趙正賢， 許泉立

1.云南師范大學(xué) 地理學(xué)部， 昆明 650500； 2.云南師范大學(xué) 西部資源環(huán)境地理信息技術(shù)教育部工程研究中心， 昆明 650500

城鎮(zhèn)化進程的加快使得城市人口不斷增加， 人們根據(jù)偏好和支付能力來選擇住房， 從而在有限的城市空間上形成了住宅價格的分布格局， 并隨著時間維度的變化在不斷地變化與重構(gòu)[1]． 對住宅價格時空變化及空間分異格局分異機制的探討， 已成為當(dāng)前城市研究的一個熱點， 引起政府部門和眾多學(xué)者的關(guān)注[2]． 從20世紀(jì)80年代開始， 國內(nèi)學(xué)者就對我國的城市住宅開展了研究， 在隨后的20年間， 由于數(shù)據(jù)缺失、 技術(shù)手段有限， 導(dǎo)致住宅價格研究進展緩慢． 隨城市化程度的加深， 住宅價格的影響因素逐漸復(fù)雜多變， 并且不同的城市之間， 住宅價格差異性較大， 即便在同一個城市中， 其房價也存在明顯的空間差異[3]， 這使政府部門對房價的調(diào)控和預(yù)測難度增大． 因此， 探索房價的時空演變和空間分異規(guī)律及其驅(qū)動力， 對城市住宅的健康發(fā)展具有現(xiàn)實意義．

房價分布特征形成的原因較為復(fù)雜， 其受到自然條件、 社會經(jīng)濟發(fā)展和人口分布等綜合影響． 為此， 學(xué)者們試圖從不同角度開展房價時空特征及其影響機理的研究[4-6]， 這些研究大致分為3種視角， 即： 基于社會經(jīng)濟發(fā)展影響的政策視角、 基于城市規(guī)劃的區(qū)域視角以及基于空間分析的時空視角． 基于社會經(jīng)濟發(fā)展影響的政策視角是對社會經(jīng)濟發(fā)展策略與房價的變化建立關(guān)聯(lián)， 進而發(fā)現(xiàn)房價的政策性效應(yīng)， 比如， 有學(xué)者從供求理論[7]、 國家政策[8]、 區(qū)位因素[9]、 建筑特征[10]、 鄰里特征[11]、 經(jīng)濟學(xué)[12]、 社會學(xué)[13]等方面， 研究房價時空演變的社會經(jīng)濟發(fā)展影響因素， 為平衡區(qū)域房價提供了依據(jù)． 該類方法從宏觀視角判定房價與社會經(jīng)濟發(fā)展的關(guān)系， 但是不能反映房價的時空變化特征及其原因． 基于城市規(guī)劃的區(qū)域視角是指從城市空間布局的角度表達房價的空間分布模式， 比如， 鄒利林等[1]認(rèn)為房價的空間分布特征主要分為4種模式， 即以中央商務(wù)區(qū)(CBD)為中心的圈層模式， 以交通干線為核心的扇形模式， 以多城市中心向四周輻射的簇團模式， 以及綜合前3種結(jié)果的混合模式． 但是該方法是一種定性評價， 缺乏定量評估手段， 難以揭示房價分布的空間關(guān)系及其格局， 適合從宏觀上刻畫房價的空間分布特征． 基于空間分析的時空視角是指以地理信息科學(xué)(GIS)為核心， 利用空間自相關(guān)分析[14]、 空間統(tǒng)計分析[15]以及地理分層異質(zhì)性分析[16]等方法度量和評價房價的時空演化特征， 是房價時空分布特征及其影響因素的主流研究體系， 比如， 王少劍等[17]， 孟斌等[18]， 劉海猛等[19]利用空間自相關(guān)方法分析研究區(qū)房價的空間聚集特征， 發(fā)現(xiàn)房價隨區(qū)域的發(fā)展， 其空間自相關(guān)不斷增強； 張靜等[20]通過構(gòu)建城市住宅地價的地理加權(quán)回歸模型， 探究了各因子對住宅地價空間分異規(guī)律的； 而張少堯等[21]利用地理探測器研究了房價分布的空間差異性． 但上述方法只是從某個方面對房價的時空分布模式進行了探討， 難以反映房價時空演化異質(zhì)性背后的影響因子及其形成機理． 因此， 如何表征房價的時空分異特征并揭示其成因， 是一個有待深入研究的科學(xué)問題．

