EN中文

Economic geography >

2020 , Vol. 40 >Issue 11: 68 - 76

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.11.008

Spatial-Temporal Evolution of Airbnb in Beijing and Its Influencing Factors

  • XIA Xinying ,
  • ZHANG Honglei , ※ ,
  • TIAN Yuan ,
  • YANG Yixin ,
  • XU Li
Expand
  • School of Geography and Ocean Science，Nanjing University，Nanjing 210023，Jiangsu，China

Received date: 2020-04-03

  Revised date: 2020-09-18

  Online published: 2025-04-22

Fold

Abstract

Airbnb,as a typical representative of the sharing economy in the accommodation industry,has become a strong competitor of the traditional hotel industry. Based on Beijing Airbnb data from 2010 to 2019,this paper uses GIS spatial analysis and spatial variogram methods to analyze the spatial and temporal evolution and agglomeration characteristics of Beijing Airbnb,and further explores the influencing factors of its spatial and temporal evolution. The research shows that: 1) The overall situation of Beijing's Airbnb distribution is from centralized and agglomerated to balanced and dispersed. The geographic center of gravity of the distribution has shifted significantly toward the north,gradually moves from the city center to the suburb along the trunk road. 2) The overall spatial difference of the Beijing Airbnb distribution is increasing,and the degree of random variation in the distribution has decreased since 2016. Regional differences are mainly reflected in the northeast-southwest direction,and the distribution in the southeast-northwest direction is better. 3) The urban spatial structure,the development of tourist attractions,the environment of policies and regulations,major festivals and so on are important factors affecting the spatial and temporal evolution of Airbnb in Beijing.

Key words： Airbnb; shared accommodation; sharing economy; spatial structure; temporal and spatial evolution; Beijing

Cite this article

XIA Xinying , ZHANG Honglei , TIAN Yuan , YANG Yixin , XU Li . Spatial-Temporal Evolution of Airbnb in Beijing and Its Influencing Factors[J]. Economic geography, 2020 , 40(11) : 68 -76 . DOI: 10.15957/j.cnki.jjdl.2020.11.008

