特征价格法（精选8篇）
特征价格法 篇1
1 住宅特征价格模型的基本概念
特征价格模型一般可以理解成:可以为人们带来有效参考的价格模型。其核心主体是实际产品中能满足人们需求的各种特征价格总和。
我们所阐述的住宅价格模型特征是房屋内在的各种客观特征, 因此排除了人为的主观评价。其主要特征有如下几类:住宅的区位特征、周围环境特征与住宅本身特征三类。
我国住宅价格特征研究是近几年开展起来的, 但是相对数据较为匮乏。随着数据的逐渐完整, 人们日益关注房地产价格, 更多的专家开始研究该模式对下的住宅价格。
特征价格模型中涉及的主要指标有:住宅的区位特点、层数、绿化、车位、物业费用、装修水平、物业、通讯以及供水等方面。这些因素中, 区位与物业级装修是影响价格的重要指标。
该式中, 因变量是Y, 而Xi则代表着住宅价格;经过Box-cox进行转换后的普通自变量;Zj则是未通过Box-cox转换的自变量;Ε属于误差项;β, α, θ和λ是模型需要估计的参数。假设θ与λ为1, 则2式属于多元线性模型;当其为0而为1时, 则属半对数模型;如果都为0时, 模型则属对数线性。上述三种模型是以往常用的研究住宅价格的模型。
2 模型的样本和数据
2.1 住宅资深价格的重要指标
主要有:面积、卧室数、客厅数、厕所数、住宅所属楼盘是否为高层/小高层/低层, 所处楼层上部/中部/下部, 住宅的建筑年龄, 朝向及是否南北通透等方面。
此外, 住宅建筑是低层、小高层或者高层也影响到住宅价格水平。
2.2 影响价格的住宅区位特征 (因变量)
相关指标包括:DT代表与天安门之间的距离———以北京为例, 通常该距离为直线距离。与城市CBD的距离表示为DC。距离地铁站的直线距离DS。以此确定该区域是否位于城市的核心区域。
一般国际上将距离CBD的距离作为反效应住宅价格的重要指标。其确定依据是往返CBD与住宅之间的通勤成本。
2.3 住宅环境指标
环境指标中的重要因素包括:治安、空气质量、教育及噪音等。本文主要针对教育与环境进行阐述。国内大中城市通常将学区房作为一个重要环境因素, 但是这种影响因素缺乏较具体的量化指标。一般会考虑城市重点小学是否与住宅之间的关系来衡量教育因素对其价格影响程度。
此外其他的环境因素一般选择湖泊与公园对住宅的影响, 城市中的主要风景点, 如:杭州西湖、北大未名湖等都会直接影响到住宅价格。
3 特征价格模型研究
3.1 模型的主要计算方式
第一, 各种自变量的共线性回归分析。由于DT与DC之间有多重共线性, 分别把DT和DC移除, 然后进行回归, 然后使用逐步排除的办法进行半对数线性回归、线性回归以及对数线回归到模型当中。依照该方法对住宅的面积与卧室数量及客厅数量确定共线性并进行排除。
第二, 对各种因变量进行转换, 当数值接近0的时候对因变量进行对数转换。
3.2 价格特征模型的解释
通过对模型调整可以解释住宅总价变量的88.4%左右。计算表明接近市中心或者靠近湖泊的住宅相对价格更高些, 而年代较长的价格价格则偏低。同时, 住宅面积、客厅卧室数量以及是否是学区、是否通透、房屋层数等都会直接影响到住宅价格。以下就主要变量进行分析:
3.2.1 面积 (S) 变量
当变量系数达到0.931时, 住宅面积如增加1%, 其总价会增加0.931%左右。这就证明, 随着住宅面积的增加, 购房者的购买力对当前价格水准影响偏弱。
3.2.2 是否位于学区范围内 (E) 的变量
当变量系数达到0.221, 学区住宅价格会远高于其他区域住宅价格, 通常超出其他区域24.7%左右。
3.2.3 是否位于经济发达区域 (NC) 的变量
通过计算, 如果住宅所在区域经济较好会与之较差的高出34.4%左右。这种数字差异反映出该因素对住宅价格的直接影响。
3.2.4 距离最近的河流或湖泊的距离 (DR) 的变量
实际证明, 住宅距离湖泊等距离的增加会直接影响房屋总价, 通常, 每增加1%总价会降低0.018%左右。因此, 一般普通住宅价格对周围生活环境敏感度不高。
3.2.5 变量NS, 房屋是否南北通透
转换数据证明, 同等条件下, 如果南北通透, 其价格会高出非通透住宅的4.1%左右。
4 城市轨道交通对沿线住宅的影响
4.1 轨道交通影响住宅价格的理论基础
4.1.1 区位因素
该理论因素是城市核心经济理论之一, 住宅价格与交通成本之间有关系密切, 因此, 轨道交通因素就成为特征模型中的重要构成。轨道交通是否便捷也直接反映出住宅区域位置的区位优势是否明显。因此, 该因素直接影响着土地价格与住宅价格。
4.1.2 地租地价因素
由于土地的更急不同, 直接造成了地租的级差。轨道交通可在某种程度上提升城市的价值, 因此属于租Ⅱ。
4.1.3 城市土地的增值因素
由于城市政府部门不断加大公共设施的投入, 造成土地收益率的逐渐增加。因此, 轨道交通大大提升了土地的利用价值。
4.1.4 房地产价值因素
住宅价格究其本质反映的是房地产的价值, 进而以买卖的成交价和租金的形式体现出来。所以, 我们研究住宅价值变化依据的是价格的增幅。
4.2 城市轨道交通影响住宅价格的主要研究方法
城市轨道交通附近区域住宅价值影响分析主要有:交通成本模型、特征价格模型以及地价函数法。研究表明, 轨道交通直接产生住宅生产溢价, 并且随着与主城区距离的由近及远直接造成价格的上浮。因此, 相对偏远的区域对轨道交通的依赖性更强。主城区由于交通方式较多, 依赖程度反而会有所弱化。随着与轨道交通站点距离的增加和出行时间的增加, 其影响程度也会逐渐弱化。
5 结语
综上所述, 我国住宅价格的特征价格模型影响因素众多, 住宅所在区域、学区房、城市轨道交通等成为影响价格的主要指标。由于该项研究在我国刚刚起步, 需要我们逐渐深入的研究才能更好的以数字化指标反映出最终的住宅价格。
参考文献
[1]王德, 黄万枢.外部环境对住宅价格影响的Hedonic法研究[J].住区规划研究, 2007, 31 (9) .
[2]龚江辉.北京市住宅价格决定因素分析与政策思考[J].北京社会科学, 2009 (1) .
[3]张晓光, 张红.基于Hedonic模型的北京住房市场交易信息成本[J].清华大学学报 (自然科学版, 2009, 49 (3) .
特征价格法 篇2
摘要：Hedonic价格模型可用来分析商品价格与其特征属性的关系，常被用来研究特征差异较大的商品。为解决Hedonic价格模型应用中常遇到的样本特征属性缺失的问题，文章对Hedonic价格模型通过添加辅助变量来进行改进。结果表明：（1）改进后的模型与原模型具有相同的隐含价格，添加变量的回归系数就等于缺失特征属性的估值;（2）通过仿真随机模拟，发现本改进方法回归结果更加接近特征完整时的结果;（3）将改进的模型应用于深圳市写字楼市场的绿色建筑溢价研究，有效解决了特征缺失的问题，计算出绿色建筑溢价为14.6%。因此，更加适用于有特征缺失的样本存在的情形。
关键词：Hedonic价格模型;特征缺失;模型改进;绿色建筑溢价;深圳写字楼
一、 引言
Hedonic价格模型认为商品由商品的各个属性组成，商品价格由商品的特征属性带给人们的效用决定。因此Hedonic价格模型被广泛用来研究特征差异明显（异质性）的商品，尤其适用于房地产管理和土地管理等领域。
房地产和土地的价格主要由它们的特征属性（如地点区位、容积率、绿化率、周边生态环境和便利设施等）所决定，因此常用Hedonic价格模型来分析特征属性对价格的影响，这是对Hedonic价格模型比较主流和常见的应用。Heintzelman等（2012）利用Hedonic价格模型分析出风力发电场附近地价会有显著下降，进而推出大规模风力发电设施会对人们的居住环境造成不利影响。Chen等（2010）利用Hedonic价格模型研究了台北酒店客房价格影响因素，发现互联网的接通等与工作相关的因素在周工作日对价格影响较大，而房间面积等与享受相关的因素在周末对价格影响较大。酒店位置则在任何时间都对价格有较大影响，并参考这一结论给出了相应的酒店管理建议。Eichholtz等（2013）利用Hedonic价格模型分析美国商业地产的绿色建筑溢价，他们将样本特征属性用0-1变量进行量化，并且通过划分位置集类，对位置特征属性设置哑元变量的方法排除了地点特征对计算结果的干扰，最终得出绿色建筑溢价约为16%。
在研究其他异质性较强的商品时，也经常会用到Hedonic价格模型。Waltert等（2010）利用Hedonic价格模型研究了景观设施与区域经济发展之间的关系。他们将一个区域作为Hedonic价格模型的研究对象（商品），景观设施数作为主要研究的特征属性，发现景观设施数目的增多会吸引高素质移民、提升地价，进而间接促进地方经濟发展。因此建议在社会公共管理中加强对景观设施的保护。Panzone等（2011）利用Hedonic价格模型分析了东欧产红酒在西欧市场的竞争力影响因素，发现品牌价值影响较弱，而产品质量影响较强，尤其是果味的影响较大。因此建议制酒企业应该加强质量管理，尤其是原料供给管理。
在应用Hedonic价格模型的研究中，因为交易市场管理不完善、统计困难、新产品发行等原因，不可避免的会遇到数据缺失的问题。高艳云（2010）将Hedonic价格模型与缺失数据的插补法相结合，解决了产品价格缺失的问题，编制了中国笔记本电脑价格指数，为笔记本的价格管理提供了参考。雷怀英等（2011）对比分析了存在质量偏差时缺失价格估计的常用方法：均值插补法、交叠插补法和Hedonic插补法，指出Hedonic插补法相对其他方法应用条件较为宽松，应用范围广。
然而，上述Hedonic插补法仅适用于商品价格数据（因变量）缺失的情况，不适用于商品特征属性（自变量）缺失的情况。但是，在实际研究中会经常遇到商品特征属性缺失的情况。以房地产市场为例，我国很多城市房地产统计数据有限，房屋市场存在时间太短，很多房地产特征属性统计缺失，很大程度影响了中国房地产领域的发展。现有研究通常会剔除特征属性缺失的样本，但是当剔除样本较多时会影响研究结果的准确性。针对这种情况，在本研究中我们尝试对Hedonic价格模型进行改进，使得Hedonic价格模型适用于样本特征缺失的情况。
结果说明，深圳市写字楼的绿色建筑溢价为14.6%，在1%的水平下显著，说明在深圳人们选择写字楼时会关心建筑的节能环保属性，绿色建筑在深圳市写字楼市场获得了一定程度的认可，绿色建筑可以为写字楼带来增值，提升经济效益。甲级写字楼带来的溢价最高，为24.5%，因为办公建筑等级代表了办公建筑的主观质量评级，评价相对比较综合，是衡量办公建筑竞争力的最重要的重要标准。高层所带来的溢价次之，达到23.0%，主要因为高层或超高层办公建筑往往是地标性建筑，可以从办公地点方面提高租赁项目的公司的知名度，因此公司在租赁办公建筑的时候愿意为此花费较多的溢价。写字楼的新旧程度是又一个重要的标准，2007年之后竣工所产生的溢价为19.8%。装修所产生的溢价仅4.7%，且并不显著，表明人们在选择办公建筑时，对是否有装修的关心程度并不高。
六、 结论与展望
在本研究中，通过对Hedonic价格模型添加辅助变量，有效地解决样本特征缺失的问题。同时，也能满足隐含价格不变，添加的回归系数等于缺失特征的估计的性质。结果表明，添加辅助变量的改进方法比直接对缺失特征进行估计计算结果要准确，比EM算法适用条件更广。但是，会增加回归系数，减少自由度。因此建议当缺失属性的样本较多时采用本改进方法。在绿色建筑溢价研究的实证分析中，我们利用模型的这一模型有效的结局了深圳市写字楼市场特征缺失的问题，求出其绿色建筑溢价为14.6%，且在1%水平下显著，表明深圳市的绿色写字楼已经获得人们的认可。
本研究方法在应用于线性形式时，虽然可以比较准确的计算出隐含价格，但对常数项的估计还有所欠缺。此外该改进方法目前只能对参数估计的Hedonic价格模型进行改进。但是有关Hedonic价格模型的研究还会涉及非参数估计的形式，接下来我们还将会对非参数估计下样本特征属性缺失时的Hedonic价格模型进行改进。
参考文献：
[1] 刘慧媛，杨忠直.Hedonic价格理论分析[J].现代管理科学，2011，（9）：11-13.
