基于地理加权特征价格法的上海外环内住宅租金分布成因分析

汪佳莉 ， 季民河 ， 邓中伟

(1.浙江华东建设工程有限公司，杭州 310014;2.华东师范大学 地理系，上海200241; 3.上海金融学院，上海 200434 )

基于地理加权特征价格法的上海外环内住宅租金分布成因分析

汪佳莉1， 季民河2， 邓中伟3

(1.浙江华东建设工程有限公司，杭州 310014;2.华东师范大学 地理系，上海200241; 3.上海金融学院，上海 200434 )

城市住宅租金具有经济与社会双重性质，既反映房地产的市场供需关系以及价格决定机制，也反映了居民的住房需求满足情况和解决方式。建立以特征价格法为基础的空间自回归模型，探索影响上海住宅租金空间分布的驱动因素。通过Web数据抓取获得上海2012年12月至2013年1月的住宅租金样本数据，根据特征价格法将影响住宅租金的9个因素归纳为区位特征、邻里特征、整体特征三大类，利用双模型(普通最小二乘法(OLS)和地理加权回归(GWR))双形态分析对比。结果表明：市中心辐射对上海住宅租金的影响呈现“东强西弱”的格局，地铁站点对城市中心的租金影响较弱，对近郊的租金影响较大，而内环内租金对就业可达性最为敏感。优质教育和医疗资源的空间分布不均衡，前者受限于学区划分和户籍政策，对租金的影响以内环线为界呈内低外高；而后者虽不受户籍限制，但服务范围狭小，对浦西的影响较大。浦东租户对小区环境及小区竣工年限支付意愿更高。

特征价格法；地理加权回归；住宅租金；外环；上海市

0 引言

中国近20年来城市化持续加速，导致主要城市的外来人口急剧增加和房地产业迅速发展。随着城市房价飙升，住房供需矛盾日益凸显，面向庞大流动人口的租赁型住宅也日趋紧缺，北、上、广等大都市甚至出现了“群居”“蚁居”群体。住宅租金不仅影响房地产市场的供需关系，还关系到社会和谐稳定和劳务市场平衡，倍受政府和学界的关注。K.J.Lancaster[1-2],S.Rosen[3]提出的特征价格理论目前被广泛用于城市住宅空间差异的实证分析及住宅价格决定机制的研究。A.S.Fotheringham等[4]，C.Brunsdon等[5]提出了地理加权回归模型(GWR)，并探讨了英国房价与楼地板面积的关系。之后地理加权回归模型(GWR)被成功运用到住宅价格的研究中[6-7]。由于购买住宅需要拥有高经济基础和低流动性的工作，城市部分家庭和外来人口更多地选择住宅租赁的手段来解决住房问题。住宅租赁市场作为房地产市场的重要组成部分，其特征价格模型研究也因此引起一些学者的关注[8]。

住宅租金具有对国计民生的重要性及时空动态性强的特点，其分布和变化成因值得深入探讨。然而，由于受到数据获取的限制，此类研究目前仍然偏少，已有研究对租金的影响因素分析不够，特别是未能考虑到就业可达性这一因子。由于人们偏向于在较小的空间尺度上进行通勤，即居住在就业点附近是人们的首选，尤其是流动性和暂住性较强的租户，因此就业可达性在租赁市场显得较为重要。而过去住宅租金研究对租户较看重就业可达性这一点涉及不多，D.Bible[9]和王丽华[10]有所提及，但D.Bible将就业可达性近似看成CBD可达性有失偏颇，而王丽华采用住宅与工作地点自行车车程作为就业可达性进行研究并不准确，并发现其对租金的影响不显著。本研究通过将甲级写字楼近似代替就业中心来研究就业点空间分布对租金的影响，以期克服已有研究中的不足，并检验就业中心与租金是否存在一定的关系。此外，住宅租金位置分布本身也存在空间变异的非稳定性，呈现为相似量值的聚集或离散；这类空间效应会造成租金变化成因的估算偏差，需要在分析建模中加以考虑。为此，以上海市为研究区域，尝试采用Web数据信息抓取和数据清洗的方法，获取上海一个时间断面(2012年12月—2013年1月)较完整的住宅租金样本数据，结合潜在的社会经济影响因子开展基于地理加权特征价格法的实证研究。在分析方法中，根据特征价格法理念将住宅租金的影响因素划分为小区区位特征、小区邻里特征、小区整体特征三大类，分别建立和比较一般回归(OLS)模型和地理加权回归(GWR)模型，识别不同圈层租金的主要影响因子，分析外环内住宅租金的空间分布结构、主要形成动因以及建立与影响因素的量化关系。研究旨在更好地认识城市住宅租赁问题，优化房地产市场资源配置，促进市场的流通，探索提高政府科学决策水平的途径。

