统计观察
0引言
由于房地产特有的不可移动性，受地区经济基本面与自然禀赋等条件的影响，城市住房价格呈现出明显的地域异质性。但是，由于城市间资本流动、人口迁移、空间套利、经济因素等作用的存在，理论上城市住房价格会自然地产生空间关联[1]。所谓城市住房价格空间关联，是指城市住房价格的相互影响关系在空间上传导的表现形式。城市住房价格空间关联的研究最初源于英国的现象观察： Macdonald 和Taylor （1993）[2]
研究发现，英国11个行政区域
的住房价格之间存在明显的空间溢出效应。随后，Alex-ander 和Barrow （1994）[3]
研究发现英国东南地区的住房价
格会带动其他区域住房价格同方向变化。Pollakowski 和
Ray （1997）[4]针对美国的研究则发现在大都市区层面，房价
在连续地理区域之间传导的模式比较明显。Holly 等
（2010）[5]研究发现美国各州房价之间具有明显的空间联动效应。Meen （1999）[1]和Wood （2003）[6]根据上述经验观察，
提出了城市住房价格空间关联的波纹模式，表现为以某一区域为中心的空间上住房价格的连续变动，价格变动传导过程具有中心性和空间连续性两方面的特征。而国内学者的实证研究既能到支持波纹模式的证据，也能到反
对波纹模式的证据。一方面，王松涛等（2008）[7]发现我国
5个区域内均存在符合波纹模式的城市住房价格传导规
律。另一方面，方晓萍和丁四保（2012）[8]发现我国大中城
市间住房价格波动表现出“4-4-9-9-9”的扩散层级。
总体而言，目前相关学者对城市住房价格空间关联模式进行了较为深入的研究，但仍存在一些不足：一是目前
相关研究均采用计量经济分析工具分析城市住房价格空间关联模式，难以对城市住房价格空间关联的复杂网络结构提供深入的见解，这可能也是现有研究结论存在分歧的原因所在。二是缺乏对城市住房价格空间关联模式形成机理的分析，不利于理解城市住房价格空间关联模式的成因。鉴于此，本文以我国35个大中城市为研究对象，通过构建空间动态面板模型，检验城市住房价格空间关联的显著性。在此基础上，利用社会网络分析（SNA ）工具从个体和总体两个层面分析城市住房价格空间关联模式。最后，利用二次指派程序（QAP ）回归分析方法对城市住房价格空间关联模式的形成机理进行分析。1研究方法与数据来源1.1研究方法1.1.1
空间面板模型
对于城市住房价格空间关联的检验，本文的思路是构建一个空间面板模型，模型中采用城市住房价格作为被解释变量。本文采用如下空间杜宾模型（SDM ）：
Y it =c +ρ1WY it +ρ2X it -1+ρ3WX it -1+εit
（1）
其中，Y 为被解释变量，指城市住房价格；W 为空间
基金项目：中国博士后科学基金面上项目（2019M661872）；山东省社会科学规划项目（18DJJJ07）
；山东省高校人文社会科学
项目（J18RA069）
作者简介：张建（1983—），男，河北永清人，博士研究生，高级工程师，研究方向：自然资源利用、房地产经济。
汪应宏（1967—），男，安徽太湖人，教授，博士生导师，研究方向：资源经济。（通讯作者）彭山桂（1986—），男，四川蓬安人，博士，讲师，研究方向：土地资源管理、人口城镇化与住房政策。
城市住房价格空间关联模式及其形成机理
——以我国35个大中城市为例
张
建1,2，汪应宏1，彭山桂3,4
（1.中国矿业大学公共管理学院，江苏徐州221116；2.北京恒兴华建土地科技有限公司，北京100095；
3.山东农业大学经济管理学院，山东泰安271018；
4.南京农业大学公共管理博士后流动站，南京210095）摘要：文章利用我国35个大中城市的相关数据，运用空间动态面板模型对城市住房价格空间关联进行检验。在此基础上，利用社会网络分析工具，分析城市住房价格空间关联的模式及其形成机理。结果表明：城市住房价格存在显著的空间关联，城市住房价格变动成因中约四成来源于空间关联；在个体层面，城市住房价格空间关联模式表现出中心性，可以将北京、广州、上海、深圳、杭州、南京、天津7个城市确定为住房价格空间关联网络的中心城市；在总体层面，城市住房价格空间关联模式表现出层级性，可以将城市住房价格空间关联网络划分为发动者、传递者、承接者和孤岛4个板块；城市住房价格空间关联模式的形成源于距离因素与人口经济因素两方面的驱动。 关键词：城市住房价格；空间关联；模式；形成机理中图分类号：F293.3文献标识码：A 文章编号：1002-6487（2021）02-0065-05
DOI:10.ki.tjyjc.2021.02.014
权重矩阵；X 为一组控制变量，即影响城市住房价格的主要因素，为避免联立性内生问题，控制变量以一阶滞后项的形式进入模型；ρ1、ρ2、ρ3为待估系数；i 、t 分别表示地区和时间；ε为残差项。如果ρ1显著，表明城市住房价格受到其他城市的影响，空间关联存在；反之，表明空间关联不存在。1.1.
