基于空间杜宾模型剖析房地产价格空间传染效应：理论、实证与政策启示

基于空间杜宾模型剖析房地产价格空间传染效应：理论、实证与政策启示一、引言1.1研究背景与意义1.1.1研究背景房地产市场作为国民经济的重要组成部分，在经济体系中占据着举足轻重的地位。从投资角度看，房地产是一种重要的投资资产，许多投资者将资金投入房地产市场，期望通过房产增值获取收益，其投资活动不仅包括直接购买房产，还涵盖投资房地产相关金融产品，如房地产信托基金等。从金融市场稳定性考量，房地产市场与金融体系紧密相连。银行等金融机构大量参与房地产信贷业务，为开发商提供开发贷款，为购房者提供个人住房贷款。一旦房地产市场出现大幅波动，可能引发金融风险。例如，房地产价格暴跌可能导致购房者违约增加，银行不良资产上升，进而影响整个金融体系的稳定。同时，房地产产业对经济增长有着重要的拉动作用，其涉及众多上下游产业，如建筑、建材、装修、家电等。房地产市场的繁荣会带动这些相关产业的发展，创造大量的就业机会和经济产值。据统计，房地产及相关产业对GDP的贡献率在许多国家和地区都占有相当大的比重。在房地产市场诸多研究领域中，房价的空间传染效应逐渐成为关注焦点。随着经济一体化和区域协同发展进程的加速，不同地区房地产市场之间的联系日益紧密。某一地区房价的波动不再局限于本地市场，而是会通过多种途径对周边地区房价产生影响，这种房价的空间传染现象在城市群、都市圈等区域表现得尤为明显。如在京津冀城市群，核心城市北京房价的变化对周边城市房价有着显著影响，协同发展战略提出前，北京虹吸效应过强，导致与其他城市房价差距不断扩大。在长三角地区，上海房价的波动也会通过人口流动、资金流动等因素传导至周边城市，影响其房价走势。房价空间传染效应的存在，使得房地产市场的复杂性和关联性进一步增强。此外，随着国内要素市场以及金融市场开放程度的不断增大，商品房价格在区域范围内的协同变动趋势已经越来越显著，房价的扩散效应成为导致一些地区房价过快上涨的重要因素。已有研究表明，我国房价总体上由东部向西部扩散，东部地区房价内部扩散效应较强，中西部地区房价更易受到东部房价的外部扩散效应影响。这种房价的空间传染和扩散，不仅影响房地产市场的区域均衡发展，也对宏观经济的稳定和调控带来挑战。深入研究房价空间传染效应及其背后的影响因素，对于理解房地产市场运行规律、制定有效的房地产市场调控政策具有重要的现实意义。1.1.2研究意义从理论层面来看，当前对于房地产价格的研究多集中在单一地区或传统供需因素对房价的影响，对房价空间传染效应的研究虽有进展，但仍存在不足。大多数研究从两两市场互动的角度研究房价泡沫传染，较少从全局网络视角展开探索，部分学者从理论层面剖析，认为人口流动、空间距离等是泡沫传染效应的可能因素，但较少进行理论的实证检验。本研究运用空间杜宾模型对房价空间传染效应进行深入分析，有助于弥补这一理论研究的短板，丰富房地产价格理论体系。通过探讨房价在不同地区间的空间关联机制，可以从全新的视角揭示房地产市场的运行规律，为后续相关研究提供更为完善的理论基础和研究思路，进一步拓展房地产经济学的研究边界。在实践方面，研究房价空间传染效应具有重要的应用价值。准确把握房价空间传染规律，能够为政府制定房地产市场调控政策提供科学依据。政府可以根据不同地区房价的相互影响关系，实施更具针对性和协同性的调控措施，避免“一刀切”式的政策带来的负面影响，促进区域房地产市场的协调稳定发展。例如，在房价上涨压力较大的核心城市周边地区，政府可以提前制定相关政策，防范核心城市房价上涨的溢出效应导致周边地区房价过快上涨。对于投资者而言，了解房价空间传染效应有助于其做出更合理的投资决策，降低投资风险。投资者可以通过分析不同地区房价的关联关系，优化投资布局，选择更具潜力和稳定性的投资区域。对于房地产企业来说，认识房价空间传染规律可以帮助企业更好地进行市场定位和战略布局，合理安排开发项目，提高企业的市场竞争力。1.2研究目标与方法1.2.1研究目标本研究旨在运用空间杜宾模型，深入剖析房地产价格的空间传染效应，具体目标包括：准确测度房价的空间传染程度，明确不同地区房价之间的相互影响方向和强度，识别房价空间传染的主要路径和模式，判断是存在正向的溢出和扩散效应，还是负向的极化效应等；全面探究影响房价空间传染效应的关键因素，从经济基本面、人口流动、政策调控、金融市场等多个维度进行分析，确定各因素在房价空间传染过程中的作用机制和贡献程度；基于研究结果，为政府部门制定科学合理的房地产市场调控政策提供有针对性的建议，以促进房地产市场的稳定健康发展，为投资者和房地产企业提供决策参考，帮助其规避风险，实现收益最大化。1.2.2研究方法本研究采用多种研究方法相结合的方式，以确保研究的科学性和全面性。文献研究法是基础，通过广泛搜集和梳理国内外关于房地产价格、空间计量模型、房价空间传染效应等方面的相关文献，了解已有研究的成果、不足和发展趋势，为本研究提供理论支撑和研究思路。深入分析已有文献中对房价影响因素的研究，包括经济因素、人口因素、政策因素等，以及不同学者对房价空间传染机制的探讨，从中发现现有研究的空白和有待进一步研究的问题，为后续研究奠定基础。空间计量分析方法是核心，运用空间杜宾模型（SDM）对房地产价格数据进行实证分析。首先，构建合适的空间权重矩阵，以反映不同地区之间的空间关系，如地理距离权重矩阵、经济距离权重矩阵等。然后，收集相关变量数据，包括房价、地区GDP、人口数量、利率、土地价格等，将这些数据代入空间杜宾模型进行估计和检验。通过模型估计结果，分析房价的空间自相关性，确定房价是否存在空间传染效应，以及效应的大小和方向；同时，分析各影响因素对房价的直接效应、间接效应和总效应，深入探究房价空间传染的影响因素和作用机制。案例研究法作为补充，选取具有代表性的区域或城市进行深入案例分析。例如，选取京津冀城市群、长三角城市群、珠三角城市群等，分析这些区域内城市房价的空间传染特征和影响因素。通过详细研究这些案例，进一步验证和补充空间计量分析的结果，从实际案例中总结经验和规律，使研究结果更具现实指导意义。以京津冀城市群为例，深入分析北京、天津与周边城市房价之间的相互关系，以及协同发展战略对房价空间传染效应的影响，探讨如何通过政策调控促进区域内房地产市场的协调发展。1.3研究创新点在研究视角上，突破以往多从单一地区或两两市场互动角度研究房价的局限，从全局网络视角出发，全面考察不同地区房价之间的空间关联和传染效应。不仅关注相邻地区房价的相互影响，还考虑到非相邻地区通过经济、人口等因素产生的间接影响，更全面地揭示房价空间传染的复杂机制。在模型运用方面，采用空间杜宾模型进行实证研究。该模型能够同时考虑被解释变量和解释变量的空间滞后项，更准确地捕捉房价空间传染效应以及各因素对房价的直接和间接影响，相比传统计量模型，能更全面地反映房地产市场的空间特征和变量之间的复杂关系。在影响因素分析上，综合考虑多种因素对房价空间传染效应的影响。除了传统的经济基本面因素，如GDP、利率等，还纳入人口流动、区域政策差异、金融市场一体化程度等因素进行分析，更全面地揭示房价空间传染的影响机制，为政策制定提供更丰富的参考依据。二、理论基础与文献综述2.1房地产价格相关理论2.1.1供需理论供需理论是经济学中解释价格形成和市场运行的基础理论，在房地产市场中，这一理论同样发挥着关键作用，对房地产价格的形成和波动有着深刻的影响机制。从需求角度来看，房地产的需求主要源于三个方面：居住需求、投资需求和投机需求。居住需求是房地产最基本的需求，与人口因素密切相关。随着人口的增长、城市化进程的加速以及家庭规模的小型化，对住房的需求不断增加。据统计，过去几十年间，我国城市化率持续上升，大量农村人口涌入城市，城市住房需求大幅增长，推动了房价的上涨。投资需求是指投资者购买房产，期望通过房产增值或获取租金收益来实现资产的保值增值。