基于POI大数据的扬州市房价空间分异及影响因素研究*

刘欣 章娩娩

(1.东南大学土木工程学院，江苏 南京 211102；2.扬州大学建筑科学与工程学院，江苏 扬州 225009)

0 引言

随着我国城镇化进程的加快，城市居住空间规划不断完善。然而，在城市更新和拓展过程中，居住空间与资源配置的不均衡问题日益凸显，导致房价在空间上出现明显的非平稳性[1]。目前，国内外学者对房价空间异质问题的研究主要从宏观和微观两个层面进行。其中，宏观角度主要从国家政策[2]和货币政策[3]两个方面对房地产供给与需求进行探讨；微观角度以住宅内部因素和外部因素为影响因子建立价格模型，研究房价的影响机制[4]。另外，房价主要影响因素探究机制研究也对空间特殊因素进行了考虑，如住宅市场细分视角、科技人才涵养、特殊自然物等[5-7]对房价空间分异的影响。

近年来，学者运用空间计量技术构建地理加权模型(Geographical Weighted Regression，GWR)探讨房价变动因素，并得到了广泛应用[8]。例如，宋伟轩[9]利用GWR模型探究不同的影响因子与房价空间异质性的关系，从空间视角验证了房价空间分异的复杂性。随着信息技术的发展，POI大数据替代了传统的手动获取房价数据的方法，使研究数据更具时效性、易获取、成本低等优势，可以多尺度实现空间连续性[10]。因此，本文以扬州市为例，基于房价POI大数据构建GWR模型，探究不同空间因素对房价空间异质性影响机制，以确定房价空间分异的主要影响因素，为城市空间布局规划调整提供决策参考。

1 研究区域与数据获取

扬州市的空间发展经历了“跳出古城建东西两翼”的过程，城市发展围绕城市主干道文昌路向东西延伸，最终形成“一体两翼”的空间格局，导致各区出现了经济发展不平衡的形态，因此可作为房价空间异质性研究的典型案例。

城市住宅分为城镇新建住宅和二手住宅，由于扬州市新建住宅样本较少，同时考虑到二手住宅样本在空间布局上具有均质性，所以本文选取2004—2019年的新建住宅和二手住宅作为研究对象。从安居客、房天下采集当月住宅成交均价作为研究数据，剔除信息严重不完整、有误以及重复小区的数据，共获取2664个社区样本。通过ArcGIS经纬度坐标转换，将获取的房价数据与住宅样本POI以住宅名称关联，从而建立扬州市住宅样本数据库。

2 研究方法

2.1 空间自相关分析

为分析扬州市房价在空间上是否有相关性，本文引入空间自相关测度指标，即全局自相关分析和局部空间自相关分析。度量全局自相关性本文采用莫兰指数法(Moran’I)，分析研究范围内不同地段的房价空间格局特征，计算公式如下

(1)

式中，n为楼盘的数量；zi是要素i的属性与其平均值(xi-X)的偏差；wi,j是要素i与j之间的空间权重；S0是所有空间权重的重合；I的值域为[-1，1]，I>0代表空间正相关，I<0代表空间负相关，I=0代表空间相关。

为进一步研究变量房价的局部空间自相关性，采用空间关联的局部指标(Local Indicators of Spatial Association，LISA)进行分析。LISA包括局部Moran I指数，可用于判断房价在空间的集聚现象或差异性，计算公式如下

(2)

2.2 地理加权回归分析

GWR模型是由英国学者Fotheringham在局部回归分析的基础，借鉴局部平滑思想提出的模型。本研究使用ArcGIS中的GWR工具，选取房价影响因素并量化作为自变量，构建以房价为因变量的回归加权模型，主要通过建立空间内各样本的局部回归方程探索住宅样本受影响因素的空间变化，能有效揭示城市房价空间非平稳性和空间依赖性[11]。其一般形式可表示为

(3)

式中，yi与xi1，xi2，…，xip是因变量y和自变量x1,x2,…,xp在(ui,vi)处的实测值；P为选取的因变量个数；εi为随机误差项；βj(ui,vi)(j=1,2,…,p)为关于空间位置的未知函数。

3 研究结果

3.1 房价空间相关性分析

3.1.1 全局空间自相关分析

利用ArcGIS软件对扬州市住宅价格进行全局空间自相关分析，结果显示：在一定距离内，扬州市房价的全局Moran’ I指数为0.103 2>0。这说明房价在研究区域内整体上呈现空间正相关，即相对较高房价在空间上表现为集聚特征。