1 研究方法

1.1 特征价格模型

基于特征价格模型，一般可将影响住宅价格的因素分为区位特征、邻里特征和建筑特征三大类。目前企业更多地转向从财政金融、生产决策和商业活动中获取收益，即生产性服务业(producer service)由此而获得迅速发展，以写字楼为空间载体的商务经济也因此逐渐成为城市经济发展和城市文明的象征[11]。甲级写字楼作为写字楼重要的组成部分更是吸收了大量的人力资源，将其近似替代就业中心。为了出行方便，人们愿意为便利的轨道交通服务支付额外的费用，这也符合不少学者研究结果——轨道交通对房地产有较大的影响[12-13]，结合过去住宅的特征价格模型的研究[14]及上海的实际情况，最终选用上述的到甲级写字楼、地铁的距离和传统意义上的区位评价因子，即到市中心、都市商业中心距离来研究小区区位特征。温海珍提出邻里特征主要分为三大类，分别为社会经济变量、地方政府或市政公共服务和外在性。社会经济变量如社会邻里阶层、外在性如犯罪率这两类数据较难获取，故选取较易获取且人们关注较为密切的地方政府或市政公共服务来进行研究[15]。由于高密度人口和分区政策，大城市的市政公共服务大都存在供不应求的现象，具有一定的排他性。人们要享受这些服务，必然要花费时间和金钱克服距离，这便会产生“用脚投票”的现象，即迁移到靠近这些公共物品的地方居住[16]。教育和医疗等公共服务设施位置的接近程度影响着人们的日常生活，对房价有很大的影响[17-18]。故选择特色小学、示范中学、三级医院这3种与日常生活密切相关的公共服务来代表小区的邻里特征。考虑到国内住宅以公寓为主，同质性较高，以小区的整体特征因素取代建筑特征因素，忽略住宅个体的朝向、楼层、装修状况等影响，并且将房型限定为“两室一厅一卫”。学者研究表明小区年龄和绿化率是小区内生因素，对住宅价格有较大影响[19-20]，故选择小区竣工年限和绿化率2个指标可以反映小区整体特征，前者决定了小区的配套设施新旧和建设标准，后者与住宅小区环境和品质(高档、低档)密切相关。特征价格模型在实证研究中常采用3种基本函数形式[21]。模型如下：

线性模型:P=a0+∑aiCi+ε。

(1)

式中：P为各小区住宅租金均价；a0为不受特征变量影响的租金常量；Ci为第i个特征变量；ai为特征变量Ci的隐含价格(边际效应)，即特征变量每单位变化引起的住宅租金的平均变化值；ε为误差项。

对数线性模型：lnP=a0+∑ailnCi+ε。

(2)

式中：ai为特征变量Ci的价格弹性，即在其他特征不变的情况下，Ci每变动一个百分点，引起住宅租金的百分点变化。

半对数模型： lnP=a0+∑aiCi+ε。

(3)

线性模型假定租金与解释变量之间的关系是线性单增(或单减)的。对数线性模型用于将非线性指数关系转换为线性来分析，因此假定数据集中所有数值的价格弹性为常量。半对数模型则适合解释变量中含有“0～1”指标的情形。

1.2 地理加权回归

地理加权回归模型目的是为了处理空间非平稳性数据问题以求最优无偏估计，求得参数随着空间局域地理位置的变化而变化[5,22-23]。 其模型[24]为：

(4)

式中：(μi,υi)是第i个采样点的坐标(如经纬度)；βk(μi,υi) 为第i个采样点上的第k个回归系数；εi为独立同分布的随机误差值。

1.2.1 空间权重及带宽的确定。空间建模中的权重是依据Tobler第一定律，利用高斯函数来确定[25]。调整型和固定型是2种常见的空间核模型。调整型方法采用带宽变化的策略来保证对当前小区租金产生影响的周边小区数量不变，即影响范围不是定值，而是随着小区分布的疏密程度而变化。但区域内的小区分布密度较为不均，中环-外环地区小区密度明显低于内环地区，使用调整型方法会造成一些较远的小区被算入影响范围，而实际的空间效应会被高估，这样将严重影响结果的准确性，因此选择固定型空间核。选取最佳带宽主要有交叉验证方法(CV)及Akaike信息量准则(AIC)2种方法[26]。在ArcGIS9.3中分别运用2种方法选取最佳带宽，结果显示带宽值均为19 625m，因而选择较常用的AIC准则。

