优质教育资源对北京房价的影响.docx

优质教育资源对北京房价的影响.docx

《优质教育资源对北京房价的影响.docx》由会员分享，可在线阅读，更多相关《优质教育资源对北京房价的影响.docx（7页珍藏版）》请在冰豆网上搜索。

优质教育资源对北京房价的影响

优质教育资源对北京房价的影响

 一、研究背景

近年来，随着我国城镇化水平的不断加快，各大城市商品房建设的力度、规模都在不断加大，对于普通老百姓来说，购买商品房成为了一种新型的消费途径，而商品房价格的走势、影响因素也自然牵动着购房者的神经，在此背景下，商品房住宅价格的影响因素自然也成为了国内众多学者研究的热点课题。

与此同时，随着生活水平的提升，我国居民对居住质量的要求越来越高，住宅周边配套设施的完善程度也日益受到购房者的重视。

如今，居民在购买商品房时，所考虑的购房因素越来越多。

2013年6月，新浪微博曾做了一个关于《居民购房考虑因素》的调查，结果显示：

68.5%的受访者将“优质教育资源配套情况”放在了购房考虑的首要因素；47.9%的受访者将“交通设施配套放情况”在了购房考虑的首要因素，此外，商业配套、文化娱乐配套等也成为影响居民买房的重要因素。

由上述调查的结果可知，我国民众在购房时，考虑的因素越来越多，而将优质教育配套资源纳入购房考虑因素的受众，占据了绝大部分，而上述居民购房考虑因素也直接影响到商品房住宅的价格走势，优质教育资源集中的地区，房价的走势如何呢？

优质教育资源是否会对房价的走势造成影响？

影响是正面的还是负面的？

本文的研究也将基于上述背景，在具体的分析中，以北京地区东城、西城、海淀等5个区域为对象，深入探究优质教育资源对房价的影响。

二、研究动机

住宅价格，是关系到国计民生的重要经济指标，而教育资源分布情况，亦是衡量一个国家教育发展合理性的重要标准，北京，是我国的首都，向来也是国内教育资源集中的地区，同时，亦是国内房价走势的标志性地区，因此，发掘优质教育资源对北京房价的影响，提出一些优化性的房地产发展建议，有着十分现实的意义，亦是本文的研究动机。

首先，理论研究动机。

在本文的研究中，将对国内外学者有关优质教育资源、商品房价格、教育资源与房屋价格关系等理论研究的成果进行综述归纳，在此基础上，提炼出其中的精华，为论文的后期研究提供强有力的理论支撑。

同时，以提炼出的理论精华为基础，通过综述研究，形成系统性更强，逻辑性更完善的新的有关优质教育资源与房价影响的理论研究体系。

综上所述，本文的研究将建立在一定的理论基石之上，对同类课题的研究有着较强的理论参考意义，这也是本文的理论研究动机。

其次，实践研究动机。

为使本文的研究具有一定的实践价值，在论述中，以北京地区东城、西城、海淀等5个区域为对象，应用住宅价格Hedonic模型，选取多个指标，构建具体模型，展开定量化的统计分析，深入研究区域内优质教育资源数量、距离等要素，对于房价的影响，最终，提出一些优化北京房地产价格可持续发展的建议。

上述实践性研究动机，也使得本文的研究能够彰显出一定的现实意义。

三、北京房价概述

作为我国的首都，长久以来，北京的房价在全国一直处于领跑的地位，尤其在进入新世纪以后，北京房价的涨势可谓“一年比一年喜人”，不断激增的商品房价格，一方面，展示着首都房价的“高端地位”，另一方面，也与首都集聚的各种优质资源，有着紧密联系。

以下，为2005年至2015年期间，北京住宅商品房成交均价的走势统计图：

图12005至2015年间北京住宅商品房价格成交均价走势图（单位：

元/平米）

由上图可知，2005至2015年这10年间，北京住宅商品房成交均价由6162元/平米上涨至29457元/平米，涨幅近5倍。

进入2016年后，在国家鼓励性政策的刺激下，北京的房价一路水涨船高，根据亚豪机构、链家研究院等房地产研究机构日前提供给第一财经的数据显示，今年前五个月，北京（楼盘）新房成交量创三年来的新高，二手房成交量也为去年同期的1.8倍;而刚过去的5月，北京新建纯商品房均价继续上升，至3.8万元/平米，环比上升4.5%;二手住宅成交均价超过4.3万元/平米，环比上涨3.12%，同比上涨21.96%，成交均价达历史高点。

