基于服务饱和视角的哈尔滨市公共服务设施对住宅价格影响研究

高智超，吴相利

(1.哈尔滨师范大学2.黑龙江省生态地质调查研究总院)

0 引言

一个城市的居民住宅具有空间异质性特征[1]，其价格上的空间差异与住宅建筑年龄等本身属性有关，更与其所处的微区位及周边环境设施相关.住宅周边公共服务设施配套服务提供状况就是影响住宅价格的重要环境因素.从公共服务设施空间配套差异角度认识解读城市居民住宅价格的空间差异对于优化城市服务设施空间配套布局，提高住宅品质，合理调整城市住宅价格空间差异具有重要的意义.

伴随社会经济发展，居民对良好的人居环境有更高的期望[2-3]，这种期望延伸指使具有不同居住环境和居住质量的住宅体现出显著的价格差异，而依托住宅呈现的居住环境和居住质量中公共服务设施是其中重要影响因素.国内外相关研究都表明重点学区房[4]、大型公园[5-6]、交通设施[7]、通达性[8-9]等公共服务设施条件因素都对住宅价格产生了显著影响.国外研究起步较早，Sterenson对美国住宅价格研究发现住宅建筑年龄显著影响住宅价格[10]；Black对住宅价格研究发现质量较高的教育资源会导致房价上涨[11]；Sander等通过对住宅价格实证分析得出环境质量对城市住房价格有较大影响[12]；Orford将住宅距离市中心距离、周边是否有公园等作为变量，运用特征价格模型拟合，在微观层面探索影响住宅价格主要因素[13]；Mariant hi Stamou等通过利用空间计量模型拟合，发现雅典公寓的价格受公寓内设施齐全程度以及楼层的影响[14].近年来国内学者也开始关注住宅价格的环境影响因素研究，宋煜等学者以北京市学区房为研究对象，通过空间计量的方法，发现学区房对房价影响显著，并且不同层次的学区房对房价溢价程度不同[15]；王洪卫、韩正龙等学者以上海市地铁11号线周边地铁房为研究对象，发现城郊轨道交通对郊区房价影响幅度大于城区内轨道交通对房价影响程度，并且地铁对地铁站周边房价影响随着距离增长呈现“凸”型变化[16]；王楠等学者利用空间统计方法研究发现，大型交通设施对住房价格影响因时因地具有正向和负向两种效应，个别大型交通设施对房价影响不显著或体现出负效应的消极影响结果[17]；石忆邵、张蕊等学者在时间和空间尺度上专门研究大型公园绿地对周边房价影响的显著程度[5].

既有研究为该研究提供了重要方法与实证研究基础，但也应看到受数据信息等影响目前关于公共设施对城市住宅价格影响多集中在某一种公共服务设施对住宅价格影响研究方面，缺乏多种公共服务设施复合对住宅价格的影响研究；且研究中多是关注到了相关设施的正向效应的认识和解读，忽视了复合在其中的负向效应认识分析，这导致一些结论存在偏差；另外对于公共服务设施定量计量方式上也多以单一的以距离最近的服务设施空间距离作为计量标准，忽视了一定空间距离内服务设施密度的数量量化指标，这致使在定量分析公共设施对住宅价格影响上存在缺陷，导致结果不能够全面客观准确反映实际.

正是基于上述问题，该研究在充分考虑影响因素多样性的前提条件下系统地选择了住宅周边9类基本服务设施、5类大型服务设施作为研究标的影响因素.为弥补既有研究多仅以距离标的住宅最近服务设施距离为计量赋值标准,改进为以住宅周边一定距离范围内公共服务设施“密度”(500m、1500m半径内服务设施数量)作为计量赋值标准，这有效的避免仅以空间距离进行指标计量赋值在空间非稳定性带来的误差[18].采用空间相关分析和空间计量分析法构建了具有全域估计功能的基于特征价格的空间滞后模型(Spatial Lag Model，SLM)及空间误差模型(Spatial Error Model，SEM)[19]，这一方法有效的克服了已有研究中多采用的最小二乘线性回归(Ordinary Least Squares，OLS)因空间自相关性存在所导致的拟合效果不足问题,使研究方法得到了改善.

该文以哈尔滨市中心城区1804个小区的新房和二手房价格为研究样本，从公共设施服务饱和视角，利用空间计量模型从哈尔滨市整体以及部分房价热点区域层面研究公共服务设施对住宅价格影响程度及空间差异，为哈尔滨市优化公共服务设施布局、调整住宅价格分布提供理论支撑，也为相关研究提供借鉴意义.

