基于空间计量模型的商铺租金影响因素空间异质性分析——以杭州市为例

戴豪成，冯友建

基于空间计量模型的商铺租金影响因素空间异质性分析——以杭州市为例

戴豪成，冯友建*

（浙江大学 地球科学学院，浙江 杭州 310027）

社会经济发展推动城市商业的繁荣与商铺的增值，但商铺租金的影响机制尚不明确。选取了杭州市1～6级商服用地范围内2 026个具有代表性的底层商铺，运用克里金插值法探索了杭州市商铺租金的空间分异格局，并采用基于空间计量模型的特征价格法，探究了5个分市场下商铺租金影响因素的空间异质性。结果显示，三级医院、大型购物中心、学校、交通设施等商业服务、公共服务设施对商铺租金的影响程度、影响范围具有显著差异；相同的特征变量在城市不同区域，如复合功能区域、商务功能主导区域、居住功能主导区域，以及城市中心区域、城市外围区域，对商铺租金的影响呈现空间异质性。

空间计量模型；商铺租金；影响因素；空间异质性；杭州市

0　引言

商铺是城市商业活动的主要载体，其租金是衡量区域商业活力与价值的重要指标之一［1］。随着我国经济社会的迅速发展以及城市化进程的不断加快，城市道路、轨道交通日趋通达，公共服务、商业设施不断完善，为周边商铺带来了巨大的人流量，人流量作为商业布局的先决条件［2］，对商铺租金有显著正向影响［3］。深入研究商铺租金的影响机制，能够为社会主体参与商业经营选址提供参考与借鉴，为政府优化城市商业空间布局、科学开展房地产评估工作提供更多参考，有助于推进城市更新、实现商业经营效益最大化。

20世纪60年代，RIDKER等［4］构建了住宅价格的特征变量体系，分析了住宅价格的影响因素，采用特征价格法（Hedonic price method）分析房地产价格受到广泛关注。随着城市商业的发展和商业中心的兴起，特征价格法及其研究思想被引入商业房地产价格及商铺租金影响因素的相关研究。在特征价格法的应用过程中，通常将影响因素划分为区位特征、邻里特征、商铺特征及建筑特征。区位特征是商铺租金最重要的影响因素之一，商铺租金受益于地铁站［5-8］、大型交通场站［9-10］等交通站点所带来的巨大人流量，且受周边区域购买力水平［5-6，11-13］和商铺可达性［8，11，14-15］的正向影响，商务区［13-14］、商业中心［5-6，11］提升了周边商铺的租金水平。一般认为，商铺周边居住人口规模对租金有正向影响［6，8］，但ZHANG等［10］所得结论相反。商铺越邻近步行街、购物中心等大型商业空间［10-11，14，16］（与商业中心具有近似的影响），其租金越高；学校、医院、公交站点等设施汇聚人流的能力较强［6-7，17-19］，但并未得到相关研究的足够关注。商铺特征和建筑特征体现了商铺及其所在建筑自身的各项属性，商铺租金与所处楼层［7，12，15-16］、建筑年龄［10-12，16］呈显著负相关，与泊车设施规模［6，8，12］呈正相关。商铺面积［6-8，10，12-16，20］、经营业态［16，18，20］对商铺租金的影响仍存在争议。

房地产市场普遍具有空间效应。一方面，根据地理学第一定律，地理要素相互之间的距离越近，其相关性越强［21］，因此房地产价格普遍存在空间依赖性，对此学者们引入空间计量模型完善特征价格法［22-24］。另一方面，区位、邻里等条件的不可复制性［25］带来了房地产市场的空间异质性，即城市中不同区域的单位属性房地产价格存在差异［25］。识别空间异质性主要有2种方法，一是采用地理加权回归模型等进行回归分析［17，26-27］，二是将房地产市场划分为若干分市场，引入分市场变量进行回归分析［14，28-29］或对不同分市场分别建立不同的特征价格模型［23，30］。张子晨［13］采用地理加权回归方法分析了社区底商租金的影响因素，DES ROSIERS等［31］通过构建2个城市的购物中心商铺租金回归模型，在一定程度上解释了商铺租金及其影响因素之间的空间异质性，但相关研究仍较为缺乏。由于各类设施的人流量对商铺租金的影响范围存在边界，在对商铺的分析过程中更适宜采用虚拟变量，这与地理加权回归模型的要求相悖，因此本文通过划分分市场方式分析商铺租金影响因素的空间异质性。

杭州市地处长三角南翼、杭州湾西端，是浙江省省会和经济、文化、科教中心，近年来依托“长三角一体化”迅速发展，房地产市场规律明晰、零售商业发展健康。本文采用空间分析方法探索杭州市商铺租金的空间分异规律，采用空间滞后模型（spatial lag model，SLM）、空间误差模型（spatial error model，SEM）等空间计量模型定量分析不同分市场下商铺租金影响因素的空间异质性，为全国范围内各大中城市提供借鉴。

