城市二手房價(jià)格的影響因素及其空間效應(yīng)
——基于MGWR模型對(duì)南京的實(shí)證

紀(jì)宇凡，戴 靚，丁子軍，董俞辰，李思為

（南京財(cái)經(jīng)大學(xué) 公共管理學(xué)院，江蘇 南京 210023）

0 引言

住房制度改革和快速城鎮(zhèn)化促使我國城市住宅價(jià)格經(jīng)歷了20 多年的持續(xù)上漲，高房價(jià)與低收入之間的矛盾已成為當(dāng)前最受關(guān)注的民生問題。隨著“房住不炒”政策的推行和可開發(fā)空間的收緊，新房市場(chǎng)增速放緩，房地產(chǎn)市場(chǎng)逐漸由增量房轉(zhuǎn)為存量房市場(chǎng)。2021 年6 月全國住房形勢(shì)顯示（禧泰數(shù)據(jù)報(bào)告），二線城市房價(jià)仍整體微幅增長，但部分城市漲幅較大，如南京二手房價(jià)格環(huán)比上漲2.18%。根據(jù)易居研究院 2020 年全國房價(jià)收入比報(bào)告（fangchan.com），南京的房價(jià)收入比為18.6，位居全國前十大城市，遠(yuǎn)超合理水平。高房價(jià)不僅是經(jīng)濟(jì)問題，更是影響深遠(yuǎn)的社會(huì)問題，會(huì)導(dǎo)致生育率降低、人才流失、負(fù)債率增加，從而對(duì)區(qū)域創(chuàng)新水平、城市競(jìng)爭(zhēng)力和人民幸福感產(chǎn)生負(fù)作用。因此，探討南京二手房價(jià)格的影響機(jī)制，對(duì)房地產(chǎn)市場(chǎng)的精準(zhǔn)調(diào)控和城市經(jīng)濟(jì)的健康發(fā)展具有重要意義。

學(xué)者們對(duì)城市住房價(jià)格影響機(jī)制的研究主要從宏觀與微觀兩個(gè)層面展開。從宏觀來看，影響因素包括房地 產(chǎn) 干 預(yù) 政 策［1］、貨 幣 政 策［2］、稅 費(fèi) 制 度［3］、城市規(guī)劃與產(chǎn)業(yè)升級(jí)［4］等外部區(qū)域級(jí)屬性和人口與經(jīng)濟(jì)增長［5］、土 地 供 應(yīng)［6］、居 民 收 入 與 消 費(fèi) 水 平［7］、基礎(chǔ)設(shè)施和公共服務(wù)［8］等內(nèi)在區(qū)域級(jí)屬性；從微觀來看，影響因素包括區(qū)位特征［9］、鄰里特征［10］、房屋建筑結(jié)構(gòu)特征［11］、居住環(huán)境特征［12］等房屋或小區(qū)級(jí)指標(biāo)。相關(guān)研究方法經(jīng)歷了從基于空間均質(zhì)性假設(shè)的隨機(jī)森林理論［13］、系統(tǒng)動(dòng)力學(xué)模型［14］、特征價(jià)格模型（Hedonic price model）［15］、多 元 線 性 回 歸［16］等，到考慮空間異質(zhì)性的地理加權(quán)回歸（GWR）［17］、半?yún)?shù)地 理 加 權(quán) 回 歸（SGWR）［18］、時(shí) 空 地 理 加 權(quán) 回 歸（GTWR）［19］等的演變。

