中国城市房价、收入与房价收入比的时空分异格局

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

陈艳如^,¹, 谷跃²^,⁴, 宋伟轩^,²^,³

1. 南京大学建筑与城市规划学院,南京 210093

2. 中国科学院南京地理与湖泊研究所,南京 210008

3. 中国科学院流域地理学重点实验室,南京 210008

4. 中国科学院大学,北京 100049

The spatiotemporal differentiation pattern of Chinese urban housing price, income and housing price-to-income ratio

CHEN Yanru^,¹, GU Yue²^,⁴, SONG Weixuan^,²^,³

1. School of Architecture and Urban Planning, Nanjing University, Nanjing 210093, China

2. Nanjing Institute of Geography and Limnology, CAS, Nanjing 210008, China

3. Key Laboratory of Watershed Geographic Sciences, CAS, Nanjing 210008, China

4. University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 宋伟轩（1981-）,男,吉林敦化人,博士,副研究员,研究方向为城市社会地理。E-mail: wxsong@niglas.ac.cn

收稿日期:2020-08-25接受日期:2020-10-14

基金资助:

国家自然科学基金项目(41871116)
国家自然科学基金项目(41771184)
国家自然科学基金项目(41901196)

Received:2020-08-25Accepted:2020-10-14
作者简介 About authors
陈艳如（1995-）,女,福建厦门人,博士研究生,研究方向为城市社会地理。E-mail: chenyanru18@mails.ucas.ac.cn

摘要
中国城市房价快速增长背景下,城市房价、收入与房价收入比空间格局既有相似性,也表现出差异性,其空间异质性与空间依赖性特征显著。本文以中国337个地级行政单元为研究对象,运用泰尔指数、位序-规模和空间马尔科夫链等方法,对2009—2018年中国城市房价、收入和房价收入比的时空分异格局、整体稳定性和空间依赖性特征进行分析发现：① 中国城市房价增长呈现出波动性特征,整体分异程度增强,房价城市体系呈现“金字塔型”结构,收入则表现出平稳增长态势,整体分异度降低,城市体系呈现“橄榄型”结构,在房价与收入共同影响下,房价收入比整体差异性显著加强;② 城市房价空间格局表现出“地带性”与“等级性”差异并存,而收入更多表现出“地带性”差异,房价收入比则以“等级性”差异为主;③ 城市房价和收入类型的稳定性和空间依赖性较强,高、低水平城市存在两极分化与“俱乐部收敛”现象,房价收入比稳定性相对较弱。对中国城市房价、收入和房价收入比时空分异格局和空间关联效应的分析,可以为探索中国城市房价收入比空间分异模式与机理提供必要研究基础。
关键词： 住宅价格;居民收入;房价收入比;空间分异;城市位序-规模;空间马尔科夫链

Abstract

Amid the fast-growing housing price in Chinese cities, the spatial pattern of urban housing price, income and housing price-to-income ratio shows both similarities and differences, characterized by internal spatial heterogeneity and spatial dependence. This paper targets 337 prefecture-level administrative units and applies the Theil index, rank-size and spatial Markov chain to the analysis of the spatiotemporal differentiation pattern, overall stability and spatial dependence of Chinese urban housing price, income and housing price-to-income ratio from 2009 to 2018. It finds the following results. Firstly, the growth of Chinese urban housing price is phase-based and fluctuated. When the overall differentiation enlarges, the urban system of housing price takes on a structure of “pyramid” and income shows sustained and stable growth. When the overall differentiation shrinks, the urban system presents a structure of “olive”. Under the combined influence of housing price and income, the overall differentiation of housing price-to-income ratio is obviously strengthened. Secondly, housing prices, income and housing price-to-income ratios in Chinese cities are all spatially heterogeneous and agglomerated. The spatial pattern of housing price is different in both zonality and hierarchy, while income is particularly different in zonality and housing price-to-income ratio is particularly different in hierarchy. Due to the coexistence of similarities and differences between housing prices and income patterns in Chinese cities, the housing price-to-income ratio pattern presents a more complex and discrete structure. Thirdly, the stability and spatial dependence of urban housing price and the type of income is stronger, while the stability of housing price-to-income ratio is relatively weak as there are polarization and club convergence in cities at different levels. Housing prices to the north of the "Hu Huanyong Line" shifted downwards, income shifted upwards, and the housing price-to-income ratio declined. In the southern regions, housing prices generally rose rapidly, with income shifts showing stable in the east, downwards in the central region, and upwards in the west, leading to the discrete and broken pattern of housing price-to-income ratios. Moreover, the type shifts of urban housing price, income and housing price-to-income ratio are not spatially independent, but related to the neighboring cities. The analysis of the spatiotemporal differentiation pattern and spatial correlation effect of Chinese urban housing price, income, and housing price-to-income ratio lays a foundation for research on the spatial differentiation pattern and mechanism of Chinese urban housing price-to-income ratio.

Keywords：housing price;resident income;housing price-to-income ratio;spatial differentiation;city rank-size;spatial Markov chain

PDF (6542KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
陈艳如, 谷跃, 宋伟轩. 中国城市房价、收入与房价收入比的时空分异格局[J]. 地理研究, 2021, 40(9): 2442-2458 doi:10.11821/dlyj020200817
CHEN Yanru, GU Yue, SONG Weixuan. The spatiotemporal differentiation pattern of Chinese urban housing price, income and housing price-to-income ratio[J]. Geographical Research, 2021, 40(9): 2442-2458 doi:10.11821/dlyj020200817

1 引言

随着中国社会化住房时代的终结和住房商品化制度的推进^[1,2],城市房地产业伴随着经济的快速增长而蓬勃发展,房价随之迅速攀升,空间差异不断扩大,引起国内外城市****们的高度关注^[3,4,5,6]。实证研究发现,经济发展水平^[7]、居民收入^[8,9]、土地价格^[6]、人口迁移^[10]、投机行为^[11]和公共服务能级^[12]等因素都会对城市房价增长及其空间差异产生显著影响。其中,以居民收入为代表的经济因素与房价的关系最为密切,因为城市经济发展水平很大程度体现在居民收入水平上,居民收入增长带来住房购买力增强和住房投资需求释放,进而拉动房价上涨^[13,14]。然而,城市房价与收入并非同步上涨,特别是2008年全球金融危机爆发以来,中国部分大城市房价增速高于收入增速,这体现在“房价收入比”（housing price-to-income ratio）指标上^[15]。该指标既能够反映房价与收入的相对差距,也能够映射出城市住房可支付性甚至房价合理性程度^[16,17]。

近年来,围绕中国城市房价、收入及其两者比例关系的研究表明,城市房价和收入在空间上普遍表现出东高西低、南高北低的区域差异性和空间集聚性特征^[18,19,20],城市房价整体快速上涨的同时,区域间和城市间房价空间差异也在拉大^[12,21],并带来房价收入比和居民住房负担压力的上升^[22]。具体而言,国内相关研究表现为以下特点：① 多以少量大中城市为研究对象^[23,24],分析城市房价的区域差异与空间关联属性,以及房价与房价收入比升高对劳动力流动、居留意愿和住房负担等方面的影响^{[25,26,27,28]}。由于房价和收入都具有显著的空间差异性、传导性和溢出性等特征^[29,30,31],探析城市房价和收入的空间分异特征,宜采用相对大量、连续空间单元进行观察。② 多依托个别时间断面数据,分析城市房价、收入和房价收入比的空间分异格局和可能影响因素^[19,32,33]。由于城市房价和收入处于不断变化之中,特别是房价,相对于收入增长的普遍性和相对平稳性,房价增长则具有差异性、阶段性和突变性等特征^[34],单一断面数据的分析结果,较难全面、准确反映出城市房价、收入和房价收入比的分异格局和演化特征,需要较长且连续时间尺度的观察。③ 多以独立分析中国城市房价、收入或房价收入比时空分异格局为主^[18,33]。由于全国城市房价和收入格局的相似性和差异性并存^[20,35],中国城市房价收入比格局呈现出更加复杂和离散的结构^[36],而房价收入比数据反映的是一种比例关系,必须结合房价和收入数据,才能洞悉房价收入比时空差异背后的结构性特征,从而更好评价城市住房的可支付性乃至房价合理性问题。

综上,鉴于中国城市房价、收入和房价收入比时空分异格局研究的必要性,本文以中国地级行政区为空间单元,基于连续时间序列的城市房价和收入数据,系统分析比较中国城市房价、收入和房价收入比的空间格局、演化趋势和空间依赖性特征,揭示城市房价收入比空间差异的结构性成因,为下一步探索其分异机理与效应等提供基础性分析。

2 研究区域与方法

2.1 研究区域与数据来源

根据中国现行行政区划体制,本文选取4个直辖市,291个地级市、30个自治州、6个地区、3个盟和3个省直辖行政单位,共337个地级行政单元（以下统称为城市）作为研究区域（图1）,港澳台及西藏那曲地区和阿里地区由于数据缺失,不纳入研究范围。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区域

注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS（2019）1697号）绘制,底图无修改
Fig. 1Study area

采集2009—2018年中国337个城市二手房挂牌均价数据和城镇居民人均可支配收入数据。其中,房价数据来自于中国房价行情平台（ www.creprice.cn）提供的年度二手房挂牌均价,该平台数据来源于对9300家房地产网站、高达5000万人次用户发布和业务授权的房产交易数据的收集,经过智能化、自动化整理,建成覆盖全国34个省级行政区、333个地级及以上城市、2937个区市县的全国房地产数据库,数据具有“全、新、准”等特点2（2 该数据库中部分城市的个别年份存在数据缺失,本文通过搜房网（ www.souhun.com）、 www.house365.com和电话咨询相关房地产中介等方式进行补充,对于部分偏远地区城市早期缺乏的数据,采用普通克里格法进行空间插值处理。）。城镇居民人均可支配收入数据来自各城市统计年鉴和统计公报3（3 少量地级行政单元城镇居民人均可支配收入存在部分缺失,本文采用时间序列趋势法进行回归插补。）。最终构建起2009—2018年中国337个地级行政单元的二手房挂牌均价和城镇居民人均可支配收入数据库。

