EN中文

经济地理 >

2019 , Vol. 39 >Issue 3: 100 - 107

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.03.012

城市地理与新型城镇化

基于GWR模型的南京主城区住宅地价空间异质性驱动因素研究

  • 阚博颖 , 1, 2 ,
  • 濮励杰 , 1, 2, ※ ,
  • 徐彩瑶 1, 2 ,
  • 朱明 1, 2 ,
  • 黄思华 1, 2 ,
  • 谢正栋 3
展开
  • 1.南京大学 地理与海洋科学学院，中国江苏 南京 210023
  • 2.自然资源部海岸带开发与保护重点实验室，中国江苏 南京 210023
  • 3.南京市土地储备中心，中国江苏 南京 210005
※濮励杰（1965—），男，江苏吴江人，教授，博士生导师。主要研究方向为土地利用与生态环境。E-mail：。

阚博颖（1995—），女，江苏南京人，硕士研究生。主要研究方向为人文地理学。E-mail：。

收稿日期: 2018-07-18

  修回日期: 2018-09-11

  网络出版日期: 2025-04-29

基金资助

国家自然科学基金项目(41871083)

江苏省国土资源科技项目(2018005)

收起

Driving Factors on the Spatial Heterogeneity of Residential Land Price in Downtown Nanjing Based on GWR Model

  • KAN Boying , 1, 2 ,
  • PU Lijie , 1, 2, ※ ,
  • XU Caiyao 1, 2 ,
  • ZHU Ming 1, 2 ,
  • HUANG Sihua 1, 2 ,
  • XIE Zhengdong 3
Expand
  • 1. School of Geographic and Oceanographic Sciences，Nanjing University，Nanjing 210023，Jiangsu，China
  • 2. Key Laboratory of Coastal Zone Exploitation and Protection，Ministry of Natural Resources，Nanjing 210023，Jiangsu，China
  • 3. Nanjing Land Reserve Center，Nanjing 210005，Jiangsu，China

Received date: 2018-07-18

  Revised date: 2018-09-11

  Online published: 2025-04-29

Fold

摘要

以南京市主城区为例，基于2014年住宅用地监测点数据，利用GWR模型分析各驱动因素对住宅地价贡献程度及空间异质性成因，以促进地价的科学规范化管理。研究表明：①各影响因素对住宅地价的平均边际贡献程度为：CBD>河流水系>城市快速路>大学>医院>公园绿地>小学>幼儿园；②CBD仍占据影响住宅地价的主导地位，城市公共设施对住宅地价的负向效应有扩大趋势，“教育型”设施逐渐成为居民购房行为的重要影响因素，面状自然地物在空间影响模式上存在“互补效应”；③城市住宅地价影响模式由单一影响因素为主导向多因素共同作用转化，各影响因素虽作用大小仍有所侧重但差异逐渐缩小；④较全局OLS模型（50%），GWR模型可解释监测范围内87%的住宅地价变化，能够更加精准地研究土地市场的空间异质性。

关键词： 住宅地价; 中心商务区（CBD）; 交通; 空间分异; 教育型设施; 公园绿地; 南京主城区

本文引用格式

阚博颖 , 濮励杰 , 徐彩瑶 , 朱明 , 黄思华 , 谢正栋 . 基于GWR模型的南京主城区住宅地价空间异质性驱动因素研究[J]. 经济地理, 2019 , 39(3) : 100 -107 . DOI: 10.15957/j.cnki.jjdl.2019.03.012

