, 刘春卉The price differentiation mechanism of commercial housing in the Yangtze River Delta
SONGWeixuan, LIUChunhui通讯作者:
收稿日期:2017-05-13
修回日期:2017-09-21
网络出版日期:--
版权声明:2018《地理研究》编辑部《地理研究》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词：
Abstract
Keywords：
-->0
PDF (6828KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
近年来,城市房价问题牵动着从各级政府、各界****、各类媒体到各个家庭的敏感神经,当然也引起了城市地理****们的密切关注。“市场学派”从供需角度出发,认为住房作为商品,不可避免地受到“供给—需求”体系的影响,并试图通过联立方程求解等手段模拟和预测房价[1,2]。作为改进,Dipasquale等认为住房作为耐用品,其供给与需求皆存在明显的“时滞”,单纯的供需模型并不足以解释住房价格的形成机制,于是提出住房动态“存量—流量”模型（Dynamic Stock-Flow Model）来反映住宅市场的变化[3]。而更多后续研究表明,因住房兼具“消费品”和“投资品”的双重属性,事实上引起房价变化的因素十分复杂,特别是论及近年来被资本逐利持续推高、似已脱离消费品市场理性框架的中国房价问题时,传统“市场学派”的房价解释理论和模型越来越难以奏效。根据国内外相关研究,发现城市房价问题的复杂性体现在,影响一个城市或地区房价高低涨落的因素,至少包括宏观层面的经济形势[4]、货币政策[5,6]、税收政策[7,8]等外部因素,以及城市自身的经济发展水平[9]、土地供给策略[10]、住宅建设成本[11]、居民收入和消费水平[12,13]、人口规模与集聚能力[14,15]、区位条件[16]、公共服务质量[17]、行政等级[15]等内部因素,而且相同因素对不同地区的城市房价影响程度也存在差异。基于已有研究成果,尚较难准确判断出引起房价变动并具有普遍意义的决定性因素。但可以看出,房价与城市经济、人口、公共服务和行政等级等资源丰度关系密切,由此判断,特定区域内不同城市的房价分异,可能是城市间对各类资源集聚能力差异的综合物化表达。
基于此假设,并为进一步探究隐藏在“供需”“预期”“泡沫”等模糊概念下,大城市房价飙升和区域房价差距悬殊的形成机理,本文以长三角一体化区域为案例,分析导致区域房价差异的主要因素及作用机制,并预测房价分异趋势。一体化是一个增加开发密度、缩短联系距离、减少相互分割的过程[18],在市场力量引导下,一体化区域内部时空距离将随着综合交通网络的不断完善而缩短[19],资源要素在区域内部的流动将随着行政壁垒的逐步消除而更加自由[20],居民生活水平最终将实现趋同[18,21]。因此,本文选择具有发展环境相似、经济实力相当、生活水平相近特征的典型一体化区域——长三角为研究对象,并采用同一时间断面的城市商品房数据开展房价影响因素研究,以求能够尽可能消除如货币超发、利率调整等宏观经济因素造成的房价变化,更真实有效地考察区域内城市资源支配能力与房价差异的内在关联。
2 研究方法与数据来源
2.1 研究区概况
长江三角洲地区是中国综合实力最强、一体化程度最高的区域之一。包括上海,江苏省的南京、苏州、无锡、常州、镇江、扬州、泰州、南通,浙江省的杭州、宁波、湖州、嘉兴、绍兴、舟山、台州16个城市在内的长三角核心区,土地面积11.26万km2,涉及135个区县和1.1亿常住人口（2015年）,代表着中国区域一体化发展的相对高级阶段和成熟模式,而且区域内城市类型多样,各城市间住宅均价差异悬殊,也是中国城市房价变化最活跃的区域之一（图1）。
显示原图|下载原图ZIP|生成PPT图1长三角135个区县2016年9月城市房价空间分异格局
-->Fig. 1Space differentiation pattern of urban housing price in 135 districts and counties in the Yangtze River Delta in September 2016
-->
2.2 数据来源
房价采用各区县一个月内城市商品住宅（二手房）单位面积成交均价。房价数据来源于房天下（www.fang.com）、365淘房网（www.house365.com）等全国性房产交易信息平台。本文于2016年9月采集135个区县当月住宅成交均价;同时为分析城市房价变化与区域房价分异的近期趋势,补充采集2014年9月和2015年9月的住宅成交均价数据。需要指出,一是由于存在“阴阳合同”等现象,导致房产交易网站掌握的住宅成交价格要低于实际交易价格;二是尽管本文为获取更多的住房交易样本,选择素有“金九银十”之称的房地产市场交易旺季（9月）作为研究时段,亦不能排除部分区县由于当月成交量较小或房屋交易信息掌握不完全而造成的统计样本误差。但上述数据采集问题不会对区域房价整体分异格局及其影响因素的分析结果造成重大影响。鉴于导致房价分异的原因具有多样性和复杂性,较难准确锁定区域房价差异的主要影响因素。因此,本文综合已有研究结论,为尽可能保证全面性和准确性,从经济资源、人力资源、社会资源、行政资源等四个方面,初步筛选出可能在区域房价分异过程中起到重要作用的16项指标（表1）。考虑经济社会指标对房价的影响具有一定延迟性[14],部分指标采用2014年统计数据。
Tab. 1
表1
表1按资源类型划分的长三角区域住宅价格分异影响因素
Tab. 1Factors affecting regional housing price differentiation by resource type in the Yangtze River Delta
| 变量类型 | 解释变量 | 定义 |
