基于隨機森林的街道品質對房價的非線性影響研究
——以廣州市為例

李 瑩，王楠楠，仝照民，劉艷芳，安 睿，劉 洋

（1.武漢大學 資源與環境科學學，武漢 430079；2.廣州市城市規劃勘測設計研究院，廣州 510060）

十九大報告提出，隨著中國城鎮化水平將超過60%，中國即將由增量擴張進入存量優化時代，未來城市建設將更注重提升空間環境品質，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變使得居民不再僅僅關注建筑本身，更關注鄰域環境的供給。這對房地產行業提出了新的要求：在保證房屋質量的基礎上，政府應聯合房地產開發商配套高品質的生活空間，以滿足人民日益增長的環境需求。

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系，認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）。現有研究大多將這些特征分為結構特征、鄰里特征與區位特征，其中，結構特征主要關注房屋或社區的建筑因素；鄰里特征側重房屋及社區周邊基礎設施的數量、密度與最近距離等表征設施可達性的要素（Hu et al., 2019）；而區位特征主要考慮社區空間區位、商務區位與交通區位（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，高品質街道具有出行便捷、交通安全、空間舒適的特征（周進 等，2003），會強化周邊社區的出行高效性、空間感知的安全性與舒適性，進而影響住房價格（Xiao et al., 2016; Xu et al.,2022）。現有研究表明，路網形態可以預測交通流量、影響交通高效性以及塑造異質性功能空間，對住宅價格產生“接近性”正效應和“中間性”負效應2 種不同效應（肖揚，2015；Xiao et al., 2016；古恒宇 等，2018a），因此，社區交通可達性的提升有助于增強居住吸引力以及抬升房價（刁晶晶 等，2018），然而，復雜的道路網絡結構有時也會引致交通擁堵等負外部性（Xiao et al., 2016）。社區出行的高效性對房價的影響存在空間異質性，相比于城市中心，交通可達性與換乘便捷性對城市外圍的不動產價格影響更明顯（杜超 等，2019）。在交通高效性研究基礎上，學者逐漸關注到街道在居民生活中所扮演的角色發生轉變。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。傳統研究大多采用POI數據、遙感數據與城市犯罪數據，聚焦于自然環境要素的數量、密度或距離屬性以及環境安全性等對房價的影響（Wen et al., 2017;Bin et al., 2020），而街景圖片的出現為精細化地了解社區環境提供了可能（Rundle et al., 2011），并豐富了環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施建設的現狀、鄰里環境的紊亂特征與居民對犯罪的恐懼感（Arietta et al., 2014; Jing et al., 2021），進而衡量居民對街道環境的安全感知對房價的影響。現有研究表明，機動化程度對學區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，降低疾病發生率（Xu et al., 2022），居民對環境良好的社區居住意愿與支付意愿均較強。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高于基于遙感影像計算的區域可達綠化（Ye et al., 2019）；而當天空開敞度為0.35 時，會對房價負向影響較強（Chen et al., 2020）。不同地區居民對空間舒適度的需求存在差異（Fu et al., 2019）。此外，現有研究也表明，街道空間品質的改善與房價增值效應具有明顯關聯（Kang et al., 2021）。

傳統研究常采用線性模型、半對數模型和對數模型，探討房價及其影響因素的全局線性關系（韓艷紅 等，2018），后續以空間杜賓回歸（Su et al.,2021）、地理加權回歸（趙梓渝 等，2019）與混合地理加權回歸（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性與空間異質性關系，但此類方法仍局限于解釋房價及其影響因素的線性關系。而機器學習模型在處理因子共線性、探索非線性關系與尋找閾值效應中表現出較強的分析能力（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鍵閾值（Zhang et al., 2018;Hu et al., 2019），研究發現當社區周邊綠色景觀指數超過0.5 時才會對房價產生明顯影響（Zhang et al., 2018），而不同公共設施對房價的影響均存在極值，設施可達性超過閾值后對房價幾乎無影響（Taecharungroj, 2021）。因此，使用機器學習方法探索影響因素與房價之間的非線性關系并識別閾值效應潛力較高。

