基于随机森林的街道品质对房价的非线性影响研究——以广州市为例

李 莹，王楠楠，仝照民，刘艳芳，安 睿，刘 洋

（1.武汉大学 资源与环境科学学，武汉 430079；2.广州市城市规划勘测设计研究院，广州 510060）

十九大报告提出，随着中国城镇化水平将超过60%，中国即将由增量扩张进入存量优化时代，未来城市建设将更注重提升空间环境品质，以满足人民日益增长的美好生活需要。居民生活水平的提高与观念的转变使得居民不再仅仅关注建筑本身，更关注邻域环境的供给。这对房地产行业提出了新的要求：在保证房屋质量的基础上，政府应联合房地产开发商配套高品质的生活空间，以满足人民日益增长的环境需求。

目前，特征价格模型最常用于研究房价与其影响因素之间的关系，认为人们对房屋特征的需求会通过其对房价的支付意愿表现出来，而支付意愿的差异可表征为不同特征对住房价格的影响程度（Rosen et al., 1974）。现有研究大多将这些特征分为结构特征、邻里特征与区位特征，其中，结构特征主要关注房屋或社区的建筑因素；邻里特征侧重房屋及社区周边基础设施的数量、密度与最近距离等表征设施可达性的要素（Hu et al., 2019）；而区位特征主要考虑社区空间区位、商务区位与交通区位（宋伟轩 等，2017）。

街道作为城市交通的重要公共空间与社会活动的主要场所，高品质街道具有出行便捷、交通安全、空间舒适的特征（周进 等，2003），会强化周边社区的出行高效性、空间感知的安全性与舒适性，进而影响住房价格（Xiao et al., 2016; Xu et al.,2022）。现有研究表明，路网形态可以预测交通流量、影响交通高效性以及塑造异质性功能空间，对住宅价格产生“接近性”正效应和“中间性”负效应2 种不同效应（肖扬，2015；Xiao et al., 2016；古恒宇 等，2018a），因此，社区交通可达性的提升有助于增强居住吸引力以及抬升房价（刁晶晶 等，2018），然而，复杂的道路网络结构有时也会引致交通拥堵等负外部性（Xiao et al., 2016）。社区出行的高效性对房价的影响存在空间异质性，相比于城市中心，交通可达性与换乘便捷性对城市外围的不动产价格影响更明显（杜超 等，2019）。在交通高效性研究基础上，学者逐渐关注到街道在居民生活中所扮演的角色发生转变。街道不仅仅是居民交通出行空间，更是人们生活交流的重要场所，因此，居民对街道的安全性与舒适性提出更高的要求。传统研究大多采用POI数据、遥感数据与城市犯罪数据，聚焦于自然环境要素的数量、密度或距离属性以及环境安全性等对房价的影响（Wen et al., 2017;Bin et al., 2020），而街景图片的出现为精细化地了解社区环境提供了可能（Rundle et al., 2011），并丰富了环境对房价影响的研究。一方面，可以通过街景图片语义分割街道中安全设施建设的现状、邻里环境的紊乱特征与居民对犯罪的恐惧感（Arietta et al., 2014; Jing et al., 2021），进而衡量居民对街道环境的安全感知对房价的影响。现有研究表明，机动化程度对学区房房价的抑制作用更明显（Xu et al.,2021）；混乱的街道景观更容易降低居民的安全感，因而影响购房者居住意愿（Hsu et al., 2022）。另一方面，街道中可视的绿色植物、天空以及建筑物的比例会影响出行者身处街道的空间舒适度，舒适的空间环境有助于缓解人们的消极情绪与心理压力（Liu et al., 2020），增加居民活动的积极性，降低疾病发生率（Xu et al., 2022），居民对环境良好的社区居住意愿与支付意愿均较强。良好的街道可见绿化对房价具有明显的抬升作用（Zhang et al., 2018;Xu et al., 2021），并且这种影响的程度远高于基于遥感影像计算的区域可达绿化（Ye et al., 2019）；而当天空开敞度为0.35 时，会对房价负向影响较强（Chen et al., 2020）。不同地区居民对空间舒适度的需求存在差异（Fu et al., 2019）。此外，现有研究也表明，街道空间品质的改善与房价增值效应具有明显关联（Kang et al., 2021）。

