廣州市二手住宅價格的空間分異格局及影響機制

吳文慧，段忠東

(廈門理工學(xué)院經(jīng)濟與管理學(xué)院，福建 廈門 361024)

隨著城市化發(fā)展進程的不斷推進，城市的內(nèi)部空間結(jié)構(gòu)也隨之變化[1]。除了自然地勢的影響作用外，社會公共資源分布的不均衡也使得空間地理位置成為綜合影響住宅價格的主要因素[2]。究其主要原因，是公共資源的空間分布不平衡使得公共資源的供給不能與居民的住房需求達到較好的匹配程度[3]，例如，城中心往往擁有較高集中程度的公共資源，其產(chǎn)生的資源紅利對住宅價格的影響作用也較高，而非城中心的區(qū)域在一定程度上因公共資源的供給短缺而無法滿足居民對住房的需求變化和地方公共品的偏好，加劇了住宅價格的空間異質(zhì)性，這就形成了住宅價格的空間分異特征。住宅價格的空間分異是城市住宅空間公共資源配置不均衡的市場化表達，體現(xiàn)了居民對住宅的異質(zhì)性需求。住宅價格的空間分異會影響到城市發(fā)展的可持續(xù)性與轉(zhuǎn)型速度，進而會影響調(diào)控房價與城市規(guī)劃政策的制定與實施[4]。因此，基于多源數(shù)據(jù)探索住宅價格空間分異及其特征因素的影響機制，對于“因地施策”地制定合理政策和規(guī)劃策略、實現(xiàn)城市房地產(chǎn)市場健康發(fā)展和社會人地系統(tǒng)可持續(xù)優(yōu)化具有重要意義[5]。

現(xiàn)有國內(nèi)外文獻從不同的角度探索城市住宅價格的空間分異形成機制。在宏觀層面上，影響因子不僅包括衡量經(jīng)濟發(fā)展水平的相關(guān)因素[6]，還包括稅收[7]、貨幣制度[8]等政策因素。在微觀角度上，影響住宅價格的因素主要歸納為鄰里特征[9-10]、區(qū)位特征[11-12]、建筑特征[13-14]等。同時，董小剛等[15]將公園綠地可達性、三甲醫(yī)院可達性和水域可達性納入到住宅特征指標(biāo)體系當(dāng)中，以探究基礎(chǔ)設(shè)施可達性對住宅價格空間異質(zhì)性的重要影響作用。總而言之，隨著城市經(jīng)濟的發(fā)展和居民住宅偏好的變化，影響住宅價格的因素也逐漸變得復(fù)雜多樣，因此，需要不斷完善住房價格影響因素的指標(biāo)體系，以更好地解釋住宅價格在空間區(qū)域上表現(xiàn)出的非平穩(wěn)特征的作用機制。另外，在研究方法上，Rosen[16]曾結(jié)合供需均衡理論提出關(guān)于住宅等異質(zhì)性商品的特征價格模型，但是住宅特征價格模型假設(shè)住宅價格具有空間平穩(wěn)性，忽略了不同地理區(qū)位下的住宅價格存在顯著差異的特征。因此，不少學(xué)者將空間計量統(tǒng)計方法引入特征價格模型當(dāng)中，對傳統(tǒng)特征價格模型予以進一步的提升或革新，提出地理加權(quán)回歸(geographical weighted regression，GWR)模型。GWR模型中的數(shù)據(jù)空間探索技術(shù)考慮到了住宅價格的空間異質(zhì)性，形象化展示了研究對象的空間結(jié)構(gòu)形態(tài)，可更好地探究影響因素與住房價格在空間范圍內(nèi)的作用機理[17]。Tang等[18]以上海市為研究對象，基于GWR模型有效揭示了相關(guān)因素在空間上對住宅價格的影響機制。在衡量GWR模型的擬合效果方面，不少學(xué)者采用R2、AICc等指標(biāo)參數(shù)，從總體上衡量模型的顯著水平[19]，但這種方式忽略了GWR模型所采用的局部回歸的理論思想。

