1 引言

住宿业作为旅游六要素之一，是游客游憩空间的重要组成部分^[1]，其发展不仅关系着旅游行业健康良好的运行，也是一个城市商业和社会中心的标志^[2]。民宿作为住宿业的一种新兴业态，在城市产业转型、推动经济增长、吸引就业人口、提升城市人文形象等方面发挥着重要作用。住宿业的空间布局受到多重因素的影响，同时，其分布格局及空间过程也是城市空间结构协同演化的主要驱动力。住宿业的集聚热点识别、空间分布特征等方面的研究，一直是学术界和政府规划部门关注的重点。因此，开展民宿空间格局的研究具有重要的意义。

20世纪60年代，民宿起源于英国乡村，到本世纪初，在日本、德国、美国、法国和中国台湾等国家和地区得到较好发展。近年来，民宿作为一种新兴住宿业态，以其独特的产品特性和经营形式，吸引了大量资本的涌入，在中国大陆发展迅速，截止2018年底民宿线上交易量已达到200亿元^[3]。2019年7月国家文化和旅游部颁布的《旅游民宿基本要求与评价》（LB/T065—2019）^[4]、2001年中国台湾省颁布的《民宿管理办法》 ^[5]等都对民宿进行了明确的定义，其本质上是居民利用闲置居住资源以家庭副业的形式为游客提供富有地方文化与生产生活方式的小型住宿设施。

民宿作为一种满足旅游消费个性化、多样化、品质化的新兴产业，受到学术界的广泛关注。国外方面，Nuntsu等以Buffalo city为例，分析该城市民宿市场的现状、制约和成功因素^[6]；Peter等采访英国民宿经营者与澳大利亚顾客，发现二者之间的交易行为已经超越商业方面，形成了民宿交易在模糊情况下二者可以相互接受的行为准则^[7]；Lanier等研究发现民宿经营发展会受到城市规划以及区域法规条例的限制^[8]。综上所述，国外民宿研究主要集中在民宿的经营管理^{[6, 9-11]}、民宿的主客之间关系^{[7, 12]}、民宿的真实性和品牌忠诚度^[13-17]、民宿与政策相关性研究^{[8, 18]}等方面，近期已有国外学者开展民宿空间格局的研究，揭示城市内部因素如地铁、公交、酒店等方面对民宿空间布局的影响^[19-21]，对国内学者产生一定影响。国内学术界对民宿的研究涉及经济学、管理学、地理学和社会学等不同学科领域，研究内容主要集中在民宿的概念^{[22, 23]}、定位与设计^[24-28]、经营与管理^[29-31]等方面。民宿作为一种有别于酒店的非标准住宿业态，其发展态势及空间分布格局对于城市的旅游定位、产业升级、行业管理和旅游供给侧改革等有着重要影响。目前国内民宿行业处于飞速发展阶段，民宿作为新兴住宿行业，能够将城市空置的房屋资源充分地转化成旅游住宿产品供应旅游市场需求，一定程度地补充酒店业^[19]，既可以促进城市空置房屋资源整合利用，又可以获取相当的经济利益和满足游客需求，城市民宿行业的发展意义重大，关于民宿空间布局的理论研究急需展开^[23]。龙飞等通过空间分析方法研究民宿的空间特征，运用回归模型探讨民宿分布的影响因素^[32]；王珺玥等从共享经济和消费者角度分析了不同类型民宿的空间分布，并针对民宿的空间选址和服务功能提出了建议^[33]；刘大均等以休闲之都成都为例，探讨了成都市民宿的空间分布及影响因素^[34]。回顾国内学者关于民宿空间格局的理论研究，发现多数学者通过空间分析方法探讨了民宿的空间格局，对影响因素进行了回归分析，但是目前理论分析还有待进一步开展，空间分析方面大多数基于常用方法，如核密度估计、最近邻指数等，对于其他新方法特别是聚类算法等新兴领域的应用较少，对于空间集群等级特征的详细分析不够充分；影响因素探寻方面多数以统计数据或定性描述为主，缺少对于区域各种空间要素的考究。因此，本文以南京市为例，结合Anaconda算法环境平台和GS+等分析软件，运用DBSCAN（density-based spatial clustering of applications with noise）聚类算法和空间变异函数模型分别对民宿进行集群热点识别和分布格局分析，最后采用地理加权回归模型，从多个方面研究城市内部要素对民宿分布的影响程度和区域差异，为民宿区位选址及政府规划管理提供理论借鉴，促进民宿行业的健康发展。

