EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 6: 698 - 704

DOI: https://doi.org/10.3724/SP.J.1047.2015.00698

Orginal Article

Research on the Characteristics and Influence Mechanism of Second-hand Housing Activeness in Nanjing: Using Kernel Density Estimation

  • ZHU Shoujia 1 ,
  • ZHEN Feng , 2, 3, * ,
  • QIN Xiao 1 ,
  • HE Yiyi 2
Expand
  • 1. School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210093, China
  • 2. School of Architecture and Urban Planning, Nanjing University, Nanjing 210093, China
  • 3. Human Geography Research Center, Nanjing University, Nanjing 210093, China
*Corresponding author: ZHEN Feng, E-mail:

Received date: 2014-10-30

  Request revised date: 2014-12-11

  Online published: 2015-06-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Nowadays, issues regarding to housing affairs can be easily dealt through online queries and transactions, which provide a brand new data source for researches about residential space. This article mainly focuses on the causes of variations in activeness degree for different second-hand housing areas in Nanjing, through web data mining and a series of kernel density estimations. Based on three typical case studies of the Hexi district, Daguang district and Confucius Temple area, this article summarizes the underlying influential mechanism for the second-hand housing activeness in Nanjing. Research result has shown that the second-hand housing in Nanjing has a structure of “one core with three blocks”, in which the Gulou and Jianye districts are considered to be the core. Meanwhile, the sales volume in districts with highly educated inhabitants, such as Xuanwu district which lies in the eastern part of Nanjing and Jiangning district which lies in the southern part, have a low degree of activeness due to the solidified and sophisticated residential space development. There are two main factors contributing to the differentiation of activeness in second-hand housing, which are summarized as the internal factor and the external factor. The multivariate regression analysis model suggests that the internal factor is consists of the housing price, the number of building stories, the percentage of greenery coverage, and the house decoration condition. The external factor is considered to be consist of the accessibility and quality of adjacent subway stations, schools and other supporting facilities and services.

Key words： second-hand housing activeness; spatial characteristics; influence mechanism; kernel density estimation; Nanjing

Cite this article

ZHU Shoujia , ZHEN Feng , QIN Xiao , HE Yiyi . Research on the Characteristics and Influence Mechanism of Second-hand Housing Activeness in Nanjing: Using Kernel Density Estimation[J]. Journal of Geo-information Science, 2015 , 17(6) : 698 -704 . DOI: 10.3724/SP.J.1047.2015.00698

1 引言

国内城市住房研究主要集中在城市居住用地的空间分布和演变特征[1],城市居住空间分异[2-3]和价格时空演变[4]、经济适用房[5-6]、保障性住房[7],以及居住环境评价[8-10]与居住区选择[11-12]等方面,而国外集中在住宅特征价格模型[13]、住宅价格空间分异[14]。过去城市住房空间研究资料往往源自街道数据[15-16]、土地遥感数据[17]、房地产中介和广告[18],但是,随着网络交易平台的发展,越来越多住房交易在网上进行信息交换,这为研究住房空间提供了一种新的途径和方法。另外,未来研究居住空间热点主要集中在居住空间社会视角,住宅郊区与土地资源及居民住宅区位选择的微观机制[19]方面,其中,居民选择新房、二手房、租房的住房类型行为则较为复杂[20-21]。因而,单从一种住房类型（如二手房）下手,能较为深入研究住房选择行为。
二手房是指已在房地产交易中心备案、完成初始登记和总登记的、再次上市进行交易的房产。其中,二手房包括商品房、允许上市交易的二手公房（房改房）、解困房、拆迁房、自建房、经济适用房和限价房。随着城市化的深入,对二手房的需求量也逐渐加大,这使得二手房日益成为反映城市中心住房市场变化的重要指标。新房有更多的途径进行信息宣传,而由于经济和便捷性,二手房买卖双方越来越多地选择网络作为信息交流平台。网络数据相比房产中介数据更能覆盖实际二手房市场,因而,通过网络数据研究二手房更能反映住房市场状况。
传统二手房空间分布研究主要集中在价值评估上[22-23];机制方面的研究集中在住房价格的影响因素分析[24]、居住空间分异形成机制[25]。多数以住房价格作为因变量,使用计量模型探讨各类影响因素,缺少实地访谈调研和不同活跃度空间影响机制分析。而微观的住房区位选择机制研究,案例的选择主要基于经验,缺少从宏观角度对案例地进行 选择。
本文所指活跃度[26]是使用待成交的二手房数据通过核密度估计计算得到。二手房分布较为集中地区为二手房活跃度高地区。因而,本文以南京搜房网二手房数据为数据源,采用宏观数据统计分析和微观实地调查相互结合的方法,综合研究二手房活跃度特征,并对二手房活跃度的影响因素进行分析,以期得到二手房活跃度影响机制。

