中國住宅地價房價比的空間格局、演變特征及影響因素
——基于35個大中城市的空間計量分析

周小平，秦振揚，趙 松，柴 鐸

（1.北京師范大學政府管理學院，北京 100875；2.中國國土勘測規(guī)劃院，北京 100035；3.中央財經大學政府管理學院，北京 100081）

1 引言

近年來，隨著商品住宅價格和土地價格的較快上漲，住宅市場和土地市場一直是政府、社會和學術界關注的熱點。2016年12月，中央經濟工作會議明確提出“房子是用來住的，不是用來炒的”調控總原則，各地相繼出臺了嚴厲調控政策，包括限購、限貸、限售等。同時，由于地價在開發(fā)商建房成本中占較大比例，地價和房價的關系緊密，調控也更加注重供給側，比如土地限價令、限地價競自持等。由于不同城市的住宅市場、土地市場存在一定差異，“因城施策”式調控成為政策的主導方向，而了解不同城市的差異及影響因素則是制定合理調控政策的前提。

國內學術界對于地價或房價各自區(qū)域特征及影響因素的研究已經較為豐富，研究內容主要集中在兩個領域：（1）研究不同城市房價或地價的差異和關聯(lián)[1-4]，一般從人口、經濟、城市規(guī)模、區(qū)位和房地產市場等方面探討影響因素，也有研究探討了城市間房地產價格的相互影響；（2）研究同一城市內不同區(qū)域的差異[5-6]。然而，對于地價房價比這一衡量城市房地產市場發(fā)展狀況的重要指標，目前研究較為缺乏，僅有定性的分析和簡單的國際對比。比如張文新等介紹了美國、英國、瑞典、韓國、日本和新加坡的地價房價比[7]，張清勇分析了美國、英國、澳大利亞等國家地價房價比歷史變動和區(qū)域差異，并與2002—2005年中國8大城市的情況相比較[8]。宋勃等以土地資源豐富程度為標準，研究了土地資源較為豐富的美國、瑞典和土地資源較為稀缺的韓國、日本、新加坡和中國香港的地價房價比，并與中國29個大中城市進行了對比研究[9]。梳理上述研究文獻可知關于地價房價比的研究還存在一定缺陷和空白：一是現(xiàn)有研究使用的地價房價比數據覆蓋面小或權威性不足；二是對近年來中國大中城市地價房價比的空間格局及其演變規(guī)律，影響地價房價比差異的關鍵因素等尚缺乏深入研究。鑒于此，本文在擴大樣本覆蓋面的基礎上，運用描述性分析、探索性空間數據分析和空間計量模型分析了近8年來35個大中城市地價房價比的時空演變特征及影響因素，以期為探尋地價房價比規(guī)律、制定科學的房地產市場調控政策提供參考。

2 研究方法與數據來源

2.1 探索性空間數據分析

探索性空間數據分析的核心是認識與地理位置相關的數據間的空間依賴，適用于探索35個大中城市住宅地價房價比的空間關聯(lián)格局和演變特征，其包括空間權重矩陣的構建、全局空間自相關、局部空間自相關的度量[10]。

2.1.1 空間權重矩陣

空間權重矩陣反映不同城市在空間上的鄰近關系，由于35個大中城市為離散的點，在空間上并不接壤，但不意味著大中城市間不存在互相影響，本文采用地理距離矩陣反映城市間的鄰近關系（式（1）），即以城市i和j地圖上歐式距離d的倒數作為權重，距離越近權重越大，距離越遠權重越小，反映出地區(qū)間的相關性隨距離增加而逐漸衰減的一般特點。

2.1.2 全局空間自相關

全局Moran指數反映的是空間鄰接或鄰近的區(qū)域單元屬性值的相似程度[11]，在本文中即35個大中城市住宅地價房價比在全國范圍內空間依賴的程度，其計算公式為：

式（2）中：wij為空間權重；xi和xj分別為城市i和j的地價房價比。Moran’s I的取值介于-1～1之間，在給定的顯著性水平下，大于0表示正空間相關，小于0表示負空間相關，值越大則相關的程度越高，反之，相關的程度越小。

2.1.3 局部空間自相關

局部空間自相關描述一個空間單元與其鄰域的相似程度，反映了空間異質性，說明空間依賴度是如何隨位置變化的，一般采用Moran散點圖來反映。在本文中可以反映出哪個區(qū)域地價房價比均較高、哪些區(qū)域地價房價比均較低或者哪些城市地價房價比和周圍差異較大。

