鐘 星,侯國林,聞小玖,馬小賓,李青青

(1.南京師范大學(xué)地理科學(xué)學(xué)院,江蘇 南京 210023) (2.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心,江蘇 南京 210023)

共享經(jīng)濟是以互聯(lián)網(wǎng)社區(qū)平臺為中介的一種基于P2P的商品或服務(wù)的獲取、給予或共享的活動,通過盈利或公益的形式提升閑置資源的利用率[1]. 隨著旅游業(yè)的不斷發(fā)展和旅游需求的多樣化,以共享經(jīng)濟為基礎(chǔ)的共享住宿產(chǎn)業(yè)應(yīng)運而生. 中國國家信息中心發(fā)布的《中國共享經(jīng)濟發(fā)展報告(2020)》顯示,2019年我國共享住宿領(lǐng)域規(guī)模達到225億元[2],共享住宿行業(yè)在我國展現(xiàn)出蓬勃的生機.

共享住宿在發(fā)展過程中,逐漸呈現(xiàn)商業(yè)化和專業(yè)化的趨勢. 早期Airbnb平臺僅出租少量或者1處房源,而近幾年,商業(yè)經(jīng)營者(包括地產(chǎn)投資商、房屋托管公司、職業(yè)經(jīng)理人等)大量涌入共享住宿市場,使Airbnb平臺的房東屬性發(fā)生了變化,“真正的”的共享住宿正在逐漸減少[3-4]. 經(jīng)營2個及2個以上房源的商業(yè)經(jīng)營者成為Airbnb平臺最富有爭議的問題之一[5],Dolnicar[4]認為這不符合共享住宿的定義,Dogru等[3]則將這種現(xiàn)象稱為Airbnb2.0. 商業(yè)經(jīng)營者和普通個人房東的最大區(qū)別是對利潤的要求,商業(yè)經(jīng)營者側(cè)重于實現(xiàn)最大限度的投資回報率以獲得財務(wù)收益[6],因此,商業(yè)經(jīng)營者成為了Airbnb平臺的主要收入來源,甚至成為Airbnb平臺增長和擴張的關(guān)鍵驅(qū)動力[3]. 商業(yè)化發(fā)展的同時,也造成不可忽視的負面效應(yīng),如影響住房供應(yīng)市場[5,7]、破壞Airbnb平臺的品牌形象[8]、抑制傳統(tǒng)酒店的新增等[9].

共享住宿的地理位置是政府、酒店和旅游者最關(guān)心的問題之一,不少學(xué)者針對共享房源的空間分布特征展開討論[10-14],但鮮有從商業(yè)化的角度出發(fā),對不同商業(yè)化程度的Airbnb房源的時空演變過程和驅(qū)動機制進行探討. 因此,本文基于北京主城區(qū)Airbnb房源數(shù)據(jù),對Airbnb房源的空間分布特征和成因進行分析,以期揭示國內(nèi)城市Airbnb房源的商業(yè)化運作程度和時空演變模式,為國內(nèi)共享住宿產(chǎn)業(yè)選址、集聚區(qū)規(guī)劃實踐和可持續(xù)發(fā)展提供科學(xué)依據(jù)和參考.

1 研究方法與數(shù)據(jù)來源

1.1 研究區(qū)域概況

《中國共享經(jīng)濟發(fā)展年度報告(2020)》顯示,北京市2019年位列共享住宿房源量、間夜量、訂單量排名的榜首[2],是我國共享住宿產(chǎn)業(yè)發(fā)展極具代表性的城市. 據(jù)《北京城市總體規(guī)劃(2016年—2035年)》,東城區(qū)、西城區(qū)、朝陽區(qū)、海淀區(qū)、豐臺區(qū)、石景山區(qū)為主城區(qū). 北京主城區(qū)擁有25 764套Airbnb房源,占北京市房源總量的67%,住宿業(yè)布局具有極強的中心性[15],為了更加微觀和細致地討論Airbnb房源的分布情況,將北京主城區(qū)定為本文主要研究區(qū)域.

