Airbnb beyond stars: what reviews reveal

Abstract

Online reviews play a pivotal role in shaping consumer choices on platforms like Airbnb, where textual content offers deeper insights into guest experiences than numerical ratings alone, all while macroeconomic factors like GDP per capita, inflation, and unemployment shape expectations. This study analyzes Airbnb data from eight European cities, first linking pricing to property traits like capacity and ratings, host superhost status, and experience via regressions, then tracing sentiment from review texts over time, spatial city clusters, and economic conditions. NLP converts reviews into sentiment scores, balanced annually per city and aggregated at listing and city-year levels, with sigmoid mapping to Airbnb's 1-5 scale for direct rating comparisons. Token analysis pinpoints words driving positive/negative sentiment, revealing city-specific review tendencies. Key findings: Accommodation capacity emerges as the dominant, consistent price driver, while ratings and host factors show inconsistent impacts. Sentiment uncovers rating inflation—scores cluster at the high end—plus geographic disparities proving uneven guest experiences within cities. Pooled regressions with city fixed effects link economic shifts associatively (not causally) to sentiment fluctuations, though effects remain modest. Ultimately, fusing NLP sentiment analysis, spatial clustering, and macro indicators illuminates platform user dynamics, advancing platform economics and computational social science, despite challenges measuring sentiment in overwhelmingly positive review settings. Η παρούσα μελέτη διερευνά το ρόλο των διαδικτυακών κριτικών της Airbnb στη διαμόρφωση των τιμών και της συμπεριφοράς των χρηστών, χρησιμοποιώντας δεδομένα καταλυμάτων και αξιολογήσεων από οκτώ ευρωπαϊκές πόλεις. Με τεχνικές επεξεργασίας φυσικής γλώσσας (NLP) μετατρέπεται το κειμένων των αξιολογήσεων σε βαθμούς συναισθήματος, οι οποίοι στη συνέχεια απεικονίζονται στην κλίμακα βαθμολόγησης της Airbnb μέσω σιγμοειδούς μετασχηματισμού, ώστε να διενεργούνται άμεσες συγκρίσεις με τις αριθμητικές αξιολογήσεις. Η ανάλυση διεξάγεται σε επίπεδο καταλύματος και σε επίπεδο πόλης–έτους, με δείγματα ισορροπημένα ανά πόλη και έτος. Σε πρώτο στάδιο, παλινδρομικά μοντέλα επιβεβαιώνουν ότι η χωρητικότητα του καταλύματος αποτελεί τον ισχυρότερο και σταθερότερο προσδιοριστικό της τιμής, ενώ οι αξιολογήσεις, ο στάτους superhost και η εμπειρία του οικοδεσπότη δείχνουν ετερογενείς ή ασθενείς επιδράσεις. Στη συνέχεια, η χωρική ομαδοποίηση μέσω γεωγραφικών συντεταγμένων αποκαλύπτει σημαντικές διαφορές στην εμπειρία των επισκεπτών μεταξύ περιοχών της πόλης, δείχνοντας ότι οι επιτόπιες συνθήκες και η τοποθεσία παίζουν καίριο ρόλο. Τέλος, η μελέτη συσχετίζει το μέσο συναίσθημα που εξάγεται από τις κριτικές με μακροοικονομικούς δείκτες (GDP ανά κεφαλή, πληθωρισμός, ανεργία), αξιολογώντας αποτελέσματα με πόλεις–σταθερά (city‑fixed effects). Βρίσκεται θετική, αλλά σχετικά μικρή συσχέτιση των οικονομικών συνθηκών με το μέσο συναίσθημα, χωρίς αιτιώδη ερμηνεία. Ταυτόχρονα παρατηρείται ισχυρή θετική προκατάληψη στις αξιολογήσεις (rating inflation), με τους σκορ συναισθήματος να συγκεντρώνονται στο ανώτερο μέρος της κλίμακας. Το συνολικό συμπέρασμα είναι ότι η ολοκλήρωση ανάλυσης συναισθήματος και χωρικής ομαδοποίησης με μακροοικονομικούς δείκτες προσθέτει σημαντική αξία στην κατανόηση της συμπεριφοράς των χρηστών στις ψηφιακές πλατφόρμες, παρά τις μεθοδολογικές περιορισμένες της ανάλυσης συναισθήματος σε περιβάλλοντα με έντονα θετικές αξιολογήσεις.