EN中文

地理学报 >

2024 , Vol. 79 >Issue 6: 1412 - 1432

DOI: https://doi.org/10.11821/dlxb202406004

城乡发展与人口流动

东北地区收缩城市房屋空置的时空分异及影响机制——基于实体地域城市尺度

  • 孙宏日 , 1 ,
  • 刘艳军 , 1 ,
  • 付慧 1 ,
  • 金雨 1 ,
  • 周国磊 2
展开
  • 1.东北师范大学地理科学学院，长春 130024
  • 2.中国科学院东北地理与农业生态研究所，长春 130012
刘艳军(1981-), 男, 吉林镇赉人, 博导, 教授, 主要从事城市地理、经济地理研究。E-mail:

孙宏日(1996-), 女, 辽宁丹东人, 博士生, 主要从事城市地理、城市与区域发展研究。E-mail:

收稿日期: 2023-06-05

  修回日期: 2024-04-22

  网络出版日期: 2024-06-19

基金资助

国家自然科学基金项目(42171191)

国家自然科学基金项目(41771172)

收起

Spatio-temporal differentiation pattern and influence mechanism of housing vacancy in shrinking cities of Northeast China

  • SUN Hongri , 1 ,
  • LIU Yanjun , 1 ,
  • FU Hui 1 ,
  • JIN Yu 1 ,
  • ZHOU Guolei 2
Expand
  • 1. School of Geographical Sciences, Northeast Normal University, Changchun 130024, China
  • 2. Northeast Institute of Geography and Agroecology, CAS, Changchun 130012, China

Received date: 2023-06-05

  Revised date: 2024-04-22

  Online published: 2024-06-19

Supported by

National Natural Science Foundation of China(42171191)

National Natural Science Foundation of China(41771172)

Fold

摘要

城市收缩逐渐成为全球性的经济社会现象，房屋空置是城市收缩的重要伴生效应，收缩城市的房屋空置是亟须重点研究的关键问题。本文以中国收缩城市集中地区——东北地区为研究区域，利用多类遥感影像数据和地理数据，基于实体地域城市视角识别收缩城市，估算房屋空置率，分析收缩城市房屋空置的时空分异特征，探讨不同类型收缩城市房屋空置的影响要素及作用机制。研究结论为：① 2013—2021年东北地区城市收缩现象显著，房屋空置率呈上升趋势，且重度收缩城市空置率普遍较高。② 房产设施配置与周边环境特征是房屋空置的重要影响因素。城市经济发展水平、区域交通条件和自然资源条件对房屋空置的影响逐渐增强。③ 提高经济效益，增加居民收入，有助于缓解轻度收缩城市空置压力，重度收缩城市需调节房产设施水平与优化交通设施布局以降低空置率。

关键词： 收缩城市; 实体地域城市; 房屋空置; 影响机制; 东北地区

本文引用格式

孙宏日 , 刘艳军 , 付慧 , 金雨 , 周国磊 . 东北地区收缩城市房屋空置的时空分异及影响机制——基于实体地域城市尺度[J]. 地理学报, 2024 , 79(6) : 1412 -1432 . DOI: 10.11821/dlxb202406004

Abstract

Urban shrinkage has gradually become a global economic and social phenomenon, and housing vacancy is an important concomitant effect of urban shrinkage. Housing vacancy in shrinking cities is a key issue that needs to be studied urgently. Taking Northeast China, a concentrated area of shrinking cities in the country, as the research object, this study uses multiple types of remote sensing imagery data and spatio-temporal big data to construct a shrinking city system based on the perspective of physical urban areas, estimate the housing vacancy rate, analyze the spatio-temporal variation characteristics of housing vacancy in shrinking cities, and explore the influence of housing vacancy in shrinking cities of different scales. The main conclusions are as follows: (1) During the study period, the urban shrinkage phenomenon in Northeast China is significant and the housing vacancy rate is on the rise. The housing vacancy rate is generally higher in severe shrinking cities. (2) The configuration of property facilities and the characteristics of the surrounding environment are the main influencing factors of housing vacancy. The level of urban economic development, regional transportation conditions and natural resource conditions have gradually increased their influence on housing vacancy. (3) Improving economic efficiency and increasing residents' income can help alleviate vacancy in slight shrinking cities, while severe shrinking cities need to adjust the level of property facilities and optimize the layout of transportation facilities to reduce vacancy rates.

Key words： shrinking cities; physical urban area; housing vacancy; influence mechanism; Northeast China

1 引言

近年来城市收缩现象在世界范围内蔓延，并逐渐成为城市可持续发展的严峻挑战[1⇓⇓⇓-5]。空置房屋是城市收缩最明显的空间表征[6-7]，房屋空置已逐渐成为衡量城市收缩衍生效应的关键主题[4-5,8]。然而，随着当前全球化和国际化的不断推进，收缩城市虽已引起广泛关注[9-10]，但多数关于房屋空置和收缩城市的研究集中在大都市地区或国家尺度上[11-12]，最易受到城市收缩影响的房屋空置问题则被忽视。厘清收缩城市房屋空置的分布特征，阐释空置的影响机制，对促进收缩城市的治理及可持续发展具有重要意义。
目前国际学术界对房屋空置暂无统一定义。联合国将住房空置率定义为目前无人居住的住房占单元总数的百分比[13]；美国商务部人口普查局将空置住房定义为人口普查工作人员访问时无人居住的住房[14]，德国、法国和荷兰等欧洲国家也存在类似定义[15]。除传统调查外，水表记录[16]、电力消耗[17]、基础设施[18]、家庭用电量问卷[19]以及遥感监测手段[20⇓⇓⇓-24]也被用于识别空置房屋。房屋空置受到多层次、多类型的驱动因素影响。城市的发展背景、政策制度[25]、人口及经济变动[26⇓⇓⇓⇓⇓-32]、市场供需关系[33-34]、失业率[35]以及房产自身属性特征[36]等是空置房屋形成的主导因素，房价[37-38]、土地价格和住房供应[39]等区域及个人经济特征[40-41]在空间单元上的表现是空置格局的形成诱因。
房屋空置并非仅发生于收缩城市，但由于收缩城市发展过程的特殊性，决定了收缩城市房屋空置特有的复杂性[42]。国内部分中小城市夸大的人口预测也可能导致空置房屋的增加[11,43]。城市收缩的主要诱因如低出生率和人口老龄化[44]、去工业化[45]、城市扩张或郊区化等[46⇓⇓-49]是导致收缩城市高空置率的重要因素。从收缩城市的局部特征上看，空置房屋在城市内具有一定聚集效应，威胁社区健康[34]，最终导致更多房屋空置或废弃[50⇓-52]。
目前国内关于房屋空置的研究多停留在对国外房屋空置经验的定性探讨，且国内外对于何种状态的房屋为空置及一定区域内空置程度的界定均缺乏公开统一的标准，空置识别多采用实地调研、遥感等方法[23,53⇓ -55]，其全面性与准确性有待验证，适合发展实际的收缩城市房屋空置理论体系与评价标准尚未建立。基于上述问题且在中国缺乏空置房屋精确统计数据的情况下，本文尝试整合多种地理数据和遥感影像，构建识别房屋空置的理论框架，提出收缩城市房屋空置识别体系，尝试提高收缩城市房屋空置估计精度，识别空置房屋空间分布及其演变特征。
同时，虽已有研究对房屋空置的影响因素进行了充分讨论，认为区域经济社会特征、地方政策制度、房产属性特征等对房屋空置均存在一定影响[36,39 -40]，但对收缩城市房屋空置的成因探讨存在欠缺，忽略了不同发展阶段的城市房屋空置的影响机制差异。城市类型不同，房屋空置的影响机制与联动效应具有一定差异，对于不同类型的收缩城市或区域房屋空置机制的对比探讨相对不足。基于此，本文深入阐释东北地区收缩城市房屋空置的影响机制，并将不同收缩程度和空置程度的多类型城市纳入分析体系，多角度探究不同类型收缩城市房屋空置机理差异，概括其共性特征、明确地区特性，归纳总结东北地区收缩城市房屋空置的影响机制及演变规律。
因此，本文的学术贡献可概括为：① 结合多源遥感影像以及城市建筑数据，提出并建立收缩城市房屋空置识别方法体系；② 重点探讨不同类型的收缩城市房屋空置驱动因素差异及共性特征，阐释收缩城市房屋空置的影响机制。本文通过客观揭示收缩城市房屋空置的时空演变特征，阐释其作用机理，进一步拓展收缩城市研究视角，并为同类型收缩城市应对房屋空置相关问题提供参考借鉴。

