsbolig skal
regnes som virksomhet må bedømmes etter en konkret
helhetsvurdering», i følge Skatteetaten. Debatten rundt
Airbnb i Norge har blant annet handlet om hvilke tilfeller
som skal regnes som næringsvirksomhet (Dagens nærings-
liv, 2016b). I tillegg har NHO utrykt skepsis mot skattefri-
taket og spekulert i at det eksisterer manglende rapporte-
ring (NRK, 2016b). Det er ingen bevis for at Airbnb-verter
bedriver skatteunndragelse. Derimot vil Airbnb-verter ha
en skattefordel over hotellbransjen, hvis det viser seg at de
to er konkurrenter. Det gjelder imidlertid ikke for verter
som er registrert som virksomhet. 2. DATA
Airbnb er selektive på hvilke data som deles med offent-
ligheten. Det er vanskelig å komme i kontakt med sel-
skapet og de fleste forespørsler blir avslått. Likevel valgte
Airbnb og dele noe data til bruk i denne artikkelen. Det
er tall som Airbnb har brukt i sine egne publiserte rap-
porter og foredrag. All data i denne studien har dermed
vært offentlig tilgjengelig på et gitt tidspunkt, men mye er
ikke lenger å finne. Tallene stammer fra en rekke publi-
seringer og har så vidt jeg vet ikke blitt analysert som et
samlet sett. Det dreier seg om antall aktive Airbnb-boliger
over tid i selskapets åtte største markeder i Norge. Det er
henholdsvis Oslo, Bergen, Stavanger, Tromsø, Trondheim,
Kristiansand, Lillehammer og Lofoten. Til sammen hadde
disse områdene 77 prosent av alle Airbnb-boliger i landet
ved utgangen av 2015.
Aktive boliger defineres av Airbnb som: «En bolig som kan
bookes på Airbnb. Det omfatter for eksempel hele hus og
leiligheter, samt private rom. Aktive Airbnb-boliger er alle
resultater som vises på hjemmesiden under et søk. Alle
aktive Airbnb-boliger er ikke nødvendigvis tilgjengelige
på en gitt dato» (Airbnb, 2016b). Det tyder på at boli-
ger slutter å dukke opp på søk dersom de ikke har vært
i bruk på en stund. Aktive boliger vil også variere fra å
Figur 1: Aktive Airbnb-boliger i Norge

SAMFUNNSØKONOMEN NR. 3 2017 // 55
JENS FURUHOLMEN
være tilgjengelig hele tiden, til bare å være tilgjengelig noen
dager i året.
I tillegg til de åtte områdene Airbnb har delt data om, vel-
ger jeg 46 andre kommuner og sjekker hvor mange aktive
boliger det er i hver av disse. Kommunene er interessante
fordi de er de mest folkerike kommunene som det ikke
allerede finnes Airbnb-tall for, eller fordi de er kommuner
med stor hotellsektor. Det omfatter kommuner fra alle lan-
dets fylker. Antall aktive boliger finner jeg ved å gå inn på
Airbnbs nettside og søke på hver enkelt kommune. Aktive
boliger er alle annonser som dukker opp i søket. Det gir
størrelsen på Airbnb i hver enkelt kommune for den dagen
søket gjøres. For å få tall før det tidspunktet antar jeg at
Airbnb har hatt en lineær vekst fra opprettelsen av nett-
siden frem til dagen jeg søker. Deretter gjør jeg en lineær
interpolering fra opprettelsen av Airbnb i starten av 2013,
frem til søkedatoen i oktober 2016. Det er for eksempel
40 Airbnb-boliger i Halden i 2016. Under antagelsen om
lineær vekst vil det si at det var 10 boliger i 2013, 20 i
2014 og 30 i 2015. Konsekvensene av antagelsen for ana-
lysen blir diskutert i kapittel 6.
Til sammen er det data fra 54 kommuner. Ved slutten av
2015 var Oslo den klart største Airbnb-kommunen med
3995 boliger. Lom var den minste med bare 4 boliger. Det
er åpenbart betydelig variasjon i hvor stort Airbnb er i de
forskjellige kommunene, også relativt til befolkningsstør
-
relse. Oslo har over 250 ganger så mange innbyggere som
Lom, men hele 1000 ganger så mange Airbnb-boliger.
Jeg har brukt en rekke avhengige variabler i analysen, men
de viktigste er omsetning, pris, kapasitetsutnyttelse, reise-
formål og gjestenes opprinnelsesland. Alle data om hotel-
ler er fra nettsiden Statistikknett.no som igjen henter sine
data fra Statistisk sentralbyrå (SSB).
