Zuzana Uhříková: Ověření hypotézy, zda má Airbnb vliv na klasické pronájmy v Praze

ÚVOD

Práci na závěrečném projektu jsem chtěla spojit se znalostmi získanými z práce a studia a vše dohromady vhodně propojit. Když se naskytla možnost analyzovat data z prostředí realitního trhu, přišlo mi to jako výborný nápad. Jako právnička působící na katastru nemovitostí mám k realitám kladný vztah. Každý den se v práci setkávám s informačními systémy katastru nemovitostí a s jeho daty. Až v průběhu digitální akademie, kdy jsme měly možnost absolvovat rozmanité předměty skrz na skrz datovou analytikou, jsem si uvědomila, jaké cenné informace tyto data skrývají.

Data, která jsem měla k dispozici zahrnovala údaje o nabídce pronájmů na webovém portálu Airbnb a Sreality. Hlavním cílem mé práce bylo ověření hypotézy, zda online platforma Airbnb má vliv na nabídku klasických pronájmů v Praze. Toto téma navazuje, na hojně diskutovanou problematiku spojenou s pronájmy prostřednictvím Airbnb. Tento nejrozšířenější světový startup a zprostředkovatel pronájmů je trnem v oku nejen pražských radních, kteří volají po jeho regulaci a chtějí zakotvit jasná legislativní pravidla pro jeho fungování.

Sdílená ekonomika je novým fenomén, na který právo jen obtížně reaguje. Typická je pro ni menší míra právní regulace. Stávající situace tak zvýhodňuje účastníky sdílené ekonomiky a zprostředkující firmy. Těm nyní nejsou kladeny přílišné překážky a je jim umožněno efektivní zužitkování přebytečných statků.

Regulatorní opatření postihlo již několik měst, např. San Francisco, Los Angeles, New York, Berlín nebo nově i Paříž. Paříž jako největší samostatné město v rámci Airbnb zavedlo povinnost registrace ke krátkodobému pronájmu. Vlastník nemovitosti tak bude nucen odvádět turistické taxy a zároveň bude limitován dobou pronájmu, kdy tato nebude moci překročit 120 dní v roce pro krátkodobý pronájem. Zcela restriktivní postoj byl zaveden v Berlíně. Od 1. 5. 2016 německá metropole přijala zákon, na jehož základě hrozí za krátkodobý pronájem celého bytu pokuta ve výši 100 tisíc EUR. V návaznosti na tuto problematiku Evropská komise v červnu 2016 vydala doporučení určená členským státům EU, v nichž doporučuje regulaci sdílené ekonomiky jen do takové míry, aby byl zachován pozitivní ekonomický a sociální aspekt těchto služeb.

Vzhledem k tomu, že se tato problematika týká většinou center měst, které jsou pro uživatele Airbnb nejaktraktivnější, rozhodla jsem se analýzu omezit jen na území městské části Prahy 1. V Praze 1 by taková regulace postihla dle dostupných údajů přibližně na 3,5 tis. bytů. Pro srovnání jaká je situace na území Jihomoravského kraje, jsem do analýzy zahrnula i město Brno.

PRÁCE S DATY

Prvním úkolem bylo seznámení se s databází, kterou jsem měla k dispozici. Data mi byla zpřístupněna formou databáze PostgreSQL. Ke zpracování a vytváření příkazů jsem využívala uživatelské prostředí Admineru a DataGripu. 

EXTRAHOVÁNÍ DAT

V rámci mentoringu mi bylo teoreticky vysvětleno, jak se k jednotlivým datům dostat a jak vůbec vznik takové databáze vypadá. Prakticky jsem si vyzkoušela extrakt dat z 3 náhodných nabídek uveřejněných na portálu Airbnb, jejichž postup popíšu níže:

1. Výběr 3 náhodných inzerátů na Airbnb.

   

   Příklad náhodného inzerátu z Airbnb

2. Zobrazíme si zdrojový kód webové stránky a najdeme v něm tu část, ve které jsou data obsažená ve formátu JSON. Tuto část si vykopírujeme do předpřipravené tabulky v DataGripu do sloupce data.

   

   Výběr dat ve formátu JSON

3. V DataGripu si připravíme tabulku, která bude obsahovat 3 sloupce (id, url, data). Do této tabulky vložíme údaje z 3 vybraných inzerátů.

   

   Tabulka se základními údaji o 3 náhodných inzerátech z Airbnb

4. Pro snazší orientaci v získaném JSON si kód zobrazíme např. prostřednictvím online prohlížeče na webu jsonviewer.stack.hu.

   

   Zobrazení struktury JSON na webu jsonviewer.stack.hu

5. Vytipujeme si hodnoty, které nás v nabídnutém inzerátu zajímají a najdeme si k nim cestu ve výše strukturovaném JSON.
6. V DataGripu si otevřeme konzoli a napíšeme následující příkaz:
   
7. Tento příkaz nám z výše vytvořené tabulky vybere námi zvolené hodnoty pro jednotlivé inzeráty.

   

   Extrahované hodnoty z nabídek

8. Výsledek předchozího dotazu si uložíme do nové tabulky, která bude obsahovat potřebné sloupce. To nám umožní s hodnotami lépe pracovat a vytvářet nad nimi požadované dotazy. Do této tabulky si pomocí funkce INSERT INTO vložíme výše popsaná data.
   

Výše popsané kroky jsem provedla manuálně. Pro efektivní zpracování je vhodné použít automatické načítání nabídek, extrahování JSON a jeho vkládání do popsané tabulky. Popsané dotazy by pak bylo vhodné upravit tak, aby zohledňovaly průběžné aktualizace zdrojové tabulky a tyto promítaly do dat určených pro analýzu.

