叢穎 杜泓鈺 楊文靜

摘 要：本文以 2009—2015 年我國 269個地級市房價為研究對象，利用SDM模型，探討公共服務(wù)資本化對房價的影響。研究結(jié)果表明：房價存在明顯的空間集聚特征，且與公共服務(wù)供給之間存在顯著的空間相關(guān)性。從全國層面看，公共服務(wù)資本化會對房價產(chǎn)生顯著的影響，教育、醫(yī)療、交通設(shè)施與房價正相關(guān);從區(qū)域?qū)用婵?，中部地區(qū)相比較東西部地區(qū)，醫(yī)療資源投入對住房價格敏感性更高，西部地區(qū)周邊城市交通及環(huán)境資源投入對房價影響比東部和中部地區(qū)更敏感。由此本文提出建議，地方政府未來應(yīng)關(guān)注提供公共服務(wù)的質(zhì)量而非數(shù)量，增加公共服務(wù)有效供給，降低房地產(chǎn)市場分化程度，促進(jìn)地區(qū)間均衡發(fā)展。

關(guān)鍵詞：公共服務(wù);資本化;房價;空間杜賓模型

一、引 言

新中國成立以來，我國稅收制度改革經(jīng)歷了從“統(tǒng)收統(tǒng)支”到“劃分稅種、核定收支、分級包干”的發(fā)展歷程。1994年，我國初步建立了比較規(guī)范、穩(wěn)定的分級財政管理體制（分稅制），按照事權(quán)與財權(quán)相對應(yīng)的原則，在各級政府之間劃分收支范圍，并通過轉(zhuǎn)移支付制度協(xié)調(diào)各級政府之間的關(guān)系。但在實踐中，由于財權(quán)與事權(quán)的分離和不匹配，目前地方政府財政收入構(gòu)成存在很多問題：首先，我國房地產(chǎn)保有環(huán)節(jié)的稅收總額占地方稅收收入和財政收入的比重相對較低;其次，土地出讓金成為地方政府收入的重要來源，地方政府對土地財政的依賴性較強(qiáng);最后，地區(qū)間財政收入不均衡，會直接影響教育、基礎(chǔ)設(shè)施建設(shè)等公共物品供給，產(chǎn)生不均衡，也會造成東中西部地區(qū)房價分化日趨嚴(yán)重。

2018年，中共中央辦公廳、國務(wù)院辦公廳印發(fā)了《關(guān)于建立健全基本公共服務(wù)標(biāo)準(zhǔn)體系的指導(dǎo)意見》指出，要建立健全基本公共服務(wù)標(biāo)準(zhǔn)體系，明確中央與地方提供基本公共服務(wù)的質(zhì)量水平和支出責(zé)任，以標(biāo)準(zhǔn)化促進(jìn)基本公共服務(wù)均等化、普惠化、便捷化。公共服務(wù)在房價中的資本化主要是指，公共資源配置通過房地產(chǎn)市場進(jìn)行，居民根據(jù)個人偏好和收入選擇居住地區(qū)和相應(yīng)的公共品，公共服務(wù)受益連續(xù)性和差別化在房價中表現(xiàn)出來。住房產(chǎn)品異質(zhì)性使得房價受到區(qū)位因素和公共服務(wù)設(shè)施因素影響較大[1]。公共服務(wù)的改善會促進(jìn)房價的提高，進(jìn)而實現(xiàn)資本化，使得土地價格上升，土地價值的增值最終將體現(xiàn)為土地出讓金提高，公共服務(wù)的資本化會激勵地方政府提供更多的公共服務(wù)。近年來，隨著房價的逐年提高和城市住房市場分化的加劇，房價作為城市土地價值的重要體現(xiàn)，公共服務(wù)資本化對房價的影響程度如何？公共服務(wù)資本化對房價影響在空間分布特點(diǎn)如何？這些問題值得進(jìn)一步思考。

本文利用我國 269個地級市 2009—2015 年數(shù)據(jù)考察公用服務(wù)資本化對房價的影響程度及空間集聚程度，研究結(jié)果不僅對目前研究領(lǐng)域所欠缺的公共服務(wù)對房價的空間影響的研究具有理論意義，也對地方政府更好提供公共產(chǎn)品，因地制宜的對東中西部公共資源進(jìn)行合理配置以促進(jìn)各區(qū)域的發(fā)展具有一定借鑒意義。

