EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 11: 2128 - 2140

DOI: https://doi.org/10.12082/dqxxkx.2022.220538

地球信息科学理论与方法

基于街景图像的厦门本岛环境特征对住宅价格的影响研究

  • 郭金函 ,
  • 马子迎 ,
  • 边经卫 ,
  • 江楚钶
展开
  • 华侨大学建筑学院，厦门 361021
*边经卫（1955— ），男，江西吉安人，教授，主要从事城市交通规划，城市土地利用规划，城市规划管理研究。 E-mail:

郭金函（1997— ），男，四川广元人，硕士，主要从事城市规划数据分析与应用，区域与城市规划研究。E-mail:

收稿日期: 2022-07-23

  修回日期: 2022-08-22

  网络出版日期: 2023-01-25

收起

Analysis on the Influence of Environmental Characteristics of Xiamen Island on Housing Price based on Street View Imagery

  • GUO Jinhan ,
  • MA Ziying ,
  • BIAN Jingwei ,
  • JIANG Chuke
Expand
  • School of Architecture, Huaqiao University, Xiamen 361021, China
*BIAN Jingwei, E-mail:

Received date: 2022-07-23

  Revised date: 2022-08-22

  Online published: 2023-01-25

Fold

摘要

住宅价格的空间分异是城市空间资源配置不均衡的外在表现，理解住宅价格的主导影响因素及其空间分异特征对于住区规划及房价调控政策的制定具有重要意义。既有研究较少考虑环境品质对住宅价格的影响和影响因素的作用尺度差异，针对以上问题，本文引入街景图像，在特征价格模型的基础上拓展环境特征，构建多尺度地理加权回归（MGWR）模型，研究环境特征对住宅价格的影响效用，并通过分析其他控制变量的系数空间格局，总结各变量的空间分异特征规律。主要结论为：① 街景图像测度的环境特征更符合人们对居住环境的真实感知，研究结论可为居住环境品质提升提供更加精细化的设计策略； MGWR模型对变量的空间分异现象具有更接近于真实值的拟合效果，可描述不同变量的作用尺度差异，这有助于为特定地区制定针对性规划策略。② 厦门本岛住宅价格呈现显著的聚类特征，并沿城市核心发展轴呈“带状”结构分布。③ 3个环境特征变量对于住宅价格均为显著的正向影响，且作用接近全局尺度，街景绿视率的影响最强，其次是天空开敞度和相对步行指数。④ 总结各变量的系数空间分异规律，发现不同特征地区住宅价格的主导影响因素不同，核心地区主要受交通、教育因素的影响；老城地区主要为环境品质、建筑质量因素；新城地区则为区位、生活设施因素。

关键词： 住宅价格; 街景图像; 环境特征; 多尺度地理加权回归; 特征价格模型; 影响因素; 厦门

本文引用格式

郭金函 , 马子迎 , 边经卫 , 江楚钶 . 基于街景图像的厦门本岛环境特征对住宅价格的影响研究[J]. 地球信息科学学报, 2022 , 24(11) : 2128 -2140 . DOI: 10.12082/dqxxkx.2022.220538

Abstract

The spatial differentiation of housing price is an external expression of the unbalanced allocation of urban spatial resources. It is of great significance for formulation of residential planning and housing price control policies to understand the leading influencing factors and their spatial differentiation characteristics. Existing studies seldom consider the impact of environmental quality on housing price and the different scale effects of influencing factors. In response to the above problems, the study introduces street view imagery, adds environmental characteristic variables based on the traditional Hedonic price model, and constructs Multiscale Geographically Weighted Regression (MGWR) model to explore the impact of environmental characteristics on housing price. The spatial pattern of coefficients of other control variables are analyzed and the spatial differentiation characteristics of each variable are summarized. The main conclusions are: (1) The environmental characteristics measured by street view imagery are more consistent with people's real perception of the living environment, and the research conclusions can provide more refined strategies for improving the quality of the living environment. The MGWR model has a fitting effect on the spatial differentiation of variables closer to the real value, and it can describe the difference of action scales of different variables, which is helpful to formulate targeted planning strategies for specific regions; (2) The housing prices on Xiamen Island show significant clustering characteristics, and are distributed in a "band" structure along the city’s core development axis; (3) The three environmental characteristics variables have significant positive effects on housing prices, and the effects are close to the global scale. The impact of street view green viewing rate is the strongest, followed by sky openness and relative walkability index; (4) By summarizing the spatial differentiation rules of the coefficients of each variable, it is found that the dominant influencing factors of housing price in different characteristic areas are different. The core areas are mainly affected by traffic and education factors; the old urban areas are mainly affected by environmental quality and building quality factors; the new urban areas are mainly affected by location and living facilities.

Key words： housing price; street view imagery; environmental features; multiscale geographically weighted regression model; hedonic price model; influencing factor; Xiamen