ČIŠTĚNÍ DAT

V další části se věnuji čištění dat z databáze. Pro vzorovou ukázku jsou příkazy vytvářeny nad tabulkou s daty z Srealit. První úkol, který mě čekal, byl z dat vyextrahovat ty údaje, které by se týkaly jen městské části Praha 1. Postupovala jsem tímto způsobem:

1. Za pomoci následujícího příkazu jsem si zjistila, jaké jsou nejčastější zápisy pro lokalitu Praha 1:
   
2. Dále jsem zjistila celkový počet nabízených bytů pro Prahu 1
   
3. Počty bytů dle k.ú. pro Prahu 1:
   
4. Získání dat pro Prahu 1 pro potřeby další vizualizace v Tableau.
   

VIZUALIZACE DAT

Poslední část mého projektu se zabývá vizualizací získaných dat. Data jsem vizualizovala za pomocí nástroje Tableau. Sestavila jsem si seznam otázek, na které jsem postupně pomocí dat hledala odpovědi.

1. Porovnala jsem nabídky klasický dostupných pronájmů prostřednictvím Sreality s počty nabídek krátkodobých pronájmů na Airbnb pro Prahu 1. Z výsledného grafu lze vyčíst, že počet nabídek Srealit převyšuje nad počtem nabídek na Airbnb. Je zajímavé, že pro oblast Starého Města a Nového Města jsou počty krátkodobých pronájmu téměř srovnatelné, ale u klasických pronájmů je dostupných pro Nové Město více jak dvojnásobný počet nabídek jak pro Staré Město, z čehož lze vydedukovat, že krátkodobé pronájmy se těší zájmu zejména historické části města. Můžeme tedy potvrdit tvrzení, že krátkodobé pronájmy zabírají nezanedbatelnou část trhu s běžnými pronájmy, čímž může docházet k vytlačování rezidentů z centra města.
   
2. Dále jsem vizualizovala rozmístění dostupných nabídek na mapě za pomocí GPS souřadnic. Z mapy lze vysledovat rozdílnou hustotu rozmístění nabídek v historické části města pro Airbnb nabídky a klasické pronájmy. Pro doplnění přikládám vizualizaci Airbnb nabídek v Brně.
   
   
   
   
   
   
   
   
   
3. V rámci služby Airbnb jsou poskytovány 3 druhy typů ubytování – celý dům/byt, soukromý pokoj a společný pokoj. Z poskytnutých dat jsem zjistila, že nejčastějším nabízeným typem ubytování v Praze 1 jsou celé domy/byty. Za nimi následují pronájmy samostatných pokojů a lůžek. V Brně je viditelný rozdílný poměr poskytovaných typů ubytování, kdy počty nabídek celých domů/bytů se téměř rovnají počtům nabídek pronájmů samostatných pokojů. Lze to přikládat tomu, že Brno je studentské město a může jít tedy o nabídky studentů, kteří občas své pokoje nabídnou k pronájmu.
   
   
   
   
   
   
   
   
   
4. Ze získaných dat jsem zjistila, že většina pražských hostitelů nabízí k pronájmu pouze 1 ubytovací jednotku. Zároveň je zde však vysoký podíl těch, kteří pronajímají 10 a více jednotek. Pro srovnání jsem stejným způsobem zanalyzovala i nabídky v Brně. U hostitelů, kteří mají větší počet nabídek pronájmů, lze usuzovat, že jde o činnost vyvíjenou za účelem dosažení zisku. Mohou tak naplňovat definici podnikání dle živnostenského zákona.
   
   
   
5. Pro zajímavost doplňuji analýzu o informace, z jakých 30 zemí nejčastěji přicházejí návštěvníci do Prahy a Brna. Z vizualizace je patrné, že Prahu navštěvují zejména zahraniční turisté, zatímco Brno je oblíbené i mezi návštěvníky z České republiky.
   

ZÁVĚR

Závěrem lze říci, že obavy poslední doby týkající se zneužívání sdíleného ubytování k podnikatelským účelům (hostitelé s více byty) v lukrativních oblastech, zejména tedy centrech měst, je třeba brát vážně. Tento jev má totiž logicky významný vliv na vytlačování rezidentů z center měst, což také dokládají uvedené výstupy týkající se počtů běžných nabídek na Sreality a nabídek na Airbnb pro sledované části Prahy 1. Na zvážení tedy zůstává otázka jak přistoupit k regulaci této problematiky. Do budoucna lze analýzu dále rozšířit o vliv krátkodobých pronájmů na ceny klasických nájmů.

ZDROJE:

http://ekonomika.idnes.cz/doporuceni-evropske-komise-o-sdilene-ekonomice-f5d-/ekonomika.aspx?c=A160602_181855_ekonomika_rny

http://www.czechcrunch.cz/2017/07/pariz-omezi-kratkodobe-pronajmy-pres-airbnb-turistickou-dani-a-limitem-doby-pronajmu/

http://echo24.cz/a/i3853/berlin-zakazal-airbnb-pry-se-diky-tomu-zdrazuji-najmy-ve-meste

Sdělení Komise Evropskému parlamentu, Radě, Evropskému hospodářskému a sociálnímu výboru a Výboru regionů "Evropská agenda pro ekonomiku sdílení".[COM (2016) 356 final]

https://www.pronajmuse.cz

https://onlinehelp.tableau.com

https://stackoverflow.com