“商業(yè)化”的共享:北京主城區(qū)Airbnb房源的時(shí)空演變特征與成因

鐘 星,侯國(guó)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(jì)是以互聯(lián)網(wǎng)社區(qū)平臺(tái)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(dòng),通過(guò)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(jì)為基礎(chǔ)的共享住宿產(chǎn)業(yè)應(yīng)運(yùn)而生. 中國(guó)國(guó)家信息中心發(fā)布的《中國(guó)共享經(jīng)濟(jì)發(fā)展報(bào)告(2020)》顯示,2019年我國(guó)共享住宿領(lǐng)域規(guī)模達(dá)到225億元[2],共享住宿行業(yè)在我國(guó)展現(xiàn)出蓬勃的生機(jī).

共享住宿在發(fā)展過(guò)程中,逐漸呈現(xiàn)商業(yè)化和專業(yè)化的趨勢(shì). 早期Airbnb平臺(tái)僅出租少量或者1處房源,而近幾年,商業(yè)經(jīng)營(yíng)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(chǎng),使Airbnb平臺(tái)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(yíng)2個(gè)及2個(gè)以上房源的商業(yè)經(jīng)營(yíng)者成為Airbnb平臺(tái)最富有爭(zhēng)議的問題之一[5],Dolnicar[4]認(rèn)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(yíng)者和普通個(gè)人房東的最大區(qū)別是對(duì)利潤(rùn)的要求,商業(yè)經(jīng)營(yíng)者側(cè)重于實(shí)現(xiàn)最大限度的投資回報(bào)率以獲得財(cái)務(wù)收益[6],因此,商業(yè)經(jīng)營(yíng)者成為了Airbnb平臺(tái)的主要收入來(lái)源,甚至成為Airbnb平臺(tái)增長(zhǎng)和擴(kuò)張的關(guān)鍵驅(qū)動(dòng)力[3]. 商業(yè)化發(fā)展的同時(shí),也造成不可忽視的負(fù)面效應(yīng),如影響住房供應(yīng)市場(chǎng)[5,7]、破壞Airbnb平臺(tái)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(duì)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(duì)不同商業(yè)化程度的Airbnb房源的時(shí)空演變過(guò)程和驅(qū)動(dòng)機(jī)制進(jìn)行探討. 因此,本文基于北京主城區(qū)Airbnb房源數(shù)據(jù),對(duì)Airbnb房源的空間分布特征和成因進(jìn)行分析,以期揭示國(guó)內(nèi)城市Airbnb房源的商業(yè)化運(yùn)作程度和時(shí)空演變模式,為國(guó)內(nèi)共享住宿產(chǎn)業(yè)選址、集聚區(qū)規(guī)劃實(shí)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(lái)源

1.1 研究區(qū)域概況

《中國(guó)共享經(jīng)濟(jì)發(fā)展年度報(bào)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(guó)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(yáng)區(qū)、海淀區(qū)、豐臺(tái)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(qiáng)的中心性[15],為了更加微觀和細(xì)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(lái)源和處理

Airbnb房源數(shù)據(jù)來(lái)自Airbnb官方數(shù)據(jù)匯編網(wǎng)站http://insideAirbnb.com/,采集時(shí)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(lái)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(shí)間均為2020年6月.

目前Airbnb平臺(tái)未對(duì)商業(yè)經(jīng)營(yíng)者進(jìn)行特殊的標(biāo)識(shí),學(xué)界主要以房東運(yùn)營(yíng)的房源數(shù)量來(lái)判定是否為商業(yè)經(jīng)營(yíng)者. Horn等[5]將經(jīng)營(yíng)2個(gè)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(jí)商業(yè)房東”. 據(jù)此,本文參考前人對(duì)房東的劃分方法,根據(jù)房東運(yùn)營(yíng)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(yùn)營(yíng)2-9套房源),Ⅲ類房源(其房東運(yùn)營(yíng)10套及以上房源,即“超級(jí)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(qiáng).

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(zhǎng),改變r(jià)的大小,統(tǒng)計(jì)出被房源據(jù)有的網(wǎng)格數(shù)N(r),N(r)會(huì)隨網(wǎng)格尺度的變化而變,若房源分布具有無(wú)標(biāo)度性,則有:

N(r)∝r-T,

(1)

式中,T=D0為容量維.假設(shè)行號(hào)為i、列號(hào)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(dāng)D=0時(shí),表明所有房源接近于某一點(diǎn);當(dāng)D=2時(shí),表示房源分布均勻;當(dāng)D值趨近于1時(shí),表明房源有沿某條地理線分布的趨勢(shì);當(dāng)D1=D0時(shí),則房源的空間分布呈簡(jiǎn)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(diǎn)是聚類速度快,能有效地處理噪聲點(diǎn),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(xì)節(jié)層面保持?jǐn)?shù)據(jù)的定位精度[18]. 該算法主要包含2個(gè)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(jìn)行了實(shí)踐[14,19],表明了該算法對(duì)于空間要素分析的適用性. 基于此,本文通過(guò)DBSCAN聚類算法對(duì)北京主城區(qū)Airbnb房源進(jìn)行聚類識(shí)別,并進(jìn)一步劃分等級(jí),分析Airbnb房源發(fā)展的空間差異.

