论文部分内容阅读
摘要：文章基于城市多中心区位理论，利用特征价格模型和GIS技术，对昆明市旅游景区住宅特征价格和价格空间影响进行了研究，发现：旅游资源的类别、开发规模等特征对景观型住宅的价格有着较大影响，同时随着旅游景区的建立而形成的新的城市中心对城市住房价格的空间分布有一定的影响。
关键词：旅游地产；景观型住宅；特征价格模型；多中心城市理论
一、引言
近年来，随着中国房地产市场发展的逐渐成熟，人们在选购商品房住宅时会全面考虑与物业相关的信息，这里就包括住宅周边的自然与人文环境，以及周边旅游景区所带来的价值。
对于城市住房价格的决定因素，国内外学者已经做了大量的研究。温海珍等对住宅的特征与特征的价格做了研究。赵何军对天津市的住宅价格因素做了分析。郝前进等以上海市为例，分别通过交通可达性、商业便利性、城市化及收入变化等几方面，分析了城市住宅价格的决定机制。但是，对于旅游地产这样一个新兴的房地产开发领域，有关其价格的决定机制研究还很缺乏，特别是依托旅游资源而建立起的景观型住房。同时，随着旅游区的开发建立，城市空间结构的扩张，随之建立起的景观住宅会不会影响城市中原有的住房价格空间分布，这也是我们所关心的问题。
因此，笔者在前人对住房特征价格研究的基础上，利用特征价格模型以及GIS手段，对昆明市旅游资源是否会对住房价产生格影响进行分析，并对旅游景区的建立是否会影响城市住房价格空间分布做初步探索。
二、理论基础
（一）区位理论
最早的区位理论是关于农业租金与区位，主要研究级差地租和随之产生的地价。随着城市化的迅速发展，中心城市与周围腹地逐渐形成一个共同的区域，在开发规划中被作为一个整体来考虑，由此而产生了中心地理理论。这一理论在后来几代学者的研究深化下，发展为城市单中心理论和城市多中心理论。
但随着城市的不断发展，不可能永远只有一个中心，新城的兴起，城市中新的商业、旅游中心的建立，都会使原有单中心城市变为多中心的大城。在这种情况下，上述单中心理论在研究中就并不适用了。现实中由于城市不断不断向外扩张，次级中心的不断出现，交通等基础设施的非均匀分布，都将导致住房价值与其区位的空间分布发生变化。
（二）旅游地产
根据旅游地产的开发模式，一般将旅游地产分为四类：娱乐类、观光体验类、接待类（节庆、会展）、景观型住房。这里的景观型住房，是指利用旅游景区、休闲度假去、人文历史名胜古迹等旅游资源，依托其带来的良好的环境、商业氛围以及完善的基础设施，在这些景区周边开发的多功能住宅地产项目。这些住宅地产的价值，在很大程度上受到所依托景区、旅游资源的影响。
结合上诉城市区位理论，我们可以看出，以旅游资源为核心而形成的新的商业、旅游中心，将对周边住宅的价格造成很大的影响，但是这种影响究竟与哪些因素有关，影响程度有多大，这些问题正是本文所要探求验证的核心。
（三）特征价格法
Lancaster认为，产品的需求并不是基于商品本身，消费者对商品的需求根源于这种商品所内含的某些特征要素上，以及这些要素为消费者带来的效用。
Rosen建立了特征价格法用于分析的基本理论框架，通过对住房市场上消费者、政府和开发商三方面的分析，建立了隐性市场均衡分析理论。Rosen认为在住宅供给市场上，住宅的每个特征的边际供给价格与该特征的隐含价格相等时，供给者的利润最大化。当所有的住宅供求相等，而且供给与需求方都不改变其决策时，住宅市场便达到均衡状态。此时，特征价格函数实际上是一个双重包络线，每种住宅的隐藏价格与边际支付价格和边际供给价格相等。特征价格法中的市场均衡分析，如图1所示。
三、模型设定
（一）研究思路
本文选择昆明市主城区为研究区域，将旅游资源分为四大区域，如表1所示。
为了研究，以这些旅游景区资源为中心所形成的新的城市商旅中心，对周边住房价格是否有影响及其影响特征因素是哪些。笔者分别对每个景区建立了影响区，并结合昆明主城交通环线分布再细化出四个非影响区，最终得出18个分区，如图2所示。但是为了方便建模分析，将D15、D16、D17、D18四个非影响区域在数据分析时统一以D15来代替。
通过对每个旅游资源影响区内住房价格的变化及非旅游资源影响区域内住房价格的变化，来验证旅游中心是否对周边住房价格造成影响，并分析其影响因素有哪些，及每个选取的影响因素的影响程度。
（二）数据来源及变量选择
本文选用住宅价格数据来自昆明市某房地产市场调查公司，时间跨度为2008年第二季度至2010年第四季度，共11个时期。景区类型、公交线路条数和住宅类型，笔者采用实地调查结合网络搜索的方式统计得出。模型中涉及的景区影响的内、外区域划分和住宅楼盘到CBD的距离，笔者利用ArcGIS的分析、测量功能得出。
