基于路网距离的重庆市小区价格空间分异与影响因素研究

0  引  言

在城市开发与扩张进程中，受资源调配、规划发展和土地供应等综合作用，小区价格空间异质性增强且上升趋势明显，难以满足居民住房需求。获取准确精细的小区价格数据并分析其空间分布特征、挖掘其空间分异产生原因，有利于平衡城市内部住宅价格、解决居民住房问题。常用于房价影响机制剖析的模型有：特征价格模型（Hedonic Price Model）和地理加权回归模型（Geographically Weighted Regression，GWR），前者采用普通最小二乘法进行全局参数估计，后者更能从局部微观角度揭示房价变化的原因。尹上岗等人、薛冰等人、李颖丽等人利用GWR探究建筑特征（住房质量、房龄等）、邻里特征（休闲娱乐配套、教育医疗资源等）、区位特征（距离中央商务区距离、景观状况等）等因素对房价的作用。影响房价的因素多样且动态，进行研究时应该多方面预设和保留。曹天邦等人、汤庆园等人、刘子靖等人以住房样点距各设施点的最近直线距离、时间成本，住房样点固定缓冲区范围内设施点的数量来量化影响因素。直线距离往往与人们日常出行的真实路径有差异，没有考虑实际可达性，不能准确反映各种设施对小区价格的影响。因此，本文结合重庆市的地形和市情，利用全局和局部自相关结合多种可视化方法分析重庆市小区价格空间分布特征。通过真实路径距离和欧式直线距离度量自变量进而构建GWR模型，对比两个模型的精度，寻求量化影响因素的更优方法，分析各变量对小区价格的具体影响。

1  研究区与数据来源

1.1  研究区

重庆市位于西南内陆，地处长江和嘉陵江汇流处，地形沿河流和山脉起伏，以山地和丘陵为主。本文以重庆主城区为研究区，如图1所示，由9个区组成，“一岛、两江、三谷、四脉”的山水将其划分为“一城五片、多中心组团式”，城市建设集中于研究区内。

   图1    研究区简介  

Fig.1 The study area  

1.2  数据来源

以2019年10月为时间截面，爬取链家、安居客、房天下、房多多发布的小区信息和高德地图获取的数据。去掉没有价格、容积率、绿化率、房龄的小区，最终用于本次研究分析的小区共6 563个，分布在主城各区，能够典型代表研究区内房价的基本格局。关注点（Point of Interest，POI）数据来源于高德地图，删除与实验无关的地名地址、通行设施等信息，筛选出超市、商场、医院、学校、地铁站点、公交站点等实验所需3.154 2×105条。道路数据来自地理国情监测云平台，包含高速公路、国道、省道、市区主干道、其他道路。小区样本点分布如图2所示。

图2 小区样本点分布

Fig.2 Distribution of residential areas

2  重庆市主城小区价格空间分异

为了探究小区房价在空间上是否具有聚集或分散的模式，利用全局和局部空间自相关分析工具进行分析。经过全局空间自相关计算得到全局莫兰指数为0.505 5，表明住宅价格具有空间正相关性；p值为0.001，z得分为95.165 4，则表示住宅价格数据随机生成这种聚类模式的可能性小于1%，样本点间价格分布有一定规律，空间分异如图3所示。进一步计算房价的局部莫兰指数，生成LISA聚类图，如图4所示。小区价格分簇散点图如图5所示。

图3     重庆市小区价格空间分异 

Fig.3 Spatial differentiation of housing prices in Chongqing

图4    重庆市小区价格LISA聚类图

Fig.4 LISA cluster map of house prices in Chongqing

图5    重庆市小区价格分簇散点图

Fig.5 Cluster scatter plot of housing prices in Chongqing

结合图3～图5可知重庆市主城区小区价格的空间分布有如下特征：①住房均价集中分布在5 000～15 000 元/m2，少数超出此区间。②住房价格总体上呈现多中心结构，主城核心圈的渝中半岛、江北嘴、观音桥—新牌坊，大竹林—礼嘉组团构成了高房价核心区；此外，解放碑、弹子石与4个城市副中心（茶园、杨家坪、沙坪坝和西永）高—高聚集明显，但均价略低于高房价核心区，是住房价格次中心，其中杨家坪、沙坪坝表现较弱，高—高聚集范围不大。③住房价格具有明显的分片区特点，其空间分布与城市空间结构相对应。位于中部槽谷的北区房价明显高于其他片区，均价高于15 000 元/m2的高价住宅区80%都分布在北区中的两江新区。中、南、东部片区住房价格均匀，略低于北区，整体呈现出由南至北逐渐降低的趋势。西区由于中梁山、嘉陵江的阻隔，到江渝北核心区距离远、耗时长，房价远低其他片区，除了西永和北碚房价略高，沿中梁山一带小区均价皆低。低—低聚类分布较离散，多在研究区边缘而非中心。

