上海市学区房价格的影响机制

石忆邵，王伊婷

（同济大学测绘与地理信息学院，上海 200092）

上海市学区房价格的影响机制

石忆邵，王伊婷

（同济大学测绘与地理信息学院，上海 200092）

研究目的：探讨上海学区房价格的影响机制。研究方法：特征价格法和多元回归分析法。研究结果：学校因素对房价影响程度之和达20.63%，影响程度居第二位，仅次于建筑面积的影响；具体而言，在其他条件不变的情况下，学校重点等级每下降一级，住宅价格将平均下降8.698%；小学本区排名每降低一位，住宅价格将平均下降0.896%；到重点中学距离每增加100 m，住宅价格将平均下降0.995%；距重点小学距离每增加100 m，住宅价格将平均下降0.499%。研究结论：重点中小学对周边住宅价格存在着比较重要的积极影响，在相同情况下，学校等级越高、学校排名越靠前、距离重点学校越近，住宅价格则越高；重点小学和重点中学相伴的“双学区房”更加受到青睐。

不动产价格；学区房价格；特征价格模型；影响机制；多元回归分析；上海市

1 引言

在国内有关公共设施资源对房地产价格影响的研究中，主要采用特征价格模型和方法[3-5]，通常单独研究以下几种主要公共设施，譬如：轨道交通、大型公园绿地、景观设施、大学（城）、基础教育等，偶有开展多项公共资源对房地产价格影响的研究[6-10]。在关于学区房价格的有限研究中，大多局限于定性分析，而较少展开定量研究[11-19]。在国外，由于没有学区房的概念，虽然运用特征价格法来进行房地产价格研究已经比较成熟[20-21]，但有关教育设施对周边地区房价的影响方面的研究依然偏少。Reback为了识别与学区边界的重要性减弱相关的资本化效果，采用公立学校选择项目，利用来自于明尼苏达州的跨学区选择的调查数据，发现学生能够转入的首选学区，其住宅物业显著升值，而转出学生的学区，其住宅物业价值下降[22]。Black对马萨诸塞州的房地产市场调查，发现房地产价格与当地小学标准化成绩有着密切的关系：考试成绩每提高5%，周边房价上涨2.1%[23]。Fack 等探讨了房价对邻近的公立学校和私立学校的教育质量的反应状况，比较不同就学界限的销售，发现公立学校增加一个标准差的绩效，就能引起房价上涨1.4%—2.4%；而且，随着邻近地区私立学校可获性的增加，公立学校绩效在房地产价格中的资本化价值也会相应缩小[24]。Downes等运用芝加哥1987—1991年的数据来估算学校特征对房价的影响，分析证据显示，在评价房屋价值时，学校级别明显比地区级别重要，因此，在估算学校特征对房价的影响时，控制那些不可观测的、暂时稳定的房价变量，对房价的无偏估计是很有必要的；同时还发现，房屋业主更多地关心学校的产出（如考试成绩）而非学校的投入（如每个学生的花费）[25]。本文以上海市为例，对学区房价格的影响机制展开研究，具有重要的现实意义。

2 研究方法及数据采集与处理

2.1 研究方法选择

在有关公共设施资源对房地产价格的影响研究中，大多数学者选择应用特征价格法（Hedonic Price Model）。一般认为，房地产由众多不同的特征组成，而房地产价格是由所有特征带给人们的效用决定的。由于各特征的数量及组合方式不同，使得房地产的价格产生差异。因此，如能将房地产的价格影响因素分解，求出各影响因素所隐含的价格，在控制房地产的特征（或品质）数量固定不变时，就能将房地产价格变动的品质因素拆离，以反映纯粹价格的变化。该方法的优点是能够较为全面地考虑各种住宅价格影响因素，采用真实的数据模拟市场，可避免主观意识的干扰。缺点则是数据收集较繁琐，假设条件较多。本文也基于特征价格法展开研究。

2.2 研究样本的选取

根据网上数据收集及政策了解，确定上海市学区房最集中的4大区域：徐汇区徐家汇板块，浦东新区洋泾板块，静安区新闸板块和杨浦区黄兴板块。各区域板块的重点中小学的分布情况如表1。

2.3 数据采集与处理

住宅特征一般分为三大类：建筑特征、邻里特征和区位特征。其中，建筑特征包括住宅面积、装修程度、住宅的建造年份、房间数目、有无电梯等；邻里特征包括小区环境、公共配套设施情况等；区位特征指到CBD距离、交通便利情况等。由于本文研究的是学区房，所以特加学校因素在内进行探讨（表2）。

