大数据教你如何用小区生态指数选到心仪的住宅

当前一线和重点二线城市火热，购房需求旺盛，房价攀升。除一些投机性行为催升房价外，房价背后的因素如房子的区域位置、房子所在小区内部环境、房子的紧俏程度等都会成为影响房价高低的因素。然而，购房者在做决策时一般只会以小区周边的区域属性及小区内部微观环境为主要的参考因素。但其实，影响房价的绝不仅仅只是以上这些因素。比如小区房源流动性、小区社交活跃度等因素都是我们平时不纳入考虑的。这些显性因素和隐形因素都不同程度的影响这房价的高低。

那么，不同的小区之间究竟有着怎样的差异性呢又该怎样去分析推升房价背后的因素呢

一、小区+生态=

为了从数据层面去佐证小区的差异性及其特色，中国电信灯塔大数据和云房数据结合各自的技术优势，提出了小区生态概念。小区生态是指生态系统，其中包含了四个方面的要素，即小区周边区域属性、小区内部微观环境、小区社交活跃度以及小区房源流动性四个维度。不同要素间存在一定的关联性、交互影响从而构成了小区的差异性。

二、我们为何要研究小区生态指数

本次研究是希望通过“人+房产数据”的结合，即小区的房产属性是什么样的，比如周边配套是否成熟小区内部环境如何小区房源流通情况如何小区内部居民是什么构成，兴趣爱好等等因素。然后利用数据分析的方法来较为全面的反映小区的整体生态环境，从而进一步为购房决策提供一定的指导或借鉴。

三、生态小区是如何构建的

为了更好的解释小区生态这一概念，我们以上海样本小区为案例，从周边区域属性、内部微观环境、社交活跃度以及房源流动性这四个维度来解析当前上海小区的特色。

1、小区生态指标维度：

来源：中国电信灯塔大数据、云房数据

本次发布的小区生态指数，以上海市4个小区为样本，分别是嘉里华庭、瑞虹新城、瑞虹新城二期和兆丰嘉园小区。

由于每个小区差异性非常大，并且存在理解层面的偏差，我们通过多个维度去刻画小区生态，并尝试进行综合评价，得出的综合评价结果仅供参考，不做过多解读，更多的是通过数据本身描述每个小区的特色。

2、4个典型小区评级：

经过对上海典型小区多个维度描述后，每个小区在不同的维度具体不同的特色。同时对小区在不同维度的特色进行关联分析，区分不同小区的差异性，用一个词语给小区做标签，结论如下：

①嘉里华庭小区适合老年人居住，属于养老型社区。

该小区周边区域属性层面，医疗资源丰富，交通便捷，商服机构较少;小区内部微观环境层面，小区物业资质高和小区环境优越;小区社交活跃度层面，总体活跃度偏低，运动热度和出行热度较低，推断出年轻人相对较少;小区房源流通性层面，出租房源非常低，说明外来流动人口较少。

②瑞虹新城适合孩子居住，属于典型的学区房小区。

该小区周边商服机构较少，教育资源丰富，学习热度、运动热度和出行热度较高。

③瑞虹新城二期属于成长性小区。

该小区周边配套有待完善，但网络活跃度和房源关注度较高，另外房源流动性较强。

④兆丰嘉园属于成熟小区。

该小区周边配套比较完善，比如交通便利和商服机构较多，吸引了一定数量的租房流动人口群体。

那么，这些结论是如何得出的呢具体的维度又是如何测算和考量构建的呢

3、是如何考量构建的

①指标量纲统一;②指标共线性分析;③指标权重确定：数据分布和人工经验相结合;④指标综合评价：主成分分析和人工经验相结合，加权平均求得综合评价结果。

① 上海小区生态指数

来源：中国电信灯塔大数据、云房数据

通过数据分析可以看出，兆丰嘉园小区区域优势相对于其他三个小区优势明显，小区房源的流动性则相对较低。瑞虹新城和瑞虹新城二期，同属于一个小区的不同分期，四个维度相对比较接近，瑞虹新城二期建成年代较晚，小区房源流动性相对较强。嘉里华庭小区体量较少，小区生态指数四个维度的得分相对较低。

② 小区周边区域属性

来源：中国电信灯塔大数据、云房数据

嘉里华庭小区周边交通便捷和周边医疗资源丰富;瑞虹新城和瑞虹新城二期教育资源丰富;兆丰家园小区的特色是交通和商服配套相对成熟。

③ 小区内部微观环境

来源：中国电信灯塔大数据、云房数据

四个小区内部的微观环境，具有各自的特色：嘉里华庭小区物业品质和小区环境相对较好，而兆丰嘉园小区建成时间相对较早。

④ 小区社交活跃度

备注：上述指标是在小区总户数基础上，进行相应计算，存在一定的数据偏差。

来源：中国电信灯塔大数据、云房数据

瑞虹新城小区的出行热度、运动热度和学习热度相对较高，瑞虹新城二期的房产关注度和网络活跃度最高;而嘉里华庭小区的学习热度出行热度和运动热度最高。

⑤ 小区房源流动性

来源：中国电信灯塔大数据、云房数据

瑞虹新城和瑞虹新城二期小区的房源流动性相对较高，嘉里华庭和兆丰嘉园小区的房源流动性相对较弱，但具有各自的特色，嘉里华庭出售房源流动性较高，兆丰嘉园小区出租房源流动性较高。

需要说明的是，本次发布的指数，样本数量有限，更多的是一种指数方法论探讨或研究;另外数据主要是来源于网络途径，经过数据清洗和数据质量的审核后，可能仍存在数据层面的误差，因此得出的数据分析结果仅供参考。