赵沁娜, 孙静玲, 韦良莺
(合肥工业大学 管理学院;产业转移与创新发展研究中心, 合肥 230009)
与传统的交通工具相比,城市轨道交通因其运量大、速度快、能耗低、污染少,成为各城市缓解交通堵塞压力的主要手段。理论研究和实践表明,城市轨道交通不仅给周边居民出行带来交通便利,同时也带动了周边住宅产业的发展,对周边住宅价格产生显著的增值效应。其中,以特征价格法(Hedonic Method)的应用最为广泛[1-8]。如,W. Bruce Allen运用特征价格模型分析了费城到新泽西州郊区的铁路对沿线房地产价格的影响,结果表明日常交通成本每减少1美元,房地产的价格将增加443美元[1]。Bernard L. Weinstein 和Terry L. Clower对德克萨斯州达拉斯市的轻轨对周边房地产价值的提升作用进行研究,发现1997-2001年间,轻轨站点给周边住宅价格带来的增值效应达到32.1%[5]。国内学者郑捷奋和聂冲,温海珍,樊晓峰均认为地铁站能够显著提升周边住宅价格,且这种增值效应随着住宅与地铁站间距离的增加而减弱[6-7]。然而,随着对房地产市场的深入研究,学者们发现特征价格法是基于空间均值假设,忽略了空间异质性的存在,在一定程度上不能真实反映城市房地产价格及其影响因素在空间上的差异。由此,学者们开始将空间计量方法引入房地产市场研究,探寻房地产价格的空间分布规律。如,吴宇哲以杭州市主城区住宅价格为例,结合特征价格模型、地统计学、空间分析等方法,从时间和空间两个维度上,探讨城市住宅价格的变动规律[9]。温海珍,张之礼和张凌采用空间自相关指数及空间计量经济学方法,研究了城市住宅价格的空间效应及决定因素[10]。由于每个城市的经济发展水平、基础设施建设程度不同,城市轨道交通对沿线房地产的价格影响不尽相同。合肥作为中部崛起的新兴城市,其轨道交通处于发展初期阶段,从现有文献来看,鲜有学者对合肥轨道交通及其周边住宅价格之间的关系进行研究。基于此,本研究拟在特征价格分析框架下构建空间计量模型,研究合肥轨道交通1号线对周边住宅价格的空间效应,并对模型进行比较研究。
特征价格法(Hedonic Pricing Model,HPM)是国外研究外部环境对房产价格影响效果的一种相对成熟方法。通常影响住宅价格的因素主要包括:区位因素(Location)、建筑结构(Structure)、邻里环境(Neighborhood)三大类[11],可以表示为:
P=f(L,S,N) (1)
其中,P为被解释变量,此处代表住宅价格;L为区位特征向量,一般是指研究的住宅小区到某一特定地点的距离。本研究主要包括到CBD距离和到轨道交通1号线站点的距离;S为建筑特征向量,本研究主要包括面积、房龄、楼层、建筑类型、装修程度等;N为邻里特征向量,本研究选取容积率、绿化率、物业费、周边自然环境、生活设施、教育设施等特征。
空间计量模型种类较多,但最常用的是空间滞后模型(spatial lag model, SLM)和空间误差模型(spatial error model, SEM)[11]。
1)空间滞后模型。空间滞后模型假定住宅价格不仅受到其自身的特征因素影响,还受到相邻小区的影响。在模型中引进空间滞后量,把相邻小区价格的相互影响因素考虑进去,就能反映由于空间聚集、空间扩散,空间溢出等空间因素对住宅价格的影响。空间滞后模型为:
y=α+ρWy+βX+ε,ε~N(0,σ2In) (2)
其中,Wy为空间权重;ρ为空间滞后因变量Wy的系数,若ρ≠0,且显著,则数据明显受到了空间因素的影响。
