高铁站区住宿业时空分布特征...研究——基于城市规模的视角_牛冰洁.pdf

第 37 卷第 4 期干旱区资源与环境Vol 37No 42023 年 4 月Journal of Arid Land esources and EnvironmentApr 2023文章编号:1003 7578(2023)04 080 10doi:1013448/j cnki jalre2023090高铁站区住宿业时空分布特征及影响因素研究*基于城市规模的视角牛冰洁，殷平，申鹏霞(北京交通大学经济管理学院，北京 100044)提要:高铁站区作为城市发展的新引擎，是住宿业集中分布的新兴区位。文中基于核密度估计、最邻近指数、标准差椭圆、地理探测器等空间分析方法，选择不同规模城市下 5 个高铁站为研究对象，收集了各站半径3km 范围内的住宿业 POI 数据，分析了 2011 2021 年各个研究区内住宿业空间分布的时空演变特征和影响其分布的因素。结果表明:1)高铁站区所属城市规模越小，住宿业分布越集中，集聚区域越靠近站点。2)高铁开通时间越长，住宿业集聚程度越强，集聚速度与城市规模相关。3)高铁开通时间越长，住宿业分布的方向性越明显，分布中心越靠近站点。4)城市面积和城市人口是影响不同站区住宿业空间分布异质性的主要因素。关键词:高铁站区;住宿业;时空特征;影响因素中图分类号:TU984;TS975文献标识码:A住宿业作为城市游憩接待的重要场所1，其空间分布格局的演变能够反映城市空间结构的变迁规律2，因此住宿业区位选择、空间分布、影响因素等逐渐成为旅游地理学和城市地理学的研究热点。在进行区位选择时，位置是决定住宿企业成功与否的关键3。随着城市的发展和演变，不同时期开业的酒店在选址上有不同的区位偏好，故而在学术界发展出理论模型、实证模型和操作模型三类酒店选址模型4。在各类酒店选址模型中，共同涉及到了交通这一区位因素。早在 20 世纪 80 年代，itter 就提出了交通导向型的酒店空间分布模式，认为特定时代的交通技术主导酒店区位选择5。在铁路出现之前，酒店集中在海滨城市，内陆城市的旅馆都建在市中心或靠近城门的位置;铁路开通后，酒店往往集中在火车站附近;汽车时代的到来导致火车站的区位重要性下降，开始在城市郊区靠近“环路”和从郊区到市中心的通道建设大型酒店6。此外，Ashworth 还识别到了高速公路出入口及机场的周边区域等酒店区位7。国内学者对北京2、上海8、常德3 等城市住宿业空间分布格局的研究，同样证明了交通节点的重要性，但因交通技术变革而兴起的高铁站区这一重要的酒店区位很少得到关注。研究证实，高铁车站周边地区的城市用地增长率高于城市整体的用地增长率9，可达性的改善主要集中在高铁车站附近10。在高铁开通之初，土地覆盖增加，优良的交通设施以及高铁站先进的形象吸引企业和人口向站区汇聚11。随着站区经济发展，良好的区位优势带来了大量企业集聚12，从而进一步刺激站区经济活力，周围的商业和住房如雨后春笋般涌现，创造了新的产业活动中心13。而高铁开通带来的产业发展是以客流需求为导向的14，其中巨大的商务和旅行客流必然产生更多的住宿需求，所以高铁站区有潜力成为酒店产业发展的新兴区位。已有研究发现高铁网络连接的城市住宿业的就业出现了显著增长15，而且发车频率越高的高铁车站通常拥有更高的酒店入住率16。此外，高铁的开通也被证明促进了粤港澳大湾区住宿产业的产业集群17。微观视角的证据也指出高铁片区交通运输业的发展带动了酒店住宿相关行业的发展18。但是城市规模越大，土地利用率越高19，不同城市高铁站区的发展情况差异较大，不能一概而论20。因此，探讨*收稿日期:2022 11 2;修回日期:2023 1 9。基金项目:国家自然科学基金面上项目(72272010);中央高校基本科研业务费专项资金(2019JBWB002)资助。作者简介:牛冰洁(1993 )，女，河南焦作人，博士研究生，研究方向为旅游地理学。