而根据北京市房地产协会秘书长陈志的分析：

“近5年，使北京房价不断走高的动力，源于多个方面，其中，对优质教育资源、交通资源的渴求，成为居民购房的主要动力。

在北京，所谓“学区房”、“地铁房”的均价，均要高于市场成交均价。

”

四、文献综述

（一）国内研究文献综述

教育资源对房价是否会造成影响？

关于这一问题，国内众多学者早已展开研究。

蒋立红（2005）在《影响房价的区位因素分析》一文中，通过研究得出结论：

房地产住宅周边的教育、通讯、邮政等资源设施越完善，购房者对这类住宅地产的综合评价就越高，自然房价就容易上涨。

温海珍（2013）在《城市教育配套对住宅价格的影响》一文中，采用公共品资本化视角的实证分析方法，研究了城市教育配套对住宅价格的影响，结果显示：

教育设施对住宅价格呈现正向影响，购房者和投资者愿意为教育质量或可达性支付附加价格。

黄滨茹（2010）在《教育配套对其周边住宅价格的影响——基于人大附小学区划片对周边住宅价格的影响的调查》一文中，通过构建Hedonic模型，调查了人大附小的学区划片政策对其周边房价的影响，结论性报告指出：

“有人大附小名额”对人大附小周边二手房价有显著的正面影响的结论。

王斌（2011）在《我国基本公共服务非均等化对房价影响的实证分析》一文中认为：

我国优质教育资源的分布水平存在巨大的地区差异，并对房价带来了显著的影响，因此，政府应逐步推进城市住宅小区周边优质教育资源的均等化发展，才能从根本上改善“房价受教育资源分布水平决定”的现状。

李晓鹏等（2011）在《住宅价格的特征价格模型研究---以北京市为例》一文中，比较了北京主城区653个住宅样本，发现位于重点小学学区的住宅比非学区住宅的总价高约24.7%。

王曦等（2010）在《南京老城区学区房价格机制研究》一文中，利用因子分析法对南京老城区学区房的研究表明，重点小学排名每上升1位，住宅价格上涨303.5元.黄滨茹（2010）在《教育配套对其周边住宅价格的影响》一文中，研究了西安碑林区内中学一本上线率与周围房价的关系，结论是中学教学质量会影响周围住宅价格。

（二）国外研究文献综述

此外，国外学者的研究成果也十分丰富。

Machin（2009）在《HousingValuationsofSchoolPerformance》一文中，通过研究证实:

在美国30个城市中，教育资源的优劣，对房价的影响十分显著，一般来说，地区教育资源水平每提升1%，房价会提升3%。

DavidE.Clark，WilliamE.Herrin（2000）在《TheimpactofpublicschoolattributesonhomesalepricesinCalifornia》一文中，以加利福尼亚的弗雷斯诺县1990至1994年的数据为基础，研究学区对住房价格是否产生影响，通过控制房屋结构影响，得出学区对住宅价格产生巨大影响这一结论。

Schwartz（2010）在《HousingPolicyintheUnitedStates》一文中，指出：

教师质量、学校环境、家长参与、师生互动与同群效应，决定了学生学习能力的高低，因此，家长也原因购买或租赁学区位置良好的住宅，为孩子提供更好的学习环境，如此一来，可能会抬高房价。

通过上述学者的研究，不难总结出：

教育配套对房价的影响也是显著的，且也呈现正向关系，该结果反映出我国居民在购房过程中，对教育配套的重视程度，也是国民购房整体需求的外向性表现。

然而，已有的研究存在一些问题，主要体现在：

大多数学者的研究方法，基于理论研究，或调查推断，鲜少有学者采用精确的定量分析法，构建描述性统计模型，展开研究，这使得已有的研究成果略显不足。

当然，这也给本文的研究创新提供了一个契机，在后期的研究中，本文将构建精确的模型，以北京地区为对象，展开有关优质教育资源对房价影响的研究，并总结成详尽的理论成果。

五、研究方法

在具体的研究过程中，本文主要采用以下几种方法：

第一，文献查阅法。

通过搜索知网、万方等权威数据库，查阅有关优质教育资源、特征价格模型、住宅商品房价格等方面的研究成果，并提炼出其中的精华部分，形成完善的理论支撑体系，从而为本文的后期研究，提供详细的理论参考。

