EN中文

Economic geography >

2019 , Vol. 39 >Issue 12: 88 - 95

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.12.010

Spatial Differentiation of Housing Price Growth in China and Its Impact Mechanism

  • HUANG Yuming
Expand
  • Party School of Changchun Municipal Party Committee of the CPC，Changchun 130103，Jilin，China

Received date: 2019-05-27

  Revised date: 2019-11-04

  Online published: 2025-04-18

Fold

Abstract

As a monetary expression to measure the value of a house, house price has always been a hot topic in academic research. Based on the housing prices of 298 cities in China from 2015 to 2018, this paper examines the spatial pattern of urban housing price growth, urban grade characteristics and its driving mechanism. The results show that: 1) The spatial difference of housing price growth in China's cities from 2015 to 2018 is quite different,and the growth rate increases with the increase of urban level. 2) There is a strong spatial autocorrelation in housing price growth; economic growth, investment scale, market expectation, ability to pay, land supply, and urban charm are the main factors affecting the spatial difference in urban housing price growth. Urban charm is the dominant factor in the difference in housing price growth between 2015 and 2018. In addition,the city level is different,and the factors affecting the growth of housing prices reflect significant differences. 3) Finally, from the promotion of coordinated regional development,suppression of real estate speculation; speeding up urban renewal and upgrading,creating a quality urban environment,and other proposals to promote the healthy development of the real estate market.

Key words： house price growth; population mobility; land supply; housing purchase restriction; Supply-side Structural Reform; healthy development; China

Cite this article

HUANG Yuming . Spatial Differentiation of Housing Price Growth in China and Its Impact Mechanism[J]. Economic geography, 2019 , 39(12) : 88 -95 . DOI: 10.15957/j.cnki.jjdl.2019.12.010

房价关系民生，关乎社会经济发展大计。自1998年国务院印发《关于进一步深化城镇住房制度改革加快住房建设的通知》，我国城市住房开启了市场化改革之路，房地产业迅速发展，逐渐成为国民经济发展的支柱产业，其发展变化受到社会广泛关注。2015年我国金融市场发生剧烈波动，为维护市场稳定，国家采取了诸如降低存贷款基准利率、降低购房首付率等“救市”措施，维护了市场秩序，但也造成货币超发，房价上涨等问题。为平稳房价，中央于2016年12月召开了经济工作会议，明确提出“房子是用来住的，不是用来炒的”[1]，各地政府通过限购、限贷等手段抑制房价过快上涨，取得了一定成效。但由于各城市经济发展水平、人口、资本等要素差异，城市房价增长呈现出显著的空间分异特征，而对此次房价上涨的区域差异和影响因素尚未有全面分析。
已有对房价的研究主要集中在以下几个方面：①城市住宅价格时空分布特征。如：孟勉、兰峰、梅志雄、汤庆园等分别对北京、西安、东莞、上海等大城市住宅价格时空分布特征的探讨[2⇓⇓⇓-6]。②住房价格影响因素和对策。这类研究主要从供求关系[7⇓-9]、产业升级[10]、土地供给[11⇓⇓-14]、城市交通[15⇓⇓-18]、城市环境[19⇓-21]、人口变化[22⇓-24]等方面分析住房价格的影响机理。如：陈斌开等认为教育资源的不均衡分布是造成房价上涨的重要原因[25]；王洋等研究发现，城市居民收入和财富水平以及城市区位和行政等级是影响中国2009年城市房价空间分异的核心因素[26]；辜胜阻等认为房价和地价的市场预期的强化以及高利润导致社会资本大量进入房地产行业，一定程度上推高了房价[27]；况伟大基于空间竞争理论提出，政府应将大项目拆分为小项目，进而促进竞争，防止空间垄断的发生[28]。③房价对社会经济发展的影响。主要探讨了房价对居民消费[29]、生育[30]、城市化[31]、经济发展[32]的影响。如：李有福认为，房地产价格的持续上涨，抑制了我国居民消费水平[33]；骆永民实证分析发现，房价的虚高制约城市化的发展[34]；高波等人认为区域房价的差异带动劳动力的流动，从而导致产业的转移，这有利于区域产业转型升级[35]。总体来看，已有研究对住房价格演变的时空特征、影响因素及其社会经济的效应，进行了深入的探讨，取得了丰富的成果。但缺乏基于全国和城市等级维度，对房价增长差异及其形成机制的全面分析；此外，涵盖市场供求关系和政府、个人行为的住房价格形成的理论框架也需要进一步归纳总结；对2015—2018年全国住房价格上涨的特征及其形成机制，缺乏全面的认识。
基于此，本文总结构建住房价格增长的理论框架和测度模型，对2015—2018年中国城市住房价格增长的空间差异及其城市等级特征进行系统分析，以期更清晰地揭示2015—2018年中国城市住房价格增长差异形成的内在机制，对今后建立完善的住房价格调控机制具有一定的实践意义。

