EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 5: 882 - 890

DOI: https://doi.org/10.12082/dqxxkx.2021.200285

地理空间分析综合应用

南京市住宅价格影响因素分析

  • 秦佳睿 , 1, 2, 3 ,
  • 盛业华 , 1, 2, 3, * ,
  • 王燕锋 1, 2, 3 ,
  • 何育枫 1, 2, 3
展开
  • 1.南京师范大学地理科学学院,南京210023
  • 2.虚拟地理环境教育部重点实验室,南京 210023
  • 3.江苏省地理信息资源开发与利用协同创新中心, 南京210023
*盛业华（1965— ）,男,安徽庐江人,教授,主要从事地理信息科学领域的研究。E-mail:

秦佳睿（1997— ）,女,河南洛阳人,硕士生,主要从事城市与区域经济研究。E-mail:

收稿日期: 2020-06-05

  要求修回日期: 2020-08-15

  网络出版日期: 2021-07-25

基金资助

国家自然科学基金项目(41631175)

国家重点研发计划项目(2017YFB0503500)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Analysis of the Influencing Factors of Housing Price in Nanjing

  • QIN Jiarui , 1, 2, 3 ,
  • SHENG Yehua , 1, 2, 3, * ,
  • WANG Yanfeng 1, 2, 3 ,
  • HE Yufeng 1, 2, 3
Expand
  • 1. School of Geography, Nanjing Normal University, Nanjing 210023, China
  • 2. Key Laboratory of Virtual Geographic Environment, Ministry of Education, Nanjing 210023, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
*SHENG Yehua, E-mail:

Received date: 2020-06-05

  Request revised date: 2020-08-15

  Online published: 2021-07-25

Supported by

National Natural Science Foundation of China(41631175)

National Key Research and Development Program of China(2017YFB0503500)

Copyright

Copyright reserved © 2021
Fold

摘要

住宅价格影响因素的研究对于购房者购买住房及政府制定相关政策具有重要影响。然而,目前对于住宅价格问题的研究大多从宏观角度进行,而从微观角度入手的相对较少。此外,对住宅价格的研究通常需要建立多元回归方程,但这样会造成多重共线性问题,导致伪回归,不能准确地分析各因素对住宅价格的影响。针对该问题,本文从微观角度出发,运用定量与定性相结合的方法,建立特征价格模型,并且选择逐步回归法对其进行修正,将其中显著性不强、经济意义不明显的变量逐步剔除,从而更准确地探究影响住宅价格的主要因素。本文以南京市住宅价格为实验数据,并初步选择12个影响因素对该方法进行验证。结果表明,该方法能够有效地剔除二级商业中心、建筑类型、生活配套设施3个显著性不强的影响因素,保留重点学校等9个影响较大的因素。本文方法更为精准地分析了住宅价格的影响因素,为购房者购买住房及政府制定相关政策提供了一定的理论基础。

关键词： 住宅价格; 特征价格模型; 逐步回归法; 南京; 空间分异; 价格影响因素; 共线性检验; 微观角度

本文引用格式

秦佳睿 , 盛业华 , 王燕锋 , 何育枫 . 南京市住宅价格影响因素分析[J]. 地球信息科学学报, 2021 , 23(5) : 882 -890 . DOI: 10.12082/dqxxkx.2021.200285

Abstract

With the urbanization and the rapid growth of economy, the housing price of cities continues to rise and the spatial differentiation of housing price increases, which has attracted a widespread attention from the public and the government. Exploring the influencing factors of housing price is of great significance for understanding house-buying of the public and provides useful support for the government to formulate relevant policies. Until now, many researches have studied the influencing factors of housing price from a macro perspective and only a few studies are conducted from the micro perspective, which leads to inadequate understanding of the influencing factors of housing price. In addition, the method of establishing multiple regression equations is usually adopted to study the relationship between housing price and multiple influencing factors. However, the selection of influencing factors are usually subjective, which leads to an artificial regression that cannot characterize the influence of various factors accurately. To solve these problems, a hedonic price model combining both quantitative and qualitative methods is proposed from the micro perspective of structure characteristics, location characteristics, and neighborhood characteristics in this study. Moreover, a stepwise regression method is applied to modify this model by eliminating non-significant factors. To validate the proposed method, a case study in Nanjing city, Jiangsu is conducted, and 12 primary influencing factors are selected. The results show that the proposed method eliminates three insignificant influencing factors including secondary commercial centers, building types, and living facilities, and keeps the rest nine factors. Compared with traditional methods, this paper analyzes the influencing factors of housing price more quantitatively and provides a theoretical basis for house-buying of the public and policy making of the government. What's more, it is conducive to the real estate management department to have an in-depth understanding of the distribution of housing price, so as to strengthen the management of the real estate market.

