2. 东北师范大学 地理科学学院, 长春 130024
2. School of Geographical Sciences, Northeast Normal University, Changchun 130024, China
住房价格是直系国计民生的重要议题。随着我国经济发展进入新常态,中央明确提出“房子是用来住的,不是用来炒的”的定位和“准确把握住房的居住属性”的要求,助力国民经济的转型发展。在此背景下,各地政府相继采取租购并举、限价等多种举措来抑制房价的过快上涨。但是,北京、上海、深圳、广州等经济发达城市的住房价格仍然居高不下。房价的过快增长和过度分化会导致城市空间失衡[1],并进一步引发严重的社会不公平、不公正等问题。因此,加强对城市住房价格的研究,尤其是分析城市住房价格空间分布格局的分异特征及驱动机制,对于制定合理的房价调控、推进住房制度和土地使用制度改革具有重要意义。
目前,国内外学者从不同维度、运用不同方法来解释城市住房价格空间分异特征的影响因素和机制。在宏观尺度上,相关影响因素主要包括经济发展水平[2]、货币政策[3]、税收政策[4]等;在微观层面上,相关因素主要包括区位特征(中心位势、交通条件)[5, 6]、住宅建筑特征(容积率、住宅年代、绿化率)[7]、邻里特征(教育医疗、商务设施、景观状况)[8-11]等。同时,宋伟轩[12]、吴文佳等[13]学者将物业管理水平和停车位配建情况纳入到影响因素指标体系中,以揭示社区环境及其服务水平对居民住房选择的重要作用。总体而言,随着城市社会经济的发展和人们住房需求的变化,住房价格的影响因素体系也需不断变动和完善,以达到有效揭示房价空间分异格局及其作用机制的目的[14]。此外,由于传统住房特征价格模型常以空间均质性为假设基础,从而忽视了相关影响因素对住房价格的空间异质作用[15, 16]。因此,许多学者开始从空间视角来揭示相关影响因素对住房价格的空间非平稳影响[6, 11, 13]。地理加权回归(geographically weighted regression,GWR)模型能够揭示同一解释变量在不同位置的不同效应,可以对数据的空间特性进行分析[17]。学者们运用GWR模型开展了大量研究,如Charlton等[18]、李志等[19]、吕萍等[20]利用该模型探索各因子对房价、地价影响的空间差异,验证了GWR模型能够有效的揭示影响因子对房价的作用机制。
上述研究主要集中在我国经济发达的城市如北京、上海等地,对于经济相对落后、人口增长缓慢的城市的研究较为匮乏。事实上,我国欠发达城市也面临着住房价格增长过快、居民住房难等问题。特别是在一些东北老工业城市,住房价格成为影响居民居住水平以及住房空间分布的重要因素。自2016年开始,沈阳、长春、哈尔滨等城市的住房价格呈现出急剧上涨的特征。例如,2019年底沈阳市住房均价达到9817元/m2,为2016年的1.35倍。在此期间,沈阳市城镇居民人均年可支配收入从39135元增涨到46786元,涨幅仅为19%。针对这些经济相对落后地区存在的住房市场过热问题,国家住建部通过“约谈”等方式进行相关干预[21],促使沈阳等地政府出台稳定房地产市场发展的条例,严控房价过快上涨。然而,围绕政府调控和市场机制双重作用下的东北老工业城市的住房价格空间分异及其影响因素的研究十分有限,无法有效揭示这些城市转型发展过程中的空间结构特征和社会经济成效。
基于此,本文以我国老工业城市的典型代表沈阳市为例,研究在“新常态”和“房住不炒”等背景下,我国东北老工业城市住房价格的空间分布特征及其形成机理。基于沈阳市2020年二手房价格和POI数据,本研究选取社区特征、公共配套设施和交通出行等因素构建地理加权回归模型,探讨不同影响因素对住房价格的内在作用机制,揭示我国东北老工业城市住房价格的空间分布规律,为城市规划、住房等政府部门制定相关政策提供参考。
1 研究区域与数据基础 1.1 研究区概况沈阳市为辽宁省省会,是我国最为典型的东北老工业城市,地处东北亚经济圈和环渤海经济圈的中心,具有重要的战略地位。2019年沈阳市全年GDP达到6470.3亿元,总面积约12881 km2。作为典型的老工业城市,沈阳市经历了计划经济时期“先生产,后生活”、单位制为主导的城市住房建设和供给阶段,以及改革开放后福利分房制度消解、房地产市场逐步成熟等过程。近年来,沈阳市以建设国家中心城市为目标,不断优化城市空间布局,住房价格不断上涨,居住空间不断分化。本文以沈阳市中心城区(四环路以内)为研究区域,包括大东区、沈河区、和平区、铁西区、皇姑区以及于洪区、浑南区、苏家屯区、沈北新区的部分区域,面积约1545 km2。该区域内居民点较为集中,能够最大程度反映出沈阳市住房价格的空间分布格局。
1.2 数据来源及处理本文以沈阳市的二手普通住宅小区作为研究对象。研究数据来源于大型专业房产交易网站——安居客(www.anjuke.com)和58同城(www.58.com),价格时点为2020年2月。数据信息包括小区名称、地址、小区均价、建房年代、绿化率、容积率、停车位、小区物业费等,剔除异常值和信息不完整的数据,共得到有效样本1450个。利用百度地图对住宅小区进行空间定位以获取小区的经纬度坐标,并在ArcGIS中建立样本点的属性数据库和空间数据库。