2 研究方法、指标选择与数据来源 2.1 研究区域和数据来源

Airbnb作为一家专注于民宿产品发布和销售的互联网P2P公司，拥有充足的资金和先进的技术支撑，是民宿行业的领军者。与国内其他在线平台相比，其具有独特的品牌管理方式，商家一般是个人房东，更加贴近民宿的基本内涵，以此作为数据来源，具有典型代表意义。南京市作为我国东部地区重要的中心城市、全国重要的科研教育基地和综合交通枢纽，住宿服务业发展迅速。南京市目前共计11个市辖区，102个街道尺度行政单元，其中玄武区7个街道，秦淮区12个街道，鼓楼区13个街道，建邺区6个街道，栖霞区9个街道，雨花台区8个街道，浦口区9个街道，江宁区10个街道，六合区12个街道，溧水区8个街道，高淳区8个街道。

近年来民宿业快速发展。在Airbnb网站上显示南京市民宿已经达到上千家的行业规模，形成不同层次与风格、满足多种消费需求的民宿产品类型（图 1）。本研究的数据截止时间为2019年3月1日。通过网络爬虫软件获取Airbnb民宿商家数据，共获取南京市范围内1427条商家数据。通过对数据进行清洗，剔除定位不在南京市范围的数据以及名称重复的数据，共获得1416条数据。获取的数据属性主要包括民宿名称、每晚价格、经纬度、房间类型、所能容纳人数、住宿设施条件等。从城市整体发展来看，城市基础设施在短时间内相对来说比较稳定，且基础设施总数的微小变化对于后续基于密度的变量整体影响较小；基于小区价格的街道均价在短时间内整体内部等级结构较为稳定，可以代表南京市整体房价的空间等级；人口数据，官方统计为第六次普查数据，可以反应南京市人口分布整体情况，基于此，本文在科学性、合理性以及可获取性的基础上构建基础数据库：南京市道路路网（省、市、县、乡4级路网）、公交地铁站点和超市商城数据，通过百度地图获取，获取时间为2018年5月；A级景区和星级酒店数据，通过南京市文化和旅游局网站获取信息并通过百度地图拾取坐标，获取时间为2019年3月；商品房价格数据，通过安居客网站获取南京市各小区价格，然后以街道、乡镇为尺度计算均价，获取时间为2018年5月；人口数据来自第六次人口普查数据。

2.2 研究方法

本文通过DBSCAN聚类算法对南京市民宿的空间聚类情况进行有效识别，考察民宿业在空间集聚分布的热点区域，能够反映民宿局部的空间异质性问题，此外空间变异函数是一种描述区域化变量空间异质性的有效方法，借助于空间变异函数可以进一步考察南京市民宿在整体上的空间异质性、空间自相关等问题，两种空间分析方法的应用可以较为深入全面地考察南京市民宿整体的空间特征，最后地理加权回归模型能够较为充分地刻画多种因素指标对南京市民宿空间特征的影响程度，可视化因素指标的空间差异，形成“局部特征—整体格局—因素探析”的框架。下面是方法的详细说明。

2.2.1 DBSCAN聚类算法

空间聚类是地理学重要的研究内容，本文借助于一种基于密度的聚类算法对南京市民宿分布的集群热点区域及分布特征进行识别。目前聚类算法广泛应用于生物学、统计学、计算机科学等学科，成为机器学习领域、图像分析领域等主要依据算法^{[35, 36]}。其中DBSCAN聚类算法相较于K-Means聚类算法表现出一定的优越性，其能够在不预先设置形成聚类的数量情况下，可以较为快速地发现空间中任意形状的聚类，并且识别出噪声点，即离群数据。