1 数据来源与研究方法

1.1 数据来源与研究区域

文中所用城市住房价格数据，来源于安居客官方网站（https://www.anjuke.com）所给出的城市年平均房价，部分未标注的城市房价则以当地房地产网站新房挂牌价格与住房面积的比值，算出住房平均价格，最后获取了全国298个城市2015和2018年的住房价格。城市等级数据来源于第一财经发布的《2017城市商业魅力排行榜》，它主要根据城市商业资源集聚度、城市人活跃度、生活方式多样性、城市枢纽性和未来可塑性5个维度，通过专家打分和主成分分析法算出最终结果，分数越高，城市等级越高，共分为一线城市、新一线城市、二线城市、三线城市、四线城市和五线城市，本文将“一线城市”和“新一线城市”统称为“一线城市”[36]。影响因素数据则来源于2015年各省统计年鉴、《中国城市建设统计年鉴》，2017年数据来源于各省统计年鉴和国民经济与社会发展公报，个别缺失数据则根据上年增长率进行推算。地理底图从中国测绘信息局网站下载，通过比对数据信息，最终确认298个城市，将其他城市数据进行另存说明。

1.2 研究方法

1.2.1 空间自相关方法

地理学第一定律认为，相邻地理事物之间存在相互影响的关系。本文采用空间自相关方法测度中国298个城市住房价格增长是否存在空间关联性，即是否存在空间集聚性。常用检验统计量为全局Moran’s I指数，其计算公式如下[37]：
I = n ∑ i = 1 n ∑ j = 1 n W i j x i - x - x j - x - ∑ i = 1 n ∑ j = 1 n W i j x i - x - 2
式中：n为城市数量；xi和xj分别表示i、j城市住房价格增长值；Wij为城市i与城市j的空间权重矩阵。I值介于[-1，1]，当I为正且接近1时，表示城市住房价格增长趋于集聚；当I为负且接近-1时，表示住房价格增长趋于分散；当I值为0时，表示住房价格增长不存在相关性或者随机分布。

1.2.2 OLS和空间自回归模型

普通最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配，从而建立因变量与自变量的关系。为减少异方差对模型拟合度的影响，对模型中的所有变量取对数处理。表达式为：
l n Y i = β 0 + α 1 l n x 1 + ⋯ + α 5 l n x 5 + δ i
式中： Y i为因变量，即城市i的住房价格增长值； x i为自变量，即第i个城市自变量的观测值； β 0为常数项； α为自变量的待估计参数（ α 1 , ⋯ , α 5）； δ i为随机扰动项。
空间自回归模型主要包括空间滞后模型和空间误差模型[38]。空间滞后模型用来分析因变量在某一地区是否存在扩散或溢出效应，表达式为：
l n Y i = ρ ∑ i = 1 m W i j l n Y i + β l n x i + ε i
式中： Y i  为因变量，即区域i的观测值； ρ为住房价格增长的系数，表示相邻区域观测值对本区域观测值的影响程度； W i j为 298 × 298的空间权重矩阵； β为自变量的回归系数； ε i为残差扰动项。
空间误差模型主要用来分析相近地区间因变量的误差项之间的相互影响作用。
l n Y i = β l n x i + ε i , ε i = λ ∑ i = 1 m W i j ε i + μ i
式中： μ i是残差扰动项； λ是空间误差系数，反映相邻区域因被解释变量的误差冲击对本区域观测值的作用程度； W i j ε i为空间滞后扰动项；其他参数与式（3）一样。

