基于网络爬虫的洪山区二手房特征价格研究

邓沛能

[摘 要] 住房是城市一切活动不可缺少的基本要素，住房价格则是住房市场资源有效配置的中心环节，研究住房价格的影响因素具有十分重要的意义。目前对武汉地区的研究和直接获取的住房成交资料所含信息较少，难以满足研究的需要。基于此，通过Python网络爬虫技术解决数据获取的难题。在对住房价格影响因素实证研究时，考虑到传统OLS估计结果是有偏的，分别构建空间滞后模型和空间误差模型。最终对武汉洪山区二手房市场的实证研究表明，空间滞后模型拟合效果更好；中南路-武珞路商务中心、徐东商务中心和光谷商务中心对二手房价格有辐射效应，距离越近房价越贵。

[关键词] Python网络爬虫；特征价格模型；住宅特征；空间计量模型

[中图分类号] F293 [文献标识码] A [文章编号] 1009-6043（2018）08-0050-03

一、文獻综述

最早把特征价格理论应用到住宅市场分析的学者是Ridker（1967），分析了空气污染对于住宅价格的影响。随后，Lancaster（1966，1971）、Rosen（1974）分别从消费者理论，市场均衡理论完善了特征价格理论，奠定了特征价格分析方法的理论基础，在研究中研究者都把住宅的属性分解为三类：建筑特征，邻里特征，区位特征；变量的选择虽大致相同，但都结合了研究对象的实际情况选取了具有区域特点的变量。

在19世纪80年代之后，世界各地的学者应用特征价格模型对各地区住宅价格进行了评估。国内相关研究主要集中发达地区，如温海珍（2003）、张鑫（2008）研究杭州西湖区的二手房，王旭育（2006）研究上海的住宅市场，罗洲军（2012）研究西安二手房市场，李志辉（2008）、杨波（2009）研究武汉二手房市场，这些研究都是从构建的特征价格模型中得到各特征属性的隐含价格。随着HPM模型的应用逐渐成熟，一些学者开始研究单一因素对住房价格产生的偏效应。如，王雪、吴连喜（2016）以南昌市地铁一号线对例，研究南昌市地铁一号线对沿线二手房价格的影响。Haizhen Wen等（2017）以杭州为例，定量评估城市义务教育质量对房价的影响。Celine Grislain-Letremy等（2014）以法国三所城市为对象，研究危险的工业设施对于房价的影响。这些研究十分具有现实意义，为特征价格研究开启了新的视角，特征价格模型有了广泛的应用，迈向成熟阶段。

在实证研究过程中，有研究者指出即使考虑了区位特征变量，特征价格模型也会导致有偏的估计结果，这是因为住宅价格是一种空间数据存在空间自相关，住宅区位不同，价格往往差异很大。（温海珍等，2011）传统HPM模型的不足是它忽略了住宅的空间固定性，假定住宅价格在空间分布上具有相互独立性（Anselin，1988）；然而空间计量模型却能够反映住房价格数据存在的依赖性、异质性，所以许多学者开始考虑用空间计量技术来改善HPM模型，使HPM模型能够更好的应用于房地产价格的研究中。如，施雅娟（2013）研究杭州住宅价格，发现普通住宅特征价格模型忽略了住宅价格及其特征的空间效应，并从空间计量的角度，运用空间Durbin模型（SDM）对城市住宅的特征价格进行研究，揭示了住宅特征价格的空间效应。柳熊赳（2015）对昆明市27个住宅小区2014年的商品房交易数据进行分析，运用了传统的HPM、SEM和SLM模型进行对比分析，实证结果表明昆明市住宅小区的商品房价格存在空间相关性，这些研究都表明住宅价格确实是一种空间数据，运用空间计量模型更好。

二、特征价格模型的建立

（一）传统特征价格模型

特征价格模型（Hedonic Price Model）表明，住房是一种复合商品，住房价值取决于其各种属性的价值。消费者购买住房是为了获得住房的各种属性，从而实现效用最大化。它将住房属性分成三个方面的特征：建筑特征、区位特征以及邻里特征。住宅的价值是由其特征属性的价值决定的P=f（z1，z2，z3）——其中，分别表示建筑特征、区位特征和邻里特征。

（二）特征变量选取及量化

参考国内外研究人员对住房特征价格的研究成果，并结合本地区的实际情况，共选择了13个特征变量。其中有6个定性变量，楼层（底层、中层、高层），装修程度（毛坯、简装修、中装修、精装修、豪华装修），生活配套、文体配套、地铁站、公交站。对这些定性变量的基础数据需要进行量化。