1 引言

21世纪以来，受到快速城镇化、土地财政、住房市场化改革等多重因素的影响，大城市商品房价格持续提高。同时，在城市快速拓展过程中，空间重构与资源配置的不均衡性引起房价出现愈发显著的空间异质性[1]。随着我国逐步进入存量发展时期，党中央明确提出各地政府应严格把控房价，助力社会经济转型。在此背景下，探究房价空间格局的分异特征及驱动机制，对于改善城市人居环境、合理调控房价、推进住房市场化和土地使用制度改革意义重大。
目前国内外关于住宅价格空间分异的研究已较为全面。在变量选取上，既有研究可分为2类：① 基于单一维度探讨特定要素对住宅价格的影响，如轨道交通[2-3]、路网形态学[4-5]、公共服务设施[6-7]、大型景观[8-9]、公园绿地[10-11]及城市更新[12]等，此类研究成果相对丰富；② 基于多维度探讨多重因素的叠加影响，特征价格模型是当前主流的理论模型，有学者基于该模型从建筑特征、区位特征、邻里特征构建指标体系[13-14]，有学者在此基础上扩充其他维度，如Li等[15]增加空间结构特征，Wu等[16]增加自然环境特征。
在研究数据上，早期研究使用问卷调查和人工审计获取抽样数据[17]，随着大数据可获取性的提高，当前研究开始使用多源大数据探究宏观尺度的房价影响机制[18]，如薛冰等[19]使用POI大数据探究老工业区房价的影响机制，古恒宇等[4]使用OSM路网探讨路网影响房价的时空差异，大数据的应用使得房价研究可同时兼顾大尺度和精细化。街景图像是近年被广泛使用的数据类型，该数据基于人眼视角采集数据，并通过机器学习模拟人对图像要素的感知，被逐步应用于街道[20]、社区[21]等建成环境研究中。
在研究方法上，地理加权回归（Geographically Weighted Regression，GWR）模型是当前研究住宅价格空间分异的主要方法，该模型允许每个样本点进行局部回归，可有效解释影响因子的空间异质性问题[6,22-23]。然而，基于固定带宽的GWR模型忽略了变量作用尺度的多样化，会夸大或低估各个变量实际的作用范围[24]。Fotheringham于2017年提出的多尺度地理加权回归（Multiscale Geographically Weighted Regression， MGWR）模型改善了这一局限性，该模型强调变量之间的关系在局部或区域内变化或保持平稳，可以细分每个因素的全局尺度和局部尺度[24]。部分学者已将该模型应用于住宅价格[25]、街区活力[26]、城市气候[27]等领域的实证研究，且证实该模型对空间分异特征研究具有更高的解释力度。
综上，既有实证研究充分说明建筑、区位、邻里等特征属性对住宅价格的影响作用，但较少从微观视角探讨环境品质对住宅价格的影响，且对影响因素的作用尺度差异探讨较少。有研究认为环境品质会影响社区居民的幸福感、社会交往、日常活 动[28-29]，进而会影响居民的购房意愿[30]，因此，居住环境品质对住宅价格的影响不应被忽视。既有研究对居住环境品质的测度方法，一是通过问卷调查获取主观评价，但数据获取成本高，难以大规模应用；二是基于地理基础数据计算绿化率、公园数量、景观区位，但数据难以反映居民对微观环境品质的主观感知。随着街景图像和机器学习的广泛应用，使得在宏观层面上测度个体对环境品质的主观感知成为可能。因此，本文以厦门本岛地区为研究对象，增加基于街景图像测度的环境特征变量，扩充传统特征价格模型的特征维度，使用MGWR模型探讨环境特征对住宅价格的影响效用及空间分异规律。

2 研究思路与研究方法

2.1 研究思路

首先，根据特征价格理论及实证研究，初步确定4类特征共19项变量并进行变量筛选；其次，将筛选后的环境特征变量作为核心解释变量、其余特征变量作为控制变量构建MGWR（1）模型，剔除环境特征后构建对照模型MGWR（2）、OLS、GWR；进而，通过模型对比验证MGWR的有效性，分析住宅价格的空间分布特征以及环境特征对住宅价格的影响；最后，总结各变量的系数空间分异规律并提出规划建议。技术路线如图1所示。
图1 环境特征对住宅价格影响研究的技术路线

Fig. 1 Technical route of research on the influence of environmental characteristics on housing price

2.2 研究方法

2.2.1 空间自相关

空间自相关分析可分为全局自相关（Global Spatial Autocorrelation）和局部自相关（Local Spatial Autocorrelation）。其中，全局自相关用来描述对象的整体分布状况，判断对象在空间上是否存在聚集特性，主要指标为全局莫兰指数，公式如下：
$I=\frac{\mathop{\sum }_{i=1}^{n}\mathop{\sum }_{j=1}^{n}{{\omega }_{i,j}}\left( {{x}_{i}}-\bar{x} \right)\left( {{x}_{j}}-\bar{x} \right)}{\left( \mathop{\sum }_{i=1}^{n}\mathop{\sum }_{j=1}^{n}{{\omega }_{i,j}} \right)\mathop{\sum }_{i=1}^{n}{{({{x}_{i}}-\bar{x})}^{2}}}$
式中： I为全局莫兰指数；n为研究区域内住宅样点个数； ω i , j为住宅样点i和j的空间权重系数； x i和 x j分别为住宅样点i和j的住宅价格； x -为所有住宅样点价格的均值。
而局部自相关可以确定聚集的范围和模式，主要指标为局部莫兰指数，公式如下：
${{I}_{i}}=\frac{\left( {{x}_{i}}-\bar{x} \right)}{\mathop{\sum }_{i}^{n}{{({{x}_{i}}-\bar{x})}^{2}}}\underset{j=1}{\overset{n}{\mathop \sum }}\,{{\omega }_{i,j}}\left( {{x}_{i}}-\bar{x} \right)$
式中： I i为局部莫兰指数；n为住宅样点个数； ω i , j为住宅样点i和j的空间权重系数； x i为住宅样点i的价格； x -为所有住宅样点价格的均值。
空间权重的计算有邻接关系和距离关系两种策略，本文采用基于距离关系的反距离标准（Inverse Distance）计算空间权重。

2.2.2 空间设计网络分析（sDNA）

sDNA（Spatial Design Network Analysis）算法基于空间句法理论，引入社会网络分析概念和指标，优化了传统空间句法的计算方法和数据结构，提高了其在大尺度空间分析的适应性[31]。本次研究主要围绕sDNA模型的接近度和穿行度2个变量展开交通可达性分析：
（1）接近度：反映到达搜索半径R范围内其他路网的难易程度，计算公式如下：
$NQPDA\left( x \right)=\underset{y\in {{R}_{x}}}{\mathop \sum }\,\frac{p\left( y \right)}{d\left( x,y \right)}$
式中： N Q P D A x为节点 x的接近度； R x为以节点 x为圆心、 R为搜索半径的圆； p y为半径 R范围内节点 y的权重，在连续空间分析中， p y ∈ 0,1； d x , y为节点 x到 y的最短拓扑距离。
（2）穿行度：反映某条道路在搜索半径R范围内被通过的概率，计算公式如下：
$TP{{B}_{t}}\left( x \right)=\underset{y\in N}{\mathop \sum }\,\underset{y\in {{R}_{y}}}{\mathop \sum }\,OD\left( y,z,x \right)\frac{P\left( z \right)}{Links\left( y \right)}$
式中： T P B t x为节点 x的穿行度； R y为以节点 y为圆心； R为搜索半径的圆； O D y , z , x为半径 R内通过节点 x的节点 y与 z之间的最短路径距离， P z为半径 R范围内节点 z的权重， L i n k s y为 R y范围内的节点总数。

