长江中游城市群县域住宅地价空间关联特征及其影响因素研究
(1. 浙江大学公共管理学院, 杭州 310058
2. 华中农业大学公共管理学院, 武汉 430070)
摘要: 住宅地价对调控地方经济发展, 优化城市国土空间布局的作用日益凸显。本文以2017年长江中游城市群229个县 (市、区) 的住宅地价为研究对象, 基于均衡价格和区域经济理论, 建立县域住宅地价的影响因素理论模型; 运用空间自相关分析、空间滞后模型等方法对研究区住宅地价空间分布特征及影响因素进行探究。研究结果表明: (1) 长江中游城市群内不同县域住宅地价总体差异显著, 住宅地价水平由低到高整体呈现“金字塔”型分布。 (2) 城市群内县域住宅地价空间分布格局受区位条件和上级市行政等级影响较大。住宅地价在东西方向上呈现倒“U”型分布, 东部整体高于西部; 南北方向上由北向南呈现逐渐下降的趋势。 (3) 研究区县域住宅地价全局莫兰指数为0. 603, 整体存在显著的空间正相关和集聚现象, 在局部上的空间集聚特征明显。 (4) 长江中游城市群县域住宅地价间存在显著正向溢出效应, 研究区县域住宅地价同时受到土地供需因素和政策制度、政府调控能力的强烈影响。相关结论可为城市群通过地价调控优化城市资源配置, 缩小区域发展差距, 促进区域一体化发展提供参考。
关键词: 长江中游城市群, 住宅地价, 影响因素, 空间滞后模型, 空间特征
引用格式: 任锦铭, 曾晨, 吴宇哲. 长江中游城市群县域住宅地价空间关联特征及其影响因素研究[J]. 发展地理学前沿, 2023, 2(4): 38-52.
文章类型: 研究性论文
收稿日期: 2023-11-15
接收日期: 2023-12-26
出版日期: 2023-12-28
0 引言
土地作为城市发展过程中不可或缺的要素之一，其价格是地区经济运行的一种价值判断标准，反映了土地的供需状况[1]，同时，地价也是政府在宏观层面上调控土地要素市场的重要手段。近年来，城市群成为促进我国区域经济发展的空间组织模式和推进新型城镇化的主要抓手，长江中游城市群作为以武汉城市圈、环长株潭城市群、环鄱阳湖城市群为主体形成的国家级特大城市群，承担着全国重要增长极的重点角色。“十四五”规划提出，“推进以县域为重要载体的城镇化建设”、“推动长江中游城市群协同发展，加快武汉、长株潭都市圈建设”。推进县域城镇化的重要一环是解决城市新市民的住房问题，所以房价的重要影响因素——住宅地价，是城市群发展建设过程中不可忽视的一类地价。县级尺度上的土地供需影响因素会直接作用于当地住宅地价水平，导致不同县区住宅地价产生分异集聚现象，进而影响地区房价和民生福祉。因此，住宅地价空间特征及其影响机制成为学者们越发关注的研究话题。
国外学者对于住宅及其地价的研究起步较早，Dubin(1992)运用克里金法，刻画了巴尔的摩市的房价的空间关系，并证明可利用克里金插值方式估计未知位置的住宅价格。我国学者在国外研究基础上，运用空间自相关分析[3]地统计学方法[4]、趋势分析[5]、核密度估计[6]等方式对全国、区域、城市不同尺度下的住宅地价时空演变特征和规律进行了大量探索。在探究地价形成的影响机制上，Manning[7]基于住宅需求和住宅建设供给两个方面引进影响因素，扩展改进了住宅用地价格的供需函数，探究美国大都市间住宅地价差异的影响因素。Agbato等[8]对尼日利亚的房地产估价师和开发商进行结构化问卷调查和半结构化访谈，将43个不同的地价影响因素划分为11种类型，还有学者通过建立统计学模型对住宅地价影响因素进行探究[9-11]。我国学者对于地价影响因素的研究大多始于1988年《土地管理法》规定的国有土地有偿使用之后，董黎明和冯长春[12]在早期研究城市土地经济时，就提出地价评估需要考虑区位、城市配套设施、环境质量和质量条件四个方面。杨继瑞[13]从土地供需、物理性质、周围环境、行政、经济、人口、社会、心理因素等10个方面对城市地价影响因素进行了分类补充，之后的学者在此基础上，根据不同研究尺度和方法来寻找相应的地价影响因素。在研究区域上，当前研究多聚焦于对单个热点城市内部的地价影响因素 [14-19]，随着我国区域一体化发展日益成熟，国内学者也开始着眼于全国、城市群以及省际这样的大中尺度进行地价影响因素研究[20-23]。在研究方法上，学者们多采用基于计量经济学的统计模型如多元线性回归模型[24]、特征价格模型[25]、多层线性模型[26]等来探讨城市地价的影响因素，随着区域间社会经济活动空间互动程度的不断加强，空间计量方法也被频繁运用到该研究领域，大量研究采用局部地理加权回归模型研究住宅地价的空间异质性 [27-31]，以及空间计量模型探究地价的空间效应[32]。
当前研究在区域住宅地价空间布局、异质性和影响因素方面已取得了一系列研究成果，并将研究成果应用到了区域协调发展领域。但在构建影响因素评价指标体系时，现有研究对于社会经济因素和微观地块个体因素的选取较多，较少考虑体现政府土地供给能力、土地所在地区政策制度因素相关的区域影响因素。从研究方法来看，已有大量研究利用地理加权回归模型研究城市地价的空间异质性问题，但基于县域尺度对城市群住宅地价外溢效应进行测度的研究相对较少。本文以长中游城市群229个县(市、区)住宅地价为研究对象，利用趋势分析、空间自相关分析等方法探究城市群住宅地价的空间分布特征，并建立地价影响因素理论模型选取住宅地价影响因素，运用空间回归模型对城市群县域地价外溢效应和影响机制进行研究，以期为城市群通过地价调控来优化城市土地资源配置，缩小区域发展差距，促进区域一体化发展和县域城镇化建设提供参考。
1 数据与方法
1.1 研究区域
长江中游城市群地处我国腹地、长江中游，位于东经110°15'~118°29'，北纬26°32'~32°23'之间，国土面积约31.7万km2，约占我国陆地国土面积的3.3%。城市群行政区划范围包括湖北省13个市下辖的83个县(市、区)，湖南省8个市下辖的64个县(市、区)以及江西省10个市下辖的82个县(市、区)。2017年，长江中游城市群常住人口达12921.6万，约占我国总人口的9.3%。总产值为73346.65亿元，占全国GDP的9.16%。
1.2 数据来源与处理
