彭保发
, 石忆邵, 单玥
PENG Bao-fa, SHI Yi-shao, SHAN Yue
中图分类号: F293.3
文献标识码: A
文章编号: 1000-0690(2015)07-0860-07
通讯作者:
收稿日期: 2014-02-13
修回日期: 2014-04-18
网络出版日期: 2015-07-20
版权声明: 2015 《地理科学》编辑部 本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:
作者简介:
作者简介：彭保发（1962-）,男,湖南桃源人,博士,教授,主要从事资源生态利用研究。E-mail:pengbaofa@163.com
展开
摘要
选取上海市区7家三级甲等综合性医院,运用特征价格模型和多元回归分析方法,实证分析它们对周边住宅价格的空间影响效应。研究结果显示：① 总体上,相比其他环境区位因素,三甲医院对周边住宅价格的影响程度较小,而建筑面积、物业管理费、学区房、轨道交通、建筑楼高、至 CBD 的距离等因素的影响程度较大。② 三甲综合医院对周边住宅价格产生负面影响。在相同情况下,住宅离医院距离越近,则价格越低。住宅与医院的距离每缩短50 m,住宅价格平均下浮0.602%。③ 由于三甲综合医院区位各不相同,距离CBD远近不一,对住宅价格的影响也存在空间差异。一般来说,距离CBD越近,住宅价格受医院的负面影响也越小。
关键词：
Abstract
How to evaluate the impacts of urban public resources and facilities on the price of real estates has been the research topic in academic circles for a long time. Relative to the other urban public facilities such as subway stations or rail transit, large-scale parks and greenbelt, landscape water, universities or key primary and middle schools and so on, the relationship between hospital and housing prices has not caused enough attention. In this article 7 Class 3A comprehensive hospitals in Shanghai urban central areas were selected, using the Hedonic price model and multiple regression analysis method, to conduct an empirical analysis of the spatial effect of these hospitals on residential property prices. The results show as follows: 1) Generally speaking, compared to other environmental factors, the less impacts of Class 3A comprehensive hospitals were corducted on the surrounding residential property prices, and the factors such as building area, property management fees, school-nearby houses, rail transit, height of buildings, the distance to the CBD have greater influence on housing prices. 2) Class 3A comprehensive hospitals have a negative impact on the surrounding residential property prices. And in the same circumstances, as shortening the distance of houses to the hospital each 50 m, the average housing price fell 0.602%. 3) Because of the different location and distance to the CBD of Class 3A comprehensive hospitals, there is a spatial differencine in their impact on housing prices. In general, the closer distance to CBD is, the less negative influence housing price is affected by the hospital.
Keywords：
如何评价公共资源及其设施对房地产价格的影响,一直是国外学者重点研究的课题[1~6]。自从1974年Rosen首次提出特征价格法[7]以来,它已逐渐成为研究公共设施对周边住宅价格影响的最主流方法[8,9]。自1990年代末以来,中国的房地产业发展迅速,房价也渐渐成为民众最关注的热门话题之一。在房价持续居高不下的情况下,购房者除了考虑住宅本身各项属性以外,对住宅所处环境也越来越重视。在房地产交易中,内在特性（如面积、楼层、朝向等）完全相同的住宅常常因周边地区公共基础设施的不同而产生较大差异,地铁站或轨道交通、公园绿地、水域景观、大学或重点中小学等城市公共设施,均对周边地区的房地产价格产生或多或少的影响[10~15]。然而,国内学术界却很少研究医院及医疗设施对房地产价格的影响,仅将目光集中在医院及医疗设施的地理分布、可达性以及规划布局等方面[16,17];或者仅为小样本研究,研究区域范围也不大[18]。况且,大型综合医院往往集中在中心城区并且历史较长,周围环境较为复杂,其对周边住宅价格的影响程度往往容易被其他因素所掩盖。
