引言
特定地点的城市便利设施资本化至房价是城市经济学的核心议题，反映了家庭如何在可达性、便利性和环境品质与住房成本之间进行权衡（Chen et al., 2025; Gibbons & Machin, 2008; Yuan et al., 2020）。在超密集混合用地城市如香港，居住、商业、交通、教育、医疗和休闲等功能高度交织，这些权衡在极短的空间范围内发生且往往具有高度非线性特征（Wadu Mesthrige & Maqsood, 2022; D. Liu et al., 2024）。因此，理解这些邻近效应在不同距离上的变化对于解释紧凑型城市环境中房价的形成至关重要。
传统享乐定价模型通常依赖线性、半对数或距离分段设定，隐含地假设距离与房价之间存在平滑且单调的关系（Malpezzi, 2002; Rosen, 1974; Seo et al., 2019）。然而，这些假设日益与实证证据不符。空间计量经济学的最新进展，如地理加权回归（GWR）和多尺度 GWR（MGWR），通过允许模型参数局部变化来放松这些假设，从而捕捉空间异质性和非平稳性（Fotheringham et al., 2017; Huang et al., 2010; Páez et al., 2008; Wu et al., 2019）。然而，这些方法在根本上仍然是参数化框架，需要预先指定函数形式，主要用于捕捉平滑变化的空间过程。因此，它们不太适合捕捉超密集环境中多个相互作用的便利设施所产生的复杂非线性交互、突变转折点和异质阈值效应。
机器学习的最新进展为在不施加限制性函数形式假设的情况下对房价进行建模提供了有前景的替代方案。其中，XGBoost（极端梯度提升）之所以特别有效，是因为它能够在保持高预测性能的同时灵活地建模复杂交互（Chen & Guestrin, 2016）。与此同时，可解释人工智能（XAI）技术，特别是 Shapley 加性解释（SHAP）和累积局部效应（ALE），通过量化特征贡献和恢复连续响应函数，显著提高了机器学习模型的可解释性（Apley & Zhu, 2020; Lundberg et al., 2018; Lundberg & Lee, 2017; Molnar, 2021）。这些方法的结合提供了一个透明的框架，用于识别使用传统享乐定价和空间计量方法难以恢复的异质性、非线性和阈值依赖的可达性效应。然而，与 GWR/MGWR 不同，XGBoost 和 XAI 方法并不显式建模空间依赖性或空间变异系数，也无法本身消除由遗漏的空间结构化因素引起的空间混杂。它们的比较优势在于能够灵活地恢复复杂的、非线性的和阈值依赖的关系，而无需预先指定函数形式。
基于这些方法论进展，最近的研究越来越多地将可解释机器学习应用于房产估价（例如，Chen et al., 2023; Chen et al., 2025; Dou et al., 2023; Lee et al., 2025）。例如，Lee et al. (2025) 表明，SHAP 能够揭示使用直线距离的复杂非线性距离衰减关系，而传统享乐模型无法捕捉这些关系。然而，这些关系在以极端土地稀缺、垂直发展和高度互联的步行网络为特征的超密集城市环境中是否仍然有效，以及在可达性使用步行网络距离而非欧几里得距离进行衡量时是否仍然成立，在很大程度上仍未得到探索。香港为解答这一问题提供了理想的环境，因为其独特的城市形态很可能将可达性效益和局部外部性压缩到比低密度城市中观测到的短得多且更为异质的空间范围内。
尽管取得了最新进展，但仍存在几个重要的研究缺口。首先，大多数现有研究孤立地考察个别便利设施类别，而非在统一的分析框架内系统比较多个城市便利设施如何共同影响房价，特别是在超密集城市系统中。其次，可达性通常使用缓冲区指标（例如，预定义区域内的数量或密度）（例如，Chen et al., 2023; Dou et al., 2023）或直线（欧几里得）距离（例如，Chen et al., 2025; Lee et al., 2025）进行衡量，两者均可能无法充分代表香港等复杂城市环境中的实际步行可达性。第三，大部分文献侧重于预测性能或特征重要性，而对恢复连续且可解释的距离响应函数关注有限，这些函数能够揭示便利设施特有的阈值和转折点（例如，Chen et al., 2023; Dou et al., 2023）。最后，来自香港等超密集城市的实证证据仍然稀缺，尽管极端的密度、垂直城市形态和混合用地很可能从根本上改变了可达性资本化机制。
为弥补这些缺口，本研究分析了 2012 年至 2020 年间香港 722,244 笔住房交易的大规模数据集，通过将 XGBoost 与两种互补的可解释人工智能技术（SHAP 和 ALE）相结合，考察了使用步行网络距离时城市便利设施如何资本化至房价。
本研究做出了四项主要贡献。首先，它为世界最紧凑、垂直结构最突出的城市之一的便利设施资本化提供了新的实证证据，从而拓展了主要源自低密度大都市环境的近期研究结果。其次，它使用步行网络距离而非欧几里得距离来衡量可达性，从而为便利设施特有的服务范围和步行可达性阈值提供了更符合行为现实的刻画。第三，它开发了一个统一的分析框架，联合评估多种城市便利设施类别，包括交通、教育（按阶段）、医疗、商业和零售服务以及自然和休闲便利设施，从而实现对其相对重要性、空间阈值和距离衰减模式的系统比较。第四，通过将 XGBoost 与 SHAP 和 ALE 相结合，本研究展示了可解释机器学习如何超越预测，在复杂城市环境中恢复连续、可解释且具有政策相关性的城市便利设施距离响应函数。
本文其余部分的结构如下：第 2 节回顾相关文献，第 3 节介绍研究区域、数据和方法，第 4 节报告实证发现，第 5 节结合政策含义进行总结。
