ID375空气质量改善对房价的影响以首钢搬迁为例的实证.docx
《ID375空气质量改善对房价的影响以首钢搬迁为例的实证.docx》由会员分享,可在线阅读,更多相关《ID375空气质量改善对房价的影响以首钢搬迁为例的实证.docx(9页珍藏版)》请在冰豆网上搜索。
ID375空气质量改善对房价的影响以首钢搬迁为例的实证
空气质量改善对房价的影响:
以首钢搬迁为例的实证
摘要:
首钢搬迁是北京奥运筹备期引人注目的一大举措,也是改善当地空气质量的重要利好消息。
空气质量的改善能否给当地房价带来直接影响?
如果带来影响,房价在哪一阶段完成对该利好信息的反应吸收?
本文以揭示偏好法为基础,应用特征价格法估算居民对空气质量的意愿支付价格,同时不同于以往的离散信息冲击假设,采用多阶段连续时间观察首钢搬迁信息被房价反应吸收的具体实现过程,更好的了解房价对空气质量价值显化事件的调整过程。
关键词:
空气质量;住宅价格;特征价格法;信息吸收
一引言
环境库兹涅茨曲线指出:
在经济发展初期,人们更关注经济增长和收入提高,而牺牲环境质量,随着收入水平的提高和产业结果的调整,人们对环境服务的需求和支付能力也在不断提高,并愿意为获得更清洁的环境支付成本。
随着中国经济的发展和居民收入水平的提升,中国是否到达环境库兹涅茨曲线的拐点这一问题日益引起城市和环境经济学学者的关注,并在多个角度进行了有益的尝试,洁净空气的经济价值测算就是典型的例子。
如何得到如洁净空气等环境质量的经济价值?
住宅价格是解释空气质量经济效益非常理想的载体。
居民在选择住宅的同时也就选择了周边的自然和社会环境,居民愿意为居住在良好空气质量的社区、城市支付较高的房价,这部分价格就可以被认为是清洁空气的价值。
郑思齐对北京居民对空气质量支付意愿进行了实证研究,得出空气中可吸入颗粒每下降1微克每立方米,周边房价上升0.93%(郑思齐2007)。
利用居民对住宅的支付额来估计人们对良好环境的支付意愿是该研究领域最常采用的方法,该方法中居民在选择住宅的同时,也就选择了周边的自然环境和社会环境,因而房价就能反映出即时的环境价值。
该方法的假设前提是把外部属性当作一个独立的事件冲击,房价会立即吸收反映出该冲击,但事实上,市场对于信息的吸收是有一个阶段性的调整过程的,如果周边将要建一个垃圾焚烧厂或化工厂,人们出于对潜在的健康影响考虑,可能在该方案一纳入规划时就会考虑搬迁,而不是在工厂排放出废气时才离开,人们对效用变化的预期会早于事件本身反映在房价上。
而且随着所在社区对该设施信息(有益或有害)获取的日益充分,房屋价值很可能随时间发生变化。
Galster(1986)说到:
住户从一听到将来本区将会上马核电站的公共通知时就开始进行调整。
围绕着项目的不确定性-无论是选址地点还是影响程度-都会随着时间变化并反映在房价上,因此如果采用事件前后冲击两时点时,前时点应为所有与该事件相关的价格调整启动前,后时点应该是所有与该事件相关的价格调整结束后,如果把周期想的太简单或忽略其中环节很可能导致测算价值的低估或高估。
之前很多研究仅考虑事件冲击前后时点得出的价值很可能低于真实的非宜居设施所造成的损失值。
因此把事件冲击对房价的影响理解为一个过程,而非一个时点有助于更加深刻的了解其真实的作用机制。
基于以上考虑,首钢搬迁是可以进行实证的较为难得珍贵的一个案例,成立于1919年的首钢位于北京长安街延长线上,距天安门17公里,最高年产钢近1000万吨。
随着北京城市扩张,首钢的位置已从当年的“北京西郊”变为北京城区,生产规模的急剧扩大对大气的污染也越来越严重。
在90年代初最为严重的时期,在石景山区86平方公里范围内,首钢的粉尘排放量平均每年每平方公里34吨。
2001年北京申奥成功的背景使得首钢搬迁具有了实施的可能性,从那时起一直到2011年1月首钢主流程全面停产,11年的时间内首钢搬迁的消息由传闻变为规划再到落实,空气污染物从最高时的近9000吨剧减至零,在这样一个空气质量逐步改善背景下,首钢搬迁的信息是如何被当地房价反映吸收的那?