2 研究方法与数据

2.1 研究范围

南京是长江三角洲经济区的副中心城市,经济发展水平位居全国前列,具有较强的代表性。2010年常住人口为800.47万人,其中市区户籍人口510.59万人,城市建成区619 km2。本文研究范围为南京的玄武、秦淮、建邺、鼓楼、浦口、栖霞、雨花、江宁8个辖区,涵盖南京主要建成区范围（图1）。同时,按照2010版总规划定的范围,本文将绕城高速公路、长江、外秦淮河、秦淮新河围成的主城区作为研究范围。而大厂、六合、高淳和溧水等城市发展水平与主城区有较大差距,不在本文探讨范围内。

2.2 研究思路

首先采集南京搜房网二手房数据,以核密度估计分析方法,对二手房房源进行插值,并采用ArcGIS自然断点分类工具,将二手房活跃度分成5类。其次,二手房活跃度空间分类,通过ArcGIS的“值的提取至点”方法,将5类的值提取至二手房房源,作为二手房活跃度影响分析模型的因变量。本文重点关注高和较低2类二手房活跃度,采用多元回归模型,分析二手房活跃度的影响因素。最后,结合二手房活跃度和影响因素,选择3个特定地区（河西、大光路、夫子庙）,对搜房网店店员和用户进行访谈,结合案例,对住房因素机制进行实证分析。

2.3 数据采集

搜房网是中国最大的房地产门户网站之一,主要以房地产和家居行业服务为主。截止至2013年6月,搜房网南京二手房的数据共有9万多条,因为搜房网限制,最后通过编制爬虫程序采集30 353个房地产数据（基本属性见表1）。截止到2010年底,南京市实有房屋建筑面积24 613万m2,其中,住宅 16 031万m2,国有土地上住房户均套数为1.21套/户,户均面积为99.57 m2,总计133万套。根据南京房地产管理处数据,2012年二手房累计成交套数为67 202套。因而,采集数据能较好地反映二手房房源情况,具有代表性。将采集数据的坐标点,根据经纬度导入ArcGIS分析平台,并与南京市区范围叠合（图1）。
Tab. 1 The attributes of the samples

表1 调查样本的属性特征

项目 分类 备注 个数（个） 比例（%）
住房面积 小面积 <50 m2 4097 13.51
中等面积 50~90 m2 8145 26.86
大面积 >90 m2 18 085 59.63
住房价格 低价格 <100万 8160 26.90
中等价格 100~150万 6002 19.79
高价格 >150万 16 168 53.31
住房年代 老房 <10 a 9661 34.50
较新房 2-10 a 15 232 54.40
新房 <2 a 3106 11.09
住房层数 低层 1~3层 578 1.98
多层 4~6层 9714 33.21
中高层 7~9层 6697 22.90
高层 ≥10层 12 260 41.92
装修程度 毛坯 5599 19.23
简中装修 6900 23.70
精装修 13 978 48.00
豪华装修 2641 9.07
学区 学区 5263 17.35
非学区 25 077 82.65
地铁 地铁 7225 23.81
非地铁 23 120 76.19
区位 市区 19 078 62.85
郊区 11 275 37.15
Fig. 1 Spatial distribution of the Second-hand housing in Nanjing

图1 南京二手房房源空间分布

根据二手房活跃度和住房影响因素,本文选择河西、大光路和夫子庙3个案例地区,对搜房网店店员和用户进行深入访谈,对二手房活跃度影响机制进行案例解释。河西地区和大光路是二手房活跃度高地区,其中,河西位于南京主城的西部,西临长江,与浦口区隔江相望;东依秦淮河,与南京老城相邻。河西作为靠近主城区城的新城,交通和综合配套优越。大光路位于主城东部,龙蟠中路和白下路交接右侧,住房类型以高层公寓为主。夫子庙是二手房活跃度较低地区,位于主城南部,住房类型以多层为主。