1.2.1 数据来源
土地价格是政府出让或转让国有建设用地使用权的价格，一般可分为住宅地价、商服地价和工业地价三大类，本文的研究对象为住宅地价。当前我国大部分商品房建设用地主要以“招拍挂”的市场化竞价方式获得。为客观反映长江中游城市群县域地区真实住宅地价，本文选取土地一级出让市场上的“普通商品住房用地”、供地方式为“招标”、“拍卖”和“挂牌”的住宅用地出让样点作为县域平均地价数据来源。研究时点(2017年)长江中游城市群229个县区的住宅用地出让样点交易信息均来自中国土地市场网(https://www.landchina.com/)，除去缺失出让价格和面积信息的样点，最终筛选出符合条件的土地出让样点2309个。
1.2.2 数据预处理
本文中采用的县域住宅地价为土地出让一级市场上通过招标、拍卖、挂牌三种方式出让成交的住宅用地的平均价格，即一个县区当年通过招拍挂出让的住宅用地面积之和与总成交价格相比得到的单位面积地价，该指标反映了县区住宅用地带来收益的平均能力[5]。县域住宅地价数据的描述性统计分析发现，对数变换后的县域住宅地价呈现较强的正态分布特征，如表1和图2所示，因此使用对数变换后的县域住宅地价进行后续研究分析。
图1 研究区域位置图
Fig.1 Location map of the study area
表1 长江中游城市群县域住宅地价描述性统计
Table 1 descriptive statistics of county residential land price in urban agglomeration in the middle reaches of the Yangtze River
|
数据 |
县区数/个 |
平均值 /(元/m2) |
最大值 /(元/m2) |
最小值 /(元/m2) |
标准差 /(元/m2) |
偏度 |
峰度 |
|
原值 |
229 |
3831.19 |
47727.27 |
247.35 |
5320.39 |
4.876 |
31.09 |
|
对数变换 |
229 |
7.80 |
10.77 |
5.51 |
0.89 |
0.41 |
0.54 |
图2 长江中游城市群县域住宅平均地价对数变换后检验
Fig.2 Post logarithmic transformation test of land price of County residential sample points in urban agglomeration in the middle reaches of the Yangtze River
1.3 研究方法
1.3.1 县域住宅地价影响因素理论模型构建
基于均衡价格理论[33,34]，土地供给和土地需求状况是地价形成的关键要素。城市土地需求一定，供给减少，地价上涨;供给增加，地价则会下跌。反之，城市土地供给一定时，需求减少，地价下降;需求增加，相应地，城市地价上升。我国城市土地绝大部分属于国有，土地供给由政府进行统一规划调度，供给弹性较小，但城市土地需求会因为城市社会经济发展水平及发展潜力有较大波动。结合区域经济理论[35]，某一区域的社会经济活动和生产过程会受到该区域资源环境、制度政策、产业发展水平、人口分布、交通状况、科教水平以及消费水平等的极大影响。非劳动因素总是通过影响城市土地供给或城市土地需求来影响地价[13]。综合上述理论，以县域住宅用地的供给和需求为出发点，考虑区域发展过程中重要的政府政策因素和县域邻近的空间效应，构建住宅地价影响因素理论模型如下(图3)。
图3 县域住宅地价影响因素理论模型
Fig.3 Theoretical model of influencing factors of county residential land price
1.3.2 县域住宅地价的空间分析和建模
空间自相关的本质即地理空间主体间广泛存在的空间依赖性[36]。Cliff与Ord(1973)在阐述空间自相关的文章中系统性地给出了基于Moran指数的空间自相关统计和检验方法。本文基于全局莫兰指数(Global Moran’s I)分析长江中游城市群县域住宅地价在空间上的关联和集聚现象，进一步使用局部莫兰指数(LMI)测度城市群县域住宅地价的局部集聚特征。同时，为了更好地解释长江中游城市群县域住宅地价的空间交互作用与依赖性，在Anselin(1996)提出的LM检验基础上，选取合适的空间回归模型进行拟合。
(1)空间滞后模型(SLM)
空间滞后模型SLM(式(3))中包含住宅地价的空间滞后项，以表征某一地区的住宅地价依赖于相邻地区的住宅地价，并验证地价的影响因素通过空间传导机制作用于相邻地区，其表达式为:
(3)
式中，y为因变量，ρ为空间效应系数，W是构建的空间权重矩阵，Wy为空间滞后因变量，X是解释变量矩阵，β是参数向量，ε为随机误差项向量。
(2)空间误差模型(SEM)
空间误差模型SEM(式(4)、(5))通过加入误差项的空间自相关来处理空间依赖效应，度量相邻地区中影响因子变动对住宅地价的误差冲击，进而对某地区地价造成的影响程度。其表达式为:
(4)
(5)
式中，ε为随机误差项向量;λ为n×1的截面因变量向量的空间误差系数，测算邻近单元关于被解释变量的误差冲击对观测单元属性值的影响程度;μ为正态分布的随机误差向量。
2 结果分析
2.1 长江中游城市群县域住宅地价空间格局特征
2.1.1 县域住宅地价总体分布特征
描述性统计分析的结果显示，研究区域内住宅地价最高的县区出现在武汉市，达到47727元/m2，最低县区住宅地价为耒阳市的247元/ m2，标准差为5320元/m2，表示区域内住宅地价差异较大。城市群县域住宅平均地价约为3831元，以县域住宅地价均值为分界线，价格高于平均地价的县区数量为65个，价格低于平均地价的县区数量为164个，二者数量之比约为3:7，表明研究区域内较优的住宅用地资源仅分布在少数行政单元(28.38%)。
