我国城市基础设施对房价影响的区域差异——基于动态面板差分GMM模型的经验研究

向为民，李新刚

(1.重庆工商大学 管理学院，重庆 400067；2.重庆理工大学 经济金融学院，重庆 400054)

一、引言

近年来，作为中国经济支柱的房地产业正面临房价暴涨、区域差距持续扩大的问题。根据国家统计局的数据，2017年我国各地区房价出现了不同程度的上升，全国房价平均上涨10.86%，其中有15个地区房价涨幅超出全国平均水平，个别地区如海南、重庆等涨幅甚至超过20%(1)http://www.stats.gov.cn.。房价的区域波动差异在带来房价极大的投机空间的同时亦促使房地产背离其基本居住属性，导致房地产业结构失衡、资源配置扭曲并损害国民经济。党的十九大明确提出“房子是用来住的，不是用来炒的”，要加快建立多主体供给、多渠道保障、租购并举的住房制度，让全体人民住有所居，着重强调了房地产的居住属性。因此，因城施政保障房地产价格平稳，让房地产回归居住属性，成为当前房地产政策关注的重点。

与此同时，各大城市在与房地产发展紧密联系的城镇化建设中也面临着如何稳定房地产价格、防范房地产市场风险，进而促进房地产市场可持续发展的问题。其中，基础设施作为推进城镇化建设的重要一环，既是经济发展的先决条件，又是改善人民生活的必要手段，对房地产价格波动的影响尤为关键。一方面，基础设施能够通过占用商品房开发土地面积来影响房地产市场的供给。另一方面，基础设施的完善可提升区域房地产吸引力，从而增加投资者对住房的居住和投机需求。那么，城市基础设施建设究竟多大程度影响房地产价格？房价区域差异波动与城市基础设施差异化建设到底有无关联？基于这些问题，本文将重点考察城市基础设施对房价的影响及其区域差异，并探讨造成区域差异的原因，力求为我国因地制宜实施差异化房价调控政策提供参考。

二、文献回顾

房价的非理性上涨和泡沫引爆了2008年席卷全球的金融危机，至今仍有国家深受其害。因此，抑制房价上涨成为国内外学者热切关注的话题，有关房价影响因素的研究不胜枚举。Bischoff认为收入和房地产价格之间存在相互的正向影响[1]。Marco对意大利米兰的研究发现道路收费能够促使覆盖范围内房地产价格下降[2]。Boennec等从法国南特居民选择住宅入手研究了空气污染和噪音对房价的影响[3]。

国内学者基于我国房地产市场发展经验，从不同视角对房价影响因素进行了研究。况伟大通过构建住房市场比较动态均衡模型发现，理性预期对房价的作用弱于适应性预期、上期房价对本期房价具有较大的影响[4]。甘霖等从房价与地价的结构关系出发，验证了往期地价对当期房价存在推动作用[5]。向为民等发现无论长期还是短期，银行信贷规模与房价波动均互为因果关系[6]。

伴随城镇化的快速推进与房价急剧攀升，有关城镇化与房价之间关系的研究渐入学者视野。范剑勇等[7]、张延等[8]均认为城镇化对房地产价格具有显著的积极影响。楚尔鸣等进一步研究发现城镇化既可直接促进产业结构升级，也能通过房价体现出显著的中介效应[9]。王鹤等从空间计量方法的应用方面研究了城镇化对房价影响的直接效应和间接效应[10]。

基础设施建设水平与城镇化发展质量密切相关，目前学术界已有文献研究城市基础设施与房价之间的关系。王洪卫等采用半对数形式住房价格特征模型，从市区和郊区影响程度的差异性角度检验了地铁站附近的房价溢价效应在城市各区域的异质性特征，发现地铁对市区和郊区住房价格的影响程度存在显著差异[11]。梁军辉等指出地铁站点、商场、休闲娱乐设施等因素对房价的影响随距离的增加而减弱[12]。宫徽等发现独自建设的污水处理厂对周边房价的抑制作用造成了巨额的价值损失，且距离污水处理厂越近，房价增速抑制情况越明显[13]。

