住房特征对北京各区域二手房价的影响分析

摘要：随着我国房地产的成熟，房地产市场逐渐由新房市场转向二手房市场。由于历史的发展因素、当前政策导向，各个区域有其独特性，相同住房特征对不同区域二手房价产生不同影响。本文把北京按照行政区域划分10个区域，选取22个特征变量，采用Hedonic特征法分析不同特征变量对不同区域的二手房房价影响因子。研究发现，各特征变量对各区域的房价的影响呈现整体一致性，同时，一些特征变量对不同区域房价呈现差异性。

关键词：房地产;二手房;影响

一、前言

中国房地产经过几十年的快速发展，房地产市场逐渐进入二手房市场。分析二手房房价影响因素，了解房价形成过程，对于居民购房，国家制定政策至关重要。潘添翼等对上海二手房房价作了宏观、微观层面的分析：张占平、罗洲军等研究了住房特征对西安市二手房房价的影响。时文静、张羽鹤指出影响二手房房价的主要因素是区域。文献表明，影响房价波动的因素主要有两个方面：一方面，市场需求;另一方面，房屋的特征，如区位特征、建筑特征、邻里特征等。

住房有其特殊的区域属性，了解各城市、各区域房价的影响因素，尊重地方差异性，分城施策、分区域施策，保证房地产的持续健康发展。北京房地产市场是我同最成熟、最具代表的房地产市场之一，研究北京二手房市场的影响因素具有普遍意义。

二、模型与方法

北京各行政区域的功能特点存在较大差异，整体上形成了东北经济发达，南北发展薄弱，各区域的发展有其特色。如东城、西城区以政治、文化、教育为中心，海淀区以科技、教育为中心，朝阳区以经济为中心。因此，采用行政区域分层法分析各区域二手房价的影响因素。研究住房特征对房价的影响，常用的方法是Hedonic函数。

Hedonic函数主要有三种形式：线性形式，半对数形式，双对数形式。Simans等發现，半对数hedonic函数具有最优性。本文采用半对数Hedonic函数分析住房特征对各区域的二手房价影响，其基本形式如下。

pi是代表第i个房价，InPi代表房价的对数。T代表时期数量，Dt是各时期的虚拟变量，δt代表t期对房价的影响因子，δtDt代表了需求对房价的影响。N代表了特征数量，zij代表第i条记录的第j个特征变量，βj代表第j个特征对房价的影响系数。εi代表残差。

三、数据与变量

地理位置对房价具有决定性的作用，同一个区域或者商圈的房价具有均等性。东城、西城区地属二环，地理位置相当优越，基础设施完善，西城、东城区合并处理。房山、门头沟位于北京的西南，背靠燕山山脉，受到地理位置的制约，经济发展慢，房地产市场起步较晚，房山、门头沟合并处理。平谷、密云、怀柔、延庆距离市中心较远，房地产发展较晚，二手房交易尚未形成一定规模，本次统计排除这四个区域。每一个区域都会根据其地理位置、产业、文化、人群等因素形成自己特有的商圈，如朝阳区的CBD代表着北京最发达的经济圈，海淀区的学院路集聚着众多高等学府。本文将北京分为10个区域，242个商圈，具体见表1。

本文选取的特征有区位特征、小区特征、建筑特征，其中建筑特征分为楼栋特征和房问特征。特征变量分为连续变量和虚拟变量，如面积、绿化率、容积率、物业费为连续变量，房屋所属楼层分为低楼层、中楼层、高楼层3个虚拟变量。本文共分析了8个连续特征变量，14个虚拟特征变量，共22个特征变量，具体见表2。

本文数据来源链家和房天下。收集了162860条二手房交易数据，交易时问从2015年1月至2019年3月，每一个月代表一个时期，共51个时期。

四、数据分析

本文采用matlab的regress函数做线性回归，regress函数如下。

[b， bint ，r， rint， stats]=regress（ Y，X）

b表示回归系数：hint表示回归系统的区问估计：r表示残差：rint表示置信区问：stats表示用与检验回归模型的统计量;Y表示变量;X表示因变量。

分别对每一个区域做regress回归，各区域的相关系数R2介于0.78～ 0.92之问，F统计量介于300～ 4700，显著性P值都为O，模型误差的方差均小于0. 022，回归结果比较理想。

五、各区域住房特征一致性

Regress回归得到各个区域的特征变量对房价的影响系数。结果显示，各区域住房特征对房价的影响呈现出一致性，它们的关联关系有三种：正相关、负相关、无相关或关联性小。

与房价呈正相关的特征变量有绿化率、物业费、厅、室、有电梯、临近地铁、低楼层、南北朝向、南朝向、板楼、板塔结合、精装、简装;与房价呈负相关的有面积、容积率、楼龄：与房价关联性小的特征变量有中楼层、其他朝向、塔楼、毛坯。这个规律也符合我们一般的认识，绿化率高、容积率低、南方朝向、中楼层、板楼等代表着房子的采光性、通风性更好，含氧量更高，拥挤度更小;更多厅、室的数量方便居住时功能分区：物业费更高一般代表更好的物业服务，精装修代表更高品质的生活;低楼层、配备电梯、临近地铁更方便出行：这些都能提高居住的舒适度，故与房价呈正相关。房屋的面积越大，房款越多，家庭负担更重，所以与房价呈负相关。

