EN中文

经济地理 >

2021 , Vol. 41 >Issue 3: 213 - 222

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.03.022

旅游经济与管理

基于Airbnb数据的北京市民宿空间分异过程、因素与趋势

  • 梅林 , 1, 2 ,
  • 姜洪强 1
展开
  • 1.东北师范大学 地理科学学院，中国吉林 长春 130024
  • 2.长春财经学院 管理学院，中国吉林 长春 130122

梅林（1962—），女，吉林长春人，教授，研究方向为人文地理、旅游管理和城乡规划。E-mail：

收稿日期: 2020-05-27

  修回日期: 2020-10-22

  网络出版日期: 2025-04-30

基金资助

国家自然科学基金项目(41471111)

收起

The Spatial Differentiation Process，Factors and Trends of B&B in Beijing Based on Airbnb Data

  • MEI Lin , 1, 2 ,
  • JIANG Hongqiang 1
Expand
  • 1. School of Geographical Sciences，Northeast Normal University，Changchun 130024，Jilin，China
  • 2. School of Management，Changchun University of Finance and Economics，Changchun 130122，Jilin，China

Received date: 2020-05-27

  Revised date: 2020-10-22

  Online published: 2025-04-30

Fold

摘要

以北京市六环范围为研究区域，基于爱彼迎（Airbnb）网站相关民宿数据，采用标准差椭圆、核密度、随机森林等分析方法，探究民宿时空分异特征、影响因素及未来趋势。结果表明：①2012—2018年北京市民宿分布重心由东北向南移动，民宿的分布早期呈东南至西北分布，后期呈现向四周均匀分布的格局。②2012—2018年北京市民宿集聚呈现由弱集聚到强集聚再到较强集聚态势，随着时间的推移集聚态势逐渐趋于平稳。③早期民宿分布呈现双核结构，以东城区和西城区为双核心，后期向多中心态势发展，昌平、丰台等外围区域成为新中心。④随机森林模型有较高的拟合精度，能够更好地解释民宿空间分异的影响机制，人口密度、高等教育密度、距市中心距离、公交车站、旅游景区是影响民宿空间分异的主要因素，对民宿分布的作用呈现非线性、复杂性。⑤根据北京市民宿分布预测结果，相关部门可以有针对地对民宿进行管理和调控，推动北京市民宿业高质量发展。

关键词： Airbnb; 民宿; 空间集聚; 预测; 人口密度; 交通便捷度; 公共服务水平

本文引用格式

梅林 , 姜洪强 . 基于Airbnb数据的北京市民宿空间分异过程、因素与趋势[J]. 经济地理, 2021 , 41(3) : 213 -222 . DOI: 10.15957/j.cnki.jjdl.2021.03.022

Abstract

Taking Beijing inside the 6th ring road area as the research object and based on the relevant B&B(Bed and breakfast) data from the Airbnb website,this paper explores the characteristics of spatio-temporal differentiation,influencing factors and development trends of B&B by the means of standard deviation ellipse,kernel density,random forest and other analysis methods. The results show that: 1) From 2012 to 2018,the gravity center of distribution of B&B in Beijing moved from the northeast to the south. B&B mainly distributed in the southeast and the northwest in the early period,and showed even distribution in the later period. 2) From 2012 to 2018,it showed a fluctuating characteristic that is in the following order: weak agglomeration,strong agglomeration,strong agglomeration and stabilized agglomeration. 3) The distribution of B&B showed a dual-core structure in the early stage,which took Dongcheng District and Xicheng District as dual cores. In the later period,it showed a multi-center development trend,expanding to Changping District,Fengtai District and other peripheral areas. 4) The random forest model has a high fitting accuracy and can better explain the influence mechanism of the spatial differentiation of B&B. Population density, the number of people in higher education,the distance from the city center,bus stations and tourist attractions are the main factors that affect the spatial differentiation of B&B. Factors that have nonlinear and complex effects on the distribution of B&B. 5) According to the results of the Beijing B&B predictions,relevant departments can manage and regulate the distribution of B&B in a targeted manner to promote the high-quality development of Beijing's B&B industry.