地理探測器是探測地理要素的空間分異性模式， 并揭示該模式背后驅(qū)動因子的一種新的空間統(tǒng)計學(xué)方法[22]， 該方法為定量探測地理時空分異規(guī)律及其原因提供了可靠的理論支撐與技術(shù)工具． 該方法無線性假設(shè)， 免疫共線性， 不僅可以探測房價分布的空間異質(zhì)性模式， 而且可以探究影響因素對房價空間分異性的解釋力． 因此， 將地理探測器用于房價空間分異規(guī)律的研究具有一定的先進性． 基于以上背景， 本研究從地理學(xué)視角， 以二手房房價(以下簡稱“房價”)數(shù)據(jù)為基礎(chǔ)， 利用克里金插值法和探索性空間數(shù)據(jù)分析方法， 探究研究區(qū)內(nèi)房價的空間分布和空間分異性模式， 并利用地理探測器分析公共服務(wù)設(shè)施和地形因素對房價空間異質(zhì)性的影響， 研究昆明市主城區(qū)特定時期房價的時空分布模式及其分異規(guī)律， 以期為政府部門調(diào)控房價、 建設(shè)健康生活城市提供參考．

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)概況

昆明市地處云貴高原中部， 地理位置優(yōu)越， 既是云南省政治、 經(jīng)濟、 科技、 文化、 交通的中心， 又是我國與東南亞國家開展旅游貿(mào)易的門戶和樞紐． 昆明市下轄7區(qū)、 3縣、 3自治縣和1個縣級市， 市區(qū)面積為21 012.53 km2， 城市建成區(qū)面積435.81 km2． 2018年末昆明市總?cè)丝跒?85萬人， 約占全省總?cè)丝诘?4%， 生產(chǎn)總值總量達5 206.9億元， 約占全省生產(chǎn)總值的29%． 近十年來， 昆明市作為一個“環(huán)湖城市”， 城市擴張速度加快， 公共服務(wù)設(shè)施不斷完善， 在逐漸成為人們心目中的宜居城市的同時， 房價也在不斷上漲． 本研究選擇昆明市經(jīng)濟水平較高、 發(fā)展較快的西山區(qū)、 五華區(qū)、 盤龍區(qū)、 官渡區(qū)和呈貢區(qū)的部分城市集中區(qū)域(簡稱“昆明市主城區(qū)”如圖1)為研究區(qū)， 探究主城區(qū)房價的時空分異及影響因子， 擬為城市建設(shè)和房地產(chǎn)平穩(wěn)健康發(fā)展提供理論依據(jù)．

該圖來源于云南省地理信息公共服務(wù)平臺網(wǎng)站， 審圖號： 云S(2019)048號

1.2 數(shù)據(jù)來源與處理

1.2.1 房價數(shù)據(jù)

通過實地咨詢和整理多個網(wǎng)站的數(shù)據(jù)發(fā)現(xiàn)， 近年來， 昆明市二手房的售房源數(shù)量、 掛牌數(shù)據(jù)和成交量都比較大． 因此， 本研究以昆明市二手房數(shù)據(jù)作為數(shù)據(jù)源， 其中二手房價格數(shù)據(jù)來源于國內(nèi)比較知名的住房銷售平臺安居客(https： //km.anjuke.com/)， 利用互聯(lián)網(wǎng)技術(shù)， 獲取平臺銷售住宅的地理位置、 單價、 戶型等信息， 數(shù)據(jù)采集時段為2018年12月至2019年4月． 數(shù)據(jù)清洗時， 剔除對研究影響較大的別墅、 寫字樓及重復(fù)數(shù)據(jù)源， 并計算每個小區(qū)的住房均價．

1.2.2 因子數(shù)據(jù)