本文旨在结合不同阶段居民对信息的分析接收,探讨房价对空气质量价值显化事件的调整过程。
二文献研究和理论模型
空气质量价值属于公共物品的范畴,具有显著的外部效应(Externalities),准确估算城市公共物品的价值较为困难,因为公共物品并不在市场上交易(也称为“非市场物品”,Non-marketGoods)无法观察到它的价格,也就无法应用传统经济学中价格与意愿支付额之间的直接关系找到城市空气质量对于城市居民的效用和价值。
在定量估计非市场物品价值方面,目前经济学者主要采用两种方法:
或然值评估法(ContingentValuation,CV)和显示性偏好法(RevealedPreference,RP),CV多采用问卷或访谈,请宜居设施的(潜在)收益者直观填报愿意为特定宜居设施支付的金额,或者在得到多少金额补偿的前提下愿意放弃目前正在使用的宜居设施,并直接以此代表居民对该宜居属性的支付意愿。
RP则通过居民在市场交易商品的选择行为中所包含的对宜居设施的意愿支付,从市场交易商品价格反推出该宜居设施的价格。
国外就有害设施对附近房地产影响进行了较多的研究,如Gamble和Downing对美国三里岛核电站泄漏事故前(1977-1979)和事故后(1979年4-12月)研究发现房价随着离核电站的距离增加而增加,但是他们并没有考虑从1970年建立到事故发生的房价变化过程,仅仅是针对该泄漏事件的个案研究。
Twark也对该事件进行了三阶段房价研究(1977-1979,1980-1981,1986)发现离核电站2公里内的房屋价格在1979年下降,又在1986年回升,但仍未测算事故之前核电站周边的房价调整。
Kohlhase研究了波士顿的有害垃圾点在1976,1980和1986的三个阶段,分别代表了垃圾点在未获得环保署认证前的施工阶段,环保署对其他站点认证阶段和环保署对该站点认证阶段,她发现只有当最后环保署认证该站点对环境有害时距离变量才符号正确并显著,但该垃圾站点都是1960-1970年代所建设的,也许远在1976年观察开始前附近居民就已完成了对其的房价调整,Kohlhase的观察更多的是对其他信息的反应。
上述研究中都存在的问题是把非宜居设施对房价的影响当作随时间恒定的,并且价格在单期就完成了调整。
考虑到市场出清时的房屋价格应该是对未来预期房租收入的折现总和,那么周边传言将有非宜居设施建造,即使当前的房租不会被该传言影响,但是由于该非宜居设施被认为是负外部性的,一旦该项目上马未来房租将会下降,因此仍然会对即时房价产生影响。
人们预期的不一致使得房租变化从而导致房价变化的信息吸收不能一下子完成,如果信息完全对称,所有社区居民一听到核电站要在本区域建造的意向传言就马上反应会降低未来的房租时,则在传言阶段房价就能够一跌到位,而事实上信息是非充分的,是否或何时非宜居设施动工都存在不确定性,居民的行动也不是一致的,房价的调整也就需要更长的时间。
如果居民偏好相同,认为动工是高概率事件的居民就会选择搬离将房屋卖给认为是低概率的居民,而后者则能从非宜居设施传言不会实现房价回升中获益。
如果居民偏好不同,厌恶非宜居设施的居民会卖房给不那么厌恶的居民,而后者可以通过较低价格购买房屋获得效用补偿。
因此我们发现把房价对非宜居设施信息的价格调整看作一个时段,而非一个时点对于准确估计真实作用机制具有更好的说服力,随之而来的下一个问题是,中国有句古话:
“好事不出门,坏事传千里”,靠近有害设施对附近房价影响研究国外已开始较多考虑时间阶段影响,但如果当问题是有害设施搬离信息被传递时,居民会采取怎样的房价调整行动那?
