宋伟轩
, 毛宁, 袁亚琦
SONG Weixuan, MAO Ning, YUAN Yaqi
通讯作者:
收稿日期: 2016-06-6
修回日期: 2016-10-21
网络出版日期: 2017-04-20
版权声明: 2017 《地理学报》编辑部 本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:
作者简介:
作者简介：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: wxsong@niglas.ac.cn
展开
摘要
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。
关键词：
Abstract
Spatial differentiation of urban housing prices is the marketization expression of the non-equilibrium allocation of residential space resources, which reflects the contrast between social groups belonging to different social classes in selection preference and demand for housing. There is a certain degree of correlational coupling between urban housing prices' spatial differentiation and residential spatial differentiation with respect to the mechanism and the pattern. The paper chooses 1204 commercial housing communities in Nanjing's urban center as its research object and constructs a characteristic variable index system of housing prices. The GWR model is used to analyze major factors that lead to spatial differentiation in housing prices, as well as their combination relationship and spatial-temporal dynamics. Results demonstrate that: (1) there are various factors affecting housing prices, their subsequent spatial differentiation, and they are likely to evolve over time. The dominant factors are the level of the community, school district resources, quality of the landscape, access to leisure facilities, and so on. These may mainly reflect housing consumers' earning capacity, values, residential environment demands, life style and cultural tastes. (2) The pattern of housing prices in Nanjing generally shows the spatial pattern of "circle + fan-shaped + enclave". High priced housing mainly includes new apartments and gated communities in the inner city, communities in elite primary and secondary school districts, high-grade gated communities close to the Ming City Wall, housing in the center of Hexi New Town, and landscaped villas in the urban periphery. (3) Differing types and strata of housing communities attract and gather consumer groups with specific economic and social attributes, which makes housing price differentiation notable correlational coupling with residential differentiation in acting mechanisms and spatial patterns. As the degree of urban housing marketization is continuously deepening and the cultural characteristics and residential preference of social classes become increasingly mature, the spatial differentiation of urban housing prices is more than just an expression. It is also an important driving mechanism to promote residential spatial differentiation and re-differentiation, and can also predict basic trends pertaining to urban residential spatial differentiation in the future. Therefore, the spatial differentiation of urban housing prices can provide a prospective observational and analytical tool for the study of urban social space. It can further make up the time-lag defect which arises in traditional social space research using census data, as well as helps to predict and identify future trends regarding urban social spatial differentiation.
Keywords：
21世纪以来,在国际新自由主义和金融资本主义背景下,受到国内市场化转型、不均衡城市化、土地财政、货币超发等多重因素的叠加影响,大城市商品房价持续飙升。同时,城市更新与拓展过程中,空间重构与资源配置的非均衡性不断凸显,引起住宅价格出现愈发显著的时空异质性,而学区、地铁、景观、物管、科技等新型影响因素更造成房价分异机制的复杂化。近年来,城市内部房价差异及影响因素在国内城市地理学领域得到较多关注[1-7]。从城市社会地理视角考虑,城市房价的研究意义更多体现在房价与城市社会空间重塑的辩证关系上：城市住房的类型和档次,与居住群体的经济社会属性存在紧密关联[8-9],房价空间即社会空间;房价的空间分异,既是城市社会空间分异的结构化表征与市场化反应,也是推动社会空间再分化的重要驱动机制;影响城市房价空间分异的主导因素和作用机理,即便不能完美解答,也能部分解读城市居住空间分异的过程和结果[10]。因此,在住房选择日趋市场化和家庭迁居更加自由化的当下,城市房价的空间分异及其演进,越来越能够真实反映出居住空间分异的总体格局与演变趋势,房价将成为城市社会空间研究的重要数据来源与分析工具。遗憾的是,目前房价空间主要被视为一个独立现象进行探讨,其对城市居住空间分异的表征意义和对社会空间重构的驱动作用并未得到足够重视。鉴于此,本文以南京为例证,分析导致城市商品房价空间分异的主要因素、组合特征及演变规律,判断城市房价差异与居住分异两者间的机制耦合性,构建南京房价与居住分异格局的时空模型,探索从房价视角透视城市社会空间问题。
