◎ 潘竟虎

住房與飲食、醫(yī)療、就業(yè)、教育等一樣，始終是人類生存與發(fā)展的基本需求，也是最重要的民生問題之一。中國自1990年代開始進行住房制度改革，取消福利分房，住房逐步進入商品化的時代，房地產(chǎn)業(yè)快速發(fā)展，城市商品住宅價格也隨之水漲船高，大城市房價居高不下，“房奴”、“蟻族”、“蝸居”等新名稱相繼出現(xiàn)，引發(fā)社會的廣泛關注，房價泡沫、房地產(chǎn)依賴度和住房可支付性等問題亦成為學術界關注的熱點問題[1]。當前房價居高不下的一個重要原因在于房地產(chǎn)“綁架”了地方政府的利益，這既是因為土地一級市場壟斷的因素，也是由于地方財政收入對房地產(chǎn)市場存在很大的依賴性：土地出讓金成為地方財政收入的主要來源，甚至于許多地方政府財源已變成“房地產(chǎn)財政”。過去10年，受益于全球化紅利、人口紅利以及房地產(chǎn)市場改革紅利等因素，中國城市房地產(chǎn)市場空前繁榮，與此同時，地方政府財政對房地產(chǎn)業(yè)的依賴程度也越來越深。房地產(chǎn)業(yè)本身具有鮮明的周期性特征，單純依靠行政手段不能保證房地產(chǎn)市場不產(chǎn)生波動，地方財政如若過度依賴于房地產(chǎn)行業(yè)，不僅會引發(fā)房價居高不下招致民怨，也直接影響到地方財政收入的持續(xù)增長。1990年代初日本爆發(fā)的房地產(chǎn)泡沫破裂，1990年代中后期東南亞和香港房地產(chǎn)泡沫破裂引發(fā)的大恐慌，以及2008年美國房地產(chǎn)過熱誘發(fā)的次貸危機，均為我們敲響了警鐘。房地產(chǎn)業(yè)具有顯著的區(qū)域特征，研究地方政府房地產(chǎn)依賴度及其時空演化，具有重要的理論和實踐意義。

房地產(chǎn)依賴度的相關研究國外起步較早，研究內容主要集中在房地產(chǎn)泡沫、房地產(chǎn)經(jīng)濟周期、房地產(chǎn)依賴度與金融危機、住宅投資與經(jīng)濟增長關系、房地產(chǎn)業(yè)宏觀調控等方面[1-4]；研究方法多采用了調查統(tǒng)計、計量分析、數(shù)學建模等。國內學者側重于實證研究，提出了房地產(chǎn)泡沫檢測方法、房地產(chǎn)依賴度分區(qū)、經(jīng)濟增長的房地產(chǎn)依賴模型等[5-8]，但對房地產(chǎn)依賴度的空間分異格局少有研究。從研究方法來看，多采用基于計量經(jīng)濟學理論的統(tǒng)計模型，基于GIS的空間分析較少見。從研究視角看，主要從經(jīng)濟學、社會學和政治學等多角度分析，以地理學視角開展的研究尚不多見。從研究對象看，呈現(xiàn)兩極化趨勢：或針對單個城市，或以省級或大區(qū)域為基本研究單元，缺乏中觀層面上的研究，以地級城市為單元的時空分異研究更是鮮見。

房地產(chǎn)是不動產(chǎn)，其與其他資產(chǎn)的最大區(qū)別在于空間的固定性和不可移動性，具有強烈的地域性。研究房地產(chǎn)依賴度不但要關注時間維度上的某個（些）年份，還需深入挖掘空間維度上的區(qū)域差異。中國地域遼闊，城市眾多，城市之間發(fā)展程度差異較大，房地產(chǎn)依賴度的城市分異也極為顯著。此外，房地產(chǎn)依賴度不僅在區(qū)域間存在著差異，在各線城市間也呈現(xiàn)出分化的格局。中國實行市管縣體制，地級市均為所在區(qū)域的經(jīng)濟、文化中心，在地級市整體層面上和各線城市層面上探索房地產(chǎn)依賴度的空間分異格局，有助于認清中國區(qū)域房地產(chǎn)市場的空間結構，對政府因地制宜地實行差別化的房地產(chǎn)發(fā)展政策有著重要的參考意義?；诖?，本文以2004和2012年中國343個地級及以上城市為案例，運用基于GIS的空間計量測度方法，分析房地產(chǎn)依賴度的時空分異格局，并比較其總體分異趨勢、空間異質性和空間相關性格局，以期為認清中國房地產(chǎn)依賴度的空間結構，為相關政策制定提供科學借鑒。

