基于地理探測器的昆明市主城區房價時空分異特征及影響因子分析 ①

趙正賢， 許泉立

1.云南師范大學 地理學部， 昆明 650500； 2.云南師范大學 西部資源環境地理信息技術教育部工程研究中心， 昆明 650500

城鎮化進程的加快使得城市人口不斷增加， 人們根據偏好和支付能力來選擇住房， 從而在有限的城市空間上形成了住宅價格的分布格局， 并隨著時間維度的變化在不斷地變化與重構[1]． 對住宅價格時空變化及空間分異格局分異機制的探討， 已成為當前城市研究的一個熱點， 引起政府部門和眾多學者的關注[2]． 從20世紀80年代開始， 國內學者就對我國的城市住宅開展了研究， 在隨后的20年間， 由于數據缺失、 技術手段有限， 導致住宅價格研究進展緩慢． 隨城市化程度的加深， 住宅價格的影響因素逐漸復雜多變， 并且不同的城市之間， 住宅價格差異性較大， 即便在同一個城市中， 其房價也存在明顯的空間差異[3]， 這使政府部門對房價的調控和預測難度增大． 因此， 探索房價的時空演變和空間分異規律及其驅動力， 對城市住宅的健康發展具有現實意義．

房價分布特征形成的原因較為復雜， 其受到自然條件、 社會經濟發展和人口分布等綜合影響． 為此， 學者們試圖從不同角度開展房價時空特征及其影響機理的研究[4-6]， 這些研究大致分為3種視角， 即： 基于社會經濟發展影響的政策視角、 基于城市規劃的區域視角以及基于空間分析的時空視角． 基于社會經濟發展影響的政策視角是對社會經濟發展策略與房價的變化建立關聯， 進而發現房價的政策性效應， 比如， 有學者從供求理論[7]、 國家政策[8]、 區位因素[9]、 建筑特征[10]、 鄰里特征[11]、 經濟學[12]、 社會學[13]等方面， 研究房價時空演變的社會經濟發展影響因素， 為平衡區域房價提供了依據． 該類方法從宏觀視角判定房價與社會經濟發展的關系， 但是不能反映房價的時空變化特征及其原因． 基于城市規劃的區域視角是指從城市空間布局的角度表達房價的空間分布模式， 比如， 鄒利林等[1]認為房價的空間分布特征主要分為4種模式， 即以中央商務區(CBD)為中心的圈層模式， 以交通干線為核心的扇形模式， 以多城市中心向四周輻射的簇團模式， 以及綜合前3種結果的混合模式． 但是該方法是一種定性評價， 缺乏定量評估手段， 難以揭示房價分布的空間關系及其格局， 適合從宏觀上刻畫房價的空間分布特征． 基于空間分析的時空視角是指以地理信息科學(GIS)為核心， 利用空間自相關分析[14]、 空間統計分析[15]以及地理分層異質性分析[16]等方法度量和評價房價的時空演化特征， 是房價時空分布特征及其影響因素的主流研究體系， 比如， 王少劍等[17]， 孟斌等[18]， 劉海猛等[19]利用空間自相關方法分析研究區房價的空間聚集特征， 發現房價隨區域的發展， 其空間自相關不斷增強； 張靜等[20]通過構建城市住宅地價的地理加權回歸模型， 探究了各因子對住宅地價空間分異規律的； 而張少堯等[21]利用地理探測器研究了房價分布的空間差異性． 但上述方法只是從某個方面對房價的時空分布模式進行了探討， 難以反映房價時空演化異質性背后的影響因子及其形成機理． 因此， 如何表征房價的時空分異特征并揭示其成因， 是一個有待深入研究的科學問題．

地理探測器是探測地理要素的空間分異性模式， 并揭示該模式背后驅動因子的一種新的空間統計學方法[22]， 該方法為定量探測地理時空分異規律及其原因提供了可靠的理論支撐與技術工具． 該方法無線性假設， 免疫共線性， 不僅可以探測房價分布的空間異質性模式， 而且可以探究影響因素對房價空間分異性的解釋力． 因此， 將地理探測器用于房價空間分異規律的研究具有一定的先進性． 基于以上背景， 本研究從地理學視角， 以二手房房價(以下簡稱“房價”)數據為基礎， 利用克里金插值法和探索性空間數據分析方法， 探究研究區內房價的空間分布和空間分異性模式， 并利用地理探測器分析公共服務設施和地形因素對房價空間異質性的影響， 研究昆明市主城區特定時期房價的時空分布模式及其分異規律， 以期為政府部門調控房價、 建設健康生活城市提供參考．

