中國70個大中城市房價指數(shù)空間格局與影響因素分析

虞曉芬 湛東升

(1.浙江工業(yè)大學(xué) 管理學(xué)院， 浙江 杭州 310023； 2.浙江工業(yè)大學(xué) 中國住房和房地產(chǎn)研究院， 浙江 杭州 310023)

一、引言

1998年我國城市住房制度改革以來，城市住宅逐漸走上商品化道路，但由于長期以來大城市商品住宅用地供需不匹配等因素，城市住宅價格上漲幅度較快。統(tǒng)計數(shù)據(jù)顯示，全國商品住房均價從1998年的1854元/平方米上漲到2019年的9287元/平方米，按照消費價格指數(shù)(CPI)平減后房價增幅達到3.29倍(1)參見中華人民共和國國家統(tǒng)計局：《中國統(tǒng)計年鑒2020》，北京：中國統(tǒng)計出版社，2020年。。近年來，中央政府對穩(wěn)房價工作給予了高度重視，并在2019年中央經(jīng)濟工作會議提出，要堅持房子是用來住的、不是用來炒的定位，全面落實因城施策，“穩(wěn)地價、穩(wěn)房價、穩(wěn)預(yù)期”的長效管理調(diào)控機制，促進房地產(chǎn)市場平穩(wěn)健康發(fā)展。2021年12月，中央經(jīng)濟工作會議再次提出要堅持“房住不炒”的政策定位，同時提出要加強預(yù)期引導(dǎo)，支持商品房市場更好滿足購房者的合理住房需求，因城施策促進房地產(chǎn)業(yè)良性循環(huán)和健康發(fā)展。商品房價格的快速上漲已經(jīng)引起政府、社會以及學(xué)術(shù)界的廣泛關(guān)注。