Key words： Airbnb; B&B(Bed and breakfast); spatial differentiation; forecasting; population density; traffic convenience; public service level

在全域旅游的时代背景下，随着国内旅游消费结构不断升级以及个性化需求的增长，民宿作为共享经济的产物，在我国城市和乡村获得飞速发展。乡村民宿和城市民宿在发展过程中综合效益显著，乡村民宿利于带动乡村就业、活化乡村社区、促进生态保护、推动新农村建设等；城市民宿利于缓解游客住房压力、盘活闲置存量资产、丰富市场供给[1]。目前，学界关注焦点多集中于乡村民宿，理论紧跟实践，对指导乡村民宿业发展具有一定意义。随着城市民宿的渐热和火爆，人们对城市民宿的关注明显不够，城市民宿的空间分布规律、布局合理性值得研究和探讨。
国外学者关于民宿的研究主要集中在以下几个方面：①民宿市场需求研究。集中在民宿经营管理[2]、民宿游客住宿经历[3]、民宿游客对房东信任[4]、民宿游客区位选择偏好[5]、民宿营销[6]等方面。②民宿空间分布研究。集中在民宿空间渗透[7-8]、集聚与扩张规律[9-10]等方面。③民宿与周围环境之间的关系研究。这方面研究较为细致，Adamiak C在对比分析欧洲不同规模城市民宿分布时，发现民宿多集中在旅游城市[11]；Gutierrez J等研究发现巴塞罗那的民宿比酒店更为分散，74%的民宿分布在酒店之外，且与旅游景点密切相关[12]；此外，还有学者发现民宿空间分布与距市中心距离呈负相关关系[7]、沿主要交通廊道分布[13]；周边环境因素（娱乐场所、公园绿地、购物设施）也是影响民宿分布的重要因素[14]。国内学者对民宿研究较少，主要围绕民宿概念[15]、民宿开发[16]、民宿特点[17]、民宿内涵[18]、民宿发展及运营模式[19]、民宿资源评价[20]、房源价格影响因素[21]、游客购买意愿[22]等方面。也有一些学者对民宿分布进行研究，王珺玥等研究发现厦门民宿分布呈多中心特征，并对民宿空间分布与周边城市空间功能的耦合进行了探讨[23]；张海洲等对环莫干山民宿时空分布进行研究，发现民宿空间分布范围不断扩大，集聚程度快速提升，风景景观、发展基础、社会因素和区位是影响民宿格局异质性的决定因素[24]；龙飞等研究发现长三角地区民宿空间分布呈高度集聚状态，认为旅游收入、景区、人口密度、GDP是影响民宿分布的主要因素[25]。近年来，随着网络大数据与机器学习技术的快速发展与应用，基于地图POI数据、手机信令数据研究住宿业空间分布将成为热点。
综上，国内学者较多关注乡村民宿，对城市民宿关注不足。在空间尺度上，多以市县区域为研究单元，针对城区内部民宿分布研究较少，市县尺度研究单元受行政界限的影响，具有形状不规则、面积非均等问题，难以在微观尺度上对民宿空间分布规律进行解释。在研究方法上，多以传统的回归分析为主，与传统计量方法相比，随机森林方法对影响因素的非线性度量和自变量重要性解释力较强，且不需要考虑变量间的共线性问题，利用随机森林方法针对格网尺度的民宿空间分布模拟将更加科学与精准。基于此，本文以爱彼迎（Airbnb）数据为基础，利用空间分析方法探索北京市民宿空间分布特征及其时空变化规律，运用随机森林方法挖掘北京市民宿空间分异的影响因素并对民宿空间分异趋势进行模拟预测。本研究试图在理论上对旅游地理学的数据采集和研究方法等方面有所拓展与创新，弥补学术界关于城市民宿研究的不足，其预测框架也为酒店业、餐饮业等其他业态的研究提供理论支持。在实践上为地方政府制定民宿发展政策、优化民宿合理布局、协调民宿与环境关系、引导民宿业可持续发展提供科学依据。

1 数据来源与研究方法

1.1 研究区域与研究单元

根据《2019中国大陆民宿业发展数据报告》，重庆、北京、西安民宿数量排名前三，以北京为案例具有一定代表性。本文研究区域为北京市六环内范围，包括10个辖区，分别是东城区、西城区、海淀区、朝阳区、石景山区、丰台区，通州和大兴两区的城区部分，顺义和昌平两区的部分非城区地区，总面积为2 267 km2，占北京市域面积的13.81%。
与以往研究不同，为突出每一个民宿的空间地理数据与各要素的精准叠加，本文将北京六环内区域进行1 km ×1 km格网分割，得到2 375个研究单元，并对格网内各影响要素的属性数据进行匹配，建立地理空间数据库，所有地理数据均经过筛选、清洗和坐标纠偏。

1.2 数据来源

本文民宿的界定为民宿主人利用当地闲置资源参与接待，提供满足游客体验当地风土人情的家庭式住宿设施，其民宿主人为整个民宿活动的核心。民宿数据来源于爱彼迎（Airbnb）网站。Airbnb是全球最大的民宿平台，截至2018年底，已在全球191个国家或地区的65 000多个城市，拥有超过600万套房源，积累6 000多万名用户[21]。数据获取时间截止到2018年12月31日，其数据为内部Airbnb网站（http://insideairbnb.com/）的共享数据。这些数据使用了从Airbnb网站上收集的公共信息，包括Airbnb民宿的位置、评论数量、房间价格、房东回复率等属性信息。下载北京市目录下名为listing.csv的文件夹，根据Airbnb民宿列表，获取2012、2014、2016、2018年北京市Airbnb民宿分别为105、1 512、8 458、25 025家。
图1 研究区域及Airbnb民宿分布

