中國地級及以上城市住房空置的空間格局及影響因素
——基于CHFS 調查數據的分析

楊鵬飛，潘竟虎

（西北師范大學 地理與環境科學學院， 甘肅 蘭州 730070）

房子是用來住的，不是用來炒的，更不是用來空置的。房屋空置浪費了大量的自然資源和社會資源，房地產業更是積累了大量的金融風險，這對中國城市的可持續發展和經濟平穩運行產生了巨大的負面影響，可能會造成經濟轉型失敗、社會發展受阻、改革推進停滯等一系列嚴重后果。房地產市場的平穩發展直接影響居民的生活水平和生活質量，而房屋空置率是衡量房地產市場健康與否的重要指標。在中國，長期的經濟飛速增長和房地產業的繁榮掩蓋了房屋空置現象，使得相關研究十分滯后。一方面房屋空置是導致房價和房屋租金上漲的重要推手，多套住房擁有者既不出租又不出售，致使大量住房空置；另一方面房屋空置看上去是個人問題，但當其成為普遍現象的時候，就會阻礙房產稅等長效機制的改革，不利于社會的平穩進步。但由于房地產信息的不透明，學界在空置房分布、住房空置率等基礎數據方面都未能有共識，更無從了解其空間模式和動態變化。房住不炒、租購并舉的時代，亟需開展房屋空置率計算與空間格局、類型、形成機制的研究，為制定宏觀調控政策、區域和城市發展規劃提供參考依據。

住房空置率作為衡量地區房地產市場健康程度的重要指標，近年來，國內外學者開展了大量研究。綜合國內外對房屋空置的研究，依據計算空置率所用數據的不同，將計算方法歸納為以下四類：基于實地調查數據建立指標體系；基于統計數據分析；基于多源遙感數據分析方法；基于地理位置大數據分析方法。學者們研究發現，房屋空置的成因及類型主要有以下幾類：一是人口密度變化與失業率的急劇上升導致大量的住房出現空置；二是新區功能規劃的不合理，人口流入和人口規劃政策缺乏科學性以及政府在行政上對配套設施建設規劃的過度干預等；三是當地經濟發展和地方政府集資的需要，房地產行業發展的需求與中國傳統思想的影響，以及金融、投資和金融系統的模式變更，導致大量的住房被空置；四是人地關系不協調，人產城之間的協調問題突出。總體而言，國內對房屋空置現象的研究很少，大多通過媒體報道和社會調查進行，由于此類報告的結論多是由主觀判斷得出的，因此受到了低可信度的批評。同時，對住房空置率的定量化研究有限，且多集中在中小型單個城市，缺乏大區域尺度住房空置的空間差異分析。中國家庭金融調查與研究中心發布的中國家庭金融調查（China Household Finance Survey，CHFS）數據反映了中國家庭在經濟金融活動中的行為決策，是目前比較全面的中國家庭微觀數據庫之一。CHFS 控制抽樣誤差和非抽樣誤差，數據具有全國代表性、質量高，除了提供基本的家庭金融數據外，還包含家庭出行、房產、保險等各個方面的數據，為計算中國地級及以上城市住房空置率及分析其空間差異提供了可能。

本文利用2017 年CHFS 數據，以中國248 個地級及以上行政區為基本研究單元，在提取住房相關數據的基礎上，通過計算住房空置率，深入研究住房空置的空間分布格局及其影響因素，以期為新型城鎮化建設從土地城鎮化向人的城鎮化轉變提供參考借鑒。

一、數據及研究方法

(一)數據來源

CHFS 是西南財經大學中國家庭金融調查與研究中心在全國范圍內開展的隨機抽樣調查項目，該項目主要內容是收集有關家庭金融的微觀層次信息，包括：住房資產與金融財富、負債與信貸約束、收入與消費、社會保障與保險、人口特征與就業以及支付習慣等信息。該數據對家庭經濟和金融行為進行了全面細致的刻畫，旨在為學術研究與政府決策提供高質量的家庭微觀金融數據。2017年第四輪CHFS 數據范圍覆蓋全國29 個省（自治區、直轄市）、355 個區縣、1428 個村（居）委會，樣本規模達40011戶，數據在全國和各地級及以上城市尺度上具有代表性。首先對CHFS2017 數據進行數據清理，主要包括：①住房相關數據提取。原始的CHFS 數據涉及住房、人口、金融等多種調查數據信息，本文為了保證數據的真實性和后期計算的準確性，人工提取包括家庭房屋數、空置時間和空置房屋數等在內的住房相關數據。②空值及異常值處理。由于CHFS 數據在調查過程中對部分數據的保密以及被調查人員不愿公開住房相關信息，因此調查人員將相關數據設置為空值。本文研究主要集中在住房空置相關研究，所以將空值和異常值數據做剔除處理，保證結果的可信性。③CHFS 數據共涉及29 個省（區、市）、355 個區縣，但存在部分市縣調查對象過少，如金昌市、焦作市、東營市等2017 年調查數為1，無法代表整個市縣的住房情況，因此將此類數據做異常值處理，以消除數據引起的偏差性。

