工業遺產改造對周邊住宅價格的溢出價值研究
——以合鋼廠為例

■ 趙沁娜 李 航

（1.合肥工業大學管理學院，安徽合肥230009;2.合肥工業大學產業轉移與創新發展研究中心，安徽合肥 230009）

一、引言

作為老舊城區改造、城市更新的重要組成部分，工業遺產的保護與再利用已經得到了世界各國的高度重視[1][2]。我國自2006年以來，逐步出臺了《關于加強工業遺產的保護通知》《國家工業遺產管理暫行辦法》等系列文件來指導和規范工業遺產管理。特別是2021年5月《推進工業文化發展實施方案（2021-2025年）》的出臺進一步明確了“提高工業遺產保護利用水平是未來五年要完成的重點任務之一，力爭在資源整合、要素供給、項目實施等方面推動形成政策合力”。可以預見，伴隨著城市轉型發展和傳統產業改造升級進程加快，工業遺產保護利用正進入重要的提升階段。

從諸多工業遺產保護和利用實踐來看，工業遺產大多都以改造成文化創意園區為主。如，北京798藝術區、沈陽1905 文化創意園等，已經成功實現從“工業銹帶”到“生活秀帶”轉變，實現了價值保留和增值[3]。改造后的工業遺產不僅保留了其歷史價值、文化價值、技術價值等固有價值，還提供工業旅游、工業科研、改善環境和調節生態等功能，進而帶動周邊地區經濟發展以及居民生活滿意度的提高，反映在資本市場上就是消費者出于“舒適性”的考慮會根據自己收入和偏好愿意支付更高的費用來購買工業遺產周邊的住宅，進而表現為工業遺產改造對周邊住宅市場具有明顯的增值效應。

眾所周知，老舊城區改造、城市更新往往需要投入大量的財政資金，而適宜恰當地評估這部分溢出效應將有助于政府有效地進行財政資源分配[4]。從已有文獻來看，學者們往往會通過衡量其存在或改造后對周邊住宅市場的影響來表征。傳統房地產評估方法預測住宅價格及其走勢有局限性，而BP 神經網絡具有能夠高效率地處理非線性問題，降低主觀隨意性等特點，本文以馬鋼（合肥）鋼鐵公司工業遺產（2018年認定為第二批國家工業遺產，尚待改造）為研究對象，嘗試將BP 神經網絡法和Hedonic 模型相結合，假設合鋼廠未來改造為文化創意產業用途的情境下，預測其對周邊住宅市場的溢出價值。本文的研究可以進一步豐富工業遺產改造的經濟社會效益評價方法，為工業遺產保護與管理部門決策提供依據。

二、文獻綜述

學者們普遍認為工業遺產的保護與再利用有助于改善城市居民的居住環境，提高城市生活質量、公共安全以及城市形象，具有典型的正外部性[5]。國內外不乏有關于環境改善對住宅價格影響的研究成果，諸如環境治理、城中村改造、棕地再開發等，研究方法上也以特征價格法應用最為廣泛。如，Michael Boyle 等早在1996年就以緬因州的34 個湖泊為研究對象，發現水體透明度改善1 公里平均會周邊房價帶來11-200 美元的溢價[6]。Kaufman（2006）等定量估算棕色地塊改造成為公共綠地后對周邊住宅可能產生的升值效應[7]。Zhang et al.（2016）研究了 2008年北京奧運期間城中村拆除對周邊住宅價格的影響，結果表明城中村拆除后給周邊住房價格帶來約 3-4%的溢價[8]。劉彩霞（2019）在 Hedonic 模型的基礎上運用雙重差分法，研究了城市更新對商品房市場的溢出效應。結果表明城中村改造后周邊住房價格平均上升了2.32%，且城中村改造的外部性空間上呈現距離衰減趨勢，在時間上呈現逐步推進趨勢[9]。黃忠華等（2019）研究發現杭州市的城市更新項目在建設期和運營期對周邊住房價格分別產生28.6%和32%的溢價[10]。王優容（2020）以北京市海淀區棚戶區改造為研究對象，使用雙重差分法研究棚戶區改造項目對周邊住房價格的溢出效應，研究發現棚戶區的搬遷和重建有助于改善周邊環境從而提高周邊住房價格，存在正的溢出效應，但是也存在負的階段效應[11]。