2.2.3 多尺度地理加权回归（MGWR）

经典的GWR模型是基于固定带宽的单一尺度模型，所有变量在计算回归系数时均采用相同带宽，而MGWR模型基于后退拟合算法[25]，模型中每个回归系数 β b w j都是基于局部回归得到的，使各选取变量呈现不同的尺度特征。其中，变量的带宽越小，则空间影响尺度越小，空间异质性越强。MGWR模型的计算公式如下：
${{y}_{i}}=\underset{j=1}{\overset{k}{\mathop \sum }}\,{{\beta }_{bwj}}\left( {{\mu }_{i}},{{\upsilon }_{i}} \right){{x}_{ij}}+{{\varepsilon }_{i}}$
式中： y i为住宅样点i的住宅价格； μ i , υ i为住宅样点i的空间投影坐标； b w j为第j个变量回归系数使用的带宽； β b w j为 b w j带宽下第j个变量的回归系数估计值； x i j为第j个变量在住宅样点i的值；k为变量个数； ε i为随机误差项。
本文采用Bisquare核函数作为空间权函数，最优带宽准则选择AICc准则，带宽搜索方式选择Golden Section。采用后退拟合算法拟合各平滑项，选择GWR估计作为初始估计，并采用更为严格的SOC-f准则作为模型的收敛准则。

3 研究区概况与数据来源

3.1 研究区概况

厦门是我国东南沿海的中心城市，亚热带气候环境和独特的海岛式景观特征，使其成为中国最宜居的城市之一。研究选取厦门本岛地区为研究区域（图2），该地区是厦门重要的政治、文化、商业中心，包括思明区、湖里区2个行政区。截止2021年，本岛地区常住人口约210万人，建成区面积约为132 km²。由于本岛地区的旧城区公共服务配套设施较为完善，而新城区引入多个高质量楼盘，占据了城市优质的山海资源，因此其住宅价格及住宅居住环境的分异特征较为明显，整体住宅市场发展相对成熟完善，可作为研究房价影响因素的代表性样本。
图2 厦门本岛研究区概况

Fig. 2 Description of Xiamen Island

在选定研究区域的基础上，住宅价格研究空间单元的划分应能体现居民的日常活动范围，故本文依据上海“15分钟生活圈”概念，以每个房价样本点为圆心，以1000 m（步行15 min距离）为半径，生成基于路网的空间单元范围（图3）。
图3 住宅价格研究空间单元

Fig. 3 Space unit of housing price research

3.2 数据来源及预处理

3.2.1 住宅价格

从链家网（xm.lianjia.com）获取2020年6月至2021年6月厦门本岛在售的二手房交易信息，对原始数据进行清洗、查重、WGS 84坐标转换等预处理，同时删除毛坯房、非公有产权房等特征样本从而剔除房价的非市场化影响因素，最终获得929条数据。

3.2.2 街景图像

街景图像爬取自2021年6月的百度街景地图。数据获取及处理步骤如下：① 基于厦门岛道路中心线，以40 m间隔生成街景采样点，不足40 m的路段则选取路段中点，共获得21486个观测点； ② 通过百度地图提供的API接口，抓取各观测点的街景图像，图像尺寸4096×1380像素，相机视角覆盖该点360°全方位视角，获取的图像带有唯一标识符、经纬度坐标，共获得21 486张有效图像；③ 基于Deeplap-V3+语义分割算法构建图像识别模型，通过Cityscapes数据集进行模型训练，对所爬取的街景图像进行要素识别，识别结果包括机动车道、人行道、建筑、街墙、围栏、柱体、路灯、交通标识、植物、地形、天空、行人、骑手、家用轿车、货车、公交车、火车、摩托、自行车共19类环境要素；④ 根据唯一标识符，将识别结果与街景采样点进行匹配，以获取空间位置坐标。

3.2.3 其他数据

路网数据来源于2021年6月在Open Street Map（OSM）网站获取的矢量路网，在ArcGIS中对原始数据进行清洗、拓扑检查、地理配准，最终获得2768条道路单元，用于构建路网的网络分析数据集。
轨道站点数据包括地铁站和BRT（Bus Rapid Transit）站，通过QGIS在线影像图确定厦门本岛目前开通运营的轨道1、2、3号线以及BRT线的站点位置，共计60个站点；公交线路数据通过百度地图API接口获取，包含经过的公交线路数量信息等。
POI数据来源于2021年6月高德开放平台，原始数据包含169 164条记录，共21个主要类别，参照相关研究，将POI重分类为8类：居住（2.86%）、企业（14.21%）、政府机构和社会群体（1.87%）、商业（66.37%）、教育（4.65%）、绿地（0.33%）、交通（5.23%）、其他（4.47%）。
商业中心数据来源于《厦门市商业网点布局专项规划(2016-2030)》[32]，共18处；大型山水景观资源的名单和空间范围来源于厦门市大数据平台提供的《公园绿地信息》[33]，共5处。

4 变量选择与模型构建

4.1 变量选择

市场均衡理论的引入使特征价格模型（Hedonic Price Model, HPM）成为住宅价格研究的重要方法，该理论认为影响住宅价格的特征变量主要包括三类：建筑特征、邻里特征和区位特征。考虑到既有研究证实建成环境如绿地[34]、开放性景观[35]等对房价存在影响，以及厦门市岛内地区建成环境及房价的空间异质性，本文在特征价格模型的基础之上，增加环境特征维度，结合国内外相关研究成果[1,25,36]，综合考虑数据可得性和指标计算复杂性，最后确定影响住宅价格的4类特征维度：①建筑特征；②区位特征；③邻里特征；④环境特征，以及19项变量（表1）。
表1 变量计算及描述性统计

