城市高質(zhì)量發(fā)展水平與商品房住宅價格相關(guān)性研究

楊 光，馬景濤，任鳳珍

(1.河北地質(zhì)大學(xué) 土地科學(xué)與空間規(guī)劃學(xué)院，河北 石家莊 050031；2.河北地質(zhì)大學(xué) 繼續(xù)教育學(xué)院，河北 石家莊 050031)

1 引言

黨的十九大以來，我國城鎮(zhèn)化水平、區(qū)域協(xié)調(diào)發(fā)展和城市高質(zhì)量發(fā)展水平明顯提高，城市發(fā)展的核心開始從追求快速擴張階段向追求高質(zhì)量的發(fā)展階段逐步轉(zhuǎn)變[1]，但與此同時我國多數(shù)城市商品房住宅價格出現(xiàn)日益攀升的現(xiàn)象[2]，城市高質(zhì)量發(fā)展水平和商品房住宅價格出現(xiàn)了不能協(xié)調(diào)發(fā)展的趨勢。

為對城市高質(zhì)量發(fā)展水平與商品房住宅價格相關(guān)性進行研究，在分析城市高質(zhì)量發(fā)展方面發(fā)現(xiàn)，大多學(xué)者應(yīng)用熵值法并加以模型和分析工具進行[3-4]，涂建軍等[5]以ArcGIS為平臺，從城市群多維角度出發(fā)評價成渝城市群發(fā)展質(zhì)量，并探討城市高質(zhì)量發(fā)展的內(nèi)涵和本質(zhì)特征；韓冬等[6]以熵值法對京津冀城市群城鎮(zhèn)化質(zhì)量和發(fā)展協(xié)調(diào)度進行綜合評價。在房價影響因素方面，學(xué)者主要通過空間、經(jīng)濟和政策等方面分析房價的影響因素。付益松等[7]針對南昌市住宅價格空間分布及其影響因素以市場比較法在可達(dá)性角度基礎(chǔ)上定量分析不同因素對房價的影響。王愛等[8]構(gòu)建微觀因素與地價GWR模型，討論合肥市不同影響因素和城市規(guī)劃對房價的影響。李永剛[9]研究經(jīng)濟變量對我國商品房價格在東西部城市分別產(chǎn)生的影響，提出抑制房價格過快增長的相關(guān)建議。

從現(xiàn)有文獻看，大多數(shù)學(xué)者以經(jīng)濟、政策、空間為切入點對房價影響因素進行研究，但在城市綜合實力和城市群空間分布上的研究較少，且研究主要集中于我國中、東部地區(qū)，而對于西北地區(qū)的研究較少。基于此，文章選取經(jīng)濟、社會、生態(tài)等16個指標(biāo)構(gòu)建西北地區(qū)31個主要城市的高質(zhì)量發(fā)展指標(biāo)體系，通過探索城市高質(zhì)量發(fā)展水平與商品房住宅價格的相關(guān)性和空間特征，為政府引導(dǎo)城市和商品房住宅價格健康發(fā)展提供理論基礎(chǔ)。

2 研究區(qū)概況

研究區(qū)31個城市位于西北三省二自治區(qū)，且處于絲綢之路經(jīng)濟帶上，31個城市市轄區(qū)面積203789平方千米，市轄區(qū)人口3134萬人，占西北總?cè)丝?0.4%，市轄區(qū)GDP達(dá)24798億元，極具發(fā)展?jié)摿Α?/p>

3 數(shù)據(jù)與方法

3.1 數(shù)據(jù)來源

研究數(shù)據(jù)主要來源于《2019年中國城市統(tǒng)計年鑒》《2019年陜西省經(jīng)濟年鑒》《2019年青海省經(jīng)濟年鑒》《2019年甘肅省經(jīng)濟年鑒》《2019年寧夏回族自治區(qū)經(jīng)濟年鑒》、市公報和地理空間數(shù)據(jù)云。

