共享住宿时空演变及其影响因素研究
——以南京市为例

徐菲菲，胡 娟，剌利青，胡明星，罗桑扎西，周 进

引言

互联网技术、大数据、算法的迭代优化促进了以点对点交易和闲置资源利用为主要特征的共享经济新业态新模式的创新发展，在住宿接待业领域表现为共享住宿平台的兴起和蓬勃发展。国家信息中心将共享住宿（Airbnb）定义为“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”[1]。共享住宿在充分利用城市和乡村的闲置房产资源、提供真实新颖独特的旅游住宿体验、激发旅游和住宿行业创新发展活力等方面发挥了重要作用[2-3]。共享住宿具有依托居民房产资源的不受监管的扩张特性，对城市住宿供给的空间结构和城市空间重塑产生直接影响[4]。研究共享住宿的空间分布规律和影响因素对于回应其快速发展给居民生活带来的负面影响、标准与非标准住宿之间的竞合关系以及监管政策的制定至关重要。

国际上关于共享住宿空间布局的研究成果较多，主要以国际最具代表性的共享住宿平台Airbnb为例，以不同国家的不同层级城市、不同类型旅游目的地为案例地探究了不同尺度下共享住宿的空间分布规律[4-7]。国内关于共享住宿的研究成果从2020年开始陆续出现，从不同空间尺度进行了探索性研究[8-9]，特别是城市内部的共享住宿空间分布特征得到了学者的关注，案例地以北京[10-13]和上海[14-17]为主。研究表明，共享住宿与市中心和旅游点的分布有着密切的关系，其空间分布背后受到供需机制的支配，呈现出从市中心向外围辐射渗透和沿旅游点、交通干线分布的规律。

纵观现有研究，存在以下不足：（1）尽管共享住宿在城市内部的空间分布已经引起了部分学者的关注，但基本探讨的是北京和上海两个城市的空间分布特征，对其他次级城市的空间分布格局认识不足。（2）Airbnb房源内部的类型差异未得到应有的关注。具体而言，Airbnb网站将房源类型分为整套房屋（entire house/apartment）、独立房间（private room）、共享房间（shared room）三类。整套房屋在市场上的数量最多，提供更好的住宿体验，价格也相对较高，以居民闲置的第二套及以上的房源作为扩张的基础。独立房间是卧室单独使用，其他空间共享，价格一般介于整套房屋和共享房间之间，房东会根据房间大小、设施（如卫生间、阳台等）进行差异化定价。共享房间类似于青年旅舍，以床位的形式进行出租，价格更为低廉，但存在较高的安全隐患，这类房源在市场上的数量最少。三类房源具有不同的价格水平，顾客群体特征也存在显著差异，其在空间分布上具有怎样的差异、空间分布背后的影响因素作用机制有何不同，亟待进一步探讨。

基于上述思考，本研究以南京市为例，基于爬虫获取的Airbnb房源数据，探究南京市共享住宿的时空演变规律、不同类型房源空间分布的异质性、空间分布的影响因素，一方面丰富关于共享住宿在城市内部的空间分布特征和扩张规律的研究成果，另一方面通过对比研究，加深关于共享住宿房源内部差异对城市空间重塑的复杂影响的了解，有助于对不同类型的共享住宿经营者的选址依据有更加清晰的认识。实践上，能够为城市住宿产业监管政策、城市空间的可持续规划、共享住宿行业的健康发展提供指导。

1 研究区域概况、数据来源和研究方法

1.1 研究区域

本文选择南京市作为案例地，原因如下：（1）与北京和上海共享住宿发展较为成熟的状况不同，南京市的共享住宿房源数量相对较少，在新冠肺炎疫情暴发之前处在供不应求的阶段。根据2019年发布的《Airbnb爱彼迎中国房东社区报告》，南京的夫子庙商圈与市中心的共享住宿处于供不应求的状态。（2）南京市总面积6 587 km2，是长三角特大城市和长三角辐射带动中西部地区发展的重要门户城市，旅游和住宿业在城市发展中占有重要地位。（3）南京市共享住宿的空间格局和发展趋势还存在学术空白。

