基于GWR模型的蘇州市住宅價(jià)格空間分異與影響因素研究

朱 進(jìn)，徐 昱，張委偉，李晨映

（1.蘇州科技大學(xué) 地理科學(xué)與測(cè)繪工程學(xué)院，江蘇 蘇州 215009；2.中國(guó)科學(xué)院 地理科學(xué)與資源研究所，北京 100101）

自1998年住房制度改革以來，我國(guó)住房市場(chǎng)逐漸開放，計(jì)劃經(jīng)濟(jì)體制下的住房福利分配逐漸被商品化住房取代，釋放了巨大的住房消費(fèi)，推動(dòng)房地產(chǎn)業(yè)進(jìn)入了長(zhǎng)久的高速發(fā)展期，并漸漸成為國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)。隨著我國(guó)城市化的快速發(fā)展和相對(duì)寬松的貨幣政策等因素的影響，大城市中住宅價(jià)格迅速上漲，住房供需矛盾不斷激化。高房?jī)r(jià)帶來的影響涉及社會(huì)的方方面面，并將通過影響人才居留進(jìn)而影響城市未來的競(jìng)爭(zhēng)力。因此，城市住宅價(jià)格的影響機(jī)制亟待被進(jìn)一步研究和剖析。

目前國(guó)內(nèi)對(duì)住宅價(jià)格分異的研究主要以北京、上海、廣州、深圳、長(zhǎng)春等一二線城市為主[1-4]。其研究方法可以歸結(jié)為兩類：一類利用GIS技術(shù)和地統(tǒng)計(jì)分析，對(duì)住宅價(jià)格的空間分布規(guī)律進(jìn)行探究，包括運(yùn)用空間自相關(guān)、趨勢(shì)面分析、空間插值等方法來定量刻畫城市內(nèi)部住宅價(jià)格的空間分異特征；另一類通過量化方法分析影響住宅價(jià)格分異的各個(gè)因素，在供需視角下，從需求方和供給方對(duì)住宅特征的市場(chǎng)均衡角度出發(fā)構(gòu)建出的特征價(jià)格模型[5]。目前，基于最小二乘法（OLS，Ordinary Least Squares）的特征價(jià)格模型（Hedonic Model）得到了廣泛應(yīng)用，是目前國(guó)際公認(rèn)的研究住宅價(jià)格機(jī)制最主流的方法。但住房特征價(jià)格模型基于空間均值的假設(shè)，缺乏對(duì)變量空間異質(zhì)性的解釋，忽略了不同地區(qū)住宅價(jià)格形成的特殊性，導(dǎo)致空間異質(zhì)性的考慮不足[3-4]。地理加權(quán)回歸（GWR，Geographically Weighted Regression）模型考慮不同因素的空間異質(zhì)性，并被廣泛運(yùn)用在住宅價(jià)格及土地價(jià)格影響因素等研究領(lǐng)域[5-11]。近年來，已有一些文獻(xiàn)研究基于GWR模型的城市住宅價(jià)格的影響因素與內(nèi)在機(jī)制，但總體上仍相對(duì)不足。