隨著廣州市中心建設(shè)的不斷完善，二手房開始在房地產(chǎn)市場中占據(jù)活躍優(yōu)勢。二手住宅定價主要是基于買家和賣家之間的博弈，不單純受房地產(chǎn)市場供需關(guān)系的影響，空間位置、區(qū)位條件、經(jīng)濟情況等因素都會內(nèi)化成為二手住宅價格空間分異的形成機制。因此，本文采用普通克里金插值法和ArcGIS的空間分析工具(空間趨勢分析法和局部莫蘭指數(shù)法)對廣州市二手住宅價格的空間分異特征進行分析，并在此分析基礎(chǔ)上構(gòu)建GWR模型深入探究住宅價格影響因素的機制作用，為現(xiàn)有關(guān)于住宅價格影響因素的研究作進一步補充。同時，采用LocalR2指標(biāo)可視化分析廣州市住宅價格GWR模型的局部擬合效果差異，彌補目前相關(guān)研究在衡量GWR模型擬合效果方面忽略了模型本身局部回歸思想的不足。

一、區(qū)域概況

廣州市依照中心城區(qū)距離將11個行政區(qū)域劃分為中心六區(qū)和外圍五區(qū)。其中，中心六區(qū)包括海珠區(qū)、天河區(qū)、越秀區(qū)、白云區(qū)、荔灣區(qū)、黃浦區(qū)，外圍五區(qū)包括番禺區(qū)、花都區(qū)、增城區(qū)、南沙區(qū)及從化區(qū)。廣州市作為國家一線城市，經(jīng)濟發(fā)展成熟，因此推進城市快速建設(shè)的階段已過，居民的人均居住面積都基本穩(wěn)定，新建住宅與舊宅改造項目隨著住宅建設(shè)的標(biāo)準(zhǔn)化水平提升而占比較低，二手房交易逐漸占據(jù)重要地位，成為廣州市房地產(chǎn)的熱門市場之一。

二、廣州市二手住宅價格空間分異分析

(一)廣州市住宅價格空間變化趨勢

本文利用ArcGIS空間趨勢分析法對廣州市二手住宅價格的空間分布趨勢進行分析，得到廣州市住宅價格在研究區(qū)域上的空間變化趨勢分析圖(如圖1所示)。其中，X-Z空間面的投影表示研究區(qū)域在東西方向上的住宅價格走勢，Y-Z空間面的投影表示研究區(qū)域在南北方向上的住宅價格走勢。由圖1可知，廣州市住宅價格在東西方向和南北方向均呈現(xiàn)“倒U型”的二階變化趨勢。值得注意的是，廣州市的住宅價格和廣州市地勢在一定程度上相契合，具體來說，廣州市地形高度自北向南降低，北部以丘陵和山地為主，導(dǎo)致從化區(qū)和花都區(qū)北部的交通發(fā)達程度低于中部和南部地區(qū)，地理優(yōu)勢的不足和交通資源的匱乏使得廣州市北部地區(qū)總體房價低于南部地區(qū)。