1 研究范围与数据来源

1.1 研究范围

该文研究范围为哈尔滨市主城区，包括道里区、道外区、南岗区、香坊区、松北区、平房区，呼兰利民开发区(如图1所示).

图1 哈尔滨市住宅小区空间分布

1.2 数据来源

房价数据来源于2018年10月 “房天下”网站(https://hrb.fang.com)发布的1804个小区样本，数据属性包括：小区名称、住宅类型、建筑年份、房价等.哈尔滨市6个房价热点区域(群力新区、哈西新区、松北区、会展中心、爱建区域及中央大街)的房价数据来源于“安居客”网站(https://heb.anjuke.com).住宅空间位置数据和各种分类公共服务设施数据均来源于高德地图POI数据(火星坐标系).在ARCGIS平台下，构建了统一坐标系，将各个小区的位置分布进行空间可视化处理，建立2018年10月的哈尔滨市房价空间数据库.

2 研究视角与研究方法

2.1 服务饱和视角

城市公共服务设施对城市住宅价格的影响总体上体现为二者的空间耦合关系和时间协同变化.不同类型的公共服务设施对于城市住宅价格影响不同，同一类型公共服务设施不同时间阶段影响也不相同，公共服务设施和住宅价格及其二者关系都存在着显著的空间差异.二者关系状况一方面来自公共服务设施建设水平质量与完善程度的供给，另一方面来自居民对公共服务的需求，研究正是基于这种公共服务设施供需关系状态变化既公共服务设施提供服务的饱和程度视角分析研究公共服务设施对城市住宅价格的影响.

从供需关系上看，城市不同类型公共服务设施相对于居住在本地住宅中居民需求而言存在着三个供需关系：供不应求(服务稀缺)、供过于求(服务超饱和)、供等于求(服务饱和)，不同供需关系对住宅价格影响不同，服务稀缺状况下服务设施对住宅价格一般呈现正向影响，服务饱和状态下服务设施建设发展对于住宅价格影响不大，而服务超饱和状态下因为服务超饱和带来的衍生效应导致服务设施可能负向影响住宅价格.这一视角调整了既有研究中多认为公共服务设施改善发展始终积极正向影响住宅价格认识.

具体上看不同区域、不同时间、不同类型公共服务设施对于住宅价格的影响取向不同，基本服务设施、大型服务设施对住宅价格影响是有区别的，诸如学区房概念等又体现出重点学校层级不同对住宅价格影响不同且一般而言其不存在着服务超饱和问题.

2.2 空间计量方法

住宅价格是既有位置信息也有价格信息的空间数据，其具有空间自相关和空间异质性两个重要特征.

2.2.1 空间自相关

该文采用全局空间自相关(Moran指数)反映住宅价格相似程度,采用局部空间自相关(G统计量中的Gi统计量)为分区提供依据.

2.2.2 空间计量模型

该文采用具有全域估计功能的SLM、SEM两种模型拟合，当Moran’sI值不等于0且显著时最小二乘线性(Ordinary Least Squares，OLS)回归模型拟合结果是有偏差的，所以适用于SLM以及SEM.

其表现形式为：y=ρW+Xβ+ε，

ε～N(0，σ2In)；

其中：y为住宅价格矩阵(n×1阶)；ρ为空间回归系数；W为权重矩阵(n×n阶)；X为解释变量矩阵(n×k阶)；β为与X相对应的参数矩阵(k×1阶)；ε是随机误差矩阵(n×1阶).

(2)空间误差模型(SEM)

其表现形式为：

y=Xβ+η，η=μW+ε，ε～N(0，σ2In)；

其中：y为住宅价格矩阵(n×1阶)；X为解释变量矩阵(n×k阶)；β为与X相对应的参数矩阵(k×1阶)；μ为空间误差自相关系数；ε是随机误差矩阵(n×1阶).

