基于地理加權(quán)特征價格法的上海外環(huán)內(nèi)住宅租金分布成因分析

汪佳莉 ， 季民河 ， 鄧中偉

(1.浙江華東建設(shè)工程有限公司，杭州 310014;2.華東師范大學(xué) 地理系，上海200241; 3.上海金融學(xué)院，上海 200434 )

基于地理加權(quán)特征價格法的上海外環(huán)內(nèi)住宅租金分布成因分析

汪佳莉1， 季民河2， 鄧中偉3

(1.浙江華東建設(shè)工程有限公司，杭州 310014;2.華東師范大學(xué) 地理系，上海200241; 3.上海金融學(xué)院，上海 200434 )

城市住宅租金具有經(jīng)濟(jì)與社會雙重性質(zhì)，既反映房地產(chǎn)的市場供需關(guān)系以及價格決定機(jī)制，也反映了居民的住房需求滿足情況和解決方式。建立以特征價格法為基礎(chǔ)的空間自回歸模型，探索影響上海住宅租金空間分布的驅(qū)動因素。通過Web數(shù)據(jù)抓取獲得上海2012年12月至2013年1月的住宅租金樣本數(shù)據(jù)，根據(jù)特征價格法將影響住宅租金的9個因素歸納為區(qū)位特征、鄰里特征、整體特征三大類，利用雙模型(普通最小二乘法(OLS)和地理加權(quán)回歸(GWR))雙形態(tài)分析對比。結(jié)果表明：市中心輻射對上海住宅租金的影響呈現(xiàn)“東強(qiáng)西弱”的格局，地鐵站點(diǎn)對城市中心的租金影響較弱，對近郊的租金影響較大，而內(nèi)環(huán)內(nèi)租金對就業(yè)可達(dá)性最為敏感。優(yōu)質(zhì)教育和醫(yī)療資源的空間分布不均衡，前者受限于學(xué)區(qū)劃分和戶籍政策，對租金的影響以內(nèi)環(huán)線為界呈內(nèi)低外高；而后者雖不受戶籍限制，但服務(wù)范圍狹小，對浦西的影響較大。浦東租戶對小區(qū)環(huán)境及小區(qū)竣工年限支付意愿更高。

特征價格法；地理加權(quán)回歸；住宅租金；外環(huán)；上海市

0 引言

中國近20年來城市化持續(xù)加速，導(dǎo)致主要城市的外來人口急劇增加和房地產(chǎn)業(yè)迅速發(fā)展。隨著城市房價飆升，住房供需矛盾日益凸顯，面向龐大流動人口的租賃型住宅也日趨緊缺，北、上、廣等大都市甚至出現(xiàn)了“群居”“蟻居”群體。住宅租金不僅影響房地產(chǎn)市場的供需關(guān)系，還關(guān)系到社會和諧穩(wěn)定和勞務(wù)市場平衡，倍受政府和學(xué)界的關(guān)注。K.J.Lancaster[1-2],S.Rosen[3]提出的特征價格理論目前被廣泛用于城市住宅空間差異的實(shí)證分析及住宅價格決定機(jī)制的研究。A.S.Fotheringham等[4]，C.Brunsdon等[5]提出了地理加權(quán)回歸模型(GWR)，并探討了英國房價與樓地板面積的關(guān)系。之后地理加權(quán)回歸模型(GWR)被成功運(yùn)用到住宅價格的研究中[6-7]。由于購買住宅需要擁有高經(jīng)濟(jì)基礎(chǔ)和低流動性的工作，城市部分家庭和外來人口更多地選擇住宅租賃的手段來解決住房問題。住宅租賃市場作為房地產(chǎn)市場的重要組成部分，其特征價格模型研究也因此引起一些學(xué)者的關(guān)注[8]。

住宅租金具有對國計民生的重要性及時空動態(tài)性強(qiáng)的特點(diǎn)，其分布和變化成因值得深入探討。然而，由于受到數(shù)據(jù)獲取的限制，此類研究目前仍然偏少，已有研究對租金的影響因素分析不夠，特別是未能考慮到就業(yè)可達(dá)性這一因子。由于人們偏向于在較小的空間尺度上進(jìn)行通勤，即居住在就業(yè)點(diǎn)附近是人們的首選，尤其是流動性和暫住性較強(qiáng)的租戶，因此就業(yè)可達(dá)性在租賃市場顯得較為重要。而過去住宅租金研究對租戶較看重就業(yè)可達(dá)性這一點(diǎn)涉及不多，D.Bible[9]和王麗華[10]有所提及，但D.Bible將就業(yè)可達(dá)性近似看成CBD可達(dá)性有失偏頗，而王麗華采用住宅與工作地點(diǎn)自行車車程作為就業(yè)可達(dá)性進(jìn)行研究并不準(zhǔn)確，并發(fā)現(xiàn)其對租金的影響不顯著。本研究通過將甲級寫字樓近似代替就業(yè)中心來研究就業(yè)點(diǎn)空間分布對租金的影響，以期克服已有研究中的不足，并檢驗(yàn)就業(yè)中心與租金是否存在一定的關(guān)系。此外，住宅租金位置分布本身也存在空間變異的非穩(wěn)定性，呈現(xiàn)為相似量值的聚集或離散；這類空間效應(yīng)會造成租金變化成因的估算偏差，需要在分析建模中加以考慮。為此，以上海市為研究區(qū)域，嘗試采用Web數(shù)據(jù)信息抓取和數(shù)據(jù)清洗的方法，獲取上海一個時間斷面(2012年12月—2013年1月)較完整的住宅租金樣本數(shù)據(jù)，結(jié)合潛在的社會經(jīng)濟(jì)影響因子開展基于地理加權(quán)特征價格法的實(shí)證研究。在分析方法中，根據(jù)特征價格法理念將住宅租金的影響因素劃分為小區(qū)區(qū)位特征、小區(qū)鄰里特征、小區(qū)整體特征三大類，分別建立和比較一般回歸(OLS)模型和地理加權(quán)回歸(GWR)模型，識別不同圈層租金的主要影響因子，分析外環(huán)內(nèi)住宅租金的空間分布結(jié)構(gòu)、主要形成動因以及建立與影響因素的量化關(guān)系。研究旨在更好地認(rèn)識城市住宅租賃問題，優(yōu)化房地產(chǎn)市場資源配置，促進(jìn)市場的流通，探索提高政府科學(xué)決策水平的途徑。

