恒隆研究 | 龙瀛研究团队——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验

【作者】

赵慧敏、阚长城、龙瀛

清华大学恒隆房地产研究中心

【原文信息】

Zhao, H., Kan, C., & Long, Y. (2025). Housing Vacancy Rate Estimation in High-Rise Residential Communities: An Experiment Utilizing Multi-Sourced Data in Beijing. Cities, 166, 106197.

【论文链接】

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

内容导读

龙瀛教授团队的研究论文“Housing Vacancy Rate Estimation in High-Rise Residential Communities: An Experiment Utilizing Multi-Sourced Data in Beijing”（《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验》），在SCI期刊Cities在线发表。Cities目前为JCR Q1期刊。

在快速的城市化进程中，高层住宅已成为主要的住房类型，这一趋势预计将持续并加剧。然而，部分高层居住区存在严重的住房空置现象，导致城市空间资源利用效率低下和浪费严重。准确确定居住区尺度的住房空置率（Housing Vacancy Rate , HVR）对于改善资源分配至关重要。传统 HVR 评估 方法往往面临空间覆盖范围有限和分辨率不足的挑战，特别是在高层城市环境中。本研究比较了居住区尺度估算HVR的几种方法，包括使用基于位置的服务（Location-based Services, LBS）数据、手机信令数据和三种类型的夜间灯光数据。这些方法被应用于北京五环内的5737个住宅小区。为了验证这些方法的准确性，在103个具有代表性的居住区进行了实地调查，利用Wi-Fi 探针估算家庭数量。结果表明，LBS数据具有最高的准确性（相关系数：0.76），突显了其大规模HVR评估的有效性和潜力。LBS数据的全球可访问性也进一步证明了其在 HVR 估算方面的可迁移性。

图1：研究框架示意图

研究方法

1. 居住区边界确定：综合利用AOI、土地利用、POI及遥感影像等多源数据，精确界定了居住区边界。通过设定严格的筛选标准，排除了2022年仍在建的项目、传统低矮自建房（如胡同区）以及学校、商业等非住宅功能区，最终确定了5737个居住区作为研究单元。

2. 住房容量计算：为计算各小区的理论住房容量，研究利用百度地图的三维建筑数据，在假定标准层高为3米的基础上，计算出总建筑面积，再结合安居客平台提供的户型面积数据，最终估算出每个居住区的住房容量。

3. 家庭数量计算：为估算实际家庭数量，研究采用了五种数据集、两种技术路径。第一种路径利用百度LBS和联通手机信令的人口数据，通过除以区域平均家庭户规模来推算户数；第二种路径则利用三套夜间灯光遥感数据，以382个城市中心小区的灯光亮度为基准，标定出单个家庭的“标准亮度值”，再以此为单位换算出各小区的实际居住户数。

4. 住房空置率计算：在获得理论“住房容量”与估算的“家庭数量”后，研究采用统一公式 HVR=1− 住房容量/家庭数量，为每个小区分别计算出基于五种不同数据源的HVR结果，以便后续进行交叉对比与验证。

5. 住房空置率验证：为验证上述估算结果的可靠性，研究开展了实地抽样验证。团队选取了103个代表性小区，实地采集Wi-Fi探针数据（通过识别活跃的路由器数量）来估算空置率。最终，以此数值为基准，通过双变量相关性分析，对五种大数据方法估算出的空置率结果进行了精度评估。

图2：Wi-Fi探针数据采集和处理工作流程

研究发现

1. 五种数据源精度对比：通过与实地采集的Wi-Fi探针数据比对，百度LBS数据的估算结果精度最高，其相关系数达到0.76 (p<0.001)，证明其是进行居住区尺度住房空置率（HVR）估算的可靠数据源。相比之下，联通手机信令数据和吉林一号夜光遥感数据的表现次之，相关性较弱。这主要源于手机信令数据依赖基站定位，空间精度不足；而夜光遥感数据则难以完全排除路灯、车灯等非住宅光源的干扰，且数据采集的非同时性也引入了随机误差。至于珞珈一号和NPP/VIIRS等空间分辨率更低的夜光遥感数据，其估算结果与实测值的相关性较低（分别为0.46和0.23），表明低分辨率的夜间灯光数据不适用于居住区这一精细尺度的空置率研究。

2. 北京住房空置率现状：北京市五环内居住区整体HVR为13.31%，其中，共有3932个居住区HVR小于10%，仅有592个居住区HVR大于50%。实地观察验证了结果的可靠性：低空置率居住区通常车辆密集、居民活动频繁，充满生活气息；而高空置率居住区则表现出明显的冷清特征，例如部分楼栋正在翻新，或是刚刚竣工交付的新建别墅区，人车稀少。这些现场观察到的景象与百度LBS数据估算出的空置率高低分布情况高度吻合。

图2：北京市住房空置率现状

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。