基于Hedonic模型的旅游地产价格影响因子特征分析

周学军 ，李勇汉

（1.重庆三峡学院 工商管理学院，重庆 404100；2.东南大学 经济管理学院，南京 211189）

0 引言

随着国家政策对房地产业的调控以及居民生活水平的提高，投资者开始将目光投向房地产业和旅游业互为依托发展的旅游房地产。旅游地产主要依据中国产品市场特征，其主要目的是旅游度假，其开发的房地产项目全部或部分实现了旅游功能。世界旅游组织推测2020年中国将成为世界上最大的旅游地，全球旅游人次的8.6%将会由中国接待。在传统住宅地市场低迷的与旅游业迅速发展背景下，旅游房地产将推动旅游经济及其他相关产业的发展。目前，Hedonic模型已广泛应用于传统住宅领域，但在旅游地产方面的研究却很少。因此，本文将特征价格模型运用于旅游地产价格的影响因子方面的研究，最终得出旅游地产的特征价格模型。

1 研究对象与方法

1.1 研究对象

旅游地产主要指借助周边景观资源、生态环境等资源进行开发的旅游项目。根据国内学者对其的研究，可以将其按功能进行分类，为消费者提供休闲、商务、旅游、居住等服务功能，其形式包括旅游景点、度假村以及住宅项目等。目前，国内外大都把研究目光投向旅游景点、商务以及度假地产，虽然其表现形式不一定是旅游地产，但内涵却是一致的。旅游住宅地产与其他地产最大的区别在于居住功能是长期的，且具有投资回报收益，深圳华侨城就是其典型项目。它融合了旅游设施和住宅产品，一方面借助优美的景观以及独特的地理位置，提升居住档次，另一方面旅游文化价值得到最大化地呈现，增加其附加值。由于国外并不存在旅游住宅地产的概念，文献大部分都是从外部环境对其影响的角度进行研究，定量分析旅游住宅地产价格的影响因子的文献较少。因此，本文将研究对象界定为旅游住宅地产价格的影响因素，主要研究自然景观资源对住宅价格特征的影响。

1.2 研究方法

1.2.1 Hedonic模型

Hedonic模型的核心内容主要通过分析商品的各种属性，收集和处理数据，回归得到其价格，通常应用于处理异质产品差异特征与产品价格间的关系。特征价格模型在实证研究中通常采用以下三种基本函数形式：

（1）线性模型

其中，P表示旅游地产价格；a0代表常量项；ai表示第i个特征变量的特征价格；Xi表示第i个特征变量；ε为误差项。

（2）对数模型

自变量与因变量均采用对数形式，回归系数对应特征的价格弹性，表示一个常数。

（3）半对数线性模型

此模型又被称之为增长模型，因变量取对数形式，自变量则采用线性形式进入，则回归系数对应的是特征价格与产品总价格之比。

1.2.2 模型的检验方法

（1）经济意义检验，主要检验模型的特征变量在经济意义上是否合理，具体方式就是将预先拟定的期望值与模型特征变量的估计量进行对比是否一致，若一致则说明模型具有经济意义。

（2）共线性检验，主要借助VIF的值判断模型参数之间是否存在共线性，当VIF值小于10时，不存在共线性问题，模型就可以通过检验。

（3）t检验又称显著性检验，在其他解释变量不变的情况下，通过判定系数R2以及复相关系数对模型的因变量进行检验是否存在显著性关系，模型的拟合程度可以通过调整判定系数进行判断。

（4）齐方差性检验，主要判断在0的直线两侧是否随机分布样本数据，其判读依据是残差的散点图以及回归标准化预测值，若随机分布则能通过检验。

2 基于Hedonic模型的旅游地产价格模型构建

2.1 旅游地产价格影响因子及量化

理论上，为全面反映旅游住宅的特征价格，应当选取所有影响旅游地产价格的变量。但由于存在数据采集困难、样本不完整以及某些特征变量无法量化等问题，因而需要根据直接关联性原则、数据可得性原则、可量化性原则以及相互独立原则从大量影响因素中甄选关键性的影响因子。根据指标选取原则，主要确定了12个旅游地产价格特征变量，且这些变量都是可量化的。