1.2 數(shù)據(jù)來源和處理

Airbnb房源數(shù)據(jù)來自Airbnb官方數(shù)據(jù)匯編網(wǎng)站http://insideAirbnb.com/,采集時間為2020年5月27日,采集的房源年份為2010—2019年. 涉及的其他基礎(chǔ)數(shù)據(jù)來自北京政務(wù)數(shù)據(jù)網(wǎng)、北京市文化和旅游局官網(wǎng)、北京地鐵官網(wǎng)、安居客官網(wǎng)和百度地圖poi等,數(shù)據(jù)采集時間均為2020年6月.

目前Airbnb平臺未對商業(yè)經(jīng)營者進行特殊的標識,學(xué)界主要以房東運營的房源數(shù)量來判定是否為商業(yè)經(jīng)營者. Horn等[5]將經(jīng)營2個及以上Airbnb房源的房東定義為“商業(yè)房東”;Ki等[11]在此基礎(chǔ)上,將擁有10處及以上房源的房東稱為“超級商業(yè)房東”. 據(jù)此,本文參考前人對房東的劃分方法,根據(jù)房東運營的房源數(shù)量將Airbnb房源分為3類:Ⅰ類房源(其房東僅出租1套住處),Ⅱ類房源(其房東運營2-9套房源),Ⅲ類房源(其房東運營10套及以上房源,即“超級商業(yè)房東”的房源),Ⅰ類房源到Ⅲ類房源,商業(yè)化程度依次增強.

1.3 研究方法

1.3.1 網(wǎng)格維數(shù)模型

將北京主城區(qū)網(wǎng)格化,r為網(wǎng)格邊長,改變r的大小,統(tǒng)計出被房源據(jù)有的網(wǎng)格數(shù)N(r),N(r)會隨網(wǎng)格尺度的變化而變,若房源分布具有無標度性,則有:

N(r)∝r-T,

(1)

式中,T=D0為容量維.假設(shè)行號為i、列號為j的網(wǎng)格中房源數(shù)量為Nij,房源總量為N,可定義其概率Pij=Nij/N,則信息量公式為:

(2)

式中,K=1/r為各邊的分段數(shù)量.若房源分布分形,則有:

I(r)=I0-D1lnr,

(3)

式中,I0為常數(shù),D1為信息維,可反映北京Airbnb房源空間分布的均衡性和復(fù)雜性.網(wǎng)格維數(shù)D值位于0～2之間,當D=0時,表明所有房源接近于某一點;當D=2時,表示房源分布均勻;當D值趨近于1時,表明房源有沿某條地理線分布的趨勢;當D1=D0時,則房源的空間分布呈簡單分形[16].

1.3.2 DBSCAN聚類算法

DBSCAN是由Ester等提出的一種基于數(shù)據(jù)分布密度的聚類算法,它最大優(yōu)點是聚類速度快,能有效地處理噪聲點,并發(fā)現(xiàn)任意形狀的空間聚類[17],還可以從宏觀視角尋找其分布規(guī)律,并在細節(jié)層面保持數(shù)據(jù)的定位精度[18]. 該算法主要包含2個重要參數(shù):Eps和Minpoints.Eps指鄰域距離;Minpoints指Eps鄰域內(nèi)至少包括的最小樣本數(shù)量. DBSCAN聚類算法在空間要素的分析已有學(xué)者進行了實踐[14,19],表明了該算法對于空間要素分析的適用性. 基于此,本文通過DBSCAN聚類算法對北京主城區(qū)Airbnb房源進行聚類識別,并進一步劃分等級,分析Airbnb房源發(fā)展的空間差異.

1.3.3 地理探測器

地理探測器是王勁峰等結(jié)合GIS空間疊加技術(shù)和集合論,提出了一種“因子力”度量指標,實現(xiàn)了分異及因子探測、交互探測、風(fēng)險探測等功能的模型[20]. 其中,因子探測器用于探測某個地理因素是否為導(dǎo)致指標值空間分布差異的原因.

