摘 要
随着我国住房交易市场的发展，租房价格水平的不断提高加大了城市低收入群体的生存压力。租房价格与地理位置密切相关，不同的区位发展定位、生活设施、交通、环境等也不同。这些因素对租房价格定价有不同的影响。研究租房价格的影响因素，有助于城市管理部门更好地管理租房价格市场。首先，通过爬虫技术收集昆明市五个区的租房价格数据，其次，从现有数据中选取特征变量，利用特征价格模型的线性形式得到租房特征的线性回归系数，得到昆明市五个区租房价格的价格模型，分析不同因素对租房价格的影响，得出建筑面积、房间数、卫生间数的回归系数均为正。
关键词：昆明市；租房价格；实证分析；影响因素
Abstract
With the development of China’s housing trading market, the continuous improvement of rental price level has increased the survival pressure of urban low-income groups.Rental prices are closely related to the geographical location, different location development positioning, living facilities, transportation, environment and other different.These factors have different effects on rental price pricing.Studying the factors affecting rental prices will help the city authorities to better manage the rental price market.First, through the crawler technology to collect Kunming five district rental price data, second, select the characteristic variables from the existing data, using the characteristics of the linear form of linear regression coefficient, get the Kunming five district rental price model, analyze the influence of different factors on the rental price.It is concluded that the regression coefficient of the building area, the number of rooms and the number of toilets is positive, indicating that the larger the building area, the more rooms, the more toilets, and the higher the rental price.
Key words: Kunming city five districts; rental price; empirical analysis; influencing factors
1 绪论
1.1 选题背景与意义
近年来，我国人口总量不断增加，住房需求不断增加。为了满足人们的住房需求，租房数量开始猛增，住房市场也迅速增长。随着全国城市化进程的加快，房价连年上涨。同时，我国投资不平衡，投机行为严重，导致部分城市房地产业出现泡沫。受住房支付能力的限制，低收入人群的住房问题日益突出。因此，对房地产的研究逐渐成为学术界、政府、房地产开发商、居民、移民等社会关注的热点问题。为了解决低收入人群的住房问题，政府加大了对保障性住房建设的投入。但由于保障性住房条件苛刻，房价居高不下，政府政策同时排斥流动人口低收入群体，他们不得不加入租赁市场，成为城市租赁价格的主体。在深圳、上海等中国一线城市，以其得天独厚的资源吸引着来自全国各地的流动人口。此外，每年都有大量大学生加入社会，导致租赁市场的需求压力越来越大。在城市不同区域，租房价格不同，出售房屋的地理分布也有明显差异。房屋的租房价格与地点密切相关。但有关部门对租房价格分配方式和房屋特征量化缺乏系统研究。首先，通过爬虫技术收集昆明市五个区的租房价格数据，其次，从现有数据中选取特征变量，利用特征价格模型的线性形式得到租房特征的线性回归系数，得到昆明市五区租房价格的价格模型，分析不同因素对租房价格的影响。
