EN中文

Resources Science >

2021 , Vol. 43 >Issue 4: 790 - 798

DOI: https://doi.org/10.18402/resci.2021.04.13

Effect of educational resource difference on housing price in Jiang’an District, Wuhan City

  • YANG Shengfu 1, 2 ,
  • ZHANG Peng 1, 2 ,
  • ZOU Qiuli 3
Expand
  • 1. School of Public Administration, China University of Geosciences, Wuhan 430074, China
  • 2. Key Laboratory of Law and Government, Ministry of Natural Resources of China, Wuhan 430074, China
  • 3. Administrative Committee of Beijing Road Area, High-Tech Industrial Development Zone, Urumchi 830011, China

Received date: 2020-04-21

  Request revised date: 2020-07-16

  Online published: 2021-06-25

Copyright

Copyright reserved © 2021. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

It is of great significance to explore the capitalization effect of educational resource difference on housing price to balance the development of high-quality educational resources and maintain the stability of real estate market. Taking Jiang’an District of Wuhan City as an example and based on the housing transaction data of the research area from June 2016 to May 2018, this study constructed a Hedonic price model from the areas, history, location, neighborhood, school-accessibility, and other aspects of housing to explore the capitalization effect of high-quality educational resources on housing price. Two dummy variables of policy announcement period (T1) and policy implementation period (T2) and the interaction between quality of primary and secondary schools and time were introduced to study the influence of school district system policy on school district housing price before and after its implementation. The research found that: (1) School quality has a positive effect on school district housing price, and the effect of the quality of middle school is more obvious than that of primary school. Specifically, one-level increase in primary school quality leads to an average 11.7% increase in housing prices; An increase in the quality of secondary schools by one level would increase housing prices by an average of 27.6%. (2) In phase T1, the influence coefficient S1T1 and S2T1 on the housing prices of primary school district and middle school district were 0.049 and 0.074 respectively. In the T2 period, the influence coefficient S1T2 and S2T2 on the housing prices of primary school district and middle school district were 0.060 and 0.089 respectively. The implementation of the school district system policy in the research period has a positive effect on the capitalization of the school district housing, and the impact on balancing the development of high-quality educational resources has not yet been shown due to the impact of the implementation of relevant housing and enrollment policies and residents’ habitual thinking.

Key words： school district; educational equality; housing price; capitalization; impact factors; Hedonic model; Wuhan City

Cite this article

YANG Shengfu , ZHANG Peng , ZOU Qiuli . Effect of educational resource difference on housing price in Jiang’an District, Wuhan City[J]. Resources Science, 2021 , 43(4) : 790 -798 . DOI: 10.18402/resci.2021.04.13

