论文分享｜揭示城市内部房价差异：基于基础设施视角与考虑时空异质性的可解释性机器学习算法

u3013885

Sep 26

6 min read

本期推送介绍香港大学社会基础设施促进公平与福祉实验室（SIEW Lab）成员胡莉蓉博士、主任何深静教授、与武汉大学苏世亮教授近期发表于 Land Use Policy 的论文：“Unravelling intra-urban spatiotemporal disparities in housing price dynamics: An infrastructural approach using interpretable machine-learning methods in Shenzhen, China”。

原文链接（点击阅览）

Hu, L., Su, S., & He, S*. (2027). Unravelling intra-urban spatiotemporal disparities in housing price dynamics: An infrastructural approach using interpretable machine-learning methods in Shenzhen, China. Land Use Policy, 172, 108314. https://doi.org/10.1016/j.landusepol.2026.108314

一、引言

住房不仅是基本生活需求，也是现代社会中家庭财富与安全感的重要来源。由于住房具有空间不可移动性、长期耐用性和高度异质性，房价变化为理解家庭财富与城市空间不平等提供了重要窗口。既有研究已记录住房市场繁荣与衰退过程中的空间价格分化，但主要关注国家或城市间尺度。相比之下，城市内部不同邻里和公共服务空间之间的房价动态分异仍缺乏长期、细尺度的研究。

本文关注三个相互关联的问题：城市内部住房价格差异如何随时间和空间演变？学校、医院、公园和地铁等关键基础设施如何资本化为住房价格？这种资本化是否随地点和市场阶段变化，并呈现非线性阈值？

传统住房价格研究主要基于特征价格模型，认为房价反映住房结构、区位和邻里属性的综合市场价值。在这一框架下，学校、医院、公园和交通设施通常被视为影响房价的便利设施。然而，这类研究容易将公共设施视为静态、孤立的价格属性。

本文引入“基础设施视角”，不再仅把学校、医院、公园和交通理解为提供服务的配套设施，而是将其视为嵌入城市发展、空间治理和资源分配过程的关键基础设施。它们的供给水平、服务质量、准入规则与空间组织方式，共同参与城市空间价值的形成与分化。在理论上，本文将特征价格研究与城市研究中的“基础设施转向”结合，提出基础设施影响住房价格分异的三个机制：第一，时间排序机制。不同基础设施在城市发展的不同阶段被建设、升级或重新赋值，因此其与住房价格的关联会随发展阶段和市场周期变化。第二，空间结构机制。基础设施的资本化并非随机分布，而是嵌入城市核心—外围结构、原特区内外差异和基础设施投资路径之中。第三，阈值与饱和机制。基础设施与房价之间不一定呈线性关系。某些高质量或稀缺资源可能在特定门槛附近对应明显的价格跃升，超过一定范围后，其边际关联则可能减弱或趋于饱和。

基于这一理论框架，本文以深圳为案例，利用2010—2023年二手住房交易数据和多源地理空间数据，分析城市内部住房价格动态分异及其与关键基础设施的关系。

二、数据与方法

本文的分析包括五个步骤。第一，整合住房交易与多源地理空间数据，构建基础设施的年度动态可达性指标。第二，使用基尼系数、Moran’s I 和局部空间自相关分析刻画住房价格的时空分异。第三，构建时空加权随机森林回归模型（Geographically and Temporally Random Forest Regression, GTRFR），同时处理非线性关系与时空异质性。第四，对GTRFR 输出的局部偏依赖曲线进行差异度计算、UMAP 降维与 HDBSCAN 聚类，以识别非线性关系及其阈值。第五，综合各项结果，讨论对城市规划、住房政策与土地使用政策的启示。

三、研究结果

2010—2023年，深圳房价呈现明显阶段性变化：2010—2015年缓慢上涨，2015—2021年快速上涨，2021年后回落。基尼系数显示，房价不平等在2015年和2020年达到高点，且均对应房价快速增长阶段。不同空间尺度比较表明，学区和15分钟步行生活圈等基础设施相关单元的房价分异更为突出，是观察城市内部住房不平等的重要尺度。全局 Moran’s I 结果表明，深圳房价始终存在较强且总体增强的空间自相关。高价热点主要集中在南山和福田，低价冷点更多分布在其他区域；但多数小区并未长期固定为热点或冷点，仅少数小区在14年间持续表现为高—高集聚。上述结果说明，深圳住房市场中宏观空间集聚与微观价值重组并存。

图3 深圳房价的时间趋势、峰值年份、多尺度基尼系数、Moran’s I 及冷热区分布

GTRFR 计算的局部相对重要性显示，学校质量在全部17个变量中具有最高的中位数相对重要性，其后依次为建筑年份和距海岸线距离。

学校质量的高相对重要性最初集中在城市核心区，随后在2015—2021年住房市场繁荣期扩展至原特区外。2021年后，其相对重要性有所减弱，但仍是住房价格动态中的主导因素，并在全市范围内分布得更加均匀。距大型公园距离的重要性也发生空间转移：最初在原特区沿海地区较高，随后原特区内外的差异减弱，最终在原特区外东北部表现出相对较高的重要性。距三甲医院距离的重要性在2015年前主要集中于中心区，2015—2021年则转向原特区外西北部。地铁连通性在2010—2012年的相对重要性最高，尤其集中在原特区内，随后逐步减弱并趋于空间均衡。这一变化与地铁网络的阶段性扩展一致：早期网络集中在原特区内，高连通性站点更稀缺；随着线路向外围延伸并相互连接，网络拓扑层级趋于平缓，高连通性区位的边际价值随之降低。

**图5 学校质量、距大型公园距离、距三甲医院距离、地铁连通性与距地铁站距离的局部相对重要性时空分布**

进一步划分六个子市场：原特区内外分别对应三个市场阶段，即2010—2015年、2016—2020年和2021—2023年，并以学校质量为例比较局部偏依赖曲线的聚类结果。在原特区内，学校质量资本化的阈值效应随时间增强。2010—2015年，主导曲线显示，当学校排名从第1名降至第50名时，模型预测房价从约30,000元/平方米降至约23,000元/平方米。2016—2020年，主导曲线在前10名和前35名附近出现明显的阶梯式变化。排名前35名的学校相对于低于这一门槛的学校，对应约20,000元/平方米的预测房价溢价。2021—2023年，跨越主要阈值所对应的预测房价差距进一步扩大至约30,000元/平方米。在原特区外，学校质量的阈值效应较弱，也更依赖市场繁荣阶段。2010—2015年和2021—2023年，原特区外的主导曲线显示，学校质量提升未对应明显的预测房价上升。仅在2016—2020年的市场繁荣期，随着学校排名从第1名降至第25名，模型预测房价从约80,000元/平方米降至约60,000元/平方米，并在第25名以后趋于稳定。此外，学校质量局部偏依赖曲线的时空聚类数量自2015年起上升，随后下降，并在2021年后再次上升。这表明，学校质量资本化的非线性模式在房价上涨期趋于收敛，在市场下行期则重新分化。