1.3.3 地理探測(cè)器

地理探測(cè)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(biāo),實(shí)現(xiàn)了分異及因子探測(cè)、交互探測(cè)、風(fēng)險(xiǎn)探測(cè)等功能的模型[20]. 其中,因子探測(cè)器用于探測(cè)某個(gè)地理因素是否為導(dǎo)致指標(biāo)值空間分布差異的原因.

2 時(shí)空演變特征

2.1 時(shí)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(zhǎng)率看,2010—2014年增速持續(xù)提高,到2014年增長(zhǎng)率達(dá)到峰值;2014—2017年增長(zhǎng)率雖大幅回落,但房源數(shù)量仍逐年增加;2017—2019年增長(zhǎng)率趨于穩(wěn)定,波動(dòng)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(tái)發(fā)展歷史和國(guó)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(gè)階段:初始萌芽階段(2010—2014年)、強(qiáng)勢(shì)發(fā)展階段(2014—2017年)和穩(wěn)步擴(kuò)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(shí)序演變的過(guò)程中,各個(gè)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(jí)商業(yè)房東的占比分別為42.02%和5.23%,旗下運(yùn)營(yíng)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(xiàng)屬性和指標(biāo)與波士頓、里斯本、舊金山和悉尼等城市進(jìn)行對(duì)比(表1),之所以選擇這些城市,是因?yàn)橐延醒芯勘砻?當(dāng)?shù)氐腁irbnb已形成較強(qiáng)的商業(yè)化運(yùn)作[5,7,21-22]. 通過(guò)對(duì)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(biāo)方面,北京主城區(qū)的數(shù)值都高于其他城市. 由此可推測(cè):北京主城區(qū)Airbnb房源的商業(yè)化運(yùn)作程度相對(duì)較高,一定程度上違背了共享經(jīng)濟(jì)的初衷,并再次驗(yàn)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(duì)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(jì)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(diǎn)圖(圖2),采用最小二乘法得出對(duì)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(duì)數(shù)散點(diǎn)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(gè)時(shí)間結(jié)點(diǎn)的整體房源在一定測(cè)算尺度上存在明顯的無(wú)標(biāo)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(gè)時(shí)間結(jié)點(diǎn)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(guò)程中由集中集聚向相對(duì)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(duì)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(shì),分形結(jié)構(gòu)較為復(fù)雜,在演化過(guò)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(yáng)區(qū)的交界處展開,此外,在社會(huì)經(jīng)濟(jì)發(fā)展水平高、商業(yè)發(fā)達(dá)、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(duì)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(duì)應(yīng)的容量維D0,與上文的計(jì)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(shì)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(tái),通過(guò)Spyder環(huán)境編寫DBSCAN聚類算法,對(duì)2014年、2017年和2019年的整體房源及2019年的Ⅰ、Ⅱ、Ⅲ類房源進(jìn)行空間聚類. 參考相關(guān)文獻(xiàn)[14,19]、K-距離圖及實(shí)際聚類效果,觀測(cè)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(diǎn)分級(jí)法和實(shí)際分布情況,將聚類結(jié)果分為5個(gè)等級(jí),并對(duì)聚類中心進(jìn)行可視化(圖3).

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

從整體房源的聚類等級(jí)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(kuò)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(jí)聚類中心分布在北京最繁華的區(qū)域:三里屯—團(tuán)結(jié)湖—朝外SOHO片區(qū),由此確定了Airbnb房源空間擴(kuò)張的原點(diǎn)和高等級(jí)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(kuò)張速度加快,高級(jí)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(kuò)大,尤其以西南方向的擴(kuò)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(jí)聚類中心逐漸強(qiáng)化,升級(jí)為高級(jí)聚類中心,并帶動(dòng)周邊集聚區(qū)發(fā)展,整體流程較為連續(xù)和順暢.

