基于大数据空间分析青岛市普通住宅价格研究.docVIP

基于大数据空间分析青岛市普通住宅价格研究 　　摘要：采用2016年青岛市14300个普通住宅新房及二手房均价数据，运用探索性空间数据分析和适宜克里格插值方法，对青岛市房价的空间分布进行模拟，揭示了青岛市住房价格的空间分布规律。同时利用ArcGIS空间分析方法，探索出影响青岛市房价的主要因素。 　　关键词：房价；大数据；ArcGIS；ESDA；克里金插值 　　中图分类号：F293.3 文献识别码：A 文章编号：1001-828X（2016）018-000-02 　　一、引言 　　土地和依存土地的房产是社会财富的重要组成部分。近年来，中国房地产市场迅速成长，出现了高度繁荣的格局。随着房地产业的持续增温，房价逐渐成为众多学者研究的热点之一。Dubin，Pace [1]探讨了在房地产市场研究中采用空间分析方法的可能途径；孟斌等[2]基于北京市2003年在售的261个普通住宅项目，引用多种空间分析方法，对北京市房地产，尤其是普通住宅的空间格局进行了实际分析；此后，梅志雄、宋雪娟、李传华[3-5]等纷纷将空间分析方法引入房价研究，对东莞、西安、兰州等地区进行了房价分异探索。 　　房价具有数理统计性质，且与地理区位有着密切联系，地形、交通、政策等因素对房产价格有着重要影响，因此不同城市房价的空间分布规律各不相同、各有特色。目前房价研究多集中于北上广等一线或省会城市，基于地统计分析的青岛市房价的空间分异规律尚未见报道；且此前研究仅有百余样本数据，数据数量过少会导致空间插值结果误差很大。为此，本文收集了14300条青岛市2016年普通住宅均价数据，运用探索性空间数据分析（ESDA）和地统计方法，以期对青岛市房价的空间分布进行模拟，揭示其空间分异规律和主要影响因素。 　　二、数据与分析 　　1.数据源及处理 　　青岛市地处山东半岛南部、黄海之滨，是中国东部沿海重要的经济中心城市和港口城市。本文的研究区覆盖整个青岛市行政区划，包括6个市辖区（市南、市北、李沧、崂山、黄岛、城阳）和4个县级市（即墨、胶州、平度、莱西）。利用互联网技术采集青岛市住宅项目的房价数据23282条，经过冗余数据剔除和销售均价修正后，可用合理普通住宅数据共14300条。将住宅项目名称、位置与房价经过格式转换和投影变换导入为ArcGIS中标准shp文件，联合青岛市行政区划底图、青岛市地形、交通数据构建青岛市普通住宅房价空间数据库。 　　2.空间自相关分析 　　房价空间数据为区域化变量，符合Tobler 的地理学第一定律“所有的地理事物都存在关系，但距离较近的事物比距离较远的事物更有关系”。通过空间自相关分析可以揭示区域单元上某一属性值与邻近区域单元上同一属性值的相关程度，发现空间异质和空间集聚，以判断区域化变量是否存在空间结构关系。 　　全局空间自相关是对房价值在整个区域的空间特征的描述，主要通过对 Global Moran’s I（莫兰指数）等全局空间自相关统计量的估计，分析区域总体的空间关联和空间差异程度。莫兰的值域为[-1，1]，正的I值表示空间正相关，即空间变量在点上的取值与相邻点的取值相似；相反则为空间负相关。本研究中利用ArcGIS中的Moran’s I功能计算空间自相关报表显示I=0.374642 0，远大于其期望，因此房价在整体上存在着正相关性，表现为相似值之间的空间集聚。P值等于零，即青岛房价分布是随机生成的概率小于1%，而由Z得分=670.359610可知，青岛市的房价集聚现象非常显著。 　　局域空间自相关分析可以帮助我们准确把握空间要素的异质性特性，局部G系数是一种基于距离权矩阵的局部空间自相关指标，能探测高值聚集和低值聚集。G值为正表示高值的聚类，G值为负表示低值的聚类，Z得分越高或越低，聚类程度就越高。利用ArcGIS中的高低聚类功能得到报表显示G=0.4167390，Z=56.045178，可见青岛市房价具有高值聚类，且聚类效果显著。 　　3.趋势分析 　　“趋势分析”是将房价值作为散点图投影到X，Z平面和Y，Z平面上，可以将其视为通过三维数据形成的横向视图，之后会根据投影平面上的散点图拟合多项式。其中X轴反映东西走向变化，正向为东，负向为西；Y轴反映南北走向变化，正向为北，负向为南；Z轴反映房价数值的高低。可以看出，新房房价高点主要集中在市辖区沿海带及东南部的崂山区，其余各区中心和县级市中心有零星峰值。 　　三、模拟与结果 　　1.模拟方法 　　克里金方法（Kriging）即空间局部插值法是以变异函数理论和结构分析为基础，利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏最优估计。本研究实验了多种克里金插值，并抽取10%的数据进行了插值结果的验证，通过交叉验证方法对插值误差进行了估计，验证数据