Key words： housing price; hedonic price model; stepwise regression method; Nanjing; spatial differentiation; price influencing factors; collinearity test; micro perspective

1 引言

随着城镇住房制度的不断改革以及城镇化率的逐步提高,住宅开始逐渐商品化,城市住宅的供需双方也都开始呈现多样化的态势,住宅价格也日渐上涨。然而价格不断上涨之时,不同城市房价也存在差异,即使同一城市不同区域房价涨幅程度也不同,差异特征明显,不同影响因素对房价的影响方式和程度也不断变化。日益增长的住宅价格引起社会、政府以及学术界的密切关注。
目前,对于住宅价格分异影响因素方面的研究,大部分均考虑多方面因素,例如分析区位特征[1]、邻里特征[2]、建筑特征[3]、居住环境[4]等对城市住宅价格的影响;在微观研究中,视社会、经济和政策为同质因素,着重于研究城市内部住宅价格差异的影响因素。
研究方法上,一般多采用以Lancaster[5]的消费者理论和Rosen[6]的特征价格理论为理论基础的特征价格模型（Hedonic Price Model）,它是将住宅交易价格作为因变量,与一系列特征变量进行回归分析[7],可从经济角度估计住宅的隐含价格[8]。在价格特征模型中,影响住宅价格的因素体现在3个方面,邻里特征、区位特征与建筑特征[9]。目前,对于住宅价格影响因素的研究,也有从住宅价格空间关联特征或误差项的空间自相关角度入手的,通常使用空间回归模型进行分析。然而,空间回归模型无法判断所选变量是否均具有显著性。Rong等[10]运用特征价格模型分析昆明市二手房价格的影响因素,结果表明环线位置和轨道交通是房价的主要影响因素;许基伟等[11]通过建立Hedonic模型对南京市鼓楼区房价影响因素进行探究。但这些方法仅通过建立多元线性回归方程进行探究,并未从所选变量中剔除显著性不强的特征变量,从而造成多重共线性,不能保证影响因素间的独立性,不能准确分析住宅价格影响因素。
本文旨在分析南京市住宅价格的影响因素,从建筑特征、区位特征和邻里特征的微观角度切入,建立价格特征模型,并且以逐步回归法进行修正,剔除所选变量中不显著的因子,探讨南京市住宅价格的影响因素,以期为房地产管理部门深入了解住宅价格分布情况,有利于房地产部门加强房地产市场的管理,为政府的城市管理以及城市规划提供指导[12]。

2 研究区概况与数据来源

2.1 研究区概况

南京地处中国东部、长江下游、濒江近海,位于31°14′ N—32°37′ N,118°22′ E—119°14′ E,南北纵深宽广、东西较窄,成正南北向,是国家区域中心城市和长江三角洲辐射带动中西部地区发展的国家重要门户城市,也是南京“一带一路”战略与长江经济带战略教会的节点城市。根据市政府发布的《南京市城市总体规划（2018—2035）》[13]草案的通知,江北新区规划成为新主城,中心城区由江南主城和江北新主城构成,副城是六合、溧水和高淳。
与南京主城高位的房价相比,六合、高淳、溧水三大副城板块房价一直处于低洼状态,与主城区房价差异较大。为了减小误差,本文对住宅价格分析时将不再考虑此3个区域,研究区如图1所示。
图1 南京市行政区划