國內(nèi)外學(xué)者對房價空間分異格局及其影響因素的研究成果積累頗為豐富。在空間尺度方面，學(xué)者們從城市內(nèi)部(2)參見沈體雁等：《北京市二手住宅價格影響機制——基于多尺度地理加權(quán)回歸模型(MGWR)的研究》，《經(jīng)濟地理》2020年第3期。、區(qū)域(3)參見韓艷紅等：《長三角縣域房價空間分異格局及其影響因素分析》，《人文地理》2018年第6期。和全國(4)參見陳艷如等：《中國城市房價、收入與房價收入比的時空分異格局》，《地理研究》2021年第9期。等不同空間尺度針對房價空間分異特征進行了詳細研究，并發(fā)現(xiàn)房價在不同空間尺度均存在一定的空間相關(guān)性(5)參見H. Li， P. Chen and R. Grant， “Built Environment， Special Economic Zone， and Housing Prices in Shenzhen， China，” Applied Geography， vol. 129， 2021， p. 102429；王少劍等：《中國縣域住宅價格的空間差異特征與影響機制》，《地理學(xué)報》2016年第8期；L. Zhu and H. Zhang， “Analysis of the Diffusion Effect of Urban Housing Prices in China Based on the Spatial-temporal Model，” Cities， vol. 109， 2021，p.103015；黃燕芬等：《京津冀城市群住房價格波動溢出效應(yīng)——基于單中心理論視角下的分析》，《價格理論與實踐》2018年第11期。，但對比而言，過去研究更加重視城市內(nèi)部尺度的房價空間分異研究(6)參見黨藝等：《環(huán)境類鄰避設(shè)施對北京市住宅價格影響研究——以大型垃圾處理設(shè)施為例》，《地理研究》2020年第8期；H. Wen, Y. Xiao and E. C. M. Hui, “Quantile Effect of Educational Facilities on Housing Price： Do Homebuyers of Higher-priced Housing Pay More for Educational Resources？” Cities， vol. 90， 2019，pp.100-112；宋偉軒等：《南京城市住宅小區(qū)房價增長模式與效應(yīng)》，《地理學(xué)報》2018年第10期。，囿于研究數(shù)據(jù)，針對區(qū)域尤其是國家尺度的房價空間差異研究仍然不夠充分，不利于國家層面的房地產(chǎn)調(diào)控政策制定和實施。在房價影響因素方面，不同空間尺度房價差異的影響因素也有所差異：從城市內(nèi)部研究來看，建筑特征、鄰里特征和區(qū)位特征是決定城市內(nèi)部房價空間分異的主要維度；從區(qū)域或國家尺度來看，不同城市之間的房價空間差異主要由供需因素(7)參見袁東等：《房價變動的影響因素研究：一個文獻綜述》，《經(jīng)濟與管理研究》2016年第3期。、金融(8)參見況偉大：《利率對房價的影響》，《世界經(jīng)濟》2010年第4期。、經(jīng)濟發(fā)展(9)參見湛東升等：《中國資源型城市房價時空變化與影響因素分析》，《自然資源學(xué)報》2020年第12期。、環(huán)境污染(10)參見H. Zhang， J. Chen and Z. Wang， “Spatial Heterogeneity in Spillover Effect of Air Pollution on Housing Prices： Evidence from China，” Cities， vol. 113， 2021， p. 103145.和公共服務(wù)(11)參見戴其文等：《環(huán)境對城市房價影響研究述評與展望》，《資源科學(xué)》2019年第4期；張少堯等：《空間功能視角下的公共服務(wù)對房價的影響——以成都市為例》，《地理科學(xué)進展》2017年第8期；梁軍輝等：《北京市公共服務(wù)設(shè)施配置對住房價格的影響》，《城市發(fā)展研究》2016年第9期。等因素所決定。然而，現(xiàn)有的研究幾乎都是關(guān)注房價實際價格的空間分異，關(guān)于城市房價變動空間分異的研究卻被忽略，而開展房價變動空間分異及其影響機理研究恰恰是制定落實“房住不炒”、“穩(wěn)地價、穩(wěn)房價、穩(wěn)預(yù)期” 等房地產(chǎn)政策的現(xiàn)實需求。在研究方法方面，基于普通多元回歸的特征價格模型和空間計量方法的空間特征價格模型是探討城市房價差異影響因素的最常用方法(12)參見Z. Huang， et al.， “Spatial and Hedonic Analysis of Housing Prices in Shanghai，” Habitat International， vol. 67， 2017， pp. 69-78；溫海珍等：《杭州市住宅價格空間分異：基于特征價格的兩維度分析》，《中國土地科學(xué)》2010年第2期。，但由于房價可能存在空間溢出效應(yīng)，忽略這種空間效應(yīng)而采用OLS方法回歸建模可能導(dǎo)致回歸結(jié)果參數(shù)的偏誤或失效，因此空間特征價格模型逐漸成為房價影響因素分析的熱門方法。

鑒于此，本研究以2006-2020年中國70個大中城市房價指數(shù)為研究對象，采用全局空間自相關(guān)和局部空間自相關(guān)等空間統(tǒng)計方法，探討了中國70個大中城市房價指數(shù)的空間分布特征，并用空間杜賓模型進一步探討了中國70個大中城市房價指數(shù)空間差異的影響因素。

二、研究設(shè)計

(一)數(shù)據(jù)來源

研究對象為中國70個大中城市，房地產(chǎn)價格指數(shù)來自國家統(tǒng)計局網(wǎng)站。為了計算方便，實際分析按照月度平均方法，最后轉(zhuǎn)換為2006-2020年季度數(shù)據(jù)。中國70個大中城市房價指數(shù)的影響因素主要來自2007-2020年《中國城市統(tǒng)計年鑒》，鑒于最新的2021年《中國城市統(tǒng)計年鑒》尚未發(fā)布，在影響因素分析部分暫未考慮2020年房價指數(shù)數(shù)據(jù)。

(二)空間統(tǒng)計方法

1. 全局空間自相關(guān)

