基于空间特征价格模型的酒店房价影响因素空间差异性分析

蔡文香，卢万合，于国强，甘 静，王 丹，潘茹萍，许佳慧

(1.吉林师范大学 数学学院，吉林 四平 136000；2.吉林师范大学 旅游与地理科学学院，吉林 四平 136000)

0 引言

旅游业的快速发展促进了人们对酒店日益增长的消费需求，我国酒店业的总体运营形式逐渐向好[1].2017年，我国共有住宿企业19 780个，营业额3 963.9亿元，其中客房393.2万间，客房收入2 051.2亿元.酒店间的房价竞争日益激烈，对旅游者的消费决策具有重要影响.酒店房价影响因素众多，包括酒店的设施、空间、星级、房龄、服务质量、供需状况、区域位置等.酒店房价呈现出显著的空间差异性特征，这是由各种影响因素空间差异性共同作用的结果.

近年来，酒店房价影响因素研究一直受到旅游和酒店研究者的关注.目前，酒店多采用市场导向的价格决策策略.国内外学者在研究酒店房价时，主要运用消费者行为分析、联合分析和特征价格分析三种方法，其中特征价格法更适合酒店房间影响因素的研究[2].特征价格法最早由美国学者K.J.Lancaster提出，即异质型产品的特征束组成对消费者产生的效用可以决定消费者的总效用[3].S.Rosen[4]提出在竞争市场背景下的价格特征模型(HPM)，基本假设是将市场化商品的价格与其属性或特征捆绑在一起.H.Zhang等[5]提出酒店客房是一种复合的、异质的产品.因此，酒店客房的价格不仅取决于酒店的内部属性，还取决于位置的特点，如临近市中心、高速公路、旅游景点和机场.特征价格法按其技术差别可以划分为三类：线性特征价格模型(linear HPM)、对数特征价格模型(log-linear HPM)、空间特征价格模型(s-HPM)，其中s-HPM解决了空间非平稳性问题[6].尽管s-HPM模型对于酒店房价空间差异性影响因素研究具有优势，但目前学术界相关研究还很少.D.Latinopoulos[7]利用s-HPM模型，对希腊城市哈尔基迪基的557间客房进行分析，结果显示，海景对房价的影响具有显著的空间变异性.I.P.Soler和G.Gema[8]的研究成果也证实了将地理加权回归纳入到特征价格模型中的有效性.因此，本文利用s-HPM模型，以上海市星级酒店为研究对象，通过元搜索引擎获取相关数据，分析各影响因素对酒店房价空间差异性特征，为酒店房价科学化管理提供参考.此外，本研究方向还可以参考房产价格的研究成果，在更大空间尺度上对酒店房价进行深入研究[9-12].

1 数据来源和研究方法

1.1 数据来源

酒店房价影响因素众多，总结起来共分为两类：一类是酒店自然属性参数，比如酒店的等级、规模、服务质量等；另一类是空间参数，主要指酒店距离车站、机场、旅游景区等的距离.本文研究目的是确定酒店房价影响因素的空间差异性特征，考虑到数据可得性，因此以上海市星级酒店为研究对象，未对快捷酒店、度假型公寓、民宿等进行分析，但研究结论对于这些新兴酒店类型同样适用.根据已有研究成果，选取8个基本参数作为酒店房价因素的变量，其中酒店房价(P)为因变量，其他参数为自变量，分别是酒店等级(Hotel-class)、服务质量(Service-quality)、客房数量(Room-number)、酒店距离最近机场的行车距离(A-distance)、酒店距离最近火车站的行车距离(T-distance)、酒店距离汽车站的距离(B-distance)、酒店距离CBD的距离(C-distance)，如表1所示.

根据上海市旅游行业协会2019年6月11日发布的数据，上海市共有星级酒店203家(截至2019年6月10日)，其中5星级72家，4星级63家，3星级56家，2星级12家，运用“去哪儿网”获取酒店数据，其中有18家酒店没有得到价格数据或者属性信息不全，因此，本文最终研究对象为上海185家星级酒店.酒店房价为2019年8月30日搜索的2019年9月21日入住，9月22日离店的标准间最低价格，服务质量采用去哪儿网的酒店评分，距机场距离、距火车站距离、距汽车站距离采用去哪儿网标注的数据，没有标注的，运用高德地图等软件获取，距CBD的距离采用酒店经纬坐标与CBD经纬坐标计算获取.

1.2 研究方法

运用空间特征价格模型(s-HPM模型)进行酒店房价空间差异性研究，空间特征价格模型就是将地理加权纳入到特征价格模型(HPM模型)中，需要满足三个条件：第一，酒店房价主要决定因素是区位条件和自身属性；第二，各因素具有显著的空间不均衡性；第三，各因素对酒店房价的影响程度具有显著的空间差异性.相关研究成果已经证明前述假设.