Fig. 1 Administrative divisions of Nanjing

2.2 数据来源

本文对南京市的3102个住宅小区进行住宅价格相关信息采集。数据参照互联网中2019年各大房地产交易网站,如58同城（https://nj.58.com）、安居客（https://nanjing.anjuke.com）、我爱我家（https://nj.5i5j.com）、房天下（https://www.fang.com）等卖房网上的挂牌数据,对住宅价格数据进行筛选、补充与核对。针对各网站上存在价格差异的小区进行平均处理,剔除数据中的别墅、经济适用房等异常值数据。
为避免个体住宅因为装修程度、户型朝向、附送设置等个性化差异造成房价的异常,本文选择小区作为基本的研究单元,住宅价格以单价表示（元/m2）,主要属性信息包括建造年代、绿化率、物业费用、建筑类别、小区均价等。利用百度地图探测各重点中小学、住宅小区、商业中心、地铁站、三甲医院、购物中心等位置,并对数据进行转换。通过ArcGIS对研究区域及其附近的交通路网、水系山体等地理要素进行矢量化,建立空间属性数据库[14]。

3 研究方法

本文在南京市住宅价格数据基础上,从微观角度探讨南京市住宅价格的影响因素,基于特征价格模型,采用逐步回归法进行修正,以剔除多重共线性的影响,降低各个变量之间的相关性,从而保证影响因素研究的独立性。

3.1 特征价格模型

特征价格模型的函数形式主要包括线性形式、对数形式与半对数形式[15]。对数形式与半对数形式可经过适当的变量变换或函数变换转化为线性回归模型,从而将非线性回归模型的参数估计问题转化为线性回归模型的参数估计[16]。通过多次实验比较后,本文采用对数形式的特征价格模型对南京市住宅价格进行估计与检验：
ln p = α 0 + ∑ α i ln C i + ∑ α j C j + ε
式中： p 为城市住宅价格; α 0 为除特征变量外其他影响价格的常量之和; α i 为连续性特征变量的特征价格; α i 为虚拟特征变量的特征价格; C i 为连续性特征变量; C j 为虚拟特征变量; ε 为误差项。本文中存在连续性变量与虚拟特征变量,一般来说,对各数据取对数之后不会改变数据的性质和关系,所得到的数据易消除异方差问题,且通过对数处理可以让变量变平稳,使其建模后更有意义。因此需要对连续性变量以自然对数形式进入模型,而其余变量无需取对数进行计算,均以实际数值代入公式。

3.2 逐步回归法

逐步回归是一种线性回归模型自变量选择方法,其每引入一个新变量后,对已入选回归模型的变量进行逐个检验,并将不显著的变量剔除,以保证所得自变量子集中每一个变量都是显著的[17]。
逐步回归法选择变量一般包含2个基本步骤：① 从回归模型中剔除检验不显著的变量;② 引入新变量到回归模型中。通常使用逐步型迭元法向前法,向前法是变量由少到多,每次增加一个,直至没有可引入的变量为止[18]。
k 个回归自变量 x 1 i , x 2 i , x 3 i , ⋯ , x ki ,对因变量（住宅价格）的影响的回归模型为：
Y i = β 0 + β 1 x 1 i + β 2 x 2 i + ⋯ + β k x ki + ε i i = 1,2 , ⋯ , n
式中： β 0 为除特征变量外其他影响价格的常量之和; β 1 , β 2 , β 3 , ⋯ , β k 分别为所选的各特征变量; x 1 i , x 2 i , x 3 i , ⋯ , x ki 分别为各特征变量对应的特征价格; ε i 为误差项。
逐步回归中引入或剔除某个自变量时需进行 F 检验, F 值依据显著性水平可设 α = 0.05 或 α = 0.1 。
在引入自变量时,需根据当前回归模型重新计算偏回归平方和。设模型中已含有 k 个自变量,可能存在不显著的自变量,找到偏回归平方和最小的自变量,设为xk,通过F检验判断变量是否从该回归模型中剔除。直到模型中再无可引入的自变量且无可剔除的自变量时,逐步回归结束。

3.3 住宅特征变量的选取

某一区域的住宅价格是多种因素综合作用的结果,通常使用住宅特征变量来度量住宅价格的影响因素。特征变量包括区位特征（交通便利性、新街口的距离、二级商业中心等）、建筑特征（小区绿化率、物业费用、住宅年龄等）、邻里特征（医疗设施、教育设施、周边生活配备等）[3]。本文以小区为基本研究单元,结合实际住宅情况以及数据的可获得性,从区位特征、建筑特征以及邻里特征3个方面选取12个特征变量,探索影响房价空间分异的因素（表1）。本文以住宅价格的核密度分布与部分特征变量（公园、三甲医院、地铁站等）进行空间耦合表达,如图2所示。
表1 住宅特征变量的描述与量化