不同層面不同地區(qū)的實(shí)證研究均表明房價(jià)影響機(jī)制存在明顯的空間分異。宋偉軒等［20］發(fā)現(xiàn)，長三角區(qū)縣房價(jià)受各地區(qū)行政、經(jīng)濟(jì)、社會(huì)和人力資源影響，且各因素對(duì)區(qū)域房價(jià)影響程度不同，其本質(zhì)是區(qū)域資源支配能力的差異；McCord 等［21］采用GWR 模型研究了英國北愛爾蘭首府貝爾法斯特的住房市場(chǎng)，發(fā)現(xiàn)關(guān)鍵住房屬性的邊際價(jià)格在整個(gè)貝爾法斯特空間上并非恒定；Helbich 等［22］在GWR 局部模型的基礎(chǔ)上引進(jìn)SGWR 模型，刻畫了奧地利住房價(jià)格影響因素的空間差異；Yao等［23］進(jìn)一步將GWR 模型加入時(shí)間因素，通過GTWR 模型分析房屋價(jià)格與相關(guān)影響因素間關(guān)系的時(shí)空演化；李穎麗等［24］將空間擴(kuò)展模型與GWR 模型相結(jié)合，揭示了多中心山地城市重慶市的住房市場(chǎng)空間異質(zhì)性。相比于傳統(tǒng)OLS模型，GWR 類的模型嵌入了地理位置信息，考慮了同一影響因子的空間非平穩(wěn)性、空間異質(zhì)性和空間依賴性特征，增強(qiáng)了對(duì)實(shí)際房價(jià)的解釋效力，但其擬合過程中采用統(tǒng)一的帶寬參數(shù)，沒有考慮不同影響因子作用范圍即尺度效應(yīng)的差異。SGWR 模型一定程度上將影響變量運(yùn)行尺度作出局部與全局的區(qū)分，但仍然不夠精細(xì)。為了解決不同影響因素變量的同一帶寬問題，F(xiàn)otheringham［25］和Yu 等［26］相繼提出了多尺度地理加權(quán)回歸模型（Multiscale geographically weighted regression，MGWR）的理論基礎(chǔ)和統(tǒng)計(jì)推斷，從而形成了更接近現(xiàn)實(shí)空間過程的多帶寬的非參模型［27］。

綜上，本文以南京市二手房價(jià)格為例，通過MGWR和Hedonic特征價(jià)格模型，更加精準(zhǔn)地分析城市房價(jià)的影響因素及其空間效應(yīng)，揭示同一因素對(duì)房價(jià)影響在性質(zhì)和程度上的空間差異，反映不同因素對(duì)房價(jià)影響作用的空間尺度與分異規(guī)律，以期為南京房地產(chǎn)調(diào)控和城市資源規(guī)劃布局提供參考。

1 研究方法和數(shù)據(jù)來源

1.1 研究區(qū)域與數(shù)據(jù)來源

南京二手房價(jià)格來自于鏈家網(wǎng)（https：//nj.lianjia. com/ershoufang/）2020 年 南 京 二 手 房 成 交 數(shù) 據(jù)。鏈家在中介機(jī)構(gòu)排名第一，在南京二手房市場(chǎng)所占份額也居第一，其網(wǎng)站數(shù)據(jù)更加完整且具代表性。通過Python爬取了南京11 個(gè)轄區(qū)2020 年二手房交易數(shù)據(jù)21879 條，通過結(jié)構(gòu)化編程獲得每個(gè)房屋的信息，包含地理位置（經(jīng)緯度）、交易價(jià)格、面積、戶型、樓層、朝向、小區(qū)名稱、建筑年代、建筑類型、到最近地鐵站和公交站的距離、到最近中小學(xué)的距離、到最近醫(yī)院和公園的距離。其中，2020 年高淳區(qū)成交記錄僅有21 條。為保證各市轄區(qū)樣本數(shù)量的均衡性，研究區(qū)最終定為南京5 個(gè)主城區(qū)（鼓樓區(qū)、秦淮區(qū)、玄武區(qū)、建鄴區(qū)、雨花臺(tái)區(qū)）和4 個(gè)近郊區(qū)（浦口區(qū)、六合區(qū)、棲霞區(qū)、江寧區(qū)），未包含遠(yuǎn)郊區(qū)的高淳區(qū)和溧水區(qū)。對(duì)數(shù)據(jù)進(jìn)行清洗，剔除信息空缺和錯(cuò)誤的數(shù)據(jù)后，得到2020 年20351 條二手房交易數(shù)據(jù)，共涉及2841 個(gè)小區(qū)。為納入更多的變量，從安居客（https：//nanjing.anjuke.com/）獲取每個(gè)小區(qū)的信息，包括物業(yè)費(fèi)、容積率、綠化率、停車位、總戶數(shù)。鑒于MGWR 算法的復(fù)雜性，最終以小區(qū)為研究對(duì)象，運(yùn)用SPSS 軟件對(duì)2020 年成交數(shù)據(jù)按小區(qū)進(jìn)行分層隨機(jī)抽樣，獲得2841 個(gè)小區(qū)樣本數(shù)據(jù)，包括該小區(qū)的基本信息和小區(qū)內(nèi)抽樣房屋的交易信息。