本文的主要貢獻(xiàn)在于：一是把公共服務(wù)資本化融合到房價中，研究地方政府提供公共服務(wù)對房價的影響;二是從空間計量視角分析公共服務(wù)資本化對房價影響的空間區(qū)域差異。本文的具體安排是以我國2009—2015年269個地級市數(shù)據(jù)為樣本，建立SDM模型，研究公共服務(wù)資本化對房價影響的空間和區(qū)域特征。

二、文獻(xiàn)綜述

公共服務(wù)對房價的影響，國內(nèi)外學(xué)者都進(jìn)行了大量的理論分析和驗證。現(xiàn)有對房價影響因素的研究主要采用住房特征模型，將住宅的價格特征分為建筑特征、區(qū)位特征和鄰里特征。建筑特征包括建筑面積、房齡、樓層等，區(qū)位特征包括可達(dá)性等，鄰里特征包括學(xué)校、醫(yī)院、公交站點(diǎn)、周邊環(huán)境等[1-2]。

Efthymiou和 Antoniou[3]利用特征價格模型分析了交通基礎(chǔ)設(shè)施對雅典娜地區(qū)房價及租金的影響。Nazir等[4]運(yùn)用特征價格模型分析得出綠色基礎(chǔ)設(shè)施對房價有影響，特別是綠地公園對納閩島的房價影響顯著。Collins和Kaplan[5]利用特征價格模型發(fā)現(xiàn)，在田納西州謝爾比縣的六個郊區(qū)合并和分區(qū)分裂后，許多學(xué)校教學(xué)質(zhì)量發(fā)生變化，并對周邊房價產(chǎn)生顯著的影響。Agostini等[6]運(yùn)用該模型發(fā)現(xiàn)，智利圣地亞哥地鐵 4 號新線的修建，顯著促進(jìn)附近土地價格的上升。王松濤等[7]通過特征價格模型考察了公共服務(wù)設(shè)施的可達(dá)性對房價的影響，認(rèn)為重點(diǎn)高中、文化設(shè)施、體育場館、綠地公園離住房的距離越近，房價越高。梁軍輝等[8]以北京市二手房價格為研究對象考察了公共服務(wù)設(shè)施配置對房價的影響。結(jié)果表明，臨近的教育資源、小區(qū)綠化率、商場、地鐵站點(diǎn)及休閑娛樂設(shè)施對房價有顯著影響。梁譽(yù)和朱衛(wèi)峰[9]認(rèn)為，不同的公共服務(wù)節(jié)點(diǎn)與居住小區(qū)的可達(dá)性對居住小區(qū)的房價影響是不一樣的。

從公共交通基礎(chǔ)設(shè)施對房價的影響來看，Rhode 和Strumpf[10]分析了城市交通條件與房價的關(guān)系，認(rèn)為便捷的交通可以縮短城市間的房價差異。Rosenthal[11]考察了城市整體基礎(chǔ)設(shè)施建設(shè)支出與房價的關(guān)系，得出城市基礎(chǔ)設(shè)施建設(shè)助推了房價上漲的結(jié)論。Myungjun和 Chang-Deok[12]利用2010 年韓國首爾公寓價格數(shù)據(jù)，研究不同零售類型住宅子市場空間可達(dá)性，分析得出住宅子市場可達(dá)性受零售類型不同而存在差異，并強(qiáng)調(diào)按零售類型細(xì)分住房市場研究可達(dá)性的重要性。而Tian等[13]從猶他州鹽湖城周邊交通基礎(chǔ)設(shè)施可達(dá)性和環(huán)境健康風(fēng)險對房價影響的角度分析認(rèn)為，交通基礎(chǔ)設(shè)施可以通過改善機(jī)會的可獲得性來提高房價，但也會產(chǎn)生環(huán)境健康風(fēng)險，如噪音和空氣污染，這可能會對房價產(chǎn)生負(fù)面影響。張琦[14]運(yùn)用主成分分析法考察了教育、醫(yī)療、文化、交通、公用設(shè)施及環(huán)境保護(hù)等對山西省各地級市房價的影響。郭根龍和蘇小榮[15]構(gòu)建了 35 個大中城市的城市基礎(chǔ)設(shè)施建設(shè)對房價影響的中介效應(yīng)模型，認(rèn)為基礎(chǔ)設(shè)施建設(shè)通過影響居民的住房購買能力、住房購買意愿來影響房價。鄧佳昭[16]探討了基礎(chǔ)設(shè)施與住宅業(yè)的協(xié)調(diào)發(fā)展問題認(rèn)為，由政府還是由開發(fā)商提供基礎(chǔ)設(shè)施，會對房價產(chǎn)生不同的影響。政府提供配套基礎(chǔ)設(shè)施，使得公共性增強(qiáng)，房價可能上升;開發(fā)商提供配套基礎(chǔ)設(shè)施，使得公共性減弱，房價可能下降。Zhe等[17]以倫敦港區(qū)輕軌為研究對象，分析公共交通可達(dá)性和房價上升的關(guān)聯(lián)性，運(yùn)用享樂模型，得出提供良好的公共交通政策會使得房價上升的結(jié)論。Diao等[18]以新加坡新環(huán)線的開通為研究對象，測試城市軌道交通網(wǎng)絡(luò)對非土地私人住宅價值的影響，估計了在交通線開放前后兩個區(qū)域房價變化的空間自相關(guān)模型，結(jié)果顯示，公共交通基礎(chǔ)設(shè)施投資的房價具有顯著資本化效應(yīng)。

