特征价格模型方法应用的研究进展与展望

湛东升 周家乐 杨添涵 孟斌

［摘要］特征价格模型方法是房地产市场价格评估、预测及影响因素分析研究中经典且常用的工具，通过梳理特征价格模型的理论基础，运用文献计量方法全面分析其研究现状。研究发现：1）新消费者理论和市场均衡理论是特征价格模型的理论基础；2）特征价格模型已成为应用经济学、人文地理学和城市规划等多学科领域使用的重要方法；3）特征价格模型包括普通多元回归模型、空间回归模型、多层次模型和机器学习等方法；4）特征价格模型的解释变量主要由结构特征、邻里特征和区位特征3大维度构成，其他环境特征也逐渐受到关注，但特征变量的测度方法不同可能导致研究结论的差异；5）未来的特征价格模型应用研究应从完善理论分析框架、选择合适的模型方法、准确测度特征变量内涵和提升研究结论的普适性等方面进行改进。

［关键词］特征价格模型；房地产市场价格；文献计量；研究进展

［中图分类号］F 224［文献标志码］A［文章编号］10050310（2024）03004311

Research Progress and Prospects of the Application of

Hedonic Price Model

ZHAN  Dongsheng1， ZHOU  Jiale1， YANG  Tianhan1， MENG  Bin2

（1.School of Management/China Academy of Housing & Real Estate， Zhejiang University of Technology，

Hangzhou 310023，

China； 2.College of Applied Arts and Science， Beijing Union University， Beijing 100191， China）

Abstract：  The hedonic price model is a classic and frequently used method in the real estate market price evaluation， prediction and its influencing factors research. Based on the summary of the theoretical basis of hedonic price model， this paper analyzes the literature research situation of hedonic price model using bibliometrics method. Results show that： 1） The new consumer theory and the market equilibrium theory are the theoretical basis of hedonic price model; 2） The hedonic price model has become an important method in such multidisciplinary fields as applied economics， human geography and urban planning; 3） Hedonic price model includes multivariate liner regression model， spatial regression model， multilevel model， machine learning and etc.; 4） The explanatory variables of the hedonic price model are composed of three dimensions， namely， structural characteritics， neighborhood characteritics and location characteritics， but different definitions of explanatory variables may lead to varied conclusions; 5） Future research of hedonic price model application should be further improved from the aspects of perfecting the theoretical analysis framework， selecting suitable model methods， accurately measuring the connotation of explanatory variables and improving the generalization of research conclusions.

Keywords： hedonic price model；real estate market price；bibliometrics；research progress

0引言

住房是由一系列“特征束”構成的典型异质性商品，承载着广大市民的美好生活愿望，与城市居民身心健康、生活品质和家庭财富积累等人类福祉密切相关［1］。长期以来，房地产市场价格研究是国内外住房研究领域的核心议题，特征价格模型方法则是探讨房地产市场价格变动特征和影响因素的重要工具。自Lancaster和Rosen提出特征价格理论以来，应用研究得到长足发展，这对继续完善特征价格模型理论研究内容和科学指导房地产市场健康持续发展的地方实践均作出了重要贡献［23］。

特征价格模型的实质是将住宅产品价格分解为各类特征的隐含价格，测度消费者为每一个新增加的特征所额外支付的最高费用，即住房消费者的边际支付意愿。从研究内容来看，特征价格模型方法已在房地产市场价格评估、预测和影响因素研究中得到广泛应用，如编制城市房地产价格指数［4］、解析房地产市场价格影响因素［5］、评估各类特征变量的资本化效应等［6］。从研究方法来看，特征价格模型方法逐渐向多元回归模型、空间回归模型和多层次模型共同主导的多元化方法应用转变［7］。但仍有学者认为，当前特征价格模型的应用研究存在理论分析框架不完善、模型方法误设、特征变量测度方法偏颇等问题［8］。

在大数据时代，随着房地产数据的快速普及和特征价格拓展模型的不断演替，我们有必要对特征价格模型方法的应用研究成果进行理论总结，并促进其规范化使用，提出未来特征价格模型应用研究的优化改进方向，为科学编制城市房地产市场价格指数、解析房地产市场价格影响因素和度量各类特征变量的资本化效应等提供更有效的理论与方法支撑。