2.1 Andelen Airbnb
I analysen er Airbnbs andel av overnattingsenheter den
eneste forklaringsvariabelen. Den beregnes ved å dele
antall Airbnb-boliger på det totale antallet hotellrom og
Airbnb-boliger i en kommune. Da får vi brøken:	 Airbnb	 . andel = 	Airbnb	 . boliger	 	___________________	 	Airbnb	 . boliger	 + hotellrom
Hvis

en kommune for eksempel har ni hotellrom og én
Airbnb-bolig vil andelen Airbnb være 10 prosent. Det
er viktig å merke seg at en Airbnb-bolig og et hotellrom
ikke er perfekt sammenlignbare. Over halvparten av alle
Airbnb-boliger var til leie under tre måneder i fjor, mens
hotellrom er til leie mer eller mindre året rundt. Det gjør at
en Airbnb-bolig ikke har besøk like ofte som et hotellrom.
Forskjellen bør i utgangspunktet ikke være et problem for
analysen. Målet med å konstruere variabelen Airbnb-andel
er å få et tall på plattformens størrelse relativt til hotellsek-
toren, som er sammenlignbart mellom kommuner
4. REGIONAL VARIASJON I AIRBNBS STØRRELSE
For å bedre måle effekten Airbnb har på hotellbransjen,
ønsker jeg å forstå hvorfor det er mye Airbnb i noen kom-
muner og lite i andre. I dette kapittelet undersøker jeg
regionale variasjoner i Airbnbs omfang, og forsøker å se
om det er tilfeldig at plattformen er mer populær noen ste-
der. Det blir nyttig når jeg utfører hoveddelen av analysen
i kapittel fem.
Airbnb.no har siden oppstarten i 2013 fått over ni tusen
norske boliger til utleie på sin nettside. Det betyr at selska-
pet har like mange utleieenheter som Thon Hotels, Norges
tredje største hotellkjede (Horwath, 2013). Det er i mid-
lertid kun i noen områder at Airbnb har vokst seg stort,
og det er fortsatt steder i landet hvor plattformen omtrent
ikke er tilstedeværende.
I resten av figurene i dette kapittelet deler jeg kommu-
nene inn i to grupper for å få bedre oversikt over forskjel-
lene i utviklingen på steder hvor det er ulik andel Airbnb.
Kommunene med Airbnb-andel over medianen i 2015
på 7,5 prosent kaller jeg treatment-gruppa
2 (T-gruppa).
2 Treatment: Halden, Moss, Fredrikstad, Bærum, Oslo, Ringsaker, Lil-
lehammer, Hemsedal, Horten, Larvik, Skien, Grimstad, Arendal, Kris-
tiansand, Sandnes, Stavanger, Bergen, Trondheim, Oppdal, Bodø, Lo-
foten, Harstad, Tromsø
Tabell 1: Antall aktive boliger i Airbnbs syv største markeder
År Oslo Bergen Stavanger Tromsø Trondheim Lillehammer Kristiansand
2013 676230 118 4228 5224
2014 1867533287354 114114 47
2015 39951163 622428 342205 135
ARTIKKEL

56 // SAMFUNNSØKONOMEN NR. 3 2017JENS FURUHOLMEN
Kommunene under medianen kaller jeg kontrollgruppa	3
(C-gruppa). Deretter beregner jeg den gjennomsnittlige
verdien av en rekke variabler for hvert år i begge gruppene.
Strengt talt er ikke forskningsmetoden min difference-in-
differences på den måten som begrepet ofte omtales i litte-
raturen. Alle kommunene i utvalget har fått en viss grad av
treatment, siden de alle har noen Airbnb-boliger. Nøkkelen
ligger i hvor mye treatment de har fått. Treatment er altså i
dette tilfellet kontinuerlig, men det er likevel nyttig å dele
inn i to grupper for å få oversikt over forskjellene mellom
kommuner med ulik andel Airbnb. I den økonometriske
modellen som brukes senere i artikkelen er det ikke et
binært skille mellom treatment- og kontrollgruppa.
3 Kontroll: Sarpsborg, Asker, Skedsmo, Ullensaker, Hamar, Trysil, El-
verum, Gjøvik, Drammen, Kongsberg, Ringerike, Gol, Hol, Tønsberg,
Sandefjord, Kragerø, Haugesund, Sola, Voss, Sogndal, Molde, Ålesund,
Kristiansund, Røros, Steinkjer, Størdal, Narvik, Rana, Alta.
