礦業城市商品住宅價格影響因素研究

趙華平，張所地

（山西財經大學管理科學與工程學院，山西 太原 030031）

礦業城市商品住宅價格影響因素研究

趙華平，張所地

（山西財經大學管理科學與工程學院，山西 太原 030031）

研究目的：分析礦業資源特征對礦業城市住宅價格的影響，研究礦業城市商品住宅價格影響因素體系，提出礦業城市建設的政策建議。研究方法：基于空間計量的商品住宅價格空間滯后面板數據模型。研究結果：（1）居民收入、高校數、用水普及率對礦業與非礦業城市的住宅價格都有顯著的正影響，但礦業從業率、交通區位、醫療衛生設施對礦業與非礦業城市的住宅價格影響方向不同；（2）政治區位、自然區位、環境質量和治理、公交建設、學校師生比、互聯網普及率對礦業城市的住宅價格影響顯著，對非礦業城市的住宅價格影響不顯著；（3）人口數量、文化區位、公共圖書建設對非礦業城市的住宅價格影響顯著，對礦業城市的住宅價格影響不顯著。研究結論：礦業城市的建設和發展需要進一步改善城市環境、降低礦業從業風險、加強公交和網絡建設、完善教育設施方面的建設。

土地經濟；影響因素；礦業城市；非礦業城市；空間滯后面板數據模型

1 礦業城市商品住宅價格的影響因素體系

礦業城市是在開發利用能源、礦產資源基礎上興起的，以消費一定數量的自然資源而賴以生存發展起來的一種特殊城市類型[1]，該類城市的房價不僅受經濟、社會、環境等因素的影響，而且更受礦業資源特征的影響[2]。

當礦業資源價格發生變動時，礦業依存度[3]高的城市經濟發展更容易產生波動，從而引致住宅價格的較大波動；而礦業依存度低的城市，經濟發展對礦業資源價格敏感度較低，住宅價格波動較小。因此，礦業依存度與礦業資源價格變動的交互作用共同影響礦業城市的住宅價格。礦業是勞動密集型產業，從業人員的地域性明顯，過去對勞動力的文化水平要求不高，使得礦業從業率[3]高的城市對于農村勞動力具有更大的吸引力，從而引致對住宅租賃市場有更多的需求，但對住宅銷售市場的影響不明顯。同時，不斷涌入的流動人口對城市的治安、環境、公交等形成一定的負影響，使得部分有住房購買意愿的置業人數下降，形成對城市住宅價格的負作用。

此外，礦業城市的資源開采階段不同，經濟發展和社會就業的關系也不同[4]：幼年期礦業城市的產業結構和就業結構單一，經濟發展過分依賴于采礦業及礦產品加工業，但資源開采會帶動經濟的快速發展，拉動就業能力較強，經濟脆弱性和社會就業脆弱性較低，當地居民流出的意愿弱，對住宅需求多，因此對住宅價格有正向作用；而老年期礦業城市隨著經濟轉型戰略的逐步實施，產業結構的高級化和多元化逐步推進，但經濟實力減弱、科技創新能力不強等原因，又使得經濟發展的就業拉動能力下降，經濟脆弱性和社會就業脆弱性較高，當地居民流出的意愿越強，對住宅需求不斷減少，對住宅價格有負作用。因此，資源開采階段也通過城市與礦業依存度、礦業從業率的交互作用對城市的經濟和社會就業產生作用，形成對住宅價格的影響。

借鑒相關研究成果[5-19]，結合上述分析，從經濟、人口、公共服務、環境、資源、區位6個方面構建了礦業城市商品住宅價格影響因素體系（表1）。

2 礦業城市與非礦業城市商品住宅價格影響因素的實證比較分析

2.1 樣本數據和變量說明

由于受礦業產值和礦業從業人員數統計數據的限制，本文選擇黑龍江、安徽、河南、四川4個省59個地級市①2011年8月，根據《國務院關于同意安徽省撤銷地級巢湖市及部分行政區劃調整的批復》，巢湖市被分拆為三部分，同時，巢湖地級市被調整為巢湖縣級市，所以在此不作為樣本城市。2003—2011年的數據作為樣本。按照中國礦業聯合會確定的礦業城市名單，59個城市中包含有21個礦業城市，其中，黑龍江有5個，分別為鶴崗、七臺河、雙鴨山、雞西、大慶；安徽有6個，分別為銅陵、馬鞍山、淮南、淮北、滁州、宿州；河南有7個，分別為鄭州、平頂山、焦作、鶴壁、濮陽、三門峽、南陽；四川有3個，分別為德陽、自貢、攀枝花。除了這21個礦業城市之外的38個地級市均被界定為非礦業城市。