[2] 高艳云.质量调整的价格指数编制中hedonic插补法的应用[J].数理统计与管理，2010，29（6）：1077- 1083.
[3] 雷怀英，贾文军.匹配模型框架下价格指数质量的调整方法[J].统计与决策，2011，（24）：12-15.
[4] 陆艺.空间hedonic模型理论建模技术研究[D].武汉：华中科技大学学位论文，2012.
[5] 韩庆旭.EM算法在房地产特征价格模型中的应用[D].长春：吉林大学学位论文，2007.
基金项目：深圳市科技计划项目（基础研究）“深圳城市热环境、植被蒸腾及其降温效果的实验研究”（项目号：JCYJ20140417144423187），深圳市知识创新计划“深圳市有机溶剂废水的零排放与资源化平台建设及示范研究（重点实验室提升，项目号：JCYJ20130331145022339），深圳市哲学社会科学”十二五“划课题”圳市政公用事业特许经营法律制度研究”项目号：125C055）。
作者简介：邱国玉（1963-），男，汉族，内蒙古自治区阿拉善盟人，北京大学环境与能源学院教授、博士生导师，研究方向为环境金融、环境与能源信息工程、城市水文与生态水文;王硕（1990-），男，汉族，天津市人，北京大学环境与能源学院硕士生，研究方向为环境金融。
特征价格法 篇3
一、我国现行房地产价格指数编制方法述评
相对国外较为完善的房地产价格指数编制实践,我国房地产市场起步晚、发育不完善,一定程度上影响了房地产价格指数编制实践的发展。我国最早研究并公布的房地产价格指数是于1995年1月投入试运行的中房指数。中国目前公布的房地产价格指数有十余种,其中,全国性的房地产价格指数主要有中国房地产指数系统(ChinaReal Estate Index System,简称中房指数)、国房景气指数(House Prosperity Index)、城房指数(City Real Estate Index)(暂未公布)、全国70个大中城市房地产价格指数和戴德梁行指数;地方性的房地产价格指数主要有伟业指数、中原城市指数、西安40指数、大连今朝价格指数等。总体来看,现行房地产价格指数的局限性主要表现在编制方法和数据来源两个方面。
1. 编制方法上存在的不足。
在国内现行的房地产价格指数中,中房指数和70个大中城市房地产价格指数仍主要采用拉氏加权指数法,即仍采用一般商品价格指数的计算方法来进行计算。但由于房地产商品具有不可移动性和单一性,在报告期很难找到地理位置、楼层、朝向等特征与基期一样的替代样本。因而,在使用加权指数法编制房地产价格指数的实际操作中,前后期所选用的样本常常是不同的,或者说缺乏可比性,由此得到的价格指数也就很难反映城市房地产市场的真实供求关系。另外,在房地产市场发展迅速、结构变化较快的情况下,反映基期市场结构的权数,也会逐渐与现期市场结构脱节,这样虽然还能够在纵向上反映市场房价的变化趋势,但与城市房地产市场的实际运行情况存在一定的差距,降低了指数在城市之间的横向可比性。
城房指数中已经开始应用特征价格法,能够在同质可比的基础上,综合考察供求关系等市场因素决定的价格变动,消除了住宅物理特征、区位特征的影响和干扰,但其编制范围在目前也仅限于完全市场化的商品住宅,并没有把二手房、别墅等物业类型包括进来。具体操作时,各城市基本上是直接套用住房和城乡建设部统一下发的编制过程,特征变量的选择及模型形式的选择,缺乏对各城市房地产市场有针对性的考虑和设计。
2. 数据来源上存在的不足。
房地产交易数据是编制房地产价格指数的基础,也是保证指数科学性和准确性的关键。我国编制房地产价格指数取得数据的渠道,主要有市场调查和市场实际交易案例两种。
中房指数和70个大中城市房地产价格指数在测算时,主要依据抽样调查得来的数据。实际中,调查数据往往存在以下问题:(1)调查数据的可靠性不足。这主要是由于抽样调查单位通常都是在指标设计好后,将表格下发到相关房地产开发公司,由后者填写后进行上报。房地产开发公司出于各种顾虑,或由于对编制房地产价格指数的意义认识不足,很难完全客观、准确地填报数据。(2)调查数据的代表性不足。由于时间和人力的限制,在编制房地产价格指数时,调查单位不可能调查所有的城市房地产价格信息,只能选择一些样本点进行调查,具体操作时,一般选择具有一定规模的房地产开发公司或楼盘进行调查,而这样得到的价格信息,难以代表整个城市的房地产市场价格水平。(3)调查数据的内容也不够全面。如中房指数调查的对象是房地产开发项目,调查的价格是项目的基准价,这个价格不考虑各房屋在楼层、朝向、内部结构等方面的差异,只是针对整个项目给出一个总体价格,而无法得到记录房屋品质特征方面的信息。
一些区域性房地产价格指数,比如大连今朝指数,在编制时采用的是市场实际交易数据。与调查数据相比,实际交易数据更真实,记录的信息更全面。但从实际交易数据的来源看,实际交易数据也存在一定的问题。获得房地产实际交易数据的渠道主要有两个:一是房地产中介公司,绝大多数二手房交易都是通过房地产中介公司完成的,中介公司拥有大量的二手房交易数据,但这些样本数据在各区域和类型上的分布并不均匀,涵盖的范围也不全面,以此计算的价格指数可能会存在一定的偏差;二是各城市房屋交易中心,由于所有房屋的买卖合同都需要到房屋交易中心登记备案,所以从房屋交易中心可以了解到所有发生交易的房屋的信息,包括房屋的交易价格和房屋的主要品质特征等。但是通过房屋交易中心得到的数据,存在一定的滞后性,尤其是新建商品房数据。这主要是因为商品房合同的备案一般由开发商办理,而开发商为了省事常常是等到合同积攒到一定数量后集中到房屋交易中心办理,这样一来,商品房的实际购买时间与其登记备案时间存在一定的间隔,尤其在未建成之前就开始销售的期房楼盘,滞后的时间可能会更长。
二、特征价格法应成为我国未来房地产价格指数实践的主流方法
随着我国房地产市场的不断健全和规范,充分利用房地产市场的实际交易信息,构建能全面反映各城市自身特点的特征价格模型及编制特征价格指数,将是各城市编制房地产价格指数的一个较好选择,也将是房地产价格指数编制实践的发展方向。
1. 特征价格法能够满足房地产价格指数编制实践发展的要求。
由于房地产商品的特殊性,使房地产价格指数的计算方法有别于其他商品的价格指数计算方法。一个优良的房地产价格指数计算方法应满足以下条件:(1)能够剔除区位、环境、质量等品质因素对房地产价格的影响,使计算出的价格指数,能够较准确地反映市场供求关系的变化;(2)数据易于收集,有较大的样本容量,从而有助于减少采样误差;(3)计算方法能够满足统计学的要求,如估计量满足一致性或渐近一致性的要求等等,以提高价格指数的准确性;(4)易于计算,便于掌握,最好能利用现有的统计或计量经济学软件包较方便地计算,从而提高计算方法的可操作性,保证指数的及时编制和公布。
综合国内房地产价格编制的实践来看,只要能够具备大量的房地产交易案例,特征价格法基本可以满足上述条件,因此,编制房地产指数时引入特征价格法,可以相对准确地反映房地产市场的供求状况,能够满足房地产价格指数实践发展的要求。另外,虽然混合模型法以及最近有学者所尝试的主成分方法、神经网络方法等房地产价格指数编制方法,似乎更具有方法上的科学性,但由于这些方法的计算过程复杂,前后期对比缺乏连贯性和系统性,可能并不适用于目前中国房地产价格指数的编制实践。
2. 由中国房地产市场的结构特点决定。
从理论与实践的效果看,特征价格法和重复交易法的准确程度高、实用性强,为发达国家普遍采用的房地产价格指数编制方法。但由于重复交易法需要大量的房地产重复交易案例,一般来说,房地产市场发展比较成熟的国家更适合使用这种方法,因为在这些国家中,三级市场发生的交易占整个房屋交易的比重最大。以美国为例,美国房地产市场上有80%左右的交易是二手房交易,只有20%的交易是新房交易,这些大量的二手房交易资料,为应用重复交易法提供了前提条件。而我国房地产市场还处于发展时期,情况正好相反,二级市场占主要地位,三级市场的交易份额并不高。由于重复交易法适用于以二手房销售为主体的房地产市场,所以相对来说,特征价格法更适用于以商品住宅为主体的中国市场。
3. 是进行经济意义分析的需要。