Tab. 1 Description and quantification of residential characteristic variables

变量类型 特征变量 变量描述 量化表达
区位特征 地铁站距离(Subway) 与最近地铁站距离 1 km内赋为5, 1~2 km赋为4, 2~3 km赋为3, 3~5 km赋为2, 5 km以上赋为1
公交站点距离(Bus Station) 与最近公交站点距离 50 m内赋为5, 50~100 m赋为4, 100~500 m赋为3, 500~1000 m赋为2, 1000 m以上赋为1
城市中心
(Urban Center)		 与南京市新街口的距离 5 km内赋为1, 5 km以上赋为0
二级商业中心(Second Center) 各行政区内的二级商业中心,如河西、城南、城南路、东山等 1 km内赋为4, 1~3 km内赋为3, 3 ~5 km内赋为2, 5 km以上赋为1
建筑特征 绿化率(Green) 小区绿化面积/小区规划面积 小区绿化率
物业费用(Cost) 住宅小区的物业管理费用(元/月/m2) 具体数值
住宅房龄(Age) 住宅建成的时间 当前时间与建成时间差值
建筑类型(Style) 低层、多层、小高层、高层、超高层 低层赋为1,多层赋为2,小高层赋为3,高层赋为4,超高层赋为5
邻里特征 生活配套设施(Market) 与最近大型超市、商场的距离 200 m内赋为5, 200~500 m赋为4, 500 m~1000 m赋为3, 1~3 km赋为2, 3 km以上赋为1
医疗设施(Hospital) 与最近的三甲医院的距离 500 m内赋为5, 500~1 km赋为4, 1~3 km赋为3, 3~5 km赋为2, 5 km以上赋为1
教育配备(Key Primary) 与重点小学的距离 根据政府实际文件,位于重点学区内的赋为1,反之赋为0
休闲设施(Park) 与最近的城市公园的距离 1 km内赋为5, 1~2 km赋为4, 2~3 km赋为3, 3~5 km赋为2, 5 km以上赋为1

注：城市中心5 km内考虑作为新街口重点辐射区。

图2 各特征变量与住宅价格耦合图

Fig. 2 The characteristic variables are coupled with the housing price

4 住宅价格空间分异的影响因素

特征价格法考虑影响因素较为全面,能采用真实的数据模拟市场,既可避免主观意识的干扰,又具有很强的灵活性[19]。由于影响住宅价格的因素有很多,为了寻找对价格影响最为显著的变量,通常要建立多元回归方程。但这样会造成多重共线性,导致伪回归。鉴于此,本文选择逐步回归法进行数据处理分析,将住宅价格作为因变量分别对各特征变量进行回归,选取拟合程度最大的回归方程作为基本方程,然后逐个增加其他特征变量并且进行 F 检验与 t 检验,仅保留显著性强的特征变量,并对模型进行共线性检验,确保所选变量均有实际意义。

4.1 模型的估计和检验

建立特征价格模型进行分析,数据处理选择逐步回归法,将统计显著性不强,经济意义不明显的变量逐步剔除[20],所得结果如表2、表3所示。建筑类别,二级商业中心的距离、购物中心的距离这3个指标的显著性水平大于0.05,表明其对住宅价格的影响不显著,将其剔除。最终选择的变量有重点小学（Key Primary）、物业费用（Cost）、新街口距离（Urban Center）、地铁站距离（Subway）、公交站距离（Bus Station）、绿化率（Green）、公园（Park）、三甲医院距离（Hospital）、房龄（Age）。
表2 特征价格模型描述

Tab. 2 Hedonic price model description

模型 包含的特征变量
1 Key Primary
2 Key Primary、Cost
3 Key Primary、Cost、Urban Center
4 Key Primary、Cost、Urban Center 、Subway
5 Key Primary、Cost、Urban Center 、Subway、Bus Station
6 Key Primary、Cost、Urban Center 、Subway、Bus Station、Green
7 Key Primary、Cost、Urban Center 、Subway、Bus Station、Green、Park
8 Key Primary、Cost、Urban Center 、Subway、Bus Station、Green、Park、Hospital
9 Key Primary、Cost、Urban Center 、Subway、Bus Station、Green、Park、Hospital、Age
表3 特征价格模型的显著性检验