從教育基礎(chǔ)設(shè)施對房價的影響來看，Agarwal等[19]基于距離優(yōu)先的學(xué)校分配原則作為識別標(biāo)準(zhǔn)，檢驗新加坡學(xué)校搬遷對學(xué)區(qū)房價的影響，研究發(fā)現(xiàn)，學(xué)校搬遷普遍會使原有區(qū)域的房價下降。Wen等[20]利用分位數(shù)和空間分位數(shù)回歸模型，研究高、中、低房價下購房者的不同行為發(fā)現(xiàn)，小學(xué)和中學(xué)在整個有條件分配中顯著提高了房價，而幼兒園只受到購買較低和較高價格住房的購房者的重視，只有高房價的家庭愿意為高中和大學(xué)的可達(dá)性支付溢價。

除此以外，從研究方法和研究角度上，張東和秦俊武[21]建立 VAR 模型，并通過運(yùn)用脈沖響應(yīng)、方差分解和協(xié)整檢驗得出基礎(chǔ)設(shè)施投資與房價具有穩(wěn)定的正向關(guān)系，且基礎(chǔ)設(shè)施投資的社會效應(yīng)趨于后期，應(yīng)以前瞻性的眼光進(jìn)行基礎(chǔ)設(shè)施投資布局。湯玉剛等[22]建立動態(tài)面板模型，運(yùn)用差分GMM估計方法，以我國 35 個城市為研究對象，認(rèn)為公共服務(wù)資本化對房價的影響具有時序特征，具體表現(xiàn)為：交通通達(dá)度在土地出讓時就完成了資本化，其他基礎(chǔ)設(shè)施在住房出售環(huán)節(jié)才完成資本化。夏怡然和陸銘[23]運(yùn)用條件 Logit 模型，分析基礎(chǔ)設(shè)施對勞動力流向的影響，指出基礎(chǔ)設(shè)施對勞動力流向具有穩(wěn)定的影響，勞動力的流動趨向于基礎(chǔ)設(shè)施更完備的區(qū)域。

綜上所述，現(xiàn)有的研究大多利用微觀數(shù)據(jù)分析公共服務(wù)設(shè)施對房價的影響，但對于房價和公共服務(wù)分布的空間聚集性特征研究相對較少，尤其在公共服務(wù)資本化對房價影響的研究不多，因此，本文以空間計量視角，使用莫蘭指數(shù)以及空間自回歸模型來解釋房價的空間聚集，分析我國東中西部公共服務(wù)資本化對房價的空間層面影響，具體探討公共服務(wù)在多大程度上影響著各個城市的房價，并分別使用 SEM、SAR、SDM 空間面板模型進(jìn)行實證分析，對交通、教育及醫(yī)療等基礎(chǔ)設(shè)施的變量研究分析得出公共服務(wù)與房價的空間相關(guān)性。