鑒于要進行礦業與非礦業城市的比較分析，而礦產資源價格與礦業發展階段只有針對礦業城市的數據，樣本城市的空氣質量優良率數據不全、工業廢水排放達標量（率）在2011年沒有統計數據。因此，將表1中除了礦產資源出廠價格指數、礦業發展階段、空氣質量優良率、工業廢水排放達標率之外的25個三級指標作為解釋變量，將城市的商品住宅銷售價格（HP）作為被解釋變量。

實證研究數據中，城市商品住宅銷售價格數據來源于各省統計年鑒；城鎮居民人均可支配收入數據來源于各省統計年鑒和一些地市的國民經濟和社會發展統計公報；城市礦業產值、礦業從業人員數的數據來源于《中國礦業年鑒》；用水普及率、燃氣普及率、人均公共綠地面積的數據來源于《中國城市建設統計年鑒》；自然區位、交通區位、政治區位和文化區位優勢度的數據來源于《中國城市競爭力年鑒》；其余指標的數據均來源于《中國城市統計年鑒》。

表1 礦業城市商品住宅價格影響因素體系Tab.1 Factor system of commercial housing price in mining cities

關于變量統計數據的范圍，因礦產資源分布很多集中在城市的市轄縣，所以，對于上述指標的統計盡可能采用全市范圍的數據，但是，每萬人擁有公共汽車數、人均城市道路面積、人均公共綠地面積3個指標只有針對市轄區范圍統計的數據，因此，對以上3個指標采用市轄區的數據。

2.2 模型構建

Rosen[20]把回歸分析方法引入城市經濟的研究中，建立了異質的不動產價值與其影響因素之間的關系式——特征價格函數。張所地[21]以Hedonic理論為基礎構建了城市土地定級估價綜合模型，將土地因素作用分值數據和用地效益數據結合在一個統一的模型中，不僅能綜合平衡、有效利用這兩類數據進行土地定級、基準地價評估及宗地地價評估，而且能使用這兩類數據對評估過程和結果進行相互檢驗，還能夠測算土地的特征價格。但是，該模型沒有考慮地價的空間相關性。基于此，本文構建商品住宅價格的空間數據模型。

以59個地級城市的統計數據為樣本，城市之間距離倒數的平方作為空間權重，在國家基礎地理信息中心網站提供的1∶400萬電子地圖基礎上計算出空間權重矩陣W，利用樣本城市的商品住宅銷售價格計算Moran I指數[5]，計算結果見表2。從表2可以看出，2003—2011年商品住宅價格的Moran I指數都為正，且在統計上都通過了1%的顯著性檢驗，說明城市間的商品住宅價格呈現出空間依賴性。因此，應考慮商品住宅價格的空間相關性，構建空間面板數據模型。

表2 樣本城市商品住宅價格的Moran I指數檢驗Tab.2 Test on Moran I of commercial housing price in sample cities

Anselin[22]從空間滯后變量的類型和空間相關性的作用范圍兩個維度，將空間計量經濟模型分為空間滯后模型和空間誤差模型兩類。其中，空間滯后模型反映一個城市影響房價的所有解釋變量都會通過空間傳導機制作用于其他城市的房價，而空間誤差模型則反映區域外溢是隨機沖擊的作用結果。因此，模型構建有兩種方式：其一是空間滯后面板數據模型，其二是空間誤差面板數據模型。對于這兩類模型均可采用極大似然估計法進行參數估計[23]。

對于上述兩類模型的選擇，采用拉格朗日乘數方法[23]進行檢驗，空間滯后模型和空間誤差模型的拉格朗日乘數分別用LML和LME表示，由于LML= 174.5243＞LME= 42.0720，所以，選擇空間滯后面板數據模型。進一步，利用空間Hasuman檢驗確定模型的具體形式。計算得出的空間Hausman檢驗統計量的值為-53.8055，對應的的p值為0.001，所以，選擇固定效應空間滯后模型。利用matlab軟件對無固定效應、空間固定效應、時間固定效應、空間時間雙固定效應4種情況分別進行回歸，通過調整后的R2、Sigma2、LogL等統計量發現，無固定效應的估計結果優于其他三種形式的估計結果，利用表1中三級指標的符號表示變量名，則可以構建商品住宅價格無固定效應空間滯后面板數據模型如式1。