基于长江中游城市群县域住宅地价结果，将研究区229个县(市、区)的住宅地价划分为七个等级:极低地价县区、低地价县区、中低地价县区、中等地价县区、中高地价县区、高地价县区、极高地价县区，数据的自然裂点由低到高依次为1665、2990、4792、7353、12630、19688元/m2(表2)。从不同地价区间的行政单元数量来看:住宅地价越高，县区数量越少，长江中游城市群县域住宅地价水平整体呈现“金字塔”型分布。从不同地价区间的人口和GDP来看:高地价区和极高地价区以长中游城市群0.4%的人口数量创造了11.44%的城市群生产总值;极低地价区和低地价区以63.67的土地面积承载71.44%的人口，但极低地价和低地价区总人口的生产总值只占城市群总产值的48.54%。
表2 长江中游城市群县域住宅地价分布
Table 2 Distribution of county residential land price in urban agglomeration in the middle reaches of the Yangtze River
|
|
极低 |
低 |
中低 |
中等 |
中高 |
高 |
极高 |
|
价格范围/(元/m2) |
<1665 |
[1665，2990] |
[2990，4792] |
[4792，7353] |
[7353，12630] |
[12630，19688] |
>19688 |
|
县区数量/个 |
81 |
66 |
37 |
20 |
16 |
6 |
3 |
|
县区比重/% |
35.37 |
28.82 |
16.16 |
8.73 |
6.99 |
2.62 |
1.31 |
|
总产值/亿元 |
19586.80 |
16022.25 |
12523.45 |
7132.19 |
9694.71 |
5222.25 |
3165.00 |
|
总产值占比/% |
26.70 |
21.84 |
17.07 |
9.72 |
13.22 |
7.12 |
4.32 |
|
面积/km2 |
151998.49 |
115577.08 |
53567.5 |
18637.48 |
7959.25 |
1273.06 |
220.11 |
|
面积占比/% |
34.53 |
29.14 |
16.14 |
7.16 |
6.96 |
4.23 |
1.82 |
|
人口/万人 |
4462.26 |
3765.42 |
2086.13 |
925.01 |
899.62 |
547.18 |
234.99 |
|
人口占比/% |
40.58 |
30.86 |
14.30 |
4.98 |
2.12 |
0.34 |
0.06 |
2.1.2 县域住宅地价空间分布格局
图4显示了长中游城市群县域住宅地价空间分布图。长江中游城市群低等级住宅地价呈现连片分布格局，高等级地价呈“三角”格局分布。城市群内极低地价区主要在城市群鄂西、湘南地区和鄂、湘、赣三省交汇地带连片分布;中至高地价区主要集中在城市群省会城市下辖的县区，形成三角格局，其中高、极高地价区出现在湖北省会武汉市中心城区的江岸、江汉、汉阳三区。同时研究区县域住宅地价的上级市行政级别差异显著，上级市行政等级越高的县(市、区)住宅地价越高，县域住宅地价总体上呈现出“副省级城市—省会城市—普通地级市”这样按上级市的行政等级由高到低的分布格局。
在此基础上，为更加直观地观察长江中游城市群县域住宅地价分布趋势，利用地统计分析工具刻画研究区县域住宅地价分布趋势(图5)，可以看出县域住宅地价在东西方向上呈现倒“U”型分布，且东部整体略高于西部。东西方向上住宅地价趋势呈现倒“U”型主要是因为县域住宅地价高值出现在城市群中部，即武汉市所在的地区;另外，由于长江中游城市群的西部城市临近我国地形第二级阶梯，因此部分县区存在大面积山区，如宜昌市的兴山县、秭归县，以及常德市的临澧县和石门县等。受到自然条件和区位的影响，城市群西部县区的住宅用地开发适宜性低于东部县区，因此西部县区住宅地价水平整体略微低于更靠东部、多位于平原地区的县区。同时长中游城市群县域住宅地价在南北方向上由北向南呈现逐渐下降的趋势。南北方向上县域住宅地价受武汉市县区地价高值的影响，首先在靠北的地区达到峰值，由此向南，地价呈现出逐渐下降的趋势。趋势线尾部地区的县市在地理空间上距离本省经济中心城市较远，难以受到经济辐射带动和高地价溢出影响，因此县域住宅地价水平在城市群南部降到了最低。
图4 长江中游城市群县域住宅地价空间分布
Fig.4 Spatial distribution of county residential land price in urban agglomeration in the middle reaches of the Yangtze River
图5 长江中游城市群县域住宅地价分布趋势
Fig.5 Distribution trend of county residential land price in urban agglomeration in the middle reaches of the Yangtze River
图6 长江中游城市群县域住宅地价LISA集聚图
Fig.6 LISA agglomeration map of county residential land price in urban agglomeration in the middle reaches of the Yangtze River
2.1.3 县域住宅地价空间关联特征
长江中游城市群县域住宅地价进行全局空间自相关分析得到全局莫兰指数为0.603，表明长江中游城市群县域住宅地价有明显的集聚特征。进一步利用Local Moran’s I探究长江中游城市群县域住宅地价在局部上的空间集聚特征。由图6可知 “高-高集聚区”出现在城市群三省省会武汉市、长沙市和南昌市的下辖县区，具体包括武汉市6个中心城区以及蔡甸、东西湖和黄陂3个新城区、长沙市的开福区、南昌市的东湖、西湖和青云谱区。这些县区拥有较多的发展机会和常住人口，区位优势明显，与周围县区社会经济联系紧密，从而住宅需求旺盛，地价水平较高，溢出效应明显。“低-低集聚区”主要出现在鄂中西部、湘南地区的县区，这些地区自身发展水平受到多种因素限制(区位、投资、政策、人口等)，且距离省会城市较远，周围缺少强有力的经济中心带动，难以接受来自经济发达地区的经济辐射和外溢影响，因此这些县区的住宅地价均处于较低水平，呈现出“低-低”聚集的状态，与周边县区差异较小。“高-低”集聚区出现在荆州市的沙市区。沙市区属于鄂中南部长江沿岸经济强市荆州市的中心城区及市政府所在区，拥有良好的区位和发展条件，因此本地的房地产需求较强，因而住宅地价较高，但受限于整体经济实力，沙市区对周边县区的地价带动能力并不强，从而形成低值包围高值的异质区。