1.2 国内外文献综述
1.2.1国内研究现状
我国对房地产销售市场的研究较多，对租赁住房价格的研究较少。从事宏观研究的学者一般关注财政政策、人口结构、整体工资水平等因素。他们大多采用年鉴数据，建立回归模型，讨论相关系数。例如，王宏伟[2]根据昆明郊区居住人口的特点，研究了昆明郊区的居住空间分化模式，提出了适合郊区发展方向的建设建议。孙斌栋[3]运用租金价格对上海的居住空间进行分析，指出上海的空间分异是以贫富分化为特征的。以扬州市住宅价格为基础，建立价格差异化测度，计算空间差异化趋势和内部趋势，并运用土地利用统计分析方法，探讨扬州市空间差异化和空间格局形成的驱动因素[4]。顾朝林等人从社会学的角度分析了昆明居住空间的时空演变，总结出昆明社会两极分化和空间分化的影响。梅志雄等地采用克里格法对东莞市房价进行了测算和模拟。通过探索性分析方法，分析了价格的空间自相关和异质性，探讨了价格的空间分布特征。现有的研究主要集中在预算约束（包括收入水平、财政政策等）对住房选择行为的影响上，重点是对住房支付能力的评价；另一部分则集中在人口结构等相关变量对住房选择的影响上，并进行宏观层面的偏好评价，但很少涉及住房商品本身的属性。在租赁价格市场的研究中，通常从消费者或家庭的调查数据入手，进行统计描述和定量分析。黄书磊等人运用房价、租赁价格和利率模型对我国35个城市的数据进行了分析，指出了国家货币利率调整对各城市房价的影响。郑景玲研究了房租与住房的比例，发现中国大多数城市的房租都高于其他城市。公房和租房之间的差别加大了房地产市场的泡沫水平[9]。王家力等人基于特征价格建立回归模型，探讨上海市租金价格空间分布的驱动因素[10]。王英红等人运用统计知识绘制了不同空间位置地价和租金价格影响函数的变化图，分析认为商业区地价和租金价格明显高于居住区和工业区[11]。李杰运用地理统计方法、特征价格模型等，对昆明市租赁价格进行研究，分析指出不同的影响因素对租赁价格的影响不同[12]。蔡菊花选取了广州某住宅小区的租赁价格数据。通过比较，线性模型的拟合度最高，对数模型的拟合度最低。现有的研究和分析主要是基于具体领域的实证调查，重点研究了住宅商品属性对住宅选择的影响，同时也考虑了行为人自身相关变量的影响。然而，它们大多有一定的局限性。
1.2.2国外研究现状
国外对房地产市场的研究比较早，也比较成熟。通过分析可以发现，国外采用特征价格模型对房地产市场进行研究，通过回归分析单个房屋或房地产收藏的不同特征，并根据显著性判断影响因素。Duncan等人。开展了城市居住空间分异量化研究。赫伯特等人。研究了旧金山和纽卡斯尔的空间结构，发现英国种族因素的空间差异相对较弱，社会结构的空间差异仅限于经济和家庭条件。豪林[13]采用特征价格模型，研究表明，美国学校的质量、离市中心的距离和房子周围的舒适度对房价有很大的影响。Stevenson[14]在波士顿房价点分析的基础上建立了特征价格模型，得出房屋使用年限对房价影响较大的结论。 在销售市场的研究也比较成熟。通过运用经济学、管理学等方面的理论，研究了租赁价格在租赁价格指数、房屋空置率等方面的显著效果。Bronen等人。运用误差修正模型对美国办公楼的租金价格进行了研究，发现租金价格与就业率和空置率具有很高的相关性。Ben等人。采用特征价格模型对伊巴丹进行研究和分析，比较了两种方式的房屋销售和房屋销售，发现距离市中心的距离对租金价格有显著影响。
1.3 论文的结构及主要内容
随着我国住房交易市场的发展，租房价格水平的不断提高加大了城市低收入群体的生存压力。与房地产市场不同，政府没有制定明确的租赁价格标准，导致租赁价格中介机构乱收费，严重影响了租赁市场的健康发展。根据地理第一定律，租金价格与地理位置密切相关。不同的区位发展定位、生活设施、交通和环境也不同。这些因素对租赁住房价格的影响是不同的。研究租赁价格的影响因素，有助于城市管理部门更好地管理租赁价格市场。
