经济型连锁酒店选址分析

经济型 连锁 酒店选址分析 目录 1. 概述 . 5 1.1. 背景 . 5 1.2. 项目目的 . 5 1.3. 调研的范围 . 5 2. 选址要素的设计 . 6 2.1. 交通变量 . 6 2.1.1. 概述 . 6 2.1.1.1. 到达交通工具 . 7 2.1.1.1.1. 数据获取方式和变量标准 . 7 2.1.1.2. 周边交通环境 . 8 2.1.1.3. 公交站点以及线路 . 8 2.2. 地理环境以及市政规划 . 9 2.2.1. 概述 . 9 2.2.1.1. 酒店大堂正门与主干道的距离 . 9 2.2.1.2. 七天外墙侧面的可视距离 . 10 2.2.1.3. 目标店所在地的道路性质以及道路宽度 . 10 2.2.1.4. 治安状况 . 11 2.3. 市场条件以及社会环境 . 12 2.3.1. 概述 . 12 2.3.1.1. 商务人士经过的数量 . 13 2.3.1.2. 人流量 . 13 2.3.1.3. 生活店铺和超级市场 . 13 2.3.1.4. 事业单位 . 14 2.3.1.5. 周边人口的收入水平 . 14 2.3.1.6. 周边方圆 100 米范围内食肆的数量 . 15 2.3.1.7. 目标店所在区域未来商业发展前景判断 . 15 2.3.1.8. 步行 10 分钟内柜员机（ ATM）的数量 . 15 2.4. 区域内密集人群聚集程度 . 16 2.4.1. 概述 . 16 2.4.2. 变量具体描述 . 16 2.4.2.1. 旅游景点 . 16 2.4.2.2. 商业中心 . 17 2.4.2.3. 商品集散地或物流集散地 . 18 2.4.2.3.1. 概述 . 18 2.4.2.3.2. 数据获取方式和变量标准 . 18 2.4.2.4. 医院规模 . 18 2.4.2.4.1. 概述 . 18 2.4.2.4.2. 数据获取方式和变量标准 . 19 2.4.2.5. 学校的描述 . 19 2.4.2.5.1. 概述 . 19 2.4.2.5.2. 数据获取方式和变量标准 . 21 2.4.2.6. 会展中心 . 21 2.4.2.6.1. 概述 . 21 2.4.2.6.2. 数据获取方式和变量标准 . 22 2.4.2.7. 办公区域和写字楼 . 22 2.4.2.7.1. 概述 . 22 2.4.2.7.2. 数据获取方式和参数标准 . 23 2.4.2.8. 娱乐休闲场所 . 23 2.5. 同业竞争环境 . 23 2.5.1. 概述 . 23 2.5.2. 数据获取方式 . 25 3. 回归模型的运行 . 26 3.1. 衡量回归模型准确性的评判标准 . 26 3.2. 回归方程求解步骤 . 27 3.2.1. 相关性分析 . 27 3.2.2. 调整变量 . 27 4. 项目检讨和建议 . 31 4.1. 项目检讨 . 31 4.2. 项目日后工作建议 . 32 4.2.1. 前台信息反馈系统 . 32 4.2.2. 市场细分战略 . 33 5. 项目总结 . 34 附录：初始选址要素表 . 错误 !未定义书签。 图表 目录 图表 2.1.2-17 天会对经济型酒店关注的要素 . 7 图表 2.4.2.2-1 对广州开房率排名靠前的分店进行统计 . 17 图表 2.4.2.5.1-1 对当前 7 天会会员的年龄段分布图 . 19 图 表 2.4.2.5.1-2 对 7 天会员所处行业背景的分析调查 . 20 图表 2.4.2.6.1-1 对第 101 届广交会开房率的统计 . 21 图表 2.4.2.7.1-1 对环市路写字楼附近一带开房率的比较 . 22 图表 2.5.1-1 开房价格与房源供给的坐标分析图 . 24 图表 2.5.1-2 7 天会对注册会员关于住宿预算的问卷调查 . 24 1. 概述 1.1. 背景 7天连锁酒店集团是一家覆盖全国的经济型连锁酒店网络， 拥有近 200家分店，是中国连锁酒店行业的领导品牌之一。 近年来，公司一直在快速发展壮大，新开分店数量不断增多，而与此同时近年来连锁酒店市场竞争日益激烈，运营成本不断上升，促使公司决策层重新审视以往的选址模型，修改过去通过主观经验判断的选址模型，期待寻找到一份更科学合理的选址评分模型， 以便 为投资发展部 的市场 决策与 发展战略提供有力的支持。 1.2. 项目目的 在之前的 选址分析中，主要是考察商圈的影响，不同的商业地段的价值 ，租金成本，人力成本，地段人流量，车流量以及竞争对手的开房率，市场占有率来制 定新开店的标准。但由于七天成 立的时间只有短短三年，之前并没有 原始数据 积累支持去分析一个通用的选址模型。 现在通过 调用 内部 管理信息系统中积累的开房率数据作为因变量， 能够 进行选址模型的分析， 该项目可以有两个方向或目的： 尝试对现有模型进行分析，或者修改现有选址模型。 