EN中文

地球信息科学学报 >

2018 , Vol. 20 >Issue 8: 1139 - 1149

DOI: https://doi.org/10.10282/dqxxkx.2018.180072

地理空间分析综合应用

基于地理探测器的南京市住宅租金空间分异格局及驱动因素研究

  • 尹上岗 , 1 ,
  • 李在军 2 ,
  • 宋伟轩 , 3, * ,
  • 马志飞 1
展开
  • 1. 南京师范大学地理科学学院,南京 210023
  • 2. 扬州大学苏中发展研究院,扬州 225009
  • 3. 中国科学院南京地理与湖泊研究所 流域地理学重点实验室,南京 210008
*通讯作者：宋伟轩（1981-）,男,吉林敦化人,博士,副研究员,研究方向为城市社会地理。E-mail:

作者简介：尹上岗（1993-）,男,安徽太和人,硕士生,研究方向为城乡发展与区域规划。E-mail:

收稿日期: 2018-01-25

  要求修回日期: 2018-03-20

  网络出版日期: 2018-08-24

基金资助

国家自然科学基金项目（41671155、41771184）

北部湾环境演变与资源利用教育部重点实验室系统基金项目（2015BGERLKF06）

收起

Spatial Differentiation and Influence Factors of Residential Rent in Nanjing Based on Geographical Detector

  • YIN Shanggang , 1 ,
  • LI Zaijun 2 ,
  • SONG Weixuan , 3, * ,
  • MA Zhifei 1
Expand
  • 1. School of Geography Science, Nanjing Normal University, Nanjing 210023, China
  • 2. Research Institute of Central Jiangsu Development, Yangzhou University, Yangzhou 225009, China
  • 3. Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences Nanjing 210008, China
*Corresponding author: SONG Weixuan, E-mail:

Received date: 2018-01-25

  Request revised date: 2018-03-20

  Online published: 2018-08-24

Supported by

National Natural Science Foundation of China, No.41671155, 41771184

Key Laboratory of Environment Change and Resources Use in Beibu Gulf Fund, No.2015BGERLKF06.

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

以南京市“一主三副”住宅小区为研究单元,运用GIS中的渔网（Fishnet）分析和探索性空间数据分析（ESDA）对“一主三副”住宅租金的空间分布进行模拟和估计,并利用地理探测器模型从住宅小区的区位特征、建筑特征和邻里特征3个方面探究住宅租金空间分异的影响机制。结果表明：① 南京市住宅租金总体呈上升趋势,空间上表现出主城向副城递减的中心外围模式,住宅租金空间结构逐渐由单核向双核发展,且住宅租金存在显著的空间异质性;② 住宅租金呈现出明显的空间正相关性和区域集聚性,热点区自内城核心区至副城趋于弱化,冷热点空间格局呈圈层结构;③ 交通位势和中心位势是对一主三副住宅租金解释力最大的因素,商务配套、金融设施和住宅房龄的解释力次之,特征因素对主城副城租金的影响强度各异。

关键词： 住宅租金; 空间格局; 探索性空间数据分析; 地理探测器; 南京市

本文引用格式

尹上岗 , 李在军 , 宋伟轩 , 马志飞 . 基于地理探测器的南京市住宅租金空间分异格局及驱动因素研究[J]. 地球信息科学学报, 2018 , 20(8) : 1139 -1149 . DOI: 10.10282/dqxxkx.2018.180072

Abstract

Urban residential rent space differentiation has always been one of the core contents of urban geography and urban economics. The residential rent has the inherent regularity in the spatial distribution, and explores this law information and its influence mechanism, which helps the government to formulate reasonable price regulation and land use policy. Taking Nanjing "one main city and three subsidiary cities" residential quarters as research unit, this paper simulates and estimates the spatial distribution of "one main city and three subsidiary cities" residential rents by using fishnet analysis and Exploratory Spatial Data Analysis (ESDA) , and explores the influence mechanism of residential rent space difference from three aspects of residential area's location feature, architectural feature and neighborhood feature by using the geographical detector model. The results show that: (1) Residential rent in Nanjing generally shows an upward trend, showing a peripheral pattern of decentering from the main city to the vice city in space, and the spatial structure of residential rent gradually develops from single nuclear to dual nuclear with significant spatial heterogeneity in residential rent. (2) The residential rent shows obvious positive spatial correlation and regional agglomeration. The hot spots tend to weaken from the inner core to the vice cities, and the hot and cold spot spatial patterns are in a circle. (3) The traffic trend and central tendency are the factors that explain the rent of one house and three houses the most, and the second one is the explanation power of commercial facilities, financial facilities and residential houses. The influence intensity of the characteristic factors on the rents of the main city and vice-cities varies. Therefore, research on urban residential rental space distribution can promote the differentiation of space and an important driving mechanism, and can predict the basic trend in the future time city residential rental space distribution pattern evolution, can provide a forward-looking perspective and analysis tools to the study of urban social space.

Key words： residential rent; spatial pattern; exploratory spatial data analysis; geographical detector; Nanjing

1 引言

自1978年改革开放以来,中国城市化进程大大加快,进入21世纪,城市化步入高速发展阶段。伴随着城市化的推进,大量流动人口涌入城市,流动人口的住房问题逐渐成为社会关注的热点问题之一[1,2,3,4,5]。由于中国流动人口主要以农民工和毕业大学生为主,而此类群体缺乏充足的经济与信贷能力来购买住宅,故流动人口与城市里中低收入阶层共同构成城市中租房的主体。随着房地产市场的迅速发展,城市住宅价格与住宅租金均呈现上升趋势,住房供需矛盾也日益显现,住房供给不足和租赁需求增长成为大量一线或二线城市面临的紧迫问题。住宅租赁市场作为住宅市场的重要组成部分,缓解了流动人口和城市中低收入家庭的住房问题[6]。随着房价大幅上涨,住宅租赁市场也将迎来新的发展机遇,租金作为住宅租赁市场的核心[7],对住宅租金的空间分布及驱动机制的研究,有利于营造健康的住宅租赁市场,深化住房体制改革,从而规范租赁市场行为,实现居民住有所居。
城市住宅价格与租金价格历来是城市地理学、城市社会学和区域经济学研究的重要内容。国内外对住宅价格的研究均广泛且深入[8,9,10,11,12],而关于住宅租金价格的研究相对较少。国外住宅租赁市场发展较早,现已较为成熟。国外学者主要利用管理学、经济学的理论与方法模型对住宅租金进行研究,研究内容多集中在租金价格指数[13]、租金价格预测[14]、租金价格效应[15]、租金政策效应[16]等方面。由于中国住宅租赁市场仍处于初期阶段,发展速度较住宅买卖市场慢,故国内学者对其关注度普遍较低,对住宅租金的研究较少,已有研究大多针对住宅租金影响因素[6-7,17-18]、房价租金比[19,20]等方面。在住宅租金影响因素方面,大多数学者利用特征价格模型（Hedonic Model）从住宅的区位特征、建筑特征、邻里特征等方面进行分析[6,21]。
可见,以往的研究多是从管理学、经济学视角分析住宅租金的特征效应,而从地理学视角利用空间统计模型探测住宅租金驱动因素的研究少之又少。因此,本文试图在分析南京市住宅租金空间格局的基础上,引入地理探测器定量探测影响住宅租金空间分布的驱动因素,以期为政府住建部门更好的调控房地产租赁市场提供参考。

