矿业城市商品住宅价格影响因素研究

赵华平，张所地

（山西财经大学管理科学与工程学院，山西 太原 030031）

矿业城市商品住宅价格影响因素研究

赵华平，张所地

（山西财经大学管理科学与工程学院，山西 太原 030031）

研究目的：分析矿业资源特征对矿业城市住宅价格的影响，研究矿业城市商品住宅价格影响因素体系，提出矿业城市建设的政策建议。研究方法：基于空间计量的商品住宅价格空间滞后面板数据模型。研究结果：（1）居民收入、高校数、用水普及率对矿业与非矿业城市的住宅价格都有显著的正影响，但矿业从业率、交通区位、医疗卫生设施对矿业与非矿业城市的住宅价格影响方向不同；（2）政治区位、自然区位、环境质量和治理、公交建设、学校师生比、互联网普及率对矿业城市的住宅价格影响显著，对非矿业城市的住宅价格影响不显著；（3）人口数量、文化区位、公共图书建设对非矿业城市的住宅价格影响显著，对矿业城市的住宅价格影响不显著。研究结论：矿业城市的建设和发展需要进一步改善城市环境、降低矿业从业风险、加强公交和网络建设、完善教育设施方面的建设。

土地经济；影响因素；矿业城市；非矿业城市；空间滞后面板数据模型

1 矿业城市商品住宅价格的影响因素体系

矿业城市是在开发利用能源、矿产资源基础上兴起的，以消费一定数量的自然资源而赖以生存发展起来的一种特殊城市类型[1]，该类城市的房价不仅受经济、社会、环境等因素的影响，而且更受矿业资源特征的影响[2]。

当矿业资源价格发生变动时，矿业依存度[3]高的城市经济发展更容易产生波动，从而引致住宅价格的较大波动；而矿业依存度低的城市，经济发展对矿业资源价格敏感度较低，住宅价格波动较小。因此，矿业依存度与矿业资源价格变动的交互作用共同影响矿业城市的住宅价格。矿业是劳动密集型产业，从业人员的地域性明显，过去对劳动力的文化水平要求不高，使得矿业从业率[3]高的城市对于农村劳动力具有更大的吸引力，从而引致对住宅租赁市场有更多的需求，但对住宅销售市场的影响不明显。同时，不断涌入的流动人口对城市的治安、环境、公交等形成一定的负影响，使得部分有住房购买意愿的置业人数下降，形成对城市住宅价格的负作用。

此外，矿业城市的资源开采阶段不同，经济发展和社会就业的关系也不同[4]：幼年期矿业城市的产业结构和就业结构单一，经济发展过分依赖于采矿业及矿产品加工业，但资源开采会带动经济的快速发展，拉动就业能力较强，经济脆弱性和社会就业脆弱性较低，当地居民流出的意愿弱，对住宅需求多，因此对住宅价格有正向作用；而老年期矿业城市随着经济转型战略的逐步实施，产业结构的高级化和多元化逐步推进，但经济实力减弱、科技创新能力不强等原因，又使得经济发展的就业拉动能力下降，经济脆弱性和社会就业脆弱性较高，当地居民流出的意愿越强，对住宅需求不断减少，对住宅价格有负作用。因此，资源开采阶段也通过城市与矿业依存度、矿业从业率的交互作用对城市的经济和社会就业产生作用，形成对住宅价格的影响。

借鉴相关研究成果[5-19]，结合上述分析，从经济、人口、公共服务、环境、资源、区位6个方面构建了矿业城市商品住宅价格影响因素体系（表1）。

2 矿业城市与非矿业城市商品住宅价格影响因素的实证比较分析

2.1 样本数据和变量说明

由于受矿业产值和矿业从业人员数统计数据的限制，本文选择黑龙江、安徽、河南、四川4个省59个地级市①2011年8月，根据《国务院关于同意安徽省撤销地级巢湖市及部分行政区划调整的批复》，巢湖市被分拆为三部分，同时，巢湖地级市被调整为巢湖县级市，所以在此不作为样本城市。2003—2011年的数据作为样本。按照中国矿业联合会确定的矿业城市名单，59个城市中包含有21个矿业城市，其中，黑龙江有5个，分别为鹤岗、七台河、双鸭山、鸡西、大庆；安徽有6个，分别为铜陵、马鞍山、淮南、淮北、滁州、宿州；河南有7个，分别为郑州、平顶山、焦作、鹤壁、濮阳、三门峡、南阳；四川有3个，分别为德阳、自贡、攀枝花。除了这21个矿业城市之外的38个地级市均被界定为非矿业城市。