2.2 空間計量模型

在確定變量之間存在空間相關性后，需要運用空間計量模型進行估計?？臻g計量模型的一般形式如下：

式（3）中：Y為被解釋變量；W為空間權重矩陣；X為解釋變量；u為隨機誤差項；β為解釋變量對被解釋變量的影響；λ為相鄰地區(qū)被解釋變量對本地被解釋變量的影響；δ為相鄰地區(qū)解釋變量對本地被解釋變量的影響；ρ為隨機誤差項的空間相關系數。當δ=ρ= 0時，式（3）為空間滯后模型（SLM），當λ=δ= 0時，式（3）為空間誤差模型（SEM）；當ρ= 0時，式（3）為空間杜賓模型（SDM）。在實際中可以采用Wald 檢驗和LR檢驗來確定SDM是否可以簡化為SLM或SEM。

2.3 數據來源

本文使用的地價房價比等于每平方米樓面地價除以每平方米房價，數據來源于中國國土勘測規(guī)劃院的中國城市地價動態(tài)監(jiān)測系統(tǒng)。原始樓面地價和房價數據來源于全國105個監(jiān)測城市每季度基于多個樣本點的評估調查，樣本點覆蓋城市的各個區(qū)域。城市地價房價比為該城市所有樣本點地價房價比的算數平均值，并將四季度值作為年度值?？紤]其他數據的可得性和樣本的代表性，本文選取其中35個大中城市作為本文研究對象。在地價房價比影響因素的探究中，使用的商品住宅銷售價格、住宅用地供應量數據來源于中國指數研究院CREIS數據庫，城市的經濟社會基本面數據來源于2009—2017年《中國城市統(tǒng)計年鑒》《中國房地產統(tǒng)計年鑒》和各市統(tǒng)計公報。本文使用的空間權重矩陣中不同城市之間的地理距離由ArcGIS 10.2根據城市經緯度坐標轉換的投影坐標采用歐氏距離計算得出。

3 中國住宅地價房價比的空間格局及演變

3.1 總體和分區(qū)域格局及演變

為了研究35個大中城市住宅地價房價比的總體和分區(qū)域變動趨勢，本文首先計算了35個大中城市以及其中東部、東北、中部和西部①根據國家統(tǒng)計局每月全國房地產開發(fā)投資和銷售情況中關于區(qū)域的劃分標準，東部地區(qū)包括北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南10個?。ㄊ校?；中部地區(qū)包括山西、安徽、江西、河南、湖北、湖南6個??；西部地區(qū)包括內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆12個?。ㄊ?、自治區(qū)）；東北地區(qū)包括遼寧、吉林、黑龍江3省。城市逐年地價房價比平均值，結果如圖1所示。從總體趨勢來看，2010—2017年，35個大中城市的地價房價比呈先降后升再降的趨勢。在短期內土地供給受供應計劃和規(guī)劃的限制而缺乏彈性，根據李嘉圖的地租理論，當土地供給固定時，土地價格由需求曲線決定。土地作為住宅的引致需求，短期內其價格增長一般滯后于房價上漲而且受房價預期的影響[12]。2010—2013年，受嚴厲調控政策的影響，房地產市場整體處于調整期，開發(fā)企業(yè)對未來預期不明確，地價增長較為緩慢，地價房價比持續(xù)走低。2014年，在經濟下行背景下，政策面開始逐步放寬。除北京、上海、廣州、深圳和三亞以外，實施限購政策的城市均逐步放松或取消限購，市場預期轉暖，2014年地價房價比上漲到35.54%。2015—2017年，地價房價比逐年降低，主要原因是2015年以來，隨著房地產市場的財政政策和貨幣政策進一步放松，一線和熱點二線城市房價快速上漲，這一輪房價上漲大大超出了之前的市場預期，漲幅遠超地價，導致總體住宅地價房價比降低。