(3)两种空间计量模型(SLM、SEM)选取原则

首先，企业要建立健全事前风险评估机制，在制定重大战略决策时对各个方面的财务风险相关因素进行综合考虑，最大程度地将这些风险消除在战略决策实施之前，从而有效避免相关财务会计风险的出现。其次，企业要建立健全事中风险反应机制，当出现财务风险时积极组织所有员工全面应对各种风险。最后，企业应建立健全事后风险总结机制，充分了解财务风险发生机制，熟练掌握财务风险应对措施和手段，以便于有效应对这种风险。与此同时，企业还要充分分析和研究财务风险事件的本质，并把某一业务风险管理经验进一步拓展到其他业务方面。

通常对模型计算后的统计量Lagrange Multiplier (lag)[简称LM(lag)]、Robust LM (lag)[简称R-LM(lag)]、Lagrange Multiplier (error)[简称LM(error)]、Robust LM (error)[简称R-LM(error)]的值以及显著性大小判断[19]或者通过对比似然函数值(Log likelihood，LogL)、赤池信息准则(Akaike info criterion，AIC)、施瓦茨准则(Schwarz criterion，SC)、似然比(Likelihood Ratio，LR)四个参数判断，具体的是LogL值更大、LR显著性越好、AIC、SC值越大则使用SLM模型拟合效果较SEM效果更佳，反则使用SEM拟合效果更好.

2.3 影响因子选择与量化

基于对住房价格影响的差异，将公共服务设施分为两类：一类是小区周边基本服务设施，包括餐饮、购物、生活、交通、医疗、金融、住宿、体育、公园9种类型，涵盖了居民生活所需的各种基本服务[20];另一类是大型服务设施，包括大型公园、大型商场、大型医疗机构、交通枢纽、省重点高中5种类型，主要体现了小区的区位体征.小区及住宅自身建筑特征仅选取了住宅建筑年龄一个因子，其它因子(例如：容积率、绿化率等)由于老旧小区楼房被道路分割等诸多原因等数据缺失而没有选取.依据实际调查将重点学区房、通达性两个显著影响住宅价格因子也纳入了影响因子分析范围,具体见表1.

基本服务设施、大型服务设施量化时调整了已有研究普遍采用以距离标的住宅距离为计量量化标准方式[21]，采用了以 “密度”(500m、1500m半径内服务设施的数量)为计量量化标准方式，这样就避免由于仅以空间距离确定影响因子计量赋值在空间上非稳定性带来的误差[18].空间滞后模型(SLM)、空间误差模型(SEM)为全域估计的方法，它们使用的前提要求因子影响在空间上是平稳的，但实际上公共服务设施很多因子对房价的影响在空间上是不平稳的，采用以距离作为计量量化标准会因空间上的不稳定而产生误差，而以“密度”为计量量化标准的方式则避免了以距离为计量量化标准产生的空间上不稳定性带来的误差问题.以“密度”为计量量化标准还能更好地体现出公共服务设施及住宅的区位特征因子影响作用.

表1 住宅价格影响因素、量化方式与预期影响方向

3 结果分析

3.1 哈尔滨市住宅价格空间分布特征

哈尔滨市住宅价格空间分布(如图2、图9所示)并不是完全按照城市中心价格高四周价格低的趋势分布，而是被铁路、松花江、绕城高速隔离.住宅价格高值区域多分布在松花江两侧沿江区域、哈尔滨市群力新区、哈西新区以及南岗区部分区域.住宅价格低值区域多分布于哈尔滨市三环外，道外区以及香坊区二环以外.由图3可见，住宅建筑年龄较大的区域住宅价格相对较低，部分重点学区房区域住宅建筑年龄较高但是住宅价格较高.图4中以红色、蓝色区分重点学区房层次，层次高的重点学区房区域住宅价格明显高于层次较低的重点学区房.图5显示大型公园分布区域，尤其是沿江带均是住宅价格高值区域.图6中交通设施密度较大的区域基本是住宅价格较高的区域，图7中通达性较好的区域住宅价格相对较高.

图2 哈尔滨市住宅价格等值线图 图3 哈尔滨市住宅建筑年龄地图与住宅价格等值线图叠加图

图4 哈尔滨市重点学区房位置与住宅价格等值线图叠加图 图5 哈尔滨市大型公园位置与住宅价格等值线图叠加图

图6 哈尔滨市交通设施核密度图与住宅价格等值线图叠加图 图7 哈尔滨市通达性地图与住宅价格等值线图叠加图

3.2 哈尔滨市公共服务设施对住宅价格影响分析

哈尔滨市住宅价格Moran指数散点图中Moran’sI为0.42287(如图8所示)、表2中Moran’sI通过1%显著性检验，采用最小二乘线性(OLS)回归模型拟合结果存在有偏差，经典回归模型不适合拟合[19]，因此该文采用SLM和SEM两种模型尝试拟合.表3中的统计检验项显示，空间误差模型(SEM)的LogL值较大、AIC值较小、SC值也较小，可以判断空间误差模型(SEM)拟合效果优于空间滞后模型(SLM)，因此该文选取空间误差模型(SEM)拟合结果作为哈尔滨市整体估计结果[19].

