高层住宅价格的影响因素与空间分布规律研究

高层住宅价格的影响因素与空间分布规律研究

——基于Hedonic 、SAR 和Kriging 差值法

摘要：论文以广州市2009年1月-2010年3月二手交易的596个高层楼盘、3809个交易样本为研究基础，首先进行交易时间修正，发现住宅价格平均日均增幅为

9.90元，增幅显著，各板块差异明显；之后采用Hedonic 模型和SAR 测度了影响房价的主要因素，发现影响广州市高层住宅价格的主要因素是距离商业中心的距离、距离山江公园的距离、噪音、户型间隔、装修档次、装修新旧程度、朝向、楼层、楼龄、阳台数量10项因素。回归分析结果显示：距离商业中心每远1000米，广州市高层住宅单价平均降低1141元；距离白云山等山体、珠江、公园每远1000米，单价平均降低904元；噪音若从“安静或普通”改变为“嘈杂”，则楼盘单价平均下降501.09元；户型间隔若从“普通”提高到“优秀”，则单价上升268.34元；装修档次若从“普通装修”提高到“豪华装修”，则单价上升754.70元；装修新旧程度若从“新”变为“旧”，则单价下降821.56元；朝向若从“北”变为“南”，则单价上升416.86元；楼层每上升1层，单价平均提高54.65元；楼龄每增加1年，单价平均降低302.35元；阳台若从1个增加到两个，单价平均提高130.51元。之前人们关注的小学、幼儿园等“名校效应”对住宅价格的影响未加证实。最后，根据SAR 模型将所有交易样本的房价修正到标准房地产状态，运用GIS 平台下的Kriging 差值法绘制了广州市高层住宅价格空间分布图，发现广州市高层住宅房地产价格整体呈现1个最高值区、1个次高值区、多个高值区，由市中心向外围逐步降低趋势，其中均价20000元/m2 的核心区域形如“海

2 龟”，均价15000元/m的中心区域状如“烧饼”。

关键词：高层住宅价格；影响因素；空间分布规律；Hedonic 模型；SAR ；Kriging

差值法

A Study of influencing factors and Spatial Distribution

Regularities on High-rise Residential Price

----Based on Hedonic, SAR and Kriging Methods

Abstract: The research was conducted based on 3809 cases of secondary exchange, which took place from January 2009 to March 2010 and involved 596 high-rise residential properties in Guangzhou city, China. In the beginning, these samples were amended in exchange time, and we found out that the average increase of housing prices was 9.90 RMB Yuan per day in average, and the increases of each area were quite different. Then Hedonic model and SAR were applied to measure the effects of influencing factors to house price. The regression results included 10 factors, which were the distance to central business districts; the distance to Baiyun Mountain, Zhujiang River and parks; noise level; unit design; decoration grade; the newness rate of decoration; balcony orientation; floor storey; building age and the sum of balcony. The regression results between housing price and factors were:

when Distance to central business district increased each additional kilometer, the average housing price for unit square meter would reduce 1141 Yuan. If the distance to Baiyun Mountain, Zhujiang Pearl River and parks increased one more kilometer, the price would drop down 904 Yuan. If noise level changed from “normal or quite” to “noisy”, the price would drop down 501.09 Yuan. While unit design and decoration grade improved from “normal” to “grand”, the price would raise 268.34 and 754.70 Yuan respectively. While the newness rate of decoration became “new” from “old”, the price went down 821.56 Yuan. If balcony orientation changed from north to south, the price would raise 416.86 Yuan. When floor storey raised one more storey, the price would rise 54.65 Yuan. If building age increased an additional year, the price would drop 302.35 Yuan. The sum of balcony which a dwelling house owned became from one to two, the price would rise 130.51 Yuan. There was an opinion in the past that households were willing to pay more money for the house where had excellent primary and nursery schools, but it had not been confirmed by the paper. At last, all the sample prices were modified to the level in standard real estate status by the regression equation based on SAR, and then kriging in GIS was used to draw a spatial distribution map about the price of high-rise residential property in Guangzhou city. In the map we could see there were one highest price region, one secondary highest price region and 4 high price regions. The price reduced gradually from the center towards the fringes in the city. Among the map, the shape of core region, which was enclosed by the contour of 20000 Yuan/m2 , looked like a “turtle”, and the shape of central region, which was enclosed by the contour of 1500 Yuan/m2 , looked like a “pizza ”.

Key words: High-rise residential price; Influencing factor; Spatial distribution regularity; Hedonic model；SAR ；Kriging.

