Airbnb and Urban Renewal in Lisbon (2015–2019): Spatial Interactions Revealed by Network-Enhanced Kernel Density Modelling

Städte sind lebendige Landkarten, die ständig durch die Bewegungen von Menschen und den Fluss des Geldes neu gezeichnet werden. Seit Jahrzehnten versuchen Stadtplaner zu verstehen, wie verschiedene Kräfte eine Stadt formen, indem sie oft untersuchen, wo Dinge geschehen. Wenn ein neues Geschäft eröffnet oder ein Gebäude renoviert wird, hinterlässt dies eine Spur in der Landschaft. In den letzten Jahren ist eine mächtige neue Kraft auf diesen Karten aufgetaucht: Plattformen für Kurzzeitvermietungen wie Airbnb. Diese digitalen Marktplätze ermöglichen es Hausbesitzern, ihre Wohnungen an Reisende zu vermieten, wodurch ein massives, unsichtbares Netzwerk aus temporärem Wohnraum entsteht, das auf einer sehr feinen Skala, bis hinunter auf einzelne Straßen, operiert. Gleichzeitig haben viele europäische Städte intensive Zyklen von Gebäudesanierungen durchlaufen, während Eigentümer und Investoren daran arbeiten, historische Strukturen zu restaurieren. Die Frage für die Forschung ist nicht nur, ob diese beiden Dinge geschehen, sondern wie sie in physischem Raum miteinander zusammenhängen. Besetzen sie dieselben Stadtteile? Folgen sie denselben Straßen? Um dies zu beantworten, nutzen Wissenschaftler Werkzeuge, die verstreute Datenpunkte in glatte, kontinuierliche Bilder von Intensität verwandeln, die zeigen, wo Aktivitäten am stärksten konzentriert sind. Städte sind jedoch keine flachen, offenen Felder; sie sind komplexe Geflechte aus Straßen und Kreuzungen. Eine Methode, die die Stadt als flache Oberfläche behandelt, kann Details manchmal verschwimmen lassen, was es schwierig macht, genau zu erkennen, welche Straßen den meisten Druck tragen.

Eine neue Studie konzentrierte sich auf Lissabon, Portugal, zwischen 2015 und 2019, um diese Beziehung zu entwirren. Während dieser Jahre erlebte die Stadt einen rasanten Anstieg der Airbnb-Inserate neben einem starken Zyklus lizenzierter Gebäudesanierungen. Die Forscher wollten sehen, ob diese beiden Phänomene lediglich in denselben allgemeinen Gebieten überlappen oder ob sie in spezifischeren, auf Straßenebene interagieren. Zu diesem Zweck verwendeten sie zwei verschiedene Wege, um die Daten abzubilden. Die erste Methode, bekannt als planare Dichteschätzung, erstellt eine glatte, heat-map-ähnliche Ansicht der Stadt, die breite Gebiete hoher Aktivität zeigt. Die zweite Methode, die Netzwerk-Dichteschätzung, ist präziser; sie berechnet die Intensität nur entlang der tatsächlichen Linien des Straßennetzes und respektiert dabei die Tatsache, dass Menschen und Gebäude durch Straßen verbunden sind und nicht durch gerade Linien durch die Luft. Durch den Vergleich dieser beiden Ansätze konnte das Team sowohl das große Ganze als auch die feinen Details sehen, wie Airbnb und Stadterneuerung Lissabon umgestalteten.

Die breite Sicht offenbarte ein klares Muster: Sowohl Airbnb-Inserate als auch Gebäudesanierungen waren stark im historischen Zentrum von Lissabon und dessen unmittelbarem Umfeld konzentriert. Dieser zentrale Gürtel, der berühmte Gebiete wie Baixa, Chiado und Alfama umfasst, zeigte einen steilen Rückgang der Aktivität, wenn man sich vom Kern entfernte. Die beiden Phänomene schienen dasselbe Territorium zu teilen, was darauf hindeutet, dass die Gebiete, die für Touristen am attraktivsten waren, auch die Gebiete waren, in denen die meisten Investitionen in die Gebäudesanierung getätigt wurden. Diese flache Kartenansicht war jedoch zwar nützlich, um die allgemeine Form der Stadt zu erfassen, glättete aber wichtige Details. Sie ließ das zentrale Gebiet wie ein einziges, einheitliches Feld hoher Aktivität erscheinen und verbarg die Tatsache, dass die Stadt tatsächlich aus distinkten Straßen und Blöcken besteht.