由于在实践研究中无法将住房隐含的特征变量列举穷尽，而且根据研究的侧重点不同，研究人员所选取的特征变量也有差异。因此，本文参考已有研究，结合研究重点及数据可得性，选取“住房楼盘周边500m内公交线路数”、“住房是否别墅”、“CBD距离”及景区类别作为特征变量引入模型。
（三）模型设定
本文采用半对数模型进行分析，构建扩展的特征价格模型（式①），利用最小二乘法估计待定参数。由于本文采用的数据为2008年第二季度到2010年第四季度的昆明市各个楼盘住房均价数据，所以需要采用一种外部价格指数来修正宏观经济变化对住房价格造成的影响。但这种外部价格指数是根据整个城市的住房交易估计出来的，并不能代表研究区域的价格变化。因此，在模型设计时，笔者加入了■γtQt项，以反映每一期价格相对于基期（2008年第一季度）价格的变动，t取值从2开始。
lnP=β0+β1N+β2S+β3L+■γtQt+θCKC+θNKN+θSKS+θCBDKCBD+ε①
式中：P——住房均价；N——住房的邻里特征变量；S——住房的建筑特征变量；L——住房的区位特征变量；Qt——住房均价采集时的季度。由于数据是从2008年第二季度到2010年第四季度，共11各时期，所以t=2，…，11；KC——人文类景区；KN——自然类景区；KS——综合类景区；KCBD——CBD景区；ε——误差项；β0、β1、β2、β3、γt、λi为待估系数。
四、实证分析
对样本数据进行回归分析，所得结果如表2所示。
可以看出大部分自变量的估计参数是高度显著的。而且建筑特征VILLA、区位特征CBD_DISTANCE，表示旅游景区类性的虚拟变量CULTURE、NATURE、SYNTHETIC、CBD的回归系数与预期的符号相一致，并且在1%水平下都显著。说明人文类景区会给周边住房价格带来18%的提升，自然类景区会为住房价格带来9.4%的提升，综合类景区会为住房价格带来13.1%的提升，CBD会为住房价格带来28.3%的提升。可见CBD区域凭借浓郁的商业氛围吸引了大批的游客，同时从昆明市的旅游景区分布来看，金马碧鸡坊、圆通山等人文类景区均处在昆明市CBD辐射范围内，这就为游客的分流、旅游线路的指定提供了便利。
CBD_DISTANCE变量前的系数符号尽管与预期一样，为负值，说明住房价格随着楼盘位置到CBD距离增加而减少，但是其系数的绝对值非常小，说明这种影响并不是很明显。这也正符合数据描述性统计中的特点，即D7-8、D4-11-12区尽管在主城区二环以外，距离CBD较远，但其影响区内住房价格仍有上涨趋势，而且D4-11-12区影响范围内住房均价要高于CBD影响区住房均价。这一现象正是由于D4-11-12区是在环滇池旅游度假期的影响范围内造成的，这一区域凭借优秀的自然、人文资源而成为昆明市的旅游、商业中心从而拉动周边地价、房价，对整个城市住房价格的空间分布造成了影响。
另外NUM_BUSLINE变量前系数估计值与预期符号相反，其值为-0.005，意味着楼盘周边500m半径以内每增加一条公交路线，房价会降低0.5%。究其原因，在于随着昆明市城市化不断发展，很多开发商都进行战略性的开发——将楼盘选址定在未来城市规划的区域性CBD地区或新城区，而且昆明市主的主要旅游景区也分布在这里。由于尚处于规划阶段建设阶段，这些地区的公共基础设施并不完善，根据笔者的亲自走访调查发现，这里的很多楼盘的居民要步行1000m以上才会有公交站点，而且他们出行大部分是选择私家车为首选交通工具。而且，昆明市正在进行地铁的建设，地铁线路必将会为公交线路的不足带来补充。所以，由于以上种种原因才会出现上述符号异常的估计结果。
五、结束语
本文基于城市区位多中心理论，构建扩展的特征价格模型，对昆明市主城区旅游中心对周边住房均价的影响进行了分析。研究发现，随着旅游资源的开发、旅游景区设施的建立，在城市中将形成新的商旅中心。这些新兴的城市中心有的是次级商旅中心，有的规模、影响范围甚至超过城市中传统的CBD区域。这些以旅游为核心的商旅中心，对周边住房的价格有着较大的影响，但是根据旅游资源类别、开发等级的不同其影响大小也有差异。特别像昆明这种典型的旅游城市，这种随着旅游区域建立而形成的新的城市中心会影响整个城市住房价格的空间布局。
参考文献：
1.张红.房地产经济学[M].清华大学出版社,2005.
