4 · Modelagem

Fase 4 do CRISP-DM. Quatro modelos, um para cada objetivo de mineração de docs/01 §4 — todos validados por bloco espacial (ADR 0002). Código em src/airbnb/models/; features em src/airbnb/models/especificacao.py, a fonte única de quais colunas entram em cada modelo.

1. Como tudo é validado

Validação cruzada espacial. Os anúncios são agrupados pela célula H3 r6 (~36 km²) em que caem; os blocos são sorteados em 5 folds; todo anúncio de um bloco fica no mesmo fold. O modelo nunca vê, no treino, os vizinhos do anúncio que está prevendo — que é a situação do simulador do site.

Parada antecipada honesta. O LightGBM escolhe o número de árvores numa validação separada do treino (15% dos blocos de treino), nunca no fold de teste. O modelo final usa a mediana das árvores escolhidas nos 5 folds.

Métricas. Em dólar (MAE, erro absoluto mediano), relativa (MdAPE, o erro percentual mediano — comparável entre um quarto de US$ 60 e uma cobertura de US$ 900) e R² no log do preço, onde o modelo é ajustado. Toda métrica é fora do fold. A dispersão entre folds acompanha cada número.

Quanto a validação ingênua enganaria. O modelo principal (M4) é rodado uma vez também com KFold aleatório; a diferença é o otimismo que teríamos publicado (seção 2.4).

2. Preço por noite — modelo hedônico

2.1 A escada

Cada degrau só existe se melhorar o anterior — e a escada mostra de onde vem cada ganho.

degrau	o que vê	papel
B0	nada (mediana global)	piso
B1	mediana por bairro × tipo de quarto	o que a análise descritiva (v0) sabe; recua para o tipo quando o bairro não está no treino
M1	regressão linear regularizada (Ridge) no log do preço	o clássico da literatura hedônica
M2	LightGBM com os atributos do anúncio	o imóvel, sem a localização
M3	M2 + coordenadas do centroide da célula r9 + distrito	a localização como latitude/longitude
M4	M3 + as fontes externas	a localização como o que há nela
M4 sem coordenadas	M2 + distrito + fontes externas	as externas substituem a coordenada?
M5	só as entradas do simulador + localização, modelo compacto	o produto que roda no navegador

Atributos do anúncio (M2): estrutura (tipo de quarto e de imóvel, hóspedes, quartos, camas, banheiros, banheiro compartilhado), 17 comodidades, regras (mínimo de noites, 30+ noites, situação do registro na Prefeitura), anfitrião (superhost, anos como anfitrião, número de anúncios) e avaliações (nota geral, de limpeza e de localização, número de avaliações, meses desde a primeira).

O produto (M5) usa só o que um usuário sabe informar — tipo, hóspedes, quartos, camas, banheiros, banheiro compartilhado, 30+ noites, superhost e nota (opcional) — mais tudo o que vem da célula. É menor (árvores de 31 folhas) para caber no navegador; o custo em erro frente ao M4 está na tabela.

modelo	MdAPE	MAE	R² (log)	MdAPE entre folds
B0 · mediana global	53,5%	US$ 176,4	-0,083	47,2% – 67,9%
B1 · mediana por bairro × tipo (v0)	46,6%	US$ 159,7	0,130	37,8% – 54,7%
M1 · regressão linear hedônica	27,6%	US$ 111,4	0,669	25,9% – 30,6%
M2 · LightGBM, só o imóvel	24,5%	US$ 103,9	0,716	22,2% – 30,1%
M3 · + coordenadas e distrito	21,7%	US$ 96,1	0,762	20,3% – 24,6%
M4 · + fontes externas	22,0%	US$ 96,1	0,760	21,0% – 24,4%
M4 sem coordenadas (só externas)	22,1%	US$ 96,5	0,760	21,1% – 24,9%
M5 · produto (simulador)	25,0%	US$ 102,0	0,724	22,6% – 26,2%

Leitura. A análise descritiva (B1) erra metade do preço (MdAPE 46,6%): sob CV espacial, o bairro do anúncio quase nunca está no treino e o baseline recua para a mediana do tipo de quarto. O modelo linear clássico já corta o erro quase pela metade (27,6%); o LightGBM só com o imóvel chega a 24,5%, e a localização leva a 21,7–22,0%. O produto, compacto (61 árvores de 31 folhas, 34 features), fica em 25,0% — 3 pontos acima do M4, o preço de caber no navegador.