1.2.2 结果显著性检验及可视化方法。由于局域参数的估计理论分布的未知，可采用蒙特卡洛显著性检验来检验局域参数是否是局域非平稳，即是否显著[27]。利用反距离权重插值法(IDW)对逐点建模获得的因子系数做空间插值处理，使得结果可视化。IDW是依据地理学第一定律，通过已知的观测点与待求点欧氏距离的远近来确定已知观测点对待求点影响权重的一种加权求和的计算方法，即离待求点近的已知观测点的预测过程中所占的权重要大于离待求点远的已知观测点的权重[28]。

2 研究区域、数据和变量

2.1 研究区域

上海是我国的经济、科技、工业、金融、贸易、会展和航运中心，共辖有16个区1个县(图1)。上海市的住宅房地产业在1993年开始正式起步[16]，经过20年的发展，已成为上海重要的经济支柱。其中住宅租赁市场发展颇快，住宅租赁总面积增长迅速。以上海外环内住宅租金为研究对象，选择上海的主要原因有2个：一是作为国际大都市，居民人口规模庞大，外来流动人口众多。外来人口具有较强的流动性，其暂住性和收入结构必然带来巨大的住房租赁需求。二是上海住房需求矛盾突出，作为房价最高的城市之一，其住宅房地产的价格从2002年以后一路上涨，居高不下，租赁房屋成为收入不高或不稳定群体的唯一选择。两者导致上海拥有一个庞大且具有特殊性的住宅租赁市场。而上海市主要居住用地开发集中在中心城区及部分近郊，故选择外环以内作为分析区域。 地理学第二定律认为，研究区域外的因素对研究区域内的空间分布会有影响，产生一定的 “边界效应”。为了克服“边界效应”，以外环为缓冲对象，外环内的样本点的最优带宽11 280 m为缓冲半径，生成研究边界，分析外环内各租金影响因子空间分布结构。 以上海为研究对象，可以获取典型城市租金的研究方法和经验，以期推广到中国其他城市研究。

图1 研究区域Fig.1 Location of study area

为了保证分析的空间连续性，研究区域仅包括上海的大陆部分，不考虑崇明县及其他岛屿。

2.2 数据与变量

数据包括住宅房屋租金、小区空间位置及属性、公共服务设施空间位置以及商业中心位置。住宅租金信息为大型专业房地产租赁网站(如搜房网、好租网等)的挂牌数据，通过网页信息抓取和数据清洗手段获取。为避免个体特征的复杂性对租金差异的扰动，仅以比较大众化的“两室一厅一卫”房型为研究对象，以外环内居民小区为基本统计单元，取其房屋租赁价格的平均值为该小区出租房的平均租金。与此同时，还收集了小区建筑年代及绿化率等其他属性信息。针对邻里特征采集了三级医院、特色小学、示范中学、地铁站点、甲级写字楼及市中心的地址及地理坐标。为考察商业中心对租金的影响，采集了上海市的十大都市商业中心(即南京东路、南京西路、淮海中路、四川北路、徐家汇、五角场、豫园、不夜城、浦东新上海商城、中山公园)，商圈位置使用其几何中心的地理坐标来表示。数据采集的时间范围为2012年12月—2013年1月。所有空间位置数据均从Google Map上采集。居民小区样本点分布见图2，各因子的空间分布见图3，建模考虑的变量见表1。

图2 上海市租赁房屋价格样本点分布Fig.2 Distribution of sampled rental housing in Shanghai

图3 影响因子空间分布Fig.3 Spatial distribution of potential impact factors

2.3 数据预处理

采用抓取方式收集网站数据具有不确定性。由于租赁信息由个人发布且缺乏质量控制，抓取到的数据存在冗余(重复)、一致性差(相互冲突)或相关程度低(对研究没有利用价值)的问题，需进行清洗预处理。

根据研究设计，首先，从所有数据中将租赁方式为“整租”、房型为“两室一厅一卫”的数据筛选出来，并剔除住宅建筑面积小于40 m2的数据，再计算所有小区1 m2

表1 建模所用的统计变量一览表Tab.1 List of statistical variables to be used in modeling

的平均月租金。其次，剔除高度异常值。所谓的异常值是指3倍于平均值偏差及以上的样本值。根据城市房产网站数据显示，2013年3月14日的上海市住宅平均租金为53.37元/(月·m2)，故将偏离平均值3倍以上的数据筛选出来，即小于10元/(月·m2)以及大于200元/(月·m2)的小区，返回搜房网和好租网上寻找这些小区，以检验单位面积月租金的合理性，并剔除不合理的数据。