Abstract

This paper, taking the downtown of Nanjing as an research area and based on the final retained data from residential land monitoring sites in 2014, applies the geographically weighted regression (GWR) model to simulate the contribution of driving factors and the causes of spatial heterogeneity of residential land market in study area, so as to promote the scientific and standardized management of land price. The results indicate that: 1) In the GWR model, the order of the average marginal contribution on the land premium from high to low is the distance from CBD, river, expressway, college, hospital, park, primary school and kindergarten. 2) The distance from CBD has occupied the dominant position in influencing factors of residential land prices. The negative effect of urban public facilities on residential land prices tends to expand and the 'educational-type' infrastructures have gradually become an essential influencing factor in the purchase behavior of residents. There is a 'complementary effect' on the spatial influence model of surface natural features. 3) The impact model of urban residential land price was dominated by a single influencing factor and then transforms to multi-factor interaction. The function intensity difference of each of influencing factors is gradually narrowing. 4) The GWR model can be well applied to stimulate spatial heterogeneity of land market in target area accurately. The model could explain 87% of the price changes of residential land within the monitoring range. The interpreting abilities have been improved significantly than that based on global regression model (50%).

Key words： residential land price; Central Business District (CBD); traffic; spatial heterogeneity; educational public facilities; park green space; downtown of Nanjing

土地是我国当前宏观经济调控的主要要素[1]，地价成为土地市场有效运行的核心。科学有效的地价管理，有赖于准确把握地价的内在决定规律，系统研究地价决定机理已成为迫切需要解决的理论和现实问题[2]。因此，研究城市内部土地价格驱动因子的作用机制对政府制定宏观调控政策和企业实施房地产投资决策都具有重要意义。
国外学者对于城市地价影响因素的研究主要集中于区位要素与地价的关系，已形成比较完备的理论体系[3⇓⇓-6]，区位要素主要包括交通可达性和配套设施便利度两个方面。国内土地市场发育较晚，目前研究注重影响因素的判别量化和模型优化。在地价理论的指导下，有学者从宏观与微观、供给与需求等角度出发建立地价影响因素的理论分析框架，并通过模型构建判别不同尺度下影响地价的主要因素[7⇓⇓-10]；也有学者在此基础上，侧重研究尺度下某种或某类主要因素，深入剖析其对不同用途地价的影响机理[11⇓⇓-14]。模型优化方面，主要注重特征价格模型、空间扩展模型和GWR模型的对比研究，后两者模型拟合度明显优于前者[15⇓-17]。总结目前地价影响因素的相关研究，大多数以城市群[18]、省域或市域等宏观尺度为研究单元，依托基准地价或土地出让数据，但针对宗地、地块为侧重的微观典型区域，利用监测点数据进行多时间尺度的比对研究相对缺乏。典型区域土地市场活跃，对地价变动更为敏感，不同时间尺度的比对研究更能清晰地掌握地价影响因素模式变化状态，揭示典型区域住宅地价决定机理，从而指导区域发展规划制定，极具现实意义。且较之出让数据，监测点数据质量高，更能真实准确地反映区域内地价水平。本文通过对南京市主城区256个住宅地价监测点数据建立城市地价空间差异影响因素的GWR模型，研究典型区域内影响因素对城市地价水平的贡献程度，并分析各驱动因子的影响机制，为城市土地管理工作提供案例支撑和方法借鉴。

1 研究区概况与研究数据

1.1 研究区概况

基于住宅用地监测点监测范围，确定本文研究区主要涵盖南京主城区，面积约410.61 km2，包括玄武区、秦淮区、鼓楼区、建邺区、雨花台区、栖霞区（除龙潭街道和八卦洲街道），共六个市辖区（图1）。其中，玄武区、秦淮区、鼓楼区、建邺区属于南京老城区范围，而栖霞区和雨花台区则为传统认知中的近郊区域。
图1 研究区范围及住宅地价监测点

Fig.1 Monitoring sites of residential land price in study area

1.2 数据来源

地价数据来源于南京市2014年度地价动态监测数据采集与地价监测点维护课题成果，行政区划、城市路网及POI数据来源于南京市国土资源信息中心。其中，地价数据为2014年南京主城区住宅地价监测点处的土地评估价格，共257个监测点。该监测点数据是参照《城镇土地估价规程》（GB/T 18508—2014）的要求，通过市场比较法和假设开发法对类似地块的土地出让交易数据进行估价期日、开发程度、使用年期、容积率等地价内涵统一性修正后加权平均计算得到。估价基准日为2014年12月31日，剔除属性残缺与不合理的地价特异样点后，最终保留住宅地价监测点共256个，并基于统一地价内涵建立空间属性数据库。