鉴于要进行矿业与非矿业城市的比较分析，而矿产资源价格与矿业发展阶段只有针对矿业城市的数据，样本城市的空气质量优良率数据不全、工业废水排放达标量（率）在2011年没有统计数据。因此，将表1中除了矿产资源出厂价格指数、矿业发展阶段、空气质量优良率、工业废水排放达标率之外的25个三级指标作为解释变量，将城市的商品住宅销售价格（HP）作为被解释变量。

实证研究数据中，城市商品住宅销售价格数据来源于各省统计年鉴；城镇居民人均可支配收入数据来源于各省统计年鉴和一些地市的国民经济和社会发展统计公报；城市矿业产值、矿业从业人员数的数据来源于《中国矿业年鉴》；用水普及率、燃气普及率、人均公共绿地面积的数据来源于《中国城市建设统计年鉴》；自然区位、交通区位、政治区位和文化区位优势度的数据来源于《中国城市竞争力年鉴》；其余指标的数据均来源于《中国城市统计年鉴》。

表1 矿业城市商品住宅价格影响因素体系Tab.1 Factor system of commercial housing price in mining cities

关于变量统计数据的范围，因矿产资源分布很多集中在城市的市辖县，所以，对于上述指标的统计尽可能采用全市范围的数据，但是，每万人拥有公共汽车数、人均城市道路面积、人均公共绿地面积3个指标只有针对市辖区范围统计的数据，因此，对以上3个指标采用市辖区的数据。

2.2 模型构建

Rosen[20]把回归分析方法引入城市经济的研究中，建立了异质的不动产价值与其影响因素之间的关系式——特征价格函数。张所地[21]以Hedonic理论为基础构建了城市土地定级估价综合模型，将土地因素作用分值数据和用地效益数据结合在一个统一的模型中，不仅能综合平衡、有效利用这两类数据进行土地定级、基准地价评估及宗地地价评估，而且能使用这两类数据对评估过程和结果进行相互检验，还能够测算土地的特征价格。但是，该模型没有考虑地价的空间相关性。基于此，本文构建商品住宅价格的空间数据模型。

以59个地级城市的统计数据为样本，城市之间距离倒数的平方作为空间权重，在国家基础地理信息中心网站提供的1∶400万电子地图基础上计算出空间权重矩阵W，利用样本城市的商品住宅销售价格计算Moran I指数[5]，计算结果见表2。从表2可以看出，2003—2011年商品住宅价格的Moran I指数都为正，且在统计上都通过了1%的显著性检验，说明城市间的商品住宅价格呈现出空间依赖性。因此，应考虑商品住宅价格的空间相关性，构建空间面板数据模型。

表2 样本城市商品住宅价格的Moran I指数检验Tab.2 Test on Moran I of commercial housing price in sample cities

Anselin[22]从空间滞后变量的类型和空间相关性的作用范围两个维度，将空间计量经济模型分为空间滞后模型和空间误差模型两类。其中，空间滞后模型反映一个城市影响房价的所有解释变量都会通过空间传导机制作用于其他城市的房价，而空间误差模型则反映区域外溢是随机冲击的作用结果。因此，模型构建有两种方式：其一是空间滞后面板数据模型，其二是空间误差面板数据模型。对于这两类模型均可采用极大似然估计法进行参数估计[23]。