以南京主城区为研究区域,包括鼓楼、玄武、秦淮、建邺、栖霞、雨花台、江宁和浦口8个行政区①(①研究区域不包括距离中心城区较远的六合区、高淳区和溧水区。)。选择以社区（住宅小区）为基本研究单元②(②选择社区而不是个体住宅作为基本数据单元,一是为避免因装修程度、附送设施、户型朝向等个性化差异造成的房价异常或噪音;二是为避免出现大量冗余数据,更能提高房价信息的真实性和准确度。),为尽量剔除住房价格的非市场化影响因素,以1998年后建成的商品房社区为研究对象③(③城市住宅分为单位房（单位房改房和单位过渡房）、政府房（房管局房改房、廉租房和经济适用房）、商品房（新房和二手房）和安置房等类型[11];其中唯有商品房基本遵循市场化定价原则,并可以在城市住房二级市场上自由交易。)（图1）。分别于2009年10月和2015年6月,对南京主城区690个和1204个样本社区进行房价信息采集④(④根据南京市住房交易中心动态监测资料,21世纪尤其是2005年以来,南京城市商品房价一直保持较快速度的持续波动上涨,而在2009年下半年和2015年上半年两个时间段房价相对稳定。),社区房价数据采用当月出售新房或二手房单位面积成交均价⑤(⑤尽管客观上存在“阴阳合同”等出于避税目的做低房屋成交价格的现象,导致官方公布的成交价格要低于实际成交价格,但并不会对研究结论造成显著影响。)。运用ArcGIS对南京主城区交通路网、山体水系等空间要素进行矢量化操作,导入南京市最新矢量地图,获取样本社区的地理空间位置;通过Google Earth从500 m高度截取城区卫星影像,进行图像拼合与配准叠加,确定样本社区的四至边界。依托“365淘房网”（http://nj.house365.com/）和“搜房网”（http://nj.soufun.com/）等房地产交易网站和实地调研数据,获取楼盘属性信息⑥(⑥楼盘信息包括：社区名称、行政区属、建成年份、占地面积、建筑面积、容积率、绿化率、住宅套数、物业费、车位数、两时段单位面积均价、社区类型等13项内容。),建立样本社区空间属性数据库。
图1 研究区域与样本社区时空格局
Fig. 1 Study areas and temporal-spatial pattern of sample communities
2009-2015年期间,南京主城区商品住宅均价由1万元/m2迅速上涨到2万元/m2,年均增长超过12%;2009年,老城区所在的玄武区、秦淮区、鼓楼区住房均价排名前三;至2015年,房价最高的依然是玄武区,但河西新城所在的建邺区均价由第四位跃升至第二位;“一城三区” ⑦(⑦指河西新城、东山新市区、仙林新市区和江北新市区。)等新城区所在的建邺区、雨花台区、浦口区和栖霞区房价增速最快（表1）。从样本社区时空分布格局（图1）可以看出,建于20世纪末的商品住宅主要分布在老城区内及明城墙附近,社区数量少且占地规模小,呈散布镶嵌状布局;21世纪以来新建住宅主要分布在以“一城三区”为代表的新城区,社区数量多、分布广、占地大,呈蔓延拼贴与填充式分布。
表1 样本社区分布基本特征
Tab. 1 Characteristics of sample community distribution
| 区域 | 样本数量(个) | 样本占比(%) | 住宅均价(元/m2) | |||||
|---|---|---|---|---|---|---|---|---|
| 2009年 | 2015年 | 2009年 | 2015年 | 2009年 | 2015年 | |||
| 鼓楼区 | 127 | 219 | 18.41 | 18.19 | 12548 | 23437 | ||
| 玄武区 | 62 | 112 | 8.99 | 9.30 | 14476 | 25961 | ||
| 秦淮区 | 134 | 171 | 19.42 | 14.20 | 12596 | 23118 | ||
| 建邺区 | 80 | 159 | 11.59 | 13.21 | 11071 | 25518 | ||
| 栖霞区 | 59 | 122 | 8.55 | 10.13 | 8699 | 17542 | ||
| 雨花台区 | 35 | 63 | 5.07 | 5.23 | 8188 | 18761 | ||
| 江宁区 | 141 | 249 | 20.43 | 20.68 | 8296 | 15192 | ||
| 浦口区 | 52 | 109 | 7.54 | 9.05 | 5713 | 12205 | ||
| 合计 | 690 | 1204 | 100 | 100 | 10198 | 20217 | ||
国内已有城市住宅价格研究发现,城市社区房价的空间分化,是住房质量、房龄、社区环境、硬件设施、物业服务等内因和区位条件、交通条件、景观环境、生活配套等外因共同作用的结果[11-12]。其中,社区档次[8]、城市景观[13]、公园绿地[14]、轨道交通[15-16]、教育资源[17]等因素被证实对社区房价具有显著的影响。但同时,在以往研究中,住宅价格影响因素的选择在全面性和准确性方面还有值得商榷之处。例如：① 影响房价差异的因素众多,初始设定指标过少容易造成主观误差。因此,即使因素间存在一定关联,也应该尽可能全面、系统地预设和保留多样化影响因素,以最大限度保障分析结果的客观准确;② 影响房价的不是距离中小学的最短路径,而是住房所在公办中小学学区的优质与否;社区周围小餐馆密集、紧邻三甲医院等因素未必有利于推升房价;就多中心都市区而言,评测区位条件优劣只采用与城市中心距离一项指标不够准确;住宅景观价值判断不应单纯测度到城市山水、公园、广场的距离,而要特别关注社区是否排他性占据城市稀缺景观资源;③ 对政策性和前瞻性影响因素考虑不够,比如政策与资本将重点倾斜的规划新城区,可能交通、配套等条件暂时并不优越,但其未来良好的发展预期和不断完善的综合配套同样会对房价产生增值效应。
鉴于上述分析,结合中西方住宅价格波动机制理论、国内相关研究成果和南京实证分析中的初步发现,并考虑指标数据的可获取与可量化属性,初步确定影响城市社区住宅价格分异的4类特征影响因素：① 社区属性特征（C）,包括社区新旧程度、服务管理、车位配套、拥挤程度、绿化环境、居住规模6项指标变量;② 区位交通特征（L）,包括中心区位、环境区位、内部交通、外部交通4项指标变量;③ 周边配套特征（S）,包括生活配套、商业配套、商务配套、休闲配套4项指标变量;④ 增值属性特征（V）,包括规划属性、学区属性、景观稀缺、房源稀缺4项指标变量（表2）。
表2 影响社区房价空间分异的特征变量及描述
Tab. 2 Variables affecting spatial differentiation in housing prices
| 特征分类 | 解释变量 | 变量描述 | 备注 |
|---|---|---|---|
| 社区属性 | 新旧程度(C-Old) | 房龄 | 2015年减社区建成年份 |
| 服务管理(C-Service) | 物管费 | 每平米建筑面积每月物业管理费用 | |
| 车位配套(C-Parking) | 车位数/总户数 | 每户平均拥有车位数 | |
| 拥挤程度(C-Plot) | 容积率 | 地上建筑面积/占地面积 | |
| 绿化环境(C-Green) | 绿化率 | 绿地面积/占地面积 | |
| 居住规模(C-Size) | 住宅数 | 住宅总套数 | |
| 区位交通 | 中心区位(L-Center) | 到新街口和二级商业中心最短路径之和 | 根据全市商业网点规划,划分为一级城市中心1个和二级中心6个 |
| 环境区位(L-Landscape) | 到城区两个大型山水资源最短路径之和 | 大型山水资源指紫金山、玄武湖、秦淮河(包括内外秦淮与护城河) | |
| 内部交通(L-Inter traffic) | 到最近两个地铁站出入口最短路径之和 | 代表地铁、公交、公共自行车等公共交通网点密度及可达性 | |
| 外部交通(L-Outer traffic) | 到最近两个快速路出入口最短路径之和 | 快速路包括绕城高速、绕越高速和各条高速连接线 | |
| 周边配套 | 生活配套(S-Supporting) | 1 km半径内(步行约10 min)超市数量 | 包括大型超市、社区超市和便利店;代表日常生活配套服务 |
| 商业配套(S-Commerce) | 1 km半径内大型商场和星级酒店数量 | 商场包括城市综合体;酒店不包括七天、如家等经济型快捷连锁酒店 | |
| 商务配套(S-Business) | 1 km半径内银行网点和商务楼宇数量 | 包括邮政、电信、移动、联通服务网点;银行不包括ATM机网点 | |
| 休闲配套(S-Leisure) | 1 km半径内公园、广场、场馆和景点数量 | 包括文物古迹、名人故居、文化场馆和体育场馆 | |
| 增值属性 | 规划属性(V-Planning) | 是否位于规划新城区范围内 | 包括河西新城、南部新城、东山副城、仙林副城、江北新区等 |
| 学区属性(V-Education) | 是否属于公办中小学“名校”学区 | “名校”指2015年公办小学排名前30位和公办初中排名前15位 | |
| 景观稀缺(V-Scenery) | 是否拥有稀缺型、排他型山水景观 | 指紧邻城市自然山水和大型公园等重要垄断型景观资源 | |
| 房源稀缺(V-Scarcity) | 1 km范围住宅价值总量与住房数量的关系 | 各小区住宅均价×建筑面积的总和/住房总套数 |
西方房地产投资界流行观点认为,影响住房价格的要素“第一是区位,第二是区位,第三还是区位”,说明城市相同地理位置上住宅价格理论上应差异不大,即房价具有“空间依赖性”。中国改革开放以来,渐进制度改革构建了中国经典的混合制度模式,生产出城市混合空间结构[18],城市同一区域内常常存在不同产权、不同类型、不同房龄的住房。比如南京,内城老旧小区和绅士化封闭社区紧凑错落,外围的城中村、安置房和新建商品社区混杂拼贴,远郊经济适用房社区和高档别墅区可能空间上临近,造成城市内部房价空间的“破碎化”和非连续性,表现出较西方更为显著的“空间异质性”[19-20]。图2利用ArcGIS中的渔网工具（Fishnet）分析南京商品房价差异的空间格局（格网为500 m×500 m）,能够判断出南京房价兼具空间依赖性和空间异质性的特点⑧(⑧由于南京房价显在的空间异质与非连续属性,研究中尽量以原始房价空间展示,避免采用空间插值法进行推算,故未进行诸如空间自相关、房价等值线等分析表达方式。)。基于城市房价数据在空间上的局部平滑与整体非平稳属性,为有效测度城市房价空间分异的影响因素,以及相同因素在不同空间区位中影响程度的表现差异,采用地理加权回归模型（Geographically Weighted Regression, GWR）,分别对南京两个时段的城市房价及影响因素展开实证分析。