1　研究方法与数据来源

1.1　研究方法

1.1.1克里金插值法

1.1.2基于空间计量模型的特征价格法

特征价格法能解构事物特征中的隐含价格［34］，是分析房地产价格影响因素的基础模型，其计算式为

基于最小二乘线性回归（ordinary least squares，OLS）模型的特征价格法无法体现地理要素之间的空间依赖性，需采用空间计量模型进行解释［34］。空间计量模型SLM和SEM的表达式分别为

1.2　数据来源

数据包括兴趣点（point of interest，POI）数据和商铺样点数据。

POI数据主要通过百度、高德、腾讯等公开地图（open street map，OSM）平台获取，学校、三级医院、交通场站参照杭州市数据开放平台相关资料，地铁站点位置以《杭州市轨道交通三期规划（2017—2022年）》为标准并结合实地调研获取。从世界人口平台（WorldPop）采集杭州市户籍人口数据，从贝壳网（https：//hz.ke.com/fangjia/）采集各板块2021年7月的二手房均价，并根据工作日工作时间的百度地图热力图，结合实地调研选取杭州市13个商务区。

商铺样点数据来源于贝壳网商铺单位面积日租金的挂牌价信息（https：//shangye.ke.com/hz/sp/rent/mlist），利用网络爬虫技术抓取获得，商铺位置精确至具体的建筑物楼栋。需要说明的是，根据前期调查，商铺租金挂牌价由贝壳网的置业顾问根据市场信息进行动态更新，并及时下架已成交商铺，因此该数据具有较好的时效性。根据《杭州市城市总体规划（2001—2020年）》（2016年修订）以及2021年杭州市公示地价体系建设项目研究成果，90%以上的商铺样点集中于上城、拱墅、西湖、滨江、萧山、余杭、临平、钱塘8个区的1～6级商服用地，将其设定为研究区域，筛选整理后共得到2 026个商铺样本（见图1，均为建筑物底商）。

图1　杭州市商铺样点分布

2　商铺租金空间分异格局及分市场划定

研究区域全局莫兰指数达0.773，且在0.01水平显著，表明杭州市商铺租金存在显著的空间正自相关性。

采用克里金插值法，生成杭州市商铺租金空间分布趋势（见图2），插值结果的标准均方根预测误差为1.067，标准平均值为0.007，插值结果有效。由图2知，（1）商铺租金的总体空间分布呈现由城市中心向外围逐渐衰减的趋势，武林—湖滨、城站火车站—四季青呈连片租金峰值区；（2）总体趋势存在波动性，城市中心的租金峰值区辐射至申花、拱宸桥、城东新城、钱江新城等板块，在租金高值区与低值区间出现明显的过渡带，而未来科技城、之江转塘、滨江、萧山市心等租金较高的板块则呈现租金高值区的多中心性；（3）租金高值区向城西板块延伸，城西板块总体商铺租金水平显著高于城东板块。

图2　杭州市商铺租金克里金空间插值结果

由图2可知，杭州市商铺租金呈“核心—边缘”结构的空间分异格局，市中心与外围区域的租金水平截然不同，因此将市中心划为独立的分市场；钱塘江南侧的萧山区与滨江区在自然地理条件上构成一个天然的江南分市场。参考《杭州市城市总体规划（2001—2020年）》（2016年修订）及《杭州市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》，以城市重点发展的功能区块为基础，进一步划分区域，最终划定5个分市场，如表1和图3所示。可知，市中心、江南、城北分市场均为复合功能区域，其中，市中心分市场各项功能的量级均最高，江南分市场在杭州市拥江发展战略下迅速崛起为城市副中心，城北分市场是“十四五”时期重点打造的城市副中心，城西分市场是商务功能主导区域，城东分市场是居住功能主导区域。城东、城西分市场是功能相对单一的城市外围分市场。结合图2，租金高值区与租金低值区的过渡带与杭州市4级商服用地在空间上高度重合，从空间的连续性看，此区域与两侧的分市场均具有一定的相似性。相较于直接划定分市场之间的边界，构建市中心分市场与城西、城北、城东分市场在4级商服用地的样点重叠区域更具有空间上的连续性。

表1　分市场的划定

注临平、下沙、之江转塘板块相对较独立，商铺数量较少，结合多轮回归分析测试结果，暂不纳入分市场范围。

图3　分市场商铺样点分布

3　商铺租金影响因素分析

3.1　变量选择

一方面，人流量是商业活力的源泉，交通场站站点、公共服务设施周边及商务区、居民区等人流密集的区域往往具有良好的商业氛围和潜在的经济效益，商铺拥有更多的潜在客源，租金相对其他区域较高；另一方面，商铺自身的特征属性在一定程度上决定了其盈利难度与经营风险，过大的经营面积往往因风险过高而不被经营者所青睐，餐饮商铺则具有更高的人气，对经营条件的要求较苛刻，因此是否具备餐饮业态经营的基本条件也是出租方重点宣传、承租方着重考虑的因素。