全局空間自相關(guān)用于描述整個研究區(qū)域?qū)傩缘目臻g關(guān)聯(lián)特征，可以檢驗區(qū)域單元鄰近屬性值之間是否存在空間相關(guān)性。全局空間自相關(guān)的最常用測度指標(biāo)為Moran’sI指數(shù)，其計算公式為(13)參見王勁峰等：《空間數(shù)據(jù)分析教程》，北京：科學(xué)出版社，2019年。：

(1)

2. 局域空間自相關(guān)

(2)

(3)

(4)

(三)空間計量模型

最常用的空間計量經(jīng)濟模型分別是空間誤差模型(SEM)和空間滯后模型(SLM)。作為SEM和SLM的一般形式，空間杜賓模型(SDM)同時考慮了自變量和因變量的空間滯后性，SDM的這一特征也有助于全面地分析房價指數(shù)空間差異的影響因素。計算公式為(14)參見趙雪雁等：《2000-2015年中國農(nóng)村能源貧困的時空變化與影響因素》，《地理研究》2018年第6期。：

(5)

式中，Yit是被解釋變量，表示第t年i城市的房價指數(shù)，Yjt表示i城市的鄰近城市j在第t年的房價指數(shù)，ρ是被解釋變量的空間滯后項系數(shù)，表示本地區(qū)房價指數(shù)對鄰近地區(qū)房價指數(shù)的空間溢出效應(yīng)的方向和強度，wij為空間權(quán)重矩陣，γ是指解釋變量的空間效應(yīng)系數(shù)，μi和λt分別表示空間固定效應(yīng)和時間固定效應(yīng)，εit表示隨機誤差項。

三、中國70個大中城市房價指數(shù)空間分布特征

(一)中國70個大中城市房價指數(shù)空間格局

為了描繪我國城市房價指數(shù)空間格局特征，先以2006年城市房價指數(shù)為基期(2005年12月房價指數(shù)=100)進行標(biāo)準(zhǔn)化處理，再采用ArcGIS 10.6軟件的自然間斷法分類方法對2006年、2010年、2015年和2020年等不同時間節(jié)點的中國70個大中城市房價指數(shù)進行5分類展示。

圖1為2006-2020年中國70個大中城市新房價格指數(shù)分布的空間格局。結(jié)果顯示，不同年份中國70個大中城市新房價格指數(shù)高值區(qū)域分布有所差異，整體上新房價格指數(shù)呈現(xiàn)出東部發(fā)達城市領(lǐng)漲的態(tài)勢。

注：底圖基于中華人民共和國自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2019)1822號的標(biāo)準(zhǔn)地圖制作,邊界無修改。下圖同。圖1 2006-2020年中國70個大中城市新房價格指數(shù)分布空間格局

分年份來看，2006年新房價格指數(shù)高值區(qū)域主要分布在深圳市、廈門市、福州市和南昌市，新房價格指數(shù)均超過了105；2010年新房價格指數(shù)高值區(qū)域主要為北京市、濟寧市、?？谑泻腿齺喪?，新房價格指數(shù)均高于146；2015年北京市、深圳市、?？谑泻腿齺喪?個城市新房價格指數(shù)最高，均超過了171；2020年北京市、深圳市、?？谑泻腿齺喪械瘸鞘蓄I(lǐng)漲，新房價格指數(shù)均超過了252，此外，新房價格指數(shù)次高值區(qū)域擴散到了上海市、杭州市、合肥市和南京市，新房價格指數(shù)均高于191。

圖2為2006-2020年中國70個大中城市二手房價格指數(shù)分布空間格局。結(jié)果發(fā)現(xiàn)，中國70個大中城市二手房價格指數(shù)高值區(qū)域分布較為均衡，整體上呈現(xiàn)出東部西部地區(qū)空間分散化發(fā)展的趨勢。另外從價格指數(shù)增長幅度來看，中國70個大中城市的二手房價格指數(shù)平均水平要明顯低于新房價格指數(shù)，說明中國城市新房價格增長幅度相對于二手房而言更大。