3 二手房活跃度综合评价

二手房活跃度是用来衡量二手房空间分布频率的系数,主要通过核密度估计进行测度,并对不同活跃度的二手房空间特征进行分析。

3.1 二手房活跃度的测度

基于GIS的核密度估计方法主要借助一个移动窗口,计算并输出每个栅格单元的点或线密度。一般定义为：设 x 1 , ⋯ , x n 是从分布密度函数为 f 的总体中抽取的独立分布样本,估计f在某点x出的值 f x ,常用的Rosenblatt-Parzen核估计方法计算公式如式（1）所示。
f x = 1 nh ∑ i = 1 n k x - x i h （1）
式中, k 为核函数; h > 0 ,为带宽;n为样本数; ( x - x i ) 为估计点到样本 x i 处的距离。
在核密度估计中,带宽h的确定或选择对于计算结果影响很大,随着h的增加,空间上点密度的变化更为光滑,但会掩盖密度的结构;h减小时,估计点密度变化突兀不平。在具体应用中,需根据不同值进行试验,以探索能与实际情况较吻合的核密度曲面。核密度估计的具体方法：（1）定义一个搜索半径,以滑动的圆来统计出圆域内的事件数量;（2）根据密度精度要求,确定输出栅格大小;（3）通过核函数计算出每个事件对圆域内各个栅格的密度贡献值;（4）对每个栅格的密度值进行赋值,其值为该栅格搜索半径范围内各个事件对栅格的密度贡献值的累加。（5）输出每个栅格的密度值[27]。本文通过比较不同带宽（图2）发现,2000 m带宽相比1500 m空间差异较小,且部分地区类别较少。因此确定1500 m带宽来分析二手房空间分布特征。由于1000 m带宽的部分二手房部分数据存在缺失值,故没计算。
Fig. 2 Activeness density of the second-hand housing with different bandwidths of 1000 m, 1500 m and 2000 m in Nanjing, 2013

图2 南京市2013年二手房活跃度

3.2 不同活跃度二手房的空间特征

本文使用核密度估计方法,插值得到二手房活跃度。根据活跃度的值,使用ArcGIS的Nature Break方法把活跃度分成5类（图3）。本文从分区、城市道路、地铁3方面,对二手房活跃度空间特征进行更细致分析。
Fig. 3 Spatial classification of the second-hand housing activeness

图3 二手房活跃度空间分类

3.2.1 “一心三组团“格局
二手房活跃度高的地区主要集中在城市新发展地区如建邺、栖霞和部分鼓楼地区。而玄武、秦淮作为主城区却无法和前面几区相比。原因在于鼓楼多集中在中小房产的交易,而建邺、栖霞作为较新的地区,二手房交易量比例较高。玄武、秦淮的住房空间较为固化,地区住房是刚性需求,住房过滤较慢。玄武高教区（包括南京理工大学、南京航天航空大学等）、江宁的住房空间较为固化,说明居住空间发展较为成熟。二手房活跃度总体上形成以主城为核心,仙林、江宁和浦口3组团的空间格局。
3.2.2 沿交通走廊的带状布局特征
从主要道路的交通联系来看,以主干道做缓冲区分析,其分析半径为200 m（以步行5 min到主干道）,有35%二手房源在这一区域。河西地区的江东北路、草场门大街、清凉门大街、汉中门大街附近;汉中路和中山路交界的西北处,白下路和龙蟠中路的交界处为二手房活跃高的地区;福建路、大桥北路东侧、燕子矶、仙林大道和学则路交界处,胜太路和双龙大道交界处为活跃度较高地区。绣球公园附近、夫子庙地区、湖南路地区,锁金村,南京理工大学附近为活跃度较低地区。
3.2.3 沿地铁站点圈层向外递减
从地铁的沿线来看,通过对地铁站点做缓冲区分析,其分析半径为为500 m,有二手房源54%在这一区域。其中,河西地区的云锦路、莫愁湖、集庆门大街地铁站附近,新街口地区的珠江路、上海路、新街口站,城东地区的西安门站周围为二手房活跃度高的地区;仙林地区的学则路和仙林中心站,经天路站,建邺地区的奥体中心、奥体东站、江宁地区百家湖、胜太路站周围为活跃度较高地区。玄武门和鼓楼站附近,三山街、中华门站附近为二手房活跃度较低地区。

4 二手房活跃度影响机制分析

综上所述,南京市二手房活跃度出现空间差异性,不同住房的二手房活跃度也存在一定的差异性。二手房活跃度空间分异特征,表明其与住房的价格、年代等住房因素存在一定联系。因此,本文采用多元回归模型来研究二手房活跃度的住房因素,结合案例,对住房因素机制进行实证分析。