三、研究設(shè)計

（一）空間相關(guān)性分析

本文使用我國 2009—2015 年房價數(shù)據(jù)（PRICE），計算“全局莫蘭指數(shù)I”（Global Morans I），測定我國 269 個地級市的房價空間集聚效應(yīng)，以此判斷其是否具有空間自相關(guān)（Spatial Autocorrelation）性，計算方法如式（1）所示：

（二）空間計量模型設(shè)定

本文建立面板空間自回歸模型如式（4）所示：

ρ為空間自回歸系數(shù)，反映 269 個樣本觀測值的空間依賴作用，即相鄰地級市房價對當(dāng)前地級市房價的影響，其中Wlnpriceit為空間滯后房價。β為解釋變量系數(shù)。γ為控制變量系數(shù)。λ為誤差項的空間相關(guān)系數(shù)。η為空間自變量反應(yīng)參數(shù)。μi為空間效應(yīng)。ωt代表時間效應(yīng)。εit為隨機(jī)誤差項。W 為基于我國 269 個地級市距離建立的空間矩陣。

（三）變量選取及數(shù)據(jù)來源

本文變量選取及數(shù)據(jù)來源如表 1 所示，所選數(shù)據(jù)為我國 269 個地級市 北京市（北京）、天津市（天津）、上海市（上海）、河北省（唐山、秦皇島、張家口、承德、廊坊、石家莊、邯鄲、邢臺、保定、滄州、衡水）、山西省（太原、大同、陽泉、長治、晉城、朔州、晉中、運(yùn)城、臨汾、呂梁）、內(nèi)蒙古自治區(qū)（呼和浩特、包頭、烏海、赤峰、通遼、鄂爾多斯、呼倫貝爾、巴彥淖爾、烏蘭察布）、遼寧?。ㄉ蜿枴⒋筮B、鞍山、撫順、本溪、錦州、營口、阜新、盤錦、鐵嶺、朝陽、丹東、遼陽、葫蘆島）、吉林?。ㄩL春、四平、松原、通化）、黑龍江?。ü枮I、雞西、鶴崗、雙鴨山、伊春、佳木斯、七臺河、牡丹江、綏化、齊齊哈爾、大慶、黑河）、江蘇省（南京、無錫、常州、蘇州、南通、連云港、淮安、鹽城、揚(yáng)州、鎮(zhèn)江、泰州、宿遷）、浙江?。ê贾?、寧波、溫州、嘉興、湖州、紹興、金華、衢州、舟山、麗水、臺州）、安徽?。ê戏?、蕪湖、蚌埠、淮南、馬鞍山、淮北、銅陵、安慶、黃山、阜陽、宿州、滁州、六安、亳州、池州、宣城）、福建?。ǜＶ荨B門、莆田、三明、泉州、漳州、南平、龍巖、寧德）、江西省（贛州、南昌、萍鄉(xiāng)、九江、新余、鷹潭、宜春、上饒、吉安、景德鎮(zhèn)、撫州）、山東?。?jì)南、青島、淄博、棗莊、東營、煙臺、濰坊、濟(jì)寧、泰安、威海、日照、萊蕪、濱州、德州、聊城、臨沂、菏澤）、河南?。ㄠ嵵?、開封、洛陽、平頂山、安陽、鶴壁、新鄉(xiāng)、焦作、濮陽、許昌、漯河、三門峽、商丘、周口、駐馬店、南陽、信陽）、湖北?。ㄎ錆h、黃石、襄陽、鄂州、孝感、荊州、黃岡、十堰、宜昌、荊門）、湖南?。ê怅?、邵陽、郴州、永州、懷化、長沙、株洲、湘潭、岳陽、常德、益陽、婁底、張家界）、廣東省（汕尾、惠州、深圳、河源、廣州、佛山、清遠(yuǎn)、東莞、珠海、江門、肇慶、中山、湛江、茂名、韶關(guān)、汕頭、梅州、潮州、云浮）、廣西省（玉林、桂林、南寧、河池、欽州、柳州、北海、梧州、防城港、貴港、賀州、來賓、崇左）、海南省（三亞、?？冢⑺拇ㄊ。ㄑ虐?、成都、自貢、南充、瀘州、德陽、綿陽、遂寧、內(nèi)江、樂山、宜賓、廣元、攀枝花、眉山、廣安、達(dá)州、巴中、資陽）、重慶市（重慶市）、貴州?。P水、貴陽、遵義）、云南?。ɡッ鳌⑶?、昭通、保山、麗江納西族自治縣）、陜西?。ㄎ靼?、銅川、寶雞、咸陽、渭南、漢中、安康、延安、榆林、商洛）、甘肅?。ò足y、蘭州、金昌、天水、張掖、武威、定西、平?jīng)?、嘉峪關(guān)、酒泉、慶陽、隴南）、青海省（西寧）、寧夏回族自治區(qū)（銀川、石嘴山、吳忠、固原）、新疆維吾爾自治區(qū)（烏魯木齊、克拉瑪依）（除西藏自治區(qū)以外的 26 個省及 4 個直轄市）2009—2015 年面板數(shù)據(jù)。

