基礎教育資源對房價的影響研究

孫至誠 秦雪飛 袁耀娣

摘要：在當前實行就近入學和戶籍限制的學區制度下，基礎教育資源主要通過房地產市場進行配置，通過購買學區房以獲得優質基礎教育資源已成為普遍做法，從而導致房價部分反映了基礎教育的質量。為了探究學區對于二手房成交價格的影響，基于南京市鼓樓區近三年房價與學校分布的面板數據，通過構建特征價格模型，并進行定量化分析。南京市鼓樓區基礎教育資源對房價的影響顯著，按照三梯度劃分模型，擁有優質基礎教育資源的住宅比擁有普通基礎教育資源的住宅，住宅價格平均增值33.98%。基礎教育資源這一變量已成為居民購房決策的一個主要因素，并已在房價上有所體現。

關鍵詞：基礎教育資源;學區房;梯隊劃分;特征價格模型

一、引言與文獻綜述

（一）引言

2016年1月14日《環球時報》報道：北京市金融街的一處學區房，價格已經達到了一平方米40萬的天價。基礎教育不公平現象普遍于我國城市區域，而學區房畸形高價與保障教育公平的矛盾日益激劇。

在基礎教育資源有限的情況下，供給遠小于需求，適齡兒童的家長往往更愿意支付高昂的費用購買重點學校周邊的住宅，從對優質基礎資源教育的剛性需求轉變成對優質學區住宅的剛性需求，造成局部市場失衡，進而導致當下畸形高漲的學區房房價。

（二）關于學區房溢價研究現狀

由于微觀交易數據難以獲取，國內有關學區房的溢價研究起步較晚，在2010年以后相關研究的數量才逐漸增長。張浩和李仲飛（2014）將基礎教育資源進行了教育“資本化”，并探究了教育資本化對房價的影響。發現購房者的收入水平越高，他們更希望獲得越優質教育資源，對優質教育資源附近的住宅愿意支付的價格也越高。城市地區的房屋銷售者也傾向于增加教育資源從而增加自身住宅價值。胡思曼（2019）以北京市西城區為例研究，利用SPSS軟件采用特征價格模型研究西城區的學區房溢價效應并得出結論：我國房屋產權制度之下，教育資源這一因素可較高的推動房價增長。

二、數據和計量模型設定

（一）數據來源

文章利用的住宅價格數據為2016年9月到2019年10月間南京市鼓樓區二手房市場的歷史成交數據，數據來源于鏈家平臺，根據手機APP上歷史成交記錄手工錄入。樣本為剔除地下室、車位、別墅等特殊建筑的普通住宅，剔除異常值后最終得到565組有效樣本數據。

住宅成交時間、樓層、房齡等建筑特征源自鏈家平臺，住宅小區距市中心、周邊地鐵站、三甲醫院距離等區位特征來源于高德地圖搜索整理。

小區梯隊的劃分主要由2018年南京外國語招收人數所占比例，并結合家長論壇（如家長幫社區網，搜學網）等多方面進行劃分。（詳細數據資料和梯隊劃分見附錄）

（二）數據預處理

1. 數據劃分

本文將收集到的數據劃分為以下四個特征：建筑特征、區位特征、教育特征、時間特征。

建筑特征是對學區房價格除房型自身外最主要的影響因素，主要包括學區房的房齡（A），小區是否有電梯（E），學區房所處的樓層（F），小區的容積率（V），小區的綠化率（G），其中房齡用2019減去住宅建成年份表示;電梯記為虛擬變量。

區位特征為距離市中心、地鐵站、醫院和距離城市副中心距離，其中，市中心由新街口代表，地鐵站為距離學區最近地鐵站，醫院為距離最近三甲醫院的距離，城市副中心由河西龍江萬達廣場代表。

教育特征設置五個變量，不同梯隊小學之間的差異用Rank代表，Rank1表示第一梯隊小學對周圍學區帶來的溢價，同樣，Rank2和Rank3分別表示第二和第三梯隊小學對周圍學區帶來的溢價。