通过Geosharp1.0软件在百度地图上采集沈阳市学校、医院、商场、地铁站、公交站、公园等POI数据,建立相应的点元素图层并投影至住宅小区相同坐标系。学校选择对房价具有重大影响的重点中小学,医院选择三级医院。根据已有的相关研究,公交站点500 m服务范围内能够满足大多数人的活动需求和设施需求[22],因此选择住宅小区500 m半径内公交站点个数作为住宅价格的影响因素。统计分析要求数据呈正态分布,对样本数据做对数变换后能够近似服从正态分布。
2 研究方法 2.1 趋势面分析趋势面分析是指利用数学模型模拟地理要素在空间上的分布及变化趋势的一种数学方法。将实际曲面分解为趋势面和剩余面[23]。趋势面是实际曲面的近似值,反映地理要素的宏观分布规律,属于确定性因素作用的结果;剩余面对应于微观局域,是随机因素影响的结果。只有剩余值最小,趋势值最大时,拟合精度才能达到足够的准确性。其公式为:
(1) |
式中,Zi(xi, yi) 表示地理要素的实际观测值,
克里金(Kriging)是一种精确的局部插值技术,考虑了样本点空间方位以及与未知样本点的空间位置关系[24]。克里金法建立在变异函数理论和结构分析的基础之上,利用区域化变量的原始数据和变异函数的结构特点,对未采样点的区域化变量值进行线性无偏最优估计。其函数表达式:
(2) |
式中:Z(x0) 为未知样本点的住宅价格;Z(xi) 为未知样点周围已知样本点的住宅价格;λi为第i个已知样本点对未知样本点的权重,n为已知样本点的个数。
2.3 地理加权回归地理加权回归模型(GWR)是一种改进的空间线性回归模型,与传统线性回归模型的结构相似,但引入了样本数据的空间地理位置信息[25]。地理加权回归模型的主要优势在于将空间权重矩阵应用到线性回归模型中,能够很好揭示地理要素的空间非均质性。其模型表达式为:
(3) |
式中,yi为住宅价格,β0(ui, vi) 为常数项,(ui, vi) 是第i个样本点的空间地理位置坐标;xij为影响因素,βj(ui, vi) 为第i个样本点的第j个解释变量的回归参数,εi是误差项。
3 沈阳市住房价格空间分布现状 3.1 沈阳市住房价格空间分异格局利用ArcGIS对沈阳市二手房价格进行趋势面分析,得到住房价格在空间上的变化趋势图(图 1)。黄色散点为住房价格数据点,X轴代表东西方向,Y轴代表南北方向,Z轴反映房价的高低。根据图 1中在“XZ”和“YZ”平面上呈“倒U型”的房价拟合曲线可以看出,沈阳市的住房价格呈现出明显的中间高、边缘低的分布格局,且房价在X轴上的递减趋势明显快于Y轴,这表明房价在东西方向的分异程度要强于南北方向。考虑到沈阳市的住房价格由中心向边缘递减并非简单的线性模式,因此本文利用空间插值方法来提高房价预测的精度。
沈阳市二手房的平均价格为9592元/m2(价格时点为2020年2月份)。如图 2a所示,在沈阳市九个城区中,房价最高的是和平区和浑南区,住房均价高于1万元/m2。和平区处于沈阳市的核心地带,是城市优质资源的集中地,该区域房价远高于其他地区。浑南区内拥有浑河生态区,同时是国家自由贸易试验区和沈阳市高新产业集聚区,在政策和自然因素双重作用下住宅均价较高。其次是皇姑区、铁西区、沈河区、于洪区、大东区和沈北新区,住房均价在8000—10000元/m2之间。苏家屯区距离市中心较远,交通、学校、医院等公共资源不足,房价明显偏低,部分区域甚至低于6000元/m2。
利用普通Kriging空间插值技术,对样本点数据进行空间插值(图 2b),并对插值结果进行交叉检验。检验结果显示标准平均值为0.001,接近0;标准均方根为0.966,接近1,说明插值结果较为理想。通过分析,我们得出:①样本点的Krijging空间差值结果与沈阳市住房均价空间分布基本一致,三环以内的房价以高值为主,并形成向浑河南岸辐射的格局。②沈阳市住房价格在空间上的变化具有连续性,但也存在区域跳跃性和突变性,总体分布呈现一个极核和多个次中心的特征。首先,在长白岛区域形成高价格极核,由中心向外围递减,扩散方向以北部为主,东部和东南方向次之。其次,在浑南中路沿线、新立堡东街以西以及保工北街以东形成了另外三个较为明显的住房价格次中心。③沈阳市房价与景观环境紧密相关。浑河中心段沿岸的房价明显偏高,长白岛、浑南中路沿线和新立堡东街以西形成的价格中心也均分布于浑河两岸。
3.3 空间自相关分析在应用地理加权回归模型之前首先要判断房价是否存在空间相关性。本文利用GeoDa软件对样本点进行分析,得到全局Moran'I指数的值为0.462>0,Z值得分为40.143,p值为0.001。结果表明沈阳市住房价格在整体上存在显著的空间自相关,呈现出较强的集聚模式特征。
利用LISA图进一步对沈阳市房价的局部空间自相关性进行检验。从图 3可以看出,46.41%的样本点属于“高—高”或“低—低”类型的区域,表现出较高的空间聚集性和相关性。其中,高房价集聚的区域主要分布在地铁2号线沿线,这部分区域是沈阳市的中心区,拥有优越的区位条件、繁华的商业和完善的配套设施;而低房价聚类的区域主要分布在铁西新区、苏家屯区和沈北新区等城市边缘区域。“高—低”和“低—高”类型的区域代表了房价的局部高值和低值异质区。其中,房价高值异质区的楼盘房龄较小且多数由大型房地产开发公司建设,因此房价高于周边小区;房价低值异质区主要分布在二环以内,由于建设时间较早,相关配套设施不够完善,房价要低于周边小区。总体而言,从住房价格来看,沈阳市的居住空间分异特征明显。
城市住房价格是多因素综合作用的结果,结合已有研究,本文将住宅价格的影响因素分为社区特征、公共配套设施和交通出行三个类别,见表 1。社区特征因素除了选取传统影响因子房龄、容积率和绿化率之外,还增加了车位配比率及物业管理两个变量;公共配套设施因素选取商场、医院、学校、公园;交通出行因素选取地铁站和公交站。