编制特征价格指数的基础是构建特征价格模型,通过构建特征价格模型,可以对房地产现象进行比较直观的经济意义分析,比如分析住宅特征的特征价格、住宅特征对住宅价格的影响程度、价格弹性及边际价格等等,甚至还可以应用于房地产估价领域。
4. 房地产交易管理信息系统的日趋完善,为特征价格法的应用提供了可能。
缺乏完善的基础数据支持,是一直以来影响特征价格法应用于国内指数编制实践的主要障碍。虽然目前我国房地产交易管理信息系统尚不够完善,但随着我国房地产市场的不断健全和规范,市场交易案例逐步增多,已经初步具备了应用特征价格法的现实可行性,也使对房地产各项特征因素与房地产价格关系的测算成为可能。尤其是自2004年1月建设部等七部委《关于加强协作共同做好房地产市场信息系统和预警预报体系有关工作的通知》等文件发布以来,房地产市场信息系统在全国各主要城市正陆续建立,以较小成本采集应用特征价格法所需要信息的条件正逐步形成。
三、构建房地产特征价格指数所需要的制度规范与保证
构建房地产特征价格指数是一项庞大的系统工程,不仅需要技术人员对模型的建立过程充分研究和反复尝试,还需要有相关行业管理部门从制度上进行规范管理,从而为获取高质量的交易数据提供制度上的保证。
1. 编制主体应由房地产管理部门与统计部门联合承担。
从一般意义上讲,房地产特征价格指数应由国土房屋局管理部门负责。房屋管理部门具有一套自下而上完整的信息系统,能够保证数据来源的稳定性、完整性和及时性。但在现行行政部门的职能划分上,除个别特殊部门外,价格指数均由统计部门负责编制,由统计部门和发展改革部门共同发布,作为官方权威数据供社会使用。其它部门编制的价格指数,只能作为行业内部参考,这也是住宅和城乡建设部所研究并试编制的城房指数,始终没有被广泛认可的主要原因。而统计部门的工作人员,虽然具有丰富的统计工作经验和专业的统计知识,但往往由于缺乏对房地产运行情况和管理情况的了解,在选择价格指数计算方法、评判房地产价格的可靠性方面难免会出现偏差,从而影响到所编制房地产价格指数的准确性。
因此,为保证住宅特征价格指数编制的科学性和规范化,提高我国房地产价格指数数据的编制质量,建议编制主体由各城市国土资源和房屋局及调查队联合担任,具体工作可由国土资源和房屋局指定机构负责。同时行业职能部门也应积极开展与房地产企业的合作,发挥房地产中介代理机构或咨询公司等民办机构的优势,这是补充房地产特征变量信息的最有效途径。
2. 完善房地产交易所的房地产登记备案制度。
获取真实、全面的交易信息,是运用特征价格法编制房地产指数的必备条件,编制房地产价格指数的基础数据来源只能是房地产市场信息系统。但现实情况是,在房地产交易所备案的合同中,所登记的住宅特征信息还不全面,使得研究人员不得不为编制特征价格指数进行额外的大量调查工作,这样不仅会导致指数的编制周期延长,还容易出现登记性误差。因此,为了保障交易登记资料的准确性和时效性,应从法规政策上严格规定开发商所签署销售合同的备案时间和备案内容,建立健全房地产特征信息库,以大大降低后期数据整理的工作量,提高编制特征价格指数的质量和时间效率。
3. 整合并规范主城区和卫星城房地产交易信息模式。
随着房地产市场的不断完善,居民改善居住条件等的需要,我国各大中城市居民对住房的需求量不断增加。在一些主要城市,主城区的房地产市场与周边卫星城的房地产市场已经开始融为一体,卫星城对主城区住宅市场的分流作用日益明显。特别是随着各主城区建设用地的紧缺和城市快速交通的开通,为居民在内城工作、在外城居住创造了条件,卫星城住宅价格迅速上涨,有些卫星城市已经达到或接近主城区的房地产价格。但由于历史行政管理问题的遗留,与这种相互融合现象不协调的是,目前各大中城市的主城区与卫星城区的房地产交易信息模式和管理往往存在很大差异,无法支持各城市特征价格指数的统一编制。因此,从长远的发展角度来看,应统一主城区和卫星城房地产交易信息模式,为各城市编制全部城区商品住宅特征价格指数奠定基础。
摘要：笔者结合近年来参与房地产调查实践和房地产价格指数编制工作的体会,在对我国现行房地产价格指数编制方法进行简单述评的基础上,分析特征价格法应用于我国房地产价格指数编制实践的必要性和可行性,并提出编制房地产特征价格指数所需要的制度规范和保证。
关键词：特征价格法,房地产价格,指数
参考文献
[1]统计局长在深圳调研房地产价格统计并主持座谈会,[J/OL]。http://www.gov.cn/gzdt/2010-03/03/ content_1546295.htm。
[2]陈杰:应以特征法计算房地产价格指数, [J/OL].http://news.fudan.edu.c n/2010/0407/24084.html。
[3]中国指数研究院.中国房地产指数系统理论与实践[M].第2版.北京:经济管理出版社,2005年。
[4]温海珍.城市住宅的特征价格:理论与实证研究[M].第1版.北京:经济科学出版社,2005年。
特征价格法 篇4
作为城市重要的基础设施, 地铁以其运量大、速度快、安全准时、节能环保等特点, 受到全国许多城市的关注并大力发展地铁建设, 以减缓城市的拥堵, 提升城市的整体功能, 提高人们的出行效率。
国内学者对北京、上海、西安、深圳等地的地铁进行了一系列的研究, 发现地铁作为一种公益性很强的城市基础设施, 在提高地铁沿线区域的交通便利程度的同时, 给沿线的房地产带来了显著的外部效应, 具体表现为住宅价格的变化。昆明市地铁1、2号线首期工程于2014年4月30日全线贯通, 在相当大程度上解决了交通阻塞问题, 降低了居民的交通成本的同时, 已有学者对其给沿线住宅项目价格带来的影响进行研究。有学者在研究中, 采用住宅到最近地铁站的距离大小来定量研究地铁区位因素。本文则将住宅项目与最近地铁站的距离划分范围区段, 采用哑元变量形式进行细化研究, 探求出地铁站周围不同距离范围内的住宅价格变化幅度, 为地铁建设方的投资、政府对地铁沿线土地定价、房地产开发商的投资等各方决策提供更为细化的参考。
2 特征价格模型及其构建
特征价格法, 又称Hedonic模型法和效用估价法, 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。消费者在追求效用最大化的过程中, 每增加一个单位某种特征的消费所愿意支付的费用。特征是无法在市场上直接观察到的, 因此, 特征价格是隐含价格。特征价格模型的实质是从产品的异质性出发, 把产品价格分解为特征价格, 并通过市场交易数据估计出产品特征的隐含价格。
2.1 特征变量的选泽
现有研究通常把房地产特征因素分为结构特征、邻里特征以及区位特征三大类。影响住宅价格的特征变量较多, 一个模型中包含所有特征变量几乎不可能, 只能从中选取影响较大的特征变量。根据昆明当地的实际情况, 围绕这三个方面的特征, 综合考虑数据资料的可得性, 选取以下特征变量构建特征价格模型。
2.1.1 区位特征变量
交通的可达性是影响房地产价格的重要区位特征, 本文重点研究这一特征变量对地铁周边住宅价格的影响。国内外对轨道交通影响半径的设定不同, 包括1~3英里、0.5英里, 以及1公里等, 参考上述研究的设定, 结合中国的计量习惯, 将昆明市地铁站点的影响半径设为1公里。为了识别出地铁建设对不同距离的房地产价值的影响程度, 采用哑元变量进行分析, 即地铁站距离以100米为区间, 设表示住宅单元所在的小区到最近站点的距离的变量为D1、D2、D3、D4、D5、D6、D7、D8, 分别表示住宅单元所在的小区到最近站点的距离在0~100米、100~200米、200~300米、300~400米、400~500米、500~600米、600~700米、700~800米 (以距离站点800~1000米作为参照类) , 以得出800米半径内不同距离区段内住宅项目价格相对于800~1000米住宅价格的变化幅度。
其次, 到CBD的距离也是一项重要的区位特征因素, 设到CBD的距离为变量CBDJL, 采用绝对值形式, 单位是公里。结合昆明的实际情况, CBD主要是指正义路与南屏街交叉区域。此外, 项目住宅所在区域的公共交通的便利程度对住宅的价格存在很大程度上的影响, 结合对人们心理能接受的到公交站点的步行距离的考虑, 以住宅小区附近1公里范围内公交线路的条数为变量GJXL。
2.1.2 邻里特征变量