图8 哈尔滨市住宅价格Moran指数散点图

变量类型回归系数Std.Errort-StatisticProbabilityCONSTANT0.189***0.00535.4480.000建筑年龄-0.153***0.011-13.7610.000餐饮服务0.0370.0301.2200.223购物服务-0.0050.021-0.2360.813生活服务-0.0250.030-0.8290.407交通设施0.128***0.0225.9110.000医疗服务-0.036**0.018-1.9660.050金融服务-0.052**0.024-2.1810.029住宿服务-0.0090.023-0.4010.688体育休闲0.0020.0200.1070.915公园休闲-0.0010.013-0.1090.913大型公园0.086***0.0136.4660.000大型商场-0.0090.010-0.8430.400大型医疗机构0.0140.0091.5040.133交通枢纽-0.0090.009-0.9530.341省重点高中-0.0040.010-0.3900.696重点学区房0.164***0.00821.5220.000通达性0.033***0.0113.0080.003测试参数MI/DFVALUEProbabilityMoran's I (error)0.264520.0858***0.00000Lagrange Multiplier (lag)1348.7872***0.00000Robust LM (lag)116.3195***0.00005Lagrange Multiplier (error)1370.7701***0.00000Robust LM (error)138.3024***0.00000Lagrange Multiplier (SARMA)2387.0896***0.00000

注：***，**，*分别通过1%，5%，10%的显著性水平检验.

根据空间误差模型(SEM)计算结果，可以得出以下结论：

(1)哈尔滨市各住宅小区空间相关系数为0.423(如图8所示)，通过1%显著性检验，说明哈尔滨市住宅价格空间自相关性较强.按照相关性，平均来说小区周边住宅价格每增长1%，该小区价格也增长0.423%.

(2)房屋建筑年龄对于哈尔滨市住宅价格呈现负相关关系，建筑年龄越大的小区价格相较于周边较新的小区价格越低，按照回归系数建筑年龄每增加1%，住宅价格降低0.164%.

(3)住宅小区周边基本服务中仅有交通设施通过1%显著性检验，按照回归系数小区周边交通设施每增加1%，房价增加0.097%.其中小区周边基本服务中的餐饮服务、购物服务、生活服务等均未通过10%显著性检验，说明哈尔滨市整体小区周边基本服务发展普遍较为均衡完善，已经不构成对房价的显著影响，且在一定的程度上，小区周边服务密度过大还产生负向影响，超饱和的服务设施对居民而言供过于求，导致居住环境质量下降致使负向影响了住宅价格，导致房价相对下跌.

表3 哈尔滨市空间滞后模型(SLM)与空间误差模型(SEM)估计结果

(4)重点学区房对住宅价格影响显著.按照回归系数，平均上看重点学区房相对于普通学区房住宅价格要高13.3%(见表3)，省重点校、市重点校、区重点校学区房因重点校层次不同在住宅价格的体现上也有明显的差异，重点校层次越高体现在房价提升上越明显.

(5)大型服务设施中仅有大型公园对住宅价格影响显著(通过1%显著性检验)，依据回归系数，平均上看处于大型公园辐射范围内的小区比辐射范围外的小区价格高8.3%(见表3)，且不同空间区域正向影响程度也不同.其它大型服务设施对住宅价格影响均不显著，居民生活中对大型医疗机构、大型商场、大型交通枢纽距离要求并不高，就近满足需要意愿不高，且大型医疗机构、大型交通枢纽、大型商场在某种程度上对房价或是负向的影响，这是因为人流量大带来的秩序混乱、停车难、治安等问题影响住宅小区品质，不同区域正向、负向影响可能存在显著不同.

(6)通达性对住宅价格影响通过10%显著性检验，按照回归系数，平均上看小区所在位置通达性每提高1%，住宅价格提高0.031%(见表3)，表明通达性是城市居民购房时考虑的重要指标.

