引言

住房问题一直是备受重视的民生问题。自1998 年我国启动城市住房制度改革以来，城市住宅逐步摆脱计划分配模式，迈向商品化发展道路。这一改革虽极大激活了住房市场活力，但在长期发展过程中，部分城市面临商品住宅用地供需失衡的问题——尤其是一线城市及核心热点二线城市，受城市化进程加速推动，大量人口持续涌入，进一步加剧了住房市场的供需矛盾，最终导致这些城市的住宅价格呈现较快上涨态势。目前，国内对于住房价格的研究逐渐从以定性研究为主转向定性与定量相结合的方式，对房价影响因子的分析方法更加多样，最频繁的方法是采用特征价格模型分析以及地理加权回归分析、Kriging插值方法、空间自相关分析等对房价数据进行研究与分析，进而得出结论。如付益松等人在其研究中探讨了房价受多种因素影响的现象，这些因素涵盖了地理位置、周边环境服务设施的便利程度，以及公共服务设施的可达性等方面；王重阳等研究北京市人口对当地房价的影响。这些研究都一定程度上给出了影响房价的因子，并提出了建设性意见。

本文采用长沙市2023年房价数据等，运用空间分析、地理探测器等得到长沙市住房价格的空间分布规律；运用空间分异规律、缓冲区分析、叠置分析等方法，对长沙市的住房价格的各种影响因素进行了探索。

1研究区与数据

1.1 自然区位条件

长沙地处中国中南部、长江以南的区域，位于湖南省东部偏北地带，其地理坐标介于东经111°53′至114°5′、北纬27°51′至28°40′之间。作为典型的亚热带季风气候区，长沙气候兼具温和湿润的特点，不仅降水总量充沛，且雨热季节高度同步，四季划分清晰分明——春季温润多雨，夏季炎热多雨，秋季干爽宜人，冬季温和少雪。据气候数据统计，该区域年均降水量约为1422.4毫米，充沛的降水为当地生态环境与城市发展提供了良好的水资源支撑。本研究涉及的具体区域如图1所示。

长沙市的行政区划体系涵盖6个市辖区（分别为芙蓉区、天心区、岳麓区、开福区、雨花区、望城区）、个下辖县（长沙县），以及2个由市级政府代管的县级市（浏阳市、宁乡市）。

为确保研究结论具备较强代表性，同时兼顾数据的可分析性与样本数量要求，本文最终确定的研究范围，以长沙市核心区域为基准，选取了四个经济发展水平较高的市辖区——芙蓉区、天心区、岳麓区、开福区，此外还纳入了经济实力突出的长沙县与浏阳市。从区域特征来看，这些选取的区域不仅经济活跃度高，更集中了长沙市主要的经济产业活动与人口密集区域，能够有效覆盖城市发展的核心场景，为后续数据的深度分析与研究结论的可靠性提供了重要保障。

1.2 基础数据获取与预处理

本研究的数据采集工作以“房天下”“贝壳”等知名住宅交易平台为核心数据源，通过Python爬虫工具针对性抓取新房相关信息，具体包含楼盘名称、房屋建筑面积、户型类型、建筑竣工年份、详细坐落地址、销售单价、房源详细说明、租赁配套信息及地理坐标经纬度等关键内容。在完成数据初步采集后，通过人工逐一条目审查与多源数据交叉核对的方式筛选有效信息，最终选定住宅销售均价作为后续分析工作的核心基础数据，以此保障研究过程中数据的准确性与可靠性。

在空间数据构建环节，运用KQGIS软件搭建长沙市住房价格点要素图层，将每个住宅样点对应的属性信息（如销售均价、户型特征等）与其空间位置进行绑定，形成完整记录住宅基本特性的空间数据库。与此同时，通过 OpenStreetMap（OSM）平台获取长沙市道路系统、水系分布等地理基础要素数据，在KQGIS软件中完成数据格式转换操作，生成符合空间分析标准的shapefile文件，为后续开展空间关联分析搭建基础地理框架。

另外，宏观层面的经济与人口数据来源于《湖南省2023年各市统计年鉴》，从中提取湖南省内各城市2023年地区生产总值（GDP）、第一产业产值、第二产业产值、第三产业产值及常住人口规模等指标数据，为后续运用地理探测器模型开展影响因素分析工作做好数据储备。