圖2 2006-2020年中國70個大中城市二手房價格指數(shù)分布空間格局

分年份來看，2006年二手房價格指數(shù)高值區(qū)域主要為沈陽市和北京市，以及湛江、廈門等沿海城市，二手房價格指數(shù)均高于110；2010年二手房價格指數(shù)高值區(qū)域主要為三亞市、遵義市、湛江市和長沙市，二手房價格指數(shù)均高于150；2015年二手房價格指數(shù)高值區(qū)域主要為遵義市、深圳市、烏魯木齊市、三亞市和湛江市，二手房價指數(shù)均高于170；2020年二手房價格指數(shù)高值區(qū)域主要為深圳市、北京市、廈門市和長沙市，二手房價格指數(shù)均高于220。

(二)中國70個大中城市房價指數(shù)的全局空間自相關(guān)

圖3為中國2006-2020年70個大中城市新房價格指數(shù)的全局空間自相關(guān)結(jié)果。可以看出，中國70個大中城市新房價格指數(shù)的空間集聚特征明顯。 2007-2018年新房價格指數(shù)的Moran’sI指數(shù)均為正且通過了10%水平的顯著性檢驗,說明2007-2018年中國70個大中城市房價指數(shù)與鄰近城市新房價格指數(shù)呈顯著正相關(guān)。

圖3 2006-2020年70個大中城市新房價格指數(shù)的全局空間自相關(guān)結(jié)果

圖4為2006-2020年70個大中城市二手房價格指數(shù)的全局空間自相關(guān)結(jié)果。結(jié)果顯示，除了2007年和2008年二手房價格指數(shù)的Moran’sI指數(shù)不顯著外，其他年份的Moran’sI指數(shù)均通過了10%水平的顯著性檢驗。2009-2020年二手房價格指數(shù)的Moran’sI指數(shù)均為正值，說明2009年以來中國70個大中城市二手房價格指數(shù)均呈現(xiàn)出空間正相關(guān)特征。

圖4 2006-2020年70個大中城市二手房價格指數(shù)的全局空間自相關(guān)結(jié)果

(三)中國70個大中城市房價指數(shù)的冷熱點格局分析

局部空間自相關(guān)的分析可以進一步檢驗中國70個大中城市房價指數(shù)分布的空間依賴性與空間異質(zhì)性特征。 圖5的2006-2020年中國70個大中城市新房價格指數(shù)冷熱點空間格局表明，自2006年來，新房價格指數(shù)的熱點區(qū)穩(wěn)定分布在東部和南部地區(qū)，而冷點區(qū)的分布隨著年份的變化有變化。

圖5 2006-2020年中國70個大中城市新房價格指數(shù)冷熱點空間格局

分年份來看，2006年新房價格指數(shù)比較穩(wěn)定的熱點區(qū)主要集中在東部地區(qū)經(jīng)濟相對發(fā)達城市，包括福州和南昌等城市，冷點區(qū)為北京市、天津市、石家莊市和煙臺市；2010年新房價格指數(shù)的熱點區(qū)為廣州市、深圳市、長沙市和南昌市，冷點區(qū)為鄭州市和合肥市等中部城市；2015年新房價格指數(shù)的熱點區(qū)為大理市、昆明市、海口市和三亞市，冷點區(qū)為鄭州市、合肥市和洛陽市等中部城市；2020年新房價格指數(shù)的熱點區(qū)為大理市、瀘州市和昆明市，冷點區(qū)為鄭州市、合肥市等中部城市。

圖6為2006-2020年中國70個大中城市二手房價格指數(shù)冷熱點空間格局。結(jié)果顯示，不同年份二手房價格指數(shù)冷熱點區(qū)分布差異明顯。冷點區(qū)自2010年后開始集中分布在中部和北部地區(qū)。

