EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 2: 367 - 380

DOI: https://doi.org/10.12082/dqxxkx.2024.220318

The Spatial Correlation between the Distribution of Shared Accommodation and the Urban Road Network and Functional Space in Hong Kong

  • JIANG Yifei , 1 ,
  • ZHANG Honglei , 1, * ,
  • LI Mimi 2 ,
  • SHEN Caiyun 1 ,
  • ZHAI Shiyu 1
Expand
  • 1. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 2. School of Hotel & Tourism Management, The Hong Kong Polytechnic University, Hong Kong 999077, China
*ZHANG Honglei, E-mail:

Received date: 2022-05-17

  Revised date: 2022-08-08

  Online published: 2024-03-27

Supported by

National Natural Science Foundation of China(41771153)

Fold

Abstract

Tourism is an important part of the service industry. As the third space connecting the city and tourists and the main place for recreation and reception, the distribution pattern and spatial process of the tourism accommodation industry play an important role in promoting the co-evolution of the urban spatial structure. Under the background of informatization connection of supply and demand, improvement of transportation capacity, and multi-center development of cities, the site selection decision of the urban accommodation industry has shifted from focusing on traditional factors such as land rent, policy constraints, and consumption thresholds to comprehensively considering spatial factors such as the convenience of the transportation network and the proximity of service facilities. Shared accommodation is a typical representative of non-standard accommodation, that is, the house owner temporarily rents out all or part of the idle house to the lodger relying on the two-way trading platform on the Internet. Since entering the Chinese market in 2015, Airbnb has become a pioneer in the shared accommodation industry in China. Using space syntax and co-location quotient theory, combined with GIS spatial analysis technology, this paper selects the data of Airbnb's active listings, star-rated hotels, urban road network, and points of interest in Hong Kong in 2021 to construct the 'point-line-surface' research framework of 'accommodation unit-traffic axis-functional space' and analyze the spatial layout patterns of shared accommodation and traditional hotels, as well as the structural correlation characteristics with the form of urban road network and urban functional space. The results show that the shared accommodation presents the banded and clumpy distribution in the city center, and forms sub-cores in some new towns, transportation hubs, and tourist islands. Compared with traditional hotels, the shared accommodation is more affected by the road network form, and has higher requirements for traffic passing ability and neighborhood interaction space in visiting communities. On a global scale, the shared accommodation is more inclined to consider agglomeration effects and positive spillover effects when selecting locations. At the local scale, the shared accommodation mainly forms three types of associations with urban functional space: cluster-like association, group-like association, and scatter-like association. The correlation effect between the shared accommodation and the dining space is the most significant. This paper has theoretical significance and practical value for accurately understanding the multi-scale spatial distribution pattern of shared accommodation under the diversified consumption demands of modern cities, promoting the diversified and sustainable development of the urban accommodation industry, and guiding the rational and orderly allocation of urban recreational service resources.

Key words： urban form; shared accommodation; Airbnb; spatial correlation; space syntax; co-location quotient; Hong Kong

Cite this article

JIANG Yifei , ZHANG Honglei , LI Mimi , SHEN Caiyun , ZHAI Shiyu . The Spatial Correlation between the Distribution of Shared Accommodation and the Urban Road Network and Functional Space in Hong Kong[J]. Journal of Geo-information Science, 2024 , 26(2) : 367 -380 . DOI: 10.12082/dqxxkx.2024.220318

1 引言

城市形态是城市内部地理环境、政治经济、文化传统、社会结构等要素相互作用后的外在空间体现[1]。产业空间布局是产业在城市地域空间上的投影。城市形态和产业空间布局表现出明显的联动关系[2-3]。空间上产业布局的展开受到城市形态各要素及其复杂内生关系的影响与制约[4]。旅游业是服务业的重要组成部分。而旅游住宿业作为衔接城市与游客的第三空间、游憩接待的主要场所[5]，其分布格局和空间过程对城市空间结构的协同演化具有重要的推动作用[6]。共享住宿是非标准住宿的典型代表，即房东依托互联网双向交易平台将全部或部分闲置房屋短暂出租给房客。Airbnb作为全球共享住宿行业的先驱，在供需信息化对接、交通运输能力提升、城市多中心开发等因素的影响下，选址决策已从过去星级酒店重点考虑土地租金、政策约束、消费门槛等传统因素，转向综合考虑交通路网便捷程度和服务设施临近程度的空间依托[7⇓-9]。反映城市形态基本架构的路网轴线和承载城市特定功能的设施节点在一定程度上成为Airbnb选址决策的重要影响因素。已有学者发现Airbnb呈现出靠近主要交通线路分布的特征[10]，但现有住宿研究仍局限于传统星级酒店或经济型酒店，在现代住宿业结构多元化背景下对共享住宿等新兴业态、城市形态及空间结构与住宿业空间响应的研究不足[5]。因此，探究城市路网形态和功能空间与Airbnb的空间关联关系，对理解共享住宿在城市内部的空间布局模式和形成机理、促进城市空间的集约化与复合化利用、旅游服务业供给侧结构性改革具有重要的理论和实践意义。
住宿业空间布局研究始于20世纪80年代，研究内容主要包括3个方面：① 住宿业空间布局的特征和模型；② 住宿业选址及其影响因素；③ 住宿业布局的时空演变态势[11]。研究遵循了产业布局理论的发展脉络，经历了从区位论、市场论、产业集聚到新经济地理理论的发展[12]，21世纪后研究更加侧重酒店微观尺度的区位因素、空间集聚、不完全竞争等领域[13]。
空间分布和选址决策是旅游和住宿业文献中的主要研究方向之一。在城市旅游中，位置显著影响市场需求，生产能力和效率，盈利能力，土地价值，与对手的竞争地位，游客行为和满意度，进而决定着住宿单元的生存、运营、管理、绩效和投资-回报水平。住宿产业的空间分布对促进城市经济发展、引导城市产业更新、重塑城市内部结构具有重要作用。住宿业的位置决定因素也在随着城市空间结构的演变而变化[14-15]。近年来共享住宿业务的爆发式增长突出了重新考虑住宿业选址问题的必要性和重要性[16]。住宿业选址的影响因素可分为宏观（区域间）和微观（区域内） 2种地理尺度。宏观环境背景反映了不用地点的吸引力和在特定区域内发展业务的机会。微观环境属性与每个地点的效用价值有关，包括点位特征、市场条件和物业特征[17⇓-19]。点位特征表示住宿单元所在地和周围环境的发展状况和城市空间结构，与可达性、交通便利程度和周边地区的发展水平有关[17,20⇓⇓-23]。市场条件反映了住宿单元可以通过集聚或分散而从当地市场中获得利益[13,21,24⇓⇓⇓-28]。一些学者已从空间视角，利用探索性空间数据分析方法[29]、点模式分析工具[30]、热点探测[11]等GIS技术来帮助分析酒店的位置分布模式和可能的因素。住宿业位置选择还与自身的物业特征有关，即住宿单元自身的星级、类型、所有权、占地规模、房间数、年龄、装修、服务等[21]。
近年来，随着共享经济的快速发展，学者们开始关注共享住宿与传统住宿空间布局的差异[31]。为迎合游客的需求，共享住宿倾向于集聚在城市中心、交通便利地区和旅游资源附近。同时由于共享住宿房源覆盖面更大、种类更加丰富，房客的消费动机更加多样化，布局不再仅仅受限于上述因素，与传统酒店的竞争或互补关系也呈现空间异质性。纵观前人研究成果，以Airbnb为代表的共享住宿业布局和选址研究多选取与自身属性和周围环境相关的单一或多个影响因子，但关注总体城市形态和功能分区对共享住宿布局影响的文献较少。研究方法多选用的纯粹的数理模型忽视了使用者的空间认知和主观感受[32]。在研究对象与数据方面，研究较多关注共享住宿自身的空间分异与影响因素，而对共享住宿与相关地理要素空间集聚的关联程度以及与传统住宿的竞争格局有待深入[33-34]。多源地理大数据蕴含的多模态多粒度的空间信息有利于深入了解供给支撑和需求引导协同作用下的共享住宿分布格局。目前使用多源数据开展的共享住宿研究多以市、县和街道等行政区划为研究单元构建影响因素指标体系进行空间回归[35]，仍需进一步深入城市内部在微观尺度探讨共享住宿与城市交通和旅游休闲资源的耦合关系[36-37]。
空间句法（Space Syntax）是一种基于拓扑关系对景观、建筑、聚落、城市等人居空间结构和关系进行定量化分析的理论和方法[38]。空间句法理论认为，空间本体通过组构（一系列相互依赖的关系）影响人对城市的感知与行为，进而影响城市的土地利用类型和社会经济活动[39]。共享住宿的空间分布不仅受交通可达性和效率的影响，也注重顾客在本地的体验性和社交性。城市物质要素（商圈、居民服务设施等）动态作用于地价和人流集聚度，进而通过供需机制反作用于共享住宿的选址。基于地理位置的城市兴趣点数据则为识别城市功能区和服务设施点位提供了便利。全局协同区位商（The Global Co-location Quotients, GCLQ）和局域协同区位商（The Local Indicator of the Co-location Quotient, LCLQ）可以测度空间要素的不对称分布[40]，揭示点数据间相关性的空间变异性[41]。住宿业对拥有不同投资机会和区域进步潜力的城市环境较为敏感。因此，运用空间句法和协同区位商理论构建“住宿单元-交通轴线-功能空间”的“点-线-面”研究视角，可以揭示住宿业产业活动、区域环境和社会功能之间的空间规律和逻辑关系。
香港是全球最自由经济体和最具竞争力城市之一，也是中国最早借鉴西方经验发展城市酒店业的地区之一[42]。中西方文化汇聚交融使得各种新兴业态蓬勃发展，香港Airbnb形成了相对成熟稳定的行业发展态势。综上，本文选择香港Airbnb作为典型案例进行研究，以空间句法和协同区位商理论为基础，结合GIS空间分析方法，研究城市路网形态对香港共享住宿业空间布局的影响，以及城市不同功能空间与共享住宿的共位关联特征，对利用地球信息科学技术精准理解现代城市多元消费需求下新兴旅游住宿业态的多尺度空间分布模式、从空间使用者视角高效揭示隐藏在表面经济活动和区域环境下城市共享住宿供需两侧的相互作用与协同机制具有重要的理论意义，对推动住宿业的多元韧性发展、引导城市游憩服务资源的合理有序配置进行实践指引。