|---|---|---|
| 经济资源 | 经济实力 | 人均GDP（元） |
| 收入水平 | 城镇居民家庭平均可支配收入（元） | |
| 经济密度 | 单位面积地区生产总值（元/m2） | |
| 产业结构 | 第三产业增加值占地区生产总值比例（%） | |
| 人力资源 | 人口集聚密度 | 常住人口/土地面积（人/m2） |
| 人口吸引能力 | 常住人口/户籍人口（%） | |
| 高端从业者占比 | 金融、商务、科技服务从业人口/全部从业人口（%） | |
| 适龄劳动者占比 | 年龄在15~59周岁常住人口/全部常住人口（%） | |
| 社会资源 | 公共服务投入 | 地方一般财政支出/常住人口（元/人） |
| 优质教育资源 | 省重点初中、小学数量/常住人口（个/万人） | |
| 优质医疗资源 | 三级医院数量/常住人口（个/万人） | |
| 区位交通条件 | 到达沪宁杭城市中心高速公路里程之和（km） | |
| 行政资源 | 城市规模 | 小、中、大、特大、超大城市分别赋值1、3、5、7、9;城区按地级市辖区人口计算,县（市）按本区域计算 |
| 政府驻地 | 区县级政府、地级市政府、省级政府驻地分别赋值1、3、5;得分可累加 | |
| 高校资源 | 本地级市内大专以上普通高校、211高校、985高校分别赋值1、3、5;得分可累加;县（市）得分减半 | |
| 房产政策 | 区域内商品住房采取不限贷不限购、限贷或限购、限贷加限购政策分别赋值1、3、5 |
新窗口打开
2.3 研究方法
从2014-2016年房价数据上看,各区县房价普遍呈现稳定上涨态势,其中2014-2015年增长较为平稳,房价平均上涨5%左右,2015-2016年房价上涨较快,平均涨幅达到23%;高房价出现在上海、南京和杭州中心城区,最高值上海静安区2016年住宅均价高达76091元/m2;期间房价增幅最大和增速最快的分别是上海黄浦区和崇明县。将135个区县按住宅价格划分为最低、低、中低、中等、中上、高、最高7个等级,2014年,如表2所示。71.1%的区县房价不足1万元/m2,均价超过5万元/m2的唯有上海静安区;至2016年,低房价区县数量明显减少,每平方米均价超过万元的区县接近半数,均价超过5万/m2的区县数量达到8个。
Tab. 2
表2
表22014年、2016年长三角区县房价分组对比
Tab. 2Group comparison of housing price in the Yangtze River Delta in 2014 and 2016
| 价格区间 （万元/m2） | 最低房价 | 低房价 | 中低房价 | 中等房价 | 中上房价 | 高房价 | 最高房价 | |
|---|---|---|---|---|---|---|---|---|
| 0.0~0.6 | 0.6~0.8 | 0.8~1.0 | 1.0~2.0 | 2.0~3.0 | 3.0~5.0 | 5.0~8.0 | ||
| 2014年 | 数量（个） | 18 | 50 | 28 | 24 | 7 | 7 | 1 |
| 占比（%） | 13.3 | 37.0 | 20.8 | 17.8 | 5.2 | 5.2 | 0.7 | |
| 2016年 | 数量（个） | 9 | 30 | 34 | 33 | 15 | 6 | 8 |
| 占比（%） | 6.7 | 22.2 | 25.2 | 24.4 | 11.1 | 4.5 | 5.9 | |
新窗口打开
通过计算2014-2016年长三角区县房价泰尔指数（Theil Index）（表3）,发现区域整体分异强度由0.10297逐年增加至0.13262,说明区域内房价分异与极化现象更加显著。从分异贡献率上看,以城市间房价差异贡献为主,且存在不断强化的趋势,由2014年的71.0%增至2016年的78.4%,同期城市内部差异贡献率由29.0%降至21.6%。说明区域一体化发展并未带来城市间房价的趋同,或者说城市间房价差异尚未出现收敛迹象,而城市内部区县间房价分异度则稳中有降,反映出中心城区对外围区县房价的拉动作用。
Tab. 3
表3
表32014-2016年长三角地区房价分异指数及贡献率变化
Tab. 3Changes in housing price differentiation indexes and contribution rate in the Yangtze River Delta from 2014 to 2016
| 年份 | 城市间 | 城市内部 | 区域整体 分异指数 | |||
|---|---|---|---|---|---|---|
| 分异指数 | 贡献率(%) | 分异指数 | 贡献率(%) | |||
| 2014 | 0.07312 | 71.011 | 0.02985 | 28.989 | 0.10297 | |
| 2015 | 0.08152 | 73.064 | 0.03005 | 26.936 | 0.11158 | |
| 2016 | 0.10393 | 78.371 | 0.02868 | 21.629 | 0.13262 | |
新窗口打开
利用SPSS软件,首先对表1所列16项指标变量进行Z-score标准化处理;然后以2016年房价为因变量、16项指标为自变量,计算Pearson相关系数检验各影响因素与房价的线性关系,并根据自变量方差膨胀因子（Variance Inflation Factor,VIF）进行影响因素间的多重共线性诊断。结果表明,整体上影响因素与房价的相关性较好,特别是高校资源、高端从业者占比、人口集聚度、房产政策、城市规模、优质教育资源等与房价相关性较强,同时也存在如政府驻地、人口吸引力等相关性较弱的指标;自变量多重共线性诊断结果也较理想,仅“经济密度”与其他自变量存在较强多重共线性（表4）。鉴于此,采用逐步回归分析法（Stepwise Regression）,一方面剔除对房价影响不显著的变量;另一方面解决指标多重共线性问题,保留最显著的解释变量,筛选出最优的解释变量集,即最具有解释力的房价分异影响因素。考虑到长三角地域单元类型差异和局部特性明显,房价影响因素可能存在“空间非平稳性”特征[22,23]。这种变量间的非同质性关系,意味着传统回归模型分析此类空间数据较难得到满意的结果。因此,出于对数据空间结构属性的考虑,进一步通过地理加权回归分析模型（Geographically Weighted Regression,GWR）,重点考察各个显著性影响因素在长三角不同空间地域内的作用强度差异。