运用多种数据分析方法来进行新的尝试，尝试建立新模型。 要成功建立模型必须 占有准确和详细的数据库资料，并在此基础上进行分析。 通过两个方式采集相关数据。 1. 对广州现有 24 间分店进行现场 考察， 访问店长或店员，并 采集 外围 数据资料。 2. 利用网络地图寻找与目标店关联建筑物的距离，并采集部分 宏观经济数据。 1.3. 调研的范围 7 天连锁酒店目前将全国的城市划分为四类。其中广州，深圳，北京和上海属于 一类城市， 截止现在为止广州共有 27 间分店，其中 24 间已经投入运营， 3 间正在筹建中，由于 本次调研的 24 间目标店范围全部位于广州，最后的选址适用性可能仅适合于华南地区的一类城市或仅仅适用于广州市。 2. 选址要素的设计 本次选址要素的设计考察了多家连锁型酒店的选址经验和方法。同时参考了最新出版的经济型酒店标准化管理手册以及经过多方调研，计划将选址要素分为以下五个主要模块。 1. 交通变量 2. 地理环境以及市政规划 3. 市场条件以及社会 环境 4. 区域内密集人群聚集程度 5. 同业竞争环境 2.1. 交通变量 2.1.1. 概述 关于酒店选址的交通变量研究的是到衡量和判断目标客人到达方式以及进入方式的难易程度。从另一个角度也可以观测到该地区经济要素聚集和发散的程度。选取了以下变量作为对目标店外围交通环境的描述 ： 目标地和最近公交车站的距离 距离地铁站，轻轨的距离 机场大巴上下客点距离目标地的距离 出租车单位时间（ 一 分钟）经过临近主干道的数量 距离目标地最近的主干道上单位时间 （一分钟） 车流量 目标地附近 50 米内停放车辆的数量 目标地附近的公交总线路 到达该地区 5 公里范围内核心 区域的公交线路数 2.1.1.1. 到达交通工具 到达目标店最主要的交通工具包括了公交车，地铁或轻轨，以及机场大巴和出租车， 遗憾的是，在对店长或店员的访谈中 不确定到达客源到底采取何种交通方式 ，建议 7 天会在以后的消费者行为分析中加入这方面的调查。 图表 2.1.1.1-17天会对经济型酒店关注的要素 最关注的经济型酒店要素17802063279120294710963805001000150020002500交通便利 住宿设施品牌 价格服务态度安全私密性其他根据图表显示的数据标明，交通便利程度在 7 天会员最关注的经济型酒店选择要素中排在第二位。因此 7 天连锁型酒店选址必须因应 7 天会员的需求在交通便 利的区域选址， 靠近主要交通枢纽站以及交通节点 将确保可以提供客人所需的必要便利。 2.1.1.1.1. 数据获取方式和 变量 标准 前三个变量（公交车站，地铁站，机场大巴上下点）与目标店的距离可以通过网络地图（无忧地图）获得详细信息。设计单位为百米，选取的标准距离是目标地与各交通节点之间的曲线距离。比较符合实际情况。机场大巴上下点与目标店距离的远近在调查中并没有十分明显的反应。但留意到 7 天网站上每个分店都明确指示出机场或火车站到店方法。相信对长途旅客有指示作用。 2.1.1.2. 周边交通环境 三个变量（ 单位车流量，单位出租车流量，以及停车场车位容量 ）都分别描述了目标店交通环境状况，车流量和出租车流量反映了目标店附近交通的畅通状况，而停车场车位的容量则为滞留本地客源提供了必要的便利。 现场访谈显示，过夜旅客停放车辆的概率并不是很大， 根据 08 年 8 月 14 号晚 8点在位于天河公园店外的踩点显示，容量为 50 台车的 7 天自带停车场，其停车存量不足 20 台。 显示本地客源自驾车过夜的消费习惯不明显。 如果在场地紧张或土地价格昂贵的情况下， 7 天可以考虑节省停车场地的费用或者借助于外界环境的停车容量。 因为停车场车位容量的相关作用不 大（广州地区）。 值得注意的是，如果目标店附 近有高架桥或内环路，则不计算有效车流量或出租车流量。 2.1.1.3. 公交站点以及线路 回归分析显示，目标店 500 米周边范围内公交总线路以及到达该地区 5 公里范围内核心区域的公交线路数 对开房率有直接影响。这里体现的消费者行为分析包含有两种含义 : 客源的到达方式值得细心研究 公交车站本身就是一个人群疏散和停留的节点，可以吸收和扩散人群 城市内发达的公交网络覆盖了广阔的地域，如果亦能辐射到附近的商圈，将可能对开房率起到拉动作用。 如果目标店当地的公交线路越多，则说明该地区的人口聚集程度比较稠密 其商业活动亦会比较频繁。例如天河城 周边商圈，环市路商圈，三元里易初莲花附近的美博城商圈等。 由此可以看到，公交线路的数量以及到达核心商圈的线路数量是反映该地区商业活动以及人口聚集的极好的指示器。 2.2. 地理环境以及市政规划 2.2.1. 概述 初步模型 选取了以下变量作为对目标店外围地理环境和市政规划的描述： 酒店大堂正门与主干道的距离 七天外墙侧面的可视距离：从主干道上观测 目标店所在地的道路性质定位 目标店大门所正对的街道宽度 外围道路的通向，单行还是双行道 目标地所在街道管辖区域内的治安状况 2.2.1.1. 