三级甲等医院（简称“三甲医院”）,是依照中国现行《医院分级管理办法》的规定而对医院实行“三级六等”的划分等级中最高的一级。上海作为国际性大都市,医疗资源较为丰富,但随着上海常住人口的持续增长以及医疗资源的不均等分布,尤其是三甲医院等优质医疗资源更是稀缺。相对地铁站或轨道交通、公园绿地、水域景观、大学或重点中小学等城市公共设施与房价关系的研究而言,三甲医院与房价关系的研究成果很少。
在有关公共设施资源对房地产价格影响的研究中,通常采用旅行成本法、抽样调查评估法、特征价格法3种方法。其中：旅行成本法多用于研究绿地、公园、景观方面的公共环境资源,它在基础数据收集、市场模型模拟、普适性等方面具有明显的优势,但在对多目标旅行、时间成本的处理上存在较大缺陷。抽样调查法是评价稀缺公共物品或服务价值的方法,简单灵活, 易于操作;但由于调查问卷受主观意愿限制,结果的可靠性存在争议。特征价格法的优点是考虑因素较全面,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;缺点是数据收集较繁琐,模型的假设条件较多。本文采用特征价格法来评估上海市三甲医院对房地产价格的影响效应。
上海市共有38家三级甲等综合医院或专科医院,这些医院基本上分布在市区,郊区县的三甲医院较少（表1）。为了数据的可靠性与独立性,同时又尽量减少其他因素对医院因素的干扰,所选三甲综合性医院与其他三甲综合性医院的距离需超过1.5 km以上,且与城市中心CBD及副中心的距离也需超过1.5 km以上。最终选取了7家三甲综合性医院,用“红十字”表示（图1）。
表1 上海市各区县三甲医院分布及性质
Table 1 Distribution and nature of Class 3A hospitals in Shanghai
| 区县 | 医院名称 | 性质 |
|---|---|---|
| 黄浦区 | 复旦大学附属妇产科医院 | 专科 |
| 上海交通大学医学院附属第九人民医院 | 综合 | |
| 上海交通大学医学院附属瑞金医院 | 综合 | |
| 上海交通大学医学院附属仁济医院（西院） | 综合 | |
| 第二军医大学长征医院 | 综合 | |
| 徐汇区 | 复旦大学附属中山医院 | 综合 |
| 复旦大学附属肿瘤医院 | 综合 | |
| 复旦大学附属眼耳鼻喉科医院 | 专科 | |
| 上海交通大学附属第六人民医院 | 综合 | |
| 中国福利会国际和平妇幼保健院 | 专科 | |
| 上海市精神卫生中心 | 专科 | |
| 上海中医药大学附属龙华医院 | 综合 | |
| 长宁区 | 上海交通大学附属胸科医院 | 专科 |
| 上海市皮肤病性病防治中心 | 专科 | |
| 中国人民解放军第八五医院 | 综合 | |
| 中国人民解放军第四五五医院 | 综合 | |
| 武警上海总队医院 | 综合 | |
| 静安区 | 复旦大学附属华山医院 | 综合 |
| 复旦大学附属华东医院 | 综合 | |
| 上海交通大学附属儿童医院 | 专科 | |
| 上海市第一妇婴保健院 | 专科 | |
| 普陀区 | 同济大学附属同济医院 | 综合 |
| 闸北区 | 上海中医药大学附属中医医院 | 综合 |
| 同济大学附属口腔医院 | 专科 | |
| 同济大学附属第十人民医院 | 综合 | |
| 虹口区 | 复旦大学附属公共卫生中心 | 专科 |
| 上海交通大学附属第一人民医院 | 综合 | |
| 上海中医药大学附属岳阳中西医结合医院 | 综合 | |
| 中国人民解放军第四一一医院 | 综合 | |
| 杨浦区 | 上海交通大学医学院附属新华医院 | 综合 |
| 同济大学附属肺科医院 | 专科 | |
| 第二军医大学长海医院 | 综合 | |
| 第二军医大学东方肝胆外科医院 | 综合 | |
| 浦东新区 | 上海交通大学医学院附属仁济医院（东院） | 综合 |
| 同济大学附属东方医院 | 综合 | |
| 金山区 | 复旦大学附属公共卫生中心 | 专科 |
| 松江区 | 上海交通大学附属第一人民医院 | 综合 |
| 闵行区 | 复旦大学附属儿科医院 | 专科 |
| 宝山区、嘉 定区、青浦 区、奉贤区、 崇明县 | 无 | 无 |
图1 上海市7家三甲综合性医院的空间分布图
Fig.1 The spatial distribution of 7 Class 3A comprehensive hospitals in Shanghai
本文所收集的数据包括四大类：搜房网上二手房出售挂牌数据（http://esf.sh.soufun.com/）、搜房网上小区公布数据、百度电子地图数据和各区学校招生政策。① 挂牌数据主要包括住宅地址、所住小区、建筑面积、户型、朝向、所在楼层、建筑年代、总价（单价）、配套设施情况、装修情况等资料,而挂牌价格又与实际交易价格存在比较稳定的关系。② 小区公布数据择取了绿化率、物业管理费、地理位置等资料。③ 利用百度电子地图（http://map.baidu.com/）测算各住宅小区到三甲医院的距离、到CBD的距离、周边地铁线路数、1 km范围内是否有公园绿地、大学、大型超市或商场等配套设施。④ 通过各区2012年公办小学办学基本情况公示表和2012年各区初中预备班对口入学方案,得知各区重点小学和重点初中的对口居委、社区或地段。以此作为所调查的住宅小区是否是重点小学和重点初中的学区房的依据。
