EN中文

自然资源学报 >

2021 , Vol. 36 >Issue 10: 2694 - 2709

DOI: https://doi.org/10.31497/zrzyxb.20211017

其他研究论文

国家中心城市共享住宿的时空分布及影响因素——基于DBSCAN算法的分析

  • 马小宾 , 1, 2 ,
  • 侯国林 , 1, 2 ,
  • 李莉 1, 2
展开
  • 1.南京师范大学地理科学学院,南京 210023
  • 2.江苏省地理信息资源开发与利用协同创新中心,南京 210023
侯国林（1975- ）,男,江苏如皋人,博士,教授,研究方向为旅游地理学。E-mail:

马小宾（1995- ）,男,河南淇县人,硕士,研究方向为旅游地理与旅游规划。E-mail:

收稿日期: 2020-02-15

  要求修回日期: 2020-04-14

  网络出版日期: 2021-12-28

基金资助

国家自然科学基金项目(41771151)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Spatio-temporal distribution and influencing factors of sharing accommodation in central cities of China: Analysis based on DBSCAN algorithm

  • MA Xiao-bin , 1, 2 ,
  • HOU Guo-lin , 1, 2 ,
  • LI Li 1, 2
Expand
  • 1. School of Geography, Nanjing Normal University, Nanjing 210023, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Received date: 2020-02-15

  Request revised date: 2020-04-14

  Online published: 2021-12-28

Copyright

Copyright reserved © 2021.
Fold

摘要

共享住宿的兴起是城市旅游服务业供给侧结构性改革的重要推动力,科学认识其时空格局及驱动因素对城市旅游发展意义重大。通过Airbnb网站获取我国九个国家中心城市的共享住宿房源信息,运用标准差椭圆,DBSCAN聚类算法等空间分析方法分析房源的时空演变格局,并借助地理探测器探讨房源空间分布格局的影响因素。结果表明：（1）2015—2017年,国家中心城市共享住宿的空间格局变化较快,整体处于快速发展期,2017—2019年,空间格局趋于稳定,整体处于稳步增长期;（2）国家中心城市共享住宿的发展具有时空依赖性,聚类中心随时间均不断增加,多数城市的共享住宿逐步向城市四周扩展,东中西三个区域之间聚类中心的时空差异明显;（3）从发展方向和高级别聚类中心数量来看,国家中心城市共享住宿的发展方向存在四周型和“单—多”方向主导型以及“0-1”“X-1”“1-X”三种演变模式;（4）商业、交通、人口等指标因素对国家中心城市共享住宿的空间格局产生较大影响,各区域之间及各城市之间影响因素的作用强度和显著性存在明显差异,其中餐饮、休闲娱乐、购物、住宅小区等成为驱动共享住宿空间格局形成的主要影响因素。

关键词： 共享住宿; 时空分布; DBSCAN算法; 地理探测器; 国家中心城市

本文引用格式

马小宾 , 侯国林 , 李莉 . 国家中心城市共享住宿的时空分布及影响因素——基于DBSCAN算法的分析[J]. 自然资源学报, 2021 , 36(10) : 2694 -2709 . DOI: 10.31497/zrzyxb.20211017

Abstract

The rise of sharing accommodation is an important driving force for the structural reform of the supply side of the urban tourism industry. It is of great significance to scientifically understand its spatio-temporal pattern and driving factors for the development of urban tourism. Based on the information on sharing accommodation listings in nine national-level central cities of China through the Airbnb website, this study uses the spatial analysis methods such as standard deviational ellipse and DBSCAN clustering algorithm to analyze the spatial and temporal evolution pattern of houses, and to explore influencing factors of the spatial distribution of housing listings with the geodetector. The results show that: (1) From 2015 to 2017, the spatial pattern of sharing accommodation in national central cities changed rapidly, and the overall situation was in a period of rapid development. From 2017 to 2019, the spatial pattern tended to be stable, which was in a steady growth period. (2) The development of sharing accommodation in national central cities has a spatial and temporal dependence, and the clustering centers continue to increase with time. The sharing accommodation in most cities gradually expands around the city. The spatial and temporal differences between clustering centers in the three regions of the Eastern, Central and Western China are obvious. (3) From the perspective of development direction and the number of high-level clustering centers, the sharing accommodation in national central cities includes four-sided and "single-to-multiple" directions, as well as "0-1", "X-1" and "1-X" evolutionary models. (4) Business, transportation, population and other factors have a greater impact on the spatial pattern of sharing accommodation in national central cities, and there are significant differences in the intensity and significance of the influencing factors between regions and cities. Among them, catering, leisure, shopping, residential quarters, etc. have become the main factors driving the formation of sharing accommodation space.

Key words： sharing accommodation; spatio-temporal distribution; DBSCAN algorithm; geodetector; national central city