关于房价收入比的计算,联合国人居署采用的是房价中位数和家庭收入中位数的比值,世界银行采用每套住宅价格均价和城镇家庭平均收入之间的比值^[37],结合中国实际情况和数据可获取性,并为方便进行城市间比较,本文采用简化的房价收入比计算方式,即每平方住宅平均售价（二手房挂牌均价）与每年的城镇居民人均可支配收入之间的比值。

2.2 研究方法

（1）泰尔指数。泰尔指数由Theil于1967年研究国家间收入差距时首先提出,其不仅能够计算研究对象的总体差异,还能将总体差异分解成不同组别间和组别内部的差异,能够更加全面的剖析研究对象的空间差异^[38]。本文运用泰尔指数计算中国地级行政单元房价、收入和房价收入比的空间差异,其计算公式如下：

（1）

T = \frac{1}{n} \overset{n}{\sum_{i = 1}} \frac{x_{i}}{\bar{x}} \log \frac{x_{i}}{\overset{?}{x}}

式中：T为泰尔指数;n为城市数量;

x_{i}

为第i个城市的房价、收入和房价收入比;

\bar{x}

为城市房价、收入和房价收入比的均值。泰尔指数越接近0,表明区域房价、收入和房价收入比差异程度越小,数值越大,表明房价、收入和房价收入比空间差异程度越大。

运用泰尔指数分析中国城市房价、收入和房价收入比的差异化程度,可将整体分异测度分解为不同省域之间的分异测度（

T_{a}

）和省域内部的分异测度（

T_{b}

）,其总体差异是这两者之和,其计算公式如下：

（2）

T = T_{a} + T_{b} = \overset{K}{\sum_{k = 1}} \frac{x_{k}}{y_{k}} \log (\frac{\frac{x_{k}}{y_{k}}}{\frac{n_{k}}{n}}) + \overset{K}{\sum_{k = 1}} \frac{x_{k}}{y_{k}} (\sum^{} \frac{x_{i}}{x_{k}} \log (\frac{\frac{x_{i}}{x_{k}}}{\frac{1}{n_{k}}}))

式中：K为地级行政单元所划分的组别数量（即省份数量,本文K=27）;

g_{k}

（k=1,2,…,K）为每个组中城市的个数;

n_{k}

为第k组别中城市的数量;

x_{k}

为第k组中城市房价、收入和房价收入比之和;

y_{k}

为所有城市房价、收入和房价收入比之和,其他指标与公式（1）相同。

（2）马尔科夫链。马尔可夫链（Markov Chain）是研究在无滞后条件下,时间和状态均为离散的随机转移问题的方法,可将地理现象不同时刻的连续属性值进行数据离散化处理,根据数值大小将其划分为k种等级类型,计算各类型的概率分布及其变化,以确定等级间相互转化的初始转移概率矩阵

M

^[39]。本文遵循各类型城市数量相近原则^[40,41],将城市房价、收入和房价收入比按照五分位点（0.2/0.4/0.6/0.8）划分为：低、中低、中等、中高和高5种城市类型,分别用k=1,2,3,4,5表示。将t年份房价、收入和房价收入比等级的概率分布表示为1×k的状态概率向量P_t,记为P_t=[P_1,_t,P_2,_t,P_3,_t,…,P_k_,_t]表示,而不同年份城市房价、收入和房价收入比等级之间的转移可以用一个k×k的马尔可夫转移概率矩阵

M_{ij}

来抽象表示。

M_{ij}

表示t年份属于类型i的城市在t+1年份转变为类型j的概率值,计算公式为：

（3）

M_{ij} = \frac{n_{ij}}{n_{i}}

式中：

n_{ij}

表示研究时段内,t年份属于类型i的城市在t+1年份转变为类型j的城市数量总和;

n_{i}

是研究时段内,所有年份i类型城市数量总和。

（3）空间马尔科夫链。空间马尔可夫链（Space Markov Chain）是传统马尔可夫链方法与“空间滞后”概念相结合的产物^[42],房价的涨跌在地理空间上并非相互孤立、随机分布的,而是受到周边城市房价的影响,因此本文运用空间马尔可夫链分析邻域空间关系对城市房价、收入和房价收入比变化的影响。

空间马尔可夫链转移概率矩阵以城市i在t年份的空间滞后类型（k个类型）为条件,将传统的马尔可夫链分解为k个k×k条件转移概率矩阵,使得能够分析在不同邻域城市背景条件下,某城市房价、收入或房价收入比类型转移概率提高或降低的可能性。对第k个条件矩阵而言,元素

M_{ij} （ k ）

表示以城市在t年份的空间滞后类型k为条件,该年份属于i类型而在下一年份转移为j类型的空间转移概率。一个城市的空间滞后类型由其属性值的空间滞后值来分类确定,空间滞后值

Lag

是该城市周边地区属性值的空间加权平均,通过城市属性值和空间权重矩阵的乘积来计算。其计算公式为：

（4）

Lag = \sum Y_{i} W_{ij}

式中：

Y_{i}

表示某区域单元的属性值;

W_{ij}

表示空间权重矩阵

W

第i行第j列的元素;即城市与周边城市单元邻近关系的矩阵。本文采用公共边界原则确定的空间权重矩阵,即若空间单元i和j相邻,则

W_{ij}

为1,反之则为0,本文将舟山市处理成与宁波市具有相邻关系。

（4）似然比检验。传统马尔科夫链模型假设每个城市的转移在空间上相互独立,城市类型转移概率的大小与空间滞后类型无关,而空间马尔科夫链假设城市类型转移在空间上并不独立,转移概率需要根据城市的空间滞后类型进行估计。因此,在采用空间马尔科夫链分析邻域背景环境对房价、收入和房价收入比的影响时,还需要进行似然比检验（likelihood ratio）,计算检验统计量Q,验证分析结果是否具有统计学上的意义。公式如下：

（5）

Q = - 2 \log \{\overset{k}{\prod_{l = 1}} \overset{k}{\prod_{i = 1}} \overset{k}{\prod_{j = 1}} [\frac{m_{ij}}{m_{ij} (l)}] n_{ij} (l)\}

式中：k为城市类型划分数量;

m_{ij}

表示t年份属于类型i的城市在t+1年份转变为类型j的概率值;

m_{ij} （ l ）

和

n_{ij} （ l ）

分别是在不同空间滞后类型

（ l ）

条件下的空间转移概率和相应的城市数量,l=1,…,k;检验统计量Q渐进服从自由度为k（k-1）²的χ²分布。

3 房价、收入和房价收入比的时空分异特征

3.1 整体增长与分异程度演变

2008年国际金融危机爆发以后,中国采取一系列“刺激性调控”促进城市房地产市场复苏,全国范围城市房价的快速上涨。2009—2018年,全国城市平均房价由3810元/m²上涨至8281元/m²,涨幅约为117%,表现出阶段性增长特征;同期全国城市居民平均收入由14846元/年上涨至34051元/年,涨幅约为129%,增长更为平稳;主要受到房价波动性上涨的影响,全国城市平均房价收入比也出现波动性,总体上略有下降,由0.247降到0.231,但随着房价快速上涨,2016年以来房价收入比升高趋势明显（图2）。

图2

新窗口打开|下载原图ZIP|生成PPT
图22009—2018年中国城市平均房价、收入与房价收入比变化

注：图中“房价”和“收入”为当年所有城市二手房挂牌均价和城镇居民人均可支配收入的算术平均值,为方便比较,并分别以2009年房价和收入水平为基期进行对比。
Fig. 2Average housing price, income and housing price-to-income ratio growth of cities in China from 2009 to 2018

通过计算2009—2018年中国城市房价、收入和房价收入比泰尔指数发现（表1）：① 从分异强度看,房价泰尔指数变大,说明整体分异程度加剧,而收入泰尔指数变小,意味着整体收入格局更趋均衡化,由此带来整体房价收入比分异程度的增加（泰尔指数由0.0259上升为0.0498）,特别是房价快速上涨阶段,房价收入比分异程度显著增强。② 从分异贡献率看,2009年房价与收入省域间和省域内差异贡献程度均在50%左右,而房价收入比以省域内贡献为主,约占六成;至2018年,房价与收入差异的省域间贡献率有所降低,而房价收入比的省域间贡献率则上升明显,与房价和收入分异的贡献率大体相当。

3.2 位序等级与规模分布特征

房价和收入泰尔指数的省域内贡献率逐步升高（表1）,说明相对而言,房价和收入差异可能存在由省域间地带梯度性差异逐渐向省域内城市等级性差异转变的趋势。通过位序-规模法则,进一步分析房价、收入和房价收入比的城市规模分布和等级结构变化发现（图3）：① 回归曲线的拟合优度（R²）较好（均超过0.91）,符合位序-规模分布规律,其中房价的拟合度最优,收入的拟合优度次之,但高收入和低收入两类城市的拟合度明显不高,由此影响到房价收入比的拟合优度。② 2009—2018年房价回归方程的斜率变大,表明房价的城市等级间差距在拉大,而收入回归方程的斜率减小,印证城市收入整体差异程度有所收敛,由此带来房价收入比城市间分异程度的显著加剧。③ 在此基础上,对房价、收入和房价收入比数值进行离差标准化处理,按照自然断裂法由低到高划分为5个等级,考察各等级城市数量,如图4所示,发现房价城市体系呈现出“金字塔”结构,收入城市体系呈现“橄榄型”结构,房价收入比城市体系则表现为“类金字塔”结构。

图3

新窗口打开|下载原图ZIP|生成PPT
图32009年、2013年、2018年中国城市房价、收入和房价收入比位序-规模分析

Fig. 3The rank-size analysis of Chinese urban housing prices, income and price-to-income ratio in 2009, 2013, and 2018