2 時空演變特征

2.1 時序演變特征

圖1顯示了各類Airbnb房源在2010—2019年的數(shù)量變化情況. 從增長率看,2010—2014年增速持續(xù)提高,到2014年增長率達到峰值;2014—2017年增長率雖大幅回落,但房源數(shù)量仍逐年增加;2017—2019年增長率趨于穩(wěn)定,波動幅度較平緩. 從房源類型看,Ⅱ類房源一直是各類房源的數(shù)量之首;Ⅲ類房源數(shù)量前期雖處于落后狀態(tài),但2017年反超Ⅰ類房源,到2019年Ⅲ類房源數(shù)量將近是Ⅰ類房源的2倍. 在房源數(shù)量變化的基礎(chǔ)上,結(jié)合平臺發(fā)展歷史和國內(nèi)共享住宿的行業(yè)背景,可將Airbnb房源在北京主城區(qū)的發(fā)展分為3個階段:初始萌芽階段(2010—2014年)、強勢發(fā)展階段(2014—2017年)和穩(wěn)步擴張階段(2017—2019年).

圖1 2010—2019年北京主城區(qū)Airbnb房源的數(shù)量變化Fig.1 The number change of Airbnb listings in main urban area of Beijing(2010-2019)

在時序演變的過程中,各個階段的房源屬性和房東屬性也隨之產(chǎn)生了變化(表1). 截至2019年,北京主城區(qū)商業(yè)房東和超級商業(yè)房東的占比分別為42.02%和5.23%,旗下運營的商業(yè)房源(Ⅱ、Ⅲ類)占到整體房源的80.01%,影響力不容忽視.

為了直觀展示北京主城區(qū)Airbnb房源的商業(yè)化程度,借鑒Ki等的方法[11],將北京主城區(qū)Airbnb房源的各項屬性和指標與波士頓、里斯本、舊金山和悉尼等城市進行對比(表1),之所以選擇這些城市,是因為已有研究表明,當?shù)氐腁irbnb已形成較強的商業(yè)化運作[5,7,21-22]. 通過對比結(jié)果可知,在房東擁有的平均房源數(shù)量、“商業(yè)房東”占比等諸多指標方面,北京主城區(qū)的數(shù)值都高于其他城市. 由此可推測:北京主城區(qū)Airbnb房源的商業(yè)化運作程度相對較高,一定程度上違背了共享經(jīng)濟的初衷,并再次驗證了Dogru等的研究結(jié)果[3].

表1 北京主城區(qū)Airbnb房源屬性變化與對比Table 1 Change and comparison of Airbnb listings property in main urban area of Beijing

2.2 空間演變特征

2.2.1 空間均衡特征

根據(jù)式(2)和(3),計算不同尺度下Airbnb房源所覆蓋區(qū)域內(nèi)網(wǎng)格數(shù)N(r)和信息量I(r),隨后將(lnN(r),lnK)和(lnI(r),lnK)繪制成散點圖(圖2),采用最小二乘法得出對應(yīng)的容量維和信息維,以此衡量Airbnb房源空間均衡性.

圖2 Airbnb房源網(wǎng)格維數(shù)雙對數(shù)散點圖Fig.2 The ln-ln plot for grid dimension of Airbnb listings

從圖2(a)和圖2(b)可知,2014年、2017年和2019年3個時間結(jié)點的整體房源在一定測算尺度上存在明顯的無標度區(qū). 根據(jù)Benguigui等的研究[23],若網(wǎng)格容量維的判定系數(shù)R2大于0.996,則可以判斷形態(tài)是分形,從圖2(a)可知3個時間結(jié)點的判定系數(shù)皆滿足該條件. 整體房源的容量維D0由2014年的1.442 3(判定系數(shù)為0.996 5)增加到2019年的1.770 8(判定系數(shù)為0.998 8),逐漸接近于2,在演化過程中由集中集聚向相對均衡的方向發(fā)展. 圖2(b)顯示2014年、2017年和2019年的信息維D1分別為0.723 2(判定系數(shù)為0.991 9)、0.660 1(判定系數(shù)為0.974 7)和0.686 9(判定系數(shù)為0.983 3),始終小于對應(yīng)年份的容量維D0,表明北京Airbnb房源呈不等概率的分布態(tài)勢,分形結(jié)構(gòu)較為復(fù)雜,在演化過程中存在局部圍繞某中心集聚的現(xiàn)象. 究其原因可能與影響房源分布的諸多因素有關(guān),結(jié)合后續(xù)的分析可知,北京Airbnb房源集聚區(qū)主要圍繞主城區(qū)中部、東城區(qū)與朝陽區(qū)的交界處展開,此外,在社會經(jīng)濟發(fā)展水平高、商業(yè)發(fā)達、交通便捷的區(qū)域更易產(chǎn)生Airbnb房源的集聚中心.

