Universidad del Zulia (LUZ)
Revista Venezolana
de Gerencia (RVG)
Año 31 No. 114, 2026, e311145
Abril-Junio
ISSN 1315-9984 / e-ISSN 2477-9423
Como citar: Sepúlveda, C. O., López, V. G., Moreno, L.
R., y Montes, A. P. (2026). Alojamiento alternativo en destinos de sol y playa
del noroeste de México: desempeño económico en plataformas colaborativas. Revista Venezolana De Gerencia, 31(114), e311145. https://doi.org/10.52080/rvgluz.31.114.5
Alojamiento alternativo en destinos de sol y playa del noroeste de México:
desempeño económico en plataformas colaborativas
Sepúlveda
Moreno, César Omar*
López
Torres, Virginia Guadalupe**
Moreno
Moreno, Luis Ramón***
Montes
Mendoza, Annia Paola****
Resumen
La
economía digital impulsa las actividades colaborativas a través de plataformas,
en el turismo destaca el alojamiento alternativo promovido en Airbnb, HomeAway
y Vrbo. Este estudio identifica los factores que determinan el desempeño
económico medido en ingresos de los establecimientos que ofertan alojamiento
alternativo en destinos de sol y playa en el noroeste de México. Se realizó un
estudio explicativo con regresión lineal múltiple, incorpora variables
estructurales y variables de reputación. Se encontró un modelo que explica el
32,7 % de la variabilidad de los ingresos. Se confirma que las características
físicas contribuyen al rendimiento, la reputación digital también ejerce una
influencia estratégica que la posiciona como un factor clave de la
competitividad en las plataformas de turismo colaborativo. Se recomienda
establecer marcos normativos equilibrados, reforzar la reputación digital de
los anfitriones y promover algoritmos y prácticas sostenibles en las
plataformas.
Palabras clave: Alojamiento alternativo; rendimiento
económico; reputación digital; regresión lineal múltiple.
Recibido: 08.10.25 Aceptado: 11.12.25
* Doctor en Ciencias Administrativas. Departamento de Ciencias Económicas y Administrativas, Universidad de Sonora, México. E-mail: cesar.sepulveda@unison.mx. ORCID: https://orcid.org/0000-0003-3594-0038
** Doctora en Ciencias Administrativas. Facultad de Ciencias Económicas y Sociales, Universidad Autónoma de Baja California, México. E-mail: virginia.lopez@uabc.edu.mx. ORCID: https://orcid.org/0000-0002-2795-8951
*** Doctor en Ciencias Económicas. Facultad de Ciencias Administrativas, Universidad Autónoma de Baja California, México. E-mail: lmoreno@uabc.edu.mx ORCID: https://orcid.org/0000-0003-2544-6562
**** Doctora
en Arquitectura, Urbanismo y Diseño. Facultad de Ingeniería, Arquitectura y
Diseño, Universidad Autónoma de Baja California. México. E-mail: annia.montes@uabc.edu.mx ORCID: https://orcid.org/0000-0003-3969-8162
Alternative accommodation in sun and beach destinations in northwestern Mexico: economic performance on collaborative platforms
Abstract
The digital economy drives collaborative activities through platforms. In tourism, alternative accommodation promoted on Airbnb, HomeAway, and Vrbo stands out. This study identifies the factors that determine the economic performance, measured in terms of revenue, of establishments offering alternative accommodation in sun and beach destinations in northwestern Mexico. An explanatory study was conducted using multiple linear regression, incorporating structural variables and reputation variables. A model was found that explains 32.7% of the variability in revenue. It is confirmed that physical characteristics contribute to performance, and digital reputation also exerts a strategic influence that positions it as a key factor in competitiveness on collaborative tourism platforms. It is recommended to establish balanced regulatory frameworks, strengthen the digital reputation of hosts, and promote sustainable algorithms and practices on platforms.
Keywords: Alternative accommodations; economic performance; digital reputation; multiple linear regression.
1. Introducción
El turismo ha experimentado una transformación sustantiva impulsada por los
avances tecnológicos y el auge de la economía colaborativa. Una de sus
manifestaciones más relevantes ha sido la expansión del alojamiento alternativo
mediante plataformas digitales como Airbnb, HomeAway y Vrbo, que permiten a
particulares ofrecer espacios de forma ágil, personalizada y con menor
regulación que la hotelería tradicional (Quattrone et al., 2022). Fenómeno que
ha democratizado el acceso al mercado turístico al habilitar a pequeños
propietarios a convertirse en microempresarios, constituyendo una disrupción en
los modelos convencionales de alojamiento (Guttentag, 2015; Fernández y
Mayorga, 2020). En consecuencia, el alojamiento colaborativo se consolida como
una innovación que transforma no solo la estructura de la oferta, sino también
las motivaciones de la demanda, vinculadas a experiencias auténticas y de vivir
como un local (Ding et al., 2023).
La expansión del alojamiento colaborativo ha transformado destinos urbanos
y costeros, reconfigurando la distribución del turismo, las dinámicas
socioeconómicas y la relación entre lo formal e informal. Estudios previos
(Eugenio-Martin et al., 2019; Gutiérrez et al., 2017; Fernández y Mayorga,
2020) analizaron cómo la localización espacial de Airbnb se relaciona con
patrones de turismo (sol y playa, urbano, naturaleza), mostrando que su oferta
reconfigura la distribución territorial, cuya proliferación de hospedajes
turísticos en viviendas particulares derivó en gentrificación, desplazamiento
de residentes, concentración de actividad turística y turismofobia.
En América Latina, y particularmente en México, esta modalidad creció por
la ausencia de un marco normativo sólido, generando beneficios económicos, pero
también acentuando la competencia desleal hacia la hotelería formal (Benítez-Aurioles
2020; Jang y Kim, 2022). El éxito de los anfitriones depende de atributos
físicos (número de camas, baños o servicios) y factores reputacionales (reseñas
y estatus de superhost);
ambos determinan precios y ocupación (Moreno-Izquierdo et al., 2019; Güçlü et
al., 2020; Rodríguez-Díaz et al., 2019).
