1 引言

共享作为一种基本的消费行为，早在数十万年前就存在于人类社会中^[1]，它是人们出于需要而相互给予的一种不计投资回报的产品或服务分配行为与过程^[2-4]。Benkler称之为“非互惠的亲社会行为”^[4]，通常发生在家庭内、亲属与朋友间^[3]。随着社会的发展，共享的概念也发生了改变。依托互联网通讯技术，如今共享的发生范围地已从主要由家庭和亲密朋友扩展到由互联网、各类地方和国家组织推动的公共社区范围内进行^[5-7]，共享的物品也从有形物品扩展到如音乐、想法、技能这些无形产品上。在过去十年中，社会经济的发展、顾客对产品价值的更高要求^[8]、生态环境意识的觉醒^[9]，技术的进步、产品所有权态度的转变和社会关系的需要^[10]共同促进了共享经济的快速增长，旅游和住宿业则是共享经济实践发展的先锋行业之一^[11-13]，共享经济与住宿业相互交融，形成了共享住宿。共享住宿是指房屋拥有者通过在线网络平台，将闲置房屋（全部或部分）短暂出租给旅游者的一种非标准住宿^[14]，其房源多来自于个人的闲置房屋，与传统的住宿业态相比，共享住宿更加依赖在线平台的技术支撑^{[11, 12]}。不同于传统住宿业的标准化服务，共享住宿更加注重顾客的体验性与社交性^[15]。共享住宿提供的房源类型相对来说也更加丰富，它可以是私人房间、豪华别墅、小木屋、房车、集装箱等^[16]。

以Airbnb为代表的共享住宿爆发式增长，引起了学术界广泛关注，旅游、经济、社会等学科领域纷纷展开大量研究。梳理既往研究发现，当前共享住宿研究主要集中在其与传统酒店行业的竞争^[17]、对当地经济社会造成的影响^{[18, 19]}、共享住宿产业规制^[20]、顾客满意度与服务提升^[21]、共享住宿顾客行为特征与动机研究^{[22, 23]}等方面。还有一部分研究重点关注共享住宿的空间分析，从而为城市规划、共享住宿产业可持续发展提供理论借鉴。Quattrone^[24]等研究发现共享住宿的分布与距市中心远近、区域社会经济水平、人群分布有密切联系，多分布在高学历且非外来人口聚集的地方。Gutierrez^[25]、Heo^[26]、Wegmann和Jiao^[27]对巴塞罗那、巴黎和五大美国城市共享住宿空间分布的研究均表明共享住宿多集中分布在城市中心与大型旅游景点周边区域。部分学者从大尺度切入，对全国范围内的共享住宿分布进行研究，发现共享住宿的分布主要集中在大城市、海滨区域、临湖区域^[28]。由此可见，共享住宿的空间布局存在一定规律，与社会、经济、区位等因素密切相关。

据《中国共享经济发展年度报告（2019）》 ^[29]显示，共享住宿对住宿服务业年均增长起到2.1个百分点的拉动作用，势头猛增的共享住宿业必然在城市内部产生深远的影响。随着大众旅游时代的到来，旅游产业成为促进地区经济发展的有效推手。共享住宿可有效盘活个人闲置房屋，提高住房使用率，从而增加旅游地居民的收入，成为当地居民参与旅游发展的重要途经。对比国外的丰硕成果，国内对共享住宿的现有研究较少考虑共享住宿的时空格局及其形成机理等，而快速增长的共享住宿业亟需对其时空格局及形成机理进行研究，以期为共享住宿业的良性发展提供指导，并为共享住宿业的管理提供理论依据。上海市共享住宿发展势头强劲，是我国共享住宿发展活力区，据《中国共享住宿发展报告（2018）》显示，上海市共享住宿总体房源量（约13万）在全国城市中排名第二^[30]，其中Airbnb房源量排在全国首位^[31]，表明以上海市作为共享住宿的研究案例地，具有一定的典型意义。为此，本文以上海市辖区内的乡、镇、街道作为基本研究单元（图 1），探究共享住宿在城市内部的空间演变与形成机理，以期为共享住宿发展规划、共享住宿经营者选址布局以及城市管理者对共享住宿的管控提供一定的理论借鉴。

