论文部分内容阅读
摘 要：本文以 2009—2015 年我国 269个地级市房价为研究对象，利用SDM模型，探讨公共服务资本化对房价的影响。研究结果表明：房价存在明显的空间集聚特征，且与公共服务供给之间存在显著的空间相关性。从全国层面看，公共服务资本化会对房价产生显著的影响，教育、医疗、交通设施与房价正相关;从区域层面看，中部地区相比较东西部地区，医疗资源投入对住房价格敏感性更高，西部地区周边城市交通及环境资源投入对房价影响比东部和中部地区更敏感。由此本文提出建议，地方政府未来应关注提供公共服务的质量而非数量，增加公共服务有效供给，降低房地产市场分化程度，促进地区间均衡发展。
关键词：公共服务;资本化;房价;空间杜宾模型
一、引 言
新中国成立以来，我国税收制度改革经历了从“统收统支”到“划分税种、核定收支、分级包干”的发展历程。1994年，我国初步建立了比较规范、稳定的分级财政管理体制（分税制），按照事权与财权相对应的原则，在各级政府之间划分收支范围，并通过转移支付制度协调各级政府之间的关系。但在实践中，由于财权与事权的分离和不匹配，目前地方政府财政收入构成存在很多问题：首先，我国房地产保有环节的税收总额占地方税收收入和财政收入的比重相对较低;其次，土地出让金成为地方政府收入的重要来源，地方政府对土地财政的依赖性较强;最后，地区间财政收入不均衡，会直接影响教育、基础设施建设等公共物品供给，产生不均衡，也会造成东中西部地区房价分化日趋严重。
2018年，中共中央辦公厅、国务院办公厅印发了《关于建立健全基本公共服务标准体系的指导意见》指出，要建立健全基本公共服务标准体系，明确中央与地方提供基本公共服务的质量水平和支出责任，以标准化促进基本公共服务均等化、普惠化、便捷化。公共服务在房价中的资本化主要是指，公共资源配置通过房地产市场进行，居民根据个人偏好和收入选择居住地区和相应的公共品，公共服务受益连续性和差别化在房价中表现出来。住房产品异质性使得房价受到区位因素和公共服务设施因素影响较大[1]。公共服务的改善会促进房价的提高，进而实现资本化，使得土地价格上升，土地价值的增值最终将体现为土地出让金提高，公共服务的资本化会激励地方政府提供更多的公共服务。近年来，随着房价的逐年提高和城市住房市场分化的加剧，房价作为城市土地价值的重要体现，公共服务资本化对房价的影响程度如何？公共服务资本化对房价影响在空间分布特点如何？这些问题值得进一步思考。
本文利用我国 269个地级市 2009—2015 年数据考察公用服务资本化对房价的影响程度及空间集聚程度，研究结果不仅对目前研究领域所欠缺的公共服务对房价的空间影响的研究具有理论意义，也对地方政府更好提供公共产品，因地制宜的对东中西部公共资源进行合理配置以促进各区域的发展具有一定借鉴意义。
本文的主要贡献在于：一是把公共服务资本化融合到房价中，研究地方政府提供公共服务对房价的影响;二是从空间计量视角分析公共服务资本化对房价影响的空间区域差异。本文的具体安排是以我国2009—2015年269个地级市数据为样本，建立SDM模型，研究公共服务资本化对房价影响的空间和区域特征。
二、文献综述
公共服务对房价的影响，国内外学者都进行了大量的理论分析和验证。现有对房价影响因素的研究主要采用住房特征模型，将住宅的价格特征分为建筑特征、区位特征和邻里特征。建筑特征包括建筑面积、房龄、楼层等，区位特征包括可达性等，邻里特征包括学校、医院、公交站点、周边环境等[1-2]。
Efthymiou和 Antoniou[3]利用特征价格模型分析了交通基础设施对雅典娜地区房价及租金的影响。Nazir等[4]运用特征价格模型分析得出绿色基础设施对房价有影响，特别是绿地公园对纳闽岛的房价影响显著。Collins和Kaplan[5]利用特征价格模型发现，在田纳西州谢尔比县的六个郊区合并和分区分裂后，许多学校教学质量发生变化，并对周边房价产生显著的影响。Agostini等[6]运用该模型发现，智利圣地亚哥地铁 4 号新线的修建，显著促进附近土地价格的上升。王松涛等[7]通过特征价格模型考察了公共服务设施的可达性对房价的影响，认为重点高中、文化设施、体育场馆、绿地公园离住房的距离越近，房价越高。梁军辉等[8]以北京市二手房价格为研究对象考察了公共服务设施配置对房价的影响。结果表明，临近的教育资源、小区绿化率、商场、地铁站点及休闲娱乐设施对房价有显著影响。梁誉和朱卫峰[9]认为，不同的公共服务节点与居住小区的可达性对居住小区的房价影响是不一样的。
从公共交通基础设施对房价的影响来看，Rhode 和Strumpf[10]分析了城市交通条件与房价的关系，认为便捷的交通可以缩短城市间的房价差异。Rosenthal[11]考察了城市整体基础设施建设支出与房价的关系，得出城市基础设施建设助推了房价上涨的结论。Myungjun和 Chang-Deok[12]利用2010 年韩国首尔公寓价格数据，研究不同零售类型住宅子市场空间可达性，分析得出住宅子市场可达性受零售类型不同而存在差异，并强调按零售类型细分住房市场研究可达性的重要性。而Tian等[13]从犹他州盐湖城周边交通基础设施可达性和环境健康风险对房价影响的角度分析认为，交通基础设施可以通过改善机会的可获得性来提高房价，但也会产生环境健康风险，如噪音和空气污染，这可能会对房价产生负面影响。张琦[14]运用主成分分析法考察了教育、医疗、文化、交通、公用设施及环境保护等对山西省各地级市房价的影响。郭根龙和苏小荣[15]构建了 35 个大中城市的城市基础设施建设对房价影响的中介效应模型，认为基础设施建设通过影响居民的住房购买能力、住房购买意愿来影响房价。邓佳昭[16]探讨了基础设施与住宅业的协调发展问题认为，由政府还是由开发商提供基础设施，会对房价产生不同的影响。政府提供配套基础设施，使得公共性增强，房价可能上升;开发商提供配套基础设施，使得公共性减弱，房价可能下降。Zhe等[17]以伦敦港区轻轨为研究对象，分析公共交通可达性和房价上升的关联性，运用享乐模型，得出提供良好的公共交通政策会使得房价上升的结论。Diao等[18]以新加坡新环线的开通为研究对象，测试城市轨道交通网络对非土地私人住宅价值的影响，估计了在交通线开放前后两个区域房价变化的空间自相关模型，结果显示，公共交通基础设施投资的房价具有显著资本化效应。 从教育基础设施对房价的影响来看，Agarwal等[19]基于距离优先的学校分配原则作为识别标准，检验新加坡学校搬迁对学区房价的影响，研究发现，学校搬迁普遍会使原有区域的房价下降。Wen等[20]利用分位数和空间分位数回归模型，研究高、中、低房价下购房者的不同行为发现，小学和中学在整个有条件分配中显著提高了房价，而幼儿园只受到购买较低和较高价格住房的购房者的重视，只有高房价的家庭愿意为高中和大学的可达性支付溢价。
