EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 8: 1496 - 1512

DOI: https://doi.org/10.18306/dlkxjz.2024.08.003

研究论文

多层级公共服务供给对大城市租房群体居住分异的影响——基于北京市的实证研究

  • 申犁帆 , 1 ,
  • 龙雨 1 ,
  • 夏菁 , 2, 3, * ,
  • 张纯 4
展开
  • 1.北京邮电大学经济管理学院，北京 100876
  • 2.合肥工业大学建筑与艺术学院，合肥 230601
  • 3.安徽省城市风貌与空间环境更新技术工程研究中心，合肥 230601
  • 4.北京交通大学建筑与艺术学院，北京 100091
* 夏菁(1990— )，女，安徽无为人，博士，讲师，主要研究方向为大城市土地利用、弱势群体居住。E-mail:

申犁帆(1987— )，男，北京人，博士，讲师，硕士生导师，主要研究方向为智慧城市治理、大城市居民出行行为、职住关系、就业可达性、居住选择。E-mail:

收稿日期: 2024-03-12

  修回日期: 2024-06-03

  网络出版日期: 2024-08-22

基金资助

国家自然科学基金项目(52108056)

教育部人文社会科学研究项目(23YJCZH245)

中央高校基本科研业务费专项(2024RC14)

中央高校基本科研业务费专项(JZ2023HGTA0189)

收起

The impact of multi-level public service provisions on tenant group’s residential segregation in mega cities:Empirical evidence from Beijing

  • SHEN Lifan , 1 ,
  • LONG Yu 1 ,
  • XIA Jing , 2, 3, * ,
  • ZHANG Chun 4
Expand
  • 1. School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing 100876, China
  • 2. College of Architecture and Art, Hefei University of Technology, Hefei 230601, China
  • 3. Engineering Research Center for Urban Landscape and Spatial Environment Renewal of Anhui Province, Hefei 230601, China
  • 4. School of Architecture and Design, Beijing Jiaotong University, Beijing 100091, China

Received date: 2024-03-12

  Revised date: 2024-06-03

  Online published: 2024-08-22

Supported by

National Natural Science Foundation of China(52108056)

The Humanities and Social Sciences Program of the Ministry of Education(23YJCZH245)

The Fundamental Research Funds for the Central Universities(2024RC14)

The Fundamental Research Funds for the Central Universities(JZ2023HGTA0189)

Fold

摘要

居住空间分异是城市内部公共资源非均衡配置的市场化表现。但长期以来，学界对租房群体租住空间居住分异关注不够。事实上，租住作为大城市外来人口与青年群体的重要居住方式，其在空间上的分异所反映出的空间剥夺、空间排斥以及不同社会经济阶层间的隔阂等问题可能会阻碍大城市公共服务均等化的推进。论文以北京市10个核心行政区作为实证案例，将各类公共服务设施按服务范围分为本地层级和区域层级，利用空间滞后模型分别分析了两个层级的公共服务供给对租房群体居住分异的影响。研究发现：① 研究范围内相当一部分街道/乡镇存在严重的居住分异。② 租金水平和租房群体居住分异在空间分布特征上显著不同。租金水平呈现由中心向外逐渐递减的圈层状分布，租房群体居住分异指数则呈“内高—中低—外高”的夹心状分布。③ 不同层级公共服务设施对于租房群体居住分异的影响存在较大差异。本地层级公共服务中，幼儿园密度、轨道站点可达性与租房群体居住分异存在负相关性，而中学密度与租房群体居住分异具有正相关性。相比之下，区域层级的体育休闲、公园广场、医疗卫生和示范性高中等4类公共服务设施密度与租房群体居住分异的关系均不显著。基于研究结论，论文针对租房群体提出了优化居住选择和公共服务供需的政策建议，为城市公共服务设施和租赁住房的空间规划合理布局提供了科学依据。

关键词： 公共服务供给; 租住房; 租金; 居住分异; 空间滞后模型; 北京市

本文引用格式

申犁帆 , 龙雨 , 夏菁 , 张纯 . 多层级公共服务供给对大城市租房群体居住分异的影响——基于北京市的实证研究[J]. 地理科学进展, 2024 , 43(8) : 1496 -1512 . DOI: 10.18306/dlkxjz.2024.08.003

Abstract

Residential segregation is the market-oriented manifestation of unbalanced urban resources allocation. Existing literature has not paid enough attention to the residential space differentiation of tenant groups. Renting as the main residential form of migrant population and young people in large cities, its spatial differentiation reflects problems such as spatial deprivation, spatial exclusion, and the disconnect between different socioeconomic classes, which may impede equal access to public services in large cities. Taking the 10 core administrative districts of Beijing as an empirical case, this study divided public service facilities into local level and district level according to the potential service catchment area, applying the spatial lag model to analyze the impact of public service provision at each level on the residential segregation of tenant groups. The findings are: 1) A significant portion of the subdistricts within the study area show significant residential segregation. 2) The spatial distribution of rent price levels and the residential segregation of rental groups are significantly different. The rent price levels are distributed in a stratified circle from the center outwards, while the residential dissimilarity index for tenants (RDIT) is distributed in a sandwich-like pattern of high in the inner city-low in the middle-high in the outer parts. 3) There are large differences in the impact of different levels of public service facilities on the residential segregation of renters. At the local level, negative correlations are observed between kindergarten density, accessibility to urban rail transit station and residential segregation among tenant groups. High school density exhibits a positive correlation with the residential segregation of tenant groups. In contrast, the relationship between the density of four public services (sports facility, park/urban square, medical facility, and top secondary school) at the district level and the residential segregation of the tenant groups is not significant. Drawing from the research results, this article proposed policy implications aimed at optimizing housing choices and addressing the supply and demand dynamics of public services for tenant groups, which provides a scientific basis for the rational distribution and spatial planning of urban public service facilities and rental housing.

Key words： supply of public services; renting; housing rent price; residential segregation; spatial lag model; Beijing