一、研究方法與數(shù)據(jù)來源

（一）研究區(qū)域與數(shù)據(jù)來源

我國實行（地級）市管縣的行政體制，地級行政區(qū)的管轄范圍相對較為穩(wěn)定。考慮到統(tǒng)計數(shù)據(jù)的可獲取性和行政單元空間完整性，本文以2012年地級行政區(qū)（地級市、地級單元、自治州和盟）為尺度進行分析，不包括臺灣、香港和澳門地區(qū)，為便于比較，2004年尚未“地改市”的地級單元和盟，仍以原行政區(qū)作為研究單元。為保持空間的連續(xù)性和便于分析，將4個直轄市和個別屬于省直轄的縣級行政區(qū)（河南省濟源市，湖北省仙桃市、天門市、潛江市和神農架林區(qū)，新疆石河子市）也納入分析的范疇。此外，海南省除海口和三亞外的省直轄區(qū)域合并為一個單元，其數(shù)據(jù)采用除去上述2市以外的全省平均值替代。極少數(shù)地級單元的個別數(shù)據(jù)缺失，采用省區(qū)統(tǒng)計年鑒的數(shù)據(jù)補齊或通過相鄰年份數(shù)據(jù)插值獲得。據(jù)此，得到343個地級及以上行政單元（為描述方便，下文統(tǒng)稱為地級市）參與研究。

數(shù)據(jù)來源于2004、2008和2013年的《中國區(qū)域經(jīng)濟統(tǒng)計年鑒》[9-11]，個別缺失的數(shù)據(jù)由各省份相應年份的統(tǒng)計年鑒、各市統(tǒng)計公報等檢索獲得。行政界線、城市位置信息等獲取自國家基礎地理信息中心1:400萬數(shù)據(jù)庫。考慮到數(shù)據(jù)的可獲取性，研究時點選擇最近的2012年和前溯至最大的2003年。

（二）研究方法

1.房地產(chǎn)依賴度計算方法

區(qū)域房地產(chǎn)依賴度一般用房地產(chǎn)開發(fā)投資占區(qū)域GDP產(chǎn)出的比重來衡量[12]，但直接以房地產(chǎn)開發(fā)投資和GDP去比，結果不盡合理，因為在統(tǒng)計口徑上二者并非從屬關系，而是互為交集。而如果簡單地用區(qū)域房地產(chǎn)開發(fā)投資占固定資產(chǎn)投資的比例來計算房地產(chǎn)依賴度，則又忽視了經(jīng)濟發(fā)展程度。為此，本文綜合考慮區(qū)域GDP、固定資產(chǎn)投資總額和財政收入與區(qū)域房地產(chǎn)開發(fā)投資的比例關系，構建區(qū)域房地產(chǎn)依賴度指數(shù)和綜合指數(shù)，力求多角度地衡量區(qū)域經(jīng)濟發(fā)展與房地產(chǎn)行業(yè)之間的關系。為了得到房地產(chǎn)依賴度綜合指數(shù)，本文將GDP、固定資產(chǎn)投資總額和財政收入對房地產(chǎn)依賴度的影響同等對待，即在計算時將上述3個指標等權加和取平均值計算：

其中，RED為區(qū)域房地產(chǎn)依賴度綜合指數(shù)，DGDP為區(qū)域GDP房地產(chǎn)依賴度，DFAI為區(qū)域投資房地產(chǎn)依賴度，DFR為區(qū)域財政收入房地產(chǎn)依賴度，REI為區(qū)域房地產(chǎn)開發(fā)投資額（億元），GDP為區(qū)域生產(chǎn)總值（億元），F(xiàn)AI為區(qū)域固定資產(chǎn)投資總額（億元），F(xiàn)R為區(qū)域財政收入（億元），變量上的橫線代表歸一化處理，本文采用極差標準化無量綱方法。

2.位序—規(guī)模分析

位序—規(guī)模分析法是城市地理學中分析城市等級的經(jīng)典方法，1949年Zipf[13]提出了城市位序—規(guī)模分布法則。本文引入位序—規(guī)模法，用于分析房地產(chǎn)依賴度的城市差異。計算式為：

式中，REDi是第i位城市的房地產(chǎn)依賴度；RED1為HPIR排名第一的城市房地產(chǎn)依賴度，lnRED1是一個常數(shù)，體現(xiàn)城市體系最高等級的城市在位序—規(guī)模二維坐標系縱軸上的截距，lnRED1變化反映了最高等級房地產(chǎn)依賴度的城市在體系中的變化；ri為第i位城市的位序；q為回歸曲線的斜率，其值的大小可以反映出城市房價收入等級結構的變化，若其值變大，說明規(guī)模集中的力量大于分散的力量，反之，則說明分散的力量大于集中的力量。

