清華最新研究:北京住房空置率到底有多少?
來源：倍可親(backchina.com)你所生活的城市，有多少無人居住的「幽靈房」？
在全球快速城市化進程中，高層住宅已成為現代都市主導建築形態。然而，一些已建成的高層住宅並未得到有效利用。住房空置（Housing Vacancy），即一段時間內住房建築無人居住或使用的現象日益凸顯。住房空置不僅是巨大的建築資源浪費，更與居住區活力衰退、居民心理健康乃至公共安全等一系列外部性問題緊密相關。[1]
1963年-2018年，日本住房空置率（Housing Vacancy Rate, HVR）從2.5%上升至13.6%。[2]
在中國，西北師範大學潘竟虎等人2020年發表研究，基於夜間燈光數據等估算2015年主要城市的住房空置率在22%到26%之間。[3]這個團隊同時提到，中國對於住房空置率統計數據尚無法取得共識，西南財經大學中國家庭金融調查與研究中心報告給出中國城鎮家庭2013年住房空置率為22.4%，但受人為主觀干擾等多方面因素影響，通過調查問卷等統計方法進行房屋空置分析可能會不同程度地低估或高估房屋空置情況。[4]
人潮擁擠、寸土寸金的超級大都市同樣存在房屋空置的問題。
2023年，日本東京的住房空置率為10.93%。[5] 2021年，美國紐約和英國倫敦的住房空置率分別為10.4%和8%。[6][7]
一項來自清華大學龍瀛課題組的最新研究估算，在排除二環內衚衕區自建房的情況下，北京五環內的整體住房空置率約為13.31%。這項題為《高層住宅居住區的住房空置率估算：基於多源數據的北京實驗》的研究，已發表於國際學術期刊《Cities》。[8] 該文作者為清華大學建築學院趙慧敏博士，北京大學城市規劃與設計學院闞長城博士，通訊作者為清華大學建築學院龍瀛教授。
北京空置房在哪裡？
住房空置會影響城市空間資源利用效率。因此，準確測算居住區尺度的住房空置率，對於改善資源利用、推動低碳發展等都有重要意義。而傳統的住房空置率評估方法，往往面臨空間覆蓋範圍有限和解析度不足的挑戰。
龍瀛課題組以北京五環內5737個居住區為研究對象，使用「邊界確定-容量計算-戶數估算-空置率計算-實地驗證」的研究框架，為每個居住區分別計算出基於五種不同數據源的HVR結果。
該團隊還通過實地驗證方法來建立「地面真值」（Ground Truth）基準，確認基於GPS定位的位置服務（Location Based Services，LBS）數據表現最優，研究計算得出北京五環內整體住房空置率為13.31%，並繪製了「北京住房空置率地圖」。
北京居住區住房空置空間分布圖（顏色越深，代表空置率越高）
在空間分佈上，北京住房空置率呈現出顯著的「核心-邊緣」格局，即空置率高的居住區主要集中在靠近五環的城市外圍區域，而核心區則普遍較低。共有3932個居住區HVR小於10%，592個居住區HVR大於50%。
實地觀察驗證了結果的可靠性：低空置率居住區通常車輛密集、居民活動頻繁，充滿生活氣息；而高空置率居住區則表現出明顯的冷清特徵，例如部分樓棟正在翻新，或是剛剛竣工交付的新建別墅區，人車稀少。
這些現場觀察到的景象與百度LBS數據估算出的空置率高低分佈情況高度吻合。
研究認為，資源錯配已成為城市的核心矛盾之一。對於空置率高的居住區，可以考慮推出租房補貼、購房優惠等政策，同時加大交通、商業、教育、醫療等公共設施的投入，吸引居民入住。這既能「填滿」空房子，也能緩解核心區的擁擠，促進城市均衡發展。
課題組同時建議，政府部門可以利用LBS數據建立一個動態的城市住房監測平台，追蹤人口流動和居住模式的變化，以提前發現空置趨勢，預測潛在的住房問題，從而做出更敏捷、更科學的決策。
如何鎖定空置房？
在高樓林立、人口稠密的高層住區，傳統的調查方法面臨巨大挑戰——研究者無法像觀察獨棟住宅那樣，通過建築外觀或院落狀態來判斷其內部成百上千個單元的居住情況。
現有研究在數據覆蓋範圍、空間解析度和方法普適性上存在局限，導致在居住區尺度的HVR估算上存在顯著的研究空白。
國際上很多國家都開展了空置住房普查工作，但中國並無官方的空置住房普查數據。此外，如美國人口普查局（ACS）的數據雖然權威性高，但存在空間粒度粗（通常為城市或行政區級別）、時間頻率低（數年一次）的缺陷。
針對實地調查與問卷的方式，雖然通過抽樣問卷或夜間亮燈觀察等辦法可獲取精細的一手數據，但人力及時間成本高昂，難以大規模推廣，且觀測結果易受短期行為和主觀判斷影響。
另一類傳統數據方法是使用水電消耗數據，通過分析家庭水電用量判斷入住狀態，準確度較高。但此類數據涉及用戶隱私，數據可得性極差，限制了其在學術研究中的廣泛應用。