1特征价格模型的理论基础

1.1新消费者理论

传统的消费者理论认为，消费者消费商品是为了获得效用。Lancaster最早提出新消费者理论，他认为不是商品本身而是其个体特征创造了效用［2］。根据新消费者理论可知，消费者在不相同商品间作出选择，是根据自身消费属性偏好对不同商品客观属性的差异化反映。新消费者理论为房地产经济学发展奠定了坚实的理论基础。在房地产经济研究领域，消费者的住房消費行为一般遵循效用价格比最大化原则，住房价格主要由房屋的建筑特征、邻里特征和区位特征等一系列满足居民住房需求的特征变量所决定，可通过显示偏好法来估计商品需求或商品特征的隐含价格。

1.2市场均衡理论

特征价格模型反映某一特征在市场均衡状况下，差异化产品的隐含价格，特征变量系数代表边际支付意愿。Rosen分析了买方和卖方的选择以及市场长期均衡和短期均衡在特征价格模型中的作用，指出有效的特征价格分析框架是建立在严格的假设基础上，包括完全竞争、产品连续、市场均衡和全面观测产品特征等基本假设，但在现实情况中这些理想假设条件很难得到满足［3］。Rosen还提出产品特征市场供需均衡模型，如通过多元线性回归将产品特征的隐含价格分离出来，分析消费者对产品特征的需求和边际支付意愿，这为特征价格模型的快速发展和广泛应用提供了重要的理论支撑［9］。

2特征价格模型应用研究的文献计量分析

本文采用VOSviewer文献计量工具，对特征价格模型的研究进行作者共被引、关键词聚类和关联强度分析；采用CiteSpace软件进行时间线图谱和关键词突变分析。在国外，特征价格模型方法通常被表述为“hedonic price theory”或“hedonic price model”。在我国，这一方法被表述为“特征价格法”或“特征价格模型”。为了获取全面的文献数据，本文在Web of Science核心合集数据库中，以“hedonic price”为检索主题，截至2024年3月18日，共检索到3 620篇相关文献；在中国知网（CNKI）中，以“特征价格”为检索主题，截至2024年3月18日，共检索到882篇相关文献。

2.1特征价格模型应用研究的期刊来源和作者共被引分析

本文对国内外特征价格模型文献的期刊来源进行统计分析（见图1）发现，国外研究主要发表在Sustainability、Journal of Real Estate Finance and Economics、Land Use Policy、Regional Science and Urban Economics和Land Economics等学术期刊上，国内研究主要发表在《价格理论与实践》《中国房地产》《统计与决策》《建筑经济》《价格月刊》等学术期刊上，说明特征价格模型方法已被广泛应用于城市经济学、区域经济学和统计学等学科研究中。通过作者共被引分析发现，国外特征价格模型方法应用的研究以Zhang、Wen、Shimizu和Polyakov等学者为主；国内研究以温海珍、郑思齐、沈体雁和石薇等学者为主，他们的研究成果具有较强的影响力。

2.2特征价格模型应用研究的关键词聚类分析

本文采用VOSviewer对国内外特征价格模型相关研究的关键词进行聚类分析（见图2），同一颜色的关键词代表一个主题聚类。在国外的研究中，特征价格模型主题被划分为5个聚类。其中：第1个聚类以影响因子为重点，关键词包括影响、价值、设施、可达性、交通和开放空间等；第2个聚类与消费相关，关键词包括消费、感知、服务、意愿、品牌和信息技术等；第3个聚类聚焦市场方面，关键词包括质量、市场、属性、效率和声誉等；第4个聚类关注模型改进方面，关键词为享乐模型、空间权重回归、动态和回归等；第5个聚类涉及风险、重要性和成本方面的研究。

国内有关特征价格模型的研究主题也形成了5个聚类。其中：第1个聚类的研究重点是应用领域，关键词包括特征价格模型、房地产、土地价格、商品住宅、学区房溢价和租金等；第2个聚类是以特征价格法为核心的定价方法，关键词包括房地产价格指数、房价指数、住房价格指数和BoxCox变换等；第3个聚类关注影响效应，关键词为邻避效应、影响范围、时空效应和异质性等；第4个聚类涉及空间效应，关键词包括空间分异、空间分布、空间异质性、可达性和区位特征等；第5个聚类关注模型改进，关键词有多元线性回归、多元回归分析、空间误差模型、GIS和批量评估等。

对比国内外关于特征价格模型研究的关键词聚类情况后，本文发现国内外都注重对特征价格模型改进方面的研究。不同的是，国外研究更关注消费偏好、市场和影响因子，只有少数研究涉及风险控制；国内研究则更注重应用领域、定价方法和影响效应，且重点关注空间效应。