被解釋變量為房價（PRICE）。商品房是指在市場經(jīng)濟(jì)條件下，具有經(jīng)營資格的房地產(chǎn)開發(fā)公司（包括外商投資企業(yè)）通過出讓方式取得土地使用權(quán)后經(jīng)營的按市場價出售的住宅。本文通過商品房平均銷售價格對房價進(jìn)行衡量，并以 2009 年為基期，以各省居民消費(fèi)價格指數(shù)進(jìn)行平減。

解釋變量為公共服務(wù)設(shè)施。主要包括教育、醫(yī)療、交通、環(huán)境、便民設(shè)施等方面。本文使用萬人中小學(xué)生擁有專職教師人數(shù)代表教育設(shè)施水平、萬人擁有床位數(shù)代表醫(yī)療設(shè)施水平[24]。此外，本文采用人均道路面積代表交通水平、公園面積代表環(huán)境情況、街道照明燈盞數(shù)代表便民設(shè)施水平。一般而言，目前中國許多大城市內(nèi)的高房價區(qū)位往往也聚集了大量優(yōu)質(zhì)公共服務(wù)基礎(chǔ)設(shè)施資源，因此，本文假設(shè)公共服務(wù)基礎(chǔ)設(shè)施越完善，即交通越發(fā)達(dá)、醫(yī)療、教育水平越高，居住環(huán)境越適宜，則居民的購買意愿越強(qiáng)，房價越高。

控制變量為城市人口規(guī)模和城市居民可支配收入。城市人口規(guī)模越大，則對住房的需求越大，房價越高。城市經(jīng)濟(jì)發(fā)展水平越高，居民可支配收入越高，對房價的支付能力越強(qiáng)，推動房價升高。本文使用人口密度代表人口規(guī)模，使用在崗職工平均工資代表居民可支配收入。其中，在崗職工平均工資以 2009 年為基期進(jìn)行平減。

（四）變量描述

使用Stata14.0 軟件測度我國 269 個地級市 2009—2015 年全局 Morans I 指數(shù)，結(jié)果如表 2 所示。由表 2 可以看出，2009—2015 年間我國房價Morans I 指數(shù)均顯著大于 0，總體上具有明顯的空間集聚效應(yīng)。

本文使用Stata14.0軟件測度我國269個地級市2015年局部Morans I指數(shù)，并繪制莫蘭指數(shù)散點(diǎn)圖，如圖 1 所示。一般來說，空間自相關(guān)類型主要有“高—高”（High-High）和“低—低”（Low-Low）為正相關(guān)，表示空間集聚;“低—高”（Low-High）和“高—低”（High-Low）為負(fù)相關(guān)，表示空間離散。

根據(jù)局部空間自相關(guān)（LISA）的分析結(jié)果發(fā)現(xiàn)，我國東部沿海地區(qū)房價呈現(xiàn)出較為明顯的“高—高”集聚，西部及東北地區(qū)則呈現(xiàn)出較為明顯的“低—低”集聚。

四、經(jīng)驗分析

（一）全國空間效應(yīng)分析

首先采用固定效應(yīng)模型，并分別使用 SEM、SAR、SDM 空間面板模型對房價以及公共基礎(chǔ)設(shè)施教育、醫(yī)療、交通、環(huán)境、便民設(shè)施進(jìn)行空間及時間雙固定效應(yīng)回歸，結(jié)果如表3所示。