快速的城市化進程使得公共服務(wù)設(shè)施對房價的影響越來越大， 本研究選取對人們生活影響較大的公共服務(wù)設(shè)施和地形作為房價的影響因子． 公共服務(wù)設(shè)施因子包括小區(qū)分別到最近地鐵站、 大學(xué)、 中小學(xué)、 公園、 一級以上醫(yī)院、 商場、 高速公路的距離； 地形因子包括坡度和海拔． 對公共服務(wù)設(shè)施到小區(qū)的距離進行緩沖分類、 量化， 最終將離散的數(shù)值輸入到地理探測器中， 探測各因子對房價空間分異的解釋力． 此外， 本研究利用研究區(qū)的DEM數(shù)據(jù)計算其坡度、 海拔， 并將計算得到的坡度、 海拔重采樣為0.5 km×0.5 km的格網(wǎng)數(shù)據(jù)， 最終將格網(wǎng)范圍內(nèi)地形數(shù)據(jù)的均值賦值給對應(yīng)的房價點．

2 研究方法

2.1 探索性空間數(shù)據(jù)分析

為了揭示區(qū)域化房價的空間結(jié)構(gòu)， 需要對其進行探索性空間數(shù)據(jù)分析． 探索性空間數(shù)據(jù)分析的核心是認(rèn)識與地理位置相關(guān)的數(shù)據(jù)間的空間依賴、 空間關(guān)聯(lián)或空間自相關(guān)， 通過構(gòu)建空間權(quán)重矩陣， 并利用全局或局部Moran′sI指數(shù)來描述空間單元屬性的全局或局部空間關(guān)聯(lián)程度[23]． 空間權(quán)重矩陣(W)是進行探索性空間數(shù)據(jù)分析的前提和基礎(chǔ)， 一般度量標(biāo)準(zhǔn)有鄰近性指標(biāo)和距離指標(biāo)， 本研究選擇距離指標(biāo)進行分析． 通常用以下形式來表示矩陣W：

(1)

式中：n表示空間單元個數(shù)；wij表示空間單元i和空間單元j的相互鄰近關(guān)系．

全局空間自相關(guān)是用來描述研究范圍內(nèi)空間單元某一屬性的空間相關(guān)性． 本研究采用全局Moran′sI指數(shù)描述昆明市主城區(qū)房價的整體空間關(guān)聯(lián)程度．Moran′sI取值范圍在-1～1之間， 正值表示空間單元屬性值的空間分布正相關(guān)， 負(fù)值表示空間單元屬性值的空間分布負(fù)相關(guān)，I=0表示空間單元屬性值不存在空間相關(guān)性．

局部空間自相關(guān)主要用于描述昆明市主城區(qū)房價在子區(qū)域上的空間關(guān)聯(lián)程度和空間差異特征， 可以采用局部Moran′sI來度量． 從本質(zhì)上看， 局部Moran′sI是將全局Moran′sI分解到各個空間單元， 全局Moran′sI是建立在空間平穩(wěn)性假設(shè)之上， 但是當(dāng)空間中數(shù)據(jù)量較大時， 現(xiàn)實中很可能存在空間過程的非平穩(wěn)性， 空間平穩(wěn)性假設(shè)就變得很不現(xiàn)實[24]． 局部Moran′sI指數(shù)公式為：

(2)

根據(jù)標(biāo)準(zhǔn)化以后的Moran′sI值Zi和Ii來判斷房價的局部空間相關(guān)性， 如果Ii和Zi同時為正， 說明第i個單元的房價和周圍單元的房價均為高價格區(qū)， 為高-高集聚(H-H)； 同理， 如果Ii為負(fù)Zi為正時， 為高-低集聚(H-L)；Ii和Zi都為負(fù)時， 為低-高集聚(L-H)；Ii為正Zi為負(fù)時， 為低-低集聚(L-L)．

2.2 克里金插值法

克里金插值法是以空間自相關(guān)性為基礎(chǔ)， 利用原始數(shù)據(jù)和半方差函數(shù)的結(jié)構(gòu)性， 對區(qū)域化變量的未知采樣點進行線性、 無偏、 最優(yōu)估值的插值方法[25]． 該方法不僅能對未知區(qū)域估值， 還可以提供估計值的誤差[26]． 因此， 對于在空間分布上具有趨勢性的房價數(shù)據(jù)， 采用克里金插值法能夠更好地表現(xiàn)房價的空間分布特征．

