住房特征對北京各區域二手房價的影響分析

摘要：隨著我國房地產的成熟，房地產市場逐漸由新房市場轉向二手房市場。由于歷史的發展因素、當前政策導向，各個區域有其獨特性，相同住房特征對不同區域二手房價產生不同影響。本文把北京按照行政區域劃分10個區域，選取22個特征變量，采用Hedonic特征法分析不同特征變量對不同區域的二手房房價影響因子。研究發現，各特征變量對各區域的房價的影響呈現整體一致性，同時，一些特征變量對不同區域房價呈現差異性。

關鍵詞：房地產;二手房;影響

一、前言

中國房地產經過幾十年的快速發展，房地產市場逐漸進入二手房市場。分析二手房房價影響因素，了解房價形成過程，對于居民購房，國家制定政策至關重要。潘添翼等對上海二手房房價作了宏觀、微觀層面的分析：張占平、羅洲軍等研究了住房特征對西安市二手房房價的影響。時文靜、張羽鶴指出影響二手房房價的主要因素是區域。文獻表明，影響房價波動的因素主要有兩個方面：一方面，市場需求;另一方面，房屋的特征，如區位特征、建筑特征、鄰里特征等。

住房有其特殊的區域屬性，了解各城市、各區域房價的影響因素，尊重地方差異性，分城施策、分區域施策，保證房地產的持續健康發展。北京房地產市場是我同最成熟、最具代表的房地產市場之一，研究北京二手房市場的影響因素具有普遍意義。

二、模型與方法

北京各行政區域的功能特點存在較大差異，整體上形成了東北經濟發達，南北發展薄弱，各區域的發展有其特色。如東城、西城區以政治、文化、教育為中心，海淀區以科技、教育為中心，朝陽區以經濟為中心。因此，采用行政區域分層法分析各區域二手房價的影響因素。研究住房特征對房價的影響，常用的方法是Hedonic函數。

Hedonic函數主要有三種形式：線性形式，半對數形式，雙對數形式。Simans等發現，半對數hedonic函數具有最優性。本文采用半對數Hedonic函數分析住房特征對各區域的二手房價影響，其基本形式如下。

pi是代表第i個房價，InPi代表房價的對數。T代表時期數量，Dt是各時期的虛擬變量，δt代表t期對房價的影響因子，δtDt代表了需求對房價的影響。N代表了特征數量，zij代表第i條記錄的第j個特征變量，βj代表第j個特征對房價的影響系數。εi代表殘差。

三、數據與變量

地理位置對房價具有決定性的作用，同一個區域或者商圈的房價具有均等性。東城、西城區地屬二環，地理位置相當優越，基礎設施完善，西城、東城區合并處理。房山、門頭溝位于北京的西南，背靠燕山山脈，受到地理位置的制約，經濟發展慢，房地產市場起步較晚，房山、門頭溝合并處理。平谷、密云、懷柔、延慶距離市中心較遠，房地產發展較晚，二手房交易尚未形成一定規模，本次統計排除這四個區域。每一個區域都會根據其地理位置、產業、文化、人群等因素形成自己特有的商圈，如朝陽區的CBD代表著北京最發達的經濟圈，海淀區的學院路集聚著眾多高等學府。本文將北京分為10個區域，242個商圈，具體見表1。

本文選取的特征有區位特征、小區特征、建筑特征，其中建筑特征分為樓棟特征和房問特征。特征變量分為連續變量和虛擬變量，如面積、綠化率、容積率、物業費為連續變量，房屋所屬樓層分為低樓層、中樓層、高樓層3個虛擬變量。本文共分析了8個連續特征變量，14個虛擬特征變量，共22個特征變量，具體見表2。

本文數據來源鏈家和房天下。收集了162860條二手房交易數據，交易時問從2015年1月至2019年3月，每一個月代表一個時期，共51個時期。

四、數據分析

本文采用matlab的regress函數做線性回歸，regress函數如下。

[b， bint ，r， rint， stats]=regress（ Y，X）

b表示回歸系數：hint表示回歸系統的區問估計：r表示殘差：rint表示置信區問：stats表示用與檢驗回歸模型的統計量;Y表示變量;X表示因變量。

分別對每一個區域做regress回歸，各區域的相關系數R2介于0.78～ 0.92之問，F統計量介于300～ 4700，顯著性P值都為O，模型誤差的方差均小于0. 022，回歸結果比較理想。

五、各區域住房特征一致性

Regress回歸得到各個區域的特征變量對房價的影響系數。結果顯示，各區域住房特征對房價的影響呈現出一致性，它們的關聯關系有三種：正相關、負相關、無相關或關聯性小。

與房價呈正相關的特征變量有綠化率、物業費、廳、室、有電梯、臨近地鐵、低樓層、南北朝向、南朝向、板樓、板塔結合、精裝、簡裝;與房價呈負相關的有面積、容積率、樓齡：與房價關聯性小的特征變量有中樓層、其他朝向、塔樓、毛坯。這個規律也符合我們一般的認識，綠化率高、容積率低、南方朝向、中樓層、板樓等代表著房子的采光性、通風性更好，含氧量更高，擁擠度更小;更多廳、室的數量方便居住時功能分區：物業費更高一般代表更好的物業服務，精裝修代表更高品質的生活;低樓層、配備電梯、臨近地鐵更方便出行：這些都能提高居住的舒適度，故與房價呈正相關。房屋的面積越大，房款越多，家庭負擔更重，所以與房價呈負相關。