数据预处理包括对各小区各类特征指标的计算，包括到上海市中心、最近商业中心区位特征，到最近特色小学、示范中学、三级医院距离、甲级写字楼及地铁站点距离的邻里特征，以及小区的完工年代和小区绿化率所代表的小区整体特征。距离指标计算采用了欧氏几何算法，即假定各因子对租金变化的空间影响为直线方式。共线性检验和显著性检验分别使用了SPSS统计软件包和GWR3应用软件，GWR建模及结果可视化使用了美国ESRI公司的ArcGIS空间分析平台。

3 非空间与空间模型构建与参数检验

3.1 模型的形态选择

表2 OLS模型和GWR模型的各参数对比Tab.2 Comparison between OLS model and GWR model

3.2 系数显著性分析及建模检验

由于GWR对每个租金样本点(小区)分别建模，生成的模型数量等于样本量。对所有模型中各变量进行蒙特卡洛显著性检验(表3)。所有统计量均有显著的空间变异，表明局部影响机制有较高的复杂度。

表3 各因子系数蒙特卡罗显著性检验Tab.3 The Monte Carlo significance test of all factors

说明***，**，*代表置信水平为0.1%，1%，5% 。

由于GWR的逐点建模特性，不存在一个固定的回归方程，为方便分析，表4将模型检验指标归纳为6个常用的分布统计量。对局部多重共线的检测采用条件数(cond)，最大值小于30，共线问题不明显，且整体波动较小，说明模型较为可靠。LocalR2均值为0.419，表示局部解释力度总体较低。各点残差(绝对值)和系数标准误差总体均较小，说明模型的拟合效果较好，可信度较高。各指标的中位数与平均值相当，样本模型指标基本遵从正态分布, 达到无偏估计的要求。

4 空间回归模型结果分析

对随地理位置变化的回归系数分析结合了两种方式。一是使用五点分布统计量分析法总结各因子系数的量值分布趋势(表5)，二是使用反距离权重(IDW)法对逐点建模获得的因子系数做空间插值处理，制作变量系数分布地图来检测各因子对租金影响的空间变化(图4～图10)。

表5 GWR模型各因子系数Tab.5 Coefficients of GWR model estimation

所有样本点的甲级写字楼价格弹性与住宅租金均成负比，且远大于其他因子。如果说租金反映租户需求的话，租户对就业可达性的关注度最高。市中心和地铁站因子系数在各个分位数上差别不大，说明两者对租户居住区位的选择同样重要。除甲级写字楼外，最大值中三级医院对租金的影响最大，其次为中小学和地铁，租户对设施的关注也依次为疾病健康、配套教育和交通便利。这似乎符合一般暂住人口的需求，因为相对这些服务，市中心对这些人口没有实际功用和吸引力。在上分位数上，各因子的顺序出现变化，在医院、地铁仍然领先的同时，市中心的影响超越了学校，这一格局继续保持到中位数，且市中心的影响甚至追平了地铁。这一趋势表明，市中心对房价有重要的历史定位作用，即使租户只愿意支付服务设施带来的价格部分，也毫无选择地承担历史带来的额外费用。在下分位数上，医院的作用退居末位，可能是因为分布过于集中，使其具有较高的距离衰减率。而表5中的“最大值”由负变正，与各因子的效用相悖，说明这些租赁点已经超出因子的影响范围，具有完全独立租金定位。小区绿化率价格弹性中位数与住宅租金成正比，符合预期。小区竣工年限对租金的影响不及其他设施，这也侧面反映了租户的暂住性。

4.1 小区区位特征分析

4.1.1 与市中心的距离因子分析。住宅地与市中心的距离是影响住宅租金的一个重要因素。该影响因子系数的中位数为-0.026，即距离市中心每增加1 km，住宅租金的中位数就下降2.6%。有91.1%的数据显示住宅租金与市中心的距离成反比。一般说来，似乎离市中心越远，住宅租金越低，反之越高；但从图4看，并非如此。市中心对上海住宅租金的影响基本上呈辐射分布，并形成“东强西弱”的格局。造成辐射分布的原因似乎跟市区主要交通要道同样的辐射布局有关。东郊的浦东新区及其周边区域所受影响明显大于西郊，也主要因其对市中心的通达性相对较高，加上政府对新区开发政策的倾斜，使之表面看起来像是市中心辐射影响的效果。虹口区、杨浦区、闸北区的住宅租金受到市中心的影响最大，主要因为该区域毗邻市中心，各方面社会经济活动(如就业、购物、商业)强度最高，租金定位面向白领类固定工薪阶层。市中心以南长宁、静安、普陀受影响最低，疑似该区域特殊阶层的租户更注重交通便捷以及就医便利而忽略市中心的影响。值得注意的是，环线的存在对该格局的形成几乎没有影响。