除此以外，从研究方法和研究角度上，张东和秦俊武[21]建立 VAR 模型，并通过运用脉冲响应、方差分解和协整检验得出基础设施投资与房价具有稳定的正向关系，且基础设施投资的社会效应趋于后期，应以前瞻性的眼光进行基础设施投资布局。汤玉刚等[22]建立动态面板模型，运用差分GMM估计方法，以我国 35 个城市为研究对象，认为公共服务资本化对房价的影响具有时序特征，具体表现为：交通通达度在土地出让时就完成了资本化，其他基础设施在住房出售环节才完成资本化。夏怡然和陆铭[23]运用条件 Logit 模型，分析基础设施对劳动力流向的影响，指出基础设施对劳动力流向具有稳定的影响，劳动力的流动趋向于基础设施更完备的区域。
综上所述，现有的研究大多利用微观数据分析公共服务设施对房价的影响，但对于房价和公共服务分布的空间聚集性特征研究相对较少，尤其在公共服务资本化对房价影响的研究不多，因此，本文以空间计量视角，使用莫兰指数以及空间自回归模型来解释房价的空间聚集，分析我國东中西部公共服务资本化对房价的空间层面影响，具体探讨公共服务在多大程度上影响着各个城市的房价，并分别使用 SEM、SAR、SDM 空间面板模型进行实证分析，对交通、教育及医疗等基础设施的变量研究分析得出公共服务与房价的空间相关性。
三、研究设计
（一）空间相关性分析
本文使用我国 2009—2015 年房价数据（PRICE），计算“全局莫兰指数I”（Global Morans I），测定我国 269 个地级市的房价空间集聚效应，以此判断其是否具有空间自相关（Spatial Autocorrelation）性，计算方法如式（1）所示：
（二）空间计量模型设定
本文建立面板空间自回归模型如式（4）所示：
ρ为空间自回归系数，反映 269 个样本观测值的空间依赖作用，即相邻地级市房价对当前地级市房价的影响，其中Wlnpriceit为空间滞后房价。β为解释变量系数。γ为控制变量系数。λ为误差项的空间相关系数。η为空间自变量反应参数。μi为空间效应。ωt代表时间效应。εit为随机误差项。W 为基于我国 269 个地级市距离建立的空间矩阵。
（三）变量选取及数据来源
本文变量选取及数据来源如表 1 所示，所选数据为我国 269 个地级市 北京市（北京）、天津市（天津）、上海市（上海）、河北省（唐山、秦皇岛、张家口、承德、廊坊、石家庄、邯郸、邢台、保定、沧州、衡水）、山西省（太原、大同、阳泉、长治、晋城、朔州、晋中、运城、临汾、吕梁）、内蒙古自治区（呼和浩特、包头、乌海、赤峰、通辽、鄂尔多斯、呼伦贝尔、巴彦淖尔、乌兰察布）、辽宁省（沈阳、大连、鞍山、抚顺、本溪、锦州、营口、阜新、盘锦、铁岭、朝阳、丹东、辽阳、葫芦岛）、吉林省（长春、四平、松原、通化）、黑龙江省（哈尔滨、鸡西、鹤岗、双鸭山、伊春、佳木斯、七台河、牡丹江、绥化、齐齐哈尔、大庆、黑河）、江苏省（南京、无锡、常州、苏州、南通、连云港、淮安、盐城、扬州、镇江、泰州、宿迁）、浙江省（杭州、宁波、温州、嘉兴、湖州、绍兴、金华、衢州、舟山、丽水、台州）、安徽省（合肥、芜湖、蚌埠、淮南、马鞍山、淮北、铜陵、安庆、黄山、阜阳、宿州、滁州、六安、亳州、池州、宣城）、福建省（福州、厦门、莆田、三明、泉州、漳州、南平、龙岩、宁德）、江西省（赣州、南昌、萍乡、九江、新余、鹰潭、宜春、上饶、吉安、景德镇、抚州）、山东省（济南、青岛、淄博、枣庄、东营、烟台、潍坊、济宁、泰安、威海、日照、莱芜、滨州、德州、聊城、临沂、菏泽）、河南省（郑州、开封、洛阳、平顶山、安阳、鹤壁、新乡、焦作、濮阳、许昌、漯河、三门峡、商丘、周口、驻马店、南阳、信阳）、湖北省（武汉、黄石、襄阳、鄂州、孝感、荆州、黄冈、十堰、宜昌、荆门）、湖南省（衡阳、邵阳、郴州、永州、怀化、长沙、株洲、湘潭、岳阳、常德、益阳、娄底、张家界）、广东省（汕尾、惠州、深圳、河源、广州、佛山、清远、东莞、珠海、江门、肇庆、中山、湛江、茂名、韶关、汕头、梅州、潮州、云浮）、广西省（玉林、桂林、南宁、河池、钦州、柳州、北海、梧州、防城港、贵港、贺州、来宾、崇左）、海南省（三亚、海口）、四川省（雅安、成都、自贡、南充、泸州、德阳、绵阳、遂宁、内江、乐山、宜宾、广元、攀枝花、眉山、广安、达州、巴中、资阳）、重庆市（重庆市）、贵州省（六盘水、贵阳、遵义）、云南省（昆明、曲靖、昭通、保山、丽江纳西族自治县）、陕西省（西安、铜川、宝鸡、咸阳、渭南、汉中、安康、延安、榆林、商洛）、甘肃省（白银、兰州、金昌、天水、张掖、武威、定西、平凉、嘉峪关、酒泉、庆阳、陇南）、青海省（西宁）、宁夏回族自治区（银川、石嘴山、吴忠、固原）、新疆维吾尔自治区（乌鲁木齐、克拉玛依）（除西藏自治区以外的 26 个省及 4 个直辖市）2009—2015 年面板数据。
被解释变量为房价（PRICE）。商品房是指在市场经济条件下，具有经营资格的房地产开发公司（包括外商投资企业）通过出让方式取得土地使用权后经营的按市场价出售的住宅。本文通过商品房平均销售价格对房价进行衡量，并以 2009 年为基期，以各省居民消费价格指数进行平减。
解释变量为公共服务设施。主要包括教育、医疗、交通、环境、便民设施等方面。本文使用万人中小学生拥有专职教师人数代表教育设施水平、万人拥有床位数代表医疗设施水平[24]。此外，本文采用人均道路面积代表交通水平、公园面积代表环境情况、街道照明灯盏数代表便民设施水平。一般而言，目前中国许多大城市内的高房价区位往往也聚集了大量优质公共服务基础设施资源，因此，本文假设公共服务基础设施越完善，即交通越发达、医疗、教育水平越高，居住环境越适宜，则居民的购买意愿越强，房价越高。 控制变量为城市人口规模和城市居民可支配收入。城市人口规模越大，则对住房的需求越大，房价越高。城市经济发展水平越高，居民可支配收入越高，对房价的支付能力越强，推动房价升高。本文使用人口密度代表人口规模，使用在岗职工平均工资代表居民可支配收入。其中，在岗职工平均工资以 2009 年为基期进行平减。
（四）变量描述
使用Stata14.0 软件测度我国 269 个地级市 2009—2015 年全局 Morans I 指数，结果如表 2 所示。由表 2 可以看出，2009—2015 年间我国房价Morans I 指数均显著大于 0，总体上具有明显的空间集聚效应。
本文使用Stata14.0软件测度我国269个地级市2015年局部Morans I指数，并绘制莫兰指数散点图，如图 1 所示。一般来说，空间自相关类型主要有“高—高”（High-High）和“低—低”（Low-Low）为正相关，表示空间集聚;“低—高”（Low-High）和“高—低”（High-Low）为负相关，表示空间离散。
根据局部空间自相关（LISA）的分析结果发现，我国东部沿海地区房价呈现出较为明显的“高—高”集聚，西部及东北地区则呈现出较为明显的“低—低”集聚。