图2 基于ArcGIS-Fishnet分析的南京主城区房价空间差异格局
Fig. 2 Spatial differentiation of housing prices in Nanjing based on ArcGIS-Fishnet analysis
首先利用SPSS软件对表2中所列18项指标变量进行Z-score标准化处理（zero-mean normalization）和多重共线性诊断分析（collinearity diagnostics）,结果显示车位配套（C-Parking）、绿化环境（C-Green）、商务配套（S-Business）3项指标未通过检验,故予以剔除,最终确定其他15项指标变量作为商品房价的影响因子。利用ArcGIS软件,以调整型空间核回归为基础,采用CV方法进行GWR模型带宽的计算,计算结果如表3所示。
表3 2009年和2015年南京房价GWR模型结果
Tab. 3 GWR model results of Nanjing's housingprices in 2009 and 2015
| 模型参数 | 2009年 | 2015年 |
|---|---|---|
| Bandwidth | 7764.612116 | 12279.41508 |
| ResidualSquares | 3804122817 | 38046795393 |
| EffectiveNumber | 63.945948 | 47.247934 |
| Sigma值 | 2465.02512 | 5735.072329 |
| AIC值 | 12776.78803 | 24287.09608 |
| R2 | 0.696977 | 0.454899 |
| 调整R2 | 0.66651 | 0.433105 |
由于GWR得到的结果为各因素对每一个样点都有一个特定的系数值,为了研究方便,分别对2009年和2015年的各因素系数的计算结果进行统计,详细给出各因素对房价影响程度的最小值、上四分位数、中位数、下四分位数、最大值和平均值,并对结果进行T检验,估计回归系数的P值,统计结果如表4和表5所示。
表4 南京2009年房价GWR模型计算结果统计
Tab. 4 Calculated results of the GWR model of Nanjing's housing prices in 2009
| 变量 | 最小值 | 下四分位数 | 中位 | 上四分位数 | 最大值 | 平均值 | P值 |
|---|---|---|---|---|---|---|---|
| C_OLD | -562.534 | -360.616 | -196.003 | 111.431 | 1263.878 | -102.969 | 0.462 |
| C_SERVICE*** | 1073.873 | 1185.362 | 1396.980 | 2140.620 | 3957.786 | 1738.250 | 0.000 |
| C_PLOT | -1232.072 | -170.375 | 82.498 | 175.513 | 253.969 | -4.615 | 0.458 |
| C_SIZE | -343.809 | -117.141 | -10.698 | 29.271 | 240.273 | -58.115 | 0.170 |
| L_CENTER | -1716.860 | -979.225 | -443.252 | 563.296 | 1727.027 | -216.891 | 0.128 |
| L_LANDSCAPE*** | -3083.097 | -2817.858 | -2518.517 | -2034.413 | -851.022 | -2372.877 | 0.000 |
| L_INTERTRA* | -1742.323 | -930.555 | -479.625 | -219.482 | 166.020 | -594.811 | 0.011 |
| L_OUTERTRA | -895.019 | -431.275 | 2.393 | 369.167 | 915.041 | -13.879 | 0.314 |
| S_SUPPORTIN*** | -112.809 | 302.302 | 323.074 | 410.711 | 1003.450 | 352.017 | 0.000 |
| S_COMMERCE** | -396.258 | 200.733 | 235.320 | 297.724 | 4576.854 | 252.404 | 0.004 |
| S_LEISURE | -1020.254 | -236.868 | -191.762 | -105.437 | 944.249 | -93.533 | 0.132 |
| V_PLANNING | -525.910 | -147.206 | -90.950 | -22.692 | 251.774 | -86.639 | 0.697 |
| V_EDUCATION** | -217.150 | 204.403 | 214.705 | 236.146 | 451.562 | 224.670 | 0.010 |
| V_SCENERY*** | 138.925 | 313.681 | 384.455 | 435.595 | 487.755 | 370.365 | 0.001 |
| V_SCARCITY*** | 470.006 | 1393.524 | 2082.319 | 3012.946 | 3723.114 | 2178.822 | 0.000 |
表5 2015年南京房价GWR模型计算结果统计
Tab. 5 Calculated results of the GWR model of Nanjing's housing prices in 2015
| 变量 | 最小值 | 下四分位数 | 中位 | 上四分位数 | 最大值 | 评均值 | P值 |
|---|---|---|---|---|---|---|---|
| C_OLD | -1205.324 | -715.843 | -581.769 | -392.041 | 589.529 | -527.257 | 0.124 |
| C_SERVICE*** | 1395.353 | 1514.711 | 1655.249 | 1939.195 | 3516.288 | 1777.131 | 0.000 |
| C_PLOT*** | -1373.769 | -815.280 | -752.185 | -686.910 | -551.724 | -759.051 | 0.000 |
| C_SIZE | -601.745 | -430.156 | -284.963 | -35.426 | 509.529 | -235.942 | 0.181 |
| L_CENTER | -3069.603 | -2112.944 | -904.518 | -62.498 | 1468.768 | -1122.508 | 0.076 |
| L_LANDSCAPE*** | -4638.966 | -3687.431 | -2854.224 | -2084.063 | -1031.691 | -2871.288 | 0.000 |
| L_INTERTRA | -1841.457 | -1142.521 | -839.208 | -506.761 | 579.094 | -833.210 | 0.571 |
| L_OUTERTRA | -1608.484 | -598.037 | 273.027 | 790.872 | 1078.591 | 90.483 | 0.211 |
| S_SUPPORTIN | -500.027 | -404.819 | -324.338 | -206.879 | 814.324 | -280.149 | 0.735 |
| S_COMMERCE | 79.198 | 159.061 | 241.169 | 289.770 | 860.681 | 236.151 | 0.098 |
| S_LEISURE** | -1605.543 | -760.604 | -675.832 | -545.261 | 74.947 | -650.815 | 0.007 |
| V_PLANNING | -1601.493 | -654.547 | -359.908 | -154.965 | 667.002 | -413.597 | 0.320 |
| V_EDUCATION*** | -25.761 | 1187.295 | 1209.477 | 1222.740 | 1728.033 | 1187.924 | 0.000 |
| V_SCENERY*** | 312.789 | 678.067 | 715.102 | 739.422 | 1305.627 | 704.577 | 0.000 |
| V_SCARCITY*** | 657.846 | 1133.151 | 1176.707 | 1271.940 | 1745.879 | 1217.466 | 0.000 |
