西安市主城区住房租金空间分异及其影响因素*

李武斌 LI Wubin

西安市主城区住房租金空间分异及其影响因素*

李武斌 LI Wubin

城市住房与居住空间格局深刻反映着城市地域上的社会经济状况,是认识城市及其空间结构的重要视角。从住房租金考察居住空间分异是城市居住空间研究的新领域,利用住房租金特征指标研究西安城市居住问题，用定量方法揭示西安市居住空间的分异规律。依据西安市主城区2014年7月份的964处住房租金交易信息，借助GIS、SPSS、Sufer等软件对西安市主城七区住房租金的空间分布以及影响因素进行分析研究。研究结果表明：（1）西安市可供出租的住房主要集中在城市中心偏南的雁塔区、碑林区和莲湖区；（2）西安市住房租金呈现出“中心高、四周低”的空间格局与“居住郊区化”的趋向性，雁塔区租金普遍较高，最高值出现在曲江街道办，长安区租金普遍较低，最低值出现在引镇街道办；（3）通过回归分析，综合西安市主城七区所有租房交易数据，得出影响租金影响因素主要有住房配套设施、装修情况以及商服设施等。本研究具有一定的实用价值，可以为制定相关政策提供理论依据。

住房租金；空间分布；影响因素；西安市

0 引 言

近年来，随着我国城市化进程的加快以及房价的不断攀升，“买房难”现象越发严重。截至2013年底，西安市常住人口数已经达到858.81万人[1]。根据西安市社科院研究员张永春主持的课题“从社会学视角深析和谐西安的社会分层”研究成果，西安市低收入阶层占到总人口数的74.1%[1]。过高的房价将一部分低收入群体推向租房市场，依靠房屋租赁方式来解决居住问题。

目前，国内外学术界多采用房价指标研究城市居住问题与城市空间分异规律。例如，朱丽夏、阮文彪等学者通过构建计量经济模型，得出名义GDP增长率、土地购置费以及城镇人均收入对房价增长的影响[2]，而KIM用同样的方法检验了城市空间结构变化对住房价格的影响[3]；Glascock等对办公楼市场租金的空间差异进行了实证分析[4]，而Mills则对办公楼租金的影响因素及其作用机制进行了分析和研究[5]。就当前研究现状而言，国内外学者对于住房租金研究较少，且有关研究仅是基于面板数据的城市整体租金研究[6]，并未对城市内部住房租金空间分布规律展开研究。实际上，构建住房租金价格指标体系及其对租金空间分异现象的研究是我们认识城市空间结构的重要视角。

改革开放特别是西部大开发以来，西安城市人口大量流入，城市地域规模急剧扩张，城市空间结构随之发生了新的变化。在这种城市空间变动的背景下，利用住房租金指标对西安市城市地域进行空间分析和定量研究，总结新时期西安城市空间结构的新特征，成为西安城市规划与建设亟待解决的命题。本研究采用了城市辖区街道办小尺度空间视角，从住房自身条件、邻里条件以及区位条件三方面提取影响住房租金的微观因素，科学选取对住房租金有重要影响的指标，运用ArcGIS10.0、SPSS17.0、Sufer等软件进行相关研究，得出西安市内部住房租金的空间分布以及各影响因素的相对重要性，以期为政府部门的宏观调控和规划提供依据[7]。

1 数据来源与研究区域

1.1 数据来源

本研究住房租金数据来源于国内主要租房门户网站。为了避免不同时间的影响，借用广州市房屋参考租金的测定以7月1日为基准日的思想[6]，采用2014年7月份截面数据，共获得西安市主城七区58个街道办的964个样点的完整租房交易信息（表1），包括租房名称、住房面积、租金、装修情况、采暖、配套设施以及周边环境等数据，租金单位为元/（m2·月）。本文采用的图件资料是通过ArcGIS10.0软件矢量化获得的西安市行政区划图以及交通布局图。

表1 西安市主城七区住房样点采集情况Tab.1 distribution of sample point of residence in seven districts of Xi’an City

1.2 研究区域

本文以西安市主城七区为研究区域，根据西安市城市发展历史及与城市中心地标——钟楼的距离，将西安主城七区由内向外分为三个圈层：核心区（新城区、莲湖区和碑林区）、近郊区（雁塔区、未央区和灞桥区）和远郊区（长安区），七区面积共计2423km2，虽然只占西安市域面积的23.97%，但却是西安市租房市场比较活跃的区域，同时也是居民点分布最为集中地区域，对此区域的研究可以最大程度地反映西安市建城区住房租金的空间分异规律。从表1可以看出西安市租房市场供求的不均衡性，核心区仍是租房市场交易的重点，近郊三区中，雁塔区成为目前租房交易与人口流动的重点区域。随着城市的扩展与城内居高不下的高房租，远郊区租房交易与人口流动也有增加的趋势。