Tab. 1
表1
表12009—2018年中国城市房价、收入和房价收入比泰尔指数与贡献率变化
Tab. 1Theil indexes and contribution rate of Chinese urban housing prices, income and housing price-to-income ratio from 2009 to 2018

年份	房价整体指数	贡献率（%）		收入整体指数	贡献率（%）		房价收入比整体指数	贡献率（%）
年份	房价整体指数	省域间	省域内	收入整体指数	省域间	省域内	房价收入比整体指数	省域间	省域内
2009	0.0639	50.18	49.82	0.0131	49.88	50.12	0.0259	40.27	59.73
2010	0.0727	52.36	47.64	0.0130	50.30	49.70	0.0311	43.90	56.10
2011	0.0576	51.70	48.30	0.0128	50.77	49.23	0.0235	41.85	58.15
2012	0.0581	51.23	48.77	0.0120	49.04	50.96	0.0245	42.86	57.14
2013	0.0622	48.14	51.86	0.0115	49.60	50.40	0.0267	42.23	57.77
2014	0.0645	44.95	55.05	0.0111	47.85	52.15	0.0280	42.10	57.90
2015	0.0754	44.42	55.58	0.0107	42.26	57.74	0.0327	42.31	57.69
2016	0.0953	44.91	55.09	0.0106	44.53	55.47	0.0430	44.97	55.03
2017	0.1045	48.86	51.14	0.0107	44.92	55.08	0.0506	50.63	49.37
2018	0.0959	48.17	51.83	0.0108	46.75	53.25	0.0498	48.33	51.67

注：针对省级直辖市,计算贡献率时,按照将北京和天津并入河北省、上海并入浙江省、重庆并入四川省的方式处理。

新窗口打开|下载CSV

3.3 空间分异格局与演化特征

从图5中国城市房价、收入和房价收入比的空间分异格局及其演化特征上看,三者皆呈现出明显的空间分异,总体上具有东部沿海地区高于中西部地区、经济发达城市高于周边城市等共性特点。同时,房价、收入和房价收入比的空间格局演进亦表现出一定差异性,具体为：

（1）房价的空间分异兼具“地带差异”与“等级差异”特征,北上广深等一线城市,杭州、南京、福州等经济发达的省会城市,以及三亚、厦门等国际旅游城市房价增长势头强劲,房价领跑全国,西北、西南和东北地区城市房价则相对较低且增长乏力。

（2）收入空间差异更多体现出地带性和集聚性,高值区主要集中在东部沿海的长三角、京津冀、粤港澳和山东半岛等城市群,特别是在长三角地区,形成高收入城市的高度集聚区,全国收入排名前十位城市中长三角独占八席,而黑龙江、吉林、云南、新疆和西藏等省份边境地区城市,以及甘肃、宁夏、陕西与河南等中西部省份的部分城市收入相对较低。

（3）尽管房价和收入均呈现地带性分异,但因房价差异在持续拉大而收入格局则相对均衡,所以房价收入比空间差异总体上表现为等级性,只是空间上更趋破碎和离散,对于高房价的一、二线城市而言,收入增速远追不上房价增速,导致房价收入比居高不下且持续升高,而东北、西北和西南地区在房价增速慢和收入增长相对更快的叠加作用下,房价收入比总体降低。

（4）少量“明星城市”同时具有高房价、高收入和高房价收入比的“三高”特征,且不断拉开与全国其他城市的差距,例如从2018年房价、收入和房价收入比排名前10位城市可以看出（表2,见第2450页）,深圳、上海、广州、杭州和南京等高房价城市的收入也排名靠前,而最高房价城市和最高房价收入比城市表现出高度一致性。

图4

新窗口打开|下载原图ZIP|生成PPT
图42009年和2018年中国不同等级房价、收入和房价收入比城市数量比较

Fig. 4China's housing price, income and housing price-to-income ratio in different levels of cities in 2009 and 2018

Tab. 2
表2
表22018年中国房价、收入和房价收入比排名前10的城市
Tab. 2China's top 10 cities in terms of housing price, income and housing price-to-income ratio in 2018

排名	房价		收入		房价收入比
排名	城市	数值（元/m²）	城市	数值（元/年）	城市	数值
1	北京	64864	上海	66977	北京	1.2868
2	深圳	57664	苏州	63500	三亚	1.2145
3	上海	54259	杭州	61172	深圳	1.0021
4	三亚	44227	宁波	60134	上海	0.8101
5	厦门	43216	广州	59982	厦门	0.7944
6	广州	32852	南京	59308	天津	0.7456
7	杭州	31924	绍兴	59049	福州	0.6213
8	南京	29667	深圳	57544	广州	0.5477
9	福州	27623	嘉兴	57437	杭州	0.5219
10	天津	25612	无锡	56989	南京	0.5002

新窗口打开|下载CSV

4 房价、收入和房价收入比的稳定性与依赖性

4.1 整体稳定性特征

如表3（见第2450页）所示,马尔科夫概率矩阵对角线上元素表示城市类型未发生转移的概率值,反映该城市房价、收入和房价收入比演变的稳定性,而非对角线上元素表示不同城市类型之间发生转移的概率,据此得出2009—2018年房价、收入和房价收入比城市类型演变特征：

Tab. 3
表3
表32009—2018年中国城市房价、收入和房价收入比类型马尔科夫概率矩阵
Tab. 3Markov transition probability matrix for Chinese urban housing price, income and housing price-to-income ratio types from 2009 to 2018

t/t+1	房价					收入					房价收入比
t/t+1	1	2	3	4	5	1	2	3	4	5	1	2	3	4	5
1	0.850	0.138	0.010	0.002	0	0.897	0.096	0.003	0.002	0.002	0.768	0.150	0.031	0.026	0.025
2	0.138	0.721	0.131	0.010	0	0.080	0.797	0.106	0.013	0.003	0.160	0.596	0.175	0.047	0.021
3	0.013	0.138	0.720	0.129	0	0.010	0.098	0.804	0.080	0.008	0.028	0.201	0.579	0.161	0.032
4	0	0.003	0.138	0.793	0.066	0.012	0.008	0.080	0.869	0.032	0.028	0.042	0.179	0.630	0.121
5	0	0	0	0.066	0.934	0.002	0.003	0.005	0.037	0.954	0.017	0.015	0.033	0.134	0.801

注：t/t+1表示相邻年份的转移;1、2、3、4、5分别表示低、中低、中等、中高、高5种城市类型。

新窗口打开|下载CSV

（1）所有对角线上的元素均显著大于非对角线上的元素,说明整体稳定性较好,其中收入的稳定性最强,房价次之,城市收入和房价保持在原有类型的概率分别至少为79.7%和72.0%,房价收入比的稳定性较低,中低和中等房价收入比保持原有类型的比例只有59.6%和57.9%。

（2）房价和收入的五种类型中,最高和最低级别城市的稳定性最强,高房价和高收入城市类型向下转移的概率仅为6.63%和4.64%,低房价和低收入城市类型向上转移的概率仅为14.98%和10.29%,说明房价和收入存在明显两极分化与俱乐部收敛现象,房价收入比情况类似。

（3）房价和收入主要在相邻类型间发生转变,发生跨越式转变的概率较小,特别是房价,高与低房价类型相互转变的概率为0,表明房价的等级性相对稳定,较难实现跨越式上升或下降,房价收入比相邻类型间转移概率相对更高,最高概率达到20.1%。

从图6（见第2450页）类型转移空间分布来看,城市类型转移地理集聚性显著,大致以“胡焕庸线”为界划分为两个区域：“胡焕庸线”以北,房价以不变和向下转移为主,收入则以不变和向上转移为主,使房价收入比更多表现为向下转移,其中以新疆、宁夏、内蒙古和黑龙江等省份城市为典型代表;“胡焕庸线”以南,房价普遍表现为不变和向上转移,收入情况比较复杂,东部沿海城市高收入地位保持稳定,云南、四川、湖北、江西等长江经济带省份城市主要向上转移,广西、陕西、山西、河北、河南等省份城市则以向下转移为主,房价收入比的转移格局相对更加破碎,总体以向上转移为主,特别是东部沿海城市,房价收入比普遍上升较快,意味着收入增长“跑不过”房价上涨,居民购房负担加重。

图5

新窗口打开|下载原图ZIP|生成PPT
图52009年、2013年、2018年中国城市房价、收入和房价收入比空间分布格局

注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 5Spatial distribution pattern of Chinese urban housing prices, income and housing price-to-income ratio in 2009, 2013 and 2018

图6

新窗口打开|下载原图ZIP|生成PPT
图62009—2018年中国房价、收入和房价收入比城市类型转移空间分布

注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 6Spatial distribution of the transition of Chinese urban housing price, income and housing price-to-income ratio types from 2009 to 2018

4.2 空间依赖性特征

房价与收入类似于其他地理事件或现象,在区域中并非独立发展,而是表现出空间异质性和空间依赖性特征^[43]。因此,在马尔科夫链的基础上,引入邻域环境条件,计算空间马尔科夫链转移概率矩阵,以分析空间滞后对城市房价、收入和房价收入比类型演变的影响。

计算结果如表4所示：① 在考虑空间滞后条件下,城市房价、收入和房价收入比的类型转移概率发生明显变化,说明邻域城市背景对城市房价、收入和房价收入比的变动发挥着一定作用,其中房价和收入对于邻域环境较为敏感。② 不同邻域条件对于城市类型转移概率的影响不尽相同,总体上,邻近高房价、高收入或高房价收入比的城市,向上转移的概率增加,向下转移的概率降低,反之亦然,特别是中低房价、中等收入、中等房价收入比等类型表现比较突出,说明城市房价和收入均具有由高到低正向的空间溢出与传导效应。③ 高水平城市在邻域背景下的转移概率未发生明显变化,保持较强的稳定性,说明高水平城市的房价和收入更多受到自身经济发展水平的影响,不易受邻域城市的影响而发生类型改变,高水平房价收入比城市的表现类似。