近年来，中国大城市居民中租房居住的比例越来越高。以北京市为例，2020年就有超过1/3的常住居民选择租房居住[1]。2023年，一线城市和新一线城市的一居室、两居室租房成交量同比分别上涨了16%和21%，其中北京、上海、广州、深圳等4个超大型城市中的租房人口规模已达到4000万人[2]。以非本地户籍的流动人口、新市民和青年人为主的租房群体，为中国城镇化发展和城市经济增长所必需的劳动力和人才集聚做出了巨大贡献[3]。长期以来，权力关系和社会阶层嵌入到了中国的城市空间当中。公共服务获取水平的差异取决于居民所属单位的资源以及区位条件[4]。城市公共服务用地规划以及相关配套设施根据户籍人口数进行匹配供给，大量非本地户籍常住居民的公共服务需求被忽视[5]。尽管近年来各地编制的国土空间规划逐渐基于常住人口进行公共服务设施配置，但缺少对不同群体实际需求差异的精细化审视。另外，依照空间生产和级差地租等相关理论，公共服务资源中的优质教育[6]、便利交通[7-8]、稀缺景观[7]等对房价或租金的溢价效应，导致了城市内部的空间排斥并造成不同群体间的居住分异[9-10]。居住分异或居住隔离(residential segregation)是指基于种族、民族、收入或社会阶层等作为划分标准的不同群体，随着社会经济发展所形成的同类聚居的空间现象[11⇓-13]，并在近些年越来越多地呈现出以收入或经济水平作为区隔因素的趋势[4,14]。同样地，中国城市内部居住分异现象的成因也由最初的社会身份(单位制)差异转变为现在的经济收入差距[15]。作为城市发展过程中的一种常态化外在表现，居住空间分异反映出的对大城市内部公共资源和机会的空间剥夺、空间排斥以及不同社会经济阶层间的隔阂等内在驱动机制应当引起更多的关注和研究[7,16]。
随着多主体供给、多渠道保障、“租购并举”住房政策的实施，越来越多的学者开始关注大城市中租房群体的居住问题[17-18]，尤其探讨了各类公共服务设施供给对租房群体居住选择及居住成本的影响[19⇓-21]。具体地，以本地户籍居民为主的购房群体和以流动人口、新市民以及青年人为代表的租房群体对于公共服务的需求偏好不同，公共服务供给对二者居住选择的影响存在显著差异性[6,22-23]。同时，以往研究中关于公共服务供给对租房群体居住选择的影响结论也存在一定分歧[24⇓-26]。不少学者发现租房群体对于租金价格非常敏感，对于住房租金的可负担性受到其收入水平的显著影响[27-28]。然而，对于租房群体内部的居住分异及其居住偏好差异背后的作用机制尚缺乏深入细致的研究[29]。在北京、上海等大都市的租房居民中有不少并非是低收入的弱势群体，其中有相当一部分是为了邻近就业地或子女上学陪读而将自有住房出租后另外租房居住[30]。也就是说，对于这类居民，租房居住是其多选项下的最优决定而非迫不得已的选择。另外值得一提的是，相关研究中对于公共服务设施大多是按照国家建设用地标准进行分类。然而，在该分类标准下同属一类的公共服务设施在功能内容、受众群体、服务范围等方面可能存在较大的层次性差异。忽视这种差异性则会导致其对居民的居住选择和居住成本的影响结果不一致，进而无法有效支持公共服务设施规划及相关住房政策的制定[31]。
综上所述，本文提出以下研究问题：大城市租房群体内部是否存在居住空间分异?各类公共服务供给是否会对该群体的居住分异产生影响?基于服务范围划分的不同层级公共服务是否会对大城市租房群体的居住分异产生差异性影响?本文以北京市10个核心行政区为例，综合利用双变量莫兰指数和空间滞后模型，研究大城市租房群体可能存在的居住空间分异特征，并分析本地层级和区域层级的各类公共服务供给对租房群体居住分异的影响差异，旨在能够更好地理解大城市租房群体居住选择以及空间分异的驱动机制，为城市公共服务和租赁住房相关的空间规划政策制定提供科学依据。

1 研究设计

1.1 研究范围和数据来源

本文的研究范围(图1)为北京市租房群体居住和日常活动较为集中的10个核心行政区(西城区、东城区、海淀区、朝阳区、石景山区、丰台区、昌平区、顺义区、大兴区、通州区)，总面积为5690 km2，占北京市域总面积的35%。根据2022年北京市统计局公布的年度人口抽样调查数据，研究范围内常住人口为1819.6万人，约占北京市常住总人口的83.3%。
图1 研究范围

Fig.1 The study area

本文的研究数据来自多方面(表1)。其中：住房租金成交价格数据来自北京交通大学北京综合交通发展研究院的智库建言《北京主副双中心的职住失衡问题及改善对策》；租住房所在小区相关信息、公共服务设施POI、商业服务设施POI均基于百度地图获取；北京市示范性高中名单通过向北京市教委申请信息公开获得；就业岗位数据和常住人口数据来自人口普查、经济普查和统计公报；土地利用现状数据来自北京市第二次地理国情普查；对自变量(各类公共服务设施)的选取主要参考以往研究[8]和本研究团队2019年收集的租房者调查问卷中关于“受访者在选择居住地时对周边设施的偏好排序”结果。本文共收集到62340条租住房样本数据，剔除缺失值、错误值和异常值样本后，最终用于分析的有效样本数据为62157条，来自190个街道/乡镇，研究范围覆盖率约为82%。
表1 主要研究数据及其来源和应用

Tab.1 Main data of the research and their sources and application

年份 数据内容 数据来源 应用
2020 北京市租住房交易数据 北京交通大学北京综合交通发展研究院 因变量
2020 北京市公共服务设施POI数据 百度地图 自变量
2021 北京市示范性高中数据 北京市教育委员会 自变量
2020 北京市商业服务设施POI数据 百度地图 控制变量
2022 北京市常住人口数据 北京市统计局年度人口抽样调查、
北京市各区国民经济和社会发展统计公报		 控制变量
2018 北京市就业岗位数据 北京市各区第四次全国经济普查数据 控制变量
2019 北京市土地利用现状数据 北京市第二次地理国情普查 控制变量

1.2 变量选择和数据预处理

1.2.1 变量选择

基于已有研究[32-33]中对公共服务设施的定义，本文选取了体育休闲、公园广场、医疗卫生、基础教育、公共交通等5类公共服务设施作为考察对象。为了区分地理邻近但辐射范围和服务能级差异的公共服务设施对租金溢价的差异化影响，本文将主要服务于住区周边集中在生活圈尺度的公共服务设施定义为本地层级公共服务，将服务于片区等更大空间范围乃至全市范围的公共服务设施定义为区域层级公共服务，本地层级和区域层级自变量见表2。此外，为了控制可能会对租房群体居住分异产生影响的其他因素，本文选取了购物中心/商场密度、超市/便利店密度、餐饮服务密度、常住人口密度、就业岗位密度、土地利用混合度、全局区位条件、局部区位条件等8个控制变量。
表2 变量类型、名称及释义