酒店大堂正门与主干道的距离 该指标考察的是项目与主干道的距离 与开房率的影响。选取的长度单位是米。测量的方式的根据网络五一地图，找出酒店正门与主干道的步行曲线距离。考察的目的是为了测试项目与主干道的距离是否会左右旅客的入住决策，以至影响开房率。 位于广州的多家分店，例如康王路店，岗顶路店，北京路店等都位于大街内巷，有的甚至位于次级干道上的二线临街，值得关注的是由于 7 天品牌的巨大影响力和渗透能力，经济型酒店已经不像传统酒店行业一样需要占据在显眼的道路枢纽位置以此来吸引客源。特别是会员制的营销手法更是大大淡化了落点对目标客源的吸引和影响。随着适用于经济型酒店开发的建筑物业 的稀缺，现在已经很难在目前的成本要求下找到合适的项目选址。 2.2.1.2. 七天外墙侧面的可视距离 即使不是占据一线临街位置，但如果能够利用巨幅墙体以及明显清晰的品牌标志，可能会对会员和目标客源产生吸引作用。该项指标同样以距离作为判断依据。根据现场目测，共划分为三个不同的等级： 200 米范围内可视 -3 分 50 至 200 米范围内可视 -2 分 50 米范围内可视 -1 分 根据观测， 24 间分 店中大约三分之一的酒店是可以打 2 分，三分之二的酒店打 1分，少部分的酒店，如客村店，天河公园店可以打到 3 分。有的二线项目虽然地址比较偏内街，但由于侧面的标识相当明显，所以反而取得了比一线正面临街更好的视觉效果，特别是从远距离上观测。撇开酒店选址要素之外，清晰，易于识别的酒店标识对品牌的宣传和推广也起到了极大的带动作用。 2.2.1.3. 目标店所在地的道路性质以及道路宽度 根据现场目测判断，单向四车道或以上的称之为 主干道， 二车道的称之为二级干道，其他的称之 为次级干道 。 单行线一般定义为二级干道。其打分的标准是： 单行线 -1 分 双行线 -2 分 比如说 : 天河公园店外的中山大道为主干道，岗顶店外的石牌东路为二级干道，环市路二店外的北较场横路为次级干道。设计的变量打分标准如下： 主干道 -3 分 二级干道 -2 分 次级干道 - 1 分 车道的数量与道路宽度是成正比的，或者说是高度相关的，这点利用 spss 软件可以看出其高度的相关性。所以在最后的打分表里面，这两个变量会删除一个，以防止多重共线性的发生。每一条车道的宽度通常是两米，也就是说如果是八车道的话，那么道路的宽度就是 16 米 (不 考虑单车道以及人行道 ) 值得注意的是，有部分目标店外围有高架桥经过，高架桥上的道路不算入道路宽 度以及车道。因为对于酒店业态来说，从空中经过的车流并不是有效交通流量。 2.2.1.4. 治安状况 这是一个主观打分的评价变量。其目的是尝试分析目标店外围治安环境对开房率是否存在影响。尽管是一个主观性很强的变量，但是却在回归模型显示出了很高的可信程度（ T 检验值比较高）具体的实际应用可能存在局限性。 评分标准共有五档 五分标准： 安全系数为最高，位于城市中心地带，周边环境治安状况显示为极好，或区域内保安严密， 24 小时全天候保安。对旅 客保障度最高 ,旅客具有最高安全感。典型例子有： 1. 环市路二店，项目位于物资大院里面，附近有公安医院，民警大楼，而且物资机关大院内保安严密。 24 小时不间断巡查。 2. 仓边路店，项目位于仓边路，附近 省、市、区各级人民政府及其职能部门 林立 ，其中包括有广州市中级人民法院，人民检察院等政法机关。安全保卫环境十分理想。 四分标准 安全系数为比较高，显示周边治安环境较好，没有或极少刑事治安案件的发生，同样属于城市中心地带，有警察 24 小时巡查，但并没有特殊安保措施负责旅客安全。 1. 世贸中心店以及环市路店，位于环市路商圈内，同样是商 业繁荣，人流量大，但由于商业环境氛围成熟，所以人群普遍感到有安全感。 2. 江湾路店，位于白云路上，是广州较为成熟的居住社区，位于越秀区的中心地带。没有外地人口聚集，治安环境较好。 三分标准： 安全系数中等级别，周边治安环境正常，但有娱乐场所的存在，人流量较多，人群混杂，但因为处于商业圈内，仍然有一定警力维持附近的治安。典型例子有： 1. 岗顶店，项目位于石牌东路，人流量众多，商业繁荣，附近毗邻石牌村。 二分标准： 安全系数一般，显示周边治安环境存在隐患，项目可能处于城市边缘地带或偏离城市繁华地带，在夜晚行走可能存在不 安全因素，特别是女性住客可能会在晚上感到不安，附近也许偶尔有抢劫，打架斗殴等行为存在，典型例子有： 1. 黄沙店，根据店长访谈显示，黄沙水产市场由于利益纠纷众多，经常发生打架斗殴事件，而且附近的外地货车站场也不时产生纠纷。 2. 