GWR模型在每个局部估计使用少量空间样本的情况下,容易受到多重共线性的影响[26]。因此,对被解释变量和11个影响因素进行Min-max标准化处理之后,进行方差膨胀因子检验,结果表明不存在多重共线性问题(VIF<10)。
4.2 模型建立根据以上选取的影响因素,设第i个住宅小区的坐标为(ui, vi),价格为yi,构建GWR模型如下:
运用OLS模型进行全局估计,拟合度为0.456(表 2),能合理解释45.6%的房价变化原因。3.3部分的莫兰指数证实了沈阳市的住房价格存在较强的空间自相关性,而OLS模型并未考虑这种变化特征。基于此,本研究进一步利用GWR模型进行局部统计分析,发现拟合度达到0.772,并且sigma明显下降,这表明对房价的解释力度有大幅度提高。GWR模型将空间权重矩阵应用到线性回归模型中,可以形象展现要素空间分布格局的分异特征[15]。因此,应用GWR模型来分析沈阳市住房价格的影响因素更为合适。
对影响因素回归系数的描述性统计见表 3,回归系数的正、负代表因素对房价的作用方向,绝对值的大小代表作用效应的强弱。各因素对房价的影响具有明显的空间非平稳性,从最小值和最大值的绝对值来看,医院、公园、学校、商场和地铁站对住宅价格表现出较强的影响力;同时,这些因素回归系数的标准差也呈较高水平,表明对住房价格具有较大影响的因素内部存在较强的空间异质性。
进一步对回归系数进行反距离加权插值(图 4—图 6),探讨各影响因素对房价作用效应的空间差异。
从住房年龄来看,除了少数拥有极佳区位的老住宅外,房龄与房价为负相关关系(图 4a),表明住宅随着房龄的增加而逐渐贬值。房屋的质量、老旧程度等与房龄密切相关,早期建设的小区的配套设施与新建小区相比较为落后,有形磨损也随之增加,因此房价相对较低。但在沈阳市二环以内,由于教育、医疗、交通和商业等生活服务设施完善,住宅价格受房龄的影响较小。在二环以外,房龄是购房者的重要考虑因素,特别是长白地区周边的房价受房龄的影响较大。长白地区作为沈阳市新兴区域,新建了大量小区,在区位条件相似的情况下,新建小区的房价会更高。
绿化率回归系数在大部分区域为正值(图 4b),特别是在沈阳市二环以内,绿化率对房价的拉动作用最大。可能的解释是早期的住房建设较少考虑小区环境,因此,在城市中心区域拥有较高绿化水平的小区其房价也越高。但在于洪、浑南和沈北新区的部分地区,绿化率对住宅小区价格呈负向影响。通过对样本数据的分析发现,绿化率的标准差为0.07,表明样本内部绿化率差异较小。从区域特征看,浑南地区为高档社区集中地,不同社区间绿化率差异较小且不会对房价产生较大的抑制作用。于洪和沈北新区为房价洼地区,该地区内绿化率的提升也无法改善区域服务设施结构性匮乏所导致的低房价现象。
通常容积率越高,单位土地上的建筑面积越大,住宅价格越低。而在沈阳市的西部,容积率的回归系数为正值,呈圈层状向外衰减(图 4c)。究其原因,城区西部具有工厂密布和住宅相对较少的特征,附近居民的近距离通勤需求会导致周边房价上涨。在北行和陵东形成了另外两个正回归系数的峰值区,北行是沈阳市公共服务资源的集中地,陵东距离北行较近,并且是辽宁省政府和北陵公园所在地,优越的公共资源条件削弱了容积率对房价的影响。
物业管理与房价表现出正相关关系。一般而言,高档社区的物业管理费用和管理水平较高,好的物业管理不仅有助于降低物业折损速率、提升社区环境水平,还有助于实现住宅保值甚至增值,从而催生较高的住宅交易价格。在同一区位条件下,与新建社区相比,传统老旧社区内部的物业管理水平普遍较低,住房折损速率快,因此限制其高房价的形成[12]。从图 4d可以看出,物业管理对住宅价格影响最为突出的地区为五爱市场周边的小区,物业费每增加1%,房价上涨0.71%。该片区位于沈阳市中心区,传统社区较多,房价与物业管理水平正向联系较大。
车位配比率的回归系数范围为-0.218至0.308,存在显著的区域差异性,但在大部分地区呈正向影响(图 4e)。特别是在于洪新城,车位配比率对房价的影响最大,该区域内大部分小区由大型房地产开发公司如恒大、碧桂园等建设,停车位配建率高,房价也相对较高。除于洪新城以外,皇姑区政府附近的住房价格受车位配比率的影响也较大。但在沈阳市的内城区如和平、沈河的部分区域,车位配比率与房价呈负相关关系。该片区老旧小区较多,普遍存在停车位不足的情况,但由于该区域公共配套设施等资源优厚,所以房价普遍较高。
4.3.2 公共配套设施对房价的影响距最近医院距离与房价总体上呈负相关关系,即距离优质医疗资源越近,住房价格越高(图 5a)。可能的解释是三级医院拥有优质的医疗技术和设备,是城市医疗服务水平的保障,居民对高质量医疗环境邻近性的需求会导致医院周边房价上涨。在和平区和沈河区内该项系数达到负峰值,即该区域内的住房越是邻近医院价格越高。在以市图书馆地铁站为中心的区域回归系数却为正值,可能的原因是医院潜在的环境污染问题会引发居民的邻避心理,进而对周边房价产生抑制作用。
公园对沈阳市住房价格的影响存在明显的空间变化,回归系数范围为-2.055至1.623(图 5b),对中心区的房价影响最大且呈负向影响。城市中心区的人口密度较高,公园可以为城市居民提供优美的自然环境和休闲场所,对房价的提升起着积极作用。回归系数在南塔片区却为正值,并且这种趋势向东南方向扩散,由于南塔片区距离浑河较近,浑河两岸优美的景观带在一定程度上降低了公园对于人们的吸引力。