1 研究方法

1.1 特征價格模型

基于特征價格模型，一般可將影響住宅價格的因素分為區(qū)位特征、鄰里特征和建筑特征三大類。目前企業(yè)更多地轉(zhuǎn)向從財政金融、生產(chǎn)決策和商業(yè)活動中獲取收益，即生產(chǎn)性服務(wù)業(yè)(producer service)由此而獲得迅速發(fā)展，以寫字樓為空間載體的商務(wù)經(jīng)濟(jì)也因此逐漸成為城市經(jīng)濟(jì)發(fā)展和城市文明的象征[11]。甲級寫字樓作為寫字樓重要的組成部分更是吸收了大量的人力資源，將其近似替代就業(yè)中心。為了出行方便，人們愿意為便利的軌道交通服務(wù)支付額外的費(fèi)用，這也符合不少學(xué)者研究結(jié)果——軌道交通對房地產(chǎn)有較大的影響[12-13]，結(jié)合過去住宅的特征價格模型的研究[14]及上海的實(shí)際情況，最終選用上述的到甲級寫字樓、地鐵的距離和傳統(tǒng)意義上的區(qū)位評價因子，即到市中心、都市商業(yè)中心距離來研究小區(qū)區(qū)位特征。溫海珍提出鄰里特征主要分為三大類，分別為社會經(jīng)濟(jì)變量、地方政府或市政公共服務(wù)和外在性。社會經(jīng)濟(jì)變量如社會鄰里階層、外在性如犯罪率這兩類數(shù)據(jù)較難獲取，故選取較易獲取且人們關(guān)注較為密切的地方政府或市政公共服務(wù)來進(jìn)行研究[15]。由于高密度人口和分區(qū)政策，大城市的市政公共服務(wù)大都存在供不應(yīng)求的現(xiàn)象，具有一定的排他性。人們要享受這些服務(wù)，必然要花費(fèi)時間和金錢克服距離，這便會產(chǎn)生“用腳投票”的現(xiàn)象，即遷移到靠近這些公共物品的地方居住[16]。教育和醫(yī)療等公共服務(wù)設(shè)施位置的接近程度影響著人們的日常生活，對房價有很大的影響[17-18]。故選擇特色小學(xué)、示范中學(xué)、三級醫(yī)院這3種與日常生活密切相關(guān)的公共服務(wù)來代表小區(qū)的鄰里特征。考慮到國內(nèi)住宅以公寓為主，同質(zhì)性較高，以小區(qū)的整體特征因素取代建筑特征因素，忽略住宅個體的朝向、樓層、裝修狀況等影響，并且將房型限定為“兩室一廳一衛(wèi)”。學(xué)者研究表明小區(qū)年齡和綠化率是小區(qū)內(nèi)生因素，對住宅價格有較大影響[19-20]，故選擇小區(qū)竣工年限和綠化率2個指標(biāo)可以反映小區(qū)整體特征，前者決定了小區(qū)的配套設(shè)施新舊和建設(shè)標(biāo)準(zhǔn)，后者與住宅小區(qū)環(huán)境和品質(zhì)(高檔、低檔)密切相關(guān)。特征價格模型在實(shí)證研究中常采用3種基本函數(shù)形式[21]。模型如下：

線性模型:P=a0+∑aiCi+ε。

(1)

式中：P為各小區(qū)住宅租金均價；a0為不受特征變量影響的租金常量；Ci為第i個特征變量；ai為特征變量Ci的隱含價格(邊際效應(yīng))，即特征變量每單位變化引起的住宅租金的平均變化值；ε為誤差項(xiàng)。

對數(shù)線性模型：lnP=a0+∑ailnCi+ε。

(2)

式中：ai為特征變量Ci的價格彈性，即在其他特征不變的情況下，Ci每變動一個百分點(diǎn)，引起住宅租金的百分點(diǎn)變化。

半對數(shù)模型： lnP=a0+∑aiCi+ε。

(3)

線性模型假定租金與解釋變量之間的關(guān)系是線性單增(或單減)的。對數(shù)線性模型用于將非線性指數(shù)關(guān)系轉(zhuǎn)換為線性來分析，因此假定數(shù)據(jù)集中所有數(shù)值的價格彈性為常量。半對數(shù)模型則適合解釋變量中含有“0～1”指標(biāo)的情形。

1.2 地理加權(quán)回歸

地理加權(quán)回歸模型目的是為了處理空間非平穩(wěn)性數(shù)據(jù)問題以求最優(yōu)無偏估計，求得參數(shù)隨著空間局域地理位置的變化而變化[5,22-23]。 其模型[24]為：

(4)

式中：(μi,υi)是第i個采樣點(diǎn)的坐標(biāo)(如經(jīng)緯度)；βk(μi,υi) 為第i個采樣點(diǎn)上的第k個回歸系數(shù)；εi為獨(dú)立同分布的隨機(jī)誤差值。

1.2.1 空間權(quán)重及帶寬的確定?？臻g建模中的權(quán)重是依據(jù)Tobler第一定律，利用高斯函數(shù)來確定[25]。調(diào)整型和固定型是2種常見的空間核模型。調(diào)整型方法采用帶寬變化的策略來保證對當(dāng)前小區(qū)租金產(chǎn)生影響的周邊小區(qū)數(shù)量不變，即影響范圍不是定值，而是隨著小區(qū)分布的疏密程度而變化。但區(qū)域內(nèi)的小區(qū)分布密度較為不均，中環(huán)-外環(huán)地區(qū)小區(qū)密度明顯低于內(nèi)環(huán)地區(qū)，使用調(diào)整型方法會造成一些較遠(yuǎn)的小區(qū)被算入影響范圍，而實(shí)際的空間效應(yīng)會被高估，這樣將嚴(yán)重影響結(jié)果的準(zhǔn)確性，因此選擇固定型空間核。選取最佳帶寬主要有交叉驗(yàn)證方法(CV)及Akaike信息量準(zhǔn)則(AIC)2種方法[26]。在ArcGIS9.3中分別運(yùn)用2種方法選取最佳帶寬，結(jié)果顯示帶寬值均為19 625m，因而選擇較常用的AIC準(zhǔn)則。

