特征價格模型方法應用的研究進展與展望

湛東升 周家樂 楊添涵 孟斌

［摘要］特征價格模型方法是房地產市場價格評估、預測及影響因素分析研究中經典且常用的工具，通過梳理特征價格模型的理論基礎，運用文獻計量方法全面分析其研究現狀。研究發現：1）新消費者理論和市場均衡理論是特征價格模型的理論基礎；2）特征價格模型已成為應用經濟學、人文地理學和城市規劃等多學科領域使用的重要方法；3）特征價格模型包括普通多元回歸模型、空間回歸模型、多層次模型和機器學習等方法；4）特征價格模型的解釋變量主要由結構特征、鄰里特征和區位特征3大維度構成，其他環境特征也逐漸受到關注，但特征變量的測度方法不同可能導致研究結論的差異；5）未來的特征價格模型應用研究應從完善理論分析框架、選擇合適的模型方法、準確測度特征變量內涵和提升研究結論的普適性等方面進行改進。

［關鍵詞］特征價格模型；房地產市場價格；文獻計量；研究進展

［中圖分類號］F 224［文獻標志碼］A［文章編號］10050310（2024）03004311

Research Progress and Prospects of the Application of

Hedonic Price Model

ZHAN? Dongsheng1， ZHOU? Jiale1， YANG? Tianhan1， MENG? Bin2

（1.School of Management/China Academy of Housing & Real Estate， Zhejiang University of Technology，

Hangzhou 310023，

China； 2.College of Applied Arts and Science， Beijing Union University， Beijing 100191， China）

Abstract：? The hedonic price model is a classic and frequently used method in the real estate market price evaluation， prediction and its influencing factors research. Based on the summary of the theoretical basis of hedonic price model， this paper analyzes the literature research situation of hedonic price model using bibliometrics method. Results show that： 1） The new consumer theory and the market equilibrium theory are the theoretical basis of hedonic price model; 2） The hedonic price model has become an important method in such multidisciplinary fields as applied economics， human geography and urban planning; 3） Hedonic price model includes multivariate liner regression model， spatial regression model， multilevel model， machine learning and etc.; 4） The explanatory variables of the hedonic price model are composed of three dimensions， namely， structural characteritics， neighborhood characteritics and location characteritics， but different definitions of explanatory variables may lead to varied conclusions; 5） Future research of hedonic price model application should be further improved from the aspects of perfecting the theoretical analysis framework， selecting suitable model methods， accurately measuring the connotation of explanatory variables and improving the generalization of research conclusions.

Keywords： hedonic price model；real estate market price；bibliometrics；research progress

0引言

住房是由一系列“特征束”構成的典型異質性商品，承載著廣大市民的美好生活愿望，與城市居民身心健康、生活品質和家庭財富積累等人類福祉密切相關［1］。長期以來，房地產市場價格研究是國內外住房研究領域的核心議題，特征價格模型方法則是探討房地產市場價格變動特征和影響因素的重要工具。自Lancaster和Rosen提出特征價格理論以來，應用研究得到長足發展，這對繼續完善特征價格模型理論研究內容和科學指導房地產市場健康持續發展的地方實踐均作出了重要貢獻［23］。

特征價格模型的實質是將住宅產品價格分解為各類特征的隱含價格，測度消費者為每一個新增加的特征所額外支付的最高費用，即住房消費者的邊際支付意愿。從研究內容來看，特征價格模型方法已在房地產市場價格評估、預測和影響因素研究中得到廣泛應用，如編制城市房地產價格指數［4］、解析房地產市場價格影響因素［5］、評估各類特征變量的資本化效應等［6］。從研究方法來看，特征價格模型方法逐漸向多元回歸模型、空間回歸模型和多層次模型共同主導的多元化方法應用轉變［7］。但仍有學者認為，當前特征價格模型的應用研究存在理論分析框架不完善、模型方法誤設、特征變量測度方法偏頗等問題［8］。

在大數據時代，隨著房地產數據的快速普及和特征價格拓展模型的不斷演替，我們有必要對特征價格模型方法的應用研究成果進行理論總結，并促進其規范化使用，提出未來特征價格模型應用研究的優化改進方向，為科學編制城市房地產市場價格指數、解析房地產市場價格影響因素和度量各類特征變量的資本化效應等提供更有效的理論與方法支撐。