本文采用s-HPM建模方法，其基本模型为

其中：Pi为第i处的酒店房价；xij第i处酒店房价的第j个解释变量的值；(ui，vi)是第i处酒店的投影坐标；βj(ui，vi)为第i处酒店房价的第j个解释变量的回归系数；k为解释变量的数量；β0(ui，vi)为常数；εi为第i处的随机误差.回归系数为

其中：X为自变量矩阵，W(ui，vi)为第i处的空间权重矩阵.

2 酒店价格影响因素空间差异性的实证分析

本文运用GWR4软件进行运算，根据酒店房价数据的空间结构特征，选择核函数为Adaptive Gaussian，用AIC评价标准进行回归建模，其中AIC为校验值，能够判断系数在空间上的变化情况.表2为各影响因素的地理变异性检验结果，其中标准差(DIFF of Criterion)均小于0，表明解释变量对酒店房价在研究区范围内具有地理变异性，F值不服从于自由度F检验的F分布.

表2 影响因素地理变异性检验结果

表3中详细给出了各因素对于酒店房价影响程度的平均值、最小值、上四分位数值、中位数值、下四分位数值.从表中可以看到，各因素对酒店房价的影响程度呈现出显著的空间差异性，回归系数有正有负，各影响因素平均值与中位数值对房价的影响程度符号均一致，说明各影响因素对区域内各酒店的影响性质是相对一致的，其中酒店等级、服务质量、客房数量、距机场距离的影响是正向的，也就是酒店房价伴随着这4个因素值的升高而升高，距火车站距离、距汽车站距离、距CBD距离的影响是负向的，表明酒店房价伴随着这3个因素值的升高而降低.正向因素中，酒店等级对酒店房价的影响最大，平均每增加1个星级，酒店房价增加218.8元，其次是服务质量，平均每增加1个评分，酒店房价增加106.95元，再次为距机场的距离，平均增加1 km，酒店房价增加32.1元，客房数量影响最小，平均每增加1间客房，酒店房价增加4.42元，酒店等级、服务质量、客房数量3个正向影响因素的计算结果都符合酒店房价的一般规律，即酒店等级越高、规模越大、服务质量越好，客房价格也就越高，距机场距离也为正向因素，这主要是因为机场一般位于远离市区的位置.负向因素中，距CBD的距离对酒店房价影响最大，该距离每增加1 km，酒店房价降低235.84元，其次是据火车站的距离，每增加1 km，酒店房价降低81.81元，再次为距离汽车站距离，每增加1 km，房价降低59.16元.

表3 s-HPM模型计算结果

s-HPM模型相对于传统价格模型有自身的特点，就是能够通过直观图形，反映出影响因素对酒店房价影响程度的空间差异性[9].据此将酒店房价影响因素在不同位置的回归系数用图形表示，来具体分析其空间差异性.本文中酒店数据为点数据，首先将这些点数据在Arcgis软件中通过泰森多边形转化为面数据，用以表征各个区域酒店房价及影响因素的一般状况，从而观察回归系数的空间特征.

2.1 酒店等级对酒店房价的影响

图1为酒店等级回归系数分布图，回归系数所有值均为正值，而且数值较大，说明酒店等级对酒店房价影响较大.从图1中可以看出，酒店等级对酒店房价影响呈现出明显的“中心-外围”特征，即中心城区回归系数值大，外围城区回归系数值小，而且是中心逐步向四周降低.观察图1，还可以发现酒店等级回归系数整体上还呈现“西高东低”的趋势，低值主要集中在上海东部地区.

2.2 服务质量对酒店房价的影响

图2是服务质量回归系数分布图，回归系数所有值也均为正值，数值大小在正向因素中仅低于酒店等级，说明服务质量也是酒店房价重要的影响因素.从图2可以看出，服务质量回归系数总体上也呈现出“中心-外围”特征，但这种特征不像酒店等级那样规整，在中心城区出现了明显的低值区域.观察图2，还可以发现服务质量回归系数整体上还呈现“北高南低”的趋势，金山区、奉贤区、闵行区、浦东新区、松江区、青浦区的南部地区是明显的低值区域.

图1 酒店等级回归系数分布

图2 服务质量回归系数分布

2.3 客房数量对酒店房价的影响

图3是客房数量回归系数分布图，回归系数既有正值又有负值，其中负值主要分布在中心城区，说明这部分区域伴随酒店客房数量增加，酒店房价逐渐降低，负值区域呈现出明显的中间数值大，外围数值小的趋势；正值主要分布于外围城区，或者中心城区的边缘地带，说明这部分区域伴随着客房数量的增加，酒店房价逐步升高，正值区域数值分布，呈现出西南低、东北高的趋势，其中上海东北部为正值的高值区.总体看，客房数量回归系数呈现出“中心-外围”反向分布特征，即中心为负向影响，外围为正向影响.