2 理论基础

城市收缩源于城市发展历程中多重变迁的综合作用。在全球化、信息化、新技术革命等要素的交互影响下，伴随着人口空间流动、产业结构升级、城市虹吸效应、政策支持力度等城市间诸多要素的相互作用，城市收缩态势进一步显现和强化，也由此产生各种联动效应。研究发现，收缩城市以废弃或空置的商业区、弃置或无人使用的住房、废弃的基础设施以及城市周边的物质衰退为主要空间特征[56]。
在城镇化、经济增长滞缓以及去工业化等背景下，多数收缩城市经历了经济结构变动、就业机会减少、人口流失以及空间品质下降的过程。收缩城市人口结构变动将直接影响人口对房地产的需求，如果缺乏相关政策干预，可能会造成较大规模的房产空置或废弃、景观衰败、土地闲置、基础设施荒废、建成环境质量减退、社会安全受到挑战等现象，导致城市功能衰退，居民幸福感随之下降。收缩程度不同，收缩城市在人口流失程度和需求不均等要素的综合作用下，影响房屋空置的要素会产生不同程度的作用效果。对于轻度收缩城市，经济发展水平受经济收入、社会消费水平等影响，劳动力的外出务工能够引起空置率升高。对于重度收缩城市，尤其是资源枯竭型城市，局部地区存在城市规划和建设的资源错配及空耗问题[57]，政策制度调整、供需关系变动等要素对房屋空置的影响程度可能会增加。
收缩城市的房屋空置是由于城市收缩过程中房屋居住或使用不足，造成房屋被闲置甚至废弃，并由此引发广泛影响的现象和状态。城市房屋空置通常包含住房空置、商业空置与工业空置。作为收缩城市的标志性空间物质表征[58]，房屋空置是多因素共同作用的结果。总体上看，房屋空置的因素可归纳为自然因素、社会经济因素、房产属性因素以及制度政策因素4类（图1）。① 自然因素方面，部分收缩城市的坡度、坡向、高程等地形自然条件影响基础设施建设成本及交通运输业，导致区域功能多样性缺失，对人口吸引力降低，产生房屋空置现象。城市生态环境如城市绿化覆盖率、公园绿地面积等自然生态指标是衡量城市生活环境的重要因子，生态环境优良的地区具有更高的宜居性，能够吸引人口流入，缓解空置压力。② 经济社会因素方面，经济发展水平是区域发展潜力的重要表征，产业结构水平、就业人口等指标在一定程度上可表征经济发展潜力，通常较高的经济发展水平具有更高的经济活跃度、繁荣度与人口吸纳能力，为居民社会交往与互动创造条件。交通通达能力是区域发展的重要支撑与保障，良好的区位优势能够降低居民出行成本，提高生活品质，是居民定居的重要考虑因子。③ 房产属性因素方面，房产自身设施条件、建筑结构、新旧程度等属性特征是房产是否具有社会竞争力的重要依托，影响着居民居住舒适度与生活满意度。同时，房产的社区环境质量与空间品质是地区宜居性的表征。④ 制度政策方面，部分收缩城市由于无法准确预测未来城市发展模式，仍然奉行以增长为导向的规划政策[58]，导致房产供应过剩而产生大量空置房产。政府依据人口需求与当前房地产市场供给能力，平衡市场供需关系并给予支持政策，是促进空置水平向合理化方向调整的有效手段。
图1 收缩城市房屋空置及影响机制的理论框架

Fig. 1 Theoretical framework for housing vacancies and its influence mechanism in shrinking cities

3 数据与方法

3.1 研究区域

本文以中国典型的收缩城市集中地区——东北地区为研究区域，包含黑龙江省、吉林省和辽宁省（图2）。全域面积为78.73万km2，包含4个副省级市、32个地级行政单元、57个县级市和90个县及自治县。2010—2020年东北地区人口流失约1100万人，是中国人口流失最多的地区之一。东北地区以资源型城市为主，在市场经济转型过程中大量城市由于缺乏接续替代产业导致失业率升高、产业转型困难，陷入人口流失与经济衰退的发展困境，是中国收缩城市高度集中的典型区域，也是资源型收缩城市最具代表性的地区。随着城市发展进程推进，东北地区城市收缩为城市带来了系列经济社会及生态环境的影响效应，房屋空置相关问题也逐渐凸显。因此以东北地区作为研究区域具有代表性，探讨东北地区收缩城市房屋空置的空间格局并阐释其影响机制，对同类收缩城市房屋空置问题研究具有借鉴意义。
图2 研究区域

Fig. 2 Study area

3.2 数据来源

行政区划数据来自中国自然资源部，土地覆盖数据来自清华大学系统地球科学研究中心，经重投影、重采样等处理后用于提取实体地域城市。VIIRS Annal VNL V2夜间灯光数据来自地球观测小组（Earth Observation Group, EOG）网站（https://eogdata.mines.edu/products/vnl/）。DEM数据来自地理空间数据云（https://www.gscloud.cn/），数据经重投影、重采样等处理后用于提取城市平均高程。兴趣点POI数据来自高德地图。建筑轮廓取自91卫图（企业版）中的天地图，经影像波段提取后使用。历史卫星遥感影像来自91卫图（企业版），空间分辨率为3.78 m。人口数据来自英国南安普敦大学的Worldpop数据库，经数据校正后使用。路网数据取自中国科学院资源环境科学数据中心，经修正后使用。伊春市用电量数据来自伊春市的相关电力部门。人口及社会经济等统计指标来自《中国城市统计年鉴》（2014年、2021年）、《中国县域统计年鉴》（2014年、2021年）、《中国城市建设统计年鉴》（2013年、2020年）等统计资料。土地出让面积数据来自中国土地市场网（https://www.landchina.com/）。部分缺失数据采用相邻年份替换或采用3倍标准差法补齐。由于缺乏实体城市地域统计数据，部分指标选取市辖区、建成区数据以及县城数据替代。

3.3 研究方法

3.3.1 基于实体地域视角的收缩城市识别与分类

国际上多数研究均以人口变动作为判定城市收缩的依据，基于此，本文以人口流失率为指标识别收缩城市。考虑到城市收缩发生在城市化地区，但行政区域通常包含大量乡镇等非城市化地区。因此本文引入2017年空间分辨率为30 m的土地覆盖数据，提取城市建设用地，并将实体地域城市作为研究对象，以保证城市研究的科学性。本文将实体地域城市定义为城市建设用地连成片且面积超过5 km2的城市化区域[59]，将收缩城市定义为在研究期间人口流失超过5%的实体地域城市。由于中国人口数据多以行政单元为统计单位，缺少实体地域城市数据信息，本文尝试引入Worldpop人口统计数据，经统计数据校正后用于识别收缩城市，校正系数为：
C O F a d j u s t = S P / W P
式中：COFadjust为区域的Worldpop数据校正系数；SP为区域统计人口；WP为区域的Worldpop数据人口。为确保校正的准确性，本文分别对省级、地级、县（区）级3级的Worldpop数据进行了校准，得到各省级、地级、县（区）级3个级别的校正系数。在此基础上获取校正后的人口数据用以识别收缩城市。
同时，本文采用K-Means聚类方法将收缩城市的收缩程度划分为轻度收缩和重度收缩两种程度类型，计算公式为：
μ k = ∑ i = 1 n k x i / n k
式中：μk为聚类中心；nk为属于类型k的样本数；xi为指定的数据。结果显示，东北地区存在轻度收缩城市40个，重度收缩城市57个。

3.3.2 NPP-VIIRS数据校正

本文使用VIIRS年度数据估算收缩城市房屋空置率。VIIRS数据的空间分辨率为500 m，考虑到VIIRS数据有背景噪声，消除后即可使用。沈阳市是副省级城市，也是东北地区中心城市，其他地区VIIRS数据的像素值理论上不超过该城市的最高值。因此，将沈阳市的最高像素值作为校正异常值的阈值。如果像素值大于该值，则将其替换为8个相邻像素的平均值。由于背景噪声，VIIRS数据的原始数据存在负值，本文通过将该值设置为0来将其删除。

3.3.3 收缩城市房屋空置率估算

（1）建筑高度估算。由于中国建筑数据不完整且难以获取，为获得建筑物高度以提高房屋空置率估计的准确性，本文采用高分辨率遥感图像提取建筑物阴影，根据太阳、卫星和建筑物相对位置进行三角函数计算，得到建筑物的高度与楼层[60]。高分辨率遥感影像基本属性信息包含建筑物的地理位置、建筑物高度及建筑物底面面积等。太阳、卫星和建筑物的相对集合关系需分两种情况讨论，并做出如下假设：假设建筑物处于平原地带，无地形因素的干扰；假设建筑物垂直于地球表面。
当太阳和卫星的方位相同，即太阳和卫星位于建筑物的同一侧时（图3a），建筑物阴影的实际长度S，阴影长度L2，以及该情况下建筑物高度H的计算公式为：
S = H / t a n β
L 2 = S - L 1 = H / t a n β - H / t a n α
H = L 2 × t a n α × t a n β / ( t a n α - t a n β )
式中：H为建筑物的高度；S为建筑物阴影的实际长度；L2为建筑物阴影可见长度；α为卫星高度角；β为太阳高度角。
图3 太阳、卫星、建筑物和阴影的关系示意图[60]