2.3特征价格模型应用研究的关键词时间线图谱

本文对特征价格模型应用研究的关键词进行时间线图谱分析后发现：国外关于特征价格模型的研究从大到小共生成六大聚类：整合型技术接受与使用理论模型（utaut2）、享乐回归（hedonic regression）、住宅价格（housing price）、财产价值（property values）、爱彼迎（Airbnb）、住宅市场（housing market）和需求（demand）。国内研究共生成七大聚类：住宅价格、房地产、特征价格、学区房、轨道交通、房价、影响因素和农产品。从关键词聚类来看，虽然国内外的应用研究主要围绕住宅价格展开，但侧重点略有不同。国外研究侧重住宅市场和需求，强调理论模型的融合，而国内研究更关注对住宅价格的影响因素，还将特征价格模型的应用扩展至学区房和农产品领域。

2.4特征价格模型应用研究的关键词突变分析

本文对特征价格模型应用研究的关键词进行了突变分析，图3直观地展示了国内外特征价格模型相关研究关键词的突变过程、突现强度和持续时间。

从突变过程来看，国外研究大致分为3个阶段：第一阶段（2000—2003年）关注构建特征价格函数，该阶段突现的关键词有需求（demand）、函数形式（functional form）、享乐价格（hedonic prices）、指数（index）、选择（choice）和价格指数（price index）；第二阶段（2004—2018年）重点关注价值评估，突现的关键词有质量（quality）、利益（benefits）、条件估值（contingent valuation）、偏好（preferences）和住房价值（housing value）等；第三階段（2019—2022年）重点研究数字经济，突现的关键词涉及共享经济（sharing economy）、信息技术（information technology）、统一理论（unified theory）、用户接受（user acceptance）和机器学习（machine learning）等。国内研究同样分为3个阶段：第一阶段（2000—2011年）为特征价格的应用领域，突现的关键词包括价格指数、住宅特征、特征价格、写字楼、商品房和房地产等；第二阶段（2012—2017年）重点关注居住要素的资本化效应，突现的关键词有土地价格、轨道交通、学区房、地铁、影响因素、资本化和溢价等；第三阶段（2018—2021年）以空间特征和价值评估为研究重点，可达性、空间分异、批量评估和价值评估等都是该阶段突现的关键词。

从突现强度来看，国外研究中，需求（demand）一词的突现强度最高，为25.10；其次是函数形式（functional form）和享乐价格（hedonic prices），分别为18.26和15.86；指数（index）、统一理论（unified theory）、采用（adoption）和选择（choice）等关键词的突现强度也相对较高，均超过12。相比之下，国内研究的关键词突现强度相对较低。最高的特征价格仅为5.49；影响因素、学区房和空间分异的突现强度分别为4.93、4.14和3.41；价格指数、土地价格、轨道交通、房价和民宿价格等关键词的突现强度达到2以上。

从持续时间来看，国外研究围绕享乐价格（hedonic prices）和函数形式（functional form）的前沿研究持续时间最长，分别达到14年和13年；对需求（demand）和价格指数（price index）的前沿研究持续时间都超过了10年。对比之下，国内前沿研究的持续时间相对较短，有关价格指数的前沿研究从2003年持续至2012年；有关影响因素、特征价格、房价和邻避设施等的前沿研究，仅持续了4～5年。

3特征价格模型的拓展

根据上述分析可知，特征价格模型的改进已成为国内外学者共同关注的焦点，也是该模型未来重要的研究方向。本文重点分析该模型的拓展情况，在总结已有研究成果的基础上，将特征价格模型的拓展概括为普通多元回归模型、空间回归模型、多层次模型、机器学习4个主要阶段（见表1），表1概括了各种特征价格模型的适用条件和模型优势。

3.1普通多元回归模型

基于最小二乘（ordinary least squares，OLS）估计方法的普通多元回归模型及其延伸变化模型是特征价格模型应用研究中最常用的回归方程形式，主要包括线性模型、对数模型、BoxCox变换模型和双重差分模型等。普通多元回归模型适用于样本独立且正态分布的情况，其函数形式简单，结果易于解释，但由于城市房地产市场价格不完全符合正态分布，常会违背多元回归建模的基本假设，在实际研究分析中对数模型更为常用。BoxCox变换模型有助于改进数据的正态性、对称性和方差齐性，进而改变模型结构，提高拟合度。当实验组和对照组在干预前变化趋势相近，干预后存在显著差异的情况下，双重差分模型能有效捕捉事件带来的影响，可以有效克服遗漏变量导致的内生性问题。

