方 翰 沈中偉 楊林川 梁 源 FANG Han, SHEN Zhongwei, YANG Linchuan, LIANG Yuan

0 引言

過(guò)量碳排放及其引起的氣候變化是當(dāng)今世界面臨的主要問(wèn)題之一。低碳城市已成為世界各地的共同追求。2020年9月，習(xí)近平總書(shū)記在第75屆聯(lián)合國(guó)大會(huì)上提出我國(guó)力爭(zhēng)在2030年前實(shí)現(xiàn)碳達(dá)峰，在2060年前實(shí)現(xiàn)碳中和，彰顯了我國(guó)構(gòu)建人類(lèi)命運(yùn)共同體的大國(guó)責(zé)任與擔(dān)當(dāng)，指明了我國(guó)未來(lái)的發(fā)展方向[1]。另一方面，交通運(yùn)輸（包括道路、航空、水運(yùn)、鐵路）、建筑和工業(yè)是城市碳排放的三大主要來(lái)源。交通運(yùn)輸帶來(lái)的碳排放大約占比20%～30%[2-3]。在交通領(lǐng)域，除了技術(shù)層面的突破（如能效提高和低碳/零碳能源開(kāi)發(fā)技術(shù)）之外，居民的綠色出行也是碳中和愿景實(shí)現(xiàn)的重要途徑。選用綠色交通方式出行是居民積極參與碳中和行動(dòng)的有效舉措，為實(shí)現(xiàn)全社會(huì)深度脫碳提供了關(guān)鍵補(bǔ)充[1]。

城市軌道交通（如地鐵和輕軌）是一種典型的綠色交通工具，具有運(yùn)量大、速度快、頻次高、安全舒適、準(zhǔn)點(diǎn)率高、全天候和節(jié)能環(huán)保等特點(diǎn)。它被視為解決小汽車(chē)過(guò)度使用（小汽車(chē)依賴(lài)）帶來(lái)的各種城市問(wèn)題（如交通擁堵、事故頻發(fā)、噪聲污染、空氣污染）、提升城市公共交通體系、有助于實(shí)現(xiàn)碳達(dá)峰和碳中和目標(biāo)的重要交通方式[4-6]。我國(guó)的第一條地鐵于1969年10月1日在北京開(kāi)通。近年來(lái)，地鐵在我國(guó)的發(fā)展勢(shì)頭極為迅猛。2020年底，我國(guó)大陸地區(qū)已有44個(gè)城市開(kāi)通了城市軌道交通，線路共計(jì)233條，運(yùn)營(yíng)里程達(dá)到7 545.5 km。我國(guó)僅用了50年的時(shí)間就達(dá)到了歐美地區(qū)150年的運(yùn)營(yíng)規(guī)模。

地鐵的建設(shè)和運(yùn)營(yíng)無(wú)疑需要巨大的成本。不同于美國(guó)、法國(guó)、德國(guó)等國(guó)家的地鐵建設(shè)往往可獲得聯(lián)邦政府（中央政府）、州政府高額補(bǔ)貼，我國(guó)的地鐵建設(shè)和運(yùn)營(yíng)通常無(wú)法獲得中央政府和省政府的資金補(bǔ)助。另一方面，要是僅依靠地鐵票務(wù)營(yíng)收，往往連運(yùn)營(yíng)費(fèi)用都難以負(fù)擔(dān)，更遑論回收建設(shè)巨額的前期投資成本[7,8]。因此，如何負(fù)擔(dān)高昂的地鐵建設(shè)和運(yùn)營(yíng)費(fèi)用成為令城市政府頗為頭疼的問(wèn)題，這也是地鐵能否可持續(xù)發(fā)展的關(guān)鍵問(wèn)題。目前，我國(guó)地方政府在這方面多依靠土地拍賣(mài)收入和銀行借貸[9,10]。