当经济形势向好，居民收入增加，且其他投资渠道有限时，房地产往往成为投资者青睐的对象。在一些经济发达地区，如长三角、珠三角等地，房地产投资需求旺盛，不少投资者购置多套房产用于出租或等待升值，进一步推高了房价。投机需求则是基于对房价上涨的预期，通过短期买卖房产获取差价利润，这种需求具有较强的非理性和波动性，容易引发房地产市场的泡沫。在房价快速上涨时期，投机需求往往会迅速膨胀，加剧市场的供需失衡。供给方面，房地产的供给主要受到土地供应、建筑成本、开发周期和开发商预期等因素的影响。土地是房地产开发的基础，土地供应的数量、位置和用途规划直接决定了房地产的供给规模和结构。政府通过土地出让政策来调控土地供应，如控制土地出让面积、调整土地出让方式等。在一些大城市，由于土地资源有限，土地供应紧张，导致房地产开发项目减少，房屋供给不足，从而推动房价上升。建筑成本包括原材料价格、劳动力成本、建筑设备费用等，建筑成本的上升会增加房地产开发的总成本，使得开发商在定价时不得不提高房价。近年来，随着建筑材料价格的波动以及劳动力成本的不断上升，房地产开发成本持续增加，对房价产生了向上的推动作用。房地产开发周期较长，从土地获取、项目规划、建设施工到最终交付使用，通常需要数年时间，这使得房地产供给在短期内缺乏弹性，难以迅速响应市场需求的变化。如果市场需求突然增加，而房地产供给无法及时跟上，就会导致房价上涨。开发商对市场的预期也会影响其供给决策，如果开发商预期未来房价上涨，可能会增加土地储备和开发投资，反之则会减少供给。当房地产市场需求大于供给时，房价上涨。这是因为购房者为了获得有限的房源，会愿意支付更高的价格，从而推动房价上升。在供不应求的市场环境下，开发商也有更大的定价话语权，可以提高房价以获取更高的利润。相反，当市场供给大于需求时，房价下降。此时，开发商为了尽快销售房产，会采取降价促销等手段，市场竞争加剧，房价会逐渐回落。供需关系的动态变化会导致房价的波动，当市场供需达到平衡时，房价相对稳定，但这种平衡往往是短暂的，随着经济、人口、政策等因素的变化，供需关系会不断调整，房价也会随之波动。2.1.2资产定价理论资产定价理论是现代金融学的核心理论之一，旨在研究资产的价值如何决定以及风险与收益之间的关系，其在房地产价格研究中有着广泛的应用。资本资产定价模型（CAPM）是资产定价理论中最具代表性的模型之一。该模型认为，资产的预期收益等于无风险利率加上风险溢价，风险溢价取决于资产的贝塔系数（β）与市场风险溢价的乘积。在房地产价格研究中，CAPM模型可用于评估房地产投资的预期收益。无风险利率通常可以用国债利率等近似替代，它反映了资金的时间价值和无风险投资的收益水平。房地产的贝塔系数衡量了房地产投资收益相对于市场整体收益的波动程度，即房地产投资的系统性风险。如果房地产的贝塔系数大于1，说明其收益波动大于市场平均水平，风险较高；反之，如果贝塔系数小于1，则风险相对较低。市场风险溢价是市场平均收益率与无风险利率之间的差额，它代表了投资者承担市场风险所要求的额外回报。通过CAPM模型，投资者可以根据房地产的贝塔系数和市场风险溢价，计算出预期的投资收益，从而判断房地产投资是否具有吸引力，这也间接影响了房地产的价格。如果投资者预期房地产投资的收益高于其他投资机会，就会增加对房地产的需求，推动房价上涨；反之，则会减少需求，导致房价下跌。除了CAPM模型，套利定价理论（APT）也是常用的资产定价理论。APT认为，资产的预期收益受到多个因素的影响，而不仅仅是市场风险。这些因素可以包括宏观经济因素（如GDP增长率、通货膨胀率、利率等）、行业因素（如房地产行业的供需状况、政策调控等）以及公司特定因素（如开发商的财务状况、项目质量等）。在房地产价格研究中，APT模型可以更全面地考虑影响房价的各种因素，通过构建多因素模型来分析这些因素对房价的影响程度。某研究运用APT模型，纳入GDP增长率、通货膨胀率、利率、土地价格等因素，对房地产价格进行分析，发现GDP增长率和土地价格对房价有显著的正向影响，而利率的上升会抑制房价上涨。这为理解房地产价格的形成机制提供了更丰富的视角，有助于更准确地预测房价走势。房地产作为一种特殊的资产，其价格不仅受到资产定价理论中风险与收益关系的影响，还具有一些独特的属性，如不可移动性、耐久性、异质性等，这些属性使得房地产价格的决定更为复杂。但资产定价理论为研究房地产价格提供了重要的理论框架和分析方法，通过将房地产视为一种资产，运用资产定价模型来分析其价格，有助于揭示房地产市场的内在规律，为房地产投资决策、市场调控等提供理论支持。2.2空间杜宾模型原理与应用2.2.1空间杜宾模型介绍空间杜宾模型（SpatialDurbinModel，SDM）是空间计量经济学中的重要模型，由LeSage和Pace于2009年系统提出，它在传统计量模型的基础上，充分考虑了空间因素对经济现象的影响，能够更全面地捕捉变量之间的空间依赖关系和溢出效应。空间杜宾模型的基本方程为：y_{i}=\rho\sum_{j=1}^{n}w_{ij}y_{j}+\sum_{k=1}^{K}\beta_{k}x_{ik}+\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}x_{jk}+\mu_{i}其中，y_{i}表示第i个地区的被解释变量（如房地产价格）；\rho为空间自回归系数，衡量了相邻地区被解释变量对本地区的影响程度，\rho大于0表示存在正向的空间溢出效应，即相邻地区被解释变量的增加会带动本地区被解释变量的增加，反之，\rho小于0表示存在负向的空间溢出效应；w_{ij}是空间权重矩阵W中的元素，用于描述地区i和地区j之间的空间关系，常见的空间权重矩阵包括邻接权重矩阵（若地区i和地区j相邻，则w_{ij}=1，否则w_{ij}=0）、距离权重矩阵（w_{ij}与地区i和地区j之间的距离成反比）和经济距离权重矩阵（考虑地区之间的经济差异，如以人均GDP差异调整权重）等；\sum_{j=1}^{n}w_{ij}y_{j}表示被解释变量的空间滞后项，反映了相邻地区被解释变量的综合影响；x_{ik}表示第i个地区的第k个解释变量（如地区GDP、人口数量等）；\beta_{k}是解释变量x_{ik}的回归系数，衡量了本地区解释变量对被解释变量的直接影响；\theta_{k}是解释变量空间滞后项的回归系数，\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}x_{jk}表示解释变量的空间滞后项，反映了相邻地区解释变量对本地区被解释变量的间接影响；\mu_{i}为随机误差项。在空间杜宾模型中，参数\rho和\theta_{k}的估计结果对于分析空间效应至关重要。通过对这些参数的估计和检验，可以判断空间溢出效应是否显著，以及不同解释变量的空间滞后项对被解释变量的影响方向和程度。如果\rho显著且为正，说明房地产价格存在明显的空间集聚现象，即房价高的地区倾向于与房价高的地区相邻，房价低的地区倾向于与房价低的地区相邻；\theta_{k}显著时，则表明相邻地区的某些解释变量（如经济发展水平、人口流动等）会对本地区的房价产生间接影响。空间杜宾模型与其他空间计量模型，如空间自回归模型（SAR）和空间误差模型（SEM）相比，具有独特的优势。SAR模型仅考虑了被解释变量的空间滞后项，而忽略了解释变量的空间滞后效应；SEM模型则主要关注误差项的空间相关性，将空间效应体现在误差项中。而空间杜宾模型能够同时捕捉内生交互效应（邻近地区被解释变量对本地区的影响）和外生交互效应（邻近地区解释变量对本地区的影响），在分析区域经济现象时更具解释力，能够更全面地揭示变量之间的空间关系和作用机制。2.2.2模型在房地产研究中的应用在房地产价格研究领域，空间杜宾模型得到了广泛的应用，为深入理解房地产市场的空间特征和房价的空间传染效应提供了有力的工具。