共享住宿是指利用自有或租赁住宅,通过共享住宿平台为房客提供短期住宿服务,房源房间数不超过相关法律规定要求[1]。共享经济背景下,共享住宿成为依托互联网平台赋能房东发布房源,激活城市和乡村闲置住宿资源的一种新型住宿发展模式,它的出现对住宿和旅游市场的生态系统产生重要影响,改变了游客传统的住宿习惯和消费方式,具有较强的空间经济溢出效应[2]。对传统酒店住宿业的相关研究表明,传统酒店住宿业具有较强的趋交通性和趋人流性,具有轴线发展的特征[3],同时其空间分布格局对于商业[4]、重大事件[5]、政府政策等具有较高的敏感度。新兴的共享住宿产业由于其特殊的产生模式,在空间、时间、体验、品牌文化等方面有别于传统酒店住宿业,是一种新兴的住宿业发展模式。近年来,共享住宿出现了惊人的增长,被确认为全球五个主要共享领域之一[6]。随着信息技术和Web 2.0迅速发展,在线住宿平台借助P2P商业模式,通过简单和便捷的方式促进房东与宾客之间的联系,以其新颖、真实、独特的体验成为越来越多旅行者的住宿选择。作为一种颠覆性的创新,共享住宿成为配置城市住宿资源、振兴乡村旅游产业、激活旅游服务业发展潜力的重要方式和模式[6,7,8]。
随着大众旅游的进一步深化,共享住宿行业逐年升温,引发学者关注。国外有关共享住宿的探讨多数基于在线住宿平台Airbnb和Booking,涉及到共享住宿的价格因素[9]、市场管理[10,11]、游客住宿体验[12,13]、信任与安全[14,15]等方面;随着共享住宿市场的进一步活跃和旅游者的广泛参与,产生了许多共享背景下的经济社会问题,这促使学者开始采取辩证思维理解共享住宿,分析其对地方酒店业经营业绩[16]、城市社区公共设施、公共空间的影响[17]。此外,国外学者开始探讨共享住宿的空间格局问题,研究地涉及到巴塞罗那[18]、首尔[19]、西班牙[20]等城市和国家,为区域共享住宿的空间发展提供理论支持和政策建议。中国大陆共享住宿的发展受日本、中国台湾等的影响较大。自2015年8月,Airbnb进入中国市场以来,国内旅游住宿行业发生革命性的改变,途家、榛果、小猪与Airbnb（中国）等共享住宿在线预订平台迅速崛起,促使共享住宿成为时下旅行住宿的一种潮流。共享住宿的快速发展也吸引了国内学者的广泛关注,涉及经济学、管理学、社会学、地理学、心理学等多个学科。多数学者将目光聚焦到共享住宿的安全感构建[21,22]、信任建立[23]、价格因素与定位[24]、法律制度建立[25]、住宿体验[26]、空间重构[27]等方面,同时开始了刻画共享住宿格局分布和空间特征的理论尝试[7,8],但是议题少有涉及大区域之间的宏观对比和典型城市之间的空间差异分析,缺少指导区域共享住宿高质量发展的理论成果。
国家中心城市是中国城镇体系规划设置的最高层级,最早在2005年由原中华人民共和国建设部（现住房和城乡建设部）依据《城市规划法》编制全国城镇体系规划时提出。截至2018年2月,国家发展和改革委员会及住房和城乡建设部确定九个城市为国家中心城市,包括东部的北京、天津、上海、广州,中部的武汉、郑州,西部的西安、成都、重庆。其中北京、天津、上海、广州、重庆是首批明确的国家中心城市,后续在《全国城镇体系规划》中先后加入成都、武汉、郑州、西安等城市。虽然同为国家中心城市,但由于政策的时序性和区域的基础发展条件差异,导致不同地区国家中心城市的经济社会等发展存在较大差别。东部城市受到政策的优先考虑且自身具有良好的基础,在交通、商业、消费水平、开放程度等方面显著领先于与中部和西部的城市。郭志强等[28]在对国家中心城市竞争力分析中,通过AHP方法综合经济、文化、交通、环境等方面影响,客观反映了国家中心城市的区域差异,明确了北上广等东部城市在九个国家中心城市竞争力方面的优先级,并对排名最末位的郑州市进行了详细解读和政策建议。在共享经济新模式下,国家中心城市共享住宿的发展具有典型的区域代表意义,是引领区域创新发展的重要支柱,对于新生事物的产生、磨合、成长、成熟具有支撑作用。因此,深入探讨并刻画国家中心城市共享住宿的时空发展格局具有时代意义。在大数据背景下,随着数据量的剧增,新型的算法成为学者进行数据挖掘、数据分析、数据预测等强有力的工具。目前空间数据挖掘已经成为一种新的发展领域[29],引发地理学者的关注。本文引入一种基于密度的聚类算法——DBSCAN（Density-Based Spatial Clustering of Applications with Noise）,识别共享住宿的空间分布热点区域,可视化描述其演变过程和区域差异。基于以上内容,本文获取Airbnb网站的房源数据,以国家中心城市为案例地,采用标准差椭圆、DBSCAN聚类算法从不同空间尺度刻画共享住宿分布的时空发展过程,描述共享住宿空间格局的异质性,并采用地理探测器探究共享住宿空间格局的影响因素,量化商业、交通、人口、旅游吸引力、行业竞争关系等方面对国家中心城市共享住宿格局的决定力以及不同城市之间的区域性差异,为国家中心城市住宿产业的政策制定、空间规划、健康发展提供参考。

1 研究方法与数据来源

1.1 研究区概况

国家中心城市是全国城镇体系的核心城市,总体上看,北京、天津、上海、广州分别引领环渤海、长三角和珠三角区域发展;重庆、成都是西部大开发的重要平台;武汉辐射带动中部和长江中游地区;郑州引领中原发展、支撑中部崛起;西安辐射带动西北及周边地区发展。国家中心城市无论是在区域范围内还是整个国家层面都扮演着重要的角色,选择国家中心城市作为研究区域主要有以下几个原因：首先,国家中心城市战略定位高,政策支持力度强,考虑到共享住宿是新兴旅游住宿产品,其发展需要优质的自然人文旅游资源、便捷的城市交通、完善的产业业态等相关资源作为基础,而国家中心城市在各个方面可以为其发展提供支持;其次,我国地域辽阔,区域差异明显,东中西部的划分方式分别表现了不同的区域性,选择九个国家中心城市具有典型性和代表性。

1.2 数据来源

本文以Airbnb网站为数据来源。Airbnb平台相较于其他相似平台,其更加强调房源提供者的身份认定,多数房源来自个人,更加具有行业代表性。采用爬虫软件获取包括名称、价格、经纬度等主要房源信息,数据截至2019年9月7日,共计获得90879条数据。首先对数据进行坐标纠偏,然后剔除地理坐标相同的点以及实际位置未在城市行政边界内部的点,清洗后得到88290条有效数据。其中北京18052条,上海15985条,广州11295条,天津4069条,武汉7277条,郑州2145条,西安7571条,重庆9704条,成都12192条。其他数据包括各个城市空间数据,包含商业、住宅、路网、交通等信息,获取时间为2019年5月,来源于高德地图;景区信息和星级酒店来自各城市文化和旅游局以及所属省份文化和旅游厅网站信息,获取时间为2019年9月。