2 研究方法

Brunsdon于1996年将地理加权回归模型引入地理学研究，探究回归模型中地理空间变化的潜在关系。GWR模型基于非参数局部加权回归技术，局部回归参数利用在可变空间内临近监测点的数据子集进行评估[19]。模型的一般表示形式为：
y i = β 0 u i , v i + ∑ k = 1 n β k u i , v i x i k + ε i
式中： y i表示第 i个监测点的土地价格； x i k为在监测点 i处第 k个解释变量的值； u i , v i是指第 i个住宅监测点的投影坐标； β k u i , v i表示监测点 i处第 k个解释变量的回归系数； n为解释变量的数量， β 0 u i , v i为常数项； ε i为监测点 i处的随机误差。
GWR模型的回归系数为：
β k u i , v i = X T W u i , v i X - 1 X T W u i , v i y i
式中： X为自变量矩阵； W ( u i , v i )表示监测点 i处的空间权重矩阵。

3 参数设定与模型建立

3.1 解释变量选取与预处理

驱动地价变化的因素主要有3个方面：宏观经济与政策因素、区位因素、个别因素[7]。宏观经济与政策因素影响城市整体地价水平，而本文以地块和宗地为研究单元，因此结合已有研究[20⇓⇓-23]，主要考虑交通可达性、基础设施便利度和自然环境条件，初步选取12个影响因子（表1）。住宅监测点至要素点的空间可达性是通过交通路网实现的，因此距离变量（除河流水系外）均利用GIS网络分析功能，建立基于城市现状交通的道路网络模型，测算得到各住宅地价监测点至空间要素点的最短道路距离。
表1 解释变量的选取与描述

Tab.1 Selection and description of explanation variations

解释变量 变量描述 均值（m） 最大值（m） 最小值（m） VIF
Dist（CBD） 监测点至CBD的道路距离 7 157.82 26 688.42 518.07 3.08
Dist（bus） 监测点至公交站点的道路距离 350.81 2 402.91 5.08 -
Dist（subway） 监测点至地铁站点的道路距离 2 175.75 13 885.08 31.08 -
Dist（road） 监测点至城市快速路的道路距离 701.07 3 269.63 22.64 1.14
Dist（mall） 监测点至商场的道路距离 2 333.63 17 239.23 21.86 -
Dist（kindergarten） 监测点至幼儿园的道路距离 761.58 4 730.06 1.55 1.85
Dist（primary） 监测点至小学的道路距离 884.69 5 422.11 4.46 2.10
Dist（high） 监测点至中学的道路距离 1 131.03 4 479.42 20.31 -
Dist（college） 监测点至大学园区的道路距离 1 586.62 14 651.53 57.48 2.24
Dist（hospital） 监测点至医院的道路距离 1 161.87 5 180.48 20.09 2.05
Dist（park） 监测点至公园绿地的道路距离 2 155.54 9 023.10 147.30 2.07
Dist（water） 监测点至河流水系的距离 1 053.99 4 269.32 56.13 1.22
变量之间相关程度的提高会导致系数估计标准误差的增加[16,24]，借助Stata 14利用方差膨胀因子进行多重共线性检验，并借助逐步回归法将公交站点、地铁站点、商场和中学指标剔除以修正共线性问题对回归模型的影响。