圖6 2006-2020年中國70個大中城市二手房價格指數(shù)冷熱點空間格局

分年份來看，2006年二手房價格指數(shù)熱點區(qū)主要分布在湛江市、三亞市、長春市和吉林市，冷點區(qū)主要分布在重慶市、遵義市、贛州市和韶關(guān)市；2010年二手房價格指數(shù)的熱點區(qū)為大理市、昆明市、?？谑泻腿齺喪?，冷點區(qū)為鄭州市、合肥市和洛陽市等中部城市；2015年二手房價格指數(shù)的冷點區(qū)擴散到環(huán)渤海城市群和部分東北城市；2020年二手房價格指數(shù)的熱點區(qū)擴散到常德市、岳陽市、九江市和南昌市。

四、中國70個大中城市房價指數(shù)影響因素

(一)影響因素選擇

供需理論(15)參見S. K. Mayo， “Theory and Estimation in the Economics of Housing Demand，” Journal of Urban Economics， vol. 10， no. 1， 1981,pp.95-116.和住房特征價格理論(16)參見S. Rosen， “Hedonic Prices and Implicit Markets： Product Differentiation in Pure Competition，” Journal of Political Economy， vol. 82， no. 1， 1974, pp.34-55.是解釋宏觀視角城市房地產(chǎn)市場價格空間差異的主要理論。參照該理論，本研究(表1)從供給、需求、金融、經(jīng)濟發(fā)展、污染和公共服務(wù)等6個維度，選取了研究70個大中城市房價指數(shù)(因變量，簡稱XFZS和RSFZS)的影響因素。(1)供給因素。房地產(chǎn)開發(fā)投資規(guī)模越大，城市的住房供給量越多，進而影響房地產(chǎn)市場價格；房地產(chǎn)行業(yè)本身作為資本密集型產(chǎn)業(yè)，通過銀行貸款是其主要的資金來源途徑。故選取“房地產(chǎn)開發(fā)投資額(INV)和人均金融機構(gòu)貸款余額(LOAN)”表示。(2)需求因素。人口總量的增加和城市居民的消費能力的提高會推動整個城市房地產(chǎn)市場需求增加和價格上升，選取“人口密度(POPDENS)、城鎮(zhèn)居民人均可支配收入(INC)、常住人口增長率(POP)和人均社會消費品零售總額(CONSUM)”表示。(3)金融因素。貨幣和利率作為重要的金融工具手段，可能會對房地產(chǎn)市場供需特征和價格產(chǎn)生直接的影響(17)參見況偉大：《利率對房價的影響》，《世界經(jīng)濟》2010年第4期。，選取廣義貨幣發(fā)行量M2環(huán)比增長率(M2)和利率(lr)表示。(4)經(jīng)濟發(fā)展因素。城市經(jīng)濟水平與居民收入和住宅土地出讓價格有著較顯著的相關(guān)性，一般會對房價指數(shù)有正向影響，選取“人均GDP(PGDP)”表示；產(chǎn)業(yè)結(jié)構(gòu)高級化程度代表城市經(jīng)濟發(fā)展質(zhì)量，良好的產(chǎn)業(yè)結(jié)構(gòu)會帶動房價指數(shù)的上升，選取“第三產(chǎn)業(yè)比例(TID)”表示。(5)環(huán)境污染因素。環(huán)境污染會對城市吸引力和城鎮(zhèn)化等產(chǎn)生負面影響，從而可能抑制房地產(chǎn)市場需求和價格指數(shù)上升(18)參見H. Zhang， J. Chen and Z. Wang， “Spatial Heterogeneity in Spillover Effect of Air Pollution on Housing Prices： Evidence from China，” Cities， vol. 113， 2021， p.103145.，選擇PM2.5濃度(PM2.5)指標(biāo)解釋城市環(huán)境污染的程度。(6)公共服務(wù)因素。城市人居環(huán)境質(zhì)量越高，其人口吸引力越強，容易推動房價指數(shù)的上漲，選取“每萬人普通小學(xué)數(shù)(SCH)、每萬人醫(yī)療機構(gòu)床位數(shù)(BED)、人均道路面積(ROAD)、每萬人公共汽車數(shù)(BUS)和人均城市公園綠地面積(GA)”表示。

