黄 震

（上海同济城市规划设计研究院有限公司，上海 200092）

随着人们对更高生活质量的追求，景观对城市发展的影响正在逐渐加大。尤其对于生活在高密度、高强度城市环境中的居民来说，越来越多的人希望在闲暇时候去城市周边的“后花园”小城镇里享受即便是短暂的“田园生活”。这种愿望和需求正使得一些位于发达城市地区周边的山地城镇凭借自然景观和相对城市的住宅价格差优势发展居住产业。然而在这个过程中的一个主要矛盾往往是：住宅开发商的经济利益导向需要以高开发强度带来回报；另一方面如果地方政府主要依靠土地经济谋求快速发展，也会倾向于高强度开发以吸引开发商。这就容易导致高强度开发负面影响景观，反而削弱了居住产业的最大卖点。因此，平衡景观与开发的关系，是这类山地城镇所面临的重要问题，也是本研究的出发点。

然而，景观的经济价值与开发的关系研究在我国非常欠缺。大多数研究基于视域分析、天际线形态、建筑体量等感性指标。由于这些指标受个人价值观、审美观影响大，较难获得多方面一致的认可。相对，如果在经济价值基础上讨论景观与开发问题，就更容易建立多方对话的基础，推进规划和建设的可实施性。对于以品质居住为卖点的山地城镇，山地景观的价值很大程度上以物业为载体反映在人们对物业的支付中，因此山地景观的价值是可以客观度量的指标。

由于景观具有市场不完备性和很大程度的外部效应，对其价值的衡量难以像一般商品那样直接。1950年代，西方学者开始使用意愿价值评估法 （Contingent Value Method，CVM） 研究有关非市场要素价值衡量的理论和实践问题，涉及景观、生态、社会公共产品等市场性弱但同时具有经济价值的对象，至今已经形成了较为成熟的研究方法。我国学者吴伟等[1]、钱欣[2]都对国内外应用价值评估法的研究作了综述。从研究方法上，大致可以分为两类：显示性偏好法 （Revealed Preference Method） 和叙述性偏好法 （Stated Preference Method）。显示性偏好法即通过现实中已经发生的情况来推测人们的偏好和物品的价值，最为常用的是内涵价格法 （Hedonic Pricing Method）。内涵价格法在评估非市场要素对住宅价格的影响研究中尤为常用[3-7]，由于诸如林地、公园、海景、广场等要素都会影响周边住宅价格，研究者通常收集研究地域的住房售价和相关解释变量数据，通过回归模型来估计这些要素的边际价值。叙述性偏好法适用于尚未实现的情况，多被作为事前价值预估的手段。意愿价值评估法即属于该类型中最成熟、应用最多的方法，研究者征询被访者对假想情景的使用支付意愿 （Willingness to Pay） 和数量，进而估计该情景的潜在价值，为相关的政策或措施提供决策依据[4，8-13]。实验设计 （Experiment Design）、结合分析（Conjoint Analysis） 和离散选择模型 （Discrete Choice Model）方法也逐渐被应用到价值估计中，研究者设定选择情景供被访者选择，用模型拟合选择结果进而得到人们的偏好，分析效用函数得到非市场要素的边际价值，进而推算支付意愿[2，14-15]。这些方法各有优劣，读者可参考Shaeffer[16]、钱欣[2]。本研究采用实验设计与离散选择模型结合的方法，通过分析人们的住宅选择偏好，推算建筑对山地景观价值的影响。

相关研究的主要不足：（1） 大多数研究的对象集中在公园、绿地、湿地、林地、水景等开敞空间[1]，将山景作为影响要素的研究很少[5]； （2） 将山景与城镇开发建设一并作为影响要素的研究尚属空缺； （3） 现有研究对景观的度量比较粗略，通常以有或没有特定景观要素作为问题的内容，至多采用公园、绿地等要素的时空距离[17]，因此，难以得到更加细致景观感知规律及其价值规律。

本文的目的，即提出一种度量建筑影响山地景观价值的方法。第一部分介绍实验情景的设计过程，包括要素等级确定和选择情景设计两个步骤；第二部分介绍以通过因特网调查收集的住宅选择行为数据为基础，应用混合逻辑特模型（Mixed Logit Model） 估计山地景观价值规律的过程和结果；第三部分为全文的总结。