2.3 地理探測器

地理探測器是王勁峰等[27]學(xué)者在2010年提出的一種空間異質(zhì)性定量探測理論與方法， 該方法應(yīng)用于疾病風(fēng)險和環(huán)境危害方面的研究較多， 但對于房價空間異質(zhì)性及其驅(qū)動力的研究較少． 地理探測器主要用于事物的空間分異性研究， 其核心思想基于如下假設(shè)： 如果某種自變量對某種因變量具有重要影響， 那么自變量和因變量的空間分布應(yīng)該具有相似性． 它一方面不僅可以探測數(shù)值型數(shù)據(jù)， 還可以探測定性數(shù)據(jù)， 但對于順序量、 比值量和間隔量， 需要進行適當(dāng)?shù)碾x散化[28]； 另一方面， 可以探測2個因子交互作用于因變量， 即能夠檢驗出2因子的交互關(guān)系、 強弱、 方向以及線性和非線性等． 本研究利用地理探測器分析房價的影響因子強度及因子間的交互作用， 研究昆明市主城區(qū)房價在空間上的分異規(guī)律． 影響因子的解釋力q可表示為：

(3)

3 結(jié)果與分析

3.1 房價時空分布特征

根據(jù)克里金插值的相關(guān)理論， 利用ArcGIS 10.6的地統(tǒng)計分析工具中的地統(tǒng)計向?qū)В?選擇普通克里金插值法分別對研究區(qū)2018年12月至2019年4日每月的房價數(shù)據(jù)進行空間插值． 由于使用克里金插值法的前提是數(shù)據(jù)變化服從正態(tài)分布， 對研究區(qū)內(nèi)的房價數(shù)據(jù)進行對數(shù)變換， 變換后的數(shù)據(jù)基本服從正態(tài)分布， 通過不斷調(diào)整插值相關(guān)的參數(shù)， 得到房價空間插值的最優(yōu)模型， 最終交叉驗證結(jié)果如表1所示． 采用普通克里金插值方法， 制圖得到昆明市主城區(qū)房價時空分布圖(圖2)．

表1 普通克里金插值法交叉驗證結(jié)果

圖2 昆明市主城區(qū)二手房價格時空分布圖

由表1可知， 標(biāo)準(zhǔn)平均值較接近于0， 標(biāo)準(zhǔn)均方根預(yù)測誤差較接近于1， 并且每個月份對應(yīng)的均方根預(yù)測誤差和平均標(biāo)準(zhǔn)誤差較為接近， 表明房價空間插值模型選擇合理， 插值結(jié)果能較好地反映房價的空間分布．

由圖2可知， 研究區(qū)房價總體分布格局為以五華區(qū)、 盤龍區(qū)、 官渡區(qū)和西山區(qū)交界為中心， 呈中心高四周低的中心結(jié)構(gòu)． 此外， 在滇池以北的西山區(qū)和官渡區(qū)交界范圍處， 形成了一個面積較大的房價高值區(qū)， 研究時段內(nèi)該區(qū)域的房價呈先升后降的變化模式． 研究區(qū)內(nèi)房價總體呈現(xiàn)由多個房價高值中心形成的“簇團模式”． 研究區(qū)內(nèi)整體房價北部高于南部， 表現(xiàn)出“北熱南冷”的差異性， 其南北房價差異分界線為官渡區(qū)和呈貢區(qū)的交界地帶． 呈貢區(qū)房價整體偏低， 該區(qū)內(nèi)除昆明市政府片區(qū)房價出現(xiàn)高值聚集外， 絕大部分地區(qū)為房價低值區(qū)．

時間序列上房價的空間分布特征如下： 從2018年12月至2019年2月， 總體房價由南至北呈上升趨勢， 房價沿著城市的2個房價高峰區(qū)域(海埂片區(qū)和一環(huán)范圍片區(qū))向周圍遞減， 其擴散面積逐漸增大． 從2019年3月至4月， 房價高值區(qū)域面積逐漸減小， 但房價高值中心較為突出． 根據(jù)上述現(xiàn)象和供求理論初步判斷， 2018年12月至2019年2月， 市民對住房的購買力較強， 而中國最重大的節(jié)日“春節(jié)”正處于該時間段內(nèi)； 2019年3月至4月， 市民對住房價購買力逐漸下降．