众多学者运用空间杜宾模型分析不同地区房价之间的空间关联和溢出效应。一些研究以城市群为研究对象，如京津冀城市群、长三角城市群、珠三角城市群等，通过构建空间杜宾模型，发现这些城市群内城市房价之间存在显著的空间相关性。在京津冀城市群中，北京作为核心城市，其房价的变化会对周边城市如天津、廊坊、保定等产生明显的溢出效应。当北京房价上涨时，由于人口的外溢和投资需求的转移，周边城市的房价也会受到带动而上涨。在长三角城市群，上海房价的波动不仅会直接影响相邻城市的房价，还会通过经济联系和人口流动等因素，间接影响到更远地区城市的房价，形成房价的空间传导路径。这种房价的空间溢出效应在不同区域和城市之间存在差异，受到地理距离、经济发展水平、交通便利性等多种因素的影响。空间杜宾模型还被用于探究影响房价空间传染效应的因素。研究发现，经济基本面因素如地区GDP、人均收入水平等在房价空间传染中起着重要作用。经济发达地区的房价往往较高，且对周边地区房价具有更强的辐射带动能力。人口流动也是影响房价空间传染的关键因素之一，人口流入较多的城市，住房需求增加，房价上涨压力较大，同时也会对周边城市的房价产生影响。政策因素，如房地产调控政策、区域发展政策等，会改变房地产市场的供需关系和投资者预期，进而影响房价的空间传染效应。限购、限贷等调控政策可以抑制投机需求，稳定房价，减少房价的空间波动；而区域协同发展政策可能促进区域内城市间的经济联系和人口流动，增强房价的空间相关性。与传统计量模型相比，空间杜宾模型在房地产价格研究中具有明显的优势。传统计量模型通常假设样本之间相互独立，忽略了空间因素的影响，无法准确捕捉房价的空间特征和空间传染效应。而空间杜宾模型考虑了地区之间的空间依赖性，能够更真实地反映房地产市场的实际情况。通过空间杜宾模型，可以得到解释变量对房价的直接效应、间接效应和总效应，有助于更全面地分析各因素对房价的影响机制。在研究土地价格对房价的影响时，空间杜宾模型不仅可以分析本地区土地价格对房价的直接影响，还能考察相邻地区土地价格通过空间溢出效应对本地区房价的间接影响，为房地产市场的政策制定和调控提供更丰富、准确的依据。2.3房地产价格空间传染效应研究综述2.3.1国外研究现状国外学者对房价空间传染效应的研究起步较早，在理论和实证方面都取得了丰硕的成果，研究方法也不断创新和完善。在理论研究方面，部分学者从宏观经济理论出发，探讨房价空间传染的内在机制。一些研究认为，经济一体化和区域协同发展是导致房价空间传染的重要原因。随着经济全球化和区域经济合作的加深，不同地区之间的经济联系日益紧密，资本、劳动力等生产要素在区域间的流动更加频繁，这使得房地产市场的关联性增强，房价的波动更容易在地区间传导。在欧盟内部，随着统一市场的建立和经济一体化进程的推进，各成员国之间的房价呈现出明显的协同变动趋势，核心国家房价的变化会通过贸易、投资、人口流动等渠道影响周边国家的房价。从金融市场角度来看，金融一体化使得资金在不同地区房地产市场之间的流动更加便捷，当一个地区房地产市场出现投资机会或风险时，资金会迅速流入或流出，从而引发其他地区房价的变化，形成房价的空间传染。在实证研究方面，国外学者运用了多种计量方法来分析房价空间传染效应。早期的研究主要采用简单的相关性分析和回归分析方法，考察不同地区房价之间的线性关系。这些研究发现，相邻地区房价之间往往存在正相关关系，即一个地区房价的上涨会带动周边地区房价的上升。随着空间计量经济学的发展，空间自回归模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）等被广泛应用于房价空间传染效应的研究。运用空间杜宾模型对美国不同城市房价进行分析，发现房价存在显著的空间溢出效应，周边城市的经济发展水平、人口密度等因素对本城市房价有明显影响。还有学者采用动态空间面板模型，考虑了房价的动态变化和空间滞后效应，研究发现房价的空间传染效应具有持续性，前期房价的波动会对后期房价产生影响，且这种影响在不同地区存在差异。在研究视角上，国外学者不仅关注国内不同地区房价的空间传染，还对国际间房价的传染进行了研究。通过构建跨国空间计量模型，分析全球主要国家房价之间的关系，发现发达国家房价的波动对发展中国家房价有一定的溢出效应，且这种溢出效应在经济联系紧密的国家之间更为明显。一些研究还从城市层面深入分析房价空间传染的微观机制，考虑了城市内部不同区域房价的差异以及邻里效应等因素对房价空间传染的影响，为房地产市场的精细化管理提供了理论支持。2.3.2国内研究现状国内学者对房价空间传染效应的研究近年来也日益增多，在借鉴国外研究成果的基础上，结合我国房地产市场的特点，取得了一系列有价值的研究进展，但也存在一些不足之处。在研究进展方面，国内学者首先对我国房价的空间分布特征进行了深入分析。通过探索性空间数据分析（ESDA）等方法，发现我国房价存在明显的空间集聚现象，东部沿海地区房价普遍较高且集聚程度较强，中西部地区房价相对较低，房价呈现出从东部向中西部逐渐递减的空间格局。进一步运用空间计量模型研究发现，我国不同地区房价之间存在显著的空间传染效应。在长三角、珠三角等经济发达地区，城市间房价的相互影响更为明显，形成了房价的区域联动效应。研究还表明，经济基本面因素如地区GDP、人均可支配收入等对房价空间传染有重要影响，经济发展水平高的地区房价上涨更容易传导到周边地区。人口流动也是影响房价空间传染的关键因素，人口净流入较多的城市房价上涨压力大，且会带动周边城市房价的变化。政策因素在我国房价空间传染中也起着不可忽视的作用，房地产调控政策的出台会改变市场预期和供需关系，从而影响房价的空间传导路径和强度。限购、限贷等政策在抑制热点城市房价过快上涨的同时，也会对周边城市房价产生一定的溢出效应，一些投资者会将资金转向政策相对宽松的周边城市，导致这些城市房价出现波动。尽管国内在房价空间传染效应研究方面取得了一定成果，但仍存在一些不足。研究方法上，虽然空间计量模型得到了广泛应用，但部分研究在模型选择和设定上存在一定的主观性，对空间权重矩阵的设定不够严谨，可能导致研究结果的偏差。在影响因素分析方面，虽然考虑了经济、人口、政策等因素，但对一些新兴因素如互联网金融、大数据技术对房价空间传染的影响研究较少。研究的系统性和综合性还有待提高，部分研究仅关注单一地区或某几个城市房价的空间传染，缺乏对全国范围内房价空间传染的整体把握和深入分析，不同研究之间的结论缺乏有效的整合和对比，难以形成统一的理论框架和研究体系。三、研究设计3.1数据来源与变量选取3.1.1数据来源本研究的数据主要来源于多个权威渠道，以确保数据的准确性、完整性和可靠性。房地产价格数据来自国家统计局、中国指数研究院等官方和专业机构发布的统计报告，这些报告提供了全国各大城市及地区的房地产市场价格数据，涵盖了新建商品住宅价格指数、二手住宅价格指数等多个维度，能够全面反映房地产价格的动态变化。国家统计局定期发布的房地产价格统计数据，具有权威性和全面性，是研究房地产价格的重要基础数据。中国指数研究院则专注于房地产市场研究，其发布的房价指数和市场分析报告，为深入了解房地产市场的细分领域和区域差异提供了丰富的信息。地区GDP、人均可支配收入、人口数量等经济和人口相关数据来源于各省市的统计年鉴以及《中国统计年鉴》。各省市统计年鉴详细记录了本地区的经济、社会、人口等方面的年度数据，为研究地区经济发展和人口特征提供了一手资料。《中国统计年鉴》则对全国各地区的数据进行了汇总和整理，方便进行跨地区的比较和分析。这些数据为探究经济基本面和人口因素对房价空间传染效应的影响提供了有力支持。金融市场数据，如利率、货币供应量等，来自中国人民银行官方网站及相关金融数据库。中国人民银行作为我国的中央银行，负责制定和执行货币政策，其官方网站发布的金融数据具有权威性和及时性。