对于上述两类模型的选择，采用拉格朗日乘数方法[23]进行检验，空间滞后模型和空间误差模型的拉格朗日乘数分别用LML和LME表示，由于LML= 174.5243＞LME= 42.0720，所以，选择空间滞后面板数据模型。进一步，利用空间Hasuman检验确定模型的具体形式。计算得出的空间Hausman检验统计量的值为-53.8055，对应的的p值为0.001，所以，选择固定效应空间滞后模型。利用matlab软件对无固定效应、空间固定效应、时间固定效应、空间时间双固定效应4种情况分别进行回归，通过调整后的R2、Sigma2、LogL等统计量发现，无固定效应的估计结果优于其他三种形式的估计结果，利用表1中三级指标的符号表示变量名，则可以构建商品住宅价格无固定效应空间滞后面板数据模型如式1。

式1中，i为第i个城市；t为第t年； β1，β2，…，β25为影响因素对商品住宅价格的响应系数；ρ为空间自回归系数；W为59×59阶的非负空间权重矩阵，其对角线元素为0；WHPit为商品住宅价格的空间滞后项；εit为随机误差项向量。

2.3 样本回归结果及比较分析

（1）采用焦虑自评表（SAS）对两组进行评分[4]。评分表包含20个条目，4级评分，中国常模的结果为：SAS标准分的分界值是50分，50～59分为轻度焦虑，60～69分为中度焦虑，70分以上为重度焦虑，评定时间分别为3个月和6个月。

利用式1对中国黑龙江、安徽、河南、四川4个省21个矿业城市构成的子样本一和38个非矿业城市构成的子样本二分别进行回归，回归结果见表3，由此可以得出如下结果：

（1）对矿业城市住宅价格影响显著而对非矿业城市不显著的因素有气候环境舒适度、工业固体废物利用率、公交条件、中小学师生比、高校师生比、互联网普及率、政治区位、自然区位。

气候环境舒适度、工业固体废物利用率对矿业城市住宅价格有显著的正影响，是由于矿业城市在工业生产中造成了大量的环境污染，一定程度上影响了居民的生活质量，使得居民在选择城市居住时较关注于城市自身的环境质量以及环境治理能力。而对于非矿业城市而言，由于工业污染相对较轻，没有引起居民在不同地级城市之间选择时的重点关注。

公交条件在全样本回归中表现出对住宅价格显著的正影响，说明居民在城市间进行居住选择时交通条件影响着他们的购房决策和住房支付意愿，这与文献［24］和［25］的研究结论相一致。而在子样本回归中却得出对矿业城市住宅价格影响显著、对非矿业城市影响不显著的结果，这主要是由于矿业城市集中了更多低收入的流动人口，这些人群主要依赖于公共交通作为通勤方式①2013年9月，济南市规划设计研究院对济南市居民进行了综合交通调查，调查报告显示，流动人口选择公共交通作为出行方式的比例达40%，这与他们的经济收入水平、年龄阶段等因素有关。。城市的公共交通越便利，对流动人口的吸引力越大，对住房租赁市场的需求也越大，促使房屋租赁价格不断提升。在租赁成本增加到一定程度时，少量的流动人口会转向购买住宅，使得住宅销售价格有所上涨。而非矿业城市的产业结构多元化，就业选择多样化，就业区域分散化，居民购房需求主要取决于城市的经济水平、收入水平和就业生活便利程度，公共交通对决策的影响度相对较弱。

表3 子样本回归结果Tab.3 Regression results of sub samples

中小学师生比和高校师生比对矿业城市住宅价格影响显著是由于矿业城市环境较差，能够吸引优秀教师和科研工作者的难度较大。互联网普及率对矿业城市住宅价格影响显著是由于流动人口只能选择通讯方式实现与外地家人的经常性联系，而互联网是一种既方便实惠，又可以通过音频视频实现无障碍沟通的最佳通讯方式，备受流动人口的关注。

政治区位对矿业城市住宅价格有正影响是由于行政级别决定了城市的产业结构。城市的行政级别越高，产业多元化表现的愈明显，一旦矿产资源价格发生急剧下降，严重影响城市矿业产值时，行政级别高的矿业城市的居民就会有更多的机会转向其他行业工作，维持生活，而行政级别低的矿业城市的居民可能面临失业或离开城市生活的选择，生活稳定性受到影响。因此，人们更愿意为生活在行政级别高的矿业城市支付更高的房价。自然区位对矿业城市住宅价格有负影响是由于矿业城市的发展主要依赖于矿产资源的蕴藏量，而河湖附近蕴藏的矿产资源相对较少。

