Índice de Predominância Airbnb: influência da plataforma no mercado brasileiro de aluguéis

Resumo

Este artigo propõe uma metodologia estatística para avaliar o impacto do Airbnb no mercado de aluguéis de longa duração em municípios brasileiros. Reconhecendo rupturas no que foi inicialmente celebrado como economia do compartilhamento, o estudo situa o Airbnb no contexto do urbanismo de plataforma e analisa suas repercussões. O Rio de Janeiro foi escolhido como estudo por seu ao grande número de anúncios na plataforma e seu mercado de aluguéis consolidado. O índice proposto considerou variáveis como número de anúncios, tipos de imóveis, dados populacionais, domicílios e área dos bairros. Conclui-se, a partir da variabilidade do índice, que a influência do Airbnb para o mercado de aluguéis do Rio de Janeiro é maior em bairros com grande atratividade turística.

Palavras-chave:
urbanismo de plataforma; mercado de aluguéis; Rio de Janeiro

Abstract

This article proposes a statistical methodology to assess the impact of Airbnb on the long-term rental market in Brazilian municipalities. Recognizing disruptions in what was initially celebrated as the sharing economy, the study situates Airbnb in the context of platform urbanism and analyzes its repercussions. Rio de Janeiro was chosen as the case study due to its large number of listings on the platform and its established rental market. The proposed index considered variables such as the number of listings, types of properties, population data, households, and neighborhood area. The study concluded, based on the variability of the index, that Airbnb's influence on Rio de Janeiro's rental market is greater in neighborhoods with high tourist attractiveness.

Keywords:
platform urbanism; rental market; Rio de Janeiro

Introdução

Nas últimas décadas, as tecnologias digitais têm transformado significativamente as relações humanas e a sua interação com o espaço urbano. Plataformas como Uber e Airbnb, que surgiram sob o discurso de compartilhamento e democratização de acesso a bens e serviços, desempenham um papel central no capitalismo contemporâneo, caracterizado pela acumulação flexível e pela exploração intensiva de dados (Morozov e Bria, 2019). Contudo, suas operações evidenciam contradições entre o ideal do compartilhamento e a realidade social que promovem especialmente em suas implicações para as geografias econômicas locais (Graham, 2020). Configura-se, a partir da forte presença das plataformas nos mais diversos contextos contemporâneos, uma forma atualizada e ideal da acumulação capitalista (Srnicek, 2018).

A consolidação dessas plataformas é resultado de transformações históricas que incluem a crise industrial dos anos 1970, a ascensão da internet nos anos 1990 e a crise financeira de 2008, que criaram condições propícias para o surgimento de modelos de negócios enxutos e escaláveis (Chesnais, 2015; Antunes, 2020). As dinâmicas econômicas, sociais e espaciais, percebidas a partir da inserção voraz das plataformas no dia a dia das cidades, apontam para a exploração trabalhista e este é um reflexo muito evidente em casos como o da Uber e do iFood. O capitalismo de plataforma apresenta-se como um modelo para a extração e o controle de uma grande quantidade de dados ao passo que aprofunda a exploração da força de trabalho, apoiando-se no discurso do empreendedorismo. Outros termos, como uberização e capitalismo de multidão são recorrentes quando se trata desse momento de acumulação.

As repercussões dessa plataformização do capitalismo podem ser vistas no espaço urbano, uma vez que essas empresas dominam mercados a ponto de se tornarem sinônimos do tipo de serviço que oferecem. Pegar um Uber, pedir um iFood ou se hospedar em um Airbnb se tornaram expressões comuns e ilustram bem o controle que as plataformas impõem à vida urbana atual. O termo “urbanismo de plataforma” (Barns, 2019; Mörtenböck e Mooshammer, 2021), inclusive, evidencia a relação indissociável entre as cidades, a tecnologia e a acumulação de capital pautada no controle pelas plataformas e na produção do espaço urbano.

No caso do Airbnb, a expansão global destaca-se por seus impactos econômicos e sociais, transformando residências em meios de hospedagem e influenciando mercados locais de aluguel. Esses efeitos têm sido objeto de estudo, principalmente em contextos urbanos nos quais o déficit habitacional e a pressão por moradia acessível são crescentes (Wachsmuth et al., 2017; Souza, 2021). Fundada em 2008, a plataforma chegou ao Brasil em 2012 e, desde então, tem no litoral do país o cenário ideal para sua consolidação em virtude da demanda turística. Andrade, Araujo e Cristino (2024) afirmam que a região litorânea concentra o maior número de municípios com anúncios no Airbnb. Entre os conflitos oriundos da inserção (e predomínio) da plataforma no país, destaca-se a dificuldade de se identificar a capacidade dos municípios de comportar um número maior de imóveis Airbnb sem prejuízo ao mercado de aluguéis (Souza, 2021; Andrade, Araujo e Cristino, 2024).

Diante do cenário apresentado, este artigo tem como objetivo propor uma metodologia estatística para avaliar o impacto do Airbnb ao mercado de aluguéis de longa duração em municípios brasileiros, denominada Índice de Predominância Airbnb – IP_AIRBNB. O recorte da análise é o município do Rio de Janeiro, cuja escolha se justifica por sua importância enquanto principal mercado do Airbnb no Brasil (Airbnb, 2024) e, também, por ser uma capital com o mercado de aluguéis consolidado. Metodologicamente, o presente artigo tem abordagem quantitativa e parte da mineração de dados referentes aos domicílios particulares permanentes – DPP, população e área disponibilizados pelo Instituto Brasileiro de Geografia e Estatística – IBGE (2010, 2022). Foram também combinadas variáveis relacionadas à quantidade de anúncios por bairro, obtidas no Inside Airbnb (2024).

Além desta introdução, este artigo se estrutura em cinco partes. Na primeira, apresenta-se uma breve contextualização sobre o urbanismo de plataforma enquanto representação do capitalismo de plataforma nas cidades. Posteriormente, busca-se inserir o Airbnb no contexto do mercado de aluguéis, de modo a analisar os impactos de seu avanço nos municípios em que se consolida. Então, caracteriza-se o IP_AIRBNB, que reúne variáveis relacionadas aos domicílios e aos anúncios para classificar o grau de impacto da plataforma no mercado de aluguéis de longa duração na área de interesse. A seguir, aplica-se o IP_AIRBNB ao Rio de Janeiro, que é um dos maiores mercados da plataforma e cuja dinâmica de aluguéis de longa duração disputa com a de aluguel por temporada, intermediado, principalmente, pelo Airbnb.

Observou-se, a partir da variabilidade do IP_AIRBNB, que a influência do Airbnb no mercado de aluguéis do Rio de Janeiro é maior em bairros com grande atratividade turística. Essa constatação reforça a relevância do índice proposto como ferramenta para compreender e mensurar os impactos da plataformização nas dinâmicas urbanas, especialmente em cidades marcadas por alta demanda turística.

Sobre o urbanismo de plataforma

Inicia-se a partir do entendimento do neoliberalismo enquanto uma razão de mundo que ultrapassa a lógica empresarial da produtividade e competitividade, alcançando, também, as relações sociais e todos os aspectos da vida (Dardot e Laval, 2016). O pensamento neoliberal está presente na ideia de que quanto maiores as liberdades empresariais, os direitos de propriedade privada, de livre mercado e comércio, maior será o bem-estar das pessoas (Harvey, 2013).

Para Dunker (2016), não se deve considerar o neoliberalismo apenas pelo ponto de vista da teoria econômica, que nasce nos anos 1930, se renova na Escola de Chicago nos anos 1960 e é adaptada em forma de políticas de austeridade e privatização nos anos 1980. Ao considerá-lo, apenas, como a definição do capitalismo contemporâneo em sua capilaridade globalizada também, na perspectiva do autor, não se alcança o fenômeno em todas as suas dimensões. Deve-se, assim, compreender que o neoliberalismo se posiciona na zona cinza entre uma etapa difusa do capitalismo e uma teoria econômica, sendo mais bem definido enquanto um modo de vida.