1.3 研究方法

1.3.1 标准差椭圆
标准差椭圆（SDE）是一种常见的描述地理要素分布特征的空间统计方法[30],其优点在于能够准确地描述共享住宿空间分布的离散情况、方向分布以及平均中心,通过平均中心、长轴、短轴和转角定量地描述共享住宿空间特征的时空演变,根据标准差椭圆的参数,进一步可视化地分析国家中心城市共享住宿的区域异质性。
1.3.2 DBSCAN聚类算法
大数据背景下数据挖掘的分析算法实现了较大的发展。DBSCAN是一种代表性的基于密度的聚类算法,在空间数据挖掘、机器学习、城市规划、图像处理等领域得到了广泛的应用[31,32],该方法在空间数据聚类中拥有较好的实用性和适用性,能够快速地发现空间数据中任意形状的空间簇类,并且能够快速识别出空间数据的噪声,即离群数据。该方法主要通过两个参数,即Eps和Minpts的调节识别出要素在空间上密度相连的最大集合,将区域要素划分为簇,最后形成任意形状的聚类。其中Eps是指研究对象p在给定半径内的邻域范围,Minpts称为确定研究对象p是否为核心对象的阈值,即在研究对象p的E邻域范围内的样本点数大于等于Minpts时,则称该研究对象p为核心对象;密度相连是建立在直接密度可达与密度可达基础之上的一种连接方式,其中如果样本点q在p的E邻域内,并且p为核心对象,那么对象q从对象p直接密度可达;给定一串样本点p1, p2, …, pn,p=p1,q=qn,假如对象pi从pi-1直接密度可达,那么对象q从对象p密度可达。若存在点O∈D,使点p和点q从O关于Eps和Minpts密度可达的,则称点p和点q关于Eps和Minpts密度相连。关于两个重要参数Eps和Minpts的确定,相关学者提出一种K-dist图确定方法,即计算要素p与其第K个最近要素的欧氏距离K-dist,然后绘制成K-dist图;在出现明显变化的拐点时的K-dist值,即可确定参数Eps的取值;统计点集中每个点的邻域E内点数量的期望,即可得到参数簇最小点数Minpts的最优取值。
DBSCAN聚类算法在空间要素的分析中已经有学者实践,如李江苏等[31]将该算法应用到郑东新区服务业空间聚类的分析中,揭示了规划与实践之间存在的吻合与错位;杨帆等[32]通过DBSCAN算法识别了广州餐饮集群的分布和空间特征,上述学者研究表明该算法对于空间要素的分析具有适用性。基于此,本文通过DBSCAN聚类算法对国家中心城市的共享住宿进行聚类识别,并进一步划分等级,分析国家中心城市共享住宿发展的时空差异。
1.3.3 地理探测器
地理探测器是通过提出“因子力”度量指标,结合GIS空间叠加技术和集合论,用以识别多因子之间交互作用的模型[33,34]。地理探测器可以有效克服传统统计方法的局限性,在没有过多假设前提的基础下探求要素空间异质性的影响机理。基于地理探测器模型,引入共享住宿空间分布格局的决定力指标q,公式如下：
q = 1 - ∑ h = 1 L N h δ h 2 N δ 2 = 1 - SSW SST
SST = N δ 2 SSW = ∑ h = 1 L N h δ h 2
式中：h=1, 2, …, L为共享住宿格局的影响因子X的分类;Nh和N分别为层h和全区的样本数（个）;SSW和SST分别为层内方差之和以及全区总方差; δ h 2和 δ 2分别为层h和全区的方差。q取值范围为 [0, 1],值越大表明共享住宿的空间异质性越明显,反之空间分异性越小。当q=1时,则说明影响因素X完全控制了共享住宿的空间分异,当q=0时,则说明影响因素X与共享住宿的空间分异没有任何关系。

2 结果分析

2.1 共享住宿时空扩展及方向分析

对国家中心城市的房源进行统计分析,以2015年、2017年和2019年为时间节点,得到图1和表1。数量方面,九个城市中除上海外,2017—2019年共享住宿房源增加的数量明显大于2015—2017年。2015—2017年,上海房源增加数量最多,增加6602个;2017—2019年,北京房源数量增加超过10000个,增加数量在九个城市中最大,郑州则在两个时间段房源增加的数量处于最低水平。增速方面,九个城市共享住宿在2015—2017年的增速显著大于2017—2019年,其中郑州共享住宿在两个时间段的增速最高,上海在两个时间段的增速处于最低水平。上述数据表明,九个城市共享住宿房源数量方面虽然在2017—2019年增加较多,但从速度方面看,九个城市在2015—2017年处于爆发式增长阶段,原始分布空间和发展方向极易发生改变。
图1 共享住宿房源数量的时间变化

Fig. 1 The change of sharing accommodation listings

表1 共享住宿房源的增速

Table 1 Growth rate of sharing accommodation listings (%)

年份 北京 上海 广州 天津 武汉 郑州 重庆 西安 成都
2015—2017年 283.25 227.19 423.17 551.72 589.03 1245.45 580.87 554.09 481.02
2017—2019年 124.72 68.12 116.55 258.82 175.75 262.33 139.13 187.22 131.61
基于以上分析,对国家中心城市共享住宿的分布方向进行空间可视化,利用ArcGIS 10.2软件平台中空间统计工具的标准差椭圆方法对国家中心城市的共享住宿进行方向分布分析,将2015年、2017年和2019年9个国家中心城市共享住宿空间分布的中心、转角和方向趋势进行可视化和统计,得到图2和表2。
图2 共享住宿的时空分布方向

注：由于重庆相较于其他城市面积过大,为了方便结果可视化,重庆单独使用一个比例尺,下同。

Fig. 2 Spatio-temporal distribution of sharing accommodation

表2 共享住宿的空间变化

Table 2 Spatial changes of sharing accommodation

指标 年份 北京 上海 广州 天津 武汉 郑州 重庆 西安 成都
转角变化/(°) 2015—2017年 -5.90 -0.30 -0.81 -3.16 -24.55 -34.30 -8.62 1.07 -1.42
2017—2019年 0.29 -2.02 -3.13 -3.69 6.49 0.30 -2.92 5.96 -0.28
椭圆大小变化/km2 2015—2017年 553.78 173.22 151.02 189.64 -101.67 435.95 -36.67 62.35 -1.36
2017—2019年 455.96 71.19 5.09 106.82 92.93 74.66 881.06 61.65 352.76
总体上,2015—2019年国家中心城市共享住宿的空间分布格局存在时空异质性。时间方面,从表1、表2综合来看国家中心城市的共享住宿在2015—2017年的空间分布变化明显大于2017—2019年的空间变化,从分析结果可以看出2015—2017年国内共享住宿的空间分布处于快速定型期,2017—2019年处于稳步发展期,符合统计分析的猜想。空间方面,东部、中部和西部区域之间、城市之间存在一定差异,具体分析如下：
东部区域四个国家中心城市共享住宿空间格局的分布方向年际变化不大,其中北京分布方向由2015年的62.264°转化为2017年的56.372°,分布方向变化最大。北京、上海、广州共享住宿分布格局三个年份的分布方向基本呈现相同趋势,东北—西南方向成为主导的分布趋势,而天津则是南—北方向成为主导方向。进一步观察发现,上海共享住宿的空间分布相较于其他城市更加具有向心性,表明上海共享住宿的集聚程度最强,2015—2019年天津共享住宿空间分布离散趋势最为明显;中部区域2015—2017年武汉共享住宿分布以向心力为主导,2017—2019年以离心力为主导,三个年份方向分布处于西北—东南主导。郑州不仅在中部区域属于方向变化最大的城市,从全国来看,也是方向变化最大的城市,由2015年的102.324°转变成2017年的68.023°,其由西北—东南方向转变成东北—西南方向,时空差异较大;西部区域,重庆2015—2019年共享住宿分布的主导方向由西北—东南转成东西方向,然后又进一步发展成为东北—西南方向,这表明重庆共享住宿空间分布方向随时间呈现逆时针方向发展。在西部区域中成都共享住宿分布方向受到时间的影响最小,分布方向最为稳定,变化最小,其2015—2017年共享住宿的空间格局基本稳定,直到2019年空间格局进一步趋向离散。西安共享住宿随时间稳定发展,空间分布格局年际变化趋势相同。