DBSCAN是一种比较有代表性的基于密度的聚类算法，该算法最初由Ester等提出^[37]。算法主要需要进行两个参数的调节：E_ps和Min_pts。其中E_ps是指研究对象在给定半径内区域的邻域，Min_pts是确定研究对象是否为核心对象，即在研究对象E邻域内的样本点数大于等于Min_pts，则称该对象为核心对象。DBSCAN算法将集群定义为：密度相连点的最大集合，能够把具有足够高密度的区域划分为集群，最终形成任意形状的聚类。过程如下：首先任意选择空间一个点，找到该点E_ps半径范围内所有点，如果距离在E_ps之内的数据点个数大于Min_pts，则这个点被标记为核心样本，并被分配一个新的集群标签，然后算法会返回一个密度相连的集合，将这个集合内的所有对象都表示为同一集群。否则则是标记成噪声点，即离群值。DBSCAN参数的选择对于结果有较大影响，为了较少人工干预的影响，学者提出一种自适应的优化算法，该方法的主要思想是考察数据集本身的统计特性来选择E_ps值和Min_pts值，根据K-dist图来判断参数的质量，进一步选择E_ps值和Min_pts值，计算过程参考相关文献^{[37, 38]}。

2.2.2 空间变异函数

空间变异函数能够有效地描述地理空间上区域化变量的结构性变化和随机性变化^[39]，本文借助此方法进一步分析南京市民宿的空间布局特征。空间变异函数是一种描述变量空间异质性的有效方法，当区域化变量满足二阶平稳假设时，其计算公式如下：

(1)

式中，γ(h) 是空间变异函数，其在样本间最大距离的1/2范围内有意义。通常来说，空间变异函数包括四个基本参数，即基台值（c_o + c）、块金值（c_o）、变程（α）和分维数（d），基台值指空间变异函数随着h不断增加而达到的一个相对稳定的平台值，其表示民宿密度水平的最大变异。块金值是当h =0时，γ(h) 的值，其代表最小抽样尺度以下民宿密度的变异性及测量误差，表示随机变异。块金值与基台值的比值，反映空间自相关强度。变程为γ(h) 达到基台值时的空间距离，当h超过变程时，区域化变量的空间自相关性消失；分维数表示空间变异函数的曲率，分维数值越接近理想值2说明民宿空间分布越均匀，反之，民宿空间分布越集聚。

2.2.3 地理加权回归

地理加权回归（GWR）是一种考虑地理位置变化因素的简单实用的空间分析方法，能够用来揭示多变量之间的数量关系^[40]。在地理加权回归中，其回归系数考虑到空间局部特征，不是全局性的统一值，是随着空间位置的变化而变化。本文通过地理加权回归模型对南京市民宿空间特征的形成因素进行量化分析。GWR模型数学公式表示为：

(2)

式中，y_i为第i点的因变量；x_ij为第j个自变量在第i点上的值；j为自变量记数；i为样本点记数；ε_i为残差；(u_i, v_i) 为第i个样本的空间坐标；β_j(u_i, v_i) 为连续函数β_j(u, v) 在i点的值。

