文摘

多尺度地理加权回归模型(MGWR)获得不同变量的影响尺度比经典的地理加权回归模型(吉尼斯世界纪录)。本文研究二手住宅交易价格特征的滨湖新区利用享乐价格模型和MGWR模型,得出了以下的结论。(1)有明显的空间正相关和空间异质性二手住房的价格在滨湖新区。(2)卧室的数量,地区,年龄,距离最近的学校规模小的影响,所以他们有强壮的空间异质性。装饰地位和地板是全球范围内变量,和他们的空间异质性是虚弱的。(3)卧室的数量,方向,装饰地位,地板,和建筑结构积极影响房价,同时区域,房子的年龄,距离最近的地铁站,距离最近的学校影响房价。在所有因素中,距离最近的学校是影响房价最重要的因素,其次是卧室的数量和紧随其后的是距离最近的地铁站和区域,而取向、地板、建筑结构、装饰条件的影响更小,年龄的影响最弱。

1。介绍

住房是一个重要的民生问题,和我们关心的房价是一个常见的主题。自改革开放以来,国民经济快速发展,国内居民的收入也显著增加。然而,房价的增长率远远高于国民经济的增长速度在合肥城市,有更大的压力为那些有需要的人购买房屋的住房。房地产价格过度上涨将导致一些现实的社会问题,如资源配置失衡和过度的家庭收入差距,很容易影响到区域经济的健康发展。滨湖新区位于合肥的主要城区东南部城市,安徽省,中国。它有一个计划的土地面积196平方公里,是合肥城市的重要组成部分“1331”城市空间发展计划。在过去的十年里,在合肥城市房价迅速增长,滨湖新区的房价创历史新高。高房价的影响涉及社会的各个方面,和城市住宅价格的影响因素和形成机制迫切需要研究。

享乐价格模型可以分析房价的异质性。兰开斯特阐述了享乐价格基于消费理论的异质性1Rosen),将隐式市场带入享乐价格分析和实证研究提出了一个框架2,他们两人为享乐价格模型奠定了理论基础。弗里曼在理论上解释了享乐价格模型的应用在住宅市场3]。Haizhen和贾选择杭州西湖地区15个因素作为住宅的特点,建立了享乐价格模型,分析和解释当地的住宅价格(4]。梁赵建立了享乐价格模型探讨商品房指数在沈阳和确定影响商品房的变量和相互关系(5]。根据享乐价格理论,郑,Lia的享乐价格模型周围的住宅的价值在深圳地铁站和定量分析了轨道交通对房地产价格的影响(6]。

地理加权回归(吉尼斯世界纪录)模型是空间线性模型增加了空间权重矩阵的线性回归模型。其目的是为了更好的展示空间结构的差异(7]。唐等人使用了吉尼斯世界纪录模型探讨不同影响因素对上海社区的影响及其空间分异(8]。金近等人选择了济南的二手住房社区,建立了地理加权回归模型来分析房价的空间分布和影响因素(9]。但经典的吉尼斯世界纪录无法揭示不同的空间规模在一定程度上影响因素。仍然有一些空间异质性的规模差异的研究不同的影响因素。多尺度地理加权回归(MGWR)模型,提出了2017年由Fotheringham可细分每个因素的全球规模和当地规模(10]。玉等人有补充和改进MGWR的统计推断,这MGWR模型可以应用于实证分析(11]。沈等人讨论了空间的规模和空间分析在北京二手住宅价格的影响因素使用MGWR模型。结果表明,位置是影响房地产价格最重要的因素和影响是最小的。MGWR回归结果也优于经典的吉尼斯世界纪录(12]。

2。数据来源和变量选择

2.1。数据源

本文选择二手房屋的单价出售2021年4月在合肥滨湖新区城市为研究对象。研究数据来自二手网站透露(近期https://hf.lianjia.com/ershoufang/binhuxinqu/)。不包括不完整的数据和数据不正确的信息后,有507个样本116个社区。二手住房的坐标信息样本来自于百度地图API协调选择器。

