EN中文

地理科学进展  2018 , 37 (9): 1268-1276 https://doi.org/10.18306/dlkxjz.2018.09.009

研究论文

南京城区住宅售租价格时空分异与影响因素

宋伟轩1, 2, , 马雨竹1, 3, 陈艳如1, 3

1. 中国科学院南京地理与湖泊研究所,南京 210008
2. 中国科学院流域地理学重点实验室,南京 210008
3. 中国科学院大学,北京 101407

Spatiotemporal differentiation and influencing factors of housing selling and rental prices: A case study of Nanjing City

SONG Weixuan1, 2, , MA Yuzhu1, 3, CHEN Yanru1, 3

1. Nanjing Institute of Geography and Limnology, CAS, Nanjing 210008, China
2. Key Laboratory of Watershed Geographic Sciences, CAS, Nanjing 210008, China
3. University of Chinese Academy of Sciences, Beijing 101407, China

收稿日期: 2017-11-15

修回日期:  2018-01-12

网络出版日期:  2018-09-28

版权声明:  2018 地理科学进展 《地理科学进展》杂志 版权所有

基金资助:  国家自然科学基金项目(41771184)

作者简介:

作者简介：宋伟轩(1981-),男,吉林敦化人,博士,副研究员,主要从事城市社会空间研究,E-mail: wxsong@niglas.ac.cn。

展开

摘要

住宅价格空间分异是中国城市地理学和经济地理学近年来关注的热点前沿课题。以南京4560个居住小区为研究总样本,采集2009-2017年间30个季度各小区平均住宅售价和租金,选取6个特征时段和小区分布相对集中的重点研究区,采用克里格插值法分析研究区内住宅售租价格的空间分异与演变特征,发现售价空间分异明显加剧,高值区渐显于河西新城、江心洲和鼓楼名校学区;租金空间则从城市中心向外围递减格局转变为整体更加均衡的新老城区多中心结构。在此基础上,重点围绕住宅“区位”属性,构建售租价格分异影响因素指标体系,通过逐步多元回归分析发现,中心位势变量对售租价格的解释度最高,而配套服务类区位因素对售租价格的解释力在降低。南京城市房价快速增长背景下,常规“区位”因素对房价分异的重要性持续减弱,学区、政策偏向等特殊“区位”因子对房价的决定性作用则逐步突显,而“售租比”全面快速增长则预示着城市房价风险程度的整体提高。

关键词： 住宅 ; 区位 ; 售价 ; 租金 ; 时空分异 ; 影响因素 ; 售租比 ; 南京

Abstract

Under the background of rapid urbanization and housing market reform, urban housing and housing price have become a major issue related to the national economy and people's livelihood in China. The spatial differentiation of housing prices has become an important topic of research, which has been concerned by Chinese urban geographer and economic geographer in recent years. Few of the existing studies in China relied on long time series data to compare the spatial pattern, location influencing factors, and mechanism of change of urban housing selling and rental prices. As Nanjing City can represent the general development path of China's big cities, this study took 4560 residential communities in Nanjing as the total sample, and collected the average housing selling and rental prices for 30 quarters of 2009-2017. Data analyses show that there is a causality between the selling and rental prices, and the selling price shows a clear pattern that "fast rise" alternates with "relatively smooth," price levels whereas the rental price shows a more stable trend. The study chose areas where the sample communities are concentrated as focused research area and 6 characteristic time intervals to analyze the spatiotemporal differentiation and characteristics of change of housing selling and rental prices by employing the Kriging interpolation method. The results show that the spatial differentiation of housing selling price significantly intensified and high-value areas are more concentrated in Hexi New Town, Jiangxinzhou, and elite school districts in Gulou District; and based on the current situation of development, the high-value areas continue to transfer to the periphery of the city. Meanwhile, the spatial pattern of rental price shifted from gradually decreasing from city center toward outskirts to a more balanced structure of multi-centers both in the old and the new city areas. On this basis, an indicator system of location influence coefficient on housing selling and rental prices was built, focusing on the characteristics of houses and the "location" property. Through multiple stepwise regression analysis, it was found that central geographical variable has the highest degree of explanation power on selling and rental prices, while the explanatory power of supporting services on selling and rental prices is decreasing. With rapidly rising housing selling price in Nanjing, the significance of normal "location" coefficient on housing price differentiation is continually abating, but the decisive effect of some special "location" coefficients (such as school district and policy preferences) on selling price is becoming more prominent, further expanding the price-to-rent ratio, which also indicates the overall increase of housing price "risk" in Nanjing.

Keywords： housing ; location ; selling price ; rental price ; spatiotemporal differentiation ; influencing factors ; price-to-rent ratio ; Nanjing

0

PDF (6520KB) 元数据 多维度评价 相关文章 收藏文章

本文引用格式 导出 EndNote Ris Bibtex

宋伟轩, 马雨竹, 陈艳如. 南京城区住宅售租价格时空分异与影响因素[J]. 地理科学进展, 2018, 37(9): 1268-1276 https://doi.org/10.18306/dlkxjz.2018.09.009

SONG Weixuan, MA Yuzhu, CHEN Yanru. Spatiotemporal differentiation and influencing factors of housing selling and rental prices: A case study of Nanjing City[J]. Progress in Geography, 2018, 37(9): 1268-1276 https://doi.org/10.18306/dlkxjz.2018.09.009