2.3 指标选取

以街道为研究单元，量化分析民宿的空间分布格局，选择民宿街道级别的密度作为回归分析的解释变量，将民宿个数赋值给街道单元，最后得到73个有效研究单元。民宿密度相较于民宿个数，可以更为准确的反映民宿空间分布的疏密程度。影响因素的选择方面，首先参考国内学者龙飞^[32]、王珺玥^[33]等相关研究，大多数是基于统计数据对大区域大空间进行回归分析，考虑到研究案例地为南京市，统计数据无法达到街道精度，查阅相关国外文献，Adamiak^[19]、Martin^[21]等在研究民宿空间格局时引入城市内部商业、交通、旅游资源等方面指标进行探测，因此兼顾国内外研究基础以及数据可获性，共获取8项指标，涵盖交通、商业、旅游资源、人口水平以及行业内部关系等方面。路网密度、公交站点密度和距离最近地铁站距离是影响城市内部交通水平的重要量化指标；超市商城密度可以量化不同街道的商业发展程度；距4A级以上景区最近距离作为街道旅游资源吸引力的量化指标；通过第六次人口普查数据得到街道人口密度和安居客网站得到的街道商品房平均价格来表示街道人口水平；距4星级以上酒店最近距离可以表示同行业内部关系情况，各项解释指标描述如表 1。将数据进行初步处理，检验数据符合回归基本条件，不存在共线性问题。

3 结果分析 3.1 DBSCAN结果分析

借助Anaconda算法环境平台，通过Spyder编写DBSCAN算法，对算法进行初步调试后，将南京市民宿坐标导入，对民宿空间信息数据集进行几次迭代后，发现南京市中心城区民宿密度较大，存在一个较大的聚类，然后进一步借助相关研究的自适应参数选择算法进一步进行分析，发现在E_ps=2km、Min_pts=20时，聚类效果较为理想。将设置的参数进行算法计算得出共有14个聚类，各个类别之间边界较为清晰，结果绘制如表 2，同时将聚类结果通过ArcGis10.2平台进行可视化，得到图 2a。

从表 2和图 2a可以看出，南京市民宿在空间布局上存在一定梯度等级效应，即中心城区高度集聚，周围郊区梯度减少。DBSCAN聚类算法结果显示，南京市民宿存在14个类别，其中超过100个的类别拥有4类，数量最多的为第5类。根据自然间断裂点分级法将14个类别分为5个等级，第一等级包括第4类和第5类，分别为141个和152个，二者共占民宿总数量的20.69%；第二等级包括第6、7、8、11、12类，分别为97、94、90、103、113个，共占民宿总数的35.10%；第三等级包括第14类，为63个，占民宿总数的4.45%；第四等级包括第1类和第13类，分别为39个和50个，共占民宿总数的6.29%；第五等级包括第2、3、9。10类，分别为25、20、25、22个，共占民宿总数的6.50%，噪声点即离群数据占民宿总数的26.97%，5个等级包含南京市民宿总数的73.03%。为了更好地观察分类科学性，对南京市民宿进行核密度分析，得到图 2b，图中对比可以看出14类集聚基本与核密度分析结果呈现相同的空间分布特征，进一步说明聚类算法的参数选择基本与实际分布想吻合。根据等级划分结果，进行空间可视化得到图 3。

结合表 2和图 3，可以看出民宿集群等级整体为“25124”的空间集群格局，以第二等级占据主体。南京市民宿在中心城区形成以2个一级等级为主核心，以5个二级等级为次核心的分布格局，主核心主要在雨花街道和秣陵街道，次核心分布在莫愁湖街道、瑞金路街道、锁金村街道、挹江门街道以及红花街道。其他等级集群分布于主要城区的北部和东部，五个等级集群组成南京市民宿“两横两纵”的“井”字轴带集聚特征，即南北走向的泰山街道—挹江门街道—莫愁湖街道—雨花街道轴带和锁金村街道—瑞金路街道—红花街道—秣陵街道轴带；东西方向的挹江门街道—锁金村街道—玄武湖街道轴带和莫愁湖街道—瑞金路街道—马群街道轴带。噪声点方面，从图 2a中可以看出，噪声点多数分布在南京市的西部区域，表现出带状分布特征，并在长江以北区域出现未来民宿集聚分布的可能潜力区域。

3.2 民宿的空间异质性分析

将街道尺度的民宿密度赋值给街道区域的几何中心，为便于比较，对数据放大1000倍后通过非线性转化为正态分布数据，然后通过GS+软件对处理后的数据进行分析，采用线性、球面、指数以及高斯模型分别对数据进行拟合，得到下表 3，从表中可以得出最优拟合的为球状模型，球状模型的空间变异函数如图 4。

