国家中心城市都为所处区域城市群的核心龙头城市,聚集了中国城市在空间、资源、人口和政策上的首要优势,是在直辖市和省会城市层次上崭露出的新的“塔尖”城市,分别为北京、上海、广州、天津、武汉、郑州、成都、重庆和西安,这些城市的住宅价格变动深受各行各业人的关注。另外,大数据时代的到来为城市住宅价格研究带来新的机遇和挑战,也为工程管理专业提供了新的研究范式和研究方向。基于此,本文试图在新数据环境下,运用大数据技术,探究国家中心城市住宅价格空间分布规律及其驱动因素,以创新城市住宅价格研究方法,为有效预测国家中心城市住宅价格空间发展趋势提供帮助。本文研究运用网络爬虫大数据技术获取研究所需数据,并借助GIS技术建立空间大数据库。采用探索性空间分析法,使各城市住宅价格空间分布情况进行直观的可视化表达,并对九大城市住宅价格空间分布规律进行探索。运用GIS技术的多元功能,突破传统研究局限,补充完善大数据背景下住宅价格影响因素,初步构建了较为全面的住宅价格影响因素研究指标体系。运用SPSS软件进行多元回归分析,建立国家中心城市住宅价格影响因素特征价格模型,并通过经过试算和比较,确定了半对数函数模型进行多元回归,挖掘住宅价格的显著性影响因素及作用机制。本文研究主要结论如下:（1）国家中心城市住宅价格区域不平衡显著。首都北京住宅价格最高,其次是东部沿海城市,中西部内陆城市最低。城市住宅价格越高,波动性越大;住宅价格越低,波动越平稳。（2）国家中心城市住宅价格空间分布都呈多中心结构,空间集聚性明显。北上广和天津的住宅价格高值中心大面积的集聚于城市中心地带和商务区,临近景观休闲区域或高新技术产业区形成小面积的住宅价格高值副中心。而武汉、郑州、成都、重庆和西安的住宅价格高值中心区域面积相对较小,集聚于城市中心或景观休闲特征明显的区域。（3）不同城市住宅价格内部变化具有显著的空间差异性。北上广和天津住宅价格总体从市中心呈“摊大饼”形式向外不规则圈层递减,但北京住宅价格各方向上递减速率不一,呈北高南低特征;上海市住宅价格以主干路环线为界层层递减;广州珠江两岸住宅价格差异明显;天津住宅价格向外递减过程中局部区位上出现突变性;武汉住宅价格沿长江呈“两轴一带”为高值中心向外扩张;郑州住宅价格高值中心向北、向东偏移;成都住宅价格呈南高北低,西高东低趋势;重庆住宅价格北部明显高于南部;西安住宅价格呈南高北低特征。（4）房龄、物业管理、中心区位、地铁站点、大型商圈、中小学、公园绿地和水域景观是影响城市住宅价格的重要因素,对九大城市住宅价格影响均显著。（5）住宅价格特征因素对不同城市住宅价格的增效有所差异,如北上广大城市的所在环线区位对住宅价格增效最大,住宅小区环线每往内环线外增加一单位,住宅价格分别减少11.919%、9.501%、7.795%。（6）住宅价格特征因素对不同城市的住宅价格影响程度侧重不同。总体上,北上广大城市住宅价格受中心区位、大型商圈和公司企业特征的影响程度较大;天津、武汉、成都住宅价格受建筑特征、中心区位、景观休闲特征的影响程度较大;郑州、重庆、西安住宅价格受建筑特征、生活配套和景观休闲特征影响程度较大,另外重庆和西安住宅价格受交通区位特征的影响程度也较大。本文的研究为基于多元大数据的住宅价格空间分布格局研究数据体系、指标体系和技术体系的构建,提供了一种可操作的方法。以九大国家中心城市为样本,能为中国其它一二线城市的住宅价格分布规律分析与模拟提供典型城市研究的参考。同时,为工程管理专业中房地产研究的范式改变提供新的参考方向,以及为大数据时代背景下城市发展研究提供新的创新视角与实践方向。本文的研究在技术方法、样本深度与影响因素选取上均有创新。