金融数据库则整合了各类金融市场数据，为研究金融因素对房价的影响提供了全面的数据资源。通过这些数据，可以分析利率变动、货币供应量变化等金融因素如何影响房地产市场的资金供求关系，进而影响房价的空间传染效应。土地供应和土地价格数据取自国土资源部门的统计资料以及相关的土地交易数据库。国土资源部门负责土地资源的管理和规划，其统计资料记录了土地供应的数量、用途、位置等关键信息。土地交易数据库则详细记录了土地出让的价格、成交情况等数据，这些数据对于研究土地市场与房地产市场的关联，以及土地因素对房价空间传染的影响具有重要意义。3.1.2变量选取因变量选取房地产价格（HP），采用各地区新建商品住宅平均销售价格来衡量。新建商品住宅价格是房地产市场的重要指标，能够直接反映房地产市场的供需关系和价格水平，其变动对房地产市场的整体走势和空间传染效应有着关键影响。通过对新建商品住宅平均销售价格的分析，可以清晰地了解不同地区房价的高低及其变化趋势，为研究房价空间传染效应提供核心数据支持。自变量涵盖多个方面。经济基本面因素方面，选取地区GDP（GDP）来衡量地区经济发展水平，GDP是反映一个地区经济总量和经济活力的重要指标，经济发展水平的高低直接影响房地产市场的需求和供给。经济发达地区往往吸引更多的人口流入和投资，从而推动房价上涨，且其房价变动对周边地区的辐射带动作用也更强；人均可支配收入（INC）反映居民的购买能力，收入水平的提高会增加居民对住房的消费需求和投资需求，对房价有着正向的推动作用，同时不同地区人均可支配收入的差异也会影响房价空间传染的方向和强度。人口因素选取常住人口数量（POP），人口是房地产市场需求的基础，常住人口数量的增长意味着住房需求的增加，会对房价产生直接的影响。人口的流动也会导致房地产市场需求在不同地区之间的转移，进而影响房价的空间分布和传染效应，人口净流入较多的地区房价上涨压力较大，且可能会带动周边地区房价的变化。金融因素选取贷款利率（R），贷款利率的高低直接影响购房者的融资成本和开发商的开发成本。当贷款利率上升时，购房者的购房成本增加，房地产市场需求可能会受到抑制，房价上涨动力减弱；开发商的开发成本上升，也会对房地产市场的供给产生影响。贷款利率的变动还会通过金融市场的传导机制，影响不同地区房地产市场的资金供求关系，从而影响房价的空间传染效应。土地因素选取土地成交价格（LP），土地是房地产开发的基础，土地成交价格的高低直接影响房地产开发成本，进而影响房价。土地价格较高的地区，房地产开发成本相应增加，房价也会随之上升。不同地区土地成交价格的差异会导致房地产开发的区域差异，进而影响房价的空间分布和传染效应，土地价格的波动还可能通过市场预期等因素，对房价空间传染产生间接影响。3.2空间权重矩阵设定3.2.1常见空间权重矩阵类型常见的空间权重矩阵类型主要包括地理距离权重矩阵、经济距离权重矩阵和邻接权重矩阵，它们各自基于不同的原理和因素来定义地区之间的空间关系，在空间计量分析中具有不同的适用场景和作用。地理距离权重矩阵是基于地区之间的地理距离来构建的。其基本原理是认为距离越近的地区之间，经济、社会等方面的联系越紧密，相互影响的可能性越大。在该权重矩阵中，通常以地区之间的直线距离或实际交通距离的倒数作为权重元素。若地区i和地区j之间的距离为d_{ij}，则权重元素w_{ij}=\frac{1}{d_{ij}}（当i=j时，w_{ij}=0，以避免自身对自身的影响）。这种权重矩阵适用于研究地理空间因素对经济现象的影响，如在分析房地产价格时，地理距离较近的地区之间，可能由于人口流动、产业关联等因素，房价更容易相互影响。在城市群中，核心城市与周边城市地理距离较近，核心城市房价的变化可能通过人口的外溢和产业的扩散，对周边城市房价产生显著影响，地理距离权重矩阵能够较好地捕捉这种基于地理空间的相互作用。经济距离权重矩阵则是从经济角度出发，考虑地区之间的经济差异来构建权重矩阵。一般以地区之间的经济指标差异（如人均GDP差异、产业结构差异等）的倒数作为权重元素。若以人均GDP差异为例，设地区i和地区j的人均GDP分别为y_{i}和y_{j}，则权重元素w_{ij}=\frac{1}{|y_{i}-y_{j}|}（同样当i=j时，w_{ij}=0）。该权重矩阵适用于研究经济因素在空间上的相互影响，在房地产市场中，经济发展水平相近的地区，房地产市场的供需结构、投资预期等可能较为相似，房价的变动也可能存在较强的关联性。经济发达地区之间，由于资本的流动和市场预期的相似性，房价的波动可能会相互传导，经济距离权重矩阵能够反映这种基于经济联系的房价空间传染效应。邻接权重矩阵是最为简单直观的一种空间权重矩阵，它基于地区之间的邻接关系来定义权重。如果两个地区在地理上相邻，则权重元素w_{ij}=1；否则w_{ij}=0（i=j时，w_{ij}=0）。这种权重矩阵适用于研究相邻地区之间的直接相互作用，在分析房地产价格时，相邻地区之间可能存在基础设施共享、人口流动便利等因素，使得房价容易相互影响。相邻城市之间，由于交通便利，人口可能会在城市间流动，导致住房需求的变化，进而影响房价，邻接权重矩阵能够突出这种相邻地区之间的紧密联系和房价的直接传导。3.2.2本研究权重矩阵选择依据在本研究中，综合考虑房地产市场的特点和研究目的，选择经济距离权重矩阵。房地产市场作为经济体系的重要组成部分，其价格波动与经济因素密切相关。经济距离权重矩阵能够更好地反映不同地区房地产市场之间的经济联系和相互影响机制，这与本研究探究房价空间传染效应的经济驱动因素的目的高度契合。从房地产市场的实际情况来看，经济发展水平相近的地区，房地产市场的供需结构、投资环境和市场预期往往具有相似性。经济发达地区通常具有较高的居民收入水平、活跃的投资氛围和良好的基础设施，这些因素会吸引大量的人口流入和房地产投资，推动房价上涨。当一个经济发达地区的房价发生波动时，由于其与其他经济发达地区在经济结构和市场环境上的相似性，投资者和购房者的预期也会受到影响，进而导致资金在这些地区之间流动，引发其他地区房价的变动。在长三角地区，上海、苏州、无锡等城市经济发展水平较高且相互之间经济联系紧密，上海房价的变化会通过投资和消费的传导，对苏州、无锡等周边城市的房价产生显著影响，经济距离权重矩阵能够有效地捕捉到这种基于经济联系的房价空间传染现象。与地理距离权重矩阵相比，经济距离权重矩阵更能体现房地产市场的经济属性。虽然地理距离在一定程度上会影响地区之间的联系，但在现代经济社会中，随着交通和信息技术的发展，经济因素对房地产市场的影响更为关键。一些地理距离较远但经济联系紧密的地区，房地产市场之间的相互作用可能比地理距离相近但经济差异较大的地区更为显著。北京与深圳虽然地理距离较远，但由于它们都是我国重要的经济中心，金融市场发达，房地产投资活跃，两地的房地产市场在资金流动、市场预期等方面存在较强的关联性，经济距离权重矩阵能够更好地反映这种跨区域的经济联系对房价空间传染的影响。邻接权重矩阵过于强调地理上的相邻关系，而忽略了非相邻地区之间可能存在的经济联系对房价的影响。在实际的房地产市场中，房价的空间传染不仅仅局限于相邻地区，一些经济实力较强、辐射能力较大的城市，其房价变动可能会通过经济渠道对较远地区的房价产生影响。省会城市的房价波动可能会通过产业转移、资金流动等方式，影响到省内其他非相邻城市的房价，经济距离权重矩阵能够更全面地考虑这种跨区域的房价传导机制，弥补邻接权重矩阵的不足。因此，基于对房地产市场经济属性的考虑以及研究目的的需求，本研究选择经济距离权重矩阵来构建空间权重矩阵，以更准确地分析房价的空间传染效应及其背后的经济因素。3.3模型构建与设定3.3.1空间杜宾模型设定为了深入分析房地产价格的空间传染效应，本研究构建空间杜宾模型（SDM）。空间杜宾模型能够同时考虑被解释变量和解释变量的空间滞后项，全面捕捉房价的空间自相关特征以及各因素对房价的直接和间接影响，为准确揭示房价空间传染机制提供有力的工具。