2 数据来源与研究方法 2.1 数据来源及处理

共享经济的成熟、文旅消费的不断升级加之资本市场的热捧，共享住宿市场吸引了许多的进入者，从共享住宿平台房源量、用户量以及融资额来看，当前国内主要由途家、小猪短租和Airbnb三家引领行业发展^[30]，截止到2018年，途家国内房源超过80万套，小猪短租其国内房源超过30万套，Airbnb其国内活跃房源约15万套^[30]。从整体市场占有率来看，途家当属国内共享住宿巨头，但从房东构成与房源供给方面来看，途家采用平台统一管理，主要是B2P（business to person）模式，而小猪短租和Airbnb多强调个人对个人，多采用P2P（person to person）模式，更加符合共享经济的理念。虽然在国内市场上来看，Airbnb的房源数量远不及小猪短租，但小猪短租网站上无任何显示房源上线时间的信息，无法对共享住宿其时空演变格局进行深入探讨。本文最终选定Airbnb网站，以Airbnb网站上房东的注册时间模拟房源上线时间进行时空演变分析，由于Airbnb网站上多为个体房东，即一个房东名下大多仅拥有一个房源信息，故以房东注册时间模拟房源上线时间具有一定的可靠性。

共享住宿房源数据包括房间名称、ID、房源地址、经纬度、房价、评分、房源类型（整间房源、独立房间、合住房间）、房源评论数等，经过纠偏、去重，最后获取共享住宿数据15563个，通过ArcGIS导入，形成上海市的共享住宿空间数据库（图 2）。文中还涉及各类设施的点位数据，如商业中心、高等院校、景点、医院等空间数据，这些空间点位数据通过高德开放平台获取经纬度。另外本文涉及的道路、行政边界数据来源于Openstreet平台，二手房房源、房价数据来源安居客网站。

2.2 研究方法 2.2.1 核密度估计

核密度估计法被广泛地应用于点位数据的空间集聚分析中，该方法可分析上海市共享住宿业在空间扩散的距离衰减规律^[32]，直观地表达上海市共享住宿业的集聚和扩散特征。

2.2.2 空间自相关

空间自相关是基于地理学第一定律，即地理要素在空间上越邻近相关性越大而提出的，分为全局自相关和局部自相关。本文利用空间自相关来刻画上海市共享住宿的空间关联特征，具体公式分别为^[33]：

(1)

(2)

式中：I_d为全局相关莫兰指数；I_i为局部区域自相关性；n为研究对象的数目；X_i、X_j为区域i、j的共享住宿密度的观测值；n为区域数量；S²为区域观测值的方差；w_ij为空间权重矩阵。

2.2.3 标准差椭圆法

标准差椭圆用来刻画共享住宿业的空间方向分布特征，其构成要素包括重心、转角θ、长半轴、短半轴等。其中，重心表示共享住宿空间分布的相对位置；转角θ表示共享住宿空间分布的主趋势方向；长半轴反映共享住宿在主趋势方向上的离散程度；短半轴反映共享住宿在次趋势方向上的离散程度，具体公式请参考相关文献[34]。

2.2.4 地理加权回归

地理加权回归不同于传统的回归模型，它将空间属性考虑在内，使因变量与解释变量间的关系充分考虑空间位置变化而带来的变化，从而反映变量关系的空间非平稳性，有效解决了传统回归模型无法反映回归系数空间局部变化的缺陷，公式为^[35]：

(3)

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；k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。