（1）区位特征

根据以往的研究，公共交通服务的便捷会对住宅价格产生正面影响，即交通越便捷，住宅价格就会越高。旅游地产相较于普通住宅往往会选择远离市中心的开发区域，由于地块周边的设施发展原因，旅游地产价格在很大程度上会受区位特征的影响。本文主要以交通干线作为研究的主要内容，将临近城市主干道数目以及距地铁站的距离是否超过一千米作为主要的区位特征。以轨道交通站点的距离以及数量作为衡量公共交通服务的特征变量，预期其对旅游住宅价格的影响。

（2）建筑结构特征

对于建筑结构特征而言，建筑面积、房龄、楼层、朝向、物业管理、装修程度以及容积率都是其特征变量。根据对普通住宅价格的研究发现，建筑面积与房间数量与价格成正相关，消费者更倾向于支付更多的金额在大尺度的空间上。房龄则会对价格产生负的影响，房子的时间越长就意味着需要花费更多的保养与修理成本，但是对于具有历史意义的住宅而言，则会增加其价值，与住宅价格成正相关关系。旅游住宅地产所处的楼层也会对其价格产生重要影响。对于高层建筑，一般楼层越高价格也会越高，就多层而言，价格最高的是中间楼层。根据实证研究发现，相同条件情况下低楼层住宅的价格会低于高楼层的住宅价格。旅游住宅地产的朝向对于采光、通风具有至关重要的作用，预期其对住宅价格产生正向影响。物业管理费用的高低直接反映了小区的服务质量，并能够从侧面反映小区的整体水平。装修程度的高低对住宅价格产生直接影响，装修的越豪华，则住宅价格则越高。建筑用地面积若运用的越合理，则居民的舒适度就会越高，反之就越低。

（3）景观特征

景观特征作为旅游地产的最大特点，消费者往往会选择具有良好景观视线的住宅，其中尤其是湖景对于周边住宅价格的正面影响更为显著。因此，本文选取绿化率、周边旅游资源以及环境协调性等要素作为景观特征。旅游地产虽然主要依靠周边的旅游资源与环境，但是其内部的绿化率也是旅游地产景观必不可少的一部分。高绿化率降低了建筑密度，给予居民更高的舒适度，绿化率的高低与住宅价格之间存在相关性。周边旅游资源数目与旅游地产价格成正相关，数目较多的话可以满足消费者的视觉体验。环境协调性对于旅游地产而言十分重要，旅游地产周边的规划将直接影响到居民的生活质量，若周边出现城中村的现象则会对旅游地产价格产生负的影响。

2.2 旅游地产Hedonic模型构建

旅游地产价格预期价格特征间的函数关系为：

P=f(L,S,C)

式中，L表示旅游地产价格的区位特征；S表示旅游地产价格的建筑结构特征；C表示旅游地产价格的景观特征。

根据上文分析，本文主要采用特征价格模型的三种函数形式：线性模型、半对数模型以及对数模型。为确定最终的函数模型，还需要对这三种模型进行估计与检验。

根据经济意义检验，线性模型的回归结果并不符合其检验，预期房龄将会对旅游地产价格产生正向影响，但在实际研究过程中发现房龄对旅游地产价格是负相关关系。另外，在对线性模型拟合度效果的检验中发现，残差大于回归平方，线性模型并不能对总平方和中的特征向量进行解释。基于以上两点分析，本文将采用回归分析的方法对比三种模型的拟合效果，再根据对比结果选择最优的函数模型作为旅游地产的价格特征模型。具体方法是：采用最小二乘法对参数进行估计，再根据回归系数的统计检验，将不显著因素排除，使得回归方程是最优的。对于对数模型，需要对物业费、容积率、建筑面积以及绿化率进行取对数处理，其余变量保持不变。

本文的样本数据来源主要有三个途径，一是房地产中介网站上的数据，二是电子地图数据，三是实地调研数据，其中容积率为检测点所在地区的平均容积率。本文运用SPSS19.0对三种模型进行回归分析，其中样本数据一共有1536个，具体结果如表1所示。

表1 三种函数形式多元回归方法分析汇总

根据表1的多元回归分析结果，在显著性检验方面，三种模型均符合其要求，由此说明旅游地产价格P或InP与价格特征之间确实存在线性关系，其主要依据是三种模型的显著性检验值也就是Sig均小于0.001。