2 研究区概况与数据源

2.1 研究区概况

以南京的中心城区“一主城三副城”,即“主城区”、“江北副城”、“仙林副城”和“东山副城”为研究区域（图1）,其面积约846 km2,占南京市行政区域的12.8%。其中主城区进一步划分为内城、河西新城（含江心洲）和主城外围,内城范围主要为明城墙以内[22],河西新城为秦淮河、南河、秦淮新河与长江所围区域[23],外围为主城除内城、河西新城外剩余的区域。“一主三副”在行政区域上包括玄武区、鼓楼区、秦淮区、建邺区四区及雨花台区、江宁区、栖霞区、浦口区、六合区的部分地区,其中“一主城三副城”范围主要参考《南京市城市总体规划（2011-2020）》界定。
Fig.1 The study area

图1 研究区域

2.2 数据源

本文选取2009、2011、2013、2015和2017年共5个时间截面,时段为每年的第一季度,以住宅小区为基本研究单元,对南京中心城区“一主城三副城”的3963个住宅小区进行租金价格信息采集,住宅小区的分布特征见图1和表1。基于禧泰数据公司建立的全国城市房地产数据库（http://www.creprice.cn/）中提供的关于南京市房产租赁信息,并且根据搜房网（http://nanjing.fang.com/）和安居客（http://nanjing.anjuke.com/）等房地产网站对其住宅租金数据进行筛选、补充与核对,住宅小区的租金价格采用当季度这些房地产交易网站单位面积的租房均价为主。利用Google Earth探测各住宅小区空间位置,并运用ArcGIS软件对研究区域及附近的交通路网、水系山体等地理要素进行矢量化,建立研究区域住宅小区空间属性数据库。
Tab. 1 Residential areas are distributed in the study area

表1 研究区域住宅小区分布

区域 主城 江北副城 仙林副城 东山副城 合计
内城 河西新城 主城外围
样本数量/个 1083 663 996 531 215 475 3963
样本比重/% 27.33 16.73 25.13 13.40 5.43 11.99 100

3 研究方法

3.1 探索性空间数据分析方法

以探索性空间数据分析（Exploratory Spatial Data Analysis,ESDA）技术探测南京市住宅租金的空间相关性[24]。ESDA常用的分析工具主要有2类：① 全局空间自相关,主要探索“一主三副”整体上住宅租金的空间分布模式;② 局部空间自相关,主要探索子区域上住宅租金空间分布模式或空间异质性。
（1）全局空间自相关分析
利用全局空间自相关（Global Moran's I）来诊断研究区域之间整体上住宅租金的空间关联程度是相似（正相关）、相异（负相关）,亦或是相互独立（随机分布）[25]。其表达式如下[26]：
I = n ∑ i = 1 n ∑ j = 1 n w ij ∙ ∑ i = 1 n ∑ j = 1 n w ij ( x i - x ̅ ) ( x j - x ̅ ) ∑ i = 1 n ( x i - x ̅ ) 2 （1）
式中：n为住宅小区的个数;xi、xj分别为i小区和j小区的住宅租金; x ̅ 为全部小区住宅租金的平均值;wij为区域空间权重矩阵,区域空间邻接为1,不邻接为0。Global Moran's I >0表示空间正相关,Global Moran's I<0表示空间负相关。
（2）局部空间自相关分析
局部空间自相关（Local Moran's I）可以进一步判断局部区域的集聚状态[27],度量每个区域与相邻区域间的局部空间关联和空间差异状况,Local Moran's I可用来探索同一区域内邻近空间单元属性特征值的相似性或相关性,计算公式为[28]：
I i = ( x i - x ̅ ) S 2 ∑ j = 1 n w ij ( x j - x ̅ ) （2）
式中： S 2 = 1 n ∑ i = 1 n ( x i - x ̅ ) 2 为住宅租金的方差,其余指标xi、xj、wij和 x ̅ 的解释同式（1）。当Local Moran's I>0时,表示租金相似的小区呈局部集聚（高值或者低值集聚）;当Local Moran's I<0时,表示租金不相似的小区呈局部集聚（“高-低”或者“低-高”集聚）。
（3）时空热点分析
引入时空模式挖掘（Space Time Pattern Mining）以识别住宅租金在空间和时间上的演化模式。时空模式挖掘主要包括创建时空立方体和新兴时空热点分析,创建时空立方体用于获取点数据集,构建用于分析的多维立方体数据结构（NetCDF）,新兴时空热点分析可以识别立方体数据随时间发展、在统计上显著的热点和冷点趋势[29]。新兴时空热点分析可以通过邻域距离和邻域时间步长参数值来计算每个立方体条柱的Getis-Ord Gi*统计（热点分析）,然后使用Mann-Kendall趋势测试评估热点和冷点趋势,从而得到热点与冷点的模式分类,具体分类模式见文献[29]。

3.2 地理探测器

地理探测器（Geographical Detector）是识别地理空间分异性,揭示其背后驱动力影响的统计学分析方法[30],并且可以有效独立探测2个变量空间分布一致性与因果关系[31]。传统的住宅租金研究方法主要利用特征价格模型（Hedonic Model）、空间计量经济模型等方法[21,26],这些传统方法的数据要求和假设条件较多,如正态性和同方差性等,而地理探测器假设条件较少,可以有效避免传统数学计量模型的局限性。利用地理探测器分析影响因素强度的核心思想为：影响住宅租金变化的相关特征因素在空间上具有异质性,若某因素强度与住宅租金强度在空间分布上具有显著的一致性或相似性,则可以说明这种特征因素对住宅租金具有决定作用。地理探测器模型公式为：
q D , U = 1 - 1 n σ U 2 ∑ i = 1 m n D , i σ U D , i 2 （3）
式中：qD,U为住宅租金影响因素D的解释力指标; n为研究区小区的数量;m为次级区域的数量;nD,i为次级区域内小区的个数; σ U 2 为研究区所有小区住宅租金的方差; σ U D , i 2 为次级区域住宅租金的方差;qD,U的取值范围为[0,1],qD,U值越大,表明D因素对住宅租金的空间分布解释力越强。

4 南京市住宅租金分异格局

4.1 南京市住宅租金时空演变特征

利用ArcGIS地统计分析模块中趋势分析工具,生成2009、2013和2017年南京市住宅租金的趋势变化图（图2）。由图可看出,样本数据在X轴方向和Y轴方向均呈现出明显的“倒U型”曲线,表明南京市住宅租金在东西方向（X轴方向）和南北方向（Y轴方向）上均表现为由市中心（新街口商圈）向外围递减的趋势。随着时间的推移,南北方向转变为北低南高的趋势,东西方向仍表现为由中心向外围递减的趋势,这反映了南京市一主三副空间发展的不平衡性日益增强,南北差异较大。
Fig. 2 Trend analysis of residential rent in Nanjing in 2009, 2013 and 2017

图2 南京住宅租金趋势面分析

由趋势分析可知,南京市住宅租金存在着显著的“空间异质性”,表现出与南京住宅房价相同的特征[12]。为直观展现南京市住宅租金的空间分布规律,利用ArcGIS软件中渔网（Fishnet）分析方法,以500 m×500 m网格为基本单元,分析南京市“一主三副”住宅租金差异的空间格局（图3）。
Fig. 3 The spatial differentiation pattern of residential rent in Nanjing from 2009 to 2017