在信息技术和互联网的发展推动下，共享经济已成为目前社会经济领域中非常活跃的经济模式之一[1]，通过充分利用闲置的资源，实现了供求双方的利益最大化。共享经济最先发源于国外，已在众多商业领域得到普及，例如交通行业（Uber、Lyft）和住宿行业（Airbnb、HomeAway）。其中，以旅行住宿共享为内容的民宿在线短租的发展令人瞩目。共享住宿是指以互联网平台为依托，整合共享海量、分散的住宿资源，满足多样化住宿需求的经济活动总和[2]。共享住宿使得社区居民闲置住房价值达到最大化，实现资源配置效率最大化、存量利用效率最大化的目标[3]。通过共享旅游目的地居民闲置的房产资源，有效解决了旺季接待能力不足的问题。
Airbnb是共享住宿的先驱，作为旅游住宿领域的颠覆性创新，Airbnb提出了一种新型商业模式，即点对点（P2P）住宿，它把有空余空间的人（房主）与寻找住处的人（客人）直接联系起来。Airbnb实现了游客与房主之间的近距离接触，促进旅游住宿当地化及不同文化之间的交流。自2008年成立以来，Airbnb已经成为一个覆盖全球190多个国家和地区、81 000多个城市的全球性共享住宿平台。Airbnb在中国市场起步于2010年，并于2015年8月正式入华，发展十分迅速，在促进城市经济和旅游业发展、提高城市活力、改善营商环境、促进住宿业转型升级等方面发挥着重要作用[4]。
随着Airbnb在城市中的激增，引起学术界对于共享住宿在旅游业和房地产市场方面影响的探讨。目前关于Airbnb的学术研究包括Airbnb的优势和挑战[5]、法律问题[6]、信任和声誉[7]、对旅游业的影响[8]、价格以及其他影响因素[9-10]。Airbnb影响了城市旅游，不可避免地对传统酒店业造成威胁。Guttentag指出，与酒店相比，Airbnb在城市中心的扩张要容易得多，因为酒店的建立要求整栋建筑都可用，而且还需要相关许可，而Airbnb可以在现有房屋和公寓楼的任何地方扩大供应[11]。Admiak证实，某些城市的Airbnb容量远大于酒店容量[12]。由于Airbnb可能给城市带来潜在影响，例如加剧拥挤和旅游绅士化问题，因此有必要了解Airbnb爆发的空间特征[13]。
Airbnb和酒店作为住宿业具有某些共同的特征，然而与酒店相比，对Airbnb位置特征的研究很少。已有研究探讨了Airbnb在城市中的空间格局，Quattrone等探讨了影响Airbnb在伦敦增长和渗透的地理因素和人口因素[14]，Gutiérrez等将巴塞罗那Airbnb和酒店的空间格局与旅游景点进行比较，发现Airbnb的分布具有明显的中心—外围模式，并且Airbnb比酒店更靠近城市的主要旅游景点[13]，徐菲菲等采用最小二乘法和地理加权回归方法研究了伦敦市Airbnb的空间分布特征及其与周边环境因素的关系[15]。但到目前为止，这些研究都没有基于时空演变的角度来探讨Airbnb在城市中的扩散，特别是针对国内Airbnb的研究尚存在空缺。
北京作为我国的政治和文化中心，深厚的文化底蕴及丰富的产品形态吸引着全国乃至全世界的游客[16]，共享住宿业也受城镇化进程的加快、交通体系的完善、乡村旅游的蓬勃发展等因素推动，呈现出井喷式发展态势。北京的共享住宿业不仅在数量上遥遥领先，与其他热点旅游目的地的共享住宿相比也具有较大的态势差，已形成较为成熟的发展规模[17]，具有重要的研究价值，因此，本文选择北京市Airbnb作为典型案例进行研究。
本文以北京市Airbnb作为研究对象，通过整理2010—2019年10年间Airbnb在北京市的建立情况，分析北京市Airbnb的时空演变规律与空间集聚特征，并探讨其布局的影响因素。一方面有助于了解Airbnb在中国城市的空间布局和扩张规律，促进共享住宿在中国商业领域的进一步深入发展；另一方面，有利于了解Airbnb空间布局的依据，使共享住宿服务向更广阔的旅游业延伸，致力于推动旅游业健康、全面、可持续的发展。

1 数据源与研究方法

1.1 研究区与数据来源

以北京市全域为研究区。2010—2019年，北京市街道（乡镇）级行政区划调整变更较为频繁，本文研究区划以2019年底为准，包括16个市辖区，以街道和镇作为空间分析的最小单元。
北京市Airbnb空间数据通过网络爬虫技术获取，包括Airbnb房源的位置和建立时间，经过数据清理后，截至2019年9月23日，北京市Airbnb房源共计13 053个。北京市行政区划及道路数据来源于《北京城市总体规划（2016—2035》以及中国地图院获取的北京市高清全图，利用ArcGIS空间分析平台进行矢量配准，得到北京市矢量地图数据库。

1.2 研究方法

1.2.1 基尼系数

基尼系数可以用于刻画空间要素的分布，也可对两个空间要素的分布进行对比[18]，是地理学中用来描述离散要素空间分布的重要方法[19-20]。理论上，基尼系数介于0~1之间，越大表明集中程度越高。为准确了解北京市各街道Airbnb空间集中度的变化，本文引用基尼系数，计算公式为：
G = - ∑ i = 1 n P i l n P i / l n N
式中：G为基尼系数； P i为第i个街道的Airbnb数量占北京市Airbnb总数的比重；N为街道数量。

1.2.2 GIS空间分析

包括全局空间自相关分析、标准差椭圆分析和核密度估计。全局莫兰指数用于从全局视角评估Airbnb高值和低值的空间分布与预期的空间分布演进[21]，标准差椭圆用于分析北京市Airbnb分布重心的变化[22]，核密度估计用于分析Airbnb的空间聚集演化特征[23-24]。

