原始研究的文章

前面。维持。城市,2022年5月23日
城市经济学秒。
卷4 - 2022 | https://doi.org/10.3389/frsc.2022.905967

空间回归的存在层次交通网络:应用土地价格分析

Daisuke村上 ¹ ^*和

Hajime Seya²

¹部门统计数据的科学,数学研究所的统计,立川,日本
²神户大学土木工程学系,神户,日本

交通网络有一个层次结构,空间尺度对城市发展的影响取决于不同的层次结构。然而,在实证分析交通对土地利用的影响和价格,这样的层次结构是经常检查使用哑变量,网络依赖和异质性的影响往往被忽视。因此,本研究发展一个空间回归方法,不仅考虑空间相关性,而且网络依赖层次内交通网络。这个方法是由扩展随机效应特征向量空间滤波的方法。随后,应用到一个预先存在的分析,关注影响高速铁路(高铁)在日本住宅用地价格在过去的30年。分析结果表明,高铁线路对住宅用地价格有层次的影响。结果还提供了有趣的洞察当前问题的日本城市层次结构;也就是说,人口过度集中,行业在东京市区。

介绍

交通网络层次。例如,道路网由高速公路、国道,全州公路、市政道路、和其他人。通勤铁路网络主要站在快速运输服务是可用的和其他电台,它不是。这种层次交通网络异构对城市结构的影响,体现在大量的现有研究关于土地使用和交通之间的交互(例如,纽曼和Kenworthy, 1996年;斯坦利,2014)。

高速铁路(高铁)是一个最具影响力的交通系统在城市结构在日本(Takami鸠山由纪夫,2008),中国(陈和大厅,2011)和欧洲(例如,Garmendia et al ., 2012)。高铁的存在会导致经济活动集中在车站和创建层次结构在城市网络(焦et al ., 2017)。例如,Albalate和贝尔(2012)建议日本高铁鼓励主要城市的快速增长,比如在东京和大阪,导致集中城市层次结构。类似的结果在西班牙(Garmendia et al ., 2012)和中国(焦et al ., 2017)。与之相反,法国的高铁被发现鼓励快速增长在小城市和创建一个城市网络中分散的层次结构(Cervero Bernick, 1996)。

此外,高铁通常只有快速列车停在主要车站,和当地的火车停在每一个车站。这样的层次结构在高铁网络可能创建一个城市层次结构。然而,在实证分析、交通网络的层次结构往往只被认为是通过使用虚拟变量表明服务的差异,而忽视网络依赖。

量化分级高铁对城市发展的影响,本研究发展一个空间回归方法,认为(我)网络依赖,(ii) city-wise异质性在每个层次,和(3)空间相关性(衰减对欧几里得距离)通过扩展随机效应特征向量空间过滤(RE-ESF)方法(格里菲斯,2003;村上格里菲斯,2015)。虽然是典型的使用空间计量经济模型考虑空间依赖性(Anselin格里菲斯,1988;勒和速度,2009年;山形Seya, 2019),RE-ESF框架灵活,可以很容易地应用于交通研究模型Yu et al。(2020)显示我们稍后将显示。

研究考虑网络依赖的数量相对有限。Cressie et al。(2006)和Garreta et al。(2010)认为网络对河流的依赖网络,陆et al . (2017)和版本Hoef (2018)认为通过道路网络的依赖。然而,这些研究利用网络依赖单独或者欧几里德距离和网络相比,仅仅选择模型有更好的精度。然而在土地价格的情况下,虽然有空间相关性,他们也可能受到网络依赖和station-wise异质性的影响。此外,这些变量会影响城市网络中的多个层次,像前面解释的那样。基于我们的文献综述,没有回归研究同时考虑变量(i) - (3)。

本研究分析了影响高铁发展对土地价格在日本。自1964年日本的高铁,新干线,第一次打开时,主要城市已经被高铁网络连接和城市化加速沿着铁路线。所讨论的Seya和蒂默曼(2018),正确执行运输项目可以提高土地的可访问性。可访问性的改善可能反映在土地价格和开发的浓度。一般来说,交通对土地利用的影响和发展需要相对较长的时间来观察,而交通对房地产价值的影响可能发生更早(Stokenberga 2014)。现有研究已经试图检验两种前者和后者。分析的结果,如下解释,表明空间相关性和高铁网络依赖影响住宅用地价格。这表明考虑网络依赖的重要性在分析土地利用和交通之间的相互作用。我们还观察到一个分层模式的主要和次要的城市都受到网络的依赖。然而,前进一步受到另一个全球网络依赖。