图3 南京市住宅租金空间分异格局（2009-2017年）

4.1.1 总体呈上升态势,但速度趋缓
2009-2017年,南京市住宅租金由23.12元/m2·月上涨到33.37元/m2·月,住宅租金上涨44.3%,年均上涨4.7%。各区域租金涨幅略有差异,其中江北副城、仙林副城和东山副城住宅租金上涨最快 （表2）,三副城住宅租金均上涨90%以上;河西新城和主城外围区域住宅租金上涨次之,均上涨超过50%;而内城住宅租金增幅较慢,八年仅增长0.3倍,年均上涨仅3.2%。虽然整体呈现出上升趋势,但是2015-2017年内城住宅价格由44.86元/m2·月下降为39.92元/m2·月,降幅为11%,年均下降5.7%,使内城8年间住宅租金上涨较慢,除内城外其他区域2015-2017年上涨较慢,由于内城住宅小区占到研究区总体1/4以上,故使得2017年研究区整体住宅租金略微下降。
Tab. 2 Residential rent in the central urban areas of Nanjing

表2 南京市城区各区域住宅租金均值（元/m2·月）

年份 主城 江北副城 仙林副城 东山副城 整体
内城 河西新城 主城外围
2009 30.93 26.12 21.16 9.89 15.39 14.89 23.12
2011 33.23 28.88 23.76 11.95 20.91 18.01 25.12
2013 39.90 36.69 28.64 15.16 26.70 23.17 30.67
2015 44.86 40.42 32.63 17.58 29.62 27.87 34.26
2017 39.92 41.41 32.78 19.01 29.23 29.76 33.37
4.1.2 以内城为中心,向副城递减
由图3可知,2009-2015年南京市住宅租金以内城为中心,向河西新城、主城外围递减,并由河西新城、主城外围向江北副城、仙林副城和东山副城方向递减,总体显示出内城>河西新城>主城外围>仙林副城>东山副城>江北副城的核心边缘的空间结构,也呈现出典型的圈层与扇形结合的混合模式。2015-2017年住宅租金的中心转移到河西新城。2015年前,以新街口附近的中山路为中心的单核心结构,2015年后南京市住宅租金呈现出多核心结构,以新街口为中心的核心逐渐衰弱,以奥体为中心的河西新城住宅租金上涨较快,成为另一个核心。到2017年,河西新城住宅租金价格已超过内城,成为南京住宅租金最高的区域,即以河西奥体为中心的核心已然超越新街口核心。
4.1.3 三副城围绕主城呈组团分布
2009-2011年,江北副城、仙林副城和东山副城住宅租金上涨较慢,住宅租金也均低于“一主三副”的平均水平（表2）。2013-2017年,三副城住宅价格发展较快,三副城内部也存在显著差别。江北副城六合片区2009-2017年住宅租金一直处于较低水平,且上涨缓慢,整个江北副城的住宅租金和长江以南的主城、仙林副城、东山副城均存在较大差距。仙林副城以地铁2号线仙鹤门站至羊山公园站沿线为中心,形成南京市住宅租金的次级中心,而仙林副城与主城外围相邻区域成为租金的“洼地”。东山副城以百家湖周围为中心,虽然其住宅租金强度不及仙林副城,但区域内部租金分布较为均匀,且秦淮河以西区域住宅租金略高于东部地区。
4.1.4 山水景观资源附近镶嵌分布
南京市是著名的国家园林城市、国家历史文化名城,拥有丰富的山水、历史文化资源,景观资源对住宅价格的影响显而易见[32],对住宅租金的影响也呈现相似的特点。由图3可知,玄武湖、秦淮河、紫金山、月牙湖、雨花台风景区、百家湖、羊山公园等大型山水景观资源周围镶嵌分布着高租金小区,主要由于这些景观资源具有一定稀缺性和垄断性,提升了周围小区的居住环境品质。随时间的变迁,山水景观资源对周围小区住宅租金的影响并没有增强,而是维持在相对稳定的水平。

4.2 南京市住宅租金空间关联特征

4.2.1 全局空间自相关特征
根据式（1）计算南京市一主三副5个年份住宅租金的全局相关性Moran's I指数,并利用Z值对 Moran's I进行检验（表3）。由表3可知,2009-2017年南京住宅租金的Moran's I值均为正值,且各年份Moran's I的状态统计值均大于0.001置信水平下的临界值（3.2905）,通过显著性检验。这说明南京市住宅租金存在较为明显的空间正相关性,即距离较近的住宅租金相似性较高,住宅租金存在明显的空间依赖性。由Moran's I值的变动情况可以将其划分为两个阶段,第一阶段Moran's I由2009年的0.4350上升至2015年的0.5452,表明2009-2015年南京市住宅租金的空间关联性逐步加强,住宅租金的空间分布趋于不平衡,各小区间住宅租金的差异呈扩大趋势。第二阶段Moran's I值由2015年的0.5452下降到2017年的0.3142,主要由于河西新城住宅租金发展较快,与内城呈双核心结构,弱化了住宅租金的空间集聚性,表明2015-2017年南京房屋租赁市场发展较快,使得区域内小区住宅租金的差异逐渐缩小。
Tab. 3 Global Moran's I statistics for residential rent in Nanjing

表3 南京住宅租金全局Moran's I统计值

年份
2009 2011 2013 2015 2017
Moran's I 0.4350 0.4254 0.5419 0.5452 0.3142
E(I) -0.0006 -0.0005 -0.0004 -0.0004 -0.0003
Z(I) 39.0446 58.7686 42.7149 56.9387 34.5479
P值 0.0000 0.0000 0.0000 0.0000 0.0000
4.2.2 局部空间自相关特征
利用局部空间自相关对南京市“一主三副”内住宅租金的局部空间集聚特征进行分析,得到南京市住宅租金的LISA集聚图（图4）。
Fig. 4 Localized spatial autocorrelation of Nanjing residential rent in 2009, 2013 and 2017

图4 2009、2013和2017年南京住宅租金的局部空间关联特征

由图4可看出,2009-2017年住宅租金高-高型与低-低型小区合计占55%以上,而高-低型与低-高型小区数量和低于15%,说明住宅租金具有较强的区域集聚性。其中,高-高类型区主要分布在内城和河西新城,主城外围也有少量分布;低-低类型区主要分布在江北副城、仙林副城和东山副城,主城外围仍有少量分布;低-高类型区主要分布在主城外围和河西西城,内城也呈现出增多的趋势。2009-2017年,低-低、高-低和低-高类型区的分布及比重变化较小,而高-高类型区比重由43.72%下降到33.33%,且呈现出由内城向河西新城转移的趋势,这是由于2015年后河西新城逐渐住宅租金的另一个核心,2017年内城住宅租金有所下降,致使其住宅租金的平均价格被河西新城超越。
4.2.3 时空热点格局演化
利用ArcGIS时空模式挖掘工具进一步探究南京市一主三副住宅租金的空间集聚演化特征。时空热点分析以南京市一主三副住宅小区2009年第一季度至2017年第一季度共计33个季度租金价格为基础,邻域距离设置为500 m,并将邻域时间步长设置为10,得到一主三副住宅租金冷热点演化模式图（图5）。
Fig. 5 Spatio-temporal pattern mining of residential rent in Nanjing during 2009-2017

图5 2009-2017年南京市住宅租金的时空模式挖掘分析

由图5可知,南京市住宅租金的时空格局演化存在较强的局部特征,连续的热点、震荡的热点和渐少的冷点是一主三副住宅租金最为主要的演化模式类型。从各类型的空间分布上看,热点区分布在主城区、仙林副城和东山副城的核心区,其中加强的热点均集聚在内城核心区,连续的热点分布在加强热点周围的内城外缘、河西新城的核心区和秦淮河畔,震荡的热点散布于河西新城、主城外围、仙林副城和东山副城的核心区,新增的热点数量较少,主要分布在东山副城的百家湖附近。冷点区主要分布在江北副城、东山副城的秦淮河以东区域、仙林副城和主城外围的相邻地区,其中持续的冷点多集中分布在江北副城的六合片区,渐少的冷点散布于江北副城浦口片区、东山副城的秦淮河以东区域、仙林副城和主城外围的相邻地区（燕子矶、迈皋桥和尧化街道）,历史的冷点较少,多分布在东山副城的秦淮河旁。非显著模式散布于内城外围、东山副城震荡热点区与减少冷点区之间。总体来看,南京市一主三副住宅租金的时空格局演化以热点区为主,热点区比重约占63.71%,冷点区只占到27.11%（其中渐少的冷点区占22.36%）,表明一主三副住宅租金以上升为主,并且具有明显的同心圆圈层结构,住宅租金的热点自内城核心区向副城逐渐趋于整体性下降与弱化,住宅租金的冷点自副城外向主城趋于弱化,热点区较冷点更为集中。