当然，就已有的研究而言，关于优质教育资源与房价影响的评价指标有很多，而本文通过文献查阅的策略，总结出其中影响房价因素最为频繁的应用指标，为定量研究提供依据。

第二，案例分析法。

在论述中，以选择的3个北京地区的楼盘为对象，采集区域内的优质教育资源以及住房价格数据，在此基础上，建立反映优质教育资源与住房价格关联性的价格模型，通过详尽的分析，得出具体的统计结果，以此反映出优质教育资源与住房价格之间的内在联系。

第三，模型分析法。

为使本文的研究具有定量性，在具体的分析中，通过对北京地区优质教育资源定义以及教育资源对房价影响因子的拆分，建立相应的价格分析模型。

同时，为使模型的建立具有一定的分析价值，特应用分析住宅价格较为经典的Hedonic模型，选取多个指标，构建具体模型，展开定量化的统计分析，深入研究区域内优质教育资源数量、距离等要素，对于房价的影响，最终，提出一些优化北京房地产价格可持续发展的建议。

第四，数理统计法。

采用案例分析、模型分析等方法，需要引入大量反映优质教育资源与住宅价格的一手数据，在论文的写作中，特对北京地区房价数据、优质教育资源数据等进行采集，在此基础上，应用SPSS软件，构建模型，统计分析不同类型教育资源对房价影响的差别，最终反映出优质教育资源对房价影响的内在因素。

六、描述性统计

在住宅价格模型的构建中，需要建立自变量和因变量的描述性统计表，以此反映出采集的数据是否具有较好的代表性，在此基础上，评价数据应用的可行性。

而具体的操作过程如下：

第一，进行数据采集。

主要对北京地区内三个楼盘进行数据收集，分别为：

1：

中国铁建.京山语城:

楼盘地址：

台长青路南宫体育公园北侧100米。

2：

北京远洋万和城：

地址：

北京市朝阳区北四环东路73号。

3京投银泰万科西华府：

地址：

丰台西南四环科丰桥南1000米（地铁郭公庄站东南约500米）。

同时，以XX地图为基础，对各小区距离优质幼儿园、重点小学、重点中学的距离，并设置其他变量，如：

电梯数量，装修情况，楼层，户型类别，房子朝向，绿化程度，付款方式，距离医院距离，距离地铁站，公交车站距离，距离火车站距离等，进行综合采集。

第二，数据处理。

由于数据的可获得性以及数据自身所存在的问题，在模型拟合前应对数据本身进行预处理，剔除异常值以及对缺失数据进行处理。

通过SPSS软件进行数据统计和分析，最终得出北京地区优质教育资源对房价影响的研究结果。

第三，描述性统计。

下表为具体的描述性统计表，统计的指标为样本数、极小值、极大值、均值、标准差。

Variable|ObsMeanStd.Dev.MinMax

-------------+--------------------------------------------------------

Lnprice|240410.20921.3085419.39266210.80049

KINDERGARTEN|2426.5040256.1183379.397.654

KEYPRIMARY|24262.1367642.775276.2178.9

ORDPRIMARY|2426.7020989.368089.2381.3

KEYMIDDLE|24262.7844191.6664891.46.3

-------------+--------------------------------------------------------

ORDMIDDLE|2426.6812242.1830711.301.835

KEYHIGH|15722.9876591.6157532.26.3

ORDHIGH|1572.9051209.1438414.8351.2

ELEVAYORS|24041.874376.33149412

STOREY|240410.060735.923606121

-------------+--------------------------------------------------------

TYRE|24042.313228.816277214

OREIN|24043.9883531.51942318

DECO|2404.125624.33149401

GREEN|2404.3125624.0331494.3.4

KEYHOSPITAL|24043.2759192.491589.9937.3

-------------+--------------------------------------------------------

DISHOSPITAL|2404.6844476.0938106.573.863

DISSUBWAY|24041.4672532.12559.2187

DISBUS|2404.2662687.1598037.136.483

DISTRAIN|24049.8462563.1294998.618.1

PAYMENT|24031.902206.858909915

-------------+--------------------------------------------------------

AREA|2404107.804441.6755334.27284.15

Year2008|2426.1570486.363921601

year2009|2426.3664468.481932901

year2013|2426.1248969.330670201

上表中，各变量定义如下：

Y值因变量：

Lnprice（housingprice）:

房价

1、主要研究变量

KINDERGARTEN:

