城市酒店與Airbnb共享住宿的空間格局比較研究
——以北京市為例

喬原杰

（吉林工商學院 吉林省旅游文化研究中心，吉林 長春130507）

一、引言

在過去幾十年里，城市旅游業(yè)經歷了巨大的增長，已經成為許多城市的重要支柱產業(yè)，并被追求多樣化活動的游客人群所影響。因此，談到城市旅游業(yè)，不得不提及旅游活動。城市旅游不同于其他形式的旅游，它往往被附以“文化”“歷史”乃至“夜生活”“購物”等諸多符號，不同的城市特色和服務集群被用于一系列旅游市場的服務。游客和城市之間的關系是復雜的，城市受益于旅游業(yè)。所有城市都強調旅游業(yè)對當地經濟的重要貢獻，如旅游業(yè)增加了當地收入，為許多人提供了就業(yè)機會。在一些城市，旅游甚至是主要的經濟活動，是當地經濟收入的重要或唯一來源。然而，有些城市卻發(fā)現(xiàn)自己面臨著來自旅游業(yè)的巨大壓力。大眾旅游改變了游客和居民之間的關系，游客需求的增長，尤其是在歷史名城，帶來了一系列不良反應。越來越多的城市，來自旅游業(yè)的壓力正成為旅游利益相關者和居民之間沖突的真正根源。

游客通常會對城市進行有選擇性的利用。通過分析城市中游客流動的空間格局，游客往往集中在城市中心的特定地區(qū)，并密集利用區(qū)域內的設施和服務。來自旅游業(yè)的壓力在歷史名城的中心地區(qū)尤為強烈，當游客人數超過一定限度時，這些地區(qū)就會變得擁擠不堪，擁擠通常被視為超出了社會文化承載能力。旅游業(yè)過度增長的第一個明顯跡象就是中心設施供應的飽和，靠近中心景點的資源（土地、建筑、道路、停車場）是有限的，但利用率會持續(xù)增加，直至達到飽和。

城市中心因旅游業(yè)而發(fā)生改變。旅游業(yè)對中心空間的密集利用，以及季節(jié)性和跨行業(yè)特點，都會對城市的敏感地區(qū)產生很大影響。它對城市設施和房屋價值的壓力促使市民和企業(yè)會逐漸放棄市中心地塊，這一過程被稱為旅游士紳化（Tourism Gentrification），在極端情況下，可以將其理解為一個中產階級社區(qū)轉變?yōu)橐粋€相對富裕和排外的飛地，其標志是企業(yè)娛樂和旅游場所的激增。

大多數游客會選擇步行就能抵達的酒店。城市中心日益增長的住宿需求體現(xiàn)在酒店的平均房價（ARR），它根據距離由中心向邊緣遞減擴散，從而能夠根據位置確定酒店的等級，從位于城市中心的豪華酒店（四星和五星）到城市邊緣的經濟型酒店。酒店的地理位置對游客的流動有著深遠的影響，在旅游總時間預算中，有很大一部分是在酒店附近度過的。因此，酒店集中在城市中心導致了游客壓力的增加，是附近城區(qū)轉型的決定性因素。游客大部分是在酒店附近消費，而這些地區(qū)也滿足了他們的需求，結果是這些地區(qū)的商業(yè)結構發(fā)生了變化，例如商店和餐館，變得越來越適應旅游業(yè)。

在城市中心，P2P住宿平臺的興起，為游客提供了更加便利的住宿，也加劇了城市中心來自旅游業(yè)的壓力。個人之間的住宿交換在歷史上是以非正式的方式發(fā)展起來的，但互聯(lián)網，更具體地說是Web 2.0，允許它呈指數級增長，并呈現(xiàn)出眾多新特點。在住宿領域，P2P平臺遠遠超出了營銷和廣告的范疇，它對雙方進行篩選，查看業(yè)主的庫存，管理租金預訂，收取租金，并為租戶造成的損失提供某種形式的保險。

Airbnb是住宿領域最成功的P2P平臺，它把房屋有空余空間的人（主人）和想找地方住宿的人（客人）聯(lián)系起來。Airbnb在190個國家提供了200多萬個房源，主要是整租房（57%）和單間（41%）。Airbnb目前的估值超過100 億美元，超過了凱悅（Hyatt）等老牌全球連鎖酒店的估值[1]。作為旅游住宿領域的顛覆性創(chuàng)新，Airbnb提出了一種新穎的商業(yè)模式，在現(xiàn)代互聯(lián)網技術和Airbnb獨特吸引力的基礎上，以節(jié)約成本、充分利用房屋設施和獲得更真實的本地體驗為核心。最重要的是，Airbnb相對較低的成本成為其主要吸引力。