由表3可以看出，空間自回歸系數(shù)ρ和誤差項的空間相關(guān)系數(shù)λ都在 1%的水平上顯著為正，這說明，房價與公共服務(wù)之間存在顯著的空間相關(guān)性。由此可見，研究我國城市房價不能忽視區(qū)位因素和空間效應(yīng)的影響，必須進(jìn)行綜合考慮。在研究中還發(fā)現(xiàn)公共服務(wù)中的教育、醫(yī)療、交通設(shè)施指標(biāo)對房價有空間正向影響。

（二）空間計量模型的選擇檢驗

對于具體模型的采用，本文使用拉格朗日（LM）檢驗法進(jìn)行判別，以決定采用 SAR 模型還是 SEM模型。本文使用Matlab7.0 軟件進(jìn)行分析，結(jié)果如表 4所示。由表 4可知，LM 檢驗結(jié)果均顯著，同時考慮 corr2與 Log-likelihood，本文認(rèn)為 SDM 模型所得結(jié)果更加穩(wěn)健。同時，通過 LR 檢驗發(fā)現(xiàn)，SDM 模型不能簡成 SAR 或 SEM 模型，LR 檢驗結(jié)果如表5所示。因此，選擇 SDM 模型作為解釋模型。

（三）東、中、西部空間效應(yīng)分析

進(jìn)一步分析我國東、中、西部公共服務(wù)對房價的影響，采用 SDM 模型，使用空間與時間雙固定效應(yīng)的方式進(jìn)行回歸，結(jié)果如表6所示。

由表3與表6可知，在全國范圍內(nèi)，商品房銷售價格主要受人口密度、醫(yī)療以及環(huán)境的影響。其中，醫(yī)療設(shè)施的完善不僅會顯著提升本地區(qū)房價，也會提高周邊地區(qū)房價，環(huán)境則主要對本地區(qū)房價有顯著的正向影響，即公園綠地面積的增加會顯著提高本地區(qū)房價。因而，擁有一個良好的醫(yī)療條件和環(huán)境，會顯著提升房價。

對于房價呈現(xiàn)較為明顯“高—高”集聚的東部地區(qū)，房價主要受居民可支配收入、人口密度、交通及便民設(shè)施的影響。其中，在崗職工平均工資的增加會提升本地區(qū)及周邊地區(qū)房價，而人口密度的增加則會顯著提升周邊地區(qū)房價。在交通方面，由于我國東部地區(qū)經(jīng)濟(jì)較中、西部發(fā)達(dá)，公共基礎(chǔ)設(shè)施建成度也較高，人均道路面積的增加易更加擠占本地區(qū)居民生活空間，降低居民購買意愿，對本地區(qū)房價產(chǎn)生顯著負(fù)向的影響。同時，本地區(qū)便民設(shè)施的增加會影響周邊地區(qū)居民的買房區(qū)位選擇，產(chǎn)生空間溢出效應(yīng)，顯著降低周圍地區(qū)房價。

在我國中部地區(qū)，房價主要受人口密度、醫(yī)療、教育及便民設(shè)施的影響。人口密度的增加會增加居民對于本地區(qū)商品房的需求，使本地區(qū)房價上升，周邊地區(qū)房價下降。同時，醫(yī)療設(shè)施的完善會提升本地區(qū)房價，同時產(chǎn)生空間溢出效應(yīng)，提高周圍地區(qū)房價。便民設(shè)施的增加則會通過空間溢出效應(yīng)顯著提高周邊地區(qū)房價。

對于房價呈現(xiàn)較為明顯“低—低”集聚的西部地區(qū)，房價主要受在崗職工平均工資、人口密度、交通、環(huán)境及便民設(shè)施的影響，在崗職工平均工資的增加會使本地區(qū)房價提高，同時，人口密度的增加也會增加本地居民對于商品房的需求，進(jìn)而提高本地房價。在交通以及環(huán)境方面，由于西部地區(qū)交通網(wǎng)絡(luò)不及中東部地區(qū)發(fā)達(dá)，本地區(qū)交通設(shè)施的完善與環(huán)境水平的提升會對周邊居民產(chǎn)生吸引，產(chǎn)生空間溢出效應(yīng)，而便民設(shè)施的增加則會顯著增加周邊地區(qū)房價。

