中图分类号：F293.3 文献标识码：A 文章编号：1000-8462(2012)02-0052-07 修回时间：2011-12-03 近年来，随着城市化进程加速发展，房地产市场发展进入新阶段，大中城市房价上涨过快，城市房价的波动和空间分异越来越受到社会各界的关注。本文试图利用地理加权回归的方法来定量分析上海房价的数据，进而研究大都市的上海房价空间分异结构及其影响因子，从而为相关部门规范当前过热的片区房地产市场提供依据。 1 文献回顾 无论是国内还是国外对城市房价的研究都是广泛而又深入，他们分别从不同维度来分析房价问题。总体来说，主要有以下两种方法来解释城市住房市场中房价的波动和空间分异[1]。首先，从宏观角度来讲，主要集中在国家财政和货币政策如何来影响房价，其分别从供给和需求两方面来加以探讨[2]。需求方面主要从人口和经济增长着手，供给方面则主要从土地供给和房地产市场的收益率等因素来考虑[3-5]。其次，从微观角度来看，城市房价的微观分析使用了各种价格模型，房价被分解成单独的因子来决定价格[6]。房屋的户型，区位和其他一些因素通常被认为是影响房价的重要因子。包括上面提到的宏微观的方法都被用来研究房价在不同时段不同区位是如何来影响房价的空间分异特征[7-8]。 随着地理信息技术的不断发展，空间分析方法也有了极大的提高。英国学者Fotheringham提出了地理加权回归模型(Geographical Weighted Regression)，该模型是用于研究空间关系的一种新方法。许多空间问题都用GWR的方法可以很好的解决，它被认为是一种非常有效的方法来揭示被观测者空间非平稳性和空间依赖，城市房价的空间分异正好具有这种特征[9]。苏方林在对R&D知识生产进行参数估计时，得出GWR模型要比OLS模型更显著[10]。李志(2009)等得出GWR模型可以改进传统空间回归方法，能对城市地价影响因素边际价格作用空间变化性进行良好的估计[1]。吕萍等利用GWR模型探索了不同影响因素对北京市住宅用地价格的影响及其空间差异性[12]。这些研究都进一步证实GWR模型是一种很好的方法，在用GWR分析房价空间分布，尤其是对于上海这样的大都市来说，目前涉猎的研究者较少。本文拟以上海市为例，试图通过运用GIS结合GWR的方法对这些因素进行定量分析，旨在进一步研究房价的空间分异规律，为城市的科学规划和和谐发展提供依据。 2 数据来源和研究区域 目前，住宅是上海市房地产的主导类型。本文数据来源于一个非常著名的房产交易网站——安居客(www.anjuke.com)。按照该网站上把住宅分为公寓、老公房、新里洋房、别墅和其它等多种物业类型，但公寓占有绝大部分比重，达到75%，其数量多，空间分布广，因此本文选择公寓作为本文研究的对象(本文未说明的房价均指公寓的价格)以更具有代表性。通过在“安居客”网站上查找上海市外环以内各小区二手房屋(外环以内每年新建住宅不多，建设用地有限)，包括小区名称、具体位置、建成时间、绿化率、小区均价等数据。该网站提供的数据比较详尽，所有数据均为2010年12月份该小区房屋的均价，共收集数据1014个。 关于我国房屋市场的价格数据，一般有两类：一是房屋的实际交易销售价格，二是市场列出的价格。房屋实际交易销售价格是由各个城市的房屋交易管理中心管理，对公众公布的只是房屋销售价格的平均数据，具体单个房屋交易以及各类地理单元房屋销售价格不对外公布。各类房屋中介机构同样也掌握所参与房屋交易的销售价格，但这些数据一方面是商业秘密，其次，由于房屋中介机构的规模大小不一，地理覆盖有限，单个中介机构提供的房屋销售数据往往不能覆盖所有的需要研究的地理单元。所以，对中国城市房屋价格的地理分布的研究，往往依赖于房屋市场列出价格。由于传统媒体登出的房屋价格分散零乱，不仅收集完全数据的可能性小，同时很难获得足够的样本数据计算出居住小区的平均价格，但互联网房屋搜索网为收集城市房屋市场列出价格提供了可能。在采集上海房屋价格数据的过程中，我们选择了“安居客”作为基础数据的来源。成立于2007年4月的“安居客”到2009年底已经成为中国最大的房屋信息网站。其发布的租售房源超过100万套，上海地区每10笔二手房交易就有3笔来自安居客[13]。同时，“安居客”也是唯一提供小区房屋历史平均价格的网站，选择“安居客”网站作为基础数据来源不仅仅是因为其在房屋列出价格提供方面的权威性与系统性，同时也在其数据的可靠性。在“安居客”上有正式经纪人会员近3万人，我们将网站上登出的最新房屋价格随机地给房屋经纪人打电话核实，除去房屋已经售出以外，信息基本正确。 此外，所收集到的公园、地铁站点、学校、大型超市和CBD均为各权威官方网站上所找到的最新数据。对所收集到的数据均通过ArcGIS建立空间数据库，并建立相应的点图层，每个属性数据包括小区名称，房屋均价和具体位置等。
