参考文件：

7.15

学问分子

The Intellectual

图源：Pixabay

撰文 | 赵慧敏

责编 |戴晶晶

你所活命的城市，有几许无东谈主居住的“阴魂房”？

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有用愚弄。住房空置（Housing Vacancy），即一段时间内住房建筑无东谈主居住或使用的阵势日益突显。住房空置不仅是宏大的建筑资源花费，更与居住区活力阑珊、居人热沈健康乃至民众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%飞腾至13.6%。[2]

在中国，西北师范大学潘竟虎等东谈主2020年发表盘考，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打听与盘收尽心敷陈给出中国城镇家庭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身分影响，通过打听问卷等统计措施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相似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盘考估算，在摈弃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执行》的盘考，已发表于海外学术期刊《Cities》。[8]该文作家为清华大学建筑学院赵慧敏博士，北京大学城市想象与想象学院阚长城博士，通讯作家为清华大学建筑学院龙瀛证明。

01

北京空置房在何处？

住房空置会影响城市空间资源愚弄服从。因此，准确测算居住区圭臬的住房空置率，关于改善资源愚弄、鼓动低碳发展等都有遑急真理。而传统的住房空置率评估措施，常常濒临空间消散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个居住区为盘考对象，使用“规模笃定-容量想象-户数估算-空置率想象-实地考据”的盘考框架，为每个居住阔别别想象出基于五种不同数据源的HVR终结。

该团队还通过实地考据措施来设立“大地真值”（Ground Truth）基准，说明基于GPS定位的位置管事（Location Based Services，LBS）数据判辨最优，盘考想象得出北京五环内合座住房空置率为13.31%，并绘图了“北京住房空置率舆图”。

北京居住区住房空置空间分散图（款式越深，代表空置率越高）

在空间分散上，北京住房空置率呈现出显赫的“中枢-边际”花样，即空置率高的居住区主要蚁集在聚合五环的城市外围区域，而中枢区则广泛较低。共有3932个居住区HVR小于10%，592个居住区HVR大于50%。

实地不雅察考据了终结的可靠性：低空置率居住区平淡车辆密集、居民行径常常，充满活命气味；而高空置率居住区则判辨出彰着的冷清特征，举例部分楼栋正在更动，或是刚刚完满托福的新建别墅区，东谈主车赞佩。

这些现场不雅察到的征象与百度LBS数据估算出的空置率上下分散情况高度吻合。

盘考觉得，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，不错计议推出租房补贴、购房优惠等策略，同期加大交通、交易、扶直、医疗等民众时局的参加，引诱居民入住。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。

课题组同期提倡，政府部门不错愚弄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，瞻望潜在的住房问题，从而作念出更敏捷、更科学的有经营。

02

怎样锁定空置房？

在高楼林立、东谈主口稠密的高层住区，传统的打听措施濒临宏大挑战——盘考者无法像不雅察独栋住宅那样，通过建筑外不雅或院落现象来判断其里面成百上千个单元的居住情况。

现存盘考在数据消散范围、空间分辨率和措施普适性上存在局限，导致在居住区圭臬的HVR估算上存在显赫的盘考空缺。

海外上许多国度都开展了空置住房普查责任，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）的数据自然巨擘性高，但存在空间粒度粗（平淡为城市或行政区级别）、时间频率低（数年一次）的颓势。

针对实地打听与问卷的面容，自然通过抽样问卷或夜间亮灯不雅察等宗旨可取得邃密的一手数据，但东谈主力实时间老本昂贵，难以大范围实施，且不雅测终结易受短期行径和主不雅判断影响。

另一类传统数据措施是使用水电破钞数据，通过分析家庭水电用量判断入住现象，准确度较高。但此类数据触及用户隐秘，数据可得性极差，限度了其在学术盘收用的平常应用。

当今，新兴大数据测量的措施正在被使用，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)。

夜光遥感数据愚弄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径，达成了大范围不雅测。但其空间分辨率（130m-1000m）关于居住区级盘考仍显芜俚，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，但取得老本高，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/摒弃特征，在独栋房屋应用终结较好，但无法穿透高层建筑的“黑箱”，不适用于蚁合住宅为主的城市。

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盘收用的应用尚处起步阶段，数据取得门槛高，且困难公认的考据轨范来评估其估算终结的准确性。

因此，现存盘考短缺一种能够兼顾宏不雅圭臬消散性、微不雅圭臬精确性和措施有用性考据的HVR估算范式，尤其是在高层住宅密集的城市环境中。

既往盘收用使用的中枢数据源展示

为估算实质家庭数目，课题组接管了五种数据集、两种技巧旅途。第一种旅途愚弄百度LBS和手机信令的东谈主口数据，通过除以区域平均家庭户范围来推算户数；第二种旅途则愚弄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“轨范亮度值”，再以此为单元换算出各居住区的实质居居民数。

盘考接管谐和公式“HVR = 1− 家庭数目/住房容量”，为每个居住阔别别想象出基于五种不同数据源的HVR终结，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终结，盘考团队引入了一种实地考据措施来设立“大地真值”（Ground Truth）基准，以处分何种数据源最接近简直情况这一要害问题。

该措施的中枢假定是，一个正常居住的家庭大致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数目可当作实质居居民数的有用代理目的。

为达成这一宗旨，盘考东谈主员使用 “中科奥讯TZ-4007型Wi-Fi探针”开导，对103个处于不同区位、建造范围、房价水平、建成年代的样本居住区进行了高服从的实地数据集聚。

在集聚过程中，志愿者骑行遍历居住区内的通盘谈路，探针开导以每5秒一次的频率，合手续扫描并纪录探伤范围内（最远可达100米）通盘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，盘考不仅能统计出居住区内的AP总额，还能有用摈弃来自居住区外部的干扰信号，最终得到可靠的“简直家庭数目”基准值。

将五种大数据措施估算的HVR终结与该基准进行皮尔逊联系性分析后，盘考团队得以笔据相考虑数的上下来客不雅、定量地评判各数据源的准确性。

盘考终结觉得，百度LBS数据为第一梯队，即最优的数据源。这主要收货于其基于GPS的精笃定位智商，能够最简直地反应个体用户的居住点位，从而在居住区圭臬上达成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有用性，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都备摈弃交易、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集聚服从低下及各区域成像时间不一致的问题。

珞珈一号与NPP/VIIRS夜光数据的判辨与大地真值联系性较弱，其根蒂原因在于空间分辨率过低。在居住区这一邃密圭臬下，一个像素点常常消散了多个居住区或多数非住宅区域，导致信号的“失真”和信息的混合，难以胜任邃密化的空置率分析。

Wi-Fi探针数据集聚过程及处理过程

自然，该盘考也存在一定的局限性，举例居住区规模的界定仍需部分东谈主工搅扰，且暂时无法阔别季节性空置等更复杂的模式，但均为翌日的盘考指明了标的。

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，成为绽放城市玄妙的钥匙，为翌日的城市想象和活命面容提供了新的视角。

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执行》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