Tab.2 Summary of variables and definition

变量名称 定义和表达方式
因变量
RDIT 租房群体居住分异指数。利用式(1)计算得到
自变量
本地层级公共服务供给
sport 体育休闲设施密度。所在街道/乡镇内单位面积运动场馆数(个/km2)
park 公园广场密度。所在街道/乡镇内单位面积公园广场数(个/km2)
medic 医疗卫生设施密度。所在街道/乡镇内单位面积医院、诊所、卫生服务站、药店总数(个/km2)
kinde 幼儿园密度。所在街道/乡镇内单位面积幼儿园数(个/km2)
prima 小学密度。所在街道/乡镇内单位面积小学学校数(个/km2)
secon 中学密度。所在街道/乡镇内单位面积中学学校数(个/km2)
bus 公交车站密度。所在街道/乡镇内单位面积常规公交站点数(个/km2)
URT_access 轨道站点可达性。所在街道/乡镇内居住小区到最近轨道站点的平均步行距离(m)，利用公式(2)计算得到
区域层级公共服务供给
dis_sport 体育休闲设施密度。所在街道/乡镇内名称中带有“国际”“国家”“北京市”“行政区名称”等的大型体育休闲设施以及“滑雪场”“赛马场”“马术俱乐部”等对场地有特定要求的体育休闲设施单位面积总数(个/km2)
dis_park 公园广场密度。所在街道/乡镇内单位面积大型公园和景点总数(个/km2)
dis_medic 医疗卫生设施密度。所在街道/乡镇内单位面积二甲以上等级医院总数(个/km2)
qua_secon 示范性高中密度。所在街道/乡镇内单位面积示范性高中学校数(个/km2)
控制变量
mall 购物中心/商场密度。所在街道/乡镇内单位面积购物中心和大型商场总数(个/km2)
store 超市/便利店密度。所在街道/乡镇内单位面积超市和便利店总数(个/km2)
restau 餐饮服务密度。所在街道/乡镇内单位面积餐厅和饭店总数(个/km2)
pop 常住人口密度。所在街道/乡镇内单位面积常住人口数(人/km2)
job 就业岗位密度。单位面积内的从业人员数(人/km2)
landuse 土地利用混合度。根据已有研究，采用熵值法计算得到[34]
citycen 全局区位条件。租住小区到天安门的平均直线距离(km)
jobcen 局部区位条件。租住小区到最近典型就业中心的平均直线距离(km)。根据已有研究[35-36]，选取国贸、中关村、金融、望京、西二旗、东直门、崇文门外、展览路、宋家庄、丰台科技园等 10 个典型就业中心

1.2.2 数据预处理

(1) 居住分异指数的计算
Duncan等[37]于1955年提出了分异指数(dissimilarity index)的概念，其基本原理是计算所有考察群体在每个空间单元上的实际占比与所有考察群体在全局中占比之差的绝对值，该方法能够有效反映不同群体在居住空间上存在的分布差异且具有较强的可操作性[38-39]。本文基于所有样本的单位面积住房租金价格，利用自然断点法将其分为低租金(20~76元/m2)、中等租金(77~155元/m2)、高租金(156~492元/m2)三个档位，构建租房群体的居住分异指数(residential dissimilarity index for tenants，RDIT)并以此作为因变量：
R D I T i = 1 2 × ∑ i = 1 N r i R - o i O
式中：RDITi表示街道/街道i内租房群体的居住分异指数；ri表示街道/乡镇i内租金水平处于r区间的租房样本占比；N表示研究范围内的街道/乡镇总数，即N=190；R表示研究范围租金水平处于r区间的租房样本占比；oi表示街道/乡镇i内处于其他租金水平区间的租房样本占比；O表示研究范围内处于其他租金水平区间的租房样本占比。RDITi取值在0~1之间：当RDITi的值为0时，表明三个租金档位的租住样本在该街道/乡镇内的占比与其在整个研究范围内的分布比例一致；当RDITi的值为1时，则表明研究范围内某个租金档位的所有租住样本都位于该街道/乡镇内。
(2) 轨道站点可达性的计算
自变量“轨道站点可达性”(URT_access)用各街道/乡镇内的租住房小区与其最近轨道站点的步行距离(m)取均值表示，距离越近则轨道站点可达性越高，反之则越低。为了使分析表述的逻辑更加顺畅，本文通过取对数的方式对“轨道站点可达性”进行标准化处理：
U R T a c c e s s , i = l n D m a x , i - l n D t , i l n D m a x , i
式中：Dmax, i表示街道/乡镇i内所有租住房样本中与其最近轨道站点的最长步行距离；Dt, i表示街道/乡镇i内租住房样本t与其最近轨道站点的步行距离； U R T a c c e s s , i为街道/乡镇i的轨道站点可达性，取值在0~1之间，该值越接近于1则轨道站点可达性越高，越接近于0则轨道站点可达性越低。

1.3 研究方法和模型构建

1.3.1 双变量莫兰指数

参照以往研究[40-41]，本文利用双变量全局莫兰指数(Bivariate Moran's I，BMI)和双变量局部莫兰指数(Bivariate Local Moran's I，BLMI)检验各类公共服务供给和租房群体居住分异指数之间的空间耦合关系。BMI的具体表达式为：
B M I = ∑ i ∑ j w i j y j × x i ∑ i x i 2
式中：xi表示街道/乡镇i的居住空间分异程度；yj表示与街道/乡镇i相邻的街道/乡镇j的公共服务供给多样性；wij表示测算街道/乡镇i和j之间空间关系权重。
BLMI具体表达式为：对于空间单元i，有
B L M I i = c x i ∑ j w i j y j
式中：c为恒定的比例因子。
随后，对BMI和BLMI进行Z检验来确定结果的显著性：
Z I = I - E I V a r I , I = B M I B L M I i
式中：E(I)表示理论数学期望；Var(I)表示理论方差。若双变量莫兰指数的Z值大于1.96或小于-1.96，则表示双变量莫兰指数具有空间显著性。其中：当Z统计量大于1.96时，表明观测值在空间分布上具有显著的正相关性，即表示既定街道/乡镇内的自变量特征值与其相邻街道/乡镇内的因变量特征值存在集聚的趋势；当Z统计量小于-1.96时，表明观测值在空间分布上存在负相关，即表示既定街道/乡镇内的自变量特征值与其相邻街道/乡镇内的因变量特征值存在明显的异质性；若Z值接近理论数学期望，表明两个变量的观测值在空间上呈现随机分布，不存在空间自相关性[42]。
此外，在计算BMI和BLMI时，均采取一阶皇后邻接(queen contiguity)规则构建邻接矩阵，同时对双变量进行标准化处理，将排列数设为999。对于BLMI，在0.05的显著水平上，其结果反映的是街道/乡镇i的公共服务供给(自变量)与其相邻街道/乡镇j的租房群体居住分异(因变量)之间的局部相关性。具体分为高—高、高—低、低—高、低—低4种集聚类型。例如，高—高即表示街道/乡镇i的某类公共服务供给密度较高时，其相邻街道/乡镇j的租房群体居住分异指数也较高。

1.3.2 空间滞后模型

本文采用空间滞后模型(spatial lag model，SLM)分析变量可能存在的空间自相关或空间依赖性。SLM考虑了既定空间单元内的因变量会受到该单元的自身特征及其相邻单元特征可能存在的空间溢出效应的影响[43]。模型选择和主要计算过程如下：
首先，利用普通最小二乘法(OLS)估计受约束的模型。然后，利用全局莫兰指数(Moran's I)检验数据的空间相关性。Moran's I的取值范围为-1~1：当Moran's I>0时，表示数据存在空间正相关性，数值越大相关性越明显，即相邻街道/乡镇的RDIT数值越接近；当Moran's I<0时，表示存在空间负相关性，值越小空间差异越大，即相邻街道/乡镇的RDIT数值相差越多；当Moran's I=0时，则表示在空间上相互独立，没有相关性。Moran's I的表达式为[44]：
M o r a n ' s I = ∑ i = 1 n ∑ j = 1 n M i j R D I T i - R D I T ¯ R D I T j - R D I T ¯ T 2 ∑ i = 1 n ∑ j = 1 n M i j
其中：
T 2 = 1 n ∑ i = 1 n R D I T i - R D I T ¯ 2 , R D I T ¯ = 1 n ∑ i = 1 n R D I T i
式中：n表示研究范围内租住房样本所在的各个街道/乡镇总数，RDITi表示街道/乡镇i的租房群体居住分异指数，RDITj表示与街道/乡镇i相邻的街道/乡镇j的租房群体居住分异指数， R D I T ¯表示研究范围内所有街道/乡镇的平均租房群体居住分异指数，Mij为空间权重。
由表3和图2的结果可知，因变量租房群体的居住分异指数(RDIT)的全局莫兰指数值为0.300，Z值为15.577(大于1.96)，P值小于0.01，表示数据在空间上随机生成的概率仅为不到1%，即考察变量在空间上具有高度正相关性。OLS模型会导致较大的回归结果偏差，故应采用空间回归模型对变量之间的关系进行分析。
表3 租房群体居住分异指数的全局莫兰指数检验结果