圖1 廣州市住宅價格空間變化趨勢分析圖Fig.1 Spatial change trend ofhouse price in Guangzhou City

(二)廣州市住宅價格的空間分布格局

考慮到廣州市住宅價格空間趨勢分布呈二階的非線性模式，本文采用普通克里金插值法消除該二階趨勢的影響，利用空間插值對廣州市住宅價格作進一步預(yù)測，得到如圖2所示的廣州市住宅價格克里金插值圖。從圖2可以看出，廣州市住宅價格空間分布呈現(xiàn)“中心高，周邊低”的特點。其中，廣州市住宅價格最高的地域集中在天河區(qū)，該地區(qū)金融產(chǎn)業(yè)密集，交通發(fā)達，住宅需求旺盛，同時也造成可開發(fā)土地資源稀缺的情況，因此，購房者和房產(chǎn)中介將目標(biāo)紛紛投向二手住宅，住宅需求的增多推動該區(qū)域的二手住宅價格上漲。隨著與中心區(qū)域的距離增加，住宅價格呈圈層式遞減，但明顯的是，廣州市南部地區(qū)住宅價格高于北部地區(qū)，且遞減速度慢于北部地區(qū)。究其原因，可能南沙區(qū)坐落在中心城區(qū)周圍和珠江三角洲臨海地域，成為廣州市的濱海新城，該地理位置的紅利使得這塊區(qū)域獲得較大發(fā)展活力和發(fā)展?jié)摿?，并且承?dān)中心區(qū)域飽滿人口的疏散。因此，其住宅價格雖比不上中心區(qū)域的價格，但總體價格比北部區(qū)域的住宅要高。

圖2 廣州市二手住宅價格克里金插值圖Fig.2 Kriging of second-hand house price in Guangzhou City

(三)廣州市住宅價格局部空間自相關(guān)分析

本文進一步采用ArcGIS中的局部莫蘭指數(shù)法對廣州市二手住宅價格進行局部空間自相關(guān)分析，結(jié)果如圖3所示。

圖3 廣州市二手住宅價格局部自相關(guān)分析圖Fig.3 Partial autocorrelation of second-hand house prices in Guangzhou City

從圖3可見，較多樣本以“高值-高值聚集”和“低值-低值聚集”形式分布在研究區(qū)域，可見廣州市住宅價格表現(xiàn)出較高的空間聚類程度和關(guān)聯(lián)程度。其中，房價高值聚類點主要分布在天河區(qū)和越秀區(qū)，兩區(qū)的產(chǎn)業(yè)密集程度高，并擁有優(yōu)質(zhì)的教育資源、醫(yī)療資源和商業(yè)資源，因此投資需求和剛性需求旺盛；而房價低值聚類點主要分布在外圍五區(qū)。以“高值-低值聚集”方式分布的樣本點主要集中在番禺區(qū)的南村、市橋、東環(huán)等街道。以“低值-高值聚集”方式分布的樣本點主要集中在白云區(qū)的金沙、松州和同德等街道，以及荔灣區(qū)的石國塘、茶滘、海龍等區(qū)域，因為這部分區(qū)域地鐵資源較為匱乏，住宅價格對距地鐵距離的敏感性較高，導(dǎo)致距離地鐵較遠的住宅其價格較低。因此，出現(xiàn)低值房價異質(zhì)點分布于高值房價樣本點周圍的情況。

三、GWR模型及其參數(shù)確定

(一)GWR模型

地理加權(quán)回歸模型(GWR)在傳統(tǒng)的線性回歸模型基礎(chǔ)上引入了地理坐標(biāo)位置，在每個樣本點都進行了一次獨立的局部回歸。該模型可以更好地揭示住宅價格在全局空間上的非平穩(wěn)性，解釋每個影響因素在空間上對住宅價格影響的異質(zhì)性。該模型的一般形式如下：

(1)

式(1)中：yi為第i個樣本點的二手住宅均價；xij表示第i個樣本點第j個解釋變量；(ui,vi)為第i個研究樣本的空間地理坐標(biāo)；εi為第i個樣本點的隨機誤差；Bj(ui,vi)為第i個樣本點的第j個解釋變量的回歸系數(shù)，其矩陣形式如下：

(2)

式(2)中：W(ui,vi)為模型在運算第i個數(shù)據(jù)樣本點時賦予該點的權(quán)重矩陣；X為第i數(shù)據(jù)樣本點的n個自變量的系數(shù)矩陣;Y為第i個樣本點的二手住宅均價組成的向量。

(二)GWR模型參數(shù)確定

GWR模型有2個關(guān)鍵參數(shù)需要確定，即權(quán)重函數(shù)的選擇和帶寬計算方法的選擇。

1.選擇空間權(quán)重函數(shù)