5 住宅租金空间分异的驱动因素

5.1 特征变量选取

根据城市地理学和住宅经济学的相关理论, 再结合众多学者对住宅价格及住宅租金的研究实践[11,21],从城市住宅的区位特征、建筑特征和邻里特征3个方面选取13个指标探测对住宅租金的影响（表4）。由于地理探测器主要善于分析类别变量,故对这13项数值型变量进行离散化处理,即将13项指标值由低到高等分成5类：低（20%）、中低（20%）、中等（20%）、中高（20%）、高（20%）水平区,由该比例确定各探测因素指标值所处的类别。
Tab. 4 The impact factors of differentiation of residential rent in Nanjing

表4 南京市住宅租金分异影响因素

变量类型 特征变量 变量描述
区位特征 中心位势 与新街口和最近二级商业中心距离之乘积
交通位势 与最近地铁站的距离
景观位势 与最近城市大型山水景观资源的距离
建筑特征 住宅房龄 住宅建筑的使用年数
绿化率 小区绿化面积/小区规划面积
容积率 地上建筑面积/占地面积
邻里特征 生活配套 与最近大型商场和各类超市的距离
教育设施 与最近中小学的距离
医疗设施 与最近医院的距离
金融设施 与最近银行网点（不包括ATM机网点）的距离
休闲娱乐 与最近城市公园广场、大学校园和文化体育场馆的距离
餐饮配套 与最近酒店、饭店的距离
商务配套 与最近商务大厦的距离

注：二级商业中心包括：河西、城南、江北、仙林、东山和湖南路。大型山水景观资源包括：紫金山、栖霞山、幕府山、将军山、老山、龙王山、方山;玄武湖、月牙湖、百家湖、九龙湖、内外秦淮河、长江、夹江;羊山公园、仙林湖公园、小桃园公园、莫愁湖公园、雨花台风景区等

5.2 因子探测结果

5.2.1 一主三副整体住宅租金影响因素
通过地理探测器模型的因子探测工具,分析不同区域住宅特征因素对租金的影响程度（表5）。由一主三副整体的特征因子对住宅租金的解释力可知,中心位势、交通位势、住宅房龄、绿化率、容积率、生活配套、教育设施、医疗设施、金融设施、餐饮配套和商务配套均在1%置信水平上显著。在所有特征因子中,区位特征中的交通位势和中心位势对南京市住宅租金的影响力最大,解释力分别达到了0.348和0.337,表明一主三副住宅的交通位势和中心位势对租金价格的形成起到关键作用。在建筑特征方面,3个特征因子均对住宅租金产生显著影响,其影响程度的强弱依次为：住宅房龄>容积率>绿化率,相对其他类型特征因子,建筑特征因子影响强度较小。在邻里特征方面,商务配套对住宅租金影响程度最高,其余依次为餐饮配套、金融设施、教育设施、医疗设施和生活配套,而休闲娱乐对住宅租金的影响不显著。
Tab. 5 The detection results of the influence factors of residential rent in different regions

表5 不同区域上住宅租金影响因素探测结果

特征变量 整体 主城 江北 仙林 东山
qD,U p qD,U p qD,U p qD,U p qD,U p
中心位势 0.337*** 0.000 0.131*** 0.000 0.129*** 0.000 0.221* 0.053 0.126** 0.016
交通位势 0.348*** 0.000 0.132*** 0.000 0.081*** 0.003 0.315** 0.012 0.240*** 0.000
景观位势 0.002 0.266 0.002 0.423 0.006 0.688 0.046 0.228 0.008 0.677
住宅房龄 0.025*** 0.000 0.025*** 0.000 0.010 0.873 0.034 0.648 0.057* 0.068
绿化率 0.007*** 0.000 0.009*** 0.004 0.049*** 0.004 0.059 0.187 0.015 0.472
容积率 0.024*** 0.000 0.006** 0.050 0.015 0.480 0.028 0.579 0.079*** 0.007
生活配套 0.028*** 0.000 0.004 0.302 0.013 0.826 0.067 0.304 0.019 0.464
教育设施 0.031*** 0.000 0.003 0.391 0.005 0.912 0.056 0.709 0.032 0.320
医疗设施 0.029*** 0.000 0.002 0.635 0.024 0.456 0.003 0.998 0.035** 0.043
金融设施 0.034*** 0.000 0.010*** 0.003 0.025 0.207 0.020 0.977 0.037 0.105
休闲娱乐 0.001 0.673 0.001 0.875 0.007 0.633 0.072 0.110 0.016 0.323
餐饮配套 0.053*** 0.000 0.004 0.271 0.009 0.967 0.057 0.561 0.015 0.765
商务配套 0.118*** 0.000 0.050*** 0.000 0.002 1.000 0.063 0.309 0.006 0.909

注：***、**、*分别表示在1%、5%、10%置信水平上显著

5.2.2 次级区域住宅租金影响因素
在主城区内对住宅租金解释力最强的仍然为交通位势和中心位势,分别达到了0.132和0.131,其次为商务配套、住宅房龄、金融设施、绿化率和容积率,邻里特征因子的解释力也远大于建筑特征因子,即租房者对住宅周边设施的要求高于住宅及小区自身,表明主城的租房者大多先考虑住宅附近公共服务设施的便捷性,而对住宅及所处小区的内部特征要求较低。商务配套、住宅房龄和金融设施等因素对住宅租金的解释力也均在0.010以上,这主要由于内城和河西新城集中了研究区商务大厦总量80%以上,并且主城区集中了全市近60%的金融机构和银行网点,使得主城的商务便捷性和金融服务度远远超过副城。另外,2017年主城区进行老旧小区改造的数量占全市的93%以上,即主城区作为南京老城区住宅平均建筑年龄较老,故住宅房龄对租金影响较大,且呈负相关关系。
在3个副城特征因子探测中,区位特征对副城租金价格的影响最大,不同的是江北副城住宅租金的解释力最强的因子为中心位势,交通位势次之,而仙林副城和东山副城的解释力最强的因子为交通位势,中心位势次之。由经济地租理论可知,城市经济地租由城市中心向外围递减,而江北副城位于长江以北,远离南京主城区及市中心,故江北副城住宅租金远远低于主城区、仙林副城和东山副城。2010年地铁1号线南延线和地铁2号线运营,2014年地铁S1号线运营,2015年地铁3号线运营,2017年地铁4号线运营,这些都极大促进了东山副城、仙林副城与主城的联系,缩短了东山、仙林到市中心的出行时间,故交通位势成为影响其租金的最主要因素。其余特征因素中,江北副城只有绿化率显著,仙林副城除区位特征中交通位势和中心位势外,无其他显著特征因子,东山副城中容积率、住宅房龄和医疗设施对住宅租金的影响力依次降低。
5.2.3 整体与次级区域租金影响因素比较
将一主三副整体及次级区域内对住宅租金解释力前5的特征因素进行比较并排序（图6）。可以发现：区位特征中的交通位势和中心位势均是对住宅租金解释力最大的因素,表明交通位势和中心位势对主城、副城住宅租金的影响是决定性的,可以解释大部分租房者的区位选择行为。一方面,住宅租金与距商业中心的距离呈反比,这也符合地租递减规律,另一方面交通便捷性与否决定了租房者的通勤时间,交通可达性较高的区域往往能够吸引大量房地产投资,进而提高附近住宅价格[26]和租金价格。
Fig. 6 Residential rent explained by the characteristic factors of residential in different regions

