李 瑩，王楠楠，仝照民，劉艷芳，安 睿，劉 洋

（1.武漢大學(xué) 資源與環(huán)境科學(xué)學(xué)，武漢 430079；2.廣州市城市規(guī)劃勘測設(shè)計研究院，廣州 510060）

十九大報告提出，隨著中國城鎮(zhèn)化水平將超過60%，中國即將由增量擴(kuò)張進(jìn)入存量優(yōu)化時代，未來城市建設(shè)將更注重提升空間環(huán)境品質(zhì)，以滿足人民日益增長的美好生活需要。居民生活水平的提高與觀念的轉(zhuǎn)變使得居民不再僅僅關(guān)注建筑本身，更關(guān)注鄰域環(huán)境的供給。這對房地產(chǎn)行業(yè)提出了新的要求：在保證房屋質(zhì)量的基礎(chǔ)上，政府應(yīng)聯(lián)合房地產(chǎn)開發(fā)商配套高品質(zhì)的生活空間，以滿足人民日益增長的環(huán)境需求。

目前，特征價格模型最常用于研究房價與其影響因素之間的關(guān)系，認(rèn)為人們對房屋特征的需求會通過其對房價的支付意愿表現(xiàn)出來，而支付意愿的差異可表征為不同特征對住房價格的影響程度（Rosen et al., 1974）。現(xiàn)有研究大多將這些特征分為結(jié)構(gòu)特征、鄰里特征與區(qū)位特征，其中，結(jié)構(gòu)特征主要關(guān)注房屋或社區(qū)的建筑因素；鄰里特征側(cè)重房屋及社區(qū)周邊基礎(chǔ)設(shè)施的數(shù)量、密度與最近距離等表征設(shè)施可達(dá)性的要素（Hu et al., 2019）；而區(qū)位特征主要考慮社區(qū)空間區(qū)位、商務(wù)區(qū)位與交通區(qū)位（宋偉軒 等，2017）。

街道作為城市交通的重要公共空間與社會活動的主要場所，高品質(zhì)街道具有出行便捷、交通安全、空間舒適的特征（周進(jìn) 等，2003），會強(qiáng)化周邊社區(qū)的出行高效性、空間感知的安全性與舒適性，進(jìn)而影響住房價格（Xiao et al., 2016; Xu et al.,2022）?，F(xiàn)有研究表明，路網(wǎng)形態(tài)可以預(yù)測交通流量、影響交通高效性以及塑造異質(zhì)性功能空間，對住宅價格產(chǎn)生“接近性”正效應(yīng)和“中間性”負(fù)效應(yīng)2 種不同效應(yīng)（肖揚(yáng)，2015；Xiao et al., 2016；古恒宇 等，2018a），因此，社區(qū)交通可達(dá)性的提升有助于增強(qiáng)居住吸引力以及抬升房價（刁晶晶 等，2018），然而，復(fù)雜的道路網(wǎng)絡(luò)結(jié)構(gòu)有時也會引致交通擁堵等負(fù)外部性（Xiao et al., 2016）。社區(qū)出行的高效性對房價的影響存在空間異質(zhì)性，相比于城市中心，交通可達(dá)性與換乘便捷性對城市外圍的不動產(chǎn)價格影響更明顯（杜超 等，2019）。在交通高效性研究基礎(chǔ)上，學(xué)者逐漸關(guān)注到街道在居民生活中所扮演的角色發(fā)生轉(zhuǎn)變。街道不僅僅是居民交通出行空間，更是人們生活交流的重要場所，因此，居民對街道的安全性與舒適性提出更高的要求。傳統(tǒng)研究大多采用POI數(shù)據(jù)、遙感數(shù)據(jù)與城市犯罪數(shù)據(jù)，聚焦于自然環(huán)境要素的數(shù)量、密度或距離屬性以及環(huán)境安全性等對房價的影響（Wen et al., 2017;Bin et al., 2020），而街景圖片的出現(xiàn)為精細(xì)化地了解社區(qū)環(huán)境提供了可能（Rundle et al., 2011），并豐富了環(huán)境對房價影響的研究。一方面，可以通過街景圖片語義分割街道中安全設(shè)施建設(shè)的現(xiàn)狀、鄰里環(huán)境的紊亂特征與居民對犯罪的恐懼感（Arietta et al., 2014; Jing et al., 2021），進(jìn)而衡量居民對街道環(huán)境的安全感知對房價的影響?，F(xiàn)有研究表明，機(jī)動化程度對學(xué)區(qū)房房價的抑制作用更明顯（Xu et al.,2021）；混亂的街道景觀更容易降低居民的安全感，因而影響購房者居住意愿（Hsu et al., 2022）。另一方面，街道中可視的綠色植物、天空以及建筑物的比例會影響出行者身處街道的空間舒適度，舒適的空間環(huán)境有助于緩解人們的消極情緒與心理壓力（Liu et al., 2020），增加居民活動的積極性，降低疾病發(fā)生率（Xu et al., 2022），居民對環(huán)境良好的社區(qū)居住意愿與支付意愿均較強(qiáng)。良好的街道可見綠化對房價具有明顯的抬升作用（Zhang et al., 2018;Xu et al., 2021），并且這種影響的程度遠(yuǎn)高于基于遙感影像計算的區(qū)域可達(dá)綠化（Ye et al., 2019）；而當(dāng)天空開敞度為0.35 時，會對房價負(fù)向影響較強(qiáng)（Chen et al., 2020）。不同地區(qū)居民對空間舒適度的需求存在差異（Fu et al., 2019）。此外，現(xiàn)有研究也表明，街道空間品質(zhì)的改善與房價增值效應(yīng)具有明顯關(guān)聯(lián)（Kang et al., 2021）。