1.3 理论框架构建与影响因素选择

房子作为商品，卖方市场的供给侧主导着供给质量，而买方市场的需求侧决定着市场规模，两者之间的相互关系直接影响房价的总体态势。但市场行为固有的缺陷，又离不开政府对资源流动的引导和交易行为的规范。通常情况下，经济增长越快的城市，人口、物质、资本等生产要素的集聚规模越大，对房地产市场发展的作用越明显。固定资产投资规模影响区域市场规模，过度投资或投资不足都将导致市场供求失衡，不利于房地产市场健康发展。人均城市居住用地面积反映人均居住空间占有率，随着居民对居住空间规模和质量的要求不断提高，人均城市居住空间规模大小，直接影响居民对新建住房的选择，进而影响城市房价的走势。人口是影响住房需求的重要因素，人口密度越高，潜在住房需求越大，人们对房地产的市场预期持看涨心态。工资的高低直接关乎居民生活支付能力，尤其是在按揭购买占主导地位的当前，支付能力对居民购房具有显著影响，对城市房价产生直接作用。随着城市要素集聚，城市规模不断扩张，但受区域土地供给的影响，往往是省会城市或区域中心城市得到更多用地指标，而其他城市则相对偏少，这直接影响城市住房供给，进而影响房价。城市等级是城市商业资源集聚性、城市枢纽性、城市人活跃度、生活方式多样性和未来可塑性的综合体现，等级越高，说明城市发展势头越猛，对各类要素资源的吸引力越强，对城市经济增长和市场需求具有较大的影响，并最终作用于房价。综合来看，房价的波动，不仅是人的心理、行为对空间的态度和选择的结果，也受市场资源配置和政府调控的影响（图1）。
图1 住房价格增长及其作用因素理论框架

Fig.1 Theoretical framework for housing price growth and its contributing factors

根据房价波动与经济发展、市场预期、城市吸引力、投资规模、支付能力、土地供给等发展变化的相互作用关系，遵循指标的科学性和综合性，以及因子的主导性和房价变化的滞后性，本文选取2014—2017年人均GDP（x1）、人均固定资产投资（x2）、人均居住用地面积（x3）、人口密度（x4）、职工平均工资（x5）、人均建成区面积（x6）和城市等级（x7）共7个指标作为自变量，分别反映经济增长、投资规模、空间博弈、市场预期、支付能力、土地供给和城市吸引力，2015—2018年中国城市住房价格绝对增长值作为因变量（Y），进行回归分析。具体变量及涵义见表1。
表1 住房价格增长差异的影响因素指标体系

Tab.1 Indicator system of factors affecting the difference in housing price growth

指标名称 指标涵义 指标计算
人均GDP（x1） 经济增长 GDP/总人口2017-2014
人均固定资产投资额（x2） 投资规模 固定资产投资/总人口2017-2014
人均居住用地面积（x3） 空间博弈 居住用地面积/总人口2017-2014
人口密度（x4） 市场预期 总人口/区域总面积2017-2014
职工平均工资（x5） 支付能力 职工平均工资2017-2014
人均建成区面积（x6） 土地供给 建成区面积/总人口2017-2014
城市等级（x7） 城市吸引力 2017年第一财经城市分级标准

注：“2017-2014”表示该指标2017年数值减去2014年数值，所得结果为对应自变量值。

2 中国城市住房价格的增长特征

2.1 中国城市住房价格变化的整体特征

从房价增长值来看，2015—2018年共有210个城市的住房价格增长值为0~3 000元/m2，占样本总数的70%；增长值为3000~6 000元/m2的城市共有59个，占全部样本的20%；6 000元/m2以上的城市共有20个，占样本总数的7%；住房价格下降的城市数量仅有9个，占全部样本的3%。可以看出，2015—2018年中国城市住房价格增长幅度以6 000元/m2以下为主，占样本总数的90%（图2）。
图2 2015—2018年中国城市住房价格绝对增长值与增长率情况

Fig.2 Absolute growth and growth rate of urban housing prices in China，2015-2018

从增长率来看，增长率为0~30%的城市共有110个，占全部样本的37%；30%~50%的城市共有85个，占全部样本的29%；50%~70%的城市有61个，占全部样本的20%；70%~130%的城市有33个，占全部样本的11%。可以看出，2015—2018年住房价格增长率以0~70%为主，占到全部样本总数的86%。