1.2 變量選擇與模型設(shè)定

Hedonic特征價(jià)格模型是研究微觀尺度房價(jià)影響因素的經(jīng)典方法，它從房屋商品的異質(zhì)性出發(fā)，考慮房屋所具有的屬性或特征對(duì)人們消費(fèi)效用的影響。本文采用最常用、最直觀的線性價(jià)格特征模型。參考相關(guān)研究成果，考慮到數(shù)據(jù)的可得性，本文選取建筑特征、區(qū)位特征、鄰里特征3 個(gè)維度，初步設(shè)置了17 個(gè)自變量，分別為面積（area）、樓層（floor）、臥室數(shù)（bed）、樓齡（age）、朝向（direction）、建筑類型（type）、容積率（ratio）、物業(yè)費(fèi)（fee）、綠化率（green）、車位比（car）、到最近地鐵站距離（subway）、到最近公交站距離（bus）、到市中心距離（center）、到最近小學(xué)距離（primary）、到最近中學(xué)距離（middle）、到最近醫(yī)院距離（hospital）、到最近公園距離（park）。通過Stata逐步回歸，剔除掉5%水平下不顯著的變量后，最終保留表1 中的12 個(gè)變量，其膨脹因子（VIF）均小于2，不存在多重共線性問題。

表1 模型變量描述Table 1 Description of model variables

本文采用多尺度地理加權(quán)回歸模型（MGWR），以改善經(jīng)典地理加權(quán)回歸模型（GWR）因采用同一帶寬而過多捕捉噪聲的問題。具體公式如下：

式中：yi為第i 個(gè)二手房樣本點(diǎn)的成交單價(jià)；（ui，vi）為第i 個(gè)樣本點(diǎn)的空間地理位置坐標(biāo)；xij為控制變量；εi為隨機(jī)誤差項(xiàng)；bwj 為第j 個(gè)變量回歸系數(shù)使用的帶寬，每個(gè)回歸系數(shù)βbwj都是基于局部回歸得到的，且?guī)捀鳟?。MGWR 模型的計(jì)算在MGWR2.2 軟件（https：//sgsup.asu.edu/SPARC）下完成［28］，核函數(shù)和帶寬選擇準(zhǔn)則采用經(jīng)典GWR 模型的幾種經(jīng)典的核函數(shù)和帶寬選擇準(zhǔn)則［26］。本文使用自適應(yīng)帶寬的二次核函數(shù)和修正的赤池信息準(zhǔn)則AICc，AICc值越低越好［27］。

2 南京二手房價(jià)格的空間格局

2020年，南京2841 個(gè)二手房樣本成交單價(jià)的空間分布（圖1a），總體上呈現(xiàn)由主城區(qū)中心向副城外圍遞減的單核同心圓模式［29］。其中：老城區(qū)鼓樓、秦淮、玄武最高成交價(jià)均超過8.8 萬元/m2（表2）；建鄴和雨花臺(tái)作為另外兩個(gè)主城區(qū)，承擔(dān)著疏散老城區(qū)人口的任務(wù)，最高成交價(jià)次之。就均價(jià)而言，鼓樓區(qū)均價(jià)最高，為48306 元/m2，同時(shí)變異系數(shù)也最小，整體上較為高值；雨花臺(tái)區(qū)均價(jià)處于主城區(qū)末位，與近郊的棲霞區(qū)接近。近郊區(qū)棲霞、浦口、六合二手房成交單價(jià)的變異系數(shù)明顯高于主城區(qū)。其中：浦口區(qū)房價(jià)差異最大，各小區(qū)品質(zhì)參差；江寧區(qū)成交均價(jià)和最高價(jià)位于近郊區(qū)之首，在四大區(qū)中發(fā)展最早，配套最為成熟；棲霞區(qū)次之，與江寧區(qū)一起依托大學(xué)城接收著主城區(qū)轉(zhuǎn)移出來的大量高校師生。

