EN中文

地理科学进展 >

2022 , Vol. 41 >Issue 5: 812 - 824

DOI: https://doi.org/10.18306/dlkxjz.2022.05.006

研究论文

收缩城市住宅价格空间分异及影响机制——以鹤岗市为例

  • 郝婧妍 ,
  • 刘艳军 , *
展开
  • 东北师范大学地理科学学院,长春 130024
*刘艳军(1981— ),男,吉林镇赉人,博士,教授,主要从事城市地理、经济地理研究。E-mail:

郝婧妍(1998— ),女,河北唐山人,硕士生,主要研究方向为城市地理、城市与区域发展。E-mail:

收稿日期: 2021-09-05

  修回日期: 2021-12-31

  网络出版日期: 2022-07-28

基金资助

国家自然科学基金项目(42171191)

国家自然科学基金项目(41771172)

收起

Spatial differentiation of housing prices and mechanism of influence in a shrinking city: A case study of Hegang

  • HAO Jingyan ,
  • LIU Yanjun , *
Expand
  • School of Geographical Sciences, Northeast Normal University, Changchun 130024, China

Received date: 2021-09-05

  Revised date: 2021-12-31

  Online published: 2022-07-28

Supported by

National Natural Science Foundation of China(42171191)

National Natural Science Foundation of China(41771172)

Fold

摘要

收缩城市的经济社会问题逐渐凸显,住宅市场发展呈现出消极态势,房价变化成为社会关注的焦点。在此背景下,论文以典型收缩城市——黑龙江省鹤岗市为例,基于住宅小区、夜间灯光、POI数据,利用Kriging插值和多尺度地理加权回归模型等方法,结合鹤岗市空间增长与收缩情况分析住宅价格空间分异特征及影响机制。结果显示：① 鹤岗市住宅价格呈圈层模式分布,核心—外围分异程度强。高水平住宅价格小区集聚在核心区内且分布规模小,中高值圈层扩散态势弱;外围工矿型辖区收缩情况相对严重,住宅价格水平低且波动小。② 城市发展状态与住宅价格水平存在空间相关性。不同收缩程度区域经济发展态势、居民收入水平、人口减少与老龄化、保障房建设规模等宏观因素差异影响着住宅价格总体空间分异格局。③ 城市内部区域的增长或收缩状态影响微观设施的作用效果。发展中心的区位优势对增长型区域住宅价格的正向作用更强,高水平公共服务对核心区和城市北部收缩区域住宅价格的增长有明显积极效应,企业工厂的分布对增长型区域住宅价格的负向影响更突出,各因素相互联系、交互影响,共同作用于住宅价格空间分异。

关键词： 收缩城市; 住宅价格; 空间分异; 夜间灯光数据; 多尺度地理加权回归; 鹤岗市

本文引用格式

郝婧妍 , 刘艳军 . 收缩城市住宅价格空间分异及影响机制——以鹤岗市为例[J]. 地理科学进展, 2022 , 41(5) : 812 -824 . DOI: 10.18306/dlkxjz.2022.05.006

Abstract

Social and economic problems of shrinking cities are becoming increasingly serious. The development of housing market presents a negative trend, and the change of housing prices has become the focus of public attention. Taking Hegang, a typical shrinking city in Northeast China, as a case and based on the data of residential quarters, nighttime light, and points of interest (POI), this study used Kriging interpolation, bivariate local Moran's I, and multiscale geographically weighted regression model to analyze the spatial differentiation characteristics and mechanism of influence of housing prices in combination with the spatial growth and shrinkage of the city in 2019. The results show that: 1) The housing prices of Hegang present a concentric zonal structure. There are great differences in housing prices between the core and the peripheral areas. High housing prices are concentrated in the core area and the scale of distribution is small. The diffusion trend of medium and high value zones is weak. The shrinkage of mining and industry-based areas is relatively serious and the housing prices in these areas are low and fluctuate less. 2) There is a spatial correlation between city development state and the level of housing prices. The differences of macro factors such as economic development situation, income level of residents, population change, population structure, and welfare-oriented housing construction in areas with different shrinkage conditions affect the overall differentiation of housing prices. 3) The growth or shrinkage of urban inner space affects the effects of micro factors. Location advantages of the development center have a stronger positive effect on the housing prices in the growing areas. High-level public services have obvious positive effects on the growth of housing prices in the core and northern shrinking areas of the city. The concentration of enterprises and factories has a stronger negative effect on housing prices in the growing areas. Various factors are interrelated and interact to jointly promote the spatial differentiation of housing prices.

Key words： shrinking city; housing prices; spatial differentiation; nighttime light data; multiscale geographically weighted regression; Hegang City