分區(qū)域趨勢來看：首先，不同區(qū)域間地價房價比絕對值差異較大。2010—2017年，東部城市平均地價房價比均在40%左右，遠高于總體平均值，中部次之，近年來保持在32%左右，東北和西部平均值較為接近，都在28%左右。其次，不同區(qū)域間地價房價比的變化趨勢差異較為明顯。2010—2015年，東部地區(qū)地價房價比逐年上升，從39.65%上漲到45.47%，說明即使在市場調整期，市場主體對東部地區(qū)房地產市場的長期預期仍較樂觀，房價在調控下增速下降而地價仍較快增長。而2015—2017年地價房價比快速下降，主要是由于較為寬松的政策刺激了大量需求，房價增幅明顯快于地價；東北地區(qū)2010—2013年地價房價比顯著降低，從35.37%下降到26.03%，且近年來仍在低位徘徊，主要是因為東北地區(qū)經濟下行壓力較大，人口流出較多，房地產市場不景氣，地價增長緩慢甚至下跌；中、西部地區(qū)的趨勢較為接近，均是在2010—2012年的市場調整期小幅降低后逐步上漲，但中部的上漲幅度較西部更高。2016年以來中、西部仍保持上升趨勢，反映出在一線城市受到更嚴厲調控背景下，二線城市仍受到開發(fā)企業(yè)關注，預期到一線城市需求可能外溢到二線城市，企業(yè)拿地需求強烈，地價增長速度較快。

3.2 各城市空間分布格局及演變

圖1 2010—2017年35個大中城市及分區(qū)域地價房價比平均值變化趨勢Fig.1 The trend of land share in housing price of 35 cities and sub-region from 2010 to 2017

表1 2010、2012、2014、2017年35個大中城市地價房價比排序Tab.1 The rank of land share in housing price in 2010, 2012, 2014 and 2017

為了研究各城市住宅地價房價比的空間分布格局及演變情況，本文以分位數對 2010—2017年35個大中城市地價房價比進行了排序（表1）。從總體空間格局來看，35個大中城市地價房價比大致呈現(xiàn)東南高、西北低，由沿海向內陸遞減的格局，且這一格局8年來基本沒有發(fā)生改變。從局部的演變特征來看，2010—2017年地價房價比一直處于第一或第二分位的主要是東部沿海的城市，比如上海、南京、杭州、寧波、福州、廈門等，這些城市經濟較為發(fā)達、人口規(guī)模大，住宅用地的需求量大而土地資源稀缺，地價相對更高。內陸城市中經濟社會基本面較好的昆明和成都的地價房價比大多數年份也處于第一或第二分位；其次，地價房價比一直處于第三或第四分位的以西部和中部城市為主，比如烏魯木齊、蘭州、西寧、西安和太原等；最后，地價房價比分位數上升較為明顯（首尾年份變動大于或等于兩個分位）的是北京、廣州、呼和浩特，主要是由于地價明顯上漲，分位數降低較為明顯的是長春和合肥，前者主要由于地價下降而后者則是由于房價漲幅較大。

3.3 空間關聯(lián)特征及演變

運用探索性空間數據分析進一步確定35個大中城市地價房價比的總體和局部空間關聯(lián)特征。

首先，本文計算了2010—2017年地價房價比的全局Moran’sI（圖2）。2010—2017年，全局Moran’sI都在1%顯著性水平下為正，說明35個大中城市的地價房價比具有較強的正向空間依賴性，即地價房價比高的城市聚集在一起，地價房價比低的城市聚集在一起。全局Moran’sI在8年內呈現(xiàn)先上升后逐年下降的趨勢，在2013年達到最大值。具體來看，2010—2013年，Moran’sI逐年上升，地價房價比的空間聚集日益顯著，該段時間內隨著房地產市場的分化，主要在東部地區(qū)的一線和熱點二線城市與在中西部地區(qū)的非熱點二線城市間地價房價比的差距在擴大；此后，Moran’sI逐年下降，2016年以來，隨著一線和熱點二線城市調控政策不斷收緊，需求開始外溢，前期非熱點的二線城市房地產市場熱度逐漸上升，地價房價比的空間聚集現(xiàn)象逐步弱化。

圖2 2010年—2017年35個大中城市地價房價比全局Moran’s I變動Fig.2 The trend of global Moran’s I from 2010 to 2017