I figur 2 ser man forskjellen i utviklingen i Airbnb-andel i
de to gruppene etter opprettelsen av Airbnb.no. T-gruppa
har en Airbnb-andel på 13,1 prosent. C-gruppas Airbnb-
andel er på 4,5 prosent. I tillegg har andelen vokst fortere i
T-gruppa og det virker som de to gruppene divergerer. Det
tyder på at det ikke er tilfelle at byene med mye Airbnb
bare har vært tidlig ute med å ta i bruk plattformen, og
at de etter hvert kommer til å bli tatt igjen av andre byer.
Forskjellen mellom kommuner med stor og liten Airbnb-
andel har økt jevnt siden opprettelsen av nettsiden og viser
ingen tegn til å avta.
4.1 Forskjellige hotellmarked
Det er flere forskjeller mellom hotellbransjene i det jeg defi-
nerte som treatment- og kontrollgruppe. Én av forskjellene
er ulik vekst i omsetningen til hoteller både før og etter
opprettelsen av Airbnbs norske nettside. Losjiomsetningen
vokser med tre ganger så mye i T-gruppa som i C-gruppa
i perioden jeg studerer. Det tyder på at det ikke er tilfeldig
Tabell 2: Airbnbs prosentandel av utleieenheter ved slutten av året. Syv kommuner med størst andel
År Oslo Arendal Grimstad Lillehammer Bergen Lofoten Stavanger
2013 5,89,28,3 5,75,5 3,6 2,6
2014 13,916,9 15,312,010,6 7, 09,3
2015 24,824,121,020,2 19,518,0 16,1
Figur 2: Andel Airbnb i treatment- og kontrollgruppa

SAMFUNNSØKONOMEN NR. 3 2017 // 57
JENS FURUHOLMEN
hvor Airbnb har blitt populært. Én mulighet er at én
eller flere uobserverbare forhold fører til at både: (1) flere
ønsker å leie ut via Airbnb; (2) hotellbransjens inntekt
øker. Årsaken kan være stor etterspørsel etter overnatting
som skaper en gunstig markedssituasjon både for hoteller
og andre typer overnatting.
Høyere Airbnb-priser i T-gruppa (Figur 3) indikerer at
markedet for kortidsutleie av bolig er gunstigere der det er mye Airbnb. Jeg bruker tall fra Airdna.co, som har prisdata
for ti av kommunene T-gruppa og syv av kommunene i
C-gruppa
4.
4 Treatment-gruppa er Oslo, Bergen, Trondheim Stavanger, Kristian-
sand, Fredrikstad, Tromsø, Lillehammer og Halden. Kontrollgruppa
er Sarpsborg, Drammen, Sandefjord, Gjøvik, Molde, Kristiansund og
Narvik
Figur 3: Prisen for ulke Airbnb-alternativer
Figur 4: Inntekt pr solgte hotellrom
Figur 5: Kapasitetsutnyttelse hotellrom
ARTIKKEL

58 // SAMFUNNSØKONOMEN NR. 3 2017JENS FURUHOLMEN
Prisene for hotellrom ligger også jevnt høyere i T-gruppa
sammenlignet med C-gruppa. I figur 4 ser vi at prisfor-
skjellen mellom de to gruppene har økt i perioden vi ser
på. Høye hotellpriser gjør trolig at private utleiere også kan
ta høye priser, slik vi så i figur 3. Pris kan derfor ha vært
utslagsgivende for hvor Airbnb har vokst frem.
Jeg sjekker hotellers kapasitetsutnyttelse av rom for å videre
undersøke teorien om at Airbnb-andelen er drevet av til-
standen i hotellmarkedet. Kapasitetsutnyttelse er andelen
belagte rom. Vi ser av figur 5 at T-gruppa har en betydelig
høyere kapasitetsutnyttelse enn C-gruppa. Dette er nok et
tegn på at etterspørselen i større grad er mettet i C-gruppa,
noe som kan forklare gruppas lave Airbnb-andel.
Variabler som jeg senere skal studere som utfall, ser ut
til å ha påvirket fremveksten av Airbnb. Det er et tegn
på omvendt kausalitet og kan føre til endogenitet når jeg
senere forsøker å måle effekten av Airbnb. En måte å kon-
trollere for omvendt kausalitet, er å bruke en instrument-
variabel. Det blir ikke gjort i denne artikkelen fordi jeg
ikke har lykkes med å finne et godt instrument. I stedet
lager jeg en interaksjonsvariabel mellom kommune og tid,
som kontrollerer for ulik trend i kommuners hotellbransje
før opprettelse av Airbnb.no. Det skal vi se nærmere på i
neste kapittel.