城市收缩是城镇化进程中存在的客观现象,逐渐成为城市发展的重要议题。基于全国人口普查和抽样调查数据的人口研究揭示了全国各区域存在着不同程度的人口收缩[1]。东北地区资源型城市较多,且面临着资源枯竭困境,经济发展形势严峻,城市收缩现象尤为严重[2],劳动力流失、财政负担加重、建筑弃置等问题逐渐凸显。此外,城市收缩过程中经济萎靡、人口减少与老龄化等经济社会问题致使住宅市场发展受到冲击,陷入供多需少的困境,部分城市频现超低房价。鹤岗市因“白菜价”住房而备受社会关注,双鸭山市、石嘴山市等收缩城市也出现了类似现象和问题。收缩城市的住宅价格直观反映住宅市场的运行状况,与经济社会发展和居民生活息息相关。在此背景下,收缩城市的住宅价格变化及影响机制等问题逐渐成为学者们广泛关注和讨论的重要学术话题。
1988年德国学者Häußermann等[3]在研究鲁尔区的城市问题时首次提出了“收缩城市”的概念。此后,学界就收缩城市的判别标准、收缩空间特征与形成机制等进行了探讨[4⇓-6],拓展研究了收缩城市土地利用[7]、人才流失[8]、城市收缩对经济发展的阻碍效应[9]等问题。部分学者关注了收缩城市住房空置[10]、居住满意度[11]等社会问题,在房价领域主要集中于对收缩城市房价变化特征和影响因素的探究。学者们从不同角度出发,以不同类型城市为例,分析收缩背景下住宅市场萎缩、房价降低现象和由此引发的问题[12⇓-14]。同时,学者们发现人口减少[15-16]、产业衰退[17]、地段空置[18]等典型的城市收缩现象抑制着住房增值,经济增长、失业率降低、产业多样化等则对房价增长有明显的积极效应[14,16-17]。
在住宅价格空间分异及作用因素方面,已有研究多从城市规模的角度出发选择研究区域,对大中城市的研究较多。这些研究大多利用空间插值、空间聚类等方法,结合城市空间结构分析住宅价格空间分异特征与格局[19-20],围绕住宅小区的建筑特征、邻里特征、区位特征综合分析建筑结构、公共服务设施分布、交通便利性等因素对住宅价格空间分异的作用[20-21]。在研究方法上,Fotheringham等[22]和Yu等[23]针对地理加权回归模型没有考虑影响因素空间尺度效应的局限性进行了改进,提出并完善了多尺度地理加权回归模型。该模型通过选择每个解释变量的最优带宽来反映变量空间作用过程中的尺度差异,能够更真实准确地解释影响因素的空间异质性,在对住宅价格空间分异影响因素的探索中展现出了较高的应用价值[24]。
综上所述,已有关于收缩城市住宅价格问题的研究,以分析某一城市收缩特征对房价的影响或对多个宏观影响因素进行综合分析为主,对收缩城市住宅价格空间分异的研究相对缺乏,特别是关于城市收缩状态下住宅价格空间分异的影响机制鲜有探讨。而随着收缩城市住宅价格问题的凸显,愈发需要从宏观、微观多重角度强化典型城市案例剖析,丰富收缩城市在住宅价格视角的实证研究。因此,本文以黑龙江省鹤岗市为研究对象,基于城市内部区域收缩特征分析住宅价格空间分异格局,深入探讨其背后的影响机制,以期拓展收缩城市及住宅价格问题的研究视角并深化研究成果,为推进收缩城市住宅价格调控、居住条件改善以及城市健康可持续发展提供借鉴。

1 理论框架

随着城市收缩现象日益严峻,经济萎缩和产业萧条引发劳动力大量外流,人口老龄化加剧,购房主力人口减少。同时,居民失业率上升,收入水平降低,住宅消费与投资意愿减弱,住宅市场陷入窘境,部分收缩城市住宅价格出现明显下降。由于城市内部区域的经济社会条件不同,区域间收缩状态及程度存在空间差异。住宅价格不仅受城市内部区域发展水平影响,也因空间收缩态势而波动,并存在差异性。住宅价格空间分异格局与城市空间结构存在紧密联系[19],收缩城市内部存在中心区收缩、次中心收缩、产业用地弃置等不同的收缩形态[25],随着收缩过程中城市内部空间形态与空间结构的演变,住宅价格分异特征也会发生相应变化。
收缩城市住宅价格空间分异的影响因素错综复杂,既有城市收缩状态下宏观环境对住宅价格水平的影响,也需考虑微观要素对住宅价格的作用。宏观层面上可将住宅价格空间分异归结于以下几类发展因素的空间差异(图1)：① 经济因素差异。收缩区域经济发展态势更为严峻,对房地产投资规模、房地产业及其关联行业发展造成冲击,居民收入水平降低,住宅购买力下降。在消极发展形势下,购房者和开发商对住宅价格预期悲观,实际住宅价格也会下降。② 产业因素差异。产业结构单一且层次偏低使得区域内环境污染严重,影响居民的居住质量。产业衰退后企业减产减收、失业人口增长等对住宅价格产生负向影响[26]。③ 人口因素差异。随着人口流失加剧,常住人口规模减小,收缩区域的住宅需求大幅削减,住宅市场规模随之萎缩[27]。同时,地区老龄化加重,抑制住宅需求增长,阻碍住宅价格上升[28]。④ 政策因素差异。城市收缩背景下,住宅用地持续供应,加之货币政策放宽,造成住宅市场供给过剩,影响着住宅价格水平[29]。面对老龄人口、失业和低收入群体的增加,收缩区域内保障性住房的大规模建设将分流住宅市场的刚性需求,影响住宅价格变化。收缩城市人口结构、收入水平、居住环境等因素变化影响着居民的居住需求和居住条件,同时,住宅小区的建筑特征、区位条件、周边设施配置等也存在明显的空间差异,各类微观因素对不同收缩程度区域住宅价格作用的异质性推动了住宅价格空间分异。
图1 收缩城市住宅价格空间分异影响因素框架

Fig.1 Analytical framework of influencing factors of spatial differentiation of housing prices in shrinking cities