1 研究區域與數據

1.1 研究區概況

昆明市地處云貴高原中部， 地理位置優越， 既是云南省政治、 經濟、 科技、 文化、 交通的中心， 又是我國與東南亞國家開展旅游貿易的門戶和樞紐． 昆明市下轄7區、 3縣、 3自治縣和1個縣級市， 市區面積為21 012.53 km2， 城市建成區面積435.81 km2． 2018年末昆明市總人口為685萬人， 約占全省總人口的14%， 生產總值總量達5 206.9億元， 約占全省生產總值的29%． 近十年來， 昆明市作為一個“環湖城市”， 城市擴張速度加快， 公共服務設施不斷完善， 在逐漸成為人們心目中的宜居城市的同時， 房價也在不斷上漲． 本研究選擇昆明市經濟水平較高、 發展較快的西山區、 五華區、 盤龍區、 官渡區和呈貢區的部分城市集中區域(簡稱“昆明市主城區”如圖1)為研究區， 探究主城區房價的時空分異及影響因子， 擬為城市建設和房地產平穩健康發展提供理論依據．

該圖來源于云南省地理信息公共服務平臺網站， 審圖號： 云S(2019)048號

1.2 數據來源與處理

1.2.1 房價數據

通過實地咨詢和整理多個網站的數據發現， 近年來， 昆明市二手房的售房源數量、 掛牌數據和成交量都比較大． 因此， 本研究以昆明市二手房數據作為數據源， 其中二手房價格數據來源于國內比較知名的住房銷售平臺安居客(https： //km.anjuke.com/)， 利用互聯網技術， 獲取平臺銷售住宅的地理位置、 單價、 戶型等信息， 數據采集時段為2018年12月至2019年4月． 數據清洗時， 剔除對研究影響較大的別墅、 寫字樓及重復數據源， 并計算每個小區的住房均價．

1.2.2 因子數據

快速的城市化進程使得公共服務設施對房價的影響越來越大， 本研究選取對人們生活影響較大的公共服務設施和地形作為房價的影響因子． 公共服務設施因子包括小區分別到最近地鐵站、 大學、 中小學、 公園、 一級以上醫院、 商場、 高速公路的距離； 地形因子包括坡度和海拔． 對公共服務設施到小區的距離進行緩沖分類、 量化， 最終將離散的數值輸入到地理探測器中， 探測各因子對房價空間分異的解釋力． 此外， 本研究利用研究區的DEM數據計算其坡度、 海拔， 并將計算得到的坡度、 海拔重采樣為0.5 km×0.5 km的格網數據， 最終將格網范圍內地形數據的均值賦值給對應的房價點．

2 研究方法

2.1 探索性空間數據分析

為了揭示區域化房價的空間結構， 需要對其進行探索性空間數據分析． 探索性空間數據分析的核心是認識與地理位置相關的數據間的空間依賴、 空間關聯或空間自相關， 通過構建空間權重矩陣， 并利用全局或局部Moran′sI指數來描述空間單元屬性的全局或局部空間關聯程度[23]． 空間權重矩陣(W)是進行探索性空間數據分析的前提和基礎， 一般度量標準有鄰近性指標和距離指標， 本研究選擇距離指標進行分析． 通常用以下形式來表示矩陣W：

(1)

式中：n表示空間單元個數；wij表示空間單元i和空間單元j的相互鄰近關系．

全局空間自相關是用來描述研究范圍內空間單元某一屬性的空間相關性． 本研究采用全局Moran′sI指數描述昆明市主城區房價的整體空間關聯程度．Moran′sI取值范圍在-1～1之間， 正值表示空間單元屬性值的空間分布正相關， 負值表示空間單元屬性值的空間分布負相關，I=0表示空間單元屬性值不存在空間相關性．

局部空間自相關主要用于描述昆明市主城區房價在子區域上的空間關聯程度和空間差異特征， 可以采用局部Moran′sI來度量． 從本質上看， 局部Moran′sI是將全局Moran′sI分解到各個空間單元， 全局Moran′sI是建立在空間平穩性假設之上， 但是當空間中數據量較大時， 現實中很可能存在空間過程的非平穩性， 空間平穩性假設就變得很不現實[24]． 局部Moran′sI指數公式為：

(2)