Tab. 1 Variable calculation and descriptive statistics

特征分类 变量名称 计算指标 计算方式 均值 标准差 最小值 最大值 预期方向 数据源
建筑特征 建筑年代 房龄 2021年与房源建成时间之差 20.68 8.79 2.00 71.00 未知 链家二手房数据
建筑面积 面积 房源的户型面积 92.00 39.98 22.61 300.45 负
建筑质量 装修状况 虚拟变量，精装修为1，否则为0 0.48 0.50 0.00 1.00 正
梯户比例 楼栋电梯数与住户数的比例 0.46 0.32 0.02 6.00 正
建筑朝向 朝向 虚拟变量，朝南为1，否则为0 0.84 0.37 0.00 1.00 正
建筑高度 层数 房源所在楼栋的总层数 13.23 9.45 1.00 49.00 未知
区位特征 中心区位 到商业中心距离 基于ArcGIS网络分析工具，计算到商业中心的网络距离 1340.91 709.35 5.17 4354.54 负 QGIS描绘
交通区位 路网接近度 基于ArcGIS平台及sDNA插件，以1 km为搜索半径，采用连续空间
算法计算，计算公式见式（3）、式（4）		 0.20 0.09 0.01 0.46 正 OSM矢量路网
路网穿行度 3.75 1.39 0.59 8.23 未知
景观区位 到大型山水景观资源距离 基于ArcGIS网络分析工具，计算到景观资源的网络距离 1234.27 1165.77 16.04 5792.78 负 QGIS描绘
邻里特征 教育配套 到重点中小学距离 重点中小学指2022年公布的综合成绩前30名的小学和前15名的中
学[1]。基于ArcGIS网络分析工具，计算到重点中小学的网络距离		 797.08 633.09 1.63 4359.14 负 QGIS描绘
医疗配套 到三甲医院距离 基于ArcGIS网络分析工具，计算到三甲医院的网络距离 1034.88 714.95 0.21 4219.45 负 QGIS描绘
商务配套 商务办公设施密度 计算空间单元内的商务办公设施密度，包括银行、办公楼、政府机构、
公司企业		 581.62 301.88 26.19 1533.49 正 高德POI
交通配套 公交线路密度 计算空间单元内的公交线路密度，公交线路数=站点数量×站点线路数量 64.14 28.54 6.30 172.85 正 百度API爬取
到轨道站点距离 基于ArcGIS网络分析工具，计算到轨道站点的网络距离。 711.86 493.93 5.40 4270.44 负 QGIS描绘
环境特征 环境绿化率 街景绿视率 计算公式见式（6） 0.22 0.05 0.07 0.34 正 百度街景图像
视觉开敞度 天空开敞度 计算公式见式（7） 0.38 0.05 0.29 0.55 正
空间围合度 街景围合度 计算公式见式（8） 0.19 0.06 0.07 0.36 正
步行舒适性 相对步行指数 计算公式见式（9） 0.11 0.02 0.04 0.16 正

4.2 模型构建

对住宅价格进行全局空间自相关分析，结果显示，全局Moran's I为0.25，并通过1%的置信度检验（z-score=21.39，P-value=0.00），说明住宅价格在空间上并非随机分布，而是具有显著空间自相关现象，因此需要引入基于局部回归的空间分析模型[37]。进而，对表1中19项指标变量进行z-score标准化和多重共线性检验，以避免影响因子相互影响而带来估计结果的偏误[26]，结果显示，梯户比例、路网穿行度、街景围合度3项指标未通过检验（VIF大于5），故予以剔除，最终确定其他16项变量纳入模型构建。其中环境特征的街景绿视率、天空开敞度、街街景围合度以及相对步行指数通过以下公式计算。
$VGR=\frac{{{S}_{\text{green}}}}{S}$
$SOR=\frac{{{S}_{\text{sky}}}}{S}$
$SVE=\frac{{{S}_{\text{bui}}}+{{S}_{\text{wall}}}+{{S}_{\text{fen}}}}{S}$
$RWI=\frac{{{S}_{\text{walk}}}}{{{S}_{\text{motor}}}+{{S}_{\text{vehicle}}}+{{S}_{\text{walk}}}}$
式中： V G R表示街景绿视率； S g r e e n表示街景中树木的像素面积； S表示街景的总像素面积； S O R表示天空开敞度； S s k y表示街景中天空的像素面积； S表示街景的总像素面积。 S V E表示街景围合度； S b u i、 S w a l l、 S f e n分别表示街景中建筑、围墙、围栏的像素面积； S表示街景的总像素面积； R W I表示相对步行指数，式中： S w a l k、 S m o t o r、 S v e h i c l e分别表示街景中步行道、机动车道、机动车的像素面积。
既有研究已证实自身属性、区位属性、邻里属性对房价具有稳定的影响，因此本文将建筑、区位、邻里3个特征维度的13个变量作为控制变量，将环境特征的3个变量作为核心解释变量，构建MGWR（1）模型，模型采用半对数的处理方式。剔除环境特征变量后构建OLS、GWR和MGWR（2）模型作为对照组。

5 结果及分析

5.1 住宅价格空间特征分析

5.1.1 住宅价格的空间分布特征

厦门本岛地区住宅价格总体呈现“西南高、东北低”的空间分布趋势（图4），通过核密度分析，发现住宅价格沿厦禾路—嘉禾路形成明显的“带状”分布结构（图5），并向东北方向延伸扩散。筼筜湖南部、中山路片区住宅价格最高，住房市场也最为活跃；其次是筼筜湖东北部、SM商圈；东北部的外围地区住宅价格最低。另外，杏林湾、国际会展中心也有相对明显的高值分布，但与热点地区联系疏远，呈现局部高值“孤岛”。
图4 厦门本岛2021年6月住宅价格空间分布