传统研究常采用线性模型、半对数模型和对数模型，探讨房价及其影响因素的全局线性关系（韩艳红 等，2018），后续以空间杜宾回归（Su et al.,2021）、地理加权回归（赵梓渝 等，2019）与混合地理加权回归（沈体雁 等，2020）等空间计量方法，尝试探索房价及其影响因素的空间非平稳性与空间异质性关系，但此类方法仍局限于解释房价及其影响因素的线性关系。而机器学习模型在处理因子共线性、探索非线性关系与寻找阈值效应中表现出较强的分析能力（仝照民 等，2021；An et al.,2022）。部分依赖曲线、SHAP方法等方法可以挖掘影响因素与房价间的关键阈值（Zhang et al., 2018;Hu et al., 2019），研究发现当社区周边绿色景观指数超过0.5 时才会对房价产生明显影响（Zhang et al., 2018），而不同公共设施对房价的影响均存在极值，设施可达性超过阈值后对房价几乎无影响（Taecharungroj, 2021）。因此，使用机器学习方法探索影响因素与房价之间的非线性关系并识别阈值效应潜力较高。

综上，现有研究多局限于考虑房屋本身属性、设施数量供给、路网形态以及街道空间感知体验等单一维度对房价的影响，尚未综合考量街道品质的多维特征对房价的潜在影响，低估或忽视了居民对街道品质的支付意愿，或导致住宅周边街道并不能满足居民的实际需求（Zhang et al., 2018）。另外，现有线性模型限制性较强，且无法有效揭示街道品质与房价复杂非线性关系。基于此，本研究以广州市为例，构建了包含全局接近度、防护隔离设施完善度、绿视率等12个街道品质因子精细化的指标体系，利用随机森林建模并绘制累积局部效应图，探索街道品质对住房价格影响的非线性关系，挖掘潜在的阈值效应，以期为塑造高品质街道空间，满足居民多样化生活生产需求，加快宜居城市建设提供实证启示。

1 研究区域与数据来源

1.1 研究区域

广州市作为粤港澳大湾区的核心城市，其迅速上涨的房价受到广泛关注。此外，《广州市交通运输“十四五”规划（2021 年）》（广州市交通运输局，2021）指出，广州市未来着力构建布局合理、转换高效、循环畅通的路网体系，同时推广人性化、精细化的道路空间和交通设计。广州市是道路精细化建设的先行地，以广州市为例，探索街道品质对房价的影响，有助于指导其他城市精细化道路建设，对建设宜居城市具有较强的现实意义与借鉴价值。

广州市主城区囊括了广州市70%的社区，社区类型多样，具有研究代表性。综合考虑街景数据获取难度与精度，以及研究区内外路网连通性，将《广州市城市总体规划（2011－2020年）》（广州市自然资源和规划局，2012）中确定的广州市中心城区作为研究区，即广州市荔湾区、越秀区、海珠区、天河区、白云区北二环以南地区，及黄埔区除九龙镇以外地区（图1）。

图1 研究区区位Fig.1 Location of the study area

1.2 数据来源

社区房价及属性数据通过安居客网站获得①https://guangzhou.anjuke.com，去除缺少信息的样本、重复记录的样本与异常值样本，最终确定2 149 个社区为研究样本。路网数据来源于广州市城市规划勘测设计研究院，共计35 726条道路。街景图像数据通过百度地图全景图功能获取②http://map.baidu.com，街景样本的选择是沿道路中心线以100 m为间隔生成街景采集点，然后确定广州市主城区社区可达500 m 范围内街景点，获取其道路平行2个视角的街景图片，视角范围为120°，图片分辨率为512×1 024。最终获取到共7 909条路的16 317个街景点共计32 634张街景图片。POI数据通过高德提供的API 接口获取，最终获取到广州市内123 万个POI。夜光遥感数据来自珞珈一号卫星数据，空间分辨率为130 m。数据时间节点均为2019年。

