خلاصه

مسکن همتا به همتا طی دهه های گذشته به طور قابل توجهی رشد کرده است که تا حدی توسط پلتفرم های دیجیتال پشتیبانی می شود. این وب‌سایت‌ها طیف وسیعی از اطلاعات را برای کمک به تصمیم‌گیری مشتریان در دسترس قرار می‌دهند. همه این عوامل، علاوه بر موقعیت مکانی ملک، ممکن است بر قیمت اجاره تأثیر بگذارد. این مقاله روش‌های مختلفی را برای انتخاب کارآمد تعداد زیادی از عوامل تعیین‌کننده قیمت در محل اقامت همتا به همتا هنگام اعمال دیدگاه رگرسیون وزن‌دار جغرافیایی پیشنهاد می‌کند. به عنوان یک مطالعه موردی، از این رویه ها برای یافتن عوامل مؤثر بر قیمت اجاره املاک تبلیغ شده در Airbnb در گران کاناریا (اسپانیا) استفاده شده است. نتایج نشان می‌دهد که رگرسیون وزن‌دار جغرافیایی نسبت به روش حداقل مربعات معمولی، شاخص‌های بهتری از برازش به دست می‌آورد. این امکان را فراهم می‌کند تا آن ویژگی‌هایی را که بر قیمت تأثیر می‌گذارند و اینکه چگونه تأثیر آنها بر اساس مکان‌های دارایی متفاوت است، شناسایی کنیم. علاوه بر این، نتایج همچنین نشان می‌دهد که روش‌های انتخابی که مستقیماً بر روی رگرسیون وزن‌دار جغرافیایی کار می‌کنند، نتایج بهتری نسبت به روش‌هایی که راه‌حل‌های جهانی خوب را به عنوان نقطه شروع خود می‌گیرند، به دست می‌آورند.

کلید واژه ها:

رگرسیون وزنی جغرافیایی ; رگرسیون محلی انتخاب مدل محلی ؛ گردشگری ؛ عوامل تعیین کننده قیمت ؛ Airbnb _ ناهمگونی

چکیده گرافیکی

1. معرفی

مسکن همتا به همتا (P2P) در دهه های گذشته رشد بسیار سریعی را تجربه کرده است و امروزه این نوع میزبانی در سراسر جهان گسترش یافته است [ 1 ]]. پلتفرم‌های دیجیتالی مانند Airbnb و Homeaway اتصال ارائه‌دهندگان اقامتگاه و مهمانانی را که از هم بسیار دور هستند، ممکن کرده‌اند. استفاده از این پلتفرم‌ها برای رزرو محل اقامت به مهمانان کمک می‌کند تا اطلاعاتی در مورد ویژگی‌های ملک، میزبان و مکان پیدا کنند تا تصمیم خرید خود را بگیرند. این عوامل نشان دهنده ویژگی های محصول هستند که توسط بازار ارزش گذاری می شوند و بنابراین به عنوان عوامل تعیین کننده قیمت عمل می کنند. سیاست قیمت گذاری در مدیریت مهمان نوازی بسیار مهم است، زیرا بر تصمیم مشتری و درآمد میزبان تأثیر می گذارد. علاوه بر این، استفاده از اینترنت مقایسه بین گزینه های اقامتی در یک مقصد را افزایش داده است. بنابراین، شناسایی عوامل تعیین کننده قیمت یک موضوع کلیدی برای میزبان های اقامتی P2P است [ 2 ].
برخی از این عوامل تعیین‌کننده قبلاً در هتل‌ها شناسایی شده‌اند (به عنوان مثال، [ 3 ، 4 ، 5 ] را ببینید). با این حال، ماهیت P2P، که در آن فروشنده معمولاً از قبل ارائه‌دهنده خدمات را نمی‌شناسد، انگیزه می‌دهد که عوامل خاص جدید ممکن است بر قیمت نهایی تأثیر بگذارند. برای مثال، نویسندگان [ 2 ، 6 ، 7 ، 8 ] عوامل مختلفی را مرتبط با قوانین اجاره در نظر گرفتند. نویسندگان [ 7 ، 8 ، 9 ] جنبه های مرتبط با ویژگی های میزبان را در نظر گرفتند. نویسندگان [ 8 ، 10] در تجزیه و تحلیل چندین رتبه شهرت با مشکل مواجه شد. و نویسندگان [ 6 ، 11 ] تأثیر رقابت را در میان اقامتگاه ها در نظر گرفتند. علاوه بر این، عوامل فضایی نیز تعیین‌کننده‌های اساسی قیمت‌های اجاره در مسکن P2P هستند [ 12 ، 13 ، 14 ].
پایگاه داده مورد استفاده در تجزیه و تحلیل های تجربی مطالعات قبلی معمولاً شامل تعداد بسیار زیادی از افراد (اغلب بیش از 100000) است و تعداد عواملی که ممکن است به طور بالقوه بر قیمت ها در محل اقامت P2P تأثیر بگذارد نیز بسیار زیاد است (تا 140 در برخی موارد، مانند مطالعه [ 15]). به خاطر قابلیت اقتصاد سنجی، این تعداد متغیر باید کوتاه شود. معمولاً مدل‌ساز عوامل تعیین‌کننده قیمت بالقوه را با توجه به مطالعات قبلی و علاقه محققین از قبل انتخاب می‌کند. این یک روش دلخواه و ذهنی برای تمایز متغیرها در مدل‌های اقتصادسنجی است که می‌تواند منجر به تخمین سوگیری شود. در این راستا، یک مکانیسم عینی برای پیش‌انتخاب این تعداد زیادی از عوامل تعیین‌کننده، ابزار مفیدی برای محققان P2P خواهد بود.
از دیگر کاستی‌های مطالعات تجربی قبلی می‌توان به کمبود تکنیک‌های برآورد مربوط به ماهیت فضایی عوامل تعیین‌کننده قیمت اشاره کرد. علاوه بر این، کسانی که از تکنیک‌های اقتصادسنجی فضایی استفاده می‌کنند (نگاه کنید به، به عنوان مثال، [ 11 ، 14 ]) تعداد بسیار کمی از متغیرهای توضیحی (به ترتیب 22 و 12) را شامل می‌شوند که قدرت توضیح این مدل‌ها را کاهش می‌دهد. در این راستا، مدل رگرسیون وزن‌دار جغرافیایی (GWR) یکی از تکنیک‌های کمتر مورد استفاده اقتصادسنجی فضایی است. این مدل در ابتدا توسط نویسندگان [ 16 ، 17 ، 18 ] پیشنهاد شد] و بر این ایده استوار است که عناصر نزدیکتر از عناصر دورتر تأثیرگذارتر هستند. روش حل اجازه می دهد تا ضرایب رگرسیون ها را به صورت محلی تخمین بزنیم و بنابراین هر عنصر از نمونه با ضرایب خاص خود مشخص می شود.

2. انتخاب متغیر در مدل های رگرسیون وزنی جغرافیایی (GWR).

مدل‌های GWR در ابتدا برای تعیین عوامل مؤثر بر قیمت فروش خانه‌ها استفاده شد [ 16 ، 19 ]. در این بخش، عوامل تعیین کننده قیمت در همه مکان های بازار به طور یکسان ارزش گذاری نمی شوند. به عنوان مثال، متر مربع مساحت در مرکز شهر و حومه شهر به طور یکسان ارزش گذاری نمی شود. این مدل ها همچنین با موفقیت در مهمان نوازی هنگام تجزیه و تحلیل عوامل تعیین کننده قیمت اقامتگاه های توریستی مورد استفاده قرار گرفته اند. بنابراین، نویسندگان [ 20 ] از GWR برای شناسایی روابط متغیر فضایی بین قیمت اتاق و ویژگی‌های هتل استفاده کردند و نویسندگان [ 21 ] آن را برای تجزیه و تحلیل عواملی که قیمت اجاره مسکن‌های روستایی را تعیین می‌کنند، به کار گرفتند. علاوه بر این، نویسندگان [ 22] از این تکنیک برای تخمین عوامل تعیین‌کننده قیمت فهرست‌های Airbnb در نشویل، تنسی استفاده کرد، اما تنها پنج عامل تعیین‌کننده را در مدل در نظر می‌گیرد. ارزش‌گذاری ناهمگن فضایی ضریب هر عامل منجر می‌شود که مدل GWR نتایج به‌دست‌آمده با استفاده از رگرسیون حداقل مربعات معمولی (OLS) را در همه این مطالعات، هم در تعدیل و هم در ظرفیت تفسیری، بهبود می‌بخشد.
هدف این مطالعه ارائه روشی برای برآورد عوامل تعیین‌کننده قیمت در محل اقامت P2P است که با تعداد بالای عوامل تعیین‌کننده ممکن در یک مدل GWR سروکار دارد. با انجام این کار، با دو شکاف ذکر شده به طور همزمان مواجه می شویم: روشی برای انتخاب عواملی که رفتار قیمت اجاره را از منظر مکانی به بهترین شکل توضیح می دهند.
روش‌های زیادی برای حل مشکل انتخاب متغیر برای مدل‌های رگرسیون وجود دارد. ابتدایی ترین استراتژی این است که همه گزینه های ممکن را در نظر بگیرید و گزینه ای را انتخاب کنید که بهترین رفتار را دارد. با این حال، زمانی که تعداد رگرسیون های احتمالی زیاد باشد، این روش غیرقابل حل می شود. به عنوان یک جایگزین، الگوریتم‌های اکتشافی معمولاً استفاده می‌شوند. این الگوریتم‌ها به دنبال راه‌حل‌های سریع مسئله انتخاب متغیرها هستند، اما اطمینان حاصل نمی‌کنند که جواب بهینه به دست آمده است. یکی از پرکاربردترین الگوریتم های اکتشافی گام به گام [ 23 ] است که به طور متوالی شامل یا حذف متغیرها به منظور بهبود برازش می شود.
با این حال، مشکل انتخاب متغیرها برای مدل‌های GWR هنوز به طور عمیق مورد تجزیه و تحلیل قرار نگرفته است. این نوع رگرسیون بار محاسباتی زیادی را به همراه دارد، زیرا منطقه تأثیر تخمین محلی باید تعیین شود و علاوه بر این، یک رگرسیون خطی برای هر عنصر در نمونه باید تخمین زده شود. رایج ترین روش برای رسیدگی به این مشکل، بدست آوردن بهترین مدل OLS و سپس تبدیل آن به رگرسیون محلی با استفاده از GWR است (به عنوان مثال، [ 21 ، 24 ] را ببینید). نویسندگان [ 25] جایگزینی را پیشنهاد کرد که مستقیماً با مدل GWR با استفاده از یک الگوریتم گام به گام رو به جلو با در نظر گرفتن معیار اطلاعات Akaike اصلاح شده (AICc) به عنوان معیار خوبی از تناسب کار می کرد. با این حال، روش آنها برای مدلی با تعداد متغیرهای بسیار کمتر از مشکلاتی که ما به آن اشاره می کنیم، اعمال شد.
روش پیشنهادی در این مقاله برای تعیین بهترین مدل GWR که قیمت اجاره کل املاک تبلیغ شده در Airbnb در گرن کاناریا (اسپانیا) را توضیح می‌دهد، استفاده شد. برای این منظور یک پایگاه داده حاوی 150 متغیر تولید شده است. بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 روش پیشنهادی برای انتخاب عوامل تعیین کننده قیمت و همچنین استخراج داده ها را شرح می دهد. نتایج به‌دست‌آمده پس از اعمال روش‌های پیشنهادی در بخش 3 مورد بحث قرار می‌گیرد . در نهایت، بخش 4 نتیجه گیری و خطوط کاری آینده را ارائه می دهد.