3 上海市共享住宿的时空分布特征 3.1 上海市共享住宿时间变化特征

Airbnb于2015年8月宣布正式进入中国市场，但早在2010年Airbnb已进入上海市场，本文以2010—2019年这一期间的共享住宿数据为基础展开分析。根据房源数量增长情况（图 3），大致可将上海市共享住宿分为“自发萌芽—快速增长—稳步发展”三个阶段。自发萌芽阶段（2010— 2015）：从Airbnb的房东注册时间可以看出2010年上海市开始出现Airbnb共享住宿，2010—2015年期间Airbnb尚未进入中国市场，所以一直到2015年上海市Airbnb市场都处于自发的萌芽期，这一时期共享住宿房源数量较少，增长较为缓慢，市场接受度较小；快速增长阶段（2015—2016）：2015年8月，Airbnb正式进入中国市场，市场宣传与营销力度增强，共享概念逐渐为市场所接受，共享住宿数量开始快速增长，2015年至2016年期间，共享住宿房间数增长了两倍，这一时期，上海市共享住宿迎来了发展的快速增长期；稳步发展阶段（2017至今）：2016年10月26日Airbnb与中国（上海）自由贸易试验区世博管理局正式签订了战略合作备忘录，宣布将在共同探索共享经济模式、发展当地旅游业和促进国际文化交流等方面展开合作，此次事件标志者Airbnb在上海市场的发展步入正式轨道。具体分析数据发现，自2017年开始，上海市共享住宿房源数量、房间数量每年保持将近0.5个百分点的增长速度，共享住宿市场保持稳步发展态势。

3.2 上海市共享住宿整体空间分布变化

对研究期内上海市共享住宿的空间演变特征进行分析。从共享住宿房间数核密度空间布局来看（图 4），2010—2019年上海市共享住宿核密度分布差异较大，共享住宿核密度值逐年增加，核密度聚集区主要分布在城市外环线内。

具体来看，2010年（图 4a）上海市共享住宿零星分布在黄浦区与嘉定区，形成小尺度聚集状态；2013年（图 4b）上海市共享住宿开始形成连片聚集区，这一时期共享住宿主要聚集分布在外环线内，并在虹口区的嘉兴路和四川北路街道交汇处、普陀区与静安区的长寿路与曹家渡等街道形成了核密度高值区；2016年（图 4c）上海市共享住宿不断发展，核密度聚集区不断扩散，总体上仍然布局在外环线内，但在外环线外的松江区、浦东新区以及青浦区也形成了小范围核密度聚集区，呈现出“城区密、郊县少”的分布态势，其中城区内的共享住宿的高密度聚集区范围不断扩大，形成了以提篮桥、外滩、南京东路、徐家汇等街道连片分布的高密度聚集区；2019年（图 4d）共享住宿高密度区继续增加，外环线内高密度聚集区在2016年的基础上不断扩大，形成了以五角场街道—外滩街道—天平路街道—龙华街道连片的东北西南向带状高密度聚集区，外环线外，在浦东新区的康桥镇、川新沙镇、青浦区的朱家角镇各形成一处小范围的密度高值区，主要由于这些地区的景点（上海野生动物园、迪斯尼乐园等）知名度不断提升，游客数量激增，从而吸引共享住宿在此布局。

3.3 上海市共享住宿分布的时空格局演变

对上海市共享住宿房间分布密度进行空间自相关检验，得出Moran's I值及其显著性（表 1）。其中，2010年上海市共享住宿Moran's I值接近零，且未通过显著性检验，表明2010年共享住宿分布空间相关性微弱。2013、2016、2019年的Moran's I指数的z检验值都为正且均通过显著性检验，即共享住宿密度高的街道与密度高的街道相邻，密度低的街道与密度低的街道相邻。从表 1中可以看到，共享住宿分布密度的全局空间自相关指数表现出上升的趋势，表明上海市共享住宿集聚的态势逐年增强。