由图表信息可知球状模型的块金值为0.500，基台值为5.396，根据相关研究^[39]，块金系数小于25%属于强空间自相关，表明系统受到结构性因素的影响较大，呈现较强的空间结构性；块金系数介于25%—75%属于中等程度的空间自相关；块金系数大于75%属于弱空间自相关。此研究系统中，块金值与基台值比值即块金系数为0.093，属于强空间自相关，说明总变异的9.30%由尺度效应和随机因素贡献，90.70%的变异来自系统自身。当间隔距离达到37.50km时，空间变异函数到达基台值，表明在此范围内民宿密度的空间依赖性比较明显。

4 影响因素 4.1 地理加权回归模型及结果

在进行地理加权模型回归分析之前，采用OLS模型检验各项指标对民宿密度的平均关系和拟合程度，计算结果显示OLS模型R²为0.761，校正R²为0.731。通过ArcGis10.2平台GWR分析模块，选择AICc方法确定最优带宽，计算得到R²为0.783，校正R²为0.741，拟合性能高于OLS模型。将计算结果进行统计，得到各系数的平均值、最小值、下四分位值、中位值、上四分位值和最大值，以及GWR模型的带宽、AICc、R²和校正R²，具体结果如表 4。

表中结果显示GWR模型的可决系数R²为0.783，校正可决系数R²为0.741，即模型解释了74.10%的南京市民宿分布的变化，对残差进行空间自相关检验，Moran's I值为-0.026，Z得分为-0.442，残差在空间上呈现随机分布，表明模型拟合效果良好。各项指标与OLS模型正负方向基本吻合。从GWR模型结果可以看出，路网密度、公交站点密度、人口密度以及商品房平均价格符合常理，符号为正，表明这四项指标对民宿密度存在正相关的影响；距最近地铁站距离、距4A级以上景区最近距离、距4星级以上酒店最近距离符合常理，对民宿密度产生负面影响；超市商城密度表现为低值负相关，对民宿分布有一定抑制作用。8个因素中，民宿密度受路网密度的影响最大，然后依次是距4星级以上酒店最近距离、距4A级以上景区最近距离、商品房平均价格、距最近地铁站距离、人口密度、超市商城密度、公交站点密度。从各因素系数分布情况发现各因素系数整体变化幅度不大，回归系数相对平滑。将各因素的回归系数进行可视化处理，得到图 5。

4.2 回归系数分析

交通方面，GWR模型结果表明，路网密度与民宿分布呈现正相关，即路网密度越大，民宿分布越密集。从回归系数的空间分布来看，路网密度对民宿分布的影响程度呈现明显的空间异质性，由西北向东南逐渐增加，其中汤山街道、淳化街道、禄口街道等受到路网密度的影响最深，砖墙镇、东柏街道受到路网密度的影响最浅；公交站点密度对民宿分布存在积极影响，回归系数由西到东呈现递增趋势，冶山街道、横梁街道、龙潭街道受到公交站点方面影响最大，星甸街道、江宁街道、横西街道等受到的影响最小；民宿受到距最近地铁站距离的负面影响，即距离地铁站越远，民宿出现的越少，作用强度的空间分布，由南到北逐渐递增，即北部街道如冶山街道、龙池街道、横梁街道等受到地铁影响明显大于南部街道如东坝街道、淳溪街道、桠溪街道等。3项指标综合表明民宿的集聚与街道的交通通达水平存在正相关。