2.郝前进.特征价格法与城市住宅价格的决定机制[M].南京大学出版社,2009.
3.顾杰.城市空间增长与城市土地、住宅价格空间结构演变:理论分析与杭州经验[M].经济科学出版社,2010.
4.温海珍,贾生华.住宅的特征与特征的价格[J].浙江大学学报,2004(10).
5.于璐,郑思齐,郑洪玉.住房价格梯度的空间互异性及影响因素——对北京城市空间结构的实证研究[J].经济地理,2008(3）.
6.刘定慧,杨永春,黄幸,张博.基于GIS与Hedonic模型的成都市住宅价格空间分布特征及其影响因素研究[J].安徽农业科学,2010(29).
7.刘定慧,杨永春,黄幸，张博.基于GIS与Hedonic模型的成都市住宅价格空间分布特征及其影响因素研究[J].安徽农业科学,2010(29).
8.王卓琳,秦伟伟.特征价格模型研究综述[J].经济论坛,2009(12).
9.邹统钎,崔海雷.旅游地产开发与经营经典案例[M].北京师范大学出版社,2010.
10.胡浩.大都市旅游房地产发展与布局研究[M].中国财政经济出版社,2006.
11.陈劲松.城界消失-旅游地产[M].机械工业出版社,2003.
（作者单位：云南财经大学城市管理与资源环境学院）
关键词：旅游地产；景观型住宅；特征价格模型；多中心城市理论
一、引言
近年来，随着中国房地产市场发展的逐渐成熟，人们在选购商品房住宅时会全面考虑与物业相关的信息，这里就包括住宅周边的自然与人文环境，以及周边旅游景区所带来的价值。
对于城市住房价格的决定因素，国内外学者已经做了大量的研究。温海珍等对住宅的特征与特征的价格做了研究。赵何军对天津市的住宅价格因素做了分析。郝前进等以上海市为例，分别通过交通可达性、商业便利性、城市化及收入变化等几方面，分析了城市住宅价格的决定机制。但是，对于旅游地产这样一个新兴的房地产开发领域，有关其价格的决定机制研究还很缺乏，特别是依托旅游资源而建立起的景观型住房。同时，随着旅游区的开发建立，城市空间结构的扩张，随之建立起的景观住宅会不会影响城市中原有的住房价格空间分布，这也是我们所关心的问题。
因此，笔者在前人对住房特征价格研究的基础上，利用特征价格模型以及GIS手段，对昆明市旅游资源是否会对住房价产生格影响进行分析，并对旅游景区的建立是否会影响城市住房价格空间分布做初步探索。
二、理论基础
（一）区位理论
最早的区位理论是关于农业租金与区位，主要研究级差地租和随之产生的地价。随着城市化的迅速发展，中心城市与周围腹地逐渐形成一个共同的区域，在开发规划中被作为一个整体来考虑，由此而产生了中心地理理论。这一理论在后来几代学者的研究深化下，发展为城市单中心理论和城市多中心理论。
但随着城市的不断发展，不可能永远只有一个中心，新城的兴起，城市中新的商业、旅游中心的建立，都会使原有单中心城市变为多中心的大城。在这种情况下，上述单中心理论在研究中就并不适用了。现实中由于城市不断不断向外扩张，次级中心的不断出现，交通等基础设施的非均匀分布，都将导致住房价值与其区位的空间分布发生变化。
（二）旅游地产
根据旅游地产的开发模式，一般将旅游地产分为四类：娱乐类、观光体验类、接待类（节庆、会展）、景观型住房。这里的景观型住房，是指利用旅游景区、休闲度假去、人文历史名胜古迹等旅游资源，依托其带来的良好的环境、商业氛围以及完善的基础设施，在这些景区周边开发的多功能住宅地产项目。这些住宅地产的价值，在很大程度上受到所依托景区、旅游资源的影响。
结合上诉城市区位理论，我们可以看出，以旅游资源为核心而形成的新的商业、旅游中心，将对周边住宅的价格造成很大的影响，但是这种影响究竟与哪些因素有关，影响程度有多大，这些问题正是本文所要探求验证的核心。