全局空间自相关仅解释共享住宿业空间分布的总体关联特征与变化，并不能揭示共享住宿业局部空间分布的关联性演变，为此进一步采用局部空间自相关对上海市共享住宿进行局部空间自相关分析（图 5）。2010年上海市共享住宿局部自相关总体表现为不显著，仅在静安寺街道表现出高—高（H—H）聚集，在五里桥街道表现为高—低（H—L）集聚；上海市共享住宿（图 5）于2013、2016、2019年三个时间节点均表现出中心城区街道高—高（H— H）聚集（即共享住宿密度高的街道相邻近），且高—高聚集区数量在这一期间不断增加，表明上海市共享住宿在研究期内空间溢出效应不断增强，但主要集中在中心城区内；在高—高聚集区外围低—高聚集区分布，即共享住宿密度低的街道与共享住宿密度高的街道相邻近。由于共享住宿均集中分布在中心城区内，外围城区共享住宿数量锐减，故形成了低—高聚集区包围高—高聚集区的分布态势。

利用标准差椭圆对上海市共享住宿的分布方向进行分析发现，2010—2019年上海市共享住宿的重心在121.381° —121.440° E，31.210° —31.261° N之间变动（表 2），共享住宿重心总体上向东南方向移动，主要是因为近年来位于东南方向的徐汇区和浦东新区共享住宿产业发展较快。从标准差椭圆看，椭圆面积不断扩大，表明上海市共享住宿的分布范围逐渐变大（图 6）。从标准差椭圆X轴变化来看，表现出先减后增的变化，即上海市共享住宿在南北方向上的扩散趋势先减小而后增大；而从标准差椭圆Y轴变化来看，总体表现逐年增加，说明上海市共享住宿在东西方向上的扩散程度不断增加。标准差椭圆的旋转角度由10年的130.621°降至2019年的40.109°。由此可见，上海市共享住宿空间发展的方向逐渐由西北东南向往东北西南向发展。

4 上海市共享住宿时空分布影响因素分析 4.1 影响因素指标建构

影响共享住宿分布的因素有很多，主要与区域的基础设施、社会经济发展、房源供给、景点分布有密切关联^[24-28]。在浏览共享住宿网站时发现，许多共享住宿均以靠近某学校、某医院为标题吸引顾客，借助在线词频分析软件，对共享住宿标题进行词频分析发现地铁（1.26%）、地铁站（0.51%）、大学（0.32%）、医院（0.25%）的词频出现频率较高（词频统计率最高值为1.27%），由此可见上海市共享住宿的空间分布还与院校、医院的布局有关。共享住宿属于新兴住宿产品，它在选取布局时必然还要考虑目标区域的市场竞争情况，如传统住宿产业所带来的竞争压力。此外，共享住宿是一种新兴概念，其扩散特征往往遵循技术扩散假说^[36]，即新兴技术或理念多在较为发达的区域、年轻化的区域扩散发展。为此，技术扩散效应对于共享住宿的布局也可能存在较大影响。综合已有研究与前述词频分析等结果，最终选取道路密度、二手房价、二手房密度、景点距离、医院距离、院校距离、酒店密度、夜间娱乐点密度8个因素为自变量（图 7、表 3），街道范围内的上海市共享住宿房间密度为因变量，分别利用OLS模型和GWR模型探究上海市共享住宿空间分布的驱动效应（由于数据和篇幅限制，本文仅以2019年数据进行分析）。为避免因部分区域无共享住宿分布而对回归结果产生影响，剔除部分无数据街道进行计算。

4.2 GWR模型及其结果

综上可得，上海市共享住宿空间分布密度呈显著的空间正相关特征，表明以普通线性回归最小二乘法对上海市共享住宿分布的影响因素进行分析，得到的结果可能存在偏差，为了验证此结论，本文通过对OLS模型与GWR模型进行对比。发现GWR模型调整后的拟合优度为0.815，大于OLS模型调整后的拟合优度（0.757），且各个街道局部回归模型标准化残差值范围在[-3.180, 2.545]，其中约99.0%的范围在[-2.58, 2.58]，因此GWR模型的标准化残差值在1% 的显著性水平下是随机分布的，表明GWR模型能够更好的解释各变量对共享住宿分布的影响。