4.1 模型与变量

二手房活跃度空间分类,通过ArcGIS的“值的提取至点”方法,将上述二手房活跃度空间分类的值提取至二手房房源,作为二手房活跃度影响分析模型的因变量。
本文重点关注高活跃度和低活跃度的二手房构成,使用多元回归模型,从住房内因和外因2方面来分析不同二手房活跃度的影响因素。模型如式（2）所示。
ln P y = j x P y = J x = α j + ∑ i = 1 I β i x i + ∑ k = 1 K β k x k （2）
式中,I是直接住宅特征变量数;K是住房外因变量数;j为各类因变量;J为参照变量（其他）;P表示不同二手房活跃度的概率; x i 表示直接住宅特征变量（面积、价格、年代、住房层数、居住层数、绿化率、物业管理费、装修类型）; x k 表示住房外因（学区、地铁、区域类型、生活设施配套）; α j 表示常量; β i 、 β k 为偏回归系数。

4.2 结果分析

多元回归模型分析结果表明（表2）,式（2）对数似然值的总卡方值为10 286,并且在P=0.001上显著。其中,住房内因的价格、住房层数、绿化率、装修程度和外因的学区、地铁、区域变量在不同二手房活跃度上均显著。居住层数、物业管理费、生活配套设施在活跃度高低2个层面显著。住房面积、住房年代在活跃度高的二手房显著。
Tab. 2 Factors contributing to the different degrees of activeness in second-hand houseing

表2 不同活跃度二手房影响因素

活跃度高 活跃度低 卡方检验
B S.E. B S.E.
住房内因 面积 -0.012*** 0.001 0.000 0.000 226.346
价格 0.010*** 0.001 0.003*** 0.001 532.900***
年代 0.047*** 0.009 0.016 0.008 44.774
住房层数 0.022** 0.010 -0.036*** 0.010 418.914**
居住层数 0.050*** 0.013 0.031** 0.013 37.516
绿化率 0.076*** 0.004 0.055*** 0.004 426.231***
物业管理费 -0.346*** 0.079 -0.188* 0.074 60.823
装修程度（参考毛坯） 321.873***
简中装修 1.365*** 0.138 0.489*** 0.116
精装修 1.070*** 0.112 0.243*** 0.089
豪华装修 0.490*** 0.171 0.198 0.150
住房外因 学区（学区=1,非学区=0） 0.896*** 0.100 -0.141 0.091 389.991***
地铁（地铁=1,无地铁=0） -0.665*** 0.098 0.153* 0.081 333.230**
区域（市区=1,郊区=0） 16.791** 7.953 2.065*** 0.124 2752.45***
生活配套设施 -0.012*** 0.003 0.011*** 0.003 187.395
常数 -11.711*** 20.331 -33.890** 16.716
样本数 4622 7490