Fig. 3 Schematic diagram of the relationship between the sun, satellites, buildings, and shadows

当太阳和卫星的方位相反，即太阳和卫星位于建筑物的两侧时（图3b），建筑物阴影的实际长度S和遥感图上可见的阴影长度L2相等，此时L1长度为0，所以这种情况下建筑物高度H和可见阴影长度之间及建筑物楼层数F的公式为：
H = L 2 × t a n β
F = H / 3
式中：H为建筑物高度；L2为建筑物阴影可见长度；β为太阳高度角；F为建筑物楼层数。
为验证建筑物楼层的计算结果，本文共搜集2013—2021年间研究样本97个收缩城市内百度街道地图的街景照片。据统计，2021年研究区域共含建筑物541223栋，本文共搜集112461栋建筑，确定其建筑楼层数进行研究结果验证。验证结果显示，准确率可达96%。
（2）道路反射率估算。由于遥感影像中道路反射率会影响研究结果，无建筑像元中的夜间灯光指数基本为道路反射率提供，由此本文提取实体地域城市中无建筑物的图像像素计算其平均反射率，作为该区域道路反射率。计算公式为[60]：
R A j = ∑ j = 1 n N T L j / n
式中：RAj表示像元j的道路反射率；NTLj表示图像像素j的原始夜间灯光亮度值；n表示无建筑物的像素数量。
（3）满置像素提取。Pan等[23]使用夜间灯光指数最高的 20%区域作为满置住宅区；Wang等[21]认为当像元的人均居住面积高于该城市的统计数据时，该像元则可被视为满置区域。在已有研究的基础上，考虑到收缩城市与其他城市相比，房屋空置问题可能会更加明显，因此结合收缩城市的城市发展规律，为其选定合理城市阈值十分必要。结合东北地区实际情况，同时引入POI数据与人口空间分布信息。POI数据在一定程度上可反映人口活动状态及常住人口分布特征，对房屋空置情况具备一定表征能力，且在一定程度上可以表征收缩城市的发展状态。在剔除夜间灯光指数的异常值后，考虑到不同行政等级城市发展政策及制度差异，本文认为地级行政单元、县级市和县（区）POI核密度最高的20%、15%和10%的区域，基本满足各等级收缩城市商品流通需求，故将POI核密度最高的20%、15%和10%像元提取出来分别作为地级行政单元、县级市和县等不同行政等级收缩城市的满置像元。当像元为满置像元时单位建筑面积夜间灯光指数的贡献率计算公式为[60]：
F R A f = N T L f - R A f / n × ∑ V a r e a f
V a r e a i = A M , i , j × F M , i , j
式中：FRAf为单位面积满置像元f的光强度对夜间灯光指数的贡献；NTLf为满置像元f的原始夜间灯光亮度值；RAf为满置像元f的道路反射率；n为满置像元数量；Vareaf为满置像元f的建筑总面积；AM,i,j为网格i中建筑物j的占地面积；FM,i,j为网格i中建筑物j的楼层数；Vareai为网格i的建筑总面积。
（4）房屋空置率估算[60]：
H V R i = 1 - N T L i - R A i V a r e a i × F R A f
式中：HVRi表示混合像元中网格i的房屋空置率；NTLi表示图像像素i的原始夜间灯光亮度值；RAi表示像元i的道路反射率；Vareai为网格i的建筑总面积；FRAf为单位面积满置像元f的光强度对夜间灯光指数的贡献。

3.3.4 空间计量回归分析

空间计量回归分析用于讨论多个解释变量对因变量的影响。本文尝试运行3种分析模型，分别为普通最小二乘法（OLS）、空间滞后模型（SLM）与空间误差模型（SEM）。传统的OLS回归模型忽略空间对因变量的影响，空间分析模型能够有效地解决此问题。因此本文使用空间计量回归分析来阐释房屋空置的影响机制。
OLS模型公式为：
y i = β 0 + ∑ j = 1 k β j X i j + ε i             ( i = 1 ,   2 ,   … ,   n )
式中：yi表示被解释变量；Xij表示解释变量；k表示观测值的数量；β0表示常数项；βj表示第j个回归参数；εi表示随机误差项。
SLM模型公式为：
y = ρ W y + X β + ε
式中：y表示因变量；X表示自变量；W表示模型的空间权重；ρ表示空间自回归系数值；β表示X的参数向量；ε表示随机干扰项。
SEM模型公式为：
y = X β + ε
ε = λ W ε + μ
式中：y表示因变量；X表示自变量；W表示模型的空间权重；β表示回归残差向量；ε表示随机误差项向量；λ为自回归参数；μ表示正态分布的随机误差向量。
本文重点探讨影响收缩城市房屋空置的驱动因素及其作用机制。基于理论分析，考虑到房屋空置受到自然、经济、社会、政策等多方面的综合影响作用，本文参考已有探讨房屋空置影响机制的相关研究，从自然生态环境、经济社会发展、区域地理优势、房产属性特征、制度政策环境以及人口集聚能力6个方面切入，重点探讨自然生态的地势和绿化、经济发展的产业以及收入、交通区位的站点开通情况与通达程度、房产的设施条件及获取方式以及人口集聚与需求能力对房屋空置产生的影响。综合考虑数据的可获得性与代表性、已有研究结果以及东北地区城市收缩过程，本文共选取6类含26个指标来衡量收缩城市房屋空置的影响因素（表1）。
表1 收缩城市房屋空置影响因素的指标体系

Tab. 1 Index system of factors influencing housing vacancy

指标类别 指标名称 指标解释 数据来源
自然生态环境(NE) 高程[61](X1) 地形起伏度 地理空间数据云
坡度[52](X2) 自然地势地貌 地理空间数据云
人均绿地公园面积[62](X3) 环境宜居水平 统计年鉴数据
绿化覆盖率(X4) 区域绿化水平 统计年鉴数据
经济社会发展(EDS) 人均GDP[22](X5) 经济发展能力 统计年鉴数据
产业结构水平[11,22](X6) 产业发展能力 统计年鉴数据
人均住户储蓄存款余额(X7) 资本累积能力 统计年鉴数据
万人均普通中学在校学生数(X8) 社会发展能力 统计年鉴数据
区域地理优势(RGA) 是否开通高铁(X9) 交通设施完善能力 中国铁路12306
是否有铁路站点(X10) 基础交通条件 中国铁路12306
城市区位优势[24⇓⇓⇓⇓⇓⇓⇓⇓⇓-34,49,61,63⇓ -65](X11) 地理位置优势 地理数据计算
道路密度[65](X12) 交通通达能力 统计年鉴数据
交通可达性[65](X13) 交通便利程度 地理数据计算
房产属性特征(UPS) 独栋房产占比(X14) 周边环境优势 建筑数据获取
含厨房的房产数量占比(X15) 设施条件水平 人口普查数据
购买的房产数量占比(X16) 居民资本实力 人口普查数据
自建房产数量占比(X17) 住区环境水平 人口普查数据
租赁数量占比(X18) 居民消费能力 人口普查数据
人均住房建筑面积(X19) 居住条件水平 人口普查数据
制度政策环境(IPE) 土地出让面积(X20) 市场流通能力 中国土地市场网
人均地方一般公共预算收入(X21) 财政投资能力 统计年鉴数据
人均地方一般公共预算支出(X22) 财政支持力度 统计年鉴数据
人口集聚能力(PA) 人口密度[11,22,39,62,66](X23) 人口承载能力 Worldpop数据计算
城市人口规模类型[11,39](X24) 区域吸纳能力 人口普查数据
用水人口(X25) 人口需求水平 统计年鉴数据
人口老龄化程度[11,39,41,52,66](X26) 人口结构水平 人口普查数据