Tab.3 Results of global Moran's I test for RDIT

因变量 Moran's I 理论数学期望E(I) 理论方差Var(I) Z值 P值
RDIT 0.300 -0.005 <0.001 15.577 <0.001***

注：*、**、***分别表示在10%、5%、1%的水平上显著。下同。

图2 租房群体居住分异指数的莫兰指数散点图

Fig.2 Scatter plot of Moran's I for RDIT

进一步地，分别采用拉格朗日乘数法(Lagrange Multiplier，LM)和稳健拉格朗日乘数法(Robust Lagrange Multiplier，Robust LM)确定具体采用的空间回归模型[45]。该方法是以OLS残差涉及空间权重矩阵的估计为基础进行检验。表4所示结果验证了数据的空间自相关特征。其中，spatial error的LM检验不显著而Robust LM检验显著，spatial lag的LM检验和Robust LM检验均显著，且两个检验指标的P值都低于spatial error。由此可知，对于本文中的样本数据，空间滞后模型(SLM)更优于空间误差模型(spatial error model，SEM)。故本文采用SLM分析各层级公共服务供给对租房群体居住分异的影响。SLM的一般形式可表达为[42]：
Y = α + ρ W Y + β X + ε
式中：α为常数项；WY表示因变量的空间滞后项；W表示元素为0、1的外生空间权重矩阵；ρ为空间自回归系数并满足 ρ ∈ - 1,1，反映相邻空间单元之间的影响程度；β表示待估计参数；ε为误差项，且服从均值为0、方差为 σ 2的正态分布，即 ε ~ N 0 , σ 2 I n。
表4 空间相关性检验

Tab.4 Results of spatial correlation test

检验类型 统计值 P值
LM (spatial lag) 3.886 0.049**
Robust LM (spatial lag) 10.439 0.001***
LM (spatial error) 0.532 0.466
Robust LM (spatial error) 7.085 0.008***

2 实证分析与讨论

2.1 描述性统计分析

如表5所示，从各变量数据的标准差可以看出，研究范围内本地层级公共服务供给中的体育休闲设施密度、医疗卫生设施密度、公交车站密度表现出存在较大的空间分布差异。相比之下，区域层级的公共服务设施分布较为均衡。
表5 主要变量的描述性统计分析结果

Tab.5 Descriptive statistics of the main variables

变量 N 均值 标准差 最小值 最大值
RDIT 190 0.688 0.244 0.130 1.000
sport 190 6.315 6.383 0 37.636
park 190 0.680 0.661 0 3.104
medic 190 7.581 7.251 0.167 35.960
kinde 190 1.707 1.462 0 7.411
prima 190 0.795 0.845 0 5.067
secon 190 0.621 0.919 0 8.444
bus 190 4.055 2.468 0.432 12.261
URT_access 190 0.347 0.082 0.089 0.486
dis_sport 190 0.343 0.568 0 5.315
dis_park 190 0.414 0.440 0 2.387
dis_medic 190 0.111 0.236 0 1.832
qua_secon 190 0.085 0.198 0 1.033
由图3可知，研究范围内各街道/乡镇的租住房样本单位面积月租金均价呈现单中心圈层状分布格局，月租金均价大致由东西城长安街以北的核心区域向外逐渐下降。从行政区看，住房月租金均价相对高值的区域主要位于西城区和东城区辖区内大部分地区、四环路沿线及以内的海淀区东南部地区、四环路沿线及以内的朝阳区西部地区。其中，住房月租金均价最高的街道包括海淀区的清华园街道，西城区的什刹海街道和西长安街街道，东城区的安定门街道、北新桥街道、东四街道、朝阳门街道。住房月租金均价相对低值的区域则主要位于六环路以外的地区。由此可知，住房月租金均价受区位条件影响显著，且整体上看北京市中心城区水平轴线长安街以北的住房月租金均价要高于长安街以南区域。
图3 研究范围内的住房租金水平空间分布

Fig.3 Spatial distribution of housing rent price level in the study area

进一步地，通过对基于单位面积住房月租金得到的租房群体居住分异指数(RDIT)进行可视化处理，发现研究范围内的租房群体存在显著的租住空间分异特征(图4)。除部分无数据的街道/乡镇，居住分异状况严重(RDIT=0.757~1.000)的研究范围内各街道/乡镇租房群体的居住分异状况也具有圈层状的空间分布特征。与住房月租金均价不同的是，租房群体居住分异指数表现为“内高”(二环路沿线及以内区域)—“中低”(二环路至六环路区域)—“外高”(六环路沿线及以外区域)的夹心状格局。具体地，二环路和六环路之间的区域特别是位于海淀区西南部、石景山区东部、朝阳区四惠周边、丰台区北部三环路内区域的租房群体居住分异状况较好，不同租金水平的租房者在该区域内的分布较为均衡。相比之下，在二环路沿线及以内的核心区域以及六环路沿线及以外的城郊区域，租房群体的居住分异指数较高。高租金水平的住房主要集中在核心区域以内，而城郊地区则主要由低租金水平的住房构成。
图4 租房群体居住分异指数的空间分布

Fig.4 Spatial distribution of RDIT

从行政区划来看(表6)，中心城区中的朝阳区、海淀区、丰台区的租房群体居住分异程度相对较低，近郊区中的通州区、顺义区和大兴区的租房群体居住分异情况较为严重。具体地，东西城的租住房样本主要以高租金水平为主，海淀区和朝阳区的行政区内部租住房样本的租金水平差异巨大，研究范围内有20.9%和的中等租金住房和30.2%的高租金住房位于海淀区，有43%的中等租金住房和34.8%的高租金住房位于朝阳区，即60%以上的中等租金住房和高租金住房样本都位于上述二区。值得注意的是，朝阳区中还包括不少低租金水平住房，占研究范围内全部低租金水平住房的16.8%。除朝阳区外，低租金水平住房主要分布于租房群体居住分异指数较高的通州区(17.4%)、丰台区(16.9%)、昌平区(14.2%)和顺义区(7.8%)。
表6 研究范围内各行政区的常住人口、租房群体居住分异及各类租金水平在各行政区的分布比重情况