1.2.3 空间变差函数

空间变差函数能同时描述区域化变量的随机性和结构性[25]，是空间变异规律和空间结构分析的有效工具[26]，能很好地表达地理变量的空间变异性与空间相关性[27-28]。利用空间变差函数来考察北京市Airbnb街道尺度的差异演化，具体公式如下：
γ ( h ) = 1 2 N ( h ) ∑ i = 1 N ( h ) Z ( x i ) - Z ( x i + h ) 2
式中： γ ( h )表示半变异函数；h表示样点间隔距离，即步长（lag）； N ( h )表示间隔距离为h的样点数； Z ( x i )、 Z ( x i + h )表示区域化变量 Z ( x )在空间位置 x i和 x i + h处的观测值。

2 北京市Airbnb时空演化

2.1 时序变化特征

作为共享住宿房源量第一的城市，北京市Airbnb的数量从2010的3家增长至2019年的13 053家。对2010—2010年10年间Airbnb数量进行数值拟合，可以得到以下函数：
y = 1.516 x 3.886
式中：R2=0.9803；y表示Airbnb当年总数；x为时间。可见北京市Airbnb数量呈现幂增长特征。北京市Airbnb空间分布及数量扩展情况如图1和图2。
图1 北京市Airbnb分布图

Fig.1 Distribution of Airbnb in Beijing

图2 北京市Airbnb数量扩张

Fig.2 Number of Airbnb in Beijing from 2010 to 2019

根据不同时期Airbnb增长速度的差异，选取其发展历程的标志性转折点，划分为三个阶段：2010—2013年成长起步阶段；2013—2016年巩固发展阶段；2016—2019年快速扩张阶段。不同阶段Airbnb在北京四大主体功能区的空间分布数量见表1。
表1 北京市主体功能区不同时段新增Airbnb数量

Tab.1 The number of new Airbnb in development priority zones of Beijing

分区 总数/家 占比/% 2010—2013 2013—2016 2016—2019
总数/家 占比/% 总数/家 占比/% 总数/家 占比/%
首都核心功能区 1 611 12.34 40 22.22 536 14.33 1 035 11.34
城市功能拓展区 6 679 51.17 120 66.67 2 324 62.14 4 232 46.35
城市发展新区 2 468 18.91 12 6.67 572 15.29 1 884 20.63
生态涵养发展区 2 295 17.58 8 4.44 308 8.24 1 979 21.68
总数 13 053 100.00 180 100.00 3 740 100.00 9 130 100.00
①成长起步阶段。2010—2013年，Airbnb零星分布在市中心和城市北部地区，这一时期Airbnb在中国刚刚兴起，数量较少，正处于探索投资阶段。因此，该阶段Airbnb在北京市的空间扩展能力有限，扩张速度缓慢，并且在空间选址上主要分布在首都核心功能区（22.22%）和城市功能拓展区（66.67%），在空间布局上呈点状不连续分布。
②巩固发展阶段。2013—2016年，Airbnb沿着城市主要交通干道从市中心向外不断蔓延，城市南部地区开始出现Airbnb的分布。该阶段Airbnb增长数量平稳，更加注重品牌的打造，处于巩固发展阶段。城市功能拓展区新增Airbnb数量比重最高（62.14%），首都核心功能区新增Airbnb数量比重下降（14.33%），而城市发展新区和生态涵养区新增Airbnb数量比重增加（15.29%和8.24%）。
③快速扩张阶段。2016—2019年，北京Airbnb呈现“井喷式”发展，城市中心地区Airbnb分布更加密集，各交通干道及附近均有Airbnb的分布，Airbnb的分布范围覆盖北京市各区，发展模式也相对成熟。首都核心功能区和城市功能拓展区新增Airbnb数量比重有所下降（11.34%和46.35%），而城市发展新区和生态涵养区新增Airbnb数量比重继续增加（20.63%和21.68%），其中生态涵养区Airbnb数量比重增加最快。
总体而言，2010年以来，北京市Airbnb数量不断增加，由城市中心不断沿着交通干线向郊区拓展，首都功能核心区新增的Airbnb数量比重在不断下降，城市功能拓展区是目前Airbnb分布最主要的区域，而城市发展新区和生态涵养发展区是新增Airbnb选址最具潜力的区域。