Tab. 4
表4
表4长三角房价与影响因素相关性及变量间共线性检验
Tab. 4Test of correlation between influencing factors and housing price and collinearity between variables
| 变量 | 房价相关性 | 指标共线性 | ||||
|---|---|---|---|---|---|---|
| Pearson系数 | 相关性判断 | 容忍度 | VIF | 多重共线性诊断 | ||
| 经济实力 | 0.316 | 弱相关 | 0.298 | 3.358 | 不存在共线性 | |
| 收入水平 | 0.344 | 弱相关 | 0.521 | 1.918 | 不存在共线性 | |
| 经济密度 | 0.723 | 强相关 | 0.096 | 10.449 | 较强共线性 | |
| 产业结构 | 0.545 | 中等相关 | 0.252 | 3.965 | 不存在共线性 | |
| 人口集聚密度 | 0.786 | 强相关 | 0.117 | 8.518 | 不存在共线性 | |
| 人口吸引能力 | 0.238 | 弱相关 | 0.197 | 5.066 | 不存在共线性 | |
| 高端从业者占比 | 0.798 | 强相关 | 0.107 | 9.368 | 不存在共线性 | |
| 适龄劳动者占比 | 0.279 | 弱相关 | 0.180 | 5.549 | 不存在共线性 | |
| 公共服务投入 | 0.518 | 中等相关 | 0.412 | 2.427 | 不存在共线性 | |
| 优质教育资源 | 0.623 | 强相关 | 0.230 | 4.353 | 不存在共线性 | |
| 优质医疗资源 | 0.420 | 中等相关 | 0.347 | 2.878 | 不存在共线性 | |
| 区位交通条件 | -0.350 | 弱相关 | 0.586 | 1.707 | 不存在共线性 | |
| 城市规模 | 0.694 | 强相关 | 0.223 | 4.474 | 不存在共线性 | |
| 政府驻地 | 0.116 | 极弱相关 | 0.670 | 1.494 | 不存在共线性 | |
| 高校资源 | 0.800 | 极强相关 | 0.212 | 4.724 | 不存在共线性 | |
| 房产政策 | 0.742 | 强相关 | 0.197 | 5.065 | 不存在共线性 | |
新窗口打开
3 基于逐步回归和地理加权回归的房价影响因素分析
3.1 长三角一体化区域房价逐步回归分析结果
逐步回归的具体步骤是：首先用2016年房价分别对16项解释变量做简单回归,然后以对房价贡献最大的解释变量所对应的回归方程为基础,逐步引入其余解释变量,并剔除不显著变量,以确保每次引入新变量前回归方程中只包含显著性变量,反复进行该过程,经过逐步回归,使最后保留在模型中的解释变量既是重要的,又不存在较强多重共线性。结果如表5所示,最终确定高校资源、经济密度、房产政策、经济实力、公共服务投入、高端从业者占比和产业结构7个住宅价格差异解释变量,此时回归模型拟合度达到最优（R2=0.870）。Tab. 5
表5
表5长三角一体化区域房价多元逐步回归模型计算结果
Tab. 5Calculation result of the multiple stepwise regression model of housing prices
| 模型 | R | R2 | 调整R2 | 变量指标 |
|---|---|---|---|---|
| 1 | 0.800 | 0.640 | 0.638 | 高校资源 |
| 2 | 0.897 | 0.805 | 0.802 | 高校资源、经济密度 |
| 3 | 0.908 | 0.825 | 0.821 | 高校资源、经济密度、房产政策 |
| 4 | 0.914 | 0.836 | 0.831 | 高校资源、经济密度、房产政策、经济实力 |
| 5 | 0.924 | 0.853 | 0.848 | 高校资源、经济密度、房产政策、经济实力、公共服务投入 |
| 6 | 0.930 | 0.865 | 0.859 | 高校资源、经济密度、房产政策、经济实力、公共服务投入、高端从业者占比 |
| 7 | 0.933 | 0.870 | 0.863 | 高校资源、经济密度、房产政策、经济实力、公共服务投入、高端从业者占比、产业结构 |
新窗口打开
3.2 长三角一体化区域房价GWR模型建构与计算
在逐步筛选出7个区域房价分异影响因素的基础上,采用地理加权回归模型,分析各影响因素对房价的作用强度和在长三角不同空间区位上的表现差异。利用ArcGIS软件,以调整型空间核回归为基础,采用CV方法进行GWR模型带宽的计算。结果显示GWR模型拟合度高达94.4%（R2=0.944）,说明该模型可以很好地拟合2016年长三角135个区县房价和各项指标之间的关系。鉴于GWR得到的结果为各指标对每一个区县都有一个特定的系数值,为研究方便,分别对各因素系数的计算结果进行统计,详细给出各因素对房价影响程度的最小值、下四分位数、中位数、上四分位数、最大值和平均值,并对结果进行t检验,估计回归系数的P值,统计结果如表6所示。Tab. 6
表6
表6长三角一体化区域房价GWR模型计算结果统计