2 研究方法

2.1 Kriging方法

克里格（Kriging）插值法，又称为空间局部插值法，可分为普通克里格插值法和通用克里格插值法，是一种精确局部差值的方法。克里格插值时不仅考虑距离关系，同时又以自相关性为基础，利用半变异函数的结构性，充分考虑了已知样本点的空间分布及其与未知样点的空间方位关系，从而对研究区域内变量的未知采样点进行最佳无偏估计的插值[7-8]。因此，Kriging插值法是一种较为理想的空间分析方法。

本研究将借助于ArcGIS 10.0的空间分析模块，使用Kriging空间插值分析法，刻画西安市主城七区住房租金的空间变化特征。

2.2 回归分析法

回归分析是研究两个或两个以上变量间相互依赖的定量关系的统计分析方法。其一般可分为五步完成，分别为：确定自变量和因变量、分析变量间相关性、建立回归预测模型、检验模型和计算预测误差以及因变量预测。

本研究将运用SPSS17.0社会科学统计软件包中的分析模块对西安市主城七区住房租金与各因素之间的关系进行回归分析，建立住房租金同各指标因素之间的回归模型。

3 西安市主城区住房租金空间分布特征

3.1 住房租金空间分布现状

对网上搜集的964组租房数据进行整理，得到西安市主城区住房租金统计表（表2）。

从表2对西安主城七区房屋租金统计的结果看出，距离市中心越远住房租金越低，这与西安城市人口空间“郊区化”趋势一致。雁塔区与未央区是西安城市空间延着中轴线南北拓展，将是未来城市空间人口流动和城市居住的重地。

3.2 住房租金空间分布专题图的生成

为了更为直观反映城市居住空间分异现象，借助于在网络上搜集获得的样点数据，采用地理空间分析方法批量建坐标方式[9]，将其同空间位置做出良好匹配，标注于行政区划图及交通图上，形成数据图层。同时，再以租房名称和租金作为样点的属性数据，并运用ArcGIS10.0软件中的空间插值功能，采用普通Kriging插值法对西安市主城七区的住房租金进行插值[10]，建立西安市主城七区住房租金的空间数据库，形成西安市住房租金空间分布格局图（图1）。用交叉检验方法对预测值的检验误差如表3所示。

从表3这些指标来看，标准平均值接近于0，标准均方根预测误差接近于1，平均标准差接近于均方根预测误差,表明模型选择较为理想。

运用克里金插值法，借助Sufer软件绘制得到西安市主城七区的住房租金的二维等值线图（图2），为使等值线能较准确的反映区域间的租金差异，并使其能较广泛的覆盖整个研究区域，以5为间距，共绘制了1～60元/（m2·月）间12条等值线，并以10为间距进行标注，如图2。

表2 西安市主城七区住房租金空间分布统计表Tab.2 housing rental space distribution statistics in seven districts of Xi’an City

3.3 西安市住房租金空间分布特征

为了更加详细直观地揭示西安市主城七区住房租金整体在空间区域变化的整体特征，利用ArcGIS10.0软件中地统计分析模块中的趋势分析功能，生成西安市主城七区住房租金的空间变化趋势图（图3）。由图2与图3可以看出，西安市主城七区的住房租金在南北、东西两个方向上都呈现出明显的倒“U”型，从中心向边缘递减，且南北方向变化幅度比东西方向大。这表明西安市住房租金在空间上大致表现为“中心高，四周低”的现象。同时，从租金变化的曲线可以得出，西安市住房租金在空间上的变化不是简单的线性模式，而是呈现出复杂的二阶变化模式。

通过观察表2以及生成的图1、图2和图3，可以得出以下几点结论：（1）西安市可供出租的住房主要集中在雁塔区、碑林区以及莲湖区三区，未央区、新城区次之，长安区较少，而灞桥区的出租住房数量在七区中最少；（2）西安市三环以内住房租金等值线密度较大，尤其以西安市的科教文化区-雁塔区附近等值线最为密集，形成一个住房租金的“价值高地”；（3）西安市住房租金出现三个较高的峰值，分别位于雁塔区、碑林区和未央区。雁塔区的住房租金在各区中达到最高，为28.44元/（m2·月），其次为碑林区、未央区、莲湖区、新城区，灞桥区和长安区的住房租金明显低于其它五区；（4）西安市主城七区中住房租金最高值出现在雁塔区的曲江街道办事处所在地，达到58.83元/（m2·月），租金最低值出现在城郊（长安区引镇街道办事处），只有3.21元/（m2·月）。

4 住房租金影响因素分析

回归分析是根据一个或者多个变量值来预测和控制另一变量的取值的方法。最基本的回归分析方法有基于最小二乘法原理的一元线性回归、一元非线性回归、多元线性回归以及逐步回归等方法[11]。本文将采用多元线性回归分析法来对西安市主城七区住房租金的影响因素进行分析。