Fig.1 The distribution of study area and B&B

1.3 研究方法

1.3.1 标准差椭圆法

标准差椭圆可以探究点位空间分布的主方向、离散趋势及重心坐标，方位角的变动表示点位分布在空间方位上的变化，椭圆长轴为空间分布的主要方向，短轴为空间分布的次要方向[26]，公式如下：
M i x i , y i = ∑ i = 1 n S i x i ∑ i = 1 n S i , ∑ i = 1 n S i y i ∑ i = 1 n S i
式中： M i x i , y i为研究区域第i年的重心坐标； S i表示第i个格网民宿数量。

1.3.2 全局空间自相关

全局莫兰指数（Global Moran's I）反映空间邻接或临近的地区单元属性值的相似程度[27]，本研究采取空间邻接矩阵，以全体格网作为研究单元，公式如下：
I = m ∑ i n ∑ j n w i j x i - x - x j - x - ∑ i n ∑ j n w i j ∑ i n x i - x - 2
式中：m为观测值数量； w i j表示研究区域相邻权重； x i , x j分别是第i，j个区域的观测值； x -为北京市民宿分布密度均值；I为研究区域整体空间相关性，取值为[-1，1]，当指数值接近-1时，表明空间差异性越大，反之，接近于1时，表明空间相关性越明显。

1.3.3 核密度分析

核密度分析法反映点位数据的空间相对集中程度，是借助一个规则移动样方对空间点要素集聚程度测度的方法[28]，公式如下：
f x = 1 n h ∑ i = 1 n K x - x i h
式中： f x为空间位置x处的计算函数；h代表距离衰减值； x - x i为估计点到样本点 x i的欧式距离； K z为空间权重函数。

1.3.4 随机森林模型

随机森林（random forest）模型，由Breiman于2001年提出[29]，是通过集成学习的思想将多棵决策树集成的一种有监督机器学习算法，基本单元是决策树，可以用于做分类、判别、回归和预测，还可以评估变量的重要性。数据分析通过统计软件RStudio完成，其中随机森林回归和预测建模通过调用“RandomForest”程序包进行，可利用varImPlot函数包对自变量重要性进行度量，利用partialPlot函数包计算自变量的偏依赖关系，利用predict函数包进行预测。随机森林模型中的每棵cart树是分类树还是回归树决定该模型用于分类还是回归。
由于带外数据集的存在，随机森林模型不需要预留样本用于模型研究，在此过程中，能够对拟合优度（R2）和平均绝对误差（MAE）2个指标来验证随机森林模型的精度，表达式为：
R = ∑ i = 1 n P i - P ¯ O i - O ¯ ∑ i = 1 n P i - P ¯ 2 ∑ i = 1 n O i - O ¯ 2
M A E = ∑ i = 1 n P i - O i n
式中： O i为第i个格网的统计民宿个数； P i为第i个格网的拟合民宿分布个数； P ¯为所有拟合民宿分布的平均值； O ¯为所有拟合格网的统计实测民宿的平均值；MAE可以衡量预测值与观测值的差异；R2越大，MAE越小，模型解释精度越高，预测能力越好。
随机森林模型能够对影响因素的重要性进行评估，表达式为：
i m p i = 1 n t r e e ∑ v = S x i G a i n X i , v
式中： i m p i表示影响因素 X i对随机森林回归模型的贡献，以 % I n c M S E表示， % I n c M S E值越大表明该影响因素越重要； S x i是在ntree棵决策树中的随机森林模型中被 X i分裂的节点集合； G a i n X i , v为 X i在分裂节点v的基尼信息增益，用于选择能获得最大信息增益的目标变量。
偏依赖关系图（partial dependency plot）显示了机器学习模型中一个自变量对先前拟合模型预测结果的边际效应，被视为一种对机器学习结果可解释的方法。偏依赖函数 f ^ x s可通过固定某个变量，计算其它变量所有组合的预测函数的平均值得到。
f ^ x s x s = E x c f ^ x s , x c
式中： f ^为机器学习模型（本文为随机森林模型）；xs为偏依赖关系图需要绘制的变量；xc为机器学习模型中使用的其它变量。