Fig. 4 Spatial distribution of housing price in Xiamen Island in June 2021

图5 厦门本岛2021年6月住宅价格核密度

Fig. 5 Kernel density of housing price in Xiamen Island in June 2021

5.1.2 住宅价格的空间聚类特征

使用局部Moran's I分析住宅价格的聚集模式，结果显示（图6），住宅价格的空间分布有明显的聚类特征，自南向北呈现高-高、高-低、低-低的梯度递减，中山路以及筼筜湖南部的核心地区的房价呈现高-高集聚；高殿社区、后埔社区、SM商圈等核心边缘地区的住宅价格呈现低-低集聚。
图6 厦门本岛2021年6月住宅价格空间聚类

Fig. 6 Spatial clustering of housing price in Xiamen Island in June 2021

总体上，住宅价格的空间分布结构与城市核心发展轴线契合，房价聚集热点与厦门本岛城市中心结构相似度较高，并形成“核心-边缘-外围”房价梯度递减的总体分布格局。

5.2 模型对比

为验证MGWR模型的适用性，以及加入环境特征对模型拟合效果的提升，依次对所构建的模型进行回归分析，结果如表2，MGWR（2）的拟合优度R2比OLS和GWR分别提高0.527和0.046，AICc值分别下降724.313和135.358，根据Fotheringham制定的标准，当2个模型之间AICc值相差大于3时，AICc值小的模型拥有更好的拟合效果[38]，说明在纳入相同变量的情况下，MGWR模型的解释能力更强。而对于额外加入了环境特征的MGWR（1）模型，其拟合优度R2比MGWR（2）提高0.007，AICc值下降21.88。
表2 OLS、GWR、MGWR（2）、MGWR（1）模型回归结果对比

Tab. 2 Comparison of regression results of OLS, GWR, MGWR (2) and MGWR (1) models

模型指标 OLS GWR MGWR（2） MGWR（1）
R² 0.262 0.743 0.789 0.796
AICc 2384.269 1795.314 1659.956 1638.076
残差平方和 685.304 238.400 196.292 189.275
以上说明，至少在本次研究中，MGWR模型优于OLS和GWR模型，且纳入环境特征的模型对住宅价格的空间分异现象具有更高的解释力度。因此，本文主要分析MGWR（1）模型的运行结果。

5.3 环境特征对住宅价格的影响

5.3.1 环境特征的总体分析

首先，分析环境特征变量的回归系数。系数的绝对值代表影响作用的强弱，正、负代表作用方向，3个环境特征变量均表现为显著的正向促进影响（表3）。其中，街景绿视率对住宅价格的影响作用最强，系数均值为0.245，表示环境中的视觉绿化面积每提升1%，会带动房价提高0.245%；天空开敞度的影响作用略小于街景绿视率，系数均值为0.210；相对步行指数的影响作用最小，系数均值为0.133。
表3 环境特征变量的回归结果统计

Tab. 3 Statistics of regression results of environmental characteristics variables

特征维度 变量 均值 标准差 最小值 中位数 最大值 带宽 Monte Carlo检验（p-value）
环境特征 街景绿视率 0.245 0.003 0.239 0.245 0.249 908 0.857
天空开敞度 0.210 0.015 0.193 0.205 0.243 882 0.200
相对步行指数 0.133 0.020 0.091 0.139 0.155 851 0.182
其次，分析环境特征变量的作用尺度。带宽指某样本点在做局部回归时纳入周边样本点的数量，反映变量的作用尺度，街景绿视率、天空开敞度、相对步行指数的带宽均在900左右（表3），接近回归模型的总样本数量，说明环境特征变量的作用尺度均接近全局，进而使用Monte Carlo系数检验变量的空间异质性，街景绿视率的空间异质性微弱，天空开敞度、相对步行指数表现为较弱的空间异质性。

5.3.2 环境特征的系数空间格局分析

分别对3个环境特征变量中通过了显著性检验（p-value <0.05）的样本点进行可视化制图（图7）。
图7 主要特征变量回归系数空间分布

Fig. 7 Spatial distribution of regression coefficients of main characteristics variables

街景绿视率的影响呈现西高东低的分布格局，但影响效应在空间上变化幅度较小。影响效应高值主要分布在筼筜湖以北的高殿社区、仙岳公园周边等老城地区，该地区用地类型以老式封闭小区、城中村、老旧厂房为主，居住环境品质较低；低值主要分布在东部的新开发地区，如国际会展中心、观音山等，这类地区分布高档别墅区、商务区，环境设计标准高。总体上，绿视率对住宅价格的影响与地区环境绿化水平相关，老城地区较差的环境绿化制约了居民的居住和购房意愿，因此更好的绿化水平对房价提升作用更显著。
天空开敞度的影响呈现东高西低的分布格局。整体上，开敞度对住宅价格的影响与城市空间形态的紧凑度有关，东部新城地区由于街区尺度大，建筑以点式高层为主，空间形态松散，而西部核心地区地块尺度小，开发强度高，空间形态紧凑。从形态学角度，空间形态的开敞性能带来良好的秩序，促进人们对环境品质的认同，反映到住宅价格中表现为正向促进作用。
相对步行指数的影响呈现西高东低的分布格局。高值主要分布在中山路地区，该地区支路体系完善，街区尺度控制在100~200 m范围，适宜居民短距离出行，地区可步行性较高；低值主要分布在国际会展中心、五缘湾等新城地区，这类地区路网建设以“车本位”理念影响，道路空间尺度过大、机非车道比例失衡，地区可步行性较低。总体上，该变量对住宅价格的影响与地区建成环境的可步行性有关，相对步行指数反映了建成环境的可步行性，可步行性越高，地区出行越便捷，人们的生活便利度越高，对住宅价格的促进作用越显著。

