然而，这种界定在租赁市场表现却差强人意，所以才会有“花内环的钱，住中环房子”的感觉。
CRIC城市租赁系统上线，意味着对城市租赁市场有了一套强有力的整合性工具，在此工具上需要衍生出一系列前瞻性的课题，其中基于房屋租金，重构上海环线就是一个有趣的课题。
为了讨论方便，一段观察窗口期内上海所有小区的平均租金表现用集合R表示，记作
，其中
表示第i个小区的租金表现。将
进行排序, 仍记作
, 然后利用插值技术，找出4个插值点p1,p2,p3和p4， 满足
(i)
(ii)
(iii)
g1,g2,g3,g4和g5各组的组间方差足够大，组内方差足够小。
注:
(i)表示在排序好的租金序列
中插入四个插值点p1,p2,p3和p4, 并假定了每个插入点的位置；
(ii) 表示原租金序列
被p1,p2,p3和p4分成了五小组，并记作g1,g2,g3,g4和g5；
(iii)表示分组后要达到的目标。
从租金密度曲线可以看出上海各小区月平均单方租金的密度曲线， 月平均单方租金在50到60之间有个明显波动 ，在100附近也有较大波动，在120左右亦有较大波动，这些位置的柱子上升下降幅度最大，可以认为这些位置是租金表现最不稳定的位置， 由前面讨论，这些很可能是要找的环线租金界值，为了具体找出这些界值， 我们采用了KMeans聚类算法，你会发现聚类出来的结果与统计学上分出来的结果是一致的， 可以从下面两个公式得证。
欧式距离
如果是1维的，欧式距离变成了绝对距离
绝对距离在统计学应用于分组效果是使得组间离散程度大，组内离散程度小， 与KMeans算法殊途同归。
利用KMeans 算法对上海租赁市场所有小区的租金表现进行聚类分析，得出四个类别临界值，即4个插值点p1 ,p2 ,p3和p4, 根据之前的等价设定，即得内环界，中环界，外环界，郊环界的值分别是125，98，78和55。
为了是等值线更加平滑，先进行Kriging 插值， 从上图可以看到租金表现从内向外大体呈现红色，橘色，黄色，淡绿色及绿色5个层级，界限比较明显，也不可排除的也有一些小小区域自成一个独立区域以及一些零星的点，这些白噪声点以橘色和黄色部分居多。
在插值之后就需要要把四个边界线拟合出来，可以先用较大刻度然后换用刻度较小的等值线去试，比较等值线与Kriging插值图层各色圈边界的重合程度，留下拟合最好的等值线作为各色圈的界线。
最后将图缩小整体来看一下环线的位置。这样，就有理有据的重构出上海租赁市场的环线。
（1）方法的适用性更强：这种构造方法是基于租赁市场的表现和数据，对租赁市场的反馈效果更强。
（2）数据覆盖范围广：该方法是基于上海市所有小区的租金表现，地域覆盖范围广，数据量大，通适性更强。
（3）动态链接：小区租金表现是时序数据，可以做成动态链接展示，相比传统固定的环线更能确切反映租赁市场的动态变化。
（4）对市场监测效果更准确：通过环线的位置变化可以跟踪上海市租赁市场是在向外扩展还是在向内收缩，最重要的，可以探测城市租赁市场的具体走势。
（5）方法的稳健性好：因为选择时间跨度较长，市场表现要稳定得多，建议每半年更新迭代一次。
下一次，我们会将该方法构造出来的环线与传统意义上的环线进行对比分析，挖掘两者在租赁市场的适用场景和各自的表现，并基于前者进行一系列的定性定量研究。
扫码关注
有趣的灵魂在等你
以上信息均系原创，转载请注明出处