基于时空立方体的南昌市房价时空分布特征分析
陈 云 天1，2
(1.江西师范大学地理与环境学院，330022，南昌；2.江西省城乡规划设计研究总院，330200，南昌)
摘要： 根据南昌市2016年7月至2018年6月共24期的692个商品住宅均价，利用时空立方体探究南昌市房价的时空分布特征。主要结论如下：1)南昌市的房价在时空尺度上有着非常明显的分异特征，且有着非常显著的增长趋势，在24个月的连续时间内基本呈现了强空间聚集模式，以高-高聚类和低-低聚类模式为主；2)沿江区域和中心城区以时空热点模式为主导分布，而城市外围区域主要表现为时空冷点模式，且时空热点区域的强度从未减弱，时空冷点区域有逐渐消失的趋势，这预示着南昌市的房价将进一步上涨。
关键词： 南昌市；房价；时空立方体；时空分布特征
0 引言
住房是人们生活中的必需品，关于住房价格问题的讨论多年来经久不衰，房价问题关乎民生的根本。随着中国经济的快速发展，如何平衡人民生活水平与日益增长的房价，已经成为了社会舆论非常重视的话题。房价在不同区域上分布的异同以及房价在特定时期内的变化趋势如何，这些问题是学界探讨的主要内容。但房价问题存在一定的多样性与复杂性，传统的空间分析方法无法探测房价的时空变化。着眼于房价数据随时间的动态变化过程能帮助学者更好地理解地理实体的本质，能大大提高房价信息模拟与预测的准确性[1]。
目前已有不少学者探究房价的时空变化规律，这些研究通过不同的方法对房价在空间上进行插值制图，得到不同时间点的房价分布特征，并进行相关的变化分析。武秀丽等[2]采用移动平均法拟合广州市若干行政区的房价序列，分析残差的分布；邹利林[3]通过计算武汉市全局Moran’s I指数、Lisa集聚指数和半变异函数，识别出各阶段地价的全局自相关和集聚效应；Jeffery等[4]学者分析1996年至2013年共363个美国城市统计局的数据面板数据，发现城市房价增长存在明显的空间扩散趋势，并且在经济萧条时期邻近区域的滞后价格有着更大的变化；宋伟轩等[5]选取6个时段采用克里金插值方法探究南京市房价和租金的空间分异与演变特征；近年来也有越来越多的学者利用地理加权回归模型进行房价变化的分析[6-7]。
综上，房价问题的研究，当前大多从空间、时间两个维度进行探索分析，这一定程度上割裂了房价在总体时空尺度上的特征与变化。在大数据时代，利用时空数据模型探索房价等地理实体的分布格局、形成过程和影响机制，有重要的实践与现实意义[8]。时空立方体作为一种新型的时空数据模型，在探究地理实体的时空变化趋势方面有着一定的应用价值。因此本研究以南昌市所辖的东湖区、青山湖区、青云谱区、湾里区、西湖区(含朝阳洲片区)以及由东湖区、青山湖区、新建区部分区域组成的红谷滩新区(含九龙湖片区、红角洲片区)和南昌县内共692个楼盘作为研究对象，利用时空立方体对2016年7月至2018年6月共24期的连续房价进行时空分析。由于此阶段的南昌楼市经历过一开始的波动，而后也存在一定的平缓时期，对这一研究时段的南昌市房地产市场进行时空尺度上聚集情况与冷热点分布的探究，结果具有典型性，也存在一定的异质性，能更好的帮助公众把握该阶段的楼市变化，了解南昌市房价的时空分布特征和时空演变趋势，并定性预测一段时间内的南昌市房地产市场价格走向，这对南昌市房地产市场的在过去2年的总览情况和未来的发展与调整有着一定的指导意义。
1 研究区概况与数据来源
