EN中文

PROGRESS IN GEOGRAPHY >

2017 , Vol. 36 >Issue 8: 995 - 1005

DOI: https://doi.org/10.18306/dlkxjz.2017.08.008

Orginal Article

Impact of public services on housing prices in different functional spaces:A case study of metropolitan Chengdu

  • ZHANG Shaoyao , 1, 2 ,
  • SONG Xueqian 3 ,
  • DENG Wei , 1, 2, *
Expand
  • 1. Institute of Mountain Hazards and Environment/ Research Center for Mountain Development,CAS, Chengdu 610041, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3.College of Management, Chengdu University of Information Technology, Chengdu 610225, China

Online published: 2017-08-28

Supported by

National Natural Science Foundation of China, No.41471469, No.41601141

Presidential Foundation of the Chinese Academy of Sciences, China(2017)

Soft Science Research Projects of Science and Technology Office of Sichuan Province, No.2015ZR0115

Copyright

《地理科学进展》杂志 版权所有
Fold

Abstract

In China, the rise of housing prices has become one of the most pressing issues that residents encountered in recent years and received considerable attention. Regulating housing prices and preventing them from overheating have become an urgent question in some regions. This study examined the impact of public service provision on the spatiotemporal patterns of housing prices and its explanatory power in Chengdu City, Sichuan Province. A dataset of Chengdu housing prices and selected public service factors were constructed for the year 2016, and geographical detector technique was adopted in this study. The results indicate that the average housing price was 8480 yuan/m2 in Chengdu in 2016, and it showed a progressive decrease from the city center to the suburbs between the traffic circles and along the radial arteries, forming the circular and radial patterns. In general, housing prices were high in the western and southern parts while low in the eastern and north parts of the city. The impact of public service provision (mainly health care, financing, and education services) on housing prices was most pronounced in the third circular zone and southwest of the downtown area, where it was higher than the overall impact in Chengdu downtown areas. The impact of public services on housing prices was significantly affected by the difference of spatial functions in different zones. Differences in public service provision and spatial functions will further deepen the differentiation pattern of housing prices, and promote the overheating of local property prices. We argue that a better understanding of the influence of public services on housing prices will help Chinese policymakers not only to formulate traditional financial and economic policies, but also to optimize spatial functions and public services.

Key words： housing price; public service; spatial function; geographical detector technique; Chengdu City

Cite this article

ZHANG Shaoyao , SONG Xueqian , DENG Wei . Impact of public services on housing prices in different functional spaces:A case study of metropolitan Chengdu[J]. PROGRESS IN GEOGRAPHY, 2017 , 36(8) : 995 -1005 . DOI: 10.18306/dlkxjz.2017.08.008

1 引言

公共服务是城市生活的重要支撑与保证,也是城市管理主要内容(Ouyang et al, 2017)。在城乡和不同城市间,优质、完善的公共服务会引起劳动力、资本、产业的集聚(夏怡然等, 2015)。但是,公共服务不仅在城市和城乡间(安体富等, 2008; 武力超等, 2014; Zhan et al, 2016),而且在城市内部不同空间也有所差异(董冠鹏等, 2011; Li et al, 2016; Ouyang et al, 2017),这种差异使得城市内某一空间具有更大的优势,能够吸引更加优质的资金、技术和劳动力,进而加深了城市不同空间功能的差异性。
房价是城市土地空间价值的重要体现,往往市中心、繁华区和优质公共服务区的房价更贵,而人们在选择居住区时也会偏向于公共服务完善、空间功能优越的区域,以便享受更好的就业、教育、医疗和生活服务(Zhang et al, 2016; Wang et al, 2017)。公共服务对房价的影响研究表明：公共服务对房价呈现一定的资本化趋势(王松涛等, 2007; 李祥等, 2012)。因为空间距离对公共服务的可使用性有着重要影响(Lankila et al, 2015),表现为可达性对房价有显著影响,所以其规划和布局被资本化于房价之中,成为住宅资本价值的一部分(杨林川等, 2015, 2016)。其中教育(洪世键等, 2016)、商业(杨林川等, 2015)、交通(Hu et al, 2016; 李威等, 2016)、环境(梁军辉等, 2016; Bertram et al, 2017)、休闲娱乐(Kooshali et al, 2015; 梁军辉等, 2016; Bertram et al, 2017)和安全防护(Husin et al, 2015)等公共服务对房价有显著影响。
梳理已有研究发现：针对公共服务对房价影响的研究多集中于全国和区域尺度(Wang et al, 2017),缺乏微观尺度上的机理分析(邹利林等, 2013);而在城市内部,相关研究所选的公共服务类别较为单一,且研究区较小。近年来,城市房价不仅整体快速上涨,而在城市内部,热门区域房价不合理的过快上涨和城市内部房价的差异也引起了社会广泛关注(王芳等, 2014; 冷璞, 2015)。因此,缩小城市内部房价差异、防止局部区域房价过热就十分必要。本文以成都市为例,基于空间功能的视角分析不同空间公共服务对房价的差异,识别不同空间对房价产生显著影响的公共服务,解释空间功能的差异如何通过公共服务塑造房价的空间格局。研究成果可为调控房价、优化公共服务和空间功能、建设宜居城市提供科学参考。

2 数据与方法

2.1 研究区概况

成都位于四川盆地,是中国西南的政治、经济、文化中心(图1),成都市辖10区4市5县,总面积12119 km2,其中建成区615.71 km2。2015年常住人口1465.75万,城镇化率为71.47%,GDP总量10801.16亿元(2016年四川统计年鉴数据)。成都市在历史发展进程中,逐步形成了圈层加放射的空间格局,并对城市布局和发展产生重大影响(陈岚等, 2009)。其建成区不断向各个卫星城延伸,拓展城市居住、产业和公共服务功能。基于GIS和RS的成都城市扩展动态研究表明：城市扩展呈“紧凑型圈层式”扩展模式,主要扩张方向为西北、西和西南,表现出各向异性(樊淑云, 2014)。研究发现,在1996-2006年期间,成都市建成区、人口、经济发展主要向武侯区、青羊区等西、西南方集聚(高敏, 2009)。2010年10月,高新区成立以后,成都市产业布局逐渐向高新区及双流区转移,尤其是高端产业发展更加突出(刘华富, 2013)。不同圈层、放射方向间经济发展、人口、公共服务分异显著,对成都市公共服务配置及房价影响深远。
Fig.1 The study area

图1 研究区概况图

2.2 研究设计

本文旨在分析成都市房价的空间格局,并识别主要的公共服务影响因素,进而探讨不同城市功能空间内公共服务对房价影响的差异。运用Gi统计量,识别成都房价冷/热点集聚区,分析房价的分异格局和空间分布。为解释成都房价的分异格局和空间分布,分析公共服务对房价影响的空间异质性,本文按圈层结构和放射结构分别将成都划分为3个圈层和4个放射空间,运用地理探测器揭示在不同空间内公共服务对房价影响的差异,以此说明空间功能差异和公共服务对塑造成都市房价空间格局的影响(图2)。
Fig.2 Flow chart of the assessment

图2 研究设计图

2.3 公共服务类别的选择

本文基于城市工作与生活对公共服务的需求出发,将购房者在选择所购房屋区位时,对公共服务获取机会的考量(蔡秀云等, 2012)作为依据,包括工作机会、教育机会、医疗机会、交通出行机会、文化娱乐机会、金融理财机会、生活购物机会7个大类,并结合成都实际情况,细分为20项公共服务设施(表1)。
Table.1 Public service categories and public service facilities