Este nuevo paradigma de consumo turístico es una innovación disruptiva que
modifica radicalmente la estructura del mercado (Fernández y Mayorga, 2020).
Las plataformas colaborativas han diversificado la oferta y las experiencias,
pero también generan problemas de sostenibilidad económica, justicia
territorial y equilibrio social. Al operar fuera de marcos fiscales y laborales
tradicionales, el hospedaje no regulado genera tensiones con la infraestructura
urbana, el mercado inmobiliario y la hotelería formal (Guillén e Iñiguez, 2016;
Midgett et al., 2018). La expansión de Airbnb ha propiciado gentrificación,
alza en los precios de vivienda y pérdida de identidad local, configurando
escenarios de overtourism
en distintas ciudades (Zmyślony et al., 2020).
En este sentido, este estudio identifica los factores que determinan el
desempeño económico medido en ingresos de los establecimientos que ofertan
alojamiento alternativo en destinos de sol y playa en el noroeste de México.
Por ello, este estudio adopta un enfoque cuantitativo explicativo con base en
datos de AirDNA y aplica un modelo de regresión lineal múltiple que integra
variables de infraestructura (camas, baños, amenidades) y reputación digital
(reseñas, calificación).
La combinación de estas dimensiones permite contrastar la relevancia
relativa de los atributos tangibles frente a los intangibles en un mercado
altamente competitivo como el Mar de Cortés y el Pacífico mexicano
(Moreno-Izquierdo et al., 2019). En consecuencia, este estudio se propone
responder: ¿Qué efectos tienen las características de la oferta sobre el
desempeño de los alojamientos en plataformas colaborativas en destinos de sol y
playa del Noroeste de México? Con un enfoque estadístico inferencial y
analítico, se busca aportar conocimiento que promueva una gestión equitativa,
informada y sostenible del turismo colaborativo en el Mar de Cortés.
2. Transformación turística en el Noroeste de México: area de estudio
El Mar de Cortés, también conocido como golfo de California, es una región
estratégica para el desarrollo turístico de México por su biodiversidad marina,
paisajes costeros y concentración de destinos de sol y playa. Los estados de
Baja California, Baja California Sur, Sonora y Sinaloa conforman este corredor
turístico que alberga los destinos de Puerto Peñasco, Bahía de Kino, San
Felipe, La Paz, Loreto, Los Cabos, Guaymas/San Carlos, Mazatlán, Topolobampo y
Santa Rosalía. En los cuales el turismo es una actividad económica clave, un
fenómeno social y territorial que transformó las dinámicas locales
(Moreno-Izquierdo et al., 2019).
La transformación más relevante en estos destinos es el crecimiento
exponencial del alojamiento alternativo, impulsado por plataformas digitales de
economía colaborativa, modalidad caracterizada por permitir a particulares
alquilar espacios de forma temporal, alterando los esquemas tradicionales de
hospedaje, aumentando la oferta en zonas no necesariamente turísticas y
reduciendo barreras de entrada al mercado (Fernández y Mayorga, 2020;
Eugenio-Martin et al., 2019). En ciudades como La Paz y Mazatlán, este fenómeno
ha coincidido con el aumento de visitantes nacionales y extranjeros, lo que ha
favorecido la multiplicación de inmuebles enlistados en plataformas como Airbnb
(Díaz y Apaloaza, 2020).
Un crecimiento heterogéneo: destinos consolidados como Los Cabos o Mazatlán
presentan una oferta profesional, pero en localidades emergentes como Santa
Rosalía o Bahía de Kino el desarrollo es incipiente y atomizado. A partir de
una base de datos de AirDNA, que incluye variables como ingreso, ocupación,
tarifa media diaria, número de camas, servicios, reseñas y calificación, se
observa una notable variación entre destinos, lo cual evidencia la necesidad de
estudiar cómo las características de la oferta inciden en el desempeño
económico.
Estudios recientes alertan sobre el riesgo de informalidad, presión sobre
los servicios públicos y pérdida de identidad local si no se establecen
mecanismos de regulación adecuados (Abril-Sellares et al., 2015). Por ello, el
Mar de Cortés representa un laboratorio idóneo para analizar el impacto de la
economía colaborativa en territorios turísticos en transformación. Sin embargo,
aunque la literatura internacional ha documentado impactos
sociales/territoriales del alojamiento colaborativo, existe escasa evidencia
empírica sobre cómo las características de la oferta inciden en el desempeño
económico en destinos de sol y playa del noroeste de México y, más ampliamente,
en Latinoamérica.
3. Alojamiento alternativo
El alojamiento busca satisfacer las necesidades de hospedaje del turista en
conjunto con otros servicios complementarios en función de un precio; existen
varias formas de clasificarlo, una de ellas alude al hospedaje ofrecido en los
hogares, conocido como alojamiento alternativo (Intriago y Solorzano, 2017). Su
génesis es el deseo de experimentar una experiencia personalizada, cercana a la
realidad de la comunidad local y ahorrar en costos de alojamiento (Rodas et
al., 2024; Ketter, 2021).
4. Desempeño económico en plataformas colaborativas
Las actividades colaborativas buscan el beneficio de la comunidad, al
compartir bienes y servicios sin ánimo de lucro, abaratando costos (Morales,
2023); generan externalidades; entre las positivas destacan la primacía del
trabajo sobre el capital, la gestión democrática y la generación de ingresos
adicionales (Hernández, 2025). Se dice que generan empleo, pero no; los
participantes son emprendedores, sin jefes ni horarios que cumplir
(Erreguerena, 2023). El estudio del desempeño económico se fundamenta en tres
ejes teóricos: la teoría del valor percibido, el modelo hedónico de precios y
el enfoque de sostenibilidad turística.