2.2 长江中游城市群县域住宅地价影响机制分析
2.2.1 县域住宅地价影响因子的选取
在县域住宅地价影响因素理论模型的基础上，从土地供给、除土地外其他投入品供给、社会经济发展水平、政府政策等六方面选取住宅地价影响因子(表3)。(1)供给方面:包括土地供给和除土地外其他投入品供给，选取“住宅用地供给总量”这一指标反映政府土地供给能力;除土地外其他投入品主要考虑资本要素，选取“固定资产投资”和“房地产开发投资”两个指标来表征土地供给侧除土地外其他投入品的供给水平。(2)需求方面:考虑到一个城市的住宅地价主要受居民住房需求和城市发展水平的影响。其中，居民住房需求可以由县区的人口状况、居民生活消费水平表征;而城市发展水平则可以通过社会经济状况、基础设施建设等方面反映。因此本文主要从社会经济发展水平、居民生活消费水平、配套基础设施三个方面选取“人均产值”、“第三产业占GDP比例”、“人口密度”、“城镇化率”、“城镇居民人均可支配收入”、“人均消费品零售额”和“公路密度”这7个影响因素对住宅地价进行综合衡量。(3)其他:各县区所处的城市行政级别和政府保障能力也会在很大程度上影响国家对这些地区的政策倾斜和土地开发投资吸引力度，选取“上级市行政级别”、“一般预算收入”这两个指标来反映县域的城市政府政策优势。
表3 县域住宅地价影响因素指标体系
Table 3 Index system of influencing factors of county residential land price
|
理论要素 |
影响因素 |
评价指标 |
|
供给要素 |
土地供给 |
X1住宅用地供应总量/hm2 |
|
|
除土地外其他投入品供给 |
X2固定资产投资额/万元 |
|
|
|
X3房地产开发投资额/万元 |
|
需求水平 |
社会经济发展水平 |
X4人均GDP/(万元/人) |
|
|
|
X5第三产业占GDP比例/% |
|
|
|
X6人口密度/(人/km2) |
|
|
|
X7城镇化率/% |
|
|
居民生活水平 |
X8城镇居民人均可支配收入/(元/人) |
|
|
|
X9人均消费品零售总额/(元/人) |
|
|
基础设施配套 |
X10公路密度/(km/km2) |
|
政府行政 |
政府政策因素 |
X11上级市行政级别 |
|
|
|
X12一般预算收入/万元 |
住宅用地供应总量包含各县区以招标、拍卖、挂牌、协议和划拨五种方式供给的住宅用地总面积;公路密度由各县区行政区域内的铁路、高速公路、城市高速路、国道和省道总长比上县区面积得到;其余社会经济数据来自长江中游城市群各市、县2018统计年鉴、国民经济和社会发展统计公报以及政府公示的其他统计信息。运用R 4.2.0中方差膨胀因子(VIF)对影响因子进行多重共线性诊断，12个指标的VIF均小于10，且kappa系数小于100(表4)。表明各项指标之间不存在严重共线性问题，可以进行后续的回归实验。
表4 长江中游城市群县域住宅地价影响因素多重共线性检验
Table 4 Multicollinearity test of influencing factors of county residential land price in urban agglomeration in the middle reaches of the Yangtze River
|
影响因素 |
评价指标 |
VIF |
|
土地供给 |
X1住宅用地供应总量/hm2 |
1.2666 |
|
除土地外其他投入品供给 |
X2固定资产投资额/万元 |
3.5295 |
|
|
X3房地产开发投资额/万元 |
3.1821 |
|
社会经济发展水平 |
X4人均GDP/(万元/人) |
4.5676 |
|
|
X5第三产业占GDP比例/% |
1.9714 |
|
|
X6人口密度/(人/km2) |
5.3237 |
|
|
X7城镇化率/% |
3.3197 |
|
居民生活水平 |
X8城镇居民人均可支配收入/(元/人) |
3.9197 |
|
|
X9人均消费品零售总额/(元/人) |
5.0072 |
|
基础设施配套 |
X10公路密度/(km/km2) |
5.0253 |
|
政府政策因素 |
X11上级市行政级别 |
2.0639 |
|
|
X12一般预算收入/万元 |
4.5841 |
2.2.2 空间回归模型的选择
本研究通过对多元线性回归模型相应统计量的检验来选择所适合的空间回归模型，并对非比例因素进行对数处理以减少异方差对模型估计的影响。首先，在独立性检验中(表5)，误差项的Moran’I 统计量通过1%显著性检验，因此需使用考虑了空间相关性的空间回归模型对长江中游城市群县域住宅地价进行影响因素探究。其次，对比LMlag与LMerr及其稳健性检验结果(表6)，综合考虑OLS、SEM、SLM的统计检验结果(表7)，空间滞后模型和空间误差模型的拟合优度均优于简单线性回归模型。最后，根据Anselin等[39]给出的模型选择和判别标准，综合考虑决定使用空间滞后模型(SLM)来衡量长江中游城市群县域住宅地价影响因素和溢出效应。
表5 回归误差项经典假设服从检验
Table 5 Compliance test of Classical hypothesis for regression error
|
经典假设 |
检验 |
值 |
P值 |
|
正态分布假设 |
Jarque-Bera |
4.1018 |
0.1286 |
|
同方差假设 |
Breusch-Pagan test |
14.9370 |
0.2449 |
|
|
Koenker-Bassett test |
12.1878 |
0.4307 |
|
|
