不同類型地鐵站點對住宅價格的影響差異*
——以成都為例

方 翰 沈中偉 楊林川 梁 源 FANG Han, SHEN Zhongwei, YANG Linchuan, LIANG Yuan

0 引言

過量碳排放及其引起的氣候變化是當今世界面臨的主要問題之一。低碳城市已成為世界各地的共同追求。2020年9月，習近平總書記在第75屆聯合國大會上提出我國力爭在2030年前實現碳達峰，在2060年前實現碳中和，彰顯了我國構建人類命運共同體的大國責任與擔當，指明了我國未來的發展方向[1]。另一方面，交通運輸（包括道路、航空、水運、鐵路）、建筑和工業是城市碳排放的三大主要來源。交通運輸帶來的碳排放大約占比20%～30%[2-3]。在交通領域，除了技術層面的突破（如能效提高和低碳/零碳能源開發技術）之外，居民的綠色出行也是碳中和愿景實現的重要途徑。選用綠色交通方式出行是居民積極參與碳中和行動的有效舉措，為實現全社會深度脫碳提供了關鍵補充[1]。

城市軌道交通（如地鐵和輕軌）是一種典型的綠色交通工具，具有運量大、速度快、頻次高、安全舒適、準點率高、全天候和節能環保等特點。它被視為解決小汽車過度使用（小汽車依賴）帶來的各種城市問題（如交通擁堵、事故頻發、噪聲污染、空氣污染）、提升城市公共交通體系、有助于實現碳達峰和碳中和目標的重要交通方式[4-6]。我國的第一條地鐵于1969年10月1日在北京開通。近年來，地鐵在我國的發展勢頭極為迅猛。2020年底，我國大陸地區已有44個城市開通了城市軌道交通，線路共計233條，運營里程達到7 545.5 km。我國僅用了50年的時間就達到了歐美地區150年的運營規模。

地鐵的建設和運營無疑需要巨大的成本。不同于美國、法國、德國等國家的地鐵建設往往可獲得聯邦政府（中央政府）、州政府高額補貼，我國的地鐵建設和運營通常無法獲得中央政府和省政府的資金補助。另一方面，要是僅依靠地鐵票務營收，往往連運營費用都難以負擔，更遑論回收建設巨額的前期投資成本[7,8]。因此，如何負擔高昂的地鐵建設和運營費用成為令城市政府頗為頭疼的問題，這也是地鐵能否可持續發展的關鍵問題。目前，我國地方政府在這方面多依靠土地拍賣收入和銀行借貸[9,10]。

地鐵是大型城市交通基礎設施（large-scale transport infrastructure）和典型的地方公共產品（local public goods）。它提高了站點地區的可達性，可能會產生經濟外部性，比如提升站點地區的土地和房地產價格，帶來積極的增值（溢價）效應[10-16]。國際經驗表明，通過適當的溢價回收（又稱價值捕獲，value capture）策略，政府可以對地鐵建設帶來的土地、房地產增值進行有效捕獲來實現正外部性內部化（internalization of positive externality）以反哺地鐵建設與運營、補償巨大的建設與運營成本、推動公交都市建設[7-10]。國際上實現溢價回收的工具有很多，比如不動產稅（property tax）、稅收增加融資（tax increment financing）、特別征收（special assessment）、開發影響費（development impact fee）、聯合開發（joint development）[17]。其中，以美國為代表的房產稅和以中國香港為代表的“軌道+物業（rail+property, R+P）”聯合開發是最主要的兩種方式[8]。

實施軌道交通土地價值捕獲的關鍵步驟是測算城市軌道交通的增值（溢價）效應（是否增值和增值效應的強度/規模）。已有大量國內外研究關注這一領域，但是絕大部分研究將地鐵站點進行同質化處理，并未對其類型進行區分，比如未考慮換乘站、首末站和常規站的差異（圖1）。事實上，不同類型站點帶來的增值效應可能相差較大。以換乘站與常規站為例：一方面，較之常規站，換乘站能讓周邊的居民獲取到更高質量的地鐵服務，賦予居民更高的公共交通便利性（to-metro accessibility）和通達性（bymetro accessibility），因此理論上，換乘站會帶來比常規站更大的增值效應。另一方面，較之常規站，換乘站周邊人和車的流量更大，存在交通擁堵、噪音污染、安全隱患等問題，可能會帶來更大的負面影響。因此，亟需實證研究來檢驗和對比不同站點類型對房價的影響差異。