2 研究区概况与数据来源

2.1 研究区概况

香港特别行政区位于中国南部粤港澳大湾区范围内，包括香港岛、九龙半岛、新界等18个区（图1）。20世纪70年代以来，香港进入了快速发展阶段，其紧凑高密度的城市发展模式引起了学术界的普遍关注[43]。集约化的土地利用方式抑制了城市的无序蔓延[44]，TOD模式保障了城市人流、物品、服务和信息的高度集聚与高效流动[45]，不同空间形态和功能区位的配合促进城市的创新与活力。香港逐渐摆脱了资源匮乏、地形多山、人口众多的发展困境，成为全球第3大金融中心，重要的国际贸易、航运和国际创新科技中心。
图1 香港行政区划图

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)4342号的标准地图制作，底图无修改

Fig. 1 Administrative division map of Hong Kong

香港素来是全球范围内的首选旅游目的地之一。作为香港的四大支柱产业之一，旅游业在2019年占本地生产总值约5%，提供了约27万个就业岗位，并带动住宿、零售、交通等多个行业的发展，是香港经济的重要驱动力。作为一座繁华的国际大都市，强大的消费需求推动着香港住宿业态更新和结构丰富，形成了星级酒店、主题酒店、经济型酒店、民宿等多种住宿业态。其中，Airbnb、途家、VRBO、Booking是香港共享住宿业的主要参与者。根据市场研究公司AirDNA数据显示，Airbnb占据香港共享住宿租赁渠道的97%以上。自2014年在中国开展业务以来，Airbnb供需呈现快速增长趋势。2017年香港成为Airbnb体验业务在中国落地的第2个城市，在当年为香港经济贡献超21亿元，并成为香港过度旅游背景下以相对低廉的房价缓解酒店资源紧张的有效手段。但近年来Airbnb也面临COVID-19大流行导致的需求急剧下降以及合法性经营和规范化管理问题。总体来说，香港住宿业发展在中国处于领先地位，选择香港作为案例地具有代表性和典型性。

2.2 数据来源

现代信息与通讯技术增强了人类获取信息能力和决策过程的复杂性，产生了大量诸如POI、平台网站、社交媒体等地理大数据。本文使用的多源数据包括香港OpenstreetMap路网与POI数据、Inside Airbnb网站上的香港Airbnb房源数据以及携程网站上的香港传统酒店数据。数据类型、来源、年份与特征如表1。Inside Airbnb是一个探索全球各城市Airbnb发展状况的非商业性在线数据平台，研究证明是目前共享住宿研究的主要数据源之一（约占15%）[46]。携程是中国领先的酒店预定服务中心，在国内住宿业研究中得到广泛使用[35,47-48]。OpenstreetMap（OSM）平台作为最受欢迎的自发地理信息平台（Volunteered Geographic Information, VGI）之一，具有数据丰富、易获取、成本低、更新快等优势，已被广泛应用于空间选址研究[49]，且诸多研究表明OSM数据定位精度和拓扑关系较高[50]，在经济发达地区覆盖较完整，可满足科学研究要求，但正因为OSM数据大众贡献、大众管理的特点，数据的清洗、处理与应用尚需进一步深入。
表1 研究数据