Quanto a validação ingênua enganaria. O mesmo M4 avaliado com KFold aleatório dá MdAPE de 18,5% e R² de 0,80 — contra 22,0% e 0,76 com blocos espaciais. Teríamos publicado um erro 16% menor do que o real para quem usa o simulador num lugar novo.

2.2 O que cada fonte externa agrega (ablação)

Retira-se uma fonte externa por vez do M4 e mede-se quanto o erro piora, fold a fold. Fonte cuja retirada piora o erro em 4 ou 5 dos 5 folds agrega de forma consistente; a que piora em 2 ou 3 é ruído.

fonte retirada	features	Δ MdAPE	Δ MAE	folds que pioram
NYPD	crime_graves_km2, crime_total_km2	+0,21 p.p.	US$ 0,27	4/5
marcos	dist_centro_km, dist_aeroporto_km, dist_marco_km	+0,20 p.p.	US$ 0,86	4/5
ACS	acs_renda_mediana, acs_aluguel_mediano, acs_pop_densidade, acs_pct_alugado, acs_pct_vago, acs_valor_imovel	-0,04 p.p.	US$ 0,13	3/5
Zillow	zori	-0,10 p.p.	US$ 0,09	2/5
MTA	metro_dist_m, metro_n_800m, metro_linhas_800m	-0,12 p.p.	US$ 0,36	3/5
OSM	poi_restaurantes_k1, poi_bares_k1, poi_cafes_k1, poi_atracoes_k1, poi_hoteis_k1, poi_parques_k1	-0,15 p.p.	US$ -0,62	2/5
311	ruido_311_km2	-0,30 p.p.	US$ 0,34	2/5

Resultado nulo — e o mecanismo que o explica

Para prever preço, as fontes externas não superam as coordenadas. O M4 (com as externas) empata com o M3 (só latitude/longitude): 22,0% × 21,7%, melhor em 3 de 5 folds — o critério C4, registrado antes da modelagem, não foi atendido. Só a retirada de NYPD e dos marcos piora o erro de forma consistente (4/5 folds), e em 0,2 ponto percentual.

O que as externas fazem é substituir a coordenada quase sem perda (M4 sem coordenadas: 22,1%) — e, com isso, dizer o que no lugar importa. No M4, o modelo prefere as externas às coordenadas: 23,8% da contribuição SHAP vai para as fontes externas e 1,7% para latitude/longitude (seção 2.3). O ganho da Por que elas não somam. Medimos: o η² de cada feature externa explicado pela célula H3 r8 tem mediana de 0,85, e as distâncias a marcos chegam a 0,997–0,999 (são função do centroide, por construção). O aluguel do Zillow, terceira feature do modelo, tem η² = 0,94. Em quase toda a sua variância, as externas são a célula com outro nome — e um modelo que já recebeu a localização não ganha informação ao recebê-la de novo. Isso não é falha da coleta: é o que se descobre ao medir.

O ganho da busca por dados fora do Kaggle, no preço, é de interpretação e de transferência (um modelo que fala em aluguel, renda e distância a marcos funciona em outra cidade; um que fala em latitude, não), não de acurácia. Onde elas mudam a conclusão é em outros lugares: o comparativo de aluguel (seção 3) e o teste de localização.

2.3 O que move o preço (SHAP)

A contribuição SHAP soma exatamente a previsão, então pode ser agregada por grupo sem dupla contagem: é a resposta direta a "quanto do preço é o imóvel e quanto é o lugar".

grupo de features	fração da contribuição (SHAP)
anúncio	74,5%
Zillow	9,3%
marcos	6,6%
ACS	4,3%
OSM	1,9%
coordenadas	1,7%
MTA	0,9%
311	0,4%
NYPD	0,3%

O imóvel explica três quartos do preço — banheiro compartilhado, número de hóspedes, mínimo de noites e situação do registro na Prefeitura estão entre as seis features que mais movem a previsão. Do quarto restante, o que mais pesa é o nível de aluguel de longo prazo do CEP (Zillow ZORI: a terceira feature do modelo), seguido da distância aos marcos turísticos e da renda e do aluguel do setor censitário (Census).

As curvas têm a forma esperada — e isso é validação: preço sobe com o aluguel do entorno (de −15% a +22% entre os extremos do ZORI), cai com a distância aos marcos (+8% perto, −8% a mais de 10 km) e com a distância a Times Square.