圖1 地鐵站點類型區分示意圖Fig.1.three kinds of metro stations

本研究基于鏈家網爬取的成都2019年住宅交易數據和已開通的6條地鐵線數據，建立雙層特征價格模型對地鐵站周邊的2 535個小區27 814個住宅樣本進行分析，估測了各個住宅特征的影子價格，比較了換乘站、首末站與常規站三種類型站點對房價的影響差異。在研究視角方面，本研究區分了換乘站、首末站和常規站，考慮了站點類型的異質性，對今后“軌道交通—房地產價值”更為精細化的研究提供了啟示。在研究方法方面，本研究基于住宅嵌套于小區的客觀事實，選擇使用了雙層特征價格模型（而非傳統的單層模型）進行分析，對現有文獻進行了方法上的補充。在政策啟示方面，本研究基于價值捕獲的思想，對研究結果進行了深入的討論。

1 文獻綜述

軌道交通系統和周邊土地/房地產價格（或租金）的互動關系自20世紀70年代開始就有所研究。阿隆索（Alonso）、米爾（Mill）、穆思（Muth）關于城市空間結構研究的豐碩成果給該研究領域提供了堅實的理論基礎[18-20]。近年來，隨著世界范圍內軌道交通建設步伐的加快，這一研究領域受到了廣泛關注[21]。研究主要集中在軌道交通對周邊房價是否存在增值效應、增值效應的強度、增值效應的時空差異和增值效應是否隨當地環境（比如土地利用規劃與政策）差異而變化等多個方面。在關注的房地產類型方面，住宅受到的關注最多，遠多于寫字樓、商鋪和工業地產。

在研究方法方面，特征價格模型（hedonic pricing model，又譯作享樂價格模型）是最常用的方法。近年來，隨著空間計量經濟模型的迅猛發展，空間滯后模型（spatial lag model）、空間偏誤模型（spatial error model）、空間杜賓模型（spatial Durbin model）、地理加權回歸（geographically weighted regression model）、時空加權回歸模型（geographically and temporally weighted regression model）因克服了傳統特征價格模型無法處理空間自相關性、空間異質性等缺點，得到了廣泛的應用。其次，考慮了數據嵌套結構的多層模型（multilevel model, hierarchical linear model, mixedeffects model）也常有使用。此外，重復銷售法（repeat-sales model）、雙重差分模型（difference-in-differences model）、傾向得分匹配（propensity score matching）、工具變量（instrumental variable）等高級計量分析模型也逐漸運用于這個研究領域。

大部分實證研究發現了軌道交通對周邊房價產生顯著的正向影響，即證實了增值效應的存在。達姆（Damm）等采用特征價格模型對華盛頓特區房地產市場進行了分析，發現地鐵對住宅和商業地產均有增值作用[22]。格拉斯（Grass）構建特征價格模型證實了地鐵對華盛頓特區房價的影響[23]。鄒廣榮（Chau）和吳蓬輝（Ng）發現廣九鐵路（廣州—九龍）的開通減小了香港地區鐵路沿線房價差異[24]。石豐宇（Shyr）等比較了軌道交通對香港、臺北和高雄三個城市房價的影響，發現軌道交通的增值作用在高雄最強，在香港最弱[25]。聶沖等以深圳為例，建立特征價格模型分析了地鐵一期對周邊房價的影響，發現房價的影響范圍是距離地鐵站點700 m以內的區域，平均增值近20%。劉康等分析了軌道交通對南京市房地產市場的影響，證明了它在郊區的影響大于在市區的影響[26]。徐濤（Xu）等以武漢為例，建立空間計量經濟模型，揭示了地鐵對商業地產價格的提升作用，測算出地鐵在0—100 m核心區域溢價是16.7%，在100—400 m區域溢價是8.0%[27]。潘海嘯等構建地鐵區域可達性（by-metro accessibility）指標，并分析證實了它對房價的影響[28]。楊林川（Yang）等分析了深圳5號線及周邊住宅價格，并進行了細分市場（market segmentation）分析，得出地鐵對住宅的增值作用在關外（郊區）大于關內（城市中心區）的結論[29]。

部分研究指出軌道交通無法顯著影響土地/房地產價值。查特曼（Chatman）等發現輕軌并未對美國新澤西州南部獨棟住宅價格產生顯著的影響[30]。安德森（Andersson）等發現高鐵可達性對我國臺灣省臺南市住宅價格的影響極為微弱[31]。Tian（田光）等建立特征價格模型、空間滯后模型和多層線性模型識別了美國猶他州鹽湖城獨戶住宅價格的影響因素，發現輕軌站點無法顯著影響住宅價格[32]。比林斯（Billings）研究發現輕軌并未顯著影響美國夏洛特市商業地產價格[33]。