2
格兰杰因果检验
由于城市住房价格之间可能具有双向影响，内生变量的存在导致普通最小二乘法估计难以适用。对此，本文采用格兰杰因果关系检验对“关系”进行分析：首先，基于向量自回归模型（VAR ）进行Johansen 协整检验，向量自回归模型的引入可以有效克服内生变量的问题[9]
；其次，在协整
关系检验的基础上，检验分析城市住房价格之间的格兰杰因果关系。基于格兰杰因果关系检验结果，引入社会关系矩阵构建社会网络模型，社会关系矩阵为一个n ´n 的矩阵，矩阵中处于行位置的城市是“关系”的发送者，处于列位置的城市是“关系”的接收者，矩阵中的元素(x ij )为二值元素，用于表示城市住房价格之间是否存在影响关系，将这一矩阵表示为：
X =éëêêêêêêù
û
úúúúúúx 1n x 2n x n 1x nn （2）
其中，矩阵元素(x ij )的取值规则为：矩阵对角线上的元素均为0；若城市i 住房价格与城市j 住房价格相互均不是对方的格兰杰原因，则x ij =x ji =0，即两者之间不存在空间关联；若城市j 住房价格是城市i 住房价格的格兰杰单向原因，则x ij =1 x ji =0，即城市j 住房价格单向影响城市i 住房价格；若城市i 住房价格与城市j 住房价格互为对方的格兰杰原因，则x ij =x ji =1，即城市i 住房价格与城市j 住房价格之间存在双向影响。1.1.3
社会网络分析
（1）中心性测度。对于城市住房价格空间关联而言，本文关心的是城市住房价格间是否有效地产生内在联系，这取决于一个城市与其他城市在网络上的距离。而接近中心度建立在接近度（距离）基础上[10]，适宜于本文的分析主题。因此，采用接近中心度进行中心性测度，以反映各城市在住房价格空间关联网络中的重要性，测度过程中采用的模型如下：
C (n i )=g -1
åj =1
g
d (n i n j )
（3）
其中，C (n i )为城市i 的接近中心度；d (n i n j )为住房价格空间关联网络中城市i 与城市j 的距离；g 为住房价格空间关联网络中的城市个数。如果一个城市的入度中心度大、出度中心度小，则其中心性较强。
（2）块模型分析。首先利用迭代相关收敛法，将各城
市划分到不同板块中；其次，根据板块间城市住房价格空间关联的发送和接收关系，划分各板块的角。根据Burt
（1976）[11]
的研究，角划分的标准为：①在实际内部关系
比例大于期望内部关系比例的情形下，如果板块外的接收关系数显著大于发送关系数，则该板块为“领导人”角；如果板块外的接收关系数与发送关系数相差不大且数量很少，则该板块为“孤立人”角。②在实际内部关系比例小于期望内部关系比例的情形下，如果板块外的接收关系数与发送关系数相差不大且数量较大，则该板块为“经纪人”角；如果板块外的接收关系数明显小于发送关系数，则该板块为“谄媚人”角。
（3）QAP 回归分析。本文希望对城市住房价格空间关联模式的形成机理进行分析和解释，模型的被解释变量是城市住房价格空间关联模式，在数学上表现为一个n ´n 的关系矩阵，对应地，解释变量为多个n ´n 的关系矩阵。由于这些关系矩阵极有可能存在高度相关性，因此常规的最小二乘法不再适用。对此，本文采用QAP 回归分析法，对矩阵之间的关系进行假设检验。QAP 回归分析法是一种非参数估计方法，不要求解释变量之间相互独立，可以有效解决多重共线性的问题，QAP 回归分析模型如下：
R =f (R x )
（4）
其中，R 为被解释变量，是表示城市住房空间关联模式的n ´n 的关系矩阵；R x 为一组解释变量，包括城市间的距离矩阵和影响城市住房价格相关因素的差距矩阵。1.2
数据来源与数据处理
本文选择的研究对象为我国35个大中城市，选择基于两点原因：一是这些城市是国家统计局重点监测的各区域房地产市场上的重要城市，覆盖除西藏和港澳台以外的30个省份，具有良好的代表性。二是这些城市相关数据资料比较齐全，数据的可得性较高。数据收集及整理过程如下：
（1）城市住房价格数据。该数据来自中国房地产指数系统（CREIS ），对应的范围为我国35个大中城市2010—2018年的月度数据。