5. EMPIRISK STRATEGI
Jeg ønsker å sjekke om Airbnb har en effekt på variabler
forbundet med hotellers kapasitet, inntekt og besøkstall.
Variablene som beskriver hotellers kapasitet er antall rom,
senger og hoteller. Jeg forventer at det er variabler som er
nokså statiske. For å øke tilbudet må nye hoteller bygges,
og det er en langsiktig beslutning som trolig ikke endres
brått av konkurranse fra Airbnb. Dersom Airbnb er et sub-
stitutt for hoteller vil til slutt hotellkapasiteten påvirkes,
men trolig kun på lang sikt. Variablene omsetning og pris
er mer fleksible. Det er størrelser som Airbnb kan ha en
umiddelbar virkning på. Det samme gjelder kapasitetsut-
nyttelse og antall besøkende med hensyn på reiseformål og
besøkendes opprinnelsesland.
Feriegjester er blant de viktigste avhengige variablene i
denne studien. Den beskriver antall gjester som overnat-
ter på norske hoteller med formål ferie/fritid. Det andre
mulige reiseformålet er jobb. Feriegjester er spesielt inter -
essant fordi Airbnb har en større andel ferieturister enn
det hoteller har. Globalt var hele 90 prosent av selskapets
gjester per juni 2016 på ferie. Til sammenligning var bare halvparten av norske hotellgjester i 2015 på ferie. Dermed
har delingsplattformen potensiale til å «stjele» flere ferie-
gjester enn yrkesgjester fra norske hoteller. Grunner til at
forretningsreisende har en sterkere preferanse for hoteller
kan være lojalitetsprogrammene mange hotellkjeder til-
byr eller at Airbnb har et stempel som uformelt. Airbnbs
relativt høye andel ferierende tyder det på at selskapet er
et nærere substitutt for hoteller for feriereisende enn for
forretningsreisende.
Utenlandske gjester er en annen interessant avhengig varia-
bel å studere og sammenligne med norske gjester. Grunnen
er at Airbnb har en større andel utenlandske gjester enn
det norske hoteller har. Airbnb hadde i følge selskapet selv
87 prosent utenlandske gjester i 2015 (Airbnb, 2016a).
Til sammenligning hadde norske hoteller kun 27 prosent.
Dermed vil trolig Airbnb ha en større effekt på utenlandske
besøk enn på norske besøk.
5.1 Regresjonsmodell
Hovedantagelsen ved bruk av difference-in-differences er
at det ikke er noen uobserverbare faktorer som påvirker
både fremveksten av Airbnb og hotellvariabler. Jeg antar
dermed at i fravær av Airbnb ville hoteller i utvalget hatt
den samme utviklingen mellom kommuner, gitt at jeg kon-
trollerer for faktorer som spiller inn. Uobserverbare fak-
torer som kunne påvirket både hoteller og Airbnb, men
som jeg kontrollerer for er: 1) Stedsspesifikke effekter
som er uavhengige av tid, men varier mellom kommuner
(state fixed effects). For eksempel at innbyggerne i Arendal
er tidlig ute med å tilpasse seg nye internettfenomener. 2)
Tidsspesifikke dummy variabler (Dt) som er uavhengige
av sted, men som varierer over tid (time fixed effects). For
eksempel at synkende kronekurs øker både hotellomset-
ningen og antall Airbnb-boliger. 3) Til slutt inkluderer jeg
en interaksjonsvariabel (t) for kommune og tid, hvor jeg
behandler kommune som en diskret variabel og tid som
en kontinuerlig variabel. Vi har tidligere i oppgaven sett
at kommuner med forskjellig andel Airbnb har hatt ulik
utvikling i hotellmarkedet. Ved å inkludere en interaks-
jonsvariabel for tid og sted tillater jeg at kommuner har
ulike tidstrender i forkant av Airbnbs inntreden. Med mine
spesifikasjoner ser modellen slik ut:

Log . hotellvariabel
it =

0 + β 	1 Airbnb	 . andel	 it + β 	2 Kommune	 i + β 	3 D t + β 	4 t + 	ε	 	it
Alle steds- og tidsspesifikke konstantledd kan beskrives
som binær

e variable, med en variabel for hver kommune

SAMFUNNSØKONOMEN NR. 3 2017 // 59
JENS FURUHOLMEN
(54), hver tidstrend i hver kommune (54) og hvert år
(8). Når jeg bruker en fixed effects modell blir summen
av de kvadrerte avvikene lave (residual sum of squares).