由于数据来源不同,必须对以上所获得的数据进行适当的处理,使所有进入模型的数据包含建筑特征、邻里特征和区位特征三部分完整的信息。其中：已量化的变量有住宅面积、住宅年龄、物业费和绿化率;需要分等级赋值的变量有建筑楼高、CBD距离、医院距离、轨道交通;虚拟变量包括装修程度、电梯、公园绿地、大学、学区房、大型超市或商场（表2）。通过数据整合、变量取舍和量化,最终得到了上述7家三甲医院周边的927个完整的住宅样本数据。
特征价格模型通常采用线性形式、半对数形式、对数形式3种基本函数形式。经过多次计算实验比较后,采用对数形式的特征价格模型对上海市三甲医院周边住宅特征价格进行估计和检验。
式中,P为城市住宅价格;α0为除特征变量外其他影响价格的常量之和;αi为连续性特征变量的特征价格;αj为虚拟特征变量的特征价格;Ci为连续性特征变量;Cj为虚拟特征变量;ε为误差项。除建筑面积、房龄、物业费、绿化率这4个自变量以自然对数形式进入模型外,其余变量均以实际数值代入公式。
表3给出了参加回归分析的15个变量的描述性统计分析结果。
表2 住宅特征变量的描述与量化
Table 2 Description and quantization of residential characteristic variables
| 特征分类 | 变 量 | 量化指标 | 数据来源 | 预期符号 |
|---|---|---|---|---|
| 建筑特征 | 住宅面积 (Area) | 一套住宅的总面积（m2） | 挂牌数据 | + |
| 住宅年龄 (Age) | 住宅建筑的房龄 | 挂牌数据 | - | |
| 建筑楼高(Height) | 建筑楼层高度:低层（1）,多层（2）,中高层（3）,高层（4） | 挂牌数据 | 未知 | |
| 装修程度(Décor) | 住宅装修程度：简装修（0）,精装修（1） | 挂牌数据 | + | |
| 电梯(Lift) | 楼层含有电梯赋值为1,否则为0 | 挂牌数据 | + | |
| 区位特征 | CBD距离(DtoCBD) | 住宅小区至最近CBD的直线距离 | 电子地图数据 | - |
| 医院距离(DtoH) | 住宅小区至医院门口的直线距离 | 电子地图数据 | 未知 | |
| 轨道交通(Mtr) | 住宅小区的轨道交通 | 电子地图数据 | + | |
| 邻里特征 | 物业费(Cost) | 住宅小区的物业管理费（元/月/m2） | 公布数据 | + |
| 绿化率(Green) | 住宅小区绿化率（%） | 公布数据 | + | |
| 公园绿地(Park) | 住宅小区1 km内有大型绿地公园赋值为1,否则为0 | 电子地图数据 | + | |
| 重点学区房(GSchool) | 住宅小区对口的小学或初中是重点学校,赋值为1,否则为0 | 政策依据 | + | |
| 大学(Univer) | 住宅小区1 km内有大学校区赋值为1,否则为0 | 电子地图数据 | 未知 | |
| 大型超市或商场(Shop) | 住宅小区1 km内有大型超市或商场赋值为1,否则为0 | 电子地图数据 | + |
表3 样本数据统计分析
Table 3 Statistical analysis of sample datum
| 变量 | 均值 | 标准偏差 | N |
|---|---|---|---|
| ln(Price) | 5.672644 | 0.396245 | 927 |
| ln(Area) | 4.587155 | 0.322386 | 927 |
| Decor | 0.300000 | 0.460000 | 927 |
| ln(Height) | 1.205175 | 0.301577 | 927 |
| ln(Age) | 2.476507 | 0.364179 | 927 |
| Lift | 0.920000 | 0.271000 | 927 |
| ln(DtoH) | 1.973640 | 0.394245 | 927 |
| ln(Green) | 3.553575 | 0.242091 | 927 |
| ln(Mtr) | 0.945224 | 0.494008 | 927 |
| GSchool | 0.310000 | 0.463000 | 927 |
| ln(Cost) | 2.514799 | 0.333121 | 927 |
| Univer | 0.200000 | 0.402000 | 927 |
| ln(DtoCBD) | 0.837294 | 0.396512 | 927 |
| Park | 0.540000 | 0.499000 | 927 |
| Shop | 0.160000 | 0.368000 | 927 |
利用 SPSS13.0 对模型进行分析,数据处理采用逐步替换法,可将统计显著性不强、经济意义不明显的变量逐步剔除[19],所得结果如表4和表5所示。最终进入模型的变量有建筑面积、物业费、重点学区房、轨道交通、建筑楼高、公园绿地、CBD距离、医院距离、装修程度、大型超市和商场、大学和电梯共12个自变量。而住宅年龄和绿化率这2个自变量被模型剔除。
从表4可知,第12号特征价格模型R2为0.978,经调整的R2依然为0.978,拟合程度非常高,且标准估计误差是12个模型中最小的。第12号特征价格模型的F检验都远远大于F0.01,说明在置信水平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12号特征价格模型回归系数检验结果（表5）可知,绝大多数回归系数的T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。通过显著性水平的检验,说明对数模型对样本数据的拟合在统计上是有意义的,回归方程是有效的。由图2可见, 12号特征价格模型的绝大部分残差值随机地落在水平直线±2之间,满足残差的方差齐性的假设。
图3是残差的直方图。可以看出, 12号特征价格模型的残差的直方图比较符合正态分布曲线,表明12号特征价格模型拟合程度较高,在统计上是具有意义的,可以用来分析和解释住宅特征对住宅价格的影响。