研究區(qū)內(nèi)房價空間變化差異明顯， 表現(xiàn)為： ①高房價聚集區(qū)： 海埂片區(qū)和一環(huán)范圍片區(qū)為高房價集中區(qū)， 其中大部分房價在13 000～15 000元/m2， 中心區(qū)房價已超過15 000元/m2； ②低房價分散區(qū)： 房價低值區(qū)被高值區(qū)域切割． 因此， 五華區(qū)和盤龍區(qū)房價由南向北逐漸衰減， 官渡區(qū)房價沿東北方向衰減較快， 且在官渡區(qū)東面、 呈貢區(qū)的南面和北面均為房價的冷區(qū)； ③高房價擴張區(qū)： 房價高值從海埂片區(qū)沿東南方向遞減， 且呈貢區(qū)的房價高值區(qū)域面積沿東南方向不斷擴大， 其中房價較高區(qū)域集中在市政府和云南師范大學(xué)周圍片區(qū)．

房價的空間分布與地鐵1號線和2號線的走向具有相似性． 圖3顯示， 房價高值區(qū)分布在地鐵1號線和2號線周圍， 其中呈貢區(qū)市政府、 海埂片區(qū)和一環(huán)范圍片區(qū)最具有代表性； 房價在空間上由北向南延伸分布， 且與地鐵線的走向相似， 由此看出， 地鐵線與房價關(guān)系密切， 地鐵對房價的影響較大．

3.2 房價時空變化特征

房價的空間分布是從宏觀的視角描繪房價的空間分布情況， 為了更準(zhǔn)確和深入了解房價變化的空間分布格局， 需要在空間分布的基礎(chǔ)上進一步量化． 采用疊加分析本研究得到房價在前一個月的變化率， 采用自然間斷法將昆明市主城區(qū)的房價變化劃分為5個等級． 從圖3e可以看出： ①2018年12至2019年4月昆明市主城區(qū)房價在-31%～30%之間波動， 其變化高值區(qū)域位于五華區(qū)的西翥街道、 西山區(qū)的滇池國家旅游度假區(qū)、 呈貢區(qū)的洛龍街道、 馬金鋪街道和大漁街道； 房價變化的低值區(qū)域主要位于盤龍區(qū)的青云街道和官渡區(qū)的多個街道， 包括金馬街道、 阿拉街道、 六甲街道和滇池以北的環(huán)湖東路片區(qū)； 主城區(qū)的大部分地區(qū)房價在-10%～14%之間變化， 盤龍區(qū)、 官渡區(qū)大部分地區(qū)的房價呈下降趨勢， 五華區(qū)、 西山區(qū)和呈貢區(qū)的房價主要呈上升趨勢． ②由圖3a可以看出， 在盤龍區(qū)的東部、 西山區(qū)西部和環(huán)湖東路片區(qū)房價跌幅最明顯， 其余區(qū)域房價呈上漲趨勢， 漲幅最大的地區(qū)包括西翥街道和金馬街道． ③圖3b的房價變化分布與圖3a相反， 最典型區(qū)域為環(huán)湖東路片區(qū)， 但房價增幅最大的區(qū)域還是分布在五華區(qū)的東北部和呈貢區(qū)的東南部． ④圖3c和3d的房價分布結(jié)果顯示， 從2019年2月至4月房價整體表現(xiàn)為下降趨勢， 部分區(qū)域表現(xiàn)為先降低后升高的趨勢， 如五華區(qū)和盤龍區(qū)以北區(qū)域、 呈貢區(qū)等．

圖3 昆明市主城區(qū)二手房價格時空變化圖

3.3 房價空間關(guān)聯(lián)格局分析

3.3.1 房價全局自相關(guān)測度

為揭示昆明市主城區(qū)房價整體的空間相關(guān)性， 本研究運用GeoDa軟件， 計算得到研究時段內(nèi)每月房價的全局相關(guān)性指標(biāo)(表2)． 結(jié)果顯示， 研究區(qū)內(nèi)房價的全局Moran′sI指數(shù)均為正值， 其值在0.336～0.484范圍內(nèi)， 并且每月的全局Moran′sI指數(shù)都很好地通過了顯著性檢驗(p<0.05)． 總體上， 房價在空間分布上表現(xiàn)出正相關(guān)性， 且價格相似的空間單元呈聚集分布， 這表明研究區(qū)內(nèi)房價在空間分布上不是隨機的， 而是存在空間聚集現(xiàn)象， 即房價(高值或低值)隨距離呈負(fù)相關(guān)顯著聚集， 距離越近房價越相似， 距離越遠房價差異性越大． 在時間系列上， 2018年12月至2019年2月， 房價的全局Moran′sI指數(shù)先增大后減小， 房價相似單元在空間上趨于聚集分布， 這與文中的房價時空變化形成對應(yīng)關(guān)系． 同時， 在整個研究時段內(nèi)， 房價的全局Moran′sI指數(shù)大于任何一個月的Moran′sI指數(shù)， 并且表現(xiàn)出更強的空間相關(guān)性， 這表明區(qū)域內(nèi)房價的差異性逐漸減?。?/p>