2 研究区域、数据与方法

2.1 研究区域

本文研究区域为黑龙江省鹤岗市市辖区的建成区(图2)。鹤岗市经济发展长期以煤炭产业为主导,2011年被确定为资源枯竭型城市。2012年起煤炭行业发展进入低谷期,在煤炭市场价格持续走低与煤炭开采量减少的双重困境中,鹤岗市产业结构与经济发展遭受冲击。受多种因素影响,2019年市辖区地区生产总值为183亿元,与2012年相比缩减量达17.6%,经济下行压力加大,城市增长乏力。2010—2020年鹤岗市市辖区常住人口由66.45万人减少至54.54万人,自然增长率连续多年为负,人口基数与人口增长率均低于省内平均水平,自然减少与外迁流失人口增多,老龄化加剧,是一座典型的收缩城市。在此背景下,鹤岗市住宅市场低迷,去库存周期加长,2013年起住宅商品房平均销售价格的变化趋势由稳步增长转为波动下降,2019年全市商品住宅销售额与2013年相比锐减82.6%,二手房均价则在较低水平基础上持续降低。又因市辖区建成区范围内的住宅市场相对成熟,住宅价格分异特征更具有代表性,故划定市辖区建成区作为研究区域。
图2 研究范围

Fig.2 The study area

2.2 研究数据

表1 数据来源与说明

Tab.1 Data sources and description

数据类型 来源 说明
鹤岗市行政区划和路网数据 1∶100万全国基础地理数据库 路网数据为研究范围内的高速公路和一级至四级公路
2019年鹤岗市住宅小区数据 安居客、城市房产网、房天下等房产网站 研究范围内住宅小区的平均价格和地理坐标数据
2013、2019年度“类NPP-VIIRS”夜间灯光数据 全球500 m分辨率的“类NPP-VIIRS”夜间灯光数据集 该产品数据通过自编码器实现跨传感器校正DMSP-OLS和NPP-VIIRS夜间灯光遥感数据,数据质量与NPP-VIIRS相一致
2019年鹤岗市POI数据 百度地图 研究范围内政府机构、公园广场、幼儿园、中小学、综合医院、高校职校、景观场馆、企业工厂的POI数据

2.3 研究方法

2.3.1 空间自相关分析

全局空间自相关用来分析研究范围内住宅价格的空间分布是否具有自相关性,是分析其空间分异特征的基础。双变量局部空间自相关能有效反映研究区域夜间灯光辐射亮度变化值与住宅价格水平间的空间关联特征。本文以Moran′s I来度量研究区域内空间数据之间相互关联性与相互作用显著性。全局空间自相关系数(Global Moran′s I)计算公式为[33]：
I = n ∑ i = 1 n ∑ j = 1 n C i j x i - x ¯ x j - x ¯ ∑ i = 1 n ∑ j = 1 n C i j ∑ i = 1 n x i - x ¯ 2
式中：n为研究区域内住宅样点个数;xi和xj分别为住宅样点i和j的住宅价格; x -为研究区域内所有住宅样点的平均价格;Cij为空间权重。
双变量局部空间自相关(Bivariate Local Moran′s I)的表达式为[34]：
I i = z i ∑ j = 1 n w i j z j
式中：Ii为空间单元i的夜间灯光辐射亮度变化值和住宅价格水平之间的局部关联性;zi是空间单元i夜间灯光辐射亮度变化值的方差标准化值,zj是空间单元j住宅价格的方差标准化值;wij为空间权重;n为研究区域内空间单元个数。

2.3.2 Kriging空间插值

Kriging空间插值是在观测数据满足具有空间相关性的前提和考虑邻近点与待估点位置与相关性的基础上,利用半方差函数对观测半径范围内待估点的权系数进行估计。根据数据特征与研究条件,本文选取Ordinary Kriging插值法,计算公式为[35]：
Z s 0 = ∑ i = 1 n λ i Z ( s i )
式中：n为研究区域内住宅样点个数;si为住宅样点i的空间位置,Z(si)为该位置样点i的住宅价格;Z(s0)为未知点s0处住宅价格的估计值;λi为待求权系数。

2.3.3 多尺度地理加权回归模型

鉴于鹤岗市住宅价格具有明显的空间差异,同时受到多种微观因素的影响,本文采用多尺度地理加权回归(multiscale geographically weighted regression,MGWR)模型探究住宅价格影响因素作用的空间异质性,其表达式为[24]：
x i = ∑ j = 1 k β b w j u i , v i m i j + ε i
式中：xi为住宅样点i的住宅价格;(ui, vi)为住宅样点i的空间坐标;bwj代表第j个解释变量回归系数使用的带宽;βbwj(ui, vi)为i点上第j个解释变量的回归参数;mij为第j个解释变量在i点上的具体数值;k为解释变量个数;εi为随机误差项。

3 鹤岗市城市收缩与住宅价格空间分异格局

3.1 城市收缩特征与格局

城市发展水平是住宅价格水平的基础,城市发展的增长与收缩状态差异推动城市空间结构调整。借鉴已有文献[6,36],以夜间灯光辐射亮度值的空间变化为依据判断城市内部区域增长与收缩状态。2013—2019年研究区域内近一半(44.7%)范围的灯光亮度值出现了下降,不同发展类型区域的空间分布特征如图3所示,辐射亮度变化值为正则可判定为增长型区域,为负则为收缩区域。
图3 2013—2019年鹤岗市夜间灯光辐射亮度值变化

Fig.3 Variation of nighttime light intensity in Hegang City during 2013-2019

城市内各个辖区均存在不同范围、不同程度的收缩现象,整体呈“穿孔型”空间模式。增长型区域普遍呈弱增长发展态势,仅城市核心区——向阳区和工农区内的小范围区域发展势头良好。南山区、兴安区、东山区、兴山区这4个外围工矿型辖区,尤其是核心区邻近区域收缩态势较为严峻,社会经济活动较活跃的区域出现萎缩。在增长与收缩空间并存的发展状态下,区域间发展差距进一步扩大,城市空间的核心—外围结构凸显。