（三）基于空间计量的特征价格模型

建立多元线性模型运用OLS方法估计就可以从回归系数中得到特征属性的偏效应。现有研究表明对数模型的拟合效果更好，对连续变量均取对数。但是，由于住宅在空间上具有固定性，故其价格是一种空间数据，表现出空间自相关和空间异质性（Anselin），空间自相关指的是住宅价格的邻里效应，是不同地理空间上同一属性的观测值之间的相互关联；而空间异质性指的是住宅价格数据的结构效应，是不同空间位置的住宅价格存在系统性差异，导致误差项具有异方差。

模型一和模型二分别是空间滞后模型和空间误差模型，空间滞后模型相对于基础模型加入了空间滞后项，为空间相关系数，表示相邻区域之间的相关性；空间误差模型则主要假定误差项之间存在空间自相关。其中是空间权重矩阵，权重矩阵的构造方法有0-1空间权重矩阵、K-最近点权重矩阵、阈值权重矩阵等（王红亮，蔡之兵，梁洪运）。考虑到容易通过距离判断各样本之间是否相邻，选择基于样本地理距离的阈值权重矩阵：同一小区的住房之间的距离记为0；当样本之间的距离小于时，则认为相邻记为1，否则为0。在经过多次测算之后，取阈值为700m。

三、实证分析

（一）数据来源

现有住房价格研究中，数据难以获取的两个原因：一是住房成交价格属于中介及开发商的商业秘密；二是从政府部门得到的成交资料所包含的信息不足。这对相关研究的深入产生了障碍。已有研究表明挂盘价格和实际成交价格存在比较稳定的关系（温海珍，2004；李志辉，2008）。

与此同时，随着互联网的发展，越来越多的信息可以从网络上获得。如果能利用各大房地产家居网络平台发布的挂牌信息，从中获取数据，住房价格研究中的数据难题就能够解决。鉴于此，把Python爬虫技术用于数据获取、把百度地图WebAPI服务用于获取样本经纬度坐标、把Pandas数据分析技术用于各类数据整合和计算，从而形成将计算机技术与地理学、经济学相结合的跨学科解决方案（见下图）。基于本研究侧重于方法论，所以只以武汉洪山区的二手房数据为例进行实证分析。虽然挂牌价格与最终的成交价格存在区别，但同时具有比较稳定的关系，做近似处理用挂盘价格代替成交价格。

原始数据经过数据的清理、量化、合并均在Python中实现，最后在剔除异常值后筛选出1510个二手房样本的实证数据，各变量的描述统计见表1。

（二）基于空间计量的特征价格模型分析结果

對于空间计量的估计方法有最大似然法、准最大似然法、工具变量法等，用PaulElhorst编写的程序在Matlab软件中进行估计，估计结果及相关检验见表2。

在空间效应检验中（见表2），MoransI为0.1126，并且在1%的水平是显著的，说明住房价格之间存在显著的空间效应，检验通过可以建立空间计量模型（温海珍，2011）。住宅的空间分布并不是完全随机的，表现出一定的空间相关性。LM-Error、LM-Lag统计量分别是247.725，109.711，都在1%的水平显著，与MoransI检验结果相一致，说明确实存在空间效应，传统模型由于没有考虑空间相关，结果是有偏的。

基本模型的拟合优度为91.08%，回归方程能够解释91.08%的房价的变动。楼层、文体配套、自然环境、到中南路-武珞路商业中心的距离这4个变量在10%的显著性水平下不显著；教育配套、公交站个数的符号与预期相反；其余变量均与预期符号一致。对比空间计量模型，空间计量模型的Log_L值（对数似然函数）更大，AIC和BIC值更小，空间模型比基本模型更优，拟合效果更好。并且，SLM模型的Log_L值更大，AIC、BIC值更小，LR值更加显著，所以SLM模型更加适宜。针对SLM模型可以得出以下结果：

1.洪山区住房价格之间不仅存在着较强的邻里效应，也存在一定的空间异质性。SLM模型ρ=0.9257且在1%的水平上显著，表明住宅价格在一定空间距离之内存在很强的空间依赖性。

2.在显著的变量中，对房价影响最大的特征变量是：建筑面积、离CBD的距离。除了公交车站个数的系数是-0.0096之外，其余变量符号都与预期一致。这种现象在以前有关的研究中也有出现（Wen，2017），其原因可能是：随着公交线路的增加可能会对周边小区产生负的效应，比如噪音污染和环境污染。很多人更喜欢驾驶私家车出行，对公交的依赖度低。离CBD距离的3个变量对二手房价格的影响是不同的，共同的特点是它们的符号都是负的，表明在其他条件不变的情况下，离CBD越近，住房的价格就越贵。

3.在10%水平下都不显著的变量有：绿化率、教育配套、自然环境、到中南路—武珞路CBD距离。分析造成这一结果的原因可能是：洪山区住宅小区的绿化、教育资源丰富，小区周边大都配有幼儿园、小学和中学，从数据上看绿化率和教育配套得分变化幅度也不大，均值分别是0.3575和2.4755，标准差只有0.0428和0.8304，故也可能数据过于集中导致的不显著。到中南路-武珞路CBD距离对房价影响不显著，是与徐东CBD距离存在相关性，相关系数高达0.9483，存在共线性。