蘇州市是江蘇省內(nèi)人口最多和GDP最高的城市，其地處長(zhǎng)三角中部，東臨上海、南接嘉興、西抱太湖、北依長(zhǎng)江，是首批國(guó)家歷史文化名城之一，有“人間天堂”的美譽(yù)。在空間結(jié)構(gòu)分布上，蘇州市中心城區(qū)由姑蘇區(qū)、工業(yè)園區(qū)、吳中區(qū)、吳江區(qū)、虎丘區(qū)、相城區(qū)組成，與張家港、常熟、昆山和太倉(cāng)等城區(qū)形成了明顯的一主多副的空間分布結(jié)構(gòu)，但相對(duì)主副城關(guān)系緊密的南京、無錫、杭州、嘉興等城市，蘇州市的主副城之間的關(guān)系較為松散。其中，張家港與無錫關(guān)系較為密切，而昆山、太倉(cāng)與上海的關(guān)系較為密切。在經(jīng)濟(jì)上，蘇州各區(qū)人均GDP均高于全國(guó)平均水平，其中，工業(yè)園區(qū)連續(xù)多年保持最高。除此之外，2020年蘇州市總GDP首次突破2萬億元，成為了我國(guó)第六個(gè)2萬億元城市，近年來城市房?jī)r(jià)也在迅猛增長(zhǎng)。據(jù)筆者所知，目前還沒有利用GWR模型探討蘇州市住宅價(jià)格的相關(guān)研究。利用GWR模型，以蘇州市2020年住宅價(jià)格數(shù)據(jù)為例，從社區(qū)屬性、交通區(qū)位、商業(yè)區(qū)位三個(gè)方面出發(fā)研究蘇州市住宅價(jià)格的空間分異，探究蘇州市內(nèi)住宅價(jià)格的影響因素的空間分布規(guī)律，以期為房地產(chǎn)管理部門深入了解城區(qū)住宅價(jià)格分布狀況，進(jìn)行區(qū)域房?jī)r(jià)調(diào)控提供依據(jù)，并為政府規(guī)劃部門未來制定和實(shí)施相關(guān)政策提供參考。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

論文研究對(duì)象為2020年的蘇州市內(nèi)住宅小區(qū)，總計(jì)為3 671個(gè)。研究數(shù)據(jù)來自鏈家（https：//www.lianjia.com）和安居客（https：//suzhou.anjuke.com）網(wǎng)站，通過Python爬蟲程序抓取。剔除信息嚴(yán)重不完整、明顯有誤的數(shù)據(jù)之后，利用SPSS的統(tǒng)計(jì)分析功能，通過對(duì)樣本數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)和共線性檢驗(yàn)，將出現(xiàn)變異的樣本篩選去除，得到剩余樣本1 710個(gè)。數(shù)據(jù)包括住宅小區(qū)的小區(qū)名稱、小區(qū)均價(jià)、樓齡、容積率、綠化率、住宅套數(shù)、總戶數(shù)等屬性信息。以住宅小區(qū)為研究對(duì)象，可以避免一般住房與別墅、保障性住房等不同社區(qū)問題，以及戶型朝向、裝修程度等個(gè)性化差異造成的價(jià)格異常，增加結(jié)果的可靠性。住宅小區(qū)經(jīng)緯度坐標(biāo)信息通過高德地圖獲取，經(jīng)過地理編碼轉(zhuǎn)換后得到坐標(biāo)，將以上屬性信息與住宅價(jià)格數(shù)據(jù)進(jìn)行關(guān)聯(lián)，建立住宅小區(qū)空間數(shù)據(jù)庫(kù)，如圖1所示。

圖1 研究區(qū)范圍與樣本小區(qū)

1.2 研究方法

特征價(jià)格模型認(rèn)為商品的價(jià)格是由不同特征變量的隱含價(jià)格共同決定的，通過建立模型的方法可以將各個(gè)特征的隱含價(jià)格分離顯示，而OLS回歸是特征價(jià)格模型的一種分析方法，通過OLS模型可以對(duì)因變量與解釋變量的關(guān)系建立線性回歸模型[12-13]，常用于解釋自變量與因變量的相互依存關(guān)系，基于OLS方法對(duì)參數(shù)進(jìn)行估計(jì)，其基本形式為

式中，γi為在觀測(cè)點(diǎn)i的因變量值，xik為在觀測(cè)點(diǎn)i的第k個(gè)自變量，β0為模型的截距，βk為k個(gè)自變量的回歸系數(shù)，εi為隨機(jī)誤差，服從N（0，σ2）分布。