傳統(tǒng)研究常采用線性模型、半對數(shù)模型和對數(shù)模型，探討房價及其影響因素的全局線性關(guān)系（韓艷紅 等，2018），后續(xù)以空間杜賓回歸（Su et al.,2021）、地理加權(quán)回歸（趙梓渝 等，2019）與混合地理加權(quán)回歸（沈體雁 等，2020）等空間計量方法，嘗試探索房價及其影響因素的空間非平穩(wěn)性與空間異質(zhì)性關(guān)系，但此類方法仍局限于解釋房價及其影響因素的線性關(guān)系。而機(jī)器學(xué)習(xí)模型在處理因子共線性、探索非線性關(guān)系與尋找閾值效應(yīng)中表現(xiàn)出較強(qiáng)的分析能力（仝照民 等，2021；An et al.,2022）。部分依賴曲線、SHAP方法等方法可以挖掘影響因素與房價間的關(guān)鍵閾值（Zhang et al., 2018;Hu et al., 2019），研究發(fā)現(xiàn)當(dāng)社區(qū)周邊綠色景觀指數(shù)超過0.5 時才會對房價產(chǎn)生明顯影響（Zhang et al., 2018），而不同公共設(shè)施對房價的影響均存在極值，設(shè)施可達(dá)性超過閾值后對房價幾乎無影響（Taecharungroj, 2021）。因此，使用機(jī)器學(xué)習(xí)方法探索影響因素與房價之間的非線性關(guān)系并識別閾值效應(yīng)潛力較高。

綜上，現(xiàn)有研究多局限于考慮房屋本身屬性、設(shè)施數(shù)量供給、路網(wǎng)形態(tài)以及街道空間感知體驗(yàn)等單一維度對房價的影響，尚未綜合考量街道品質(zhì)的多維特征對房價的潛在影響，低估或忽視了居民對街道品質(zhì)的支付意愿，或?qū)е伦≌苓吔值啦⒉荒軡M足居民的實(shí)際需求（Zhang et al., 2018）。另外，現(xiàn)有線性模型限制性較強(qiáng)，且無法有效揭示街道品質(zhì)與房價復(fù)雜非線性關(guān)系?；诖?，本研究以廣州市為例，構(gòu)建了包含全局接近度、防護(hù)隔離設(shè)施完善度、綠視率等12個街道品質(zhì)因子精細(xì)化的指標(biāo)體系，利用隨機(jī)森林建模并繪制累積局部效應(yīng)圖，探索街道品質(zhì)對住房價格影響的非線性關(guān)系，挖掘潛在的閾值效應(yīng)，以期為塑造高品質(zhì)街道空間，滿足居民多樣化生活生產(chǎn)需求，加快宜居城市建設(shè)提供實(shí)證啟示。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

廣州市作為粵港澳大灣區(qū)的核心城市，其迅速上漲的房價受到廣泛關(guān)注。此外，《廣州市交通運(yùn)輸“十四五”規(guī)劃（2021 年）》（廣州市交通運(yùn)輸局，2021）指出，廣州市未來著力構(gòu)建布局合理、轉(zhuǎn)換高效、循環(huán)暢通的路網(wǎng)體系，同時推廣人性化、精細(xì)化的道路空間和交通設(shè)計。廣州市是道路精細(xì)化建設(shè)的先行地，以廣州市為例，探索街道品質(zhì)對房價的影響，有助于指導(dǎo)其他城市精細(xì)化道路建設(shè)，對建設(shè)宜居城市具有較強(qiáng)的現(xiàn)實(shí)意義與借鑒價值。

廣州市主城區(qū)囊括了廣州市70%的社區(qū)，社區(qū)類型多樣，具有研究代表性。綜合考慮街景數(shù)據(jù)獲取難度與精度，以及研究區(qū)內(nèi)外路網(wǎng)連通性，將《廣州市城市總體規(guī)劃（2011－2020年）》（廣州市自然資源和規(guī)劃局，2012）中確定的廣州市中心城區(qū)作為研究區(qū)，即廣州市荔灣區(qū)、越秀區(qū)、海珠區(qū)、天河區(qū)、白云區(qū)北二環(huán)以南地區(qū)，及黃埔區(qū)除九龍鎮(zhèn)以外地區(qū)（圖1）。

圖1 研究區(qū)區(qū)位Fig.1 Location of the study area

1.2 數(shù)據(jù)來源

社區(qū)房價及屬性數(shù)據(jù)通過安居客網(wǎng)站獲得①https://guangzhou.anjuke.com，去除缺少信息的樣本、重復(fù)記錄的樣本與異常值樣本，最終確定2 149 個社區(qū)為研究樣本。路網(wǎng)數(shù)據(jù)來源于廣州市城市規(guī)劃勘測設(shè)計研究院，共計35 726條道路。街景圖像數(shù)據(jù)通過百度地圖全景圖功能獲?、趆ttp://map.baidu.com，街景樣本的選擇是沿道路中心線以100 m為間隔生成街景采集點(diǎn)，然后確定廣州市主城區(qū)社區(qū)可達(dá)500 m 范圍內(nèi)街景點(diǎn)，獲取其道路平行2個視角的街景圖片，視角范圍為120°，圖片分辨率為512×1 024。最終獲取到共7 909條路的16 317個街景點(diǎn)共計32 634張街景圖片。POI數(shù)據(jù)通過高德提供的API 接口獲取，最終獲取到廣州市內(nèi)123 萬個POI。夜光遙感數(shù)據(jù)來自珞珈一號衛(wèi)星數(shù)據(jù)，空間分辨率為130 m。數(shù)據(jù)時間節(jié)點(diǎn)均為2019年。