注：***表示在0.001上显著,**表示在0.05上显著,*表示在0.1上显著。生活配套设施包括煤气、天然气、电梯、车位、花园、小院、储藏室、地下室等

从面积、价格、年代来看,面积变量在高活跃度二手房显著但呈现负相关关系,而低活跃度的二手房不显著。中等面积的二手房能满足购房者对新房的需求,但是,面积增加一个单位,二手房活跃度高的概率降低1.2%,因而,面积过大的房子二手房活跃度反而不高。大面积的住房有利于改善购房者,对于家庭扩员及环境优化的需求,如河西新城市广场。前期住房以高校老师配套住房和机关事业单位的配套住房为主,后期商品房开发,总体以大面积为主。而中等面积的住房则作为过渡的需要,包括年轻的外地人来本市买房以及投资、拆迁等因素换房的人,如大光路附近,中等户型都比较畅销。面积过大的房子主要集中在栖霞、江宁、浦口郊区地区,以独栋或联排别墅为主,活跃度较低。
价格变量在不同活跃度二手房显著,且均为正相关,但二手房活跃度高的发生概率更大, 说明住房价格越高代表着更好的住房消费需求,其发生概率更大。拥有较高收入的人群对住房空间结构有重要的影响,因而,住房价格高聚集地往往是二手房活跃度较高地区。另外,活跃度低的二手房价格越高,反而不易销售,因为对于这部分住房消费需求,对价格极其敏感,如夫子庙地区二手房价格集中在90万元左右。
年代变量在高活跃度的二手房显著,而低活跃度的二手房则不显著,说明二手房存在一定的投资需求,而较新的二手房满足购房者对新房需求。而太新的住房因为销售阶段或税收情况,多以自住为主。老的住房不会轻易转让,只会选择出租,因而二手房活跃度低。例如,夫子庙地区居民以中老年人为主,其作为本地土生土长的南京人,对夫子庙地区固有的“乡土“情结,住房空间结构较为固化,因而导致商品房供给量较少,交易量也较小。
从居住层数来看,楼层越高,二手房活跃度高发生的概率越大,而活跃度低发生的概率变小。这主要是由于低活跃度的二手房其楼层以多层为主,占45.5%,而高活跃度的以多层、中高层和超高层为主,分别占28.8%、24.8%和31.1%。南京二手房的层数主要集中在多层和高层,占41.9%和33.2%。而这2类住房也较为典型。其中,多层以早期修建单位公寓的为主、而高层是以市场改革之后修建的小区和公寓为主。居民居住的主要集中在低层和多层,但住房类型以多层、中高层和高层为主同,说明居住较低楼层的住户,比居住较高楼层更希望进行换房交易。从住房层数来看,住房层数越高,二手房活跃度高发生的概率变大,而活跃度低的发生概率变小,说明高层住房相比多层住房对住户更有吸引力。
从物业管理费和绿化率来看,物业管理费越高,其二手房活跃度发生概率变小。而绿化率越高的二手房活跃度也较高,说明绿化率高的住房,而物业管理费较低的二手房对用户有较高的吸引力。从装修程度来看,随着装修的豪华程度不断增加,其二手房活跃度不断下降。且简中装修和精装修对二手房活跃度高与活跃度低影响差别远大于豪华装修两者之间的差别,说明豪华装修对二手房的活跃度影响较小,购房者对豪华装修因素不敏感。
从住房外因来看,学区变量在高活跃度的二手房显著,而低活跃度的二手房则不显著,说明学区二手房能够满足购房者孩子上学的需求,因而活跃度较高。例如,新城市广场附近的清江花苑小区受南京师范大学附属中学树人学校学区调整影响,二手房价格上涨,销售激增。市区二手房比郊区的活跃度发生概率更大,一方面是二手房市区供给数量较大,占比62.9%,另一方面是市区的二手房需求量更大。从地铁因素来看,二手房附近有地铁的其活跃度高发生概率小,而活跃度低的发生概率大,主要是因为有地铁的二手房比例过小,只有23.8%。生活配套设施越齐全高活跃度的二手房发生概率较小,主要是越齐全的生活配套其二手房销售价格过高,反而不易销售。

5 结论

（1）传统居住空间研究主要通过统计分析或问卷调查的方法,对住房或居住空间分布特征进行分析,但样本数据量较小,时效性较差,并且在分析住房影响因素方面没有较为科学的方法。而搜房网等在线信息共享交互平台的出现和使用,使得二手房属性数据作为定量指标,有助于分析二手房活跃度的空间分异。
（2）研究发现二手房活跃度高的地区集中在新城市广场和南部的奥体中心,以及新街口、白下路。玄武高教区、江宁的二手房活跃度低,住房空间较为固化,居住空间发展较为成熟。总体形成以主城为核心,仙林、江宁和浦口3组团的二手房分布格局,这和城市居住用地空间格局存在一定的耦合关系。二手房活跃度高的地区有2种：①以河西为代表的,较新和高价格大面积的住房为主;②以大光路为代表的,老的和价格较低面积较小住房为主。活跃度低的地区以夫子庙为代表,老的和面积较大住房为主,住房空间较为固化。
（3）二手房活跃度影响因素有2个方面：一方面是住房内因,涉及的变量包括价格、住房层数和绿化率、装修程度,住房内因条件状况越好,其二手房活跃度越高;另一方面是住房外因,涉及的变量包括地铁、学区房、区域变量。回归结果表明,学区变量在活跃度高的二手房显著,而活跃度低的二手房则不显著,说明贴上学区、地铁等标签可提高二手房活跃度。
虽然住房数据可在网络上检索,但是住房的个人信息是没有办法获取的。因而,未来在获取个体居住空间数据基础上,可对特殊群体的住宅问题进行研究。另外,本研究网络挖掘的数据是二手房一部分,仅用于市场交易和查询,并不包括刚性需求的二手房。存量是影响二手房交易的客观因素,未来需考虑增加存量住房与二手房交易的关系。因而,今后研究二手房可考虑结合房地产管理部门数据,从住房配套设施等角度入手,找到关于住房配套设施相对缺乏地区,从而为政府提高公民服务配套,有政策和财政的倾斜提供科学依据,做到减少地区不均衡,提高居民居住满意度。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
武文杰,张文忠,刘志林,等.北京市居住用地出让的时空格局演变[J].地理研究,2010,29(4):683-692.

