📈 economics

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

Este estudo emprega um pipeline de aprendizado de máquina explicável em 297.227 avaliações do Airbnb em doze cidades globais para quantificar disparidades espaciais na qualidade da acomodação percebida pelos hóspedes usando um novo índice de desigualdade, revelando que regimes regulatórios moderadamente restritivos exibem maior dispersão de qualidade do que os permissivos ou altamente restritivos, ao mesmo tempo em que identifica o status de Superhost como o preditor dominante e condicionado à localização da satisfação.

Autores originais: Jing Gao, Dong Lin, Jianfeng Hu

Publicado 2026-08-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jing Gao, Dong Lin, Jianfeng Hu

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine tentar entender o quão felizes as pessoas estão com suas casas em uma cidade gigante e agitada. Normalmente, para obter essa resposta, pesquisadores precisam bater em milhares de portas, aplicar questionários longos e esperar anos para que os resultados retornem. É como tentar mapear uma tempestade perguntando às pessoas como estava o clima no mês passado. Mas na era digital, há uma nova maneira de ouvir: a "pegada digital". Cada vez que alguém se hospeda em um aluguel de temporada, essa pessoa frequentemente deixa uma avaliação. Essas avaliações são como um enorme diário em tempo real de como as pessoas se sentem em relação aos seus lares temporários, escrito por milhões de hóspedes. Este artigo vive no mundo da geografia urbana e do aprendizado de máquina (machine learning), dois campos que estudam onde as coisas acontecem e como computadores podem encontrar padrões ocultos em enormes pilhas de dados. A grande questão aqui é simples, mas complexa: a qualidade desses aluguéis de temporada varia drasticamente de bairro para bairro, e as regras da cidade sobre o aluguel de imóveis alteram isso? Compreender isso é importante porque, se algumas áreas estão cheias de estadias excelentes enquanto outras estão cheias de estadias ruins, isso nos diz algo sobre o quão justos e bem administrados são os serviços de habitação de uma cidade.

Agora, vamos mergulhar no que os pesquisadores realmente fizeram. Eles trataram as avaliações do Airbnb não apenas como classificações de estrelas, mas como uma medida direta da "qualidade da acomodação percebida pelo hóspede". Pense nisso como um grande teste de sabor global, onde milhões de pessoas estão avaliando o "sabor" de sua estadia. A equipe reuniu dados de 297.227 anúncios em 12 cidades de quatro continentes diferentes, incluindo lugares como Amsterdã, Barcelona, Londres e Bangkok. Eles queriam ver se o rigor das regras de uma cidade (como proibir aluguéis ou limitar quantos dias você pode alugar) mudava o quão desigual era a qualidade desses aluguéis.

Para decifrar esse código, eles construíram um modelo de computador super inteligente chamado XGBoost. Imagine este modelo como um detetive que observa pistas como o preço, o tipo de quarto e se o anfitrião é um "Superhost" (um anfitrião de alto nível e experiente) para adivinhar se um hóspede ficará satisfeito. O modelo foi incrivelmente bom em seu trabalho, prevendo corretamente a alta satisfação 86,7% das vezes. Mas a verdadeira mágica não estava apenas em adivinhar; era na "explicabilidade". Os pesquisadores usaram uma ferramenta chamada SHAP para perguntar ao modelo: "Por que você fez essa previsão?". A resposta foi clara: o status de Superhost era a pista principal, respondendo por 62,2% do poder de decisão do modelo. No entanto, ser um Superhost não é apenas sobre a pessoa; é também sobre onde ela vive. Esses principais anfitriões tendem a se concentrar nos centros das cidades, o que significa que o "quem" está frequentemente ligado ao "onde".

Os pesquisadores então criaram um escore especial chamado Índice de Desigualdade STR-GPAQ (SII). Pense nisso como um "medidor de justiça" para aluguéis de temporada. Um índice baixo significa que todos têm uma experiência semelhante e boa. Um índice alto significa que a experiência é uma montanha-russa — algumas pessoas têm estadias incríveis, enquanto outras têm estadias terríveis.

É aqui que a trama se intensifica. O estudo encontrou um padrão surpreendente na forma como as regras das cidades se relacionam com este medidor de justiça.

Amsterdã, que possui regras muito rígidas (como um limite de 30 dias e necessidade de licença), teve a menor desigualdade (SII = 0,031) e a maior taxa de satisfação (94,6%). Era como uma biblioteca bem organizada onde cada livro está em boas condições.
Barcelona, que possui regras "moderadamente restritivas" (uma mistura de limites e congelamento de licenças), teve a maior desigualdade (SII = 0,115) e a menor taxa de satisfação (76,8%). Isso era mais como um bazar caótico onde você pode encontrar um tesouro ou um brinquedo quebrado.
Cidades permissivas (como Los Angeles e Bangkok) e cidades altamente restritivas (como Paris) geralmente ficaram em algum lugar no meio, com desigualdade moderada.