3.2 住宅价格空间分异格局

3.2.1 住宅小区样点空间分布

2019年研究区域内有效住宅样点空间分布情况如图4所示。由于城市发展规模小且长期处于收缩状态,鹤岗市住宅市场规模较小,住宅价格整体偏低。从城市内部看,受狭长形建成区与发展中心偏北的影响,研究区内南北部住宅市场发展不均衡。核心区社会资源丰富、配套设施齐全,是房地产开发投资的热点区域。外围工矿型辖区收缩态势严重,区域内废弃厂区、空置建筑与土地较多,居住空间零散分布,住宅密度小,从中获取的有效住宅样点数较少。住宅小区的空间密度与分布特征一定程度上反映着不同区域增长与收缩情况。
图4 鹤岗市住宅样点空间分布

Fig.4 Spatial distribution of sample points of residential quarters in Hegang City

3.2.2 住宅价格空间分异特征

根据全局空间自相关分析,研究区内住宅价格的Moran′s I为0.377,在1%水平下显著,表明住宅价格分布呈现出空间集聚性特征,剔除异常值后对住宅价格进行Kriging空间插值(图5)。
图5 鹤岗市住宅价格空间分异

Fig.5 Spatial differentiation of housing prices in Hegang City

研究区域住宅价格分布呈多中心组团的圈层模式,整体上“北高南低、东西对称”。住宅价格由中心向外衰减,北部区域住宅价格变化速率大,变化规律复杂,向北呈波动下降的趋势;衰减速率向南则随着距中心距离的增加而减小,住宅价格变化趋缓。东西方向住宅价格变化呈对称衰减态势,住宅价格的下降趋势较南北方向更明显。
住宅价格高值区分布于核心区增长型区域内,主中心位于工农区鹤岗市第一中学北侧、文化广场附近;次中心位于向阳区鹤岗市政府南侧、振兴广场附近。2个高值中心邻近但空间分异明显。外围工矿型辖区收缩程度较高,住宅价格整体偏低且变化幅度较小,与区域内缺少成规模的居住区、住宅样点少且分布稀疏有关。
总体上,鹤岗市住宅价格高值中心规模小,低值圈层住宅价格趋于稳定、分布范围较广。受区域发展基础与城市收缩的影响,原8大煤矿所在的4个工矿型辖区与2个核心辖区之间发展不协调,中等水平住宅价格圈层覆盖范围小,未能在高、低值圈层间起到良好的衔接与过渡作用。外围区域缺少有力的增长极带动,加之核心住宅市场规模小,难以辐射全域住宅市场发展,中高水平住宅价格圈层向低值区扩散程度弱,住宅价格空间分布相对失衡。

4 收缩背景下鹤岗市住宅价格分异的影响机制

由于城市增长与收缩状态不同,城市内部各区域经济、人口、政策等宏观因素存在显著差异,引起住宅价格在空间上的波动,居住环境、公共服务等各类微观因素对增长和收缩区域住宅价格的作用效果也呈现出差异性。基于鹤岗市空间收缩特征,本文从宏观与微观、定性与定量相结合的角度分析不同区域住宅价格变化的影响因素,以全面总结收缩背景下住宅价格空间分异作用机制。

4.1 城市收缩对住宅价格分异的作用

分析城市内部不同区域发展状态与住宅价格水平的空间相关性,进一步探讨宏观经济社会条件差异对住宅价格分异的作用。运用GeoDa软件,对夜间灯光辐射亮度变化值与住宅价格做双变量空间自相关分析,Moran′s I为0.173,两者在1%显著性水平下呈正向空间自相关,局部空间聚类关系如图6所示。
图6 鹤岗市夜间灯光辐射亮度变化值与住宅价格空间聚类

Fig.6 Spatial clustering of variation of nighttime light intensity and housing prices in Hegang City

夜间灯光辐射亮度变化值与住宅价格的高—高集聚区主要分布在核心区增长型区域。核心区经济韧性与活力强,发展势头良好,促进了劳动力、资本、技术等生产要素流动与集聚,形成住宅增量市场,住宅小区分布密度与均价较高,与外围地区形成明显分异。核心区内部的人口收缩程度具有差异。根据第六、七次全国人口普查数据,向阳区常住人口减少逾30%,老龄化程度严重,住宅价格上行压力大,与人口轻度收缩的工农区相比,形成的住宅价格高值中心较弱。
低—低集聚区和高—低集聚区均分布在研究区域南部,包含兴安区和南山区南部。兴安区内区域多呈弱增长或弱收缩状态,经济基础薄弱且发展后劲不足,住宅价格水平较低;南山区南部收缩严重,住宅价格呈现低值愈低的态势。低—高集聚区主要分布在核心区边缘及其北部兴山区、东山区,由于该类区域发展基础较好,住宅价格水平相对较高,但在区域发展停滞或收缩程度深的态势下,该类区域的住宅价格增长乏力,与高值中心存在较大差距。受收缩空间分布影响,住宅价格在外围区域分异程度较弱,分异格局的核心—外围结构明显。
依据理论框架中归纳的影响因素,其背后的作用因素可总结为以下几点：① 上述工矿型辖区均因煤炭开采而立而兴,随着国有煤矿效益下滑与主要工业品市场萎缩,经济发展态势严峻,房地产业和关联行业发展受阻,住宅市场低迷。② 煤炭产业进入衰退期后相关行业失业率上升,收入下降,区域间居民收入水平差距变大,居住消费产生差异,推动住宅价格空间分异。③ 人才和劳动力流动频繁或大量外迁,人口密度分布发生改变,各市辖区年末人口连续数年呈负增长状态,老龄化率显著上升,东山区、兴山区的老龄化程度尤为严重,购房需求弱,区域内居住空间布局分散,住宅价格水平较低且变化速率小。④ 棚户区改造工程大力推进,大量保障性住房建设影响了住宅市场有效需求,区域间住宅市场供需规模差异强化了住宅价格空间分异。大陆南小区、光宇小区、松鹤小区等保障性住房小区主要分布在外围工矿型辖区内,易形成价格洼地,推动了低价圈层范围扩大与圈层间的分化。

