參考文獻(xiàn)：

7.15

知識(shí)分子

The Intellectual

圖源：Pixabay

撰文 | 趙慧敏

責(zé)編 |戴晶晶

你所生活的城市，有多少無人居住的“幽靈房”？

在全球快速城市化進(jìn)程中，高層住宅已成為現(xiàn)代都市主導(dǎo)建筑形態(tài)。然而，一些已建成的高層住宅并未得到有效利用。住房空置（Housing Vacancy），即一段時(shí)間內(nèi)住房建筑無人居住或使用的現(xiàn)象日益凸顯。住房空置不僅是巨大的建筑資源浪費(fèi)，更與居住區(qū)活力衰退、居民心理健康乃至公共安全等一系列外部性問題緊密相關(guān)。[1]

1963年-2018年，日本住房空置率（Housing Vacancy Rate, HVR）從2.5%上升至13.6%。[2]

在中國，西北師范大學(xué)潘竟虎等人2020年發(fā)表研究，基于夜間燈光數(shù)據(jù)等估算2015年主要城市的住房空置率在22%到26%之間。[3]這個(gè)團(tuán)隊(duì)同時(shí)提到，中國對(duì)于住房空置率統(tǒng)計(jì)數(shù)據(jù)尚無法取得共識(shí)，西南財(cái)經(jīng)大學(xué)中國家庭金融調(diào)查與研究中心報(bào)告給出中國城鎮(zhèn)家庭2013年住房空置率為22.4%，但受人為主觀干擾等多方面因素影響，通過調(diào)查問卷等統(tǒng)計(jì)方法進(jìn)行房屋空置分析可能會(huì)不同程度地低估或高估房屋空置情況。[4]

人潮擁擠、寸土寸金的超級(jí)大都市同樣存在房屋空置的問題。

2023年，日本東京的住房空置率為10.93%。[5]2021年，美國紐約和英國倫敦的住房空置率分別為10.4%和8%。[6][7]

一項(xiàng)來自清華大學(xué)龍瀛課題組的最新研究估算，在排除二環(huán)內(nèi)胡同區(qū)自建房的情況下，北京五環(huán)內(nèi)的整體住房空置率約為13.31%。這項(xiàng)題為《高層住宅居住區(qū)的住房空置率估算：基于多源數(shù)據(jù)的北京實(shí)驗(yàn)》的研究，已發(fā)表于國際學(xué)術(shù)期刊《Cities》。[8]該文作者為清華大學(xué)建筑學(xué)院趙慧敏博士，北京大學(xué)城市規(guī)劃與設(shè)計(jì)學(xué)院闞長城博士，通訊作者為清華大學(xué)建筑學(xué)院龍瀛教授。

01

北京空置房在哪里？

住房空置會(huì)影響城市空間資源利用效率。因此，準(zhǔn)確測(cè)算居住區(qū)尺度的住房空置率，對(duì)于改善資源利用、推動(dòng)低碳發(fā)展等都有重要意義。而傳統(tǒng)的住房空置率評(píng)估方法，往往面臨空間覆蓋范圍有限和分辨率不足的挑戰(zhàn)。

龍瀛課題組以北京五環(huán)內(nèi)5737個(gè)居住區(qū)為研究對(duì)象，使用“邊界確定-容量計(jì)算-戶數(shù)估算-空置率計(jì)算-實(shí)地驗(yàn)證”的研究框架，為每個(gè)居住區(qū)分別計(jì)算出基于五種不同數(shù)據(jù)源的HVR結(jié)果。

該團(tuán)隊(duì)還通過實(shí)地驗(yàn)證方法來建立“地面真值”（Ground Truth）基準(zhǔn)，確認(rèn)基于GPS定位的位置服務(wù)（Location Based Services，LBS）數(shù)據(jù)表現(xiàn)最優(yōu)，研究計(jì)算得出北京五環(huán)內(nèi)整體住房空置率為13.31%，并繪制了“北京住房空置率地圖”。