表2 南京二手房成交單價(jià)統(tǒng)計(jì)Table 2 Statistics of Nanjing second－ hand housing price

圖1 南京二手房價(jià)格空間分布及其空間自相關(guān)Figure 1 Spatial distribution and autocorrelation of Nanjing second－ hand housing price

2020 年，南京二手房價(jià)格的全局自相關(guān)指數(shù)為0.216，在1%的水平下顯著，呈現(xiàn)出較強(qiáng)的空間自相關(guān)性。本文通過局部空間自相關(guān)分析南京二手房成交單價(jià)空間分布情況（圖1b）。2020 年，鼓樓、建鄴、玄武、秦淮4 個(gè)主城區(qū)呈現(xiàn)出顯著的“高—高”集聚；“低—高”集聚區(qū)主要位于鼓樓、玄武與棲霞的鄰接地帶，秦淮與江寧、雨花臺(tái)的鄰接地帶；雨花臺(tái)西南部與近郊四大城區(qū)以“低—低”集聚為主；江寧北部的東山商圈和棲霞南部的仙林商圈位置為“高—低”集聚區(qū)。由此可見，南京主城區(qū)的二手房價(jià)以鼓樓為絕對(duì)中心，主城區(qū)對(duì)附近低值聚集區(qū)存在著高值空間溢出效應(yīng)。

3 擬合模型對(duì)比分析

3.1 模型精度對(duì)比

對(duì)房屋單價(jià)和影響因子依次使用多元線性回歸（LRM）、傳統(tǒng)地理加權(quán)回歸（GWR）、多尺度地理加權(quán)回歸（MGWR）進(jìn)行建模分析，3 組模型指標(biāo)如表3 所示。

表3 LRM、GWR與MGWR擬合模型指標(biāo)Table 3 Model indexes of LRM，GWR and MGWR

對(duì)3 組模型的殘差進(jìn)行全局空間自相關(guān)檢驗(yàn)發(fā)現(xiàn)，LRM的殘差存在顯著的空間正自相關(guān)，而GWR和MGWR殘差較為隨機(jī)，證實(shí)了考慮空間異質(zhì)性的必要性。從擬合優(yōu)度來看，局部模型MGWR和GWR優(yōu)于全局模型LRM，而局部模型中變異帶寬MGWR優(yōu)于恒定帶寬GWR。從表3 可見，MGWR 對(duì)南京房價(jià)的解釋力高達(dá)82.3%，說明該市二手房價(jià)格可以用所選擇的12 個(gè)影響因素建模。MGWR 的AICc值與殘差平方和均低于GWR 和LRM，說明MGWR 能夠以相對(duì)少的參數(shù)得到更接近實(shí)際的結(jié)果。綜上所述，MGWR 可更好地反映房價(jià)的空間變化，更準(zhǔn)確地刻畫各變量對(duì)房價(jià)影響作用的空間變化及其尺度差異［30］。