Assim, considera-se importante que a análise da cidade no contexto neoliberal se dê a partir da perspectiva de que nela se agudizam as muitas contradições e desregulações próprias do neoliberalismo, de modo que sua configuração multiescalar acaba por impactar a vida urbana em muitos aspectos. Para Harvey (2011), a cidade neoliberal se configura a partir da transformação de uma abordagem administrativa para uma empreendedora, na qual a lógica da competitividade é agregada às cidades, tendo na capacidade de atração do capital privado e na promoção do desenvolvimento imobiliário os parâmetros de bom funcionamento das políticas urbanas. Desse modo, as cidades se tornam ambientes favoráveis aos negócios, nos quais os investimentos de agentes privados devem sempre viabilizar o retorno, ainda que, para isso, sejam necessárias desregulações ou incentivos fiscais.

Botsman e Rogers (2011) associam o surgimento desse modelo econômico à crise financeira global de 2008, que impulsionou o desenvolvimento de negócios baseados em tecnologia, predominantemente no Vale do Silício. Esses empreendimentos emergiram em um contexto de popularização da internet e foram financiados pelo capital de risco, em articulação com o setor financeiro tradicional (Schor, 2017). Srnicek (2018) interpreta esse fenômeno como uma reconfiguração do sistema capitalista: o capitalismo de plataforma, marcado por novas formas de exploração.

O capitalismo de plataforma deriva de três marcos históricos recentes: (1) a crise de superprodução na década de 1970, que incentivou modelos de negócios enxutos e a precarização do trabalho; (2) o advento da indústria digital nos anos 1990; e (3) a crise financeira de 2008, que gerou um grande contingente de mão de obra desempregada. Essas transformações ofereceram a base para o crescimento de plataformas como o Airbnb, que utilizam o discurso de compartilhamento para sustentar ganhos bilionários (Slee, 2017). As plataformas digitais se consolidam, portanto, como uma tradução da lógica neoliberal.

Voltando-se, especificamente, às dinâmicas espaciais, sociais e econômicas observadas nas cidades, tem-se o urbanismo de plataforma como uma derivação do capitalismo de plataforma na produção espacial neoliberal. Para Barns (2019), o conceito marca a mudança na percepção do compartilhamento puro e simples, uma vez que se pauta nas dinâmicas de extração de dados urbanos pelas plataformas, com influência direta nas tomadas de decisão pelos governos.

O urbanismo de plataforma se volta para o entendimento das questões urbanas e dos desafios inerentes ao contexto digital, concentrando-se em um modo de produção do espaço urbano profundamente moldado pelas condições e possibilidades oferecidas pelas plataformas (Rodgers e Moore, 2018). Corrobora-se a perspectiva de Amin (2007), que apontava a existência de um cotidiano tecnológico caracterizado pela maneira como as interações sociais nos espaços urbanos se davam, cada vez mais, pautadas pelo uso de tecnologia. Assim, pode-se apontar que uma vez que o uso de plataformas no contexto da reprodução do espaço urbano já foi assimilado pela sociedade atual, suas implicações devem ser observadas e discutidas, inclusive, no âmbito legal.

Airbnb e mercado de aluguéis no Brasil

A oferta da habitação é muito influenciada pelas dinâmicas de mercado, a demanda habitacional depende da capacidade financeira para integrar o mercado imobiliário formal. Quem não tem meios suficientes, frequentemente recorre ao aluguel (Bonduki, 2014). Em 2010, 16% da população brasileira vivia em imóveis alugados. Historicamente, entre 1940 e 1960, houve aumento no aluguel de imóveis, mas essa tendência se inverteu de 1960 a 2000, com a expansão da propriedade privada impulsionada por políticas públicas e ocupações irregulares. Apesar da crise econômica da década de 1980, o número de residências próprias continuou a crescer, refletindo-se no aumento de favelas e ocupações ilegais, conforme indicado pelos censos (IBGE, 2010).

Em 2022, a discrepância entre imóveis vazios (20% do total, equivalente a 11,4 milhões de unidades) e o déficit habitacional (cerca de 6 milhões de moradias) revela ineficiências no mercado. O déficit inclui coabitação, habitações precárias e custo excessivo com aluguel urbano, sendo a última categoria a mais representativa. Observa-se ainda o aumento no aluguel de apartamentos, mais comum em regiões urbanizadas como o Sul e o Sudeste, devido à maior verticalização.

Mudanças demográficas, como a redução do tamanho médio das famílias, e distorções no mercado imobiliário, incluindo retenção especulativa de imóveis, reforçam a desconexão entre oferta e demanda habitacional. Nas áreas litorâneas, o aluguel por temporada e segundas residências destacam características específicas, dada a atratividade locacional dessas regiões (Moraes, 1999). Nesse contexto, plataformas de hospedagem como o Airbnb têm desempenhado um papel crescente, transformando o uso e a dinâmica econômica dos imóveis disponíveis nessas localidades.

Percebe-se que, a partir da inserção de imóveis construídos ou reformados com o claro objetivo de disponibilização no Airbnb, a segunda residência também ganha contornos mais “profissionais” quando se trata da sua oferta no mercado de curta temporada via plataforma, visto que as negociações agora têm um intermediário que catapulta suas possibilidades de conexão a partir da exibição de anúncios em escala global. Entretanto, cabe observar que essa é a única tipologia de interesse nesse mercado.

Nethercote (2019) nota que o realinhamento do mercado de aluguéis coincide com o do regime de trabalho, sendo ambos voltados à flexibilização. Enquanto a adaptabilidade, liberdade e desregulamentação dos mercados são celebradas pelas plataformas, a precarização vai se consolidando. A existência de imóveis construídos especificamente para aluguel nas plataformas digitais aponta para uma nova fronteira do investimento das classes médias, que, ao eleger essa tipologia e por meio de plataformas como o Airbnb, podem estabelecer um novo caráter rentista nas cidades brasileiras (Andrade, Araujo e Cristino, 2024).

A chegada do Airbnb ao Brasil em 2012 marcou a inserção de uma plataforma digital inovadora em um mercado tradicional de hospedagem. Inicialmente, as operações concentravam-se em São Paulo e Rio de Janeiro, com menos de 1.000 anúncios, enquanto a estratégia de atração de anfitriões enfatizava ganhos financeiros e experiências enriquecedoras. O escritório em São Paulo foi inaugurado com foco na Copa do Mundo de 2014, evento que atraiu 400 mil hóspedes, 94% deles internacionais. Com o sucesso obtido durante a Copa, o Airbnb firmou parceria com os Jogos Olímpicos de 2016, tornando-se fornecedor oficial e ampliando sua visibilidade. Esse impulso consolidou a plataforma no mercado brasileiro, especialmente em grandes centros urbanos (ibid.). Atualmente, a presença da plataforma é mais concentrada em cidades litorâneas. Em áreas menos turísticas, a oferta é reduzida, destacando-se, sobretudo, em capitais.

Destaca-se que a prática de oferta de imóveis pelo Airbnb no Brasil não se limita a usuários individuais, mas, também, é adotada por investidores e grupos imobiliários, reforçando seu caráter rentista. A plataforma promove a ideia de que o usuário pode obter renda complementar por meio de aluguéis de curto prazo, especialmente em contextos de instabilidade econômica e insegurança no emprego (Morozov e Bria, 2019; Antunes, 2020).

A presença significativa do Airbnb nas cidades brasileiras reflete e amplifica as dinâmicas habitacionais e mercadológicas previamente descritas. O modelo de locação por temporada oferecido pela plataforma intensifica a tendência de imóveis vazios ou subutilizados em áreas urbanas e litorâneas, convertendo-os em ativos altamente lucrativos para os proprietários. Esse fenômeno está intrinsecamente relacionado à especulação imobiliária e ao descompasso entre oferta e demanda habitacional, contribuindo para o agravamento do déficit de moradias acessíveis e pressionando o mercado de aluguel tradicional. Além disso, o Airbnb consolida-se como uma alternativa de renda para proprietários interessados em maximizar seus retornos, especialmente em regiões turísticas e de alto valor locacional, como o litoral brasileiro, onde o aluguel por temporada já era uma prática consolidada.

Índice de Predominância Airbnb

Para compreender o fenômeno da inserção e consolidação da plataforma Airbnb nos municípios brasileiros a partir de sua presença e expressividade, de modo que sua comparação não desconsiderasse as especificidades dessas localidades, foi desenvolvida uma metodologia estatística, aqui denominada Índice Predominância Airbnb – IP_AIRBNB. Ele incorpora aos elementos anteriormente analisados por Tulik (2001) e Souza (2021)¹ um conjunto de variáveis importantes para perceber os cenários que se desenham nos municípios brasileiros em se tratando do Airbnb.