目前，新興大數據測量的方法正在被使用，包括：夜光遙感數據 (Nighttime Light Data)、高解析度影像與街景 (High-Res Imagery & Street View)和LBS與手機信令數據 (LBS & Mobile Signaling Data)。
夜光遙感數據利用DMSP/OLS, NPP/VIIRS, 珞珈一號等衛星捕捉城市夜間燈光強度反演人類活動，實現了大範圍觀測。但其空間解析度（130m-1000m）對於居住區級研究仍顯粗糙，且易受街道照明等非住宅光源的雜訊干擾。最新的吉林一號數據雖解析度高達0.92米，但獲取成本高，難以普適。
高解析度影像與街景通過深度學習識別房屋的空置/廢棄特徵，在獨棟房屋應用效果較好，但無法穿透高層建築的「黑箱」，不適用於集合住宅為主的城市。
LBS與手機信令數據基於用戶定位和通信記錄識別常住人口，理論上精度高。但其在HVR研究中的應用尚處起步階段，數據獲取門檻高，且缺乏公認的驗證標準來評估其估算結果的準確性。
因此，現有研究缺少一種能夠兼顧宏觀尺度覆蓋性、微觀尺度精確性和方法有效性驗證的HVR估算範式，尤其是在高層住宅密集的城市環境中。
既往研究中使用的核心數據源展示
為估算實際家庭數量，課題組採用了五種數據集、兩種技術路徑。第一種路徑利用百度LBS和手機信令的人口數據，通過除以區域平均家庭戶規模來推算戶數；第二種路徑則利用三套夜間燈光遙感數據（吉林一號夜光遙感數據、珞珈一號夜光遙感數據、NPP/VIIRS夜光遙感數據），以382個城市中心居住區的燈光亮度為基準，標定出單個家庭的「標準亮度值」，再以此為單位換算出各居住區的實際居住戶數。
研究採用統一公式「HVR = 1− 家庭數量/住房容量」，為每個居住區分別計算出基於五種不同數據源的HVR結果，以便後續進行交叉對比與驗證。
「Wi-Fi探針」驗證準確度
面對五種數據源得出的不同結果，研究團隊引入了一種實地驗證方法來建立「地面真值」（Ground Truth）基準，以解決何種數據源最接近真實情況這一關鍵問題。
該方法的核心假設是，一個正常居住的家庭大概率會安裝並使用一個Wi-Fi路由器（Access Point, AP），因此居住區內活躍的AP數量可作為實際居住戶數的有效代理指標。
為實現這一目標，研究人員使用 「中科奧訊TZ-4007型Wi-Fi探針」設備，對103個處於不同區位、建設規模、房價水平、建成年代的樣本居住區進行了高效率的實地數據採集。
在採集過程中，志願者騎行遍歷居住區內的所有道路，探針設備以每5秒一次的頻率，持續掃描並記錄探測範圍內（最遠可達100米）所有Wi-Fi信號的MAC地址、信號強度、幀類型等信息，同時使用手機App同步記錄GPS軌跡。
通過數據處理，研究不僅能統計出居住區內的AP總數，還能有效排除來自居住區外部的干擾信號，最終得到可靠的「真實家庭數量」基準值。
將五種大數據方法估算的HVR結果與該基準進行皮爾遜相關性分析后，研究團隊得以根據相關係數的高低來客觀、定量地評判各數據源的準確性。
研究結果認為，百度LBS數據為第一梯隊，即最優的數據源。這主要得益於其基於GPS的精確定位能力，能夠最真實地反映個體用戶的居住點位，從而在居住區尺度上實現最準確的人口估算。
手機信令數據與吉林一號夜光數據均具備一定的有效性，但各有其局限。手機信令的精度受基站密度和定位演演算法影響；而吉林一號雖解析度極高，但夜光數據天然地難以完全排除商業、路燈等非住宅光源的「雜訊」干擾。此外，吉林一號夜光遙感數據的高空間解析度導致圖像採集效率低下及各區域成像時間不一致的問題。
珞珈一號與NPP/VIIRS夜光數據的表現與地面真值相關性較弱，其根本原因在於空間解析度過低。在居住區這一精細尺度下，一個像素點往往覆蓋了多個居住區或大量非住宅區域，導致信號的「失真」和信息的混雜，難以勝任精細化的空置率分析。
Wi-Fi探針數據採集過程及處理流程
當然，該研究也存在一定的局限性，例如居住區邊界的界定仍需部分人工干預，且暫時無法區分季節性空置等更複雜的模式，但均為未來的研究指明了方向。
從夜空中的微光到每個人手機的定位信號，再到街角不起眼的Wi-Fi……這些無處不在的數據，能夠幫助我們穿透鋼筋水泥的叢林，精準地識別空置房屋，成為打開城市秘密的鑰匙，為未來的城市規劃和生活方式提供了新的視角。
註：本文作者趙慧敏博士，是上述Cities論文《高層住宅居住區的住房空置率估算：基於多源數據的北京實驗》的第一作者。