图4 市中心对住宅租金的影响Fig.4 Impacts of city center on residential rent

4.1.2 与甲级写字楼距离因子分析。求租者的暂住性和流动性使得他们在居住区位的选择上有较大的自由度，这也必然导致其选择通勤成本低的区域居住，即尽可能邻近就业中心。甲级写字楼常位于中央商务区，拥有便捷的交通，在短时间内可到达各公共交通点，大楼总体量较大，能吸纳了大量的人力资源，选用其近似代替就业中心。与甲级写字楼因子系数的中位数为-0.088，即距离市中心每增加1 km，住宅租金的中位数就下降8.8%。全部的数据显示住宅租金与甲级写字楼的距离成反比(图5)。就业中心过于集中于内环，城市道路体系交通设施尚不完善，较高的通勤时间和通勤成本降低了租户的生活质量，在居住成本和通勤成本的权衡下，所有求租者都不希望居住与就业过度分离。说明就业与空间匹配问题是租户选择暂住小区的重要考虑内容。就业中心对静安区、黄浦区、徐汇北、普陀东等区域的租金影响最大。该区域的租户普遍为“白领”甚至“金领”，工作繁忙，时间宝贵，不愿花费大量的通勤时间，同时拥有较高的支付能力，为邻近就业中心支付能力强、意愿高。其他区域的甲级写字楼空间效应相似，这些区域的租户在时间成本和货币成本的权衡下，更注重货币成本，在考虑了居住成本的情况下也充分考虑了通勤便利性，即通勤成本。

图5 写字楼对住宅租金的影响Fig.5 Impacts of office buildings on residential rent

4.1.3 与地铁站点距离因子分析。地铁具有快速、准时、廉价的明显优势，能明显改善周边区位条件，对城市暂住者来说，是公共交通的首选。地铁站距离因子的系数中位数为-0.026，表明相对最近的地铁站，每增加1 km距离，住宅租金的中位数就下降2.6%，有82.6%的数据显示住宅租金与地铁站的距离成反比。受地铁线路的辐射布局影响，地铁对租金的空间影响也必然呈辐射分布。地铁站点对租金的影响在不同的区域呈现出明显差异(图6)。一个普遍规律是，地铁站在站点密集区域中影响较低，站点稀疏区域较高。如内环内的租赁点受地铁影响较低，原因是交通资源充沛，市中心交通便捷，公交车等其他可替代资源也比较多，不存在严重的出行制约，对地铁依赖程度较低。对于区位条件不佳而交通资源又相对匮缺的如普陀西、浦东中、嘉定南，且该区域租户多通勤率较高，一旦建成单独的地铁系统，便成为首选交通工具，对租金价格有举足轻重的影响。地铁站的修建能明显提高区域内的住宅租金和住房价格。

图6 地铁站对住宅租金的影响Fig.6 Impacts of metro stations on residential rent

4.2 小区邻里特征分析

4.2.1 与学校距离因子分析。学校是一种重要的公共资源，提供了教育资源的同时又改善了附近的人文环境，促进了周边的商业发展。特色小学、示范中学作为一种优质教育资源对地价的提升尤为重要。与特色小学、示范中学距离的影响因子系数的中位数为-0.012，意味着距离每增加1 km，住宅租金中位数就下降1.2%，有72.0%的数据显示住宅租金与中小学的距离成反比。从整体上来看，学校的影响分布与地铁站有相似之处。中环以内教育资源相对丰富，学校分布密集，而学校附近在上学放学时交通拥挤，对附近的居民造成一定的不便，因此造成了离学校越近住宅租金越低的现象。仅虹口区、长宁区和浦东区靠市中心一侧情况不同。虹口区、长宁区优质教育资源分布不均，主要分别集中在南部区域、东部区域，就近学区上学的原则导致租户偏爱南部区域的小区，故租金对学校的敏感度也随之提高。在浦东区靠市中心一侧聚集了大量高层的高档小区，其居住人口的密度、收入和素质均较高，较重视教育，相较于密集的人口，优质的教育资源显得不足，造成学校对租金的影响颇大。另外，由于学区划分的缘故，环内各区面积较小，距离差异不大，因学校位置产生的租金影响也难以体现(图7)。相比之下，影响该区域租金的主导因素是医院位置(图8)。

