城市街道绿化空间分布及其对住宅价格影响研究——以石家庄市为例

吕笑飞, 焦新颖,2, 武文智, 尚国琲,4, 马景涛, 王 鹏

1. 河北地质大学 土地科学与空间规划学院, 河北 石家庄 050031; 2. 中国科学院 地理科学与资源研究所, 北京100101; 3. 河北瓴建国土规划咨询有限公司, 河北 石家庄 050031; 4. 河北地质大学 自然资源资产资本研究中心,河北 石家庄 050031

0 引言

城市住宅价格具有空间异质性, 是多种因素综合效用的体现。 由于生态景观的价值无法直接体现, 众多学者运用特征价格法研究景观特征对住宅价格的影响[1]。 有学者基于单种景观进行研究, 如Wu Chao 等选取深圳市公园[2], 陈庚等选取北京市奥林匹克森林公园[3], 刘雅轩等选取乌鲁木齐市城市公园绿地[4]进行了研究, 发现公园绿地面积、 距公园距离、 公园方向等会对住宅价格产生影响; 也有学者考虑选取了多种城市景观, 如温海珍等选取公园、 广场、 山景、湖景、 河流进行研究[5], 杨剩富等选取了武汉市湖泊、 河流、 山体三类景观[6], Wang Yang 等综合城市景观和环境特征等对住宅价格进行了研究, 并通过边际价格分析了各景观特征对住宅价格的影响[7]。 街道作为城市的基本骨架是重要的城市公共空间[8], 在人们的生产生活中发挥着重要的作用。 街道绿化是人们最频繁接触的绿化要素, 也是城市景观的重要组成部分, 包括街道树木、 绿化带草坪、 灌木等形式的植被[9], 其所产生的多重效益会对住宅价格产生影响,具体表现在居民愿意支付的住宅价格上。 目前有关公园、 湖泊、 绿地等景观特征对住宅价格影响研究的成果较多, 但是对人们频繁接触的街道绿化这一景观特征研究较少。

街道绿化水平通过街道绿视率来进行量化, 街道绿视率是日本学者青木阳二于1987 年首次提出用于表征三维立体空间中人所看到的绿色植物占比, 反映人对街道绿化的视觉感知程度[10]。 以往由于大规模街景图像获取困难, 且绿视率的计算方法比较主观,使得对街道绿化的定量研究进展缓慢。 随着地图服务商街景图像数据的日益丰富和人工智能技术的发展,使得大范围、 定量化的城市街道绿化研究成为现实[11]。 如李小江等(2015) 使用谷歌街景图像构建了绿视率自动提取方法[9]; 龙瀛等基于腾讯街景图像, 通过转变色彩模式, 设定颜色阈值来自动提取街道绿视绿视率, 并对中国245 座主要城市的街道绿化进行评价[12]。 随着深度学习在图像语义分割领域的发展, 使得图像特征的提取更加准确[13], 叶宇基于SegNet 网络模型对百度街景图像进行绿化率提取, 并结合空间句法的街道可达性实现对街道绿化品质的测度[14], 李小江等(2018) 采用PSPNet 网络模型对谷歌街景图像进行语义分割, 计算了街道绿视率和街道开阔程度[15]。

总体而言, 现有研究中街道绿化因素对住宅价格的影响研究较少, 且相关技术方法日渐成熟。 文章研究首先提取街道绿视率, 并将街道绿视率引入特征价格模型, 进一步分析绿视率变化对住房价格的影响。一方面通过深度学习技术对百度街景图像进行语义分割, 快速准确提取街道绿化特征, 精细量化人眼对绿色植物的感知程度, 实现对以往景观特征研究的有益补充; 另一方面将街道绿化特征引入特征价格模型,有利于充分挖掘街道绿化的景观价值, 完善住宅价格的影响因素研究。

1 研究区域和数据

1.1 研究区域

石家庄市是河北省省会, 京津冀地区重要的中心城市, 是河北省的政治、 经济、 科技、 文化中心, 人口密度较高。 文章选取石家庄市房地产市场发展成熟的老城区以及东部开发区作为研究区域, 北至北二环及东延线, 西至西二环, 南至南二环及东延线, 东至太行大街, 总面积约138 km2(图1)。 研究区内街道网络发达, 人们对各项设施的不同需求导致住宅价格的差异, 为精细量化街道绿化水平对住宅价格的影响提供了基础。