2.2 空间聚类的时空变化

借助Anaconda算法开发平台,通过Spyder环境编写DBSCAN聚类算法,对九个国家中心城市2015年、2017年和2019年的房源数据进行空间聚类。首先进行参数的迭代选择,参考参数选择的相关文献[31,32],根据K-dist图以及实际聚类效果,观测聚类大小的差异,最终确定九个国家中心城市的相关参数,具体参数数值如表3;然后将得到的参数代入各个国家中心城市的共享住宿数据中,运行算法得到聚类结果,最后对得到的聚类结果进行等级划分,以便了解区域之间和城市之间的时空发展差异。参考自然间断点分级法以及聚类结果实际的分布情况,最终选择聚类个数小于50个为五级聚类中心,51~150个为四级聚类中心,151~300个为三级聚类中心,301~500个为二级聚类中心,大于500个为一级聚类中心。将得到的分级结果通过ArcGIS 10.2软件进行可视化,得到东中西共享住宿的时空演变图,结果如图3、图4、图5。
表3 DBSCAN参数选取

Table 3 DBSCAN parameter selection

城市 Eps/km Minpts
北京 1 12
上海 1 10
天津 1.5 10
广州 1.2 11
郑州 1.4 5
武汉 1.3 11
重庆 2.5 10
西安 0.5 8
成都 1.2 13
图3 东部城市共享住宿的聚类结果及演变

Fig. 3 Clustering results and evolution of sharing accommodation in cities of Eastern China

图4 中部城市共享住宿的聚类结果及演变

Fig. 4 Clustering results and evolution of sharing accommodation in cities of Central China

图5 西部城市共享住宿聚类结果及演变

Fig. 5 Clustering results and evolution of sharing accommodation in cities of Western China

东部区域包含四个国家中心城市,分别是北京、上海、广州、天津。共享住宿的聚类结果及变化格局如图3。2015年,多数城市共享住宿的聚类中心位于城市的核心区域,且只有北京和上海出现一级聚类中心,其中上海在市中心以外的多数区域出现低级别的聚类中心;2017年四个城市均出现一级聚类中心,其中广州出现双一级核心的空间分布格局,除此之外每个城市的高级别聚类中心的空间分布较为稳定,四个城市较低级别的聚类中心开始在城市中心以外的大多数区域出现,四个城市在距离中心城区较远的区域甚至行政边界处出现五级或者四级的聚类中心,天津共享住宿的空间跨越距离最大,在城市的最北边出现五级聚类中心;2019年四个城市基本形成高中低全级别的聚类中心,在共享住宿的空间分布方面,城市外围区域开始出现较高级别的聚类中心,表明聚类中心分布空间趋向均衡化。进一步观察可以看出,北京和广州在一级聚类中心数量方面表现出相反的空间发展特征,北京由2017年的一个一级聚类中心发展成为2019年的两个一级聚类中心,而广州则是由两个发展成为一个;观察其原始数据的空间布局,发现北京发展模式为多极核,广州则是两个一级核心随时间发展成片,成长为一个聚类中心。
中部区域包含两个国家中心城市,分别是武汉和郑州。共享住宿的聚类结果及变化格局如图4。2015年武汉和郑州的共享住宿均不存在高级别的聚类中心,其中武汉仅存在一个三级聚类中心,其他均为五级聚类中心,主要分布在城市的西北方向,郑州则是仅有一个五级聚类中心,共享住宿发展处于原始阶段,集聚效应不明显;2017年武汉共享住宿出现一级聚类中心,低级别聚类中心仍分布在城市西北方向,且武汉共享住宿没有形成较全的级别类型,空间聚类差异明显,郑州共享住宿发展速度较快,由原来的一个五级聚类中心,发展到二级和五级聚类并存状态,且空间分布开始向城市外围方向扩展,主要以城市北部和西南方向为主;2019年武汉共享住宿在原始基础上,聚类中心的等级更加全面,但由于低级别聚类中心较多,未形成较为均衡的聚类集群格局,其共享住宿开始向城市四周发展,以城市南部和西北方向为主导。郑州共享住宿由原来的基础开始向东南方向拓展,聚类集群等级较为丰富。
西部区域包含三个国家中心城市,分别是重庆、西安、成都。共享住宿的聚类结果及变化格局如图5所示。2015年成都在城市中心已经出现一级聚类中心,重庆出现二级聚类中心,而西安仅两个四级聚类中心,集聚规模远远低于其他两个城市。空间方面,成都共享住宿低级别聚类中心主要在高级别的南部聚集,而重庆和西安主要在北部聚集;2017年成都是三个城市中共享住宿空间扩散最明显的城市,共享住宿在城市的西部和西北方向聚集发展,形成新的分布热点,重庆原来的二级聚类中心成长为一级聚类中心,并伴随着五级聚类中心向四级三级聚类中心的转化,开始向东发展,西安共享住宿实现突破,在城市中心发展成为高级别聚类中心,主要向城市四周进行扩展;2019年共享住宿空间变化最显著的仍然是成都,成都由一个一级聚类中心发展为三个一级聚类中心,且各个等级聚类中心均存在,空间分布进一步均衡化,这表明新热点区域处于快速成长状态,其次重庆共享住宿的空间分布进一步向东发展,而西安共享住宿的空间发展未能突破城市中心城区的限制,在县域分布较少,城市整体空间分布欠均衡。