影響因子主要從城市用地需求和社會發展水平兩方面進行選取，數據獲取自2018 年《國家統計年鑒》（數據統計時點為2017 年），具體見表1，以此分析全國248 個地級及以上城市住房空置率的影響因素。

表1 住房空置率影響因素Tab.1 Influencing factors of housing vacancy rate

本文采用的行政區劃數據包括中國國界線、省級行政區邊界和地級市邊界，均來自于國家基礎地理信息中心（http∶//www.ngcc.cn/）。

(二)研究方法

1.住房空置率計算

要計算住房空置率，首先要明確空置房的概念。空置（Vacancy）是指建筑物的整體或部分目前并未得到使用，處于等待出租或出售的狀態。無論是處于銷售狀態的新建房屋還是當前房屋用戶搬離后留下的房屋，只要沒有確認新的住房用戶，該房屋都屬于空置房屋。在2017中國城鎮住房空置分析報告中，將空置住房定義為在調查時無人居住的住房。本文研究的空置住房包括兩類：一是僅有一套住房的家庭因外出工作等原因而空置的自有住房，二是多套房家庭持有的，既未自己使用，也未處于出租狀態的住房。報告按照一致標準計算的城鎮地區住房空置率在2011 年、2013 年、2015 年及2017 年分別為18.4%、19.5%、20.6%和21.4%。已有研究表明，住房空置率主要通過住房數量和住房面積來計算，同時住房空置處于動態變化的狀態。本文從CHFS 數據中提取住房數據，引入空置時間段變量，通過時間和數量兩個角度計算住房空置率，以此來分析2017 年全國248 個地級及以上城市的住房空置狀況。

從家庭角度來看，對于只有一套住房的調查對象，家庭住房空置率計算式為：

其中，HVR代表第i 個調查對象的住房空置率，VM代表第i 個調查對象一年中的空置月數。

對于有多套住房的調查對象，家庭住房空置率計算式為：

其中，HVR代表第j 個調查對象的住房空置率，NV代表第j 個調查對象的空置房屋數，NT代表第j 個調查對象擁有的房屋總數。

從城市角度來看，對于城市中只有一套住房的調查對象，城市住房空置率計算式為：

其中，HVR 代表在城市擁有一套住房的住房空置率，HVR代表第i 個調查對象的住房空置率，n 代表在該城市擁有一套住房的調查數據總樣本數。

對于城市中有多套住房的調查對象，城市住房空置率計算式為：

其中，HVR 代表在城市擁有多套住房的住房空置率，HVR代表第j 個調查對象的住房空置率，n 代表在該城市擁有多套住房的調查數據總樣本數。

2.空間計量模型

考慮到影響因素的空間異質性和空間差異性，普通回歸模型無法滿足空間分析需求，因此本文使用空間計量模型。在分析中，首先使用普通最小二乘法（Ordinary Least Squares，OLS）分析影響因素與住房空置率的相關關系，OLS 通過最小化誤差的平方和來尋找數據的最佳函數匹配。首先假定每個研究的地級及以上城市遵循如下對數線性形式的函數：