2.2 时空演化特征

2.2.1 总体态势：由集中、集聚趋向均衡、分散

Global Moran's I指数和基尼系数变化如图3。需要指出的是，2010—2019年十年间，Global Moran's I指数全部为正，只有2010年的Global Moran's I估计值没有通过0.01显著性水平检验，其他年份的Global Moran's I估计值均通过0.01显著性水平检验，Z值大于2.58，这说明2011—2019年北京市Airbnb的分布存在显著的空间正相关特征，即在空间上表现为集聚分布。从图3可以看出，Global Moran's I指数呈现先增长后下降的趋势，2010—2015年，Global Moran's I指数逐年增加，说明Airbnb分布的空间集聚性进一步增强，2015年以后，Global Moran's I指数逐年减小，说明Airbnb在空间分布上呈现出分散趋势。其次，基尼系数由2010年的0.991下降至2019年的0.611，说明各街道Airbnb分布的均衡趋势显著。
图3 全局莫兰指数和基尼系数变化图

Fig.3 Changes in Global Moran's index and Gini coefficient

2.2.2 重心特征：逐年向北移动

利用标准差椭圆对2010—2019年北京市Airbnb时空演化轨迹和空间分布进行分析，如图4。10年间北京市Airbnb分布的地理重心始终位于朝阳区，2010年Airbnb分布重心位于朝阳区麦子店街道，2013年Airbnb分布重心向西北方向移动到朝阳区左家庄街道，西移距离约1.7 km，北移距离约3 km。2016年，Airbnb分布重心向东北方向移动到朝阳区望京街道，东移距离约1 km，北移距离约2.5 km。2019年Airbnb分布重心继续向西北方向到朝阳区来广营地区办事处，西移约0.5 km，北移距离约5km。总体而言，2010—2019年北京市Airbnb分布重心向北移动趋势显著。
图4 北京市Airbnb重心转移图

Fig.4 Gravity center of Airbnb in Beijing from 2010 to 2019

2.2.3 集聚演化：由城市逐渐向郊区集聚，沿交通干线向外拓展

为了探究不同发展阶段Airbnb集聚演化特征，对北京市Airbnb分布进行核密度估计，考虑到本文的研究区域尺度以及Airbnb的地理特征，选取距离衰减阈值为2 500 m，以充分反映其空间集聚特征，如图5。2010—2019年，Airbnb的中心集聚程度逐渐加强，并且集聚的范围在不断扩大。2010年，最早的3家Airbnb都分布在朝阳区，2010—2013年，Airbnb在城市中心的集聚区扩展至西城区、东城区、海淀区的大部分区域，并在昌平区、通州区等其他地区形成了局部的集聚区域。2013—2016年，市中心分散的集聚中心逐渐变成整体。2016—2019年，新增的Airbnb集聚区向西北和东北方向扩展，延庆区形成了中核密度中心，与该地区举办2019北京世园会密切相关，密云区古北水镇周围形成了高核密度中心，城市西南地区房山世界地质公园周围开始形成聚集中心。总体上看，Airbnb在城市中心集聚的基础上，逐渐在郊区形成了不相连的次级聚集区，且空间密度的集聚中心存在互相连接的趋势，在外围则主要呈现离散状分布。城市六环以内，Airbnb从首都中心沿着环状交通干线呈同心圆式向外拓展，在六环以外，Airbnb沿着放射状的交通干线向外拓展，并在多条交通干线交汇的区域形成了新的次一级聚集区。
图5 北京市Airbnb核密度图

Fig.5 Kernel density of Airbnb in Beijing

3 北京市Airbnb时空分异

利用Airbnb数量作为研究数据，并将其作为计算变差函数的空间变量赋予每个街道空间单元的几何中心点。样本数据要求服从正态分布，故在进行变差函数分析之前，将各街道Airbnb数量（Z）进行对数转换处理，具体为Z=lg（Z+1），得到的结果基本成正态分布。
将采样步长定为93 km（保证步长的大小乘以步长数约等于样点间最大距离的0.5倍），分别计算实验变差函数，对样点数据采用球体模型、高斯模型、指数模型、线性模型等模型进行拟合，最终选择拟合最高的模型，并计算各个年份不同方向上的分维数，然后对其进行Kriging插值[29]，拟合结果见表2、表3和图6。
表2 北京市Airbnb变差函数拟合参数