Mesteparten av variasjonen i utvalget er mellom kommu-
ner, og det er lite variasjon innad i kommunene. Derfor
ender modellen opp med svært høy R-kvadrat.
5.2 Resultater
I tabell 3 ser jeg på tre utfall knyttet til hotellers kapasi-
tet. Estimatene til forklaringsvariabelen er svake og insig-
nifikante for utfallene hoteller og senger. Det tyder på
at Airbnb-andelen ikke har hatt noen effekt på hotellers
totale kapasitet. Det er i tråd med mine forventninger.
Plattformen har ikke eksistert lenge nok til å påvirke hotel-
lers langsiktige investeringer. Kapasitetsutnyttelse er i mid-
lertid signifikant på et 1 prosents nivå. Kapasitetsutnyttelse
er andelen belagte hotellrom og kan variere mellom og
100. Estimatet tilsier at ett prosentpoengs økning i Airbnb-
andelen fører til 0,49 prosentpoengs redusert kapasitets-
utnyttelse.
I tabell 4 ser vi at estimatene for Airbnb-andelen regressert
på hotellers inntekt og pris ikke er statistisk signifikante
for noen konvensjonelle nivåer. Man bør likevel ikke igno-
rere estimatene helt. Selv om estimatene ikke er signifi-
kante peker de begge i retning av å bli negativt påvirket
av Airbnb. Det gir en svak indikasjon på at Airbnb er et
substitutt for hoteller.
I tabell 5 ser vi Airbnb-andelens effekt på ulike grupper av
gjester på norske hoteller. Utfallene i (1) og (2) er logarit-
men av antall gjester fra henholdsvis Norge og utlandet.
Estimatet til Airbnb-andelen er i begge tilfeller insignifi-
kant. Likevel er det viktig å påpeke at begge estimatene
er negative og dermed antyder svakt at Airbnb reduserer
besøkstallet til hoteller. Legg også merke til at estimatet
for Airbnb er større og mer signifikant når utfallet er uten-
landske gjester enn når utfallet er norske gjester. Det er
i tråd med hypotesen om at Airbnbs relativt store andel Tabell 3: Regresjon paneldata 2007-2015. Effekten av
Airbnb-andelen på utfall knyttet til hotellers kapasitet
(1)
Log hoteller
(2)
Log senger(3)
Kapasitetsutnyttelse
Airbnb-andel 0,0023 (0,0032)
[0,0046]0,0025
(0,0045)
[0,0069]-0,486**
(0,121)
[0, 240]
N 479 479 479
R
2	0,981 0,978 0,901
Noter: */** statistisk signifikansnivå på 5 /1 %. Vanlige standardfeil
er i parentes. Klyngerobuste standardfeil er i hakeparentes.
Tabell 4: Regresjon paneldata 2007-2015. Effekten av
Airbnb-andelen på utfall knyttet til hotellers inntekt
(1)
Log losjiomsetning (2)
Log omsetning pr solgte
rom (pris)
Airbnb-andel -0,0070
(0,0070)
[0,0068] -0,0018
(0,0020)
[0,0035]
N 479 479
R
2	0,962 0,860
Tabell 5: Regresjon paneldata 2007-2015. Effekten av Airbnb-andelen på utfall knyttet til hotellers besøkstal\
l
(1)
Log overnattinger
nordmenn (2)
Log overnattinger
utlendinger(3)
Log overnattinger
jobb(4)
Log overnattinger
ferie
(5)
Log alle overnattinger
Airbnb-
Andel -0,0038
(0,0042)
[0,0061] -0,0083
(0,0076)
[0,0122]0,0057
(0,0058)
[0,0078]-0,0126*
(0,0062)
[0,0090]-0,0056
(0,0039)
[0,0074]
N 398 398478478478
R
2	0,989 0,9770,9780, 9 740,987
utenlandske gjester gjør at plattformen har større påvirk-
ning på hotellers utenlandske besøk enn på norske besøk.