Tab. 1 Research data

数据 数据类型 来源 年份 特征
香港Airbnb数据 房源点数据 Inside Airbnb网站
(http://insideairbnb.com/)		 2021 经数据清洗与预处理后共6 538个房源
香港传统酒店数据 酒店点数据 携程网站
(https://www.ctrip.com/)		 2021 选取香港四星级以上酒店共134家
香港功能空间数据 POI数据 OSM网站
(http://www.openstreetmap.org/)		 2021 基于百度POI分类体系划分POI数据，选取美食餐饮（餐厅）、休闲购物（百货公司、商场、超市）、旅游景点（景点、观景点）、休闲娱乐（电影院、夜店、体育中心）、文化传媒（艺术中心、图书馆、博物馆、剧院）共5大类、13小类，3 734个POI数据
香港路网数据 矢量数据 OSM网站
(http://www.openstreetmap.org/)		 2021 选取能够反映城市整体路网架构的主干道、次干道、高架及快速路，经拓扑关系检查后共14 806条道路

3 研究方法

3.1 空间句法

空间句法是一种用于城市空间结构量化分析的理论和方法。空间句法以图论为基础进行空间分割，通过拓扑关系分析空间要素的形态与结构，强调从人的真实视场出发感知城市空间和建筑，挖掘空间组织与人类活动的关系[51]。相较于传统的轴线模型，空间句法的线段模型考虑了真实路网的位置坐标以及道路转角对出行选择的影响，不受网络节点数目的影响，经研究与真实人流和车流的拟合度更高[52]。本研究使用基于线段模型的空间句法量化并反映研究区内路网的拓扑可达性和交通穿行概率。线段模型的主要变量有：
（1）节点总数（NC）：搜索半径内道路线段的节点数量。
（2）角度全局总深度（ATD）：某节点距搜索半径内其余节点角度拓扑距离之和。计算公式为：
A T D x = ∑ i = 1 n d θ x , i
式中： d θ ( x , i )表示节点 x与节点 i间的角度拓扑距离；n为搜索半径内的其余节点。
（3）整合度（I）：某空间与其他空间的集聚或离散程度，衡量空间渗透性和可达性。计算公式为：
I = N C 2 A T D
（4）角度选择度（ACH）：通过某节点的最短角度拓扑距离的次数。计算公式为：
A C H x = ∑ i = 1 n ∑ j = 1 n σ i , x , j n - 1 n - 2                     ( i ≠ x ≠ j )
式中： σ i , x , j表示通过节点 x的节点 i 、 j之间的最短角度拓扑距离。
（5）标准化后角度选择度（NAC）：经过标准化后的角度选择度。标准化可剔除节点数目对结果的影响，取对数可减少极值对结果的影响。计算公式为：
N A C = l o g ( A C H + 1 ) l o g ( A C H + 3 )
（6）搜索半径（n）：表示计算某节点参数时，考虑以该点为圆心，n为半径范围内的其余节点。
为表达清晰，本文以I和N表示全局尺度的整合度和标准化后角度选择度，I1400和N1400表示搜索半径为1 400 m时的计算结果。其中1 400 m约为成年人15 min的步行路程。

3.2 核密度估计法

核密度估计用于计算空间中点或线要素在周围邻域中的密度，并拟合出一个光滑连续的表面，从而衡量要素的集聚或离散程度[53]。本研究使用核密度估计法以空间句法参数为权重分析城市路网形态，并计算Airbnb和酒店业数据与路网数据的相关性。计算公式为：
∫ n ( x ) = 1 n h ∑ i = 1 n k x - x i h
式中： h是搜索半径（带宽）； x和 x i为观测要素（道路）； x - x i为道路要素间的距离； n是范围内要素数目； k (   )为核函数。

3.3 最邻近距离法

最邻近距离法根据每个要素与其最近邻要素之间的平均距离计算其最邻近指数。若指数小于1，则将要素分布视为聚类模式。若指数等于1，则为随机分布。若指数大于1，则为离散模式。本研究使用最邻近距离法测度和比较共享住宿和传统酒店分布的离散程度。计算公式为：
R = d - m i n E ( d m i n   )
  d - m i n = 1 n ∑ i = 1 n d m i n
式中： d m i n为每个要素（Airbnb或酒店）与其最邻近要素的距离；n是要素数量； d - m i n是平均距离； E ( d m i n )是随机模式下的期望平均距离。

3.4 协同区位商

协同区位商分为全局协同区位商和局域协同区位商。本研究使用协同区位商观测住宿业和城市功能空间的联系方向与强度。全局协同区位商（GCLQ）基于最近邻，测度A类点附近B类点数量的观测值与预期值之间的整体关系，从而反映A类点被B类点的吸引程度。计算公式为：
G C L Q A → B = N A → B / N A N B / ( N - 1 )
N A → B = ∑ i = 1 N A ∑ j = 1 u i f i j ( 0,1 ) u i
式中： N代表点的总数； N A、 N B分别代表A类点（Airbnb或酒店）和B类点（POI）的数量； N A → B表示拥有B类点作为最近邻点的A类点的数量； u i是点i的最邻近数量， f i j是一个二进制变量，指示点i的最近邻点j是否为B类点，1代表是，否则为0。 G C L Q A → B大于1，说明A类点易被B类点吸引，两类点具有空间关联性； G C L Q A → B小于1，表示A类点趋向于远离B类点； G C L Q A → B等于1，两类点趋向随机分布。
为了揭示要素间空间相关性的空间异质性，Cromley等[41]在2014年提出了局域协同区位商（LCLQ）。计算公式为：
L C L Q A i → B = N A i → B N B / ( N - 1 )
N A i → B = ∑ j = 1 N w i j f i j ∑ j = 1 ( j ≠ i ) N w i j
w i j = e x p   - 0.5 × d i j 2 d i b 2
式中： N A i → B表示点 A i最近邻的B类点的加权平均数； d i j表示点 A i与点j的距离； w i j是高斯核密度函数，代表点j的权重，距离越近权重越大； d i b代表 A i点附近的带宽距离。
本文的技术路线如图2所示。
图2 技术路线

Fig. 2 Technology roadmap

4 结果及分析

4.1 城市路网形态对Airbnb的布局影响

4.1.1 城市路网形态分析

使用ArcGIS 10.4软件和Axwoman 6.3插件对路网数据进行连接性和拓扑检查后，导入Depthmapx软件，在验证线段模型的正确性后计算空间句法相关变量。将结果导入ArcGIS软件中，参考前人研究以150 m ×150 m为像元大小，选取1 400m（约为成年人15 min的步行路程）为搜索半径[15,39]、4个空间句法参数为权重进行路网线密度估计计算（图3）。
图3 不同空间句法参数为权重的路网线密度（基于线段模型）对比

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)4342号的标准地图制作，底图无修改。

Fig. 3 Line density of road network with space syntax parameters as weight (based on line segment model)

I和N分别为全局整合度（取对数）和全局标准化后角度选择度，能反映研究区内全局性路网的拓扑可达性和交通穿行概率，而I1400和N1400则是这2个参数的局部性测度。结果显示，参数的全局性和局域性结果表现出较为一致的特征，反映出香港全局性路网和局部性路网形态的布局连续性和相似性。路网在西九龙走廊、4号干线干诺道中-告士打道、葵青交汇处形成了3大主要整合和穿行核心，高集成度交通轴线发达，城市空间可达性高、渗透性强，吸引穿越性交通的潜力大。在工商集聚区（九龙东）、集中居住区（粉岭）、机场枢纽（机场路、港珠澳大桥香港连接路）、新市镇中心（元朗市中心）等地显现出整合和穿行能力次核心，体现出路网对城市特定功能空间的塑造作用。

