浅析武汉市住房价格空间分异的原因

　　摘 要：住房，作为人类活动的重要空间场所，其作用是其它商品所不能替代的，它是人们日常生活的必需品。它的价格以及空间分布是否合理对经济能否健康持续发展、社会秩序能否长治久安都有着重要影响。本文利用Hedonic模型探讨了武汉市住房价格空间分异的原因，得出以下结论：城市规划因素、社会经济发展因素和政府法规因素是武汉市住房价格空间分异的原因。
　　关键词： 住房价格 空间分异 Hedonic模型 武汉市
　　
　　一、序言
　　（一）写作背景
　　目前，不断上涨的住房价格成为消费者、企业以及政府关注的焦点，并且随着城市化进程的推进，很多大城市的住房市场在空间上开始出现一些不规则的高价区和快速增值区，住房价格的空间分异现象越来越明显。武汉市作为华中最大的城市，近几年来房地产业发展势头火热，加上本身的地理分割，使得其住房价格也开始出现空间分异，对其规律的探讨和研究有着重大的实际意义，它可以为政府制定政策、开发商选择项目和定价以及消费者选择合适的住宅提供一些参考。
　　（二）文献综述
　　Hedonic模型是目前国际上较新的一种研究住房价格空间分异的工具，中文翻译为“特征价格模型”。它来源于新消费者理论，能够较为清晰地反映出一个城市目前对住房价格空间分异有重要影响的住房特征。住房特征价格模型就是将住宅的价格作为因变量，而将住宅的各种特征属性作为自变量，运用统计学和计量经济学的方法分析各种特征属性对住宅价格的影响，从而解释住宅价格空间分异的形成原因，这是因为住宅的市场价格能够通过买主对住宅内在特征束的评价而确定。
　　这个模型在国外已经开始广泛使用，并且取得了丰硕的成果。如Stevenson(2004)以美国波士顿1995-2000的6441个住宅为样点，选择了30个变量证实了住宅年龄对住宅价格的影响；Haurin 和 Brasington(1996)选择了29个变量(4个用来表征学校的变量)应用住宅特征价格模型，证实了美国俄亥俄州地区学校质量对住宅价格有很大的影响，同时还证实了离市中心的距离、以及舒适度(社区犯罪率、文化艺术、娱乐机会)也对住宅价格有较大的影响。
　　在国内也有不少学者对住房价格空间分异方面进行了研究，一开始多从区位理论出发，研究城市住宅价格的空间分布规律，然后分析住宅价格空间分布的影响因素。如许晓辉（1997）运用地理信息系统技术绘制了上海市商品住宅等值线图，以揭示上海市商品住宅价格的空间分布规律，并建立回归模型分析了区位因子对价格空间分布的影响；郑芷青（2001）探讨了广州市商品住宅价格的空间分布规律及影响因素，认为住宅价格主要与地价、城市形态与功能结构、交通与绿化环境、生活服务设施以及物业管理水平有关；王欣（2002）借助商品住宅价格级差模型、房价水平剖面图等手段，研究了天津市中心城区商品住宅价格的地域分布特点及成因，提出了合理配置中心城区住宅、加强住宅区综合开发等建议，等等。
　　随着我国房地产经济的发展以及住房信息的完备与公开，我国学者对这方面的研究开始与国际接轨，采用Hedonic模型进行这方面的研究。如富毅（2006）通过对杭州市住宅市场建立直线特征价格模型进行实证研究，从时间和空间两个维度（主要是从空间维度）来考虑住宅价格，探讨了住宅价格空间分布模式，价格空间分异的影响因素及其外在动力。
　　二、武汉市住房特征价格模型的构建及实证分析
　　（一）资料收集
　　本文主要选择武汉市的7个主城区为研究范围，即洪山区、武昌区、口区、江汉区、江岸区、青山区、汉阳区。（如图1）主要是因为这7个中心城区历来是武汉市的经济发展中心，房地产业起步比较早，发育比较成熟，市场机制较为完善，相应的信息也就比较全面，有利于研究。
　　
　　
　　
　　
　　
　　
　　
　　图1本文研究区域
　　本文一共选取了武汉市86个住宅小区的303套拥有独立产权、并能够在市场上自由出售的二手房的住房特征信息。其中的住房价格信息取自2010年7月网上的报价，并以此为基础构建了武汉市的住房特征价格模型。
　　本文的数据主要有三个方面的来源：一是住宅小区的出售挂牌资料，主要来源于搜房网武汉站 （http://wuhan.soufun.com）； 二是住宅小区的收集数据，这部分数据大部分也可以从网站上查询而来，另一部分需要深入小区内部收集；三是电子地图数据，是利用用图行天下公司提供的武汉市数字地图中的相关功能实现的。
　　（二）武汉市住房特征价格模型
　　笔者经过一些分析，决定采取线形模型对武汉市住房价格进行分析，其形式如下：
　　P = a0 + ∑ai Xi + u （1）
　　其中：P为住宅价格，X为住宅特征变量。在应用住房特征价格模型中，一般都是将住房特征分为建筑特征、区位特征以及邻里特征三大类。本文结合武汉市房地产市场的实际情况共选择了13个特征变量进入Hedonic模型，具体情况见表1。
　　表1本文所选取的特征变量及其预期影响
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　（三）模型回归及结果分析
　　本文采用最小二乘法对以上模型进行估计，最终得出如下回归模型，具体回归结果以及标准化系数见表2。
　　住房价格=615021.3+7172.313*建筑面积+5045.987*所在楼层+25724.65*装修程度+86170.45*小区周边环境+15010.4*公交线路条数-16481.23*到CBD的距离
　　 表2多元回归分析结果—回归系数及其显著性
　　
　　
　　
　　
　　
　　
　　
　　
　　
　　资料来源：作者根据软件结果绘制。
　　从表2可以看出，如果取10%的概率，原先选定的13个特征变量有6个进入模型，并且这6个特征变量的符号都与预期影响是一致的。由于本文采用的模型是线性函数形式，因此，回归方程的未标准化回归系数所对应的就是住房特征的特征价格。如“装修程度”的回归系数是25724.65，表示装修每提高一个等级，住房价格将会上升25724.65元；还有“到CBD的距离”的回归系数是-16481.23，表示到CBD的距离每增加1公里 ，住房价格将会下降16481.23元。其它的回归系数都有着类似的涵义，就不一一列举了。
　　住宅特征对住宅价格的影响程度无法用特征价格直