表2 2018年12月至2019年4月房價全局空間自相關(guān)指標(biāo)

3.3.2 房價局部自相關(guān)測度

為了更加深入了解研究區(qū)內(nèi)房價的局部聚集和差異特征， 利用Moran散點圖和LISA進行分析和判定． 本研究對Moran散點圖中各個象限的點數(shù)進行了統(tǒng)計， 通過LISA聚集圖分析房價在局部空間上的關(guān)聯(lián)程度．

局部空間自相關(guān)類型及匯總． 將Moran散點圖分為4個象限： 第一象限為H-H關(guān)聯(lián)， 第二象限為L-H關(guān)聯(lián)， 第三象限為L-L關(guān)聯(lián)， 第四象限為H-L關(guān)聯(lián)． 利用GeoDa軟件計算并統(tǒng)計各個象限樣點的數(shù)量和占比， 結(jié)果如表3． 由表3可知， 研究時段內(nèi)絕大部分樣點表現(xiàn)出較強的正相關(guān)性， 并且落入第一、 第三象限的點不斷增加； 屬于正相關(guān)類型H-H與L-L的比例之和分別為66.25%，67.67%，73.12%，71.04%，72.26%； 落入第一、 第三象限的點不斷減少， 屬于負(fù)相關(guān)類型L-H與H-L的比例之和分別為33.75%，32.33%，26.88%，28.96%，27.74%． 表明研究區(qū)內(nèi)房價以正相關(guān)類型為主， 隨著時間的推移昆明市房價相似區(qū)域的空間集聚效應(yīng)不斷增強．

表3 2018年12月至2019年4月二手房價格局部空間自相關(guān)類型及匯總

LISA分析． 通過LISA聚集圖可以更加直觀地顯示房價的局部空間關(guān)聯(lián)程度， 即各空間單元間的相互依賴性和異質(zhì)性． 圖4顯示， 研究時段內(nèi)昆明房價H-H關(guān)聯(lián)區(qū)域主要分布在一環(huán)中心、 翠湖公園、 滇池路、 紅塔路和福保路片區(qū)， 其中一環(huán)中心和翠湖公園片區(qū)的正相關(guān)聚集程度最高， 存在明顯的空間溢出效應(yīng)． 房價L-L關(guān)聯(lián)主要分布在人民中路南部、 環(huán)城東路和二環(huán)東路之間， 以及斗南、 呈貢區(qū)以北(沿河路和石龍路)片區(qū)， 其中低值聚集度較高區(qū)域的分布于人民中路南部、 環(huán)城東路和二環(huán)東路之間． 對于負(fù)空間關(guān)聯(lián)的H-L、 L-H區(qū)域較少且分布散亂， 主要分布在4區(qū)交界(西山區(qū)、 五華區(qū)、 盤龍區(qū)和官渡區(qū))范圍內(nèi)， 這表明昆明市房價的分布存在H-L值、 L-H值聚集的現(xiàn)象， 即存在一定程度的空間異質(zhì)性．

圖4 昆明市主城區(qū)房價LISA聚集圖

通過圖4f可看出， 整個研究時段內(nèi)， 昆明市二手房價格在4區(qū)交界及滇池以北片區(qū)， 呈現(xiàn)出H-H值聚集正相關(guān)， 4區(qū)交界的H-H關(guān)聯(lián)區(qū)被L-L關(guān)聯(lián)區(qū)所包圍， 基本形成圈層模式． 另外， 在呈貢區(qū)北部洛羊鎮(zhèn)、 斗南鎮(zhèn)和市政府是L-L關(guān)聯(lián)聚集區(qū)， 表明呈貢區(qū)整體房價相對中心市區(qū)較低． 呈貢區(qū)具有良好的環(huán)境， 是健康生活的目的地， 并且近幾年區(qū)域建設(shè)力度加大、 設(shè)施不斷完善， 該區(qū)域的房價具有較大的上升空間．