四、经验分析
（一）全国空间效应分析
首先采用固定效应模型，并分别使用 SEM、SAR、SDM 空间面板模型对房价以及公共基础设施教育、医療、交通、环境、便民设施进行空间及时间双固定效应回归，结果如表3所示。
由表3可以看出，空间自回归系数ρ和误差项的空间相关系数λ都在 1%的水平上显著为正，这说明，房价与公共服务之间存在显著的空间相关性。由此可见，研究我国城市房价不能忽视区位因素和空间效应的影响，必须进行综合考虑。在研究中还发现公共服务中的教育、医疗、交通设施指标对房价有空间正向影响。
（二）空间计量模型的选择检验
对于具体模型的采用，本文使用拉格朗日（LM）检验法进行判别，以决定采用 SAR 模型还是 SEM模型。本文使用Matlab7.0 软件进行分析，结果如表 4所示。由表 4可知，LM 检验结果均显著，同时考虑 corr2与 Log-likelihood，本文认为 SDM 模型所得结果更加稳健。同时，通过 LR 检验发现，SDM 模型不能简成 SAR 或 SEM 模型，LR 检验结果如表5所示。因此，选择 SDM 模型作为解释模型。
（三）东、中、西部空间效应分析
进一步分析我国东、中、西部公共服务对房价的影响，采用 SDM 模型，使用空间与时间双固定效应的方式进行回归，结果如表6所示。
由表3与表6可知，在全国范围内，商品房销售价格主要受人口密度、医疗以及环境的影响。其中，医疗设施的完善不仅会显著提升本地区房价，也会提高周边地区房价，环境则主要对本地区房价有显著的正向影响，即公园绿地面积的增加会显著提高本地区房价。因而，拥有一个良好的医疗条件和环境，会显著提升房价。
对于房价呈现较为明显“高—高”集聚的东部地区，房价主要受居民可支配收入、人口密度、交通及便民设施的影响。其中，在岗职工平均工资的增加会提升本地区及周边地区房价，而人口密度的增加则会显著提升周边地区房价。在交通方面，由于我国东部地区经济较中、西部发达，公共基础设施建成度也较高，人均道路面积的增加易更加挤占本地区居民生活空间，降低居民购买意愿，对本地区房价产生显著负向的影响。同时，本地区便民设施的增加会影响周边地区居民的买房区位选择，产生空间溢出效应，显著降低周围地区房价。
在我国中部地区，房价主要受人口密度、医疗、教育及便民设施的影响。人口密度的增加会增加居民对于本地区商品房的需求，使本地区房价上升，周边地区房价下降。同时，医疗设施的完善会提升本地区房价，同时产生空间溢出效应，提高周围地区房价。便民设施的增加则会通过空间溢出效应显著提高周边地区房价。
对于房价呈现较为明显“低—低”集聚的西部地区，房价主要受在岗职工平均工资、人口密度、交通、环境及便民设施的影响，在岗职工平均工资的增加会使本地区房价提高，同时，人口密度的增加也会增加本地居民对于商品房的需求，进而提高本地房价。在交通以及环境方面，由于西部地区交通网络不及中东部地区发达，本地区交通设施的完善与环境水平的提升会对周边居民产生吸引，产生空间溢出效应，而便民设施的增加则会显著增加周边地区房价。
五、结论与政策建议
（一）结论
本文利用 2009—2015 年我国 269 个地级市的样本数据，研究公共服务资本化对房价影响，通过空间面板自回归模型对所选取的 269 个地级市的人口密度、在岗职工平均工资、人均道路面积、万人中小学生拥有专职教师人数、万人拥有床位数等变量进行分析，使用 SEM、SAR、SDM 空间面板模型对房价，以及公共基础设施教育、医疗、交通、环境和便民设施进行空间及时间双重固定效应回归，研究范围覆盖我国中、东、西部三个地区，研究结果具有较强现实意义。
第一，从全国范围来看，本文所选取的人口密度、在岗职工平均工资、人均道路面积、万人中小学生拥有专职教师人数和万人拥有床位数指标均对房价有正向的影响作用。MLE回归也进一步说明了全国房价与公共服务之间的相关性。环境水平的提高会显著提高本地区房价，而医疗设施的提升一定程度上不仅会显著提升本地区的房价，还会显著提升周边地区房价。公共服务资本化总体上会对房价产生显著的影响，政府完善这些方面的公用基础设施，不仅能更好地建设城市提高当地居民居住的效用水平，还能促进当地的房地产业积极健康发展。
第二，从区域角度来说，我国中、东、西部地区房价存在一定的空间集聚和空间离群特征。东部沿海地区房价“高—高”集聚较为显著，而西部和东北部地区则以“低—低”集聚较为明显。根据 SDM 模型的 MLE 回归分析进一步发现，公共服务资本化对中、东、西部地区房价的影响表现出一定的区域差异。中部地区相比较东西部地区，医疗资源投入对住房价格敏感性更高，西部地区周边城市交通及环境资源投入对房价影响作用比东部和中部地区更敏感。 （二）政策建议
基于研究结论提出以下政策建议：
第一，地方政府应关注提供公共服务的质量而非数量。我国房地产市场分化日益加剧，使得房地产市场发展不仅受到经济、政治因素的影响，还受到人口、文化等相关因素的影响。而国家出台的一系列宏观调控政策与措施在房地产市场的发展中扮演着关键的角色，在公共服务方面，如医疗卫生、环境、便民设施和教育也与居民日常生活关联最为密切，公共服务的资本化对房價的影响在空间集聚分布影响因素的差异性，要求地方政府应更加关注区域公共服务水平提供的质量，而非数量。通过公共服务的改善来引导三四线城市住房需求的增加，对于一二线城市提升教育设施服务投入会增加住房需求。
第二，加快推进地方税制体系的完善，解决地方政府公共服务提供资金不足的问题。地方政府提高公共服务水平，不仅能更好地建设城市提高当地居民居住的效用水平，而且也能促进当地的房地产业积极健康发展，但由于资金支持不足或者是区域公共服务水平差异会导致区域发展的不平衡。可通过房产税的税制改革，解决中西部地区公共服务供给不足的问题，根据“简税制、宽税基、低税率、严征管”的改革思路，房地产税制改革未来征收应以为地方政府筹集长期稳定的财政收入为目标，房地产税作为房地产保有环节的税种，具有税基不易隐藏、税负不易转嫁等特点，税源具有一定的稳定性，可以成为地方政府稳定持久的财政收入来源。在房地产税税收的用途方面，应该充分体现“取之于民，用之于民”的思想，可考虑优先用于保障房的建设，也可考虑提供教育、医疗、交通、环境等公共服务。
第三，通过公共服务产品的有效供给，降低房地产市场分化程度，促进地区间均衡发展。根据前文的相关分析，全国范围来看我国当前教育资源、交通基础设施、公园绿地等公共服务产品的提供在东、中、西部分布不均衡，公共服务资本化对房价影响区域差异较明显。应当加大对东部地区公共绿地、居住环境的投资，以及对中西部地区教育、交通服务设施方面的投资力度，在城镇化发展过程中，加强产业政策引导，提升地方政府公共服务水平，促进劳动力空间均衡流动，进一步促进房地产可持续健康发展。
参考文献：