2 研究方法與變量選擇

2.1 擴(kuò)展空間句法

擴(kuò)展空間句法（Spatial Design Network Analysis, sDNA）對路網(wǎng)空間形態(tài)進(jìn)行拓?fù)浞治觯M(jìn)而分析空間與行為的關(guān)系，其在對傳統(tǒng)空間句法基礎(chǔ)上，提出了接近度和穿行度2個更貼近實(shí)際情況的路網(wǎng)形態(tài)變量算法（古恒宇 等，2018a）。

相比起傳統(tǒng)空間句法計算集成度時，僅考慮道路網(wǎng)絡(luò)結(jié)點(diǎn)數(shù)與總拓?fù)渖疃?，接近度引入p（y）權(quán)重參數(shù)，綜合考慮了道路網(wǎng)絡(luò)的質(zhì)量和數(shù)量（古恒宇 等，2018b）。接近度代表周圍路網(wǎng)到該道路難易程度，接近度越高意味著其越容易到達(dá)周邊位置，可達(dá)性較好，同時也更加容易吸引周邊人流，形成社會活動的集群，因此，接近度較高的區(qū)域多為交通樞紐或城市社會經(jīng)濟(jì)活動中心（宋小冬 等，2020）。sDNA 接近度計算公式為（Cooper et al.,2020），

式中：NQPDE(x)為搜索節(jié)點(diǎn)x的穿行度，y為節(jié)點(diǎn)x半徑范圍內(nèi)的節(jié)點(diǎn)，為Rx代表在拓?fù)渚W(wǎng)絡(luò)中連接的線段集合；W(y)代表線段的權(quán)重；p(y)為搜索半徑內(nèi)線段的比例；dm(x，y)為節(jié)點(diǎn)x到節(jié)點(diǎn)y的最短拓?fù)渚嚯x。

sDNA 計算穿行度時使用搜索半徑內(nèi)的節(jié)點(diǎn)總數(shù)進(jìn)行參數(shù)的標(biāo)準(zhǔn)化，相比于傳統(tǒng)空間句法中的選擇度，可消除路網(wǎng)節(jié)點(diǎn)對計算結(jié)果的影響（古恒宇等，2018b）。穿行度表征道路被人流或車流通過的概率，穿行度較高的道路表示其能承載較多的通過性人流車流，一般為搜索半徑內(nèi)的交通干道。sDNA穿行度計算公式為（Cooper et al., 2020），

式中：TPBt(x)為搜索節(jié)點(diǎn)x的穿行度，y、z分別為節(jié)點(diǎn)x半徑范圍內(nèi)的節(jié)點(diǎn)，OD(y，z，x)為搜索半徑內(nèi)x、y、z之間最短拓?fù)渎窂?；W(z)為線段的權(quán)重；P(z) 為搜索半徑內(nèi)線段的比例；total weight(y)為半徑內(nèi)每個線段的權(quán)重之和。

2.2 街景圖片語義分割

選取開源的DeepLab v3+語義分割技術(shù)，以xception-71 架構(gòu)對街景圖像進(jìn)行解譯（Chen et al.,2018），該技術(shù)主要分為編碼與解碼2個階段。在編碼階段，使用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行概率分割，采用帶孔的卷積層引入多尺度信息，提高模型捕獲細(xì)節(jié)的能力，在解碼階段，采用概率圖模型將底層特征與高層特征進(jìn)一步融合，提升分割邊界準(zhǔn)確度。訓(xùn)練集采用Cityscapes 數(shù)據(jù)集，該數(shù)據(jù)集包含來自50個不同城市的街道場景，擁有5 000張高質(zhì)量像素級注釋圖像，能較精確地提取圖片中的建筑、天空、樹木、交通標(biāo)識等各類要素。該模型語義分割精度可以達(dá)到80.31%，識別效果如圖2所示。

圖2 街景圖片語義分割示意圖Fig.2 Schematic diagram of the semantic segmentation of the Street View pictures

2.3 隨機(jī)森林與累積局部效應(yīng)圖

隨機(jī)森林（Random Forest, RF）結(jié)合了“bootstrap aggregating”思想與“random subspace”方法，其實(shí)質(zhì)是一個包含多個隨機(jī)生成并各自獨(dú)立的決策樹分類器，最終將準(zhǔn)確率最高的決策樹視為最終結(jié)果。由于隨機(jī)森林每次都是隨機(jī)選擇部分變量建模，因此變量間相關(guān)性對模型準(zhǔn)確度影響較?。↙evantesi et al., 2020）。傳統(tǒng)研究大多采用部分依賴圖將隨機(jī)森林模型中各預(yù)測變量對響應(yīng)變量的影響進(jìn)行可視化，當(dāng)自變量間存在較強(qiáng)相關(guān)性時，部分依賴曲線計算過程中會產(chǎn)生過多的無效樣本，導(dǎo)致估算結(jié)果與實(shí)際相差較大。為擺脫變量獨(dú)立性假設(shè)的約束，采用累積局部效應(yīng)圖（Accumulated Local Effects Plot, ALE plot），通過保持其余變量不變，計算單個因素局部效應(yīng)以消除相關(guān)性的干擾，進(jìn)而更精確地表征各影響因素與房價之間復(fù)雜的非線性關(guān)系（Apley et al., 2020）。計算公式為：

式中：zk代表特征x1的網(wǎng)格，通常是分位數(shù)，以便每個結(jié)果區(qū)間包含相似數(shù)量的點(diǎn)；N(k)表示區(qū)間[zk-1，zk)；n(k)表示區(qū)間N(k)內(nèi)點(diǎn)數(shù)；k(x1)表示x1落入?yún)^(qū)間的索引；f(zk，)代表保持其余特征不變，替換x1右區(qū)間端點(diǎn)zk的值（或者左區(qū)間端點(diǎn)zk-1的值）預(yù)測的差異值后計算這些值與其平均預(yù)測值的差異。