本文方法分为3个阶段(如图1)：局部成组方案的设置阶段、局部成组约束条件下的多目标聚类优化阶段和在Pareto解集中选择合适解阶段。

表1 上海市4大学区房重点中小学统计及性质Tab.1 Statistics and nature of four school district houses in Shanghai City

本文所收集的数据包括4大类：（1）房价数据：从上海搜房网（http://esf.sh.soufun.com/）获得。不仅可以获取房价，还能了解住宅地址、小区、建筑面积、户型、朝向、所在楼层、建筑年代、配套设施、装修情况等内容。（2）社区数据：从搜狐网（http://esf.sh.soufun.com/housing/）获得，可以搜索到小区的绿化程度、物业管理费用等具体信息。（3）距离数据：采用百度地图进行各学区房到重点中小学距离、到CBD的距离，以及到一些其他的大型公共配套设施的距离测算。（4）学校数据：对相关政策和资料进行查询。

由于数据性质不同要将数据进行分类并按指标进行处理。其中定量变量有住宅面积、住宅年龄、所在楼层数、物业费和绿化率；虚拟变量有电梯和装修程度；等级变量有住宅楼高、到CBD距离、距重点中小学距离、轨道交通（表2）。通过数据整合、变量取舍和量化，最终得到4大板块共1172个住宅样本数据。

3 上海学区房价格的影响机制分析

3.1 特征价格模型的设定

特征价格模型通常采用线性、半对数、对数3种基本函数形式。经过多次计算实验比较后，本文决定采用对数形式的特征价格模型。对数模型中因变量采用住宅价格的自然对数形式（ln住宅价格）。住宅面积、所在楼层、建筑年龄、绿化率、物业费这5个变量也采用自然对数的形式进入模型。装修程度、电梯、公园绿地3个虚拟变量和建筑楼高、距重点小学距离、小学本区排名、小学重点等级、距重点中学距离、中学本区排名、中学重点等级、交通及到CBD距离9个等级变量采用直接将数值代入的方式。

表2 住宅特征变量的描述与量化Tab.2 Description and quantization of residential characteristic variables

3.2 样本的描述性统计

表3给出了参加回归分析的18个变量的描述性统计分析结果。

3.3 模型的估计和检验

利用 SPSS14.0 对模型进行分析，数据处理采用逐步替换法，可将统计显著性不强、经济意义不明显的变量逐步剔除[19]，所得结果如表4和表5。 最终逐步进入模型的变量有住宅面积、物业费、中学重点等级、小学本区排名、建筑年龄、距重点中学距离、到CBD距离、绿化率、距重点小学距离9个变量，其他变量均被剔除。

从表4可知，9号特征价格对数模型R2为0.839，经调整R2为0.838，拟合程度非常高，且标准估计误差是9个模型中最小的。第9号特征价格模型的F检验都远远大于0.01,说明在置信水平α = 0.01下，回归方程是显著的，即进入方程的住宅特征与因变量ln（住宅价格）之间的线性关系能够成立。由9号特征价格模型回归系数检验结果（表5）可知，绝大多数回归系数的T检验值在α = 0.05 上均具有显著性,表明回归方程中相应的系数具有显著性。通过显著性水平的检验,说明对数模型对样本数据的拟合在统计上是有意义的，回归方程是有效的。

表3 样本数据统计分析Tab.3 Statistical analysis of sample datum

表4 特征价格模型的显著性检验Tab.4 Significance test of the Hedonic price models

表5 回归系数t检验Tab.5 T test of regression coefficients

图1是残差的直方图。可以看出9号特征价格模型的残差的直方图比较符合正态分布的曲线，表明9号特征价格模型拟合程度较高,在统计上是具有意义的,可以用来分析和解释住宅特征对住宅价格的影响。

图1 残差的直方图Fig.1 The histogram of residuals

3.4 特征价格模型结果分析

由上可知，进入模型的9个变量在α = 0.05上均呈现显著性。由表6可得出住宅特征价格方程如下：

表6 回归系数表Tab.6 The regression coefficients

由表6可知，自变量符号均与预测的符号相同，且学校因素很大程度上影响了住宅价格。

在对数模型中，自变量为连续变量时，为标准化的回归系数对应着住宅价格的弹性系数。半价格弹性系数是由于自变量是虚拟变量或者等级变量，不能直接采用回归系数的数值，需要做计算处理：