名校资源 (即重点中小学) 是影响房价的重要因素。名校资源变量采用综合指标进行测量, 设名校资源变量为MXZY, 具体的量化方法是, 是否有将周边住宅项目纳为学区房的重点小学及中学, 有一项计1分, 共计2分。此外, 医院也是一项邻里因素, 结合已有学者的研究设定, 小区内或附近1km内是否有医院为变量为YY, 采用哑元变量的形式。
2.1.3 结构特征变量
容积率直接关系到居住的舒适程度, 设容积率变量为RJL。绿化率是居住空间质量的重要标志, 设绿化率变量为LHL。住宅项目的物业费设为变量WYF, 采用绝对值形式, 单位为元/m2。设变量DC、XGC分别表示住宅单元所属的楼型为多层 (4~6层) 小高层 (8~12、13层;高层为参照类) 。二者均采用哑元变量的形式。
特征变量汇总及预期符号如表1所示。
2.2 函数形式的选择
常用的特征价格模型的函数形式有线性、半对数、半对数形式三种, 经试算, 半对数形式的模型的回归效果较好, 根据以上分析, 构建模型的形式如下:
Ln P为住宅项目每平米均价的自然对数, α为常数项, Xi表示第i种特征变量, βi为第i种特征变量的系数。
采用最小二乘法 (OLS) 作为模型的估计方法, 建立全变量对数线性回归模型, 将17个变量全部纳入SPSS 23软件进行回归拟合。
3 样本选择与数据收集
本文采用的主要为多层及小高层二手房交易数据, 新建住宅项目所占比例较小。数据主要来源为搜房网 (http://km.fang.com/) 、楼盘网 (http://km.loupan.com/) 及昆明市电子地图 (http://map.baidu.com/) 。样本中因变量价格主要为2016年2月~3月间住宅项目均价。由于昆明房地产市场别墅的成交量所占比例较小, 且别墅的价格与特征与其他住宅市场相差较大, 把别墅纳入模型分析可能会引起过大的误差, 因此本研究剔除别墅的住宅项目。最终获得昆明市地铁1号线及2号线 (一期) 沿线距离最近站点1km范围内276个住宅项目样本, 其中0~100米范围内有3个, 100~200米范围内有18个, 200~300米范围内有23个, 300~400米范围内有34个, 400~500米范围内有35个, 500~600米范围内有50个, 600~700米范围内有54个, 700~800米范围内有59个 (以距离站点800~1000米作为参照类) 。
4 实证分析
4.1 模型的检验
将样本数据输入SPSS软件强制回归。模型的实证结果如表2所示 (绿化率变量与医院变量因回归系数符号与预期不符而被移出模型) 。半对数模型拟合结果较为理想, 复相关系数R=0.784, 调整后的R2为0.591。F值为25.859, 其伴随概率小于0.001, 拒绝自变量的系数均为0的原假设, 全部自变量对因变量的共同影响有显著性, 该回归方程有效。进入特征价格模型的绝大多数自变量显著 (在1%、5%、10%水平下) , 且方差膨胀因子 (VIF) 的最大值为2.027, 共线性不严重。
4.2 特征价格模型变量系数的分析
住宅项目距离CBD的距离是影响价格的重要因素。由CDBJL的系数可知, 距离CBD的距离每减少1km, 住宅项目每平米均价上涨1.5%。其次, 公交线路对价格的影响也较为显著, 住宅项目周围1km范围内, 每增加一条公交线路, 能给房价带来0.2%的涨幅。此外, 名校资源也是影响价格的一个重要因素, 由MXZY的系数可知, 成为一所重点中小学的学区房给房价带来上涨的幅度高达7.9%。以高层楼型为参照, 多层每平米价格的涨幅为11.7%, 而小高层相对于高层房价的涨幅并不显著, 原因可能为昆明处在地震带, 建筑高度这一因素给购房者带来的影响不显著。
绿化率变量与医院变量符号相反而退出模型。容积率变量未通过显著性检验, 表明昆明地区住宅项目的容积率并不是购房者选择时主要考虑的因素。物业费变量同样未通过显著性检验, 原因可能是物业费虽代表业主能享受到的物业管理水平, 但由于购房者在购房时往往不能获知物业管理的具体内容, 在竞价中物业管理质量所起到的作用微乎其微。
4.3 地铁对沿线住宅价格影响分析
由表2可知, D1、D2、D3、D4、D5、D6、D7、D8的系数分别为-0.040、0.038、0.063、0.082、0.063、0.036、0.025、0.024。以距离最近地铁站800~1000米半径范围为参照, 距离范围为0~100米的住宅项目每平米均价下跌幅度为4%。将对数线性方程等式两边取以e为底的对数, 得P2∶P3∶P4∶P5∶P6∶P7∶P8=e0.038:e0.063:e0.082:e0.063:e0.036:e0.025:e0.024=1.039∶1.065∶1.085∶1.065∶1.037∶1.025∶1.024。距离范围为100~400米的住宅项目随距离增加, 增值幅度逐渐加大, 平均增幅达到6.3%。400~700米范围内的住宅项目随距离增加, 增值幅度逐渐减小, 平均增幅为3.8%。D4的系数最大, 表明增值效果最明显的是距离地铁站300~400米半径范围内, 与距离地铁站800~1000米半径范围内的住宅项目相比, 其房价的增值幅度达到8.5%。
地铁在建成期给站点周围住宅价格的影响分为正负两方面:交通可达性以及由此促进商业带来正向影响 (增值效应) , 距离地铁站越近, 住宅价格越高;而站点周边人流密集、噪音过大、社会治安等问题带来负向影响, 距离地铁站越近, 住宅价格反而降低。由定量分析可得, 地铁站半径100米范围内, 地铁所带来的负向影响占主导, 变量系数为负;100~400米范围内, 变量系数变为正, 负向影响随距离增加逐渐减弱, 正向影响所占比例逐渐增大, 增值效应随住宅项目到地铁站距离增加而逐渐表现明显, 但负向影响仍为主导;400~700米范围内, 负向影响基本消失, 正向影响占主导。
注:***表示在1%水平下显著, **表示在5%水平下显著, *表示在10%水平下显著。
5 结语
由实证结果可知, 就房地产开发的效益讲, 住宅项目建设在距离最近地铁站点100米半径内, 不能表现出地铁为房价带来的增值效应, 而住宅项目建设在地铁站100~800米范围可以体现出增值效应, 尤其在300~400米半径范围内, 增值效应最为显著。实证结果也为政府确定地铁沿线土地出让价格提供了参考依据, 政府合理制定土地出让价格, 可以有效补偿城市轨道交通的建设投资和运营成本, 实现地铁建设与周边房地产开发的良性循环。
摘要：作为减缓城市拥堵压力的一种重要交通方式, 地铁给沿线住宅价格带来了显著的影响。以昆明地铁1号线及2号线 (一期) 为研究对象, 运用SPSS软件对地铁沿线住宅项目样本数据进行回归分析, 构建对数线性形式的特征价格模型, 量化轨道交通对沿线住宅价格的影响程度。
关键词：地铁建设,住宅价格,特征价格模型,区位特征
参考文献
[1]孙玉环.房地产特征价格指数编制方法与应用研究[M].北京:中国社会科学出版社, 2009.
[2]张沈生, 张卫, 张文芳.地铁对沿线住房价格的空间性影响及建议——以沈阳地铁一号线为例[J].建筑经济, 2013 (8) :83-85.
[3]聂冲, 温海珍.城市轨道交通对房地产增值的时空效应[J].地理研究, 2010 (5) :801-809.
[4]严建峰.地铁上盖物业“合作开发+BT建设”模式研究——以深圳地铁为例[J].建筑经济, 2015 (10) :25-29.
[5]何剑华.用hedonic模型研究北京地铁13号线对住宅价格的效应[D].北京:清华大学, 2004
[6]王琳.城市轨道交通对住宅价格的影响研究[J].地域研究与开发, 2009 (2) :59-61.
[7]王德起, 于素涌.城市轨道交通对沿线周边住宅价格的影响分析——以北京地铁四号线为例[J].城市经济, 2012 (4) :82-87.
[8]刘红萍, 李剑锋, 邓宏乾.武汉市轨道交通一号线对沿线住宅价格影响的分市场效应分析[J].华南师范大学学报 (自然科学版) , 2015 (4) :128-134.
[9]张巍, 孙毅楠, 汤鸿飞.城市地铁站点周边房地产开发模式研究[J].建筑经济, 2014 (8) :92-96.