Tab.2 The parameters of variogram model of Airbnb in Beijing

年份 块金值（C0） 基台值（C0+C） 变程（A） 块金系数（C/ C0+C） 拟合模型（Model） 决定系数（R2） 残差（RSS）
2010 0.0008 0.0008 90 015.919 0.000 线性模型 0.739 3.971E+06
2011 0.0056 0.0056 90 015.919 0.000 线性模型 0.680 1.712E+04
2012 0.0179 0.0179 90 015.919 0.000 线性模型 0.897 6.824E+04
2013 0.0502 0.0502 90 015.919 0.000 线性模型 0.870 2.135E+03
2014 0.0198 0.1366 10 200.000 0.855 指数模型 0.209 4.329E+03
2015 0.0584 0.2498 29 000.000 0.766 球状模型 0.704 0.0118
2016 0.0722 0.3424 36 500.000 0.789 球状模型 0.637 0.0394
2017 0.0570 0.3930 40 000.000 0.855 球状模型 0.709 0.0487
2018 0.0500 0.4180 41 700.000 0.880 球状模型 0.732 0.0545
2019 0.0590 0.4440 46 800.000 0.867 球状模型 0.793 0.0457
表3 北京市Airbnb变差函数分维数

Tab.3 The fractal of variogram of Airbnb in Beijing

年份 全方向 南—北（0°） 东北—西南（45°） 东—西（90°） 东南—西北（135°）
D R2 D R2 D R2 D R2 D R2
2010 1.710 0.922 1.755 0.810 1.692 0.798 1.638 0.837 1.752 0.496
2011 1.713 0.915 1.692 0.857 1.722 0.840 1.592 0.499 1.629 0.449
2012 1.795 0.862 1.777 0.911 1.794 0.774 1.776 0.648 1.765 0.487
2013 1.886 0.577 1.895 0.585 1.865 0.486 1.846 0.494 1.899 0.231
2014 1.998 0.000 1.994 0.005 1.989 0.000 1.951 0.084 1.995 0.000
2015 1.891 0.471 1.889 0.553 1.903 0.334 1.921 0.155 1.918 0.152
2016 1.866 0.489 1.859 0.750 1.874 0.347 1.883 0.248 1.922 0.224
2017 1.828 0.598 1.836 0.745 1.827 0.510 1.842 0.354 1.899 0.339
2018 1.812 0.630 1.817 0.817 1.810 0.547 1.810 0.453 1.892 0.377
2019 1.798 0.720 1.812 0.891 1.792 0.630 1.777 0.630 1.893 0.390
图6 北京市变差函数Kriging插值模拟

Fig.6 Kriging simulation of variogram model of Airbnb in Beijing

3.1 变异性分析

①由基台值和块金值指标变化来看，2019年基台值相对2010年基台值增大了24倍，说明北京市Airbnb分布总的空间差异在不断增大。块金值在2010—2016年上升，2016年后开始下降，说明在不断增长的Airbnb空间差异中，其分布的随机成分不同时期有着不同的表现，2016年以后北京市Airbnb分布的随机变异程度降低，空间分布均质性逐渐加大。
②2010—2013年北京市Airbnb在既定步长下的变程不变，2013年以后变程逐年增加，且增加幅度逐渐减缓，说明随着时间的推移，Airbnb聚集高值区的空间关联效应影响范围不断增加，且增加趋势逐渐放缓。
③通过最小二乘法选择的空间变差拟合模型在各年份分别为线性、指数和球状模型，可见北京市Airbnb分布不同时期表现出不同的结构特征。整体而言，模型拟合度有增加的趋势，表明在Airbnb发展初期，其分布的随机性较强，结构分布不明显，随着时间的推移，北京市Airbnb的空间自组织性也越来越强。

3.2 分维数分析

从全方向变差函数的维数来看，2013年之后全方向维数不断减小，且拟合系数不断增大，说明北京市Airbnb在全方向上空间分布的不均衡性越来越强。从各方向变差函数的维数来看，在绝大数年份里，东北—西南方向的分维数是4个方向中最小的，且拟合性较好，说明北京市Airbnb分布的区域差异性主要体现在东北—西南方向上。而在绝大数年份里，东南—西北方向的分维数是4个方向中最大的，说明东南—西北方向的Airbnb分布均质性较好，区域差异性较小。