客村店，附近是潮汕人聚集地带，存在治安隐患，夜晚有不法长途客车停靠；而且在桂田村里还存在偷盗单车的黑市 一分标准： 安全系数差，周边治安环境严峻，经常发生治安刑事案件，人员混杂，位于城市边缘地带，安全保卫措施薄弱，也许存在黑社会势力在附近活动或外省帮派聚集。 暂时未在现有的广州 7 天 分店中找到 2.3. 市场条件以及社会环境 2.3.1. 概述 初步模型 选取了以下变量作为对目标店外围 市场条件以及社会环境 的描述： 目标店附近 城市主干道单位时间内经过的商务人士的的数量 每分钟行人经过的数量 周边方圆 50 米范围内普通生活店铺的数量 周边方圆 50 米范围内是否有超市及其规模大小 周边方圆 500 米以内事业机关单位的数量 周边方圆 50 米范围内食肆的数量 周边人口的收入水平 目标店所在区域未来商业发展前景判断 走路 10 分钟内 ATM 机数量 2.3.1.1. 商务人士经过的数量 在第一个变量中所希望反映出来的 指标 是 往来 人群中 7 天酒店的主要目标客人：商务 人士 所占的 比例 。 在实际的考察中发现 几个问题： 。 各个城市商务人士人群的特质和表征各不相同，没有统一的标准 考察人的主观定义偏差 不确定商务人士的生活习惯 不确定各个目标店附近不同时间段内商务人群的聚集情况。 由于 可操作性不强， 因此在最后的量表中已将此变量 删除 2.3.1.2. 人流量 根据对店长和前台店员的访谈显示，人流量会比车流量更能够吸聚人气 ，典型的例子是广园中路店，其所在地正对的大金钟路在下午 16 点的时候每分钟单位时间的车流量有 102 台，但每分钟单位时间的人流量却只有 4 个人， 由于该店是广园路与白云大道的切换地带，两头都接驳有高架桥或环城高速，所以大金钟路仅仅是一条交通要道。再纵观附近区域，方圆 5 公里范围内既没有商圈，也没有办公区域；目标店附近柯子岭一带是一个城中村，靠近白云山脚的又多为单位宿舍，周边的商业活动并不频密，因此无法有效积聚人流和客源。根据数据显示广园中路店是目前广州市场上开房率最低的分店，从另外的一个侧面显示了如果没有商业活动去支持稳定的人流量，将直接影响项目未来的开房率。人流量的考虑优先于车流量的考虑。 数据考察的方式是根据每一分钟在目标店门口经过的人流量的多少， 根据多次的测量后取平均数。 2.3.1.3. 生活店铺 和超级市场 由于经济型酒店的特点，酒店里面并没有相关的配套设施，这就需要借助酒店附 近的生活配套设施来满足房客的生活需要。假设目标店附近的生活配套设施越完善，对客人的吸引也就越大。因此我们简单罗列了一下的配套设施作为考核对象 ； 士多店或杂货店 文具店或书店 超级市场或菜市场 水果店 干洗店或裁缝店 凉茶铺子 一般而言，一个具有良好商业气氛的路段都有可能具备上述生活店铺部分或大部。考核后将店铺的数量加总列入量表中（超级市场另外计算） 2.3.1.4. 事业 单位 出乎调查意料之外的是，尽管之前把 事业单位列入了对开房率成正相关的影响要素。但通过对前台店员和店长的访谈了解到：事业单位对酒店的入住率贡献却并不大，即使是位于法院，检察院等事业单位林立的仓边路，入住率中来自事业单位人员的贡献率也并不十分明显。原因往往是多方面的： 大型的事业单位往往有自己的单位招待所，例如建设大马路店附近的广州市委党校，即使是外地来访的学员也被安排住进机关招待所里面。无法吸引这部分客源出来。 本地的街道办事处，党群关系联络处，居民委员会等即使为数众多，如龙津东路店，但根据前台店员反映这种基层机关单位对睡眠产品的需求往往比较少 。 基于这种实际情况的考虑，量表中删除关于事业单位对开房率的影响。 2.3.1.5. 周边人口的收入水平 周边人口的收入水平反映了这个地区人口的富裕程度和可支配收入。针对与本地 客源来说这是一个良好的指标，因为这直接考察了本地客源的经济水平。但也可能有意外条件的发生，那就是即使本地人口的收入水平不高，但外区的人群来本地区消费，当然这就不以本地客源作为主要消费对象。当然如果可以预测到目标店未来的客源以本地客源为主，则建议选用这一个参数。 鉴于适用性上可能存在偏差，在最后的量表中删除。 2.3.1.6. 周边方圆 100 米范围内食肆的数量 在这里我 们界定食肆的标准是取得广州市卫生局 C 级或以上卫生许可证的提供餐饮服务的场所。根据店员的描述，位于内街深处巷子里面无牌无证照经营的大排档一般不建议客人前往。 由于经济型连锁酒店不提供餐饮服务，这就需要周边餐饮配套设施跟上。我们假设可以提供餐饮服务的站点越多，则项目对目标消费群体的吸引力越大。数据中的餐饮店铺根据实际踩点得到总数。范围为周边方圆 100 米内。 2.3.1.7. 目标店所在区域未来商业发展前景判断 人为对目标店所在区域未来商业发展前景做主观判断。 趋势包括有： 上升 下降 维持 在这份量表中，尽管存在部分主观因素，但仍 然希望以量化了的客观数据作为录入依据，由于区域未来商业发展前景判断过于主观，所以在最后的量表中删除。 