南京市房价空间变异特征及影响因素研究

南京市房价空间变异特征及影响因素研究

莫泳怡1，车明亮1,2,3，陈珺娅4，刘心远1

1.南通大学地理科学学院，江苏南通 226019；2.南通市空间信息技术研发与应用重点实验室，江苏南通 226019；3.江苏长江经济带研究院，江苏南通 226019；4.南通大学杏林学院，江苏启东 226236

摘要：

在国家和地方政府不断出台房价调控措施的背景下，本研究利用地理信息系统空间分析方法对近期南京市的房价空间变异特征进行了定量分析，利用地理加权回归模型，从周边环境设施、交通出行、公共配套设施、其他等因素对房价空间异质性分布成因进行了探讨，并分析了各因素的影响程度。研究结果有利于政府及相关部门实时掌控辖区内的房价空间分布情况，强化对房地产价格的规范化管理。

关键词：南京房价；空间变异特征；空间集聚；热点分析；地理加权回归

Research on the Spatial Variation Characteristics and Influencing Factors of House Prices in Nanjing

Wang Xiaowen1， Che Mingliang2,3,4, Chen Junya5, Mo Yongyi2,3

(1. Nantong Urban Planning and Design Institute Co. Ltd., Nantong 226004, China; 2. College of Geographic Science, Nantong University, Nantong 226019, China; 3. Nantong Key Laboratory of Spatial Information Technology R&D and Application, Nantong 226019, China; 4. Jiangsu Yangtze River Economic Belt Research Institute, Nantong 226019, China; 5. Xinglin College, Nantong University, Qidong 226236, China)

Abstract: Under the background that the national and local governments continue to introduce housing price control measures, the study uses the spatial analysis methods of the geographic information system to quantitatively analyze the spatial variation characteristics of housing prices in Nanjing in the near future. Next, the study uses a geographically weighted regression model to explore the causes of the spatial heterogeneity distribution of house prices from the surrounding environmental facilities, transportation, public facilities, and other factors, and analyzes the degree of influence of each factor. The research results are conducive to the government and relevant departments to control the spatial distribution of housing prices in the jurisdiction in real time, and strengthen the standardized management of real estate prices.

Key words: housing prices in Nanjing; spatial variation characteristics; spatial agglomeration; hotspot analysis; geographically weighted regression

1

0 引言

居住问题是人类社会最主要的问题之一，住房价格的高低直接关系到人们的切身利益[1]。特别是自2016年底以来，各地房价普遍暴涨。巨大的涨幅使房价问题变成社会舆论关注的焦点

[2]。当前，我国经济正处在社会转型期，调整产业结构和稳定增速发展已成为各行业优化升级的重要举措[3]。房地产行业也在发生变革，但其产业泡沫并未从根本消除，且房价合理性一直被人们争论[2]。在各地方政府相继发布的房价“限涨令”和“限跌令”之后，房产价格才“似乎”回归到了房子居住本源。为此，深入研究房价的空间格局显得非常必要[4]，然而鲜有研究去分析房价的空间分布特征及探讨其异质性分布原因。这不利于政府部门实时掌控辖区内的房价空间分布情况，弱化了对房地产价格的规范化管理。

近年来，住房价格作为房地产发展状况的最直观表示，一直以来都被社会各界密切关注[5]。学术界从宏观和微观角度对房价进行了大量研究。在宏观方面，大多数研究主要停留在国家政策、货币政策、市场调控等层面[6,7]，并将房价划分为经济学范畴。在微观方面，大多数研究主要聚焦于房价格局的空间分析方法和空间回归模型，通过不同方法和模型的选择来分析住宅价格的波动变化[4]，且将房价归类为统计学范畴。事实上，房价无论在微观、宏观还是介于两者之间，其地域性差异都离不开空间地理概念。为此，有研究分析了城市服务设施更新对房价异质性作用的影响[8]，还有研究分析了深圳市、合肥市、武汉市、扬州市等房价的空间变异规律及其影响因素[7,9-11]。但鲜有研究对南京市的房价空间分布特征进行研究，也未见有研究对其房价空间异质性分布的原因进行深入探讨，特别是近期房价调控趋向平稳后。

