Διερεύνηση των βραχυχρόνιων μισθώσεων στην Αθήνα
A study of short - term house rentals in Athens (Greece)
![Thumbnail](/xmlui/bitstream/handle/11400/1805/geo_13023.pdf.jpg?sequence=4&isAllowed=y)
Keywords
Βραχυχρόνια μίσθωση ακινήτων ; Τιμή μίσθωσης ; Στατιστική ανάλυση ; Ανάλυση παλινδρόμησης ; Γεωγραφικά σταθμισμένη παλινδρόμηση (GWR)Abstract
Στόχος της συγκεκριμένης διπλωματικής εργασίας είναι η μελέτη των βραχυχρόνιων μισθώσεων ακινήτων στην Αθήνα και πιο συγκεκριμένα η εύρεση των μεταβλητών που επηρεάζουν και διαμορφώνουν τελικώς την τιμή μίσθωσης των ακινήτων αυτών. Για τη διεκπεραίωση της μελέτης χρησιμοποιήθηκε σύνολο δεδομένων για τον μήνα Μάιο 2020 που αφορά στην περιοχή του κεντριού τομέα Αθηναίων και αντλήθηκε από την ιστοσελίδα του InsideAirbnb.
Στο πρώτο τμήμα της εργασίας παρουσιάζονται στοιχεία που αφορούν στον τρόπο έναρξης του φαινομένου της βραχυχρόνιας μίσθωσης, καθώς επίσης και επιπλέον στοιχεία τα οποία προκύπτουν μέσα από συγκεκριμένη βιβλιογραφία.
Στη συνέχεια πραγματοποιείται η παρουσίαση της περιοχής μελέτης και πληροφορίες που συλλέχθηκαν για αυτή όπως συνοικίες, δήμοι, σταθμοί του μετρό, μουσεία και αρχαιολογικοί χώροι.
Τελειώνοντας το πρώτο μέρος της εργασίας, παρουσιάζεται ολόκληρο το θεωρητικό πλαίσιο της στατιστικής ανάλυσης που πρόκειται να εφαρμοστεί στον επιλεγμένο στατιστικό πληθυσμό στα επόμενα κεφάλαια.
Στο δεύτερο μέρος της εργασίας, πραγματοποιείται αρχικά η πρώτη επεξεργασία των διαθέσιμων δεδομένων. Αυτό συνεπάγεται την μετατροπή και εκκαθάριση του αρχείου έτσι ώστε να ληφθεί η επιθυμητή μορφή προς επεξεργασία των δεδομένων, καθώς επίσης και η παρουσίαση των διαθέσιμων μεταβλητών για χρήση τους στην στατιστική ανάλυση.
Έπειτα ακολουθεί η στατιστική ανάλυση των δεδομένων που παρουσιάστηκε θεωρητικά σε προηγούμενη ενότητα. Για την ολοκλήρωση του συγκεκριμένου κεφαλαίου απαραίτητη ήταν η χρήση των λογισμικών SPSS, QGISκαι ArcGIS καθώς μέσω αυτών πραγματοποιήθηκε η στατιστική ανάλυση και τελικώς η δημιουργία των μοντέλων παλινδρόμησης. Μέσω των μοντέλων παλινδρόμησης προκύπτουν τα σημαντικότερα αποτελέσματα της παρούσας μελέτης.
Στο τελευταίο κεφάλαιο, πραγματοποιήθηκε μια σύγκριση δεδομένων με χρήση τριών διαφορετικών συνόλων δεδομένων τα οποία αφορούν τα έτη 2018, 2020 και 2021. Η σύγκριση αυτή αφορά κυρίως στην εξέλιξη της τιμής μίσθωσης με την πάροδο του χρόνου.
Τέλος, παρουσιάζονται αναλυτικά τα συμπεράσματα της συγκεκριμένης μελέτης. Σύμφωνα με αυτά, οι βασικότερες ανεξάρτητες μεταβλητές που επηρεάζουν την εξαρτημένη μεταβλητή «τιμή μίσθωσης» είναι αυτές κυρίως που αφορούν χώρο (μέγεθος), όπως ο αριθμός των μπάνιων, των υπνοδωματίων, των κρεβατιών και των φιλοξενούμενων. Ενώ προκύπτει ότι και ο αριθμός των κριτικών για κάθε ακίνητο έχει σημαντικό ρόλο στη διαμόρφωση της τιμής μίσθωσης.
Abstract
The aim of this diploma thesis is to study the short – term house rentals in Athens and more specifically to find the variables that affect and ultimately shape the rental price of these properties. For the completion of the study a data set concerning the area of the central sector of Athens was used. The data set includes data for the month of May 2020 which was drawn from the Inside Airbnb website.
In the first part of the thesis, the phenomenon of short – term house rentals is presented, as well as additional information that emerge through specific bibliography.
There is also a presentation of the study area and at the same time, of additional data collected about it, such as districts, municipalities, metro stations, museums and archaeological sites.
Concluding the first part of the study, the entire theoretical framework of the statistical analysis, that is going to be performed on the statistical population in the following chapters, is presented.
In the second part, the initial processing of the available data takes place. The processing includes the convertion and the clearing of the file (data cleaning), so the data are formatted and ready for use. There is also an introduction to the available variables that are going to be used in the statistical analysis.
Then, the statistical analysis of the data is presented. In order to complete this analysisthe use of SPSS, QGIS and ArcGIS sofwareswere employedfor statistical analysis and the building of regression models. Through the regression models emerge the most important results of the study.
In addition, a data comparison is being performed using three different sets of data for the years 2018, 2020 and 2020. This comparison mainly concerns the evolution of the rental price over time.
Finally, the conclusions of this study are presented in detail. According to them, the most important independent variables, that affect the dependent variable “rental price”, are those mainly related to space (size) such as the number of the bathrooms, bedrooms, beds, and accommodates. At the same time, it appears that the number of reviews for each property has an important role in shaping the rental price as well.