基于特征價格模型的上海市二手房住宅價格研究

張采懌 余欣甜

摘要：通過簡要介紹特征價格法，構(gòu)建特征價格模型用于實證研究上海市的住宅價格，進而從微觀的角度得到住宅價格的影響因素，并應(yīng)用SPSS軟件進行回歸分析，計算得出影響上海市二手房價的主要特征因素及其影響大小，并進行相關(guān)分析，最終獲得上海市二手房住宅特征價格模型。

關(guān)鍵詞：特征價格法 上海市 住宅價格

一、特征價格法簡要介紹

（一）特征價格法基本原理

特征價格法就是通過人們購買具有一定屬性的商品的價格，來推斷人們賦予各屬性價值量大小的一種價值評估方法。住宅特征，即住宅商品本身的特征。對于住宅商品來說，消費者對住宅的需求，并不是基于住宅本身而是因為商品所含有的特征。消費者可以選擇不同的建筑類型、不同的小區(qū)環(huán)境以及不同的交通便利程度等來滿足個人的置業(yè)偏好，以實現(xiàn)效用最大化（王德，黃萬樞，2005）。

特征價格，英文為“hedonic price”，指的是住宅的每個特征都對應(yīng)著一個價格，通過分析每增加一單位屬性，消費者愿意額外支付的費用，就可以評估這種無法直接從市場上獲得到的影響因素的隱含價格。特征價格模型（Hedonic Price Model）是國外用來處理異質(zhì)產(chǎn)品差異特征與產(chǎn)品價格之間關(guān)系時廣泛使用的一個模型（溫海珍，2004）。

（二）特征價格模型的基本原理

巴特勒指出，特征住宅價格模型應(yīng)當(dāng)僅包括影響住宅價格的因素（Butler， R V，1982）。通常影響住宅價格的因素有三大類：區(qū)位（Location）、建筑結(jié)構(gòu)（Structure）、鄰里環(huán)境（Neighborhood），因此，住宅價格P就可以用公式表達為：

該方程稱為Hedonic住宅價格模型。通過回歸分析獲得模型的參數(shù)估計，就得到屬性的特征價格。

二、特征價格模型——上海市住宅價格研究

（一）特征變量的選擇

在利用特征價格理論構(gòu)建模型時，選擇合適的住宅特征因素是極為重要的。因不同國家、地區(qū)和文化間存在著較大的差異，導(dǎo)致了房屋購買者對住宅的特征因素偏好存在差異。所以，應(yīng)該通過了解現(xiàn)有研究中所使用的特征因素，再結(jié)合所研究的當(dāng)?shù)胤康禺a(chǎn)市場的特征，才能更好地發(fā)展和完善特征價格法對房屋價格的解釋。

因此，本文通過大量閱讀現(xiàn)有文獻，總結(jié)以下對住宅價值影響較為突出的特征因素，并將其分為三大類，區(qū)位特征（L）、建筑特征（S）和鄰里特征（N）（Butler， 1982）。

調(diào)查的特征變量共計十項，兩項為區(qū)位特征，五項為建筑特征，三項為鄰里特征變量，具體內(nèi)容如下表：

（二）建立Hedonic住宅價格模型

1、模型的構(gòu)建

住宅價格P與住宅特征Z之間的關(guān)系可以表達為：

其中：P為住宅的市場總價格，為因變量

Z為住宅特征向量，包括L、S和N三部分，為自變量。L為住宅的區(qū)位特征，S為建筑特征，N為鄰里特征。

在其他條件相同的情況下，對該方程求各個住宅特征的偏導(dǎo)數(shù)就得到住宅特征價格的隱含價格，也就是特征價格，如下：

上述方程中的系數(shù)為相應(yīng)住宅各因素的特征價格，住宅總價格就等于特征價格的代數(shù)和。

2、設(shè)定函數(shù)

因為經(jīng)濟學(xué)理論并沒有指明住宅價格和特征之間究竟適合哪種函數(shù)關(guān)系，都是憑經(jīng)驗初步設(shè)定函數(shù)形式，然后不斷地嘗試和修正，直到認為能夠解釋樣本數(shù)據(jù)的差異，并使得模型對樣本數(shù)據(jù)的擬合滿足要求為止。

線性函數(shù)、對數(shù)函數(shù)、半對數(shù)函數(shù)、對數(shù)線性函數(shù)、Box-Cox變換函數(shù)是經(jīng)常采用的五種函數(shù)形式。本例選取更具普遍性的線性函數(shù)形式，如下：

其中：Y表示房價

b為常數(shù)項

為特征價格

為特征因素

（三）樣本數(shù)據(jù)的獲取及量化

1、數(shù)據(jù)獲取

本案例中數(shù)據(jù)由兩種途徑獲得，住宅出售掛牌數(shù)據(jù)和電子地圖數(shù)據(jù)。

（1）掛牌資料

掛牌資料中可獲得的數(shù)據(jù)，主要包括住宅的售價、所屬小區(qū)名稱、區(qū)位、建筑面積、裝修、房齡、容積率，綠化率等，并且可以獲得有關(guān)文體設(shè)施配套和內(nèi)外部環(huán)境的客觀評價。

