📈 economics

Spatial Disparities in Short-term Rental Guest-Perceived Accommodation Quality: A Twelve-City Comparative Analysis Using Airbnb Review Data and Explainable Machine Learning

본 연구는 전 세계 12개 도시의 에어비앤비 리뷰 297,227건을 대상으로 설명 가능한 머신러닝 파이프라인을 적용하여 새로운 불평등 지수를 통해 숙박 품질에 대한 게스트 인지 격차를 정량화하였으며, 이를 통해 중간 정도의 제한적 규제 체제가 허용적 또는 고도로 제한적인 체제보다 더 높은 품질 분산을 보인다는 점을 밝히고 슈퍼호스트 상태가 위치에 따라 달라지는 주요한 만족도 예측 변수임을 확인하였다.

원저자: Jing Gao, Dong Lin, Jianfeng Hu

게시일 2026-08-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jing Gao, Dong Lin, Jianfeng Hu

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 도시에서 사람들이 자신의 집에 얼마나 만족하는지 이해하려고 노력한다고 상상해 보세요. 보통 이 답을 얻기 위해 연구자들은 수천 가문의 문을 두드리고, 긴 설문조사를 실시하며, 결과가 돌아오기를 몇 년 동안 기다려야 합니다. 그것은 마치 사람들에게 지난달 날씨가 어땠는지 물어봄으로써 폭풍의 지도를 그리려는 것과 같습니다. 하지만 디지털 시대에는 경청할 수 있는 새로운 방법이 있습니다. 바로 '디지털 발자국'입니다. 사람들이 휴가용 숙소에 머물 때마다 그들은 종종 리뷰를 남깁니다. 이 리뷰들은 수백만 명의 게스트가 작성한, 자신들이 머문 임시 숙소에 대해 어떻게 느끼는지를 보여주는 거대하고 실시간적인 일기와 같습니다. 이 논문은 사물이 어디에서 발생하는지를 연구하는 '도시 지리학'과 컴퓨터가 방대한 데이터 더미에서 숨겨진 패턴을 찾아내는 방법을 연구하는 '머신러닝'이라는 두 분야의 세계에 살고 있습니다. 여기서 핵심 질문은 단순하지만 까다롭습니다. 이러한 휴가용 숙소의 품질이 동네마다 크게 차이가 나는가, 그리고 도시의 숙박 관련 규제가 그 차이를 만드는가 하는 점입니다. 어떤 지역은 훌는 숙소들로 가득 차 있고 다른 지역은 나쁜 숙소들로 가득 차 있다면, 이는 도시의 주거 서비스가 얼마나 공정하고 잘 운영되고 있는지를 말해주기 때문에 이를 이해하는 것은 매우 중요합니다.

이제 연구자들이 실제로 무엇을 했는지 자세히 살펴보겠습니다. 그들은 에어비앤비 리뷰를 단순히 별점으로 본 것이 아니라, '게스트가 인지하는 숙박 품질'에 대한 직접적인 척도로 취급했습니다. 이것은 마치 수백만 명의 사람들이 숙소의 '맛'을 평가하는 거대한 글로벌 맛 테스트와 같습니다. 연구팀은 암스테르담, 바르셀로나, 런던, 방콕 등 4개 대륙의 12개 도시 전역에 걸친 297,227개의 리스팅 데이터를 수집했습니다. 그들은 도시의 규칙(예: 숙박 금지 또는 대여 가능 일수 제한)의 엄격함이 이러한 숙소 품질의 불균형을 어떻게 변화시키는지 확인하고자 했습니다.

이 암호를 풀기 위해 그들은 XGBoost라고 불리는 초스마트 컴퓨터 모델을 구축했습니다. 이 모델을 가격, 객실 유형, 호스트가 '슈퍼호스트'(높은 평점을 받은 숙련된 호스트)인지 여부와 같은 단서들을 살펴보고 게스트가 만족할지를 추측하는 탐정이라고 상상해 보세요. 이 모델은 매우 뛰어난 능력을 보여주었는데, 높은 만족도를 86.7%의 확률로 정확하게 예측했습니다. 하지만 진짜 마법은 단순히 추측하는 데 있는 것이 아니라 '설명 가능성'에 있었습니다. 연구진은 SHAP라는 도구를 사용하여 모델에게 "왜 그런 추측을 했니?"라고 물었습니다. 답은 명확했습니다. 슈퍼호스트 상태가 모델 의사결정 능력의 62.2%를 차지하는 가장 큰 단서였습니다. 그러나 슈퍼호스트가 되는 것은 단지 개인의 문제만이 아닙니다. 그것은 또한 그들이 '어디'에 사느냐와도 관련이 있습니다. 이러한 상위 호스트들은 도시 중심지에 모여 있는 경향이 있으며, 이는 '누구인가'가 종s로 '어디인가'와 연결되어 있음을 의미합니다.