现有文献已对众多影响房价的因素进行了非常有价值的研究，为本文的研究奠定了理论和方法基础。但是，关于城镇化与房价之间关系的研究仍存在如下问题：一是现有研究主要着眼于城镇化人口层面、土地层面对房价的影响效应，鲜有文章基于城镇化基础设施层面进行研究。二是我国城镇化在不同地区发展极不平衡，区域基础设施建设差异明显，因此对不同区域房价的研究应立足于这一基本前提。而当前关于基础设施对房价影响的文献尚无探讨区域异质性问题，难以真实反映基础设施对房价影响的区域差异。

因此，本文运用我国31省市2005—2017年的面板数据，对全国层面和东、中、西部3个地区进行实证分析，并进一步考察全国35个不同类别城市的差异，全面研究城市基础设施对房价的影响及其区域差异。

三、实证分析

(一)变量选取与模型构建

1.房地产价格(price)

参考祝继高等[14]的做法，采用商品房平均销售价格(元/平方米)来表示房地产价格。

2.基础设施

基础设施是指为社会生产和居民生活提供公共服务的物质工程设施，包含的内容和形式多样，主要包括能源动力设施、供水污水处理设施、道路交通设施、邮电通信设施及生态环保设施等，本文从这5个方面分别选取相应指标。

(1)能源动力设施(dec)。采用城镇居民人均年生活用电量(千瓦时/人)指标，具体指城镇人口生活用电总量与区域内城镇人口总量(常住人口口径)之比。

(2)供水污水处理设施(wsl)。采用城镇范围内供水管道长度(万公里)、污水日处理能力(万立方米)指标。供水管道长度是指从送水泵至用户水表之间所有管道的长度，污水日处理能力是指每昼夜处理污水量的设计能力。

(3)道路交通设施(pra)。采用人均拥有道路面积(平方米/人)指标，具体指城镇区域内平均每人拥有的道路面积。

(4)邮电通信设施(pv)。采用移动电话交换机容量(万户)指标，具体指移动电话交换机根据一定话务模型和交换机处理能力计算出来的最大同时服务用户的数量。

(5)生态环保设施(pga)。采用人均公园绿地面积(平方米/人)指标，具体指报告期末区域内平均每人拥有的公园绿地面积，为区域内公园绿地面积与城镇人口总量之比。

3.控制变量

(1)土地供应量(sol)。房地产开发企业获得土地的多少直接决定房地产开发面积的大小，进而影响商品房供给总量。本文用房地产开发企业购置土地面积(万平方米)来衡量土地供应量。

(2)居民收入水平(ril)。居民收入水平的提高一定程度上增强了购买力，扩大了人们对住房的需求，从而推动了房价上涨。本文采用城镇居民人均可支配收入(元)代表居民收入水平。

(3)货币政策(blr)。货币政策对房地产开发投资和房价均产生显著的影响。本文以央行5年期以上贷款基准利率年末值来表示货币政策。

(4)房地产信贷规模(bls)。参考梁云芳等[15]的方法，使用房地产资金来源中除自筹资金以外的资金(亿元)作为描述房地产信贷规模的指标(2)由于房地产资金来源中除自筹资金以外的资金大多直接或间接来源于金融机构，因此可以将其作为衡量房地产信贷规模的指标，且其中包含来自外商直接投资(fdi)的资金，故不再单独设置外商直接投资为控制变量。。

在选定上述变量的基础上，由于人们过去形成的房价预期可能对本期房价造成影响，我们将房价水平的一阶滞后项作为解释变量来构建DPD模型。考虑到基础设施水平与房价可能存在的非线性关系，对各个变量指标进行对数化处理，建立如下回归模型(3)城镇化发展水平指标由于与基础设施、居民收入水平指标存在严重的共线性而未被包含在模型中。：

lnpricei,t=β0+β1lnpricei,t-1+β2lndeci,t+β3lnwsli,t+β4lnsci,t+β5lnprai,t+β6lnpvi,t+

β7lnpgai,t+β8lnsoli,t+β9lnrili,t+β10lnblri,t+β11lnblsi,t+μi+εi,t

(1)