1 实验情景设计

叙述性偏好法通过设计虚拟的选择情景供被试者选择，来获得被试者的偏好，作为分析的数据。选择情景由多个选项构成，而选项又由取值不同的相关要素构成。

1.1 建筑与山景关系要素的确定

山地城镇最重要的景观资源就是山体。因此，建筑与山体的关系影响到山地景观的品质和物业的价值。为了简化实验的复杂程度，抓住主要的要素，忽略次要的要素，确定了四个建筑与山景关系要素：建筑相对山体的高度、建筑对山脊线的切割、建筑到视点的距离、建筑对山体的遮挡。

（1） 建筑相对山体的高度 （x1） 。通常来说，在一定的视域内，建筑相对山体的高度越低，人们对环境的评价就越高 （见图1）。一种极端的情况就是建筑高度为0，即没有建筑，人们对纯粹自然环境的评价应该是最高的。对于两者关系的度量采用比例，即建筑高度：山体高度。

图1 建筑高度与山体的关系

（2） 建筑对山脊线的切割 （x2） 。如果能看到完整的山脊线，人们对山体完整性的感受会比较好 （见图2）。因此，采用建筑对山脊线的切割这个要素，来度量山脊线在受建筑影响下的完整程度。具体用被建筑遮挡的山脊线长度占山脊线总长度的比例来度量。

图2 建筑对山脊线的切割

（3） 建筑到视点的距离 （x3） 。在一定的视域中，如果建筑距离观察者的视点比较近，更可能令人产生局促的空间感受，甚至压抑；而建筑在远处能让人更感开阔，因而对环境评价较好 （见图3）。该要素用视点到最近建筑之间的距离来度量。

图3 建筑离视点的距离

（4） 建筑对山体的遮挡 （x4） 。如果建筑遮挡山体的面积较大，会导致更多的负面环境评价；反之则山体愈加完整，视觉感受更好 （见图4）。因此，选取建筑遮挡山体面积的比例作为建筑与环境关系要素之一。

图4 建筑对山体的遮挡

1.2 要素等级的确定

实验设计的一个重要内容是组合不同的要素值来表达一个选项。比如，某个选项构成如下：建筑相对山体高度；建筑对山脊线的切割；建筑离视点的距离；建筑对山体的遮挡。由于这些要素都是以连续的数值来度量，它们的组合可以构成无数个方案。因此，实验设计的主要任务是缩减选项数量，但同时保持选项的代表性。

缩减选项数量首先要减少变量取值。对每个要素取3个等级，这也比较符合人们通常的感知和判断习惯，比如，以“低—中—高”来划分建筑的高度。那么，这些3个等级应该如何划分？对于建筑相对山体的高度，0.2以下是低？0.5以上是高？为了使得等级划分尽可能符合人们的客观认知规律，首先，对每个要素确定一系列较为细致的等级划分 （见表 1），然后将每一个等级表达成一张图片 （见图5）。

表1 要素的图示等级划分以及评价等级 /m

图5 要素的等级变化图示

然后，应用“问道网”制作网络问卷。问卷要求被试者对每张图进行等级评价，将其感受归类到最接近的3个评价等级之一 （表 1）。图 6显示了网络调查问卷的界面，一共有30题评价，最后3题询问被试者的性别、年龄、学历。问卷通过微博、QQ等网络社交工具进行传播，5 d内收到有效问卷50份。其中，男性占40%，女性占60%。年龄在18岁以下的占1.8%，18～29岁的占70.9%，30～39岁的占27.3%，以年轻人为主，这是网络调查的特征。被试者的学历较高，本科占49.1%，硕士占40%，博士占10.9%。

图6 要素等级评价网络调查界面

经过对不同数量的样本进行模型分析并比较结果，发现50份的样本量为基础得到结果已经相当稳定，说明样本量足够。模型采用序列逻辑斯递回归 （Ordered logistic regression）。如果将每个要素的三个等级分别用I， II， III表示，则人们将每张图归类到评价等级的概率定义为：

其中，PⅠ为归类到等级I的概率，以此类推；δⅠ，δ2分别为划分要素评价等级的阈值，β为要素的参数。回归结果（见表2） 显示所有模型参数均统计显著，得到了等级划分标准，作为选择情景设计的基础。