4.对价格弹性分析，对数模型中的连续变量如住房面积，距中南路-武珞路商业中心、徐东商务中心和光谷商务中心的距离，这些变量的系数通过公式转换，得到价格弹性系数。在其他条件不变的情况下，建筑面积每增加1%，二手房总价增加1.07%；楼层每高一个档次，二手房总价减少0.008%；装修每上升一个档次，二手房总价增加0.025%。其他弹性同理可得。

四、结语

在特征价格理论的基础上，通过应用计算机技术、实现了在数据收集上的创新。考虑到住宅价格之间存在着空间自相关和空间异质性，传统的特征价格模型在进行OLS估计虽简单易于实现，但忽略了住宅价格的空间效应，基于这样的矛盾构建空间滞后模型、空间误差模型，使模型更具有解释力度。实证结果表明洪山区二手房价存在空间效应，并且在空间计量模型中SLM模型更适合特征价格分析。

综上所述，得出如下结论：第一，与传统特征价格模型相比，SLM模型能更好解释各因素对住房价格影响。第二，在影响住房价格的7个邻里特征中，并不是所有因素都对房价有显著影响。第三，其他条件不变的情况下，距离CBD越近，住房的价格会越高。

[参考文献]

[1]Waugh F.V. Quality factors influencing vegetable prices[J].Journal of Farm Economics，1928， （10）： 185-196.

[2]Court A.T. Hedonic Price Indexes with Automotive Examples[J].In The Dynamics of Automobile Demand，1939.

[3]Ridker R.G.-&-Henning-J.A.The determinants of residential property values with special reference to air pollution[J]. The Review of Economics and Statistics， 1967（49）： 246-257.

[4]Rosen S. Hedonic prices and implicit markets： Product differentiation in pure competition[J]. Journal of Political Economy， 1974， 82（1）： 35-55.

[5]Lancaster，Kelvin J. Consumer Demand：A New Approach[M]. New York City： Columbia University press， 1971.

[6]Lancaster K.J. A new approach to consumer theory[J]. Jounal of Political Economy，1966（74）： 132-157.

[7]温海珍.城市住宅的特征价格：理论分析与实证研究[D].浙江：浙江大学，2004.

[8]张鑫.基于特征价格的二手房价格评估方法研究[D].浙江：浙江大学，2007.

[9]王旭育.基于Hedonic模型的上海住宅特征价格研究[D].上海：同济大学，2006.

[10]罗洲军.多方机制下的西安二手房市场特征价格研究[D].西安：西安建筑科技大学，2012.

[11]李志辉.基于Hedonic模型的武汉住宅特征价格研究[D].武汉：华中农业大学，2008.

[12]杨波.基于Hedonic模型的武汉市住宅二级市场特征价格研究[D].武汉：华中农业大学，2009.

[13]王雪，吴连喜.轨道交通对城市二手房价格的影响——以南昌市地铁一号线为例[J].江西科学，2016（5）：722-727.

[14]Haizhen Wen，Yue Xiao，Ling Zhang. School district，education quality，and housing price： Evidence from a natural experiment in Hangzhou， China[J].Cities， 2017（66）：72-80.

[15]C.Grislain-Letremy， A.Katossky. The impact of hazardous industrial facilities on housing prices： A comparison of parametric and semiparametric hedonic price models[J].Regional Science and Urban Economics， 2014（49）：93-107.

[16]温海珍，张之礼，张凌.基于空间计量模型的住宅价格空间效应实证分析：以杭州市为例[J].系统工程理论与实践，2011（9）：1661-1667.

[17]Anselin L.Spatial Econometrics： Methods and models[J].Economic Geography，1988， 65（2）：160.

[18]施雅娟.基于空间Durbin模型的城市住宅特征价格研究[D].浙江：浙江大学，2013.

[19]柳雄赳.基于空间计量模型的昆明市住房特征价格研究[D].昆明：云南财经大学，2015.

[20]王红亮，胡伟平，吴驰.空间权重矩阵对空间自相关的影响分析——以湖南省城乡收入差距为例[J].华南师范大学学报（自然科学版），2010（1）：110-115.

[21]蔡之兵，周俭初.财政支出结构，空间溢出与经济增长——来自四种空间权重矩阵的证据[C].中国区域经济，2012.

[22]梁洪运，周其龙，孙亚林.空间权重矩阵对空间自相关影响分析[J].科技资讯，2013（9）：141-143，181.

[23]黎珍惜，黎家勋.基于经纬度快速计算两点间距离及测量误差[J].测绘与空间地理信息，2013（11）：235-237.

[責任编辑：高萌]