城市服务设施更新对房价异质性作用研究——以成都市为例

李晨阳， 梁娟珠

(福州大学 数字中国研究院(福建)， 福州 350003)

随着城市化进程的不断加快，人口由农村向城市聚集，城市建设逐渐成为现代化建设的重要引擎[1]，同时也推动了住房价格在国民经济中的关键地位。城市服务设施分布与房价关系息息相关，城市服务设施的配置对居民生活质量和住房价格的空间差异产生明显影响[2-4]。张玲玲等[5]研究了居民活动行为的特征及其与公共设施空间布局的关联性；李可等[6]探究了中心城区公共服务设施对小区价格的影响。现有研究多以静态时间下选择小区尺度上的空间特征研究为主，而时间演变是城市发展和房价变化的重要因素[7-8]。城市内部资源有限，城市服务设施往往空间分布不均衡，这又造成了房价空间异质性程度不断加深[9]。目前对于房价的空间异质性研究影响多探索城市之间[10]或城市群[11]房价时空差异特征，对经济发展状况、人口特征、土地规划、人均收入等宏观层面进行解析。常用的房价异质性探究模型有特征价格模型[12]、地理加权回归模型[13]、地理探测器[14]等。现有研究虽然丰富，但是缺少长时序多因素交互对房价影响，地理探测器模型实现多因素交互对因变量所产生的作用力情况[15]。

因此本文综合考虑时空序列，采用地理探测器方法，解读城市公共服务设施空间分布对二手房价格变化的关系，以期为构建良好的房地产市场和居住环境提供一定的参考和借鉴，为城市住房价格调控、公共服务设施均等化配置提供参考建议。

1 数据来源与研究方法

1.1 研究区域

成都市是四川省省会，是古蜀文明的重要发源地，位于四川盆地西部，104°03′N，30°66′E。本文选取中心城区内的锦江、青羊、武侯、成华、金牛、双流、龙泉驿、温江、郫都、新都10个区作为研究对象(图1)，是成都市的住宅、人口、城市服务设施的核心集中区域。

图1 研究区域

1.2 数据来源

1.2.1 二手住宅价格数据

成都市二手住宅价格数据主要融合了链家网、房天下、安居客多个权威二手房信息网站，搜集了成都市2013年1月至2021年1月二手房价格数据，包括小区地址、均价、小区总户数、建筑年份、容积率等建筑特征，共1 024个小区的197 763条二手房价格数据。通过调用百度地图API，对房价数据进行地理编码，实现地理数据坐标转换。数据量过大往往造成数据过度拟合和覆盖问题，而相近范围内小区往往具有相似性，因此，本文将成都市主城区划分为1 km×1 km格网[16]，以每个格网内小区均价表示该区域二手房价格。

1.2.2 城市服务设施和人口数据

本文的城市服务设施数据选择百度地图POI数据(表1)，公益性服务设施包括公园、景点、医疗、教育、市政公用等，营利性服务设施包括餐饮、酒店、商场、KTV、健身房、银行、保险等。

表1 2013、2017、2021年服务设施POI分类及数量 单位：个

人口和路网作为城市住宅重要的影响因素，本文的路网数据来自OSM数据，包括高速、国道、省道、城市道路等。人口数据根据成都市第七次人口普查数据公报平均每个家庭户人口为2.49人，根据小区总户数Xi，计算每个小区人口。

1.3 研究方法

1.3.1 地理探测器

地理探测器是研究地理事物的空间分异特征，以及揭示其驱动力的方法。其公式为

(1)

1.3.2 核密度分析

核密度方法计算地理要素空间分布在邻域范围内的密度，其核心思想以某一特定要素为核心，计算该点一定空间阈值范围内属性特征，在中心位置处密度最大，随距离衰减，到极限距离处密度为零[17]。本文利用核密度方法计算城市服务设施空间分布关联房价的空间分布特征，其计算公式为

(2)

