《Land Use Policy》：Unravelling intra-urban spatiotemporal disparities in housing price dynamics: An infrastructural approach using interpretable machine-learning methods in Shenzhen, China
编辑推荐：
住房不平等长期以来一直是一个紧迫的全球性问题，特别是在快速转型的城市住房市场背景下。然而，住房价格动态中的城内时空差异仍未得到充分理解。通过开发一种以可解释机器学习方法操作化的基础设施研究路径，并明确纳入时空异质性，本研究考察了关键
住房不平等长期以来一直是一个紧迫的全球性问题，特别是在快速转型的城市住房市场背景下。然而，住房价格动态中的城内时空差异仍未得到充分理解。通过开发一种以可解释机器学习方法操作化的基础设施研究路径，并明确纳入时空异质性，本研究考察了关键基础设施在住房价格中的复杂资本化过程，利用了2010年至2023年间中国最大且最具活力的城市住房市场之一——深圳市的288,570条二手房交易记录及多源地理数据。研究结果显示，住房价格差异日益加剧，尤其是在学区划片区域和15分钟基础设施可达社区内表现突出。与物理基础设施以及结构性和区位属性相比，社会基础设施——尤其是公立学校——与住房价格的关联更为决定性和持续性。其时空异质性资本化及日益显著的阈值效应，凸显了社会基础设施在推动城市发展和（重新）塑造社会不平等方面的能动性，从而增进了对住房价格差异的理解。最后，本研究提供了动态的、精细尺度的证据，以支持本地化校准和阶段敏感的城镇规划与住房政策。
住房不仅是人类的基本需求，也是现代社会家庭财富与保障的主要形式，塑造着日常生活和长期社会经济福祉。鉴于其空间不可移动性、耐久性和异质性，住房价格动态为理解家庭财富的时空不平等提供了有力的视角。尽管住房市场繁荣和萧条期间住房价格的空间差异已被大量记录，但现有研究主要集中在国家和城市间尺度。相比之下，城市内部仍然存在大量但研究不足的差异，这些差异与差异化的邻里条件、服务供给环境和本地化发展路径密切相关。因此，解析住房价格动态的城内时空差异，对于旨在构建包容和公平城市的住房政策制定与城市规划至关重要。
既有城内住房价格研究主要基于特征价格框架，该框架假定住房价格反映了结构性、区位和邻里属性的市场估值。近年来，这一研究路径通过多维设施度量、捕捉非线性资本化的机器学习模型以及地理或时间加权规格得到了推进。然而，现有研究缺乏一个能够在统一分析结构内同时检验多种公共设施并识别其空间差异化、非线性和时变效应的系统性框架。同时，大多数实证分析局限于相对较短的观察期，难以将城内住房价格动态置于更长的住房市场周期或不断演变的城市（再）发展轨迹中。弥合这一缺口不仅需要长期数据，还需要一个将公共设施视为城市（再）发展过程组成部分而非孤立特征属性的概念框架。
为填补上述研究空白，本研究开发了一种面向城内住房价格动态的基础设施研究路径，并通过可解释机器学习方法加以操作化。该研究路径不再将学校、医院、公园和交通视为预先给定的、被动提供集体服务的便利设施，而是强调其作为关键基础设施的作用——其供给、质量、准入规则和空间组织被积极地运用于城市发展和邻里分化之中。这一视角重构了经验研究问题：不仅追问关键基础设施是否被资本化到住房价格中，还追问在哪些基础设施领域、在何种空间尺度上、以及在何种发展阶段，这种资本化变得局部差异化和阈值化。
据此，本研究将2010年至2023年深圳市的288,570条二手房交易记录与多源地理空间数据相结合，采用地理与时间随机森林回归框架进行分析。研究人员使用二手房交易价格，因为其捕捉了买卖双方在完全产权条件下达成的实际市场谈判结果。相比之下，一手房价格由开发商设定（往往受监管），挂牌价格则是卖方在平台上发布的要价，两者都可能与实际交易结果存在显著偏差。选择深圳作为实证案例，是因为其引领了中国住房和城市改革，并体现了过去二十年不平衡的城市转型。2010年至2023年的时间窗口涵盖了该市可获得的最早实际交易数据跨度，并包含了一个完整的住房市场周期。基于这一实证设定，本研究追求四个目标：（1）刻画多空间尺度下住房价格动态的时空模式；（2）以地理和时间精度识别与住房价格关联的主导基础设施类型和属性；（3）区分关键基础设施可达性的主要阈值效应和饱和效应在空间和时间上的差异；（4）得出对城市规划和政策的启示。