3  重庆市主城小区价格影响因素分析

3.1  影响因素选择与量化

3.1.1  影响因素选择

小区房价与房屋建成时间、自身环境和基础设施建设等因素息息相关。房龄越老，房屋磨损越严重，可能存在年久失修、功能不齐和配套设施不全等问题。绿化率高，容积率低，说明小区居住环境优美，空气清新，楼房密度小，住户舒适度更高。

参考我国《城市居住规划设计规范》对公共设施的分级配建标准和以往学者研究经验，初步将购物、娱乐、休闲、商务、交通、教育和医疗预设为解释变量。小区周围商超数量越多，生活便利性越高，更能满足人们物质层面需求；公园、广场之类的娱乐休闲场所用于放松身心，与人们精神层面需求密不可分；写字楼侧面反映了就职机

会，关系着通勤、上下班便捷性；交通、教育、医疗是日常设施配置，占较高使用频率，会影响人们的购房选择。

小区还会因其所处社会经济文化位置的不同，价格有所差别。中央商务区承载着城市的经济发展和科技进步，可能会影响小区房价。此外，重庆地势起伏大、多山地丘陵且江景资源丰富，区位条件中除了考虑城市中心、副中心外，特别添加了地形位指数（Topographic Position Index，TPI）、距江的距离。

3.1.2  影响因素量化

商场、娱乐休闲场所、写字楼数量较多，密度较大，按照标准步行速度80 m/min，统计小区日常出行10 min，步行范围约800 m内的设施数量具有可行性。地形位指数定义为像元与邻域内高程均值的差值，根据重庆实际情况，将邻域设置为150 m的圆形。公交、地铁等因素的影响通过与小区的距离来衡量。距离分为真实路网距离、欧式直线距离。路网距离是基于交通网络（高速公路、国道、省道、市区主干道和其他道路）构建网络数据集，通过网络分析计算各个小区与最近设施点间的最短路径，反映居民出行真实距离。欧式直线距离则是利用近邻分析，确定每个小区与各影响因素中的最近要素之间的直线距离，相较路网距离更粗略。

将选取的解释变量和量化方式整理见表1

表1    模型变量基本情况

Tab.1 The descriptions of model variables

3.2  GWR模型构建

图6    构建GWR流程图

Fig.6 The flow chart of GWR construction

GWR模型构建步骤如下：

1）收集小区样本点、POI和路网数据，并进行数据清洗、拓扑修改；

2）分别基于真实路径距离、欧式直线距离对影响因素进行量化，得到各影响因素X，考虑建立GWR计算回归系数；

3）初步筛选变量X，通过探索性回归对所有潜在解释变量进行全方位评估，经逐步回归剔除严重共线的XEntertainment、XPark和未通过显著性检验的XSBD、XTPI；

4）进一步通过全局OLS空间回归进行检验，结果表明不存在冗余变量，单个变量和整个模型都具有统计学上的显著性，模型残差呈正态分布，同时Koenker检验的p值远小于0.01，表明模型具有异方差性，是不平稳的，有必要用GWR模型；

5）基于真实路网距离构建GWR模型，采用自适应双重平方核函数计算地理权重，AICc作为模型优劣判断标准，间隔搜索法计算最佳带宽；

6）基于直线距离构建GWR模型，并对比模型拟合结果具体见表2。

表2    基于路网距离和直线距离GWR模型拟合对比

Tab.2 Comparisons of GWR model fitting based on road network distance and euclidean distance

路网距离GWR模型的R2、AdjustR2值更高，AICc值较小，可以得出路网距离较直线距离在拟合性能方面更优，具有更强的解释力。统计所有变量系数的平均值、标准差等见表3。各个变量都显著，除房龄以外的变量均存在方向性差异，对房价正负作用皆有。从变量回归系数值来看，影响程度由强到弱依次为城市中心、地铁、购物、江景、写字楼、医院、容积率、房龄、小学、中学、绿化率和公交。其中，城市中心、地铁、写字楼和江景资源回归系数的标准差呈较高水平，空间分异现象明显，公交和绿化率的影响在不同空间位置差别不大。