2 研究方法与变量选择

2.1 扩展空间句法

扩展空间句法（Spatial Design Network Analysis, sDNA）对路网空间形态进行拓扑分析，进而分析空间与行为的关系，其在对传统空间句法基础上，提出了接近度和穿行度2个更贴近实际情况的路网形态变量算法（古恒宇 等，2018a）。

相比起传统空间句法计算集成度时，仅考虑道路网络结点数与总拓扑深度，接近度引入p（y）权重参数，综合考虑了道路网络的质量和数量（古恒宇 等，2018b）。接近度代表周围路网到该道路难易程度，接近度越高意味着其越容易到达周边位置，可达性较好，同时也更加容易吸引周边人流，形成社会活动的集群，因此，接近度较高的区域多为交通枢纽或城市社会经济活动中心（宋小冬 等，2020）。sDNA 接近度计算公式为（Cooper et al.,2020），

式中：NQPDE(x)为搜索节点x的穿行度，y为节点x半径范围内的节点，为Rx代表在拓扑网络中连接的线段集合；W(y)代表线段的权重；p(y)为搜索半径内线段的比例；dm(x，y)为节点x到节点y的最短拓扑距离。

sDNA 计算穿行度时使用搜索半径内的节点总数进行参数的标准化，相比于传统空间句法中的选择度，可消除路网节点对计算结果的影响（古恒宇等，2018b）。穿行度表征道路被人流或车流通过的概率，穿行度较高的道路表示其能承载较多的通过性人流车流，一般为搜索半径内的交通干道。sDNA穿行度计算公式为（Cooper et al., 2020），

式中：TPBt(x)为搜索节点x的穿行度，y、z分别为节点x半径范围内的节点，OD(y，z，x)为搜索半径内x、y、z之间最短拓扑路径；W(z)为线段的权重；P(z) 为搜索半径内线段的比例；total weight(y)为半径内每个线段的权重之和。

2.2 街景图片语义分割

选取开源的DeepLab v3+语义分割技术，以xception-71 架构对街景图像进行解译（Chen et al.,2018），该技术主要分为编码与解码2个阶段。在编码阶段，使用深度卷积神经网络进行概率分割，采用带孔的卷积层引入多尺度信息，提高模型捕获细节的能力，在解码阶段，采用概率图模型将底层特征与高层特征进一步融合，提升分割边界准确度。训练集采用Cityscapes 数据集，该数据集包含来自50个不同城市的街道场景，拥有5 000张高质量像素级注释图像，能较精确地提取图片中的建筑、天空、树木、交通标识等各类要素。该模型语义分割精度可以达到80.31%，识别效果如图2所示。

图2 街景图片语义分割示意图Fig.2 Schematic diagram of the semantic segmentation of the Street View pictures

2.3 随机森林与累积局部效应图

随机森林（Random Forest, RF）结合了“bootstrap aggregating”思想与“random subspace”方法，其实质是一个包含多个随机生成并各自独立的决策树分类器，最终将准确率最高的决策树视为最终结果。由于随机森林每次都是随机选择部分变量建模，因此变量间相关性对模型准确度影响较小（Levantesi et al., 2020）。传统研究大多采用部分依赖图将随机森林模型中各预测变量对响应变量的影响进行可视化，当自变量间存在较强相关性时，部分依赖曲线计算过程中会产生过多的无效样本，导致估算结果与实际相差较大。为摆脱变量独立性假设的约束，采用累积局部效应图（Accumulated Local Effects Plot, ALE plot），通过保持其余变量不变，计算单个因素局部效应以消除相关性的干扰，进而更精确地表征各影响因素与房价之间复杂的非线性关系（Apley et al., 2020）。计算公式为：

式中：zk代表特征x1的网格，通常是分位数，以便每个结果区间包含相似数量的点；N(k)表示区间[zk-1，zk)；n(k)表示区间N(k)内点数；k(x1)表示x1落入区间的索引；f(zk，)代表保持其余特征不变，替换x1右区间端点zk的值（或者左区间端点zk-1的值）预测的差异值后计算这些值与其平均预测值的差异。

