共享住宿時空演變及其影響因素研究
——以南京市為例

徐菲菲，胡 娟，剌利青，胡明星，羅桑扎西，周 進

引言

互聯網技術、大數據、算法的迭代優化促進了以點對點交易和閑置資源利用為主要特征的共享經濟新業態新模式的創新發展，在住宿接待業領域表現為共享住宿平臺的興起和蓬勃發展。國家信息中心將共享住宿（Airbnb）定義為“以互聯網平臺為依托，整合共享海量、分散的住宿資源，滿足多樣化住宿需求的經濟活動總和”[1]。共享住宿在充分利用城市和鄉村的閑置房產資源、提供真實新穎獨特的旅游住宿體驗、激發旅游和住宿行業創新發展活力等方面發揮了重要作用[2-3]。共享住宿具有依托居民房產資源的不受監管的擴張特性，對城市住宿供給的空間結構和城市空間重塑產生直接影響[4]。研究共享住宿的空間分布規律和影響因素對于回應其快速發展給居民生活帶來的負面影響、標準與非標準住宿之間的競合關系以及監管政策的制定至關重要。

國際上關于共享住宿空間布局的研究成果較多，主要以國際最具代表性的共享住宿平臺Airbnb為例，以不同國家的不同層級城市、不同類型旅游目的地為案例地探究了不同尺度下共享住宿的空間分布規律[4-7]。國內關于共享住宿的研究成果從2020年開始陸續出現，從不同空間尺度進行了探索性研究[8-9]，特別是城市內部的共享住宿空間分布特征得到了學者的關注，案例地以北京[10-13]和上海[14-17]為主。研究表明，共享住宿與市中心和旅游點的分布有著密切的關系，其空間分布背后受到供需機制的支配，呈現出從市中心向外圍輻射滲透和沿旅游點、交通干線分布的規律。

縱觀現有研究，存在以下不足：（1）盡管共享住宿在城市內部的空間分布已經引起了部分學者的關注，但基本探討的是北京和上海兩個城市的空間分布特征，對其他次級城市的空間分布格局認識不足。（2）Airbnb房源內部的類型差異未得到應有的關注。具體而言，Airbnb網站將房源類型分為整套房屋（entire house/apartment）、獨立房間（private room）、共享房間（shared room）三類。整套房屋在市場上的數量最多，提供更好的住宿體驗，價格也相對較高，以居民閑置的第二套及以上的房源作為擴張的基礎。獨立房間是臥室單獨使用，其他空間共享，價格一般介于整套房屋和共享房間之間，房東會根據房間大小、設施（如衛生間、陽臺等）進行差異化定價。共享房間類似于青年旅舍，以床位的形式進行出租，價格更為低廉，但存在較高的安全隱患，這類房源在市場上的數量最少。三類房源具有不同的價格水平，顧客群體特征也存在顯著差異，其在空間分布上具有怎樣的差異、空間分布背后的影響因素作用機制有何不同，亟待進一步探討。

基于上述思考，本研究以南京市為例，基于爬蟲獲取的Airbnb房源數據，探究南京市共享住宿的時空演變規律、不同類型房源空間分布的異質性、空間分布的影響因素，一方面豐富關于共享住宿在城市內部的空間分布特征和擴張規律的研究成果，另一方面通過對比研究，加深關于共享住宿房源內部差異對城市空間重塑的復雜影響的了解，有助于對不同類型的共享住宿經營者的選址依據有更加清晰的認識。實踐上，能夠為城市住宿產業監管政策、城市空間的可持續規劃、共享住宿行業的健康發展提供指導。

1 研究區域概況、數據來源和研究方法

1.1 研究區域

本文選擇南京市作為案例地，原因如下：（1）與北京和上海共享住宿發展較為成熟的狀況不同，南京市的共享住宿房源數量相對較少，在新冠肺炎疫情暴發之前處在供不應求的階段。根據2019年發布的《Airbnb愛彼迎中國房東社區報告》，南京的夫子廟商圈與市中心的共享住宿處于供不應求的狀態。（2）南京市總面積6 587 km2，是長三角特大城市和長三角輻射帶動中西部地區發展的重要門戶城市，旅游和住宿業在城市發展中占有重要地位。（3）南京市共享住宿的空間格局和發展趨勢還存在學術空白。