연구진은 이후 STR-GPAQ 불평등 지수(SII)라는 특별한 점수를 만들었습니다. 이것을 휴가용 숙소의 '공정성 측정기'라고 생각하세요. 낮은 점수는 모든 사람이 비슷하게 좋은 경험을 한다는 것을 의미합니다. 높은 점수는 경험이 롤러코스터 같다는 것을 의미합니다. 즉, 어떤 사람은 놀라운 숙박을 경험하지만, 어떤 사람은 끔찍한 숙박을 경험한다는 것입니다.

여기서 이야기가 흥미로워집니다. 연구는 도시의 규칙이 이 공정성 측정기와 어떤 관계가 있는지에 대한 놀라운 패턴을 발견했습니다.

매우 엄격한 규칙(30일 제한 및 허가 필요 등)을 가진 암스테르담은 가장 낮은 불평등(SII = 0.031)과 가장 높은 만족도(94.6%)를 보였습니다. 그것은 마치 모든 책이 좋은 상태로 보관된 잘 정리된 도서관 같았습니다.
'중간 정도의 제한적'인 규칙(제한과 라이선스 동결이 혼합된 형태)을 가진 바르셀로나는 가장 높은 불평등(SII = 0.115)과 가장 낮은 만족도(76.8%)를 보였습니다. 이것은 보물을 찾을 수도 있지만 부서진 장난감을 발견할 수도 있는 혼란스러운 시장과 같았습니다.
허용적인 도시(로스앤젤레스, 방콕 등)와 매우 제한적인 도시(파리 등)는 일반적으로 중간 정도의 불평등과 만족도를 보이며 그 사이에 위치했습니다.

저자들은 이러한 '중간 정도의 제한적'인 환경이 우연히 분절된 시장을 만들어 품질의 불균서함을 초래할 수 있다고 제안하지만, 이것이 입증된 인과관계가 아니라 '기술적 연관성'임을 주의 깊게 언급합니다. 그들은 이 연구가 특정 시점의 스냅샷이며, 규칙이 불평등을 '유발했다'는 것을 증명할 수는 없다고 명시적으로 밝힙니다. 관광 강도나 주택 시장과 같은 다른 요인들이 원인일 수 있기 때문입니다.

한 가지 중요한 세부 사항은 이 도구가 최악의 숙소를 찾는 데 완벽하지 않다는 점을 연구진이 배제했다는 것입니다. 모델은 좋은 숙소를 찾아내는 데는 뛰어났지만, 나쁜 숙소를 식별하는 데는 어려움을 겪었습니다(낮은 품질의 리스팅을 단 4.2%만 잡아냈습니다). 저자들은 이것이 자신들의 '공정성 측정기'가 나쁜 아파트를 추적하기 위한 경보 시스템이라기보다는, '좋은' 경험이 얼마나 널리 퍼져 있는지를 측정하는 데 가장 적합하다는 것을 의미한다고 인정했습니다.

결론적으로, 이 논문은 도시 주거를 바라보는 새롭고 유쾌하며 강력한 방법을 제시합니다. 느린 설문조사를 기다리는 대신, 우리는 수백만 명의 게스트가 남긴 디지털 대화를 들을 수 있습니다. 연구 결과는 상위 호스트들이 품질을 주도하지만, 도시의 규칙이 그 품질이 얼마나 고르게 퍼져 있는지를 형성할 수 있음을 시사합니다. 저자들은 이 방법을 도시 계획가들이 주거 서비스가 공정한지 주기적으로 확인할 수 있는 '개념 증명(proof-of-concept)', 즉 작동하는 프로토타입으로 제안하며, 숫자의 이면에 숨겨진 전체 이야기를 이해하기 위해 더 많은 연구가 필요함을 인정하고 있습니다.