其次，本文運用莫蘭散點圖考察了地價房價比的局部關聯(lián)特征，其結果呈現(xiàn)在表2中。莫蘭散點圖的4個象限分別表示高高聚集、低高聚集、低低聚集和高低聚集4種局部關聯(lián)特征。2017年，處于第一象限的上海、南京、杭州、寧波、福州和廈門等，自身地價房價比高，且溢出到周邊的大中城市；處于第二象限的南昌、長沙、石家莊、濟南和重慶等，雖然鄰近地價房價比高的大中城市，但未受到溢出影響，自身地價房價比較低；處于第三象限的西寧、烏魯木齊、銀川和太原等，其本身及周邊的地價房價比均處于較低水平；處于第四象限的成都、昆明、北京、天津和大連等，自身地價房價比較高，但其對周邊大中城市的溢出作用不明顯。從表2亦可以看出聚集效應的變化趨勢，高值顯著聚集區(qū)主要在東南沿海，而低值顯著聚集區(qū)在中、西部和東北，這一格局在研究段內未發(fā)生明顯的變化。部分城市表現(xiàn)出異質性，其中常年處于第二象限（低—高聚集）的是南昌和長沙，反映出這兩個城市房地產市場的吸引力較鄰近大中城市不足；常年處于第四象限（高—低聚集）的是成都和昆明，由于宜居性和經濟發(fā)展水平優(yōu)勢，這兩個城市的房地產市場需求較西部地區(qū)周邊大中城市更強，地價也相對更高。綜上所述，地價房價比不僅會受到鄰近城市溢出效應的影響而呈現(xiàn)空間聚集，還受到本地特征的影響而呈現(xiàn)異質性，地價房價比的具體影響機理則需借助空間計量模型進一步研究。

表2 2010、2013、2015、2017年35個大中城市空間聚集類型Tab.2 Spatial aggregation type of land share in housing price in 2010, 2013, 2015 and 2017

4 中國住宅地價房價比空間差異的影響因素

4.1 模型設定

4.1.1 變量選取

住宅地價房價比是反映城市房地產市場的綜合指標，由土地市場和住宅市場的情況綜合決定，而土地市場和房地產市場分別受其自身的供給和需求影響。因此，本文參考已有的研究文獻，從土地市場供求和住宅市場供求的角度選取變量，研究影響不同城市住宅地價房價比差異的因素。在土地市場的供給方面，用當年住宅用地的出讓面積（Landsupply）來反映；在土地市場的需求方面，由于土地是土地產品（住宅）的引致需求[13]，開發(fā)商積極拿地是對未來住宅市場有良好預期的表現(xiàn)，結合適應性預期理論，市場主體的預期往往是基于房價的最近歷史數據[14]，故采用上一年商品住宅價格的增長率（Growthrate）來反映；在住宅市場的供給方面，分為現(xiàn)實供給和潛在供給，分別用上一年商品住宅待售面積加上本年住宅竣工面積（Inventory）和當年房地產開發(fā)投資額（Investment）衡量[15]；在住宅市場的需求方面，用體現(xiàn)人口規(guī)模和聚集程度的人口密度（Density）和體現(xiàn)收入水平的城鎮(zhèn)人均可支配收入（Income）來反映[16]。在控制變量方面，選擇反映經濟基本面情況的城市人均GDP（GDPpc）和一般公共預算支出（Exp）。所有變量均為單個城市的變量而非區(qū)域總量。空間相關性的存在，使得樣本數據無法滿足獨立分布經典假設。如果采用經典估計方法，參數估計結果會出現(xiàn)偏差，因此需要采用空間計量模型。

4.1.2 空間模型選擇

根據ELHORST[17]的空間相關性檢驗和空間模型選擇方法，首先構建LM和R-LM統(tǒng)計量進行空間相關性檢驗，檢驗結果（LM no lag= 10.943，R-LMno lag=5.156，LM no error= 23.860，R-LM no error= 18.072）均在1%顯著性水平下拒絕了原假設，表明應該選用空間計量模型進行估計，與前文Moran檢驗的結果一致。然后，用Wald 統(tǒng)計量和LR統(tǒng)計量來檢驗SDM模型能否簡化為SLM模型或SEM模型，Wald檢驗（Wald（SLM）= 66.685，Wald（SEM）= 74.006）和LR檢驗（LR（SLM）= 62.468，LR（SEM）= 67.581）均在1%的顯著性水平下拒絕了原假設，表明應該使用SDM模型。最后，運用Hausman檢驗進行個體固定效應或時間固定效應和隨機效應的選擇，結果表明應選擇時間固定效應空間杜賓模型。為了消除量綱的影響和減少異方差，對非比例的變量取對數?；谏鲜龇治觯疚臉嫿ǖ挠嬃磕Ｐ腿缦拢?/p>