2.4 变量选择

选择特征价格模型内的传统指标为控制变量，主要包括3 个方面：1）结构特征选择社区建成年限、车位比、容积率、绿化率等4项对居民居住感受产生直接影响的因素（徐丹萌 等，2021）。2）邻里特征根据《城市居住区规划设计标准》（中华人民共和国住房和城乡建设部，2018）中要求的教育设施等7种基础设施可达性计算，以表征社区获得教育、交通、医疗等基础生活服务的便捷性，并计算可服务设施的香农多样性指数③香农多样性指数是基于信息熵理论计算的指标，可以同时反映社区可达范围内设施的种类与数量及所有设施在社区可达范围内分布的平均性，计算公式为：SHDIx =；式中：SHDIx表示社区x可获得服务设施的香农多样性指数；pi为第i类设施占总设施数量的百分比。以表示社区周边可覆盖设施类型种类与数量分布的均匀性，设施香农多样性指数越高，居民可获得的服务就越多样化和平衡。良好的基础设施服务水平是居民购房主要考虑的因素之一（Hu et al., 2019）。3）区位特征选择商业经济区位与公共交通区位2个指标进行表征。中央商务区优势资源集聚，商业经济区位可表征社区商业资源优势度和经济繁荣程度（Li et al.,2019）；而公共交通区位可以有效反映居民以公共交通出行的便利性和通勤成本（王乾 等，2021）。

高效性、安全性和舒适性是街道品质的重要指征（叶宇 等，2019；樊钧 等，2019）。1）街道高效性主要包括社区通行与换乘的便捷性。路网结构变量可以有效拟合交通流量，反映社区交通条件（朱东风，2006），通达的路网可以有效降低居民出行的成本，进而影响住宅价格（Xiao et al., 2016）。全局接近度与全局穿行度表征车行尺度交通高效性，局部接近度与局部穿行度表征步行尺度交通高效性。2）街道环境的安全性显著影响居民的购房意愿（Li et al., 2017），在不安全或者犯罪事件高发的地区，房产价格往往较低（Buonanno et al.,2012）。完善的机动化与步行交通设施建设可有效保障机动车与步行交通的安全性；交通信号标志与防护隔离设施也可有效避免交通事故、减少机动车与非机动车的互相干扰（Lv et al., 2021）；夜间灯光能为出行者提供必要的光照，提高出行安全感，此三者可降低交通事故与违法犯罪事件发生率，营造安全的社区环境（Dumbaugh et al., 2009; Yang et al., 2019）。3）空间绿化可以净化空气、缓解居民压力、提高居民生活幸福度，良好的天空可视域能减少高层建筑带来的压迫感（Liu et al., 2020），故购房者对环境舒适的房产支付意愿更强（Cetintahra et al., 2015）。社区房价潜在影响因素的定义和计算方法如表1所示。

表1 社区房价潜在影响因素的描述与统计Table 1 Description and statistics of the potential factors influencing the community housing prices

3 结果分析

3.1 社区街道品质空间分布格局

如图3、4 所示：1）道路全局接近度呈现出以荔湾区、越秀区与海珠区等广州市老城区交界处为核心逐渐向城市外围递减的趋势，道路全局穿行度与道路等级表现出较明显的一致性，通行性主干道全局穿行度较高，越秀区与天河区交界处交通干线连接性强、密度更高，因而社区全局接近度与全局穿行度分布也呈现明显的单核心与圈层衰减的特征，老城区核心内社区周围的街道对车流的承载能力更强，汇集的通行性车流更多，居民出行换乘更加便捷。2）内环线内支路建设较密集，对短距离交通出入和集散功能较强，道路局部接近度较高，因而局部接近度较高的社区大多集中于内环线内。局部穿行度较高的社区分布较为分散，珠江两岸集中了大部分局部穿行度较高的社区。3）道路等级与道路机动化建设存在一致性，距离通行性交通干道较近的社区，其周边道路的机动化程度较高。以荔湾区为代表的广州市老城区可识别的步行道比例较高、步行交通设施建设较为完善。4）十字路口等出行者交叉穿越的地方，其位置信号灯和交通标识建设密度更高，因此附近道路长度较短、交叉口较多的社区可识别信号标志要素占比较高。广州市老城区街道建设较早，防护隔离设施完善度劣于天河区等其他开发建设稍晚的区域。5）越秀区与天河区商业中心较多，夜间活动丰富，道路与社区夜间照明情况优于其他地区。6）城市边缘道路或次干道绿视率较高，高档小区则多位于较为僻静、免受交通打扰的地区，因此绿视率高的社区大多分布于主城区边缘与天河区高档小区，如天宸原著、金湾明珠、汇景新城。7）天空开敞度与围合度的空间分布趋势相反，广州市主城区中心开发建设强度高，天空开敞度低、围合度高；天空开敞度沿主城区中心向外围逐渐增加，围合度逐渐降低。