（2）对矿业城市住宅价格影响不显著但对非矿业城市显著的因素有城市人口数、公共图书数、文化区位。

每百人公共图书数对非矿业城市住宅价格的负影响是由于人均公共图书数量越多，说明城市公共文化设施建设越完善，越需要高水平的从事图书情报工作的人员来提供相应的服务，而地级城市对于这些高技能人才没有足够的吸引力，导致城市藏书量大，利用率低，反而影响了城市的文化形象，对住宅价格呈现负影响。而对于矿业城市而言，居住着很多的“亦工亦农”的半城市化人口，他们自身接受的文化教育较少②文献[26]中指出，流动人口的学历构成为：小学及以下、初中、高中、大专及以上的比例分别为10.4%、39.1%、28.0% 和22.6%。，自然在做出居住选择时也较少关注于城市的公共文化建设。

文化区位体现了城市的历史文化底蕴。文化区位对非矿业城市商品住宅价格有正影响是由于悠久的历史有助于文化产业的发展，带动城市经济的发展和生活水平的提升，进而提高居民对非矿业城市住宅的支付意愿，而矿业城市的居民则更关注经济水平，对城市历史文化关注较少。

（3）矿业从业率、每万人医生数、交通区位对矿业与非矿业城市的住宅价格有不同方向的影响。

矿业依存度对矿业与非矿业城市住宅价格影响不显著的原因在于矿业依存度依赖于与矿产资源价格的交互作用对住宅价格产生影响，而非矿业城市的矿产资源价格无法获取，本文没有引入交互项，使得矿业依存度的影响不显著。矿业从业率对矿业与非矿业城市住宅价格有不同方向的影响在于：对矿业城市而言，城市经济受资源价格变动影响明显，经济脆弱性较高，一旦矿业经济出现风险，矿业工人再次就业的机会较少。而且，在矿业产值一定的条件下，矿业从业人员比例高的矿业城市，说明矿业生产科技水平较低，生产效率低下，矿业从业人员的工作安全性得不到足够的保障。因此，矿业从业率越高反映了矿业城市的就业风险和安全风险越大，会有越多的人口选择租赁住房来解决生活居住需求，刺激住宅租赁市场，而放弃商品住宅购买需求，导致对矿业城市住宅销售价格有负影响。而对非矿业城市而言，产业结构的多元化使得城市的经济脆弱程度较低，由矿业生产吸引的外来人口面临的就业风险较小，因此，更多的劳动力会选择在交易市场上购买住房来解决生活居住需求，使得矿业从业率对非矿业城市的住宅销售价格有正影响。

每万人医生数对矿业城市住宅价格有负影响是由于矿业生产不可避免的会发生一些矿山事故，劳动密集型的产业特点决定了一旦事故发生，会有众多的员工遭受伤亡，需要有更多的矿山事故灾难应急救援医疗人员解决救护工作，使得矿业城市的医疗水平在事故应急救援方面相对有优势，但在其他疾病医治方面相对薄弱。矿业城市的每万人医生数越多，一定程度上成为矿业城市事故频发、医疗救治需求量大的象征，影响人们对城市住宅的需求。每万人医院床位数对非矿业城市住宅价格有正影响是由于医院床位数体现了城市公共医疗设施的建设投入，关系着人们就医的便利程度，影响着居民住房购买的意愿。

交通区位体现了城市对外交通的便利程度。矿产资源蕴藏量高的城市往往集中在山区，因此经济发达的矿业城市交通区位较差[27]。对于非矿业城市而言，便利的对外交通有助于经济的活跃，带动城市经济的发展和生活水平的提升，增加居民的住宅支付意愿。

（4）人均可支配收入、普通高校数、用水普及率对于矿业与非矿业城市的住宅价格都有显著的正影响，说明城市经济是人口集聚的主要动力，用水普及率是衡量城市生活设施完善度的重要指标，普通高校是反映城市创新能力的关键因素，有助于提高居民的住宅支付意愿。