1.2.2 結(jié)果顯著性檢驗(yàn)及可視化方法。由于局域參數(shù)的估計理論分布的未知，可采用蒙特卡洛顯著性檢驗(yàn)來檢驗(yàn)局域參數(shù)是否是局域非平穩(wěn)，即是否顯著[27]。利用反距離權(quán)重插值法(IDW)對逐點(diǎn)建模獲得的因子系數(shù)做空間插值處理，使得結(jié)果可視化。IDW是依據(jù)地理學(xué)第一定律，通過已知的觀測點(diǎn)與待求點(diǎn)歐氏距離的遠(yuǎn)近來確定已知觀測點(diǎn)對待求點(diǎn)影響權(quán)重的一種加權(quán)求和的計算方法，即離待求點(diǎn)近的已知觀測點(diǎn)的預(yù)測過程中所占的權(quán)重要大于離待求點(diǎn)遠(yuǎn)的已知觀測點(diǎn)的權(quán)重[28]。

2 研究區(qū)域、數(shù)據(jù)和變量

2.1 研究區(qū)域

上海是我國的經(jīng)濟(jì)、科技、工業(yè)、金融、貿(mào)易、會展和航運(yùn)中心，共轄有16個區(qū)1個縣(圖1)。上海市的住宅房地產(chǎn)業(yè)在1993年開始正式起步[16]，經(jīng)過20年的發(fā)展，已成為上海重要的經(jīng)濟(jì)支柱。其中住宅租賃市場發(fā)展頗快，住宅租賃總面積增長迅速。以上海外環(huán)內(nèi)住宅租金為研究對象，選擇上海的主要原因有2個：一是作為國際大都市，居民人口規(guī)模龐大，外來流動人口眾多。外來人口具有較強(qiáng)的流動性，其暫住性和收入結(jié)構(gòu)必然帶來巨大的住房租賃需求。二是上海住房需求矛盾突出，作為房價最高的城市之一，其住宅房地產(chǎn)的價格從2002年以后一路上漲，居高不下，租賃房屋成為收入不高或不穩(wěn)定群體的唯一選擇。兩者導(dǎo)致上海擁有一個龐大且具有特殊性的住宅租賃市場。而上海市主要居住用地開發(fā)集中在中心城區(qū)及部分近郊，故選擇外環(huán)以內(nèi)作為分析區(qū)域。 地理學(xué)第二定律認(rèn)為，研究區(qū)域外的因素對研究區(qū)域內(nèi)的空間分布會有影響，產(chǎn)生一定的 “邊界效應(yīng)”。為了克服“邊界效應(yīng)”，以外環(huán)為緩沖對象，外環(huán)內(nèi)的樣本點(diǎn)的最優(yōu)帶寬11 280 m為緩沖半徑，生成研究邊界，分析外環(huán)內(nèi)各租金影響因子空間分布結(jié)構(gòu)。 以上海為研究對象，可以獲取典型城市租金的研究方法和經(jīng)驗(yàn)，以期推廣到中國其他城市研究。

圖1 研究區(qū)域Fig.1 Location of study area

為了保證分析的空間連續(xù)性，研究區(qū)域僅包括上海的大陸部分，不考慮崇明縣及其他島嶼。

2.2 數(shù)據(jù)與變量

數(shù)據(jù)包括住宅房屋租金、小區(qū)空間位置及屬性、公共服務(wù)設(shè)施空間位置以及商業(yè)中心位置。住宅租金信息為大型專業(yè)房地產(chǎn)租賃網(wǎng)站(如搜房網(wǎng)、好租網(wǎng)等)的掛牌數(shù)據(jù)，通過網(wǎng)頁信息抓取和數(shù)據(jù)清洗手段獲取。為避免個體特征的復(fù)雜性對租金差異的擾動，僅以比較大眾化的“兩室一廳一衛(wèi)”房型為研究對象，以外環(huán)內(nèi)居民小區(qū)為基本統(tǒng)計單元，取其房屋租賃價格的平均值為該小區(qū)出租房的平均租金。與此同時，還收集了小區(qū)建筑年代及綠化率等其他屬性信息。針對鄰里特征采集了三級醫(yī)院、特色小學(xué)、示范中學(xué)、地鐵站點(diǎn)、甲級寫字樓及市中心的地址及地理坐標(biāo)。為考察商業(yè)中心對租金的影響，采集了上海市的十大都市商業(yè)中心(即南京東路、南京西路、淮海中路、四川北路、徐家匯、五角場、豫園、不夜城、浦東新上海商城、中山公園)，商圈位置使用其幾何中心的地理坐標(biāo)來表示。數(shù)據(jù)采集的時間范圍為2012年12月—2013年1月。所有空間位置數(shù)據(jù)均從Google Map上采集。居民小區(qū)樣本點(diǎn)分布見圖2，各因子的空間分布見圖3，建?？紤]的變量見表1。

圖2 上海市租賃房屋價格樣本點(diǎn)分布Fig.2 Distribution of sampled rental housing in Shanghai

圖3 影響因子空間分布Fig.3 Spatial distribution of potential impact factors

2.3 數(shù)據(jù)預(yù)處理

采用抓取方式收集網(wǎng)站數(shù)據(jù)具有不確定性。由于租賃信息由個人發(fā)布且缺乏質(zhì)量控制，抓取到的數(shù)據(jù)存在冗余(重復(fù))、一致性差(相互沖突)或相關(guān)程度低(對研究沒有利用價值)的問題，需進(jìn)行清洗預(yù)處理。