2研究方法

在上述城市住房制度改革宏观背景与长沙住房市场研究基础上，本研究通过多阶段分析步骤深入探究房价影响机制：首先，运用空间分析技术对长沙市房价数据开展全局与局部空间自相关性检验，借助KQGIS软件对数据进行精细化处理与分析，从而全面梳理长沙市房价的空间分布特征与内在模式，为后续针对性研究奠定空间分析基础。随后，引入王劲峰教授研发的地理探测器工具，针对影响房价的宏观因素进行深度探测与系统分析——结合前文提取的GDP、常住人口等宏观数据，精准识别对房价波动具有显著作用的关键宏观变量，明确宏观层面各因素的影响权重与作用方向。最后，通过实施缓冲区分析、叠置分析等空间分析方法，进一步聚焦房价的微观影响因素：结合已构建的道路、水系等空间数据库，深入挖掘区域内学校、医疗设施、景区分布等局部要素对房价的具体影响，为理解房价空间分异提供更细致的微观视角。通过这一系列层层递进的分析环节，本研究致力于构建多尺度、多因素融合的房价影响因素分析框架，既衔接了宏观政策背景与区域市场特征，又兼顾了数据支撑与方法创新，最终为长沙市房地产市场调控政策制定及房价趋势预测提供更具科学性的实证依据。

2.1 空间自相关

空间依赖性指的是研究对象的属性值与其地理位置之间的相似性呈现出一种对应关系。换句话说，就是某个区域的特征值与它邻近区域的特征值倾向于表现出相似性。空问自相关是空间依赖性的重要形式，是指研究对象和其空间位置之间存在的相关性。空间自相关作为一种在众多学科领域中极具价值的分析方法，是检验某一要素的属性值是否显著地与其相邻空间点上的属性值相关联的重要指标。其不仅仅是一种空间统计方法，该理论关系到Tobler的地理学第一定律，而地理学第一定律则是地理分析的基本定律之一。在地理学研究中，无论是地形地貌的起伏变化、气候要素的分布特征，还是生物种群的分布格局，都可以运用空间自相关来深入探究其内在的空间关联性；从其分类来看，主要可分为正相关和负相关两类，二者呈现出截然不同的特征：正相关意味着某单元的属性值变化与其相邻空间单元具有相同变化趋势，负相关表明某单元的属性值变化与其相邻空间单元呈现出相悖的变化走向。

2.1.1 全局空间自相关

全局空间自相关是对属性值在整个区域的空间特征的描述，表明属性信息与其所在位置存在显著的相互作用。其中最常用的方法是Moran’s I(莫兰指数)。空间全局Moran’s I 是由PatrickMoran提出的，它衡量的是全局空间的自相关性，检验某种属性或现象在整个空间的聚集效应。其值在（-1,1）之间，大于0表明存在空间正相关，反之为负相关，等于零则表明不存在空间相关性。

2.1.2 局域自相关检验

全局空间自相关假定空间是同质的，即只存在一种充满整个区域的趋势，但实际上，每个区域要素的存在空间异质性也很常见。因此，需要发展局域统计方法来衡量每个空间要素。局域空间自相关关注的是地理空间中特定区域或其邻近区域的属性值之间的相互关系。这种分析方法通过定义不同的“局部”范围——也就是不同的空间连接矩阵——来帮助我们更精细地理解空间数据的异质性。换句话说，它允许我们探究在较小尺度上，比如相邻地区或特定区域内，属性值是如何相互关联。与全局空间自相关一样，局域的自相关分析也有多种方法可供选择，如local Moran's I、局域Getis-Ord G和局域Geary's C等，都可以对数据进行局域分析。

2.2 地理探测器

地理探测器是探测空间分异性，以及揭示其背后驱动力的一组统计学方法。其核心思想是基于这样的假设：如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性，地理探测器通过计算和比较各单因子及两因子交互作用于因变量的q值，判断交互作用的强弱、方向、线性或非线性，它已经广泛应用于自然科学、社会科学、环境科学和人类健康研究。王劲峰教授基于上述思想，设计了地理探测器软件，地理探测器软件包括四个探测器：分异因子探测、交互作用探测、风险区探测和生态探测。因子探测器用于探索因变量的空间分异性及特定自变量对因变量空间分异的解释力；交互作用探测器评估两个自变量共同作用对因变量的影响；风险区探测器识别不同风险因子之间的交互作用；生态探测器比较两因子对属性空间分布影响的显著差异。

