城市绿色基础设施对住房市场的空间异质性非线性影响研究——以上海为例的机器学习实证分析

《Growth Hormone & IGF Research》：The effects of urban green infrastructures on the housing market

本研究针对城市绿色基础设施(UGIs)对住房市场影响的多维性、非线性及空间异质性研究不足的问题，以上海为试验区，采用特征价格模型(HPM)框架，结合LightGBM机器学习算法和SHAP解释技术，系统评估了12类UGIs对住房价格的影响。研究发现UGIs总体相对重要性达9.50%，其中城市公园、水体和自然保护区影响显著，且不同规模公园的资本化效应存在差异。研究揭示了UGIs影响的空间分异规律：中心城区对邻里公园、口袋公园等小型绿色空间价值资本化更敏感，而自然保护区的长距离效应在郊区更为突出。该研究为UGIs的精准规划、土地利用分区和市政投资提供了科学依据，对推进住房市场与城市可持续发展具有重要意义。

　　

随着城市化进程加速，城市绿色基础设施(Urban Green Infrastructures, UGIs)作为自然和半自然空间，在提供生态系统服务方面发挥着关键作用。联合国可持续发展目标(Sustainable Development Goals, SDGs)中的目标11.7特别强调普及UGIs的重要性。然而，现有研究多关注单一类型绿色空间或整体城市层面的分析，缺乏对多维UGIs类型及其空间异质性影响的系统揭示。特别是在中国背景下，购房者对多元化UGIs的偏好及其支付意愿(Willingness to Pay, WTP)尚未得到充分探索。

为解决这些研究空白，以上海为研究区，研究人员构建了包含12类UGIs的综合评估框架，采用多模型比较方法，发现LightGBM机器学习算法表现最优(R²=0.95)。通过SHAP解释表明，虽然区位和结构因素主导特征定价(分别占45.70%和35.50%)，但UGIs贡献了9.50%的相对重要性。具体而言，城市公园(16.63%)、水体(15.79%)和自然保护区(12.63%)在UGIs类型中影响最为显著。研究还发现，中等规模的社区公园比大型区级公园和小型口袋公园更受青睐。

在技术方法上，研究采用了固定效应模型(Fixed Effects Model, FEM)控制空间不可观测异质性，使用贝叶斯优化(Bayesian Optimization, BO)进行超参数调优，并引入蒙特卡洛模拟(Monte Carlo Simulation, MCS)框架增强结果稳健性。数据方面整合了链家二手房交易数据(2020-2022年，112,057条记录)、多源UGIs地理信息数据及街景图像语义分割技术获取的街道可见绿度(Street Visible Greenness Index, SVGI)。

5.1. 综合多模型比较验证

通过OLS、RF、GBDT、XGBoost和LightGBM的对比，LightGBM在测试集上表现最佳(R²=0.95，RMSE=908，MAE=684)，被选为后续分析模型。

5.2. 住房价格的多驱动因素及其非线性影响

区位属性(如地铁站距离)和结构属性(如南向朝向)是主要驱动因素。UGIs整体贡献显著，其中城市公园、水体和自然保护区的影响尤为突出。

5.3. 不同类型UGIs对住房价格的非线性影响

UGIs的影响呈现明显的非线性特征。例如，城市公园的影响在4公里内显著，水体距离每增加1公里(0-0.5公里范围内)房价下降6000元/平方米。自然保护区的影响距离可达25-30公里。

5.4. 不同地理区域的异质性非线性影响

UGIs的影响存在显著的空间异质性。中心城区UGIs的资本化效应更强(相对重要性16.29%)，而郊区仅为9.80%。自然保护区的长距离效应在郊区和新兴城市更明显，水体在中心城区为溢价因素，在郊区则可能因洪水风险等转为折价因素。

研究结论强调，UGIs对住房市场的影响具有多维性、非线性和空间异质性。中心城区居民更看重可达性高的小型绿色空间(如邻里公园、口袋公园)，而郊区居民则更关注大型自然保护区的生态服务功能。这些发现为差异化UGIs规划提供了重要启示：中心城区应注重口袋公园、历史景观等小型绿色空间的嵌入和品质提升；郊区需加强自然保护区与居住区的连通性，并防范水体可能带来的环境风险。

讨论部分进一步剖析了潜在机制。城市公园最近的负面效应可能源于噪音、交通干扰等外部性；新兴城市区级公园溢价不显著与设施布局和可达性不足有关。政策含义包括：在土地用途分区中，中心城区可采用开发权转移(Transfer of Development Rights, TDR)等机制激励优质UGIs整合；郊区需划定生态保护红线并配套韧性基础设施。市政投资应依据UGIs产生的经济回报进行优先级分配，建立价值回收机制，将部分房产税增量再投资于本地绿色基础设施维护。

该研究的创新在于构建了可迁移的AI驱动评估框架，将机器学习与空间显式分析结合，为UGIs的精准规划和可持续城市发展提供了定量支持。未来研究可拓展至租赁市场、纳入陈述偏好(Stated Preference, SP)数据，并采用更严谨的因果推断方法深化机制理解。