4.1.2 区域Airbnb空间分布格局分析

Airbnb和酒店的分布中心均位于维多利亚港两岸的中心城区（图4）。Airbnb主要分布在九龙半岛荃湾线沿线的油尖旺区和九龙城区，以及香港岛北部港岛线沿线的上环、湾仔-铜锣湾、炮台山-北角等地，呈“带状+团块状”分布。此外，在香港部分新市镇及交通枢纽（离岛区东涌、新界北与深圳交界的落马洲）和旅游名胜岛屿（南丫岛北段和长洲中部）也可见Airbnb的次级核心。酒店分布中心位于商业核心区的中心，距离衰减效应明显。
图4 香港路网、Airbnb及酒店的空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)4342号的标准地图制作，底图无修改。

Fig. 4 Spatial distribution of road network, Airbnb and hotels in Hong Kong

采用最邻近距离法分析Airbnb和酒店的空间集聚特征。通过P检验和Z检验后，得到Airbnb和酒店的最近邻指数分别为0.23和0.25，均呈现集聚分布，且Airbnb的集聚程度更强，反映出二者服务范围和布局模式的差异。

4.1.3 城市路网形态对Airbnb分布规律的影响

基于4.1.1节所述的4个参数计算N+I、N1400+I1400、N+N1400、I+I1400，将结果与香港Airbnb和酒店进行Pearson双变量相关分析，假设检验表明相关系数具有显著性（表2）。
表2 Airbnb和酒店与空间句法参数的相关系数

Tab. 2 Correlation coefficients of Airbnb & hotels with space syntax parameters

I I1400 N N1400 N+I N1400+I1400 N+N1400 I+I1400
Airbnb 0.450** 0.462** 0.445** 0.436** 0.449** 0.459** 0.439** 0.456**
酒店 0.267** 0.273** 0.266** 0.259** 0.268** 0.270** 0.262** 0.270**

注：**表示相关系数在0.01水平上显著。

总体上看，与酒店相比，8个路网形态参数与Airbnb的数据相关性更高，呈中度相关（相关系数超过0.4），反映出Airbnb与香港城市路网形态的空间关联性更强。N+N1400是同时衡量全局和局部尺度交通穿行能力的参数，而I+I1400是同尺度下衡量可达性的参数。对比2个参数与Airbnb的相关性，CorN+N1400 (0.439)<CorI+I1400(0.456)，反映出区域内无论是全局尺度还是局域尺度，Airbnb受到交通穿行度的影响大于路网整合度，Airbnb提供的到访性服务功能强于中介性服务功能。N+I是衡量全局性路网交通可达性和穿行性的参数，而N1400+I1400是对该路网形态特质的局部性描述。对比结果，CorN+I(0.449)<CorN1400+I1400(0.459)，说明Airbnb对内部交通系统和邻里交互空间的关注度更高。

4.2 城市功能区位与Airbnb的关联特征

4.2.1 空间关联总体格局

使用“Co-Location Analysis Engine”工具，对香港Airbnb和酒店与城市功能区位的空间关联总体格局进行分析。经过多次实验，本研究设置带宽分别为一阶最近邻（The First-order Neighbor）、10阶最近邻（The Tenth-order Neighbor）和25阶最近邻（The Twenty-fifth-order Neighbor），并运用蒙特卡洛模拟（100次）对其进行显著性检验（表3）。
表3 Airbnb和酒店被城市功能区位吸引的全局协同区位商（带宽为1、10和25）

Tab. 3 GCLQ of Airbnb and hotels attracted by urban functional locations (bandwidths of 1, 10 and 25)

GCLQ Airbnb 酒店 美食餐饮 休闲购物 旅游景点 休闲娱乐 文化传媒
Airbnb 带宽为1 1.351** 0.280** 0.501** 0.604** 0.248** 0.567** 0.440**
带宽为10 1.283** 0.351** 0.650** 0.604** 0.259** 0.581** 0.465**
带宽为25 1.245** 0.366** 0.729** 0.627** 0.277** 0.659** 0.473**
酒店 带宽为1 0.300** 15.164** 0.278** 0.422** 0.569* 0.211* 0.395*
带宽为10 0.411** 12.881** 0.368** 0.589** 0.432** 0.768* 0.519**
带宽为25 0.477** 11.790** 0.433** 0.571** 0.328** 0.640** 0.481**

注：**表示协同区位商在0.01水平上显著，*表示协同区位商在0.05水平上显著。

在全局尺度上，香港Airbnb和酒店与城市的功能空间均处于一种较弱的空间关联状态（GCLQ<1）。可能是因为香港紧凑集约的土地利用方式和高度便利的交通设施，距离的摩擦效应被削弱，大部分住宿单元都能吸引潜在的旅游市场，而不依赖于传统的可达性指标。但二者自身的空间关联效应非明显（1<GCLQAirbnb→Airbnb<2, GCLQ酒店→酒店 ≫2），住宿业在选址时更希望从相互的集聚效应和积极的溢出效应中获益。就5种功能区位而言，Airbnb在某些带宽下有依附于休闲购物空间、休闲娱乐空间和美食餐饮空间的倾向（GCLQ>0.6~0.7）。

4.2.2 局域空间关联特征

GCLQ反映的是一种全局的协同区位模式，但无法检测到关联强度的局域变化。在全局协同区位模式的基础上提出的LCLQ可以揭示两点（集）间相关性的空间变异性。本研究使用ArcGIS Pro 2.5的“协同区位分析”工具探究住宿业与城市功能空间的局域空间关联特征（图5）。
图5 Airbnb和酒店被城市功能区位吸引的局域协同区位商（带宽为25）

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)4342号的标准地图制作，底图无修改。

Fig. 5 LCLQ of Airbnb and hotels attracted by urban functional locations (bandwidth of 25)

按关联强度和关联形态划分，香港住宿业与城市功能空间的局域关联模式主要分为3类：簇状关联、组团状关联和散点状关联。簇状关联是在城市功能空间的强大吸引力作用下形成的一种强关联模式，住宿业单元紧密依附于城市特定功能区块的周围，呈现出放射状关联网络，关联等级层次较为丰富。组团状关联是易在城市混合功能中心或偏均值服务设施附近产生的一种中度关联模式，住宿业单元以小组团的形式分布在城市的不同区位，关联等级层次较为单一。散点状关联是受城市离散化功能节点影响下的一种弱关联模式，住宿业单元在功能节点的覆盖范围内零星式分布，无关联等级层次。
在局域尺度上，Airbnb与美食餐饮空间的关联效应最为强烈，在中环摆花街、湾仔庄士敦道、铜锣湾电气道、油麻地吴松街、西九龙中心和大屿山大澳等区域均显示出簇状关联模式。由于香港休闲购物资源较为丰富且均好性较高，Airbnb以多组团的形式受到各个商圈的吸引。Airbnb与休闲娱乐空间和文化传媒空间呈现出组团状关联和散点状关联相结合的模式，在旺角亚皆老街、中环云咸街、屯门市广场等区域与影剧院的关联性较好，在中环半山、梅窝等区域与博物馆和展览馆的关联性较好，与旅游景点的关联较弱。在住宿业内部，Airbnb在旺角、尖沙咀东部、铜锣湾等区域聚集在酒店业发展成熟密集区，与酒店呈现簇状关联模式。而酒店仅在油尖旺区与Airbnb呈现散点状关联，并且与其他功能空间基本处于一种相对独立分布的状态。
本文的主要研究结果汇总如表4所示。
表4 主要研究结果