通過文獻梳理，我們發現最早將調整價格法應用到文化遺產領域的是學者Ford。1989年，Ford通過比較分析巴爾的摩的歷史街區比非歷史街區的房產交易數據，發現位于歷史街區的房產獲得了溢價[12]。Asabere 和Huffman（1994）的研究結果表明，位于聯邦認證的歷史街區的住宅比其他地區的房產售價高出26%[13]。Ruijgrok（2006）則發現建筑物及其周邊環境的歷史文化特征會帶來15%的溢價[14]。Koster 和Rouwendal （2017）研究了公共投資對歷史建筑翻新和維護的經濟影響，顯示每平方公里投資增加100 萬歐元會導致房價上漲1.5%-3%[15]。Mark van Duijn（2016）采用了雙重差分的特征價格法分析了荷蘭36 個工業遺產改造項目對周邊住宅價格的時間和空間效應，發現工業遺產項目完成改造后，會給周邊住宅價格帶來積極的正面效應[16]。Liu（2020）通過雙重差分特征價格模型對荷蘭42 個宗教遺產再利用項目為樣本進行研究，發現房價的影響會隨著距離宗教遺產的遠近而降低[17]。學者Jayantha Wadu Mesthrigea（2018）的研究結果則不盡相同，認為工業建筑無論是再利用還是完全改建，都不會對周邊住宅價格產生正向效應[18]。

總結國內外文獻研究成果，我們發現已有研究對人文景觀、歷史文化遺產的經濟價值量化居多，而對工業遺產及其改造后的溢出效應進行貨幣化量化的研究涉及比較少，研究亟待進一步深入。基于此，本文嘗試構建以特征價格模型為基礎，利用BP神經網絡法為基本分析手段，利用合肥市已完成改造的用于為文化創意產業的工業遺產項目實際帶來的溢出效應進行效益轉移，來預測合鋼廠改造后對周邊住宅價格帶來的溢價。

三、研究方法

（一）特征價格法

依據Rosen（1974）提出的特征價格法，影響住宅價格的主要因素主要包括三大類：區位特征（L）、建筑結構（S）和鄰里環境（N）。本文采集合肥市已經改造成功的工業遺產周邊2km 范圍內的樓盤樣本數據（見表1），利用特征價格法對樣本數據進行回歸分析，得出住宅價格與改造后的工業遺產距離之間的彈性價格，即在諸多影響因素共同作用下，與改造后的工業遺產的距離對住宅價格的貢獻。同時將剔除不顯著特征變量后的數據集作為BP 神經網絡模型訓練樣本數據。

表1 特征變量的選取

（二）人工神經網絡法

人工神經網絡法（Artificial Neural Network，ANN）是人們模仿人腦神經網絡的結構和功能，人工構造的信息處理系統或數學模型。其中，BP 神經網絡是使用最為廣泛的神經網絡之一。BP 神經網絡是一種多層前饋網絡，通過對網絡中所有權重計算損失函數的梯度，反饋給最優化方法，用于更新權值以最小化損失函數，迭代進行以上過程知道網絡對輸入的響應達到滿意的預定目標范圍為止[19]。

我們將上述剔除不顯著特征變量后的數據集作為BP 神經網絡模型訓練樣本，抽取100 份樣本，一部分樣本對BP 神經網絡模型進行自我學習和多次訓練，另一部分用來檢測該模型的準確性與可靠性。利用訓練好的BP 神經網絡模型，預測合鋼廠未來改造后對周邊住宅市場的溢出價值。圖1為本文的研究方法。

圖1 本文的研究方法

四、研究對象和數據采集

（一）研究對象

近些年來，隨著合肥市推行“退二進三” 的產業結構調整，導致大批老工業廠區廢置、傳統工業衰退，不少企業“關、停、并、轉”，未被界定為文物的工業建筑物正急速消失等。這些工業遺產不僅是合肥市文脈的重要構成，也是合肥市發展的重要見證，具有十分重要的價值。合鋼廠位于合肥市東部新中心的核心區域，歷經了六十多年的調整和改革，2015年響應國家去產能政策而關停。但合鋼廠內的生產設施和建構筑物都基本得以保留，社會各界都提議將合鋼廠進行保護和再利用。2018年，合鋼廠被認定為第二批國家工業遺產，這表明將來合鋼廠將會被保護并改造，使得老一輩合肥人對鋼鐵的記憶得以保存，具有很高的歷史價值和文化價值。