2 民宿空间格局及演化特征

2.1 民宿分布重心由东北向南移动，分布态势由内向外逐渐扩散

利用ArcGIS软件对北京市民宿分布的标准差椭圆分析可知（图2），民宿分布重心移动轨迹呈“倒V”字型，可分为两个阶段：2012—2014年为第一个阶段，重心开始向东北方向移动，移动距离为1 027.9 m，移动偏转角度为东偏北50.09°；2014—2018年为第二个阶段，重心不断向南移动，2014—2016年移动距离为505.3 m，移动偏转角度为南偏西9.14°，2016—2018年移动距离为548.4 m，移动偏转角度为南偏东16.5°。民宿分布重心的不断南移，与北京市向东向南发展战略相关，城市发展方向的改变对民宿分布产生影响，导致民宿分布整体南移。
图2 北京市民宿标准差椭圆分布

Fig.2 Standard deviation ellipse of Beijing B&B

从北京市民宿空间分布特征来看，标准差椭圆覆盖范围逐步增大，且标准差椭圆由椭圆形向圆形变化。具体来看，2012年民宿分布以椭圆形分布为主，分布方向为东南至西北，2018年民宿分布由初始椭圆分布转向圆形分布，且分布范围逐渐扩大，表明民宿分布区域向着均衡化发展。

2.2 民宿空间集聚由快速向相对平稳转变

为探讨北京市各格网之间民宿分布是否存在相关性，运用GeoDa软件分别计算北京市2012、2014、2016、2018年全局莫兰指数（表1），可见各年指数均为正值，且通过显著性检验。2012—2018年民宿的空间自相关关系为显著的正相关，全局莫兰指数最高为0.6167。其中，2012—2014年莫兰指数上升至0.5361，空间异质性加强，表现为高高热点集聚区强化，空间集聚态势强劲。2014年是2012年莫兰指数的6.8倍，原因是2013年12月以后国家和北京市出台多项鼓励民宿发展的政策，加上人们消费理念和消费习惯的改变，使北京民宿迅猛发展。2014—2018年莫兰指数趋于平缓，维持原有水平，空间集聚态势趋于平稳，表明北京市民宿在迅猛发展后进入理性发展阶段。
表1 北京市民宿全局莫兰指数变动情况

Tab.1 Changes in Moran's index of B&B in Beijing

年份 2012 2014 2016 2018
Moran's I Z Moran's I Z Moran's I Z Moran's I Z
民宿 0.0786 7.7540 0.5361 52.5785 0.6167 56.5920 0.5598 51.5056

注：各年份p≤0.01，模型通过显著性检验。

2.3 民宿空间扩张呈跳跃式扩散与蔓延式扩展并存

选择ArcGIS中自然断裂点法对北京市民宿空间分布进行分级（图3），结果显示，北京市民宿空间演化可分为两个阶段和两种类型：①2012—2014年以跳跃式扩散模式为主。2012年民宿分布呈两主核心区和多个次级核心区，主核心区分别位于西城区（包括北海公园西部、金融大街、阜城门内大街、太平桥大街、西单北大街等区域）和东城区（包括东中街、东直门外大街等区域），次级核心区位于北京东站、朝阳区双井街道、朝阳区洼里乡等区域。这与城市功能相关，主核心区是行政中心和金融商务中心，次核心区承担交通枢纽、文化服务、科技服务功能，民宿为上述功能提供配套服务。2014年民宿核心区域范围明显向外扩张，外围地区呈现跳跃式扩散，而核心区呈现蔓延式扩展。主核心区向朝阳区与东城区交汇处方向（使馆区和商务中心集聚区）延伸尤为明显，表明商务中心和行政中心对民宿集聚产生积极影响，为民宿布局提供优选区位条件。②2014—2018年民宿以蔓延式扩展模式为主，伴有跳跃式扩散，呈现多中心分布特征。民宿不断向昌平、丰台、朝阳等区域扩散，核心区形成连片区，与外围地区空间分离。其原因，一方面是北京核心地带民宿趋于饱和，另一方面北京周围的环城休憩带和三城一区主平台的建设，优良的生态环境和科技创新产业为众多民宿选址提供契机。
图3 北京市民宿扩张核密度估计图