3.探索性數(shù)據(jù)分析（ESDA）

常用的區(qū)域差異分析方法包括統(tǒng)計法、公理法、社會安全函數(shù)以及模型法，前3種方法均為基于數(shù)字挖掘的分析推導法，缺乏空間視角，無法實現(xiàn)地域差異空間格局的可視化表達，也忽視了鄰域的影響。本文采用基于GIS平臺的ESDA技術，包括全局Moran’s I指數(shù)和局域Moran’s I指數(shù)（LISA）。ESDA是得到學界認可的較為理想的數(shù)據(jù)驅動分析方法，已被廣泛用于區(qū)域差異的研究中，篇幅所限，計算公式詳見文獻[14]。引入Getis-Ord Gi*來判別不同空間位置上的高值與低值集聚狀況，計算式見文獻[15]。

4.三維趨勢分析

用于揭示空間物體的總體分布規(guī)律，忽視局部變異。一般來說，任一表面可分為兩部分：確定性的全局趨勢和隨機性的短程變異[16]。三維趨勢分析反映了描述對象在空間區(qū)域上變化的主體特征。在趨勢分析圖中，每一條豎線代表某個數(shù)據(jù)點的屬性值（高度）和空間位置，數(shù)據(jù)點被投影到一個由東西向和南北向軸構成的正交平面上。投影點可以在某平面上擬合出一條曲線，并于模擬特定方向上數(shù)據(jù)的趨勢。

式中：N(h)是分割距離為h的樣本量，當空間變異函數(shù)大時，空間自相關性減弱。以h為橫坐標，以γ(h)為縱坐標，可繪制半變異函數(shù)曲線圖。

5.房價收入比

指住房價格與城市居民家庭年收入之比，是衡量是衡量居民住房價格承受能力和房地產(chǎn)是否存在泡沫的重要指標。計算式為[17]：

其中，HP為單套商品住宅銷售價格（元），AP為商品住宅單位面積平均銷售價格（元/m2），AS為城鎮(zhèn)人均住宅建筑面積（m2），AI為城鎮(zhèn)居民人均可支配收入（元）。

二、房地產(chǎn)依賴度時空分異特征

（一）總體分異特征

1.位序—規(guī)模分析

2003年、2007年和2012年房地產(chǎn)依賴度的位序—規(guī)?；貧w曲線如圖1所示?；貧w擬合的決定系數(shù) R平方值均在0.57以上，擬合較好，系數(shù)以及方程在1%水平上均高度顯著。圖1表明，2003-2012年，中國地級城市的房地產(chǎn)依賴度是符合位序—規(guī)模分布的，說明城市之間的差異巨大，尤其體現(xiàn)在位序靠前城市的房地產(chǎn)依賴度明顯地高于位序靠后城市的房地產(chǎn)依賴度，這意味著位序靠前城市面臨更大的房地產(chǎn)泡沫壓力?；貧w方程斜率絕對值頭5年先大幅減小，后5年略有增加，說明城市房地產(chǎn)依賴度先趨于集中后趨于分散。整體而言，中國城市房地產(chǎn)依賴度仍然呈現(xiàn)出擴大態(tài)勢，政府需要采取積極措施加大對房地產(chǎn)市場的調控力度，避免房地產(chǎn)泡沫引發(fā)一系列經(jīng)濟和社會問題。

2.空間分異格局

圖1 中國城市房地產(chǎn)依賴度的位序—規(guī)模分析

目前對房地產(chǎn)依賴度的合理區(qū)間劃分尚無統(tǒng)一的判斷標準，本文將RED〈0.2定為低房地產(chǎn)依賴度，HPIR＞0.4定為高房地產(chǎn)依賴度，其中，RED＞0.6為極高房地產(chǎn)依賴度。據(jù)此，繪制RED空間分布圖（圖2）。由圖2可發(fā)現(xiàn)：我國高房地產(chǎn)依賴度的城市數(shù)量并不多，而低房地產(chǎn)依賴度的城市數(shù)量較多。2003年，有27個地級單元的房地產(chǎn)依賴度較高（＞0.4），占地級單元總數(shù)的7.87%，散布在長江中下游地區(qū)以及遼寧、陜西等北方省份；其中，僅有3個地級單元的房地產(chǎn)依賴度極高（＞0.6），分別是北京、麗江和銀川，其RED分別為0.846、0.768和0.708。2007年，有16個地級單元的房地產(chǎn)依賴度較高，占地級單元總數(shù)的4.67%，分布在14個省份；其中，僅三亞的房地產(chǎn)依賴度極高，達0.758。2012年，有34個地級單元的房地產(chǎn)依賴度較高，占地級單元總數(shù)的9.91%，空間上主要集中在著名的黑河-騰沖一線的東側；其中，有3個地級單元的房地產(chǎn)依賴度極高，分別是三亞、貴陽和伊春，其RED分別為0.91、0.764和0.63。3個時點上，房地產(chǎn)依賴度均較高的城市有7個：三亞、北京、成都、福州、西安、沈陽和合肥，除三亞外，均為省會城市或直轄市。

