Introducción

La expansión de la plataforma de Airbnb es un fenómeno comprobable en gran parte de las ciudades actuales. Con un valor aproximado de 139,84 millones de dólares en la bolsa de valores, su presencia se contabiliza en al menos 220 países del mundo, con unos 4 millones de anfitriones y más de 150 millones de usuarios (Airbnb. Newsroom, 2025). Aun con el impacto generado por la pandemia por Covid-19 y sus efectos en la actividad turística, que llevaron a un escenario de incertidumbre internacional (Gyódi & Nawaro, 2021), la industria de alquiler por plataforma ha presentado una rápida adaptación a las nuevas dinámicas e intereses de la población.

El aumento de compañías como Airbnb se asocia al auge de la economía colaborativa, la cual se ha ampliado notablemente en los últimos años. Ejemplo de ello son plataformas como las de Uber, Didi o Couchsourfing, que comparten un modelo de funcionamiento centrado en adquirir, proporcionar o compartir el acceso a bienes y/o servicios a partir de un sistema peer-to-peer (Anwar, 2018; Geissinger et al., 2020; Tong & Gunter, 2022). Este modelo económico se ha expandido de forma paralela a la revolución digital, habiendo encontrado en las tecnologías de la información y las comunicaciones (TIC) una herramienta que ha transformado las relaciones de consumo, producción, financiación y gobernanza en su intercambio (Fernández-Trujillo Moares & Gil García, 2021; Rivas et al., 2019; Sainger, 2018). Los modelos económicos tradicionales que caracterizaron el consumo permanente de bienes o servicios se han reinventado con un nuevo modelo de consumo temporal (Remané et al., 2022).

Dado el gran abanico de opciones de operación dentro de la economía colaborativa, se han identificado tres sistemas en los cuales se realizan los intercambios (Eckhardt et al., 2019; Kuhzady et al., 2020): 1) Producto-servicio, en el cual se realiza un pago por el uso temporal de un bien y/o servicio, por lo que no existe una apropiación permanente de ellos; en este sistema se insertan aplicaciones como Uber, Airbnb o las de comida rápida, Uber Eats, Didi Food, por mencionar algunas. 2) Redistribución de bienes, sistema enfocado en la transferencia o intercambio de bienes usados, ya sea a partir de un pago, un trueque o una donación; la característica que lo define es el hecho de que los productos intercambiados son usados y no nuevos; ejemplos de ello son Wallapop, eBay, MarketPlace. 3) Colaboración, modalidad referida a la transferencia o intercambio de recursos intangibles, como tiempo, espacio o habilidades, por lo que se comparten intereses y experiencias; algunos ejemplos de este tipo de plataformas son Couchsurfing, Eatwith o Trip4Real.

De forma específica, si bien la rama perteneciente a alojamientos en la economía colaborativa ha tenido una larga trayectoria, con ejemplos como los de Booking (1996), TripAdvisor (2000), CouchSufing (2002), HomeAway, ahora VRBO (2005), el punto de expansión no se generó sino hasta 2008, con el surgimiento de Airbnb. Esta plataforma de alquiler temporal, que rápidamente se posicionó como la más importante a nivel internacional, ha transformado el funcionamiento del mercado de vivienda de alquiler y propiedad (Amaro et al., 2019; Santos et al., 2020; Zervas et al., 2021).

El éxito de la plataforma Airbnb sobre otras de su tipo y las formas de hospedaje tradicional, se debe en gran medida a su modelo de emprendimiento y diseño conceptual, que le otorgan una amplia capacidad adaptativa. Tal modelo se sustenta en tres ejes principales: precios bajos, diversificación de sectores de viaje y hotelería, y un patrón de crecimiento centrado en el cliente (Lee & Kim, 2019; Lutz & Newlands, 2018; Mody et al., 2023). Se suman a ello las estrategias implementadas, que han asegurado una mayor presencia internacional de la plataforma, incrementado su flexibilidad y desarrollado pautas para el aprovechamiento de las ventajas de localización, y también han diversificado su mercado hacia la venta de experiencias (Abdar & Yen, 2020; Santos et al., 2020; Sengupta et al., 2021).

En las líneas señaladas, el apogeo de Airbnb en los últimos años resulta incuestionable y es medido por su amplia presencia a nivel internacional, a partir de la cual se establecen conexiones de red global entre huéspedes y anfitriones (Airbnb. Newsroom, 2025). Junto con ello, y de forma paralela a su crecimiento, se han desarrollado múltiples efectos directos e indirectos de la plataforma en distintas esferas. En esta perspectiva, la discusión sobre la presencia de Airbnb en las ciudades y los efectos generados por ella puede diversificarse en dos grandes categorías: la primera referida a los efectos positivos de la plataforma y la segunda, a sus consecuencias negativas.

En la primera categoría se encuentran aquellas investigaciones que apuntan a las ventajas del modelo de economía colaborativa. Resaltan al respecto la adecuada gestión de recursos, la disponibilidad de mayor oferta y el desarrollo sostenible que representa la reutilización de inmuebles ociosos, deshabitados o temporalmente infrautilizados con el propósito de transformarlos en bienes con valor de uso, además de su impulso a la circulación del capital (Aruan & Felicia, 2019; Fonseca & Estela, 2020; García, 2021; Mao & Lyu, 2017).

Vinculado a este argumento, hay investigaciones que resaltan los elementos positivos de la plataforma para los usuarios, entre los que destaca la ventaja competitiva frente a otras formas de alquiler temporal tradicional, como costos reducidos, diversidad en la forma de hospedaje y flexibilidad. Desde esa misma perspectiva, la de los usuarios, se otorga gran valoración al componente sociocultural, donde destacan las opciones de oferta en lo tocante a convivir y conectar con locales a través de las experiencias en esta forma de alquiler (Giménez et al., 2022; Santos et al., 2020; Schor & Attwood-Charles, 2017).

Por otra parte, y en esta misma línea de enfoque de aspectos positivos, ahora desde un punto de vista socioeconómico, las investigaciones han apuntado al uso de las plataformas Airbnb como una vía para generar ingresos extra en los hogares. Los argumentos giran en torno a los beneficios económicos que los propietarios sustraen de sus viviendas subutilizadas, que se traducen en la obtención de un recurso extraordinario y el aumento en el poder adquisitivo de los hogares. Otras investigaciones, enfocadas en tendencias demográficas, buscan identificar los principales perfiles de los anfitriones del sistema, con el objetivo de visualizar los distintos motivos que llevan a los propietarios a ofertar sus viviendas y las ventajas que obtienen de ello (Fonseca & Estela, 2020; Madrigal Montes de Oca et al., 2018).

En cuanto a un segundo enfoque de análisis, centrado en los efectos negativos de la plataforma, se ha reproducido en distintas dimensiones y escalas. En este sentido, entre los aspectos más analizados está la dinámica de la vivienda, perspectiva que retoma uno de los puntos más álgidos de los debates: la conversión de viviendas familiares a viviendas de alquiler turístico (Braga-de-Souza & Leonelli, 2024; Garcia-López et al., 2020; Gurran et al., 2024; Koster et al., 2021; Lee & Kim, 2023; Zhao et al., 2023). En esta transformación se detectan al menos dos resultados: el primero se relaciona con la reducción de la oferta de alquiler tradicional, mientras que los alquileres turísticos van al alza; el segundo remite a la salida del submercado de viviendas en propiedad, para su inserción en el mercado de los alquileres temporales o turísticos. Relacionada con ambos posibles resultados se inserta otra discusión, esta vez en torno a la acumulación de ofertas de alquiler temporal en puntos específicos. Esta tendencia se presenta como una hiperconcentración que transforma la dinámica de los mercados de vivienda a escala local, y en algunos otros casos a una escala regional, conduciendo a un fenómeno de turistificación del mercado inmobiliario y el paulatino incremento en los precios de las viviendas (Aliyev et al., 2019; Contu et al., 2023; Sayın et al., 2022).