為了消除通貨膨脹和數(shù)據(jù)異方差的影響，以2006年為基期對70個大中城市的新房價格指數(shù)(XFZS)、二手房價格指數(shù)(RSFZS)、房地產(chǎn)開發(fā)投資額(INV)、人均金融機構(gòu)貸款余額(LOAN)等社會經(jīng)濟變量做了平減處理，表2展示了各個解釋變量描述統(tǒng)計結(jié)果。

(二)模型結(jié)果分析

使用LM和R-LM統(tǒng)計量方法(19)參見J. P. Elhorst， “Matlab Software for Spatial Panels，” International Regional Science Review， vol. 37， no. 3， 2014， pp. 389-405.對城市房價指數(shù)(XFZS和RSFZS)進行空間相關(guān)性檢驗，結(jié)果表明中國城市房價指數(shù)存在著空間相關(guān)性，因此，在研究房價指數(shù)影響因素時不能忽視其空間自相關(guān)效應(yīng)，應(yīng)該采用考慮空間溢出效應(yīng)的空間面板模型進行建模分析。通過對空間面板模型固定效應(yīng)和隨機效應(yīng)的Hausman檢驗，結(jié)果顯示采用固定效應(yīng)更合適。同時使用LR檢驗方法，對空間杜賓模型(SDM)和空間滯后模型(SLM)、空間誤差模型(SEM)進行比較，檢驗結(jié)果說明空間杜賓模型要顯著更優(yōu)。因此，把SDM模型作為研究房價指數(shù)影響因素分析的最終模型。

表1 70個大中城市房價指數(shù)解釋變量選擇

表3為新房價格指數(shù)的空間杜賓模型估計結(jié)果。70個大中城市新房價格指數(shù)的空間自相關(guān)系數(shù)為0.614，并通過了0.01置信水平的顯著性檢驗，驗證了中國70個大中城市新房價格指數(shù)存在顯著的空間溢出效應(yīng)。在控制了其他變量不變的前提下，本城市的新房價格指數(shù)每增長1%，鄰近城市的新房價格指數(shù)平均將增長0.614%。其他解釋變量的影響系數(shù)說明：在主效應(yīng)方面，城市污染程度、每萬人醫(yī)療機構(gòu)床位數(shù)和人均社會消費品零售總額對中國70個大中城市新房價格指數(shù)具有顯著的負向影響，而人口密度、人均GDP、第三產(chǎn)業(yè)比例和人均城市公園綠地面積具有顯著的提升作用；在溢出效應(yīng)方面，人均城市公園綠地面積對鄰近城市新房價格指數(shù)有顯著的正向影響。

由于SDM模型包含了因變量和自變量滯后性的反饋效應(yīng)(指的是本地城市新房價格指數(shù)通過影響鄰近城市新房價格指數(shù)又反過來影響本地城市新房價格指數(shù))，空間杜賓模型的參數(shù)不能完全反映自變量的邊際效用。因此，采用數(shù)理分析方法將總效應(yīng)分解成為直接效應(yīng)與間接效應(yīng)，其中，直接效應(yīng)指的是本地自變量對本地房價指數(shù)的直接影響，間接效應(yīng)指的是本地自變量對鄰近城市房價指數(shù)的影響，即溢出效應(yīng)。表4 為新房價格指數(shù)模型自變量的效應(yīng)分解結(jié)果。

表4 新房價格指數(shù)模型解釋變量的直接估計與間接估計效應(yīng)