Airbnb 對外宣稱，它的房源比酒店更分散，因此Airbnb 客人的支出能夠分散到那些游客較稀少的區(qū)域。但與酒店不同，Airbnb能夠在已存在房屋和公寓樓的地方擴大供應，而酒店必須在符合當地分區(qū)要求的地點建造。因此，對Airbnb來說，在城市中心擴張比在酒店更容易，因為酒店不僅需要提供整棟建筑，還需要獲得政府的相關許可。如果Airbnb在城市中心顯示出明顯的擴張趨勢，那么這可能會加劇城市中心的擁擠和旅游士紳化問題。

二、理論框架

探索性空間數據分析（Exploratory Spatial Data Analysis，ESDA）為研究城市居住區(qū)位模式提供了一個合理框架。一般而言，ESDA空間分析關注的是空間現(xiàn)象如何形成它們自己以及它們之間如何相互作用?？臻g分布往往表現(xiàn)出空間順序（空間自相關），當存在高值和低值空間集群形成的趨勢時，空間自相關為正；反之，當高值被低值包圍時，空間自相關為負。最后，隨機模式表示不存在空間自相關。ESDA技術允許分析分布的全局空間自相關，識別非典型位置或空間異常值，并發(fā)現(xiàn)空間集群或熱點。最常用的ESDA工具包括全局空間自相關指數（Global Moran's I）和局部空間自相關指數（Anselin Local Moran's I，LISA）。前者可以告訴我們一組地理定位數據的空間自相關程度和這種自相關的符號（正或負），后者用于識別和繪制局部趨勢，即集群和離群值。通過LISA分析，可以區(qū)分高高聚集（高值主要由高值包圍）、低低聚集（低值主要由低值包圍）和空間異常值（高低值主要由低值包圍）或低高聚集（低值主要由高值包圍）。此外，使用全局和局部雙變量Moran指數分析來測量變量之間的空間自相關，識別一個變量的高值被第二個變量的高值（高高聚集）包圍的空間聚類并以此類推。

空間自相關之所以存在，是因為現(xiàn)實世界現(xiàn)象的典型特征是有序性、地圖模式和系統(tǒng)的集中度，而不是隨機性。因此，空間自相關分析的結果應根據所調查的問題加以解釋。以往的研究表明，酒店在城市中心呈現(xiàn)出空間集聚的模式[2]，從而形成一個酒店區(qū)域。因此，可以預期，該變量將顯示一個積極的全局空間自相關，并且可以在當地確定該酒店區(qū)域為熱點。酒店通過集中在城市中心而受益于地理位置的經濟性，這與城市游客傾向于居住在主要景點附近有關。因此，酒店和旅游景點之間的二元空間自相關是具有一定研究意義和價值的。通常來講，在城市周邊地區(qū)，酒店的分布具有一定的分散性，因為那里的土地價格較低或存在其他相關的決定因素，如靠近高速公路、郊區(qū)商業(yè)或公園。在這種情況下，使用LISA單變量統(tǒng)計可以識別出高低異常值的存在。至于P2P公司的區(qū)位模式，Airbnb等公司聲稱，它們的服務往往比酒店能覆蓋城市更多的區(qū)域，這表明Airbnb住宿（與景點相關）的單變量和雙變量全局空間自相關程度低于酒店。然而，來自不同旅游城市的信息并沒有證實這一點，結果卻恰恰相反。

ESDA工具，特別是單變量技術，已經被用來調查某些旅游現(xiàn)象的空間分布，例如入境游客流向城市、旅游相關就業(yè)，或者使用地理標記照片的城市旅游熱點地區(qū)。然而，很少有研究使用ESDA工具來分析住宿空間分布，尤其是城市內部。

本研究的目的是利用ESDA和普通最小二乘法（Ordinary Least Squares Regression，OLS）對Airbnb和酒店住宿的空間格局以及解釋這些分布的因素進行對比分析。研究提出的主要假設有：（1）Airbnb覆蓋了酒店沒有覆蓋的城市中心空間，增加了游客對市中心的壓力；（2）相對于城市主要的旅游景點，Airbnb的地理位置比酒店更為優(yōu)越；（3）解釋Airbnb區(qū)位模式的因素不同于解釋酒店的因素。這些假設已經在北京市的案例中得到了證實，未來可以將研究結果推廣到其他旅游城市。