Tab. 4
表4
表42009—2018年中国城市房价、收入和房价收入比类型空间马尔科夫链转移概率矩阵
Tab. 4Spatial Markov chain transition probability matrix for housing price, income and housing price-to-income ratio types from 2009 to 2018

空间滞后	t/t+1	房价						收入						房价收入比
空间滞后	t/t+1	1	2	3	4	5		1	2	3	4	5		1	2	3	4	5
1	1	0.857	0.127	0.016	0	0		0.909	0.091	0	0	0		0.772	0.183	0.022	0.011	0.011
	2	0.167	0.720	0.106	0.008	0		0.071	0.826	0.090	0.013	0		0.170	0.614	0.177	0.026	0.013
	3	0.035	0.128	0.709	0.128	0		0	0.079	0.820	0.090	0.011		0.074	0.185	0.556	0.176	0.009
	4	0	0	0.103	0.808	0.090		0	0	0.060	0.896	0.045		0.074	0.063	0.190	0.558	0.116
	5	0	0	0	0.127	0.873		0	0	0	0	1		0.075	0.015	0.015	0.179	0.716
2	1	0.805	0.188	0.008	0	0		0.874	0.120	0.006	0	0		0.838	0.113	0.007	0.014	0.028
	2	0.130	0.726	0.144	0	0		0.099		0.769	0.115	0.017		0	0.168		0.528	0.208	0.072	0.024
	3	0.019	0.099	0.753	0.130	0		0.015		0.128	0.790	0.068		0	0.015		0.232	0.623	0.101	0.029
	4	0	0	0.192	0.750	0.058		0.024		0	0.071	0.833		0.071	0.032		0.095	0.200	0.568	0.105
	5	0	0	0	0.083	0.917	0		0	0	0.067	0.933	0.018		0.009	0.027	0.107	0.839
3	1	0.878	0.107	0.008	0.008	0	0.909	0.080	0.011	0	0	0.785	0.154	0.020	0.027	0.013
	2	0.117	0.736	0.129	0.018	0	0.102		0.725	0.153	0.010	0.010	0.183		0.619	0.167	0.024	0.008
	3	0.015	0.168	0.723	0.095	0	0.015		0.055	0.839	0.080	0.010	0.032		0.222	0.548	0.167	0.032
	4	0	0.008	0.160	0.824	0.025	0		0.012	0.088	0.877	0.024	0.039		0.019	0.165	0.631	0.146
	5	0	0	0	0.057	0.943	0		0	0.042	0.063	0.896	0.030		0.020	0.101	0.152	0.697
4	1	0.854	0.146	0	0	0	0.917	0.083	0	0	0	0.682	0.177	0.082	0.035	0.024
	2	0.170	0.693	0.139	0	0	0.072		0.820	0.094	0.014	0	0.127		0.647	0.160	0.047	0.020
	3	0	0.156	0.714	0.130	0	0.007		0.157	0.757	0.071	0.007	0.022		0.224	0.590	0.149	0.015
	4	0	0	0.130	0.845	0.025	0.012		0.012	0.092	0.867	0.017	0.007		0.041	0.169	0.703	0.081
	5	0	0	0	0.088	0.912	0		0.023	0.011	0.091	0.875	0		0.042	0.142	0.168	0.747
5	1	0	0	0	0	0	0.500	0	0	0.250	0.250	0.661	0.089	0.071	0.089	0.089
	2	0.031	0.750	0.156	0.063	0	0		0.921	0.053	0	0.026	0.155		0.517	0.155	0.103	0.069
	3	0	0.141	0.656	0.203	0	0		0.048	0.810	0.119	0.024	0		0.113	0.567	0.237	0.083
	4	0	0.007	0.106	0.731	0.156	0.028		0.009	0.064	0.872	0.028	0.012		0.012	0.179	0.642	0.154
	5	0	0	0	0.014	0.986	0.002		0	0	0.022	0.976	0		0.004	0.009	0.113	0.874

注：t/t+1表示相邻年份的转移;1、2、3、4、5分别表示低、中低、中等、中高、高5种城市类型。

新窗口打开|下载CSV

通过似然比检验,得出邻域背景环境对房价、收入和房价收入比的影响具有统计学意义,证实房价、收入和房价收入比的类型转移在空间上并非独立,而是与邻域城市存在关联。根据图7（见第2453页）可知：① 房价和收入的城市类型转移与邻域类型转移具有较好的一致性,同向转移（自身邻域均向上、自身邻域均不变、自身邻域均向下）的城市比例分别为56.68%和60.53%,而逆向转移（自身向上邻域向下、自身向下邻域向上）的城市比例仅为5.34%和4.45%,房价收入比转移的空间依赖性则相对不强,同向转移和逆向转移概率分别为40.65%和21.07%。② 自身和邻域房价类型均向上转移的城市主要集中在西藏南部地区、滇西南,以及河南、湖北、湖南、江西等中部地区,均向下转移的城市主要分布于东北、宁夏、陕西和贵州等省份,而长三角地区表现较为稳定。③ 收入均向上转移的城市主要集中在西部的新疆、西藏、四川、云南等地区,均向下转移的城市主要集中于河北、山西、山东等省份,长三角地区同样较为稳定。④ 总体上邻域城市房价收入比向上转移时,自身房价收入比向上转移的概率也变大,但存在如甘肃和东北等地区部分城市在邻域向下转移时,其房价收入比向上转移的情况,以及以长三角部分城市为代表,邻域不变而自身向上转移的地区。

图7

新窗口打开|下载原图ZIP|生成PPT
图72009—2018年中国城市房价、收入和房价收入比城市类型转移及邻域城市类型转移空间布局

注：此图基于国家自然资源部标准地图服务系统的标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 7Spatial patterns of transition of city types and neighborhood cities of Chinese urban housing price, income and housing price-to-income ratio from 2009 to2018

5 结论与讨论

本文以2009—2018年中国337个地级行政单元为研究对象,采用泰尔指数和城市位序-规模法探析城市房价、收入和房价收入比增长特征和空间演变差异,在此基础上构建传统马尔科夫和空间马尔科夫概率转移矩阵,通过概率转移矩阵的对比分析城市房价、收入和房价收入比的空间稳定性和空间依赖性特征。基于上述初步分析,结合前人研究发现,得到以下主要结论与启示：

（1）中国城市房价阶段性上涨的同时,城市间分异程度显著增强,城市体系呈现“金字塔型”位序-规模结构,高、低房价城市间差距拉大;城市收入增长更加平稳且整体分异程度缩小,城市位序-规模呈现“橄榄型”结构;在房价与收入共同影响下,城市整体房价收入比在波动中略有下降,但内部分异加剧。根据房价与收入总体相似的增长过程及差异程度判断,城市房价高低与收入水平之间具有密切的相关性,而房价的梯度式增长与收入的泛在式增长模式存在差异,尤其是经济发达地区的核心城市,渐进增长的收入无法跟上房价增速,带来房价收入比的攀升,既表明城市房价收入比的差异主要由房价差异造成,也说明高房价城市的住房可支付性在迅速降低,甚至意味着房地产市场风险的加剧。

（2）中国城市房价、收入和房价收入比在空间上均具有异质性和集聚性特点,房价空间分异格局表现出“地带性”差异与“等级性”差异的结合;收入则更多表现出“地带性”差异,整体上与房价格局相似且更趋均衡;因此房价收入比以城市“等级性”差异为主,其中东部沿海特大城市越来越表现出高房价、高收入和高房价收入比的“三高”特征。究其原因,房价分异主要受城市地理区位供给与需求的动态性变化和城市综合资源配置能力差异造成^[1,44],尽管核心城市房价的波动会带动周边城市房价上涨,但由于核心城市所拥有的优质资源要素不易向低等级城市流动,遂形成日趋强化的区域内部“核心-边缘”房价空间格局;劳动力的流动则相对自由,通常更容易向拥有更多机会和更高收入的邻域城市迁移^[45],于是相邻城市间在收入上的“波纹传导效应”可能更强,形成“扁平化”的城市收入等级结构,造成整体房价收入比下降的同时区域核心城市急剧升高。

（3）马尔可夫概率转移矩阵显示,中国城市房价和收入类型转移具有维持原有状态的较好稳定性,而房价收入比稳定性相对较弱,三者均较少发生跨越式转变,最高和最低级别城市的稳定性最强,存在两极分化与“俱乐部收敛”现象。“胡焕庸线”以北地区房价向下转移,收入向上转移,房价收入比下降;以南地区房价普遍上涨较快,收入转移表现为东部稳定、中部向下、西部向上,导致房价收入比格局的离散与破碎。可以预见,在平衡与充分发展策略下,通过东北振兴、西部开发、中部崛起和对口帮扶等国家层面的区域均衡政策倾斜,城市收入的地带间差距有望进一步弥合;在“房住不炒”的调控基调下,城市房价非理性上涨的局面将得到进一步遏制;然而,由于高附加值产业、高技术人才和优质公共资源等稀缺资源要素不断向一、二线和省会等区域核心城市集聚,同时因住房需求大和用地供给弹性小^[46,47],区域核心城市的房价和房价收入比在未来一段时期内依然将居高不下^[48]。

（4）城市房价、收入和房价收入比的类型转移在空间上并非独立,而是与周围邻近城市存在关联,例如与高水平城市相邻,有助于向上转移,表现出一定的空间依赖性,其中房价和收入的空间依赖性更强,这种空间溢出和传导效应使得相似水平城市在空间上容易形成集聚,特别是长三角地区等高水平城市表现出较强稳定性与空间集聚度。在中国交通基础设施网络不断完善背景下,城市群内部一体化程度也在不断加深^[49],使得具有类似区位和发展特征的城市间房价、收入和房价收入比表现出较强的空间集聚性和依赖性。

基于本文对中国城市房价、收入和房价收入比时空分异格局的初步分析结果,下一步研究应重点关注：城市房价与收入增长的对应、耦合与互馈关系;房价与收入空间分异的驱动机制及其差异;比较房价与收入的空间溢出路径与模式;如何科学识别城市房价和房价收入比俱乐部收敛现象;以及探索如何科学利用房价收入比指标,预测预判预警城市房价风险的理论与技术手段,并提出针对性调控建议。

致谢:

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文研究方法、数据说明、结果分析、结论梳理等方面的修改意见,使本文获益匪浅。

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]

宋伟轩, 马雨竹, 李晓丽, 等. 南京城市住宅小区房价增长模式与效应
地理学报, 2018, 73（10）:1880-1895.