4.2 住宅价格空间分异微观机制

住宅小区的地理区位、居住环境和公共配套设施是影响住宅价格的重要微观因素,反映着居民的居住需求与偏好。本文定量分析各类微观因素对增长和收缩区域住宅价格的作用方向与影响程度差异,进一步在微观层面解释城市内部区域发展状态与住宅价格水平的空间匹配关系。

4.2.1 变量选取与模型分析

由于鹤岗市住宅小区建筑特征数据可获得性差,影响因素的选取着眼于房地产开发考虑的区位条件和不同消费群体的生活需求与购房偏好。从区位条件、公共服务和周边环境3个层面,选取主要道路、政府机构、公园广场、幼儿园、中小学、综合医院、高校职校、景观场馆、企业工厂9个因素进行量化与分析(表2)。
表2 住宅价格影响因素量化

Tab.2 Quantification of influencing factors of housing prices

因素类型 影响因素 因素选取与量化
区位条件 主要道路 样点距研究范围内高速公路和一级至四级公路的最近距离
政府机构 样点距市、市辖区人民政府与街道办事处的最近距离
公共服务 公园广场 样点距开放式公园广场的最近距离
幼儿园 样点距幼儿园的最近距离
中小学 样点半径500 m内中小学校个数
综合医院 样点半径500 m内一级及以上综合医院个数
周边环境 高校职校 样点距成人高等学校、中高等职业学校的最近距离
景观场馆 样点距风景区、宗教建筑、公共文化场馆的最近距离
企业工厂 样点半径500 m内与煤炭产业、建材工业相关企业工厂个数
首先利用普通最小二乘法(OLS)构建线性回归模型,选取其中回归系数通过了显著性检验的6个解释变量重新构建回归模型,主要道路、幼儿园、中小学设施的可达性对住宅价格变化的影响不显著;回归模型拟合系数R2为0.487,调整后R2为0.472,AICc值为3230.50,结果如表3所示。
表3 鹤岗市住宅价格影响因素普通最小二乘法(OLS)回归结果

Tab.3 Ordinary least squares (OLS) regression results of influencing factors of housing prices in Hegang City

变量 回归系数 标准误差 t统计量 P值 VIF
政府机构 -0.367*** 0.069 -5.316 <0.001 1.325
公园广场 -0.305*** 0.076 -4.029 <0.001 1.470
综合医院 63.497*** 22.575 2.813 0.005 1.493
高校职校 -0.275*** 0.038 -7.316 <0.001 1.073
景观场馆 0.159** 0.078 2.047 0.042 1.265
企业工厂 -47.585** 21.062 -2.259 0.025 1.178

注：***、**分别表示P<0.01、P<0.05。

由于各因素对住宅价格的影响具有空间异质性,本文通过构建住宅价格的MGWR模型进行深入分析。模型的R2为0.569,调整后R2为0.532,AICc值为466.558,拟合结果更优。为了直观地显示各影响因素对住宅价格的空间作用差异,利用ArcGIS以住宅样点为基础构建泰森多边形,对各变量的回归系数进行可视化(图7)。正向因素对住宅价格提高有积极影响,即住宅小区距该类设施样点越近、固定范围内设施样点数越多,住宅价格越高;负向因素反之。
图7 鹤岗市住宅价格影响因素回归系数

Fig.7 Regression coefficients of influencing factors of housing prices in Hegang City