Fig.3 Estimated kernel density of B&B expansion in Beijing

3 民宿空间分异的影响因素

3.1 影响因素识别

已有研究表明民宿的选址和空间特征受基础条件、经济环境、资源禀赋、国家政策等多种因素的共同影响[21-25]。本研究认为在不同时间和空间下，影响因素存在差异，城市民宿分布的影响因素以区域环境和市场需求两大因素为主。区域环境包括：①社会经济基础。人口条件，一定量的人口规模或密度是旅游市场发展的基本条件，以常住人口密度来表示；人才指数，受教育程度较高的地区对于住宿的接受能力较高，以专科及以上受高等教育人口密度来表示；房价条件，房价对民宿短租房源价格的影响显著，房价的高低会影响民宿价格，以安居客的房价均值表示。②交通便捷度。交通是否便利很大程度上影响顾客对民宿的选择，是民宿区位优势和游客出行成本的重要体现。一般而言，距离中心越近通达性越好，公交车和地铁为游客出行的重要方式，对民宿发展起着重要作用。市场需求主要包括：①商业繁荣程度。餐饮店、购物设施、休闲娱乐设施、酒店等，不同类型商业的集聚可以满足客户在有限的入住时间内实现多种体验，提升商务和旅游效率。②公共服务水平。公共服务体系的完善有利于民宿质量的升级。金融服务作为保障体系，为国外游客的支付和为民宿主经营提供资金支撑和保障；旅游景区，旅游景区为民宿提供载体，对民宿布局会产生重要的影响。本文采用随机森林回归对影响因素以探索性分析为主，最终确定从社会经济基础、交通便捷度、商业繁荣度、公共服务水平四个维度选取12个具体指标定量分析北京市民宿空间分异的影响因素。
在数据处理上，根据民宿空间格局可能涉及的各类要素，形成多源异构数据（表2）。按照表2给出的统计方法和搜索半径，将12项指标赋值到每个格网中，并存入地理空间数据库。其中，社会经济属性数据提取步骤为：首先将统计数据赋值到行政区划的几何中心点上，然后通过Voronio图平均插值计算整个研究区域的整体趋势，最后采用空间链接将值赋到每个格网上。
表2 北京市民宿空间分布的重要因素变量选取和指标说明

Tab.2 The variable selection and indicator description of the spatial distribution of Beijing B&B

编码 名称 单位 统计方法 搜索半径（m） 含义/指标说明 来源
X1 人口密度 千人/km2 Voronio图平
均插值提取		 / 常住人口/面积 北京统计年鉴
X2 高等教育密度 千人/km2 Voronio图平
均插值提取		 / （专科、本科、研究院）毕业人数/面积 北京统计年鉴
X3 房价中值 万元/m2 Voronio图平
均插值提取		 / 安居客的高层、小高层楼盘（不含公寓、别墅） 安居客官网 https://beijing.anjuke.com/
X4 距市中心距离 km 欧式距离计算 / 以天安门为中心到格网中心的欧式距离 ArcGIS10.2 软件计算生成
X5 公交车站 个 空间搜索计数 500 北京公交站点 北京市公交官网www.bjbus.com/
X6 地铁站 个 空间搜索计数 500 北京地铁站点 北京市地铁集团有限公司官网 https://map.bjsubway.com/
X7 餐饮店 个 空间搜索计数 500 饭店、美食店、小吃店 天地图POI数据 http://www.tianditu.gov.cn/
X8 购物设施 个 空间搜索计数 500 购物中心、超市、便利店、土特产超市 天地图POI数据 http://www.tianditu.gov.cn/
X9 休闲娱乐 个 空间搜索计数 500 影院、KTV、台球厅、酒吧、健身馆、棋牌室、剧场等 天地图POI数据 http://www.tianditu.gov.cn/
X10 酒店 个 空间搜索计数 1 000 3星级及以上酒店、经济连锁酒店 北京市政务数据资源网 http://data.beijing.gov.cn/
X11 旅游景区 个 空间搜索计数 5 000 3A级、4A和5A级景区 北京市政务数据资源网 http://data.beijing.gov.cn/
X12 公园绿地 个 空间搜索计数 1 500 郊野公园、休闲公园、风景名胜公园等 北京市政务数据资源网 http://data.beijing.gov.cn/

3.2 随机森林回归结果分析

各自变量的重要性可通过importance函数进行计算，得出精度平均减少值（%IncMSE）和节点不纯度平均减少值（IncNodePurity）两种重要性评价指标。其中，精度平均减少值（%IncMSE），指将随机变量取值后进行随机模型估算相对于原来误差的升高幅度，%IncMSE值越大，表明选取的变量越重要。节点不纯度减少值（IncNodePurity），是指该变量对各个决策树节点的影响程度，IncNodePurity值越大，说明该变量越重要。
通过varImPlot函数包计算影响因素的精度平均减少值（%IncMSE）和节点不纯度平均减少值（IncNodePurity）的排序情况（图4）。以精度平均减少值（%IncMSE）方法为例，可知各时间段民宿密度受人口密度（X1）、高等教育密度（X2）、距市中心距离（X4）、公交车站点（X5）、旅游景区（X11）影响显著。首先，高等教育密度高的区域工作和居住环境较好，人们的市场意识、经营理念更新快，对民宿的接纳与认同感强，有利于民宿的开发和经营，从而导致民宿集聚。其次，人口密度对民宿集聚产生影响，其影响具有复杂的非线性特征，具体表现将在下一段落加以说明。此外，旅游景区对民宿分布的影响也较为显著，旅游景区对游客有吸引力，为民宿带来大量的潜在客源，促进民宿的发展。距离作为地理学重要的解释因素，以实际情况来看，北京市的圈层环状结构对北京市发展形态和通达性产生影响，距离市中心越远，通达性相对越差。公交作为实现游客与民宿无缝衔接的重要工具，公交车站点较多的地区通达性好，往往客流量和人流量也较大，民宿分布较多。
图4 民宿空间格局影响因子重要性排序图