表1 公共服务类别与具体公共服务设施

公共服务类别 工作 教育 医疗 交通出行 文化娱乐 金融理财 生活购物
具体公共
服务设施		 公司企业、政府部门 幼儿园、小学、中学、大学 综合医院、专科医院、诊所 道路、公交站、停车场 文化宫和博物馆、公园 ATM、银行、金融机构 餐馆、商场、酒店

2.4 数据来源与处理

2.4.1 房价数据
成都房价数据来自三大房产网站,分别是安居客(http://chengdu.anjuke.com/)、链家网(http://cd.lianjia.com/)、房天下(http://cd.fang.com/),数据期限为2012-2016年,但数据整体集中于2015-2016年。房价数据包括新开楼盘、在售楼盘、二手房(包括老式小区)等商业住宅的销售价格,并剔除写字楼和商铺地产。同一个小区内不同户型的房价按照均价计算,文中房价数据单位均为元/m2。经整理,最终得到研究区27020个楼盘房价数据。由于房价影响因素众多以及房产本身质量的差异,会在个别地区存在少量异于周围房价的高值点或低值点。为消除这些噪声并增加数据代表性,本文设计一个覆盖研究区的1×1 km的格网,计算每一个格网内部房价的均值,并将均值赋值给格网的中心点,这样,每一个格网中心点的房价就代表1 km×1 km范围内的楼盘均价。最后得到6070个楼盘均价点,后续分析均采用这6070个房价点数据(图3a)。
Fig.3 Spatial differentiation of housing prices in Chengdu City (a) and hotspot analysis (b)

图3 成都市房价的空间分布(a)和热点分析(b)

2.4.2 公共服务数据
公共服务数据来自百度地图(http://map.baidu.com/)。按照表1的20项公共服务设施类别,于2016年末采集公共服务名称、类型和位置,并整理为空间矢量数据,统一投影方式和空间范围。道路数据分为高速、国道、省道、城市快速路、县道、乡道及其他道路,分别赋以相应权重,利用核函数计算线密度(Silverman, 1986)。

2.5 研究方法

2.5.1 热点分析
本文采用Gi统计量来表示成都房价的热点集聚区(Getis et al, 1992)。查看邻近房价周围每一个房价要素,单个房价要素及其相邻要素的局部总和与所有房价要素的总和加以比较;当局部总和与所预期的局部总和有很大差异,无法作为随机产生的结果时,会产生一个具有显著统计学意义的Z得分。通过Z得分查看具有显著统计意义的高房价集聚区和低房价集聚区,从而识别成都房价分布的空间格局。
2.5.2 地理探测器
地理探测器是2010年后兴起的识别环境危害因子的分析方法,其核心思想为基于以下的假设：如果某种环境自变量对某种因变量具有重要影响,那么该因变量的空间分布和自变量的空间分布应该有相似性(Wang et al, 2010)。其分析技术为基于方差分析来探测影响显著的环境自变量,并擅长分析类型变量和名义量,特别是针对多因子的探测分析。地理探测器的自变量必须为离散型变量,如果是连续型变量,则需进行适当离散化(Cao et al, 2013)。本文对公共服务设施到楼盘距离进行缓冲分类,得到格网中心到最近各公共服务设施的距离分段,最后放入地理探测器中,分析各类公共服务对房价解释力的大小。

3 结果与分析

3.1 成都市房价空间格局

成都商业住宅楼盘主要集中在中心城区,沿交通主干线向各个郊区延伸,形成一个中心3个圈层加4个放射方向空间分布格局(图3a),同城市发展空间格局吻合。成都房价在2047~96472元/m2的范围内浮动,均价为8480元/m2。高房价主要位于市中心和西南方向,如青羊区、武侯区和高新区。房价沿交通环线逐步向郊区递减,低房价集中分布于卫星城城区,形成三圈层结构。同时,房价也沿放射状干线向郊区递减,如从市中心到金牛区再到郫县,从13000元/m2递减到5000元/m2。但在各个卫星城城区,也有零星高房价楼盘分布。总体上,成都房价从市中心沿交通环线和放射状干线同时向郊区递减,呈梯级格局分布,并形成圈层加放射格局。
采用Gi统计量进行空间自相关分析(图3b),结果显示成都市房价同时存在热点集聚(高房价)和冷点集聚(低房价),高房价集聚区(p<0.01)从金牛区、青羊区经市中心向南,至武侯区、锦江区,沿高新区一直向南延伸,该带汇集了成都市主要的高端楼盘,其高房价向南延伸趋势明显。同时,成都低房价集聚区多位于各个卫星城城区,如温江、新都等,尤其是北边的郫县和新都,形成低房价连绵区。成都房价在圈层加放射格局的基础上,表现出西高东低、南高北低的总体特征。为探讨成都房价空间格局的形成机理,下文将分析公共服务对房价的影响,以此揭示格局形成和分布的原因。

3.2 不同圈层空间公共服务对房价的影响

本文将研究区按照圈层格局和放射格局划分为不同空间区域,按不同区域统计房价的均值和标准差,并运用地理探测器分析公共服务对房价的解释力。在成都各个圈层和放射空间房价差异显著(表2-3,图4a-4b),从第一圈层的10287元/m2递减到第三圈层的7022元/m2;但第二圈层的房价分异性高于第一、三圈层和城市整体区域。在不同放射方向,房价最高的是西南方达9191元/m2,其次是东南、东北、西北方向,房价的变异性也是西南最高、西北最低,且西南方向房价变异性远高于城市层面。这种西高东低、南高北低的特点同房价热点分析结果吻合。
Fig.4 Circular and radiating zones delineated by the ring roads and main roads radiating from the city center of Chengdu

图4 成都市圈层格局和放射格局

Table.2 Average housing prices of different zones encircled by the ring roads of Chengdu City (unit: yuan/m2)

表2 不同圈层上成都平均房价/(元/m2)

圈层结构 圈层 一圈层 二圈层 三圈层 整体区域
均价 10287 9748 7022 8480
标准差 3699 5328 4120 4628
Table.3 Average housing prices of different zones along the main roads radiating from the city center of Chengdu (unit: yuan/m2)

表3 不同放射方向上成都平均房价/(元/m2)

放射结构 方向 西南 东南 东北 西北
均价 9191 7990 7533 6744
标准差 5782 4620 4051 3756
3.2.1 不同圈层空间公共服务对房价影响的差异
将所有圈层内及整体区域内对房价解释力前10的因子分别排序并比较(图5)。可以发现：第一圈层内,公司企业对房价解释力最高,其次是文化设施和政府部门,表明工作就业和文化娱乐对一圈层内房价存在显著影响(p<0.05,表4);第二圈层内对房价解释力最高的公共服务为专科医院,解释力达到0.03,其次为公园、商场、公司企业、文化设施和综合医院,可以看出医疗服务和文化娱乐设施对第二圈层内房价影响显著(p<0.05,表4);在第三圈层,解释力最高(q=0.14,表4)的公共服务为银行,其次为诊所、专科医院、金融机构、大学、商场等。除公园外,其他公共服务均通过置信度检验(p<0.05,表4),表明金融、医疗、教育服务对第三圈层内房价影响显著。而在城市尺度上,ATM对房价的影响远胜其他因子。从显著性来看,还有公园、企业、道路密度、小学和商场等,表明整体区域的房价受到各类公共服务的综合影响。
Fig.5 Housing prices explained by the provision of public services in different circular zones of Chengdu City

图5 不同圈层公共服务对房价解释力

Table.4 Housing prices explained by the provision of public service factors in different circular zones of Chengdu City and confidence level

表4 不同圈层上公共服务解释力(q)及置信度(p)

