Analisi sugli affitti

97

ragione dietro a questo effetto potrebbe essere legata al fatto che la presenza di un numero elevato di stranieri nel quartiere consente di ricevere maggiori prenotazione dovute a famigliari che vengono a trovare parenti nella zona e non sapendo dove alloggiare si rivolgono alla piattaforma Airbnb per trovare una sistemazione.

98

stanze private e stanze condivise. Le modalità di creazione del database e le approssimazioni resesi necessarie sono state le stesse.

5.2.1 Variabili e modelli utilizzati

In questo set di regressione, con entrambi i database, si è utilizzata come variabile dipendente Log(Rent), ovvero il valore medio degli affitti semestrali per ciascuna zona OMI, calcolato come media aritmetica tra il valore massimo e minimo fornito dall’Agenzia dell’Entrata per ciascuna zona. La variabile di interesse è, invece, IntensitaAirbnb. Anche in questo caso si sono condotte tre regressioni, in ciascuna delle quali sono stati considerati gli effetti fissi temporali. Nella prima regressione si sono considerati solamente i dati relativi all’intensità del fenomeno Airbnb per zona OMI. Successivamente, si è condotta una regressione aggiungendo variabili relative alle zone OMI e una variabile che misura il flusso turistico nella città (trasporto aereo). Queste prime due regressioni sono state condotte mediante il comando “regress” di Stata. Infine, la terza e ultima analisi è stata condotta tenendo in considerazione gli effetti fissi a livello di zona. Per quest’ultima analisi si è utilizzato il comando “xtreg” con l’opzione “fe” e per questa ragione nella regressione sono state escluse le variabili relative al censimento 2011, essendo queste time invariant.

Nella seconda e nella terza regressione si è utilizzata anche una variabile dummy (“ZonaTuristica”) che indica se la zona OMI in questione è una zona caratterizzata dalla presenza di attrazioni turistiche (musei, palazzi storici o punti di interesse) o di lidi balneari rilevanti. Le equazioni stimate nell’analisi sono le seguenti:

1. Log(Yit) = α + β log (IntensitaAirbnb) + τt + εit

2. Log(Yit) = α + β log (IntensitaAirbnb) +δ Xi + ηWit + τt + εit

3. Log(Yit) = α + β log (IntensitaAirbnb) + ηWit + τt + Kk + εit

Dove:

Yit : valore medio del livello di affitto fornito dall’OMI per la zona i nel semestre t IntensitaAirbnb: Intensità Airbnb nella zona OMI i e semestre t (valore percentuale) Wit : variabili turistiche time-varying della zona OMI

Xi : variabili time-invariant della zona OMI (variabili censimento 2011) Kk: effetti fissi della zona OMI

τt: effetti fissi del semestre

99

L’elenco di tutte le variabili utilizzate è riportato nella Tabella 16.

Tabella 16 Variabili usate nella regressione sugli affitti

Importante sottolineare che le variabili sono percentuali ma sono espresse linearmente (es. una intensità del 2% nel database figura come 0.02).

StranieriP Abit_occP

Famiglie_in_affittoP Edif_ResidP

Edif_commP

ZonaTuristica Variabile dummy per differenziare le zona più turistiche della città

Variabile di interesse che misura la presenza di annunci Airbnb in ciascuna zona OMI i nel semestre t Variabili Census 2011 relative a caratteristiche delle zone OMI calcolati in valore percentuale (es. Stranieri P

= Stranieri/Resid tot)

Variabili relative a flusso turistico città di Genova IntensitàAirbnb

Trasporto Aereo

100

5.2.2 Output Regressioni Affitti database solo EntireHome

L’output della regressione è raffigurato nella tabella seguente (Tabella 17).

Tabella 17 Output regressione Affitti (Database solo EntireHome)

Dai risultati della Tabella 17 è possibile osservare la presenza di una correlazione positiva tra l’aumento dell’intensità di Airbnb e il prezzo degli affitti. In particolare, nella prime due colonne,

--- [Database solo (1) (2) (3) Entire Home] log_Rent log_Rent log_Rent --- IntensitaAirbnb 2.598*** 2.330*** 0.804***

(0.650) (0.366) (0.214) ZonaTuristica 0.287*** 0.0237 (0.0110) (0.0348) StranieriP -0.627***

(0.0523) Abit_OccP -0.00158*

(0.000773) FamAffittoP -0.591***

(0.0477) EdifResidP 0.477***

(0.0285) EdifCommP 0.970***

(0.0667) TrasportoA~o -0.000000130 0.000000237***

(0.000000115) (5.41e-08) _cons 1.905*** 1.636*** 1.779***

(0.0311) (0.0720) (0.0300) --- N 2211 2210 2210 adj. R-sq 0.079 0.406 0.606 --- Year_sem FE YES YES YES CodOMI FE YES --- Standard errors in parentheses

* p<0.05, ** p<0.01, *** p<0.001

101

che non tengono in considerazione gli effetti fissi di quartiere, l’effetto predetto risulta essere molto alto: usando i risultati della colonna 1 si trova che un aumento della intensità di Airbnb di un punto percentuale determina un aumento nel prezzo degli affitti del 2.598%. Tuttavia, i risultati della prima e della seconda colonna non possono ritenersi troppo precisi, dal momento che la varianza spiegata non risulta troppo elevata (solo il 7.9% nella prima regressione e il 40.6% nella seconda).