利好消息会在该信息传播的那一或几阶段被吸收那?
是否与负面消息的过程对应一致那?
这一有趣的问题如果能得到实证检验,将会很好地补充完善房价对于信息传递调整的作用机制研究。
而首钢搬迁就为我们进行该主题的研究提供了一个难得的观察和实证机会。
从2001年到2010年的十年时间内,首钢搬迁从传闻到实现的过程中包含了艰难的决策选择和利益博弈,奥运会申办成功,在某种程度上加剧了搬迁的必然性和紧迫性,但上交税收占到北京市财政收入的5%,6.47万职工需要分流安置,近600亿元的搬迁费用,这些不可小觑的数字后面又为首钢搬迁增添了很多的不确定性,而这些不确定性传递到首钢所在的北京石景山区房地产市场时,又是否会激起层层波澜,对由于污染严重而处于北京房价洼地的石景山楼市产生怎样的影响那?
10年数据将根据住户感知的不同程度被划为传闻,规划,减产和即将停产四个阶段,阶段划分如下:
传闻:
首钢搬迁新闻成为坊间议论的主题,首钢是否或何时搬迁的不确定性增大,对于该新闻的不同解读将导致石景山区住户居民买房时采取不同行为,房地产价格可能受到影响。
规划:
国家发改委批复首钢搬迁方案,首钢搬迁正式进入政府规划,在该阶段,确定的是首钢搬迁将成为事实,不确定性主要产生在对未来房屋的收益判断和购置房屋所要承担的污染成本,由此产生的预期将会影响到房价的决策。
减产:
从京唐钢铁公司动工开始,首钢在石景山开始进入每年420万吨的压缩减产阶段,在该阶段社区居民对于环境污染水平和健康影响的感知应发生一定程度的变化,并将积累的空气质量变化感知通过房地产市场的房价调整进行判断调整。
即将停产:
在首钢搬迁调整的最后一年,首钢将在2010年底前实现主流程的停产,大气污染排放将大大降低,居民对首钢搬迁所带来的环境影响将得到确切感知,房价将会反映市场对该变化导致的房屋供需情况。
房价随时间的调整我们将采用显示性偏好法中的特征价格模型(HedonicPriceModel,HPM)进行研究,该模型的理论主要来源于1966年Lancaster的新消费者理论和1974年Rosen的市场供需均衡模型[6],是利用房屋数据研究房价与目标特征关系的有效方法,房屋的价格由房屋的一系列特征决定,每个特征都对房价有自己单独的贡献,邻里属性作为房屋的一项特征,靠近污染企业的住宅一般要比除了该项宜居属性其他都一样的住宅价格要低。
当地房价与首钢之间的距离关系就成为了我们所关注的重点,除了距离变量,房屋的其他特征也要被考虑到模型中,按照文献和数据可得性,结构特征,区位特征和邻里特征也都是我们研究中不可缺少的。
三数据
为了更好地排除不可控因素影响,本文将实证所需房地产楼盘全部选在北京石景山区,这是因为石景山是首钢集团的所在地,楼盘距首钢最远距离不过7.3公里,可以更好的检验数据效果。
从2001年-2011年,共选取石景山区开盘楼盘121个,信息来自于北京房地产交易管理网和天朗房产研究中心,首钢集团由于是一个7.4平方公里的特大型企业,为了更统一的表示与楼盘间的距离,我们选用首钢总部所在地;石景山区石景山路68号为测量起点。
基于首钢搬迁的信息发布过程,四个阶段对应的时间如下:
传闻阶段:
2001-2004
规划阶段:
2005-2006
减产阶段:
2007-2009
即将停产阶段:
2010
由于要观察的当年的房价对当时消息的反应,所以本文选用楼盘的当年开盘价作为代表,而为了更好地剔除北京房价整体房价上涨对该区域房价的影响,本文采用了北京统计局公布的商品房销售价格指数对每一年的房价进行指数处理。
在特征变量的选择中,本研究借鉴了相关研究成果,结合获取的数据情况,将特征变量划分为三大类:
区位特征、邻里特征和结构特征。
(1)区位特征变量
Adair等[7]和McMillan等[8]研究指出,交通的可达性是影响房地产价格的重要区位特征之一。
交通可达性表征了该区域交通运输能力及便利性[9]。
本文采用是否2公里内有地铁的虚拟变量,和经过该楼盘公交线路的条数来表示交通区位特征。