1特征價格模型的理論基礎

1.1新消費者理論

傳統的消費者理論認為，消費者消費商品是為了獲得效用。Lancaster最早提出新消費者理論，他認為不是商品本身而是其個體特征創造了效用［2］。根據新消費者理論可知，消費者在不相同商品間作出選擇，是根據自身消費屬性偏好對不同商品客觀屬性的差異化反映。新消費者理論為房地產經濟學發展奠定了堅實的理論基礎。在房地產經濟研究領域，消費者的住房消費行為一般遵循效用價格比最大化原則，住房價格主要由房屋的建筑特征、鄰里特征和區位特征等一系列滿足居民住房需求的特征變量所決定，可通過顯示偏好法來估計商品需求或商品特征的隱含價格。

1.2市場均衡理論

特征價格模型反映某一特征在市場均衡狀況下，差異化產品的隱含價格，特征變量系數代表邊際支付意愿。Rosen分析了買方和賣方的選擇以及市場長期均衡和短期均衡在特征價格模型中的作用，指出有效的特征價格分析框架是建立在嚴格的假設基礎上，包括完全競爭、產品連續、市場均衡和全面觀測產品特征等基本假設，但在現實情況中這些理想假設條件很難得到滿足［3］。Rosen還提出產品特征市場供需均衡模型，如通過多元線性回歸將產品特征的隱含價格分離出來，分析消費者對產品特征的需求和邊際支付意愿，這為特征價格模型的快速發展和廣泛應用提供了重要的理論支撐［9］。

2特征價格模型應用研究的文獻計量分析

本文采用VOSviewer文獻計量工具，對特征價格模型的研究進行作者共被引、關鍵詞聚類和關聯強度分析；采用CiteSpace軟件進行時間線圖譜和關鍵詞突變分析。在國外，特征價格模型方法通常被表述為“hedonic price theory”或“hedonic price model”。在我國，這一方法被表述為“特征價格法”或“特征價格模型”。為了獲取全面的文獻數據，本文在Web of Science核心合集數據庫中，以“hedonic price”為檢索主題，截至2024年3月18日，共檢索到3 620篇相關文獻；在中國知網（CNKI）中，以“特征價格”為檢索主題，截至2024年3月18日，共檢索到882篇相關文獻。

2.1特征價格模型應用研究的期刊來源和作者共被引分析

本文對國內外特征價格模型文獻的期刊來源進行統計分析（見圖1）發現，國外研究主要發表在Sustainability、Journal of Real Estate Finance and Economics、Land Use Policy、Regional Science and Urban Economics和Land Economics等學術期刊上，國內研究主要發表在《價格理論與實踐》《中國房地產》《統計與決策》《建筑經濟》《價格月刊》等學術期刊上，說明特征價格模型方法已被廣泛應用于城市經濟學、區域經濟學和統計學等學科研究中。通過作者共被引分析發現，國外特征價格模型方法應用的研究以Zhang、Wen、Shimizu和Polyakov等學者為主；國內研究以溫海珍、鄭思齊、沈體雁和石薇等學者為主，他們的研究成果具有較強的影響力。

2.2特征價格模型應用研究的關鍵詞聚類分析

本文采用VOSviewer對國內外特征價格模型相關研究的關鍵詞進行聚類分析（見圖2），同一顏色的關鍵詞代表一個主題聚類。在國外的研究中，特征價格模型主題被劃分為5個聚類。其中：第1個聚類以影響因子為重點，關鍵詞包括影響、價值、設施、可達性、交通和開放空間等；第2個聚類與消費相關，關鍵詞包括消費、感知、服務、意愿、品牌和信息技術等；第3個聚類聚焦市場方面，關鍵詞包括質量、市場、屬性、效率和聲譽等；第4個聚類關注模型改進方面，關鍵詞為享樂模型、空間權重回歸、動態和回歸等；第5個聚類涉及風險、重要性和成本方面的研究。

國內有關特征價格模型的研究主題也形成了5個聚類。其中：第1個聚類的研究重點是應用領域，關鍵詞包括特征價格模型、房地產、土地價格、商品住宅、學區房溢價和租金等；第2個聚類是以特征價格法為核心的定價方法，關鍵詞包括房地產價格指數、房價指數、住房價格指數和BoxCox變換等；第3個聚類關注影響效應，關鍵詞為鄰避效應、影響范圍、時空效應和異質性等；第4個聚類涉及空間效應，關鍵詞包括空間分異、空間分布、空間異質性、可達性和區位特征等；第5個聚類關注模型改進，關鍵詞有多元線性回歸、多元回歸分析、空間誤差模型、GIS和批量評估等。

對比國內外關于特征價格模型研究的關鍵詞聚類情況后，本文發現國內外都注重對特征價格模型改進方面的研究。不同的是，國外研究更關注消費偏好、市場和影響因子，只有少數研究涉及風險控制；國內研究則更注重應用領域、定價方法和影響效應，且重點關注空間效應。