地鐵是大型城市交通基礎(chǔ)設(shè)施（large-scale transport infrastructure）和典型的地方公共產(chǎn)品（local public goods）。它提高了站點(diǎn)地區(qū)的可達(dá)性，可能會(huì)產(chǎn)生經(jīng)濟(jì)外部性，比如提升站點(diǎn)地區(qū)的土地和房地產(chǎn)價(jià)格，帶來(lái)積極的增值（溢價(jià)）效應(yīng)[10-16]。國(guó)際經(jīng)驗(yàn)表明，通過(guò)適當(dāng)?shù)囊鐑r(jià)回收（又稱(chēng)價(jià)值捕獲，value capture）策略，政府可以對(duì)地鐵建設(shè)帶來(lái)的土地、房地產(chǎn)增值進(jìn)行有效捕獲來(lái)實(shí)現(xiàn)正外部性?xún)?nèi)部化（internalization of positive externality）以反哺地鐵建設(shè)與運(yùn)營(yíng)、補(bǔ)償巨大的建設(shè)與運(yùn)營(yíng)成本、推動(dòng)公交都市建設(shè)[7-10]。國(guó)際上實(shí)現(xiàn)溢價(jià)回收的工具有很多，比如不動(dòng)產(chǎn)稅（property tax）、稅收增加融資（tax increment financing）、特別征收（special assessment）、開(kāi)發(fā)影響費(fèi)（development impact fee）、聯(lián)合開(kāi)發(fā)（joint development）[17]。其中，以美國(guó)為代表的房產(chǎn)稅和以中國(guó)香港為代表的“軌道+物業(yè)（rail+property, R+P）”聯(lián)合開(kāi)發(fā)是最主要的兩種方式[8]。

實(shí)施軌道交通土地價(jià)值捕獲的關(guān)鍵步驟是測(cè)算城市軌道交通的增值（溢價(jià)）效應(yīng)（是否增值和增值效應(yīng)的強(qiáng)度/規(guī)模）。已有大量國(guó)內(nèi)外研究關(guān)注這一領(lǐng)域，但是絕大部分研究將地鐵站點(diǎn)進(jìn)行同質(zhì)化處理，并未對(duì)其類(lèi)型進(jìn)行區(qū)分，比如未考慮換乘站、首末站和常規(guī)站的差異（圖1）。事實(shí)上，不同類(lèi)型站點(diǎn)帶來(lái)的增值效應(yīng)可能相差較大。以換乘站與常規(guī)站為例：一方面，較之常規(guī)站，換乘站能讓周邊的居民獲取到更高質(zhì)量的地鐵服務(wù)，賦予居民更高的公共交通便利性（to-metro accessibility）和通達(dá)性（bymetro accessibility），因此理論上，換乘站會(huì)帶來(lái)比常規(guī)站更大的增值效應(yīng)。另一方面，較之常規(guī)站，換乘站周邊人和車(chē)的流量更大，存在交通擁堵、噪音污染、安全隱患等問(wèn)題，可能會(huì)帶來(lái)更大的負(fù)面影響。因此，亟需實(shí)證研究來(lái)檢驗(yàn)和對(duì)比不同站點(diǎn)類(lèi)型對(duì)房?jī)r(jià)的影響差異。

圖1 地鐵站點(diǎn)類(lèi)型區(qū)分示意圖Fig.1.three kinds of metro stations

本研究基于鏈家網(wǎng)爬取的成都2019年住宅交易數(shù)據(jù)和已開(kāi)通的6條地鐵線數(shù)據(jù)，建立雙層特征價(jià)格模型對(duì)地鐵站周邊的2 535個(gè)小區(qū)27 814個(gè)住宅樣本進(jìn)行分析，估測(cè)了各個(gè)住宅特征的影子價(jià)格，比較了換乘站、首末站與常規(guī)站三種類(lèi)型站點(diǎn)對(duì)房?jī)r(jià)的影響差異。在研究視角方面，本研究區(qū)分了換乘站、首末站和常規(guī)站，考慮了站點(diǎn)類(lèi)型的異質(zhì)性，對(duì)今后“軌道交通—房地產(chǎn)價(jià)值”更為精細(xì)化的研究提供了啟示。在研究方法方面，本研究基于住宅嵌套于小區(qū)的客觀事實(shí)，選擇使用了雙層特征價(jià)格模型（而非傳統(tǒng)的單層模型）進(jìn)行分析，對(duì)現(xiàn)有文獻(xiàn)進(jìn)行了方法上的補(bǔ)充。在政策啟示方面，本研究基于價(jià)值捕獲的思想，對(duì)研究結(jié)果進(jìn)行了深入的討論。