3. روش ها و داده ها

3.1. مدل GWR

در این مقاله، هدف ما شناسایی عوامل تعیین کننده قیمت خواص P2P توزیع شده در یک منطقه خاص است. برای انجام این کار، اطلاعاتی را در یک مجموعه داده ذخیره می کنیم ایکس={ایکس1،ایکس2،…،ایکسک}، با ک∈{1،2،…،ک}، که در آن x k مشخصه خاصی از ویژگی را توصیف می کند. ما فرض می کنیم که قیمت اجاره p را می توان با استفاده از بیان خطی این ویژگی ها (متغیرهای مستقل) توضیح داد. بنابراین، مدل رگرسیون خطی چندگانه بیان می کند که p را می توان به صورت بیان کرد

پ=�0+∑ک=1ک�کایکسک+�

که در آن پارامترها �کضرایبی هستند که اثر تغییرات x k را بر روی قیمت اندازه‌گیری می‌کنند و ε یک خطای توزیع شده نرمال با میانگین صفر و واریانس ثابت (همسانی) است. با توجه به نمونه ای از n ویژگی، ( پمن;ایکسمن1،…ایکسمنک), i = 1, …, n ضرایب را می توان با استفاده از روش OLS تخمین زد. شرط homoscedasticity نشان می دهد که خطاها به مکان مشاهدات بستگی ندارند. هنگامی که این شرط برآورده نمی شود (هتروسکداستیکی)، روش های دیگر با در نظر گرفتن تغییرپذیری خطاها مناسب تر هستند.

تخمین‌هایی که از OLS استفاده می‌کنند، به این معنا جهانی در نظر گرفته می‌شوند که در تمام مشاهدات نمونه اثر یکسانی ایجاد می‌کنند. با این حال، مواردی وجود دارد که ضرایب از نظر مکانی همگن نیستند. در این شرایط استفاده از مدل GWR جایگزین مناسبی است. مدل GWR را می توان به صورت زیر نوشت

پمن(تومن،�من)=�0(تومن،�من)+∑ک=1ک�ک(تومن،�من)ایکسمنک+�من، من=1،…،�

جایی که (تومن،�من)مختصات جغرافیایی مرتبط با ویژگی i را نشان می دهد و �ک(تومن،�من)ضریب تخمینی برای متغیر است ایکسکمربوط به آن ملک است. این �منعبارت خطا در رگرسیون در است (تومن،�من)، که به طور مستقل به طور نرمال با میانگین صفر و واریانس ثابت توزیع می شود. در تخمین مدل، یک تابع وزنی (هسته) برای نشان دادن رابطه متقابل بین ویژگی ها استفاده می شود. وزن ها با استفاده از ماتریس وزنی مشابه ماتریس مورد استفاده برای مدل های حداقل مربعات وزنی در تخمین ها گنجانده می شوند، اما با این تفاوت که ماتریس برای هر فرد در نمونه محاسبه می شود. بنابراین، با توجه به ویژگی i ، واقع در مختصات (تومن،�من)، ماتریس وزن توسط ماتریس مورب داده می شود دبلیومن(تومن،�من)=دمنآ�(�1(تومن،�من)،…،��(تومن،�من))، جایی که ��(تومن،�من)وزن ملک واقع در (تو�،��)در ضرایب تخمینی برای ویژگی i . این روش دارای این مزیت است که ضرایب را می توان در هر نقطه تخمین زد (تو،�)در فضا از ماتریس وزن دبلیو(تو،�)بستگی به محل آن دارد [ 16 ].

معمولاً هسته‌های مختلفی در نظر گرفته می‌شوند، اما همیشه با این فرض که وزن‌ها با فاصله کم می‌شوند. در این مقاله از هسته گاوسی استفاده شده است

��(تومن،�من)=ه-0.5(د�منساعت)2

جایی که dji فاصله اقلیدسی بین مکان‌ها است(تومن،�من)و (تو�،��)و h پهنای باند است (در همان واحدهای فاصله اندازه‌گیری می‌شود) که امکان کنترل ناحیه تأثیر را برای تخمین‌ها و همچنین نحوه تأثیر فاصله بر آنها را فراهم می‌کند.

هنگامی که ضرایب تخمین زده می شوند، پهنای باند ممکن است ثابت (یکسان برای هر رگرسیون محلی) یا تطبیقی ​​(تضمین اندازه نمونه فرعی مشابه برای همه عناصر نمونه) در نظر گرفته شود. پهنای باند تطبیقی ​​معمولاً به صورت k نزدیکترین همسایه و h نشان دهنده فاصله تا k امین نزدیکترین همسایه است. پهنای باند ثابت زمانی توصیه می شود که داده های نمونه به طور یکنواخت در فضا توزیع شده باشند، در غیر این صورت پهنای باند تطبیقی ​​پیشنهاد می شود [ 26 ، 27 ].

نمونه‌های فرعی مورد استفاده در تخمین‌های GWR محلی اغلب با هم همپوشانی دارند، که منجر به افزایش مصنوعی در مقادیر آماری t به‌دست‌آمده برای تضاد با اهمیت پارامترها می‌شود. برای جلوگیری از این مشکل، نویسندگان [ 28 ] سطح اهمیت تصحیح شده زیر را برای برآوردها پیشنهاد کردند:

�=�مترپهک

جایی که �مترسطح معنی داری مورد نظر برای برآوردها است، p e تعداد موثر پارامترها است ( په=2تی�(اس)-تی�(اس”اس)، با S ماتریس کلاه به گونه ای است که پ^=اسپ، و پ^که مقادیر تخمین زده شده برای p ) و K تعداد پارامترهای هر مدل است.

به منظور ارزیابی خوب بودن تناسب برای مدل‌های GWR، نویسندگان [ 16 ] AICc ارائه شده توسط

آمنسیج=2�ورود به سیستمه(�^)+�ورود به سیستمه(2�)+�{�+تی�(اس)�-2-تی�(اس)}

جایی که �^انحراف استاندارد تخمینی عبارت خطا است. AICc می تواند برای مقایسه تناسب بین مدل های مختلف استفاده شود . هرچه این شاخص کمتر باشد، برازش مدل بهتر است، جایی که یک بهبود قابل توجه نیاز به حداقل اختلاف سه واحد دارد.

روش های مختلفی برای آزمایش اهمیت بهبود تناسب به دست آمده با GWR در مقایسه با مدل OLS وجود دارد. نویسندگان [ 29 ] B-Test را پیشنهاد کردند، در حالی که نویسندگان [ 30 ] L1-Test و L2-Test را پیشنهاد کردند. در همه آنها، فرضیه صفر این است که مدل GWR تناسب OLS را بهبود نمی بخشد.

3.2. مشکل انتخاب مدل

ما فرض می کنیم که هیچ اطلاعات پیشینی در مورد اینکه کدام یک از متغیرهای X را می توان به عنوان تعیین کننده قیمت دارایی در نظر گرفت، وجود ندارد. سپس، مشکل در اینجا شامل به دست آوردن زیر مجموعه متغیرها است �⊆ایکسکه به بهترین وجه قیمت اجاره را توضیح می دهد.

رسمی تر نوشته شده، اجازه دهید اف(�)تابعی باشد که اندازه گیری می کند مجموعه V چقدر خوب قیمت اجاره را توضیح می دهد. سپس، مشکل انتخاب مدل است

�پتی�⊆ایکساف(�)