4 研究结果

4.1 实体地域尺度下收缩城市空间分布

本文采用Worldpop人口数据识别收缩城市，并采用统计人口数据对Worldpop人口数据进行数据修正，由于部分县（区）统计数据不完整，本文仅使用存在统计数据的区域对东北地区的Worldpop人口数据进行修正。修正结果显示，2013年东北地区人口总数为10882.88万人，统计数据显示2013年人口总数为10976万人，精度为99.15%。2020年东北地区修正人口总数为9789.09万人，统计数据显示，2020年人口总数为9914万人，精度可达98.74%。在此基础上识别东北地区的收缩城市。
研究结果显示，东北地区的实体地域城市数量显著高于行政区域，达到205个，比行政区域数量多13.26%。研究共确定2013—2021年97个收缩城市（图4），占东北地区实体地域城市数量的47.31%。为深入探讨收缩城市空间分异特征，本文采用K-Means聚类方法将收缩城市分为轻度收缩和重度收缩两类城市。结果显示，2013—2021年期间，轻度收缩城市人口流失率在5.2%~22.2%之间，平均变化率为12%。同时，重度收缩城市人口流失率在23.8%~52.1%之间，平均变化率为33.2%。东北地区城市收缩趋势显著，黑龙江省人口流失最为严重，重度收缩城市占83.08%；辽宁省收缩城市的收缩程度较轻，轻度收缩城市占85%（表2）。图4为东北地区收缩城市的空间分布，收缩城市集中分布于黑龙江东部的鹤岗—双鸭山—鸡西和辽宁南部的铁岭—抚顺—本溪城市集聚区。其余收缩城市多分布于地级市周边，重点沿交通干线分布。总体来看，东北地区的收缩城市数量多、分布广。
图4 基于实体地域城市的东北地区收缩城市空间分布

Fig. 4 Spatial pattern of shrinking cities based on physical urban areas in Northeast China

表2 2013—2021年东北地区收缩城市数量统计(个)

Tab. 2 The quantity statistics of shrinking cities in Northeast China cities, 2023-2021

省份 辽宁省 吉林省 黑龙江省 总计
轻度收缩 17 12 11 40
重度收缩 3 0 54 57
总计 20 12 65 97

4.2 收缩城市房屋空置的时空分异格局

从实体地域城市房屋空置的时序演变上看，2013—2021年东北地区收缩城市整体房屋空置率呈上升趋势，从15.48%上升至16.25%。县城的房屋空置率略有下降趋势，从19.45%降至19.42%。相比之下，研究期内县级市或地级市房屋空置率明显上升，县级市房屋空置率从12.58%上升到13.47%，地级市从12.74%上升到13.38%。在此基础上将研究结果可视化（图5）。结果显示，轻度收缩城市在研究期内空置率较低，2013年房屋空置率为14.64%，2021年为15.21%；重度收缩城市通常空置率较高，2013年为16.88%，2021年为16.98%。在东北地区中黑龙江省空置率最高，辽宁省最低。
图5 2013年和2021年东北地区收缩城市房屋空置率空间分布

Fig. 5 Spatial pattern of housing vacancy in shrinking cities in Northeast China in 2013 and 2021

从收缩城市的收缩程度类型上看（表3），黑龙江省是东北地区空置率最高的省份，且处于上升趋势。辽宁省空置率较低，但其轻度收缩城市的空置率略高于重度收缩城市。为深入剖析东北地区收缩城市房屋空置率的时空分异特征，本文采用K-Means聚类将收缩城市按空置程度划分为轻度空置城市与重度空置城市，并分别选取了5个重度空置城市与5个轻度空置城市对其房屋空置的空间分布格局进行可视化（图6）。结果显示，2021年重度房屋空置城市的房屋空置率在17%~20%之间，且呈现中心低、边缘高的空间分布特征，轻度房屋空置城市的房屋空置率在5%~14%之间。从总体上看，2013—2021年间东北地区的房屋空置总体呈现增长态势，且黑龙江省表现最为明显。
表3 2013年和2021年东北地区收缩城市房屋空置率均值(%)

Tab. 3 Statistics of housing vacancy rate in shrinking cities in Northeast China in 2013 and 2021 (%)

年份 城市收缩类型 辽宁省 吉林省 黑龙江省 东北地区
2013 轻度收缩 14.09 15.96 14.07 14.65
重度收缩 14.02 - 17.04 16.88
2021 轻度收缩 15.21 15.38 15.03 15.21
重度收缩 13.84 - 17.16 16.98
图6 2013年和2021年东北地区收缩城市房屋空置的时空分异格局

Fig. 6 Spatial differentiation of housing vacancy in shrinking cities in Northeast China in 2013 and 2021

4.3 收缩城市房屋空置结果验证

为验证研究结果的可靠性和准确性，本文获取了2013年伊春区实体地域城市用电量数据60151条[44]。中国国家电网公司认为，一户家庭每年的用电量不超过20 kW·h为空置[67]。结合伊春区实际用电量，对于非居住用房，其年用电量是住宅楼宇的4.95倍，空置标准在住宅空置的基础上提高4.95倍。因此，将年用电量不超过99 kW·h作为非居住用房空置的标准。根据伊春市主城区用电量数据统计，其房屋空置率为8.04%，其中住宅空置3888套，非住宅空置房屋949套。根据本文提出的模型估计，伊春市实体地域城市的房屋空置率为8.60%。该结果与用电数据统计的实际房屋空置率基本吻合，在一定程度上说明研究方案具有科学性、合理性以及应用借鉴价值。
为更深入地掌握本文提出的收缩城市房屋空置识别方法体系的适用性，课题组选取6个案例城市在2023年9月进行了为期20 d的实地调研，尝试进一步验证研究结果的准确性与研究体系的普适性。案例城市的选取综合考虑各省份收缩城市数量比例、不同城市收缩程度类型、不同房屋空置程度类型、不同城市产业类型、不同城市行政等级以及各城市地理空间分布均匀性，最终选取黑龙江省伊春市主城区、尚志市、方正县，吉林省白山市江源区，以及辽宁省抚顺市主城区、辽阳市主城区作为实地调研案例城市，调研城市包含轻度收缩城市、重度收缩城市、轻度房屋空置城市、重度房屋空置城市、工业型城市、农业型城市、资源型城市、大城市周边地区以及地级市、县级市、县（区）等多种类型城市，具备一定的研究代表性。课题组以问卷与访谈相结合的方式在调研城市共进行了779份问卷访谈，回收问卷750份，问卷有效率为96.29%。问卷基本信息如表4所示，重点走访地方政府及小区居民，掌握收缩城市房屋空置现状、治理典型案例以及收缩城市的区域调控策略。
表4 东北地区收缩城市房屋空置调研基本信息统计

Tab. 4 Information statistics of survey of housing vacancy in shrinking cities in Northeast China

变量 类别 数量(份) 比例(%)
性别 男 358 47.73
女 392 52.27
年龄(岁) 18~29 23 3.07
30~39 108 14.40
40~49 114 15.20
50~59 179 23.87
≥ 60 326 43.47
受教育水平 小学及以下 120 16.00
初中 227 30.27
高中 130 17.33
中专、大专 161 21.47
本科及以上 112 14.93
职业 机关、党群组织及事业单位工作人员 111 14.80
企业从业人员 88 11.73
个体户 61 8.13
学生 2 0.27
自由职业者 27 3.60
商业服务业从业人员 61 8.13
离退休人员 306 40.80
无业 79 10.53
其他 15 2.00
个人月收入(元) < 3000 353 47.07
3000~5000 237 31.60
5000~8000 132 17.60
≥ 8000 28 3.73
住房类型 商品房 569 75.87
经济适用房 4 0.53
廉租房 2 0.27
安置房 130 17.33
其他(单位宿舍、租房等) 45 6.00
本社区居住时长(a) < 2 78 10.40
2~5 147 19.60
5~20 375 50.00
≥ 20 150 20.00
调研结果显示（表5），伊春市主城区的受访者中，53.14%的居民认为收缩城市的居住环境非常荒凉或有些不景气，居民对城市荒凉氛围感知具有高敏感性，方正县与辽阳市居民对城市荒凉氛围感知较低。但案例城市受访者中认为居住环境比较热闹的居民依然占据最大群体，占比44.8%，在一定程度上表明城市收缩并未导致居民对居住环境产生较大负面感受。同时，38.53%的居民认为居住区及附近空置房产、废弃建筑物比较多见或非常多见（表6），受采煤塌陷影响，抚顺市居民感知最为显著，方正县23%的居民认为空置房产较为多见，是比例最低的地区。由此可见，东北地区收缩城市的房屋空置现象较为严重，对居民的居住区氛围感知与空置现象感知具有一定影响。
表5 调研城市居民对居住区整体氛围的感知情况统计(份)

Tab. 5 Information statistics on the perception of urban research residents towards the overall atmosphere of residential areas (qustionares)

调研城市 非常荒凉 有些不景气 没太大感受 比较热闹 非常繁华 总计
伊春市主城区 8 68 33 34 0 143
抚顺市主城区 14 37 28 70 3 152
辽阳市主城区 6 32 22 86 4 150
尚志市 4 31 15 46 0 96
方正县 3 12 29 53 3 100
白山市江源区 8 30 24 47 0 109
总计 43 210 151 336 10 750
表6 调研城市居民对居住区及附近空置房产、废弃建筑物等现象感知情况统计(份)

