摘要:以2018 年12 月为  截点，选取合肥市市 区( 包河区、瑶海区、 阳区、蜀山区)  研究区，通 地理加 回 模型( GWＲ) 、OLS 模型等方法 研究区住宅价格及其影响因素、驱 机制 行研究。 评估公司,评估机构,房地产评估机构果表明: 合肥市房价具有 著空 聚集性，呈现由中心向四周衰减的趋势，聚集峰 中心为天 湖、 湖新区和老城区; 合肥市住宅价格受多方面的影响，具体表现为物业费用 ＞ 超市数量＞ 房  ＞  行数量＞ 绿化率＞ 医院距离＞ 地铁站距离＞ 学校距离; GWＲ 模型在合肥市住宅价格分析中具有更高的精确度，OLS 模型校正 Ｒ2 为 0． 17，GWＲ 模型校正 Ｒ2 为 0． 50，GWＲ 模型比 OLS 模型 住宅价格的解 能力提高了 33． 30% ，同 ，从 AICc  看 GWＲ 模型的拟合效果 著 于 OLS 模型。

关  :地理加 回 ; 住宅价格; 影响因素; 合肥市

中 分 号:K903     文献   :A      文章 号:1673 － 2006(2022)01 － 0033 － 07

改革开放以来，房地 市 得到了快速 展，城市地价呈现稳步上升趋势，住宅价格随之升高。地理加权回 模型是由英国地理学家 Fotheringham 在 1998 年首次提出，是一种全新的空 信息研究方

［1］

法 。地理加权回 模型在各个 域得到了广泛

［2］

运用 ，其中大量学者在房地 价格方面研究中使

［3］

用 模型。Yu 等 以美国密 沃基市的住宅价格 自 量，以住宅面积和周  境 因 量通 运用地理加权回 模型和特征价格模型两种方法进行研究，得出 GWＲ 模型 合效果 于特征价格模型; San［4］通 地理加权回 模型研究 拉西 住宅价格影响因素，发 住宅价格的高低受到利率、失 率等因素影响。Zhang［5］运用 GWＲ 模型   价格进行分析，基于 GWＲ 模型的空 异 性特点，清晰 述了不同地区   价格影响存在 著差异性;

［6］

尹上岗等 借助地理加权回 模型 影响南京市住宅价格因素进行分析，得到住宅价格的主要影响

［7］

因素及其作用程度; 张明霞等  取2018 年7 月份南昌市城区住宅小区作  验 象，运用地理加权回 模型和 GIS 空 分析方法进行研究，得出区位特征和重点中学 房价的影响作用最大; 刘 文

［8］

等 以重 市市 区普通商品住宅小区均价为研究 象，利用 GWＲ 和 OLS 两种方法 区域因素、一

般因素和个 因素三个 次影响因素进行 比，得出 GWＲ 模型的拟合效果 著 于 OLS 模型，证实了 GWＲ 模型是研究空 异 性影响因素的有效方

［9］

法; 徐晶鑫等  南京市住宅小区社区属性、交通属性和附近相 配套 施三方面价格影响因素进行分析，得出相 于 OLS 模型而言，GWＲ 模型结果更

［10］

加准确; 余岷燚 以杭州市写字楼租金为研究 象，对其内部特征和外部特征两个方面 行研究，结果表明地理加权回 模型相 于特征价格模型在拟合方面表 更加 异。

综上所述，住宅属于典型的空 异 性商品，即功能形式和参数在研究区域内不同地方的表现是不一致的，但是在区域的局部变化是一致的。将地理加权回 方法运用到住宅价格影响因素分析上，可以更好地 述和解  量与被解  量 的关