3.2 指標(biāo)選取

為分析影響城市高質(zhì)量發(fā)展的主要因素及其與商品房住宅價格的相關(guān)性，文章通過文獻分析，選取經(jīng)濟、社會、生態(tài)3個準(zhǔn)則層16個指標(biāo)層對城市高質(zhì)量發(fā)展水平進行評價，包括：市轄區(qū)人均GDP(元/人)X1、市轄區(qū)人口密度X2(萬人/km2)、城鎮(zhèn)化率X3(%)、城鄉(xiāng)收入比X4、地方一般公共預(yù)算收入X5(萬元)、全市人均可支配收入X6(元)、市轄區(qū)人均消費支出X7(元/人)、市轄區(qū)第二產(chǎn)業(yè)比重X8(%)、市轄區(qū)第三產(chǎn)業(yè)比重X9(%)、建成區(qū)道路面積密度X10、建成區(qū)綠化覆蓋率X11(%)、市轄區(qū)第三產(chǎn)業(yè)從業(yè)人員比重X12(%)、市轄區(qū)登記失業(yè)人數(shù)X13(人)、市轄區(qū)人均居住用地面積X14(m2)、市轄區(qū)住宅房地產(chǎn)開發(fā)投資完成額X15(萬元)、市轄區(qū)商品房銷售面積X16(萬m2)。

3.3 主成分分析法

主成分分析法是一種降維算法，即用綜合指標(biāo)(主成分)解釋多變量的方差-協(xié)方差結(jié)構(gòu)，它對原來眾多具有一定相關(guān)性的指標(biāo)進行線性變換后去除相關(guān)性，然后得到充分包含原指標(biāo)體系信息的主成分，極大地簡化了原評價指標(biāo)體系，降低了分析問題的復(fù)雜性[10-11]。在主成分分析過程中較多地保留原始變量的信息并用幾個綜合變量分析多個變量，分析結(jié)果信息含量高，評價能力強。通過綜合得分可對指標(biāo)體系進行客觀、有效的綜合評價[12]。

3.4 皮爾遜相關(guān)系數(shù)法原理

皮爾遜相關(guān)系數(shù)是衡量隨機變量M與N相關(guān)程度的一種常用方法[13]，文章采用此方法來分析城市高質(zhì)量發(fā)展水平與商品房住宅價格的相關(guān)性[14-15]。

變量相關(guān)系數(shù)公式如下：

(1)

其中，變量M與N指的是兩個獨立的樣本，E為數(shù)學(xué)期望或均值，D為方差，E{[M-E(M)][M-E(M)]}稱為隨機變量M與N的協(xié)方差，記為Cov(M，N)，M和N協(xié)方差和標(biāo)準(zhǔn)差的商則稱為兩者相關(guān)系數(shù)，記作ρM，N。

根據(jù)協(xié)方差和方差可以得到樣本的皮爾遜相關(guān)系數(shù)，公式如下：

(2)

其中，r為皮爾遜相關(guān)系數(shù)，ai為變量A中第i個元素值，a為整個時序變量中所有元素的均值。r的取值范圍是[-1，1]，當(dāng)M與N線性相關(guān)時，r的絕對值越趨近于1，M與N相關(guān)度越高。

4 結(jié)果與分析

4.1 城市高質(zhì)量發(fā)展影響因素

文章獲取西北地區(qū)主要31個城市的16個指標(biāo)，應(yīng)用SPSS 25.0軟件將原始數(shù)據(jù)進行標(biāo)準(zhǔn)化(z-score法)處理后，適用性檢驗可見表1，KMO=0.655，KMO>0.6，Sig.=0，Sig.<0.05，兩項檢驗結(jié)果表明各因素之間的關(guān)聯(lián)程度高，此城市高質(zhì)量發(fā)展指標(biāo)體系適用于主成分分析法。