表4 特征价格模型的显著性检验
Table 4 Significance test of the Hedonic price models
| 模型 | R | R2 | 调整R2 | 标准估计的误差 | 更改统计量 | ||||
|---|---|---|---|---|---|---|---|---|---|
| R2更改 | F更改 | df1 | df2 | Sig. F更改 | |||||
| 1 | 0.959 | 0.919 | 0.919 | 0.112511395 | 0.919 | 10560.408 | 1 | 925 | 0 |
| 2 | 0.975 | 0.951 | 0.951 | 0.088057134 | 0.031 | 586.100 | 1 | 924 | 0 |
| 3 | 0.981 | 0.962 | 0.962 | 0.076924639 | 0.012 | 287.794 | 1 | 923 | 0 |
| 4 | 0.985 | 0.970 | 0.970 | 0.068909279 | 0.007 | 217.300 | 1 | 922 | 0 |
| 5 | 0.987 | 0.974 | 0.974 | 0.064416088 | 0.004 | 111.830 | 1 | 921 | 0 |
| 6 | 0.987 | 0.975 | 0.974 | 0.063412575 | 0.001 | 38.949 | 1 | 920 | 0 |
| 7 | 0.988 | 0.976 | 0.976 | 0.061930435 | 0.001 | 87.487 | 1 | 919 | 0 |
| 8 | 0.988 | 0.977 | 0.977 | 0.060464421 | 0.001 | 45.233 | 1 | 918 | 0 |
| 9 | 0.989 | 0.978 | 0.977 | 0.059609023 | 0.001 | 33.439 | 1 | 917 | 0 |
| 10 | 0.989 | 0.978 | 0.978 | 0.059334685 | 0 | 21.715 | 1 | 916 | 0 |
| 11 | 0.989 | 0.978 | 0.978 | 0.059021966 | 0 | 6.762 | 1 | 915 | 0.009 |
| 12 | 0.989 | 0.978 | 0.978 | 0.058898532 | 0 | 11.458 | 1 | 914 | 0.001 |
表5 回归系数t检验
Table 5 t test of regression coefficients
| 模型 | 自变量 | t | Sig. |
|---|---|---|---|
| 12 | (常量) | 13.871 | 0 |
| ln(Area) | 117.926 | 0 | |
| ln(Cost) | 28.131 | 0 | |
| GSchool | 20.012 | 0 | |
| Mtr | 1.734 | 0 | |
| Height | -11.385 | 0 | |
| DtoCBD | 8.995 | 0 | |
| Park | -7.939 | 0 | |
| DtoH | 7.385 | 0 | |
| Decor | 5.752 | 0 | |
| Univer | 3.605 | 0 | |
| Lift | 3.518 | 0.010 | |
| Shop | 2.200 | 0.028 |
由上可知,进入模型的12个变量在α=0.05上均呈现显著性。由表6可得出上海市三甲医院周边住宅特征价格方程如下：
lnP=0.493 +1.013ln(Area) +0.239ln(Cost) +
0.005Mtr-0.037Height +0.093GSchool +
0.066Park-0.04DtoCBD +0.006DtoH +
0.025Decor +0.025Shop +0.025Univer +
0.032Lift
由表6可知,自变量符号均与预测的符号相同。且得知变量建筑楼高的符号为负号,对住宅价格负影响;变量大学的符号为正号,对住宅价格正影响;变量医院距离的符号为正号,说明随着住宅与医院的距离减小,住宅价格下降,即医院对住宅价格存在着负影响。
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对应着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等级赋值,不能直接采用回归系数的数值,需要作如下处理,计算式为：半弹性系数=
由表6和上述公式可推算出各变量对住宅价格的影响程度（表7）。
在连续变量中,建筑面积的价格弹性系数为1.013,表示在其他条件不变的情况下,建筑面积每增加1%,住宅价格平均增加1.013%;同样,在其他条件不变的情况下,物业费每上涨1%,住宅价格平均增加0.239%。
表6 回归系数表
Table 6 The regression coefficients
| 模型 | 自变量 | 非标准化系数 | |
|---|---|---|---|
| B | 标准误差 | ||
| 12 | 常量 | 0.493 | 0.036 |
| ln(Area) | 1.013 | 0.009 | |
| ln(Cost) | 0.239 | 0.009 | |
| GSchool | 0.093 | 0.005 | |
| Mtr | 0.005 | 0.003 | |
| Height | -0.037 | 0.003 | |
| DtoCBD | -0.046 | 0.004 | |
| Park | 0.066 | 0.006 | |
| DtoH | 0.006 | 0.001 | |
