Η επίδραση της απόστασης από σημεία ενδιαφέροντος στις τιμές ακινήτων Airbnb σε 18 ευρωπαϊκές πόλεις

Abstract

Η παρούσα διπλωματική εργασία εξετάζει τους προσδιοριστικούς παράγοντες των τιμών των καταλυμάτων Airbnb σε 18 ευρωπαϊκές πόλεις, με ιδιαίτερη έμφαση στον ρόλο της απόστασης από σημεία ενδιαφέροντος, της αντιλαμβανόμενης ποιότητας και της χωρικής αλληλεξάρτησης. Για τον σκοπό αυτό αξιοποιούνται δεδομένα από την πλατφόρμα Inside Airbnb, τα οποία συνδυάζουν δομικά χαρακτηριστικά των καταλυμάτων, στοιχεία τοποθεσίας και πληροφορίες που προκύπτουν από τις αξιολογήσεις των χρηστών. Σε πρώτο στάδιο, υπολογίζονται οι γεωγραφικές αποστάσεις μεταξύ κάθε καταλύματος και των σημείων ενδιαφέροντος κάθε πόλης με τη μέθοδο Haversine, ενώ παράλληλα κατασκευάζονται σύνθετοι δείκτες που αποτυπώνουν τη φήμη του καταλύματος, την ποιότητα του οικοδεσπότη, τη διαθεσιμότητα και τη χωρική ομαδοποίηση των γειτονιών. Επιπλέον, εφαρμόζεται ανάλυση συναισθήματος στις κριτικές των επισκεπτών, με χρήση του VADER για αγγλόφωνες κριτικές και του XLM-RoBERTa για πολύγλωσσο περιεχόμενο, καθώς και τεχνικές text mining για την αποτύπωση των βασικών θεματικών που αναδεικνύονται στα σχόλια. Η εμπειρική ανάλυση βασίζεται σε γραμμικά υποδείγματα OLS με ανθεκτικά και ομαδοποιημένα τυπικά σφάλματα, καθώς και σε χωρικά υποδείγματα SAR, SEM και SAC, ώστε να εξεταστεί η ύπαρξη χωρικής εξάρτησης στις τιμές. Τα αποτελέσματα δείχνουν ότι τα βασικά δομικά χαρακτηριστικά αποτελούν τους ισχυρότερους προσδιοριστικούς παράγοντες της τιμής, ενώ η εγγύτητα στα σημεία ενδιαφέροντος έχει αρνητική αλλά σχετικά ασθενή επίδραση. Παράλληλα, επιβεβαιώνεται η ύπαρξη χωρικής αλληλεξάρτησης, καθώς οι τιμές των καταλυμάτων επηρεάζονται και από τις τιμές γειτονικών μονάδων. Τέλος, η σχέση απόστασης και τιμής εμφανίζεται μη γραμμική, με υψηλότερες τιμές τόσο σε πολύ κεντρικά όσο και σε πιο απομακρυσμένα καταλύματα.This thesis examines the determinants of Airbnb listing prices in 18 European cities, with particular emphasis on the role of distance from points of interest, perceived quality, and spatial interdependence. For this purpose, data from the Inside Airbnb platform are used, combining structural characteristics of listings, location-related information, and data derived from user reviews. In the first stage, the geographical distances between each listing and the points of interest in each city are calculated using the Haversine method, while composite indices are constructed to capture listing reputation, host quality, availability, and the spatial clustering of neighborhoods. In addition, sentiment analysis is applied to guest reviews using VADER for English-language reviews and XLM-RoBERTa for multilingual content, along with text mining techniques to identify the main themes emerging from the comments. The empirical analysis is based on linear OLS models with robust and clustered standard errors, as well as spatial models such as SAR, SEM, and SAC, in order to examine the existence of spatial dependence in prices. The results show that the main structural characteristics are the strongest determinants of price, while proximity to points of interest has a negative but relatively weak effect. At the same time, the existence of spatial interdependence is confirmed, as listing prices are also affected by the prices of neighboring units. Finally, the relationship between distance and price appears to be non-linear, with higher prices observed both in very central and in more remote listings.