Als die Forscher zur netzwerkbasierten Ansicht wechselten, änderte sich das Bild signifikant. Der breite zentrale Fleck zerfiel in spezifische, lineare Korridore. Anstatt einer vagen Zone der Aktivität zeigte die Datenlage, dass sowohl Airbnb als auch Stadterneuerung eng entlang bestimmter Straßen organisiert und an spezifischen Knotenpunkten verbunden waren. Die Studie identifizierte fünf Hauptsysteme, in denen diese Konzentration am stärksten war, einschließlich der berühmten Avenida da Liberdade und der engen, gewundenen Straßen der historischen Viertel. In diesen Netzwerkkarten wurde deutlich, dass die beiden Phänomene nicht nur dasselbe Viertel teilten, sondern oft exakt dieselben Straßenabschnitte besetzten oder parallel auf benachbarten Blöcken verliefen. Dieses Detailniveau ist entscheidend, da es zeigt, dass der Druck auf die Stadt nicht gleichmäßig über einen Bezirk verteilt ist, sondern durch spezifische Arterien geleitet wird.

Die Studie untersuchte auch, wie sich diese Muster verhielten, wenn man auf kleinere Bereiche zoomte, wie etwa bestimmte Gemeindebezirke (Parishes) und einzelne Straßen. In der Gemeinde Santa Maria Maior, die die Distrikte Baixa und Alfama abdeckt, zeigte die Netzwerkansicht ein dichtes Gitter aus kurzen Straßen, in denen sowohl Airbnb als auch Sanierungen aktiv waren. Die höchsten Intensitätspunkte wurden an Kreuzungen gefunden, an denen mehrere Straßen aufeinandertrafen – Orte mit hoher Sichtbarkeit und starkem Fußgängerverkehr. In anderen Gebieten, wie der Avenida da Liberdade, zeigten die Daten eine kontinuierliche Linie der Aktivität entlang der Hauptavenue und ihrer Seitenstraßen. Dies bestätigte, dass die Beziehung zwischen Kurzzeitvermietung und Gebäudesanierung kein zufälliger Zufall war, sondern ein strukturiertes Phänomen, das durch die physische Struktur der Stadt organisiert ist. Die Forscher fanden heraus, dass das Hauptmuster unverändert blieb, selbst wenn sie ihre Daten anpassten, um verschiedene Faktoren wie den Mietpreis oder den Typ des Gastgebers zu berücksichtigen. Die zentralen Korridore und Schlüsselknotenpunkte blieben konsistent, was darauf hindeutet, dass der Standort und die Konnektivität einer Straße wichtiger sind als die spezifischen Details der Menschen oder Unternehmen, die sie nutzen.

Eine der wichtigsten Erkenntnisse der Studie ist, dass die Art und Weise, wie wir eine Stadt betrachten, verändert, was wir sehen. Die breiten, flachen Karten sind exzellent geeignet, um allgemeine Interessengebiete zu identifizieren, aber sie können die Tatsache verbergen, dass zwei Dinge, die im selben Viertel stattfinden, tatsächlich durch einige Blocks oder eine topografische Barriere voneinander getrennt sein können. Die Netzwerkkarten offenbaren durch das Befolgen der Straßen die wahre Anatomie der Druckpunkte der Stadt. Dieser Unterschied ist für Stadtplaner von Bedeutung. Wenn eine Regierung die Auswirkungen von Tourismus und Sanierung steuern möchte, ermöglicht das Wissen, dass der Druck auf spezifischen Straßen konzentriert ist und nicht auf ganzen Stadtteilen, wesentlich präzisere Maßnahmen. Anstatt breite Regeln für einen gesamten Distrikt anzuwenden, können Behörden gezielt auf bestimmte Korridore oder Kreuzungen einwirken, an denen die Überschneidung am intensivsten ist.

Die Studie behauptet nicht zu beweisen, dass das eine das andere verursacht hat. Sie sagt nicht, dass Airbnb-Inserate Gebäudesanierungen erzwungen haben oder dass sanierte Gebäude automatisch mehr Touristen anzogen. Stattdessen bietet sie eine diagnostische Karte, die zeigt, wo diese beiden mächtigen Kräfte aufeinandertreffen und wie sie im Raum angeordnet sind. Die Forscher legen nahe, dass dieser kombinierte Ansatz – die Verwendung sowohl breiter als auch netzwerkbasierter Ansichten – ein viel klareres Werkzeug zum Verständnis komplexer urbaner Veränderungen bietet. Indem sie die spezifischen Straßen und Knoten identifizieren, die die meiste Last tragen, können Städte von allgemeinen Beobachtungen zu gezielten Strategien übergehen. Die Arbeit in Lissabon zeigt, dass man, um wirklich zu verstehen, wie sich eine Stadt verändert, nicht nur auf die Gebiete schauen muss, in denen Dinge geschehen, sondern auf die Linien, die sie verbinden. Die Ergebnisse zeigen, dass die Zukunft des städtischen Managements davon abhängen könnte, diese unsichtbaren Netzwerke und die spezifischen Punkte zu erkennen, an denen sie die schwerste Last tragen.