邵莉婷 邵大伟 吴殿鸣

苏州科技大学建筑与城市规划学院 江苏苏州 215011

受城市人口高度集聚和建设空间急剧扩张的影响,我国住宅市场供求关系矛盾长期存在,城市高房价问题持续成为社会关注的焦点。住宅价格反映了社会公共资源配置现状以及居民对居住环境质量的支付意愿[1-2],具有空间异质性和非平稳性的特征。城市住宅价格空间分异及其形成机理的研究是优化城市配套设施布局、提升人居环境满意度、促进社会公平正义的基础,具有重要的社会意义。城市内部住宅价格的空间分异受住宅属性、区位特征、教育水平以及景观资源等多重因素影响[3-5]。在城镇化进入提质增效、由外延发展向内涵提升阶段后[6],城市基础设施以及配套资源日益完善,加之生态转型观念日益强化[7],绿地等生态资源、优质景观条件等稀缺性非常规因素正加剧住宅价格的空间异质性[8],对周边地区的住宅价格产生较强的增值效应[9-10]。

公园绿地是向公众开放,以游憩为主要功能,兼具生态、景观、文教和应急避险等功能,拥有一定游憩和服务设施的绿地。诸多研究均已证明公园绿地对住宅价格具有显著的影响[11-13],然而针对现阶段公园绿地对住宅价格影响的研究则相对较少,多侧重于选取某一大型公园[14]或几类绿色空间[15-16]进行影响范围的分析。由于公园绿地自身类型多样、尺度分异突出,不同尺度公园绿地对住宅价格的作用规律仍不甚明晰。已有学者在研究公园绿地与住宅价格的空间分布关系时关注到了不同尺度公园绿地间的作用差异[2],然而对于商业等基础配套设施的综合影响仍缺乏考量,难以有效研判公园绿地作用水平与其他影响因素的差异,且仅围绕街道尺度,因此,相关研究的指标选取及研究尺度仍有待进一步深化。

住宅价格研究主要通过享乐价格模型[14]、特征价格模型[17]等传统方法展开,缺乏空间异质性的考虑。地理加权回归模型(Geographically weighted regression,GWR)是一种空间变异系数回归模型[18],被广泛应用于诸多学科领域。通过GWR模型探究住宅价格的影响因素,能够考量数据的空间特性,以此契合住宅价格属性的空间异质性[19-22]。此外,随着信息技术的发展,多源大数据在各领域的运用日益广泛。当前已有学者运用住宅租售网站数据结合兴趣点(POI)等多源数据进行住宅价格影响因素的相关分析[23],POI作为一种能够代表真实地理实体的地理空间大数据,其内容丰富、更新及时的优势已得到验证[24]。

公园绿地对住宅价格的影响,需优化计量模型选择、强化多源数据支撑、深化研究尺度。为此,本研究整合多源数据,借助GWR模型构建住宅价格影响因子体系,选取典型案例城市,重点揭示公园绿地整体及不同尺度公园绿地对住宅价格影响的空间差异规律,以期促进公园绿地的空间配置优化,协同城市资源配置关系,提升“生态产品”的供给水平和质量,推动城市人居环境持续优化。

1 研究区概况与研究数据

1.1 研究区概况

南京是我国东部沿海经济带与长江经济带战略交汇的重要节点城市,也是首批国家文化历史名城、园林城市,拥有紫金山、玄武湖等众多大型山水景观,“山水城林”融为一体,绿地资源丰富。本研究进一步选择公园绿地与住宅小区均较为集中的主城区作为研究范围,即以长江岸线与绕城高速所围合的区域(图1),共约243 km2,可划分为古城墙以内的老城区、西南部的河西新城及外围区域[4]。主城区公园绿地建设水平较高,其对住宅价格的影响具有典型性和代表性。