根據(jù)研究設(shè)計，首先，從所有數(shù)據(jù)中將租賃方式為“整租”、房型為“兩室一廳一衛(wèi)”的數(shù)據(jù)篩選出來，并剔除住宅建筑面積小于40 m2的數(shù)據(jù)，再計算所有小區(qū)1 m2

表1 建模所用的統(tǒng)計變量一覽表Tab.1 List of statistical variables to be used in modeling

的平均月租金。其次，剔除高度異常值。所謂的異常值是指3倍于平均值偏差及以上的樣本值。根據(jù)城市房產(chǎn)網(wǎng)站數(shù)據(jù)顯示，2013年3月14日的上海市住宅平均租金為53.37元/(月·m2)，故將偏離平均值3倍以上的數(shù)據(jù)篩選出來，即小于10元/(月·m2)以及大于200元/(月·m2)的小區(qū)，返回搜房網(wǎng)和好租網(wǎng)上尋找這些小區(qū)，以檢驗(yàn)單位面積月租金的合理性，并剔除不合理的數(shù)據(jù)。

數(shù)據(jù)預(yù)處理包括對各小區(qū)各類特征指標(biāo)的計算，包括到上海市中心、最近商業(yè)中心區(qū)位特征，到最近特色小學(xué)、示范中學(xué)、三級醫(yī)院距離、甲級寫字樓及地鐵站點(diǎn)距離的鄰里特征，以及小區(qū)的完工年代和小區(qū)綠化率所代表的小區(qū)整體特征。距離指標(biāo)計算采用了歐氏幾何算法，即假定各因子對租金變化的空間影響為直線方式。共線性檢驗(yàn)和顯著性檢驗(yàn)分別使用了SPSS統(tǒng)計軟件包和GWR3應(yīng)用軟件，GWR建模及結(jié)果可視化使用了美國ESRI公司的ArcGIS空間分析平臺。

3 非空間與空間模型構(gòu)建與參數(shù)檢驗(yàn)

3.1 模型的形態(tài)選擇

表2 OLS模型和GWR模型的各參數(shù)對比Tab.2 Comparison between OLS model and GWR model

3.2 系數(shù)顯著性分析及建模檢驗(yàn)

由于GWR對每個租金樣本點(diǎn)(小區(qū))分別建模，生成的模型數(shù)量等于樣本量。對所有模型中各變量進(jìn)行蒙特卡洛顯著性檢驗(yàn)(表3)。所有統(tǒng)計量均有顯著的空間變異，表明局部影響機(jī)制有較高的復(fù)雜度。

表3 各因子系數(shù)蒙特卡羅顯著性檢驗(yàn)Tab.3 The Monte Carlo significance test of all factors

說明***，**，*代表置信水平為0.1%，1%，5% 。

由于GWR的逐點(diǎn)建模特性，不存在一個固定的回歸方程，為方便分析，表4將模型檢驗(yàn)指標(biāo)歸納為6個常用的分布統(tǒng)計量。對局部多重共線的檢測采用條件數(shù)(cond)，最大值小于30，共線問題不明顯，且整體波動較小，說明模型較為可靠。LocalR2均值為0.419，表示局部解釋力度總體較低。各點(diǎn)殘差(絕對值)和系數(shù)標(biāo)準(zhǔn)誤差總體均較小，說明模型的擬合效果較好，可信度較高。各指標(biāo)的中位數(shù)與平均值相當(dāng)，樣本模型指標(biāo)基本遵從正態(tài)分布, 達(dá)到無偏估計的要求。

4 空間回歸模型結(jié)果分析

對隨地理位置變化的回歸系數(shù)分析結(jié)合了兩種方式。一是使用五點(diǎn)分布統(tǒng)計量分析法總結(jié)各因子系數(shù)的量值分布趨勢(表5)，二是使用反距離權(quán)重(IDW)法對逐點(diǎn)建模獲得的因子系數(shù)做空間插值處理，制作變量系數(shù)分布地圖來檢測各因子對租金影響的空間變化(圖4～圖10)。

表5 GWR模型各因子系數(shù)Tab.5 Coefficients of GWR model estimation

所有樣本點(diǎn)的甲級寫字樓價格彈性與住宅租金均成負(fù)比，且遠(yuǎn)大于其他因子。如果說租金反映租戶需求的話，租戶對就業(yè)可達(dá)性的關(guān)注度最高。市中心和地鐵站因子系數(shù)在各個分位數(shù)上差別不大，說明兩者對租戶居住區(qū)位的選擇同樣重要。除甲級寫字樓外，最大值中三級醫(yī)院對租金的影響最大，其次為中小學(xué)和地鐵，租戶對設(shè)施的關(guān)注也依次為疾病健康、配套教育和交通便利。這似乎符合一般暫住人口的需求，因?yàn)橄鄬@些服務(wù)，市中心對這些人口沒有實(shí)際功用和吸引力。在上分位數(shù)上，各因子的順序出現(xiàn)變化，在醫(yī)院、地鐵仍然領(lǐng)先的同時，市中心的影響超越了學(xué)校，這一格局繼續(xù)保持到中位數(shù)，且市中心的影響甚至追平了地鐵。這一趨勢表明，市中心對房價有重要的歷史定位作用，即使租戶只愿意支付服務(wù)設(shè)施帶來的價格部分，也毫無選擇地承擔(dān)歷史帶來的額外費(fèi)用。在下分位數(shù)上，醫(yī)院的作用退居末位，可能是因?yàn)榉植歼^于集中，使其具有較高的距離衰減率。而表5中的“最大值”由負(fù)變正，與各因子的效用相悖，說明這些租賃點(diǎn)已經(jīng)超出因子的影響范圍，具有完全獨(dú)立租金定位。小區(qū)綠化率價格彈性中位數(shù)與住宅租金成正比，符合預(yù)期。小區(qū)竣工年限對租金的影響不及其他設(shè)施，這也側(cè)面反映了租戶的暫住性。