Tab. 6 Statistics on the perception of urban research residents towards vacant properties, abandoned buildings, and other phenomena in residential areas and nearby areas (qustionares)

调研城市 非常少见 比较少见 一般 比较多见 非常多见 总计
伊春市主城区 2 73 18 45 5 143
抚顺市主城区 4 44 22 48 34 152
辽阳市主城区 18 48 29 44 11 150
尚志市 6 37 17 32 4 96
方正县 12 48 17 23 0 100
白山市江源区 8 37 21 40 3 109
总计 50 287 124 232 57 750
从空间格局上看，伊春市主城区东部空置率低于西部，尚志市南部地区空置率较高，抚顺西部地区以及露天矿周边地区房屋空置表现最为明显。调查结果显示，伊春西部为城市发展新区，房产设施条件完备，容积率较低，但由于其生活便利程度与民生保障措施仍然不足，导致空置率高于东部地区。尚志市南部地区存在大量高层新建楼盘难以售卖，导致南部地区空置率较高。方正县东北部地区为新建商业街，因人口较少，购买力不足，难以支撑其发展，形成了东北部地区的空置特征。抚顺市西部地区为沈抚新区抚顺片区，新建大量小区，但由于缺乏流入人口，营商环境欠佳，民生保障措施不足，交通不便，导致存在大量空置住房与关门店铺。抚顺市东部露天矿周边地区存在大面积的集中地表塌陷区，建筑缺乏基本维护，因此存在大量空置住房。
综上，经课题组实地调研分析，各调研城市房屋空置格局与本文研究方案结果基本一致，本文认为可利用夜间灯光数据及建筑数据等多源数据表征房屋空置特征。同时，调研发现，城市边缘地区多为城市发展新城区或大面积老旧平房，人口流动较少，且资源设施配置不足，民生保障措施存在欠缺，影响了地区入住率，与本文研究结果“中心低、边缘高”的房屋空置空间格局相吻合，表明此研究方案在一定程度上能够与地区发展实际接轨，具备研究可行性与合理性，研究体系科学有效。

4.4 收缩城市房屋空置时空分异的影响因素及机制

在收缩城市房屋空置影响因素分析中，进一步对比2013年和2021年轻度收缩城市和重度收缩城市的结果。2013年和2021年房屋空置影响机制模型均通过了空间自相关检测（表7），时空分布格局表现出空间异质性，相比于传统回归模型，空间计量回归模型考虑了研究区域的空间差异，更适用于区域研究。因此，本文选取空间计量回归分析，尝试探讨房屋空置的驱动因素及影响机制。
表7 东北地区收缩城市房屋空置率的空间自相关结果

Tab. 7 Spatial autocorrelation results of housing vacancy rate in shrinking cities in Northeast China

Moran's I p值 z值
2013 2021 2013 2021 2013 2021
HVR 0.069 0.064 0.012 0.019 2.489 2.334

4.4.1 房屋空置的总体影响因素分析

SLM和SEM的拟合优度均高于OLS，整体来看，SEM模型的拟合优度最高，拟合效果最佳（表8），因此，本文选取SEM模型来解释研究期内收缩城市房屋空置的影响因素及机制。总体来看，房产设施条件对房屋空置的影响最大，房屋空置的演变也与区域交通水平、城市经济发展和自然环境条件密切相关。
表8 东北地区收缩城市房屋空置影响因素分析结果

Tab. 8 The analysis results of housing vacancy influence mechanism in shrinking cities in Northeast China

指标类别 指标 2013年 2021年
OLS SLM SEM OLS SLM SEM
NE X1 - - - -0.148 -0.144* -0.149*
X3 0.0179 0.015 0.014 -0.131 -0.142 -0.102
X4 -0.146 -0.139 -0.144 -0.279 -0.267 -0.228
EDS X5 - - - -0.149 -0.150 -0.201
RGA X9 -0.045 -0.047 -0.045 -0.056 -0.055 -0.061
X10 -0.086*** -0.084*** -0.087*** -0.106*** -0.108*** -0.107***
X12 - - - -0.056 -0.058 -0.089
X13 - - - 0.121 0.123 0.049
UPS X14 0.146** 0.153** 0.149** 0.203** 0.198** 0.187**
X15 - - - - - -
X16 -3.196*** -3.231*** -3.184*** -0.448* -0.456** -0.494**
X17 - - - - - -
X18 3.011*** 3.046*** 2.99*** 0.349* 0.348* 0.367*
IPE X22 -0.123 -0.122 -0.123 - - -
PA X24 -0.141*** -0.145*** -0.141*** -0.153 -0.148 -0.125
X26 - - - 0.288 0.285* 0.181
R2 0.451 0.452 0.451 0.431 0.432 0.452
logL 62.764 62.832 62.771 62.510 62.556 63.642
AIC -105.529 -103.666 -105.542 -97.021 -95.112 -99.284
SC -79.782 -75.344 -79.795 -60.974 -56.491 -63.238

注：*、**和***分别表示在10%、5%和1%水平上显著。

2013—2021年间交通设施完善能力对研究期内收缩城市房屋空置具有显著影响，即当收缩城市具有更完备的交通设施时，空置率会更低。城市独栋房产比例对房屋空置率有正向影响，破旧的住区环境会使得周边居民更容易产生逃离该区域的想法。同时，获得房产的方式也在一定程度上反映了居民的资本累积以及消费能力。城市租房的人越多，人均消费能力越低，区域发展能力越有限，导致青年劳动力流向容易获得就业机会的城市。总体上看，2013—2021年东北地区收缩城市房屋空置受房产自身属性特征及周边环境特征影响最大，但其作用强度存在减弱态势，城市是否具有铁路站点等重要交通节点对房屋空置也具有一定影响，且影响呈现强化趋势。从演变过程上看，2013年城市人口规模类型对房屋空置存在显著影响，城市规模越大，要素资源集聚能力越强，更易吸引人口，降低空置率。2021年人口结构对房屋空置的影响明显增强，人口老龄化程度对收缩城市房屋空置产生负面影响。

4.4.2 不同收缩程度城市房屋空置作用因素的差异性

为了深入揭示收缩城市房屋空置时空演化的影响特征，本文尝试对比分析重度和轻度收缩城市房屋空置的影响因素差异（表9、表10）。研究发现，与重度收缩城市相比，轻度收缩城市居民注重城市自然环境特征与经济发展潜力，而重度收缩城市居民则更关注城市交通基础设施水平与条件、房产自身设施条件及房产周边环境的宜居性。
表9 东北地区重度收缩城市房屋空置影响因素分析结果

Tab. 9 The analysis results of housing vacancy influence mechanism in severe shrinking cities in Northeast China

指标类别 指标 2013年 2021年
OLS SLM SEM OLS SLM SEM
NE X3 - - - 0.910 1.138** 1.314**
X4 0.031 0.048 0.011 - - -
EDS X5 -0.121 -0.142 -0.062 - - -
X6 - - - -0.217 -0.244 -0.255
X7 - - - -0.146 -0.134 -0.264
RGA X9 -0.018 -0.027 -0.022 -0.026 -0.038 -0.025
X10 -0.034*** -0.033*** -0.031*** -0.183*** -0.174*** -0.174***
X13 0.069 0.102 0.090* - - -
UPS X14 0.106** 0.111*** 0.097*** 0.343** 0.387*** 0.382***
X15 -2.561*** -2.205*** -2.702*** - - -
X16 - - - -0.497 -0.354 -0.400
X17 1.134 0.923 1.238** - - -
X18 1.417*** 1.278*** 1.453*** 0.570** 0.575*** 0.652***
X19 - - - -2.424** -3.005*** -3.58***
IPE X20 - - - -0.070 -0.066 -0.048
PA X25 - - - -0.680 -0.852** -0.859**
X26 - - - 0.699** 0.781** 0.920***
R2 0.514 0.557 0.565 0.489 0.520 0.519
logL 105.996 107.664 107.604 38.643 39.87 39.782
AIC -191.991 -193.329 -195.209 -51.287 -51.740 -53.565
SC -171.561 -170.855 -174.779 -24.727 -23.137 -27.005

注：*、**和***分别表示在10%、5%和1%水平上显著。

表10 东北地区轻度收缩城市房屋空置影响因素分析结果

Tab. 10 The analysis results of housing vacancy influence mechanism in slight shrinking cities in Northeast China