1.2 数据来源

Airbnb是共享住宿领域的代表性平台，本研究通过Python程序从Airbnb官网获取南京Airbnb房源数据，截至2021年12月31日，共获取12 021条房源数据。剔除重复、无效数据后，共获得有效房源数据11 638条；在百度地图API平台上爬取南京POI数据共571 977条，包括交通节点、酒店、居民住宅、餐饮点、景区景点、高校、医院等；房价数据来自安居客平台（https://nanjing.anjuke.com/market/）。

1.3 研究方法

本研究运用空间自相关、标准差椭圆、核密度估计等方法分析南京市Airbnb房源的时空演变规律。（1）空间自相关。全局空间自相关（Moran's I）用于反映全区域内的空间集聚特征；局部空间自相关用于识别局部的空间异质性[18]。（2）标准差椭圆用于分析地理要素的空间分布方向性特征，椭圆的大小反映空间格局总体要素的集中程度，长半轴反映格局的主导方向[19]。（3）核密度估计用于直观反映房源数据在连续区域内的分布情况[20]。（4）地理探测器是用于度量空间分异性、探测解释因子、分析变量之间交互关系的统计方法[21]。本研究采用因子探测器探索影响因素对房源空间分布的解释力，研究南京市房源总体及三类房源空间分布背后的驱动机制。南京市Airbnb主要集中在主城区，其他区域包括江宁区、溧水区、栖霞区、六合区、浦口区的房源点位分布较少。为减少无要素点区域对结果产生的干扰，本研究将南京按照2 km×2 km的规格划分得到1 811个网格，删除无要素点分布的网格后得到249个网格，并生成质心，以网格为单元进行因子探测器分析。

2 南京市共享住宿的时空演变特征

2.1 总体房源的时空演变特征

根据房东的注册时间，绘制南京市每年新增Airbnb数量统计图（图1）。房东注册起始时间为2015年，这与Airbnb宣布正式进入中国市场的年份一致。从总体时间分布特征来看，2015—2019年新增Airbnb房源数量逐年上升，2020年和2021年新增数量开始下降，反映了新冠肺炎疫情对共享住宿发展带来的影响。以街道为单位、以每年新增房源数量为计算对象的全局莫兰指数分析结果表明（表1），Moran's I指数均为正（P〈0.01，Z〉2.58），说明南京Airbnb房源在空间分布上呈显著集聚态势，即Airbnb数量多的街道彼此相邻。2016年Airbnb数量的全局Moran's I指数最高，2017年和2018年略有下降，2019年有所提高。受新冠肺炎疫情冲击，2021年的指数大幅下降。总体而言，新冠肺炎疫情暴发之前南京市Airbnb房源数量显著上升，空间集聚程度较高，新冠肺炎疫情暴发之后的房源新增数量下降，集聚程度显著降低。从总体空间分布特征来看，根据南京市Airbnb房源总体的局部莫兰指数图（图2），南京市共享住宿在夫子庙—新街口地区表现出高—高集聚，在秦淮区部分街道如光华路街道表现为低—高集聚。

图1 南京市每年新增Airbnb数量

图2 南京市Airbnb房源局部莫兰指数（2015—2021年）

从时空演变特征来看，2015年、2017年、2019年、2021年新增房源的局部莫兰指数图（图3）表明Airbnb的空间溢出效应逐渐增强。2015年房源的高—高聚集区主要分布在秦淮区大部分街道和玄武区的部分街道（如玄武门街道、新街口街道、梅园新村街道、孝陵卫街道），在秦淮区、雨花台区、建邺区的少数街道出现了低—高集聚。这说明南京市共享住宿早期发展以市中心（新街口）和热门旅游景点（如夫子庙秦淮风光带、明孝陵、玄武湖）为主要扩张区域。2017年、2019年、2021年新增房源的高—高集聚区有所减少，且主要分布在夫子庙秦淮风光带周边区域，说明共享住宿经营者的选址趋向集聚，以热门旅游景点为主要依据。