根據標準化以后的Moran′sI值Zi和Ii來判斷房價的局部空間相關性， 如果Ii和Zi同時為正， 說明第i個單元的房價和周圍單元的房價均為高價格區， 為高-高集聚(H-H)； 同理， 如果Ii為負Zi為正時， 為高-低集聚(H-L)；Ii和Zi都為負時， 為低-高集聚(L-H)；Ii為正Zi為負時， 為低-低集聚(L-L)．

2.2 克里金插值法

克里金插值法是以空間自相關性為基礎， 利用原始數據和半方差函數的結構性， 對區域化變量的未知采樣點進行線性、 無偏、 最優估值的插值方法[25]． 該方法不僅能對未知區域估值， 還可以提供估計值的誤差[26]． 因此， 對于在空間分布上具有趨勢性的房價數據， 采用克里金插值法能夠更好地表現房價的空間分布特征．

2.3 地理探測器

地理探測器是王勁峰等[27]學者在2010年提出的一種空間異質性定量探測理論與方法， 該方法應用于疾病風險和環境危害方面的研究較多， 但對于房價空間異質性及其驅動力的研究較少． 地理探測器主要用于事物的空間分異性研究， 其核心思想基于如下假設： 如果某種自變量對某種因變量具有重要影響， 那么自變量和因變量的空間分布應該具有相似性． 它一方面不僅可以探測數值型數據， 還可以探測定性數據， 但對于順序量、 比值量和間隔量， 需要進行適當的離散化[28]； 另一方面， 可以探測2個因子交互作用于因變量， 即能夠檢驗出2因子的交互關系、 強弱、 方向以及線性和非線性等． 本研究利用地理探測器分析房價的影響因子強度及因子間的交互作用， 研究昆明市主城區房價在空間上的分異規律． 影響因子的解釋力q可表示為：

(3)

3 結果與分析

3.1 房價時空分布特征

根據克里金插值的相關理論， 利用ArcGIS 10.6的地統計分析工具中的地統計向導， 選擇普通克里金插值法分別對研究區2018年12月至2019年4日每月的房價數據進行空間插值． 由于使用克里金插值法的前提是數據變化服從正態分布， 對研究區內的房價數據進行對數變換， 變換后的數據基本服從正態分布， 通過不斷調整插值相關的參數， 得到房價空間插值的最優模型， 最終交叉驗證結果如表1所示． 采用普通克里金插值方法， 制圖得到昆明市主城區房價時空分布圖(圖2)．

表1 普通克里金插值法交叉驗證結果

圖2 昆明市主城區二手房價格時空分布圖

由表1可知， 標準平均值較接近于0， 標準均方根預測誤差較接近于1， 并且每個月份對應的均方根預測誤差和平均標準誤差較為接近， 表明房價空間插值模型選擇合理， 插值結果能較好地反映房價的空間分布．

由圖2可知， 研究區房價總體分布格局為以五華區、 盤龍區、 官渡區和西山區交界為中心， 呈中心高四周低的中心結構． 此外， 在滇池以北的西山區和官渡區交界范圍處， 形成了一個面積較大的房價高值區， 研究時段內該區域的房價呈先升后降的變化模式． 研究區內房價總體呈現由多個房價高值中心形成的“簇團模式”． 研究區內整體房價北部高于南部， 表現出“北熱南冷”的差異性， 其南北房價差異分界線為官渡區和呈貢區的交界地帶． 呈貢區房價整體偏低， 該區內除昆明市政府片區房價出現高值聚集外， 絕大部分地區為房價低值區．

時間序列上房價的空間分布特征如下： 從2018年12月至2019年2月， 總體房價由南至北呈上升趨勢， 房價沿著城市的2個房價高峰區域(海埂片區和一環范圍片區)向周圍遞減， 其擴散面積逐漸增大． 從2019年3月至4月， 房價高值區域面積逐漸減小， 但房價高值中心較為突出． 根據上述現象和供求理論初步判斷， 2018年12月至2019年2月， 市民對住房的購買力較強， 而中國最重大的節日“春節”正處于該時間段內； 2019年3月至4月， 市民對住房價購買力逐漸下降．

研究區內房價空間變化差異明顯， 表現為： ①高房價聚集區： 海埂片區和一環范圍片區為高房價集中區， 其中大部分房價在13 000～15 000元/m2， 中心區房價已超過15 000元/m2； ②低房價分散區： 房價低值區被高值區域切割． 因此， 五華區和盤龍區房價由南向北逐漸衰減， 官渡區房價沿東北方向衰減較快， 且在官渡區東面、 呈貢區的南面和北面均為房價的冷區； ③高房價擴張區： 房價高值從海埂片區沿東南方向遞減， 且呈貢區的房價高值區域面積沿東南方向不斷擴大， 其中房價較高區域集中在市政府和云南師范大學周圍片區．