为此，本研究以南京市为研究区，通过收集商品住房价格数据利用地理信息系统空间分析方法和地理加权回归模型研究该区房价空间变异规律，探讨房价空间分布成因，以期为南京市政府部门出台房价调控措施提供理论参考，并为合理制定城市发展规划提供数据支撑。

1数据与方法

1.1 研究区概况

南京市为江苏省的省会城市，辖11个行政区，是全国重要的科技、文化教育基地，也是全国重要的交通枢纽。作为长三角的战略核心城市之一，南京市的发展潜力巨大。截至2022年，南京市地区生产总值（GDP）达1.69万亿元，常住人口约942.34万人，城镇化率居全省第一[12]。伴随全市经济的高速发展和城市基础设施建设的加快，房地产在主城区及周边各个板块迅速崛起并快速发展，房价大幅上涨。近十年来，南京市住房价格上涨了约114%[13]，随着中央到地方各级关于房价政令的出台，该区房价才逐渐趋向平稳。

1.2 数据来源及预处理

本文以南京市普通商品住房和在售的二手房作为样本数据，所有住宅区数据均来源于安居客房产交易网站，并通过房天下网站进行补充。利用Python软件，以2022年4月为数据时间点，收集并汇总了南京市8749个商业住宅楼的数据，如图1所示。通过规划云在线工具[14]和网络爬虫软件从百度地图上获取了南京市的各兴趣点数据。收集到的数据在分析前先进行必要的可用性和有效性检查，删除带有问题属性和数据缺失信息的兴趣点。最后，使用地理信息系统软件将住宅区数据生成点空间数据。

1.3 研究方法

本文使用的研究方法包括空间自相关分析法、空间分析法、空间数据插值法、地理加权回归模型和探索性空间数据分析。其中空间自相关分析法可用于研究房价的空间分布聚集和离散趋势，主要包括全局自相关与局部自相关[15]。空间分析法是指运用空间分析中的热点分析来研究房价的热区和冷区[1]，分析房价的高、低值空间聚集状态。空间数据插值法是利用克里金插值法将已知点外推为面数据，对未知点进行无偏最优估计[16]，从而可以合理地估算房价的“面空间”分布规律，其插值结果具有较高的客观性和准确性。地理加权回归模型（Geographical Weighted Regression，GWR）是通过引入样本数据的空间地理位置信息[17]，来反映地理元素的空间异质性规律。探索性空间数据分析是对地理现象进行定量分析，通过使用直方图和QQ分布图来检验数据的正态分布，采用趋势分析查看房价的分布趋势。

图1 南京市行政区划及住宅区采样点

2 房价空间分布特征

2.1 房价空间分布格局

通过对房价数据实施探索性空间数据分析，经Log变换后的房价数据直方图呈正态分布，且QQ分布图中满足正态分布要求，因此可满足空间数据插值的要求。随后利用普通克里金插值绘制南京市房价的空间变化分布图，如图2所示。设置几何间隔分类，从图2中可以看出，南京市住宅小区的价格呈现单一中心的格局，以鼓楼区、建邺区为中心，房价呈不规则的向外递减，且各方向衰减差异明显。该地区有一个明显的方向性趋势，南京市中心与周边地区相比具有明显的地理优势，各类经济资源要素向中心集中，形成了该地区的价格高地，成为南京商品房的价格中心。边缘城区由于距离城市中心较远，基础设施不够完善，其房价也次于周边地区。

另外，从房价的变化梯度来看，房价变化较大时，房价等值线间距较短，分布较密。等值线在中心地区密集且分布均匀，在周围地区逐渐变得稀疏和不均匀。新街口、五台山一带是南京市区房价最高的区域，周围的房价也在逐步回落。此外，南京市房价梯度从中心到周围有很大变化，房价衰减速度较快，但是外围地区的价格梯度变化较小，下降速度较缓慢。