南昌市位于江西省北部，是江西省的省会城市和中部的重要城市，同时也是世界十大活力城市。地处江西省中部偏北，赣江、抚河下游，濒临中国第一大淡水湖鄱阳湖西南岸，是鄱阳湖生态经济区的核心城市。南昌市下辖6区3县，分别为东湖区、西湖区、青云谱区、青山湖区、新建区、湾里区和南昌县、进贤县、安义县。总人口达546.35万，GDP为5 003.19 亿元。由中指研究院、中房指数系统(CREIS)提供的百城价格指数显示(图1)，近8年来，南昌市房地产市场的平均价格一直低于100个样本城市的平均水平。2016年的胡润全球房价指数显示，全球房价年度涨幅前50个国家里，中国的19个城市上榜，南昌总排名27位，年度涨幅达到了15.6%。自2016年7月至2017年1月，南昌市各区域的房价都有大幅增长。东湖区的君悦苑在半年的时间内房价上涨33.8%；南昌县的新竹小区、碧湖馨苑、金桂尚居涨幅均超过44.5%；而青山湖区的太华山庄房价更是翻了1.3倍，浪琴湾小区的价格也近乎翻番。在房价上涨无法遏制之际，为了保障房地产市场平稳健康的发展，南昌市住房保障和房产管理局于2016年10月8日晚紧急下发了《关于进一步做好房地产住宅市场调控工作的通知》，政策落实后南昌市当年12月的房价环比便下跌了1.2%，很长一段时间内的涨幅都稳定在1%左右。至今南昌市的房价保持着平稳的缓慢上涨。
图1 南昌市价格指数
搜房网是目前最大的房产交易记录网站之一，该网站记录了房屋的价格、种类、地址等各项指标信息，本文利用网络爬虫技术获取搜房网南昌站楼盘的详细房价数据，对于网站中含有数据但在卫星图像上显示已拆除的小区，进行了实地调查，确保信息的准确性。剔除了商铺、公寓、经济适用房以及年代久远的楼盘和信息缺失过多的样本后，最终筛选出692个信息准确完整的商品房楼盘作为研究对象，获取它们自2016年7月至2018年6月的房屋均价信息。以天地图为底图将各楼盘矢量化，获取其空间位置分布信息，研究区范围及楼盘分布情况如图2所示。
图2 研究区范围与楼盘位置
2 研究方法
2.1 时空立方体
时空立方体模型[9-10]是通过将样本点聚合到空间—时间条柱的方法将其汇总到一种特殊的名为NetCDF(网络公用数据格式)的时空数据结构中(图3)。在每个条柱内计算点计数并聚合指定属性。对于所有条柱位置，评估计数趋势和汇总字段值。通过创建时空立方体，能以时间序列分析、集成空间和时间模式分析等形式，对时空数据进行可视化和分析。所创建的数据结构可被视为由时空条柱组成的一个三维立方体，其中x 和y 这2个维度表示地理实体在空间上的位置，维度t 表示时间。每个条柱在空间 (x ,y ) 和时间(t )中都有固定位置。覆盖同一个(x ,y )区域的条柱共用同一个位置ID。包含相同持续时间的条柱共用相同的时间步长ID。
以南昌市房价时空立方体作为输入数据，进行时空热点探测。在378个邻域中共有274个位置呈现出时空上的冷热点趋势。冷热点类型结果如表4所示。可以发现研究范围内共有235个时空热点区域，仅有39个时空冷点区。冷点的时空模式比较单一，以逐渐减少的冷点特征为主，这表示这些区域的房价也有脱离低值的趋势，而历史热点则预示着房价已经脱离了冷点的范畴。而时空热点的特征则比较多元，近一半的模式是连续热点，连续热点区域内的房价基本一直处于高值未曾间断；加强的热点位置有58个，则说明这些地区的房价热度还会随着时间增强；而振荡的房价热点表示为地区住宅价格的“忽冷忽热”，分散的热点区域虽然热点不是连续出现的，但是并未出现过冷点时段。
从房价时空立方体聚类异常值的结果(图7)中可以看出，赣江西岸红谷滩中心区域一直处于高值-高值聚类状态，这也直观地展示了红谷滩新区确实为楼市关注的焦点；在东湖区、西湖区、青山湖区部分区域、青云谱区北部等中心城区和朝阳洲板块、红谷滩的红角洲、九龙湖板块等沿江区域，在总研究时段内也属于明显的高值-高值聚集模式，尽管它们在某些时间片上无显著的聚类模式，这些地区的房价的极少数楼盘可能在个别月份中有所波动，导致当月该位置未表现出显著的聚集模式，但总体上这些地区仍是由高值-高值聚集模式所支配；而南昌县、湾里区、青云谱区和新建区基本都为低值-低值聚集模式，其中若干位置可能存在几个时间片上的高-低或者低-高异常模式，但总体还是非常显著的低值-低值聚集，房价一直维持在相对较低的水平；其他区域如青山湖区大部分区域、新建区与红谷滩新区交界处呈现了多种模式的特征，在最后的时间段内出现过高值模式，同时也有低值模式主导的历史，这些地区由于房价的上涨，可能不会再出现低值的特征，而是会发展为高值主导的模式。