O IP_AIRBNB foi projetado para ser aplicado em qualquer contexto de análise, independentemente da escala territorial. Para isso, foi fundamental selecionar variáveis com alta aderência a diferentes municípios, independentemente do porte ou das características específicas. Isso se deve às dinâmicas urbanas contrastantes, cuja comparação não deve criar “categorias distintas”, mas sim compor um quadro analítico capaz de captar o fenômeno de forma integrada.

Desse modo, foram considerados os dados do IBGE (2010; 2022) quanto a área e população total do recorte de análise. Além disso, os dados acerca dos domicílios foram obtidos no Panorama do Censo 2010,² de onde foram extraídos os totais de domicílios particulares permanentes e de domicílios de uso ocasional, que na composição do índice denominaram-se segundas residências.

Para explorar a distribuição dos anúncios do Airbnb no recorte, pode-se recorrer aos bancos de dados que reúnem informações sobre a plataforma, a saber, o AirDNA e o Inside Airbnb.³ Nessa etapa são importantes os dados sobre a quantidade de anúncios e sua tipologia, visto que no Airbnb podem ser ofertados imóveis inteiros ou compartilhados. Haja vista a intenção de mensurar os impactos ao mercado de aluguéis de longa duração, apenas os dados de imóveis inteiros foram considerados para a composição do IP_AIRBNB.

Cada uma das variáveis está indexada a partir de sua localização. Optou-se pela granulometria “setor censitário”⁴ para a composição e a normalização do índice foi feita pelas médias globais das variáveis envolvidas. Desse modo, obteve-se a fórmula:

(1)

$H_i^{\ast }=\ln |\frac{\frac{s{r}_i}{\text{res}i}}{\frac{sr}{\text{res}}}\times \frac{\frac{\text{pop}}{\text{area}}}{\frac{{\text{pop}}_i}{{\text{area}}_i}}|$

Onde:

res: número total de domicílios particulares permanentes;

sr: número de domicílios de uso ocasional (segundas residências);

pop: população do setor analisado;

area: área em quilômetros quadrados do setor analisado.

Cada variável será indexada pelo código do setor censitário representado por i. As variáveis sem a indicação i correspondem àquelas do município ao qual o setor pertence ou, se for o caso, à média do conjunto dos setores analisados. Assim, obteve-se a segunda fórmula da composição do IP_AIRBNB:

(2)

$H_i^{\prime }=\ln |\frac{\frac{a{c}_i}{re{s}_i}}{\frac{ac}{res}}\times \frac{\frac{pop}{area}}{\frac{p^{op}{p}_i}{{\mathrm{area}}_i}}|$

Em que:

aci: Anúncios de imóveis completos no Airbnb no setor analisado.

O vetor de índices (índice com dupla entrada, ou bidimensional), dado por H_i= (H_i*,H_i'), caracteriza o setor i em termos das segundas residências e de residências disponibilizadas para locação pelo Airbnb em uma escala que normaliza o tamanho da população, número de domicílios e a área do recorte analisado. Fixando-se todas as variáveis a menos das variáveis de interesse sr_i e ac_i, tem-se:

$H_i^{\ast }=\ln k^{\ast }\left|s{r}_i\right|$

e

$H_i^{\prime }=\ln k^{\star }\left|a{c}_i\right|$

em que

$k^{\ast }=|\frac{\frac{1}{re{s}_i}}{\frac{sr}{res}}\times \frac{\frac{\text{pop}}{\text{area}}}{\frac{{\text{pop}}_i}{{\text{area}}_i}}|$

e

$k^{\prime }=|\frac{\frac{a{c}_i}{re{s}_i}}{\frac{ac}{res}}\times \frac{\frac{pop}{area}}{\frac{po{p}_i}{are{a}_i}}|$

Ambos os índices possuem funções crescentes em relação às suas variáveis, ou seja, quanto maior o número de segundas residências, maior será H_i* e H_i'. Para garantir a consistência interna e a validade preditiva do índice, aplicou-se a correlação de Pearson,⁵ que em todos os testes revelou uma forte relação entre o número de segundas residências e os anúncios de imóveis completos no Airbnb, indicando que municípios com mais segundas residências possuem maior presença na plataforma.

Utilizou-se, ainda, a análise de regressão linear para identificar tendências e relações entre as variáveis. Nesse caso, a regressão busca o modelo mais adequado para descrever a relação entre uma variável dependente (H*, Airbnb) e uma independente (H’, segundas residências), como adotado neste estudo. A reta de regressão é dada por:

$H_i^{\prime }={\beta }_0+{\beta }_1{H}_i^{\ast }$

Onde:

H'_i é a variável dependente (previsão ou estimativa);

H*_ié a variável independente (dado ou entrada);

β₀: é o coeficiente linear ou intercepto;

β₁: é o coeficiente angular ou inclinação da reta.

O método utilizado nesta análise partiu da observação de agrupamentos com características semelhantes, permitindo inferir a expressividade do Airbnb nessas localidades e sua influência no mercado de aluguéis. Partindo da hipótese de classificação disjuntiva, cada domicílio foi categorizado como primeira residência, segunda residência ou imóvel do Airbnb durante o período analisado. Para refinar a análise, foram calculados percentis de ambos os índices (H* e H’) utilizando uma função customizada que determinou quantis entre 10% e 90%, com incrementos de 5%. Os percentis revelaram que o índice de residências apresentou maior concentração em torno de valores medianos e superiores, enquanto o índice de Airbnb evidenciou maior dispersão nos percentis inferiores, refletindo variações negativas mais expressivas entre os bairros.

A clusterização foi utilizada para agrupar as áreas analisadas com base em sua semelhança. Existem diversos métodos para esse processo, que variam conforme o critério de “similaridade” entre os pontos de dados. Entre os algoritmos de clusterização, destacam-se os de modelos centroides, que calculam a similaridade a partir da proximidade dos pontos ao centroide dos clusters. O algoritmo K-Means, um exemplo desses modelos, começa com a seleção inicial dos centroides, que pode ser aleatória ou definida por um método específico. A partir daí, cada ponto é atribuído ao centroide mais próximo, e os centroides são recalculados com base na média dos pontos atribuídos a cada cluster. Esse processo se repete até que não haja mais mudanças significativas, indicando a convergência do algoritmo e a definição dos clusters finais.

Para determinar os clusters do recorte de análise, são calculadas as distâncias das coordenadas aos centroides identificados. Desse modo, a coordenada do setor pertence ao cluster cujo centroide estiver menos distante. Nos testes, a análise revelou três clusters distintos: o primeiro, com uma importância relativa maior das categorias residenciais, apresenta uma influência moderada do Airbnb no mercado de aluguéis, com prejuízo médio. O segundo cluster, caracterizado por índices negativos, inclui áreas com baixa relevância de segundas residências e oferta limitada no Airbnb, resultando em uma influência baixa do Airbnb sobre o mercado de locações, apesar do grande número de domicílios. O terceiro cluster, com maior relevância de segundas residências e imóveis no Airbnb, indica uma pressão significativa sobre o mercado local, refletindo uma alta influência do Airbnb, com imóveis sendo usados predominantemente como negócios. Em síntese, o IP_AIRBNB apresenta a seguinte classificação:

A seguir, será apresentada uma aplicação do IP_AIRBNB no município do Rio de Janeiro, com foco na análise dos bairros. Essa abordagem permitirá identificar as dinâmicas espaciais e mercadológicas relacionadas ao impacto do Airbnb, evidenciando como a plataforma influencia o mercado de aluguéis em diferentes áreas da cidade.

Aplicação do IP_AIRBNB no Rio de Janeiro

Atualmente, o Rio de Janeiro é composto por 165 bairros, segundo dados da Prefeitura Municipal (2024). De acordo com Villaça (2001), a topografia acidentada e as características de solo da cidade contribuíram para uma urbanização desigual desde o início do século XIX, levando à concentração do comércio varejista na Região Central e ao desenvolvimento da Zona Sul, impulsionado por significativos investimentos estatais, atraindo as classes mais abastadas.