3.2空间回归模型

随着空间计量方法在各个领域的应用，有研究发现房地产市场价格存在明显的空间效应，即空间依赖性和空间异质性。因此，众多学者开始运用空间回归模型探讨城市房地产价格的影响因素［5，7，10.11］。空间特征参数是该阶段特征价格模型改进的最大特点，采用空间特征价格模型估计所得到的特征参数隐含价格更为精准，且模型的拟合优度更高。在处理空间依赖性方面，常用的空间回归模型包括空间滞后模型（spatial lag model，SLM）、空间误差模型（spatial error model，SEM）、空间杜宾模型（spatial durbin model，SDM）等。SLM模型能够有效处理被解释变量的空间溢出效应；SEM模型能够解决误差项存在空间关联性的问题；SDM模型在解释变量和被解释变量中均存在空间溢出效应，显得更为适用。在解决空间异质性方面，常用的空间回归模型包括地理加权回归模型（geographical weighted regression，GWR）、多尺度地理加权回归模型（multiscale geographically weighted regression，MGWR）、时空地理加权回归模型（geographical and temporal weighted regression，GTWR）等。GWR模型能揭示特征因素的空间异质性影响，MGWR模型在此基础上还能考虑不同影响因素的作用尺度差异; GTWR模型能同时识别影响因素的空间异质性和时间异质性。

3.3多层次模型

研究发现住房市场的房价研究在数据结构上常常表现为多尺度结构嵌套关系，高层次变量的存在或变化会影响低层次变量，普通多元回归模型和空间回归模型无法有效分离不同层级变量的影响差异。为解决这一问题，研究者引入了多层次模型（multilevel model，MLM）［12］。MLM是专门处理多空间尺度嵌套结构数据的回归模型，该模型可以避免同一空间单元内部房价由于样本不独立而造成参数估计结果偏误［1314］。MLM还可以与空间回归模型相结合，进一步拓展为空间多层次模型（spatial multilevel model，SMLM），這样既考虑了多层次数据结构嵌套特征，又解决了地理单元背景效应的空间依赖性问题［15］，更准确地测度不同层级解释变量对房地产市场价格的影响。

3.4机器学习

随着大数据时代的到来，大数据在房地产市场中的应用备受关注。海量的房地产交易数据和价格评估中涉及的多种特征变量，以及变量与房价之间的复杂非线性关系，给传统的房地产价格评估技术带来了新的挑战［16］。有学者将以随机森林模型（random forest，RF）和神经网络模型（neural network，NN）为代表的机器学习方法引入房地产价格评估领域，有效克服了上述局限［1718］。机器学习是一种通过先验信息提升模型能力的方式，可以更高效地探索变量之间的关系，并进行更精准的预测［19］。其中，RF能够处理大量非独立或非线性预测因子，且对多元共线性不敏感，预测结果具有较高的准确性和稳健性。NN可对非线性可微分函数进行权值训练，能够并行分布处理、存储及学习，做到充分逼近复杂的非线性关系，其结果具有高度的稳健性和容错能力。

4特征价格模型的解释变量选取与测度

4.1解释变量选取

特征价格模型的传统解释变量主要由结构特征、邻里特征和区位特征三大维度构成［2］，还有研究在此基础上引入了其他目标对象的可达性或环境特征，如就业可达性［33］、土地混合利用度［34］、环境污染［35］等。

4.1.1结构特征

结构特征如房屋内部结构、功能或品质等建筑属性都影响着房地产市场价格。随着人民居住环境和生活条件的不断改善，学者对影响住房价格的研究从传统的住宅面积、卧室和卫生间数量、地下室或车库、供暖和热水系统、朝向、楼层、容积率、房龄和建筑质量等基本结构特征，逐渐转向装修质量和开发商品牌等特征。一套拥有宽敞空间、完备设施、良好装修和知名品牌等特征属性的住宅，其价格通常较高［36］。但是，也有研究显示，住宅面积和楼层等特征变量对房地产市场价格的影响往往是非线性或不确定的［7］。