Os autores sugerem que esse meio-termo "moderadamente restritivo" pode acidentalmente criar um mercado dividido, levando a uma qualidade mais desigual, mas eles são cuidadosos ao dizer que isso é uma associação descritiva, não uma causa e efeito comprovada. Eles afirmam explicitamente que seu estudo é um instantâneo no tempo e não pode provar que as regras causaram a desigualdade; outros fatores, como a intensidade do turismo ou os mercados imobiliários, podem ser os culpados.

Um detalhe crucial que o artigo descarta é que esta ferramenta é perfeita para encontrar os piores aluguéis. O modelo foi ótimo em identificar os bons, mas teve dificuldade em identificar os ruins (ele detectou apenas 4,2% dos anúncios de baixa qualidade). Os autores admitem que isso significa que seu "medidor de justiça" é melhor usado para medir o quão espalhadas estão as boas experiências, em vez de servir como um sistema de alarme para caçar apartamentos ruins.

No fim, este artigo oferece uma nova, lúdica e poderosa maneira de olhar para a habitação urbana. Em vez de esperar por pesquisas lentas, podemos ouvir o burburinho digital de milhões de hóspedes. As descobertas sugerem que, embora os principais anfitriões impulsionem a qualidade, as regras da cidade podem moldar a forma como essa qualidade é distribuída uniformemente. Os autores propõem este método como uma "prova de conceito" — um protótipo funcional que planejadores urbanos poderiam usar para verificar periodicamente se seus serviços de habitação são justos, reconhecendo que mais pesquisas são necessárias para entender a história completa por trás dos números.

Resumo Técnico: Disparidades Espaciais na Qualidade de Acomodação Percebida pelos Hóspedes em Aluguéis de Curta Duração

Problema
Os métodos tradicionais para avaliar a satisfação habitacional, principalmente as pesquisas domiciliares, sofrem com atrasos temporais, altos custos de recursos e uma falta de detalhamento espacial granular necessária para diagnósticos de políticas ao nível de vizinhança. Essa lacuna de dados é particularmente aguda nos mercados de aluguel de curta duração (STR), onde o rápido crescimento das plataformas (ex: Airbnb) alterou a dinâmica habitacional urbana, embora a política regulatória muitas vezes dependa de dados agregados amplos que falham em capturar variações espaciais detalhadas na qualidade do serviço. O estudo aborda a necessidade de um indicador de qualidade de serviço de STR que seja direto, sistematicamente mensurável e espacialmente explícito para diagnosticar a privação de serviços habitacionais em diversos contextos urbanos.

Metodologia
O estudo emprega um pipeline integrado de aprendizado de máquina explicável aplicado a um conjunto de dados de 297.227 anúncios do Airbnb em doze cidades de quatro continentes (América do Norte, Europa, Ásia e Oceania). As cidades foram selecionadas via amostragem proposital estratificada para representar diversos regimes regulatórios (permissivos, moderadamente restritivos e altamente restritivos) e a máxima representação continental dentro dos dados disponíveis, observando explicitamente a ausência de cidades africanas e sul-americanas.

Dados e Variáveis:
- Fonte: Dados públicos anonimizados da Inside Airbnb (snapshot de junho de 2026).
- Variável Dependente: Uma classificação binária da Qualidade de Acomodação Percebida pelo Hóspede (STR-GPAQ). Anúncios com pontuações de avaliação $\ge$ 4,5 são classificados como "Alta Satisfação", enquanto os < 4,5 são "Não-Alta".
- Variáveis Independentes: Geográficas (coordenadas ofuscadas, distância do centro), Propriedade (preço, tipo de quarto, capacidade), Anfitrião (status de Superhost, contagem de avaliações), e Institucionais (variáveis dummy de cidade). Variáveis com alta taxa de ausência (ex: taxas de limpeza) foram excluídas.
Arquitetura do Modelo:
- Algoritmo: Classificação binária XGBoost.
- Validação: A validação por blocos espaciais (9 blocos baseados em quantis de latitude/longitude) foi utilizada para evitar o vazamento de dados (data leakage) proveniente da autocorrelação espacial, juntamente com a validação padrão k-fold aleatória.
- Interpretabilidade: Valores SHAP (SHapley Additive exPlanations) foram usados para decompor as predições do modelo e quantificar a importância das características e suas interações.
O Índice de Desigualdade de STR-GPAQ (SII):
- Uma métrica inovadora adaptada do coeficiente de Gini, aplicada às probabilidades preditas de alta satisfação, em vez de pontuações brutas.
- Fórmula: $SII_c = (1 / (2 \bar{P}_c N_c^2)) \sum_i \sum_j |P_i - P_j|$ , onde $P_i$ é a probabilidade predita para o anúncio $i$ .
- Propósito: Medir a desigualdade distributiva de acomodações de alta qualidade entre os anúncios dentro de uma cidade. É uma medida escalar de dispersão, não uma medida direta de agrupamento espacial, embora sua validade espacial seja sustentada por diagnósticos de I de Moran e análise de sensibilidade de grade.