3.4 房價的分異特征及其影響因子分析

對昆明市主城區(qū)房價的空間關(guān)聯(lián)格局分析發(fā)現(xiàn)， 研究區(qū)內(nèi)房價空間聚集效益不斷增強， 但是有26.88%～32.33%的散點表現(xiàn)為空間分異性． 為進一步揭示昆明市主城區(qū)房價的空間分異性及其背后驅(qū)動力， 本研究利用地理探測器獨特的空間分異探測能力， 對分類后的離散數(shù)據(jù)進行計算， 得到因子探測、 交互作用探測和生態(tài)探測結(jié)果．

因子探測可以探測房價的空間分異性以及各驅(qū)動因子在多大程度上解釋了房價空間分異． 結(jié)果顯示(表4)， 地鐵站、 大學(xué)、 公園、 醫(yī)院、 高速公路、 商場、 坡度、 海拔均在1%置信水平上顯著． 研究區(qū)內(nèi)， 海拔和坡度因子的探測力值(q)大于0.1， 其中坡度對房價的解釋力最大(q=0.680 7)， 其次是海拔(q=0.298 6)； 公共服務(wù)設(shè)施中的因子探測力值都在0.1以下， 其中醫(yī)院對房價的解釋最高(q=0.058 5)， 其次是高速公路， 公園和商場對房價的解釋力比較相近． 整體上， 公共服務(wù)設(shè)施對房價的影響比較微弱， 地形因素對房價空間分異的解釋力遠高于公共服務(wù)設(shè)施， 表明研究區(qū)內(nèi)地形因素對房價的分異影響更大， 因此在房價的分析和評估中， 應(yīng)考慮地形因素的影響．

表4 因子探測結(jié)果

生態(tài)探測可用來比較各因子對房價空間分布的影響是否存在顯著的差異． 地理探測器中， 通過F統(tǒng)計來衡量， 表格中(表5)的“Y”表示存在顯著性差異， “N”表示不存在顯著性差異． 由表5可知， 就各因子對房價的空間分布作用而言， 公共服務(wù)設(shè)施與地形因素之間存在著顯著差異， 而各個公共服務(wù)設(shè)施因子間對房價空間分布的影響不存在顯著的差異性． 說明地形因素與公共服務(wù)設(shè)施對房價的空間分布影響差異較大， 功能和屬性相似的因子對空間分布作用相似， 即差異性較弱． 而差異性的大小可以通過因子探測中的探測力值(q)來衡量．

表5 生態(tài)探測結(jié)果

交互作用探測可以探測各驅(qū)動因子之間的交互作用， 即評估在驅(qū)動因子(A和B)共同作用下， 驅(qū)動因子是否增強或減弱對房價空間分異的解釋力． 由表6可以看出， 在公共服務(wù)設(shè)施因素中， 任意2個因素的交互作用影響力(簡稱“交互作用力”)均大于單個因素作用時的影響力， 并且各影響因素間的交互作用力也均大于它們單獨作用的影響力之和； 其次， 對于影響力較大的因素， 其交互作用力也較大． 在公共服務(wù)設(shè)施中， 商場和醫(yī)院的共同交互作用力最大， 為0.117 3， 學(xué)校和公園的共同交互作用力最小， 為0.024 9． 在地形因素和公共服務(wù)設(shè)施因素的交互中， 坡度、 海拔與公共服務(wù)設(shè)施因素交互作用力最大， 為0.713 1， 學(xué)校和海拔的共同交互作用力最小， 為0.326 9． 可見， 地形與公共服務(wù)設(shè)施因素間的交互作用力均大于各公共服務(wù)設(shè)施因素之間的交互作用力． 因子間的交互作用類型有雙因子增強型和非線性增強型， 除坡度與醫(yī)院、 坡度與高速公路、 坡度與海拔、 地鐵站與公園的交互作用類型為雙因子增強型以外， 其他因素間的交互作用類型均為雙因子增強型和非線性增強型． 說明對于房價空間分異的解釋力， 不只是單一因素的影響， 而是多個因素共同作用的結(jié)果， 這是房價預(yù)測難度較大的原因． 在今后的房價調(diào)控政策中， 應(yīng)綜合考慮多種因素的影響．