空間權(quán)重函數(shù)W(ui,vi)為模型在運算第i個數(shù)據(jù)樣本點時賦予該點的距離權(quán)重矩陣，GWR模型常用的權(quán)重函數(shù)選擇有高斯函數(shù)(固定型)和雙重平方函數(shù)(自適應(yīng)型)。其中，高斯函數(shù)的模型公式為

(3)

式(3)中：b表示帶寬；dij表示第i個回歸樣本點到第j個樣本點的距離；Wij表示第i個回歸樣本點和第j個數(shù)據(jù)樣本點的空間權(quán)重值。

當(dāng)帶寬確定時，距離第i個回歸樣本點越遠時空間權(quán)重趨于0。為提高計算效率，對距離第i個回歸樣本點較遠(大于帶寬b)的數(shù)據(jù)樣本點不予計算權(quán)重，原因是這些數(shù)據(jù)樣本點對回歸參數(shù)影響甚微。能表達該思想的空間權(quán)重函數(shù)是雙重平方函數(shù)法，其模型公式為

(4)

2.確定帶寬b

從空間權(quán)重函數(shù)公式(3)和(4)可知，地理加權(quán)回歸模型在確定空間函數(shù)時，需要確定帶寬b。帶寬b可以看作是GWR模型的光滑參數(shù)，當(dāng)所選擇的帶寬b過小時，會導(dǎo)致地理加權(quán)回歸模型不夠光滑，進而出現(xiàn)回歸系數(shù)估計結(jié)果方差過大的情況；當(dāng)所選擇的帶寬b過大時，會導(dǎo)致地理加權(quán)回歸模型過于光滑而出現(xiàn)各局部區(qū)域的回歸系數(shù)都趨于一致的情況。因此，對于最優(yōu)帶寬的選取對確定GWR模型來說十分重要。其中，選取方法有交叉驗證法(CV法)和赤池信息準(zhǔn)則(AIC法)，具體模型如公式(5)和(6)所示：

(5)

(6)

四、廣州市二手住宅價格的影響因素分析

(一)數(shù)據(jù)來源與變量選取

本文采用Python爬蟲技術(shù)從鏈家網(wǎng)導(dǎo)出2020年1月份至12月份廣州市二手房成交記錄，共3 058份樣本數(shù)據(jù)(1)由于本研究需采集各二手住宅樣本點的具體經(jīng)緯度數(shù)據(jù)，以滿足GWR模型的構(gòu)建需求，因此，無法兼得廣州市住建部門或房地產(chǎn)中介行業(yè)協(xié)會的樓盤成交數(shù)據(jù)等權(quán)威數(shù)據(jù)。。對于特征變量的選擇，本文從建筑特征、區(qū)位特征、教育特征[20]和鄰里特征4個方面出發(fā)，依照廣州市高層住宅的特點，所選取的特征變量指標(biāo)如表1所示。在此基礎(chǔ)上，從百度地圖中爬取廣州市的興趣點(point of interest，簡稱POI)和所在經(jīng)緯度數(shù)據(jù)，利用ArcGIS軟件中的“生成近鄰距離”功能計算住宅樣本點到各興趣點的距離并統(tǒng)計出800 m內(nèi)公交站個數(shù)。

表1 特征變量指標(biāo)Table 1 Characteristic variables

為保證每個變量與住宅價格高度相關(guān)，以期提高模型精度，本文先初步對變量做關(guān)于相關(guān)性分析的篩選工作。從相關(guān)性來看，建筑特征當(dāng)中的面積特征同住宅價格的相關(guān)性僅為0.004，兩者不呈現(xiàn)顯著關(guān)系，再將面積特征加入模型進行逐步回歸，依照準(zhǔn)確性準(zhǔn)則查看R2是否有所提升來判定是否入選該變量。結(jié)果表明，該特征變量無法加大模型的解釋力度，故排除該變量?？赡茉蚴潜疚牟扇〉膯挝皇欠績r單價，并且剔除了別墅等其他特殊住宅類型的數(shù)據(jù)，所以面積特征在現(xiàn)實角度上不是住宅價格的主要影響因素。另外，剩余的特征變量均在0.05水平下顯著，因此將其入選于模型當(dāng)中。