Andando a considerare gli effetti fissi di zona, si riesce ad ottenere un valore del R-quadro soddisfacente (60.6%) e l’intensitaAirbnb risulta essere ancora significativa e correlata positivamente, anche se il coefficiente si riduce rispetto alle prime due regressione (0.804). La ragione dietro questa riduzione dell’effetto è la presenza di altri fattori che incidono sui prezzi degli affitti nei diversi quartieri. La variabile di controllo relativa al turismo (traffico Aereo) risulta essere significativa e correlata positivamente, anche se il suo impatto è molto esiguo. Nella seconda regressione risultano significative tutte le variabili di controllo. Tra queste quella che determina un effetto maggiore è la presenza di edifici commerciali (negozi, centri commerciali e altre attività), con un coefficiente positivo pari a 0.970. Questo risultato è facile da comprendere: le zone con molte attività commerciali offrono più comforts e risultano più interessanti. Risulta significativa e con una correlazione positiva anche la variabile dummy che indica la turisticità della zona. Anche questo risultato è in linea con le aspettative: i quartieri più turistici, ovvero quelli più centrali e quelli affacciati sul mare, sono più attrattivi dei quartieri che non hanno alcun centro di interesse significativo.

Si può, quindi, affermare che la diffusione del fenomeno Airbnb ha un impatto sul valore degli affitti degli immobili. L’interpretazione di questo risultato ha diverse chiavi di lettura. Una prima ragione può essere legata al fatto che un aumento del numero di abitazioni destinate alla piattaforma online significa che una maggiore quota di abitazioni viene sottratta al mercato immobiliare, determinando quindi un calo dell’offerta generale e un conseguente aumento dei prezzi. Una seconda chiave di lettura potrebbe ricondurre al tema della gentrificazione spiegato nel capitolo precedente: la diffusione sempre maggiore di Airbnb potrebbe lentamente far acquistare a determinate zone un valore sempre maggiore e, di conseguenza, far aumentare anche il livello degli affitti.

102

5.2.3 Output Regressioni Affitti database completo

L’output della regressione è raffigurato nella tabella seguente (Tabella 18).

Tabella 18 Output regressione Affitti (Database completo)

Allargando la visione agli altri tipi di annunci, i risultati che si ottengono rimangono pressoché invariati. La prima regressione conferma l’effetto positivo e fortemente significativo della variabile IntensitaAirbnb, anche se come nella regressione precedente il valore dell’indice R-quadro per

--- [Database (1) (2) (3) Completo] log_Rent log_Rent log_Rent --- IntensitaA~b 2.186*** 1.140*** 0.614***

(0.428) (0.188) (0.165) ZonaTurist~a 0.211*** 0.0234 (0.0129) (0.0349) StranieriP -0.712***

(0.0501) Abit_OccP -1.119***

(0.106) FamAffittoP -0.619***

(0.0406) EdifResidP 0.432***

(0.0252) EdifCommP 0.984***

(0.0660) TrasportoA~o 0.000000290** 0.000000224***

(0.000000106) (5.39e-08) _cons 1.905*** 2.449*** 1.786***

(0.0311) (0.103) (0.0296) --- N 2211 2210 2210 adj. R-sq 0.081 0.451 0.606 --- Year_sem FE YES YES YES CodOMI FE YES --- Standard errors in parentheses

* p<0.05, ** p<0.01, *** p<0.001

103

questa regressione è veramente basso. Nella seconda e terza regressione si constata sempre la presenza di un effetto positivo e fortemente significativo tra l’intensità di Airbnb in una zona e i valore dell’affitto di tale zona, in particolare l’aumento di un punto percentuale della densità di Airbnb determina un aumento nel prezzo degli affitti del 1.14% (seconda colonna) e 0.614% (terza colonna). Quindi, rispetto alle regressioni in cui si teneva in considerazione solamente gli annunci relativi agli interi appartamenti l’effetto risulta essere inferiore. Non è un risultato che stupisce in quanto, come spiegato precedentemente, solamente la tipologia “EntireHome” può ritenersi una vera e propria sostituta e “concorrente” degli affitti tradizionali. In queste due regressione il valore dell’indice R-quadro aumento, arrivando al 60.6%. Gli effetti e la significatività delle altre variabili di controllo non varia dai risultati mostrati nel paragrafo 5.2.2.