EN中文

Economic geography >

2021 , Vol. 41 >Issue 11: 232 - 240

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.11.026

Spatial Pattern Difference and Influencing Factors of Hospitality Industry in Shanghai：A Comparative Analysis Based on Traditional Hotels and Shared Accommodations （Airbnb）

  • ZHAO Hairong , 1 ,
  • LU Lin , 2, ※
Expand
  • 1. School of Tourism Management，Sun Yat-sen University，Zhuhai 519000，Guangdong，China
  • 2. School of Geography and Tourism，Anhui Normal University，Wuhu 241002，Anhui，China

Received date: 2021-03-12

  Revised date: 2021-08-15

  Online published: 2025-04-03

Fold

Abstract

This study used Kernel density analysis,spatial autocorrelation and regression analysis to explore the spatial distribution characteristics,spatial differentiation and influencing factors of Airbnb and traditional hotels in Shanghai. The results show that: 1) Both the Airbnb and the traditional hotels in Shanghai present obvious spatial agglomeration distribution,which follows the First Law of Geography and have obvious urban-centered characteristic. Airbnb shows the single-core characteristic,while traditional hotel has the multi-core characteristic; 2) Airbnb has spatial similarity with five-star hotels,while three-star hotels have spatial consistency with budget chain hotels; 3) Airbnb in Shanghai relies on traditional hotels in spatial distribution and tends to be distributed around traditional hotel,indicating that the spatial pattern of the traditional accommodation industry has a certain influence on the spatial distribution of Airbnb. 4) The factors influencing the distribution pattern mainly include: traffic access and business environment,but there is difference in the correlation between these factors of Airbnb and traditional hotels,and tourism factors have no significant influence on the spatial distribution of Airbnb. This study provides the theoretical and scientific basis for urban tourism space optimization. Moreover, this research builds up a reference for the spatial layout of the accommodation industry,especially the Shared accommodations after the epidemic.

Key words： Airbnb; traditional hotel; budget chain hotels; spatial pattern; star hotel; traffic accessibility

Cite this article

ZHAO Hairong , LU Lin . Spatial Pattern Difference and Influencing Factors of Hospitality Industry in Shanghai：A Comparative Analysis Based on Traditional Hotels and Shared Accommodations （Airbnb）[J]. Economic geography, 2021 , 41(11) : 232 -240 . DOI: 10.15957/j.cnki.jjdl.2021.11.026

互联网、大数据、个人通讯终端的技术革新不断推动着新的旅游商业模式的出现，塑造了新的地域空间格局[1]，促使共享住宿（Airbnb）等新业态产生并对城市住宿业态结构产生重大影响[2]。Airbnb已经在全球191个国家超过6万多个城市进行布局[3]，成为住宿业的重要组成部分。住宿业的空间位置直接影响到酒店经营的成功[4⇓-6]。目前关于传统住宿业的空间布局研究成果较多[7⇓⇓⇓-11]，主要存在以下四种空间分布模式：一是旅游历史名城模式[13]；二是单中心模型[14]；三是集聚模型[15⇓-17]；四是多维模型[18]。Airbnb作为住宿业新秀，既有研究较多集中于Airbnb管理方式的探讨[19⇓⇓-22]，Airbnb新模式兴起对传统酒店的影响[3,23⇓-25]，Airbnb发展规模预测[26⇓-28]，顾客动机、感知体验以及主客互动[29⇓⇓⇓⇓⇓⇓⇓-37]等，对于Airbnb在城市内部的空间分布关注略显不足。尽管有学者注意到了Airbnb在空间分布上的特征[2,38-39]，但基本上是对Airbnb这一新的地理空间现象的阐述，并未深入探讨其与传统住宿业之间的空间关联性。与传统酒店相比，Airbnb在经营模式、区位选择、房源选择等要素上的不同直接导致空间配置模式的差异。在传统酒店内部，已有文献表明星级酒店与经济型连锁酒店之间在空间分布上也具有一定差异[40⇓-42]。因此对Airbnb和传统住宿业空间分布差异研究具有一定的理论基础。此外，受疫情冲击，2020年春节假期间全国酒店入住率下滑70%~80%。截至2020年6月，国内低端/非标酒店数量减少8.8万家，行业总供给减少10.1万家[43]，原有城市住宿业空间结构的研究可为后疫情时代住宿业空间布局提供参考。
纵观以往研究，尚存在以下不足：①Airbnb在旅游城市空间上的分布特点在综合性或者一般性城市的空间表现是否一致，值得进一步探讨。②传统住宿业和Airbnb的空间分布差异并未得到应有关注，其在空间分布上具有怎样差异，两者之间是否存在空间依赖性，影响两者空间分布的因素如何，亟待厘清。③传统住宿业内部不同类型酒店与Airbnb的空间分布关系如何，以往研究关注较少。④Tobler地理学第一定律指出：任何事物与别的事物之间都是相关的，但近处的事物比远处的事物的相关性更强[44]。Airbnb作为新兴的空间地理要素，其与传统住宿业内部以及各不同等级酒店之间的空间关系是否遵循着这一地理学定律，还需进一步探讨。
鉴于上述思考，本文将星级酒店（三星级以上）、经济型连锁酒店等视为传统酒店，将Airbnb视为新兴住宿业，深入剖析和比较三者在城市内部的空间分布特点、空间关联特征和空间差异，以及与城市游憩场点、商业场所等游憩空间的依附关系，揭示不同模式住宿业区位选择的影响因素。理论上，对已有共享住宿业空间分布和既有地理学理论进行验证和拓展，丰富新兴住宿业空间分布模式的研究，有助于理解新地理要素介入下城市旅游空间的复杂关系；实践上，能够为城市住宿业的空间优化和协同发展提供科学参考，为疫情后城市住宿业的空间重振提供依据。