3.3 哈尔滨市公共服务设施对住宅价格影响空间差异分析

该文选取的哈尔滨市代表性样本区域没有按照哈尔滨市环线以及行政区划分，因为哈尔滨市四环路以内三环与四环之间城区分布离散，二环路与三环路在不同的区域间隔不同且住宅价格差异较大，选择样本在空间上存在不合理性.因此该文按照哈尔滨市住宅价格最高的区域(如图9所示)进行划分，选出的样本区域同时也是图10中哈尔滨市住宅价格冷热点图中热点区域中部分区域，具体为群力新区、哈西新区、会展中心、中央大街、松北区、爱建区域以及哈尔滨市其它区域.根据两种空间计量模型(SLM、SEM)拟合精度对比，除了群力新区、哈西新区采用空间滞后模型(SLM)外其余几个区域均使用空间误差模型(SEM)拟合.其拟合结果回归系数见表4(为了方便读取信息，表中仅显示通过10%以上显著性水平检验因素).

图9 部分热点区域住宅价格时间变化曲线图

图10 哈尔滨市住宅价格冷热点图

依据表4可表明以下结论：

(1)不同区域之间空间相关系数差异大.哈尔滨市整体与哈尔滨市其它区域相关系数基本相同超过0.4，而中央大街相关系数仅为0.121.

(2)房屋建筑年龄在几个分区内均为负向影响，但是在会展中心区块表现不显著，通常房屋建筑年龄代表小区内部环境，建成时间越短小区环境一般会越好.

(3)小区周边基本服务设施中餐饮服务、购物服务、生活服务、交通设施、金融服务、住宿服务设施均有通过10%及以上显著性检验样本区存在.其中餐饮服务、购物服务在哈西新区显著，且为负向影响关系，生活服务仅在会展中心显著，同样其对住宅价格呈现负向影响，金融服务在群力新区显著，表现仍为负向影响关系，这说明公共基础设施所提供的服务已经供大于求处于基本服务需求超饱和状态，小区周边基本服务密度过大的结果是对环境产生“破坏性”影响降低了住宅品质[19].交通设施在哈尔滨市其它区域、群力新区、爱建区域通过显著并呈正向影响关系，说明在这几个区域对交通设施需求较大，交通设施完善会提高住宅价格.住宿服务在会展中心及中央大街区域显著，两个住宿服务密度大的区域也是居住环境较好的区域，住宿设施从而正向影响居住环境，从而正向影响住宅价格.

(4)重点学区房在哈尔滨市其它区域、哈西新区、中央大街通过显著检验，重点学区房在以上3个区域比同区域非重点学区房房价平均提升24.3%、19.5%、42.5%.松北区、爱建区域没有重点学区房.群力新区、会展中心虽然有重点学区房，但是关系不显著，会展中心重点学区房依托的学校重点层次较哈西等区域低，其对区域内其它非重点学区住宅小区优势不明显，所以影响不显著.

(5)大型服务设施中大型公园、大型商场、大型医疗机构均有通过至少10%显著性检验样本区域.大型公园在哈尔滨市其它区域以及群力新区显著，依据回归系数处于大型公园辐射范围内的小区住宅价格平均高于其它小区42.0%，伴随着收入增长，为了提高居住品质与居住环境，具有优良休闲环境邻近公园及江边地段成为房价局部高值区.大型商场在会展中心、松北区显著，依据回归系数，处于大型商场辐射范围内的小区价格比普通小区价格分别高47.0%以及19.9%，表明这2个区域对大型商场有特别重要的需求，尤其是松北区服务设施相对较单薄(见表5)处于供不应求状态，正向影响住宅价格.大型医疗机构在会展中心区块显著,表明会展中心区域大型综合医院相对稀缺，正向影响住宅价格.中央大街区域大型公园、大型商场、大型医疗机构“密度”均为最大(见表5)，但是此3个因子均不显著，表明中央大街区域大型公园、大型商场、大型医疗机构处于服务饱和状态，故对住宅价格影响不显著.

(6)通达性在哈尔滨市其它区域、会展中心区块显著，在哈尔滨市其它区域通达性对于住宅价格影响是积极的，但在会展中心区块通达性影响则是消极的，通常某区域的通达性与城市基础设施密度显著相关，密度过大在某些小的区块也会带来环境问题，从而负向影响住房价格.

表5 分区公共服务设施“密度”表(平均数)

4 结论与讨论

4.1 结论

该文通过对哈尔滨市1804个住宅小区住宅价格数据进行总体以及分区空间回归分析，得出以下主要结论：

(1)哈尔滨市住宅价格总体上空间自相关性较好，不同区域间局部自相关性差异较大.

(2)哈尔滨市房屋建筑年龄在某种程度上代表了小区内部环境，尤其是较老的住宅小区由于没有物业服务管理、基础设施老化、基础设施缺乏等问题影响住宅价格，城市扩张的同时也要考虑老旧小区基础设施更新、提升物业管理水平等.