（二）數據采集

（1）住宅掛牌數據。本文選擇了合肥四個改造為文化創意產業用途的工業遺產項目：合柴1972、合肥1958 藝術博物館、火車頭劇場、長江180 藝術街區，為研究對象（見表2）。采用后羿phion 軟件在鏈家二手房板塊對“住宅均價”“建筑面積”“物業費”“容積率”等特征進行采集；同時整理了房屋的一些建筑特征如朝向、樓層和房屋周邊的“生活配套”“教育配套”“交通”等特征并進行打分。在剔除了特征因素不完整和重復的房源數據之后，本文在spss 軟件中利用常規的Z 分標準化法對處理后的這些數據做了異常值剔除，最終得到了334 個住宅小區的8434 組房源樣本數據。

表2 合肥已改造和再利用的工業遺產

（2）電子地圖數據。本文主要利用百度地圖的定位和測距功能來完成距離數據的采集，包括各住宅小區至CBD、商圈、公園、地鐵以及工業遺產的距離。

所有變量的說明與描述性統計分析見表3。

表3 變量說明與描述性統計

續表

五、實證結果分析

（一）特征價格模型回歸結果

表4為OLS 模型回歸結果，調整后為0.6461，F值為856.4875，且在1%的水平下顯著，說明模型擬合優度較好。由研究結果可以看出，除了公交距離和商圈距離以外，其余變量均通過了1%水平下的顯著性檢驗，且大部分特征變量的相關性系數符號與預期相同。剔除“公交距離”和“商圈距離”兩個不顯著特征變量后的數據集作為BP 神經網絡模型訓練樣本。本文重點關注變量“距工業遺產的距離”在1%的水平下表明顯著，回歸系數為-0.0964，表明工業遺產改造對周邊住宅市場具有顯著的正向效應，可以帶來9.19%的溢價①半彈性系數=（e 回歸系數-1）×100%。

表4 OLS 模型回歸結果

續表

（二）BP 神經網絡預測結果

在上述剔除“公交距離”和“商圈距離”兩個不顯著特征變量后的數據后，集中抽取了100 份樣本。80 個樣本作為神經網絡模型的訓練集，20 個樣本作為神經網絡的測試集。輸入變量為每個樣本數據的量化標準值，輸出變量為住宅價格。從模型輸出的結果來看（見圖2），平均絕對百分比誤差為2.55%，相關系數R=0.8624，R2=0.7437，可見BP 神經網絡模型的預測效果較好。

圖2 BP 神經網絡訓練結果

根據前文表1所列的住宅價格特征變量，本文采集了尚待改造的合鋼廠周邊2km 范圍內的12 個住宅小區110 組房源樣本，樣本的描述性統計見表5。

表5 合鋼廠周邊2km 樣本房源變量的描述性統計

續表

本文利用訓練好的神經網絡模型，預測出未來合鋼廠經過改造后周邊2km 范圍12 個住宅小區110個樣本房源總價值為13 746.59 萬元。根據前文研究結果，其中有9.19%的增值收益是來源于工業遺產改造的溢出價值內嵌。故未來合鋼廠改造后給樣本房源帶來的溢出價值為13 476.59×9.19%=1 238.50萬元。

六、結論

工業遺產改造能夠有效地改善城市人居環境，帶動周邊地區經濟發展以及居民生活滿意度的提高，反映在資本市場上就是工業遺產改造對周邊住宅市場具有明顯的增值效應。本文重點觀察了尚待改造的合鋼廠未來改造用于文化創意產業情境下對周邊住宅市場的溢出價值。研究表明合肥市已改造為文化創意產業用途的工業遺產項目對周邊住宅市場的溢價的平均水平為9.19%。在此基礎上，運用BP 神經網絡法預測合鋼廠未來改造后對周邊2km 范圍內12 個住宅小區110 個樣本房源的溢出價值約為1 238.50 萬元。本文的研究可以進一步豐富工業遺產改造的經濟和社會效益評價方法，從而為工業遺產保護與管理部門的決策提供依據。