تعداد نامزدهای احتمالی V * 2 T است که T تعداد متغیرهای X است. حل مسئله با استفاده از جستجوی شمارشی به دلیل تلاش محاسباتی بیش از حدی که نیاز دارد، بسیار پیچیده است. برای مثال، اگر مجموعه داده شامل T = 100 متغیر باشد، تابع برازش باید 2 100 = 1.2 10 30 بار ارزیابی شود. با توجه به این سطح از پیچیدگی، الگوریتم‌های اکتشافی معمولاً برای یافتن راه‌حل‌های خوب در زمان معقول استفاده می‌شوند.
الگوریتم های اکتشافی گام به گام به طور گسترده ای برای یافتن مجموعه ای از متغیرها استفاده می شود که به بهترین شکل یک متغیر وابسته معین را با استفاده از رگرسیون OLS توضیح می دهد. این الگوریتم در ابتدا توسط نویسندگان [ 23 ] پیشنهاد شد و مراحل اساسی آن در زیر توضیح داده شده است.
الگوریتم گام به گام (SW):
1. تنظیم کنید �*=�+=∅، �-=ایکس، و F * = – inf.
2. x* را طوری تنظیم کنید که اف(ایکس*)=�پتیایکسمن∈�-اف(�+∪{ایکسمن}).
اجازه دهید �+=�+∪{ایکس*}، �-=�–{ایکس*}.
اگر F (x*) بهتر از F * باشد، F * = F (x*) و �*=�+.
3. اگر �-≠∅نکته 2 را تکرار کنید
در غیر این صورت توقف، V* و F * بهترین مجموعه متغیرهای یافت شده و خوبی مناسب مربوط به آن هستند.
در زمینه GWR، نویسندگان [ 25 ] یک الگوریتم SW را پیشنهاد کردند که AICc را به عنوان معیار سنجش برازش انتخاب می کند. آنها فقط مجموعه ای از 12 متغیر ممکن را در نظر گرفتند، بنابراین، طبق دانش ما، هرگز برای مجموعه بزرگی از متغیرها مانند آنچه در این مقاله مورد تجزیه و تحلیل قرار گرفت، استفاده نشده است. بعدها، نویسندگان [ 31 ] یک تابع R را برای حل روش پیشنهادی در [ 25 ] اما محدود به پهنای باند پیشوندی توسعه دادند. این یک محدودیت مهم برای تعداد متغیرهای زیاد است، زیرا بهترین پهنای باند به متغیرهای درگیر در مدل بستگی دارد.
ما الگوریتمی شبیه به الگوریتم پیشنهادی نویسندگان [ 25 ] توسعه می‌دهیم که در آن ابتدا برای هر مدل ممکن، بهترین پهنای باند محاسبه می‌شود و سپس برای انجام GWR استفاده می‌شود. ما همچنین AICc را به عنوان عملکرد خوب تناسب در نظر می گیریم. این اندازه گیری به ما امکان می دهد نتایج OLS و GWR را با هم مقایسه کنیم. ما این الگوریتم را رویه SW-GWR می نامیم.
تلاش محاسباتی مورد نیاز برای ارزیابی خوب بودن تناسب GWR ممکن است بسیار زیاد باشد. در آن صورت، یک قانون توقف می‌تواند در نقطه 3 بالا گنجانده شود تا در صورت رسیدن به یک راه‌حل قابل قبول، جستجو به پایان برسد. به عنوان مثال، الگوریتم را می توان پس از مراحل S بدون به دست آوردن حداقل بهبود (MI) متوقف کرد. به طور خاص، اجازه دهید Δافکس=افک*-افک-س*، افزایش خوبی تناسب در مرحله k باشد ، با افس*خوبی تناسب در مرحله s. الگوریتم زمانی که متوقف می شود Δافکس<ممن.از آنجایی که تابع F ممکن است حاوی بهینه محلی باشد، هرچه تعداد مراحل s بیشتر باشد، راه حل قوی تر است. علاوه بر این، هرچه MI کمتر باشد، متغیرهای بیشتری وارد مدل خواهند شد. هنگامی که تابع F AICc باشد، الگوریتم ممکن است متوقف شود، برای مثال، اگر کاهش AICc کمتر از سه باشد، طبق معیار ذکر شده در بالا.
در یک روش SW، ترتیب ورود متغیرها در مدل را می توان معیاری از ارتباط آنها برای توضیح متغیر وابسته در نظر گرفت. به عبارت دیگر، هر چه متغیر مرتبط تر باشد، زودتر به عنوان بخشی از مدل انتخاب می شود [ 32 ]. به همین ترتیب، تنوع در خوبی تناسب (Δافک1)ارتباط آخرین متغیر وارد شده به مدل را نشان می دهد.
با در نظر گرفتن ملاحظات بالا، ما سه گزینه برای انتخاب بهترین مدل GWR برای توضیح قیمت اجاره پیشنهاد می‌کنیم: SW-OLS-GWR، Pre-SW-OLS-GWR و SW-GWR. شکل 1 یک نمودار جریان را نشان می دهد که توسعه این روش ها را توصیف می کند.
اجرای گام به گام روش های پیشنهادی در زیر شرح داده شده است. تلاش محاسباتی از اولین تا سومین گزینه پیشنهادی افزایش می یابد.
SW-OLS-GWR:
مرحله 1: راه حل گام به گام برای رگرسیون OLS (SW-OLS) را با در نظر گرفتن تمام متغیرهای ممکن بدست آورید.
مرحله 2: GWR را به مدل به دست آمده در مرحله 1 اعمال کنید.
Pre-SW-OLS-GWR:
مرحله 1: راه حل SW-OLS را با در نظر گرفتن تمام متغیرهای ممکن به دست آورید.
مرحله 2: بهترین متغیرهای جهانی را از قبل انتخاب کنید (به عنوان مثال، متغیرهایی را که تأیید می کنند انتخاب کنید Δافکس<ممنبرای MI و S داده شده ).
مرحله 3: روش گام به گام را برای GWR (SW-GWR) با در نظر گرفتن متغیرهای از پیش انتخاب شده اعمال کنید.
SW-GWR:
مرحله 1: SW-GWR را با در نظر گرفتن همه متغیرها اعمال کنید. از یک قانون توقف به عنوان استفاده کنید Δافکس<ممنبرای کاهش زمان مصرف

3.3. جمع آوری داده ها

مطالعه موردی به فهرست‌های Airbnb در جزیره گرن کاناریا می‌پردازد. این جزیره بخشی از مجمع الجزایر قناری، اسپانیا (نگاه کنید به شکل 2 )، یک مقصد گردشگری مهم در اروپا است. اگرچه گرن کاناریا به عنوان یک مقصد گردشگری ساحلی و خورشیدی شناخته شده است، املاک ارائه شده توسط Airbnb محدود به مناطق نزدیک به ساحل نیست، بلکه در سراسر جزیره توزیع شده است.
داده‌ها از منابع مختلف جمع‌آوری شد: (الف) فهرست Airbnb، برای استخراج ویژگی‌ها و مکان‌های دارایی. (ب) سیستم های اطلاعات جغرافیایی (GIS)، برای به دست آوردن برخی از ویژگی های فضایی خواص. و (ج) مخزن عکس فلیکر، برای شناسایی مرتبط ترین نقاط مورد علاقه در جزیره از طریق تعداد تصاویر نشان داده شده در پلت فرم.
اطلاعات به‌دست‌آمده از وب‌سایت Airbnb تا ژانویه 2018 دانلود شده است و عمدتاً در مورد ویژگی‌های دارایی‌ها (تعداد اتاق‌ها، تخت‌خواب‌ها، سایر خدمات و غیره)، میزبان‌ها (میزان سوپرمیزبان، زبان صحبت شده، تعداد نظرات و غیره) است. و سیاست های اجاره (خدمات رزرو فوری، حداقل مدت اقامت و غیره). در مجموع 124 متغیر از این بستر استخراج شد. به منظور جمع‌آوری اطلاعات منحصربه‌فرد برای املاکی که در حال حاضر اجاره شده‌اند، تصمیم گرفتیم آن‌هایی را انتخاب کنیم که حداقل یک بازدید از مهمان دارند، به روشی مشابه آنچه در مطالعات قبلی انجام شده بود (به عنوان مثال، در [ 10 ]]). علاوه بر این، برای اینکه نمونه ای همگن داشته باشیم، تصمیم گرفتیم که تنها کل املاک را انتخاب کنیم و اتاق های خصوصی و مشترک را از نمونه حذف کنیم. با اعمال این محدودیت ها، نمونه 2259 واحدی تشکیل شد.
برخی از متغیرهای دیگر از موقعیت مکانی محل اقامت ایجاد شد. به طور خاص، از GIS برای تخمین فاصله اقلیدسی از هر ملک تا نزدیکترین ساحل استفاده شد. برخی از متغیرهای ساختگی جدید برای نشان دادن اینکه آیا ملک در خط ساحلی اول، دوم یا سوم قرار دارد (به ترتیب 200، 500 یا 1000 متر از نزدیکترین ساحل) ساخته شده است. برای نشان دادن رقابت بازار، تعداد فهرست‌های Airbnb در فاصله حداکثر 100، 300 و 500 متر محاسبه شد. مسافت تا شهرهای اصلی (آنهایی که بیش از 50000 نفر جمعیت دارند) و تا بندر کشتی و فرودگاه نیز محاسبه شد.
در نهایت، متغیرهای نشان دهنده موقعیت ملک با توجه به نقطه اصلی مورد علاقه در مقصد محاسبه شدند. به طور خاص، ما از لایه نشان داده شده در [ 33 ] استفاده می کنیم که شامل تصاویر 206897 مکان است که در فلیکر در گرن کاناریا بین سال های 2005 تا مارس 2018 آپلود شده اند. Flickr یک پلت فرم وب است که به کاربران اجازه می دهد تصاویر را آپلود و به اشتراک بگذارند .com/ ). مکان این تصاویر به عنوان نقطه مورد علاقه بازدیدکنندگان در جزیره تعبیر شد. متغیرهای شمارش تعداد عکس‌های آپلود شده در بافری به شعاع 500 و 1000 متر از هر ملک نشان‌دهنده جذابیت محیط اطراف ملک است.
در مجموع 150 متغیر توضیحی به دست آمد: 124 از Airbnb، 15 از مکان های دارایی و یک متغیر از Flickr. آنها در ضمیمه A توضیح داده شده اند.

4. نتایج و بحث

ما روش فوق را برای یافتن عوامل تعیین‌کننده قیمت اجاره فهرست‌های Airbnb در گرن کاناریا اعمال می‌کنیم. ما طبق معمول (نگاه کنید به [ 14 ، 33 ]، در میان دیگران)، لگاریتم قیمت را به عنوان متغیر وابسته در نظر می گیریم. سپس، روش‌های مختلف پیشنهادی را برای یافتن مجموعه‌ای از متغیرهایی که به بهترین وجه با مدل GWR مطابقت دارند، اعمال می‌کنیم. ما هسته گاوسی تطبیقی ​​را در مدل قرار می دهیم و AICc را به عنوان معیار مناسب برای مقایسه نتایج OLS و GWR در نظر می گیریم.
استفاده مستقیم از الگوریتم گام به گام به طور مستقیم بر روی رگرسیون جغرافیایی نیاز به تفکیک دارد ∑من=1تیمنGWR ها که تعداد T متغیرهای کاندید هستند (برای T = 150 ما 11325 GWR داریم) و هر یک از رگرسیون های GWR به 2259 رگرسیون OLS نیاز دارد. به منظور مقایسه نتایج و تلاش‌های محاسباتی، از سه تکنیک برای انتخاب مدل که در بالا توضیح داده شد استفاده می‌کنیم.