1.2 數據來源

Airbnb是共享住宿領域的代表性平臺，本研究通過Python程序從Airbnb官網獲取南京Airbnb房源數據，截至2021年12月31日，共獲取12 021條房源數據。剔除重復、無效數據后，共獲得有效房源數據11 638條；在百度地圖API平臺上爬取南京POI數據共571 977條，包括交通節點、酒店、居民住宅、餐飲點、景區景點、高校、醫院等；房價數據來自安居客平臺（https://nanjing.anjuke.com/market/）。

1.3 研究方法

本研究運用空間自相關、標準差橢圓、核密度估計等方法分析南京市Airbnb房源的時空演變規律。（1）空間自相關。全局空間自相關（Moran's I）用于反映全區域內的空間集聚特征；局部空間自相關用于識別局部的空間異質性[18]。（2）標準差橢圓用于分析地理要素的空間分布方向性特征，橢圓的大小反映空間格局總體要素的集中程度，長半軸反映格局的主導方向[19]。（3）核密度估計用于直觀反映房源數據在連續區域內的分布情況[20]。（4）地理探測器是用于度量空間分異性、探測解釋因子、分析變量之間交互關系的統計方法[21]。本研究采用因子探測器探索影響因素對房源空間分布的解釋力，研究南京市房源總體及三類房源空間分布背后的驅動機制。南京市Airbnb主要集中在主城區，其他區域包括江寧區、溧水區、棲霞區、六合區、浦口區的房源點位分布較少。為減少無要素點區域對結果產生的干擾，本研究將南京按照2 km×2 km的規格劃分得到1 811個網格，刪除無要素點分布的網格后得到249個網格，并生成質心，以網格為單元進行因子探測器分析。

2 南京市共享住宿的時空演變特征

2.1 總體房源的時空演變特征

根據房東的注冊時間，繪制南京市每年新增Airbnb數量統計圖（圖1）。房東注冊起始時間為2015年，這與Airbnb宣布正式進入中國市場的年份一致。從總體時間分布特征來看，2015—2019年新增Airbnb房源數量逐年上升，2020年和2021年新增數量開始下降，反映了新冠肺炎疫情對共享住宿發展帶來的影響。以街道為單位、以每年新增房源數量為計算對象的全局莫蘭指數分析結果表明（表1），Moran's I指數均為正（P〈0.01，Z〉2.58），說明南京Airbnb房源在空間分布上呈顯著集聚態勢，即Airbnb數量多的街道彼此相鄰。2016年Airbnb數量的全局Moran's I指數最高，2017年和2018年略有下降，2019年有所提高。受新冠肺炎疫情沖擊，2021年的指數大幅下降。總體而言，新冠肺炎疫情暴發之前南京市Airbnb房源數量顯著上升，空間集聚程度較高，新冠肺炎疫情暴發之后的房源新增數量下降，集聚程度顯著降低。從總體空間分布特征來看，根據南京市Airbnb房源總體的局部莫蘭指數圖（圖2），南京市共享住宿在夫子廟—新街口地區表現出高—高集聚，在秦淮區部分街道如光華路街道表現為低—高集聚。

圖1 南京市每年新增Airbnb數量

圖2 南京市Airbnb房源局部莫蘭指數（2015—2021年）

從時空演變特征來看，2015年、2017年、2019年、2021年新增房源的局部莫蘭指數圖（圖3）表明Airbnb的空間溢出效應逐漸增強。2015年房源的高—高聚集區主要分布在秦淮區大部分街道和玄武區的部分街道（如玄武門街道、新街口街道、梅園新村街道、孝陵衛街道），在秦淮區、雨花臺區、建鄴區的少數街道出現了低—高集聚。這說明南京市共享住宿早期發展以市中心（新街口）和熱門旅游景點（如夫子廟秦淮風光帶、明孝陵、玄武湖）為主要擴張區域。2017年、2019年、2021年新增房源的高—高集聚區有所減少，且主要分布在夫子廟秦淮風光帶周邊區域，說明共享住宿經營者的選址趨向集聚，以熱門旅游景點為主要依據。