1 介绍

广州位于中国东南部，为广东省省会，是中国改革开放的先行地区，市区土地3843.43平方公里，2008年常住人口886.55万人，常住人口密度为2307人/平方公里。由于经济发达，吸引了大量的外来人口在此务工和从事商业活动。据广州市出租屋管理办公室统计，截止2010年10月，办理暂住证的外来流动人口为715万。可以看出广州市实际已进入特大城市行列，包含常住与外来人口在内的实际人口密度约为4167人/平方公里。

据中国社会科学院2010年4月发布的《2010年中国城市竞争力蓝皮书：中国城市竞争力报告》，内地城市中广州市综合竞争力排在深圳、上海、北京之后，位列第四。据搜房网旗下的中国指数研究院报告，2010年广州市住宅交易均价为12323元/m2, 继杭州、深圳、北京、宁波、上海之后排名第六，是当前均价过 万的6个城市之一；广州市住宅交易均价比上年同比增长31.84%，增长幅度在内地主要城市中位列杭州、重庆、北京、宁波、深圳、苏州之后，排名第七。

住房价格历来是社会议论的热点话题，人们经常会问：某个城市房地产价格主要是受哪些因素影响，房地产价格在空间上怎样分布的？本文主要旨在研究区位、邻里环境、建筑结构等微观因素对广州市高层住宅价格的影响，在此基础上分析其高层住宅价格的空间分布特征。

2 文献综述

2.1 房地产价格的影响因素研究

通常影响住宅价格的因素有3大类：区位(location)、建筑结构(structure)

和邻里环境(neighborhood)，因此，住宅价格P 就可以用方程式表达为：

P=f（L,S,N ） (1)

方程（1）中的区位（L ）指就业、生活的便利性，包括到城市中心、就业地点的距离等；建筑结构（S ）指住宅的物质形态特征，包括建筑面积、建筑年龄、房间数、楼层、朝向、户型间隔、装修状况等；邻里环境（N ）指住宅所处社区类型、服务水平、景观、环境污染状况，包括学校质量、服务设施规模与距离、景观视线、噪声、空气污染水平等。

国内外学者主要采用Hedonic 模型开展房价影响因素研究。Hedonic 定价的概念最早是由美国汽车分析专家Court 于1939年提出。他借鉴了功利主义的享乐哲学，估计了汽车消费者能够从汽车的各个属性（速度、内部舒适度、安全等）所获得的享受，并认为这是对汽车进行估价的基础。后来，Hedonic 模型被广泛地运用于耐用品的定价中。

20世纪90年代以来, Hedonic 模型得到了广泛应用, 国外学者开展了许多实证研究。例如Sirpal R.（2004）、Des Rosiers F.等人（1996）研究了购物中心对周围房地产价格的影响；So HM.等人(1997)估计了香港交通对房价的影响；Palmquist RB.(1992) 研究了局部外部设施对住宅价格的影响；Tyrvainen L.（1997）研究了城市森林的舒适性的价值；Levesque TJ.(1994)以加拿大温尼伯国际机场为例，模拟了机场噪音对住宅市场的影响；Wieand K.F.（1973）以美国圣路易地区为例，实证研究了噪音对房地产价格的影响；Ghebreegziabiher Debrezion 等人(2006)研究了荷兰轨道交通对房地产价格的影响；

Stevenson(2004)以美国波士顿1995-2000年的6441个住宅样点，选择了30个变量证实了住宅年龄对住宅价格的影响。Haurin 等人(1996)选择了29个变量应用特征价格模型，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。

2000年之后，中国大陆学者逐步开展HPM 实证研究。例如：马思新等人(2003)对北京的住宅价格进行分析，结果发现住宅价格与区位、厨卫装修、管理费三个变量的显著性水平最高；温海珍、贾生华等(2004)选取了学校、超市、停车场、幼儿园和交通状况等15个变量对杭州的住宅市场特征模型进行了实证分析，发现建筑面积与房龄是最重要的住宅特征；郭文刚等（2006) 选择了18个住宅特征作为模型的自变量，采用2473个住宅样本数据和290个住宅小区的实地调查资料对模型进行了估计，发现14个住宅特征对住宅价格具有显著影响；王德等人(2007)应用Hedonic 模型对上海210个住宅实际成交价格作定量分析，对上海轨道交通以及公园绿地对住宅价格的影响做出定量测度；石忆邵等人（2009）对上海南站对住宅价格的时空效应进行分析，发现其增值作用平均范围为1.85 km。 进入新世纪之后，空间自回归方法在房地产价格的影响因素研究方面不断得到学术界关注，并开展了相关实证研究。例如：Eddie C.M.Hui 等人（2007）对在高层住宅、高密度环境下的香港房地产价格影响因素研究过程中发现：房屋价格与至CBD 的时间呈负相关，业主愿意为海景和良好的空气环境支付更多的费用，而城市绿带对房价影响不够显著。国内学者刘定惠等人（2010）结合空间分析方法和Hedonic 模型, 采用Arc GIS、Surfer 、SPSS 等软件, 以成都市为例, 对城市住宅价格空间分布特征及其影响因素进行系统性分析。结果表明:成都市主城区住宅价格总体上以城中和城南为双核心, 呈马蹄状向四周逐级递减; 成都市住宅价格在空间分布上呈明显的正相关性, 具有相似价格的住宅呈现集聚特点；楼盘档次、区位条件、环境因素、交通可达性, 历史与人文等因素是影响成都市住宅价格空间分异的主要因素。

2.2 房地产价格的空间分布研究

关于商品住宅价格空间分异规律的研究，较多的文献是基于实证的研究。 在国外，Gamez Martinez等(2000)利用Kriging 技术，通过四个模型的比较和选择对西班牙Albaceet 市进行了空间插值分析; Pace 等(2000)利用有关空间和时间的12个变量，建立了房地产价格预测模型。