年份 Moran's I 指数 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 不同类型房源的时空演变特征

2.2.1 整套房屋

根据整套房屋的核密度估计（图4），整体上南京市Airbnb整套房屋形成了秦淮夫子庙风光带一级核心和秦淮红花街道次级核心，呈现出从中心向外围扩散的团块状发展态势，主城区之外的江宁区、浦口区部分街道出现了分散的集聚点位。

图4 南京市Airbnb整套房屋核密度分析（2015—2021年）

从时空演变来看（图5），2015年整套房屋空间分布较为分散，密度较低，呈现出以秦淮区（五老村街道和洪武路街道）、建邺区（建邺新城科技园和河西中央商务区交界处）为核心的双核分布态势。2016—2017年，整套房屋呈现出明显的南北纵向扩散态势，分布密度显著上升，分布范围扩大。其中，秦淮区五老村街道和洪武路街道的核心地位加强，并出现了新的次级核心——秦淮区红花街道。2018—2019年的分布密度有所上升，在双核心基础上继续向外扩张渗透，分散点位相互联结形成团块状发展态势。主城区之外的江宁区、浦口区部分街道出现了新的聚集点。2020—2021年受新冠肺炎疫情影响，新增房源密度和范围都有所下降，呈现出更为明显的集聚和南北纵向发展态势。

2.2.2 独立房间

总体上，南京市Airbnb独立房间的空间分布态势形成了夫子庙秦淮风光带的一级核心和秦淮区红花街道西南部的次级核心，向东与玄武区的孝陵卫街道相连形成连体发展趋势。与整套房屋不同的是，独立房间的分布范围更广，在主城区之外的江宁区汤山街道和浦口区的东北部形成了离散的低密度聚集区（图6）。独立房间的时空演变也呈现出与整套房屋不同的规律，即早期的独立房间发展缓慢，后期发展劲头较为强势，且受新冠肺炎疫情影响的程度较低。如图7所示，2015年独立房间数量少且较为分散，尚未形成聚集核心。2016—2017年独立房间快速发展，表现出以夫子庙秦淮风光带和秦淮区红花街道为核心的南北纵向发展、东西零星分布态势。2018—2019年独立房间的分布密度继续上升，与整套房屋的空间发展趋势一致。但新冠肺炎疫情后的空间扩张趋势与整套房屋存在明显差异，2020—2021年独立房间以夫子庙秦淮风光带为核心在全市范围内渗透扩散，体现出共享住宿向郊区、乡村渗透的倾向。

2.2.3 共享房间

相比于整套房屋和独立房间，南京市共享房间数量非常少且分布范围小，空间集聚态势显著，以瑞金路街道和梅园新村街道五老村街道的交界处为核心（图8）。如图9所示，共享房间的空间扩散主要是2015—2018年，呈现出3个聚集点位（夫子庙街道、瑞金路街道和梅园新村街道五老村街道的交界处、五老村街道华侨路街道和新街口街道的交界处），2018年以后几乎没有新增。

图8 南京市Airbnb共享房间房源核密度分析（2015—2021年）

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

3 共享住宿空间分布影响因素分析

与酒店的空间扩张受城市土地利用和行政审批的限制不同，共享住宿的空间扩张主要受供需关系的支配和闲置房产资源分布的影响。结合以往研究[7，14，16-17]以及数据的可获得性，本研究选取的影响因子共16个，涵盖生活服务、交通便利性、房源供给、旅游吸引力四类，指标的具体定义见表2。为了解不同类型房源空间分布背后的驱动机制，本研究以房源数量为因变量，利用地理探测器分别对总体房源、整套房屋、独立房间、共享房间进行分析。