（三）特征价格法
Lancaster认为，产品的需求并不是基于商品本身，消费者对商品的需求根源于这种商品所内含的某些特征要素上，以及这些要素为消费者带来的效用。
Rosen建立了特征价格法用于分析的基本理论框架，通过对住房市场上消费者、政府和开发商三方面的分析，建立了隐性市场均衡分析理论。Rosen认为在住宅供给市场上，住宅的每个特征的边际供给价格与该特征的隐含价格相等时，供给者的利润最大化。当所有的住宅供求相等，而且供给与需求方都不改变其决策时，住宅市场便达到均衡状态。此时，特征价格函数实际上是一个双重包络线，每种住宅的隐藏价格与边际支付价格和边际供给价格相等。特征价格法中的市场均衡分析，如图1所示。
三、模型设定
（一）研究思路
本文选择昆明市主城区为研究区域，将旅游资源分为四大区域，如表1所示。
为了研究，以这些旅游景区资源为中心所形成的新的城市商旅中心，对周边住房价格是否有影响及其影响特征因素是哪些。笔者分别对每个景区建立了影响区，并结合昆明主城交通环线分布再细化出四个非影响区，最终得出18个分区，如图2所示。但是为了方便建模分析，将D15、D16、D17、D18四个非影响区域在数据分析时统一以D15来代替。
通过对每个旅游资源影响区内住房价格的变化及非旅游资源影响区域内住房价格的变化，来验证旅游中心是否对周边住房价格造成影响，并分析其影响因素有哪些，及每个选取的影响因素的影响程度。
（二）数据来源及变量选择
本文选用住宅价格数据来自昆明市某房地产市场调查公司，时间跨度为2008年第二季度至2010年第四季度，共11个时期。景区类型、公交线路条数和住宅类型，笔者采用实地调查结合网络搜索的方式统计得出。模型中涉及的景区影响的内、外区域划分和住宅楼盘到CBD的距离，笔者利用ArcGIS的分析、测量功能得出。
由于在实践研究中无法将住房隐含的特征变量列举穷尽，而且根据研究的侧重点不同，研究人员所选取的特征变量也有差异。因此，本文参考已有研究，结合研究重点及数据可得性，选取“住房楼盘周边500m内公交线路数”、“住房是否别墅”、“CBD距离”及景区类别作为特征变量引入模型。
（三）模型设定
本文采用半对数模型进行分析，构建扩展的特征价格模型（式①），利用最小二乘法估计待定参数。由于本文采用的数据为2008年第二季度到2010年第四季度的昆明市各个楼盘住房均价数据，所以需要采用一种外部价格指数来修正宏观经济变化对住房价格造成的影响。但这种外部价格指数是根据整个城市的住房交易估计出来的，并不能代表研究区域的价格变化。因此，在模型设计时，笔者加入了■γtQt项，以反映每一期价格相对于基期（2008年第一季度）价格的变动，t取值从2开始。
lnP=β0+β1N+β2S+β3L+■γtQt+θCKC+θNKN+θSKS+θCBDKCBD+ε①
式中：P——住房均价；N——住房的邻里特征变量；S——住房的建筑特征变量；L——住房的区位特征变量；Qt——住房均价采集时的季度。由于数据是从2008年第二季度到2010年第四季度，共11各时期，所以t=2，…，11；KC——人文类景区；KN——自然类景区；KS——综合类景区；KCBD——CBD景区；ε——误差项；β0、β1、β2、β3、γt、λi为待估系数。
四、实证分析
对样本数据进行回归分析，所得结果如表2所示。
可以看出大部分自变量的估计参数是高度显著的。而且建筑特征VILLA、区位特征CBD_DISTANCE，表示旅游景区类性的虚拟变量CULTURE、NATURE、SYNTHETIC、CBD的回归系数与预期的符号相一致，并且在1%水平下都显著。说明人文类景区会给周边住房价格带来18%的提升，自然类景区会为住房价格带来9.4%的提升，综合类景区会为住房价格带来13.1%的提升，CBD会为住房价格带来28.3%的提升。可见CBD区域凭借浓郁的商业氛围吸引了大批的游客，同时从昆明市的旅游景区分布来看，金马碧鸡坊、圆通山等人文类景区均处在昆明市CBD辐射范围内，这就为游客的分流、旅游线路的指定提供了便利。