4.1. Teoría del valor percibido
El valor percibido se refiere a la evaluación subjetiva que realiza el
consumidor al comparar los beneficios obtenidos y los sacrificios asumidos en
la adquisición de un bien o servicio (Andrade et al., 2025). En el contexto del
alojamiento alternativo, este valor integra dimensiones funcionales, sociales y
hedónicas, conformando un proceso dinámico que evoluciona a partir de la
experiencia de uso (Mohsin y Lengler, 2021).
El desempeño está en función de atributos tangibles (aspectos físicos de la
propiedad, número de habitaciones, mobiliario, limpieza, espacio, ubicación o
servicios ofrecidos) e intangibles (factores reputacionales y simbólicos:
calificación otorgada por los usuarios, volumen y calidad de reseñas), y
estatus de superhost,
distintivo que garantiza estándares superiores de servicio (Zhu y Kubickova,
2023; Contu et al., 2020). La familiaridad con la plataforma es relevante, al
reducir la incertidumbre y fortalecer la confianza, lo que a su vez incrementa
el valor percibido (Zhu y Kubickova, 2023).
Las propiedades gestionadas por superhosts (con
evaluaciones > 4.8 estrellas) presentan mayor demanda y pueden fijar precios
más altos (Dip et al., 2020). El sistema de evaluación de doble vía
(anfitriones y huéspedes se califican mutuamente) refuerza la confianza y la
reciprocidad, potencia el valor percibido y la intención de recompra (Proserpio
et al., 2018; Dip et al., 2020). El valor percibido explica la decisión de
reserva, la fijación de precios y la continuidad de los usuarios en plataformas
colaborativas (Mohsin y Lengler, 2021; Zhu y Kubickova, 2023). Por ello, si la
reputación incrementa el valor percibido, es plausible que reseñas y
calificaciones afecten la disposición a pagar y, por ende, los ingresos.
4.2. Modelo hedónico de precios
Sostiene que el precio de un bien heterogéneo, en este caso, se explica
como la suma de las valoraciones individuales de sus características. En
Airbnb, variables como el número de habitaciones, ubicación, tipo de
alojamiento (entero, privado o compartido), disponibilidad de wifi, número de
evaluaciones, política de cancelación y proximidad a zonas turísticas han sido
identificadas como determinantes significativas del precio (Chica-Olmo et al.,
2020; Rodríguez-Díaz et al., 2019; Lorde et al., 2019; Benítez-Aurioles, 2021).
Estudios multiescala confirmaron la relevancia de atributos funcionales
(capacidad, dormitorios), reputacionales (reseñas, calificaciones), de estatus
del anfitrión (superhost/profesional) y locacionales (distancias a hotspots y a
estaciones de metro), con efectos que varían espacialmente (Zhao et al., 2023;
Suárez-Vega y Hernández 2020).
Alojamientos cercanos a zonas de playa, centros históricos o restaurantes
tienden a tener precios más elevados, debido al mayor atractivo turístico de la
zona (Benítez-Aurioles, 2021; Wang & Nicolau, 2017; Boto-García y Leoni,
2023). El algoritmo de precios de plataforma y la conducta de los anfitriones
introducen dinámicas no lineales y dependientes del contexto; la literatura
complementa el enfoque hedónico incorporando historia financiera del anuncio y
métodos de aprendizaje automático para mejorar la predicción de la Tarifa
Promedio Diario - ADR por sus siglas en inglés (Camatti et al., 2024; Tafesse y
Dayan, 2024). Asimismo, se advierte que ignorar la estructura temporal del
plazo (term structure) puede sesgar las estimaciones hedónicas y que, conforme
aumenta la duración de la estancia, la ADR tiende a disminuir; un índice ADR de
ventas repetidas mitiga este sesgo (Cheung, 2024).
4.3. Enfoque de sostenibilidad turística
Propone que el desarrollo de actividades turísticas debe atender criterios
económicos, impactos sociales, territoriales y ambientales. Desde este enfoque,
el alojamiento alternativo debe evaluarse en función de su contribución (o
afectación) al bienestar de las comunidades receptoras, la equidad social y la
conservación del entorno natural. En el plano económico, Airbnb puede ser
interpretado como una herramienta de redistribución de ingresos, al permitir a
personas comunes rentar espacios subutilizados y obtener ingresos adicionales.
Pero a mayor escala puede generar gentrificación, alza de precios de renta,
desplazamiento de residentes locales y presión sobre servicios urbanos (Vieira
et al., 2021). Estas dinámicas se enmarcan en lo que Mihalic (2020) denomina overtourism,
es decir, la saturación de destinos que sobrepasa la capacidad de carga social
y ambiental, comprometiendo su sostenibilidad a largo plazo.
A nivel ambiental, se suele argumentar que el alojamiento colaborativo
implica un menor consumo de recursos en comparación con hoteles tradicionales,
pero este aspecto aún requiere mayor evidencia empírica para ser sostenido con
contundencia (Midgett et al., 2018). En ciertos contextos, contribuye a la
reducción de emisiones y al uso más eficiente de recursos; también exacerba los
impactos negativos si no se acompaña de políticas regulatorias y de gestión
sostenible (Perkumienė et al., 2021).
En términos sociales, las plataformas pueden fomentar interacciones
culturales más ricas y auténticas, pero también provocar conflictos entre
turistas y residentes por el uso del espacio público y la transformación del
tejido barrial (Abril-Sellares et al., 2015). Palacios-Florencio et al. (2021)
destacan que la actitud de los turistas hacia prácticas sostenibles está
influida por percepciones de calidad, motivación y beneficios percibidos, lo que
refuerza la necesidad de alinear la experiencia colaborativa con objetivos de
sostenibilidad.
Este enfoque exige una visión integral de los efectos del alojamiento
alternativo en las ciudades. Como señalan Guillén e Iñiguez (2016), es
necesario implementar mecanismos de regulación que aseguren una competencia
justa, mitiguen externalidades negativas y promuevan un desarrollo urbano
equilibrado y justo para todos los actores involucrados. En este sentido, la
sostenibilidad turística no solo debe considerarse como un principio normativo,
sino como un modelo de gobernanza activa que articule a turistas, residentes,
anfitriones y autoridades (Dwyer, 2023). Por lo tanto, entender qué atributos
de oferta elevan ingresos es relevante no solo por eficiencia económica, sino
por sus implicaciones distributivas y de gobernanza urbana.