图1 研究区范围及住宅样本分布示意图Fig.1 Schematic diagram of location and housing sample distribution of study area

1.2 数据来源及处理

住宅信息来源于房天下网(https: //www. fang.com), 在2020 年6 月通过python 爬取了石家庄市挂牌房源数据, 获取的住宅属性包括总价、 户型、 建筑面积、 楼层、 建筑年代和经纬度等信息, 删除公寓、异常值以及重复的数据, 最终得到676 个样本点, 通过QGIS3.10 对样本点进行地理矢量化并将其转换至WGS84 坐标。

POI 数据来源高德地图, 通过其开放的API 接口,爬取了公园、 商场、 医院、 学校(中学、 小学)、 超市以及交通设施(地铁站、 公交站) 6 种类型数据,获取POI 数据的经纬度和类型信息。 路网数据来源于OSM 地图, 对道路进行拓扑处理, 删除多余节点, 提取双线道路中心线[12], 经处理完后共有2 425 条街道段。

使用百度地图获取街景图像服务, 通过其API 接口, 输入图像高度、 宽度、 位置、 拍摄角度等参数,采样点的位置基于路网数据得到。 街景图像采样点间隔设置为100 m (图2), 通过QGIS3.10 中的“沿线条创建点” 工具, 进行采样点设置并计算坐标。 街景图像大小为960×640 像素, 相机垂直拍摄角度设置为0°。 相机水平拍摄角度根据道路方向计算, 使相机拍摄的水平角度平行或垂直于道路, 在每个采样点采集前后左右4 张街景图像 (图3), 每个方向视角为90°, 以形成对采样点周围环境全面覆盖[14], 采样点设置6 781 个, 其中163 个采样点无百度街景图像,通过街景地图微信程序提供的腾讯街景数据进行补充, 最终获得27 124 张街景图像。

图2 局部采样点Fig.2 Local sampling points

图3 采样点街景图像Fig.3 Street view image of sampling point

2 研究方法

2.1 特征价格模型

特征价格理论认为异质性商品的价格并不取决于商品本身, 而是由其附属的各项特征对使用者提供的效用所决定[16]。 住宅作为一种异质性商品, 其价格是由附属的建筑特征、 邻里特征、 区位特征等因素决定, 可通过特征价格模型来分析各特征对住宅价格的影响并量化其具体的效益[3]。

特征价格模型经常使用的形式包括线性形式、 半对数形式和对数形式, 对变量取对数能让数据更加平稳, 且不会改变数据的性质和变量之间的关系, 有利于缓解异方差性[17], 因此采用对数形式进行分析, 见公式 (1):

lnP = α0+∑αilnXi+∑αjXj+ ε(1)

式中:P表示住宅价格,α0表示常数项,Xi表示连续型变量,Xj表示非连续型变量,αi和αj表示待估计的回归系数,ε表示误差项。

2.2 基于SegNet 网络模型的街道绿视率提取

深度学习在图像语义分割方向的应用使得图像中绿色植物信息的提取更为准确高效。 SegNet 网络是用于实现图像像素级别上分类的模型, 由编码器和解码器组成, 编码器用于提取图像特征, 解码器对特征进行解析实现像素分类[18]。 数据集Cityscapes Dataset 记录了50 个不同城市的街道场景, 包含天空、 道路、植物、 建筑、 汽车等30 种物体标注, 主要用于城市场景解析[19]。 文章用Cityscape 数据集对SegNet 网络模型进行训练, 模型训练精度收敛于88.90%, 对数据集划分出的图像进行测试, 绿色植物像素分类的准确度达到90.85%, 采集的街景图像数据与训练数据集类似, 因此采用上述模型和经过训练的权重对街景图像中绿色植物进行提取(图4)。

图4 SegNet 模型绿色特征提取结果Fig.4 Extraction results of green features from SegNet model

绿视率是SegNet 模型提取出来的绿色植物像素占图像像素的百分比, 每个采样点的绿视率由4 张街景图像的绿色像素与总像素的占比计算得到[12], 见公式(2):