4.1. روش SW-OLS-GWR

ابتدا، الگوریتم گام به گام را در مدل OLS بر روی 150 توصیفگر ممکن (SW-OLS) اعمال می کنیم. از آنجایی که این رویه را می توان در چند ثانیه اجرا کرد، هنگام جستجوی مجموعه متغیرهایی که AICc را به حداقل می رساند، یک قانون عدم توقف اعمال شد. شکل 3تکامل الگوریتم را در طول مراحل مختلف نشان می دهد. همانطور که مشاهده می شود، AICc به طور قابل توجهی در طول 37 مرحله اول کاهش می یابد (توجه داشته باشید که در هر مرحله یک متغیر جدید به مدل اضافه می شود)، به دنبال کاهش با شیب کم تا مرحله 64 که در آن AICc شروع به رشد می کند تا زمانی که از همه توصیف کننده ها استفاده شود. حداقل AICc 1,422,589 است که مطابق با مدل 64 متغیری است که 60.5٪ از تنوع قیمت در مجموعه داده را توضیح می دهد. با این وجود، با در نظر گرفتن اصل صرفه جویی، ما 57 متغیر اول وارد شده در مدل را به عنوان کاندیدهای تعیین کننده قیمت انتخاب کردیم، زیرا کاهش AICc از این نقطه به بعد تقریباً ناچیز است (کاهش هفت متغیر آخر کمتر از سه واحد AICc است. ). AICc و R2 تنظیم شده برای مدل 57 متغیری به ترتیب 1425.459 و 0.603 بودند.ضمیمه A لیستی از متغیرها را به دنبال ترتیب ورودی در روش SW-OLS نشان می دهد.
سپس، GWR به مدل 57 متغیری به‌دست‌آمده از روش SW-OLS اعمال شد. پهنای باند تطبیقی ​​انتخاب شده در نسخه محلی 800 همسایه (فاصله تا 800 ام نزدیکترین همسایه) بود. استفاده از GWR بطور قابل ملاحظه ای AICc (1346.583) را کاهش داد و R 2 تعدیل شده 0.623 بود، به این معنی که 2٪ افزایش در توضیح متغیر وابسته. برازش بهتر GWR با اهمیت آزمون L1 ( p -value = 0.037) و B-Test ( p -value = 0.012) تأیید شد. نرم افزار نتوانست p -value را برای آزمون L2 بدست آورد.

4.2. روش قبل از SW-GWR

الگوریتم SW-GWR با استفاده از توابع موجود در بسته GWmodel [ 31 ، 34 ، 35 ] در R کدگذاری شد. این الگوریتم تنها با در نظر گرفتن 57 متغیر اول به دست آمده از روش SW-OLS اجرا شد. شکل 4 AICc را در هر مرحله از عملکرد الگوریتم نشان می دهد. مدل با کمترین AICc مدلی بود که شامل 36 متغیر بود و پهنای باند تطبیقی ​​انتخاب شده در این مورد 225 همسایه بود. AICc برای این مدل 1275.365 بود، یعنی کاهش بیش از 150 واحد نسبت به SW-OLS و 71.218 واحد با توجه به روش SW-OLS-GWR. R 2 تنظیم شده0.648 بود، 2.5٪ بیشتر از به دست آمده با روش SW-OLS-GWR. علاوه بر این، B-Test، L1-Test و L2-Test در 1٪ معنی دار بودند که نشان می دهد GWR تناسب به دست آمده با نسخه جهانی این مدل را بهبود می بخشد.
یک قانون عدم توقف اعمال شد (همه متغیرهای نامزد مورد ارزیابی قرار گرفتند). به منظور مقایسه، جدول 1 ترکیب مدل ها را در صورت یک قانون توقف از نوع نشان می دهد Δآمنسیجس>-3در نظر گرفته شد (حداقل کاهش سه واحد AICc بعد از مراحل ). اگر این حداقل کاهش تنها پس از یک مرحله اعمال شود (به ستون مراجعه کنید Δآمنسیج1مدل شامل 23 متغیر اول است. تاخیر دو مرحله ای (به ستون مراجعه کنید Δآمنسیج2) فقط سه متغیر جدید اضافه می کند. این Δآمنسیج3قانون افزایش عملکرد الگوریتم را با 36 متغیر متوقف می کند. حداکثر R2 تنظیم شده ( 0.648) برای مدل با آخرین قانون توقف به دست آمد. گنجاندن متغیرهای 35 و 36 باعث کاهش AICc تنها 1.417 واحد و کاهش اندکی در R2 تعدیل شده ( ستون 7 در جدول 1 ) شد که گنجاندن آنها در مدل را پشتیبانی نمی کند.
آخرین ستون در جدول 1 پهنای باند انتخاب شده در هر مرحله از Pre-SW-GWR را نشان می دهد. این پهنای باند از 38 تا 225 محله متغیر است، که در صورت گنجاندن متغیرهای جدید در مدل، روند افزایشی را نشان می دهد.

4.3. روش SW-GWR

در نهایت، روش گام به گام به طور مستقیم بر روی GWR بدون از پیش انتخاب متغیرها، یعنی با در نظر گرفتن 150 متغیر انجام شد. مدل انتخاب شده در مرحله 40 با AICc 1219.692 به دست آمد. این راه حل شامل کاهش بیش از 55 واحد AICc با توجه به به دست آمده توسط Pre-SW-GWR و افزایش 1.5٪ در R2 تنظیم شده است . مجدداً آزمون B، آزمون L1 و آزمون L2 در 1% معنی دار بود که به این معنی است که برازش نسخه محلی این مدل بهتر از نسخه جهانی است.
جدول 2 متغیرهای موجود در بهترین مدل را به ترتیب ورودی نشان می دهد. جدول همچنین افزایش های مختلف AICc را هنگام اعمال قانون توقف ارائه می دهد Δآمنسیجس>-3، با s = 1، 2 یا 3. در این حالت، تعداد متغیرهای مدل از 33 (افزایش یک مرحله ای) به 40 (افزایش سه مرحله ای) می رسد. قانون توقف با s = 1 منجر به یک مدل 17 متغیری شد. با این حال، برخلاف Pre-SW-GWR، s = 2 و s = 3 منجر به یک الگوی بسیار مشابه (به ترتیب 38 و 40 متغیر) شد.

4.4. مقایسه سه رویه

جدول 3 خلاصه ای از نتایج به دست آمده با سه روش را نشان می دهد. نتایج برای رویه های Pre-SW-GWR و SW-OLS نتایجی هستند که با اعمال قانون توقف به دست می آیند. Δآمنسیج3>-3.
به منظور مقایسه پیچیدگی رویه های مختلف، ردیف آخر در جدول 3 تعداد مدل های OLS اجرا شده برای رسیدن به راه حل توسط هر رویه را نشان می دهد. هرچه پیچیدگی بیشتر باشد، مدل بهتر است. روش SW-OLS یک رگرسیون جهانی است و در بدترین شاخص‌های مناسب رخ می‌دهد. این مدل AICc 1425.459 را به دست آورد و 60.3٪ از تنوع قیمت را در مجموعه داده توضیح داد. تناسب با تبدیل راه حل SW-OLS به یک مدل محلی با استفاده از GWR (SW-OLS-GWR)، کاهش AICc به میزان 78.876 واحد و افزایش توضیح مدل به میزان 2 درصد، به طور قابل توجهی بهبود یافت. پیچیدگی الگوریتم با این تبدیل 16.6 درصد افزایش می یابد.
بدیهی است که کار مستقیم بر روی مدل های GWR به طور قابل توجهی تلاش محاسباتی را افزایش می دهد. در عوض، تنظیمات بهتری به دست آمد. هنگامی که SW با استفاده از GWR با در نظر گرفتن تنها تأثیرگذارترین متغیرها در مدل جهانی (Pre-SW-GWR) اجرا شد، پیشرفت قابل توجهی با توجه به SW-OLS-GWR حاصل شد که 71.218 واحد AICc را کاهش داد و R2 تنظیم شده را افزایش داد .2.5 درصد پیش انتخاب متغیرها تا 62 درصد متغیرهای نامزد را کاهش داد و در نتیجه هزینه محاسباتی را کاهش داد. اگرچه دو متغیر اول انتخاب شده توسط روش Pre-SW-GWR با متغیرهای انتخاب شده توسط SW-OLS مطابقت داشتند، ترتیب دیگر مطابقت ندارد. در واقع، ششمین متغیری که در مدل Pre-SW-GWR وارد می شود، بیست و ششمین متغیر در راه حل SW-OLS است. علاوه بر این، روش Pre-SW-GWR مدل کوتاه‌تری نسبت به مدل انتخاب شده توسط روش SW-OLS ارائه کرد و تعداد متغیرها را 21 کاهش داد.
آخرین جایگزین (SW-GWR) تنظیمات به‌دست‌آمده توسط تکنیک‌های دیگر را بهبود بخشید (کاهش 55.673 واحد AICc و افزایش R2 تنظیم‌شده با توجه به Pre-SW-GWR 1٪). با این وجود، زمان محاسبات به طور قابل توجهی افزایش یافت (3.69 برابر زمان استفاده شده توسط Pre-SW-GWR).
اگرچه تعداد متغیرهای حاوی بهترین مدل‌ها با استفاده از روش‌های Pre-SW-GWR و SW-GWR کاملاً مشابه بود، تفاوت‌هایی در رابطه با متغیرهای خاص موجود در هر یک از آنها وجود داشت. به طور خاص، روش SW-GWR 10 (از 40) متغیر را در نظر گرفت که توسط روش SW-OLS از قبل انتخاب نشده بودند. به عنوان مثال، Pict_1km (تصاویر در فاصله 1 کیلومتری از ملک) در مدل SW-GWR در مرحله 5 وارد شد و کاهش 48.925 واحد AICc را نسبت به مدل قبلی ارائه کرد. با این وجود، این عامل تنها با روش SW-OLS از مرحله 90 در نظر گرفته شد. در نتیجه، تأثیرگذارترین متغیرها در سطح جهانی لازم نیست که به صورت محلی نیز تأثیرگذار باشند (و بالعکس).
پهنای باند در نظر گرفته شده توسط فرآیندهای مختلف از 206 تا 800 متغیر است. این تغییرپذیری، انتخاب از پیش این پارامتر را قبل از اجرای یک رویه SW، همانطور که توسط تابع پیاده‌سازی شده برای این منظور در بسته GWmodel R لازم است، غیرعملی می‌سازد.
هنگامی که GWR انجام می شود، سطح معنی داری برای ضرایب باید وابستگی نمونه های فرعی را در نظر بگیرد. ردیف پنجم در جدول 3 ، α تعدیل شده (معادل 5 درصد سطح معنی داری معمولی) در نظر گرفته شده برای مدل های مختلف را نشان می دهد. ردیف های 7 تا 10 در جدول 3 تعداد متغیرهای مهم را برای موارد مختلف توصیف می کنند. در مجموع 50 متغیر برای روش SW-OLS معنی‌دار بودند، اما تعداد عوامل مهم برای مدل‌های GWR با توجه به موقعیت ملک متفاوت بود. راه حل هنگام استفاده از روش SW-OLS-GWR شامل تعداد میانگین بالاتری از متغیرهای قابل توجه نسبت به مواردی است که با استفاده از روش‌های Pre-SW-GWR و SW-GWR به دست می‌آید.