4.1.2邻里特征

邻里特征是指对房地产市场价格产生影响的住宅邻里附近的物理环境和社会环境等特征。从研究趋势来看，居民选择住房时从注重公共服务设施和经营性设施等物理环境的可达性，

逐渐转向自然景观和邻里社会特征。常见的公共服务设施变量包括医疗、教育、文化、养老和宗教等，经营性设施包括餐饮、金融和休闲娱乐等。相关研究发现，良好的公共服务设施或经营性设施有利于提高住宅的销售价格或租金［37］。此外，还有学者发现邻里社会环境与区域房价之间也存在一定的关联。邻里社会环境一般是指个体或集体在邻里交往和邻里空间中获取社会资源的状态［38］。较低的邻里犯罪率和较高的邻里社会经济地位都与高房价有关［14］。较高人口密度和就业密度可能带来更多的居住需求和就业机会，同样有可能提高当地房价［25］。随着现代都市人对自然景观重视程度的大幅提升［12，17］，园林绿化和滨水景观更符合城市居民对安全、健康、宜居环境的要求和对美好生活的向往［39］。因此，街景绿化、垂直绿化、滨水空间等自然景观都成为推动房价的关键因素［36，40］。

4.1.3区位特征

区位特征经常被认为是影响房地产市场价格的关键因素，它反映了住宅地理位置的优劣对住房价格的影响。这些特征包括距离市中心的远近、公共交通的可达性、与高速公路或主干道的接近度，以及与火车站或机场的距离等。诸多研究显示，到市中心的距离和公共交通可达性的改善对房地产市场价格会产生积极影响［4142］，而对与高速公路或主干道的接近度、到达火车站或机场的距离等大型城际交通基础设施的影响尚不明确［37，43］，这些基础设施的影响效果取决于它们对当地居民产生的正负向综合外部性效应以及最终的净效用。随着低碳绿色和健康出行等理念的普及，步行体验日益成为城市居民日常生活的重要组成部分，对居住环境可步行性的评价变得愈发重要［44］。因此，相关研究发现居民从重视公共服务设施的可达性逐渐转向街区的可步行性［42］。社区内日常服务设施的多样性和空间布局的优化有助于改善步行出行的便捷性和舒适性。可步行性不仅反映了社区设施的服务水平，而且良好的可步行性意味着社区服务设施完善，有助于改善人居环境，提高房价［42，44］。

4.1.4其他特征

除了上述常见的三大维度特征解释变量外，房地产市场价格也会受到其他目标对象可达性或环境特征变量的影响。例如，部分学者运用特征价格模型方法，探讨了环境污染（空气和噪声污染）［35］、邻避设施（核电站、垃圾填埋场）［45］、洪涝灾害［46］、地区创新活力［47］、多中心空间结构［48］、就业可达性［33］、土地利用混合度［34］、社交媒体大数据［49］等特征因素与房地产市场价格的关系。研究表明，环境污染、邻避设施和洪涝灾害等负外部性因素容易对住宅价格产生显著的负面影响；相反，创新活力、城市次中心、就业可达性、土地混合利用、社交媒体情感评价等有利条件可显著提升住宅价格。

综合来看，影响城市房地产市场价格的特征因素种类较多，不同实证研究发现的房价或租金影响因素各异，甚至同一特征变量对不同城市或同一城市内部不同地区房价和租金的影响强度和方向也可能存在差异。这与不同特征价格模型应用研究中的研究区域和研究空间尺度选择、数据来源、模型方法的选取以及特征变量的定义与测度方法等存在差异有关。

4.2特征变量测度方法

在研究住宅市场产品差异的过程中发现，对不同特征变量内涵理解的差异直接影响其测度方法，特征变量的常用定义或测度方式包括以下3个方面（见表2）：1）特征有无。主要表示住宅市场产品有无某项特征属性，如厨卫设施、车库、山景、湖景、1公里范围内是否有学校或公共交通站点等。该类特征变量主要用虚拟变量表示。2）特征数量。主要反映住房市场产品拥有某项特征的量纲大小，如楼层、居住面积、人口和就业密度、人口结构、空气和噪声污染、土地利用混合度等。该类特征变量更适合采用连续变量进行直接度量。3）特征可達性。主要测度邻里设施或区位特征的可达性，如公共服务设施可达性、到市中心的距离、到火车站或飞机场的距离等。可达性的测度方法较为多样，包括最短距离可达性、累计机会可达性、缓冲区分析和核密度分析等不同方法，主要以连续变量形式进行度量。部分研究在可达性测度的基础上进行等级赋分处理，使其变为等级有序变量［50］。