三、研究范圍：北京市

本文研究選擇的地區(qū)是北京市，研究區(qū)域的實際劃定是基于北京市的城區(qū)行政區(qū)劃。截至2018年底，北京市土地面積16 410.54平方公里，全市共轄16個區(qū)，常住人口2 107.7萬人，人口密度很高，達1 323人/平方公里。

作為中國六大古都之一，北京市具有十分悠久的歷史，已經成為世界上最受歡迎的旅游目的地之一，自從2008年成功舉辦奧運會后，其受歡迎程度大大提高。在全球范圍內，它是60個最受歡迎的國際旅游城市之一[3]。2018年，來北京旅游人數達到31 093.6萬人次，其中，接待入境游客400.4萬人次，接待國內旅游者30 693.2萬人次。國內旅游收入為5 556.2億元，旅游外匯收入總額551 600萬美元[4]。旅游業(yè)的增長給北京市帶來了諸多問題，從Airbnb網站上可以觀察到提供的住宿集中程度很高。游客的大量涌入對這座城市產生了巨大的經濟和社會影響，每天創(chuàng)造超過16.2億元的收入，但也給市中心帶來了巨大的壓力，導致了旅游紳士化進程加快。

四、數據來源

本研究主要通過Inside Airbnb 網站（http://insideairbnb.com/）所獲得的Airbnb 地理定位數據進行分析。Inside Airbnb是一個獨立網站，其網站提供的數據與Airbnb或Airbnb的任何競爭對手都沒有任何附屬或資助關系。這些數據利用了Airbnb 網站匯編的公共信息，不僅包括Airbnb 所有住所的位置，還包括未來365天住所可用的日歷表，以及每個地點的評論。這些數據可用于80多個城市，包括亞洲主要城市北京、香港、新加坡、東京及歐美主要城市。

為北京編制的數據來源于Inside Airbnb網站的“北京市Airbnb住宿分布圖”（http://insideairbnb.com/beijing/，其中紅色圓點為整租房，綠色圓點為單間出租）。數據取自于2020年3月。在Inside Airbnb網站上下載了兩個名為listing.csv的北京數據文件，這些數據文件包含了關于每個房間類型、活躍度、可用性、房主名單等詳細信息。從每個記錄中存儲的x、y坐標出發(fā)，在ArcGIS的地理數據庫中創(chuàng)建一個點層地圖，其中包含每個住所的位置和特征。這張地圖清楚地顯示出市中心的集中點，這種空間格局是爆炸式增長的結果。用每月評論數量來代表住宿的占用水平，城市中心的平均值是1.48，其余地區(qū)是1.14，這組數據也表現(xiàn)出Airbnb施加于城市中心的壓力更高。關于住宿類型，59%是整租房，35%是單間，只有6%是共享單間，平均價格約為600元人民幣/床。Airbnb房東出租超過一套房源的比例約為76.4%，15%的住宿出租給提供5套以上房源的房東。

Airbnb提供的住宿與該市的酒店進行了比較。有關酒店的數據來源于北京市文化和旅游局。每個酒店的記錄都包含了可用客房和床位的數量以及相應的具體地址，使用ArcGIS地址匹配工具對這些數據進行地理定位。據不完全數據統(tǒng)計，北京2018 年共有13 541 家酒店提供住宿，客房數58.1 萬間，平均房價為505.4元/間天[5]。然而，Airbnb的數據應該放在一定的背景下，雖然酒店提供一年365天的住宿，但Airbnb提供的住宿時間更短。在北京，Airbnb 平均每年有227 天的房源可供出租。在這些房源中，有3 440 套（占13%）一年的房源不足90天。

表1 2018年Airbnb與酒店可提供住宿數據對比

為了確定旅游熱點地區(qū)，使用了來自Google Earth 數據源的地理定位照片。這些數據是通過Google Earth網站API下載的，以獲取所有存儲照片的樣本，并包含地理坐標、照片所有者的ID、照片的URL鏈接以及上傳日期等信息。下載生成的.csv文件，其中包含每張照片的地理坐標。這些坐標用于為GIS中的每個位置創(chuàng)建一個點層地圖。根據照片是由游客還是居民拍攝的，對地理定位照片進行了分類。判定標準是如果照片的地理標記周期超過1個月，則照片屬于居民上傳；如果時間不足1個月，則為游客上傳。在北京拍攝的照片數量超過192 000張，其中37.9%是游客拍攝的。游客拍攝的照片的空間分布比居民拍攝的照片更加集中，反映了城市主要旅游景點的位置。最后，本文也使用了北京市人口普查的部分人口數據。

