工业遗产改造对周边住宅价格的溢出价值研究——以合钢厂为例

■ 赵沁娜 李 航

（1.合肥工业大学管理学院，安徽合肥230009;2.合肥工业大学产业转移与创新发展研究中心，安徽合肥 230009）

一、引言

作为老旧城区改造、城市更新的重要组成部分，工业遗产的保护与再利用已经得到了世界各国的高度重视[1][2]。我国自2006年以来，逐步出台了《关于加强工业遗产的保护通知》《国家工业遗产管理暂行办法》等系列文件来指导和规范工业遗产管理。特别是2021年5月《推进工业文化发展实施方案（2021-2025年）》的出台进一步明确了“提高工业遗产保护利用水平是未来五年要完成的重点任务之一，力争在资源整合、要素供给、项目实施等方面推动形成政策合力”。可以预见，伴随着城市转型发展和传统产业改造升级进程加快，工业遗产保护利用正进入重要的提升阶段。

从诸多工业遗产保护和利用实践来看，工业遗产大多都以改造成文化创意园区为主。如，北京798艺术区、沈阳1905 文化创意园等，已经成功实现从“工业锈带”到“生活秀带”转变，实现了价值保留和增值[3]。改造后的工业遗产不仅保留了其历史价值、文化价值、技术价值等固有价值，还提供工业旅游、工业科研、改善环境和调节生态等功能，进而带动周边地区经济发展以及居民生活满意度的提高，反映在资本市场上就是消费者出于“舒适性”的考虑会根据自己收入和偏好愿意支付更高的费用来购买工业遗产周边的住宅，进而表现为工业遗产改造对周边住宅市场具有明显的增值效应。

众所周知，老旧城区改造、城市更新往往需要投入大量的财政资金，而适宜恰当地评估这部分溢出效应将有助于政府有效地进行财政资源分配[4]。从已有文献来看，学者们往往会通过衡量其存在或改造后对周边住宅市场的影响来表征。传统房地产评估方法预测住宅价格及其走势有局限性，而BP 神经网络具有能够高效率地处理非线性问题，降低主观随意性等特点，本文以马钢（合肥）钢铁公司工业遗产（2018年认定为第二批国家工业遗产，尚待改造）为研究对象，尝试将BP 神经网络法和Hedonic 模型相结合，假设合钢厂未来改造为文化创意产业用途的情境下，预测其对周边住宅市场的溢出价值。本文的研究可以进一步丰富工业遗产改造的经济社会效益评价方法，为工业遗产保护与管理部门决策提供依据。

二、文献综述

学者们普遍认为工业遗产的保护与再利用有助于改善城市居民的居住环境，提高城市生活质量、公共安全以及城市形象，具有典型的正外部性[5]。国内外不乏有关于环境改善对住宅价格影响的研究成果，诸如环境治理、城中村改造、棕地再开发等，研究方法上也以特征价格法应用最为广泛。如，Michael Boyle 等早在1996年就以缅因州的34 个湖泊为研究对象，发现水体透明度改善1 公里平均会周边房价带来11-200 美元的溢价[6]。Kaufman（2006）等定量估算棕色地块改造成为公共绿地后对周边住宅可能产生的升值效应[7]。Zhang et al.（2016）研究了 2008年北京奥运期间城中村拆除对周边住宅价格的影响，结果表明城中村拆除后给周边住房价格带来约 3-4%的溢价[8]。刘彩霞（2019）在 Hedonic 模型的基础上运用双重差分法，研究了城市更新对商品房市场的溢出效应。结果表明城中村改造后周边住房价格平均上升了2.32%，且城中村改造的外部性空间上呈现距离衰减趋势，在时间上呈现逐步推进趋势[9]。黄忠华等（2019）研究发现杭州市的城市更新项目在建设期和运营期对周边住房价格分别产生28.6%和32%的溢价[10]。王优容（2020）以北京市海淀区棚户区改造为研究对象，使用双重差分法研究棚户区改造项目对周边住房价格的溢出效应，研究发现棚户区的搬迁和重建有助于改善周边环境从而提高周边住房价格，存在正的溢出效应，但是也存在负的阶段效应[11]。