O mapa aplica o modelo do simulador a um mesmo apartamento de referência em cada célula r9: é o prêmio de localização que o site calcula para um clique.

2.4 Intervalo de previsão conformal

O simulador não publica só um número: publica uma faixa que contém o preço real de 80% dos anúncios parecidos. O intervalo é conformal: os quantis 10% e 90% do resíduo fora do fold (no log) viram a faixa [p·e^q_inf, p·e^q_sup], com a correção de amostra finita. A cobertura honesta é medida calibrando em 4 folds e conferindo no quinto.

Um intervalo global cobre 80% na média, mas descobre os grupos pequenos (quarto de hotel, quarto compartilhado), que erram mais. Por isso o produto usa o conformal de Mondrian: um par de quantis por tipo de acomodação.

tipo de acomodação	n	cobertura (intervalo global)	cobertura (Mondrian por tipo)
Quarto privativo	9.219	80,8%	79,8%
Casa ou apê inteiro	11.226	79,3%	79,5%
Quarto de hotel	478	68,2%	78,2%
Quarto compartilhado	191	62,8%	79,1%
todos	21.114	79,6%	79,6%

O intervalo global cobre 79,6% no total, mas só 68% dos quartos de hotel e 63% dos compartilhados. O Mondrian (grupo com pelo menos 100 resíduos) traz os quatro tipos para 78–80%. A faixa é larga — no intervalo global, o limite superior é cerca de 2,6 vezes o inferior —, e é isso que o erro fora do lugar conhecido realmente é.

2.5 O produto por recorte

recorte	grupo	n	MdAPE	MAE
tipo	Quarto privativo	9.219	24,6%	US$ 66,7
tipo	Casa ou apê inteiro	11.226	25,0%	US$ 122,8
tipo	Quarto de hotel	478	32,1%	US$ 299,0
tipo	Quarto compartilhado	191	35,1%	US$ 86,2
distrito	Brooklyn	7.129	24,1%	US$ 72,9
distrito	Manhattan	9.304	26,8%	US$ 146,8
distrito	Queens	3.571	22,5%	US$ 60,0
distrito	Bronx	819	25,0%	US$ 47,6
distrito	Staten Island	291	26,3%	US$ 48,3
mínimo de noites	30+ noites	16.102	25,2%	US$ 84,6
mínimo de noites	< 30 noites	5.012	24,3%	US$ 157,7

3. Ocupação e receita

O alvo é estimated_occupancy_l365d, estimativa do Inside Airbnb reproduzida exatamente pela limpeza: min(round(avaliações_12m ÷ 0,5 × max(6,4; mínimo de noites)); 255). É modelo de outro modelo, e dizemos isso: prevê quantas noites um anúncio parecido acumula de avaliações, não reservas observadas.

O problema se parte em dois, porque mais da metade dos anúncios com preço não teve hóspede nenhum no ano — estão listados, não operados:

1. o anúncio está ativo? (classificação, AUC);
2. se ativo, quantas noites? (regressão no log das noites) — o número que o simulador mostra, porque quem pergunta "quanto fatura" pretende operar.

modelo (noites/ano, só anúncios ativos)	MAE (noites)	erro mediano	Spearman
baseline: mediana bairro × tipo × 30+ noites	62,2	60,0	0,341
LightGBM (entradas do simulador + localização)	57,8	48,5	0,594

Atividade. 80% dos anúncios de estadia curta tiveram hóspede no último ano; dos de 30+ noites, só 35%. Prever se um anúncio está ativo é fácil (AUC 0,91) — o mínimo de noites e o tipo praticamente decidem. Noites, se ativo, é mais difícil: o modelo erra 58 noites em média (48,5 na mediana) contra 62 do baseline, e ordena bem melhor (Spearman 0,59 × 0,34). 28% dos anúncios ativos estão no teto de 255 noites da estimativa. A receita prevista (preço do produto × noites) tem Spearman de 0,79 com a observada.

Penalidade de sobrepreço. Entre anúncios ativos de estadia curta, os que cobram 20% ou mais acima do que o modelo de preço prevê para eles ficam, na mediana, com 205 noites no ano — contra 255 dos demais. Nos de 30+ noites a diferença some (122 × ~128 noites em média). A correlação geral é nula (Spearman −0,004): o mercado só pune o sobrepreço forte, e só na estadia curta.