图3 道路街道品质特征空间分布Fig.3 Spatial distribution of street quality of roads

图4 社区街道品质特征空间分布Fig.4 Spatial distribution of street quality of community

3.2 房价影响因素的相对重要性

以26个潜在影响因素与社区房价建立随机森林回归模型（RF），探索街道品质对房价的影响，采用十折交叉验证模型准确性，同时将其与最小二乘回归（OLS）准确性进行比较（表2），RF模型调整R2达到0.671，相较于OLS模型提高0.145，RMSE、MAE均低于OLS模型，RF模型拟合优度更好。

表2 OLS与RF模型比较Table 2 Comparison Between OLS and RF

通过计算IncMSE 确定各影响因素对房价影响的相对重要性（表3）。从单个变量的相对重要性看，排名第一的因素为商业经济区位（24.90%），基础设施服务能力、经济繁荣程度、空间开发强度与舒适性都因商业经济区位而受到影响，因此商业经济区位对房价的影响可理解为多种因素的影响效应叠加。其次为全局穿行度，对房价贡献度为14.72%，充分表明社区交通便捷性是对房价影响较显著的因素，交通便捷性会影响居民通勤、出行的时间与距离成本，故购房者对出行条件与交通区位较为关注。第三为社区建成年限（9.99%），房屋的建成时间与损耗也是购房者考虑的主要因素。另外，社区周边设施多样性（6.98%）既影响可服务设施完善度又影响就业机会的多样性，因而会显著影响居民购房意愿。各街道品质特征中，全局接近度贡献值也相对较高（3.33%），表明社区周边道路中转功能以及到达该社区的便捷程度会在一定程度上影响房价。道路机动化程度（2.64%）对房价的影响也较明显。另外，良好的夜间照明可以给居住者较强的心理安全感，提升夜间出行的安全性，减少夜间抢劫和交通事故等的发生，因此夜间灯光亮度（2.14%）也明显影响购房者对房价的支付意愿。在高强度城市开发背景下，噪音、空气污染、光污染等对城市居民影响日趋加强，居民对舒适环境的偏好愈发明显，绿视率、天空开敞度与围合度3项舒适度因素对房价的贡献度达到5.68%。

表3 变量相对重要性Table 3 Relative importance of explanatory variables

3.3 关键影响因素与房价的非线性关系

由于相对重要性高的自变量的影响作用远大于相对重要性低的自变量，因此，选择对社区房价影响较明显的关键因素，绘制其与房价的累积局部效应图（图5至10）以描述二者的复杂的非线性关系。

图5 高效性与房价的非线性关系Fig.5 Non-linear relationship between efficiency and housing prices

图6 安全性与房价的非线性关系Fig.6 Non-linear relationship between safety and housing prices

图7 舒适性与房价的非线性关系Fig.7 Non-linear relationship between comfort and housing prices

图8 结构特征与房价的非线性关系Fig.8 Non-linear relationship between structure characteristics and housing prices