4.1 小區(qū)區(qū)位特征分析

4.1.1 與市中心的距離因子分析。住宅地與市中心的距離是影響住宅租金的一個重要因素。該影響因子系數(shù)的中位數(shù)為-0.026，即距離市中心每增加1 km，住宅租金的中位數(shù)就下降2.6%。有91.1%的數(shù)據(jù)顯示住宅租金與市中心的距離成反比。一般說來，似乎離市中心越遠(yuǎn)，住宅租金越低，反之越高；但從圖4看，并非如此。市中心對上海住宅租金的影響基本上呈輻射分布，并形成“東強(qiáng)西弱”的格局。造成輻射分布的原因似乎跟市區(qū)主要交通要道同樣的輻射布局有關(guān)。東郊的浦東新區(qū)及其周邊區(qū)域所受影響明顯大于西郊，也主要因其對市中心的通達(dá)性相對較高，加上政府對新區(qū)開發(fā)政策的傾斜，使之表面看起來像是市中心輻射影響的效果。虹口區(qū)、楊浦區(qū)、閘北區(qū)的住宅租金受到市中心的影響最大，主要因?yàn)樵搮^(qū)域毗鄰市中心，各方面社會經(jīng)濟(jì)活動(如就業(yè)、購物、商業(yè))強(qiáng)度最高，租金定位面向白領(lǐng)類固定工薪階層。市中心以南長寧、靜安、普陀受影響最低，疑似該區(qū)域特殊階層的租戶更注重交通便捷以及就醫(yī)便利而忽略市中心的影響。值得注意的是，環(huán)線的存在對該格局的形成幾乎沒有影響。

圖4 市中心對住宅租金的影響Fig.4 Impacts of city center on residential rent

4.1.2 與甲級寫字樓距離因子分析。求租者的暫住性和流動性使得他們在居住區(qū)位的選擇上有較大的自由度，這也必然導(dǎo)致其選擇通勤成本低的區(qū)域居住，即盡可能鄰近就業(yè)中心。甲級寫字樓常位于中央商務(wù)區(qū)，擁有便捷的交通，在短時間內(nèi)可到達(dá)各公共交通點(diǎn)，大樓總體量較大，能吸納了大量的人力資源，選用其近似代替就業(yè)中心。與甲級寫字樓因子系數(shù)的中位數(shù)為-0.088，即距離市中心每增加1 km，住宅租金的中位數(shù)就下降8.8%。全部的數(shù)據(jù)顯示住宅租金與甲級寫字樓的距離成反比(圖5)。就業(yè)中心過于集中于內(nèi)環(huán)，城市道路體系交通設(shè)施尚不完善，較高的通勤時間和通勤成本降低了租戶的生活質(zhì)量，在居住成本和通勤成本的權(quán)衡下，所有求租者都不希望居住與就業(yè)過度分離。說明就業(yè)與空間匹配問題是租戶選擇暫住小區(qū)的重要考慮內(nèi)容。就業(yè)中心對靜安區(qū)、黃浦區(qū)、徐匯北、普陀?xùn)|等區(qū)域的租金影響最大。該區(qū)域的租戶普遍為“白領(lǐng)”甚至“金領(lǐng)”，工作繁忙，時間寶貴，不愿花費(fèi)大量的通勤時間，同時擁有較高的支付能力，為鄰近就業(yè)中心支付能力強(qiáng)、意愿高。其他區(qū)域的甲級寫字樓空間效應(yīng)相似，這些區(qū)域的租戶在時間成本和貨幣成本的權(quán)衡下，更注重貨幣成本，在考慮了居住成本的情況下也充分考慮了通勤便利性，即通勤成本。

圖5 寫字樓對住宅租金的影響Fig.5 Impacts of office buildings on residential rent

4.1.3 與地鐵站點(diǎn)距離因子分析。地鐵具有快速、準(zhǔn)時、廉價的明顯優(yōu)勢，能明顯改善周邊區(qū)位條件，對城市暫住者來說，是公共交通的首選。地鐵站距離因子的系數(shù)中位數(shù)為-0.026，表明相對最近的地鐵站，每增加1 km距離，住宅租金的中位數(shù)就下降2.6%，有82.6%的數(shù)據(jù)顯示住宅租金與地鐵站的距離成反比。受地鐵線路的輻射布局影響，地鐵對租金的空間影響也必然呈輻射分布。地鐵站點(diǎn)對租金的影響在不同的區(qū)域呈現(xiàn)出明顯差異(圖6)。一個普遍規(guī)律是，地鐵站在站點(diǎn)密集區(qū)域中影響較低，站點(diǎn)稀疏區(qū)域較高。如內(nèi)環(huán)內(nèi)的租賃點(diǎn)受地鐵影響較低，原因是交通資源充沛，市中心交通便捷，公交車等其他可替代資源也比較多，不存在嚴(yán)重的出行制約，對地鐵依賴程度較低。對于區(qū)位條件不佳而交通資源又相對匱缺的如普陀西、浦東中、嘉定南，且該區(qū)域租戶多通勤率較高，一旦建成單獨(dú)的地鐵系統(tǒng)，便成為首選交通工具，對租金價格有舉足輕重的影響。地鐵站的修建能明顯提高區(qū)域內(nèi)的住宅租金和住房價格。