2.3 变量选取

式中:GVIi表示第i个采样点的绿视率,gj表示第j张图像的绿色像素数量,nj表示第j张图像的像素总数量。

特征价格模型的被解释变量选择住宅的总价格,解释变量的选取包括区位特征、 建筑特征、 邻里特征以及街道绿化。 区位特征选取距城市中心、 商场的路径距离; 建筑特征选取卧室、 建筑面积、 所在楼层、房龄; 邻里特征选取距小学、 中学、 公园、 医院、 地铁站、 公交车站的路径距离, 以1 km 作为15 分钟步行距离, 以1 km 路径距离范围内公交车站、 地铁站、 超市的数量描述相应变量。 变量的具体量化方式见表1。

表1 特征价格模型变量、 描述及预期影响Table 1 Characteristic price model variables, description and expected impact

3 研究结果

3.1 研究区街道绿视率分布

通过SegNet 网络模型对街景图片绿色特征提取,并计算绿视率, 将绿视率划分为5 个等级, 街道绿视率水平处于0%～5%时街道绿化等级差, 5%～15%时街道绿化较差, 15% ～25%时街道绿化一般, 25%～35%时街道绿化较高, 大于35%时街道绿化水平高[20]。 当街道绿视率水平大于25%时, 人对周围环境的绿化感觉最为舒适。

研究区平均街道绿视率为25.92%, 整体高于人眼感觉最舒适的街道绿视率水平, 但其空间分布差异较大(图5)。 街道绿化水平差的路段有280 条, 占总路段的11.54%, 主要位于旧火车站商圈、 铁路沿线以及研究区东部, 旧火车站商圈经济繁荣, 高楼林立, 开发密度大, 压缩了街道绿化空间。 绿化水平较差的路段整体分布较为分散, 共有465 条, 占总路段的19.18%, 大多是生活服务型道路, 道路较窄, 绿化空间较少, 少量主干道受高架桥或地道桥影响, 绿视率水平也较差。 绿化水平一般的路段459 条, 占总路段的18.93%, 由于部分路段路面较宽或行道树较小导致绿视率处于一般水平, 主干道中华大街北段和和平路西段由于高架桥对视线的遮挡降低了绿视率水平。 绿化水平较高的路段有464 条, 绿化水平高的路段757 条, 这两个水平下的街道绿视率大于25%, 共占总路段的50.35%, 主要分布在城市支路以及部分主干道(表2)。

表2 不同街道绿视率水平下路段数量统计表Table 2 Statistical table of the number of road sections under different street green visibility levels

3.2 模型回归结果

利用R (Version 4.0) 软件应用最小二乘法来构建特征价格模型, 通过逐步回归分析, 最终选择12个变量(表3)。 其中城市中心、 建筑面积、 房龄、 中学、 医院、 地铁站数量、 超市数量和街道绿视率均在1%的置信度下显著; 地铁站距离、 卧室变量和公交车站数量在5%的置信度下显著; 公园变量在10%的置信度下显著。 除卧室、 建筑面积、 公交车站数量、 超市数量和街道绿视率呈正向影响外, 其余均呈负向影响。 地铁站数量与预期影响相反, 可能是由于地铁站人流量大, 比较嘈杂, 会对周围环境产生一定的负面影响。 模型的F 统计量通过显著性检验, 表明所选变量与住宅价格之间呈线性关系, 方程成立。 调整后R2为0.863, 表明模型能够解释86.3%的因变量差异,拟合程度较高。 为了消除多重共线性的影响, 利用方差膨胀因子进行检验, 结果均远小于10, 自变量间不存在严重多重共线性。 Durbin-Watson 检测结果接近于2, 自相关程度很弱。

表3 特征价格模型回归结果Table 3 Regression results of hedonic pricing model

3.2.1 街道绿化率变量的重要程度

根据模型标准化系数的绝对值, 可以判断自变量对住宅价格影响的相对重要程度。 从模型输出结果来看, 住宅自身的建筑属性对住宅价格的影响程度最大, 但在住宅的外部性特征中, 街道绿视率却表现出了相对较强的影响, 在外部性特征变量中排名第三(图6), 其重要程度比距地铁站、 医院、 中学、 公园的距离和1 km 范围内大型超市的数量、 公交车站的数量这些特征变量要高, 且远高于距公园的距离和1 km 范围内公交车站的数量这两个特征, 街道绿视率对住宅价格表现出了较强的正向影响。 街道绿视率和公园都是表示绿色环境的特征变量, 但是街道绿视率的相对重要程度是公园的2.04 倍。