2.2 不同等级城市住房价格变化特征

根据第一财经划分标准，对不同等级城市房价及其变化进行统计分析（图3）。可以看出，不同等级城市的房价及其变化呈现出不同的特征：①城市等级越高，房价越高。一线城市2015年住房平均价格为1 5367元/m2，2018年为23 324元/m2，均高于其他城市住房价格。②城市等级越高，住房价格增长值越大。一线城市2015—2018年房价平均增长了7 957元/m2，二线城市增长了4 863元/m2，三线城市增长了2 698元/m2，四线城市增长了1 706元/m2，五线城市增长幅度不足1 000元/m2，为971元/m2。③城市房价增长率随城市等级的上升而上升。一线城市2015—2018年房价增长了58%，略高于二线城市的57%，显著高于三线城市的47%、四线城市的35%和五线城市的23%。值得注意的是，二线城市和三线城市房价增长值虽然较一线城市差距较大，但增长率却处于高位，分别为57%和47%。综上，2015—2018年中国房价变化的整体特征为：一线城市领跑，二线城市强劲，三线城市崛起，四线城市相对平稳，五线城市疲软。
图3 2015—2018年中国不同等级城市住房价格及其变化

Fig.3 Housing prices and their changes in different grades of cities in China (2015-2018)

2.3 城市住房价格增长的空间格局

2015—2018年中国城市住房价格变化具有显著的空间集聚性（图4）。具体来看，增长值为负的城市数量较少，主要分布在北方，如鞍山、阜新等城市；3 00~6 000元/m2的城市呈“局部集聚，整体分散”的态势，集聚区位于一线城市周边，以及各省会城市和部分区域中心城市（如郑州、成都、西安、青岛等）；增长幅度超过6 000元/m2的城市数量较少，主要分布在沿海地区，如上海、广州、深圳等。
图4 2015—2018年中国城市住房价格增长的空间格局

Fig.4 Spatial pattern of urban housing price growth in China (2015-2018)

从增长率来看，南方城市住房价格增长幅度整体高于北方，区域中心城市高于非中心城市。具体来看，增长率高于50%的地区主要集中分布在京津冀城市群、成渝城市群、长三角城市群、珠三角城市群、长江中游城市群，呈菱形空间结构；增长率在30%~50%的城市分布范围较广，但主要集中分布在黄淮平原和长江中下游平原地区；低于30%的城市主要分布在东北、西南和西北地区。

3 住房价格增长的影响因素

3.1 住房价格增长差异的整体影响因素分析

3.1.1 模型参数诊断检验

对2015—2018年中国298个城市住房价格增长空间差异的影响因素进行回归分析，模型参数见表2，各项系数均通过了显著性检验。其中，SLM的对数似然函数值比OLS和SEM的LOGL大，且赤池信息准则（AIC）和施瓦茨准则（SC）比OLS和SEM的值小，依据Anserlin模型选取标准，可知空间计量模型结果比传统的OLS回归模型结果拟合效果更好。再根据拉格朗日乘数和稳健性检验统计量，可以看出，LMLAG和LMERR的统计量都通过了模型的显著性检验，但是R-LMERR未能通过统计量5%水平下的检验，因此空间滞后模型更加适合对住房价格增长空间差异的解释。
表2 OLS模型结果的诊断检验

Tab.2 Diagnostic test of OLS model results

检验统计量 统计量 P值
Breusch-Pagan 2.968 0.888
Koenker-Bassett 0.594 0.999
Moran's I (error) 3.160 0.002
LM-SARMA 19.504 0.000
LM-LAG 18.508 0.000
R-LMLAG 10.789 0.001
LM-ERR 8.715 0.003
R-LMERR 0.996 0.318
模型 R2 LOG-L AIC SC
OLS 0.522 -84.735 185.471 215.048
SLM 0.553 -75.595 169.191 202.464
SEM 0.543 -80.208 176.417 205.993

3.1.2 影响因素分析

从表3可以看出，经济增长、投资规模、市场预期、支付能力、土地供给和城市吸引力因子均通过了显著性检验，且与住房价格增长为正相关关系。其中，经济增长因子是2015—2018年房价上涨的主导因素，即经济增长幅度越大，住房价格增长越多。这可能是因为，经济增长越快的城市，人口、物质、资本等各类要素的集聚能力越强，产业规模扩张越快，相应地，居民收入和城市规模增长速度越快，市场对各类住房的需求越大，住房价格增长也就越多。
表3 OLS、SLM、SEM模型估计结果