图2 南京市房价空间分布图

2.2 房价空间分布趋势

利用趋势分析工具绘制南京市房价的空间变化趋势图，如图3所示。从图3a可以看出，南京市住宅价格的空间分布具有显著的中间高、两侧低的分布特点。房价高值主要集中在中部地区，包括鼓楼区、建邺区和玄武区，而四周的外沿区域的数值较低，如溧水区、六合区、高淳区。根据图3b的XZ（东西向房价）和YZ（南北向房价）两个平面的“倒U型”曲线来看，南京市的房价在东西方向上的递减速度明显慢于南北方向，这说明房价在南北方向的分异程度要强于东西方向，这与南京市的南北狭长市域特点有关。从地理位置来看，六合区中心距南京市中心的位置要比浦口区的中心区更远，而且一般都是远离市区的，小区的价格也比较低。在东西方向上，相比于栖霞区，位于长江以北的浦口区，其经济发展较为迟缓，浦口的房价较栖霞房价低；在南北方向上，溧水区中心较高淳区中心距市中心更近，房价自然比高淳区高。

2.3 房价空间集聚模式

2.3.1 全局自相关分析

使用空间自相关工具计算南京市房价的全局自相关莫兰指数（Moran’s I）为0.563。显见，从整体上看南京市的房价存在一定的正自相关性，表现为近似值之间有空间聚集现象，即距离较近的房子在价格上也比较接近。Z得分约为45.536，说明南京市住宅价格的集聚现象十分显著。Z得分大于2.58，说明房价集聚分布的可能性大于99%。换言之，南京市房价的空间分布存在很强的空间自相关性。

图3 南京市房价空间变化趋势图（a：空间变化趋势，b：三维趋势分析）

2.3.2 局部自相关分析

利用聚类和异值分析工具绘制研究区的局部空间自相关的LISA图，如图4所示，可以看出南京市存在大量的高价格聚集和低价格聚集的区域。其中，房价较高的小区集聚的区域主要分布在南京市的中心区域，这些区域属于建设较为成熟的老城区，区位条件优越、交通网络建设发达，商业和服务业设施密集，配套设施齐全，因此房价一直较高，故该区域的一些街道呈现出明显的“高—高”聚集分布相关性，如江心洲、河西万达广场、新街口等；而房价较低的小区集聚的区域主要分布在六合区、高淳区、溧水区等城市边缘地区，区域发展并不成熟，离城市中心区域远，所以体现出低价聚集的分布情形。“高—低”和“低—高”类型的区域如迈皋桥、三牌楼、中山南路等，区域或是老旧，或是地理位置差，由于建设时间较早，没有完善的相关配套设施，房价比周边小区低。而其周围是高房价的小区，因而形成了中间房价低、四周房价高的“低—高”离散分布情形。也有一些小区受益于政策或本身拥有相对较好的基础设施，如地铁站或观景台，因此价格相对较高，形成了中心高、四周低的“高—低”离散分布。这说明南京市的住房价格存在着较高的空间自相关性，同时也存在着大量的高价格聚集和低价格聚集的区域。这说明，南京市住宅小区房价空间分异特征明显。

图4 南京市住宅价格空间LISA图

2.3.3热点分析

利用热点分析工具，计算南京市房价在空间上的热点区与冷点区，如图5所示。结果显示，南京市有很多热点（高房价集聚）和冷点（低房价集聚）。研究区的中心城区以热点为主，而外围则以冷点为主。鼓楼区、建邺区、秦淮区、玄武区、栖霞区，南京市大部分的高档小区都聚集在这里，因此形成了热区，周边拥有河西CBD，新街口等商圈繁华，资源条件优秀，交通网络发达的地区。同时，南京市的房价冷点区分布较为分散，集中在栖霞区北部、江宁区南部、浦口区西部以及外围周边地区，这些地区多为城乡结合的边缘地段，形成了一个低价位的区域。由此，南京市的住房价格呈现出中心高、外围低的整体特点。这表明南京市房价存在显著的高房价集聚区和低房价集聚区。