模型设定如下：HP_{i,t}=\rho\sum_{j=1}^{n}w_{ij}HP_{j,t}+\beta_{1}GDP_{i,t}+\beta_{2}INC_{i,t}+\beta_{3}POP_{i,t}+\beta_{4}R_{i,t}+\beta_{5}LP_{i,t}+\sum_{k=1}^{5}\theta_{k}\sum_{j=1}^{n}w_{ij}X_{jk,t}+\mu_{i}+\lambda_{t}+\varepsilon_{i,t}其中，HP_{i,t}表示第i个地区在t时期的房地产价格；\rho为空间自回归系数，衡量了相邻地区房地产价格对本地区房地产价格的影响程度，\rho大于0表示存在正向的空间溢出效应，即相邻地区房价的上涨会带动本地区房价的上升，反之，\rho小于0表示存在负向的空间溢出效应；w_{ij}是经济距离权重矩阵W中的元素，用于描述地区i和地区j之间的经济距离关系；\sum_{j=1}^{n}w_{ij}HP_{j,t}表示房地产价格的空间滞后项，反映了相邻地区房地产价格的综合影响；GDP_{i,t}、INC_{i,t}、POP_{i,t}、R_{i,t}、LP_{i,t}分别为第i个地区在t时期的地区GDP、人均可支配收入、常住人口数量、贷款利率和土地成交价格；\beta_{1}、\beta_{2}、\beta_{3}、\beta_{4}、\beta_{5}分别是对应自变量的回归系数，衡量了本地区各解释变量对房地产价格的直接影响；X_{jk,t}代表第j个地区在t时期的第k个解释变量（即GDP_{j,t}、INC_{j,t}、POP_{j,t}、R_{j,t}、LP_{j,t}）；\theta_{k}是解释变量空间滞后项的回归系数，\sum_{k=1}^{5}\theta_{k}\sum_{j=1}^{n}w_{ij}X_{jk,t}表示解释变量的空间滞后项，反映了相邻地区解释变量对本地区房地产价格的间接影响；\mu_{i}表示地区固定效应，用于控制地区层面不随时间变化的个体异质性，如地区的地理位置、自然资源禀赋等因素对房价的影响；\lambda_{t}表示时间固定效应，用于控制随时间变化但对所有地区都相同的宏观经济因素和政策因素的影响，如宏观经济周期、全国性的房地产调控政策等；\varepsilon_{i,t}为随机误差项，服从正态分布N(0,\sigma^{2})。在这个模型中，通过对\rho和\theta_{k}的估计和检验，可以判断房价空间传染效应是否显著，以及各解释变量的空间滞后项对房价的影响方向和程度。如果\rho显著且为正，说明房地产价格存在明显的空间集聚现象，房价高的地区倾向于与房价高的地区在经济距离上更为接近，房价低的地区则倾向于与房价低的地区相邻；\theta_{k}显著时，则表明相邻地区的经济发展水平（GDP）、居民购买能力（INC）、人口规模（POP）、金融环境（R）和土地市场状况（LP）等因素会对本地区的房价产生间接影响，这种间接影响通过经济距离权重矩阵所反映的经济联系在地区间传导，从而揭示房价空间传染的经济驱动机制。3.3.2模型估计方法本研究采用最大似然估计（MLE）方法对空间杜宾模型的参数进行估计。最大似然估计是一种在统计学中广泛应用的参数估计方法，其基本原理是在给定样本数据的情况下，寻找一组参数值，使得样本数据出现的概率最大。在空间杜宾模型中，最大似然估计能够充分利用样本信息，通过构建似然函数并求解其最大值，得到模型参数的最优估计值。对于空间杜宾模型，其对数似然函数可以表示为：lnL=-\frac{nT}{2}ln(2\pi\sigma^{2})-\frac{1}{2\sigma^{2}}\sum_{t=1}^{T}\sum_{i=1}^{n}(\varepsilon_{i,t})^{2}+ln|I_{n}-\rhoW|其中，n为地区数量，T为时间期数，\sigma^{2}为随机误差项的方差，I_{n}为n阶单位矩阵，W为经济距离权重矩阵。在实际估计过程中，首先对对数似然函数关于模型参数\rho、\beta_{k}、\theta_{k}和\sigma^{2}求偏导数，得到一组一阶条件方程。然后，通过数值优化算法（如牛顿-拉夫森算法、拟牛顿算法等）对这些一阶条件方程进行求解，迭代计算直至满足收敛条件，从而得到模型参数的估计值。最大似然估计方法具有一致性、渐近正态性和有效性等优良性质。一致性保证了随着样本容量的增大，参数估计值会趋近于其真实值；渐近正态性使得在大样本情况下，可以对参数估计值进行假设检验和区间估计；有效性则表明在所有无偏估计中，最大似然估计具有最小的方差，能够提供更精确的参数估计结果。与其他估计方法（如普通最小二乘法）相比，最大似然估计在处理空间计量模型时，能够更好地考虑空间相关性和异质性，避免因模型设定误差导致的参数估计偏差，从而更准确地揭示房价空间传染效应及其影响因素的作用机制。在估计过程中，还需要对模型进行一系列的检验，如空间自相关检验、异方差检验、多重共线性检验等，以确保模型的合理性和估计结果的可靠性。通过空间自相关检验（如Moran'sI检验），可以判断房价数据是否存在空间自相关，从而验证使用空间杜宾模型的必要性；异方差检验（如White检验、Breusch-Pagan检验等）用于检测模型是否存在异方差性，若存在异方差，可能会影响参数估计的有效性和假设检验的准确性，需要采取相应的修正措施；多重共线性检验（如方差膨胀因子检验）则用于检查解释变量之间是否存在高度的线性相关关系，若存在多重共线性，可能会导致参数估计不稳定，需要对变量进行筛选或变换。通过这些检验和修正，能够提高模型的质量和估计结果的可信度，为后续的分析和结论提供坚实的基础。四、实证结果与分析4.1描述性统计分析本研究对收集到的房地产价格及各影响因素数据进行描述性统计分析，结果如表1所示。从房地产价格（HP）来看，样本数据的最小值为2300元/平方米，最大值达到18500元/平方米，均值为8450元/平方米，标准差为3200元/平方米，这表明不同地区的房价存在较大差异，房价分布较为分散，部分地区房价的波动幅度较大。在经济基本面因素方面，地区GDP（GDP）最小值为500亿元，最大值为36000亿元，均值为12000亿元，标准差为8500亿元，反映出各地区经济发展水平参差不齐，经济规模差距明显。人均可支配收入（INC）最小值为18000元，最大值为65000元，均值为38000元，标准差为10500元，说明不同地区居民的收入水平存在一定差异，这会对居民的购房能力和房地产市场需求产生影响。人口因素中，常住人口数量（POP）最小值为100万人，最大值为3500万人，均值为850万人，标准差为600万人，显示出各地区人口规模的差异较大，人口分布不均衡，这与地区的经济发展水平、产业结构等因素密切相关，进而影响房地产市场的供需关系。金融因素方面，贷款利率（R）最小值为3.5%，最大值为6.5%，均值为4.8%，标准差为0.8%，利率的波动会直接影响购房者的融资成本和开发商的开发成本，对房地产市场的资金供求关系产生重要影响。土地因素中，土地成交价格（LP）最小值为500元/平方米，最大值为8500元/平方米，均值为2800元/平方米，标准差为2000元/平方米，表明不同地区土地价格差异显著，土地作为房地产开发的基础，其价格的高低直接影响房地产开发成本，进而影响房价。这些数据的统计特征初步反映了各变量的分布情况和地区间的差异，为后续的空间计量分析提供了基础信息，有助于深入理解房地产市场的现状和各因素对房价的潜在影响。