4.2 回歸結果

運用Matlab對35個大中城市2010—2017年的面板數據進行估計，結果如表3所示。由于部分影響因素的空間滯后項顯著不等于0，回歸系數結果不能直接反映其空間效應，需要對模型求偏微分來檢驗各變量對地價房價比影響的直接效應和間接效應[18-19]。其中直接效應衡量了各個因素對本地住宅地價房價比的影響，間接效應衡量了各個因素對周邊城市住宅地價房價比的影響。表4呈現(xiàn)了直接效應、間接效應和總效應的估計結果。

表4可以看出，各要素的空間效應分解值與表3結果呈現(xiàn)相似規(guī)律。在直接效應方面，在土地和住宅市場的關鍵因素中，住宅用地供給面積、房地產開發(fā)投資額和城鎮(zhèn)人均可支配收入對本地住宅地價房價比有顯著影響。其中，在其他變量不變情況下，住宅用地供給面積每增加1%，本地住宅地價房價比會降低0.016%，說明一個地區(qū)的土地供給量越大，地價會更加穩(wěn)定，有助于降低地價房價比；在其他條件不變情況下，房地產開發(fā)投資額每增加1%，本地住宅地價房價比會升高0.073%，可能是因為房地產開發(fā)投資規(guī)模大會增加住宅的潛在供給，從而穩(wěn)定房價，但同時提升房地產市場的熱度，促使開發(fā)企業(yè)積極拿地，導致地價上漲，地價房價比上升；在其他條件不變情況下，城鎮(zhèn)人均可支配收入每增加1%，本地住宅地價房價比會升高0.310%，收入水平高使得居民購買住房的意愿和支付能力都較強，會促使開發(fā)企業(yè)樂于拿地開發(fā)，從而推升地價房價比。上年住宅待售面積加本年住宅竣工面積、上年商品住宅價格增長率對本地住宅地價房價比的影響不顯著。人均GDP和人口密度對地價房價比沒有顯著的直接效應，可能是因為人均GDP和人口密度均與人均可支配收入高度相關，其效應被人均可支配收入吸收。一般公共預算支出對本地地價房價比有顯著負向影響，可能是財政支出的增加使得城市基礎設施和公共服務得到改善，這些外部性使得短期內房價上升速度超過地價，導致地價房價比降低。關鍵解釋變量中人均可支配收入的影響最大，房地產開發(fā)投資的影響次之，最后是住宅用地供給。

表3 空間杜賓模型回歸結果Tab.3 The results of spatial Durbin model

在間接效應方面，在其他條件不變情況下，住宅用地供給對鄰近大中城市地價房價比有顯著負向溢出效應，在抑制房價過快上漲的大政策背景下，某個城市土地供給的增加可能會促使鄰近大中城市政府采取類似的行動，產生一定“示范效應”，增加住宅用地供給，抑制地價過快增長；在其他條件不變的情況下，房地產開發(fā)投資額和人均可支配收入均對鄰近大中城市的住宅地價房價比有顯著的正向影響，房地產開發(fā)投資規(guī)模在城市間也有一定“示范效應”。由于35個大中城市均為一線和二線城市，當某些城市房地產開發(fā)活動熱度較高時，會通過市場開發(fā)主體的預期溢出到鄰近的城市，導致鄰近城市住宅地價房價比上升。較高的收入水平不僅增加居民的本地購房需求，還可能到鄰近大中城市購房，特別是在一些城市實行嚴厲調控政策的背景下，開發(fā)企業(yè)預期到購房需求的流動，愿意以更高價格競買土地，使鄰近大中城市地價房價比上升；在其他條件不變的情況下，人口密度和人均GDP對鄰近城市地價房價比有顯著負向影響，可能是經濟發(fā)達、人口規(guī)模大的城市的輻射作用帶動鄰近大中城市房價增長，短期內增長速度超過地價，使得地價房價比降低。而上年住宅待售面積加本年住宅竣工面積的、上年商品住宅價格增長率對鄰近大中城市地價房價比均沒有顯著的溢出效應。從數值上看住宅用地供給等因素的間接效應均大于直接效應，原因在于本文采用的是地理距離矩陣而非0-1矩陣，某個大中城市對其余所有大中城市會產生影響，距離越近影響越大，距離越遠影響越小。間接效應的數值是一個城市某個因素的變動對其余34個相關大中城市地價房價比影響的總和[15]。盡管住宅用地供給對地價房價比的間接效應（-16.473）在數值上大于直接效應（-1.588），但對單一大中城市而言，間接效應平均是-0.485（-16.473/34），小于直接效應①其余變量均是相同情況，對單一城市而言，房地產開發(fā)投資額、人口密度、城鎮(zhèn)人均可支配收入和人均GDP的間接效應平均是0.930（31.625/34）、1.411（-47.977/34）、7.858（267.176/34）、3.554（-120.834/34）。，仍是本地因素的變動對地價房價比的影響更大。