(二)模型建立與擬合效果分析

本文將基于上文選取的影響因素構(gòu)建關(guān)于廣州市二手住宅價格的GWR模型。為提高模型精度，選擇最佳的權(quán)重函數(shù)和帶寬，本文采用2×2組合的方式建立4個模型，并基于該4個模型的比較效果選擇最佳參數(shù)。

不同參數(shù)組合下的4個GWR模型效果分析如表2所示。通過比較AICc值和調(diào)整R2可知，自適應(yīng)型模型精度比固定型模型精度要高，CV法比AIC法更能提升模型性能，因此，本文采用自適應(yīng)型空間權(quán)重法和CV法的帶寬選擇建立GWR模型。

基于此，本文構(gòu)建的GWR模型如下：

(7)

式(7)中：坐標(biāo)(ui,vi)表示樣本點的空間位置；yi表示樣本點二手住宅價格。

表2 廣州市不同參數(shù)組合下的4個GWR模型效果分析表Table 2 Four GWR models under different parameter combinations in Guangzhou City

以上指標(biāo)所表示的擬合效果分析僅能從模型的整體出發(fā)，而忽略了GWR模型的本質(zhì)是局部擬合回歸的思想，因此本文進一步從局部測度CV-自適應(yīng)型GWR模型的回歸結(jié)果在各區(qū)域所呈現(xiàn)的不同擬合優(yōu)度(結(jié)果如圖4所示)，并分析其形成機制。由圖4可知，LocalR2總體來看水平較高，說明GWR模型結(jié)果在各樣本點的局部回歸效果較好。而擬合較差的樣本點主要分布在越秀區(qū)政府、東圃地塊。從主導(dǎo)產(chǎn)業(yè)分布來看，廣州市中心以IT產(chǎn)業(yè)為主，該類型產(chǎn)業(yè)主要集中在東圃、科學(xué)城區(qū)域；而廣州市商貿(mào)業(yè)也是拉動城市經(jīng)濟發(fā)展的主要動力，主要集中在越秀區(qū)政府、機場路區(qū)域，并且，越秀區(qū)政府屬于傳統(tǒng)居住區(qū)，但在廣交會極大促進國際貿(mào)易發(fā)展的積極影響下，商業(yè)發(fā)展日漸興隆，使得傳統(tǒng)居住區(qū)的商業(yè)資源日益豐富；因此，這2個地塊相比于其他周圍非IT密集區(qū)板塊、傳統(tǒng)居住區(qū)板塊則集中擁有更多高收入群體和高等商業(yè)價值，這種局部區(qū)域集中的資源優(yōu)勢促進了這2個地塊的住宅價格上漲幅度。由此可知，廣州市住宅價格實際情況與GWR模型結(jié)果相吻合。

圖4 CV-自適應(yīng)型GWR模型的局部擬合結(jié)果分析圖Fig.4 Local fit of CV-Adaptive GWR model

(三)GWR模型結(jié)果分析

本文將基于GWR模型計算所得的各影響因子的回歸系數(shù)作描述性統(tǒng)計，如表3所示，各影響因素對住宅價格的影響作用呈現(xiàn)顯著的非平穩(wěn)特征。其中，房齡、公交站、公園和中學(xué)等因素的標(biāo)準(zhǔn)差較大，說明這些因素對住宅價格的影響產(chǎn)生較強的空間分異特征。而從影響系數(shù)的大小來看，這些因素對住宅價格的影響也呈現(xiàn)出較高的影響水平。