［11］

系 ，因此本文基于 GWＲ 模型 合肥市住宅价格影响因素进行分析，以期为城市规划和房地 行  展提供借鉴。

数据与方法

1． 1  研究区概况

 取合肥市市 区 研究区( 图 1) ，合肥作 安徽省省会，是安徽省经济、政治、文化中心。鉴于

收稿日期:2021-05-24

基金 目:安徽省 大学生 新 业训练 目( S202010379043) 。

作者 介: 雅君( 1995—) ，女，安徽宿州人， 士，助教，研究方向: 地理信息系  用。

33

近几年来合肥得到了快速的 展，对其住宅价格及影响因素的研究不仅可以公正客 地反 住宅价格的影响因素，还可以 其他城市以及 房者和房地 开发商提供一定的参考。

图1 研究区概况

1． 2      数据来源

研究以2018 年12 月为时 截面，利用网 爬虫工具从搜房网( http: / / nanjing． fang． com / ) 上抓取合肥市市 区内所有住宅数据，整理成表格。主要包括小区的属性数据、空 数据。 取数据后 其进行3  清洗校正。首先，整理数据并统计分析，剔除经济适用房、LOFT 公寓、 墅等价格波 较大的特殊房源，只 取合肥市城区的商品房、住宅小区作为研究 象; 其次借助百度地图 数据进行校正，剔除  数据; 最后将搜房网与百度地图数据进行 比，校正并 全残缺数据。

1． 3      空 插 法

利用空 插 法 取住宅小区点的空 属性特

［12］

征 ，常 的空 插 法有克里金插 法、反距离 重法( IDW) 、临近法等方法。反距离 重法是以插 点与 本点之间的距离作  重 行插 ，离差 点越近，权重越大，离插值点越远，权重越

［13］

小 。本文采取反距离 重法 合肥市住宅小区数据进行插 分析。

1． 4      空 自相关分析

空 自相关是指在同一区域内同一属性要素在

［14］

不同位置上存在相互依 性 ，进行空 自相关分析目的，是 了 验研究区内的数据在空 上是否存在聚集效 和空 异 性。由于合肥市住宅小区数据是以离散点的形式分布在合肥市市 区内，所以本文利用空 自相关分析来 验相 数据点之间

［15］

是否存在相关性 。空 自相关分析包括全局自相关和局部自相关两种，全局自相关通常用莫 指数( Moran's I) 表示，数 的正 代表数据在空 上的正负相关性，为了 一步得到更加精确的相关性，文章使用聚类和异常 分析工具( Local Moran' s I)

［16］

进行局部相关性检验  。

1． 5      地理加 回 模型

地理加权回 模型是一种用来揭示数据时 非平 性与空 非平 性的有效研究模型，能 提高对时空数据演  律的 知，增强对时空数据的分析能力。模型表示如下:

p    

yi  = β0 ( ui ，vi ) + ∑βk ( ui ，vi ) Xi －k   + εi ，i = 1，2，

k = 1      

3，…，n  ( 1)

其中，( ui ，vi ) 为第 i 个采 点的坐 ; βk ( ui ，vi ) 表示第i 个采 点上的第k 个回 参数，是地理位置的函数。计算方法如下:

k ( ui ，vi ) = ［XT W( ui ，vi ) X］－1 XT W( ui ，vi ) y

( 2)

其中，X  自 量矩阵; W( ui ，vi ) 为空  重矩阵，它用来表述位置与参数估计之间的相关性。通常权重用高斯距离 重或双重平方距离 重两种函数表示，分别如下:

j ( ui ，vi ) = exp －  dhij 2 ，j = 1，2，…，n ( 3) Wj ( ui ，vi ) = 1 －  dhij 2 2 ，dij ≤ h，j = 1，2，…，n

0，dij dij ≤ h，j = 1，2，3，…，n其中 h 为带宽，dij 为位置 的距离。

合肥市住宅价格空 分布格局

2． 1  合肥市住宅价格概况

研究 取合肥市住宅均价为 14 508 元/ m2 。其中天 湖周 的住宅价格最高，超过 20 000 元/ m2 ; 瑶海区北部以及 阳区北部的局部地区价格则低于