Tab.6 Permanent resident population, mean value of RDIT, and distribution proportion of different rent price levels in each district

行政区 常住人口/万人 RDIT均值 各类租金水平分布比重/%
低租金 中等租金 高租金
西城区 110.0 0.548 0.4 7.2 20.2
东城区 70.4 0.472 0.6 6.0 11.6
海淀区 312.4 0.401 4.5 20.9 30.2
朝阳区 344.2 0.257 16.8 43.0 34.8
丰台区 201.2 0.348 16.9 12.2 1.8
石景山区 56.3 0.461 6.2 2.9 0.4
昌平区 226.7 0.580 14.2 4.7 0.5
顺义区 132.5 0.838 7.8 0.7 0.2
大兴区 199.1 0.829 15.3 1.6 0.3
通州区 184.3 0.923 17.4 0.9 0

2.2 不同层级公共服务供给与租房群体居住分异的空间相关性分析

研究范围内本地层级各类公共服务供给与租房群体居住空间分异指数具有较为显著的负向空间关系(图5)，即各类公共服务供给和空间分异指数之间的高—低、低—高聚类在空间上表现得更加明显。其中，轨道站点可达性 (Moran's I=-0.419)、体育休闲设施 (Moran's I=-0.342)、幼儿园 (Moran's I= -0.342)比其他公共服务设施供给与租房群体空间分异的负向关系更强。
图5 本地层级各类公共服务供给与租房群体居住分异指数的莫兰散点图

Fig.5 Scatter plots of Moran's I for various public service provisions in local areas and RDIT

通过局部分析(图6)可以看出，大致上本地层级的各类公共服务的空间集聚特征较为一致。具体地，在近郊区特别是六环路沿线及以外的地区，各类公共服务低供给大多伴随着周边高度的租房群体居住分异。尽管其中一些区域的区位条件并不差(如大兴区的核心区域“西红门—清源路”到天安门的最近直线距离仅14 km)，但匮乏的公共服务资源对于租房群体缺乏居住吸引力，导致整体上这些区域的租金水平都相对较低，并形成以低收入者为主的聚居及居住分异。除轨道交通可达性以外，其他7类公共服务的“低供给—低分异”空间集聚特征主要集中在四环路沿线及以外的区域。从图6h可以看出，这些地区与轨道站点可达性的高供给—低分异区域基本重合。由此可知，邻近轨道站点是租房群体居住选择的重要影响因素之一。尽管这些地区的教育、医疗、体育休闲等公共服务供给相对不足，但仍呈现较为均衡的居住分布。本地层级各类公共服务的“高供给—低分异”空间集聚区域大多与“低供给—低分异”的区域相邻，主要位于二环路和四环路之间。各类公共服务设施在这一区域内的供给较为充足，典型就业中心也大多位于该范围内。作为北京发展成熟的老城区，该片区内的小区和住房条件丰富多样，租金水平也因此各异，能够满足不同支付能力的租房者。研究范围内各类公共服务“高供给—高分异”的空间集聚特征主要零星分布在近郊的个别区域，如昌平城区、顺义俸伯、通州城区、大兴高米店等。这些区域虽然位于近郊行政区的核心地段，受区位条件和存量住房供给的影响，租金水平整体相对较低。
图6 本地层级各类公共服务供给与租房群体居住分异指数的空间关系聚类

Fig.6 Clustering of the spatial relationship between various public service provisions in local areas and RDIT

本地层级公共服务供给和租房群体居住分异的空间回归结果如表7所示。其中，街道/乡镇的“幼儿园密度”与租房群体居住分异指数存在显著负向关系，即街道/乡镇内单位面积的幼儿园数量越多，该街道/乡镇的租房群体居住分异指数越低。幼儿园作为主要于周边住区居民的公共服务，其在空间上的分布相对较为均匀。受城市发展、居住成本和家庭偏好等因素的影响，北京市中心城区特别是三环路内核心区域的老年居民比例相对较大，有子女就读需求的居民家庭更多地居住在三环路和六环路之间的区域，该范围内的租房群体居住分异情况相对较好；街道/乡镇的“轨道站点可达性”均值与租房群体居住分异指数也存在一定负向关系。受出行方式选择和出行成本的影响，租房群体大多依赖高效率的公共交通出行，是否邻近轨道交通站点是各收入水平租房者居住选择的重要影响因素；街道/乡镇的“中学密度”与租房群体居住分异指数正相关。由于中学的学生规模通常远大于幼儿园，中学的选址和数量受更大空间范围内潜在学生数量的影响。因此，相比幼儿园，中学在空间上的分布极不均衡，主要集中在人口更稠密的中心城区三环路内地区以及近郊区的核心地区，这些通常也是租房群体居住分异相对严重的区域。
表7 本地层级租房群体居住分异的空间滞后模型估计结果

Tab.7 Estimated results of SLM on RDIT in local areas

变量 相关系数 标准差 Z值 P值
sport -0.004 0.003 -1.477 0.140
park -0.003 0.024 -0.129 0.898
medic 0.001 0.003 0.468 0.640
kinde -0.039 0.013 -3.081 0.002***
prima -0.037 0.028 -1.304 0.192
secon 0.043 0.021 2.057 0.040**
bus 0.006 0.008 0.737 0.461
URT_access -0.441 0.246 -1.792 0.073*
mall 0.003 0.012 0.266 0.790
store 0.008 0.003 2.596 0.009***
restau -0.019 0.023 -0.773 0.439
pop 0.003 0.028 0.093 0.926
job -0.003 0.007 -0.419 0.675
landuse -0.117 0.131 -0.897 0.370
citycen 0.005 0.042 0.140 0.889
jobcen 0.005 0.003 1.915 0.056*
常数项 0.539 0.475 1.134 0.267
R2=0.600 赤池信息量准则(AIC)=-120.823
对数似然值(LogL)=80.412 施瓦兹准则(SC)=-55.882
同样地，研究范围内区域层级各类公共服务供给与租房群体居住空间分异指数也存在空间负相关性(图7)。但与本地层级的各类公共服务相比，该负向关系相对较弱。其中，区域层级的公园广场密度(Moran's I=-0.247)与租房群体空间分异的负向关系最强。研究范围内区域层级的各类公共服务供给均呈现向心集聚的空间分布特征(图8)。其中，受地理环境因素的影响，“体育休闲设施”和“公园广场”的集聚分布范围较大，主要位于五环路以内的区域。而高质量公共资源“医疗卫生设施”和“示范性高中”的集聚范围明显较小，主要集中在三环路沿线及以内的区域。占研究范围面积76%、常住人口40%的近郊区(昌平区、顺义区、通州区、大兴区)，分别仅有15%的医疗卫生设施、16%的示范性高中、30%的公园广场和38%的体育休闲设施，区域层级公共服务供给存在较为一定程度的空间失衡。另外，通过空间滞后模型的回归分析可知，4个区域层级的公共服务变量均未与租房群体的居住分异指数表现出显著的相关性(表8)。也就是说，大型体育设施、城市级公园和广场、高质量医疗、高质量教育设施不会对租房群体的居住偏好产生影响。由此可知，不同层级的公共服务供给对于租房群体居住分异的影响存在显著的差异性。
图7 区域层级各类公共服务供给质量与租房群体居住分异指数的莫兰散点图