图6 不同区域特征因素对租金解释力

一主三副整体和次级区域解释力排名前5位影响因子出现较多的还有商务配套、金融设施和住宅房龄。随着产业转型升级,2016年南京市第三产业占GDP的比重已达58.3%,其中金融业占GDP比重高达11.8%,由于租赁住房群体以毕业大学生和外来流动人口居多,而这些人群主要从事第三产业为主,故受商务配套和金融设施的影响较大。建筑特征中仅住宅房龄解释力较强,而绿化率和容积率对住宅租金的解释较弱,表明大多租房者对住宅小区的绿化率、容积率等建筑特征要求较低。邻里特征中生活配套、教育设施、医疗设施、休闲娱乐对租金的解释均比较弱,表明随着交通条件的改善,人们的出行半径大大增加,对部分设施的邻近性要求有所降低。另外,由于租房者多为城市中低收入阶层,而此类群体对休闲娱乐、医疗设施和教育设施等要求不高。
对比主城与3个副城特征因子的解释力及置信度可知,无论主城或副城,交通位势和中心位势均是对住宅租金解释力最大的因素。有所不同的是,主城作为住宅租金的高值区,除了中心位势和交通位势对住宅租金的解释力较强外,还受建筑特征和邻里特征里众多因素的影响,而副城受建筑特征影响较大,受邻里特征影响较小。比较而言,副城受建筑特征的影响较主城大,这主要由于副城开发较晚,2010年3个副城的总体规划才通过专家论证,副城2011年后新建住宅小区占到一主三副的55%以上,这些新建小区住宅品质大多高于主城的老旧小区,而新建小区周边配套设施大多不完善,故邻里特征对副城租金影响较小。主城老旧小区虽占一定比重,但其周边设施便利度较高,故邻里特征对其租金影响相对较大。这也反映出主城住宅租金受多种特征因素的影响从而价格较高,并且成为租金的持续热点区,而副城住宅区位条件、邻里条件不如主城,且租金影响因素较少,故副城的住宅租金价格较低。

6 结论与讨论

本文以南京市“一主城三副城”的住宅租金为研究对象,利用渔网工具（Fishnet）和探索性空间数据分析（ESDA）对空间分布格局进行探析,并运用地理探测器分析南京住宅租金价格的影响因素,得到如下结论：
（1）一主三副住宅租金存在着显著的空间异质性,总体呈现出主城>仙林副城>东山副城>江北副城的核心边缘结构,三副城围绕主城呈组团状分布。2009-2017年南京市住宅租金总体上呈上涨的态势,且逐渐由单核向双核的空间结构发展,也反映出一主三副经济发展的不均衡。可以预见,河西新城作为南京重点发展的城市新中心,将成为市区住宅租金的新高地。
（2）南京市住宅租金具有明显的空间正相关性和较强的区域集聚性,并且2009-2017年这种集聚趋势先增强后减弱,集聚趋势的弱化表明一主三副整体租金的空间差异呈缩小态势。冷热点空间格局呈现出典型的圈层结构,租金热点区集中在主城区,冷点区主要分布在3个副城,热点区自内城核心区至副城趋于弱化。热点区为主体的演化格局亦表明一主三副住宅租金在未来仍将持续走高。
（3）一主三副住宅租金“破碎化”形态主要受中心位势、交通位势、商务配套、金融设施、住宅房龄等因素的影响。区位特征、邻里特征、建筑特征的影响力依次减弱,其中交通位势和中心位势是决定住宅租金的关键因素,各特征因素相互联系、相互作用,形成了南京市“一主三副”住宅租金的时空分异格局。特征因素对不同区域租金解释力各异说明各区域租房者对住所要求的差异性。
随着住宅租赁市场的发展,南京市住宅租金将在未来几年仍保持上升态势,其中河西新城和3个副城租金发展势头可能更为迅猛,故政府应及时规范住宅租赁市场,建立合理的住宅租赁市场发展机制,并且针对不同区域制定差异化的租赁政策。城市化的快速推进,使居民对住宅房屋的需求及要求将呈现出多元化趋势,因此对居民住宅选择行为及住宅价格、住宅租金影响机制的研究显得迫在眉睫。本文主要从住宅小区的属性特征入手,对住宅租金的影响机制展开研究,缺乏对住宅自身微观特征（如房屋朝向、所在楼层、装修档次等）和租房群体特征（如收入、年龄、教育层次等）的分析,在以后的研究中将加入这些因素的影响,更深入探究住宅租金的影响因素及形成机理。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wang Y P, Wang Y L, Wu J S.Housing migrant workers in rapidly urbanizing regions: A study of the Chinese model in Shenzhen[J]. Housing Studies, 2010,25(1):83-100.China has experienced a huge wave of rural to urban migration over the last 25 years; however, Chinese cities do not have the large-scale slum settlements found in other developing countries. Has China found a new way to solve the housing problems of migrants and the urban poor? This paper addresses this question and reports the findings of a recent research project carried out in Shenzhen City. In general, Chinese migrants are poor in comparison with official urban residents. The majority of them live in shared rooms or small apartments in the so-called urban villages. Housing poverty, especially overcrowding, is a serious problem. This paper also highlights the positive contributions made by urban villages and private landlords in housing the large number of migrants in cities.

DOI

[2]
段成荣,吕利丹,邹湘江.当前我国流动人口面临的主要问题和对策——基于2010年第六次全国人口普查数据的分析[J].人口研究,2013,37(2):17-24.依据最新的第六次全国人口普查资料以及其他相关数据资料,文章对当前我国流动人口发展的主要特征、面临的主要问题进行了分析和概括,并提出解决问题的对策和建议。分析认为:当前我国流动人口展现出规模持续快速增长、流动性减弱、家庭化进程已完成第二阶段并开始向第三阶段过渡、流向仍呈现向沿海地区集中但已展现出分散趋势、新生代流动人口逐渐成为流动人口的主体等一系列明显特征;流动人口面临的失业增加、社会保障缺失、子女教育、社会融入等问题是当前和今后一段时期的主要问题。流动人口将扎根城市并大量存在,相关法规、政策和制度制定应该以此为基础,关注新生代和流动人口子女、重视提高流动人口家庭福利、加快流动人口社会保障体系建设。

[ Duan C R, Lv L D, Zou X J.Major challenges for China's floating population and policy suggestions: An analysis of the 2010 population census data[J]. Population Research, 2013,37(2):17-24. ]

[3]
林李月,朱宇,梁鹏飞,等.基于六普数据的中国流动人口住房状况的空间格局[J].地理研究,2014,33(5):887-898.住房是流动人口融入城市、实现市民化过程中必须解决的关键问题。基于2010年第六次人口普查数据,采用住房拥有率、租住房率、住房面积指数、住房不受干扰指数、住房质量指数和住房费用指数6个指标考察流动人口的住房状况,并综合运用数理统计、空间自相关和系统聚类法揭示流动人口住房状况的属性特征、空间分布与集聚类型。研究发现,与城镇常住人口相比,流动人口的住房状况较差。从空间分布看,流动人口住房状况的各项指标具有显著的空间正相关,在空间分布上不仅存在集聚现象,而且有明显的集聚中心。研究结果还表明,流动人口住房条件综合状况可划分为较好、中等、中等偏下、较差4级类型区,在全国尺度上的空间分布除个别类型外具有团块聚合的结构特征。在考虑社会公平的前提下,应分类解决不同类型区域流动人口的住房问题。

DOI

[ Lin L Y, Zhu Y, Liang P F, et al.The spatial patterns of housing conditions of the floating population in China based on the sixth census data[J]. Geographical Research, 2014,33(5):887-898. ]

[4]
刘厚莲. 我国特大城市流动住房状况分析[J].人口学刊,2016,38(5):45-53.