3.2 模型构建和结果检验

设总价为 y i，第 i点的坐标为 ( u i , v i )，则南京城区住宅地价影响因素GWR模型为：
y i = β 0 u i , v i + ∑ j = 1 , k x i , j C B D u i , v i + ∑ j = 1 , k x i , j r o a d u i , v i + ∑ j = 1 , k x i , j k i n d e r g a r t e n u i , v i + ∑ j = 1 , k x i , j p r i m a r y u i , v i + ∑ j = 1 , k x i , j c o l l e g e u i , v i + ∑ j = 1 , k x i , j h o s p i t a l u i , v i + ∑ j = 1 , k x i , j p a r k u i , v i + ∑ j = 1 , k x i , j w a t e r u i , v i + ε i
本文运用GWR 4软件，通过比较ANOVA相关参数结果（表2），最终采用adaptive bi-square核函数和AIC评价标准进行回归建模。
表2 GWR模型方差分析结果比较

Tab.2 Result comparison of ANOVA in GWR model

核函数 评价标准 R SS DF MS F
固定型 AICc 0.74 4 625 490 480.55 204.99 22 564 027.59 4.67
AIC 0.89 2 057 751 485.15 110.35 18 646 771.64 2.75
CV 0.82 3 191 902 180.87 165.62 19 272 420.94 3.74
调整型 AICc 0.81 3 427 332 683.60 187.01 18 327 317.06 5.12
AIC 0.87 2 406 156 323.73 148.15 16 241 564.81 4.14
CV 0.82 3 238 744 110.69 181.09 17 884 762.51 4.93

4 结果与分析

4.1 地理加权回归模型参数估计

GWR模型的AIC值和残差平方和较OLS回归模型均有较大幅度的下降，分别降低180.44和6.65×109；且GWR模型的总体拟合优度R2较全局回归模型有了明显提升，增加了74%，解释采样区87%的住宅地价变化（表3）。住宅地价监测点局部回归系数的统计分析结果显示（表4），局部回归系数的中位数与平均数的符号均相同，且数值相差不大，可见各因素对研究区大部分监测点的影响效果趋于一致，这与已有研究结果相符[20-21]。回归系数的数值变化进一步验证了各局部因素对地价影响程度的空间异质性。
表3 全局OLS回归与地理加权回归的拟合结果比较

Tab.3 Fitting result comparison between OLS regression and geographically weighted regression

模型类型 AIC值 R2 残差平方和
Global OLS Regression 5 196.16 0.50 9 055 789 181.06
GWR Regression 5 015.72 0.87 2 406 156 323.73
GWR Improvement 180.44 0.37 6 649 632 857.33
表4 住宅地价变化的地理加权回归模型估计结果

Tab.4 Estimates for the change of residential land price in GWR model

变量 平均值 最小值 最大值 标准差 下四分位值 中值 上四分位值 DIFF of Criterion
Intercept* 29 594.0148 12 097.9764 43 913.3257 7 056.8248 25 316.8260 30 594.4489 36 125.5158 -161.688675
Dist（CBD）* -2.7937 -7.2730 0.4234 1.6577 -3.7561 -2.3432 -1.6570 -17.897193
Dist（hospital）* 0.5439 -4.6808 9.8504 2.9294 -1.5131 0.0545 1.4676 -6.522671
Dist（kindergarten） 0.3447 -7.2758 5.1243 2.3142 -0.4512 0.5014 1.4774 5.233635
Dist（primary） 0.4324 -10.9541 7.3586 2.7367 -0.7572 0.2993 1.8765 1.782759
Dist（college）* 0.8636 -4.1580 7.1214 2.5238 -1.4662 0.8669 2.7783 -4.640385
Dist（road）* 1.0598 -4.7428 11.8531 3.0364 -1.0071 0.3200 2.2159 -3.758573
Dist（park）* 0.5261 -3.1053 6.6459 2.0476 -0.8236 0.5369 1.6591 -1.428733
Dist（water）* 1.3478 -5.3459 6.6551 2.1489 -0.0705 1.2172 2.8241 -1.671104