I (3) og (4) måles effekten av Airbnb-andelen på henholds-
vis forretningsreisedøgn og feriedøgn på hoteller. Estimatet
er negativt signifikant for utfallet overnattinger ferie. Til
sammenligning er estimatet for utfallet overnattinger jobb
positivt og insignifikant. Det peker i retning av at økende
tilstedeværelse av Airbnb rammer hotellers feriebesøk mer
enn det rammer forretningsbesøk. Koeffisienten i (4) tolkes
som at ett prosentpoengs økning i Airbnb-andelen reduse-
rer hotellers feriebesøk med 1,26 prosent. Det er nyttig å
se på et eksempel for å forstå hva det betyr. I Norge er det
omtrent 9 000 Airbnb-boliger og 77 000 hotellrom. Det
gir en Airbnb-andel på 10,7 prosent. Ett prosentpoengs
økning i Norges Airbnb-andel tilsvarer omtrent tusen nye
ARTIKKEL

60 // SAMFUNNSØKONOMEN NR. 3 2017JENS FURUHOLMEN
Airbnb-boliger, gitt at antall hotellrom er uforandret. Det
skal i følge estimatet i (4) føre til 11 000 færre ferieover-
nattinger på hoteller. Det betyr at hver nye Airbnb-bolig i
snitt tar 11 overnattingsdøgn i året fra hotellbransjen. Til
sist observerer jeg at Airbnbs effekt på alle besøkende er
negativ men så vidt ikke signifikant på et 10 prosent nivå.
6. TEST AV ROBUSTHET
For 46 av kommunene i utvalget har jeg kun målinger for
antall Airbnb-boliger i 2016. Derfor antar jeg lineær vekst i
Airbnb-boliger de foregående årene. Under antagelsen om
lineær vekst vil det oppstå målefeil. Hvis målefeilene er ti\
l-
feldige vil det vri estimatene mot null (attenuation bias). I
verste tilfelle vil feilene være systematiske og skape ikke-
forventningsrette estimater som er vridd i en retning.
Antagelsen er likevel nødvendig for å få utfyllende data i
og med at jeg mangler tall for de fleste kommunene i utval-
get før 2016. Jeg har i midlertid mottatt tidsseriedata fra
Airbnb for de åtte største markedene i Norge. Blant disse
var veksten i flere tilfeller eksponentiell frem til 2015, før
den avtok i 2016. I det jeg gjør antagelsen om lineær vekst
i de resterende 46 kommunene, er jeg mest usikker på
størrelsen til Airbnb i 2013 og 2014. I eksempelet i figur 6
illustrerer jeg hvorfor. Den sanne verdien av Airbnb-boliger
er den solide linja, mens den stiplede linja viser hvordan
lineær vekst ville sett ut. For perioden jeg studerer (2007-
15) er den hypotetiske lineære veksten nærmest den sanne
linja ved utgangen av 2015. Når jeg utfører paneldatare-
gresjonene uten de usikre målingene i 2013 og 2014 er
det ingen estimater som mister signifikans og størrelsen på
estimatene holder seg stabile (tabell 10). Jeg tolker det som
at antagelsen om lineær vekst er holdbar. De klyngerobuste
standardfeilene øker i midlertid mye og gjør at feriegjes-
ter ikke lenger er signifikant for konvensjonelle nivåer. Jeg
vektlegger ikke det, fordi målet med robusthetstesten først
og fremst er å se hvordan størrelsen på estimatene endrer
seg. I tillegg har jeg redusert datasettet, og små datasett
utgjør en trussel mot validiteten til robuste standardfeil
(Stock og Watson, 2012).
7. DISKUSJON OG KONKLUSJON
Delingsøkonomien har vokst frem som et alternativ for en
rekke av forbrukeres behov. Alt fra overnatting, postbud,
biler, og ferdiglaget mat tilbys nå av privatpersoner, der
det før bare var vanlig med tradisjonelle bedrifter. Noen
priser den nye markedsformen for å bedre utnytte ubrukte
ressurser, mens andre er bekymret for negative konse-
kvenser delingsøkonomien kan ha. Kritikken har blant
annet handlet om svekkelse av arbeideres rettigheter, skat-
teunndragelse og urettferdige konkurransefortrinn. Denne
artikkelen er blant de første studiene som måler effekten
delingsøkonomien har hatt på samfunnet. Det gir empirisk
grunnlag til den pågående debatten om hvordan delingsø-
konomien skal reguleres her til lands.
Ved å studere tilfellet Airbnb har jeg forsøkt å se om
delingsøkonomien skaper sitt eget marked eller om den tar
over rollen som tidligere har tilhørt tradisjonelle aktører.
Ved bruk av metoden difference-in-differences sammenlig-
ner jeg utviklingen i hotellbransjen i 54 norske kommuner
hvor Airbnb har hatt ulik inntreden. I noen kommuner
utgjør plattformen en fjerdedel av alle overnattingsenhe-
ter, mens i andre er den så godt som ikke tilstedeværende.