圖6 地鐵站對住宅租金的影響Fig.6 Impacts of metro stations on residential rent

4.2 小區(qū)鄰里特征分析

4.2.1 與學(xué)校距離因子分析。學(xué)校是一種重要的公共資源，提供了教育資源的同時又改善了附近的人文環(huán)境，促進(jìn)了周邊的商業(yè)發(fā)展。特色小學(xué)、示范中學(xué)作為一種優(yōu)質(zhì)教育資源對地價的提升尤為重要。與特色小學(xué)、示范中學(xué)距離的影響因子系數(shù)的中位數(shù)為-0.012，意味著距離每增加1 km，住宅租金中位數(shù)就下降1.2%，有72.0%的數(shù)據(jù)顯示住宅租金與中小學(xué)的距離成反比。從整體上來看，學(xué)校的影響分布與地鐵站有相似之處。中環(huán)以內(nèi)教育資源相對豐富，學(xué)校分布密集，而學(xué)校附近在上學(xué)放學(xué)時交通擁擠，對附近的居民造成一定的不便，因此造成了離學(xué)校越近住宅租金越低的現(xiàn)象。僅虹口區(qū)、長寧區(qū)和浦東區(qū)靠市中心一側(cè)情況不同。虹口區(qū)、長寧區(qū)優(yōu)質(zhì)教育資源分布不均，主要分別集中在南部區(qū)域、東部區(qū)域，就近學(xué)區(qū)上學(xué)的原則導(dǎo)致租戶偏愛南部區(qū)域的小區(qū)，故租金對學(xué)校的敏感度也隨之提高。在浦東區(qū)靠市中心一側(cè)聚集了大量高層的高檔小區(qū)，其居住人口的密度、收入和素質(zhì)均較高，較重視教育，相較于密集的人口，優(yōu)質(zhì)的教育資源顯得不足，造成學(xué)校對租金的影響頗大。另外，由于學(xué)區(qū)劃分的緣故，環(huán)內(nèi)各區(qū)面積較小，距離差異不大，因?qū)W校位置產(chǎn)生的租金影響也難以體現(xiàn)(圖7)。相比之下，影響該區(qū)域租金的主導(dǎo)因素是醫(yī)院位置(圖8)。

圖7 學(xué)校對住宅租金的影響Fig.7 Impacts of schools on residential rent

4.2.2 與醫(yī)院距離因子分析。三級醫(yī)院擁有優(yōu)質(zhì)醫(yī)療技術(shù)和設(shè)施，為城市居民提供不可或缺的醫(yī)療服務(wù)。上海市三級醫(yī)院分布主要集中在中環(huán)以內(nèi)。三級醫(yī)院距離影響因子的系數(shù)中位數(shù)為-0.042，即距離每增加1 km，住宅租金中位數(shù)就下降4.2%。從圖8上看，長寧、普陀、靜安所受影響最大，表明浦西為傳統(tǒng)的居民住宅區(qū)，人口密度相對較高，對醫(yī)療服務(wù)需求量也較高，造成醫(yī)院位置對租賃價格的影響比重較大；浦東新區(qū)對醫(yī)院服務(wù)的依賴似乎較輕，除了人口密度相對較低和人口組成(外國僑民和白領(lǐng)居多)因素之外，新區(qū)交通便捷也是一個重要原因。另外，也與人口流動有關(guān)：由于醫(yī)療資源不受戶籍限制，浦西的租戶可選擇靠近工作地點(diǎn)附近的三級醫(yī)院。相比起學(xué)校位置，其重要性退居次要地位。此外，圖8表明三級醫(yī)院空間效應(yīng)的衰減指數(shù)很大，外環(huán)以內(nèi)的區(qū)域形成西到南方向的影響趨勢，甚至出現(xiàn)正相關(guān)。統(tǒng)計結(jié)果也顯示，22.7%的住宅租金與三級醫(yī)院的距離成正相關(guān)，這些區(qū)域主要分布在浦東新區(qū)、楊浦區(qū)、寶山區(qū)。這些區(qū)域地處城市邊緣，中心城區(qū)的三級醫(yī)院的服務(wù)功能明顯無法惠及。另一個可能的重要原因與人口流動有關(guān)：由于醫(yī)療資源不受戶籍限制，在市中心上班的郊區(qū)租戶，可選擇靠近工作地點(diǎn)附近的三級醫(yī)院就醫(yī)。

圖8 三級醫(yī)院對住宅租金的影響Fig.8 Impacts of hospitals on residential rent

4.3 小區(qū)整體特征分析

4.3.1 小區(qū)綠化率因子分析。有95.1%的數(shù)據(jù)顯示小區(qū)租金高低與小區(qū)綠化率大小成正比，小區(qū)集中綠地越大，綠化率越高，租金也越高。小區(qū)綠化率對上海住宅租金的影響也呈現(xiàn)“東強(qiáng)西弱”的格局(圖9)。浦東、黃浦、虹口、靜安、楊浦及閘北東的綠化率對租金影響較大，說明這些區(qū)域的租戶較關(guān)注小區(qū)生活環(huán)境，注重生活品質(zhì)。這些區(qū)域?yàn)樯虾BD，經(jīng)濟(jì)繁榮，租金較高，該區(qū)域的租客基本上屬于高收入人群，同時該區(qū)域是人口密集集中建成連片的城市區(qū)域，居住環(huán)境并不是十分理想，周邊綠地資源顯得尤為稀缺，故暫住于此者對綠地需求強(qiáng)烈，支付意愿較高。特別在浦東新區(qū)和黃浦東小區(qū)綠化率對租金的影響最大，該區(qū)域?yàn)樯虾５腃BD，居住著大量的“金領(lǐng)”，有較高的支付能力，愿意支付小區(qū)環(huán)境帶來的額外的價格。這也與實(shí)際情況相符，即凡是高檔小區(qū)綠化率明顯高于其他小區(qū)[19]。長寧、普陀和徐匯擁有眾多的公園等城市綠地資源，小區(qū)綠地對租金的影響顯得并不重要。寶山、閔行人口密度較低，綠地資源相對不缺乏，經(jīng)濟(jì)相對不繁榮，租戶收入相對不高，對小區(qū)綠地的支付意愿不強(qiáng)烈。