首先进行P值对比分析。2009年房价影响因素中,SERVICE、LANDSCAPE、SUPPORTING、SCENERY和SCARCITY等因素表现出极其显著的空间不稳定性,即其回归系数随着空间位置变化而发生显著的改变,而COMMERCE、EDUCATION和INTERTRA分别在99%和95%的置信区间下表现显著（表4）。2015年房价影响因素中,SERVICE、LANDSCAPE、SCENERY和SCARCITY等2009年表现极其显著的因素依然在99.9%的置信区间下显著,变化是SUPPORTIN、COMMERCE和INTERTRA因素不再显著,而PLOT、EDUCATION两项指标变得极其显著,LEISURE因素非常显著（表5）。说明房价与影响因素之间并非稳定系数关系,而是表现出较强的空间不稳定性,并随时间而变化。
其次进行回归系数分析。房价影响因素的回归系数有正有负,但每个因素回归系数的中位数和平均数的数值相差不大,且系数符号相同,说明各个因素对研究区域内大部分样本点的影响性质是一致的（表4,表5）。在2009年GWR模型中,以平均数为例,表现显著的影响因素中,回归系数绝对值排名分别是LANDSCAPE>SCARCITY>INTERTRA>SERVICE>SCENERY>SUPPORTIN>COMMERCE>EDUCATION;在2015年GWR模型中,显著性因素影响力排名演变为LANDSCAPE>SERVICE>SCARCITY>EDUCATION>PLOT>SCENERY>LEISURE。
选取2009年和2015年P值均表现显著的5个指标,分别为管理服务（SERVICE）、环境区位（LANDSCAP）、学区属性（EDUCATIOM）、景观稀缺（SCENERY）和房源稀缺（SCARCITY）;考虑到研究区绕城公路以外样本点稀疏,为避免空间插值中有效数字大量损失造成的相对误差扩大,以样本点相对密集的绕城公路以内为空间范围,分析上述因素回归系数的分布格局（图3）。同时需要指出,此处重点不是对空间结果进行机理解释和自圆其说,而是分析各因素对房价影响的区域差异及演变趋势,进而探讨房价分异与居住分异是否存在日趋紧密的逻辑关联。
图3 2009年和2015年南京房价影响因素回归系数分布
Fig. 3 Distribution of influence factor's regression coefficients in Nanjing in 2009 and 2015
（1）管理服务对房价的影响。物业费回归系数均为正值,说明物业费越高,房价越高。2009年大致以内城偏西为中心,向外回归系数逐渐变大,物业费对房价的影响渐强。紫金山以东以北地区回归系数较大,因为保障房、普通住宅和高级别墅区在该地区混杂布局,房价受社区类型档次影响大。2015年高回归系数地区基本保持一致,但低值区转移至城墙以外的河西新城,因为新城区内均为相似类型的高档封闭社区,房价对物业费用的敏感性较弱,而内城新建社区与传统社区在管理服务上的差异对房价分异的影响变大。
（2）环境区位对房价的影响。距离山水资源最短路径的回归系数均为负值,表明距离山水资源越远,房价越低,且对房价影响程度明显高于其他变量。2009年大致以内城偏东为中心,向外回归系数逐渐变大。因为内城相对高密度居住环境下,靠近紫金山、秦淮河等山水景观资源更能够拉动房价。2015年房价对环境区位的极端敏感区范围有所缩小并向东南偏移。随着外围城区商品住宅大量建成和大型公园绿地的配套完善,追求居住环境的家庭逐步外迁,居住人口和绿地景观整体上更加分散与均衡,房价敏感性降低。
（3）学区属性对房价的影响。优质中小学学区对房价具有正向影响。2009年由北向南回归系数逐步降低,对于城南大部分地区,是否属于好学区对房价的影响并不十分明显。2015年发生较大变化,首先是回归系数绝对值更大,表明学区对房价的影响显著加强;其次,回归系数最高最低值相对差距明显变小,低回归系数区域接近消失,说明学区属性的影响范围在扩大,且影响力的区域差异在缩小。
（4）景观稀缺对房价的影响。独享山水景观对于房价具有积极影响。2009年大致以明故宫为中心,向外围依次递减,说明紫金山下、玄武湖畔、月牙湖边等山景水景对城东地区房价影响较大。2015年以城南内秦淮、雨花台、花神湖一线为高值区,向北递减,整体上回归系数绝对值增大而相对差异在缩小,等值线更为稀疏,说明景观稀缺对房价影响程度加深,而空间差异趋于平缓,对旧城更新热点地区和新开发建设地区的影响更为显著。
（5）房源稀缺对房价的影响。附近社区住宅价值与住宅数量的比值,可理解为周边单套住宅价格,回归系数均为正值,社区房价与周边房屋价格正向关联,表明房价存在空间依赖性。2009年回归系数由北向南逐步降低,高低值差距悬殊,北部多类型住宅混杂区域,周边价格的拉动示范效应更加明显,内城区和新城区则敏感性较弱。2015年回归系数变化为由东南向西北逐步降低,高值区为正在更新开发的紫金山以东和南部新城板块;绝对值和区域差异均明显降低,说明周边价格的影响力下降,越来越体现出房价的空间异质性特征。
从房价分异影响因素显著性上看,新旧程度、社区规模、外部交通、规划属性等因素对房价差异的影响并不明显,而服务管理、环境区位、房源稀缺等一直是导致房价差异的关键因素;2009-2015年间,生活配套、商业配套、内部交通等传统要素对房价空间差异影响的显著性在减弱,而学区属性、拥挤程度、休闲配套等对房价差异的作用变得更加突出。从影响因素作用强度上看,2009-2015年间,环境区位对房价差异的影响力一直最大,变化是服务管理和学区属性的影响力明显提升。上述房价空间分异主要因素的演变特征表明：城市住房消费群体越来越重视社区品质、环境景观、休闲氛围、后代教育等居住属性及附加价值,住宅价格与居住者的经济能力、价值观念、生活方式、文化品位等社会阶层属性具有越来越直接、紧密的关联,房价与居住分异在机制上存在一定耦合性。
具体而言,城市房价分异与居住分异的机制耦合性如图4所示：1978年以来,社会阶层持续分化,但在较长一段时期内,因住房分配制度的历史惯性,阶层分化并未体现在居住空间分异上,城市住房价值的空间差异被“隐匿”。直至住房市场化改革,伴随外部拓展型与内部挖潜型城市化的同步推进,住宅价值和优质地段的“租差/租隙”（rent gap）被“激活”,迅速体现在商品房交易价格与空间差异上。与此同时,市场化原则下的居住空间分异,由社会等级分配（privilege-led）逐渐转向空间导向（territory-based）[9]。传统“单位大院”、家属住宅区等“业缘型”社区不断瓦解,并发生较大规模和较高频率的居住群体置换。人们居住理念和住宅价值观亦发生改变,在关注中心区位、便捷交通、生活配套等传统居住要素的基础上,表现出多样化、个性化的居住需求与偏好。伴随城市住宅的大幅拆建、房地产市场的持续火爆、外来人口的快速涌入和城市居民频繁的主/被动迁居,多元化的社会群体重构于多样化的城市空间和商品社区,呈现出异质化的社会空间景观。具有相似经济、社会和文化属性的群体,通过自由选择居住地和住宅类型,在相似区位、价格和品质的社区中得以再集聚,即社会阶层群体在住宅空间中的“沉淀”过程。由于优质社区的稀缺性,居民对住房的偏好通过市场供求关系体现在住宅价格上,导致房价空间的进一步分异;而住房价格的“升值效应”和“门槛效应”,则成为阶层再分化和居住再分异的重要驱动机制。具有相似价格和特征的社区,吸引着特定资本实力和文化倾向的群体集聚,并不断进行“空间纯化”（purification of space）,即社区通过住宅价格“筛选”作用被植入阶层属性的过程。
图4 房价空间与居住空间关联耦合分析框架
Fig. 4 Relationship between housing prices and residential space
在资本分配阶层差异、要素供给空间差异双重“非均衡”资源配置前提下,通过群体居住意愿、住宅价格门槛双向筛选机制作用,大城市内部房价分异的通常结果是：城市中心新建高档公寓、中小学“名校”学区房、高端化服务的科技型住宅、环境优美的封闭社区、城市外围低密度的景观别墅区,成为拥有最高房价的社区。相应地,城市居住分异则表现为：年轻化的高收入白领阶层倾向于选择城市中心或主干道沿线的小户型高档公寓;重视后代教育的高收入“核心家庭”偏好优质学区房;追求生活品质与文化内涵的中产阶层家庭趋向于内部设施与外部环境卓越的高端封闭式社区;富裕阶层和精英阶层则倾向于购置城市郊区山水风光迤逦的别墅类住宅;普通收入家庭多分布于城中传统多层住宅区和郊区新建大型封闭式居住区;低收入群体主要聚集在城内老旧小区和远郊区的保障房社区。
为更清晰掌握南京城市房价及居住空间结构的总体特征,将房价划分为高房价、中高房价、中房价、中低房价和低房价5个档次,将住宅类型划分为公寓式住宅、封闭式社区、别墅式住宅、保障性住房和传统型住宅5种类型,抽象构建起南京主城区住房价格与居住空间结构模型（图5）。① 住宅价格上,以新街口为中心向外递减,中小学“名校”学区、山水景观地段和新城核心区的房价明显高于周边,主城区总体呈现“圈层+扇形+飞地”的空间结构;② 住宅类型上,城市中心向外依次是：明城墙内1998年以前住房为主的传统住宅区、明城墙至绕城公路间新建社区与传统住宅并存的混合居住区、绕城公路外以封闭式居住小区为主的新建住宅区。住房价格、类型与居住群体分异的圈层格局具体表现为：
图5 2009年和2015年南京城市住房价格与居住空间结构模型
Fig. 5 Models of housing prices and residential spatial structures in Nanjing in 2009 and 2015