式中：k(x)为和函数；h为阈值半径；n表示某类服务设施要素数量；x-xi表示特定服务设施点x距临近设施xi的距离。

2 结果分析

2.1 服务设施与房价时空关系演变

2.1.1 时空变化特征

从时间跨度来看(图2)，2013年1月至2021年1月成都市二手房价格整体呈上升趋势，但局部变化明显，可基本分为3个阶段：阶段1为“平稳期”(2013-01—2015-05)、阶段2为“增长期”(2015-05—2018-05)、阶段3为“波动期”(2018-05—2021-01)。2013—2015年5月呈现“平稳期”房价整体较为平稳。2015年后半年开始出现房价“增长期”，至2018年初成都市二手房价格达到峰值。随着2017年底，“房住不炒”被写入十九大报告，成都市政府采取一系列抑制房价措施，各区域房价走势均出现明显，2018年出现回落，成都二手房市场热度开始迅速且持续下降，2019年开始成都市二手房价格逐渐回升并稳定，在2021年受疫情影响，年初房价出现小幅回落，随着疫情逐渐稳定，房地产市场也逐渐呈现回暖态势。

图3 2013、2017、2021年成都市房价与服务设施核密度演变

图2 2013年1月至2021年1月成都市二手房价格变化趋势

城市服务设施在逐年不断完善，POI总量持续增长，其中公益性服务设施公园广场、教育、医疗增长迅速。随着城市居住范围由核心区域逐渐向城市周围扩展，教育、医疗设施随即不断完善。营利性服务设施同时在不断扩展，尤其金融服务类设施增长最为显著。利用核密度分析方法，对成都市房价和城市服务设施分布进行核密度分析(图3)。可以看出，不同类别城市服务设施空间分布演变与房价的时空变化有一定空间吻合特征。公益性服务设施空间分布相对营利性服务设施更为均匀。城市服务设施分布以市中心为核心，沿交通干线呈放射状分布，并逐渐向外部扩张，2013—2017年空间扩张明显，后虽然有所增加但空间格局逐渐稳定，而住房价格核密度在2017年后依然增长显著。

2.1.2 时空关联特征

通过提取城市服务设施分布和房价数据的核密度栅格值，对二者进行相关性分析和显著性检验，计算其Pearson相关系数(表2)，城市服务设施空间分布与居民住宅价格相关性显著。营利性服务设施与房价的Pearson相关系数普遍高于公益性服务设施系数。从时间演变角度来看，城市服务设施与房价的相关性逐渐减弱，尤其营利性设施相关系数降幅更为明显。

表2 2013、2015、2017、2021年成都市房价和城市服务设施分布相关性检验结果

2.2 城市服务设施更新对房价影响变化分析

2.2.1 各类服务设施对房价解释度演变

根据现有研究状况，考虑到建筑和人口作为房价的重要影响因素，剔除户型、楼层等不显著因素，从公益性服务设施和营利性服务设施中遴选出教育、医疗、交通、商业、社会、环境等18个城市服务设施特征变量(表3)，多角度探索城市功能布局对住宅价格空间分异演变的推动作用[18]。

本文基于地理探测器分析成都市主城区内的各类城市服务设施对二手房价格空间范围内的影响差异，以及时间跨度上的变化规律(表4)。可以看出，不同因素对房价影响差异明显，其中对房价解释力最强的3个要素为建筑年份、人口密度和路网密度，并且在2017—2021年的增幅最为显著。营利性服务设施之间对房价影响差异明显，金融机构、休闲运动、娱乐场所对房价解释力最显著，小区周边的休闲娱乐和食宿设施的丰富，进一步增强了微观范围里的商业活力，对房价抬升明显。大多数企业考虑经济成本等因素，往往选址在较为偏僻区域，对周边房价影响有限。对于商场、超市类购物商业设施，分布较为广泛，主要起到配合居民生活作用，对房价并无直接影响。

表3 成都市二手房价格特征变量选择

表4 2013、2015、2017、2021年不同时期城市服务设施对房价解释力和置信度

公益性服务设施中路网密度和教育设施对房价解释力最强，幼儿园>小学>中学>高校，小学和高校对房价解释力呈下降趋势，且降幅明显，而中学和幼儿园则相对较为稳定。医疗设施同样是居民购房的重要参考因素，综合医院对房价影响解释力略大于诊所，综合医院对周边住户的辐射范围更广。相比之下，高密度路网结构带来的交通便利，对于公交、地铁这类公共交通来说，对房价影响并不算突出。