北京居住區(qū)住房空置空間分布圖（顏色越深，代表空置率越高）

在空間分布上，北京住房空置率呈現(xiàn)出顯著的“核心-邊緣”格局，即空置率高的居住區(qū)主要集中在靠近五環(huán)的城市外圍區(qū)域，而核心區(qū)則普遍較低。共有3932個(gè)居住區(qū)HVR小于10%，592個(gè)居住區(qū)HVR大于50%。

實(shí)地觀察驗(yàn)證了結(jié)果的可靠性：低空置率居住區(qū)通常車輛密集、居民活動(dòng)頻繁，充滿生活氣息；而高空置率居住區(qū)則表現(xiàn)出明顯的冷清特征，例如部分樓棟正在翻新，或是剛剛竣工交付的新建別墅區(qū)，人車稀少。

這些現(xiàn)場(chǎng)觀察到的景象與百度LBS數(shù)據(jù)估算出的空置率高低分布情況高度吻合。

研究認(rèn)為，資源錯(cuò)配已成為城市的核心矛盾之一。對(duì)于空置率高的居住區(qū)，可以考慮推出租房補(bǔ)貼、購房?jī)?yōu)惠等政策，同時(shí)加大交通、商業(yè)、教育、醫(yī)療等公共設(shè)施的投入，吸引居民入住。這既能“填滿”空房子，也能緩解核心區(qū)的擁擠，促進(jìn)城市均衡發(fā)展。

課題組同時(shí)建議，政府部門可以利用LBS數(shù)據(jù)建立一個(gè)動(dòng)態(tài)的城市住房監(jiān)測(cè)平臺(tái)，追蹤人口流動(dòng)和居住模式的變化，以提前發(fā)現(xiàn)空置趨勢(shì)，預(yù)測(cè)潛在的住房問題，從而做出更敏捷、更科學(xué)的決策。

02

如何鎖定空置房？

在高樓林立、人口稠密的高層住區(qū)，傳統(tǒng)的調(diào)查方法面臨巨大挑戰(zhàn)——研究者無法像觀察獨(dú)棟住宅那樣，通過建筑外觀或院落狀態(tài)來判斷其內(nèi)部成百上千個(gè)單元的居住情況。

現(xiàn)有研究在數(shù)據(jù)覆蓋范圍、空間分辨率和方法普適性上存在局限，導(dǎo)致在居住區(qū)尺度的HVR估算上存在顯著的研究空白。

國際上很多國家都開展了空置住房普查工作，但中國并無官方的空置住房普查數(shù)據(jù)。此外，如美國人口普查局（ACS）的數(shù)據(jù)雖然權(quán)威性高，但存在空間粒度粗（通常為城市或行政區(qū)級(jí)別）、時(shí)間頻率低（數(shù)年一次）的缺陷。

針對(duì)實(shí)地調(diào)查與問卷的方式，雖然通過抽樣問卷或夜間亮燈觀察等辦法可獲取精細(xì)的一手?jǐn)?shù)據(jù)，但人力及時(shí)間成本高昂，難以大規(guī)模推廣，且觀測(cè)結(jié)果易受短期行為和主觀判斷影響。

另一類傳統(tǒng)數(shù)據(jù)方法是使用水電消耗數(shù)據(jù)，通過分析家庭水電用量判斷入住狀態(tài)，準(zhǔn)確度較高。但此類數(shù)據(jù)涉及用戶隱私，數(shù)據(jù)可得性極差，限制了其在學(xué)術(shù)研究中的廣泛應(yīng)用。

目前，新興大數(shù)據(jù)測(cè)量的方法正在被使用，包括：夜光遙感數(shù)據(jù)(Nighttime Light Data)、高分辨率影像與街景(High-Res Imagery & Street View)和LBS與手機(jī)信令數(shù)據(jù)(LBS & Mobile Signaling Data)。