Tab.3 OLS, SLM, SEM model estimation results

变量 OLS SLM SEM
系数 t P 系数 t P 系数 t P
X1 0.364** 2.923 0.004 0.278** 2.315 0.021 0.332*** 2.696 0.007
X2 0.223* 1.811 0.071 0.197* 1.675 0.093 0.178 1.433 0.152
X3 0.324 0.913 0.362 0.428 1.262 0.207 0.257 0.778 0.437
X4 0.136*** 3.110 0.002 0.115*** 2.741 0.006 0.130*** 2.951 0.003
X5 0.088** 2.308 0.022 0.088** 2.411 0.016 0.171 2.547 0.011
X6 0.189** 2.540 0.012 0.174** 2.443 0.015 0.207** 2.372 0.017
X7 0.216*** 12.245 0.000 0.205*** 12.079 0.000 0.241*** 11.764 0.000

注：*、**、***分别表示显著性水平为0.1、0.05、0.01。

2014年全国房价出现下跌现象，紧接着2015年发生“股灾”，为维护经济平稳运行，2015年国家发布了“930”房贷新政、央行降息、降低存款基准利率等“救市”政策，区域投资规模快速上涨，加剧了房地产“泡沫化”，致使住房价格快速上涨[27]。人口密度增长越大的地区，往往房地产市场的买方市场竞争越激烈，人们对房价上涨的预期通常较积极，住房价格增长的幅度也越大。职工平均工资反映个人的支付能力，在按揭购房比例占主导地位的形势下，支付能力的提高，在一定程度上提高了居民的购房欲望，增加了市场需求。土地供给增长越快，住房价格上涨幅度越大，这可能是因为在全国兴起建设新城新区的风潮下，各大城市更加注重工业用地和商业用地的扩张，而忽略了居住用地的增加，导致供给和需求的不平衡。城市吸引力越大，住房价格增长幅度越大，这是因为城市吸引力大的城市商业资源集聚程度高，交通便利，城市活力强，社会文化多样性丰富，对人口、资本等要素的吸引力强，结果住房需求市场火爆，房价增长幅度高于低吸引力城市。综上所述，城市住房价格增长的差异主要由人均GDP、人均投资规模、人口密度、职工工资、土地供给和城市吸引力共同影响。虽然2015—2018年房价上涨属于短期现象，受到政策、信贷、货币、市场环境等因素影响，但经济增长的差异是各城市住房价格增长差异的主导因素。

3.2 不同等级城市房价增长影响因素分析

3.2.1 模型参数估计

依据2017年第一财经城市等级划分标准，将298个城市分为五类：一线城市（将一线城市与新一线城市并为一类）、二线城市、三线城市、四线城市、五线城市，五类城市房价增长幅度分别作为因变量（Y1、Y2、Y3、Y4、Y5），相应城市人均GDP、人均固定资产投资、人均居住用地面积、人口密度、职工平均工资和人均建成区面积作为自变量（x1、x2、x3、x4、x5、x6），分别对因变量与自变量进行OLS回归分析。从表3可以看出，模型1和模型3在0.05水平下显著，模型2在0.1水平下显著，模型4和模型5在0.01水平下显著，D-W参数在1.5~2.5之间，模型均不存在自相关问题，而且5个模型的其他参数均通过了显著性检验。

3.2.2 影响因素分析

一线城市房价变化的主要影响因素为投资规模和人口密度（表4），且是正相关关系。2015年11月10日，中央财经工作领导小组会议提出：“要化解房地产库存”[39]，房价增长较快的一线城市，投资规模受到限制，与2015年相比，2018年一线城市人均固定资产投资平均减少了14 000元，下降了16%，一定程度上削减了一线城市房地产市场供给量。然而，2015—2018年一线城市人口净流入规模持续增加，短时间出现了需求大于供给的现象，直接推动了房价快速上涨。
表4 模型参数估计

Tab.4 Model parameter estimation

参数 Model 1 Model 2 Model 3 Model 4 Model 5
R2 0.475 0.350 0.181 0.185 0.189
S.E. 0.344 0.336 0.306 0.395 0.245
Log-L -2.291 -6.179 -12.610 -38.919 2.536
F-Sta. 2.481 2.151 2.283 3.026 3.302
Prob 0.042 0.084 0.047 0.010 0.006
Mean-D -0.88 -1.232 -1.583 -1.775 -1.989
S.D.-D 0.407 0.372 0.323 0.422 0.263
AIC 0.978 0.850 0.568 1.056 0.097
SC 1.326 1.174 0.795 1.254 0.289
H-N 1.037 0.956 0.658 1.135 0.174
D-W 1.921 2.018 2.345 1.995 2.130