1 文獻(xiàn)綜述

軌道交通系統(tǒng)和周邊土地/房地產(chǎn)價(jià)格（或租金）的互動(dòng)關(guān)系自20世紀(jì)70年代開(kāi)始就有所研究。阿隆索（Alonso）、米爾（Mill）、穆思（Muth）關(guān)于城市空間結(jié)構(gòu)研究的豐碩成果給該研究領(lǐng)域提供了堅(jiān)實(shí)的理論基礎(chǔ)[18-20]。近年來(lái)，隨著世界范圍內(nèi)軌道交通建設(shè)步伐的加快，這一研究領(lǐng)域受到了廣泛關(guān)注[21]。研究主要集中在軌道交通對(duì)周邊房?jī)r(jià)是否存在增值效應(yīng)、增值效應(yīng)的強(qiáng)度、增值效應(yīng)的時(shí)空差異和增值效應(yīng)是否隨當(dāng)?shù)丨h(huán)境（比如土地利用規(guī)劃與政策）差異而變化等多個(gè)方面。在關(guān)注的房地產(chǎn)類(lèi)型方面，住宅受到的關(guān)注最多，遠(yuǎn)多于寫(xiě)字樓、商鋪和工業(yè)地產(chǎn)。

在研究方法方面，特征價(jià)格模型（hedonic pricing model，又譯作享樂(lè)價(jià)格模型）是最常用的方法。近年來(lái)，隨著空間計(jì)量經(jīng)濟(jì)模型的迅猛發(fā)展，空間滯后模型（spatial lag model）、空間偏誤模型（spatial error model）、空間杜賓模型（spatial Durbin model）、地理加權(quán)回歸（geographically weighted regression model）、時(shí)空加權(quán)回歸模型（geographically and temporally weighted regression model）因克服了傳統(tǒng)特征價(jià)格模型無(wú)法處理空間自相關(guān)性、空間異質(zhì)性等缺點(diǎn)，得到了廣泛的應(yīng)用。其次，考慮了數(shù)據(jù)嵌套結(jié)構(gòu)的多層模型（multilevel model, hierarchical linear model, mixedeffects model）也常有使用。此外，重復(fù)銷(xiāo)售法（repeat-sales model）、雙重差分模型（difference-in-differences model）、傾向得分匹配（propensity score matching）、工具變量（instrumental variable）等高級(jí)計(jì)量分析模型也逐漸運(yùn)用于這個(gè)研究領(lǐng)域。

大部分實(shí)證研究發(fā)現(xiàn)了軌道交通對(duì)周邊房?jī)r(jià)產(chǎn)生顯著的正向影響，即證實(shí)了增值效應(yīng)的存在。達(dá)姆（Damm）等采用特征價(jià)格模型對(duì)華盛頓特區(qū)房地產(chǎn)市場(chǎng)進(jìn)行了分析，發(fā)現(xiàn)地鐵對(duì)住宅和商業(yè)地產(chǎn)均有增值作用[22]。格拉斯（Grass）構(gòu)建特征價(jià)格模型證實(shí)了地鐵對(duì)華盛頓特區(qū)房?jī)r(jià)的影響[23]。鄒廣榮（Chau）和吳蓬輝（Ng）發(fā)現(xiàn)廣九鐵路（廣州—九龍）的開(kāi)通減小了香港地區(qū)鐵路沿線房?jī)r(jià)差異[24]。石豐宇（Shyr）等比較了軌道交通對(duì)香港、臺(tái)北和高雄三個(gè)城市房?jī)r(jià)的影響，發(fā)現(xiàn)軌道交通的增值作用在高雄最強(qiáng)，在香港最弱[25]。聶沖等以深圳為例，建立特征價(jià)格模型分析了地鐵一期對(duì)周邊房?jī)r(jià)的影響，發(fā)現(xiàn)房?jī)r(jià)的影響范圍是距離地鐵站點(diǎn)700 m以?xún)?nèi)的區(qū)域，平均增值近20%。劉康等分析了軌道交通對(duì)南京市房地產(chǎn)市場(chǎng)的影響，證明了它在郊區(qū)的影響大于在市區(qū)的影響[26]。徐濤（Xu）等以武漢為例，建立空間計(jì)量經(jīng)濟(jì)模型，揭示了地鐵對(duì)商業(yè)地產(chǎn)價(jià)格的提升作用，測(cè)算出地鐵在0—100 m核心區(qū)域溢價(jià)是16.7%，在100—400 m區(qū)域溢價(jià)是8.0%[27]。潘海嘯等構(gòu)建地鐵區(qū)域可達(dá)性（by-metro accessibility）指標(biāo)，并分析證實(shí)了它對(duì)房?jī)r(jià)的影響[28]。楊林川（Yang）等分析了深圳5號(hào)線及周邊住宅價(jià)格，并進(jìn)行了細(xì)分市場(chǎng)（market segmentation）分析，得出地鐵對(duì)住宅的增值作用在關(guān)外（郊區(qū)）大于關(guān)內(nèi)（城市中心區(qū)）的結(jié)論[29]。