2.3特征價格模型應用研究的關鍵詞時間線圖譜

本文對特征價格模型應用研究的關鍵詞進行時間線圖譜分析后發現：國外關于特征價格模型的研究從大到小共生成六大聚類：整合型技術接受與使用理論模型（utaut2）、享樂回歸（hedonic regression）、住宅價格（housing price）、財產價值（property values）、愛彼迎（Airbnb）、住宅市場（housing market）和需求（demand）。國內研究共生成七大聚類：住宅價格、房地產、特征價格、學區房、軌道交通、房價、影響因素和農產品。從關鍵詞聚類來看，雖然國內外的應用研究主要圍繞住宅價格展開，但側重點略有不同。國外研究側重住宅市場和需求，強調理論模型的融合，而國內研究更關注對住宅價格的影響因素，還將特征價格模型的應用擴展至學區房和農產品領域。

2.4特征價格模型應用研究的關鍵詞突變分析

本文對特征價格模型應用研究的關鍵詞進行了突變分析，圖3直觀地展示了國內外特征價格模型相關研究關鍵詞的突變過程、突現強度和持續時間。

從突變過程來看，國外研究大致分為3個階段：第一階段（2000—2003年）關注構建特征價格函數，該階段突現的關鍵詞有需求（demand）、函數形式（functional form）、享樂價格（hedonic prices）、指數（index）、選擇（choice）和價格指數（price index）；第二階段（2004—2018年）重點關注價值評估，突現的關鍵詞有質量（quality）、利益（benefits）、條件估值（contingent valuation）、偏好（preferences）和住房價值（housing value）等；第三階段（2019—2022年）重點研究數字經濟，突現的關鍵詞涉及共享經濟（sharing economy）、信息技術（information technology）、統一理論（unified theory）、用戶接受（user acceptance）和機器學習（machine learning）等。國內研究同樣分為3個階段：第一階段（2000—2011年）為特征價格的應用領域，突現的關鍵詞包括價格指數、住宅特征、特征價格、寫字樓、商品房和房地產等；第二階段（2012—2017年）重點關注居住要素的資本化效應，突現的關鍵詞有土地價格、軌道交通、學區房、地鐵、影響因素、資本化和溢價等；第三階段（2018—2021年）以空間特征和價值評估為研究重點，可達性、空間分異、批量評估和價值評估等都是該階段突現的關鍵詞。

從突現強度來看，國外研究中，需求（demand）一詞的突現強度最高，為25.10；其次是函數形式（functional form）和享樂價格（hedonic prices），分別為18.26和15.86；指數（index）、統一理論（unified theory）、采用（adoption）和選擇（choice）等關鍵詞的突現強度也相對較高，均超過12。相比之下，國內研究的關鍵詞突現強度相對較低。最高的特征價格僅為5.49；影響因素、學區房和空間分異的突現強度分別為4.93、4.14和3.41；價格指數、土地價格、軌道交通、房價和民宿價格等關鍵詞的突現強度達到2以上。

從持續時間來看，國外研究圍繞享樂價格（hedonic prices）和函數形式（functional form）的前沿研究持續時間最長，分別達到14年和13年；對需求（demand）和價格指數（price index）的前沿研究持續時間都超過了10年。對比之下，國內前沿研究的持續時間相對較短，有關價格指數的前沿研究從2003年持續至2012年；有關影響因素、特征價格、房價和鄰避設施等的前沿研究，僅持續了4～5年。

3特征價格模型的拓展

根據上述分析可知，特征價格模型的改進已成為國內外學者共同關注的焦點，也是該模型未來重要的研究方向。本文重點分析該模型的拓展情況，在總結已有研究成果的基礎上，將特征價格模型的拓展概括為普通多元回歸模型、空間回歸模型、多層次模型、機器學習4個主要階段（見表1），表1概括了各種特征價格模型的適用條件和模型優勢。

3.1普通多元回歸模型

基于最小二乘（ordinary least squares，OLS）估計方法的普通多元回歸模型及其延伸變化模型是特征價格模型應用研究中最常用的回歸方程形式，主要包括線性模型、對數模型、BoxCox變換模型和雙重差分模型等。普通多元回歸模型適用于樣本獨立且正態分布的情況，其函數形式簡單，結果易于解釋，但由于城市房地產市場價格不完全符合正態分布，常會違背多元回歸建模的基本假設，在實際研究分析中對數模型更為常用。BoxCox變換模型有助于改進數據的正態性、對稱性和方差齊性，進而改變模型結構，提高擬合度。當實驗組和對照組在干預前變化趨勢相近，干預后存在顯著差異的情況下，雙重差分模型能有效捕捉事件帶來的影響，可以有效克服遺漏變量導致的內生性問題。