图1 研究区概况及不同尺度公园绿地分布

1.2 数据来源与处理

住宅小区组成要素包括其自身属性和周边配套设施。本研究选用POI数据表达住宅小区周边配套设施,利用中国房价行情平台数据以及权威性高的国土部门公园绿地数据,以住宅小区为基本研究单元,选取2017年主城区1200个住宅小区为样本开展研究(图1)。

住宅小区数据来自禧泰全国房地产数据库,作为中国房地产行业协会领导的全国性房地产信息综合服务平台,其数据来源广、丰富度高。选取2017年第四季度的南京主城区在售房屋数据,得到住宅小区的房价、房龄等属性信息。

住宅小区周边配套设施数据来源于百度地图POI数据,通过网络爬取工具获取,类型包括地铁站、公交站、火车站等区位配套设施及购物中心、银行网点、文体场馆、医院、超市等邻里配套设施,进行去重、排异、清洗后导入ArcGIS建立样本空间数据库。

选用2017年城市总体规划土地利用现状数据(1∶10 000),以《城市用地分类与规划建设用地标准(GB 50137-2011)》《城市绿地分类标准(CJJ/T85-2017)》为依据,提取公园绿地类型。由于不同尺度公园绿地的作用范围差异明显,结合南京公园绿地特征,将其分为微小型、小型、中型、大型及超大型公园绿地5种类型,分别对应2 hm2以下、2～5 hm2、5～10 hm2、10～20 hm2及20 hm2以上5个尺度等级(图1)。

2 研究方法

首先采用IDW空间插值法对住宅价格进行空间格局分析,然后通过ArcGIS计算各个小区到公园绿地整体及不同尺度公园绿地、配套服务设施的最近距离,最后执行GWR,探究公园绿地邻近性对住宅价格的影响。

2.1 地理加权回归模型(GWR)

地理加权回归模型是一种引入空间地理位置信息的改良线性回归模型,其公式为:

式(1)中:yi为第i个样本点住宅均价；(μi,vi)为第i个采样点的坐标；βk(μi,vi)是第i个采样点上第k个回归参数；xij为第i个采样点的第j个自变量；εi为随机误差项。带宽由最小AICc方法确定。

2.2 GWR模型构建

为避免仅考虑公园绿地对住宅价格影响而导致的局限性,使研究结果更加科学合理,本文梳理相关文献,从城市内部特征入手,结合主城区实际情况以及数据的可获得性,从区位、建筑、邻里特征以及公园绿地邻近水平共4个方面构建指标体系,细化为20个解释变量(表1)。将数据进行Z-score标准化处理后,以住宅价格为因变量、20项指标为自变量进行GWR模型构建与计算,探究公园绿地因素的影响程度与空间差异。

表1 (续)

表1 影响住宅价格的变量及描述

3 结果与分析

3.1 住宅价格空间分异特征

受紫金山、玄武湖等大型自然地形影响,住宅小区样本点主要分布在研究区域的西南部,平均售价为29 828元/m2。对样本进行IDW空间插值分析(图2):住宅价格大部分在10 000～30 000元/m2,整体呈现多中心趋势,由老城区中心向南北外围递减；价格峰值点分布在古城墙以内的老城区核心区域、玄武湖南、紫金山东南以及河西片区；高值区沿西南—东北方向集聚,主要分布在老城区与河西片区。

图2 住宅价格空间分异格局

3.2 公园绿地邻近水平特征

以小区点到最近公园绿地边缘的距离衡量住宅小区与公园绿地的空间邻近水平,将结果按自然断点法分为“很好”“好”“一般”“差”“很差”5个等级。由图3A可知,公园绿地分布整体较合理,邻近水平较高的小区主要聚集在环古城墙、环紫金山玄武湖以及河西片区,公园绿地与住宅小区分布集中,服务便捷程度较高。