随后的部分组织如下:部分方法解释了方法使用,部分实证分析该方法适用于分析评估在日本高铁对城市化的影响,和结束语部分州本研究的结论。

方法

数据模型

本研究假定土地价格以下模型y_我在我th位置:

\begin{array}{l} 日志 (y_{我}) = \sum_{k = 1}^{K} x_{我, k} β_{k} + {年代}_{我} + \sum_{米 = 1}^{米} z_{我, 米} + ε_{我}, ε_{我} ~ N (0, σ^{2}), & (1) \end{array}

在哪里x_我,k表示kth解释变量,β_k回归系数,年代_我表示(3)空间依赖的过程,z_我,米表示的影响米th高铁网络的特点是(i)和(ii),ε_我代表数据噪声方差σ²。后地价建模研究(例如,堤Seya, 2009;Kunimi Seya, 2021),土地价格已经对数转换。

本研究认为米交通网络,每一个都有相同的网络结构,但不同的电台/节点;的米th网络电台/节点米th类火车停¹。后,我们分析快速和当地的高铁网络的影响城市层次结构,假设米= 2。的影响米th网络z_我,米建模如下:

\begin{array}{l} z_{我, 米} = w_{我, 我 (米)} (b_{米} + n_{我 (米)} + n_{我 (米)}^{*}) 。 & (2) \end{array}

最近的车站的我th位置米th网络索引我(米)。n_我(米)通过模型(我)的依赖米th网络, $n_{我 (米)}^{*}$ 模型(2)station-wise异质性。而n_我(米)和 $n_{我 (米)}^{*}$ 网络定义的随机过程,认为影响土地价格附近我(米(即)th站。,年代p我ll- - - - - -overfrom the station). While the expectations of these processes are assumed to be zero, theb_米参数估计的平均增加记录在每个车站由于土地价格米th运输网络。w_我,我决定了强度的影响我th位置接收距离最近的车站我(米)。它是指定如下:

\begin{array}{l} w_{我, 我 (米)} = 经验值 (- - - - - - \frac{d_{我, 我 (米)}}{R_{我 (米)}}), & (3) \end{array}

在哪里d_我,我(米)之间的欧式距离吗我th位置和我(米)th站。R_我(米)代表了距离空间溢出的延伸我(米)th站。这项研究参数化它R_我(米)=R_米一个_我(米)在哪里R_米一系列参数和吗一个_我(米)是一个乘数调整根据的规模范围我(米)th站。之后,它是由根在车站的乘客数量。

简而言之,方程(1)模型使用解释性变量记录土地价格{x_我,1、…x_我,K},(3)空间依赖性的影响年代_我,依赖(i)和(ii)异构诱导的影响米交通网络 ${n_{我 (1)}, \dots, n_{我 (米)}, n_{我 (1)}^{*}, \dots, n_{我 (米)}^{*}}$ 和噪音ε_我。自年代_我,n_我(米), $n_{我 (米)}^{*}$ 可以彼此共线,这些影响必须认真确认和分析。

流程模型

空间相关的过程年代_我

莫兰系数(MC;格里菲斯,2000)是一种诊断数据的空间相关性。MC值向量y定义如下:

\begin{array}{l} 米 C (y] = \frac{N}{1^{'} C 1} \frac{y^{'} 米 C 米 y}{y^{'} 米 y}, & (4) \end{array}

在哪里C是一个对称的空间距离矩阵对角线与零。米=我−11′/N是一个定心矩阵在哪里我是一个单位矩阵1是一个向量的。在缺乏空间相关性y的期望MC(y)= $- - - - - - \frac{1}{N - - - - - - 1} \approx 0$ 。如果N是足够大,MC(y)> 0y是积极的依赖而MC(y]< 0如果是负相关的。