教育在淳化镇乡村社会中，是不很发达的，大半学校多系私塾，俗名叫做“蒙馆”，就是在一个乡村中的农人，他们互相联合起来，大家摊派几个钱，请一位能教四书五经的老先生，来教学生读古书。在淳化镇乡村社会里56村中，共有34村有了这种私塾，占全体村数中51．8%,什么新式小学倒反很少。近年江宁县政府及私人方面极力提倡，到了现在，总算共有5个村庄已经设立，但亦仅占全体7．1%。[25]
图3 时空立方体示意图
2.2 局部异常值分析
局部异常值分析也称为时空模式挖掘，通过查找研究区内时间与空间上与其邻域存在统计差异的位置，计算出空间和时间环境中的统计显著性聚类和异常值，是局部Anselin Locan Moran’I 统计[11]的时空实现(图4)。时空模式挖掘使用邻域距离和邻域时间步长参数估计各立方体条柱的Anselin Locan Moran’I统计量的时空实现，包含6种检测结果，分别为Never Significant(无显著性模式)、Only High-High Cluster(高值-高值聚类模式)、Only High-Low Outlier(高值-低值异常模式)、Only Low-High Outlier(低值-高值异常模式)、Only Low-Low Cluster(低值-低值聚类模式)、Multiple Types(多聚类模式)。局部异常值分析的各种模式及其定义如表1所示。
图4 时空异常分析示意图
2.3 时空热点分析
研究区总体楼盘样本在2016年7月的均价为9 130元/m2，2018年6月时增加至11 729 元/m2，2年间的总涨幅为28.46%。除2016年11月、2017年4月房价环比负增长外，其余22个月环比均为正向增长。其中湾里区、东湖区、青山湖区、红谷滩新区、九龙湖片区在多数时间内环比涨幅均在3%以上。东湖区的香逸澜湾与青山湖区的浪琴湾在2年的时间内一直为均价最高的2个楼盘，浪琴湾小区在2016年12月的房价更是达到了40 000 元/m2，创下了近年来楼盘均价的最高峰。在涨幅方面，青山湖区的太华山庄从开始的3 148元/m2上涨至10 462 元/m2，增长3倍之多，而其他一些楼盘如九州云湾、玉河新村、豫泉香苑、翠湖名都、新湖名苑、洪兴公寓、正荣学府壹号等也在最初房价基础之上翻了1倍以上。利用南昌市的房价样本数据构建时空立方体，输入的时间范围为2016年7月至2018年6月，以1个月为时间步长单位，整个时空立方体覆盖的周期为24期，因此每个邻域内具有24个立方体条柱。在每个条柱内计数并聚合当月房价字段，所有的时空立方体聚合到378个邻域范围，共9 072个条柱。创建完成时空立方体后，对每个空间位置的立方体条柱中的房价时间序列采用Mann-Kendall检验，以探测房价随时间推移在总体上的趋势是增加还是减少。分析结果中的Z 值为6.672 4，P 值小于0.000 1(99.9%的置信区间)，这表示南昌市的房价在时空尺度上具有非常显著的增长趋势。南昌市房价的3D时空立方体以自然断点法划分为2 700以下、2 700～6 700、6 700～9 000、9 000～11 000、11 000～13 000、13 000～17 000、17 000～40 000共7个区间，并进行可视化，结果如图6所示。
美国创新战略为美国经济增长提供动力，深入分析美国创新战略的经验对我国建设创新型国家具有重要启示。本节主要针对2015年美国创新战略的内涵、主要内容和优先领域进行深入分析。
表1 时空异常分析模式
图5 时空热点分析示意图
3 结果与分析
3.1 南昌市房价时空立方体