5. Consideraciones metodológicas
El presente estudio adoptó un
enfoque cuantitativo con alcance explicativo, orientado a analizar los efectos
que tienen las características de la oferta sobre el desempeño económico de los
alojamientos turísticos enlistados en plataformas de economía colaborativa, en
destinos de sol y playa, que abarcan 10 destinos del noroeste de México. La
investigación se desarrolló a partir de una base de datos obtenida de la
plataforma AirDNA. La fecha de corte para la extracción de datos fue junio de
2025.
El universo de análisis lo constituyen 21,943 establecimientos registrados;
se seleccionó una muestra de 580 establecimientos que contaban con al menos una
reseña registrada. El diseño muestral fue sistemático, con un intervalo de
selección de N/n = 37.83 (tabla 1). Se aplicó un nivel de confianza del 99%, un
margen de error de 4.89% y una proporción poblacional asumida del 50% (Lonas,
2019).
Tabla 1
Distribución proporcional de la muestra por
destino turístico
|
Destino |
Población |
% del Total |
Muestra |
|
Ensenada |
1,424 |
6.49% |
44 |
|
Playas de Rosarito |
1,832 |
8.35% |
56 |
|
San Felipe |
328 |
1.49% |
10 |
|
La Paz |
1,776 |
8.09% |
55 |
|
Cabo San Lucas |
4,387 |
19.99% |
135 |
|
Nuevo Vallarta |
1,147 |
5.23% |
35 |
|
San Blas |
201 |
0.92% |
6 |
|
Mazatlán |
5,674 |
25.86% |
174 |
|
Guaymas |
1,419 |
6.47% |
44 |
|
Puerto Peñasco |
3,755 |
17.11% |
115 |
|
Total |
21,943 |
100.00% |
674 |
•Variables analizadas: dependiente e
independientes
El ingreso promedio anual por establecimiento es la variable dependiente.
Las variables independientes incluyeron la tarifa media diaria, el número de
servicios o amenidades ofrecidas (televisión, internet, lavadora, aire
acondicionado, alberca, entre otros), el número de camas disponibles, la
cantidad de baños, la capacidad máxima en número de huéspedes, el número total
de reseñas de usuarios y la calificación promedio asignada por los huéspedes
(tabla 2).
Tabla 2
Descripción de variables
|
Variable |
Tipo |
Unidad / escala |
Transformación aplicada |
|
Ingreso anual promedio |
Dependiente |
Pesos mexicanos |
ln(x) |
|
Número de amenidades |
Independiente |
Conteo |
ln(x) |
|
Número de camas |
Independiente |
Conteo |
ln(x) |
|
Número de baños |
Independiente |
Conteo |
ln(x) |
|
Capacidad máxima |
Independiente |
Número de huéspedes |
ln(x) |
|
Número de reseñas |
Independiente |
Conteo |
ln(x) |
|
Calificación promedio |
Independiente |
Escala (1 a 5) |
ln(x) |
•Transformación de datos para normalización
Dado que algunas variables presentaban asimetría positiva, valores extremos
o alta dispersión, se realizó una transformación logarítmica natural (ln) para
mejorar la linealidad, reducir la heterocedasticidad y minimizar el impacto de
los valores atípicos. En los casos donde existía la posibilidad de observar el
valor cero, el establecimiento fue eliminado de la muestra bruta, permitiendo
con ello conservar los casos sin introducir distorsiones (Osborne, 2010).
El análisis estadístico se desarrolló en tres etapas: 1) se obtuvieron
estadísticos descriptivos para caracterizar distribución y dispersión de los
datos; 2) se empleó análisis de regresión lineal múltiple utilizando el método stepwise,
a través de SPSS versión 27, para identificar las variables que mejor explican
el desempeño económico de los alojamientos (Cohen et al., 2013).
Se evaluaron los supuestos del modelo de regresión múltiple; los resultados
indican que el modelo cumple con todos ellos. El gráfico P-P y el histograma
generado de residuos confirmaron la normalidad de los errores; el valor de
Durbin-Watson (1.454) es aceptable para la independencia de residuos; los VIF
en el modelo final son inferiores a 1.1, descartando multicolinealidad; los
residuos estandarizados se ubicaron dentro de un rango aceptable (entre -3.7 y
+4.1), sin evidencias de outliers severos. El gráfico de dispersión de
residuos versus valores predichos y la desviación estándar cercana a 1
permitieron asumir homocedasticidad (Field, 2024).
•Análisis de regresión lineal múltiple
Se aplicó el método stepwise para identificar las variables independientes
con mayor capacidad explicativa de la variable dependiente LogIngresos, bajo
los criterios estadísticos de entrada (p ≤ 0.05) y salida (p ≥ 0.10), la tabla
3 presenta los resultados. El modelo inicial incorporó la variable
LogNúmeroCamas, mostró una fuerte asociación positiva con los ingresos, indica
que la capacidad de alojamiento constituye un factor determinante en el
desempeño económico de los anfitriones.
Tabla 3
Estadísticos descriptivos de las variables
|
Variable |
N |
Mínimo |
Máximo |
Media |
Desviación estándar |
|
Ingreso (pesos) |
556 |
20,100.00 |
25,700,000.00 |
606,149.10 |
1,566,812.22 |
|
Servicios o amenidades |
556 |
1 |
17 |
10.11 |
2.7 |
|
Número de camas |
556 |
1 |
14 |
2.51 |
1.34 |
|
Baños |
556 |
1 |
12 |
2.29 |
1.42 |
|
Capacidad |
556 |
2 |
35 |
6.88 |
3.52 |
|
Número de reseñas |
556 |
1 |
448 |
50.25 |
67.71 |
|
Calificación |
556 |
1 |
5.3 |
4.78 |
0.38 |
En el paso dos se añadió LogNúmeroServiciosAmenidades, la cual también
presentó significancia estadística y reforzó la explicación del modelo. Su
inclusión ilustra que la diversidad de servicios y comodidades ofrecidas
incrementa los ingresos; los huéspedes valoran positivamente atributos
adicionales al espacio físico. En la tercera etapa se incorporó
LogNúmeroReseñas; su efecto positivo confirma que la reputación digital se
traduce en una mayor demanda, por tanto, en ingresos superiores. La cuarta
etapa ingresó LogNúmeroBaños; su contribución modesta y estadísticamente
significativa indica que la disponibilidad de baños adicionales representa un
atributo funcional que eleva la disposición a pagar de los usuarios.
