回顾以往的保障性住房建设工作,保障性住房常具有布局偏远、与周边公服设施脱节、单一功能集中建设、职住空间匹配性差等特征,从而导致保障性住房项目的高空置率与民众对于保障性住房的低积极性。因此,精准把握保障性住房的空间需求特征,是建设健康高效的住房保障体系的必要条件。
本文用大数据的方法对保障性住房的需求与建设的空间要素进行分析,研究保障性住房适合建设的区域。本文以深圳市龙华区为例,以手机信令数据的时间属性与空间属性为基础,发掘区域的人群分布特征与活动聚集特征;叠加公积金数据,分析研究现状需求的空间分布特征与职住关系;结合POI数据,分析城市各区域的现状居住适宜性,为后续的选址工作提供完善且可靠的指引。
2017年,住房保障工作作为国家发展的重要举措写入了十九大报告中,也宣告着保障性住房的规划建设进入了一个高速发展的新时期。深圳先后开展了安居型商品房、公共租赁住房、人才房、保障性住房等多个名目不同种类的住房保障工作,并已有一部分的房源向社会供应。
根据深圳的人口状况与住房所有情况,保障性住房的房源目前在数量上是完全无法满足社会需求的,因此在房源分配情况上应该呈现供不应求的情况。然而在实际的保障性住房房源分配过程中,出现了保障性住房建设统筹的缺失,项目建设分布不均、部分地区或部分户型空置率过高的问题。
精准把握保障性住房的空间需求特征,是建设健康高效的住房保障体系的必要条件(图片来源:pixabay)
因此,需要摸清保障性住房的供应现状与需求情况,分析适宜居住的城市区域,以及合适的户型配比结构,是兼具必要性与紧迫性的任务。在龙华区保障性住房空间布局研究项目中,工作主要分为需求预测、空间布局、建设指引三个主要阶段,力求从实际需求出发,结合实际建设能力,最终形成具有实操性的规划指引。主要流程为从实际需求总量出发,结合需求有关大数据与空间规划条件形成可反映片区实际需求特点的空间分布,结合现状项目与职住分析对保障性住房项目选址提供指引。
保障性住房的需求研究主要为两部分:需求总量研究分析与空间布局研究分析。
(1)需求总量研究分析
需求总量研究的意义在于深入且较为准确地把握一个较大区域的整体情况。进行需求总量分析所需要的数据常为依据各类属性分类之后所汇总的、整体性强的数据,这一部分研究可以通过较为传统的方式获取数据并进行推算。
例如,查阅历年的普查与抽样调查人口数据,对接教育、人力等政府部门获取某些特定人群的数据,对目标群体发放问卷获取待保障人群结构数据等,推算需求总量的现状情况,再加入人群自然增长率、人口流动情况、带眷比例、城市规划引导等影响要素来推算目标年份的总体需求情况,具体的操作与测算内容在此不做详细叙述。
(2)空间布局研究分析
需求的空间布局分析侧重于信息的空间属性,在获取数据时也需要重点记录空间位置信息。这部分内容通常无法通过查阅资料、咨询相关主管部门直接获得。对于带有空间属性的数据的传统调查方法主要有发放问卷和申报收集两种。
发放问卷收集资料的优点是可以保证数据内容、尤其是空间内容的准确性,数据可信度高。填报收集数据,即设立资料收集的入口渠道,通过宣传吸引目标群体主动填报提交所需信息,用较少的投入获取较全面的信息。然而两种方式的弊端也较明显,发放问卷、挨个调查统计的方法所能获得的数据量有限,如需获取较多数据则需要大量人力物力的投入;通过资料申报收集数据对宣传工作的依赖度高,所收集信息的可信度相对问卷调查低,通常需要对信息可靠性进行再校核,时间周期长。
根据《住房公积金管理条例》第15条的规定:“单位录用职工的,应当自录用之日起30日内到住房公积金管理中心办理缴存登记”。住房公积金原则上是所有工作人口都应缴纳的、具有强制性的保障内容。虽然公积金数据从本质上而言也是通过申报收集的数据,但由于其强制性、普适性,以及相对完备的数据审查管理途径,使数据准确性与样本量有良好的保证。另外,住房公积金本身与购房需求有着较为明显的关联性,汪润泉与刘一伟研究发现住房公积金对于收入在农民工阶层以上群体的购房意愿有较强的促进作用[1],而居民整体缴纳公积金对住房需求的影响也会在房价上有直接反映[2]。
在龙华区保障性住房需求空间分布研究中,项目组获取到由政府相关部门提供的全区以公司为单位的公积金缴纳数据作为支撑。在数据的使用过程中,有公积金提取记录的人群被视为是利用公积金缴纳购房贷款的有房群体而非保障对象,并在后续分析中予以剔除;根据《2015年中国幸福婚姻家庭调查报告》,全国的平均结婚年龄为26岁,因此在研究中将25岁及以下人群视为非短期内以家庭为单位的住房刚需群体并予以剔除;另考虑到40岁以上的人群普遍来深较早,可在缴纳公积金之前买房或趁房价较低时不用公积金买房,因此对41岁及以上人群在计算需求时予以剔除。
将清洗过的公积金数据中缴纳单位的坐标和缴纳人数信息导入ArcGIS软件,并对数据进行核密度分析,得出龙华区公积金缴纳人群聚集情况(如下图)。全区的公积金缴纳人数有两个密度极高的峰值,并严重影响到了对全区房源需求分布的整体性判断。后续调查发现,这两个公积金缴纳高峰皆为富士康公司,分别是富士康龙华园和富士康观澜园。