1 研究区概况、数据来源和研究方法

1.1 研究区域

上海市总面积6 340 km2，是长江三角洲城市群的中心城市。2018年，上海市共接待入境游客893.71万人次，其中过夜游客742.04万人次，城市住宿业类型多样、消费规模大，已经集聚了大量的Airbnb、星级酒店、经济型连锁酒店住宿设施，住宿业市场发展具有典型性。2016年10月26日，Airbnb与中国（上海）自由贸易试验区世博管理局签订了战略合作备忘录，将会对上海城市旅游住宿业发展产生战略影响。

1.2 数据来源

Airbnb数据主要来源于官方网站，通过数据挖掘采集到Airbnb官网中所有上海Airbnb房源的地理位置信息（包括经纬度坐标和具体地址）、开业时间以及房源床位数。在此基础上对获得数据进行清洗，删除重复房源，选取房源中最多床位数作为实际使用数据。传统住宿业数据来源于携程网，其合作酒店超过32 000家，能够提供与Airbnb数据信息相比对的指标信息。考虑到样本代表性和上海市住宿业现状，采集上海市星级酒店（三星级及以上）和经济连锁型酒店（锦江之星、汉庭、布丁、7天、格林豪泰、如家、速8、海友、莫泰168、Q+、怡莱、城市便捷）的具体位置信息（包括经纬度坐标和具体地址）、开业时间以及每个酒店房间数等。截止时间为2017年12月31日，共采集星级酒店1 252家，经济型连锁酒店979家，通过Airbnb官网采集上海市Airbnb房源数目1 500个，酒店分布如图1。Airbnb和传统酒店的比例为1.0∶0.8∶0.7，规模大致相当、样本较为适宜。
图1 样本分布图

Fig.1 Spatial distribution of simples

1.3 研究方法

1.3.1 核密度估计

核密度估计法能够计算每个输出栅格像元周围的点要素密度，可用于考察点数据的空间分布趋势[45]。公式为：
f x = 1 n h d ∑ i = 1 n K s - c i h
式中： K 为核密度函数； h（>0）为带宽； s表示估计点位置； c i表示样本点位置； s - c i表示估计点到样本点的距离； n表示带宽内的点数； d表示数据的维度。

1.3.2 探索性空间数据分析（ESDA）

①全局自相关。全局自相关主要是用于考察空间整体相关性，常用Moran's I指数来测量[46]。
②局部自相关。局部自相关主要是用于弥补全局自相关带来的空间局部不平稳，识别空间中的奇异值，常用Moran散点图和LISA图呈现[47]。
③双变量空间自相关。双变量空间自相关可以用来探索区域某一变量值与其邻域另一变量的空间关系[48]。

1.3.3 全子集回归分析（Subset Regression）

全子集分析是基于不同自变量的所有可能的组合方式，对缩减后的变量组合通过最小二乘法进行拟合，在所有可能的模型中选择一个最优模型[49]。本研究中使用R软件进行全子集分析回归。

2 Airbnb和传统酒店空间格局及差异

2.1 空间分布特征及差异

采用核密度分析工具，测度上海市Airbnb、星级酒店（三星级及以上）和经济型连锁酒店的空间分布核密度并可视化（图2）。
表1 上海市Airbnb、星级酒店和经济型连锁酒店空间分布特征

Tab.1 Spatial distribution characteristics of Airbnb，star hotels and budget chain hotels in Shanghai