注：Model 1、…、Model 5分别代表一线城市、……、五线城市。

二线城市房价变化的主要影响因素为市场预期，二者为正相关关系。二线城市一般为省会城市或区域中心城市，在我国快速城市化背景下，承接了大量农村人口，人口的大规模集聚，增加了城市住房需求，加剧了市场竞争，对住房价格的正向促进作用较强。
三线城市房价变化的主要影响因素为空间博弈和土地供给，且均为正相关关系。在2015年救市政策推动下，大量资本流入三线城市，但由于三线城市的经济体量有限，短期内难以消化巨量的资本，于是房地产成为资本的“吸纳器”，而土地供给的增加使得更多的资本进入房地产市场，造成恶性循环效应，导致三线城市炒房现象越演越烈，直接推升了房价。
四线城市住房价格增长的主要影响因素为经济增长、市场预期、土地供给，且均为正相关关系。其中，经济增长为四线城市房价上涨的主导因素。在人口密度下降和土地供给增加背景下，经济增长驱动的四线城市房价，整体呈平稳增长态势（2015—2018年平均增长1 706元/m2）。
表5 模型回归结果

Tab.5 Model regression results

变量 Model1 Model2 Model3 Model4 Model5
系数 P值 系数 P值 系数 P值 系数 P值 系数 P值
X1 -1.083 0.183 0.770 0.298 0.040 0.856 1.178** 0.046 0.144 0.318
X2 1.036*** 0.006 -0.018 0.984 0.348 0.336 -0.027 0.951 0.419** 0.025
X3 -0.114 0.799 0.919 0.596 1.956* 0.054 1.906 0.440 0.240 0.656
X4 0.478*** 0.004 0.580* 0.061 0.057 0.405 0.189* 0.088 -0.242* 0.087
X5 -0.060 0.790 -0.240 0.524 0.104 0.572 0.128 0.312 0.039 0.266
X6 2.447 0.182 -1.223 0.421 0.464** 0.028 0.224* 0.065 0.177 0.146
R2 0.475 0.350 0.181 0.185 0.189 R2 0.475 0.350 0.181 0.185

注：Model 1、…、Model 5分别代表一线城市、……、五线城市；*、**、***分别表示显著性水平为0.1、0.05、0.01.

五线城市房价增长的主要影响因素为投资规模和市场预期。其中，投资规模与房价增长呈正相关关系，市场预期与房价增长呈负相关关系。低等级城市经济增长乏力，就业机会少，收入低，人口吸引力较弱（2018年相对2015年，五线城市人口密度下降了约5%），房地产市场预期平淡，五线城市房价在投资规模增长的刺激下，整体呈缓慢增长态势。

4 结论与讨论

4.1 结论

本文以安居客网站公布的2015—2018年城市住房价格为基础，从全国和城市等级两个维度，建立住房价格增长的分析模型，考察了2015—2018年房价上涨的综合特征及其形成的内在机制。
结果表明：①2015—2018年全国绝大多数城市的住房价格都呈上涨趋势，而且增长幅度随城市等级的提高而提高，增长幅度最大的一线城市达7 957元/m2，增长幅度最小的五线城市增长了971元/m2。从空间特征来看，增长幅度较大区域主要集中分布在京津冀城市群、长三角城市群、珠三角城市群；此外，各省会城市增长幅度也较大。
②通过显著性检验发现，房价增长存在显著的空间依赖性，即地理临近效应，我们选用了考虑空间权重的空间自回归模型探测了其影响因素，发现：经济增长、投资规模、市场预期、支付能力、土地供给和城市吸引力5个因子，是2015—2018年全国住房价格增长差异的主要影响因素，其中经济增长是主导因素。
③从城市等级来看：伴随城市化发展，要素资源逐渐向经济发展较好的高等级城市集聚，作为国家经济增长极的一线和二线城市吸纳了大量流动人口，房地产市场预期向好，居民购房需求居高不下。此外，在“去库存”“供给侧改革”背景下，一线和二线城市固定资产投资受到限制，尤其是2015—2018年一线城市投资规模出现下降趋势，加剧了供求矛盾，导致住房价格大幅度上涨。资本的大规模涌入和土地供给增加，导致三线城市房地产市场过度膨胀，是2015—2018年三线城市房价上涨的主要原因；经济增长驱动下的四线城市住房价格增长总体较平稳；而投资规模小幅增长，房地产市场预期平淡，是五线城市房价缓慢增长的主要原因。