[1] Chau，K.，Ma，V.，Ho， D.The Pricing of‘Luckiness in the Apartment Market[J].Journal of Real Estate Literature， 2001， 9（1）：29-40.
[2] 温家珍，贾生华.特征价格模型及其在住房市场分析中的应用[J].中国房地产研究，2013，（2）：99-116.
[3] Efthymiou，D.，Antoniou，C.How Do Transport Infrastructure and Policies Affect House Prices and Rents？Evidence From Athens，Greece[J].Transportation Research Part A：Policy and Practice，2013，52（2）：1-22.
[4] Nazir， N.N.M.，Othman，N.， Nawawi，A.H.Role of Green Infrastructure in Determining House Value in Labuan Using Hedonic Pricing Model[J].Procedia-Social and Behavioral Sciences，2015，170（1）：484-493.
[5] Collins， C.A.， Kaplan， E.K.Capitalization of School Quality in Housing Prices：Evidence From Boundary Changes in Shelby County， Tennessee[J].American Economic Review， 2017， 107（ 5）：628-632.
[6] Agostini， C.， Palmucci， G.Capitalizacion Anticipada Del Metro De Santiago En El Precio De Las Viviendas[J].Trimestre Economico， 2008， 75（2）：403-431.
[7] 王松涛，郑思齐，冯杰.公共服务设施可达性及其对新建住房价格的影响——以北京中心城为例[J].地理科学进展，2007，（11）：78-85.
[8] 梁军辉，吴佳雨，林坚.北京市公共服务设施配置对住房价格的影响[J].城市经济，2016，（9）：82-124.
[9] 梁誉，朱卫峰.居住小区价格与公共服务网络可达性的相关性研究[J].计算机系统应用，2016，（12）：24-29.
[10] Rhode，P.W.，Strumpf，K.Assessing the Importance of Tiebout Sorting：Local Heterogeneity From 1850 to 1990[J].American Economic Review， 2003， 193（5）：1648-1677.
[11] Rosenthal，L.House Prices and Local Taxes in the UK[J].Fiscal Studies，1999，20（1）：61-76.
[12] Myungjun，J.， Chang-Deok，K.Retail Accessibility and Proximity Effects on Housing Prices in Seoul， Korea：A Retail Type and Housing Submarket Approach[J].Habitat International， 2015，49（10）：516-528. [13] Tian，G.，Wei，Y.D.，Li，H.Effects of Accessibility and Environmental Health Risk on Housing Prices：A Case of Salt Lake County， Utah[J].Applied Geography， 2017，89（12），12-21.
[14] 張琦.山西省基本公共服务对商品住宅价格的影响[D].山西：山西财经大学硕士学位论文，2016.9-35.
[15] 郭根龙，苏小荣.城市基础设施建设影响房价的中介效应研究——基于我国35 个大中城市的实证分析[J].热点透视，2015，（8）：54-58.
[16] 邓佳昭.基础设施与住宅业发展关系的研究[D].广东：华南师范大学硕士学位论文，2005.22-48.
[17] Zhe，S.， Cao，M.， Han，T.，et al.Public Transport Accessibility and Housing Value Uplift：Evidence From the Docklands Light Failway in London[J].Case Studies on Transport Policy ，2019，7（3）：607-616.
[18] Diao，M.，Leonard，D.， Sing， T.F.Spatial-Difference-in-Differences Models for Impact of New Mass Rapid Transit Line on Private Housing Values[J].Regional Science and Urban Economics ，2017，67（5）：64-77.
[19] Agarwal，S.，Rengarajan，S.， Sing，T.F， et al.School Allocation Rules and Housing Prices：A Quasi-Experiment With School Relocation Events in Singapore[J].Regional Science and Urban Economics，2016，58（5）：42-56.
[20] Wen，H.，Xiao，Y.，Hui，E.C.，et al.Quantile Effect of Educational Facilities on Housing Price：Do Homebuyers of Higher-Priced Housing Pay More for Educational Resources？[J].Cities，2019，90（7）：100-112.
[21] 张东，秦俊武.城市基础设施投资约束下住房开发投资效益变动研究[J].中国房地产金融，2013，（3）：35-38.
[22] 汤玉刚，陈强，满利苹.资本化、财政激励与地方公共服务提供——基于我国 35 个大中城市的实证分析[J].经济学（季刊），2015，（10）：217-240.