第一圈层 第二圈层 第三圈层 整体区域
因子 q p 因子 q p 因子 q p 因子 q p
公司企业 0.0250* 0.0000 专科医院 0.0318* 0.0000 银行 0.1387* 0.0000 ATM 0.0810* 0.0000
文化设施 0.0193* 0.0112 公园 0.0240* 0.0325 诊所 0.1307* 0.0032 银行 0.0435 0.3649
政府部门 0.0188* 0.0024 商场 0.0157* 0.0067 专科医院 0.1301* 0.0000 诊所 0.0381 0.8911
酒店 0.0140 0.1699 公司企业 0.0147* 0.0040 金融机构 0.0680* 0.0000 专科医院 0.0381 0.7273
商场 0.0112 0.0751 文化设施 0.0137* 0.0026 大学 0.0625* 0.0000 公园 0.0379* 0.0000
诊所 0.0084 0.1949 综合医院 0.0120 0.6489 商场 0.0611* 0.0000 企业 0.0368* 0.0000
道路密度 0.0079 0.7662 道路密度 0.0116 0.0924 ATM 0.0540* 0.0000 道路密度 0.0306* 0.0000
公园 0.0071 0.1805 诊所 0.0109* 0.0390 公司企业 0.0502* 0.0000 小学 0.0267* 0.0000
综合医院 0.0057 0.6585 金融机构 0.0106 0.0718 综合医院 0.0493* 0.0000 商场 0.0215* 0.0043
中学 0.0047 0.1748 大学 0.0098 0.3616 小学 0.0484* 0.0000 大学 0.0134* 0.0023
停车场 0.0033 0.7667 公交站 0.0066 0.1657 幼儿园 0.0444* 0.0000 金融机构 0.0115* 0.0025
ATM 0.0025 0.7138 中学 0.0056 0.2890 餐馆 0.0443* 0.0000 政府部门 0.0093* 0.0000
金融机构 0.0024 0.7978 ATM 0.0052 0.3843 中学 0.0404* 0.0000 停车场 0.0088* 0.0000
大学 0.0016 0.8776 餐馆 0.0031 0.4899 酒店 0.0365* 0.0000 餐馆 0.0076 0.4029
小学 0.0013 0.8761 幼儿园 0.0025 0.7851 道路密度 0.0337* 0.0000 中学 0.0073 0.1348
公交站 0.0012 0.9573 政府机构 0.0009 0.9166 文化设施 0.0300* 0.0000 幼儿园 0.0045 0.0891
幼儿园 0.0008 0.9817 停车场 0.0006 0.9915 停车场 0.0286* 0.0000 酒店 0.0045* 0.0120
餐馆 0.0002 0.9733 银行 0.0002 0.9878 政府机构 0.0236* 0.0000 综合医院 0.0040 0.3767
银行 0.0000 0.9551 小学 0.0001 0.9934 公交站 0.0190* 0.0000 文化设施 0.0034 0.4094
专科医院 0.0000 0.9871 酒店 0.0001 0.9620 公园 0.0051 0.8104 公交站 0.0026 0.1869

注：*表示在0.05的置信度上统计显著。

值得注意的是,第三圈层内绝大部分因子的解释力远远大于第一、二圈层和整体区域,第二圈层内少量公共服务因子也大于第一圈层,城市尺度上各因子解释力普遍大于第一、二圈层(图5)。表明第三圈层的公共服务对房价的影响程度远比第一、二圈层更加显著,且在整体区域上更突出。即便是同一公共服务,其对房价的影响程度也是第三圈层>整体区域>第二圈层>第一圈层。这种影响格局反映成都市房价从中心城区向郊区递减的过程中,公共服务也相应地向郊区扩展。但郊区公共服务的配置远不如市中心及城市平均水平。市中心各类别公共服务配置较为充足和均衡,公共服务设施可达性之间的相关性使得类似公共服务具有可替代性和多选择性,所以其对房价影响较为微弱。由于郊区公共服务较少且不均衡,在物以稀为贵的作用下,房产向公共服务汇集靠拢,因而,与公共服务设施距离成为影响房价的重要因素。
3.2.2 圈层差异对公共服务配置及房价的影响
在各圈层中,第一圈层对房价影响显著的公共服务为公司企业、文化设施和政府部门,这和该圈层(市中心)的经济发展和历史发展相匹配。自成都建城以来,市中心一直都是权力、文化中心(陈岚等, 2009),直到今天,省、市级政府和省、市级博物馆及大量其他政府机构、文化设施都坐落于第一圈层内。同时第一圈层也是成都市经济发展程度最高区域,大量跨国公司、国企和私企集聚,成都主要商圈汇聚于此(肖夏, 2014)。这为该圈层内居住的市民提供了大量的就业、文化娱乐机会,反映出第一圈层政治、文化和商业中心的空间功能。第二圈层是成都市规划的主要居住空间(高敏, 2009),其中对房价解释力最显著的公共服务为医疗服务,医疗服务是购房者的重要考量因素,也是家庭必需的公共服务(牛方曲等, 2016),对房价的影响显而易见。此外还有文化娱乐、就业、购物等基本生活服务对房价解释力显著,反映出该圈层的居住功能。第三圈层中金融、医疗、教育服务对房价影响显著,同时其他公共服务对房价的解释力也超过第一、二圈层,反映出公共服务的设施配套对第三圈层的影响远大于其他圈层。近年来,成都大力发展卫星城,鼓励高端服务业、金融、医疗产业、科技产业向外扩散迁移(刘华富, 2013)。同时多所大学和中学纷纷在郊区新建校区,如郫县的电子科技大学清水河校区,显示第三圈层承接产业转移,加快形成金融、医疗和教育服务的城市功能。

3.3 不同放射空间公共服务对房价的影响

3.3.1 不同放射方向间公共服务对房价的差异
同样地,选取不同放射空间内解释力前10个因子进行对比分析(图6,注：市中心同第一圈层完全一样,不再赘述),可以发现：西南方向即武侯区、双流区和高新区公共服务因子对房价的影响显著程度远高于其他3个方向,尤其是专科医院、诊所、商场、银行、大学和中小学,反映出医疗、金融和教育服务在西南方向对房价的影响较为突出;在东南方向,解释力列在前三的公共服务因子为公园、道路密度和综合医院,其中道路密度对房价的解释力较为显著(p<0.05,表5);东北方向的成华区和新都区,对房价解释力最强的公共服务为大学,其次为综合医院、停车场、公司企业和道路密度,表明医疗服务和交通服务对该区域内的房价影响较大;而在西北方向的温江和郫县,最为突出的公共服务为金融机构,解释力达0.0575,其次为大学、公园、综合医院、政府部门、专科医院及幼儿园,但解释力都偏小,对房价影响甚微。
Table.5 Housing prices explained by the provision of public services in different directions along the main radiating roads of Chengdu City and confidence level

表5 不同方向上公共服务因子解释力(q)及置信度(p)