2.3.1.8. 步行 10 分钟 范围内 内 柜员 机 （ ATM）的 数量 经过观测发现，商业繁荣地带的银行或自动提款机的数量或比例普遍较高，因此可以将一定范围内的柜员机数量作为衡量该地区商业活动的指示器，柜员机的数量越多，显示该地区的商业活动越频繁和活跃。 注：柜员机既可以放置在银行内也可以放置在银行外，即使没有营业处也可以单独计算柜员机的个数。 2.4. 区域内密集人群聚集程度 2.4.1. 概述 该模块主要考察的是 目标店特定区域内可以吸引人流量的场所或建 筑物，这些地方可以有效的积聚人流，形成有效的客源流量，向四周扩散。 主要变量包括有： 目标店方圆 1 公里 范围内旅游景点 目标路 2 公里内商业中心（购物中心，步行街，大型商场） 目标店附近 500 米范围内附近商品集散地或物流集散地 目标店附近 500 米范围内医院规模 目标店附近 500 米范围内学校的描述 目标店周边方圆 6 公里 范围内会展中心的总建筑规模 目标店附近 500 米范围内办公区域，写字楼 目标店 500 米范围内娱乐休闲场所 2.4.2. 变量具体描述 2.4.2.1. 旅游景点 各类的旅游景点是吸聚人流，客源的重要渠道，通过对旅游景点的细致划分，可以区别不同类别的旅游景点对目标店的贡献程度。我们选定的区域范围为目标店方圆一公里范围内。 国家对旅游景点有不同的评定标准，我们假设旅游景点的星级评定水平越高，人流量越大，（对于类似于长沙这样本地居民作为主要客源的城市， 区域公园的打 分 适当加大） 根据国家旅游景点评定标准， 目标店附近 没有 景点计入零 分，区域公园 计一分，1A 景点计为两分， 2A 景点计为三分， 3A 景点计为 4 分， 4A 景点计为 5 分， 5A景点计为 6 分 。 值得注意的是，部分市区公园尚未申请评级，（如广州起义烈士陵园，计划申报3A 级别的旅游景点），这些知名但尚未 评级的公园按照 2-3 分进行评分），部分不知名的景点如鳌头公园等计为一分。 2.4.2.2. 商业中心 商业中心的描述被定义为各类的购物中心，商业步行街，以及大中型商场，商城等一切能够产生零售商业活动的场所和区域。 根据内部调用数据显示，靠近或位于商业中心附近或边缘的目标店开房率一般较为理想 ，显示出商业中心或商圈对经济型酒店入住开房率有巨大拉动作用 。 图表 2.4.2.2-1 对广州开房率排名靠前的分店进行统计 广州市2007年至今开房率前十一位排名0.90.9511.05天河公园店江南西店世贸中心店客村二店江湾店仓边路店 环市中店环市中二店 天河岗顶店建设大马路店荔湾路店广州各分店排名开房率 2.4.2.3. 商品集散地或物流集散 地 2.4.2.3.1. 概述 集散地的定义是 将 同类资源集合起来，共同创办一个力量集中的联盟 或共同体 ，以此来扩大对外的影响。 包含有两重意思： 1.集：资源集中，便于分配，便于行业管理和产品规范； 2.散：便于物流运作，产品迅速扩散到 其他 市场。 我观察到的集散地市场包括有：桂花岗店附近的解放北皮具批发市场，岗顶店附近的各类电脑配件以及各种硬件软件市场，北京路店附近的一德路小商品海味批发市场，沙河店附近的服装布料批发市场和汽车原配件批发市场等，根据与部分店长的访谈记录，周边环境存在的批发市场确实为该区域的分店贡献了相当稳定的客源， 而且保持了一定的品牌忠诚度。 2.4.2.3.2. 数据获取方式和 变量 标准 衡量集散地的规模和大小最好的方式是考察和录入这个集散地的经济指标如年总产值，雇佣总人数等。但由于大部分集散地无法搜索到正确和全面的数据，在我们的选址模型中我们 选用了考察批发市场的个数的方式来作为这个变量的选取标准。 2.4.2.4. 医院规模 2.4.2.4.1. 概述 医院也是人流聚集的密集区域之一，这个场所为社会人群提供专业医疗服务，但由于不涉及频繁的零售商业活动，所以该场所为目标店提供的客源可能相对有限，但暂时无实际数据支持，通过对店员的访谈也不支持 那些来自 医院的人群作为主要客源来源的 论据。 但医院的存在可能在在某些程度上影响酒店入住率。特别如果目标店位于三级甲等医院附近。例如岗顶店。 2.4.2.4.2. 数据获取方式和 变量 标准 根据国家对医院划分的等级标准，等级共分三级九等，加上特等医院共 10 个等级 。我们假设如果医院的等级越高，那么成功吸聚的人流量越高。 实际操作中我们 分别按照医院的 不同 等级录入各自的分数。目标店附近没有医院录入为零分。特等医院录入为 10 分，如果是三级甲等的医院录入为九分。 三级乙等的医院录入八分，如此类推。 值得注意的是一些小型诊所并不列入我们的考察范围之内。 2.4.2.5. 学校的描述 2.4.2.5.1. 概述 根据 7 天会统 计的消费者年龄段结果显示，小于 19 周岁的目标消费者仅仅占到全体消费者的百分之一的比例。