DOI:10.11821/dlxb201810005 [本文引用: 2]

房价增长与空间分异是近年来各界城市****高度关注的理论问题,也是关乎城市居民能否实现住有所居和美好生活的现实问题。以南京3761个住宅小区（或居住组团）为研究对象,以2009-2017年间30个季度住宅交易样本数据为基础,探索了南京各类型住宅小区房价增长模式及差异。研究发现：① 南京城市平均房价以1年半为一个阶段,呈现出“快速增长”与“相对平稳”交替规律,房价的空间异质性增强;② 结合住宅小区价格水平、区位特征和建筑属性,综合识别出南京城区9种典型住宅类型;③ 各类型住宅因中心性、舒适性和稀缺性等空间属性差异使房价增长表现为引领型、跟随型、追涨型和独立型等不同模式;④ 城市资源空间配置不均衡作用下的住房供需矛盾和房价增长预期差异,是导致住宅类型间房价分异的根本原因。城市房价增长与住宅价格分化具有必然性,但过快增长和过度分异可能造成阶层家庭财富差距的扩大与再分化、住房负担过重排挤外来中低收入人口、贫困群体因住房置换难度增大而易被困于城市边缘等社会空间后果。因此,有必要强调住宅的居住属性和推进住房供给侧改革,促进城市住宅供给的公平充分和社会空间的健康可持续发展。

[ Song

Weixuan

, Ma

Yuzhu

, Li

Xiaoli

, et al. Housing price growth in different residences in urban Nanjing: Spatiotemporal pattern and social spatial effect
Acta Geographica Sinica, 2018, 73（10）:1880-1895.]. DOI: 10.11821/dlxb201810005.

[本文引用: 2]

[2]

Li S

. Homeownership and housing consumption change in urban China: Guangzhou under market transition
Urban Geography, 2017, 38（5）:752-770. DOI: 10.1080/02723638.2016.1139877.

URL [本文引用: 1]

[3]

Shih Y

, Li H

, Qin

. Housing price bubbles and inter-provincial spillover: Evidence from China
Habitat International, 2014, 43（2）:142-151. DOI: 10.1016/j.habitatint.2014.02.008.

URL [本文引用: 1]

[4]

, Gyourko

, Deng Y

. Evaluating the risk of Chinese housing markets: What we know and what we need to know
China Economic Review, 2016, 39（1）:91-114. DOI: 10.1016/j.chieco.2016.03.008.

URL [本文引用: 1]

[5]

Wu F

. Commodification and housing market cycles in Chinese cities
International Journal of Housing Policy, 2015, 15（1）:6-26. DOI: 10.1080/14616718.2014.925255.

URL [本文引用: 1]

[6]

Wang

Shaojian

, Wang

Jieyu

, Wang

Yang

. Effect of land prices on the spatial differentiation of housing prices: Evidence from cross-county analyses in China
Journal of Geographical Sciences, 2018, 28（6）:725-740. DOI: 10.1007/s11442-018-1501-1.

[本文引用: 2]

This study analyzes the spatial patterns and driving forces of housing prices in China using a 2,872-county dataset of housing prices in 2014. Multiple theoretical perspectives on housing demand, supply, and market, are combined to establish a housing price model to explore the impact of land prices on housing prices. The relative impacts of land prices on housing prices at different administrative levels are then analyzed using the geographical detector technique. Finally, the influencing mechanism of land prices on housing prices is discussed. The main conclusions are as follows. (1) Housing prices have a pyramid-ranked distribution in China, where higher housing prices are linked to smaller urban populations. (2) Land prices are the primary driver of housing prices, and their impacts on housing prices vary over different administrative levels. To be specific, the effect of land prices is the strongest in the urban districts of provincial capital cities. (3) The internal influence mechanisms for land prices driving housing prices are: topographic factors, urban construction level, the agglomeration degree of high-quality public service resources, and the tertiary industrial development level. The urban land supply plan (supply policies) is the intrinsic driver that determines land prices in cities; through supply and demand, cost, and market mechanisms, land prices then impact housing prices.

[7]

Diana

, Michael

. The responsiveness of house prices to macroeconomic forces: A cross-country comparison
European Journal of Housing Policy, 2001, 1（3）:385-417. DOI: 10.1080/14616710110091561.

URL [本文引用: 1]

[8]

林李月, 朱宇, 柯文前, 等. 流动人口流出地住房投资特征及影响因素: 基于福建省的调查
地理科学, 2020, 40（3）:401-408.

DOI:10.13249/j.cnki.sgs.2020.03.008 [本文引用: 1]

基于福建省2015年调查问卷数据,采用描述统计和二项 logistic回归,探讨流动人口在其流动过程中在流出地住房投资特征及影响因素。研究发现：流动人口流出地住房投资较为普遍,以农村建房为主,城镇购房为辅;流动人口流出地住房投资行为具有明显的时期效应和生命历程特征;个体生命历程是影响流动人口流出地住房投资的直接力量,流出地社区环境是外部驱动力,家庭跨地区生计特征则具有“促进”与“阻碍”双重作用。

[ Lin

Liyue

, Zhu

, Ke

Wenqian

, et al. The characteristics and determinants of the floating population's housing investment in the places of origin: Evidence from a survey in Fujian province
Scientia Geographica Sinica, 2020, 40（3）:401-408.].DOI: 10.13249/j.cnki.sgs.2020.03.008.

[本文引用: 1]

[9]

宋伟轩, 刘春卉. 长三角一体化区域城市商品住宅价格分异机理研究
地理研究, 2018, 37（1）:92-102.

DOI:10.11821/dlyj201801007 [本文引用: 1]

城市住宅价格及其空间差异是21世纪以来引起城市地理****持续关注的热点问题。以长三角135个区县为研究对象,在通过分异度指数测度发现2014-2016年各区县商品房价差异增大的基础上,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。研究发现：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。进而,提出房价是城市经济、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。由此判断,长三角各区县房价在短时期内较难实现“俱乐部收敛”,沪宁杭等核心城市与外围地区的房价差距可能会继续扩大。

[ Song

Weixuan

, Liu

Chunhui

. The price differentiation mechanism of commercial housing in the Yangtze River Delta
Geographical Research, 2018, 37（1）:92-102.]. DOI: 10.11821/dlyj201801007.

[本文引用: 1]

[10]

李庭竹, 刘冉. 流动人口租房压力的空间分异及机理分析
地域研究与开发, 2020, 39（2）: 163-168+180.

[本文引用: 1]

[ Li

Tingzhu

, Liu

Ran

. Spatial distribution and mechanism analysis of rental housing affordability of migrant population
Areal Research and Development, 2020, 39（2）: 163-168+180. ]. DOI: 10.3969/j.issn.1003-2363.2020.02.029.

[本文引用: 1]

[11]

周京奎. 房地产价格波动与投机行为: 对中国14城市的实证研究
当代经济科学, 2005, 27（4）: 119-24+109.

[本文引用: 1]

[ Zhou

Jingkui

. Real estate price fluctuations and speculative behavior: An empirical analysis for fourteen China cities
Modern Economic Science, 2005, 27（4）: 19-24+109.]

[本文引用: 1]

[12]

张少尧, 宋雪茜, 邓伟. 空间功能视角下的公共服务对房价的影响: 以成都市为例
地理科学进展, 2017, 36（8）:995-1005.

DOI:10.18306/dlkxjz.2017.08.008 [本文引用: 2]

房价的快速上涨和城市内部房价的巨大差异引起社会广泛关注,调控房价,防止局部区域房价过热势在必行。本文从城市空间功能的视角出发,以成都市2016年房价为例,基于地理探测器分析公共服务对房价的影响。结果表明：成都平均房价为8480元/m<sup>2</sup>,并从市中心沿交通环线和放射状干线同时向郊区递减,形成圈层加放射格局,总体上呈现西高东低、南高北低的特点。公共服务(主要包括医疗、金融和教育服务)对房价的影响以第三圈层和西南方最为显著,且高于城市层面上整体的影响。公共服务对房价的影响显著受不同区域的空间功能差异的影响,公共服务和空间功能差异会加剧房价的分异格局,并推动局部房价过热。因此,显著地受到在房价调控中,不仅要有传统的金融、经济政策,还要注重空间功能和公共服务的优化。

[ Zhang

Shaoyao

, Song

Xueqian

, Deng

Wei

. Impact of public services on housing prices in different functional spaces: A case study of metropolitan Chengdu
Progress in Geography, 2017, 36（8）:995-1005.]. DOI: 10.18306/dlkxjz.2017.08.008..

[本文引用: 2]

[13]

Holly

, Pesaran M

, Yamagata

. A spatio-temporal model of house prices in the USA
Journal of Econometrics, 2010, 158（1）:160-173. DOI: 10.1016/j.jeconom.2010.03.040.

URL [本文引用: 1]

[14]

王少剑, 王洋, 蔺雪芹, 等. 中国县域住宅价格的空间差异特征与影响机制
地理学报, 2016, 71（8）:1329-1342.

DOI:10.11821/dlxb201608004 [本文引用: 1]

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。

[ Wang

Shaojian

, Wang

Yang

, Lin

Xueqin

, et al. Spatial differentiation patterns and influencing mechanism of housing prices in China: Based on data of 2872 counties
Acta Geography Sinica, 2016, 71（8）:1329-1342.]. DOI: 10.11821/dlxb201608004.