4.3 基于GWR模型的影响因素分析

（1）道路密度：良好的交通条件是产业发展的基础，交通密度是测度一个地区交通条件的直观指标。从回归系数可以看出道路密度对共享住宿的空间布局具有正向影响作用，即区域道路密度越大，共享住宿在此区域布局可能性越大。从道路密度回归系数的空间分布来看，呈现出半环状、由内及外递增的分布态势，其中回归系数最小值出现在青浦区，最大值出现在金山区（图 8a）。这说明半环状核心区如青浦区、长宁区、徐汇区、闵行区和松江区的共享住宿空间分布受道路密度的影响较小，而半环状外围区如金山区、奉贤区、浦东新区和崇明区的共享住宿空间分布受道路密度影响较大，主要原因在于金山区、奉贤区、浦东新区以及崇明区道路密度相对较低，因此在这些区域内的共享住宿经营者选择布局时往往倾向于交通条件良好的地区。随着共享住宿概念不断被市场所接受，顾客对于时间成本重视程度的增加，共享住宿未来必然会优先选择交通基础条件良好，可进入性高的区域进行布局。

（2）区域经济：由于本文以街道为研究尺度，常用的反映区域经济水平指标数据（人均可支配收入、社会消费总额等）难以获取，故本文参照宋伟轩等的研究^[37]，以二手房价水平来表征区域经济水平。从整体分析结果来看，二手房价与共享住宿分布密度呈现正向关联作用，验证了共享住宿是经济发展到一定水平而形成的产物这一说法^[8]。具体来看，上海市主城西北部和东南部回归系数系数较大，而中心城区的回归系数相对较小（图 8b）。总体来说，上海市主城区二手房价格较高，而外围城区价格较低，理应中心城区回归系数更高，可能原因在于，一方面浦东新区和金山区的二手房数量较少，对分析结果产生一定的干扰。另一方面，中心城区各类设施云集，区域内人流差距小^[38]，经济发展水平对人流量的大小影响较弱，故二手房价与共享住宿分布的相关性较小；外围城区则相反，区域内人流差距大^[38]，二手房价高值区往往靠近地铁、景点、医院、教育设施^[35]，这些设施意味着人流量聚集，故在浦东新区和金山区的共享住宿分布与二手房价的相关性较大。

（3）房源供给：共享住宿是以闲置房屋资源为主要产品进行交易，闲置房源供给充足与否与共享住宿的分布密度有较大联系，小区是共享住宿的房源基础，但是考虑到闲置性，本文最终选取街道二手房与出租房的密度作为房源供给丰度的表征指标。根据GWR结果可以验证房源供给与共享住宿分布有正向关联作用（图 8c），即二手房与出租房数量越多，共享住宿数量越多。空间上，房源供给回归系数呈现出由西北向东南方递增的分布趋势，空间异质性比较明显，回归系数最小值出现在青浦区，最大值则在浦东新区。从二手房与出租房的空间分布来看（图 7），其空间布局与共享住宿的空间布局具有极大的相似性，由于在浦东新区、金山区和奉贤区内二手房和出租房数量较少，因此这些区域的房源供给丰度变动对共享住宿布局的影响较大。而中心城区以及外围的青浦和嘉定区二手房与出租房源供给较为充足，所以此类房源的供给丰度对共享住宿的分布相对来说影响较小。