式（5）中，α 表示常數項，α-α為待估計的參數，ε 表示隨機誤差項，其他同表1。

本文分別使用了空間滯后模型（SLM）、空間誤差模型（SEM）和空間杜賓模型（SDM）：

（1）空間滯后模型

空間自回歸模型（SAR）或空間滯后模型是在考慮空間相關時加入隨機干擾項，公式表述為：

式（6）中，ρ 表示因變量空間滯后項的待估計參數，也被稱為空間自回歸系數。W 表示空間權重矩陣。其他同式（5）。

（2）空間誤差模型

空間誤差模型，主要是加入空間擾動項，空間擾動項主要與空間總體相關，某一空間的擾動會隨空間效應影響到其他空間，具體表述為：

其中，λ 為空間自相關誤差項的待估計系數，也被稱為空間自相關系數，W為空間權重矩陣，μ 為誤差項。其他同式（5）。

（3）空間杜賓模型

空間杜賓模型，是解釋變量的空間滯后項影響被解釋變量，也就是通過加入空間滯后變量，增強的空間滯后模型。具體表述為：

二、結果與分析

(一)住房空置現象的空間格局

1.空間分布

本文利用CHFS 數據，處理后得到248 個城市共計29786 條調查數據，經過計算，得到2017 年全國地級及以上城市住房空置的分布結果（圖1）。圖1 中的“無數據區域”主要指CHFS未涉及到的城市或調查數據數量過少，無法代表整個城市空置狀況的城市。從圖1 有數據城市的地域分布可以發現：①住房空置率高于40%的城市包括安慶市、宿州市、安康市、巴中市、周口市、懷化市、鷹潭市、汕尾市，共計8 個城市，占城市總數的3%；住房空置率介于20%和40%之間的城市共有29 個，占總數的11.7%，主要分布在四川省東部及東南部地區、陜西省中部、山西省中部、浙江省中部及東部、湖南省中部和廣東省中部及西部地區，有半數以上城市屬于四線城市；住房空置率介于10%和20%之間的城市共有34 個，占城市總數的13.7%，主要分布在云南省東北部、江西省中部及西部、河南省西南部和河北省北部，主要集中在三線、四線和五線城市，且數量相當；住房空置率介于5%和10%之間的城市共有69 個，占城市總數的27.8%，其中約三分之一的城市分布在省域交界處，包括陜甘寧交界處、湖北省周邊和贛浙閩交界處，其余三分之二呈零散分布；住房空置率小于5%的城市共有107 個，占城市總數的43.1%。

圖1 2017 年地級及以上城市住房空置的空間分布Fig.1 The spatial distribution of vacant housing in cities at prefecture-level or above in 2017

②從全國城市地區分布來看（圖2），大部分沿海城市的住房空置率較內陸城市低，一些欠發達的偏遠地區和內陸城市住房空置現象明顯，住房空置率較高。中部地區空置率明顯高于其他區域，并且以中部城市為中心，向四周范圍城市呈現遞減趨勢，住房空置率從高到底依次是中部＞東部＞西部＞東北。值得注意的是，雖然已有大量文獻和數據證明東北地區是中國城市收縮和人口流失最為嚴重的區域，但本文研究發現其住房空置率整體處于較低水平，是否符合真實狀況，尚需在獲得更多樣、更直接數據的基礎上，進一步深入分析。

圖2 不同地區住房空置率統計Fig.2 Statistics on the distribution of vacant housing in different regions

③從城市規模來看，住房空置率較高的城市主要集種在中小型城市（根據國務院2014 年印發的《關于調整城市規模劃分標準的通知》，中小型城市指常住人口100萬以下的城市）。在整個社會經濟高速增長的同時，中小型城市抓住政策機遇，大力發展城市規模，以吸引其他地方人才移居。但城市基礎設施服務不夠完善，就業機會不足，往往導致中小型城市住房空置率居高不下。

圖3 不同城市規模下住房空置分布情況統計Fig.3 Statistics on the distribution of vacant housing in different city sizes

④從城市級別看（圖4），住房空置率大于10%的城市主要以三線和四線城市為主。從不同等級的城市數量看（表2），對一線城市和新一線城市來說（城市級別根據第一財經發布的“2018 中國城市商業魅力排行榜”的結果），住房空置率都低于10%。一線城市經濟發展快，豐厚的待遇、完善的基礎設施和更多的就業機遇，對年輕人極具吸引力，使得大量人口流入，城市發展加快，城市活力增加。對于二線城市而言，大部分城市住房空置率處于正常水平，但有少數城市已經出現高空置現象，整體空置水平穩定。對于三線城市，出現住房高空置現象的城市數量驟增，空置率＞10%的城市數量占總三線城市數量的30%，其中大部分城市空置率集中在10%-20%之間，同時空置率＞40%的城市中約一半為三線城市。在四線城市中，空置現象尤為明顯，空置率＞10%的城市數量占總四線城市數量的30.5%，其中住房空置率介于20%-40%之間的城市中，有一半的城市都屬于四線城市，應當引起足夠重視。對五線城市來說，城市總體空置水平較為穩定，大部分城市處于低空置狀態，少數城市出現高空置現象，如四川省自貢市，江西省新余市等。五線城市由于經濟發展不足，經濟實力難以支撐房地產建設，同時人口數量少，難以形成大規模的住房空置，但也不能忽視空置問題。