綜上，現有研究多局限于考慮房屋本身屬性、設施數量供給、路網形態以及街道空間感知體驗等單一維度對房價的影響，尚未綜合考量街道品質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的支付意愿，或導致住宅周邊街道并不能滿足居民的實際需求（Zhang et al., 2018）。另外，現有線性模型限制性較強，且無法有效揭示街道品質與房價復雜非線性關系。基于此，本研究以廣州市為例，構建了包含全局接近度、防護隔離設施完善度、綠視率等12個街道品質因子精細化的指標體系，利用隨機森林建模并繪制累積局部效應圖，探索街道品質對住房價格影響的非線性關系，挖掘潛在的閾值效應，以期為塑造高品質街道空間，滿足居民多樣化生活生產需求，加快宜居城市建設提供實證啟示。

1 研究區域與數據來源

1.1 研究區域

廣州市作為粵港澳大灣區的核心城市，其迅速上漲的房價受到廣泛關注。此外，《廣州市交通運輸“十四五”規劃（2021 年）》（廣州市交通運輸局，2021）指出，廣州市未來著力構建布局合理、轉換高效、循環暢通的路網體系，同時推廣人性化、精細化的道路空間和交通設計。廣州市是道路精細化建設的先行地，以廣州市為例，探索街道品質對房價的影響，有助于指導其他城市精細化道路建設，對建設宜居城市具有較強的現實意義與借鑒價值。

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

圖1 研究區區位Fig.1 Location of the study area

1.2 數據來源

社區房價及屬性數據通過安居客網站獲得①https://guangzhou.anjuke.com，去除缺少信息的樣本、重復記錄的樣本與異常值樣本，最終確定2 149 個社區為研究樣本。路網數據來源于廣州市城市規劃勘測設計研究院，共計35 726條道路。街景圖像數據通過百度地圖全景圖功能獲取②http://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，然后確定廣州市主城區社區可達500 m 范圍內街景點，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個街景點共計32 634張街景圖片。POI數據通過高德提供的API 接口獲取，最終獲取到廣州市內123 萬個POI。夜光遙感數據來自珞珈一號衛星數據，空間分辨率為130 m。數據時間節點均為2019年。

2 研究方法與變量選擇

2.1 擴展空間句法

擴展空間句法（Spatial Design Network Analysis, sDNA）對路網空間形態進行拓撲分析，進而分析空間與行為的關系，其在對傳統空間句法基礎上，提出了接近度和穿行度2個更貼近實際情況的路網形態變量算法（古恒宇 等，2018a）。

相比起傳統空間句法計算集成度時，僅考慮道路網絡結點數與總拓撲深度，接近度引入p（y）權重參數，綜合考慮了道路網絡的質量和數量（古恒宇 等，2018b）。接近度代表周圍路網到該道路難易程度，接近度越高意味著其越容易到達周邊位置，可達性較好，同時也更加容易吸引周邊人流，形成社會活動的集群，因此，接近度較高的區域多為交通樞紐或城市社會經濟活動中心（宋小冬 等，2020）。sDNA 接近度計算公式為（Cooper et al.,2020），

式中：NQPDE(x)為搜索節點x的穿行度，y為節點x半徑范圍內的節點，為Rx代表在拓撲網絡中連接的線段集合；W(y)代表線段的權重；p(y)為搜索半徑內線段的比例；dm(x，y)為節點x到節點y的最短拓撲距離。

sDNA 計算穿行度時使用搜索半徑內的節點總數進行參數的標準化，相比于傳統空間句法中的選擇度，可消除路網節點對計算結果的影響（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)為搜索節點x的穿行度，y、z分別為節點x半徑范圍內的節點，OD(y，z，x)為搜索半徑內x、y、z之間最短拓撲路徑；W(z)為線段的權重；P(z) 為搜索半徑內線段的比例；total weight(y)為半徑內每個線段的權重之和。