本文做出三项主要贡献。第一，它弥合了特征价格住房研究与城市研究中新兴基础设施视角之间的鸿沟，提供了一个超越估计离散设施层面价格效应的框架，而是通过三种相互作用机制——时间序列性、空间结构性和差异化阈值动态——来解释局部差异化和时间变化的资本化，借此阐释关键基础设施如何塑造城内住房价格分化。第二，它开发了这一框架的可解释机器学习操作化方法，通过将地理与时间随机森林回归与局部偏依赖剖面聚类相结合，同时容纳高维基础设施属性、非线性函数形式和构成性时空异质性，从而不仅能够识别哪些基础设施重要，还能识别其效应如何及在何处显现。第三，它提供了关于住房价格差异最为显著的特定基础设施中心空间尺度、以及局部主导基础设施及其阈值和饱和效应的精细证据，从而得出对空间差异化、本地化校准和阶段敏感的住房与土地利用政策的启示。
在基础设施效应的实证操作化方面，本研究面临两个方法论挑战。第一个挑战涉及衡量和解释住房价格模式的空间单元。许多研究依赖空间自相关统计量或基尼系数等不平等指数来追踪住房价格的时间离散趋势，但这些分析主要在住宅单元层面或行政边界内进行，而以基础设施为中心的地理单元——住房价格差异在其中更直接地产生和显现——很少被系统检验或比较。例如，学区划片利用教育基础设施划定空间边界，而受“x分钟城市/社区”概念普及启发的时间邻里缓冲区则根据到达关键基础设施的通行时间定义邻里范围。尽管这些空间单元更贴近日常基础设施可达性，并日益塑造居民对“好”邻里的认知，但它们通常被孤立使用，而非整合到一个能够同时揭示住房价格差异如何在不同的基础设施尺度上运作并随时间演变的连贯分析框架中。
第二个挑战在于量化基础设施资本化到住房价格中的时空不均匀和非线性特征。尽管关键基础设施的可达性已成为邻里评估和住房选择中日益重要的因素，但现有文献在很大程度上仍以相对狭窄的方式操作化可达性。近期研究已开始超越简单邻近性，纳入基础设施质量、稀缺性、相对优势和持续升级等维度。然而，这些维度在不同类型基础设施中的相对作用很少在空间和时间上被系统检验或比较。这一局限性因方法论约束而加剧。一些研究采用时空方法（如地理与时间加权回归GTWR）来捕捉住房价格决定因素的空间和时间变化，但这些方法往往对函数形式施加较强假设，容纳高维基础设施属性的能力有限，也难以检测上述阈值效应和饱和动态。与此同时，机器学习方法在住房和土地市场分析中获得动力。然而，许多应用继续将空间和时间视为简单指标变量或全局控制变量，而非基础设施资本化结构性分化的构成性维度。此外，尽管可解释机器学习方法已被应用于住房研究，但它们通常产生全局或实例层面的解释，未明确沿空间和时间轴组织解释。因此，不同基础设施的相对重要性及其与住房价格的非线性关系如何在空间和时间上共同演化——特别是在城市发展和住房市场重构的不同阶段——仍未得到充分研究。
本研究以深圳为实证案例。深圳是粤港澳大湾区的沿海特大城市，也是中国四个一线城市之一，下辖十个行政区，其中四个属于历史经济特区（SEZ），享有较早的基础设施投资和政策优先。这一制度边界产生了显著的空间梯度，形成了相对基础设施丰富的核心区和快速发展的外围区，功能上镜像了中国大多数大城市常见的核心-边缘分化。深圳从一个小镇在四十年间发展为拥有1776万人口的特大城市，其压缩式发展轨迹产生了基础设施供给方面的尖锐城内对比。从2010年到2023年，GDP从9511亿元上升至3.46万亿元，公立学校数量增加约1000所，地铁网络从约21.8公里扩展到567.1公里，公园数量从约500个增加到1290个。这种持续的多域扩展使得深圳成为基础设施在空间和时间上分化尤为显著且经验上可追溯的案例。
研究方法上，本研究采用地理与时间随机森林回归（GTRFR）来解析住房价格与特征变量之间非线性关系的时空异质性。GTRFR通过为每个位置i和时间j的观察值校准单独的随机森林回归，纳入空间和时间维度的邻近观察值，从而产生时间和空间变化的可解释估计，包括相对重要性和边际效应。该模型采用自适应带宽策略，通过留局部交叉验证（LLOCV）和网格搜索确定最优时空参数组合。模型性能通过R2、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）四项指标评估，并与OLS、RFR和GTWR进行比较。基于局部偏依赖值，研究采用系统聚类方法识别特征变量阈值效应和非线性模式的类型及其时空分布，包括相异性计算、均匀流形逼近与投影（UMAP）降维和层次密度聚类（HDBSCAN）。
数据方面，2010年至2021年的二手房交易数据来自中国房地产指数系统（CREIS），2021年至2023年的交易记录则来自深圳市住房和建设局（SHCB）。研究人员排除了不完整记录、特殊产权房产（如保障性住房、军产房）和别墅单元，最终汇编了2010年至2023年3677个社区的288,570条交易记录。交易价格使用国家统计局发布的月度居民消费价格指数（CPI）调整为2010年不变价格。基础设施可达性评估整合了多源地理空间数据集：教育数据包括公立学校的建校年份和学区划分；医疗质量数据来自深圳市卫生健康委员会；公园和公共交通数据来自高德地图POI和OpenStreetMap路网。研究共纳入17个变量，涵盖结构属性、区位属性、社会基础设施和物理基础设施四大类。