Fig.7 Scatter plots of Moran's I for various public service provisions at the district level and RDIT

图8 区域层级各类公共服务供给的空间集聚状况

Fig.8 Spatial agglomeration status of various public service provisions at the district level

表8 区域层级租房群体居住分异的空间滞后模型估计结果

Tab.8 Estimated results of SLM on RDIT at the district level

变量 相关系数 标准差 Z值 P值
dis_sport -0.029 0.024 -1.217 0.224
dis_park 0.005 0.036 0.143 0.887
dis_medic 0.011 0.059 0.191 0.848
qua_secon 0.076 0.075 1.006 0.314
mall 0.003 0.012 0.236 0.814
store 0.004 0.003 1.787 0.074
restau -0.024 0.024 -1.003 0.316
pop -0.015 0.026 -0.573 0.567
job -0.007 0.007 -0.987 0.324
landuse 0.082 0.117 0.700 0.484
citycen -0.003 0.042 -0.069 0.945
jobcen 0.008 0.003 3.107 0.002***
常数项 0.536 0.449 1.194 0.232
R2=0.568 赤池信息量准则(AIC)=-112.938
对数似然值(LogL)=72.469 施瓦兹准则(SC)=-60.986
此外，值得注意的是，无论是在本地层级还是区域层级公共服务与租房群体居住分异的相关性分析中，控制变量“局部区位条件”(典型就业中心可达性)对于租房群体居住分异指数都具有显著的正向影响，即与典型就业中心的距离越近，租房群体的居住分异指数越低。而相比之下，“全局区位条件”(城市中心可达性)与租房群体居住分异指数的相关性并不显著。不少研究发现，就业可达性是租房群体居住选择的首要决定因素之一[17,45-46]。因此，在形成就业中心或城市次中心的发展成熟地区，同时拥有大量的就业岗位、充足的公共服务供给以及租金水平多样的住房，能够较好地满足不同社会经济特征租房者的居住选择需求。

3 结论与讨论

3.1 研究结论

本文以北京市10个核心行政区为例，按照实际服务范围将各类公共服务设施分为本地层级和区域层级，基于多源数据，采用双变量莫兰指数和空间滞后模型分析了公共服务设施供给和租房群体居住分异的空间分布特征，以及各层级公共服务设施供给对租房群体居住分异的影响。得到以下主要结论：
第一，研究范围内相当一部分街道/乡镇的租住空间分异状况显著。与住房租金水平呈现的“内高—外低”放射状圈层分布不同，租房群体居住分异状况表现为“内高—中低—外高”的夹心状格局。其中，二环路沿线及以内区域内的高租金水平住房比重较高；而近郊昌平、顺义、大兴、通州4区特别是六环路沿线及以外区域的住房绝大多数为低租金水平；相比之下，二环路和六环路之间的大部分地区居住分异状况相对较好，尤其是海淀区西南部、石景山区东部、朝阳区四惠周边区域以及丰台区北部三环路以内的区域。
第二，本地层级的各类公共服务的空间集聚特征大体较为一致。其中，“低供给—高分异”主要位于近郊区特别是六环路沿线及以外的大部分地区；“高供给—低分异”大多和“低供给—低分异”毗邻，主要位于四环路和六环路之间的区域，呈不规则的环状分布；研究范围内“高供给—高分异”特征的街道/乡镇较少，仅零星分布于近郊区的几个核心区域。相比其他本地层级的公共服务设施，临近轨道交通站点是影响租房群体居住选择的最重要因素。
第三，不同层级的公共服务供给对于租房群体居住分异的影响存在显著的差异。本地层级公共服务设施中的幼儿园密度、轨道站点可达性与租房群体居住分异指数存在显著负向关系；中学密度与租房群体居住分异指数存在正相关。相比之下，所有区域层级的公共服务设施与租房群体居住分异指数均未显示出显著的相关性。该发现为以往研究中关于不同区位、类型和等级的公共服务供给对租房群体居住选择影响的差异化结论提供了可能的解释。这也为下一步推进租购并举的房地产制度改革提供了关于公共服务设施布局与租金溢价的政策启示，即在考虑租客职住平衡与租房可负担性过程中，其可以选择考虑就近布局区域级公共服务设施，降低其溢价水平，同时满足租客的部分公共服务需求。

3.2 讨论

大城市公共服务建设和供给是地方政府提高居民生活福祉、促进社会公平、推进新型城镇化的重要政策工具。合理统筹公共服务资源的空间布局和供给水平，有利于推进公共服务均等化，改善交通拥堵、职住失衡、社会隔离等大城市面临的突出问题。本文以多层级公共服务作为切入点，通过分析大城市公共服务供给与租房群体居住分异的关系，得到几点政策启示：① 针对租房群体进行细分，发掘和分析中低收入租房者的居住选择偏好和影响因素。② 在区位条件适中、城市发展成熟、公共交通便利的地区培育若干区域级的就业中心或城市次中心。在就业中心的选址过程中，应尽量避免距离市中心太近造成的居住可负担性问题或距离市中心太远导致的生活便利性问题。③ 同时鼓励政府部门和私营部门积极开展竞争与合作，围绕就业中心提供多样性的政策性住房供给和与之相匹配的公共服务。
由于数据的局限性，本文中的集计数据(aggregate data)是以街道/乡镇作为空间单元，不同行政区下辖的街道/乡镇面积差异较大，造成可塑性面积单元问题(modifiable areal unit problem，MAUP)，可能会对分析结果的准确性产生一定影响。此外，为了便于计算，因变量“居住分异指数”仅基于单位面积月租金均价进行构建，无法从就业特征、社会特征、家庭或个体特征等多方面全面考察租房群体的居住分异情况。因此，在今后的研究中，一方面可以通过缩小数据分析的空间单元(例如社区/村)以更好地发掘变量在空间上的差异性；另一方面，后续研究可以通过加入就业类型、社会角色、家庭结构等特征值，针对租房群体构建更加综合全面的居住分异指数，进而从多方面、多视角深入探究大城市租房群体的居住选择特征机制。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
北京市人民代表大会常务委员会. 关于《北京市住房租赁条例(草案)》的说明[EB/OL]. 2021-11-24 [2024-02-24]. http://www.bjrd.gov.cn/rdzl/rdcwhgb/sswjrdcwhgb202203/202207/t20220728_2781304.html.

The Standing Committee of Beijing Municipal People's Congress. An explanation of the "Beijing Housing Rental Regulations (Draft)". 2021-11-24 [2024-02-24]. http://www.bjrd.gov.cn/rdzl/rdcwhgb/sswjrdcwhgb202203/202207/t20220728_2781304.html.]

[2]
新一线城市研究所. 头部城市拥有怎样的租住魅力? | 新一线×自如研究院《2023年城市租住魅力指数》[EB/OL]. 2024-01-11 [2024-02-19]. https://www.datayicai.com/report/detail/999992.