（4）服务群体：共享住宿的服务性本质，使其布局受限于服务群体聚集区。共享住宿的服务群体是面向因差旅形成的流动性群体。这些群体流动性大，但空间活动有迹可循，多围绕旅游景点进行游览观光活动，距离景点越远，游客数量相对较为零散，故而本文选取景点距离要素表征游客群体；基于前文分析，Airbnb共享住宿以靠近医院、大学作为标题吸引顾客，故本文将这两类群体（医院表征患者群体、大学表征猎奇群体）对共享住宿布局的影响纳入分析。从分析结果可以看出，共享住宿与景点距离、医院距离、院校距离整体处于负向关联，即越靠近景点、医院和院校，共享住宿分布密度越高。

① 游客群体：景点距离回归系数绝对值表现出东北西南向的递减趋势（图 8d），其中浦东新区大部分街道由于景点和共享住宿均较少，故回归系数波动较大，检测值不稳定。崇明区的景点距离回归系数绝对值最大，即共享住宿分布受景点距离因素影响最大，可能原因在于崇明区内旅游成为吸引人流的重要因素，故而距离旅游景点的远近成为该区域内共享住宿经营者选择布局时考虑的重要因素。

② 患者群体：医院距离的回归系数绝对值表现出由西北向东南递减的空间态势（图 8e），其中医院回归系数绝对值最大的区域为金山区，回归系数绝对值最小区域在浦东新区的川新沙镇。总体来看，中心城区的回归系数小于外围城区的回归系数值，主要原因在于中心城区医院密集且各类住宿产品供给层次较丰富，因此中心城区共享住宿分布对距离医院远近的依赖性较小，外围城区由于医院较少，医院布局的区域往往人流聚集，为达到期望的经营利润值，共享住宿经营者优先选择医院附近区域就近布局。值得注意的是，川新沙镇等附近区域虽属于外围城区，但医院距离对共享住宿分布的回归系数绝对值较小，即川新沙镇附近区域的共享住宿布局选址受距离医院远近的影响较小，可能原因在于川新沙镇等周边区域靠近迪斯尼乐园景区，共享住宿布局考虑的主要因素是靠近旅游景点而非医院，故对回归系数结果有一定影响，由此可见共享住宿在区域内的布局绝非由某一因素决定，经营者会综合考虑各方面因素最终做出“最优”选择。

③ 猎奇群体：院校距离回归系数绝对值大致由西南向东北递增（图 8f），其中院校距离回归系数绝对值最大区位于奉贤区，回归系数绝对值最小区位于金山区。其中上海市崇明区、嘉定区、宝山区、杨浦和虹口区内共享住宿空间分布与距院校远近呈现正相关，即距离院校越近共享住宿分布数量越少，可能原因在于这些区域内景点、交通及闲置房源等资源较为丰富，靠近院校的区域成本相对较高，故分布在距院校距离较远的区域。闵行区与奉贤区内，由于各类资源相对较少，靠近院校区能接触更多的猎奇群体，故在这些区域内距离院校远近成为影响共享住宿空间分布较大的因素。

（5）空间集聚：共享住宿与传统住宿行业分享同一市场，为探索传统住宿对于共享住宿布局的影响，本文选取传统住宿（星级酒店、经济连锁酒店）的分布密度作为空间集聚的探索要素之一。从GWR结果（图 9）来看，共享住宿的空间分布与酒店分布呈负相关，即酒店分布密度越高的区域共享住宿分布越少，表明共享住宿在选择布局时倾向于规避传统住宿业分布较高的区域。从回归系数的绝对值空间分布来看，最大值位于青浦区，最小值位于金山区，这说明青浦区内传统住宿空间密度对共享住宿影响较大，而金山区的传统住宿空间密度对共享住宿影响分布较小。总体来看中心城区内的共享住宿对于传统住宿的规避效应更明显，外围城区则相对较弱。主要原因在于中心城区传统住宿业发展较为成熟，其支付能力更高，多布局在中心城区地价较高的商业区，而共享住宿主要分布在居民区，故二者在区位选择上表现出不同倾向；外围城区由于人流量大的区域大多集中在某一区域，为获取更大利润共享住宿的布局尽量靠近客源市场，故与传统住宿业之间存在一定的接近性。由于快节奏的白昼生活带来巨大压力，夜间经济成为时髦消费方式，也是城市发展活力的重要表现，共享住宿作为新兴事物，其区位布局必然会受到技术扩散的影响，即布局在高度城市化、居民年轻化等区域，与夜间经济的布局区域极为相似。GWR结果表明夜间娱乐（酒吧、迪厅、电影院、歌剧院等）与共享住宿分布表现出正向相关性（图 8h），验证了共享住宿倾向于在年轻化、具有高度活力的区域布局，从回归系数绝对值来看奉贤区和崇明区最大，主要原因在于这两处区域内夜间娱乐项目较少，因此波动性较大，而回归系数绝对值较小区主要分布在普陀、长宁、徐汇、黄埔等中心城区内，可能原因在于中心城区内各类资源密集，夜间经济的影响力相对来说贡献力较小。