选取建筑物底商作为研究对象，基本排除建筑物本身特征对商铺租金的影响，且挂牌商铺暂不存在租约问题，因此主要考虑区位特征、邻里特征、商铺特征。在相关文献的基础上，筛选出18个自变量（表2），分析杭州市商铺租金的影响因素及空间效应。对于商务区变量，先选取武林、钱江新城、钱江世纪城、未来科技城四大商务区，再在各个分市场中分别选取对应分市场范围内的商务区作为变量。经过多次OLS模型回归分析，发现双对数模型（因变量、非虚拟变量的自变量均取自然对数）拟合程度较好，因此对非虚拟变量取自然对数。此外，根据现有研究成果，公交、地铁的步行接驳范围分别为400～600 m及800～1 000 m［36-37］，各类公共服务、生活配套设施的步行可接受距离一般为800 m［22］，汽车站、火车站的人流量较大，其影响范围更广，因此对虚拟变量按距离范围进行划分。

注所有对样点进行的距离分析，除与一、二、三级主干道的距离为欧氏距离外，其他均为基于ArcGIS网络分析功能的路网距离；未说明具体赋值的虚拟变量，若一定范围内有该变量则赋1、无则赋0。

3.2　空间计量模型计算结果

表3　OLS模型回归结果

注***表示在1%置信水平下显著，**表示在5%置信水平下显著，*表示在10%置信水平下显著；“+”、“-”表示回归系数符号，括号内表示显著性最强的虚拟变量范围，并将该范围对应的虚拟变量引入空间计量模型；“/”表示由于分市场内无该变量或该地理要素周边无商铺样点，未引入模型。

表4　空间计量模型回归结果

注***表示在1%置信水平下显著，**表示在5%置信水平下显著，*表示在10%置信水平下显著；“/”表示通过OLS模型检验不显著，未引入空间计量模型的变量；三坝商务区变量对市中心分市场商铺的影响系数过小且为正，影响程度并不大，不具备现实经济意义，不进入模型分析。

各变量对商铺租金的影响呈现显著的空间异质性。其中，量纲相同均为虚拟变量的部分变量，其回归系数的绝对值在不同分市场中的排序不同。市中心分市场：三级医院>大学>大型购物中心>汽车站>已开通地铁站>有未开通线路的地铁站>中小学；江南分市场：三级医院>火车站>大学>已开通地铁站>地铁换乘站>大型购物中心>中小学；城西分市场：三级医院>地铁换乘站>已开通地铁站>有未开通线路的地铁站>中小学>大型购物中心；城北分市场：已开通地铁站>大型购物中心>中小学；城东分市场：火车站>地铁换乘站>大型购物中心>有未开通线路的地铁站。

3.3　商铺租金的主导影响因素分析

3.3.1区位特征对商铺租金的影响

固定人口。固定人口主要由居住人口和商务办公人口构成，此类群体的有效购买力越强，租户支付租金的能力越高。

商务办公人口的购买力取决于商务区体量规模及影响力，距离商务区的核心区越近，商铺租金越高。对于研究区域全域，武林商务区变量的回归系数为 -0.173，其影响程度显著强于其他商务区变量；而市中心分市场恰恰相反，武林商务区变量的回归系数仅为 -0.096，市中心的商业布局伴随商务功能的外溢，逐渐溢出至钱江新城、黄龙—文三等区域。此外，江南分市场的滨江商务区变量、城西分市场的未来科技城商务区变量、城北分市场的三坝商务区变量和新天地商务区变量均对商铺租金产生了一定的影响。

通常，居民规模和住房价格之间存在一定的关联性，高人口密度的居住区房价相对较低，这是对已有研究分析思路的补充。居住人口密度、住房均价分别对商铺租金产生负向影响和正向影响。高房价居住区的居民购买力更强，尤其是城市外围的城西、城东分市场，住房均价的回归系数分别高达+0.845和+0.547。

城市主干道。OSM平台将除高速公路外的城市主干道划分为3级。根据表4，距离二级主干道越近，商铺租金越高。不同于以往研究所认为的主干道普遍具有提升租金的作用，在城市外围区域，各级别主干道所带来的步行客流量均较为有限，因此并不具有显著影响，甚至部分快速路、高架路对商铺租金产生一定的负向影响。

交通站点。交通站点是长途旅客的集散地，对周边商业的辐射作用较大。结果表明，火车站的影响范围可达2 000 m，对城市外围分市场的商铺租金影响极大，在江南、城东分市场的回归模型中，回归系数分别达+0.300和+0.333，而汽车站仅对市中心分市场的商铺租金有一定影响。城市外围分市场的汽车站（如江南分市场的萧山汽车总站）班次较少、客流量较低，而附近缺乏商业服务设施基础的站点（如城东分市场的杭州客运中心）则无法将交通站点的庞大人流转化为服务于商业发展的有效人流，阻碍了商业发展规模效应。