其中：i代表省份，t代表年份；lnpricei,t表示房地产价格；lnpricei,t-1表示滞后一期的房地产价格；lndeci,t表示城镇居民人均年生活用电量；lnwsli,t表示供水管道长度；lnsci,t表示污水日处理能力；lnprai,t表示人均拥有道路面积；lnpvi,t表示移动电话交换机容量；lnpgai,t表示人均公园绿地面积；lnsoli,t表示房地产开发企业购置土地面积；lnrili,t表示居民收入水平；lnblri,t表示货币政策；lnblsi,t表示房地产信贷规模；μi表示不随时间变化的地区固定效应；εi,t表示随机误差项。

(二)估计方法

如果回归模型中含有内生性问题，如本文的居民收入水平与房价之间相互影响引起的内生解释变量问题，可能会导致传统的最小二乘(OLS)估计结果不一致。解决内生性问题最常见的两种方法是工具变量法和广义矩估计(GMM)方法，工具变量法因未利用所有矩条件，所得估计结果可能是一致的却不一定有效[16]；广义矩估计(GMM)方法一方面能够控制时间固定效应和个体效应，另一方面可以通过使用解释变量的滞后项作为工具变量来解决解释变量的内生性问题[17]。因此，众多学者将广义矩估计(GMM)方法应用于动态面板模型，该方法具体包括差分GMM和系统GMM，本文的动态面板模型主要采用差分GMM方法,并需要通过扰动项不存在自相关的检验和Hansen检验(4)Hansen检验主要用于判断工具变量是否有效，其原假设为所选工具变量有效。。由于模型解释变量较多，易产生过多的工具变量从而导致估计量有偏[18]，因此本文采用了折叠式工具变量(Collapsed Instruments)进行估计。

(三)数据来源

根据国家统计局的分类，除我国香港、澳门和台湾地区外，我国经济区域可划分为东部地区(包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等11个省市)、中部地区(包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南等8个省市)和西部地区(包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆等12个省市区)。这三大区域城镇化发展阶段与房价水平均存在显著差异，为本文研究城市基础设施对房价影响及其区域差异提供了样本选择空间，西藏自治区由于部分数据缺失，故从样本中剔除。从时间跨度上讲，由于基础设施各方面指标近年才拥有统计数据，基于数据的可获得性，选择2005—2017年的样本数据。以上数据来源于《中国统计年鉴》《中国城市经济年鉴》《中国城市统计年鉴》《中国能源统计年鉴》等统计资料和中国统计局官网，其中少量缺失数据采用插值法进行修正。

(四)描述性统计分析

表1展示了各变量分区域的描述性统计信息。总体来看，我国中、西部地区房价水平趋同，远低于东部地区。城市基础设施发展水平区域差异较为明显，东部地区能源动力设施、供水污水处理设施、道路交通设施、邮电通信设施、生态环保设施各方面发展水平均高于中、西部地区，尤其是供水污水处理设施(东部污水日处理能力数据为6.230 4，明显高于西部的5.073 4)方面，东、西部差距较为明显。

(五)单位根检验

为避免建模时出现“伪回归”，需要对变量进行单位根检验，来考察其序列平稳性。综合运用LLC(Levin-Lin-Chu)检验、IPS检验(Im-Pesaran-Shin)、ADF-Fisher检验、PP-Fisher检验方法对面板数据进行单位根检验，检验结果见表2。由表2可知，所有变量均为平稳序列，可直接进行回归分析。

表1 变量的描述性统计

表2 各变量单位根检验结果

注：括号内为P值；***、**、*分别指在1%、5%、10%水平上拒绝有单位根的原假设

(六)回归分析

1.全国层面的估计结果

考虑模型中存在的内生解释变量问题，我们采用动态面板GMM估计方法对回归方程进行估计，为有效观测解释变量对被解释变量影响的稳健性，逐个加入控制变量对式(1)进行回归，回归结果见表3。可以看出，模型1—模型4中，Wald检验的p值均为0，说明模型回归结果是显著的；AR(1)的p值小于0.1，AR(2)和Hansen检验的p值均大于0.1，说明选择的工具变量(5)限于篇幅，仅汇报模型4差分GMM估计选取的工具变量，即房价的滞后3阶、土地供应量的滞后4—5阶、居民收入水平的滞后3—5阶。有效。