空间分布范围 空间分布特点
Airbnb 以上海市中心城区（外环线以内）为主 具有明显的分布密集区域，呈团块状分布
星级酒店 集中在上海市中心城区（外环线以内）、浦东新区以及青浦区、松江区和闵行区交界处 斑块状分布和多核心分布特征
经济型连锁酒店 范围较广，各区均有分布 呈现片状分布和多核心分布特点
图2 上海市Airbnb、星级酒店和经济型连锁酒店空间核密度分析

Fig.2 Kernel density analysis of Airbnb，star hotels and budget chain hotels in Shanghai

上海市Airbnb呈现出明显的密集和分散区，集聚程度显著，成团块式分布。集聚区域主要集中在上海市中心城区（外环线以内）、浦东新区以及青浦区、松江区和闵行区交界处，次级集聚区主要位于主要集聚区域周围，形成团状分布态势。这与相关学者对于Airbnb在城市空间分布的分析结果较为一致，均呈城市中心分布特点[2,50]。
上海市星级酒店（三星级及以上）分布范围较广，总体上表现出斑块状分布和多核心分布特征。其中以上海市中心城区（外环线以内）和浦东新区集聚程度最高，嘉定区、青浦区、松江区、奉贤区、南汇区、闵行区的中心政务区也出现小范围集聚，次级集聚区主要集中于主要集聚区周边，集聚程度从中心向外围衰减。
上海市经济连锁酒店分布范围也较大，总体上呈片状分布和多核心分布特点。主要集中分布于上海市中心城区（外环线以内），集聚程度明显低于星级酒店，且存在多个集聚中心。松江区、闵行区、嘉定区的政务中心区也存在小范围集聚。
进一步将星级酒店按照星级划分为三星级酒店、四星级酒店和五星级酒店，使用核密度分析进行可视化（图3）。通过对比图2可发现，五星级酒店的空间分布和Airbnb空间分布存在较高相似性，基本上集聚在上海市的中心城区以及周边地区；三星级酒店和经济型酒店在空间分布上具有较高相似性。说明不同星级酒店内部与Airbnb空间分布上存在异同，Airbnb在空间更倾向于与五星级酒店布局在一起。鉴于五星级酒店主要集中于城市中心，这可能是Airbnb在城市空间的分布规律所致，即Airbnb会随着时间的推移由中心区扩散到周边地区[57]。
图3 三星级、四星级和五星级酒店空间核密度分析

Fig.3 Kernel density analysis of three-star hotel，four-star hotel and five-star hotel

2.2 空间分布格局及差异

2.2.1 空间集聚特征及差异

利用ArcGIS软件计算上海市Airbnb、星级酒店以及经济型连锁酒店全局自相关指数，上海市Airbnb、星级酒店和经济型连锁酒店的Moran's I值分别为0.437、0.371和0.302，且均通过了显著性水平检验。表明Airbnb和星级酒店均具有明显正的空间自相关性，呈现出集聚分布态势，但Airbnb的全局自相关指数明显高于星级酒店和经济型连锁酒店，说明Airbnb的空间集聚程度高于星级酒店和经济型连锁酒店。
表2 全局自相关分析

Tab.2 Global autocorrelation analysis

Airbnb 星级酒店 经济型连锁酒店
全局自相关指数（Moran's I） 0.437 0.371 0.302
Z-value 12.302 8.627 10.605
为了进一步探讨Airbnb、星级酒店和经济型连锁酒店分布是否存在空间一致性，利用ArcGIS软件，计算上海市Airbnb星级酒店和经济型连锁酒店住宿业空间的LISA值，并绘制LISA分布图（图4）。
图4 上海市Airbnb、星级酒店和经济型连锁酒店单变量LISA 集聚图