Tab. 3 Significance test of the hedonic price model

模型 R R2 调整后的R2 标准估计的误差 更改统计
R2变化量 F变化量 自由度1 自由度2 Sig.F
变化量
1 0.612 0.374 0.374 0.3768 0.374 1854.534 1 3100 0.000
2 0.641 0.411 0.411 0.3655 0.037 195.276 1 3099 0.000
3 0.669 0.447 0.447 0.3542 0.036 201.154 1 3098 0.000
4 0.685 0.470 0.469 0.3470 0.023 132.067 1 3097 0.000
5 0.697 0.486 0.485 0.3418 0.016 94.619 1 3096 0.000
6 0.704 0.496 0.495 0.3385 0.010 63.119 1 3095 0.000
7 0.709 0.503 0.502 0.3362 0.007 42.205 1 3094 0.000
8 0.711 0.505 0.504 0.3355 0.002 14.328 1 3093 0.000
9 0.712 0.507 0.506 0.3352 0.001 7.090 1 3092 0.000
表2是各特征价格模型包含的特征变量,表3是对各特征价格模型的显著性检验。从表3可得,第9个特征价格模型R2为0.507,经过调整后的R2为0.506,相对其他特征价格模型,拟合程度最高,且标准误差为9个模型中最小的。第9个模型的F检验值远大于F0.01,表明在置信水平 α = 0.01 下,回归方程是显著的,即进入方程的住宅特征与因变量 ln(Price)之间的线性关系成立。由第9个模型回归系数检验结果（表4）可知,回归系数的 t 检验值与F检验值在 α = 0.05 上均具有显著性,表明回归方程中相应的系数具有显著性。
表4 回归系数t检验、F检验和多重共线性检验

Tab. 4 Regression coefficient t test, F test and multi collinearity test

模型 自变量 t Sig.t F Sig.F 共线性统计
Tolerance VIF
9 Key Primary 24.126 0.000 1854.534 0.000 0.534 1.872
ln(Cost) 13.922 0.000 2.98 0.000 0.643 1.556
Urban Center 10.249 0.000 1059.049 0.000 0.552 1.812
Subway 8.857 0.000 126.168 0.000 0.830 1.205
Bus Station 8.899 0.000 204.262 0.000 0.762 1.313
ln(Green) 8.749 0.000 1.308 0.018 0.871 1.148
Park 4.873 0.000 91.752 0.000 0.759 1.318
Hospital 3.725 0.000 107.512 0.000 0.657 1.523
ln(Age) 2.754 0.001 7.438 0.000 0.515 1.942
多重共线性问题导致不稳定的结果,因此需要使用方差膨胀因子检测变量之间的多重共线性[21]。共线性统计中Tolerance（容差）表示以每个特征变量作为因变量对其他特征变量进行回归分析时得到的残差比例,若该指标值小于0.1,表明该特征变量被其余变量预测准确,存在多重共线性问题; VIF（方差膨胀因子）用于验证解释变量是否冗余,若VIF超过7.5,表明该变量是冗余变量,存在多重共线性问题。通过表4可知,所选变量的Tolerance值均大于0.1, VIF值均小于7.5,表明所选变量均通过检验。

4.2 模型结果分析

通过上述分析,可得使用的9个特征变量在 α=0.05上均具有显著性。由表6可得南京市住宅价格特征价格方程如下：
ln p = 9.482 + 0.147 ln ( Cost ) + 0.163 ln ( Green ) + 0.030 ln ( Age ) + 0.057 Subway + 0.040 Park + 0.405 ( Key Pr imary ) + 0.173 ( UrbanCenter ) + 0.030 Hospital + 0.062 ( BusStation )
式中： p 为住宅价格;其余分别对应于其他特征变量。
表5 模型9回归系数表

Tab. 5 Table of regression coefficients

自变量 非标准化系数
B 标准误差
(常量) 9.482 0.055
Key Primary 0.405 0.017
ln(Cost) 0.147 0.011
Urban Center 0.173 0.017
Subway 0.057 0.007
Bus Station 0.062 0.007
ln(Green) 0.163 0.019
Park 0.040 0.008
Hospital 0.030 0.008
ln(Age) 0.030 0.011
表6 模型9各特征变量的价格弹性系数