Tab. 6Calculation results of the GWR model of housing prices in districts and counties in the Yangtze River Delta
| 变量 | 最小值 | 下四分位数 | 中位数 | 上四分位数 | 最大值 | 平均值 | P值 |
|---|---|---|---|---|---|---|---|
| 经济实力*** | -5137.343 | -3068.853 | -2177.356 | -1334.777 | 137.271 | -2142.075 | 0.000 |
| 经济密度*** | -1628.517 | 2743.011 | 3536.973 | 4603.793 | 6547.838 | 3332.053 | 0.000 |
| 产业结构* | -3005.825 | -1921.048 | -1238.249 | -552.884 | 1273.119 | -1131.007 | 0.027 |
| 高端从业者占比*** | 1157.630 | 3233.021 | 4576.261 | 5509.982 | 6254.864 | 4399.057 | 0.000 |
| 房产政策** | 669.453 | 1549.704 | 1921.529 | 2597.050 | 5364.489 | 2156.317 | 0.004 |
| 高校资源*** | 664.941 | 2967.238 | 5102.503 | 6318.443 | 8413.177 | 4661.412 | 0.000 |
| 公共服务投入*** | -80.706 | 1604.313 | 2556.809 | 3234.648 | 7612.888 | 2396.780 | 0.000 |
新窗口打开
从P值上看,在房价影响因素中,经济实力、经济密度、高端从业者占比、高校资源和公共服务投入等因素表现出极其显著的空间不稳定性,即其回归系数随着空间位置变化而发生显著的变化,而房产政策和产业结构也分别在99%和95%的置信区间下表现显著。从回归系数上看,房价影响因素的回归系数有正有负,但每个因素回归系数的中位数和平均数的数值相差不大,且系数符号相同,说明各个因素对区域内大部分区县的影响性质是一致的。
3.3 影响力空间差异分析
选取经济实力、经济密度、高端从业者占比、高校资源、公共服务投入和房产政策等空间不稳定性非常显著（P<0.01）的六个指标,利用ArcGIS软件提供的“分位数”分类法将各影响因素回归系数划分为7个等级,分析影响因素回归系数空间分布格局,考察各因素对房价影响的区域差异（图2）。其中：
显示原图|下载原图ZIP|生成PPT图2长三角各区县房价影响因素回归系数分布
-->Fig. 2Regression coefficient distribution of the factors influencing housing prices in districts and counties in the Yangtze River Delta
-->
（1）经济实力（图2a）。回归系数基本为负值,说明人均GDP指标与地区房价并非存在正向关联,概因一方面高房价城区人口密度大,通常以生活职能为主,故人均GDP指标并不高;另一方面长三角地区县域经济普遍较为发达,城市外围区县的人均经济指标可能比城区高但房价却低得多。该指标回归系数绝对值在南京、上海及周边地区较小,说明对上述地区而言,人均经济发展水平对房价的影响相对其他变量并不显著。
（2）经济密度（图2b）。回归系数基本为正值,说明地均GDP指标对地区房价具有正向作用,反映的是区县单位土地面积上的经济产出效率。特别是对于城区而言,通常高经济密度产生相对高的地价,进而导致高房价。经济密度指标对区域房价影响程度差异与经济实力相似,对浙江地区房价的影响明显高于江苏和上海地区。
（3）高端从业者占比（图2c）。回归系数为正值,说明高素质劳动力占比对于房价具有正向作用,反映的是地区服务业层次和人力资源结构。该指标对南京及周边地区的影响最大,对上海及周边地区的影响次之,说明高端服务职能和高素质人才的集聚是引致南京、上海等城市房价高涨的重要影响因素。
（4）高校资源（图2d）。回归系数为正值,说明高等教育资源的数量和质量与房价存在明显正向关联;高等院校的集聚意味着高素质人口迁入潜力,也象征着城市依托行政地位配置大型稀缺公共资源的能力,如“名牌大学”通常集中于直辖和省会级城市。该指标对江苏苏州、无锡、南通的影响最为显著,说明苏州和无锡等苏南经济发达城市,在大型公共优质资源的支配权上难与省会城市相比,造成城市房价相对其经济地位而言远低于南京。
（5）公共服务投入（图2e）。回归系数基本为正,说明人均地方财政支出与房价呈正相关,即地方政府加大基础设施和公共服务投入能够改善整体居住环境,从而拉动房价。该指标对杭州、湖州、常州、镇江、泰州一线影响较大,而对南京、上海及东部沿海地区影响较小,说明财政性基础设施和公共服务投入对于综合发展水平相对低的区县房价影响更大。
（6）房产政策（图2f）。回归系数为正值,说明商品房限购或限贷政策与房价存在正相关性。需要指出的是,地方限购限贷政策是政府出于遏制房价过快上涨的意图,通常出现在房价较高的中心城区,因此不能得出限购限贷政策是导致高房价的判断;此处试图反映的是房地产相关政策（包括住宅用地出让、商品住宅建设、销售、购置和贷款政策等）与城市房价的关联性,即地方政府对房地产市场的干预能力和调控行为对商品房价的影响。该指标对南京及周边地区房价的影响最为明显。
4 讨论
4.1 房价影响因素的复杂性与空间不稳定性