1 引言

党的十九大报告再次强调：房子是用来住的、不是用来炒的;加快建立租购并举的住房制度,让全体人民住有所居。在快速城市化与住房市场化改革背景下,城市住房与房价越来越成为关系到国计民生的重大课题,从而引起各界学者的普遍重视。特别是中国大城市高房价问题,逐渐成为国内外城市经济学和地理学界的研究热点(Logan et al, 2009; Chen et al, 2010; Shen, 2012; Wu, 2015; Chiang, 2016),其中,中国城市地理学者通常更加关注房价在城市间和城市内部的表现差异及其影响因素(邹利林等, 2013; 王芳等, 2014; 王洋等, 2014; 郭慧秀等, 2016)。城市间的房价差异受城市经济实力、行政等级、土地及建设成本、居民收入和消费水平、公共服务质量等多样化因素的影响(王洋等, 2013; Wang et al, 2014; 王少剑等, 2016),而导致城市内部房价空间差异的原因,主要与住房本身特征及其区位条件(综合资源禀赋)相关。近年来,通过对北京(谷一桢等, 2010)、上海(汤庆园等, 2012)、南京(宋伟轩等, 2017)、扬州(王洋等, 2013)、长沙(孙倩等, 2015)、西安(杨海娟等, 2017)、重庆(李颖丽等, 2017)和成都(张少尧等, 2017)等不同类型城市的实证研究发现,尽管各城市内部房价空间分异格局各异,但就其影响因素而言,除住房建筑和社区属性等自身因素外,“区位”是影响城市住宅价格(包括售价和租金)空间差异的核心要素。其含义包括：①在足够小的空间区域内,由于具有相同区位条件,住宅基准房价(或基准地价)理论上应该是一致的,也就是住宅价格的“空间依赖性”(杨海娟等, 2017);②即使位于相同区位,由于实际地价和住宅年代、类型、档次等属性差异,相邻小区的房价依然可能存在较大差距,即住宅价格的“空间异质性”(李颖丽等, 2017);③轨道交通(谷一桢等, 2010; 冯长春等, 2011; 刘康等, 2015)、公共服务(李祥等, 2012; 苏亚艺等, 2014; 张少尧等, 2017)、环境景观(温海珍等, 2012; 陈庚等, 2015)等多种区位因素都会对住宅价格产生影响,而主导因素、组合特征及作用强度可能随时间发生变化(宋伟轩等, 2017);④售价和租金分别重点反映住宅交易价值和使用价值,因此特定区位因素对住宅出售和出租价格的作用方式与影响程度可能存在不同。鉴于国内已有成果中少有依托长时间尺度数据,比较城市住宅售价和租金空间格局、区位影响因素和演变规律的研究,本文以可代表中国大城市普遍发展模态的南京(宋伟轩等, 2017)为样本城市,依托多时段城市住宅交易“大数据”信息,采用克里格插值和逐步多元回归等分析方法,开展对南京城市住宅售租价格时空分异和区位影响因素演变的实证研究,以期为构建中国城市住宅价格分异理论和促进房地产市场健康平稳发展提供一定参考。

2 数据与方法

2.1 数据说明

本文使用的南京城市住宅售租价格及相关数据均由中国房价行情平台①(①数据来源详见http://www.creprice.cn/user/datades.html。)提供。价格信息主要是指南京市2009-2017年期间存量房销售和出租的挂牌价格,经过过滤重复和剔除异常信息,获取有效数据约600万条;为减少数据处理量,同时降低如朝向、装修、户型等住宅个性化差异对价格的影响,以上述信息中涉及的4560个居住小区(组团)为房价空间统计单元;数据内容包括各小区2009年4季度(或自有租售记录起)至2017年1季度每平米建筑面积的住宅销售均价和每月出租均价,以及小区名称、经纬度、面积、户数、容积率和绿化率等属性信息。

如图1所示,考虑到南京市区范围较大,为更准确地表达城市住宅售租价格的空间分异格局(提高空间插值分析精度),选取以新街口为中心,20 km为半径的圆形空间区域为本文重点研究区。选择该区域的理由是：其一,城市中心新街口向外到达市域边界的最短直线距离约为20 km;其二,该区域能够基本覆盖南京城市“一主三副”范围,即主城区、东山副城、江北副城和仙林副城;其三,南京已开通的六条地铁线路(除机场线外)最远站点到城市中心的直线距离均为20 km左右;其四,根据南京城市交通现状,该区域是在上下班通勤时段从城市中心向外1小时车程可覆盖的大致范围。该研究区内涵盖3917个居住小区(2017年),约占全市样本总量的86%。

显示原图| 下载原图ZIP| 生成PPT

图1   南京市区、重点研究区和住宅小区分布

Fig.1   Urban area, focused research area, and residential communities in Nanjing City

2.2 数据处理

通常认为,住宅售价与租金之间存在一定关联(Cronina et al, 2016)。为检验住宅售租价格间是否存在因果关系,本文对所有样本小区各时段的平均售价和租金进行格兰杰(Granger)检验。首先采用ADF法对住宅售价和租金进行平稳性检验,结果显示在1%的显著性水平下,售价和租金的水平序列都是平稳的。因此,可以认为售租价格可能受到某些公共因素影响,在时间上表现出相同的趋势,即可能存在一种稳定的协整(Co-integration)关系。随后Granger因果关系检验结果表明(1%临界值),住宅平均售价和租金之间存在非常显著的双向因果关系,即住宅售价或租金的上升或下降将导致对方发生同向变化;而且相对而言,售价更是导致租金变化的原因(表1)。

表1   样本小区平均售租价格间的Granger因果关系检验

Tab.1   Granger causality between average selling and rental prices of sample communities

初始假设F统计量概率P值
住宅价格不是引起租金价格的原因120.0412.00E-52
租金价格不是引起住宅价格的原因41.84298.00E-19

新窗口打开

从观测期租售数据总体特征上看,相较于租金一直表现出较为平稳的上涨趋势,售价则呈现出 明显的周期性上涨规律,大约每间隔一年半出现一次拐点,“快速上涨”与“相对平稳”阶段交替出现(表2)。特别是2015年底-2017年初的“暴涨”周期,南京平均售价上涨近8000元/m2,2017年初全市住宅均价突破25000元/m2,高出2009年底近15000元/m2。鉴于数据量庞大且售租价格间存在因果关系,为减少数据冗余和突出特征时点,选取数据“起止”和“拐点”的6个时段,即2009年4季度、2011年2季度、2012年4季度、2014年2季度、2015年4季度和2017年1季度,作为售租价格分异格局与影响因素分析的特征时段。

表2   2009-2017年南京各季度城市住房单位面积平均售价变化情况

Tab.2   Quarterly housing selling price in Nanjing City, 2009-2017

上涨期房价
/(元/m2)		平稳期房价
/(元/m2)		上涨期房价
/(元/m2）		平稳期房价
/(元/m2)		上涨期房价
/(元/m2)
2009年4季度104902011年2季度143842012年4季度143172014年2季度176982015年4季度17594
2010年1季度117652011年3季度144172013年1季度153262014年3季度174992016年1季度18697
2010年2季度132672011年4季度141912013年2季度156762014年4季度173842016年2季度20755
2010年3季度135332012年1季度140902013年3季度162212015年1季度168752016年3季度22531
2010年4季度137512012年2季度140662013年4季度170322015年2季度174552016年4季度23971
2011年1季度143072012年3季度142852014年1季度173672015年3季度172902017年1季度25358

新窗口打开

首先,为考察城市住宅价格整体分异程度及变化,分别计算6个时段南京居住小区平均售、租价格的泰尔指数(Theil Index),发现住宅售价的整体分异度持续扩大,从2009年的0.0228上升为2017年的0.0349;住宅租金的整体分异度先降后升,且始终高于售价分异程度(表3)。说明2009-2017年期间随着房价和租金上涨,其空间分异也在加剧。

表3   南京特征时段住宅平均售租价格泰尔指数变化

Tab.3   Theil index of housing selling and rental prices at characteristic time intervals

分异指数2009年4季度2011年2季度2012年4季度2014年2季度2015年4季度2017年1季度
售价0.02280.02560.02700.02590.02890.0349
租金0.03480.03350.03060.02710.02920.0380