部分研究指出軌道交通無(wú)法顯著影響土地/房地產(chǎn)價(jià)值。查特曼（Chatman）等發(fā)現(xiàn)輕軌并未對(duì)美國(guó)新澤西州南部獨(dú)棟住宅價(jià)格產(chǎn)生顯著的影響[30]。安德森（Andersson）等發(fā)現(xiàn)高鐵可達(dá)性對(duì)我國(guó)臺(tái)灣省臺(tái)南市住宅價(jià)格的影響極為微弱[31]。Tian（田光）等建立特征價(jià)格模型、空間滯后模型和多層線性模型識(shí)別了美國(guó)猶他州鹽湖城獨(dú)戶住宅價(jià)格的影響因素，發(fā)現(xiàn)輕軌站點(diǎn)無(wú)法顯著影響住宅價(jià)格[32]。比林斯（Billings）研究發(fā)現(xiàn)輕軌并未顯著影響美國(guó)夏洛特市商業(yè)地產(chǎn)價(jià)格[33]。

少數(shù)研究發(fā)現(xiàn)了軌道交通對(duì)土地/房地產(chǎn)價(jià)值產(chǎn)生了負(fù)向影響。潘起勝（Pan）發(fā)現(xiàn)在美國(guó)休斯頓，輕軌降低了站點(diǎn)400 m范圍以?xún)?nèi)的住宅價(jià)格[34]。瓦格納（Wagner）等運(yùn)用雙重差分模型測(cè)算輕軌系統(tǒng)對(duì)美國(guó)弗吉尼亞州漢普頓錨地住宅市場(chǎng)的影響，得出了輕軌站點(diǎn)帶來(lái)了房?jī)r(jià)下降的結(jié)論[35]。基于空間杜賓模型，仲浩天（Zhong）和李威（Li）指出軌道交通系統(tǒng)帶來(lái)了洛杉磯獨(dú)戶住宅價(jià)格的下降[36]。

總體而言，城市軌道交通與沿線土地/房地產(chǎn)價(jià)值之間的關(guān)系在國(guó)內(nèi)外受到了較多關(guān)注。盡管大量實(shí)證研究關(guān)注了城市軌道交通與土地/房地產(chǎn)價(jià)格的關(guān)系，但它們的結(jié)論有所差異[10,12-16]：大部分研究都觀測(cè)到城市軌道交通對(duì)土地/房地產(chǎn)價(jià)格的正向影響，也有少部分研究得出了不顯著或者負(fù)向影響的結(jié)論。這樣的差異也容易理解——軌道交通除了帶來(lái)正向影響之外，還可能給站點(diǎn)周邊社區(qū)帶來(lái)噪聲、空氣污染、犯罪等負(fù)面影響。所以，軌道交通對(duì)房?jī)r(jià)的整體影響理論上是正負(fù)影響的疊加，究竟是正是負(fù)、程度如何需要對(duì)具體問(wèn)題展開(kāi)具體分析。此外，不同類(lèi)型的軌道交通站點(diǎn)可能對(duì)房?jī)r(jià)的影響有所差異。但是，現(xiàn)有研究往往忽視了這個(gè)方面。基于此，本研究聚焦于成都市地鐵換乘站、首末站和常規(guī)站對(duì)房?jī)r(jià)的影響差異，以期對(duì)現(xiàn)有文獻(xiàn)進(jìn)行補(bǔ)充。

2 數(shù)據(jù)