該模型僅僅是對(duì)參數(shù)進(jìn)行了平均或全局意義上的估計(jì)，很難體現(xiàn)參數(shù)在空間上的非平穩(wěn)性。

地理加權(quán)回歸是一種改進(jìn)的空間線性回歸方程，與傳統(tǒng)的回歸模型相比，該模型引入地理位置信息，容許局部而不是全局的參數(shù)估計(jì)[14]，其可以在任何一個(gè)選定的變量上，用數(shù)據(jù)的局部子集構(gòu)建一個(gè)回歸模型，使得數(shù)據(jù)包含在這個(gè)局部模型中，進(jìn)行空間加權(quán)，權(quán)重的大小取決于空間的相鄰程度和相互位置。同時(shí)，該方法可以把空間權(quán)重矩陣應(yīng)用到線性回歸模型中，從而形象的表現(xiàn)出空間結(jié)構(gòu)分異[15]。其優(yōu)點(diǎn)在于對(duì)普通回歸方法的擴(kuò)展，具有快速調(diào)節(jié)空間權(quán)重的功能，模型中的系數(shù)可以更好地反映各個(gè)要素的差異性和非均質(zhì)性。因此，研究房?jī)r(jià)空間分異及其影響要素時(shí)，使用GWR模型相對(duì)于計(jì)量方法如一般線性回歸效果更好。GWR模型表達(dá)式為

式中，（μi，vi）為樣點(diǎn)i的坐標(biāo)，β0（μi，vi）為回歸常數(shù)，βj（μi，vi）為第i個(gè)樣點(diǎn)的第j個(gè)回歸值，εi為隨機(jī)誤差值。

文中，采用AICc準(zhǔn)則確定帶寬，并采用自適應(yīng)帶寬的方法來確定最優(yōu)帶寬，公式為

式中，AICc為修正的赤池信息準(zhǔn)則，n為樣本點(diǎn)數(shù)量，σ為誤差估計(jì)項(xiàng)的標(biāo)準(zhǔn)離差，tr（S）為GWR的S矩陣的跡。

2 蘇州市住宅價(jià)格影響因素研究

2.1 變量選取

在宏觀或微觀區(qū)位上，區(qū)域住宅價(jià)格均受到眾多因素的影響，但住房的價(jià)值主要由自身結(jié)構(gòu)特征、區(qū)位特征和公共服務(wù)設(shè)施便利性構(gòu)成[16]。借鑒國(guó)內(nèi)外相關(guān)研究中住宅價(jià)格影響因素的選取和量化方法[17-18]，根據(jù)GWR模型的變量要求，將已有數(shù)據(jù)根據(jù)屬性劃分為三類：社區(qū)屬性（樓齡、容積率、物業(yè)管理費(fèi)、綠化率），交通區(qū)位（周邊公交站點(diǎn)總數(shù)、最近地鐵站距離、最近學(xué)校距離、最近醫(yī)院距離、CBD距離），商業(yè)區(qū)位（休閑娛樂、住宿服務(wù)、餐飲設(shè)施、購(gòu)物中心、辦公寫字樓、金融大廈的數(shù)量），以求更細(xì)致地分析住宅價(jià)格影響因素的作用機(jī)理。由于商業(yè)區(qū)域通常包含大量餐飲、購(gòu)物、娛樂等服務(wù)設(shè)施，因此引入綜合各類服務(wù)設(shè)施轉(zhuǎn)換的周邊地塊功能混合度作為評(píng)價(jià)指標(biāo)，避免多種因素交錯(cuò)帶來的復(fù)雜性和不確定性。借鑒信息熵的表示方法，地塊的功能混合度計(jì)算公式為[19]

