基于POI数据的住宅价格空间分异特征及影响因素研究——以成都市为例
A Study on the Characteristics and Influencing Factors of Housing Price Spatial Differentiation Based on POI Data—A Case Study of Chengdu City
摘要: 住宅价格因资源配置的不均衡呈现空间异质性，理解住宅价格空间分异特征及其影响因素将为实现土地优化配置和房地产市场调控提供理论依据。在此背景下，该文基于POI数据，采用空间效应检验、Kriging插值法和地理加权回归模型等方法对研究区域的住宅价格空间分异特征及影响因素进行分析。结果显示：① 成都房价的空间分布在大部分地域呈现圈层结构形态，在金堂县以及简阳市呈现多核心分布形态。② 在成都市住宅市场房价的影响因素中，邻里因素的影响程度最大，然后是区位因素，最后才是结构因素。③ 成都市居民住房需求已由“生活便利型”转为“生活质量型”，对改善型住房的需求日益增长。
Abstract: The housing price presents spatial heterogeneity due to the imbalance of resource allocation. Understanding the characteristics and influencing factors of the spatial differentiation of housing price will provide a theoretical basis for the realization of optimal land allocation and real estate market regulation. In this context, based on POI data, this paper uses spatial effect test, Kriging interpolation method and Geographic regression weighted model to analyze the characteristics and influencing factors of housing price spatial differentiation in the study area. The results show that: 1) The spatial distribution of housing price in Chengdu presents a circular structure in most regions, and a multi-core distribution pattern in Jintang County and Jianyang City. 2) Among the influencing factors of housing price in Chengdu, neighborhood factor is the most influential, followed by location factor, and finally is structural factor. 3) The housing demand of Chengdu residents has changed from “convenience” to “quality of life”, and the demand for improved housing is increasing day by day. 
文章引用：樊玉茹, 陈涛. 基于POI数据的住宅价格空间分异特征及影响因素研究——以成都市为例[J]. 现代管理, 2022, 12(8): 944-956. https://doi.org/10.12677/MM.2022.128128

参考文献

[1] 宋伟轩, 毛宁, 陈培阳, 袁亚琦, 汪毅. 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.
[2] 薛冰, 肖骁, 李京忠, 谢潇, 任婉侠, 逯承鹏, 姜璐. 基于POI大数据的老工业区房价影响因素空间分异与实证[J]. 人文地理, 2019, 34(4): 106-114.
[3] 瞿诗进, 胡守庚, 李全峰, 杨剩富. 城市住宅地价影响因素的定量识别与时空异质性——以武汉市为例[J]. 地理科学进展, 2018, 37(10): 1371-1380. [Google Scholar] [CrossRef] 
[4] 李颖丽, 刘勇, 刘秀华. 重庆市主城区住房价格影响因子的空间异质性[J]. 资源科学, 2017, 39(2): 335-345. [Google Scholar] [CrossRef] 
[5] 唐钱龙, 胡婉萱. 基于特征价格模型的轨道交通对沿线住宅价格影响研究——以长沙轨道交通1号线为例[J]. 铁道科学与工程学报, 2022, 19(2): 570-578.
[6] 黄醇醇, 王晓文, 李琳娜. 城市轨道交通对沿线住宅价格的时空效应——以福州地铁1号线为例[J]. 地理研究, 2021, 40(10): 2808-2822.
[7] 孙伟增, 郑思齐, 辛磊, 吴璟. 住房价格中地方公共品溢价的空间异质性及其影响因素研究: 以成都市为例[J]. 管理评论, 2015, 27(6): 11-20+29.
[8] 阚博颖, 濮励杰, 徐彩瑶, 朱明, 黄思华, 谢正栋. 基于GWR模型的南京主城区住宅地价空间异质性驱动因素研究[J]. 经济地理, 2019, 39(3): 100-107.
[9] 吴启睿, 贾士军, 边艳. 基于GWR模型的广州市住宅价格影响因素研究[J]. 工程管理学报, 2021, 35(3): 147-152.
[10] 胡炜, 刘永学, 林勇军. 基于GWR的住宅地价相对修正方法研究——以深圳市为例[J]. 中国土地科学, 2017, 31(9): 封2+62-69+封3.
[11] 陈子轩, 何丹. 北京市住宅价格空间分异特征及影响因素分析[J]. 地理信息世界, 2022, 29(2): 74-78+82.
[12] 尹上岗, 宋伟轩, 马志飞, 李在军, 吴启焰. 南京市住宅价格时空分异格局及其影响因素分析——基于地理加权回归模型的实证研究[J]. 人文地理, 2018, 33(3): 68-77.
[13] 崔娜娜, 崔丹, 肖亮. 城市住房租金价格影响因素的空间计量分析——基于GWR模型对北京市数据的分析[J]. 价格理论与实践, 2020(5): 45-48+132. .
[14] 隋雪艳, 吴巍, 周生路, 汪婧, 李志. 都市新区住宅地价空间异质性驱动因素研究——基于空间扩展模型和GWR模型的对比[J]. 地理科学, 2015, 35(6): 683-689.
[15] 崔娜娜, 古恒宇, 沈体雁. 北京市住房价格和租金的空间分异与相互关系[J]. 地理研究, 2019, 38(6): 1420-1434.
[16] 耿甜伟, 陈海, 张行, 史琴琴, 刘迪. 基于GWR的陕西省生态系统服务价值时空演变特征及影响因素分析[J]. 自然资源学报, 2020, 35(7): 1714-1727.
[17] 唐文彬, 肖秋菱, 颜红艳, 陈艳. 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.
[18] 张菲凡, 韩念龙, 纪旭, 胡珂. 基于GWR模型的房价空间影响因素研究——以海口市海甸岛为例[J]. 地理信息世界, 2022, 29(1): 52-57.
[19] 鲍雅君, 王依林, 郭忠臣, 王成洋. 基于GWR的住宅价格影响因素研究——以合肥市为例[J]. 宿州学院学报, 2022, 37(1): 33-38+79.
[20] 秦佳睿, 盛业华, 王燕锋, 何育枫. 南京市住宅价格影响因素分析[J]. 地球信息科学学报, 2021, 23(5): 882-890.
[21] 吕志芳, 陈英. 西部中小城市住宅地价空间分异规律及影响因素研究——以天水市为例[J]. 甘肃农业大学学报, 2017, 52(5): 112-120.
[22] 王洪强, 李小雪, 张英婕. 上海市住宅租金价格空间分异格局及其影响因素分析[J]. 管理现代化, 2019, 39(5): 95-100.
[23] 尹子琪, 庄皓程, 张建军. 基于SDE模型和Kriging法的住宅价格空间分异影响因素研究——以北京市海淀区为例[J]. 国土与自然资源研究, 2021(1): 11-17.
[24] 吴超, 刘鹏宇, 聂可. 南京市房价与影响因素的多尺度空间关系分析[J]. 现代城市研究, 2021(4): 93-98.

为你推荐