图7 学校对住宅租金的影响Fig.7 Impacts of schools on residential rent

4.2.2 与医院距离因子分析。三级医院拥有优质医疗技术和设施，为城市居民提供不可或缺的医疗服务。上海市三级医院分布主要集中在中环以内。三级医院距离影响因子的系数中位数为-0.042，即距离每增加1 km，住宅租金中位数就下降4.2%。从图8上看，长宁、普陀、静安所受影响最大，表明浦西为传统的居民住宅区，人口密度相对较高，对医疗服务需求量也较高，造成医院位置对租赁价格的影响比重较大；浦东新区对医院服务的依赖似乎较轻，除了人口密度相对较低和人口组成(外国侨民和白领居多)因素之外，新区交通便捷也是一个重要原因。另外，也与人口流动有关：由于医疗资源不受户籍限制，浦西的租户可选择靠近工作地点附近的三级医院。相比起学校位置，其重要性退居次要地位。此外，图8表明三级医院空间效应的衰减指数很大，外环以内的区域形成西到南方向的影响趋势，甚至出现正相关。统计结果也显示，22.7%的住宅租金与三级医院的距离成正相关，这些区域主要分布在浦东新区、杨浦区、宝山区。这些区域地处城市边缘，中心城区的三级医院的服务功能明显无法惠及。另一个可能的重要原因与人口流动有关：由于医疗资源不受户籍限制，在市中心上班的郊区租户，可选择靠近工作地点附近的三级医院就医。

图8 三级医院对住宅租金的影响Fig.8 Impacts of hospitals on residential rent

4.3 小区整体特征分析

4.3.1 小区绿化率因子分析。有95.1%的数据显示小区租金高低与小区绿化率大小成正比，小区集中绿地越大，绿化率越高，租金也越高。小区绿化率对上海住宅租金的影响也呈现“东强西弱”的格局(图9)。浦东、黄浦、虹口、静安、杨浦及闸北东的绿化率对租金影响较大，说明这些区域的租户较关注小区生活环境，注重生活品质。这些区域为上海CBD，经济繁荣，租金较高，该区域的租客基本上属于高收入人群，同时该区域是人口密集集中建成连片的城市区域，居住环境并不是十分理想，周边绿地资源显得尤为稀缺，故暂住于此者对绿地需求强烈，支付意愿较高。特别在浦东新区和黄浦东小区绿化率对租金的影响最大，该区域为上海的CBD，居住着大量的“金领”，有较高的支付能力，愿意支付小区环境带来的额外的价格。这也与实际情况相符，即凡是高档小区绿化率明显高于其他小区[19]。长宁、普陀和徐汇拥有众多的公园等城市绿地资源，小区绿地对租金的影响显得并不重要。宝山、闵行人口密度较低，绿地资源相对不缺乏，经济相对不繁荣，租户收入相对不高，对小区绿地的支付意愿不强烈。

图9 小区绿化率对住宅租金的影响Fig.9 Impacts of green rate on residential rent

4.3.2 小区年龄因子分析。小区年龄影响因子系数的中位数为-0.004，即小区年龄每增长1年住宅租金的中位数便下降0.4%。有94.8%的小区租金高低与小区年龄大小成反比(图10)。浦东新区小区年龄对住宅租金影响较大。因为该区域为新兴区域，建有大量新建小区，竣工时间早的小区的配套设施设备显得相对落后和不完善，在区位条件相似的情况下，新竣工小区的租金必然高于早竣工小区，因此，在该区域中小区年龄对住宅租金的影响较大。竣工时间对外环内其他区域租金影响的空间差异不大。这些区域为传统的建成区，分布着大量竣工时间相仿的成熟小区，小区的配套设施较完善，生活便捷，交通便利，该区域的租户似乎更注重就业可达性(图5)，尽可能地缩短通勤时间。