式中，H表示功能混合度，Pi是功能i的概率，用功能為i的POI數(shù)目除以該地塊的各類POI數(shù)目總和表示。熵值越大，表明該地塊混合度越高，周邊配套設(shè)施程度越豐富，功能混合越均勻。在文中，混合度的計(jì)算首先將研究區(qū)范圍劃分為300 m×300 m的網(wǎng)格（街區(qū)范圍）作為地塊，然后將服務(wù)區(qū)位五類設(shè)施（休閑娛樂、住宿服務(wù)、餐飲設(shè)施、購(gòu)物中心、辦公寫字樓）的POI數(shù)目空間連接至地塊要素中，計(jì)算每個(gè)地塊中各類設(shè)施POI的個(gè)數(shù)，最后計(jì)算每個(gè)地塊中所有POI個(gè)數(shù)的總和和占比，依據(jù)公式計(jì)算熵值即可得到各地塊的混合程度。將地塊內(nèi)所有小區(qū)單元與地塊關(guān)聯(lián)即可得到各小區(qū)的混合程度。從計(jì)算結(jié)果來看（如圖2所示），蘇州市功能混合度的空間分布特征呈現(xiàn)明顯的“一主多副”結(jié)構(gòu)，與相關(guān)研究[20-21]吻合度相當(dāng)高，表明這一結(jié)果較為合理。

最終，得到10個(gè)與住宅價(jià)格有關(guān)的控制變量（見表1），利用SPSS對(duì)變量之間是否存在多重共線性進(jìn)行檢驗(yàn)，顯示容差全部小于或等于0.1且自變量的方差膨脹因子（VIF，Variance Inflation Factor）值全部都大于或等于10，表明10個(gè)指標(biāo)都可以作為商品住宅價(jià)格的影響因素。

圖2 功能混合度分布

表1 變量選取與描述

2.2 模型構(gòu)建

依據(jù)GWR構(gòu)建模型，以自適應(yīng)的高斯函數(shù)為核函數(shù)，黃金分割法作為帶寬搜索方法，通過修正的赤池信息準(zhǔn)則（AICc）方法計(jì)算帶寬，運(yùn)用ArcGIS軟件計(jì)算得到OLS模型和GWR模型的相關(guān)參數(shù)，并且對(duì)兩個(gè)模型的分析結(jié)果進(jìn)行比較。由表2可知，OLS方法整體上顯著，但是OLS殘差的檢驗(yàn)結(jié)果（Moran’s I指數(shù)驗(yàn)證）呈空間自相關(guān)，表明OLS的回歸結(jié)果存在較大的誤差，基于OLS方法的全局模型不合適。GWR模型的擬合優(yōu)度（R2）大于OLS模型，并且GWR的殘差平方和和標(biāo)準(zhǔn)差相比OLS模型均有明顯下降，赤池信息準(zhǔn)則和OLS方法比下降了14.2%。綜上，基于GWR模型的空間回歸分析方法有效縮減了殘差，顯著提升了模擬精度，最優(yōu)帶寬值亦顯著改進(jìn)，故筆者使用GWR方法分析蘇州市住宅價(jià)格的影響因素。

表2 OLS與GWR結(jié)果對(duì)比

GWR得到的結(jié)果是各影響因素對(duì)每個(gè)樣本生成的一個(gè)特定系數(shù)，即回歸系數(shù)，將得到的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)和匯總，見表3。對(duì)回歸系數(shù)進(jìn)行對(duì)比可以看出，住宅價(jià)格的回歸系數(shù)在表格中顯示為有正有負(fù)、有大有小，但是差距不明顯，說明各個(gè)影響因素都是存在的，形成的影響效應(yīng)有高有低。

