城市住宅价格空间格局及影响因素研究

连志远 乔庆华 董小刚

(1.江西理工大学土木与测绘工程学院 江西赣州 341000；
2.中国测绘科学研究院 北京 100039；
3.中国能源建设集团甘肃省电力设计院有限公司 甘肃兰州 730000)

随着城市化的发展，房价不断攀升，城市住宅价格随之成为政府、开发商和居民关注的焦点。房价的增长差异加剧了经济的不平稳发展，进而影响区域人地系统调控策略的制定与实施[1]。因此，多视角探索城市住宅价格的空间分布格局及影响机制，能够为城市健康发展提供依据。

目前，关于房价的研究主要有以下几个方面：一是利用空间计量经济学手段分析区位宏观因素的影响机制，为房价市场区域统筹发展献计献策[2－3]。二是随着计算机和GIS 技术不断成熟，基于GIS 技术探索房价时空分布规律及预测房价成为研究热点[4]，但是少有利用时序变化及不同距离阈值的空间自相关指数分析房价空间格局。三是运用结构方程模型（SEM）、特征价格模型、地理加权回归模型等对房价影响因素定量论证分析[5]。现有多种文献的讨论，如北京市、赣州市章贡区、县级单位等尺度的住宅小区，通过区位环境、住宅特征、邻里特征等等周边配套设施论证房价的影响机制以及分异情况[6-9]。关于模型的选择，国内外学者比较多地论证了地理加权回归模型在空间关系建模中的强大优势[10－11]，相比较经典回归模型，提高了地理空间分析的合理性。

现有的房价空间分析方法中多使用直线距离，与居民出行的实际情况存在差异，因此，本文基于城市路网测度住宅小区样本点之间的距离，深度挖掘了空间自相关分析技术在房价空间格局中的应用，且使用住宅小区与基础服务设施点的路网距离定义住宅环境变量并分析了房价影响因素的作用机制，为城市健康发展提供参考建议。

2.1 研究区域与数据来源

本文以武汉市主城区作为房价研究区域，主要包括江岸区、江汉区、硚口区等。利用网络爬虫软件从安居客等房产交易网站获取住宅小区基本信息数据，主要从互联网地图接口爬取小学、大学、城市公园、综合医院、商业中心、地铁站点等POI 样本数据，通过数字化处理，结合城市道路网络分析，构建了融合住宅小区属性信息的地理信息数据库。

2.2 研究方法

2.2.1 空间自相关分析

（1）全局空间自相关。

全局空间自相关，是从研究区域整体分析邻近位置同一属性空间相关性的指标。使用Ig表示，其表达式为式(1)：

该值为正值表示相似属性值的要素空间位置相邻近，负值表示不相似的属性值的要素空间位置邻近。

2.2.2 地理加权回归(GWR)模型

GWR 技术是在OLS 方法基础上融合地理学第一定律的局部空间统计方法，计算关于位置的回归系数，有效量化空间关系的非平稳特征[12]。GWR 模型基础表达式(3)：

3.1 房价空间分布特征

主城区在不同空间距离阈值范围的房价市场都呈空间正相关集聚。如表1，从不同的距离阈值的房价全局莫兰指数可以看出，不同的距离阈值包含不同数量的邻近关系，在不同的邻近空间中对目标住宅价格的影响不同，形成不同的正相关集聚程度。

表1 2019 年主城区不同距离阈值房价全局莫兰指数

利用ArcGIS 趋势分析工具和LISA 集聚图研究主城区房价属性值的高度，直观反映了房价的地理空间分布趋势。如图1，高房价集聚区主要分布在江岸区、江汉区、硚口区、武昌区，并且较集中分布在主城区中心地区，而低房价集聚区分散分布在主城区的四周。如图2，通过多项式曲线模拟垂直于地图平面的两个方向上的每个投影反映了主城区房价在南北方向和东西方向上呈倒U 形分布，中部地区房价最高，由中部地区向四周区域呈递减趋势。

图1 房价LISA 集聚图

图2 房价趋势图

总体上，房价在空间上表现出显著的差异性和正相关集聚性，实证了房价的区位差异特征，因此，有必要进一步探究房价的作用机制，并为推动房价市场全面发展提供参考意见。

3.2 房价时序特征分析

主城区房价时序数据的空间自相关特征反映了集聚性的时序特征。对比四个年份的值，如表2，2016 年12 月份到2017 年12 月份增加 幅度最大，增速最快，反映了2017 年度房地产行业迅猛发展，区位地价在房价市场中影响程度更大，局部区域经济和配套设施建设发展变化明显，高房价地区和低房价地区差异更加显著。2017 年12 月到2019 年12 月Ig值逐渐平稳，反映了近年来社会经济的平稳发展，各地区房地产市场趋于全面发展。

表2 武汉市主城区2016-2019 年份房价全局莫兰指数

4.1 变量选取

基于问卷调查、文献查阅等方法从住宅特征、邻里条件方面选取了9 个变量，并利用GIS网络分析方法基于主城区道路网络数据量化了住宅小区最邻近分布的公园、商业中心、地铁站点、小学、综合医院、大学等POI 样本的距离。如表3 所示。

表3 房价影响变量选取

4.2 OLS 模型和GWR 模型估计结果比较

基于主城区房价分析的地理信息数据库构建了OLS 模型和GWR 模型。结果指标如表4，GWR 模型解释力显著提高，AICC值降低了307.51，实证了局部空间统计模型在房价空间分析中的优越性，较精准地量化了各变量对房价影响的局部差异性。

表4 OLS 和GWR 模型结果指标

基于局部338 个样本点的GWR 模型系数结果表明，如表5，住宅特征变量对住宅价格的影响程度较大，但是离散程度也较大。总体上绿化比率越大，建造时间越小，停车位数越多，房价越高。邻里条件变量与房价呈负相关，越邻近，房价越高。系数平均值表明，各变量与房价的作用关系与OLS 模型得出的结论基本一致。根据其他指标，可以更准确地反映变量在局部地区作用程度的变化。

表5 基于GWR 模型变量系数描述

分析结果：武汉市主城区2016-2019 年房价均呈空间集聚型分布，且程度逐年增强，但增速趋于平缓；
房价在东西和南北方向均呈倒置的U 型分布，高房价集聚在主城区中部，低房价集聚区相对分散；
地理加权回归模型的解释力(R2=0.51)显著高于传统的普通最小二乘法模型(R2=0.23)；
住宅特征对房价的影响程度最大，总体上越邻近商业中心、公园、地铁站点、综合医院、大学、小学，房价越高，但是区位差异显著。

（1）武汉市房价存在区位差异特征，高房价集聚在主城区中部区域，低房价集聚区分散在主城区外侧。2016-2019 年武汉市主城区房价市场空间正相关集聚程度不断增大，但增速逐渐平缓，区域的不均衡发展状况得到改善。

（2）住宅特征是住宅小区最基本的属性，对房价的提升作用最显著，可以考虑加强住宅小区的基本建设，推动房价的全面平稳发展。邻近学校、公园、医院、商业中心、地铁站点等也可以推动房价上升，因此，有必要考虑进一步完善房价较低区域的基础服务设施建设。

（3）各区域影响因素作用关系以及作用强度都存在差异，因此，向有关部门提议可以结合局部地区的实际情况，通过有意识的政策支持推动市场经济建设全面发展。