2.2 街景圖片語義分割

選取開源的DeepLab v3+語義分割技術，以xception-71 架構對街景圖像進行解譯（Chen et al.,2018），該技術主要分為編碼與解碼2個階段。在編碼階段，使用深度卷積神經網絡進行概率分割，采用帶孔的卷積層引入多尺度信息，提高模型捕獲細節的能力，在解碼階段，采用概率圖模型將底層特征與高層特征進一步融合，提升分割邊界準確度。訓練集采用Cityscapes 數據集，該數據集包含來自50個不同城市的街道場景，擁有5 000張高質量像素級注釋圖像，能較精確地提取圖片中的建筑、天空、樹木、交通標識等各類要素。該模型語義分割精度可以達到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 隨機森林與累積局部效應圖

隨機森林（Random Forest, RF）結合了“bootstrap aggregating”思想與“random subspace”方法，其實質是一個包含多個隨機生成并各自獨立的決策樹分類器，最終將準確率最高的決策樹視為最終結果。由于隨機森林每次都是隨機選擇部分變量建模，因此變量間相關性對模型準確度影響較小（Levantesi et al., 2020）。傳統研究大多采用部分依賴圖將隨機森林模型中各預測變量對響應變量的影響進行可視化，當自變量間存在較強相關性時，部分依賴曲線計算過程中會產生過多的無效樣本，導致估算結果與實際相差較大。為擺脫變量獨立性假設的約束，采用累積局部效應圖（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以消除相關性的干擾，進而更精確地表征各影響因素與房價之間復雜的非線性關系（Apley et al., 2020）。計算公式為：

式中：zk代表特征x1的網格，通常是分位數，以便每個結果區間包含相似數量的點；N(k)表示區間[zk-1，zk)；n(k)表示區間N(k)內點數；k(x1)表示x1落入區間的索引；f(zk，)代表保持其余特征不變，替換x1右區間端點zk的值（或者左區間端點zk-1的值）預測的差異值后計算這些值與其平均預測值的差異。

2.4 變量選擇

選擇特征價格模型內的傳統指標為控制變量，主要包括3 個方面：1）結構特征選擇社區建成年限、車位比、容積率、綠化率等4項對居民居住感受產生直接影響的因素（徐丹萌 等，2021）。2）鄰里特征根據《城市居住區規劃設計標準》（中華人民共和國住房和城鄉建設部，2018）中要求的教育設施等7種基礎設施可達性計算，以表征社區獲得教育、交通、醫療等基礎生活服務的便捷性，并計算可服務設施的香農多樣性指數③香農多樣性指數是基于信息熵理論計算的指標，可以同時反映社區可達范圍內設施的種類與數量及所有設施在社區可達范圍內分布的平均性，計算公式為：SHDIx =；式中：SHDIx表示社區x可獲得服務設施的香農多樣性指數；pi為第i類設施占總設施數量的百分比。以表示社區周邊可覆蓋設施類型種類與數量分布的均勻性，設施香農多樣性指數越高，居民可獲得的服務就越多樣化和平衡。良好的基礎設施服務水平是居民購房主要考慮的因素之一（Hu et al., 2019）。3）區位特征選擇商業經濟區位與公共交通區位2個指標進行表征。中央商務區優勢資源集聚，商業經濟區位可表征社區商業資源優勢度和經濟繁榮程度（Li et al.,2019）；而公共交通區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通行與換乘的便捷性。路網結構變量可以有效擬合交通流量，反映社區交通條件（朱東風，2006），通達的路網可以有效降低居民出行的成本，進而影響住宅價格（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的地區，房產價格往往較低（Buonanno et al.,2012）。完善的機動化與步行交通設施建設可有效保障機動車與步行交通的安全性；交通信號標志與防護隔離設施也可有效避免交通事故、減少機動車與非機動車的互相干擾（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生率，營造安全的社區環境（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），故購房者對環境舒適的房產支付意愿更強（Cetintahra et al., 2015）。社區房價潛在影響因素的定義和計算方法如表1所示。

表1 社區房價潛在影響因素的描述與統計Table 1 Description and statistics of the potential factors influencing the community housing prices