20世纪末,明城墙范围内41 km2的老城区,曾聚居约150万人口,是南京城市人口、文化、商业、教育医疗等服务的主要承载地。在随后的旧城更新改造过程中,通过征迁与推倒重建,现代商业地产、高档公寓和封闭式社区逐步取代传统低矮民居和危旧房,零星式“植入”传统居住区。新建住宅因极具稀缺性而价格高企,特别是靠近市中心或地铁口的高层酒店式公寓,成为全市房价最高值地段,吸引着追求城市多元、便捷、高效生活方式的年轻化中产阶层群体购买,实现了社区邻里物质环境更新和阶层的高级化置换,即所谓中产阶层化（Gentrification）。而伴随城市居民对后代教育的重视和义务教育资源非均衡性配置的加剧,内城区中小学“名校”学区房,尽管年代久、设施旧、环境差,却吸引着大量重视后代教育质量、经济条件相对优越的中产阶层追捧,房价持续飙升,与新建高档住宅共同构成内城房价的高值区,被描述为中国特色的“学区中产阶层化”（Jiaoyufication）现象[21]。
城墙外围地段因距离主城近、自然景观好、拆迁成本相对低等原因,在世纪之交的城市更新中率先被“再生产”为高档居住区。例如玄武湖、月牙湖、莫愁湖等由护城河串联水体的岸边,崛起一批封闭管理的花园式住宅,因具有现代化居住品质和优质的景观环境,价格相对较高,多被社会先富阶层购买,演变为世纪初的南京“富人区”[9]。再向外围,伴随企业厂房搬迁、用地性质调整、老旧小区重建等过程,居住用地被“斑块状”出让,大量不同年代、不同档次、不同规模的封闭社区快速出现,不断填充、拼贴在城市传统居住区中,被内城外迁居民和迁入南京城区的外来家庭所消费。由于此区域内社区类型、属性、区位和配套等综合条件存在明显差异,房价空间同样表现出“破碎化”特征;而河西新城的高尚社区、紫金山下的景观豪宅等南京房价的“峰值区”大多出现在该圈层,满足精英阶层对优越居住品质的追求。
21世纪以来,南京逐渐确立起“一主城、三副城”的空间发展战略,绕城公路以外的仙林、东山和江北副城,成为近年来南京新建商品住宅的主要拓展区域,主要满足大学毕业生群体、外部迁入群体、住房改善型和房产投资型群体的居住需求。总体上,因远郊区地价较低、拆迁量小、路网稀疏,新建社区占地规模普遍较大,但出于安全等多种因素考虑依然采取封闭式管理模式,造成路网密度降低和居住空间隔离;同时因远离市中心且综合配套服务尚待完善,绕城外的普通商品房价虽然增速较快,相对绕城内依然相对较低。除普通商品房社区外,价格最低的大规模经济适用房社区、全市房价最高的顶级别墅区、老式小区甚至农村社区,在此区域内均有分布,呈现出各类社区的混杂布局。而且集中居住着新贫困群体的经济适用房社区,与居住着富裕阶层的别墅住宅区,可能比邻而立,却因相互封闭的物质空间与割裂的社会网络,表现出高度的空间隔离与社会排斥。
基于城市住房价格空间分异与居住空间分异两者间存在紧密逻辑关联的前提假设,采用地理加权回归模型对南京主城区房价影响因素及其空间差异开展实证研究,主要结论有：影响南京住宅价格及其空间差异的因素多样,并随时间而变化。其中,社区档次、学区资源、景观质量、休闲配套等,体现住房消费者收入能力、价值观念、居住环境诉求、生活方式和文化品位的要素,日益成为最具房价影响力和导致房价空间分异的影响因素,证明城市房价分异与居住群体的空间分异存在着不断强化的机制耦合性。南京商品住宅价格总体呈“圈层+扇形+飞地”的空间结构,高房价住宅主要存在于内城新建公寓和封闭住宅区、中小学“名校”学区、明城墙附近高档封闭社区、河西新城核心区和外围依山傍水型别墅区。不同类型、档次的社区吸聚着具有特定经济社会属性的住房消费群体,使城市房价与居住分异在一定程度上表现为空间结构的耦合性。随着城市住房市场化程度的不断深化,以及社会阶层文化特质与居住倾向的日趋成熟,城市房价空间分异将不止于表达,而更在“催化”和“固化”居住空间分异,城市房价与居住空间在分异机制和格局上的时空耦合性将更加显著。
当然,城市房价空间需与居住群体社会属性相匹配才能真实映射出社会空间结构。但在官方中微观尺度人口属性统计口径缺失或不可获取的前提下,房价空间分异作为城市空间资源配置和居民经济社会能力分异的物化表达,可以为城市社会空间研究提供数据佐证和分析工具;更能弥补传统社会空间研究采用人口普查数据信息的“时滞性”（time-lag）缺陷,有助于预测、辨识城市社会空间分异的未来趋向。
The authors have declared that no competing interests exist.
| [1] |
Spatial pattern of newly built housing's price in Changchun city .
利用GIS技术对长春市住宅价格空间格局进行了研究,发现长春市住宅价格空间格局整体呈现单中心圈层分布,在长春市动植物公园与南湖广场附近分别出现了2个价格极核;住宅价格次高区域位于城市中心,包含了南湖与伊通河部分段;住宅价格变化幅度区域差异明显,东北—西南方向价格降低速度快,东南—西北方向价格降低慢,并且在城市西部和南部出现了局部高价格区域。在此基础上,分析了长春市住宅价格空间格局的驱动因素,发现住宅价格空间格局主要受到居住环境优势、城市发展战略、交通条件、用地布局及购买主体收入水平等几个方面因素的影响。结合研究结果,对长春市房地产开发格局优化提出了几点建议。未来长春市住宅开发的重点区域将集中在南部、西部和东北部。南部和长东北地区适宜进行中高端生态社区的开发,西部新城应以普通住宅与生态社区开发相结合,铁北地区应以低端住宅建设为主。
长春市区新建住宅价格的空间格局分析 .
利用GIS技术对长春市住宅价格空间格局进行了研究,发现长春市住宅价格空间格局整体呈现单中心圈层分布,在长春市动植物公园与南湖广场附近分别出现了2个价格极核;住宅价格次高区域位于城市中心,包含了南湖与伊通河部分段;住宅价格变化幅度区域差异明显,东北—西南方向价格降低速度快,东南—西北方向价格降低慢,并且在城市西部和南部出现了局部高价格区域。在此基础上,分析了长春市住宅价格空间格局的驱动因素,发现住宅价格空间格局主要受到居住环境优势、城市发展战略、交通条件、用地布局及购买主体收入水平等几个方面因素的影响。结合研究结果,对长春市房地产开发格局优化提出了几点建议。未来长春市住宅开发的重点区域将集中在南部、西部和东北部。南部和长东北地区适宜进行中高端生态社区的开发,西部新城应以普通住宅与生态社区开发相结合,铁北地区应以低端住宅建设为主。
|
| [2] |
Research of spatial structure and differentiation pattern of housing price in Xi'an based on ESDA and geostatistical analysis .URL 摘要
利用ESDA方法对西安市城区的291个普通住宅项目均价数据进行研究,通过计算Moran指数和半变异函数分析了其空间自相关性和变异性,并进行了趋势分析。应用Kriging空间插值方法对西安市普通住宅价格空间分布进行了模拟。研究结果表明:西安市房价存在显著的空间自相关性,大部分住宅价格呈空间集聚格局,少部分因存在空间异质性而呈离散分布;房价变异函数表现出各向异性,不同方向有不同结构特征,空间自相关尺度为14.2km;西安市房价空间分异规律明显,房价分布格局受城市功能区划和交通影响较大。
西安市住宅价格空间结构和分异规律分析 .URL 摘要
利用ESDA方法对西安市城区的291个普通住宅项目均价数据进行研究,通过计算Moran指数和半变异函数分析了其空间自相关性和变异性,并进行了趋势分析。应用Kriging空间插值方法对西安市普通住宅价格空间分布进行了模拟。研究结果表明:西安市房价存在显著的空间自相关性,大部分住宅价格呈空间集聚格局,少部分因存在空间异质性而呈离散分布;房价变异函数表现出各向异性,不同方向有不同结构特征,空间自相关尺度为14.2km;西安市房价空间分异规律明显,房价分布格局受城市功能区划和交通影响较大。
|
| [3] |
A GWR-based study on spatial pattern and structural determinants of Shanghai's housing price .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 . |
| [4] |
The spatial layout of residence since the reform of housing system in Changchun .
依据房价网和搜狐焦点长春地产等网络数据,借助反权重分析方法及GIS技术平台,对1991~2011年长春市新建的住宅分布格局进行分析,得出长春市住宅空间分布特征:①住宅的郊区化趋势日趋明显;②住宅沿城市主干道轴向布局和以城市绿地及水面为中心环状布局特征鲜明;③住宅价格总体上呈单中心多极核圈层分布;④价格重心相对于城市原有的几何中心南移等。同时,在对新建住宅空间布局的影响因素进行分析的基础上,进一步分析了这种空间布局的效应:城市人口空间分布的郊区化、职住分离加剧、城市交通压力的增加以及城市商业空间的郊区化和多中心化。
住房制度改革以来长春市新建住宅的空间布局研究 .
依据房价网和搜狐焦点长春地产等网络数据,借助反权重分析方法及GIS技术平台,对1991~2011年长春市新建的住宅分布格局进行分析,得出长春市住宅空间分布特征:①住宅的郊区化趋势日趋明显;②住宅沿城市主干道轴向布局和以城市绿地及水面为中心环状布局特征鲜明;③住宅价格总体上呈单中心多极核圈层分布;④价格重心相对于城市原有的几何中心南移等。同时,在对新建住宅空间布局的影响因素进行分析的基础上,进一步分析了这种空间布局的效应:城市人口空间分布的郊区化、职住分离加剧、城市交通压力的增加以及城市商业空间的郊区化和多中心化。
|
| [5] |
Spatial differentiation and model evolution of housing prices in Yangzhou .