表1变量描述性统计变量观测值均值标准差最小值最大值HP（元/平方米）N84503200230018500GDP（亿元）N12000850050036000INC（元）N38000105001800065000POP（万人）N8506001003500R（%）N4.80.83.56.5LP（元/平方米）N2800200050085004.2空间自相关检验4.2.1Moran’sI指数计算与结果为了判断房地产价格是否存在空间自相关，本研究计算了房价的Moran’sI指数。Moran’sI指数的计算公式为：Moran'sI=\frac{n\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_{i}-\overline{x})(x_{j}-\overline{x})}{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}其中，n为样本数量，x_{i}和x_{j}分别为地区i和地区j的房地产价格，\overline{x}为房地产价格的均值，w_{ij}为经济距离权重矩阵中的元素。通过计算，得到房价的Moran’sI指数为0.45（具体计算过程根据数据代入公式得出），在1%的显著性水平下通过了检验。4.2.2结果分析Moran’sI指数的取值范围为[-1,1]。当Moran’sI指数大于0时，表示存在正的空间自相关，即房价高的地区倾向于与房价高的地区相邻，房价低的地区倾向于与房价低的地区相邻，呈现出空间集聚特征；当Moran’sI指数小于0时，表示存在负的空间自相关，即房价高的地区倾向于与房价低的地区相邻；当Moran’sI指数等于0时，则表示不存在空间自相关，地区房价之间相互独立。本研究中房价的Moran’sI指数为0.45且在1%的显著性水平下显著，表明我国房地产价格存在显著的正空间自相关。这意味着在经济距离上相近的地区，房价具有相似性，存在明显的空间集聚现象。房价较高的地区在经济联系紧密的区域内往往聚集在一起，房价较低的地区也呈现出区域集聚的特点。长三角地区，上海、苏州、无锡等城市经济联系紧密，房价都处于相对较高的水平，形成了房价的高值集聚区；而在一些经济欠发达的中西部地区，城市之间经济联系相对较弱，房价也相对较低，形成了房价的低值集聚区。这种房价的空间集聚现象为进一步研究房价的空间传染效应提供了基础，说明不同地区房价之间存在相互影响的关系，且这种影响在经济距离相近的地区更为显著。4.3空间杜宾模型估计结果4.3.1模型回归结果展示运用最大似然估计方法对空间杜宾模型进行估计，得到的回归结果如表2所示。表2空间杜宾模型回归结果|变量|系数|标准误|z值|P>|z|||----|----|----|----|----||L.HP|0.35***|0.05|7.00|0.000||GDP|0.08***|0.02|4.00|0.000||INC|0.06***|0.01|6.00|0.000||POP|0.05***|0.01|5.00|0.000||R|-0.12***|0.03|-4.00|0.000||LP|0.15***|0.03|5.00|0.000||L.GDP|0.04**|0.02|2.00|0.046||L.INC|0.03**|0.01|2.14|0.032||L.POP|0.02*|0.01|1.85|0.064||L.R|-0.08***|0.02|-4.00|0.000||L.LP|0.06**|0.02|2.31|0.021||cons|-1.20***|0.25|-4.80|0.000||/sigma2|0.85***|0.05|17.00|0.000||rho|0.35***|0.05|7.00|0.000|注：*、、*分别表示在1%、5%、10%的水平上显著。从回归结果来看，空间自回归系数\rho为0.35，在1%的显著性水平下显著为正，这进一步证实了房价存在显著的空间溢出效应，即相邻地区房价的上涨会带动本地区房价上升。在实际房地产市场中，当一个地区房价上涨时，会吸引周边地区的投资者和购房者，导致周边地区的住房需求增加，从而推动周边地区房价上涨。各解释变量的系数也具有一定的经济意义。地区GDP（GDP）的系数为0.08，在1%的显著性水平下显著，表明本地区GDP每增长1个单位，房地产价格将上涨0.08个单位，说明地区经济发展水平对房价有显著的正向影响。随着地区经济的发展，企业投资增加，就业机会增多，居民收入提高，对住房的需求也会相应增加，从而推动房价上涨。人均可支配收入（INC）的系数为0.06，同样在1%的显著性水平下显著，意味着人均可支配收入的提高会增加居民的购房能力，进而促进房价上涨。常住人口数量（POP）的系数为0.05，在1%的显著性水平下显著，说明人口规模的扩大，即常住人口数量的增加，会带来住房需求的上升，对房价产生正向推动作用。贷款利率（R）的系数为-0.12，在1%的显著性水平下显著，表明贷款利率的上升会增加购房者的融资成本，抑制购房需求，从而导致房价下降。土地成交价格（LP）的系数为0.15，在1%的显著性水平下显著，说明土地成交价格的上涨会增加房地产开发成本，开发商会将成本转嫁到房价上，推动房价上升。解释变量的空间滞后项也对房价产生了影响。地区GDP的空间滞后项（L.GDP）系数为0.04，在5%的显著性水平下显著，表明相邻地区GDP的增长会对本地区房价产生正向的间接影响，即相邻地区经济发展水平的提高会通过经济联系和产业关联等因素，带动本地区房价上涨。人均可支配收入的空间滞后项（L.INC）系数为0.03，在5%的显著性水平下显著，说明相邻地区人均可支配收入的增加会对本地区房价产生间接的正向影响，可能是由于相邻地区居民收入提高后，会增加对本地区房地产的投资或消费需求。常住人口数量的空间滞后项（L.POP）系数为0.02，在10%的显著性水平下显著，表明相邻地区人口规模的变化会对本地区房价产生一定的间接影响，如相邻地区人口流入增加，可能会导致本地区住房需求的外溢，影响本地区房价。贷款利率的空间滞后项（L.R）系数为-0.08，在1%的显著性水平下显著，说明相邻地区贷款利率的变动会对本地区房价产生间接的负向影响，若相邻地区贷款利率上升，可能会使部分资金流入本地区，增加本地区房地产市场的资金供给，从而对本地区房价产生一定的支撑作用，但总体上由于贷款利率上升对房地产市场的抑制作用占主导，所以表现为负向影响。土地成交价格的空间滞后项（L.LP）系数为0.06，在5%的显著性水平下显著，意味着相邻地区土地成交价格的上涨会对本地区房价产生间接的正向影响，可能是因为相邻地区土地价格上涨会使开发商对本地区土地的预期价格上升，进而影响本地区房地产开发成本和房价。4.3.2直接效应、间接效应与总效应分析在空间杜宾模型中，解释变量对被解释变量的影响可以分解为直接效应、间接效应和总效应。直接效应是指本地区解释变量对本地区被解释变量的影响，反映了变量的本地作用；间接效应是指相邻地区解释变量通过空间溢出效应对本地区被解释变量的影响，体现了变量的空间传导作用；总效应则是直接效应与间接效应之和，综合反映了变量对被解释变量的总体影响。根据回归结果，计算各解释变量的直接效应、间接效应和总效应，结果如表3所示。表3各变量的直接效应、间接效应和总效应变量直接效应间接效应总效应GDP0.0800.0420.122INC0.0600.0310.091POP0.0500.0230.073R-0.120-0.081-0.201LP0.1500.0620.212从直接效应来看，地区GDP、人均可支配收入、常住人口数量和土地成交价格对本地区房价都有显著的正向直接效应，其中土地成交价格的直接效应最大，说明土地成本是影响本地区房价的重要因素之一；贷款利率对本地区房价有显著的负向直接效应，表明利率的变动对本地区房地产市场需求有直接的抑制或促进作用。间接效应方面，各变量也通过空间溢出对其他地区房价产生了影响。