通过文献梳理，我们发现最早将调整价格法应用到文化遗产领域的是学者Ford。1989年，Ford通过比较分析巴尔的摩的历史街区比非历史街区的房产交易数据，发现位于历史街区的房产获得了溢价[12]。Asabere 和Huffman（1994）的研究结果表明，位于联邦认证的历史街区的住宅比其他地区的房产售价高出26%[13]。Ruijgrok（2006）则发现建筑物及其周边环境的历史文化特征会带来15%的溢价[14]。Koster 和Rouwendal （2017）研究了公共投资对历史建筑翻新和维护的经济影响，显示每平方公里投资增加100 万欧元会导致房价上涨1.5%-3%[15]。Mark van Duijn（2016）采用了双重差分的特征价格法分析了荷兰36 个工业遗产改造项目对周边住宅价格的时间和空间效应，发现工业遗产项目完成改造后，会给周边住宅价格带来积极的正面效应[16]。Liu（2020）通过双重差分特征价格模型对荷兰42 个宗教遗产再利用项目为样本进行研究，发现房价的影响会随着距离宗教遗产的远近而降低[17]。学者Jayantha Wadu Mesthrigea（2018）的研究结果则不尽相同，认为工业建筑无论是再利用还是完全改建，都不会对周边住宅价格产生正向效应[18]。

总结国内外文献研究成果，我们发现已有研究对人文景观、历史文化遗产的经济价值量化居多，而对工业遗产及其改造后的溢出效应进行货币化量化的研究涉及比较少，研究亟待进一步深入。基于此，本文尝试构建以特征价格模型为基础，利用BP神经网络法为基本分析手段，利用合肥市已完成改造的用于为文化创意产业的工业遗产项目实际带来的溢出效应进行效益转移，来预测合钢厂改造后对周边住宅价格带来的溢价。

三、研究方法

（一）特征价格法

依据Rosen（1974）提出的特征价格法，影响住宅价格的主要因素主要包括三大类：区位特征（L）、建筑结构（S）和邻里环境（N）。本文采集合肥市已经改造成功的工业遗产周边2km 范围内的楼盘样本数据（见表1），利用特征价格法对样本数据进行回归分析，得出住宅价格与改造后的工业遗产距离之间的弹性价格，即在诸多影响因素共同作用下，与改造后的工业遗产的距离对住宅价格的贡献。同时将剔除不显著特征变量后的数据集作为BP 神经网络模型训练样本数据。

表1 特征变量的选取

（二）人工神经网络法

人工神经网络法（Artificial Neural Network，ANN）是人们模仿人脑神经网络的结构和功能，人工构造的信息处理系统或数学模型。其中，BP 神经网络是使用最为广泛的神经网络之一。BP 神经网络是一种多层前馈网络，通过对网络中所有权重计算损失函数的梯度，反馈给最优化方法，用于更新权值以最小化损失函数，迭代进行以上过程知道网络对输入的响应达到满意的预定目标范围为止[19]。

我们将上述剔除不显著特征变量后的数据集作为BP 神经网络模型训练样本，抽取100 份样本，一部分样本对BP 神经网络模型进行自我学习和多次训练，另一部分用来检测该模型的准确性与可靠性。利用训练好的BP 神经网络模型，预测合钢厂未来改造后对周边住宅市场的溢出价值。图1为本文的研究方法。

图1 本文的研究方法

四、研究对象和数据采集

（一）研究对象

近些年来，随着合肥市推行“退二进三” 的产业结构调整，导致大批老工业厂区废置、传统工业衰退，不少企业“关、停、并、转”，未被界定为文物的工业建筑物正急速消失等。这些工业遗产不仅是合肥市文脉的重要构成，也是合肥市发展的重要见证，具有十分重要的价值。合钢厂位于合肥市东部新中心的核心区域，历经了六十多年的调整和改革，2015年响应国家去产能政策而关停。但合钢厂内的生产设施和建构筑物都基本得以保留，社会各界都提议将合钢厂进行保护和再利用。2018年，合钢厂被认定为第二批国家工业遗产，这表明将来合钢厂将会被保护并改造，使得老一辈合肥人对钢铁的记忆得以保存，具有很高的历史价值和文化价值。