Tab. 6 The price elasticity coefficient of each characteristic variable

影响因素 非标准化系数 弹性系数/% 半弹性系数/%
ln(Green) 0.163 0.163
ln(Cost) 0.147 0.147
Urban Center 0.173 18.887
Key Primary 0.405 49.930
Bus Station 0.062 6.396
Subway 0.057 5.865
Park 0.040 4.081
Hospital 0.030 3.045
ln(Age) 0.030 3.045
在对数模型中,自变量为连续变量时,未标准化的回归系数B对应住宅特征的价格弹性系数,价格半弹性系数是由于自变量是虚拟变量或者等级赋值,不能直接采用回归系数的数值[22],需要对其进行处理,处理公式为：
k = 100 × e B - 1
式中： k 为半弹性系数; B 为未标准化的回归系数;
通过上述公式可得各个特征变量对住宅价格的影响程度（表5）。
如表6所示,在连续变量中,物业费用的价格弹性系数为0.147,表明在其他条件不变的情况下,物业费用每增加1%,住宅价格平均增加0.147%;同样,在其他条件不变的情况下,绿化率每增加1%,住宅价格平均增加0.163%。在虚拟变量中,重点学区房的价格半弹性系数为49.930%,表示在其他条件不变的情况下,重点学区房的价格将平均增加49.930%。
城市中心重点辐射区的价格半弹性系数为18.887%,表示在其他条件不变的情况下,城市中心重点辐射区内的住宅价格相对于其他地方将平均增加18.887%。
在等级赋值变量中,地铁站与公交站的价格半弹性系数分别为5.865%、6.396%,表示在其他条件不变的情况下,交通便利程度每提高一个等级,住宅价格将平均分别增加5.865%、6.396%;城市公园便利程度每提高一个等级,住宅价格将平均增加4.081%;与周边三甲医院距离便利程度每提高一个等级,住宅价格将平均增加3.045%。
对于住宅价格影响因素的研究,本文建立特征价格模型以逐步回归法进行处理,通过分析可得：
（1）影响因素中重点学区、新街口的距离、绿化率、物业费用对住宅价格影响较大;受公交站距离、地铁站距离、公园距离、房龄、医院距离影响次之。其中重点学区对住宅价格的影响最显著,表明南京市民对住宅小区是否为重点学区所处范围极为重视,位于重点学区范围内的住宅小区,住宅价格越高,如颐和路小区、仙霞公寓、兰园小区等;住宅价格受城市中心的影响显著。南京的城市中心即新街口,周围资源丰富,如大型商场、娱乐设施、餐饮、教育机构等,表现为城市住宅价格的一般规律,即离城市中心越近,价格越高。此外,城市中心附近存在部分名校也会导致住宅价格偏高,如新街口西站附近有南京市拉萨路小学新华校区,南京师范大学附属小学同仁分校等;更高价格的住宅小区一般配套相应高绿化率的环境,绿化环境好的住宅小区更能给居民生活带来舒适感,相应物业管理费用也高。
（2）在相同的区位中,即学区与至新街口的距离相近的条件下,住宅小区至地铁站、公交站、公园、医院等的距离对住宅价格也具有影响力。距离地铁站和公交站越近,给居民的出行带来极大的便利,影响程度也相应较高;而公园越近,由于其安静、风景怡人、空气清新的环境,提升了居民的生活幸福感,住宅价格也相应较高;三甲医院一般位于各区的中心位置,其附近拥有该区最丰富的资源,交通便利,各类设施完备,住宅价格也往往较高。老城区一般位于城市中心区域,住宅小区普遍房龄大,相应价格也高。
教育设施的质量是选择居住地点的首要因素,对提高周围的住宅价格具有重大影响。而休闲文化等设施改善了居民的生活质量,满足了居民的基本需求,提升了居民的生活幸福度。上述分析结果与人们的认知相符,表明本文采用的模型方法达到预期效果,适用性较好。