The Rsing Lab. What are the rental charms of the top cities? The Rising Lab and Ziroom released the "2023 city rental charm index". 2024-01-11 [2024-02-19]. https://www.datayicai.com/report/detail/999992.]

[3]
李辉, 王良健. 房价、房价收入比与流动人口长期居留意愿: 来自流动人口的微观证据[J]. 经济地理, 2019, 39(6): 86-96.

[Li Hui, Wang Liangjian. Housing price, price-income ratio and long-term residence intention of the floating population: Evidence from the floating population in China. Economic Geography, 2019, 39(6): 86-96.]

[4]
李斌, 张贵生. 居住空间与公共服务差异化: 城市居民公共服务获得感研究[J]. 理论学刊, 2018, 23(1): 99-108.

[Li Bin, Zhang Guisheng. Differentiation of residential space and public service: A study of urban residents' sense of access to public services. Theory Journal, 2018, 23(1): 99-108.]

[5]
刘金凤, 魏后凯. 城市公共服务对流动人口永久迁移意愿的影响[J]. 经济管理, 2019, 41(11): 20-37.

[Liu Jinfeng, Wei Houkai. The effect of urban public services on permanent migration intention of floating population. Business and Management Journal, 2019, 41(11): 20-37.]

[6]
陈培阳. 中国城市学区绅士化及其社会空间效应[J]. 城市发展研究, 2015, 22(8): 55-60.

[Chen Peiyang. Jiaoyufication and its socio-spatial consequences in urban China. Urban Development Studies, 2015, 22(8): 55-60.]

[7]
宋伟轩, 毛宁, 陈培阳, 等. 基于住宅价格视角的居住分异耦合机制与时空特征: 以南京为例[J]. 地理学报, 2017, 72(4): 589-602.

DOI

[Song Weixuan, Mao Ning, Chen Peiyang, et al. Coupling mechanism and spatial-temporal pattern of residential differentiation from the perspective of housing prices: A case study of Nanjing. Acta Geographica Sinica, 2017, 72(4): 589-602.]

DOI

[8]
申犁帆, 龙雨, 田莉, 等. 空间异质性视角下公共服务设施对大城市住房租金的影响: 基于一种机器学习改进方法的实证研究[J]. 中国土地科学, 2023, 37(12): 67-79.

[Shen Lifan, Long Yu, Tian Li, et al. Exploring the impact of public service facilities on housing rent price from the perspective of spatial heterogeneity: An empirical study of an improved machine learning method. China Land Science, 2023, 37(12): 67-79.]

[9]
Hu X J, Cook S, Salazar M A. Internal migration and health in China[J]. The Lancet, 2008, 372: 1717-1719.

[10]
Ouyang W, Wang B Y, Tian L, et al. Spatial deprivation of urban public services in migrant enclaves under the context of a rapidly urbanizing China: An evaluation based on suburban Shanghai[J]. Cities, 2017, 60: 436-445.

[11]
Burgess E W. Residential segregation in American cities[J]. The Annals of the American Academy of Political and Social Science, 1928, 140(1): 105-115.

[12]
Henderson J, Thisse J. Handbooks in regional and urban economics (Vol. 4): Cities and geography[M]. Amsterdam, the Netherlands: Elsevier, 2004.

[13]
Massey D S. Reflections on the dimensions of segregation[J]. Social Forces, 2012, 91(1): 39-43.

DOI PMID

[14]
Taylor P, Fry R. The rise of residential segregation by income[M]. Washington D C, USA: Pew Research Center, 2012.

[15]
Bharathi N, Malghan D, Mishra S, et al. Residential segregation and public services in urban India[J]. Urban Studies, 2022, 59(14): 2912-2932.

[16]
He S J, Wu F L. Socio-spatial impacts of property-led redevelopment on China's urban neighbourhoods[J]. Cities, 2007, 24(3): 194-208.

[17]
易宪容, 郑丽雅. 中国住房租赁市场持续发展的重大理论问题[J]. 探索与争鸣, 2019(2): 117-130, 144.

[Yi Xianrong, Zheng Liya. The major theoretical issues of the sustainable development of China's residential housing rental market. Exploration and Free Views, 2019(2): 117-130, 144.]

[18]
郭金金, 夏同水. 租购并举制度下中低收入群体住房租购选择的影响因素研究[J]. 财经理论与实践, 2020, 41(2): 84-91.

[Guo Jinjin, Xia Tongshui. Research on the influencing factors of housing rent and purchase choice of middle and low income groups under the system of rent-purchase combination. The Theory and Practice of Finance and Economics, 2020, 41(2): 84-91.]

[19]
陆军, 王志文, 张骥. 公共服务设施对北京市城区租赁住宅租金的影响[J]. 价格月刊, 2017(7): 7-12.

[Lu Jun, Wang Zhiwen, Zhang Ji. Impact of public service facilities on urban household rent of Beijing. Prices Monthly, 2017(7): 7-12.]

[20]
陈杰, 吴义东. 租购同权过程中住房权与公共服务获取权的可能冲突: 为“住”租房还是为“权”租房[J]. 学术月刊, 2019, 51(2): 44-56.

[Chen Jie, Wu Yidong. The possible conflict between the housing rights and the rights to public services availability in the process of "equal rights between buyer and tenant": Renting for living or renting for rights. Academic Monthly, 2019, 51(2): 44-56.]

[21]
屠帆, 丁然. 公共服务设施对住宅租赁价格的影响[J]. 建筑与文化, 2022(4): 93-95.

[Tu Fan, Ding Ran. The impact of public service facilities on the rental prices of housing market. Architecture & Culture, 2022(4): 93-95.]

[22]
Cui N N, Gu H Y, Shen T Y, et al. The impact of micro-level influencing factors on home value: A housing price-rent comparison[J]. Sustainability, 2018, 10(12): 4343. doi: 10.3390/su10124343.

[23]
唐文彬, 肖秋菱, 颜红艳, 等. 城市轨道交通沿线住宅租金的空间分异分析: 以长沙市地铁1号线、2号线和4号线为例[J]. 经济地理, 2021, 41(7): 100-108.

[Tang Wenbin, Xiao Qiuling, Yan Hongyan, et al. Spatial differentiation of residential rents along urban rail transit: The case of metro Line 1, Line 2 and Line 4 in Changsha. Economic Geography, 2021, 41(7): 100-108.]

[24]
苏亚艺, 朱道林, 耿槟. 北京市住宅租金空间结构及其影响因素[J]. 经济地理, 2014, 34(4): 64-69.

[Su Yayi, Zhu Daolin, Geng Bin. The spatial structure and affecting factors of the housing rental in Beijing. Economic Geography, 2014, 34(4): 64-69.]

[25]
汪佳莉, 季民河, 邓中伟. 基于地理加权特征价格法的上海外环内住宅租金分布成因分析[J]. 地域研究与开发, 2016, 35(5): 72-80.

[Wang Jiali, Ji Minhe, Deng Zhongwei. Factors behind residential rent distribution in outer ring of Shanghai: A GWR-based hedonic price analysis. Areal Research and Development, 2016, 35(5): 72-80.]