Fig.4 Importance ranking of factors affecting the B&B spatial pattern

通过partialPlot函数包计算自变量与民宿密度的偏依赖关系，以揭示各因素与民宿密度的非线性关系（图5）。通过图5可知各影响因素对民宿密度的影响呈现复杂非线性特征。人口密度与民宿密度的复杂非线性关系表现为在不同的人口密度下两者的相关性不同。当各年份人口密度低于2万人/km2时，民宿与人口密度线性关系不明显；当人口密度高于2万人/km2时，两者线性关系呈正相关关系，对民宿发展具有促进作用。高等教育密度对民宿分布的影响程度不同。当高等教育密度低于1.5万人/km2时，对民宿密度影响较弱，对民宿密度提高不明显；当高等教育密度位于2万人/km2附近（1.8~2.2万人/km2）时，对民宿密度提高影响最为明显；高等教育密度高于2.2万人/km2时，对民宿密度提升不明显。房价中值与民宿密度呈现非线性起伏关系，无法用简单线性关系描述。
图5 影响因子对民宿分布的偏依赖关系

Fig.5 The partial dependence of influence factors on the distribution of B&B

此外，距市中心距离与民宿密度关系在不同距离下呈现出不同的作用方式，当距离小于5 km时（二环内），民宿密度基本维持不变，当距离大于5 km时（二环外），呈负相关关系，距离衰减效应明显。公交车站点数与民宿密度呈正相关关系，北京市公交日均客运量826.65万人次，直接或间接链接267个小区，对改善民宿区位条件发挥积极影响。地铁站为2个以内时，正向关系显著，北京市有22条地铁线路，日均客流1 241.1万人次，间接表明地铁站对民宿区位选择有较强的影响。餐饮店、购物设施、休闲娱乐对民宿密度的影响关系也不一致，在不同年份、不同值域内非线性波动明显，体现不同商业环境对民宿分布有影响。酒店对民宿分布的影响作用也比较复杂，当民宿周围酒店密度在0~5个/km2时，民宿密度呈现增加趋势，当酒店密度大于5个/km2时，民宿密度基本维持不变，表明酒店数量的增加一定程度上抑制民宿的发展。在2014、2016、2018年的随机森林模型中，民宿密度随着旅游景区、公园绿地的增加而上升，在不同值范围内呈现小幅波动，表明旅游资源开发和公园绿地建设能够刺激民宿发展，北京市拥8家5A级景区，72家4A级景区，110家3A级景区，吸引着大量的游客，为景区周边的民宿带来庞大的客源，所以民宿分布与景区呈正相关，另外，公园绿地环境优美舒适幽静，能提供轻松休闲、惬意怡然的入住感受，也是民宿选址的重要因素。

4 民宿空间分异预测

4.1 模型检验

随机森林模型不仅能够对民宿密度与解释变量之间复杂非线性影响机制进行解释，而且也能支持高精度的民宿空间分布预测制图。在对北京市未来民宿空间分布预测之前，需对随机森林模型精度检验情况进行说明，以验证模型在不同年份下的稳定性。由图6可知，模型拟合优度和平均绝对误差随着时间而变化。从拟合优度来看，年均模型为R2=0.8521-0.9133，吻合程度高，年均绝对误差为MAE=0.0536-3.9042，误差小，说明模型稳定、精度可靠。
图6 总样本实测值和预测值散点图

Fig.6 Scatter plot of measured and predicted values of total samples

4.2 民宿空间模拟制图

通过表2的影响因素指标体系，利用R语言随机森林模型中的predict函数对北京市民宿空间分布进行模拟，采用自然断裂点方法对民宿空间分布预测结果进行分级，并进行可视化表达（图7）。
图7 基于随机森林模型的民宿空间分布预测