图10 小区年龄因子对住宅租金的影响Fig.10 Impacts of community’s age on residential rent

5 结论与展望

1)反映区位特征的因素对上海 住宅 租金有重要影响。由于上海市区交通干线的分布模式， 市中心距离对租金的作用总体呈辐射状分布，而且形成“东强西弱”的格局；除浦东新区外，对郊区的影响明显小于中心城区。一些区域的租金明显与市中心位置无关，而更倾向于表示邻里特征的医疗和教育因素。地铁站点对城市中心的租金影响较弱，相反对近郊影响很大，表明地铁仍是密集人口的近郊连接市区的主要方式，对地铁出行的依赖性更强。这表明在城市化进程中，一方面应该完善郊区内部自身的资源配置，发展多中心模式，避免所谓“睡城”的出现；另一方面应加大郊区地铁轨道交通的投入，以增加市中心资源对郊区的辐射和区域间的互动。另外，所有的数据显示租户均较重视就业可达性，而内环西的租户更愿为靠近就业中心支付附加价格，该区域居住着大量收入高、工作强度大的“金领”，对通勤成本的接受范围较小。

2)反映邻里特征的因素对上海住宅租金分布也具有显著影响。由于教育资源的非均衡分布，市区和近郊呈现了完全不同的结果。在优质教育资源稀缺的近郊，租金表现出对学校距离的高度敏感；而市区内学校相对集中，学区划分较细，且囿于户籍政策，对租金的弹性大大降低，甚至走向反面。医疗资源在空间分布上的非均衡性更大。因无户籍制度限制，居民似乎有更多选择，但同时也更加受制于距离。三级医院对租金的影响明显呈现急剧衰减趋势。城市中心区域的东西两部呈现两极分化，反映了传统居民区的浦西与新近开发的浦东在人口密度和组成以及交通便利程度方面的区别，表明在配置各种公共资源中，应充分考虑不同资源的可获得性和人口流动的影响。

3)在整体特征方面，经济繁荣区域(如黄浦区、陆家嘴)的租户更愿意为小区环境支付额外的价格，而宝山区、普陀北等区域的租户更偏重于能满足基本生存需求的住房居住功能，对小区绿化支付意愿不高。小区竣工年限对浦东等新兴区域的租金影响较大，表明在新兴区域租户更偏向于新建小区。租户对小区整体特征上的偏好应成为城市规划和相关政策制定时考虑的因素。

研究设计仍存在一些不足。OLS和GWR模型较低的拟合度、各因子对租金变异的解释力度以及一些点位出现与预期方向相反的影响，均表明研究忽略了一些重要的潜在影响因素。例如模型中使用的欧氏距离明显与实际的城市交通不相符，而结果揭示的一些因子的空间影响格局可以看到主干交通线和地铁线的影子。模型还可以考虑引入人口密度分布和人口群组分布，以获得对租金空间变异更有力的解释。

[1] Lancaster K J.A New Approach to Consumer Theory[J].Journal of Political Economy,1966,74(2):132-157.

[2] Lancaster K J.Consumer Demand:A New Approach[M].New York:Columbia University Press,1971.

[3] Rosen S.Hedonic Prices and Implicit Markets:Product Differentiation in Pure Competition[J].Journal of Political Economy,1974,82(1):35-55.

[4] Fotheringham A S,Brunsdon C,Charlton M.Geographically Weighted Regression:The Analysis of Spatially Varying Relationships[M].New York:Wiley,2002.

[5] Brunsdon C,Fotheringham A S,Charlton M.Some Notes on Parametric Significance Tests for Geographically Weighted Regression[J].Journal of Regional Science,1999,39(3):497-524.

[6] 杨瑛,李同昇,冯小杰.西安市主城区居住空间住宅价格分布格局与驱动机制[J].地域研究与开发,2015,34(5):68-74.

[7] Tang Q,Xu W,Ai F.Spatial Pattern and Structural Determinants of Shanghai’s Housing Price:A GWR-based Approach[J].International Conference on Geoinformatics,2011,32:1-6.

[8] 王一川.城市租赁住宅特征价格研究[D].杭州:浙江大学,2010.

[9] Bible D,Cheng-Ho H.Applications of Geographic Information Systems for the Analysis of Apartment Rents[J].The Journal of Real Estate Research,1996,12(l):79-91.

[10] 王丽华.租赁住宅特征价格研究[D].杭州:浙江工业大学，2007.

[11] 吴一洲,陈前虎,吴次芳.基于GIS-SCENARIO的城市写字楼容量空间布局研究——以杭州主城区为例[J].规划师,2010,26(3):88-94.

[12] 张维阳,李慧,段学军.城市轨道交通对住宅价格的影响研究——以北京市地铁一号线为例[J].经济地理,2012,32(2):46-51.

[13] 杨建华.郑州轨道交通对沿线房地产的影响[J].地域研究与开发,2009,28(4):62-66.