Tab. 4 Main research results

研究结果 Airbnb 传统酒店
分布核心 主核心 维多利亚港两岸中心城区 维多利亚港两岸中心城区
次核心 新市镇、交通枢纽、旅游名胜岛屿 —
距离衰减 不明显 明显（商业核心区→外围）
集聚特征 集聚分布
路网相关性 全局 中度相关 弱相关
局域 受交通穿行度影响较大，关注内部交通和邻里交互 对交通设施依赖性不强
功能区位关联性 全局 关联强度 较弱 较弱
关联方向 自身关联效应明显，有依附休闲购物、休闲娱乐、美食餐饮空间的倾向 自身关联效应明显
局域 关联模式 簇状关联、组团状关联、散点状关联
关联效应 与美食餐饮空间关联效应最强烈，呈簇状关联
与休闲娱乐和文化传媒空间呈组团状+散点状关联
与传统酒店在住宿业发展成熟密集区呈簇状关联		 相对独立分布，仅在油尖旺区与Airbnb呈散点状关联

5 讨论

经过近半个世纪的发展，香港酒店业在城市中心（香港岛北部和尖沙咀以北）已渐趋成熟，自1990年以来发展缓慢，空间格局相对稳定。传统酒店和Airbnb均在市中心形成了最大的分布集群，这与李莉[47]关于上海Airbnb、Gutiérrez[29]关于巴塞罗那Airbnb的研究结果相呼应，进一步说明新兴住宿业会优先在城市中心布局的空间分布特征。受城市定位、发展历史、土地利用、资源禀赋等多种因素的影响，香港的旅游业较为依赖商务旅行者、访亲游客以及购物游客[54]。这与本研究中协同区位商的结果相呼应，即香港住宿业呈现出依附城市休闲购物空间和美食餐饮空间的趋势。与前人关于伦敦的研究不同的是，Airbnb与旅游景点空间关联较弱，这可能与城市独特的功能和属性相关[48]。因为与欧洲和中国许多城市旅游目的地相比，香港缺乏丰富的历史文化遗产和地标，加之资源限制政策使酒店投资者很难在酒店附近建立自然和文化景点，传统酒店的集聚效应非常显著，并靠近商业和购物设施[15]。同时，香港传统酒店具备为全局性空间的旅客提供中介服务（如接送机、提供会场）的条件，某种程度上削弱了对城市路网形态的依赖性，在本研究中反映为传统酒店与路网空间句法参数（拓扑可达性和交通穿行潜力）的相关性较弱，这与赵海溶[48]关于上海Airbnb的研究结果相左，但与Li[15]关于香港住宿业的研究结果一致，即交通无障碍设施可能不是香港等交通系统非常便利的城市的重要选址因素。
而作为共享经济的代表，在全局尺度上，共享住宿借助互联网和现有住房快速实现了城市的业务覆盖[55]。在本研究中表现为，相较于传统酒店，共享住宿呈现更为广泛的分布模式，这与Huh[56]关于首尔Airbnb的研究结果一致。且除了在市中心客流导向下形成的集聚主核心外，围绕新市镇、交通枢纽、旅游名胜等城市不同功能区块形成了组团状分布次核心，继而消费者可以根据自身个性化的出行和游憩需求灵活选择目的地附近的共享住宿房源。从生产者角度来看，共享住宿通过与传统酒店共处一个集群而获得正的溢出效应，并以相对低廉的价格对香港紧缺的住宿资源进行补充。在局域尺度上，共享住宿房客的旅行目的性和到访性非常强，注重房源的多样性以及本地的体验性和社交性[57]，因此本研究中Airbnb与城市功能空间表现出丰富的关联模式和强度。Airbnb和路网空间句法局部性参数的相关系数更大，说明共享住宿对内部交通系统和邻里交互空间更为关注，应注重为局部性空间的旅客提供服务。
多源地理大数据蕴含的多粒度、多模态的时空信息突破了传统酒店住宿业研究数据的精度、规模、维度等制约，但通过实地考察、调研与分析深入了解房客的需求动机、行为与体验感知，并将地球信息科学技术与结构化理论、行为模拟技术、叙事分析技术、人工智能与深度学习等理论与技术深度融合，对未来构建系统的共享住宿研究体系，厘清中国共享住宿实践的现实诉求具有重要意义。