年份 Moran's I 指數 Z 得分 P 值2015 0.132 927 9.680 550 0.000 000 2016 0.138 208 10.134 486 0.000 000 2017 0.111 731 8.430 680 0.000 000 2018 0.110 280 8.410 322 0.000 000 2019 0.132 086 9.757 611 0.000 000 2020 0.108 033 8.050 191 0.000 000 2021 0.043 722 3.724 490 0.009 246

2.2 不同類型房源的時空演變特征

2.2.1 整套房屋

根據整套房屋的核密度估計（圖4），整體上南京市Airbnb整套房屋形成了秦淮夫子廟風光帶一級核心和秦淮紅花街道次級核心，呈現出從中心向外圍擴散的團塊狀發展態勢，主城區之外的江寧區、浦口區部分街道出現了分散的集聚點位。

圖4 南京市Airbnb整套房屋核密度分析（2015—2021年）

從時空演變來看（圖5），2015年整套房屋空間分布較為分散，密度較低，呈現出以秦淮區（五老村街道和洪武路街道）、建鄴區（建鄴新城科技園和河西中央商務區交界處）為核心的雙核分布態勢。2016—2017年，整套房屋呈現出明顯的南北縱向擴散態勢，分布密度顯著上升，分布范圍擴大。其中，秦淮區五老村街道和洪武路街道的核心地位加強，并出現了新的次級核心——秦淮區紅花街道。2018—2019年的分布密度有所上升，在雙核心基礎上繼續向外擴張滲透，分散點位相互聯結形成團塊狀發展態勢。主城區之外的江寧區、浦口區部分街道出現了新的聚集點。2020—2021年受新冠肺炎疫情影響，新增房源密度和范圍都有所下降，呈現出更為明顯的集聚和南北縱向發展態勢。

2.2.2 獨立房間

總體上，南京市Airbnb獨立房間的空間分布態勢形成了夫子廟秦淮風光帶的一級核心和秦淮區紅花街道西南部的次級核心，向東與玄武區的孝陵衛街道相連形成連體發展趨勢。與整套房屋不同的是，獨立房間的分布范圍更廣，在主城區之外的江寧區湯山街道和浦口區的東北部形成了離散的低密度聚集區（圖6）。獨立房間的時空演變也呈現出與整套房屋不同的規律，即早期的獨立房間發展緩慢，后期發展勁頭較為強勢，且受新冠肺炎疫情影響的程度較低。如圖7所示，2015年獨立房間數量少且較為分散，尚未形成聚集核心。2016—2017年獨立房間快速發展，表現出以夫子廟秦淮風光帶和秦淮區紅花街道為核心的南北縱向發展、東西零星分布態勢。2018—2019年獨立房間的分布密度繼續上升，與整套房屋的空間發展趨勢一致。但新冠肺炎疫情后的空間擴張趨勢與整套房屋存在明顯差異，2020—2021年獨立房間以夫子廟秦淮風光帶為核心在全市范圍內滲透擴散，體現出共享住宿向郊區、鄉村滲透的傾向。

2.2.3 共享房間

相比于整套房屋和獨立房間，南京市共享房間數量非常少且分布范圍小，空間集聚態勢顯著，以瑞金路街道和梅園新村街道五老村街道的交界處為核心（圖8）。如圖9所示，共享房間的空間擴散主要是2015—2018年，呈現出3個聚集點位（夫子廟街道、瑞金路街道和梅園新村街道五老村街道的交界處、五老村街道華僑路街道和新街口街道的交界處），2018年以后幾乎沒有新增。

圖8 南京市Airbnb共享房間房源核密度分析（2015—2021年）

圖9 南京市新增Airbnb共享房間房源核密度分析（a）2015—2018年 （b） 2019—2021年

3 共享住宿空間分布影響因素分析

與酒店的空間擴張受城市土地利用和行政審批的限制不同，共享住宿的空間擴張主要受供需關系的支配和閑置房產資源分布的影響。結合以往研究[7，14，16-17]以及數據的可獲得性，本研究選取的影響因子共16個，涵蓋生活服務、交通便利性、房源供給、旅游吸引力四類，指標的具體定義見表2。為了解不同類型房源空間分布背后的驅動機制，本研究以房源數量為因變量，利用地理探測器分別對總體房源、整套房屋、獨立房間、共享房間進行分析。