圖9 小區(qū)綠化率對住宅租金的影響Fig.9 Impacts of green rate on residential rent

4.3.2 小區(qū)年齡因子分析。小區(qū)年齡影響因子系數(shù)的中位數(shù)為-0.004，即小區(qū)年齡每增長1年住宅租金的中位數(shù)便下降0.4%。有94.8%的小區(qū)租金高低與小區(qū)年齡大小成反比(圖10)。浦東新區(qū)小區(qū)年齡對住宅租金影響較大。因?yàn)樵搮^(qū)域?yàn)樾屡d區(qū)域，建有大量新建小區(qū)，竣工時間早的小區(qū)的配套設(shè)施設(shè)備顯得相對落后和不完善，在區(qū)位條件相似的情況下，新竣工小區(qū)的租金必然高于早竣工小區(qū)，因此，在該區(qū)域中小區(qū)年齡對住宅租金的影響較大。竣工時間對外環(huán)內(nèi)其他區(qū)域租金影響的空間差異不大。這些區(qū)域?yàn)閭鹘y(tǒng)的建成區(qū)，分布著大量竣工時間相仿的成熟小區(qū)，小區(qū)的配套設(shè)施較完善，生活便捷，交通便利，該區(qū)域的租戶似乎更注重就業(yè)可達(dá)性(圖5)，盡可能地縮短通勤時間。

圖10 小區(qū)年齡因子對住宅租金的影響Fig.10 Impacts of community’s age on residential rent

5 結(jié)論與展望

1)反映區(qū)位特征的因素對上海 住宅 租金有重要影響。由于上海市區(qū)交通干線的分布模式， 市中心距離對租金的作用總體呈輻射狀分布，而且形成“東強(qiáng)西弱”的格局；除浦東新區(qū)外，對郊區(qū)的影響明顯小于中心城區(qū)。一些區(qū)域的租金明顯與市中心位置無關(guān)，而更傾向于表示鄰里特征的醫(yī)療和教育因素。地鐵站點(diǎn)對城市中心的租金影響較弱，相反對近郊影響很大，表明地鐵仍是密集人口的近郊連接市區(qū)的主要方式，對地鐵出行的依賴性更強(qiáng)。這表明在城市化進(jìn)程中，一方面應(yīng)該完善郊區(qū)內(nèi)部自身的資源配置，發(fā)展多中心模式，避免所謂“睡城”的出現(xiàn)；另一方面應(yīng)加大郊區(qū)地鐵軌道交通的投入，以增加市中心資源對郊區(qū)的輻射和區(qū)域間的互動。另外，所有的數(shù)據(jù)顯示租戶均較重視就業(yè)可達(dá)性，而內(nèi)環(huán)西的租戶更愿為靠近就業(yè)中心支付附加價格，該區(qū)域居住著大量收入高、工作強(qiáng)度大的“金領(lǐng)”，對通勤成本的接受范圍較小。

2)反映鄰里特征的因素對上海住宅租金分布也具有顯著影響。由于教育資源的非均衡分布，市區(qū)和近郊呈現(xiàn)了完全不同的結(jié)果。在優(yōu)質(zhì)教育資源稀缺的近郊，租金表現(xiàn)出對學(xué)校距離的高度敏感；而市區(qū)內(nèi)學(xué)校相對集中，學(xué)區(qū)劃分較細(xì)，且囿于戶籍政策，對租金的彈性大大降低，甚至走向反面。醫(yī)療資源在空間分布上的非均衡性更大。因無戶籍制度限制，居民似乎有更多選擇，但同時也更加受制于距離。三級醫(yī)院對租金的影響明顯呈現(xiàn)急劇衰減趨勢。城市中心區(qū)域的東西兩部呈現(xiàn)兩極分化，反映了傳統(tǒng)居民區(qū)的浦西與新近開發(fā)的浦東在人口密度和組成以及交通便利程度方面的區(qū)別，表明在配置各種公共資源中，應(yīng)充分考慮不同資源的可獲得性和人口流動的影響。

3)在整體特征方面，經(jīng)濟(jì)繁榮區(qū)域(如黃浦區(qū)、陸家嘴)的租戶更愿意為小區(qū)環(huán)境支付額外的價格，而寶山區(qū)、普陀北等區(qū)域的租戶更偏重于能滿足基本生存需求的住房居住功能，對小區(qū)綠化支付意愿不高。小區(qū)竣工年限對浦東等新興區(qū)域的租金影響較大，表明在新興區(qū)域租戶更偏向于新建小區(qū)。租戶對小區(qū)整體特征上的偏好應(yīng)成為城市規(guī)劃和相關(guān)政策制定時考慮的因素。

研究設(shè)計仍存在一些不足。OLS和GWR模型較低的擬合度、各因子對租金變異的解釋力度以及一些點(diǎn)位出現(xiàn)與預(yù)期方向相反的影響，均表明研究忽略了一些重要的潛在影響因素。例如模型中使用的歐氏距離明顯與實(shí)際的城市交通不相符，而結(jié)果揭示的一些因子的空間影響格局可以看到主干交通線和地鐵線的影子。模型還可以考慮引入人口密度分布和人口群組分布，以獲得對租金空間變異更有力的解釋。

[1] Lancaster K J.A New Approach to Consumer Theory[J].Journal of Political Economy,1966,74(2):132-157.

[2] Lancaster K J.Consumer Demand:A New Approach[M].New York:Columbia University Press,1971.

[3] Rosen S.Hedonic Prices and Implicit Markets:Product Differentiation in Pure Competition[J].Journal of Political Economy,1974,82(1):35-55.

[4] Fotheringham A S,Brunsdon C,Charlton M.Geographically Weighted Regression:The Analysis of Spatially Varying Relationships[M].New York:Wiley,2002.

[5] Brunsdon C,Fotheringham A S,Charlton M.Some Notes on Parametric Significance Tests for Geographically Weighted Regression[J].Journal of Regional Science,1999,39(3):497-524.

[6] 楊瑛,李同昇,馮小杰.西安市主城區(qū)居住空間住宅價格分布格局與驅(qū)動機(jī)制[J].地域研究與開發(fā),2015,34(5):68-74.

[7] Tang Q,Xu W,Ai F.Spatial Pattern and Structural Determinants of Shanghai’s Housing Price:A GWR-based Approach[J].International Conference on Geoinformatics,2011,32:1-6.

[8] 王一川.城市租賃住宅特征價格研究[D].杭州:浙江大學(xué),2010.