El modelo final retuvo las cuatro variables predictoras (transformadas
logarítmicamente para mejorar la normalidad, reducir la heterocedasticidad y
controlar el efecto de valores extremos). El ajuste global del modelo (R²
ajustado = 0.327; F = 68.282; p < 0.001) confirma su validez estadística y
muestra que los factores físicos, reputacionales y de servicio explican de
manera significativa la variabilidad en los ingresos anuales promedio de los
alojamientos en plataformas colaborativas. La tabla 4 muestra la progresiva
mejora en la capacidad explicativa del modelo conforme se incorporaron nuevas
variables predictoras que consolidan un modelo robusto en el que confluyen
factores de precio, reputación y valoración de servicio para explicar las
diferencias en los ingresos de los anfitriones. ANOVA confirmó que todos los
modelos son significativos (p < 0.001).
Tabla 4
Síntesis de los modelos obtenidos
|
Modelo |
R |
R cuadrado |
R cuadrado ajustado |
Error estándar estimación |
Durbin-Watson |
|
1. Predictores: (Constante), LogNumeroCamas |
0.436 |
0.190 |
0.188 |
0.953 |
|
|
2. Predictores: (Constante), LogNumeroCamas, LogNumeroServiciosAmenidades |
0.541 |
0.293 |
0.290 |
0.892 |
|
|
3. Predictores: (Constante), LogNumeroCamas, LogNumeroServiciosAmenidades, LogNumeroReseñas. |
0.570 |
0.324 |
0.321 |
0.872 |
|
|
4. Predictores: (Constante), LogNumeroCamas, LogNumeroServiciosAmenidades, LogNumeroReseñas, LogNumeroBaños |
0.576 |
0.331 |
0.327 |
0.868 |
1.542 |
Los resultados muestran que el desempeño económico no depende solo de
características estructurales, como la capacidad física del inmueble, sino
también de factores reputacionales y de calidad percibida, entre ellos el
número de reseñas y la diversidad de servicios ofrecidos. Elementos
determinantes para comprender las diferencias en ingresos, confirmando los
resultados de Proserpio et al. (2018) y Lorde et al. (2019).
La tabla 5 muestra los coeficientes estandarizados y no estandarizados de
los modelos de regresión, evidencia la magnitud y dirección de cada predictor
sobre los ingresos de los anfitriones. El número de camas aparece como el
factor más influyente en todos los modelos, con efectos positivos y
estadísticamente significativos. La adición del número de servicios o
amenidades y de las reseñas fortalece la capacidad predictiva, mientras que el
número de baños, aunque con menor peso relativo, también resulta significativo
en el modelo final. En conjunto, los resultados confirman que tanto los atributos
estructurales como los reputacionales inciden de manera consistente en la
generación de ingresos, resaltando la necesidad de integrar factores tangibles
e intangibles en el análisis del desempeño de alojamientos colaborativos.
Tabla 5
Estimaciones de coeficientes estandarizados y no
estandarizados
|
Modelo |
Coef. no estan |
Coef. Estan |
t |
Sig. |
95% IC |
||
|
B |
Desv. Error |
Beta β |
Límite inferior |
Límite superior |
|||
|
1 (Constante) |
10.91 |
0.15 |
0.436 |
72.21 |
<0.01 |
10.61 |
11.20 |
|
LogNumeroCamas |
1.39 |
0.12 |
11.39 |
<0.01 |
1.15 |
1.62 |
|
|
2 (Constante) |
8.54 |
0.30 |
0.369 |
28.52 |
<0.01 |
7.95 |
9.13 |
|
LogNumeroCamas |
1.18 |
0.12 |
0.328 |
10.12 |
<0.01 |
0.95 |
1.40 |
|
LogNumeroServiciosAmenidades |
1.15 |
0.13 |
8.97 |
<0.01 |
0.90 |
1.41 |
|
|
3 (Constante) |
7.96 |
0.31 |
0.401 |
25.36 |
<0.01 |
7.34 |
8.58 |
|
LogNumeroCamas |
1.27 |
0.12 |
0.330 |
11.06 |
<0.01 |
1.05 |
1.50 |
|
LogNumeroServiciosAmenidades |
1.16 |
0.13 |
0.181 |
9.23 |
<0.01 |
0.91 |
1.41 |
|
LogNumeroReseñas |
0.14 |
0.03 |
5.09 |
<0.01 |
0.09 |
0.20 |
|
|
4 (Constante) |
8.16 |
0.32 |
0.344 |
25.21 |
<0.01 |
7.53 |
8.80 |
|
LogNumeroCamas |
1.10 |
0.14 |
0.315 |
8.00 |
<0.01 |
0.83 |
1.36 |
|
LogNumeroServiciosAmenidades |
1.11 |
0.13 |
0.184 |
8.75 |
<0.01 |
0.86 |
1.36 |
|
LogNumeroReseñas |
0.14 |
0.03 |
0.103 |
5.19 |
<0.01 |
0.09 |
0.20 |
|
LogNumeroBaños |
0.17 |
0.07 |
0.436 |
2.39 |
0.02 |
0.03 |
0.30 |
a. Variable dependiente: LogIngresos.