基于尺度差异特征,由图3B～F可知,微小型公园绿地邻近性较好的小区集中在环古城墙周边、河西以及紫金山北麓；小型公园绿地邻近水平较高的小区主要位于环古城墙周边地带以及城南中部；中型公园绿地邻近水平较高的区域主要分布在主城西部的沿江地区、紫金山玄武湖以北及城南片区的中部,由东西两侧向中部递减；大型公园绿地邻近水平较高的区域在主城区的西北至南部呈带状分布,邻近水平由西向东递减；超大型公园绿地邻近水平较高的区域分布在城北中部、老城区内以及城南南部,皆在大型山水景观所在地附近。

图3 住宅小区与不同尺度公园绿地的空间邻近性等级

3.3 公园绿地邻近性对住宅价格的影响

3.3.1 整体公园绿地对住宅价格的影响程度

GWR模型结果显示拟合度(R2)为0.615,调整后的R2为0.579。进一步进行空间自相关检验,其残差自相关在正常范围内,模型结果具有较高可信度。

从平均回归系数的绝对值来看,区位特征对住宅价格的影响程度最大,建筑特征次之,公园绿地邻近水平的影响最小。影响程度超过0.1的变量依次为教育资源＞住宅房龄＞中心区位＞小型公园绿地＞地铁站点＞生活配套。结合平均回归系数的正负来看,教育资源的正相关作用最大,表明优质教育资源依然是促进住宅价格的核心因素。

在4类特征变量中,区位特征的影响程度最大,整体公园绿地的影响程度最小。然而,公园绿地邻近水平的影响因区位不同而产生较大分异,具有明显的空间异质性,其对住宅价格的影响程度呈现由中心向外围递减的趋势,且具有集聚效应(图4a)。在住宅价格较高的老城区、河西新城等基础设施条件良好的地区,公园绿地的影响普遍较大。紫金山、玄武湖以北区域公园绿地集聚,受影响程度最为明显,其次为古城墙以内的老城片区,而主城外围的西北部住宅价格受影响程度则相对较低。

图4 不同尺度公园绿地的回归系数分布

3.3.2 公园绿地对住宅价格影响的尺度差异

不同尺度公园绿地邻近水平对住宅价格影响程度依次为:小型＞微小型＞中型＞大型＞超大型公园绿地。其中,小型公园绿地呈排斥作用,其他各尺度公园绿地皆对住宅价格有促进作用,微小型最为明显。

如图4B所示,微小型公园绿地对住宅价格的影响程度由城中向东西两侧递减,西北沿江地区出现排斥作用。影响程度较大的区域位于主城区的南部、紫金山西北及主城北部。微小型公园布置灵活,易与周边配套协同作用促进住宅增值。主城西北部临近环古城墙风光带,建成区用地紧张,微小型公园绿地分布较为均衡,难以发挥集聚作用。

如图4C所示,小型公园绿地对住宅价格具有较强排斥作用,影响程度由西向东递减,东部绕城高速沿线区域略有增强。河西片区受影响程度较大,而城北幕府山周边及主城南部区域受影响程度较小,部分地区出现促进作用。由于小型公园绿地主要分布在主城外围,且较为分散,与高房价住宅分布相反,空间排斥作用突出。河西新城商业区集聚,但小型公园绿地数量较少,因而排斥作用较为明显。

如图4D所示,中型公园绿地对住宅价格的影响格局由东部排斥转变为西部促进。西部沿江地区住宅价格受影响程度最高,由西向东逐渐减小,在主城东北略有增强。西部沿江地区中型公园绿地分布较为丰富,且河西新城配套设施优良,住宅价格普遍较高,促进作用明显。主城东部多为历史名胜与自然风景区,受保护与控制性开发的限制,商业、教育等配套设施发展相对受限,因此促进作用不显著。

如图4E所示,大型公园绿地对住宅价格的影响呈圈层化趋势。主城区中心促进作用显著,往外围逐渐减小,主城外围的边缘地区起排斥作用,东部沿绕城高速区域排斥作用最大。回归系数的极差较大,空间异质性显著。大型公园绿地在老城区外围的西北与东南地区集中分布,受区位限制明显,且附近住宅开发受限,难以发挥显著影响。而老城区交通便捷、基础设施完善,作为稀缺资源的大型公园绿地促进作用较为显著。