地铁站。有别于地铁对住宅价格的倒U型影响曲线，产生噪声和不安全因素的人流对商铺而言反而具有积极意义，市中心、江南、城西分市场的已开通地铁站均对600 m范围内的商铺租金有正向影响。由于商务功能相较于居住功能在空间分布上更为集中化、碎片化，商务区周边的地铁站点能够汇聚更大的人流；而居住区的空间分布相对均匀，使得其周边地铁站点较为均衡地分散了地铁的人流，因此对于居住功能占主导的城东分市场以及已开通站点周边以居住功能为主的城北分市场而言，地铁的开通并未显著提升周边商铺租金。

即将开通的地铁线路能为出租方和承租方带来收益提升的预期，但地铁施工所产生的局部交通不畅、通行功能受阻，会导致人流量减少、商铺可见度下降，这在已有的相关研究中并未得到关注。在市中心分市场，地铁主要为局部施工，对商铺影响相对较弱；城市外围的地铁施工导致大面积封路，对城东分市场的商铺租金构成了负向影响；城西分市场的机场快线和地铁3号线均为具有巨大客流量的城市大动脉，回归系数显著为正，显然收益提升的预期超过了施工的负效应。

换乘站的大部分额外客流通过站内换乘得以消化，市中心分市场的换乘站及其周边具有较成熟的交通网络，客流叠加并未对周边商铺租金产生显著正向影响，反而在江南、城西、城东分市场中呈现负向效应，这一点仍有待进一步研究。

3.3.2邻里特征对商铺租金的影响

大型购物中心。5万m2以上的大型购物中心体量大、业态丰富，具有极强的引流能力，其对商铺租金的影响在5个分市场中均显著，且影响范围较大，主要集中在600～800 m，但其回归系数绝对值的排序在市中心分市场中更加靠前，印证了市中心分市场的大型购物中心拥有更广的市场区域，具有更强的引流能力。

学校。中小学对商铺租金的影响范围为400～600 m，其回归系数绝对值在5个分市场的排序均较靠后，这与中小学生的消费水平有限，以及家长的接送方式阻断了消费欲望的转化有关。从区域功能属性看，在居住功能占主导的城东分市场，商铺所在小区周边基本配套了中小学，空间分布均匀导致该变量不显著；在商务功能占主导的城西分市场，学生更可能通过公交、私家车上下学，阻碍了学校人流向消费群体转化。大学生无论在消费需求还是消费能力上都强于中小学生，因此本研究增加了大学变量，结果表明其回归系数绝对值普遍高于中小学。这种消费欲望也更容易跨越快速路、铁路线的阻隔，使得由于缺乏就近商业设施而无法满足的购买力向更远的区域溢出，因此江南分市场的大学对商铺租金的影响范围大于其他分市场。

医院。在市中心、城西分市场的回归模型中，三级医院变量的回归系数分别为+0.242和+0.620，高于其他变量。三甲医院总院以及部分具有实力强劲科室的三乙医院集中分布在市中心分市场（浙一医院在城西分市场设立了新院区），为周边商铺带来了巨大的人流量。城北、城东分市场的医院一般为三甲分院、一般性或专科性三乙医院，医疗水平偏低导致引流能力较弱；江南分市场的医院普遍临近城市一级主干道，步行可接近性较低，反而挤占了居住与商务功能，对周边商业产生负向影响。

公交。地铁的开通逐步取代了原本公交车的中远距离通勤功能，由于公交车的班次间隔时间长，其短距离通勤功能受到共享单车迅猛发展的挤压，并未给站点周边带来巨大的人流量，因此公交线路数量对商铺租金并无普遍影响。

3.3.3商铺特征对商铺租金的影响

商铺租金与商铺面积呈负相关关系，商铺面积变量在各分市场中的回归系数均相近，对各分市场的影响程度类似，可以认为这种经营独立的建筑物底商符合已有观点，即规模越大的商铺，其租赁方所需的租金折扣更大。此外，餐饮经营条件变量的回归系数绝对值均小于0.1，与各类交通、商服、公共设施相比，餐饮经营条件对商铺租金的影响并不大。

4　结论与讨论

已有研究在讨论商铺租金影响因素的过程中，对其空间异质性的关注不够。本研究以POI数据为基础，基于空间计量模型分析了杭州市1～6级商服用地内5个不同分市场中各影响因素对商铺租金的影响方向、影响程度及影响范围的空间异质性，对已有研究进行了补充。研究结果显示：