式1中，i為第i個城市；t為第t年； β1，β2，…，β25為影響因素對商品住宅價格的響應系數；ρ為空間自回歸系數；W為59×59階的非負空間權重矩陣，其對角線元素為0；WHPit為商品住宅價格的空間滯后項；εit為隨機誤差項向量。

2.3 樣本回歸結果及比較分析

（1）采用焦慮自評表（SAS）對兩組進行評分[4]。評分表包含20個條目，4級評分，中國常模的結果為：SAS標準分的分界值是50分，50～59分為輕度焦慮，60～69分為中度焦慮，70分以上為重度焦慮，評定時間分別為3個月和6個月。

利用式1對中國黑龍江、安徽、河南、四川4個省21個礦業城市構成的子樣本一和38個非礦業城市構成的子樣本二分別進行回歸，回歸結果見表3，由此可以得出如下結果：

（1）對礦業城市住宅價格影響顯著而對非礦業城市不顯著的因素有氣候環境舒適度、工業固體廢物利用率、公交條件、中小學師生比、高校師生比、互聯網普及率、政治區位、自然區位。

氣候環境舒適度、工業固體廢物利用率對礦業城市住宅價格有顯著的正影響，是由于礦業城市在工業生產中造成了大量的環境污染，一定程度上影響了居民的生活質量，使得居民在選擇城市居住時較關注于城市自身的環境質量以及環境治理能力。而對于非礦業城市而言，由于工業污染相對較輕，沒有引起居民在不同地級城市之間選擇時的重點關注。

公交條件在全樣本回歸中表現出對住宅價格顯著的正影響，說明居民在城市間進行居住選擇時交通條件影響著他們的購房決策和住房支付意愿，這與文獻［24］和［25］的研究結論相一致。而在子樣本回歸中卻得出對礦業城市住宅價格影響顯著、對非礦業城市影響不顯著的結果，這主要是由于礦業城市集中了更多低收入的流動人口，這些人群主要依賴于公共交通作為通勤方式①2013年9月，濟南市規劃設計研究院對濟南市居民進行了綜合交通調查，調查報告顯示，流動人口選擇公共交通作為出行方式的比例達40%，這與他們的經濟收入水平、年齡階段等因素有關。。城市的公共交通越便利，對流動人口的吸引力越大，對住房租賃市場的需求也越大，促使房屋租賃價格不斷提升。在租賃成本增加到一定程度時，少量的流動人口會轉向購買住宅，使得住宅銷售價格有所上漲。而非礦業城市的產業結構多元化，就業選擇多樣化，就業區域分散化，居民購房需求主要取決于城市的經濟水平、收入水平和就業生活便利程度，公共交通對決策的影響度相對較弱。

表3 子樣本回歸結果Tab.3 Regression results of sub samples

中小學師生比和高校師生比對礦業城市住宅價格影響顯著是由于礦業城市環境較差，能夠吸引優秀教師和科研工作者的難度較大。互聯網普及率對礦業城市住宅價格影響顯著是由于流動人口只能選擇通訊方式實現與外地家人的經常性聯系，而互聯網是一種既方便實惠，又可以通過音頻視頻實現無障礙溝通的最佳通訊方式，備受流動人口的關注。

政治區位對礦業城市住宅價格有正影響是由于行政級別決定了城市的產業結構。城市的行政級別越高，產業多元化表現的愈明顯，一旦礦產資源價格發生急劇下降，嚴重影響城市礦業產值時，行政級別高的礦業城市的居民就會有更多的機會轉向其他行業工作，維持生活，而行政級別低的礦業城市的居民可能面臨失業或離開城市生活的選擇，生活穩定性受到影響。因此，人們更愿意為生活在行政級別高的礦業城市支付更高的房價。自然區位對礦業城市住宅價格有負影響是由于礦業城市的發展主要依賴于礦產資源的蘊藏量，而河湖附近蘊藏的礦產資源相對較少。

（2）對礦業城市住宅價格影響不顯著但對非礦業城市顯著的因素有城市人口數、公共圖書數、文化區位。

每百人公共圖書數對非礦業城市住宅價格的負影響是由于人均公共圖書數量越多，說明城市公共文化設施建設越完善，越需要高水平的從事圖書情報工作的人員來提供相應的服務，而地級城市對于這些高技能人才沒有足夠的吸引力，導致城市藏書量大，利用率低，反而影響了城市的文化形象，對住宅價格呈現負影響。而對于礦業城市而言，居住著很多的“亦工亦農”的半城市化人口，他們自身接受的文化教育較少②文獻[26]中指出，流動人口的學歷構成為：小學及以下、初中、高中、大專及以上的比例分別為10.4%、39.1%、28.0% 和22.6%。，自然在做出居住選擇時也較少關注于城市的公共文化建設。