2.4 變量選擇

選擇特征價格模型內(nèi)的傳統(tǒng)指標(biāo)為控制變量，主要包括3 個方面：1）結(jié)構(gòu)特征選擇社區(qū)建成年限、車位比、容積率、綠化率等4項(xiàng)對居民居住感受產(chǎn)生直接影響的因素（徐丹萌 等，2021）。2）鄰里特征根據(jù)《城市居住區(qū)規(guī)劃設(shè)計標(biāo)準(zhǔn)》（中華人民共和國住房和城鄉(xiāng)建設(shè)部，2018）中要求的教育設(shè)施等7種基礎(chǔ)設(shè)施可達(dá)性計算，以表征社區(qū)獲得教育、交通、醫(yī)療等基礎(chǔ)生活服務(wù)的便捷性，并計算可服務(wù)設(shè)施的香農(nóng)多樣性指數(shù)③香農(nóng)多樣性指數(shù)是基于信息熵理論計算的指標(biāo)，可以同時反映社區(qū)可達(dá)范圍內(nèi)設(shè)施的種類與數(shù)量及所有設(shè)施在社區(qū)可達(dá)范圍內(nèi)分布的平均性，計算公式為：SHDIx =；式中：SHDIx表示社區(qū)x可獲得服務(wù)設(shè)施的香農(nóng)多樣性指數(shù)；pi為第i類設(shè)施占總設(shè)施數(shù)量的百分比。以表示社區(qū)周邊可覆蓋設(shè)施類型種類與數(shù)量分布的均勻性，設(shè)施香農(nóng)多樣性指數(shù)越高，居民可獲得的服務(wù)就越多樣化和平衡。良好的基礎(chǔ)設(shè)施服務(wù)水平是居民購房主要考慮的因素之一（Hu et al., 2019）。3）區(qū)位特征選擇商業(yè)經(jīng)濟(jì)區(qū)位與公共交通區(qū)位2個指標(biāo)進(jìn)行表征。中央商務(wù)區(qū)優(yōu)勢資源集聚，商業(yè)經(jīng)濟(jì)區(qū)位可表征社區(qū)商業(yè)資源優(yōu)勢度和經(jīng)濟(jì)繁榮程度（Li et al.,2019）；而公共交通區(qū)位可以有效反映居民以公共交通出行的便利性和通勤成本（王乾 等，2021）。

高效性、安全性和舒適性是街道品質(zhì)的重要指征（葉宇 等，2019；樊鈞 等，2019）。1）街道高效性主要包括社區(qū)通行與換乘的便捷性。路網(wǎng)結(jié)構(gòu)變量可以有效擬合交通流量，反映社區(qū)交通條件（朱東風(fēng)，2006），通達(dá)的路網(wǎng)可以有效降低居民出行的成本，進(jìn)而影響住宅價格（Xiao et al., 2016）。全局接近度與全局穿行度表征車行尺度交通高效性，局部接近度與局部穿行度表征步行尺度交通高效性。2）街道環(huán)境的安全性顯著影響居民的購房意愿（Li et al., 2017），在不安全或者犯罪事件高發(fā)的地區(qū)，房產(chǎn)價格往往較低（Buonanno et al.,2012）。完善的機(jī)動化與步行交通設(shè)施建設(shè)可有效保障機(jī)動車與步行交通的安全性；交通信號標(biāo)志與防護(hù)隔離設(shè)施也可有效避免交通事故、減少機(jī)動車與非機(jī)動車的互相干擾（Lv et al., 2021）；夜間燈光能為出行者提供必要的光照，提高出行安全感，此三者可降低交通事故與違法犯罪事件發(fā)生率，營造安全的社區(qū)環(huán)境（Dumbaugh et al., 2009; Yang et al., 2019）。3）空間綠化可以凈化空氣、緩解居民壓力、提高居民生活幸福度，良好的天空可視域能減少高層建筑帶來的壓迫感（Liu et al., 2020），故購房者對環(huán)境舒適的房產(chǎn)支付意愿更強(qiáng)（Cetintahra et al., 2015）。社區(qū)房價潛在影響因素的定義和計算方法如表1所示。

表1 社區(qū)房價潛在影響因素的描述與統(tǒng)計Table 1 Description and statistics of the potential factors influencing the community housing prices

3 結(jié)果分析

3.1 社區(qū)街道品質(zhì)空間分布格局

如圖3、4 所示：1）道路全局接近度呈現(xiàn)出以荔灣區(qū)、越秀區(qū)與海珠區(qū)等廣州市老城區(qū)交界處為核心逐漸向城市外圍遞減的趨勢，道路全局穿行度與道路等級表現(xiàn)出較明顯的一致性，通行性主干道全局穿行度較高，越秀區(qū)與天河區(qū)交界處交通干線連接性強(qiáng)、密度更高，因而社區(qū)全局接近度與全局穿行度分布也呈現(xiàn)明顯的單核心與圈層衰減的特征，老城區(qū)核心內(nèi)社區(qū)周圍的街道對車流的承載能力更強(qiáng)，匯集的通行性車流更多，居民出行換乘更加便捷。2）內(nèi)環(huán)線內(nèi)支路建設(shè)較密集，對短距離交通出入和集散功能較強(qiáng)，道路局部接近度較高，因而局部接近度較高的社區(qū)大多集中于內(nèi)環(huán)線內(nèi)。局部穿行度較高的社區(qū)分布較為分散，珠江兩岸集中了大部分局部穿行度較高的社區(qū)。3）道路等級與道路機(jī)動化建設(shè)存在一致性，距離通行性交通干道較近的社區(qū)，其周邊道路的機(jī)動化程度較高。以荔灣區(qū)為代表的廣州市老城區(qū)可識別的步行道比例較高、步行交通設(shè)施建設(shè)較為完善。4）十字路口等出行者交叉穿越的地方，其位置信號燈和交通標(biāo)識建設(shè)密度更高，因此附近道路長度較短、交叉口較多的社區(qū)可識別信號標(biāo)志要素占比較高。廣州市老城區(qū)街道建設(shè)較早，防護(hù)隔離設(shè)施完善度劣于天河區(qū)等其他開發(fā)建設(shè)稍晚的區(qū)域。5）越秀區(qū)與天河區(qū)商業(yè)中心較多，夜間活動豐富，道路與社區(qū)夜間照明情況優(yōu)于其他地區(qū)。6）城市邊緣道路或次干道綠視率較高，高檔小區(qū)則多位于較為僻靜、免受交通打擾的地區(qū)，因此綠視率高的社區(qū)大多分布于主城區(qū)邊緣與天河區(qū)高檔小區(qū)，如天宸原著、金灣明珠、匯景新城。7）天空開敞度與圍合度的空間分布趨勢相反，廣州市主城區(qū)中心開發(fā)建設(shè)強(qiáng)度高，天空開敞度低、圍合度高；天空開敞度沿主城區(qū)中心向外圍逐漸增加，圍合度逐漸降低。