（2）空间权重矩阵数据。利用国家基础地理信息中心下载的全国行政区划图，提取35个大中城市政府驻地的经纬度，测算城市间距离，进而形成基于经纬度球面距离的地理空间权重矩阵；利用人均GDP 之差的绝对值取倒数形成基于人均GDP 差距的经济空间权重矩阵[12]，其中，人均GDP 数据为样本期内各城市的平均值。
（3）城市住房价格影响因素数据。一般而言，影响城市住房价格的因素包括经济因素、人口因素、环境因素、政策因素等。在借鉴相关研究的基础上，本文选择的控制变量包括平均工资水平（IC ）、人均GDP （PGDP ）、地价水平（LV ）、人口密度（PD ）、实际利率（TR ）和建成区绿化覆盖率（GR ）
。为保证可比性，上述涉及价格因素的变量，均做了消胀处理，相关变量的构造过程及其描述性统计结果如下页表1所示。
2城市住房价格空间关联的检验
2.1计量模型的相关检验
本文的空间计量分析按照空间相关性检验、空间模型设定检验、固定与随机效应检验、参数估计的顺序进行。对于空间相关性检验，检验的原假设是模型为非空间面板模型；备选假设是模型为空间面板模型。利用MATLAB空间计量工具包编程进行空间相关性检验，结果如表2所示，两个模型在4种检验中均在1%的显著性水平下拒绝原假设，故应建立空间面板数据。对于空间模型设定检验，检验的原假设1和原假设2分别是模型为空间自回归模型（SAR）和空间误差模型（SEM），如果两个原假设均被拒绝，则应选择建立空间杜宾模型（SDM）；如果接受原假设1，则应选择建立空间自回归模型（SAR）；如果接受原假设2，应选择建立空间误差模型（SEM）。基于上述思路，利用MATLAB编程进行检验，检验结果如表2所示，两个模型均在5%的显著性水平下拒绝两个原假设，说明两个模型均应设定为空间杜宾模型（SDM）。对于固定与随机效应检验，模型1和模型2的Hausman检验统计量均在1%的显著性水平下拒绝原假设，说明对于两个模型的面板数据特征，空间与时间双向固定效应模型更为合适。
表2模型检验结果
空间相关性检验统计量空间模型设定检验统计量
LMLag
LMError
RobustLMLag
RobustLMError
Wald test（SAR）
LR test（SAR）
Wald test（SEM）
LR test（SEM）
模型1
（地理空间权重矩阵）
8.403***
8.387***
57.767***
57.752***
10.742**
12.594**
13.701**
15.904***
模型2
（经济空间权重矩阵）
10.508***
35.644***
59.007***
71.222***
12.268**
13.224**
17.450***
16.699***
注：①LMLag、LMError、RobustLMLag、RobustLMError分别为SAR、SEM模型的LM、稳健LM检验统计量。②Wald test（SAR）、LR test（SAR）、Wald test （SEM）、LR test（SEM）分别为SAR、SEM模型的Wald、LR检验统计量。③*、**和***分别表示在10%、5%和1%的水平下通过显著性检验。
2.2空间计量分析结果
基于上述3个检验，本文选择出了合适的计量模型。在此基础上，进行参数估计。根据Lee和Yu（2012）[13]的研究，对于空间面板模型，基于原始数据中心化的极大似然估计结果可能存在偏误。对此，依据Elhorst（2014）[14]的转
换估计法对极大似然法的
估计结果进行纠偏，并据此
对两个模型进行参数估计，
结果如表3所示。通过对表
3中模型参数估计结果的分
析可以发现：①在控制城市
住房价格主要影响因素的
情况下，被解释变量空间滞
后项的系数ρ
1
，在1%的显
著性水平下通过t检验，这说明我国城市住房价格之间存在显著的空间关联。②基于模型参数估计结果，
对模型中各变量对被解释变量的贡献进行归一化处理，从而测度出两个模型中空间关联对城市住房价格的贡献率分别为40.63%、39.29%。换言之，城市住房价格的变动成因中约四成来源于空间关联。