2.1 研究地域

成都是我國(guó)西部地區(qū)重要的中心城市，是四川省省會(huì)、副省級(jí)市，是國(guó)家重要的高新技術(shù)產(chǎn)業(yè)基地、商貿(mào)物流中心和綜合交通樞紐，是國(guó)家力推的“成渝雙城經(jīng)濟(jì)圈”的雙核之一。全市共轄12個(gè)區(qū)、5個(gè)縣級(jí)市、3個(gè)縣，總面積14 335 km2，常住人口2 093.8萬(wàn)人。

成都市首條城市軌道交通線路——1號(hào)線于2010年9月27日正式開(kāi)通。截至2020年底，成都市軌道交通里程達(dá)到558 km，正式邁入大線網(wǎng)運(yùn)營(yíng)時(shí)代。到2024年底，成都市將形成總長(zhǎng)超過(guò)700 km的軌道交通網(wǎng)絡(luò)，實(shí)現(xiàn)雙機(jī)場(chǎng)軌道交通直連，進(jìn)一步優(yōu)化城市交通結(jié)構(gòu)，緩解城區(qū)交通擁堵，提高居民出行品質(zhì)，促進(jìn)美麗宜居公園城市的打造。

2.2 數(shù)據(jù)來(lái)源

本研究的住宅數(shù)據(jù)來(lái)源于國(guó)內(nèi)著名的房地產(chǎn)經(jīng)紀(jì)網(wǎng)站“鏈家”的2019年二手房交易記錄。該數(shù)據(jù)庫(kù)包含了小區(qū)信息和住宅建筑特征，包括住宅經(jīng)緯度、掛牌價(jià)格（asking price）、交易價(jià)格（transaction price）、樓層、建筑層數(shù)、戶型、始建年、小區(qū)綠化率等信息。

本研究將成都2019年已開(kāi)通的1號(hào)線、2號(hào)線、3號(hào)線、4號(hào)線、7號(hào)線、10號(hào)線共計(jì)6條地鐵線路納入分析（圖2），選擇了地鐵站點(diǎn)2.5 km緩沖區(qū)內(nèi)的、位于2 535個(gè)小區(qū)的27 814個(gè)住宅樣本（圖3）。其中，160個(gè)小區(qū)的1 147個(gè)住宅的最近地鐵站是換乘站，112個(gè)小區(qū)的1 549個(gè)住宅的最近地鐵站是換乘站，其余2 263個(gè)小區(qū)的25 118個(gè)住宅的最近地鐵站是常規(guī)站。

圖2 成都市2019年地鐵開(kāi)通線路圖Fig.2 Chengdu metro lines in 2019

圖3 住宅樣本的空間分布圖Fig.3 distribution of the house samples

為測(cè)算住宅其他的鄰里環(huán)境和地理區(qū)位特征，在GIS軟件建立分析平臺(tái)必不可少。本研究用到的城市空間GIS數(shù)據(jù)包括地鐵線路、地鐵站點(diǎn)、興趣點(diǎn)（points of interest, POIs）。它們來(lái)源于高德地圖。

3 研究方法與變量選擇

3.1 研究方法

特征價(jià)格模型是國(guó)內(nèi)外學(xué)術(shù)界研究住宅特征對(duì)住宅價(jià)格影響和估計(jì)特征價(jià)格（或隱含價(jià)格、影子價(jià)格）的主流方法[37]。它假設(shè)商品（如房地產(chǎn)和汽車(chē)）是作為其內(nèi)在特征的集合進(jìn)行出售的，所以它以商品屬性解釋商品價(jià)格。蘭卡斯特（Lancaster）[38]和羅森（Rosen）[39]為特征價(jià)格模型奠定了堅(jiān)實(shí)的理論基礎(chǔ)。

應(yīng)用特征價(jià)格模型于房地產(chǎn)市場(chǎng)主要考慮地產(chǎn)三個(gè)方面的特征[40,41]：建筑結(jié)構(gòu)特征（structure），如面積、年齡、樓層、房間數(shù)量等；鄰里環(huán)境特征（neighborhood），如小區(qū)綠化率、容積率、學(xué)區(qū)等；地理區(qū)位特征（location），如到市中心距離、到商業(yè)中心距離等。住房特征價(jià)格模型可表達(dá)為：

Price=f(structure,neighborhood,location).