000 元/ m2 。从图 2 可知，合肥市房价呈 两

低中间高的趋势，从西向东，价格先增后降，从南到北，价格呈现明显的“倒 U”型，综合两 的  来看合肥市住宅价格呈 城市中央高边缘低格局。

图2 合肥市住宅价格  图

注: 浅色的散点为房价数据点，x  表示自西向东，y 轴表示自南向北，z  表示房价。深色散点是房价数据点在“xz”平面方位上的投影，深黑色散点是房价数据点在“yz”轴

34

平面方位上的投影。浅黑色弧 和深黑色弧 为房价拟合曲 在“xz”平面与“yz”平面上的投影。

2． 2      空 自相关分析

 住宅价格数据进行全局自相关分析，莫 指数为0． 312 014，Z 得分 33． 9，P 值为0． 00，表明住宅价格呈  著空 聚集性。进行局部空 自相关分析，由图3 可以看出，合肥市住宅价格较高的地方主要集中在天 湖附近和蜀山区北部到 阳区南部之间以及包河区南部的 湖新区周 ; 而住宅价格 低的位置集中在瑶海区南部，瑶海区南部是合肥市的老城区，交通相 于新城区而言较为阻塞，尤其靠近火 站附近，人员流通密集交通阻塞情况更为严重，因此该区域住宅价格较周 更低廉。

 湖新区。 片区域内城市 化率较高、商 集中，人们生活更加便利，因此该区域住宅价格处于中高水平。瑶海区南部是老城区，交通以及 化有所不足，同 存在火 噪音以及灰 较重等情况，该区域住宅价格处于 低水平。

图4 住宅价格空 分异格局

3     合肥市住宅价格因素分析

3． 1      影响因素量化及模型构建

从合肥市住宅的区位属性、 里 境、建筑特征

［14 － 17］

三方面来 纳住宅价格影响因素 。其中住宅

图3 局部自相关 果图

       小区到地 站、商 、学校( 中小学) 距离作 区位

2． 3  合肥市住宅价格空 分异格局 条件，将住宅小区到医院的距离和小区周 1 km 半

合肥市住宅价格以天 湖 中心，房价随着距    径范 内 行、超市的数量作  里 境参数，物

离增加呈现衰减  ( 图4) 。天 湖中心位置价格     费、绿化率、容 率、房 作 建筑特征( 表1) 。

处于最高点，其次天 湖周 、庐阳区 城河内以及   

表1  特征 量的描述

特征分类       量名称 量含

地 站距离( SUB)

区位属性

学校距离( SCH)

医院距离( HOS)

 里 境   行数量( BANK)

超市数量( SUP)

物  ( PMF)

绿化率( GＲE)

建筑特征

容 率( PLO)

建筑年份( YEAＲ)