新窗口打开

其次,采用能够较好处理空间非平稳变量的普通克里格法(Kriging),对居住小区较为集中的重点研究区进行售租价格的空间插值分析,考察区域内住宅售租价格的空间分异格局及其变化特征。

在此基础上,重点围绕“区位”影响要素,提出可能导致南京住宅售租价格差异的5类特征因素和9项指标变量(表4)：第一类是小区属性,包括住宅房龄和居住品质;第二类是商业区位,包括生活配套和商务配套条件;第三类是交通区位,包括中心位势和交通便捷程度;第四类是服务区位,包括周边教育医疗和休闲娱乐资源丰度;第五类是景观区位,指毗邻大型山水景观资源程度。选取6个时段售租价格数据均完整的样本小区作为回归分析对象,在利用SPSS数理分析工具对各小区上述9项指标变量进行Z-score标准化处理的基础上,分别以小区住宅售价和租金为因变量,以9项解释指标为自变量,采用逐步多元回归分析法(Multiple Stepwise Regression),探究导致住宅售租价格差异的主要因素、组合特征及随时间变化情况。

表4   影响住宅平均售租价格分异的特征变量及描述

Tab.4   Variables affecting the spatial differentiation of housing selling and rental prices

特征类型解释变量变量描述
小区属性住宅房龄距离住宅建成年份的年数
居住品质绿化率(绿化面积与规划建设用地面积之比)
商业区位生活配套1 km半径内大型商场和各类超市数量
商务配套1 km半径内写字楼和银行网点数量
交通区位交通便捷与最近两个(已通车)不同线路地铁站距离之乘积(取对数)
中心位势与城市中心(新街口)和最近二级中心距离之乘积(取对数)
服务区位教育医疗1 km半径内中、小学和医院数量
休闲娱乐1 km半径内城市公园广场、大学校园和文化体育场馆数量
景观区位环境景观与城市大型山水景观资源的空间毗邻程度*

注：大型山水景观资源包括紫金山、栖霞山、幕府山、将军山、老山、龙王山、方山、玄武湖、百家湖、九龙湖、内外秦淮河、长江、夹江、羊山公园、仙林湖公园等,样本点距离上述景观资源最短距离<100 m、100~500 m、500~1000 m、>1000 m分别赋值7分、5分、3分和1分。

新窗口打开

3 价格分异格局与影响因素演变

3.1 售租价格分异格局及演变特征

通过对重点研究区住宅售价和租金进行克里格插值分析(图2-3)可以发现：

显示原图| 下载原图ZIP| 生成PPT

图2   重点研究区住宅平均售价空间分布格局及演变

Fig.2   Spatial pattern and change of housing selling price in focused research area

显示原图| 下载原图ZIP| 生成PPT

图3   重点研究区住宅平均租金空间分布格局及演变

Fig.3   Spatial pattern and change of housing rental price in focused research area

在售价格局方面,整体上分异明显扩大,房价高值区由早期鼓楼区名校学区、玄武湖西北两岸、紫金山东北麓、月牙湖畔、河西奥体中心周边等斑块状地区,逐步演化为以河西、江心洲和鼓楼名校学区相连所构成的片状地区;而南京南站(南部新城)、江宁百家湖与九龙湖之间、仙林副城、江北沿江地区等新城区,正在崛起为城市中的较高房价地区;因大量老旧住宅拉低了内城房价,使新街口地区作为城市核心区,在住宅售价上并不具有明显优势,增速上更远落后于河西、仙林,以及近两年的江宁、江北等新城区;而且根据目前发展态势判断,高房价向城市外围转移的空间趋向还将持续。

在租金格局方面,与售价“去中心化”不同,租金总体上以新街口地区为高值区,初期向城市外围梯度递减,而后河西、仙林等新城核心区也出现租金高值区,在平均值上有逐渐接近老城的迹象,但最高租金小区依然多见于新街口及周边地区少量新建的酒店式公寓和封闭式社区;与售价“阶段爆发式增长”不同,租金呈现出相对平稳上涨态势。值得指出的是,2015年末-2017年初期间,售价增幅达50%以上,但租金非但没有大幅增长,部分地区还有所下降;租金最高点出现在2012年4季度的紫金山东北麓,主要是由于南京两大顶级别墅区(“帝豪花园”和“钟山高尔夫”)汇聚于此,具有特例性和偶发性。概言之,租金分异与售价相比,在空间上表现得更加均衡或离散,新老城区间差异在缩小。

3.2 售租价格影响因素与变化趋势

通过分别构建售租价格与特征变量的逐步多元回归模型,在保留最显著影响因素的同时剔除高度相关的解释变量,获取对售租价格最具“解释力”的变量集,分析结果显示：

在相关性方面(表5),相对而言：①对售价解释力最强的前5位因素包括中心位势、交通便捷、住宅房龄、居住品质和环境景观;其中,中心位势和居住品质的解释力在增强,而交通便捷的解释力在减弱;但较意外的是,与日常生活关系密切的配套服务类变量(生活配套、商务配套、教育医疗、休闲娱乐)对房价的解释力均相对不强。②对租金解释力最强的前5位因素包括中心位势、休闲娱乐、交通便捷、住宅房龄和商务配套;中心位势逐步取代交通便捷成为最强解释变量,休闲娱乐、商务配套和教育医疗的解释度则有所上升。③从变量联合解释力来看,对售价的拟合优度(R2)逐步下降,对租金的拟合度也在2017年突然降低,说明随着住宅价格超常上涨,依托常规区位变量可能越来越难以准确解读房价的时空分异。

表5   特征变量对住宅售价和租金的解释力排名及变化

Tab.5   Ranking and changes of variables’ explanatory power on housing selling and rental prices

住宅房龄居住品质生活配套商务配套交通便捷中心位势教育医疗休闲娱乐环境景观联合解释力(R2)
2009年1季度3 / 46 / 8- / 28 / 71 / 12 / 37 / -5 / 64 / 50.605 / 0.593
2011年2季度3 / 45 / -- / 77 / 62 / 11 / 26 / -8 / 34 / 50.558 / 0.598
2012年4季度2 / 45 / -- / -7 / -1 / 13 / 28 / -6 / 34 / 50.548 / 0.622
2014年2季度4 / 32 / -8 / -6 / 4- / 61 / 17 / 55 / 23 / -0.449 / 0.588
2015年4季度3 / 32 / 69 / -6 / 47 / -1 / 18 / 55 / 24 / -0.463 / 0.546
2017年1季度2 / -3 / 6- / -- / 4- / 21 / 1- / 5- / 34 / -0.359 / 0.338

