黃浩 趙慧敏

摘要：住房空置率是衡量城市興衰與住房市場健康的重要指標，其影響著居民的生活水平和生活質(zhì)量?，F(xiàn)有研究多利用夜光數(shù)據(jù)或政府統(tǒng)計數(shù)據(jù)等進行測度，存在尺度較大、精度較低等問題，居住小區(qū)尺度的住房空置測度研究較為缺乏?；诖耍捎梅直媛蕿?.92—1.10 m的吉林一號高分夜光數(shù)據(jù)、居住小區(qū)矢量邊界等多源數(shù)據(jù)，從居住小區(qū)尺度對住房空置率進行高精度估算，并采用市場新房、二手房待售待租數(shù)據(jù)和高精度人口數(shù)據(jù)進行二次精度檢驗。采用空間自相關(guān)等方法進一步分析住房空置率的分布差異和空間聚類，通過顧及樣本自相關(guān)特征的隨機森林模型深入解析住房空置率的潛在空間影響因子，并以長春市主城區(qū)1 869個住宅小區(qū)為樣本進行研究，研究表明：長春市主城區(qū)高空置率居住小區(qū)的空間聚集性顯著，中心城區(qū)西部及東北部為熱點區(qū)域；長春市主城區(qū)高空置率居住小區(qū)主要為鐵路旁住區(qū)、老舊住區(qū)、新建樓盤3大類型；影響長春市住房空置率前三的因子分別是房價、公共空間類設(shè)施密度、商業(yè)服務類設(shè)施密度。以期為空置住房的規(guī)劃應對與精細化治理提供決策依據(jù)。

關(guān)鍵詞：住房空置率；吉林一號夜間燈光數(shù)據(jù)；居住小區(qū)；空間自相關(guān)；影響因子

文章編號：1673-8985（2023）02-0101-08 中圖分類號 TU984 文獻標志碼 A

0 引言

住房空置是20世紀后期國際社會面臨的問題[1]1，可導致社會資源的浪費，并對城市的可持續(xù)發(fā)展形成挑戰(zhàn)?？罩米》柯适呛饬糠康禺a(chǎn)市場穩(wěn)健與否的重要因素。在過去幾十年，我國城市建設(shè)的強烈動機導致商品房供給過剩，到目前部分城市的住房供給仍超過市場需求[2]，與此同時許多城市也在區(qū)域競合中出現(xiàn)人口流失等問題，房屋空置問題進一步加劇。中國城鎮(zhèn)住房空置率在2011—2017年間從約18.4%上升到21.4%[3]，我國貝殼研究院最新發(fā)布的《2022年中國主要城市住房空置率調(diào)查報告》雖統(tǒng)計口徑不同，但同樣顯示我國二三線城市平均住房空置率達到12%、17%，超過國際上合理住房空置率在10%以內(nèi)的學界共識[4]。國外許多國家有國家部門統(tǒng)計的空置住房數(shù)據(jù)[5-6]，但在國內(nèi)由于人口基數(shù)大、空置住房標準不一等問題，仍缺少該類官方數(shù)據(jù)。于是，許多學者關(guān)注到我國的空置住房問題，也對大量住房庫存進行研究[7-8]。高精度的住房空置率測度對制定規(guī)劃政策具有重要意義。住房空置率（Housing Vacancy Rate，HVR）在學界有諸多定義：聯(lián)合國將其定義為目前空置住房單元占住房總數(shù)量的百分比[9]。部分學者將住房空置率概念運用在新建商品房空置率[10]78、租賃住房空置率[11]等研究中。

國內(nèi)外住房空置率的相關(guān)研究主要涉及住房空置率的測度[12]90、空間分布特征[10]80、影響因素[1]3、政策應對[13]86等。在住房空置率測度層面，國內(nèi)外學者主要通過政府或機構(gòu)的房屋待售待租數(shù)據(jù)[14]23、用水用電量[15]、地理定位大數(shù)據(jù)[16]、夜間燈光數(shù)據(jù)結(jié)合土地利用[17]8571、社交媒體[18]、高分遙感影像[19]等數(shù)據(jù)，結(jié)合空間數(shù)據(jù)分析、機器學習等方法進行住房空置率的測度與預測。總體而言，大多數(shù)研究集中在宏觀尺度的測度，居住小區(qū)尺度的住房空置測度研究較為缺乏。少數(shù)學者對街區(qū)尺度的住房空置率進行測度[20]3，但該研究采用的珞珈一號夜光影像數(shù)據(jù)精度（130 m）對城市部分住區(qū)來說仍顯精度不足，對于空置率分布的空間自相關(guān)特征等也欠缺考慮。住房空置率影響因子的相關(guān)研究上，最小二乘法（Ordinary Least Squares，OLS）是最常用的方法，但諸多學者發(fā)現(xiàn)住房空置率往往具有空間聚集性[21]，OLS擬合程度不高。于是部分學者開始轉(zhuǎn)向使用空間杜賓模型（Spatial Dubin Model，SDM）、空間誤差模型（Spatial Error Model，SEM）等空間計量分析方法[14]24或地理加權(quán)回歸對因子的相關(guān)性進行探究。而在現(xiàn)有研究中，極少學者采用機器學習的方法探究因素對住房空置率的影響。機器學習如隨機森林模型等具有不易過擬合、穩(wěn)定性強、可對影響因子貢獻度作出客觀判斷等優(yōu)點，其在精細尺度上的空置率研究仍缺乏運用。

本文中住房空置率指包括增量住房、存量住房在內(nèi)的空置住房與住房總量的比值，即包括商品房、福利房、安置房等所有類型的住房?；诖?，本文順應住房空置率的研究趨勢，從區(qū)域尺度轉(zhuǎn)向街區(qū)尺度的精細化識別?；?步的住房空置率測度框架，選用較常規(guī)數(shù)據(jù)更高分辨率的夜光影像數(shù)據(jù)與多源精細數(shù)據(jù)進行識別與檢驗；并對住房空置率測度結(jié)果采用空間自相關(guān)分析其分布特征與空間類型。研究還通過融合數(shù)據(jù)源空間自相關(guān)特征的隨機森林模型深入解析住房空置的影響因子，以期為空置住房政策調(diào)控與精細化治理提供量化的依據(jù)。