少數研究發現了軌道交通對土地/房地產價值產生了負向影響。潘起勝（Pan）發現在美國休斯頓，輕軌降低了站點400 m范圍以內的住宅價格[34]。瓦格納（Wagner）等運用雙重差分模型測算輕軌系統對美國弗吉尼亞州漢普頓錨地住宅市場的影響，得出了輕軌站點帶來了房價下降的結論[35]。基于空間杜賓模型，仲浩天（Zhong）和李威（Li）指出軌道交通系統帶來了洛杉磯獨戶住宅價格的下降[36]。

總體而言，城市軌道交通與沿線土地/房地產價值之間的關系在國內外受到了較多關注。盡管大量實證研究關注了城市軌道交通與土地/房地產價格的關系，但它們的結論有所差異[10,12-16]：大部分研究都觀測到城市軌道交通對土地/房地產價格的正向影響，也有少部分研究得出了不顯著或者負向影響的結論。這樣的差異也容易理解——軌道交通除了帶來正向影響之外，還可能給站點周邊社區帶來噪聲、空氣污染、犯罪等負面影響。所以，軌道交通對房價的整體影響理論上是正負影響的疊加，究竟是正是負、程度如何需要對具體問題展開具體分析。此外，不同類型的軌道交通站點可能對房價的影響有所差異。但是，現有研究往往忽視了這個方面。基于此，本研究聚焦于成都市地鐵換乘站、首末站和常規站對房價的影響差異，以期對現有文獻進行補充。

2 數據

2.1 研究地域

成都是我國西部地區重要的中心城市，是四川省省會、副省級市，是國家重要的高新技術產業基地、商貿物流中心和綜合交通樞紐，是國家力推的“成渝雙城經濟圈”的雙核之一。全市共轄12個區、5個縣級市、3個縣，總面積14 335 km2，常住人口2 093.8萬人。

成都市首條城市軌道交通線路——1號線于2010年9月27日正式開通。截至2020年底，成都市軌道交通里程達到558 km，正式邁入大線網運營時代。到2024年底，成都市將形成總長超過700 km的軌道交通網絡，實現雙機場軌道交通直連，進一步優化城市交通結構，緩解城區交通擁堵，提高居民出行品質，促進美麗宜居公園城市的打造。

2.2 數據來源

本研究的住宅數據來源于國內著名的房地產經紀網站“鏈家”的2019年二手房交易記錄。該數據庫包含了小區信息和住宅建筑特征，包括住宅經緯度、掛牌價格（asking price）、交易價格（transaction price）、樓層、建筑層數、戶型、始建年、小區綠化率等信息。

本研究將成都2019年已開通的1號線、2號線、3號線、4號線、7號線、10號線共計6條地鐵線路納入分析（圖2），選擇了地鐵站點2.5 km緩沖區內的、位于2 535個小區的27 814個住宅樣本（圖3）。其中，160個小區的1 147個住宅的最近地鐵站是換乘站，112個小區的1 549個住宅的最近地鐵站是換乘站，其余2 263個小區的25 118個住宅的最近地鐵站是常規站。

圖2 成都市2019年地鐵開通線路圖Fig.2 Chengdu metro lines in 2019

圖3 住宅樣本的空間分布圖Fig.3 distribution of the house samples

為測算住宅其他的鄰里環境和地理區位特征，在GIS軟件建立分析平臺必不可少。本研究用到的城市空間GIS數據包括地鐵線路、地鐵站點、興趣點（points of interest, POIs）。它們來源于高德地圖。

3 研究方法與變量選擇

3.1 研究方法

特征價格模型是國內外學術界研究住宅特征對住宅價格影響和估計特征價格（或隱含價格、影子價格）的主流方法[37]。它假設商品（如房地產和汽車）是作為其內在特征的集合進行出售的，所以它以商品屬性解釋商品價格。蘭卡斯特（Lancaster）[38]和羅森（Rosen）[39]為特征價格模型奠定了堅實的理論基礎。

應用特征價格模型于房地產市場主要考慮地產三個方面的特征[40,41]：建筑結構特征（structure），如面積、年齡、樓層、房間數量等；鄰里環境特征（neighborhood），如小區綠化率、容積率、學區等；地理區位特征（location），如到市中心距離、到商業中心距離等。住房特征價格模型可表達為：

Price=f(structure,neighborhood,location).