在国内，郑芷青(2001)对广州市住宅价格空间和时间变化进行了描述，空间上呈居住中心向周边逐渐降低的趋势，时间上受地价、交通、绿化环境、城市形态、生活设施等因素的影响呈上升趋势；周春山、罗彦(2004)对广州市老八区的样点楼盘进行研究，分析近10年来的商品房价格变化的空间特点，认为影响房地产价格的因素包括区位因素、政策因素、市场供需、人文环境等；王霞、朱道林(2004)以北京市为例，利用Kriging 技术开展了住宅价格空间分布规律研究；梅志雄、黎夏(2007)依据东莞市普通住宅项目交易均价数据，利用地统计学中的趋势分析方法对东莞市房价空间变化趋势进行了分析，采用普通克里金空间插值方法进行了空间局部估计，并借助Arc GIS软件和Surfer 软件绘制了东莞市房价空间分布专题图，进而对东莞市住宅价格空间分布特征和差异及其成因进行了分析。

通过对上述学术文献综合分析，我们发现：

（1）在房价影响因素方面，国外学术文献中已有大量的实证研究，研究焦点包括区位、邻里环境、建筑结构中的各项因素；研究对象主要是独立单栋住宅，仅有少数文献（例如香港学者的论文）关注高层住宅；研究方法多为Hedonic 模型，空间自回归模型使用还比较少。自2000年后，国内不少学者采用Hedonic 模型开展房价影响因素的成果日渐增多，但一般未对住宅市场进行细分，使用空间自回归模型进行有关研究的成果也很少。

（2）在房价空间分布研究方面，由于GIS 平台下的Kriging 插值技术作为比较成熟空间研究方法，国内外学者均采用此法开展房价的空间分布规律研究。

（3）将房价影响因素与其空间分布规律结合在一起进行综合研究的学术成果非常稀少，研究者检索到的学术文献仅有国内学者刘定惠等人以成都市为例所做的房价空间分布规律及其影响因素的论文。由于房地产具有显著异质性，该文未对房价去除楼层、朝向、装修等因素的影响，直接用样本房价插值出房价的等值线图，从理论上说这种做法不够严密科学。

3 研究思路与方法

3.1 研究思路

首先对各交易样本进行交易时间修正，将它们统一修正到目标时刻，然后分别采用Hedonic 模型和空间自回归（SAR ）模型对房价及其影响因素进行分析，由此确定它们之间的数量关系。之后利用这种数量关系模型将各交易样本的房地产价格统一修正为标准房地产状态下的价格水平。例如所有交易样本的单价统一为楼层为第12层、朝向向南、普通装修、楼龄1年等条件下的房屋。在此基础上采用GIS 平台下的克里金(Kriging)插值法, 绘制广州市高层住宅价格的空间分布图，并分析其空间分布规律。

3.2 研究方法

3.2.1 Hedonic 模型

作为经典的房地产价格与其影响因素分析方法，Hedonic 模型认为：房地产购买者（租赁者）所支付的价格（租金）应能补偿该房地产属性（诸如区位、交通、配套、户型、朝向等因素）所能带来的舒适程度，即这个市场中所有房屋的

价格（租金）就应当是这些属性的一个函数，由此可以将模型设置为以下形式：

P =α+β1X 1+β2X 2+⋅⋅⋅+βn X n （2）

式中P 为房地产价格；X 1, X 2, „X n 为该房地产属性。此外Hedonic 模型还有半对数、对数、Box –Cox 等表现形式。

将上式改写为向量表达形式，（2）式将变为：

P =X β+ε （3）

其中P 为n 乘1依赖向量；X 为n 乘k 解释向量矩阵；β为k 乘1回归系数向量；ε为随机误差向量。

3.2.2 空间自回归（SAR ）模型

空间自回归模型源自于空间自相关理论, 后者认为彼此之间距离越近的事物越相像，例如空间相邻的房地产交易样本其价格及其影响因素具有更多的相似性。

由于影响房地产交易价格的因素非常多，要想研究房地产价格与其影响因素需要很多数据，但有时资料并非可以容易取得，此时空间自回归模型就成为研究此问题之有效方法。这是因为某交易样本的房价为相邻交易样本的房价与其它影响因素的影响之和，此时该相邻交易样本的房价包含了诸如区位、交通、配套、户型、朝向等许多隐含因素的影响，空间自回归模型可以由此分析出某交易样本的房价与其它影响因素的关系。

Ord(1975)将普通线性回归与SAR 模型相结合，提出了混合空间自回归模型(Mixed Regressive-spatial-autoregressive Model)。由于空间自相关以空间滞后向量WP 来体现，因此该模型后来常被称为空间滞后模型SLM(Spatial Lag Model) ，其基本表达式为:

P =ρW P +X β+ε, ε~N (0，σ2I ) (4)