表3模型估计结果
W*ln Y
it
ln IC
it-1
ln PGDP
it-1
ln LV
it-1
ln PD
it-1
TR
it-1
GR
it-1
W*ln IC
it-1
W*lnPGDP
it-1
W*lnLV
it-1
W*ln PD
it-1
W*TR
it-1
W*GR
it-1
R2
模型1
回归系数
0.417
0.116
0.033
0.038
0.115
0.085
0.084
-0.090
0.015
0.046
-0.039
-0.035
-0.351
0.992
t统计量
6.792
2.335
2.292
4.536
1.656
3.491
0.890
水写布-1.339
0.631
2.203
-2.424
1.315
-1.725
s2
伴随概率
0.000
0.019
0.021
0.000
0.097
0.005
0.373
0.180
0.527
0.027
0.015
0.319点焊机电极
0.084
0.002
模型2
回归系数
0.402
0.096
0.028
0.034
0.103
0.081
0.046
-0.018
0.006
0.041
-0.043
-
0.029
-0.348
R20.990
t统计量
6.547
2.075
2.100
4.237
1.687
3.504
0.629
大型风力发电机组
-
0.245
0.199
1.814
-2.593
1.497
-1.558
s2
伴随概率
0.000
0.037
0.035
0.000
0.091
0.003
0.528
0.806
0.842
0.069
0.009
0.285
0.119
0.003
注：①W*ln Y
it
表示被解释变量的空间滞后项。②W*lnIC
it-1
、
W*ln PGDP
it-1
、W*ln LV
it-1
、W*ln PD
it-1
、W*TR
it-1
、W*GR
it-1
分别表示各控制变量的空间滞后项。
3城市住房价格空间关联模式分析
3.1社会网络模型的构建
利用Eviews软件对35个大中城市住房价格的格兰杰因果关系进行检验。基于格兰杰因果关系检验结果，以10%的显著性水平作为临界值标准，按照式（2）定义的构建规则，形成社会关系矩阵，构建起本文采用的社会网络模型，进而利用NetDraw软件得到社会网络模型的图形化表示，结果如下页图1所示。
3.2社会网络模型的分析
高速路收费系统
（1）中心性测度。按照式（3）提出的接近中心度模型对各城市的中心性进行测算，反映各城市在住房价格空间关联中的重要性，利用UCINET软件进行计算，结果如下页表4所示。可以发现，北京、广州、上海、深圳、杭州、南京、天津7个城市的入度高于出度，说明这些城市住房价格受到其他城市关注较多，与此同时，这些城市对其他城市住房价格的关注较少。换言之，这些城市住房价格对其
表1空间计量分析相关变量描述性统计分析结果
变量名称
城市住房价格平均工资水平
人均GDP
地价水平
人口密度
实际利率
建成区绿化覆盖率平均值
9.15
10.96
11.32
7.67
6.33
1.24
40.84
标准差
0.49
0.26
0.38
0.87
0.64
3.29
5.13
最大值
10.85
11.72
13.06
10.44
7.73
5.67
62.46
最小值
8.42
10.34
10.22
5.58
4.88
0.16
25.05
指标构造过程及数据来源
数据来源于中国房地产指数系统，单位：元/m2，取自然对数
数据来源于《中国城市统计年鉴》，单位：元/人，取自然对数
数据来源于《中国城市统计年鉴》，单位：元/人，取自然对数
数据来源于《中国国土资源统计年鉴》，单位：元/m2，取自然对数
数据来源于《中国城市统计年鉴》，单位：元/km2，取自然对数
取对应时点五年期以上贷款基准利率减去消费者价格指数后的数值，
其中，贷款基准利率数据来源于中国人民银行（v.