表6 交互作用探測結(jié)果

4 結(jié)論

本研究利用普通克里金插值法對昆明市在售二手房價格進行空間插值， 分析了房價的時空變化特征， 以及房價的全局和局部自相關(guān)測度， 揭示了房價的整體和局部的空間相關(guān)性、 聚集性和差異性特征； 利用地理探測器識別了房價的空間分異性以及其背后的驅(qū)動因素． 主要結(jié)論如下：

從房價時空分布變化上看， 海埂片區(qū)和一環(huán)范圍片區(qū)為研究區(qū)房價高峰中心， 房價向四周遞減， 整體呈中心高四周低的放射狀格局． 從全局來看， 房價北部高、 南部低， 呈貢區(qū)房價整體偏低． 從時間序列上來看， 2018年12月至2019年2月昆明市房價總體房價沿南北方向呈上升趨勢， 2018年3月至2019年4月房價高值區(qū)域面積逐漸減小且變得更加突出， 但房價的2個高值中心仍然在海埂片區(qū)和一環(huán)片區(qū)內(nèi)． 房價的空間分布與地鐵1號線和地鐵2號線的走向具有相似性， 地鐵線周圍房價較高． 房價的時空變化特征顯示， 研究時段內(nèi)， 房價在-31%～30%之間波動， 大部分地區(qū)房價呈上漲趨勢， 少數(shù)區(qū)域漲幅最明顯， 還有部分區(qū)域呈先降后升的變化．

從房價時空分布模式上看， 全局自相關(guān)測度分析結(jié)果顯示， 研究區(qū)內(nèi)房價的全局Moran′sI指數(shù)為0.336～0.484， 整個研究時期， 房價的Moran′sI指數(shù)(0.537)均高于單月指數(shù)值， 房價在空間分布上呈現(xiàn)正相關(guān)性和聚集性， 且隨著距離的增加， 房價的差異性不斷增大． 從局部來看， 昆明市房價以H-H值、 L-L值聚集為主， 局部聚集效應(yīng)不斷增強， 并表現(xiàn)出顯著的空間聚集性， 但是在房價的高低值、 低高值聚集區(qū)域存在空間異質(zhì)性．

從房價時空分布異質(zhì)性上看， 地形因素與公共服務(wù)設(shè)施因素對房價的空間分布的影響差異較大， 地形因素對房價空間分異性的解釋程度明顯高于公共服務(wù)設(shè)施， 公共服務(wù)設(shè)施對房價的影響較弱． 在地形因素中， 坡度對房價的解釋力最高， 海拔次之； 在公共服務(wù)設(shè)施因素中， 醫(yī)院對房價的解釋力最高， 最低的是中小學(xué)． 交互作用探測結(jié)果表明， 任何兩個因素的交互作用力均大于單個因素的影響力， 并且影響力較大的因素， 與之對應(yīng)的交互作用力也較大． 除坡度與醫(yī)院、 坡度與高速公路、 坡度與海拔、 地鐵站與公園的交互作用類型為雙因子增強型以外， 其余各因素間的交互作用類型均為雙因子增強型和非線性增強型． 表明房價的空間分異性是多個因素共同作用的結(jié)果， 在今后關(guān)于房價的研究中， 應(yīng)考慮地形因素對房價的影響．

本研究選取與人們生活息息相關(guān)的地形、 公共服務(wù)設(shè)施為驅(qū)動因子， 探究了昆明市房價的驅(qū)動力及空間相關(guān)性， 因房價還受政府宏觀調(diào)控、 市場經(jīng)濟變化、 區(qū)域環(huán)境質(zhì)量、 結(jié)構(gòu)特征等因素的影響， 這些因素難以量化， 也很難將其綜合運用于房價的評估和預(yù)測中， 因此在未來的研究中， 可以充分利用時空大數(shù)據(jù)的優(yōu)勢來彌補數(shù)據(jù)樣本少、 實時性和有效性差等不足， 利用機器學(xué)習(xí)技術(shù)來構(gòu)建特征房價模型和框架， 實現(xiàn)對城市房價的實時動態(tài)監(jiān)測， 并解決城市房價的多尺度、 多維度的模擬和預(yù)測等問題．