圖4 不同城市級別平均住房空置率Fig.4 Average housing vacancy rate in different city levels

表2 不同城市級別下住房空置的城市數量Tab.2 Number of cities with vacant housing in different city levels

⑤從地理位置來看，住房空置率較高的城市主要集中在省域交界處和城市群周邊。以安康市為例，2017 年安康市房屋空置率高達48%，而安康市位于陜西省、湖北省、四川省、重慶市交界處。同時，城市群周邊地區也出現了較高的住房空置率。以長江三角洲城市群為例，其周邊的宿遷市、安慶市住房空置率均大于40%，其他如蚌埠市、淮安市、紹興市、臺州市住房空置率均大于20%。主要城市群及周邊地區住房空置分布情況如圖5。

圖5 城市群及周邊地區住房空置的空間分布Fig.5 The spatial distribution of vacant housing in urban agglomerations and surrounding areas

2.空間關聯特征

采用GeoDa 軟件，計算得到中國地級及以上城市住房空置率的全局Moran’sI 值為0.483，同時Moran’sI 的Z 值為2.84，大于5%置信水平的閾值1.96，表明中國地級及以上城市住房空置率存在顯著的全局自相關特征，住房空置率較高的城市趨于集聚，住房空置率較低的城市也同樣有集聚現象。

在5%置信水平下，將中國的地級及以上城市住房空置分為以下4 類（圖6）：①高-高聚集類，包括上饒、長沙、南昌、撫州、汕尾、揭陽、河源和韶關共8 個城市，這些城市與相鄰城市之間的住房空置率都比較高，存在顯著的正相關。②低-低聚集類，包括普洱、臨滄、保山、百色、麗江、佛山、無錫、南京、運城、包頭、通遼、四平、阜新、沈陽、撫順、本溪、通化、白山和牡丹江共19 個城市，城市自身的住房空置率較低，同時周圍城市的空置率也低，呈現出明顯的正相關關系。③低-高聚集類，包括漢中、宿遷、徐州、淮北、商丘、景德鎮、南平、梅州、邵陽、銅仁和宜賓共11 個城市，這些城市自身住房空置率低而周圍城市的住房空置率高，呈現出明顯的負相關。④高-低聚集類，包括西寧、鞍山、銅陵共3 個城市，這些城市自身住房空置率較高，而周圍城市的住房空置率較低，呈現負相關。以上結果反映出中國中西部地區是住房空置率較高的典型地區，高空置地區分布范圍廣泛，呈現出一定的連片集中的聚集狀態；而經濟發達的沿海城市群則是住房空置率較低、空間集聚水平較高的典型區域。但從全國范圍來看，高空置城市分布又較為離散，同時區域內集聚范圍較小。①高-高聚集類出現在③低-高聚集類周圍，④高-低聚集類出現在②低-低聚集類周圍。

圖6 住房空置的空間關聯類型Fig.6 Spatial association type of vacant housing

(二)住房空置的影響因素

1．住房空置的空間回歸分析

利用Stata 軟件，分別采用OLS、SEM、SAR 和SDM 模型，分析各影響因子對各城市住房空置率的貢獻。其中，SDM 使用Stata 軟件進行分析，其他模型使用GeoDa 軟件進行分析。結果如表3 所示，其中，LIK（Log likelihood）、AIC（Akaike info criterion）、SC（Schwarz criterion）是對各模型結果檢驗的指標，LIK 越高，AIC 和SC 越低，說明模型結果越精確。表3 表明，OLS 的多項指標都沒有達到統計檢驗要求，出現這種情況的原因主要是住房空置率和各影響因素之間存在空間相關關系。在這種情況下，OLS 的結果可能存在一定的誤差。

