淺析武漢市住房價格空間分異的原因

　　摘 要：住房，作為人類活動的重要空間場所，其作用是其它商品所不能替代的，它是人們日常生活的必需品。它的價格以及空間分布是否合理對經濟能否健康持續發展、社會秩序能否長治久安都有著重要影響。本文利用Hedonic模型探討了武漢市住房價格空間分異的原因，得出以下結論：城市規劃因素、社會經濟發展因素和政府法規因素是武漢市住房價格空間分異的原因。
　　關鍵詞： 住房價格 空間分異 Hedonic模型 武漢市
　　
　　一、序言
　　（一）寫作背景
　　目前，不斷上漲的住房價格成為消費者、企業以及政府關注的焦點，并且隨著城市化進程的推進，很多大城市的住房市場在空間上開始出現一些不規則的高價區和快速增值區，住房價格的空間分異現象越來越明顯。武漢市作為華中最大的城市，近幾年來房地產業發展勢頭火熱，加上本身的地理分割，使得其住房價格也開始出現空間分異，對其規律的探討和研究有著重大的實際意義，它可以為政府制定政策、開發商選擇項目和定價以及消費者選擇合適的住宅提供一些參考。
　　（二）文獻綜述
　　Hedonic模型是目前國際上較新的一種研究住房價格空間分異的工具，中文翻譯為“特征價格模型”。它來源于新消費者理論，能夠較為清晰地反映出一個城市目前對住房價格空間分異有重要影響的住房特征。住房特征價格模型就是將住宅的價格作為因變量，而將住宅的各種特征屬性作為自變量，運用統計學和計量經濟學的方法分析各種特征屬性對住宅價格的影響，從而解釋住宅價格空間分異的形成原因，這是因為住宅的市場價格能夠通過買主對住宅內在特征束的評價而確定。
　　這個模型在國外已經開始廣泛使用，并且取得了豐碩的成果。如Stevenson(2004)以美國波士頓1995-2000的6441個住宅為樣點，選擇了30個變量證實了住宅年齡對住宅價格的影響；Haurin 和 Brasington(1996)選擇了29個變量(4個用來表征學校的變量)應用住宅特征價格模型，證實了美國俄亥俄州地區學校質量對住宅價格有很大的影響，同時還證實了離市中心的距離、以及舒適度(社區犯罪率、文化藝術、娛樂機會)也對住宅價格有較大的影響。
　　在國內也有不少學者對住房價格空間分異方面進行了研究，一開始多從區位理論出發，研究城市住宅價格的空間分布規律，然后分析住宅價格空間分布的影響因素。如許曉輝（1997）運用地理信息系統技術繪制了上海市商品住宅等值線圖，以揭示上海市商品住宅價格的空間分布規律，并建立回歸模型分析了區位因子對價格空間分布的影響；鄭芷青（2001）探討了廣州市商品住宅價格的空間分布規律及影響因素，認為住宅價格主要與地價、城市形態與功能結構、交通與綠化環境、生活服務設施以及物業管理水平有關；王欣（2002）借助商品住宅價格級差模型、房價水平剖面圖等手段，研究了天津市中心城區商品住宅價格的地域分布特點及成因，提出了合理配置中心城區住宅、加強住宅區綜合開發等建議，等等。
　　隨著我國房地產經濟的發展以及住房信息的完備與公開，我國學者對這方面的研究開始與國際接軌，采用Hedonic模型進行這方面的研究。如富毅（2006）通過對杭州市住宅市場建立直線特征價格模型進行實證研究，從時間和空間兩個維度（主要是從空間維度）來考慮住宅價格，探討了住宅價格空間分布模式，價格空間分異的影響因素及其外在動力。
　　二、武漢市住房特征價格模型的構建及實證分析
　　（一）資料收集
　　本文主要選擇武漢市的7個主城區為研究范圍，即洪山區、武昌區、口區、江漢區、江岸區、青山區、漢陽區。（如圖1）主要是因為這7個中心城區歷來是武漢市的經濟發展中心，房地產業起步比較早，發育比較成熟，市場機制較為完善，相應的信息也就比較全面，有利于研究。
　　
　　
　　
　　
　　
　　
　　
　　圖1本文研究區域
　　本文一共選取了武漢市86個住宅小區的303套擁有獨立產權、并能夠在市場上自由出售的二手房的住房特征信息。其中的住房價格信息取自2010年7月網上的報價，并以此為基礎構建了武漢市的住房特征價格模型。
　　本文的數據主要有三個方面的來源：一是住宅小區的出售掛牌資料，主要來源于搜房網武漢站 （http://wuhan.soufun.com）； 二是住宅小區的收集數據，這部分數據大部分也可以從網站上查詢而來，另一部分需要深入小區內部收集；三是電子地圖數據，是利用用圖行天下公司提供的武漢市數字地圖中的相關功能實現的。
　　（二）武漢市住房特征價格模型
　　筆者經過一些分析，決定采取線形模型對武漢市住房價格進行分析，其形式如下：
　　P = a0 + ∑ai Xi + u （1）
　　其中：P為住宅價格，X為住宅特征變量。在應用住房特征價格模型中，一般都是將住房特征分為建筑特征、區位特征以及鄰里特征三大類。本文結合武漢市房地產市場的實際情況共選擇了13個特征變量進入Hedonic模型，具體情況見表1。
　　表1本文所選取的特征變量及其預期影響
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　（三）模型回歸及結果分析
　　本文采用最小二乘法對以上模型進行估計，最終得出如下回歸模型，具體回歸結果以及標準化系數見表2。
　　住房價格=615021.3+7172.313*建筑面積+5045.987*所在樓層+25724.65*裝修程度+86170.45*小區周邊環境+15010.4*公交線路條數-16481.23*到CBD的距離
　　 表2多元回歸分析結果—回歸系數及其顯著性
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　資料來源：作者根據軟件結果繪制。
　　從表2可以看出，如果取10%的概率，原先選定的13個特征變量有6個進入模型，并且這6個特征變量的符號都與預期影響是一致的。由于本文采用的模型是線性函數形式，因此，回歸方程的未標準化回歸系數所對應的就是住房特征的特征價格。如“裝修程度”的回歸系數是25724.65，表示裝修每提高一個等級，住房價格將會上升25724.65元；還有“到CBD的距離”的回歸系數是-16481.23，表示到CBD的距離每增加1公里 ，住房價格將會下降16481.23元。其它的回歸系數都有著類似的涵義，就不一一列舉了。
　　住宅特征對住宅價格的影響程度無法用特征價格直