[ Liu H L.Analysis on floating population´s housing in super-cities[J]. Population Journal, 2016,38(5):45-53. ]

[5]
Wu Q Y, Zhang X L, Walay P.When Neil Smith met Pierre Bourdieu in Nanjing, China: Bringing cultural capital into rent gap theory[J]. Housing Studies, 2017,32(5):659-677.

DOI

[6]
杨晓冬,李忠富.住宅租赁特征价格研究——以哈尔滨市为例[J].系统管理学报,2012,21(4):486-493.伴随着我国城市化进程加速,住房问题日益成为社会各界关注的焦点 之一.住宅租赁市场作为房地产市场重要组成部分,对其进行研究有助于解决城市流动人口及中低收入家庭住房问题,为各参与方定价以及政府管理部门决策提供理 论依据.通过分析哈尔滨市住宅租赁价格的主要影响因素,建立了住宅租赁特征价格指标体系和进行相关变量选取.构建了哈尔滨市住房租赁价格特征价格模型,并 结合哈尔滨市260个住宅样本及调研数据进行实证研究,得出了哈尔滨市住宅租赁市场各住宅特征对于租金的影响权重.

DOI

[ Yang X D, Li Z F.A study on pricing of residential house rental: Evidence from Harbin[J]. Journal of Systems & Management, 2012,21(4):486-493. ]

[7]
苏亚艺,朱道林,耿槟.北京市住宅租金空间结构及其影响因素[J].经济地理,2014,34(4):64-69.

[ Su Y Y, Zhu D L, Geng B.The spatial structure and affecting factors of the housing rental in Beijing[J]. Economic Geography, 2014,34(4):64-69. ]

[8]
Tse R Y C. Estimating neighborhood effects in house prices: Towards a new hedonic model approach[J]. Urban Studies, 2002,39(7):1165-1180.A hedonic equation considers OLS models with independently and identically distributed errors. However, quality of property and location tend to exhibit highly auto-regressive correlation due to spatial dependence and heterogeneity. A modification is made to multiple regression analysis based on the land-rent concept so that the modified hedonic house price function can be determined. This paper develops a stochastic approach which is able to correct autocorrelation bias in the hedonic function. Others tend to model the spatial autocorrelation through the error terms, while this study models it through the constant term. The sample was orientated by location to reflect the neighbourhood effects. Thus the neighbourhood effects can be separated from the random disturbance. Our model, using data from Hong Kong, incorporates adjustments reflecting net floor area ratio, age, floor level, views, transport accessibility and amenities such as availability of recreational facilities. The stochastic model is a more flexible application of hedonic price regressions, making it an appealing alternative to spatial problems.

DOI

[9]
Liu X.Housing renewal policies, house price and urban competitiveness[J]. Applied Geography, 2010,30(2):221-228.There has been a growing emphasis in housing policy and its impacts on sub-regional economies. Yet the arguments linking housing and economic competitiveness are typically described in very general terms. First of all, this paper is based on research providing a spatial picture of house prices utilising housing data from the UK government's Land Registry and presenting key findings from analysis of 1996鈥2006 house price trends at three spatial scales: within the policy area (Transform South Yorkshire (TSY) Pathfinder, within the South Yorkshire sub-region (SY) and within the wider region of Yorkshire and the Humber (YH)). Secondly, a quantitative analysis is applied in this paper to examine the relationship between economic competitiveness and housing in four sub-regional local authority districts (LADs) of South Yorkshire, UK. It demonstrates that housing prices in local authority districts affect some form of economic competitiveness. Overall, although evidences suggest that the UK government's housing market renewal program has resulted in some success in reinvigorating the local housing market, the objective of reducing or eradicating spatial differentiation in house prices will require a long-term commitment and a radical reappraisal of sustainable housing and planning policy.

DOI

[10]
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.构建包含20个评价因子、4 个影响因素和4 个预期修正因素在内的城市住宅价格空间分异影响因素评价体系，基于评价因子和预期修正，分别得出单户住宅档次与水平、小区建设档次与水平、区位与生活便利性、周边景观与环境等4 个影响因素强度的得分，并分析其空间分异格局。以2012 年扬州市1305 个小区的平均住宅单价为因变量，4 个基本影响因素得分为自变量，进行回归分析，探索所有住宅及各子市场价格分异的主要因素，并分析其驱动机制。结果表明：① 4 个影响因素强度格局明显不同，住宅自身因素的格局呈现中心低外围高的圈层式分异，而外部作用因素强度呈现中心高外围低、西高东低的扇型与圈层相结合式空间分异格局；② 扬州市总体住宅价格空间分异的核心影响因素是小区建设档次与水平，不同类型住宅子市场的价格影响因素各不相同；③ 扬州市住宅价格空间分异的主要驱动力是特定住宅类型与档次建设的区位指向、特定收入阶层的空间集聚、公共物品投资的空间差异、城市居住用地扩展与城市更新的区位指向。

DOI

[ Wang Y, Li Q, Wang S J, et al.Determinants and dynamics of spatial differentiation of housing price in Yangzhou[J]. Progress in Geography, 2014,33(3):375-388. ]

[11]
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.鉴于已有研究主要集中探讨住房价格的空间依赖性,较少涉及空间异质性对住房特征价格的影响,也很少尝试构建不同计量模型来比较模型间刻画住房价格影响因素空间分异的准确性,以长沙市中心城区为研究区,采用空间扩展模型和地理加权回归模型比较分析城市住房价格影响因素的空间分异,结果表明：1空间扩展模型和地理加权回归模型都表明,长沙市中心城区的住房属性边际价格随着区位的变化而变化,揭示住房价格影响因素具有显著的空间异质性;小区环境、交通条件、教育配套、生活设施等因素对住房价格的影响强度存在明显的空间分异。2地理加权回归模型和空间扩展模型都能对传统特征价格模型进行改进,但地理加权回归模型在解释能力和精度方面都超过空间扩展模型;对属性系数估计空间模式的分析,地理加权回归模型形成的结果比采用坐标多义扩展的空间扩展模型更为复杂和直观。

DOI

[ Sun Q, Tang F H.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. ]

[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.城市住宅价格空间分异,是居住空间资源非均衡配置的市场化表达,映射出不同阶层社会群体对城市住宅的选择倾向与需求差异,与居住空间分异在机制和格局上存在一定耦合关联。以南京主城区商品房社区为研究对象,构建起住宅价格特征变量指标体系,采用地理加权回归模型,分析导致房价空间差异的主要因素、组合关系及时空演变特征。研究发现：社区服务档次、学区资源、环境区位、景观稀缺等能够体现居住群体经济实力、生活方式与文化品位的因素,是影响房价分异的主导要素并随时间不断强化;南京房价总体上呈现＂圈层＋扇形＋飞地＂的空间结构,高房价主要分布在城市中心、名校学区、高档封闭社区和山水景观别墅区;房价分异与居住分异在作用机制和空间格局上表现出显著的关联耦合特征。城市房价空间分异不止于表达,同时也是推动居住空间分异与再分化的重要驱动机制,并能够预判未来一段时期内城市居住空间分异格局演变的基本走势,可以为城市社会空间研究提供具有前瞻性的观察视角和分析工具。

DOI

[ Song W X, Mao N, Chen P Y, 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]
Eichholtz P, Straetmans S, Theebe M.The Amsterdam rent index: The housing market and the economy, 1550-1850[J]. Journal of Housing Economics, 2012,21(4): 269-282.