Fig.4 LISA cluster map of Airbnb，star hotels and budget chain hotels in Shanghai

Airbnb空间分布存在明显的高高（HH）、低高（LH）区和高低（HL）区，高高（HH）区主要集中分布在黄浦区、静安区、徐汇区、浦东新区以及虹口区和长宁区的核心区域，低高（LH）区主要集聚在青浦区的凤溪镇和诸瞿镇、浦东新区的合庆镇和塘镇，高低（HL）区集中于嘉定区安亭镇。黄浦区、静安区、徐汇区等的核心地带，商业繁华，是Airbnb的集聚地。同时位于黄浦区的豫园、南京东路街区，这里汇聚了多处具有历史文化遗产价值的老建筑，成为Airbnb空间分布热点区域。浦东新区的部分镇区也有大量Airbnb集中分布。高低（HL）区集中分布的区域位于原黄渡镇，距上海市中心27 km，离虹桥国际机场17 km，交通条件较好。部分低高（LH）区域处于Airbnb分布集聚区边缘，表明Airbnb空间分布也存在一定程度的距离衰减现象。
上海星级酒店空间分布存在明显的高高（HH）区和低低（LL）区，低高（LH）区和高低（HL）区不明显。星级酒店在黄浦区、静安区、青浦区、闵行区以及浦东新区核心区域存在高高（HH）空间相关性，分布范围与城市商业中心、上海国际旅游度假区以及机场火车站点分布总体一致。在松江区、金山区、浦东新区部分区域以及崇明区大部分区域存在低低（LL）空间相关性，主要集中连片分布于上海市边缘地带，低低（LL）区范围显著大于Airbnb。低高（LH）区主要散布于高高（HH）区附近，高低（HL）区主要集中于金山区。
上海市经济型连锁酒店空间分布具有显著的高高（HH）区和低低（LL）区，且高高（HH）区和低低（LL）区呈一定程度的片状分布。高高（HH）区在浦东新区的空间分布范围与星级酒店存在一定相似性，在上海国际旅游度假区和虹桥交通枢纽附近成高高（HH）集聚。此外，经济型连锁酒店空间分布的高高（HH）区集中于上海市中心城区（外环线以内）的外围。低低（LL）区集中在上海市的南部边缘地区和崇明区。低高（LH）区主要分布在高高（HH）区内部和外围，高低（HL）区集中于位于低低（LL）区内部。

2.2.2 空间影响关系和依赖性

为进一步探究上海Airbnb和星级酒店、经济型连锁酒店住宿业空间影响关系和空间依赖性，对Airbnb和星级酒店、Airbnb和经济型连锁酒店的空间分布进行双变量局部空间自相关分析。
上海市Airbnb和星级酒店空间分布存在显著的高高（HH）区、低低（LL）区，且低低（LL）区范围显著大于高高（HH）区。Airbnb和星级酒店空间分布呈高高（HH）相关的区域主要集中在黄浦区的外滩周边、虹口区、静安区和长宁区的大部分区域，属于上海市商业活动最繁华和密集的地方。此外，浦东新区中，上海迪士尼所在区域也是Airbnb和星级酒店呈高高（HH）分布的地方。在高高（HH）相关区域周边，形成了低高（LH）集聚区，浦东新区尤为明显。低低（LL）区主要集中于上海市的南部边缘地区和崇明区大部分地区。说明上海市Airbnb和星级酒店空间分布具有一定程度的空间影响，呈现出一定的空间依赖性。
上海市Airbnb和经济型连锁酒店在空间上形成了显著的高高（HH）区、低低（LL）区和低高（LH）区。高高（HH）区主要分布在浦东新区和虹桥综合交通枢纽地区，体现出Airbnb和经济型连锁酒店在区域内存在空间依赖性。低低（LL）区在分布范围上和Airbnb和星级酒店基本一致，主要集中于上海市的南部区域，崇明区基本被低低（LL）区覆盖。与Airbnb和星级酒店空间关系相同的是，Airbnb和经济型连锁酒店空间分布的低高（LH）区均集中于高高（HH）区周边（图5）。
图5 上海市Airbnb和星级酒店、经济型连锁酒店双变量LISA 集聚图

Fig.5 Bivariate LISA clustermap of Airbnb and star hotels，Airbnb and budget chain hotels

通过双变量空间自相关的计算和可视化表达，上海市Airbnb和星级酒店以及经济型连锁酒店在空间分布上存在一定程度的空间依赖性。

3 Airbnb和传统酒店空间格局成因分析

3.1 变量的选取

将星级酒店和经济型连锁酒店作为传统酒店的代表，与Airbnb进行比较分析。交通条件的便利程度是影响住宿业布局的重要因素，有研究表明酒店周边道路密度越高，酒店越集聚，也有研究表明位于城市外围的酒店倾向布局在接近地铁站的区域[8,51]。为了满足住客需要，住宿业倾向于布局在基础设施较为完备的区域[9]。商业和配套设施完善，可为住宿业空间布局提供更多区位选择[8-9]。由于上海是国际经济和金融中心，商务往来活动较多，公司企业聚集会对住宿产生一定需求，因此一定程度上企业公司对住宿业空间分布存在影响。Airbnb以互联网平台为媒介，以居住小区作为运营载体的商业模式，居民区数量是Airbnb分布的重要动因[2]。随着城市旅游的不断发展和繁荣，为了满足城市旅游者的需求，周边景点的数量和距离已经在住宿业布局中发挥了一定作用，一般景点数量越多、距离景点越近，住宿业分布较为集中[2,8]。
结合相关研究成果，充分考虑数据的可获得性，同时兼顾Airbnb、星级酒店和经济型酒店的特点，通过地理编码获取相关POI数据，POI数据作为影响因素进行分析已经在相关研究中得到很好地运用[2,40]。使用1 km范围内地铁站数量、2 km半径内的道路密度、1 km范围内商业中心数量、1 km范围内写字楼数量、1 km范围内酒店数量、1 km范围内企业公司数量、1 km范围内居民区数量、1 km范围内商场超市数量、1 km范围内餐馆数量、1 km范围内旅游景点数量作为可能影响Airbnb和传统酒店空间格局的因素。结合实际情况，将1 km范围内旅游景点数量作为旅游因素，将1 km范围内地铁站数量和2 km半径内的道路密度作为交通通达性因素，将1 km范围内商业中心数量、酒店数量、写字楼数量、企业公司数量、居民区数量、商场超市数量、餐馆数量作为商业环境因素（表3）。
表3 住宿业空间格局解释变量及说明