近年来,作为经济发达的一体化发展地区,长三角地区房价在迅速上涨的同时,内部差异也更加显著,特别是城市间房价差距有进一步拉大的趋势。总体上看,长三角房价以上海中心城区为第一梯队,南京和杭州中心城区为第二梯队,苏州、宁波两市及相邻区县为第三梯队,其他地区为第四梯队;沪宁杭与其他城市房价差距较大,且尚无迹象表明长三角城市间房价差异即将进入收敛阶段。经济一体化区域城市房价分异的加剧,表明地区经济发展水平不是唯一,甚至不是最重要的房价分异影响因素。例如从南京和苏州两市比较上看,苏州在地区生产总值、人均GDP、人均可支配收入、人均生活消费支出等重要经济指标上均高于南京,但南京住宅均价却远高于苏州。此外,通过多元逐步回归分析,得出导致长三角区县房价分异的7个最重要影响因素,发现经济资源（“经济实力”“经济密度”和“产业结构”）、人力资源（“高端从业者占比”）、社会资源（“公共服务投入”）和行政资源（“高校资源”和“房产政策”）对城市房价均具有显著影响;而通过地理加权回归模型检验,发现各指标变量对房价的回归系数均具有显著的空间不稳定性,说明特定资源要素对不同类型地区的作用强度存在明显差异,例如经济资源对浙江地区房价的带动作用最强,而人力资源对南京和上海地区影响最明显。这既验证了房价分异影响因素的综合性与复杂性,同时也增加了对区域城市房价差异成因的分析难度。
4.2 基于资源配置能力的城市房价分异解析
长三角房价分异实证研究表明,经济资源、人力资源、社会资源、行政资源等都与房价存在密切关联。可以认为,城市住房市场化背景下,房价表面上是城市土地和住房供需关系的货币化表征,实质上反映的是城市对上述资源的综合配置能力。资源持续导入地区的房价注定上涨,而资源持续导出地区的房价终将落后。市场和政府是决定资源配置的两股基本力量,一般而言,市场在经济资源和人力资源的区域配置中发挥着决定性作用,政府则主导着社会资源和行政资源的分配。因政府拥有较强的资源配置能力,其不仅直接支配着行政资源和社会资源,还能影响区域经济发展和人口流动方向,即是说在各类资源中,行政资源发挥着对经济、人力和社会资源的支配和引导作用,从而深度影响着房价走势（图3）。因此,具有较高行政级别的区域,如直辖市、省会城市和城市中心城区,在集聚发展资源要素,特别是稀缺公共资源方面相比低级别地区更具优势。例如长三角地区的沪宁杭等区域中心城市,在吸引区域内外高端产业、金融资本、技术人才、知名房企、教育医疗、高铁地铁、优惠政策、大型项目和政府投资等要素资源方面,具有显而易见的竞争优势,从而引发区域房价的分异与极化。
显示原图|下载原图ZIP|生成PPT图3城市资源集聚能力与房价的关联
-->Fig. 3Relevance of urban resource agglomeration ability to housing price
-->
4.3 一体化区域资源配置规律与房价分异趋势
从资源配置的效率与公平视角考虑,通常市场配置力量强调效率性而政府配置手段理应更注重公平性。但随着一体化区域内部资源要素流动加快,稀缺资本、技术、人才等高端发展要素向核心城市集聚的态势将更加明显;而政府主导下公共资源配置重点也会倾向于更高行政级别和规模等级的城市;各类资源的同向集聚更引发“中心”城市对“边缘”地区发展资源的“虹吸效应”。其结果是核心城市房价暴涨,商品房却供不应求,而大量中小城市房价增速缓慢,且普遍存在一定房地产库存压力,导致区域内部资源分配与房价差异出现不断强化的“马太效应”。基于上述判断,即便长三角地区一体化发展可能带来区域内人均GDP、家庭收入、基本公共服务等代表居民生活水平指标的趋同,但高端资源要素向核心城市集中的资源集聚效应短期内不会改变,这意味着长三角地区房价分异在未来一段时期内仍难以实现“俱乐部收敛”,沪宁杭等核心城市（区）的房价极化趋势仍将继续。5 结论
本文以长三角135个区县为研究对象,以城市商品房数据开展房价影响因素研究,以商品房单位面积成交均价为因变量,提取16项房价影响因素为自变量,通过逐步回归和地理加权回归进行定量分析,得出以下结论：高校资源、经济密度、房产政策、经济实力、公共服务投入、高端从业者占比和产业结构7项指标对房价分异的影响最显著,而各因素对区域内房价的影响程度均具有显著的空间不稳定性。房价是城市经济、人力、社会和行政等资源丰度的货币化表达,区域房价分异是城市支配资源能力差异的综合反映,其中行政资源在各类资源中占据主导地位。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
| [1] | . This article is the winner of the Innovative Thinking "Thinking Out of the Box" manuscript prize (sponsored by the Homer Hoyt Advanced Studies Institute) presented at the 2001 American Real Estate Society Annual Meeting. This study examines the dynamics of real housing price appreciation in 130 metropolitan areas across the United States. The study finds that real housing price appreciation is strongly influenced by the growth of population and real changes in income, construction costs and interest rates. The study also finds that stock market appreciation imparts a strong current and lagged wealth effect on housing prices. Housing appreciation rates also are found to vary across areas because of location-specific fixed-effects; these fixed effects represent the residuals of housing price appreciation attributable to location. The magnitudes of the fixed-effects in particular cities are positively correlated with restrictive growth management policies and limitations on land availability. |