特征价格法 篇5
(一) 特征价格法基本原理
特征价格法就是通过人们购买具有一定属性的商品的价格, 来推断人们赋予各属性价值量大小的一种价值评估方法。住宅特征, 即住宅商品本身的特征。对于住宅商品来说, 消费者对住宅的需求, 并不是基于住宅本身而是因为商品所含有的特征。消费者可以选择不同的建筑类型、不同的小区环境以及不同的交通便利程度等来满足个人的置业偏好, 以实现效用最大化 (王德, 黄万枢, 2005) 。
特征价格, 英文为“hedonic price”, 指的是住宅的每个特征都对应着一个价格, 通过分析每增加一单位属性, 消费者愿意额外支付的费用, 就可以评估这种无法直接从市场上获得到的影响因素的隐含价格。特征价格模型 (Hedonic Price Model) 是国外用来处理异质产品差异特征与产品价格之间关系时广泛使用的一个模型 (温海珍, 2004) 。
(二) 特征价格模型的基本原理
巴特勒指出, 特征住宅价格模型应当仅包括影响住宅价格的因素 (Butler, R V, 1982) 。通常影响住宅价格的因素有三大类:区位 (Location) 、建筑结构 (Structure) 、邻里环境 (Neighborhood) , 因此, 住宅价格P就可以用公式表达为:
该方程称为Hedonic住宅价格模型。通过回归分析获得模型的参数估计, 就得到属性的特征价格。
二、特征价格模型——上海市住宅价格研究
(一) 特征变量的选择
在利用特征价格理论构建模型时, 选择合适的住宅特征因素是极为重要的。因不同国家、地区和文化间存在着较大的差异, 导致了房屋购买者对住宅的特征因素偏好存在差异。所以, 应该通过了解现有研究中所使用的特征因素, 再结合所研究的当地房地产市场的特征, 才能更好地发展和完善特征价格法对房屋价格的解释。
因此, 本文通过大量阅读现有文献, 总结以下对住宅价值影响较为突出的特征因素, 并将其分为三大类, 区位特征 (L) 、建筑特征 (S) 和邻里特征 (N) (Butler, 1982) 。
调查的特征变量共计十项, 两项为区位特征, 五项为建筑特征, 三项为邻里特征变量, 具体内容如下表:
(二) 建立Hedonic住宅价格模型
1、模型的构建
住宅价格P与住宅特征Z之间的关系可以表达为:
其中:P为住宅的市场总价格, 为因变量
Z为住宅特征向量, 包括L、S和N三部分, 为自变量。L为住宅的区位特征, S为建筑特征, N为邻里特征。
在其他条件相同的情况下, 对该方程求各个住宅特征的偏导数就得到住宅特征价格的隐含价格, 也就是特征价格, 如下:
上述方程中的系数为相应住宅各因素的特征价格, 住宅总价格就等于特征价格的代数和。
2、设定函数
因为经济学理论并没有指明住宅价格和特征之间究竟适合哪种函数关系, 都是凭经验初步设定函数形式, 然后不断地尝试和修正, 直到认为能够解释样本数据的差异, 并使得模型对样本数据的拟合满足要求为止。
线性函数、对数函数、半对数函数、对数线性函数、BoxCox变换函数是经常采用的五种函数形式。本例选取更具普遍性的线性函数形式, 如下:
其中:Y表示房价
b为常数项
为特征价格
为特征因素
(三) 样本数据的获取及量化
1、数据获取
本案例中数据由两种途径获得, 住宅出售挂牌数据和电子地图数据。
(1) 挂牌资料
挂牌资料中可获得的数据, 主要包括住宅的售价、所属小区名称、区位、建筑面积、装修、房龄、容积率, 绿化率等, 并且可以获得有关文体设施配套和内外部环境的客观评价。
(2) 电子地图数据
采用电子地图来测量各住宅小区分别到市中心的直线距离。并且考察小区附近的公交地铁数目, 和小区周围商场、超市、菜场、银行、学校、医院、餐厅等生活服务配套设施的完善程度。
挂牌资料来源:房价网http://sh.fangjia.com/安居客http://shanghai.anjuke.com/
地图数据来源:谷歌地图http://ditu.google.cn/maps?hl=zh-CN&tab=wl
样本个数:整个上海市抽取34个住宅样本, 平均每个区抽取两个样本, 涵盖高中低档三类小区
2、特征变量描述及量化
(1) 定量变量的量化
定量变量直接采用变量的实际数值, 或仅仅对原始数值进行简单的变换。该方法比较简单, 同时也能客观反映变量内涵。其中定量变量的特征变量包括:住宅价格、建筑面积、房龄、容积率、绿化率和市中心距离。
(2) 定性变量的量化
分别用两种方法来量化定性变量, 李克特量表和综合性指标量化方法, 有助于减少特征变量的数目, 防止出现严重的共线性问题。
(四) 模型的构建及检验
运用SPSS软件进行回归分析, 并对模型进行检验。
将因变量和十个自变量全部输入软件, 并采取逐步线性回归方法建立线性回归模型。
从上表中可知, 复相关系数R为0.786, 拟合优度R2为0.863, 经调整的R2为0.844。其中拟合优度R2是指y的变化中能被回归模型解释的部分占y总变化的比率, 即这个回归模型可以解释y的多少变化。此线性模型能解释因变量差异的百分比约为86.3%, 说明该特征住宅价格模型具有很强的解释能力。
将表中得到的系数代入构建的线性函数公式中, 最后得到模型的函数形式, 如下所示:
住宅特征价格线性模型为:
房价=-661.388+3.932*建筑面积+102.348*生活设施配套
+83.738*内外部环境-13.457*房龄
三、总结
从模型构建得到的线性模型中, 可以看出影响上海市住宅价格的主要因素为建筑面积、生活设施配套、内外部环境和房龄这四个特征因素。
其中建筑面积对住宅价格的影响最突出, 表明了决定一栋住宅价格最重要的影响因素就是其建筑面积, 建筑面积越大, 住宅价格越高。
其次为生活设施配套和内外部环境, 这说明了人们购买一栋住宅时, 不仅重视住宅本身的建筑特点, 很大程度上还会关心住宅周边的生活配套设施和服务是否到位, 以及小区内外环境是否满意舒心等。
最后一个重要因素是房龄, 且其影响与人们的预期也是保持一致的, 及与房价呈负相关。一栋住宅建筑年限越久, 房屋的价值也自然会下降, 这也是因为人们房屋已使用的时间越久, 外观通常就会受到影响, 而硬件设施、和建筑也会发生磨损等现象, 进而影响房价。当然这是从普通住宅的角度出发的, 并不包括那些具有一定历史意义的建筑。
所构建的模型中, 选取出的四项重要因素, 两项属于建筑因素、两项属于邻里因素, 而并未选出有效地区位因素。这可能是和样本量过小有关, 还有可能就是区位因素中到市中心的距离和生活配套设施之间可存在一定的相关性, 进而影响了这一因素的选取。其相关性可能是因为事实上越靠近市中心的地区其商业越发达, 生活设施和服务往往越完善, 从而导致了正相关性的存在。而交通因素有可能是因为衡量方法存在问题, 进而导致了不能入选的情况。
所以, 本研究未来的研究方向即为发展和完善特征因素的选取和衡量方法, 增加住宅的样本量, 使得构造的上海市住宅特征价格模型更具普适性和价值性。
参考文献
[1]王德, 黄万枢.Hedonic住宅价格法及其应用[J].城市规划, 2005 (03) :62-71
[2]温海珍.城市住宅的特征价格:理论分析与实证研究[D].浙江大学, 2004
牛肉价格波动特征及原因分析 篇6
1 畜产品价格研究现状
近年来, 对畜产品价格方面的研究已经取得了丰硕的成果。唐江桥等[1]运用ARCH类模型对我国主要畜产品的价格波动率进行了分析, 结果表明:牛肉、羊肉和鸡肉的价格波动具有显著的波动积聚性。韩星焕等[2]采用X12季节调整法和HP滤波法对活鸡价格的波动进行研究, 从中总结出活鸡价格波动的主要成因是饲料价格的上涨。陈迪钦等[3]通过建立多元线性模型和1阶AR (1) 模型测度各主要因素对生猪价格的影响程度, 结果表明:生猪价格与仔猪价格、玉米价格、鸡肉价格呈正相关, 与生产者预期、疫情呈负相关, 其中玉米价格的波动对生猪价格影响最大。周晓媛[4]运用X12季节调整法对我国生猪价格波动特征进行了分析, 结果表明:饲料、仔猪价格、猪肉产量和滞后一期的猪肉价格是影响猪肉价格的主要因素。田露等[5]认为在牛肉产业内存在长期的协整关系, 玉米价格是影响牛肉市场价格的最重要因素。本研究在借鉴上述研究成果的基础上, 通过计量经济模型对2000—2012年吉林省牛肉价格变动特征进行分析, 找出价格波动的真正原因, 并提出稳定牛肉价格的对策建议, 为培育健康、良性发展的牛肉市场建言献策。
2 分析方法
研究将采用X12季节调整模型中的加法模型Y=T+S+C+I进行季节调整, 将季节要素和不规则因素分离出来, 得出周期序列, 其中长期趋势变动 (T) 、季节波动 (S) 、循环变动 (C) 、不规则因素 (I) 是影响价格波动的四大因素;再用HP滤波法将周期序列和趋势序列进行分解。
2.1 X12季节调整法
X12季节调整模型中加法模型的3个阶段[2]。
第1阶段:季节调整的初始估计。
1) 通过中心化12项移动平均计算趋势循环要素的初始估计:
2) 通过3×3移动平均计算季节因子S的初始估计:
3) 季节调整结果的初始估计:
第2阶段:计算暂定的趋势循环要素和最终的季节因子。
1) 利用Henderson移动平均公式计算暂定的趋势循环要素:
2) 计算暂定的SI:
3) 计算最终的季节因子:
第3阶段:计算最终的趋势循环要素和最终的不规则要素。
1) 利用Henderson移动平均公式计算最终的趋势循环要素:
2) 计算最终的不规则要素:
2.2 HP滤波趋势分解模型的计算方法[2]
设Yt是包含趋势成分和波动成分的经济时间序列, YtT是序列中含有的趋势成分, YtC是序列中含有的波动成分, 则:
时间序列Yt中的可观测部分趋势YtT常被定义为下面最小化问题的解:
其中c (L) 是延迟算子多项式, 如下:
将式 (3) 带入式 (2) , 则HP滤波的问题就是使下面损失函数最小, 即:
3 数据来源与说明