cn/），对于一年内有多次调整的情况，取时间加权平均值；各城市的
消费者价格指数来源于《中国价格统计年鉴》，单位：%
数据来源于《中国城市统计年鉴》，单位：%
他城市的影响大，而受其他城市的影响小。说明这些城市房地产市场发达，城市住房价格空间溢出效应强。据此，可将其确定为城市住房价格空间关联网络的中心城市。中心性测度的结果表明，在个体层面上，城市住房价格空间关联模式是以中心城市为起点的一系列传导过程，空间关联的传导过程符
合波纹模式中心性的特征。
表4中心性测度结果
城市北京广州上海深圳杭州南京天津大连成都石家庄昆明青岛合肥西安武汉郑州福州贵阳入度
80.95
73.91
72.34
70.83
70.83
70.83
70.83
69.38
69.38
69.38
68.00
68.00
68.00
66.66
66.66
65.38
65.39
64.15
出度
52.30
58.62
61.81
64.15
64.15
67.34
70.11
77.27
66.66
60.71
68.00
72.34
69.38
59.64
59.64
60.71
72.34
69.38
排名
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
城市
济南
厦门
海口
南昌
银川
南宁
呼和浩特
宁波
沈阳
长沙
长春
西宁
重庆
太原
兰州
哈尔滨
乌鲁木齐
入度
64.15
62.96
61.81
60.71
60.71
60.71
59.65
59.64
57.62
57.62
56.66
55.73
55.73
53.96
52.30
50.75
45.95
出度
65.38
52.30
54.83压缩空气过滤
72.34
51.51
65.38
85.00
62.96
64.15
64.15
66.66
47.88
53.96
60.71
64.15
54.84
62.96
排名
19
20
21
22
23
24
25
26
27
简易升降平台
28
29
30
31
32
33
34
35
（2）块模型分析。按照前文提出的块模型分析思路，本文基于Doreian等（2000）[15]提出的CONC
OR迭代相关收敛方法，按照最大分割深度2、收敛标准0.2、迭代次数30次进行迭代，利用UCINET软件进行计算，结果如表5所示。
可见，利用迭代相关收敛法将35个城市分为了4个板块。进一步，通过计算各板块内、外空间关联的发送关系和接收关系的数量，辨识各板块内城市的角，结果如表6所示。根据角辨识标准，可以发现：①板块1内城市住房价格相互关注比较紧密，但不太关注板块外其他城市住房价格。据此，可以确定板块1为“领导人”角。说明板块1内的城市在我国城市住房价格空间关联中发挥着引领的作用，是空间关联的发动者。②板块2内城市住房价格既受到板块外其他城市关注，同时，板块内城市也关注板块外其他城市住房价格，而板块内城市相互之间关注不太紧密。据此，可以确定板块2为“经纪人”角。说明板块2内的城市在我国城市住房价格空间关联中发挥着中介的作用，是空间关联的传递者。③板块3内城市关注板块外其他城市住房价格，但自身城市住房价格不太受到板块外其他城市的关注，同时，板块内城市之间相互关注不太紧密。据此，可以确定板块3为“谄媚人”角。说明板块3内的城市在我国城市住房价格空间关联中发挥着跟随的作用，是空间关联的承接者。④板块4内城市住房价格相互关注比较紧密，与此同时，板块内城市基本不关注板块外其他城市住房价格，自身城市住房价格也不太受到板块外其他城市的关注。据此，可以确定板块4为“孤立人”角。说明板块4内的城市在全国城市住房价格空间关联中基本不发挥作用，是空间关联中相对独立的孤岛。
进一步，在明确板块角的基础上，对板块间空间关联的具体传导路径进行分析。对此，本文利用UC
INET软件计算板块间的密度矩阵，并将密度矩阵中密度值高于整体网络密度值的定义为1，低于整体网络密度值的定义为0，进而推导出像矩阵，结果如表7所示。
表7板块密度矩阵与像矩阵
板块
板块1
板块2
板块3
板块4
密度矩阵
板块1
0.582
0.508
0.724
0.214
板块2
0.270
0.428
0.627
0.178
板块3
0.204
0.540
0.129
0.314
板块4
0.086
0.378
0.143
0.080
像矩阵
板块1
1
1
1
板块2
1
1
板块3
1
1
板块4
1
0可见，板块1内城市住房价格受到板块1、板块2和板块3的关注，换言之，板块1内城市住房价格相互之间产生影响，同时也对板块2和板块3内的住房价格
产生影响。依此类推，可以发现板块2内城市