注：如“3 / 4”代表该影响因素在某时段内对住宅售价和租金的解释度(R2值)分别排名第3和第4位;“-”表示变量已剔除。

新窗口打开

在影响程度方面,考察各变量标准化回归系数及其变化发现(表6)：①从回归系数正负值看变量对售租价格的作用方向,住宅房龄、交通便捷和中心位势的回归系数为负值,说明排除其他因素影响,小区越旧、距离新老城区中心和地铁越远,则售价和租金越低;居住品质、教育医疗、休闲娱乐和环境景观的回归系数为正值,符合预期方向;但意外的是,生活配套和商务配套的回归系数出现负值。②从回归系数绝对值看变量对售租价格的影响程度变化,中心位势的重要性显著上升,而交通便捷和环境景观等常规区位因素的重要性明显下降。

表6   特征变量对住宅售价和租金的标准化回归系数及其变化

Tab.6   Standardized regression coefficients of variables on housing selling and rental prices and their changes

2009年1季度2011年2季度2012年4季度2014年2季度2015年4季度2017年1季度
售价租金售价租金售价租金售价租金售价租金售价租金
住宅房龄-0.248-0.136-0.244-0.174-0.234-0.128-0.142-0.122-0.167-0.084-0.210-
居住品质0.1230.0440.125-0.127-0.124-0.1230.0450.1540.062
生活配套-0.400-0.366---0.367--0.364---
商务配套-0.223-0.201-0.266-0.290-0.232--0.268-0.280-0.206-0.226--0.289
交通便捷-0.390-0.284-0.380-0.308-0.398-0.377--0.0710.081---0.148
中心位势-0.299-0.244-0.311-0.301-0.310-0.334-0.611-0.497-0.668-0.585-0.582-0.452
教育医疗0.243-0.258-0.190-0.4800.2500.3900.193-0.198
休闲娱乐0.1800.1700.1550.2130.1590.1930.2540.3430.2750.267-0.137
环境景观0.1470.0970.1520.0830.1470.0700.069-0.053-0.099-

注：除2012年4季度生活配套和2017年1季度景观区位在95%的置信水平上显著,所有变量均在99%置信水平上显著。

新窗口打开

4 住宅租售价格的空间分异特征

4.1 传统“区位”影响因子重要性降低

“区位”条件一度被视为影响房地产价值的最核心要素。售价和租金分别主要体现住房的“交换价值”和“使用价值”,与区位影响因素存在一定相似性,同样也表现出某些差异。其中值得强调的是,交通和居住配套类常规区位因子对南京租金空间差异依然具有相对较好的解释力,但随着房价快速上涨,利用上述传统区位影响因素越来越难以有效解读售价空间分异现象。特别是某些“异常”现象,例如,长江中以葡萄种植为主的江心洲,8年内跃升为南京售价最高的地区之一;宁镇交界远离城市中心的仙林湖,5年内售价增长2倍并超过南京主城区均价。此类现象至少证明：一是住宅作为一种特殊的商品,其售价的高低主要取决于其保值潜力或增值预期,而不是交通便捷度或配套成熟度;二是在常规区位以外,必然存在某些特殊“区位”因素在对房价起着越来越关键的作用,如土地和住宅相对稀缺,被捆绑上“科技岛”“生态岛”“富人岛”等身份标签的江心洲,或住宅供给量相对充沛但被赋予中产生活前景并成功吸引各路投资客的仙林湖地区等,皆是明证。

4.2 “非常规”因素加剧房价空间异质性

住房价格的“非常规”影响因素是指,相对以“公共资源可达性”为重要衡量标准的“常规”区位因素而言,以是否拥有某种稀缺社会空间资源为表征的特殊区位因素(Wu et al, 2016; 宋伟轩等, 2017),例如占据名校学区、独享山水景观、高级住宅品质、特殊政策优势等,通常具有一定排他和突变属性,更容易导致住宅价格出现空间异质格局。此类因素一直存在,但唯有当城市人口规模和房价增长至一定水平,同时城市空间结构、资源配置、住宅类型,以及居民经济资本、社会阶层和文化品位等分化到某种程度时,这些因素才能独立且显著发挥决定性作用。其中最典型的是学区对房价的影响,南京名校学区内的住宅尽管存在新旧、楼层、面积、户型和朝向等差异,却均拥有超高的房价,快速成为全市房价的极值区。再如“政策偏向”因素,南京近年来将城市发展重心放在河西、仙林、东山、江北等新城区,通过高品位城市规划和功能导入、加大基础设施和项目资金投入,持续性土地供给与财税支持等相关政策倾斜,在推动新城区快速发展和“地王”“楼王”轮番涌现的同时,也使人们产生对新区住房保值增值潜力的强烈信心,驱使着逐利资本和住房投资群体快速推高房价②(②例如21世纪初举全市之力以南京CBD为目标打造的河西新城;始于2010年与新加坡合作以生态科技岛为理念高端规划建设的江心洲;2011年第一个住宅小区才开始销售但高端配套迅速跟进的仙林湖地区等。)。反观租金,尽管在售价上涨的拉动作用下也会随之升高,但由于存在滞后性且租金反映的是住宅真实供需关系,以及租房者不能享有附着在住房产权上的增值收益和其他权益等原因,导致租金增幅低于售价,住宅售租价格间差距扩大。

4.3 “售租比”不合理增长与空间差异

住宅售价与租金的差距,即“售租比”(Price-to-rent Ratio)(每平米售价与每平米每月租金的比值),通常被用作衡量房价是否合理的重要指标(况伟大, 2016)。根据国际经验,该比值在200~300区间被认为比较合理,而中国大城市“售租比”则普遍远超这一标准(Feng et al, 2015)。例如南京“售租比”在2009年就已达到410,随后的2010-2015年期间在500左右基本保持稳定,但到2017年初又飙升至745。尽管有学者提出不能简单以“售租比”来评价城市房地产“泡沫”水平(吕江林, 2010),但“售租比”不断攀高可能意味着住房价格逐渐偏离真实价值,存在“非理性”上涨的风险。从南京“售租比”空间格局与演化上看：2009-2012年,仙林、江北和东山等新城区住宅售价上涨速度更快,表现为更高的“售租比”;2013-2015年,随着人口集聚,外围新城区租金随之上涨,“售租比”有所减小,但同期河西新城住宅售价增长迅猛,导致“售租比”升高;2016-2017年,在房价猛涨的背景下,新城区高于老城区的“售租比”空间格局变得更加模糊;散布在新老城区、约占样本量1/10的住宅小区,“售租比”已超过1200,即不考虑利息和价格变化前提下,通过出租收回住宅投资成本需要100年以上。值得警惕的是,南京城市住宅售、租价格间差距远远突破“合理”范畴,可能意味着城市房价风险已达到前所未有的高度。

5 结论与讨论

城市住宅价格差异是一个动态、复杂的时空问题,其分异影响因素多样亦多变,而且售价和租金间的关联性与差异性并存。本文通过对南京住宅售租价格分异的比较研究,初步得出以下结论：