 本点到最近地 站的直 距离/米

 本点到最近学校的直 距离/米

 本点到最近医院的直 距离/米

 本点 1 km 范 内 行数量/ 个

 本点 1 km 范 内超市数量/ 个

 本点的物  / 元·m － 2

 本点的绿化率/%

 本点的容 率/%

 本点的建筑年份/年

3． 2      空 回 模型比       用、绿化率、房 、小区距地 站、学校、医院的距

表 2 反映出物  用、绿化率、医院距离、1 km离以及 1 km 范 内 行和超市的数量通 了 5%

范 内 行的数量与房价有正相关性，容 率、小区    著性检验; T 统计  示各系数在 计学上是有

距地 站、学校、景区的距离以及 1 km 范 内超市  ［8］  ，Koenker( BP) 统计量 测值为 49． 485，自

       意 的    

的数量与房价有 相关性。所有 量的方差膨 因      由度 测值为0． 000，具有 计学上的 著性， 明

子( VIF) 均小于 7． 5，表明不存在多重共 性; 物 数据存在空 不 定性或有异方差的存在。

35

表2 OLS 模型结果统计表

 量  系数       准差     T 统计   概率 p          VIF

Constant 14 673． 831  671． 064      21． 867 0． 000*        —

物  用   419  ． 726     154． 861      2． 710   0． 026* 1     ． 237

绿化率   43． 287 9． 539   4． 538   0． 000* 1     ． 195

容 率     － 90． 378   73． 411 － 1． 231     0． 197   1     ． 213

房   － 58． 757   19． 248 － 3． 053     0． 005* 1     ． 853

地 站距离     － 0       ． 735     0． 125   － 5． 898     0． 000* 1     ． 524

学校距离       － 0       ． 585     0． 191   － 3． 066     0． 002* 1     ． 314

医院距离       0． 902   0． 161   5． 586   0． 000* 1     ． 883

 行  68． 949 6． 797   10． 144 0． 000* 2     ． 471

超市       － 150． 358 16． 772 － 8． 965     0． 000* 2     ． 274

Koenker 统计量 49． 485          自由度:0． 000*          

注: * 表示通 了5%  著性检验。

容 率没有通  著性检验，因此剔除容 率

这一影响因素用其他影响因素构建地理加权回 模型，得到模型如下:

i  = β0  ui ，vi  + β1  ui ，vi  xi1  SUB

β2  ui ，vi  xi2  SCH + β3  ui ，vi  xi3  HOS

β4  ui ，vi  xi4  BANK + β5  ui ，vi  xi5  SUP

β6  ui ，vi  xi6  PMF + β7  ui ，vi  xi7  GＲE

β8  ui ，vi  xi8  PLO + β9  ui ，vi  xi9  YEAＲ + εi

其中，yi 表示 本点 i 位置的房价，xij 表示各自 量在 i 点的观测值，βj ( ui ，vi ) 表示在样点的 i 的系数值。地理加权回 分析结果如表3 所示，物  用、

km 范 内超市和 行数量以及房 是影响合肥市住宅价格的主要因素，距离地 站、学校、医院距离影响程度相 较小。

表3 GWＲ 模型回 系数  表

 量  平均数   最小      最大      下四分位数   中位数   上四分位数

Intercept 13 982． 760  6 909． 796   21 901． 999  12 265． 993  13 586． 330  15 309． 342

物  用   377  ． 112     － 1 857． 176     3 114． 853   － 104． 955 175  ． 255       630． 704

绿化率   21． 088 － 80． 318   142． 149      1． 086   17． 753 630． 705

房   － 70． 338   － 246． 362 147． 270      － 104． 137 － 76． 971   － 45． 933

地 站距离     － 0       ． 429     － 3． 878     1． 842   － 1． 097     － 0       ． 109       0． 421

学校距离       － 0       ． 213     － 2． 222     2． 542   － 0． 671     － 0       ． 202       0． 213

医院距离       0． 890   － 2． 445     5． 328   0． 142   0． 785   1． 674

1 km 内 行数量   47． 283 － 53． 968   167． 611      17． 504 47． 434 75． 746

1 km 内超市数量 － 76． 447   － 327． 975 166． 736      － 130． 707 － 72． 887   － 13． 545

 比 OLS 模型和 GWＲ 模型结果( 表 4) ，OLS模型校正 Ｒ2 为0． 17，GWＲ 模型校正 Ｒ2 为 0． 50，表

明 GWＲ 模型比 OLS 模型 住宅价格的解 能力提

高了 33． 30% ; AICc 值，GWＲ 模型比 OLS 模型收

了440． 228，表明GWＲ 模型的拟合效果 于OLS 模

型。因此，GWＲ 模型比 OLS 模型更适用于合肥市住宅价格及其影响因素研究。

表4  GWＲ 和 OLS 模型 比

模型参数       GWＲ 模型    OLS 模型

残差平方和   4 084 975 612． 033 060      8 140 649 477． 541 120

AICc       18 134． 716 246  18 574． 944 032

Ｒ2  0． 587 640   0． 178 238

校正 Ｒ2 0． 503 743   0． 170 684

3． 3      住宅价格影响因素分析

物  用 于合肥市住宅价格的影响最大，从

图 5( a) 可以看出物  与住宅价格呈 正相关，当物  每提高 1 元/ m2 时住宅价格随之提高 377． 11 元/ m2 ，居民越来越看重 良的治安 境和小区各

