鲁羽西 詹长根 戴云

摘要：住房问题一直是公众关注的焦点问题，在城镇化进程加快和房价攀升的双重驱动下，住房租赁逐步担负起解决流动人口住房问题的重任。以住宅租金影响因素为研究对象，以特征价格模型为理论模型，以武汉市主城区海量租赁成交数据为数据基础进行实证研究，分析影响住宅租金的各项因素的作用强度。结果表明，建筑面积、就业中心层级、交通便捷度以及物业管理水平因素影响最大，反映了租客在租房决策中的偏好。

关键词：住宅租金;影响因素;特征价格模型

中图分类号：D923 文献标识码：A

文章编号：1001-9138-（2019）04-0058-63 收稿日期：2019-03-18

房屋，蕴藏着中国人民对美好生活的向往与追求，住房问题也是公众和舆论关注的重点问题。随着城市化进程深化和房地产业的不断发展，城市外来人口持续增加，商品住宅价格节节攀升，特别是2014年及2016年出现了全国性房价暴涨，一二线城市高企的房价、限购限贷政策叠加暂时性的供需失衡，使得部分买房需求外溢至租房市场，住房租赁热度持续升高。

随着住房租赁市场的兴起，在政策层面2015年起中央就开始积极推动住房租赁市场发展，确定了住房租赁市场的重要性，住房租赁市场的健康发展成为满足城市新市民住房需求、促进房地产市场平稳发展的关键。学术层面对住房租金的讨论和研究也日渐丰富。国内外学者多采用特征价格模型来进行租金影响因素的定量研究。PapaioannouChadoula构建了2014年色萨利大学城租金的特征价格模型，认为大学生数量和区位是影响这一地区租金的重要因素;王麗华最早运用特征价格模型，构建杭州市租金和18项影响因素的回归模型，量化因素因素作用的强度。此后王一川、蔡菊花等、杨晓冬等、张若曦等以不同城市为研究范围，采用特征价格模型进行了许多应用研究。大量研究成果表明，采用特征价格模型对住房租金进行分析是有效且高效的。目前，国内学者集中在对北京、上海、深圳、广州、杭州等城市进行研究，但对人口净流入的中部代表城市武汉市的租金相关研究却非常少。

本文聚焦于城市住房租金影响因素的识别与量化，以武汉市主城区海量住房租赁成交数据为数据基础，采用特征价格模型作为模型基础进行实证分析，了解各个租金影响因素的强度，这对理解住宅租金内涵和变化实质、维稳和促进住房租赁市场发展有着重要的现实意义。

1特征价格模型

特征价格模型是一种研究商品价格和商品所包含特征之间函数关系的模型，其核心理论被称为特征价格理论，认为消费者愿意支付金额购买的并非商品本身，而是购买商品做包含的能够满足消费者需求的各种效用。也就是说，商品价格由无法直接观测到的多个属性的价格即特征价格组成，而某个属性价格的大小与该属性对商品价格的影响程度大小息息相关。因此，特征价格模型实质就是构建商品价格与各属性之间的函数关系式。据此，住宅租金与影响因素之间的关系可以用表达式1表示。

常用的特征价格模型函数表达式主要是线性函数模型、半对数函数模型和对数函数模型三种形式，在实际的应用中，一般通过选择有效的变量、收集样本数据，依据数据拟合结果最终确定最适当的函数形式。

在模型检验方面，模型估算前检验主要是对自变量之间存在线性关系进行检验，主要方法是对观察自变量之间两两相关系数，若相关系数较高，则认为存在共线性问题，需要对共线性显著的因素进行筛选和剔除。模型结果计量经济学检验主要包括显著性检验、异方差检验和多重共线性检验等。

2研究区域及数据

2.1研究区域

本文研究区域为武汉市主城区，分别为：江岸区、江汉区、硚口区、汉阳区、武昌区、青山区、洪山区。主要原因是这七大主城区是武汉市建成年代最久的区域，而东西湖区、汉南区、蔡甸区、江夏区、黄陂区、新洲区则较晚划入武汉市行政区划，且距离中心城区较远，执行政策法规方面与主城区有所区别，在房地产市场方面也有其特殊性，与主城区关联较小，价格差距较大，租赁市场供求方面也与主城区有较大差别，可以视作不同的房地产市场。

2.2数据来源及处理

需采集的数据包括五类，基础地理信息数据、人口统计数据、住宅租赁成交样点数据、住宅租赁成交小区数据以及各类公共服务设施点数据。

基础地理信息数据包括武汉市行政区划底图、街道划分、水域、主干道等矢量图层信息，均来源于网络开源数据，免费下载得到。通过图层叠加后转换到投影坐标系，作为数据底图使用。