表3    GWR模型估计结果

Tab.3 The estimation results of GWR

3.3  结果分析

将回归系数插值可视化，深入分析各类设施对房价的影响如图7～图9所示。

图7    小区结构系数可视化

Fig.7 Visualization of residential block structure coefficients

图8    邻里环境系数可视化

Fig.8 Visualization of neighborhood environment coefficients

图9    区位条件系数可视化

Fig. 9 Visualization of location condition coefficients

3.3.1 小区结构对小区房屋价格的影响

房龄、容积率对房价起消极作用，绿化率为正，影响强度差别不大。从图7a来看，最早跨江开埤时形成的渝中老城及邻接的南岸、江北和渝北部分房龄负作用最大，老旧住宅区较多。影响较小的是北碚、西永等发展相对较晚的区域，小区数量少且房龄都在10年以内。图7b中，绿化率对房价积极作用明显，在人和、礼嘉的作用强度最高，系数大于2 000，中梁山、龙王洞山一带山脉补充了绿化资源，对小区绿化率要求不高。图7c中，容积率和房价的关系从城市核心向外围新区由较小的正相关变为较大的负相关。渝中和江北用地有限，若片面追求绿地，可能会挤占道路宽度和车位，而礼嘉土地供应足，建筑密度小、绿化面积大的楼盘则更有市场。

3.3.2  邻里环境对小区价格的影响

图8a中，小区周围购物服务能够带动房价上涨，在CBD内影响最大，系数在3 000以上，其次是北碚、九龙坡和大渡口。图8b写字楼属于商务配套，在沙坪坝、南岸、大渡口附近写字楼数量越多，房价越高，渝中和江北两区写字楼密集分布，对房价几乎没有影响。作为多中心山地大型城市，交通位势对重庆房价作用明显。图8c中，公交对房价增值作用表现在城市中心、副中心，但因公交站点密集，公交线路覆盖整个主城区，所以影响较小。图8d中，地铁的回归系数远大于公交，特别是渝北新牌坊区域，对单价影响起主导作用，在渝中、江北系数绝对值也达到了6 000～9 000，而较远的西永、北碚对地铁依赖不大。图8e和图8f中，中小学回归系数相近，辐射范围一致性不高，出现互补现象。小学在礼嘉、人和等地促进周围小区增值，离学校越近住宅价格越高，蔡家、大竹林等地中学对房价提升作用更强。渝中、沙坪坝硬件设施良好、师资力量雄厚的名校数量众多，房价与小学、中学距离负相关较弱。图8g中，医疗资源对于房价作用具有双重性，三甲医院大多分布于城市核心区，医院就诊病患多，治安、交通、卫生难以保障，且附近就医需求易满足，影响住宅出售。其他较低等级医院零星分散在各区，多位于该区城市化水平较高的地方，周围房价相对较高。

3.3.3 区位条件对小区价格的影响

图9a反映房价与到达城市中心最短路径距离整体上呈显著负相关。中央商务区对自身“金三角”内增值作用弱于其他区域，回归系数的极大负值主要分布于寸滩、鸳鸯并沿四周递减。比较反常的两路、人和等地离中央商务区越远房价越高，这和重庆市城市组团发展模式有关，相较于距离较远的中央商务区，较近的城市副中心局部显著，更有吸引力。图9b中江景作为空间红利，对房价的提升局限在长江、嘉陵江的江岸线一定距离内。地形对房价的影响并不显著，研究样本点大多分布在中梁山与缙云山之间平坦的槽谷地区，地形位置指数值在[-24.9，30.8]之间，92.7%的样本点地形位置指数绝对值在13以下，住宅在邻域范围内普遍存在并不悬殊的高差，对开发施工和生活出行影响不大。

4  结束语

本文分析了重庆市小区空间分布模式，综合对比了基于路径距离、直线距离构建GWR模型的模拟效果和估计精度，在全面、系统预设多样化影响因素前提下，寻求更真实、准确的影响因素量化方式，进而对各影响因子的空间异质性进行具体分析，研究发现：①重庆市主城区小区价格空间自相关特性明显，且呈多中心、片区式分布，与重庆发展方向相契合；②显著影响因素中，除房龄以外的变量均存在方向性差异，对房价正负作用交替，影响程度由强到弱依次为城市中心、地铁、购物服务、江景、写字楼、医院、容积率、房龄、小学、中学、绿化率和公交；③在独特的山水格局和城市格局下，重庆主城区住房价格影响因素空间模式复杂和空间异质性明显，众多影响变量综合作用于房价，主导因素因区位资源、空间位置和城市规划扩展的差异而不同；④以数据量大、信息丰富和更新及时的POI为数据源，为研究提供了充分的数据支撑，保障影响因素获取的全面性；由路网距离约束度量回归分析的影响因素，相比欧式直线距离，模型解释力更高，符合真实出行情况，对影响因素的空间分异特征反映更精确。

作者简介：刘国栋（1976-），男，重庆人，副教授，硕士，硕士生导师，主要从事3S技术及应用等研究工作。

E-mail:cqliugd123@gmail.com

本期回顾