文/張義杰 南京財(cái)經(jīng)大學(xué) 江蘇南京 210023

價(jià)格競(jìng)爭(zhēng)一直以來(lái)都是酒店之間的一種重要競(jìng)爭(zhēng)方式。而對(duì)于旅游者來(lái)說(shuō)，酒店作為旅游六要素之一，其價(jià)格始終備受旅游者關(guān)注。關(guān)于酒店價(jià)格的近期研究中，國(guó)內(nèi)外的研究熱點(diǎn)都比較集中于酒店客房的定價(jià)策略和方法、酒店價(jià)格對(duì)于顧客滿意度的影響、影響酒店價(jià)格的因素等方面[1-3]。地理加權(quán)回歸（GWR）模型由英國(guó)Newcastle 大學(xué)的Brunsdon 等[4]提出，是一種能有效揭示被觀測(cè)者空間非平穩(wěn)性的方法，其在與地理位置有關(guān)的學(xué)科中具有重要的應(yīng)用價(jià)值。除了Brunsdon 之外，近年來(lái)還有其它學(xué)者[5]也將研究結(jié)果與OLS 方法進(jìn)行比較，都證實(shí)了地理加權(quán)回歸模型較優(yōu)。雖然很早之前就有國(guó)內(nèi)學(xué)者對(duì)酒店價(jià)格時(shí)空分異進(jìn)行研究[6,7]，但是運(yùn)用GWR 模型進(jìn)行研究的非常少。本文采用GWR 模型對(duì)蘇州的酒店價(jià)格空間異質(zhì)性進(jìn)行研究，以促進(jìn)酒店價(jià)格的科學(xué)化制定。

1、研究方法與變量選取

1.1 模型與方法

經(jīng)典的線性回歸模型通常是由隨機(jī)誤差項(xiàng)εi 和一套參數(shù)β0 和βi 組成，可以寫成：

傳統(tǒng)的回歸模型是建立在最小二乘法基礎(chǔ)上對(duì)參數(shù)進(jìn)行估計(jì)，OLS 則在定義了全局因變量yi 和自變量x 關(guān)系后，i 通過(guò)最小誤差平方和來(lái)得出方程參數(shù)的估計(jì)值[8]。雖然其對(duì)于空間平穩(wěn)性數(shù)據(jù)的回歸有較好的估計(jì)，但是對(duì)于空間非平穩(wěn)性數(shù)據(jù)的回歸估計(jì)卻不太理想。因此這時(shí)候就需要引入GWR 模型，其允許一些不平穩(wěn)的數(shù)據(jù)直接被模擬。地理加權(quán)回歸方法對(duì)傳統(tǒng)回歸模型進(jìn)行了拓展，使得參數(shù)能夠進(jìn)行局部估計(jì)，其模型為：

式中：ui、vi是第i 個(gè)樣本點(diǎn)的地理坐標(biāo)；βi是隨著地理位置的變化而變化，每一個(gè)局部的βi都是用來(lái)估計(jì)它相鄰的空間觀測(cè)值。

1.2 數(shù)據(jù)來(lái)源

本文蘇州酒店房?jī)r(jià)數(shù)據(jù)來(lái)源于攜程網(wǎng)，共獲取了7月25日到7月31日共七天的蘇州整個(gè)地域范圍內(nèi)的酒店信息，最后選取出3957 家連續(xù)七天均獲取到客房最低價(jià)數(shù)據(jù)的酒店，將其七天的價(jià)格平均值作為原始數(shù)據(jù)。同時(shí)從攜程網(wǎng)獲取了每家酒店至7月31日為止的評(píng)分、評(píng)價(jià)數(shù)和酒店設(shè)施情況。評(píng)分為空的酒店其評(píng)分以同價(jià)格段所有酒店的平均值為準(zhǔn)（例如價(jià)格為158 元的酒店評(píng)分為空，則以價(jià)格為101-200 元所有酒店的評(píng)分平均值作為其評(píng)分）。同時(shí)對(duì)酒店所提供的設(shè)施和服務(wù)進(jìn)行統(tǒng)計(jì)，每提供一樣設(shè)施或服務(wù)其數(shù)量就加一。