3.3 Kriging插值模拟分析

从变差函数Kriging插值模拟图上可以清晰看出北京市Airbnb的格局演变过程、分布形态和内在结构。3D拟合图显示：北京市Airbnb的空间格局变化趋势具有较强的连续性，且分布形态表现出自身特有的结构性特征。2013年，Airbnb分布呈现出以朝阳区为核心的单个“金字塔”结构，随着时间的推移，Airbnb的核心集聚区进一步强化并向周边区域扩展。2016年，高值区和低值区连片集中，形成了4个主要的高值极核区，分别位于朝阳区及其周边区域、密云区东北部、怀柔区南部和延庆区，空间上呈现多圈层分布的态势，城市北部、东南和西南部处于低谷区。2019年，极核数量进一步增加，且高值区连片分布，低值区域大范围减少，仅位于城市西南和南部的小部分区域。

4 北京市Airbnb时空演变影响因素

4.1 城市空间结构

北京市Airbnb的时空演变反映了城市内部空间结构的发展演化。首先，城市空间格局的变迁，决定了Airbnb空间布局演化的形态与趋势。多中心网络化的城市结构是特大城市发展的必然趋势[30]，北京副中心通州的确立、城市发展新区和生态涵养区的建设，说明北京市多中心结构的形成，使得Airbnb向外围集聚扩展特征显著。其次，说明了信息化和共享经济对城市内部空间结构的影响。Airbnb作为个性化的住宿产品，一直依托互联网营销和推广，互联网营销造势会使某地迅速聚集大量网红住宿[31]，对于Airbnb的分布会有一定影响。如位于北京市延庆区千家店镇的画廊里小镇合理运用“网红”的互联网思维模式，用有一定影响力的人群打造“乡村生活美学”网红住宿，推动了Airbnb的集聚发展。

4.2 旅游景区发展

Airbnb作为城市经济与城市旅游发展的产物，其时空演变也反映了城市旅游空间格局发展演化特征。北京市文化底蕴深厚，胡同、村落资源丰富独特，且拥有庞大的城市客源群体，具备发展Airbnb的先天优势。《北京市十三五时期旅游业规划》提出优化提升城乡旅游主题空间，建立9大来京游板块和12大京郊游重点板块，兼顾各区域旅游发展。这些景区周边来往游客众多，对住宿的需求量大；而Airbnb在提供住宿的同时，还能提供享受本地乡土文化、特色美食等机会，成为众多旅游者的首选。因此，Airbnb的分布与特色旅游资源的聚集和旅游景区的发展密切相关。此外，还存在若干重要景区附近Airbnb分布较少的情况，如在平谷区北部京东石林峡、密云西南部桃源仙谷等地带Airbnb未成聚集态势，说明目前Airbnb还存在较多亟待开发的潜力地带[32]。

4.3 政策法规环境

根据《中华人民共和国旅游法》第46条规定，国家鼓励城乡居民利用自有住宅开展旅游接待活动，即法律上允许共享住宿的存在。特色街区和北京胡同是北京城区Airbnb的主要存在环境，而京郊Airbnb的亮点，是浓厚的乡土气息和民俗文化，传统村落是京郊Airbnb发展的重点。根据北京目前的实际管理状况，对Airbnb是按照民房出租管理，因此，Airbnb经营者基本上不具有营业执照或者营业执照中的经营范围不含住宿，这种相对宽松的管理方式，使Airbnb获得了存在和发展的空间。同时，Airbnb的爆发增长与我国房屋空置率较高的现象密切相关，Airbnb能够使得房东将其空置的房屋或房间进行短期租赁，有效促进了闲置房屋的利用。空置住房的剩余价值随着共享经济时代的到来而升值，特别是京郊“空心化”农村闲置土地资源和房屋资源充足，使得北京近几年乡村共享住宿开发也呈现快速增长态势。