White test |
84.6419 |
0.6397 |
|
独立性假设 |
Morans I(error) |
4.2007 |
0.0000 |
表6 空间依赖性诊断结果
Table 6 Spatial dependence diagnosis results
|
|
LMlag |
R-LMlag |
LMerr |
R-LMerr |
|
统计值 |
16.3882 |
3.2469 |
13.3252 |
0.1839 |
|
P值 |
0.0001 |
0.0716 |
0.0003 |
0.6680 |
表7 回归模型统计检验
Table 7 Statistical test of regression model
|
模型 |
R2 |
Ad-R2 |
Log-L |
AIC |
SC |
|
OLS |
0.5890 |
0.5661 |
-195.782 |
417.564 |
462.202 |
|
SLM |
0.6250 |
— |
-187.672 |
403.343 |
451.415 |
|
SEM |
0.6285 |
— |
-188.091 |
402.183 |
446.821 |
2.2.3 空间滞后模型的建立与检验
在GeoDa中建立运行空间滞后模型，结果如表8所示。
表8 空间滞后模型回归结果
Table 8 Regression results of SLM
|
变量 |
回归系数 |
标准误 |
t值 |
p值 |
|
常数 |
8.1574 |
4.0883 |
1.9953 |
0.0460** |
|
ρ |
0.3221 |
0.0775 |
4.1572 |
0.0000*** |
|
lnX1 |
0.0775 |
0.0310 |
2.5015 |
0.0124** |
|
lnX2 |
-0.3124 |
0.0994 |
-3.1426 |
0.0017*** |
|
lnX3 |
0.1146 |
0.0451 |
2.5416 |
0.0110** |
|
lnX4 |
0.1476 |
0.1371 |
1.0765 |
0.2817 |
|
lnX5 |
0.1982 |
0.1536 |
1.2903 |
0.1969 |
|
lnX6 |
0.0802 |
0.0715 |
1.1222 |
0.2618 |
|
lnX7 |
-0.1574 |
0.1647 |
-0.9560 |
0.3391 |
|
lnX8 |
-0.2538 |
0.3992 |
-0.6357 |
0.5250 |
|
lnX9 |
-0.0979 |
0.1199 |
-0.8163 |
0.4143 |
|
lnX10 |
0.2118 |
0.1043 |
2.0301 |
0.0424** |
|
lnX11 |
0.2403 |
0.1074 |
2.2383 |
0.0252** |
|
lnX12 |
0.2585 |
0.0962 |
2.6879 |
0.0072*** |
注:*、**、***分别表示在10%、5%、1%的水平下显著。
由表8可得到长中游城市群县域住宅地价空间滞后模型的表达式:
lnY=0.3221WY+0.0775lnX1-0.3124lnX2+
0.1146lnX3+ 0.2118lnX10+0.2403lnX11+
0.2585lnX12+ 8.1574
式中，Y表示县域住宅地价，W为空间权重矩阵，X1表示住宅用地供给总量，X2表示固定资产投资，X3表示房地产开发投资额，X10表示道路密度，X11表示上级市行政级别，X12表示一般预算收入。
2.2.4 县域住宅地价的影响因素分析
长江中游城市群县域住宅地价间存在显著的正向空间外溢效应，县域住宅地价的空间滞后系数ρ为0.3221，表明长中游城市群某一县区住宅地价的升高会显著带动邻近县区住宅地价的上涨，且该县区的住宅地价也受到周围县区住宅地价的影响，邻近地区间具有空间上的交互影响效应。
(1)供给因素与县域住宅地价
住宅用地供给总量(X1)的回归系数为0.0775，对县域住宅地价具有显著的正向影响。从市场供需角度看，需求一定的情况下，供给增加，商品价格应该降低，但住宅用地供给总量的增加，却会导致住宅地价升高，这可能是因为供小于求的阶段性。长期来看，住宅用地供给的持续增高，必然会导致住宅地价的回落。并且受土地供给弹性较小的这一客观事实影响，住宅用地供给总量对于县域住宅地价的影响力不如其他影响因素大。
固定资产投资(X2)的回归系数为-0.312，对县域住宅地价有显著的负向影响，也即固定资产投资增加，县域住宅地价下降。这表示在一定范围内，固定资产投资这一土地之外的资本要素供给可以作为住宅用地在一定程度上的替代品，资本要素通过增加容积率，提高开发集约度和土地利用率等方式，来缓解土地供给紧张，造成住宅地价的下降。
房地产开发投资额(X3)的回归系数为0.115，对县域住宅地价具有显著正向影响，房地产开发投资额越高，表明该地区房地产开发市场越活跃，投资者认为该地住宅及其用地的需求越大，住宅地价也越高;反之则表明开发商认为本地住宅需求较低，不看好当地房地产市场，因此住宅地价也不高。
(2)需求因素与县域住宅地价
需求层面的指标只有表征基础设施水平和对外联系程度的道路密度(X10)显著，其相关系数为0.2118。完善的交通路网和道路基础设施可以促进县区内部各项土地开发活动的进行，增加土地使用效益，也能够缩减该地区对外社会经济联系的时间成本，从而提升县域区位优势和人口吸引力，吸引投资商对该地进行房地产开发投资，引起本地住宅地价的攀升。
需求层其余指标(如人均GDP、第三产业增加值、人口密度、城镇化率等)对长江中游城市群县域住宅地价均有正向或负向影响，但都未通过显著性检验，这可能是因为长江中游城市群建立时间较短，与传统城市群如长三角、珠三角城市群不同，长中游城市群内县域整体社会经济发展水平不高，因此表征居民住宅需求的相关因素对住宅地价的影响力相比于其他直接影响因素来说较弱;且区域内各县区之间的发展水平差异大，处于不同发展阶段的县区，其住宅地价对这些影响因素带来的效应产生不同响应，从而也可能导致总体显著性降低。