蘇州地區(qū)內(nèi)的POI 點(diǎn)數(shù)據(jù)均從百度地圖獲取，其中包括餐飲POI 點(diǎn)88993 個(gè)，地鐵站POI 點(diǎn)129 個(gè)，公交車站POI 點(diǎn)9557 個(gè)，購(gòu)物POI 點(diǎn)13457 個(gè)，商務(wù)POI 點(diǎn)2486 個(gè)，休閑服務(wù)POI 點(diǎn)894 個(gè)，普通景點(diǎn)（除A 級(jí)景點(diǎn)以外的其它景點(diǎn)）POI 點(diǎn)2515 個(gè)，3A 級(jí)景點(diǎn)POI 點(diǎn)11 個(gè)，4A 級(jí)景點(diǎn)POI 點(diǎn)19 個(gè)，5A 級(jí)景點(diǎn)POI 點(diǎn)8 個(gè)，綜合醫(yī)院POI 點(diǎn)140 個(gè)，銀行（包括ATM 機(jī)服務(wù)點(diǎn)）POI 點(diǎn)5232 個(gè)，車站（包括汽車站和火車站）POI 點(diǎn)131 個(gè)，高等院校POI 點(diǎn)86 個(gè)，共計(jì)14 類POI 點(diǎn)數(shù)據(jù)。由于百度地圖API 一個(gè)矩形范圍內(nèi)只能返回最多400 個(gè)POI 點(diǎn)的數(shù)據(jù)，所以將蘇州市范圍切成80＊80 個(gè)切片對(duì)每一類POI 點(diǎn)進(jìn)行爬取。結(jié)果顯示沒(méi)有一個(gè)切片的數(shù)據(jù)量達(dá)到400，因此獲取的數(shù)據(jù)相對(duì)來(lái)說(shuō)較為全面，基本沒(méi)有遺漏。最后將所有酒店和POI 點(diǎn)數(shù)據(jù)導(dǎo)入ARCGIS10.5 中計(jì)算酒店周邊1000 米范圍內(nèi)各類POI 點(diǎn)的數(shù)量。

1.3 變量選取

由于不能將啞元數(shù)據(jù)導(dǎo)入GWR 模型，經(jīng)過(guò)統(tǒng)計(jì)發(fā)現(xiàn)酒店周邊3A、4A 和5A 景區(qū)數(shù)量的數(shù)據(jù)為啞元數(shù)據(jù)，為了不影響模型最終結(jié)果，所以決定采用賦值法對(duì)這三個(gè)變量進(jìn)行合并（一個(gè)3A 級(jí)景點(diǎn)賦3 分，4A 級(jí)景點(diǎn)賦4 分，5A 級(jí)景點(diǎn)賦5 分）。最終選取的所有自變量共16 個(gè)，分別為：酒店評(píng)分、酒店評(píng)價(jià)數(shù)、酒店設(shè)施數(shù)、酒店類型、餐飲（“周邊餐飲數(shù)”的簡(jiǎn)稱，下同）、地鐵、公交、購(gòu)物、商務(wù)、休閑服務(wù)、普通景點(diǎn)、A 級(jí)景點(diǎn)、醫(yī)院、銀行、車站、高校。

2、結(jié)果分析

2.1 OLS 結(jié)果分析

注：＊＊＊為0.001 顯著性水平；＊＊為0.01顯著性水平；＊為0.05 顯著性水平，下同。

本文中OLS 模型回歸分析通過(guò)ARCGIS10.5 中的普通最小二乘法工具實(shí)現(xiàn)，輸出的結(jié)果如表1所示。由于回歸結(jié)果中Koenker 統(tǒng)計(jì)量的概率為0.000000（p〈0.01），具有統(tǒng)計(jì)學(xué)上的顯著性，即說(shuō)明數(shù)據(jù)可能存在空間非穩(wěn)定性，因此使用穩(wěn)健概率列（Robust_Pr）來(lái)確定系數(shù)顯著性。從表中可以看出自變量餐飲、購(gòu)物、商務(wù)、休閑和銀行的VIF 值均大于5.0，說(shuō)明模型的自變量之間存在較為嚴(yán)重的全局或局部多重共線性。

2.2 主成分分析

由于自變量之間存在多重共線性，但是這些變量的顯著性水平又較高，為了在消除自變量之間多重共線性的同時(shí)不遺漏重要的自變量，所以決定采用主成分分析方法。

將數(shù)據(jù)導(dǎo)入SPSS25.0 軟件中，選擇因子分析中的主成分分析方法進(jìn)行提取。得到的KMO 和巴特利特檢驗(yàn)結(jié)果KMO 結(jié)果為0.838，且巴特利特球形度檢驗(yàn)的顯著性為0.000（p〈0.01），說(shuō)明現(xiàn)有變量適合進(jìn)行因子分析。

得到的成分矩陣如表2所示。經(jīng)過(guò)主成分分析，原有的16 個(gè)自變量被降維成了5 個(gè)新的主成分。根據(jù)表中各列的因子載荷可以看出，主成分1 主要由餐飲、地鐵、公交、購(gòu)物、商務(wù)、休閑、普通景點(diǎn)和銀行共8 個(gè)變量構(gòu)成，因此可以將其命名為“周邊綜合生活配套設(shè)施”（簡(jiǎn)稱PT）；主成分2 主要由酒店評(píng)分、酒店評(píng)價(jià)數(shù)、酒店設(shè)施數(shù)和酒店類型共4 個(gè)變量構(gòu)成，因此可以將去命名為“酒店自身?xiàng)l件”（ZS）；主成分3 主要由A 級(jí)景點(diǎn)這一變量構(gòu)成，因此可以將其命名為“酒店周邊環(huán)境”（HJ）；主成分4主要由車站這一變量構(gòu)成，因此可以將其命名為“長(zhǎng)途交通條件”（JT）；主成分5 主要由醫(yī)院數(shù)量這一變量構(gòu)成，同時(shí)高校占的比重也較高，因此可以將其命名為“周邊醫(yī)療條件”（YL）。