圖3 道路街道品質(zhì)特征空間分布Fig.3 Spatial distribution of street quality of roads

圖4 社區(qū)街道品質(zhì)特征空間分布Fig.4 Spatial distribution of street quality of community

3.2 房價影響因素的相對重要性

以26個潛在影響因素與社區(qū)房價建立隨機(jī)森林回歸模型（RF），探索街道品質(zhì)對房價的影響，采用十折交叉驗(yàn)證模型準(zhǔn)確性，同時將其與最小二乘回歸（OLS）準(zhǔn)確性進(jìn)行比較（表2），RF模型調(diào)整R2達(dá)到0.671，相較于OLS模型提高0.145，RMSE、MAE均低于OLS模型，RF模型擬合優(yōu)度更好。

表2 OLS與RF模型比較Table 2 Comparison Between OLS and RF

通過計算IncMSE 確定各影響因素對房價影響的相對重要性（表3）。從單個變量的相對重要性看，排名第一的因素為商業(yè)經(jīng)濟(jì)區(qū)位（24.90%），基礎(chǔ)設(shè)施服務(wù)能力、經(jīng)濟(jì)繁榮程度、空間開發(fā)強(qiáng)度與舒適性都因商業(yè)經(jīng)濟(jì)區(qū)位而受到影響，因此商業(yè)經(jīng)濟(jì)區(qū)位對房價的影響可理解為多種因素的影響效應(yīng)疊加。其次為全局穿行度，對房價貢獻(xiàn)度為14.72%，充分表明社區(qū)交通便捷性是對房價影響較顯著的因素，交通便捷性會影響居民通勤、出行的時間與距離成本，故購房者對出行條件與交通區(qū)位較為關(guān)注。第三為社區(qū)建成年限（9.99%），房屋的建成時間與損耗也是購房者考慮的主要因素。另外，社區(qū)周邊設(shè)施多樣性（6.98%）既影響可服務(wù)設(shè)施完善度又影響就業(yè)機(jī)會的多樣性，因而會顯著影響居民購房意愿。各街道品質(zhì)特征中，全局接近度貢獻(xiàn)值也相對較高（3.33%），表明社區(qū)周邊道路中轉(zhuǎn)功能以及到達(dá)該社區(qū)的便捷程度會在一定程度上影響房價。道路機(jī)動化程度（2.64%）對房價的影響也較明顯。另外，良好的夜間照明可以給居住者較強(qiáng)的心理安全感，提升夜間出行的安全性，減少夜間搶劫和交通事故等的發(fā)生，因此夜間燈光亮度（2.14%）也明顯影響購房者對房價的支付意愿。在高強(qiáng)度城市開發(fā)背景下，噪音、空氣污染、光污染等對城市居民影響日趨加強(qiáng)，居民對舒適環(huán)境的偏好愈發(fā)明顯，綠視率、天空開敞度與圍合度3項(xiàng)舒適度因素對房價的貢獻(xiàn)度達(dá)到5.68%。

表3 變量相對重要性Table 3 Relative importance of explanatory variables

3.3 關(guān)鍵影響因素與房價的非線性關(guān)系

由于相對重要性高的自變量的影響作用遠(yuǎn)大于相對重要性低的自變量，因此，選擇對社區(qū)房價影響較明顯的關(guān)鍵因素，繪制其與房價的累積局部效應(yīng)圖（圖5至10）以描述二者的復(fù)雜的非線性關(guān)系。

圖5 高效性與房價的非線性關(guān)系Fig.5 Non-linear relationship between efficiency and housing prices

圖6 安全性與房價的非線性關(guān)系Fig.6 Non-linear relationship between safety and housing prices

圖7 舒適性與房價的非線性關(guān)系Fig.7 Non-linear relationship between comfort and housing prices

圖8 結(jié)構(gòu)特征與房價的非線性關(guān)系Fig.8 Non-linear relationship between structure characteristics and housing prices