(3)政府政策与县域住宅地价
上级市行政级别(X11)这一指标的回归系数为0.2403，表明上级市行政级别对研究区县域住宅地价具有正向影响。一般预算收入(X12)的回归系数为0.2585，表明政府预算收入对长江中游城市群县域住宅地价具有非常显著的正向影响。
3 结论与建议
3.1 研究结论
本文以2017年长江中游城市群229个县(市、区)的住宅地价为研究对象，在均衡价格理论以及区域经济理论的基础上，运用空间自相关分析以及空间回归模型对城市群县域地价的空间分布特征以及影响机制进行探究。总结本文研究，主要结论如下:
(1)从住宅地价总体差异特征来看，长江中游城市群不同县域住宅地价差异巨大，城市群内县域住宅地价水平整体呈现“金字塔”型分布，较优的住宅用地资源仅分布在少数行政单元(28.38%)。
(2)从住宅地价空间分布格局来看，城市群内住宅地价空间分布受地理条件和省会地价影响较大:低等级住宅地价在城市群鄂西、湘南地区和鄂湘赣三省交汇地带呈现连片分布格局，高等级地价呈“三角”格局分布。总体上呈现出“副省级城市—省会城市—普通地级市”的由高到低的住宅地价分布格局。
(3)从住宅地价空间关联特征来看，2017年长江中游城市群县域住宅地价整体存在显著的空间集聚和空间正相关现象。局部上空间集聚特征丰富，包括“高-高集聚区”，出现在城市群三省省会城市的下辖县区;“低-低集聚区”，主要分布于鄂中西部、湘南地区的县区以及鄂湘赣三省交界区域;以及“高-低”集聚区，出现在荆州市沙市区。
(4)长江中游城市群县域住宅地价间存在正向溢出效应，引入空间滞后变量后，城市群县域住宅地价的显著影响因素的影响水平都有所下降，说明研究区县域住宅地价受到邻近县区住宅地价的显著影响。另外，住宅用地供给总量、固定资产投资、房地产开发投资、道路密度、上级市行政级别和政府一般预算收入这六项指标对长江中游城市群县域地价具有显著影响，其中，固定资产投资对于住宅地价有着显著的负向影响。
3.2 政策建议
“十四五”规划提出，建立健全城市群一体化协调发展机制和成本共担、利益共享机制，统筹推进基础设施协调布局，优化城市群内部空间结构，形成多中心、多层级、多节点的网络型城市群。由于历史发展原因，我国许多省份的社会经济水平存在十分明显的“省会独大”现象，反映在地价水平上亦是如此。本研究表明，长江中游城市群住宅地价的县域差异明显，同时住宅地价的空间关联和溢出效应也十分显著。过高或过低的住宅地价不利于城市群协调发展和内部空间结构优化，因此为促进城市群一体化发展，除了关注到地价的空间异质性，缩小省会城市地区与其他县区的地价差异、促进不发达县区的经济发展外，还应防止经济发达县区对周围县区过度的人口、技术、资金等要素的虹吸效应和需求外溢，因此要对显著影响地价的因素给予重视，利用相关社会经济指标来有效调节住宅地价发育。
对于城市群内住宅地价过高的县区，有必要进行一定的地价控制，夯实城市政府主体责任，房地联动调控住宅地价。高住宅地价县区政府可以建立住房与土地联动机制，通过住房税收[40]、差别化信贷[41]等手段限制住宅开发销售过程中除土地外的资本要素的投入，遏制住宅用地投资投机性需求，以此来缓解高地价县区住宅开发活动过热现象，稳定地价、房价和预期，从而促进这些县区房地产市场健康有序发展，缩小区域间地价差异，防止过高地价外溢扩散。此外，鉴于长中游城市群县域住宅地价具有显著的空间外溢效应，可借此破除省会城市高地价县区对周围地区的虹吸效应，逐步将各项发展优势转化为辐射带动能力。“十四五”规划纲要提出鼓励有条件的都市圈探索土地、人口统一管理模式。城市群内部的省级政府应当积极统筹省内土地出让市场管理，对于以省会城市为核心形成的都市圈，要增强其与周边县区的交通可达性，推动省会周边县区积极承担省会城市居住功能疏解，促进高地价县区资本、人口、技术等要素跨区域溢出、流动和扩散，实现经济发达县区和落后县区联动发展，逐渐消除城市群县区间土地市场分割和行政边界壁垒[42]。
对于城市群内住宅地价较低的县区，首先，应当构建一体化的道路交通网络，提升区位优势，提高土地使用效益。研究结果表明，道路密度对于县域住宅地价具有显著正向影响。互联互通的交通路网对于县区的发展起到举足轻重的作用，加快城市间综合交通运输网络建设，可以提升地价较低县区的区位优势和发展竞争力，促进社会经济发展，吸引资本进入本地房地产开发市场，从而提高地块价值。其次，城市群应当培养多中心的经济发展模式，促进城市个体发展转向城市网络化发展[43]，将“高-低”、“低-低”集聚转化为“高-高”集聚。对于距离省会城市较远、地价较低的县区集聚区，应当重点关注那些具有发展潜力的地区性高值县区，将其培养为非省会地区性经济中心，以带动低地价县区的土地市场发展，形成城市群内部多核发展格局，缩小落后县区与发达县区之间的发展差距，促进区域一体化发展。最后，要更好发挥政府调控能力及财政性资金作用，完善低地价县区基础设施建设，提高宜居水平。研究结果表明，政府一般预算收入对于住宅地价有着显著正向影响，因此县区发展过程中政府要更好发挥财政资金引导作用，凭借县区资源禀赋、区位条件等自有优势，吸引金融资本和社会资本加大投入力度，发展多种渠道的可持续融资制度，完善县城环境卫生、市政公服等基础设施建设，提高县区居住适宜性，从而促进地价提升及经济增长。
本文基于均衡价格理论和区域经济理论建立了长江中游城市群县域住宅地价的影响指标理论模型，但住宅地价的影响机制复杂，影响因素众多，本次研究只选取了部分，后续应对地价的影响机制进行更加全面的考量，例如可以使用POI等表征社会经济发展水平的大数据对县区的宜居程度和经济发展水平进行衡量。
利益冲突: 作者声明无利益冲突。
[①] *通讯作者 Corresponding author:任锦铭，r1262700998@163.com
收稿日期:2023-11-15; 录用日期:2023-12-26; 发表日期:2023-12-28
基金项目:国家自然科学基金项目(42171262);华中农业大学自主创新基金项目(2662021JC002)
参考文献(References)
[1] 邓孟桠. 城市群协同发展视角下地价对产业结构升级的影响机制研究[D]. 北京: 北京建筑大学, 2020.