2.3 共享住宿演变模式

九个国家中心城市分别代表我国大空间东中西三大区域,共享住宿行业发展具有典型的地域性,其时空发展规律和特征对于国家或区域产业空间选址、行业配套发展有良好的示范效应和借鉴价值。
国家中心城市共享住宿行业的时空发展存在共性和个性。共性方面,三大区域的国家中心城市共享住宿行业皆随时间呈现空间扩展趋势,受到地理空间近邻效应影响,主要由城市中心区域向城市外围扩张,发展的主导方向存在一定差异;空间集群随时间完成由低级聚类向高级聚类的转变,各个城市的聚类规模在数量和体量上不断增加,形成覆盖多级别,多区域的空间热点区域;共享住宿发展的空间路径依赖显著,高级别聚类中心往往由原来较低级别聚类中心在原始空间位置演化而来。个性方面,从聚类的分布情况来看,每个城市共享住宿的主导发展方向存在差异,主要表现出四周型和“单—多”方向型,且部分区域共享住宿发展的主导方向随时间发生改变。从体量最大的一级聚类中心来看,九个国家中心城市呈现出不同的发展演变过程。东部区域上海、天津,中部区域武汉、郑州,西部区域重庆、西安皆呈现单核发展的过程,即随时间的增加共享住宿在区域空间上集聚效应显著,形成“0-1”的发展模式;北京和成都表现出多核的发展态势,二者发展过程较为相似,都是从2015年的单个核心发展到2019年的多个核心,形成“1-X”的发展模式;广州共享住宿的发展过程特殊,由2015年没有一级核心到2017年两个一级核心再到2019年单个一级核心,形成“X-1”的独特发展过程。从聚类整体来看,2015—2019年北京、上海、广州、重庆、西安、成都的共享住宿都形成覆盖全级别的聚类类型,天津、武汉、郑州没有形成全级别的聚类类型。

2.4 影响因素分析

2.4.1 变量选取
共享住宿作为一种新兴的住宿产品,其本身与酒店宾馆的区位因素存在一定差异。参考相关文献,国内学者龙飞等[7]、张海洲等[8]、郝诗雨等[35]分别从不同研究尺度对共享住宿空间格局的因素进行分析,在大区域尺度方面,如长三角区域,认为经济、人口、消费、交通、旅游行业等对共享住宿存在较大影响;对于较小尺度,如莫干山,厦门市等,认为自然、社会、发展基础、市场需求、交通通达性、配套设施等会影响共享住宿的空间格局。国外学者Gutierrez等[18]、Ki等[19]、Adamiak等[20]关注城市内部和全国范围共享住宿格局的影响因素,城市尺度下,认为距市中心的距离、休闲和餐厅的数量、公共交通、便利设施等对空间格局存在影响;国家尺度下,学者考虑了一手房数量、二手房数量、酒店数量、到最近机场距离、国际游客比例等方面的作用。基于此,对比国内外不同区域不同尺度的相关研究,考虑到案例地为城市尺度以及数据获取的可行性,本文分别从商业、交通、人口、旅游吸引力、行业竞争关系5个方面选取10个要素指标作为2019年共享住宿空间格局的影响因素进行探测。商业方面以单位面积的休闲娱乐设施个数X1、购物场所个数X2、餐饮个数X3以及到市中心的距离X4作为代理变量;交通方面主要通过公共交通作为代理变量,包含单位面积公交站个数X5、路网密度X6以及距离最近地铁站的距离X7;人口方面代理变量包含单位面积的住宅小区个数X8;旅游吸引力代理变量为距离4A级以上景区的最近距离X9;行业竞争关系情况通过距离4星级以上酒店的最近距离X10进行量化,影响因素描述如表4。
表4 影响因素指标的选取与描述

Table 4 Selection and description of influencing factors

维度方面 要素指标 变量说明
商业 休闲娱乐设施个数X1 研究单元中休闲娱乐设施的总数/个
购物场所个数X2 研究单元中购物场所的总数/个
餐饮个数X3 研究单元中餐饮的总数/个
到市中心的距离X4 研究单元中心到城市中心的距离/km
交通 公交站个数X5 研究单元中公交站的总数/个
路网密度X6 路网长度与研究单元面积之比/(km/km2)
距离最近地铁站的距离X7 研究单元中心到最近地铁站的距离/km
人口 住宅小区个数X8 研究单元中住宅小区的总数/个
旅游吸引力 距离4A级以上景区的最近距离X9 研究单元中心到最近4A以上景区的距离/km
行业竞争关系 距离4星级以上酒店的最近距离X10 研究单元中心到最近4星以上酒店的距离/km
2.4.2 结果分析
为保证城市之间的可比性,本文将九个城市按照5 km×5 km大小进行渔网分析,将每个25 km2作为一个研究单元,避免行政区划大小不同的影响,同时剔除无数据区域,避免对分析结果的影响。分别对各项指标采用自然间断点法进行分级,利用地理探测器方法对九个国家中心城市共享住宿的分布进行因子探测,得出各影响因素对共享住宿分布格局的决定力及其显著性水平,计算结果如表5。
表5 影响因素地理探测结果

Table 5 The results of influencing factors with the geodetector

要素指标 北京 天津 上海 广州 武汉 郑州 西安 重庆 成都
X1 0.5999*** 0.3845 0.5353*** 0.5177*** 0.6268*** 0.5753 0.7216*** 0.5568*** 0.5915***
X2 0.5883*** 0.3008 0.4941*** 0.5322*** 0.2428* 0.4151 0.8577*** 0.5138*** 0.5703***
X3 0.6263*** 0.3536 0.5229*** 0.5386*** 0.7446*** 0.5570 0.7411*** 0.6243*** 0.5113***
X4 0.4095*** 0.3159*** 0.4014*** 0.4362*** 0.6058*** 0.2698* 0.4998*** 0.2325*** 0.3619***
X5 0.5407*** 0.3915*** 0.3902*** 0.4733*** 0.7446*** 0.6387* 0.5457*** 0.4742*** 0.5334***
X6 0.5647*** 0.3644*** 0.4621*** 0.3897*** 0.4725*** 0.6143*** 0.6842*** 0.5223*** 0.5324***
X7 0.2558*** 0.2445*** 0.2835*** 0.3566*** 0.3412*** 0.2718* 0.3197*** 0.1248** 0.3276***
X8 0.6057*** 0.4161 0.4953*** 0.5223*** 0.6269*** 0.6597* 0.8300*** 0.6171*** 0.7304***
X9 0.2097*** 0.2764*** 0.1245*** 0.2826*** 0.3105*** 0.1051 0.2463*** 0.2162*** 0.1692***
X10 0.2488*** 0.2118** 0.1982*** 0.3891*** 0.3367*** 0.4053** 0.3390*** 0.2719*** 0.3496***