E mail:niubingjie bjtu edu cn通讯作者:殷平(1977 )，女，山东荣成人，教授，博士研究生导师。研究方向为旅游地理学。E mail:pyin bjtu edu cn不同规模城市下高铁站区住宿业时空分布特征的异质性及其相关影响因素，将有助于正确认识高铁对旅游住宿业的实际带动作用，对于不同规模城市推进高铁站区产业合理布局以及住宿业良性发展具有紧迫的现实意义。鉴于以上思考，文中选择京沪高铁沿线位于不同规模城市的 5 个站点，以站区范围内的住宿企业为研究对象，采用核密度估计、平均最近邻、标准差椭圆和地理探测器等方法，刻画不同人口规模城市下，高铁站区住宿业的空间集聚特征及其演化规律，并探索相关影响因素，最终针对站区所在城市规模差异，从空间布局优化和住宿业区位选择等方面提出相应的建议。1材料与研究方法1 1研究对象与数据来源1 1 1研究对象文中以京沪高速铁路沿线站点为范围进行筛选。京沪高铁是我国“八纵八横”高速铁路主通道之一，连接了京津冀和长三角两大城市群，开工时间早，沿线城市类型丰富21，经过 10 多年的发展，京沪高铁沿线站区住宿业及相关产业已经形成了一定的规模，为不同类型的高铁站、站区住宿业研究提供了丰富的样本。文中首先统计了京沪高铁全线 24 个车站所属城市的城区常住人口规模(住建部 2020 城市建设统计年鉴)，结合 关于调整城市规模划分标准的通知，将站点按照隶属地级市的城市规模等级归类。建筑面积与站台规模是高铁站规模的直接体现，是衡量其节点价值的重要指标22。由此，在相同城市规模等级站点中，综合比较建筑面积和站台规模，选择具有相对优势的站点，作为同类城市高铁站的代表。最终确定分别位于超大城市、特大城市、I 型大城市、II 型大城市、中等城市的北京南站、南京南站、苏州北站、徐州东站、蚌埠南站 5 个满足条件的车站作为研究对象。高铁站区作为城市空间结构中的一个特定区域概念，其范围界定尚未得到统一，但其性质和功能已达成共识23，车站作为一种城市规划工具的概念已得到巩固。文中将高铁站区定义为以高铁站场建设为中心发展起来的区域。基于以往的文献24，以站点为圆心，3 0km 为最大半径作为高铁站区的范围，并以500m 为间隔将站区划分出 6 个缓冲区，有助于观察高铁站区的住宿业分布特征。1 1 2数据来源兴趣点(POI)是指与人类生活经济活动密切相关的某种地理实体，在地理信息系统中，POI 可以是商业网点、公交车站、高层建筑等25。与传统数据相比，POI 数据具有覆盖面广、样本量大、精度高、易获取的优势，在微观尺度上可以更真实、有效、全面地揭示站区内住宿业的分布态势。OTA 网站是中国旅游市场的重要组成部分，它们虽然不拥有任何酒店，但是通过提供大量的酒店信息、价格比较、折扣和评论来吸引游客或商务旅行者26，这为文中获取住宿企业开业时间数据提供了渠道。文中以高德开放平台(Web 服务 API 向开发者提供的 HTTP 接口)作为基础数据来源，根据高德 POI分类编码中划分的类目，以“住宿服务”为关键词，获取研究对象所属城市的住宿业 POI 数据，检索时间为2022 年 3 月，然后对数据进行清洗和空间化处理。借助 ArcGIS 10 2，以各站点为中心，3km 为半径，提取位于站区内的住宿企业。然后以住宿企业名称为词条，在美团、携程、同程艺龙等 OTA 平台，人工进行逐一检索识别，得到各企业的开业年份信息。剔除 2022 年开业的酒店后，最终获得各站区 2021 年及以前开业的住宿企业数据(表 1)，具体信息包含企业名称、地理位置、坐标、开业时间等。