《Land》:Benefit Evaluation of Urban Commercial Land and XGBoost-SHAP Based Influence Analysis: A Case Study of Chengdu, China
编辑推荐:
准确评估城市商业用地的多维度绩效(performance),对引导消费升级和优化城市空间规划至关重要。然而现有研究多从单一经济视角审视商业用地,鲜少在同一分析框架内将非经济指标与基于价格(price-based)的指标进行比较。为弥补这一不足,本研究以中国成都
准确评估城市商业用地的多维度绩效(performance),对引导消费升级和优化城市空间规划至关重要。然而现有研究多从单一经济视角审视商业用地,鲜少在同一分析框架内将非经济指标与基于价格(price-based)的指标进行比较。为弥补这一不足,本研究以中国成都市10,766个商业用地地块(parcel)为对象,构建了涵盖地价(land values)、商铺租金(shop rent)、在线评论数(online reviews)和消费者评分(customer ratings)四项指标的多维效益评价框架(multidimensional benefit evaluation framework),并应用XGBoost(eXtreme Gradient Boosting)—SHAP(SHapley Additive exPlanations)方法考察各指标间的预测关联(predictive associations)与空间格局(spatial patterns)。研究发现四项效益指标在统计特征、空间分布及匹配模式上存在差异与共性,进一步揭示了关键预测因子(key predictors)的重要性排序,以及关键因子对各效益指标的非线性效应(nonlinear effects)、阈值效应(threshold effects)和交互效应(interaction effects)。结果表明四个效益变量各具独特性,综合评价商业用地效益具有重要意义。本研究为商业用地效益及其预测机制(prediction mechanisms)提供了新视角与实证依据,并为制定针对性的消费发展、空间布局及业态优化(business format optimization)策略提供可操作指导,有助于提升城市经济空间的可持续活力(sustainable vitality)。
论文解读:城市商业用地效益评价及基于XGBoost-SHAP的影响因子分析——以中国成都市为例
该研究针对现有城市商业用地效益评价过度依赖土地交易价格或租金等单一经济指标的局限,忽视消费者体验、在线活跃度等非经济维度,且缺乏在同一框架下比较经济与非经济效益指标空间分异及驱动机制差异的问题,开展以中国成都市10,766个零售及消费导向型商业用地地块(parcel)为对象的实证研究。研究人员构建了融合地价(land values)、商铺租金(shop rent)、大众点评与美团在线评论数(online reviews)及商户平均星级评分(customer rating)的四维效益评价体系,采用XGBoost(eXtreme Gradient Boosting)结合SHAP(SHapley Additive exPlanations)可解释性机器学习方法,量化24个区位条件(location conditions)、周边条件(surrounding conditions)、出行条件(travel conditions)和建筑自身属性(construction status)自变量对各效益维度的预测重要性、非线性关系、阈值效应及交互作用,并辅以全局莫兰指数(Global Moran's I)与多尺度缓冲区敏感性分析。研究得出四项效益指标线性相关性极低(|r|≤0.145),代表独立维度;高值区集聚于成都传统五城区及高新南区南北发展轴,但经济与非经济效益存在28.3%–38.8%的空间错配(mismatch),呈南高北低分化;SHAP重要性排序显示地价受区位与街道景观质量(streetscape quality)主导,商铺租金更依赖周边人口与公服设施,在线评论数受公交可达性影响最大,消费者评分只与周边及出行条件显著相关而与物业自身属性无关;关键变量中周边居民收入(income)呈近线性正向影响(对评分影响较弱),绿地(green space)具正向梯度且最大边际收益来自零至最低供给的跨越,景观多样性(landscape diversity)存约1.5–1.6阈值结构,建筑年代(years)对地价呈单调折旧但对老牌商圈店铺租金与评论数有遗产溢价(heritage premium);经济开发区(EDZ)对经济指标呈倒U型而对非经济指标单调递减。成果证实多维评价必要性,为差异化的分区商业用地政策、开发商多指标尽职调查(due diligence)及运营商重视邻里建成环境质量提供科学依据。本文发表于国际期刊《Land》。
主要关键技术方法
研究人员以2024年成都市土地调查数据库识别并筛选出的10,766个消费型商业用地地块(parcel,剔除工业、金融、办公等)为样本队列,从政府基准地价获取land values、从调查库聚合shop rent、从大众点评与美团爬取online reviews及customer rating构成四项因变量并做ln(1+x)或均值处理;自2024年成都土地利用、手机信令、经普、街景图像及居民出行调查数据库提取24个自变量,分属区位条件(距CBD、城市中心、市级/区级商业中心(Urban Commercial District, UCD)、经济开发区(Economic Development Zone, EDZ)、城市轴线等级)、周边条件(500 m缓冲内人口密度、收入、职住比、平均楼层、公共服务设施面积、绿地面积、特色空间面积、土地利用混合度(Land Use Mix, LUM)用Shannon熵)、出行条件(路网密度、地铁站数、公交站数、街景绿视率Green View Index(GVI)、开敞度、步行空间占比、景观多样性)及建筑自身属性(地块面积、建成年份years、星级star rating、业态组合business mix、建筑高度);经300 m/500 m/800 m多尺度缓冲区确定500 m为分析半径;分别建立四个XGBoost回归模型(n_estimators=200, max_depth=6, learning_rate=0.05等),五折随机交叉验证,以平均绝对SHAP值排特征重要性,绘制SHAP依赖图析非线性与交互效应,计算建模前后Global Moran's I检验残差空间自相关并对比空间分组交叉验证稳健性。