3.3.1 街道品质与房价的非线性关系

1）高效性

全局接近度在5～11与46～52时，社区交通可达性的提高将会促进房价的明显上涨，其平均边际价格分别为633.44 元/m2与464.88 元/m2。全局接近度在5～11范围内的社区多为城市边缘社区，其公共设施服务能力较弱，对交通的依赖性更强，因而全局接近度增加会对该区域房价产生明显的抬升作用，且此范围内房价对路网通达性的依赖性最强。而全局接近度位于46～52区间的社区为城市交通枢纽或商业中心附近的社区，因其便捷的交通可达性可以汇集较多公司企业、产生较多的就业机会、配置较完善的服务设施、拥有较强的交通接驳换乘能力，通过降低居民通勤与生活出行成本抬升房价。当社区全局接近度为34～40时，由于社区此时地处地区交通枢纽附近，其周边聚集了较多目的性强的交通流量，集聚的车流量所带来的交通拥堵、噪音等负外部性效应强于交通换乘便捷等正外部性效应，此时全局接近度对房价表现出抑制作用。

全局穿行度对房价整体呈正向影响，全局穿行度较差的社区需要通过长距离的交通出行获得就业机会、教育医疗等生活服务，因而房价随着居民对出行便捷性需求的增加而不断提高，其影响程度逐渐加强。但当社区全局穿行度＞1 715 后，社区全局穿行度越高，社区在空间上越接近高速公路、快速路等通行性干道。机动车产生的噪音、空气污染会降低居民的生活品质，高速的车行流也会对道路两侧非机动车交通产生一定分割作用，降低居民的步行通畅性，对房价产生负向影响。

当局部接近度＜117 时，局部接近度每增加一个单位，购房者对房价的支付意愿平均上涨14.18元/m2。良好的短距离交通可达性可以使居民更易步行至超市等基础便利设施或工作场所，购房者更倾向于购买工作单位附近且生活便利的房产，对房价的支付意愿也更强。但当社区局部接近度＞117时，社区局部可达性的提升，并不会带动房价明显上涨，究其原因是，不同级别的交通枢纽存在一定替代作用，当局部交通枢纽的服务能力超过一定阈值后，购房者反而更倾向于选择全局交通中心枢纽周边的房产，在步行交通的基础上选择私家车、公共交通等多样化的出行方式，同时可以扩大出行范围。

2）安全性

安全性设施与房价整体呈正相关且阈值效应明显。当机动化程度≤23%与＞26%时，对房价的正向影响较弱，而当其处于23%～26%时，对房价影响的边际价格可达1 211.25元/m2，此时机动化程度更佳，机动车通行环境更优，车行安全性更高，交通事故较少。

防护隔离设施与房价的非线性关系以4.27%为突变值，小于该比例时，增加防护隔离设施可有效减少机动车与行人的干扰，增强交通安全性，防护隔离设施对居民购房支付意愿影响较强。当其建设比例＞4.27%时，过于连续的防护隔离设施会降低交通网络通畅性，影响居民穿行的便捷性，因而此情境下居民购房支付意愿降低至111.63元/m2。

图9 邻里特征与房价的非线性关系Fig.9 Non-linear relationship between neighborhood characteristics and housing prices

图10 区位特征与房价的非线性关系Fig.10 Non-linear relationship between location characteristics and housing prices

房价随着夜间灯光亮度提高而上涨，这是由于良好的夜间照明可以为居民夜晚出行提供必要的光照，有效减少交通事故与犯罪事件的发生，给出行者以安全感。但这种增值效应随着夜间灯光亮度的提高逐渐降低，当夜间灯光亮度超过0.003 7 W/（m2·sr·μm）。此增值效应的减弱趋势尤其明显，这是由于夜间灯光亮度过高时，灯光刺眼，且持续较长时间，容易产生光污染问题，影响居民休息。

3）舒适性

绿视率与房价的非线性关系以15.10%为阈值，当绿视率＜15.10%，房价也处于较低水平，绿视率对房价影响程度微弱负向，原因在于购买较低房价的购房者因绿视率对住房产生的支付意愿与支付能力均不强。绿视率＞15.10%时，绿色植物可以净化空气、减少噪音，同时为住户提供良好的运动、娱乐、休息的自然环境，居民因绿视率对住房产生的支付意愿与支付能力均增强，房价随着绿视率的增加而一直上涨，此阶段绿视率的边际价格为67.14元/m2。