西南 东南 东北 西北
因子 q p 因子 q p 因子 q p 因子 q p
专科医院 0.1394* 0.0067 公园 0.0393 0.0740 大学 0.0960* 0.0000 金融机构 0.0575* 0.0000
诊所 0.1266 0.1117 道路密度 0.0360* 0.0076 综合医院 0.0737* 0.0000 大学 0.0303 0.1072
商场 0.1241 0.0642 综合医院 0.0353 0.0872 停车场 0.0713* 0.0277 公园 0.0275 0.2393
银行 0.1236 0.0878 大学 0.0236 0.3519 公司企业 0.0279* 0.0000 综合医院 0.0264* 0.0310
大学 0.1166 0.2988 公司企业 0.0192 0.1489 道路密度 0.0255 0.0552 政府机构 0.0236* 0.0000
中学 0.1142 0.1982 诊所 0.0181* 0.0241 文化设施 0.0088 0.2071 诊所 0.0231* 0.0437
小学 0.0966 0.6664 停车场 0.0170 0.5457 ATM 0.0082 0.7248 幼儿园 0.0228* 0.0304
ATM 0.0649* 0.0000 金融机构 0.0129 0.3790 小学 0.0077 0.3561 银行 0.0200* 0.0000
综合医院 0.0600* 0.0000 诊所 0.0119 0.1267 中学 0.0074 0.5692 文化设施 0.0180* 0.0128
餐馆 0.0509* 0.0000 银行 0.0116 0.1543 银行 0.0068 0.2857 酒店 0.0172* 0.0046
金融机构 0.0495* 0.0227 幼儿园 0.0108 0.2363 公园 0.0062 0.8610 小学 0.0141 0.5092
公园 0.0441* 0.0000 餐馆 0.0106 0.2605 酒店 0.0054 0.3398 停车场 0.0116 0.2723
公司企业 0.0385* 0.0000 文化设施 0.0096 0.4849 幼儿园 0.0052 0.8092 公司企业 0.0098 0.6152
幼儿园 0.0311* 0.0000 酒店 0.0078 0.5019 商场 0.0027 0.7411 诊所 0.0090 0.3210
公交站 0.0264* 0.0000 ATM 0.0076 0.6185 诊所 0.0021 0.8423 ATM 0.0082 0.4160
文化设施 0.0232 0.0672 小学 0.0059 0.6026 金融机构 0.0021 0.9336 道路密度 0.0063 0.5144
酒店 0.0216* 0.0000 政府机构 0.0029 0.8794 公交站 0.0015 0.8648 商场 0.0041 0.7936
停车场 0.0164 0.0915 中学 0.0026 0.8737 政府机构 0.0009 0.8824 餐馆 0.0028 0.7482
道路密度 0.0140 0.1179 公交站 0.0018 0.8382 专科医院 0.0008 0.8557 中学 0.0023 0.9385
政府机构 0.0095 0.0507 商场 0.0016 0.9417 餐馆 0.0007 0.9168 公交站 0.0018 0.8545

注：*表示在0.05的置信度上统计显著。

通过对不同放射方向间公共服务解释力及置信度(表5)横向对比研究发现,在西南区域大部分公共服务因子(13个)对房价的解释力通过0.05的置信水平检验,而东南、东北、西北区域内分别只有2、4、8个因子通过检验。此外,西南区域公共服务因子平均解释力为0.0464,东南、东北、西北区域因子平均解释力只有0.0143、0.0180、0.0168,且只有西南方向上因子解释力普遍高于城市整体区域(表4),表明在西南方向,公共服务对房价的影响强于其他方向及城市层面,且集中于教育、医疗和金融服务。对比分析4个区域内公共服务排序可以发现,西南方和东南方内对房价的主要解释因子较多,而东北和西北部主要解释因子单一,其余因子解释力较小。这反映出南部对房价起主要解释作用的公共服务较多,而北部较少。通常,高端楼盘对公共服务的配套需求要高于一般楼盘或廉价商品房(洪世键等, 2016; Bertram et al, 2017),所以在西南方,不仅存在高房价热点集聚,而且其公共服务对房价解释程度强于其他区域。
Fig.6 Housing prices explained by the provision of public services in different directions along the main

radiating roads of Chengdu City

图6 不同方向上公共服务因子对房价解释力②

3.3.2 不同放射方向对公共服务配置及房价的影响
不同放射空间内对房价影响显著的公共服务存在差异,其中西南方向公共服务对房价的解释力最为显著。尤以医疗、金融和教育服务最为突出,这与高新区、双流区所承接的产业结构一致(刘华富, 2013)。近年来,双流区、高新区不断承接高端金融服务业、生物医药技术产业,逐步成为成都产业布局的第二核心(邹金凤, 2013),反映出西南方向作为成都高新技术产业中心的空间功能。东南方的锦江区和龙泉驿区,对房价影响显著的公共服务因子主要为公园和道路密度。龙泉驿区地处成都东南,是通往重庆及中国东部的交通枢纽,有多条高速公路和高速铁路通过;同时该区东靠龙泉山脉,为成都市重点规划的生态旅游发展区。锦江区以三圣花乡为代表的生态农业和景观农业推动了旅游业的发展,其怡人的环境推动当地楼盘的开发(王延松, 2010)。上述特点表明,东南方向的交通枢纽和生态旅游区的空间功能。在东北方向,对房价有重要影响的公共服务有医疗、教育、交通和就业服务等,该区域在20世纪中期“西住东产”的发展格局下,一直作为成都市工业集聚区,并配有完善的物流中心和面向工业的理工类大专院校(陈岚等, 2009; 王洋洋, 2014)。表明东北方向的成华区和新都区作为成都市的工业区、物流中心的空间功能。西北方的温江区和郫县,为4个方向中房价最低的区域(表3)。地理探测器分析结果显示：除银行解释力稍高外,其余公共服务对房价解释力微弱,其中金融和教育、尤其是大学对该区域内的房价有重要影响。西北部一直是成都的传统居住空间和教育中心(陈岚等, 2009; 胡奇志, 2014),温江区和郫县均有大学城,青羊区有多所优质中小学,庞大的消费市场推动了学校周边房价的上涨。

4 结论与讨论

4.1 结论

本文选择成都市2016年商业住宅数据,分析房价空间分布格局,并用地理探测器识别对房价影响显著的公共服务因子,主要结论如下：
(1) 成都市平均房价为8480元/m2,最低价为2047元/m2,最高为96472元/m2。成都房价从市中心沿交通环线和放射状干线同时向郊区递减,形成圈层格局和放射格局。冷/热点分析显示：高房价集聚区从市中心向西、向南延伸,而在郊区卫星城形成低房价集聚的冷点。成都房价整体在圈层格局和放射格局的基础上,呈现出西高东低、南高北低的发展态势。
(2) 不同空间区域公共服务对房价的影响分析显示：各圈层、放射空间内对房价解释力显著的公共服务不尽相同。不同圈层中,第三圈层的公共服务因子对房价的解释力强于第一、二圈层和城市整体区域,以金融、医疗、教育服务为主;在不同放射方向上,西南方区域内的公共服务因子对房价的解释力强于其他方向及城市层面,同样也是医疗、金融、教育服务对房价的影响最为显著。
(3) 在不同圈层、放射空间内,公共服务对房价的影响显著受不同区域的空间功能差异的影响,这种影响不仅体现在房价的分异格局上,也反映在公共服务的配置上。公共服务的差异化和空间功能差异会加剧房价的分异格局,促使公共服务完善及空间功能优越区域内房价的上涨。在成都房价调控中,要注重空间功能和公共服务的优化,尤其是医疗、金融和教育服务。