5 结论

本文从微观角度入手,以南京市住宅价格为实验数据,探究南京市住宅价格的影响因素。在对住宅价格影响因素进行分析时,往往涉及诸多变量,而传统方法在进行分析时,多直接建立特征价格模型,并未对其进行修正,各变量之间可能存在共线性的问题,尤其在各特征变量间若存在高度相互依赖关系时,易导致伪回归现象。本文的创新点在于采用逐步回归方法对特征价格模型进行修正,剔除了初步选取的显著性不强的特征变量,更为精准地分析住宅价格的影响因素。通过本文分析方法主要结论如下：
（1）在区位特征中,城市中心对住宅价格影响最大,其次是地铁站距离与公交站点距离,而二级商业中心对住宅价格影响不显著;在建筑特征中,绿化率对价格影响最大,而物业费用与住宅房龄对住宅价格影响相对较小,建筑类型对住宅价格的影响不显著;在邻里特征中,重点学区距离对价格影响因素最大,而医疗设施与金融配备设施影响相对较小,而生活配套设施对住宅价格影响不显著。
（2）本文初步选取12个特征变量进行分析,但难以确定各变量间是否存在依赖关系。本文通过逐步回归方法进行修正,在众多的特征变量中成功剔除二级商业中心、建筑类型、生活配套设施3个不显著的影响因素,保留重点学区、城市中心、绿化率等9个影响较大的因素。本文采用的模型方法达到预期效果,结果符合人们的认知,具有较好的适用性。
本文在影响住宅价格的特征变量选择中,不可避免地带有部分主观因素。一方面,数据获取来源受限,部分影响因素数据无法获取与量化;另一方面,住宅价格是多种因素综合作用的结果,本文从9个影响因素入手,并未将政策、规划、风俗等因素纳入研究分析。此外,住房类型（学区房,单身公寓,人才房等）不同,价格影响因素可能也有所差异。鉴于此,下一步研究中将政策、规划、风俗、与不同类型的住宅等复杂因素纳入研究中,进一步剖析它们对南京市住宅价格的影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王芳, 高晓路, 颜秉秋. 基于住宅价格的北京城市空间结构研究[J]. 地理科学进展, 2014,33(10):1322-1331.

DOI

[ Wang F, Gao X L, Yan B Q. Research on urban spatial structure in Beijing based on housing prices[J]. Progress in Geography, 2014,33(10):1322-1331. ]

[2]
梅志雄, 徐颂军, 欧阳军, 等. 广州地铁三号线对周边住宅价格的时空影响效应[J]. 地理科学, 2011,31(7):836-842.

[ Mei Z X, Xu S J, Ouyang J, et al. Spatio-temporal impact effects of Guangzhou metro 3rd line on housing prices[J]. Scientia Geographica Sinica, 2011,31(7):836-842. ]

[3]
宋伟轩, 毛宁, 陈培阳, 等. 基于住宅价格视角的居住分异耦合机制与时空特征——以南京为例[J]. 地理学报, 2017,72(4):589-602.

DOI

[ Song W X, Mao N, Chen P Y, et al. Coupling mechanism and spatial-temporal pattern of residential differentiation from the perspective of housing prices: A case study of Nanjing[J]. Acta Geographica Sinica, 2017,72(4):589-602. ]

[4]
温海珍, 李旭宁, 张凌. 城市景观对住宅价格的影响——以杭州市为例[J]. 地理研究, 2012,31(10):1806-1814.

[ Wen H Z, Li X N, Zhang L. Impacts of the urban landscape on the housing price: A case study in Hangzhou[J]. Geographical Research, 2012,31(10):1806-1814. ]

[5]
Lancaster K J. A new approach to consumer theory[J]. Journal of Political Economy, 1966,74:132-157.

DOI

[6]
Rosen S. Hedonic prices and implicit markets:product differentiation in pure competition[J]. Journal of Political Economy, 1974,82:1,34-55.

DOI

[7]
Noor N M, Asmawi M Z, Abdullah A. Sustainable urban regeneration: GIS and hedonic pricing method in determining the value of green space in housing area[J]. Procedia Social & Behavioral Sciences, 2015,170:669-679.

[8]
Liang X, Liu Y, Qiu T, et al. The effects of locational factors on the housing prices of residential communities: The case of Ningbo, China[J]. Habitat International, 2018,81:1-11.