3 結果分析

3.1 社區街道品質空間分布格局

如圖3、4 所示：1）道路全局接近度呈現出以荔灣區、越秀區與海珠區等廣州市老城區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出較明顯的一致性，通行性主干道全局穿行度較高，越秀區與天河區交界處交通干線連接性強、密度更高，因而社區全局接近度與全局穿行度分布也呈現明顯的單核心與圈層衰減的特征，老城區核心內社區周圍的街道對車流的承載能力更強，匯集的通行性車流更多，居民出行換乘更加便捷。2）內環線內支路建設較密集，對短距離交通出入和集散功能較強，道路局部接近度較高，因而局部接近度較高的社區大多集中于內環線內。局部穿行度較高的社區分布較為分散，珠江兩岸集中了大部分局部穿行度較高的社區。3）道路等級與道路機動化建設存在一致性，距離通行性交通干道較近的社區，其周邊道路的機動化程度較高。以荔灣區為代表的廣州市老城區可識別的步行道比例較高、步行交通設施建設較為完善。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識建設密度更高，因此附近道路長度較短、交叉口較多的社區可識別信號標志要素占比較高。廣州市老城區街道建設較早，防護隔離設施完善度劣于天河區等其他開發建設稍晚的區域。5）越秀區與天河區商業中心較多，夜間活動豐富，道路與社區夜間照明情況優于其他地區。6）城市邊緣道路或次干道綠視率較高，高檔小區則多位于較為僻靜、免受交通打擾的地區，因此綠視率高的社區大多分布于主城區邊緣與天河區高檔小區，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，廣州市主城區中心開發建設強度高，天空開敞度低、圍合度高；天空開敞度沿主城區中心向外圍逐漸增加，圍合度逐漸降低。

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

圖4 社區街道品質特征空間分布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房價建立隨機森林回歸模型（RF），探索街道品質對房價的影響，采用十折交叉驗證模型準確性，同時將其與最小二乘回歸（OLS）準確性進行比較（表2），RF模型調整R2達到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經濟區位（24.90%），基礎設施服務能力、經濟繁榮程度、空間開發強度與舒適性都因商業經濟區位而受到影響，因此商業經濟區位對房價的影響可理解為多種因素的影響效應疊加。其次為全局穿行度，對房價貢獻度為14.72%，充分表明社區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位較為關注。第三為社區建成年限（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，社區周邊設施多樣性（6.98%）既影響可服務設施完善度又影響就業機會的多樣性，因而會顯著影響居民購房意愿。各街道品質特征中，全局接近度貢獻值也相對較高（3.33%），表明社區周邊道路中轉功能以及到達該社區的便捷程度會在一定程度上影響房價。道路機動化程度（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。在高強度城市開發背景下，噪音、空氣污染、光污染等對城市居民影響日趨加強，居民對舒適環境的偏好愈發明顯，綠視率、天空開敞度與圍合度3項舒適度因素對房價的貢獻度達到5.68%。

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

3.3 關鍵影響因素與房價的非線性關系

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

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

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

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

圖8 結構特征與房價的非線性關系Fig.8 Non-linear relationship between structure characteristics and housing prices

3.3.1 街道品質與房價的非線性關系

1）高效性

全局接近度在5～11與46～52時，社區交通可達性的提高將會促進房價的明顯上漲，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范圍內的社區多為城市邊緣社區，其公共設施服務能力較弱，對交通的依賴性更強，因而全局接近度增加會對該區域房價產生明顯的抬升作用，且此范圍內房價對路網通達性的依賴性最強。而全局接近度位于46～52區間的社區為城市交通樞紐或商業中心附近的社區，因其便捷的交通可達性可以匯集較多公司企業、產生較多的就業機會、配置較完善的服務設施、擁有較強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。當社區全局接近度為34～40時，由于社區此時地處地區交通樞紐附近，其周邊聚集了較多目的性強的交通流量，集聚的車流量所帶來的交通擁堵、噪音等負外部性效應強于交通換乘便捷等正外部性效應，此時全局接近度對房價表現出抑制作用。

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需要通過長距離的交通出行獲得就業機會、教育醫療等生活服務，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。但當社區全局穿行度＞1 715 后，社區全局穿行度越高，社區在空間上越接近高速公路、快速路等通行性干道。機動車產生的噪音、空氣污染會降低居民的生活品質，高速的車行流也會對道路兩側非機動車交通產生一定分割作用，降低居民的步行通暢性，對房價產生負向影響。