- 阐述了本文的背景及意义，对相关领域的文献综述及论文的主要内容及设计方法。
- 对租房价格与房价、空间分异、特征价格理论进行介绍。
- 通过爬虫技术收集昆明市五区的租房价格数据，其次，从已有的数据中选取特征变量，利用特征价格模型的线性形式得到租金特征的线性回归系数，得到昆明市五个区的租金价格模型，分析不同因素对租金价格的影响。
最后分析与讨论全文结论总结。
1.4 论文的研究方法
本文采用特征价格分析法。本文通过对国内外相关文献的阅读和研究，探索了房屋销售价格理论、房屋特征价格模型理论等研究领域的前沿知识。通过获取互联网上房屋租赁价格数据和POI数据的邻近性特征，采用统计分析方法，确定房屋销售的属性数据，检测出房屋租赁价格的数据分布、全球和本地数据的相关性，并得出房屋价格的变化趋势。采用线性回归建立特征回归模型。通过模型分析，阐述了昆明市租赁价格差异的原因。
2 相关理论与模型
2.1 租房价格
租房是由房地产开发企业以盈利为目的、以市场需求为导向进行开发建设，并以市场价格售出的一种商品，是当前我国房地产市场供给的主要途径。租房价格按照权益划分，可分为租房所有权价格和租房他项权价格。生活中俗称的“房价”即租房所有权价格，特别是指房地产市场上的房地产销售价格，通过该价格将所有权从出卖人转移给买受人，反映了房地产产权关系的变化。按实体形式，租金价格可分为地价、房价、建筑价格和“有地有房”价格。“连房带地”的价格包括土地价格和房屋建筑价格，这也是正常情况下出租房屋的销售价格。租房价格按照形成方式划分，可分为理论价格、评估价格和实际交易价格。理论价格是内在价值的货币表现，是基础价格；评估价格是指专业评估人员对价值进行估算而得出的价格，是参照价格；实际交易价格是指租房交易双方实际达成交易的价格，称之为市场价格。市场价格由市场自发调节并由企业自主定价，租房价格属于这种类型。本文所讨论的租房价格属于上述划分方式中的所有权价格、“连房带地”价格、实际价格。因此商品住宅价格可以描述为：在市场化前提下，供求双方对租房“连房带地”的所有权达成交易价格，购房者为获得租房而实际支付的货币数额。租房作为一种商品同样具备一般商品的性质：有用性、相对稀缺性和有效需求性。其中有用性体现在租房的居住功能上，相对稀缺性表现为土地供应的有限，而有效需求性则表示有支付能力支持的需求，即不仅愿意购买而且有购买能力。这些性质使得租房价格不可避免地受到市场供求的影响，因此均衡理论也适用于租房市场。租房市场的均衡理论指的是当开发商所愿意提供的租房总量与购房者所愿意购买的总量相等时，租房此时的价格，使租房市场达到供求均衡。租房的价格随供求关系的变化而变化。在房东老板提供的租房供给不变的情况下，租房者的需求增加，则使得租房价格上涨；反之，当租房需求降时，房价也随之下降。当租房者的租房需求不变时，房东对租房的供给增加时，将使得租房价格下降；反之，当租房的供给减少时，租房价格会随之上涨。供给和需求在市场中相互作用，达到均衡状态，促使租房价格趋于均衡，当这种均衡被打破时，会导致租房供求不平衡，进而引起租房价格的变化，直至达到新的均衡。
2.2 空间分异
空间分异是指在一定的地理区域内，受地理位置、地形条件等因素影响的空间分异现象。居住空间分异是指不同空间范围内具有不同特征的居民聚集，具有相同性质的人具有相似的经济社会地位，城市空间处于分异状态。受政治、经济、科技、文化、环境等因素的影响，城市居住空间的差异化是必然的。不同居住空间的房价也必然不同。通过分析不同空间中住宅及其周围环境的特征因素，可以在城市规划中发挥一定的作用。
2.3 特征价格理论
特征价格理论认为消费者购买产品或者服务是因为其拥有不同的价值或者功能，这些价值成为特征价格。特征价格理论的两个基本假设是：（1）商品具有异质性，同一商品由于其包含的特征数量以及质量不同造成价格的差别；（2）市场具有隐含性，商品的每个特征对应一个隐含市场。特征价格一般是看不见的，不能直接反映在住房的市场价格上。特征价格模型建立在特征价格理论的基础上。通过获取大量的价格数据和各种特征数据，研究了各个特征与价格的关系，从而反映出市场上各个特征的价格。特征价格模型的函数方法有三种比较常用，分别是基本线性模型、对数模型、半对数模型[14]。本文采用基本的线性模型： （式 2-1）模型的估计方法选用普通最小二乘法（OLS）。
3 租房价格特征模型
3.1租房价格特征变量选取