表3 GWR模型回歸系數(shù)表Table 3 Regression coefficients of GWR model

進一步地，本文利用ArcGIS技術(shù)中的反距離插值方法研究各影響因素的回歸系數(shù)的空間變化(如圖5所示)，探討各影響因子對住宅價格的影響水平和影響方向在不同地域空間的差異特征。

1.建筑特征對住宅價格的影響

從圖5(a)可知，廣州市房齡對于住宅價格的影響系數(shù)均為負值，可見房齡對住宅價格有顯著的負相關(guān)作用，這意味著房齡越大，住宅價格也就越低。并且，房齡對住宅價格的影響表現(xiàn)為以海珠區(qū)為主要中心、以天河區(qū)西部地區(qū)和越秀區(qū)東部地區(qū)為次中心向外呈圈層形式遞減?？赡茉蚴沁@兩個中心地帶大部分為開發(fā)較早的老城區(qū)，該地域的老舊住宅存在缺乏電梯供應(yīng)、物業(yè)管理質(zhì)量不高、生活設(shè)施陳舊等問題，因此，相比于新建住宅，房齡大的二手房住宅缺乏優(yōu)勢。相反，白云區(qū)、黃浦區(qū)、番禺區(qū)、增城區(qū)和從化區(qū)等近郊區(qū)域開發(fā)樓盤的年份較晚，因此，這些區(qū)域的房齡因子對二手住宅價格的影響較小。

2.區(qū)位特征對住宅價格的影響

從圖5(b)可知，廣州市二手住宅價格受地鐵站距離的影響較大，整體影響系數(shù)為負回歸系數(shù)，由此可知越接近地鐵站的二手住宅價格越高。但在天河區(qū)和黃埔區(qū)交接地帶，回歸系數(shù)為正值，即地鐵站對周邊房價影響程度較小，且呈負向影響作用。究其原因，雖然該地帶交通發(fā)達，多條地鐵線交匯在此，但天河區(qū)以東的鳳凰、新塘、長興等區(qū)域以金融產(chǎn)業(yè)為主導(dǎo)產(chǎn)業(yè)，黃埔區(qū)以西的聯(lián)和、大沙和魚珠區(qū)域以信息技術(shù)產(chǎn)業(yè)為主導(dǎo)產(chǎn)業(yè)，兩區(qū)交界地帶分布較多科技和金融企業(yè)，大部分員工能夠?qū)崿F(xiàn)就近上班，對地鐵的依賴性不強，因此會盡量避免在擁擠和嘈雜的地鐵站附近選擇住宅。

從圖5(c)可知，800 m內(nèi)公交站個數(shù)對廣州市二手住宅價格呈現(xiàn)明顯的空間分異特征。相比其他影響系數(shù)為正回歸系數(shù)的區(qū)域樣本，白云區(qū)南部區(qū)域的住宅價格受公交站密度的正向影響程度最明顯。造成這種現(xiàn)象的可能原因是白云區(qū)地鐵線路較天河區(qū)的線路要少，但居民對于通勤往珠江新城的需求較多，在交通的高峰時期，光靠地鐵無法滿足居民上下班、娛樂、就醫(yī)等大流量的交通需求，因此，需要依賴布置全面的公交線來滿足交通方式的多樣化需求。

3.鄰里特征對住宅價格的影響

如圖5(d)所示，最近商場的距離的回歸系數(shù)同樣存在顯著的空間分異特征，其回歸系數(shù)范圍在-9.745～9.465。最近商場的距離對住宅價格的負向影響系數(shù)在農(nóng)林下商圈和上下九商場地域達到峰值，也即住宅價格隨著商場距離的縮小而提升。而在珠江新城、天河路商圈、北京路商圈的區(qū)域，最近商場的距離對住宅價格的正向影響作用達到峰值，可能的解釋是這些區(qū)域的商場處于活躍的商業(yè)地帶，商業(yè)資源充足，勢必帶來高人流量和高車流量，在一定程度上造成環(huán)境嘈雜和交通堵塞，降低了居民的居住舒適度。而處于活躍程度不高的商圈周圍或者遠離商圈區(qū)域的住宅，最近商場的距離對其價格的影響較弱，可見商業(yè)資源對住宅價格的影響作用存在局域性。

