北京市区位可达性对房价影响分析

北京市区位可达性对房价影响分析

张宇 张英杰 张晓东 郑猛

摘 要：本文基于清华大学房地产研究所积累的2005年房价数据样本点800余个，通过克里金插值法建立了北京市2005年全市房价分布图，并通过三维模拟图发现其与交通网络的相关性。在此基础上，进一步使用北京市城市规划设计研究院建立的北京市交通宏观模型中的广义交通费用和各交通小区的就业规模，以交通小区为单元计算区位可达性，将其与基于房价分布图统计得出的交通小区平均房价建立模型，得出区位可达性对房价的影响方程。应用此方程，可以分析出区位可达性对区域房价的影响程度，为TOD规划政策的量化评估提供基础。

关键词：房价;可达性;TOD

1 研究背景

随着北京等特大城市的经济、社会发展，交通拥堵日益严重，人们在选择居住地时对交通便捷性的关注度也不断提高。城市的轨道交通、快速路网等大型交通基础设施的建设对其周边建筑规模的扩张，乃至整个城市土地利用结构的发展变化均起到一定的促进作用，城市土地和房地产的价格也随着周边交通环境的改善而明显提升。

为了量化分析区位交通可达性的改善对城市房价变化的影响，本研究应用北京市2005年房价的样本数据和基于2005年北京市宏观交通模型计算得到的区位交通可达性数据，分析了区位交通可达性对北京市房价的影响，并通过模型标定分析得出区位可达性对区位房价的影响因子，以期在城市规划中，依据不同区位的交通可达性条件，制订相应的合理开发规模和房价基价。

2 研究思路

本文研究思路为基于北京市宏观交通战略模型中对北京2005年交通网络的分析结果，和2005年房价的样本数据进行整合分析，建立交通可达性对房价影响的分析模型。具体分析流程见下图：

图1 分析流程图

3 房价数据处理及模型建立

本研究的房价数据为清华大学房地产研究所提供的2005年北京市辖区范围内全部区县的居住类房地产交易价格的抽样信息，信息主要包括：项目名称、项目类型、项目所属区县、具体地址以及出售单价等。

其中项目类型中的居住类房屋主要有普通住宅、别墅、公寓、经济适用房等四类； 2005年房价信息样本为818个。

3.1房价样本数据整理

原始的房地产项目价格数据虽然已经经过了初步的空间化处理，但由于初始分析对空间准确性要求精度较低，加之其所掌握北京市地理空间信息欠完备，因此在空间化房价数据时与北京市的实际情况有所差异。为了提高数据的精确度以及今后应用这批房价数据所得分析结果的实用性，首先对这批房价数据的空间有效性进行了全面的核查和调整。主要处理流程包括：

1. 对比原始数据空间坐标系与北京市标准空间坐标系，将二者进行空间配准；

2. 对经过坐标系配准调整后的各个房地产项目区位依据北京市区县街道边界、主要道

路网、地铁站点以及遥感图，进行逐一核查。

最终经过调整后，最初的样本点中，大范围改动位置点90个，调整比率为12.8%。下图为调整前后项目分布图的对比情况。

图2 项目信息调整前后项目抽样点分布对比图

3.2 基于克里金插值法的房价分布图

为了生成整个市区范围内的房价分布图，需要利用这些已知项目的位置和价格信息，来估算出其他没有项目采样点的位置的房价数值，以此生成北京市房价的连续的分布图。为实现这一利用离散点估计连续面的操作，我们应用ArcGIS地理统计分析模块中的克里金插值法。2

3.2.1 房价插值样本筛选

为了生成较为合理的房价分布图，我们在2005年度的818个样本点中根据房屋类型进一步进行了筛选，由于经济适用房的价格受非市场因素影响较大，因此将其剔除，并依据房屋的价格区间，将别墅、公寓类进行合并，从而最终形成两组居住类房地产项目样本数据：一为普通住宅类（共计427个项目点，其空间分布情况如图3所示）；

二为别墅公寓类（共计316个项目点，其空间分布情况如图4所示）。

从两幅图中每类项目的分布情况我们可以直观的看到，多数的项目点都集中于城市中心区，而郊区的区县地域广阔但房地产项目点却相对较少。这将会对下一步模型插值的外围区域精度造成一定的影响。

图3 427个普通住宅项目空间分布图

图4 316个公寓别墅项目空间分布图

3.2.2 房价数值的对数变换

图5与图6展示了最终选定的普通住宅和别墅公寓类居住项目的价格总体分布情况，从图中可以看出，两类房屋价格的总体分布均属于比较明显的偏态分布。为了提高插值模型计算的准确度，需要所输入进行计算的数值信息尽可能服从正态分布，根据房价数据的特征对其进行对数变换——对所有的房价数值（HP ）取对数后，所得到的logHP 的分布情况明显更加接近正态分布，如图7所示。因此使用房价数值的对数变换结果作为插值样本基准点进行插值计算。

图5 427个普通住宅项目价格总体分布

图6 316个公寓别墅项目价格总体分布

图7 公寓别墅类项目价格对数变换后的分布情况

3.2.3 Kringing 模型插值计算结果

利用经过筛选和对数变换后2005年的房价数据，应用ArcGIS 软件中地理统计分析模块下的Kringing 插值模型进行插值计算，通过设定并调整模型计算的关键参数（选取周边已知点的方式和个数、设定已知点的影响范围即插值计算的最大步长等），最终得出北京市

域范围内每一点处的房价（模型插值计算的直接结果为logHP）大小。图8为北京市城八区的普通住宅类项目价格的空间插值计算结果示意图（注：图中的浅色线条为北京市的主要环线及高速公路，深色线条为行政区界线）。

图8 北京市中心区普通住宅类项目价格分布图

由图8可见，城八区的2005年普通住宅房价呈现北高南低的趋势、同时西北部和东北部房价呈现放射状高峰值。可见，其与城市区域发展水平、基础设施的服务水平和经济发展水平是相呼应的。

3.3 房价三维分布图及趋势分析

为了进一步提高结果的表现力和形象程度，有助于大家对北京市房价分布有更为直观的感受，我们借助ArcScene，将计算得出的二维分布图三维化，实现了北京市房价分布的立体展现效果（普通住宅类项目价格三维分布图如图9所示、别墅公寓类项目价格三维分布图如图10所示）。

从两幅图中我们可以看出，将房价大小的差异转化为高度的差别以后，整个北京市房价的“地形分布”形象直观地展现出了房价的分布情况——无论是普通住宅还是别墅公寓类项目，北京市城北房价高于城南的趋势都非常明显。而圆圈所示的北京CBD及周边地区，在图9的别墅公寓类项目价格分布图中可以明显看到该区域房价为全北京的峰值。