4.2 讨论

城市房价的空间分异是地租理论在空间上的反映。根据杜能环的区位学说,房价的空间分异多存在于中心圈层式的城市中,但不同城市的功能空间结构不尽相同,不同功能空间因地形、发展历史条件、市场选择、政策规划而客观存在区位差异,使得城市空间结构更加复杂多样。在城市规划中,由于强调功能分区和轴带廊道,促进城市空间结构分异性增强。这种功能空间的分异性导致城市要素配置、发展能力的空间差异,进而促进房价和公共服务表现出圈层分异性和各向异性。在城市发展过程中,公共服务成为功能空间影响房价的中间介质,其差异化受空间功能的导向控制,进而影响房价在城市内的分异格局;反之,这种分异格局和公共服务的差异化配置又会促进城市空间功能的深化和发展,尤其是高端公共服务。高房价往往会偏向于那些公共服务完善、空间功能优越的区域,成为高房价集聚区,反映居民对公共服务的需求趋势和其引导城市功能转型和发展中的作用。
优化城市功能空间结构,提升基本公共服务的公平性和高级公共服务的效率性将是城市空间管理的重要课题。随着新型城镇化的发展,流动人口大量涌入,城郊一体化和城市群建设的推进,住房的刚性需求将保持增长态势(冷璞, 2015)。同时城市空间和经济结构转型,建成区扩大、发展要素更加多元,城市空间的功能性更加突出。房价的空间分异性将成为城市购房者考量的重要因素。随着人民生活质量的提升,优质的公共服务逐渐成为居住需求的一部分,尤其是金融、医疗、教育和文化等。这其中公共服务配置差异同功能空间差异的叠加效应,会进一步加剧房价的分异格局,促使其内部房价分化呈加剧趋势,将会推动优质公共服务区房价的上涨。因此,对于城市房价的调控,除传统货币、限购及土地政策外,还应注重不同功能空间公共服务的均衡化,尤其是医疗、金融和教育服务。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
安体富, 任强. 2008. 中国公共服务均等化水平指标体系的构建: 基于地区差别视角的量化分析[J]. 财贸经济, (6): 79-82.逐步实现基本公共服务均等化已成为我国现阶段公共财政建设的重要内容.然而,无论从理论上,还是实践上,首先应该对中国目前公共服务的均等化水平有一个客观评价,尤其是从量的角度.本文利用综合评价(Comprehensive Evaluation)方法,从地区间公共服务产出的角度出发,构建了一个包含4个级别共25个指标的中国公共服务均等化水平指标体系,并运用这一指标体系对我国2000-2006年间的公共服务及其具体项目的均等化水平变化情况加以评价.

[An T F, Ren Q.2008. Construction of index system of equalization of public service: Based on regional difference from the perspective of quantitative analysis[J]. Finance & Trade Economics, (6): 79-82.]

2
蔡秀云, 李雪, 汤寅昊. 2012. 公共服务与人口城市化发展关系研究[J]. 中国人口科学, (6): 58-65.

[Cai X Y, Li X, Tang Y H.2012. China's public services and population urbanization[J]. Chinese Journal of Population Science, (6): 58-65.]

3
陈岚, 曾坚, 周波. 2009. 成都城市空间形态的生态进程与可持续发展研究[J]. 建筑学报, (12): 14-17.通过对成都城市空间形态演变的生态进程以及环境在成都城市空间发展中的生态制约分析，梳理了成都城市发展的历史脉络，展现其内在的规律特性，并在此基础上提出对成都城市空间的可持续发展策略的思考。

DOI

[Chen L, Zeng J, Zhou B.2009. Study on the ecological course and sustainable development of Chengdu urban spatial form[J]. Architectural Journal, (12): 14-17.]

4
董冠鹏, 张文忠, 武文杰, 等. 2011. 北京城市住宅土地市场空间异质性模拟与预测[J]. 地理学报, 66(6): 750-760.

[Dong G P, Zhang W Z, Wu W J, et al.2011. Spatial heterogeneity in determinants of residential land price: Simulation and prediction[J]. Acta Geographica Sinica, 66(6): 750-760.]

5
樊淑云. 2014. 基于GIS和RS的成都市LUCC与城市扩展动态特征研究[D]. 成都: 四川师范大学. [Fan S Y. 2014. Study on dynamic characteristics of LUCC and urban expansion in Chengdu City based on GIS and RS[D]. Chengdu, China: Sichuan Normal University.]

6
高敏. 2009. 成都城市空间形态扩展时空演化过程及其规律分析[D]. 成都: 西南交通大学. [Gao M. 2009. The analysis of spatial and temporal evolution of the urban spatial form of Chengdu City in economies transition[D]. Chengdu, China: Southwest Jiaotong University.]

7
洪世键, 周玉. 2016. 基于特征价格法的学区房价格外溢效应探讨: 以厦门岛为例[J]. 建筑经济, (2): 65-69.已有研究表明,教育资源质量和住宅价格存在显著的正相关关系。本文利用特征价格分析法对厦门岛住宅市场进行实证分析,并引入差分回归法处理特征价格模型中的遗漏变量,更深入挖掘教育资源对于住宅价格的影响,为建立适合我国实际情况的城市住宅市场的分析模型和分析方法提供支持。

DOI

[Hong S J, Zhou Y.2016. Research on price spillover effect of the school district housing based on hedonic price model: A case study of Xiamen Island[J]. Construction Economy, (2): 65-69.]

8
胡奇志. 2014. 近现代成都区域空间结构演变研究[D]. 成都: 西南交通大学. [Hu Q Z. 2014. The evolvement research of modern Chengdu region spatial structure[D]. Chengdu, China: Southwest Jiaotong University.]

9
冷璞. 2015. 成都未来五年房地产发展趋势分析[J]. 知识经济, (7): 95.作为西部重镇的成都改革开放三十年来,经历了翻天覆地的变化和飞速的发展。成都经济的持续快速增长、城镇化进程的显著加快和居民可支配收入的稳步提高为成都房地产业快速发展奠定基础。因此,成都房价未来走势自然成为人们关注的对象。本文引用了一些专业机构的相关数据并对其作分析,结合当前国际经济情况、国内房市情况以及成都房市的特殊性,综合分析了成都未来5年房地产价格的走势。

DOI

[Leng P.2015. Chengdu weilai wunian fangdichan fazhan qushi fenxi[J]. Knowledge Economy, (7): 95.]

10
李威, Joh K, Lee C, 等. 2016. 社区步行通达性对独栋住宅房价的效益评估: 美国德克萨斯州奥斯丁市空间特征分析[J]. 城市交通, 14(4): 75-91.

[Li W, Joh K, Lee C, et al.2016. Assessing benefits of neighborhood walkability to single-family property values: A spatial hedonic study in Austin, Texas[J]. Journal of Planning Education and Research, 14(4): 75-91.]

11
李祥, 高波, 王维娜. 2012. 公共服务资本化与房价租金背离: 基于南京市微观数据的实证研究[J]. 经济评论, (5): 78-88.城市的宜居性是吸引劳动力流入的重要因素,而公共服务水平、自然环境与气候条件等则是城市宜居性的主要体现。作为政府提供的主要公共物品,住宅所享有的公共服务水平必将影响居民对其的消费意愿。本文利用南京市江南八区的调查数据,构建特征价格模型,考察住宅特征变量、公共服务水平对其销售与租赁价格的影响。实证结果表明:(1)住宅物理特征对其销售价格与租赁价格的影响存在差异,房间数目、大厅数目等特征变量的提高将显著提高销售价格、降低租赁价格;(2)公共服务对住宅销售价格与租赁价格的影响大致相同,四类公共服务中,教育公共服务对住宅销售价格与租赁价格的影响最大;(3)政府对城市核心地带公共服务的过多投入并不会导致当地房价租金比提高,相反,对城市边缘地带公共服务投入不足则将使得当地房价租金比提高。因此,政府需要推进城市各区域之间基本公共服务的均等化。

[Li X, Gao B, Wang W N.2012. Capitalization of public services and deviation of housing price and rent: An empirical research based on micro data of Nanjing[J]. Economic Review, (5): 78-88.]