3.2 運(yùn)行尺度對(duì)比

相比于LRM 的全局固定帶寬2841 和GWR 的局部固定帶寬125，MGWR 模型中每個(gè)房價(jià)影響變量都有專屬的最優(yōu)帶寬（表3），帶寬變化區(qū)間為［88，2840］，說明不同因素對(duì)房屋單價(jià)的影響具有空間異質(zhì)性且作用尺度不同。具體而言，臥室數(shù)、到地鐵站、公交站、中學(xué)、小學(xué)、醫(yī)院距離6 個(gè)變量的帶寬均大于2000，說明其在較大空間尺度甚至全局范圍內(nèi)影響二手房成交單價(jià)。到市中心距離、到公園距離帶寬低于300，這些因素在局部范圍對(duì)房屋單價(jià)影響明顯，即影響作用的空間異質(zhì)性較強(qiáng)。其中，到市中心距離變量最優(yōu)帶寬為88，占總樣本的3.10%。南京9 個(gè)轄區(qū)的總面積約4733km2，3.10%的面積為146km2，與老城區(qū)鼓樓、秦淮和玄武的總面積接近。因此，對(duì)于城市中心的樣本點(diǎn)而言，該因素平均影響作用在老城區(qū)范圍。面積、朝向和樓層的帶寬值分別為609、643、1207，處于中間水平。

4 影響因素及其空間效應(yīng)

根據(jù)MGWR回歸系數(shù)及其顯著性結(jié)果（表4），到公交站距離在0.05 水平下表現(xiàn)為不顯著，其他11個(gè)影響變量均有樣本點(diǎn)顯著。面積、臥室數(shù)、綠化率，到地鐵站、小學(xué)、中學(xué)、醫(yī)院距離的回歸系數(shù)為整體顯著；樓層、朝向、到市中心距離顯著樣本超過70%，而到公園距離為局部范圍內(nèi)顯著。對(duì)于不顯著的影響因素，在此不做過多解釋。

表4 MGWR擬合系數(shù)統(tǒng)計(jì)Table 4 Summary of MGWR regression coefficients

對(duì)于各變量對(duì)二手房成交單價(jià)影響程度即回歸系數(shù)的空間格局，圖2 僅展示出通過顯著性檢驗(yàn)的系數(shù)值。整體而言，臥室數(shù)對(duì)房屋單價(jià)影響最大，其系數(shù)平均值為1949.90，即同等條件下每增加1 個(gè)臥室，二手房成交單價(jià)將增加1949.90元。面積對(duì)房屋單價(jià)影響最小，同等條件下房屋每增加1m2，二手房成交單價(jià)將下降42.59 元。樓層越高，成交單價(jià)平均越低。房屋朝向和綠化率正向影響房屋單價(jià)。到地鐵和市中心距離每增加1km，二手房成交單價(jià)將分別下降306.24 元和730.25 元。同等條件下，距離醫(yī)院、學(xué)校和公園越近，二手房成交單價(jià)越高。具體而言，每個(gè)因素對(duì)成交單價(jià)的影響程度和作用范圍均具有空間異質(zhì)性。

圖2 MGWR回歸系數(shù)的空間格局Figure 2 Spatial patterns of MGWR regression coefficients

（續(xù)圖2 MGWR回歸系數(shù)的空間格局）

4.1 建筑特征影響

面積對(duì)房屋單價(jià)具有負(fù)向影響，帶寬為609，該變量存在一定的空間異質(zhì)性，系數(shù)值從－ 53.66 變化至－29.44（圖2a），尤其是鼓樓、玄武和秦淮3 大老城區(qū)和河西、江北的二手房成交單價(jià)對(duì)面積較為敏感。老城區(qū)房屋單價(jià)均值較高，消費(fèi)者更傾向于購買小戶型，以獲得優(yōu)質(zhì)醫(yī)療和教育資源的最大邊際效用。臥室數(shù)與二手房成交單價(jià)呈正比，變量系數(shù)變動(dòng)較小，其中棲霞區(qū)和江寧區(qū)的系數(shù)相對(duì)較大，尤其是棲霞的仙林和江寧的東山區(qū)域（圖2b）。樓層對(duì)二手房成交單價(jià)具有負(fù)向影響，表明低樓層的房屋價(jià)格高于中高樓層，其影響主要集中在老城區(qū)，該變 量 系 數(shù) 取 值 在－ 1043. 42—－1026. 04 之 間（圖2c），平均值為－ 1038.16，即低樓層二手房成交單價(jià)比中樓層房屋整體上高出1038.16 元。朝向與二手房成交單價(jià)呈正比，變量系數(shù)變化較大，取值在0.03至886.64 之間（圖2d），平均值為361.27，即朝向?yàn)槟匣驏|南比其他朝向的房屋單價(jià)高361.27 元。綠化率對(duì)二手房成交單價(jià)具有正向影響，對(duì)老城區(qū)的影響較大（圖2e）。老城區(qū)建筑密度較大，較高的功能混合度易導(dǎo)致交通擁堵、人員嘈雜和居住體驗(yàn)差等問題［30］，因此人們對(duì)小區(qū)環(huán)境和景觀的需求較強(qiáng)。

