参考文件：竞猜大厅

7.15

常识分子

The Intellectual

图源：Pixabay

撰文 | 赵慧敏

责编 |戴晶晶

你所生涯的城市，有些许无东谈主居住的“幽魂房”？

在全球快速城市化程度中，高层住宅已成为当代都市主导建筑形态。然则，一些已建成的高层住宅并未得到灵验诳骗。住房空置（Housing Vacancy），即一段时刻内住房建筑无东谈主居住或使用的气象日益突显。住房空置不仅是纷乱的建筑资源蹧跶，更与居住区活力衰竭、居人情愫健康乃至全球安全等一系列外部性问题紧密联系。[1]

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

在中国，西北师范大学潘竟虎等东谈主2020年发表照拂，基于夜间灯光数据等估算2015年主要城市的住房空置率在22%到26%之间。[3]这个团队同期提到，中国关于住房空置率统计数据尚无法取得共鸣，西南财经大学中国度庭金融访问与照拂中心论述给出中国城镇家庭2013年住房空置率为22.4%，但受东谈主为主不雅干扰等多方面要素影响，通过访问问卷等统计方法进行房屋空置分析可能会不同程度地低估或高估房屋空置情况。[4]

东谈主潮拥堵、寸土寸金的超等大都市雷同存在房屋空置的问题。

2023年，日本东京的住房空置率为10.93%。[5]2021年，好意思国纽约和英国伦敦的住房空置率分别为10.4%和8%。[6][7]

一项来自清华大学龙瀛课题组的最新照拂估算，在摒除二环内巷子区自建房的情况下，北京五环内的合座住房空置率约为13.31%。这项题为《高层住宅居住区的住房空置率估算：基于多源数据的北京实践》的照拂，已发表于外洋学术期刊《Cities》。[8]该文作家为清华大学建筑学院赵慧敏博士，北京大学城市设想与设想学院阚长城博士，通讯作家为清华大学建筑学院龙瀛讲授。

01

北京空置房在那儿？

住房空置会影响城市空间资源诳骗遵守。因此，准确测算居住区法度的住房空置率，关于改善资源诳骗、鼓吹低碳发展等都有迫切真理。而传统的住房空置率评估方法，频频靠近空间粉饰范围有限和分辨率不及的挑战。

龙瀛课题组以北京五环内5737个居住区为照拂对象，使用“领域详情-容量计算-户数估算-空置率计算-实地考据”的照拂框架，为每个居住折柳别计算出基于五种不同数据源的HVR遣散。

该团队还通过实地考据方法来设立“大地真值”（Ground Truth）基准，阐明基于GPS定位的位置工作（Location Based Services，LBS）数据进展最优，照拂计算得出北京五环内合座住房空置率为13.31%，并绘画了“北京住房空置率舆图”。

北京居住区住房空置空间漫衍图（颜料越深，代表空置率越高）

在空间漫衍上，北京住房空置率呈现出显耀的“中枢-旯旮”形状，即空置率高的居住区主要集合在围聚五环的城市外围区域，而中枢区则广博较低。共有3932个居住区HVR小于10%，592个居住区HVR大于50%。

实地不雅察考据了遣散的可靠性：低空置率居住区过去车辆密集、居民行动频频，充满生涯气味；而高空置率居住区则进展出昭彰的冷清特征，举例部分楼栋正在立异，或是刚刚完满录用的新建别墅区，东谈主车珍稀。

这些现场不雅察到的气象与百度LBS数据估算出的空置率高下漫衍情况高度吻合。

照拂觉得，资源错配已成为城市的中枢矛盾之一。关于空置率高的居住区，不错有计划推出租房补贴、购房优惠等计谋，同期加大交通、交易、莳植、医疗等全球法子的过问，诱骗居民入住。这既能“填满”空房子，也能缓解中枢区的拥堵，促进城市平衡发展。

课题组同期提议，政府部门不错诳骗LBS数据设立一个动态的城市住房监测平台，跟踪东谈主口流动和居住模式的变化，以提前发现空置趋势，有计划潜在的住房问题，从而作念出更敏捷、更科学的方案。

02

若何锁定空置房？

在高楼林立、东谈主口宽绰的高层住区，传统的访问方法靠近纷乱挑战——照拂者无法像不雅察独栋住宅那样，通过建筑外不雅或院落景况来判断其里面成百上千个单元的居住情况。

现存照拂在数据粉饰范围、空间分辨率和方法普适性上存在局限，导致在居住区法度的HVR估算上存在显耀的照拂空缺。

外洋上好多国度都开展了空置住房普查使命，但中国并无官方的空置住房普查数据。此外，如好意思国东谈主口普查局（ACS）的数据诚然巨擘性高，但存在空间粒度粗（过去为城市或行政区级别）、时刻频率低（数年一次）的劣势。

针对实地访问与问卷的边幅，诚然通过抽样问卷或夜间亮灯不雅察等概念可赢得细巧的一手数据，但东谈主力实时刻资本不菲，难以大领域实行，且不雅测遣散易受短期行径和主不雅判断影响。