12
梁军辉, 林坚, 吴佳雨. 2016. 北京市公共服务设施配置对住房价格的影响[J]. 城市发展研究, 23(9): 82-87, 124.以2015年北京市六环内的居住小区二手房房价为研究对象,应用基于特征价格的空间计量模型,研究北京市公共服务设施配置对房价的影响并提出相应建议。研究结果表明:在六环全域和分环线区域分析中,学区房显著影响房价,总体上学区房平均价格显著高于非学区房价格(约10%),这表明合理配置城市优质教育资源至关重要;地铁站点、商场、休闲娱乐设施等因素对房价的影响随距离增加而减弱;居住小区的绿化率和房价呈正相关关系。而依靠市场调节的超市、便利店等基本生活设施对房价影响并不显著;医院对房价影响的不显著是因为北京现有医疗机构服务对象已不再局限于本地居民,应按照疏解非首都功能、推动京津冀协同发展的要求,布局优化调整;公共汽车等出行方式对房价的总体影响并不显著,表明优化公共交通资源配置、促进公共交通出行是北京城市发展应该努力追求的方向。

DOI

[Liang J H, Lin J, Wu J Y.2016. Study on the influence of the allocation of public service facilities on housing price in Beijing City[J]. Urban Development Studies, 23(9): 82-87, 124.]

13
刘华富. 2013. 天府新区的产业选择与空间布局研究[J]. 中外企业家, (22): 27-29.四川规划建设的天府新区不是一般性的工业新区，而是要建一座“千 年之城”。产业是“立城之基”，产业选择是天府新区建设的核心问题。　　一、天府新区产业的选择必须考虑四个因 素　　1、产业与城市的关系。　　产业是立城之基。产业与城市的关系是：产业聚集，引起城市的出现；产业的发 展，带来城市的发展；产业衰落，城市也随之衰落。在城市的衰落过程中，人们会不断进行产业结构调整，延缓城市的衰落进程，因此，客观上存在“后拖效应”现 象。

DOI

[Liu H F.2013. Tianfu xinqu de chanye xuanze yu kongjian buju yanjiu[J]. Chinese and Foreign Entrepreneurs, (22): 27-29.]

14
牛方曲, 刘卫东, 冯建喜. 2016. 基于家庭区位需求的城市住房价格模拟分析[J]. 地理学报, 71(10): 1731-1740.目前关于城市住房价格异质性和影响因素研究多侧重于空间位置分析,从城市系统角度刻画住房价格分异现象有待进一步探索。根据"土地利用—交通相互作用理论",城市空间的发展过程是各类活动通过交通相互作用的过程,本文构建了交通可达性模型,综合全市经济活动空间分布和交通网络评价城市区位条件,并以北京为例,从就业、教育、消费、医疗服务等各方面评价了城市区位条件,在此基础上依据家庭成员结构,模拟分析了家庭区位需求对住房价格的影响。案例研究表明,本模型对房价的模拟可以在全市范围内达到很好的效果;家庭的区位选择决定着住房价格的空间格局;各类活动中就业对北京市房价分布影响最为显著,其次是消费、教育,而医疗服务对住房价格影响相对较弱。此外,本文所提出的模型系统阐述了城市经济活动分布格局对住房价格的影响,经济活动分布发生变化时模拟结果随之变化,因此,本模型可以进一步拓展用于"以业带人"政策实验,模拟分析疏散各类经济活动后住房价格的变化,也为城市房价及土地市场分析研究提供模型方法上的参考。

DOI

[Niu F Q, Liu W D, Feng J X.2016. Modeling urban housing price: The perspective of household activity demand[J]. Acta Geographica Sinica, 71(10): 1731-1740.]

15
王芳, 高晓路, 颜秉秋. 2014. 基于住宅价格的北京城市空间结构研究[J]. 地理科学进展, 33(10): 1322-1331.城市空间结构是城市地理研究的核心重点之一。近年来,城市住宅价格快速增长,一方面导致城市空间结构出现了一些新的特征和问题,另一方面住宅价格也可敏锐地反映出城市空间结构的演变。因此,本文从住宅价格的角度对北京市城市空间结构进行了探讨。利用北京市2005 年和2012 年二手房市场住宅的空间数据,通过GIS空间分析、空间自相关分析和Hedonic 回归分析等方法,对住宅价格时空格局及影响因素进行了分析,并在此基础上从住宅价格的角度探讨了城市空间结构的优化调整问题。北京市住宅价格存在蔓延式增长、空间差异明显及空间自相关性高等特点,其主要的影响因素包括区位条件、交通便利度、周围环境、基础设施、物业等级等。基于住宅价格得出北京市空间结构的主要特征为:①已形成了多中心的城市空间结构格局。除市中心外,还有亚奥地区、万柳—香山地区、中关村地区、复兴门地区、CBD等次中心,空间扩张仍呈现“摊大饼”的发展模式;②社会空间分异现象有所缓解,但仍存在明显的居住隔离。金融街、月坛等街道是房价高值集聚区,易形成“富人区”,而南六环尤其是房山则易形成“穷人区”;③交通条件和周围硬件环境等基础设施对城市空间结构有一定的调整作用,但调整的效果并不理想。

DOI

[Wang F, Gao X L, Yan B Q.2014. Research on urban spatial structure in Beijing based on housing prices[J]. Progress in Geography, 33(10): 1322-1331.]

16
王松涛, 郑思齐, 冯杰. 2007. 公共服务设施可达性及其对新建住房价格的影响: 以北京中心城为例[J]. 地理科学进展, 26(6): 78-85.

[Wang S T, Zheng S Q, Feng J.2007. Spatial accessibility of housing to public services and its impact on housing price: A case study of Beijing's inner city[J]. Progress in Geography, 26(6): 78-85.]

17
王延松. 2010. 成都市锦江区乡村旅游发展研究[D]. 成都: 电子科技大学. [Wang Y S. 2010. The rural tourism development research in Jinjang District, Chengdu[D]. Chengdu, China: University of Electronic Science and Technology of China.]

18
王洋洋. 2014. 物流节点布局对城市空间结构的影响分析: 以成都市为例[D]. 成都: 西南交通大学. [Wang Y Y. 2014. The analysis for the influence of logistics nodes layout to the urban spatial structure: Taking Chengdu as an example[D]. Chengdu, China: Southwest Jiaotong University.]

19
武力超, 林子辰, 关悦. 2014. 我国地区公共服务均等化的测度及影响因素研究[J]. 数量经济技术经济研究, (8): 72-86.

[Wu L C, Lin Z C, Guan Y.2014. Study on measurement of equalization of basic public service and its influencing factors[J]. Journal of Quantitative & Technical Economics, (8): 72-86.]

20
夏怡然, 陆铭. 2015. 城市间的“孟母三迁”: 公共服务影响劳动力流向的经验研究[J]. 管理世界, (10): 78-90.

[Xia Y R, Lu M.2015.Chengshi jian de "Mengmu Sanqian": Gonggongfuwu yingxiang laodongli liuxiang de jingyan yanjiu[J]. Management World, (10): 78-90.]

21
肖夏. 2014. 成都市都市区空间结构及演化机制研究[D]. 成都: 四川师范大学. [Xiao X. 2014. Research on the spatial structure and evolutionary mechanism of the Chengdu metropolitan area[D]. Chengdu, China: Sichuan Normal University.]

22
杨林川, 常延聚, 马晴, 等. 2015. 公共服务对住宅价格的影响: 以厦门岛为例[J]. 城乡规划: 城市地理学术版, (2): 32-41.本研究以隶属于厦门岛286个多／高层住宅小区的1250个样本数据为基础，根据Howden—Chapman生活空间质量基础设施主体理论，兼顾住宅三方面的特征——建筑特征、邻里特征和区位特征，基于线性函数形式，并采用多次回归以剔除不显著变量的方式，构建特征价格模型，定量分析6类公共服务设施对厦门岛房地产价格的影响方向、影响数值和影响程度。结果表明：1）公共服务可达性对厦门岛的房价有明显影响。厦门岛的公共服务设施规划布局已经被资本化入商品房价格；2）较之于其他公共服务，商业中心（即中山路，城市中心）对房价的影响最大，与Alonso的经典竞租理论一致；3）二级以上医院对厦门岛房价有负向影响，居民在居住区位的选择上排斥医院；4）公共交通模式而言，BRT比常规公交对房价有更大的影响。

[Yang L C, Chang Y J, Ma Q, et al.2015. The impact of public services on housing price: A case study of Xiamen Island, China[J]. Urban and Rural Planning, (2): 32-41.]