研究分析吉林省牛肉价格波动特征所运用的价格数据来源于中国畜牧业信息网, 采用的数据为月度数据。选择的时间范围为2000—2012年, 主要是由于2000年以前吉林省牛肉价格比较稳定, 2000年以后开始缓慢上升, 直至2007年开始快速上升, 波动幅度较大。2000—2012年吉林省牛肉价格波动情况见表1, 为了减少物价变化的干扰, 牛肉价格按吉林省居民消费价格指数平减。
4 实证分析
采用Eview6.0软件, 对吉林省2000—2012年牛肉价格月度数据进行X12季节调整和HP滤波分析, 结果如图1~6所示。从图1牛肉价格原序列可以看出, 吉林省牛肉价格在2003年、2007年、2011年和2012年这4年里变动幅度比较明显, 这一趋势与图2牛肉价格不规则要素分量序列的变动趋势基本相同, 说明吉林省牛肉价格在这4年里的大幅度变动是由不规则要素引起的, 而不规则要素影响了季节性波动。
由图2、图4可见, 从季节因素来看, 2000—2012年间吉林省牛肉价格季节性波动比较明显, 呈现出“W”型态势, 2000—2006年, 每年的2月到次年的2月为1个波动周期, 上半个周期和下半个周期波动的幅度差距不大, 季节波动规律基本一致, 分别会在每年的3, 4月份和8, 9月份产生一次低谷, 主要是由于每年的2月份正值春节期间, 牛肉消费需求上升, 牛肉价格随之上涨, 而到了3, 4月份气温开始上升, 大量的应季蔬菜开始上市, 牛肉需求量下降, 价格也随之下降。吉林省10月份开始转冷, 冬季饲养肉牛不易增重, 育肥效果差, 养殖户会选择8, 9月份出售肉牛, 故8, 9月份正是肉牛出栏的旺盛时期, 这就会导致牛肉价格的下降。2007—2012年, 牛肉价格季节波动的上半个周期比下半个周期表现得明显, 同样会在每年的3, 4月份出现1次波谷。
由图6可见, 从牛肉价格趋势循环序列的HP滤波结果来看, 图上方逐渐上升的平滑曲线代表趋势线, 2000—2012年吉林省牛肉价格总体上呈现上升趋势, 2000—2006年价格上升比较平稳, 2007—2012年价格上升速度较快, 从图6最下方曲线来看, 跨年度的波动周期主要有3个, 分别呈现出“∩”型、“U”型和“W”型的波动特征。“∩”型波动周期从2002年5月份到2003年4月份, 周期长度为12个月;“U”型波动周期从2006年4月份到2008年2月份, 周期长度为23个月;“W”型波动周期从2008年3月份到2012年12月份, 周期长度为58个月。
2000—2012年牛肉价格波动是由诸多因素引起的, 2003年肉价价格由年初的16.4元/kg下降到年末的15.7元/kg, 主要是由于2002年国际上普遍爆发的疯牛病对消费者的购买意愿产生了一定程度的影响, 居民减少了牛肉的消费量, 牛肉需求量略有下降, 导致价格的小幅度下降。而2007年牛肉价格大幅上涨的原因一方面是玉米价格、仔畜价格上涨导致生产成本的快速升高, 2007年1月份吉林省玉米和豆粕价格分别为1.23元/kg和2.64元/kg, 持续上涨到2012年12月份的2.32元/kg和4.12元/kg, 上涨幅度分别为88.62%和56.06%;1头400 kg重的架子牛由2007年的4 100元上涨到2012年的9 200元左右。每头肉牛生产成本由2006年的845.47元上涨到2007年的1 410.78元, 上涨了66.86%。另一方面是牛源紧缺, 且肉牛饲养周期长, 居民牛肉消费需求持续增长, 人均牛肉消费量由2003年的2.0kg增长到2011年的4.1 kg, 导致供不应求。2011年和2012年牛肉价格再次大幅上涨的最主要原因还是生产成本的升高, 分别由2010年的6 830元上涨到9 492元和12 093元, 全国肉牛养殖比较效益下降, 散养肉牛成本利润率由2007年的36.63%下降到2011年的28.57%, 直接造成肉牛养殖户积极性下降, 2010年吉林省肉牛年末存栏量为455.7万头, 2011年末存栏量下降为423.7万头, 这一期间全国肉牛存栏下降了266万头, 肉牛生产能力下降, 供给不足。另外, 2010年末全国能繁母牛3.42万头, 到2011年末则下降到3.1万头, 造成2012年牛肉供给紧缩, 给牛肉市场带来巨大的冲击。
4 结论与建议
运用X12季节调整法和HP滤波法对2000—2012年吉林省牛肉价格波动特征进行分析, 结果表明, 吉林省牛肉价格呈现上升趋势, 波动的主要原因来自季节因素和不规则因素, 在剔除季节因素和不规则因素的影响之后, 吉林省牛肉价格周期波动先后呈现出明显的“∩”型、“U”型和“W”型。牛肉价格上涨的主要原因有:肉牛养殖成本升高;养殖户比较效益降低, 积极性不高;消费需求快速增长;肉牛存栏降低, 能繁母牛减少, 供给能力下降。
稳定牛肉价格不仅能够满足消费者的需求, 稳定牛肉市场秩序, 促进牛肉市场良性循环, 也有利于促进肉牛产业的健康发展, 对此针对导致牛肉价格波动的主要原因提出以下几点建议:1) 稳定玉米、豆粕等饲料价格, 适时增加饲料储备并保证饲料的安全供应, 抑制饲料价格的大幅波动, 降低养殖户生产成本, 提高养殖意愿, 从生产成本上减缓牛肉价格的波动。2) 鼓励饲养母牛, 扩大能繁母牛的饲养规模, 通过对饲养母牛的农户按照饲养规模不同给予不同的资金补贴, 来调动农户饲养母牛的积极性。母牛数量增加, 必然会使得犊牛数量增加, 就会降低犊牛市场流通的价格, 从而降低饲养成本, 增加供给量, 抑制牛肉价格大幅波动。3) 促进肉牛良种繁育体系的建设, 培育产肉量高、肉质好的肉牛品种, 提高牛肉总体产量, 增加牛肉供给量, 弥补牛源紧缺导致牛肉产量供不应求而造成的价格波动, 培育健康稳定的牛肉市场。
参考文献
[1]唐江桥, 雷娜, 徐学荣.我国畜产品价格波动分析:基于ARCH累模型[J].技术经济, 2011 (4) :86-91.
[2]韩星焕, 姜天龙.我国活鸡价格波动成因分析:以2000—2011年为例[J].中国畜牧杂志, 2012, 48 (12) :46-49.
[3]陈迪钦, 漆雁斌.中国生猪价格波动影响因素的实证分析[J].湖北农业科学, 2013, 52 (4) :959-963.
[4]周晓媛.我国猪肉价格波动影响因素及影响效应研究[D].重庆:重庆工商大学, 2012.
欧盟碳排放权价格波动特征研究 篇7
自欧盟碳排放权交易市场建立以来, EUA价格经历了几次波动。2006年4月, 由于核准数据的泄露, EUA价格迅速下降;2006年10月EUA现货价格上升, 曾一度接近30欧元, 但随后EUA价格迅速下跌, 几乎接近于零;2008年11月EUA价格再一次发生了比较大的波动, 并且不同合约之间发生波动的时间差很短, 甚至有的合约价格波动竟然发生在了同一天。经历了欧债危机后, 2011年碳价格又一次经历了迅速下降阶段, 在很短的时间内又一次到达最低位, 自此以后, 碳价格一直在低位徘徊。碳价格在2006年、2008年和2011年经历了多次波动, EUA价格波动频繁和猛烈的现象引起了学者高度关注, 许多学者对碳价格波动进行了研究。
学者们多采用GARCH模型和Markov机制转换模型量化模型对碳交易市场价格波动进行研究。Alberola等 (2008) 运用欧盟碳排放交易体系下第一阶段 (2005-2007) 的现货数据对碳价格进行了检验, 结果显示, 碳排放交易价格出现了2次比较大的价格波动而呈现非线性特征;郭福春, 潘锡泉 (2011) 在其基础上, 对欧盟碳排放权交易体系下第二阶段 (2008-2012) 的碳期货价格进行了研究, 也发现碳价格出现了多次大的波动而呈现非线性的特征。Benz (2009) 构建了Markov机制转换模型和AR-GARCH模型对短期内二氧化碳排放限额的现货价格和碳价收益率的波动行为进行研究, 通过4类不同模型的对比发现:AR-GAR CH模型与Mar k ov机制转换模型能够更好地反映EUETS的碳价格波动特征。吴恒煜、胡根华等 (2011) 构建了VAR模型、GARCH模型和Markov机制转换模型对国际碳排放市场中CER期货和现货市场的动态效应进行了研究, 结果显示:T-GARCH模型可以很好的拟合欧洲气候交易所CER期货和现货市场的收益率。
从上述学者的研究结果可知:Markov机制转换模型和GAR CH模型比较适合研究碳排1放权价格波动特征, 但是这些学者在用Markov机制转换模型对碳交易价格波动进行研究时没有考虑碳交易前期价格对碳价格的影响, 这将导致结果的不准确性, 因此, 本文考虑到时间序列数据往往会存在自相关性, 将在Markov机制转换模型的基础上引入AR模型即MS-AR模型对碳排放权价格波动特征进行研究。
二、实证分析
(一) 样本数据的选取及基本特征分析
由于EUETS第一和第二阶段的期货合约已经全部到期交割, 因而本文将第三阶段碳期货合约作为研究对象, 重点研究分别对2012、2013和2014年到期的碳期货合约价格 (Dec12, Dec13, Dec14) 数据进行研究, 其中Dec12代表第二阶段已经完成交割的碳期货合约, Dec13和Dec14分别代表第三阶段2013年12月和2014年12月未到期交割的碳期货合约。
本文数据来源ICE交易所, 各碳期货合约的起始时间为各碳期货合约开始交易的时间, 期货合约Dec12采用的是2008年6月13日至2012年9月28日的数据, 合约Dec13采用的是2009年9月28日至2012年9月28日的数据, 合约Dec14采用的是2010年9月28日至2012年9月28日的数据。
在进行建模以前, 本文分析了各碳期货合约的基本特征, 以下是各碳期货合约价格变化的折线趋势图:
从图1可以看出, 从2008年后半年开始到2008年年底, Dec12价格经历了大幅下跌的过程, 此次碳价格下跌经历了半年之久, 碳价格从近35欧元的高价一直下跌到了10欧元以下。进入2009年后, 碳价格开始了上升的过程, 不过上升的幅度不是很大, 在2009年5月左右开始, 碳价格进入了较长时间的震荡过程, 在随后的两年中, 碳价格一直在10欧元和20欧元之间不断波动。在2011年年底左右, 碳价格下跌到了最低, 在随后的时间中, 碳价格一直在0到10欧元之间震荡波动。