（二）数据采集

（1）住宅挂牌数据。本文选择了合肥四个改造为文化创意产业用途的工业遗产项目：合柴1972、合肥1958 艺术博物馆、火车头剧场、长江180 艺术街区，为研究对象（见表2）。采用后羿phion 软件在链家二手房板块对“住宅均价”“建筑面积”“物业费”“容积率”等特征进行采集；同时整理了房屋的一些建筑特征如朝向、楼层和房屋周边的“生活配套”“教育配套”“交通”等特征并进行打分。在剔除了特征因素不完整和重复的房源数据之后，本文在spss 软件中利用常规的Z 分标准化法对处理后的这些数据做了异常值剔除，最终得到了334 个住宅小区的8434 组房源样本数据。

表2 合肥已改造和再利用的工业遗产

（2）电子地图数据。本文主要利用百度地图的定位和测距功能来完成距离数据的采集，包括各住宅小区至CBD、商圈、公园、地铁以及工业遗产的距离。

所有变量的说明与描述性统计分析见表3。

表3 变量说明与描述性统计

续表

五、实证结果分析

（一）特征价格模型回归结果

表4为OLS 模型回归结果，调整后为0.6461，F值为856.4875，且在1%的水平下显著，说明模型拟合优度较好。由研究结果可以看出，除了公交距离和商圈距离以外，其余变量均通过了1%水平下的显著性检验，且大部分特征变量的相关性系数符号与预期相同。剔除“公交距离”和“商圈距离”两个不显著特征变量后的数据集作为BP 神经网络模型训练样本。本文重点关注变量“距工业遗产的距离”在1%的水平下表明显著，回归系数为-0.0964，表明工业遗产改造对周边住宅市场具有显著的正向效应，可以带来9.19%的溢价①半弹性系数=（e 回归系数-1）×100%。

表4 OLS 模型回归结果

续表

（二）BP 神经网络预测结果

在上述剔除“公交距离”和“商圈距离”两个不显著特征变量后的数据后，集中抽取了100 份样本。80 个样本作为神经网络模型的训练集，20 个样本作为神经网络的测试集。输入变量为每个样本数据的量化标准值，输出变量为住宅价格。从模型输出的结果来看（见图2），平均绝对百分比误差为2.55%，相关系数R=0.8624，R2=0.7437，可见BP 神经网络模型的预测效果较好。

图2 BP 神经网络训练结果

根据前文表1所列的住宅价格特征变量，本文采集了尚待改造的合钢厂周边2km 范围内的12 个住宅小区110 组房源样本，样本的描述性统计见表5。

表5 合钢厂周边2km 样本房源变量的描述性统计

续表

本文利用训练好的神经网络模型，预测出未来合钢厂经过改造后周边2km 范围12 个住宅小区110个样本房源总价值为13 746.59 万元。根据前文研究结果，其中有9.19%的增值收益是来源于工业遗产改造的溢出价值内嵌。故未来合钢厂改造后给样本房源带来的溢出价值为13 476.59×9.19%=1 238.50万元。

六、结论

工业遗产改造能够有效地改善城市人居环境，带动周边地区经济发展以及居民生活满意度的提高，反映在资本市场上就是工业遗产改造对周边住宅市场具有明显的增值效应。本文重点观察了尚待改造的合钢厂未来改造用于文化创意产业情境下对周边住宅市场的溢出价值。研究表明合肥市已改造为文化创意产业用途的工业遗产项目对周边住宅市场的溢价的平均水平为9.19%。在此基础上，运用BP 神经网络法预测合钢厂未来改造后对周边2km 范围内12 个住宅小区110 个样本房源的溢出价值约为1 238.50 万元。本文的研究可以进一步丰富工业遗产改造的经济和社会效益评价方法，从而为工业遗产保护与管理部门的决策提供依据。