(1) 售价分异在空间上表现更加突出,公办中小学名校集聚区和政府重点打造的新城区拥有较高的住宅售价及增速,整体上空间差异更加显著;而租金空间分布及增长更多表现为新老城区的齐头并进,相对售价而言空间更趋均衡。

(2) 售价体现交易价值并对“保值增值类”关键因素比较敏感,而租金反映使用价值并受“邻近可达性”区位因子影响更大;城市房价快速增长背景下,传统区位因素对房价空间分异的解释力度减弱,说明住宅的投资品属性逐渐增强。

(3) 售租价格影响因素与作用机制不同,导致两者空间分异格局的差异,售价增速高于租金引发“售租比”总体上涨与空间格局变动,高涨的“售租比”揭示出房价脱离住房真实需求的程度在加剧,也意味着城市居民住房负担和实现住有所居的难度在增加。

当然,上述只能初步揭示城市内部住宅价格空间格局嬗变与影响因素演进的“冰山一角”,进一步探求城市住宅价格演化的空间模式和客观规律,洞悉房价分异“混沌黑箱”的内部结构和运作机制,还需要更加细致准确的累积研究和更多时空尺度的持续观察。

The authors have declared that no competing interests exist.

参考文献

[1] 陈庚, 朱道林, 苏亚艺, 等. 2015.

大型城市公园绿地对住宅价格的影响: 以北京市奥林匹克森林公园为例

[J]. 资源科学, 37(11): 2202-2210.

Magsci      [本文引用: 1]      摘要

为深入分析大型城市公园绿地对住宅价格的外部效应和影响机理,量化公园绿地作为公共物品的空间配置价值,本文采用半对数特征价格模型,以北京市奥林匹克森林公园为例,从不同方向、不同距离分析大型城市公园绿地对住宅价格的定量影响。研究表明：①奥林匹克森林公园对周边住宅的外部效应存在方向异质性,具体表现为不同方向上的住宅增值系数、影响范围、边际价格等方面存在较大的差异;②奥林匹克森林公园对周边住宅的外部效应存在距离异质性,住宅增值系数整体上与到公园距离成反比,且在不同距离范围内分化明显;③因公园绿地的组成要素、可达性及周边区域条件的不同,不同方向、不同范围的公园绿地作为公共物品所提供的功能效用互有差异,住宅增值效应也随之改变。此外,本文深入探究了大型城市公园绿地对住宅价格的影响机理,发现随着到公园绿地距离的增大,住宅增值效应不断减弱,且下降速度逐渐减缓,可为房地产开发、市场交易评估、公园绿地建设等提供借鉴。

[Chen G, Zhu D L, Su Y Y, et al.2015.

The effects of large-scale urban park green spaces on residential prices exemplified by Olympic Forest Park in Beijing

[J]. Resources Science, 37(11): 2202-2210.]

Magsci      [本文引用: 1]      摘要

为深入分析大型城市公园绿地对住宅价格的外部效应和影响机理,量化公园绿地作为公共物品的空间配置价值,本文采用半对数特征价格模型,以北京市奥林匹克森林公园为例,从不同方向、不同距离分析大型城市公园绿地对住宅价格的定量影响。研究表明：①奥林匹克森林公园对周边住宅的外部效应存在方向异质性,具体表现为不同方向上的住宅增值系数、影响范围、边际价格等方面存在较大的差异;②奥林匹克森林公园对周边住宅的外部效应存在距离异质性,住宅增值系数整体上与到公园距离成反比,且在不同距离范围内分化明显;③因公园绿地的组成要素、可达性及周边区域条件的不同,不同方向、不同范围的公园绿地作为公共物品所提供的功能效用互有差异,住宅增值效应也随之改变。此外,本文深入探究了大型城市公园绿地对住宅价格的影响机理,发现随着到公园绿地距离的增大,住宅增值效应不断减弱,且下降速度逐渐减缓,可为房地产开发、市场交易评估、公园绿地建设等提供借鉴。
[2] 冯长春, 李维瑄, 赵蕃蕃. 2011.

轨道交通对其沿线商品住宅价格的影响分析: 以北京地铁5号线为例

[J]. 地理学报, 66(8): 1055-1062.

[本文引用: 1]     

[Feng C C, Li W X, Zhao F F.2011.

Influence of rail transit on nearby commodity housing prices: A case study of Beijing Subway Line Five

[J]. Acta Geographica Sinica, 66(8): 1055-1062.]

[本文引用: 1]     

[3] 谷一桢, 郑思齐. 2010.

轨道交通对住宅价格和土地开发强度的影响: 以北京市13号线为例

[J]. 地理学报, 65(2): 213-223.

[本文引用: 2]     

[Gu Y Z, Zheng S Q.2010.

The impacts of rail transit on property values and land development intensity: The case of No.13 Line in Beijing

[J]. Acta Geographica Sinica, 65(2): 213-223.]

[本文引用: 2]     

[4] 郭慧秀, 拓星星, 贾菲, 等. 2016.

国内城市房价时空分异及其动力机制研究进展

[J]. 地域研究与开发, 35(2): 58-64.

Magsci      [本文引用: 1]      摘要

城市房价的时空分异与演化会受到很多因素的影响，且这些因素并不是单独存在而是组成一个复杂的系统共同影响着城市房价在时空上的演化与分异。从房价时空演化与分异的影响因素、动力机制、研究方法等方面入手，分析了中国城市房价时空分异与演化的研究进展，指出了中国城市房价时空分异与演化研究方面取得的成果与存在的不足，并展望该领域未来的发展方向和需要重点加强的地方。

[Guo H X, Ta X X, Jia F, et al.2016.

Research progress of spatial-temporal differentiation and dynamic mechanism of domestic city housing price

[J]. Areal Research and Development, 35(2): 58-64.]

Magsci      [本文引用: 1]      摘要

城市房价的时空分异与演化会受到很多因素的影响，且这些因素并不是单独存在而是组成一个复杂的系统共同影响着城市房价在时空上的演化与分异。从房价时空演化与分异的影响因素、动力机制、研究方法等方面入手，分析了中国城市房价时空分异与演化的研究进展，指出了中国城市房价时空分异与演化研究方面取得的成果与存在的不足，并展望该领域未来的发展方向和需要重点加强的地方。
[5] 况伟大. 2016.

租售比与中国城市住房泡沫

[J]. 经济理论与经济管理, 36(2): 46-58.

[本文引用: 1]     

[Kuang W D.2016.

Rent to price ratio and the housing bubble in urban China

[J]. Economic Theory and Business Management, 36(2): 46-58.]

[本文引用: 1]     

[6] 李祥, 高波, 王维娜. 2012.

公共服务资本化与房价租金背离: 基于南京市微观数据的实证研究

[J]. 经济评论, (5): 78-88.

[本文引用: 1]     

[Li X, Gao B, Wang W N.2012.