这里ρ为变量P 的空间依赖系数，W 为空间权重矩阵，其它符号含义同（3）式。 3.2.3 克里金(Kriging)插值法

克里金插值法又称空间自协方差最佳插值法，它是以南非矿业工程师

D ．G ．Krige 的名字命名的一种最优内插法。克里金法广泛地应用于地理学研究、地下水模拟、土壤制图等领域，是一种很有用的地质统计格网化方法。它首先考虑的是空间属性在空间位置上的变异分布。确定对一个待插点值有影响的距离范围，然后用此范围内的采样点来估计待插点的属性值。 4 数据采集与处理

4.1数据采集

首先我们的研究范围限定于广州市存量高层带电梯的平层住宅方面。

论文使用数据来自于广州某著名房地产经纪公司采集的二手交易数据。数据采集项目包括楼盘名称、所在行政区域、地址与单元房号、所属区片（板块）、成交日期、建筑面积、成交总价、楼盘建成时间、总楼层、所在楼层、户型间隔的合理性、朝向、景观、噪音状况、装修档次、装修年限、单套房地产阳台数共计17项内容。采集时间为2009年1月至2010年3月，数据总量为6217条，其

中有效数据3809条，分布于广州市36个区片（板块），596个楼盘（或小区），交易楼盘空间分布图见图1。上述数据由该房地产经纪公司下属、分布于全市范围的二手地铺调查，之后汇总提交给研究者。

图1 交易楼盘空间分布图

根据楼盘名称和地址，结合广州市省市一级小学位置、省市一级幼儿园位置、三甲医院位置、白云山、珠江、公园位置以及地铁站点分布，采用GIS 技术，我们量算了每一楼盘距离上述设施的直线距离。这样，每一楼盘共包括22项信息。

4.2 房屋单价的交易时间修正

如之前所述，2010年广州市住宅交易均价比上年同比增长31.84%，增长幅度显著。而我们采集到的数据位于2009年1月至2010年3月，正好处于这段时间。为消除时间因素对房价的影响，须对各交易样本的房屋单价进行交易时间修正。修正方法采用分板块的趋势分析，具体如下：

以交易样本的房屋单价为因变量，以交易时间为自变量，分板块对交易数据进行一元线性回归分析。具体公式为：

P =a +bt (5)

上式中，P 为交易样本的房屋单价；t 为样本交易时间，采用距离2009年1月1日的天数；a 、b 为回归方程的参数。

通过对3809条数据分板块进行趋势分析发现：除人民路和小北路板块由于交易样本量过少、显著系数分别为0.207和0.125外，其它板块显著系数均为0.0000，都存在显著的线性增长趋势。从回归结果来看，五羊新城板块增幅最快，房屋单价日均增长19.20元；其次为珠江新城板块，日均增长17.44元；罗冲围板块增幅最慢，日均增长4.19元；36个板块平均增幅为9.90元。各板块的回归结果见表1。

板块名称

白云大道

北京路

滨江东

赤岗

东风东

东圃

芳村

广州大道北

广州大道南

海珠西

后天河北

华南

黄埔

机场路

江南大道南

康王路

罗冲围

萝岗

表1 各板块的回归结果 a b Sig. 板块名称 a b Sig. 6661.25 8.67 0.000 洛溪 6148.38 5.73 0.000 10775.16 10.76 0.000 南海 5860.64 5.27 0.000 10746.57 10.04 0.000 南洲 6380.55 10.92 0.000 7913.01 10.45 0.000 人民路 7432.55 27.03 0.207 12518.31 10.60 0.000 石牌 9127.24 10.69 0.000 7103.48 8.60 0.000 市桥 4663.49 6.09 0.019 5147.29 14.45 0.000 淘金 9785.32 11.22 0.000 6582.29 7.13 0.000 体育中心 9600.45 11.96 0.000 7825.12 11.22 0.000 天河北 10030.90 11.01 0.000 8339.18 11.62 0.000 天河公园 9641.01 9.17 0.000 7672.16 13.30 0.000 五羊新城 6749.90 19.20 0.000 6660.19 7.84 0.000 小北路 12145.10 6.73 0.125 7272.54 5.65 0.015 新港西 9425.64 9.88 0.000 6223.27 5.42 0.000 员村 8408.96 10.38 0.000 7727.32 10.07 0.000 站前路 11547.02 8.05 0.035 10791.31 7.70 0.000 中山八路 8024.16 9.75 0.000 7463.97 4.19 0.006 钟村 5727.86 6.11 0.000 3764.41 16.06 0.039 珠江新城 13770.15 17.44 0.000

以系数b 为基础，将交易价格统一修正到2010年3月31日，修正公式如下：

P ' =P +b (t s -t ) (6)

其中P ' 为修正后的单价；P 为交易时的单价；t s 为目标时间，即2010年3月31日；t 为交易发生的时间。

根据以上趋势分析结果，我们对所有交易样本的单价修正到了目标时间的单价水平，其中人民路和小北路板块的修正分别采用各自临近的康王路和北京路板块的增长幅度。

需要说明的是，之所以采用（6）式而未采用（5）式进行房屋单价修正，是因为我们修正的只是原交易价格增长幅度的修正，并且若采用（5）式修正，同一板块的不同楼盘的价格将会完全一致，那样的话将无法分析楼盘的影响因素了。