4.2 區(qū)位特征影響

在5%的水平下，到最近公交站距離的回歸系數(shù)均不顯著，而到最近地鐵站距離的回歸系數(shù)全局顯著，這與沈體雁等［27］關(guān)于北京二手住宅影響機(jī)制的研究結(jié)果一致，表明地鐵對(duì)房價(jià)的影響更強(qiáng)。變量系數(shù)為負(fù)，表明距離地鐵站越近，房屋的單價(jià)越高，每距離地鐵近1km，二手房的成交單價(jià)平均將增加306.24 元。該變量對(duì)主城區(qū)房屋單價(jià)影響較弱（圖2f），而對(duì)江寧區(qū)的影響顯著。主城區(qū)交通網(wǎng)絡(luò)密布、出行便利，而江寧作為近郊區(qū)，其到市內(nèi)的通勤以地鐵為主導(dǎo)，因此二手房的成交單價(jià)對(duì)地鐵更敏感。到市中心距離變量系數(shù)的最大值為134.03，最小值為－ 2125.03，但在0.05 的水平下變量系數(shù)均為負(fù)值，帶寬值為88，空間異質(zhì)性最強(qiáng)，對(duì)二手房成交單價(jià)影響強(qiáng)度高于地鐵。該變量影響程度呈現(xiàn)出明顯的圈層結(jié)構(gòu)（圖2g），對(duì)主城區(qū)的影響最大，尤其是老城區(qū)，對(duì)新街口商圈的各項(xiàng)功能依賴程度較高。

4.3 鄰里特征影響

鄰里特征變量對(duì)房屋單價(jià)均具有負(fù)向影響，其中醫(yī)院對(duì)二手房成交單價(jià)影響最大，公園對(duì)二手房成交單價(jià)影響強(qiáng)度最低。到最近醫(yī)院距離變量系數(shù)在－ 1210.80 與－ 656.03 之 間（圖2j），平 均 值 為－1139.53，表明到醫(yī)院距離每縮短1km，二手房成交單價(jià)將上升1139.53 元。到最近中學(xué)距離變量系數(shù)介于－322.94 與－304.56 之間（圖2h），平均值為－318.06，系數(shù)變化微小，對(duì)老城區(qū)影響較大。到最近小學(xué)距離同樣對(duì)老城區(qū)影響突出（圖2i）。該區(qū)域具有豐富的教育資源，如玄武區(qū)的南京外國語和鼓樓區(qū)的南師附中，名校附近小區(qū)離學(xué)校越近，二手房成交單價(jià)總體越高。到最近中學(xué)和小學(xué)距離均為全局變量，但小學(xué)對(duì)二手房成交單價(jià)的帶動(dòng)效果高于中學(xué)，距離小學(xué)和中學(xué)每近1km，二手房成交單價(jià)平均將分別增加1019.17 元和318.06 元。到最近公園距離變量系數(shù)均值為－ 139.07，帶寬值為234，其空間異質(zhì)性較強(qiáng)，對(duì)玄武區(qū)玄武湖與建鄴區(qū)莫愁湖附近小區(qū)影響較大（圖2k）。