根据许多相关的特征价格模型，住宅的特征变量很多，主要包括建筑特征、邻里特征和区位特征。变量类型和数量的选择将对最终的参数估计产生一定的影响。理论上，我们应该尽可能多地包含变量，但受到数据收集的限制。本文选取以下几个特征来研究其对昆明市租房价格的影响。
3.1.1建筑特征变量
建筑特征变量包括房屋面积、室、厅、朝向、层数、装修等级。
3.1.2邻里特征变量、区位特征变量
在国外文献中，邻里特征变量指住宅所在小区的种族构成、邻里的家庭收入以及社区治安情况等。但是在国内对于邻里特征和区位特征无标准的划分[5]。因此本文暂不考虑邻里特征变量，区位特征变量仅参考昆明市分区。
3.2特征因素的设置与量化
房屋特征因素有差异，需要对因素进行量化。
3.2.1实际数值法
直接使用房屋的属性数据，适用于房屋建筑面积、室、厅、卫。
3.2.2二元虚拟变量法
使用此方法的特征变量主要有出售类型整租或合租，当存在时为1否则为0、房屋的朝向朝南时为1其余为0。
3.2.3等级赋值
有些因素变量是定性的，无法直接量化，因此采用等级赋值法。由于获取的房屋数据只对楼层进行定性描述，没有具体的值，因此也使用等级赋值，采用低中高三级1、2、3赋值，装修等级按照简装修、中装修、精装修、豪华装修分别赋值1、2、3、4。
3.3数据的获取
3.3.1研究区域概况
据2018年人口抽样调查，年末全市常住人口695万人，比上年末增加4.18万人。其中：城镇人口375.27万人，增加4.31万人；乡村人口66.88万人，减少0.12万人。城镇化率84.88%，全市实现地区生产总值（GDP）3884.48亿元（2018年），房地产业增加值210.99亿元，增长4.8%（昆明市统计局，2019）。
3.3.2数据来源与整合
本项研究选择昆明市房屋租房数据进行研究，通过借助网络爬虫技术，抓取昆明市售租房价格房中介平台房天下上 2020 年 3月的数据作为样本数据。其中，样本包括出售房屋806个。
3.4昆明市租房价格特征分析
3.4.1描述性统计分析
通过SPSS软件对特征因素进行描述性统计分析。结果如表3-1。在租房价格方面，租房价格集中在0-8000元，占比64.3%，高于16000元的租房价格均小于5%；建筑面积普遍分布在41-200平方米，其中41-100平方米占比超过一半；朝向普遍朝南，占比高达87.5%，说明昆明市城市整体朝向较好，次音速可能不会成为租房价格的限制性因素；装修以精装修为主，其占比高达72.%，简装修次之，但占比大大缩小，为12.8%，中装修和豪华装修均占比不超过10%，可见昆明市出售房装修水平集中在精装修；在区域方面，五华区出售房占比超过一半，其余五个区占比情况相差不大；房屋属性特征分布方面，主要是一室一厅一卫的房屋，与建筑面积41-100平方米占比最大呈现出较为符合的情况。表3-1 描述性统计
| 项目 | 范围 | 比例(%) | 项目 | 范围 | 比例(%) |
| 租房价格 | 0-4000 | 12.3 | 室 | 1 | 55.5 |
| 4001-8000 | 40.0 | 2 | 28.3 | ||
| 8001-12000 | 26.3 | 3 | 11.9 | ||
| 12001-16000 | 12.0 | 4 | 2.2 | ||
| 16001-50000 | 9.2 | 5 | 1.0 | ||
| 建筑面积 | 0-40 | 17.6 | 6 | 0.7 | |
| 41-100 | 66.7 | 8 | 0.1 | ||
| 101-200 | 12.0 | 9 | 0.1 | ||
| 200及以上 | 3.7 | 厅 | 0 | 10.8 | |
| 朝向 | 非南 | 12.5 | 1 | 69.9 | |
| 南 | 87.5 | 2 | 17.9 | ||
| 装修 | 简装修 | 12.8 | 3 | 1.1 | |
| 中装修 | 8.8 | 4 | 0.1 | ||
| 精装修 | 72.4 | 5 | 0.1 | ||
| 豪华装修 | 5.7 | 卫 | 0 | 1.7 | |
| 区域 | 鄞州区 | 14.5 | 1 | 86.8 | |
| 海曙区 | 12.3 | 2 | 8.9 | ||
| 奉化区 | 59.3 | 3 | 1.4 | ||
| 北仑区 | 8.7 | 4 | 0.5 | ||