4.4 重大节事事件

重大节事事件促进基础设施的改善与发展环境的提升，与之相配套的产业政策、巨大的投资、庞大的客流、后事件开发预期等因素吸引Airbnb在该区域的集聚[33]。延庆区作为2019年北京世界园艺博览会举办地，为该区域Airbnb的发展提供了必要条件和市场发展空间，道路等基础设施的建设显著提升了该地区的便捷性，由此带来的巨大客流量为该地区Airbnb提供了十分可观的入住率。随着2022年冬奥会在延庆的举办，未来将会有更多的Airbnb在该区域集聚。

5 结论与讨论

本文利用2010—2019年北京市Airbnb数据，运用GIS空间分析和空间变差函数方法，对北京市Airbnb的时空演变及集聚特征进行分析，并进一步探讨其分布的影响因素，结论如下：
①由全局莫兰指数和基尼系数的变化可知，北京市Airbnb分布的总体态势由集中、集聚趋向均衡、分散；由标准差椭圆分析可知，北京市Airbnb分布的地理重心总体向北移动趋势显著；由核密度分析可知，Airbnb在城市中心集聚的基础上，逐渐在郊区形成了不相连的次级聚集区，且空间密度的集聚中心存在互相连接的趋势，在外围则主要呈现离散状分布。总体而言，Airbnb沿着放射状的交通干线向外拓展，并在多条交通干线交汇的区域形成了新的次一级聚集区。
②北京市Airbnb分布总的空间差异在不断增大，2016年以后Airbnb分布的随机变异程度降低，空间分布均质性逐渐加大。Airbnb聚集高值区的空间关联效应影响范围不断增加，空间自组织性也越来越强。北京市Airbnb分布的区域差异性主要体现在东北—西南方向上，而东南—西北方向分布的均质性较好，区域差异性较小。随着时间的推移，Airbnb的核心集聚区进一步强化并向周边区域扩展，空间上呈现多圈层分布的态势，且高值区连片分布。
③城市空间结构、旅游景区发展、政策法规环境、重大节事事件等是影响北京市Airbnb时空演变的重要因素。城市空间格局的变迁决定了Airbnb空间布局演化的形态与趋势，互联网和共享经济的发展对Airbnb的集聚演化产生重要影响。Airbnb往往选择靠近A级旅游景区的位置布局，与旅游观光型特色小镇的发展、特色旅游资源的聚集密切相关。我国房屋空置率较高的环境以及对于民房出租相对宽松的管理方式，使得Airbnb获得了存在和发展的空间。同时，重大节事事件为Airbnb的发展提供了必要条件和市场发展空间。
Airbnb的迅速扩张引发了学术界对其在房地产市场、过度旅游和社区生活环境等方面影响的讨论。共享住宿的发展，一方面给社会居民提供了灵活的就业和创收机会，对提高房屋利用率、改善居民生活水平起到积极的促进作用，但另一方面，共享住宿的发展也对习惯于“熟人社会”的社区邻里关系带来了新的挑战。一些研究表明，Airbnb引起了各种社会、经济问题，比如提高了城市房价和租金，因此应采取适当措施来解决这些问题。在此背景下，本文研究了Airbnb在北京市的时空演变过程，定性分析了Airbnb分布的影响因素，但Airbnb时空演化的驱动机制却很复杂，且不同城市驱动机制是不同的，未来将利用充足的理论支持，定性与定量分析相结合，以获得更全面的理解。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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.

[2]
国家信息中心. 2019中国共享经济发展年度报告[EB/OL]. http://www.sic.gov.cn/News/557/9904.htm,2019-02.

[3]
北京旅游协会. 北京旅游发展报告(2018)[R]. 北京: 社会科学文献出版社, 2018:29-30.

[4]
国家信息中心分享经济研究中心. 中国共享住宿发展报告[EB/OL]. http://www.360doc.com/content/19/0704/18/755922_846714199.shtml,2019-07-04.

[5]
Guttentag D. Progress on Airbnb:a literature review[J]. Journal of Hospitality and Tourism Technology, 2019, 10(4):814-844.

[6]
Lee D. How airbnb short-term rentals exacerbate los angeles’s affordable housing crisis:Analysis and policy recommendations[J]. Harvard Law & Policy Review, 2016,10:229-253.