为了保证数据的准确性和真实性，分别在五个站区中采用随机抽样的方法选取 10 家企业，利用百度地图拾取坐标系统(https:/api map baidu com/)交叉核实其经纬度坐标数据，然后结合工商信息查询系统企查查(https:/wwwqichacha com/)验证其名称、地址和注册日期，并借助电话联系再次核实其位置和企业信息，结果表明数表 1 研究对象基本信息Table 1 Basic information about the research object站点名称所在城市城市规模站台规模建筑面积(hm2)住宿企业数量(个)北京南站北京超大城市10 台 20 线32478南京南站南京特大城市15 台 28 线73573苏州北站苏州I 型大城市2 台 6 线4739徐州东站徐州II 型大城市13 台 28 线4593蚌埠南站蚌埠中等城市5 台 11 线210618第 4 期牛冰洁等高铁站区住宿业时空分布特征及影响因素研究据匹配一致，通过以上方法，最终得到站区住宿业 POI 数据库。其他 POI 数据亦通过高德开放平台获取并经核实。社会经济发展等数据从各市统计公报、政府工作报告、统计年鉴中获取，路网数据从 OpenStreet-Map(https:/www openstreetmap org/)获取。1 2研究方法1 2 1核密度估计核密度估计法(KDE)是一种被广泛地应用于点数据空间集聚分析的非参数空间分析法27，该方法基于距离扩散衰减规律，认为地理事物受中心地区辐射作用，往往在地理事物密集区，事件的发生率更高。文中利用核密度估计法来直观表达高铁站区住宿业空间分布特征。表达式为:f(X)=1nhdni=1K(x xih)(1)式中:f(X)是指区域的住宿企业核密度值，n 指的是住宿企业的数量，h 是距离衰减阈值，也就是带宽;d 是维度。K 表示空间权重，一般距离事件 xi越远，空间权重越小。(x xi)表示估值点 x 到事件 xi处的距离。1 2 2最邻近指数最邻近指数(NNI)分析法适用范围较广，反映点要素的空间邻近程度28。文中基于 ArcGIS 10 2 内置的平均最近邻工具，首先测算每个 POI 要素到其最邻近要素点的距离;然后计算所有最近邻距离的平均值，根据同一类型 POI 数据的实际最邻近指数距离与所期望的最邻近指数距离做比值来判定站区各类型住宿业空间分布的聚集情况。NNI 1，则表现模式为聚类，NNI 1 表现的模式趋于扩散。1 2 3标准差椭圆标准差椭圆(SDE)分析方法是同时对点的方向和分布进行分析的一种算法，通过以中心点、方位角、长半轴、短半轴为基本参数的空间分布椭圆来定量描述研究对象的空间分布态势与演化特征。如麻学锋和刘玉林使用标准差椭圆对张家界城市空间形态的演变特征进行了分析29。椭圆的中心点代表地理要素空间分布的相对位置，长半轴表示数据的分布方向，短半轴表示数据的分布范围，方位角表示正北方向顺时针旋转到椭圆长轴形成的夹角。长短半轴的值差距越大，扁率越大，表示数据的方向性越明显。1 2 4地理探测器地理探测器模型通过空间异质性来探测因变量与自变量空间分布格局的一致性，据此度量因变量对自变量的解释度即 q 值30，用于分析高铁站区住宿业空间分布的影响因素。其计算公式如下:q=1 Lh=1Nh2hN2=1 SSWSST(2)SSW=Lh=1Nh2hSST=N2(3)式中:q 为某个影响因子对某一地理现象空间分异的影响作用能力的探测值;h=1，2，;L 为变量Y 或自变量 X 的分层，即分类或分区;Nh和 N 分别为层 h 和全区的单元数;2h和 2分别是层 h 和全区的Y 值的方差。SSW 和 SST 分别为层内方差之和和全区总方差。q 的值域为 0，1，q 值越大表示自变量 X对属性 Y 的解释力越强，反之则越弱。2高铁站区住宿业时空特征分析2 1数量特征为直观了解各站区住宿设施数量的增长情况，图 1 统计了京沪高铁全线通车至今(2011 2021 年)，5个站区历年的增长率和累计百分比。从增长率来看，北京南站的增长率最为平稳，始终维持在 0 5 以下，而其他站区的住宿业增长率波动幅度稍大，但除 2014 年的徐州东站外，其余增长率皆在 0 1 的范围内。从 2018 年开始，5 个站区的增长率差距明显缩小，并逐渐趋于一致。在累计百分比的变化上，2018 年之前，各站区的走势有较大差别。在 2018 年，各站区累计百分比都超过 50%，之后趋势线