5研究展望

5.1完善特征价格模型研究的理论框架

新消费者理论和市场均衡理论是特征价格模型方法应用研究的重要理论基础，但有不少研究忽略了房地产市场供需均衡的基本假设前提，研究过程和使用方法不够规范和严谨。从研究对象来看，现有的特征价格模型应用研究主要考虑房屋的结构特征、邻里特征和区位特征等传统因素，对于旧城改造、学区调整、城市空间结构、邻里社会经济活力、邻里社会文化环境等新兴环境特征和政策因素的研究相对较少，这些新兴因素对房地产市场价格的资本化效应研究较为缺乏。未来的研究应重点关注这些新兴环境因素或政策实验冲击对房地产市场价格的潜在影响，不断深化特征价格模型应用研究的理论内容。同时，加强居民对不同特征变量的边际支付意愿分析，为掌握城市房地产市场价格动态变化，以及合理估算各类特征变量的市场化价值提供科学依据。

5.2选择合适的特征价格模型方法

纵观过去的特征价格模型应用研究，由于原始数据的特征和研究目标等不同，学者采用了各式各样的特征价格模型方程，但缺乏统一固定的研究方法，导致同一研究区域的研究结论可能大相径庭。因此，未来的研究还应结合样本数据特征，选择最合适的特征价格模型方程，以提高模型估计结果的精确性。如果房地产市场价格原始数据存在非正态分布或异方差等特征，应优先选择对数模型或BoxCox变换模型；如果房地产市场价格存在空间溢出效应，应选择能够处理空间依赖性或空间异质性的空间特征价格模型方程；如果研究对象的住房子市场分化比较明显，抑或房地产市场价格数据存在典型的嵌套结构，以多层次模型或空间多层次模型为基础的特征价格模型方程为首选方法；如果影响因子存在非独立性、非线性或多元共线性的情况，机器学习则为较优选。鉴于房地产市场价格在不同空间尺度均存在显著的空间依赖性和空间异质性等空间效应，未来的研究应加强空间特征价格模型，尤其是空间特征模型和多层次模型相结合的应用和推广。此外，面对数据量庞大、影响因子多样的情况，还可采用随机森林或神经网络等机器学习方法提高预测结果的准确性和稳健性。

5.3规范特征变量的测度方法

特征变量的内涵界定和测度方法不同，是导致特征价格模型方法应用研究结果差异的重要潜在因素之一。对于结构特征解释变量的内涵界定和测度方法通常较为明晰，主要采用虚拟变量或连续变量直接计数等方式进行度量。但是，度量公共服务设施等邻里特征可达性的测度方法较多，包括最短距离可达性、累计机会可达性、缓冲区分析、重力模型和两步移动搜索可达性等

。因此，关于公共服务设施等邻里特征可达性测度方法的合理性争议最大。现有的特征价格模型应用研究主要以最短距离可达性或累计机会可达性等简易测度方法为主，较少考虑设施供给和需求竞争对公共服务设施可达性服务品质带来的潜在影响。未来的研究应该考虑设施供给需求竞争以及不同类型或等级公共服务设施实际服务半径的影响，从而更精准地测度公共服务设施可达性对房地产市场价格的影响。同时，加强不同可达性测度方法对房地产市场价格影响的敏感性分析，得到更科学合理的参数估计值。

5.4提高研究结论的普适性

住宅产品是一种具有典型异质性特征的商品，不同地区居民对住宅消费的偏好存在差异性，导致同一特征解释变量对不同地区房地产市场价格的影响强度和方向均存在一定程度的差异。但现有研究大部分只关注住宅销售价格评估和影响因素分析，对住房租赁市场价格评估及其影响因素的研究相对不足，尤其是针对住房销售价格和住宅租赁价格影响因素的对比研究和影响机制分析较为欠缺。因此，未来不仅需要加强特征价格模型在中国住房租赁市场上的应用，尤其是在长租公寓中的应用，并加强对租购市场影响因素的对比分析。同时，还应加强特征变量与国内外研究结果的对比分析，深入分析各地特征变量对房地产市场价格的影响机制，进一步提升实证研究的理论贡献。此外，采用元分析方法来探讨各类特征变量对房地产市场价格的影响效应大小，以获得特征变量对各类房地产市场价格影响的一般化效应，从而提升特征变量研究结论的普适性。

［参考文献］

［1］ZHANG F，ZHANG C Y，HUDSON J.Housing conditions and life satisfaction in urban China［J］.Cities，2018（81）：35-44.

［2］LANCASTER K J.A new approach to consumer theory［J］.The Journal of Political Economy，1966，74（2）：132-157.