表4 空間杜賓模型的直接效應和間接效應估計Tab.4 Direct and indirect effect estimation of Spatial Durbin Model

5 結論與討論

本文選取中國35個大中城市為研究對象，基于中國城市地價動態(tài)監(jiān)測系統(tǒng)數據，運用描述性分析、探索性空間數據分析和空間計量模型深入剖析35個大中城市地價房價比的時空特征及影響因素，主要結論如下：（1）2010—2017年，35個大中城市地價房價比的平均值呈現(xiàn)先降后增再降的趨勢，區(qū)域間絕對值和變化趨勢的差異較為明顯；（2）35個大中城市地價房價比大致呈東南高、西北低的階梯狀格局，大部分城市分位數基本不變，北京、廣州和呼和浩特明顯上升，長春和合肥明顯下降；（3）35個大中城市地價房價比的空間聚集性呈現(xiàn)先升后降的趨勢，在2013年后開始逐年降低，高值顯著聚集區(qū)在東南沿海，而低值顯著聚集區(qū)在中西部，這一格局在研究段內未發(fā)生改變；（4）通過空間計量模型研究發(fā)現(xiàn)，住宅用地供給、房地產開發(fā)投資額和人均可支配收入是顯著影響本地地價房價比的關鍵因素，同時本地住宅用地供給、房地產開發(fā)投資額、人口密度和人均可支配收入對鄰近城市地價房價比有不同程度的溢出效應。

結合本文的研究結論，對中國地價房價比及房地產市場的調控政策有以下討論：

（1）從平均值的角度來看，2016年中國35個大中城市的地價房價比為34.88%，同期美國全國地價房價比為33%[20]，與中國數值接近；從空間格局角度看，東南沿海地區(qū)的城市以一線和熱點二線城市為主，經濟發(fā)達、人口規(guī)模大，房地產需求旺盛而土地資源供應緊張，地價房價比偏高也和國際上的一般特點相符合，同期美國圣弗朗西斯科、洛杉磯、波士頓等核心城市的地價房價比均在60%以上[20]。雖然短期內地價由房價決定，但地價作為房價成本的重要部分，長期看對房價有較大影響，為防止房價過快上漲，地價房價比不宜過高。近年35個大中城市中的中、西部城市的地價房價比持續(xù)增長，可能是在東部地區(qū)城市普遍受到嚴厲調控背景下，房地產開發(fā)和投資需求開始轉向中、西部城市，這一現(xiàn)象值得政策制定部門關注并提前防范風險。

（2）在房地產市場的調控政策方面，本文認為應該同時注重“城市聯(lián)動”和“因城施策”。對于政策制定部門，可以調控和引導的變量是住宅用地供給和房地產開發(fā)投資規(guī)模。空間計量模型的結果發(fā)現(xiàn)住宅用地供給、房地產開發(fā)投資額對住宅地價房價比的影響存在顯著的空間溢出效應，因此距離較近的城市之間應該形成聯(lián)動的“調控場”，比如可以共享年度土地供應計劃和土地出讓信息，聯(lián)合控制區(qū)域內房地產開發(fā)規(guī)模，在此基礎上根據房地產市場的實際情況相互協(xié)調、彈性調整。同時，空間計量模型結果表明地價房價比還受到本地住宅用地供給、房地產開發(fā)投資規(guī)模和人均可支配收入的影響，因此不同城市應根據具體情況“因城施策”。地價房價比偏高的城市應該增加住宅用地供給量。而對于土地資源稀缺、土地供給增量空間小的城市，則應適度控制人口規(guī)模，抑制需求。另外，防止房地產開發(fā)活動過熱也有利于緩解地價房價比升高。

本文對認識中國地價房價比的規(guī)律及制定房地產市場調控政策有一定的積極意義，但這些結論是基于35個大中城市樣本得出的，可能對于其他二、三線城市并不適用，因此未來擴大樣本城市的范圍、細化研究區(qū)域是可以進一步拓展的研究方向。