第一，特征变量对商铺租金的总体影响方向与已有研究相吻合，但相同的特征变量对商铺租金的影响在城市不同区域呈现空间异质性，这种空间异质性与城市区域所处的不同发展阶段或发展形态密切相关。首先，城市因地理空间障碍、城市规划导向、行政区划等多重因素，可能存在多个复合功能区（即城市中心），由于行政中心在我国的特殊意义，此类复合功能区域必然有主中心与次中心之分，导致资源分布的空间不均衡，使得商场、医院等设施存在量级差异，因此同种影响因素会对商铺租金产生不同程度的影响。其次，在功能相对单一的城市外围区域，大型医院总部、火车站等人流量巨大的设施，为周边商铺带来了巨大的人流溢出，在更大程度上对商铺租金产生影响；地铁的开通串联起了居住区与商务区，对商务功能主导区域的商铺租金具有显著正向影响，这在居住功能主导区域并未得到体现。此外，伴随着城市的发展，城市中心的商务功能逐渐外溢，城市外围也形成了对商铺租金具有一定影响的商务区；房价所造成的居民购买力的差异对商铺租金具有极大的影响，尤其体现在城市外围区域。该结论均是对已有研究的补充。

第二，不同的特征变量对商铺租金的影响程度、影响范围具有显著的差异。首先，已有研究认为，行人的步行可接受距离一般在800 m内，但本研究发现不同设施对商铺租金的影响范围具有显著差异。邻里特征变量对商铺租金的影响范围一般在400～600 m，部分区域的大型购物中心可对800 m范围内的商铺租金产生影响；地铁站点影响范围为600～800 m，印证了已有研究成果；大型交通场站的影响范围较大，尤其是火车站的影响范围可达2 000 m。其次，本研究对以往尚无明确影响的特征变量（如医院、大学、公交等）进行了分析。三级医院的影响程度较高，但只有医疗水平较高的医院或院区能够提升周边商铺的租金；大型购物中心对商铺租金均具有正向影响，且市中心分市场的购物中心影响程度更大。各类学校对商铺租金的影响存在差异，中小学的影响程度普遍较低，而大学周边的商铺租金较高。此外，各类交通设施的影响程度也具有显著差异，包括主要火车站、汽车站在内的大型交通场站均对商铺租金有一定的正向影响，尤其是火车站，其影响程度较高；公交站点对商铺租金几乎无影响；已开通地铁站点有正向影响，但施工阶段的地铁线路存在可视性、可达性受损以及预期人流增长等两面性，需审慎对待。

第三，商铺租金影响因素的影响方向、影响程度与影响范围存在显著的空间异质性，在商业经营选址的过程中，经营主体应注重分市场的区域特征，根据经营业态和投资预期选择合适的分市场，实现商业经营效益的最大化；土地定级未考虑低级别土地内部的空间异质性，评估机构在地价评估过程中应针对不同的分市场审慎分析各要素的影响程度与范围，而标定地价对于商服用地市场价格的指引作用应得到更大的重视。

已有研究对商铺租金的研究较为有限，且缺乏对商铺租金数据空间效应的关注。本文通过引入空间计量模型、划分分市场，识别商铺租金影响因素的空间异质性，为商铺租金以及商业房地产领域的进一步深入研究提供了可行的研究路径。将来可进一步考虑政府引导所引致的空间异质性，与居民出行选择偏好、开发商投资偏好等之间的关联程度，完善相关研究体系。

［1］ 谷跃，王捷凯，黄琴诗，等. 南京商铺租金时空格局及影响因素分析［J］. 地理研究， 2021， 40（9）： 2459-2475. DOI：10.11821/dlyj020201003

GU Y， WANG J K， HUANG Q S， et al. The spatio-temporal pattern of shop rent and its influencing factors in Nanjing［J］. Geographical Research， 2021， 40（9）： 2459-2475. DOI：10.11821/dlyj020201003

［2］ 曹嵘，白光润. 交通影响下的城市零售商业微区位探析［J］. 经济地理， 2003， 23（2）： 247-250. DOI：10. 3969/j.issn.1000-8462.2003.02.024

CAO R， BAI G R. The study on the retail micro-location in city under the influence of transportation［J］. Economic Geography， 2003， 23（2）： 247-250. DOI：10. 3969/j.issn.1000-8462.2003.02.024

［3］ 祁黄雄，邹晓萌，蒋长春，等. 山岳型风景区零售网点租金测算：以黄山风景区为例［J］. 热带地理， 2017， 37（4）： 591-600. DOI：10.13284/j.cnki.rddl. 002964

QI H X， ZOU X M， JIANG C C， et al. Retail store rent calculation for mountain scenic spot： A case study of Huangshan scenic area［J］. Tropical Geography， 2017， 37（4）： 591-600. DOI：10.13284/j.cnki.rddl. 002964

［4］ RIDKER R G， HENNING J A. The determinants of residential property values with special reference to air pollution［J］. Review of Economics and Statistics， 1967， 49（2）： 246-257. DOI：10.2307/1928231