4.4 上海市共享住宿空间演变机理

在前文对上海市共享住宿空间演化进行分析的基础上，为进一步揭示其空间表征的背后机理，本文综合分析结果与既往文献成果，尝试从影响因子—作用机制—格局过程的逻辑架构分析上海市共享住宿空间演化机理（图 9）。

影响因子总体可分为三类，分别是自然本底因子、服务规划因子、随机动态因子。作用机制主要由制约机制、供需机制、触发机制。①自然本底因子是指那些由于自然条件而形成的城市本底条件的因子，主要包括地形地貌、河流、山脉、海洋、森林等自然本底条件，这类因子基本形成构成了城市共享住宿空间的本底条件，如山脉、河流和海洋直接对住宿设施选址布局产生约束，从而形成城市共享住宿的基本空间格局。②服务规划因子主要指的是城市中由于政府规划调控而形成的一系列城市物质要素，包括由商业中心、步行街、购物中心等构成的商圈，还包括景点、休闲度假区，由医院、院校、超市、餐饮、轨道交通、公交站点、区域道路、小区住宅等构成的城市居民服务设施。服务规划因子不直接作用于共享住宿产品的空间布局，更多地是通过这些动态型因子作用于区域的地价、人流聚集度，而后通过供需机制反作用于住宿产品经营者的选址，如2016年浦东新区新建的迪斯尼主题乐园极大的改变了其所在地的区位条件，2016年后许多住宿产品就近迪斯尼乐园附近布局。③随机动态因子指的是城市中突发的重大事件如上海市世界博览会、以及重大决策如浦东新区建设等，这些随机动态因子通过触发机制改变区位条件，从而作用于住宿经营者的微观选址。本文在分析发现，许多共享住宿布局在博览会展馆附近区域，虽然世博会举办早已结束，但由于节事活动留下的基础设施（如会议场馆）仍可承接相应活动，所以许多共享住宿选址布局在附近区域，以此接近潜在客源。自然本底因子与制约机制、服务规划因子与供需机制共同发力、随机动态因子通过触发机制最终形成了上海市共享住宿的个体空间选址，经过个体累积和时间积累，最终形成了上海市共享住宿的动态演变格局。

5 结论和讨论 5.1 结论

本文基于Airbnb网站的共享住宿数据，运用空间分析等方法对上海市共享住宿的时空演变与影响因素进行了初步分析，得出以下结论：

（1）时间上，上海市共享住宿大致可分为自发萌芽—快速增长—稳步发展三个阶段，自发萌芽期上海市共享住宿零星分布，尚未形成共享住宿基本格局，从快速增长期开始，共享住宿格局基本形成，随着时间的推进，共享理念不断为市场所接受，上海市共享住宿步入稳步发展阶段；空间上，上海市共享住宿分布范围不断增大，空间相关性逐年上升，空间外溢效应不断增强，形成了中心城区密集外围城区稀疏的分布态势。