我國的房地產(chǎn)市場較之國際上存在著一定的特殊性，體現(xiàn)在我國人口的基數(shù)龐大導致住房需求量巨大，加之國人置業(yè)傳統(tǒng)觀念的影響，城市房地產(chǎn)依賴度普遍偏高；此外，我國城市間發(fā)展極不平衡，不同城市間的經(jīng)濟發(fā)展水平差異巨大，使得不能用同一標準衡量所有城市，客觀上要求對不同類別城市的房地產(chǎn)依賴度進行具體分析。為此，本文在前人研究的基礎上[18，19]，以品牌進入密度和數(shù)量、GDP、人均收入、“211”高校、全球500強數(shù)量、機場吞吐量、城市排名、使領館數(shù)量以及國際航線數(shù)量等作為主要指標，將中國城市劃分為一線、二線、三線、四線、五線和民族地區(qū)城市六種類型。計算各線城市的房地產(chǎn)依賴度均值情況（表1），結果發(fā)現(xiàn)，各時間截面上，房地產(chǎn)依賴度均表現(xiàn)為一線＞二線＞三線＞四線＞五線＞民族地區(qū)的遞減態(tài)勢，尤其是一線城市的房地產(chǎn)依賴度各年份均遠高于其他類型城市。2003-2012年，一線城市的房地產(chǎn)依賴度逐漸降低，而二線城市的房地產(chǎn)依賴度卻在快速增加，表明城市房地產(chǎn)投資的熱度逐漸從一線城市向二線城市轉變。三線、四線、五線和民族地區(qū)城市的房地產(chǎn)依賴度在2003-2007年間減少，但在2007-2012年間大幅度增加，整體來看，2012年的房地產(chǎn)依賴度均遠高于2003年的數(shù)值。

圖2 2003-2012年地級以上城市房地產(chǎn)依賴度分布及其變動

表1 各類城市房地產(chǎn)依賴度統(tǒng)計值

10年間，地級單元的房地產(chǎn)依賴度整體呈擴大趨勢，前5年略有下降，但后5年明顯上升。343個地級單元房地產(chǎn)依賴度的平均值由2003年的0.192略微降低到2007年的0.18，然后急劇上升到2012年的0.224。具體而言，2003-2007年，房地產(chǎn)依賴度減小的地級單元有178個，減小最明顯的是瀘州市，房地產(chǎn)依賴度由2003年的0.425下降為2007年的0.194；其次是深圳市和葫蘆島市，均減少了0.222；減少較多（＞0.2）的城市還包括伊春、阜新、眉山、西寧和石河子（圖1）；房地產(chǎn)依賴度增大的地級單元有165個，其中顯著增加（房地產(chǎn)依賴度增加0.1以上）的地級單元有28個，空間上集中分布在西南地區(qū)的云貴桂，增加最多的是赤峰市，房地產(chǎn)依賴度增加了0.343，其次是貴陽市（0.337）和迪慶州（0.207）。2007-2012年，房地產(chǎn)依賴度減小的地級單元有111個，減小最明顯的是赤峰市，房地產(chǎn)依賴度由2007年的0.451下降為2007年的0.219，整個10年間波動劇烈；其次是南寧市和廊坊市，分別減少了0.212和0.168；房地產(chǎn)依賴度增大的地級單元則有232個，其中顯著增加的地級單元有81個，空間上集中分布在黑龍江、云南、豫皖及甘青寧4大片，增加最多的是伊春市，房地產(chǎn)依賴度增加了0.585，其次是臨夏州（0.515）和大興安嶺地區(qū)（0.465）；增加較多（＞0.3）的城市還包括貴陽、滁州、亳州和黑河。2003-2012年綜合來看，房地產(chǎn)依賴度減小的地級單元有128個，減小最明顯的是北京市，減少了0.393；其次是景德鎮(zhèn)市和麗江市，分別減少了0.389和0.358；減少較多（＞0.2）的城市還包括撫州、衢州、深圳、瀘州、銀川和眉山；房地產(chǎn)依賴度增大的地級單元則有215個，其中顯著增加的地級單元有80個，空間上集中分布在3大片：北緯28°以南地區(qū)、鄂豫皖和東北；增加最多的是貴陽市，房地產(chǎn)依賴度增加了0.696，其次是臨夏州（0.584）和防城港市（0.428）；增加較多（＞0.4）的城市還包括滁州市和海南省其他地區(qū)。