特征價(jià)格模型有多種基本函數(shù)形式，比如線性形式（linear）、半對(duì)數(shù)形式（即對(duì)數(shù)線性形式）（semi-log or log linear）、雙對(duì)數(shù)形式（double-log）[40]。它們的公式如下：

線性形式：

半對(duì)數(shù)形式：

雙對(duì)數(shù)形式：

其中，Pi代表住宅i的價(jià)格，Xin代表住宅i的第n個(gè)特征變量，βn為第n個(gè)特征變量的系數(shù)，α為截距項(xiàng)（常量），εi為誤差項(xiàng)。由于線性模型無(wú)法反應(yīng)邊際效用遞減的規(guī)律，在實(shí)證研究中較少使用。半對(duì)數(shù)和雙對(duì)數(shù)模型應(yīng)用較為廣泛。特征價(jià)格模型通常采用最小二乘法進(jìn)行參數(shù)估計(jì)。

由于本研究的數(shù)據(jù)存在多層嵌套結(jié)構(gòu)（住宅嵌套于小區(qū)），因此無(wú)法使用單層的傳統(tǒng)特征價(jià)格模型。本研究采用雙層特征價(jià)格模型（即雙層隨機(jī)截距模型），將“小區(qū)—住宅”的結(jié)構(gòu)嵌套進(jìn)模型中，其公式如下：

線性形式：

半對(duì)數(shù)形式：

雙對(duì)數(shù)形式：

其中，Pij代表位于小區(qū)j的住宅i的價(jià)格，Xijn代表位于小區(qū)j的住宅i的第n個(gè)特征變量，βn為第n個(gè)特征變量的系數(shù)，α為常量，μj是小區(qū)j的隨機(jī)截距，εij為誤差項(xiàng)。雙層特征價(jià)格模型通常采用最大似然法進(jìn)行估計(jì)。值得注意的是，本研究所采用的多層模型比單層模型能更好地處理住宅一層的變量和小區(qū)一層的變量的交互作用問(wèn)題，并未浪費(fèi)住宅嵌套于小區(qū)這一重要信息。

3.2 變量選擇

本研究采用二手房的交易價(jià)格作為模型因變量（單位：萬(wàn)元）。較之僅反映房屋賣(mài)家預(yù)期的掛牌價(jià)格，交易價(jià)格能反映房屋買(mǎi)賣(mài)雙方的協(xié)商互動(dòng)和達(dá)成共識(shí)的過(guò)程，所以交易價(jià)格可靠度更高，在現(xiàn)有文獻(xiàn)中也更為常用。在自變量方面，考慮住宅三方面的特征——建筑結(jié)構(gòu)特征、鄰里環(huán)境特征和地理區(qū)位特征，參考現(xiàn)有文獻(xiàn)，兼顧研究重點(diǎn)和數(shù)據(jù)可獲得性，選取了建筑面積、年齡、樓層、建筑總層數(shù)、小區(qū)綠化率、商業(yè)服務(wù)可達(dá)性、休閑娛樂(lè)可達(dá)性、春熙路距離、金融城距離、地鐵站距離和最近地鐵站是否是換乘站和首末站等特征變量。經(jīng)檢驗(yàn)，變量之間不存在多重共線性的問(wèn)題。本研究選取春熙路距離、金融城距離作為地理區(qū)位特征變量，原因是春熙路站為成都商業(yè)中心，人流量大，滿足購(gòu)物逛街需求，而金融城為成都就業(yè)中心，周邊集聚大量的辦公寫(xiě)字樓。

表1給出了因變量和自變量的描述性統(tǒng)計(jì)。

表1 變量的描述性統(tǒng)計(jì)Tab.1 description of the variables

4 分析結(jié)果

4.1 測(cè)試鄰近換乘站和首末站對(duì)房?jī)r(jià)的影響效應(yīng)

本研究對(duì)比了線性、半對(duì)數(shù)和雙對(duì)數(shù)三種基本函數(shù)形式，發(fā)現(xiàn)雙對(duì)數(shù)模型能更好地?cái)M合我們的數(shù)據(jù)，有更強(qiáng)的解釋能力，因此接下來(lái)僅報(bào)告雙對(duì)數(shù)模型結(jié)果。為了測(cè)試換乘站和首末站對(duì)房?jī)r(jià)的影響效應(yīng)，本研究首先建立不考慮換乘站和首末站的模型（模型一）,再建立加入兩個(gè)虛擬變量的模型（模型二）。