3 实验及结果分析

3.1 空间分析及结果

3.1.1 全局空间自相关及结果分析

在KQGIS中使用空间自相关(Moran’s I)工具对数据进行处理，结果如下：I =0.016091 >0，大于其期望值(E = −0.000015)；并且Z =21.192897>2.56，表明点模式为随机分布结果的可能性小于1%。长沙市房价在整体上存在着正相关性，表示为相似值之间的空间集聚，即距离近的住宅价格也接近。

3.1.2 局域自相关检验及结果分析

在KQGIS中使用高低聚类工具对数据进行处理并根据General G的统计结果：G值为0.000020，其期望为0.000015，Z值为20.994534。长沙楼盘价格数据集显示出强烈的空间自相关性。这意味着楼盘价格在地理上呈现出聚集的模式，即相似价格的楼盘倾向于在空间上靠近。这种模式可能受到多种因素的影响，如地理位置、交通便利性、周边设施等。这一发现对于城市规划、房地产市场分析以及政策制定等方面具有重要的参考价值。

3.2 探索性数据分析

探索性空间数据分析方法(Exploratory Spatial Data Analysis，简称ESDA)将技术与空间数据分析法相结合，测度事物和现象之间空间关联性，对事物和现象的空间分布格局进行描述，解释研究区域内研究对象的空间作用机制，发现研究对象的空间集聚现象和空间异质性及相互作用关系。在对长沙市房价的空间自相关进行分析之后，我们进一步通过直方图分析和趋势分析来深入理解房价数据的分布特征和空间变化模式。

3.2.1直方图及结果分析

对所采集到的长沙市房价数据进行直方图分析，得到以下直方图。图2是原始数据的直方图，样本价格最高为49853元/m²，最低为2245元/m²，均值为16576元/m²，标准差为7750.1元/m²，相对较大，说明房价数据的波动性较大，价格差异显著；偏度为0.78583，峰度值为2.9528，说长沙市房价数据的分布显示出明显的正偏态，大部分房价集中在较低的区间，而少数高端房产的价格远高于平均水平；平均值为16576元/m²，中位数为14170元/m²，中位数低于平均值，这也是正偏态分布的一个特征，说明存在一些极端高值（高房价）拉高了平均值。

图3对长沙市房价数据进行对数变换后的分析结果。对数变换通常用于减少数据的偏态，使得数据分布更接近正态分布，偏态和峰度都接近正态分布，这有助于进行进一步的统计分析和建模。其中，大部分对数变换后的房价数据集中在0.93到0.99的区间内，这可能代表了长沙市房价在对数尺度上的主流区间。同时，在0.77到0.8和1.05到1.08的区间内，房价数据的频数非常低，这可能代表了市场上的低端和高端房产，数量较少。

3.2.2 趋势分析

利用KQGIS的地统计分析模块中的趋势分析功能，分析长沙市住房价格的空间变化趋势。通过趋势面分析工具对研究区内所有样本点进行空间变化趋势模拟，我们得到了住宅价格趋势面分析的示意图，如图4所示。图中的散点代表了各个样本点的住宅价格，而两个侧面的投影则分别展示了样本点在不同方位的价格变化，X轴（横轴）：代表东西走向（W-E轴），显示了长沙市住宅价格在东西方向上的变化趋势；Y轴（竖轴）：代表南北走向（S-N轴），显示了长沙市住宅价格在南北方向上的变化趋势；Z轴（纵轴）：代表住宅价格的高低。

从图中可以明显看出，长沙市住宅价格在东西方向上的扩张趋势较为显著，这与长沙市的东西向交通发展、商业活动集中度以及城市扩张的方向有关。同时，南北走向的价格递减趋势更为明显，这与长沙市南北走向的经济发展、城市规划有一定关系。图中的多项式曲线在S-N轴与W-E轴上都呈现出倒U字型趋势，这表明住宅价格从城市中心向外围递减，最大值出现在区域中心，而最小值出现在边界附近，这反映了城市中心区域的住宅价格普遍高于边缘区域，这与长沙市发展情况等有关，从历年GDP数据来看，长沙市中部地区GDP最高，并以此为高点向南北两侧递减，与房价趋势相似。