[9] Bible D,Cheng-Ho H.Applications of Geographic Information Systems for the Analysis of Apartment Rents[J].The Journal of Real Estate Research,1996,12(l):79-91.

[10] 王麗華.租賃住宅特征價格研究[D].杭州:浙江工業(yè)大學(xué)，2007.

[11] 吳一洲,陳前虎,吳次芳.基于GIS-SCENARIO的城市寫字樓容量空間布局研究——以杭州主城區(qū)為例[J].規(guī)劃師,2010,26(3):88-94.

[12] 張維陽,李慧,段學(xué)軍.城市軌道交通對住宅價格的影響研究——以北京市地鐵一號線為例[J].經(jīng)濟(jì)地理,2012,32(2):46-51.

[13] 楊建華.鄭州軌道交通對沿線房地產(chǎn)的影響[J].地域研究與開發(fā),2009,28(4):62-66.

[14] 王德,黃萬樞.Hedonic住宅價格法及其應(yīng)用[J].城市規(guī)劃,2005,29(3):62-71.

[15] 溫海珍.城市住宅的特征價格：理論分析與實(shí)證研究[D].杭州:浙江大學(xué),2004.

[16] 郝前進(jìn).特征價格法與上海住宅價格的決定機(jī)制研究[D].上海:復(fù)旦大學(xué),2007.

[17] Clark D E，Herrin W E.The Impact of Public School Attributes on Home Sale Price in California[J].Growth and Change,2000,31:385-407.

[18] 斯子文,石憶邵.三甲醫(yī)院對人口分布及房價影響的研究——以復(fù)旦大學(xué)附屬兒科醫(yī)院為例[J].經(jīng)濟(jì)地理,2013,33(10):74-81.

[19] 湯慶園,徐偉,艾福利，等.基于地理加權(quán)回歸的上海市房價空間分異及其影響因子研究[J].經(jīng)濟(jì)地理,2012,32(2):52-58.

[20] 張雷,陳杰.上海居民對環(huán)境綠化需求的支付意愿及其空間變化——基于上海樓盤價格數(shù)據(jù)的特征法測度[J].中國房地產(chǎn),2012,19(18):3-13.

[21] 高曉路,淺見泰司.市場學(xué)方法與城市規(guī)劃研究[J].城市規(guī)劃,2002,26(5):6-13.

[22] 曾暉,楊平,朱建君，等.城市住宅價格影響因素的空間非平穩(wěn)性分析[J].湖南大學(xué)學(xué)報:自然科學(xué)版,2012,39(5):88-92.

[23] 張潔.基于GWR模型的城市住宅地價空間分異研究——以杭州市為例[D].杭州:浙江大學(xué),2012.

[24] 羅罡輝.基于GWR模型的城市住宅地價空間結(jié)構(gòu)研究[D].杭州:浙江大學(xué),2007.

[25] 汪婧.基于GWR模型的住宅地價空間變異分析[D].南京:南京大學(xué),2012.

[26] Chau K W,Ng F F,Hung E C T.Developer’s Good Will as Significant Influence on Apartment Unit Prices[J].Appraisal Journal,2001,69(1):26-3.

[27] Hope C A.A Simplified Monte Carlo Significance Test Procedure[J].Journal of the Royal Statistical Society Series B,1968,30:58-98.

[28] 湯國安,楊昕.ArcGIS地理信息系統(tǒng)空間分析實(shí)驗(yàn)教程[M].北京:科學(xué)出版社,2006.

[29] 孫瑜,史明昌,彭歡,等.基于MAXENT模型的黑龍江大興安嶺森林雷擊火火險預(yù)測[J].應(yīng)用生態(tài)學(xué)報,2014,25(4):1100-1106.

Factors behind Residential Rent Distribution in Outer Ring of Shanghai: A GWR-based Hedonic Price Analysis

Wang Jiali1, Ji Minhe2, Deng Zhongwei3

(1.ZhejiangHuadongConstructionEngineeringCo.,Ltd,Hangzhou310014,China; 2.GeographyDepartment,EastChinaNormalUniversity,Shanghai200241,China; 3.ShanghaiFinanceUniversity,Shanghai200434,China)

This paper tried to establish a spatial autoregressive model based on Hedonic price method, in order to find out the factor behind residential rent distribution in Shanghai. Web data capture and data cleaning were used to get the data of the residential rent in Shanghai from December 2012 to January 2013. Based on Hedonic price method, the paper grouped nine influential factors into three categories: regional, neighborhood, and overall.Ordinary least square (OLS) analysis and geographically weighted regression (GWR) were used as competing models to characterize the relationship between the spatial structure of residential rent and individual factors. The results indicate that the GWR model outperforms the OLS model in revealing the structural determinants of residential rent in Shanghai. The influential effect of the commerce centers generate a radiating pattern of “weak East and strong West” on residential rental distribution, which is opposite to city center. The location of metro and subway stations generates strong impact on rent in suburb and much less in the downtown area. In inner ring, the tenements pay more attention to job access. The distribution of education and medical resources is imbalanced, as the latter is not limited by the household registration, so its influence on the rental price in suburban areas is weaker. The tenements of Pudong would like to pay the extra price for the environment and age of the neighborhood.

Hedonic price method; GWR model; residential rent; outer ring; Shanghai City

2015-04-23；

2016-07-27

國家自然科學(xué)基金項(xiàng)目(4067107)；上海金融學(xué)院委托浦東改革與發(fā)展研究院資助課題(2015-Z-D16-C)

汪佳莉(1990-)，女，浙江杭州市人，碩士研究生，主要從事地理信息處理、空間統(tǒng)計分析、地理信息系統(tǒng)在土地規(guī)劃中的應(yīng)用等研究，(E-mail)wangruiqi20069@163.com。

鄧中偉(1984-)，男，河南開封市人，講師，博士，主要從事空間數(shù)據(jù)挖掘等研究，(E-mail)zwdeng@qq.com。

F127

A

1003-2363(2016)05-0072-09