注：“*”表示具有显著的空间非平稳性。

地理变异检验利用DIFF of Criteria参数对局部回归系数的显著性进行检验判断，发现除幼儿园和小学外其他影响因素都很明显，表明大部分解释变量对住宅地价在研究区范围内具有地理变异性，即局部回归效果优于全局回归。
表4中局部系数平均值反映了各变量对研究区内住宅地价的平均边际贡献程度[16]，对通过显著性检验的变量按贡献程度排序为：CBD>河流水系>城市快速路>大学>医院>公园绿地。除CBD外，其他因素的回归系数统计平均值均为正，表明各因素对住宅地价具有负向边际价格效应，而CBD则具有正向促进作用。另外两个变量中，幼儿园对住宅地价的平均效用最小，主要是因为目前各社区内对于幼儿园的配备相对齐全。
所有变量回归系数最大值、最小值的符号均不相同，说明边际效应存在方向差异性。以CBD为例，其系数变化范围为-7.2730~0.4234，即在某一空间范围，到CBD的距离每增加100 m，住宅地价下降727.30元，而在另一空间区位，到CBD的距离每增加100 m，住宅地价提升42.34元。

4.2 空间异质性影响因素分析

4.2.1 CBD对住宅地价的影响

CBD对研究区内99%以上区域住宅地价呈正外部效应，对地价影响明显，影响模式呈现“单中心—阶梯状”的特点（图2）。与已有研究结果[16]不同，CBD周边5 km范围内的边际价格效应呈同心椭圆状向外递减，长轴近似正南—正北走势，随后呈阶梯状向东北和西南两个方向延伸，并于栖霞区仙林大学城及长江隧道附近形成高值中心。可见与CBD相距越远的区域地价下降得越不明显，这与CBD的辐射半径有关。研究区东北角较之西南角回归系数下降梯度更快，即CBD对主城区西南方向的辐射影响大于东北方向。究其原因，本文计算的是监测点到CBD的道路距离，通过对城市现状交通进行线密度分析发现西南部的交通路网较东北地区更为密集，以及地铁1号线的运营，使得CBD对西南方向的辐射范围得到延伸，辐射作用逐渐增强；反观东北部地区位于仙林大学城，因高等院校福利政策的影响，购房者多为高校教师，购房动机以非区位驱动为主，且连接仙林新城与主城区的交通要道玄武大道拥堵现象严重，同时受仙林金鹰等次级商业中心的影响，大大削弱了新街口CBD对其的辐射作用。
图2 CBD对住宅用地价格的影响

Fig.2 Influence of CBD on residential land price

与已有研究[20]进行时间尺度上的对比发现，就回归系数而言，由2003年的-0.832变为2009年的-1.745再变为2014年的-2.794，年均增长率为18%和12%，可见CBD对住宅地价的影响有逐年扩大的趋势，但增长幅度趋缓。从空间角度分析，2003年回归系数负值大致以苜蓿园所在区域为中心，2009年则以集庆门一带为正中心、苜蓿园所在区域为副中心，2014年苜蓿园所处区域副中心消失，中心区逐渐向CBD附近移动，且城北地区与城南地区相比对CBD的敏感性一直相对较弱。

4.2.2 交通条件对住宅地价的影响

近年来住宅地价对城市快速路的依赖性呈“倒U型”趋势，交通条件的负向外部效应趋于显著。研究区以秦淮河为界，大致将回归系数分为正负两区，秦淮河以北回归系数多为负值，以南则为回归系数正值区（图3）。南京快速内环所围成的“井字型”区域为回归系数的负中心，内环东线与二桥高速、宁洛高速、绕城高速围成的蝴蝶型区域为回归系数的次级负中心，这是由于公交车站的密度可以达到数百米的量级，市中心与城东广大区域基础设施完备，生活方式以短途出行为主，因此对于公交的依赖程度仍较大。而内环南线与江东快速路相交的应天大街高架处，以香堤丽舍小区为圆心，1.5 km为半径，呈同心圆状向外扩展形成回归系数的正中心，这一现象可能是由应天大街高架噪声污染所致。
图3 城市快速路对住宅用地价格的影响