五、結(jié)論與政策建議

（一）結(jié)論

本文利用 2009—2015 年我國 269 個地級市的樣本數(shù)據(jù)，研究公共服務(wù)資本化對房價影響，通過空間面板自回歸模型對所選取的 269 個地級市的人口密度、在崗職工平均工資、人均道路面積、萬人中小學(xué)生擁有專職教師人數(shù)、萬人擁有床位數(shù)等變量進(jìn)行分析，使用 SEM、SAR、SDM 空間面板模型對房價，以及公共基礎(chǔ)設(shè)施教育、醫(yī)療、交通、環(huán)境和便民設(shè)施進(jìn)行空間及時間雙重固定效應(yīng)回歸，研究范圍覆蓋我國中、東、西部三個地區(qū)，研究結(jié)果具有較強(qiáng)現(xiàn)實意義。

第一，從全國范圍來看，本文所選取的人口密度、在崗職工平均工資、人均道路面積、萬人中小學(xué)生擁有專職教師人數(shù)和萬人擁有床位數(shù)指標(biāo)均對房價有正向的影響作用。MLE回歸也進(jìn)一步說明了全國房價與公共服務(wù)之間的相關(guān)性。環(huán)境水平的提高會顯著提高本地區(qū)房價，而醫(yī)療設(shè)施的提升一定程度上不僅會顯著提升本地區(qū)的房價，還會顯著提升周邊地區(qū)房價。公共服務(wù)資本化總體上會對房價產(chǎn)生顯著的影響，政府完善這些方面的公用基礎(chǔ)設(shè)施，不僅能更好地建設(shè)城市提高當(dāng)?shù)鼐用窬幼〉男в盟?，還能促進(jìn)當(dāng)?shù)氐姆康禺a(chǎn)業(yè)積極健康發(fā)展。

第二，從區(qū)域角度來說，我國中、東、西部地區(qū)房價存在一定的空間集聚和空間離群特征。東部沿海地區(qū)房價“高—高”集聚較為顯著，而西部和東北部地區(qū)則以“低—低”集聚較為明顯。根據(jù) SDM 模型的 MLE 回歸分析進(jìn)一步發(fā)現(xiàn)，公共服務(wù)資本化對中、東、西部地區(qū)房價的影響表現(xiàn)出一定的區(qū)域差異。中部地區(qū)相比較東西部地區(qū)，醫(yī)療資源投入對住房價格敏感性更高，西部地區(qū)周邊城市交通及環(huán)境資源投入對房價影響作用比東部和中部地區(qū)更敏感。

（二）政策建議

基于研究結(jié)論提出以下政策建議：

第一，地方政府應(yīng)關(guān)注提供公共服務(wù)的質(zhì)量而非數(shù)量。我國房地產(chǎn)市場分化日益加劇，使得房地產(chǎn)市場發(fā)展不僅受到經(jīng)濟(jì)、政治因素的影響，還受到人口、文化等相關(guān)因素的影響。而國家出臺的一系列宏觀調(diào)控政策與措施在房地產(chǎn)市場的發(fā)展中扮演著關(guān)鍵的角色，在公共服務(wù)方面，如醫(yī)療衛(wèi)生、環(huán)境、便民設(shè)施和教育也與居民日常生活關(guān)聯(lián)最為密切，公共服務(wù)的資本化對房價的影響在空間集聚分布影響因素的差異性，要求地方政府應(yīng)更加關(guān)注區(qū)域公共服務(wù)水平提供的質(zhì)量，而非數(shù)量。通過公共服務(wù)的改善來引導(dǎo)三四線城市住房需求的增加，對于一二線城市提升教育設(shè)施服務(wù)投入會增加住房需求。