簡單地看一個指標往往得出片面的結論，為此，本文分別分析區(qū)域GDP房地產(chǎn)依賴度、投資房地產(chǎn)依賴度和財政收入房地產(chǎn)依賴度，篇幅所限，僅以2012年為例，自然斷裂分類。①GDP房地產(chǎn)依賴度（圖3a）：依賴度高的城市有31個，主要包括旅游城市（三亞、麗江、黃山、?？?、滁州）、西部省會城市（貴陽、西安、昆明、成都、銀川）和安徽、遼寧等省的地級城市；依賴度最高的是三亞，房地產(chǎn)投資與GDP的比值達到0.72，其次是貴陽（0.531）和黃山（0.375）。值得注意的是，一線城市的GDP房地產(chǎn)依賴度普遍不高，如廣州0.101，上海0.118，深圳僅0.057，這是由于這些城市大都已經(jīng)經(jīng)過了依靠投資拉動經(jīng)濟增長的階段，高新技術、高附加值、未來型產(chǎn)業(yè)逐步成為各自的主導產(chǎn)業(yè)。相反，貴陽、昆明、西安、合肥、銀川等中西部二、三線城市則擁有高GDP房地產(chǎn)依賴度，主要原因是這些城市目前正處于城鎮(zhèn)化和工業(yè)化快速推進的階段，加之省內經(jīng)濟發(fā)展不均衡，省會城市占據(jù)了過多資源稟賦，而省會往往是所在省的單極核心城市，省內最好的教育、文化、醫(yī)療資源均集中于此，對省內其他區(qū)域有很強的吸引力。②投資房地產(chǎn)依賴度（圖3b）：依賴度高的城市有56個，主要分布在華東、華南和西南地區(qū)，包括除天津外的3個直轄市和11個副省級城市。投資房地產(chǎn)依賴度高的城市，房地產(chǎn)發(fā)展狀況卻呈現(xiàn)出兩個極端，其一是北上廣等一線城市，土地資源稀缺而市場需求持續(xù)旺盛，其二則是區(qū)域房地產(chǎn)市場發(fā)育并不完善和成熟，然而由于恰好處于城市加速發(fā)展的階段，受益于新區(qū)開發(fā)、舊城改造和建成區(qū)擴展，房地產(chǎn)投資占社會固定資產(chǎn)投資的比重也因此而大幅攀升，房地產(chǎn)行業(yè)漸漸成為區(qū)域經(jīng)濟的支柱，海南、安徽、云南、貴州等省份的許多城市均屬此類。北上廣深等人口吸引力強、經(jīng)濟轉型更為深入的城市，固定資產(chǎn)投資房地產(chǎn)依賴度高，但GDP房地產(chǎn)依賴度卻遠低于全國平均，這些城市的經(jīng)濟發(fā)展反而較少地依賴于房地產(chǎn)，經(jīng)濟發(fā)展也較為健康。③財政收入房地產(chǎn)依賴度（圖3c）：依賴度高的城市有41個，大部分分布在長江以北地區(qū)，以黑龍江、四川、甘肅和河南省為多。這些城市的財政收入渠道單一，總量較少，而房地產(chǎn)投資漸趨火熱，導致財政收入房地產(chǎn)依賴度較高。福州、溫州、廈門、寧波等沿海城市房地產(chǎn)依賴度之所以高，主要與這些城市服裝、輕工等產(chǎn)業(yè)發(fā)展密切相關，民營企業(yè)發(fā)達，積累了雄厚的民間資本，但近些年實體經(jīng)濟不景氣加之產(chǎn)業(yè)升級緩慢，而房地產(chǎn)賺錢快，因此大量資金流向房地產(chǎn)行業(yè)，這也是目前浙江和福建不少城市房價甚至高于傳統(tǒng)一線城市的重要原因。

圖3 房地產(chǎn)依賴度各因子分級圖

3.宏觀趨勢特征

采用ArcGIS的全局趨勢分析方法，以正西和正南方向為X和Y軸，以中國地級單元房地產(chǎn)依賴度為Z軸，制作三維透視圖，將透視角度合理旋轉后用以揭示中國地級單元房地產(chǎn)依賴度空間特征及其趨勢（圖4）。在空間分布上，2003年房地產(chǎn)依賴度空間分異呈現(xiàn)東高西低、北高南低的態(tài)勢，且東西差異大于南北差異；2007年地級單元房地產(chǎn)依賴度空間特征是東高西低、南高北低；2012年房地產(chǎn)依賴度在空間上則表現(xiàn)為東部＞中部＞西部、南方＞北方＞中部的趨勢。10年間，東高西低的格局沒有發(fā)生變化，但南北方的差異則變動較大。

（二）空間相關性

經(jīng)GeoDa軟件計算，2003年、2007年和2012年房地產(chǎn)依賴度的全局Moran’s I值分別為0.254、0.224和0.338，而且3個年份上Moran’s I的正態(tài)統(tǒng)計量Z值均超過0.05置信水平的臨界值1.96，表明全國地級單元房地產(chǎn)依賴度存在著全局空間自相關特征，房地產(chǎn)依賴度較高的地級單元趨于集聚，房地產(chǎn)依賴度較低的地級單元也趨于集聚。用GS+構造距離權重矩陣，計算不同距離帶內的點數(shù)據(jù)間的Moran’ I，結果發(fā)現(xiàn)343個地級單元的平均距離在280 km左右開始出現(xiàn)空間自相關。