（distancetokindergarten）距离幼儿园距离

KEYPRIMARY；（distancetokeyprimaryschool）距离重点小学距离

ORDPRIMARY:

（distancetoordinaryprimaryschool）距离普通小学距离

KEYMIDDLE（（distancetokeymiddleschool）距离重点中学距离

ORDMIDDLE（（distancetoordinarymiddleschool）距离普通中学距离

KEYHIGH（distancetokeyhighschool）距离重点高中

ORDHIGH（distancetoordinaryhighschool）距离普通高中

2、控制变量control variable

ELEVATO（numberofelevators）电梯个数

Floor/楼层

TYPE（housetype）房屋类型

（OREIN）Orientation方向

DECO（Decorationstatus）装修情况

GREEN（ratioofgreenspace）绿化度

KEYHOSPITAL（distancetokeyhospital）距离三甲医院距离

DISHOSPITAL（distancetogeneralhospital）距离普通医院距离

DISSUBWAY（distancetosubwaystation）距离地铁汗距离

DISBUS（distancetobusstation）距离公交车站距离

DISTRAIN（distancetotrainstation）距离火车站距离

PAYMENTpaymentmethod付款方式

AREAarea建筑面积

YEAR2008signingyear2008签约时间2008

YEAR2009signingyear2009签约时间2009

YEAR2013signingyear2013签约时间2013

七、模型规范

在具体的定量分析中，建立起Hedonic模型。

HEDONIC模型法，又称价格法和效用估价法，HEDONIC模型法的基本思路是：

将房地产商品的价格分解，以显现出其各项特征的隐含价格，在保持房地产的特征不变的情况下，将房地产价格变动中的特征因素分解，从价格的总变动中逐项剔除特征变动的影响，剩下的便是纯粹由供求关系引起的价格变动。

该模型能够反映出住宅价格与各种外在特征变量之间的关系，以此构建相应的函数：

HP=f（Z）=f（S,E,N）（式1）

上式为基于Hedonic模型的住房价格特征变量函数，其中，HP表示住宅价格，S代表住宅原本的特征（例如，住宅建筑年龄、装修情况等），E表示住宅周边的教育特征（例如，住宅距离周边教育机构的距离、教育机构的等级、教育机构的层次等）；N代表住宅周边其他的特征（例如，周边配套设施是否健全、周边环境如何等）。

当然，在具体的建模过程中，需要以上述经典模型为基础，结合北京地区优质教育资源与住宅价格的特点，搭建全新的模型。

在本文的研究中，主要考虑两种具体的情况，其一，以住宅周边教育资源和房龄作为自变量，考虑其对房价的影响力，其二，在上述研究的基础上，考虑增加其他的因素，作为自变量，综合评定优质教育资源与多种外在因素叠加后，对于房价的影响力，基于上述考量，构建相应的模型方程如下：

LNT=A1+B11LNY+B12ZDZX+B13ZDXX+B14YEY（式2）

上式中，LNT代表住宅价格的对数值，LNY表示住宅房龄对数值，ZDZX表示重点中学的虚拟变量，ZDXX表示重点小学的虚拟变量，ZDYEY表示幼儿园的虚拟变量。

B11-B14为相应变量的系数。

八、预期结果

通过建模定量研究，对所选择的24个变量进行了研究，综合分析优质教育资源对北京房价的影响，将得到如下预期结果：

第一，通过对主要变量，如KINDERGARTEN:

（distancetokindergarten）距离幼儿园距离、KEYPRIMARY；（distancetokeyprimaryschool）距离重点小学距离、ORDPRIMARY:

（distancetoordinaryprimaryschool）距离普通小学距离、KEYMIDDLE（（distancetokeymiddleschool）距离重点中学距离、ORDMIDDLE（（distancetoordinarymiddleschool）距离普通中学距离、KEYHIGH（distancetokeyhighschool）距离重点高中、ORDHIGH（distancetoordinaryhighschool）距离普通高中的研究，可能得出的预期结论为：

是否拥有优质教育资源，对住宅商品房的价格有显著影响，具体来说，幼儿园、小学、中学优质教育资源拥有的数量、质量，将与住宅商品房价格呈现正向相关性。

第二，优质教育资源周边住宅商品房价格的高走势，是我国优质教育资源资本化的表现。

第三，优质教育资源周边住宅商品房价格的走高，从侧面反映出北京教育资源配置失衡的问题，同时，也是我国教育资源失衡现状的反映。

第四，