基于吉林一号夜光影像的高精度住房空置率测度与影响因子研究

黄浩 赵慧敏

摘要：住房空置率是衡量城市兴衰与住房市场健康的重要指标，其影响着居民的生活水平和生活质量。现有研究多利用夜光数据或政府统计数据等进行测度，存在尺度较大、精度较低等问题，居住小区尺度的住房空置测度研究较为缺乏。基于此，采用分辨率为0.92—1.10 m的吉林一号高分夜光数据、居住小区矢量边界等多源数据，从居住小区尺度对住房空置率进行高精度估算，并采用市场新房、二手房待售待租数据和高精度人口数据进行二次精度检验。采用空间自相关等方法进一步分析住房空置率的分布差异和空间聚类，通过顾及样本自相关特征的随机森林模型深入解析住房空置率的潜在空间影响因子，并以长春市主城区1 869个住宅小区为样本进行研究，研究表明：长春市主城区高空置率居住小区的空间聚集性显著，中心城区西部及东北部为热点区域；长春市主城区高空置率居住小区主要为铁路旁住区、老旧住区、新建楼盘3大类型；影响长春市住房空置率前三的因子分别是房价、公共空间类设施密度、商业服务类设施密度。以期为空置住房的规划应对与精细化治理提供决策依据。

关键词：住房空置率；吉林一号夜间灯光数据；居住小区；空间自相关；影响因子

文章编号：1673-8985（2023）02-0101-08 中图分类号 TU984 文献标志码 A

0 引言

住房空置是20世纪后期国际社会面临的问题[1]1，可导致社会资源的浪费，并对城市的可持续发展形成挑战。空置住房率是衡量房地产市场稳健与否的重要因素。在过去几十年，我国城市建设的强烈动机导致商品房供给过剩，到目前部分城市的住房供给仍超过市场需求[2]，与此同时许多城市也在区域竞合中出现人口流失等问题，房屋空置问题进一步加剧。中国城镇住房空置率在2011—2017年间从约18.4%上升到21.4%[3]，我国贝壳研究院最新发布的《2022年中国主要城市住房空置率调查报告》虽统计口径不同，但同样显示我国二三线城市平均住房空置率达到12%、17%，超过国际上合理住房空置率在10%以内的学界共识[4]。国外许多国家有国家部门统计的空置住房数据[5-6]，但在国内由于人口基数大、空置住房标准不一等问题，仍缺少该类官方数据。于是，许多学者关注到我国的空置住房问题，也对大量住房库存进行研究[7-8]。高精度的住房空置率测度对制定规划政策具有重要意义。住房空置率（Housing Vacancy Rate，HVR）在学界有诸多定义：联合国将其定义为目前空置住房单元占住房总数量的百分比[9]。部分学者将住房空置率概念运用在新建商品房空置率[10]78、租赁住房空置率[11]等研究中。

国内外住房空置率的相关研究主要涉及住房空置率的测度[12]90、空间分布特征[10]80、影响因素[1]3、政策应对[13]86等。在住房空置率测度层面，国内外学者主要通过政府或机构的房屋待售待租数据[14]23、用水用电量[15]、地理定位大数据[16]、夜间灯光数据结合土地利用[17]8571、社交媒体[18]、高分遥感影像[19]等数据，结合空间数据分析、机器学习等方法进行住房空置率的测度与预测。总体而言，大多数研究集中在宏观尺度的测度，居住小区尺度的住房空置测度研究较为缺乏。少数学者对街区尺度的住房空置率进行测度[20]3，但该研究采用的珞珈一号夜光影像数据精度（130 m）对城市部分住区来说仍显精度不足，对于空置率分布的空间自相关特征等也欠缺考虑。住房空置率影响因子的相关研究上，最小二乘法（Ordinary Least Squares，OLS）是最常用的方法，但诸多学者发现住房空置率往往具有空间聚集性[21]，OLS擬合程度不高。于是部分学者开始转向使用空间杜宾模型（Spatial Dubin Model，SDM）、空间误差模型（Spatial Error Model，SEM）等空间计量分析方法[14]24或地理加权回归对因子的相关性进行探究。而在现有研究中，极少学者采用机器学习的方法探究因素对住房空置率的影响。机器学习如随机森林模型等具有不易过拟合、稳定性强、可对影响因子贡献度作出客观判断等优点，其在精细尺度上的空置率研究仍缺乏运用。

本文中住房空置率指包括增量住房、存量住房在内的空置住房与住房总量的比值，即包括商品房、福利房、安置房等所有类型的住房。基于此，本文顺应住房空置率的研究趋势，从区域尺度转向街区尺度的精细化识别。基于4步的住房空置率测度框架，选用较常规数据更高分辨率的夜光影像数据与多源精细数据进行识别与检验；并对住房空置率测度结果采用空间自相关分析其分布特征与空间类型。研究还通过融合数据源空间自相关特征的随机森林模型深入解析住房空置的影响因子，以期为空置住房政策调控与精细化治理提供量化的依据。