| Décor | 0.025 | 0.004 | |
| Univer | 0.025 | 0.007 | |
| Lift | 0.032 | 0.009 | |
| Shop | 0.025 | 0.007 | |
表7 各特征变量的价格弹性系数
Table 7 Price elastic coefficient of characteristic variables
| 模型 | 影响因素 | 非标准化系数 | 弹性系数（%） | 半弹性系数（%） |
|---|---|---|---|---|
| 12 | ln(Area) | 1.013 | 1.013 | |
| ln(Cost) | 0.239 | 0.239 | ||
| GSchool | 0.093 | 9.746 | ||
| Mtr | 0.005 | 0.501 | ||
| Height | -0.037 | -3.632 | ||
| DtoCBD | -0.046 | -4.496 | ||
| Park | 0.066 | 6.823 | ||
| DtoH | 0.006 | 0.602 | ||
| Decor | 0.025 | 2.531 | ||
| Univer | 0.025 | 2.531 | ||
| Lift | 0.032 | 3.252 | ||
| Shop | 0.025 | 2.531 |
在虚拟变量中,重点学区房的价格半弹性系数为9.746,表示在其他条件不变的情况下,重点学区房的价格将平均上涨9.746%;同样,在其他条件不变的情况下,住宅拥有电梯,其价格将平均增加3.252%;精装修住宅要比普通装修价格平均贵2.531%;1 km范围内有公园绿地、大学、大型超市或商场,住宅价格将分别平均上涨6.823%、2.531%和2.531%。
在等级赋值变量中,轨道交通的价格半弹性系数为0.501%,表示在其他条件不变的情况下,1 km范围内轨道交通便利程度提高一个等级,住宅价格将平均上涨0.501%;住宅所在建筑楼高每上升一个等级,住宅价格将平均下降3.632%;离城市CBD区域的距离每增加2 km,住宅价格将平均下降4.496%;与周边三甲医院距离每增加50 m,住宅价格将平均上涨0.602%。
由于多元回归分析中的标准化偏回归系数是将各自变量进行标准正态变换后得到的,它的大小可以直接用来比较各自变量对因变量的影响程度。由表8可知,在这12个影响因素中,占比重最大的是建筑面积,为53.13%;其次是物业费,比重为12.96%。而医院距离的影响程度较小,仅占2.58%。总体看来,住宅价格随着与医院距离的增大而升高,表明医院对周边住宅价格存在着负面影响;但影响程度较小。
表8 各因素的影响程度系数表
Table 8 The impact degree of factors
| 影响因素 | 标准化 系数 | 绝对值后标 准化系数 | 绝对值后影响 程度系数 | 比重 （%） |
|---|---|---|---|---|
| ln(Area) | 0.824 | 0.824 | 0.53127 | 53.13 |
| ln(Cost) | 0.201 | 0.201 | 0.12959 | 12.96 |
| GSchool | 0.109 | 0.109 | 0.07027 | 7.03 |
| Mtr | 0.016 | 0.016 | 0.01031 | 1.03 |
| Height | -0.082 | 0.082 | 0.05286 | 5.29 |
| DtoCBD | -0.095 | 0.095 | 0.06125 | 6.12 |
| Park | 0.084 | 0.084 | 0.05415 | 5.41 |
| DtoH | 0.04 | 0.04 | 0.02579 | 2.58 |
| Decor | 0.029 | 0.029 | 0.01870 | 1.87 |
| Univer | 0.026 | 0.026 | 0.01676 | 1.68 |
| Lift | 0.022 | 0.022 | 0.01418 | 1.42 |
| Shop | 0.023 | 0.023 | 0.01483 | 1.48 |
| 总计 | 1.551 | 1 | 100 |
1） 三甲医院对周边住宅价格存在着负面影响。在相同情况下,住宅离医院距离越近,则价格越低,即住宅离医院每靠近50 m,价格平均向下浮动0.602%。由于目前上海市三甲医院主要集中在中心城区,每天接待病人数量庞大,医院周围人口流动非常密集。因此,对居民而言,太过靠近医院,不仅会增大感染传染病等疾病的风险,同时进出交通常常拥堵,噪音较高,明显影响生活质量。
2） 总体来看,相比建筑面积、物业管理费、重点学区房等因素,三甲医院对周边住宅价格的影响程度较小。其中：建筑面积的影响程度约占53.13%,物业费约占12.96%,重点学区房约占7.03%;而医院距离的影响程度较小,仅占2.58%。在其它条件不变的情况下,建筑面积每增加1%,住宅价格平均增加1.013%;物业管理费每提高1%,住宅价格上升 0.239%;重点学区房,住宅价格上升9.746%。而周边是否有大学、大型超市或商场等因素对住宅价格的影响也相对较小。
3） 所选取的7家三甲综合医院区位各不相同,距离CBD远近不一,对住宅价格的影响也存在空间差异。一般来说,距离CBD越近,住宅价格受医院的负面影响也越小,同时也意味着其受其它因素的影响就越大。
4） 由于两个或多个自变量与因变量有相似的联系,这种多重共线性有可能对分析结果的精度产生一定的影响。例如,电梯、建筑楼高和物业费之间可能存在一定的相关度;CBD距离和轨道交通之间也存在着一定的相关度。另外,利用机载激光扫描技术、人工神经网络、空间分析等方法进一步提高特征价格模型预测的精度[20~22],也是进一步努力的方向。
The authors have declared that no competing interests exist.