4影响因素

4.1 宏观因素影响

由于长沙市范围过于狭小，在宏观范围内无法探究太多可能性，故针对于房价的宏观性研究选择了湖南省的范围，并利用地理探测器模型来完成因素分析。

湖南省，简称“湘”，位于中国中南部，长江中游以南，因地处洞庭湖以南而得名。湖南地形多样，包括山地、丘陵、平原和湖泊。气候属于亚热带季风气候，四季分明，雨量充沛。如图5所示为湖南省范围。

如表1所示为地理探测器针对于房价的交互作用探测器，交互作用探测主要用于识别不同风险因子之间的交互作用，即评估因子X1和X2共同作用时是否会增加或减弱对因变量Y的解释力，或这些因子对Y的影响是相互独立的。根据上述表格中的数据，我们可以得出以下结论：在湖南省2023年的房价影响因素分析中，不同产业、常住人口、人均GDP、道路长度和路网密度等因素之间存在显著的相关性。特别是2023年GDP与常住人口的相关因子系数q(2023年GDP∩常住人口)值高达0.994，远高于它们各自对房价的因子q值。这一结果表明，2023年GDP与常住人口这两个因素共同作用时，对房价的解释力得到了显著增强，即它们之间存在双因子增强的关系。此外，人均GDP、道路长度和路网密度等其他因素也显示出与房价的高相关性，进一步证实了这些因素在房价形成中的重要作用。

综上所述，湖南省2023年房价的形成受到多种因素的影响，其中GDP和常住人口的联合作用尤为显著，这为进一步深入分析房价影响因素提供了重要依据。未来的研究可以在此基础上，探讨这些因素如何共同作用于房价变化，以及它们在不同地区和不同时间段的具体影响，从而为房地产市场的调控和预测提供更为精准的参考。

	2023年GDP		常住人口	人均GDP	道路长度	路网密度	第一产业	第二产业	第三产业
2023年GDP	0.917
常住人口	0.994	0.948
人均GDP	0 .949	0.994		0.895
道路长度	0.976	0.970		0.991	0.936
路网密度	0.931	0.972		0.922	0.956	0.890
第一产业	0.928	0.979		0.946	0.969	0.936	0.103
第二产业	0.941	0.994		0.936	0.997	0.946	0.944	0.919
第三产业	0.923	0.994		0.949	0.976	0.931	0.928	0.941	0.917

如表2所示为地理探测器的风险因子探测器部分，地理探测器的因子分析通过计算q统计量和p值来探究不同因子对某一现象（在本例中为房价）的影响程度和显著性。q统计量衡量的是某一因子对现象空间分异性的解释力，q越大越接近1则代表空间异质性越明显。p值则用于检验统计结果的显著性，通常p值小于0.05被认为是统计显著的。根据不同因子的特异性，分别进行地理探测器4、5、6类k均值分类，所得到3种分类结果，后进行比对按照p值选择较准确的分类，结果如下表。

根据表2所得2023年GDP、常住人口、人均GDP、道路长度、路网密度、第二产业和第三产业对房价的影响均在统计上显著（p值均小于0.05），表明这些因子对房价具有显著的解释力。特别是常住人口的解释力最强，其q值为0.9475336，其次是人均GDP（q值为0.8947694）和2023年GDP（q值为0.9174812）。这些结果表明，人口因素和经济指标是影响湖南省房价的关键因素。

	2023年GDP	常住人口	人均GDP	道路长度	路网密度	第一产业	第二产业	第三产业
q	0.91748	0.94753	0.89477	0.93597	0.89009	0.10317	0.91942	0.91748
p	0.05200	0.02404	0.05687	0.02788	0.07808	0.92254	0.03942	0.05201

4.2 微观因素影响

4.2.1旅游景点

从网络中下载全国A级旅游景点，并进行数据预处理，导入KQGIS中，如图6所示。接着，对A级旅游景点数据进行缓冲区分析并根据缓冲区范围提取缓冲区内的住房数据，可得景点附近住宅点数据。

根据实际情况考虑，本文将景点数据根据景点类型建立不同宽度的缓冲区，其中5A缓冲区为2000米；4A缓冲区为1000米；3A缓冲区为500米；2A缓冲区为300米；1A缓冲区为100米。根据缓冲区操作以及叠加分析，最终导出数据后，共可以得到缓冲区内一共有2689个楼盘，其中价格最高为38572元/平米。