2.2。变量的选择

特征价格模型的基本表现形式 在哪里代表了房价,Z是相关的属性特征,房子的建筑特色,是房子的位置特征。是房子的社区特征。先前的研究,享乐价格模型线性、对数、半对数的,和其他的功能形式,估算方法主要采用普通最小二乘法(OLS)的方法。本文指的是线性形式,其表达式如下:

其中,代表了房价,代表了常数项,代表了相应的回归系数,代表了解释变量误差项。

本文以二手住房的单价在滨湖新区作为因变量12]。独立变量如表所示1。为了考虑本地的数据共线性,独立变量方差通货膨胀因素(VIF)和宽容是用于诊断变量之间的多重共线性。存在严重的多重共线性后增加旅游景点、商业中心、三级医院的模式,所以我们不学习了。

本文解释变量选择如表所示1。VIF系数的最大值为2.834和相应的公差是0.353,表明不存在严重的解释变量之间的多重共线性。

3所示。研究方法

3.1。空间自相关

(1)全局空间自相关分析:主要分析房价的整体空间自相关程度(13]。全球莫兰指数计算如下: 其中, 样本方差,空间单元的总数,和代表的住房价格空间单元和th空间单元,分别是属性值的平均值的空间单元,然后呢是空间的重量。Z以及价值 其中,莫兰我指数的值是莫兰我指数的期望值,然后呢莫兰指数的方差。(2)局部空间自相关分析:它描述了一个空间单元之间的相似程度,及其域和探索空间的异质性差异(14]。当地莫兰的指数计算如下:

其中,空间权重矩阵的行标准化吗 ,和和二手房价的标准化值。小于0.05的显著性水平下,如果和都是积极的,它是高集聚;如果是负的,是正的,高低集聚;如果是积极的,是负的,这是新低集聚;当两个和是消极的价值观,它是低聚集(15]。

3.2。多尺度地理加权回归(MGWR)

多尺度地理加权回归(MGWR)模型是一种前沿的方法试图揭示了多尺度的动机和过程背后的各种人文经济的社会现象。主要的区别从古典地理加权回归(吉尼斯世界纪录)模型是MGWR模型考虑了异构的规模之间的差异系数,计算如下:

其中,住宅的价格吗 - - - - - -th区, 代表独立变量的回归系数,代表的回归系数使用的带宽 - - - - - -th变量,代表了 - - - - - -的独立变量 - - - - - -样本点, 代表样本的地理位置坐标 ,和代表一个随机误差项。与经典的地理加权回归模型相比,每多尺度地理加权回归模型的回归系数是基于局部回归获得。内核函数和带宽选择MGWR模型的标准使用自适应高斯函数和AICc标准常用在经典的吉尼斯世界纪录12]。

MGWR模型决定了不同带宽和每个独立变量的空间权重矩阵。吉尼斯世界纪录模型采用最小二乘法,MGWR可以视为广义相加模型(GAM) [16MGWR模型),也可以表示如下:

其中, 代表了 - - - - - -th添加剂,代表了残余项。

多尺度地理加权回归主要是基于线性相加模型参数估计和向后拟合方法迭代(10]。使用经典的吉尼斯世界纪录MGWR估算结果作为初始值,测量值之间的差异和最初的估计价值,这是最初的残余 ;公式如下:

对初始测试执行地理加权回归古典残余 ,添加剂的术语 ,和独立变量 ,找到最优带宽和更新和 ,然后回归和更新添加剂和残余第二个变量 ,直到最后一个变量是更新。这个过程是一个完整的迭代。重复迭代,直到估计收敛收敛性判据。一般来说,经典的剩余平方和变化比用作收敛性判据[17]。

4所示。实证研究的空间分化二手房价的影响因素在滨湖新区

4.1。二手住宅价格的空间分布分析

从图可以看出1有明显的空间分布差异的单位价格二手房屋在滨湖新区。单价高的空间分布在中间,在周围地区低,西南高、东北低;高值分布在中部地区;单价是40000左右。东北地区是一个低价值的领域与单价约10000元。

本文运用ArcGIS 10.7软件上执行全球自相关分析507个采样点。结果如表所示2。全球莫兰我指数为0.600295,表明二手房屋的单价在太空拥有强大的空间正相关。的Z得分为6.368341,大于积极的临界值2.58在1%的显著性水平,表明二手住房的价格有很大的积极的空间自相关。