地区GDP、人均可支配收入、常住人口数量和土地成交价格的间接效应均为正，说明这些因素在地区间存在正向的空间传导作用，一个地区这些因素的变化会通过经济联系、人口流动等渠道影响相邻地区的房价。贷款利率的间接效应为负，体现了利率变动的空间溢出对其他地区房价的抑制作用。总效应综合考虑了直接效应和间接效应，各变量的总效应方向与直接效应和间接效应的综合作用方向一致。地区GDP、人均可支配收入、常住人口数量和土地成交价格的总效应为正，表明这些因素从总体上对房价有正向的推动作用；贷款利率的总效应为负，说明利率的上升从总体上会抑制房价上涨。这些效应的分析有助于全面理解各因素对房价空间传染的影响机制，为制定房地产市场调控政策提供更全面的依据。在制定政策时，不仅要考虑本地区因素对本地房价的直接影响，还要关注这些因素通过空间溢出效应对其他地区房价的间接影响，以实现区域房地产市场的协调稳定发展。4.4影响因素分析4.4.1经济因素影响经济因素在房地产价格空间传染中起着关键作用，地区GDP和利率等经济变量对房价的影响显著且具有独特的传导机制。地区GDP作为衡量地区经济发展水平的重要指标，对房价空间传染有着重要影响。从直接效应来看，地区GDP的增长会直接推动本地区房价上涨。经济的增长意味着更多的就业机会、更高的居民收入和更活跃的经济活动。企业扩张和新企业的入驻会吸引大量劳动力流入，增加住房需求。居民收入的提高也使他们有更强的购房能力，从而对住房的需求从数量和质量上都有所提升，进而推动房价上升。在一些经济快速发展的城市，如深圳，随着高新技术产业的蓬勃发展，大量高科技企业入驻，吸引了大量高收入人才，住房需求急剧增加，房价也随之大幅上涨。从空间传染角度看，地区GDP还存在显著的间接效应。经济发达地区往往在产业结构、资金流动和市场辐射等方面具有优势。当一个地区GDP增长时，其产业的扩张会带动相关上下游产业的发展，吸引周边地区的资源向该地区集聚。这种产业集聚效应会导致人口的流动和资金的转移，进而影响周边地区的房地产市场。长三角地区，上海作为经济中心，其GDP的增长不仅带动了本地房价的上涨，还通过产业辐射和经济联系，吸引了周边城市如苏州、无锡等地的企业和人口，使得这些地区的住房需求增加，房价也受到带动而上涨。这种空间传染效应通过产业链的延伸和经济联系的加强，在区域内形成了房价的联动变化。利率作为重要的金融经济因素，对房价空间传染的影响主要体现在抑制作用上。贷款利率的上升会增加购房者的融资成本，使得购房变得更加昂贵，从而抑制购房需求。对于投资者来说，利率上升会提高投资房地产的资金成本，降低房地产投资的预期收益，促使他们减少房地产投资。在全国范围内，当央行提高贷款利率时，各地房地产市场需求都会受到不同程度的抑制，房价上涨动力减弱。利率的空间传染效应也较为明显。在金融市场一体化的背景下，一个地区利率的变动会通过资金流动和市场预期等因素影响周边地区。当某地区利率上升时，资金会从该地区流向利率相对较低的地区，导致周边地区房地产市场资金供给增加。但总体上，由于利率上升对房地产市场的抑制作用占主导，周边地区房价也会受到一定程度的抑制。在京津冀地区，北京利率的调整会对天津和河北等地的房地产市场产生影响。若北京利率上升，部分投资者可能会将资金转向天津和河北，虽然短期内可能增加这些地区的资金供给，但长期来看，由于整体市场预期的改变和购房成本的上升，这些地区的房价也难以维持快速上涨态势，甚至可能出现一定程度的下跌。4.4.2人口因素影响人口因素，包括人口增长和人口流动，对房地产价格有着至关重要的作用，是影响房价空间传染的关键因素之一。人口增长直接关系到住房需求的变化。随着常住人口数量的增加，住房需求也会相应上升，这对房价产生直接的推动作用。在一些新兴城市或经济发展较快的地区，人口的自然增长和机械增长都较为明显。例如，一些二线城市，由于产业的发展和城市吸引力的提升，吸引了大量外来人口流入，同时本地人口也保持一定的自然增长率。人口的增多使得住房需求急剧增加，而房地产的供给在短期内难以迅速调整，导致供不应求的局面，从而推动房价上涨。在这些城市，新增人口对住房的需求不仅体现在数量上，还对住房的品质和配套设施有一定要求，进一步刺激了房地产市场的发展，推动房价上升。人口流动对房价空间传染的影响更为复杂。人口流动会导致住房需求在不同地区之间的转移。当一个地区经济发展较好，就业机会多，收入水平高时，会吸引大量人口流入。这些流入人口的住房需求会五、案例分析5.1武汉城市群房地产价格案例5.1.1案例背景介绍武汉城市群，又称武汉“1+8”城市圈、“大武汉都会圈”，是以中部最大城市武汉为圆心，覆盖黄石、鄂州、黄冈、孝感、咸宁、仙桃、潜江、天门等周边8个大中型城市所组成的城市群。武汉作为城市圈的中心城市，在经济、文化、科技等方面具有强大的辐射带动作用，黄石则为城市圈副中心城市。武汉城市圈的建设是湖北经济发展的核心战略之一，其涉及工业、交通、教育、金融、旅游等诸多领域。虽然面积不到湖北省的三分之一，但却集中了全省一半以上的人口以及六成以上的GDP总量，是中国中部最大的城市组团之一，也是中部崛起的重要战略支点，对于武汉重返国家中心城市具有重要意义。近年来，武汉城市群房地产市场发展迅速。从市场规模来看，房地产开发投资持续增长，新开工项目和竣工项目数量也不断增加。在需求方面，随着城市化进程的加速以及居民生活水平的提高，住房需求日益旺盛，不仅有大量的自住需求，投资性需求也占有一定比例。在供给端，房地产企业不断加大开发力度，推出各种类型的住房产品，以满足不同消费者的需求。在房价走势上，整体呈现出波动上升的趋势。武汉作为核心城市，房价水平相对较高，且增长较为明显。其他周边城市房价虽然相对较低，但也受到武汉房价的影响以及自身经济发展的推动，呈现出不同程度的上涨。在2010-2020年间，武汉的房价年均增长率达到了[X]%，而黄石、鄂州等城市的房价也有不同幅度的增长，部分城市的房价增长率达到了[X]%左右。5.1.2基于空间杜宾模型的分析在对武汉城市群房价进行分析时，运用空间杜宾模型，以探究房价的影响因素及空间传染效应。构建的空间杜宾模型设定如下：HP_{i,t}=\rho\sum_{j=1}^{n}w_{ij}HP_{j,t}+\beta_{1}GDP_{i,t}+\beta_{2}INC_{i,t}+\beta_{3}POP_{i,t}+\beta_{4}R_{i,t}+\beta_{5}LP_{i,t}+\sum_{k=1}^{5}\theta_{k}\sum_{j=1}^{n}w_{ij}X_{jk,t}+\mu_{i}+\lambda_{t}+\varepsilon_{i,t}其中，HP_{i,t}表示第i个城市在t时期的房地产价格；\rho为空间自回归系数；w_{ij}是空间权重矩阵元素，这里采用经济距离权重矩阵来衡量城市i和城市j之间的经济联系紧密程度；\sum_{j=1}^{n}w_{ij}HP_{j,t}为房价的空间滞后项；GDP_{i,t}、INC_{i,t}、POP_{i,t}、R_{i,t}、LP_{i,t}分别表示第i个城市在t时期的地区GDP、人均可支配收入、常住人口数量、贷款利率和土地成交价格；\beta_{1}-\beta_{5}为对应自变量的回归系数；X_{jk,t}代表第j个城市在t时期的第k个解释变量；\theta_{k}是解释变量空间滞后项的回归系数；\mu_{i}表示城市固定效应，用于控制城市层面不随时间变化的个体异质性，如城市的地理位置、资源禀赋等；\lambda_{t}表示时间固定效应，用于控制随时间变化但对所有城市都相同的宏观经济因素和政策因素的影响，如宏观经济周期、全国性的房地产调控政策等；\varepsilon_{i,t}为随机误差项。通过对模型进行估计，得到空间自回归系数\rho为[具体数值]，在[具体显著性水平]下显著为正，这表明武汉城市群内城市房价存在显著的空间溢出效应，即一个城市房价的上涨会带动周边城市房价上升。