3.2空間回歸模型

隨著空間計量方法在各個領域的應用，有研究發現房地產市場價格存在明顯的空間效應，即空間依賴性和空間異質性。因此，眾多學者開始運用空間回歸模型探討城市房地產價格的影響因素［5，7，10.11］。空間特征參數是該階段特征價格模型改進的最大特點，采用空間特征價格模型估計所得到的特征參數隱含價格更為精準，且模型的擬合優度更高。在處理空間依賴性方面，常用的空間回歸模型包括空間滯后模型（spatial lag model，SLM）、空間誤差模型（spatial error model，SEM）、空間杜賓模型（spatial durbin model，SDM）等。SLM模型能夠有效處理被解釋變量的空間溢出效應；SEM模型能夠解決誤差項存在空間關聯性的問題；SDM模型在解釋變量和被解釋變量中均存在空間溢出效應，顯得更為適用。在解決空間異質性方面，常用的空間回歸模型包括地理加權回歸模型（geographical weighted regression，GWR）、多尺度地理加權回歸模型（multiscale geographically weighted regression，MGWR）、時空地理加權回歸模型（geographical and temporal weighted regression，GTWR）等。GWR模型能揭示特征因素的空間異質性影響，MGWR模型在此基礎上還能考慮不同影響因素的作用尺度差異; GTWR模型能同時識別影響因素的空間異質性和時間異質性。

3.3多層次模型

研究發現住房市場的房價研究在數據結構上常常表現為多尺度結構嵌套關系，高層次變量的存在或變化會影響低層次變量，普通多元回歸模型和空間回歸模型無法有效分離不同層級變量的影響差異。為解決這一問題，研究者引入了多層次模型（multilevel model，MLM）［12］。MLM是專門處理多空間尺度嵌套結構數據的回歸模型，該模型可以避免同一空間單元內部房價由于樣本不獨立而造成參數估計結果偏誤［1314］。MLM還可以與空間回歸模型相結合，進一步拓展為空間多層次模型（spatial multilevel model，SMLM），這樣既考慮了多層次數據結構嵌套特征，又解決了地理單元背景效應的空間依賴性問題［15］，更準確地測度不同層級解釋變量對房地產市場價格的影響。

3.4機器學習

隨著大數據時代的到來，大數據在房地產市場中的應用備受關注。海量的房地產交易數據和價格評估中涉及的多種特征變量，以及變量與房價之間的復雜非線性關系，給傳統的房地產價格評估技術帶來了新的挑戰［16］。有學者將以隨機森林模型（random forest，RF）和神經網絡模型（neural network，NN）為代表的機器學習方法引入房地產價格評估領域，有效克服了上述局限［1718］。機器學習是一種通過先驗信息提升模型能力的方式，可以更高效地探索變量之間的關系，并進行更精準的預測［19］。其中，RF能夠處理大量非獨立或非線性預測因子，且對多元共線性不敏感，預測結果具有較高的準確性和穩健性。NN可對非線性可微分函數進行權值訓練，能夠并行分布處理、存儲及學習，做到充分逼近復雜的非線性關系，其結果具有高度的穩健性和容錯能力。

4特征價格模型的解釋變量選取與測度

4.1解釋變量選取

特征價格模型的傳統解釋變量主要由結構特征、鄰里特征和區位特征三大維度構成［2］，還有研究在此基礎上引入了其他目標對象的可達性或環境特征，如就業可達性［33］、土地混合利用度［34］、環境污染［35］等。

4.1.1結構特征

結構特征如房屋內部結構、功能或品質等建筑屬性都影響著房地產市場價格。隨著人民居住環境和生活條件的不斷改善，學者對影響住房價格的研究從傳統的住宅面積、臥室和衛生間數量、地下室或車庫、供暖和熱水系統、朝向、樓層、容積率、房齡和建筑質量等基本結構特征，逐漸轉向裝修質量和開發商品牌等特征。一套擁有寬敞空間、完備設施、良好裝修和知名品牌等特征屬性的住宅，其價格通常較高［36］。但是，也有研究顯示，住宅面積和樓層等特征變量對房地產市場價格的影響往往是非線性或不確定的［7］。