當局部接近度＜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性可以使居民更易步行至超市等基礎便利設施或工作場所，購房者更傾向于購買工作單位附近且生活便利的房產，對房價的支付意愿也更強。但當社區局部接近度＞117時，社區局部可達性的提升，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，當局部交通樞紐的服務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，在步行交通的基礎上選擇私家車、公共交通等多樣化的出行方式，同時可以擴大出行范圍。

2）安全性

安全性設施與房價整體呈正相關且閾值效應明顯。當機動化程度≤23%與＞26%時，對房價的正向影響較弱，而當其處于23%～26%時，對房價影響的邊際價格可達1 211.25元/m2，此時機動化程度更佳，機動車通行環境更優，車行安全性更高，交通事故較少。

防護隔離設施與房價的非線性關系以4.27%為突變值，小于該比例時，增加防護隔離設施可有效減少機動車與行人的干擾，增強交通安全性，防護隔離設施對居民購房支付意愿影響較強。當其建設比例＞4.27%時，過于連續的防護隔離設施會降低交通網絡通暢性，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系Fig.9 Non-linear relationship between neighborhood characteristics and housing prices

圖10 區位特征與房價的非線性關系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生，給出行者以安全感。但這種增值效應隨著夜間燈光亮度的提高逐漸降低，當夜間燈光亮度超過0.003 7 W/（m2·sr·μm）。此增值效應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，且持續較長時間，容易產生光污染問題，影響居民休息。

3）舒適性

綠視率與房價的非線性關系以15.10%為閾值，當綠視率＜15.10%，房價也處于較低水平，綠視率對房價影響程度微弱負向，原因在于購買較低房價的購房者因綠視率對住房產生的支付意愿與支付能力均不強。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動、娛樂、休息的自然環境，居民因綠視率對住房產生的支付意愿與支付能力均增強，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大多位于城市邊緣，經濟水平不高，因而房價較低；另一方面，高層住宅雖導致天空開敞度較低，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房價更高。

圍合度與房價呈負相關，圍合度每增加1%，房價平均降低64.69元/m2。隨著圍合度增加，社區周邊建筑密度增加，空間壓抑感增強，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系

1）結構特征：房價與社區建成年限的非線性負相關系以17 和21 為節點可以分為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。當車位比＜1.56時，房價與車位比呈正相關，車位比每增加一個單位，房價平均上漲1 783.28 元/m2，當其＞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。容積率體現社區開發強度，廣州市主城區可開發土地資源稀缺，開發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：文化體育設施成為鄰里因素中重要性程度最高的基礎設施，表明體育運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，文體設施可達性與房價呈現明顯的對數關系，房價隨著文體設施可達性增加而上漲。設施多樣性與房價的非線性關系及閾值效應明顯，當社區周圍設施多樣性＜1.0 或＞1.5 時，居民更關注醫療、超市等某類基礎生活設施配置程度或場所品質，此情景下設施多樣性對房價的影響不強。當設施多樣性處于1.0～1.5范圍內時，設施配置混合度越高，可兼顧滿足居多樣化需求以及提供多樣性的就業機會，其對房價的影響急劇增加。

3）區位特征：商業經濟區位與房價呈明顯的負向關系，這與天河CBD作為廣州市商業單核心且其附近有3號線、5號線及APM 線等多條地鐵線路有關。社區距離天河商務中心的距離越遠，房價對天河CBD的敏感性逐漸降低，當社區距離天河商務中心的距離＞17 000 m時，當地居民更傾向于選擇社區附近的次級商業設施，天河CBD對房價的影響趨無。

4 結論與討論

為準確把握街道品質對廣州房價的驅動機制，在控制傳統特征價格模型變量的基礎上，利用街景圖片、夜光遙感數據等多源大數據，從高效性、安全性、舒適性3個角度，設置了全局接近度、防護隔離設施完善度、綠視率等12個街道品質指標，運用隨機森林與累積局部效應圖，探討街道品質對房價的非線性影響與閾值效應，主要結論如下：

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

2）街道品質因素對房價的解釋程度為36.74%，社區周邊街道品質明顯影響購房者對房價的支付意愿。商業經濟區位、全局穿行度與社區建成年限是對房價影響最明顯的3個因素。此外，房價中體現的購房者對機動化程度、夜間燈光亮度、防護隔離設施完善度、天空開敞度等安全性與舒適性因素也有所需求，在街道建設中也應得到重視。