［3］ROSEN S. Hedonic prices and implicit markets：product differentiation in pure competitions［J］.Journal of Political Economy，1974（72）：34-55.

［4］石薇，王洪卫，谷卿德.运用分位回归特征价格模型构建住房价格指数［J］.统计与决策，2015（4）：9-12.

［5］沈体雁，于瀚辰，周麟，等.北京市二手住宅价格影响机制——基于多尺度地理加权回归模型（MGWR）的研究［J］.经济地理，2020，40（3）：75-83.

［6］温海珍，李旭宁，张凌.城市景观对住宅价格的影响——以杭州市为例［J］.地理研究，2012，31（10）：1806-1814.

［7］古恒宇，沈体雁，周麟，等.基于GWR和sDNA模型的广州市路网形态对住宅价格影响的时空分析［J］.经济地理，2018，38（3）：82-91.

［8］KANG C D.Effects of spatial access to neighborhood landuse density on housing prices：evidence from a multilevel hedonic analysis in Seoul， South Korea［J］.Environment and Planning Burban Analytics and City Science，2019，46（4）：603-625.

［9］郭文刚，崔新明，温海珍.城市住宅特征价格分析：对杭州市的实证研究 ［J］.经济地理，2006（S1）：172-175.

［10］BOENNEC L R，BULTEAU J，FEUILLET T.The role of commuter rail accessibility in the formation of residential land values： exploring spatial heterogeneity in periurban and remote areas ［J］.Annals of Regional Science，2022，69（1）：163-186.

［11］HUANG B，WU B，BARRY M.Geographically and temporally

weighted regression for modeling spatiotemporal variation in house prices［J］.International Journal of Geographical Information Science，2010，24（3）：383-401.

［12］GLAESENER M L，CARUSO G.Neighborhood green and services diversity effects on land prices： evidence from a multilevel hedonic analysis in Luxembourg［J］.Landscape and Urban Planning，2015（143）：100-111.

［13］DUNCAN C，JONES K，MOON G.Context，composition and heterogeneity： using multilevel models in health research［J］.Social Science & Medicine，1998，46（1）：97-117.

［14］GUO B Y，LI K N，FU C.Utilizing multilevel modeling to measure neighborhood dynamics and their impact on house prices［J］.Applied SciencesBasel，2023，13（8）：5180.

［15］DONG G P，MA J，HARRIS R， et al.Spatial random slope multilevel modeling using multivariate conditional autoregressive models： a case study of subjective travel satisfaction in Beijing［J］.Annals of the American Association of Geographers，2016，106（1）：19-35.

［16］陳诗沁，王洪伟.基于机器学习的房地产批量评估模型［J］.统计与决策，2020，36（9）：181-185.

［17］宋伟轩，王捷凯，金荷仙，等.城市景观绅士化社会空间特征、机制与效应——以南京为例［J］.经济地理，2023，43（11）：104-114.

［18］XU X J，ZHANG Y.Residential housing price index forecasting via neural networks［J］.Neural Computing & Applications，2022，34（17）：14763-14776.

［19］石荣，张特，杨国涛.计量经济学中的机器学习方法：回顾与展望［J］.统计与决策，2024，40（1）：52-56.

［20］CZEMBROWSKI P，KRONENBERG J.Hedonic pricing and different urban green space types and sizes：insights into the discussion on valuing ecosystem services［J］.Landscape and Urban Planning，2016（146）：11-19.

［21］YANG L C，CHU X L，GOU Z H，et al.Accessibility and proximity effects of bus rapid transit on housing prices：heterogeneity across price quantiles and space［J］.Journal of Transport Geography，2020（88）：102850.

［22］羅琳，杨喜平，李继园.西安市二手房价格的影响因素及空间异质性［J］.地域研究与开发，2023，42（4）：57-63.

［23］YANG L C，LIANG Y，HE B J， et al.COVID19 effects on property markets： the pandemic decreases the implicit price of metro accessibility［J］.Tunnelling and Underground Space Technology，2022（125）：104528.

［24］祁炜.城市住宅价格指数编制方法探讨［J］.统计与决策，2018，34（7）：37-40.

［25］YANG L C，WANG B，ZHOU J P，et al.Walking accessibility and property prices［J］.Transportation Research Part DTransport and Environment，2018（62）：551-562.

［26］黄晓燕，谭玮宝，康晨晨，等.“租购同权”政策对学区房溢价的影响研究——基于空间特征价格模型的广州实证［J］.人文地理，2022，37（5）：42-52.