4.1.2鄰里特征

鄰里特征是指對房地產市場價格產生影響的住宅鄰里附近的物理環境和社會環境等特征。從研究趨勢來看，居民選擇住房時從注重公共服務設施和經營性設施等物理環境的可達性，

逐漸轉向自然景觀和鄰里社會特征。常見的公共服務設施變量包括醫療、教育、文化、養老和宗教等，經營性設施包括餐飲、金融和休閑娛樂等。相關研究發現，良好的公共服務設施或經營性設施有利于提高住宅的銷售價格或租金［37］。此外，還有學者發現鄰里社會環境與區域房價之間也存在一定的關聯。鄰里社會環境一般是指個體或集體在鄰里交往和鄰里空間中獲取社會資源的狀態［38］。較低的鄰里犯罪率和較高的鄰里社會經濟地位都與高房價有關［14］。較高人口密度和就業密度可能帶來更多的居住需求和就業機會，同樣有可能提高當地房價［25］。隨著現代都市人對自然景觀重視程度的大幅提升［12，17］，園林綠化和濱水景觀更符合城市居民對安全、健康、宜居環境的要求和對美好生活的向往［39］。因此，街景綠化、垂直綠化、濱水空間等自然景觀都成為推動房價的關鍵因素［36，40］。

4.1.3區位特征

區位特征經常被認為是影響房地產市場價格的關鍵因素，它反映了住宅地理位置的優劣對住房價格的影響。這些特征包括距離市中心的遠近、公共交通的可達性、與高速公路或主干道的接近度，以及與火車站或機場的距離等。諸多研究顯示，到市中心的距離和公共交通可達性的改善對房地產市場價格會產生積極影響［4142］，而對與高速公路或主干道的接近度、到達火車站或機場的距離等大型城際交通基礎設施的影響尚不明確［37，43］，這些基礎設施的影響效果取決于它們對當地居民產生的正負向綜合外部性效應以及最終的凈效用。隨著低碳綠色和健康出行等理念的普及，步行體驗日益成為城市居民日常生活的重要組成部分，對居住環境可步行性的評價變得愈發重要［44］。因此，相關研究發現居民從重視公共服務設施的可達性逐漸轉向街區的可步行性［42］。社區內日常服務設施的多樣性和空間布局的優化有助于改善步行出行的便捷性和舒適性。可步行性不僅反映了社區設施的服務水平，而且良好的可步行性意味著社區服務設施完善，有助于改善人居環境，提高房價［42，44］。

4.1.4其他特征

除了上述常見的三大維度特征解釋變量外，房地產市場價格也會受到其他目標對象可達性或環境特征變量的影響。例如，部分學者運用特征價格模型方法，探討了環境污染（空氣和噪聲污染）［35］、鄰避設施（核電站、垃圾填埋場）［45］、洪澇災害［46］、地區創新活力［47］、多中心空間結構［48］、就業可達性［33］、土地利用混合度［34］、社交媒體大數據［49］等特征因素與房地產市場價格的關系。研究表明，環境污染、鄰避設施和洪澇災害等負外部性因素容易對住宅價格產生顯著的負面影響；相反，創新活力、城市次中心、就業可達性、土地混合利用、社交媒體情感評價等有利條件可顯著提升住宅價格。

綜合來看，影響城市房地產市場價格的特征因素種類較多，不同實證研究發現的房價或租金影響因素各異，甚至同一特征變量對不同城市或同一城市內部不同地區房價和租金的影響強度和方向也可能存在差異。這與不同特征價格模型應用研究中的研究區域和研究空間尺度選擇、數據來源、模型方法的選取以及特征變量的定義與測度方法等存在差異有關。

4.2特征變量測度方法

在研究住宅市場產品差異的過程中發現，對不同特征變量內涵理解的差異直接影響其測度方法，特征變量的常用定義或測度方式包括以下3個方面（見表2）：1）特征有無。主要表示住宅市場產品有無某項特征屬性，如廚衛設施、車庫、山景、湖景、1公里范圍內是否有學校或公共交通站點等。該類特征變量主要用虛擬變量表示。2）特征數量。主要反映住房市場產品擁有某項特征的量綱大小，如樓層、居住面積、人口和就業密度、人口結構、空氣和噪聲污染、土地利用混合度等。該類特征變量更適合采用連續變量進行直接度量。3）特征可達性。主要測度鄰里設施或區位特征的可達性，如公共服務設施可達性、到市中心的距離、到火車站或飛機場的距離等。可達性的測度方法較為多樣，包括最短距離可達性、累計機會可達性、緩沖區分析和核密度分析等不同方法，主要以連續變量形式進行度量。部分研究在可達性測度的基礎上進行等級賦分處理，使其變為等級有序變量［50］。