4.2.2 水系因素

从OSM中获取湖南省水系数据，导入KQGIS中进行裁剪出长沙市区域水系，如图7所示。接着，对水系数据进行缓冲区分析并根据缓冲区范围提取缓冲区内的住房数据，可得水系附近住宅点数据。

根据实际情况考虑，本文将水数据根据水的类型以及影响范围，建立不同宽度的缓冲区，其中河流river缓冲区为1000米；溪流stream缓冲区为300米；沟渠drain缓冲区为100米。根据缓冲区操作以及叠加分析，共可以得到缓冲区内一共有39747个楼盘，其中价格最高为44286元/平米。

4.2.3 铁路因素

从OSM中获取湖南省铁路数据，导入KQGIS中进行裁剪出长沙市区域铁路，如图8所示。接着，对铁路数据进行缓冲区分析并根据缓冲区范围提取缓冲区内的住房数据，可得铁路附近住宅点数据。

根据实际情况考虑，本文将铁路数据根据铁路的不同类型以及影响范围，建立不同宽度的缓冲区，其中轨道rail缓冲区为100米；地铁subway缓冲区为100米；单轨铁路monorail缓冲区为50米；电车tram缓冲区为50米；微型铁路miniature_railway缓冲区为20米。根据缓冲区操作以及叠加分析，共可以得到缓冲区内一共有9335个楼盘，其中价格最高为40146元/平米。

4.2.4 医疗因素

从OSM中获取湖南省医院的数据，导入KQGIS中进行裁剪出长沙市医院等医疗设施，如图9所示。接着，对医院数据进行缓冲区分析并根据缓冲区范围提取缓冲区内的住房数据，可得医疗附近住宅点数据。

根据实际情况考虑，本文将医疗数据按照1000m距离建立缓冲区。根据缓冲区操作以及叠加分析，共可以得到缓冲区内一共有47448个楼盘，其中价格最高为49853元/平米。

4.2.5 道路因素

从OSM中获取湖南省道路数据，导入KQGIS中进行裁剪出长沙市区域道路，如图10所示。接着，对道路数据进行缓冲区分析并根据缓冲区范围提取缓冲区内的住房数据，可得道路附近住宅点数据。

根据实际情况考虑，本文将道路数据根据道路的不同类型以及影响范围，建立不同宽度的缓冲区。其中主干道primary缓冲区为400米；生活街道living_street缓冲区为150米；自行车道cycleway缓冲区为120米；人行道footway缓冲区为120米；行人专用道pedestrian缓冲区为120；高速公路motorway缓冲区为100米；高速公路连接线motorway_link缓冲区为50米；小径（通常指非正式的道路或步行道）path缓冲区为50米等。根据缓冲区操作以及叠加分析，共可以得到缓冲区内一共有61586个楼盘，其中价格最高为49853元/平米。

4.2.6 学校因素

优质的学校资源是关键的影响因子。从教育部中获取湖南省高校数据，导入KQGIS中进行裁剪出长沙市区域高校，如图11所示。接着，对高校数据进行缓冲区分析并根据缓冲区范围提取缓冲区内的住房数据，可得高校附近住宅点数据。

根据实际情况考虑，本文将高校数据按照1000m距离建立缓冲区。根据缓冲区操作以及叠加分析，共可以得到缓冲区内一共有12201个楼盘，其中价格最高为34966元/平米。

5结论

本研究通过空间分析和地理探测器方法，对长沙市2023年房价的影响因素进行了全面分析。主要结论如下：

(1)空间自相关性：长沙市房价数据表现出显著的空间自相关性，且莫兰指数为正，即相似价格的楼盘倾向于在空间上聚集，总体存在空间正相关性。

（2）通过直方图分析，我们发现房价数据分布呈现正偏态，大多数房价集中在较低区间，而少数高端房产价格显著高于平均水平。对数变换后的房价数据分布更接近正态分布，有助于进一步的统计分析和建模。

（3）趋势分析揭示了长沙市住宅价格在东西方向上的扩张趋势较为显著，南北走向的价格递减趋势更为明显，这与城市交通发展、商业活动集中度以及城市规划有关。

（4）宏观因素影响：2023年GDP、常住人口、人均GDP、道路长度、路网密度、第二产业和第三产业是影响长沙市房价的关键宏观因素。其中，常住人口和人均GDP的解释力最强，表明人口因素和经济指标在房价形成中起着决定性作用。