［5］ KE Q L， WANG W C. The factors that determine shopping centre rent in Wuhan， China［J］. Journal of Property Investment and Finance， 2016， 34（2）： 172-185. DOI：10.1108/JPIF-04-2015-0021

［6］ 王馨瑶. 住宅底层商铺租赁价格影响因素分析：以崇文门商圈为例［D］. 北京：北京化工大学， 2016. DOI：10.7666/d.Y3094740

WANG X Y. Analysis on the Influencing Factors of the Lease Price of the Bottom Shops in the Residential Buildings： A Case Study of Chong Wen Men District［D］. Beijing： Beijing University of Chemical Technology， 2016. DOI：10.7666/d.Y3094740

［7］ 黎林，江伟玲，韩畅，等. 地铁商业物业租赁定价实证研究［J］. 城市轨道交通研究， 2017， 20（8）： 108-112. DOI：10.16037/j.1007-869x.2017.08.023

LI L， JIANG W L， HAN C， et al. Empirical study on pricing of metro commercial property［J］. Urban Mass Transit， 2017， 20（8）： 108-112. DOI：10. 16037/j.1007-869x.2017.08.023

［8］ 刘宣，黄江明，赵冠华. 基于机器学习方法的城市社区尺度商铺租金空间布局分析［J］. 中国土地科学， 2021， 35（3）： 49-57. DOI：10.11994/zgtdkx.20210301.091856

LIU X， HUANG J M， ZHAO G H. A machine learning approach for community-scale commercial rents mapping［J］. China Land Science， 2021， 35（3）：49-57. DOI：10.11994/zgtdkx.20210301.091856

［9］ 王文静. 城市轨道交通站点内商业物业租赁价格评估［D］. 成都：西南交通大学， 2016.

WANG W J. Evaluation of the Rental Price of Commercial Property in Urban Rail Transit Stations［D］. Chengdu： Southwest Jiaotong University， 2016.

［10］ZHANG S， VAN DUIJN V， VAN DER VLIST A J. Tenant mix and retail rents in high street shopping districts［J］. Journal of Real Estate Finance and Economics， 2020： 1-36. DOI：10.1007/s11146-020-09768-3.

［11］HARDIN III W G， WOLVERTON M L. Neighborhood center image and rents［J］. Journal of Real Estate Finance and Economics， 2001， 23： 31-46. DOI：10.1023/A：1011112707018

［12］聂冲，贾生华. 城市购物中心不同商铺种类的租户组合优化实证研究［J］. 浙江大学学报（理学版）， 2011， 38（1）： 101-108. DOI：10.3785/j.issn.1008-9497. 2011.01.023

NIE C， JIA S H. Empirical research on optimization of tenant mix in shopping centers' store categories［J］. Journal of Zhejiang University （Science Edition）， 2011， 38（1）： 101-108. DOI：10.3785/j.issn.1008-9497.2011.01.023

［13］张子晨. 成都市中心城区社区底商租金价格空间分异和影响因素分析［D］. 成都：四川大学， 2021.

ZHANG Z C. The Research on Analysis on the Spatial Differentiation and Influencing Factors of Bottom Commercial Rent Price in Downtown Chengdu［D］. Chengdu： Sichuan University， 2021.

［14］NETZELL O. The effect of accessibility on retail rents： Testing integration value as a measure of geographic location［J］. Journal of Property Research， 2013， 30（1）： 1-23. DOI：10.1080/09599916.2012.713974

［15］张仕廉，王梦梦. 商业地产餐饮商铺租金的影响因素分析［J］. 中国房地产， 2018（6）： 62-69.

ZHANG S L， WANG M M. Analysis on the influencing factors of the rents of commercial real estate catering shops［J］. China Real Estate， 2018（6）： 62-69.

［16］刘洪杰. 基于特征价格模型的社区商业租金微观影响因素实证研究：以深圳华侨城为例［D］. 杭州：浙江大学， 2010.

LIU H J. An Empirical Research on the Micro-Impact Factor of Community Commerce′s Rent Based on Hedonic Price Model： A Case of Shenzhen Overseas Chinese Town （OCT）［D］. Hangzhou： Zhejiang University， 2010.

［17］王爱，陆林，包善驹. 合肥市商业地价驱动因素的空间非平稳性分析［J］. 地理科学， 2017， 37（10）： 1535-1545.

WANG A， LU L， BAO S J. Spatially non-stationary analysis between commercial land price and driving factors in Hefei city［J］. Scientia Geographica Sinica， 2017， 37（10）： 1535-1545.

［18］KOSTER H R A， PASIDIS I， VAN OMMEREN J. Shopping externalities and retail concentration： Evidence from Dutch shopping streets［J］. Journal of Urban Economics， 2019， 114： 103194. DOI：10. 1016/j.jue.2019.103194.