在目前 400 多万注册会员当中，有 56 万名会员年龄介乎 19 到 22 岁之间。也就是说 19 到 22 周岁的目标消费者却占到了 12.83%的比例，与此同时，对七天会会员的行业分析显示，有 20%的会员是在校学生，而且如果加上科教文卫的比例的话，高校所蕴含的潜在客源十分值得关注。因此我们界定学校的定义为高等院校。有理由相信高校将是一个比较稳定和理想的客源来源渠道。 图表 2.4.2.5.1-1对 当前 7天会会员的年龄段分布图 会员年龄分布19-2850%29-3834%39-459%=466%=46图表 2.4.2.5.1-2对 7天会员所处行业背景的分析调查 样本行业分布住宿餐饮业4%文教卫体业8%学生20%其它22%批零商贸业9%信息服务业15%公共企事业8%工矿企事业6%金融地产业8%工矿企事业 公共企事业 信息服务业 批零商贸业 住宿餐饮业金融地产业 文教卫体业 学生 其它在广州的所有 24 间分店中，只有华师店比较明显靠近高校 -五山高校区，根据与店员的访谈记录显示，来自五山高校群的客源占据了比较重要的份额。即使华师店附近有一间邮电宾馆，提供同等价位的睡眠产品，但 7 天的定位更适合目标消费群体的需求。数据显示 92%的开房率也处于合理区间内。 2.4.2.5.2. 数据获取方 式和 变量 标准 相关数据全部从互联网上获取，考察标量标准为在校学生人数和教职工总人数，单位为万人。 2.4.2.6. 会展中心 2.4.2.6.1. 概述 会展中心吸聚的商务客人是七天连锁酒店的首要目标消费人群，选址靠近会展中心将会得益于会展中心所带来的巨大客源。 图表 2.4.2.6.1-1对第 101届广交会开房率的统计 根据营销部童吉泉对 2007 年第 101 届广交会的统计结果分析显示 ：第 101 届 广交 会 当时的 8家分店的开房率排名由高到低依次为：天河公园第一（ 97%）；客村、环市中二店并列第二（ 95%）；荔湾第三（ 92%）；岗顶、环市中、江湾并列第四（ 91%）、北京路最低（ 86%） 。 我们可以从中观察到，靠近琶洲会展中心以及广交会旧址和锦汉展览中心的分店分店开房率比较图86%91%95%97%95%91% 91%92%80%82%84%86%88%90%92%94%96%98%100%广州北京路店广州天河岗顶店广州客村店广州天河公园店 广州环市中二店广州环市店 广州江湾店 广州荔湾店 分别录得较高的开房率。其中天河公园店得益于便捷的科韵路快速干线，华南快速，以及琶洲大桥等便利交通条件，加上优秀的管理水平，开房率一直高居榜首。荔湾路亦处于广交会旧址的辐射范围内，也录得较为理想的开房率。由此可见靠近或者处于会展中心的辐射区范围内可以季节性的 为连锁型酒店带来巨大的客源。 2.4.2.6.2. 数据获取方式和 变量 标准 由于会展中心，特别是大型会展中心的巨大辐射作用，我们将目标店所处会展中心的辐射范围锁定为方圆六平方公里内。初步的考察数据是目标会展中心的年总产值，但由于在互联网上找不到这样的数据，变量值改为目标会展中心的总面积，单位为万平方米。这样的变量可能更适用于其他的二三线城市。 2.4.2.7. 办公区域和写字楼 2.4.2.7.1. 概述 根据经济型连锁酒店自身的定位，商务客人是 7天连锁酒店的首要来源，不同于会展中心那样可能有季节性的因素，办公区域或写字楼群可能提供了长期稳定及大量的商务客源。 图表 2.4.2.7.1-1对环市路写字楼附近一带开房率的比较 93.00%93.50%94.00%94.50%95.00%95.50%96.00%广州环市中店 广州环市中二店 广州建设大马路店对环市路三家分店的开房率比较 2.4.2.7.2. 数据获取方式 和参数标准 对参数的评定标准起初的想法是选取目标店附近办公室的 实用或建筑 总面积， 但实际的情况是无法准确的拿到数据，即使拿到，在以后的选址数据录入时也可能产生很有困难。基于这样的设想，参数标准改为测算附近 500 米写字楼的数量，而不考虑每一个写字楼的建筑面积或实用面积的大小。 数据获取方式有两种，第一种是根据现场考察，对目标店方圆 500 米范围内的写字楼 数量进行目测，将测算到的写字楼数量列入调查表中。第二种办法是利用网络无忧地图，测算附近的写字楼数量，然后加总列入调查表中。 2.4.2.8. 娱乐休闲场所 对娱乐休闲场所的定义我们罗列出了下面包括了但不局限于此的服务项目： 足部按摩 桑拿浴室 KTV（卡拉 OK）或与饮食业同业经营的混合体 各类酒吧，如露天酒吧，主题酒吧等或可以提供主食的酒吧 棋牌室，如麻将，桥牌等牌艺 电子游戏功能室（如广州天梦宫，南梦宫等） 各类歌舞厅 2.5. 同业竞争环境 2.5.1. 概述 根据对目标店实地现场考察，某一个路段或区域内不同档次的睡眠产品的数量，是由该地区的市 场均衡价格决定的。也就是说某一特定商业环境在特定时间内的市场需求容量是不变的，在一定的市场容量以内，直接竞争对手的数量以及房量越多，当地平均房价就越低，同时开房率就就越低。当然如果在市场均衡价格下， 某酒店的边际成本大于边际收入，该酒店将无法持续经营。 图表 2.5.1-1开房价格与房源供给的坐标分析图 开 房 价 格同 类 房 源 供 给供 应 曲 线 1供 应 曲 线 2该 地 区 固 定 的 房 量 需 求曲 线价 格 1价 格 27 天 的 房 源 需 求 变 化注： 在调查中发现，大部分 7 天连锁分店的房间价格普遍比附 近的同类睡眠产品提供者要偏高 20%左右，而且 7 天酒店可能抬高了当地入住的标准，一些不是连锁型的酒店也提供了宽带网线接入，大床房，宽敞的浴室等设施，这一点在三元里棠溪，沙涌分店一带十分明显。现场调查也显示，并不是竞争对手越多，开房率就会越低，这还与当地的住宿市场容量有很大关系，例如棠溪店，沙涌店，其周边分别都有超过 20 多家二星级或经济型酒店，但 2007 年的开房率统计结果显示这两家店的数据正常。 同行竞争对手 考察的是对 7 天连锁酒店直接或间接的替代产品，尽管四星级以上的酒店也 同样 提供睡眠产品，但由于价格和目标消 费人群 与经济型酒店 有巨大差异， 所以与 7 天连锁 酒店的竞争相关度并不大 。 图表 2.5.1-2 7天会对注册会员关于住宿预算的问卷调查 按照大部分目标房客预算费用在 250 元以下 的话 ，部分三星级酒店，所有经济型连锁酒店以及二星级酒店都可能提供符合目标消费者的住宿预算 ，与 7 天连锁酒店 相类似的睡眠产品 。基于这种假设， 我们 提出了将三星级酒店，经济型连锁酒店和二星级酒店列入直 接竞争者 ，目标考察区域锁定在目标店方圆 500 米内，分别考察同业直接竞争者的三个要素：，以及 竞争者个体存量 房间容量 walk in 价格 2.5.2. 数据获取方式 三星级酒店 目标店附近的三星级酒店房间总数可以通过查询前台单张或宣传册获得；Walk-in 价格可以透过网上的商旅中介机构获得，价格十分透明。 经济型酒店 经济型连锁酒店的房间数量以及价格也十分透明，在各酒店网站上有详细标明。 二星级酒店或招待所 房间数量必须现场目测，根据房屋建筑的构造首先判断一个楼层的房间数量，然后乘于酒店楼层总数，得出该店实际的房间数 量，房间价格以现场所能得到的最外出旅游时每晚住宿预算250以下69%400-6001%不一定15%600以上0%250-40015%250以下 250-400 400-600 600以上 不一定 低价格作为参考变量。 3. 回归模型的运行 3.1. 衡量回归模型 准确性的评判标准 R 平方 在线性回归模型中，回归模型是否合适或合适程度如何取决于确定性系数（ coefficient of determination）由 R 平方表示。其表达公式为： R 平方 = 自变量解释的变化部分 总离差 R 平方的数值总是位于 0 和 1 之间的数，一般来讲， R 平方的数值越高，回归方程的拟合度就越好。由于 R 平方测量了回归直线所解释的因变量 Y 的总变化的比例，因此可以说回归直线解释的变化的百分比就 是 R 平方。 T 统计值 T 统计值描述的是每一个自变量，或者说变量系数的确定程度，跟 C 值进行比较，如果 T 值比 C 值小的话，通常被认为是这个自变量的可信程度偏低，建议是删除该变量或进行相关度测试。 T 值越大越好。 因变量与自变量之间的相关度 单个自变量与因变量高度相关将可能会产生较理想的回归模型，但不必然证明多个自变量与因变量之间存在线性相关。 删除多重共线性 有许多自变量之间有可能产生两两相关性，这是不无道理的，因为变量与变量之间是有相互联系的。例如马路的宽度与单位车流量就是高度正相关的。在进行回归分析的时候就必须 去掉一个。否则就会产生多重共线性，令回归方程出现偏差。 线性与非线性的关系 建立回归模型一个重要的因素是看因变量和自变量之间是否存在线性关系，如果是的话，比较容易得出置信程度较高的回归方程。如果自变量跟因变量之间的线性关系不明显，就要将非线性转变为线性去分析。比如将自变量开方，平方，或 取对数。加入到新的回归模型中去运行。 3.2. 回归方程求解 步骤 3.2.1. 相关性分析 首先第一步，利用 SPSS 软件，先对所列的 41 个变量进行两两相关性分析，剔除超过 50%以上相关度的部分变量之后，剩下了 25 个变量。