[23] 夏怡然，陆铭.城市间的“孟母三迁”——公共服务影响劳动力流向的经验研究[J].管理世界，2015，（10）：78-90.
[24] 兰峰，达卉莉.住房价格分异、公共基础设施与城市空间重构——基于西安市的时空演化视角[J].管理世界，2018，（3）：172-173.
（责任编辑：邓 菁）
关键词：公共服务;资本化;房价;空间杜宾模型
一、引 言
新中国成立以来，我国税收制度改革经历了从“统收统支”到“划分税种、核定收支、分级包干”的发展历程。1994年，我国初步建立了比较规范、稳定的分级财政管理体制（分税制），按照事权与财权相对应的原则，在各级政府之间划分收支范围，并通过转移支付制度协调各级政府之间的关系。但在实践中，由于财权与事权的分离和不匹配，目前地方政府财政收入构成存在很多问题：首先，我国房地产保有环节的税收总额占地方税收收入和财政收入的比重相对较低;其次，土地出让金成为地方政府收入的重要来源，地方政府对土地财政的依赖性较强;最后，地区间财政收入不均衡，会直接影响教育、基础设施建设等公共物品供给，产生不均衡，也会造成东中西部地区房价分化日趋严重。
2018年，中共中央辦公厅、国务院办公厅印发了《关于建立健全基本公共服务标准体系的指导意见》指出，要建立健全基本公共服务标准体系，明确中央与地方提供基本公共服务的质量水平和支出责任，以标准化促进基本公共服务均等化、普惠化、便捷化。公共服务在房价中的资本化主要是指，公共资源配置通过房地产市场进行，居民根据个人偏好和收入选择居住地区和相应的公共品，公共服务受益连续性和差别化在房价中表现出来。住房产品异质性使得房价受到区位因素和公共服务设施因素影响较大[1]。公共服务的改善会促进房价的提高，进而实现资本化，使得土地价格上升，土地价值的增值最终将体现为土地出让金提高，公共服务的资本化会激励地方政府提供更多的公共服务。近年来，随着房价的逐年提高和城市住房市场分化的加剧，房价作为城市土地价值的重要体现，公共服务资本化对房价的影响程度如何？公共服务资本化对房价影响在空间分布特点如何？这些问题值得进一步思考。
本文利用我国 269个地级市 2009—2015 年数据考察公用服务资本化对房价的影响程度及空间集聚程度，研究结果不仅对目前研究领域所欠缺的公共服务对房价的空间影响的研究具有理论意义，也对地方政府更好提供公共产品，因地制宜的对东中西部公共资源进行合理配置以促进各区域的发展具有一定借鉴意义。
本文的主要贡献在于：一是把公共服务资本化融合到房价中，研究地方政府提供公共服务对房价的影响;二是从空间计量视角分析公共服务资本化对房价影响的空间区域差异。本文的具体安排是以我国2009—2015年269个地级市数据为样本，建立SDM模型，研究公共服务资本化对房价影响的空间和区域特征。
二、文献综述
公共服务对房价的影响，国内外学者都进行了大量的理论分析和验证。现有对房价影响因素的研究主要采用住房特征模型，将住宅的价格特征分为建筑特征、区位特征和邻里特征。建筑特征包括建筑面积、房龄、楼层等，区位特征包括可达性等，邻里特征包括学校、医院、公交站点、周边环境等[1-2]。
Efthymiou和 Antoniou[3]利用特征价格模型分析了交通基础设施对雅典娜地区房价及租金的影响。Nazir等[4]运用特征价格模型分析得出绿色基础设施对房价有影响，特别是绿地公园对纳闽岛的房价影响显著。Collins和Kaplan[5]利用特征价格模型发现，在田纳西州谢尔比县的六个郊区合并和分区分裂后，许多学校教学质量发生变化，并对周边房价产生显著的影响。Agostini等[6]运用该模型发现，智利圣地亚哥地铁 4 号新线的修建，显著促进附近土地价格的上升。王松涛等[7]通过特征价格模型考察了公共服务设施的可达性对房价的影响，认为重点高中、文化设施、体育场馆、绿地公园离住房的距离越近，房价越高。梁军辉等[8]以北京市二手房价格为研究对象考察了公共服务设施配置对房价的影响。结果表明，临近的教育资源、小区绿化率、商场、地铁站点及休闲娱乐设施对房价有显著影响。梁誉和朱卫峰[9]认为，不同的公共服务节点与居住小区的可达性对居住小区的房价影响是不一样的。
从公共交通基础设施对房价的影响来看，Rhode 和Strumpf[10]分析了城市交通条件与房价的关系，认为便捷的交通可以缩短城市间的房价差异。Rosenthal[11]考察了城市整体基础设施建设支出与房价的关系，得出城市基础设施建设助推了房价上涨的结论。Myungjun和 Chang-Deok[12]利用2010 年韩国首尔公寓价格数据，研究不同零售类型住宅子市场空间可达性，分析得出住宅子市场可达性受零售类型不同而存在差异，并强调按零售类型细分住房市场研究可达性的重要性。而Tian等[13]从犹他州盐湖城周边交通基础设施可达性和环境健康风险对房价影响的角度分析认为，交通基础设施可以通过改善机会的可获得性来提高房价，但也会产生环境健康风险，如噪音和空气污染，这可能会对房价产生负面影响。张琦[14]运用主成分分析法考察了教育、医疗、文化、交通、公用设施及环境保护等对山西省各地级市房价的影响。郭根龙和苏小荣[15]构建了 35 个大中城市的城市基础设施建设对房价影响的中介效应模型，认为基础设施建设通过影响居民的住房购买能力、住房购买意愿来影响房价。邓佳昭[16]探讨了基础设施与住宅业的协调发展问题认为，由政府还是由开发商提供基础设施，会对房价产生不同的影响。政府提供配套基础设施，使得公共性增强，房价可能上升;开发商提供配套基础设施，使得公共性减弱，房价可能下降。Zhe等[17]以伦敦港区轻轨为研究对象，分析公共交通可达性和房价上升的关联性，运用享乐模型，得出提供良好的公共交通政策会使得房价上升的结论。Diao等[18]以新加坡新环线的开通为研究对象，测试城市轨道交通网络对非土地私人住宅价值的影响，估计了在交通线开放前后两个区域房价变化的空间自相关模型，结果显示，公共交通基础设施投资的房价具有显著资本化效应。 从教育基础设施对房价的影响来看，Agarwal等[19]基于距离优先的学校分配原则作为识别标准，检验新加坡学校搬迁对学区房价的影响，研究发现，学校搬迁普遍会使原有区域的房价下降。Wen等[20]利用分位数和空间分位数回归模型，研究高、中、低房价下购房者的不同行为发现，小学和中学在整个有条件分配中显著提高了房价，而幼儿园只受到购买较低和较高价格住房的购房者的重视，只有高房价的家庭愿意为高中和大学的可达性支付溢价。