6 结论与启示

本研究使用香港城市路网数据、POI数据和住宿业多源地理数据，在利用空间句法量化香港路网形态的基础上，使用最近邻分析测度和比较2种住宿业态分布的离散程度，使用核密度估计分析住宿业与交通拓扑结构的相关性，并进一步通过协同区位商从全局和局域尺度观测住宿单元与城市其他功能空间的关联方向与强度，从而构建“住宿单元-交通轴线-功能空间”的“点-线-面”研究框架，分析香港共享住宿和传统酒店的空间分布模式，以及路网形态、可达性以及服务设施对住宿业空间布局的影响，从而通过地球信息科学技术在旅游休闲领域的应用，为深刻揭示都市旅游供需协同驱动作用下新兴旅游住宿业态的多尺度空间分布与关联模式提供新的研究视角，对于促进城市空间复合利用、后疫情时代需求转向下城市住宿业空间重振提供依据[48,58]。研究结果表明：
（1）香港住宿业中心紧密围绕在维多利亚港两岸，呈现“核心-边缘”结构。传统酒店密度从商业核心向外围距离衰减效应明显，而Airbnb受到商业集群、新市镇、交通枢纽、旅游名胜岛屿等多样化城市空间的吸引，呈现“带状+团块状”分布。
（2）相较于传统酒店，Airbnb受路网形态的影响更大，对交通穿行能力和到访社区的邻里交互空间要求较高。但受益于香港成熟稳定、综合立体的交通网络体系，传统酒店和共享住宿对城市中心交通设施的依赖性不强。
（3）在全局尺度上，香港传统酒店和共享住宿与城市功能空间并未显示出显著的空间关联状态，但两者自身的空间关联效应非常明显，发展较晚的共享住宿业在选址时更倾向于考虑集聚效应和积极的溢出效应。
（4）在局域尺度上，共享住宿和功能空间主要形成簇状关联、组团状关联和散点状关联3种关联模式。Airbnb与美食餐饮空间关联效应最为显著，在酒店业发展成熟区Airbnb以簇状关联方式依附于传统酒店周围。共享住宿业注重利用集聚降低消费者的搜索成本[24,28,59]，同时集群能够帮助其成员减少进入新市场的不确定性，并积极利用已有的供应商、服务和关系资源。
本文贡献主要有3个方面。
（1）本研究从要素自身异质性和相互关联性的视角，评估住宿业与城市空间形态和结构的关系，和地理学近年来由基于相对静态和平稳的场所空间理论转向更为关注人流、物流和信息流构建的“流空间”的趋势具有相似的逻辑[60]，对深入理解城市中商务、游憩、交通、居住、服务等子系统的功能分区和交互关系具有重要意义。
（2）本研究回应了近年来关于传统酒店和新兴的共享住宿业间关系的争论。研究结果强调了高端酒店对Airbnb的正向溢出效应，以及在严格限制土地开发利用的地区Airbnb可作为促进资源空间均衡分配和共同发展的手段，有助于从业者更好地了解住宿行业的市场竞争/集聚格局，促进住宿业的良性可持续发展。
（3）研究结果可为紧凑集约型城市住宿业选址决策、旅游部门政策与规划的制定、城市产业空间结构的优化升级提供一定的参考。在香港等交通系统极为发达的地区和城市，住宿业投资者、开发商和业主应注重集聚效应和相较于各类型竞争对手的比较优势[42]。Airbnb应更关注周边路网的相关性，积极开展小区域宣传和周边特色资源导览体验等局部性服务。传统酒店应在完善自身品牌塑造的基础上提升全局空间支撑与服务能力。地方政府和城市规划者应为住宿业创造更合适的长期发展环境，包括城市路网设计的优化、商业资源的合理分配、服务设施的合理配备等。
本研究存在一定的局限性。① 本文主要从空间维度研究城市路网形态和功能空间对Airbnb和酒店布局的影响。伴随粤港澳大湾区建设的推进，“香港2030+”远景规划的实施，以及COVID-19常态化防控的多维影响，未来通过时间序列数据充分考虑土地政策调控、旅游需求变化、基建设施完善等因素与住宿业布局的动态互馈是有趣的研究方向。 ② 尽管空间句法考虑了人的选择和主观意识，较好地反映了旅游流的流量特征。但伴随着旅游相关技术和移动应用的快速发展，将旅游大数据用作预测住宿业区位选择的因素可以提供更加细粒化的情景模拟能力。③多城市住宿业位置评估的横向对比仍然是必要的，以帮助进一步了解传统住宿和共享住宿在不同社会经济背景下的异质性特征。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王慧芳, 周恺. 2003—2013年中国城市形态研究评述[J]. 地理科学进展, 2014, 33(5):689-701.

DOI

[ Wang H F, Zhou K. Review of urban form, structure and morphology in China during 2003-2013[J]. Progress in Geography, 2014, 33(5):689-701. ] DOI:10.11820/dlkxjz.2014.05.010

[2]
Parr J B. The regional economy, spatial structure and regional urban systems[J]. Regional Studies, 2014, 48(12):1926-1938. DOI:10.1080/00343404.2013.799759

[3]
胡添, 刘涛, 杜萍, 等. 空间同位模式支持下城市服务业关联发现及特征分析[J]. 地球信息科学学报, 2021, 23(6):969-978.

DOI

[ Hu T, Liu T, Du P, et al. Correlation discovery and feature analysis of urban service industry supported by spatial Co-location model[J]. Journal of Geo-Information Science, 2021, 23(6):969-978. ] DOI:10.12082/dqxxkx.2021.200408

[4]
张红, 蓝天, 李志林. 分形城市研究进展:从几何形态到网络关联[J]. 地球信息科学学报, 2020, 22(4):827-841.

DOI

[ Zhang H, Lan T, Li Z L. Advances in fractal cities: A shift from morphology to network[J]. Journal of Geo-Information Science, 2020, 22(4):827-841. ] DOI:10.12082/dqxxkx.2020.200160

[5]
龙飞, 戴学锋, 虞虎. 基于路网形态的上海住宿业空间布局特征[J]. 地理科学进展, 2021, 41(9):1569-1577.

[ Long F, Dai X F, Yu H. Spatial layout characteristics of Shanghai accommodation industry based on network form[J]. Scientia Geographica Sinica, 2021, 41(9):1569-1577. ] DOI:10.13249/j.cnki.sgs.2021.09.008

[6]
王英杰, 张桐艳, 李鹏, 等. GIS在中国旅游资源研究与应用中的现状及趋势[J]. 地球信息科学学报, 2020, 22(4):751-759.

DOI

[ Wang Y J, Zhang T Y, Li P, et al. Research on the application status and trends of GIS used in tourism resources in China[J]. Journal of Geo-information Science, 2020, 22(4):751-759. ] DOI:10.12082/dqxxkx.2020.200209

[7]
闫丽英, 韩会然, 陈婉婧, 等. 北京市住宿业空间分布格局及影响因素研究[J]. 经济地理, 2014, 34(1):94-101.

[ Yan L Y, Han H R, Chen W J, et al. Distribution and influence factors of lodging industry in Beijing City[J]. Economic Geography, 2014, 34(1):94-101. ] DOI:10.15957/j.cnki.jjdl.2014.01.007

[8]
曹小曙, 梁斐雯, 陈慧灵. 特大城市空间形态差异对交通网络效率的影响[J]. 地理科学, 2019, 39(1):41-51.

DOI

[ Cao X S, Liang F W, Chen H L. Influence of different spatial forms for metropolitans on transportation network efficiency[J]. Scientia Geographica Sinica, 2019, 39(1):41-51. ] DOI:10.13249/j.cnki.sgs.2019.01.005

[9]
李一曼, 修春亮, 孔翔. 浙江陆路交通对区域旅游空间结构及发展的影响研究[J]. 地理科学, 2018, 38(12):2066-2073.

DOI

[ Li Y M, Xiu C L, Kong X. Influence of land transportation network evolution on spatial structure and development of regional tourism in Zhejiang Province[J]. Scientia Geographica Sinica, 2018, 38(12):2066-2073. ] DOI:10.13249/j.cnki.sgs.2018.12.015

[10]
Wegmann J, Jiao J F. Taming Airbnb: Toward guiding principles for local regulation of urban vacation rentals based on empirical results from five US cities[J]. Land Use Policy, 2017, 69:494-501. DOI:10.1016/j.landusepol.2017.09.025

[11]
Luo H, Yang Y. Spatial pattern of hotel distribution in China[J]. Tourism and Hospitality Research, 2013, 13(1):3-15. DOI:10.1177/1467358413508579

[12]
Arbel A, Pizam A. Some determinants of urban hotel location: The tourists' inclinations[J]. Journal of Travel Research, 1977, 15(3):18-22. DOI:10.1177/004728757701500305

[13]
Urtasun A, Gutiérrez I. Hotel location in tourism cities[J]. Annals of Tourism Research, 2006, 33(2):382-402. DOI:10.1016/j.annals.2005.12.008

[14]
Adam I, Amuquandoh F E. Hotel characteristics and location decisions in Kumasi Metropolis, Ghana[J]. Tourism Geographies, 2014, 16(4):653-668. DOI:10.1080/14616688.2012.762689