https://doi.org/10.26943/d.cnki.gbjzc.2020.000168
[2] Dubin RA. Spatial autocorrelation and neighborhood quality[J]. Reg Sci Urban Econ, 1992, 22(3): 433-452.
https://doi.org/10.1016/0166-0462(92)90038-3
[3] 高姝, 刘纪平, 郭文华, 等. 北京市房地产价格空间分布变化研究[J]. 测绘科学, 2021, 46(09): 150-156.
https://doi.org/10.16251/j.cnki.1009-2307.2021.09.020
[4] 杨奎奇, 史春云, 汪应宏. 中国典型城市群住宅地价空间特征研究[J]. 经济地理, 2013, 33(06): 135-141.
https://doi.org/10.15957/j.cnki.jjdl.2013.06.007
[5] 莫悦, 刘洋, 朱丽芳. 长江经济带城市土地价格空间分异特征及其影响因素[J]. 长江流域资源与环境, 2020, 29(01): 13-22.
https://doi.org/10.11870/cjlyzyyhj202001002
[6] 官洋溢, 梁彦庆, 黄志英, 等. 河北省县域住宅地价时空关联特征及溢出效应分析[J]. 地理与地理信息科学, 2020, 36(06): 90-97.
https://doi.org/10.3969/j.issn.1672-0504.2020.06.014
[7] Manning C A. The Determinants of Intercity Home Building Site Price Differences[J]. Land Economics, 1988, 64(1): 1-14.
[8] Agbato S E, Adetokunboh O O, Sodiya A K. Land Pricing Influencing Factors: Perception of Estate Surveyors and Property Developers[C]. 18th African Real Estate Society, 2018, Abeokuta, Ogun State, Nigeria.
[9] Hammer T R, Coughlin R E, Horn E T. The Effect of a Large Urban Park on Real Estate Value[J]. Journal of the American Institute of Planners, 1974, 40(4): 274-277.
https://doi.org/10.1080/01944367408977479
[10] Ahlfeldt G M, Maennig W. Impact of sports arenas on land values: evidence from Berlin[J]. The Annals of Reginal Science, 2010, 44(2): 205-227.
https://doi.org/10.1007/s00168-008-0249-4
[11] Lee Y S. School districting and the origins of residential land price inequality[J]. Journal of Housing Economics, 2015, 28(6. ): 1-17.
https://doi.org/10.1016/j.jhe.2014.12.002
[12] 董黎明, 冯长春. 城市土地综合经济评价的理论方法初探[J]. 地理学报, 1989(03): 323-333.
https://doi.org/10.11821/xb198903008
[13] 杨继瑞. 影响城市地价的因素体系探析[J]. 城市规划汇刊, 1994(05): 14-20+61.
[14] 常疆, 廖秋芳, 王良健. 长沙市区地价的空间分布特征及其影响因素[J]. 地理研究, 2011, 30(10): 1901-1909.
https://doi.org/10.11821/yj2011100016
[15] 钟义鹏, 赵小敏, 郭熙, 等. 南昌市中心城区住宅地价空间分布格局及其影响因素[J]. 江西农业大学学报, 2020, 42(06): 1292-1302.
https://doi.org/10.13836/j.jjau.2020144
[16] 瞿诗进, 胡守庚, 李全峰, 等. 城市住宅地价影响因素的定量识别与时空异质性———以武汉市为例[J]. 地理科学进展, 2018, 37(10): 1371-1380.
https://doi.org/10.18306/dlkxjz.2018.10.007
[17] 隋雪艳, 吴巍, 周生路, 等. 都市新区住宅地价空间异质性驱动因素研究———基于空间扩展模型和GWR模型的对比[J]. 地理科学, 2015, 35(06): 683-689.
https://doi.org/10.13249/j.cnki.sgs.2015.06.003
[18] 李琴, 任福, 张玉茜, 等. 深圳市住宅用地价格影响因素空间差异化规律分析[J]. 地理信息世界, 2017, 24(01): 37-44.
https://doi.org/10.3969/j.issn.1672-1586.2017.01.008
[19] 李佳蔚. 北京市住宅地价空间分异特点及影响因素研究[D]. 北京: 首都经济贸易大学, 2018.
[20] 黄少骞, 王红庆, 郭燕. 城市间地价差异性影响因素分析[J]. 山西师范大学学报(自然科学版), 2018, 32(03): 65-73.
https://doi.org/10.16207/j.cnki.1009-4490.2018.03.013
[21] 董文. 成渝城市群县域住宅地价时空演变及影响因素研究[D]. 成都: 四川师范大学, 2018.
[22] 赵莉, 葛京凤. 基于引力模型的区域城市地价研究———以京津冀都市圈区域为例[J]. 中国土地科学, 2013, 27(12): 52-58.
https://doi.org/10.3969/j.issn.1001-8158.2013.12.009
[23] 李晓进, 李灿, 葛京凤, 等. 河北省地价影响因素差异性研究[J]. 地域研究与开发, 2017, 36(03): 129-135.
[24] 华文, 范黎, 吴群, 等. 城市地价水平影响因素的相关分析———以江苏省为例[J]. 经济地理, 2005(02): 203-205+218.
https://doi.org/10.3969/j.issn.1000-8462.2005.02.015
[25] 朱传广, 唐焱, 吴群. 基于Hedonic模型的城市住宅地价影响因素研究———以南京市为例[J]. 地域研究与开发, 2014, 33(03): 156-160.
https://doi.org/10.3969/j.issn.1003-2363.2014.03.031
[26] 宋佳楠, 金晓斌, 唐健, 等. 中国城市地价水平及变化影响因素分析[J]. 地理学报, 2011, 66(08): 1045-1054.