 服务，合肥市老城区 大部分小区建 年份 早，物  低廉，因此该区域物  用 小区的住宅价格影响没有蜀山区南部新建小区的影响大。

小区的绿化可以 居民身心愉悦，同 植被 可以降低空气中的灰 以及路边的噪音，由图 5( b) 可得 化率越高住宅价格越高，其中在天 湖周 绿化率 住宅价格的影响最 著，而在老城区附近，有古逍遥津、杏花公园、包公园等景区，公园 地可达性较好，因此该区域内小区绿化率 住宅价格提升作用不大。

房屋具有一定的 效性( 见图 5 ( c) ) ，随着小区建成时 越长，小区内的公共 施以及 境也会有所下降，对于住宅价格会 生一定的副作用，房 与住宅价格呈反比，房 越小住宅价格越高，天 湖南部以及 湖新区的小区房  低，住宅价格较高，而庐阳区南部、瑶海区南部以及董 水库周 属于合肥市老城区，小区建成年代 早，价格相  低。

城市 道交通具有快速便宜等优势可以方便居民的出行。本文 取合肥市 道交通1 号 和在建

的 2 号 为研究 象，从图 5( d) 可得距 道交通 1

号 和2 号 的距离与住宅价格有 相关，在郊区影响程度相 较高，而在火 站附近，住宅价格受其影响程度较小，是由于火 站周 交通便捷，地 能到达的区域相  少，因此未能体 出  。

36

图5  各影响因素对住宅价格的影响

图 6( a)  示距中小学距离 住宅价格有提升海区南部，因此该区域内学校可达性 房价的影响

作用，合肥市 等中学主要集中在包河区北部和瑶  程度较其他两区更为 著。

图6 各影响因素对住宅价格的影响

37

图 6( b) 体 了包河区北部小区到医院的距离 住宅价格的影响呈正向作用，离医院的距离越远

住宅价格越高，这是由于该区域内三甲及 合性医院 少，而普通医院 来的 境 染和噪音弊端大于利端; 同 ，庐阳区南部、蜀山区北部和 湖新区三甲及 合性医院相 较多，医院 生的 面影响远小于就医便捷  ，因此该区域内越靠近医院住宅价格越高。

图 6( c) 可以看出， 行 住宅价格有提升作

用。由表 3 可得，1 km 半径范 内每增加 1 家银行，住宅价格随之提升 47． 28 元/ m2 ，1 km 范 内 行数量越多，区域商 越繁 ，金融价 越高，住宅价格越高。

由表 3 可得 1 km 半径范 内超市的数量与住宅价格呈 相关，每增加 1 个超市，住宅价格降低76． 45 元/ m2 。图 6 ( d) 可以看出，超市 住宅价格有 著负向作用，在合肥市老城区内消极影响 著大于 湖新区，这是由于老城区分布有主流大型超市，而小型零售超市的数量增加会 生同  象，因此许多小型零售超市 址在 离大型超市的区域，   致老城区商 用房存在资源浪 的情况，从而令整体住宅价格较郊区有所下降。

结论

本文 取合肥市市 区作 研究区，从区位属性、 里 境和建筑特征三大方面 取八个要素，通过构建地理加权回 模型 其住宅价格影响因素及其作用程度进行分析，得到以下 论:

1) 合肥市住宅价格在空 上呈  著集聚性。整体上，住宅价格的可以分 高中低三大板块，分别是以天 湖 中心的政务区高价板块，以 湖

新区与庐阳区南部 成的中等价格板块和以合肥市瑶海区北部与距商圈较 区域 成的低价板块。天 湖附近是合肥市的住宅价格峰值区域，超过

000元/ m2 ; 三孝口、 湖路、 湖新区以及万达广 周 住宅价格处于 16 000 元/ m2 到 19 000 元/ m2

之间; 住宅价格 低的地方分布较广，主要位于合肥市郊区以及远离大型商 的地方，价格一般位于

10 000元/ m2 左右。

2) 合肥市住宅价格影响因素中，物  用、

1km 范 内超市和 行数量以及房 为主要因素，各影响因素作用程度为: 物  用 ＞ 超市数量 ＞ 房龄＞  行数量 ＞ 绿化率 ＞ 医院距离 ＞ 地 站距离 ＞学校距离。