表3 全国层面动态面板差分GMM与系统GMM估计结果

注：括号内数值为z值，***、**、*分别指在1%、5%、10%的水平上显著

从表3可见，房地产价格滞后一期对当期房地产价格存在明显的正向影响，这种影响效应在5%水平上显著，表明全国范围内人们过去形成的房价预期会影响本期房价。上期房价愈高，人们愈倾向于预期本期房价上涨，因而会增加对房地产的需求，进而促进房价上涨。

基础设施各变量均对房价产生影响。其中，城镇居民人均年生活用电量对房价的影响系数在5%的水平上显著为正，表明能源动力设施对房价具有显著的正向影响。能源动力设施发达的区域经济发展水平通常较高，房价水平也较高。在模型4中，供水管道长度系数为正且不显著，污水日处理能力系数为负、显著性同样较低，说明供水污水处理设施对房价影响不够明显。人均道路面积对房价的影响系数均在10%的水平上显著为负，可见道路交通设施对房价具有明显的抑制作用。分析可知，城市人均道路面积较大的区域一般为人口少、经济发展水平差的郊区，因此道路交通设施水平高的区域房价较低。移动电话交换机容量对房价的影响系数显著为正，说明邮电通信等配套设施完善的区域更受投资者青睐，邮电通讯设施的提高对房价具有促进作用。人均公园绿地面积对房价影响系数显著为负，这说明生态环保设施提高并没有引起房地产需求的“膨胀”，推动房价上涨，可能是城市拥有的公园绿地面积受限于土地容量而不能无限增加，而人口却时刻都在流动，因此人均公园绿地面积较大的地区可能因为人口流失而难以有效地刺激购房需求，导致房价较低。

房地产开发企业购置土地面积对房价影响系数显著为负，表明土地供应量对房价具有缓冲作用。土地供应面积上升推动房地产企业开发的商品房数量增加，从而可能因供给过高而导致房产闲置、房价下跌。城镇人均可支配收入对房价的影响系数较小且不显著，说明居民收入水平对房价的影响不够明显。银行5年期以上贷款利率对房价的影响系数在1%的水平上显著为正，体现了货币政策对房价具有明显的驱动作用。银行贷款利率上升可能增加房地产开发企业的成本负担，进而推动房价上涨。房地产信贷规模对房价的影响系数显著为正，表明房地产信贷规模会对房价产生显著的促进作用，这与已有文献的研究结论一致。

2.稳健性检验

根据roodman[19]的分析，混合效应和固定效应估计值决定了被解释变量一阶滞后项真实估计值的上界和下界。因此，差分GMM模型估计的被解释变量一阶滞后项只需介于固定效应和混合效应估计值之间，即表明模型是稳健的。限于篇幅，仅对模型4(表3)进行稳健性检验。由模型4可知，房价滞后一阶的系数为0.602 4，高于固定效应的0.546 5且低于混合效应的0.952 8，表明模型是稳健的。

广义矩估计的另一种方法是系统GMM(6)进行系统 GMM 估计时，加入较多的解释变量会产生过多的工具变量。因此，我们在回归方程中逐个加入lnsoli,t、lnrili,t、lnblri,t、lnblsi,t4个控制变量进行估计。，与差分GMM相比，其优点是能够提高估计的效率，缺点是必须额外地假定被解释变量的一阶差分滞后项与个体效应不相关[20]。表3同样列出了系统GMM的估计结果，可以看出，被解释变量的滞后一期始终显著且系数符号与差分GMM估计结果一致，可见差分GMM模型较为稳健。同时，系统GMM估计结果均没有通过Hansen检验，且基础设施各变量对房价影响均不显著，说明本文的样本可能并不满足使用系统GMM估计的前提。

3.区域层面的估计结果

考虑到东、中、西部地区经济发展的差异性，选取城市基础设施建设的5个主要方面，分别从这3个区域出发，利用动态面板差分GMM模型分析东、中、西部地区基础设施对房价影响的区域差异，回归结果如表4所示。