指标类别 指标 2013年 2021年
OLS SLM SEM OLS SLM SEM
NE X1 -0.022 -0.022 -0.022 -0.059 -0.059** -0.060**
X4 -0.138 -0.138* -0.129** -0.063 -0.052 -0.074
EDS X5 - - - -0.102* -0.101** -0.105**
X7 -0.907** -0.907*** -0.897** - - -
RGA X9 - - - -0.033 -0.032** -0.036**
X10 -0.024 -0.024* -0.024** -0.027 -0.028** -0.024
X11 - - - 0.029 0.027 0.038
X12 - - - -0.045 -0.043 -0.051
UPS X14 0.054 0.054 0.054 0.063 0.064 0.062
X15 -2.003 -1.99* -2.132** - - -
X16 - - - -0.041 -0.049 -0.019
X17 0.949 0.946 1.063 - - -
X18 0.998 0.997 1.015 - - -
X19 -0.026 -0.026 -0.031 - - -
IPE X20 - - - -0.046 -0.043 -0.046
X21 0.917** 0.917*** 0.907** - - -
PA X24 -0.044 -0.044* -0.045** - - -
X25 - - - -0.017 -0.019 -0.017
R2 0.512 0.512 0.515 0.425 0.429 0.432
logL 79.344 79.344 79.399 75.422 75.4997 75.564
AIC -134.688 -132.688 -134.799 -126.845 -124.999 -127.128
SC -114.421 -110.733 -114.533 -106.578 -103.044 -106.862

注：*、**和***分别表示在10%、5%和1%水平上显著。

2013—2021年间，是否含有铁路站点、房产周边物理环境和租赁获得的房产占比对重度收缩城市的空置率有显著影响，且房产周边环境特征的影响存在增强态势，同时重度收缩城市对交通发展能力的依赖性逐渐增加。轻度收缩城市的研究结果显示，房产及周边物理环境对房屋空置的影响存在减弱态势，经济社会发展水平对房屋空置的影响明显增加。
2013年包含厨房房产数量占比以及靠租赁获得房产数量占比等房产及周边环境属性特征对重度收缩城市的房屋空置有显著影响，而在轻度收缩城市中影响较小。该发现表明，重度收缩城市居民对生活设施的需求比轻度收缩城市更为强烈。人均住户储蓄存款余额是影响轻度收缩城市房屋空置的重要因素，重度收缩城市通常为资源枯竭型城市，产业转型困难，老龄化程度高，居民对城市经济依赖性弱于轻度收缩城市，但轻度收缩城市中政策制度对房屋空置的影响程度高于重度收缩城市。
2021年人均GDP对轻度收缩城市的房屋空置率存在影响，但影响程度较低。可能的原因是部分收缩城市的经济发展依赖于当地的土地财政政策和盲目投资，特别是在小城市[68]。人均居住面积和用水人口对重度收缩城市的房屋空置率产生负面影响。用水人口是地区常住人口的表征。城市人口的高度集中通常会导致人均居住面积减少，从而降低居住舒适度，影响入住率。人口老龄化程度在重度收缩城市中是一个重要指标，第七次人口普查数据统计结果显示，重度收缩城市人口老龄化程度为18.9%，高于轻度收缩城市。人口老龄化会使经济发展放缓、停滞甚至下降，从而使房屋空置率更高，这在重度收缩城市中表现更为明显。

4.4.3 收缩城市房屋空置时空分异的影响机制

总体上看，房屋空置是在收缩城市发展过程中多因素协同作用下产生的供需关系变化所引起的现象，受到城市及地域的自然生态环境、经济社会发展、区域地理位置、房产及周边环境属性特征、制度政策以及区域人口集聚能力的共同影响（图7）。
图7 东北地区收缩城市房屋空置时空分异的影响机制

Fig. 7 Influence mechanisms of spatial differentiation of housing vacancy in shrinking cities in Northeast China

在自然生态环境方面，地形地势条件与生态绿化水平是房屋空置的重要影响因素。地形地势条件使得城市的基础设施建设难度存在差异，平坦地势建设成本低，生活便利程度相对较高，有利于满足居民出行需求从而降低空置率。生态绿化水平反映了城市生态环境特征，适宜的生态环境能够提高区域宜居性，同时提高居民与自然及社会互动意愿，提高城市居住舒适度。收缩城市通常处于生存阶段，城市开发力度较小，使得多数重度收缩城市人口较少但绿色覆盖率较高[68]，而轻度收缩城市更注重城市经济发展要素，在生态环境上存在一定欠缺，导致居民对生态环境质量需求更高。在经济社会发展方面，居民收入水平与人均生产总值是影响房屋空置的重要因子。提高收入水平能够促进消费，激发社会投资活力，降低收入差距对居民生活质量的影响，提高居民居住意愿，从而降低空置率，尤其在仍具备一定经济实力的轻度收缩城市。人均生产总值是区域经济发展水平的重要表征，收缩城市人口规模普遍较小且产业转型升级困难，从而影响城市经济发展，导致就业困难、薪资水平低，使得大量人口外出务工谋生，由此提高了房屋空置率。
区域地理位置是影响东北地区收缩城市房屋空置的重要因素，城市地理区位的差异，直接引起居民出行成本、交通基础设施建设投资以及交通通达能力差异，是居民定居重点考虑的影响因子，交通成本的差异能够直接引起区域空置率的差异。房产属性特征及周边环境特征能够引起居民居住条件的差异，影响居民居住环境质量，导致居民生活幸福感及居住意愿存在差异，从而导致房屋空置率的格局差异。获取房产方式是居民资本累积的体现，可反映居民生活质量及品质，购买房产的居民越多，表示地区居民生活条件越好，居民主观幸福感越高，越有利于吸引人口回流，降低空置率。
公共财政投入是地方政府投资建设及政策扶持力度的表征，反映区域经济实力。城市公共财政投入的差异直接导致居民能够获取的生活红利及便利程度差异，引起居民生活满意度及居住意愿的差异，导致空置率格局差异。人口结构是区域城市活力的主要表征，收缩城市普遍老龄化程度高，尤其是重度收缩城市，青年人口大量流失，导致城市以老年人为主，缺乏区域发展活力，使得人口持续流失，空置率增长。城市人口规模类型通常反映了城市发展基础与发展潜力，东北地区收缩城市以中小城市为主，小城市多为重度收缩城市，其社会资源要素积累能力欠缺，造成居民获取资源难度差异，致使居民生活成本差异，引起人口变动，导致空置率差异。

5 讨论

随着中国城镇化进程的快速推进，人口正在经历巨大的结构变化，大量收缩城市开始逐步形成。由于行政城市的非城市化地区被纳入城市范围，使得部分收缩城市相关研究结果与实体城市存在差异，本文引入实体地域城市的概念，有助于提高收缩城市识别的科学性和准确性，在实体地域城市基础上的房屋空置识别也为城市实际空置提供了一定参考，为政策制定者进行城市治理提供了依据。
本文重点通过结合多源遥感影像及地理数据，建立了收缩城市房屋空置识别的技术体系，构建了收缩城市房屋空置研究的理论框架，并将其应用于国内收缩城市最为集中的区域——东北地区，同时利用用电量数据与实地调研相结合的方式验证了研究体系的可行性与科学性，能够在一定程度上认为本文提出的研究体系具备一定的可靠性与普适性，进一步丰富收缩城市领域的研究成果，拓展研究视角，为评估房屋空置提供了参考，也为收缩城市房地产相关政策制定、分析及预测提供了理论支撑。同时，通过重点探究不同类型的收缩城市房屋空置的差异及共性特征，剖析了不同类型收缩城市房屋空置程度演变的内在动因，在一定程度上补充了已有研究分析房屋空置问题的不足。
厘清城市收缩和房屋空置的时空分异特征，是政策制定者和城市规划者提出相应对策的重要基础。城市物理空间和房产居住条件对收缩城市的房屋空置存在重要影响，改善住区环境和住房结构可以提升人口吸引力，尤其是在重度收缩城市表现更加明显。加强区域经济发展，提高经济发展质量和效益，也是缓解城市收缩、控制空置率的有效途径。资源型城市在东北地区收缩城市中占比较高，面临资源枯竭和产业转型的困境。依托东北地区环境资源优势，大力发展旅游业，促进产业转型，增加就业机会、人均GDP和居民存款，缓解城市收缩带来的经济压力，促进房屋空置水平向合理化方向调整。优化交通条件有利于增强周边大城市对其的辐射效应及产业集聚能力，促进城市产业转型，缓解不合理的房屋空置带来的经济社会压力。
本文尝试利用土地覆盖数据重新提取城市边界，利用Worldpop人口数据和统计数据来识别收缩城市，利用夜间灯光数据和建筑数据识别空置房屋，并结合空间分析模型解释不同尺度收缩城市房屋空置的影响机制，虽然为科研人员和规划者掌握空置房屋分布和影响机制提供了新视角，但也存在一定的局限性。本文的房屋空置率结果为估算获得，数据获取及处理存在一定误差，这是客观存在且不可避免的。虽尝试利用夜间灯光数据、土地覆盖数据、建筑数据、天地图、百度街景地图和POI数据等多源地理数据来提高房屋空置的估计精度，但不可避免地使用具有500 m空间分辨率的VIIRS数据，导致研究结果仍存在精度不足的问题。中国珞珈一号数据具有130 m的空间分辨率，精度高于VIIRS，但由于缺乏时间序列数据，因此选择具有更高区域研究适用性的VIIRS数据。目前中国缺少空置房屋的统计数据，未来仍需进一步探索更详细的时空大数据和新兴数据，系统地探索不同类型收缩城市房屋空置的特征与规律。

