Short-term rentals in Canada: Uneven growth, uneven impacts
Notice bibliographique
Résumé
In the last several years, Airbnb and other short-term rental services have grown precipitously across Canada, but very little is known about the scale and character of this activity or its impact on housing. Relying on spatial analysis of big data, this study presents the first comprehensive analysis of Airbnb in Canada, with an emphasis on the interaction between the short-term rental market and long-term housing. Airbnb activity is highly concentrated geographically—nearly half of all active listings are located in the Toronto, Montréal and Vancouver metropolitan areas—and highly concentrated among hosts, the top 10% of whom earn a majority of all revenue. Contrary to the rhetoric of “home sharing”, almost 50% of all Airbnb revenue last year was generated by commercial operators who manage multiple listings. Moreover, between 17,000 to 43,000 entire homes were rented frequently enough last year that they are unlikely to house a permanent resident. This housing pressure disproportionately affects West Coast cities: between 10% and 70% of Vancouver, Victoria, Kelowna, and Abbotsford-Mission residents live in neighbourhoods whose rental vacancy rate is exceeded by the proportion of housing units that are frequently rented on Airbnb. While current Airbnb activity is concentrated in major cities, active listings, total revenue, hosts with multiple listings, and frequently rented entire-home listings are all growing at substantially higher rates in small towns and rural areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».