1.3 选择情景设计

选择情景设计是本研究的关键步骤，目标是形成多个选择情景，每个情景由两个选项构成。根据上面步骤确定的要素等级，已经可以按照常规的“正交设计” （Orthogonal Design） 方法生成选项。但是这种做法在本研究中存在几个问题：（1） 部分选项不可能在现实中实现，原因是现实中这些要素存在不同程度的相关性，例如：建筑高度高、对山脊线切割少、对山体遮挡少，这是在以图示为虚拟现实手段的实验设计中难以避免的问题； （2） 选项组合之后将生成大量的选择情景 （超过600个），实验开展难度大； （3） 如何精简选择情景但又要保证情景的代表性、均好性和有效性，尚无现成的方法； （4） 存在“无效”情景，定义为选项A完全优于选项B的情况，这样绝大多数被试者都会选择选项A，失去了揭示人们对要素取舍关系的功能。

表2 要素评价模型结果及要素等级划分

针对以上问题，开发了“要素差”设计方法。根据离散选择模型原理，真正对决策起作用的是要素差值，即Δx（规定所有要素差都是xA-xB）。如此，便可以要素差为对象，像设计选项那样来设计选择情景。既然每个要素都有三个等级，那么就有5个要素差等级，如建筑相对山体的高度：A远低于B （xA1=低，xB1=高）；A略低于B （xA1=低，xB1=中；xA1=中，xB1=高）；A与B一样高 （xA1=xB1=低；xA1=xB1=中；xA1=xB1=高）；A略高于B （xA1=中，xB1=低；xA1=高，xB1=中）；A远高于B （xA1=高，xB1=低）。

除了对以上4个建筑与山体关系要素生成5个要素差等级以外，另外增加住宅价格要素 （x5），这也是本研究关注的核心要素，为了最终得到人们在景观要素与价格之间的取舍关系，即景观价值。由于被试者可能来自不同的地区，对价格敏感程度不一，因此，不采用住宅绝对价格作为要素取值，而是相对于被试者当地平均房价的高出部分。从“与当地房价一致” （0%） 到“高于当地房价80%”，每10%为增量，共9个值。与其他要素一样，将价格分为三个等级：低：x5＜30%；中：30%≤x5＜60%；高：x5≥60%，以及5个等级差。

如此，以要素差为对象的选择情景完全设计规模为55。采用田口法 （Taguchi Method） 生成的正交设计可以将情景规模减少至25个，但同时又要保证选项的实际可行性和有效性，因此，仍达不到正交性的理论最优，表现在要素等级差之间存在相关性。最终除了建筑相对山体高度与住宅价格呈现显著负相关以外，其他相关系数均不显著，说明实验设计比较成功。

2 山地景观价值度量

2.1 选择数据收集

以通过实验设计得到的25个选择情景为本底，进一步细化每个选项的要素值。首先对各要素等级进行平均插值（见表3），再把这些细化的值赋给选项的对应要素，这样来充实模型自变量的数值空间。

表3 要素值细化

根据细化后的选择情景，将每个选项绘制成图片 （见图7），两两并列为一个选择，同样通过问道网制作成网络问卷。为了接近真实的决策过程，并未提示相关的要素，而留给被试者自行感受。在每一次选择中，被试者要选择一套较好的住宅进行购置。每位被试者完成25次选择后，最后提供个人社会经济属性信息。

图7 购房选择网络调查界面

两个多月后，共有106位被试者参与，选择总数即2 650次。样本属性如下：男性占43.4%，女性占56.6%；18～29岁的占80.2%，30～39岁的占17.9%，40～49岁的占1.9%；月收入中，2 000元以下的占13.2%，2 000～5 000元的占19.8%，5 000～10 000元 的 占45.3%，10 000～20 000元 的 占15.1%，20 000元以上的占6.6%；所住地每平方米住宅均价中，5 000元以下占13.2%，5 000～10 000元的占14.2%，10 000～20 000元的占33.0%，20 000～30 000元的占28.3%，30 000元以上的占11.3%。

2.2 山景价值模型

根据随机效用理论 （Random Utility Theory），人们选择给其带来最大效用的住宅进行购置。每个选项给被试者带来的效用或多或少受到建筑要素与山体关系和价格的影响。以离散选择模型为基础，尝试了多种模型后，发现混合逻辑特模型 （Mixed Logit Model） 对数据的解释能力突出。根据该模型，被试者选择某住房进行购置的概率如下：

其中，i代表被试者，j和k代表选项，t代表第几次选择，V代表选项的可见效用，将其定义为：

其中，βm为要素的参数，表征单位要素的效用，假定服从正态分布。这是混合逻辑特模型的特点：参数是一个随机变量，用来表征人们偏好的多样性；通过同时估计参数均值和标准差，可以解释更多的选择行为差异。