進(jìn)一步對(duì)比3種不同類型房源的集群等級(jí)(圖3(d)-圖3(f))發(fā)現(xiàn),各類房源的一級(jí)集聚區(qū)的位置基本一致,處于朝陽(yáng)區(qū)和東城區(qū)交匯的朝陽(yáng)門—建國(guó)門—國(guó)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(gè)聚類中心獨(dú)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(jí)聚類中心主要分布在朝陽(yáng)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(qiáng)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(duì)共享住宿分布的影響因素探討則相對(duì)較少[10-14,26]. 構(gòu)建影響北京主城區(qū)Airbnb房源分布的指標(biāo)體系,按照如下思路進(jìn)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(shí)的因素納入影響指標(biāo)體系中,再綜合北京的實(shí)際情況、指標(biāo)數(shù)據(jù)的可獲取性和具體指標(biāo)的代表性,最終選取5項(xiàng)一級(jí)指標(biāo)和12項(xiàng)二級(jí)指標(biāo)(表3).

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

3.2 地理探測(cè)結(jié)果及分析

利用地理探測(cè)器方法,計(jì)算Airbnb房源的PD,H以全面揭示不同因素指標(biāo)對(duì)北京主城區(qū)Airbnb房源空間分布的影響機(jī)理. 為使分析單元分配更加均衡,將研究區(qū)域按邊長(zhǎng)為2 km的方格劃分,刪除不規(guī)則網(wǎng)格,最終確定347個(gè)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(xiàng)二級(jí)指標(biāo)作為自變量,并在計(jì)算前剔除房源數(shù)量為0的網(wǎng)格. 12項(xiàng)指標(biāo)按照等間距分段的方式離散化處理為10個(gè)等級(jí),運(yùn)用地理探測(cè)器測(cè)算各指標(biāo)因子對(duì)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(xiàng)指標(biāo)解釋力均達(dá)到99%水平以上的顯著,說(shuō)明上述指標(biāo)對(duì)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(cè)結(jié)果Table 4 Geographical survey results of influencing factors

從整體房源看,休閑娛樂場(chǎng)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(duì)房源分布起關(guān)鍵作用,表明Airbnb房源主要依托商圈經(jīng)濟(jì)、人流優(yōu)勢(shì)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(qiáng)的開放性,擁有完善的購(gòu)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(chǎng)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(diǎn)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(dòng)當(dāng)?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(huì)越多,當(dāng)?shù)鼐用窕蛏虡I(yè)房東通過(guò)Airbnb平臺(tái)對(duì)房源進(jìn)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(duì)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(diǎn)有關(guān).

進(jìn)一步對(duì)比各類房源地理探測(cè)器的計(jì)算結(jié)果可知:Ⅰ類房源是真正的“共享房源”,社會(huì)經(jīng)濟(jì)因素和發(fā)展基礎(chǔ)對(duì)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(duì)Ⅱ類房源的分布影響相對(duì)較大;Ⅲ類房源由“超級(jí)商業(yè)房東”運(yùn)營(yíng),商業(yè)化的運(yùn)作使房東更加注重投資回報(bào)的問題,對(duì)房源選址的明確性和針對(duì)性也會(huì)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(jì)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(shì)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(xiàng)二級(jí)指標(biāo),說(shuō)明大型交通樞紐的作用力對(duì)Ⅲ類房源不強(qiáng),推測(cè)與Ⅲ類房源核心集聚區(qū)的分布和“南強(qiáng)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(yùn)營(yíng)趨勢(shì)越發(fā)明顯,成為了Airbnb房源擴(kuò)張的關(guān)鍵驅(qū)動(dòng)力. 按照商業(yè)化運(yùn)作程度將Airbnb房源劃分為Ⅰ、Ⅱ、Ⅲ類,對(duì)北京主城區(qū)各類Airbnb房源的時(shí)空分布特征和空間集聚成因進(jìn)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(zhǎng)的態(tài)勢(shì),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(qiáng);(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(kuò)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(qiáng)北弱”的特點(diǎn);(3)地理探測(cè)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(jì)對(duì)北京主城區(qū)Airbnb房源發(fā)展有關(guān)鍵的推動(dòng)作用,其中,Ⅰ類房源受社會(huì)經(jīng)濟(jì)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(gòu)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(duì)北京主城區(qū)Airbnb房源的管理和運(yùn)營(yíng)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(duì)集中,可充分利用商業(yè)房源的空間集聚性對(duì)其進(jìn)行統(tǒng)一化管理,重點(diǎn)關(guān)注核心集聚區(qū)的房源運(yùn)營(yíng)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(diǎn),加強(qiáng)次級(jí)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(duì)不同類型的房源而言,影響布局的其他重要指標(biāo)不盡相同,在引導(dǎo)和調(diào)控過(guò)程中,需同時(shí)把握全局和內(nèi)部的均衡發(fā)展;(3)公共交通和對(duì)外交通樞紐對(duì)整體房源的影響大于私人交通,但不同交通要素對(duì)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(diǎn),城市管理者可進(jìn)一步加強(qiáng)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(xiàng)交通要素和整體房源協(xié)調(diào)發(fā)展.