23
杨林川, 张衔春, 洪世键, 等. 2016. 公共服务设施步行可达性对住宅价格的影响: 基于累积机会的可达性度量方法[J]. 南方经济, 34(1): 57-70.

[Yang L C, Zhang X C, Hong S J, et al.2016. The impact of walking accessibility of public services on housing prices: Based on the cumulative opportunities measure[J]. South China Journal of Economics, 34(1): 57-70.]

24
邹金凤. 2013. 城市双核空间结构形成中的产业布局研究: 以成都为例[D]. 成都: 西南财经大学. [Zou J F. 2013. Research on industry layout in urban dual space structure formation: In Chengdu as an example[D]. Chengdu, China: Southwestern University of Finance and Economics.]

25
邹利林, 杨俊, 胡学东. 2013. 中国城市住宅价格时空演变研究进展与展望[J]. 地理科学进展, 32(10): 1479-1489.城市住宅价格时空演变历来是城市地理学和城市经济学关注的核心内容之一。住宅价格在空间、时间分布上具有内在规律性,探索这一规律信息及其影响机制,有助于政府制定合理的房价调控和土地利用政策。本文在总结中国城市住宅价格时空演变动力机制与模式、影响因素以及技术方法等方面研究进展的基础上,指出在研究内容与研究方法方面仍存在不足,有待深化。研究结论如下:未来中国城市住宅价格时空演变研究应立足于经济转型与制度改革的特殊背景,重视住宅价格时空演变理论框架的构建;加强宏观因素对住宅价格影响的定量研究以及探索住宅价格低值集聚的内外因素,全面考察各类因素对住宅价格的影响;强化GIS 技术对城市住宅价格时空演变特征信息的挖掘,并探索多维空间在时间序列上的动态GIS 模型,实现对住宅价格时空演变与分布的模拟分析与趋势预测;拓展城市住宅价格时空演变的普及性应用,并将研究成果与城市住宅价格监测成果形成动态互补性应用。

DOI

[Zou L L, Yang J, Hu X D.2013. Research on temporal-spatial changes of urban residential housing price in China: Progress and prospects[J]. Progress in Geography, 32(10): 1479-1489.]

26
Bertram C, Meyerhoff J, Rehdanz K, et al.2017. Differences in the recreational value of urban parks between weekdays and weekends: A discrete choice analysis[J]. Landscape and Urban Planning, 159: 5-14.Urban parks offer city residents a broad range of opportunities for recreation. This paper explores whether preferences for urban parks are context-dependent, i.e., whether they differ between recreational occasions on weekdays and weekends. Knowledge about such differences in behaviour and preferences could help decision makers in cities to optimise their portfolio of urban parks. Employing a discrete choice experiment for the case of Berlin, Germany, the analysis finds that preferences significantly differ between weekday and weekend recreation for some park characteristics. For weekdays, respondents prefer urban parks in closer proximity to their homes while the size of the parks is not so important. For the weekend, larger parks with picnic facilities are preferred while distance matters less. Most important are, however, cleanliness and maintenance, regardless of whether a park is visited on weekdays or the weekend. The results underline the importance of considering different temporal contexts when preferences for outdoor recreation are concerned.

DOI

27
Cao F, Ge Y, Wang J F.2013. Optimal discretization for geographical detectors-based risk assessment[J]. Giscience & Remote Sensing, 50(1): 78-92.The geographical detectors model is a new spatial analysis method for the assessment of health risks. It is adapted to discrete risk factors. Meanwhile, the geographical detectors model also effectively analyzes the continuous risk factors by discretizing the continuous data into discrete data. The biggest difficulty is in deciding how to discretize continuous risk factors using the most appropriate discretization method. In this paper, we will discuss the selection of an optimal discretization method for geographical detectors-based risk assessment, and exemplify the process using neural tube defects (NTD) from the Heshun County, Shanxi Province, China.

DOI

28
Getis A, Ord J K.1992. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 24(3): 189-206.Introduced in this paper is a family of statistics, G, that can be used as a measure of spatial association in a number of circumstances. The basic statistic is derived, its properties are identified,

DOI

29
Hu N, Legara E F, Lee K K, et al.2016. Impacts of land use and amenities on public transport use, urban planning and design[J]. Land Use Policy, 57: 356-367.Various land-use configurations are known to have wide-ranging effects on the dynamics of and within other city components including the transportation system. In this work, we particularly focus on the complex relationship between land-use and transport offering an innovative approach to the problem by using land-use features at two differing levels of granularity (the more generalland-use sector typesand the more granularamenity structures) to evaluate their impact on public transit ridership in both time and space. To quantify the interdependencies, we explored three machine learning models and demonstrate that the decision tree model performs best in terms of overall performance—good predictive accuracy, generality, computational efficiency, and “interpretability”. Results also reveal that amenity-related features are better predictors than the more general ones, which suggests that high-resolution geo-information can provide more insights into the dependence of transit ridership on land-use. We then demonstrate how the developed framework can be applied to urban planning for transit-oriented development by exploring practicable scenarios based on Singapore's urban plan toward 2030, which includes the development of “regional centers” (RCs) across the city-state. Results show an initial increase in transit ridership as the amount of amenities is increased. This trend, on the other hand, eventually reverses (particularly during peak hours) with continued strategic increase in amenities; a tipping point at 55% increase is identified where ridership begins to decline and at 110%, the predicted ridership begins to fall below current levels. Ourin-silicoexperiments support one of the medium-term land-use transport goals of stakeholders—to alleviate future strains in the transportation system of Singapore through the development ofRCs. The model put forward can serve as a good foundation in building decision-support tools that can assist planners in better strategizing and planning land-use configurations, in particular the amenity resource distribution, to influence and shape public transportation demand.

DOI

30
Husin H N, Nawawi A H, Ismail F, et al.2015. Correlation analysis of occupants' satisfaction and safety performance level in low cost housing[J]. Procedia-Social and Behavioral Sciences, 168: 238-248.The general building conditions in low cost housing are part of human's quality indicator. However, there are rising issues on the safety performance of the housing since the occupants are inclined to perceive safety hazards. Therefore, this paper explores the concept of Post Occupancy Evaluation (POE) as safety performance tool. This research conducted a survey on safety performance and occupants’ satisfaction to 24 numbers of low cost housing at Kuala Lumpur, Malaysia. The correlation result shows that safety performance has a significant relationship with occupants’ satisfaction. The findings supported the application of POE as the tool for safety performance.

DOI

31
Kooshali A D, Parvizi R, Azeri A R K, et al.2015. A comparative study on the effect of nature on satisfaction with residence at detached houses (single unit) and residential building complexes (apartment)[J]. Procedia-Social and Behavioral Sciences, 201: 243-254.In architecture, the most fundamental element is people. Thus, the meaning of any architectural work depends on the fact to what extent it realizes tranquillity, peace of mind and satisfaction of the people and is efficient to fulfil their needs. This research is a case study and is of survey type. Corresponding data has been analysed by logical reasoning and SPSS Software. The results of comparisons revealed that general sense of satisfaction and fixation in detached houses (single unit) is fulfilled more than residential building complexes (apartments). The criterion that is different more is the one relating to green space.