夜光遙感數(shù)據(jù)利用DMSP/OLS, NPP/VIIRS, 珞珈一號(hào)等衛(wèi)星捕捉城市夜間燈光強(qiáng)度反演人類活動(dòng)，實(shí)現(xiàn)了大范圍觀測(cè)。但其空間分辨率（130m-1000m）對(duì)于居住區(qū)級(jí)研究仍顯粗糙，且易受街道照明等非住宅光源的噪聲干擾。最新的吉林一號(hào)數(shù)據(jù)雖分辨率高達(dá)0.92米，但獲取成本高，難以普適。

高分辨率影像與街景通過深度學(xué)習(xí)識(shí)別房屋的空置/廢棄特征，在獨(dú)棟房屋應(yīng)用效果較好，但無法穿透高層建筑的“黑箱”，不適用于集合住宅為主的城市。

LBS與手機(jī)信令數(shù)據(jù)基于用戶定位和通信記錄識(shí)別常住人口，理論上精度高。但其在HVR研究中的應(yīng)用尚處起步階段，數(shù)據(jù)獲取門檻高，且缺乏公認(rèn)的驗(yàn)證標(biāo)準(zhǔn)來評(píng)估其估算結(jié)果的準(zhǔn)確性。

因此，現(xiàn)有研究缺少一種能夠兼顧宏觀尺度覆蓋性、微觀尺度精確性和方法有效性驗(yàn)證的HVR估算范式，尤其是在高層住宅密集的城市環(huán)境中。

既往研究中使用的核心數(shù)據(jù)源展示

為估算實(shí)際家庭數(shù)量，課題組采用了五種數(shù)據(jù)集、兩種技術(shù)路徑。第一種路徑利用百度LBS和手機(jī)信令的人口數(shù)據(jù)，通過除以區(qū)域平均家庭戶規(guī)模來推算戶數(shù)；第二種路徑則利用三套夜間燈光遙感數(shù)據(jù)（吉林一號(hào)夜光遙感數(shù)據(jù)、珞珈一號(hào)夜光遙感數(shù)據(jù)、NPP/VIIRS夜光遙感數(shù)據(jù)），以382個(gè)城市中心居住區(qū)的燈光亮度為基準(zhǔn)，標(biāo)定出單個(gè)家庭的“標(biāo)準(zhǔn)亮度值”，再以此為單位換算出各居住區(qū)的實(shí)際居住戶數(shù)。

研究采用統(tǒng)一公式“HVR = 1? 家庭數(shù)量/住房容量”，為每個(gè)居住區(qū)分別計(jì)算出基于五種不同數(shù)據(jù)源的HVR結(jié)果，以便后續(xù)進(jìn)行交叉對(duì)比與驗(yàn)證。

03

“Wi-Fi探針”驗(yàn)證準(zhǔn)確度

面對(duì)五種數(shù)據(jù)源得出的不同結(jié)果，研究團(tuán)隊(duì)引入了一種實(shí)地驗(yàn)證方法來建立“地面真值”（Ground Truth）基準(zhǔn)，以解決何種數(shù)據(jù)源最接近真實(shí)情況這一關(guān)鍵問題。

該方法的核心假設(shè)是，一個(gè)正常居住的家庭大概率會(huì)安裝并使用一個(gè)Wi-Fi路由器（Access Point, AP），因此居住區(qū)內(nèi)活躍的AP數(shù)量可作為實(shí)際居住戶數(shù)的有效代理指標(biāo)。

為實(shí)現(xiàn)這一目標(biāo)，研究人員使用 “中科奧訊TZ-4007型Wi-Fi探針”設(shè)備，對(duì)103個(gè)處于不同區(qū)位、建設(shè)規(guī)模、房?jī)r(jià)水平、建成年代的樣本居住區(qū)進(jìn)行了高效率的實(shí)地?cái)?shù)據(jù)采集。

在采集過程中，志愿者騎行遍歷居住區(qū)內(nèi)的所有道路，探針設(shè)備以每5秒一次的頻率，持續(xù)掃描并記錄探測(cè)范圍內(nèi)（最遠(yuǎn)可達(dá)100米）所有Wi-Fi信號(hào)的MAC地址、信號(hào)強(qiáng)度、幀類型等信息，同時(shí)使用手機(jī)App同步記錄GPS軌跡。