沈阳市的重点中小学主要分布在二环以内。从图 5c可以看出,学校对二环以内的住房价格呈负向影响,即距离学校越近房价越高。沈阳市实行“划片入学”政策,对于大多数有孩家庭来说,在购房时会考虑社区周边是否具有优质的教育资源。而沈阳市教育资源空间分不均衡,其中和平区、沈河区和皇姑区的教育资源最为丰富,因此这些区域的住宅价格要明显高于其他区。
距最近商场距离的回归系数存在明显的空间差异性,其范围为-2.232至1.508(图 5d)。在长白商圈和陵西商圈附近,商场对房价的负向影响达到顶峰,即房价随着与商场距离的拉近而上升。而在南塔商圈出现正向回归系数的最值,并向东南方向逐渐递减。在西塔商圈,商场与房价也呈现正相关关系,但绝对值很小。可能的原因是西塔商圈商业发展比较成熟、交通较为便利,距离商场的远近没有成为购房者主要的考虑因素。在其他远离商圈的区域,商场对房价的影响微弱,说明商场服务范围具有空间局限性。
4.3.3 交通出行因素对房价的影响沈阳市中心区受地铁站影响较大,回归系数达到1以上,表明住宅越靠近地铁站房价越高(图 6a)。究其原因,地铁改善了沿线区域的可达性,能够为沿线房产带来价值增值。但在辽宁大学周边和长白区域,回归系数为正值,地铁站对房价呈负向影响。可能的原因是,长白岛交通发达,多条地铁线布局于此,但该地区的居民主要以偏好宁静环境的中产群体为主,通勤方式也以私家车为主,对于地铁的依赖程度较低,因此在住房选择上会远离地铁站以避开其引发的拥挤和噪音等问题。
公交站点密度对房价的影响较小,回归系数的平均值为-0.009(图 6b)。正向回归系数的峰值区出现在太原街地铁站附近,此处的房价随着公交密度的增大而抬升的趋势非常明显,符合普遍认知规律。而在浑河沿线出现负向回归系数,即这个区域的房价随着公交密度的降低而升高。随着交通工具的多样化,居民出行对公交的依赖程度大大减弱,密集的公交站点为居民的出行带来便捷的同时也产生了噪声、污染和道路拥堵等负面效应。
5 讨论在沈阳市住房价格、相关设施空间分布格局的基础上,本文进一步复合出沈阳市城市空间结构图(图 7),该图显示了沈阳住宅价格及其影响因素的空间分布。总体而言,沈阳市住房价格空间分布不均衡,学校、医院、商场等公共设施对房价的影响具有显著的空间异质性。如图 7所示,沈阳市高价区主要分布在三环以内,尤其是在长白区域形成了住房价格极核区。浑南中路沿线、新立堡东街以西以及保工北街以东形成的住房价格高值区,分别是公园、河流、学校、医院等生态、公共服务设施的集中分布区域。三环之间的低价区主要分布在北部的皇姑、大东区,西部于洪、铁西区。这些地区普遍缺乏医院、学校等公共资源,所以住房价格也较低。因此,缩小不同地区相关配套设施的质量和数量差距对于平衡城市住房价格的空间分布格局显得尤为重要。
国内学者对住房价格的空间分布格局的研究主要以北京、上海、广州、南京等发达城市为主[11, 23, 27],有关沈阳等典型老工业城市的研究仍相对较少。在已有相关研究中,李广娣等根据2009—2012年265个样本数据,对沈阳市三环以内的住房价格进行Kriging插值,得出沈阳市住房价格由城市内环中心区呈环状向外围逐渐递减[28]。受数据采集技术限制,该研究的样本量较少,且尚未对沈阳市住房价格空间分异格局的影响因素进行探究。随后,薛冰等以典型的老工业区沈阳市铁西区为例,基于POI大数据揭示铁西区房价影响因素的空间异质性与形成机制,结果显示房价与影响因素的相关性具有显著的空间非平稳性[29]。在此基础上,本研究结合城市住房价格的空间联动特征,将分析区域拓展至沈阳市四环地区以内,并结合大数据的方法探究沈阳市的房价空间分布格局。根据3.1的部分结果可以看出,经过近十年的发展,沈阳城区逐步向外扩张,城市空间结构及房地产市场发生了明显的变化。在商业设施、交通位势、公共基础设施和环境景观等因素的影响下,沈阳市住房价格空间格局由单中心向多中心演变,长白地区彻底取代城市中心地区成为住房价格的极核区。但与过去相比,沈阳市2020年的住房价格仍然呈现出南高北低的趋势,这与沈阳城市发展策略紧密相关。近年来,沈阳市致力于将浑南新区建设为“北方浦东”,通过政府南迁、申请国家自主创新示范区和综合保税区的方式,带动城市向浑河以南方向发展。
作为我国东北地区的区域中心城市,沈阳市长期受计划经济体制等因素的影响。沈阳市的城市经济和空间发展具有国有企业比重高、产业结构偏重、经济发展水平偏低的特征,地区房价远远低于北京、上海、广州等经济发达城市。同时,与北京、上海等一线城市房价峰值区常位于城市核心区、中心区[23, 27],区位优势极为明显等特征不同,沈阳市南部的长白地区已经取代城市中心区成为住房价格高值区。政府利用长白地区优厚的自然环境资源,引导众多商业、金融、科技及旅游等项目落户于此,逐渐将其打造为沈阳市新的核心区。因此,从住房价格来看,与北上广等区域中心型城市相比,沈阳市呈现出住房价格峰值区外移的特征。