房價的空間分布與地鐵1號線和2號線的走向具有相似性． 圖3顯示， 房價高值區分布在地鐵1號線和2號線周圍， 其中呈貢區市政府、 海埂片區和一環范圍片區最具有代表性； 房價在空間上由北向南延伸分布， 且與地鐵線的走向相似， 由此看出， 地鐵線與房價關系密切， 地鐵對房價的影響較大．

3.2 房價時空變化特征

房價的空間分布是從宏觀的視角描繪房價的空間分布情況， 為了更準確和深入了解房價變化的空間分布格局， 需要在空間分布的基礎上進一步量化． 采用疊加分析本研究得到房價在前一個月的變化率， 采用自然間斷法將昆明市主城區的房價變化劃分為5個等級． 從圖3e可以看出： ①2018年12至2019年4月昆明市主城區房價在-31%～30%之間波動， 其變化高值區域位于五華區的西翥街道、 西山區的滇池國家旅游度假區、 呈貢區的洛龍街道、 馬金鋪街道和大漁街道； 房價變化的低值區域主要位于盤龍區的青云街道和官渡區的多個街道， 包括金馬街道、 阿拉街道、 六甲街道和滇池以北的環湖東路片區； 主城區的大部分地區房價在-10%～14%之間變化， 盤龍區、 官渡區大部分地區的房價呈下降趨勢， 五華區、 西山區和呈貢區的房價主要呈上升趨勢． ②由圖3a可以看出， 在盤龍區的東部、 西山區西部和環湖東路片區房價跌幅最明顯， 其余區域房價呈上漲趨勢， 漲幅最大的地區包括西翥街道和金馬街道． ③圖3b的房價變化分布與圖3a相反， 最典型區域為環湖東路片區， 但房價增幅最大的區域還是分布在五華區的東北部和呈貢區的東南部． ④圖3c和3d的房價分布結果顯示， 從2019年2月至4月房價整體表現為下降趨勢， 部分區域表現為先降低后升高的趨勢， 如五華區和盤龍區以北區域、 呈貢區等．

圖3 昆明市主城區二手房價格時空變化圖

3.3 房價空間關聯格局分析

3.3.1 房價全局自相關測度

為揭示昆明市主城區房價整體的空間相關性， 本研究運用GeoDa軟件， 計算得到研究時段內每月房價的全局相關性指標(表2)． 結果顯示， 研究區內房價的全局Moran′sI指數均為正值， 其值在0.336～0.484范圍內， 并且每月的全局Moran′sI指數都很好地通過了顯著性檢驗(p<0.05)． 總體上， 房價在空間分布上表現出正相關性， 且價格相似的空間單元呈聚集分布， 這表明研究區內房價在空間分布上不是隨機的， 而是存在空間聚集現象， 即房價(高值或低值)隨距離呈負相關顯著聚集， 距離越近房價越相似， 距離越遠房價差異性越大． 在時間系列上， 2018年12月至2019年2月， 房價的全局Moran′sI指數先增大后減小， 房價相似單元在空間上趨于聚集分布， 這與文中的房價時空變化形成對應關系． 同時， 在整個研究時段內， 房價的全局Moran′sI指數大于任何一個月的Moran′sI指數， 并且表現出更強的空間相關性， 這表明區域內房價的差異性逐漸減?。?/p>

表2 2018年12月至2019年4月房價全局空間自相關指標

3.3.2 房價局部自相關測度

為了更加深入了解研究區內房價的局部聚集和差異特征， 利用Moran散點圖和LISA進行分析和判定． 本研究對Moran散點圖中各個象限的點數進行了統計， 通過LISA聚集圖分析房價在局部空間上的關聯程度．

局部空間自相關類型及匯總． 將Moran散點圖分為4個象限： 第一象限為H-H關聯， 第二象限為L-H關聯， 第三象限為L-L關聯， 第四象限為H-L關聯． 利用GeoDa軟件計算并統計各個象限樣點的數量和占比， 結果如表3． 由表3可知， 研究時段內絕大部分樣點表現出較強的正相關性， 并且落入第一、 第三象限的點不斷增加； 屬于正相關類型H-H與L-L的比例之和分別為66.25%，67.67%，73.12%，71.04%，72.26%； 落入第一、 第三象限的點不斷減少， 屬于負相關類型L-H與H-L的比例之和分別為33.75%，32.33%，26.88%，28.96%，27.74%． 表明研究區內房價以正相關類型為主， 隨著時間的推移昆明市房價相似區域的空間集聚效應不斷增強．