Fig.3 Influence of road on residential land price

时间尺度上的对比发现，2003—2009年，城市快速路对住宅地价影响回归系数从-1.925变为-8.066，正值区域范围虽有扩大趋势，但主城区内负值仍占主导地位，且绝对值明显提升，表明城市快速路对住宅地价的正向外部效应逐渐增强[20]。但至2014年，城市快速路对住宅地价影响回归系数平均值变为1.510，绝对值较2009年明显下降，与2003年绝对值大体一致但符号相反，可见城市快速路对住宅地价逐渐呈现出负向外部效应。这是由于伴随着2014年青奥会的召开，政府大力投资抓好青奥交通配套项目建设，南京公共交通系统进一步完善，使得交通对区域之间影响差异性减小。同时，地铁2号线沿线地区回归系数大体均为正值，可见随着地铁2号线的正式运营与地铁3、4号线的修建，居民对城市快速路的依赖性逐渐减弱，导致城市快速路对地价影响趋小。

4.2.3 点状公共设施对住宅地价的影响

“教育型”设施逐渐成为居民购房行为的重要影响因素。研究区内幼儿园回归系数极值中心分布于环玄武湖地区，住宅地价对该影响因素的敏感性不强（图4a）。小学于凤台路和虎踞南路以1.2 km为半径构成的缓冲区域为回归系数正值中心，以小营小学为中心1.5 km为半径的圆形区域为负值中心，其余区域回归系数分布较为均质（图4b）。这一空间分布形态主要由于拉萨路小学、力学小学、琅琊路小学、北京东路小学和小营小学等南京市重点小学对住宅地价的牵引作用引起。大学对住宅地价影响呈现多核心模式，于紫金山西南部、东南部为负值中心，仙林大学城处为副中心（图4c），此地区高等院校分布密集，如南京农业大学、南京理工大学、南京航空航天大学、南京师范大学和南京大学等。由于高校住房福利政策影响，致使该地区高级知识分子聚集，人口素质普遍偏高，学术氛围及人文素养对住宅地价驱动明显。玄武湖北部、凤台南路段则呈现出两个正值中心（图4c），该地区为高等院校本部所在地，由于南京高校已逐渐向近郊大学城转移，一定程度上削弱了主城老校区对地价的影响。就“医疗型”公共服务设施而言，南京快速内环围成的“井字型”区域2009年为回归系数负值区[20]，2014年则变为回归系数的正值区，这是由于该区域内分布着众多知名医院，如鼓楼医院、江苏省人民医院、儿童医院、南京市口腔医院等，前来就诊的患者众多，目前人们对于健康的关注与日俱增，医院周围空气较差且传染病较多一定程度上对周边地价产生影响。而在建邺区附近呈现出条带状的负值集聚区，此区域内医院数量较少并沿江东中路、集庆门大街呈线状分布，这与负值区的延伸方向相一致（图4d）。
图4 点状公共设施对住宅用地价格的影响

Fig.4 Influence of point-like infrastructure on residential land price

总体来看，城市点状公共设施对住宅地价的负向效应均有扩大趋势。从空间异质性角度分析，大学与医院对住宅地价分布表现出明显的空间异质性；从平均水平分析，四大基础设施因素对住宅地价的影响效果为：大学>医院>小学>幼儿园，最大值与最小值之间相差近一倍。该结果在一定程度上表明，城市居民购房理念中对“医疗型”设施的关注度相对稳定，而对大学等“教育型”设施的重视程度逐步提高。