作为典型的老工业城市,沈阳市房价空间分异特征与其工业空间组织的调整过程密切相关。改革开放前,沈阳市中心城区内存在大量的工业用地,1985年末,沈阳市的建成区面积为170.06 km2[30],其中工业用地为37.4 km2,主要分布在铁西、沈海、大东等沈阳市的中心城区内[31]。上世纪90年代后,特别是2003年起,在东北地区等老工业基地振兴战略背景下,沈阳市利用极差地租开始快速推进“退二进三”、“腾笼换鸟”等工业企业搬迁工程,引导大量传统的重工业企业从铁西、大东等城市内部向外迁移至新建的开发区。随后,城区内原有的工业用地被调整为商业、居住以及绿化用地等。例如,在沈阳铁西老工业区快速改造期间(2002至2008年),区域内的工业用地比重由55.19% 下降到33.3%,居住用地比重由36.92% 上升到51.97%。低效工业企业退出城市中心地区,不仅提高了城区土地利用效率,更为城市住房建设腾出了空间。因此,2003年以后,铁西、大东等工业区新建了大量社区。此外,传统工业企业郊迁和新城区的开发还推动了部分人口向外迁移,人口的郊区化也促进了住房市场的发展。为满足居民的住房需求,城市郊区开展了大规模的住房建设,形成新的居住空间。总体而言,沈阳市工业空间的不断演变不仅体现了我国东北老工业城市转型过程中的空间结构特征,也对沈阳市房地产市场的发展路径产生较大影响。
6 结论本文以沈阳市二手房作为研究对象,利用Kriging空间插值法对沈阳市中心城区住房价格的空间分布格局进行分析。研究结果显示沈阳市住房价格具有明显的空间分异性,呈现出一个价格中心区和三个价格次中心区的组团分布形态。优美的自然景观环境对沈阳市房价的带动作用显著,浑河中心段沿岸的房价明显偏高。在此基础上,选取社区特征、公共配套设施和交通出行等11个因素构建住宅价格影响因素体系,运用GWR模型分析各因子对沈阳市房价的作用机制。结果表明沈阳市住房价格驱动因素的影响效应呈现出空间异质特征。其中,医院、商场、公园和学校对住宅价格的影响存在显著的区域差异性,这些公共配套设施具有一定的服务范围,表现出服务局域性,对服务范围以外的房价影响不大。随着出行方式的多样化,公交站点的密度不再成为购房者的主要参考因素,而地铁站对购房者的吸引力越来越大,因此,邻近地铁站成为各大楼盘的重要卖点之一。基于东北老工业城市转型发展过程中的“强政府干预、弱市场发展”等特征,在各影响因子的交互作用下,形成了沈阳市住房价格“多中心结构”的城市空间分异格局。
本文在选取住宅价格影响因素的过程中,受数据获取途径等的限制,可能存在一些重要的住房价格影响因素遗漏现象。另外,本研究只采集了某一时点的房价和POI数据,并不能反映住房价格的时空分布特征,这是本研究的另一个不足之处,将在未来研究进一步完善相关内容。
[1] |
Liu C H, Song W X. Perspectives of socio-spatial differentiation from soaring housing prices: A case study in Nanjing, China[J]. Sustainability, 2019, 11(9): 1-16. |
[2] |
王洋, 王德利, 王少剑. 中国城市住宅价格的空间分异格局及影响因素[J]. 地理科学, 2013, 33(10): 1157-1165. [Wang Yang, Wang Deli, Wang Shaojian. Spatial differentiation patterns and impact factors of housing prices of China's cities[J]. Scientia Geographica Sinica, 2013, 33(10): 1157-1165.] |
[3] |
Luciani M. Monetary policy and the housing market: A structural factor analysis[J]. Journal of Applied Econometrics, 2013, 30(2): 199-218. |
[4] |
Du Z C, Zhang L. Home-purchase restriction, property tax and housing price in China: A counterfactual analysis[J]. Journal of Econometrics, 2015, 188(2): 558-568. DOI:10.1016/j.jeconom.2015.03.018 |
[5] |
王芳, 高晓路, 颜秉秋. 基于住宅价格的北京城市空间结构研究[J]. 地理科学进展, 2014, 33(10): 1322-1331. [Wang Fang, Gao Xiaolu, Yan Bingqiu. Research on urban spatial structure in Beijing based on housing prices[J]. Progress in Geography, 2014, 33(10): 1322-1331. DOI:10.11820/dlkxjz.2014.10.004] |
[6] |
孙倩, 汤放华. 基于空间扩展模型和地理加权回归模型的城市住房价格空间分异比较[J]. 地理研究, 2015, 34(7): 1343-1351. [Sun Qian, Tang Fanghua. The comparison of city housing price spatial variances based on spatial expansion and geographical weighted regression models[J]. Geographical Research, 2015, 34(7): 1343-1351.] |