[14] 王德,黄万枢.Hedonic住宅价格法及其应用[J].城市规划,2005,29(3):62-71.

[15] 温海珍.城市住宅的特征价格：理论分析与实证研究[D].杭州:浙江大学,2004.

[16] 郝前进.特征价格法与上海住宅价格的决定机制研究[D].上海:复旦大学,2007.

[17] Clark D E，Herrin W E.The Impact of Public School Attributes on Home Sale Price in California[J].Growth and Change,2000,31:385-407.

[18] 斯子文,石忆邵.三甲医院对人口分布及房价影响的研究——以复旦大学附属儿科医院为例[J].经济地理,2013,33(10):74-81.

[19] 汤庆园,徐伟,艾福利，等.基于地理加权回归的上海市房价空间分异及其影响因子研究[J].经济地理,2012,32(2):52-58.

[20] 张雷,陈杰.上海居民对环境绿化需求的支付意愿及其空间变化——基于上海楼盘价格数据的特征法测度[J].中国房地产,2012,19(18):3-13.

[21] 高晓路,浅见泰司.市场学方法与城市规划研究[J].城市规划,2002,26(5):6-13.

[22] 曾晖,杨平,朱建君，等.城市住宅价格影响因素的空间非平稳性分析[J].湖南大学学报:自然科学版,2012,39(5):88-92.

[23] 张洁.基于GWR模型的城市住宅地价空间分异研究——以杭州市为例[D].杭州:浙江大学,2012.

[24] 罗罡辉.基于GWR模型的城市住宅地价空间结构研究[D].杭州:浙江大学,2007.

[25] 汪婧.基于GWR模型的住宅地价空间变异分析[D].南京:南京大学,2012.

[26] Chau K W,Ng F F,Hung E C T.Developer’s Good Will as Significant Influence on Apartment Unit Prices[J].Appraisal Journal,2001,69(1):26-3.

[27] Hope C A.A Simplified Monte Carlo Significance Test Procedure[J].Journal of the Royal Statistical Society Series B,1968,30:58-98.

[28] 汤国安,杨昕.ArcGIS地理信息系统空间分析实验教程[M].北京:科学出版社,2006.

[29] 孙瑜,史明昌,彭欢,等.基于MAXENT模型的黑龙江大兴安岭森林雷击火火险预测[J].应用生态学报,2014,25(4):1100-1106.

Factors behind Residential Rent Distribution in Outer Ring of Shanghai: A GWR-based Hedonic Price Analysis

Wang Jiali1, Ji Minhe2, Deng Zhongwei3

(1.ZhejiangHuadongConstructionEngineeringCo.,Ltd,Hangzhou310014,China; 2.GeographyDepartment,EastChinaNormalUniversity,Shanghai200241,China; 3.ShanghaiFinanceUniversity,Shanghai200434,China)

This paper tried to establish a spatial autoregressive model based on Hedonic price method, in order to find out the factor behind residential rent distribution in Shanghai. Web data capture and data cleaning were used to get the data of the residential rent in Shanghai from December 2012 to January 2013. Based on Hedonic price method, the paper grouped nine influential factors into three categories: regional, neighborhood, and overall.Ordinary least square (OLS) analysis and geographically weighted regression (GWR) were used as competing models to characterize the relationship between the spatial structure of residential rent and individual factors. The results indicate that the GWR model outperforms the OLS model in revealing the structural determinants of residential rent in Shanghai. The influential effect of the commerce centers generate a radiating pattern of “weak East and strong West” on residential rental distribution, which is opposite to city center. The location of metro and subway stations generates strong impact on rent in suburb and much less in the downtown area. In inner ring, the tenements pay more attention to job access. The distribution of education and medical resources is imbalanced, as the latter is not limited by the household registration, so its influence on the rental price in suburban areas is weaker. The tenements of Pudong would like to pay the extra price for the environment and age of the neighborhood.

Hedonic price method; GWR model; residential rent; outer ring; Shanghai City

2015-04-23；

2016-07-27

国家自然科学基金项目(4067107)；上海金融学院委托浦东改革与发展研究院资助课题(2015-Z-D16-C)

汪佳莉(1990-)，女，浙江杭州市人，硕士研究生，主要从事地理信息处理、空间统计分析、地理信息系统在土地规划中的应用等研究，(E-mail)wangruiqi20069@163.com。

邓中伟(1984-)，男，河南开封市人，讲师，博士，主要从事空间数据挖掘等研究，(E-mail)zwdeng@qq.com。

F127

A

1003-2363(2016)05-0072-09