为了进一步探索房产单位价格的空间异质性,判断房价的局部空间自相关特征基于当地莫兰我指数。当地莫兰我指数是0.440724,结果表明,在该地区有一个积极的空间相关性,而且它显示了一个高价值的集群或低价值在空间聚类。丽莎指数可以确定房价的空间集聚,丽莎集聚是可视化显示房价的空间集聚,如图2。从图可以看出,有明显的“高”的集聚区域中心区域和湖周围的区域,和“新低”集聚区域出现在东北和西部地区。

4.2。模型比较

多尺度地理加权回归模型的回归结果和经典的地理加权回归模型进行比较,如表所示3。拟合优度R²MGWR是0.905,拟合优度R²古典吉尼斯世界纪录是0.888,AICc MGWR值(513.112)低于AICc经典吉尼斯世界纪录(664.471)的价值。有效的参数的数量而言,MGWR小于经典的吉尼斯世界纪录,这表明MGWR获得更准确的回归结果比经典的吉尼斯世界纪录使用更少的参数。的残差平方和MGWR也小于经典的吉尼斯世界纪录。因此,MGWR的回归分析结果的基础上,基于经典吉尼斯世界纪录在这种情况下,它表明MGWR模型具有更好的回归模型结果比经典的吉尼斯世界纪录。

4.3。规模分析

MGWR模型的自回归系数得到了从经典吉尼斯世界纪录模型,以不同的方式使用的带宽MGWR变量回归系数是基于当地的回归和特定类型(12]。不同带宽的MGWR反映行动的规模不同的变量,而经典的吉尼斯世界纪录的带宽不能反映不同变量之间的差异。MGWR带宽和的比较经典的吉尼斯世界纪录带宽在这种情况下表所示4。经典的带宽吉尼斯世界纪录是70,占总样品数的13.8%。通过计算MGWR,每个变量的带宽是不同的,可以看出,行动的规模不同的变量是非常不同的。从回归系数的显著性水平的角度来看,回归系数的卧室,面积,取向,年龄,距离最近的地铁站,和距离最近的学校整体意义重大,而其他三个变量不显著。带宽MGWR表明,卧室的数量,地区,年龄,距离最近的学校都有一个44岁的规模表明这些变量对房价的影响有很大的差异在空间。函数的规模距离最近的地铁站是60,表明空间异质性的距离最近的地铁站是大。建筑结构的功能尺度和方向是126和194,分别表明建筑结构的空间异质性和取向是将军。地板的装饰地位和功能规模相对比较大,和空间异质性相对较小。

4.4。的空间格局分析系数

每个MGWR系数的统计描述如表所示5。距离学校最近的负面影响房价。房子离学校的距离越长,房价将会越低,如图3(一个)。距离最近的学校的系数范围从1.847−0.375,0.478−的平均值和标准偏差为0.434。它表明每1公里增加到学校的距离,平均房价下降478元。这一现象的原因是人们喜欢靠近学校,关注教育质量。从回归系数的绝对值来看,它是最大的在所有变量,其影响是最强的。

卧室的数量反映了房子的结构特点。一般来说,卧室的数量积极影响二手住房的价格,和这个影响因素的大小减少从湖到内陆,如图3 (b)。卧室的数量的系数−0.016和0.674之间,平均值为0.228,标准差为0.170。它表明,在一个给定的区域,每个卧室的数量将会增加增加房子的单价平均228元。从回归系数的绝对值的角度来看,它的影响是相对强劲的。

距离最近的地铁站消极地影响房地产价格。去地铁站的距离越近,房价越高。地铁站之间的距离系数−1.049和0.324,0.137−的平均值和标准偏差为0.282。它表明每增加1公里的距离地铁站,平均房价减少137元。从回归系数的绝对值来看,它的影响是在中间。

区域因素负面影响房地产价格,表明区域越大,单价越低,这反映了人们拥有较低的房屋需求更大的地区,因为房子更大区域的总价格会更高,从而导致减少房屋的单价。面积系数范围从−0.690到0.304,平均值是−0.124,标准差是0.189。这意味着每增加1米²在二手住宅的面积,单价平均减少124元。从回归系数的绝对值来看,它的影响是在中间。