从图2可以看出, Dec13自交易日起直到2011年年底, 碳期货价格一直在14欧元与20欧元之间波动。比较图2和图3可以看出, 合约Dec13和Dec14的价格在相同的时间段之间, 价格波动比较一致, 即在2011年3月到2011年7月之间, 碳价格一直在高位波动, 且波动的幅度比较小, 这轮波动持续的时间也比较短。而在随后的时间内, 碳期货价格开始下跌, 在2011年底2012年初左右, 碳期货价格下跌到最低点;进入2012年后, 碳期货价格一直在10欧元以下波动, 波动的幅度不是很大。
由于计量模型一般要求时间序列是平稳时间序列, 因而本文遵循一般的文献方法, 对各碳期货数据进行了如下的处理:
其中, pt为碳期货合约在t时刻的价格。
(二) MS-AR模型的建立
H amilton (1989) 提出的马尔科夫机制转换模型是非线性时间序列模型, 它可以很好地刻画时间序列的机制转换特征, 捕捉到这种复杂的时间序列动态演化过程。基于此本文对处理后的各碳期货时间序列yt构建MS-AR (1) 模型 (即两状态一阶自回归马尔科夫机制转换模型) , 采用极大似然估计法、用OX-METRICS软件对模型参数进行估计, 估计结果如下:
由表1可以看出, 在状态为0时, μ0为负值, 说明碳期货Dec12处于下跌状态;在状态为1时, μ1为正值, 说明碳期货Dec12处于上涨状态。在这两种状态下, σ02大于σ12, 即在状态0的情况下, 碳期货Dec12的价格波动比较大。汇率的两种转换机制的转换概率都小于1, p00=0.974036, 说明在状态为0时, 当天碳期货Dec12价格下跌继而继续下跌的概率为0.974036, 该种状态的平均持续期为 天;p11=0.97297, 表明在状态为1时, 当天碳期货Dec12价格上涨继而上涨的概率为0.97297, 该种状态的平均持续期为 由此可以得出, 碳期货Dec12价格下跌持续的时间要比价格上涨持续的时间长。
由表2可以看出, 在状态为0时, μ0为负值, 说明碳期货Dec13处于下跌状态;在状态为1时, μ1为正值, 说明碳期货Dec13处于上涨状态。在这两种状态下, σ20大于σ21, 即在状态0的情况下, 碳期货Dec13的价格波动比较大。汇率的两种转换机制的转换概率都小于1, p00=0.985405, 说明在状态为0时, 当天碳期货Dec13价格下跌继而继续下跌的概率为0.985405, 该种状态的平均持续期为 天;p11=0.98548, 表明在状态为1时, 当天碳期货Dec13价格上涨继而上涨的概率为0.98548, 该种状态的平均持续期为 由此可以得出, 碳期货Dec13价格下跌持续的时间要比价格上涨持续的时间长。
由表3可以看出, 在状态为0时, μ0为正值, 说明碳期货Dec14处于上涨状态;在状态为1时, μ1为负值, 说明碳期货Dec14处于下跌状态。在这两种状态下, σ20大于σ21, 即在状态0的情况下, 碳期货Dec14的价格波动比较大。汇率的两种转换机制的转换概率都小于1, p00=0.193205, 说明在状态为0时, 当天碳期货Dec14价格上涨继而继续上涨的概率为0.193205, 该种状态的平均持续期为 天;p11=0.94546, 表明在状态为1时, 当天碳期货Dec14价格下跌继而下跌的概率为0.94546, 该种状态的平均持续期为 由此可以得出, 碳期货Dec14价格下跌持续的时间要比价格上涨持续的时间长。
(三) 平滑概率分析
平滑概率可以直观的描述碳期货在各个时期所处的状态, 也可以明显的看出各个状态大致持续时间的长短, 基于此本文将各个碳期货的平滑概率进行了分析, 图4、图5、图6分别是各个期货的平滑概率图:其中图4a表示Dec12价格下跌的平滑概率, 图4b表示Dec12价格上涨的平滑概率;图5a表示Dec13价格下跌的平滑概率, 图5b表示Dec13价格上涨的平滑概率;图6a表示Dec13价格上涨的平滑概率, 图6b表示Dec13价格下跌的平滑概率。
由图4a和10b可以看出, Dec12的价格机制表现比较明显, 在整个交易的开始时期近一年的时间中, Dec12的价格基本处于下跌状态;在接下来的二年多的时间中, Dec12的价格基本处于上涨状态;而在最后交易的一年的时间中, Dec12的价格基本处于下跌状态。即金融危机发生后, Dec12的价格开始下跌, 这时全球经济在金融危机大环境的影响下, 这种经济的不景气也影响到了碳期货市场。而在2009年以后价格才有所上涨, 直到2011年底碳期货价格又开始了新一轮的价格下跌过程。由图5a和5b可以看出, Dec13在整个交易的期初的时间内 (即2009年9月28日开始) , 价格处于上涨的状态, 这一轮上涨经历了近两年的时间;在进入2011年7月份后, Dec13的价格开始下跌。在这一时期, 全球经济在经历了金融危机后开始复苏, 伴随着经济的增长, 诸如炼油厂、发电厂、钢铁厂、水泥厂、玻璃厂、造纸厂以及航空业等实体产业也开始复苏, 进而对能源、电力、钢铁和水泥等的消费增加。碳排放配额分配主要涉及的产业涵盖了炼油厂、发电量超过20兆瓦发电厂、钢铁厂、水泥厂、玻璃厂、造纸厂以及航空业等实体产业, 显然全球经济的复苏对这些行业的减排压力就会增加, 全球对排放权的需求就会增加, 而碳排放配额没有增加, 从而促进了碳期货市场价格的上涨。
由图6a和6b可以看出, Dec14从开始交易的时间2009年9月28日开始, 价格就开始下跌, 在整个交易时间内, 价格大致都处于下跌的状态。在这一时期, 正是欧债危机的发生时期, 显然Dec14的价格受到了欧债危机的影响。欧债危机的发生促使市场中的资金开始流向其他国家以规避风险, 这使得欧洲的经济开始下滑, 经济的下滑就会对能源、电力、钢铁和水泥等的消费减少, 从而使得碳减排的实体产业对碳排放权的需求减少, 而碳排放配额没有发生变化, 从而促进了碳期货市场价格的下跌。
三、结论
以上通过构建MS-AR (1) 模型对碳期货价格波动特征进行研究, 结果显示:MS-AR (1) 模型可以很好的反映各个碳期货价格的波动特征;由于受到金融危机和欧债危机的影响, 各碳期货价格波动的特征又有不同, Dec12和Dec13价格上涨和下跌持续的时间大致相同;而Dec14价格上涨和下跌持续的时间相差比较大, 在整个价格交易期间, Dec14的价格几乎都是处于下跌的状态。在平滑概率分析中, 对各碳期货价格波动的原因进行了分析, 主要从金融危机、欧债危机和经济增长这三个方面对碳交易市场价格波动的原因进行了解释。而多数学者在对碳交易市场进行研究时, 考虑的是能源价格、电力价格和天气因素对碳交易市场价格的影响, 而忽略了像金融危机和欧债危机这种特殊的因素对碳交易市场的影响, 所以今后学者在对碳交易市场价格进行研究时, 需要考虑下当时的社会背景, 进而对整个碳交易市场进行全面的分析。
摘要：本文通过构建MS-AR (1) 模型分别对2012、2013和2014年到期的碳期货合约 (Dec12, Dec13, Dec14) 进行了研究, 结果显示:MS-AR (1) 模型可以很好的反映各个碳期货价格的波动特征;Dec12和Dec13价格上涨和下跌持续的时间大致相同, 而Dec14价格上涨和下跌持续的时间相差比较大, 在整个价格交易期间, Dec14的价格几乎都是处于下跌的状态。
关键词：马尔科夫机制转换模型,碳排放权,价格
参考文献
[1]Benz Eva, Hengelbrock Jordis.Liquidity and price discovery in the European CO2 futures market an intraday analysis[J].Carbon Markets Workshop, 2009 (5) 27-60.
[2]吴恒煜, 胡根华, 秦嗣毅, 刘纪显.国际碳排市场动态效应研究:基于ECX CER市场[J].山西财经大学学报, 2011 (09) :18-24.
[3]Ulrich Oberndorfer.EU Emission Allowence and the stock market:Evidence from the electricity industry[J].Ecological Economics, 2009, 68 (4) :1116-1126.
[4]徐天艳.基于GARCH模型的核证减排期货价格波动性研究[J].时代金融, 2011, (12) :209-211.
[5]张跃军, 魏一鸣.国际碳期货价格的均值回归:基于EU ETS的实证分析[J].系统工程理论与实践, 2011, (02) :214-220.
[6]Seifert Jan, Uhrig-Homburg Marliese, Wagner Michael, Dynamic behavior of CO2 spot prices[J].Journal of Environmental Economics and Management, 2008, 56 (2) :180-194.
[7]Julien Chevallier, Florian Ielpo, Ludovic Mercier.Risk aversion and institutional information disclosure on the European carbon market:A case-study of the 2006 compliance event[J].Energy Policy, 2009, 37 (1) :15-28.
[8]Daskalak George, Psychoyios Dimitris, Markellos Raphael N.Modeling CO2 emission allowance prices and derivatives:Evidence from the European trading scheme[J].Journal of Banking&Finance, 2009, 33 (7) :1230-1241.