Este é um município que reúne três características importantes para a verificação da hipótese deste artigo: 1) o Rio de Janeiro concentra o maior número de anúncios da plataforma Airbnb no recorte analisado; 2) é o principal destino turístico brasileiro; 3) é uma capital com economia diversa e mercado de aluguéis consolidado. Portanto, se é de interesse verificar se a predominância do Airbnb é capaz de afetar o mercado tradicional de aluguel, o Rio é a melhor localidade para tal.

Para explorar a distribuição dos anúncios do Airbnb, foi utilizada a plataforma Inside Airbnb. Essa ferramenta permitiu compreender a extensão e natureza dos anúncios do Airbnb no Rio de Janeiro, a única cidade brasileira incluída nesse banco de dados até o momento, oferecendo informações sobre imóveis inteiros e compartilhados disponíveis na cidade. Foram, também, coletados no IBGE (2010, 2022) os dados sobre o quantitativo de domicílios particulares permanentes – DPP e de domicílios de uso ocasional – Duoc, bem como a população de todos os bairros do município. A Tabela 1 (nos Anexos) apresenta esses dados, que serão as variáveis para a aplicação do IP_AIRBNB.

Aplicando-se as fórmulas (1) e (2) ao município do Rio de Janeiro, tem-se uma reta de regressão dos índices, explicitamente dada por:

$H^{\prime }=-1,50953+1,15821H^{\ast }$

A correlação de Pearson entre os índices é 0.801963, o que indica uma forte correspondência entre essas duas variáveis, sugerindo que bairros com um alto número de segundas residências tendem também a ter um maior número de imóveis anunciados no Airbnb. A reta de regressão obtida pode ser observada na Figura 2. A Figura 3, por sua vez, apresenta o gráfico com os clusters explicitados, sendo moderado (A), baixo (B) e alto (C).

Figura 2
– Reta de regressão dos índices H* (eixo horizontal) e H’ (eixo vertical). Os pontos em azul representam o par de índices para cada bairro do Rio de Janeiro

Figura 3
– Representação gráfica dos clusters formados pelo agrupamento dos pares de índices LH* (eixo horizontal) e LH’ (eixo vertical)

A Tabela 2 (nos Anexos) apresenta os bairros, seus índices e respectiva classificação no IP_AIRBNB. A Figura 4 apresenta a espacialização do índice e permite observar as concentrações por região da cidade (norte, sul, centro e oeste).

Figura 4
– Espacialização do IPAIRBNB nos bairros do Rio de Janeiro

Em uma análise voltada para a setorização do Rio de Janeiro, o primeiro aspecto que chama a atenção é que apenas 16,66% dos bairros apresentam um IP_AIRBNB alto. Dentre eles, destaca-se Copacabana, situado na Zona Sul, área para onde as elites migraram, saindo do centro, como detalha Villaça (2001). O Copacabana Palace, inaugurado em 1922 antes mesmo da infraestrutura chegar ao bairro, já evidenciava o interesse da elite em se estabelecer nessa região (Araújo, 2016). O bairro de Copacabana, cuja renda per capita é R$3.032,00 (FGV Social, 2020), tem 10.783 anúncios no Airbnb, com 84% das unidades oferecidas sendo inteiras, em contraste com 16% de unidades compartilhadas (Inside Airbnb, 2024). Essa distribuição corresponde a aproximadamente 11% do total de domicílios do bairro, e a 31,66% se considerarmos apenas os domicílios alugados (IBGE, 2010). Em outras palavras, dos cerca de 22 mil domicílios anteriormente disponíveis exclusivamente para aluguéis de longo prazo em 2010, hoje quase a metade está listada no Airbnb. No bairro, o valor do metro quadrado para aluguel é de R$50,72 (Secovi Rio, 2023) e o valor médio da diária no Airbnb é de R$650,00 (Inside Airbnb, 2024).

O bairro de Ipanema, também localizado na Zona Sul, tem uma renda per capita de R$4.513,00 (FGV Social, 2020) e concentra 3.045 anúncios de unidades inteiras no Airbnb, o que representa 58,40% do total de domicílios particulares permanentes alugados em 2010 (IBGE, 2010). Isso sugere que mais da metade dos imóveis disponíveis para o mercado de aluguel no bairro de Ipanema foi absorvida pela plataforma, indicando uma tendência forte de que novos lançamentos imobiliários nesse bairro teriam o mesmo destino. Notavelmente, o bairro tem 86% de imóveis inteiros disponíveis na plataforma.

Interessante também é a observação sobre a quantidade de propriedades geridas pelo mesmo host. Essa prática contribui para a retirada de imóveis do circuito de aluguel tradicional, uma vez que uma única pessoa física ou empresa oferta múltiplas unidades, transformando isso em um mercado orientado para aluguéis de curta duração. Em Ipanema, um único anfitrião gerencia 50 imóveis (Inside Airbnb, 2024). O valor do metro quadrado para locação no bairro é R$120,37 e a diária média no Airbnb custa R$812,00 (Inside Airbnb, 2024).

Observou-se que na Zona Sul a maioria dos bairros oferece mais unidades inteiras do que compartilhadas na plataforma, representando 77% do total de anúncios. Isso indica que, dada a concentração de uma população de alta renda, não há necessidade de usar a moradia própria como fonte de renda adicional. O total mais expressivo nesse segmento é observado na Rocinha, onde, apesar de uma oferta limitada de 28 anúncios, registram-se 12 ofertas de imóveis compartilhados ante as 16 ofertas de unidades inteiras. Nesse bairro, a diária média é de R$419,00, a menor entre os bairros da Zona Sul. No Leblon, bairro adjacente, a diária é de R$897,00 (Inside Airbnb, 2024), mostrando como a valorização e o apelo turístico do bairro influenciam na quantidade de anúncios e nos lucros obtidos com a plataforma.

Nos bairros da Zona Central, há uma predominância de imóveis compartilhados, que representam 41% do total de anúncios. A densidade de ofertas do Airbnb nesses bairros não ultrapassa 11% dos imóveis na condição de alugados e tem praticamente nenhuma representatividade sobre o total de domicílios, não chegando a 4%. Portanto, mesmo nos bairros com maior oferta, como Centro e Santa Teresa, a densidade de anúncios é baixa e interfere pouco na dinâmica dos aluguéis, apresentando um cenário de baixa atratividade para a oferta na plataforma. O preço de locação no Centro é de R$35,22 por metro quadrado (FGV Social, 2020), enquanto a diária média é de R$302,00 (Inside Airbnb, 2024).

Na Zona Norte, a representatividade dos anúncios em relação ao total de domicílios é praticamente nula, não alcançando 2%. Essa região também mostra que o número de anúncios de imóveis compartilhados supera o de imóveis inteiros, representando 53% do total. Provavelmente isso se deve ao fato de essa área conter bairros mais populares, onde disponibilizar um espaço na residência ajuda na renda do morador. A Tijuca é particularmente notável, onde a renda per capita é de R$2.314,00 (FGV Social, 2020), e os anúncios de imóveis inteiros representam 78% dos domicílios alugados (IBGE, 2010). Essas ofertas provavelmente ocorrem em imóveis próprios, dado que, segundo a Lei do Inquilinato, a sublocação em imóveis alugados só pode ocorrer com autorização do proprietário (Lei 8.245/91, artigo 13).

Na Zona Oeste da cidade, localizam-se bairros que se destacam entre os com maior densidade de anúncios, como é o caso da Barra da Tijuca. Segundo Villaça (2001), este é um bairro resultante de um eixo de expansão, onde um novo padrão de incorporação imobiliária se estabeleceu no Rio de Janeiro. Com o transbordamento da Zona Sul para outros setores, a Barra da Tijuca se consolida como um novo produto, marcado pelas bases materiais de apropriação de sobrelucros de localização, ainda que seja, na realidade, uma repetição da lógica imobiliária inaugurada em Copacabana. O que se observa, atualmente, é a ocupação da área por classes de alta renda, onde o metro quadrado para locação é de R$73,21 e a renda per capita é de R$4.373,00 (FGV, 2020). A maior parte dos anúncios Airbnb é de imóveis inteiros, o que corresponde a 84,6% do total (Inside Airbnb, 2024).