表2 三种模型的多元回归指标分析

根据表2中三种函数的判定系数R2，其中对特征变量解释能力最强的就是对数模型，为93.7%，半对数模型为93.5%，其中最低的就是线性模型，只有88.2%。另外根据调整R2的拟合效果分析，对数模型也是最优模型，为93.6%，半对数模型与线性模型依次为93.4%、88.1%。综合表1与表2的分析结果，三种模型的估计结果均是高度显著的，并且对数模型对特征变量的解释能力以及拟合程度都优于其他两种模型，因此，本文选取对数模型作为研究旅游地产价格实证研究的函数形式。

3 实证分析

3.1 描述性统计

对旅游地产价格及其影响因子进行描述性统计，如表3所示，对建筑面积、物业管理、容积率以及绿化率等连续变量进行取对数处理，再依次将剩下的8个价格特征变量直接代入对数模型。

表3 变量描述性统计

3.2 旅游地产价格对数模型的检验

3.2.1 显著性检验

表4为旅游地产价格回归结果。

表4 旅游地产价格回归结果

由表4可知，对数模型的复相关系数为0.968，拟合优度R2为0.937，说明旅游地产价格与特征变量之间存在较强的线性关系。模型调整后R2为0.936，说明特征变量旅游地产价格的93.6%可以自由变量解释，同时说明模型的拟合优度较高。

根据表5数据，模型的回归平方和远大于残差平方和，说明对数模型揭示了总平方和中的大部分，拟合效果较好。另外，显著性检验值Sig为0.000，小于0.01，所以原假设中的总体回归系数为0就可以明显地拒绝。

表5 对数模型方差分析

由下页表6可知，VIF值最小就是临近城市主干道数目，该值为0.875，其中最大的是环境协调性为6.293，因而取值范围可以表示为0.875≤VIF≤6.293，均小于10，说明进入改模型的价格特征之间的共线性假设并不成立，即价格特征之间不存在严重的共线性问题。

根据以上检验结果分析，对数模型拟合度良好并且解释能力较高，因此，所得模型具有很强的统计意义，对于下一步探讨旅游地产价格与特征变量之间的关系十分有用。

3.3 实证结果分析

选取显著性水平为5%，对旅游地产价格产生显著影响的因素主要有建筑面积、房龄、装修程度、容积率、绿化率、周边旅游资源以及环境协调性等7个特征变量，而临近城市主干道数目、距地铁站的距离、楼层、朝向、物业管理等5个特征变量的显著性水平大于5%，即这些特征变量并不会对旅游地产价格产生显著影响，因此可以剔除，具体数据见表7。

表6 旅游地产价格模型的共线性指标分析

表7 特征变量回归系数分析

另外根据回归系数的正负号可以定性地判断出滨海旅游房地产特征将会对其总价格产生正向还是负向的影响，其中建筑面积、装修程度、绿化率、周边旅游资源以及环境协调性这几个特征变量会产生正影响，而房龄和容积率则会产生负影响，与数据量化所估计的预计影响一致，说明所有特征变量的经济意义合理。

旅游地产的特征价格模型可表述为：

InP=0.706+0.489×In建筑面积-0.012×房龄+0.027×装修程度-0.134×In容积率+0.135×In绿化率+0.011×周边旅游资源+0.294×环境协调性

据得到的旅游房地产价格模型可以看出能够对旅游地产的价格产生显著性影响的因素为：建筑面积、房龄、装修程度、容积率、绿化率、周边旅游资源以及环境协调性。而朝向、楼层、物业管理、临近主干道数目、距地铁站的距离这5个变量因对价格的影响不显著而被剔除。

4 结论

本文的研究目的是构建旅游房地产的特征价格模型，确定影响旅游房地产价格的显著性因素。通过对特征价格模型的使用条件和理论基础等问题的分析，确定采用特征价格模型作为旅游房地产的价格研究模型。本文在对旅游房地产的价格影响因素进行分析的基础上，确认了包含区位因素、建筑结构、景观特征等三方面的旅游房地产特征变量指标体系。具体划分为12个价格特征变量，分别为建筑面积、房龄、装修程度、容积率、绿化率、周边旅游资源、环境协调性、朝向、楼层、物业管理、临近主干道数目以及距地铁站的距离。运用SPSS19.0统计软件对这些特征变量进行多元线性回归分析，确定了建筑面积、房龄、装修程度、容积率、绿化率、周边旅游资源、环境协调性为显著性影响因子。