"英文标题：Global Commercial Real Estate Rental Price Spatial Feature Database
数据集概述
针对全球商业地产租赁价格预测场景，构建遥感反演特征变量库，涵盖商业地产周边的空间环境、交通可达性、设施配套等关键影响维度。数据通过多源遥感影像反演处理生成，覆盖全球主要经济区域的核心商圈，时间跨度跨越多个商业周期，颗粒度精确至商圈级空间单元。变量体系基于商业地产租赁价格的影响因子理论构建，包含建筑物理特征、周边业态密度、交通网络密度等多层次特征，数据格式标准化，可直接对接机器学习预测模型。该数据集为商业地产租赁价格的精准预测提供了丰富的空间特征支撑，解决了传统预测方法中空间维度信息不足的问题，支撑多场景下的决策分析需求。
字段详情
数据集包含以下核心字段：
commercial_district_id：商圈标识ID，唯一标识全球范围内的核心商业区域building_floor_area_sqm：建筑建筑面积，单位平方米，指商业建筑的总建筑面积road_density_km_sqkm：路网密度，单位公里/平方公里，指商圈范围内的道路总长度与面积比值poi_commercial_density：商业业态POI密度，单位个/平方公里，指商圈范围内的商业类POI数量密度remote_sensing_ndvi：遥感归一化植被指数，无单位，反演商圈周边的绿化覆盖程度lease_period_month：租赁周期，单位月，指商业地产的典型租赁周期时长
适用场景
- 商业地产投资机构构建租赁价格预测模型，评估潜在投资标的的价值潜力
- 城市规划部门分析商圈空间特征与租赁价格的关联，优化商业空间布局
- 房地产咨询公司为客户提供租赁定价建议，提升决策专业性
- 机器学习研究者开发空间特征融合的商业地产预测算法
- 金融机构开展商业地产抵押贷款的风险评估，辅助信贷决策"