表2展示了模型一和模型二估計(jì)結(jié)果。模型一和模型二在系數(shù)符號(hào)、大小和顯著性上極為相似。另外，通過(guò)對(duì)比這兩個(gè)模型和不加任何變量的無(wú)條件平均模型，計(jì)算可得模型一和模型二自變量對(duì)因變量變異的解釋能力分別為77.14%和77.28%，表明加入虛擬變量后，模型對(duì)因變量變異的解釋能力有所提升。此外，模型二的AIC值低于模型一，這也說(shuō)明模型二優(yōu)于模型一，擬合程度更好。

表2 模型一和模型二估計(jì)結(jié)果Tab.2 models 1 and 2 estimation results

控制變量對(duì)住宅價(jià)格的影響和預(yù)期較為接近。首先，住宅價(jià)格與建筑面積、中樓層、高樓層、建筑總層數(shù)、綠化率顯著正相關(guān)。具體而言，在其他條件不變的情況下，建筑面積每增加10%，房?jī)r(jià)增加10.8%；建筑總層數(shù)每增加10%，房?jī)r(jià)增加0.29%；綠化率每增加10%，房?jī)r(jià)增加1.17%；較之低樓層，中、高樓層的住宅價(jià)格大約高0.4%。其次，住宅價(jià)格與房屋年齡、春熙路距離、金融城距離顯著負(fù)相關(guān)。具體而言，在其他條件不變的情況下，建筑年齡每增加10%，房?jī)r(jià)減少1.03%；距春熙路距離每增加10%，房?jī)r(jià)降低1.50%；距金融城距離每增加10%，房?jī)r(jià)減少1.83%。此外，周邊商業(yè)服務(wù)和休閑娛樂(lè)數(shù)量無(wú)法顯著影響房?jī)r(jià)。

理解多個(gè)解釋變量在模型中的表現(xiàn)尤為重要。在模型一中，地鐵站距離系數(shù)為-0.030，在1%的水平上顯著。說(shuō)明在其他條件不變的情況下，地鐵站距離每增加100%，住宅價(jià)格降低3%。而加入兩個(gè)虛擬變量后，地鐵站距離系數(shù)絕對(duì)值略有下降（2.7%），但依然在1%的水平上顯著。此外，換乘站的系數(shù)為0.040，表明換乘站周邊的住宅價(jià)格比常規(guī)站周邊平均高4%。首末站的系數(shù)為-0.085，表明首末站周邊的平均住宅價(jià)格比常規(guī)站周邊平均低8.5%，原因是首末站大多位于城市郊區(qū)，因此周邊住宅價(jià)格較低。以上分析說(shuō)明了換乘站點(diǎn)和首末站點(diǎn)對(duì)房?jī)r(jià)的顯著影響，也說(shuō)明了忽略換乘站、首末站和常規(guī)站的區(qū)分會(huì)帶來(lái)參數(shù)的錯(cuò)誤估計(jì)，對(duì)現(xiàn)有文獻(xiàn)進(jìn)行了很好的補(bǔ)充。

4.2 比較換乘站和常規(guī)站距離對(duì)房?jī)r(jià)的影響差異

為了比較換乘站、首末站和常規(guī)站距離對(duì)房?jī)r(jià)的影響差異，引入兩個(gè)交叉項(xiàng)（換乘站×地鐵站距離，首末站×地鐵站距離），然后進(jìn)行特征價(jià)格模型（模型三）估計(jì)。分析得出，自變量對(duì)因變量變異的解釋能力為77.31%，略高于之前的模型。

表3展示了模型三估計(jì)結(jié)果。換乘站×地鐵站距離的系數(shù)為負(fù)，并在5%的水平上顯著，說(shuō)明較之鄰近常規(guī)站，購(gòu)房者愿意付更多的錢(qián)來(lái)鄰近換乘站。換乘站×地鐵站距離的系數(shù)為-0.063。這說(shuō)明到地鐵站距離每減小100%，換乘站鄰近區(qū)域住宅買(mǎi)主愿意多付8.9%（=6.3%+2.6%），而常規(guī)站鄰近區(qū)域住宅買(mǎi)主只愿意多付2.6%。另外，首末站×地鐵站距離這個(gè)變量并不顯著，說(shuō)明首末站和常規(guī)站的增值效應(yīng)并無(wú)顯著差異。