表1 KMO和巴特利特檢驗

解釋總方差(見表2)說明，五個特征值大于1的主成分累計貢獻值達(dá)82.06%，包含足夠的信息解釋變量來分析影響城市高質(zhì)量發(fā)展水平的因素。

表2 總方差解釋

成分矩陣表明(見表3)主成分和各指標(biāo)之間的相關(guān)性，指標(biāo)荷載值絕對值越大相關(guān)性越高，主成分能表達(dá)出該指標(biāo)的信息越多。對成分矩陣進行分析可知：第一主成分方差貢獻率為32.79%，其中市轄區(qū)人均消費支出X7、地方一般公共預(yù)算收入X5、城鎮(zhèn)化率X3、市轄區(qū)人均GDP荷載量較高，主要反映了經(jīng)濟水平對城市高質(zhì)量發(fā)展的影響；第二主成分方差貢獻率為23.55%，其中市轄區(qū)第三產(chǎn)業(yè)比重X9、市轄區(qū)第二產(chǎn)業(yè)比重X8、市轄區(qū)商品房銷售面積X16、市轄區(qū)登記失業(yè)人數(shù)X13、市轄區(qū)第三產(chǎn)業(yè)從業(yè)人員比重X12荷載量較高，主要反映了產(chǎn)業(yè)聚集度對城市高質(zhì)量發(fā)展的影響；第三主成分方差貢獻率為10.24%，其中城鄉(xiāng)收入比X4、市轄區(qū)第三產(chǎn)業(yè)比重X9、建成區(qū)道路面積密度X10、市轄區(qū)第二產(chǎn)業(yè)比重荷載量較高，主要反映了區(qū)域經(jīng)濟協(xié)調(diào)度對城市高質(zhì)量發(fā)展的影響因素；第四主成分方差貢獻率為8.67%，其中市轄區(qū)人口密度X2、城鄉(xiāng)收入比X4、全市人均可支配X6荷載量較高主要反映了人口分布對城市高質(zhì)量發(fā)展的影響因素；第五主成分方差貢獻率為6.81%，其中建成區(qū)道路面積密度X10、建成區(qū)綠化覆蓋率X11、市轄區(qū)登記失業(yè)人數(shù)X13荷載量較高，主要反映了基礎(chǔ)設(shè)施完善度對城市高質(zhì)量發(fā)展的影響因素。

表3 成分矩陣

4.2 城市高質(zhì)量發(fā)展水平

通過成分矩陣中主成分各指標(biāo)荷載系數(shù)與總方差解釋中特征值計算主成分各指標(biāo)權(quán)重后，結(jié)合31個城市的16項指標(biāo)標(biāo)準(zhǔn)化值得到各城市主成分得分以及綜合得分，公式如下：

(3)

(4)

式中，yi為某市第i個主成分的綜合得分，lij為第i主成分的j指標(biāo)荷載系數(shù)，ei為第i主成分特征值，Xj為某市j指標(biāo)的標(biāo)準(zhǔn)化值，p為第i主成分的占比。

西安市、蘭州市、烏魯木齊市、西寧市綜合得分較高，即城市高質(zhì)量發(fā)展水平高；商洛市、定西市城市高質(zhì)量發(fā)展水平較低，城市高質(zhì)量發(fā)展水平較低；蘭州市、西安市、海東市、天水市和西寧市商品房住宅價格高；石嘴山市、吐魯番市商品房住宅價格較低。詳見圖1。

圖1 城市高質(zhì)量發(fā)展水平綜合得分排名及商品房

探索了城市高質(zhì)量水平和商品房住宅價格的面板及空間數(shù)據(jù)特征，總體上東部城市和省會城市高質(zhì)量發(fā)展水平及商品房住宅價格較高，西部則較低，東部大部分城市的高質(zhì)量發(fā)展水平處于-0.88～0.00，商品房住宅價格處于4001～8000元，在同一城市高質(zhì)量發(fā)展水平綜合得分區(qū)間東部地區(qū)商品房住宅價格與西部相比較高。