当天空开敞度＜34%时，其平均边际价格为-133.61 元/m2，一方面是由于天空开敞度是由城市中心向城市外围递增，高天空开敞度的社区大多位于城市边缘，经济水平不高，因而房价较低；另一方面，高层住宅虽导致天空开敞度较低，但高层住宅有利于居民享受更广阔的空间视野、免受噪音污染，因而低天空开敞度的社区房价更高。

围合度与房价呈负相关，围合度每增加1%，房价平均降低64.69元/m2。随着围合度增加，社区周边建筑密度增加，空间压抑感增强，舒适性减弱，购房者对房价的支付意愿逐渐降低。

3.3.2 控制变量与房价的非线性关系

1）结构特征：房价与社区建成年限的非线性负相关系以17 和21 为节点可以分为3 个阶段，在17～21 之间，房价受房屋折旧影响最为显著，房龄每增加1年，房价平均下降1 906.18元/m2，是前一阶段的6倍左右，之后房屋整体较老旧，对房价几乎无影响。当车位比＜1.56时，房价与车位比呈正相关，车位比每增加一个单位，房价平均上涨1 783.28 元/m2，当其＞1.56 时，并不会明显影响房价，表明居民对高车位比需求不强。容积率体现社区开发强度，广州市主城区可开发土地资源稀缺，开发商偏好容积率大的地块，房价随着容积率的增加而上涨，而当容积率＞7.46时，对房价的影响微乎其微。

2）邻里特征：文化体育设施成为邻里因素中重要性程度最高的基础设施，表明体育运动与文化交流已成为广州市居民较为重要的休闲娱乐方式，文体设施可达性与房价呈现明显的对数关系，房价随着文体设施可达性增加而上涨。设施多样性与房价的非线性关系及阈值效应明显，当社区周围设施多样性＜1.0 或＞1.5 时，居民更关注医疗、超市等某类基础生活设施配置程度或场所品质，此情景下设施多样性对房价的影响不强。当设施多样性处于1.0～1.5范围内时，设施配置混合度越高，可兼顾满足居多样化需求以及提供多样性的就业机会，其对房价的影响急剧增加。

3）区位特征：商业经济区位与房价呈明显的负向关系，这与天河CBD作为广州市商业单核心且其附近有3号线、5号线及APM 线等多条地铁线路有关。社区距离天河商务中心的距离越远，房价对天河CBD的敏感性逐渐降低，当社区距离天河商务中心的距离＞17 000 m时，当地居民更倾向于选择社区附近的次级商业设施，天河CBD对房价的影响趋无。

4 结论与讨论

为准确把握街道品质对广州房价的驱动机制，在控制传统特征价格模型变量的基础上，利用街景图片、夜光遥感数据等多源大数据，从高效性、安全性、舒适性3个角度，设置了全局接近度、防护隔离设施完善度、绿视率等12个街道品质指标，运用随机森林与累积局部效应图，探讨街道品质对房价的非线性影响与阈值效应，主要结论如下：

1）基于随机森林所构建的房价影响模型相较于最小二乘回归模型调整R2提高了0.145，且平均绝对误差、均方根误差较小，表明随机森林模型拟合精度更高，考虑街道品质与房价间的非线性关系是必要的。

2）街道品质因素对房价的解释程度为36.74%，社区周边街道品质明显影响购房者对房价的支付意愿。商业经济区位、全局穿行度与社区建成年限是对房价影响最明显的3个因素。此外，房价中体现的购房者对机动化程度、夜间灯光亮度、防护隔离设施完善度、天空开敞度等安全性与舒适性因素也有所需求，在街道建设中也应得到重视。

3）街道高效性指标与房价存在复杂的非线性关系。交通便捷性越高，房价上涨明显，但当社区周边道路的交通吸引与疏导能力难以满足居民的出行需求或当其处于次优值区时，如全局穿行度超过1 715 后，交通正外部性难以掩盖交通噪音、拥堵等负外部性问题，其对房价的负向影响更强。