[15]
Li M M, Fang L, Huang X T, et al. A spatial-temporal analysis of hotels in urban tourism destination[J]. International Journal of Hospitality Management, 2015, 45:34-43. DOI:10.1016/j.ijhm.2014.11.005

PMID

[16]
Eugenio-Martin J L, Cazorla-Artiles J M, González-Martel C. On the determinants of Airbnb location and its spatial distribution[J]. Tourism Economics, 2019, 25(8):1224-1244. DOI:10.1177/1354816618825415

[17]
Bull A O. Pricing a motel's location[J]. International Journal of Contemporary Hospitality Management, 1994, 6(6):10-15. DOI:10.1108/09596119410070422

[18]
Johnson C, Vanetti M. Locational strategies of international hotel chains[J]. Annals of Tourism Research, 2005, 32(4):1077-1099. DOI:10.1016/j.annals.2005.03.003

[19]
Luo H, Yang Y. Intra-metropolitan location choice of star-rated and non-rated budget hotels: The role of agglomeration economies[J]. International Journal of Hospitality Management, 2016, 59:72-83. DOI:10.1016/j.ijhm.2016.09.007

[20]
Yang Y, Mao Z X, Tang J Y. Understanding guest satisfaction with urban hotel location[J]. Journal of Travel Research, 2018, 57(2):243-259. DOI:10.1177/0047287517691153

[21]
Yang Y, Wong K K F, Wang T K. How do hotels choose their location? Evidence from hotels in Beijing[J]. International Journal of Hospitality Management, 2012, 31(3):675-685. DOI:10.1016/j.ijhm.2011.09.003

[22]
Rigall-I-Torrent R, Fluvià M. Managing tourism products and destinations embedding public good components: A hedonic approach[J]. Tourism Management, 2011, 32(2):244-255. DOI:10.1016/j.tourman.2009.12.009

[23]
Li G, Law R, Vu H Q, et al. Identifying emerging hotel preferences using Emerging Pattern Mining technique[J]. Tourism Management, 2015, 46:311-321. DOI:10.1016/j.tourman.2014.06.015

[24]
Canina L, Enz C A, Harrison J S. Agglomeration effects and strategic orientations: Evidence from the US lodging industry[J]. Academy of Management Journal, 2005, 48(4):565-581. DOI:10.5465/amj.2005.17843938

[25]
Chung W, Kalnins A. Agglomeration effects and performance: A test of the Texas lodging industry[J]. Strategic Management Journal, 2001, 22(10):969-988. DOI:10.1002/smj.178

[26]
Baum J A C, Haveman H A. Love thy neighbor? Differentiation and agglomeration in the Manhattan hotel industry, 1898-1990[J]. Administrative Science Quarterly, 1997, 42(2):304-338. DOI:10.2307/2393922

[27]
Ingram P, Inman C. Institutions, intergroup competition, and the evolution of hotel populations around Niagara Falls[J]. Administrative Science Quarterly, 1996, 41(4):629-658. DOI:10.2307/2393870

[28]
Fang L, Xie Y J, Yao S J, et al. Agglomeration and/or differentiation at regional scale? Geographic spatial thinking of hotel distribution: A case study of Guangdong, China[J]. Current Issues in Tourism, 2021, 24(10):1358-1374. DOI:10.1080/13683500.2020.1792852

[29]
Gutiérrez J, García-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[J]. Tourism Management, 2017, 62:278-291. DOI:10.1016/j.tourman.2017.05.003

[30]
Wall G, Dudycha D, Hutchinson J. Point pattern analyses of accomodation in Toronto[J]. Annals of Tourism Research, 1985, 12(4):603-618. DOI:10.1016/0160-7383(85)90080-5

[31]
周恺, 和琳怡, 张一雯. 共享短租平台的概念发展、市场影响和空间交互关系研究综述[J]. 地理科学进展, 2020, 39(11):1934-1943.

DOI

[ Zhou K, He L Y, Zhang Y W. A review of literature on the concept, impacts, and spatial interactions of sharing short-term rental platform[J]. Progress in Geography, 2020, 39(11):1934-1943. ] DOI:10.18306/dlkxjz.2020.11.013

[32]
胡姗, 杨兴柱, 王群. 国内外共享住宿研究述评[J]. 旅游科学, 2020, 34(2):41-57.

[ Hu S, Yang X Z, Wang Q. Research review on sharing accommodation at home and abroad[J]. Tourism Science, 2020, 34(2):41-57. ] DOI:10.16323/j.cnki.lykx.2020.02.003

[33]
贾文通, 黄震方, 洪学婷, 等. 共享民宿空间集聚特征及其影响机制研究——以北京市Airbnb为例[J]. 中国生态旅游, 2021, 11(5):751-766.

DOI

[ Jia W T, Huang Z F, Hong X T, et al. Spatial clustering characteristics and influencing mechanism of peer-to-peer accommodations: The case of Airbnb in Beijing[J]. Journal of Chinese Ecotourism, 2021, 11(5):751-766. ] DOI:10.12342/zgstly.20210091

[34]
Sun S J, Wang X J, Hu M X. Spatial distribution of Airbnb and its influencing factors: A case study of Suzhou, China[J]. Applied Geography, 2022, 139:102641. DOI:10.1016/j.apgeog.2022.102641

[35]
吴丹丹, 冯学钢, 马仁锋, 等. 大都市区民宿和酒店业竞争格局演化及成因探测——上海案例[J]. 人文地理, 2022, 37(2):158-166.

[ Wu D D, Feng X G, Ma R F, et al. Competition pattern evolution and contributing factors detection of urban homestay and hotel industry: A case study of Shanghai[J]. Human Geography, 2022, 37(2):158-166. ] DOI:10.13959/j.issn.1003-2398.2022.02.019

[36]
朱怡帆, 何丹, 程庆, 等. 都市旅游视角下上海市共享住宿空间分布特征及其影响机制[J]. 地理科学进展, 2021, 40(8):1321-1331.

DOI

[ Zhu Y F, He D, Cheng Q, et al. Spatial distribution of shared accommodations and its influencing mechanism in Shanghai: From the perspective of urban tourism[J]. Progress in Geography, 2021, 40(8):1321-1331. ] DOI:10.18306/dlkxjz.2021.08.006

[37]
梅林, 姜洪强. 基于Airbnb数据的北京市民宿空间分异过程、因素与趋势[J]. 经济地理, 2021, 41(3):213-222.

[ Mei L, Jiang H Q. The spatial differentiation process, factors and trends of B & B in Beijing based on Airbnb data[J]. Economic Geography, 2021, 41(3):213-222. ] DOI:10.15957/j.cnki.jjdl.2021.03.022

[38]
Bafna S. Space syntax: A brief introduction to its logic and analytical techniques[J]. Environment and Behavior, 2003, 35(1):17-29. DOI:10.1177/0013916502238863

[39]
陶伟, 古恒宇, 陈昊楠. 路网形态对城市酒店业空间布局的影响研究:广州案例[J]. 旅游学刊, 2015, 30(10):99-108.

[ Tao W, Gu H Y, Chen H N. Guangzhou's spatial distribution under the effect of the urban road network on the hotel industry[J]. Tourism Tribune, 2015, 30(10):99-108. ] DOI:10.3969/j.issn.1002-5006.2015.10.010.