另一类传统数据方法是使用水电破钞数据，通过分析家庭水电用量判断入住景况，准确度较高。但此类数据波及用户秘籍，数据可得性极差，截止了其在学术照拂中的世俗应用。

当今，新兴大数据测量的方法正在被使用，包括：夜光遥感数据(Nighttime Light Data)、高分辨率影像与街景(High-Res Imagery & Street View)和LBS与手机信令数据(LBS & Mobile Signaling Data)。

夜光遥感数据诳骗DMSP/OLS, NPP/VIIRS, 珞珈一号等卫星捕捉城市夜间灯光强度反演东谈主类行动，结束了大范围不雅测。但其空间分辨率（130m-1000m）关于居住区级照拂仍显鄙俗，且易受街谈照明等非住宅光源的噪声干扰。最新的吉林一号数据虽分辨率高达0.92米，但赢得资本高，难以普适。

高分辨率影像与街景通过深度学习识别房屋的空置/毁灭特征，在独栋房屋应用成果较好，但无法穿透高层建筑的“黑箱”，不适用于聚拢住宅为主的城市。

LBS与手机信令数据基于用户定位和通讯纪录识别常住东谈主口，表面上精度高。但其在HVR照拂中的应用尚处起步阶段，数据赢得门槛高，且远程公认的考据法度来评估其估算遣散的准确性。

因此，现存照拂远程一种能够兼顾宏不雅法度粉饰性、微不雅法度精确性和方法灵验性考据的HVR估算范式，尤其是在高层住宅密集的城市环境中。

既往照拂中使用的中枢数据源展示

为估算实质家庭数目，课题组收受了五种数据集、两种本领略径。第一种旅途诳骗百度LBS和手机信令的东谈主口数据，通过除以区域平均家庭户领域来推算户数；第二种旅途则诳骗三套夜间灯光遥感数据（吉林一号夜光遥感数据、珞珈一号夜光遥感数据、NPP/VIIRS夜光遥感数据），以382个城市中心居住区的灯光亮度为基准，标定出单个家庭的“法度亮度值”，再以此为单元换算出各居住区的实质居居民数。

照拂收受长入公式“HVR = 1− 家庭数目/住房容量”，为每个居住折柳别计算出基于五种不同数据源的HVR遣散，以便后续进行交叉对比与考据。

03

“Wi-Fi探针”考据准确度

面对五种数据源得出的不同遣散，照拂团队引入了一种实地考据方法来设立“大地真值”（Ground Truth）基准，以料理何种数据源最接近实在情况这一关节问题。

该方法的中枢假定是，一个正常居住的家庭省略率会安设并使用一个Wi-Fi路由器（Access Point, AP），因此居住区内活跃的AP数目可行为实质居居民数的灵验代理筹商。

为结束这一方针，照拂东谈主员使用 “中科奥讯TZ-4007型Wi-Fi探针”拓荒，对103个处于不同区位、拓荒领域、房价水平、建成年代的样本居住区进行了高遵守的实地数据收罗。

在收罗过程中，志愿者骑行遍历居住区内的扫数谈路，探针拓荒以每5秒一次的频率，捏续扫描并纪录探伤范围内（最远可达100米）扫数Wi-Fi信号的MAC地址、信号强度、帧类型等信息，同期使用手机App同步纪录GPS轨迹。

通过数据处理，照拂不仅能统计出居住区内的AP总和，还能灵验摒除来自居住区外部的干扰信号，最终得到可靠的“实在家庭数目”基准值。

将五种大数据方法估算的HVR遣散与该基准进行皮尔逊联系性分析后，照拂团队得以左证相关联数的高下来客不雅、定量地评判各数据源的准确性。

照拂遣散觉得，百度LBS数据为第一梯队，即最优的数据源。这主要成绩于其基于GPS的精详情位才智，能够最实在地响应个体用户的居住点位，从而在居住区法度上结束最准确的东谈主口估算。

手机信令数据与吉林一号夜光数据均具备一定的灵验性，但各有其局限。手机信令的精度受基站密度和定位算法影响；而吉林一号虽分辨率极高，但夜光数据自然地难以皆备摒除交易、街灯等非住宅光源的“噪声”干扰。此外，吉林一号夜光遥感数据的高空间分辨率导致图像收罗遵守低下及各区域成像时刻不一致的问题。

珞珈一号与NPP/VIIRS夜光数据的进展与大地真值联系性较弱，其根蒂原因在于空间分辨率过低。在居住区这一细巧法度下，一个像素点频频粉饰了多个居住区或多数非住宅区域，导致信号的“失真”和信息的搀杂，难以胜任细巧化的空置率分析。

Wi-Fi探针数据收罗过程及处理历程

自然，该照拂也存在一定的局限性，举例居住区领域的界定仍需部分东谈主工过问，且暂时无法折柳季节性空置等更复杂的模式，但均为畴昔的照拂指明了标的。

从夜空中的微光到每个东谈主手机的定位信号，再到街角不起眼的Wi-Fi……这些无处不在的数据，能够匡助咱们穿透钢筋水泥的森林，精确地识别空置房屋，成为绽开城市神秘的钥匙，为畴昔的城市设想和生涯边幅提供了新的视角。

注：本文作家赵慧敏博士，是上述Cities论文《高层住宅居住区的住房空置率估算：基于多源数据的北京实践》的第一作家。

[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