Tab.3 Variables and explanation for location of accommodation industry

影响因素 变量 变量释义
旅游因素 旅游景点 1 km范围内旅游景点数量
交通通达性 道路密度 2 km半径内的道路密度
地铁 1 km范围内地铁站数量
商业环境 商业中心 1 km范围内商业中心数量
酒店 1 km范围内酒店数量
写字楼 1 km范围内写字楼数量
企业公司 1 km范围内企业公司数量
居民区 1 km范围内居民区数量
商场超市 1 km范围内商场超市数量

3.2 结果分析

以街道为地理单元，将床位数量作为因变量，以各影响因素为自变量，使用全子集回归分析分别对上海市传统住宿酒店和Airbnb的空间格局影响因素进行分析。在进行分析之前对影响因素的共线性进行解决，限制方差膨胀系数（VIF）<10作为标准，Airbnb和传统酒店影响因素的共线性见表4。由于共线性的问题，对一些变量进行剔除。进一步对保留因素进行全子集回归分析，分析结果见表4所示。2个模型调整后的R2分别为0.88和0.63，解释变量具有较高的显著性，说明模型拟合度较好。其中共同影响Airbnb和传统酒店空间分布的因素主要有1 km范围内企业公司数量和2 km范围内的道路密度，但影响程度存在差异。此外1 km范围内的酒店数量对Airbnb有一定影响，1 km内商业中心数量、旅游景点和居民区数量对传统酒店有一定影响。
表4 全子集回归分析结果

Tab.4 Results of full subset regression analysis

解释变量 VIF 系数 P
Airbnb 企业公司数量 8.55 6.85 <0.001
道路密度 4.94 -7.15 <0.001
酒店数量 1.49 18.26 <0.001
调整后的R2 0.88
传统酒店 企业公司数量 4.01 6.25 <0.01
道路密度 1.56 0.54 <0.01
商业中心数量 3.45 0.62 <0.001
旅游景点数量 4.52 2.99 <0.001
居民区数量 4.67 -0.96 <0.001
调整后的R2 0.63

3.2.1 旅游因素的影响

旅游景区作为城市的重要吸引物，是城市旅游的重要载体，其地理位置对住宿业的影响较为显著，进一步验证了已有的研究结果[2,39]。根据分析结果，旅游景点数量对传统酒店空间分布存在显著的正向影响，从影响系数来看，旅游景点对传统酒店的影响较大，仅次于企业公司的影响，回归系数接近3。与以往研究结果不同的是，旅游景点对Airbnb的空间分布影响并不显著，这可能是所选研究区域的差异性造成，上海从正式意义上来说不是一个以旅游作为主要产业的城市，而且从图中可以看出，Airbnb在城市中心区集聚显著，这一区域虽然是上海部分知名景点所在地，如外滩、东方明珠、南京路等，但是这些区域也是其他商业中心、企业公司高度集聚的区域，因此旅游景点的影响并不凸显。

3.2.2 交通通达性的影响

从模型分析结果来看，2 km范围的道路密度对上海市Airbnb空间分布具有较强的负向影响。尽管从空间分布密度上看，Airbnb集中分布在上海市主城区，但是Airbnb作为民宿型酒店，一般是以居民区为实物空间载体，而居民小区相对离闹市区有一定距离，道路密度相对低于闹市区。此外，Airbnb属于特色型住宿类型，旨在为顾客提供舒适安静的住宿环境，因而Airbnb倾向于远离道路密度较高的地段。2 km范围的道路密度对传统酒店空间分布存在较为显著的正向影响。正如前文所述，酒店的地理位置是一个酒店经营成功与否的关键，而评价一个酒店地址位置的优越性关键在于其交通可达性，尽管上海市的公共交通系统很发达，但是很大程度上传统酒店还是依赖于传统的靠近道路系统发达的区域，便于汽车通行。