4.5. نتایج با GWR

به طور کلی، مرتبط ترین عوامل تعیین کننده موجود در جدول 1 و جدول 2 یافته های مطالعات قبلی را تایید می کنند. برخی از ویژگی‌های ساختاری ملک (تعداد یا حمام و تخت)، حرفه‌ای بودن میزبان، همانطور که با تعداد املاک مدیریت‌شده نشان می‌دهد، و عوامل فضایی معمولاً به‌عنوان عوامل تعیین‌کننده قیمت در مقاصد دیگر مشاهده می‌شوند [ 2 ، 10 ، 13 ، 14 .]. برخی ویژگی‌های ساختاری جدید در اینجا یافت می‌شود، مانند وجود خشک‌کن و مناسب بودن رویدادها، که مربوط به شرایط خاص و نوع اقامتگاه‌ها (فول‌هاوس) است که در اینجا تحلیل می‌شود. علاوه بر این، به طور کلی، علائم ضریب مطابق انتظار است، به عنوان مثال، خدمات اضافی و عکس های آپلود شده تأثیر مثبت دارند در حالی که متغیرهای مرتبط با فاصله و رقابت تأثیر منفی دارند.
علاوه بر بهبود کلی در تناسب مدل، مدل GWR همچنین امکان ارزیابی اثر فضایی هر مشخصه را فراهم می‌کند. راه حل به دست آمده از طریق روش های پیشنهادی می تواند به راحتی به یک GIS برای تجزیه و تحلیل فضایی صادر شود. به عنوان مثال، شکل 5 توزیع فضایی ضرایب حمام را هنگام اعمال روش SW-GWR نشان می دهد. نتایج نشان می دهد که افزایش قیمت به دلیل حمام اضافی بین 12.7 تا 27.5 درصد متغیر است که 20.1 درصد افزایش متوسط ​​است. توجه داشته باشید که این افزایش در هنگام اعمال یک مدل OLS به 21.7٪ برای کل نمونه ثابت می شود. نقاط سبز/نارنجی در شکل 5نشان دادن خواص با ضرایب نزدیک به ضریب OLS. همانطور که مشاهده می شود، تأثیر یک حمام اضافی در برخی مناطق جنوبی به وضوح بالاتر از حد متوسط ​​است در حالی که در شمال غربی کمتر از میانگین است. این اطلاعات می تواند توسط میزبانان هنگام تعیین قیمت اجاره ملک با توجه به تعداد حمام و موقعیت مکانی استفاده شود.
اگرچه مدل SW-GWR شامل 40 متغیر است، اما برای هر ویژگی مهم نیستند. شکل 6 توزیع تعداد ضرایب معنی دار را در نمونه نشان می دهد. تعداد عوامل محلی که قیمت اجاره را توضیح می دهند بین 2 تا 28 متغیر است. در سمت راست نقشه، ضرایب تخمینی ملک اشاره شده نشان داده شده است (0 باید به عنوان ضریب غیر معنی دار تفسیر شود).
برای نشان دادن اینکه چگونه GWR بین اثرات عوامل جایگزین تمایز قائل می شود، شکل 7 ضریب متغیرهای محلی قابل توجه تخت (a) و Bedrooms (b) را نشان می دهد. اگرچه اثر این دو متغیر برای کل نمونه با استفاده از مدل OLS ثابت و معنی‌دار است، اما در هنگام اعمال مدل GWR در بسیاری از ویژگی‌ها به طور همزمان معنی‌دار نیستند. علاوه بر این، زمانی که تنها یکی از این متغیرها معنادار است، مقدار ضریب معمولاً متوسط ​​به بالا است. با این وجود، زمانی که هر دو متغیر معنی دار هستند (228 ویژگی از 2259)، ضرایب مقادیر کمتری دارند. این نتیجه نشان می دهد که هر دو عامل اثرات قابل جایگزینی را در منطقه نشان می دهند.
در نهایت، شکل 8 توزیع R 2 محلی را در سراسر جزیره نشان می دهد. این مدل در جنوب به خوبی کار می کند (با R 2 محلی بالای 0.747)، و با حرکت به سمت شمال غرب بدتر می شود. این نتیجه نشان می‌دهد که اطلاعات جمع‌آوری‌شده برای توصیف قیمت اجاره در جنوب کافی است، اما در شمال غربی ویژگی‌های خاصی از منطقه وجود دارد که توسط مدل گرفته نشده است.

5. نتیجه گیری و خطوط کاری جدید

امروزه، تجزیه و تحلیل عوامل تعیین کننده قیمت در واحدهای اقامتی P2P متغییرهای زیادی را در بر می گیرد. برخی از آنها در پلتفرم های دیجیتال نشان داده شده اند و برخی دیگر مربوط به مکان ملک هستند. بنابراین، روش‌های کشف این عوامل مهم و تأثیر کمی آن‌ها بر قیمت باید با واقعیت تعداد زیاد متغیرها و تأثیرات فضایی مقابله کند.
این مقاله مدل‌های GWR را برای توضیح قیمت‌ها در بازار مسکن P2P پیشنهاد می‌کند. این نوع رگرسیون امکان تخمین اثر رگرسیون ها را به صورت محلی فراهم می کند، به عبارت دیگر، ضرایب رگرسیون برای هر ویژگی تخمین زده می شود. این روش دو مزیت قابل توجه دارد: از یک سو، امکان تخمین اثر یک متغیر در مکان های مختلف وجود دارد. از سوی دیگر، می توان متغیرهای مهم را با توجه به منطقه ای که ملک در آن واقع شده است، تفکیک کرد. از این طریق می توان ویژگی های موقعیت مکانی موثر بر قیمت را شناسایی کرد.
مطالعات بر روی انتخاب متغیرها برای مدل‌های GWR اندک است و تا آنجا که ما می‌دانیم، هرگز در پایگاه‌های داده با متغیرهای زیاد (بالاتر از 100) استفاده نشده است. در این راستا، روش‌های ارائه‌شده در این مقاله برای محققان اجتماعی که به دنبال یافتن مدل تخمین تعیین‌کننده قیمت است که به بهترین وجه با داده‌ها مطابقت دارد، مفید است. رویه های مختلفی برای یافتن مدل های مناسب GWR در این مقاله پیشنهاد شده است: یک راه حل جهانی خوب (SW-OLS) بدست آورید و سپس آن را با استفاده از GWR (SW-OLS-GWR) به محلی تبدیل کنید. متغیرهای جهانی خوب را از قبل انتخاب کنید و یک روش SW را با در نظر گرفتن این متغیرها اعمال کنید (Pre-SW-GWR). و SW را برای GWR با در نظر گرفتن همه متغیرها به عنوان کاندید اعمال کنید (SW-GWR).
برای مطالعه موردی، بهترین تناسب با روش SW-GWR، به دنبال روش های Pre-SW-OLS-GWR و SW-OLS-GWR، با تفاوت های قابل توجهی بین آنها به دست می آید. با این حال، هر چه تناسب بهتر باشد، تلاش محاسباتی بیشتری مورد نیاز است. به منظور کاهش تلاش محاسباتی، یک قانون توقف پیشنهاد شد. قوی‌ترین راه‌حل در میان گزینه‌های تجزیه‌وتحلیل‌شده، متوقف کردن روش زمانی است که کاهش انباشته در AICc پس از سه مرحله کمتر از سه واحد باشد.
SW-OLS-GWR رایج‌ترین روش در کاربرد مدل‌های GWR زمانی است که رگرسیورهای احتمالی زیادی وجود دارد. با این حال، همانطور که در مطالعه موردی نشان داده شد، یک راه حل خوب برای مدل OLS لزوما راه حل خوبی برای مدل GWR نیز نیست. علاوه بر این، انتخاب از پیش مجموعه ای از متغیرهای جهانی مناسب تضمین نمی کند که به بهترین راه حل می رسد، زیرا روش SW-GWR می تواند متغیرهایی را انتخاب کند که بخشی از این مجموعه نیستند. با این حال، روند پیش انتخاب سریعتر از اعمال GWR در کل نمونه و متغیرها است. از سوی دیگر، رویه‌هایی برای انتخاب متغیرهایی که در آنها پهنای باند به صورت پیشینی ثابت است، توصیه نمی‌شوند زیرا پهنای باند به متغیرهایی که مدل GWR را تشکیل می‌دهند، بستگی دارد.
روش شناسی محدودیت هایی را ارائه می دهد. همانطور که در مطالعه موردی مشاهده شد، فرآیند به کار گرفته شده در انتخاب متغیرها می تواند بسیار زمان بر باشد، بنابراین بررسی روش هایی برای کاهش زمان اجرا جالب خواهد بود. همچنین برای جلوگیری از مشکلات همخطی یا کنار گذاشتن عوامل غیر تأثیرگذار، افزودن قابلیت‌های دیگر به این روش جالب خواهد بود.