從表3 的結果來看，SEM、SAR 和SDM 都比OLS 效果理想，各項系數和指標都有提高，這說明SEN、SAR 和SDM 在分析過程中都考慮了傳統回歸模型中的空間自相關因素，并在一定程度上提高了擬合精度。對比三種空間計量模型結果發現，SDM 的LIK 明顯高于SEM 和SAR，而AIC和SC 指標遠小于SEM 和SAR。因此，本文使用的三種空間計量模型的擬合精度SDM＞SAR＞SEM。

表3 空間計量回歸結果

在分析過程中，考慮到各城市的異質性特征，空間計量模型分析均在時間、空間效應固定的情況下進行。通過對調整后β、R的結果對比，本文以SDM 模型為基礎模型考慮各變量對住房空置率的影響。基礎模型采用以空間鄰接方式構建的權重矩陣，并不涉及空間位置之間的關聯關系。因此，進一步使用半徑距離空間矩陣（D）及K鄰近空間權重矩陣（K）對基礎模型進行重新估計。

心有靜氣，才能客觀看待人事，沉著思考問題。反之，心有怒氣，整個人就會淪為情緒的奴隸，辨不清是非真假，自然容易出亂子。

回歸分析結果顯示，城區人口密度對住房空置率回歸系數為-0.613，并在10%的置信水平下顯著，空間滯后項系數為-0.832，同時在10%的置信水平下顯著，說明城區人口密度對住房空置率有明顯的抑制作用，城區人口密度越大，住房空置率越低，呈現負相關關系。同時中心城市的城區人口密度對周圍城市的住房空置率也有一定的抑制作用，主要體現在：城市人口密度越大，導致就業、醫療等服務不能滿足人們生活的基本需求，出現人口“擠出效應”，即由于人口密度過大導致人口向周圍城市流動，周圍城市的住房空置現象得到緩解，直到人口與各類基礎服務達到平衡，而這種平衡狀態還需進一步探究。

居住用地面積對住房空置率的回歸系數為0.234，并在5%水平下顯著，空間滯后項系數為0.342，同時在5%的置信水平下顯著，說明城區居住用地面積對住房空置率有一定的促進作用，城區居住用地面積越大，住房空置率越高，呈現一定的正相關關系。同時居住用地面積對周圍城市的住房空置率也有促進作用，主要原因是：中心城市的居住用地面積增加，出現更多的就業機會，各項基礎服務設施也隨之增加，周圍城市人口受中心城市吸引，致使大量人口從周圍城市流入中心城市，周邊城市住房空置現象明顯增加，住房空置率上升。

人均建設用地對住房空置率的回歸系數為0.962，并在1%置信水平下顯著，其空間滯后項系數為-0.423，但對周圍地區的住房空置率影響并不明顯，說明人均建設用地對住房空置率表現為促進作用，人均建設用地越多，住房空置率越高，呈正相關。人均建設用地客觀地反映了城市范圍內的人均用地水平現狀和城市發展水平，測度城市韌性與發展潛力的重要指標。

地區生產總值對住房空置率的回歸系數為0.104，同時在5%置信水平下顯著，空間滯后項系數為0.023，而且對周圍城市的住房空置率的影響不明顯。地區生產總值是地區經濟評價的核心指標。回歸系數及顯著性水平說明：在城市內部，地區生產總值對住房空置率起一定的促進作用，地區生產總值越高，就代表城市發展水平越高，同時人們對物質生活的追求也越高，在此過程中出現為滿足不同時期、不同地域的住房需求，出現了“一家多房”的現象，雖然有各種限購政策防止此類現象惡化，但是目前形式依然嚴峻，由此導致大批住房空置，城區住房空置率高居不下。

人均地區生產總值對住房空置率的回歸系數為0.183，但在城市內部對住房空置率的影響并不明顯，其空間滯后系數為0.621，說明對周邊城市住房空置率有一定的促進作用。人均地區生產總值作為一個了解城市宏觀經濟運行狀況的有效手段，是衡量城市經濟發展的重要指標。中心城市的高發展水平，高人均生產總值吸引著周圍城市人口向中心城市流動，周圍城市常住人口下降，空置現象驟增，中心城市出現“虹吸現象”，周邊城市住房空置率逐步上升。