總體房源的因子探測器結果顯示（表3），10個因素對共享住宿空間分布的影響力在0.001水平下顯著，一個因素（醫院距離）在0.05的水平下顯著。根據系數大小，因子的影響力排序為：景區景點數量（0.382 2）〉餐飲數量（0.342 0）〉購物場所數量（0.295 6）〉娛樂休閑場所數量（0.275 7）〉酒店數量（0.270 5）〉住宅數量（0.264 3）〉房價水平（0.234 9）〉文化藝術場所數量（0.230 5）〉市中心距離（0.225 8）〉地鐵公交數量（0.212 6）。高校距離、地鐵站距離、車站機場距離、醫院距離、景區距離、體育場所數量對共享住宿空間分布的解釋力不顯著。

就影響因素對不同類型房源的空間布局的作用而言，獨立房間和整套房屋的空間驅動機制存在相似之處，二者都受市中心距離、景區景點數量、地鐵公交數量、餐飲數量、住宅數量、文化藝術場所數量、購物場所數量、娛樂休閑場所數量因素的影響。不同之處在于，車站機場距離和醫院距離對獨立房間的空間布局具有顯著解釋力，而對整套房屋的影響不顯著。酒店數量和房價水平對整套房屋具有顯著影響，而對獨立房間的影響不顯著。共享房間的空間分布機制則與獨立房間和整套房屋都不同，僅有兩個因素（文化藝術場所數量和景區景點數量）表現出較強的解釋力，且由于共享房間房源數量過少（共209間，占比1.79%），整體上因子探測效果較差。

指標維度因素 定義 數據性質影響高校距離 網格內共享住宿要素點到高等院線的平均最近直線距離 距離醫院距離 網格內共享住宿要素點到三甲醫院的平均最近直線距離 距離文化藝術場所數量 網格內文化藝術場所設施數量 數量生活服務購物場所數量 網格內購物中心、便利店數量 數量體育場所數量 網格內體育場所數量 數量娛樂休閑場所數量 網格內娛樂休閑場所數量 數量餐飲數量 網格內餐飲店數量 數量酒店數量 網格內經濟型酒店、中高檔酒店數量 數量地鐵站距離 網格內共享住宿要素點到地鐵站的平均最近直線距離 距離交通便利性車站機場距離 網格內共享住宿要素點到車站機場的平均最近直線距離 距離地鐵公交數量 網格內地鐵公交站的數量 數量市中心距離 網格中心到市中心的直線距離 距離房源供給住宅數量 網格內居民住宅數量 數量房價水平 網格內房價的平均水平 數量旅游吸引力景區距離 網格內共享住宿要素點到4A 級以上景區的平均最近直線距離 距離景區景點數量 網格內景區景點的數量 數量

4 結論與討論

本文探究了南京市Airbnb房源的時空演變特征和影響因素，主要發現如下：

空間上，南京的共享住宿分布具有核心—邊緣集聚、南北縱向分布的特征。核心邊緣的分布規律與以往研究[14-16]一致，表明不同層級的城市均顯示出共享住宿在市中心和熱門旅游景點集聚的特征。存在差異的是，南京市Airbnb房源空間格局呈南北縱向擴散，這與南京市南北走向的空間結構有關[22]，表明城市空間結構是Airbnb空間格局的重要影響因素。

時間上，南京市共享住宿呈現出從雙核集聚到組團連片的演變特征，即以夫子廟秦淮風光帶和市中心為核心逐漸向外圍擴散，呈現出連點成片的發展態勢。值得關注的是，不同類型房源的擴張特征存在差異。在早期萌芽階段（2015年），整套房屋的擴張速度較快，形成了早期的核心集聚區，而獨立房間的發展較為緩慢。在快速發展階段（2016—2019年），獨立房間的擴散速度顯著加快，在全市范圍內滲透擴散；整套房屋在主城區范圍內呈現更加明顯的集聚態勢；共享房間數量最少且發展最為緩慢，覆蓋范圍局限于市中心和熱門旅游景點附近。