4.2.4 面状自然地物要素对住宅地价的影响

面状自然地物对住宅地价影响呈现各向异性，且公园绿地和河流水系对住宅地价影响在空间上存在“互补效应”。紫金山西侧处于公园绿地影响因素回归系数的正值中心，东麓处于次中心（图5a）。这是由于西侧受CBD影响更为显著，且两地邻近玄武湖和紫金山，周围零星分布着清凉山公园、古林公园、狮子山风景区等，因此公园绿地的景观价值不具有稀有性；而东侧位于马群街道，主要社区类型为经济适用房和中低价商品房，居住人群多为外来打工人员等中低收入群体，对生态景观需求并不迫切，使得公园绿地对住宅地价的影响效应并不明显。而幕府山和滨江公园附近形成回归系数两个负值中心（图5a），这是由于2013年策划把幕府山滨江带打造成为集生态、文化、旅游、度假为一体的5A级旅游景区，并提出将河西滨江公园作为奥体中心后花园的理念，且河西新城这一新兴富人区致力于打造居住与就业兼顾的中高档居住区和以滨江风貌为特色的城市西部休闲游览地，居住人群多为南京“新贵”对生活品质要求颇高，使得该地区住宅地价对生态环境的敏感性较强。与公园绿地相反，长江隧道与长江三桥中间段呈回归系数正高值区，长江大桥与长江二桥中间段，以幕府山地区为中心呈次高值区，长江大桥与长江隧道中间段呈负低值区，CBD处为回归系数负值中心（图5b）。可见，长江对住宅地价的影响呈现区段效应。
图5 面状自然地物对住宅用地价格的影响

Fig.5 Influence of surface natural features on residential land price

研究发现，2011年公园绿地和风景区对住宅地价的回归系数分别为0.0362和0.0866[25]，与之相比，2014年的面状自然地物负向外部效应均有较大幅度的提升，且对地价的影响由单中心转向多中心，可见随着人们素质提高，对人居景观、居住质量、生活品质的需求严苛，在城市总体规划指导下，近年来河西、城北等区域进行大规模的公园绿地建设，改变了原先公园绿地的空间布局，城市绿化状况日益趋好，区域环境差异逐渐缩小，导致住宅地价对环境因素的敏感性减弱。

5 结论与讨论

本文基于GWR模型分析2014年不同驱动因素对南京主城区住宅地价影响程度的空间异质性及成因，并与2003、2009年等相关研究成果进行比对以发现其动态变化特征，同时对GWR模型的准确性进行了验证。城市住宅地价由原先单一影响因素为主导的影响模式逐渐向多种影响因素共同作用模式进行转化，各影响因素虽作用大小仍有所侧重但差异逐渐缩小。具体表现为：
①CBD为影响住宅地价最重要的因素，城市交通路网的不断完善，进一步扩大中央CBD对地价的影响范围，但随着次级商业中心数量的不断增加及规模的扩大，使得影响增幅趋缓，在一定程度上削弱了CBD对地价的影响程度。
②现代化城市建设中出行方式多元化，例如地铁、私家车、共享单车等，使得地价对城市快速路这一单一影响因素的依赖性有所降低，噪声污染、尾气排放及道路拥堵等负面影响进一步加剧其负向外部效应的扩散。
③城市基础设施不断完善，区域差异性逐渐缩小，导致地价对其敏感性减弱，例如医院、小学、幼儿园，使得城市点状公共设施对住宅地价的负向效应均有扩大趋势，同时“教育型”设施逐渐成为居民购房行为的重要影响因素。
④面状自然地物对住宅地价影响呈现各向异性，长江对住宅地价的影响模式呈现区段特征，且公园绿地和河流水系对住宅地价影响在空间上存在“互补效应”。
⑤GWR模型适用于研究区住宅土地市场的空间异质性研究，解释研究区87%的居住用地价格变化，较之于全局OLS模型（50%），解释能力提升37%，进一步对GWR模型刻画住宅地价影响因素空间异质性的准确性进行了验证。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
彭建超, 吴群. 国内外城市地价时空演变研究进展[J]. 资源科学, 2008, 30(1):64-71.

[2]
任荣荣. 中国城市土地价格的微观决定机理研究[M]. 南京: 东南大学出版社,2012:3-5.

[3]
Asabere P K. The determinants of land values in an African city:the case of Accra,Ghana[J]. Land Economics, 1981, 57(3):385-397.

[4]
Asabere P K, Harvey B. Factors influencing the value of urban land:evidence from Halifax-Dartmouth,Canada[J]. Real Estate Economics, 1985, 13(4):361-377.

