基于ArcGIS的房地产价格空间分布研究

首先以深圳市福田区部分普通住宅的房地产价格为数据基础,利用空间分布分析中的最近邻距离分析法确定了各住宅的空间分布情况,即呈簇状分布状态;然后,运用空间自相关理论和方法,选用Moran,指数对研究区域的房价自相关关系进行测度和实证分析,从而得到深圳市景田区部分住宅房地产价格的空间自相关性情况;最后,利用ArcGIS中的地统计分析工具对整个区域的房地产价格进行了拟合,得到研究区域房价的空间分布情况。     

西安市住宅价格空间分布特征及影响因素北大核心CSCD

针对目前西部二线城市住宅价格的空间分布研究较少的问题,该文从地质统计学角度出发,以西安市主城区452处的住宅价格数据为例,利用空间自相关、变异函数、克里金空间插值等理论方法,对住宅价格的空间分布特征及其影响因素进行了研究。研究发现,西安市主城区内住宅价格整体呈现空间正相关性,在各向同性上,住宅价格的最优拟合模型为指数模型,但在不同方向上变异程度不尽相同。目前,西安市主城区住宅价格的空间结构呈现一个极值中心,两个次级核心组团,两个新新组团的局面,价格整体南高北低、东高西低。究其原因,历史背景、新一轮城市规划和特定的景观环境及文化底蕴等要素均影响住宅价格的空间分布。     

西安市住宅价格空间分布特征及影响因素

针对目前西部二线城市住宅价格的空间分布研究较少的问题,该文从地质统计学角度出发,以西安市主城区452处的住宅价格数据为例,利用空间自相关、变异函数、克里金空间插值等理论方法,对住宅价格的空间分布特征及其影响因素进行了研究。研究发现,西安市主城区内住宅价格整体呈现空间正相关性,在各向同性上,住宅价格的最优拟合模型为指数模型,但在不同方向上变异程度不尽相同。目前,西安市主城区住宅价格的空间结构呈现一个极值中心,两个次级核心组团,两个新新组团的局面,价格整体南高北低、东高西低。究其原因,历史背景、新一轮城市规划和特定的景观环境及文化底蕴等要素均影响住宅价格的空间分布。     

西安市商品住宅价格空间格局的演化研究

针对目前城市住宅价格空间格局演化研究不足,尤其是内在驱动机制研究较少的现状,利用2000年、2004年、2008年及2013年4年节点数据,采用空间自相关指数并结合空间变异函数,分析西安市商品住宅价格空间格局演化特征及其驱动机制,为城市住房政策的制定提供参考。结果表明:住宅价格呈现出显著的空间自相关,热点和冷点区发生转移;住宅价格的空间变异程度不断加大,空间分异格局中的随机成分不断降低,结构化分异越来越显著;住宅价格高值区呈现出由双中心向多中心、多圈层演化的趋势;从城市规划引领、居住空间扩张和交通条件改善3个方面探讨住宅价格空间格局演化的驱动机制。     

兰州市商品住宅价格的空间分异规律

针对住宅价格在城市空间中的分布规律问题,该文以兰州市主城区2015年在售的187个商品住宅样本均价为基本数据,运用空间自相关法对兰州市住宅价格的空间异质性和集聚性进行分析,并利用趋势面分析和空间反距离权重插值法对住宅价格的空间分布格局进行研究。结果表明:兰州市住宅价格总体上呈显著的空间正自相关性,少数地区存在差异性;住宅价格发展不平衡,价格“东高西低”;住宅价格由各区行政中心向四周逐级递减,呈多极核分布特征;价格等值线“东密西疏”,住宅价格变化幅度空间差异较大。分析发现,区位条件、交通条件及居住环境是影响兰州市商品住宅价格的主要因素。     

兰州市商品住宅价格的空间分异规律

针对住宅价格在城市空间中的分布规律问题,该文以兰州市主城区2015年在售的187个商品住宅样本均价为基本数据,运用空间自相关法对兰州市住宅价格的空间异质性和集聚性进行分析,并利用趋势面分析和空间反距离权重插值法对住宅价格的空间分布格局进行研究。结果表明:兰州市住宅价格总体上呈显著的空间正自相关性,少数地区存在差异性;住宅价格发展不平衡,价格“东高西低”;住宅价格由各区行政中心向四周逐级递减,呈多极核分布特征;价格等值线“东密西疏”,住宅价格变化幅度空间差异较大。分析发现,区位条件、交通条件及居住环境是影响兰州市商品住宅价格的主要因素。     