通過(guò)SPSS25.0 將原有的16 個(gè)自變量全部標(biāo)準(zhǔn)化，依照表2從上到下的順序設(shè)經(jīng)過(guò)Z 標(biāo)準(zhǔn)化后的變量為X1,X2,…,X16。同時(shí)用每一列的因子載荷分別除以其相應(yīng)的特征值的平方根（分別為5.927、1.853、1.408、1.185、1.017），得到的各主成分的表達(dá)式。

表2 成分矩陣

2.3 GWR 結(jié)果分析

將上述所得5 個(gè)新的變量導(dǎo)入GWR4.0 軟件中進(jìn)行運(yùn)算，得到的回歸結(jié)果如表3所示，以及GWR 模型的估計(jì)系數(shù)如表4所示。

從表3中可以看出，PT、ZS、JT 和YL都是顯著的，只有HJ 是不顯著的。結(jié)果說(shuō)明PT、ZS、JT 和YL 都具有明顯的空間不平穩(wěn)性，其系數(shù)會(huì)隨著空間位置的變化而發(fā)生顯著變化；而HJ 則不具有明顯的空間不平穩(wěn)性，隨著空間位置的變化其系數(shù)并不會(huì)發(fā)生顯著的變化。

表3 回歸結(jié)果

從表3中可以看出，ZS、HJ 和JT 的系數(shù)平均值均為正數(shù)，其對(duì)酒店價(jià)格的影響多為正向影響，其中酒店自身?xiàng)l件平均來(lái)說(shuō)對(duì)酒店價(jià)格的影響最大為58.89，其次為長(zhǎng)途交通條件對(duì)酒店價(jià)格的影響為56.77，最后為酒店周邊環(huán)境對(duì)酒店價(jià)格的影響為10.83，即酒店自身?xiàng)l件越好、長(zhǎng)途交通條件越便捷，一般來(lái)說(shuō)酒店的價(jià)格就越高；而酒店周邊環(huán)境越好一般其周邊同質(zhì)化競(jìng)爭(zhēng)也較為激烈，因此對(duì)酒店價(jià)格的影響程度不高。而PT 和YL 的系數(shù)平均值均為負(fù)數(shù)，其對(duì)酒店價(jià)格的影響則多為負(fù)向影響，其中醫(yī)療條件越好的區(qū)域其周邊一般多為廉價(jià)快捷酒店方便病人家屬入住，其價(jià)格普遍較低。

3、結(jié)論與不足

本文基于GWR 模型，對(duì)蘇州地域范圍內(nèi)酒店價(jià)格的空間異質(zhì)性及其影響因素進(jìn)行了探討。研究發(fā)現(xiàn)：①酒店價(jià)格主要受周邊配套設(shè)施、酒店自身?xiàng)l件、周邊環(huán)境、長(zhǎng)途交通條件和周邊醫(yī)療條件的顯著影響，其中周邊配套設(shè)施、酒店自身?xiàng)l件、長(zhǎng)途交通條件和周邊醫(yī)療條件的影響程度在空間上存在異質(zhì)性②酒店自身?xiàng)l件、長(zhǎng)途交通條件對(duì)酒店價(jià)格的正向影響最大，周邊醫(yī)療條件對(duì)酒店價(jià)格的負(fù)向影響最大。

酒店價(jià)格的形成是多種因素在一定區(qū)域范圍內(nèi)共同作用的結(jié)果，除了本文中提到的影響因素之外，一定還有其它重要因素會(huì)對(duì)酒店價(jià)格產(chǎn)生影響。酒店的地價(jià)、房租和建設(shè)成本是否會(huì)對(duì)酒店價(jià)格產(chǎn)生影響，這些都是酒店經(jīng)營(yíng)者自己私下的交易行為我們暫時(shí)不得而知。我們?cè)鴩L試將區(qū)域范圍內(nèi)的平均地價(jià)作為自變量代入模型中，但考慮到現(xiàn)實(shí)中酒店建設(shè)的復(fù)雜情況，總覺(jué)得有失偏頗，因此將其舍棄。每一個(gè)酒店經(jīng)營(yíng)者對(duì)于所經(jīng)營(yíng)酒店的價(jià)格期望和其所選擇的定價(jià)策略到底是怎樣的，會(huì)對(duì)酒店價(jià)格產(chǎn)生怎樣的影響這一點(diǎn)也有待進(jìn)一步研究。政府的稅收制度、相關(guān)政策又會(huì)對(duì)酒店價(jià)格產(chǎn)生怎樣的影響也有待進(jìn)一步探討。