Booking 护城河稳固，但 AI 带来长期不确定性

概览

报告回顾了 Booking 如何通过构建供应飞轮赢得在线旅游市场，并深入分析了 AI 技术对其商业模式的潜在冲击。机构维持市场表现评级，认为虽然 Booking 执行力强且护城河深，但 AI 可能改变用户搜索和酒店获客方式，带来长期不确定性。

核心观点

Booking 的成功源于其“飞轮效应”：通过收购 Booking.nl 和 Agoda 建立广泛供应，利用规模优势在 Google 搜索中获得优先展示，进而增加供应商依赖，获取更高质量供应，最终成为用户默认选择。2008 年以来间夜量年复合增长率达 22%，是行业增长的 5 倍。 AI 可能打破飞轮：AI 搜索更倾向于具体意图而非通用搜索，可能削弱 Booking 在通用搜索上的优势；AI 代理可能根据用户偏好推荐而非 OTA 算法，降低佣金对曝光的影响；酒店可能利用 AI 优化直接预订体验，减少对 OTA 依赖。 防御因素仍存：Booking 已是 AI 平台的早期合作伙伴，供应商行为转变滞后，消费者品牌粘性强，这些元素在 AI 时代仍能提供缓冲。估值与评级方面，当前估值已反映部分风险，目标价 188 美元对应 2027 年约 14.1 倍 EV/EBITDA，评级为市场表现。

分析框架

机构采用飞轮模型分析 Booking 的历史成功路径，分为供应获取、规模杠杆、供应商依赖、高质量供应、用户忠诚度等阶段。随后通过情景分析推演 AI 对每个阶段的潜在影响，对比 Google 搜索时代的逻辑与 AI 搜索时代的差异。最后结合估值倍数和现金流预测给出目标价。

方法论与常识提炼

• 竞争与战略框架护城河/竞争优势

  护城河/竞争优势

  分析平台网络效应和转换成本如何构建竞争壁垒，评估 Booking 的规模优势和品牌粘性是否能在 AI 时代持续。

• 行业/产业分析框架供需框架

  供需框架

  分析 OTA 与酒店之间的供需关系及议价能力变化，特别是 AI 如何影响流量分配和佣金结构。

• 事件博弈与行为金融预期差/预期管理

  预期差/预期管理

  探讨市场对 AI 影响的预期与公司实际防御能力之间的差异，寻找估值修复或下行风险。

• 估值方法EV/EBITDA 估值

  EV/EBITDA 估值

  使用企业价值倍数进行相对估值，结合销售增长、利润率及现金转化率与同行对比。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• BKNG.US

  核心标的，AI 既是挑战也是机遇

  优势

  规模大、供应广、品牌强、执行力高

  劣势

  依赖搜索流量、佣金模式受威胁、UI 步骤较多

  对比

  相比 Expedia 库存更广，但面临 AI 搜索去中介化风险

  风险

  AI 改变搜索习惯、酒店去中介化、监管限制

• EXPE.US

  主要竞争对手，库存差距缩小

  优势

  B2B 策略带来新供应、库存差距缩小

  劣势

  规模仍小于 Booking、品牌粘性较弱

  对比

  在特定市场通过 B2B 策略获取独家供应

  风险

  市场份额流失、佣金率承压

关键数据

• 2008-2026 间夜量 CAGR22%远超行业增长
• 目标价188 美元对应 17% 隐含涨幅
• 当前股价160.64 美元截至 2026 年 6 月 10 日
• 2026E EV/EBITDA14.1x估值倍数
• 商户模式预订占比 (2025E)~70%结构性转变

影响与含义

对 Booking 而言，短期业绩仍有支撑，但长期需关注 AI 搜索流量分配变化及酒店直接预订能力的提升。对行业而言，AI 可能重塑在线旅游的流量入口和佣金结构，拥有直接用户关系的平台更具韧性。

风险

• AI 改变搜索和获客范式
• 酒店减少 OTA 依赖，提升直接预订
• 监管限制（如欧洲数字市场法案）
• 亚太增长稀释 ADR 和 take rate
• Booking 失去市场份额给新 OTA

后续跟踪

• AI 搜索流量占比变化
• 酒店直接预订比例趋势
• Take rate（佣金率）是否承压
• AI 合作伙伴关系进展