Dado el enfoque log, los coeficientes pueden interpretarse como
elasticidades aproximadas: un aumento del 1 % en el número de camas y de
amenidades se asocia, respectivamente, con incrementos de +1.10 % y +1.11 % en
ingresos; un 1 % más de reseñas con +0.14 %; y un 1 % adicional de baños con
+0.17 %. En términos relativos, las camas y las amenidades exhiben los mayores
efectos marginales, seguidas de reseñas y baños. Estos hallazgos se alinean con
el modelo hedónico de precios (Jang & Kim, 2022), según el cual los
atributos del producto y su señalización reputacional son determinantes de la
disposición a pagar. Asimismo, son coherentes con la teoría del valor
percibido, que resalta el papel de la confianza y la información social en las
decisiones de consumo (Proserpio et al., 2018).
Se confirma que la rentabilidad depende de infraestructura y reputación,
pero también plantea interrogantes sobre equidad económica y territorial; los
anfitriones con mayor capacidad para acumular reseñas, vinculados a propiedades
mejor localizadas o con mayor inversión, concentran beneficios, profundizando
desigualdades (Guillén & Iñiguez, 2016). La búsqueda de ingresos vía
precios altos y reputación podría incentivar gentrificación y encarecimiento de
la vivienda, como documentan Gutiérrez et al. (2017).
5. Conclusiones
El hallazgo central de este estudio radica en la interdependencia entre
infraestructura física y reputación digital como ejes de competitividad en el
alojamiento colaborativo. La evidencia muestra que los ingresos dependen de
inversiones materiales, de señales de confianza continuas y de la capacidad de
los anfitriones para articular ambos tipos de atributos en estrategias
complementarias.
Sugiere que la ventaja económica se deriva de la forma en que los elementos
tangibles se convierten en activos reputacionales capaces de sostener un
círculo virtuoso de visibilidad, confianza y disposición a pagar. Resultado que
fortalece la lectura del turismo colaborativo como un mercado híbrido, donde la
creación de valor ya no se explica por la dotación física en sí misma, sino por
su traducción en señales sociales verificables que reconfiguran la lógica de
competencia.
En este sentido, la investigación contribuye a un debate más amplio sobre
la redistribución de beneficios y la sostenibilidad del modelo: si la
reputación amplifica el valor de la infraestructura, los anfitriones con mayor
capacidad inicial para invertir y obtener reseñas tienden a concentrar los
retornos, lo que introduce riesgos de inequidad económica y territorial que las
políticas públicas deberán atender.
El desarrollo de la economía colaborativa en el sector turístico requiere
la articulación de esfuerzos entre el sector público, los anfitriones y las
plataformas para garantizar un crecimiento equilibrado y sostenible. Para el
sector público, es prioritario diseñar marcos regulatorios que armonicen los
beneficios del alojamiento colaborativo con la protección del acceso a la
vivienda, la seguridad del consumidor y la competencia justa.
Es fundamental implementar sistemas de monitoreo basados en big data
que permitan seguir en tiempo real indicadores de ocupación, tarifas y
distribución espacial y promover políticas de sostenibilidad que incluyan
límites de capacidad de carga e incentivos fiscales que limitan el número de
noches de renta y premian la eficiencia energética. Para los anfitriones, la
clave está en fortalecer la reputación digital con atención ágil, diversificar
estrategias de precios con ajustes dinámicos y apostar por atributos de
confianza y diferenciación, desde certificaciones verdes hasta experiencias
locales con tarifas estacionales o recorridos guiados.
Las plataformas deben avanzar hacia algoritmos más transparentes, integrar
indicadores ambientales y sociales en los perfiles y colaborar con gobiernos y
universidades en proyectos de investigación aplicada, replicando experiencias
como la cesión de datos anonimizados para analizar impactos en vivienda y medio
ambiente en destinos turísticos.
En términos prácticos, las implicaciones se despliegan en tres planos. Para
los anfitriones, resulta prioritario invertir en atributos con alta
elasticidad, capacidad y amenidades de uso frecuente, estandarizar la calidad
del servicio y articular estas mejoras con campañas activas de reputación que
incluyan respuestas verificadas y narrativas de valor agregado. Para las
plataformas, los resultados sugieren la necesidad de ajustar algoritmos de
ranqueo que hoy privilegian la acumulación de reseñas, promoviendo un balance
entre cantidad y calidad, así como transparentar las recomendaciones de precios
en función de atributos verificables.
Para las políticas públicas, se recomienda establecer registros únicos de
anfitriones, marcos fiscales simples y proporcionales a la escala de operación,
límites razonables de densidad por zona para mitigar procesos de gentrificación
y, al mismo tiempo, diseñar incentivos para mejoras ecoeficientes y estándares
mínimos de seguridad y habitabilidad. De este modo, la competitividad de la
oferta podría alinearse con criterios de sostenibilidad territorial y justicia
social.
Por último, de cara a futuras investigaciones, este trabajo abre líneas de
análisis en al menos cuatro direcciones: avanzar hacia modelos con granularidad
espacial y temporal mediante paneles por anuncio; explorar mediaciones como la
reputación en el vínculo entre amenidades e ingresos; instrumentar reseñas
históricas para atenuar problemas de endogeneidad; y evaluar heterogeneidades
entre destinos a partir de interacciones entre atributos y contexto local. La incorporación
de métricas sobre localización, grado de profesionalización del anfitrión y
dinámicas de precio/ocupación permitiría no solo elevar el poder explicativo
del modelo, sino también dotar a la investigación de mayor capacidad predictiva
y transferibilidad hacia escenarios internacionales.
Referencias
Abril-Sellarés, M., Azpelicueta, M. D. C., & Sánchez-Fernández, M. D.
(2015). Turismo sostenible: Lugareños frente a turistas. El caso de la ciudad
de Barcelona. Holos,
3,
331–337. http://dx.doi.org/10.15628/holos.2015.2809
Andrade da Silva, M., Soares, J. R., & Santos Solla, X. M. (2025).