[40]
Leslie T F, Kronenfeld B J. The colocation quotient: A new measure of spatial association between categorical subsets of points[J]. Geographical Analysis, 2011, 43(3):306-326. DOI:10.1111/j.1538-4632.2011.00821.x

[41]
Cromley R G, Hanink D M, Bentley G C. Geographically weighted colocation quotients: Specification and application[J]. The Professional Geographer, 2014, 66(1):138-148. DOI:10.1080/00330124.2013.768130

[42]
Fang L, Li H Y, Li M M. Does hotel location tell a true story? Evidence from geographically weighted regression analysis of hotels in Hong Kong[J]. Tourism Management, 2019, 72:78-91. DOI:10.1016/j.tourman.2018.11.010

[43]
陈汉云, 陈婷婷. 紧凑而富有活力的香港城市发展模式[J]. 国际城市规划, 2017, 32(3):1-5,20.

[ Chan E H, Chen T T. Compact and vibrant urban development approach of Hong Kong[J]. Urban Planning International, 2017, 32(3):1-5,20. ] DOI:10.22217/upi.2017.153

[44]
郎嵬, 克里斯托弗·约翰·韦伯斯特. 紧凑下的活力城市:凯文·林奇的城市形态理论在香港的解读[J]. 国际城市规划, 2017, 32(3):28-33.

[ Lang W, Webster J C. Urban vitality in compact cities: Seeing Hong Kong through Kelvin Lynch's lens[J]. Urban Planning International, 2017, 32(3):28-33. ] DOI:10.22217/upi.2017.131

[45]
周庆, 史相宾, 赵立志. 基于TOD模式的绿色城市组团设计策略研究[J]. 城市发展研究, 2013, 20(3):29-34.

[ Zhou Q, Shi X B, Zhao L Z. A study of green design strategies for TOD-based urban cluster[J]. Urban Development Studies, 2013, 20(3):29-34. ] DOI:10.3969/j.issn.1006-3862.2013.03.008

[46]
Sainaghi R. Determinants of price and revenue for peer-to-peer hosts. The state of the art[J]. International Journal of Contemporary Hospitality Management, 2021, 33(2):557-586. DOI:10.1108/ijchm-08-2020-0884

[47]
李莉, 侯国林, 冯润东, 等. 共享住宿与传统住宿的时空演变对比分析——以上海市为例[J]. 地理科学进展, 2021, 40(8):1310-1320.

DOI

[ Li L, Hou G L, Feng R D, et al. Comparative analysis of the spatiotemporal change of sharing accommodations and traditional accommodations: A case study of Shanghai[J]. Progress in Geography, 2021, 40(8):1310-1320. ] DOI:10.18306/dlkxjz.2021.08.005

[48]
赵海溶, 陆林. 上海市住宿接待业的空间格局差异及影响因素——基于传统酒店与共享住宿(Airbnb)的比较分析[J]. 经济地理, 2021, 41(11):232-240.

[ Zhao H R, Lu L. Spatial pattern difference and influencing factors of hospitality industry in Shanghai: A comparative analysis based on traditional hotels and shared accommodations(Airbnb)[J]. Economic Geography, 2021, 41(11):232-240. ] DOI:10.15957/j.cnki.jjdl.2021.11.026

[49]
刘波, 时雨, 刘雪朝, 等. 开放式街道地图在城市发展水平分析中的应用[J]. 测绘科学, 2019, 44(7):141-146,176.

[ Liu B, Shi Y, Liu X C, et al. Application of OpenStreetMap in city development level analysis[J]. Science of Surveying and Mapping, 2019, 44(7):141-146,176. ] DOI:10.16251/j.cnki.1009-2307.2019.07.022

[50]
丁彦文, 许捍卫, 汪成昊. 融合OSM路网与POI数据的城市功能区识别研究[J]. 地理与地理信息科学, 2020, 36(4):57-63.

[ Ding Y W, Xu H W, Wang C H. Research on urban functional area recognition integrating OSM road network and POI data[J]. Geography and Geo-Information Science, 2020, 36(4):57-63. ] DOI:10.3969/j.issn.1672-0504.2020.04.009

[51]
裘亦书, 闫梦. 基于空间句法的城市路网形态对酒店布局影响研究[J]. 旅游论坛, 2018, 11(2):101-111.

[ Qiu Y S, Yan M. The study of spatial distribution under the effect of the urban road network on the hotel industry based on space syntax method[J]. Tourism Forum, 2018, 11(2):101-111. ] DOI:10.15962/j.cnki.tourismforum.201802021

[52]
Hillier B, Yang T, Turner A. Normalising least angle choice in Depthmap and how it opens new perspectives on the global and local analysis of city space[J]. Journal of Space syntax, 2012, 3(2):155-193.

[53]
Dehnad K. Density estimation for statistics and data analysis[J]. Technometrics, 1987, 29(4): 495. DOI:10.1080/00401706.1987.10488295

[54]
Hanqin Z Q, Lam T. An analysis of Mainland Chinese visitors' motivations to visit Hong Kong[J]. Tourism Management, 1999, 20(5):587-594. DOI:10.1016/S0261-5177(99)00028-X

[55]
Crommelin L, Troy L, Martin C, et al. Is Airbnb a sharing economy superstar? Evidence from five global cities[J]. Urban Policy and Research, 2018, 36(4):429-444. DOI:10.1080/08111146.2018.1460722

[56]
Huh J J, Noh S C. A study on urban tourism through urban regeneration: Focusing on the case of seoullo 7017[J]. Journal of the Korean Urban Geographical Society, 2018, 21(1):65-76. DOI:10.21189/jkugs.21.1.5.[LinkOut]

[57]
Bae S J, Lee H, Suh E K, et al. Shared experience in pretrip and experience sharing in posttrip: A survey of Airbnb users[J]. Information & Management, 2017, 54(6):714-727. DOI:10.1016/j.im.2016.12.008

[58]
Kourtit K, Nijkamp P, Östh J, et al. Airbnb and COVID-19: SPACE-TIME vulnerability effects in six world-cities[J]. Tourism Management, 2022, 93:104569. DOI:10.1016/j.tourman.2022.104569

[59]
傅慧. 产业集群的集聚效应:基于酒店业的分析[J]. 商业经济与管理, 2007(1):76-80.

[ Fu H. An analysis of cluster agglomeration effects: Based on hotel industry[J]. Journal of Business Economics, 2007(1):76-80. ] DOI:10.14134/j.cnki.cn33-1336/f.2007.01.014

[60]
孟斌, 高丽萍, 李若倩. 基于协同区位商的北京城市职住要素空间关联[J]. 地理学报, 2021, 76(6):1380-1393.

DOI

[ Meng B, Gao L P, Li R Q. Spatial correlation analysis of residential and employment elements in Beijing based on collaborative location quotient[J]. Acta Geographica Sinica, 2021, 76(6):1380-1393. ] DOI:10.11821/dlxb202106005

Options
Outlines

/

〈 〉