5.3.3 其余特征的系数空间格局分析

选取其他特征维度回归系数较高的5个变量，对通过显著性检验的样本点进行可视化（图7），进而探究纳入环境特征变量后，其余主要特征变量的空间格局特征。
房龄对住宅价格为强烈的负向影响，系数呈现东高西低的空间格局，该影响在五缘湾、国际会展中心等新城地区最强，在中山路等老城地区较弱。
装修状况为较强的正向影响，但影响作用并不稳定，存在强烈的地区差异，总体上该影响分布与城市商业中心的节点分布较为契合，在SM商圈、五缘湾、厦门火车站地区影响较强，在中山路地区影响较弱，而在其他非商业地区影响不显著，说明由于商业中心地区地价高昂，人群购买力较高，且愿意为高品质住宅支付更高价格，而非商业地区人均收入水平相对偏低，对装修状况敏感度低。
到商业中心距离为较弱的负向影响，呈现东高西低的空间格局，在国际会展中心地区影响较强，在中山路、筼筜湖等老城片区影响较弱，受商业资源的集聚效应影响，住宅价格表现出对商业资源的“空间依赖性”，高房价往往围绕商业中心分布。
到重点中小学距离为较强的负向影响，影响呈“洼地”型空间格局，在中山路核心地区影响最强，在东部新城地区影响较强，而在后埔社区等老城地区影响最弱，这一空间格局与本岛地区优质教育资源的分布相符，但总体上该影响的空间差异较小，说明本岛地区教育资源的分配相对均衡。
到轨道站点距离的影响表现出强烈的空间异质性，在中山路片区为强烈的负向影响，在SM商圈、国际会展中心地区则为正向影响，其他地区影响不显著，轨道站点的影响具有一定的距离阈值，影响效力在站点周边地区最为显著。

5.3.4 各特征变量的系数空间分异规律

根据前文分析，住宅价格是多种因素叠加影响下的结果，由于各因素的影响效力在空间上并非均衡，导致住宅价格呈现空间分异现象。尽管各个因素对住宅价格影响的空间分布存在差异，但该差异在同一类型地区又具有一定共性，通过分析各个因素的系数空间分布特征，归纳其空间分布规律，进而总结出住宅价格影响的3类特征地区（图8）和6种主导因素，并提出每类地区的规划导向（图9）。
图8 三类特征地区位置示意图

Fig. 8 Three typical areas location schematic

图9 特征地区与主导影响因素关系示意

Fig. 9 Relationship between typical areas and dominant influencing factors

3类特征地区包括以中山路、筼筜湖为主的核心地区；以高殿、后埔为主的老城地区，以杏林湾、国际会展中心为主的新城地区。核心地区商业发达、路网体系完善、设施资源丰富，建成环境良好，但高开发强度带来的人口与交通压力，使得交通、教育等稀缺性资源成为房价的主导因素，这类地区应以资源疏解为主，提高地区交通承载力。老城地区生活设施完善，开发强度适中，但大量封闭社区、城中村、废弃厂房等老旧设施的存在，导致环境品质和建筑质量成为制约房价的主导因素，这类地区应以环境整治为规划导向。新城地区环境品质普遍较高，但区位优势度低，各类配套设施相对缺乏，教育、商业等配套设施是主导影响因素，这类地区应加快配套设施建设，集聚人口活力。

6 结论与讨论

环境品质会影响居民的生活健康、购房意愿进而可能影响住宅价格，然而既有研究较少探讨环境因素对住宅价格的影响，且构建指标难以反映个体对环境品质的实际感受。本文创新点在于扩展传统特征价格模型，使用街景图像测度环境特征，分析环境特征对住宅价格的影响，并运用MGWR模型分析影响因素的空间异质性和多尺度效应，是住宅价格影响精细化研究的重要拓展。主要研究结论如下：
（1）与既有研究相比，使用街景图像测度的环境特征更能反映实际的建成环境品质，结果更加符合人们对居住环境的真实感知，本文方法可分析微观环境特征对住宅价格影响，为居住环境品质提升提供更加精细化的设计策略；相较于OLS和GWR，本文采用的MGWR具有更接近于真实值的拟合效果，可分析不同特征变量的作用尺度差异，这有助于为特定地区制定针对性规划策略。
（2）厦门本岛的住宅价格总体呈现“西南高、东北低”的空间格局，沿厦禾路-嘉禾路形成“带状”的分布结构，在聚集特征上，呈现出以中山路、筼筜湖片区为首位核心的高度聚集特征，并形成“核心-边缘-外围”梯度递减的分布模式。
（3）纳入环境特征后模型解释力度显著提升， 3个环境特征变量均呈现显著的正向影响，且作用尺度接近全局尺度，说明环境品质对住宅价格在空间上具有稳定的促进作用，环境特征变量影响系数从大到小依次为街景绿视率、天空开敞度、相对步行指数，其中街景绿视率在西北部老城地区影响更强，天空开敞度在东部新城地区影响更强，相对步行指数在西南部核心地区影响更强。
（4）其他控制变量中，装修状况、商业中心、重点中小学、轨道站点对住宅价格为促进作用，而房龄为抑制作用。其中，装修状况、轨道站点仅在局部地区影响显著，其余变量表现为全局显著。
（5）不同特征地区住宅价格的主导影响因素不同，核心地区由于人口密度高、交通压力大，房价主要受交通、教育等稀缺资源的影响，老城地区房价主要受环境品质和建筑质量的影响，而新城地区主要受商业中心、配套设施的影响。
根据研究结论，提出以下规划建议：针对不同地区制定差异化规划策略，核心地区以资源疏解为主，结合城市多中心结构进行设施网络化布局，避免资源过度集聚带来的人口和交通压力；老城地区以环境提升为主，提高社区绿化率、开敞度、可步行性，保障老幼人群的生活质量；新城地区以设施完善为主，加快就业岗位、生活服务、教育医疗设施建设，促进人口-地区均衡发展。
本文存在以下不足：① 数据来源受限，本文缺乏对于住宅价格时间序列的研究；② 住房市场受外部环境因素影响，本文未考虑外部政策及投资环境的影响；③ 基于图像识别的街景数据不能完全替代人对环境的真实感知，可能存在数值良好但实际环境体验较差的情况，造成结果的偏误。当前已有学者结合人工打分和机器学习技术，通过小样本问卷调查进行大规模环境品质预测打分[36,39]，可兼顾结果的主观和客观性；另外，引入时间序列，可更好地判断住宅价格的时空变化趋势，这些是本研究今后需要继续深化的方面。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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.