| [1] |
Identifying the impacts of rail transit stations on residential property values [J].https://doi.org/10.1006/juec.2001.2214 URL [本文引用: 1] 摘要
Prior studies that have empirically investigated the impact of rail station proximity on property values have not fully investigated the factors that may account for this relationship. Stations may raise the value of nearby properties by reducing commuting costs or by attracting retail activity to the neighborhood. Possibly countering these positive effects are negative externalities emitted by stations and the access to neighborhoods that stations provide to criminals. This paper sorts out these effects by presenting the results from estimating a hedonic price model and auxiliary models for neighborhood crime and retail activity. Results show that all four effects play a role in defining the relationship between property values and rail stations, but the relative importance of these effects varies with distance from downtown and the median income of the neighborhood.
|
| [2] |
The impact of school characteristics on house prices: Chicago 1987-1991 [J].https://doi.org/10.1016/S0094-1190(02)00010-4 URL |
| [3] |
Property Prices and Urban Forest Amenities [J].https://doi.org/10.1006/jeem.1999.1097 URL 摘要
Quantitative information on residents' valuations attached to urban forests is needed for assessing urban land-use. The aim of this study is to value implicitly non-priced urban forest amenities by comparing dwelling prices and specific amounts of amenities associated with dwelling units. The empirical study is based on data from the sales of terraced houses in the district of Salo in Finland. According to the estimation results a one kilometer increase in the distance to the nearest forested area leads to an average 5.9 percent decrease in the market price of the dwelling. Dwellings with a view onto forests are on average 4.9 percent more expensive than dwellings with otherwise similar characteristics.
|
| [4] |
McDow W, et al. Shades of Green: Measuring the value of urban forests in the housing market [J].https://doi.org/10.1016/j.jfe.2005.08.002 URL 摘要
No abstract is available for this item.
|
| [5] |
When do better schools raise housing prices? Evidence from Paris public and private schools [J].https://doi.org/10.1016/j.jpubeco.2009.10.009 URL 摘要
In this paper, we investigate how housing prices react to the quality of education offered by neighbouring public and private schools. The organization of secondary schooling in the city of Paris, which combines residence-based-assignment to public schools with a well-developed and almost entirely publicly funded private school system, offers a valuable empirical context for analyzing how private schools affect the capitalization of public school performance in housing prices. Using comprehensive data on both schools and real estate transact ions over the period 1997-2004, we develop a matching framework to carefully compare sales across school attendance boundaries. We find that a standard deviation increase in public school performance raises housing prices by 1.4 to 2.4%. Moreover, we show that the capitalization of public school performance in the price of real estate shrinks as the availability of private schools increases in the neighbourhood. Our results confirm the predictions of general equilibrium models of school choice that private schools, by providing an advantageous outside option to parents, tend to mitigate the impact of public school performance on housing prices.
|
| [6] |
Classification and valuation of urban green spaces——A hedonic house price valuation [J].https://doi.org/10.1016/j.landurbplan.2013.08.009 URL Magsci [本文引用: 1] 摘要
In this paper we propose a categorization of green space into eight different types and quantify their impact on housing prices in the city of Aalborg using the hedonic house price method. The categorization was made manually according to an idealized description of the eight types of green space and a rating system in which each green space was rated according to accessibility, maintenance levels and neighboring negative land-use. The hedonic house price schedule for each of the green spaces was estimated using a generalized additive model, which allows for a data driven adjustment of underlying omitted spatial processes. To our knowledge the use of a spatial generalized additive model is novel to the hedonic valuation literature. We find that types of green space, which are rated highly in terms of accessibility and maintenance level, have high implicit prices whereas types with low ratings are not identified or provide ambiguous results. Green space buffering unattractive land-use such as infrastructure and industry is found to provide negative implicit prices despite controlling for the negative neighboring land-use. Our results clearly indicate that green space is not a uniform environmental amenity but rather a set of distinct goods with very different impacts on the housing price. (C) 2013 Elsevier B.V. All rights reserved.
|
| [7] |
Hedonic prices and implicit markets: product differentiation in pure competition [J].https://doi.org/10.3109/03009734.2012.757682 URL [本文引用: 1] 摘要
No abstract is available for this item.
