2. 文献综述

城市绿色基础设施包括自然和半自然空间，具有显著的社会经济和环境效益，如空气过滤、微气候调节、休闲和文化价值提供，以及增强身心健康。尽管欧洲和北美对城市绿色基础设施的研究较多，但在中国背景下，特别是针对购房者对多维城市绿色基础设施类型的偏好及其在不同地理区域的支付意愿（Willingness To Pay, WTP）的研究仍显不足。现有研究多集中于单一类型的城市绿色基础设施或整个城市的绿色空间，未能全面揭示不同类型城市绿色基础设施对房价的差异化影响及其空间异质性。此外，机器学习（Machine Learning, ML）方法在住房市场分析中的应用逐渐增多，但多模型比较和解释性人工智能（Explainable Artificial Intelligence, XAI）技术的应用仍有待加强。

3. 研究区域与数据选择

上海位于中国东部沿海，是研究城市绿色基础设施对住房市场影响的理想地点。研究选取了2020年1月1日至2022年12月31日期间的二手房交易记录，共112,057条，覆盖了上海市的16个行政区。数据包括房价、建筑特征、邻里特征和位置特征。城市绿色基础设施数据来自多源异构数据，包括自然保护区、区域生态走廊、公共公园、运动场、开放广场、历史景点、街树和水体等，通过地理信息系统（Geographic Information System, GIS）技术进行处理和分析。

4. 方法论

本研究采用固定效应模型（Fixed Effects Model, FEM）控制空间方面的未观察混杂因素，并选用四种集成机器学习模型（随机森林、梯度提升决策树、极端梯度提升和LightGBM）进行多模型比较，以确定最优模型。通过贝叶斯优化算法进行超参数调优，并采用Shapley加性解释（Shapley Additive exPlanations, SHAP）算法解释模型输出，揭示不同类型城市绿色基础设施对房价的非线性影响。此外，通过蒙特卡洛模拟（Monte Carlo Simulation, MCS）增强模型的稳健性和可靠性。

5. 结果

多模型比较显示，LightGBM模型在预测房价方面表现最佳，测试集上的决定系数（R²）为0.95，均方根误差（Root Mean Squared Error, RMSE）为908，平均绝对误差（Mean Absolute Error, MAE）为684。SHAP分析表明，城市绿色基础设施对房价有显著贡献，其中城市公园、水体和自然保护区表现出积极影响。不同类型城市绿色基础设施对房价的影响存在空间异质性，自然保护区在远距离地区表现出长距离溢价效应，水体在市中心作为 amenity（设施）具有积极影响，但在郊区可能成为负担。中央城区对社区公园、袖珍公园、历史景观、森林、运动场和街树的价值尤为突出，而新城区和郊区对区域公园和社区公园的溢价较低。

6. 讨论

多维城市绿色基础设施对房价的非线性影响揭示了其空间异质性的复杂机制。自然保护区的长距离溢价效应表明其在区域生态网络中的重要性，应作为区域生态锚点进行优先保护。水体的双重角色（市中心的 amenity 和郊区的负担）要求采用分区的规划方法，市中心应强调娱乐功能，郊区则需考虑防洪和开发限制。中央城区对小型绿色空间的高度重视强调了其在高密度城市环境中的重要性，而新城区和郊区则需通过功能性可达性和高质量设施提升区域公园和社区公园的吸引力。

7. 政策建议

研究结果为城市绿色基础设施规划、土地利用分区和市政投资提供了重要政策启示。规划方面，应采用空间变异的规划框架，优先考虑自然保护区的连通性和可达性，市中心增加高功能性社区公园，新城区和郊区战略性地布局区域公园。土地利用分区方面，应制定严格的开发限制和高度限制，保护生态资产，并确保街树供应。市政投资应优先改造高压力城市公园，扩大街树维护预算，并在新城区和郊区投资高质量设施。

8. 结论

本研究量化了城市绿色基础设施对上海房价的空间异质性和非线性影响，构建了包含多种类型的城市绿色基础设施评估框架，并揭示了不同类型城市绿色基础设施在不同城市地理区域中的差异化影响。研究强调了地理差异化景观规划、土地利用分区和市政投资的重要性，以优化城市绿色基础设施对住房市场和城市可持续发展的社会经济贡献。未来研究应整合更多样化的数据，扩展时间深度和空间范围，并采用更复杂的因果推断方法，以进一步明确城市绿色基础设施对住房市场的因果影响。