表3 2018年12月至2019年4月二手房價格局部空間自相關類型及匯總

LISA分析． 通過LISA聚集圖可以更加直觀地顯示房價的局部空間關聯程度， 即各空間單元間的相互依賴性和異質性． 圖4顯示， 研究時段內昆明房價H-H關聯區域主要分布在一環中心、 翠湖公園、 滇池路、 紅塔路和福保路片區， 其中一環中心和翠湖公園片區的正相關聚集程度最高， 存在明顯的空間溢出效應． 房價L-L關聯主要分布在人民中路南部、 環城東路和二環東路之間， 以及斗南、 呈貢區以北(沿河路和石龍路)片區， 其中低值聚集度較高區域的分布于人民中路南部、 環城東路和二環東路之間． 對于負空間關聯的H-L、 L-H區域較少且分布散亂， 主要分布在4區交界(西山區、 五華區、 盤龍區和官渡區)范圍內， 這表明昆明市房價的分布存在H-L值、 L-H值聚集的現象， 即存在一定程度的空間異質性．

圖4 昆明市主城區房價LISA聚集圖

通過圖4f可看出， 整個研究時段內， 昆明市二手房價格在4區交界及滇池以北片區， 呈現出H-H值聚集正相關， 4區交界的H-H關聯區被L-L關聯區所包圍， 基本形成圈層模式． 另外， 在呈貢區北部洛羊鎮、 斗南鎮和市政府是L-L關聯聚集區， 表明呈貢區整體房價相對中心市區較低． 呈貢區具有良好的環境， 是健康生活的目的地， 并且近幾年區域建設力度加大、 設施不斷完善， 該區域的房價具有較大的上升空間．

3.4 房價的分異特征及其影響因子分析

對昆明市主城區房價的空間關聯格局分析發現， 研究區內房價空間聚集效益不斷增強， 但是有26.88%～32.33%的散點表現為空間分異性． 為進一步揭示昆明市主城區房價的空間分異性及其背后驅動力， 本研究利用地理探測器獨特的空間分異探測能力， 對分類后的離散數據進行計算， 得到因子探測、 交互作用探測和生態探測結果．

因子探測可以探測房價的空間分異性以及各驅動因子在多大程度上解釋了房價空間分異． 結果顯示(表4)， 地鐵站、 大學、 公園、 醫院、 高速公路、 商場、 坡度、 海拔均在1%置信水平上顯著． 研究區內， 海拔和坡度因子的探測力值(q)大于0.1， 其中坡度對房價的解釋力最大(q=0.680 7)， 其次是海拔(q=0.298 6)； 公共服務設施中的因子探測力值都在0.1以下， 其中醫院對房價的解釋最高(q=0.058 5)， 其次是高速公路， 公園和商場對房價的解釋力比較相近． 整體上， 公共服務設施對房價的影響比較微弱， 地形因素對房價空間分異的解釋力遠高于公共服務設施， 表明研究區內地形因素對房價的分異影響更大， 因此在房價的分析和評估中， 應考慮地形因素的影響．

表4 因子探測結果

生態探測可用來比較各因子對房價空間分布的影響是否存在顯著的差異． 地理探測器中， 通過F統計來衡量， 表格中(表5)的“Y”表示存在顯著性差異， “N”表示不存在顯著性差異． 由表5可知， 就各因子對房價的空間分布作用而言， 公共服務設施與地形因素之間存在著顯著差異， 而各個公共服務設施因子間對房價空間分布的影響不存在顯著的差異性． 說明地形因素與公共服務設施對房價的空間分布影響差異較大， 功能和屬性相似的因子對空間分布作用相似， 即差異性較弱． 而差異性的大小可以通過因子探測中的探測力值(q)來衡量．