4.3 相關(guān)性分析

應(yīng)用SPSS 25.0軟件對西北地區(qū)31個主要城市的高質(zhì)量發(fā)展水平綜合得分與其相應(yīng)商品房住宅價格進行皮爾遜相關(guān)性分析，結(jié)合雙尾值和皮爾遜相關(guān)性值(見表4)可以發(fā)現(xiàn)，西北地區(qū)31個主要城市高質(zhì)量發(fā)展水平和商品房住宅價格存在著顯著的正相關(guān)性，商品房住宅價格會隨著城市高質(zhì)量發(fā)展水平的增強(減弱)而升高(降低)。

表4 皮爾遜相關(guān)系數(shù)分析

5 結(jié)論與討論

文章應(yīng)用SPSS 25.0軟件通過皮爾遜相關(guān)系數(shù)法對西北地區(qū)31個主要城市高質(zhì)量發(fā)展水平與商品房住宅價格的相關(guān)性進行了研究，通過主成分分析法評價城市高質(zhì)量發(fā)展水平并分析了其主要影響因素，運用ArcGIS10.8探討了城市高質(zhì)量發(fā)展水平與商品房住宅價格的空間特征。可知：其一，影響城市高質(zhì)量發(fā)展水平的主要因素是城市的經(jīng)濟水平、產(chǎn)業(yè)聚集度、區(qū)域經(jīng)濟協(xié)調(diào)度、人口分布和基礎(chǔ)設(shè)施完善度；其二，西安市、蘭州市、烏魯木齊市、西寧市、咸陽市、銀川市城市高質(zhì)量發(fā)展水平較高，商洛市、定西市城市高質(zhì)量發(fā)展水平較低；其三，空間上，東部城市和省會城市高質(zhì)量發(fā)展水平及商品房住宅價格較高，西部則較低，在同一城市高質(zhì)量發(fā)展水平區(qū)間，東部地區(qū)商品房住宅價格與西部相比較高；其四，城市高質(zhì)量發(fā)展水平與商品房住宅價格之間存在顯著的正相關(guān)性，即商品房住宅價格會隨著城市高質(zhì)量發(fā)展水平的增強(減弱)而升高(降低)。

西北主要城市高質(zhì)量發(fā)展水平空間分布不均衡，呈東部地區(qū)到西部地區(qū)逐漸減弱的趨勢。因此，要緊密結(jié)合“絲綢之路”建設(shè)，以省會城市為中心積極開拓沿線市場，增強對周邊城市的輻射和帶動作用，在促進絲綢之路經(jīng)濟帶城市高質(zhì)量發(fā)展水平提升的同時，還要積極調(diào)控商品房住宅價格，避免出現(xiàn)商品房住宅價格遠(yuǎn)超當(dāng)?shù)爻鞘邪l(fā)展水平的過度上漲現(xiàn)象。

總體上，商品房住宅價格與城市高質(zhì)量發(fā)展水平呈顯著正相關(guān)，但針對如慶陽市、天水市、隴南市、海東市等城市商品房住宅價格遠(yuǎn)超城市高質(zhì)量發(fā)展水平的問題，國家和地方主管部門還需以保證國家和人民的利益為出發(fā)點，通過發(fā)展城市經(jīng)濟、完善基礎(chǔ)設(shè)施、調(diào)整產(chǎn)業(yè)聚集度和區(qū)域經(jīng)濟協(xié)調(diào)度引導(dǎo)城市結(jié)構(gòu)和城市健康發(fā)展，提高城市高質(zhì)量發(fā)展水平，并通過國家的政策調(diào)控、增強監(jiān)管力度等手段降低商品房住宅價格，從而追求合理的商品房住宅價格，緩解商品房住宅價格與城市質(zhì)量發(fā)展水平不匹配的問題。