為進一步研究房地產(chǎn)依賴度的局部空間相關性，計算得到地級單元房地產(chǎn)依賴度的Moran散點圖（圖5）。由圖5可知，在兩個時間截面上房地產(chǎn)依賴度的波動均大于其空間滯后量，特別是房地產(chǎn)依賴度為較高值時，空間滯后量卻為較低值；而房地產(chǎn)依賴度為低值的地級單元其空間滯后卻往往較高。圖5中房地產(chǎn)依賴度處于2～6范圍內的點表現(xiàn)出顯著的離群分布態(tài)勢，特別是落入第一象限（高-高）的地級單元向周邊擴散分布的幅度很大，而落入第三象限（低-低）的地級單元則呈聚集在很小的范圍內，這反映了全國地級單元房地產(chǎn)依賴度較高的單元集聚性個體差異較大，而房地產(chǎn)依賴度較低的單元集聚性個體差異則較小。

圖4 地級及以上城市房地產(chǎn)依賴度全局趨勢圖

圖5 房地產(chǎn)依賴度的Moran散點圖

為進一步分析各地級單元在空間上的相互關聯(lián)類型，依據(jù)樣本單元與其相鄰單元的空間關系，在5%顯著水平下，把各單元歸為下述4類（圖6）：①高-高。地級單元自身與相鄰單元房地產(chǎn)依賴度均較高，二者呈正相關關聯(lián)。②低-低。地級單元自身與相鄰單元房地產(chǎn)依賴度均較低，二者呈顯著正相關關聯(lián)。③低-高。地級單元自身房地產(chǎn)依賴度較低，而相鄰單元含金量較高，空間上表現(xiàn)為中心低而四周高的負相關聯(lián)特征。④高-低。地級單元自身房地產(chǎn)依賴度較高，而相鄰單元收入差距較低，二者負相關關聯(lián)性顯著，空間上表現(xiàn)為中心高而四周低的關聯(lián)特征。從地級單元數(shù)量分布來看，2003年低-低（40）＞高-高（33）＞高-低（8）＞低-高（5），2007年低-低（41）＞高-高（22）＞低-高（11）＞高-低（7），2012年低-低（38）＞高-高（26）＞高-低（8）＞低-高（4）。這說明中國地級單元房地產(chǎn)依賴度呈現(xiàn)非均衡的發(fā)展格局，表現(xiàn)在房地產(chǎn)依賴度高的地級單元往往也和房地產(chǎn)依賴度高的地級單元為鄰，而房地產(chǎn)依賴度低的地級單元則大多也與房地產(chǎn)依賴度低的地級單元為鄰。2003年，高-高區(qū)域在空間上聚為3片：浙皖閩、環(huán)渤海和川陜；低-低區(qū)域集中在青藏地區(qū)，分散在晉陜豫、甘肅和云貴地區(qū)。2007年，高-高區(qū)域聚集區(qū)僅剩浙皖閩一片，分散在粵、桂、遼等地；低-低區(qū)域則趨于聚集，聚為兩大片：青藏新和黃河中下游。2012年，高-高區(qū)域繼續(xù)趨于分散，集中區(qū)轉移至豫皖交界地帶；低-低區(qū)域除青藏新外，被分割為晉陜、鄂中、贛西和巴彥淖爾4處。研究時段內，低-高型單元多分布在高-高型周圍，高-低型單元則多在低-低型外緣分布。