DOI

[14]
Füss R, Koller J A.The role of spatial and temporal structure for residential rent predictions[J]. International Journal of Forecasting, 2016,32(4): 1352-1368.This paper examines the predictive power of five linear hedonic pricing models for the residential market with varying levels of complexity in their spatial and temporal structures. Unlike similar studies, we extend the out-of-sample forecast evaluation to one-day-ahead predictions with a rolling estimation window, which is a reasonable setting for many practical applications. We show that the in-sample fit and cross-validation prediction accuracy improve significantly when we account for spatial heterogeneity. In particular, for one-day-ahead forecasts, the spatiotemporal autoregressive (STAR) model demonstrates its superiority over model specifications with alternating spatial and temporal heterogeneity and dependence structures. In addition, sub-market fixed effects, constructed on the basis of statistical TREE methods, improve the results of predefined local rental markets further.

DOI

[15]
Allen M T, Rutherford R C, Thomson T A.Residential asking rents and time on the market[J]. Journal of Real Estate Finance and Economics, 2009,38(4):351-365.Landlords offering a house in the rental market face a difficult strategic pricing decision. The revenue maximizing decision for the landlord involves a tradeoff between the rental rate and time on the market. Because the turnover of renters is higher than owners, and because the landlord must bear some carrying costs on a vacant house, pricing the rent too high may decrease revenue due to a higher vacancy period and pricing it too low may reduce the revenue when occupied. While there is substantial research on the relationship between listed prices and time on the market for freehold interests, this is the first study to provide empirical evidence on the relationship between asking rent, contract rent and time on the market for single family residential rental (leasehold) property interests. We present two models; a rental price model and a duration model for time-on-the market. Using data from the Dallas ort Worth area we find that landlords who set a lower asking rent relative to predicted rent can expect a shorter marketing period for their properties. The results also indicate that overpricing the asking rent and then lowering it at a later date leads to a longer marketing time (after the reset) and often a lower rent. These finding are reasonably robust for low-, mid-, and higher-valued rental properties.

DOI

[16]
Autor D H, Palmer C J, Pathak P A.Housing market spillovers: Evidence from the end of rent control in Cambridge, Massachusetts[J]. Journal of Political Economy, 2014,122(3) 661-717.We measure the capitalization of housing market externalities into residential housing values by studying the unanticipated elimination of stringent rent controls in Cambridge, Massachusetts, in 1995. Pooling data on the universe of assessed values and transacted prices of Cambridge residential properties between 1988 and 2005, we find that rent decontrol generated substantial, robust price appreciation at decontrolled units and nearby never-controlled units, accounting for a quarter of the $7.8 billion in Cambridge residential property appreciation during this period. The majority of this contribution stems from induced appreciation of never-controlled properties. Residential investment explains only a small fraction of the total.

DOI

[17]
石忆邵,范胤翡.上海市商务办公楼租金差异及其影响因素[J].地理研究,2008,27(6):1427-1436.

[ Shi Y S, Fan Y F.Rent differentiation in commercial-office buildings and impact factors of Shanghai[J]. Geographical Research, 2008,27(6):1427-1436.]

[18]
汪佳莉,季民河,邓中伟.基于地理加权特征价格法的上海外环内租金分布成因分析[J].地域研究与开发,2016,35(5):72-80.城市住宅租金具有经济与社会双重性质,既反映房地产的市场供需关系以及价格决定机制,也反映了居民的住房需求满足情况和解决方式.建立以特征价格法为基础的空间自回归模型,探索影响上海住宅租金空间分布的驱动因素.通过Web数据抓取获得上海2012年12月至2013年1月的住宅租金样本数据,根据特征价格法将影响住宅租金的9个因素归纳为区位特征、邻里特征、整体特征三大类,利用双模型（普通最小二乘法（0LS）和地理加权回归（GWR））双形态分析对比.结果表明：市中心辐射对上海住宅租金的影响呈现“东强西弱”的格局,地铁站点对城市中心的租金影响较弱,对近郊的租金影响较大,而内环内租金对就业可达性最为敏感.优质教育和医疗资源的空间分布不均衡,前者受限于学区划分和户籍政策,对租金的影响以内环线为界呈内低外高;而后者虽不受户籍限制,但服务范围狭小,对浦西的影响较大.浦东租户对小区环境及小区竣工年限支付意愿更高.

[ Wang J L, Ji M H, Deng Z W.Factors behind residential rent distribution in outer ring of Shanghai: A GWR-based hedonic price analysis[J]. Areal Research and Development, 2016,35(5):72-80. ]

[19]
任超群,吴璟,邓永恒.预期对租金房价比变化的影响作用研究——基于住房使用成本模型的分析[J].浙江大学学报(人文社会科学版),2013,43(1):58-72.lt;p>责令行为规范普遍存在于现行法律中,责令行为规范可分为司法责令规范和行政责令规范。行政责令规范可进一步分为内部行政责令规范和外部行政责令规范。通过对行政责令行为内涵的考量,可以确立特定的界分基准,将外部责令行为中的处罚性责令行为与命令性责令行为进行明确区分。根据法律规范中&ldquo;制裁&rdquo;要素的结构,可将具有行政命令性的责令行为规范分为五种类型,不同结构类型体现出不同的法律规范功能。现行的行政责令行为规范存在词义界定不明确、结构选用不合理、行为配置不科学等诸多问题,有必要构建典型的行政责令行为规范模型,以推动行政责令法律规范的统一性、规范性和科学性。</p>

DOI

[ Ren C Q, Wu J, Deng Y H.The effect of market expectation on the change of housing rent to price ratio: An analysis based on user cost model[J]. Journal of Zhejiang University(Humanities and Social Sciences), 2013,43(1):58-72.]

[20]
高波,王文莉,李祥.预期、收入差距与中国城市房价租金“剪刀差”之谜[J].经济研究,2013(6):100-112.

[Gao B, Wang W L, Li X.Expectation, income inequality and the puzzle of city’s housing price to rent scissors in China[J]. Economic Research Journal, 2013(6):100-112. ]

[21]
张若曦,贾士军.广州市住宅租金影响因素的研究[J].工程管理学报,2014,28(6):118-123.

[ Zhang R X, Jia S J.Study on the influencing factors of Guangzhou city's residential housing rent[J]. Journal of Engineering Management, 2014,28(6):118-123.]

[22]
宋伟轩,吴启焰,朱喜钢.新时期南京居住空间分异研究[J].地理学报,2010,65(6):685-694.

[ Song W X, Wu Q Y, Zhu X G.Residential differentiation of Nanjing in the new period[J]. Acta Geographica Sinica, 2010,65(6):685-694. ]

[23]
张京祥,陈浩,胡嘉佩.中国城市空间开发中的柔性尺度调整——南京河西新城的实证研究[J].城市规划,2014,38(1):43-49.