五、研究方法

本文采用以下方法分析Airbnb和酒店住宿的空間分布和照片：

1.根據人口普查區(qū)收集的數據制作密度圖和描述性統(tǒng)計，從而確定住宿的密度和集中度（根據劃分為酒店和Airbnb的床數）和游客照片。

2.對酒店和Airbnb 床的分布數據進行歸一化處理，以消除變量中不同范圍的影響，從而對分布進行比較。

3.使用單變量空間自相關工具來識別住宿類型和游客照片的空間集群的位置和范圍。

4.使用雙變量空間自相關工具分析住宿類型（酒店和Airbnb）和游客照片之間的空間自相關。

5.為了分析旅游業(yè)對居民人口的壓力，得出了每1 000名居民擁有酒店和Airbnb床位的比率。

6.利用多元回歸模型（Ordinary Least Squares，OLS）來識別酒店和Airbnb 住宿的不同區(qū)位模式背后的驅動機制。

人口普查層面的匯總數據和密度地圖是提供住宿分布的初步可視化方法，可以比較Airbnb和酒店住宿的空間模式。描述性統(tǒng)計可用于測量以確定調節(jié)類型的集中或分散程度。數據歸一化是為了在每個人口普查數據中反映一種產品相對于另一種產品的相對優(yōu)勢程度。為此，Airbnb提供的正常化密度從每個區(qū)域提供的酒店的正?；芏戎锌鄢?。

根據人口普查的匯總數據，然后利用空間統(tǒng)計指標分析這些地點格局。全局空間自相關指數統(tǒng)計用來測量基于特征位置和屬性值的空間自相關。局部空間自相關指數統(tǒng)計是用來確定不同類型住宿地點的當地傾向。使用全局和局部雙變量Moran指數分析來測量變量之間的空間自相關，并識別一個變量的高值被第二個變量的高值（高高聚集）包圍的空間聚類并以此類推。我們選擇考慮1公里半徑內的觀測值之間的空間相互作用，即15分鐘步行范圍，權重與距離成反比。

兩個多元回歸模型（OLS）分別使用酒店和Airbnb床位的標準化密度作為因變量進行計算。候選自變量包括土地使用、距人口普查區(qū)域形心1公里半徑內的旅游照片密度、到市中心（故宮）的距離。

六、研究結果

（一）旅游住宿的分布

根據人口普查數據，Airbnb住宿量平均為92家，而酒店為134家，其中Airbnb住宿量最高可達1 300家左右，中心部分地區(qū)的酒店住宿量最高可達4 000多家。這些酒店高度集中，包括雍和宮、什剎海公園、工人體育場、三里屯，一些專門用于商業(yè)和金融的區(qū)域，比如王府井、國貿、中關村、北京環(huán)球金融中心、金融街等。在這些地區(qū)以外，可用性要低得多。從變異系數可以看出，Airbnb住房分布的差異并不明顯，其數值比酒店低得多。

為了比較酒店和Airbnb住宿情況，分析了具有標準化數據的可容納場所密度，這抵消了兩個變量范圍內的差異，從而使它們具有可比性。與酒店的相對分散性不同，Airbnb的住宿位置位于城市中心的中心地帶，即西城區(qū)。它所覆蓋的區(qū)域比酒店要廣泛得多，并占據著傳統(tǒng)市中心的住宅區(qū)，如南鑼鼓巷、王府井、西單、前門等。在所有這些區(qū)域，Airbnb的存在要相對大于酒店。因此，Airbnb的住宿也增加了該中心的旅游壓力。

空間統(tǒng)計分析證實了這些區(qū)位模式的統(tǒng)計意義。全局空間自相關指數在兩種情況下都表現(xiàn)出很強的正空間自相關（正Moran指數，P值=0.00000）。但由于Airbnb的房價高于酒店，利用局部空間自相關指數，可以確定空間聚類分布。正如預期，這兩個案例都顯示出市中心的高高聚集，而外圍則呈現(xiàn)低低聚集。在酒店住宿方面，高高聚集主要位于東長安街兩側及南鑼鍋巷到世貿軸線兩側，在其周圍出現(xiàn)低高離群值。這些傳統(tǒng)中心地區(qū)上有明顯的居住特征，但酒店住宿相對較少。以Airbnb為例，高高聚集延伸至市中心的所有區(qū)域，包括屬于住宅性質的區(qū)域。無論酒店還是Airbnb，中心地區(qū)的外緣是一條價值不顯著的區(qū)段帶，這將標志著中心地區(qū)旅游住宿的界限。以Airbnb為例，這條地帶很窄，界線也很明確，被所有城市周邊的低低聚集人口所包圍。相比之下，酒店由于位于城市對角線、軸線及副中心周邊，價值不顯著的地帶更為分散和廣泛。根據聚集類型劃分，人口普查數據證實了Airbnb的分布比酒店具有更大的正空間自相關，其中高高聚集、低低聚集及低離群值類型的人口普查數量較多。