[7]
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.

[8]
Zervas G, Proserpio D, Byers J W. The rise of the sharing economy:Estimating the impact of Airbnb on the hotel industry[J]. Journal of Marketing Research, 2017,54:687-705.

[9]
Wang D, Nicolau J L. Price determinants of sharing economy based accommodation rental:a study of listings from 33 cities on airbnb.com[J]. International Journal of Hospitality Management, 2017,62:120-131.

[10]
Zhang Z, Chen R J, Han L D, et al. Key factors affecting the price of Airbnb listings:a geographically weighted approach[J]. Sustainability, 2017, 9(9):1635-1 647.

[11]
Guttentag D. Airbnb:disruptive innovation and the rise of an informal tourism accommodation sector[J]. Current Issues in Tourism, 2015, 18(12):1192-1 217.

[12]
Admiak C. Mapping Airbnb supply in European cities[J]. Annals of Tourism Research, 2018, 71(c):67-71.

[13]
Gutiérrez 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.

[14]
Quattrone G, Proserpio D, Quercia D, et al. Who benefits from the sharing economy of Airbnb[C]. Geneva: International World Wide Web Conferences Steering Committee Geneva, 2016:1 385-1 394.

[15]
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, 21(1):192-209.

[16]
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.

[17]
北京旅游协会. 北京旅游发展报告(2018)[R]. 北京: 社会科学文献出版社, 2018:253-254.

[18]
刘汉初, 樊杰, 周道静, 等. 2000年以来中国高耗能产业的空间格局演化及其成因[J]. 经济地理, 2019, 39(5):110-118.

DOI

[19]
唐承财, 孙孟瑶, 万紫微. 京津冀城市群高等级景区分布特征及影响因素[J]. 经济地理, 2019, 39(10):205-213.

[20]
王亚平, 曹欣欣, 程钰, 等. 山东省污染密集型产业时空演变特征及影响机理[J]. 经济地理, 2019, 39(1):130-139.

[21]
熊薇, 徐逸伦, 王迎英. 江苏省县域经济差异时空演变[J]. 地理科学进展, 2011, 30(2):225-230.

[22]
李阳, 陈晓红. 哈尔滨市商业中心时空演变与空间集聚特征研究[J]. 地理研究, 2017, 36(7):1377-1 385.

[23]
胡璇, 杜德斌. 外资企业研发中心在城市内部的时空演化及机制分析——以上海为例[J]. 经济地理, 2019, 39(7):129-138.

[24]
郭洁, 吕永强, 沈体雁. 基于点模式分析的城市空间结构研究——以北京都市区为例[J]. 经济地理, 2015, 35(8):68-74.

[25]
吴媛媛, 宋玉祥. 中国旅游经济空间格局演变特征及其影响因素分析[J]. 地理科学, 2018, 38(9):1491-1 498.

[26]
车磊, 白永平, 周亮, 等. 中国绿色发展效率的空间特征及溢出分析[J]. 地理科学, 2018, 38(11):1788-1 798.

[27]
靳诚, 陆玉麒. 基于空间变差函数的长江三角洲经济发展差异演变研究[J]. 地理科学, 2011, 31(11):1329-1 334.

[28]
栾福明, 张小雷, 杨兆萍, 等. 1990—2011年山东省旅游节庆的时空变异特征及机理[J]. 地理科学进展, 2013, 32(6):940-949.

DOI

[29]
徐冬, 黄震方, 胡小海, 等. 浙江省县域旅游效率空间格局演变及其影响因素[J]. 经济地理, 2018, 38(5):197-207.

DOI

[30]
陈思宇, 张昕彤, 吴迪, 等. 北京市批发企业区位分布演化与驱动力分析[J]. 经济地理, 2016, 36(9):111-117.

[31]
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):950-960.

DOI

[32]
贾子玉, 高梦瑶, 厉基巍, 等. 基于Airbnb数据的京郊乡村民宿空间分布与影响因素分析[J]. 住区, 2019(2):76-81.

[33]
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):1423-1 437.

Options
Outlines

/

〈 〉