如圖5(e)所示，最近公園的距離對廣州市住宅價格的影響存在空間差異變化，其中，對天河區(qū)的住宅價格產(chǎn)生最大峰值的負向影響?？赡茉蚴翘旌訁^(qū)金融發(fā)展水平程度較高，商業(yè)氣息濃重，發(fā)展節(jié)奏較快，公園可以為城市居民提供休閑娛樂、空氣清新的休息場所。而且，該因素的影響作用從天河區(qū)以北的方向逐漸遞減，原因是這片區(qū)域是廣州北部的三大近郊區(qū)，屬于廣州的重要水源之地，自然環(huán)境相對更好，因此公園對該區(qū)域的居民吸引力不高。

由圖5(f)可知，從總體水平來看，最近醫(yī)院的距離對住宅價格總體呈負相關(guān)影響，可能的原因是廣州市優(yōu)質(zhì)醫(yī)療資源分布不均勻，導(dǎo)致不同地域就醫(yī)便利度差異大，因此城市高水平醫(yī)療服務(wù)需求和就近看病的需求導(dǎo)致周邊住宅價格上漲。而在天河區(qū)中心區(qū)域的住宅價格受最近醫(yī)院距離的正相關(guān)作用最明顯，可能的解釋是該區(qū)域分布較多的醫(yī)院，容易出現(xiàn)周圍道路交通堵塞的情況和潛在的環(huán)境污染的問題，從而在一定程度上抑制了周圍的住宅價格。

4.教育特征對住宅價格的影響

如圖5(g)所示，最近小學(xué)的距離對廣州市住宅價格的影響呈明顯的空間差異性，但整體呈負向影響作用。在影響系數(shù)為負數(shù)的地域中，出現(xiàn)峰值的區(qū)域是越秀區(qū)，可見該區(qū)域的住宅購房者非常重視重點小學(xué)的教育資源優(yōu)質(zhì)程度。從小學(xué)教育資源分布來看，該區(qū)域包括多所省一級學(xué)校，而且目前越秀區(qū)的小學(xué)招生仍以“學(xué)區(qū)劃分、學(xué)位地段”的原則為主，所以許多購房者會著重考慮到住宅小區(qū)是否屬于重點小學(xué)學(xué)區(qū)范圍內(nèi)，并愿意支付更高的住房成本來爭取孩子未來的優(yōu)質(zhì)教育機會。而對于重點小學(xué)資源匱乏的區(qū)域，最近小學(xué)的距離對住宅價格的影響較小，這同時體現(xiàn)了小學(xué)教育資源對住宅價格的影響作用也存在局域性的特點。

如圖5(h)所示，最近中學(xué)的距離對廣州市住宅價格的影響在總體上呈負向作用。正回歸系數(shù)出現(xiàn)峰值的地域主要是天河區(qū)?？赡艿慕忉屖窃凇胺孔〔怀础钡脑瓌t下，地區(qū)政府調(diào)控政策跟隨加碼，打擊炒房等投機行為，廣州市天河區(qū)開始實行“單校劃片與多校劃片”的模式，在2021年采用電腦派位方式招生，平抑學(xué)區(qū)房熱度。正因為這樣的計劃，讓購房者對于是否處于中學(xué)周圍的學(xué)區(qū)房的敏感程度下降。可見，最近中學(xué)的距離對廣州市住宅價格的影響機制與最近小學(xué)的距離的影響機制有些許不同，體現(xiàn)在教育資源對住宅價格的空間影響差異程度受政策變化的影響。

