When Tourists Displace Tenants: Insights on Airbnb in New York City and Toronto
Notice bibliographique
Résumé
Short-term rentals have increased dramatically in recent years thanks to peer-to-peer home sharing platforms like Airbnb which allow people to rent spare rooms or entire homes online. Critics contend that Airbnb is reducing housing supply for long-term residents, increasing housing costs, threatening quality of life, and unfairly copeting with hotels. Most of this concern has centred on the conversion of entire homes into dedicated short-term rentals, or de facto hotels. This research uses a combination of Airbnb listing data, census data, and GIS analysis to suggest that private-room Airbnb rentals are impacting the availability of rental housing for people live as roommates in New York Cit and Toronto. Further, this research uses spatial analysis of Airbnb listings to that entire homes and apartments are being converted into multiple, private-room listings on Airbnb exclusively for the purpose of short-term rentals, a phenomenon we term a "ghost hotel", which counter the ethos of "home sharing" and may pose threats to residents' quality of life. Drawing on interviews with six residents of Toronto's Kensington Market, a site of conflict between residents and shor-term rentals, this research suggests that while Airbnb benefits travelers and hosts, it can also have negative neighbourhood impacts such as public nuisances, commercial and residential gentrification, displacement, and loss of social ties, especially when entire properties are converted to short-term rentals. This research provides new insight into Airbnb activity in New York City and Toronto, and discusses possible implications for short-term rental regulations and enforcement.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,013 | 0,004 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 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 ».