表3 住房租金插值估计误差Tab.3 interpolation error estimates of the rents

表4 样点住房租金与各影响因素之间的相关系数表Tab.4 correlation coefficient between residential rents and influence factors

4.1 回归变量与数学模型

通过总结国内外学者的研究可以得出，建筑自身特征、邻里特征以及区位特征这三大特征已经成为描述房地产物业特征的主要指标[12]。本文将住房租金作为回归模型的因变量，共选择7个影响住房租金的因素作为回归模型的自变量，其中包括与住房自身特征相关的的住房的装修情况X1（精装、平装）、配套设施X2（集体供暖、天然气、有线、宽带等），与区位特征相关的住房周边公交线路数量X3，以及与邻里特征相关的周边1km范围内有无中小学X4、大学或职校X5、商服设施X6（银行、超市、邮局、医院等）、休闲景观X7（公园、绿地或广场）。

借用李克特（Likert）5级量表设计的思想[13]，对通过网络搜集的482组数据进行部分赋值定量化处理。描述住房装修情况时，“1”表示平装，“2”表示精装；在描述配套设施时，“1”表示配套设施不完善，“2”表示配套设施完善；同理，在描述邻里特征时，“1”分别表示周边1km范围内无中小学、无大学或职校、商服设施不完善、无休闲景观，“2”分别表示周边1km范围内有中小学、有大学或职校、商服设施完善、有休闲景观。

建立多元回归方程模型的一般形式为：y=b0+b1x1+b2x2+…+bmxm+δ，其中，y为住房租金，x1，x2……xm分别为住房租金的7个影响因素，m为影响因素个数，b0为常数项，b1，b2……bm为偏回归系数，δ为随机误差项，表示除了x以外其他随机因素对y影响的总和[14]。

4.2 回归分析

运用SPSS17.0软件对样本住房租金和各影响因素进行相关分析，结果见表4。

将以上7个影响因素作为自变量，住房租金作为因变量，通过SPSS17.0进行多元线性回归分析，结果如表5。

由此可建立西安市主城七区住房租金估计方程：

住房租金=2.625x1+4.019x2-0.062x3-0.034x4+2.075x5+0.061x6+0.073x7+0.301

通过对西安市主城区住房租金相关分析以及回归分析可以得出，影响住房租金的主要因素为住房的配套设施，装修情况和商服设施对租金产生一定的影响，周边1km范围内有无大学或职校以及休闲景观对租金的影响较小。

5 结 论

本研究采用城市街道空间视角，利用住房租金统计数据，运用地理空间分析方法，对西安市城市住房租金的空间分异现象及影响因素进行研究，主要结论如下。

（1）西安市可供出租的租居主要集中主城区中部向南，租金等值线呈现出“中心高、四周低”空间格局与“居住郊区化”趋向性特征，居住重心偏于东南方向，雁塔区最为密集，形成一个住房租金的“价值高地”。作为远郊区的长安区，城市人口密度与城市建城区规模均小于其他六区，城市租房交易与人口流动程度最低。这种住房租金空间分布格局与第六次人口普查数据揭示的西安市人口分布呈现从城市中心区向经济新区及郊区迁移扩散的趋势[15]是一致的。可以预测，随着城市人口流动的加快，西安市人口居住“郊区化”倾向在未来更加显著，这需要政府决策部分对城市居住建设与人口流动加强监测与实施管理。

图1 西安市主城七区住房租金空间分布栅格图Fig.1 spatial distribution grid map of rents in seven districts of Xi’an City

图2 西安市主城七区住房租金等值线图Fig.2 contour map of rents in seven districts of Xi’an City

图3 西安市主城七区住房租金空间变化趋势Fig.3 spatial trends of rents in seven districts of Xi’an City

表5 住房租金的SPSS多元回归分析结果Tab.5 multiple regression analysis result of residential rents

（2）以建筑自身特征、邻里特征以及区位特征三大特征构建影响住房租金指标体系，建立多元回归方程模型对样本住房租金和各影响因素进行相关分析，结果表明，影响租客租房的主要因素在于租金和基本的内部配套设施，不断上涨的房价、房租与物价让这些流动人口在居住环境的选择上无暇顾及居住外部环境，从而导致了流动人口居住质量总体不高的现状。将流动人口纳入西安市常住居民体系实施科学管理以及提供有郊社会保障房居住将是政府部门必须重视解决的重要课题。

（3）西安市主城七区住房租金空间分异在一定程度上可以表征西安市居住贫富分层的特征：西安市居住集聚区仍然在中心城区，随着新型开发区（高新技术产业开发区、经济技术开发区、曲江文化产业示范区和西咸新区）向城郊蔓延，居住郊区化扩展趋势显现。传统老工业区—城东“纺织城”和城西“电工城”工业区衰退成为居住租金较低的连片贫困居住区，而城南片区与城北片区的高租金值由于经济旅游开发区及大学城建设成为西安城市居住环境条件较为优越与富裕的居住区。利用住房租金特征价格体系的空间特性研究城市常住居民社会分层与空间分异将是今后学术界重视的新课题。

[1]张永春, 方立峰, 苏军. 从社会学视角探析和谐城市的社会分层——以西安社会分层为例[J]. 唐都学刊, 2007(06): 78-83.