时空热点分析可识别数据的时空趋势，探测某一特征在时空尺度的热点或冷点。通过设定的邻域距离和邻域时间步长参数来计算每个立方体条柱的Getis-Ord Gi*统计量[12]，得到每个条柱关联的输入时空立方体中的每个条柱都有关联的Z 得分、P 值和已添加的热点条柱分类。接着使用Mann-Kendall[13]趋势测试来评估这些热点和冷点趋势。根据每个含有数据的位置的生成趋势Z 得分和P 值以及每个条柱的热点Z 得分和P 值，对条柱进行模式分类(图5)。时空热点分析包含17种检测结果，分别为新增的、连续的、加强的、持续的、逐渐减少的、分散的、振荡的以及历史的热点、冷点以及无显著的时空模式，各种模式及其定义如表2所示。
以亮氨酸为例，一级质谱信息显示该化合物在正离子模式下响应较好，并得到m/z 132.101 85的准分子离子峰 [M＋H]+，经Xcalibar软件拟合其分子式为C6H14NO2。该化合物的二级质谱信息主要有86.096 95 [M＋H－HCOOH]+，69.070 58 [M＋H－HCOOH－NH3]+，57.057 96 [M＋H－HCOOH－CH3－CH2]+，发现其断裂方式符合氨基酸类化合物的裂解规律，通过与文献报道[10]进行比对后，最终确定该化合物为亮氨酸，亮氨酸的质谱裂解途径见图7。
表2 时空热点分析模式
2012—2015年，四省区建设高效节水灌溉工程面积3 800万亩 （黑龙江1 500万亩，吉林900万亩，辽宁600万亩，内蒙古800万亩），其中喷灌面积1 650万亩，微灌面积1 890万亩，管道输水灌溉工程面积260万亩。在项目区中，地表水灌区面积211万亩，占5.6%；地下水灌区面积3 589万亩，占94.5%。大田粮食作物面积3 722万亩，占98%；大田经济作物面积78万亩，占2%。
图6 南昌市房价时空立方体
3.2 南昌市房价局部异常值分析
以南昌市房价时空立方体作为输入数据，对378个格网进行时空异常值分析，结果如表3所示。研究区在研究时段内存在单一时空聚类趋势的位置共有142个，高-高聚类与高-低聚类的个数接近，在时空上包含2种聚类类型的邻域有123个，表现高-低异常值与低-高异常值模式的邻域只占总数目的1.32%，这说明南昌市的房价在24个月的连续时间内基本呈现了非常强的空间聚集模式。房价立方体中呈现2种聚类模式的条柱；无显著性的条柱占比约为40%，很多邻域内的房价在开始或者结束的部分时间片内并不会有显著的模式，但其他时间片内会呈现聚类或异常状态，因此该位置在总体上也会表现出单一或多类型的模式，24个月内始终无房价聚类显著性的邻域只有8个。
子宫肌瘤红色变性，临床诊断中极少数会出现子宫肌瘤红色变性，子宫肌瘤的红色变性与妊娠相关，从医学角度来分析，是一种无菌性组织分解，组织间隙液体渗出形成囊腔[7]。在妊娠期如有子宫肌瘤，血液流动加快，促进肿瘤的生长，更容易使其进行变异，红色变性是最常见的[8]。
时空立方体中的每一个条柱都具有位置ID、时间步长ID、属性值以及创建立方体后聚合的所有汇总字段或变量。与同一物理位置相关的条柱将共享同一位置 ID，这些条柱组合起来可表示时间序列。与同一时间步长间隔相关的条柱将共享同一时间步长 ID，这些条柱组合起来可构成时间片。每个条柱的计数值反映在相关时间步长间隔内出现在相关位置的事件或记录的数量。
表3 房价时空立方体异常检测结果
图7 南昌市房价时空异常值分析结果
3.3 南昌市房价时空热点分析
综上所述，在慢性充血性心力衰竭中采取螺内酯联合贝那普利进行治疗，不仅能提高临床有效率，且能快速改善患者心功能情况，提高患者生活质量，在临床治疗中具有重要价值，值得临床广泛应用及推广。
表4 房价时空立方体异常检测结果
对南昌市房价的时空立方体进行热点分析(图8)，探索其时空分布特征，结果如下。
芦晓飞表示，有机农业替代化学农业成为当前农业转型升级的主要出路，利用土壤微生物技术是当前撬动我国农业可持续发展、提高农产品质量的有力杠杆。奥特奇具备技术优势主要体现在以下三个方面：一是独一无二的酶制剂保障土壤健康；二是领先的有机矿物元素技术为植物提供充足的营养；三是独特的微生物提取物和植物抗诱剂技术促进农作物健康生长，重建土壤健康生态。
图8 南昌市房价时空热点分析结果