（2）電子地圖數(shù)據(jù)

采用電子地圖來測量各住宅小區(qū)分別到市中心的直線距離。并且考察小區(qū)附近的公交地鐵數(shù)目，和小區(qū)周圍商場、超市、菜場、銀行、學(xué)校、醫(yī)院、餐廳等生活服務(wù)配套設(shè)施的完善程度。

掛牌資料來源：房價網(wǎng) http：//sh.fangjia.com/ 安居客 http：//shanghai.anjuke.com/

地圖數(shù)據(jù)來源：谷歌地圖 http：//ditu.google.cn/maps？hl=zh-CN&tab=wl

樣本個數(shù)：整個上海市抽取34個住宅樣本，平均每個區(qū)抽取兩個樣本，涵蓋高中低檔三類小區(qū)

2、特征變量描述及量化

（1）定量變量的量化

定量變量直接采用變量的實際數(shù)值，或僅僅對原始數(shù)值進行簡單的變換。該方法比較簡單，同時也能客觀反映變量內(nèi)涵。其中定量變量的特征變量包括：住宅價格、建筑面積、房齡、容積率、綠化率和市中心距離。

（2）定性變量的量化

分別用兩種方法來量化定性變量，李克特量表和綜合性指標(biāo)量化方法，有助于減少特征變量的數(shù)目，防止出現(xiàn)嚴重的共線性問題。

（四）模型的構(gòu)建及檢驗

運用SPSS軟件進行回歸分析，并對模型進行檢驗。

將因變量和十個自變量全部輸入軟件，并采取逐步線性回歸方法建立線性回歸模型。

從上表中可知，復(fù)相關(guān)系數(shù)R為0.786，擬合優(yōu)度R2為0.863，經(jīng)調(diào)整的R2為0.844。其中擬合優(yōu)度R2是指y的變化中能被回歸模型解釋的部分占y總變化的比率，即這個回歸模型可以解釋y的多少變化。此線性模型能解釋因變量差異的百分比約為86.3%，說明該特征住宅價格模型具有很強的解釋能力。

將表中得到的系數(shù)代入構(gòu)建的線性函數(shù)公式中，最后得到模型的函數(shù)形式，如下所示：

住宅特征價格線性模型為：

房價=-661.388+3.932*建筑面積+102.348*生活設(shè)施配套

+83.738*內(nèi)外部環(huán)境- 13.457*房齡

三、總結(jié)

從模型構(gòu)建得到的線性模型中，可以看出影響上海市住宅價格的主要因素為建筑面積、生活設(shè)施配套、內(nèi)外部環(huán)境和房齡這四個特征因素。

其中建筑面積對住宅價格的影響最突出，表明了決定一棟住宅價格最重要的影響因素就是其建筑面積，建筑面積越大，住宅價格越高。

其次為生活設(shè)施配套和內(nèi)外部環(huán)境，這說明了人們購買一棟住宅時，不僅重視住宅本身的建筑特點，很大程度上還會關(guān)心住宅周邊的生活配套設(shè)施和服務(wù)是否到位，以及小區(qū)內(nèi)外環(huán)境是否滿意舒心等。

最后一個重要因素是房齡，且其影響與人們的預(yù)期也是保持一致的，及與房價呈負相關(guān)。一棟住宅建筑年限越久，房屋的價值也自然會下降，這也是因為人們房屋已使用的時間越久，外觀通常就會受到影響，而硬件設(shè)施、和建筑也會發(fā)生磨損等現(xiàn)象，進而影響房價。當(dāng)然這是從普通住宅的角度出發(fā)的，并不包括那些具有一定歷史意義的建筑。

所構(gòu)建的模型中，選取出的四項重要因素，兩項屬于建筑因素、兩項屬于鄰里因素，而并未選出有效地區(qū)位因素。這可能是和樣本量過小有關(guān)，還有可能就是區(qū)位因素中到市中心的距離和生活配套設(shè)施之間可存在一定的相關(guān)性，進而影響了這一因素的選取。其相關(guān)性可能是因為事實上越靠近市中心的地區(qū)其商業(yè)越發(fā)達，生活設(shè)施和服務(wù)往往越完善，從而導(dǎo)致了正相關(guān)性的存在。而交通因素有可能是因為衡量方法存在問題，進而導(dǎo)致了不能入選的情況。

所以，本研究未來的研究方向即為發(fā)展和完善特征因素的選取和衡量方法，增加住宅的樣本量，使得構(gòu)造的上海市住宅特征價格模型更具普適性和價值性。

參考文獻：

[1]王德，黃萬樞.Hedonic住宅價格法及其應(yīng)用[J].城市規(guī)劃，2005（03）：62-71

[2]溫海珍.城市住宅的特征價格：理論分析與實證研究[D].浙江大學(xué)， 2004

[3]Butler R V. The Specification of Hedonic Indexes for Urban Housing.[J].Land Economics，1982，58（1）：96