表4显示，分区域的回归模型比较显著，干扰项不存在自相关，工具变量的选择也较为合适。不同地区房价滞后一期均对当期房价产生巨大的推动作用。估计系数都在1%的水平上显著，再次说明过去形成的房价预期对当期房价影响巨大。从回归系数看，不同区域投资者的房价预期对当期房价影响存在一定差异。

无论是东部、中部还是西部，能源动力设施都与房价呈现正相关关系，但东、西部地区并不显著，这可能是由于房地产市场缺乏与能源动力设施的响应机制，导致房屋空置率较高。从系数大小来看，不同区域能源动力设施对房价的影响存在显著差异。供水污水处理设施对东部房价具有抑制作用，对中部房价具有促进作用，对西部房价影响尚不明显。受城镇化水平偏低、供水污水处理设施仍不够完善的影响，西部地区供水污水处理设施对房价影响较弱。道路交通设施对东、西部房价影响显著为负，对中部房价影响为正却不显著。说明东、西部地区道路交通设施发达的区域房价一般较低，这与全国层面结论一致，中部地区道路交通设施对房价的影响不明显。邮电通信设施对东部房价影响系数为负且未通过显著性检验，对中、西部影响系数显著为正，同样可能是由于东部地区邮电通信设施与房价之间缺乏响应机制。生态环保设施对东、西部房价具有负向影响，对中部房价影响为正，但仅对东部影响系数较为显著。可能是城镇化建设水平差异导致东部地区人工绿地资源较中、西部地区更为丰富，因而对房价的影响更加突出。

土地供应量、居民收入水平、货币政策、房地产信贷规模对房价的影响也存在明显的区域差异。土地供应量对东、中、西部房价均产生负向影响，但只有西部地区显著，可能是中国土地面积的区位分布不均衡，西部地区明显土地供应量较多，房价较低。居民收入水平对3个地区房价影响均为正，但只有西部地区显著，且系数明显大于东、中部地区，这可能是由于西部地区房价与居民收入水平之间的差距低于东、中部地区，导致人均收入的提高更能刺激住房需求，进而推动房价。货币政策对东、中、西部地区房价均具有促进作用，但是对3个区域的影响效应却明显不同，货币政策对西部房价驱动作用最明显，其次是中部，最后是东部。房地产信贷规模对东、中、西部房价均具有显著的正向影响，这与全国层面的结论相吻合，其中房地产信贷规模对东部房价影响最为显著。

表4 区域层面差分GMM估计结果

注：括号内数值为z值，***、**、*分别指在1%、5%、10%的水平上显著

4.不同类别城市层面的估计结果

在区域层面分析的基础上，选取全国35个主要城市，根据《第一财经周刊》发布的《中国城市商业魅力排行榜》将其划分为一线、新一线、二线、三线城市(7)一线城市包括北京、上海、广州、深圳；新一线城市包括成都、杭州、重庆、武汉、西安、天津、南京、郑州、长沙、沈阳、青岛、宁波；二线城市包括昆明、大连、厦门、合肥、福州、哈尔滨、济南、长春、石家庄、南宁、贵阳、南昌、太原、乌鲁木齐、兰州；三线城市包括海口、呼和浩特、银川、西宁。，进一步考察不同类别城市基础设施对房价影响的差异。回归结果如表5所示。

表5 不同类别城市层面差分GMM估计结果

注：括号内数值为z值，***、**、*分别指在1%、5%、10%的水平上显著

由表5可知，上年房价对本年房价仍具有显著的影响。从影响系数看，上年房价对一线、新一线、二线城市房价的影响高于对三线城市房价的影响，这符合近年我国城市群发展格局，一线城市人口逐步流向新一线、二线城市，促进了这些城市的繁荣和房价上升，因此这些地区上期房价对本期房价影响较为接近。