圖6 房地產(chǎn)依賴度空間關聯(lián)類型

雙變量局域空間自相關分析用于探討空間單元的同一指標在不同時期的空間格局變動，或空間單元的指標A與相鄰空間單元指標B的空間匹配模式。采用雙變量局域空間自相關法分析2012年本地與周邊房地產(chǎn)依賴度—房價收入比（PIR）空間互相影響關系。運用Geoda軟件的Multivariate LISA 功能進行兩年份房地產(chǎn)依賴度、房價收入比雙變量局域空間自相關分析，得到雙變量LISA集聚圖（圖7）。根據(jù)房地產(chǎn)依賴度—房價收入比空間自相關分析結果：①高房地產(chǎn)依賴度—高房價收入比的顯著正相關城市有18個，包括蘇浙皖交界、海南省、廣州市以及黑龍江鶴崗市。這些地區(qū)政府對房地產(chǎn)的依賴度較大，而且由于房價較高，居民購房壓力很大，容易引發(fā)房地產(chǎn)泡沫，是房地產(chǎn)宏觀調控的最主要區(qū)域。②低房地產(chǎn)依賴度—低房價收入比的顯著正相關城市有28個，包括新疆、西藏、青海、四川等民族地區(qū)的大部分城市，晉陜蒙沿黃城市，甘肅張掖市和江西吉安市，這類地區(qū)經(jīng)濟欠發(fā)達，尚處于城鎮(zhèn)化、工業(yè)化的成長階段，房地產(chǎn)依賴度不高，居民購房壓力也不大。③低房地產(chǎn)依賴度—高房價收入比的顯著負相關區(qū)域僅有11個，含東北地區(qū)西北部的呼倫貝爾、黑河、綏化，豫皖交界的商丘、亳州、銅陵等，以及廣東韶關和廣西欽州，多為農業(yè)占比較大的新興城市，房地產(chǎn)依賴度低，由于人口多、城鎮(zhèn)化推進較快使得住房需求大，但人均收入水平不高，房價上漲較快導致居民購房壓力很大，居民購房壓力較大。④高房地產(chǎn)依賴度—低房價收入比的顯著負相關城市有17個，空間上分布極為分散，包括烏魯木齊、西寧、太原、濟南、南昌、武漢等中西部省會城市及其周邊的城市群影響區(qū)，如襄陽、昌吉、宜春、天門等，此類地區(qū)城鎮(zhèn)化處于起飛加速階段，房地產(chǎn)開發(fā)的增量較大，房地產(chǎn)一般都是地方經(jīng)濟的支柱產(chǎn)業(yè)，但由于城市存量土地相對東部一線城市并不緊張，且居民收入可觀，購房壓力不大。這些城市要積極加快產(chǎn)業(yè)調整步伐，降低過度依賴房地產(chǎn)拉動經(jīng)濟的比重。

三、討論

圖7 2012年人房地產(chǎn)依賴度與房價收入比的雙變量空間自相關LISA集聚圖

近年來，政府先后出臺了一系列宏觀調控政策，如改革土地使用權出讓制度，完善以保障性住房、經(jīng)濟適用房、廉租房、限價房為代表的住房供給結構，調整稅收政策，加強金融監(jiān)管等，在政府的大力調控下，房價反而屢調屢高，一個重要原因在于地方經(jīng)濟過度依賴房地產(chǎn)業(yè)的發(fā)展。經(jīng)濟、金融、社會等學科的專家對房地產(chǎn)依賴度給出了不同解釋，本文從地理學空間差異的視角分析。地方經(jīng)濟過度依賴房地產(chǎn)業(yè)，甚至被房地產(chǎn)“綁架”，可能導致以下問題：其一，會導致房價畸高，由于地價收入以及房地產(chǎn)業(yè)的帶動效應，地方政府在最大效用和政績觀的誘惑下，會借助多種手段擴大對房地產(chǎn)業(yè)的直接或間接投資，將直接推高地價和房價上漲；投資者對未來房地產(chǎn)業(yè)發(fā)展前景的預期也加劇了大量資金涌入，成為房價高漲的重要推手。其二，會產(chǎn)生金融風險，近年來，受國際金融危機影響，實體經(jīng)濟受到重創(chuàng)，大量民營資本轉入樓市，形成房地產(chǎn)泡沫和股市泡沫。其三，會滋生地方政府腐敗。第四，會引起經(jīng)濟增長失調，投機性資金及熱錢的流入引發(fā)房地產(chǎn)市場過熱，扭曲了資源合理配置，容易形成泡沫。第五，對工業(yè)、消費增長等其他產(chǎn)業(yè)產(chǎn)生擠出效應。