龙华区公积金核密度分析
由于上述原因,富士康的需求在分析中需做单独考虑并从整体中做剔除处理。在数据二次清洗之后的分析结论表现出了深圳市龙华区缴纳公积金群体的就业分布情况(见下图):26-40岁之间、无公积金提取记录的人群工作地点,人数从多至少排列依次为:龙华街道,占35.7%;大浪街道,占21.3%;观澜街道,占15.9%;民治街道,占12.3%;观湖街道,占9.4%;福城街道,占5.3%。

龙华区公积金密度分析
从密度分析来看,有住房需求人群的公积金缴纳在龙华、大浪、民治街道的分布整体而言相对均衡,有一定的集中性同时整体性好;在观湖、观澜、福城街道的分布集聚性更强,呈核心强周边弱的空间分布特征,这一点在观澜街道尤为明显。
POI数据即“Point of interest”数据,汉语常翻译为“兴趣点”,通常用来指代谷歌地图、百度地图、高德地图等地图平台中用来标注各类建筑物的有扩展信息的标注点,包含名称、类别、地址、联系方式等信息。由于地图平台用户群体的广泛性与数据更新的自发性,POI数据与城市空间现状的贴合度高,因此在大数据分析中,POI数据常作为现状城市功能实体要素的空间分布与社会经济活动的直观表达。本文选用POI数据作为大尺度的现状居住空间分析数据基础也正是基于此。
为了可以更明确地分析现状房源的问题,本文针对深圳市龙华区的居住适宜性进行综合分析,并与现状项目的空间位置进行匹配,试图从空间布局角度找寻在需求庞大的前提下依旧有房屋空置的原因。在研究中,将居住适宜性具体分为交通设施情况、医疗与教育设施覆盖、生活类商业布局三个方面分别进行分析。
(1)交通便利性分析
交通分析分为道路交通分析与轨道交通分析。在提取龙华区现状道路网络,比对建设用地范围后,发现龙华全区的道路系统建设情况良好、通达性强,无明显的道路交通无法覆盖区域。另外,由于研究对象为保障性住房所面向的待保障人群,机动车保有率要低于购买商品住宅的人群,其出行方式更倾向于轨道交通而非私家车出行。因此道路级别与通达性对于房源的影响有限,在此不作为主要影响因素考虑。