兰州市商品住宅价格的空间分异规律

针对住宅价格在城市空间中的分布规律问题,该文以兰州市主城区2015年在售的187个商品住宅样本均价为基本数据,运用空间自相关法对兰州市住宅价格的空间异质性和集聚性进行分析,并利用趋势面分析和空间反距离权重插值法对住宅价格的空间分布格局进行研究。结果表明:兰州市住宅价格总体上呈显著的空间正自相关性,少数地区存在差异性;住宅价格发展不平衡,价格“东高西低”;住宅价格由各区行政中心向四周逐级递减,呈多极核分布特征;价格等值线“东密西疏”,住宅价格变化幅度空间差异较大。分析发现,区位条件、交通条件及居住环境是影响兰州市商品住宅价格的主要因素。     

兰州市商品住宅价格的空间分异规律

针对住宅价格在城市空间中的分布规律问题,该文以兰州市主城区2015年在售的187个商品住宅样本均价为基本数据,运用空间自相关法对兰州市住宅价格的空间异质性和集聚性进行分析,并利用趋势面分析和空间反距离权重插值法对住宅价格的空间分布格局进行研究。结果表明:兰州市住宅价格总体上呈显著的空间正自相关性,少数地区存在差异性;住宅价格发展不平衡,价格"东高西低";住宅价格由各区行政中心向四周逐级递减,呈多极核分布特征;价格等值线"东密西疏",住宅价格变化幅度空间差异较大。分析发现,区位条件、交通条件及居住环境是影响兰州市商品住宅价格的主要因素。     

郑州市主城区住宅价格空间分布格局及其影响因素研究

本文以郑州市主城区为例,以房地产租售网络平台和百度地图获取的住宅价格和位置数据为基础,运用克里金插值分析、核密度分析、空间自相关分析、缓冲区分析等GIS空间分析方法,研究其住宅价格空间分布格局及影响因素,为房价调控和基础设施建设布局提供依据。结果表明:(1)郑州市主城区住宅价格空间分布有显著的分片区特点,区域差异较大,呈现东北高、西南低的分布特征;(2)主城区东北部房价总体偏高,区域差异较大,西南部房价整体偏低,分布较为均匀,住宅价格之间表现出较强的空间自相关性;(3)住宅价格空间分布格局受到人口分布与经济发展,主要道路及河流水系分布,超市商城、教育设施、医疗设施配套及城市规划等多重因素的综合影响。     

北京市房地产价格空间分布变化研究

针对北京市主城区房地产价格长区间的空间分布变化及其成因进行研究,为北京市房价的空间分布规律提供参考.采用空间相关性分析方法中的平均最近邻分析、全局Moran'sI指数、Moran散点图和LISA集聚图等分析工具结合空间自相关理论对北京市主城区房地产价格的空间分布变化进行分析,通过克里金插值分析方法验证房价的空间特征,分析空间分布的变化及其成因.得出北京市主城区房地产价格20152019年,空间集聚特征不变,正向空间自相关增强,价格中心由单中心变为中心—副中心的多中心形式,区位因素和交通可达性条件是影响房价空间分布变化的重要因素.     

基于房产网站数据的商品住宅价格空间分布研究——以成都市为例

从安居客房产网站自动获取成都市的商品住宅资料,利用GIS方法分析成都市商品住宅价格的空间分布特征,得出了成都市商品房价格空间分布结果和发展趋势。     

城市房价空间分布及其影响因素分析

针对城市房价的空间分布规律及其影响因素的研究,该文提出了以南昌市青山湖区房价为研究对象,基于相关理论,搜集整理了2015年07月到10月南昌市青山湖区155个楼盘的均价,利用市场比较法把房价修正到2015年10月份节点上,估算出了155个楼盘点的价格,以GIS技术为研究平台,运用普通克里格插值方法,得到了青山湖区房价的等值线图,根据等值线图得到其空间分布情况,从可达性视角出发,采用结构方程模型构建了青山湖区房价影响因素分析框架,运用SPSS分析出各自变量和因变量之间的关系,即定量分析出了各影响因素对房价格产生的影响程度。     