4.3 房屋单价的影响因素衡量指标及其赋值

4.3.1 距离商业中心的距离

采用GIS 平台下的楼盘至广州市北京路、上下九、天河体育中心一级商业中心，珠江新城CBD ，王府井、中华广场、江南西二级商业中心的距离。一般来说，距离商业中心的距离与楼盘单价可能存在负相关关系。

4.3.2 距离白云山、珠江、公园的距离

采用GIS 平台下的楼盘至广州市白云山、珠江、市区主要公园的距离。一般

来说，距离白云山、珠江、公园的距离越远，楼盘单价可能越低。

4.3.3 距离小学的距离

在量算楼盘距离最近的省级或市级一级小学的直线距离的基础上，根据研究者经验确定小学的最大影响距离为1000m, 之后将其等距分为5个等级，距离越近，赋值越高，因此楼盘单价与赋值之间期望呈现正相关关系。

4.3.4 距离幼儿园的距离

在量算楼盘距离最近的省级或市级一级幼儿园的直线距离的基础上, 按照与距离小学的距离相同的方式确定指标等级及其赋值，并期望楼盘单价与赋值之间呈现正相关。

4.3.5 距离医院的距离.

采用楼盘至广州市最近的三甲医院的直线距离作为衡量指标。一般认为，距离医院的距离越远，楼盘单价可能降低。

4.3.6 距离地铁站点的距离

在量算楼盘距离最近的地铁站点的直线距离基础上，根据经验确定其影响半径为2000m, 据此分为5个等级进行赋值。一般来说，赋值越高，楼价可能提高。

4.3.7 噪音状况

楼盘的噪音状况分为安静（或普通）和嘈杂两个等级，由中介公司的人员依据经验填报有关情况，其赋值由研究者依据经验、楼盘均价与噪音状况的关系综合确定。一般来说，赋值越高，楼价可能提高。

4.3.8 户型间隔的合理性

楼盘的户型间隔的合理性分为优秀、普通、较差3个等级，等级与赋值确定方式和噪音状况相同。一般来说，赋值越高，楼价可能提高。

4.3.9 装修档次

楼盘的装修档次分为豪华装修、普通装修、毛坯3个等级，等级与赋值确定方式和噪音状况相同。一般来说，赋值越高，楼价可能提高。

4.3.10 装修新旧程度

装修新旧程度分为新、一般、旧3个等级，等级与赋值确定方式和噪音状况相同。一般来说，赋值越高，楼价可能提高。

4.3.11 朝向

一般情况下，高层建筑由于体量较大，多数楼盘每层一般为4套房屋，因此出现通风不畅问题；与此同时某些楼盘设计成为大户型，可以做成一层两户甚至1层1户，这样高层住宅的朝向呈现多样化状况。根据本次研究的交易样本状况，我们罗列出11种朝向，其赋值方式和噪音状况也相同。一般来说，赋值越高，楼价可能提高。

4.3.12 景观

中介公司填报的交易样本的景观共有一线江景、二线江景、公园、山景等9种情况，其赋值方式和噪音状况也相同。一般来说，赋值越高，楼价可能提高。

4.3.13 所在楼层

一般说来，高层住宅所在楼层越高，楼价越高。所在楼层赋值按中介公司填报数据给出。

4.3.14 楼龄

一般来说，楼龄越长，楼价会越低。楼龄按照交易样本从建成时间至交易时间的经过年数确定。

4.3.15 阳台数量

指交易样本拥有的阳台数量，具体按照中介公司的填报数据参与测算，其楼价与阳台数量的关系无法预知，有待通过模型计算结果确定。

关于房屋单价影响因素衡量指标及其赋值的详细情况，请参阅表2。

表2 房屋单价影响因素衡量指标及其赋值

影响因素 因素简称 指标含义 衡量指标 赋值 距离商业楼盘距离最近的商业中心直线距离，单直线距离，单中心的距市级商业中心的距离 位：m 位：m 离 直线距离

楼盘距离白云山距离白云或其他山体、珠山、珠江、山江公园直线距离，单直线距离，单江、公园绿地其中公园的距距离 位：m 位：m 一项最近的直线离 距离

＜200m 距离小学

的距离 小学距离 楼盘距离最近的省级或市级一级

小学的直线距离 201-400m 401-600m 601-1000m ＞1000m ＜200m 201-400m 401-600m 601-1000m ＞1000m 直线距离，单

位：m

＜500m 501-1000m 1001-1500m 1501-2000m ＞2000m 安静或普通 嘈杂 优秀 普通 较差 豪华装修 普通装修 毛坯 新 一般 旧 100 75 50 25 0 100 75 50 25 0 直线距离，单位：m 100 75 50 25 0 125 116 134 122 100 145 124 100 139 123 98 距离幼儿幼儿园距园的距离 离 楼盘距离最近的省级或市级一级幼儿园的直线距离 楼盘距离最近的三甲医院的直线距离 楼盘距离最近的地铁站点的直线距离 交易样本周围的噪音状况 交易样本户型间隔设计的合理性 交易样本室内装修的档次 交易样本室内装修的新旧程度