六、各区域住房特征差异性

（一）差异性表现

虽然各特征变量对各区域的房价的影响呈现整体一致性，但是由于地理位置、经济、文化等的不同，同一特征变量对一些区域呈现差异性。如面积、绿化率、有电梯、临近地铁等。

如图1所示，面积与房价呈负相关，绿化率与房价整体呈正相关。全市的面积对房价的影响因子是-0.285。大兴、房山门头沟、昌平的负相关性最大，均超过了- 0.4，其次是通州的- 0.37：丰台区负相关性最小，其影响因子值不到- 0.2。全市绿化率对房价的影响平均水平接近0.2。朝阳、丰台的绿化率与房价正相关性最高，影响系数超过了0.37：通州、房山门头沟呈负相关，通州达到了- 0.3：正相关性偏小的是大兴和昌平。

小区配备电梯与房价呈正比，其中相关性最大的是东城西城，影响系数超过了0.1，其次是顺义、丰台、朝阳，相关性最小的是房山门头沟。临近地铁与房价整体呈正相关性。正相关性最大的是石景山，最小的是丰台。而东城西城的房子临近地铁反而不利于房价。如图2所示。

住宅建筑类型分为板楼、塔楼、板塔结合，为方便分析，将影响系数两两作差。板楼相对塔楼对房价的影响较大是石景山、朝阳，较小的是大兴、通州。板塔结合相对塔楼对房价的影响大是石景山、昌平，影响较小的是海淀：而通州、大兴塔楼比板塔结合的更有优势。

根据房屋的装修程度，将房屋分位毛坯、简装、精装，为便于分析，将影响系数两两作差。顺义的精装、简装房相对毛坯房对房价正影响最大，其次是朝阳、丰台、昌平，最小的是房山门头沟。而房山门头沟、石景山的简装房子相对毛坯房更不利于售卖。

另外，昌平的物业费与房价相关性较大，其次是石景山、顺义、大兴，东城西城的相关性最小。房山门头沟楼龄与房价的负相关性最大，其次是通州，大兴、昌平的最小。容积率、总楼层数对房价的影响也出现了差异性，靠近城中心的呈现负相关，而顺义、房山门头沟、石景山呈现出正相关。

（二）差异性解释

出现上述各区域住房差异性的原因是各个区域本身的差异性导致的。如，东城西城是成熟的老城区，地处北京中心，拥有优质的教育资源、密集的地铁网，低楼层楼房多，小户型为主，老年人占比大。老年人喜歡居住中低层、对电梯的需求高。交通网发达，临近地铁意味着更啃杂，故临近地铁不利于房价。故有电梯、厅对房价正影响大，物业费、不同楼层的正影响小，而临近地铁有负影响。

朝阳区是北京经济最发达的地区，尤其是金融、保险业，基础设施较完善，交通方便，高层建筑多：居民以高端白领为主，注重生活品质，对地铁需求高。所以朝阳区的绿化率、厅数量、朝南、板楼、精装、有电梯对房价的正影响较大，中楼层、临近地铁有小幅度正影响。

丰台地处北京南城，靠近城中心，总用地面积有限，以居住性建筑为准。地理位置优越，基础设置完善、交通网发达。人们看重其便利性而居住与此，其满足传统意义上人们对于住房的选择。所以绿化率、朝南、板楼、有电梯对房价有较大的正影响，面积、临近地铁影响小，容积率负影响大。

海淀区以科技创新、高新产业为主，聚集了大批优质的高度学府，教育资源丰富，基础设置完善，交通方便，文化底蕴深厚：年轻创业者居民占比大，其对住房舒适度要求小，海淀区室数量对房价正影响大，楼龄、南北、板塔结合、有电梯影响小。

昌平、大兴、通州、顺义、石景山、房山门头沟远离市中心，属于新型经济开发区，安置了大批外来人口。新建楼房多，以中大户型为主，居民以年轻人为主，兼顾实用性和舒适性。故临近地铁、物业费、低中楼层、南北朝向、板塔结合对房价正影响大，面积负影响大，楼龄、厅数量、室数量、容积率影响小。这些区域的行政面积大，发展不均衡，有些远郊地区基础设施薄弱，生活不便利。有些绿化率高的区域地处偏僻，出现了通州、房山门头沟的绿化率对房价产生了负影响。

七、总结

本文采用hedonic特征函数法分析了面积、绿化率、容积率、物业费、楼龄、总楼层数、厅、室、所属楼层、朝向、建筑结构、装修、是否有电梯、是否临近地铁等共22个特征变量对不同区域的房价的影响。研究发现，各特征变量对各区域的房价的影响呈现整体一致性，但有些区域呈现特异性。

不同区域的住房会因其所处的地理位置、经济、产业、居住人群等不同，引起相同的特征变量对不同区域房价产生不同幅度的影响，甚至是相反的影响。人们可以根据自己的需求，结合不同区域住房特点，参与房地产市场;政府也可以根据不同区域房价的影响因子.因城施策，实现房地产健康发展。

参考文献：

[1]潘添翼，贾德铮.上海二手房房价影响因素[J].中国市场，2019，996（5）：35-38.

[2]张占平，胡丰印.西安市二手房价格影响因素研究[J].技术与创新管理，2008，29（2）：209-212.

[3]时文静.基于Lasso与数据挖掘方法的影响北京二手房价格的因素分析[D].北京：北京工业大学，2017.

[4]张羽鹤.基于GWR模型的北京市二手房价格空间分异及影响因素研究[D].北京：中国地质大学（北京），2018.

[5]张娟.北京市二手住宅的分位数特征价格研究[D].太原：山西财经大学，2016.

[6]程亚鹏，李传昭，吴刚.Hedonic住房价格模型的选择与实证检验[J].系统工程理论与实践，2010，30（ 11）：1921-1930.

作者简介：

邓小园，中央财经大学，北京。