南京市共享住宿房源的空間分布受到多個因素的綜合影響，其中景區景點數量的解釋力最強，市中心距離的解釋力相對較低。這與以往的研究結果存在差異，如Lagonigro等表明市中心距離是Airbnb空間分布的關鍵影響因素[23]。此外，南京市的共享住宿空間分布與餐飲點、購物場所、娛樂場所、酒店、居民住宅、文化藝術場所、交通節點存在密切關聯。交通便利、具有旅游吸引力、POI集聚的地區客流量多[24]，游客住宿需求高，因此共享住宿分布數量較多，表明共享住宿的空間分布主要受供需關系的支配。

不同類型共享住宿房源的空間布局和影響因素作用機制存在差異。與Adamiak等人[4]的發現一致，獨立房間由核心向外圍擴散的趨勢比整套房屋和共享房間顯著，共享房間的空間分布集聚程度更高。另外，同一影響因素對不同類型共享住宿空間分布的解釋力存在差異。其中，酒店與整套房屋的空間分布關聯更加密切，而與獨立房間和共享房間不存在顯著的空間關聯。可能的原因是整套房屋提供的服務與傳統酒店較為相似，能夠滿足游客對于獨立私人空間的需求，同時具有空間和廚房設施方面的優勢，與傳統酒店存在較強的競爭關系，因此整套房屋經營者的選址經常伴隨酒店分布。這也表明酒店與共享住宿的競合關系應當區分共享住宿房源的異質性，驗證了La等[7]的研究結果。獨立房間的空間格局受到醫院和車站機場分布的影響，可能的原因是獨立房間的價格相對低廉，對于解決看病人群的短期住宿需求具有重要作用。

本研究為不同類型房源的住宿監管措施提供實踐建議。首先，整套房屋的早期快速擴張和后期集聚對居民的長期租賃和酒店經營管理產生了負面影響，容易引起租金價格上漲、不正當競爭、紳士化等問題。因此，避免整套房屋過度聚集、對擁有多套房源的專業管理公司進行消防安全設施檢查和稅收監管對于共享住宿持續健康發展和消費者權益保護是必要的。其次，獨立房屋交通便利和價格低廉的優勢，表明其在增加住宿供給、解決特定群體的住宿需求方面具有重要作用。這類房源也表現出了較強的向郊區、鄉村滲透的傾向。對于這類房源，政府部門可以采取寬松的鼓勵政策，通過有效利用村民自有房屋，為鄉村民宿發展和鄉村振興助力[25]。最后，共享房間的數量較少、價格低廉，能夠幫助解決低收入群體的住宿需求，但改建上下鋪的經營方式存在安全隱患，因此應充分重視對此類房源的安全監管。

本文也存在一些局限性。地理探測器的應用只能實現對截面數據的研究，無法實現各要素對共享住宿空間分布影響的時空演變的研究。同時，由于部分數據難以獲取，本文沒有納入地區的人口屬性、房源閑置率等影響因素。本研究發現，區分不同的房源類型對于認識共享住宿的時空演變及驅動機制是必要的，整套房屋、獨立房間和共享房間在經營者、價格水平、服務人群、空間分布、社會效用和監管重點等方面都有所差異。共享住宿發展受到經濟發展水平的制約，現有研究主要對象是北京、上海等較為發達的城市，那么在經濟欠發達的城市和鄉村地區，整套房屋、獨立房間和共享房間在時空分布、演化規律和驅動機制上存在怎樣的特征？對城市空間格局塑造和居民生活是否產生不同程度的影響？這些問題還有待進一步探究。

5 結語

本文綜合采用空間自相關、標準差橢圓、核密度估計、地理探測器等地理學分析方法，對2015—2021年南京市共享住宿時空演變特征及其影響因素進行了系統研究，結果表明整體上南京市共享住宿呈現出從雙核集聚到組團連片的由核心向外圍擴散的時空演變特征，不同類型房源的擴張規律及影響機制存在顯著差異。本研究為識別共享住宿房源內部差異、制定城市住宿產業監管政策、編制城市空間可持續規劃、促進共享住宿行業健康發展提供科學依據。