Fig.7 Spatial distribution simulation of B&B based on random forest model

通过图7的预测结果可知：第一，北京市民宿分布的“核心—边缘”结构更加明显，在东城区和中关村科技园区民宿集聚性更强，且未来民宿由中心向外围蔓延的趋势更加明显。第二，未来民宿分布呈现出以地铁为导向的交通廊道效应，随着北京市交通环境的不断改善，民宿对城市优位空间选择更加明显，同时也是北京城市发展战略背景下城市内部产业空间重构的缩影。第三，民宿空间分布预测图与《北京城市总体规划（2016—2035年）》和北京市14个分区规划图进行对比[30]，发现民宿空间预测图谱均围绕北京市总体规划所划定的生态环境安全控制区、风景旅游用地区等禁建区、限建区的周边布局，符合城市建设用地、村镇建设用地及各土地类型开发利用性质，充分体现规划要素对预测结果的影响。

5 结论与讨论

5.1 结论

第一，北京市民宿分布重心移动轨迹呈“倒V”字型结构，重心先向东北后向南移动，重心不断南移与北京市实施第三轮城南行动计划有关。民宿分布方向由东南—西北向椭圆形分布，向四周均匀的圆形分布演变，表明民宿的空间分布格局已基本形成，并趋于稳定。第二，初期北京市民宿呈零星状分布，随着相关政策的实施，民宿得到快速发展，数量越来越多，民宿空间集聚明显，后期民宿空间集聚趋于平稳。第三，北京市民宿空间扩张是一个动态过程，前期呈现双核心结构，以东城区和西城区分布为主，与政治、金融、科技创新等相关因素有关。后期呈现多中心结构，向昌平、丰台等区域扩张，这些区域凭借生态环境和科技创新成为民宿扩散的新目标区位。第四，影响北京市民宿时空分布格局的主要因素有人口密度、高等教育密度、距市中心距离、公交站点、旅游景区，且各要素对民宿分布影响具有时间尺度上的依赖性、非线性、复杂性特征。此外，房价中值、地铁站、餐饮店、购物设施、休闲娱乐、公园绿地在不同时间尺度、不同密度下对民宿密度影响不同。第五，随机森林模型能够精准地模拟未来民宿空间分布，拟合精度高达0.9133，根据未来发展趋势，有关部门可以针对民宿进行管理和调控。

5.2 讨论

首先，北京市民宿的房源，较多分布在各小区，以公寓、民宅、四合院的形式进行经营。一项对曼哈顿的研究证实，社区内民宿适当发展对社区绅士化的进程产生积极影响，过度发展则会影响邻里环境，引发社区内部冲突等消极影响[31]，北京市东城区和中关村科技园区民宿集聚究竟会产生何种影响值得进一步关注。其次，在民宿刚兴起的城市或者过度发展的城市，有关部门可以根据本研究所提出来的预测框架，根据影响因子在不同阈值内的作用方式，寻找影响民宿分布最核心的因素，根据影响因子阈值的作用方式有针对地对民宿进行管理和调控，同时也为民宿业主寻找最优区位提供理论支持。此外，该理论框架可以为酒店业、餐饮业等不同业态研究提供参考。
由于数据的可获取性，本研究所采集的影响因素POI数据为2018年时间节点，并未按照2012、2014、2016、2018年时间断面获取，这会对影响因素的分析有一定影响。此外，民宿影响因素的指标选取欠全面，政策因素、游客消费偏好和民宿经营者特征等因素有待进一步挖掘。互联网营销尤其是自媒体的出现，给民宿向个性化推广和宣传提供了发展空间。随着民宿行业发展的不断深入，民宿热背后的问题也暴露出来，如缺乏评价标准、发展过快、布局不合理、同质化严重、缺乏文化特色等。当前迫切需要地理学者从多学科、多层次、多尺度对民宿业进行深入探究，促进民宿业健康有序发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
钟栎娜. 2019中国大陆民宿业发展数据报告[R]. 第九届海峡两岸观光旅游研讨会及民宿旅游发展高峰论坛,2019-11-09.

[2]
Donald Getz, Tage Petersen. Growth and profit-oriented entrepreneurship among family business owners in the tourism and hospitality industry[J]. International Journal of Hospitality Management, 2005, 24(2):219-242.

[3]
Guttentag D, Smith S, Potwarka L, et al. Why tourists choose Airbnb:A motivation-based segmentation study[J]. Journal of Travel Research, 2018, 57(3):342-359.

[4]
Ert E, Fleischer A, Magen N. Trust and reputation in the sharing economy:the role of personal photos in Airbnb[J]. Tourism Management, 2016, 55:62-73.

[5]
Masiero L, Yang Y, Qiu RTR. Understanding hotel location preference of customers:comparing random utility and random regret decision rules[J]. Tourism Management, 2019, 73:83-93.