研究结果
5.1 Distribution of Four Benefit Variables
研究人员计算Pearson相关系数与三分位空间分布图发现,四指标两两相关系数最高仅r=0.145(online reviews—land values),customer rating与经济指标相关性极弱(r=0.059、0.036),确认四者捕获商业用地效益的不同独立维度,支持分开建模。空间上高值区均集聚于传统五城区、高新区及南北轴带并有离心溢出,温江、双流等近郊局部次之,青白江与新津全维度偏低。配对中位数匹配显示:两经济指标匹配率70.10%,LV-low&SR-high多见于旧城区老建筑区(均价低但租高),LV-high&SR-low多见于新区新建大盘(地价高估但人气和租低);customer rating与online reviews匹配率达78.1%;而跨类别(经济vs非经济)错配率28.3%–38.8%,经济优于非经济者多在南部高新与天府新区,反之多在北部新都、青白江,说明单纯以地价或租金无法反映真实消费体验活力。
5.2 Relative Importance of Independent Variables for Four Benefit Variables
SHAP重要性排序表明:(1)地价(land values):income居首,其次GVI、Urban center、景观多样性、UCD等,印证区位理论与街道景观质量资本化进地价;(2)商铺租金(shop rent):income仍最强,景观多样性、GVI、开敞度也高,但人口密度、公服设施、公交站数、LUM进入前十,反映租金更受周边消费基数与便利度驱动;(3)在线评论数(online reviews):公交站数(bus stops)最重要,其次population density、income、LUM、green space及物业属性(star rating、business mix、average floors、years);(4)顾客评分(customer rating):最重要因子来自surrounding conditions与travel conditions(如income、green space、bus stops、GVI等),建筑自身属性未进前十,说明消费者打分主要取决于邻里与可达性而非商场档次。
5.3 Effects of Independent Variables
5.3.1 Effects of Location Conditions:EDZ对地价、商铺租金呈倒U型(SHAP值EDZ=0→1升,EDZ=2降),对customer rating与online reviews单调递减;低income放大EDZ正负效应,少公交站放大其负效应。市级EDZ多为产业园与制造研发区,与商业活力不兼容故高阶EDZ为负。
5.3.2 Effects of Surrounding Conditions:income对前三者近线性正影响,对customer rating影响明显偏弱,与景观多样性、开敞度、EDZ有正向交互。green space四维度均正梯度,最大SHAP增量在由近零升至最低供给(≤0.30%→略高于),高收入人群强化其对经济指标的正向预测关联,充足bus stops强化其对非经济指标的正向预测关联,公交不足削弱green space对体验维度的作用。
5.3.3 Effects of Travel Conditions:景观多样性(landscape diversity)四维度波动正向,shop rent/online reviews/customer rating在≈1.5–1.6处有阈值(低于此负向,超此转正或缓增),GVI强化其对活力维度正向作用,pedestrian space与其协同影响地价。
5.3.4 Effects of Construction Status:建筑年代(years)对地价单调负向(折旧),对最老组(Q4)商铺租金与online reviews呈正向(历史商业区品牌与区位溢价),中等房龄(Q3)现负向("中年陷阱");景观多样性可部分抵消地价折旧效应并强化老建筑对租金与评论数的正向作用;对customer rating,years与income呈 hump-shaped 峰值(~20年,~3763元收入)后递减,说明中等房龄与中等收入邻里满意度最高。
讨论与结论翻译
研究结论如下:(1)四项效益指标捕获商业用地绩效的实质独立维度,低相关性证实数理必要分开建模,未来可纳入更多效益视角完善体系。(2)空间上高值集聚于五城区、高新区及南北轴,体现成都发展战略与溢出;但经济与非经济维度错配率28.3%–38.8%,南部经济优于非经济、北部相反,需分区差异化政策。(3)SHAP排序揭示功能分化:地价主受区位与街景质量驱动,商铺租金虽也受收入影响但更关联周边情境(人口密度、公服、公交),符合地价形成与租金决定的不同理论解释。(4)非经济指标中online reviews整合邻里条件与物业属性,customer rating仅关联周边与出行条件、忽略自身属性,证实消费者依邻里语境而非场所档次评分。(5)EDZ对经济结果倒U、对非经济单调降,归因市级产业园与商业活力不兼容;income全维度最重要(对评分影响弱);green space正向梯度且最大规划回报来自保基本最低绿地而非无限加绿。(6)景观多样性存~1.5–1.6阈值,低于之伴更低消费参与;建筑年龄对地价单调折旧,最老群组对租金与评论数有遗产溢价,对评分呈~20年峰值的驼峰形。(7)景观质量指标系统性调节主驱动效应——部分抵销房龄对地价的折旧、强化老建筑对消费结果的正溢价;income、GVI、步行空间放大景观多样性益处,公交不足削弱绿地对非经济指标作用;customer rating中景观多样性调节被income取代,说明满意度更系于邻里社经背景而非物理多样性。上述发现对规划者(分区差异化政策)、开发商(多指标尽职调查含消费者参与度指标)、运营商(优选视觉多样、绿视率高、步行可达且高收入 catchment的邻里)具差异指引意义。