Capitalization of public services and deviation of housing price and rent: An empirical research based on micro data of Nanjing

[J]. Economic Review, (5): 78-88.]

[本文引用: 1]     

[7] 李颖丽, 刘勇, 刘秀华. 2017.

重庆市主城区住房价格影响因子的空间异质性

[J]. 资源科学, 39(2): 335-345.

[本文引用: 2]     

[Li Y L, Liu Y, Liu X H.2017.

Spatial heterogeneity in factors affecting Chongqing housing prices

[J]. Resources Science, 39(2): 335-345].

[本文引用: 2]     

[8] 刘康, 吴群, 王佩. 2015.

城市轨道交通对住房价格影响的计量分析: 以南京市地铁1、2号线为例

[J]. 资源科学, 37(1): 133-141.

Magsci      [本文引用: 1]      摘要

<p>本文从理论和实证角度,分析验证了城市轨道交通对沿线站点住房价格的影响。首先通过理论分析提出假说,然后基于特征价格方法构建计量分析模型,利用南京市地铁1、2号线站点附近2km范围内二手楼盘数据,实证分析了城市轨道交通地铁对沿线站点住房价格的影响。结果表明:①城市轨道交通对沿线站点住房价格产生了显著的增值效应,不同距离范围影响程度不同,距地铁站点500m以内住房价格比500m以外高出14.3%,1 000m以内住房价格比1 000m以外高出8.9%,1 500m以内住房价格比1 500m以外高出3.9%,当距离范围超过1 500m后,增值效应在统计上不显著;②轨道交通对住房价格的影响程度与距地铁站点直线距离存在着显著的倒&ldquo;U&rdquo;形关系,影响程度随距离先增大后减小,在距地铁站点大约320m时影响程度最大;③轨道交通对沿线站点住房价格的影响程度具有显著的分市场效应,对郊区市场的影响程度要远大于主城区市场。</p>

[Liu K, Wu Q, Wang P.2015.

Econometric analysis of the impacts of rail transit on property values: The number 1 and 2 lines in Nanjing

[J]. Resources Science, 37(1): 133-141.]

Magsci      [本文引用: 1]      摘要

<p>本文从理论和实证角度,分析验证了城市轨道交通对沿线站点住房价格的影响。首先通过理论分析提出假说,然后基于特征价格方法构建计量分析模型,利用南京市地铁1、2号线站点附近2km范围内二手楼盘数据,实证分析了城市轨道交通地铁对沿线站点住房价格的影响。结果表明:①城市轨道交通对沿线站点住房价格产生了显著的增值效应,不同距离范围影响程度不同,距地铁站点500m以内住房价格比500m以外高出14.3%,1 000m以内住房价格比1 000m以外高出8.9%,1 500m以内住房价格比1 500m以外高出3.9%,当距离范围超过1 500m后,增值效应在统计上不显著;②轨道交通对住房价格的影响程度与距地铁站点直线距离存在着显著的倒&ldquo;U&rdquo;形关系,影响程度随距离先增大后减小,在距地铁站点大约320m时影响程度最大;③轨道交通对沿线站点住房价格的影响程度具有显著的分市场效应,对郊区市场的影响程度要远大于主城区市场。</p>
[9] 吕江林. 2010.

我国城市住房市场泡沫水平的度量

[J]. 经济研究, (6): 28-41.

[本文引用: 1]     

[Lv J L.2010.

The measurement of the bubble of urban housing market in China

[J]. Economic Research Journal, (6): 28-41.]

[本文引用: 1]     

[10] 宋伟轩, 毛宁, 陈培阳, 等. 2017.

基于住宅价格视角的居住分异耦合机制与时空特征研究: 以南京为例

[J]. 地理学报, 72(4): 589-602.

[本文引用: 4]     

[Song W X, Mao N, Chen P Y, et al.2017.

Coupling mechanism and spatial-temporal pattern of residential differentiation from the perspective of housing prices: A case study of Nanjing

[J]. Acta Geographica Sinica, 72(4): 589-602.]

[本文引用: 4]     

[11] 苏亚艺, 朱道林, 耿槟. 2014.

北京市住宅租金空间结构及其影响因素

[J]. 经济地理, 34(4): 64-69.

[本文引用: 1]     

[Su Y Y, Zhu D L, Geng B.2014.

The spatial structure and affecting factors of the housing rental in Beijing

[J]. Economic Geography, 34(4): 64-69.]

[本文引用: 1]     

[12] 孙倩, 汤放华. 2015.

基于空间扩展模型和地理加权回归模型的城市住房价格空间分异比较

[J]. 地理研究, 34(7): 1343-1351.

[本文引用: 1]     

[Sun Q, Tang F H.2015.

The comparison of city housing price spatial variances based on spatial expansion and geographical weighted regression models

[J]. Geographical Research, 34(7): 1343-1351.]

[本文引用: 1]     

[13] 汤庆园, 徐伟, 艾福利. 2012.

基于地理加权回归的上海市房价空间分异及其影响因子研究

[J]. 经济地理, 32(2): 52-58.

[本文引用: 1]     

[Tang Q Y, Xu W, Ai F L.2012.

A GWR-based study on spatial pattern and structural determinants of Shanghai's housing price

[J]. Economic Geography, 32(2): 52-58.]

[本文引用: 1]     

[14] 王芳, 高晓路, 颜秉秋. 2014.

基于住宅价格的北京城市空间结构研究

[J]. 地理科学进展, 33(10): 1322-1331.

https://doi.org/10.11820/dlkxjz.2014.10.004      Magsci      [本文引用: 1]      摘要

城市空间结构是城市地理研究的核心重点之一。近年来,城市住宅价格快速增长,一方面导致城市空间结构出现了一些新的特征和问题,另一方面住宅价格也可敏锐地反映出城市空间结构的演变。因此,本文从住宅价格的角度对北京市城市空间结构进行了探讨。利用北京市2005 年和2012 年二手房市场住宅的空间数据,通过GIS空间分析、空间自相关分析和Hedonic 回归分析等方法,对住宅价格时空格局及影响因素进行了分析,并在此基础上从住宅价格的角度探讨了城市空间结构的优化调整问题。北京市住宅价格存在蔓延式增长、空间差异明显及空间自相关性高等特点,其主要的影响因素包括区位条件、交通便利度、周围环境、基础设施、物业等级等。基于住宅价格得出北京市空间结构的主要特征为:①已形成了多中心的城市空间结构格局。除市中心外,还有亚奥地区、万柳—香山地区、中关村地区、复兴门地区、CBD等次中心,空间扩张仍呈现“摊大饼”的发展模式;②社会空间分异现象有所缓解,但仍存在明显的居住隔离。金融街、月坛等街道是房价高值集聚区,易形成“富人区”,而南六环尤其是房山则易形成“穷人区”;③交通条件和周围硬件环境等基础设施对城市空间结构有一定的调整作用,但调整的效果并不理想。

[Wang F, Gao X L, Yan B Q.2014.