研究结果揭示了深圳住房价格差异的显著模式。首先，住房价格差异总体呈加剧趋势，多尺度空间集聚特征日益显著。平均房价在2010年至2015年间缓慢上涨，2015年至2021年间快速上升，2021年后下降，价格离散度在繁荣期扩大而在萧条期收缩。学区划片在2019年至2023年间表现出更高的基尼系数，表明与学区划分相关的房价不平等更为突出。1200米缓冲区（约15分钟步行距离）相对于400至2400米缓冲区的基尼水平更高，表明15分钟步行距离规划范式可能促进了住房价格的空间集聚。房价的空间自相关性持续强劲且逐渐增强，热点主要集中在南山和福田，冷点在其他区域更为普遍。
其次，GTRFR模型在预测住房价格方面表现最佳，相比OLS、全局随机森林和GTWR，R2提高了约10%。通过局部相对重要性分析发现，学校质量具有最高的中位数相对重要性，其次是建筑年份和距海岸线距离。与简单的邻近性度量（如到最近地铁站的距离、公园和医院数量）相比，同一基础设施的质量导向度量（如地铁连通性、到大型公园和三级医院步行距离）表现出持续更高的相对重要性。在社会基础设施中，学校质量显示出最稳定和空间最广泛的高相对重要性足迹，其影响最初集中在城市核心区，随后在2015-2021年住房繁荣期扩展到经济特区以外。物理基础设施则呈现不同的时间特征：地铁连通性在早期阶段（2010-2012年）影响最强，尤其在经济特区内，此后相对重要性减弱并变得更空间同质化。
第三，学校质量的阈值效应在经济特区内随时间加剧。2010-2015年间，当学校排名从前1位降至前50位时，边际房价从30000元/平方米下降至23000元/平方米。2016-2020年间，在前10位和前35位附近出现明显的阶梯模式，排名前35位以上的学校享有约20000元/平方米的溢价，到2021-2023年这一溢价增加至约30000元/平方米。经济特区外，学校质量阈值效应仅限于繁荣期，且具有快速饱和特征。空间时间聚类的数量从2015年上升，此后下降，2021年再次增加，表明在房价繁荣期学校质量的非线性资本化更趋同，而在市场下行期时空分歧加剧。
研究结论表明，社会基础设施比物理基础设施、结构性和区位属性与住房价格动态的关联更强且更一致。社会基础设施的资本化呈现出显著的时空异质性，追踪着城市发展的轨迹。随着城市从核心中心增长向外围扩张演变，社会基础设施通过住房市场作为关键竞技场，将差异化的基础设施供给转化为持续的价格梯度。高质量社会基础设施的可达性日益需要支付更高的住房价格溢价，且这些差异在市场下行期更加显著，给低收入家庭带来双重负担——他们面临更大的住房财富损失，同时面临更高的获取成本。这种反周期模式反映了在风险厌恶增强下向质量避险的倾向，即在整体市场疲软时，在排名靠前的学校获得入学资格成为一种财富保值策略。被称颂为具有缓解不平等和促进社会凝聚力潜力的社会基础设施，因此日益通过设定基于价格的门槛来再现和加剧社会不平等，这些门槛在住房市场中差别化地排斥不同家庭。
这些发现对土地利用政策产生若干启示。第一，由于最尖锐和最持久的差异与学校质量相关——特别是主观排名前约35%的学校与其他学校之间的差距——住房和教育政策应协调解决学校质量差异问题。第二，本研究的分析框架可以支撑监测和评估平台，定期追踪因素重要性和局部价格响应的变化，识别价格脆弱性的新兴热点，并事前评估重大基础设施项目或监管变化的分配效应。第三，本研究所识别的动态和空间差异化证据（如社会基础设施的距离和质量饱和阈值）为面向公平的选址提供了效率标准。
尽管本研究提供了关于城内住房价格差异的新见解，但仍存在若干局限性。首先，研究依赖二手房交易并聚焦于关键基础设施，其他相关维度（如租赁市场、非正规住房、邻里社会经济和人口特征、环境条件）未被明确测量。其次，尽管GTRFR和局部偏依赖剖面捕捉了复杂关联和演化非线性，但该框架仍属观察性研究，无法解决设施选址或升级中的内生性问题，未来可与准实验设计相结合以加强因果推断。第三，验证可以进一步扩展，包括聚类程序的全面敏感性分析、替代核函数测试以及空间和时间分块交叉验证基准。最后，分析聚焦于具有独特制度历史的单一特大城市，但基础设施研究路径和GTRFR流程本身具有内在可移植性，未来可在不同制度、土地和教育治理背景下进行比较应用，以检验方法的普适性并阐明哪些城内价格差异机制是情境特定的、哪些在不同城市间反复出现。