3) 住宅价格具有空 异 性，在住宅价格影响因素分析中 GWＲ 模型相较于 OLS 模型更适用。

 比两种模型，OLS 模型校正 Ｒ2 为0． 17，GWＲ 模型校正 Ｒ2 为0． 50，GWＲ 模型比 OLS 模型 住宅价格的解 能力提高了 33． 30% ，而 AICc 值 GWＲ 模型

比OLS 模型收 了440． 228，表明GWＲ 模型的拟合

效果要优于 OLS 模型。

参考文献:

［1］BＲUNSDON C，FOTHEＲINGHAM A S，CHAＲLTON M．

Spatial Nonstationarity and Autoregressive Models［J］． En-vironment and Planning A，1980，30( 6) : 957-973．

［2］ 俊， 雅君，金翠，等． 大 城市 地可达性 房价影响的差异性分析［J］． 地理科学，2018，12 ( 38) : 1952-1960．

［3］YU D，WEI Y D，WU C． Modeling Spatial Dimensions of Housing Prices in Milwaukee，WI ［J］． Environment and Planning B: Planning and Design，2007，34 ( 6 ) : 1085-1102．

［4］SAN ONG． Factors Affecting the Price of Housing in Malay-sia［J］． Journal of Emerging Issues in Economics Finance ＆Banking，2013，1( 4) : 414-429．

［5］ZHANG H，ZHANG J，LU S，et al． Modeling hotel room price with geographically weighted regression［J］． Interna-tional Journal of Hospitality Management，2011 ( 4) : 1036-1043．

［6］尹上岗，宋  ，马志飞，等． 南京市住宅价格 空分异格局及其影响因素分析: 基于地理加权回 模型的 证研究［J］． 人文地理，2018，33( 3) :68-77．

［7］ 明霞， 津，俎晓芳． 南昌市住宅价格空 分异及其影

响因子研究［J］． 江西科学，2019，37( 5) :670-676．

［8］刘 文，王 娟． 城市住房价格影响因素及其空  律研究: 基于地理加权回 模型的 证分析［J］． 技术经济与管理研究，2013( 9) :81-86．

［9］徐晶鑫，李俊峰． 基于 GWＲ 模型的南京市住宅价格影响因素与机制研究［J］． 测绘与空 地理信息，2020，43

9) :45-51．

［10］余岷燚． 基于 GWＲ 模型的杭州市写字楼租金特征价格空 分异研究［D］． 杭州: 浙江大学，2017:24．［11］蔚 ，韩景． 沈阳市商品住宅价格影响因素的空 异质性研究［J］． 国土与自然 源研究，2018( 6) :49-52．

［12］谷兴，周 青． 基于地理加权回 的武 市住宅房价空间分异及其影响因素分析［J］． 国土与自然 源研究， 2015( 3) :63-68．

［13］黎俊 ，朱志鹏，傅  ，等． 厦 市旅游景区空 分布特征及相关因子分析［J］． 黑 江生 工程职业学院学报，2020，33( 6) :30-34．

［14］方 唯． 基于地理加权回 的合肥市住宅价格空 分异及影响因素研究［D］． 合肥: 合肥工 大学，2016:

33．

［15］ 少沛， 慧霞，庄大昌． 基于地理回 模型的城市房价时空演 研究［J］． 地理信息世界，2018，25( 6) : 17-

24． ( 下转第79 页)

38

(  任  :周博)