距离医院的距离 距离地铁站点的距离 噪音状况 户型间隔的合理性 装修档次 装修新旧程度 医院距离 地铁距离 噪音 间隔 装修 装修新旧度

朝向 朝向 交易样本房间的

朝向 景观 景观 从交易样本房间

所看到的景观 南北 东南 南 西南 东西 东 西 西北 北 东北 一线江景 二线江景 标志性建筑 公园 山景

园林

楼景

马路

不良景观 110 108 100 93 90 90 87 83 80 85 130 120 120 120 120 110 100 90 80

交易样本所在楼交易样本所在楼层 层

交易样本从建成

楼龄 楼龄 时间至交易时间年数 年数

的经过年数

交易样本拥有的阳台数量 阳台数 阳台数量 阳台数量 将交易时间修正后的楼盘单价和其影响因素等级与赋值加以汇总整理，形成表3。

表3经过处理的数据基本情况

项目 单位 均值 标准差 最小值 最大值 单价 元/m2 12496.64 3895.19 5949.93 34514.22 商业中心距离 m 3927.60 3354.07 105.00 16741.00 山江公园距离 m 423.69 285.42 26.00 1566.00 小学距离 分值 39.70 31.58 0.00 100.00 幼儿园距离 分值 24.15 29.26 0.00 100.00 医院距离 m 2288.46 2400.06 40.00 14749.00 地铁距离 分值 51.06 38.95 0.00 100.00 所在楼层 楼层

噪音 间隔 装修 装修新旧度 朝向 景观 楼层 楼龄 阳台数量 总楼层 分值 分值 分值 分值 分值 分值 分值 年 个数 层数 124.67 1．68 100.00 124.86 5.56 100.00 125.10 8.37 100.00 124.89 7.83 98.00 93.33 10.49 80.00 103.06 17.23 80.00 12.61 8.06 1.00 8.68 3.65 1.00 1.47 1.54 0.00 22.61 9.2 5 9.0 125.00

134.00 145.00 139.00 130.00 130.00 48.00 44.00 3.00 48.00

5 房屋单价影响因素的模型结果 5.1模型检验

5.1.1 Hedonic模型检验

采用Hedonic 模型之多元线性回归形式。当15个自变量全部进入模型运算时，小学、医院的相关系数为负，和预期相关系数不一致，幼儿园距离显著系数0.271，显著系数不高，因此舍弃小学距离、医院距离、幼儿园距离3个变量。其余12个变量进入Hedonic 模型的检验结果见表4，相关系数见表6。

表4 Hedonic模型的检验结果

R R Square 校正R 估计标准误D-W

Square 差

0.687 0.473 0.471 2844.675 0.762

Hedonic 模型运算后的复相关系数为0.687，R Square 为0.473，校正R Square 为0.471，模型检验结果明显低于同类研究结果，例如郭文刚（2006）文中三项系数分别为0.923、0.852和0.851。造成以上相关系数偏低的原因在于：一是研究所使用的交易样本时间跨度较长（一年三个月），经过时间修正，房屋单价有可能部分失真；二是研究中采用的商业中心距离、山江公园距离单位是米，与郭文刚（2006）文采用的千米单位数值相差千倍。不过，有关统计学教材中却认为：一般社会科学学者认为R ＞0.4已经足够好了（张文彤等人，2004）。D-W 值为0.762

采用SAR 模型之空间滞后模型，距离为2公里，计算方式为最大似然估计。当15个自变量全部进入模型运算时，运算结果也未通过检验。在舍弃小学距离、医院距离、幼儿园距离、地铁距离4个变量，模拟结果比较理想。和Hedonic 模型变量选择进行比较，SAR 模型又多删除了1项地铁距离变量，这可能是由于地铁距离的空间自相关原因造成。SAR 模型的R Square 为0.602，估计标准误差为2456.490。由于SAR 模型中变量个数p 为11，参与运算的样本个数n 为3809，则p/n=0.003，远小于0.05，所以校正R Square 的作用趋于消失（张文彤，2004），

因此本论文未再采用校正R Square检验值。通过Likelihood Ratio Test和 Breusch-Pagan test，显著系数均为0.000。再从各变量系数（见表5）整体来看，除噪音的显著系数为0.091、显著水平接近10%外，其它变量的显著水平均小于1%。

和Hedonic 模型检验结果进行对比，SAR 模型检验结果有较大程度改善，因此最终分析结果采用SAR 模型。

表5 Hedonic模型与SAR 的回归结果

Hedonic 模型

变量

未标准化系数 B

空间依赖系数

常数 商业中心距

离 山江公园距

离 地铁距离 噪音 间隔 装修 装修新旧度 朝向 景观 楼层 楼龄 阳台数量 R Square 估计标准误差

N

标准 误差

标准化 系数 Beta

-1.389

显著 系数

SAR

显著 系数

t 系数 标准误差

0.832 0.013 0.000

-5004.793 3604.432 -0.561 -0.985 8.088 45.487 33.397 40.623 27.401 22.773 16.285 51.305 -376.729 126.655

0.165 -21917.710 1894.451 0.000 0.000 0.000 0.000 0.100 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

55.677 22.362 35.938 20.038 20.843 15.300 54.649 -302.353 130.509 -1.141 -0.904

0.018 0.000 0.143 0.000

0.019 -0.483 -30.052 0.166 -0.072 -5.927 1.541 27.688 9.155 6.140 7.015 4.465 2.752 6.106 30.507