3.3.1 街道品質(zhì)與房價的非線性關(guān)系

1）高效性

全局接近度在5～11與46～52時，社區(qū)交通可達(dá)性的提高將會促進(jìn)房價的明顯上漲，其平均邊際價格分別為633.44 元/m2與464.88 元/m2。全局接近度在5～11范圍內(nèi)的社區(qū)多為城市邊緣社區(qū)，其公共設(shè)施服務(wù)能力較弱，對交通的依賴性更強(qiáng)，因而全局接近度增加會對該區(qū)域房價產(chǎn)生明顯的抬升作用，且此范圍內(nèi)房價對路網(wǎng)通達(dá)性的依賴性最強(qiáng)。而全局接近度位于46～52區(qū)間的社區(qū)為城市交通樞紐或商業(yè)中心附近的社區(qū)，因其便捷的交通可達(dá)性可以匯集較多公司企業(yè)、產(chǎn)生較多的就業(yè)機(jī)會、配置較完善的服務(wù)設(shè)施、擁有較強(qiáng)的交通接駁換乘能力，通過降低居民通勤與生活出行成本抬升房價。當(dāng)社區(qū)全局接近度為34～40時，由于社區(qū)此時地處地區(qū)交通樞紐附近，其周邊聚集了較多目的性強(qiáng)的交通流量，集聚的車流量所帶來的交通擁堵、噪音等負(fù)外部性效應(yīng)強(qiáng)于交通換乘便捷等正外部性效應(yīng)，此時全局接近度對房價表現(xiàn)出抑制作用。

全局穿行度對房價整體呈正向影響，全局穿行度較差的社區(qū)需要通過長距離的交通出行獲得就業(yè)機(jī)會、教育醫(yī)療等生活服務(wù)，因而房價隨著居民對出行便捷性需求的增加而不斷提高，其影響程度逐漸加強(qiáng)。但當(dāng)社區(qū)全局穿行度＞1 715 后，社區(qū)全局穿行度越高，社區(qū)在空間上越接近高速公路、快速路等通行性干道。機(jī)動車產(chǎn)生的噪音、空氣污染會降低居民的生活品質(zhì)，高速的車行流也會對道路兩側(cè)非機(jī)動車交通產(chǎn)生一定分割作用，降低居民的步行通暢性，對房價產(chǎn)生負(fù)向影響。

當(dāng)局部接近度＜117 時，局部接近度每增加一個單位，購房者對房價的支付意愿平均上漲14.18元/m2。良好的短距離交通可達(dá)性可以使居民更易步行至超市等基礎(chǔ)便利設(shè)施或工作場所，購房者更傾向于購買工作單位附近且生活便利的房產(chǎn)，對房價的支付意愿也更強(qiáng)。但當(dāng)社區(qū)局部接近度＞117時，社區(qū)局部可達(dá)性的提升，并不會帶動房價明顯上漲，究其原因是，不同級別的交通樞紐存在一定替代作用，當(dāng)局部交通樞紐的服務(wù)能力超過一定閾值后，購房者反而更傾向于選擇全局交通中心樞紐周邊的房產(chǎn)，在步行交通的基礎(chǔ)上選擇私家車、公共交通等多樣化的出行方式，同時可以擴(kuò)大出行范圍。

2）安全性

安全性設(shè)施與房價整體呈正相關(guān)且閾值效應(yīng)明顯。當(dāng)機(jī)動化程度≤23%與＞26%時，對房價的正向影響較弱，而當(dāng)其處于23%～26%時，對房價影響的邊際價格可達(dá)1 211.25元/m2，此時機(jī)動化程度更佳，機(jī)動車通行環(huán)境更優(yōu)，車行安全性更高，交通事故較少。

防護(hù)隔離設(shè)施與房價的非線性關(guān)系以4.27%為突變值，小于該比例時，增加防護(hù)隔離設(shè)施可有效減少機(jī)動車與行人的干擾，增強(qiáng)交通安全性，防護(hù)隔離設(shè)施對居民購房支付意愿影響較強(qiáng)。當(dāng)其建設(shè)比例＞4.27%時，過于連續(xù)的防護(hù)隔離設(shè)施會降低交通網(wǎng)絡(luò)通暢性，影響居民穿行的便捷性，因而此情境下居民購房支付意愿降低至111.63元/m2。

圖9 鄰里特征與房價的非線性關(guān)系Fig.9 Non-linear relationship between neighborhood characteristics and housing prices

圖10 區(qū)位特征與房價的非線性關(guān)系Fig.10 Non-linear relationship between location characteristics and housing prices

房價隨著夜間燈光亮度提高而上漲，這是由于良好的夜間照明可以為居民夜晚出行提供必要的光照，有效減少交通事故與犯罪事件的發(fā)生，給出行者以安全感。但這種增值效應(yīng)隨著夜間燈光亮度的提高逐漸降低，當(dāng)夜間燈光亮度超過0.003 7 W/（m2·sr·μm）。此增值效應(yīng)的減弱趨勢尤其明顯，這是由于夜間燈光亮度過高時，燈光刺眼，且持續(xù)較長時間，容易產(chǎn)生光污染問題，影響居民休息。

3）舒適性

綠視率與房價的非線性關(guān)系以15.10%為閾值，當(dāng)綠視率＜15.10%，房價也處于較低水平，綠視率對房價影響程度微弱負(fù)向，原因在于購買較低房價的購房者因綠視率對住房產(chǎn)生的支付意愿與支付能力均不強(qiáng)。綠視率＞15.10%時，綠色植物可以凈化空氣、減少噪音，同時為住戶提供良好的運(yùn)動、娛樂、休息的自然環(huán)境，居民因綠視率對住房產(chǎn)生的支付意愿與支付能力均增強(qiáng)，房價隨著綠視率的增加而一直上漲，此階段綠視率的邊際價格為67.14元/m2。

當(dāng)天空開敞度＜34%時，其平均邊際價格為-133.61 元/m2，一方面是由于天空開敞度是由城市中心向城市外圍遞增，高天空開敞度的社區(qū)大多位于城市邊緣，經(jīng)濟(jì)水平不高，因而房價較低；另一方面，高層住宅雖導(dǎo)致天空開敞度較低，但高層住宅有利于居民享受更廣闊的空間視野、免受噪音污染，因而低天空開敞度的社區(qū)房價更高。