［16］强钧政． 论述大数据技术与房地产估价智慧 估系       实践类课程中的 施［J］． 中国教育技术装 ，2020

的构建［J］． 中国住宅 施，2021( 1) :22-24．   ( 14) :82-84．

［17］吴家新． 现代信息技 在房地产估价 域中的 用思 ［20］姜  ，  莉，  君． 校企合作背景下“房地产估

考［J］． 智  代，2019( 51) :231-232． 价” 秀 程建 的 践探索［J］． 山东工 技 ，2018

［18］田 芬，付洪． 课程思政: 高校专业课教学融入思想政   ( 15) :189．

治教育的 践路径［J］． 未来与发展，2018，42( 4) : 99-  ［21］ 晶． 构建“课程思政”的“三位一体”:以《  学》

103．      程 例［J］． 山西  大学学报，2020，42( S2) :57-60．

［19］李峰光，刘峰，郭睿． 工程教育认 背景下课程思政在  

Study on the Effective Path of "Curriculum Ideology and Politics" in Ｒeal Estate Appraisal Courses

CHEN Xiaofang1 ，DENG Fukang1 ，XU Chenglin2 1． School of Management，Suzhou University，Suzhou 234000，China; 2． School of Geography and Planning，Chizhou University，Chizhou 247000，China

Abstract: In order to further explore the ideological and political construction of the curriculum，on the basis of in-troducing the teaching reform of Ｒeal Estate Appraisal courses，this paper expounds the basic idea of integrating ide-ological and political elements into Ｒeal Estate Appraisal course from four aspects of " adding salt " ，" dividing dish" ，" controlling heat" and " adding cooking method" ． This paper discusses the practice path of integrating ideo-logical and political elements into the teaching target content system of Ｒeal Estate Appraisal course，and then con-structs the guarantee system of ideological and political implementation effect of Ｒeal Estate Appraisal courses from two aspects of improving teachers' education ability and establishing the guarantee mechanism of curriculum ideo-logical and political teaching reform．

Key words: Ｒeal Estate Appraisal; Curriculum ideology and politics; Path

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■

( 上接第38 页)    ［17］王洋，李 ，王少 ，等．  州市住宅价格空 分异的影

［16］朱传广，唐焱，吴群． 基于 Hedonic 模型的城市住宅地价   响因素与 动机制［J］． 地理科学 展，2014，33 ( 3) :

影响因素研究: 以南京市 例［J］． 地域研究与开 ，       375-388．

2014，33( 3) :156-160．

Study on the Influencing Factors of Housing Price Based on GWＲ:

A Case Study of Hefei City

BAO Yajun1 ，WANG Yilin1 ，GUO Zhongchen1，2 ，WANG Chengyang1 1． School of Environment and Surveying Engineering，Suzhou University，Suzhou 234000，China; 2． School of Civil Engineering and Architecture，Anhui University of Science and Technology，Huainan 232001，China

Abstract: Taking December 2018 as the time cut-off point，this paper selects the districts of Hefei City( Baohe Dis-trict，Yaohai District，Luyang District，Shushan District) as the research areas，and studies the housing prices and their influencing factors and driving mechanism through the methods of GWＲ and OLS models． The results show that: ( 1) The housing prices in Hefei City have significant spatial agglomeration，showing a trend of attenuation from the center to the surrounding． The concentration peak centers are Swan Lake，New lakeside district and old urban a-rea． ( 2) Housing prices in Hefei are affected by many factors and specific performance is as follows: property cost ＞ number of supermarkets ＞ house age ＞ number of banks ＞ greening rate ＞ hospital distance ＞ subway station distance

school distance． ( 3) GWＲ model has higher accuracy in the analysis of housing price in Hefei City． The correc-

tion Ｒ2 of OLS model is 0． 17，and the correction Ｒ2 of GWＲ Model is 0． 50． The explanation ability of GWＲ Model is 33． 30% higher than that of OLS model． At the same time，from the AICc value，the fitting effect of GWＲ model is significantly better than that of OLS model．

Key words: Geographically weighted regression; Housing price; Influencing factor; Hefei City (  任  : 李耀 )

79