5研究展望

5.1完善特征價格模型研究的理論框架

新消費者理論和市場均衡理論是特征價格模型方法應用研究的重要理論基礎，但有不少研究忽略了房地產市場供需均衡的基本假設前提，研究過程和使用方法不夠規范和嚴謹。從研究對象來看，現有的特征價格模型應用研究主要考慮房屋的結構特征、鄰里特征和區位特征等傳統因素，對于舊城改造、學區調整、城市空間結構、鄰里社會經濟活力、鄰里社會文化環境等新興環境特征和政策因素的研究相對較少，這些新興因素對房地產市場價格的資本化效應研究較為缺乏。未來的研究應重點關注這些新興環境因素或政策實驗沖擊對房地產市場價格的潛在影響，不斷深化特征價格模型應用研究的理論內容。同時，加強居民對不同特征變量的邊際支付意愿分析，為掌握城市房地產市場價格動態變化，以及合理估算各類特征變量的市場化價值提供科學依據。

5.2選擇合適的特征價格模型方法

縱觀過去的特征價格模型應用研究，由于原始數據的特征和研究目標等不同，學者采用了各式各樣的特征價格模型方程，但缺乏統一固定的研究方法，導致同一研究區域的研究結論可能大相徑庭。因此，未來的研究還應結合樣本數據特征，選擇最合適的特征價格模型方程，以提高模型估計結果的精確性。如果房地產市場價格原始數據存在非正態分布或異方差等特征，應優先選擇對數模型或BoxCox變換模型；如果房地產市場價格存在空間溢出效應，應選擇能夠處理空間依賴性或空間異質性的空間特征價格模型方程；如果研究對象的住房子市場分化比較明顯，抑或房地產市場價格數據存在典型的嵌套結構，以多層次模型或空間多層次模型為基礎的特征價格模型方程為首選方法；如果影響因子存在非獨立性、非線性或多元共線性的情況，機器學習則為較優選。鑒于房地產市場價格在不同空間尺度均存在顯著的空間依賴性和空間異質性等空間效應，未來的研究應加強空間特征價格模型，尤其是空間特征模型和多層次模型相結合的應用和推廣。此外，面對數據量龐大、影響因子多樣的情況，還可采用隨機森林或神經網絡等機器學習方法提高預測結果的準確性和穩健性。

5.3規范特征變量的測度方法

特征變量的內涵界定和測度方法不同，是導致特征價格模型方法應用研究結果差異的重要潛在因素之一。對于結構特征解釋變量的內涵界定和測度方法通常較為明晰，主要采用虛擬變量或連續變量直接計數等方式進行度量。但是，度量公共服務設施等鄰里特征可達性的測度方法較多，包括最短距離可達性、累計機會可達性、緩沖區分析、重力模型和兩步移動搜索可達性等

。因此，關于公共服務設施等鄰里特征可達性測度方法的合理性爭議最大。現有的特征價格模型應用研究主要以最短距離可達性或累計機會可達性等簡易測度方法為主，較少考慮設施供給和需求競爭對公共服務設施可達性服務品質帶來的潛在影響。未來的研究應該考慮設施供給需求競爭以及不同類型或等級公共服務設施實際服務半徑的影響，從而更精準地測度公共服務設施可達性對房地產市場價格的影響。同時，加強不同可達性測度方法對房地產市場價格影響的敏感性分析，得到更科學合理的參數估計值。

5.4提高研究結論的普適性

住宅產品是一種具有典型異質性特征的商品，不同地區居民對住宅消費的偏好存在差異性，導致同一特征解釋變量對不同地區房地產市場價格的影響強度和方向均存在一定程度的差異。但現有研究大部分只關注住宅銷售價格評估和影響因素分析，對住房租賃市場價格評估及其影響因素的研究相對不足，尤其是針對住房銷售價格和住宅租賃價格影響因素的對比研究和影響機制分析較為欠缺。因此，未來不僅需要加強特征價格模型在中國住房租賃市場上的應用，尤其是在長租公寓中的應用，并加強對租購市場影響因素的對比分析。同時，還應加強特征變量與國內外研究結果的對比分析，深入分析各地特征變量對房地產市場價格的影響機制，進一步提升實證研究的理論貢獻。此外，采用元分析方法來探討各類特征變量對房地產市場價格的影響效應大小，以獲得特征變量對各類房地產市場價格影響的一般化效應，從而提升特征變量研究結論的普適性。

［參考文獻］

［1］ZHANG F，ZHANG C Y，HUDSON J.Housing conditions and life satisfaction in urban China［J］.Cities，2018（81）：35-44.