3.1 O Airbnb fatura mais que o aluguel tradicional?

A pergunta que liga o Airbnb à habitação: um apartamento inteiro, anunciado e ativo, fatura mais no Airbnb do que alugado por um ano no mercado tradicional do mesmo CEP? Receita = estimated_revenue_l365d (bruta: sem taxa da plataforma, limpeza nem mobília); aluguel = Zillow ZORI do CEP × 12, em dólar de junho de 2026.

recorte	n	aluguel/mês	diária	noites/ano	empatar em	receita/ano	razão	acima de 1,00×
todos os apartamentos inteiros ativos	5.069	US$ 4.269	US$ 212	120	240	US$ 27.368	0,55×	27,7%
< 30 noites	1.433	US$ 4.439	US$ 400	255	117	US$ 80.024	1,69×	74,8%
30+ noites	3.636	US$ 4.269	US$ 174	120	280	US$ 20.000	0,42×	9,1%
Manhattan	2.781	US$ 4.778	US$ 238	120	238	US$ 29.560	0,52×	26,1%
Brooklyn	1.691	US$ 3.589	US$ 191	180	240	US$ 27.815	0,63×	31,2%
Queens	453	US$ 2.979	US$ 161	120	235	US$ 20.880	0,57×	26,9%
Bronx	96	US$ 2.977	US$ 123	120	276	US$ 14.141	0,42×	19,8%
Staten Island	48	US$ 2.734	US$ 108	120	279	US$ 12.886	0,39×	14,6%

A razão sozinha esconde de onde ela vem: 0,55× pode ser aluguel caro ou receita baixa, e quem decide o que fazer com um imóvel precisa saber qual dos dois. Por isso a tabela traz as duas pontas e a coluna empatar em — quantas noites, na própria diária do recorte, igualariam um ano de aluguel. Na mediana são 240 noites, e a ocupação observada é 120.

A Local Law 18 dividiu o mercado em dois negócios opostos: a estadia curta legal (registrada) é muito mais rentável que o aluguel — três em quatro superam um ano de aluguel —, enquanto o aluguel mensal mobiliado pelo Airbnb fatura, na mediana, menos da metade de um aluguel tradicional. Parte dessa distância é método: a ocupação estimada de 30+ noites conta 60 noites por avaliação, e hóspedes de estadia longa avaliam menos — a receita desse grupo tende a estar subestimada.

Por bairro

A média da cidade não decide nada sobre um imóvel — o bairro decide. Só os bairros com 60 ou mais apartamentos inteiros ativos, para que a mediana signifique alguma coisa:

recorte	n	aluguel/mês	diária	noites/ano	empatar em	receita/ano	razão	acima de 1,00×
Fort Hamilton	67	US$ 2.834	US$ 165	255	206	US$ 38.760	1,14×	70,1%
Financial District	108	US$ 4.979	US$ 540	128	117	US$ 63.138	1,06×	51,9%
Astoria	65	US$ 3.143	US$ 206	180	189	US$ 32.150	0,81×	41,5%
Midtown	380	US$ 5.626	US$ 319	179	202	US$ 47.746	0,76×	39,2%
Gramercy	60	US$ 5.158	US$ 235	216	263	US$ 45.680	0,74×	33,3%
Crown Heights	190	US$ 3.258	US$ 202	180	203	US$ 30.568	0,72×	40,5%
Bedford-Stuyvesant	313	US$ 3.589	US$ 197	180	218	US$ 30.873	0,72×	37,1%
Harlem	220	US$ 3.275	US$ 229	134	178	US$ 28.442	0,69×	39,1%
Lower East Side	108	US$ 4.689	US$ 272	148	216	US$ 36.474	0,64×	29,6%
East Village	87	US$ 5.158	US$ 237	124	254	US$ 35.876	0,58×	28,7%
West Village	79	US$ 6.087	US$ 267	120	261	US$ 40.594	0,56×	26,6%
East Flatbush	81	US$ 2.797	US$ 131	120	261	US$ 18.767	0,55×	30,9%
Bushwick	100	US$ 3.595	US$ 160	180	280	US$ 24.248	0,55×	26,0%
East Harlem	98	US$ 3.504	US$ 168	120	235	US$ 24.522	0,54×	24,5%
Upper East Side	367	US$ 4.167	US$ 218	120	234	US$ 26.280	0,51×	18,5%
Williamsburg	202	US$ 4.985	US$ 212	120	275	US$ 27.392	0,51×	15,8%
Murray Hill	85	US$ 5.144	US$ 260	120	237	US$ 30.532	0,49×	27,1%
Upper West Side	243	US$ 4.692	US$ 206	120	268	US$ 25.612	0,46×	13,2%
Kips Bay	99	US$ 5.144	US$ 224	120	279	US$ 26.364	0,43×	16,2%
Chelsea	170	US$ 5.807	US$ 209	120	326	US$ 23.960	0,34×	16,5%
Hell's Kitchen	334	US$ 4.699	US$ 194	120	296	US$ 18.269	0,32×	19,2%