除此以外，从研究方法和研究角度上，张东和秦俊武[21]建立 VAR 模型，并通过运用脉冲响应、方差分解和协整检验得出基础设施投资与房价具有稳定的正向关系，且基础设施投资的社会效应趋于后期，应以前瞻性的眼光进行基础设施投资布局。汤玉刚等[22]建立动态面板模型，运用差分GMM估计方法，以我国 35 个城市为研究对象，认为公共服务资本化对房价的影响具有时序特征，具体表现为：交通通达度在土地出让时就完成了资本化，其他基础设施在住房出售环节才完成资本化。夏怡然和陆铭[23]运用条件 Logit 模型，分析基础设施对劳动力流向的影响，指出基础设施对劳动力流向具有稳定的影响，劳动力的流动趋向于基础设施更完备的区域。
综上所述，现有的研究大多利用微观数据分析公共服务设施对房价的影响，但对于房价和公共服务分布的空间聚集性特征研究相对较少，尤其在公共服务资本化对房价影响的研究不多，因此，本文以空间计量视角，使用莫兰指数以及空间自回归模型来解释房价的空间聚集，分析我國东中西部公共服务资本化对房价的空间层面影响，具体探讨公共服务在多大程度上影响着各个城市的房价，并分别使用 SEM、SAR、SDM 空间面板模型进行实证分析，对交通、教育及医疗等基础设施的变量研究分析得出公共服务与房价的空间相关性。
三、研究设计
（一）空间相关性分析
本文使用我国 2009—2015 年房价数据（PRICE），计算“全局莫兰指数I”（Global Morans I），测定我国 269 个地级市的房价空间集聚效应，以此判断其是否具有空间自相关（Spatial Autocorrelation）性，计算方法如式（1）所示：
（二）空间计量模型设定
本文建立面板空间自回归模型如式（4）所示：
ρ为空间自回归系数，反映 269 个样本观测值的空间依赖作用，即相邻地级市房价对当前地级市房价的影响，其中Wlnpriceit为空间滞后房价。β为解释变量系数。γ为控制变量系数。λ为误差项的空间相关系数。η为空间自变量反应参数。μi为空间效应。ωt代表时间效应。εit为随机误差项。W 为基于我国 269 个地级市距离建立的空间矩阵。
（三）变量选取及数据来源
本文变量选取及数据来源如表 1 所示，所选数据为我国 269 个地级市 北京市（北京）、天津市（天津）、上海市（上海）、河北省（唐山、秦皇岛、张家口、承德、廊坊、石家庄、邯郸、邢台、保定、沧州、衡水）、山西省（太原、大同、阳泉、长治、晋城、朔州、晋中、运城、临汾、吕梁）、内蒙古自治区（呼和浩特、包头、乌海、赤峰、通辽、鄂尔多斯、呼伦贝尔、巴彦淖尔、乌兰察布）、辽宁省（沈阳、大连、鞍山、抚顺、本溪、锦州、营口、阜新、盘锦、铁岭、朝阳、丹东、辽阳、葫芦岛）、吉林省（长春、四平、松原、通化）、黑龙江省（哈尔滨、鸡西、鹤岗、双鸭山、伊春、佳木斯、七台河、牡丹江、绥化、齐齐哈尔、大庆、黑河）、江苏省（南京、无锡、常州、苏州、南通、连云港、淮安、盐城、扬州、镇江、泰州、宿迁）、浙江省（杭州、宁波、温州、嘉兴、湖州、绍兴、金华、衢州、舟山、丽水、台州）、安徽省（合肥、芜湖、蚌埠、淮南、马鞍山、淮北、铜陵、安庆、黄山、阜阳、宿州、滁州、六安、亳州、池州、宣城）、福建省（福州、厦门、莆田、三明、泉州、漳州、南平、龙岩、宁德）、江西省（赣州、南昌、萍乡、九江、新余、鹰潭、宜春、上饶、吉安、景德镇、抚州）、山东省（济南、青岛、淄博、枣庄、东营、烟台、潍坊、济宁、泰安、威海、日照、莱芜、滨州、德州、聊城、临沂、菏泽）、河南省（郑州、开封、洛阳、平顶山、安阳、鹤壁、新乡、焦作、濮阳、许昌、漯河、三门峡、商丘、周口、驻马店、南阳、信阳）、湖北省（武汉、黄石、襄阳、鄂州、孝感、荆州、黄冈、十堰、宜昌、荆门）、湖南省（衡阳、邵阳、郴州、永州、怀化、长沙、株洲、湘潭、岳阳、常德、益阳、娄底、张家界）、广东省（汕尾、惠州、深圳、河源、广州、佛山、清远、东莞、珠海、江门、肇庆、中山、湛江、茂名、韶关、汕头、梅州、潮州、云浮）、广西省（玉林、桂林、南宁、河池、钦州、柳州、北海、梧州、防城港、贵港、贺州、来宾、崇左）、海南省（三亚、海口）、四川省（雅安、成都、自贡、南充、泸州、德阳、绵阳、遂宁、内江、乐山、宜宾、广元、攀枝花、眉山、广安、达州、巴中、资阳）、重庆市（重庆市）、贵州省（六盘水、贵阳、遵义）、云南省（昆明、曲靖、昭通、保山、丽江纳西族自治县）、陕西省（西安、铜川、宝鸡、咸阳、渭南、汉中、安康、延安、榆林、商洛）、甘肃省（白银、兰州、金昌、天水、张掖、武威、定西、平凉、嘉峪关、酒泉、庆阳、陇南）、青海省（西宁）、宁夏回族自治区（银川、石嘴山、吴忠、固原）、新疆维吾尔自治区（乌鲁木齐、克拉玛依）（除西藏自治区以外的 26 个省及 4 个直辖市）2009—2015 年面板数据。
被解释变量为房价（PRICE）。商品房是指在市场经济条件下，具有经营资格的房地产开发公司（包括外商投资企业）通过出让方式取得土地使用权后经营的按市场价出售的住宅。本文通过商品房平均销售价格对房价进行衡量，并以 2009 年为基期，以各省居民消费价格指数进行平减。
解释变量为公共服务设施。主要包括教育、医疗、交通、环境、便民设施等方面。本文使用万人中小学生拥有专职教师人数代表教育设施水平、万人拥有床位数代表医疗设施水平[24]。此外，本文采用人均道路面积代表交通水平、公园面积代表环境情况、街道照明灯盏数代表便民设施水平。一般而言，目前中国许多大城市内的高房价区位往往也聚集了大量优质公共服务基础设施资源，因此，本文假设公共服务基础设施越完善，即交通越发达、医疗、教育水平越高，居住环境越适宜，则居民的购买意愿越强，房价越高。 控制变量为城市人口规模和城市居民可支配收入。城市人口规模越大，则对住房的需求越大，房价越高。城市经济发展水平越高，居民可支配收入越高，对房价的支付能力越强，推动房价升高。本文使用人口密度代表人口规模，使用在岗职工平均工资代表居民可支配收入。其中，在岗职工平均工资以 2009 年为基期进行平减。
（四）变量描述
使用Stata14.0 软件测度我国 269 个地级市 2009—2015 年全局 Morans I 指数，结果如表 2 所示。由表 2 可以看出，2009—2015 年间我国房价Morans I 指数均显著大于 0，总体上具有明显的空间集聚效应。
本文使用Stata14.0软件测度我国269个地级市2015年局部Morans I指数，并绘制莫兰指数散点图，如图 1 所示。一般来说，空间自相关类型主要有“高—高”（High-High）和“低—低”（Low-Low）为正相关，表示空间集聚;“低—高”（Low-High）和“高—低”（High-Low）为负相关，表示空间离散。
根据局部空间自相关（LISA）的分析结果发现，我国东部沿海地区房价呈现出较为明显的“高—高”集聚，西部及东北地区则呈现出较为明显的“低—低”集聚。
四、经验分析
（一）全国空间效应分析
首先采用固定效应模型，并分别使用 SEM、SAR、SDM 空间面板模型对房价以及公共基础设施教育、医療、交通、环境、便民设施进行空间及时间双固定效应回归，结果如表3所示。