造成部分城市房地產(chǎn)依賴度過高的原因很多，宏觀因素主要是我國房地產(chǎn)的投資屬性決定了土地的供給由政府壟斷，地價和房地產(chǎn)價格的本質是一種產(chǎn)權價格，由供求關系來決定，但在目前國內土地市場所決定的地價更傾向于是一種價格需求。融資渠道狹窄，住房金融機構體系不健全，缺乏全面性的房地產(chǎn)信息系統(tǒng)平臺和預警機制，也是重要的影響因素。我國長期的城鄉(xiāng)“二元”經(jīng)濟結構使得投資者將“過冷”部門的資金匯集起來形成虛擬資金投資房地產(chǎn)業(yè)，以獲得高額的回報。微觀層面上，房地產(chǎn)業(yè)對于地方財政來說是一塊“肥肉”，營業(yè)稅、土地出讓金、其他地方稅種和政府進行市政規(guī)劃收取的費用都會增大“土地財政”的基數(shù)。因此，在調控政策方面，國家層面上要完善房地產(chǎn)市場制度，健全房地產(chǎn)業(yè)法規(guī)體系，加強金融信貸監(jiān)管，拓寬融資渠道；地方政府也應轉變經(jīng)濟發(fā)展方式，發(fā)揮地方特色，扶持優(yōu)勢產(chǎn)業(yè)，大力發(fā)展高附加值產(chǎn)業(yè)。另一方面，盡管在我國部分城市出現(xiàn)了房地產(chǎn)發(fā)展過熱，房地產(chǎn)依賴度過高的現(xiàn)象，但總體來看我國房地產(chǎn)業(yè)還處于初級發(fā)展階段，其對經(jīng)濟建設的貢獻“功不可沒”，不能一味地打壓房地產(chǎn)投資積極性，避免出現(xiàn)“硬著陸”，而應就重點放在提高房地產(chǎn)業(yè)集中度，確保房地產(chǎn)業(yè)與其他產(chǎn)業(yè)協(xié)調發(fā)展上。此外，政府統(tǒng)計公報和部分學者的研究結論往往與民眾實際感受存在較大落差，除了抽樣方法和中國社會存在較大收入差距的現(xiàn)實外，采用全國或省級尺度的指標口徑抹平了微觀尺度下不同城市或城市不同區(qū)位間的房地產(chǎn)依賴度差距，加之公共媒體和社會輿論導向經(jīng)常存在主觀的尺度放大現(xiàn)象，把某些城市的高房地產(chǎn)依賴度可能存在的泡沫現(xiàn)象夸大為全國房地產(chǎn)市場普遍存在的泡沫。本文的研究也表明，房地產(chǎn)依賴度存在空間關聯(lián)和鄰近溢出效應，因此在制定調控措施時，要區(qū)域聯(lián)動，共同發(fā)力。

本文并未將國家和省域尺度研究結果與市域尺度的結果進行對比，研究時間也僅限于3個時點，對于房地產(chǎn)依賴度的影響機理也僅進行了初步探討，這些問題有待今后深入研究。

[1]Pritchett P C. Forecasting the impact of real estate cycles on investment[J]. Real Estate Review, 1984,13(4): 85-89.

[2]Hamilton J D. On testing for self-fulfilling speculative price bubbles[J]. International Economic Review,1986, 27(3): 545-552.

[3]Fratantoni M, Schuh S. Monetary policy, housing and heterogeneous regional markets[J]. Journal of Money, Credit and Banking, 2003, 35(4): 557-589.

[4]Andrea B, Claudio M. International house prices and macroeconomic fluctuations[J]. Journal of Banking &Finance, 2010, 34(3): 533-545.

[5]許春青,田益祥. 基于均衡分析的我國房地產(chǎn)泡沫度分析[J].財經(jīng)理論與實踐,2014,35(1):113-119.

[6]顧六寶,陳博飛.一二線城市房價變動影響因素的比較分析[J].統(tǒng)計與管理,2012,27(4):8-10.

[7]賴一飛,周雅,魏元欣.基于基礎價值的房地產(chǎn)泡沫測度研究[J].武漢大學學報(哲學社會科學版),2012,65(4):98-102.

[8]高廣春,陳暉,董續(xù)勇.房地產(chǎn)依賴型經(jīng)濟周期下的金融綜合癥[J].銀行家,2008,25(6):38-41.

[9]國家統(tǒng)計局綜合司. 2004中國區(qū)域經(jīng)濟統(tǒng)計年鑒 [M].中國統(tǒng)計出版社,2004.

[10]國家統(tǒng)計局綜合司. 2008中國區(qū)域經(jīng)濟統(tǒng)計年鑒[M].中國統(tǒng)計出版社,2008.

[11]國家統(tǒng)計局綜合司. 2013中國區(qū)域經(jīng)濟統(tǒng)計年鑒[M].中國統(tǒng)計出版社,2013.

[12]林小昭. 城市地產(chǎn)依賴度盤點：深圳低，貴陽高[N/OL].第一財經(jīng)日報,2014,8,15.

[13]Zipf G K. Human Behaviour and the principle of least effort[M]. Addison-Wesley, Reading, MA, 1949:32-41.

[14]Anselin L，Syabri I，Kho Y. GeoDa：an Introduction to Spatial Data Analysis[J]. Geographical Analysis，2006,38(1):5-22.

[15]Anselin L. Interactive techniques and exploratory spatial data analysis. In：Longley P A，Godchild M F，Maguire D J(eds.), Geographical Information Systems (2nd ed). NewYork：John Wiley& Sons，1999:253-266.

[16]周杜輝,李同升,哈斯巴根,等. 陜西省縣域綜合發(fā)展水平空間分異及機理[J]. 地理科學進展,2011,30(2):205-214.

[17]賈生華,戚文舉.國外“房地產(chǎn)依賴度”研究：起源、測量與應用[J].重慶大學學報(社會科學版),2010,16(2):16-20.

[18]張衍閣.中國400城市分級[J].第一財經(jīng)周刊,2013(43):1-8.

[19]丁祖昱.中國房地產(chǎn)依賴度的城市分異研究[J].華東師范大學學報(哲學社會科學版),2013,45(3):121-127.