圍合度與房價呈負(fù)相關(guān)，圍合度每增加1%，房價平均降低64.69元/m2。隨著圍合度增加，社區(qū)周邊建筑密度增加，空間壓抑感增強(qiáng)，舒適性減弱，購房者對房價的支付意愿逐漸降低。

3.3.2 控制變量與房價的非線性關(guān)系

1）結(jié)構(gòu)特征：房價與社區(qū)建成年限的非線性負(fù)相關(guān)系以17 和21 為節(jié)點(diǎn)可以分為3 個階段，在17～21 之間，房價受房屋折舊影響最為顯著，房齡每增加1年，房價平均下降1 906.18元/m2，是前一階段的6倍左右，之后房屋整體較老舊，對房價幾乎無影響。當(dāng)車位比＜1.56時，房價與車位比呈正相關(guān)，車位比每增加一個單位，房價平均上漲1 783.28 元/m2，當(dāng)其＞1.56 時，并不會明顯影響房價，表明居民對高車位比需求不強(qiáng)。容積率體現(xiàn)社區(qū)開發(fā)強(qiáng)度，廣州市主城區(qū)可開發(fā)土地資源稀缺，開發(fā)商偏好容積率大的地塊，房價隨著容積率的增加而上漲，而當(dāng)容積率＞7.46時，對房價的影響微乎其微。

2）鄰里特征：文化體育設(shè)施成為鄰里因素中重要性程度最高的基礎(chǔ)設(shè)施，表明體育運(yùn)動與文化交流已成為廣州市居民較為重要的休閑娛樂方式，文體設(shè)施可達(dá)性與房價呈現(xiàn)明顯的對數(shù)關(guān)系，房價隨著文體設(shè)施可達(dá)性增加而上漲。設(shè)施多樣性與房價的非線性關(guān)系及閾值效應(yīng)明顯，當(dāng)社區(qū)周圍設(shè)施多樣性＜1.0 或＞1.5 時，居民更關(guān)注醫(yī)療、超市等某類基礎(chǔ)生活設(shè)施配置程度或場所品質(zhì)，此情景下設(shè)施多樣性對房價的影響不強(qiáng)。當(dāng)設(shè)施多樣性處于1.0～1.5范圍內(nèi)時，設(shè)施配置混合度越高，可兼顧滿足居多樣化需求以及提供多樣性的就業(yè)機(jī)會，其對房價的影響急劇增加。

3）區(qū)位特征：商業(yè)經(jīng)濟(jì)區(qū)位與房價呈明顯的負(fù)向關(guān)系，這與天河CBD作為廣州市商業(yè)單核心且其附近有3號線、5號線及APM 線等多條地鐵線路有關(guān)。社區(qū)距離天河商務(wù)中心的距離越遠(yuǎn)，房價對天河CBD的敏感性逐漸降低，當(dāng)社區(qū)距離天河商務(wù)中心的距離＞17 000 m時，當(dāng)?shù)鼐用窀鼉A向于選擇社區(qū)附近的次級商業(yè)設(shè)施，天河CBD對房價的影響趨無。

4 結(jié)論與討論

為準(zhǔn)確把握街道品質(zhì)對廣州房價的驅(qū)動機(jī)制，在控制傳統(tǒng)特征價格模型變量的基礎(chǔ)上，利用街景圖片、夜光遙感數(shù)據(jù)等多源大數(shù)據(jù)，從高效性、安全性、舒適性3個角度，設(shè)置了全局接近度、防護(hù)隔離設(shè)施完善度、綠視率等12個街道品質(zhì)指標(biāo)，運(yùn)用隨機(jī)森林與累積局部效應(yīng)圖，探討街道品質(zhì)對房價的非線性影響與閾值效應(yīng)，主要結(jié)論如下：

1）基于隨機(jī)森林所構(gòu)建的房價影響模型相較于最小二乘回歸模型調(diào)整R2提高了0.145，且平均絕對誤差、均方根誤差較小，表明隨機(jī)森林模型擬合精度更高，考慮街道品質(zhì)與房價間的非線性關(guān)系是必要的。

2）街道品質(zhì)因素對房價的解釋程度為36.74%，社區(qū)周邊街道品質(zhì)明顯影響購房者對房價的支付意愿。商業(yè)經(jīng)濟(jì)區(qū)位、全局穿行度與社區(qū)建成年限是對房價影響最明顯的3個因素。此外，房價中體現(xiàn)的購房者對機(jī)動化程度、夜間燈光亮度、防護(hù)隔離設(shè)施完善度、天空開敞度等安全性與舒適性因素也有所需求，在街道建設(shè)中也應(yīng)得到重視。

3）街道高效性指標(biāo)與房價存在復(fù)雜的非線性關(guān)系。交通便捷性越高，房價上漲明顯，但當(dāng)社區(qū)周邊道路的交通吸引與疏導(dǎo)能力難以滿足居民的出行需求或當(dāng)其處于次優(yōu)值區(qū)時，如全局穿行度超過1 715 后，交通正外部性難以掩蓋交通噪音、擁堵等負(fù)外部性問題，其對房價的負(fù)向影響更強(qiáng)。

當(dāng)?shù)缆窓C(jī)動化建設(shè)處于23%～26%，防護(hù)隔離設(shè)施建設(shè)比例＜4.27%，夜間燈光亮度＜0.003 7 W/（m2·sr·μm）時，三者對房價的正向影響最為明顯，房價對閾值范圍外的安全設(shè)施敏感度不高。

綠視率與房價整體呈正相關(guān)，但當(dāng)綠視率＜15.1%時，購房者支付能力有限與其支付意愿不強(qiáng)，房價與綠視率呈不相關(guān)或負(fù)相關(guān)關(guān)系。建筑高度與密度明顯影響天空開敞度與圍合度，且對二者的影響趨勢相反，因此雖然天空開敞度與圍合度均對房價產(chǎn)生消減作用，但二者的影響會產(chǎn)生互補(bǔ)效應(yīng)。