پیوست اول

گام متغیر شرح منظور داشتن SD حداقل حداکثر
1 حمام ها تعداد حمام 1.289 0.644 0 6
2 استخر وجود استخر (1: بله؛ 0: خیر) 0.357 0.479 0 1
3 شخص_کلاه حداکثر تعداد افرادی که می توانند اسکان داده شوند 4.187 1.93 1 16
4 #خواص تعداد دارایی های مدیریت شده توسط میزبان (1: بله؛ 0: خیر) 3.207 4.566 1 28
5 تهویه هوا در دسترس بودن تهویه مطبوع (1: بله؛ 0: خیر) 0.274 0.446 0 1
6 ساحل 200 متر ساحل کمتر از 200 متر از ملک فاصله دارد (1: بله؛ 0: خیر) 0.169 0.375 0 1
7 تلویزیون کابلی تلویزیون کابلی موجود (1: بله؛ 0: خیر) 0.278 0.448 0 1
8 تعداد نظرات تعداد نظرات در مورد ملک 15.059 18.476 0 181
9 خشک کن خشک کن موجود (1: بله؛ 0: خیر) 0.228 0.42 0 1
10 اتاق های خواب تعداد اتاق خواب 1.765 1.059 0 10
11 لغو_سیاست سیاست لغو: 3: انعطاف پذیر. 4: متوسط; 5: سختگیرانه 9: فوق العاده سختگیرانه 4.317 0.79 3 9
12 Dist_Airp فاصله تا فرودگاه 23,873.19 9051.61 1809 42751
13 جکوزی جکوزی (1: بله؛ 0: خیر) 0.057 0.231 0 1
14 ملزومات ملزومات موجود (1: بله؛ 0: خیر) 0.942 0.233 0 1
15 فرانسوی میزبان فرانسوی صحبت می کند (1: بله؛ 0: خیر) 0.131 0.337 0 1
16 ماشین ظرفشویی ماشین ظرفشویی موجود (1: بله؛ 0: خیر) 0.086 0.28 0 1
17 اصول_آشپزی اصول اولیه آشپزی در دسترس است (1: بله؛ 0: خیر) 0.255 0.436 0 1
18 BBQ_grill گریل باربیکیو موجود (1: بله؛ 0: خیر) 0.058 0.234 0 1
19 تصویر_500 متر تعداد تصاویر فلیکر در 500 متری ملک 1762.25 2262.92 0 8362
20 Comp500 تعداد املاک Airbnb در 500 متر 52.664 69.773 1 268
21 آلمانی میزبان آلمانی صحبت می کند (1: بله؛ 0: خیر) 0.165 0.371 0 1
22 ساحل 500 متر ساحل کمتر از 500 متر از ملک فاصله دارد (1: بله؛ 0: خیر) 0.336 0.472 0 1
23 تلویزیون تلویزیون در دسترس (1: بله؛ 0: خیر) 0.928 0.259 0 1
24 سشوار سشوار موجود (1: بله؛ 0: خیر) 0.741 0.438 0 1
25 Dist_LPGC فاصله تا لاس پالماس د گرن کاناریا 21,709.00 10,466.72 0 40639
26 Dist_Telde فاصله تا Telde 26684.52 15,520.66 241.4 45,740.4
27 امنیت_سپرده سپرده تضمینی 79.224 173.493 0 5000
28 اینترنت بیسیم اینترنت بی سیم در دسترس (1: بله؛ 0: خیر) 0.855 0.352 0 1
29 لهستانی میزبان به زبان لهستانی صحبت می کند (1: بله؛ 0: خیر) 0.012 0.111 0 1
30 آسانسور وجود آسانسور (1: بله؛ 0: خیر) 0.357 0.479 0 1
31 خانواده_کودک_دوستانه خانواده دوستانه کودکان (1: بله؛ 0: خیر) 0.792 0.406 0 1
32 Exp_guest+Govid رزرو فوری برای مهمانان با تجربه با شناسه دولتی مجاز است (1: بله؛ 0: خیر) 0.067 0.25 0 1
33 Is_superhost میزبان به عنوان سوپرهاست برچسب گذاری شده است (1: بله؛ 0: خیر) 0.231 0.422 0 1
34 بالش_اضافی بالش و پتو اضافی موجود است (1: بله؛ 0: خیر) 0.181 0.385 0 1
35 یخچال یخچال موجود (1: بله؛ 0: خیر) 0.27 0.444 0 1
36 سیگار کشیدن مجاز است سیگار کشیدن مجاز است (1: بله؛ 0: خیر) 0.294 0.456 0 1
37 پارکینگ رایگان پارکینگ رایگان در محل (1: بله؛ 0: خیر) 0.444 0.497 0 1
38 Cleaning_checkout تمیز کردن قبل از پرداخت موجود است (1: بله؛ 0: خیر) 0.008 0.091 0 1
39 لپ تاپ_فضای کاری فضای کاری مناسب برای لپ تاپ در دسترس است (1: بله؛ 0: خیر) 0.511 0.5 0 1
40 وان_صندلی وان حمام با صندلی دوش (1: بله؛ 0: خیر) 0.003 0.056 0 1
41 آشپزخانه در دسترس بودن آشپزخانه (1: بله؛ 0: خیر) 0.982 0.133 0 1
42 پرتغالی میزبان به زبان پرتغالی صحبت می کند (1: بله؛ 0: خیر) 0.03 0.17 0 1
43 وان حمام وجود وان حمام (1: بله؛ 0: خیر) 0.051 0.22 0 1
44 فر فر موجود (1: بله؛ 0: خیر) 0.162 0.368 0 1
45 حداقل_شب ها حداقل تعداد شب های اجاره ای 3.698 1.901 1 21
46 جعبه کمکهای اولیه وجود جعبه کمک های اولیه (1: بله؛ 0: خیر) 0.403 0.491 0 1
47 کارت_ایمنی وجود کارت ایمنی (1: بله؛ 0: خیر) 0.181 0.385 0 1
48 اقامت های طولانی مدت اقامت طولانی مدت مجاز است (1: بله؛ 0: خیر) 0.154 0.361 0 1
49 چوب لباسی در دسترس بودن چوب لباسی (1: بله؛ 0: خیر) 0.853 0.354 0 1
50 Identity_verified هویت میزبان تأیید شده است (1: بله؛ 0: خیر) 0.501 0.5 0 1
51 مونوکسید کربن وجود آشکارساز مونوکسید کربن (1: بله؛ 0: خیر) 0.105 0.306 0 1
52 میز_گوشه_نگهبان حفاظ گوشه میز (1: بله؛ 0: خیر) 0.008 0.091 0 1
53 کنار ساحل واقع در ساحل (1: بله؛ 0: خیر) 0.064 0.244 0 1
54 ورودی_عریض ورودی عریض (1: بله؛ 0: خیر) 0.043 0.204 0 1
55 پرستار بچه توصیه های پرستار بچه در دسترس است (1: بله؛ 0: خیر) 0.033 0.179 0 1
56 گهواره تخت در دسترس (1: بله؛ 0: خیر) 0.185 0.389 0 1
57 تخت تعداد تخت 2.907 1.741 0 15
58 ویلچر_دسترسی قابل دسترسی با ویلچر (1: بله؛ 0: خیر) 0.121 0.326 0 1
59 پله_دروازه وجود دروازه های پلکانی (1: بله؛ 0: خیر) 0.016 0.127 0 1
60 Baby_monitor مانیتور کودک در دسترس است (1: بله؛ 0: خیر) 0.001 0.036 0 1
61 ساحل201_500 ساحل بین 201 تا 500 متر از ملک فاصله دارد (1: بله؛ 0: خیر) 0.166 0.372 0 1
62 اسپانیایی میزبان اسپانیایی صحبت می کند (1: بله؛ 0: خیر) 0.525 0.499 0 1
63 انگلیسی میزبان انگلیسی صحبت می کند (1: بله؛ 0: خیر) 0.554 0.497 0 1
64 Not_Language میزبان اطلاع از هیچ زبانی را اعلام نمی کند (1: بله؛ 0: خیر) 0.404 0.491 0 1
65 درب عریض درگاه عریض (1: بله؛ 0: خیر) 0.071 0.257 0 1
66 ساحل_اقلام ضروری ملزومات ساحل در دسترس است (1: بله؛ 0: خیر) 0.067 0.251 0 1
67 صندلی بلند صندلی بلند در دسترس (1: بله؛ 0: خیر) 0.153 0.36 0 1
68 بچه ها_شام ظروف غذاخوری کودکان موجود است (1: بله؛ 0: خیر) 0.056 0.23 0 1
69 صبحانه شامل صبحانه (1: بله؛ 0: خیر) 0.04 0.196 0 1
70 اجاق گاز اجاق گاز موجود (1: بله؛ 0: خیر) 0.165 0.371 0 1
71 تخت این یک تخت است (1: بله؛ 0: خیر) 0.045 0.207 0 1
72 مسیر_هموار وجود مسیر صاف به درب ورودی (1: بله؛ 0: خیر) 0.045 0.207 0 1
73 مسیر_ورودی_خوب_روشن مسیر ورودی به خوبی روشن (1: بله؛ 0: خیر) 0.083 0.276 0 1
74 گرمایش گرمایش موجود (1: بله؛ 0: خیر) 0.243 0.429 0 1
75 دانمارکی میزبان به زبان دانمارکی صحبت می کند (1: بله؛ 0: خیر) 0.016 0.127 0 1
76 نروژی میزبان به زبان نروژی صحبت می کند (1: بله؛ 0: خیر) 0.021 0.144 0 1