(2)邻里特征变量
在邻里特征方面,采用了楼盘周边2公里中小学的数量,综合商店的数量和二甲及以上医院的数量三个变量。
周边的配套设施如学校,商店和医院是影响房地产价格的重要邻里特征,尤其是对住宅房地产而言。
学校数量关系到孩子的上学问题,商店关系到购物的便捷性,医院关系到就医时的快速可达性,因而预期其对周边房地产价格具有一个正向影响。
(3)结构特征变量
在结构特征方面,采用项目规模面积、物业管理费用和楼盘销售套数。
大型房地产项目通常意味着居住环境较好,配套设施较完善,物业管理较规范等等,因而预期项目规模(采用项目宗地面积来代替)越大,房地产的价格相对越高。
每平方米物业费用则代表楼盘整理管理水平,能较好代表楼盘品质,房地产的价格相对较高。
楼盘销售套数代表该楼盘的供给状况,一般而言,销售套数越多,代表客户对该楼盘该认可,房地产价格越高。
但受制于数据量的限制,尤其是2001年距今已有10年,公开的楼盘资料信息较少,为保持统计回归的有效性,不能有太多的变量,在上述变量数据收集完成之后,通过OLS回归对解释力较弱的变量进行了删除,在区位特征中保留了公交线路变量,在邻里特征中保留了中小学数量,医院数量变量,在结构特征变量中保留了每平方米物业管理费用和楼盘销售套数变量,加上本文关注的楼盘与首钢变量,最终有6组变量进入特征价格方程。
变量的描述及统计分析分别见如下表1和表2。
表1
变量描述
名称
描述
P
指数处理后的楼盘开盘价格
WUYE
楼盘每平方米物业管理费用
Number
楼盘销售的住宅套数
School
楼盘周边2公里内中小学数量
Hospital
楼盘周边2公里内二甲以上医院数量
Bus
楼盘所在区域经过的公交路线数量
Distance
楼盘与首钢总部的距离
表2
变量的统计分析
名称
所有时段
2001-2010
传闻
2001-2004
规划
2005-2006
减产
2007-2009
即将停产
2010
P(元)
9418
4161
5010
10210
15815
WUYE(元)
1.79
1.67
1.59
1.76
2.02
Number(套)
286
497
291
258
120
School(所)
4.65
3
5.17
4.66
5.81
Hospital(所)
2.36
1.61
2.35
2.39
2.98
Bus(条)
4.84
4.27
4.47
4.72
5.63
Distance(米)
3892
3300
4576
4150
33831
四实证分析
模型的估计,本文的模型形式如下:
Ln
=
+
+
+
+ln
+
其中
为指数调整后的楼盘开盘价格,
为与结构特征有关的两个变量;
为与邻里特征有关的两个变量;
为与区位特征有关的1个变量,ln
为楼盘与首钢之间的距离对数,对于ln
的系数就是本文所要关注的首钢搬迁对房价的影响测算,系数的正负和显著性都将是我们关注和进一步讨论的重点。
模型的回归系数分析
名称
传闻
2001-2004
规划
2005-2006
减产
2007-2009
即将停产
2010
C
(59.71)
(22.81)
(15.45)
(11.61)
WUYE(元)
(3.17)
(2.17)
(3.34)
(14.34)
Number(套)
-1.40E-05
(-0.23)
0.01
(1.73)
1.23E-05
(0.03)
-0.00
(-1.14)
School(所)
0.01
(0.61)
-0.03
(-0.31)
0.02
(0.46)
(9.02)
Hospital(所)
0.01
(0.04)
-0.05
(-0.22)
0.05
(0.61)
(-4.00)
Bus(条)
-0.01
(0.01)
-0.06
(-1.39)
0.02
(0.40)
(9.06)
Distance(米)
6.07E-06
(0.34)
3.72E-05
(0.64)
1.08E-05
(0.20)
(22.73)