特征價格模型有多種基本函數形式，比如線性形式（linear）、半對數形式（即對數線性形式）（semi-log or log linear）、雙對數形式（double-log）[40]。它們的公式如下：

線性形式：

半對數形式：

雙對數形式：

其中，Pi代表住宅i的價格，Xin代表住宅i的第n個特征變量，βn為第n個特征變量的系數，α為截距項（常量），εi為誤差項。由于線性模型無法反應邊際效用遞減的規律，在實證研究中較少使用。半對數和雙對數模型應用較為廣泛。特征價格模型通常采用最小二乘法進行參數估計。

由于本研究的數據存在多層嵌套結構（住宅嵌套于小區），因此無法使用單層的傳統特征價格模型。本研究采用雙層特征價格模型（即雙層隨機截距模型），將“小區—住宅”的結構嵌套進模型中，其公式如下：

線性形式：

半對數形式：

雙對數形式：

其中，Pij代表位于小區j的住宅i的價格，Xijn代表位于小區j的住宅i的第n個特征變量，βn為第n個特征變量的系數，α為常量，μj是小區j的隨機截距，εij為誤差項。雙層特征價格模型通常采用最大似然法進行估計。值得注意的是，本研究所采用的多層模型比單層模型能更好地處理住宅一層的變量和小區一層的變量的交互作用問題，并未浪費住宅嵌套于小區這一重要信息。

3.2 變量選擇

本研究采用二手房的交易價格作為模型因變量（單位：萬元）。較之僅反映房屋賣家預期的掛牌價格，交易價格能反映房屋買賣雙方的協商互動和達成共識的過程，所以交易價格可靠度更高，在現有文獻中也更為常用。在自變量方面，考慮住宅三方面的特征——建筑結構特征、鄰里環境特征和地理區位特征，參考現有文獻，兼顧研究重點和數據可獲得性，選取了建筑面積、年齡、樓層、建筑總層數、小區綠化率、商業服務可達性、休閑娛樂可達性、春熙路距離、金融城距離、地鐵站距離和最近地鐵站是否是換乘站和首末站等特征變量。經檢驗，變量之間不存在多重共線性的問題。本研究選取春熙路距離、金融城距離作為地理區位特征變量，原因是春熙路站為成都商業中心，人流量大，滿足購物逛街需求，而金融城為成都就業中心，周邊集聚大量的辦公寫字樓。

表1給出了因變量和自變量的描述性統計。

表1 變量的描述性統計Tab.1 description of the variables

4 分析結果

4.1 測試鄰近換乘站和首末站對房價的影響效應

本研究對比了線性、半對數和雙對數三種基本函數形式，發現雙對數模型能更好地擬合我們的數據，有更強的解釋能力，因此接下來僅報告雙對數模型結果。為了測試換乘站和首末站對房價的影響效應，本研究首先建立不考慮換乘站和首末站的模型（模型一）,再建立加入兩個虛擬變量的模型（模型二）。

表2展示了模型一和模型二估計結果。模型一和模型二在系數符號、大小和顯著性上極為相似。另外，通過對比這兩個模型和不加任何變量的無條件平均模型，計算可得模型一和模型二自變量對因變量變異的解釋能力分別為77.14%和77.28%，表明加入虛擬變量后，模型對因變量變異的解釋能力有所提升。此外，模型二的AIC值低于模型一，這也說明模型二優于模型一，擬合程度更好。

表2 模型一和模型二估計結果Tab.2 models 1 and 2 estimation results

控制變量對住宅價格的影響和預期較為接近。首先，住宅價格與建筑面積、中樓層、高樓層、建筑總層數、綠化率顯著正相關。具體而言，在其他條件不變的情況下，建筑面積每增加10%，房價增加10.8%；建筑總層數每增加10%，房價增加0.29%；綠化率每增加10%，房價增加1.17%；較之低樓層，中、高樓層的住宅價格大約高0.4%。其次，住宅價格與房屋年齡、春熙路距離、金融城距離顯著負相關。具體而言，在其他條件不變的情況下，建筑年齡每增加10%，房價減少1.03%；距春熙路距離每增加10%，房價降低1.50%；距金融城距離每增加10%，房價減少1.83%。此外，周邊商業服務和休閑娛樂數量無法顯著影響房價。