[7] |
王洋, 李强, 王少剑, 等. 扬州市住宅价格空间分异的影响因素与驱动机制[J]. 地理科学进展, 2014, 33(3): 375-388. [Wang Yang, Li Qiang, Wang Shaojian, et al. Determinants and dynamics of spatial differentiation of housing price in Yangzhou[J]. Progress in Geography, 2014, 33(3): 375-388.] |
[8] |
薛冰, 肖骁, 李京忠, 等. 基于POI大数据的沈阳市住宅与零售业空间关联分析[J]. 地理科学, 2019, 39(3): 442-449. [Xue Bing, Xiao Xiao, Li Jingzhong, et al. POI-based spatial correlation of the residences and retail industry in Shenyang city[J]. Scientia Geographica Sinica, 2019, 39(3): 442-449.] |
[9] |
尹上岗, 胡信, 马志飞, 等. 基于教育公平视角的城市学区房价格时空效应——以南京主城区公办小学为例[J]. 经济地理, 2019, 39(9): 82-93. [Yin Shanggang, Hu Xin, Ma Zhifei, et al. Spatial and temporal effects of housing price in urban school districts based on education equity: A case study of public pimary school in the main urban area of Nanjing[J]. Economic Geography, 2019, 39(9): 82-93.] |
[10] |
斯子文, 石忆邵. 三甲医院对人口分布及房价影响的研究——以复旦大学附属儿科医院为例[J]. 经济地理, 2013, 33(10): 74-81. [Si Ziwen, Shi Yishao. The impacts of class 3A comprehensive hospitals on population distribution and housing price: Take children's hospital of Fudan university for example[J]. Economic Geography, 2013, 33(10): 74-81. DOI:10.3969/j.issn.1000-8462.2013.10.012] |
[11] |
尹上岗, 宋伟轩, 马志飞, 等. 南京市住宅价格时空分异格局及其影响因素分析——基于地理加权回归模型的实证研究[J]. 人文地理, 2018, 33(3): 68-77. [Yin Shanggang, Song Weixuan, Ma Zhifei, et al. Spatial differentiation of housing price in Nanjing city and its influencing factors: Based on geographical weighted regression model[J]. Human Geography, 2018, 33(3): 68-77. DOI:10.3969/j.issn.1674-3237.2018.03.005] |
[12] |
宋伟轩, 毛宁, 陈培阳, 等. 基于住宅价格视角的居住分异耦合机制与时空特征——以南京为例[J]. 地理学报, 2017, 72(4): 589-602. [Song Weixuan, Mao Ning, Chen Peiyang, et al. Coupling mechanism and spatial-temporal pattern of residential differentiation from the perspective of housing prices: A case study of Nanjing[J]. Acta Geographica Sinica, 2017, 72(4): 589-602.] |
[13] |
吴文佳, 张晓平, 李媛芳. 北京市景观可达性与住宅价格空间关联[J]. 地理科学进展, 2014, 33(4): 488-498. [Wu Wenjia, Zhang Xiaoping, Li Yuanfang. Spatial correlation analysis of landscape accessibility and residential housing price in Beijing[J]. Progress in Geography, 2014, 33(4): 488-498.] |
[14] |