Dois bairros passam de 1,00×, e não são os de aluguel mais caro. São os de estadia curta registrada, que operam o ano inteiro: Fort Hamilton (1,14×) tem a terceira diária mais barata da lista — US$ 165 — e mesmo assim vence, porque vende 255 noites. Financial District (1,06×) chega pelo outro extremo: diária de US$ 540 e só 128 noites, o que basta para empatar em 117.

No fundo da tabela estão Hell's Kitchen (0,32×) e Chelsea (0,34×), que precisam de 296 e 326 noites para empatar e vendem 120. Não é que o Airbnb renda pouco lá — é que o aluguel rende muito. A conta perde para o contrato justamente onde o contrato é caro.

Por célula, a mesma métrica está no mapa, em "Airbnb × aluguel de longo prazo".

4. Sobrevivência 2019 → 2026

"Sobreviver" = o mesmo id de anúncio de julho de 2019 aparecer em junho de 2026. Não é o mesmo que o imóvel continuar alugado: o anfitrião pode ter recriado o anúncio, e o scrape pode não capturar um anúncio ativo — os dois contam como "não sobreviveu".

Dois modelos, dois papéis:

• regressão logística com erro-padrão agrupado por anfitrião (anúncios do mesmo anfitrião saem juntos; sem agrupar, o intervalo de confiança fingiria mais informação independente do que há) — para razões de chance interpretáveis;
• LightGBM sob CV espacial — para medir quanto do destino é previsível e desenhar o mapa de sobrevivência prevista.

Dos 48.895 anúncios de julho de 2019, 7.516 (15,4%) ainda estão no ar em junho de 2026.

variável (2019)	razão de chance	IC 95% (agrupado por anfitrião)	p
log_preco_real	1,05	0,97 – 1,13	0,268
min30	2,08	1,68 – 2,57	< 0,001
log1p_avaliacoes	1,28	1,24 – 1,31	< 0,001
avaliacao_recente_90d	0,79	0,73 – 0,86	< 0,001
log_anuncios_host	1,00	0,90 – 1,12	0,948
disponibilidade_zero	1,64	1,52 – 1,78	< 0,001
tipo_Private room	0,74	0,67 – 0,81	< 0,001
tipo_Shared room	0,16	0,11 – 0,24	< 0,001
distrito_Brooklyn	0,92	0,73 – 1,16	0,480
distrito_Manhattan	0,75	0,59 – 0,95	0,019
distrito_Queens	0,94	0,73 – 1,21	0,610
distrito_Staten Island	0,88	0,58 – 1,33	0,541

Referências: casa ou apê inteiro e Bronx. Controlando pelo resto, sobreviveu mais quem já era aluguel mensal em 2019 (mínimo de 30+ noites: chance 2,1 vezes maior — já estava dentro da regra que a LL18 impôs) e quem tinha o calendário fechado (1,6 vez): o anúncio "adormecido" de um morador ficou; o anúncio de estadia curta mais ativo — o alvo da lei — saiu. Avaliação recente, que em 2019 indicava operação comercial ativa, reduz a chance (0,79). Quarto compartilhado quase desapareceu (0,16). Manhattan perdeu mais que o Bronx (0,75).