由表3可以看出，空间自回归系数ρ和误差项的空间相关系数λ都在 1%的水平上显著为正，这说明，房价与公共服务之间存在显著的空间相关性。由此可见，研究我国城市房价不能忽视区位因素和空间效应的影响，必须进行综合考虑。在研究中还发现公共服务中的教育、医疗、交通设施指标对房价有空间正向影响。
（二）空间计量模型的选择检验
对于具体模型的采用，本文使用拉格朗日（LM）检验法进行判别，以决定采用 SAR 模型还是 SEM模型。本文使用Matlab7.0 软件进行分析，结果如表 4所示。由表 4可知，LM 检验结果均显著，同时考虑 corr2与 Log-likelihood，本文认为 SDM 模型所得结果更加稳健。同时，通过 LR 检验发现，SDM 模型不能简成 SAR 或 SEM 模型，LR 检验结果如表5所示。因此，选择 SDM 模型作为解释模型。
（三）东、中、西部空间效应分析
进一步分析我国东、中、西部公共服务对房价的影响，采用 SDM 模型，使用空间与时间双固定效应的方式进行回归，结果如表6所示。
由表3与表6可知，在全国范围内，商品房销售价格主要受人口密度、医疗以及环境的影响。其中，医疗设施的完善不仅会显著提升本地区房价，也会提高周边地区房价，环境则主要对本地区房价有显著的正向影响，即公园绿地面积的增加会显著提高本地区房价。因而，拥有一个良好的医疗条件和环境，会显著提升房价。
对于房价呈现较为明显“高—高”集聚的东部地区，房价主要受居民可支配收入、人口密度、交通及便民设施的影响。其中，在岗职工平均工资的增加会提升本地区及周边地区房价，而人口密度的增加则会显著提升周边地区房价。在交通方面，由于我国东部地区经济较中、西部发达，公共基础设施建成度也较高，人均道路面积的增加易更加挤占本地区居民生活空间，降低居民购买意愿，对本地区房价产生显著负向的影响。同时，本地区便民设施的增加会影响周边地区居民的买房区位选择，产生空间溢出效应，显著降低周围地区房价。
在我国中部地区，房价主要受人口密度、医疗、教育及便民设施的影响。人口密度的增加会增加居民对于本地区商品房的需求，使本地区房价上升，周边地区房价下降。同时，医疗设施的完善会提升本地区房价，同时产生空间溢出效应，提高周围地区房价。便民设施的增加则会通过空间溢出效应显著提高周边地区房价。
对于房价呈现较为明显“低—低”集聚的西部地区，房价主要受在岗职工平均工资、人口密度、交通、环境及便民设施的影响，在岗职工平均工资的增加会使本地区房价提高，同时，人口密度的增加也会增加本地居民对于商品房的需求，进而提高本地房价。在交通以及环境方面，由于西部地区交通网络不及中东部地区发达，本地区交通设施的完善与环境水平的提升会对周边居民产生吸引，产生空间溢出效应，而便民设施的增加则会显著增加周边地区房价。
五、结论与政策建议
（一）结论
本文利用 2009—2015 年我国 269 个地级市的样本数据，研究公共服务资本化对房价影响，通过空间面板自回归模型对所选取的 269 个地级市的人口密度、在岗职工平均工资、人均道路面积、万人中小学生拥有专职教师人数、万人拥有床位数等变量进行分析，使用 SEM、SAR、SDM 空间面板模型对房价，以及公共基础设施教育、医疗、交通、环境和便民设施进行空间及时间双重固定效应回归，研究范围覆盖我国中、东、西部三个地区，研究结果具有较强现实意义。
第一，从全国范围来看，本文所选取的人口密度、在岗职工平均工资、人均道路面积、万人中小学生拥有专职教师人数和万人拥有床位数指标均对房价有正向的影响作用。MLE回归也进一步说明了全国房价与公共服务之间的相关性。环境水平的提高会显著提高本地区房价，而医疗设施的提升一定程度上不仅会显著提升本地区的房价，还会显著提升周边地区房价。公共服务资本化总体上会对房价产生显著的影响，政府完善这些方面的公用基础设施，不仅能更好地建设城市提高当地居民居住的效用水平，还能促进当地的房地产业积极健康发展。
第二，从区域角度来说，我国中、东、西部地区房价存在一定的空间集聚和空间离群特征。东部沿海地区房价“高—高”集聚较为显著，而西部和东北部地区则以“低—低”集聚较为明显。根据 SDM 模型的 MLE 回归分析进一步发现，公共服务资本化对中、东、西部地区房价的影响表现出一定的区域差异。中部地区相比较东西部地区，医疗资源投入对住房价格敏感性更高，西部地区周边城市交通及环境资源投入对房价影响作用比东部和中部地区更敏感。 （二）政策建议
基于研究结论提出以下政策建议：
第一，地方政府应关注提供公共服务的质量而非数量。我国房地产市场分化日益加剧，使得房地产市场发展不仅受到经济、政治因素的影响，还受到人口、文化等相关因素的影响。而国家出台的一系列宏观调控政策与措施在房地产市场的发展中扮演着关键的角色，在公共服务方面，如医疗卫生、环境、便民设施和教育也与居民日常生活关联最为密切，公共服务的资本化对房價的影响在空间集聚分布影响因素的差异性，要求地方政府应更加关注区域公共服务水平提供的质量，而非数量。通过公共服务的改善来引导三四线城市住房需求的增加，对于一二线城市提升教育设施服务投入会增加住房需求。
第二，加快推进地方税制体系的完善，解决地方政府公共服务提供资金不足的问题。地方政府提高公共服务水平，不仅能更好地建设城市提高当地居民居住的效用水平，而且也能促进当地的房地产业积极健康发展，但由于资金支持不足或者是区域公共服务水平差异会导致区域发展的不平衡。可通过房产税的税制改革，解决中西部地区公共服务供给不足的问题，根据“简税制、宽税基、低税率、严征管”的改革思路，房地产税制改革未来征收应以为地方政府筹集长期稳定的财政收入为目标，房地产税作为房地产保有环节的税种，具有税基不易隐藏、税负不易转嫁等特点，税源具有一定的稳定性，可以成为地方政府稳定持久的财政收入来源。在房地产税税收的用途方面，应该充分体现“取之于民，用之于民”的思想，可考虑优先用于保障房的建设，也可考虑提供教育、医疗、交通、环境等公共服务。
第三，通过公共服务产品的有效供给，降低房地产市场分化程度，促进地区间均衡发展。根据前文的相关分析，全国范围来看我国当前教育资源、交通基础设施、公园绿地等公共服务产品的提供在东、中、西部分布不均衡，公共服务资本化对房价影响区域差异较明显。应当加大对东部地区公共绿地、居住环境的投资，以及对中西部地区教育、交通服务设施方面的投资力度，在城镇化发展过程中，加强产业政策引导，提升地方政府公共服务水平，促进劳动力空间均衡流动，进一步促进房地产可持续健康发展。
参考文献：
[1] Chau，K.，Ma，V.，Ho， D.The Pricing of‘Luckiness in the Apartment Market[J].Journal of Real Estate Literature， 2001， 9（1）：29-40.
[2] 温家珍，贾生华.特征价格模型及其在住房市场分析中的应用[J].中国房地产研究，2013，（2）：99-116.