圖2(c)顯示2019年Ⅰ、Ⅱ類房源的容量維判定系數(shù)大于0.996,表明Ⅰ類房源和Ⅱ類房源分形發(fā)育完善,但Ⅲ類房源的判定系數(shù)為0.991 2,分形結(jié)構(gòu)略顯不足.Ⅰ類房源和Ⅱ類房源的容量維D0分別為1.751 1(判定系數(shù)為0.997 6)和1.721 2(判定系數(shù)為0.997 7),皆趨近于2,均勻的分布特征明顯,而Ⅲ類房源容量維D0相對較小,僅有1.445 7(判定系數(shù)為0.991 2). 此外，由圖2(d)可知,2019年3類房源的信息維D1同樣均小于對應(yīng)的容量維D0,與上文的計算結(jié)果保持一致. 由此可推斷,房源的商業(yè)化程度越高,分形結(jié)構(gòu)越顯不足,失衡趨勢越發(fā)顯著.

2.2.2 空間聚類分布特征

借助Anaconda算法開發(fā)平臺,通過Spyder環(huán)境編寫DBSCAN聚類算法,對2014年、2017年和2019年的整體房源及2019年的Ⅰ、Ⅱ、Ⅲ類房源進行空間聚類. 參考相關(guān)文獻[14,19]、K-距離圖及實際聚類效果,觀測聚類大小的差異,確定Eps和Minpoints參數(shù),如表2所示.

表2 DBSCAN參數(shù)選取Table 2 DBSCAN parameter selection

結(jié)合自然間斷點分級法和實際分布情況,將聚類結(jié)果分為5個等級,并對聚類中心進行可視化(圖3).

圖3 Airbnb房源的集群等級劃分Fig.3 Hierarchical classification about Airbnb listings clusters

從整體房源的聚類等級演變結(jié)果(圖3(a)-圖3(c))可知,Airbnb房源呈現(xiàn)出“多中心集聚、連續(xù)性發(fā)展、裂變式擴散”的演變特征,與網(wǎng)格維數(shù)模型反映的分形特征具有一致性. 2014年的二級聚類中心分布在北京最繁華的區(qū)域:三里屯—團結(jié)湖—朝外SOHO片區(qū),由此確定了Airbnb房源空間擴張的原點和高等級聚類中心發(fā)展的基礎(chǔ). 2017年北京主城區(qū)Airbnb房源數(shù)量激增,擴張速度加快,高級別聚類中心數(shù)量明顯增加. 2019年核心區(qū)域范圍明顯向外擴大,尤其以西南方向的擴張最為明顯,圍繞北京南站片區(qū)的集聚區(qū)數(shù)量明顯增多. 縱觀全局,2010—2019年,Airbnb房源數(shù)量驟增,東部地區(qū)增速最為明顯;低級聚類中心逐漸強化,升級為高級聚類中心,并帶動周邊集聚區(qū)發(fā)展,整體流程較為連續(xù)和順暢.

進一步對比3種不同類型房源的集群等級(圖3(d)-圖3(f))發(fā)現(xiàn),各類房源的一級集聚區(qū)的位置基本一致,處于朝陽區(qū)和東城區(qū)交匯的朝陽門—建國門—國貿(mào)片區(qū). 但各類房源在聚類中心數(shù)量和分布上存在顯著差異:Ⅰ類房源聚類中心數(shù)量偏少,各個聚類中心獨立發(fā)展,分布較為分散;Ⅱ類房源呈明顯的“東密西疏”的格局,二級聚類中心主要分布在朝陽區(qū)的望京社區(qū)和傳媒大學(xué)等地區(qū);Ⅲ類房源則表現(xiàn)為顯著的“南強北弱”的特征,二環(huán)外的頤和園、中關(guān)村—五道口、海淀大學(xué)城和大望京公園等地區(qū)集聚著大量的Ⅲ類房源.