3）街道高效性指標與房價存在復雜的非線性關系。交通便捷性越高，房價上漲明顯，但當社區周邊道路的交通吸引與疏導能力難以滿足居民的出行需求或當其處于次優值區時，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、擁堵等負外部性問題，其對房價的負向影響更強。

當道路機動化建設處于23%～26%，防護隔離設施建設比例＜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施敏感度不高。

綠視率與房價整體呈正相關，但當綠視率＜15.1%時，購房者支付能力有限與其支付意愿不強，房價與綠視率呈不相關或負相關關系。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生消減作用，但二者的影響會產生互補效應。

控制變量與房價的非線性特征與閾值效應同樣顯著。結構特征閾值效應最為明顯，當建成年限＞21 a、車位比＞1.56、容積率＞7.46時，結構特征對購房者的購房意愿影響強度不大。鄰里因素中設施多樣性的閾值效應可揭示居民基本生活設施的需求與高質量生活品質的偏好；天河區商務中心的服務半徑為1.7萬m，其對該范圍外的房產影響較微弱。

基于以上結論，得出如下啟示：

1）精準把握街道品質現狀與居民需求，有針對性地改善街道品質。本研究基于房價與街道品質的關系所反映的居民需求，針對性地提出街道要素建設策略，以改善街道品質。如根據交通高效性要素對房價的正向影響，在街道建設中應注重優化路網結構，增加路網連通性，避免“丁字路”與“斷頭路”的出現；根據交通負外部性對房價的負向影響，需要合理布設軌道交通站點、公交樞紐等公共交通設施，構建功能協調的交通系統，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；而根據安全設施與房價的閾值效應，安全設施建設不應過分追求數量，應充分了解居民需求，以達到街道建設經濟效應最大化。此外，為避免防護隔離設施降低交通連通性，在交通情況復雜區域，可通過設置人行天橋或地下通道等立體化交通方式來實現人車分流，保障步行安全和車行順暢。為避免過度開發造成城市空間逼仄，導致居民帶來強烈的心理不適感，應合理確定城市空間開發水平，明確空間開發上限，以居民需求為導向塑造高品質居住空間。

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，應保證居民平等的享有街道空間的權利。特別是街道綠化建設，政府應合理規劃綠色景觀，避免街道綠化分布的不均衡性，防止開發商在銷售過程中以綠色環境為由抬高房價，而導致過高的房產溢價，增加購房者購房壓力。

3）充分認識街道建設的經濟價值，明確城市街道建設的權責關系。在傳統城市建設中，街道的建設完善大多為政府出資，投入資金多，又難以得到直接的經濟回報，而房地產開發商無條件地享受良好的街道品質帶來的房價上漲，卻對街道品質的優化沒有貢獻。未來政府與房地產商都應認識到街道品質建設帶來的經濟效益，在街道建設中，建立多方協調機制，以政府、企業合作的方式平衡房地產開發商與政府出資，或向房地產開發商征收“街道品質稅”，促使房地產開發商合理利用街道品質對房價的影響。

本研究主要有以下2點創新：首先，本研究關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，擴充了以往對街道品質單一維度的認知，構建了綜合性街道品質評價指標體系。其次，充分認識到街道品質的經濟效應，以機器學習模型識別出街道要素建設的最優區間，對指導街道精細化建設、提高社會公平性具有重要意義。但受限于街景圖片數據更新的問題，本研究僅分析了2019年街道品質對房價的影響程度，未來將嘗試獲取多時間節點的街景圖片，分析街道品質變化對住宅價格變動的影響程度。此外，在房地產價格激增與房地產限購、購房貸款調息等政策背景下，房地產租賃市場日益活躍，未來將嘗試進一步剖析住房租金與街道品質的內在關系。本研究探索各因素與房價的非線性關系，下一步將嘗試構建空間化－非線性的街道品質與房價的關系解釋模型，進一步考慮住宅空間屬性特征，并繼續收集社區所屬學區、學校等級、開發商特征等數據，深入探索各影響因素對房價影響的內在機理。