[本文引用: 1]

[15]

潘竟虎, 杨亮洁. 中国地级及以上城市房价收入比的时空分异
干旱区地理, 2017, 40（6）:1274-1281.

[本文引用: 1]

[ Pan

Jinghu

, Yang

Liangjie

. Spatial-temporal differentiation of housing price-to-income ratio at prefecture level cities in China
Arid Land Geography, 2017, 40（6）:1274-1281.]. DOI: 10.13826/j.cnki.cn65-1103/x.2017.06.018.

[本文引用: 1]

[16]

韦汝虹, 金李, 方达. 基于GIS的中国城市房地产泡沫的空间传染性分析: 以2006-2014年35个大中城市为例
长江流域资源与环境, 2018, 27（9）:1967-1976.

[本文引用: 1]

[ Wei

Ruhong

, Jin

, Fang

. Study on the spatial infection of real estate market bubble based on GIS in China: Case study of 35 metropolises in 2006 and 2014
Resources and Environment in the Yangtze Basin, 2018, 27（9）:1967-1976.]. DOI: 10. 11870 /cjlyzyyhj201809008.

[本文引用: 1]

[17]

杨晃, 杨朝军. 基于房价收入比的中国城市住宅不动产泡沫测度研究
软科学, 2015, 29（4）:119-123.

[本文引用: 1]

[ Yang

Huang

, Yang

Chaojun

. An empirical study on Chinese residential real estate bubble based on the housing price-to-income ratio
Soft Science, 2015, 29（4）:119-123.]. DOI: 10.13956/j.ss.1001-8409.2015.04.26.

[本文引用: 1]

[18]

王洋, 王德利, 刘丽华, 等. 中国城市住宅价格的空间分化及其土地市场影响
中国土地科学, 2015, 29（6）:33-40.

[本文引用: 2]

[ Wang

Yang

, Wang

Deli

, Liu

Lihua

, et al. Spatial differentiation of urban housing price and its impacts on land market in China
China Land Sciences, 2015, 29（6）:33-40.]. DOI: 10.13708/j.cnki.cn11-2640.2015.06.005.

[本文引用: 2]

[19]

黄杏子. 我国居民收入分配格局现状及其演变趋势分析
改革与战略, 2019, 35（10）:66-75.

[本文引用: 2]

[ Huang

Xingzi

. Analysis on the current situation and evolution trend of Chinese residents' income distribution
Reformation & Strategy, 2019, 35（10）:66-75.]. DOI: 10.16331/j.cnki.issn1002-736x.2019.10.009.

[本文引用: 2]

[20]

黄禹铭. 中国城市住房价格增长的空间差异及其影响机制
经济地理, 2019, 39（12）:88-95.

[本文引用: 2]

[ Huang

Yuming

. Spatial differentiation of housing price growth in China and its impact mechanism
Economic Geography, 2019, 39（12）:88-95.]. DOI: 10.15957/j.cnki.jjdl.2019.12.010.

[本文引用: 2]

[21]

王芳, 高晓路, 颜秉秋. 基于住宅价格的北京城市空间结构研究
地理科学进展, 2014, 33（10）:1322-1331.

DOI:10.11820/dlkxjz.2014.10.004 [本文引用: 1]

城市空间结构是城市地理研究的核心重点之一。近年来,城市住宅价格快速增长,一方面导致城市空间结构出现了一些新的特征和问题,另一方面住宅价格也可敏锐地反映出城市空间结构的演变。因此,本文从住宅价格的角度对北京市城市空间结构进行了探讨。利用北京市2005年和2012年二手房市场住宅的空间数据,通过GIS空间分析、空间自相关分析和Hedonic回归分析等方法,对住宅价格时空格局及影响因素进行了分析,并在此基础上从住宅价格的角度探讨了城市空间结构的优化调整问题。北京市住宅价格存在蔓延式增长、空间差异明显及空间自相关性高等特点,其主要的影响因素包括区位条件、交通便利度、周围环境、基础设施、物业等级等。基于住宅价格得出北京市空间结构的主要特征为：①已形成了多中心的城市空间结构格局。除市中心外,还有亚奥地区、万柳—香山地区、中关村地区、复兴门地区、CBD等次中心,空间扩张仍呈现“摊大饼”的发展模式;②社会空间分异现象有所缓解,但仍存在明显的居住隔离。金融街、月坛等街道是房价高值集聚区,易形成“富人区”,而南六环尤其是房山则易形成“穷人区”;③交通条件和周围硬件环境等基础设施对城市空间结构有一定的调整作用,但调整的效果并不理想。

[ Wang

Fang

, Gao

Xiaolu

, Yan

Bingqiu

. Research on urban spatial structure in Beijing based on housing prices
Progress in Geography, 2014, 33（10）:1322-1331.]. DOI: 10.11820/dlkxjz.2014.10.004.

[本文引用: 1]

[22]

刘海猛, 石培基, 潘竟虎, 等. 中国城镇房价收入比时空演变的多尺度分析
地理科学, 2015, 35（10）:1280-1287.

DOI:10.13249/j.cnki.sgs.2015.010.1280 [本文引用: 1]

从全国、省级、市级多个尺度,运用空间自相关和变异系数等方法对中国1999~2012年城镇房价收入比的时空演变特征和分异规律进行了系统分析。结果表明：① 中国城镇房价收入比的时空格局演变特征表现出明显的空间尺度效应,国家尺度呈波动上升趋势,省级尺度先上升后分异,大中城市不断升高,且在2007~2011年省、市级尺度下存在较显著的空间自相关,表明近年来中国房地产市场的空间邻近联动性明显增强;② 房价收入弹性分析表明2003~2012年全国大约70%的大中城市居民的收入涨幅赶不上房价涨幅,部分城市泡沫存在的可能性较大,居民住房支付能力不断下降;③ 全国和东部地区省份间的空间差异2003年之前为缩小趋势,之后逐渐增大,中西部省份间差异较小且基本处于缩小态势,市级房价收入比的差异要明显高于省级尺度的差异且呈上升趋势,空间差异的变化存在尺度效应和分区效应。

[ Liu

Haimeng

, Shi

Peiji

, Pan

Jinghu

, et al. Spatio-temporal evolution on housing price to income ratio of China by multiscale analysis
Scientia Geographica Sinica, 2015, 35（10）:1280-1287.]. DOI: 10.13249/j.cnki.sgs.2015.10.009.

[本文引用: 1]

[23]

王洋, 方创琳, 盛长元. 扬州市住宅价格的空间分异与模式演变
地理学报, 2013, 68（8）:1082-1096.

[本文引用: 1]

以2001-2012 年扬州中心城区各居住小区的住宅平均单价为基本数据,通过建立住宅价格总体分异测度指数(GDI) 计算其总体分异趋势及各住宅类型内部的分异趋势;采用核密度函数等方法探索住宅价格的分布形态和分异格局的演变规律;利用趋势面分析不同住宅类型价格的空间分异趋势;基于上述结果总结空间分异的演变模式,并分别探索空间分异与格局演变的驱动力。结果表明：① 2001 年以来扬州市住宅价格差距显著增大,分异趋势在波动中增强,与城市住宅均价的年增长率耦合;住宅价格呈现西高东低的空间分异格局,同档次价格小区由空间集聚转为相对分散,高、低价格住宅区分别沿固定扇面由中心向外围扩散。②不同住宅类型内的价格分异走势差别显著,各类型住宅间的价格趋势面差距明显,但其空间形态类似。③ 空间分异模式由2001 年西高东低的扇形同档次价格集聚式分异转变为2012 年扇形与圈层相结合的多档次价格混合式分异。④ 2001 年以来住宅价格总体分异的核心驱动力是城市居住空间的迅速扩展、居民收入差距的增大、房地产市场的繁荣和住宅类型的多元化,其住宅价格空间格局演变的驱动力为城市发展方向的确立与变化、特定住宅类型建设的区位指向和古城保护、旧城改造与新区建设。

[ Wang

Yang

, Fang

Chuanglin

, Sheng

Changyuan

. Spatial differentiation and model evolution of housing prices in Yangzhou
Acta Geographica Sinica, 2013, 68（8）:1082-1096.]

[本文引用: 1]

[24]

范超, 王雪琪. 我国35个大中城市房价: 持久收入比研究
统计研究, 2016, 33（8）:95-100.

[本文引用: 1]

[ Fan

Chao

, Wang

Xueqi

. Research on the housing price to permanent income ratio of 35 middle and large cities in China
Statistical Research, 2016, 33（8）:95-100.]. DOI: 10.19343/j.cnki.11-1302/c.2016.08.012.

[本文引用: 1]

[25]

张莉, 何晶, 马润泓. 房价如何影响劳动力流动
经济研究, 2017, 52（8）:155-170.

[本文引用: 1]

[ Zhang

, He

Jing

, Ma

Runhong

. How housing price affects labor migration?
Economic Research Journal, 2017, 52（8）:155-170.]

[本文引用: 1]

[26]

胡颖之, 袁宇菲. 中国住宅销售价格对居民消费的影响
经济学, 2017, 16（3）:1031-1050.

[本文引用: 1]

[ Hu

Yingzhi

, Yuan

Yufei

. The effect of house prices on consumption in China
China Economic Quarterly, 2017, 16（3）:1031-1050.].DOI: 10.13821/j.cnki.ceq.2017.02.09.

[本文引用: 1]

[27]

张传勇, 张永岳, 武霁. 房价波动存在收入分配效应吗: 一个家庭资产结构的视角
金融研究, 2014, （12）:86-101.

[本文引用: 1]

[ Zhang

Chuanyong

, Zhang

Yongyue

, Wu

. Does housing price fluctuation impact the household income distributions: A perspective from the families' asset structure
Journal of Financial Research, 2014, （12）:86-101.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/1002-7246%EF%BC%882014%EF%BC%8912-0086-16.