0.081 0.020 0.048 0.087 0.055 0.061 0.072 0.106 0.050

5.248 1．643 3.648 6.616 3.906 5.100 5.918 8.402 4.152

22.975 0.091 7.874 0.005 5.255 0.000 5.981 0.001 3.826 0.000 2.349 0.000 15.014 0.000 12.157 0.000 54.144 0.016

13.623 -0.353 -27.654

0.473 2844.675

3809

0.602 2456.490

3809

5.2 模型结果分析

从SAR 拟合结果看，距离商业中心每远1000米，广州市高层住宅单价平均降低1141元；距离白云山等山体、珠江、公园每远1000米，单价平均降低904元；噪音若从“安静或普通”（125分）改变为“嘈杂”（116分），则楼盘单价平均下降55.677×（125-116）=501.09元；户型间隔若从“普通”（122分）提高到“优秀”（134分），则单价上升22.362×（134-122）=268.34元；装修档次若从“普通装修”（124分）提高到“豪华装修”（145分），则单价上升35.938×（145-124）=754.70元；装修新旧程度若从“新”（139分）变为“旧”（98分），则单价下降20.038×（139-98）=821.56元；朝向若从“北”（80分）变

为“南”（100分），则单价上升20.843×（100-80）=416.86元；景观朝向若从“楼景”（100分）变为“园林”（110分），则单价上升15.300×（110-100）=153.00元；楼层每上升1层，单价平均提高54.649×1=54.65元；楼龄每增加1年，单价平均降低302.353×1=302.35元；阳台若从1个增加到两个，单价平均提高130.509×（2-1）=130.51元。

将上述拟合结果与研究者对广州市高层住宅价格市场的经验值比较，认为除景观拟合值偏低外，其它10项因素的系数比较符合广州实际。

同时小学距离、幼儿园距离、医院距离3个变量和高层住宅单价不相关。值得关注的是：之前人们关注的小学、幼儿园等“名校效应”对住宅价格的影响，在本次研究中未加证实。这可能是由于私家车的普及削弱了“名校效应”对住宅价格的影响。今后需要通过多层住宅房价、房租及其影响因素研究进一步分析。 6 广州市高层住宅房地产价格空间分布分析

采用SAR 模型，将每个样本修正到如下标准房地产状态：噪音状况为“安静或普通”，户型间隔为优秀，装修档次为普通，装修新旧程度为新，朝向为南向，景观为楼景，所在楼层为12层，楼龄为1年，阳台数量为1个。然后计算出每个交易样本标准房地产状态下的房地产单价。之后在GIS 平台下，采用克里金插值法做出广州市高层住宅房地产价格空间分布图（见图2），有关具体方法与参数是：简单克里金法，采用球状半变异函数，其中:块金值：7235100，偏基台值：8397800，变程：1486米。

图2 广州市高层住宅房地产价格空间分布图

分析广州市高层住宅房地产价格空间分布图，并结合交易样本数据库，可以发现：

（1）广州市高层住宅房地产价格最高值区域为天河区珠江新城，平均单价为26000元/m2；平均单价最高楼盘为领峰园，单价为34514.22元/m2；其次为凯旋新世界，平均单价为31007元/m2；誉峰、铂林国际、中海观园、中海璟晖、

新城海滨、金碧华府、力迅上筑均在26000元/m2 以上；

（2）越秀区的五羊新城为次高区域，主要是凯旋会，在均价25000元/m2等值线内；

（3）均价20000元/m2 的区域有5个，其中越秀区的北京路、东风东、五羊新城、淘金、小北路板块，天河区的体育中心、石牌板块，海珠区滨江东、新港西板块形成广大的集中连片区域，形如“海龟”；其次还有荔湾区的康王路板块、白云区的白云大道板块、天河区的天河北、天河公园板块4个相对面积较小的区域；

(4) 均价15000元/m2的区域基本涵盖西至东至黄埔经济开发西区、北至白云山、南至海珠区、番禺区大学城等广大的市区建成区部分，状如“烧饼”；

(5) 均价10000-15000元/m2的区域基本属于白云区中北部、天河区北部、荔湾区原芳村、番禺区中北部等城市外拓均质区域；

（6）广州市高层住宅房地产价格空间分布整体呈现1个最高值区、1个次高值区、多个高值区，由市中心向外围逐步降低趋势。 7 结论

第一，2009年1月-2010年3月间，广州市高层住宅价格日均增幅4.19-19.202

元/m，平均日均增幅为9.90元。全市高层住宅价格增幅显著，各板块差异明显；

第二，影响广州市高层住宅价格的主要因素是距离商业中心的距离、距离山江公园的距离、噪音、户型间隔、装修档次、装修新旧程度、朝向、楼层、楼龄、阳台数量10项因素。回归分析结果显示：距离商业中心每远1000米，广州市高层住宅单价平均降低1141元；距离白云山等山体、珠江、公园每远1000米，单价平均降低904元；噪音若从“安静或普通”改变为“嘈杂”，则楼盘单价平均下降501.09元；户型间隔若从“普通”提高到“优秀”，则单价上升268.34元；装修档次若从“普通装修”提高到“豪华装修”，则单价上升754.70元；装修新旧程度若从“新”变为“旧”，则单价下降821.56元；朝向若从“北”变为“南”，则单价上升416.86元；楼层每上升1层，单价平均提高54.65元；楼龄每增加1年，单价平均降低302.35元；阳台若从1个增加到两个，单价平均提高130.51元。