기술 요약: 단기 숙박 공유(STR) 이용객 인지 숙박 품질의 공간적 불평등

문제 제로 (Problem Statement)
주거 만족도를 평가하는 전통적인 방식인 가구 설문조사는 시간적 지연, 높은 자원 비용, 그리고 근린 수준의 정책 진단에 필요한 미세한 공간적 세부 정보의 부재라는 한계를 지닌다. 이러한 데이터 공백은 단기 숙박 공유(STR) 시장(예: Airbnb)의 급격한 성장이 도시 주거 역동성을 변화시킨 상황에서 특히 두드러지며, 현재의 규제 정책은 서비스 품질의 상세한 공간적 변이를 포착하지 못하는 광범위한 총계 데이터에 의존하고 있다. 본 연구는 다양한 도시 맥락에서 주거 서비스 결핍을 진단하기 위해, 직접적이고 체계적으로 측정 가능한, 공간적으로 명시적인 STR 서비스 품질 지표의 필요성을 다룬다.

연구 방법론 (Methodology)
본 연구는 4개 대륙(북미, 유럽, 아시아, 오세아니아) 12개 도시의 297,227개 에어비앤비 리스팅 데이터를 활용하여 통합된 설명 가능한 머신러닝 파이프라인을 적용한다. 도시는 다양한 규제 체제(허용적, 중도 제한적, 고도 제한적)를 대표하고 가용 데이터 내에서 대륙적 대표성을 최대화하도록 층화 목적 표집(stratified purposive sampling)을 통해 선정되었으며, 아프리카 및 남미 도시의 부재를 명시적으로 언급하였다.

데이터 및 변수:
- 출처: Inside Airbnb의 공개된 익명화 데이터(2026년 6월 스냅샷).
- 종속 변수: 이용객 인지 숙박 품질(STR-GPAQ)에 대한 이진 분류. 리뷰 점수가 4.5점 이상인 리스팅은 "고만족(High Satisfaction)", 4.5점 미만은 "비고만족(Non-High)"으로 분류함.
- 독립 변수: 지리적 변수(익명화된 좌표, 중심지와의 거리), 자산 변수(가격, 방 유형, 수용 인원), 호스트 변수(슈퍼호스트 여부, 리뷰 수), 제도적 변수(도시 더미 변수). 결측치가 많은 변수(예: 청소비)는 제외됨.
모델 아키텍처:
- 알고리즘: XGBoost 이진 분류.
- 검증: 공간적 자기상관성으로부터의 데이터 누수를 방로하기 위해 표준 무작위 k-겹 교차 검증과 함께 공간 블록 교차 검증(위도/경도 분위수에 기반한 9개 블록)을 사용함.
- 해석 가능성: 모델 예측을 분해하고 특징 중요도 및 상호작용을 정량화하기 위해 SHAP(SHapley Additive exPlanations) 값을 사용함.
STR-GPAQ 불평등 지수 (SII):
- 원시 점수가 아닌 '고만족 확률'에 적용된, 지니 계수에서 파생된 새로운 지표.
- 공식: $SII_c = (1 / (2 \bar{P}_c N_c^2)) \sum_i \sum_j |P_i - P_j|$ , 여기서 $P_i$ 는 리스팅 $i$ 의 예측 확률임.
- 목적: 도시 내 리스팅 간 고품질 숙박의 분포적 불평등을 측정함. 이는 공간적 클러스터링의 직접적인 척도는 아니나, Moran's I 진단 및 그리드 민감도 분석을 통해 공간적 타당성을 뒷받침되는 산포의 스칼라 척도임.

