宏融信配资官网北京的住房空置率到底有多少？

本文来自微信公众号：知识分子，作者：赵慧敏，责编：戴晶晶，原文标题：《清华团队最新研究：北京的住房空置率到底有多少？》，题图来自：AI 生成

你所生活的城市，有多少无人居住的"幽灵房"？

在全球快速城市化进程中，高层住宅已成为现代都市主导建筑形态。然而，一些已建成的高层住宅并未得到有效利用。住房空置（Housing Vacancy），即一段时间内住房建筑无人居住或使用的现象日益凸显。住房空置不仅是巨大的建筑资源浪费，更与居住区活力衰退、居民心理健康乃至公共安全等一系列外部性问题紧密相关。 [ 1 ]

1963 年 ~2018 年，日本住房空置率（Hous ing Vacancy Rate，HVR）从 2.5% 上升至 13.6%。 [ 2 ]

在中国，西北师范大学潘竟虎等人 2020 年发表研究，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 ] 这个团队同时提到，中国对于住房空置率统计数据尚无法取得共识，西南财经大学中国家庭金融调查与研究中心报告给出中国城镇家庭 2013 年住房空置率为 22.4%，但受人为主观干扰等多方面因素影响，通过调查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 ]

人潮拥挤、寸土寸金的超级大都市同样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，美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研究估算，在排除二环内胡同区自建房的情况下，北京五环内的整体住房空置率约为 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验》的研究，已发表于国际学术期刊《Cities》。 [ 8 ] 该文作者为清华大学建筑学院赵慧敏博士，北京大学城市规划与设计学院阚长城博士，通讯作者为清华大学建筑学院龙瀛教授。

北京空置房在哪里？

住房空置会影响城市空间资源利用效率。因此，准确测算居住区尺度的住房空置率，对于改善资源利用、推动低碳发展等都有重要意义。而传统的住房空置率评估方法，往往面临空间覆盖范围有限和分辨率不足的挑战。

龙瀛课题组以北京五环内 5737 个居住区为研究对象，使用"边界确定 - 容量计算 - 户数估算 - 空置率计算 - 实地验证"的研究框架，为每个居住区分别计算出基于五种不同数据源的 HVR 结果。

该团队还通过实地验证方法来建立"地面真值"（Ground Truth）基准，确认基于 GPS 定位的位置服务（Location Based Services，LBS）数据表现最优，研究计算得出北京五环内整体住房空置率为 13.31%，并绘制了"北京住房空置率地图"。

北京居住区住房空置空间分布图（颜色越深，代表空置率越高）

在空间分布上，北京住房空置率呈现出显著的"核心 - 边缘"格局，即空置率高的居住区主要集中在靠近五环的城市外围区域，而核心区则普遍较低。共有 3932 个居住区 HVR 小于 10%，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。

研究认为，资源错配已成为城市的核心矛盾之一。对于空置率高的居住区，可以考虑推出租房补贴、购房优惠等政策，同时加大交通、商业、教育、医疗等公共设施的投入，吸引居民入住。这既能"填满"空房子，也能缓解核心区的拥挤，促进城市均衡发展。

课题组同时建议，政府部门可以利用 LBS 数据建立一个动态的城市住房监测平台，追踪人口流动和居住模式的变化，以提前发现空置趋势，预测潜在的住房问题，从而做出更敏捷、更科学的决策。

如何锁定空置房？

在高楼林立、人口稠密的高层住区，传统的调查方法面临巨大挑战——研究者无法像观察独栋住宅那样，通过建筑外观或院落状态来判断其内部成百上千个单元的居住情况。

现有研究在数据覆盖范围、空间分辨率和方法普适性上存在局限，导致在居住区尺度的 HVR 估算上存在显著的研究空白。

国际上很多国家都开展了空置住房普查工作，但中国并无官方的空置住房普查数据。此外，如美国人口普查局（ACS）的数据虽然权威性高，但存在空间粒度粗（通常为城市或行政区级别）、时间频率低（数年一次）的缺陷。