Research on urban spatial structure in Beijing based on housing prices

[J]. Progress in Geography, 33(10): 1322-1331.]

https://doi.org/10.11820/dlkxjz.2014.10.004      Magsci      [本文引用: 1]      摘要

城市空间结构是城市地理研究的核心重点之一。近年来,城市住宅价格快速增长,一方面导致城市空间结构出现了一些新的特征和问题,另一方面住宅价格也可敏锐地反映出城市空间结构的演变。因此,本文从住宅价格的角度对北京市城市空间结构进行了探讨。利用北京市2005 年和2012 年二手房市场住宅的空间数据,通过GIS空间分析、空间自相关分析和Hedonic 回归分析等方法,对住宅价格时空格局及影响因素进行了分析,并在此基础上从住宅价格的角度探讨了城市空间结构的优化调整问题。北京市住宅价格存在蔓延式增长、空间差异明显及空间自相关性高等特点,其主要的影响因素包括区位条件、交通便利度、周围环境、基础设施、物业等级等。基于住宅价格得出北京市空间结构的主要特征为:①已形成了多中心的城市空间结构格局。除市中心外,还有亚奥地区、万柳—香山地区、中关村地区、复兴门地区、CBD等次中心,空间扩张仍呈现“摊大饼”的发展模式;②社会空间分异现象有所缓解,但仍存在明显的居住隔离。金融街、月坛等街道是房价高值集聚区,易形成“富人区”,而南六环尤其是房山则易形成“穷人区”;③交通条件和周围硬件环境等基础设施对城市空间结构有一定的调整作用,但调整的效果并不理想。
[15] 王少剑, 王洋, 蔺雪芹, 等. 2016.

中国县域住宅价格的空间差异特征与影响机制

[J]. 地理学报, 71(8): 1329-1342.

[本文引用: 1]     

[Wang S J, Wang Y, Lin X Q, et al.2016.

Spatial differentiation patterns and influencing mechanism of housing prices in China: Based on data of 2872 counties

[J]. Acta Geographica Sinica, 71(8): 1329-1342.]

[本文引用: 1]     

[16] 王洋, 李强, 王少剑, 等. 2014.

扬州市住宅价格空间分异的影响因素与驱动机制

[J]. 地理科学进展, 33(3): 375-388.

https://doi.org/10.11820/dlkxjz.2014.03.009      Magsci      [本文引用: 1]      摘要

构建包含20个评价因子、4 个影响因素和4 个预期修正因素在内的城市住宅价格空间分异影响因素评价体系，基于评价因子和预期修正，分别得出单户住宅档次与水平、小区建设档次与水平、区位与生活便利性、周边景观与环境等4 个影响因素强度的得分，并分析其空间分异格局。以2012 年扬州市1305 个小区的平均住宅单价为因变量，4 个基本影响因素得分为自变量，进行回归分析，探索所有住宅及各子市场价格分异的主要因素，并分析其驱动机制。结果表明：① 4 个影响因素强度格局明显不同，住宅自身因素的格局呈现中心低外围高的圈层式分异，而外部作用因素强度呈现中心高外围低、西高东低的扇型与圈层相结合式空间分异格局；② 扬州市总体住宅价格空间分异的核心影响因素是小区建设档次与水平，不同类型住宅子市场的价格影响因素各不相同；③ 扬州市住宅价格空间分异的主要驱动力是特定住宅类型与档次建设的区位指向、特定收入阶层的空间集聚、公共物品投资的空间差异、城市居住用地扩展与城市更新的区位指向。

[Wang Y, Li Q, Wang S J, et al.2014.

Determinants and dynamics of spatial differentiation of housing price in Yangzhou

[J]. Progress in Geography, 33(3): 375-388.]

https://doi.org/10.11820/dlkxjz.2014.03.009      Magsci      [本文引用: 1]      摘要

构建包含20个评价因子、4 个影响因素和4 个预期修正因素在内的城市住宅价格空间分异影响因素评价体系，基于评价因子和预期修正，分别得出单户住宅档次与水平、小区建设档次与水平、区位与生活便利性、周边景观与环境等4 个影响因素强度的得分，并分析其空间分异格局。以2012 年扬州市1305 个小区的平均住宅单价为因变量，4 个基本影响因素得分为自变量，进行回归分析，探索所有住宅及各子市场价格分异的主要因素，并分析其驱动机制。结果表明：① 4 个影响因素强度格局明显不同，住宅自身因素的格局呈现中心低外围高的圈层式分异，而外部作用因素强度呈现中心高外围低、西高东低的扇型与圈层相结合式空间分异格局；② 扬州市总体住宅价格空间分异的核心影响因素是小区建设档次与水平，不同类型住宅子市场的价格影响因素各不相同；③ 扬州市住宅价格空间分异的主要驱动力是特定住宅类型与档次建设的区位指向、特定收入阶层的空间集聚、公共物品投资的空间差异、城市居住用地扩展与城市更新的区位指向。
[17] 王洋, 王德利, 王少剑. 2013.

中国城市住宅价格的空间分异格局及影响因素

[J]. 地理科学, 33(10): 1157-1165.

URL      Magsci      [本文引用: 2]      摘要

<p>分别研究2009 年中国286 个地级以上城市住宅均价和房价收入比的空间分异格局、总体趋势、空间异质性和相关性;根据供需理论和城市特征价格理论建立了影响中国城市住宅价格空间分异的初选因素,并根据半对数模型分析主要影响因素。结果表明:① 中国城市住宅价格空间分异显著,呈现出空间集聚性分异(东南沿海三大城市群与内陆城市之间)和行政等级性分异(省会与地级市之间)的双重格局;② 房价收入比较高的城市数量更多,分布范围更广,购房难度较大的城市已超过一半;③ 住宅均价的总体分异趋势和空间异质性都强于房价收入比;④ 城市居民收入与财富水平和城市区位与行政等级特征是住宅价格空间分异的两大核心影响因素。</p>

[Wang Y, Wang D L, Wang S J.2013.

Spatial differentiation patterns and impact factors of housing prices of China's cities

[J]. Scientia Geographica Sinica, 33(10): 1157-1165.]

URL      Magsci      [本文引用: 2]      摘要

<p>分别研究2009 年中国286 个地级以上城市住宅均价和房价收入比的空间分异格局、总体趋势、空间异质性和相关性;根据供需理论和城市特征价格理论建立了影响中国城市住宅价格空间分异的初选因素,并根据半对数模型分析主要影响因素。结果表明:① 中国城市住宅价格空间分异显著,呈现出空间集聚性分异(东南沿海三大城市群与内陆城市之间)和行政等级性分异(省会与地级市之间)的双重格局;② 房价收入比较高的城市数量更多,分布范围更广,购房难度较大的城市已超过一半;③ 住宅均价的总体分异趋势和空间异质性都强于房价收入比;④ 城市居民收入与财富水平和城市区位与行政等级特征是住宅价格空间分异的两大核心影响因素。</p>
[18] 温海珍, 李旭宁, 张凌. 2012.