3 空間集聚的影響因素

3.1 變量選取

共享住宿作為旅游住宿的一種形式,與傳統(tǒng)酒店有許多共同的屬性. 關(guān)于酒店空間布局的影響因素研究已經(jīng)比較成熟[15,24-25],對共享住宿分布的影響因素探討則相對較少[10-14,26]. 構(gòu)建影響北京主城區(qū)Airbnb房源分布的指標體系,按照如下思路進行:首先,梳理共享住宿和傳統(tǒng)酒店區(qū)位選擇的代表性成果,將基本形成共識的因素納入影響指標體系中,再綜合北京的實際情況、指標數(shù)據(jù)的可獲取性和具體指標的代表性,最終選取5項一級指標和12項二級指標(表3).

表3 影響因素的指標構(gòu)建Table 3 Index construction of influencing factors

3.2 地理探測結(jié)果及分析

利用地理探測器方法,計算Airbnb房源的PD,H以全面揭示不同因素指標對北京主城區(qū)Airbnb房源空間分布的影響機理. 為使分析單元分配更加均衡,將研究區(qū)域按邊長為2 km的方格劃分,刪除不規(guī)則網(wǎng)格,最終確定347個網(wǎng)格為基本分析單位. 以2019年各種類型的房源數(shù)量作為因變量,前文的12項二級指標作為自變量,并在計算前剔除房源數(shù)量為0的網(wǎng)格. 12項指標按照等間距分段的方式離散化處理為10個等級,運用地理探測器測算各指標因子對Airbnb房源空間分布的影響程度,得到的結(jié)果如表4所示. 12項指標解釋力均達到99%水平以上的顯著,說明上述指標對Airbnb房源空間分布具有顯著的影響.

表4 影響因素的地理探測結(jié)果Table 4 Geographical survey results of influencing factors

從整體房源看,休閑娛樂場所數(shù)量X9、寫字樓和產(chǎn)業(yè)園數(shù)量X10、傳統(tǒng)酒店數(shù)量X4、住宅小區(qū)數(shù)量X3對房源分布起關(guān)鍵作用,表明Airbnb房源主要依托商圈經(jīng)濟、人流優(yōu)勢及住宅供給等條件發(fā)展. 商業(yè)繁華的地區(qū)人群交流頻繁,具有更強的開放性,擁有完善的購物、餐飲和休閑娛樂設(shè)施及較大規(guī)模的寫字樓、產(chǎn)業(yè)園,吸引著市內(nèi)外的大量游客和商務(wù)客流;傳統(tǒng)酒店在住宿市場耕耘多年,已有一套成熟的選址規(guī)則,它們是住宿產(chǎn)業(yè)的熱點反應(yīng),傳統(tǒng)酒店和共享住宿的共同集聚可形成產(chǎn)業(yè)集聚效應(yīng),共同推動當?shù)刈∷藿哟龢I(yè)的發(fā)展;住宅小區(qū)則是共享住宿發(fā)展的基礎(chǔ),住宅小區(qū)數(shù)量越多,意味著閑置房源數(shù)量可能會越多,當?shù)鼐用窕蛏虡I(yè)房東通過Airbnb平臺對房源進行出租或共享的可能性越大. 交通方面,地鐵站和公交站數(shù)量X6、距最近火車站距離X7高于道路密度X5的影響力,即公共交通和對外交通樞紐的作用力更為顯著. 在公共服務(wù)水平方面,Airbnb房源的分布與旅游景區(qū)數(shù)量X12相關(guān)性較低,這與景區(qū)周邊住宿產(chǎn)業(yè)易集聚、易飽和的特點有關(guān).