商业方面，GWR模型结果表明，超市商城密度对民宿的集聚存在一定抑制作用，表现为低值负相关，即超市商城密度越大，民宿集聚程度越低。回归系数空间分布方面，由东北到西南逐渐增加，说明东北部分的街道受到的作用较大，西南的影响较小。超市商城密度与民宿分布表现为负相关的可能原因：一方面是超市商城的集聚导致地区地价的升高，民宿作为一种非标准化住宿，其无法拥有酒店住宿业强大的资金支持，对于地价的承受能力相对有限，往往会在距离超市商城一定距离范围内进行布局，研究过程中也发现，南京市核心区新街口街道，基本没有民宿分布，原因可能是区域较高的地价水平；另一方面民宿最开始是一种由个人或者私人提供的一种住宿形式，这就导致其一般会分布在居住区内，而非商业区域范围内，这也是导致其与超市商城密度表现负相关的一个可能因素。

人口方面，人口密度作为人口发展水平的解释指标之一，在该模型中与民宿分布呈现较强的正相关，即人口密度越大，民宿集聚越多，从回归系数的空间分布来看，由东北到西南逐渐增加，低值区域出现在冶山街道、横梁街道、龙潭街道，高值区域出现在星甸街道、江宁街道、横西街道；商品房平均价格也是表征人口集聚度的重要指标之一，从模型的回归结果来看，回归系数为正值，呈现由西向东南递增趋势，东南部分街道受到较大的影响，西部街道受到影响较小。两个指标共同表明人口水平对民宿集聚的积极作用。

旅游资源方面，采用距4A级以上景区最近距离进行量化。GWR模型结果表明距4A级以上景区最近距离与民宿分布呈现负相关，即距4A级以上景区最近距离越远，民宿空间集聚越低。从回归系数的空间分布来看，呈现从中心到外围逐渐增加趋势，低值区域出现在中心城区，高值区域出现北部和南部街道，说明中心区域街道受到该指标的影响小于北部和南部区域。结果表明旅游资源对民宿的产生存在较大作用，旅游资源能够代表旅游吸引力，进而吸引游客，带来住宿和体验地方文化的需求，促使民宿的产生和集聚。

行业内部关系方面，民宿从产生之初就与酒店住宿存在较大差异，但二者也存在共性——提供住宿服务。文章通过距离高星级酒店的远近来量化二者的内部关系，探求二者是否存在竞争或协同关系，GWR模型结果表明，民宿集聚程度与距4星级以上酒店最近距离呈现负相关，即距离越远，民宿空间聚集越少，从南京市民宿的探析结果来看，二者存在一定程度的协同关系，说明南京市民宿作为住宿行业一种新的补充形式，与酒店共同为游客提供住宿服务。回归系数的空间分布由北向南呈现逐渐增加的趋势，北部街道受到酒店的作用大于南部街道。

5 结论与讨论 5.1 结论

以Airbnb网站中南京市民宿商家数据作为研究对象，通过DBSCAN聚类算法和空间变异函数模型分析民宿的集群热点和空间分布，并构建地理加权回归模型对民宿空间分布特征的影响因素进行研究，得出以下结论：

南京市民宿空间聚集效果显著，形成14个主要集群。等级划分结果显示，南京市民宿集群主要有5个等级构成，第二等级占比最高。不同等级集群数量构成“25124”的格局体系，在空间上组成“两横两纵”的“井”字分布轴带，即南北走向的泰山街道—挹江门街道—莫愁湖街道—雨花街道轴带和锁金村街道—瑞金路街道—红花街道—秣陵街道轴带；东西方向的挹江门街道—锁金村街道—玄武湖街道轴带和莫愁湖街道—瑞金路街道—马群街道轴带。此外长江以北区域可能是未来民宿发展的潜力区域。

南京市民宿空间分布的最优拟合模型是球状空间变异函数，决定系数R²高达0.808，其块金系数为0.093，属于强的空间自相关，表明民宿分布具有空间依赖性；同时南京市民宿分布受到结构性因素的影响大于随机性因素，在空间距离处于37.50 km范围内，民宿的空间依赖性显著。