［2］LANCASTER K J.A new approach to consumer theory［J］.The Journal of Political Economy，1966，74（2）：132-157.

［3］ROSEN S. Hedonic prices and implicit markets：product differentiation in pure competitions［J］.Journal of Political Economy，1974（72）：34-55.

［4］石薇，王洪衛，谷卿德.運用分位回歸特征價格模型構建住房價格指數［J］.統計與決策，2015（4）：9-12.

［5］沈體雁，于瀚辰，周麟，等.北京市二手住宅價格影響機制——基于多尺度地理加權回歸模型（MGWR）的研究［J］.經濟地理，2020，40（3）：75-83.

［6］溫海珍，李旭寧，張凌.城市景觀對住宅價格的影響——以杭州市為例［J］.地理研究，2012，31（10）：1806-1814.

［7］古恒宇，沈體雁，周麟，等.基于GWR和sDNA模型的廣州市路網形態對住宅價格影響的時空分析［J］.經濟地理，2018，38（3）：82-91.

［8］KANG C D.Effects of spatial access to neighborhood landuse density on housing prices：evidence from a multilevel hedonic analysis in Seoul， South Korea［J］.Environment and Planning Burban Analytics and City Science，2019，46（4）：603-625.

［9］郭文剛，崔新明，溫海珍.城市住宅特征價格分析：對杭州市的實證研究 ［J］.經濟地理，2006（S1）：172-175.

［10］BOENNEC L R，BULTEAU J，FEUILLET T.The role of commuter rail accessibility in the formation of residential land values： exploring spatial heterogeneity in periurban and remote areas ［J］.Annals of Regional Science，2022，69（1）：163-186.

［11］HUANG B，WU B，BARRY M.Geographically and temporally

weighted regression for modeling spatiotemporal variation in house prices［J］.International Journal of Geographical Information Science，2010，24（3）：383-401.

［12］GLAESENER M L，CARUSO G.Neighborhood green and services diversity effects on land prices： evidence from a multilevel hedonic analysis in Luxembourg［J］.Landscape and Urban Planning，2015（143）：100-111.

［13］DUNCAN C，JONES K，MOON G.Context，composition and heterogeneity： using multilevel models in health research［J］.Social Science & Medicine，1998，46（1）：97-117.

［14］GUO B Y，LI K N，FU C.Utilizing multilevel modeling to measure neighborhood dynamics and their impact on house prices［J］.Applied SciencesBasel，2023，13（8）：5180.

［15］DONG G P，MA J，HARRIS R， et al.Spatial random slope multilevel modeling using multivariate conditional autoregressive models： a case study of subjective travel satisfaction in Beijing［J］.Annals of the American Association of Geographers，2016，106（1）：19-35.

［16］陳詩沁，王洪偉.基于機器學習的房地產批量評估模型［J］.統計與決策，2020，36（9）：181-185.

［17］宋偉軒，王捷凱，金荷仙，等.城市景觀紳士化社會空間特征、機制與效應——以南京為例［J］.經濟地理，2023，43（11）：104-114.

［18］XU X J，ZHANG Y.Residential housing price index forecasting via neural networks［J］.Neural Computing & Applications，2022，34（17）：14763-14776.

［19］石榮，張特，楊國濤.計量經濟學中的機器學習方法：回顧與展望［J］.統計與決策，2024，40（1）：52-56.

［20］CZEMBROWSKI P，KRONENBERG J.Hedonic pricing and different urban green space types and sizes：insights into the discussion on valuing ecosystem services［J］.Landscape and Urban Planning，2016（146）：11-19.

［21］YANG L C，CHU X L，GOU Z H，et al.Accessibility and proximity effects of bus rapid transit on housing prices：heterogeneity across price quantiles and space［J］.Journal of Transport Geography，2020（88）：102850.

［22］羅琳，楊喜平，李繼園.西安市二手房價格的影響因素及空間異質性［J］.地域研究與開發，2023，42（4）：57-63.

［23］YANG L C，LIANG Y，HE B J， et al.COVID19 effects on property markets： the pandemic decreases the implicit price of metro accessibility［J］.Tunnelling and Underground Space Technology，2022（125）：104528.

［24］祁煒.城市住宅價格指數編制方法探討［J］.統計與決策，2018，34（7）：37-40.

［25］YANG L C，WANG B，ZHOU J P，et al.Walking accessibility and property prices［J］.Transportation Research Part DTransport and Environment，2018（62）：551-562.

［26］黃曉燕，譚瑋寶，康晨晨，等.“租購同權”政策對學區房溢價的影響研究——基于空間特征價格模型的廣州實證［J］.人文地理，2022，37（5）：42-52.