由表6和上述公式可推算出各变量对住宅价格的影响程度（表7）。

表7 各特征变量的价格弹性系数Tab.7 Price elastic coefficient of characteristic variables

连续变量包括住宅面积、物业费、建筑年龄、绿化率。住宅面积的价格弹性系数为0.803，表示在其他条件不变的情况下，面积每增加1%，住宅价格将平均上涨0.803%。同样，在其他条件不变的情况下，物业费每增加1%，住宅价格将平均上涨0.162%；建筑年龄每增加1%，住宅价格将平均下降0.098%；绿化率每增加1%，住宅价格将平均下降0.049%。

虚拟变量均无入选。等级变量入选的有重点中学等级、小学本区排名、距重点中学距离、距CBD距离、距重点小学距离。中学重点等级的价格半弹性系数为-8.698，表示在其他条件不变的情况下，学校重点等级每下降一级，住宅价格将平均下降8.698%。同样，在其他条件不变的情况下，小学本区排名每降低一位，住宅价格将平均下降0.896%；到重点中学距离每增加100 m，住宅价格将平均下降0.995%；距CBD的距离每增加0.5 km，住宅价格将平均下降1.292%；距重点小学距离每增加100 m，住宅价格将平均下降0.499%。

由表8可以看出，在各个因素中，住宅面积的影响程度最大，高达51.26%；其次是物业费，为15.53%；接下来便是中学重点等级，为10.14%；其他各个因素为2%至5%不等，差距不大。由此可见，除了住宅因素和物业费以外，重点中小学对住宅价格也具有较大的积极影响，学校等级越高、学校排名越靠前、距离重点学校越近，住宅价格则越高。由于本文以重点小学为主，所以学区房选取也是以小学学区房为中心，而重点中学的影响特征显得更加明显，可见当今家长或投资者对于能够享受到“小升初”政策的“双学区房”更加青睐。

表8 各因素的影响程度系数表Tab.8 The impact degree of factors

4 结论与讨论

（1）重点中小学对周边住宅价格存在着比较重要的积极影响。在相同情况下，学校等级越高，住宅价格越高；学校排名越靠前，住宅价格越高；距离重点学校越近，住宅价格也越高。这体现出学区房政策推动了一定地区的房价抬升。离学校越近则方便孩子上学，学校等级越高和排名越靠前，则教学质量、升学率有了充足的保障，因而家长愿意支付更高的房价或房租来购买或租赁学区房。

（2）总体来看，学校因素影响程度之和达20.63%，影响程度居第二位，仅次于建筑面积的影响程度。具体而言，在其他条件不变的情况下，学校重点等级每下降一级，住宅价格将平均下降8.698%；小学本区排名每降低一位，住宅价格将平均下降0.896%；到重点中学距离每增加100 m，住宅价格将平均下降0.995%；距重点小学距离每增加100 m，住宅价格将平均下降0.499%。

（3）虽然本文主要是基于重点小学为基础进行的研究，但是重点中学的影响特征却显得更加明显，可见当今家长或投资者对于能够享受到“小升初”政策的“双学区房”更加青睐。

（4）要关注学区房价格变动的不利影响。一是哄抬房价，房产商和中介恶意利用“重点学校”称号牟利，导致市场愈发畸形；二是好学区由于高价成为富人专属，致使穷人家孩子读好学校的机会越来越少；三是增加家庭的精神压力和孩子的心理压力。因此，短期内要着手于均衡教育资源，从长远角度则需要建立更科学、更完善的教育评价体系，只有彻底改变人们过分追求名次的心理需求，才能从根本上解决学区房哄抢问题。

（References）：

［1］王曦, 葛幼松, 张含. 南京老城区学区房价格机制研究［J］.合作经济与科技，2010，（12）：10-13.

［2］文嘉琪. 上海市长宁区学区房价格走势分析［J］. 经济视角（下），2011，（5）：32-34.

［3］王旭育. 基于Hedonic模型的上海住宅特征价格研究［D］.上海：同济大学，2006.

［4］符文颖. 基于 Hedonic 价格模型的广州住房市场研究［D］. 广州：中山大学，2008.

［5］邵飞波，张鑫. 基于 Hedonic 模型的上海住宅价格影响因素分析［J］. 经济论坛，2008，（23）：9-13.

［6］王琳. 城市轨道交通对住宅价格的影响研究——基于特征价格模型的定量分析［J］. 地域研究与开发，2009，28（2）：57-61.