六、各區域住房特征差異性

（一）差異性表現

雖然各特征變量對各區域的房價的影響呈現整體一致性，但是由于地理位置、經濟、文化等的不同，同一特征變量對一些區域呈現差異性。如面積、綠化率、有電梯、臨近地鐵等。

如圖1所示，面積與房價呈負相關，綠化率與房價整體呈正相關。全市的面積對房價的影響因子是-0.285。大興、房山門頭溝、昌平的負相關性最大，均超過了- 0.4，其次是通州的- 0.37：豐臺區負相關性最小，其影響因子值不到- 0.2。全市綠化率對房價的影響平均水平接近0.2。朝陽、豐臺的綠化率與房價正相關性最高，影響系數超過了0.37：通州、房山門頭溝呈負相關，通州達到了- 0.3：正相關性偏小的是大興和昌平。

小區配備電梯與房價呈正比，其中相關性最大的是東城西城，影響系數超過了0.1，其次是順義、豐臺、朝陽，相關性最小的是房山門頭溝。臨近地鐵與房價整體呈正相關性。正相關性最大的是石景山，最小的是豐臺。而東城西城的房子臨近地鐵反而不利于房價。如圖2所示。

住宅建筑類型分為板樓、塔樓、板塔結合，為方便分析，將影響系數兩兩作差。板樓相對塔樓對房價的影響較大是石景山、朝陽，較小的是大興、通州。板塔結合相對塔樓對房價的影響大是石景山、昌平，影響較小的是海淀：而通州、大興塔樓比板塔結合的更有優勢。

根據房屋的裝修程度，將房屋分位毛坯、簡裝、精裝，為便于分析，將影響系數兩兩作差。順義的精裝、簡裝房相對毛坯房對房價正影響最大，其次是朝陽、豐臺、昌平，最小的是房山門頭溝。而房山門頭溝、石景山的簡裝房子相對毛坯房更不利于售賣。

另外，昌平的物業費與房價相關性較大，其次是石景山、順義、大興，東城西城的相關性最小。房山門頭溝樓齡與房價的負相關性最大，其次是通州，大興、昌平的最小。容積率、總樓層數對房價的影響也出現了差異性，靠近城中心的呈現負相關，而順義、房山門頭溝、石景山呈現出正相關。

（二）差異性解釋

出現上述各區域住房差異性的原因是各個區域本身的差異性導致的。如，東城西城是成熟的老城區，地處北京中心，擁有優質的教育資源、密集的地鐵網，低樓層樓房多，小戶型為主，老年人占比大。老年人喜歡居住中低層、對電梯的需求高。交通網發達，臨近地鐵意味著更啃雜，故臨近地鐵不利于房價。故有電梯、廳對房價正影響大，物業費、不同樓層的正影響小，而臨近地鐵有負影響。

朝陽區是北京經濟最發達的地區，尤其是金融、保險業，基礎設施較完善，交通方便，高層建筑多：居民以高端白領為主，注重生活品質，對地鐵需求高。所以朝陽區的綠化率、廳數量、朝南、板樓、精裝、有電梯對房價的正影響較大，中樓層、臨近地鐵有小幅度正影響。

豐臺地處北京南城，靠近城中心，總用地面積有限，以居住性建筑為準。地理位置優越，基礎設置完善、交通網發達。人們看重其便利性而居住與此，其滿足傳統意義上人們對于住房的選擇。所以綠化率、朝南、板樓、有電梯對房價有較大的正影響，面積、臨近地鐵影響小，容積率負影響大。

海淀區以科技創新、高新產業為主，聚集了大批優質的高度學府，教育資源豐富，基礎設置完善，交通方便，文化底蘊深厚：年輕創業者居民占比大，其對住房舒適度要求小，海淀區室數量對房價正影響大，樓齡、南北、板塔結合、有電梯影響小。

昌平、大興、通州、順義、石景山、房山門頭溝遠離市中心，屬于新型經濟開發區，安置了大批外來人口。新建樓房多，以中大戶型為主，居民以年輕人為主，兼顧實用性和舒適性。故臨近地鐵、物業費、低中樓層、南北朝向、板塔結合對房價正影響大，面積負影響大，樓齡、廳數量、室數量、容積率影響小。這些區域的行政面積大，發展不均衡，有些遠郊地區基礎設施薄弱，生活不便利。有些綠化率高的區域地處偏僻，出現了通州、房山門頭溝的綠化率對房價產生了負影響。

七、總結

本文采用hedonic特征函數法分析了面積、綠化率、容積率、物業費、樓齡、總樓層數、廳、室、所屬樓層、朝向、建筑結構、裝修、是否有電梯、是否臨近地鐵等共22個特征變量對不同區域的房價的影響。研究發現，各特征變量對各區域的房價的影響呈現整體一致性，但有些區域呈現特異性。

不同區域的住房會因其所處的地理位置、經濟、產業、居住人群等不同，引起相同的特征變量對不同區域房價產生不同幅度的影響，甚至是相反的影響。人們可以根據自己的需求，結合不同區域住房特點，參與房地產市場;政府也可以根據不同區域房價的影響因子.因城施策，實現房地產健康發展。

參考文獻：

[1]潘添翼，賈德錚.上海二手房房價影響因素[J].中國市場，2019，996（5）：35-38.

[2]張占平，胡豐印.西安市二手房價格影響因素研究[J].技術與創新管理，2008，29（2）：209-212.

[3]時文靜.基于Lasso與數據挖掘方法的影響北京二手房價格的因素分析[D].北京：北京工業大學，2017.

[4]張羽鶴.基于GWR模型的北京市二手房價格空間分異及影響因素研究[D].北京：中國地質大學（北京），2018.

[5]張娟.北京市二手住宅的分位數特征價格研究[D].太原：山西財經大學，2016.

[6]程亞鵬，李傳昭，吳剛.Hedonic住房價格模型的選擇與實證檢驗[J].系統工程理論與實踐，2010，30（ 11）：1921-1930.

作者簡介：

鄧小園，中央財經大學，北京。