控制變量與房價的非線性特征與閾值效應(yīng)同樣顯著。結(jié)構(gòu)特征閾值效應(yīng)最為明顯，當(dāng)建成年限＞21 a、車位比＞1.56、容積率＞7.46時，結(jié)構(gòu)特征對購房者的購房意愿影響強(qiáng)度不大。鄰里因素中設(shè)施多樣性的閾值效應(yīng)可揭示居民基本生活設(shè)施的需求與高質(zhì)量生活品質(zhì)的偏好；天河區(qū)商務(wù)中心的服務(wù)半徑為1.7萬m，其對該范圍外的房產(chǎn)影響較微弱。

基于以上結(jié)論，得出如下啟示：

1）精準(zhǔn)把握街道品質(zhì)現(xiàn)狀與居民需求，有針對性地改善街道品質(zhì)。本研究基于房價與街道品質(zhì)的關(guān)系所反映的居民需求，針對性地提出街道要素建設(shè)策略，以改善街道品質(zhì)。如根據(jù)交通高效性要素對房價的正向影響，在街道建設(shè)中應(yīng)注重優(yōu)化路網(wǎng)結(jié)構(gòu)，增加路網(wǎng)連通性，避免“丁字路”與“斷頭路”的出現(xiàn)；根據(jù)交通負(fù)外部性對房價的負(fù)向影響，需要合理布設(shè)軌道交通站點(diǎn)、公交樞紐等公共交通設(shè)施，構(gòu)建功能協(xié)調(diào)的交通系統(tǒng)，解決道路擁堵、交通噪音等問題，滿足居民出行需求的同時提高居民居住舒適度；而根據(jù)安全設(shè)施與房價的閾值效應(yīng)，安全設(shè)施建設(shè)不應(yīng)過分追求數(shù)量，應(yīng)充分了解居民需求，以達(dá)到街道建設(shè)經(jīng)濟(jì)效應(yīng)最大化。此外，為避免防護(hù)隔離設(shè)施降低交通連通性，在交通情況復(fù)雜區(qū)域，可通過設(shè)置人行天橋或地下通道等立體化交通方式來實(shí)現(xiàn)人車分流，保障步行安全和車行順暢。為避免過度開發(fā)造成城市空間逼仄，導(dǎo)致居民帶來強(qiáng)烈的心理不適感，應(yīng)合理確定城市空間開發(fā)水平，明確空間開發(fā)上限，以居民需求為導(dǎo)向塑造高品質(zhì)居住空間。

2）著力保證居民街道空間獲取與使用的公平性。街道作為居民活動的重要公共空間，應(yīng)保證居民平等的享有街道空間的權(quán)利。特別是街道綠化建設(shè)，政府應(yīng)合理規(guī)劃綠色景觀，避免街道綠化分布的不均衡性，防止開發(fā)商在銷售過程中以綠色環(huán)境為由抬高房價，而導(dǎo)致過高的房產(chǎn)溢價，增加購房者購房壓力。

3）充分認(rèn)識街道建設(shè)的經(jīng)濟(jì)價值，明確城市街道建設(shè)的權(quán)責(zé)關(guān)系。在傳統(tǒng)城市建設(shè)中，街道的建設(shè)完善大多為政府出資，投入資金多，又難以得到直接的經(jīng)濟(jì)回報，而房地產(chǎn)開發(fā)商無條件地享受良好的街道品質(zhì)帶來的房價上漲，卻對街道品質(zhì)的優(yōu)化沒有貢獻(xiàn)。未來政府與房地產(chǎn)商都應(yīng)認(rèn)識到街道品質(zhì)建設(shè)帶來的經(jīng)濟(jì)效益，在街道建設(shè)中，建立多方協(xié)調(diào)機(jī)制，以政府、企業(yè)合作的方式平衡房地產(chǎn)開發(fā)商與政府出資，或向房地產(chǎn)開發(fā)商征收“街道品質(zhì)稅”，促使房地產(chǎn)開發(fā)商合理利用街道品質(zhì)對房價的影響。

本研究主要有以下2點(diǎn)創(chuàng)新：首先，本研究關(guān)注到街道功能多樣性與出行者需求多元化，重新定義街道品質(zhì)，擴(kuò)充了以往對街道品質(zhì)單一維度的認(rèn)知，構(gòu)建了綜合性街道品質(zhì)評價指標(biāo)體系。其次，充分認(rèn)識到街道品質(zhì)的經(jīng)濟(jì)效應(yīng)，以機(jī)器學(xué)習(xí)模型識別出街道要素建設(shè)的最優(yōu)區(qū)間，對指導(dǎo)街道精細(xì)化建設(shè)、提高社會公平性具有重要意義。但受限于街景圖片數(shù)據(jù)更新的問題，本研究僅分析了2019年街道品質(zhì)對房價的影響程度，未來將嘗試獲取多時間節(jié)點(diǎn)的街景圖片，分析街道品質(zhì)變化對住宅價格變動的影響程度。此外，在房地產(chǎn)價格激增與房地產(chǎn)限購、購房貸款調(diào)息等政策背景下，房地產(chǎn)租賃市場日益活躍，未來將嘗試進(jìn)一步剖析住房租金與街道品質(zhì)的內(nèi)在關(guān)系。本研究探索各因素與房價的非線性關(guān)系，下一步將嘗試構(gòu)建空間化－非線性的街道品質(zhì)與房價的關(guān)系解釋模型，進(jìn)一步考慮住宅空間屬性特征，并繼續(xù)收集社區(qū)所屬學(xué)區(qū)、學(xué)校等級、開發(fā)商特征等數(shù)據(jù)，深入探索各影響因素對房價影響的內(nèi)在機(jī)理。