在直接效應(yīng)方面，人均GDP對70個大中城市新房價格指數(shù)有顯著的正向影響，彈性系數(shù)為15.370且最大，說明中國大中城市經(jīng)濟發(fā)展水平是城市間新房價格指數(shù)差異的主要決定因素。此外，人均城市公園綠地面積、第三產(chǎn)業(yè)比例和人口密度同樣對新房價格指數(shù)有正向影響，彈性系數(shù)分別為2.740、0.436和0.008。人均社會消費品零售總額對70個大中城市新房價格指數(shù)存在著顯著的負向作用，彈性系數(shù)為-16.480，說明人均社會消費品零售總額越高，其新房價格指數(shù)越低。污染程度對城市新房價格指數(shù)有顯著的抑制作用，彈性系數(shù)為-0.320，說明減少環(huán)境污染程度有助于提升新房價格指數(shù)。盡管供給因素和金融因素已經(jīng)被大量研究證明是研究城市房價的重要因素，但就城市間新房價格指數(shù)的差異比較而言，房地產(chǎn)開發(fā)投資額、人均金融機構(gòu)貸款余額、lr和M2的作用并不顯著。

在間接效應(yīng)方面，人均城市公園綠地面積對鄰近城市新房價格指數(shù)有顯著的正向溢出效應(yīng)，彈性系數(shù)為22.950，說明本地人均城市公園綠地面積越多，越會對鄰近城市新房價格指數(shù)產(chǎn)生正向的影響。

表5為二手房價格指數(shù)的空間杜賓模型估計結(jié)果。中國70個大中城市二手房價格指數(shù)的空間自相關(guān)系數(shù)為0.523，并通過了0.01置信水平的顯著性檢驗，驗證了70個大中城市二手房價格指數(shù)存在顯著的空間溢出效應(yīng)。各個解釋變量的影響系數(shù)說明：在主效應(yīng)方面，人均城市公園綠地面積、每萬人醫(yī)療機構(gòu)床位數(shù)、貨幣發(fā)行量和人口密度對中國70個大中城市的二手房價格指數(shù)具有顯著的提升作用，而PM2.5濃度對其具有顯著的負向作用；在溢出效應(yīng)方面，人均城市公園綠地面積和第三產(chǎn)業(yè)比例對鄰近城市二手房價格指數(shù)有顯著的促進作用，而人均社會消費品零售總額、每萬人普通小學(xué)數(shù)、每萬人醫(yī)療機構(gòu)床位數(shù)和人均城市道路面積對鄰近城市二手房價格指數(shù)產(chǎn)生顯著的抑制作用。

表5 二手房價格指數(shù)的空間杜賓模型估計結(jié)果

表6為二手房價格指數(shù)空間杜賓模型解釋變量的效應(yīng)分解結(jié)果。在直接效應(yīng)方面，人均城市公園綠地面積對70個大中城市二手房價格指數(shù)有顯著的正向影響，彈性系數(shù)為3.231且最大，說明人均城市公園綠地面積是城市間二手房價格指數(shù)空間差異的主要決定因素，和新房價格指數(shù)的模型結(jié)果一致。此外，貨幣發(fā)行量、每萬人醫(yī)療機構(gòu)床位數(shù)和人口密度對二手房價格指數(shù)有正向影響，彈性系數(shù)分別為0.538、0.323和0.054。污染程度(PM2.5)對70個大中城市二手房價格指數(shù)存在著負向作用，彈性系數(shù)為-0.389，說明城市污染程度越高，其二手房價格指數(shù)越低。在間接效應(yīng)方面，人均城市公園綠地面積對鄰近城市二手房價格指數(shù)有顯著的正向溢出效應(yīng)，彈性系數(shù)為20.440，說明本地人均城市公園綠地面積越多，越會對鄰近城市二手房價格指數(shù)產(chǎn)生正向的空間溢出效應(yīng)。人均社會消費品零售總額對鄰近城市二手房指數(shù)有顯著的負向的空間溢出效應(yīng)，彈性系數(shù)為-112.600且最大，說明本城市的人均社會消費品零售總額會對鄰近城市的二手房價格指數(shù)產(chǎn)生抑制作用。