文化區位體現了城市的歷史文化底蘊。文化區位對非礦業城市商品住宅價格有正影響是由于悠久的歷史有助于文化產業的發展，帶動城市經濟的發展和生活水平的提升，進而提高居民對非礦業城市住宅的支付意愿，而礦業城市的居民則更關注經濟水平，對城市歷史文化關注較少。

（3）礦業從業率、每萬人醫生數、交通區位對礦業與非礦業城市的住宅價格有不同方向的影響。

礦業依存度對礦業與非礦業城市住宅價格影響不顯著的原因在于礦業依存度依賴于與礦產資源價格的交互作用對住宅價格產生影響，而非礦業城市的礦產資源價格無法獲取，本文沒有引入交互項，使得礦業依存度的影響不顯著。礦業從業率對礦業與非礦業城市住宅價格有不同方向的影響在于：對礦業城市而言，城市經濟受資源價格變動影響明顯，經濟脆弱性較高，一旦礦業經濟出現風險，礦業工人再次就業的機會較少。而且，在礦業產值一定的條件下，礦業從業人員比例高的礦業城市，說明礦業生產科技水平較低，生產效率低下，礦業從業人員的工作安全性得不到足夠的保障。因此，礦業從業率越高反映了礦業城市的就業風險和安全風險越大，會有越多的人口選擇租賃住房來解決生活居住需求，刺激住宅租賃市場，而放棄商品住宅購買需求，導致對礦業城市住宅銷售價格有負影響。而對非礦業城市而言，產業結構的多元化使得城市的經濟脆弱程度較低，由礦業生產吸引的外來人口面臨的就業風險較小，因此，更多的勞動力會選擇在交易市場上購買住房來解決生活居住需求，使得礦業從業率對非礦業城市的住宅銷售價格有正影響。

每萬人醫生數對礦業城市住宅價格有負影響是由于礦業生產不可避免的會發生一些礦山事故，勞動密集型的產業特點決定了一旦事故發生，會有眾多的員工遭受傷亡，需要有更多的礦山事故災難應急救援醫療人員解決救護工作，使得礦業城市的醫療水平在事故應急救援方面相對有優勢，但在其他疾病醫治方面相對薄弱。礦業城市的每萬人醫生數越多，一定程度上成為礦業城市事故頻發、醫療救治需求量大的象征，影響人們對城市住宅的需求。每萬人醫院床位數對非礦業城市住宅價格有正影響是由于醫院床位數體現了城市公共醫療設施的建設投入，關系著人們就醫的便利程度，影響著居民住房購買的意愿。

交通區位體現了城市對外交通的便利程度。礦產資源蘊藏量高的城市往往集中在山區，因此經濟發達的礦業城市交通區位較差[27]。對于非礦業城市而言，便利的對外交通有助于經濟的活躍，帶動城市經濟的發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、普通高校數、用水普及率對于礦業與非礦業城市的住宅價格都有顯著的正影響，說明城市經濟是人口集聚的主要動力，用水普及率是衡量城市生活設施完善度的重要指標，普通高校是反映城市創新能力的關鍵因素，有助于提高居民的住宅支付意愿。

3 結論與建議

本文在國內外學者關于住宅價格影響因素分析的基礎上，開展了針對礦業城市商品住宅價格影響因素的分析研究，在研究中增加了自然、政治、交通、文化4個區位指標和礦業依存度、礦業從業率、資源開采階段、礦產資源價格4個資源指標，提出了礦業城市商品住宅價格影響因素體系。通過對2003—2011年中國黑龍江、安徽、河南、四川4個省21個礦業地級市與38個非礦業地級市的實證研究和比較分析表明，礦業城市的產業結構和勞動力結構決定了礦業城市住宅價格受礦業從業率、政治區位、自然區位、交通區位、環境質量和治理狀況、公共交通、醫療衛生設施、網絡設施、學校師生比的影響。礦業城市的建設發展需要從以下3方面入手：