DOI

32
Lankila T, Näyhä S, Rautio A, et al.2015. Is geographical distance a barrier in the use of public primary health services among rural and urban young adults? Experience from Northern Finland[J]. Public Health, 131: 82-91.Abstract OBJECTIVES: To study the role of distance in public primary health service use in rural and urban local residential areas (102km05 grids) among the young adults of the Northern Finland Birth Cohort 1966 (N02=024503). STUDY DESIGN: Cross-sectional study of a cohort born in Northern Finland in 1966. METHODS: Use of local health centres was surveyed by postal questionnaire in 1997, and distance from study subjects' home to health centre was calculated along road network. The crude and adjusted incidence rate ratios (IRR) and their 95% confidence intervals were calculated for distance, predisposing and illness-level variables. Distance-related health inequity indices were calculated. RESULTS: The IRRs indicated 1.5-fold higher rate of health centre visits among subjects living farther than 1002km compared to subjects living within 202km from health centre in urban areas. In rural areas, IRRs indicated no significant association with distance and health centre use. No distance-related inequity in the use of health centre services was found. CONCLUSIONS: Distance does not seem to be major barrier in health service use among these 31-year old adults. However, closer study of some groups, such as the rural unemployed, might be valuable. Copyright 08 2015 The Royal Society for Public Health. Published by Elsevier Ltd. All rights reserved.

DOI PMID

33
Li H B, Liu Y L.2016. Neighborhood socioeconomic disadvantage and urban public green spaces availability: A localized modeling approach to inform land use policy[J]. Land Use Policy, 57: 470-478.Urban public green spaces (UPGSs) are rarely uniformly distributed across space. A subset of urban population is disproportionately well available of UPGSs, while other residents have considerably limited accessibility to UPGSs. Communicating and examining the spatial heterogeneity in UPGSs availability can formulate better land use policy. This paper applies the geographically weighted regression (GWR) to analyze the locality-specific relationships between neighborhood socioeconomic disadvantage and UPGSs availability at district level in Shanghai, China. In particular, we construct a neighborhood socioeconomic disadvantage index (NSDI) that incorporates elements from four dimensions including wealth, occupation, education and housing. Three domains of indicators (abundance, quality and accessibility) are developed to measure UPGSs. Results show that relationships between NSDI and UPGSs availability indicators present significant spatial non-stationarity. In general, UPGSs abundance and accessibility are lower in districts characterized by higher NSDI. However, converse trend is found in districts on the southwestern urban edge. UPGSs quality is poorer in districts with higher socioeconomic disadvantage within the central city, while UPGSs in the socioeconomically disadvantaged exhibit better quality within the outskirts. Our results highlight the importance of considering the locality-specific neighborhood socioeconomic profiles of UPGSs availability. The applied GWR framework presents promising potential for better UPGSs planning in a policy context. In the future, two principles are required for urban greening policies: (1) a comprehensive perspective in UPGSs availability evaluation; (2) locality-specific target strategies. The principles are not only key for China but also relevant to other nations who wish to achieve successful urban greening.

DOI

34
Ouyang W, Wang B Y, Tian L, et al.2017. 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, 60: 436-445.61The deprivation of urban public service is common in migrant enclaves in suburban Shanghai.61The factors affecting the degree of satisfaction of respondents are diverse.61More equitable and inclusive spatial planning is needed for a sustainable urban development.

DOI

35
Silverman B W.1986. Density estimation for statistics and data analysis[M]. London, UK: Chapman and Hall.

36
Wang J F, Li X H, Christakos G, et al.2010. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 24(1): 107-127.Physical environment, man‐made pollution, nutrition and their mutual interactions can be major causes of human diseases. These disease determinants have distinct spatial distributions across geographical units, so that their adequate study involves the investigation of the associated geographical strata. We propose four geographical detectors based on spatial variation analysis of the geographical strata to assess the environmental risks of health: the risk detector indicates where the risk areas are; the factor detector identifies factors that are responsible for the risk; the ecological detector discloses relative importance between the factors; and the interaction detector reveals whether the risk factors interact or lead to disease independently. In a real‐world study, the primary physical environment (watershed, lithozone and soil) was found to strongly control the neural tube defects (NTD) occurrences in the Heshun region (China). Basic nutrition (food) was found to be more important than man‐made pollution (chemical fertilizer) in the control of the spatial NTD pattern. Ancient materials released from geological faults and subsequently spread along slopes dramatically increase the NTD risk. These findings constitute valuable input to disease intervention strategies in the region of interest.

DOI

37
Wang Y, Wang S, Li G, et al.2017. Identifying the determinants of housing prices in China using spatial regression and the geographical detector technique[J]. Applied Geography, 79: 26-36.This study analyzed the direction and strength of the association between housing prices and their potential determinants in China, from a tripartite perspective that takes into account housing demand, housing supply, and the housing market. A data set made up of county-level housing prices and selected factors was constructed for the year 2014, and spatial regression and geographical detector technique were estimated. The results of the study indicate that the housing prices of Chinese counties are heavily influenced by the administrative level of the county in question. On the basis of results obtained using Moran's I , the study revealed the presence of significant spatial autocorrelation (or spatial agglomeration) in the data. Using spatial regression techniques, the study identifies the positive effect exerted by the proportion of renters, floating population, wage level, the cost of land, the housing market and city service level on housing prices, and the negative influence exerted by living space. The geographical detector technique revealed marked differences in the relative influence, as well as the strength of association, of the seven factors in relation to housing prices. The cost of land had a greater influence on housing prices than other factors. We argue that a better understanding of the determinants of housing prices in China at the county level will help Chinese policymakers to formulate more detailed and geographically specific housing policies.

DOI

38
Zhan X X, Zhang Z X, Sun F, et al.2016. The attitudes of primary healthcare providers towards web-based training on public health services in rural China: A cross-sectional study[J]. Public Health, 141: 153-162.61Majority of primary healthcare workers expressed a positive attitude towards web-based basic public health services (BPHSs) training.61Township public health workers who had previous public health training and better computer skills and who tended to read online were more likely to adopt web-based training on BPHS.61Village doctors who had better computer skills and better Internet speed, and who tended to read online were more likely to adopt web-based training on BPHS.61Implementing the web-based BPHS training among primary healthcare workers in China is feasible.

DOI

39
Zhang Z, Tang W.2016. Analysis of spatial patterns of public attention on housing prices in Chinese cities: A web search engine approach[J]. Applied Geography, 70: 68-81.Housing price has become one of the most pressing issues facing urban residents in China in recent years and received considerable attention. However, detailed housing price data are often ill-documented or unavailable for the public, thus posing a grand challenge for the study of housing prices in China. Because individuals' Internet search activities can be recorded by web search engines, the analysis of these web search activities in cyber-space may provide a means of better understanding public attention and associated concerns in real geographic space. In this study, we focus on exploring the spatial patterns of public attention on housing price through the analysis of web query activities based on Baidu Index, a Chinese keyword analysis tool from Baidu web search engine. We propose a new index based on keyword query outcome from Baidu search database to analyze spatially heterogeneous patterns of housing price attention from 19 large and medium-sized cities in China. We evaluate the spatial network structure of housing price attention, and develop a new index to measure the intensity of interaction relationships among cities of interest. Our results show that spatial interactions of housing price attention between cities evaluated using the new method are consistent with those from a gravity model. Meanwhile, as revealed from Baidu Index-based indicators, strong spatial association patterns exist among cities that form urban agglomerations. Further, our results demonstrate that the web search engine approach, based on the coupling of cyber-space and geographic space, provides solid support for the study of housing price attention and its spatially explicit patterns in China.

DOI

Options
Outlines

/

〈 〉