[本文引用: 1]

[28]

李辉, 王良健. 房价、房价收入比与流动人口长期居留意愿: 来自流动人口的微观证据
经济地理, 2019, 39（6）:86-96.

[本文引用: 1]

[ Li

Hui

, Wang

Liangjian

. Housing price, price-income ratio and long-term residence intention of the floating population evidence from the floating population in China
Economic Geography, 2019, 39（6）:86-96. ]. DOI: 10.15957/j.cnki.jjdl.2019.06.010.

[本文引用: 1]

[29]

黄燕芬, 张志开, 唐将伟. 京津冀城市群住房价格波动溢出效应: 基于单中心理论视角下的分析
价格理论与实践, 2018,（11）:30-33.

[本文引用: 1]

[ Huang

Yanfen

, Zhang

Zhikai

, Tang

Jiangwei

. Spillover effect of housing price fluctuation in Beijing-Tianjin-Hebei urban agglomeration: Analysis from the perspective of single center theory
Price Theory & Practice, 2018,（11）:30-33.]. DOI: 10.19851/j.cnki.cn11-1010/f.2018.11.008.

[本文引用: 1]

[30]

龚健, 栾君, 王文婷, 等. 长三角城市群住宅价格的空间传导路径
经济地理, 2017, 37（7）:90-98.

[本文引用: 1]

[ Gong

Jian

, Luan

Jun

, Wang

Wenting

, et al. The spatial conduction paths of housing prices of urban agglomeration in Yangtze River delta
Economic Geography, 2017, 37（7）:90-98.]. DOI: 10.15957/j.cnki.jjdl.2017.07.012.

[本文引用: 1]

[31]

曾祥渭, 刘志东, 刘雯宇. 我国城市群商品住宅价格传导与波动性外溢研究
管理评论, 2015, 27（9）:3-13.

[本文引用: 1]

[ Zeng

Xiangwei

, Liu

Zhidong

, Liu

Wenyu

. Study on transmission and volatility spillover of housing prices in China's urban agglomerations
Management Review, 2015, 27（9）:3-13.]. DOI: 10.14120/j.cnki.cn11-5057/f.2015.09.001.

[本文引用: 1]

[32]

王洋, 王德利, 王少剑. 中国城市住宅价格的空间分异格局及影响因素
地理科学, 2013, 33（10）:1157-1165.

DOI:10.13249/j.cnki.sgs.2013.010.1157 [本文引用: 1]

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。

[ Wang

Yang

, Wang

Deli

, Wang

Shaojian

. Spatial differentiation patterns and impact factors of housing prices of China′s cities
Scientia Geographica Sinica, 2013, 33（10）:1157-1165.]. DOI: 10.13249/j.cnki.sgs.2013.10.001.

[本文引用: 1]

[33]

付占辉, 梅林, 刘艳军, 等. 东北三省城乡收入差距空间格局及其分异机制研究
地理科学, 2019, 39（9）:1473-1483.

DOI:10.13249/j.cnki.sgs.2019.09.013 [本文引用: 2]

借助多元逐步线性回归、GWR等模型方法,探讨1990年以来东北三省城乡收入差距空间格局、类型特征及其分异机制,最后提出城乡统筹可持续发展建议。结果表明： 1990年以来,东北三省城乡居民收入水平大幅提高,但大部分地区城镇居民可支配收入水平仍低于全国平均水平;城乡收入差距整体有所拉大,呈现出“中间高、两端低”的空间特征。城乡收入差距空间分布格局受经济发展水平、工业拉动效应、服务业带动力和交通通达程度影响,其中经济发展水平对城乡收入差距由早期的正向拉大作用为主,逐步演变为负向抑制效应。据此提出对策建议：深化改革开放,加快国有企业改革步伐,优化区域产业结构,提高服务业发展水平和比重,激发市场活力,破解制约区域经济发展的各种障碍;加快实施乡村振兴战略,促进乡村资源开发,开辟致富增收新路径。

[ Fu

Zhanhui

, Mei

Lin

, Liu

Yanjun

, et al. Spatial pattern of urban-rural income disparity and its differentiation mechanism in three provinces of northeast China
Scientia Geographica Sinica, 2019, 39（9）:1473-1483.]. DOI: 10.13249/j.cnki.sgs.2019.09.013..

[本文引用: 2]

[34]

宋伟轩, 陈艳如, 孙洁, 等. 长三角一体化区域城市房价空间分异的模式与效应研究
地理学报, 2020, 75（10）:2109-2125.

DOI:10.11821/dlxb202010006 [本文引用: 1]

城市住房制度市场化改革以来,中国城市房价整体快速上涨,区域房价分异加剧。区域内部房价空间分异是城市发展差距的综合反映,即城市资源要素综合配置能力差异的物化表达。基于中国房价行情平台提供的2008—2018年地级城市和区县尺度城市房价数据,分析长三角一体化区域房价增长与分异过程,发现区域整体房价呈现快速上涨、相对平稳和再度快速上涨3个阶段,区域房价差异随房价上涨而扩大,上海、杭州和南京等城市房价增长更快,浙江、苏南地区与安徽、苏北地区的房价差距拉大。根据房价增长、城市等级与区位特征,将长三角327个区县划分为核心城市城区、中心城市城区、发达城市城区、其他城市城区、核心圈层县市和外围地区县市6种类型,提出一体化区域城市房价表现为整体上涨相对更快、不同类型区县间差异拉大、同类区县间存在“俱乐部收敛”等增长与分异模式。区域城市房价快速上涨与过度分异,驱使高端产业、人口等资源要素向少数“超级明星城市”集聚,加剧区域不平衡,不利于长三角地区实现更高质量一体化发展。

[ Song

Weixuan

, Chen

Yanru

, Sun

Jie

, et al. Spatial differentiation of urban housing prices in integrated region of Yangtze River Delta
Acta Geographica Sinica, 2020, 75（10）:2109-2125.]. DOI: 10.11821/dlxb202010006.

[本文引用: 1]

[35]

方晓萍, 丁四保. 中国城市住房价格的地理扩散及其区域外部性问题
地理科学, 2012, 32（2）:143-148.

DOI:10.13249/j.cnki.sgs.2012.02.143 [本文引用: 1]

通过对1998~2009年年间、国家发改委所监测的国内35个大中城市房屋销售价格指数面板数据,进行单位根和Granger因果检验,表明中国城市居民的住房价格在经济地位最重要的城市之间存在波动的传递。表现出：一,在传递的水平方向上具有地理方向性;二,在传递的垂直方向上具有“4-4-9-9-9”的层级结构性。研究认为中国城市房价的波动是一个地理扩散过程,并且具有邻里扩散与等级扩散相并存的特征。这与国外相关文献的研究成果基本一致。房价的地理扩散属于“发展的地理扩散”,具有区域外部性的性质,可以从一个侧面揭示区域外部性传递的过程和形成的格局。

[ Fang

Xiaoping

, Ding

Sibao

. Geographical spread of urban house price in China and its regional externality
Scientia Geographica Sinica, 2012, 32（2）:143-148.]. DOI: 10.13249/j.cnki.sgs.2012.02.002.

[本文引用: 1]

[36]

杨建云. 房价收入比分布规律及分析:基于河南省与全国数据对比
地域研究与开发, 2016, 35（4）:63-67.

[本文引用: 1]

[ Yang

Jianyun

. Analysis of spatial distribution law of housing price to income: Based on comparison from Henan province and China
Areal Research and Development, 2016, 35（4）:63-37.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/1003-2363%EF%BC%882016%EF%BC%89%2004-0063-05.

[本文引用: 1]

[37]

Burhaida

, Teo Z

, Kamalahasan

. A multiple regression model to define housing affordability framework: Case study of Batu Pahat, Malaysia
Advanced Science Letters, 2018, 24（6）:4666-4673. DOI: 10.1166/asl.2018.11678.

URL [本文引用: 1]

[38]

李雪铭, 朱健亮, 王勇. 居住小区容积率空间差异: 以大连市为例
地理科学进展, 2015, 34（6）:687-695.

DOI:10.18306/dlkxjz.2015.06.004 [本文引用: 1]

以土地利用中居住小区及房屋调查数据为基础、居住小区为基本研究单元,通过GIS技术和泰尔指数模型,对大连市居住小区容积率空间差异进行实证研究。先应用GIS技术对居住小区容积率进行计算,其次将居住小区容积率划分为7个等级并对居住小区进行容积率分级,应用GIS软件生成空间分布图和等值线图,然后应用泰尔指数计算居住小区容积率空间差异测度指数,最后分析其形成原因。结果表明：①大连市居住小区容积率呈不同等级整体破碎、相同等级小范围集聚、邻近等级穿插结合的空间分布特征。②大连市居住小区容积率整体分异测度指数不高,极低和极高容积率等级的居住小区差异测度最大;全市四大区域中,中山区差异测度最大,甘井子区差异测度最小,四大区域的内部差异测度远远大于各区域之间的差异测度,是大连市居住小区容积率空间差异的显著特点。③居住小区容积率空间差异的主要原因是城市不同区位和房屋属性所形成的住宅类型指向、城市空间地貌对居住小区建设的制约、城市居住用地规划标准的宏观导向、城市地价对容积率的作用。

[ Li

Xueming

, Zhu

Jianliang

, Wang

Yong

. Spatial differences of residential quarter floor area ratio: A case study of Dalian
Progress in Geography, 2015, 34（6）:687-695.]. DOI: 10.18306/dlkxjz.2015.06.004.

[本文引用: 1]

[39]

陈培阳, 朱喜钢. 中国区域经济趋同: 基于县级尺度的空间马尔可夫链分析
地理科学, 2013, 33（11）:1302-1308.