轨道交通是城市内稳定高效的快速公共交通工具,然而其建造成本高昂、维护费用高、运行系统繁杂、运载能力和系统稳定性远强于一般道路交通工具的特点也决定了其需要较高的使用效率作为运营支撑,因此其主要作为城市公共交通的主干线路组成部分。相较于道路系统对社会活动的影响是沿道路带状分布,轨道交通系统对社会活动的影响主要以各个站点为核心向外辐射,与线路本身的关系并不密切。
综合以上特征,轨道交通系统在城市片区内的覆盖有较为明显的高峰与洼地,对更加依赖于公共交通系统出行的保障性住房目标群体来说更是如此。因此在对交通系统的分析主要聚焦在轨道交通站点影响范围的覆盖情况。
根据《深圳市城市规划标准与准则》,轨道交通站点影响半径以步行适宜半径的500m进行计算,故在此次研究中,取500m为轨道交通影响半径。对比轨道交通站点500m影响范围与现状16个可配租保障性住房项目,在规划轨道交通站点500m范围内的房源只有4处,占总量的25%,最远的项目距离规划轨道交通站点3km以上。总体而言,多数项目公共交通出行便利度不足。

(2)医疗与教育设施覆盖情况研判
医疗与教育设施是具有一定公益性与普适性,与居民身体健康、心理健康及社会稳定发展息息相关的设施类型。在控制性详细规划的制定过程中,医疗的床位与教育的学位是编制时重点考虑内容。从对于居民居住地选择的影响来看,学校的布局情况会直接影响到有学龄儿童家庭的选择意愿,是对居住结构分布产生较大影响的公共服务类设施。
本文对龙华区现状已分配房源的学校覆盖情况进行了分析。由于小学面向的通常是6-12岁儿童,对外界危险的认识与反应能力较弱,对于小学布局的便利性与安全性有较高的需求,因此取常规步行半径500m来分析。在叠加现状房源与现状小学500m覆盖半径后可以发现(如下图),现状小学在龙华区的覆盖不足,只有6个小区在小学500m的覆盖范围内,占总量的38%。

小学500m范围现状房源分布
由于中学主要面对的是13-18岁的初中与高中生,已经基本形成对外界危险的认知与应变能力,身体条件也趋近成熟,可独立进行较远距离的活动,所以取1000m作为中学生的出行半径。由下图可以看出,龙华区现状中学的覆盖范围较广,可基本覆盖龙华区的主要建设区。现状建成房源中有13处位于中学1000m范围内,占总量80%以上,情况较好。

一般居民对公立医院的使用并非日常行为,但同时也具有必须性。因此医院的影响范围比一般日常性公共服务设施更大,而且其服务半径会随着医院本身的水平显著增加。取2000m为半径对龙华区的公立医院进行覆盖性分析,发现龙华区医疗服务条件较好,现状建成房源也有10处位于医院覆盖范围内,占总量60%。

(3)生活类商业服务设施布局
生活类商业服务设施,即服务对象为一般居民的、非公办、且以营利为目的商业设施,主要为餐饮店、商店、个人护理服务店、以及以汽修为代表的各类便民服务设施。此类业态由于完全依赖于市场的规模来营利,且与当地居民关系度高,其聚集程度可以间接说明居住环境的便利度。
本文在分析时采用了餐饮类POI数据与生活服务类商业POI数据作为生活适宜性空间分布的主要判断依据。通过叠加生活服务设施与餐饮设施布局发现,龙华区在民治街道、龙华街道、大浪街道的生活业态密度更高,而多数建成所处区域周边配套业态条件都不高。综合来看,先转配建项目的生活服务设施与配套建设情况不太理想,不利于房源分配。