| [2] | . 本文研究了自1980年代后期中国城镇住房商品化以来城镇居民住房的需求与供给。我们从耐用消费品需求与供给的标准理论出发,在联立方程框架下估计城镇住房的需求与供给方程,得到了需求的收入与价格弹性及供给的价格弹性的估计值。通过对1987～2006年全国城镇总体水平年度数据的分析,我们发现城镇住房价格的快速上涨主要可由需求与供给的作用解释,即人均收入和建筑成本的变化决定了房价的整体趋势。城镇住房需求的(长期)收入弹性约为1,需求的价格弹性在0.5到0.6之间。住房存量总供给的价格弹性约为0.83。 . 本文研究了自1980年代后期中国城镇住房商品化以来城镇居民住房的需求与供给。我们从耐用消费品需求与供给的标准理论出发,在联立方程框架下估计城镇住房的需求与供给方程,得到了需求的收入与价格弹性及供给的价格弹性的估计值。通过对1987～2006年全国城镇总体水平年度数据的分析,我们发现城镇住房价格的快速上涨主要可由需求与供给的作用解释,即人均收入和建筑成本的变化决定了房价的整体趋势。城镇住房需求的(长期)收入弹性约为1,需求的价格弹性在0.5到0.6之间。住房存量总供给的价格弹性约为0.83。 |
| [3] | . No abstract is available for this item. |
| [4] | . . |
| [5] | . As secondary mortgage markets developed and grew over the past two decades, fluctuations in residential investment and in mortgage balances were much smaller than they had been prior to the 1980s. We hypothesize that, by reducing the volatility of the total supply of funds to mortgage markets, larger secondary mortgage markets (SMM) dampened the responses of residential investment to income and to interest rates and thereby contributed importantly to the “Great Moderation” in volatility of the U.S. economy. Our empirical results provide some evidence that the SMM did continually reduce the volatility of residential investment over the past two decades by tempering its sensitivities to income and to interest rates. |
| [6] | . . |
| [7] | . No abstract is available for this item. |
| [8] | . . |
| [9] | . 从供给和需求的角度出发,选择我国35个大中城市1999—2007年的住宅相关数据构建了 其需求和供给模型,得出各变量对住宅价格的影响关系,并运用逐步回归法确定了每个大中城市住宅价格的主要影响因素,进而揭示了35个大中城市商品住宅价格 主要影响因素的空间分布,并据此对35个大中城市进行了分类。 . 从供给和需求的角度出发,选择我国35个大中城市1999—2007年的住宅相关数据构建了 其需求和供给模型,得出各变量对住宅价格的影响关系,并运用逐步回归法确定了每个大中城市住宅价格的主要影响因素,进而揭示了35个大中城市商品住宅价格 主要影响因素的空间分布,并据此对35个大中城市进行了分类。 |
| [10] | . This paper seeks to understand the importance of changes in the fundamental factors of demand and supply, such as the urban hukou population, wage income, urban land supply, and construction costs, in explaining the rising residential housing prices in major Chinese cities between 2002 and 2008. We propose an empirical approach that uses both city-level and residential development project-level data. Results suggest that, for most of the cities in our sample, changes in fundamental factors can account for a major proportion of the actual housing price appreciation. However, in several coastal cities, the actual increase in housing prices deviates largely from what can be predicted from fundamental changes. |