|
| [8] |
基于特征价格的房地产评估新方法 [J].https://doi.org/10.3969/j.issn.1001-4950.2004.06.006 URL [本文引用: 1] 摘要
由于房地产是一种异质商品 ,物业之间在构成使用价值的各特征方面存在明显的差异。从房地产所具有的各特征的隐含价格出发进行价格评估 ,可以对市场比较法、收益还原法、重置成本法等三大传统房地产评估方法进行改进。本文在介绍国外经验的基础上 ,以杭州市的住宅市场为例 ,建立住宅特征价格模型 ,得出住宅特征的隐含价格和住宅价值的评估模型。
|
| [9] |
基于Hedonic模型的浦东新区住宅价格特征分析[D] . |
| [10] |
轨道交通建设对房地产价格的影响——以上海市为案例 [J].https://doi.org/10.3969/j.issn.1000-3363.2008.02.010 URL [本文引用: 1] 摘要
依据研究的主题,首先回顾了轨 道交通对房地产价格影响的已有研究,并以上海市为例用特征价格法、方差分析法等多种方法对轨道交通的影响范围和包括邻里、建筑及区位等综合影响因素进行了 分析。发现在不同的城市圈层影响房地产价格的要素各不相同。从城市中心地区向外围,轨道交通站点的影响范围逐步扩大,距站点距离对房地产的价格影响越显 著。
|
| [11] |
广州地铁三号线对周边住宅价格的时空影响效应 [J].URL 摘要
以广州地铁3号线及周边住宅项目为例,综合运用可达性相等理论、比较分析法、hedonic模型和GIS空间分析技术,计算地铁对周边住宅价格的影响范围,实证分析其时空影响效应。空间效应结果表明：①地铁站点离市中心越近,影响范围越小,离城区越远,影响范围越大;②地铁对周边住宅具有明显的增值作用,住宅价格与地铁距离间呈显著的正向关系,距离越远影响效应越小;③分区域来看,地铁3号线对番禺区影响较显著,影响范围内住宅平均增值20.48%,而天河和海珠区影响范围内住宅平均增值8.73%。时间效应方面,地铁规划期对天河区和海珠区的房价影响不明显,对番禺区房价具有明显的正效应;施工期对周边房价的影响为先负向而后变为正向;运营期其正向影响更加明显。
|
| [12] |
公共服务设施可达性及其对新建住房价格的影响——以北京中心城为例 [J]. |
| [13] |
大学对周边住宅价格影响范围的实证研究 [J].URL 摘要
大学以其浓郁的文化氛围和良好的人文环境，吸引着人们纷纷选择在大学周边定居。与此同时，大 学周边房地产开发商也凭借特殊的区位而相应提高住宅的销售价格。那么在什么范围内，大学会对周边住宅价格产生影响呢？本文以复旦大学作为研究对象，运用享 乐价格模型进行分析，结论是：在以大学为中心的250-500米之间的半径范围内,住宅价格会受到大学的影响。
|
| [14] |
上海城市绿地宜人性对房价的影响 [J].https://doi.org/10.3321/j.issn:1000-0933.2009.08.057 URL Magsci 摘要
城市绿地是城市绿色基础设施, 具有重要的自然生态和社会文化功能。以快速城市化的大都市上海为例,通过收集的689个房屋样点数据,基于GIS空间分析功能,采用享乐价格模型,选择房 屋结构、可达性、面积和景观指数四大类共23个因子,定量分析了上海主要城市绿地类型对房屋价格的影响,从而定量表征了城市绿地的宜人性,并对影响房屋价 格的其他主要因子进行了分析比较。研究结果表明:(1)城市绿地具有显著的宜人性,其空间分布、面积、类型对房价具有显著影响,但绿地影响作用的大小不 同,如公园绿地可达性的影响最大,而广场绿地可达性的影响则较小;(2)居民已具有明显的接近城市绿地居住的愿望,从而开始形成围绕大型城市绿地的社会分 异;(3)景观指数对房价的影响(聚集度指数对房价有显著影响)表明城市绿地的组成结构也是影响房价的重要因子;(4)房屋的结构特征(如面积、建设年代 与装修程度等)是房价的内在的基础影响因子,而房价的外在重要影响因子除城市绿地外,还包括到市中心的时间、到最近地铁站的时间、到最近公共服务设施(如 医院和学校)的时间等。城市绿地宜人性分析可为城市规划者和决策者在进行城市绿地空间规划、城市发展战略规划时提供科学的依据和参考,以促进城市有序发展 和社会和谐。
|
| [15] |
大型公园绿地对住宅价格的时空影响效应——以上海市黄兴公园绿地为例 [J].https://doi.org/10.11821/yj2010030014 URL [本文引用: 1] 摘要
随着居民生活质量的提高和环保 意识的增强,居民对环境舒适的支付意愿不断提高。居住环境的价值评估研究受到关注,但对其作用时间和空间影响程度差异的量化研究明显不足。本文以上海市黄 兴公园绿地为例,综合运用市场比较法、特征定价法和多元回归分析等方法,并引入加权距离,从时间和空间两个层面分析黄兴公园绿地对周边住宅价格的影响效 应,结果表明:黄兴公园绿地所带来的住宅价格增值效应既具有时间上的差异性,又与加权距离存在着显著的二次函数关系,随着距离增加其增值幅度呈下降趋势; 其影响效应与加权距离存在着显著的三次函数关系,最大影响半径为1.59km,最强影响区位为0.29km。
|
| [16] |
上海市医疗资源配置状况分析 [J].https://doi.org/10.3969/j.issn.1002-3674.2009.05.005 URL [本文引用: 1] 摘要
目的 通过对上海市医疗资源状况的调查,从人口和地域面积分布角度,分析上海市医疗资源配置的公平性,为合理配置医疗资源提供决策依据.方法 运用洛伦茨曲线和基尼系数指标以及连环比例法.结果 上海市医疗资源在人口配置上比较公平,公平性趋势将会加强;在地域面积配置上存在较不公平现象,公平性将会减弱;用连环比例法来分析上海市医疗资源配置公 平性.结论 上海市医疗资源在人口配置上城乡差距不大,达到了比较公平的状态,但在地域分配上城乡差距较大,医疗资源大部分集中在中心城区的大型医院,应该在全市范围 内合理配置医疗资源,完善医疗卫生服务体系,提高医疗卫生服务的可及性.