为了更好地预测龙华区保障性住房需求,掌握相对精细化的需求数据与房源选择影响因素,项目组与龙华区的主要重点企业联系,针对企业员工发放了问卷调查表。问卷结果显示,超80%的受访群体反馈可接受的通勤时间不超过45min,另有超过六成的受访者表示倾向于乘坐轨道交通通勤。
针对龙华区公共交通通勤可达性现状,笔者分别于早晚高峰在龙华区不同街道乘坐公共交通,旨在测算不同交通方式下的可接受通勤时间的出行范围(此出行时间包含正常的等车时间)。在观澜乘坐公交车,从牛湖农贸市场沿观光路行驶至长安标致汽车厂门前需要约50min,在百度地图上测算里程为5.6km;从观澜汽车站乘车,沿观澜大道行至清湖地铁站耗时45min,测算行程8.3km;从大浪商业中心乘车至清湖地铁站耗时40min,里程6.5km。

对比公共交通与轨道交通,45分钟足够从清湖地铁站乘地铁到前海湾地铁站,里程27km。由于在可接受通勤时间范围内的公交车出行范围有限,除非是轨道交通沿线,否则跨街道的通勤交通难以通过公共交通方式实现。因此,在可能的情况下,以街道为单位进行职住平衡来降低通勤距离带来的影响是更好的解决方案。
为了分析龙华区各个街道的职住平衡情况,需要用到与人群活动直接相关的数据,此数据应同时具有时间性和空间性以辨别工作时段与休息时段的人群聚集情况。通过对比可取得各类数据库的要素特征,进行数据获取的途径选择工作。可选的数据主要为三类:公交车刷卡数据、轨道交通刷卡数据、手机信令数据。

受资金情况的影响,本研究在综合考虑上述三个数据库的优缺点后,选择向中国移动购买脱敏后的手机信令数据作为职住平衡分析的基础数据库,主要原因在于街道之间相互交换的人群在计算理想职住平衡情况时可以互相抵消。另外,手机信令数据的覆盖人群更广,公共交通数据主要的人口流动性分析的意义被削弱。因此,本次研究中的数据分析主要基于手机信令来进行。本文使用的手机信令数据包含两方面主要属性:基站坐标和以小时为单位的当前时间点与基站建立联系的移动终端数量。
根据《娱乐场所管理条例》(2016年修订版)第二十八条规定:“每日凌晨2时至上午8时,娱乐场所不得营业。”另预留2小时作为居民回家所需的交通时间,因此取凌晨4点作为居住时间人口分布情况。深圳一般行业的早上上班时间通常为8:30-10:00,午休时间则是从12点开始。因此取上午11点作为工作时间人群聚集情况数据。由于一条手机信令数据为某一基站在某个时间点所连接的手机数量,手机在人群中分布广泛且相对均匀,基站密度较高,适合用核密度分析对范围内人群的聚集情况进行研究(见下图)。

分析发现,龙华区南部的民治、龙华、大浪街道居住人口和就业人口密度都明显高于北侧的福城、观湖、观澜街道,其中居住人口密度最高的区域为民治街道民治地铁站片区,工作时段人口密度最高区域为龙华街道深圳市人民医院龙华分院周边地区。就各个街道而言,人口分布主要呈一主多辅的多点式布局方式。
数据库的时间为2015年,当年全国移动用户数量为130867万户,当年全国人口为137462万人,人均移动客户端0.95台。通过查阅当年运营商市场占有率资料,可大致推算出龙华区内人口规模约300万。
分街道推算居住人口与工作时间人口,并对比其变化情况,判断现状在理想情况下的职住平衡情况。从各个街道来看,民治街道的职住平衡情况最差,工作时段的人口流出量达到居住时间总人口的18.1%;观湖街道的居住职能也较突出,有6.6%的人口流出;其余的龙华、大浪、福城、观澜街道的人口变化幅度都在4%以下,在忽略区域间流动的情况下,基本可以达到职住平衡。