[6]
Hudson S, Gilbert D. The internet and small hospitality businesses:B&B marketing in Canada[J]. Journal of Hospitality & Leisure Marketing, 2006, 14(1):99-116.

[7]
Quattrone G, Greatorex A, Quercia D, et al. Analyzing and predicting the spatial penetration of Airbnb in U.S. cities[J]. EPJ Data Science, 2018, 7(1):31-37.

[8]
Li M, Fang L, Huang X, et al. A spatial-temporal analysis of hotels in urban tourism destination[J]. International Journal of Hospitality Management, 2015, 45:34-43.

DOI PMID

[9]
Cindy Yoonjoung Heoa, Inès Blala, Miju Choib. What is happening in Paris?Airbnb,hotels,and the Parisian market:Acase study[J]. Tourism Management, 2019, 70:78-88.

DOI

[10]
Wanhill S. Small and medium tourism enterprises[J]. Annals of Tourism Research, 2000, 27(1):132-147.

[11]
Adamiak C. Mapping Airbnb supply in European cities[J]. Annals of Tourism Research, 2018, 71(c):67-71.

[12]
Gutierrez J, Garcia-Palomares J C, Romanillos G, et al. The eruption of Airbnb in tourist cities:Comparing spatial patterns of hotels and peer-to-peer accommodation in Barcelona[J]. Tourism Management, 2017, 62:278-291.

[13]
Wegmann J, Jiao J F. Taming Airbnb:toward guiding principles for local regulation of urban vacation rentals based on empirical results from five US cities[J]. Land Use Policy, 2017, 69:494-501.

[14]
Xu F F, Hu M X, La L Q, et al. The influence of neighbourhood environment on Airbnb:a geographically weighed regression analysis[J]. Tourism Geographies, 2019, 22(1):192-209.

[15]
吴晓隽, 于兰兰. 民宿的概念厘清、内涵演变与业态发展[J]. 旅游研究, 2018, 10(2):84-94.

[16]
闵忠荣, 洪亮. 民宿开发:婺源县西冲传统村落的保护发展规划策略[J]. 规划师, 2017, 33(4):82-88.

[17]
蒋佳倩, 李艳. 国内外旅游“民宿”研究综述[J]. 旅游研究, 2014, 6(4):16-22.

[18]
张海洲, 虞虎, 徐雨晨, 等. 台湾地区民宿研究特点分析——兼论中国大陆民宿研究框架[J]. 旅游学刊, 2019, 34(1):98-114.

[19]
何景明. “农家乐”发展中政府的“缺位”与“越位”[J]. 旅游学刊, 2006, 21(3):11-11.

[20]
胡敏. 乡村民宿经营管理核心资源分析[J]. 旅游学刊, 2007, 22(9):64-69.

[21]
吴晓隽, 裘佳璐. Airbnb房源价格影响因素研究——基于中国36个城市的数据[J]. 旅游学刊, 2019, 34(4):13-28.

[22]
刘颖洁. 中美在线民宿短租购买意愿影响因素比较[J]. 经济地理, 2020, 40(1):234-240.

[23]
王珺玥, 马妍, 沈振江, 等. 厦门市民宿空间分布特征及空间布局优化思考[J]. 规划师, 2019, 35(1):71-76.

[24]
张海洲, 陆林, 张大鹏, 等. 环莫干山民宿的时空分布特征与成因[J]. 地理研究, 2019, 38(11):2695-2715.

DOI

[25]
龙飞, 刘家明, 朱鹤, 等. 长三角地区民宿的空间分布及影响因素[J]. 地理研究, 2019, 38(4):212-222.

[26]
麻学锋, 刘玉林. 旅游产业成长与城市空间形态演变的关系——以张家界为例[J]. 经济地理, 2019, 39(5):226-234.

DOI

[27]
王新越, 曹婵婵. 青岛市居民休闲与居住空间结构及其匹配关系[J]. 经济地理, 2019, 39(9):156-163.

DOI

[28]
浩飞龙, 杨宇欣, 李俊璐, 等. 基于零售行业与消费者行为的城市商圈特征——以长春市重庆路、红旗街、桂林路为例[J]. 经济地理. 2019, 39(12):138-146.

DOI

[29]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32.

[30]
北京市人民政府. 北京城市总体规划(2016年-2035年)[EB/OL]. http://www.beijing.gov.cn/zfxxgk/ftq11GJ20/gh32j/2019-05/17/content1c5698489dfc415098b44d8debb17e6c.shtml,2019-06-10.

[31]
Murray Cox. The face of Airbnb,New York city Airbnb as a racial gentrification tool[R]. Airbnb: A report by Murray Cox of Inside Airbnb, 2017-03-01.

Options
文章导航

/

〈 〉