房子的方向积极影响房地产价格。更好的方向的房子,房价越高。其影响的程度减少从沿着湖到内陆,如图3 (c)。房子的方向系数是−0.047和1.351之间,平均值为0.062,标准差为0.060。从回归系数的绝对值来看,强度的影响相对较弱。

地板上有积极影响房地产价格,和影响因素的大小从东南向西北逐渐减少。如图3 (d)系数范围在0.039和0.070之间,平均值为0.060,标准差为0.010。这表明上层是60元的单价高于中间楼层的平均价格。这种现象的可能原因是接近巢湖区域和楼层越高,越好风景和视图。此外,高楼层有更好的照明和通风,人们更倾向于高楼层。此外,大多数的建筑在滨湖新区电梯方便人们去楼上和楼下,所以人们更喜欢高层楼层。从回归系数的绝对值来看,它的影响相对较弱。

建筑结构积极影响房价。建筑结构的系数在−0.027和0.209之间,平均值为0.052,标准差为0.051。从回归系数的绝对值来看,强度的影响相对较弱。

装修条件也积极影响房地产价格,和这个影响因素的大小减少从南到北,如图3 (e)。装饰的系数条件范围从0.032到0.055,平均值为0.047,标准差为0.008。这表明精装房子的单价是高于简单的平均47元。从回归系数的绝对值来看,它的影响相对较弱。

房子的年龄有一个负面影响单价的二手住房,和房子年龄反映了房子的使用寿命。影响因素的大小变化很大的规模和空间,如图3 (f)。众议院系数范围从0.711−2.041岁,平均价值−0.041,标准差为0.468,表明较低的人们更倾向于二手房子房子的年龄。房子每年的年龄,二手房屋的单价降低平均41元。从回归系数的绝对值来看,它是最小的在所有变量,其影响是最弱的。这一现象可能的原因是,大多数房屋在滨湖新区近年来新建的。

5。结论

本文以二手住房的单价在滨湖新区为研究对象,考虑了学区问题之前的研究的基础上,研究了空间分化和空间规模的二手住房单价在滨湖新区利用特征价格模型和MGWR模型,并得出了以下的结论。(1)有明显的空间正相关和空间异质性二手住房的价格在滨湖新区。(2)与经典的回归结果吉尼斯世界纪录相比,MGWR的回归结果比经典的吉尼斯世界纪录,和更好的结果。主要原因是多尺度地理加权回归模型可以获得不同尺度不同变量的影响比经典的地理加权回归模型。(3)卧室的数量,地区,年龄,距离最近的学校有一个小的影响。这些因素具有很强的空间异质性。装饰地位和地板是全球范围内的变量,和他们的空间异质性是虚弱的。(4)卧室的数量,方向,装饰地位,地板,和建筑结构积极影响房价,同时区域,房子的年龄,距离最近的地铁站,距离最近的学校影响房价。在所有这些因素中,距离学校最近的关键是影响房价最重要的因素,其次是卧室的数量。距离最近的地铁站和区域有更大的影响,而取向、地板、建筑结构、装饰条件的影响更小,房子的年龄影响最弱。

由于数据有限,其他位置的影响因素的特点和不考虑社区特征。和研究面积小,二手房屋在合肥的主要城区城市并非本文研究。老城市的住宅交易价格的特点,以及旅游景点的影响,商业中心,房价和等级三级医院,需要进一步研究。

数据可用性

所有的数据都来自于网站https://hf.lianjia.com/ershoufang/binhuxinqu/。

的利益冲突

作者宣称他们没有利益冲突的相关工作。

确认

这项工作是支持的关键在安徽大学自然科学研究项目(KJ2019A695),安徽建筑大学研究创业项目(2019 qdz61),安徽省教育委员会的关键项目(SK2020A0261),为年轻人和安徽省哲学社会科学项目(AHSKQ2020D67)。

补充材料

分析数据作为附件:DATA.xlsx。(补充材料)