［27］ZHANG Y，ZHANG D C，MILLER E J.Spatial autoregressive analysis and modeling of housing prices in city of Toronto［J］.Journal of Urban Planning and Development，2021，147（1）：05021003.

［28］溫海珍，張之禮，張凌.基于空間計量模型的住宅價格空間效應實證分析：以杭州市為例［J］.系統工程理論與實踐，2011，31（9）：1661-1667.

［29］趙偉，鐘滿.城中村對周邊商品住房租金的影響及空間效應［J］.城市問題，2023（8）：54-62.

［30］EFTHYMIOU D ANTONIOU C.How do transport infrastructure and policies affect house prices and rents？ Evidence from Athens， Greece［J］.Transportation Research Part Apolicy and Practice， 2013（52）：1-22.

［31］LIU J P，YANG Y，XU S H，et al.A geographically temporal weighted regression approach with travel distance for house price estimation［J］.Entropy，2016，18（8）：303.

［32］LI X，CHEN W Y，CHO F H T，et al.Bringing the vertical dimension into a planar multilevel autoregressive model：a citylevel hedonic analysis of homebuyers utilities and urban river attributes［J］.Science of the Total Environment，2021（772）：145547.

［33］ATUESTA L H，IBARRAOLIVO J E，LOZANOGRACIA N，et al.Access to employment and property values in Mexico［J］.Regional Science and Urban Economics，2018（70）：142-154.

［34］KOSTER H R A，ROUWENDAL J.The impact of mixed land use on residential property values［J］.Journal of Regional Science，2012，52（5）：733-761.

［35］BOENNEC L R，SALLADARRE F.The impact of air pollution and noise on the real estate market.The case of the 2013 European green capital： Nantes， France［J］.Ecological Economics，2017（138）：82-89.

［36］YAMAGATA Y，MURAKAMI D，YOSHIDA T，et al.Value of urban views in a bay city：hedonic analysis with the spatial multilevel additive regression （SMAR） model［J］.Landscape and Urban Planning，2016（151）：89-102.

［37］LI H，CHEN P J，GRANT R.Built environment，special economic zone， and housing prices in Shenzhen，China［J］.Applied Geography，2021（129）：102429.

［38］康雷，張文忠.鄰里社會環境對居民幸福感的影響——以北京典型低收入社區為例［J］.地域研究與開發，2021，40（3）：50-5.

［39］冷紅，陳天，何寶杰，等.氣候適應性與空間品質提升［J］.城市規劃，2023，47（11）：46-50.

［40］溫海珍，卜曉慶，秦中伏.城市湖景對住宅價格的空間影響——以杭州西湖為例［J］.經濟地理，2012，32（11）：58-64.

［41］馮友建，陳天一.基于SEM模型的軌道交通對住宅價格的空間效應——以杭州市為例［J］.浙江大學學報（理學版），2020，47（1）：115-122.

［42］楊林川，張銜春，洪世鍵，等.公共服務設施步行可達性對住宅價格的影響——基于累積機會的可達性度量方法［J］.南方經濟，2016（1）：57-70.

［43］SEO K，GOLUB A，KUBY M.Combined impacts of highways and light rail transit on residential property values：a spatial hedonic price model for

phoenix， Arizona［J］.Journal of Transport Geography，2014（41）：53-62.

［44］孫光華.基于多源大數據的城市街道可步行性評價研究——以南京市中心城區為例［J］.現代城市研究，2020（11）：34-41.

［45］HITE D，CHERN W，HITZHUSEN F，et al.Propertyvalue impacts of an environmental disamenity：the case of landfills［J］.Journal of Real Estate Finance and Economics，2001，22（2-3）：185-202.

［46］ZHANG L，LEONARD T.Flood hazards impact on neighborhood house prices［J］.Journal of Real Estate Finance and Economics，2019， 58（4）：656-674.

［47］WU K M， WANG Y，ZHANG H O，et al.On innovation capitalization：

empirical evidence from Guangzhou， China［J］.Habitat International，2021（109）：102323.

［48］WEN H Z， TAO Y L.Polycentric urban structure and housing price in the transitional China： evidence from Hangzhou［J］.Habitat International，2015（46）：138-146.

［49］TAN M J，GUAN C H.Are people happier in locations of high property value？ Spatial temporal analytics of activity frequency， public sentiment and housing price using twitter data［J］.Applied Geography，2021（132）：102474.

［50］賈生華，溫海珍.房地產特征價格模型的理論發展及其應用［J］.外國經濟與管理，2004（5）：42-44.