众所周知,的MCpth特征向量e_p的罗马数字矩阵收益率(格里菲斯,2003)。

\begin{array}{l} 米 C (e_{p}] = \frac{N}{1^{'} C 1} λ_{p} 。 & (5) \end{array}

方程(5)显示e_p有一个积极的依赖如果λ地图模式_p如果λ> 0时正好相反_p< 0。换句话说,P特征向量e₁、…e_P相应的积极特征值{λ₁λ,…_P}解释说积极的空间相关性。因此,P特征向量是充分积极的依赖空间流程建模,主要在最真实的案例。

使用P特征向量,积极RE-ESF模型依赖空间过程如下:

\begin{array}{l} {年代}_{我} = \sum_{p = 1}^{P} e_{我, p} γ_{p}, γ_{p} ~ N (0, τ^{2} λ_{p}^{α}), & (6) \end{array}

在哪里e_我,p是我th元素e_p和τ²表示方差的过程(例如,τ²= 0意味着没有空间依赖变化)。α参数决定了MC规模或价值的过程。具体来说,的期望我(年代), $年代 = ({年代}_{1}, \dots, {年代}_{N}]^{'}$ 接近理论最大值,这意味着最大规模的地图模式,如α→∞,而期望趋于0,这意味着微观上的地图模式,如α→−∞。因此,方程(6)试图估计通过τ基础过程的结构²和α参数(见村上格里菲斯,2021)。

网络依赖的过程n_我(米)

方程(6)很容易扩展到模型站通过之间的依赖米th网络如下:

\begin{array}{l} n_{我 (米)} = \sum_{问_{米} = 1}^{问_{米}} e_{我 (米), 问_{米}} γ_{问_{米}}, γ_{问_{米}} ~ N (0, τ_{米}^{2} λ_{问_{米}}^{α_{米}}), & (7) \end{array}

在哪里 $e_{我 (米)} = {(e_{我 (米), 1}, \dots, e_{我 (米), 问_{米}}]}^{'},$ 和λ_{问_米}是问_米th eigen-pair相应积极的特征值提取双中心距离矩阵米_米C_米米_米在米th网络。(我(米),J(米))的th元素C_米矩阵可以被定义为一个函数衰减的最短路径距离,旅行时间,或其他车站之间的距离我(米),J(米)。的参数 $τ_{米}^{2}$ 和α_米估计的方差和规模对网络依赖的过程。在方程(7)模型的依赖米th网络,它影响附近的土地价格我(米)th站虽然溢出,对衰减w_我,我(米),正如前面解释道。

Station-Wise异构过程 $n_{我 (米)}^{*}$

假设以下station-wise随机拦截 $n_{我 (米)}^{*}$ :

\begin{array}{l} n_{我 (米)}^{*} ~ N (0, v_{米}^{2}), & (8) \end{array}

在哪里 $v_{米}^{2}$ 是一个方差参数。当随机拦截取均匀零值 $v_{米}^{2} = 0$ ,而拦截在电台当有巨大的变化 $v_{米}^{2}$ 很大。一般来说,考虑这样一群效应是至关重要的,以避免评估偏见归因于组织的异质性(生态谬误;看到Piantadosi et al ., 1988)。

总结

用流程模型(6 - 8)方程(1),我们的模型如下:

\begin{array}{l} 日志 (y_{我}) = \sum_{k = 1}^{K} x_{我, k} β_{k} + \sum_{p = 1}^{P} e_{我, p} γ_{p} + w_{我, 我 (米)} b_{米} \\ + \sum_{米 = 1}^{米} \sum_{问_{米} = 1}^{问_{米}} (w_{我, 我 (米)} e_{我 (米), 问_{米}}) γ_{问_{米}} + \sum_{米 = 1}^{米} w_{我, 我} n_{我 (米)}^{*} + ε_{我}, \\ ε_{我} ~ N (0, σ^{2}) \\ γ_{p} ~ N (0, τ^{2} λ_{p}^{α}), γ_{问_{米}} ~ N (0, τ_{米}^{2} λ_{问_{米}}^{α_{米}}), \\ n_{我 (米)}^{*} ~ N (0, v_{米}^{2}) 。 & (9) \end{array}