[5]
Peiser R B. The determinants of nonresidential urban land values[J]. Journal of Urban Economics, 1987, 22(3):340-360.

[6]
Yeates M H. Some factors affecting the spatial distribution of Chicago land values,1910—1960[J]. Economic Geography, 1965, 41(1):57-70.

[7]
宋佳楠, 金晓斌, 唐健, 等. 中国城市地价水平及变化影响因素分析[J]. 地理学报, 2011, 66(8):1045-1 054.

[8]
高金龙, 陈江龙, 苏曦. 2001—2010年南京市区土地出让价格的影响因素[J]. 地理科学进展, 2014, 33(2):211-221.

DOI

[9]
Hwang M, Quigley J M. Economic fundamentals in local hous-ing markets:Evidence from U.S. metropolitan regions[J]. Journal of Regional Science, 2006, 46(3):425-453.

[10]
Araby M M E. The role of the state in managing urban land supply and prices in Egypt[J]. Habitat International, 2003, 27(3):429-458.

[11]
杜德斌, 徐建刚. 影响上海市地价空间分布的区位因子分析[J]. 地理学报, 1997, 52(5):403-411.

DOI

[12]
吴巍, 周生路, 杨得志, 等. 跨江通道对滨江副城住宅地价增值效应的测算——以南京市浦口区为例[J]. 地理研究, 2013, 32(1):29-40.

[13]
杨剩富, 胡守庚, 徐枫, 等. 特殊自然地物对城市住宅地价和房价的影响——以武汉市为例[J]. 资源科学, 2016, 38(4):738-749.

DOI

[14]
Ahlfeldt G M, Maennig W. Impact of sports arenas on land val-ues:Evidence from Berlin[J]. The Annals of Regional Science, 2010, 44(2):205-227.

[15]
董冠鹏, 张文忠, 武文杰, 等. 北京城市住宅土地市场空间异质性模拟与预测[J]. 地理学报, 2011, 66(6):750-760.

[16]
隋雪艳, 吴巍, 周生路, 等. 都市新区住宅地价空间异质性驱动因素研究——基于空间扩展模型和GWR模型的对比[J]. 地理科学, 2015, 35(6):683-689.

DOI

[17]
李颖丽, 刘勇, 刘秀华. 重庆市主城区住房价格影响因子的空间异质性[J]. 资源科学, 2017, 39(2):335-345.

DOI

[18]
苑韶峰, 朱从谋, 杨丽霞. 长三角城市群各业用地价格的空间分布格局及影响因素[J]. 长江流域资源与环境, 2017, 26(10):1538-1 546.

[19]
Fischer M M, Getis A. Handbook of applied spatial analysis:software tools,methods and applications[M]. Berlin:Springer,2010:109-139.

[20]
曹天邦, 黄克龙, 李剑波, 等. 基于GWR的南京市住宅地价空间分异及演变[J]. 地理研究, 2013, 32(12):2324-2 333.

[21]
吕萍, 甄辉. 基于GWR模型的北京市住宅用地价格影响因素及其空间规律研究[J]. 经济地理, 2010, 30(3):472-478.

[22]
常疆, 廖秋芳, 王良健. 长沙市区地价的空间分布特征及其影响因素[J]. 地理研究, 2011, 30(10):1901-1 909.

[23]
王爱, 陆林, 包善驹. 合肥市地价的空间格局与影响因素研究[J]. 经济地理, 2016, 36(10):84-92.

[24]
Chun H, Chi S, Hwang B G. A Spatial Disaster Assessment Model of Social Resilience Based on Geographically Weighted Regression[J]. Sustainability, 2017, 9(12):1-16.

[25]
任辉, 吴群, 朱新华. 基于地物驱动要素的住宅地价空间模拟研究——以南京市为例[J]. 土壤, 2014, 46(2):373-378.

Options
文章导航

/

〈 〉