表3 GWR模型回歸結(jié)果

3 結(jié)果分析

3.1 社區(qū)屬性

樓齡因素總體呈現(xiàn)對(duì)房?jī)r(jià)的負(fù)向影響，如圖3（a）所示，說明正常情況下樓齡越大，住宅價(jià)格越低。在工業(yè)園區(qū)和高新區(qū)內(nèi)樓齡對(duì)住宅價(jià)格的影響系數(shù)為負(fù)，可能原因是作為近年發(fā)展重心的兩區(qū)新樓盤較多，價(jià)格較高，在這兩個(gè)區(qū)域內(nèi)的老樓價(jià)格會(huì)低一些。在姑蘇區(qū)內(nèi)則存在一些樓齡的影響系數(shù)為正向的聚集區(qū)域，結(jié)合姑蘇區(qū)內(nèi)重點(diǎn)學(xué)校地理位置來看，系數(shù)為正的小區(qū)大都位于重點(diǎn)學(xué)校附近，小區(qū)內(nèi)房?jī)r(jià)受學(xué)區(qū)房屬性影響要明顯高于同類小區(qū)均價(jià)，這與南京市內(nèi)“教育型”設(shè)施逐漸成為居民購(gòu)房行為的重要影響因素相似[22]，即城市點(diǎn)狀公共設(shè)施例如醫(yī)院、小學(xué)、幼兒園等對(duì)住宅地價(jià)的負(fù)向效應(yīng)有擴(kuò)大趨勢(shì)。另外，樓齡的影響力相對(duì)減弱。結(jié)合現(xiàn)實(shí)情況，姑蘇區(qū)作為古城區(qū)，其內(nèi)新樓盤較少，住宅價(jià)格對(duì)于樓齡的敏感度本就應(yīng)該偏低。

容積率具備顯著的負(fù)向影響，其總體系數(shù)分布反映為中心城區(qū)周邊較強(qiáng)而其他區(qū)內(nèi)較弱，如圖3（b）所示。結(jié)合蘇州市政府近年不斷啟動(dòng)市區(qū)城中村和舊城區(qū)改建項(xiàng)目的情況來看，蘇州市中心城區(qū)內(nèi)影響系數(shù)較大的小區(qū)大都是具有學(xué)區(qū)房屬性的老小區(qū)，由于建筑密度和綠化率的因素，小區(qū)容積率偏高，然而學(xué)區(qū)房特性又決定了它對(duì)特定購(gòu)房人群的必需性，在居住環(huán)境質(zhì)量相近的情況下，容積率的高低成了很關(guān)鍵的衡量因素，因此區(qū)域內(nèi)容積率的影響系數(shù)相對(duì)于其他地區(qū)更大。

物業(yè)管理費(fèi)總體呈現(xiàn)對(duì)房?jī)r(jià)的正向影響，即物業(yè)管理費(fèi)用越高，住宅價(jià)格越高。說明對(duì)于大部分小區(qū)住宅，物業(yè)費(fèi)越高，住宅價(jià)格越高。系數(shù)最大值區(qū)域主要出現(xiàn)在城區(qū)邊界附近，如圖3（c）所示。原因可能是其離中心城區(qū)較遠(yuǎn)，開盤小區(qū)住宅價(jià)格大多較低，物業(yè)費(fèi)對(duì)住宅價(jià)格往往會(huì)起到重要影響?；貧w系數(shù)為負(fù)值的區(qū)域則主要是蘇州市內(nèi)的封閉式高檔住宅區(qū)，住宅價(jià)格對(duì)物業(yè)費(fèi)這類管理服務(wù)因子敏感性較弱，因此系數(shù)大多趨向于0或?yàn)樨?fù)值。

綠化率對(duì)房?jī)r(jià)的影響表現(xiàn)為正向影響，即綠化率越高，住宅價(jià)格越高，其中系數(shù)為負(fù)數(shù)的區(qū)域主要為太湖景區(qū)周邊和姑蘇古城區(qū)內(nèi)，如圖3（d）所示。太湖景區(qū)周邊住宅對(duì)于綠化的需求上本身就已經(jīng)達(dá)到滿足，因此對(duì)于綠化率的需求相對(duì)較低。蘇州城區(qū)內(nèi)公園較多，且有金雞湖和石湖等大型湖區(qū)，系數(shù)為負(fù)的區(qū)域主要集中在這些小區(qū)，小區(qū)周邊綠化條件優(yōu)良，小區(qū)內(nèi)的綠化率對(duì)房?jī)r(jià)的影響力相對(duì)較弱。