［19］MOHAMMAD S I， GRAHAM D J， MELO P C. The effect of the Dubai metro on the value of residential and commercial properties［J］. Journal of Transport and Land Use， 2017， 10（1）： 263-290. DOI：10.5198/jtlu.2015.750

［20］杨琦峰，郭满，宋平，等. 城市地铁商铺租金定价方法的优化研究［J］. 铁道运输与经济， 2014， 36（10）： 81-86. DOI：10.3969/j.issn.1003-1421.2014.10.016

YANG Q F， GUO M， SONG P， et al. Study on optimization of pricing method of rental shops in urban metro［J］. Railway Transport and Economy， 2014， 36（10）： 81-86. DOI：10.3969/j.issn.1003-1421. 2014.10.016

［21］沈体雁，于瀚辰. 空间计量经济学［M］. 2版.北京：北京大学出版社， 2019： 56， 70， 78.

SHEN T Y， YU H C. Spatial Econometrics［M］. 2nd ed. Beijing： Peking University Press， 2019： 56， 70， 78.

［22］XU T， ZHANG M， ADITJANDRA P T. The impact of urban rail transit on commercial property value： New evidence from Wuhan， China［J］. Transportation Research Part A： Policy and Practice， 2016， 91： 223-235. DOI：10.1016/j.tra. 2016.06.026

［23］李从容，朱世见，葛鹏宇. 南京市秦淮区学区房特征价格影响因素［J］. 地域研究与开发， 2019， 38（2）： 92-96. DOI：10.3969/j.issn.1003-2363.2019.02.016

LI C R， ZHU S J， GE P Y. Influencing factors of housing hedonic price in the school district of Qinhuai district in Nanjing city［J］. Areal Research and Development， 2019， 38（2）： 92-96. DOI：10.3969/j.issn.1003-2363.2019.02.016

［24］王晨歌，尹上岗. 基于空间计量模型的住宅租金空间效应研究：以南京市为例［J］. 地域研究与开发， 2019， 38（5）： 69-74. DOI：10.3969/j.issn.1003-2363. 2019.05.013

WANG C G， YIN S G. Spatial effect of residential rent in Nanjing city based on spatial econometric model［J］. Areal Research and Development， 2019， 38（5）： 69-74. DOI：10.3969/j.issn.1003-2363. 2019.05.013

［25］GOODMAN A C， THIBODEAU T G. Housing market segmentation［J］. Journal of Housing Economics， 1998， 7（2）： 121-143. DOI：10.1006/jhec.1998.0229

［26］沈体雁，于瀚辰，周麟，等. 北京市二手住宅价格影响机制：基于多尺度地理加权回归模型（MGWR）的研究［J］. 经济地理， 2020， 40（3）： 75-83. DOI：10. 15957/j.cnki.jjdl.2020.03.009

SHEN T Y， YU H C， ZHOU L， et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression： Scale law of spatial heterogeneity［J］. Economic Geography， 2020， 40（3）： 75-83. DOI：10.15957/j.cnki.jjdl. 2020.03.009

［27］唐红涛，刘亦鹏，吴忠才. 基于POI数据的房价影响因素空间异质性分析：以长沙市为例［J］. 城市问题，2021（2）： 95-103. DOI：10.13239/j.bjsshkxy.cswt. 210210

TANG H T， LIU Y P， WU Z C. Analysis of spatial heterogeneity of influencing factors of housing price based on POI data： A case study of Changsha［J］. Urban Problems， 2021（2）： 95-103. DOI：10.13239/j.bjsshkxy.cswt.210210

［28］谷一桢，郭睿. 轨道交通对房地产价值的影响：以北京市八通线为例［J］. 经济地理， 2008， 28（3）：411-414，453.

GU Y Z， GUO R. The impacts of the rail transit on property values： Empirical study in Batong line of Beijing［J］. Economic Geography， 2008， 28（3）： 411-414，453.

［29］王洪卫，韩正龙. 地铁影响住房价格的空间异质性测度：以上海市地铁11号线为例［J］. 城市问题， 2015（10）： 36-42，48. DOI：10.13239/j.bjsshkxy.cswt. 151006

WANG H W， HAN Z L. Spatial heterogeneity measurement on the housing prices influenced by subways： Taking subway line 11 of Shanghai city for example［J］. Urban Problems， 2015（10）： 36-42，48. DOI：10.13239/j.bjsshkxy.cswt.151006

［30］郑燕巧，焦世泰，张晓奇. 城市结构对轨道交通系统与房地产价格关系的影响：以北京、杭州、南京、成都4个城市为例［J］. 经济地理， 2019， 39（6）： 75-85. DOI：10.15957/j.cnki.jjdl.2019.06.009

ZHENG Y Q， JIAO S T， ZHANG X Q. Impact of urban structure on subway system and real estate price： Evidence from Beijing， Hangzhou， Nanjing and Chengdu［J］. Economic Geography， 2019， 39（6）： 75-85. DOI：10.15957/j.cnki.jjdl.2019.06.009

［31］DES ROSIERS F， THÉRIAULT M， LAVOIE C. Retail concentration and shopping center rents：A comparison of two cities［J］. Journal of Real Estate Research， 2009， 31（2）： 165-207.