(3)哈尔滨市小区周边基本服务设施：餐饮服务、购物服务、生活服务、金融服务等或者不显著，或者显著呈现负向影响，说明基本服务设施密度既相应服务供给处于供给等于需求或供给大于需求状态，密度过大形成一系列副作用影响房价；交通设施服务多处于供不应求状态下，居民对交通设施服务需求较大其正向影响住宅价格；住宿服务在会展中心和中央大街2个区域显著并且正向影响房价，通过分析可知其住宿环境优越及综合服务设施条件优越导致正向影响环境并且影响房价.

(4)在拥有重点学区房的区域，整体上重点学区房显著且影响程度较大，但是在个别区域重点学区房不显著，不同层次的教育资源对房价溢价能力不同.哈尔滨市学区房最高提升房价为42.5%，说明哈尔滨市优秀的教育资源分布不均衡，合理配置教育资源或者教育改革等方式除去此弊端对于城市均衡发展尤为重要.

(5)大型服务设施中，大型公园在哈尔滨市整体显著正向影响住宅价格，在群力新区影响最为显著，说明大型公园带来的外部环境对住宅价格正向影响较大.大型商场在会展中心、松北区显著正向影响住宅价格，从服务饱和角度，松北区处于服务稀缺状态导致正向影响住宅价格，而会展中心区域相对于松北区服务稀缺程度有很大改善，但回归系数差异较大.从实际选取的大型综合商场看，会展中心大型商场内的设施种类相对于松北区的商场内的服务设施种类更复杂(户外广场、展会、体育场、教育等)，会展中心大型商场内的娱乐、休闲等设施全民参与度更强，会展中心大型商场外部小区更加密集等因素导致会展中心大型商场的回归系数大于松北区大型商场回归系数.以上表明这种大型综合服务设施，在哈尔滨市尤其是在冬季有着代替大型公园等设施的作用，成为一种表现为服务稀缺的设施.

(6)通达性在整个哈尔滨市对住宅价格影响显著，但是在局部区域虽然同样显著，对住宅价格影响却是负向，大尺度下通达性对于房价是正向影响，但是小尺度下通达性好带来的负面效应会负向影响房价.

(7)排除学区房对房价特殊性质的影响，居住环境是影响房价的重要因素，住宅周边公园数量(反应自然环境的重要指标)、小区的建筑年龄(在某种程度上代表了小区内部环境)以及小区周边各种公共服务超饱和状态，导致的衍生效应都是环境人所，所以人居环境越好，住房价格越高.表明哈尔滨市居民向往拥有优良的居住环境，因此在未来能够合理规划城市、提高对城市的管理水平有利于住宅价格均衡.

4.2 讨论

(1)多项服务设施对房价影响因素分析，只能使用全域估计方法(OLS、SLM、SEM)进行研究，居民住宅价格同时具有空间自相关性以及空间异质性，由于空间自相关性存在致使OLS估计方法存在缺陷，而SLM、SEM可以克服空间自相关性回归各种因素对房价影响程度，其缺陷是模型建立在以空间稳定性为前提的，但是任何公共服务设施对住宅价格影响均复合着正效应和负效应，只是二者表现比例不同而已，不存在真正的空间稳定.空间上的不稳定对于全域估计方法主要是体现在距离上，不同距离对住宅价格影响程度不同，为了避开模型存在的缺陷，使用空间计量方法时，在量化的方式上尽量采取以“密度”为量化的方式或者其它抛开以“距离”为量化的方式，这会更好符合模型使用的条件.

(2)通过文中住宿服务在会展中心、中央大街显著影响房价和省重点高中在中央大街、爱建区域对房价影响方向不同以及通达性在会展中心呈现负向影响房价，说明以“密度”为量化的方式相较于其它量化方式能更好地体现区位性特征.

(3)公共服务设施对房价影响虽然存在正效应与负效应，然而在一些仅有一种效应突出，另外一种效应表现不明显的情况下，虽然以“距离”为量化的方式存在偏差，但是相较于以“密度”为量化的方式更能反映微观情况.兼顾两种量化方法研究该问题具有互补意义.

(4)空间滞后模型(SLM)、空间误差模型(SEM)在研究该问题中具有明显深化问题认识意义的优势，但也要认识到无论采取何种量化方式来克服空间非稳定性，相较于以地理加权回归模型(Geographic Weighted Regression，GWR)为代表的局部估计方法在更微观尺度上仍存在不足.