3 结论与建议

本文在国内外学者关于住宅价格影响因素分析的基础上，开展了针对矿业城市商品住宅价格影响因素的分析研究，在研究中增加了自然、政治、交通、文化4个区位指标和矿业依存度、矿业从业率、资源开采阶段、矿产资源价格4个资源指标，提出了矿业城市商品住宅价格影响因素体系。通过对2003—2011年中国黑龙江、安徽、河南、四川4个省21个矿业地级市与38个非矿业地级市的实证研究和比较分析表明，矿业城市的产业结构和劳动力结构决定了矿业城市住宅价格受矿业从业率、政治区位、自然区位、交通区位、环境质量和治理状况、公共交通、医疗卫生设施、网络设施、学校师生比的影响。矿业城市的建设发展需要从以下3方面入手：

（1）提高环境治理能力，改善城市环境质量。环境因素对矿业城市商品住宅价格的显著正影响反映了环境质量对居民住房支付意愿的影响。环境的改善有助于提高生活质量、吸引人才，人才的聚集有助于城市经济的成功转型和发展，经济的发展可以提高治理环境的能力，这种良性循环体现了环境对于矿业城市发展的重要性。

（2）加强矿业安全生产，降低从业风险指数。每万人医生数对矿业城市商品住宅价格的负影响反映了矿业生产事故给矿业工人形成的压力和畏惧。因此，在矿业城市的经济结构转型过程中，不仅要逐步降低对矿业的依存度，而且要提高矿业生产的安全性，降低矿业人员的从业风险。

（3）重视教育网络发展，增强公共交通建设。每万人拥有公共汽车数、中小学和高校师生比、互联网普及率对商品住宅价格的正影响反映了公交建设、教育发展和网络建设对矿业城市人口生活的重要性，尤其对于“亦工亦农”的半城市化人口更为关键。因此，要提高矿业城市人口的社会公平，必须重视教育和网络发展，增强公共交通建设，切实改善半城市化人口的生活条件和生活质量。

（References）：

［1］许光洪.我国矿业城市的产业结构调整及其发展途径［J］.中国人口·资源与环境，1998，8(1)：26 - 30.

［2］丁祖昱.中国城市房地产市场风险排行榜径［R］.中国房产信息集团研究报告，2012：10.

［3］孙平军，修春亮.基于PSE模型的矿业城市经济发展脆弱性研究［J］.地理研究，2011，30(2)：301 - 310.

［4］李鹤.东北地区矿业城市脆弱性特征与对策研究［J］.地域研究与开发，2011，30(5)：78 - 83.

［5］赵华平，张所地.城市宜居性特征对商品住宅价格的影响分析——基于中国35个大中城市静态和动态空间面板模型的实证研究［J］.数理统计与管理，2013，32(4)：706 - 717.

［6］Thomas Davidoff. Labor income, housing prices, and homeownership［J］. Journal of Urban Economics, 2006, 59(2)： 209 - 235.

［7］Joshua Gallin. The long-run relationship between house prices and income: Evidence from local housing markets［J］. Real Estate Economics, 2006, 34(3): 417 - 438.

［8］沈悦，刘洪玉.住宅价格与经济基本面：1995—2002年中国14城市的实证研究［J］.经济研究，2004，39(6)：78 - 86.

［9］吴公樑，龙奋杰.中国城市住宅价格与居民收入关系的定量研究［J］.土木工程学报，2005，38(6)：132 - 136.

［10］黄瑜.土地价格、居民收入对商品住宅价格影响的动态分析——基于状态空间模型的实证［J］.经济与管理研究，2010，(10)：24 - 28.

［11］John M. Quigley, real estate prices and economic cycles［J］. International Real Estate Review, 1999, 2(1): 1 - 20.

［12］Kieran McQuinn, Gerard O’Reilly. Assessing the role of income and interest rates in determining house prices［J］. Economic Modelling, 2008, 25(3): 377 - 390.

［13］张娟锋，刘洪玉.住宅价格与土地价格的城市差异及其决定因素［J］.统计研究，2010，27(3)：37 - 44.

［14］温海珍，杨尚，秦中伏.城市教育配套对住宅价格的影响：基于公共品资本化视角的实证分析［J］.中国土地科学，2013，27(1)：34 - 40.