采用R语言的mlogit程序包来拟合上述混合逻辑特模型，同时启用了面板数据功能 （Panel data），将每个被试者的25次选择作为一个面板。假定这个过程中表征其偏好的参数应该是不变的，则在给定β的条件下，需要计算被试者进行这一系列选择的联合概率：

其中，y为实际的选择结果。模型拟合结果见表4。

表4 选择模型拟合结果

模型取得了比较好的拟合效果，所有的参数统计显著，均值参数的符号符合假设：所有要素的增加都将带来对住宅评价的负效用。与起初设定不同的是，建筑到视点的距离并没有显示统计显著性，反而在建模的过程中尝试了建筑层数后，发现其对选择行为影响明显。由于在建筑层高和高度一定的条件下，距离的变化完全可以反映在层数变化上。而层数作用显著、距离却不显著的结果说明被试者对层数更加敏感，这也反映出图示方法的局限：人们较难从图片上感受空间深度。

结合要素的标准差参数，可以看出被试者偏好的多样性。由于假定的是正态分布，因此，有可能出现参数符号与常识相反的情况，如价格越高效用越大，但也不能完全排除这样的偏好存在于现实。结果显示建筑相对山体的高度和建筑对山脊线的切割这两项要素的偏好相对集中；但同时也最接近0，如果单位要素可比的话，这两项要素对决策的影响力最小；分别有25%和31%的可能性这两项参数大于0，即属于“反常”。建筑对山体的遮挡以及住宅价格的偏好多样性中等；价格对效用的影响力相对较大，“正常”的可能性也更高 （参数大于0的概率仅6%），而遮挡出现正参数的概率有29%，平均的影响力与建筑高度接近。建筑层数参数的多样性最大，但是大都小于0，出现正值的概率仅为5%，其对效用的平均影响力也最高。

通过将建筑要素的参数除以住宅价格的参数并取负号，即可求得在其他要素不变的条件下，单位建筑要素变化所需要的住宅价格补偿，即景观价值损失。由于每个参数都是正态分布，两个正态分布相除得到的变量呈正态比例分布 （Normal Ratio Distribution），如图8所示，其中横轴即代表价格补偿的数量。建筑对山脊线切割仍是多样性最小的要素，且对价格的影响也最小，平均切割程度每增加1%，仅需要降低住宅价格0.02%；另外，有21%的“反常”可能性，即价格随切割的程度上涨。建筑相对山体的高度和建筑对山体遮挡这两项要素的平均价格补偿接近，分别为-0.1%和-0.09% （每1%的要素变化）；出现价格与要素协同增长的概率分别为16%和19%。最后，影响景观价值最大的要素还是建筑层数，平均每增高一层需要1.72%的价格降低来补偿；分布非常平缓且向负值区间延伸较远，说明需要更多价格补偿的人不在少数，而认为高层更好的人占比仅为7%。

图8 单位建筑要素变化的价格补偿的概率密度分布

3 结语

本文提出度量建筑影响山地景观价值的方法。运用情景图示结合网络问卷，首先获得了人们对于建筑与山景关系要素的等级划分，接着将这些划分用于选择情景设计，收集了百余名网络被访者的虚拟住宅选择数据。应用混合逻辑特模型拟合数据后发现，显著影响人们选择的要素有5个：建筑相对山体的高度、建筑对山脊线的切割、建筑对山体的遮挡、建筑层数以及住宅价格。其中，视域景观中建筑层数对住宅价格的负面影响最大，建筑高度与遮挡山体的影响其次，建筑切割山脊线的价格影响最小。由此建立建筑影响山地景观价值定量模型。

相比以往的研究，本研究的创新点主要在于：（1） 从个人感知的角度获得了更加细致的山景价值规律，为下一步从景观经济价值的角度优化山地城镇开发奠定了基础； （2） 用要素等级差的方法来设计实验，同时开发了在情景可行性和有效性约束下的方案优化程序，在实验设计的效率和有效性之间取得了较好的平衡； （3） 将所有选择情景用图片表达，提高了决策情景的真实性。

然而，作为一个以研究方法探索为目标的尝试，本研究还存在一些不足之处。在影响要素方面，尚未考虑视域开敞度、集中度、建筑遮挡位置、节律性、视觉趣味性等潜在要素；在问卷表达方面，图示的真实性有待提高，特别是图像要素景深关系的表达；在数据方面，使用网络调查存在被访者年龄结构偏低、缺乏实际购房经验的风险，因此，所获价值规律代表性和可信度都有待今后的研究中通过完善样本收集而得以提高。