总体房源的因子探测器结果显示（表3），10个因素对共享住宿空间分布的影响力在0.001水平下显著，一个因素（医院距离）在0.05的水平下显著。根据系数大小，因子的影响力排序为：景区景点数量（0.382 2）〉餐饮数量（0.342 0）〉购物场所数量（0.295 6）〉娱乐休闲场所数量（0.275 7）〉酒店数量（0.270 5）〉住宅数量（0.264 3）〉房价水平（0.234 9）〉文化艺术场所数量（0.230 5）〉市中心距离（0.225 8）〉地铁公交数量（0.212 6）。高校距离、地铁站距离、车站机场距离、医院距离、景区距离、体育场所数量对共享住宿空间分布的解释力不显著。

就影响因素对不同类型房源的空间布局的作用而言，独立房间和整套房屋的空间驱动机制存在相似之处，二者都受市中心距离、景区景点数量、地铁公交数量、餐饮数量、住宅数量、文化艺术场所数量、购物场所数量、娱乐休闲场所数量因素的影响。不同之处在于，车站机场距离和医院距离对独立房间的空间布局具有显著解释力，而对整套房屋的影响不显著。酒店数量和房价水平对整套房屋具有显著影响，而对独立房间的影响不显著。共享房间的空间分布机制则与独立房间和整套房屋都不同，仅有两个因素（文化艺术场所数量和景区景点数量）表现出较强的解释力，且由于共享房间房源数量过少（共209间，占比1.79%），整体上因子探测效果较差。

指标维度因素 定义 数据性质影响高校距离 网格内共享住宿要素点到高等院线的平均最近直线距离 距离医院距离 网格内共享住宿要素点到三甲医院的平均最近直线距离 距离文化艺术场所数量 网格内文化艺术场所设施数量 数量生活服务购物场所数量 网格内购物中心、便利店数量 数量体育场所数量 网格内体育场所数量 数量娱乐休闲场所数量 网格内娱乐休闲场所数量 数量餐饮数量 网格内餐饮店数量 数量酒店数量 网格内经济型酒店、中高档酒店数量 数量地铁站距离 网格内共享住宿要素点到地铁站的平均最近直线距离 距离交通便利性车站机场距离 网格内共享住宿要素点到车站机场的平均最近直线距离 距离地铁公交数量 网格内地铁公交站的数量 数量市中心距离 网格中心到市中心的直线距离 距离房源供给住宅数量 网格内居民住宅数量 数量房价水平 网格内房价的平均水平 数量旅游吸引力景区距离 网格内共享住宿要素点到4A 级以上景区的平均最近直线距离 距离景区景点数量 网格内景区景点的数量 数量

4 结论与讨论

本文探究了南京市Airbnb房源的时空演变特征和影响因素，主要发现如下：

空间上，南京的共享住宿分布具有核心—边缘集聚、南北纵向分布的特征。核心边缘的分布规律与以往研究[14-16]一致，表明不同层级的城市均显示出共享住宿在市中心和热门旅游景点集聚的特征。存在差异的是，南京市Airbnb房源空间格局呈南北纵向扩散，这与南京市南北走向的空间结构有关[22]，表明城市空间结构是Airbnb空间格局的重要影响因素。

时间上，南京市共享住宿呈现出从双核集聚到组团连片的演变特征，即以夫子庙秦淮风光带和市中心为核心逐渐向外围扩散，呈现出连点成片的发展态势。值得关注的是，不同类型房源的扩张特征存在差异。在早期萌芽阶段（2015年），整套房屋的扩张速度较快，形成了早期的核心集聚区，而独立房间的发展较为缓慢。在快速发展阶段（2016—2019年），独立房间的扩散速度显著加快，在全市范围内渗透扩散；整套房屋在主城区范围内呈现更加明显的集聚态势；共享房间数量最少且发展最为缓慢，覆盖范围局限于市中心和热门旅游景点附近。