1)在时空尺度上，南昌市中心区域的房价基本都表现出时空热点模式，且覆盖范围非常集中；城市西部、南部等边缘区域属于时空冷点区域，也呈聚集模式分布，主要在湾里区和南昌县。红谷滩、东湖区、青山湖区的小部分区域为新兴的房价热点，这些地区的房价在之前的时间段内从来都不是显著的房价热点区域，但是最近的时间段内是显著的房价热点区域。房价新兴热点区域内的小区可能在服务方面有所提升。西湖区、青山湖区大部分区域、东湖区东部、青云谱区北部等中心城区和朝阳洲片区、红谷滩部分区域为持续的热点区域，表示这些地区在研究时段内，其热点特征从未中断，大于90%的时间内房价都呈现高值特征。
2)红角洲片区、红谷滩大部分区域、东湖区大部分区域为加强的热点区域，随着时间步长其聚类强度随着增加，说明在这些地区内，房价的增长速度超过了平均水平，且增速呈上升趋势。观察发现这些区域为南昌市轨道交通二号线沿线区域，由于地铁二号线于2017年8月通车运营，正好跨越整个研究时段，这一因素很大程度上是房价增长速度变快的结果。东湖区部分区域为分散的热点，在大部分时段内是显著性的房价热点区域，但是也存在一定时间步长的冷点，尽管是非显著的；而红谷滩西部、青山湖区部分区域属于振荡的时空热点区域，在之前的时段既出现过房价冷点也出现过房价热点，但是在最近的时间段内都是显著的房价热点区域。
3)湾里区、南昌县中部及南部区域属于逐渐减少的冷点区域，超过90%的时间段是显著性的房价冷点区域，但是冷点的聚类强度在总体上有所减少，说明这些地区的房价尽管还处在一定的低值水平，但是具有明显的低值减弱趋势，会逐渐的往高值发展。如今南昌市的发展战略中，湾里区主打绿色生态的生活模式，南昌县也将逐步被纳入南昌市大都市圈，这必将使这些区域的房价脱离相对低值的处境。
4 结论与讨论
本文以南昌市2016年7月至2018年6月的商品房价格为研究对象，利用时空立方体数据模型，挖掘南昌市房价时空分布特征、时空聚类异常和时空热点探测方面的结果，研究结论如下。
1)南昌市房价在研究时段内总体呈现非常显著的增长趋势，但部分楼盘的房价增速过快，不利于房地产市场的健康发展，有关部门应对此进行适当的监管。
2)南昌市房价在时空尺度上有着非常明显的分异特征和聚集模式。赣江西岸红谷滩中心区域一直处于高值-高值聚类状态，东湖区、西湖区、青山湖区部分区域、青云谱区北部等中心城区和朝阳洲板块、红谷滩的红角洲、九龙湖板块等沿江区域，在研究时段内也基本呈现高值-高值聚集模式；南昌县、湾里区、青云谱区和新建区等城市外部区域基本都为低值-低值聚集模式，房价一直维持在相对较低的水平，这表示南昌市的经济发展是以中心区域和新兴片区为主，房价由非常明显的政策调控所导向。
3)南昌市中心区域的房价基本都表现出时空热点模式，而城市边缘区域基本属于房价相对低值的冷点区域。西湖区、青山湖区大部分区域、东湖区东部、青云谱区北部等中心城区和朝阳洲片区、红谷滩部分区域为持续的热点区域，这些地区在研究时段内的房价热点特征从未中断；红角洲片区、红谷滩和东湖区等主要区域房价增长的加速度也正在变高，未来房价会有更加迅速的增长，这些区域均处在赣江沿岸，政府大力打造“一江两岸”工程，一线的滨江风景和轨道交通等完善的配套设施带动了房地产市场持续蓬勃的发展；湾里区、南昌县等地区尽管呈现出冷点模式，但是未来房价会逐渐逼近高值，房价冷点区域也将通过政府制定的相应措施实现更好更快的发展。
4)总体上南昌市未来的房价在保持稳定增长的同时，区域间的差距会有减小的趋势，高房价的地区会出现部分片区的均价大幅上涨，但低房价的地区基本都将走向高房价的态势，短期内房价不会出现下降的趋势。
本研究定量计算了时空立方体的部分指标，以定性结论为主。未来工作包括揭示影响房价时空分布的影响机制，探究房价时序变化的影响因素，量化测度影响房价可能的原因，并尝试预测房价的未来走势。
参考文献：
[1] 刘莎.空间数据与时空数据的分析方法及比较[D].西安:长安大学,2015.