recorte	grupo	anúncios 2019	ainda no ar em 2026
distrito	Manhattan	21.661	14,6%
distrito	Brooklyn	20.104	16,3%
distrito	Queens	5.666	15,2%
distrito	Bronx	1.091	14,7%
distrito	Staten Island	373	14,5%
tipo	Casa ou apê inteiro	25.409	17,7%
tipo	Quarto privativo	22.326	13,4%
tipo	Quarto compartilhado	1.160	2,5%
mínimo de noites	< 30 noites	44.388	14,8%
mínimo de noites	30+ noites	4.507	21,1%
anúncios do anfitrião	1	32.303	15,5%
anúncios do anfitrião	2	6.658	15,5%
anúncios do anfitrião	3–5	5.138	13,9%
anúncios do anfitrião	6–10	1.829	11,9%
anúncios do anfitrião	11+	2.967	19,0%
última avaliação	≤ 90 dias	22.230	15,8%
última avaliação	91–365 dias	6.922	16,1%
última avaliação	> 1 ano	9.691	21,1%
última avaliação	sem avaliação	10.052	8,4%

Quanto é previsível. Pouco: AUC de 0,67 sob CV espacial, abaixo do limiar de 0,70 registrado em docs/01 (C5 não atendido) — embora calibrado e melhor que o baseline no Brier (0,124 × 0,130). Tirar toda a localização não piora — na verdade melhora marginalmente (0,6676 × 0,6659), o que reforça a mesma leitura do C4: a saída do mercado atingiu todos os lugares por igual; o que diferencia os sobreviventes é o tipo de operação, não o endereço. Seguindo o pré-registro, o modelo fica explicativo: o mapa do site mostra a sobrevivência observada por célula, não a prevista.

5. Validação temporal (deriva)

Um modelo treinado em julho de 2019, em dólar constante, é aplicado aos anúncios de junho de 2026 — com as mesmas features, só as que os dois snapshots têm, e cada snapshot com a safra das suas fontes externas. Comparado com um modelo de 2026 avaliado por CV espacial no próprio 2026, a diferença mede a deriva de conceito.

treino → teste	MdAPE	MAE (US$ de 2026)	R² (log)
2019 → 2019 (CV espacial)	25,3%	US$ 76,6	0,572
2026 → 2026 (CV espacial)	29,0%	US$ 121,2	0,626
2019 → 2026	33,3%	US$ 142,6	0,331
2026 → 2019	140,0%	US$ 220,4	-1,016

O modelo de 2019 perde 4,3 pontos de MdAPE em 2026 frente ao próprio 2026 — e o caminho inverso explode (140%). A assimetria é a Local Law 18: por estrato, o modelo de 2019 acerta o aluguel de 30+ noites de hoje (MdAPE 22–31%, viés de +7% a +9%), mas erra a estadia curta por muito (MdAPE 47–73%): em 2026 ela custa de 1,9 a 3,6 vezes o que a estrutura de 2019 previa. Na volta, o modelo de 2026 aprende que "estadia curta = cara" e aplica isso aos 91% de anúncios curtos de 2019. A estabilidade populacional (PSI) confirma onde o mercado mudou: mínimo de noites (PSI 2,68), disponibilidade (2,16), número de anúncios do anfitrião (0,54) e o aluguel do entorno (ZORI, 0,62).

O resíduo "preço de 2026 − previsão da estrutura de 2019", médio por célula, é a valorização ajustada do mapa: quanto a área ficou mais cara do que o mix dos seus anúncios e a sua localização fariam esperar em 2019.

Corrigido depois da auditoria de método

Até a revisão, esse resíduo era agregado sobre todos os anúncios da célula, o que viola a invariante 8 do próprio projeto. O viés do modelo de 2019 é de +0,07 em log na estadia de 30+ noites e de +0,63 a +1,29 na curta (tabela acima), então a média por célula media, em primeira ordem, onde a estadia curta sobreviveu — não valorização. Medido: ρ entre a métrica antiga e a fração de estadia curta na célula era 0,47. Estratificada dentro do regime de 30+ noites, a correlação cai para −0,02, e o número muda de patamar: a valorização mediana por célula é de +7,2%, não os +29% que a versão anterior publicava. Os +29% eram composição.

Com a métrica corrigida, os bairros que mais cobram acima do que a estrutura de 2019 previa são Tribeca (+107%), Financial District (+47%), SoHo (+42%), Prospect Heights (+41%) e Flatiron District (+41%); os que menos, Little Italy (−26%), Hell's Kitchen (−11%), Upper West Side (−9%), Rosedale (−8%) e Chelsea (−5%). Note que quatro dos cinco primeiros da lista antiga — South Ozone Park, Theater District, Long Island City — desapareceram: eram concentração de estadia curta, não valorização.