DOI

[9]
Lan F, Wu Q, Zhou T, et al. Spatial effects of public service facilities accessibility on housing prices: A case study of Xi'an, China[J]. Sustainability, 2018,10(12):4503.

DOI

[10]
Rong L H, Sun Y M. The analysis of second-hand housing price influencing factors based on hedonic model and WEB information[J]. Applied Mechanics and Materials, 2014,587-589:2285-2289.

DOI

[11]
许基伟, 马欣. 基于Hedonic模型的小区房价影响因素研究——以南京市鼓楼区为例[J]. 工程经济, 2020,30(1):61-64.

[ Xu J W, Ma X. Study on the factors affecting the housing price based on the hedonic model: A case study of gulou district, Nanjing[J]. Engineering Economy, 2020,30(1):61-64. ]

[12]
刘俊豪. 住宅特征对城市二手房挂牌价的影响研究——以徐州市为例[D]. 徐州:中国矿业大学, 2016.

[ Liu J H. Study on the impact of house characteristics on the asking price of urban second-hand house: A case of Xuzhou City[D]. Xuzhou: China University of Mining and Technology, 2016. ]

[13]
南京市规划和自然资源局. . 《南京市城市总体规划(2018—2035)》草案[EB]. http://ghj.nanjing.gov.cn/njsgtzyj/201812/t20181225_1347362.html.

[ Nanjing Bureau of Planning and Natural Resources. Draft of "Nanjing City Master Plan (2018-2035)"[EB]. http://ghj.nanjing.gov.cn/njsgtzyj/201812/t20181225_1347362.html. ]

[14]
尹上岗, 李在军, 宋伟轩, 等. 基于地理探测器的南京市住宅租金空间分异格局及驱动因素研究[J]. 地球信息科学学报, 2018,20(8):1139-1149.

DOI

[ Yin S G, Li Z J, Song W X, et al. Spatial differentiation and influence factors of residential rent in Nanjing based on geographical detector[J]. Geo-Information Science, 2018,20(8):1139-1149. ]

[15]
钟芬. 棕地对周边住宅价格的影响研究[D]. 合肥:合肥工业大学, 2017.

[ Zhong F. The impact of brownfields on residential property values[D]. Hefei: Hefei University of Technology, 2017. ]

[16]
刘倩倩. 基于3C定价理论的上海商品住宅定价策略的实证研究[D]. 上海:华东师范大学, 2012.

[ Liu Q Q. Empiricalresearch of the new housing pricing strategy in Shanghai based on 3C pricing theory[D]. Shanghai: East China Normal University, 2012. ]

[17]
刘立祥. 线性回归模型中自变量的选择与逐步回归方法[J]. 统计与决策, 2015(21):80-82.

[ Liu L X. Selection of independent variables and stepwise regression method in linear regression model[J]. Statistics & Decision, 2015,21:80-82. ]

[18]
游士兵, 严研. 逐步回归分析法及其应用[J]. 统计与决策, 2017,14:31-35.

[ You S B, Yan Y. Stepwise regression analysis method and its application[J]. Statistics & Decision, 2017(14):31-35. ]

[19]
彭保发, 石忆邵, 单玥, 等. 上海市三甲医院对周边地区住房价格的空间影响效应分析[J]. 地理科学, 2015,35(7):860-866.

DOI

[ Peng B F, Shi Y S, Shan Y, et al. The spatial impacts of class 3A comprehensive hospitals on A peripheral residential property prices in Shanghai[J]. Scientia Geographica Sinica, 2015,35(7):860-866. ]

[20]
石忆邵, 王伊婷. 上海市学区房价格的影响机制[J]. 中国土地科学, 2014,28(12):47-55.

[ Shi Y S, Wang Y T. The impacting mechanism of housing prices in the school districts in Shanghai City[J]. China Land Science, 2014,28(12):47-55. ]

[21]
Liu F, Min M, Zhao K, et al. Spatial-temporal variation in the impacts of urban infrastructure on housing prices in Wuhan, China[J]. Sustainability, 2020,12(3):1281.

DOI

[22]
董藩, 董文婷. 学区房价格及其形成机制研究[J]. 社会科学战线, 2017(1):43-51.

[ Dong F, Dong W T. Study on the price of school district and its formation mechanism[J]. Social Science Front, 2017(1):43-51. ]

Options
文章导航

/

〈 〉