주요 결과 (Key Results)

모델 성능: XGBoost 모델은 교차 검증 정확도 0.867, AUC 0.789, F1-score 0.928을 달성함. 그러나 극심한 클래스 불균형(양성 클래스 >85%)으로 인해 음성 클래스의 재현율(recall)은 0.042로 매우 낮았음. 저자들은 본 모델이 개별 저품질 리스팅을 탐지(조기 경보)하기보다는 불평등의 구조적 동인을 식별하는 데 최적화되었음을 명시함.
특징 중요도: "호스트 슈퍼호스트" 상태가 지배적인 예측 변수로 나타났으며, 전체 특징 중요도의 62.2%를 차지함. 그러나 SHAP 상호작용 분석 결과, 이 효과는 공간적으로 조건화되어, 주변 지역에 비해 주요 관심 지점(POI) 밀도가 높은 중심 지구에서 유의미하게 강하게 나타남. 도시 더미 변수들이 약 25%의 중요도를 공동으로 설명하며, 이는 기준 규범과 플랫폼 성숙도가 위치에 따라 크게 다름을 시사함.
규제 연관성: 규제 체제와 관련된 기술적 패턴이 관찰됨:
- 고도 제한적 (예: 암스테르담): 가장 낮은 SII (0.031) 및 가장 높은 만족도 (94.6%).
- 허용적 (예: 로스앤젤레스, 방콕): 중간 수준의 SII (0.057–0.083).
- 중도 제한적 (예: 런던, 바르셀로나): 가장 높은 SII를 기록함. 바르셀로나는 가장 높은 불평등(SII = 0.115)과 가장 낮은 만족도(76.8%)를 보임.
강건성: SII 순위는 공간적 집계 규모(0.5km ~ 2.0km 그리드) 전반에 걸쳐 안정적으로 유지되었으며, 무작위 공간 베이스라인과 구별됨이 확인됨. 순서형 로지스틱 회귀 분석을 통해 결과가 4.5점 임계치 선택에 대해 강건함을 확인함.

주요 기여 (Key Contributions)

개념적 재정의: 본 연구는 에어비앤비 이용객 리뷰를 STR-GPAQ의 직접적이고 측정 가능한 구성 개념으로 재정의하며, 이를 주거 서비스 결핍을 측정하는 보완적(단, 동일하지는 않음) 원천으로 위치시키고 구성 타당성의 경계를 명시함.
방법론적 프레임워크: STR 영역에 특화되어 설계된 Gini 유래 지표인 STR-GPAQ 불평등 지수(SII)를 도입하고 검증하였으며, 이것이 공간적 척도 전반에서 안정적이며 도시 간 비교를 용이하게 함을 입증함.
도시 간 비교 설계: 서로 다른 규제 체제를 가진 4개 대륙 12개 도시를 분석함으로써, 중도 제한적 체제가 허용적 또는 고도 제한적 체제보다 높은 분포적 불평등과 관련될 수 있다는 기술적 벤치마크를 제공함.
재현 가능한 파이프라인: 연구자 및 실무자가 다른 영역에서도 서비스 결핍의 주기적 모니터링을 위해 적응할 수 있는 완전한 분석 프레키트(XGBoost + SHAP + SII + 공간 진단)를 제공함.

의의 및 주장 (Significance and Claims)
본 논문은 인과 관계 연구라기보다 일차적으로 **방법론적 개념 증명(proof-of-concept)**으로서의 성격을 띰. 그 의의는 다음과 같음:

진단적 유용성: 디지털 흔적 데이터를 사용하여 단기 숙박 공유 서비스 품질의 공간적 격차를 시각화하고 정량화하는 확장 가능한 데이터 기반 접근법을 제공하여, 전통적인 설문조사의 한계를 극복함.
정책 벤치마킹: 향후 준실험적 연구가 특정 규제 개입의 인과적 효과를 평가할 때 사용할 수 있는 기술적 베이스라인(SII 순위)을 제공함.
투명성: 알고리즘 편향의 위험과 플랫폼 데이터를 거주자 복지의 대리 지표로 오해할 위험을 완화하기 위해 설명 가능성(SHAP 활용)과 구성 타당성의 경계를 강조함.

저자들은 횡단적 설계가 인과적 귀속을 배제한다는 점을 명시적으로 경고함. 중도 제한적 체제와 높은 불평등 사이의 관찰된 연관성은 관광 밀도나 주택 시장의 긴박함과 같은 혼란 변수를 통제하고 인과성을 확인하기 위해 패널 데이터나 준실험적 검증(예: 이중차분법)이 필요한 가설 생성적 발견으로 제시됨. 또한, 본 연구는 STR-GPAQ가 이용객의 만족도(일시적, 서비스 중심적)를 반영하며, 장기 거주자의 주거 만족도와 동일하지 않음을 인정함.

유사한 논문