2.4 距机场距离对酒店房价的影响

图4是距机场距离回归系数分布图，所有值均为正值，说明距离机场越远，酒店的价格越高.从图4可以看出，距机场距离回归系数高值中心主要出现在上海中心城区及闵行区，低值中心出现在中心城区与浦东新区的交界区域，在外围城区，总体上呈现出西北高、东部和南部低的趋势.

图3 客房数量回归系数分布

图4 距机场距离回归系数分布

2.5 距火车站距离对酒店房价的影响

图5是距火车站距离回归系数分布图，所有值都是负值，说明伴随着距离火车站的距离加大，酒店房价逐步降低，其中高值区域集中在上海的中心城区，低值区域集中在上海中心城区的东北部，以及浦东新区的西部部分区域，上海外围城区总体上呈现出北高南低的趋势.

2.6 距汽车站距离对酒店房价的影响

图6为距汽车站距离回归系数分布图，所有值均为负值，说明伴随距离汽车站距离的增加，酒店房价逐步降低，其中高值区域、次高值区域都集中在上海主城区，低值区域分布在上海西部、南部、东部城区，包括青浦区、松江区、金山区、奉贤区、南汇区、嘉定区的西南部、浦东新区的东南部，以及上海中心城区与浦东新区交汇一小部分地区.上海外围城区总体上呈现出北高南低的趋势.

图5 距火车站距离回归系数分布

图6 距汽车站距离回归系数分布

2.7 距CBD距离对酒店房价的影响

图7为距CBD距离回归系数分布图，数值差异较大，既有负值，又有正值，说明伴随着酒店距CBD距离的增加，不同区域酒店房价变化趋势不一致.负值区域数值较大，主要在上海市的东北部，主要为中心城区、浦东新区及宝山区附近区域，并且这一区域呈现出显著的“中心-外围”特征，由中心向外围显著降低.正值区域数值较小，但区域面积较大，青浦区、松江区、金山区、奉贤区、闵行区、南汇区、嘉定区、宝山区、崇明区的大部分地区.

图7 距CBD距离回归系数分布

3 结语

本文运用s-HPM模型进行酒店房价影响因素空间差异性研究，结果表明：影响因素对酒店房价的影响方向、影响程度呈现出显著的差异，酒店等级、服务质量、客房数量、距机场距离4个变量的影响是正向的，影响程度排序为：酒店等级>服务质量>距机场距离>客房数量，距火车站距离、距汽车站距离、距CBD距离的影响是负向的，影响程度排序为：距CBD距离>距火车站距离>距汽车站距离；影响因素影响程度在研究区范围内具有地理差异性，并呈现出显著的“中心-外围”特征，其中酒店等级、服务质量、距火车站、距汽车站距离呈现出明显的“中心高，外围低”的趋势，客房数量、距CBD距离呈现出“中心-外围”反向分布特征，即中心为负向影响，外围为正向影响，在这两个因素负向影响区域呈现出“中心高，外围低”的趋势.

酒店等级与服务质量提升是提高客房收益的重要途径.酒店等级、服务质量是酒店房价最重要的正向影响因素，如能在控制成本的基础上，提升酒店等级与服务质量，那么就能够合理地提高酒店房价，从而获得更高的客房收益.当然，提升酒店等级与服务质量都需要酒店不断改善硬件设施、软件设施，一定程度上会增加成本，相对而言，提升服务质量更多地依靠软件设施，成本相对较小.

酒店客房定价应该充分考虑酒店所在地的区位特征.酒店房价影响因素存在显著空间差异性，反过来就提示酒店经营者在客房定价过程中，应该依据酒店自身的区位特点，遵循这些空间差异特征，合理确定酒店价格.对于一些新建酒店，选址过程中应该充分考虑房间影响因素存在的“中心-外围”特征，尽可能地将酒店选址在接近城市CBD，交通便捷的位置(靠近火车站、汽车站).

酒店房价影响因素空间差异性问题有待深入研究.酒店房价影响因素空间差异性的研究成果较少，且主要集中在影响因素影响程度的空间差异性特征，缺乏对于这些特征产生原因，以及不同影响因素空间差异性的相互关系等的深入探究.酒店只有采取正确的客房定价策略，才能确保自身的正常运转和取得应有的利润.因此，采用GIS等技术，进行酒店房价决定性因素的理论与实践研究，将有助于酒店房价的科学化管理.