［15］龙奋杰，郭明，郑思齐，等.城市发展与住房意愿支付价格［J］.城市问题，2008，(9)：50 - 55.

［16］周京奎.城市舒适性与住宅价格、工资波动的区域性差异——对1999—2006中国城市面板数据的实证分析［J］.财经研究，2009，35(9)：80 - 91.

［17］LONG Fenjie, GUO Ming, ZHENG Siqi. Estimating the willingness-to-pay for urban housing in Chinese cities［J］. Tsinghua Science and Technology, 2009, 14(3): 360 - 366.

［18］Lucie G. Schmidt, Paul N. Courant. Sometimes close is good enough: The value of nearby environmental amenities［J］. Journal of Regional Science, 2006, 46(5): 931 - 951.

［19］何鸣，柯善咨，文嫣.城市环境特征品质与中国房地产价格的区域差异［J］.财经理论与实践，2009，30(2)：97 - 103.

［20］Sherwin Rosen. Hedonic prices and implicit markets： Product differentiation in pure competition［J］. Journal of Political Economy, 1974, 82(1): 35 - 55.

［21］张所地，李怀祖.城市土地定级估价综合模型研究［J］.中国土地科学，1998，12(5)：21 - 24.

［22］Luc Anselin. Spatial externalities, spatial multipliers, and spatial econometrics［J］. International Regional Science Review, 2003, 26(2): 153 - 166.

［23］Luc Anselin, Julie Le Gallo, Hubert jayet. Spatial panel econometrics［A］. Lász ló Mátyás, Patrick Sevestre. The econometrics of panel data: Fundamentals and recent developments in theory and practice［C］. Germany: Springer Berlin Heidelberg, 2008: 625 - 660.

［24］谷一桢，郑思齐.轨道交通对住宅价格和土地开发强度的影响——以北京市十三号线为例［J］.地理学报，2010，65(2)：213 -223.

［25］冯长春，李维瑄，赵藩藩.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，2011，66(8)：1055 - 1062.

［26］何炤华，杨菊华.安居还是寄居？不同户籍身份流动人口居住状况研究［J］.人口研究，2013，31(11)：17 - 34.

［27］陈耀明，张所地.矿业城市地产评估探讨［J］.中国土地科学，1996，10(3)：27 - 29.

（本文责编：陈美景）

Research on Impact Factors on Commercial Housing Price in Mining Cities

ZHAO Hua-ping, ZHANG Suo-di
(School of Management Science and Engineering, Shanxi University of Finance and Economics, Taiyuan 030031, China)

The purpose of this paper is to analyze the impacts of mining surrounding on housing price in mining cities, and propose policy recommendations for mining cities construction. The method is a econometric model with panel data of housing price. The results indicate that 1) Per-capita disposable income, number of university and popularization rate of water have significant positive effects on commercial housing price in mining cities and non-mining cities, but mining employment rate, traffic location and medical and health facilities construction have different directions effects on commercial housing price in mining cities and non-mining cites. 2) Political location, nature location, environment quality, environmental administration, public traffic construction, teacher-student ratio and popularization rate of network have significant effects on commercial housing price in mining cities and no significant effect on commercial housing price in non-mining cities. 3) Population, culture location and public library construction have significant effects on commercial housing price in non-mining cities and no significant effect on commercial housing price in mining cities. The research concludes that it is necessary for the construction and development of mining cities to further improve urbanenvironment, reduce mining employment risks, increase construction investment to public transport and network, perfect education infrastructure construction.

land economy; effect factors; mining cities; non-mining cities; spatial lag panel data model

F293.3

A

1001-8158（2014）07-0046-08

2013-07-29

2013-12-02

国家自然科学基金项目（70973072，70573066）；山西省软科学课题（2014041024-1）；山西省2013年重点学科建设项目“矿业城市绿色不动产评价研究”；山西省高等学校哲学社会科学研究项目（2012233）。

赵华平（1979-），女，山西昔阳人，副教授，博士。主要研究方向为不动产评估方法与技术。E-mail:zhaohuaping1979@163.com

张所地（1955-），男，山西太原人，教授，博士。主要研究方向为不动产评估、管理决策。E-mail:zhangsuodiws@126.com