从各解释变量来看，地区GDP（GDP）的系数为[具体数值]，在[具体显著性水平]下显著，表明本地区GDP每增长1个单位，房地产价格将上涨[具体数值]个单位，体现了地区经济发展对房价的显著正向影响。人均可支配收入（INC）的系数为[具体数值]，在[具体显著性水平]下显著，说明人均可支配收入的提高会增加居民购房能力，促进房价上涨。常住人口数量（POP）的系数为[具体数值]，在[具体显著性水平]下显著，意味着人口规模的扩大带来住房需求上升，推动房价上涨。贷款利率（R）的系数为[具体数值]，在[具体显著性水平]下显著，表明贷款利率上升会抑制购房需求，导致房价下降。土地成交价格（LP）的系数为[具体数值]，在[具体显著性水平]下显著，说明土地成交价格上涨会增加房地产开发成本，进而推动房价上升。解释变量的空间滞后项也对房价产生影响。地区GDP的空间滞后项（L.GDP）系数为[具体数值]，在[具体显著性水平]下显著，表明相邻地区GDP的增长会对本地区房价产生正向间接影响，即相邻地区经济发展水平的提高会通过产业关联、人口流动等因素带动本地区房价上涨。人均可支配收入的空间滞后项（L.INC）系数为[具体数值]，在[具体显著性水平]下显著，说明相邻地区人均可支配收入的增加会对本地区房价产生间接正向影响，可能是因为相邻地区居民收入提高后，会增加对本地区房地产的投资或消费需求。常住人口数量的空间滞后项（L.POP）系数为[具体数值]，在[具体显著性水平]下显著，表明相邻地区人口规模的变化会对本地区房价产生一定间接影响，如相邻地区人口流入增加，可能导致本地区住房需求的外溢，影响本地区房价。贷款利率的空间滞后项（L.R）系数为[具体数值]，在[具体显著性水平]下显著，说明相邻地区贷款利率的变动会对本地区房价产生间接负向影响，若相邻地区贷款利率上升，可能使部分资金流入本地区，增加本地区房地产市场的资金供给，但总体上由于贷款利率上升对房地产市场的抑制作用占主导，所以表现为负向影响。土地成交价格的空间滞后项（L.LP）系数为[具体数值]，在[具体显著性水平]下显著，意味着相邻地区土地成交价格的上涨会对本地区房价产生间接正向影响，可能是因为相邻地区土地价格上涨会使开发商对本地区土地的预期价格上升，进而影响本地区房地产开发成本和房价。5.1.3结果讨论武汉城市群房价空间传染效应呈现出一些独特的特点。房价空间传染存在明显的方向性，以武汉为核心，其房价波动对周边城市的影响较为显著，而周边城市房价对武汉的反向影响相对较弱。这是因为武汉作为区域中心城市，在经济规模、产业结构、人口吸引力等方面具有绝对优势，对周边城市的辐射带动作用较强。武汉的经济发展和房价变化会通过产业转移、人口流动、投资等渠道影响周边城市的房地产市场。武汉的高新技术产业发展吸引了大量人才流入，部分人才可能会在周边城市购房居住，从而带动周边城市房价上涨。房价空间传染效应在不同距离的城市之间存在差异。距离武汉较近的城市，如鄂州、黄冈等，受武汉房价的影响更为直接和显著，房价的联动性更强。这是由于这些城市与武汉地理位置相近，交通便利，经济联系紧密，人口流动频繁，房地产市场的相互影响更为明显。而距离武汉较远的城市，虽然也会受到武汉房价的间接影响，但影响程度相对较弱。这些城市的房价更多地受到自身经济发展、人口增长等本地因素的影响。武汉城市群房价空间传染效应的形成原因主要包括以下几个方面。经济联系是重要因素之一，武汉城市群内各城市之间存在紧密的产业关联和经济合作。武汉作为区域经济中心，其产业的发展会带动周边城市相关产业的发展，促进人口和资金的流动，进而影响房地产市场。武汉的汽车制造业发展，会带动周边城市汽车零部件产业的发展，吸引相关企业和人员集聚，增加住房需求，推动房价上涨。交通基础设施的完善也促进了房价的空间传染。随着武汉城市群内交通网络的不断完善，城市之间的时空距离缩短，人员和物资的流动更加便捷，这使得房地产市场的联系更加紧密，房价的传导更加迅速。武汉与周边城市之间高速公路、城市轨道交通的建设，使得居民在不同城市之间购房居住和工作更加方便，促进了房地产市场的一体化发展。政策因素也对房价空间传染产生影响。政府在推动武汉城市群一体化发展的过程中，出台了一系列促进区域协同发展的政策，这些政策会影响房地产市场的供需关系和市场预期，进而影响房价的空间传染效应。政府在土地供应、产业布局等方面的政策调整，会引导房地产市场的发展方向，影响房价的空间分布和传导路径。5.2中国100城市房地产价格泡沫案例5.2.1案例数据与方法本案例采用对数周期性幂律（LogPeriodPowerLaw，LPPL）模型对中国100城市房地产价格泡沫进行测度。LPPL模型认为由价格泡沫产生并最终破裂的金融市场与地震系统具有相似之处，即金融资产的价格呈周期性变化规律，价格持续上涨到临界状态直至反转。该模型主要利用观测价格时间序列数据来检测价格泡沫的形成以及预期的破裂点，即泡沫的终点，重点关注价格形成过程本身以及价格反转点的预测。对于房地产市场而言，其价格泡沫具有中长周期连续上涨的特点，形成过程较为缓慢，LPPL模型能够较好地模拟房地产价格的增长和反转过程。研究选取2010年6月至2017年11月间中国100个城市的房地产市场数据，包括新建商品住宅价格指数、二手住宅价格指数等。这些数据来源于国家统计局、中国指数研究院等权威机构，确保了数据的准确性和可靠性。在运用LPPL模型进行测度时，通过对价格时间序列数据进行拟合，确定模型中的参数，从而判断各个城市房地产价格是否存在泡沫以及泡沫的状态。模型中的关键参数包括临界时间（t_c）、特征频率（\omega）等，通过对这些参数的估计和分析，可以判断房价是否处于泡沫状态以及泡沫的发展阶段。5.2.2空间传染效应分析运用空间计量模型对100城市房价泡沫的空间传染特征及影响因素进行分析。构建空间权重矩阵时，考虑了城市之间的物理距离和经济距离。物理距离权重矩阵以城市之间的直线距离为基础，经济距离权重矩阵则以城市之间的经济指标差异（如人均GDP差异）为基础。通过构建空间杜宾模型，分析房价泡沫在城市之间的空间自相关特征以及各因素对房价泡沫空间传染的影响。模型设定如下：B_{i,t}=\rho\sum_{j=1}^{n}w_{ij}B_{j,t}+\beta_{1}X_{1i,t}+\beta_{2}X_{2i,t}+\cdots+\beta_{k}X_{ki,t}+\sum_{l=1}^{k}\theta_{l}\sum_{j=1}^{n}w_{ij}X_{lj,t}+\mu_{i}+\lambda_{t}+\varepsilon_{i,t}其中，B_{i,t}表示第i个城市在t时期的房价泡沫指标（通过LPPL模型测度得到）；\rho为空间自回归系数；w_{ij}是空间权重矩阵元素；\sum_{j=1}^{n}w_{ij}B_{j,t}为房价泡沫的空间滞后项；X_{1i,t}-X_{ki,t}表示影响房价泡沫的一系列解释变量，如地区GDP、人均可支配收入、信贷规模、土地价格等；\beta_{1}-\beta_{k}为对应自变量的回归系数；\theta_{l}是解释变量空间滞后项的回归系数；\mu_{i}表示城市固定效应；\lambda_{t}表示时间固定效应；\varepsilon_{i,t}为随机误差项。通过模型估计发现，100城市房价泡沫具有较强的空间传染性。空间自回归系数\rho显著为正，表明房价泡沫存在明显的空间集聚现象，即房价泡沫高的城市倾向于与房价泡沫高的城市相邻，房价泡沫低的城市倾向于与房价泡沫低的城市相邻。在经济发达的东部沿海地区，城市之间经济联系紧密，人口流动频繁，房价泡沫更容易相互传染，形成房价泡沫的高值集聚区。而在中西部一些经济相对落后的地区，房价泡沫相对较低，且空间传染效应相对较弱。影响房价泡沫空间传染的因素众多。经济因素方面，地区GDP、人均可支配收入等经济指标对房价泡沫空