[3] Efthymiou，D.，Antoniou，C.How Do Transport Infrastructure and Policies Affect House Prices and Rents？Evidence From Athens，Greece[J].Transportation Research Part A：Policy and Practice，2013，52（2）：1-22.
[4] Nazir， N.N.M.，Othman，N.， Nawawi，A.H.Role of Green Infrastructure in Determining House Value in Labuan Using Hedonic Pricing Model[J].Procedia-Social and Behavioral Sciences，2015，170（1）：484-493.
[5] Collins， C.A.， Kaplan， E.K.Capitalization of School Quality in Housing Prices：Evidence From Boundary Changes in Shelby County， Tennessee[J].American Economic Review， 2017， 107（ 5）：628-632.
[6] Agostini， C.， Palmucci， G.Capitalizacion Anticipada Del Metro De Santiago En El Precio De Las Viviendas[J].Trimestre Economico， 2008， 75（2）：403-431.
[7] 王松涛，郑思齐，冯杰.公共服务设施可达性及其对新建住房价格的影响——以北京中心城为例[J].地理科学进展，2007，（11）：78-85.
[8] 梁军辉，吴佳雨，林坚.北京市公共服务设施配置对住房价格的影响[J].城市经济，2016，（9）：82-124.
[9] 梁誉，朱卫峰.居住小区价格与公共服务网络可达性的相关性研究[J].计算机系统应用，2016，（12）：24-29.
[10] Rhode，P.W.，Strumpf，K.Assessing the Importance of Tiebout Sorting：Local Heterogeneity From 1850 to 1990[J].American Economic Review， 2003， 193（5）：1648-1677.
[11] Rosenthal，L.House Prices and Local Taxes in the UK[J].Fiscal Studies，1999，20（1）：61-76.
[12] Myungjun，J.， Chang-Deok，K.Retail Accessibility and Proximity Effects on Housing Prices in Seoul， Korea：A Retail Type and Housing Submarket Approach[J].Habitat International， 2015，49（10）：516-528. [13] Tian，G.，Wei，Y.D.，Li，H.Effects of Accessibility and Environmental Health Risk on Housing Prices：A Case of Salt Lake County， Utah[J].Applied Geography， 2017，89（12），12-21.
[14] 張琦.山西省基本公共服务对商品住宅价格的影响[D].山西：山西财经大学硕士学位论文，2016.9-35.
[15] 郭根龙，苏小荣.城市基础设施建设影响房价的中介效应研究——基于我国35 个大中城市的实证分析[J].热点透视，2015，（8）：54-58.
[16] 邓佳昭.基础设施与住宅业发展关系的研究[D].广东：华南师范大学硕士学位论文，2005.22-48.
[17] Zhe，S.， Cao，M.， Han，T.，et al.Public Transport Accessibility and Housing Value Uplift：Evidence From the Docklands Light Failway in London[J].Case Studies on Transport Policy ，2019，7（3）：607-616.
[18] Diao，M.，Leonard，D.， Sing， T.F.Spatial-Difference-in-Differences Models for Impact of New Mass Rapid Transit Line on Private Housing Values[J].Regional Science and Urban Economics ，2017，67（5）：64-77.
[19] Agarwal，S.，Rengarajan，S.， Sing，T.F， et al.School Allocation Rules and Housing Prices：A Quasi-Experiment With School Relocation Events in Singapore[J].Regional Science and Urban Economics，2016，58（5）：42-56.
[20] Wen，H.，Xiao，Y.，Hui，E.C.，et al.Quantile Effect of Educational Facilities on Housing Price：Do Homebuyers of Higher-Priced Housing Pay More for Educational Resources？[J].Cities，2019，90（7）：100-112.
[21] 张东，秦俊武.城市基础设施投资约束下住房开发投资效益变动研究[J].中国房地产金融，2013，（3）：35-38.
[22] 汤玉刚，陈强，满利苹.资本化、财政激励与地方公共服务提供——基于我国 35 个大中城市的实证分析[J].经济学（季刊），2015，（10）：217-240.
[23] 夏怡然，陆铭.城市间的“孟母三迁”——公共服务影响劳动力流向的经验研究[J].管理世界，2015，（10）：78-90.
[24] 兰峰，达卉莉.住房价格分异、公共基础设施与城市空间重构——基于西安市的时空演化视角[J].管理世界，2018，（3）：172-173.
（责任编辑：邓 菁）