4.2 讨论

中国的城市化进程仍在持续，未来仍有大量农村人口向城市迁移，城市住房需求将继续增长。但随着社会经济发展，人口流动方向、规模和人口结构会呈现出新的特点，对房地产市场发展产生深刻影响。首先，在经济极化背景下，人口迁移会形成第二层次的再迁移现象，即人口由低等级城市向高等级城市流动。第二，随着经济的发展，会逐渐出现住房置换现象，即由小房子向大房子转变，由低居住需求向高质量要求转变。第三，鼓励生育政策的实施，新生婴儿增多，而原有以小规模家庭为标准，设计的小户型住宅将难以满足生活需求，会形成新一波住房需求结构的变动。
因此，要统筹推进区域协调发展，引导要素资源的均衡流动，避免要素过度集聚，造成区域差距的进一步扩大。坚定不移贯彻“房住不炒”理念，充分发挥政府宏观调控职能，增强政策的针对性和时效性，促进房地产市场健康发展。遵循经济发展规律，审慎出台干扰市场经济运行的措施，综合协调城市住房需求市场和供给市场的关系，不能因控制房价而逆经济发展规律，人为阻挡人口的流动。高等级城市，未来应重点调整住房结构，加快外来人口市民化进程，实现城市外来人口和本地人口社会福利的无差别化；加快环境污染治理，提升城市环境质量，建设宜居宜业的现代化都市。低等级城市，加快城市更新升级，特别是加强棚户区改造，增加建设用地指标，提高住房设施水平；在土地供给、政策优惠等方面向低等级城市倾斜，适当增加土地供给，满足城市发展需求；要注重区域文化挖掘，形成特色鲜明、富有魅力的城市文化，进而增强城市吸引力，留住人口和资本。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
夏晓伦, 杨曦. 中央经济工作会议在北京举行习近平李克强作重要讲话[EB/OL]. ttp://finance.people.com.cn/n1/2016/1216/c1004-28956355.html,2016-12-16.

[2]
孟勉, 李文斌. Hedonic和结构方程模型下的北京别墅价格分析[J]. 经济地理, 2006(S1):166-171.

[3]
宋伟轩, 马雨竹, 李晓丽, 等. 南京城市住宅小区房价增长模式与效应[J]. 地理学报, 2018, 73(10):1 880-1 895.

[4]
兰峰, 焦成才. 商品住房价格空间分异特征及演化机理研究[J]. 财经问题研究, 2018(6):138-144.

[5]
梅志雄, 黎夏. 基于ESDA和Kriging方法的东莞市住宅价格空间结构[J]. 经济地理, 2008, 28(5):862-866.

[6]
汤庆园, 徐伟, 艾福利. 基于地理加权回归的上海市房价空间分异及其影响因子研究[J]. 经济地理, 2012, 32(2):52-58.

[7]
吴群, 高慧琼. 供求关系对大都市商品住宅价格作用机理的分析——以南京市为例[J]. 中国土地科学, 2006(2):51-56.

[8]
黄映红, 陈瑞. 住房价格、供求关系与区域差异——基于省级面板数据的实证研究[J]. 管理现代化, 2018, 38(6):83-85.

[9]
瞿富强, 郭艳. 基于对数线性模型的商品住房供给侧关键影响因素分析[J]. 统计与决策, 2018, 34(24):72-74.

[10]
吴梓境, 张波, 朱琳. 产业升级、增长联盟与住房供给弹性——基于35个大中城市的数据分析[J]. 统计与信息论坛, 2019, 34(4):83-89.

[11]
郑洁, 左翎, 宋玮奇. 土地财政与住房价格关系的统计检验[J]. 统计与决策, 2019, 35(7):162-165.

[12]
况伟大. 房价与地价关系研究:模型及中国数据检验[J]. 财贸经济, 2005(11):58-65,107.

[13]
刘琳, 刘洪玉. 地价与房价关系的经济学分析[J]. 数量经济技术经济研究, 2003(7):27-30.