注：*代表在0.05的水平下显著;**代表在0.01的水平下显著;***代表在0.001的水平下显著。

表中信息表明,10个影响指标对于国家中心城市共享住宿分布情况的解释能力整体上较为显著,整体因子探测效果较好;对于不同区域,不同城市之间,影响因素对共享住宿分布格局的解释力和显著性存在差异。
东部区域,北京、上海、广州因子探测结果较为相似,10项指标均通过0.001的显著性水平检验,表明10个指标对北京、上海、广州的共享住宿分布格局具有显著的决定力;三个城市受到影响因素的作用大小存在不同,北京和广州相似,受到单位面积的餐饮个数X3的决定力最大,受到距离4A级以上景区的最近距离X9的决定力最小,上海受到单位面积的休闲娱乐设施个数X1的决定力最大,受到距离4A级以上景区的最近距离X9的决定力最小。天津虽然也属于东部区域的国家中心城市,但是指标X1、X2、X3、X8均未通过显著性检验,其受到单位面积公交站个数X5的决定力最大。
中部区域,武汉的因子探测结果较好,所有指标变量均通过显著性检验,其中指标变量X3和X5表现出高达0.7446决定水平,表明武汉共享住宿分布格局受到餐饮和公交的影响较大,所有指标中单位面积的购物场所个数X2对武汉共享住宿的分布格局决定力最小,显著性最小。郑州共享住宿分布格局因子探测的结果在九个国家中心城市中效果最差,各项指标显著性水平不高,X1、X2、X3、X9未通过显著性检验,剩余指标中仅路网密度通过0.001的显著性,其他指标均低于0.001的显著性。
西部区域,除了指标X7对重庆共享住宿分布格局的显著性未达到0.001水平外,其他所有指标对西部三个城市共享住宿分布格局的解释力均达到0.001的显著水平,整体上,各项指标对西部城市共享住宿分布格局的解释效果良好。三个城市受到各项指标的决定力大小不同,西安受到单位面积的购物场所个数X2的决定力最大,重庆受到单位面积的餐饮个数X3的决定力最大,成都受到单位面积的住宅小区个数X8的决定力最大;西安和成都受到距离4A级以上景区的最近距离X9的决定力最小,重庆受到距离最近地铁站的距离X7的决定力最小。
对所有指标进一步进行交互探测,分析各项指标对不同城市共享住宿分布格局的交互影响程度。结果显示,九个国家中心城市共享住宿分布格局受到任意两个因子的交互都强于一个因子的解释力;进一步观察交互探测结果,发现绝大多数交互作用属于双因子增强型,仅上海、天津、武汉、郑州、西安和重庆的部分指标交互作用属于非线性增强型,且多数集中在指标X8、X9、X10的交互探测中。整个交互探测结果表明国家中心城市共享住宿的分布格局受到各项指标的综合影响,具有显著的区域性差异,进一步说明不同城市共享住宿空间格局的复杂性和异质性。

3 结论与讨论

3.1 结论

基于共享住宿平台Airbnb的房源数据,通过标准差椭圆分析、DBSCAN聚类算法等空间分析方法,动态刻画国家中心城市共享住宿的时空演变格局及区域性差异,综合利用地理探测器模型,量化探究国家中心城市共享住宿空间分布的影响因素,得出以下结论：
国家中心城市共享住宿的整体空间分布时空差异明显。首先,虽然2015—2017年共享住宿增加数量小于2017—2019年,但增加速度2015—2017年显著大于2017—2019年;其次,2015—2017年国家中心城市共享住宿分布格局的变化显著大于2017—2019年,其中东部区域,北京的分布方向变化最大,中部区域郑州的分布方向变化最大,西部各城市之间分布方向变化的差异不显著;最后整体来看,2015—2017年共享住宿处于快速发展期,2017—2019年处于稳步增长期。
空间聚类识别及演化结果表明,不同区域不同城市共享住宿聚类的空间分布和演变存在强烈的区域性和地方性差异。空间分布方面,多数城市共享住宿随时间逐渐由城市核心区向城市周边区域扩散,其扩展的主导方向存在差异性,形成四周型和“单—多”方向型;演变模式方面,高级别聚类中心表现出“0-1”“X-1”“1-X”三种发展模式。聚类中心等级分布和数量差异显著,其中,以中部区域城市郑州为低谷,形成共享住宿空间发展的洼地,远低于其他八个城市;以北京、上海为代表的东部城市,共享住宿的时空发展处于高地,聚类中心等级丰富,且分布趋向空间均衡,共享住宿在国家中心城市中路径依赖显著,发展模式多样化明显。
国家中心城市共享住宿的空间格局是城市商业、交通、人口、旅游吸引力、行业竞争关系等因素综合驱动作用形成的结果。整体来看,共享住宿的空间格局受到商业、交通、人口、旅游吸引力、行业竞争关系的显著影响,其中商业、交通、人口的决定力较大,旅游吸引力、行业竞争关系的决定力较小;区域间存在指标决定力和显著性的差异,其中中部区域郑州的解释效果最差,西部区域整体的解释效果比较均衡,显著性强;城市之间,北京、广州、武汉、重庆具有相似性,四个城市共享住宿格局受到单位面积的餐饮个数的驱动影响最为显著,其他城市差异性显著,影响因素中最显著最强烈的指标存在异质性;交互探测表明两个因素对共享住宿格局的叠加影响显著大于单个因素。