人口统计数据的来源是第六次人口普查数据，提取其中街道人口这一统计量作为人口统计数据。通过空间计算得到各街道人口密度，并进行可视化。

住宅租赁成交样点数据是通过校企合作手段，国内最大的租房平台链家旗下的研究平台——贝壳研究院，开放成交数据库，选取从2018年11月1日到2019年1月31日共3个月成交数据，范围为武汉市主城区，租赁类型为整租，业态为普通住宅，采集共计41762条租赁样本信息。包含的字段有：小区名称及坐标、成交租金、建筑面积、居室结构、房龄结构、装修情况、楼层类型及租赁期限。样点坐标转换为WGS1984坐标系，导入ArcCIS软件，投影转换后作为样点层存储在数据库中。

成交样点数据无法反映住宅小区的绿化率、小区开发商品牌以及物业管理公司等情况。故提取41762条租赁样本信息涵盖的共2633个住宅小区，采用网络爬虫手段从安居客住宅小区信息网页上爬取相关信息。针对网络爬虫数据准确性较差的问题，对住宅小区进行抽样实地调查。将得到的住宅小区绿化率、小区物业管理公司名称、小区开发商名称作为字段关联到住宅租赁成交样点数据中，作为租赁样点图层备用。

各类公共服务设施点数据包括武汉市已建成并使用的地铁站点、教育场所、医疗场所、购物广场的名称及坐标位置信息。设施点信息来源于高德地图，本文依据研究需要，选取已建成地铁站教育部直属中小学、省级示范中小学、市级示范中小学、三级甲等医院及大型购物中心。对获取的POI进行属性筛选，仅保留名称、经度、纬度，便于导入底图中定位。最后对得到的各类设施点进行坐标转换，统一为WGS1984坐标系，导入ArcCIS软件，经过投影转换，得到各类设施在地图上的分布，作为设施点图层备用。

3特征价格模型的应用

3.1变量选择

在因变量的选择上，主要参考问卷调查的结论，目前租客对单位面积的月租金不敏感，而更重视整套租赁住宅的总租金。加之目前租赁市场上存在着不少将同一套住宅按房间数分开出租的现象，“二房东”“三房东”的现象也比较普遍。但由于在搜集样本的过程当中均显示为整租，故很难掌握分割出租的情况，因此本文调查的租赁成交数据以整套为单位，以整套租赁住宅月租金作为因变量。

自变量的选择在文献研究与问卷调查的基础上确定为15项变量。但并非所有变量都能进入模型进行运算，在进入模型前，需要对各变量数据進行统计检验，减少变量的共线性程度。采用SPSS22.0软件中的pearson相关性检验，剔除了相关性较高，且模型拟合结果较差的居室数量和开发商品牌这两项因素。

各变量的内涵不同，需要采取不同的量化方法。第一种量化方法为采用实际观测数值作为变量数据，主要针对建筑面积、距离等因素。第二种是采用李克特量表，对因素进行分级赋值，按照数据获取情况分为1-3级或1-5级，主要针对装修程度、物业管理水平高低等因素。第三种则是利用GIS空间分析工具进行分级赋值，主要针对就业中心层级、人口密度等难以直接获取和应用的变量。最终拟进入模型的变量及其量化方法和预期符号如表1所示。

3.2模型估计和检验

对三种函数形式模型的判定系数大小进行对比，确定最适当的函数形式。并对拟合效果最好的函数模型进行检验和结果分析。

分别对基本线性函数模型、半对数函数模型和对数函数模型的变量进行相关性检验，可知最终确定进入模型的变量间相关系数均不高，初步避免了严重的共线性问题。利用SPSS22.0软件回归工具箱，将选定的的13个纳入模型回归模拟，得到三种函数形式模型拟合结果。对比可知，对数函数模型的及调整后数值最大，为0.718。判定系数用于度量因变量的变化中可以由自变量解释的比例，也就市意味着进入模型的13项变量能够解释因变量的71.8%的变化。

对数函数形式的回归方差分析的显著性检验值为.000a，表明方程是高度显著的，证明了全部系数并非均为0，说明进入方程的自变量与因变量之间的线性关系成立，回归方程成立且有效。在异方差检验方面，绝大部分的残差值范围在正负5.0之间，据此可以认为模型不存在较大的异方差问题，基本能够满足方差齐性的假设。通过观察膨胀因子VIF值判断模型的共线性，所有变量的VIF值均在1.0-1.5之间，远小于10。从而基本可以认为自变量之间共线性关系并不严重。残差正态检验方面，残差的分布符合正态分布的要求。检验结果说明模型满足了各项假设，拟合度较好，在统计上有意义。可以采用此函数形式的模型运算结果来分析和解释各项变量对住宅租金的影响。