77 باغ وجود باغ یا حیاط خلوت (1: بله؛ 0: خیر) 0.082 0.274 0 1
78 Self_Check In ورود به خود مجاز است (1: بله؛ 0: خیر) 0.073 0.259 0 1
79 ورودی_خصوصی ورودی خصوصی (1: بله؛ 0: خیر) 0.171 0.376 0 1
80 دسترسی به طبقه همکف دسترسی طبقه همکف (1: بله؛ 0: خیر) 0.002 0.047 0 1
81 شناسه دولت رزرو فوری برای مهمانانی با شناسه دولتی مجاز است (1: بله؛ 0: خیر) 0.098 0.297 0 1
82 شامپو شامپو موجود (1: بله؛ 0: خیر) 0.551 0.497 0 1
83 Smart_lock دسترسی با قفل mart (1: بله؛ 0: خیر) 0.003 0.056 0 1
84 واشر واشر موجود (1: بله؛ 0: خیر) 0.879 0.326 0 1
85 اهن اتو موجود (1: بله؛ 0: خیر) 0.713 0.453 0 1
86 داخلی_شومینه شومینه داخلی (1: بله؛ 0: خیر) 0.045 0.207 0 1
87 چمدان_افتادگی تحویل چمدان مجاز است (1: بله؛ 0: خیر) 0.086 0.28 0 1
88 Fixed_grab_bars میله های دستگیره ثابت برای توالت دوش (1: بله؛ 0: خیر) 0.007 0.084 0 1
89 اینترنت اینترنت در دسترس (1: بله؛ 0: خیر) 0.366 0.482 0 1
90 تصویر_1 کیلومتر تعداد تصاویر فلیکر در 1000 متری ملک 4606.07 5228.21 2 16,841
91 ساحل 1000 متر ساحل کمتر از 1000 متر از ملک فاصله دارد (1: بله؛ 0: خیر) 0.434 0.496 0 1
92 ساحل501_1000 ساحل بین 501 تا 1000 متر از ملک فاصله دارد (1: بله؛ 0: خیر) 0.098 0.298 0 1
93 EV_شارژر شارژر خودروی برقی (1: بله؛ 0: خیر) 0.001 0.03 0 1
94 دوش_دستشویی عریض فاصله زیاد تا توالت دوش (1: بله؛ 0: خیر) 0.024 0.154 0 1
95 Dist_SBT فاصله تا سن بارتولومه د تیراجانا 22,967.50 17,514.79 147.2 47,735.7
96 تخت_ پهن فاصله زیاد تا تخت (1: بله؛ 0: خیر) 0.046 0.21 0 1
97 Step_free_access دسترسی رایگان مرحله ای (1: بله؛ 0: خیر) 0.106 0.308 0 1
98 قهوه ساز قهوه ساز موجود (1: بله؛ 0: خیر) 0.258 0.438 0 1
99 صفحه کلید دسترسی از طریق صفحه کلید (1: بله؛ 0: خیر) 0.006 0.078 0 1
100 Pocket_wifi وای فای جیبی در دسترس (1: بله؛ 0: خیر) 0.049 0.216 0 1
101 کپسول آتش نشانی وجود کپسول آتش نشانی (1: بله؛ 0: خیر) 0.319 0.466 0 1
102 میزبان_شما_سلام می کند میزبان به شما سلام می کند (1: بله؛ 0: خیر) 0.124 0.329 0 1
103 حمام نوزاد حمام نوزاد در دسترس است (1: بله؛ 0: خیر) 0.053 0.223 0 1
104 Buzzer_wireless اینترکام بی سیم Buzzer در دسترس است (1: بله؛ 0: خیر) 0.257 0.437 0 1
105 ورود 24_ساعته ورود 24 ساعته در دسترس است (1: بله؛ 0: خیر) 0.23 0.421 0 1
106 راهرو_عریض فاصله زیاد راهرو (1: بله؛ 0: خیر) 0.056 0.23 0 1
107 جعبه قفل وجود جعبه قفل (1: بله؛ 0: خیر) 0.035 0.184 0 1
108 کتابهای_کودک کتاب‌ها و اسباب‌بازی‌های کودکان موجود است (1: بله؛ 0: خیر) 0.07 0.256 0 1
109 ارتفاع_توالت توالت با ارتفاع قابل دسترس (1: بله؛ 0: خیر) 0.037 0.189 0 1
110 ارتفاع_تخت تخت با ارتفاع قابل دسترس (1: بله؛ 0: خیر) 0.051 0.221 0 1
111 تشخیص دهنده دود وجود آشکارساز دود (1: بله؛ 0: خیر) 0.201 0.401 0 1
112 Comp100 تعداد املاک Airbnb در 100 متر 5.136 6.6 1 37
113 آب گرم آب گرم موجود (1: بله؛ 0: خیر) 0.239 0.426 0 1
114 تصفیه کننده هوا دستگاه تصفیه هوا موجود است (1: بله؛ 0: خیر) 0 0.021 0 1
115 ملحفه_روتختی ملحفه های تخت موجود (1: بله؛ 0: خیر) 0.247 0.431 0 1
116 Comp300 تعداد املاک Airbnb در 300 متر 27.024 36.989 1 170
117 با تجربه رزرو فوری برای مهمانان با تجربه مجاز است (1: بله؛ 0: خیر) 0.032 0.176 0 1
118 P&Play_travel_crib تخت مسافرتی Pack&Play موجود است (1: بله؛ 0: خیر) 0.126 0.332 0 1
119 has_profil میزبان نمایه دارد (1: بله؛ 0: خیر) 0.997 0.056 0 1
120 دوش_دستی وجود سر دوش دستی (1: بله؛ 0: خیر) 0.033 0.179 0 1
121 حیوانات خانگی_مجاز حیوانات خانگی مجاز (1: بله؛ 0: خیر) 0.186 0.389 0 1
122 قیمت_هفتگی فاکتور تخفیف برای اجاره هفتگی 0.702 0.457 0 1
123 منطقه_ساحل فاصله، بر حسب متر، تا نزدیکترین ساحل 6582.82 7840.81 0 26,083.7
124 حداکثر_شب حداکثر تعداد شبی که باید اجاره شود 945.575 2604.701 3 112030
125 سالن ورزش سالن بدنسازی (1: بله؛ 0: خیر) 0.031 0.173 0 1
126 مایکروویو مایکروویو موجود (1: بله؛ 0: خیر) 0.249 0.433 0 1
127 دربان وجود دربان (1: بله؛ 0: خیر) 0.1 0.3 0 1
128 has_dismissed_ib_salmon_flow رزرو فوری برای جریان ماهی آزاد را رد کرده است (1: بله؛ 0: خیر) 0.194 0.396 0 1
129 دوش_صندلی دوش رول با صندلی (1: بله؛ 0: خیر) 0.007 0.084 0 1
130 Outlet_covers خروجی وجود را پوشش می دهد (1: بله؛ 0: خیر) 0.026 0.159 0 1
131 خانه_تک_سطحی خانه تک سطحی (1: بله؛ 0: خیر) 0.054 0.226 0 1
132 اسکله اسکله واقع شده (1: بله؛ 0: خیر) 0.097 0.296 0 1
133 Dist_port فاصله تا بندر کشتی 24,554.73 18,443.67 187.8 50,277.2
134 مناسب_برای_رویدادها مناسب برای رویدادها (1: بله؛ 0: خیر) 0.039 0.195 0 1
135 پاسیو_یا_بالکن وجود پاسیو یا بالکن (1: بله؛ 0: خیر) 0.131 0.338 0 1
136 Ethernet_connection اتصال اترنت در دسترس است (1: بله؛ 0: خیر) 0.043 0.203 0 1
137 اتاق_تاریک شدن سایه های تاریک اتاق موجود است (1: بله؛ 0: خیر) 0.152 0.359 0 1
138 Check_in_flexible ورود انعطاف پذیر مجاز است (1: بله؛ 0: خیر) 0.32 0.466 0 1
139 ظرف ها ظروف و ظروف نقره موجود (1: بله؛ 0: خیر) 0.265 0.441 0 1
140 محافظ_پنجره وجود محافظ پنجره (1: بله؛ 0: خیر) 0.032 0.176 0 1
141 حیوانات خانگی_زندگی حیوانات خانگی در ملک زندگی می کنند (1: بله؛ 0: خیر) 0.042 0.2 0 1
142 کنسول بازی کنسول بازی موجود است (1: بله؛ 0: خیر) 0.009 0.094 0 1
143 قفل_روی_اتاق خواب قفل درب اتاق خواب (1: بله؛ 0: خیر) 0.128 0.334 0 1
144 تعداد_بازبینی کننده تعداد بازبینی میزبان 60.75 102.947 0 1085
145 شومینه_نگهبان حفاظ شومینه (1: بله؛ 0: خیر) 0.005 0.073 0 1
146 ایتالیایی میزبان ایتالیایی صحبت می کند (1: بله؛ 0: خیر) 0.11 0.313 0 1
147 IB رزرو فوری مجاز است (1: بله؛ 0: خیر) 0.529 0.499 0 1
148 هر کس رزرو فوری برای همه مجاز است (1: بله؛ 0: خیر) 0.432 0.495 0 1
149 معلول_پارکینگ محل پارک معلولان (1: بله؛ 0: خیر) 0.015 0.124 0 1
150 جدول_تغییر جدول تغییر موجود است (1: بله؛ 0: خیر) 0.013 0.113 0 1