CBD_DISTANCE变量前的系数符号尽管与预期一样，为负值，说明住房价格随着楼盘位置到CBD距离增加而减少，但是其系数的绝对值非常小，说明这种影响并不是很明显。这也正符合数据描述性统计中的特点，即D7-8、D4-11-12区尽管在主城区二环以外，距离CBD较远，但其影响区内住房价格仍有上涨趋势，而且D4-11-12区影响范围内住房均价要高于CBD影响区住房均价。这一现象正是由于D4-11-12区是在环滇池旅游度假期的影响范围内造成的，这一区域凭借优秀的自然、人文资源而成为昆明市的旅游、商业中心从而拉动周边地价、房价，对整个城市住房价格的空间分布造成了影响。
另外NUM_BUSLINE变量前系数估计值与预期符号相反，其值为-0.005，意味着楼盘周边500m半径以内每增加一条公交路线，房价会降低0.5%。究其原因，在于随着昆明市城市化不断发展，很多开发商都进行战略性的开发——将楼盘选址定在未来城市规划的区域性CBD地区或新城区，而且昆明市主的主要旅游景区也分布在这里。由于尚处于规划阶段建设阶段，这些地区的公共基础设施并不完善，根据笔者的亲自走访调查发现，这里的很多楼盘的居民要步行1000m以上才会有公交站点，而且他们出行大部分是选择私家车为首选交通工具。而且，昆明市正在进行地铁的建设，地铁线路必将会为公交线路的不足带来补充。所以，由于以上种种原因才会出现上述符号异常的估计结果。
五、结束语
本文基于城市区位多中心理论，构建扩展的特征价格模型，对昆明市主城区旅游中心对周边住房均价的影响进行了分析。研究发现，随着旅游资源的开发、旅游景区设施的建立，在城市中将形成新的商旅中心。这些新兴的城市中心有的是次级商旅中心，有的规模、影响范围甚至超过城市中传统的CBD区域。这些以旅游为核心的商旅中心，对周边住房的价格有着较大的影响，但是根据旅游资源类别、开发等级的不同其影响大小也有差异。特别像昆明这种典型的旅游城市，这种随着旅游区域建立而形成的新的城市中心会影响整个城市住房价格的空间布局。
参考文献：
1.张红.房地产经济学[M].清华大学出版社,2005.
2.郝前进.特征价格法与城市住宅价格的决定机制[M].南京大学出版社,2009.
3.顾杰.城市空间增长与城市土地、住宅价格空间结构演变:理论分析与杭州经验[M].经济科学出版社,2010.
4.温海珍,贾生华.住宅的特征与特征的价格[J].浙江大学学报,2004(10).
5.于璐,郑思齐,郑洪玉.住房价格梯度的空间互异性及影响因素——对北京城市空间结构的实证研究[J].经济地理,2008(3）.
6.刘定慧,杨永春,黄幸,张博.基于GIS与Hedonic模型的成都市住宅价格空间分布特征及其影响因素研究[J].安徽农业科学,2010(29).
7.刘定慧,杨永春,黄幸，张博.基于GIS与Hedonic模型的成都市住宅价格空间分布特征及其影响因素研究[J].安徽农业科学,2010(29).
8.王卓琳,秦伟伟.特征价格模型研究综述[J].经济论坛,2009(12).
9.邹统钎,崔海雷.旅游地产开发与经营经典案例[M].北京师范大学出版社,2010.
10.胡浩.大都市旅游房地产发展与布局研究[M].中国财政经济出版社,2006.
11.陈劲松.城界消失-旅游地产[M].机械工业出版社,2003.
（作者单位：云南财经大学城市管理与资源环境学院）