6 结论

本文以中国东北地区为研究区域，分析了2013—2021年收缩城市的收缩程度，探讨了收缩城市房屋空置的时空格局、影响机制与影响差异。主要结论如下：
（1）2013—2021年东北地区城市收缩现象显著，重度收缩城市占比较高。收缩城市的房屋空置率呈现“中心低、边缘高”的空间格局，房屋空置率普遍较高，呈上升趋势，且重度收缩城市的房屋空置率普遍高于轻度收缩城市。
（2）房产设施配置与周边环境特征是房屋空置的重要影响因素，基础交通条件对区域房屋空置存在显著影响。城市经济发展水平、区域交通条件和自然资源条件对房屋空置的影响逐渐增强，收缩程度不同的城市影响强度存在差异。
（3）重度收缩城市可通过优化房产设施建设及居住条件，改善交通节点布局以提高通达能力，来达到降低房屋空置率的目的。轻度收缩城市则需加大经济建设投资力度，提高城市经济效益，增加居民收入，从而降低空置率，缓解轻度收缩城市空置引发的社会问题。
本文致力于探讨收缩城市房屋空置的空间演变规律及其影响机制，丰富收缩城市房屋空置的理论和实证研究成果，有助于加深对不同收缩程度背景下房屋空置的认识，为同类收缩城市房屋空置识别及影响机制探究提供参考。由于收缩城市的人口持续流失，因此更需要考虑到不同城市发展阶段的房屋空置应对策略，以防止空置率过高或过低对城市发展产生不利影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Großmann K, Bontje M, Haase A, et al. Shrinking cities: Notes for the further research agenda. Cities, 2013, 35: 221-225.

[2]
Meng Xiangfeng, Ma Shuang, Xiang Wenyi, et al. Classification of shrinking cities in China using Baidu big data. Acta Geographica Sinica, 2021, 76(10): 2477-2488.

DOI

[孟祥凤, 马爽, 项雯怡, 等. 基于百度慧眼的中国收缩城市分类研究. 地理学报, 2021, 76(10): 2477-2488.]

DOI

[3]
Martinez-Fernandez C, Audirac I, Fol S, et al. Shrinking cities: Urban challenges of globalization. International Journal of Urban and Regional Research, 2012, 36(2): 213-225.

PMID

[4]
Accordino J, Johnson G T. Addressing the vacant and abandoned property problem. Journal of Urban Affairs, 2000, 22(3): 301-315.

[5]
Hollander J B, Pallagst K, Schwarz T, et al. Planning shrinking cities. Progress in Planning, 2009, 72(4): 223-232.

[6]
Zou S Y, Wang L. Individual vacant house detection in very-high-resolution remote sensing images. Annals of the American Association of Geographers, 2020, 110(2): 449-461.

[7]
Lee J, Newman G, Park Y. A comparison of vacancy dynamics between growing and shrinking cities using the land transformation model. Sustainability, 2018, 10(5): 1513. DOI: 10.3390/su10051513.

[8]
Pagano M, Bowman A. In Recycling the City: The Use and Reuse of Urban Land. Cambridge: Lincoln Institute, 2004.

[9]
Wu Kang, Qi Wei. Shrinking cities: Misunderstandings, identifications and reflections. Geographical Research, 2021, 40(1): 213-229.

DOI

[吴康, 戚伟. 收缩型城市: 认知误区、统计甄别与测算反思. 地理研究, 2021, 40(1): 213-229.]

DOI

[10]
Long Y, Wu K. Shrinking cities in a rapidly urbanizing China. Environment and Planning A: Economy and Space, 2016, 48(2): 220-222.

[11]
Park Y, Newman G D, Lee J E, et al. Identifying and comparing vacant housing determinants across the republic of Korea cities. Applied Geography, 2021, 136: 102566. DOI: 10.3390/su10051513.

[12]
Li H, Zeng C, Wan W, et al. A remote sensing-based vacancy area index for estimating housing vacancy and ghost cities in China. IEEE International Geoscience and Remote Sensing Symposium, 2019. DOI: 10.1109/IGARSS.2019.8898197.

[13]
UN Statistics Division, UN Centre for Human Settlements. Compendium of Human Settlements Statistics. New York: United Nations Publication, 2001.

[14]
Frumkin N. Guide to Economic Indicators. New York: Routledge, 2015.

[15]
Deilmann C, Effenberger K H, Banse J. Housing stock shrinkage: Vacancy and demolition trends in Germany. Building Research & Information, 2009, 37(5-6): 660-668.

[16]
Yamanshita S, Morimoto A. Study on occurrence pattern of the vacant houses in the local hub city. Journal of the City Planning Institute of Japan, 2015, 50(3): 932-937.

[17]
Bai Yan, Wan Yu, Zhang Shangshu, et al. Influencing factors about the housing vacancy rate: A case study of Hefei. Architecture & Culture, 2019(9): 69-71.

[白艳, 万豫, 张尚书, 等. 住房空置率影响因素探究: 以合肥为例. 建筑与文化, 2019(9): 69-71.]

[18]
Williams S, Xu W F, Tan S B, et al. Ghost cities of China: Identifying urban vacancy through social media data. Cities, 2019, 94: 275-285.

DOI

[19]
Meng Bin, Zhang Jingqiu, Qi Zhiying. On the vacancy of Beijing ordinary residence houses. Urban Problems, 2009(4): 6-11.

[孟斌, 张景秋, 齐志营. 北京市普通住宅空置量调查. 城市问题, 2009(4): 6-11.]

[20]
Yang P F, Pan J H. Estimating housing vacancy rate using nightlight and POI: A case study of main urban area of Xi'an City, China. Applied Sciences, 2022, 12(23): 12328. DOI: 10.3390/app122312328.

[21]
Wang L Y, Fan H, Wang Y K. An estimation of housing vacancy rate using NPP-VIIRS night-time light data and OpenStreetMap data. International Journal of Remote Sensing, 2019, 40(22): 8566-8588.

[22]
Tan Z R, Wei D L, Yin Z X. Housing vacancy rate in major cities in China: Perspectives from nighttime light data. Complexity, 2020: 5104578. DOI: 10.1155/2020/5104578.

[23]
Pan J H, Dong L L. Spatial identification of housing vacancy in China. Chinese Geographical Science, 2021, 31(2): 359-375.

[24]
Shi L F, Wurm M, Huang X J, et al. Estimating housing vacancy rates at block level: The example of Guiyang, China. Landscape and Urban Planning, 2022, 224: 104431. DOI: 10.1016/j.landurbplan.2022.104431.

[25]
Couch C, Cocks M. Housing vacancy and the shrinking city: Trends and policies in the UK and the city of Liverpool. Housing Studies, 2013, 28(3): 499-519.

[26]
Pallagst K, Wiechmann T, Martinez-Fernandez C. Shrinking Cities:International Perspectives and Policy Implications. New York: Routledge, 2013.

[27]
Pallagst K, Fleschurz R, Said S. What drives planning in a shrinking city? Tales from two German and two American cases. Town Planning Review, 2017, 88(1): 15-28.

[28]
Nassauer J I, Raskin J. Urban vacancy and land use legacies: A frontier for urban ecological research, design, and planning. Landscape and Urban Planning, 2014, 125: 245-253.

[29]
Glaeser E, Gyourko J. Urban decline and durable housing. Journal of Political Economy, 2005, 113(2): 345-375.

[30]
Mallach A, Brachman L. Ohio's cities at a turning point: Finding the way forward. Ohio: Greater Ohio Policy Center, 2010.

[31]
Wilhelmsson M, Andersson R, Klingborg K. Rent control and vacancies in Sweden. International Journal of Housing Markets and Analysis, 2011, 4(2): 105-129.

[32]
Mallach A. Bringing Buildings Back:From Abandoned Properties to Community Assets. New Brunswick: Rutgers University Press, 2006.

[33]
Zhang Xin, Pan Jinghu. Research status, hotspots and trends of housing vacancy: Based on bibliometric method and knowledge graph analysis. Journal of China West Normal University (Natural Sciences), 2023, 44(1): 56-63.