5 結(jié)論與建議

本文將MGWR模型與Hedonic 特征價(jià)格模型相結(jié)合，集成兩大房產(chǎn)交易平臺(tái)（鏈家網(wǎng)和安居客）數(shù)據(jù)，從建筑特征、區(qū)位特征和鄰里特征3 個(gè)層面探討了南京二手房價(jià)格的影響因素及其空間效應(yīng)。結(jié)論如下：①從模型擬合看，南京二手房價(jià)格由主城區(qū)向副城區(qū)遞減，呈現(xiàn)出中心外圍式圈層結(jié)構(gòu)。鼓樓區(qū)二手房成交單價(jià)平均最高，六合區(qū)最低，而浦口區(qū)的變異系數(shù)最大，區(qū)內(nèi)各小區(qū)品質(zhì)參差，房價(jià)差異大。MGWR優(yōu)于GWR 和LRM，其可決系數(shù)更高，赤池信息準(zhǔn)則與殘差和更小，能更準(zhǔn)確量化變量對(duì)房價(jià)影響的作用尺度和空間異質(zhì)性。②從作用尺度看，到公交站距離對(duì)二手房成交單價(jià)影響不顯著。臥室數(shù)、到地鐵站距離、到中學(xué)距離、到小學(xué)距離、到醫(yī)院距離為全局變量，對(duì)二手房成交單價(jià)影響在空間上較平穩(wěn)；到市中心距離、到公園距離為局部變量，空間變異大；面積、朝向和樓層的帶寬處于中間水平，異質(zhì)性中等。③從影響效果看，面積和樓層對(duì)南京二手房成交單價(jià)影響為負(fù)，而臥室數(shù)、朝向、綠化率影響為正，距離地鐵站、市中心、醫(yī)院、學(xué)校、公園越近，成交單價(jià)越高。在建筑特征中，臥室數(shù)和樓層影響較大，老城區(qū)二手房成交單價(jià)對(duì)面積、樓層、綠化率敏感度高，鄰近老城區(qū)的仙林、東山、城南則對(duì)臥室數(shù)和朝向更為敏感；在區(qū)位特征中，市中心比地鐵的影響程度大，市中心經(jīng)濟(jì)對(duì)二手房成交單價(jià)的帶動(dòng)作用集中于老城區(qū)，而地鐵對(duì)主城區(qū)二手房成交單價(jià)的促進(jìn)不如對(duì)南部近郊區(qū)大，對(duì)江寧的影響最大；在鄰里特征中，到小學(xué)和到醫(yī)院距離影響作用較強(qiáng)，且從主城區(qū)往郊區(qū)遞減。

基于上述分析，提出3 點(diǎn)建議：①對(duì)于帶寬較小的局部影響因素，如到市中心和公園距離，只在小空間尺度對(duì)房價(jià)造成影響。在城市規(guī)劃時(shí)，需促進(jìn)不同區(qū)域多個(gè)中心的協(xié)同發(fā)展與功能布局，推進(jìn)“一主城三副城八新城”建設(shè)，提升副城的綜合服務(wù)能級(jí)。②對(duì)于帶寬較大的全局影響因素，如交通、醫(yī)院、教育等資源配套，要在較大空間范圍內(nèi)進(jìn)行系統(tǒng)評(píng)估和統(tǒng)籌規(guī)劃，促進(jìn)公共服務(wù)設(shè)施的均衡化布局。③對(duì)于房地產(chǎn)產(chǎn)品開發(fā)，除了數(shù)量和面積的合理配比，更要注重戶型設(shè)計(jì)與景觀規(guī)劃，不斷滿足家庭結(jié)構(gòu)的變化與居民需求的提升。本文仍存在不足：由于MGWR 本身迭代計(jì)算的復(fù)雜性，無法使用原始的20351個(gè)樣本，而僅使用了2841 個(gè)小區(qū)分層抽樣數(shù)據(jù)；考慮了教育資源的可達(dá)性，但沒考慮其質(zhì)量，未將小學(xué)和中學(xué)劃分學(xué)區(qū)；出于數(shù)據(jù)的可得性，未能考慮小區(qū)居民人均收入、受教育程度、建成環(huán)境等變量。這些都是未來需要深入探討的方面。