[26]
李卫民, 李同昇, 武鹏. 南京市住宅租金空间分异特征与影响因素分析[J]. 测绘科学, 2018, 43(5): 95-99, 104.

[Li Weimin, Li Tongsheng, Wu Peng. Research on the spatial variation of housing rental and influence factors in Nanjing. Science of Surveying and Mapping, 2018, 43(5): 95-99, 104.]

[27]
Dong H W. The impact of income inequality on rental affordability: An empirical study in large American metropolitan areas[J]. Urban Studies, 2018, 55(10): 2106-2122.

[28]
王洋, 张虹鸥, 吴康敏. 粤港澳大湾区住房租金的空间差异与影响因素[J]. 地理研究, 2020, 39(9): 2081-2094.

DOI

[Wang Yang, Zhang Hong'ou, Wu kangmin. Spatial differentiation and influencing factors of housing rents in Guangdong-Hong Kong-Macao Greater Bay Area. Geographical Research, 2020, 39(9): 2081-2094.]

[29]
唐琳, 冯长春, 肖亮, 等. 北京市居民租赁住房可支付能力及空间分异研究[J]. 人文地理, 2019, 34(3): 91-98.

[Tang Lin, Feng Changchun, Xiao liang, et al. Research on the affordability of rental housing in Beijing. Human Geography, 2019, 34(3): 91-98.]

[30]
马婧. 北京市租房族中北京籍最多[EB/OL]. 2016-03-24 [2024-02-18]. https://beijing.qianlong.com/2016/0324/479249.shtml.

[Ma Jing. Residents who hold Beijing Hukou are the largest group of renters in Beijing. 2016-03-24 [2024-02-18]. https://beijing.qianlong.com/2016/0324/479249.shtml.]

[31]
武文杰, 孙瑞宁. 城市公共服务设施可及性评价的理论与方法[J]. 城市规划, 2024, 48(1): 65-70.

[Wu Wenjie, Sun Ruining. Theories and methods for accessibility evaluation of urban public service facilities. City Planning Review, 2024, 48(1): 65-70.]

[32]
高军波, 余斌, 江海燕. 城市公共服务设施空间分布分异调查: 以广州市为例[J]. 城市问题, 2011(8): 55-61.

[Gao Junbo, Yu Bin, Jiang Haiyan. Spatial distribution and spatial differentiation surveys on urban public service facilities: Taking Guangzhou City for example. Urban Problems, 2011(8): 55-61.]

[33]
湛东升, 张文忠, 谌丽, 等. 城市公共服务设施配置研究进展及趋向[J]. 地理科学进展, 2019, 38(4): 506-519.

DOI

[Zhan Dongsheng, Zhang Wenzhong, Chen Li, et al. Research progress and its enlightenment of urban public service facilities allocation. Progress in Geography, 2019, 38(4): 506-519.]

DOI

[34]
林红, 李军. 出行空间分布与土地利用混合程度关系研究: 以广州中心片区为例[J]. 城市规划, 2008, 32(9): 53-56, 74.

[Lin Hong, Li Jun. Relationship between spatial distribution of resident trips and mixed degree of land use: A case study of Guangzhou. City Planning Review, 2008, 32(9): 53-56, 74.]

[35]
邱红, 王良, 杨明, 等. 基于四次经济普查数据的北京就业空间演变特征研究[J]. 北京规划建设, 2021(6): 56-61.

[Qiu Hong, Wang Liang, Yang Ming, et al. A study on the characteristics of employment spatial evolution in Beijing based on the data from the 4th National Economic Census. Beijing Planning Review, 2021(6): 56-61.]

[36]
申犁帆, 张纯, 李赫, 等. 城市轨道交通通勤与职住平衡状况的关系研究: 基于大数据方法的北京实证分析[J]. 地理科学进展, 2019, 38(6): 791-806.

DOI

[Shen Lifan, Zhang Chun, Li He, et al. Relationship between urban rail transit commuting and jobs-housing balance: An empirical analysis from Beijing based on big data methods. Progress in Geography, 2019, 38(6): 791-806.]

DOI

[37]
Duncan O D, Duncan B. A methodological analysis of segregation indexes[J]. American Sociological Review, 1955, 20(2): 210-217.

[38]
蒋亮, 冯长春. 基于社会—空间视角的长沙市居住空间分异研究[J]. 经济地理, 2015, 35(6): 78-86.

[Jiang Liang, Feng Changchun. The study of residential differentiation in Changsha based on the social-spatial perspective. Economic Geography, 2015, 35(6): 78-86.]

[39]
申悦, 柴彦威. 基于日常活动空间的社会空间分异研究进展[J]. 地理科学进展, 2018, 37(6): 853-862.

DOI

[Shen Yue, Chai Yanwei. Progress of research on sociospatial differentiation based on daily activity space of urban residents. Progress in Geography, 2018, 37(6): 853-862.]

DOI

[40]
Anselin L, Syabri I, Smirnov O. Visualizing multivariate spatial correlation with dynamically linked windows[R/OL]. 2002-07 [2024-02-19]. https://real.web.illinois.edu/wp-content/uploads/2022/01/02-t-8.pdf.

[41]
卢婷婷, 李志远. 居住空间分异对城市公共服务供给的因果效应研究: 以上海市为例[J]. 地理科学进展, 2023, 42(9): 1795-1808.

DOI

[Lu Tingting, Li Zhiyuan. The causal effect of residential spatial segregation on the provision of public services: Evidences from Shanghai. Progress in Geography, 2023, 42(9): 1795-1808.]

DOI

[42]
王晓玲. 基于空间滞后模型的区域经济发展影响因素分析[J]. 山西大同大学学报(自然科学版), 2013, 29(1): 6-9, 33.

[Wang Xiaoling. Analysis on influencing factors of Shanxi county-level economic development based on the spatial lag model. Journal of Shanxi Datong University (Natural Science Edition), 2013, 29(1): 6-9, 33.]

[43]
Saputro D R S, Muhsinin R Y, Widyaningsih P, et al. Spatial autoregressive with a spatial autoregressive error term model and its parameter estimation with two-stage generalized spatial least square procedure[J]. Journal of Physics: Conference Series, 2019, 1217(1): 012104. doi: 10.1088/1742-6596/1217/1/012104.

[44]
Moran P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1/2): 17-23.

[45]
唐文彬, 张飞涟, 颜红艳, 等. 城市轨道交通对沿线住宅价值影响的空间效应[J]. 湖南科技大学学报(社会科学版), 2013, 16(6): 96-100.

[Tang Wenbin, Zhang Feilian, Yan Hongyan, et al. Spatial effect of urban rail transit on the value of residence along. Journal of Hunan University of Science & Technology (Social Science Edition), 2013, 16(6): 96-100.]

[46]
Shen L F, Long Y, Tian L, et al. The impact of built environment on the commuting distance of middle/low-income tenant workers in mega cities based on nonlinear analysis in machine learning[J]. Urban Rail Transit, 2023, 9(4): 294-309.

Options
文章导航

/

〈 〉