图5 南京市房价热点分析图（a：热点分析，b：热点分析插值）

3 房价空间分布不均衡原因探讨

根据研究需要，本文从环境条件、交通出行、公共配套设施和其他附加值等方面探讨房价的空间分布成因。首先根据各影响因素构建了地理加权回归模型，然后计算出各影响因素对房价的回归系数，据此绘制出各因素的影响性专题图。

3.1 周边环境设施对房价的影响

从图6可知，南京市住宅区的周边环境条件对住宅价格影响显著，多数地区的回归系数为负，表明越是靠近城市中心的环境设施，对房价的影响就越大。从图中可以看出，距景区的距离每缩短1km，房价平均上涨2348.5元。距公园的距离每缩短1km，房价平均上涨2212.7元。中心城区人口密集，旅游景点、公园等能够为市民提供良好的自然环境、娱乐场所，对提高房价具有积极意义。南京市的旅游景点和公园较多，在各个区县都有分布，而且人们对周围环境的重视在不断加强，使得房价也逐步提升。

3.2 交通出行因素对房价的影响

交通出行对城市住宅价格的回归系数整体为负值，但在空间分布上也存在明显的正负交替现象（图7）。大部分区域的住宅因为靠近地铁和公交站台而享受到更好的出行便利条件，具有更高的通达性。

图6 环境特征回归系数空间分布（a：景区因素，b：公园因素）

从图7a中看出，大多数区域与地铁站之间的距离对房价的影响系数为负值。对于多数的住宅小区而言，离地铁站越近，价格就会越高，反之则低，且主要集中在鼓楼区、玄武区和秦淮区。在城市中心和外围之间的浦口区、江宁区和栖霞区，居民主要通过地铁上下班，因此对地铁的依赖度很高，所以地铁对这些区域的房价起到了较大的推动作用。而在六合区、高淳区和溧水区，回归系数为正负值汇集，可能的原因是这些区域的居民对地铁的依赖程度较低，平时上下班主要搭乘其他交通工具，所以在这些区域地铁站对房价提升有一定影响，但不显著。

图7 交通出行回归系数空间分布（a：地铁站因素，b：公交站点因素）

由图7b可以看出，公交站对房价的影响为显著负相关，对不同区域的影响存在较大差别。区域负值主要集中在城市中心和外围之间的交接区，江宁区、浦口区、栖霞区、雨花台区的房价随着公交站分布而呈抬升的趋势非常明显，这些区域的居民往往更多地依靠公交车上下班。南京市中心区的公共汽车站点对房价的影响不大，究其原因，该区域多条地铁线布局于此，避免了早高峰拥堵，人们更加倾向于选择地铁出行，因此在南京市中心区域公交站点对房价的影响程度不及地铁站。

3.3 公共配套施对房价的影响

教育资源被看是影响房价最重要的因素之一，尤其是优质中小学资源对房价的影响尤为明显。总体上，学校因素对房价的影响十分显著，即学校越靠近学校，房价就越高（图8a）。然而，南京市的教育资源空间分布不平衡，重点中小学在城市中心区域比较集中。位于市中心的鼓楼区的教育资源是丰厚的，在该地区的房价也明显比其他地区高，但是由于优质的教育在该区域比较普遍，因此鼓楼区的教育资源对房价的提升作用不及别的区县显著。在其他区域，学校对房价的影响都较为显著，尤其在玄武区、浦口区、建邺区、秦淮区和雨花台区，学校的分布都能明显带动房价的提升。