|
| [17] |
上海市医院规模和布局建设现状分析与评价研究[D] . |
| [18] |
三甲医院对人口分布及房价影响的研究——以复旦大学附属儿科医院为例 [J].
以复旦大学附属儿科医院为例,采用定性与定量相结合的方法研究了 作为稀缺资源的三甲医院与周边房价及人口分布之间关系.结果表明:在东西方向上,小区至医院的距离与小区房价之间有显著的三次函数关系,在0.713km 范围内,随着小区距医院的加权距离的增加,房价越来越高.在0.713-2.048km范围内,房价随着加权距离的增加而下降,在2.048km以外,在 研究距离范围内小区房价随着至医院加权距离的增加而增加.复旦大学附属儿科医院对周边人口分布有明显影响,其辐射范围在2kin左右,在0.3 1km-2km范围以内,随着居委会至儿科医院加权距离的减小,居委会人口密度呈快速上升的趋势,三甲医院作为稀缺的医疗资源对人口分布产生明显的集聚效 应.但在0.31km处,距离医院最近的居委会样本点的人口密度出现突然下降,远低于周边居委会的人口密度.
|
| [19] |
|
| [20] |
Boosting the predictive accuracy of urban hedonic house price models through airborne laser scanning [J].https://doi.org/10.1016/j.compenvurbsys.2013.01.001 URL [本文引用: 1] 摘要
This paper introduces an integrative approach to hedonic house price modeling which utilizes high density 3D airborne laser scanning (ALS) data. In general, it is shown that extracting exploratory variables using 3D analysis – thus explicitly considering high-rise buildings, shadowing effects, etc. – is crucial in complex urban environments and is limited in well-established raster-based modeling. This is fundamental in large-scale urban analyses where essential determinants influencing real estate prices are constantly missing and are not accessible in official and mass appraiser databases. More specifically, the advantages of this methodology are demonstrated by means of a novel and economically important externality, namely incoming solar radiation, derived separately for each flat. Findings from an empirical case study in Vienna, Austria, applying a non-linear generalized additive hedonic model, suggest that solar radiation is significantly capitalized in flat prices. A model comparison clearly proves that the hedonic model accounting for ALS-based solar radiation performs significantly superior. Compared to a model without this externality, it increases the model’s explanatory power by approximately 13% and additionally reduces the prediction error by around 15%. The results provide strong evidence that explanatory variables originating from ALS, explicitly regarding the immediate 3D surroundings, enhance traditional hedonic models in urban environments.
|
| [21] |
Determinants of house prices in Turkey: Hedonic regression versus artificial neural network [J].https://doi.org/10.1016/j.eswa.2008.01.044 URL 摘要
Determinants of house prices in Turkey are examined in this paper using the 2004 Household Budget Survey Data. In property valuation and housing market research, the locational value is usually analyzed by hedonic methods that use multiple regression techniques on large data sets and require a formality based on microeconomic theory in the analyses. Because of potential non-linearity in the hedonic functions, artificial neural network (ANN) is employed in this study as an alternative method. By comparing the prediction performance between the hedonic regression and artificial neural network models, this study demonstrates that ANN can be a better alternative for prediction of the house prices in Turkey.
|
| [22] |
Maximum likelihood estimation and Lagrange multiplier tests for panel seemingly unrelated regressions with spatial lag and spatial errors: An application to hedonic housing prices in Paris [J].https://doi.org/10.1016/j.jue.2010.08.007 Magsci [本文引用: 1] 摘要
This paper proposes maximum likelihood estimators for panel seemingly unrelated regressions with both spatial lag and spatial error components We study the general case where spatial effects are incorporated via spatial errors terms and via a spatial lag dependent variable and where the heterogeneity in the panel is incorporated via an error component specification We generalize the approach of Wang and Kockelman (2007) and propose Joint and conditional Lagrange multiplier tests for spatial autocorrelation and random effects for this spatial SUR panel model The small sample performance of the proposed estimators and tests are examined using Monte Carlo experiments An empirical application to hedonic housing prices in Pans illustrate these methods The proposed specification uses a system of three SUR equations corresponding to three types of flats within 80 districts of Paris over the period 1990-2003 We test for spatial effects and heterogeneity and find reasonable estimates of the shadow prices for housing characteristics (C) 2010 Elsevier Inc All rights reserved
|
/
| 〈 |
|
〉 |