3.2 讨论

共享住宿作为新兴住宿产品,为游客乃至旅游行业带来了新活力、新面貌、新时代。Gutierrez等[18]在对巴塞罗那传统酒店业和共享住宿的空间格局对比中,发现共享住宿在空间上扩展到了传统酒店业没有覆盖的住宅区域,这与本文中影响因素指标住宅小区个数X8强相关性的结果一致;同时驱动机制分析表明距离市中心的距离、演出表演等因素对共享住宿的作用显著大于对酒店的作用,这表明共享住宿相较于传统酒店住宿产品具有独特的空间格局和发展规律,城市内部各方面对于共享住宿空间分布的影响具有独特性。此外,本文在国家区域范围内,对比了我国东中西三个区域共享住宿时空格局及影响因素差异,有助于针对性发展对策的提出。基于以上内容和本文研究结果,对东中西三个区域提出相应发展建议,具体如下：
东优,即东部区域城市优化共享住宿的整体空间格局。东部区域城市处于共享住宿发展的快车道,其整体格局较为均衡,特别是北上广三地,共享住宿在空间上已经渗透到城市核心区的外围,天津发展格局均衡性较弱。基于此,建议东部区域优化城市共享住宿核心区与外围的空间关系,提升核心区域地位的同时加大对于城市周围地区共享住宿的政策扶持、宣传营销、专业指导、基础服务建设等,促进城市内部的区域平衡,积极地为城市周边区域共享住宿进行引流。中拓,即中部区域城市开拓共享住宿的分布空间。中部区域城市共享住宿在国家中心城市中整体发展处于较低水平,无论是数量还是空间均衡性,都不如东部区域。基于此,建议中部区域城市郑州、武汉采取积极的共享住宿空间开拓发展政策,加大对城市周边区县的政策引导和支持,积极推动城市周边区县特别是拥有优质自然或人文资源的区域加入到共享住宿的创新创业活动中,对乡村共享住宿的空间选址、特色开发、经营管理等进行相关人员的培训,在城市周边区县形成一批特色共享住宿村落,发挥特色村落的引领作用,进一步辐射更广的城市周边区域,促进共享住宿的空间均衡性。西异,即西部区域城市差异化发展策略。西部区域城市共享住宿整体发展空间均衡性略高于中部区域,但是内部差异化显著,成都和重庆共享住宿空间分布较为均衡,西安与中部城市郑州发展水平相似。基于此,西部区域城市应进行差异化对待,成都和重庆建议优化城市核心区和周边地区共享住宿的空间关系,建设城市核心区域的同时为周边地区积极引流,促进周边共享住宿小镇、共享住宿特色村落等品牌的形成;对于西安共享住宿则需要积极进行空间拓展,打破城市核心区的壁垒,在周边区县创建以特有资源、特殊赛事、特色美食等为核心吸引物的共享住宿打卡点,加强政府对周边区县的政策宣传和引导,鼓励回乡创业,引导乡村创客、房屋拥有者等向共享住宿行业发展。从影响因素的探析结果来看,基础交通对于共享住宿的空间布局影响显著,基于此,各地方政府应该进一步完善共享住宿集群核心区内外联系交通的建设。此外城市外围共享住宿分布的区域往往与特色旅游资源联系密切,为此,强化特色旅游资源知名度和游客认同度可以有效促进旅游者数量的增加,提高周边共享住宿的市场活力。
本文从国家层面,选取东中西三大区域的九个国家中心城市,分析区域内部和区域之间共享住宿分布的时空演变差异,考察了多个方面对共享住宿分布格局的影响,为国家和地方政府的宏观政策制定、住宿业集群划定、基础设施规划等提供参考价值。本文将大数据分析的算法引入空间数据分析中,有效地揭示了共享住宿分布的热点区域及变化,但缺少与传统空间分析方法的对比分析和城市内部核心区域的微观描述;此外对于影响因素方面缺少动态变化分析以及未涉及国家或城市内部宏观政策、环境变量的量化考察。在未来进一步研究中,可以结合空间自相关、核密度分析等方法对比探讨区域之间和城市内部共享住宿分布格局的空间依赖性,完善影响因素的时序性和全面性,加入政策因素变量的同时探讨影响因素的时间变化差异,刻画不同方面对共享住宿空间格局作用大小和显著性的趋势,更好地指导共享住宿健康发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
国家信息中心. 共享住宿服务规范. https://www.sic.gov.cn/News/557/9673.htm. 2019-07-19.

[National Infornation Center. Specification for sharing accommodation services. https://www.sic.gov.cn/News/557/9673.htm. 2019-07-19.]

[2]
SONG H, XIE K, PARK J, et al. Impact of accommodation sharing on tourist attractions. Annals of Tourism Research, 2020, 80:102820, Doi: 10.1016/j.annals.2019.102820.

DOI

[3]
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. 地理学报, 2012, 67(10):1423-1437.

[ WANG C H, LU L, FANG T, et al. Spatial pattern evolution of Shanghai tourist lodging industry during the World Expo Construction Period. Acta Geographica Sinica, 2012, 67(10):1423-1437.]

[4]
童昀, 马勇, 刘军, 等. 大数据支持下的酒店业空间格局演进与预测: 武汉案例. 旅游学刊, 2018, 33(12):76-87.

[ TONG Y, MA Y, LIU J, et al. Evolution and prediction of the spatial pattern of hotel industry supported by big data: A case study of Wuhan. Tourism Tribune, 2018, 33(12):76-87.]

[5]
王朝辉, 陆林, 夏巧云. 国内外重大事件旅游影响研究进展与启示. 自然资源学报, 2012, 27(6):1053-1067.

[ WANG C H, LU L, XIA Q Y. Research progress and enlightenment on tourism impacts of mega event. Journal of Natural Resources, 2012, 27(6):1053-1067.]

[6]
YANG Y, TAN K P S, LI X R. Antecedents and consequences of home-sharing stays: Evidence from a nationwide household tourism survey. Tourism Management, 2019, 70:15-28.

DOI

[7]
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. 地理研究, 2019, 38(4):950-960.

DOI

[ LONG F, LIU J M, ZHU H, et al. Spatial distribution of homestay and its influencing factors in the Yangtze River Delta of China. Geographical Research, 2019, 38(4):950-960.]

[8]
张海洲, 陆林, 张大鹏, 等. 环莫干山民宿的时空分布特征与成因. 地理研究, 2019, 38(11):2695-2715.

DOI

[ ZHANG H Z, LU L, ZHANG D P, et al. Spatial pattern and contributing factors of homestay inns in the area around Mogan Mountain. Geographical Research, 2019, 38(11):2695-2715.]

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

DOI

[10]
HEO C Y, BLAL I, CHOI M. What is happening in Paris? Airbnb, hotels, and the Parisian market: A case study. Tourism Management, 2019, 70:78-88.

DOI

[11]
VINOGRADOV E, LEICK B, KIVEDAL B K. An agent-based modelling approach to housing market regulations and Airbnb-induced tourism. Tourism Management, 2020, 77: 104004, https://doi.org/10.1016/j.tourman.2019.104004.

[12]
WANG Y, WU L, XIE K, et al. Staying with the ingroup or outgroup? A cross-country examination of international travelers' home-sharing preferences. International Journal of Hospitality Management, 2019, 77:425-437.

DOI

[13]
STHAPIT E, JIMENEZ-BARRETO J. Exploring tourists' memorable hospitality experiences: An Airbnb perspective. Tourism Management Perspectives, 2018, 28:83-92.

DOI

[14]
YANG S B, LEE K, LEE H, et al. In Airbnb we trust: Understanding consumers' trust-attachment building mechanisms in the sharing economy. International Journal of Hospitality Management, 2019, 83:198-209.