| [11] | . 本文从理论和实证两个层面分析了1997—2007年中国35个大中城市的房价动态特征，并考察了城市因素对房价动态参数的影响。所得主要结论有：中国城市房价具有强序列相关和弱均值回归特征；住房使用成本、地区市场化指数、土地交易价格指数及其变化对序列相关系数有显著影响；真实收入及其变化、建造成本、地区市场化指数对均值回归系数有显著影响；各城市的房价动态参数拟合值几乎全部落入震荡收敛区内，东部城市房价的波动振幅普遍高于中西部城市；1999年后35个大中城市的平均房价波动振幅有逐渐增大的趋势，尤其是2007年的房价波动振幅出现了非正常增长，但波动频率变化幅度不大。 . 本文从理论和实证两个层面分析了1997—2007年中国35个大中城市的房价动态特征，并考察了城市因素对房价动态参数的影响。所得主要结论有：中国城市房价具有强序列相关和弱均值回归特征；住房使用成本、地区市场化指数、土地交易价格指数及其变化对序列相关系数有显著影响；真实收入及其变化、建造成本、地区市场化指数对均值回归系数有显著影响；各城市的房价动态参数拟合值几乎全部落入震荡收敛区内，东部城市房价的波动振幅普遍高于中西部城市；1999年后35个大中城市的平均房价波动振幅有逐渐增大的趋势，尤其是2007年的房价波动振幅出现了非正常增长，但波动频率变化幅度不大。 |
| [12] | . 以2006—2011年全国35个省会城市及计划单列市为研究数据集，通过特征价格法构建反映城市住宅价格的城市特征模型，分别从全国、东部、中部和西部定量研究影响住宅价格的特征因素。从全国看，城市住宅价格受在岗职工平均工资影响最大，货物进出口总额次之，且呈正相关，城市人口和城市房地产关联的经济变量对住宅价格影响并不显著；从分区域看，对3个区域影响都显著的指标是在岗职工平均工资，影响程度从东往西呈阶梯递减，其次是货物进出口总额，东部影响小于中部和西部。总之，居民收入水平越高，城市开放程度越大，住宅价格越高。 . 以2006—2011年全国35个省会城市及计划单列市为研究数据集，通过特征价格法构建反映城市住宅价格的城市特征模型，分别从全国、东部、中部和西部定量研究影响住宅价格的特征因素。从全国看，城市住宅价格受在岗职工平均工资影响最大，货物进出口总额次之，且呈正相关，城市人口和城市房地产关联的经济变量对住宅价格影响并不显著；从分区域看，对3个区域影响都显著的指标是在岗职工平均工资，影响程度从东往西呈阶梯递减，其次是货物进出口总额，东部影响小于中部和西部。总之，居民收入水平越高，城市开放程度越大，住宅价格越高。 |
| [13] | . . |
| [14] | . <p>分别研究2009 年中国286 个地级以上城市住宅均价和房价收入比的空间分异格局、总体趋势、空间异质性和相关性;根据供需理论和城市特征价格理论建立了影响中国城市住宅价格空间分异的初选因素,并根据半对数模型分析主要影响因素。结果表明:① 中国城市住宅价格空间分异显著,呈现出空间集聚性分异(东南沿海三大城市群与内陆城市之间)和行政等级性分异(省会与地级市之间)的双重格局;② 房价收入比较高的城市数量更多,分布范围更广,购房难度较大的城市已超过一半;③ 住宅均价的总体分异趋势和空间异质性都强于房价收入比;④ 城市居民收入与财富水平和城市区位与行政等级特征是住宅价格空间分异的两大核心影响因素。</p> . <p>分别研究2009 年中国286 个地级以上城市住宅均价和房价收入比的空间分异格局、总体趋势、空间异质性和相关性;根据供需理论和城市特征价格理论建立了影响中国城市住宅价格空间分异的初选因素,并根据半对数模型分析主要影响因素。结果表明:① 中国城市住宅价格空间分异显著,呈现出空间集聚性分异(东南沿海三大城市群与内陆城市之间)和行政等级性分异(省会与地级市之间)的双重格局;② 房价收入比较高的城市数量更多,分布范围更广,购房难度较大的城市已超过一半;③ 住宅均价的总体分异趋势和空间异质性都强于房价收入比;④ 城市居民收入与财富水平和城市区位与行政等级特征是住宅价格空间分异的两大核心影响因素。</p> |
| [15] | . 以2014年中国2872个县级单元的住宅平均单价为基本数据,通过空间自相关和核密度函数分析中国住宅价格的差异格局、空间关联特征和分布形态,构建"住宅价格等级金字塔";根据"需求+供给+市场"的三维理论视角建立包括5大住宅价格差异影响因素在内的价格模型,采用地理探测器分析全国及其区域子市场的影响因素强度差异,并探索其影响机制。结果表明:(1)中国区域住宅价格呈现以行政等级性为主、空间集聚性为辅的双重差异格局,其空间关联与集聚性显著;(2)中国住宅价格呈现出房价越高,区域越少,所居住城镇人口越少的"金字塔式"等级分布特征。(3)租房户比例、流动人口规模、住房支付能力、住房市场活跃度、土地成本是中国住宅价格差异的5个核心影响因素,不同行政等级子市场的影响因素作用强度各异。 . 以2014年中国2872个县级单元的住宅平均单价为基本数据,通过空间自相关和核密度函数分析中国住宅价格的差异格局、空间关联特征和分布形态,构建"住宅价格等级金字塔";根据"需求+供给+市场"的三维理论视角建立包括5大住宅价格差异影响因素在内的价格模型,采用地理探测器分析全国及其区域子市场的影响因素强度差异,并探索其影响机制。结果表明:(1)中国区域住宅价格呈现以行政等级性为主、空间集聚性为辅的双重差异格局,其空间关联与集聚性显著;(2)中国住宅价格呈现出房价越高,区域越少,所居住城镇人口越少的"金字塔式"等级分布特征。(3)租房户比例、流动人口规模、住房支付能力、住房市场活跃度、土地成本是中国住宅价格差异的5个核心影响因素,不同行政等级子市场的影响因素作用强度各异。 |