昆明市2000-2010年乡镇人口空间自相关及其时空演变分析

昆明作为云南省的省会城市,其人口的空间分布特征对该地区的城市规划和经济发展具有重要意义.本文以昆明市112个乡镇的矢量数据和2000、2010年的人口数据为基础,运用Moran I指数和Moran I散点图对昆明市2000和2010年的乡镇人口进行了空间自相关及其时空演变分析.结论如下:①2000和2010年,昆明市乡镇人口分布呈现显著的正向空间自相关特征,且人口分布出现以昆明市市中心和滇池为中心的"人口高地带"和北部山区的"人口低地带",这与昆明市海拔"北高南低"和地势"北部起伏大、南部和缓"趋于一致;②地形要素是昆明市乡镇人口2000和2010年空间自相关的基础,而随着交通条件的改善和城市化的发展,2000―2010年10年间昆明市乡镇人口空间自相关显著增强,但人口密度出现较大的空间差异.     

Mapping fine‐scale urban housing prices by fusing remotely sensed imagery and social media data

The accurate mapping of urban housing prices at a fine scale is essential to policymaking and urban studies, such as adjusting economic factors and determining reasonable levels of residential subsidies. Previous studies focus mainly on housing price analysis at a macro scale, without fine‐scale study due to a lack of available data and effective models. By integrating a convolutional neural network for united mining (UMCNN) and random forest (RF), this study proposes an effective deep‐learning‐based framework for fusing multi‐source geospatial data, including high spatial resolution (HSR) remotely sensed imagery and several types of social media data, and maps urban housing prices at a very fine scale. With the collected housing price data from China's biggest online real estate market, we produced the spatial distribution of housing prices at a spatial resolution of 5 m in Shenzhen, China. By comparing with eight other multi‐source data mining techniques, the UMCNN obtained the highest housing price simulation accuracy (Pearson R = 0.922, OA = 85.82%). The results also demonstrated a complex spatial heterogeneity inside Shenzhen's housing price distribution. In future studies, we will work continuously on housing price policymaking and residential issues by including additional sources of spatial data.     

Exploring spatiotemporal dynamics in a housing market using the spatial vector autoregressive Lasso: A case study of Seoul,Korea

House prices fluctuate spatiotemporally and when influential changes from a region happen, the effects spread out in space over time. Although many studies have introduced various models to explain the spatiotemporal dynamics in housing markets, it is always challenging to consider both dimensions in a model. Some recent studies have identified spatiotemporal interactions of house prices by combining spatial and temporal models via spatial vector autoregression. The approach, however, assumes spatial homogeneity of the variables due to insufficient degrees of freedom. Since the housing market is generally conceived as heterogeneous, we suggest an alternative model of the spatial vector autoregressive Lasso without the homogeneity assumption. As an empirical example, we examine the spatiotemporal interaction between house sales price and rent in Seoul, Korea. The results show that rent for apartments in Gangnam‐gu, a socioeconomic core of Seoul, has positive impacts on rent for apartments in surrounding suburbs rather than their sales price. Moreover, the suggested model outperforms the classical method in terms of explanation, prediction, and autocorrelation of residuals. This research is expected to provide a methodological guide to explore the interaction between house sales price and rent, and insights into the spatiotemporal dynamics of the housing market in Seoul.     

山东省人口空间分布模式及其影响因素分析

基于2010年《山东统计年鉴》和全国第六次人口普查数据,本文以县域为研究单元,通过空间自相关分析人口的空间分布模式,运用因子分析和Pearson相关分析探究人口空间分布模式的影响因素。研究结果表明:山东省人口分布呈现"东北-西南"的空间分布模式,人口空间分布整体上呈现显著的空间集聚,主要集中在青岛市的中心城区;经济增长因素和地形条件是山东省人口空间分布模式形成的主要推动力。     

城镇地价的空间相关性研究

空间自相关(spatial autocorrelation)是指变量在空间上表现出一定的规律性,空间回归是考虑了空间相关性的回归技术。本文将空间自相关性理论应用于地价样点价格分析,发现地价分布规律,并通过地价样点和地价影响因素建立空间线性回归模型的方法估算土地的价值,改进了传统的回归估价方法,从而提高了地价评估的准确程度。