[ Zhang J X, Chen H, Hu J P.Flexible rescaling during the development of urban space in China: A case study on Hexi new town in Nanjing[J]. City Planning Review, 2014,38(1):43-49. ]

[24]
Messner S F, Anselin L, Baller R D, et al.The spatial patterning of county homicide rates: An application of exploratory spatial data analysis[J]. Journal of Quantitative Criminology, 1999,15(4):423-450.

DOI

[25]
庞瑞秋,腾飞,魏冶.基于地理加权回归的吉林省人口城镇化动力机制分析[J].地理科学,2014,34(10):1210-1217.<p>以吉林省各县域(市辖区)为基本单元,借助第六次人口普查和统计年鉴的相关数据,结合地理加权回归模型和空间自相关分析方法,讨论人口城镇化水平和国有动力、非国有动力、农业动力及外向动力等因素的空间相关关系,并以此解释人口城镇化分县域(市辖区)差异的影响因素。结果表明:国有动力对吉林省人口城镇化的影响作用最大,影响强度由中北部向西南、东南两个方向递减;农业动力和非国有动力分居二、三位,但差别不明显。其中农业动力的影响强度由西北向东南方向递减,非国有动力的影响强度由东南向西北递减;外向动力对人口城镇化的影响力较弱,影响强度各地区差别较大。吉林省人口城镇化未来发展应重视非国有动力的影响和农村现代化的作用;关注人口城镇化动力多元化,考虑实现错位发展和个性化发展。</p>

[ Pang R Q, Teng F, Wei Y.A GWR-based study on dynamic mechanism of population urbanization in Jilin province[J]. Scientia Geographica Sinica, 2014,34(10):1210-1217. ]

[26]
姚丽,谷国峰,王建康.基于空间计量模型的郑州城市新建住宅空间效应研究[J].经济地理,2014,34(1):69-74.基于郑州市近几年新建住宅微观数据，首先分析了新建住宅价格的空间相关模式及空间集聚性，发现郑州市新建住宅价格存在着明显的空间依赖性，并且空间相关模式具有区域异质性；通过空间效应检验判断，空间滞后效应较为明显，对于新建住宅价格的影响在空间维度上非常显著，也是最重要的因素。通过空间计量模型分析发现，空间溢出效应和交通可达性也是不容忽视的影响因素；在模型选取上，从拟合优度和极大似然值等判断，空间杜宾模型（SDM）是四种模型中拟合最优的模型；最后本文建议政府部门在进行房地产政策选择和价格调控措施时，必须充分考虑到空间作用机制对于新建住宅价格的空间异质效应。

[ Yao L, Gu G F, Wang J K.The spatial effect of building new housing in Zhengzhou city: Based on the spatial econometrics model[J]. Economic Geography, 2014,34(1):69-74. ]

[27]
Anselin L.Spatial externalities, spatial multipliers and spatial econometrics[J]. International Regional Science Review, 2003,26(2):153-166.

DOI

[28]
李在军,管卫华,臧磊,等.江苏省产业结构的空间格局演变及其动力机制分析[J].经济地理,2013,33(8):79-85.以江苏省1995、2000、2005及2010年各县、市产业结构系数为研究指标,运用空间自相关、空间变异函数、克里格空间插值等方法,对江苏省县、市的产业空间结构进行研究。结果表明:1995年来,江苏省产业结构的总体空间格局分异显著,且具有较高的稳定性,整体上呈现出南—北差异性;由冷热点区演化来看,江苏省产业发展水平的区域空间集聚趋势明显,苏南地区尤其是与上海毗邻地区为高水平集聚区,而广大苏北地区及多数苏中地区多为低水平集聚区;产业发展水平的空间格局连续性与自组织性逐渐增强,空间自相关引起的结构分异越来越显著,空间关联效应的作用范围增大,各方向产业水平的空间不均衡有扩大的趋势。最后采用逐步回归分析方法,分析了4个年份的产业空间格局演变的影响因素。

[ Li Z J, Guan W H, Zang L, et al.The spatial pattern dynamics of industry structure and mechanisms analysis in Jiangsu province[J]. Economic Geography, 2013,33(8):79-85. ]

[29]
刘浩,马琳,李国平.京津冀地区经济发展冷热点格局演化及其影响因素[J].地理研究,2017,36(1):97-108.为了探讨京津冀地区经济发展失衡,引入DMSP/OLS夜间灯光构建GDP指数,利用优化的热点分析和时空模式挖掘识别经济发展的格局演化,以SLM和SEM模型从自然环境、基础设施及区域开发等方面量化失衡因素。结果表明：1区域经济发展趋于波动性集聚,经济发展呈明显的京津市区、京津郊区和河北区县城区、河北偏远县乡等3种类型,而京津市区和郊区之间、京津市域和河北省域之间都存在显著的“虹吸效应”所诱发的发展断崖。2持续的热点、振荡的热点和振荡的冷点是经济发展冷热点的主要演化模式。经济发展热点自中心城区至远郊呈同心圆圈层式弱化,而无明显圈层变化的冷点集中连片地广布在河北乡村。3经济发展与自然环境、基础设施和区域开发有复杂非线性关系,经济发展繁荣地区（热点）多受惠于基础设施和区域开发及行政区划的整体优势,而合适的海拔条件次之。经济发展落后地区（冷点）总体受制于坡度条件和基础设施及区域开发的总体劣势。

DOI

[ Liu H, Ma L, Li G P.Pattern evolution and its contributory factor of cold spots and hot spots of economic development in Beijing-Tianjin-Hebei region[J]. Geographical Research, 2017,36(1):97-108.]

[30]
王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(1):116-134.空间分异是自然和社会经济过程的空间表现,也是自亚里士多德以来人类认识自然的重要途径。地理探测器是探测空间分异性,以及揭示其背后驱动因子的一种新的统计学方法,此方法无线性假设,具有优雅的形式和明确的物理含义。基本思想是:假设研究区分为若干子区域,如果子区域的方差之和小于区域总方差,则存在空间分异性;如果两变量的空间分布趋于一致,则两者存在统计关联性。地理探测器q统计量,可用以度量空间分异性、探测解释因子、分析变量之间交互关系,已经在自然和社会科学多领域应用。本文阐述地理探测器的原理,并对其特点及应用进行了归纳总结,以利于读者方便灵活地使用地理探测器来认识、挖掘和利用空间分异性。

DOI

[ Wang J F, Xu C D.Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017,72(1):116-134. ]

[31]
Wang J F, Li X H, Christakos G, et al.Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010,24(1):107-127.

DOI

[32]
温海珍,李旭宁,张凌.城市景观对住宅价格的影响——以杭州市为例[J].地理研究,2012,31(10):1806-1814.Urban landscape areas which provide amenities for people are generally recreational places in life and have great impact on the life quality in cities.However, the benefit of urban landscape is implicit, which makes it difficult to estimate the value of the view amenity in monetary form.The hedonic price methods are widely used in empirical research by domestic and foreign scholars.In this paper, 25 explanatory variables are selected to build a hedonic price model in four dimensions of building, neighborhood, location, and landscape.This paper assesses the external effects of various types of landscape on housing price.The sample is made up of 2795 valid house data in Hangzhou.The results indicate that there is an inverse relationship between the house price and its distance from the West Lake and the park, and the park size is positively correlated to house price.Increasing the distance of 1% to the West Lake or to the park decreased the house price by 0. 240% or 0.036%, and increasing the size of the nearest park by 1% leads to a 0.012% price increase.What's more, the plazas, mountain views and the Qiantang River also have apositive effect on the house price within a certain distance.

DOI

[ Wen H Z, Li X N, Zhang L.Impacts of the urban landscape on the housing price: A case study in Hangzhou[J]. Geographical Research, 2012,31(10):1806-1814. ]

Options
文章导航

/

〈 〉