如图4F所示,超大型公园绿地对住宅价格的促进作用在主城西部沿江区域最为显著,由北向南逐渐递减。沿江地区基础配套发展完善,同时又位于西部滨江风光带上,拥有绿博园等大型公园绿地,公园绿地与其他优势配套条件叠加作用促进住宅价格增值。沿东部与南部绕城公路地区依托山体地形的超大型公园绿地集聚,挤压了服务设施的配套空间,基础配套条件发展相对不足,导致一定排斥作用。

4 讨论

公园绿地增值效应的空间分异十分显著,且在基础设施成熟的基础上,大型公园绿地的增值潜力相对较大,这与苏州[2]、上海[3]的研究较为相似。宋伟轩等[8]、杨俊等[15]、李约翰等[24]得出公园绿地对住宅价格影响整体较强的结论与本文有所差异,本文发现虽在老城区、新城核心区等建设开发成熟的局部空间中,微小型、中型及大型公园绿地作用较强,但公园绿地影响力整体较小,相较于中心区位与教育资源等仍不是决定性因素。同时,传统住宅价格影响因素研究采用的享乐价格模型[14]、特征价格模型[17]等方法侧重数量统计,本研究中的GWR模型则将公园绿地的空间异质性特征空间化,在整体与局部空间问题挖掘方面具有优势,加之多源数据的选用,增强了数据获取的灵活性、实效性和系统性。

针对主城区内有限的建设空间,结合城市更新进一步强化微小型、小型公园绿地建设,增强布局均衡性,以充足的数量供给和高质量服务弱化对房价的过度影响,并利用存量用地和产业用地升级,积极挖掘中等尺度公园绿地建设空间,改善游憩环境、提升区域活力和吸引力；针对大型、超大型公园绿地对住宅价格极强的局部促进作用,可通过划定生态缓冲区和生态网络构建等方式,对其周边房地产等开发建设进行有效防控,以消除对生态空间及其功能发挥的潜在威胁。诚然,住宅价格除空间的差异分布之外,时间上的演变规律仍有待进一步探究。公园绿地是否收费、游览质量高低等其他属性均会对周边住宅价格产生一定影响。因此,后续研究中将更加科学考量因素,深入探究影响规律,为城市宜居环境建设提供科学依据。

5 结论

1)老城区、紫金山东南及河西新城形成高房价的“三核心”格局。住宅价格高值区沿主城区的西南—东北方向分布,向南北两侧外围逐渐降低；价格峰值点分布在老城区核心、紫金山东南以及河西新城,紫金山周边未形成圈层结构,呈现断崖式下降。

2)住宅的公园绿地整体邻近水平由环古城墙、环紫金山—玄武湖及河西新城向周边递减。微小型、小型公园绿地邻近性较好的住宅在古城墙周边呈环状分布；中型、大型均呈现纵列分布的趋势,前者由东西两侧向中部递减,后者由西向东递减；超大型公园绿地邻近性分异围绕紫金山—玄武湖、南部雨花台—菊花台风景区、西北部夹江风光带以及中部莫愁湖公园呈现片状格局。

3)公园绿地邻近性对住宅价格的影响程度相比教育资源、中心区位等整体偏弱,由主城中心向外围递减,且具有集聚效应。玄武湖、紫金山以及环古城墙风光带区域公园绿地集聚,住宅价格受影响最为明显,主城区西北部受影响相对较小。

4)公园绿地邻近性对住宅价格的影响具有显著尺度差异特征。公园绿地影响力呈现小型＞整体＞微小型＞中型＞大型＞超大型的变化规律,其中,小型公园绿地呈排斥作用,在河西新城最为明显；其他各尺度公园绿地邻近性均对住宅价格起促进作用。在住宅价格较高的老城区中心、河西新城等拥有良好基础设施条件的地区,公园绿地尺度越大,住宅价格增值效应越显著。