[27] 李志, 周生路, 张红富, 等. 基于GWR 模型的南京市住宅地价影响因素及其边际价格作用研究[J]. 中国土地科学, 2009, 23(10): 20-25.
https://doi.org/10.3969/j.issn.1001-8158.2009.10.004
[28] 张静, 张丽芳, 濮励杰, 等. 基于GWR 模型的城市住宅地价的时空演变研究———以江苏省为例[J]. 地理科学, 2012, 32(07): 828-834.
https://doi.org/10.13249/j.cnki.sgs.2012.07.008
[29] 沈昊婧, 冯长春, 侯懿珊. 城市间土地价格及影响因素的空间差异研究[J]. 城市发展研究, 2014, 21(03): 4-8.
https://doi.org/10.3969/j.issn.1006-3862.2014.03.021
[30] 单玉红, 聂俊成. 基于GWR 模型的武汉市住宅地价影响因素研究[J]. 华中农业大学学报(社会科学版), 2014(05): 111-118.
https://doi.org/10.13300/j.cnki.hnwkxb.2014.05.036
[31] 崔晓美, 葛京凤, 刘雅楠, 等. 城市群土地价格影响因素差异性研究[J]. 现代城市研究, 2017(06): 106-112.
https://doi.org/10.3969/j.issn.1009-6000.2017.06.015
[32] 邓苏玲, 欧国良. 基于空间杜宾模型的住房价格影响因素分析———来自105个城市的经验数据[J]. 中国房地产, 2021(09): 16-25.
https://doi.org/10.13562/j.china.real.estate.2021.09.003
[33] 崔友平. 价值理论述评与研究的深化[J]. 山东财政学院学报, 2002(02): 40-43+84.
https://doi.org/10.3969/j.issn.1008-2670.2002.02.010
[34] 杨新荣. 劳动价值论与均衡价格理论之比较研究[J]. 学术交流, 2002(05): 79-83.
https://doi.org/10.3969/j.issn.1000-8284.2002.05.021
[35] 安虎森. 区域经济学的一些理论问题[J]. 河北经贸大学学报, 2022, 43(01): 11-19.
https://doi.org/10.14178/j.cnki.issn1007-2101.20220106.001
[36] 许锋. 基于Moran指数和谱图论的空间自相关测度方法优化[J]. 城市发展研究, 2021, 28(12): 92-101+41.
https://doi.org/10.3969/j.issn.1006-3862.2021.12.020
[37] Cliff A D, Ord J K. Spatial Autocorrelation[M]. London: pion, 1973.
[38] Anselin L, Bera A K, Florax R, et al. Simple diagnostictests for spatial dependence[J]. Reginal Science andUrban Economics. 1996, 26(1): 77-104.
https://doi.org/10.1016/0166-0462(95)02111-6
[39] Anselin L, Varga A, Acs Z. Local Geographic Spilloversbetween University Research and High Technology Innovations[J]. Journal of Urban Economics, 1997, 42(3): 422-448.
https://doi.org/10.1006/JUEC.1997.2032
[40] 张航, 范子英. 房产税能否抑制住房投机[J]. 世界经济, 2021, 44(09): 154-179.
https://doi.org/10.19985/j.cnki.cassjwe.2021.09.008
[41] 徐小华, 徐志豪, 胡先伟. 差别化信贷政策的房价“稳定器”效果研究[J]. 南方经济, 2019(05): 17-36.
https://doi.org/10.19592/j.cnki.scje.360073
[42] 王艺晓, 孙斌栋, 郑涛. 城际交通联系对城市住宅地价差距的影响研究———以中国巨型城市区域为例[J]. 城市问题, 2023(07): 62-72.
https://doi.org/10.13239/j.bjsshkxy.cswt.230707
[43] 张安伟, 胡艳. 多中心空间结构与创新价值链效率: 影响效应及作用机制[J/OL]. 科技进步与对策, 1-12[2024-01-26].
http://kns.cnki.net/kcms/detail/42.1224.G3.20231130.1305.006.html
Study on the Spatial Correlation Characteristics of Residential Land Prices in Counties of the Urban Agglomeration in the Middle Reaches of the Yangtze River and Their Influencing Factors
(1. School of Public Affairs, Zhejiang University, Hangzhou 310058, China
2. College of Public Administration, Huazhong Agriculture University, Wuhan 430070, China)
Abstract: The role of residential land price in regulating local economic development and optimizing urban land spatial layout is becoming more and more prominent. This paper takes the residential land price of 229 counties (districts, cities) of urban agglomeration in the middle reaches of the Yangtze River in 2017 as the research object, and establishes a theoretical model of the influencing factors of county residential land price based on equilibrium price and regional economic theory; and uses methods of spatial autocorrelation analysis and spatial lag model to explore the spatial distribution characteristics and influencing factors of residential land price in the research area and the influencing factors. The research results indicate that: (1) There are significant overall differences in residential land price among different counties within the urban agglomeration in the middle reaches of the Yangtze River, and the overall distribution of residential land price shows a "pyramid" pattern from low to high. (2) The spatial distribution pattern of residential land price in counties within urban agglomerations is greatly influenced by the location conditions and the administrative level of higher-level cities. The residential land price shows an inverted "U" distribution in the east-west direction, with the eastern part being higher than the western part as a whole; There is a gradual downward trend from north to south in the north-south direction. (3) The Global Moran’s I of residential land prices in the research area is 0. 603, with a significant spatial positive correlation and agglomeration phenomenon. and the obvious local spatial agglomeration characteristics. (4) There is a significant positive spillover effect between county-level residential land price in the urban agglomeration of the middle reaches of the Yangtze River. The residential land price in the study area is strongly influenced by both land supply and demand factors, policy systems, and government regulatory capabilities. The relevant conclusions can provide reference for urban agglomeration to optimize urban resource allocation through land price regulation, narrow regional development gaps, and promote the integrated development of the region.
Keywords: Urban Agglomeration in the middle reaches of the Yangtze River, residential land price, impact factor, spatial lag model, spatial characteristics
Citation: Citation: REN Jinming, ZENG Chen, WU Yuzhe. Study on the spatial correlation characteristics of residen-tial land prices in counties of the urban agglomeration in the middle reaches of the Yangtze River and their influencing factors[J]. Frontiers of Development Geography, 2023, 2(4): 38-52.