Os bairros Camorim e Joá se destacam por apresentarem a maior proporção de anúncios em relação ao universo de domicílios particulares permanentes, não só para esse setor, mas para toda a cidade. Camorim apresenta uma densidade de oferta na ordem de 33%, seguido de Joá, com 18%, indicando uma forte tendência de captura de imóveis pela plataforma nesses dois bairros. Não por acaso, são esses também os dois únicos casos na cidade do Rio de Janeiro onde o número de anúncios é maior do que a oferta de domicílios alugados, denotando uma possível expansão imobiliária já capturada pelo Airbnb, sem necessariamente passar pelo mercado de aluguel. No caso do bairro de Camorim, por exemplo, infere-se que a Vila dos Atletas, construída para os Jogos Olímpicos de 2016 e convertida em um condomínio com 3.600 unidades, tenha sido um fator relevante para essa expansão imobiliária (Rodrigues, 2019). O grande número de anúncios no bairro indica, ainda, provável investimento buy-to-rent, onde se compra para alugar ou com fins de especulação e não necessariamente para morar, servindo a plataforma Airbnb para esse fim (Hoffman e Heisler, 2020).

Em uma análise por meio de clusters, é possível evidenciar dinâmicas urbanas na apropriação da plataforma Airbnb na cidade do Rio de Janeiro. O cluster A, que contempla os bairros com IP_AIRBNB moderado, representa uma zona intermediária entre os extremos observados nos clusters B e C. Ele engloba bairros com renda per capita moderada, como Santa Teresa, Laranjeiras, Catete e Tijuca, nos quais o Airbnb possui uma presença relevante, mas não dominante. Nesses territórios, a proporção de unidades inteiras varia entre 60% e 78%, e a densidade de anúncios oscila entre 3% e 8% dos domicílios alugados, sinalizando um uso mais contido da plataforma. A apropriação do Airbnb nesses bairros segue uma lógica híbrida: por um lado, moradores recorrem à plataforma como forma de diversificação ou complementação de renda; por outro, pequenos investidores começam a operar múltiplas unidades, sugerindo uma tendência de profissionalização da oferta. Esses bairros ocupam uma posição estratégica na estrutura urbana: ainda que não tenham a atratividade turística consolidada da Zona Sul, contam com boa acessibilidade, valor histórico-cultural e relativa estabilidade fundiária. Essa ambiguidade reforça o caráter multifacetado da atuação da plataforma.

O cluster B, com IP_AIRBNB baixo, concentra bairros de baixa renda per capita e, em alguns casos, predominância de imóveis compartilhados, como na Rocinha. Nessa situação, resta claro que o uso da plataforma está mais relacionado à complementação de renda do que à especulação. A inserção de quartos ou espaços compartilhados por moradores locais revela um uso doméstico e de subsistência da plataforma, com foco em ampliar a renda familiar sem desconfigurar totalmente a função habitacional do domicílio.

Por fim, no cluster C, observam-se bairros como Copacabana, Ipanema, Barra da Tijuca e Joá, caracterizados por alta renda per capita, elevado número de unidades inteiras disponíveis e alta densidade de anúncios. Esses territórios indicam uma lógica financeirizada e especulativa de uso da plataforma, marcada pela atuação de anfitriões com múltiplos imóveis e por uma expressiva conversão de unidades habitacionais para aluguéis de curta duração. Em muitos desses casos, o Airbnb funciona como um instrumento de valorização imobiliária e captura de sobrelucros de localização, evidenciando a articulação entre capital imobiliário e mercado digital.

Essa diferenciação entre os clusters demonstra que o Airbnb não atua de forma homogênea na cidade, mas de maneira estratificada, refletindo, inclusive, desigualdades históricas. Nota-se que a plataforma se adapta às condições socioeconômicas e à lógica fundiária de cada território, com impactos distintos a depender da localidade em que se insere.

Considerações finais

O estudo revelou as mudanças nas dinâmicas urbanas e sociais impulsionadas pela presença do Airbnb, destacando especialmente como a plataforma tem alterado o mercado de aluguéis no Rio de Janeiro. A plataforma mostra-se predominantemente ativa em locais com grande atratividade turística, como Copacabana e Ipanema, mas também está começando a impactar bairros como Camorim, onde as dinâmicas locais de aluguel estão sendo modificadas. A expansão do Airbnb no Brasil, motivada por fatores como grandes eventos e a instabilidade econômica, consolidou o modelo de aluguel de curto prazo como uma prática relevante no mercado imobiliário. No entanto, essa expansão também evidencia as ineficiências e desigualdades estruturais, como o alto número de imóveis vagos e o déficit habitacional persistente.

Nos bairros de alta renda, como Copacabana e Barra da Tijuca, a absorção de imóveis para aluguel de curta duração tem pressionado o mercado de aluguel tradicional de longo prazo, dificultando o acesso à moradia para a população local. Por um lado, A tendência de concentração de imóveis inteiros e a gestão de várias propriedades por um único anfitrião indicam que o Airbnb tem se tornado um modelo de investimento especulativo, em vez de uma solução para a demanda habitacional local.

Por outro lado, em áreas de menor renda, como algumas regiões da Zona Norte e da Zona Oeste, a utilização do Airbnb é mais voltada para o aluguel de quartos compartilhados, servindo como uma fonte de complemento de renda para os moradores. Embora o impacto da plataforma nessas áreas seja mais modesto, é possível perceber que a dinâmica do mercado de aluguéis de longo prazo continua sendo afetada, ainda que em menor escala.

A aplicação do IP_AIRBNB como metodologia para medir os impactos do Airbnb no mercado imobiliário de longo prazo se mostrou eficaz para entender como a plataforma influencia as realidades locais. A análise indicou a necessidade urgente de medidas regulatórias mais eficazes, capazes de lidar com as particularidades de cada área urbana e mitigar os efeitos negativos da mercantilização do espaço urbano.

É importante destacar que, como o Airbnb opera frequentemente sobre o estoque de imóveis destinados a aluguéis por temporada, a crescente demanda turística pode gerar uma sobreposição com o mercado de aluguéis tradicionais de longo prazo. Essa sobreposição pode causar conflitos em cidades onde as áreas turísticas e residenciais estão claramente delimitadas, provocando uma divisão entre as dinâmicas urbanas de cada um desses bairros. Isso resulta em um contraste cada vez mais evidente entre as zonas voltadas ao turismo, com alta concentração de aluguéis de curto prazo, e as áreas residenciais, que enfrentam dificuldades no acesso à moradia de longo prazo devido à pressão do mercado imobiliário. Em última análise, o Airbnb não só transforma o mercado de locação, mas também reforça lógicas de especulação imobiliária, exacerbando as desigualdades no acesso à moradia e aprofundando as tensões sociais nas cidades.

Figura 1
– Distribuição de anúncios Airbnb nos municípios brasileiros

Quadro 1
– Classificação do Índice de Predominância Airbnb

Classificação do IPAIRBNB	Característica
Baixo	H-i e dist. de 0
Moderado	H±i ou H+i e H-i prox. de 0
Alto	H+i e dist. de 0