［32］孟斌，张景秋，王劲峰，等. 空间分析方法在房地产市场研究中的应用：以北京市为例［J］. 地理研究， 2005， 24（6）： 956-964，1004. DOI：10.3321/j.issn：1000-0585.2005.06.015

MENG B， ZHANG J Q， WANG J F， et al. Application of spatial analysis to the research of real estate： Taking Beijing as a case［J］. Geographical Research， 2005， 24（6）： 956-964，1004. DOI：10. 3321/j.issn：1000-0585.2005.06.015

［33］梅志雄，黎夏. 基于ESDA和Kriging方法的东莞市住宅价格空间结构［J］. 经济地理， 2008， 28（5）： 862-866.

MEI Z X， LI X. Spatial analysis of houses' price in Dongguan based on ESDA and Kriging techniques［J］. Economic Geography， 2008， 28（5）： 862-866.

［34］冯友建，陈天一. 基于SEM模型的轨道交通对住宅价格的空间效应：以杭州市为例［J］. 浙江大学学报（理学版）， 2020， 47（1）：115-122. DOI：10.3785/j.issn.1008-9497.2020.01.017

FENG Y J， CHEN T Y. The spatial effect of rail transit on residential prices based on SEM model： A case study of Hangzhou［J］. Journal of Zhejiang University （Science Edition）， 2020， 47（1）： 115-122. DOI：10.3785/j.issn.1008-9497.2020.01.017

［35］沈体雁，于瀚辰，曹巍韡，等. 空间计量分析软件：GeoDa、GeoDaSpace和PySAL操作手册［M］. 北京：北京大学出版社， 2019：64-67.

SHEN T Y， YU H C， CAO W W， et al. Software for Spatial Econometrical Analysis： Operation Manual of GeoDa， GeoDaSpace and PySAL［M］. Beijing： Peking University Press， 2019： 64-67.

［36］张宁，戴洁，张晓军. 基于多项Logit模型的轨道交通站点步行接驳范围［J］. 城市轨道交通研究， 2012， 15（5）： 46-49. DOI：10.3969/j.issn.1007-869X.2012. 05.013

ZHANG N， DAI J， ZHANG X J. Walking affect area of rail transit station based on multinomial Logit model［J］. Urban Mass Transit， 2012， 15（5）： 46-49. DOI：10.3969/j.issn.1007-869X.2012.05.013

［37］严海，杨荣荣，熊文，等. 步行和自行车接驳轨道交通时空阈值研究［J］. 城市交通， 2013， 11（2）： 83-90. DOI：10.3969/j.issn.1672-5328.2013.02.013

YAN H， YANG R R， XIONG W， et al. Critical accessing time and distance for pedestrian and cyclists to urban rail transit［J］. Urban Transport of China， 2013， 11（2）： 83-90. DOI：10.3969/j.issn.1672-5328. 2013.02.013

Analysis of spatial heterogeneity of shop rent influencing factors based on spatial econometrics model: A case study of Hangzhou

DAI Haocheng, FENG Youjian

（，，310027，）

With the rapid development of economy and society, the urbanization process in China continues to accelerate, which promotes the prosperity of urban commerce and the appreciation of shops. Although a large amount of research results on the value of commercial properties have been carried out, the influence mechanism for shop rent is still unclear. Especially, few studies have focused on the topic of spatial heterogeneity. This paper selects 2 026 representative ground floor shops located within the range of 1-6 grade commercial areas in Hangzhou as the research samples. Based on the Kriging interpolation, we explore the spatial differentiation pattern of shop rent in Hangzhou and divides the study area into 5 sub-markets. In particular, we adopt Hedonic price method based on spatial econometrics models to explore the spatial heterogeneity of the factors influencing shop rent in 5 sub-markets respectively. The results show that different commercial and public facilities such as hospitals, shopping malls, schools and transportation facilities have a positive impact on shop rent in general, but with significant differences in the degree and scope of impact on shop rent. Also, the same variable influences shop rent differently in different urban areas such as complex functional areas, business functional areas and residential functional areas as well as urban central areas and urban peripheral areas, which exhibits spatial heterogeneity.

spatial econometrics model; shop rent; influencing factor; spatial heterogeneity; Hangzhou

F 293.3

A

1008⁃9497（2023）01⁃096⁃12

2021⁃12⁃30.

戴豪成（1996—），ORCID：https：//orcid.org/0000-0001-8937-3900，男，硕士研究生，主要从事城市地理学研究，E-mail：daihaocheng@zju.edu.cn.

通信作者，ORCID：https：//orcid.org/0000-0002-2486-6533，E-mail：jlong@zju.edu.cn.