منابع

  1. بیکر، ام. Twining-Ward, L. Tourism and Sharing Economy ; بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2018. [ Google Scholar ]
  2. گیبز، سی. گوتنتاگ، دی. گرتزل، یو. مورتون، جی. سرقفلی، الف. قیمت‌گذاری در اقتصاد اشتراک‌گذاری: یک مدل قیمت‌گذاری لذت‌گرا که در فهرست‌های Airbnb اعمال می‌شود. تور مسافرتی جی. علامت گذاری. 2017 ، 12 ، 1-11. [ Google Scholar ] [ CrossRef ]
  3. Espinet، JM; سائز، م. کوندرز، جی. Fluvià، M. اثر بر قیمت ویژگی‌های هتل‌های تعطیلات: رویکرد قیمت لذت‌بخش. تور. اقتصاد 2003 ، 9 ، 165-177. [ Google Scholar ] [ CrossRef ]
  4. Thrane, C. Hedonic Price Models and Sun-and-Beach Tours: The Norwegian Case. J. Travel Res. 2005 ، 43 ، 302-308. [ Google Scholar ] [ CrossRef ]
  5. ارت، ای. فلیشر، ا. Magen، N. اعتماد و شهرت در اقتصاد اشتراک گذاری: نقش عکس های شخصی در Airbnb. تور. مدیریت 2016 ، 55 ، 62-73. [ Google Scholar ] [ CrossRef ]
  6. چن، ی. Xie, K. ارزیابی مصرف کننده فهرست های Airbnb: یک رویکرد قیمت گذاری لذت بخش. بین المللی J. Contemp. بیمارستان مدیریت 2017 ، 29 ، 2405-2424. [ Google Scholar ] [ CrossRef ]
  7. Benítez-Aurioles, B. چرا سیاست های رزرو انعطاف پذیر قیمت گذاری منفی دارند؟ تور. مدیریت 2018 ، 67 ، 312-325. [ Google Scholar ] [ CrossRef ]
  8. لرد، تی. جیکوب، جی. Weeks، Q. رفتار تعیین قیمت در یک بازار مسکن با اقتصاد اشتراک گذاری گردشگری: تجزیه و تحلیل قیمت لذت بخش میزبان های AirBnB در کارائیب. تور. مدیریت چشم انداز 2019 ، 30 ، 251-261. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. توبنر، تی. هاولیتچک، اف. دان، دی. عوامل تعیین کننده قیمت در Airbnb: چگونه شهرت در اقتصاد اشتراک گذاری نتیجه می دهد. جی. خودگردان مدیریت اقتصاد 2017 ، 5 ، 53-80. [ Google Scholar ]
  10. وانگ، دی. Nicolau, JL عوامل تعیین‌کننده قیمت اجاره مسکن مبتنی بر اقتصاد اشتراکی: مطالعه فهرست‌هایی از 33 شهر در Airbnb.com. بین المللی جی. هاسپ. مدیریت 2017 ، 62 ، 120-131. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. تانگ، ال. کیم، جی. وانگ، ایکس. تخمین اثرات فضایی بر قیمت مسکن همتا به همتا: به سوی یک رویکرد مدل لذت‌گرایانه نوآورانه. بین المللی جی. هاسپ. مدیریت 2019 ، 81 ، 43-53. [ Google Scholar ] [ CrossRef ]
  12. اوندر، آی. وایسمایر، سی. گانتر، U. وابستگی قیمت فضایی بین بخش مسکن سنتی و اقتصاد اشتراکی. تور. اقتصاد 2018 ، 25 ، 1150-1166. [ Google Scholar ] [ CrossRef ]
  13. سانچز، آر.پی. استرادا، LS; مارتی، پ. مورا-گارسیا، آر.-تی. چیستی، کجا و چرا عوامل تعیین کننده قیمت Airbnb. Sustainability 2018 , 10 , 4596. [ Google Scholar ] [ CrossRef ][ Green Version ]
  14. چیکا اولمو، جی. گونزالس مورالس، جی جی. Zafra-Gómez, JL اثرات مکان بر قیمت آپارتمان Airbnb در مالاگا. تور. مدیریت 2020 , 77 , 103981. [ Google Scholar ] [ CrossRef ]
  15. چاتوپادهای، م. Mitra, SK آیا ویژگی های فهرست میزبان airbnb به طور یکسان بر قیمت اتاق تأثیر می گذارد؟ بین المللی جی. هاسپ. مدیریت 2019 ، 81 ، 54–64. [ Google Scholar ] [ CrossRef ]
  16. براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای بررسی ناپایداری فضایی. Geogr. مقعدی 2010 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
  17. فاثرینگهام، اس. چارلتون، ام. براندون، سی. جغرافیای پارامتر فضا. کلاس. IJGIS 2006 ، 10 ، 297-325. [ Google Scholar ] [ CrossRef ]
  18. Fotheringham، AS; چارلتون، ام. Brunsdon, C. دو تکنیک برای کاوش عدم ایستایی در داده های جغرافیایی. Geogr. سیستم 1997 ، 4 ، 59-82. [ Google Scholar ]
  19. لو، بی. چارلتون، ام. Fotheringhama، رگرسیون وزن‌دار جغرافیایی AS با استفاده از متریک فاصله غیراقلیدسی با مطالعه روی داده‌های قیمت خانه لندن. Procedia Environ. علمی 2011 ، 7 ، 92-97. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. کیم، جی. جانگ، اس. کانگ، اس. کیم، اس. (جیمز) چرا قیمت اتاق های هتل متفاوت است؟ کاوش روابط فضایی متفاوت بین قیمت اتاق و ویژگی های هتل. اتوبوس جی. Res. 2020 ، 107 ، 118-129. [ Google Scholar ] [ CrossRef ]
  21. هرناندز، جی.ام. سوارز-وگا، آر. سانتانا، ی. رابطه متقابل بین گردشگری روستایی و انبوه: مورد کاتالونیا، اسپانیا. تور. مدیریت 2016 ، 54 ، 43-57. [ Google Scholar ] [ CrossRef ]
  22. ژانگ، ز. چن، RJC; هان، LD; یانگ، ال. عوامل کلیدی مؤثر بر قیمت فهرست‌های Airbnb: یک رویکرد وزن‌دار جغرافیایی. پایداری 2017 ، 9 ، 1635. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. Hocking, ARR The Analysis and Selection of Variables in Linear Regression منتشر شده توسط: International Biometric Society URL پایدار: https://www.jstor.org/stable/2529336 . بیومتریک 1976 ، 32 ، 1-49. [ Google Scholar ] [ CrossRef ]
  24. سوارز-وگا، آر. آکوستا-گونزالس، ای. کاسیمیرو-رینا، ال. هرناندز، جی.ام. ارزیابی ویژگی‌های فضایی و زیست‌محیطی واحدهای اقامتی گردشگری روستایی با استفاده از مدل رگرسیون وزن‌دار جغرافیایی. در روشهای کمی در اقتصاد گردشگری ; Springer Science and Business Media LLC: برلین، آلمان، 2012; صص 195-212. [ Google Scholar ]
  25. Fotheringham، AS; کلی، م. چارلتون، ام. تأثیرات جمعیتی قحطی ایرلند: به سوی درک جغرافیایی بیشتر. ترانس. Inst. برادر Geogr. 2012 ، 38 ، 221-237. [ Google Scholar ] [ CrossRef ]
  26. پائز، آ. اوچیدا، تی. میاموتو، ک. چارچوب کلی برای تخمین و استنتاج مدل‌های رگرسیون وزن‌دار جغرافیایی: 2. آزمون‌های ارتباط فضایی و مشخصات مدل. محیط زیست طرح. یک اقتصاد. Space 2002 , 34 , 883-904. [ Google Scholar ] [ CrossRef ]
  27. پائز، آ. اوچیدا، تی. میاموتو، ک. چارچوبی کلی برای تخمین و استنتاج مدل‌های رگرسیون وزن‌دار جغرافیایی: 1. پهنای باند هسته ویژه مکان و آزمونی برای ناهمگونی مکانی. محیط زیست طرح. یک اقتصاد. فضا 2002 ، 34 ، 733-754. [ Google Scholar ] [ CrossRef ]
  28. داسیلوا، آر. فاثرینگهام، AS مسئله آزمایش چندگانه در رگرسیون وزن‌دار جغرافیایی. Geogr. مقعدی 2015 ، 48 ، 233-247. [ Google Scholar ] [ CrossRef ]
  29. براندون، سی. Fotheringham، AS; چارلتون، ام. چند نکته در مورد آزمون های اهمیت پارامتریک برای رگرسیون وزنی جغرافیایی. J. Reg. علمی 1999 ، 39 ، 497-524. [ Google Scholar ] [ CrossRef ]
  30. لئونگ، ی. می، سی.-ال. ژانگ، W.-X. آزمون های آماری برای ناپایداری فضایی بر اساس مدل رگرسیون وزنی جغرافیایی. محیط زیست طرح. یک اقتصاد. Space 2000 , 32 , 9-32. [ Google Scholar ] [ CrossRef ]
  31. گولینی، آی. لو، بی. چارلتون، ام. براندون، سی. هریس، P. GWmodel: یک بسته R برای کاوش ناهمگونی فضایی با استفاده از مدل‌های وزن‌دار جغرافیایی. J. Stat. نرم افزار 2015 ، 63 ، 1-50. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. وانگ، ام. رایت، جی. براونلی، ا. Buswell, R. مقایسه رویکردهای رگرسیون گام به گام بر روی حساسیت متغیرها در شبیه سازی و تحلیل ساختمان. انرژی ساخت. 2016 ، 127 ، 313-326. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. Eugenio-Martin، JL; Cazorla-Artiles، JM; گونزالس-مارتل، سی. در مورد عوامل تعیین کننده مکان Airbnb و توزیع فضایی آن. تور. اقتصاد 2019 ، 25 ، 1224-1244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. کای، ی. ژو، ی. ما، جی. اسکات، ن. عوامل تعیین کننده قیمت لیست های Airbnb: شواهدی از هنگ کنگ. تور. مقعدی 2019 ، 24 ، 227-242. [ Google Scholar ] [ CrossRef ]
  35. لو، بی. هریس، پی. چارلتون، ام. Brunsdon، C. بسته GWmodel R: موضوعات بیشتر برای کاوش ناهمگنی فضایی با استفاده از مدل‌های وزن‌دار جغرافیایی. جغرافیایی تف کردن Inf. علمی 2014 ، 17 ، 85-101. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00259 g001 550
شکل 1. مراحل انجام سه روش انتخاب مدل.
Ijgi 09 00259 g002 550
شکل 2. سناریوی جزیره گرن کاناریا.
Ijgi 09 00259 g003 550
شکل 3. عملکرد حداقل مربعات معمولی گام به گام (SW-OLS) معیار اطلاعات آکایک (AICc).
Ijgi 09 00259 g004 550
شکل 4. تکامل AICc در امتداد الگوریتم Pre-SW-GWR.
Ijgi 09 00259 g005 550
شکل 5. توزیع ضرایب معنی دار برای متغیر حمام (مدل SW-GWR).
Ijgi 09 00259 g006 550
شکل 6. تعداد متغیرهای محلی مهم برای هر ویژگی (مدل SW-GWR).
Ijgi 09 00259 g007 550
شکل 7. ضرایب قابل توجه برای تخت و اتاق خواب (مدل SW-GWR).
Ijgi 09 00259 g008 550
شکل 8. توزیع محلی R 2 (مدل SW-GWR).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید