CN110414751A - 一种基于地理位置的酒店行业选址评价系统及评价方法 - Google Patents

Abstract

一种基于地理位置的酒店行业选址评价系统，选址优化分析系统与选址评分结果展示模块连接，选址优化分析系统包括城市宏观分析模块、周边微观环境分析模块、趋势发展分析模块；评价方法，包括以下操作步骤：一)、数据采集；二)、数据初步处理；三)、数据分析；四)、选址评分计算；五)、选址评分结果展示模块展示最终的评分。本发明提供了一种标准化以及流程化的方法来对选址从宏观、微观、趋势三个方面来进行综合分析，节省了人力成本，克服无法复制的缺点；解决了数据的不完备性，具有一定的延展性以及扩展性，通过互联网大数据的更新，位置的评分是动态的、且能自动更新，推广应用具有良好的经济效益和社会效益。

Description

一种基于地理位置的酒店行业选址评价系统及评价方法

技术领域

本发明属于商业模式技术领域，涉及酒店选址，特别涉及一种基于地理位置的酒店行业选址评价系统及评价方法。

背景技术

选址是酒店生命周期的第一步，酒店选址就是指酒店营业场所的位置选择,它不仅关系到企业的市场开发能力大小,对消费者吸引力的大小,更重要的是对长期效益的取得具有战略性的影响。据有关数据显示,酒店选址在影响酒店运营众多因素中占60％左右，酒店地址的选择是决定酒店成功运营的一项重要因素，只有选择了较好的地址之后，酒店后期的运营以及利润才有较为稳定的来源，经济型酒店选址的成功与否就决定着这个酒店未来发展的前景。

层次分析法、回归分析法和熵权法是三种比较传统的选址方法。托马斯·萨蒂(Thomas L Satty)提出层次分析法，后被引入商业选址。王思宇、朱健、张涛、王成等分别使用层次分析法对超市配送中心、汽车客运站、物流配送中心以及乡村避暑旅游目的地等的选址进行了研究；张璐伟通过多元回归模型的构建，对影响社区超市选址的因素进行了分析；闫闪闪利用熵权法，以华侨城欢乐谷为例，对影响主题公园选址的因素进行研究。20世纪90年代以来，地理信息系统技术发展迅速，越来越多的国内学者将其运用于包括酒店等的商业选址中，如武传表、曲小毅、陈岗、姜海宁等分别对大连、北京、桂林等旅游城市的酒店空间格局进行了研究，涉及到的主要空间分析方法有空间分析数据重分类、缓冲区分析以及叠置分析等，闫丽英等在研究方法上还结合了计量经济学的回归模型。

现阶段酒店选址主要用两种方式进行选址位置的评估：1)、依托咨询公司对该区域周边的一些关键交通枢纽以及地铁线路进行粗略的调研，然后较为进行归纳来得出该酒店的一个非定量的结果，存在依托人力进行调研，人力投入成本较大，无法批量扩张，并且给出的结果是无法直接给出一个定量的结果的技术缺陷；2)、爬取城市几种简单的数据源，例如医院分布、公安局分布情况等数据，然后利用机器学习的算法，根据酒店的营业额进行建模，来确定变量与营业额之间的关系，存在每个城市的情况不一样，利用一个城市的建模结果无法通用到所有城市、无法适用于一个陌生的市场的技术缺陷，为了使模型准确需要较多的样本数据，这就导致该方式的局限性。

现阶段的酒店选址评估系统首先是人为去采样，数据的粒度比较粗，如查看周边地铁沿线以及交通枢纽的事情来判断该位置的潜在人流情况，同时对周边的酒店进行调查分析，确定其竞争情况是否会影响该酒店未来运营；只能片面反应酒店周边的一些基本情况，并且这些情况相对来说数据维度相对比较简单，同时没有考虑该地址所在城市的宏观情况是否会对该地址的潜在价值有一定的影响，忽略了酒店具体的行业特征是否与现阶段周边环境的匹配问题，也无法衡量该地址未来发展的情况。

如何建立一个标准化的系统用于选址评价，如何利用互联网大数据对酒店行业选址评价系统动态且自动更新，如何设计一种在酒店选址过程中能方便评估该位置的潜力，成为急需解决的问题。

发明内容

本发明的目的是要解决上述技术问题。

一种基于地理位置的酒店行业选址评价系统，包括选址优化分析系统，其特征在于：所述的选址优化分析系统与选址评分结果展示模块连接，选址优化分析系统包括城市宏观分析模块、周边微观环境分析模块、趋势发展分析模块；

其中城市宏观分析模块包括经济数据采集模块、交通数据采集模块，其中经济数据采集模块、交通数据采集模块分别与数据处理模块A连接；

其中经济数据采集模块的的采集数据包括国内生产总值、人均国内生产总值、国内生产总值及5年复合增长率、常住人口、第三产业占比、财政负债率；

交通数据采集模块的采集数据包括机场流量、高铁运输量、铁路运输量、旅游人数、旅游消费；旅游人数模块的采集数据包括入境人数、景区接待人数；旅游消费模块的采集数据包括门票收入、营业收入、酒店业收入、餐饮业收入；

周边微观环境分析模块包括价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块、开发区数据采集模块，其中价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块、开发区数据采集模块均分别与数据处理模块B连接；

其中价格数据采集模块的采集数据包括携程5星酒店数量、携程5星酒店标准房的平均房价、携程4星酒店数量、携程4星酒店标准房的平均房价、携程3星酒店数量、携程3星酒店标准房的平均房价、点评餐饮点人均消费、奢侈品连锁零售店、中档连锁零售店、低端连锁零售店、点评餐饮点数量、二手房数据、地铁、三甲医院、大学；

开发区数据采集模块的采集数据包括国家级开发区数量、省级开发区数量；

趋势发展分析模块包括趋势数据采集模块、自定义数据模块，其中趋势数据采集模块、自定义数据模块分别与数据处理模块C连接；自定义数据模块的数据，由用户直接对该位置趋势进行打分，得到趋势指数；

数据处理模块A、数据处理模块B、数据处理模块C组成数据处理总模块，数据处理总模块内包括数据ETL过程模块、数据分析模块。

一种基于地理位置的酒店行业选址评价方法，其特征在于：包括以下操作步骤：

一)、数据采集：

A)、对城市宏观分析模块的经济数据采集模块、交通数据采集模块进行数据采集；

利用爬虫技术爬取各大统计局以及开发区、旅游景区相关网站，由于该数据更新频率较慢，基本上按照年或者季度进行更新；

B)、对周边微观环境分析模块的价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块进行数据采集；

利用爬虫技术爬取各大互联网网站，例如点评、携程以及其他相关网站，由于此类数据更新频率相对变化较快，按月进行更新；

C)、对周边微观环境分析模块的开发区数据采集模块进行数据采集；

利用爬虫技术爬取各大统计局以及开发区相关网站，由于该数据更新频率较慢，基本上按照年或者季度进行更新；

D)、对趋势发展分析模块的趋势数据采集模块进行数据采集；

通过采集各区域政府的官方规划报告进行分析，判断该区域未来的开发计划，包括判断该区域是否有相关开发计划、多久以及多大资金规模的开发计划；

E)、对趋势发展分析模块的自定义数据模块根据情况进行自定义设置；

二)、数据初步处理：数据包括接口化以及非结构化数据，需要利用ETL过程对数据进行清洗；A)、数据处理模块A利用数据ETL过程模块对数据进行清洗；

主要收集了全国664个地级市以及县级市的宏观数据，由于数据种类繁多，针对每种数据进行归一化处理，公式为X^*＝(X-Min)/(Max-Min)；

假如一部分地区数据缺失，那么根据区域所处的级别，县级市或地级市，将平均值赋予该城市；

B)、微观数据涉及较多的具体店铺等位置信息，数据处理模块B利用高德地图的经纬度接口，获取所有位置的经纬度信息，用来作为后面距离以及时间计算的依据；

C)、数据处理模块C计算趋势基础得分；

其中D_i为开发计划值域为{0，1}；

M_i为预计投入的金额；

T_i为投资计划时间；

α_i为相应的权重；

三)、数据分析：

A)、宏观分数计算：由于不同的数据有着不同的数据格式，需要利用数据处理模块A将这些不同数据结构的数据进行处理，计算出一种通用的指数指标；

Macro Score＝αE+βT

其中E为经济指数；

T为交通指数加权；

α为经济权重系数；

β为交通的权重系数；

B)、微观分数计算：由于不同类型的数据其所带来的权重是不一样的，为此针对上述采集之后的数据需要进行加权，然后通过数据处理模块B进行指数化；

其中n为数据类型；

N_i为以选址位置为圆心，周边3KM以内该类型位置点的数据量和；

D_i为这类型所有相关点到酒店选址位置的距离总和；

P_i为这些位置点的价格总和；

α_i与β_i为具体的权重系数；

C)、趋势分数计算：利用数据处理模块C对采集的结果或者自定义输入的结果进行指数化处理；

其中D_i为开发计划值域为{0,1}；

M_i为预计投入的金额；

T_i为投资计划时间；

I_i为该选址中人为输入的分数，用来纠正根据模型算出来的分；

α_i、β_i、γ_i、为相应的权重系数；

四)、选址评分计算：

Project Score_i＝α_iMacro Score_i+β_iMicro Score_i+γ_iTrend Score_i

其中Macro Score_i为宏观得分；

Micro Score_i为微观得分；

Trend Score_i为趋势得分；

β_i、γ_i、α_i为相应权重系数；

五)、选址评分结果展示模块展示最终的评分。

本发明提供了一种标准化以及流程化的方法来对选址从宏观、微观、趋势三个方面来进行综合分析，同时利用了IT开发技术提供系统化的方法来进行分析，相比以往通过调研的方式进行分析，有着质的飞跃，节省了人力成本，克服无法复制的缺点；解决了数据的不完备性，数据的广度以及深度相比较过去有着较大的提升；具有一定的延展性以及扩展性，通过互联网大数据的更新，位置的评分是动态的，而非静态的，且自动更新的，推广应用具有良好的经济效益和社会效益。

附图说明

图1是本发明的工艺流程图。

图2是本发明的城市宏观分析模块结构组成图。

图3是本发明的周边微观环境分析模块结构组成图。

图4是本发明的趋势发展分析模块结构组成图。

具体实施方式

下面结合附图对本发明作进一步说明，但不作为对本发明的限制：

一种基于地理位置的酒店行业选址评价系统，包括选址优化分析系统，其特征在于：所述的选址优化分析系统与选址评分结果展示模块连接，选址优化分析系统包括城市宏观分析模块、周边微观环境分析模块、趋势发展分析模块；

其中城市宏观分析模块包括经济数据采集模块、交通数据采集模块，其中经济数据采集模块、交通数据采集模块分别与数据处理模块A连接；由于宏观数据分析模块需要使用到经济数据以及交通数据，由于数据存在不同的源，所以需要经济数据采集模块以及交通数据采集模块，同时由于不同的数据有着不同的数据格式，并且我们提供的是指数化的结果，为此需要将这些不同数据结构的数据进行处理，是指能计算出一种通用的指数指标；

其中经济数据采集模块的的采集数据包括国内生产总值、人均国内生产总值、国内生产总值及5年复合增长率、常住人口、第三产业占比、财政负债率；

交通数据采集模块的采集数据包括机场流量、高铁运输量、铁路运输量、旅游人数、旅游消费；旅游人数模块的采集数据包括入境人数、景区接待人数；旅游消费模块的采集数据包括门票收入、营业收入、酒店业收入、餐饮业收入；

由于位置周边位置的涉及到的数据类型比较繁多，周边微观环境分析模块需要配置不同的采集模块来获取相关数据，周边微观环境分析模块包括价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块、开发区数据采集模块，其中价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块、开发区数据采集模块均分别与数据处理模块B连接；

其中价格数据采集模块的采集数据包括携程5星酒店数量、携程5星酒店标准房的平均房价、携程4星酒店数量、携程4星酒店标准房的平均房价、携程3星酒店数量、携程3星酒店标准房的平均房价、点评餐饮点人均消费、奢侈品连锁零售店、中档连锁零售店、低端连锁零售店、点评餐饮点数量、二手房数据、地铁、三甲医院、大学；

开发区数据采集模块的采集数据包括国家级开发区数量、省级开发区数量；

趋势发展分析模块包括趋势数据采集模块、自定义数据模块，其中趋势数据采集模块、自定义数据模块分别与数据处理模块C连接；自定义数据模块的数据，由用户直接对该位置趋势进行打分，得到趋势指数；

数据处理模块A、数据处理模块B、数据处理模块C组成数据处理总模块，数据处理总模块内包括数据ETL过程模块、数据分析模块。

一种基于地理位置的酒店行业选址评价方法，其特征在于：包括以下操作步骤：

一)、数据采集：

A)、对城市宏观分析模块的经济数据采集模块、交通数据采集模块进行数据采集；

利用爬虫技术爬取各大统计局以及开发区、旅游景区相关网站，由于该数据更新频率较慢，基本上按照年或者季度进行更新；

B)、对周边微观环境分析模块的价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块进行数据采集；

利用爬虫技术爬取各大互联网网站，例如点评、携程以及其他相关网站，由于此类数据更新频率相对变化较快，按月进行更新；

C)、对周边微观环境分析模块的开发区数据采集模块进行数据采集；

利用爬虫技术爬取各大统计局以及开发区相关网站，由于该数据更新频率较慢，基本上按照年或者季度进行更新；

D)、对趋势发展分析模块的趋势数据采集模块进行数据采集；

通过采集各区域政府的官方规划报告进行分析，判断该区域未来的开发计划，包括判断该区域是否有相关开发计划、多久以及多大资金规模的开发计划；

E)、对趋势发展分析模块的自定义数据模块根据情况进行自定义设置；

二)、数据初步处理：数据包括接口化以及非结构化数据，需要利用ETL过程对数据进行清洗；A)、数据处理模块A利用数据ETL过程模块对数据进行清洗；

主要收集了全国664个地级市以及县级市的宏观数据，由于数据种类繁多，针对每种数据进行归一化处理，公式为X^*＝(X-Min)/(Max-Min)；

假如一部分地区数据缺失，那么根据区域所处的级别，县级市或地级市，将平均值赋予该城市；

B)、微观数据涉及较多的具体店铺等位置信息，数据处理模块B利用高德地图的经纬度接口，获取所有位置的经纬度信息，用来作为后面距离以及时间计算的依据；

C)、数据处理模块C计算趋势基础得分；

其中D_i为开发计划值域为{0，1}；

M_i为预计投入的金额；

T_i为投资计划时间；

α_i为相应的权重；

三)、数据分析：

A)、宏观分数计算：由于不同的数据有着不同的数据格式，需要利用数据处理模块A将这些不同数据结构的数据进行处理，计算出一种通用的指数指标；

Macro Score＝αE+βT

其中E为经济指数；

T为交通指数加权；

α为经济权重系数；

β为交通的权重系数；

B)、微观分数计算：由于不同类型的数据其所带来的权重是不一样的，为此针对上述采集之后的数据需要进行加权，然后通过数据处理模块B进行指数化；

其中n为数据类型；

N_i为以选址位置为圆心，周边3KM以内该类型位置点的数据量和；

D_i为这类型所有相关点到酒店选址位置的距离总和；

P_i为这些位置点的价格总和；

α_i与β_i为具体的权重系数；

C)、趋势分数计算：利用数据处理模块C对采集的结果或者自定义输入的结果进行指数化处理；

其中D_i为开发计划值域为{0,1}；

M_i为预计投入的金额；

T_i为投资计划时间；

I_i为该选址中人为输入的分数，用来纠正根据模型算出来的分；

α_i、β_i、γ_i、为相应的权重系数；

四)、选址评分计算：

Project Score_i＝α_iMacro Score_i+β_iMicro Score_i+γ_iTrend Score_i

其中Macro Score_i为宏观得分；

Micro Score_i为微观得分；

Trend Score_i为趋势得分；

β_i、γ_i、α_i为相应权重系数；

五)、选址评分结果展示模块展示最终的评分。

具体实施时，本发明的城市宏观分析模块：从城市的角度来看，城市的发展主要可以通过以下两个维度来考虑：1)经济、2)交通，前者是衡量城市发展的结果，后者主要是确定该城市与外地城市之间的交往，继而衡量潜在流动人口，即客源。为此宏观分析模块，将会利用城市最近5年GDP数据，第三产业占比，人均GDP等数据来计算城市经济指数，同时利用城市机场数据、火车站数据(高铁/客运火车/货运火车)、以及航班数据火车数据等来评估城市的宏观交通，同时将城市经济指数与交通指数进行加权的到城市的宏观指数；

本发明的周边微观环境分析模块：虽然城市宏观分析模块能计算城市的指标，但是酒店的选址还是需要依托周边的具体情况的，然而周边的具体情况主要是由周边的消费能力以及潜在的客源数量决定，前者我们通过采集该位置周边餐饮点的消费价格情况，后者我们通过分析周边学校、医院、4A以及5A景点数量来计算该酒店潜在的客源。我们通过加权消费价格以及潜在客源得到微观指数。同时由于该位置周边存在其他酒店进行竞争，我们通过采集周边已经存在的酒店情况对上述为微观指数进行加权得到最终结果；

本发明的趋势发展分析模块：该模块主要通过采集政府对该位置所在区域是否有投资或者开发计划来进行分析，同时提供自定义评分模块，用户可以直接对该位置趋势进行打分，得到趋势指数。

实施例一、用户输入城市所在位置信息，如上海市黄浦区瑞金南路1号海兴广场，通过分析获取其所在城市，同时通过地理位置转化接口将其转换成具体的经纬度信息，之后分别计算上海市的宏观指数，通过经纬度获取周边的析周边学校、医院、4A以及5A景点等情况来计算其微观指数，同时根据未来的开发计划来确定趋势指数；最终得到选址评分结果。

上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举，而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (2)

1.一种基于地理位置的酒店行业选址评价系统，包括选址优化分析系统，其特征在于：所述的选址优化分析系统与选址评分结果展示模块连接，选址优化分析系统包括城市宏观分析模块、周边微观环境分析模块、趋势发展分析模块；

其中城市宏观分析模块包括经济数据采集模块、交通数据采集模块，其中经济数据采集模块、交通数据采集模块分别与数据处理模块A连接；

其中经济数据采集模块的的采集数据包括国内生产总值、人均国内生产总值、国内生产总值及5年复合增长率、常住人口、第三产业占比、财政负债率；

交通数据采集模块的采集数据包括机场流量、高铁运输量、铁路运输量、旅游人数、旅游消费；旅游人数模块的采集数据包括入境人数、景区接待人数；旅游消费模块的采集数据包括门票收入、营业收入、酒店业收入、餐饮业收入；

周边微观环境分析模块包括价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块、开发区数据采集模块，其中价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块、开发区数据采集模块均分别与数据处理模块B连接；

其中价格数据采集模块的采集数据包括携程5星酒店数量、携程5星酒店标准房的平均房价、携程4星酒店数量、携程4星酒店标准房的平均房价、携程3星酒店数量、携程3星酒店标准房的平均房价、点评餐饮点人均消费、奢侈品连锁零售店、中档连锁零售店、低端连锁零售店、点评餐饮点数量、二手房数据、地铁、三甲医院、大学；

开发区数据采集模块的采集数据包括国家级开发区数量、省级开发区数量；

趋势发展分析模块包括趋势数据采集模块、自定义数据模块，其中趋势数据采集模块、自定义数据模块分别与数据处理模块C连接；自定义数据模块的数据，由用户直接对该位置趋势进行打分，得到趋势指数；

数据处理模块A、数据处理模块B、数据处理模块C组成数据处理总模块，数据处理总模块内包括数据ETL过程模块、数据分析模块。

2.一种基于地理位置的酒店行业选址评价方法，其特征在于：包括以下操作步骤：

一)、数据采集：

A)、对城市宏观分析模块的经济数据采集模块、交通数据采集模块进行数据采集；

利用爬虫技术爬取各大统计局以及开发区、旅游景区相关网站，由于该数据更新频率较慢，基本上按照年或者季度进行更新；

B)、对周边微观环境分析模块的价格数据采集模块、4A/5A景点数据采集模块，学校医院数据采集模块进行数据采集；

利用爬虫技术爬取各大互联网网站，由于此类数据更新频率相对变化较快，按月进行更新；

C)、对周边微观环境分析模块的开发区数据采集模块进行数据采集；

利用爬虫技术爬取各大统计局以及开发区相关网站，由于该数据更新频率较慢，基本上按照年或者季度进行更新；

D)、对趋势发展分析模块的趋势数据采集模块进行数据采集；

通过采集各区域政府的官方规划报告进行分析，判断该区域未来的开发计划；

E)、对趋势发展分析模块的自定义数据模块根据情况进行自定义设置；

二)、数据初步处理：

A)、数据处理模块A利用数据ETL过程模块对数据进行清洗；

针对每种数据进行归一化处理，公式为X^*＝(X-Min)/(Max-Min)；

B)、数据处理模块B利用高德地图的经纬度接口，获取所有位置的经纬度信息，用来作为后面距离以及时间计算的依据；

C)、数据处理模块C计算趋势基础得分；

其中D_i为开发计划值域为{0，1}；

M_i为预计投入的金额；

T_i为投资计划时间；

α_i为相应的权重；

三)、数据分析：

A)、宏观分数计算：由于不同的数据有着不同的数据格式，需要利用数据处理模块A将这些不同数据结构的数据进行处理，计算出一种通用的指数指标；

Macro Score＝αE+βT

其中E为经济指数；

T为交通指数加权；

α为经济权重系数；

β为交通的权重系数；

B)、微观分数计算：由于不同类型的数据其所带来的权重是不一样的，为此针对上述采集之后的数据需要进行加权，然后通过数据处理模块B进行指数化；

其中n为数据类型；

N_i为以选址位置为圆心，周边3KM以内该类型位置点的数据量和；

D_i为这类型所有相关点到酒店选址位置的距离总和；

P_i为这些位置点的价格总和；

α_i与β_i为具体的权重系数；

C)、趋势分数计算：利用数据处理模块C对采集的结果或者自定义输入的结果进行指数化处理；

其中D_i为开发计划值域为{0，1}；

M_i为预计投入的金额；

T_i为投资计划时间；

I_i为该选址中人为输入的分数，用来纠正根据模型算出来的分；

α_i、β_i、γ_i、为相应的权重系数；

四)、选址评分计算：

Project Score_i＝α_iMacro Score_i+β_iMicro Score_i+γ_iTrend Score_i

其中Macro Score_i为宏观得分；

Micro Score_i为微观得分；

Trend Score_i为趋势得分；

β_i、γ_i、α_i为相应权重系数；

五)、选址评分结果展示模块展示最终的评分。