DOI

[15]
SUESS C, WOOSNAM K M, ERUL E. Stranger-danger? Understanding the moderating effects of children in the household on non-hosting residents' emotional solidarity with Airbnb visitors, feeling safe, and support for Airbnb. Tourism Management, 2020, 77:103952, Doi: 10.1016/j.tourman.2019.103952.

DOI

[16]
ZERVAS G, PROSERPIO D, BYERS J W. The rise of the sharing economy: Estimating the impact of Airbnb on the hotel industry. Journal of Marketing Research, 2017, 54(5):687-705.

DOI

[17]
STERGIOU D P, FARMAKI A. Resident perceptions of the impacts of P2P accommodation: Implications for neighbourhoods. International Journal of Hospitality Management, 2019, 91: 102411, https://doi.org/10.1016/j.ijhm.2019.102411.

[18]
GUTIERREZ 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. Tourism Management, 2017, 62:278-291.

DOI

[19]
KI D, LEE S. Spatial distribution and location characteristics of Airbnb in Seoul, Korea. Sustainability, 2019, 11(15):4108, Doi: 10.3390/su11154108.

DOI

[20]
ADAMIAK C, SZYDA B, DUBOWNIK A, et al. Airbnb offer in Spain-Spatial analysis of the pattern and determinants of its distribution. ISPRS International Journal of Geo-Information, 2019, 8(3):155, Doi: 10.3390/ijgi8030155.

DOI

[21]
汪昌莲. 规范共享住宿发展消除安全隐患是关键. 中国旅游报, 2019-06-05(003).

[ WANG C L. Regulating the development of sharing accommodation and eliminating hidden dangers is the key. China Tourism News, 2019-06-05(003).]

[22]
汪昌莲. 落实标准完善法规消除共享住宿烦恼. 中国商报, 2018-11-22(P01).

[ WANG C L. Implementing standards, perfecting regulations, eliminating the worries of sharing accommodation. China Business Daily, 2018-11-22(P01).]

[23]
王萍, 张仙锋, 池毛毛. 共享住宿主体间信任研究综述: 基于S-O-R框架的分析. 电子政务, 2019, (12):108-116.

[ WANG P, ZHANG X F, CHI M M. A review of trust research on sharing accommodation subjects: An analysis based on S-O-R framework. E -Government Affairs, 2019, (12):108-116.]

[24]
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. 旅游学刊, 2019, 34(4):13-28.

[ WU X J, QIU J L. A study of Airbnb listing price determinants: Based on data from 36 cities in China. Tourism Tribune, 2019, 34(4):13-28.]

[25]
王健羽. 共享住宿监管法律研究. 北京: 中国矿业大学, 2019.

[ WANG J Y. Legal research on supervision of sharing accommodation. Beijing: China University of Mining and Technology, 2019.]

[26]
颜卉, 敦帅, 尹学锋. 分享经济:开启服务场景与用户体验新时代: 以Airbnb、途家、小猪短租为例. 清华管理评论, 2018, (9):14-20.

[ YAN H, DUN S, YIN X F. Sharing economy: Starting a New Era of service scenarios and user experiences: Taking Airbnb, Tujia, and Piggy Short-term rental as examples. Tsinghua Business Review, 2018, (9):14-20.]

[27]
陈燕纯, 杨忍, 王敏. 基于行动者网络和共享经济视角的乡村民宿发展及空间重构: 以深圳官湖村为例. 地理科学进展, 2018, 37(5):718-730.

DOI

[ CHEN Y C, YANG R, WANG M. Development process of rural homestay tourism and spatial restructuring with the actor-network method from the perspective of shared economy: A case study of Guanhu village in Shenzhen. Progress in Geography, 2018, 37(5):718-730.]

[28]
郭志强, 吕斌. 国家中心城市竞争力评价. 城市问题, 2018, (11):28-36.

[ GUO Z Q, LYU B. Evaluation of national central city competitiveness. Urban Problems, 2018, (11):28-36.]

[29]
关雪峰, 曾宇媚. 时空大数据背景下并行数据处理分析挖掘的进展及趋势. 地理科学进展, 2018, 37(10):1314-1327.

DOI

[ GUAN X F, ZENG Y M. Research progress and trends of parallel processing, analysis, and mining of big spatiotemporal data. Progress in Geography, 2018, 37(10):1314-1327.]

[30]
周婷, 牛安逸, 马姣娇, 等. 国家湿地公园时空格局特征. 自然资源学报, 2019, 34(1):26-39.

[ ZHOU T, NIU A Y, MA J J, et al. Spatio-temporal pattern of national wetland parks. Journal of Natural Resources, 2019, 34(1):26-39.]

[31]
李江苏, 梁燕, 王晓蕊. 基于POI数据的郑东新区服务业空间聚类研究. 地理研究, 2018, 37(1):145-157.

DOI

[ LI J S, LIANG Y, WANG X R. Spatial clustering analysis of service industries in Zhengdong New District based on POI data. Geographical Research, 2018, 37(1):145-157.]

[32]
杨帆, 徐建刚, 周亮. 基于DBSCAN空间聚类的广州市区餐饮集群识别及空间特征分析. 经济地理, 2016, 36(10):110-116.

[ YANG F, XU J G, ZHOU L. Cluster identification and spatial characteristics of catering in Guangzhou based on DBSCAN spatial clustering. Economic Geography, 2016, 36(10):110-116.]

[33]
吕晨, 蓝修婷, 孙威. 地理探测器方法下北京市人口空间格局变化与自然因素的关系研究. 自然资源学报, 2017, 32(8):1385-1397.

[ LYU C, LAN X T, SUN W. A study on the relationship between natural factors and population distribution in Beijing using geographical detector. Journal of Natural Resources, 2017, 32(8):1385-1397.]

[34]
李涛, 廖和平, 褚远恒, 等. 重庆市农地非农化空间非均衡及形成机理. 自然资源学报, 2016, 31(11):1844-1857.

[ LI T, LIAO H P, CHU Y H, et al. Spatial disequilibrium and its formation mechanism of farmland conversion in Chongqing. Journal of Natural Resources, 2016, 31(11):1844-1857.]

[35]
郝诗雨, 赵媛, 李可. 厦门市民宿的空间分布特征与影响因素研究. 华中师范大学学报: 自然科学版, 2018, 52(6):916-924.

[ HAO S Y, ZHAO Y, LI K. Spatial distribution characteristics and influencing factors of bed an breakfast (B&B) in Xiamen city. Journal of Central China Normal University: Natural Sciences, 2018, 52(6):916-924.]

Options
文章导航

/

〈 〉