基于手机信令的人口推算
综合来看,龙华区的职住平衡情况较好,全区在工作时段有5.5%的人口流出,其中71%为民治街道的人口流出,而民治街道的人口变动主要原因也是由于其良好的区位、便捷的轨道交通体系,承载了更多原特区关内地区的居住职能。

龙华区范围内共有生态控制线管控范围63.8k㎡,在扣除生态控制线管控区域后,剩余的城镇可建设用地区域为143.5k㎡。计算城镇可建设用地面积平均人口密度后可得,龙华区的居住时段平均人口密度为2.28万人/k㎡,工作时段平均人口密度为2.16万人/k㎡。其中居住与工作人口密度最高的街道均为龙华街道,分别为3.42万人/k㎡和3.38万人/k㎡,人口密度最低的街道为观澜街道,其居住人口密度为1.36万人/k㎡,工作人口密度为1.41万人/k㎡。
根据纽约城市规划部官方公布的数据,曼哈顿2017年的人口为166.47万人[3],其陆地面积为59.5k㎡,计算可知平均人口密度为2.8万人/k㎡,为龙华区平均人口密度的1.2-1.3倍。日本东京新宿区面积18.22k㎡,人口345284人[4],平均人口密度1.89万人/k㎡。以纽约曼哈顿和东京新宿区的人口密度为对比,龙华区的平均人口密度高于新宿低于曼哈顿,已经处于较高的水平。
在完成单一数据挖掘分析后,对各类数据进行叠加分析,识别城市中适合保障性住房建设的区域,为未来的建设布局提供整体性的指引。
叠加居住相关POI数据、轨道交通覆盖情况、公服设施服务范围,对龙华区的居住适宜性进行评价(见下图)。分析发现,适宜居住的区域与轨道交通覆盖范围有较高的重叠性,且发展建设的成熟度较高。宜居地区主要为深圳北-民治站片区、龙胜片区、赤头岭片区、观澜老墟片区与世纪广场中心片区。未来保障性住房在选址上应优先布局在这些公共交通便捷且配套较完善的区域,以满足保障对象的出行需求与居住需求。

保障性住房的研究对我国推进住房保障工作具有重要意义。我国现在的住房保障工作所面临的统筹缺位、供需不匹、建设盲目等问题,通过传统城市规划方法解决难度高、周期长。大数据为城市规划掀起的新一轮浪潮,不仅提高了工作效率,也将精度提升至一个更高的层次,为未来精确管控的基础建设提供了技术与管理的路径,真正成为与实际情况相结合的、客观可行的规划。
大数据为保障性住房规划建设带来了科学性与客观性,但并不能掩盖其目前的技术应用深度较低,只能作为辅助规划师判断的依据。总体来看,大数据在住房保障规划中可以对统筹提供有效助力,对公积金数据的分析可以精确把握需求分布情况,对POI数据的应用能客观且全面地对居住适宜性进行判断,手机信令则能分析职住平衡的现状,为后续规划指引提供客观有力的支撑。
参考文献:
[1]顾澄龙,周应恒,严斌剑.住房公积金制度、房价与住房福利[J].经济学(季刊),2015(15).
[2]汪润泉,刘一.住房公积金能留住进城流动人口吗?——基于户籍差异视角的比较分析[J].人口与经济,2017(1).[3]Department of City Planning. Current and Projected Populations. [online]http://www1.nyc.gov/site/planning/data-maps/nyc-population/current-future-populations.page[4]新宿区役所. 新宿区の人口.[Online]https://www.city.shinjuku.lg.jp/kusei/index02_101.html
作者
安庆,硕士,深圳市城市规划设计研究院规划师
单樑,教授级高级规划师,深圳市城市规划设计研究院副院长、城市设计总监
荆万里,深圳市城市规划设计研究院副总规划师、规划二所所长
编辑、排版 / 陈程
插画 / 王彦妍
图片来源 / 除标注外,均为作者绘制