表5 生態探測結果

交互作用探測可以探測各驅動因子之間的交互作用， 即評估在驅動因子(A和B)共同作用下， 驅動因子是否增強或減弱對房價空間分異的解釋力． 由表6可以看出， 在公共服務設施因素中， 任意2個因素的交互作用影響力(簡稱“交互作用力”)均大于單個因素作用時的影響力， 并且各影響因素間的交互作用力也均大于它們單獨作用的影響力之和； 其次， 對于影響力較大的因素， 其交互作用力也較大． 在公共服務設施中， 商場和醫院的共同交互作用力最大， 為0.117 3， 學校和公園的共同交互作用力最小， 為0.024 9． 在地形因素和公共服務設施因素的交互中， 坡度、 海拔與公共服務設施因素交互作用力最大， 為0.713 1， 學校和海拔的共同交互作用力最小， 為0.326 9． 可見， 地形與公共服務設施因素間的交互作用力均大于各公共服務設施因素之間的交互作用力． 因子間的交互作用類型有雙因子增強型和非線性增強型， 除坡度與醫院、 坡度與高速公路、 坡度與海拔、 地鐵站與公園的交互作用類型為雙因子增強型以外， 其他因素間的交互作用類型均為雙因子增強型和非線性增強型． 說明對于房價空間分異的解釋力， 不只是單一因素的影響， 而是多個因素共同作用的結果， 這是房價預測難度較大的原因． 在今后的房價調控政策中， 應綜合考慮多種因素的影響．

表6 交互作用探測結果

4 結論

本研究利用普通克里金插值法對昆明市在售二手房價格進行空間插值， 分析了房價的時空變化特征， 以及房價的全局和局部自相關測度， 揭示了房價的整體和局部的空間相關性、 聚集性和差異性特征； 利用地理探測器識別了房價的空間分異性以及其背后的驅動因素． 主要結論如下：

從房價時空分布變化上看， 海埂片區和一環范圍片區為研究區房價高峰中心， 房價向四周遞減， 整體呈中心高四周低的放射狀格局． 從全局來看， 房價北部高、 南部低， 呈貢區房價整體偏低． 從時間序列上來看， 2018年12月至2019年2月昆明市房價總體房價沿南北方向呈上升趨勢， 2018年3月至2019年4月房價高值區域面積逐漸減小且變得更加突出， 但房價的2個高值中心仍然在海埂片區和一環片區內． 房價的空間分布與地鐵1號線和地鐵2號線的走向具有相似性， 地鐵線周圍房價較高． 房價的時空變化特征顯示， 研究時段內， 房價在-31%～30%之間波動， 大部分地區房價呈上漲趨勢， 少數區域漲幅最明顯， 還有部分區域呈先降后升的變化．

從房價時空分布模式上看， 全局自相關測度分析結果顯示， 研究區內房價的全局Moran′sI指數為0.336～0.484， 整個研究時期， 房價的Moran′sI指數(0.537)均高于單月指數值， 房價在空間分布上呈現正相關性和聚集性， 且隨著距離的增加， 房價的差異性不斷增大． 從局部來看， 昆明市房價以H-H值、 L-L值聚集為主， 局部聚集效應不斷增強， 并表現出顯著的空間聚集性， 但是在房價的高低值、 低高值聚集區域存在空間異質性．

從房價時空分布異質性上看， 地形因素與公共服務設施因素對房價的空間分布的影響差異較大， 地形因素對房價空間分異性的解釋程度明顯高于公共服務設施， 公共服務設施對房價的影響較弱． 在地形因素中， 坡度對房價的解釋力最高， 海拔次之； 在公共服務設施因素中， 醫院對房價的解釋力最高， 最低的是中小學． 交互作用探測結果表明， 任何兩個因素的交互作用力均大于單個因素的影響力， 并且影響力較大的因素， 與之對應的交互作用力也較大． 除坡度與醫院、 坡度與高速公路、 坡度與海拔、 地鐵站與公園的交互作用類型為雙因子增強型以外， 其余各因素間的交互作用類型均為雙因子增強型和非線性增強型． 表明房價的空間分異性是多個因素共同作用的結果， 在今后關于房價的研究中， 應考慮地形因素對房價的影響．

本研究選取與人們生活息息相關的地形、 公共服務設施為驅動因子， 探究了昆明市房價的驅動力及空間相關性， 因房價還受政府宏觀調控、 市場經濟變化、 區域環境質量、 結構特征等因素的影響， 這些因素難以量化， 也很難將其綜合運用于房價的評估和預測中， 因此在未來的研究中， 可以充分利用時空大數據的優勢來彌補數據樣本少、 實時性和有效性差等不足， 利用機器學習技術來構建特征房價模型和框架， 實現對城市房價的實時動態監測， 并解決城市房價的多尺度、 多維度的模擬和預測等問題．