Totalt var det over ni tusen Airbnb-boliger til leie i Norge
ved utgangen av 2015. Til sammenligning var det 77 000
hotellrom.
Analysen viser at det ikke er tilfeldig hvor Airbnb-boliger
legges ut på markedet. Kommuner med høy konsentrasjon
Figur 6: Aktive Airbnb-boliger i Oslo
Tabell 6: Paneldataregresjon uten årene 2013-2014
(1)
Kapasitetsutnyttelse (2)
Ferieg jester
Airbnb-andel -0,519*** (0,140)
[0,269] -0,0142**
(0,0072)
[0,0155]
N 368 368
R
2	0,908 0,972

SAMFUNNSØKONOMEN NR. 3 2017 // 61	JENS FURUHOLMEN
av Airbnb-boliger i 2015 skilte seg ut fra andre kommuner
allerede før plattformens inntreden i Norge. Hotellene i
områdene hvor Airbnb ble populært hadde høyere hotell-
pris og bedre kapasitetsutnyttelse. Det tyder på at boliger
legges ut til leie som en respons på gode markedsvilkår.
Airbnbs sammensetning av gjester er annerledes enn for
hoteller. Blant dem som overnatter i Airbnb-boliger er en
større andel på ferie og en større andel er utlendinger Det
gjør at plattformen er et nærere substitutt for hoteller for
noen typer gjester. Det viser seg at spesielt hotellers besøk
av feriegjester blir negativt rammet av delingsplattformen.
En økning i Airbnb-andelen på ett prosentpoeng fører til en
reduksjon i hotellers feriebesøk på 1,26 prosent. Det betyr
at hver nye Airbnb-bolig hvert år «stjeler» 11 overnattings-
døgn fra hoteller. Resultatene antyder også at Airbnb ram-
mer utenlandske besøk hardere enn norske besøk, men
estimatene er ikke statistisk signifikante for noen konven-
sjonelle nivåer. Det samme gjelder for Airbnbs påvirkning
på inntekt og pris. Det virker som det er en negativ sam-
menheng, men den er ikke statistisk signifikant. Til slutt
finner jeg at ett prosentpoengs økning Airbnb-andelen
fører til 0,5 prosentpoengs reduksjon i belegningsgrad for
hoteller.
Analysen kommer frem til at Airbnb må regnes som et
substitutt for hoteller. Det gjelder spesielt for utlendinger
og feriereisende. For hotellbransjen betyr det at man må
forvente økende grad av konkurranse om disse kundene.
Selv om jeg ikke ser klare tegn på reduserte priser og tap
av inntekt som følge av økende konsentrasjon av Airbnb,
ser jeg i midlertid at belegningsgraden har blitt negativt
påvirket. Hvis antall annonserte boliger fortsetter å vokse,
kan det bli tydeligere i fremtiden hvordan omsetningen
til hoteller blir påvirket. Hvis det viser seg at plattfor-
men reduserer hotellers inntjening kan det føre til færre
arbeidsplasser og lavere lønnsvekst i bransjen, sammenlig-
net med om Airbnb aldri hadde eksistert. Det er effekter
som er relevante å se på i videre studier, men som ikke har
blitt vektlagt i denne artikkelen. Andre interessante temaer
for videre studier er hvordan Airbnb påvirker boligpriser
og leiepriser for bolig. I flere land er det allerede en opphe-
tet debatt om disse effektene og diskusjonen har behov for
empiriske resultater.
For konsumenter gir Airbnb et billigere alternativ for over -
natting og mer produktvariasjon. Ikke bare i form av én
ekstra bedrift å velge blant, men også fordi Airbnb har
større variasjon blant sine boliger enn det hotellkjeder har.
Det er usikkert om hotellprisene blir påvirket negativt, men det vil i så fall gi prisgevinster til konsumenter. Airbnb
gir også inntekter til vertene som leier ut sin bolig og ikke
minst til bedriften selv.
For myndigheter er bedriftskatt en viktig del av skatteinn-
tektene. Vi har sett tegn på at Airbnb fører til lavere inntekt
for bedrifter, på tross av mangel på et statistisk signifikant
estimat. Det kan igjen føre til lavere skatteinntekter. I til-
legg kan den nye delingsøkonomien skape utfordringer
knyttet til skatteinnkreving. Det er trolig lettere for privat-
personer å unndra skatt på inntekt fra delingsøkonomisk
aktivitet enn det er for tradisjonelle bedrifter. Som nevnt
i innledningen av denne oppgaven vil uansett de fleste av
Airbnbs norske verter være unntatt skatt, siden det er fri-
tak for inntekt under 20 000. Det betyr at et skifte av etter
-
spørsel fra tradisjonelle markeder over til delingsøkonomi
kan redusere myndighetenes inntekter.