方程(9)是一个混合效应模型与随机系数 ${γ_{p}, γ_{问_{米}}, n_{我}^{*}}$ 正规化的方差参数 ${τ^{2}, α, τ_{1}^{2}, \dots, τ_{米}^{2}, α_{1}, \dots, α_{米}, v_{1}^{2}, \dots,, v_{米}^{2}}$ 。而大样本的模型估计可以是缓慢的,因为需要优化2 + 3米方差参数,村上春树和格里菲斯(2019)开发出一种快速限制最大似然(REML)方法来估计空间混合效应模型(见村上et al ., 2020),包括方程(9)。使用REML模型估计。因为原来的快速REML不承担R_米参数w_我,我(米),它是优化虽然网格搜索(网格大小:1公里)在随后的实证部分。因此,快速REML迭代而改变r价值,价值最大化采用限制的可能性。

实证分析

大纲

本节开发模型适用于高铁检查高铁对城市化的影响在1984年和2014年之间通过土地价格分析。研究领域包括日本主岛本州和九州地区的高铁运行。解释变量记录的正式评估住宅用地价格单位面积(日元/ m²)(来源:国家土地数字信息下载服务(NLNI);https://nlftp.mlit.go.jp/ksj/)。年度样本容量范围从26264年(1984年)和45008年(1998年)。在这项研究中,静态模型估计每年(即。,对于每个横截面)。

图1,2显示时间和空间分布的土地价格。所示图1,中位数的土地价格在1991年达到顶峰,日本在泡沫经济,从1986年持续到1991年。之后,经济停滞不前,地价开始逐渐下降。这是特别是在主要城市地区,包括东京都市圈(见图2)。

图1

图1。住宅用地价格中值单位面积(1976 - 2014)。

图2

图2。住宅地价空间分布的单位面积(2000)。

所示图3,高铁从东京各个方向向外延伸。高铁线路,总结表1,Tokaido-Sanyo Shiknansen,连接东京和博多到名古屋,京都和大阪的最高速度275 - 300公里/小时,是最繁忙的线路。这条线被认为是对城市发展有巨大影响。其他线路连接东京其它主要城市的最大速度240至320公里/小时。²

图3

图3。研究区和高速铁路网络。主要的电台和其他站显示在右边的面板的乘客数量显示在左边。在右边面板中,路线名称是黑色边框包围而站名称。主要的电台被认为是全球网络的节点,而所有的电台都视为本地网络的节点。

表1

表1。高速铁路的摘要。

文件中的每一行有快速火车只停在主要车站。这是用红色的圆圈表示图3(左)。然而,当地的火车停在每一个车站。换句话说,日本高铁一个全局级别的高铁网络的距离矩阵C₁被定义为在主要车站的距离快速火车停下来,和距离矩阵和基层网络吗C₂被定义的网络距离在所有高铁车站。(我(米),J(米))的th元素C_米矩阵是由 $经验值 (- - - - - - \frac{d_{我 (米), J (米)}}{r_{米}})$ 那里的距离d_{我(米),J(米)}站之间使用最短旅行时间,它被定义为(网络距离)×(最大速度)。的r_米价值是由两个相邻站点之间最长的距离/节点米th网络³。的r_米值作为之前的规模网络依赖,和规模调整以适应数据估算α_米参数,总结部分中解释)。

关于一个_我(米),以确定的溢出的范围我(米)th站(见方程3)√(日常乘客的平均数量在2013年(来源:NLNI)⁴。由此产生的范围是R_我(米)=R_米一个_我(米),其中溢出变大与更多的乘客站。的R_米参数估计通过最大化受限制的可能性。

解释变量看作是:欧氏距离最近的火车站在电台包括非高铁铁路(Sta_dist[公里]),公交车站(Bus_dist[公里]),机场(Air_dist[公里]),和地方政府官员(Gov_dist[公里]);住宅用地和虚拟变量(Res),商业土地(Com),工业用地(印第安纳州)。所有这些变量都从NLNI获得。

这一实证分析的目的是检查如果高铁网络分层效果影响大城市虽然全局级别的网络和通过基层网络和当地主要城市。部分精度对比结果验证通过全球和本地的存在影响精度的比较。部分评估结果可视化估计效果。