Principais Resultados

Desempenho do Modelo: O modelo XGBoost alcançou uma acurácia de validação cruzada de 0,867, um AUC de 0,789 e um F1-score de 0,928. No entanto, devido ao desequilíbrio extremo de classes (classe positiva >85%), o recall da classe negativa foi muito baixo (0,042). Os autores observam que o modelo é otimizado para identificar os impulsionadores estruturais da desigualdade, em vez de detectar anúncios individuais de baixa qualidade (alerta precoce).
Importância das Características: O status de "Anfitrião Superhost" emergiu como o preditor dominante, respondendo por 62,2% da importância das características. Contudo, a análise de interação SHAP revelou que este efeito é condicionado espacialmente, sendo significativamente mais forte em distritos centrais com alta densidade de Pontos de Interesse (POI) em comparação com áreas periféricas. As variáveis dummy de cidade explicaram coletivamente ~25% da importância, indicando que as normas de base e a maturidade da plataforma variam significativamente por localização.
Associações Regulatórias: Um padrão descritivo emergiu vinculando regimes regulatórios à desigualdade:
- Altamente Restritivo (ex: Amsterdã): Menor SII (0,031) e maior taxa de satisfação (94,6%).
- Permissivo (ex: Los Angeles, Bangkok): Valores de SII moderados (0,057–0,083).
- Moderadamente Restritivo (ex: Londres, Barcelona): Maiores valores de SII. Barcelona exibiu a maior desigualdade (SII = 0,115) e a menor satisfação (76,8%).
Robustez: Os rankings do SII permaneceram estáveis através de escalas de agregação espacial (grades de 0,5 km a 2,0 km) e foram confirmados como distintos de linhas de base espaciais aleatórias. A regressão logística ordenada confirmou que os resultados foram robustos à escolha do limiar de 4,5.

Principais Contribuições

Redefinição Conceitual: O estudo redefine as avaliações dos hóspedes do Airbnb como um construto direto e mensurável de STR-GPAQ, posicionando-o como uma fonte complementar (embora não sinônima) para medir a privação de serviços habitacionais, com limites explícitos sobre a validade do construto.
Framework Metodológico: Introduz e valida um framework analítico de STR-GPAQ (XGBoost + SHAP + SII + Diagnósticos Espaciais) que pode ser adaptado por pesquisadores e profissionais para o monitoramento periódico da privação de serviços em outros domínios.
Design Comparativo entre Cidades: Ao analisar doze cidades em quatro continentes com diferentes regimes regulatórios, o estudo fornece um benchmark descritivo mostrando que regimes moderadamente restritivos podem estar associados a uma maior desigualdade distributiva do que regimes permissivos ou altamente restritivos.
Pipeline Replicável: Os autores fornecem um framework analítico completo (XGBoost + SHAP + SII + Diagnósticos Espaciais) que pode ser adaptado por pesquisadores e profissionais para o monitoramento periódico da privação de serviços em outros domínios.

Significância e Alegações
O artigo posiciona-se primariamente como uma prova de conceito metodológica, em vez de um estudo causal. Sua significância reside em:

Utilidade Diagnóstica: Oferecer uma abordagem escalável e orientada por dados para visualizar e quantificar disparidades espaciais na qualidade do serviço de STR usando dados de rastreamento digital, superando as limitações das pesquisas tradicionais.
Benchmarking de Políticas: Fornecer uma base descritiva (os rankings de SII) que estudos quase-experimentais futuros possam utilizar para avaliar os efeitos causais de intervenções regulatórias específicas.
Transparência: Enfatizar a explicabilidade (via SHAP) e os limites da validade do construto para mitigar os riscos de viés algorítmico e a interpretação errônea dos dados da plataforma como um substituto (proxy) para o bem-estar dos residentes.

Os autores alertam explicitamente que seu design transversal impede a atribuição causal. A associação observada entre regimes moderadamente restritivos e maior desigualdade é apresentada como um achado gerador de hipóteses que requer dados de painel ou validação quase-experimental (ex: diferença-em-diferenças) para confirmar a causalidade e excluir fatores de confusão, como intensidade turística ou aperto no mercado imobiliário. Além disso, o estudo reconhece que o STR-GPAQ reflete a satisfação do hóspede (transiente, orientada ao serviço) e não é sinônimo da satisfação habitacional do residente de longo prazo.

Mais como este