[2]朱丽夏, 阮文彪. 我国房价快速上涨的原因分析及走势预测[J]. 科技经济市场, 2006(07): 77-78.

[3]Kim L. Impact of change of urban structure on housing price dynamics [EB/ OL].（2004-05-16）[2004-08-08]. http:// www.asres.org.

[4]Glascock J L, Jahanian S, Sirmans CF. Ananalysis of office market rents: Some empirical evidence[J]. Journal of the American Real Estate and Urban Economic Association, 1990(18): 105-119.

[5]Mills E S. Offce rent determinants in the Chicago area[J]. Journal of the American Real Estate and Urban Economic Association, 1992(20): 273-289.

[6]贾世军, 周春山. 城市房屋参考租金测定与空间分布——以广州为例[J]. 经济地理, 2009, 29(04): 618-623.

[7]宋雪娟, 卫海燕, 王莉. 西安市住宅价格空间结构和分异规律分析[J]. 测绘科学, 2011, 36(02): 171-174.

[8]张晓平, 封强, 李媛芳. 北京市办公用地投标租金空间分异与影响因素[J]. 经济地理, 2013, 33(03): 73-78.

[9]马敏蕾, 吕斌, 冯长春. 基于GIS基础上的北京住房价格空间研究[J]. 中国国土资源经济, 2008(12): 26-28.

[10]汤国安, 杨昕. ArcGIS地理信息系统空间分析实验教程[M]. 2版. 北京: 科学出版社, 2012: 48-192.

[11]张菁, 马民涛, 王江萍. 回归分析方法在环境领域中的应用评述[J]. 环境科技, 2008, 21(02): 40-43.

[12]张一帆, 王艺凝. 北京市CBD写字楼租金特征价格分析[J]. 现代经济信息, 2011, 26(18): 108-110.

[13]苏建军, 刘卫梅, 屈学书, 等. 酒店实习生满意度及其影响因素与实习价值感知的关联性分析[J]. 旅游论坛, 2011, 4(01): 113-119.

[14]张愿章, 王淑敏. 基于多元回归分析的河南省居民消费价格指数的数学模型[J].华北水利水电学院学报, 2010, 31(11): 103-105.

[15]李利民. 西安市第六次人口普查公报解读[EB/OL]. [2011-05-27]. http://www. xa.gov.cn/websac/cat/102242.html.

图片来源：

图1-3：作者绘制

表1-5：作者整理绘制

（编辑：李方）

The Spatial Distribution and Infuence Factors of Residential Rents of Central Districts in Xi’an City

Urban housing and living spatial pattern in cities, which is the important visual to recognize cities and their spatial structure, deeply reflects the society economy conditions. It is a new field of residential space analysis to study residential problems from the point of view of residential rents, which provides quantitative analysis method on spatial differentiation law of urban housing. Based on 964 homes’ transaction information in Xi’an’s seven central districts in July, 2014, this paper uses ArcGIS and Sufer software to explore the spatial distribution characteristics and its factors of residential rents in Xi’an’s seven districts, and uses SPSS software to discuss the factors affecting the residential rents. The conclusions from the analysis include: (1) The rental housing mainly concentrated within the central-south districts (Yanta, Beilin and Lianhu); (2) the spatial distribution of residential rents takes on a pattern of “center around the high low” and “ residence suburbanization”, Yanta District has generally high rents, the highest appears in Qujiang subdistrict; Chang’an district has generally low rents, the lowest appears in Yinzhen subdistrict; (3) By means of regression analysis, the main factors affecting the residential rents such as residential facilities, decoration and commercial service facilities have been found. This study has a practical significance, which can provide theoretical reference for policy making.

Residential Rents; Spatial Distribution; Influence Factor; Xi’an City

10.13791/j.cnki.hsfwest.20150415

李武斌. 西安市主城区住房租金空间分异及其影响因素[J]. 西部人居环境学刊, 2015, 30(04): 77-81.

F293, P208, TU984.1

A

2095-6304(2015)04-0077-05

* 国家自然科学基金（41171142）；陕西师范大学中央高校基本科研业务费项目（GK201401006）

李武斌： 陕西师范大学旅游与环境学院，讲师，博士研究生，liwubin2000@sina.com

2014-12-31