時間特征變量為交易完成時間，一方面觀察房價隨時間的變化，另一方面用以進行比較交易時間相差在6個月內的各梯隊學區房的數據差異。

2. 描述性統計

在通過對樣本數據庫進行篩選后，得出結論：所有小區的平均房齡為24.11年，第一梯隊學區房相對于第三梯隊學區房房齡相對高4.1年，第二梯隊學區房房齡相對于第三梯隊學區房房齡相對高4.7年。全樣本平均綠化率達到32.37%，容積率為2.27，距離市中心的平均直線距離為4.05公里，到副市中心平均直線距離為4.08公里。2016年9月至2019年9月鼓樓區所有學區房平均交易價格約為45978元/平方米，而第一梯隊小學學區房交易平均價格比第三梯隊小學學區房平均價格高約33719元/平方米，第二梯隊小學學區房比第三梯隊小學學區房平均交易價格高約6102元/平方米。該數據說明南京市鼓樓區學區房可能存在一定的溢價，為進一步實證研究提供了一個直觀參考數據。

三、特征價格模型設定

在模型的設定中，我們將住宅價格作為被解釋變量，其余住宅相關特征作為解釋變量，作出影響學區房價格的函數模型。本文主要采用了OLS回歸分析，得出模型中各變量的系數和顯著性水平，從而進一步分析出基礎教育資源對附近房價的影響程度，表達式如下：

1. 對數線性模型

2. 對數模型

其中，P為房屋的交易價格，ε0為隨機擾動項，通常為常數;β1-5為建筑特征對學區房價格的影響系數;α1-4為區位特征對學區房價格的影響系數;school在配對模型中分別表示Rank1、Rank2、Rank3;γ為學校對周邊房價的影響系數，是溢價分析的主要指標。

四、模型分析

（一）對數線性模型分析

使用Eviews軟件對樣本進行對數線性OLS擬合結果如下：

方程的R2=0.549，擬合程度較好，方程的P值=0.000<0.01，這說明整個方程是顯著的。而各變量的P值均<0.01，則認為所有變量都是顯著的，但是梯隊變量則與預期不符，這可能是由于分類過多導致的，將梯隊數據進行合并，剔除梯隊間有顯著差異的數據，將新的梯隊等級命名為rankxetra。這種方法處理后的OLS預測模型如圖1所示。

這個方程的擬合優度相比未對進行梯隊合并的數據有明顯提高，R2=0.6744，具有較高的可信度。方程的P值=0.000<0.01，這說明整個方程是顯著的。所有變量的P值均<0.01，可以認為所有變量都是顯著的。

（二）對數模型分析

由于在進行對數模型分析時，同對數線性模型相比，根據數據有效性和實際意義，我們選擇將區位特征中的距市中心距離（C1），距地鐵站距離（S），距臨近三甲醫院距離（H），距副中心距離（C2）分別取對數值，以進一步區分除了學校因素外，其他因素對鼓樓區基礎教育資源附件房屋房價的影響。

同對數線性模型，在對梯隊數據進行合并后，得到如圖2分析結果。

顯然，R2=0.6684，同對數線性模型相比，對數模型的數據可信度較差，因此，可以發現區位特征對鼓樓區房屋的價格影響較小，主要影響因素為建筑特征和教育特征。

五、結論與建議

實證分析結果表明，南京市鼓樓區基礎教育資源的差異已部分資本化到了房價上，按照梯隊模型和對數線性模型，優質的基礎教育資源會使房價平均增長33.98%。

基于以上結論，并通過查閱相關政策，我們認為要合理解決學區房價格居高不下的問題，需要從以下幾方面入手：首先，打破就近入學，允許擇校行為，完善租房市場的法律權益，逐步實現“租售同權”，減少購房需求，同時，增加財政資金的公共教育投入，相應的，完善基礎教育資源這一公共品財政籌資的多樣性和合理性，為低收入家庭學生提供獎學金、助學金等，降低學校間財政投入的差異，實現效率與公平兼顧的目標;其次，從供給側發力，鼓勵民辦學校的發展，吸引并支持民間資金的流入，使供給多樣化，增加供給，促進競爭，緩解供求矛盾;最后，采取側重于公平的公共政策，例如：加大廉租房的分散供給、重視外來務工子女的入學規定、提高低收入區域的教育資源支持。

參考文獻：

[1]張浩，李仲飛，鄧柏峻.教育資源配置機制與房價——我國教育資本化現象的實證分析[J].金融研究，2014（05）：193-206.

[2]張雅淋，趙強.基于配對回歸的學區房溢價研究——以南京市主城區為例[J].教育經濟評論，2017，2（05）：92-113.

[3]胡思曼.學區房溢價研究——以北京市西城區為例[J].廣西質量監督導報，2019（08）：212.

*本文受省級大學生創新訓練計劃（SYB2019047）支持。

（作者單位：南京郵電大學）