图8 公共配套设施回归系数空间分布（a：学校因素，b：医院因素，c：大型商场因素）

医院因素与住宅价格之间大部分存在着显著的负相关，即越是靠近高质量的医疗资源，其房价就会随之上涨（图8b）。回归系数呈现出从西南向东北逐步增加的趋势。可能的解释有三甲医院具备优良的医疗技术与设施，为医疗服务提供了保证，而市民对高品质的医疗环境临近性的需要，则会造成医院附近的房价上涨。对于医疗资源较为贫瘠的六合区、溧水区和高淳区而言，由于在此区域里缺乏甲级医院，医疗机构的整体水平相差无几，各地区之间没有大的差异，所以影响系数不高。而在秦淮区、浦口区、玄武区、雨花台区，虽然也有少数的甲等医院，但由于区域内的医疗条件差异较大，所以，在这些区域旁边的医院附近，房价也会更高。鼓楼区和建邺区拥有丰富的医疗资源，三甲医院的规模大、密度大、分布均匀，居民能快速且方便的从住宅小区去往医院。这一地区的医疗资源基本能满足人们的需要，所以对房价并不能起到太大的推动作用，反而由于靠近医院所带来的交通拥堵和噪声令房价有所下跌。

大型购物商场与房价之间存在着显著的负相关，即距离购物商场越近，住房价格就越高（图8c）。从图中可以看出，回归系数的空间分异比较明显，建邺区河西、新街口一带，大型购物中心对价格的负面效应最大，也就是住宅小区房价与购物中心的距离越近，价格越高。该地区拥有新街口、河西CBD、奥体中心等在内的现代化国际性城市中心。表明房价与我国的经济高发展、高物价、高收入和消费需求相关。在周边距离商业区较远的地区，大型商场对住宅价格有推动作用但都不显著，表明购物中心的服务地域存在一定的地域限制。

3.4 其他因素对房价的影响

根据地理加权模型的回归系数，可以看出总体上政务中心与房价呈负相关关系，这意味着距离政务中心越近，住房价格越高（图9a）。从空间分异上看，在鼓楼区、玄武区、秦淮区附近，政务中心对房价的负向影响作为显著。该地区拥有较为集中的政务中心区域。而在城市外围，政务中心则对房价的促进作用不及城市中心。

从图9b可以看出，大部分工厂的分布与房价呈正相关性，这说明距离工厂中心越近，住房价格越低。位于主城区的鼓楼区、建邺区、雨花台区和秦淮区附近，因为城市中心医疗设施和商业设施过于集中，工厂分布稀疏，也有可能是工厂带来了诸如环境卫生、噪声等一系列的负面影响，降低了购房者的购房意愿。工厂带来的嘈杂人流、过境噪声、空气污染给周边住宅带来的负面影响进一步抵消了靠近工厂带来的便利度，使得这些区域的工厂成为降低住房品质的一大因素。

图9 其他变量回归系数空间分布（a：政务中心因素，b：工厂因素）

4 结束语

目前，房价问已成为政府、房地产投资商以及广大市民关注的焦点[18]。政府对此进行了不断调控，有效遏制了房地产价格的野蛮上涨[19]。南京市作为长三角最重要的政治、经济、文化中心之一，其房产价格在政府调控后发展逐步平稳。本研究通过对该地区房价的空间分布特征进行分析，结果显示：

（1）南京市房价总体呈现“中间高

-四周低”的变化趋势，且在南北方向的分异程度要强于东西方向。在空间分布格局上，房价呈现单一中心的格局，并向四周不规则递减，且各方向衰减差异明显。通过莫兰指数，LISA图和冷热点分析可以发现南京市的住房价格存在着较高的空间自相关性，同时也存在着大量的高价格聚集和低价格聚集的区域。这意味着南京市住宅小区房价空间分异特征明显。

（2）南京市住房价格的空间分布与周边环境设施、交通便捷程度、公共配套等因素密切相关。根据地理加权回归分析可知，这些因素除了工厂之外，均对房价有明显的促进作用，能够推动房价上涨。在配套齐全、便利程度高、环境优美的住宅区，价格也普遍偏高。可见，随着住宅市场化程度的逐步深化，居住小区的环境和周围配套的基础设施水平也在逐步提升，房价也随之上涨。