图6 住宅外部性特征变量重要程度Fig.6 Importance of characteristic variables of housing externalities

3.2.2 街道绿化边际价格

模型中对数形式变量的非标准化系数表示弹性系数, 即控制其他变量不变, 某一变量变化1%所带来的因变量变化百分比, 非对数形式变量的非标准化系数表示半弹性系数, 其对因变量的影响需要根据反对数得出[4][17]。 边际价格计算见公式(3)[21]。

P = E × θ/n(3)

式中:P表示连续特征变量的边际价格,E表示住宅平均价格,θ表示弹性系数,n表示选取的特征数量。

样本点的住宅平均价格为155.80 万元, 根据模型的非标准化系数, 街道绿视率的弹性系数为0.092%,表示在控制其他变量不变的情况下, 街道绿视率每提高1%, 住宅价格提高0.092%, 通过边际价格量化,街道绿视率每提高1%, 住宅价格增加1.194 万元。街道绿化程度对房价有显著的影响作用, 对比同为环境特征的公园变量, 距公园距离的弹性系数为-0.018%, 表示在其他变量不变的情况下, 距离公园每增加1%, 住宅价格降低0.018%, 通过边际价格量化, 每增加1 km, 住宅价格减少0.234 万元(表4)。提高1%的街道绿视率要比公园距离减少1 km 所产生的效益要高。

表4 绿化景观弹性系数及边际价格Table 4 Elasticity coefficient and marginal price ofgreen landscape

4 结论与讨论

首先通过深度学习技术对27 124 张街景图像进行了绿色特征提取, 计算了街道绿视率, 并分析街道绿化差异情况, 在此基础上通过特征价格模型对676 个住宅样本的12 个特征变量进行研究, 分析街道绿视率对住房价格影响的相对重要程度, 最后采用边际价格量化对住宅价格的影响。 研究结果表明:

(1) 石家庄市街道绿视率整体较高, 但是其空间分布差异较大。 研究区整体街道绿视率达到25.92%,高于人眼感受最舒适的街道绿视率水平(25%)。 绿视率低值主要出现在旧火车站商圈, 城市生活服务型的街道以及受高架桥附近的路段, 以上路段由于开发密度大, 道路较窄或高架桥阻挡视线, 导致人眼对绿色的视觉感知差, 街道绿视率水平较低。 街道绿视率高值主要出现在城市支路以及部分主干道上, 这些路段树木茂密, 绿化状况较好, 街道绿视率较高。

(2) 从特征价格模型结果来看, 街道绿视率对住宅价格的影响程度相对较高, 在住宅的外部特征中排名第三, 比距地铁站、 医院、 中学、 公园的距离和1 km 范围内大型超市、 公交车站的数量这些特征变量程度要高, 且远高于距公园距离和1 km 范围内公交车站的数量这两个特征变量。

(3) 街道绿视率特征对住宅价格表现出了较强的正向影响。 通过边际价格量化研究发现, 街道绿视率每提高1%, 住宅价格增加1.194 万元, 相对于距公园距离每增加1 公里, 价格下降0.234 万元, 住宅价格对街道绿视率更为敏感, 表现出人们对于街道绿化的偏好。

基于以上结论, 政府应提高对街道绿化的重视程度, 针对现状街道绿视率低的路段要加强治理, 在城市规划中优化街道绿化空间的布局, 以人为本通过增加街道绿化面积和提高街道绿化质量, 实现对城市的精细化管理。 街道绿化所带来的效益要远比公园高,而且考虑到土地用途管制, 增加街道绿化要比建设公园更方便, 具有时间短、 成本小、 效益高的优势, 能切实改善人们的生活环境。 街道绿化效益外部化在住宅的价格上, 对房地产开发商来说, 增加小区周围街道环境绿化不仅能够为人民创造美好的生活环境, 还能带来较高的收益。

研究仍存在不足之处: 第一, 文章抓取的住宅样本数据, 由于小区绿化率信息缺失较多, 故没有纳入模型, 因而缺少与住宅小区内部绿化率的对比; 其次, 对街景图像只提取了街道绿化这一场景感知特征, 忽视了界面围合度和天空开阔度特征, 后续的工作中可纳入模型进行更进一步的分析; 最后, 住宅价格是动态变化的, 只采用了截面数据, 未进行时空演变研究, 可能会对结果产生一定的影响。