Por otro lado, desde un punto de vista social, el estudio de los efectos de Airbnb se ha centrado en la competencia desigual entre los actores que buscan acceder a una vivienda, evidenciando los procesos de gentrificación y documentando los mecanismos de expulsión de la población residente de bajos ingresos y su sustitución por población flotante o temporal con perfiles de alto ingreso (Bosma & van Doorn, 2022; Cocola-Gant & Lopez-Gay, 2020; Navarrete Escobedo, 2020; Rabiei-Dastjerdi et al., 2022).

La lectura desde una óptica urbana se ha centrado en el papel que desempeña el entorno urbano en cuanto a la disponibilidad de equipamiento, amenidades y servicios, así como elementos intrínsecos de la vivienda, como factores clave para la localización de las ofertas de alquiler temporal y sus precios (Gyódi & Nawaro, 2021; Sheppard & Udell, 2016; Todd et al., 2022; Zhang et al., 2012). En relación con este punto también se han analizado las valoraciones de componentes intangibles y subjetivos del territorio, entre los que destacan seguridad, imagen urbana, globalidad. Ello en contraposición a aquellos casos en que son los atributos naturales y del medioambiente los factores determinantes en la asignación de precio dentro de las ofertas de alquiler temporal (Mody et al., 2023; Urquiaga et al., 2019; Wu et al., 2018; Yrigoy, 2019). En cualquiera de los casos, existe un punto de convergencia: la explosión de ofertas de alquiler turístico y los procesos de transformación urbana en donde la modificación de los territorios busca acelerar la transición de escenarios con lógicas locales, a otros con lógicas globales.

Ante este panorama, desde hace algunos años y con la consolidación de Airbnb como la plataforma por excelencia para la reservación de alquileres turísticos, se ha llegado a un punto de inflexión en diversas ciudades del mundo: la transformación en las dinámicas inmobiliarias y de vivienda, así como los continuos procesos de gentrificación y expulsión de residentes por priorizar a los turistas, han constituido el escenario idóneo para la generación de discusiones sobre su urgente regulación. En este sentido, los países europeos son los que han liderado la campaña de regulación y la necesidad de frenar la expansión (invasión) de esta forma de alquiler.

Cabe mencionar que aun cuando distintos países han promovido la regulación de los alquileres temporales de viviendas con fines turísticos y el pago de impuestos para tales modalidades, las discusiones se llevan a nivel de ciudad, por lo que su regulación y normativa operan a esta escala geográfica y presentan particularidades entre ciudad y ciudad. Destaca al respecto lo ocurrido en Francia (París), Alemania (Berlín, Múnich, Stuttgart), Italia (Florencia, Roma, Venecia, Milán), Países Bajos (Ámsterdam), Portugal (Lisboa), España (Barcelona), Reino Unido (Londres, Escocia, Edimburgo, Irlanda del Norte). La mayoría de las acciones emprendidas se han concentrado en el registro de la cantidad de ofertas de corte turístico como un mecanismo para controlar la cantidad de días de alojamiento y los precios de estas ofertas, y ello con la finalidad de mitigar la especulación de los precios del mercado de vivienda, entre otras medidas (Amore et al., 2022; Franco & Santos, 2021; Hübscher & Kallert, 2023; Shabrina et al., 2022).

En otras regiones más allá de las mencionadas, la discusión en torno a los efectos de Airbnb y su regulación aún es un tema reciente. Ejemplo de ello es la propuesta de regulación de Airbnb que se llevó a cabo en el último trimestre del 2023 en la ciudad de Nueva York (Sarkar et al., 2020; Xie et al., 2020), mientras que en Canadá existen medidas aisladas (Combs et al., 2020; Kennedy et al., 2020). Por su parte, en las regiones asiáticas (Chang, 2020; Sengupta et al., 2021; Yuan et al., 2020) no existe una norma que prohíba o controle esta forma de alojamiento, escenario que comparten con países latinoamericanos (de Amorim Lima et al., 2023; de Souza & Leonelli, 2021; Olmedo Neri, 2020), donde la plataforma ha encontrado un territorio idóneo para su expansión y la discusión sobre su regulación es algo muy distante.

En este sentido, el presente trabajo tiene por objetivo analizar el crecimiento de la plataforma de Airbnb en la Ciudad de México, con tres preguntas orientativas: ¿Existen diferencias entre la localización de los tipos de alojamiento y los precios de las ofertas de Airbnb en la Ciudad de México? La presencia de ofertas de Airbnb en la ciudad, ¿corresponde a una distribución geográfica homogénea o heterogénea? ¿Cuántas viviendas del parque habitacional de la Ciudad de México se han incorporado al mercado de vivienda en alquiler por plataforma en los últimos diez años? Para responder tales preguntas, se realizarán los análisis en dos escalas: la primera de corte macro <Municipio> y la segunda de corte micro <Área Geoestadística Básica>.

El artículo presenta, después de esta introducción, un apartado metodológico, en donde se describen las fuentes utilizadas, los pasos que permiten el análisis comparativo entre 2019 y 2023 y las técnicas utilizadas. Sigue a continuación el apartado de resultados, dividido en dos secciones, referidas a la diversidad del mercado de alojamiento temporal y la conversión del parque habitacional. El artículo termina con un apartado de discusiones y conclusiones sobre este fenómeno en expansión en la Ciudad de México.

Metodología

La Ciudad de México (en adelante CdMx) es la segunda ciudad más habitada del país, con 9,2 millones de personas y más de 2,75 millones de viviendas particulares habitadas (Instituto Nacional de Estadística y Geografía [INEGI], 2020), además de ser uno de los principales destinos turísticos de México (Gobierno de la Ciudad de México [GOBCDMX], 2023). En el escenario económico, la actividad turística genera el 9,1% del PIB local y el 14% del total de empleos en esta actividad económica en la ciudad (INEGI, 2023).

De acuerdo con la Organización Mundial del Turismo, la CdMx es una de las urbes con mayor recuperación económica tras la pandemia por Covid-19. Su capacidad de atracción es medida por la rápida recuperación en el dinamismo de llegadas nacionales e internacionales como uno de los principales destinos turísticos del país. En este caso, es el turismo internacional el que ha tenido mayor crecimiento y las cifras de 2023 muestran que la recuperación respecto a 2019 aumentó 120% aproximadamente (Tabla 1), mientras que el turismo nacional ha tenido una recuperación más tardía, con aproximadamente un 93,6% (Secretaría de Turismo [SECTUR], 2023). Cabe señalar que aun cuando las llegadas nacionales presentan signos de una recuperación tardía, las cifras de 2023 aun eran inferiores a las presentadas antes de la pandemia.

En este sentido, la expansión de la pandemia de Covid-19 y sus efectos sobre el sector turístico han tenido consecuencias directas en el sector de hospedaje en general, por la reducción o cese total de flujos turísticos. Sin embargo, llama la atención lo sucedido con el alojamiento de corte temporal, de forma específica el de la plataforma Airbnb, el cual presentó un breve periodo de caída en 2020 y luego tuvo una reinvención, que le permitió adquirir una mayor flexibilidad y dinamismo para años posteriores (Figura 1).

En las circunstancias señaladas, la presencia de Airbnb en la CdMx hasta diciembre de 2023 contabilizaba más de 27.000 ofertas registradas, aunque según su distribución geográfica, ellas tendían a localizarse en puntos específicos. Así, aun cuando la CdMx está compuesta por 16 municipios, las posibilidades de alquileres temporales se concentran en tan solo ocho de ellos (Figura 2), que se subdividen en dos grupos. En el primero, el que reúne las mayores ofertas, estas se localizan al centro de la ciudad, en los municipios de Benito Juárez, Cuauhtémoc y Miguel Hidalgo, que tienen entre 7.000 y 24.000 ofertas en promedio (Figura 1). El segundo grupo integra cuatro municipios –Coyoacán, Cuajimalpa, Álvaro Obregón, Tlalpan y Venustiano Carranza–, con una concentración de entre 1.500 y 3.500 ofertas.

En tanto el objetivo del artículo es analizar el crecimiento de la plataforma de Airbnb en CdMx, para ello la información sobre las ofertas registradas entre los años 2019 y 2023 fue obtenida de la plataforma InsideAirbnb (http://insideairbnb.com). Dicha plataforma es un proyecto independiente que proporciona microdatos sobre las ofertas registradas en Airbnb en distintas ciudades del mundo, y cuya información georreferenciada permite el análisis puntual del tipo de inmuebles ofertados y el precio por noche.

Los análisis orientados por las tres preguntas presentadas al final de la sección anterior requieren de cierta homogeneidad en los datos, razón por la cual se realizaron tres procesos de estandarización. El primero corresponde a la identificación del municipio del que proviene cada oferta registrada. Se realizó un spatial join (un tipo de análisis espacial que combina dos conjuntos de datos basándose en su ubicación geométrica en el espacio) en el programa QGis, que corresponde a un Sistema de Información Geográfica libre a partir del cual se hizo la combinación de dos conjuntos de datos, lo que hizo posible establecer a qué municipio (polígono) pertenece cada una de las ofertas registradas (punto) (Fotheringham & Rogerson, 2013). Los datos del municipio fueron obtenidos del Marco Geoestadístico del Instituto Nacional de Estadística y Geografía (INEGI, 2024), mientras que las ofertas registradas se obtuvieron de InsideAirbnb.

El segundo proceso fue el cambio de unidad espacial a fin de lograr mayor precisión en el análisis, por lo que se transitó de Municipio a Área Geoestadística Básica (AGEB) con una técnica de spatial join en QGis. Las AGEB son áreas geográficas delimitadas por calles, avenidas, andadores u otro rasgo de fácil identificación, las cuales comparten un tipo de suelo y características urbanas, lo que representa una mayor homogeneidad del territorio; son delimitadas por INEGI, y están disponibles en el Marco Geoestadístico (INEGI, 2024). El tercer proceso hace comparables los precios de los cinco años considerados en el estudio. La deflactación de los precios transformó los valores nominales (corrientes) a reales (constantes), utilizando un año base disponible en el Índice de Precios al Consumidor de INEGI correspondiente a precios de diciembre 2023.

Los métodos seleccionados para resolver las preguntas orientativas se han dividido en tres grupos. El primero permitirá la medición de precios promedio por tipo de alojamiento a nivel municipio, con la finalidad de mantener las unidades espaciales con un mayor grado de homogeneidad (Ecuación 1). Esta información permitirá conocer la diferencia entre los precios por tipo de alojamiento y de acuerdo con su localización por municipio.

Donde:

PAir = Precio de oferta Airbnb

año = año correspondiente (2019-2023)

to = Tipo de oferta (hab. de hotel, alojamiento entero, hab.privadas y hab.compartidas)

El segundo método corresponde a una técnica de agrupamiento para el establecimiento de clústeres que identifique el porcentaje de ofertas de alquiler por AGEB. Con tal fin, el conteo y medición del número de ofertas por AGEB se hizo a partir de una herramienta de geoprocesamiento para el emparejamiento de dos unidades espaciales. En este caso, los datos de InsideAirbnb disponibles en puntos (latitud, longitud) fueron agrupados a nivel de AGEB a partir de un spatial join. A continuación se realizó un proceso de clasificación con la finalidad de obtener segmentos de ofertas disponibles de Airbnb por AGEB, en el cual se utilizó la herramienta Natural Breaks (“rupturas naturales”, Jenks) de QGis, un sistema de información geográfica en el cual se realizó el procesamiento y edición cartográfica (Fotheringham & Rogerson, 2013). La clasificación con Jenks creó agrupaciones con valores similares, maximizando las diferencias entre clases y su agrupamiento, de lo cual se derivaron siete clústeres: 1) de 1 a 10 ofertas; 2) de 11 a 30; 3) de 31 a 50; 4) de 51 a 100; 5) de 101 a 200; 6) más de 200; y 7) sin registro de ofertas de Airbnb por AGEB.

El último método corresponde al análisis de la conversión del parque habitacional a ofertas de alquiler temporales, es decir, la medición de la salida de viviendas residenciales del stock habitacional para su inserción en un mercado de alquileres temporal. Para ello se ocuparon dos fuentes de datos. La primera es InsideAirbnb, de la cual se seleccionaron únicamente las ofertas disponibles de alojamientos enteros (Ofe_AE); la decisión metodológica de seleccionar únicamente esta forma de alojamiento se hizo con la finalidad de hacer comparable la unidad de análisis con la información censal. La segunda fuente de información para este análisis corresponde a los Censos de Población y Vivienda de INEGI 2010 y 2020 (INEGI, 2010, 2020). Las variables utilizadas fueron Total de Viviendas Particulares Habitadas (VivTot_PH) a nivel AGEB, donde fueron seleccionados únicamente dos tipos de vivienda: casa o departamento; se excluyeron aquellos tipos de vivienda compartida o por habitaciones, priorizando la estandarización con los datos de InsideAirbnb.

Para determinar el porcentaje de vivienda inserta en Airbnb por AGEB y año se utilizó la ecuación 2:

Donde:

Viv_Con_Air = Vivienda Convertida a Airbnb

Ofe__AE = Alojamiento entero (casa o departamento)

VivTot_PH = Viviendas totales particulares habitadas

Resultados

Diversidad del mercado de alojamiento temporal: tipología y precios por municipio

La distribución geográfica de las ofertas de Airbnb muestra diferencias en cuanto al tipo de alojamientos y los precios establecidos, los cuales también dependen del territorio de la ciudad en que se ubican las ofertas. En esta línea, la plataforma ofrece cuatro tipos de lugares donde hospedarse (Airbnb. Centro de Ayuda, s.f.): el primero, denominado alojamiento entero, corresponde a un departamento o casa completa para su alquiler; el segundo corresponde a habitaciones privadas, es decir, el dormitorio es privado e independiente, pero se comparten áreas comunes; el tercer tipo de alojamiento comprende habitaciones de hotel, las cuales cuentan con servicios similares a los de los hoteles tradicionales y dispone de habitaciones privadas o compartidas; el cuarto tipo de alojamiento ofrece solo espacios compartidos, característica que se aplica tanto a las áreas comunes como a dormitorios.

En el caso de la CdMx, el alojamiento menos común es el de habitaciones de hotel, las cuales tuvieron su primer registro en 2020 y se concentraron en siete municipios: Álvaro Obregón, Benito Juárez, Coyoacán, Cuauhtémoc, Miguel Hidalgo, Cuajimalpa y Gustavo A. Madero. Cabe señalar que los últimos dos municipios no tienen registros consecutivos y que los precios de sus ofertas son inferiores a los de los primeros cinco enclaves. Otro punto que resaltar en cuanto a este tipo de alojamiento es el de los precios, respecto de los cuales son tres municipios los que presentan los de mayor rango por noche. En 2021, la alcaldía Cuauhtémoc registró un precio de 3.177 pesos¹ por noche, mientras que para 2022, Coyoacán y Miguel Hidalgo tuvieron precios de 2.845 y 12.305 pesos respectivamente (Figura 3).

Pese a que el alojamiento entero es el de mayor uso y el que concentra la mayor cantidad de ofertas, existen diferencias en cuanto a los precios y su localización. Ocho municipios tienen los precios más altos por noche en este tipo de alojamiento, comenzando por Miguel Hidalgo, donde el precio es de 2.000 pesos, seguido de Cuauhtémoc y Cuajimalpa, con precios inferiores a los 1.800 pesos. Los siguientes tres municipios tienen precios entre los 1.200 y 1.300 pesos, y corresponden a Álvaro Obregón, Coyoacán y Tlalpan, mientras que Magdalena Contreras y Benito Juárez se posicionan como los municipios con los precios más bajos, de 1.100 pesos por noche.

Los ocho municipios restantes presentan mayor heterogeneidad en los precios por noche. Por un lado, en Azcapotzalco, Gustavo A. Madero y Venustiano Carranza los precios oscilan entre 800 y 1.000 pesos. En municipios como Iztacalco e Iztapalapa los valores se reducen a 600 y 900 pesos, seguidos de Tláhuac, con un promedio de 400 a 600 pesos por noche, como se puede observar en la Figura 3. En otro grupo están Milpa Alta y Xochimilco, que presentaron gran variabilidad en sus precios durante los cinco años cubiertos por el estudio, sin un patrón identificable.

El tercer tipo de alojamiento, correspondiente a habitaciones privadas, presenta menor homogeneidad en cuanto a la dinámica de los precios y su distribución, y solo cuatro municipios albergan los precios más altos: Coyoacán, Cuajimalpa, Cuauhtémoc y Miguel Hidalgo, con valores entre los 600 y 1.200 pesos por noche. Cabe resaltar que los cuatro municipios están localizados en el centro de la ciudad. La diferencia con el resto de los municipios se hace evidente al registrarse zonas con precios inferiores a los anteriores, como Álvaro Obregón y Magdalena Contreras, con un aproximado por noche de 600 pesos. Por otro lado, las ocho alcaldías restantes –Azcapotzalco, Benito Juárez, Gustavo A. Madero, Iztacalco, Iztapalapa, Tlalpan, Xochimilco y Venustiano Carranza– presentan una gran variabilidad de precios, lo que hace de este tipo de alojamiento la modalidad más heterogénea, con valores entre 400 y 700 pesos por noche. Sin embargo, al igual que en la modalidad anterior, los municipios de Milpa Alta y Tláhuac son los que tienen los precios más bajos, entre los 200 y 300 pesos.

El último tipo, correspondiente a habitaciones compartidas, se convierte en la modalidad menos común y presenta una disminución en general de los precios por noche y reducida presencia territorial. En esta modalidad los precios más altos oscilan entre 400 y 600 pesos, con alojamientos que se ofrecen particularmente en los municipios de Iztacalco, Miguel Hidalgo, Tlalpan y Venustiano Carranza, tres de los cuales se encuentran alejados de la zona central de la ciudad. Los precios llegan hasta los 300 pesos por noche en otros seis municipios –Álvaro Obregón, Azcapotzalco, Benito Juárez, Coyoacán, Cuauhtémoc e Iztapalapa–, algunos ubicados en el área central de la ciudad mientras otros son colindantes (Figura 3). Por otro lado, municipios periféricos de la ciudad, como Magdalena Contreras, Milpa Alta y Xochimilco, carecen de este tipo de alojamientos.

Expansión de Airbnb: aumento de las ofertas de Airbnb por Área Geoestadística Básica (AGEB) y conversión del parque habitacional

Los resultados anteriores dan cuenta de una lectura general de la expansión de la plataforma de Airbnb en la CdMx. Surgen, sin embargo, otras interrogantes sobre si la distribución es homogénea o heterogénea al interior de los municipios. Para responder a tal cuestión, los dos análisis presentados en este segundo bloque de resultados han transitado desde una escala de análisis macro <municipio> a uno micro <AGEB>. Cabe destacar que la ciudad está compuesta de 2.431 AGEB, de las cuales 1.501 son urbanas, el 61,74% de la superficie, y las 930 AGEB restantes son rurales, el 38,26% (INEGI, 2024).

El primer análisis, correspondiente a la medición del total de ofertas de Airbnb por AGEB, permite determinar las variaciones de la presencia de la plataforma en la ciudad entre los años 2019 y 2023. Los resultados evidencian un aumento en dicha variable, pero también tienen la capacidad de exponer los cambios en términos porcentuales respecto del grado de concentración existente en las ofertas de alquiler temporal por AGEB y a través del tiempo.

En los mapas de 2019 y 2020 (Figura 4) se identifican AGEB con nula presencia de ofertas de alojamiento temporal, las que en 2019 llegaron a 474, pero que en 2020 y 2021 aumentaron a 528 y 983 AGEB respectivamente, como un efecto inmediato de la pandemia por Covid-19. Estas cifras mínimas se transformaron para 2022 y 2023, en el sentido de la expansión de las ofertas en Airbnb en toda la ciudad, con lo que el número de AGEB sin ofertas se redujo a 384 y 315, respectivamente. También se observa el proceso de expansión en aquellas AGEB que concentran entre 1 y 10 ofertas, donde aproximadamente entre 800 y 900 se encuentran en esta situación, ello a excepción del año 2021, cuando se presentó una reducción en toda la ciudad y solo 504 se conservaron en la categoría de 1 a 10 ofertas.

Por otro lado, las categorías de mayor concentración de ofertas de alquiler temporal por AGEB se dividen en cuatro grupos: el primero de 31 hasta 50 ofertas, el segundo de 51 hasta 100, el tercero de 100 hasta 200 y el cuarto correspondiente a más de 200 ofertas por AGEB. En los cuatro grupos, el punto atípico también corresponde a 2021, cuando las AGEB con esta concentración tuvieron una nula presencia (Figura 4). Cabe señalar que en 2021 fueron pocas las AGEB que albergaron ofertas de alquiler temporal, y el patrón de asociación espacial que se observa en años anteriores desaparece como un efecto por la pandemia. Tal tendencia cambió en el periodo 2022-2023, cuando se presentó un aumento significativo de las AGEB con mayor concentración de ofertas; por ejemplo, aquellas que tienen entre 101 hasta 200 ofertas aumentaron de 28 a 34 y las que tienen más de 200 ofertas lo hicieron de 7 a 12. Las AGEB con la mayor cantidad de ofertas también reaparecieron, conformando un patrón espacial donde aquellas del norponiente, centro y surponiente dibujan una forma de herradura en el mapa de 2022 y 2023 (Figura 4).

Se puede observar que la hiperconcentración señalada ha tenido efectos sobre las AGEB colindantes, creando un buffer; es decir, presentan una forma de influencia en los territorios contiguos, aunque con menor concentración de ofertas. Por otro lado, están aquellos clústeres independientes, el primero ubicado al sur de la ciudad, en donde aparecen por primera vez AGEB con ofertas en esta plataforma; y el segundo ubicado al surponiente de la ciudad.

El segundo análisis dentro de este apartado de resultados corresponde a la medición del porcentaje que representan esas viviendas ofertadas en la plataforma de alquiler temporal respecto al parque habitacional existente. Para ello se compararon dos periodos disponibles: el primero corresponde a las ofertas de Airbnb del 2019 y su relación respecto a las viviendas del Censo de Población y Vivienda de 2010; y el segundo corresponde a las ofertas de Airbnb del año 2023 y su relación con las viviendas del Censo de Población y Vivienda de 2020.

Los resultados para el primer periodo muestran que 2.277 AGEB no tienen viviendas ofertadas (0%) dentro de la plataforma, seguidas de 136 que tienen un porcentaje entre 1% y 10% y están localizadas principalmente al nororiente y centro de la ciudad, mientras que 13 tienen entre 11% y 20% de las viviendas en esta situación (Figura 5). Las seis AGEB restantes son las que muestran los porcentajes más elevados del parque habitacional inserto en Airbnb y se encuentran localizadas principalmente en el centro de la ciudad. Dos de las seis AGEB tienen entre el 31% y el 40% de su vivienda en esta condición, aunque no tienen contigüidad física y se encuentran dispersas. Las cuatro restantes tienen entre 41% y 50% de la vivienda ofertada en Airbnb, aunque tampoco comparten límites geográficos.

El análisis del segundo periodo presenta cuatro cambios relevantes respecto del anterior. El primero es la reducción del número de AGEB con 0% de su parque habitacional en la plataforma, a solo 1.979 casos. El segundo es el número de AGEB con porcentajes entre 1% y 10% de su vivienda en la plataforma, que se redujo de 410 a solo 136 (Figura 5). En este punto es necesario precisar el cambio ocurrido en algunos territorios específicos, como la alcaldía Benito Juárez, donde más del 90% de sus AGEB están en la categoría de territorios con más del 10% de sus viviendas en arriendo incluidas en la plataforma Airbnb. Esto posiciona dicha alcaldía como el centro de origen de las ofertas de Airbnb, foco a partir del cual se extienden hacia las AGEB colindantes, particularmente al norponiente, poniente y norte de la ciudad.

El tercer cambio se refiere a la formación de varios clústeres en la ciudad, donde cada vez más AGEB se integran espacialmente con mayores porcentajes de sus viviendas dentro de la plataforma de Airbnb. Uno de esos clústeres es la herradura que se observa en 2019, pero que para 2023 se define territorialmente con mayor precisión, abarcando casi la totalidad de las AGEB de cinco alcaldías. Otro clúster es el formado en la alcaldía Cuauhtémoc, donde 20 AGEB tienen entre 11% y 20% de su vivienda en Airbnb. El clúster anterior tiene cercanía física con otro formado por cinco AGEB localizadas entre los límites de las alcaldías Cuauhtémoc y Miguel Hidalgo, donde entre 21% y 30% de su parque habitacional está inserto en la plataforma (Figura 5), convirtiendo a esta zona en la de mayor concentración y conversión.

El cuarto cambio corresponde a las AGEB con mayor porcentaje de su parque habitacional inserto en la plataforma de alojamientos. Si bien ellas aumentaron respecto a las cifras del periodo anterior, también se encuentran dispersas en el territorio, no comparten límites o vértices con otras AGEB, por lo que carecen de contigüidad física. Tal es el caso de dos AGEB que tienen entre 31% y 40% de sus viviendas en alquiler temporal, y de otras tres que concentran entre el 41% y 50% en esa categoría y se localizan al centro y norte de la ciudad. También se identificó una nueva categoría, con porcentajes de entre 51% y 60% de su vivienda ofertada en la plataforma, localizada en el centro de la ciudad.

Discusión

La creciente expansión de la plataforma de Airbnb ha marcado un punto de inflexión para entender el acceso a vivienda, el submercado de vivienda en alquiler y la turistificación de las ciudades. Tal como se ha presentado, algunas de las ciudades que han tenido un boom importante en años anteriores han reconsiderado los efectos de la plataforma y, por tal motivo, se han enfocado en una búsqueda imparable por su regulación (Amore et al., 2022; Franco & Santos, 2021; Shabrina et al., 2022). En el caso de la Ciudad de México, el camino es otro. En primer lugar, porque el boom de la plataforma identifica dos puntos: el primero previo a la pandemia, que comienza en 2017 y se extiende hasta 2019; y el segundo que comienza a desarrollarse a partir de 2022 de forma paralela al proceso de recuperación pos Covid. Es decir, a diferencia de otras grandes ciudades, como Barcelona, Berlín, Londres o Nueva York (Sarkar et al., 2020; Xie et al., 2020), donde la presencia de Airbnb tuvo una expansión significativa desde el origen de la plataforma hasta la pandemia como un proceso continuo, en CdMx hubo una pausa.

La pausa señalada podría haber generado grandes problemas: por un lado, la desatención que ha tenido el fenómeno, ya que al no evidenciarse como un proceso continuo, sino “intermitente”, estuvo fuera del ojo público. De esta manera, el aumento no solo en la densidad de ofertas, sino también en el precio de las viviendas en alquiler mediante esta plataforma, fue un fenómeno silencioso hasta 2023, cuando se firmó el acuerdo entre el Gobierno de la Ciudad de México y Airbnb para fomentar esta forma de tenencia de la vivienda. A partir de ese punto, comenzaron a desarrollarse distintos foros de discusión en el sector social y también un interés creciente por parte de la academia para documentar los efectos de la plataforma, que exponen su transición de un proceso de expansión a uno de invasión.

No obstante lo anterior, aun con la intermitencia que tuvo la plataforma, el caso de la CdMx es similar a lo acontecido en otras grandes ciudades, las cuales pasaron por una invasión de esta forma de alquiler, debido a la cual hoy en día los residentes luchan por no perder el lugar donde viven (Bosma & van Doorn, 2022; Cocola-Gant & Lopez-Gay, 2020; Navarrete Escobedo, 2020). Por tal motivo, es importante continuar analizando el fenómeno de Airbnb en la CdMx, a fin de evitar caer –en la medida de lo posible– en los escenarios catastróficos de otras ciudades. Pero también será necesario expandir el análisis a otras grandes ciudades y destinos turísticos dentro del país, con la finalidad de evaluar el grado de penetración que ha tenido la plataforma y los cambios consiguientes en las dinámicas de cada territorio.

Hasta el momento, sin embargo, la investigación realizada en México respecto a este fenómeno es escasa, lo que dificulta en gran medida una comparativa entre ciudades. Algunos de los estudios que han tenido lugar en esa línea se concentran en puntos específicos dentro de ciudades o restringen el análisis a polígonos que albergan sitios turísticos, lo que disminuye la capacidad de los análisis en cuanto a abarcar mayor espacialidad o temporalidad (Navarrete Escobedo, 2020; Olmedo Neri, 2020). Otros solo identifican características sociodemográficas de oferentes y demandantes de la plataforma, otorgando información útil pero restringida (Madrigal Montes de Oca et al., 2018).

Conclusiones

Entre 2019 y 2020, o por lo menos en el primer trimestre de ese año, la presencia de Airbnb se proyectaba como un fenómeno expansivo en la Ciudad de México. Si bien para años previos la información sobre dicha plataforma es restringida, se toma el año 2019 como un ejemplo retrospectivo de su comportamiento en la ciudad, pudiéndose observar que hasta ese momento su crecimiento había sido paulatino y, hasta cierto punto, lento. Por su parte, el 2020 será considerado un punto radicalmente atípico debido a la pandemia por Covid-19 que se expandió internacionalmente a partir de ese año, con efectos de gran magnitud en el sector turístico y, evidentemente, en las ofertas de hospedaje y alojamiento temporal. El 2021 se convirtió en el punto de inflexión del crecimiento lineal que Airbnb había experimentado en años anteriores, al agudizarse las consecuencias de la pandemia, entre las que se puede identificar tres grandes tendencias. La primera es la reducción de las ofertas de alojamiento de Airbnb en toda la Ciudad de México, que en algunos casos se convirtió en la desaparición de esta forma de alquiler. La segunda tendencia nos muestra que aquellas pocas ofertas que continuaron inscritas en la plataforma se localizaron particularmente en dos alcaldías y en reducidas AGEB. La tercera tendencia muestra que aun cuando en 2021 las ofertas de alojamiento temporal disminuyeron, los precios se conservaron e incluso en algunos casos aumentaron, por lo que será necesario analizar la presencia de Airbnb y la dinámica de precios e identificar si esto fue un efecto de la ley de oferta y demanda en ese año, así como identificar si tal tendencia marcó un punto de partida para los años subsiguientes.

Los años consecutivos a 2021 y con el regreso a la normalidad tras la pandemia, Airbnb ha experimentado un proceso de recuperación. Tras la caída de sus acciones en la bolsa de valores internacional y las pérdidas millonarias que representó la contracción del sector turístico, la plataforma hizo muestra de su capacidad adaptativa al implementar estrategias dirigidas a promover los ambientes remotos y digitales, así como un mayor aprovechamiento del concepto de viajar (Airbnb. Newsroom, 2017, 2023). Como resultado, en el caso de la Ciudad de México, 2022 y 2023 se convirtieron en los años del proceso de recuperación de la plataforma, el cual ha superado la expansión vista a inicios de 2019. Se puede observar al respecto que la cantidad de ofertas de alojamiento temporal ha aumentado a gran escala: en algunos casos existen territorios donde más del 60% de su parque habitacional actual se encuentra inserto en la plataforma, lo que permite decir que esta ha comenzado una fase invasiva.

El proceso de invasión de Airbnb en las ciudades no es único de CdMx. Podemos encontrar casos como los de Nueva York, Barcelona y Berlín, o ejemplos latinoamericanos como los de Buenos Aires o Bogotá, donde se ha llegado a contabilizar que la ocupación mediante esta plataforma asciende al 75% del parque habitacional, con un promedio de permanencia de 23 de los 30 días del mes. Es decir, la presencia de esta plataforma no solo reduce otras formas de alquiler de la vivienda o tenencia, sino que marca una diferencia respecto del público objetivo al que está dirigida la oferta, incrementando las diferencias de acceso a la vivienda. Sobre este punto queda pendiente un análisis de la relación que este comportamiento tendrá con los precios de la vivienda.

En cuanto a los resultados, cada vez más las AGEB con un mayor porcentaje de viviendas en la plataforma de Airbnb se concentran en el centro y poniente de la Ciudad de México. Al mismo tiempo, los territorios del norte y oriente de la ciudad han comenzado a experimentar cambios significativos, proceso que muestra una inserción de territorios que no estaban en esta dinámica antes de 2019. Es decir, la recuperación de la plataforma ha anexado nuevos territorios a esta lógica de alquiler temporal, reconfigurando la dinámica territorial.

Otro aspecto relevante en este ámbito es la formación de clústeres por la alta concentración de ofertas de alquiler temporal localizados en dos municipios: Miguel Hidalgo y Cuajimalpa. También se han comenzado a anexar algunos territorios al sur de la ciudad, donde llama la atención la colindancia que ellos guardan con el suelo de conservación de la Ciudad de México, el cual posee características que favorecen la existencia de especies de flora y fauna de valor comercial y ofrece bienes y servicios ambientales con beneficios para toda la población residente de la ciudad a través de los recursos naturales que albergan (GOBCDMX, 2023). Considerando tales circunstancias, será necesario ampliar las investigaciones a fin de determinar si el reciente incremento de ofertas de alquiler temporal en estos territorios fue consecuencia de la pandemia y la búsqueda de residir en zonas con menor densidad de población para frenar los niveles de contagio, o si su aparecimiento ha sido consecuencia de la valoración que se da al entorno natural en esta zona.

El último punto de discusión es lo que sucede con las áreas centrales de la Ciudad de México por la hiperconcentración de las ofertas de alquiler temporal. Si bien estas zonas son las que han tenido mayor visibilidad en la academia por los procesos de gentrificación y la formación de conos de alta renta, tras el punto de inflexión de 2021 ese proceso parece haberse estancado. Es decir, entre 2022 y 2023 estas zonas parecen no haber experimentado cambios significativos en cuanto a una mayor concentración de vivienda de alojamiento temporal, mientras que otras zonas, principalmente al poniente y sur de la ciudad, se han convertido en los nuevos nodos de hiperconcentración.

Los dos puntos anteriores llevan a un espacio de diálogo donde es necesario precisar el papel que tienen las administraciones de cada municipio en los procesos descritos, o incluso analizar el cometido que cumple el gobierno de la Ciudad de México como un impulsor de la plataforma Airbnb y de las formas de alquiler que ella propugna. Como se puedo evidenciar, algunos municipios muestran una presencia reducida de alojamientos temporales, por lo que habrá que determinar la diferencia que tienen frente a otras áreas en que se da una hiperconcentración de ellos. En este sentido, la evidencia presentada resulta insuficiente para determinar los pros y contras de la expansión/invasión de estas formas de alquiler en cada municipio, por lo que se requiere la ampliación del análisis con variables sobre el entorno construido de los territorios y un examen del discurso de cada demarcación. No obstante, esta investigación busca presentar un panorama amplio del fenómeno de Airbnb en la Ciudad de México en los últimos cinco años, sin restringirse a colonias o polígonos previamente analizados y favoreciendo una radiografía de todo el territorio.

Finalmente, la información aportada en este trabajo muestra la paulatina expansión de la plataforma de Airbnb en la Ciudad de México en los últimos cinco años y contribuye a la documentación de casos de países en vías de desarrollo en torno a la vivienda de alquiler por plataforma. Las evidencias presentadas también buscan exponer la relevancia de ciudades que no disponen de regulación en la materia, con la finalidad de evitar escenarios como los que enfrentan los países europeos, donde el boom de esta forma de alquiler ha sobrepasado los límites y a las autoridades.

Agradecimientos

Este trabajo de investigación tuvo el financiamiento del Consejo Nacional de Ciencia y Tecnología (CONAHCYT), a través del programa de Estancias Posdoctorales por México 2023, modalidad Estancia Postdoctoral Académica Inicial 2023.

Referencias bibliográficas

Abdar, M. & Yen, N. Y. (2020). Analysis of user preference and expectation on shared economy platform: An examination of correlation between points of interest on Airbnb. Computers in Human Behavior, 107, 105730. https://doi.org/10.1016/j.chb.2018.09.039

Airbnb. Centro de Ayuda. (s.f.). Tipos de lugares para hospedarte. https://www.airbnb.mx/help/article/5?_set_bev_on_new_domain=1704664051_MDYwNmMxNzhm OWEy#section-heading-0-0

Airbnb. Newsroom. (2017, febrero 26). Sobre nosotros. Datos básicos. https://news.airbnb.com/es/about-us/

Airbnb. Newsroom. (2023, septiembre 15). Airbnb y la redistribución del turismo: nuevas comunidades beneficiadas con más mexicanos conociendo su país. https://news.airbnb.com/ea/airbnb-y-la-redistribucion-del-turismo-nuevas-comunidades-beneficiadas-con-mas-mexicanos-conociendo-su-pais/

Airbnb. Newsroom. (2025). Airbnb establece un hito de conexiones entre países con una noche récord. https://news.airbnb.com/es/airbnb-establece-un-hito-de-conexiones-entre-paises-con-una-noche-record/

Aliyev, K., Amiraslanova, M., Bakirova, N. & Eynizada, N. (2019). Determinants of housing prices in Baku: empirical analyses. International Journal of Housing Markets and Analysis, 12(2), 281-297. https://doi.org/10.1108/IJHMA-08-2018-0062

Amaro, S., Andreu, L. & Huang, S. (2019). Millenials’ intentions to book on Airbnb. Current Issues in Tourism, 22(18), 2284-2298. https://doi.org/10.1080/13683500.2018.1448368

Amore, A., de Bernardi, C. & Arvanitis, P. (2022). The impacts of Airbnb in Athens, Lisbon and Milan: a rent gap theory perspective. Current Issues in Tourism, 25(20), 3329-3342. https://doi.org/10.1080/13683500.2020.1742674

Anwar, S. T. (2018). Growing global in the sharing economy: Lessons from Uber and Airbnb. Global Business and Organizational Excellence, 37(6), 59-68. https://doi.org/10.1002/joe.21890

Aruan, D. T. H. & Felicia, F. (2019). Factors influencing travelers’ behavioral intentions to use P2P accommodation based on trading activity: Airbnb vs Couchsurfing. International Journal of Culture, Tourism, and Hospitality Research, 13(4), 487-504. https://doi.org/10.1108/IJCTHR-03-2019-0047

Bosma, J. R. & van Doorn, N. (2022). The gentrification of Airbnb: Closing rent gaps through the professionalization of hosting. Space and Culture, 27(1), 31-47. https://doi.org/10.1177/12063312221090606

Braga-de-Souza, R. & Leonelli, G.-C.-V. (2024). Nova disputa ou velha convivência? Airbnb e o mercado de habitação de aluguel em cidades brasileiras turísticas de pequeno porte. Revista EURE - Revista de Estudios Urbano Regionales, 50(150), 1-23. https://doi.org/10.7764/eure.50.150.06

Chang, H. H. (2020). Does the room sharing business model disrupt housing markets? Empirical evidence of Airbnb in Taiwan. Journal of Housing Economics, 49, 101706. https://doi.org/10.1016/j.jhe.2020.101706

Cocola-Gant, A. & Lopez-Gay, A. (2020). Transnational gentrification, tourism and the formation of ‘foreign only’ enclaves in Barcelona. Urban Studies, 57(15), 3025-3043. https://doi.org/10.1177/0042098020916111

Combs, J., Kerrigan, D. & Wachsmuth, D. (2020). Short-term rentals in Canada: Uneven growth, uneven impacts. Canadian Journal of Urban Research, 29(1), 119-134. https://cjur.uwinnipeg.ca/index.php/cjur/article/view/274

Contu, G., Frigau, L. & Conversano, C. (2023). Price indicators for Airbnb accommodations. Quality and Quantity, 57(5), 4779-4802. https://doi.org/10.1007/s11135-022-01576-6

de Amorim Lima, G. V. B., de Carvalho, A. C. G. & Kato, R. B. (2023). Price determinants of shared accommodation properties in Rio de Janeiro: How Airbnb reflects city transformations. Journal of Urban Planning and Development, 149(4). https://doi.org/10.1061/jupddm.upeng-4352

de Souza, R. B. & Leonelli, G. C. V. (2021). Airbnb no Brasil: uma nova agenda de pesquisa para os estudos urbanos. Urbe. Revista Brasileira de Gestão Urbana, 13, e20200400. https://doi.org/10.1590/2175-3369.013.e20200400

Eckhardt, G. M., Houston, M. B., Jiang, B., Lamberton, C., Rindfleisch, A. & Zervas, G. (2019). Marketing in the Sharing Economy. Journal of Marketing, 83(5), 5-27. https://doi.org/10.1177/0022242919861929

Fernández-Trujillo Moares, F. J. & Gil García, J. (2021). Mecanismos y dinámicas del trabajo en las plataformas digitales: los casos de Airbnb y de las plataformas de reparto. Empiria. Revista de Metodología de Ciencias Sociales, (52), 175-198. https://doi.org/10.5944/empiria.52.2021.31369

Fonseca, R. R. & Estela, A. H. (2020). El turismo de los millennials; Airbnb y la economía colaborativa. Gestión en el Tercer Milenio, 23(46), 99-106. https://doi.org/10.15381/gtm.v23i46.19158

Fotheringham, S. & Rogerson, P. (2013). Spatial analysis and gis. Taylor & Francis.

Franco, S. F. & Santos, C. D. (2021). The impact of Airbnb on residential property values and rents: Evidence from Portugal. Regional Science and Urban Economics, 88, 103667. https://doi.org/10.1016/j.regsciurbeco.2021.103667

García, J. G. (2021). Turistificación, rentas inmobiliarias y acumulación de capital a través de Airbnb. El caso de Valencia. Cuadernos Geográficos, 60(1), 95-117. https://doi.org/10.30827/cuadgeo.v60i1.13916

Garcia-López, M. À., Jofre-Monseny, J., Martínez-Mazza, R. & Segú, M. (2020). Do short-term rental platforms affect housing markets? Evidence from Airbnb in Barcelona. Journal of Urban Economics, 119, 103278. https://doi.org/10.1016/j.jue.2020.103278

Geissinger, A., Laurell, C. & Sandström, C. (2020). Digital disruption beyond Uber and Airbnb – Tracking the long tail of the sharing economy. Technological Forecasting and Social Change, 155, 119323. https://doi.org/10.1016/j.techfore.2018.06.012

Giménez, G. B., Reyes-Gómez, J. D. & Fondevila-Gascón, J. F. (2022). Utilidad, reputación online e intención de uso de cuatro plataformas de economía colaborativa. Modelo de análisis multivariante (anova) Alojarse, viajar, comer y experimentar. Comparación de Airbnb, Blablacar, Eatwith y Trip4Real. ciriec-España, Revista de Economía Pública, Social y Cooperativa, (105), 205-232. https://doi.org/10.7203/CIRIEC-E.105.16711

Gobierno de la Ciudad de México (GOBCDMX), Secretaría de Turismo. (2023). Guía turística de la Ciudad de México. https://www.turismo.cdmx.gob.mx/storage/app/media/guia_turistica/final_espanol_formato_guia_turistica.pdf

Gurran, N., Nasreen, Z. & Shrestha, P. (2024). Discounted housing? Understanding shared rental markets under platformisation. Housing Studies, 39(12), 3067-3091. https://doi.org/10.1080/02673037.2023.2242794

Gyódi, K. & Nawaro, Ł. (2021). Determinants of Airbnb prices in European cities: A spatial econometrics approach. Tourism Management, 86, 104319. https://doi.org/10.1016/j.tourman.2021.104319

Hübscher, M. & Kallert, T. (2023). Taming Airbnb locally: Analysing regulations in Amsterdam, Berlin and London. Tijdschrift Voor Economische en Sociale Geografie, 114(1), 6-27. https://doi.org/10.1111/tesg.12537

Instituto Nacional de Estadística y Geografía (INEGI), México. (2010). xiii Censo de Población y Vivienda 2010. https://www.inegi.org.mx/programas/ccpv/2010/

Instituto Nacional de Estadística y Geografía (INEGI), México. (2020). xiv Censo de Población y Vivienda 2020. https://www.inegi.org.mx/programas/ccpv/2020/

Instituto Nacional de Estadística y Geografía (INEGI), México. (2023). Producto Interno Bruto Trimestral. PIB Trimestral. https://www.inegi.org.mx/temas/pib/

Instituto Nacional de Estadística y Geografía (INEGI), México. (2024). Marco Geoestadístico. https://www.inegi.org.mx/temas/mg/

Kennedy, H. R., Egan, C. & Welding, K. (2020). Assessing potential public health concerns in Airbnb venues in four Canadian cities. Journal of Environmental Health, 83(3), 8-13. https://www.jstor.org/stable/26986818

Koster, H. R. A., van Ommeren, J. & Volkhausen, N. (2021). Short-term rentals and the housing market: Quasi-experimental evidence from Airbnb in Los Angeles. Journal of Urban Economics, 124, 103356. https://doi.org/10.1016/j.jue.2021.103356

Kuhzady, S., Seyfi, S. & Béal, L. (2020). Peer-to-peer (P2P) accommodation in the sharing economy: a review. Current Issues in Tourism, 25(19), 3115-3130. https://doi.org/10.1080/13683500.2020.1786505

Lee, K.-H. & Kim, D. (2019). A peer-to-peer (P2P) platform business model: the case of Airbnb. Service Business, 13, 647-669. https://doi.org/10.1007/s11628-019-00399-0

Lee, S. & Kim, H. (2023). Four shades of Airbnb and its impact on locals: A spatiotemporal analysis of Airbnb, rent, housing prices, and gentrification. Tourism Management Perspectives, 49, 101192. https://doi.org/10.1016/j.tmp.2023.101192

Lutz, C. & Newlands, G. (2018). Consumer segmentation within the sharing economy: The case of Airbnb. Journal of Business Research, 88, 187-196. https://doi.org/10.1016/j.jbusres.2018.03.019

Madrigal Montes de Oca, Á., Sales Favà, J. & Lopez Gay, A. (2018). El auge de Airbnb en la Ciudad de México: implicaciones espaciales y sociodemográficas. Coyuntura Demográfica, (14), 91-101. https://ddd.uab.cat/record/239312

Mao, Z. & Lyu, J. (2017). Why travelers use Airbnb again? An integrative approach to understanding travelers’ repurchase intention. International Journal of Contemporary Hospitality Management, 29(9), 2464-2482. https://doi.org/10.1108/IJCHM-08-2016-0439

Mody, M. A., Jung, S., Dogru, T. & Suess, C. (2023). How do consumers select between hotels and Airbnb? A hierarchy of importance in accommodation choice. International Journal of Contemporary Hospitality Management, 35(4), 1191-1218. https://doi.org/10.1108/IJCHM-12-2021-1551

Navarrete Escobedo, D. (2020). Foreigners as gentrifiers and tourists in a Mexican historic district. Urban Studies, 57(15), 3151-3168. https://doi.org/10.1177/0042098019896532

Olmedo Neri, R. A. (2020). La gentrificación turística de Airbnb: análisis socioespacial de dos monumentos en la Ciudad de México. Persona y Sociedad, 34(1), 45-70. https://doi.org/10.53689/pys.v34i1.305

Rabiei-Dastjerdi, H., McArdle, G. & Hynes, W. (2022). Which came first, the gentrification or the Airbnb? Identifying spatial patterns of neighbourhood change using Airbnb data. Habitat International, 125, 102582. https://doi.org/10.1016/j.habitatint.2022.102582

Remané, G., Schneider, S. & Hanelt, A. (2022). Digital business model types: understanding their mechanisms as recipes to commercialise digital technologies. International Journal of Innovation Management, 26(3), 2240019. https://doi.org/10.1142/S1363919622400199

Rivas, R., Patil, D., Hristidis, V., Barr, J. R. & Srinivasan, N. (2019). The impact of colleges and hospitals to local real estate markets. Journal of Big Data, 6, 7. https://doi.org/10.1186/s40537-019-0174-7

Sainger, G. (2018). Leadership in digital age: A study on the role of leader in this era of digital transformation. International Journal on Leadership, 6(1), 1-6.

Santos, G., Mota, V. F. S., Benevenuto, F. & Silva, T. H. (2020). Neutrality may matter: sentiment analysis in reviews of Airbnb, booking, and couchsurfing in Brazil and USA. Social Network Analysis and Mining, 10, 45. https://doi.org/10.1007/s13278-020-00656-5

Sarkar, A., Koohikamali, M. & Pick, J. B. (2020). Spatial and socioeconomic analysis of host participation in the sharing economy: Airbnb in New York City. Information Technology and People, 33(3), 983-1009. https://doi.org/10.1108/ITP-10-2018-0481

Sayın, Z. M., Elburz, Z. & Duran, H. E. (2022). Analyzing housing price determinants in Izmir using spatial models. Habitat International, 130, 102712. https://doi.org/10.1016/j.habitatint.2022.102712

Schor, J. B. & Attwood-Charles, W. (2017). The “sharing” economy: labor, inequality, and social connection on for-profit platforms. Sociology Compass, 11(8), e12493. https://doi.org/10.1111/soc4.12493

Secretaría de Turismo (SECTUR), México. (2023). Resultados de la Actividad Turística 2023. [En https://datatur.sectur.gob.mx/SitePages/versionesRAT.aspx, “Ediciones disponibles 2023”, incluye informes por meses para ese año, de enero a diciembre]

Sengupta, P., Biswas, B., Kumar, A., Shankar, R. & Gupta, S. (2021). Examining the predictors of successful Airbnb bookings with Hurdle models: Evidence from Europe, Australia, USA and Asia-Pacific cities. Journal of Business Research, 137, 538-554. https://doi.org/10.1016/j.jbusres.2021.08.035

Shabrina, Z., Arcaute, E. & Batty, M. (2022). Airbnb and its potential impact on the London housing market. Urban Studies, 59(1), 197-221. https://doi.org/10.1177/0042098020970865

Sheppard, S. & Udell, A. (2016). Do Airbnb properties affect house prices? Williams College, Department of Economics, Working Papers. https://web.williams.edu/Economics/wp/SheppardUdellAirbnbAffectHousePrices.pdf

Todd, J., Musah, A. & Cheshire, J. (2022). Assessing the impacts of Airbnb listings on London house prices. Environment and Planning B: Urban Analytics and City Science, 49(1), 206-222. https://doi.org/10.1177/23998083211001836

Tong, B. & Gunter, U. (2022). Hedonic pricing and the sharing economy: how profile characteristics affect Airbnb accommodation prices in Barcelona, Madrid, and Seville. Current Issues in Tourism, 25(20), 3309-3328. https://doi.org/10.1080/13683500.2020.1718619

Urquiaga, Á. A., Lorente-Riverola, Í., Mohíno, I. & Sánchez, J. R. (2019). “No estamos tan mal como Barcelona”: Análisis de la proliferación y regulación de las viviendas de uso turístico en Madrid y Barcelona. Boletín de la Asociación de Geógrafos Españoles, (83). https://doi.org/10.21138/bage.2828

Wu, H., Jiao, H., Yu, Y., Li, Z., Peng, Z., Liu, L. & Zeng, Z. (2018). Influence factors and regression model of urban housing prices based on internet open access data. Sustainability, 10(5), 1676. https://doi.org/10.3390/su10051676

Xie, K. L., Kwok, L. & Heo, C. Y. (2020). Are neighbors friends or foes? Assessing Airbnb listings’ agglomeration effect in New York City. Cornell Hospitality Quarterly, 61(2), 128-141. https://doi.org/10.1177/1938965519890578

Yrigoy, I. (2019). Rent gap reloaded: Airbnb and the shift from residential to touristic rental housing in the Palma Old Quarter in Mallorca, Spain. Urban Studies, 56(13), 2709-2726. https://doi.org/10.1177/0042098018803261

Yuan, F., Wei, Y. D. & Wu, J. (2020). Amenity effects of urban facilities on housing prices in China: Accessibility, scarcity, and urban spaces. Cities, 96, 102433. https://doi.org/10.1016/j.cities.2019.102433

Zervas, G., Proserpio, D. & Byers, J. W. (2021). A first look at online reputation on Airbnb, where every stay is above average. Marketing Letters, 32(1), 1-16. https://doi.org/10.1007/s11002-020-09546-4

Zhang, Y., Hua, X. & Zhao, L. (2012). Exploring determinants of housing prices: A case study of Chinese experience in 1999-2010. Economic Modelling, 29(6), 2349-2361. https://doi.org/10.1016/j.econmod.2012.06.025

Zhao, C., Wu, Y., Chen, Y. & Chen, G. (2023). Multiscale effects of hedonic attributes on Airbnb listing prices based on MGWR: A case study of Beijing, China. Sustainability, 15(2), 1703. https://doi.org/10.3390/su15021703

Notas

Información adicional

redalyc-journal-id: 196