南京市民宿的空间特征是交通、商业、人口水平、旅游资源以及行业内部关系等多方面因素共同耦合驱动作用的结果。不同影响因素的作用方向和回归系数的分布存在显著差异，路网密度、公交站点密度、人口密度以及商品房平均价格对民宿的空间集聚产生正面促进作用，回归系数的分布趋势方面，路网密度呈现西北—东南方向，公交站点密度呈现西—东方向，人口密度呈现东北—西南方向，商品房平均价格呈现西—东南方向；距最近地铁站距离、超市商城密度、距4A级以上景区最近距离及距4星级以上酒店最近距离对民宿的空间集聚产生抑制作用，回归系数的分布趋势方面，距最近地铁站距离和距4星级以上酒店最近距离皆呈南—北方向，超市商城密度呈现东北—西南方向，距4A级以上景区最近距离呈现中心—外围方向。

5.2 讨论

民宿作为新兴住宿业态，是一种空置资源再利用的住宿产品，是在共享经济背景下产生的一种住宿形式^[41]。文章考察和刻画了南京市民宿的空间分布情况，深入探析了民宿空间分布的影响因素及其空间差异，同时针对上述分析，提出以下发展建议：首先，南京民宿的空间分布特征表明，南京市民宿的出现和空间集聚与交通通达性存在强相关性，同时影响因素的分析也表明区域交通通达水平对民宿的空间分布存在显著正相关，基于此，建议政府进一步优化和强化区域交通基础设施，对于交通通达水平较低的城市周边区域进行政策和资金支持，提高城市核心区和周围区域的交通互联互通能力和空间平衡性，引导南京民宿行业的空间发展，促进城市周边新兴民宿热点区域的出现和健康成长，实现民宿的空间均衡发展；其次，民宿作为住宿业的一种新形式，其健康良好的运营需要一定客流的支持，相关部门需要积极地为民宿行业进行宣传引流，营销造势，引导游客在关注民宿聚集热点区域的同时探索新的独具特色精品民宿，如借助高淳、六合、浦口等区域的特色文化、特色美食、优质景点等打造城市周边区域民宿集群发展新核心点，辐射周边区域，促进地方旅游业高质量发展；最后，相比于传统酒店住宿业，民宿属于住宿业的新形式，由于其非标准化形式和信息的不对称等方面的影响，其产品服务、住宿质量、主客信任度等方面都面临一定挑战，这些需要政府部门和相关平台对民宿的从业人员、客房卫生、基本信息和保障等进行培训、监督以及信息公开透明化，增强主客之间的信任度，如对民宿进行一定的等级认定、品牌宣传，创立创建民宿协会，优化行业管理与服务等。

从研究结果来看，本文与前人的成果具有一些异同点。在空间分布格局方面，本文的研究表明，民宿的空间分布具有明显的集聚特征，存在较强的空间自相关，这与龙飞^[32]、王珺玥^[33]等学者的研究成果基本一致。但在影响因素方面，本文认为超市商城密度对民宿空间布局有一定抑制作用，这个结论与刘大均^[34]等学者的“商业发展水平是决定民宿空间分布的关键因素”的研究存在一定不同，可能原因是案例地选择的特殊性以及城市自身发展存在差异。本文对南京市民宿的集群识别、空间分布以及影响因素进行了系统地分析和探讨，但仍然存在一些不足：①民宿产品类型多样，文中未对其进行二次分类，没有揭示不同类型民宿产品的空间格局及影响因素，同时未进行时间维度的演变分析；②在进行民宿空间特征的影响因素分析时，缺乏指标是否对民宿空间分布的影响具有稳健性等方面的考虑，此外由于当前数据的局限性，没有加入民宿户主属性、政府政策、区域产业结构、房屋空置率以及租金等方面因素的影响，可能导致影响因素的理论建构不够全面，在后续研究中，可以尝试将更多指标纳入分析框架中，丰富对民宿空间分布影响因素的探测；③地理加权回归方法相比传统的回归方法有一定的进步，但仍不能识别“空间交互影响”，后续研究可以通过地理探测器等相关方法，尝试分析影响因素的交互作用；④民宿分布具有区域化的独特特征，未来研究可以针对不同地区、不同类型的城市进行对比分析，揭示民宿在不同地区之间的空间异质性。