2)空间误差模型。空间误差模型假设相邻房屋之间拥有不可观测的空间属性,它将误差设定为某种空间过程的形式来表达因为某些不可观测的因素导致的误差。空间误差模型为:
y=α+βX+μ,μ=λWμ+ε
ε~N(0,σ2In) (3)
其中,Wμ为空间权重;λ为空间自相关的参数,若λ≠0,且显著,则表明模型中确实存在有空间相关性的误差项。
合肥是安徽省省会,因淝、施二水交汇而得名,是全省的政治、经济、文化、交通、商贸和信息中心。改革开放以来,合肥市的城镇化水平大幅度提高,城市规模和城市人口增长迅速。根据《合肥市城市总体规划(2011-2020)》,合肥市市域总面积1.14万平方公里,全市常住人口779万人,城镇化率达到70.4%。合肥市现辖肥东、肥西、长丰3个县,瑶海、庐阳、蜀山、包河4个区和国家高新技术产业开发区、国家经济技术开发区及新站综合开发试验区3大开发区。2017年全年生产总值(GDP)7 213亿元,人均GDP为4.43万元。
合肥轨道交通1号线是合肥市首条地铁线,如图1所示,于2016年12月26日建成通车。1号线北起合肥火车站,南至九联圩,途径多个商业中心、大学和住宅区,连接合肥火车站与合肥南高铁站。不仅缩短了人们出行的时间,还对合肥市南北城区间的经济交流起到了极大的促进作用。自开建以来,开发商及投资商也充分认识到了轨道交通对沿线商业的拉动作用,轨道交通周边的商业建设发展迅猛。
图1 合肥轨道交通1号线路图
1)住宅挂牌数据。本研究利用八爪鱼爬虫软件在安居客的二手房交易板块针对“房屋价格”、“在售总价”、“房屋面积”、“小区名称”、“建筑高度”、“所在楼层”、“建造时间”、“网站链接”、“房源描述”以上9 个特征因素进行数据采集。在剔除了特征因素不完整和重复的房源数据之后,本文用spss 软件中利用常规的Z分标准化法对数据做了异常值剔除,最后共得到轨道交通站点2 km范围内44个住宅小区的800组房源样本数据。
2)电子地图数据。本研究使用百度地图(http://map.baidu.com)来进行距离类的数据收集。利用百度地图的定位功能和测距功能来完成距离数据的收取,测算各住宅小区到市中心、公园、以及距离轨道交通最近站点的距离。所有变量的说明与描述性统计分析见表1所列。
表1 变量说明与描述性统计
经典OLS模型的结果见表2所列。调整后的R2为0.856 3,接近于1,F值为318.328,且在1%的水平下显著,说明模型拟合优度较好。14个变量中仅有装修程度这一项为通过10%水平的显著性检验,公园、生活配套、教育配套与公交线路通过了5%水平的显著性检验,其余变量均通过了1%水平的显著性检验,且回归系数符号与本文预期和生活常识相符。本文重点关注的变量轨道交通对周边住宅价格的影响在1%的水平下显著,回归系数为-0.089 9,表明地铁站对周边住宅具有显著的增值效应,住宅距地铁站越近,价格越高。通过计算经典OLS模型的版弹性系数可知,住宅与地铁站之间的距离每增加1 km,房价下降8.6%(半弹性系数=100×(e回归系数-1)。
表2 OLS模型、SEM模型与SLM模型估计结果
由于住宅数据的地理空间属性较强,我们首先来检验住宅价格是否存在空间效应。本文使用Geoda软件进行空间效应检验。结果如图2所示。住宅价格的Moran’sI为0.228 2,且在1%的水平下显著。这表明合肥轨道交通1号线沿线2 km范围内的住宅价格在空间上存在一定的相关性。因此,OLS的估计结果是有偏的,有必要利用空间计量模型进行估计,以得出更加可靠的结果。
图2 Moran’s I 散点图