城市景观对住宅价格的影响: 以杭州市为例

[J]. 地理研究, 31(10): 1806-1814.

[本文引用: 1]     

[Wen H Z, Li X N, Zhang L.2012.

Impacts of the urban landscape on the housing pricing: A case study in Hangzhou

[J]. Geographical Research, 31(10): 1806-1814.]

[本文引用: 1]     

[19] 杨海娟, 高二龙, 赵新正, 等. 2017.

西安市商品住宅价格空间格局的演化研究

[J]. 测绘科学, 42(3): 86-92.

[本文引用: 2]     

[Yang H J, Gao E L, Zhao X Z, et al.2017.

Research on the evolution of the spatial pattern of commodity housing price in Xi'an City

[J]. Science of Surveying and Mapping, 42(3): 86-92.]

[本文引用: 2]     

[20] 张少尧, 宋雪茜, 邓伟. 2017.

空间功能视角下的公共服务对房价的影响: 以成都市为例

[J]. 地理科学进展, 36(8): 995-1005.

[本文引用: 2]     

[Zhang S Y, Song X Q, Deng W.2017.

Impact of public services on housing prices in different functional spaces: A case study of metropolitan Chengdu

[J]. Progress in Geography, 36(8): 995-1005.]

[本文引用: 2]     

[21] 邹利林, 杨俊, 胡学东. 2013.

中国城市住宅价格时空演变研究进展与展望

[J]. 地理科学进展, 32(10): 1479-1489.

https://doi.org/10.11820/dlkxjz.2013.10.006      Magsci      [本文引用: 1]      摘要

城市住宅价格时空演变历来是城市地理学和城市经济学关注的核心内容之一。住宅价格在空间、时间分布上具有内在规律性,探索这一规律信息及其影响机制,有助于政府制定合理的房价调控和土地利用政策。本文在总结中国城市住宅价格时空演变动力机制与模式、影响因素以及技术方法等方面研究进展的基础上,指出在研究内容与研究方法方面仍存在不足,有待深化。研究结论如下:未来中国城市住宅价格时空演变研究应立足于经济转型与制度改革的特殊背景,重视住宅价格时空演变理论框架的构建;加强宏观因素对住宅价格影响的定量研究以及探索住宅价格低值集聚的内外因素,全面考察各类因素对住宅价格的影响;强化GIS 技术对城市住宅价格时空演变特征信息的挖掘,并探索多维空间在时间序列上的动态GIS 模型,实现对住宅价格时空演变与分布的模拟分析与趋势预测;拓展城市住宅价格时空演变的普及性应用,并将研究成果与城市住宅价格监测成果形成动态互补性应用。

[Zou L L, Yang J, Hu X D.2013.

Research on temporal-spatial changes of urban residential housing price in China: Progress and prospects

[J]. Progress in Geography, 32(10): 1479-1489.]

https://doi.org/10.11820/dlkxjz.2013.10.006      Magsci      [本文引用: 1]      摘要

城市住宅价格时空演变历来是城市地理学和城市经济学关注的核心内容之一。住宅价格在空间、时间分布上具有内在规律性,探索这一规律信息及其影响机制,有助于政府制定合理的房价调控和土地利用政策。本文在总结中国城市住宅价格时空演变动力机制与模式、影响因素以及技术方法等方面研究进展的基础上,指出在研究内容与研究方法方面仍存在不足,有待深化。研究结论如下:未来中国城市住宅价格时空演变研究应立足于经济转型与制度改革的特殊背景,重视住宅价格时空演变理论框架的构建;加强宏观因素对住宅价格影响的定量研究以及探索住宅价格低值集聚的内外因素,全面考察各类因素对住宅价格的影响;强化GIS 技术对城市住宅价格时空演变特征信息的挖掘,并探索多维空间在时间序列上的动态GIS 模型,实现对住宅价格时空演变与分布的模拟分析与趋势预测;拓展城市住宅价格时空演变的普及性应用,并将研究成果与城市住宅价格监测成果形成动态互补性应用。
[22] Chen J, Hao Q J, Stephens M.2010.

Assessing housing affordability in Post-reform China: A case study of Shanghai

[J]. Housing Studies, 25(6): 877-901.

https://doi.org/10.1080/02673037.2010.511153      URL      [本文引用: 1]     

[23] Chiang S-h.2016.

Rising residential rents in Chinese mega cities: The role of monetary policy

[J]. Urban Studies, 53(16): 3493-3509.

https://doi.org/10.1177/0042098015613753      URL      [本文引用: 1]     

[24] Cronina D, McQuinnb K.2016.

Credit availability, macro-prudential regulations and the house price-to-rent ratio

[J]. Journal of Policy Modeling, 38(5): 971-984.

https://doi.org/10.1016/j.jpolmod.2016.06.002      URL      [本文引用: 1]     

[25] Feng Q, Wu G L.2015.

Bubble or riddle: An asset-pricing approach evaluation on China's housing market

[J]. Economic Modelling, 46(2): 376-383.

https://doi.org/10.1016/j.econmod.2015.02.004      URL      [本文引用: 1]     

[26] Logan J R, Fang Y P, Zhang Z X.2009.

Access to housing in urban China

[J]. International Journal of Urban and Regional Research, 33(4): 914-935.

https://doi.org/10.1111/ijur.2009.33.issue-4      URL      [本文引用: 1]     

[27] Shen L.2012.

Are house prices too high in China?

[J]. China Economic Review, 23(4): 1206-1210.

https://doi.org/10.1016/j.chieco.2012.03.008      URL      [本文引用: 1]     

[28] Wang Z, Zhang Q.2014.

Fundamental factors in the housing markets of China

[J]. Journal of Housing Economics, 25(9): 53-61.

https://doi.org/10.1016/j.jhe.2014.04.001      URL      [本文引用: 1]     

[29] Wu F L.2015.

Commodification and housing market cycles in Chinese cities

[J]. International Journal of Housing Policy, 15(1): 6-26.

https://doi.org/10.1080/14616718.2014.925255      URL      [本文引用: 1]     

[30] Wu Q Y, Zhang X L, Waley P.2016.

Jiaoyufication: When gentrification goes to school in the Chinese inner city

[J]. Urban Studies, 53(16): 3510-3526.

https://doi.org/10.1177/0042098015613234      URL      [本文引用: 1]     

网站版权 © 《地理科学进展》编辑部
地址：北京朝阳区大屯路甲11号　
邮编：100101
电话：010-64854170；010-64889313　
E-mail：dlkxjz@igsnrr.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发

/

〈 〉