Gestión estratégica del consumo en mercados turísticos. Revista
Venezolana de Gerencia, 30(13), 472–490. https://www.produccioncientificaluz.org/index.php/rvg/article/view/44165/52449
Benítez-Aurioles, B. (2020). Impacts of the peer-to-peer market on tourist
accommodation in Mallorca and Menorca. Island Studies Journal, 15(2),
353–370. https://islandstudiesjournal.org/article/84638-impacts-of-the-peer-to-peer-market-on-tourist-accommodation-on-the-balearic-islands-of-mallorca-and-menorca
Benítez-Aurioles, B. (2021). The peer-to-peer market for tourist
accommodation in Latin America: Supply, demand and prices. Journal of
Tourism Analysis, 28(1). https://doi.org/10.53596/jta.v28i1.372
Boto-García, D., & Leoni, V. (2023). The economic value of coastal
amenities: Evidence from beach capitalization effects in peer-to-peer
markets. Environmental
& Resource Economics, 84(2), 529–557. https://doi.org/10.1007/s10640-022-00735-5
Camatti, N., di Tollo, G., Filograsso, G., & Ghilardi, S. (2024).
Predicting Airbnb pricing: A comparative analysis of artificial intelligence
and traditional approaches. Computational Management Science, 21(1),
30. https://doi.org/10.1007/s10287-024-00511-4
Cheung, K. S. (2024). Airbnb pricing and term structure: A temporal
analysis of omitted variable bias and repeat sales method as remedies. Tourism
Economics, 30(5), 1330–1338. https://doi.org/10.1177/13548166231191551
Chica-Olmo, J., González-Morales, J. G., & Zafra-Gómez, J. L. (2020).
Effects of location on Airbnb apartment pricing in Málaga. Tourism
Management, 77, 103981. https://doi.org/10.1016/j.tourman.2019.103981
Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2013). Applied
multiple regression/correlation analysis for the behavioral sciences.
Routledge. https://doi.org/10.4324/9780203774441
Contu, G., Conversano, C., Frigau, L., & Mola, F. (2020). Identifying
factors affecting the status of superhost: Evidence from Sardinia and Sicily. Quality &
Quantity, 54(5), 1633–1653. https://doi.org/10.1007/s11135-019-00925-2
Díaz, I., & Apaolaza, R. (2020). Una propuesta metodológica para
identificar gentrificación a partir de los censos de población. Estudios
demográficos y urbanos, 35(3), 629–661. https://doi.org/10.24201/edu.v35i3.1883
Ding, K., Niu, Y., & Choo, W. C. (2023). The evolution of Airbnb
research: A systematic literature review using structural topic modeling. Heliyon,
9(6),
Artículo e17090. https://doi.org/10.1016/j.heliyon.2023.e17090
Dip, J. A., Simes, H., & Benítez, J. P. (2020). Cooperación y
reciprocidad en la economía colaborativa de Airbnb. Un estudio para la
provincia turística de Misiones, Argentina. REVESCO: Revista de Estudios
Cooperativos, 135, e69176. https://doi.org/10.5209/reve.69176
Dwyer, L. (2023). Sustainable development of tourism: Research and policy
challenges. Highlights
of Sustainability, 2(2), 83–99. https://doi.org/10.54175/hsustain2020008
Erreguerena, J. O. (2023). Repartidores de aplicación en México: Entre el
individualismo imaginado de las plataformas y las resistencias comunitarias de
los trabajadores. Espiral,
30(88),
45–79. https://doi.org/10.32870/eees.v30i88.7319
Eugenio-Martin, J. L., Cazorla-Artiles, J. M., & González-Martel, C.
(2019). On the determinants of Airbnb location and its spatial distribution. Tourism
Economics, 25(8), 1224–1244. https://doi.org/10.1177/1354816618825415
Fernández Morales, A., & Mayorga Toledano, M. C. (2020).
Caracterización y concentración de la oferta de Airbnb en Málaga. Revista de
Estudios Regionales, 3, 141–170. https://dialnet.unirioja.es/servlet/articulo?codigo=7843985
Field, A. (2024). Discovering
statistics using IBM SPSS statistics (6.ª ed.). SAGE
Publications.
Güçlü, B., Roche, D., & Marimon, F. (2020). City characteristics that
attract Airbnb travellers: Evidence from Europe. International Journal for Quality Research,
14(1),
271–290. https://repositori.uic.es/handle/20.500.12328/1480?locale-attribute=es
Guillén, N. A., & Iñiguez, T. (2016). Acción pública y consumo
colaborativo. Regulación de las viviendas de uso turístico en el contexto P2P. PASOS Revista
de Turismo y Patrimonio Cultural, 14(3). https://doi.org/10.25145/j.pasos.2016.14.049
Guttentag, D. (2015). Airbnb: Disruptive innovation and the rise of an
informal tourism accommodation sector. Current Issues in Tourism,
18(12),
1192–1217. https://doi.org/10.1080/13683500.2013.827159
Gutiérrez, J., García-Palomares, J. C., Romanillos, G., & Salas-Olmedo,
M. H. (2017). The eruption of Airbnb in tourist cities: Comparing spatial
patterns of hotels and peer-to-peer accommodation in Barcelona. Tourism Management,
62,
278–291. https://doi.org/10.1016/j.tourman.2017.05.003
Hernández Perlines, F. (2025). La economía social como forma de
emprendimiento colectivo: raíces históricas, vigencia actual y perspectivas
para la investigación futura. CIRIEC-España, Revista de Economía
Pública, Social y Cooperativa, 114, 127–162. https://doi.org/10.7203/CIRIEC-E.114.30419
Intriago, J., & Solórzano, M. (2017). El alojamiento turístico en
hogares: Una alternativa de negocio para la dinamización de la economía en la
Parroquia de Canoa (destino de sol y playa) después del terremoto del 16 de
abril. International
Journal of Scientific Management and Tourism, 3(3),
259–272. https://ojs.scientificmanagementjournal.com/ojs/index.php/smj/article/view/276/274
Jang, S., & Kim, J. (2022). Remedying Airbnb COVID-19 disruption
through tourism clusters and community resilience. Journal of Business Research,
139,
529–542. https://doi.org/10.1016/j.jbusres.2021.10.015
Ketter, E. (2021). Millennial travel: Tourism micro-trends of European
generation Y. Journal
of Tourism Futures, 7(2), 192–196. https://doi.org/10.1108/JTF-10-2019-0106
Leoni, V. (2020). Stars vs lemons: Survival analysis of peer-to-peer
marketplaces: The case of Airbnb. Tourism Management, 79,
Artículo 104091. https://doi.org/10.1016/j.tourman.2020.104091
Lonas, L. G. (2019). Quantitative research by example (Versión
1.0.0). MyReLab. https://www.myrelab.com/static/book/QuantitativeResearchByExample.pdf
Lorde, T., Jacob, J., & Weekes, Q. (2019). Price-setting behavior in a
tourism sharing economy accommodation market: A hedonic price analysis of
Airbnb hosts in the Caribbean. Tourism Management Perspectives,
30,
251–261. https://doi.org/10.1016/j.tmp.2019.03.006
Midgett, C., Bendickson, J. S., Muldoon, J., & Solomon, S. J. (2018).