住房价格对板块3内的城市住房价格产生影
响；板块3内城市住房价格对板块2内的城市
住房价格产生影响；板块4内城市住房价格对其他板块没有明显影响。上述块模型分析的结果表明，在总体层面上，城市住房价格空间关联模式具有明显的层次性，空间关联的传导过程在空间上并不完全连续，空间关联的传导过程并不完全符合波纹模式空间连续性的特征。4城市住房价格空间关联模式形成机理分析
按照式（4）构建的QAP回归分析模型，对城市住房价
表5城市的板块分布结果
序号1 2 3 4城市数量（个）
11
12
7
5
板块成员
北京、天津、郑州、武汉、广州、深圳、厦门、南京、上海、杭州、成都
呼和浩特、昆明、大连、贵阳、青岛、南宁、沈阳、福州、西安、合肥、济南、南昌
长沙、海口、宁波、长春、石家庄、重庆、兰州
太原、哈尔滨、西宁、银川、乌鲁木齐
表6板块空间关联关系表
板块
板块1
板块2
板块3
板块4
接收关系数
板块内
64
55
9
6
板块外
138
125
65
28
发送关系数
板块内
64
55
9
6
板块外
96
129
93
34
期望内部
关系比例（%）
29.41
32.35
17.65
14.70
实际内部
关系比例（%）
31.68
30.55
12.16
17.65
注：期望内部关系比例为Waserman提出的概念，即在网络成员间均存在双向关
系的情况下，板块内部接收关系数与板块内、外部接收关系总和之比，在数值上为：
（板块成员数-1）/（网络成员数-1）。实际内部比例为：板块内接收关系数/（板块内
接收关系数+板块外接收关系数）。
沈阳
乌鲁木齐
西宁
海口
太原
银川
厦门
昆明
呼和浩特
石家庄
大连
长春
广州
兰州
哈尔滨
北京
西安
上海
贵阳
天津
武汉
郑州
杭州
南昌
成都
深圳
济南
合肥南京
福州
南宁
宁波
长沙
青岛
重庆
图1城市住房价格空间关联社会网络模型
格空间关联模式形成机理进行分析。模型中被解释变量是表示城市住房价格空间关联模式的社会关系矩阵（图1所对应的矩阵）；解释变量中城市距离矩阵为基于经纬度计算的球面距离矩阵；影响城市住房价格相关因素的差距矩阵通过计算城市平均工资水平、人均GDP、地价水平、人口密度、实际利率、建成区绿化覆盖率6个变量在样本期内平均值的差距绝对值矩阵获得。在此基础上，首先利用UCINET软件进行QAP相关性分析，结果表明：解释变量中距离、人均GDP差距、地价水平差距、人口密度差距4个变量与被解释变量的相关性系数在10%的显著性水平下通过了检验，说明这4个变量与
城市住房价格空间关联模式的形成之间具有显著的相关性。为进一步分析这4个变量对城市住房价格空间关联模式形成的作用方式，进行QAP 回归分析，结果如表8所示。
从QAP回归分析结果可以发现，距离、人均GDP差距、人口密度差距3个变量在10%的显著性水平下通过检验，说明这3个变量对城市住房价格空间关联的形成具有显著作用。3个变量的回归系数为负值，说明变量对城市住房价格空间关联具有显著的负向作用。上述QAP回归分析结果表明，城市住房价格空间关联模式的形成有距离因素与人口经济因素两方面的驱动力。其中，距离驱动力形成的是城市住房价格的邻里空间关联，即城市住房价格变动在相邻区域内连续传导，符合波纹模式；人口经济驱动力形成的是城市住房价格的等级空间关联，即城市住房价格变动在人口、经济规模相当的城市间离散传导，不符合波纹模式。可见，正是因为驱动力的差异，导致城市住房价格空间关联模式在个体和总体层面具有明显差异。
5结论
（1）空间动态面板模型计量分析结果表明，城市住房价格存在显著的空间关联，地理特征与经济特征空间权重矩阵空间动态面板模型中空间关联对城市住房价格的贡献率分别为40.63%、39.29%，城市住房价格变动的成因中约四成来源于空间关联。
（2）中心性测度和结构洞分析结果表明，北京、广州、上海、深圳、杭州、南京、天津7个城市是城
市住房价格空间关联网络的中心城市。
（3）块模型分析结果表明，城市住房价格空间关联网络可以划分为4个板块。板块1为“领导人”角，是空间关联的发动者；板块2为“经纪人”角，是空间关联的传递者；板块3为“谄媚人”角，是空间关联的承接者；板块4为“孤立人”角，是空间关联的孤岛。板块1内城市住房价格相互之间产生影响，同时也对板块2、板块3内的住房价格产生影响；板块2内城市住房价格对板块3内的城市住房价格产生影响；板块3内城市住房价格对板块2内的城市住房价格产生影响；板块4内城市住房价格对其他板块没有明显影响。