3.2 交通區(qū)位

1 km半徑內(nèi)公交站臺(tái)數(shù)量對(duì)城市住宅價(jià)格的影響呈現(xiàn)出正向關(guān)系，如圖3（e）所示。即1 km半徑內(nèi)公交站臺(tái)數(shù)量越多，住宅價(jià)格越高。值得注意的是，當(dāng)住宅離中心城區(qū)距離超出一定范圍后，影響系數(shù)逐漸變小，考慮到距離較遠(yuǎn)的區(qū)域前往中心城區(qū)的出行成本已經(jīng)很高，住戶對(duì)于交通便利的需求性遠(yuǎn)低于平均值，因此偏遠(yuǎn)城區(qū)對(duì)于交通區(qū)位的敏感性要遠(yuǎn)小于中心城區(qū)及其鄰近區(qū)域。

到最近地鐵站的距離整體上負(fù)向影響房?jī)r(jià)，距離地鐵站越遠(yuǎn)房?jī)r(jià)越低，值得注意的是中心城區(qū)內(nèi)大部分住宅小區(qū)的影響系數(shù)趨向于0，即距離地鐵站距離的遠(yuǎn)近對(duì)于房?jī)r(jià)近乎沒有影響，如圖3（f）所示。其原因可能是中心城區(qū)內(nèi)地鐵站相對(duì)較多，許多小區(qū)距離地鐵站的距離在1 km以內(nèi)，而這些小區(qū)大多都是老小區(qū)或者舊大廈，樓房質(zhì)量偏低，且商業(yè)設(shè)施大多鄰近地鐵站，居住環(huán)境也相對(duì)嘈雜。另一方面這些區(qū)域公交站點(diǎn)較多，對(duì)地鐵的依賴相對(duì)較小。而周邊區(qū)域如吳江區(qū)集聚在地鐵線末端，離中心城區(qū)比較遠(yuǎn)，對(duì)地鐵更為依賴，因此距離地鐵越遠(yuǎn)房?jī)r(jià)越低。

CBD距離整體上表現(xiàn)為較為明顯的負(fù)向影響，即距離CBD中心越遠(yuǎn)房?jī)r(jià)越低。其最顯著的表現(xiàn)在工業(yè)園區(qū)，該區(qū)域內(nèi)影響系數(shù)為負(fù)數(shù)且絕對(duì)值最大，如圖3（g）所示，而高新區(qū)內(nèi)和吳江區(qū)內(nèi)部分住宅小區(qū)的系數(shù)正向，原因可能是這些區(qū)域距離CBD距離超出10 km，CBD距離對(duì)其影響較小。與南京市相比[23]，蘇州市CBD中心對(duì)于房?jī)r(jià)的影響系數(shù)更大，一方面可能是蘇州市新的CBD中心確立時(shí)間較短，其對(duì)于周邊的輻射影響還沒有明顯見效，次級(jí)商業(yè)中心的數(shù)量和規(guī)模都還沒有得到擴(kuò)大，在一定程度上增強(qiáng)了CBD對(duì)地價(jià)的影響程度；另一方面，蘇州市的新建地鐵線更加完善了城市交通路網(wǎng)，進(jìn)一步擴(kuò)大了CBD對(duì)地價(jià)的影響范圍，加強(qiáng)了影響力。