针对实地调查与问卷的方式，虽然通过抽样问卷或夜间亮灯观察等办法可获取精细的一手数据，但人力及时间成本高昂，难以大规模推广，且观测结果易受短期行为和主观判断影响。

另一类传统数据方法是使用水电消耗数据，通过分析家庭水电用量判断入住状态，准确度较高。但此类数据涉及用户隐私，数据可得性极差，限制了其在学术研究中的广泛应用。

目前，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 ) 。

夜光遥感数据利用 DMSP/OLS， NPP/VIIRS，珞珈一号等卫星捕捉城市夜间灯光强度反演人类活动，实现了大范围观测。但其空间分辨率（130m-1000m）对于居住区级研究仍显粗糙，且易受街道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，但获取成本高，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 / 废弃特征，在独栋房屋应用效果较好，但无法穿透高层建筑的"黑箱"，不适用于集合住宅为主的城市。

LBS 与手机信令数据基于用户定位和通信记录识别常住人口，理论上精度高。但其在 HVR 研究中的应用尚处起步阶段，数据获取门槛高，且缺乏公认的验证标准来评估其估算结果的准确性。

因此，现有研究缺少一种能够兼顾宏观尺度覆盖性、微观尺度精确性和方法有效性验证的 HVR 估算范式，尤其是在高层住宅密集的城市环境中。

既往研究中使用的核心数据源展示

为估算实际家庭数量，课题组采用了五种数据集、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（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"标准亮度值"，再以此为单位换算出各居住区的实际居住户数。

研究采用统一公式" HVR = 1− 家庭数量 / 住房容量"，为每个居住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。

" Wi-Fi 探针"验证准确度

面对五种数据源得出的不同结果，研究团队引入了一种实地验证方法来建立"地面真值"（Ground Truth）基准，以解决何种数据源最接近真实情况这一关键问题。

该方法的核心假设是，一个正常居住的家庭大概率会安装并使用一个 Wi-Fi 路由器（Access Point， AP），因此居住区内活跃的 AP 数量可作为实际居住户数的有效代理指标。

为实现这一目标，研究人员使用 "中科奥讯 TZ-4007 型 Wi-Fi 探针"设备，对 103 个处于不同区位、建设规模、房价水平、建成年代的样本居住区进行了高效率的实地数据采集。

在采集过程中，志愿者骑行遍历居住区内的所有道路，探针设备以每 5 秒一次的频率，持续扫描并记录探测范围内（最远可达 100 米）所有 Wi-Fi 信号的 MAC 地址、信号强度、帧类型等信息，同时使用手机 App 同步记录 GPS 轨迹。

通过数据处理，研究不仅能统计出居住区内的 AP 总数，还能有效排除来自居住区外部的干扰信号，最终得到可靠的"真实家庭数量"基准值。

将五种大数据方法估算的 HVR 结果与该基准进行皮尔逊相关性分析后，研究团队得以根据相关系数的高低来客观、定量地评判各数据源的准确性。

研究结果认为，百度 LBS 数据为第一梯队，即最优的数据源。这主要得益于其基于 GPS 的精确定位能力，能够最真实地反映个体用户的居住点位，从而在居住区尺度上实现最准确的人口估算。

联通手机信令数据与吉林一号夜光数据均具备一定的有效性，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，不如 GPS 直接；而吉林一号虽分辨率极高，但夜光数据天然地难以完全排除商业、路灯等非住宅光源的"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采集效率低下及各区域成像时间不一致的问题。

珞珈一号与 NPP/VIIRS 夜光数据的表现与地面真值相关性较弱，其根本原因在于空间分辨率过低。在居住区这一精细尺度下，一个像素点往往覆盖了多个居住区或大量非住宅区域，导致信号的"失真"和信息的混杂，难以胜任精细化的空置率分析。