Referências

• AIRBNB (2024). Dados gerais. Disponível em: https://news.airbnb.com/br/fast-facts Acesso em: 19 nov 2024.
  » https://news.airbnb.com/br/fast-facts
• AMIN, A. (2007). Re-thinking the urban social. City Londres, v. 11, n. 1, pp. 100-114.
• ANDRADE, J. N.; ARAUJO, C. P. de; CRISTINO, C. T. (2024). Incidência e repercussões do AIRBNB: o caso do Rio de Janeiro. Oculum Ensaios. Campinas, [S. l.], v. 21, pp. 1-20.
• ANTUNES, R. (2020). O privilégio da servidão: o novo proletariado de serviços na era digital São Paulo, Boitempo.
• ARAUJO, C. P. (2016). "Arquitetura hoteleira. Meio, fim ou imagem?". In: VARGAS, H. C.; PAIVA, R. A. (org.). Turismo, arquitetura e cidade São Paulo, Manole.
• BARNS, S. (2019). Negotiating the platform pivot: From partici-patory digital ecosystems to infrastructures of everyday life. Geography Compass Hoboken, v. 13, n. 9, pp. 1-13.
• BONDUKI, N. (2014). Os pioneiros da habitação social: cem anos de construção de política pública no Brasil São Paulo, Unesp; Sesc.
• BOTSMAN, R.; ROGERS, R. (2011). O que é seu é meu: como o consumo colaborativo vai mudar o nosso mundo. Porto Alegre, Bookman Editora. v. 1.
• CHESNAIS, F. (2015). A finança mundializada São Paulo, Boitempo.
• DARDOT, P.; LAVAL, C. (2019) Anatomía del nuevo neoliberalismo. Viento Sur. Madrid, v. 27, n. 164, pp. 5-16.
• DUNKER, C. (2016). O neoliberalismo e seus normalopatas. Disponível em: https://blogdaboitempo.com.br/2016/11/03/o-neoliberalismo-e-seus-normalopatas/ Acesso em: 23 nov 2024.
  » https://blogdaboitempo.com.br/2016/11/03/o-neoliberalismo-e-seus-normalopatas/
• FGV SOCIAL (2020). Renda per capita - população total e favelas - bairros - Rio de Janeiro. Disponível em: https://cps.fgv.br/r-renda-capita-populacao-total-e-favelas-bairros-rio-de-janeiro Acesso em: 30 nov 2024.
  » https://cps.fgv.br/r-renda-capita-populacao-total-e-favelas-bairros-rio-de-janeiro
• GRAHAM, M. (2020). Regulate, replicate and resist - the conjunctural geographies of platform urbanism. Urban Geography, v. 41, n. 3, pp. 453-457.
• HARVEY, D. (2011). O enigma do capital e as crises do capitalismo São Paulo, Boitempo.
• HARVEY, D. (2013). Os limites do capital São Paulo, Boitempo.
• HOFFMAN, L. M.; HEISLER, B. S. (2020). Airbnb, short-term rentals and the future of housing Londres, Routledge.
• INSIDE AIRBNB (2024). Rio de Janeiro. Disponível em: http://insideairbnb.com/rio-de-janeiro Acesso em: 30 mar 2024.
  » http://insideairbnb.com/rio-de-janeiro
• IBGE - Instituto Brasileiro de Geografia e Estatística (2010). Sinopse do Censo 2010. Disponível em: https://censo2010.ibge.gov.br/sinopseporsetores/ Acesso em: 5 out 2024.
  » https://censo2010.ibge.gov.br/sinopseporsetores/
• IBGE - Instituto Brasileiro de Geografia e Estatística (2022). Panorama do Censo 2022. Disponível em: https://censo2022.ibge.gov.br/panorama/ Acesso em: 5 out 2024.
  » https://censo2022.ibge.gov.br/panorama/
• MORAES, A. C. R. (1999). Contribuições para a gestão da zona costeira do Brasil: elementos para uma Geografia do Litoral Brasileiro. São Paulo, Hucitec.
• MOROZOV, E.; BRIA, F. (2019). A cidade inteligente, tecnologias urbanas e democracia São Paulo, Ubu.
• MÖRTENBÖCK, P.; MOOSHAMMER, H. (2021). Platform urbanism and its discontents Roterdã, Nai010 Publishers.
• NETHERCOTE, M. (2019). Build-to-Rent and the financialization of rental housing: future research directions. Housing Studies, v. 35, n. 5, p. 839-874. Disponível em: https://www.tandfonline.com/doi/full/10.1080/02673037.2019.1636938 Acesso em: 20 nov 2024.
  » https://www.tandfonline.com/doi/full/10.1080/02673037.2019.1636938
• OPERDATA (2021). Coeficientes de correlação. Disponível em: https://operdata.com.br/blog/coeficientes-de-correlacao/ Acesso em: 23 nov 2024.
  » https://operdata.com.br/blog/coeficientes-de-correlacao/
• PREFEITURA MUNICIPAL DO RIO DE JANEIRO (2024). Data Rio: informações sobre a cidade. Disponível em: https://www.data.rio/pages/rio-em-sntese-2 Acesso em: 10 dez 2024.
  » https://www.data.rio/pages/rio-em-sntese-2
• RODGERS, S.; MOORE, S. (2020). "Platform phenomenologies: social media as experiential infrastructures of urban public life". In: HODSON, M.; KASMIRE, J.; MCMEEKIN, A.; STEHLIN, J.; WARD, K. (ed.). Urban platforms and the future city:transformations in infrastructure, governance, knowledge and everyday life. Londres, Routledge.
• RODRIGUES, M. (2019). Após 3 anos da Rio 2016, Vila dos Atletas vendeu menos de 15% dos apartamentos construídos. Disponível em https://g1.globo.com/rj/rio-de-janeiro/noticia/2019/08/12/apos-3-anos-da-rio-2016-vila-dos-atletas-vendeu-menos-de-15percent-dos-apartamentos-construidos.ghtml 12/08/2019. Acesso em: 30 mar 2021.
  » https://g1.globo.com/rj/rio-de-janeiro/noticia/2019/08/12/apos-3-anos-da-rio-2016-vila-dos-atletas-vendeu-menos-de-15percent-dos-apartamentos-construidos.ghtml
• SCHOR, J. (2017). "Debatendo a economia do compartilhamento". In: ZANATTA, R. A. F.; PAULA, P. C. B.; KIRA, B. (org.). Economias do Compartilhamento e o Direito Curitiba, Juruá.
• SECOVI RIO (2023). Valor e variação do m 2 de locação residencial por bairros. Disponível em: https://www.secovirio.com.br/wp-content/uploads/2023/12/Valor-e-variacao-do-m%C2%B2-de-Locacao-Residencial-por-Bairros.pdf Acesso em: 5 out 2024.
  » https://www.secovirio.com.br/wp-content/uploads/2023/12/Valor-e-variacao-do-m%C2%B2-de-Locacao-Residencial-por-Bairros.pdf
• SLEE, T. (2017). Uberização: a nova onda do trabalho precarizado São Paulo, Elefante.
• SOUZA, R. B. (2021). Territorialização do Airbnb em cidades pequenas turísticas brasileiras: regular é preciso?. Dissertação de mestrado. Campinas, Universidade Estadual de Campinas.
• SRNICEK, N. (2018). Capitalismo de plataformas Buenos Aires, Caja Negra.
• TULIK, O. (2001). Turismo e meios de hospedagem: casas de temporada São Paulo, Roca.
• VILLAÇA, F. (2001). Espaço intra-urbano no Brasil São Paulo, Studio Nobel.
• WACHSMUTH, D. et al. (2017). Short-term cities: Airbnb's impact on Canadian housing markets. Urban Politics and Governance research group School of Urban Planning McGill University.

Notas

• 1
  A metodologia proposta por Tulik (2001) classifica a expressividade das segundas residências em cinco categorias: incipiente (até 5%), fraca (5,1% a 10%), média (10,1% a 20%), forte (20,1% a 40%) e excepcional (acima de 40%). O Índice Airbnb nas Cidades – IABC, desenvolvido por Souza (2021), tem como principal objetivo identificar a presença da plataforma Airbnb em pequenas cidades turísticas brasileiras. Em seus resultados, fica evidente que a maior expressividade ocorre no litoral.
• 2
  As informações utilizadas foram extraídas do Censo Demográfico de 2010, por setor censitário, e relacionam-se à natureza dos Domicílios Particulares Permanentes. Importa esclarecer que esses dados podem indicar aos pesquisadores ordens de grandezas eventualmente corrigidas por índices ou taxas de mudanças dados pelos institutos especializados. Ou seja, aplicar aos dados do Censo de 2010 fatores corretivos implicaria tão somente em novos valores, sem alterar as conclusões aqui expostas, que são relativos entre si. O Censo de 2022 não divulgou até o momento (dezembro de 2024) informações tão detalhadas quanto o de 2010. Dados acerca dos domicílios alugados, por exemplo, não constam nas tabelas oficiais.
• 3
  AirDNA e Inside Airbnb são plataformas que analisam o impacto do Airbnb, mas com enfoques distintos. Enquanto o AirDNA é uma ferramenta comercial voltada para investidores e gestores imobiliários, fornecendo dados detalhados sobre ocupação, receita e sazonalidade para maximizar retornos financeiros, o Inside Airbnb é uma iniciativa independente focada na transparência e nos impactos sociais e urbanos da plataforma. O AirDNA utiliza inteligência artificial e dados refinados para suporte estratégico, sendo uma ferramenta paga, enquanto o Inside Airbnb, gratuito, coleta informações públicas para subsidiar debates acadêmicos e políticos, destacando questões como especulação imobiliária e concentração de imóveis.
• 4
  A metodologia aplica-se a outras categorias, como “bairro”, sendo esta a granulometria apresentada no estudo de caso deste artigo.
• 5
  Segundo Operdata (2021, s.p.), o “coeficiente de correlação de Pearson, também chamado de correlação linear ou r de Pearson, é um grau de relação entre duas variáveis quantitativas e exprime o grau de correlação através de valores situados entre -1 e 1. Quando o coeficiente de correlação se aproxima de 1, nota-se um aumento no valor de uma variável quando a outra também aumenta, ou seja, há uma relação linear positiva. Quando o coeficiente se aproxima de -1, também é possível dizer que as variáveis são correlacionadas, mas nesse caso quando o valor de uma variável aumenta o da outra diminui. Isso é o que é chamado de correlação negativa ou inversa. Um coeficiente de correlação próximo de zero indica que não há relação entre as duas variáveis, e quanto mais eles se aproximam de 1 ou -1, mais forte é a relação”.