当道路机动化建设处于23%～26%，防护隔离设施建设比例＜4.27%，夜间灯光亮度＜0.003 7 W/（m2·sr·μm）时，三者对房价的正向影响最为明显，房价对阈值范围外的安全设施敏感度不高。

绿视率与房价整体呈正相关，但当绿视率＜15.1%时，购房者支付能力有限与其支付意愿不强，房价与绿视率呈不相关或负相关关系。建筑高度与密度明显影响天空开敞度与围合度，且对二者的影响趋势相反，因此虽然天空开敞度与围合度均对房价产生消减作用，但二者的影响会产生互补效应。

控制变量与房价的非线性特征与阈值效应同样显著。结构特征阈值效应最为明显，当建成年限＞21 a、车位比＞1.56、容积率＞7.46时，结构特征对购房者的购房意愿影响强度不大。邻里因素中设施多样性的阈值效应可揭示居民基本生活设施的需求与高质量生活品质的偏好；天河区商务中心的服务半径为1.7万m，其对该范围外的房产影响较微弱。

基于以上结论，得出如下启示：

1）精准把握街道品质现状与居民需求，有针对性地改善街道品质。本研究基于房价与街道品质的关系所反映的居民需求，针对性地提出街道要素建设策略，以改善街道品质。如根据交通高效性要素对房价的正向影响，在街道建设中应注重优化路网结构，增加路网连通性，避免“丁字路”与“断头路”的出现；根据交通负外部性对房价的负向影响，需要合理布设轨道交通站点、公交枢纽等公共交通设施，构建功能协调的交通系统，解决道路拥堵、交通噪音等问题，满足居民出行需求的同时提高居民居住舒适度；而根据安全设施与房价的阈值效应，安全设施建设不应过分追求数量，应充分了解居民需求，以达到街道建设经济效应最大化。此外，为避免防护隔离设施降低交通连通性，在交通情况复杂区域，可通过设置人行天桥或地下通道等立体化交通方式来实现人车分流，保障步行安全和车行顺畅。为避免过度开发造成城市空间逼仄，导致居民带来强烈的心理不适感，应合理确定城市空间开发水平，明确空间开发上限，以居民需求为导向塑造高品质居住空间。

2）着力保证居民街道空间获取与使用的公平性。街道作为居民活动的重要公共空间，应保证居民平等的享有街道空间的权利。特别是街道绿化建设，政府应合理规划绿色景观，避免街道绿化分布的不均衡性，防止开发商在销售过程中以绿色环境为由抬高房价，而导致过高的房产溢价，增加购房者购房压力。

3）充分认识街道建设的经济价值，明确城市街道建设的权责关系。在传统城市建设中，街道的建设完善大多为政府出资，投入资金多，又难以得到直接的经济回报，而房地产开发商无条件地享受良好的街道品质带来的房价上涨，却对街道品质的优化没有贡献。未来政府与房地产商都应认识到街道品质建设带来的经济效益，在街道建设中，建立多方协调机制，以政府、企业合作的方式平衡房地产开发商与政府出资，或向房地产开发商征收“街道品质税”，促使房地产开发商合理利用街道品质对房价的影响。

本研究主要有以下2点创新：首先，本研究关注到街道功能多样性与出行者需求多元化，重新定义街道品质，扩充了以往对街道品质单一维度的认知，构建了综合性街道品质评价指标体系。其次，充分认识到街道品质的经济效应，以机器学习模型识别出街道要素建设的最优区间，对指导街道精细化建设、提高社会公平性具有重要意义。但受限于街景图片数据更新的问题，本研究仅分析了2019年街道品质对房价的影响程度，未来将尝试获取多时间节点的街景图片，分析街道品质变化对住宅价格变动的影响程度。此外，在房地产价格激增与房地产限购、购房贷款调息等政策背景下，房地产租赁市场日益活跃，未来将尝试进一步剖析住房租金与街道品质的内在关系。本研究探索各因素与房价的非线性关系，下一步将尝试构建空间化－非线性的街道品质与房价的关系解释模型，进一步考虑住宅空间属性特征，并继续收集社区所属学区、学校等级、开发商特征等数据，深入探索各影响因素对房价影响的内在机理。