样本数量
33
21
29
38
调整后
0.20
0.48
0.38
0.97
通过该实证结果我们可看到在前三个阶段中除了结果特征中的物业管理持续显著外,其他特征变量并不显著,房价虽然随着距离首钢总部增加而增加,但是并不显著,而这一结果在即将停产阶段发生了重大变化,除了套数以外的所有变量变得在1%水平上显著,解释度也高达0.97,因此我们可以认为解释变量的选取是能够解释即将停产的2010年的房价变化的,对于这一现象我们可以进行两方面的解读:
一是人们对洁净空的关注是受到近二年环境改善舆论的影响,在此之前对于居住住宅空气质量的要求并不强烈;二是人们体现出非常务实的理性行为,只有在搬迁真正能看到强烈迹象后才会把该信息纳入自己对居住选择的房价调整过程中,而之前的传言弥漫,规划通过或异地开工信息并不能带来真切的空气质量变化,因此也就不会在房价中对仍然污染较为严重的空气做出相应的反应。
五结论
通过该实证我们发现污染企业的搬迁可能不同于污染企业的迁入,对于信息的吸收具有较长的调整过程,而是只有见到搬迁的即将实现和切实感受到污染降低时才会在居住选择中做出相应行为,更概况的理解人们具有较强的风险规避偏好,无论是污染企业进入时的提前搬离还是污染企业搬迁时的“不见搬迁不入住”,大家都不愿承受污染带来的环境和潜在身心损害,而宁愿选择规避,从而房价在污染企业搬迁时的信息吸收直到搬迁即将实现时才完成。
当然该研究还存在着很多不足,如样本量不够大,控制变量还有提升空间,在接下来的研究中如果能采用微观住户数据来扩大样本量,并且继续观察2011年首钢搬迁之后该信息对房价的影响是否还显著会更好地发现其内在的作用机理,为更深入的理解空气质量改善信息对房价的影响进行有益的补充。
参考文献
【1】空气质量的经济价值估计——北京居民对空气质量支付意愿的实证研究(郑思齐,2007,环境经济与政策)
【2】GeorgeCGalster,Nuclearpowerplantsandresidentialpropertyvalues:
Acommentaryonshort-runversuelong-runconsiderations,JRegionalSci.26(4),803-808(1986)
【3】HaysB.Gamble,RogerH.DowningEffectsofnuclearpowerplantsonresidentialpropertyvaluesJournalofRegionalScience,22(4)457-478,1982
【4】RDTwark,RWEyerlyRHDowningTheeffectofnuclearpowerplantsonresidentialpropertyvalues:
AnewlookatThreeMileIslandThePennsylvaniaStateUniversityWorkingPaper90-10
【5】JEKohlhaseTheimpactoftoxicwastesitesonhousingvaluesJournalofUrbanEconomics30
(1):
1-26,1991
【6】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,2004,26(5):
42~44.
【7】AdairAS,GrealS,SmythA,etal·HousePricesandAccessibility:
TheTestingofRelationshipswithintheBel-
fastUrbanArea·HousingStudies,2000,15(5):
699~716
【8】McMillanD,JarminR,ThorsnesP·Selectionbiasandlanddevelopmentinthemonocentricmodel·Journalof
UrbanEconomics,1992,(31):
273~284