（2）上海市共享住宿的分布主要与道路密度、区域经济、房源供给、服务群体以及空间集聚等因素密切相关。其中，道路密度通过提高可进入性吸引客流对共享住宿布局起到正向促进作用；经济水平越高，各类设施基础越好，技术扩散效应更强，人们对于共享住宿的接受程度更高，从而对共享住宿市场的发展有所推动；房源数量是共享住宿的基础供给，充足的闲置房源是共享住宿发展的有力支撑；服务的本质属性，使得共享住宿市场必须受服务群体限制，人群的流动性与共享住宿的不可移动性相互矛盾，靠近人流聚集区成为解决这一矛盾的最优选择。因此，共享住宿在选择布局时呈现出邻近景点、医院与院校布局的主要特征；作为市场后来者，选择布局时还需考虑空间邻近带来的竞争压力与流量优势，为此，酒店分布与夜间娱乐分别对其布局起到负向与正向影响。

（3）地理加权结果表明道路密度、区域经济、房源供给、服务群体和空间集聚对共享住宿布局选址的解释力具有不同的空间分异性，表明共享住宿经营者在布局选址时对各个空间要素存在权衡差异。自然本底因子、服务规划因子和动态随机型因子分别通过制约机制、供需机制、触发机制作用于住宿产品选址布局，经过个体与时间积累效应，最终形成上海市共享住宿空间的动态演化特征。

5.2 讨论

本文从时间与空间两个维度探讨了上海市共享住宿的发展态势，一定程度上丰富了共享经济下城市新兴住宿产品的研究内容。对上海共享住宿的空间分布与影响因素分析响应了国外学者对于国外城市的研究结果，在空间分布上均表现出中心集聚与外围分散的基本格局，影响因素上景点、经济水平与房源供给与共享住宿分布密切相关^{[39, 40]}。在此基础上，文章在一定程度上扩充了前人对共享住宿影响因素的分析，结合国内共享住宿现实的基础上，考虑了医院、院校、以及空间集聚对于共享住宿的分布影响，为后续开展相关研究提供了一定的理论借鉴。此外，通过地理加权回归的结果可以发现，上海市共享住宿的布局选址表现出空间非平稳性，一些地区共享住宿的空间分布主要受到道路可达性的影响，另一些地区的共享住宿选址受到房源供给的影响更大，而在其他区域共享住宿的布局与景点、医院、院校以及夜间娱乐设施关联性更加密切。由此可见，不同区域内影响共享住宿空间分布的作用因素是不同的，通过地理探测器^[41]、线性回归^[42]等方法从全局方面考虑住宿布局，可能会忽略地理现象的空间差异，而本文的研究也证明了地理学第一定律对共享住宿选址布局同样有影响，为此，在研究共享住宿空间分布时需要考虑空间差异对其的影响。

本文的分析结果也可作为城市住宿管理的参考依据，随着共享住宿的不断增长，其在居民区的渗透不断增强，需要警惕由于共享住宿在某一社区的发展，而引起该社区的绅士化现象^[43]，为此政府与相关规划人员可基于本文分析结果，密切关注共享住宿聚集布局区的发展情况，及时遏制共享住宿引起的绅士化效应对社区原住居民的负面影响。

本文仍存在一些有待深入分析的问题。首先是部分房源具有季节性闲置特征（如第二居所的季节性闲置），而本文数据爬取时间为静态节点，此类房源数据的分析尚未涉及，未来还需对不同季节、不同时间段共享住宿分布进行深入分析；其次是本文对共享住宿与传统住宿产业在城市布局的差异性分析方面存在不足，共享住宿的出现究竟是传统住宿的竞争方还是补给方等问题有待讨论，未来需对比分析共享住宿与传统住宿之间的分布异同与动态特征，探讨二者的空间关联与相互关系，从而更好地为城市住宿产业发展提供指导。