表3 模型三估計(jì)結(jié)果Tab.3 model 3 results

4.3 穩(wěn)健性檢驗(yàn)

眾所周知，面積是房?jī)r(jià)最為重要的影響因素（房?jī)r(jià)=面積×均價(jià)）。為了剝離面積對(duì)房?jī)r(jià)的影響和確保主要結(jié)論的穩(wěn)健性，本研究進(jìn)行如下的穩(wěn)健性檢驗(yàn)：以均價(jià)作為因變量，對(duì)模型二和模型三進(jìn)行重新估計(jì)。表4展示了穩(wěn)健性檢驗(yàn)結(jié)果。四個(gè)核心變量系數(shù)在符號(hào)和顯著性上沒(méi)有變化，僅是系數(shù)略有差異，這說(shuō)明我們的結(jié)果是比較穩(wěn)健的。

表4 穩(wěn)健性檢驗(yàn)結(jié)果Tab.4 results of robustness checks

5 結(jié)論與討論

盡管較多文獻(xiàn)研究了軌道交通與房?jī)r(jià)的關(guān)系，但極少研究考慮了地鐵換乘站、首末站和常規(guī)站增值效應(yīng)的差異。本研究以成都地鐵站點(diǎn)2.5 km范圍內(nèi)2 535個(gè)小區(qū)的27 814個(gè)住宅樣本為樣本，建立了一系列雙層隨機(jī)截距特征價(jià)格模型，研究了地鐵可達(dá)性與房?jī)r(jià)之間的關(guān)系。研究發(fā)現(xiàn)，地鐵對(duì)房?jī)r(jià)具有增值作用；鄰近換乘站、鄰近首末站與房?jī)r(jià)分別正向、負(fù)向相關(guān)；換乘站對(duì)周邊房?jī)r(jià)的增值效應(yīng)遠(yuǎn)大于常規(guī)站，但首末站和常規(guī)站的增值效應(yīng)相差無(wú)幾。

使用合適的價(jià)值捕獲方案來(lái)輔助城市軌道交通的開(kāi)發(fā)是當(dāng)務(wù)之急。但是，我國(guó)大陸地區(qū)在實(shí)施國(guó)際最主流的兩種價(jià)值捕獲策略——基于稅收（如美國(guó)）和基于“R+P”聯(lián)合開(kāi)發(fā)（如中國(guó)香港）——都面臨著一定的制度性約束，比如土地與房產(chǎn)相關(guān)稅收制度約束和軌道交通沿線的土地取得方式約束[8,42]。盡管上海、重慶、深圳等城市都進(jìn)行了一些試驗(yàn)，上述兩種主流的價(jià)值捕獲策略并未（當(dāng)然也難以）在我國(guó)大陸地區(qū)大規(guī)模執(zhí)行。此外，公私合作伙伴關(guān)系模式（public-private partnership，PPP）可以通過(guò)合理、有效的機(jī)制讓公共部門(mén)和私營(yíng)部門(mén)實(shí)現(xiàn)利益共享和風(fēng)險(xiǎn)共擔(dān)來(lái)進(jìn)行項(xiàng)目融資，它已被證實(shí)有望提高公共品供給的效率。實(shí)際上，成都地鐵的建設(shè)采取了該模式：地方政府、成都軌道交通集團(tuán)有限公司和SPV（special purpose vehicle）公司（如中國(guó)電力建設(shè)集團(tuán)、成都中鐵惠川城市軌道交通有限公司、中交成都軌道交通投資建設(shè)有限公司等）形成合作伙伴，共同進(jìn)行地鐵建設(shè)。再次，探索具有我國(guó)特色、適合在我國(guó)“土壤”生存的價(jià)值捕獲策略及投融資模式顯得重要，比如深圳探索香港的“R+P”模式和武漢的土地控制與儲(chǔ)備策略[42]。最后，本研究所發(fā)現(xiàn)的不同地鐵站點(diǎn)類(lèi)型帶來(lái)的增值效應(yīng)差異說(shuō)明了基于全局、大范圍、一刀切的政策制定可能并不合適，充分考慮區(qū)域差異性是政策制定的題中應(yīng)有之義。

圖表來(lái)源：

圖1-3：作者繪制

表1-4：作者繪制