ANEXOS

Tabela 1
– Dados coletados para os bairros do Rio de Janeiro

Bairro	Área (km2)	AIRBNB Inteiros	DPP	DUOC	População
Abolição Acari Água Santa Alto da Boa Vista Anchieta Andaraí Anil Bancários Bangu Barra da Tijuca Barra de Guaratiba Barros Filho Benfica Bento Ribeiro Bonsucesso Botafogo Brás de Pina Cachambi Cacuia Caju Camorim Campinho Campo Grande Cascadura Catete Catumbi Centro Cidade de Deus Cidade Nova Cidade Universitária Cocotá Coelho Neto Colégio Copacabana Cordovil Cosme Velho Cosmos Curicica Del Castilho Encantado Engenheiro Leal Engenho da Rainha Engenho de Dentro Engenho Novo Estácio Flamengo Freguesia (Ilha do Governador) Freguesia (Jacarepaguá) Galeão Gamboa Gardênia Azul Gávea Glória Grajaú Grumari Guadalupe Guaratiba Higienópolis Honório Gurgel Humaitá Inhaúma Inhoaíba Ipanema Irajá Itanhangá Jacaré Jacarepaguá Jacarezinho Jardim Botânico Jardim Carioca Jardim Guanabara Jardim Sulacap Joá Lagoa Laranjeiras Leblon Leme Lins de Vasconcelos Madureira Magalhães Bastos Mangueira Maracanã Maré Marechal Hermes Maria da Graça Méier Moneró Olaria Oswaldo Cruz Paciência Padre Miguel Paquetá Parada de Lucas Parque Anchieta Pavuna Pechincha Pedra de Guaratiba Penha Penha Circular Piedade Pilares Pitangueiras Portuguesa Praça da Bandeira Praça Seca Praia da Bandeira Quintino Bocaiúva Ramos Realengo Recreio dos Bandeirantes Riachuelo Ribeira Ricardo de Albuquerque Rio Comprido Rocha Rocha Miranda Rocinha Sampaio Santa Cruz Santa Teresa Santíssimo Santo Cristo São Conrado São Cristóvão São Francisco Xavier Saúde Senador Camará Senador Vasconcelos Sepetiba Tanque Taquara Tauá Tijuca Todos os Santos Tomás Coelho Turiaçu Urca Vargem Grande Vargem Pequena Vasco da Gama Vaz Lobo Vicente de Carvalho Vidigal Vigário Geral Vila da Penha Vila Isabel Vila Kosmos Vila Militar Vila Valqueire Zumbi	616.334,28 160.552,86 242.623,83 314.957,59 434.573,87 226.130,65 350.041,99 978.049,18 359.662,93 462.717,13 944.205,53 172.386,90 173.641,74 303.785,48 219.972,21 479.896,86 352.223,13 225.016,58 206.869,17 534.749,48 73.520,23 98.451,31 104.445,43 283.897,83 68.102,85 53.945,99 54.247,54 1.273.028,18 934.855,37 469.071,91 490.103,74 251.197,72 226.111,34 410.086,10 385.681,15 892.542,47 1.126.134,89 333.957,44 144.091,83 464.052,36 708.276,17 222.565,09 392.045,10 264.485,41 980.403,29 164.625,80 405.641,38 1.032.843,61 189.574,73 111.290,57 123.629,48 257.964,34 114.006,85 573.911,98 959.885,15 382.001,79 1.317.869,41 115.747,59 137.485,07 105.447,80 348.528,37 828.790,52 308.491,54 747.785,99 1.319.776,11 842.567,88 682.105,69 943.876,62 268.921,08 162.113,06 320.589,07 786.922,53 168.969,58 510.990,68 249.351,40 215.310,17 977.201,64 266.920,47 378.762,34 197.595,46 798.131,05 1.667.306,67 4.268.772,77 3.886.236,03 824.991,39 2.470.939,77 520.558,87 3.689.843,14 2.071.132,37 2.741.804,17 4.865.804,92 1.705.569,17 2.197.974,70 3.090.582,44 8.311.428,03 2.830.923,17 3.639.621,82 5.811.338,82 4.623.394,36 3.887.710,74 1.836.424,95 6.041,31 1.186.412,64 719.911,63 6.499.994,83 3.794.069,39 4.323.805,27 2.793.540,53 2.605.426,77 3.065.705,14 928.110,98 861.927,16 2.116.875,50 3.432.519,56 1.311.629,51 2.887.613,31 1.437.198,77 884.410,84 12.504.629,36 5.157.142,20 8.319.663,55 1.684.725,17 6.488.582,31 4.105.654,85 648.909,35 363.818,58 1.690.865,15 644.178,64 5.166.213,82 3.886.804,46 1.320.665,32 1.672.550,13 10.065.585,30 1.012.638,67 1.747.531,64 1.255.813,01 2.319.007,99 3.938.046,94 1.443.832,93 863.076,83 1.101.223,90 1.837.515,64 1.621.382,12 3.385.317,18 1.435.719,62 3.217.134,52 1.519.258,20 1.075.638,32 4.232.226,09 1.611.182,36	3 1 2 28 1 21 39 5 13 2938 112 2 3 10 5 1144 12 15 5 2 475 7 86 2 265 3 989 5 14 5 1 6 3 9332 1 54 9 51 10 12 1 2 32 17 20 646 5 86 1 16 24 185 219 24 5 4 103 6 2 156 4 2 3045 12 108 1 1296 1 148 11 31 3 120 218 397 1582 561 2 9 1 1 68 2 11 3 20 2 6 10 9 6 39 3 6 12 41 9 9 6 3 6 1 7 41 13 1 3 3 11 1479 11 1 7 41 7 3 10 4 28 635 4 8 160 42 16 18 4 9 4 9 78 3 194 17 3 1 103 82 102 8 2 1 130 6 3 74 1 3 6 1	4.780 11.409 3.198 4.414 21.903 17.277 13.975 5.120 87.434 70.167 3.090 8.630 9.319 17.933 8.266 42.648 22.367 19.600 4.821 10.771 732 4.160 161.876 13.838 12.815 5.299 18.016 13.277 2.391 570 2.327 12.670 12.014 84.630 16.720 2.731 40.921 13.657 9.505 6.202 2.195 11.169 21.608 18.745 8.862 26.144 7.627 33.914 8.944 5.525 9.860 7.496 4.961 16.248 85 18.594 72.246 7.187 8.343 7.014 16.844 28.239 23.276 40.578 30.832 3.617 81.588 14.702 7.927 9735 12641 6387 476 9522 20882 22201 7383 13847 19932 9336 7123 11977 54883 19307 3576 21701 2566 23708 14201 44665 26090 2636 11229 10082 40924 18453 6621 27538 18238 19673 10886 4481 9059 4188 30152 2441 12658 16101 72801 67460 5515 1673 11134 18141 6901 17188 32329 4015 112773 19690 19629 4985 4644 12413 3236 988 42258 13647 28879 17615 49965 11644 70877 11768 9988 5539 2622 9325 14071 7197 5597 9996 6722 15763 10613 33018 6516 5355 16029 854	62 75 46 66 194 287 123 32 1144 7121 622 23 57 139 75 1388 234 189 49 79 57 48 2338 148 274 58 728 169 51 8 25 104 79 8094 183 33 487 188 64 130 26 65 368 306 95 946 47 402 51 19 43 212 175 279 2 89 2845 110 43 231 185 352 2447 280 545 47 1461 96 231 66 172 97 38 466 431 1146 671 294 326 102 49 278 114 153 47 446 42 321 235 850 208 794 83 102 401 317 703 460 204 339 95 24 59 135 473 21 149 165 730 4330 116 18 102 218 71 112 140 59 2641 368 200 86 189 198 65 60 485 245 2505 156 603 39 1173 132 55 56 100 581 338 128 103 91 45 187 137 545 43 78 365 8	11356 27347 8756 9439 55652 39365 24172 12512 218089 127159 3577 14409 25081 43707 18711 82890 59222 42415 11013 20477 1196 10156 328370 34456 24057 12556 29555 36515 5466 1556 4877 34223 29425 16439 45202 7178 77007 31189 14804 10842 6113 26659 45540 42172 17189 50043 14937 70511 22971 13108 17715 16003 9661 38671 167 47144 107369 15724 21999 13285 15908 64649 4243 96382 38415 20760 143440 37839 18009 24484 32213 13062 8186 21198 45554 46044 14799 37487 50106 24430 17835 22556 10779 48071 7972 49828 6476 36104 34040 94266 64228 3361 23923 26104 97350 34709 8498 78678 47816 43378 27250 11175 23856 8662 64147 5948 31185 40792 180123 82240 12653 15326 29310 43764 8766 44188 143719 10895 217333 42056 41458 12330 64858 26510 8343 2749 100169 30600 56575 37855 102126 29657 163805 24646 22676 17246 7061 14039 27250 15482 15167 24964 12797 41820 25465 86018 18274 13184 32279 2016