OLS模型、SEM模型与SLM模型统计检验结果见表3所列。由表3可知,经典OLS模型的lgL值为468.974,AIC与SC值分别为-905.949、-830.995。与表2中的结果对比可以发现,SEM与SLM模型的lgL值均大于传统模型,而AIC值与SC值均小于传统模型,说明空间计量模型的拟合优度更高,效果更好。
表3 OLS模型、SEM模型与SLM模型统计检验结果
其次,判断空间自相关性与空间异质性的主次地位以选择合适的空间计量模型。基本模型的空间依赖性诊断结果见表4所列。由表4可知,空间滞后与空间误差检验均在1%的水平上显著,因此进一步观察稳健空间滞后与稳健空间误差检验结果。发现稳
表4 空间依赖性诊断结果
健空间误差检验在1%的水平下显著,而稳健空间滞后检验不显著,说明空间异质性占主导地位,应选择SEM模型。且表3中,SEM模型的lgL统计值大于SLM模型,AIC与SC值小于SLM模型,进一步证明了SEM模型的优越性。
经过比较,发现SEM模型的拟合效果最好。根据该模型结果进行后续分析:
1)合肥轨道交通1号线周边2 km范围内的住宅价格存在显著的空间效应,主要表现为空间异质性。空间异质性系数λ=0.3852,且在1%的水平上显著,说明沿线住宅的价格不仅受到轨道交通的影响,还会受到相邻区域住宅价格的影响。
2)根据表2可以发现除“装修程度”变量外,其余变量均显著,且大部分变量的回归系数符号与本文预期相符。回归系数显著为正的有:“房屋面积、房屋类型、绿化率、公园数、生活配套”,说明面积越大、绿化率越高、公园越多、生活配套越齐全,住宅价格越高。回归系数显著为负的有:“房龄、楼层、容积率、物业费、教育、公交线路、到CBD的距离和到地铁站的距离”。其中,教育配套和公交线路数量两个变量的回归系数与预期相反。究其原因,可能是由于消费者考虑的并不是学校的有无,而是学校教育质量的优劣,只有拥有优质教育资源的重点中学才会为周边住宅带来显著增值,这一现象与以往学者的研究相一致。如石忆邵和王伊婷发现,其他条件相同时,学校重点等级越高、排名越靠前,住宅价格越高[12]。王欣发现,与重点中学相比,普通中小学对周边住宅价格无显著增值作用[13]。对于公交线路的数量,可能是由于公交出行所花费的时间具有较高的不确定性,尤其是上下班高峰期,交通堵塞时间往往较长,因此人们更愿意选择如地铁等快捷、准时的交通工具。董藩,丁宏和赵安平也发现,公交与轨道交通存在较强的替代关系,因而公交站点数量与住宅价格并未呈现出显著的正相关关系[14]。
本研究的主变量“地铁站距离”的回归系数为-0.062 8,且在1%的水平上显著,说明房屋与地铁站之间的距离越大,住宅价格越低。计算地铁站距离变量的半弹性系数后可得,住宅与地铁站之间的距离每增加1 km,住宅价格下降6.09%。
3)3个模型中,变量的显著性基本相同,说明估计结果具有一定的稳健性。与基本OLS模型的回归结果相比,SEM模型中生活配套、教育配套、公交线路数量和到CBD的距离四个变量的显著性水平有所提升,主变量“地铁站距离”的回归系数有所减小,说明考虑了空间效应之后,模型能够更加客观、真实的反映出各变量与住宅价格之间的关系。
城市轨道交通对一座较为发达的城市来说极为重要,不但能够减轻交通压力,方便人们出行,还能够拉大城市骨架,促进城市的发展。本文对轨道交通对沿线住宅价格的空间效应展开了实证研究。结果表明,合肥轨道交通1号线周边2 km范围内的住宅价格存在显著的空间效应,即住宅价格不仅会受到地铁站等因素的影响,还会受到相邻区域住宅价格的影响。与传统特征价格模型相比,空间计量模型得出的结果更加客观、真实。空间滞后模型结果显示,合肥轨道交通1号线对沿线住宅的具有显著的增值作用,住宅与地铁站之间的距离每增加1 km,住宅价格下降6.09%。