以2001-2012 年扬州中心城区各居住小区的住宅平均单价为基本数据,通过建立住宅价格总体分异测度指数(GDI) 计算其总体分异趋势及各住宅类型内部的分异趋势;采用核密度函数等方法探索住宅价格的分布形态和分异格局的演变规律;利用趋势面分析不同住宅类型价格的空间分异趋势;基于上述结果总结空间分异的演变模式,并分别探索空间分异与格局演变的驱动力。结果表明：① 2001 年以来扬州市住宅价格差距显著增大,分异趋势在波动中增强,与城市住宅均价的年增长率耦合;住宅价格呈现西高东低的空间分异格局,同档次价格小区由空间集聚转为相对分散,高、低价格住宅区分别沿固定扇面由中心向外围扩散。②不同住宅类型内的价格分异走势差别显著,各类型住宅间的价格趋势面差距明显,但其空间形态类似。③ 空间分异模式由2001 年西高东低的扇形同档次价格集聚式分异转变为2012 年扇形与圈层相结合的多档次价格混合式分异。④ 2001 年以来住宅价格总体分异的核心驱动力是城市居住空间的迅速扩展、居民收入差距的增大、房地产市场的繁荣和住宅类型的多元化,其住宅价格空间格局演变的驱动力为城市发展方向的确立与变化、特定住宅类型建设的区位指向和古城保护、旧城改造与新区建设。
扬州市住宅价格的空间分异与模式演变 .
以2001-2012 年扬州中心城区各居住小区的住宅平均单价为基本数据,通过建立住宅价格总体分异测度指数(GDI) 计算其总体分异趋势及各住宅类型内部的分异趋势;采用核密度函数等方法探索住宅价格的分布形态和分异格局的演变规律;利用趋势面分析不同住宅类型价格的空间分异趋势;基于上述结果总结空间分异的演变模式,并分别探索空间分异与格局演变的驱动力。结果表明：① 2001 年以来扬州市住宅价格差距显著增大,分异趋势在波动中增强,与城市住宅均价的年增长率耦合;住宅价格呈现西高东低的空间分异格局,同档次价格小区由空间集聚转为相对分散,高、低价格住宅区分别沿固定扇面由中心向外围扩散。②不同住宅类型内的价格分异走势差别显著,各类型住宅间的价格趋势面差距明显,但其空间形态类似。③ 空间分异模式由2001 年西高东低的扇形同档次价格集聚式分异转变为2012 年扇形与圈层相结合的多档次价格混合式分异。④ 2001 年以来住宅价格总体分异的核心驱动力是城市居住空间的迅速扩展、居民收入差距的增大、房地产市场的繁荣和住宅类型的多元化,其住宅价格空间格局演变的驱动力为城市发展方向的确立与变化、特定住宅类型建设的区位指向和古城保护、旧城改造与新区建设。
|
| [6] |
Spatial differentiation and influencing factors of Wuhan's housing price based on GWR model .URL 摘要
利用2015年3月份武汉市主城区660个住宅小区的平均房价数据,通过反距离权重插值,空间自相关分析与构建地理加权回归模型,揭示武汉市主城区内房价的空间分异规律及影响因素的影响程度。实验结果表明:(1)武汉市主城区的房价呈现出多中心分布的格局,以沿江大道和和平大道的带状区域为峰值中心向周围逐步衰减,其中在带状区域内形成了三个峰值中心,在其他区域形成了三个峰值次中心。(2)武汉市主城区的房价在空间分布上是显著集聚的,其中汉口片区的房价分布表现为高高聚集的特点,汉阳片区的房价分布表现为低低聚集的特点,武昌片区的房价分布两种特点都有。形成上述空间分布是城市规划、地理区位、环境景观与房屋属性综合作用的结果。(3)物业费、绿化率、户均停车位、建成年份、银行数量、超市数量、地铁站距离、三甲医院距离和江景距离这九个变量是武汉市主城区内房价差异的重要影响因素。其中影响程度最大的因素为物业费,影响程度最小的为银行数量和超市数量。
基于地理加权回归的武汉市住宅房价空间分异及其影响因素分析 .URL 摘要
利用2015年3月份武汉市主城区660个住宅小区的平均房价数据,通过反距离权重插值,空间自相关分析与构建地理加权回归模型,揭示武汉市主城区内房价的空间分异规律及影响因素的影响程度。实验结果表明:(1)武汉市主城区的房价呈现出多中心分布的格局,以沿江大道和和平大道的带状区域为峰值中心向周围逐步衰减,其中在带状区域内形成了三个峰值中心,在其他区域形成了三个峰值次中心。(2)武汉市主城区的房价在空间分布上是显著集聚的,其中汉口片区的房价分布表现为高高聚集的特点,汉阳片区的房价分布表现为低低聚集的特点,武昌片区的房价分布两种特点都有。形成上述空间分布是城市规划、地理区位、环境景观与房屋属性综合作用的结果。(3)物业费、绿化率、户均停车位、建成年份、银行数量、超市数量、地铁站距离、三甲医院距离和江景距离这九个变量是武汉市主城区内房价差异的重要影响因素。其中影响程度最大的因素为物业费,影响程度最小的为银行数量和超市数量。
|
| [7] |
The comparison of city housing price spatial variances based on spatial expansion and geographical weighted regression models .https://doi.org/10.11821/dlyj201507013 URL Magsci [本文引用: 1] 摘要
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.
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 .https://doi.org/10.11821/dlyj201507013 URL Magsci [本文引用: 1] 摘要
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.
|
| [8] |
Determinants and dynamics of spatial differentiation of housing price in Yangzhou .https://doi.org/10.11820/dlkxjz.2014.03.009 URL Magsci [本文引用: 2] 摘要
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:①4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。
扬州市住宅价格空间分异的影响因素与驱动机制 .https://doi.org/10.11820/dlkxjz.2014.03.009 URL Magsci [本文引用: 2] 摘要
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:①4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。
|
| [9] |
|
| [10] |
Process, characteristics and comments of gentrification in China: A case study of Nanjing .
在城市更新改造过程中,中产阶层化现象开始在我国城市中出现。中国中产阶层化是在全球化背景 下,由政府推动,投资者、金融机构和中产阶层等共同参与的社会空间再造过程。为了解我国现阶段中产阶层化的发育程度与演化机制,采取实地调研与问卷访谈等 研究手段,对南京中产阶层化过程进行探讨。认为南京中产阶层化过程经历了孕育、发生和快速发展三个时期;宏观上表现为中产阶层向城市中心集聚、封闭社区整 体植入等空间特征;微观上中产阶层化社区文化与阶层认同正在不断发育与成熟。在中产阶层化过程中,需要警惕如空间私有化、阶层排斥加剧与公平性缺失等社会 负面效应。随着大规模城市拆迁接近尾声和《物权法》等法规政策的出台,中国以城市更新为契机的第一波中产阶层化过程即将进入平稳缓行阶段。
中国中产阶层化过程、特征与评价: 以南京为例 .