城市排名對住房空置率的回歸系數為-0.031，且在10%置信水平上顯著，其空間滯后項系數為-0.391，在1%置信水平上顯著，說明城市排名對住房空置率有一定的抑制作用，且對周邊城市也有一定的抑制作用。城市排名是對城市經濟發展程度、文化豐厚程度、政治繁榮程度等綜合測度得出的綜合化指標，這些城市發展穩定，擁有更多的工作機會，尤其對年輕人更具吸引力。因此人口流入是必然趨勢。而城市排名越高，吸引力越大，流入人口數量越多，相應的住房空置率就越低。對于周圍城市而言，當中心城市經濟、人口達到相對飽和時，人們會選擇城市排名靠前的城市周邊地區，這樣一旦有中心城市有新的就業機會出現，也能迅速轉移到中心城市。因此城市排名對中心城市周邊地區的住房空置率也有一定的抑制作用。

2.住房空置的形成機制

根據前文空間計量模型得出的結果，總結中國地級及以上城市住房空置的形成機制（圖7）。由前文可知，影響住房空置的主要因素主要包括城市用地需求和城市發展水平兩部分。城市用地是城市發展的基石，城市內部的一切活動都基于城市用地產生和發展，城市用地需求與城市內部的住房空置現象息息相關。

圖7 住房空置形成機制圖Fig.7 A diagram of the formation mechanism of vacant housing

由于周邊城市勞動力需求下降、醫療服務不夠完善、基礎設施不足和教育水平下降等因素影響，導致周邊地區的人口向人才待遇更加豐厚、教育資源充足、各類基礎設施更加完善的中心城市遷移，進而導致周邊城市人口數量減少，人口流失嚴重，大量房屋處于空置狀態，城市住房空置率急劇上升。

對于中心城市而言，周邊城市的人口流入使得城區人口密度增加，人均居住用地面積減少，而居住用地作為城市建設用地的重要組成部分，使中心城市住房空置現象得到極大改善。當中心城市人口增加到可承載人口閾值時，人們開始尋求新的就業機會和生活場所，于是又開始向周邊城市遷移，人口從中心城市流向周邊城市，進而導致周邊地區住房空置率下降。

周邊城市的流入人口不僅享受了更好的基礎設施服務，同時增加了中心城市的城市活力，吸引大量企業在中心城市投資，這為流入人口增加了更多的就業機會，而更多的就業機會又吸引更多外來人口，對流入人口起到正反饋調節作用。在中心城市人口達到飽和后，人口開始向周邊城市流動，對周邊城市來說，人口流入后當地政府對政策及時進行調整，留住外來人口，能夠提升當地城市活力，改善以往住房空置率高居不下的境況，為城市更好發展提供保障。這對周邊城市而言，起到積極的負反饋調節作用。

三、結論與討論

住房空置率是反映城市發展程度與資源配置的重要指標。利用CHFS 數據可以有效計算出地級及以上城市的住房空置率，彌補表征住房空置程度各類指數的缺陷，量化住房空置率，并在行政區尺度上對住房空置情況進行空間化。同時利用空間計量模型，在考慮空間誤差項和空間滯后項的情況下，對住房空置的影響因素進行分析，有望豐富住房空置空間格局分析方法。

分析結果顯示，中國地級及以上城市住房空置現象在空間分布上出現了“集聚效應”，住房空置率高的城市主要出現在中小型城市以及省域交界城市，東部沿海城市住房空置現象較少出現。從全國范圍看，住房空置率最高的城市為懷化市，最低的城市為蘇州市，住房空置率＞20%的城市占總研究城市總數的14.9%，而住房空置率小于10%的城市占總研究城市總數的70.9%。在南北方向上，地級及以上城市的住房空置率呈現兩邊低，中間高的“拋物線”趨勢，即中部＞北方＞南方，在東西方向上，也呈現出“拋物線”趨勢，即中部＞西部＞東部。中國地級及以上城市住房空置率的全局Moran’sI 值為0.483，表明中國地級城市住房空置率存在全局自相關特征，住房空置率較高的地區趨于集聚，住房空置率較低的地區同樣也趨于集聚，而住房空置率較高的城市集聚性個體差異較小，住房空置率較低的城市集聚性個體差異則較大。

本文在研究過程中受調查數據制約，在計算地級及以上城市住房空置率過程中還存在一定的不足，如部分城市數據缺失等。此外，CHFS 調查數據目前公開的涉及房產信息的只有2015 年、2017 年兩期數據，無法進行長時間序列全國城市住房空置率的監測和分析，但上述問題并不影響本文在研究方法及結果上的參考意義。