（1）提高環境治理能力，改善城市環境質量。環境因素對礦業城市商品住宅價格的顯著正影響反映了環境質量對居民住房支付意愿的影響。環境的改善有助于提高生活質量、吸引人才，人才的聚集有助于城市經濟的成功轉型和發展，經濟的發展可以提高治理環境的能力，這種良性循環體現了環境對于礦業城市發展的重要性。

（2）加強礦業安全生產，降低從業風險指數。每萬人醫生數對礦業城市商品住宅價格的負影響反映了礦業生產事故給礦業工人形成的壓力和畏懼。因此，在礦業城市的經濟結構轉型過程中，不僅要逐步降低對礦業的依存度，而且要提高礦業生產的安全性，降低礦業人員的從業風險。

（3）重視教育網絡發展，增強公共交通建設。每萬人擁有公共汽車數、中小學和高校師生比、互聯網普及率對商品住宅價格的正影響反映了公交建設、教育發展和網絡建設對礦業城市人口生活的重要性，尤其對于“亦工亦農”的半城市化人口更為關鍵。因此，要提高礦業城市人口的社會公平，必須重視教育和網絡發展，增強公共交通建設，切實改善半城市化人口的生活條件和生活質量。

（References）：

［1］許光洪.我國礦業城市的產業結構調整及其發展途徑［J］.中國人口·資源與環境，1998，8(1)：26 - 30.

［2］丁祖昱.中國城市房地產市場風險排行榜徑［R］.中國房產信息集團研究報告，2012：10.

［3］孫平軍，修春亮.基于PSE模型的礦業城市經濟發展脆弱性研究［J］.地理研究，2011，30(2)：301 - 310.

［4］李鶴.東北地區礦業城市脆弱性特征與對策研究［J］.地域研究與開發，2011，30(5)：78 - 83.

［5］趙華平，張所地.城市宜居性特征對商品住宅價格的影響分析——基于中國35個大中城市靜態和動態空間面板模型的實證研究［J］.數理統計與管理，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］沈悅，劉洪玉.住宅價格與經濟基本面：1995—2002年中國14城市的實證研究［J］.經濟研究，2004，39(6)：78 - 86.

［9］吳公樑，龍奮杰.中國城市住宅價格與居民收入關系的定量研究［J］.土木工程學報，2005，38(6)：132 - 136.

［10］黃瑜.土地價格、居民收入對商品住宅價格影響的動態分析——基于狀態空間模型的實證［J］.經濟與管理研究，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］張娟鋒，劉洪玉.住宅價格與土地價格的城市差異及其決定因素［J］.統計研究，2010，27(3)：37 - 44.

［14］溫海珍，楊尚，秦中伏.城市教育配套對住宅價格的影響：基于公共品資本化視角的實證分析［J］.中國土地科學，2013，27(1)：34 - 40.

［15］龍奮杰，郭明，鄭思齊，等.城市發展與住房意愿支付價格［J］.城市問題，2008，(9)：50 - 55.

［16］周京奎.城市舒適性與住宅價格、工資波動的區域性差異——對1999—2006中國城市面板數據的實證分析［J］.財經研究，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］何鳴，柯善咨，文嫣.城市環境特征品質與中國房地產價格的區域差異［J］.財經理論與實踐，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］張所地，李懷祖.城市土地定級估價綜合模型研究［J］.中國土地科學，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］谷一楨，鄭思齊.軌道交通對住宅價格和土地開發強度的影響——以北京市十三號線為例［J］.地理學報，2010，65(2)：213 -223.

［25］馮長春，李維瑄，趙藩藩.軌道交通對其沿線商品住宅價格的影響分析——以北京地鐵 5 號線為例［J］.地理學報，2011，66(8)：1055 - 1062.

［26］何炤華，楊菊華.安居還是寄居？不同戶籍身份流動人口居住狀況研究［J］.人口研究，2013，31(11)：17 - 34.

［27］陳耀明，張所地.礦業城市地產評估探討［J］.中國土地科學，1996，10(3)：27 - 29.

（本文責編：陳美景）

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

國家自然科學基金項目（70973072，70573066）；山西省軟科學課題（2014041024-1）；山西省2013年重點學科建設項目“礦業城市綠色不動產評價研究”；山西省高等學校哲學社會科學研究項目（2012233）。

趙華平（1979-），女，山西昔陽人，副教授，博士。主要研究方向為不動產評估方法與技術。E-mail:zhaohuaping1979@163.com

張所地（1955-），男，山西太原人，教授，博士。主要研究方向為不動產評估、管理決策。E-mail:zhangsuodiws@126.com