宋伟轩, 马雨竹, 李晓丽, 等. 南京城市住宅小区房价增长模式与效应[J]. 地理学报, 2018, 73(10): 1880-1895. [Song Weixuan, Ma Yuzhu, Li Xiaoli, et al. Housing price growth in different residences in urban Nanjing: Spatiotemporal pattern and social spatial effect[J]. Acta Geographica Sinica, 2018, 73(10): 1880-1895. DOI:10.11821/dlxb201810005] |
[15] |
赵梓渝, 王雪微, 王士君. 长春市住宅价格空间分异与影响因素研究[J]. 人文地理, 2019, 34(4): 97-105. [Zhao Ziyu, Wang Xuewei, Wang Shijun. Study on spatial differentiation of housing price distribution in Changchun and its influencing factors in Changchun[J]. Human Geography, 2019, 34(4): 97-105.] |
[16] |
Bitter C, Mulligan G F, Dall'erba S. Incorporating spatial variation in housing attribute prices: A comparison of geographically weighted regression and the spatial expansion method[J]. Journal of Geographical Systems, 2007, 9(1): 7-27. DOI:10.1007/s10109-006-0028-7 |
[17] |
Brunsdon C, Fotheringham S, Carlton M. Geographically weighted regression-modelling spatial non-stationarity[J]. Journal of the Royal Statistical Society. Series D (The Statistician), 1998, 47(3): 431-443. DOI:10.1111/1467-9884.00145 |
[18] |
Lu B, Charlton M, Harris P, et al. Geographically weighted regression with a non-euclidean distance metric: A case study using hedonic house price data[J]. International Journal of Geographical Information Science, 2014, 28(4): 660-681. DOI:10.1080/13658816.2013.865739 |
[19] |
李志, 周生路, 张红富, 等. 基于GWR模型的南京市住宅地价影响因素及其边际价格作用研究[J]. 中国土地科学, 2009, 23(10): 20-25. [Li Zhi, Zhou Shenglu, Zhang Hongfu, et al. Exploring the factors impacting on the residential land price and measuring their marginal effects based on geographically weighted regression model: A case study of Nanjing[J]. China Land Science, 2009, 23(10): 20-25. DOI:10.3969/j.issn.1001-8158.2009.10.004] |
[20] |
吕萍, 甄辉. 基于GWR模型的北京市住宅用地价格影响因素及其空间规律研究[J]. 经济地理, 2010, 30(3): 472-478. [Lv Ping, ZhenHui. Affecting factors research of Beijing residential land price based on GWR model[J]. Economic Geography, 2010, 30(3): 472-478.] |
[21] |
中华人民共和国住房和城乡建设部. 住房和城乡建设部强调: 落实城市主体责任, 确保实现稳地价、稳房价、稳预期目标[EB/OL]. (2020-08-28)[2020-11-17]. http://www.mohurd.gov.cn/zxydt/202008/t20200828_246982. [Ministry of Housing and Urban-Rural Development, PRC. The Ministry of Housing and Urban-Rural Development stressed that cities should beresponsible for stabilizing land prices, housingprices and expectations. [EB/OL]. (2020-08-28)[2020-11-17]. http://www.mohurd.gov.cn/zxydt/202008/t20200828_246982.]