3.1.2 局部空间自相关分析

基于局部Moran’ I检验，LISA聚类图可以体现房价具有局部集聚的显著性特征。高-高型房价住宅聚集于邗江区、广陵区等中心城区，其区位优势明显、基础设施完善，加上政府大力发展，导致住房需求不断增加，从而引发房价上涨。然而，由于扬州市人口密度低，其核心区对人口的虹吸效果一般，新建住宅供大于求，导致扬州中心城区又出现大量低-高型和低-低型集聚的低房价住宅。因此，房价在空间上表现为高-高型集聚。

3.2 房价空间分异影响因素分析

3.2.1 变量选取

通过上述分析可知，扬州市房价作为因变量具有空间异质性，可考虑空间因素并利用GWR模型分析房价异质性。综合学者对房价空间异质性影响因素的大量研究，本文将商服因素、交通因素、公共设施因素以及环境因素等作为一级自变量并进行量化，见表1。

表1 自变量描述

3.2.2 基于回归系数影响因素空间格局分析

将GWR模型计算所得各影响因素回归系数分位数、均值、标准差统计列于表2，各影响因素回归系数和标准差值相差较大，说明各因素对房价的影响程度具有显著的区位方向性差异，按影响程度大小排名为：小学>中学>公园>商场>公交站>金融服务>医院。

3.3 各因素对房价空间分异研究

3.3.1 商服因素对房价的影响

最近商场距离的回归系数多为负值，距商场越远房价越低。除高邮市，各区域内配套设施完善，有万达、京华城等大型商圈，对房价具有抬高效应(图1)。高邮市内回归系数呈现正值，房价与商场距离的关联度圈层式衰减，住宅远离商场反而价格越高。

最近金融服务对房价影响以高邮市为中心向外层逐渐增强(图2)。在高邮市内，回归系数为负数，表明距离金融服务距离越远，房价越低。该地中心金融服务聚集，能拉动房价；中心外围金融服务对房价增值效果小。扬州市北部以及中心城区回归系数为较小正值，表明金融服务对这两块区域影响不大。

3.3.2 公共设施因素对房价的影响

最近小学距离是重要影响因素，均值绝对值和标准差是结果中最大的(图3)。在中心城区、仪征市以及宝应县回归系数为正值，是因为有多所像育才小学、梅岭小学这样的优质重点小学对房价有拉动作用。对于优质重点小学与普通小学混杂的区域，回归系数绝对值较小，房价受小学距离影响的空间分异特征较弱。

最近中学距离对房价影响与最近小学距离相悖。仪征市、宝应县回归系数为负值，房价随着与中学距离的缩短而增加。这些区域由于重点中学稀缺扩大了中学对房价的影响力。由于2019年扬州市政府优化教育格局，将中心城区多所中学合并，使得学校质量参差不齐，导致中心城区房价空间分异显著。

3.3.3 交通因素对房价的影响

公交密度对房价产生微弱的正向影响，即距公交站越多，房价越高。究其原因，一方面，大部分居民采用电动车出行，对于公交依赖减弱；另一方面，公交站密度越高的地段带来的噪声污染以及交通堵塞会对房价产生负面影响。

3.3.4 环境因素对房价的影响

公园距离与房价为负相关，房价随着住宅与公园距离减少而增值。受影响最大的地段有两个：一是文昌西路两端的乡村，其景观资源不具有稀缺性，因此公园房价抑制作用明显；二是高邮市，市中心面积小，乡镇占据面积大，公园对房价也不具有增值优势。宝应县和扬州市中心城区内，公园对房价产生较小的正影响，主要是因为该地段公园影响范围大、空间分异小。

4 结语

本文通过空间自相关、地理加权回归等方法，对扬州市房价空间异质性及影响因素进行了多角度分析。结果显示：

(1)由空间自相关分析发现，扬州市房价存在空间相关性，中心城区存在显著的空间异质性。房价高值集聚于基础设施完善的中心城区，其低值积聚于江都区、仪征市、高邮市、宝应县等公共建设较慢、土地开发程度相对较低的区域。

(2)教育资源、公园、商场等显著影响房价空间分异。其中，教育资源是影响房价的最主要因素，影响作用随着距离增加而减弱。公园和商场产生的空间红利对房价具有溢价作用。

(3)GWR模型分析表明，影响因素空间差异是导致房价空间分异性的重要原因。小学和公园对房价有积极影响，如稀缺的优质小学教育资源稀缺成为扬州市发展欠发达区域拉动房价的关键因素。商场、公交站、医院、金融服务等对房价的空间影响表现为圈层结构，在核心层距影响因素越近房价越高；圈层外沿受影响因素空间分配数量不同，与距离的相关性受到削弱，对房价具有负向影响。

从整体来看，由于房价影响机制的多样性，不同区域房价空间差异明显。因此，政府在针对房价调控制定相关政策和规划时，应考虑房价相邻区域间的联系不仅局限于空间上的关联。