3.2.3 商业环境的影响

商业环境中1 km范围内企业公司数量对上海市Airbnb和传统酒店空间分存在较强的正向影响。上海市作为国际金融和贸易中心，跨国公司和大型企业聚集，商务人员之间交往频繁，住宿需求较大，因此Airbnb和传统酒店为了吸引企业公司所集聚的商务人士，在此区域布局以分享客源，增加经营客流和收益。商业环境中1 km范围内酒店数量对上海市Airbnb具有较大的正向影响，表明两者之间存在较高的空间依赖性，这和上文中的研究结果相印证。商业中心对传统酒店空间分布具有一定正向影响。传统酒店的地理布局一直是其经营的关键因素，以顾客为导向的住宿业发展，需满足顾客需求，商业中心是现代生活中的重要场所节点，因此商业中心的位置会对传统酒店的空间分布造成一定影响。此外，从结果可知，1 km范围内居民区的数量与传统酒店分布呈现负相关，表明传统酒店一般较为远离居民区分布。

4 结论和对策

4.1 结论

本文选取上海市Airbnb和传统酒店作为研究对象，采用核密度分析、空间自相关以及全子集回归法，对上海市Airbnb和传统酒店的空间分布特点、空间分布格局、空间差异和影响因素进行探讨，是对城市住宿业空间的实践探索，也是对新兴产业在地理学研究中的回应和拓展。具体结论如下：
①Airbnb高度集聚于上海市的中心城区，且存在一定程度的“中心—外围”模式。这与Gutiérrez关于巴塞罗那Airbnb[2]、Huh等关于首尔Airbnb的空间分布[51]的研究结果相呼应，进一步表明Airbnb作为新兴住宿业最先会在城市中心布局的空间分布特点，也显示出不管是在旅游城市还是综合性城市，Airbnb均具有集聚于城市中心的空间分布特点。略有不同的是，与巴塞罗那、伦敦的共享住宿业的空间分布相比，上海市共享住宿业在空间上的分布更加集聚，说明地理学第一定律在新兴地理要素空间分布上的适用性。
②Airbnb和传统酒店空间分布密度上存在显著差异，上海市Airbnb具有主要集聚于上海市中心城区（外环线以内）的单核心特点，传统酒店空间分布则具有多核心的特点。且传统酒店在空间上的分布范围明显大于Airbnb分布范围，这与Huh等研究首尔Airbnb分布所提出的“与只位于商业区的酒店位置相比，Airbnb的空间分布范围更为广泛”的观点相左[51]。值得注意的是，Airbnb与五星级酒店存在空间相似性，而三星级酒店与经济型连锁酒店分布具有空间一致性。
③上海市Airbnb和星级酒店以及经济型连锁酒店在空间分布上存在一定程度的空间依赖性。鉴于传统酒店出现时间早于Airbnb，因此可以认为上海市Airbnb在地理空间上对传统酒店具有依赖性，倾向于分布在已有传统酒店住宿业的周边。这一结果表明Airbnb的空间分布遵循着地理学第一定律。
④影响上海市Airbnb和传统酒店空间格局的因素主要有旅游因素、交通通达性因素和商业环境因素，这与以往研究结果具有一致性[2,52-53]。与以往关于伦敦的研究不同的是，旅游因素并未对上海市Airbnb空间分布产生显著影响[52]，这可能与城市的属性和功能相关。与Airbnb相比，传统酒店受到道路密度和商业中心分布的显著影响。与Gutierrez、Ki等的研究成果[2,54]不同的是，居民区并未对上海市Airbnb空间分布产生显著影响。

4.2 对策建议

一方面，应加强对Airbnb的管理和调控。Airbnb的空间分析表明，Airbnb主要集聚于上海市的中心城区，上海作为一个国际性大都会，聚集了大量的人流物流，承载能力已经接近阈值。Airbnb在此区域内聚集，会造成原本的城市中心空间更加拥挤，引发一些城市问题。美国、德国、法国和英国都在通过立法制定针对Airbnb的法规，通过禁止出租商业房东居住的Airbnb来规范其发展和蔓延，以防止城市问题的发生[55]。因此，政府应该出台相关的管控政策，加强对Airbnb经营的管理和规范。
另一方面，应将住宿业的空间布局与城市空间重构和空间规划相结合，利用现代公共交通，尤其是地铁在郊区和边缘地带的可达性，将住宿业不断向城市外围、城郊过渡区进行延伸，避免过度集聚在城市中心区所带来的，诸如高额的租金、过度竞争等不利因素。同时，可以适当将商业中心进行郊区化发展，逐步带动郊区发展，缓解城市中心区的压力。此外，住宿业对城市景观和城市空间结构具有塑造作用，对于住宿业应该合理规划，从数量、质量、结构、功能上进行整合，使新兴住宿业和传统住宿业在空间上协调发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
马跃如, 余航海. “互联网+”背景下社群旅游的兴起、特征与商业模式构建[J]. 经济地理, 2018, 38(4):193-199.