[2] 武秀丽,张峰.时间序列分析法在房价预测中的应用——以广州市的数据为例[J].科学技术与工程,2007,21(7):5631-5635
[3] 邹利林.城市住宅地价时空演变及影响因素研究[D].武汉:中国地质大学, 2013.
[4] Cohen J P, Ioannides Y M, Thanapisitikul W. Spatial Effects and House Price Dynamics in the U.S.A[J]. Journal of Housing Economics, 2015, 31:1-13.
[5] 宋伟轩,马雨竹,陈艳如.南京城区住宅售租价格时空分异与影响因素[J].地理科学进展,2018,37(9):1268-1276.
[6] 王梦晗,刘纪平,王勇.路网距离约束的GTWR模型应用——以北京市房价为例[J].测绘科学,2018,43(4): 133-137.
[7] 王新刚.城市住房价格时空模型分析[D].开封:河南大学,2015.
[8] 王劲峰,柏延臣,武继磊,等.地理学时空数据分析方法[J].地理学报,2014, 69(9):1326-1345.
[9] Unidata. Integrated Data Viewer (IDV) version 3.1 [DB/OL]. http://doi.org/10.5065/D6RN35XM, 2012.
[10] Mitchell, Andy. The ESRI Guide to GIS Analysis[M]. America: ESRI Press, 2005.
[11] Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2):93-115.
[12] Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24(3): 189-206.
[13] Hamed K H. Exact distribution of the Mann-Kendall trend test statistic for persistent data[J]. Journal of Hydrology, 2009, 365(1/2): 86-94.
An Analysis of Spatial -temporal Distribution Characteristics of Housing Prices in Nanchang Based on Space -time Cube
CHEN Yuntian1,2
(1.Geography and Environment Department, Jiangxi Normal University, 330022, Nanchang, PRC;2. Jiangxi Provincial Institute of Urban and Rural Planning and Design, 330200, Nanchang, PRC)
Abstract ：Based on the price of 692 commercial residential buildings in 24 periods from July, 2016 to June, 2018 in Nanchang, this paper explores the spatial-temporal distribution characteristics of housing prices in Nanchang by using space-time cube method. The main conclusions are as follows: 1) The housing prices in Nanchang have very distinct characteristics on the spatial and temporal scales, and have a very significant growth trend, showing a strong spatial clustering pattern in 24 months'continuous time, with high-high clustering and low-low clustering pattern as the main pattern; 2) The region along the Yangtze River and the central urban area are dominated by spatial-temporal hot spot pattern, while the urban periphery areas are dominated by spatial-temporal cold spot pattern. Furthermore, the intensity of space-time hotspot area has never been weakened, and the space-time cold point area has gradually disappeared, which indicates housing prices in Nanchang will rise in the future.
Key words ：Nanchang; housing prices; space-time cube; spatial-temporal distribution characteristics
收稿日期： 2019-04-10;修订日期：2019-05-27
作者简介： 陈云天(1993-)，男，硕士研究生，主要研究方向为地理信息系统应用。
基金项目： 江西师范大学研究生创新基金项目(YJS2017016)。
doi :10.13990/j.issn1001-3679.2019.03.010
中图分类号： F224
文献标识码： A
文章编号： 1001-3679(2019)03-371-07