4.2.2 住宅价格空间分异机制

住宅样点距政府机构越近,住宅价格越高,该因素对增长型区域影响程度更高。图7a中政府机构为市(区)人民政府和街道办事处,代表区域发展中心。样点附近交通便捷,治安稳定,居民生活便利。加之北部增长型区域受该因素影响显著,住宅市场中心化发展和高水平住宅价格小区集聚倾向更强。兴安区发展中心附近也存在一定范围的较高住宅价格圈层,但因发展基础薄弱,发展驱动力不足,没有形成成熟的圈层结构。
公园广场对周边住宅价格有积极影响(图7b)。开放式公园和广场是居民娱乐休闲的公共场所和社会活动的重要空间。该因素作用强度整体北高南低,振兴广场、国家矿山公园等公园广场大多分布在研究区域北部,促进居民生活质量提高与住宅价格增长。向阳区、东山区、兴山区的老龄化程度较高,使得北部收缩区域老龄人口对休闲场所的需求更强,强化了该因素的作用效果。兴安区内广场因周边生产要素活跃度低、住宅样点分布稀疏而对住宅价格的影响较弱。
综合医院对周边住宅价格增长有积极效应(图7c)。城市收缩背景下,人口老龄化现象严重,居住区周边医疗卫生服务水平是居民住房选择所考虑的重要条件之一,反映居民对健康生活的追求。鹤岗市人民医院、鹤岗矿业集团总医院等三级高水平医院大多分布在研究区域北部,对发展水平较高的核心区及老龄化程度较高的北部收缩区域住宅价格的正向影响更强。南部南山区、兴安区内的综合医院数量少,较低的医疗服务水平对住宅价格影响程度相对较弱。
高校职校、人文景观和文化场馆的分布对住宅价格的作用效果受区域增长或收缩态势的影响不明显。高校职校大多分布在工农区城市主干路附近(图7d),样点周边生活配套设施齐全,文化环境良好,对住宅价格有较强正向作用,影响强度向南北两侧随设施样点可达性减弱而降低。住宅价格与距人文景观、文化场馆的距离整体呈正相关,小范围区域为负相关(图7e)。以宗教建筑为主的文化景观和美术馆、科技馆等文化场馆的分布未对住宅价格产生明显正向作用,部分样点周边住宅区密度低,较差的区位条件弱化其景观功能与文化功能产生的积极效应,甚至对住宅价格产生负向影响。
企业工厂对周边住宅价格存在负向影响(图7f)。鹤岗为资源型工业城市,研究区域内煤炭产业、建材工业相关的理石厂、选煤厂等数量众多。随着城市收缩与产业衰退,企业工厂产生的吸纳就业、财政收入等社会效益减弱,对居住环境的负面影响突出。工农区增长型区域内住宅小区和企业工厂密度较大,居民对居住环境条件要求更高,住宅价格对企业工厂的分布更敏感。南部居住密度较低,该因素的影响程度减弱。企业工厂样点的集聚分布使高值区住宅价格产生波动,并推动收缩区域住宅价格进一步降低。
不同类型设施分布存在一定的空间联系,各类设施交互影响,共同作用于区域内住宅价格变化。公园广场、综合医院等休闲、医疗设施分布和周边环境类因素对住宅价格空间分异的影响比幼儿园、中小学这类教育设施更显著,在一定程度上反映出鹤岗市居民对生活质量的追求强于对教育资源的需求。发展中心的集聚作用差异、公共服务设施的可达性与服务水平差异、住宅小区周边文化环境与生态环境差异是使得核心区增长型区域住宅价格高于外围区、北部收缩区域住宅价格高于南部收缩区域的重要原因。
综上所述,鹤岗市住宅价格空间分异是宏观环境和微观因素交互作用的结果(图8)。由于不同发展态势区域的人口、居民收入变化和保障房建造数量等因素不同,使得住宅市场发展状态和供求非均衡性存在差异,从而影响区域住宅价格变化与分异。同时,收缩城市特有的经济社会特征凸显着不同区域人群的居住需求。在人口老龄化程度加深的情况下,居民对休闲、医疗等公共服务设施的需求加强,但由于公共资源空间配置不均衡,研究区域北部设施样点综合服务水平较高,对核心区及北部收缩区域住宅价格的正向作用更强。随着重工业发展过程中城市环境恶化与城市收缩过程中废弃建筑增多,居民追求更高质量的居住环境,企业工厂对周边住宅价格的负向影响凸显。
图8 收缩背景下鹤岗市住宅价格空间分异的影响机制

Fig.8 Mechanism of influence of spatial differentiation of housing prices in Hegang City with urban shrinkage

5 结论与讨论

5.1 结论

本文结合城市内部区域增长与收缩态势的空间差异,总结鹤岗市住宅价格的空间分异格局,从不同区域经济社会特征与住宅小区周边设施分布等视角探讨其影响机制,结论如下：
(1) 鹤岗市住宅价格整体呈圈层模式分布。住宅价格高值区小规模集聚分布于核心区增长型区域内,且高值中心与次中心分异明显,中高值圈层扩散范围小。外围工矿型辖区收缩情况相对严重,整体住宅价格低、变化弱、无中心,住宅价格分异格局的核心—外围结构明显,空间非均衡性显著。
(2) 城市收缩影响着城市空间结构,也推动着住宅价格空间分异。由于城市内部空间增长、收缩态势和经济社会条件不同,经济结构脆弱、收入水平差距、人口收缩与老龄化、保障房建设等宏观因素强化了核心辖区之间、核心区与外围工矿型辖区之间的住宅价格分异,影响着总体空间格局。
(3) 各类设施的非均衡布局对不同发展态势区域住宅价格的作用程度不同,影响着核心区与外围区、北部与南部收缩区域的住宅价格差异。发展中心的区位优势对增长型区域住宅价格的正向作用更强;较高的公共服务可达性对核心区和北部收缩区域住宅价格增长有显著积极影响;企业工厂的密集分布对增长型区域住宅价格有更强的负向作用。

5.2 讨论

目前收缩城市住宅价格问题还未形成完整的研究体系,已有研究多从宏观视角出发探讨收缩城市房价的影响因素,重点围绕人口、经济、产业等典型要素分别展开论述,缺乏对收缩城市内部住宅价格空间分异特征的阐释。本文从宏观与微观双重视角出发综合分析了不同收缩程度区域宏观环境差异和微观设施布局对住宅价格空间分异的影响,探讨了城市收缩对住宅价格空间分异的作用,并关注收缩背景下住宅市场发展中心化或极化现象和公共资源空间配置不均衡问题,进一步深化对收缩城市及住宅价格问题的研究和探索,为该领域提供了新的研究视角和案例城市参考。住宅价格问题既是收缩城市的经济问题,也是民生问题。本文通过对居民生活密切相关的各类设施量化分析,补充了收缩城市住宅价格的微观空间尺度研究,以期引发对超低房价背景下如何改善收缩城市人居环境、提高居民生活质量等更深层次问题的关注。
从增长与收缩城市的对比角度来看,增长型城市高值住宅价格集聚规模较大,且中高值住宅价格圈层分布范围较广,有向外围蔓延扩散的态势,不同水平住宅价格圈层在各区域不断发展的过程中走向融合[20,24,37]。收缩城市住宅价格空间分异特征受到城市收缩空间模式的影响。鹤岗市核心区的收缩推动了高值住宅价格小区向更小范围的中心区域集聚,核心与外围区域的收缩程度差异使得住宅价格高值区与低值区的空间分异现象加剧。收缩背景下人口结构与居住环境的改变会影响微观因素对住宅价格的作用方向与强度,但对生活环境的要求与对高质量生活的追求依然是城市内收缩区域居民住房选择考虑的重要条件。
受数据资料限制,研究缺少住宅样点均价的时间序列数据,难以基于城市收缩轨迹来分析鹤岗市住宅价格的时空演变情况。未来拟通过持续收集不同时期收缩城市的住宅价格等微观数据,并结合可获得性、可用性较高的大数据来量化探讨收缩城市住宅价格时空动态演变的影响机制。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘振, 戚伟, 齐宏纲, 等. 多时期演变视角下中国人口收缩区的识别、空间特征与成因类型分析[J]. 地理科学进展, 2021, 40(3): 357-369.