DOI

[2]
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.

[3]
Zervas G, Proserpio D, Byers J. The rise of the sharing economy:Estimating the impact of Airbnb on the hotel industry[D]. Boston: Boston University, 2013.

[4]
Hart C W, Troy D A. Strategic hotel/motel management[R]. East Lansing, MI: Educational Institute of the American Hotel and Motel Association,1986.

[5]
Kimes S E, Fitzsimmons J A. Selecting profitable hotel sites at La Quinta motor inns[J]. Interfaces, 1990, 20(2):12-20.

[6]
Bull A O. Pricing a motel’s location[J]. International Journal of Contemporary Hospitality Management, 1994, 6(6):10-15.

[7]
Begin S. The geography of a tourist business:Hotel distribution and urban development in Xiamen,China.[J] Tourism Geographies, 2000, 2(4):448-471.

[8]
Oppermann M, Din K H, Amri S Z. Urban hotel location and evolution in a developing country:The case of Kuala Lumpur,Malaysia[J]. Tourism Recreation Research, 2014, 21(1):55-63.

[9]
Dokmeci V, Balta N. The evolution and distribution of hotels in Istanbul[J]. European Planning Studies, 1999, 7(1):99-109.

[10]
Urtasun A, Gutierrez I. Hotel location in tourism cities:Madrid 1936-1998[J]. Annals of Tourism Research, 2006, 33(2):382-402.

[11]
王朝辉, 陆林, 方婷, 等. 世博建设期上海市旅游住宿产业空间格局演化[J]. 地理学报, 2012, 67(10):129-143.

[12]
闫丽英, 李伟, 杨成凤, 等. 北京市住宿业空间结构时空演化及影响因素[J]. 地理科学进展, 2014, 33(3):432-440.

DOI

[13]
Ashworth G J, Tunbridge J E. The Tourist Historic City[M]. London:Belhaven,1990.

[14]
Shoval N. The geography of hotels in cities:An empirical validation of a forgotten model[J]. Tourism Geographies, 2006, 8(1):56-75.

[15]
Ingram P, Inman C. Institutions,Intergroup competition,And the evolution of hotel populations around Niagara falls[J]. Administrative Science Quarterly, 1996, 41(4):629-658.

[16]
Kalninis A, Chung W. Resource-seeking agglomeration:A study of market entry in the lodging industry[J]. Strategic Management Journal, 2004, 25(7):689-699.

[17]
Baum J A C, Haveman H A. Love thy neighbor?Differentiation and agglomeration in the Manhattan hotel industry,1898-1990[J]. Administrative Science Quarterly, 1997(42):304-338.

[18]
Cheng M M, Carmel F. Algorithmic management:The case of Airbnb[J]. International Journal of Hospitality Management, 2019,83:33-36.

[19]
Liang S, Li H, Liu X, et al. Motivators behind information disclosure:Evidence from Airbnb hosts[J]. Annals of Tourism Research, 2019,76:305-319.

[20]
Louise G, Oskaras V P, Maria Massey. Regulating,then deregulating Airbnb:The unique case of Tasmania (Australia)[J]. Annals of Tourism Research, 2019,75:304-307.

[21]
Ert E, Fleischer A. The evolution of trust in Airbnb:A case of home rental[J]. Annals of Tourism Research, 2019,75:279-287.

[22]
Cheng M M, Jin X. What do Airbnb users care about? An analysis of online review comments[J]. International Journal of Hospitality Management, 2019,76:58-70.

[23]
Guttentag D. Airbnb:Disruptive innovation and the rise of an informal tourism accommodation sector[J]. Current Issues in Tourism, 2015, 18(12):1192-1217.

[24]
Heo C Y, Blal I, Choi M. What is happening in Paris? Airbnb,hotels,and the Parisian market:A case study[J]. Tourism Management, 2019,70:78-88.

[25]
Blal I, Singal M, Templin J. Airbnb’s effect on hotel sales growth[J]. International Journal of Hospitality Management, 2018,73:85-92.

[26]
Dogru T, Mody M, Suess C. Adding evidence to the debate:Quantifying Airbnb’s disruptive impact on ten key hotel markets[J]. Tourism Management, 2019,72:27-38.

[27]
Oskam J, Boswijk A. Airbnb:the future of networked hospitality businesses[J]. Journal of Tourism Futures, 2016, 2(1):22-42.

[28]
Guttentag D A, Smith S L J. Assessing Airbnb as a disruptive innovation relative to hotels:Substitution and comparative performance expectations[J]. International Journal of Hospitality Management, 2017,64:1-10.