（5）微观因素影响：旅游景点、水系、铁路、医疗、道路和学校等微观因素也对房价有显著影响。通过缓冲区分析，发现这些因素与房价之间存在空间关联性，且不同类型的因素对房价的影响程度和范围有所不同。

本研究在宏观和微观层面上对长沙市房价影响因素进行了分析，但仍有局限性。未来的研究可以进一步探讨不同区域、不同时间段内房价影响因素的变化，以及更多潜在因素对房价的影响。此外，可以采用更精细的空间分析方法，如机器学习等，以提高房价预测的准确性。

参考文献：

1. [1] 林聚任,穆学英.城乡融合发展背景下农村居民住房的空间选择与影响因素——一个流动社会学的视角[J].江海学刊,2024(06):122-131.
2. [2] 虞晓芬,湛东升.中国70个大中城市房价指数空间格局与影响因素分析[J].华中师范大学学报(人文社会科学版),2022,61(01):40-51.
3. [3] 李鹏,贾儒轩.城市房价与公共服务设施水平关系研究——以济南市主城区为例[J].经济研究导刊,2023(05):72-74.
4. [4] 梁军辉,林坚,吴佳雨.北京市公共服务设施配置对住房价格的影响[J].城市发展研究,2016,23(09):82-87+124.
5. [5] 汤坤,李全,陆江潇,等.公共服务设施可达性及其对房价的影响[J].地理空间信息,2020,18(02):90-93+98+8.
6. [6] 李从容,王江川,苏昊,师一凡.西安市托育服务资源时空演化及影响因素研究[J].地域研究与开发,2024,43(02):78-84+111
7. [7] 梅志雄,黎夏.基于ESDA和Kriging方法的东莞市住宅价格空间结构[J].经济地理,2008(05):862-866.
8. [8] 熊林华,张军,吴健平.基于房产网站数据的商品住宅价格空间分布研究——以成都市为例[J].测绘与空间地理信息,2015,38(09):150-152+154.
9. [9] 付益松,张明.城市房价空间分布及其影响因素分析[J].测绘科学,2017,42(08):49-52.
10. [10] 王重阳,承继成,张弛.基于ArcGIS的人口与房价宏观分析——以北京地区为例[J].测绘通报,2012(03):97-100.
11. [11] 孟斌,王劲峰,张文忠,等.基于空间分析方法的中国区域差异研究[J].地理科学,2005,25(04):393-400
12. [12] Odland1．Spatial Autocorrelation．London：SAGE Publications，1988．
13. [13] 陈彦光.基于Moran统计量的空间自相关理论发展和方法改进[J].地理研究,2009,28(06):1449-1463.
14. [14] 张策,吕王勇,张萍,等.基于Moran’s I的多变量空间自相关研究与应用[J].四川师范大学学报（自然科学版）,2024,47(06):818-829
15. [15] 王劲峰, 徐成东.地理探测器：原理与展望[J].地理学报,2017,72(01):116-134
16. [16] Wang J F, Li X H, Christakos G, et al. Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International journal of geographical information science,24(01):107-127.
17. [17] Wang J-F, Hu Y. Environmental health risk detection with GeogDetector[J]. Environmental modelling and software,2012,33:114-115.
18. [18] 袁宇,吴良林.基于地理探测器的广西旅游生态安全时空特征及影响因素分析[J].大众科技,2020,22(05):29-32
19. [19] 张永芳,张跃胜,冯云廷.基于探索性数据分析法的城市人地异速分异研究——以三大城市群为例[J].城市发展研究,2020,27(09):58-65.
20. [20] 卢新海,陈丹玲,匡兵.产业一体化与城市土地利用效率的时空耦合效应——以长江中游城市群为例[J].中国土地科学,2018,32(09):66-73.
21. [21] 吕晨,樊杰,孙威.基于ESDA的中国人口空间格局及影响因素研究[J].经济地理,2009,29(11):1797-1802.
22. [22] 王绮,黄国民,卢恩琪,等.基于地理探测器的旅游生态安全时空特征及影响因素研究[J].东北师大学报(自然科学版),2024,56(04):133-143.
23. [23] 周超,周亚男.基于ArcGIS对南京市房价分析[J].黑龙江科学,2018,9(18):10-13.