[张欣, 潘竟虎. 房屋空置的研究现状、热点与趋势: 基于文献计量法和知识图谱分析. 西华师范大学学报(自然科学版), 2023, 44(1): 56-63.]

[34]
Wang K, Immergluck D. Housing vacancy and urban growth: Explaining changes in long‑term vacancy after the US foreclosure crisis. Journal of Housing and the Built Environment, 2019, 34(2): 511-532.

[35]
Immergluck D. Examining changes in long-term neighborhood housing vacancy during the 2011 to 2014 U.S. national recovery. Journal of Urban Affairs, 2016, 38(5): 607-622.

[36]
Baba H, Asami Y. Regional differences in the socio-economic and built-environment factors of vacant house ratio as a key indicator for spatial urban shrinkage. Urban and Regional Planning Review, 2017, 4: 251-267.

[37]
Yin L, Silverman R. Housing abandonment and demolition: Exploring the use of micro-level and multi-year models. ISPRS International Journal of Geo-Information, 2015, 4(3): 1184-1200.

[38]
Whitaker S, Fitzpatrick T J I. Deconstructing distressed-property spillovers: The effects of vacant, tax-delinquent, and foreclosed properties in housing submarkets. Journal of Housing Economics, 2013, 22(2): 79-91.

[39]
Nam J, Han J E, Lee C. Factors contributing to residential vacancy and some approaches to management in Gyeonggi province, Korea. Sustainability, 2016, 8(4): 367. DOI: 10.3390/su8040367.

[40]
Wang Y, Fang C L, Xiu C L, et al. A new approach to measurement of regional inequality in particular directions. Chinese Geographical Science, 2012, 22(6): 705-717.

[41]
Yoo H, Kwon Y. Different factors affecting vacant housing according to regional characteristics in the republic of Korea. Sustainability, 2019, 11(24): 6913. DOI: 10.3390/su11246913.

[42]
Yi Xiaoxiang, Zhao Tianyu, Wu Yanfeng, et al. "Crisis" or "Opportunity"? International experiences in dealing with vacancy in shrinking cities. Urban Planning Forum, 2020(2): 95-101.

[衣霄翔, 赵天宇, 吴彦锋, 等. “危机”抑或“契机”应对收缩城市空置问题的国际经验研究. 城市规划学刊, 2020(2): 95-101.]

[43]
Park Y, LaFrombois M E H. Planning for growth in depopulating cities: An analysis of population projections and population change in depopulating and populating US cities. Cities, 2019, 90: 237-248.

[44]
Liu Yanjun, Zhang Yining, Sun Hongri, et al. Spatial-temporal differentiation and influence mechanism of housing vacancy in shrinking cities: Based on the perspective of residential electricity consumption. Scientia Geographica Sinica, 2021, 41(12): 2087-2095.

DOI

[刘艳军, 张艺宁, 孙宏日, 等. 收缩城市住房空置时空分异及影响机制: 基于居民用电量视角. 地理科学, 2021, 41(12): 2087-2095.]

DOI

[45]
Pan Y T, Zeng W, Guan Q F, et al. Variability in and mixtures among residential vacancies at granular levels: Evidence from municipal water consumption data. Computers, Environment and Urban Systems, 2021, 90: 101702. DOI: 10.1016/j.compenvurbsys.2021.101702.

[46]
Konomi S I, Sasao T, Hosio S, et al. Using ambient WiFi signals to find occupied and vacant houses in local communities. Journal of Ambient Intelligence and Humanized Computing, 2019, 10(2): 779-789.

[47]
Bentley G C, McCutcheon P, Cromley R G, et al. Race, class, unemployment, and housing vacancies in Detroit: An empirical analysis. Urban Geography, 2016, 37(5): 785-800.

[48]
Chen Hui, Tang Rujian, Fu Guanghui, et al. Empirical study on the influence of locational advantages on vacancy rate of the new commercial housing in Nanjing. Modern Urban Research, 2018, 33(11): 87-93.

[陈慧, 唐如建, 付光辉, 等. 区位优势度对南京市新建商品住宅空置率影响的实证研究. 现代城市研究, 2018, 33(11): 87-93.]

[49]
Newman G, Lee R J, Gu D, et al. Evaluating drivers of housing vacancy: A longitudinal analysis of large U.S. cities from 1960 to 2010. Journal of Housing and the Built Environment, 2019, 34(3): 807-827.

DOI PMID

[50]
Van H T K, Ha T V, Asada T, et al. Vacancy dwellings spatial distribution: The determinants and policy implications in the city of Sapporo, Japan. Sustainability, 2022, 14(19): 12427. DOI: 10.3390/su141912427.

[51]
Du M Z, Wang L, Zou S Y, et al. Modeling the census tract level housing vacancy rate with the Jilin1- 03 satellite and other geospatial data. Remote Sensing, 2018, 10(12): 1920. DOI: 10.3390/rs10121920.

[52]
Park J I. A multilevel model approach for assessing the effects of house and neighborhood characteristics on housing vacancy: A case of Daegu, the republic of Korea. Sustainability, 2019, 11(9): 2515. DOI: 10.3390/su11092515.

[53]
Jin X B, Long Y, Sun W, et al. Evaluating cities' vitality and identifying ghost cities in China with emerging geographical data. Cities, 2017, 63: 98-109.

[54]
Yang D, Xiao B, Lu X J, et al. Assessment and driving factor of housing vacancies in Shandong Peninsula urban agglomeration based on multi-source remote sensing data. Heliyon, 2023, 9(6): e16837. DOI: 10.1016/j.heliyon.2023.e16837.

[55]
Chen Z Q, Yu B L, Hu Y J, et al. Estimating house vacancy rate in metropolitan areas using NPP-VIIRS nighttime light composite data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(5): 2188-2197.

[56]
Philipp O. Shrinking Cities (Volume 1:International Research). Shanghai: Tongji University Press, 2012.

[菲利普·奥斯瓦尔特. 收缩的城市(第一卷:国际研究). 上海: 同济大学出版社, 2012.]

[57]
Dong Leilei, Pan Jinghu, Feng Yaya, et al. Spatial difference pattern of house vacancy in China from nighttime light view. Economic Geography, 2017, 37(9): 62-69, 176.

[董磊磊, 潘竟虎, 冯娅娅, 等. 基于夜间灯光的中国房屋空置的空间分异格局. 经济地理, 2017, 37(9): 62-69, 176.]

[58]
Lee J, Newman G. Forecasting urban vacancy dynamics in a shrinking city: A land transformation model. International Journal of Geo-Information. 2017, 6(4): 124. DOI: 10.3390/ijgi6040124.

[59]
Ma Shuang, Long Ying. Identifying spatial cities in China at the community scale. Journal of Urban and Regional Planning, 2019, 1(1): 37-50.

[马爽, 龙瀛. 中国城市实体地域识别: 社区尺度的探索. 城市与区域规划研究, 2019, 1(1): 37-50.]

[60]
Sun H R, Zhou G L, Liu Y J, et al. Housing vacancy identification in shrinking cities based on multi-source data: A case study of Fushun city in Northeast China. Journal of Geographical Sciences, 2024, 34(1): 89-111.

DOI

[61]
Li J, Guo M, Lo K. Estimating housing vacancy rates in rural China using power consumption data. Sustainability, 2019, 11(20): 5722. DOI: 10.3390/su11205722.

[62]
Lee J, Newman G, Lee C. Predicting detached housing vacancy: A multilevel analysis. Sustainability, 2022, 14(2): 922. DOI: 10.3390/su14020922.

[63]
Boualam B. Access to the city center and housing vacancies in the suburbs. Annals of Economics and Statistics, 2018(130): 39-100.

[64]
Wang H Y, Chang C J. Simulation of housing market dynamics: Amenity distribution and housing vacancy. Winter Simulations Conference, 2013: 1673-1684.

[65]
Yue X L, Wang Y, Zhang H O. Influences of the plot area and floor area ratio of residential quarters on the housing vacancy rate: A case study of the Guangzhou metropolitan area in China. Buildings, 2022, 12(8): 1197. DOI: 10.3390/buildings12081197.

[66]
Huuhka S. Vacant residential buildings as potential reserves: A geographical and statistical study. Building Research & Information, 2016, 44(8): 816-839.

[67]
Qiao Fei. Thoughts on how to calculate the vacancy rate of commercial housing in China. Contemporary Economics, 2008(12): 12-13.

[乔菲. 对如何计算我国商品房空置率的思考. 当代经济, 2008(12): 12-13.]

[68]
Tong Y, Liu W, Li C G, et al. County town shrinkage in China: Identification, spatiotemporal variations and the heterogeneity of influencing factors. Journal of Rural Studies, 2022, 95: 350-361.

Options
文章导航

/

〈 〉