[29]
Brochado A, Troilo M, Shah A. Airbnb customer experience:Evidence of convergence across three countries[J]. Annals of Tourism Research, 2017,63:210-212.

[30]
Sai L, Markus St, Rob L, et al. Be a ‘Superhost’:The importance of badge systems for peer-to-peer rental accommodations[J]. Tourism Management, 2017,60:454-465.

[31]
Farmaki A, Stergiou D P. Escaping loneliness through Airbnb host-guest interactions[J]. Tourism Management, 2019,74:331-333.

[32]
Yong W J, Ki-Jooh B, Young J C, et al. Exploring Airbnb service quality attributes and their asymmetric effects on customer satisfaction[J]. International Journal of Hospitality Management, 2019,77:342-352.

[33]
Hanna L, Sung-Byung Y, Chulmo K. Exploring the effect of Airbnb hosts' attachment and psychological ownership in the sharing economy[J]. Tourism Management, 2019,70:284-294.

[34]
Hyoungeun M, Li M, Lydia H, et al. Peer-to-peer interactions:Perspectives of Airbnb guests and hosts[J]. International Journal of Hospitality Management, 2019,77:405-414.

[35]
Yang Y J M.S. Balaji,Subhash Jha. Together we tango:Value facilitation and customer participation in Airbnb[J]. International Journal of Hospitality Management, 2019,82:169-180.

[36]
Lin P M C, Fan D X F, Zhang H Q, et al. Spend less and experience more:Understanding tourists’ social contact in the Airbnb context[J]. International Journal of Hospitality Management, 2019,83:65-73.

[37]
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.

[38]
Adamiak C. Mapping Airbnb supply in European cities[J]. Annals of Tourism Research, 2018,71:67-71.

[39]
Eugenio-Martin J L, Cazorla-Artiles J M, Gonzalez-Martel C. On the determinants of Airbnb location and its spatial distribution[J]. Tourism Economics, 2019, 25(8):1224-1244.

DOI

[40]
闫丽英, 韩会然, 陈婉婧, 等. 北京市住宿业空间分布格局及影响因素研究[J]. 经济地理, 2014, 34(1):94-101.

[41]
梅林, 韩蕾. 中国星级酒店空间分布与影响因子分析[J]. 经济地理, 2011, 31(9):1580-1584.

[42]
赵艳楠, 杨德刚, 张新焕, 等. 乌鲁木齐住宿业空间分布及热点区模式研究[J]. 干旱区地理, 2016, 39(5):1143-1152.

[43]
姜丽媛, 何珍. 旅游危机对旅游行业的影响及应对策略研究——以新冠肺炎疫情为例[J]. 农村经济与科技, 2020, 31(19):107-108.

[44]
Tobler W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970, 46(sup1):234-240.

[45]
王法辉. 基于GIS 的数量方法与应用[M]. 北京: 商务印书馆, 2011.

[46]
Xu F, Hu M, La L, et al. The influence of neighbourhood environment on Airbnb:A geographically weighed regression analysis[J]. Tourism Geographies, 2019, 22(1):192-209.

[47]
王承云, 孙飞翔. 长三角城市创新空间的集聚与溢出效应[J]. 地理研究, 2017, 36(6):1042-1052.

DOI

[48]
李慧, 王云鹏, 李岩, 等. 珠江三角洲土地利用变化空间自相关分析[J]. 生态环境学报, 2011, 20(12):1879-1885.

[49]
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.

[50]
刘雪春, 张志斌, 张翠翠, 等. 兰州市主城区酒店空间分布格局及影响因素[J]. 兰州大学学报:自然科学版, 2017, 53(2):199-205.

[51]
Huh J, Noh S. Characteristics and spatial patterns of Airbnb in Seoul[J]. Journal of Korean Urban Geographical Society, 2018(21):65-76.

[52]
Xu F, Hu M, La L, et al. The influence of neighbourhood environment on Airbnb:A geographically weighed regression analysis[J]. Tourism Geographies, 2019, 22(1):192-209.

[53]
Adamiak C, Szyda B, Dubownik A, et al. Airbnb offer in Spain-spatial analysis of the pattern and determinants of its distribution[J]. ISPRS International Journal of Geo-Information, 2019, 8(3):155.

[54]
Ki D, Lee S. Spatial Distribution and Location Characteristics of Airbnb in Seoul,Korea[J]. Sustainability, 2019, 11(15):4108.

[55]
Nieuwland S, Van Melik R. Regulating Airbnb:how cities deal with perceived negative externalities of short-term rentals[J]. Current Issues in Tourism, 2020, 23(7):811-825.

Options
Outlines

/

〈 〉