能源动力设施对不同类别城市房价影响均为正，但对新一线城市房价影响并不显著，可能是由于新一线城市能源动力设施与房价之间缺乏“响应”机制。供水污水处理设施仅对一线城市房价产生显著的推动作用，这可能是二、三线城市由于其城镇化水平相对较低，房价受供水污水处理设施影响较小。道路交通设施对一线、新一线、二线城市房价影响为负且不显著，对三线城市房价影响为正，表明三线城市正积极修建地铁等道路交通设施，因此道路交通设施发达的区域房价也较高。邮电通信设施对一线、新一线、二线、三线城市房价影响系数均为正，但只有三线城市显著，说明三线城市邮电业较为薄弱，其发展对房价的刺激十分明显。生态环保设施对一、二、三线城市房价均具有负向影响，对新一线城市房价具有正向影响，但仅对一线城市房价影响较为显著，分析可能是人口流出导致一线城市人均公园绿地面积上升而房价却出现下降。

四、结论与政策建议

(一)研究结论

(1)无论是全国层面还是东、中、西部地区的估计结果，均显示基础设施对房价产生显著影响。在全国层面，基础设施与房价显著相关，其中能源动力设施、供水污水处理设施与房价显著正相关,而道路交通设施与房价显著负相关，且影响结果具有稳健性。

(2)基础设施对不同区域房价影响呈现空间异质性。其中，能源动力设施对中部房价影响显著为正，而对东、西部房价影响甚微；供水污水处理设施对东部房价具有抑制作用，对中部房价具有促进作用，对西部房价影响尚不明显；道路交通设施对东、西部房价具有负向影响，对中部房价影响不显著；邮电通信设施对中、西部房价均产生推动作用，对东部房价影响不显著；生态环保设施对东部房价影响显著为负，而对中、西部房价影响不显著。

(3)基础设施对不同类别城市房价影响具有显著差异。其中，能源动力设施对不同类别城市房价影响均为正，但对新一线城市房价影响并不显著；供水污水处理设施仅对一线城市房价产生显著的推动作用；道路交通设施对一线、新一线、二线城市房价影响为负且不显著，对三线城市房价影响显著为正；邮电通信设施对不同类别城市房价影响系数均为正，但只有三线城市显著；生态环保设施对一、二、三线城市房价具有负向影响，对新一线城市房价具有正向影响，但仅对一线城市房价影响较为显著。

(二)政策建议

城镇化的建设要与房地产市场的平稳运行相辅相成，本文运用动态面板差分GMM模型研究了我国城市基础设施对房价的影响及其区域差异。根据实证分析结论，提出如下建议：

1.完善城市配套基础设施建设

党的十九大报告指出，要继续推进新型城镇化建设，提高城镇发展质量。因此，要加快完善城市配套基础设施，使之与城镇化发展水平和房价水平相适应。首先，在规划和建设新城镇时，应充分考虑能源动力设施、供水污水处理设施、邮电通信设施及生态环保设施等配套基础设施的匹配，使得房地产价格不同的区域均可以享受到基本的便民服务，避免高收入者占用过多配套基础设施资源而造成分配不平等，引起社会矛盾加剧。其次，在加强保障性住房建设的同时也要及时推进配套基础设施的完善，使住房保障政策能够行之有效。

2.推进城市基础设施差异化建设

考虑到中国基础设施区域发展不平衡使得基础设施对房价影响存在明显的区域差异，在制定基础设施相关的政策时，应根据不同区域基础设施建设的具体状况，积极推进城市基础设施差异化建设。房价过高的东部地区应加快郊区道路交通设施建设和主城区企业搬迁，这实质上能够提高全城的道路交通设施水平并有利于房价的合理调控，同时要继续加强供水污水处理设施建设及城市绿化。中、西部地区应将发展区域经济、完善基础设施和稳定房价协同推进，以促进该地区房地产业健康发展。

3.统筹推进不同类别城市基础设施建设

当前我国城市群格局日渐形成，随着城市群内部联系愈加紧密，城市基础设施的建设将不仅影响本地区房价，对周边城市房价的作用也日渐凸显。城市群内不同城市之间应加强区际合作，避免“零和博弈”，统筹推进相关城市的基础设施建设从而更有效地调控房价。如“京津冀”城市群的北京和石家庄，石家庄应尽快推动各项基础设施的完善，才能顺利完成承接北京产业转移的重任进而影响北京地区的房价。