在城市更新改造过程中,中产阶层化现象开始在我国城市中出现。中国中产阶层化是在全球化背景 下,由政府推动,投资者、金融机构和中产阶层等共同参与的社会空间再造过程。为了解我国现阶段中产阶层化的发育程度与演化机制,采取实地调研与问卷访谈等 研究手段,对南京中产阶层化过程进行探讨。认为南京中产阶层化过程经历了孕育、发生和快速发展三个时期;宏观上表现为中产阶层向城市中心集聚、封闭社区整 体植入等空间特征;微观上中产阶层化社区文化与阶层认同正在不断发育与成熟。在中产阶层化过程中,需要警惕如空间私有化、阶层排斥加剧与公平性缺失等社会 负面效应。随着大规模城市拆迁接近尾声和《物权法》等法规政策的出台,中国以城市更新为契机的第一波中产阶层化过程即将进入平稳缓行阶段。
|
| [11] |
Housing type variation and its influencing factors in transitional urban China: Based on analysis of CGSS 2005 .https://doi.org/10.11821/xb201008006 URL Magsci [本文引用: 2] 摘要
转型时期我国城镇居民主要通过市场竞争机制和科层分配体制来获取个人住房,获取稀缺的住房资源的途径和机会的差异在一定程度上反映了住房不平等和社会分化。处于体制转型时期的中国城镇,制度、市场和家庭因素等多重因素相互交织,共同影响中国城镇居民住房选择。以覆盖全国88个城镇的《中国综合社会调查(CGSS)》(2005年城镇部分)调查资料为基础,本文分析了转型背景下中国城镇居民住房类型分化及其影响因素,研究发现改革开放30多年以来,中国城镇的住房自有率大幅度提高,其主要原因从1998年前的公房房改政策向1998年后住房市场化政策转变。家庭生命周期、家庭收入、户籍、单位性质、职业等变量显著影响住房选择,体现市场与制度对住房资源分配的双重影响。经济发达地区由于住房资源紧缺、住房价格高,居民住房承受能力差异较大,工作单位性质、户籍和家庭生命周期变量对住房选择的影响更显著。随着住房市场化进一步发展和住房制度改革的逐步深入,地方政府应逐步放宽社会住房的享受标准,尤其是户籍限制条件;开发商应更关注社会经济快速转型背景下的家庭结构变化及其对居住偏好的影响。
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 .https://doi.org/10.11821/xb201008006 URL Magsci [本文引用: 2] 摘要
转型时期我国城镇居民主要通过市场竞争机制和科层分配体制来获取个人住房,获取稀缺的住房资源的途径和机会的差异在一定程度上反映了住房不平等和社会分化。处于体制转型时期的中国城镇,制度、市场和家庭因素等多重因素相互交织,共同影响中国城镇居民住房选择。以覆盖全国88个城镇的《中国综合社会调查(CGSS)》(2005年城镇部分)调查资料为基础,本文分析了转型背景下中国城镇居民住房类型分化及其影响因素,研究发现改革开放30多年以来,中国城镇的住房自有率大幅度提高,其主要原因从1998年前的公房房改政策向1998年后住房市场化政策转变。家庭生命周期、家庭收入、户籍、单位性质、职业等变量显著影响住房选择,体现市场与制度对住房资源分配的双重影响。经济发达地区由于住房资源紧缺、住房价格高,居民住房承受能力差异较大,工作单位性质、户籍和家庭生命周期变量对住房选择的影响更显著。随着住房市场化进一步发展和住房制度改革的逐步深入,地方政府应逐步放宽社会住房的享受标准,尤其是户籍限制条件;开发商应更关注社会经济快速转型背景下的家庭结构变化及其对居住偏好的影响。
|
| [12] |
Research on temporal-spatial changes of urban residential housing price in China: Progress and prospects .https://doi.org/10.11820/dlkxjz.2013.10.006 URL [本文引用: 1] 摘要
城市住宅价格时空演变历来是城市地理学和城市经济学关注的核心内容之一.住宅价格在空间、时间分布上具有内在规律性,探索这一规律信息及其影响机制,有助于政府制定合理的房价调控和土地利用政策.本文在总结中国城市住宅价格时空演变动力机制与模式、影响因素以及技术方法等方面研究进展的基础上,指出在研究内容与研究方法方面仍存在不足,有待深化.研究结论如下:未来中国城市住宅价格时空演变研究应立足于经济转型与制度改革的特殊背景,重视住宅价格时空演变理论框架的构建;加强宏观因素对住宅价格影响的定量研究以及探索住宅价格低值集聚的内外因素,全面考察各类因素对住宅价格的影响;强化GIS技术对城市住宅价格时空演变特征信息的挖掘,并探索多维空间在时间序列上的动态GIS模型,实现对住宅价格时空演变与分布的模拟分析与趋势预测;拓展城市住宅价格时空演变的普及性应用,并将研究成果与城市住宅价格监测成果形成动态互补性应用.
中国城市住宅价格时空演变研究进展与展望 .https://doi.org/10.11820/dlkxjz.2013.10.006 URL [本文引用: 1] 摘要
城市住宅价格时空演变历来是城市地理学和城市经济学关注的核心内容之一.住宅价格在空间、时间分布上具有内在规律性,探索这一规律信息及其影响机制,有助于政府制定合理的房价调控和土地利用政策.本文在总结中国城市住宅价格时空演变动力机制与模式、影响因素以及技术方法等方面研究进展的基础上,指出在研究内容与研究方法方面仍存在不足,有待深化.研究结论如下:未来中国城市住宅价格时空演变研究应立足于经济转型与制度改革的特殊背景,重视住宅价格时空演变理论框架的构建;加强宏观因素对住宅价格影响的定量研究以及探索住宅价格低值集聚的内外因素,全面考察各类因素对住宅价格的影响;强化GIS技术对城市住宅价格时空演变特征信息的挖掘,并探索多维空间在时间序列上的动态GIS模型,实现对住宅价格时空演变与分布的模拟分析与趋势预测;拓展城市住宅价格时空演变的普及性应用,并将研究成果与城市住宅价格监测成果形成动态互补性应用.
|
| [13] |
Impacts of the urban landscape on the housing pricing: A case study in Hangzhou .https://doi.org/10.11821/yj2012100007 URL Magsci [本文引用: 1] 摘要
优美的城市景观是人们日常生活休闲、娱乐的场所, 给人们带来心理上的愉悦和舒适感, 对城市的品质内涵也有重要影响。由于大多数景观效益是隐性的, 其舒适性价值难以用货币价格直接测量, 国内外学者广泛采用特征价格法进行实证研究。本文以杭州市为例, 从建筑、邻里、区位、景观四个维度选择25个解释变量构建特征价格模型, 定量评估了城市内部各类景观对住宅价格的影响。实证结果表明:住宅价格与到西湖和公园的距离呈负相关关系, 而与公园的面积呈正相关关系:其中, 到西湖和最近公园的距离每增加1%,住宅价格将分别下降0.240%和0.036%;公园的面积每增大1%,附近的住宅价格则提高0.012%;广场、山景、钱塘江等景观也对周边一定范围内房价具有显着的提升作用。
城市景观对住宅价格的影响: 以杭州市为例 .https://doi.org/10.11821/yj2012100007 URL Magsci [本文引用: 1] 摘要
优美的城市景观是人们日常生活休闲、娱乐的场所, 给人们带来心理上的愉悦和舒适感, 对城市的品质内涵也有重要影响。由于大多数景观效益是隐性的, 其舒适性价值难以用货币价格直接测量, 国内外学者广泛采用特征价格法进行实证研究。本文以杭州市为例, 从建筑、邻里、区位、景观四个维度选择25个解释变量构建特征价格模型, 定量评估了城市内部各类景观对住宅价格的影响。实证结果表明:住宅价格与到西湖和公园的距离呈负相关关系, 而与公园的面积呈正相关关系:其中, 到西湖和最近公园的距离每增加1%,住宅价格将分别下降0.240%和0.036%;公园的面积每增大1%,附近的住宅价格则提高0.012%;广场、山景、钱塘江等景观也对周边一定范围内房价具有显着的提升作用。
|
| [14] |
The effects of large-scale urban park green spaces on residential prices exemplified by Olympic Forest Park in Beijing .
为深入分析大型城市公园绿地对住宅价格的外部效应和影响机理,量化公园绿地作为公共物品的空间配置价值,本文采用半对数特征价格模型,以北京市奥林匹克森林公园为例,从不同方向、不同距离分析大型城市公园绿地对住宅价格的定量影响。研究表明：1奥林匹克森林公园对周边住宅的外部效应存在方向异质性,具体表现为不同方向上的住宅增值系数、影响范围、边际价格等方面存在较大的差异;2奥林匹克森林公园对周边住宅的外部效应存在距离异质性,住宅增值系数整体上与到公园距离成反比,且在不同距离范围内分化明显;3因公园绿地的组成要素、可达性及周边区域条件的不同,不同方向、不同范围的公园绿地作为公共物品所提供的功能效用互有差异,住宅增值效应也随之改变。此外,本文深入探究了大型城市公园绿地对住宅价格的影响机理,发现随着到公园绿地距离的增大,住宅增值效应不断减弱,且下降速度逐渐减缓,可为房地产开发、市场交易评估、公园绿地建设等提供借鉴。
大型城市公园绿地对住宅价格的影响: 以北京市奥林匹克森林公园为例 .