DOI

[ Liu Zhen, Qi Wei, Qi Honggang, et al. Spatial distribution of population decline areas in China and underlying causes from a multi-periodical perspective. Progress in Geography, 2021, 40(3): 357-369. ]

DOI

[2]
高舒琦, 龙瀛. 东北地区收缩城市的识别分析及规划应对[J]. 规划师, 2017, 33(1): 26-32.

[ Gao Shuqi, Long Ying. Distinguishing and planning shrinking cities in Northeast China. Planners, 2017, 33(1): 26-32. ]

[3]
Häußermann H, Siebel W. Die schrumpfende stadt und die stadtsoziologie[M]// Friedrichs J. Soziologische Stadtforschung. Wiesbaden, Germany: VS Verlag für Sozialwissenschaften, 1988: 78-94.

[4]
Oswalt P, Rieniets T. Atlas of shrinking cities[M]. Ostfildern, Germany: Hatje Cants, 2006: 2-11.

[5]
Martinez-Fernandez C, Audirac I, Fol S, et al. Shrinking cities: Urban challenges of globalization[J]. International Journal of Urban and Regional Research, 2012, 36(2): 213-225.

PMID

[6]
杜志威, 李郇. 珠三角快速城镇化地区发展的增长与收缩新现象[J]. 地理学报, 2017, 72(10): 1800-1811.

DOI

[ Du Zhiwei, Li Xun. Growth or shrinkage: New phenomena of regional development in the rapidly-urbanising Pearl River Delta. Acta Geographica Sinica, 2017, 72(10): 1800-1811. ]

DOI

[7]
Lee J, Newman G. Forecasting urban vacancy dynamics in a shrinking city: A land transformation model[J]. ISPRS International Journal of Geo-Information, 2017, 6(4): 124. doi: 10.3390/ijgi6040124.

DOI

[8]
Nelle A B. Tackling human capital loss in shrinking cities: Urban development and secondary school improvement in Eastern Germany[J]. European Planning Studies, 2016, 24(5): 865-883.

DOI

[9]
张明斗, 曲峻熙. 城市收缩对经济发展的影响研究[J]. 城市发展研究, 2020, 27(5): 50-57.

[ Zhang Mingdou, Qu Junxi. Study on the impact of urban shrinkage on economic development: "Facilitate" or "hinder"? Urban Development Studies, 2020, 27(5): 50-57. ]

[10]
Haase D, Lautenbach S, Seppelt R. Modeling and simulating residential mobility in a shrinking city using an agent-based approach[J]. Environmental Modelling & Software, 2010, 25(10): 1225-1240.

[11]
Barreira A P, Nunes L C, Guimarães M H, et al. Satisfied but thinking about leaving: The reasons behind residential satisfaction and residential attractiveness in shrinking Portuguese cities[J]. International Journal of Urban Sciences, 2019, 23(1): 67-87.

DOI

[12]
Jiang N, Crooks A, Wang W J, et al. Simulating urban shrinkage in Detroit via agent-based modeling[J]. Sustainability, 2021, 13(4): 2283. doi: 10.3390/su13042283.

DOI

[13]
Seymour E, Endsley K A, Franklin R S. Differential drivers of rent burden in growing and shrinking cities[J]. Applied Geography, 2020, 125: 102302. doi: 10.1016/j.apgeog.2020.102302.

DOI

[14]
湛东升, 吴倩倩, 余建辉, 等. 中国资源型城市房价时空变化与影响因素分析[J]. 自然资源学报, 2020, 35(12): 2888-2900.

[ Zhan Dongsheng, Wu Qianqian, Yu Jianhui, et al. Spatiotemporal change and influencing factors of resource-based cities' housing prices in China. Journal of Natural Resources, 2020, 35(12): 2888-2900. ]

DOI

[15]
Glaeser E L, Gyourko J. Urban decline and durable housing[J]. Journal of Political Economy, 2005, 113(2): 345-375.

DOI

[16]
Feng Y L, Kim T, Lee D C. Housing price and population changes: Growing vs shrinking cities[J]. Accounting and Finance Research, 2018, 7(4): 59-65.

DOI

[17]
王洁, 叶剑平. 产业衰退型收缩城市人口与住宅市场分析: 基于东莞市的数据分析[J]. 城市问题, 2020(6): 56-63.

[ Wang Jie, Ye Jianping. Population and housing market in shrinking cities with declining industries: Based on analysis in Dongguan City. Urban Problems, 2020(6): 56-63. ]

[18]
Noh Y, Newman G, Lee R J. Urban decline and residential preference: The effect of vacant lots on housing premiums[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 48(6): 1667-1683.

DOI

[19]
王芳, 高晓路, 颜秉秋. 基于住宅价格的北京城市空间结构研究[J]. 地理科学进展, 2014, 33(10): 1322-1331.

DOI

[ Wang Fang, Gao Xiaolu, Yan Bingqiu. Research on urban spatial structure in Beijing based on housing prices. Progress in Geography, 2014, 33(10): 1322-1331. ]

DOI

[20]
卢新海, 蔡大伟, 曾晨. 基于空间分位数模型的住宅价格分异的影响因素研究: 以武汉市为例[J]. 地理科学进展, 2021, 40(2): 283-292.