3.3 服務(wù)區(qū)位

如圖3（h）所示，功能混合度的影響力體現(xiàn)出距離衰減的特征，具體表現(xiàn)為功能混合度在中心城區(qū)呈現(xiàn)正向影響，而隨距離中心城區(qū)越遠(yuǎn)影響力逐漸衰弱，到偏遠(yuǎn)城區(qū)對(duì)住宅價(jià)格的影響已經(jīng)呈現(xiàn)出負(fù)向影響。結(jié)合圖2看，功能混合度的分布呈現(xiàn)“一主多副”的分布特征，中心城區(qū)經(jīng)過長(zhǎng)年的更新和發(fā)展，功能混合度非常高，已形成高度復(fù)雜而穩(wěn)定的功能布局。偏遠(yuǎn)城區(qū)總體功能混合度偏低，但區(qū)域內(nèi)已經(jīng)存在部分高功能混合度的聚集區(qū)域，表明該地區(qū)的發(fā)展正日漸成熟但仍需時(shí)間發(fā)展。因此，偏遠(yuǎn)城區(qū)當(dāng)?shù)刈舻南M(fèi)和娛樂等日常需求更偏向于前往功能設(shè)施多樣且完善的中心城區(qū)解決，對(duì)于住宅小區(qū)周圍的功能配套設(shè)施需求并沒有那么強(qiáng)烈，導(dǎo)致偏遠(yuǎn)城區(qū)住宅價(jià)格對(duì)周邊配套設(shè)施的敏感性較弱。

圖3 GWR模型回歸系數(shù)的空間分布

4 結(jié)語

通過將地理加權(quán)回歸模型應(yīng)用于實(shí)證研究中，結(jié)合蘇州市2020年房?jī)r(jià)數(shù)據(jù)，對(duì)蘇州市內(nèi)住宅價(jià)格的空間分異和其影響因素進(jìn)行研究，主要結(jié)論有：

影響蘇州住宅價(jià)格及其空間差異的因素多樣，其中因素按其影響力從大到小分別為：CBD距離、物業(yè)管理費(fèi)、混合度、周邊公交站點(diǎn)總和、樓齡、容積率、綠化率、最近地鐵站距離，CBD距離的平均影響力是所有變量中最大的，接近于1.5。

住宅價(jià)格影響因素存在顯著的空間異質(zhì)性，各影響因素在城市不同區(qū)域?qū)ψ≌瑑r(jià)格的影響尺度存在差異，其中中心城區(qū)受CBD距離、最近地鐵站距離等傳統(tǒng)特征因子影響較大。偏遠(yuǎn)城區(qū)則主要受物業(yè)管理費(fèi)、混合度影響，形成近似帶狀或塊狀的分布。

CBD距離、物業(yè)管理費(fèi)、功能混合度等體現(xiàn)住房消費(fèi)者收入能力、居住環(huán)境訴求、生活方式的要素，成為最具房?jī)r(jià)影響力的影響因素，表明城市房?jī)r(jià)分異與居住群體的空間分異存在著一定的聯(lián)系。住宅價(jià)格影響因素的空間異質(zhì)性表明根據(jù)社區(qū)檔次和類型的不同，住房消費(fèi)群體的經(jīng)濟(jì)社會(huì)屬性也會(huì)不同，由此導(dǎo)致不同社區(qū)內(nèi)住戶對(duì)房屋屬性需求的不同，各類影響因素因此在不同區(qū)域呈現(xiàn)不同的影響力，使城市房?jī)r(jià)與居住分異在一定程度上表現(xiàn)為空間結(jié)構(gòu)的關(guān)聯(lián)性[22]。

由于數(shù)據(jù)的局限性，影響因素在時(shí)間尺度上的空間差異有待補(bǔ)充，未來可從時(shí)間和空間兩個(gè)方面進(jìn)行探究，全面分析蘇州市房?jī)r(jià)影響因素的時(shí)空異質(zhì)性，為各區(qū)域制定不同房?jī)r(jià)調(diào)控政策提供更加科學(xué)的依據(jù)。同時(shí)已有的研究沒有納入具體的學(xué)區(qū)變量，因此無法具體討論這些因素的影響。最后，在住宅價(jià)格影響因素方面的篩選中，不可避免帶有部分主觀因素，不能做到完全的客觀。今后的研究還需在影響因素的劃分上進(jìn)一步的細(xì)化，以深入分析住宅價(jià)格空間分異及影響機(jī)制。