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. ] DOI:10.11821/dlxb201704003

DOI

[2]
Dai X Z, Bai X, Xu M. The influence of Beijing rail transfer stations on surrounding housing prices[J]. Habitat International, 2016, 55:79-88. DOI:10.1016/j.habitatint.2016.02.008

DOI

[3]
Zhou Z Y, Chen H, Han L, et al. The effect of a subway on house prices: Evidence from Shanghai[J]. Real Estate Economics, 2021, 49(S1):199-234. DOI:10.1111/1540-6229.12275

DOI

[4]
古恒宇, 沈体雁, 周麟, 等. 基于GWR和sDNA模型的广州市路网形态对住宅价格影响的时空分析[J]. 经济地理, 2018, 38(3):82-91.

[ Gu H Y, Shen T Y, Zhou L, et al. Measuring street layout's spatio-temporal effects on housing price based on GWR and sDNA model: The case study of Guangzhou[J]. Economic Geography, 2018, 38(3):82-91. ] DOI:10.15957/j.cnki.jjdl.2018.03.010

DOI

[5]
肖扬, 李志刚, 宋小冬. 道路网络结构对住宅价格的影响机制——基于“经典”拓扑的空间句法,以南京为例[J]. 城市发展研究, 2015, 22(9):6-11.

[ Xiao Y, Li Z G, Song X D. Estimating the value of street layout via local housing market: A empirical study of Nanjing, China[J]. Urban Development Studies, 2015, 22(9):6-11. ]

[6]
Yuan F, Wei Y D, Wu J W. Amenity effects of urban facilities on housing prices in China: Accessibility, scarcity, and urban spaces[J]. Cities, 2020, 96:102433. DOI:10.1016/j.cities.2019.102433

DOI

[7]
Zhang C, Xiong M M, Wei X H. Influence of accessibility to urban service amenities on housing prices: Evidence from Beijing[J]. Journal of Urban Planning and Development, 2022, 148(1):050210631. DOI:10.1061/(ASCE)UP.1943-5444.0000795

DOI

[8]
毛德华, 吴亚菱, 袁周炎妍, 等. 长沙市生态景观对住宅价格的影响分析[J]. 经济地理, 2018, 38(8):76-82.

[ Mao D H, Wu Y L, Yuan Z, et al. Impact analysis of ecological landscape on housing price in Changsha City[J]. Economic Geography, 2018, 38(8):76-82. ] DOI:10.15957/j.cnki.jjdl.2018.08.010

DOI

[9]
王波, 何寿奎. 城市景观对住宅价格的空间效应研究[J]. 城市问题, 2021(10):95-102.

[ Wang B, He S K. The spatial effect of urban landscape on housingprice[J]. Urban Problems, 2021(10):95-102. ] DOI:10.13239/j.bjsshkxy.cswt.211010

DOI

[10]
Wu C, Ye X Y, Du Q Y, et al. Spatial effects of accessibility to parks on housing prices in Shenzhen, China[J]. Habitat International, 2017, 63:45-54. DOI:10.1016/j.habitatint.2017.03.010

DOI

[11]
Kim H S, Lee G E, Lee J S, et al. Understanding the local impact of urban park plans and park typology on housing price: A case study of the Busan metropolitan region, Korea[J]. Landscape and Urban Planning, 2019, 184:1-11. DOI:10.1016/j.landurbplan.2018.12.007

DOI

[12]
洪竞科, 苏妍, 傅晏. 城市更新项目对周边住宅价格的影响研究——以深圳市为例[J]. 现代城市研究, 2022, 37(2):112-117.

[ Hong J K, Su Y, Fu Y. Impact of urban renewal projects on surrounding housing prices: A case study of Shenzhen[J]. Modern Urban Research, 2022, 37(2):112-117. ]

[13]
徐丹萌, 李欣, 张苏文. 沈阳市住房价格空间分异格局及其影响因素研究[J]. 人文地理, 2021, 36(6):125-134.

[ Xu D M, Li X, Zhang S W. Spatial differentiation patterns and influencing factors analysis of housing prices in Shenyang[J]. Human Geography, 2021, 36(6):125-134. ] DOI:10.13959/j.issn.1003-2398.2021.06.014

DOI

[14]
Wu C, Ye X Y, Ren F, et al. Spatial and social media data analytics of housing prices in Shenzhen, China[J]. PLoS One, 2016, 11(10):e0164553. DOI:10.1371/journal.pone.0164553

DOI

[15]
Li H, Wei Y D, Wu Y Y, et al. Analyzing housing prices in Shanghai with open data: Amenity, accessibility and urban structure[J]. Cities, 2019, 91:165-179. DOI:10.1016/j.cities.2018.11.016

DOI

[16]
Wu H, Jiao H Z, Yu Y, et al. Influence factors and regression model of urban housing prices based on Internet open access data[J]. Sustainability, 2018, 10(5):1676. DOI:10.3390/su10051676

DOI

[17]
秦青, 吴婕. 城镇居民购房主观意愿对房价形成的影响——基于上海市2.8万户城镇居民住房需求问卷调查的分析[J]. 价格理论与实践, 2007(2):52-53.

[ Qin Q, Wu J. The influence of urban residents' subjective willingness to buy houses on the formation of house prices—Based on the analysis of the questionnaire survey of housing demand of 28, 000 urban residents in Shanghai[J]. Price: Theory ＆ Practice, 2007(2):52-53. ] DOI:10.19851/j.cnki.cn11-1010/f.2007.02.029.

DOI

[18]
钟艾妮, 答星, 喻静敏. 地理视角下深圳市房价及其影响因素研究——基于随机森林模型[J]. 城市勘测, 2022(2):66-70.