（二）游客到訪地區(qū)

為了分析主要的旅游區(qū)域，本文根據絕對值（每公頃的照片數量）計算了游客拍攝照片的密度值，以便于將酒店和Airbnb住宿的密度進行比較。

表2 游客照片分布的基本統(tǒng)計數據

這些照片反映了城市主要景點的空間分布。最常被拍照的地方，也因此是游客最多的地方，如天安門廣場、故宮、天壇、頤和園、國家體育場、世園會、長城等。所有這些景點都顯示了人口普查區(qū)域的分布，這些區(qū)域分布在整個城市，并且有很高的強度，其中數值超過4 000張甚至6 000張照片，而平均每個區(qū)域有50張照片。

盡管數值低于Airbnb和酒店，但其空間自相關指數表明區(qū)域分布具有很強的空間自相關關系。局部空間自相關計算顯示，高高聚集主要位于兩個區(qū)域，一是故宮，另一個是三里屯—世貿軸線。從邏輯上講，在遠離市中心的四環(huán)外邊緣人口普查區(qū)域，游客的存在被稀釋，低低聚集占主導地位。

（三）不同類型住宿地理位置之間的關系：酒店和Airbnb

分析酒店和Airbnb住宿地理位置之間的關系可以使用雙變量空間自相關方法。雙變量空間自相關指數顯示，酒店與Airbnb住宿地理位置之間存在非常高的空間正自相關。集群的分布呈現(xiàn)出明顯的中心—外圍格局。高高聚集住宅位于東長安街兩側及南鑼鍋巷到世貿軸線兩側，這些區(qū)域存在大量的酒店，并且被大量的Airbnb住宿所包圍。該類型區(qū)域也出現(xiàn)在市中心的傳統(tǒng)居民區(qū)，Airbnb在這些地區(qū)的影響力也非常大。然而，在中心居住區(qū)，低高聚集占主導地位，酒店數量少，Airbnb住宿水平高。在外圍區(qū)域，低低聚集占優(yōu)勢，即酒店數量較少，而周圍的Airbnb使用率較低。高低聚集區(qū)域（酒店集中度高，Airbnb存在度低）的情況并不多見。

七、總結

P2P住宿平臺在旅游城市的興起很少受到研究者的關注，尤其是在住宿地點及其對城市的可能影響方面。本研究旨在彌補這方面的研究欠缺，以北京市為例，分析城市酒店與Airbnb住宿的空間格局差異。研究結果表明，北京Airbnb住宿分布具有明顯的中心—邊緣格局。它的房源往往集中在市中心東二環(huán)附近，覆蓋范圍比酒店主軸線更廣，同時也延伸到沒有酒店住宿的非中心住宅區(qū)?？臻g自相關分析表明，Airbnb的分布更簡單、更有規(guī)律，從中心的高高聚集到外圍的低低聚集，并且很少有離群點。相比之下，酒店呈現(xiàn)出更復雜的模式，高高聚集和低低聚集的擴展更少，而非顯著的人口區(qū)域和離群值的擴展更大。

雙變量空間自相關分析揭示了Airbnb住宿與酒店之間的密切空間聯(lián)系。這一分析結果所顯示的中心—外圍格局非常清楚。住宿地點和居住人口之間的關系表明，新住宅區(qū)正被納入到傳統(tǒng)住宅區(qū)壓力范圍內，這種壓力主要來自城市主要旅游軸線沿線的旅游業(yè)，而Airbnb顯然增加了這種壓力。Airbnb的新住宿地點和居住人口的共存出現(xiàn)了問題。

總之，Airbnb正在改變旅游住宿模式，在某種程度上，目前在城市與大眾旅游產生沖突。國際上，舊金山、紐約、柏林、巴塞羅那和其他城市正試圖通過審查來控制這類租賃的擴張，以確保公寓沒有非法運作，并確保繳納稅款。通過這種方式，不僅可以征收更多的稅收，而且Airbnb相對于傳統(tǒng)住宿的競爭優(yōu)勢也會減弱，從而降低其進一步擴張的前景，降低對居民區(qū)的不良影響。