［27］ZHANG Y，ZHANG D C，MILLER E J.Spatial autoregressive analysis and modeling of housing prices in city of Toronto［J］.Journal of Urban Planning and Development，2021，147（1）：05021003.

［28］温海珍，张之礼，张凌.基于空间计量模型的住宅价格空间效应实证分析：以杭州市为例［J］.系统工程理论与实践，2011，31（9）：1661-1667.

［29］赵伟，钟满.城中村对周边商品住房租金的影响及空间效应［J］.城市问题，2023（8）：54-62.

［30］EFTHYMIOU D ANTONIOU C.How do transport infrastructure and policies affect house prices and rents？ Evidence from Athens， Greece［J］.Transportation Research Part Apolicy and Practice， 2013（52）：1-22.

［31］LIU J P，YANG Y，XU S H，et al.A geographically temporal weighted regression approach with travel distance for house price estimation［J］.Entropy，2016，18（8）：303.

［32］LI X，CHEN W Y，CHO F H T，et al.Bringing the vertical dimension into a planar multilevel autoregressive model：a citylevel hedonic analysis of homebuyers utilities and urban river attributes［J］.Science of the Total Environment，2021（772）：145547.

［33］ATUESTA L H，IBARRAOLIVO J E，LOZANOGRACIA N，et al.Access to employment and property values in Mexico［J］.Regional Science and Urban Economics，2018（70）：142-154.

［34］KOSTER H R A，ROUWENDAL J.The impact of mixed land use on residential property values［J］.Journal of Regional Science，2012，52（5）：733-761.

［35］BOENNEC L R，SALLADARRE F.The impact of air pollution and noise on the real estate market.The case of the 2013 European green capital： Nantes， France［J］.Ecological Economics，2017（138）：82-89.

［36］YAMAGATA Y，MURAKAMI D，YOSHIDA T，et al.Value of urban views in a bay city：hedonic analysis with the spatial multilevel additive regression （SMAR） model［J］.Landscape and Urban Planning，2016（151）：89-102.

［37］LI H，CHEN P J，GRANT R.Built environment，special economic zone， and housing prices in Shenzhen，China［J］.Applied Geography，2021（129）：102429.

［38］康雷，张文忠.邻里社会环境对居民幸福感的影响——以北京典型低收入社区为例［J］.地域研究与开发，2021，40（3）：50-5.

［39］冷红，陈天，何宝杰，等.气候适应性与空间品质提升［J］.城市规划，2023，47（11）：46-50.

［40］温海珍，卜晓庆，秦中伏.城市湖景对住宅价格的空间影响——以杭州西湖为例［J］.经济地理，2012，32（11）：58-64.

［41］冯友建，陈天一.基于SEM模型的轨道交通对住宅价格的空间效应——以杭州市为例［J］.浙江大学学报（理学版），2020，47（1）：115-122.

［42］杨林川，张衔春，洪世键，等.公共服务设施步行可达性对住宅价格的影响——基于累积机会的可达性度量方法［J］.南方经济，2016（1）：57-70.

［43］SEO K，GOLUB A，KUBY M.Combined impacts of highways and light rail transit on residential property values：a spatial hedonic price model for

phoenix， Arizona［J］.Journal of Transport Geography，2014（41）：53-62.

［44］孙光华.基于多源大数据的城市街道可步行性评价研究——以南京市中心城区为例［J］.现代城市研究，2020（11）：34-41.

［45］HITE D，CHERN W，HITZHUSEN F，et al.Propertyvalue impacts of an environmental disamenity：the case of landfills［J］.Journal of Real Estate Finance and Economics，2001，22（2-3）：185-202.

［46］ZHANG L，LEONARD T.Flood hazards impact on neighborhood house prices［J］.Journal of Real Estate Finance and Economics，2019， 58（4）：656-674.

［47］WU K M， WANG Y，ZHANG H O，et al.On innovation capitalization：

empirical evidence from Guangzhou， China［J］.Habitat International，2021（109）：102323.

［48］WEN H Z， TAO Y L.Polycentric urban structure and housing price in the transitional China： evidence from Hangzhou［J］.Habitat International，2015（46）：138-146.

［49］TAN M J，GUAN C H.Are people happier in locations of high property value？ Spatial temporal analytics of activity frequency， public sentiment and housing price using twitter data［J］.Applied Geography，2021（132）：102474.

［50］賈生华，温海珍.房地产特征价格模型的理论发展及其应用［J］.外国经济与管理，2004（5）：42-44.