進一步對比各類房源地理探測器的計算結(jié)果可知:Ⅰ類房源是真正的“共享房源”,社會經(jīng)濟因素和發(fā)展基礎(chǔ)對Ⅰ類房源的解釋力明顯高于其他房源;Ⅱ類房源是整體房源的主體力量,商業(yè)繁華度對Ⅱ類房源的分布影響相對較大;Ⅲ類房源由“超級商業(yè)房東”運營,商業(yè)化的運作使房東更加注重投資回報的問題,對房源選址的明確性和針對性也會提高,公共服務(wù)水平與Ⅲ類房源的選址有緊密聯(lián)系,尤其是旅游景區(qū)數(shù)量X12的影響力明顯高于其他房源.值得注意的是,在交通條件的計算中,Ⅰ、Ⅱ類房源的地鐵站和公交站數(shù)量X6和距火車站最近距離X7的影響力均大于道路密度X5,與整體房源的趨勢一致,但Ⅲ類房源的距最近火車站距離X7的q值弱于其他兩項二級指標,說明大型交通樞紐的作用力對Ⅲ類房源不強,推測與Ⅲ類房源核心集聚區(qū)的分布和“南強北弱”的格局有關(guān).

4 結(jié)論

隨著共享住宿的發(fā)展,商業(yè)化運營趨勢越發(fā)明顯,成為了Airbnb房源擴張的關(guān)鍵驅(qū)動力. 按照商業(yè)化運作程度將Airbnb房源劃分為Ⅰ、Ⅱ、Ⅲ類,對北京主城區(qū)各類Airbnb房源的時空分布特征和空間集聚成因進行分析. 得出以下結(jié)論:(1)2010—2019年北京主城區(qū)Airbnb房源數(shù)量呈現(xiàn)逐年增長的態(tài)勢,伴隨著房源數(shù)量的激增,北京主城區(qū)Airbnb房源的商業(yè)化程度也在不斷加強;(2)北京主城區(qū)Airbnb房源具有明顯的分形特征,呈“多中心集聚、連續(xù)性發(fā)展、裂變式擴散”的演變特征,其中,Ⅰ類房源分布最均衡,Ⅱ類房源分布“東密西疏”,Ⅲ類房源分形特征不顯著,有“南強北弱”的特點;(3)地理探測器的結(jié)果表明,發(fā)展基礎(chǔ)始終是重要影響因素,繁榮的商業(yè)經(jīng)濟對北京主城區(qū)Airbnb房源發(fā)展有關(guān)鍵的推動作用,其中,Ⅰ類房源受社會經(jīng)濟因素和發(fā)展基礎(chǔ)的影響較大,Ⅱ類房源的分布與休閑娛樂設(shè)施數(shù)量、傳統(tǒng)酒店數(shù)量和購物設(shè)施數(shù)量密切相關(guān),Ⅲ類房源則更趨向旅游景區(qū)布局.

基于研究結(jié)論,對北京主城區(qū)Airbnb房源的管理和運營提出以下建議:(1)商業(yè)房東數(shù)量偏少,但商業(yè)類房源(Ⅱ、Ⅲ類)占比較大,且分布相對集中,可充分利用商業(yè)房源的空間集聚性對其進行統(tǒng)一化管理,重點關(guān)注核心集聚區(qū)的房源運營和管理;(2)商業(yè)繁華度是影響Airbnb房源布局的關(guān)鍵因素,可利用房源“連續(xù)性”演變的特點,加強次級集聚中心或邊緣地區(qū)的商業(yè)設(shè)施建設(shè),引導(dǎo)整體房源均衡布局,但對不同類型的房源而言,影響布局的其他重要指標不盡相同,在引導(dǎo)和調(diào)控過程中,需同時把握全局和內(nèi)部的均衡發(fā)展;(3)公共交通和對外交通樞紐對整體房源的影響大于私人交通,但不同交通要素對不同類型房源的作用力并不一致,交通要素發(fā)展存在一定程度上不協(xié)調(diào)、不均衡的特點,城市管理者可進一步加強交通基礎(chǔ)設(shè)施建設(shè)和交通樞紐周邊區(qū)域的管理,促使各項交通要素和整體房源協(xié)調(diào)發(fā)展.