［7］石忆邵，张蕊. 大型公园绿地对住宅价格的时空影响效应——以上海市黄兴公园绿地为例［J］. 地理研究，2010，（3）：510 -520.

［8］钟海玥，张安录，蔡银莺. 武汉市南湖景观对周边住宅价值的影响——基于 Hedonic 模型的实证研究［J］.中国土地科学2009，23（12）：63-68.

［9］杨尚. 城市教育配套对住宅价格的影响研究［D］. 杭州：浙江大学，2013.

［10］温海珍，贾生华. 住宅的特征与特征的价格——基于特征价格模型的分析［J］. 浙江大学学报（工学版），2004，38（10）：1338 -1349.

［11］张品. 试析学区房的形成及其社会效应——以天津市为例［J］. 社会工作，2012，（24）：87-90.

［12］余璇. 学区房受追捧的原因及外部性探究［J］. 中国城市经济，2011，（14）：210.

［13］陈玲玲，唐学玉. “学区房热” 的原因及外溢效应研究 ［J］. 中国集体经济，2009，（25）：48.

［14］陈玲芬. 城区学区房需求现状调查：以浙江省海宁市为例［J］. 江苏商论，2013，（11）：20-24.

［15］杨雯婷，刘冰玉，王丽. 经济学视角下学区房供需因素分析及其对策［J］. 财会研究，2012，（16）：69-71.

［16］央吉. 学区房：另类的教育投资［J］. 绿色中国，2013，（12）：40-43.

［17］江坚. 基于学区房现状浅谈教育地产的发展［J］. 创新，2010，（2）：60-63.

［18］车佳玮，贝佳凤，王晨宇，等. 绍兴市 “学区房” 效应及其对策研究［J］. 学理论，2013，（29）：80-81.

［19］聂飞. 重点中小学对普通住房市场价格的影响——以保定市为例［D］. 保定：河北农业大学，2011.

［20］Bowes, D. R, Ihlanfeldt, K.R. Identifying the impacts of rail transit stations on residential property values［J］. Journal of Urban Economics, 2001, 50（1）:1-25.

［21］Liisa, T., Miettinen, A. Property prices and urban forest amenities［J］. Journal of Environmental Economics and Management, 2000, 39（2）:205-223.

［22］Reback, R. House prices and the provision of local public services: capitalization under school choice programs［J］. Journal of Urban Economics, 2005, 57（2）: 275-301.

［23］Black, S. E. Do better schools matter? Parental valuation of elementary education［J］. The Quarterly Journal of Economics, 1999, 114（2）: 577-599.

［24］Fack, G., Grenet, J. When do better schools raise housing prices? Evidence from Paris public and private schools［J］. Journal of Public Economics, 2010, 94（1）: 59-77.

［25］Downes, T. A, Zabel, J. E. The impact of school characteristics on house prices: Chicago 1987-1991［J］. Journal of Urban Economics, 2002, 52（1）: 1-25.

（本文责编：郎海鸥）

The Impacting Mechanism of Housing Prices in the School Districts in Shanghai City

SHI Yi-shao, WANG Yi-ting
（College of Surveying and Geo-Informatics, Tongji University, Shanghai 200092, China）

The purpose of this paper is to discuss the impacting mechanism of housing price of school districts. Methods of Hedonic pricing and multiple regression analysis are employed. The results indicate that the sum of school factors affecting housing prices accounts for 20.63% of the whole, and its influence degree is at the second to that of the construction area. Specifically, in the case of other conditions unchanged, 1） drop in school grade level, housing prices will decline 8.698% averagely; 2） regarding primary school if the rank becomes lower, housing prices will also fell at 0.896% margin; 3） each additional 100 meters from key middle school, housing prices will fell 0.995% averagely; 4） each additional 100 meters from key primary school, housing prices will fell 0.499% averagely. It is concluded that 1） key middle schools and primary schools there are more important positive effect on surrounding residential prices. The higher the school level, the higher the housing price; school to the top, the higher the housing price; the closer distance from key schools, the higher the housing price; 2） meanwhile, the “double school district houses”, i.e. being the key primary and key high school district simultaneously, are more popular.

real estate price; housing price of school districts; Hedonic price model; impacting mechanism; multiple regression analysis; Shanghai City

F293.3

A

1001-8158（2014）12-0047-09

2014-06-30

石忆邵（1963-），男，湖南新邵人，博士，教授。主要研究方向为土地资源管理、城市与区域经济、地理信息系统。E-mail: shiyishao@tongji.edu.cn