[14]
陆铭, 张航, 梁文泉. 偏向中西部的土地供应如何推升了东部的工资[J]. 中国社会科学, 2015(5):59-83,204-205.

[15]
高峰, 叶剑平. 基于GWR模型的轨道交通对沿线住房价格影响研究——以武汉市地铁2号线为例[J]. 价格月刊, 2019(4):1-6.

[16]
梅志雄, 徐颂军, 欧阳军, 等. 广州地铁三号线对周边住宅价格的时空影响效应[J]. 地理科学, 2011, 31(7):836-842.

[17]
石忆邵, 郭惠宁. 上海南站对住宅价格影响的时空效应分析[J]. 地理学报, 2009, 64(2):167-176.

[18]
张维阳, 李慧, 段学军. 城市轨道交通对住宅价格的影响研究——以北京市地铁一号线为例[J]. 经济地理, 2012, 32(2):46-51,65.

[19]
温海珍, 李旭宁, 张凌. 城市景观对住宅价格的影响——以杭州市为例[J]. 地理研究, 2012, 31(10):1 806-1 814.

[20]
邱煜卿, 张振龙. 住房价格与公共服务设施水平的关系研究——以苏州市主城区为例[J]. 上海城市规划, 2018(6):102-107,136.

[21]
张文忠. 城市居民住宅区位选择的因子分析[J]. 地理科学进展, 2001(3):267-274.

[22]
陈国进, 李威, 周洁. 人口结构与房价关系研究——基于代际交叠模型和我国省际面板的分析[J]. 经济学家, 2013(10):40-47.

[23]
蒲火元, 曹宗平, 李超. 人口流动对中心城市房价的影响:以广州为例[J]. 南方人口, 2018, 33(5):27-40.

[24]
徐建炜, 徐奇渊, 何帆. 房价上涨背后的人口结构因素:国际经验与中国证据[J]. 世界经济, 2012, 35(1):24-42.

[25]
陈斌开, 张川川. 人力资本和中国城市住房价格[J]. 中国社会科学, 2016(5):43-64,205.

[26]
王洋, 王德利, 王少剑. 中国城市住宅价格的空间分异格局及影响因素[J]. 地理科学, 2013, 33(10):1 157-1 165.

[27]
辜胜阻, 刘江日. 城镇化要从“要素驱动”走向“创新驱动”[J]. 人口研究, 2012, 36(6):3-12.

[28]
况伟大. 空间竞争、房价收入比与房价[J]. 财贸经济, 2004(7):79-86,96.

[29]
黄静, 屠梅曾. 房地产财富与消费:来自于家庭微观调查数据的证据[J]. 管理世界, 2009(7):35-45.

[30]
易君健, 易行健. 房价上涨与生育率的长期下降:基于香港的实证研究[J]. 经济学(季刊), 2008(3):961-982.

[31]
陈广桂. 房价、农民市民化成本和我国的城市化[J]. 中国农村经济, 2004(3):43-47.

[32]
张小溪, 郭路. 房地产对经济增长的影响研究——基于理论模型的分析[J]. 城市与环境研究, 2018(3):42-63.

[33]
李有福. 住房价格波动对我国城镇居民消费的影响[J]. 甘肃金融, 2019(1):46-51.

[34]
骆永民. 城市化对房价的影响:线性还是非线性?——基于四种面板数据回归模型的实证分析[J]. 财经研究, 2011, 37(4):135-144.

[35]
高波, 陈健, 邹琳华. 区域房价差异、劳动力流动与产业升级[J]. 经济研究, 2012, 47(1):66-79.

[36]
孙祺. 2017中国城市商业魅力排行榜[EB/OL]. https://www.yicai.com/news/5293378.html,2017-05-25.

[37]
崔娜娜, 冯长春, 宋煜. 北京市居住用地出让价格的空间格局及影响因素[J]. 地理学报, 2017, 72(6):1 049-1 062.

[38]
Anserlin L, Syabri I, Kho Y. GeoDa:an introduction to spatialdata analysis[J]. Geogr Anal, 2006(38):5-22.

[39]
刘琼. 习近平主持召开中央财经领导小组第十一次会议[EB/OL]. http://www.xinhuanet.com/politics/2015-11/10/c_1117099915.htm,2015-11-10.

Options
Outlines

/

〈 〉