[2]
袁雯,朱喜钢,马国强.南京居住空间分异的特征与模式研究——基于南京主城拆迁改造的透视[J].人文地理,2010,25(2):65-69.

[3]
苏振民,林炳耀.城市居住空间分异控制:居住模式与公共政策[J].城市规划,2007,32(2):45-49.

[4]
张静,张丽芳,濮励杰,等.基于GWR模型的城市住宅地价的时空演变研究[J].地理科学,2012,32(7):828-833.

[5]
张祚,李江风,陈双,等.经济适用住房在城市中的空间分布[J].地理学报,2011,66(10):1309-1320.

[6]
张爱华,冯长春.城市经济适用房空间布局研究——以廊坊市主城区为例[J].城市发展研究,2009,16(9):26-32.

[7]
郭菂,李进,王正.南京市保障性住房空间布局特征及优化策略研究[J].现代城市研究,2011(3):83-88.

[8]
王茂军,张学霞,张文忠.大连市城市内部居住环境评价的空间结构[J].地理研究,2002,21(6):753-762.

[9]
艾彬,徐建华,黎夏,等.社区居住环境的空间数据探索性分析[J].地理科学,2008,28(1):51-58.

[10]
张文忠. 城市内部居住环境评价的指标体系和方法[J].地理科学,2007,27(1):17-23.

[11]
郑思齐,符育明,刘洪玉.利用排序多元Logit模型研究城市居民的居住区位选择[J].地理科学进展,2004,23(5):86-93.

[12]
刘旺,张文忠.城市居民居住区位选择微观机制的实证研究[J].经济地理,2006,26(5):802-805.

[13]
Stevenson S.New empirical evidence on heteroscedasticity in hedonic housing models[J]. Journal of Housing Economics, 2004,13(2):136-153.

[14]
Song Y, Knaap G J.New urbanism and housing values: A disaggregate assessment[J]. Journal of Urban Economics, 2003,54(2):218-238.

[15]
周春山,陈素素,罗彦.广州市建成区住房空间结构及其成因[J].地理研究,2005,24(1):77-88.

[16]
黄莹,黄辉,叶忱,等.基于GIS的南京城市居住空间结构研究[J].现代城市研究,2011(4):47-52.

[17]
廖邦固,徐建刚,宣国富,等.1947-2000年上海中心城区居住空间结构演变[J].地理学报,2008,63(2):195-206.

[18]
吴宇哲. 基于GIS的城市住宅价格时空演变规律探索及其应用研究[M].杭州: 浙江大学出版社,2005.

[19]
刘旺,张文忠.国内外城市居住空间研究的回顾与展望[J].人文地理,2004,19(3):6-11.

[20]
刘望保,闫小培,曹小曙.转型期中国城镇居民住房类型分化及其影响因素——基于CGSS(2005)的分析[J].地理学报,2010,65(8):949-960.

[21]
Huang Y.Housing markets, government behaviors, and housing choice: A case study of three cities in China[J]. Environment and Planning A, 2004,36(1):45-68.

[22]
阮连法,张跃威,张鑫.基于特征价格与SVM的二手房价格评估[J].技术经济与管理研究,2008(5):75-78.

[23]
乔志敏,李德峰,邹文军,等.基于财产税征收的不动产价值评估——对北京市4个内城区的实证分析[J].城市发展研究,2009,16(3):81-86.

[24]
石忆邵,李木秀.上海市住房价格梯度及其影响因素分析[J].地理学报,2006,61(6):604-612.

[25]
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.

[26]
Wan N, Qu W, Whittington J, et al.Assessing smart phones for generating life-space indicators[J]. Environment and Planning B: Planning and Design, 2013,40(2):350-361.

[27]
刘锐,胡伟平,王红亮,等.基于核密度估计的广佛都市区路网演变分析[J].地理科学,2011,31(1):81-86.

Options
Outlines

/

〈 〉