[ Zhong A N, Da X, Yu J M. Research on housing price and its influencing factors in Shenzhen from a geographical perspective—Based on random forest model[J]. Urban Geotechnical Investigation ＆ Surveying, 2022(2):66-70. ]

[19]
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 B, Xiao X, Li J Z, 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. ] DOI:10.13959/j.issn.1003-2398.2019.04.013

DOI

[20]
Zhang F, Zhou B L, Liu L, et al. Measuring human perceptions of a large-scale urban region using machine learning[J]. Landscape and Urban Planning, 2018, 180:148-160. DOI:10.1016/j.landurbplan.2018.08.020

DOI

[21]
Wang R Y, Yuan Y, Liu Y, et al. Using street view data and machine learning to assess how perception of neighborhood safety influences urban residents' mental health[J]. Health & Place, 2019, 59:102186. DOI:10.1016/j.healthplace.2019.102186

DOI

[22]
Liang X J, Liu Y L, Qiu T Q, et al. The effects of locational factors on the housing prices of residential communities: The case of Ningbo, China[J]. Habitat International, 2018, 81:1-11. DOI:10.1016/j.habitatint.2018.09.004

DOI

[23]
Liu F, Min M, Zhao K, et al. Spatial-temporal variation in the impacts of urban infrastructure on housing prices in Wuhan, China[J]. Sustainability, 2020, 12(3):1281. DOI:10.3390/su12031281

DOI

[24]
Fotheringham A S, Yang W, Kang W B. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6):1247-1265. DOI:10.1080/24694452.2017.1352480

DOI

[25]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制——基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3):75-83.

[ Shen T Y, Yu H C, Zhou L, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: Scale law of spatial heterogeneity[J]. Economic Geography, 2020, 40(3):75-83. ] DOI:10.15957/j.cnki.jjdl.2020.03.009

DOI

[26]
凡来, 张大玉. 北京街区活力影响机制及空间分异特征研究——基于多尺度地理加权回归[J]. 城市规划, 2022, 46(5):27-37.

[ Fan L, Zhang D Y. Research on the influence mechanism and spatial heterogeneity characteristics of block vitality in Beijing: Based on multi-scale geographically weighted regression[J]. City Planning Review, 2022, 46(5):27-37. ] DOI:10.11819/cpr20220502a

DOI

[27]
Fotheringham A S, Yue H, Li Z Q. Examining the influences of air quality in China's cities using multi-scale geographically weighted regression[J]. Transactions in GIS, 2019, 23(6):1444-1464. DOI:10.1111/tgis.12580

DOI

[28]
胡玉婷, 于一凡, 张庆来. 绿色开放空间对老年人社会交往的影响及其环境特征研究——基于上海市杨浦区公房社区的调查[J]. 上海城市规划, 2021(2):96-103.

[ Hu Y T, Yu Y F, Zhang Q L. Urban green space feature and its impacts on elderly people's social life: Evidence of GPS tracking and social investigation in Shanghai[J]. Shanghai Urban Planning Review, 2021(2):96-103. ] DOI:10.11982/j.supr.20210215

DOI

[29]
Lin S N, Huang Y X. Community environmental satisfaction: Its forms and impact on migrants’ happiness in urban China[J]. Health and Quality of Life Outcomes, 2018, 16(1):236. DOI:10.1186/s12955-018-1061-1

DOI

[30]
魏宗财, 甄峰, 秦萧. 广州市保障房住区居住环境品质及其制度影响因素研究[J]. 地理科学, 2020, 40(1):89-96.

DOI

[ Wei Z C, Zhen F, Qin X. Quality of residential environment of affordable housing estates in Guangzhou and its institutional explanations[J]. Scientia Geographica Sinica, 2020, 40(1):89-96. ] DOI:10.13249/j.cnki.sgs.2020.01.011

DOI

[31]
宋小冬, 李晓晗, 齐文菲, 等. 城市道路网络拓扑结构对常规公共交通的适宜性评价[J]. 城市规划学刊, 2020(4):43-50.

[ Song X D, Li X H, Qi W F, et al. A suitability evaluation of urban road network topology for conventional bus transits[J]. Urban Planning Forum, 2020(4):43-50. ] DOI:10.16361/j.upf.202004005

DOI

[32]
厦门城市规划设计研究院. 厦门市商业网点布局专项规划(2016-2030)[R]. 2016.

[ Xiamen Urban Planning and Design Institute. Xiamen commercial network layout special planning(2016-2030)[R]. 2020. ]

[33]
厦门市市政园林局. 公园绿地信息[EB/OL]. https://data.xm.gov.cn/opendata/datas/#/catalog_list?rprovideDept=_YLJ

[ Xiamen Municipal Bureau of Landscape Architecture. Park green space information[EB/OL]. https://data.xm.gov.cn/opendata/datas/#/catalog_list?rprovideDept=_YLJ

[34]
王振山, 张绍良, 张英, 等. 城市绿地对住宅地价的溢出效应分析——以51个绿地建设优等区城市为例[J]. 干旱区资源与环境, 2016, 30(4):24-29.

[ Wang Z S, Zhang S L, Zhang Y, et al. The spillover effect of urban green space on residential land price[J]. Journal of Arid Land Resources and Environment, 2016, 30(4):24-29. ] DOI:10.13448/j.cnki.jalre.2016.107

DOI

[35]
Nilsson P. Natural amenities in urban space - A geographically weighted regression approach[J]. Landscape and Urban Planning, 2014, 121:45-54. DOI:10.1016/j.landurbplan.2013.08.017

DOI

[36]
Qiu W S, Zhang Z Y, Liu X, et al. Subjective or objective measures of street environment, which are more effective in explaining housing prices?[J]. Landscape and Urban Planning, 2022, 221:104358. DOI:10.1016/j.landurbplan.2022.104358

DOI

[37]
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 Q Y, Xu W, Ai F L. A GWR-based study on spatial pattern and structural determinants of Shanghai's housing price[J]. Economic Geography, 2012, 32(2):52-58. ] DOI:10.15957/j.cnki.jjdl.2012.02.009

DOI

[38]
Fotheringham A S, Kelly M H, Charlton M. The demographic impacts of the Irish famine: Towards a greater geographical understanding[J]. Transactions of the Institute of British Geographers, 2013, 38(2):221-237. DOI:10.1111/j.1475-5661.2012.00517.x

DOI

[39]
Xu X, Qiu W S, Li W J, et al. Associations between street-view perceptions and housing prices: Subjective vs. objective measures using computer vision and machine learning techniques[J]. Remote Sensing, 2022, 14(4):891. DOI:10.3390/rs14040891

DOI

Options
文章导航

/

〈 〉