|
[22] |
李苗裔, 龙瀛. 中国主要城市公交站点服务范围及其空间特征评价[J]. 城市规划学刊, 2015, 59(6): 30-37. [Li Miaoyi, Long Ying. The coverage ratio of bus stations and an evalution of spatial parrerns of major Chinese cities[J]. Urban Planning Forum, 2015, 59(6): 30-37.] |
[23] |
崔娜娜, 古恒宇, 沈体雁. 北京市住房价格和租金的空间分异与相互关系[J]. 地理研究, 2019, 38(6): 1420-1434. [Cui Nana, Gu Hengyu, Shen Tiyan. The spatial differentiation and relationship between housing prices and rents: Evidence from Beijing in China[J]. Geographical Research, 2019, 38(6): 1420-1434.] |
[24] |
孟斌, 张景秋, 王劲峰, 等. 空间分析方法在房地产市场研究中的应用——以北京市为例[J]. 地理研究, 2005, 24(6): 956-964. [Meng Bin, Zhang Jingqiu, Wang Jingfeng, et al. Application of spatial analysis to the research of real estate: Taking Beijing as a case[J]. Geographical Research, 2005, 24(6): 956-964. DOI:10.3321/j.issn:1000-0585.2005.06.015] |
[25] |
Brunsdon C, Fotheringham A S, Charlton M. Geographically weighted regression: A method for exploring spatial nonstationarity[J]. Geographical Analysis, 1996, 28(4): 281-298. |
[26] |
Li Q Y, Wang J W, Callanan J, et al. The spatial varying relationship between services of the train network and residential property values in melbourne, Australia[J]. Urban Studies, 2020, 58(2): 335-354. |
[27] |
汤庆园, 徐伟, 艾福利. 基于地理加权回归的上海市房价空间分异及其影响因子研究[J]. 经济地理, 2012, 32(2): 52-58. [Tang Qingyuan, Xu Wei, Ai Fuli. A GWR-based study on spatial pattern and structural determinants of Shanghai's housing price[J]. Economic Geography, 2012, 32(2): 52-58.] |
[28] |
李广娣, 沈昊婧. 城市住房价格的空间分布格局研究——以沈阳市为例[J]. 现代城市研究, 2014, 29(2): 80-84. [Li Guangdi, Shen Haojing. Research on spatial distribution pattern of urban housing prices: A case study in Shenyang[J]. Modern Urban Research, 2014, 29(2): 80-84. DOI:10.3969/j.issn.1009-6000.2014.02.015] |
[29] |
薛冰, 肖骁, 李京忠, 等. 基于POI大数据的老工业区房价影响因素空间分异与实证[J]. 人文地理, 2019, 34(4): 106-114. [Xue Bing, Xiao Xiao, Li Jingzhong, et al. POI-based analysis on the affecting factors of property prices' spatial distribution in the traditional industrialarea[J]. Human Geography, 2019, 34(4): 106-114.] |
[30] |
李团胜. 沈阳市城市景观演化及其驱动因素分析[J]. 人文地理, 2005, 20(4): 5-8. [Li Tuansheng. The landscape evolution of Shenyang city and its driving factors[J]. Human Geography, 2005, 20(4): 5-8. DOI:10.3969/j.issn.1003-2398.2005.04.002] |
[31] |
延善玉, 张平宇, 马延吉, 等. 沈阳市工业空间重组及其动力机制[J]. 人文地理, 2007, 22(3): 107-111. [Yan Shanyu, Zhang Pingyu, Ma Yanji, et al. Spatial restructuring of industry in Shenyang city and its mechanisms[J]. Human Geography, 2007, 22(3): 107-111. DOI:10.3969/j.issn.1003-2398.2007.03.023] |