精度比较的结果

模型的准确性进行了总结表2比较了使用贝叶斯信息准则(BIC)。BIC值的所有空间模型规模相当小,因此更好,比LM,表明传统的存在空间相关性(年代_我)。图4情节BIC值之间的差异SM和{SM_G、SM_L SM_GL}。根据这个图,考虑全球和本地网络都可以改善BIC。特别是,整个目标时期,最好的精度是通过SM_L和SM_GL考虑基层的效果。本地网络的依赖似乎更有影响力比全球网络依赖土地价格。基于这个结果,土地价格在小站附近可能会强烈影响网络依赖从东京为例。从1984年到1988年,SM_L取得最好的,或最小,BIC值在4或5年。1989年之后,SM_GL取得最好的BIC值的所有年进行了分析。高铁的全球和本地网络可能会影响土地价格。根据这个结果,我们报告的估计结果SM_GL在随后的部分。

表2

表2。总结模型。

图4

图4。BIC差异SM和{SM_G、SM_L SM_GL}。一个更大的负值意味着更好的模型精度相对于SM。

估计结果

图5情节估计范围r_我(米)从东京车站的溢出效应。~ 20公里的范围内,在80年代,逐步增加在90年代,在2000年成为~ 40公里。高铁可能鼓励城市发展,因此,城市扩张(蒲甘山形,2012在这一时期。与之相反,范围在2000年后逐渐下降。注意,这种模式类似于净人口流入到东京都市圈(国土基础设施交通和旅游(MLIT), 2014年,3页),从1991年结束后的泡沫在2008年金融危机之前,尽管它稍微早些时候达到顶峰。作为优化的范围值有点吵,灰色的线所示图5所示,我们平滑值中使用的黑线和后续SM_GL模型估计。

图5

图5。估计的范围从东京车站空间溢出。灰色的线代表原始估计,黑线代表平滑估计,用于后续的分析。

图6每年情节的回归系数估计。Sta_dist、Bus_dist Gov_dist,可访问性措施,在某些消极的重要时期。Sta_dist小于Bus_dist系数,也就是说火车站有一个远程效应而汽车站有短程效应。结果是合理的,因为公共汽车通常是负责当地的交通。Gov_dist的系数是小于Sta_dist和Bus_dist指示远程效应。再一次,这是合理的,因为只有41个地方办事处覆盖整个研究区域。系数在Air_dist值接近零和统计上往往是无关紧要的。

图6

图6。从SM_GL系数估计。实线表示的系数估计,虚线代表上限和下限的95%置信区间。

Res, Com和印第安纳州都积极意义重大。三,Com是最大的和印第安纳州是最小的系数。商业用地,许多城市设施,发现最受欢迎的地区。与此同时,工业用地,这可能遭受空气污染和噪音,是这三个勇士的最便宜的地区土地类型。

Sta_dist系数,基于事实,Com,和印第安纳州拒绝在研究期间,土地价格的下降在停滞不前的经济似乎特别严重的城市地区,尤其是那些在火车站附近。

在左面板图7情节估计空间依赖过程(年代_我)。这个过程确定了两个热点在东京和大阪,是两个主要城市。然而,东京大阪的热点逐渐减少,而2014年仍是占主导地位的热点。这个结果表明,有一个受欢迎的住宅区集中在东京多年。

图7

图7。估计空间依赖效应和溢出效应的全球网络依赖通过高铁(1985,1995,2005,2014)。相比而言,同样的颜色范围是假定所有的面板图和图8除了左边四个面板图。

中间的面板图7地图的影响全局级别的网络依赖(w_我,我(1)(b₁+n_我(1)))。估计的依赖性增加主要车站周围的土地价格,包括名古屋和博多站在Tokaido-Sanyo新干线。增加大量的在大阪和京都。因为这些城市显著提高其可访问性通过高铁到东京,土地价格的增加是合理的。类似的增加土地价格也发现在主要车站外的东京,可能由于访问东京和其他主要城市高铁造成的。与之相反,全局级别的网络依赖没有增加土地价格在2005年后在东京。简而言之,尤其有利于全局级别的网络依赖主要城市以外的东京。