第三，广州市高层住宅房地产价格空间分布整体呈现1个最高值区、1个次高值区、多个高值区，由市中心向外围逐步降低趋势，其中均价20000元/m2 的核心区域形如“海龟”，均价15000元/m2 的中心区域状如“烧饼”。

第四，之前人们关注的小学、幼儿园等“名校效应”对住宅价格的影响，在本次研究中未加证实。这可能是由于私家车的普及削弱了“名校效应”对住宅价格的影响。今后需要通过多层住宅房价、房租及其影响因素研究进一步分析。

参考文献

[1]郭文刚，崔新明, 温海珍. 城市住宅特征价格分析:对杭州市的实证研究[J]. 经济地理,2006，6:172-175.

[2]刘定惠, 杨永春, 黄幸, 张博. 基于GIS 与Hedonic 模型的成都市住宅价格空间分布特征及其影响因素研究[J].安徽农业科学，2010，38(29):16519-16523.

[3]马思新, 李昂. 基于Hedonic 模型的北京住宅价格影响因素分析[J].北京大学学报(自然科学版),2002，38(2):231-238.

[4]梅志雄, 黎夏. 基于ESDA 和Kriging 方法的东莞市住宅价格空间结构[J].2005，25(5):862-866

[5]石忆邵, 郭惠宁，上海南站对住宅价格影响的时空效应分析[J].地理学报，2009，（2）：167-176.

[6]王德，黄万枢. 外部环境对住宅价格影响的Hedonic 法研究--以上海市为例[J].城市规划，2007，(9):36-46.

[7]王霞, 朱道林. 地统计学在都市房价空间分布规律研究中的应用--以北京市为例[J].中国软科学，2004，(8):152-155.

[8]温海珍，贾生华. 住宅的特征与特征的价格--基于特征价格模型的分析[J]，浙江大学学报(工学版) ，2004，10:1338-1342.

[9]张文彤，董伟.SPSS 统计分析高级教程[M].北京：高等教育出版社，2004：97.

[10]郑芷青. 广州市商品房住宅价格分布特征研究[J].热带地理，2001，(1):22-26.

[11]周春山, 罗彦.2004近10年广州市房地产价格的空间分布及其影响[J].城市规划，2004，(3):52-56.

[12] Des Rosiers F,Lagana A,Theriault M,Beaudoin M.Shopping centers and house values: an empirical investigation[J]. Journal of Property Valuation and Investment 1996，14(4):41–62.

[13] Eddie C.M.Hui,C.K.Chau,Lilian Pun,M.Y.Law. Measuring the

neighboring and environmental effects on residential property value: using spatial weighting matrix[J].Building and Environment 2007，42：2333–2343.

[14]Gamez Martinez M.,Montero Lorenzo ，J.M. ，Garcia Rubio ，N. Kriging methodology For regional economic analysis[J].International Advances in Economic Research，2000，6(3):438-450.

[15] Ghebreegziabiher Debrezion, Eric Pels, Piet Rietveld.The Impact of real transport on real estate prices: an empirical analysis of the Dutch housing market[C]. Tinbergen Institute Discussion Paper, Free University,Berlin, 2006，12(5): 1-24.

[16] Haurin DR.，Brasington D.School quality and real housing prices:inter and intra metropolitan effects[J]，Journal of Housing Economies ，1996,5:351-368.

[17] Levesque TJ.Modelling the effects of airport noise on residential housing markets case study of Winnipeg International Airport[J]. Journal of Transport Economics and Policy1994，28(2):199–210.

[18]Ord K.Estimation Method for models of spatial interaction[J]. Joumal of Ameriean Statistics Association, 1975，70:102-126

[19]Pace，R.K. ，Barry R. ，Gilley O.W. ，Sirmas C.F.A method for spatial-temporal of forecasting with an application to real estate prices[J].2000，16 (2):229-246

[20] Palmquist RB.Valuing localized externalities[J]. Journal of Urban Economics 1992，31:59–68.

[21] Sirpal R.Empirical modeling of the relative impacts of various sizes of shopping centers on the values of surrounding residential properties[J]. Journal of Real Estate Research 1994，9:487–505.

[22] So HM,Tse RYC,Ganesan S.Estimating the influence of transport on

house prices: evidence from Hong Kong[J]. Journal of Property Valuation and Investment 1997，15(1):40–47.

[23] Stevenson S.，New empirical evidence on heteroscedasticity in hedonic housing model[J].Journal of Housing Economies，2004，13:136-153.

[24] Tyrvainen L.The amenity value of the urban forest: an application of the hedonic pricing method[J].Landscape and Urban Planning 1997，37:211–222.

[25] Wieand KF.Air pollution and property values study of the St.Louis Area[J]. Journal of Regional Science. 1973，13(1):91–105.