| [16] | . . |
| [17] | . . |
| [18] | |
| [19] | . . |
| [20] | . <p>一体化空间格局,并不是均匀的空间发展,而是经济更为集中、分工日益密切、生活水平从分异到收敛的过程。从密度、距离、功能分工和联系分割维度,构建评价区域一体化的4 类指标,在宏观层面上对长江三角洲一体化的空间格局进行计算和分析。结果表明:随着一体化进程的深化,长江三角洲地区的开发密度不断增强,但核心集聚与区域扩散并存;交通可达性显著提高,区际间商贸流动距离缩短,成本下降;地区专业化水平提升,地区间实现分工与协作。其中,制造业正由原核心向外围转移,而生产性服务业则出现核心城市集聚态势;多层次、多模式的网状区域管治体系正在建立。</p> . <p>一体化空间格局,并不是均匀的空间发展,而是经济更为集中、分工日益密切、生活水平从分异到收敛的过程。从密度、距离、功能分工和联系分割维度,构建评价区域一体化的4 类指标,在宏观层面上对长江三角洲一体化的空间格局进行计算和分析。结果表明:随着一体化进程的深化,长江三角洲地区的开发密度不断增强,但核心集聚与区域扩散并存;交通可达性显著提高,区际间商贸流动距离缩短,成本下降;地区专业化水平提升,地区间实现分工与协作。其中,制造业正由原核心向外围转移,而生产性服务业则出现核心城市集聚态势;多层次、多模式的网状区域管治体系正在建立。</p> |
| [21] | . <p>以长江三角洲地区74 个县级地域单元1989~2011 年城镇居民人均可支配收入、农村居民人均纯收入为资料,采用变异系数和马尔科夫链等方法分析长江三角洲地区收入格局的时空演变特征。结果表明:1989 年以来,城镇收入的整体区域差异水平先升后降,农村收入区域差异则持续降低;城镇收入格局由以上海为中心的核心-边缘结构,转变为从沿海到内陆收入递减的地带式结构,一体化发展以后俱乐部增长趋同现象明显;农村收入格局渐趋均衡,高收入极化现象有所缓解,但低收入俱乐部向上移动困难;农村收入增长依托于城市,但增长速度相对落后,导致城乡差距持续拉大。</p> . <p>以长江三角洲地区74 个县级地域单元1989~2011 年城镇居民人均可支配收入、农村居民人均纯收入为资料,采用变异系数和马尔科夫链等方法分析长江三角洲地区收入格局的时空演变特征。结果表明:1989 年以来,城镇收入的整体区域差异水平先升后降,农村收入区域差异则持续降低;城镇收入格局由以上海为中心的核心-边缘结构,转变为从沿海到内陆收入递减的地带式结构,一体化发展以后俱乐部增长趋同现象明显;农村收入格局渐趋均衡,高收入极化现象有所缓解,但低收入俱乐部向上移动困难;农村收入增长依托于城市,但增长速度相对落后,导致城乡差距持续拉大。</p> |
| [22] | . 以南京市主城区为例,在空间自相关分析和蒙特卡罗检验的基础上,构建城市住宅地价地理加权回归模型,通过2003年、2009年住宅地价空间分异的对比,探讨不同影响因素对住宅地价影响的空间差异性及其随时间变化的特点,揭示住宅地价及其影响因素的空间变化关系,以促进地价的科学化管理。研究表明：①随着影响因素数量不断增加以及合理均衡分布,区域差异性缩小,一般会减弱其对地价的影响。②随着交通条件的不断完善,导致影响因素如CBD、主干道、公交等对地价的影响程度和范围发生变化。③随着时间推移,城市居民逐渐注重生活质量、居住品位的提高,公园绿地对地价的影响程度超过其他公用设施。 . 以南京市主城区为例,在空间自相关分析和蒙特卡罗检验的基础上,构建城市住宅地价地理加权回归模型,通过2003年、2009年住宅地价空间分异的对比,探讨不同影响因素对住宅地价影响的空间差异性及其随时间变化的特点,揭示住宅地价及其影响因素的空间变化关系,以促进地价的科学化管理。研究表明：①随着影响因素数量不断增加以及合理均衡分布,区域差异性缩小,一般会减弱其对地价的影响。②随着交通条件的不断完善,导致影响因素如CBD、主干道、公交等对地价的影响程度和范围发生变化。③随着时间推移,城市居民逐渐注重生活质量、居住品位的提高,公园绿地对地价的影响程度超过其他公用设施。 |
| [23] | . 鉴于已有研究主要集中探讨住房价格的空间依赖性,较少涉及空间异质性对住房特征价格的影响,也很少尝试构建不同计量模型来比较模型间刻画住房价格影响因素空间分异的准确性,以长沙市中心城区为研究区,采用空间扩展模型和地理加权回归模型比较分析城市住房价格影响因素的空间分异,结果表明:1空间扩展模型和地理加权回归模型都表明,长沙市中心城区的住房属性边际价格随着区位的变化而变化,揭示住房价格影响因素具有显著的空间异质性;小区环境、交通条件、教育配套、生活设施等因素对住房价格的影响强度存在明显的空间分异。2地理加权回归模型和空间扩展模型都能对传统特征价格模型进行改进,但地理加权回归模型在解释能力和精度方面都超过空间扩展模型;对属性系数估计空间模式的分析,地理加权回归模型形成的结果比采用坐标多义扩展的空间扩展模型更为复杂和直观。 . 鉴于已有研究主要集中探讨住房价格的空间依赖性,较少涉及空间异质性对住房特征价格的影响,也很少尝试构建不同计量模型来比较模型间刻画住房价格影响因素空间分异的准确性,以长沙市中心城区为研究区,采用空间扩展模型和地理加权回归模型比较分析城市住房价格影响因素的空间分异,结果表明:1空间扩展模型和地理加权回归模型都表明,长沙市中心城区的住房属性边际价格随着区位的变化而变化,揭示住房价格影响因素具有显著的空间异质性;小区环境、交通条件、教育配套、生活设施等因素对住房价格的影响强度存在明显的空间分异。2地理加权回归模型和空间扩展模型都能对传统特征价格模型进行改进,但地理加权回归模型在解释能力和精度方面都超过空间扩展模型;对属性系数估计空间模式的分析,地理加权回归模型形成的结果比采用坐标多义扩展的空间扩展模型更为复杂和直观。 |