基于正确的面板图7显示全局级别station-wise效果( $w_{我, 我 (1)} (b_{1} + n_{我 (1)}^{*})$ ),土地价格以及Tokaido-Sanyo新干线增加不仅非独立通过网络还不同类地/独立在每个主要城市。鉴于Tokaido-Sanyo新干线沿着Taiheiyo带,涵盖各个行业的浓度,这种异质性是由每个主要城市产业结构的差异。与全局级别的网络依赖(中间列的图7),station-wise效应增加土地价格在东京市区。东京的土地价格模式估计是高度异构的、相对于其他主要城市。

图8情节估计基层的影响。基层网络依赖强烈增加土地价格之间,东京和仙台东北新干线。土地价格大幅的增加在宇都宫市,有一个小车站。这个结果直观地一致的高铁让宇都宫成为东京通勤城镇。它遵循的部分东北新干线东京附近受益强烈从基层的高铁网络。

图8

图8。估计空间依赖效应和溢出效应从本地网络依赖通过高铁(1985,1995,2005,2014)。前在东京是放大。看到图7颜色的规模。

本研究验证了分层效应的存在影响高铁沿线主要城市由于全局级别的网络,由于基层网络和小城市。此外,高铁的影响在不同的空间异构。关于趋势随着时间的推移,东京都市圈作为日本最大的大都市的角色并没有改变在研究期间。然而,它的内容已经改变了。与1980年代相比,空间相关性的影响逐渐加强,自2000年代以来,高铁网络已经削弱了。,东京都市圈的溢出效应的经验从其他大城市正在减弱。这是一个现象,只能理解当空间和网络依赖性都考虑。

结束语

在城市发展交通网络鼓励一个层次结构。然而,现存的文献中,这些层次结构通常由简单地使用哑变量,检验和网络依赖的影响往往被忽视。使用在日本高铁为例,本研究提出了一个同时回归方法估计的空间相关性,网络电台之间的依赖和station-specific异质性。实证结果证实有高铁沿线的分级效果。这些发现提供了一个有趣的洞察一个持续的问题在日本城市层次结构;这是,东京都市圈的溢出效应经验从其他大城市正在减弱。

该方法允许同时依赖于多个网络建模,可以实现高效的计算通过RE-ESF的扩展方法。然而,一些问题还有待在将来的研究中检查。例如,尽管这项研究集中在铁路网络,提出的建模方法可以应用于其他交通网络,包括机场和港口。此外,这个模型可以扩展到时空模型,该模型允许考虑主导城市化的动态过程。因此,它也可能是关键要考虑网络的方向(例如,东京大阪的强烈影响,但可能会出现相反的不显著)。同样,虽然该研究只考虑两个水平高铁线路,有更多的研究在未来的研究水平。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

DM开发模型,并将该模型应用于土地价格分析。HS地价数据集创建,为模型的发展提供了思想。DM和HS贡献写手稿。两位作者的文章和批准提交的版本。

资金

这项工作是由jsp KAKENHI,格兰特数字20 k13261 h01447 21日和18 h03628。下进行了这个研究项目的一部分,研究空间经济影响的评估建立总线目的地(首席研究员:教授Yuki高山,金泽大学),在先进的道路技术委员会的支持下,MLIT,日本。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

处理编辑DG宣布与DM过去共同创作。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

脚注

1。^的米网络也可以定义为不同交通网络(如公共汽车和铁路网络)。

2。^Mini-Shinkansen通过传统的铁路是不被认为是在这个研究中,因为他们的最高速度是130公里/小时,大大低于我们的目标和影响可能会有所不同。

3所示。^这是一个模拟的相关研究(例如,村上格里菲斯,2015),相同的参数范围的最长距离两个相邻节点之间的网络连接所有样本网站的空间相关性建模。

4所示。^区域R_米距离半径等于 $π R_{米}^{2}$ 。因此,它是合理的假设半径是人口比例 $R_{米}^{2}$ 。换句话说, $R_{米}^{2} \propto p o p u l 一个 t 我 o n$ 同样, $R_{米} \propto \sqrt{p o p u l 一个 t 我 o n}$ 。鉴于此,我们假设√(乘客的数量调整因素一个_我(米)为距离参数范围R_米。

引用

Albalate D。,Bel, G. (2012). High-speed rail: lessons for policy makers from experiences abroad.公众的海军上将牧师。72年,336 - 349。doi: 10.1111 / j.1540-6210.2011.02492.x