特征价格法 篇8
2007年12月武汉市申请全国资源节约型和环境友好型社会建设综合配套改革试验区获得国务院批准。鉴于重庆市成为试验区后住房价格短期内大幅上涨，房价将对武汉城市圈的获批做出如何反应，已成为有关部门、开发商和广大市民的关注焦点。
与重庆市不同的是，经过2007年的大幅涨价，武汉房价的上涨空间已相对有限, 加之国家出台并实施了从紧的货币政策以及针对房地产业的各项调整控制政策，使得武汉市房价即使在试验区获批的利好刺激下也未大幅上扬，相反出现了下跌的态势。然而目前看来这种价格的波动更多的反映为政策因素或利好、利空消息对消费者和开发商心理预期的影响，并不具有长期稳定性。
依据效用价格理论，房地产价格是由房地产的效用、相对稀缺性以及对其有效需求三者共同作用产生。现实中，房地产价格受到多种因素的影响和制约，包括政治经济和社会因素、住房的特征品质、房地产开发商内部因素以及人们的心理预期。试验区的获批对武汉城市圈的房价而言，无疑从多方面起到了推动作用。但由于试验区的具体政策尚在陆续制定和实施中，同时国家也相继出台控制房价过快增长的政策，因此难以准确衡量政策因素的作用大小，交易双方的心理预期也受到多方面影响短期有着频繁的波动。
住房作为具有明显异质性特征的商品，价格信息不仅体现了一般供求关系，也包含住房品质内涵的差异。分析试验区建设如何通过影响交通条件、居住环境、建筑结构等方面的住房特征品质进而影响房价是本文研究的重点。
二、Hedonic特征价格分析法的文献综述
本文采用国际上房地产价格研究普遍使用的特征价格法(Hedonic Pricing Approach)，将房地产的价格影响因素分解，进而分析住房各品质特征变化对价格的影响。
Hedonic模型最早由Court (1939)提出，Griliches (1977)对其定价方法进行了较为系统的总结。Lancaster (1966) 指出，商品的市场价格是由商品的属性而不是商品货物本身决定的;而Rosen (1974) 则正式把Hedonic模型引入房地产与城市经济领域。
国外对于住房价格的Hedonic分析已日趋成熟，专家们研究了作用于房价的不同特征影响因素：如房产所处区位的空气污染状况 (Ridker, Henning, 1967) 、水体质量 (David, 1968;Leggeit, 2000) 、绿地状况(Bolitzer、Netusil, 2000)、安静程度 (Din A, 2001) 与可得景观(Francois Des Rosiers, 2002)等，还包括房产与学校教育机构(Jud, 1981)、市区火车站 (Benjamin, 1996) 、污染源 (Simons, 1999) 、森林和水体 (Luttik, 2000) 以及自然景观 (Francois Des Rosiers, 2002) 之间的距离。
随着近年来国内市场经济的不断完善，国内相关研究不断涌现。专家们分析了Hedonic方法在中国的可行性(王德、黄万枢，2005);从宏观上对影响房地产价格的因素进行了定性分析(鲍丽香，2006)。学者们还针对具体城市的情况进行研究，如杭州市住宅价格的影响因素(贾生华、温海珍，2004)等。实证表明区位、物业费用等因素对房价有重要影响(马新思、李昂，2003)，商业便利性与临近区域住宅价格正相关(郝前进、陈杰，2007)等。
三、特征价格指标体系的构建
Hedonic模型的核心思想是指一种异质商品具有多方面的不同特征或品质(如房地产商品的面积、房型、楼层、朝向等特征)，其特征的数量及组合方式的不同使得商品的价格产生差异。通过把产品价格分解，结合市场交易数据可估计出这种影响因素的隐含价格，即Hedonic价格。用P表示商品的价格，Qi表示商品的第i个品质特征，对商品的某一属性求偏导，即可求出这种属性的隐性价格：(i=1, 2, ..., n)。这一方程描述了在其他属性一定时，某属性对商品价格的边际贡献。由此可见Hedonic模型不仅可用于住房的定价，也可求各品质属性的特征价格，从而定量分析核心要素如何影响住房价格。
合适的特征变量选择是科学正确地构建住宅特征价格体系的关键，大多数学者认为可分为三大类：区位(Location)、建筑结构(Structure)和邻里环境(Neighborhood)。
1. 区位特征。包括到市中心距离、到CBD距离、交通状况以及教育和医疗机构的质量和密度等。
根据地租同心圆式递减的理论，房屋所处的区位离市中心越近地价越高。从成交均价上来看，武汉市中心城区的均价远高于其他各区。从城市整体来看，汉口区域同其它区域相比，其价格一直呈现出上升状态，2 0 0 7年商品住房价格已经达到5581.62元/平方米，并且在10月突破了6000元/平方米。从环线系统来看，内环住房平均价格为10084元/平方米，内环与中环平均价格为7738元/平方米，中环线以外平均价格为4060元/平方米。
住宅价格受“到CBD距离”影响程度非常大。武汉王家墩CBD自建设启动以来，附近的不动产和土地价格被刺激的涨幅不小，房价仅次于居区域榜首的汉口江滩。
研究证明轨道交通站点对800米以内的住宅价格有显著影响，轨道交通的建设会促进沿线房地产的增值。以轻轨为例，作为近年武汉城市建设最重要的手笔，轻轨的投入运营直接带动了周边房地产项目的发展。
此外，学者们研究发现学校质量提高1%，学区内住宅价格上涨0.26%～1.6%。由于历史发展、地域环境等原因，武汉市优质学校分布目前仍不均匀，一些区域拥有更多更好的教育资源，吸引不少家长想傍校而居，学校周边楼盘被需求带动。
2. 结构特征。包含物业状态、容积率、总层数、建筑面积、停车位、供水和通讯等多方面。
如今购房者十分关注开发商的资质，受消费者青睐的品牌物业管理将得到更高的价格回报。如特聘有英式管家服务物业管理的东湖天下，是2007年武汉最有品质价值的十大楼盘之一，均价为12000元/平方米。
一般而言，容积率越低，价格越高。与容积率密切相关的是建筑密度指标和总层数，项目的非建筑空间越大，一般价格越高，在建筑形式方面，总层数反映了不同建筑形式对价格的影响。建筑面积也是潜在购房者关心的关键属性，这一指标反映了开发商在楼房建造和户型设计方面的考虑。2007年，武汉市高层商品住房价格最高，为5545.63元/平方米，与2006年相比上涨31.93%，多层商品住房价格为4350.19元/平方米，与2006年相比上涨26.73%;小高层商品住房价格为4227.81元/平方米，与2006年相比上涨29.35%。
随着近年来武汉市机动车辆的快速增加，停车位已成为一项重要的考虑因素。除此之外，供水和宽带网以及电信等通讯设施作为影响人们生活便利性的因素备受关注。
3. 邻近环境特征。绿化率、公园环境、噪音、空气质量、住宅附近湖泊质量与距湖泊的距离等方面的指标。
在环境方面，武汉市属于老工业基地，产业结构偏重工业型，经济增长方式较粗放，排污压力较大。随着近年来人们对居住环境和健康的加倍关注，对住房邻近环境的要求越来越高。绿化率是反映环境质量的一个重要指标。对公园和住宅关系的研究表明，公园对邻近住宅价格有正面或负面的影响。道路噪声也会引起住房价格的贬值，道路噪声每提高一个分贝，住宅价格下降0.08%～2.22%。此外，根据武汉城市建设的特点，住宅附近湖泊的质量以及距湖泊、公园、自然景观的距离也被考虑在内。
四、试验区效应的作用机制
结合以上分析，试验区效应通过以下方面影响住房价格：
1. 改善城市基础配套设施，加强城市内部交通建设。
交通的便利性是支撑武汉市房价上涨至关重要的利好因素之一。为加速武汉城市圈建设，武汉拟在三镇主城区建设“环型+放射”的快速路网格局，从而大大提高主城区的快速出行能力，各区之间的交通联系更加紧密，市民出行更为便捷。
2. 提升城市形象，改善居住环境质量。
试验区的环境规划包括退耕还林、水土保持、湿地保护、水污染防治、节能减排等，突出城市圈生态功能和生态资源承载力的整体提升。试验区获批以后，武汉市将逐步实现产业转型：实现由外向型经济向内生型经济转变，由重工业和制造业为主向二、三产业转变，环境的压力将得以减轻。此外，政府还大力加强绿化建设。这将改善武汉市的城市环境，进而提高居民的居住品质，提升武汉市房产的内在价值。
3. 推广节能环保的优质住宅，加强小区建设
Hedonic模型分析法直接度量了消费者对环境属性的支付价格，据此房地产开发商将更加重视住房的居住环境建设，通过地块的选择、社区的规划以及建筑设计、建筑技术等方面的改善为购房者提供更优良的居住环境，最终推动房地产行业的开发商自觉采用节约能耗、更加环保的建筑材料和施工技术，从而提高住宅的内涵品质。
4. 武汉市与城市圈其他城市的“联合互动”
武汉城市圈建设将在资源节约、环境治理、产业发展和公共设施合理配置等方面做大量的工作。交通的便利为其他城市圈城市的房产提供了发展契机，同时减轻了武汉市城区房价上涨的压力。同时随着配套、交通等基础设施建设的不断提速，城市间交流更加密切，周边城市与武汉市房价差距会逐渐缩小，武汉作为核心区的价值也将进一步提升，带动中心城区现有物业升值，进而又会反推武汉市中心房价。
五、现实意义
通过对房价上涨原因的结构分解，明确各个特征品质对住房价格的影响，有助于对房价的涨跌做出更合理、更全面的分析判断，对政府落实试验区政策、建设武汉市城市圈、制定城市规划和改善城市环境，以及对于机构和个人对住房价格水平变化趋势的判断都有显著的参考意义。
武汉市作为中部城市，与上海、广州等东部沿海城市在经济社会等各方面有着显著差异，天津、上海、重庆等国家改革试验区获批后房价短期飞涨的部分原因是由于各方期望值过高加上开放商的借机炒作，而武汉则是在中国经济进入全面宏观调控阶段的时期成为试验区的。试验区目前只是一个概念，改革的深入对房价的作用生效仍是一个长期过程。因此，对武汉房价的判断，还应基于对城市未来发展潜力的合理预期，而不单是套用其他城市的经验。本文从特征品质的角度来看待试验区效应对房价的影响，为住房价格的分析提供了一种有益的思路。
参考文献
[1]马思新李昂:基于Hedonic模型的北京住宅价格影响因素分析.土木工程学报, 2003年第9期
[2]贾生华温海珍:房地产特征价格模型的理论发展及其应用.外国经济与管理, 2004年第5期
[3]蒋一军袭江辉:房地产价格指数与Hedonic模型.中国资产评估, 1996年第3期
[4]郑思齐刘洪玉:如何正确衡量房地产价格走势.中国房地产, 2003年第3期
[5]曹惠贤:特征价格指数的编制与应用.世界经济情况, 2006年第21期
[6]郝前进, 陈杰:商业便利性与住宅价格:基于上海的经验研究.中国房地产研究, 2007年2月
[7]王德黄万枢:Hedonic住宅价格法及其应用.城市规划》, 2005年第3期