对于房价而言，显然住宅区的内生性要素对其具有决定性作用。内生性要素与住宅区自身状况紧密相关，主要包括住宅区的居住环境特征，如小区景观、公共场地、物业管理和基础设施等；建筑特征如房屋的建设质量、装修程度、房龄、容积率等。此外，住宅区所处的交通便利条件也属于内生性要素，它对房价也起着决定性作用。除此之外的影响因素对房价只起到辅助作用，为外生性要素，比如住宅区的周边公园及旅游景点、医院、学校、商场、政务中心和工厂等。这些要素对住宅区房价的影响通常具有时段性，个别要素如学校对房价的影响很大，但随着国家推动优质教育资源均衡化的进程加快，该影响性将慢慢降低。在本研究中，受数据获取的限制，本文主要对内生性的交通条件和外生性的影响因素进行了分析。研究结果表明在对房价的贡献中，外生性要素的影响很大，甚至超过了内生性的交通条件。这意味着当地政府在调控房价时，要重视这些外生性因素对房价的影响，特别是学校、景点、公园和医院等要素。

参考文献:

[1] 毕硕本, 许志慧, 黄铜, et al. 社交网络视角的南京市房价时空特征分析[J]. 测绘科学, 2021, 46(5): 153-161.

[2] 王希岩, 陈建明, 叶毅, et al. 中国房价合理性分析[J]. 中国房地产, 2022, 27: 12-22.

[3] 杨君. 基于大数据的城市住房价格空间分布特征研究——以南京市为例[J]. 现代营销(经营版), 2020, (8): 60-61.

[4] 王润泽, 王申林, 石鑫, et al. 基于多源数据的武汉房价时空模式与驱动机制研究[J]. 地理信息世界, 2022, 29(4): 88-96.

[5] 崔征, 周梦茜, 孔灵柱. 我国城市房价影响因素的异质性研究[J]. 税务与经济, 2022, (6): 65-74.

[6] 吕玉珍. 基于网络数据的南京市中心城区住宅价格空间分异研究[D].  南京师范大学, 2018.

[7] 刘欣, 章娩娩. 基于POI大数据的扬州市房价空间分异及 影响因素研究[J]. 项目管理技术, 2022, 20(8): 46-50.

[8] 李晨阳, 梁娟珠. 城市服务设施更新对房价异质性作用研究 ——以成都市为例[J]. 科技和产业, 2022, 22(6): 315-320.

[9] 钟艾妮, 答星, 喻静敏. 地理视角下深圳市房价及其影响因素研究 ——基于随机森林模型[J]. 城市勘测, 2022, (2): 66-70.

[10] 孙彪, 杨山. 多中心作用下大城市房价空间分异的特征及影响因素——以合肥市为例[J]. 长江流域资源与环境, 2021, 30(7): 1538-1546.

[11] 连志远. 武汉市房价时空演变特征与影响因素研究 [D]. 测绘工程,  江西理工大学, 2021.

[12] 朱凯, 黄琳燕: 2022年全市经济稳健恢复、质效提升——1.69万亿元！南京GDP同比增长2.1%[N], 南京日报, 2022.

[13]南京历年房价走势如何，10年时间从1.4万到3万单月最大涨幅7个百分点[EB/OL]. https://wiki.dushiquan.net/wd/20220516/3644.html.

[14]规划云POI搜索工具[EB/OL]. http://guihuayun.com/poi/.

[15] 李吉江, 赵荣, 王勇. 北京市城市住宅价格空间自相关分析[J]. 山西建筑, 2017, 43(3): 215-216.

[16] 沈豪. 南京市住宅小区租金空间分布特征研究[J]. 市场周刊, 2019, (1): 180-182.

[17] 尹上岗, 宋伟轩, 马志飞, et al. 南京市住宅价格时空分异格局及其影响因素分析——基于地理加权回归模型的实证研究[J]. 人文地理, 2018, 33(3): 68-77.

[18] 吴超, 刘鹏宇, 聂可. 南京市房价与影响因素的多尺度空间关系分析[J]. 现代城市研究, 2021, 36(4): 93-98.

[19] 滕堂伟, 谌丹华, 胡森林. 房价、人口规模与长三角地区城市创新能力研究[J]. 同济大学学报（社会科学版）, 2021, 32(5): 65-75.

1