如圖5(i)所示，最近大學(xué)的距離對廣州市二手房住宅價格在總體上呈負相關(guān)影響，可見，住宅價格隨著距最近大學(xué)的距離越短而得到抬升。其中，呈最大負相關(guān)作用的區(qū)域是天河區(qū)獵德、員村、前進等板塊，以及海珠區(qū)南石頭、瑞寶等區(qū)域，造成這一現(xiàn)象的可能原因是該區(qū)域主要是商業(yè)集中區(qū)，而高校一般建立在人流較少的地帶，所以，該區(qū)域缺少高校來提升當(dāng)?shù)氐奈幕諊?，但文化氛圍是不少家庭對小孩未來教育的重要考慮因素，因此該區(qū)域的居民對高校的需求程度較高。

圖5 各影響因素對房價影響分析圖Fig.5 Impact of influencing factors on house prices

五、結(jié)論與展望

本文以廣州市2020年二手住宅市場為研究對象，采用空間趨勢面分析、普通克里金插值方法和局部莫蘭指數(shù)法對住宅價格的空間分異格局進行分析。研究發(fā)現(xiàn)，廣州市住宅價格在東西和南北方向均呈現(xiàn)“倒U型”的二階變化趨勢，在空間上呈現(xiàn)“中心高，周邊低”的特點。即房價以天河區(qū)為中心，向外以圈層式逐漸衰減，住宅價格在廣州區(qū)域上表現(xiàn)出較高的空間聚類性和關(guān)聯(lián)程度。在此基礎(chǔ)上，本文采集同期廣州市二手房住宅價格樓盤交易數(shù)據(jù)和多源POI數(shù)據(jù)構(gòu)建GWR空間計量模型，探討各影響因子對廣州市住宅價格的作用機制。結(jié)果表明：僅有房齡特征單向影響廣州市二手住宅價格，而區(qū)位特征、鄰里特征、教育特征對廣州市二手住宅價格的影響存在明顯的空間變化，主要表現(xiàn)為相應(yīng)的回歸系數(shù)在不同地域上呈現(xiàn)出正負差異。地鐵站、醫(yī)院、商場和學(xué)校對住宅價格的影響也呈現(xiàn)顯著的空間差異性。小學(xué)和商場因子在一定程度上表現(xiàn)出對住宅價格影響作用的局域性，即服務(wù)范圍以外的區(qū)域住宅價格對小學(xué)教育資源和商業(yè)資源的敏感程度不高；地鐵站對住房消費者的吸引力較大，成為影響消費者購房意愿的重要因素；在交通需求較高的地塊，800 m內(nèi)公交站個數(shù)也對住宅價格發(fā)揮重要的正向影響作用；教育資源對住宅價格的空間影響差異程度受政策變化的影響。另外，考慮到現(xiàn)有研究僅從總體上衡量GWR模型擬合效果而忽略了該模型的局部擬合回歸思想，本文采用LocalR2指標(biāo)加以補充，并利用GIS可視化技術(shù)呈現(xiàn)各樣本在區(qū)域內(nèi)的局部擬合效果情況，結(jié)果發(fā)現(xiàn)，GWR模型中住宅價格樣本點的擬合效果不足與局部區(qū)域集中的資源優(yōu)勢相關(guān)。

城市規(guī)劃和政府調(diào)控政策在很大程度上影響城市住宅空間結(jié)構(gòu)演化和社會資源的配置。廣州市二手住宅價格表現(xiàn)出顯著的空間分異，主要體現(xiàn)為不同區(qū)域之間因自然地勢、歷史發(fā)展、經(jīng)濟發(fā)展速度等所造成的社會資源與發(fā)展機會不均衡，從而導(dǎo)致二手住宅價格產(chǎn)生明顯的空間差異化。因此，政策實施要以因地制宜為原則，將發(fā)展機會、社會資源均衡化，才能減少中心住宅交易熱區(qū)的住宅需求，抑制房地產(chǎn)不健康發(fā)展的苗頭，優(yōu)化城市資源的空間結(jié)構(gòu)。