它们分别是： 目标地和最近公 交车站的距离 距离地铁站，轻轨的距离 机场大巴上下客点距离目标地的时间 目标地附近 50 米内停放车辆的数量 距离目标地最近的主干道上单位时间车流量 目标地附近的公交总线路 到达该地区 5 公里范围内核心区域的公交线路数 七天外墙侧面的可视距离：从主干道上观测 目标地所在街道管辖区域内的治安状况 周边方圆 50米范围内食肆的数量 周边人口的收入水平 步行 10分钟内 ATM机数量 目标店方圆 一公里 范围内旅游景点 目标路 2公里内商业中心（购物中心，步行街，大型商场） 目标店区域 500 米范围内 附近商品集散地或物流集散地 目标店附近 500 米范围内医院规模 目标店附近 500 米范围内学校的描述 目标店周边方圆 6公里米范围内会展中心的总建筑规模 目标店附近 500 米范围内办公区域，写字楼 目标店 500米范围内娱乐休闲场所 目标地附近方圆 500米内的二星级酒店（招待所）数量 目标地附近方圆 500米内的经济型酒店的数量 以上三星级酒店的 walk in价格 目标店计划房间总数 3.2.2. 调整变量 由于数据库中只有 24 间分店的数据，根据回归方程的要求，因变量 (分店数 )的 数量必须要大于自变量 (各要素 )的数 量，简单而言，就是方程组的个数必须要比未知数的个数要多才可能解出方程组未知数。根据理论上的经验，在只有 24 个因变量的情况下，真正符合条件的自变量可能只有不超过五个。 方法一、 将 24 个变量运用不同的组合方式进行组合搭配，利用开房率做因变量，模拟回归过程，结果显示有三个变量的 T 值 (反映可信程度 ) 符合要求，它们分别是： 目标地和最近公交车站的距离 到达该地区 5 公里范围内核心区域的公交线路数 目标地所在街道管辖区域内的治安状况 基于这样的考虑，结合其他成员的意见，尝试根据经验选取 14 个有效的变量进行回归运行。 由于 24 间分店中有 6 间分店开业的时间在半年以内，为了数据的准确，在做回归模拟的时候删除这 6 间分店的数据。只剩下 18 间分店的数据。这些变量分别是： 1. 机 场 距离地铁站，轻轨的距离 2. 机 场大巴上下客点距离目标地的时间 3. 出租车单位时间（ 5 分钟）经过临近主干道的数量 4. 距离目标地最近的主干道上单位时间车流量 5. 目标地附近的公交总线路 6. 七天外墙侧面的可视距离：从主干道上观测 7. 每分钟行人经过的数量 8. 目标店 2 公里内商业中心（购物中心，步行街，大型商场） 9. 目标店附近 500 米范围内学校的描述 10. 目标店附近 500 米范围内办公区域，写字楼 11. 目标店 500 米范围内娱乐休闲场所 12. 目标地附近方圆 500 米内的三星级酒店数量 13. 目标地附近方圆 500 米内的二星级酒店（招待所）数量 14. 目标地附近方圆 500 米内的经济型酒店的数量 注： 未加入调整变量：即房间数量的原因在于，根据目前广州市场的表现，房间数量多的分店反而录得较高的开房率，这与先前的假设有所出入。因为原理上的房间数量和开房率是成反比关系的。 回归结果显示： 回归报告 回归统计 Multiple R 0.912419965 R 平方 0.832510193 调整后 R Square 0.050891096 标准误差 0.083829391 观测值 18 方差分析 df SS MS F 回归分析 14 0.104788845 0.007484918 1.06511 残差 3 0.0210821 0.007027367 总计 17 0.125870946 Coefficients 标准误差 t Stat截距 0.60075745 0.143215294 4.194785591X Variable 1 8.7525E-05 4.98924E-05 1.754284749X Variable 2 -8.543E-05 0.000158173 -0.540118464X Variable 3 0.01024917 0.00755456 1.356687082X Variable 4 -0.0014373 0.002208112 -0.650913016X Variable 5 0.00241818 0.006893491 0.350791838X Variable 6 0.01694341 0.101671875 0.166647983X Variable 7 0.00217719 0.003723243 0.584757473X Variable 8 -0.0528825 0.077630765 -0.681205137X Variable 9 0.00176564 0.011618527 0.151967484X Variable 10 0.0082477 0.008223801 1.002906624X Variable 11 0.02369198 0.042194422 0.561495644X Variable 12 0.00051644 0.000627778 0.822648096X Variable 13 0.00508007 0.011512239 0.441275817X Variable 14 0.00790454 0.029325868 0.2695415