Tabela 2
– Índices de clusterização para os bairros do Rio de Janeiro

Cluster A – Moderado
Bairro	H*	H’	Bairro	H*	H’
Abolição Água Santa Alto da Boa Vista Anil Bancários Barra da Tijuca Botafogo Cacuia Campinho Catete Centro Cidade de Deus Cocotá Curicica Encantado Engenheiro Leal Engenho de Dentro Estácio Flamengo Freguesia (Ilha do Governador) Freguesia (Jacarepaguá) Gávea Glória Grajaú Guaratiba Humaitá Itanhangá Jacaré Jacarepaguá Jardim Botânico Jardim Guanabara Jardim Sulacap Laranjeiras Leblon Maré Marechal Hermes Maria da Graça Méier Moneró Olaria Oswaldo Cruz Paciência Padre Miguel	-0,31163 -0,88048 -0,65591 -2,0206 -0,67692 -0,95677 -1,62968 -1,61652 -2,15119 -2,76527 -2,56203 -0,77308 0,116011 -1,87523 -0,06914 0,355959 -1,88057 -0,45257 -2,08896 -1,74829 -1,71145 -0,74611 -0,83703 -1,32774 -0,68763 -1,30228 -0,45937 -0,60044 -2,42391 -0,79268 -1,96003 -0,0495 -2,14119 -1,38199 -0,15589 -0,40588 0,346969 0,058366 0,31375 0,364193 0,046216 -0,55207 -0,46484	-2,49553 -3,17135 -0,66873 -2,32459 -1,68859 -0,99746 -0,97838 -3,05428 -3,23185 -1,95404 -1,411 -3,44891 -2,25824 -2,33522 -1,60714 -2,05751 -3,47828 -1,16609 -1,62577 -3,14437 -2,40892 -0,03771 0,231884 -2,93627 -3,16159 -0,85021 -1,23339 -3,60596 -1,69912 -0,39326 -2,82891 -2,68097 -1,37873 -0,21495 -3,35432 -2,1938 -1,55994 -2,20159 -1,88614 -2,77086 -2,26615 -4,25546 -3,16599	Parada de Lucas Parque Anchieta Pavuna Pechincha Penha Penha Circular Piedade Pilares Portuguesa Praça Seca Quintino Bocaiúva Ramos Riachuelo Ribeira Ricardo de Albuquerque Rio Comprido Rocha Rocha Miranda Sampaio Santa Cruz Santíssimo Santo Cristo São Francisco Xavier Senador Vasconcelos Sepetiba Tanque Taquara Tauá Tijuca Todos os Santos Tomás Coelho Turiaçu Vargem Pequena Vasco da Gama Vaz Lobo Vicente de Carvalho Vigário Geral Vila da Penha Vila Isabel Vila Kosmos Vila Militar Vila Valqueire	-0,34758 0,219876 -0,13905 0,376662 0,249491 0,117765 0,474005 -0,49145 -1,08794 0,502852 0,529239 -0,31473 0,473004 -0,463 -0,37363 -0,01981 0,470787 -0,81435 0,215746 0,337588 0,754634 0,896865 0,485548 -0,93366 2,108886 -0,05569 -1,81809 -1,62719 0,056203 -0,73525 -0,81777 -0,26688 0,280561 0,03082 0,329182 -0,36096 -0,0011 -0,27835 -0,44295 -0,56093 0,211972 1,133193	-2,82318 -1,76871 -2,80348 -0,82404 -2,83988 -2,56397 -3,40875 -2,40894 -2,37494 -2,24666 -2,53147 -3,47743 -1,03806 -2,50874 -2,20807 -0,84611 -1,00135 -3,58961 -1,63087 -3,36449 -2,31276 -0,63341 -0,07162 -3,39306 -3,48623 -2,06369 -3,01867 -3,34751 -0,89863 -1,94021 -2,88186 -3,4476 -0,07288 -1,89714 -2,76777 -4,02719 -2,59582 -3,25509 -1,59504 -3,4775 -2,20149 -2,13032
Cluster B – Baixo
Bairro	H*	H’	Bairro	H*	H’
Acari Anchieta Andaraí Bangu Barros Filho Benfica Bento Ribeiro Bonsucesso Brás de Pina Cachambi Caju Campo Grande Cascadura Catumbi Coelho Neto Colégio Cordovil Cosmos Del Castilho Engenho da Rainha	-3,21527 -2,63189 -2,31003 -3,79671 -3,40623 -3,12249 -2,88173 -2,19864 -2,73767 -2,93348 -1,61328 -5,34363 -2,38965 -3,01766 -2,76988 -2,94581 -2,33162 -1,7091 -2,68575 -2,98503	-6,68813 -7,05512 -4,08036 -7,42941 -5,00395 -5,2223 -4,66899 -4,06207 -4,86345 -4,62255 -4,44496 -7,8017 -5,84908 -5,13486 -4,77788 -5,37202 -6,69648 -4,85551 -3,69742 -5,62164	Engenho Novo Galeão Gamboa Gardênia Azul Guadalupe Higienópolis Honório Gurgel Inhaúma Inhoaíba Irajá Jacarezinho Jardim Carioca Lins de Vasconcelos Madureira Magalhães Bastos Mangueira Pitangueiras Realengo Rocinha	-2,23968 -3,01698 -3,49429 -3,45278 -3,21036 -2,14394 -3,39608 -1,38511 -1,79445 -2,88801 -1,77535 -3,06417 -1,8499 -2,05103 -2,38687 -1,13877 -5,80522 -1,89134 -3,1001	-4,28543 -6,10417 -2,82151 -3,1913 -5,46807 -4,20803 -5,6195 -4,37454 -6,1203 -5,19326 -5,49507 -4,0113 -5,99571 -4,79608 -6,16721 -4,18596 -8,13865 -5,24186 -4,89453
Cluster C – Alto
Bairro	H*	H’	Bairro	H*	H’
Barra de Guaratiba Camorim Cidade Nova Cidade Universitária Copacabana Cosme Velho Grumari Ipanema	4,012217 1,605232 1,333587 1,481827 0,908929 0,446521 4,946455 2,073248	3,142405 4,570126 0,885448 1,856453 1,895884 1,783628 6,707375 3,136515	Joá Lagoa Lapa Leme Maracanã Paquetá Pedra de Guaratiba Praça da Bandeira	0,538845 0,204654 0,878929 1,831351 0,579225 5,068865 3,856543 1,024863	2,533381 0,289593 1,885873 2,496932 0,015741 2,899973 0,34304 0,67779

• Editores:
  Lucia Bógus e Luiz César de Queiroz Ribeiro

Datas de Publicação

• Publicação nesta coleção
  11 Ago 2025
• Data do Fascículo
  Jul 2025

Histórico

• Recebido
  11 Dez 2024
• Aceito
  6 Fev 2025