为深入分析大型城市公园绿地对住宅价格的外部效应和影响机理,量化公园绿地作为公共物品的空间配置价值,本文采用半对数特征价格模型,以北京市奥林匹克森林公园为例,从不同方向、不同距离分析大型城市公园绿地对住宅价格的定量影响。研究表明：1奥林匹克森林公园对周边住宅的外部效应存在方向异质性,具体表现为不同方向上的住宅增值系数、影响范围、边际价格等方面存在较大的差异;2奥林匹克森林公园对周边住宅的外部效应存在距离异质性,住宅增值系数整体上与到公园距离成反比,且在不同距离范围内分化明显;3因公园绿地的组成要素、可达性及周边区域条件的不同,不同方向、不同范围的公园绿地作为公共物品所提供的功能效用互有差异,住宅增值效应也随之改变。此外,本文深入探究了大型城市公园绿地对住宅价格的影响机理,发现随着到公园绿地距离的增大,住宅增值效应不断减弱,且下降速度逐渐减缓,可为房地产开发、市场交易评估、公园绿地建设等提供借鉴。
|
| [15] |
Influence of rail transit on nearby commodity housing prices: A case study of Beijing Subway Line Five .https://doi.org/10.11821/xb201108005 URL Magsci [本文引用: 1] 摘要
以北京地铁5 号线为例,研究了地铁沿线两侧2 km范围内,轨道交通对其沿线商品住宅价格的影响程度。① 通过分析商品住宅价格特性和影响因素,建立了轨道交通沿线商品住宅价格的影响因素体系,包括商品住宅项目距最近地铁站的最短路径距离、距市级商服中心距离、周边1 km内公交站点数、中小学及项目容积率、物业类型等10 个因素；② 通过显著性检验,重点中小学、普通中小学、公园3 个变量对商品住宅的价格影响很小,予以剔除后,构建了影响商品住宅价格的多元回归分析模型；③ 将采集到的193 个项目的有效样本进行运算分析,研究结果表明轨道交通对沿线商品住宅价格的影响最大,并随距轨道交通距离的增加,住宅价格呈指数衰减,至2 km以后,对住宅价格影响不显著。针对研究结果,建议地铁沿线土地利用强度和住宅价格确定时,要充分考虑轨道交通的影响。
轨道交通对其沿线商品住宅价格的影响分析: 以北京地铁5号线为例 .https://doi.org/10.11821/xb201108005 URL Magsci [本文引用: 1] 摘要
以北京地铁5 号线为例,研究了地铁沿线两侧2 km范围内,轨道交通对其沿线商品住宅价格的影响程度。① 通过分析商品住宅价格特性和影响因素,建立了轨道交通沿线商品住宅价格的影响因素体系,包括商品住宅项目距最近地铁站的最短路径距离、距市级商服中心距离、周边1 km内公交站点数、中小学及项目容积率、物业类型等10 个因素；② 通过显著性检验,重点中小学、普通中小学、公园3 个变量对商品住宅的价格影响很小,予以剔除后,构建了影响商品住宅价格的多元回归分析模型；③ 将采集到的193 个项目的有效样本进行运算分析,研究结果表明轨道交通对沿线商品住宅价格的影响最大,并随距轨道交通距离的增加,住宅价格呈指数衰减,至2 km以后,对住宅价格影响不显著。针对研究结果,建议地铁沿线土地利用强度和住宅价格确定时,要充分考虑轨道交通的影响。
|
| [16] |
Econometric analysis of the impacts of rail transit on property values: The number 1 and 2 lines in Nanjing .
本文从理论和实证角度,分析验证了城市轨道交通对沿线站点住房价格的影响.首先通过理论分析提出假说,然后基于特征价格方法构建计量分析模型,利用南京市地铁1、2号线站点附近2km范围内二手楼盘数据,实证分析了城市轨道交通地铁对沿线站点住房价格的影响.结果表明:①城市轨道交通对沿线站点住房价格产生了显著的增值效应,不同距离范围影响程度不同,距地铁站点500m以内住房价格比500m以外高出14.3％,1 000m以内住房价格比1 000m以外高出8.9％,1 500m以内住房价格比1 500m以外高出3.9％,当距离范围超过1 500m后,增值效应在统计上不显著;②轨道交通对住房价格的影响程度与距地铁站点直线距离存在着显著的倒“U”形关系,影响程度随距离先增大后减小,在距地铁站点大约320m时影响程度最大;③轨道交通对沿线站点住房价格的影响程度具有显著的分市场效应,对郊区市场的影响程度要远大于主城区市场.
城市轨道交通对住房价格影响的计量分析: 以南京市地铁1、2号线为例 .
本文从理论和实证角度,分析验证了城市轨道交通对沿线站点住房价格的影响.首先通过理论分析提出假说,然后基于特征价格方法构建计量分析模型,利用南京市地铁1、2号线站点附近2km范围内二手楼盘数据,实证分析了城市轨道交通地铁对沿线站点住房价格的影响.结果表明:①城市轨道交通对沿线站点住房价格产生了显著的增值效应,不同距离范围影响程度不同,距地铁站点500m以内住房价格比500m以外高出14.3％,1 000m以内住房价格比1 000m以外高出8.9％,1 500m以内住房价格比1 500m以外高出3.9％,当距离范围超过1 500m后,增值效应在统计上不显著;②轨道交通对住房价格的影响程度与距地铁站点直线距离存在着显著的倒“U”形关系,影响程度随距离先增大后减小,在距地铁站点大约320m时影响程度最大;③轨道交通对沿线站点住房价格的影响程度具有显著的分市场效应,对郊区市场的影响程度要远大于主城区市场.
|
| [17] |
Jiaoyufication and its socio-spatial consequences in urban China .中国城市学区绅士化及其社会空间效应 . |
| [18] |
Chinese cities in transition: Mixed spatial structures produced by a hybrid institutional model .https://doi.org/10.11821/dlyj201511002 URL [本文引用: 1] 摘要
改革开放以来,渐进制度改革构建了中国经典的混合制度模式,生产了一个单位制、市场制、乡村制的空间混合体,即新单位主义生产了新单位空间,市场机制生产了市场化空间,乡村体制生产了乡村型空间。这三类城市空间演化存在各自的路径依赖,呈现出混合布局的自组织特征:第一,市场化空间全域快速扩张,是城市空间转型的主导类型;新单位空间在老城相对集中,并在郊区获得了一定程度的延伸;而乡村型空间则因建成区扩张而不断外移。第二,新单位空间散布于市场化空间中,市场化空间和新单位空间不断侵入乡村型空间,但市场型空间的扩张阻力越来越大,新单位空间逐步趋于稳定,乡村性用地外迁速度日趋减缓。中国的混合制度不消失,城市的混合空间结构将持续存在。
中国模式:转型期混合制度“生产”了城市混合空间结构 .https://doi.org/10.11821/dlyj201511002 URL [本文引用: 1] 摘要
改革开放以来,渐进制度改革构建了中国经典的混合制度模式,生产了一个单位制、市场制、乡村制的空间混合体,即新单位主义生产了新单位空间,市场机制生产了市场化空间,乡村体制生产了乡村型空间。这三类城市空间演化存在各自的路径依赖,呈现出混合布局的自组织特征:第一,市场化空间全域快速扩张,是城市空间转型的主导类型;新单位空间在老城相对集中,并在郊区获得了一定程度的延伸;而乡村型空间则因建成区扩张而不断外移。第二,新单位空间散布于市场化空间中,市场化空间和新单位空间不断侵入乡村型空间,但市场型空间的扩张阻力越来越大,新单位空间逐步趋于稳定,乡村性用地外迁速度日趋减缓。中国的混合制度不消失,城市的混合空间结构将持续存在。
|
| [19] |
|
| [20] |
Gentrification and residential differentiation in Nanjing, China .https://doi.org/10.1007/s11769-010-0432-2 URL Magsci [本文引用: 1] |
| [21] |
Jiaoyufication: When gentrification goes to school in the Chinese inner city .
Gentrification, or the class-based restructuring of cities, is a process that has accrued a considerable historical depth and a wide geographical compass. But despite the existence of what is otherwise an increasingly rich literature, little has been written about connections between schools and the middle class makeover of inner city districts. This paper addresses that lacuna. It does so in the specific context of the search by well-off middle class parents for places for their children in leading state schools in the inner city of Nanjing, one of China s largest urban centres, and it examines a process that we call here jiaoyufication . Jiaoyufication involves the purchase of an apartment in the catchment zone of a leading elementary school at an inflated price. Gentrifying parents generally spend nine years (covering the period of elementary and junior middle schooling) in their apartment before selling it on to a new gentrifying family at a virtually guaranteed good price without even any need for refurbishment. Jiaoyufication is made possible as a result of the commodification of housing alongside the increasingly strict application of a catchment zone policy for school enrolment. We show in this paper how jiaoyufication has led to the displacement of an earlier generation of mainly working class residents. We argue that the result has been a shift from an education system based on hierarchy and connections to one based on territory and wealth, but at the same time a strangely atypical sclerosis in the physical structure of inner city neighbourhoods. We see this as a variant form of gentrification.
|
/
| 〈 |
|
〉 |