表6 二手房價格指數(shù)解釋變量的直接估計與間接估計效應(yīng)

五、結(jié)論與討論

本研究基于2006-2020年中國70個大中城市的新房和二手房的房價指數(shù)數(shù)據(jù)，運用空間探索性分析方法研究了中國城市房價指數(shù)的空間分布特征和規(guī)律，進一步運用空間杜賓模型分析了其空間差異的影響因素，得出如下結(jié)論：

1.空間格局分析表明，中國70個大中城市房價指數(shù)空間分異明顯。中國70個大中城市新房價格指數(shù)的高值區(qū)2006年主要分布在深圳市、廈門市、福州市和南昌市，自2010年后開始向東部發(fā)達城市擴散，呈現(xiàn)出東部發(fā)達城市領(lǐng)漲的局面；中國70個大中城市二手房價格指數(shù)高值區(qū)域分布在部分沿海城市，呈現(xiàn)出沿海城市領(lǐng)漲的格局?？偟膩砜矗袊?0個大中城市房價指數(shù)的分布整體上呈現(xiàn)出沿海城市高于內(nèi)陸城市，東部城市高于西部城市的空間格局。

2.空間統(tǒng)計分析得出，中國70個大中城市房價指數(shù)存在一定程度的空間相關(guān)性，但不同年份的空間自相關(guān)強度或方向卻略有差異。冷熱點空間分析發(fā)現(xiàn)，中國70個大中城市新房價格指數(shù)的熱點區(qū)穩(wěn)定分布在中國東部和南部地區(qū)，冷點區(qū)自2010年后穩(wěn)定分布在中國中部和北部地區(qū)；中國70個大中城市二手房價格指數(shù)的熱點區(qū)在2006年分布在中部和北部地區(qū)，2010年開始向東部和南部地區(qū)移動，并趨于穩(wěn)定，冷點區(qū)2006年分布在東部和南部地區(qū)，2010年向中部地區(qū)移動，并在2015年后穩(wěn)定分布在中部和北部地區(qū)。由此可見，中國70個大中城市房價指數(shù)的冷熱點區(qū)隨著時間的變化逐漸形成“南熱北冷”空間分布格局。

3.中國70個大中城市房價指數(shù)影響因素分析發(fā)現(xiàn)，人均GDP和人均城市公園綠地面積對新房價格指數(shù)有顯著影響，促進了新房價格指數(shù)的上升；人均GDP、第三產(chǎn)業(yè)比例、人均城市公園綠地面積、貨幣發(fā)行量、每萬人普通小學(xué)數(shù)、人均城市道路面積和人均社會消費品零售總額對二手房價格指數(shù)有顯著影響，其中人均GDP、第三產(chǎn)業(yè)比例、人均城市公園綠地面積和貨幣發(fā)行量促進了二手房價格指數(shù)的上升，而每萬人普通小學(xué)數(shù)、人均城市道路面積和人均社會消費品零售總額抑制了二手房價格指數(shù)的上升。

與過去眾多房地產(chǎn)價格研究有所不同的是，本研究主要從宏觀視角關(guān)注中國70個大中城市房價指數(shù)，也就是房價變動情況的空間分布特征和影響因素，不僅有效地豐富了全國尺度房地產(chǎn)價格空間規(guī)律特征與影響因素研究的不足，同時也為從國家層面制定“穩(wěn)地價、穩(wěn)房價、穩(wěn)預(yù)期”的房地產(chǎn)調(diào)控政策提供了有益的科學(xué)政策啟示。但受到研究數(shù)據(jù)限制，本研究的研究區(qū)域僅局限為中國70個大中城市，研究結(jié)論對全國其他城市的可推廣性或適用性還有待進一步實證研究的檢驗。