The sharing economy and sustainability: A case for Airbnb. Small
Business Institute Journal, 13(2), 51–71. https://www.researchgate.net/publication/331386069_The_sharing_economy_and_sustainability_A_case_for_Airbnb_Small_Business_Institute_Journal_132_51-71
Mihalic, T. (2020). Conceptualising overtourism: A sustainability approach.
Annals
of Tourism Research, 84, Artículo 103025. https://doi.org/10.1016/j.annals.2020.103025
Mohsin, A., & Lengler, J. (2021). Airbnb hospitality: Exploring users
and non-users’ perceptions and intentions. Sustainability, 13(19),
10884. https://doi.org/10.3390/su131910884
Morales, R. (2023). Economía colaborativa. Mediterráneo Económico, 37,
419–432. https://dialnet.unirioja.es/servlet/articulo?codigo=9191490
Moreno-Izquierdo, L., Ramón-Rodríguez, A. B., Such-Devesa, M. J., &
Perles-Ribes, J. F. (2019). Tourist environment and online reputation as a
generator of added value in the sharing economy: The case of Airbnb in urban
and sun-and-beach holiday destinations. Journal of Destination Marketing &
Management, 11, 53–66. https://doi.org/10.1016/j.jdmm.2018.11.004
Osborne, J. (2010). Improving your data transformations: Applying the
Box-Cox transformation. Practical Assessment, Research, and Evaluation,
15(1).
https://doi.org/10.7275/qb69-f024
Palacios-Florencio, B., Santos-Roldán, L., Berbel-Pineda, J. M., &
Castillo-Canalejo, A. M. (2021). Sustainable tourism as a driving force of the
tourism industry in a post-COVID-19 scenario. Social Indicators Research,
158(3),
991–1011. https://doi.org/10.1007/s11205-021-02735-2
Perkumienė, D., Vienažindienė, M., & Švagždienė, B. (2021). The sharing
economy towards sustainable tourism: An example of an online transport-sharing
platform. Sustainability,
13(19),
10955. https://doi.org/10.3390/su131910955
Proserpio, D., Xu, W., & Zervas, G. (2018). You get what you give:
Theory and evidence of reciprocity in the sharing economy. Quantitative
Marketing and Economics, 16(4), 371–407. https://doi.org/10.1007/s11129-018-9201-9
Quattrone, G., Kusek, N., & Capra, L. (2022). A global-scale analysis
of the sharing economy model: An Airbnb case study. EPJ Data Science, 11(1),
36. https://doi.org/10.1140/epjds/s13688-022-00349-3
Rodas, L. A., Gosling, M. de S., Silva, J. A., & Coelho, M. de F.
(2024). Alternative tourism and shared accommodation motivation: A
cross-national study. Almatourism:
Journal of Tourism, Culture and Territorial Development, 14(25),
107–131. https://doi.org/10.6092/issn.2036-5195/12653
Rodríguez-Díaz, M., Rodríguez-Voltes, C. I., & Rodríguez-Voltes, A. C.
(2019). Determining the relationships between price and online reputation in
lodgings. Administrative
Sciences, 9(3), 53. https://doi.org/10.3390/admsci9030053
Suárez-Vega, R., & Hernández, J. M. (2020). Selecting prices
determinants and including spatial effects in peer-to-peer accommodation. ISPRS
International Journal of Geo-Information, 9(4),
259. https://doi.org/10.3390/ijgi9040259
Tafesse, W., & Dayan, M. (2024). Examining the sources of pricing power
on Airbnb. Current
Issues in Tourism, 27(15), 2411–2427. https://doi.org/10.1080/13683500.2023.2228978
Vieira Salazar, J. A., Echeverri Rubio, A., & Mejía-Franco, N. (2021).
Efectos socio-espaciales del turismo en procesos de gentrificación: Análisis
bibliométrico y de literatura. Revista Venezolana de Gerencia,
26(5),
540–562. https://doi.org/10.52080/rvgluz.26.e5.35
Wang, D., & Nicolau, J. L. (2017). Price determinants of sharing
economy based accommodation rental: A study of listings from 33 cities on Airbnb.com.
International
Journal of Hospitality Management, 62, 120–131. https://doi.org/10.1016/j.ijhm.2016.12.007
Zhao, C., Wu, Y., Chen, Y., & Chen, G. (2023). Multiscale effects of
hedonic attributes on Airbnb listing prices based on MGWR: A case study of
Beijing, China. Sustainability,
15(2),
Artículo 1703. https://doi.org/10.3390/su15021703
Zhu, G., & Kubickova, M. (2023). From homeowner to Airbnb host: The
role of trust and perceived value. Journal of Quality Assurance in
Hospitality & Tourism, 24(2), 169–191. https://doi.org/10.1080/1528008X.2021.2024781
Zmyślony, P., Leszczyński, G., Waligóra, A., & Alejziak, W. (2020). The
sharing economy and sustainability of urban destinations in the (over) tourism
context: The social capital theory perspective. Sustainability, 12(6),
Artículo 2310. https://doi.org/10.3390/su12062310