南京市共享住宿房源的空间分布受到多个因素的综合影响，其中景区景点数量的解释力最强，市中心距离的解释力相对较低。这与以往的研究结果存在差异，如Lagonigro等表明市中心距离是Airbnb空间分布的关键影响因素[23]。此外，南京市的共享住宿空间分布与餐饮点、购物场所、娱乐场所、酒店、居民住宅、文化艺术场所、交通节点存在密切关联。交通便利、具有旅游吸引力、POI集聚的地区客流量多[24]，游客住宿需求高，因此共享住宿分布数量较多，表明共享住宿的空间分布主要受供需关系的支配。

不同类型共享住宿房源的空间布局和影响因素作用机制存在差异。与Adamiak等人[4]的发现一致，独立房间由核心向外围扩散的趋势比整套房屋和共享房间显著，共享房间的空间分布集聚程度更高。另外，同一影响因素对不同类型共享住宿空间分布的解释力存在差异。其中，酒店与整套房屋的空间分布关联更加密切，而与独立房间和共享房间不存在显著的空间关联。可能的原因是整套房屋提供的服务与传统酒店较为相似，能够满足游客对于独立私人空间的需求，同时具有空间和厨房设施方面的优势，与传统酒店存在较强的竞争关系，因此整套房屋经营者的选址经常伴随酒店分布。这也表明酒店与共享住宿的竞合关系应当区分共享住宿房源的异质性，验证了La等[7]的研究结果。独立房间的空间格局受到医院和车站机场分布的影响，可能的原因是独立房间的价格相对低廉，对于解决看病人群的短期住宿需求具有重要作用。

本研究为不同类型房源的住宿监管措施提供实践建议。首先，整套房屋的早期快速扩张和后期集聚对居民的长期租赁和酒店经营管理产生了负面影响，容易引起租金价格上涨、不正当竞争、绅士化等问题。因此，避免整套房屋过度聚集、对拥有多套房源的专业管理公司进行消防安全设施检查和税收监管对于共享住宿持续健康发展和消费者权益保护是必要的。其次，独立房屋交通便利和价格低廉的优势，表明其在增加住宿供给、解决特定群体的住宿需求方面具有重要作用。这类房源也表现出了较强的向郊区、乡村渗透的倾向。对于这类房源，政府部门可以采取宽松的鼓励政策，通过有效利用村民自有房屋，为乡村民宿发展和乡村振兴助力[25]。最后，共享房间的数量较少、价格低廉，能够帮助解决低收入群体的住宿需求，但改建上下铺的经营方式存在安全隐患，因此应充分重视对此类房源的安全监管。

本文也存在一些局限性。地理探测器的应用只能实现对截面数据的研究，无法实现各要素对共享住宿空间分布影响的时空演变的研究。同时，由于部分数据难以获取，本文没有纳入地区的人口属性、房源闲置率等影响因素。本研究发现，区分不同的房源类型对于认识共享住宿的时空演变及驱动机制是必要的，整套房屋、独立房间和共享房间在经营者、价格水平、服务人群、空间分布、社会效用和监管重点等方面都有所差异。共享住宿发展受到经济发展水平的制约，现有研究主要对象是北京、上海等较为发达的城市，那么在经济欠发达的城市和乡村地区，整套房屋、独立房间和共享房间在时空分布、演化规律和驱动机制上存在怎样的特征？对城市空间格局塑造和居民生活是否产生不同程度的影响？这些问题还有待进一步探究。

5 结语

本文综合采用空间自相关、标准差椭圆、核密度估计、地理探测器等地理学分析方法，对2015—2021年南京市共享住宿时空演变特征及其影响因素进行了系统研究，结果表明整体上南京市共享住宿呈现出从双核集聚到组团连片的由核心向外围扩散的时空演变特征，不同类型房源的扩张规律及影响机制存在显著差异。本研究为识别共享住宿房源内部差异、制定城市住宿产业监管政策、编制城市空间可持续规划、促进共享住宿行业健康发展提供科学依据。