DOI:10.13249/j.cnki.sgs.2013.011.1302 [本文引用: 1]

采用传统马尔可夫链和空间马尔可夫链统计方法从县级尺度对1998~2009年中国区域经济增长趋同进行判定和时空格局分析。根据全国人均GDP的平均值将2 345个县市按经济发展水平分为5种类型,计算其马尔可夫链矩阵和空间马尔可夫链矩阵,并进行类型转变及其与邻域类型转变关系的空间格局演化分析。研究结果表明：① 自1998年以来,中国区域经济增长存在明显的俱乐部趋同,并出现空间极化现象;其中高、低水平趋同俱乐部稳定性最强;② 趋同俱乐部稳定性强弱具有地带分异特征,表现为东部最为稳定,中部最不稳定;③ 趋同俱乐部转变受邻域环境影响显著,一个地区若以较高水平的发展县市为邻,则其增长的可能性会大大增加,反之则概率减小;④ 城市群地区趋同俱乐部稳定,周边地区类型转变明显。

[ Chen

Peiyang

, Zhu

Xigang

. Regional convergence at county level in China
Scientia Geographica Sinica, 2013, 33（11）:1302-1308.]. DOI: 10.13249/j.cnki.sgs.2013.11.003.

[本文引用: 1]

[40]

侯孟阳, 姚顺波. 1978-2016年中国农业生态效率时空演变及趋势预测
地理学报, 2018, 73（11）:2168-2183.

DOI:10.11821/dlxb201811009 [本文引用: 1]

基于1978-2016年中国各省市面板数据,采用超效率SBM模型测算省际农业生态效率,在时间序列分析和空间相关性分析的基础上,构建传统和空间马尔可夫概率转移矩阵,探讨中国农业生态效率的时空动态演变特征,并预测其长期演变的趋势。研究发现：① 中国农业生态效率呈现出在波动中稳定上升的“双峰”分布特征,且波峰高度的差距在缩小,但整体仍处于较低水平,农业生态效率仍存在较大提升空间,东部地区农业生态效率提升较中西部地区更加显著;② 中国农业生态效率整体上向高水平方向转移的趋势显著,但农业生态效率的演变具有维持原有状态的稳定性,且较难实现跨越式转移。地理空间格局在农业生态效率时空演变过程中发挥着重要作用,空间集聚特性显著,农业生态效率较高的省市具有正向的溢出效应,而农业生态效率较低的省市具有负的溢出效应,从而在空间格局上逐渐形成“高高集聚、低低集聚、高辐射低、低抑制高”的“俱乐部收敛”现象;③ 从长期演变的趋势预测来看,多数省市农业生态效率逐渐向上转移为较高水平,并逐渐演变为由低到高渐次递增的格局,在农业生态效率较低的地理背景下,其长期演变的稳定状态表现为偏“单峰”分布,而在农业生态效率较高的地理背景下,其长期演变为较高水平集聚的偏“双峰”分布。最后,分析当前研究需要改进的方向,并提出控制农业污染排放量、地区间农业生态政策联动、加强地区间农业生态合作交流与借鉴等能够有效提升中国农业生态效率及缩小省市间差距。

[ Hou

Mengyang

, Yao

Shunbo

. Spatial-temporal evolution and trend prediction of agricultural eco-efficiency in China: 1978-2016
Acta Geographica Sinica, 2018, 73（11）:2168-2183.]. DOI: 10.11821/dlxb201811009.

[本文引用: 1]

[41]

王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素
地理学报, 2019, 74（6）:1131-1148.

DOI:10.11821/dlxb201906005 [本文引用: 1]

采用核密度估计、空间自相关、空间马尔科夫链和面板分位数回归等方法对1992-2013年全国283个城市碳排放强度的空间溢出效应和驱动因素进行了分析。① 核密度估计结果表明,中国城市碳排放强度总体均值下降,差异在逐步缩小。② 空间自相关Moran's I指数表明城市碳排放强度存在显著的空间集聚性且空间集聚性在逐渐增强,但空间集聚水平的变化逐年缩小。③ 空间马尔科夫链分析结果表明：第一,中国城市碳排放强度存在马太效应,低强度与高强度的城市在相邻年份转移过程中呈现维持初始状态的特征。第二,城市碳排放“空间溢出”效应明显,且不同区域背景下溢出效应存在异质性,即若与碳排放强度低的城市为邻,该城市的碳强度能够增加向上转移的概率,反之亦然。④ 面板分位数结果显示：在碳排放强度低的城市,经济增长、技术进步、适当的人口密度起到减排作用;外商投资强度与交通排放是使碳强度增大的主要因素。在碳排放强度高的城市,人口密度是重要的减排因素,技术进步暂时没起减排作用;工业排放、粗放式的资本投资以及城市土地蔓延则是碳强度上升的主要因素。

[ Wang

Shaojian

, Huang

Yongyuan

. Spatial spillover effect and driving forces of carbon emission intensity at city level in China
Acta Geographica Sinica, 2019, 74（6）:1131-1148.]. DOI: 10.11821/dlxb201906005.

[本文引用: 1]

[42]

薛亮, 任志远. 基于空间马尔科夫链的关中地区生态安全时空演变分析
生态环境学报, 2011, 20（1）:114-118.

[本文引用: 1]

[ Xue

Liang

, Ren

Zhiyuan

. The spatial-temporal dynamics of Guanzhong eco-security based on spatial Malcov Chains
Ecology and Environmental Sciences, 2011, 20（1）:114-118.]. DOI: http://www.dlyj.ac.cn/article/2021/1000-0585/1674-5906%EF%BC%882011%EF%BC%8901-0114-05.

[本文引用: 1]

[43]

Yang

Wentao

, Deng

Min

, Tang

Jianbo

, et al. On the use of Markov chain models for drought class transition analysis while considering spatial effects
Natural Hazards, 2020, 103:2945-2959. DOI: 10.1007/s11069-020-04113-6.

URL [本文引用: 1]

[44]

孙倩, 汤放华. 基于空间扩展模型和地理加权回归模型的城市住房价格空间分异比较
地理研究, 2015, 34（7）:1343-1351.

DOI:10.11821/dlyj201507013 [本文引用: 1]

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。

[ Sun

Qian

, Tang

Fanghua

. The comparison of city housing price spatial variances based on spatial expansion and geographical weighted regression models
Geographical Research, 2015, 34（7）:1343-1351.]. DOI: 10.11821/dlyj201507

[本文引用: 1]

[45]

Wang

Yanfang

, Chen

Shumei

. The impacts of import penetration on regional income inequality in China: A global value chain perspective
Developing Economies, 2019, 57（3）:233-256. DOI: 10.1111/deve.12211.

[本文引用: 1]

Increasing and persistent regional income inequality contrasts strikingly with the world economy's outstanding performance, especially in China. Constructing direct import penetration and indirect intermediate import exposure indexes within a global value chain framework and evaluating regional disparities with nighttime light data, this analysis uncovers the effect of both direct and indirect import penetration on the regional income gap in China, and delves into potential mechanisms from economic development, industrial structure, and factor mobility. Our findings suggest that the positive effect of indirect import exposure of intermediate inputs lies in minimizing regional income disparities, while the effect of direct import exposure remains obscure. In addition, growing disparities in trade openness and fixed capital investment exacerbate regional inequality, in contrast to the positive role that government intervention plays in narrowing the income gap. These results are expected to hold for other countries at similar stages of development.

[46]

Ernest

Uwayezu

Walter T.

de Vries

. Access to affordable houses for the low-income urban dwellers in Kigali: Analysis based on sale prices
Land, 2020, 9（3）:85-117. DOI: 10.3390/land9030085.

URL [本文引用: 1]

[47]

张谦, 王成璋, 王章名. 中国城市住房价格的空间效应与滞后效应研究
统计研究, 2016, 33（7）:38-45.

[本文引用: 1]

[ Zhang

Qian

, Wang

Chengzhang

, Wang

Zhangming

. The spatial effect and lag effect of urban house price in China
Statistical Research, 2016, 33（7）:38-45.]. DOI: 10.19343/j.cnki.11-1302/c.2016.07.005.

[本文引用: 1]

[48]

陈艳如, 宋伟轩, 尹上岗, 等. 长三角一体化区域城市房价收入比时空分异格局研究
经济地理, 2020, 40（12）:32-39.

[本文引用: 1]

[ Chen

Yanru

, Song

Weixuan

, Yin

Shanggang

, et al. Spatial-temporal differentiation of housing price-to-income ratio in the integration region of Yangtze River Delta
Economic Geography, 2020, 40（12）:32-39.]. DOI: 10.15957/j.cnki.jjdl.2020.12.004..

[本文引用: 1]

[49]

尹上岗, 杨山, 陈艳如, 等. 长三角房价收入比时空演变格局及收敛研究
地理研究, 2020, 39（11）:2521-2536.

DOI:10.11821/dlyj020190603 [本文引用: 1]

房价收入比是衡量房地产健康状况和探测居民住房支付能力的重要指标。以2008—2018年长三角307个区县为研究单元,运用数值-位序法则和趋势面分析对房价收入比的总体分布特征进行探究,利用LISA时间路径分析房价收入比的时空动态性特征,并检验区域房价收入比的收敛性。结果表明： ① 长三角房价收入比总体上呈上升趋势,空间上表现为东高西低、南高北低的格局,上海、浙江、江苏和安徽依次降低。② 上海和浙江南部房价收入比的空间结构更具动态性,而江苏和安徽更加稳定;长三角房价收入比的空间演化整体上具有较强的空间锁定效应和空间整合性。③ 长三角区县房价收入比整体上不存在σ收敛,但各时间段上均存在显著的绝对β收敛,且各省份内部也均存在着俱乐部收敛现象。城市群房价收入比的变动对居民的流动有着重要的指示作用,并具有扩散效应和虹吸效应。加强城市群房地产市场一体化建设,是促进城市群区域一体化发展的有效途径。

[ Yin

Shanggang

, Yang

Shan

, Chen

Yanru

, et al. Spatial-temporal evolution patterns and convergence analysis housing price-to-income ratio in Yangtze River Delta
Geographical Research, 2020, 39（11）:2521-2536.]. DOI: 10.11821/dlyj0201906.03.

[本文引用: 1]