通過數(shù)據(jù)處理，研究不僅能統(tǒng)計(jì)出居住區(qū)內(nèi)的AP總數(shù)，還能有效排除來自居住區(qū)外部的干擾信號(hào)，最終得到可靠的“真實(shí)家庭數(shù)量”基準(zhǔn)值。

將五種大數(shù)據(jù)方法估算的HVR結(jié)果與該基準(zhǔn)進(jìn)行皮爾遜相關(guān)性分析后，研究團(tuán)隊(duì)得以根據(jù)相關(guān)系數(shù)的高低來客觀、定量地評(píng)判各數(shù)據(jù)源的準(zhǔn)確性。

研究結(jié)果認(rèn)為，百度LBS數(shù)據(jù)為第一梯隊(duì)，即最優(yōu)的數(shù)據(jù)源。這主要得益于其基于GPS的精確定位能力，能夠最真實(shí)地反映個(gè)體用戶的居住點(diǎn)位，從而在居住區(qū)尺度上實(shí)現(xiàn)最準(zhǔn)確的人口估算。

手機(jī)信令數(shù)據(jù)與吉林一號(hào)夜光數(shù)據(jù)均具備一定的有效性，但各有其局限。手機(jī)信令的精度受基站密度和定位算法影響；而吉林一號(hào)雖分辨率極高，但夜光數(shù)據(jù)天然地難以完全排除商業(yè)、路燈等非住宅光源的“噪聲”干擾。此外，吉林一號(hào)夜光遙感數(shù)據(jù)的高空間分辨率導(dǎo)致圖像采集效率低下及各區(qū)域成像時(shí)間不一致的問題。

珞珈一號(hào)與NPP/VIIRS夜光數(shù)據(jù)的表現(xiàn)與地面真值相關(guān)性較弱，其根本原因在于空間分辨率過低。在居住區(qū)這一精細(xì)尺度下，一個(gè)像素點(diǎn)往往覆蓋了多個(gè)居住區(qū)或大量非住宅區(qū)域，導(dǎo)致信號(hào)的“失真”和信息的混雜，難以勝任精細(xì)化的空置率分析。

Wi-Fi探針數(shù)據(jù)采集過程及處理流程

當(dāng)然，該研究也存在一定的局限性，例如居住區(qū)邊界的界定仍需部分人工干預(yù)，且暫時(shí)無法區(qū)分季節(jié)性空置等更復(fù)雜的模式，但均為未來的研究指明了方向。

從夜空中的微光到每個(gè)人手機(jī)的定位信號(hào)，再到街角不起眼的Wi-Fi……這些無處不在的數(shù)據(jù)，能夠幫助我們穿透鋼筋水泥的叢林，精準(zhǔn)地識(shí)別空置房屋，成為打開城市秘密的鑰匙，為未來的城市規(guī)劃和生活方式提供了新的視角。

注：本文作者趙慧敏博士，是上述Cities論文《高層住宅居住區(qū)的住房空置率估算：基于多源數(shù)據(jù)的北京實(shí)驗(yàn)》的第一作者。

[1]https://www.researchgate.net/publication/325715985_Detection_and_Prediction_of_House_Price_Bubbles_Evidence_from_a_New_City

[2]https://www.tandfonline.com/doi/full/10.1080/19491247.2020.1791501

[3]http://www.rsta.ac.cn/EN/10.11873/j.issn.1004-0323.2020.4.0820

[4]https://link.springer.com/article/10.1007/s11769-020-1171-7

[5] https://www.e-stat.go.jp/dbview?sid=0004021440

[6]https://data.census.gov/table/ACSDP1Y2021.DP04?q=DP04&g=160XX00US3651000&moe=false

[7]https://www.ons.gov.uk/peoplepopulationandcommunity/housing/bulletins/numberofvacantandsecondhomesenglandandwales/census2021

[8]https://www.sciencedirect.com/science/article/abs/pii/S0264275125004883