| 镇海区 | 3.6 | 5 | 0.6 | ||
| 江北区 | 1.6 |
3.4.2相关性分析
相关分析是用来研究样本中两个及以上变量之间相关关系的一种多元统计方法。通过相关分析可以发现变量之间的相关特征。相关系数范围为-1~1之间，通常情况下，相关系数于0.8-1.0间以表明变量间极强相关，0.6-0.8间以表明变量间存在强相关，0.4-0.6之间以表明变量间存在中等程度相关，0.2-0.4间以表明变量存在弱相关，0.0-0.2间以表示极弱相关或无相关。表3-2 相关性
| 价格 | 出售类型 | 建筑面积 | 朝向 | 楼层 | 装修 | 区域 | 室 | 厅 | 卫 | |
| 价格 | 1 | |||||||||
| 出售类型 | 0.013 | 1 | ||||||||
| 建筑面积 | 0.646** | 0.024 | 1 | |||||||
| 朝向 | -0.211** | -0.013 | -0.145** | 1 | ||||||
| 楼层 | -0.134** | 0.058 | -0.065 | 0.041 | 1 | |||||
| 装修 | 0.025 | -0.013 | -0.05 | -0.038 | -0.044 | 1 | ||||
| 区域 | -0.018 | 0.062 | -0.02 | 0.240** | 0.009 | 0.078* | 1 | |||
| 室 | 0.603** | -0.011 | 0.737** | -0.185** | -0.041 | -0.067 | -0.097** | 1 | ||
| 厅 | 0.448** | -0.053 | 0.591** | -0.112** | -0.048 | 0.033 | -.076* | 0.672** | 1 | |
| 卫 | 0.606** | 0.009 | 0.748** | -0.126** | -0.115** | 0.003 | -0.018 | .681** | 0.601** | 1 |
| ** 在 .01 水平（双侧）上显著相关。 | ||||||||||
| * 在 0.05 水平（双侧）上显著相关。 | ||||||||||
由表3-2可知，建筑面积、室、卫数量与价格成强显著相关性，厅数量、朝向与价格存在显著中等程度相关，楼层与价格呈现显著性弱相关。但由于相关分析仅单纯考察两两变量之间的相关关系，并未考虑其余控制变量之间的关系，因此相关分析仅为了说明变量之间存在线性关系，考察建筑面积、朝向、楼层、室、厅、卫是否是租房价格的影响因素仍需继续进行回归分析。
3.4.3最小二乘法回归
使用最小二乘法（OLS）对租房价格数据进行线性回归（显著性置信度为5%），得到线性模型汇总表与线性回归模型表如表3-3。表3-3 最小二乘法回归系数
| 未标准化系数 | Beta | t | Sig. | ||
| B | 标准误 | ||||
| （常数） | -759.714 | 314.465 | -2.416 | 0.016 | |
| 建筑面积 | 11.956 | 1.619 | 0.322 | 7.385 | 0.000 |
| 朝向 | -875.096 | 214.966 | -0.108 | -4.071 | 0.000 |
| 区域 | 98.931 | 69.260 | 0.038 | 1.428 | 0.154 |
| 室 | 595.281 | 116.170 | 0.220 | 5.124 | 0.000 |
| 厅 | -147.112 | 161.223 | -0.033 | -0.912 | 0.362 |
| 卫 | 1112.640 | 204.564 | 0.222 | 5.439 | 0.000 |
其中区域和厅的回归系数不显著，去除后回归方程如下：其中P为租房价格，X1为建筑面积，X2为朝向，X3为室数量，X4为卫生间数量。
3.4.4回归模型的可信度分析
多重可决系数 R2为 0.483，校正适合的可决系数R2=0.479，表示自变量能解释因变量47.9%以上的变异，说明模型中自变量与因变量之间具有较强的线性关系，但是模型的拟合度并不算很高。
本站文章通过互联网转载或者由本站编辑人员搜集整理发布，如有侵权，请联系本站删除。