2.2.2 多设施交互对房价的影响

在单类设施房价影响分析的基础上，进一步探索不同服务设施交互所产生的新的“化学效应”。利用交互作用探测器，分析不同阶段的城市服务设施的交互对房价解释力的演化规律。考虑到篇幅有限本文选择对房价影响较为显著的12个交互指标进行讨论(图4)。多因子交互对二手房价格影响往往增强效果显著，明显高于单因素对住宅价格解释力。整体来看，城市服务设施交互对房价影响较大的设施以路网、小学、幼儿园、金融设施、餐饮、娱乐、运动设施交互为核心，对房价影响显著。这意味着拥有丰富的初等教育对房价影响明显高于高等教育，日常消费的商业类设施与教育的合理布局对房价的抬升作用明显。

从时间维度看，初级教育设施和金融机构逐渐占据主导地位，而餐饮、娱乐类的日常商业消费类设施影响的吸引力逐渐减弱，具体表现为：路网密度∩小学、金融机构∩幼儿园、金融机构∩路网密度对房价解释力强度大幅增强，而餐饮∩休闲运动、娱乐∩金融、路网∩餐饮、幼儿园∩餐饮、餐饮∩休闲运动解释力下降明显。结果可以反映，教育作为居民购房的重要参考因素，随着房价的上涨表现愈发凸显，2013—2021年中初级教育设施与其他类交互对房价解释力更高，与之对比明显的餐饮和娱乐休闲类设施下降明显。

图4 2013、2015、2017、2021年不同阶段城市服务设施交互对房价的影响

3 结论与讨论

1)从全局角度时空特征分析。空间上，城市服务设施和居住空间分布以中心城区为核心，沿着主干道呈“米”字状放射特征，空间分布一致。2013—2015年服务设施扩张明显，2017年后格局逐渐稳定，而住房价格核密度在2015年后依然增长显著，尤其表现在外城五区的服务设施高密度集中区域房价的快速增长。成都房价锦江>青羊>武侯>成华>金牛>双流>龙泉驿>温江>郫都>新都，本文根据其时间变化特征可基本分为3个阶段：阶段1( 2013-01—2015-05)为房价“平稳期”，以市中心为核心；阶段2( 2015-05—2018-05)为房价“增长期”，由中心向外围扩展；阶段3(2018-05—2021-01)为房价受政策和疫情影响的“波动期”，逐渐演变成“南高北低”态势，天府新区发展迅速。

2)从不同阶段时空关联特征分析。通过提取城市服务设施分布和房价数据的核密度栅格值，对二者相关性显著性逐渐减弱，尤其营利性设施相关系数降幅更为明显，房价的空间聚集性减弱，分异现象逐渐加深，区域之间房价差异更加显著。

3)从城市服务设施对房价影响变化分析。地理探测器模型能够有效识别出不同特征变量对住宅价格的解释力情况，对房价影响最强的3个要素为建筑年份、人口密度和路网密度，并且在2017—2021年的增幅明显。综合来说，公益性服务设施影响力大于营利性服务设施。

4)多设施交互对二手房价格影响往往增强效果显著，明显高于单因素对住宅价格解释力。2013—2021年中初级教育设施与其他类交互对房价解释力更高，与之对比明显的餐饮和娱乐休闲类设施下降明显。根据成都市二手房价格近8年趋势来看，不同时期房价特征明显，政府应做好房价政策指导，避免房价增长或下降过快，维护房地产市场稳定。随着2017年二手房价格加速上涨，各区域之间房价分异逐渐加剧。对房价影响因素进一步挖掘，结果表明，城市服务设施对房价有显著影响，商业、教育设施影响显著，而且单一类别设施对房价解释力小于多类别设施交互作用。因此，政府在宏观调控房价的同时应注重城市功能空间优化，完善社区服务，以避免房价局部过热，实现房价调控软着陆。