（4）QAP回归分析结果表明，城市住房价格空间关联模式的形成有距离因素与人口经济因素两方面的驱动力。其中，距离驱动力形成的是城市住房价格的邻里空间关联，即城市住房价格变动在相邻区域内连续传导，符合波纹模式；人口经济驱动力形成的是城市住房价格的等级空间关联，即城市住房价格变动在人口、经济规模相当的城市间离散传导，不符合波纹模式。
参考文献：
[1]Meen G P.Regional Housing Prices and the Ripple Effect:A New In⁃terpretation[J].Housing Studies,1999,14(6).
[2]Macdonald R,Taylor M.Regional Housing Prices in Britain:Long-run Relationships and Short-run Dynamics[J].Scottish Journal of Politi⁃cal Economy,1993,40(1).
[3]Alexander C,Barrow M.Seasonality and Cointegiation of Regional House Prices in the UK[J].Urban Studies,1994,31(10). [4]Pollakowski H O,Ray T S.Housing Price Diffusion Patterns at Differ⁃ent Aggregation Levels:An Examination of Housing Market Efficiency [J].Journal of Housing Research,1997,8(1).
[5]Holly S,Pesaran M H,Yamagata T.A Spatio-temporal Model of House Prices in the USA[J].Journal of Econometrics,2010,158(1). [6]Wood R.The Information Content of Regional House Prices:Can They be Used to Improve National House Price Forecasts?[J].Bank of Eng⁃land Quarterly Bulletin,2003,(9).
[7]王松涛，杨赞，刘洪玉.我国区域市场城市房价互动关系的实证研究[J].财经问题研究,2008,(6).
[8]方晓萍，丁四保.中国城市住房价格的地理扩散及其区域外部性问
题[J].地理科学,2012,32(2).
[9]陈明华，刘华军，孙亚男，等.城市房价联动的网络结构特征及其影
响因素——基于中国69个大中城市月度数据的经验考察[J].南方经济,2016,(1).
[10]Burt R S.Detecting Role Equivalence[J].Social Network,1990,(12).
[11]Burt R S.Positions in Networks[J].Social Forces,1976,(55).
[12]龙奋杰，王萧濛，邹迪.基于标尺竞争的地方政府土地出让行为互
动[J].清华大学学报(自然科学版),2015,55(9).
[13]Lee L F,Yu J.Spatial Panels:Random Components Versus Fixed Ef⁃fect[J].International Economic Review,2012,(53).
[14]Elhorst J P.Spatial Econometrics:From Cross-sectional Data to Spa⁃tial Panels[M].Dordrecht:Springer,2014.
[15]Doreian P,Batagelj V,Ferligoj A.Symmetric-acyclic Decompositions of Networks[J].Journal of Classification,2000,17(1).
（责任编辑/易永生）
表8QAP回归分析结果
截距
距离差距人均GDP差距地价水平差距人口密度差距非标准化回归系数
0.639
-0.010
-0.078
0.003
-0.065
标准化回归系数
0.000
-0.147
-
0.041
0.005
-0.071
显著性水平
—
0.000
0.043
0.503
0.061
P≥0
—
1.000
0.957
0.503
0.939
P≤0
—
0.000
0.043
0.497
0.061
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议