理解多個解釋變量在模型中的表現尤為重要。在模型一中，地鐵站距離系數為-0.030，在1%的水平上顯著。說明在其他條件不變的情況下，地鐵站距離每增加100%，住宅價格降低3%。而加入兩個虛擬變量后，地鐵站距離系數絕對值略有下降（2.7%），但依然在1%的水平上顯著。此外，換乘站的系數為0.040，表明換乘站周邊的住宅價格比常規站周邊平均高4%。首末站的系數為-0.085，表明首末站周邊的平均住宅價格比常規站周邊平均低8.5%，原因是首末站大多位于城市郊區，因此周邊住宅價格較低。以上分析說明了換乘站點和首末站點對房價的顯著影響，也說明了忽略換乘站、首末站和常規站的區分會帶來參數的錯誤估計，對現有文獻進行了很好的補充。

4.2 比較換乘站和常規站距離對房價的影響差異

為了比較換乘站、首末站和常規站距離對房價的影響差異，引入兩個交叉項（換乘站×地鐵站距離，首末站×地鐵站距離），然后進行特征價格模型（模型三）估計。分析得出，自變量對因變量變異的解釋能力為77.31%，略高于之前的模型。

表3展示了模型三估計結果。換乘站×地鐵站距離的系數為負，并在5%的水平上顯著，說明較之鄰近常規站，購房者愿意付更多的錢來鄰近換乘站。換乘站×地鐵站距離的系數為-0.063。這說明到地鐵站距離每減小100%，換乘站鄰近區域住宅買主愿意多付8.9%（=6.3%+2.6%），而常規站鄰近區域住宅買主只愿意多付2.6%。另外，首末站×地鐵站距離這個變量并不顯著，說明首末站和常規站的增值效應并無顯著差異。

表3 模型三估計結果Tab.3 model 3 results

4.3 穩健性檢驗

眾所周知，面積是房價最為重要的影響因素（房價=面積×均價）。為了剝離面積對房價的影響和確保主要結論的穩健性，本研究進行如下的穩健性檢驗：以均價作為因變量，對模型二和模型三進行重新估計。表4展示了穩健性檢驗結果。四個核心變量系數在符號和顯著性上沒有變化，僅是系數略有差異，這說明我們的結果是比較穩健的。

表4 穩健性檢驗結果Tab.4 results of robustness checks

5 結論與討論

盡管較多文獻研究了軌道交通與房價的關系，但極少研究考慮了地鐵換乘站、首末站和常規站增值效應的差異。本研究以成都地鐵站點2.5 km范圍內2 535個小區的27 814個住宅樣本為樣本，建立了一系列雙層隨機截距特征價格模型，研究了地鐵可達性與房價之間的關系。研究發現，地鐵對房價具有增值作用；鄰近換乘站、鄰近首末站與房價分別正向、負向相關；換乘站對周邊房價的增值效應遠大于常規站，但首末站和常規站的增值效應相差無幾。

使用合適的價值捕獲方案來輔助城市軌道交通的開發是當務之急。但是，我國大陸地區在實施國際最主流的兩種價值捕獲策略——基于稅收（如美國）和基于“R+P”聯合開發（如中國香港）——都面臨著一定的制度性約束，比如土地與房產相關稅收制度約束和軌道交通沿線的土地取得方式約束[8,42]。盡管上海、重慶、深圳等城市都進行了一些試驗，上述兩種主流的價值捕獲策略并未（當然也難以）在我國大陸地區大規模執行。此外，公私合作伙伴關系模式（public-private partnership，PPP）可以通過合理、有效的機制讓公共部門和私營部門實現利益共享和風險共擔來進行項目融資，它已被證實有望提高公共品供給的效率。實際上，成都地鐵的建設采取了該模式：地方政府、成都軌道交通集團有限公司和SPV（special purpose vehicle）公司（如中國電力建設集團、成都中鐵惠川城市軌道交通有限公司、中交成都軌道交通投資建設有限公司等）形成合作伙伴，共同進行地鐵建設。再次，探索具有我國特色、適合在我國“土壤”生存的價值捕獲策略及投融資模式顯得重要，比如深圳探索香港的“R+P”模式和武漢的土地控制與儲備策略[42]。最后，本研究所發現的不同地鐵站點類型帶來的增值效應差異說明了基于全局、大范圍、一刀切的政策制定可能并不合適，充分考慮區域差異性是政策制定的題中應有之義。

圖表來源：

圖1-3：作者繪制

表1-4：作者繪制