DOI

[ Lu Xinhai, Cai Dawei, Zeng Chen. Influencing factors of housing price differentiation based on the spatial quantile model: A case study of Wuhan City. Progress in Geography, 2021, 40(2): 283-292. ]

DOI

[21]
Helbich M, Jochem A, Mücke W, et al. Boosting the predictive accuracy of urban hedonic house price models through airborne laser scanning[J]. Computers, Environment and Urban Systems, 2013, 39: 81-92.

DOI

[22]
Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265.

DOI

[23]
Yu H C, Fotheringham A S, Li Z Q, et al. Inference in multiscale geographically weighted regression[J]. Geographical Analysis, 2020, 52(1): 87-106.

DOI

[24]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制: 基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3): 75-83.

[ Shen Tiyan, Yu Hanchen, Zhou Lin, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: Scale law of spatial heterogeneity. Economic Geography, 2020, 40(3): 75-83. ]

[25]
周恺, 涂婳, 戴燕归. 国土空间规划下城市收缩与复兴中的空间形态调整[J]. 经济地理, 2021, 41(4): 212-220.

[ Zhou Kai, Tu Hua, Dai Yangui. Spatial adjustment of shrinking cities in the territorial spatial planning. Economic Geography, 2021, 41(4): 212-220. ]

[26]
刘嘉毅, 陶婷芳, 夏鑫. 产业结构变迁与住宅价格关系实证研究: 来自中国内地的经验分析[J]. 财经研究, 2014, 40(3): 73-84.

[ Liu Jiayi, Tao Tingfang, Xia Xin. Empirical study of the relationship between industrial structure change and housing prices: Evidence from the Chinese mainland. Journal of Finance and Economics, 2014, 40(3): 73-84. ]

[27]
周建军, 王英杰, 张曼. 经济集聚、人口流动与住宅价格空间溢出效应研究[J]. 财经理论与实践, 2021, 42(1): 102-108.

[ Zhou Jianjun, Wang Yingjie, Zhang Man. Research on economic agglomeration, population mobility and spatial spillover effect of housing prices. The Theory and Practice of Finance and Economics, 2021, 42(1): 102-108. ]

[28]
成德宁, 卢翊鸥. 人口年龄结构、住房价格与土地财政的可持续性[J]. 经济问题探索, 2021(7): 1-9.

[ Cheng Dening, Lu Yi'ou. Population age structure, housing price and sustainability of land finance. Inquiry into Economic Issues, 2021(7): 1-9. ]

[29]
袁东, 何秋谷, 赵波. 房价变动的影响因素研究: 一个文献综述[J]. 经济与管理研究, 2016, 37(3): 77-85.

[ Yuan Dong, He Qiugu, Zhao Bo. The determinants of house price: Literature review. Research on Economics and Management, 2016, 37(3): 77-85. ]

[30]
Jiang Z D, Zhai W X, Meng X F, et al. Identifying shrinking cities with NPP-VIIRS nightlight data in China[J]. Journal of Urban Planning and Development, 2020, 146(4): 04020034. doi: 10.1061/(ASCE)UP.1943-5444.0000598.

DOI

[31]
Zhou Y, Li C G, Zheng W S, et al. Identification of urban shrinkage using NPP-VIIRS nighttime light data at the county level in China[J]. Cities, 2021, 118: 103373. doi: 10.1016/j.cities.2021.103373.

DOI

[32]
Chen Z Q, Yu B L, Yang C S, et al. An extended time series (2000-2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data, 2021, 13(3): 889-906.

DOI

[33]
张松林, 张昆. 全局空间自相关Moran指数和G系数对比研究[J]. 中山大学学报(自然科学版), 2007, 46(4): 93-97.

[ Zhang Songlin, Zhang Kun. Comparison between general Moran's index and Getis-Ord general G of spatial autocorrelation. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2007, 46(4): 93-97. ]

[34]
Anselin L, Syabri I, Smirnov O. Visualizing multivariate spatial correlation with dynamically linked windows[C]// Anselin L, Rey S. New tools for spatial data analysis:Proceedings of the specialist meeting. Santa Barbara, USA: Center for Spatially Integrated Social Science, University of California, 2002.

[35]
靳国栋, 刘衍聪, 牛文杰. 距离加权反比插值法和克里金插值法的比较[J]. 长春工业大学学报(自然科学版), 2003, 24(3): 53-57.

[ Jin Guodong, Liu Yancong, Niu Wenjie. Comparison between inverse distance weighting method and Kriging. Journal of Changchun University of Technology, 2003, 24(3): 53-57. ]

[36]
李郇, 李先锋, 邓嘉怡. 产权视角下中国快速城镇化地区的增长与收缩: 以珠江三角洲东莞市为例[J]. 热带地理, 2019, 39(1): 1-10.

[ Li Xun, Li Xianfeng, Deng Jia-yi. The growth and shrinkage of China's rapidly urbanizing areas from the perspective of property rights: A case study of Dongguan. Tropical Geography, 2019, 39(1): 1-10. ]

[37]
张哲源, 王秀丽, 李恒凯. 中小城市住宅价格空间分布及影响因素分析: 以赣州市为例[J]. 测绘科学, 2020, 45(6): 172-179.

[ Zhang Zheyuan, Wang Xiuli, Li Hengkai. Spatial distribution of residential price in small and medium-sized cities and its influencing factors: A case study of Ganzhou City. Science of Surveying and Mapping, 2020, 45(6): 172-179. ]

Options
文章导航

/

〈 〉