3.3模型结果分析

对数函数形式模型拟合效果最好，且各项检验均满足统计要求。从回归结果来看，设定的13个变量均进入了回归模型。从显著性来看，所在楼层和装修程度这两项变量Sig.值远大于0.05的显著标准，没有达到显著水平，其他变量均达到显著水平。从作用方向来看，租赁期限回归系数为负数，与预期的作用方向相反。满足显著性水平检验且与预期相符的变量共10个，分别为建筑面积、房龄、就业中心层级、人口密度、LN交通距离、LN教育距离、LN医疗距离、LN商业距离、小区环境以及物业水平。

由于本模型采用对数形式作为函数形式，已经对连续变量进行了对数化处理，所以对于取对数的自变量，它的回归系数就是该特征的价格弹性系数，表示该特征每增加或者减少一个百分比，住宅租金水平变化的比例。而对于没有采用对数形式的不连续变量来说，其对应的回归系数不能直接代表其变化的弹性系数，需进行半弹性系数换算，换算公式为式（2）所示。

半弹性系数=（EXP回归系数-1）*100 （2）

对数函数形式模型的回归系数及不连续变量经换算后的价格弹性结果如表2所示。

根据模型的回归结果以及价格弹性解释，可以看到，建筑因素中影响最大的是建筑面积，建筑面积的增加对租金增长有明显的正向影响，当面积增加20平方米，即多一个可使用的房间，对租金增长影响更为明显。房龄反映着住宅的新旧程度，在武汉市近年来新建住宅多为高层和超高层的背景下，也在一定程度上反映了建筑层高的变化，对租金变化有较大影响。

区位因素中，就业中心层级对租金影响较大，由于对流动人口数据难以获取，采用的是以街道为单位的常住人口统计数据，对于人口密度的分级划分还不够准确，导致人口密度反映的租金影响不大。

邻里因素中，交通便利度，即距离地铁距离对租金影响最大，而购物中心影响较小，大型商超的确能够汇集人气，但是并不是形成租房需求的必要条件，和大型购物中心相比，小型的商超、便利店及菜场反而更能够满足租客的日常需求。所以距离购物中心距离没有进入模型，对租赁租金的提升效果不明显。小区的物业管理水平和绿化率反映了小区档次，租客更愿意为提供优质物业服务，能够保障小区基本安全，且品质较高的小区支付更高的租金。

未进入模型的变量中，目前武汉市许多处于商圈内优质地段的房屋需求强烈，而这些配套完善的住房往往房龄较久，楼层不高，在有限供应下，租客对于房屋的所在楼层看重程度不高，导致武汉市的住宅租金对于住房所在楼层也不敏感。在房源的成交信息中，往往沿用挂牌信息中提供的装修信息，往往存在出租人过分夸大房屋装修程度的情况，使得基础信息缺乏一定的真实性，导致变量没能进入模型。租赁期限上，虽然月租和季租在灵活性上具有优势，但租客对于租房更倾向于稳定、可靠，对于短租带来的涨租、频繁搬迁等问题抗性较大，故租赁期限长短的变化对租金价格高低难以产生明显影响。

4结论

通过因素的筛选与确定以及建立武汉市主城区住宅租金的特征价格模型，对影响武汉主城区住宅租赁租金的因素进行了实证分析。经过最优模型的选择和显著变量的筛选，以及显著性、多重共线性等检验，保证了模型的科学性和结果的准确性，得到的主要结论如下：

建筑因素中的建筑面积、区位因素中的就业中心层级以及邻里因素中的交通便捷度、物业管理水平影响最大，反映了租客在租房选择决策中的偏好。

人口密度的影响较小，可能是采用街道常住人口作为密度分析基础导致分级不准确造成的;邻里因素中购物中心因素影响不大，可能的原因是承租者从生活的方便性来看，更关注的是居住地周边的小型便利店和菜场而不是大型的购物中心。建筑特征中所在楼层和装修程度不存在显著影响，说明在实际的住房租赁过程中，承租者只是短期的租住，而非长期拥有，这两项因素不作为承租人重点考虑的因素。租赁期限因素与预期符号不符，说明在承租时，租客对于租房更倾向于稳定、可靠，愿意选择更长起租时间的房源。