Likevel er det sannsynlig at delingsøkonomien delvis ska-
per sitt eget marked og sånn sett fører til økt produksjon
og eventuelt økte skatteinntekter. Selv om det virker som
om Airbnb tar markedsandeler fra hoteller, betyr ikke det
at selskapet er et perfekt substitutt for hoteller. Airbnb
opplyser at en «typisk» bolig blir leid ut 26 dager i året.
Med et gjennomsnittlig reisefølge på 2,4 personer utgjør
det 62 overnattinger. Med mine beregninger om at Airbnb
tar 11 overnattinger fra hoteller i året, betyr det at meste-
parten av Airbnbs gjester ikke vil bodd på hoteller uansett.
Dermed kan Airbnb øke turismen til Norge og gi verdier til
mange andre næringer enn overnatting.
7. REFERANSER
Airbnb (2016a). Om oss. Tilg jengelig fra \https://www.airbnb.no/
about/about-us
Airbnb (2016b). Airbnb i Norge: Et overblikk. https://www.airbnbaction.com/
airbnb-helps-boost-norwegians-income-bykr22-650/
Airbnb (2016c). The Economic Impacts of Home Sharing in cities around the world. Tilg jengelig fra https://www.airbnb.com/
economic-impact
Airbnb (2016d) Tjen penger som en Airbnb-vert. Tilg jengelig fra https://www.airbnb.no/host
Bennett (2016). Barcelona steps up crackdown on Airbnb, threatens further fines. Reuters [Internett], 11 aug.
Bower, Joseph L. & Christensen, Clayton M. (1995). Disruptive Technologies: Catching the Wave. Harvard Business Review.
Einav, Farranto og Levin (2015). Peer-to-Peer Markets. National Bureau of Economic Research. http://www.nber.org /papers/
w21496
ARTIKKEL

62 // SAMFUNNSØKONOMEN NR. 3 2017JENS FURUHOLMEN
Fang, Ye, Law (2015). Effect of sharing economy on tourism industry
employment. Harbin Institute of Technology, China. The Hong
Kong Polytechnic University, Hong Kong.
Gabrielsen (2017). Delingsøkonomien – drivkrefter og samfunnsøkonomiske effekter? Samfunnsøkonomen nr 2, 2017.
Gildestad og Tandstad (2016b). Kina har tvunge Airbnb i kne – no krev NHO skattlegging i Norge. NRK [Internett], 4 nov.
Greenwood, Brad N. and Wattal, Sunil (2015). Show Me the Way to Go Home: An Empirical Investigation of Ride Sharing and
Alcohol Related Motor Vehicle Homicide. Fox School of Business
Research Paper No. 15-054.
Guttentag (2013). Airbnb: disruptive innovation and the rise of an informal tourism accommodation sector. University of Waterloo.
Horwath (2013) Norsk hotellnæring.
IHG (2015). Intercontinental Hotels Group - Annual Report and Form 2014-2015
Lind J. T. (2016). Oppskrytt deling. Samfunnsøkonomen nr 1, 2016.
NOU 2017: 4. Delingsøkonomien – utfordringer og muligheter. Overlevert 6. Februar 2017 NRK (2016a) LO urolig for delingsøkonomi. NRK [internett], 5 mars.
Reisch og Thøgersen (2015). Handbook of Research on Sustainable
Consumption. Cheltenham UK. Northampton, MA, USA. Edward
Elgar Publishing
Skatteetaten (2017) Skatt ved utleie av bolig og fritidseiendom [internett], 9 april.
Tobiassen (2016a). Krever Airbnb-grense. Dagens næringsliv [Internett], 9 aug.
Tobiassen (2016b) Vil tvangsselge Airbnb-bolig. Dagens næringsliv
[Internett], 8 aug.
Wallsten (2015). The Competitive Effects of the Sharing Economy: How is Uber Changing Taxis? Tecnology Policy Institute.
Zervas, Georgios and Proserpio, Davide and Byers, John (2016). The Rise of the Sharing Economy: Estimating the Impact of Airbnb on
the Hotel Industry. Boston U. School of Management Research
Paper No. 2013-16.
ABONNEMENT
www.samfunnsokonomene.no
HUSK!
 Abonnementet løper til det blir oppsagt,
 og faktureres per kalenderår.