Airbnb phenomenon: a review of literature and future research directions
Notice bibliographique
Résumé
Purpose The paper intends to review academic research on peer to peer (P2P) accommodation sharing, notably Airbnb, for 2010–2022 and to identify the knowledge gaps for future research directions. Design/methodology/approach Numerous databases were searched using keywords. Based on the central theme of the research papers, the papers were divided into eight segments—consumer behavior, host behavior, host–guest relationship (HGR), trust in Airbnb, dominant theories in Airbnb, Airbnb regulation, Airbnb and hotels and macro impacts of Airbnb. In-depth content analysis resulted in the final 101 papers for inclusion. Findings The review advances comprehension of the Airbnb phenomenon by enriching the literature with new and most recent studies. Most existing Airbnb research has been conducted in Europe, USA/Canada, followed by Asian countries like China, Singapore, S. Korea and India. Future studies should include South America, Africa and other developing nations. More cross-cultural studies are required to understand consumer and host behavior in different cultural settings. Numerous proposals to fulfill the research gaps identified by the paper are discussed. Practical implications The study will give better insights into the spiraling P2P accommodation economy. The study will be useful to researchers, scholars, Airbnb, the hotel industry, vacation rental players and destination marketing organizations by relating the study findings to practical competition analysis. The study provides deeper insights into the decision-making process of both guests and hosts by examining the relevant motivators and constraints. It will also assist the Airbnb platform in identifying its strength over the traditional hotel industry and other vacation rentals. The findings will also assist policymakers in better controlling the Airbnb phenomena by providing a comprehensive view of the micro and macro environment. Originality/value The paper includes the most recent studies from Asian countries like India, Singapore, China, Korea and Taiwan, not covered by earlier reviews. Prior studies mainly focused on European and American countries. Also, the paper tried to cover the macro impacts of Airbnb in-depth and the effects of COVID-19.
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 | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,014 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».