第二，加快推進(jìn)地方稅制體系的完善，解決地方政府公共服務(wù)提供資金不足的問題。地方政府提高公共服務(wù)水平，不僅能更好地建設(shè)城市提高當(dāng)?shù)鼐用窬幼〉男в盟?，而且也能促進(jìn)當(dāng)?shù)氐姆康禺a(chǎn)業(yè)積極健康發(fā)展，但由于資金支持不足或者是區(qū)域公共服務(wù)水平差異會導(dǎo)致區(qū)域發(fā)展的不平衡?？赏ㄟ^房產(chǎn)稅的稅制改革，解決中西部地區(qū)公共服務(wù)供給不足的問題，根據(jù)“簡稅制、寬稅基、低稅率、嚴(yán)征管”的改革思路，房地產(chǎn)稅制改革未來征收應(yīng)以為地方政府籌集長期穩(wěn)定的財政收入為目標(biāo)，房地產(chǎn)稅作為房地產(chǎn)保有環(huán)節(jié)的稅種，具有稅基不易隱藏、稅負(fù)不易轉(zhuǎn)嫁等特點(diǎn)，稅源具有一定的穩(wěn)定性，可以成為地方政府穩(wěn)定持久的財政收入來源。在房地產(chǎn)稅稅收的用途方面，應(yīng)該充分體現(xiàn)“取之于民，用之于民”的思想，可考慮優(yōu)先用于保障房的建設(shè)，也可考慮提供教育、醫(yī)療、交通、環(huán)境等公共服務(wù)。

第三，通過公共服務(wù)產(chǎn)品的有效供給，降低房地產(chǎn)市場分化程度，促進(jìn)地區(qū)間均衡發(fā)展。根據(jù)前文的相關(guān)分析，全國范圍來看我國當(dāng)前教育資源、交通基礎(chǔ)設(shè)施、公園綠地等公共服務(wù)產(chǎn)品的提供在東、中、西部分布不均衡，公共服務(wù)資本化對房價影響區(qū)域差異較明顯。應(yīng)當(dāng)加大對東部地區(qū)公共綠地、居住環(huán)境的投資，以及對中西部地區(qū)教育、交通服務(wù)設(shè)施方面的投資力度，在城鎮(zhèn)化發(fā)展過程中，加強(qiáng)產(chǎn)業(yè)政策引導(dǎo)，提升地方政府公共服務(wù)水平，促進(jìn)勞動力空間均衡流動，進(jìn)一步促進(jìn)房地產(chǎn)可持續(xù)健康發(fā)展。

參考文獻(xiàn)：

[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] 溫家珍，賈生華.特征價格模型及其在住房市場分析中的應(yīng)用[J].中國房地產(chǎn)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] 王松濤，鄭思齊，馮杰.公共服務(wù)設(shè)施可達(dá)性及其對新建住房價格的影響——以北京中心城為例[J].地理科學(xué)進(jìn)展，2007，（11）：78-85.

[8] 梁軍輝，吳佳雨，林堅.北京市公共服務(wù)設(shè)施配置對住房價格的影響[J].城市經(jīng)濟(jì)，2016，（9）：82-124.

[9] 梁譽(yù)，朱衛(wèi)峰.居住小區(qū)價格與公共服務(wù)網(wǎng)絡(luò)可達(dá)性的相關(guān)性研究[J].計算機(jī)系統(tǒng)應(yīng)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.山西省基本公共服務(wù)對商品住宅價格的影響[D].山西：山西財經(jīng)大學(xué)碩士學(xué)位論文，2016.9-35.

[15] 郭根龍，蘇小榮.城市基礎(chǔ)設(shè)施建設(shè)影響房價的中介效應(yīng)研究——基于我國35 個大中城市的實證分析[J].熱點(diǎn)透視，2015，（8）：54-58.

[16] 鄧佳昭.基礎(chǔ)設(shè)施與住宅業(yè)發(fā)展關(guān)系的研究[D].廣東：華南師范大學(xué)碩士學(xué)位論文，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] 張東，秦俊武.城市基礎(chǔ)設(shè)施投資約束下住房開發(fā)投資效益變動研究[J].中國房地產(chǎn)金融，2013，（3）：35-38.

[22] 湯玉剛，陳強(qiáng)，滿利蘋.資本化、財政激勵與地方公共服務(wù)提供——基于我國 35 個大中城市的實證分析[J].經(jīng)濟(jì)學(xué)（季刊），2015，（10）：217-240.

[23] 夏怡然，陸銘.城市間的“孟母三遷”——公共服務(wù)影響勞動力流向的經(jīng)驗研究[J].管理世界，2015，（10）：78-90.

[24] 蘭峰，達(dá)卉莉.住房價格分異、公共基礎(chǔ)設(shè)施與城市空間重構(gòu)——基于西安市的時空演化視角[J].管理世界，2018，（3）：172-173.

（責(zé)任編輯：鄧 菁）