1 引言

党的十九大报告指出,教育公平是促进社会公平的重要基础[1]。如何让适龄儿童享有公平而有质量的教育成为全社会关注的焦点[2]。现今,中国义务教育阶段采取“划片招生,免试就近入学”的政策。各学校被划分出相应的学区范围,适龄儿童根据户籍所在地或家庭实际居住地产权证所在的学区就读[3]。家长为了让孩子能够接受优质教育资源,争先在名校学区内买房,促使局部房价高涨,甚至催生了“天价学区房”“教育锦标主义”等社会现象[4,5]。可见,优质教育设施的空间分布影响着居民的教育和居住选择[6]。而探索教育资源差异对住房价格的影响,是评判教育公平措施是否有效实施的重要基础,对促进教育资源分布均衡化、分配合理化以及维持房地产市场稳定具有重要意义[7]。
教育资源对房价的影响一直以来是学者热议的话题[8]。自Oates[9]发现财产税和公共投入对房价产生影响以来,基于特征价格模型（HPM）[10,11]方法探讨教育资源对房价影响的类似研究得到了长足发展。Bogart等[12]研究发现优质学区提升了区域住宅价格。温海珍等[13]通过住宅特征价格分析,发现了影响住宅价格程度较大的9个特征变量。Nguyen-Hoang等[14]梳理了1999—2010年的大量相关研究,总结发现已有研究一致认为教育资源对房价具有显著的影响。近几年的研究通过地理加权回归模型[4,15,16]、分层估计[17]等方法发现了优质教育资源的资本化存在空间异质性。
针对于遗漏重要变量导致评估系数误差较大的问题[18],学者结合实施的学区制探索更多的重要变量。石忆邵等[19]构建对数型特征价格模型,发现优质教育资源对学区房价格的影响程度之和达20.63%,且与重点小学相比,重点中学的影响特征更加明显。胡婉旸等[20]提出,不可测的区位变量以及居住空间分化会导致学区溢价估价的显著偏误,并通过学区房与相邻非学区房、房价与租金两个配对回归模型,处理遗漏变量问题,指出北京市学区房存在8.1%的溢价。张骥[21]针对商品住房与非商品住房,构建配对回归模型,发现北京市重点小学会给学区房带来24.3%的溢价。根据Wadu[22]的研究,香港学区房的溢价高达39%。此外,王永超等[23]指出双学区溢价亦高于单学区溢价2倍有余。
面对优质教育资源资本化愈发严重,不同地区制定了相关政策,然而政策实施是否对优质教育资源资本化起到抑制作用,学者们展开了相关论证。Wen[24]在特征价格模型的基础上引入时间虚拟变量,证明杭州市“零学校选择”政策的实施加强了基础教育的学区效应。戴特奇等[6]以北京石景山区为例,运用二次规划模型探索教育资源的空间分配,发现在现有的教育资源和学校分布不变的情况下,“多校划片”相比于“就近入学”显著降低了教育分配的空间差异。然而,关于学区制改革政策实施前后,区域住房溢价变化的研究仍然较少;并且各地学区制改革政策处在探索阶段,也导致了学者们关注的问题存在区域差异性,并未得到一致性结论。
近年来,为治理“天价学区房”“教育锦标主义”等问题,2014年教育部发文敦促实行划片就近入学政策,各地也积极采取了相应措施。如2016年初武汉市针对区域义务教育优质均衡发展,推行了学区制改革,强校、弱校捆绑发展,即将相应的义务教育学校纳入统一共同体,构建教育资源共享平台。为探索学区制改革政策效果,本文以武汉市江岸区这一特大城市传统教育资源富集区为例,基于研究区2016年6月—2018年5月的住房交易数据,从住房建筑特征、区位特征、邻里特征、学区特征等方面构建特征价格模型,引入政策公告期、政策实施期2个时间虚拟变量以及对口中小学质量和时间的交互项,探索学区制改革政策实行前后学区房价格变化,以期揭示优质教育资源的资本化效应,为武汉市学区制和住房制度的调整和完善提供参考。

2 研究区概况

江岸区位于长江以北,是武汉市主城区之一,区域总面积70.25 km2,常住人口100万。江岸区是武汉市教育资源富集区,学前、义务教育阶段和高中等基础教育资源处于全市前列,其中教育资源较为突出且得到社会广泛认可的有武汉第二初中、育才小学、七一中学等。江岸区内部也不可避免地存在教育发展不均衡问题,武汉第二初中、育才小学、七一中学主要集中在中山大道、花桥等区域,而优势教育资源比较缺乏的区域有堤角、岱山一带。近年来,江岸区作为武汉市义务教育优质均衡发展机制改革的试验区,不断为推动武汉市义务教育优质均衡发展进程而探索。由江岸区公立中小学分布（图1）可知,西南部学校密度最大,是优质学校集中区,主要有花桥、劳动街;东北部分学校密度最小,同时也没有优质学校在这一区域,主要是堪家矶、岱山、堤角地段。
图1 2018年武汉市江岸区公立中小学分布

Figure 1 Distribution of primary and secondary schools in Jiang’an District, Wuhan City, 2018

为有效破解优质教育资源不均衡难题,江岸区从2016年起推行学区制改革试点。2017年,辖区所有教育资源被划分为A（六初育才学区）、B（二初育二学区）、C（七一长春学区）3个学区。每个学区内既包含优质小学和初中,也包含若干质量相对薄弱的小学、初中,形成学区内强校和弱校联合的共同体。通过资源共享、相互合作,最终实现辖区内教育机构的共同进步。截至2017年年底,江岸区一体化的学区制构架已经完成。

3 数据和方法

3.1 数据来源与处理

基于学区政策制定周期,本文选取的二手住房交易数据涵盖2016年6月—2018年5月,分为3个时间段：政策前期T0（2016年6月—2017年1月）,政策公告期T1（2017年2月—2017年9月）和政策实施期T2（2017年10月—2018年5月）。住房交易数据涵盖367个小区,包含2138个住房样本。其中T0包含629个住房样本,T1包含814个住房样本,T2包含695个住房样本。本文住房价格数据采取居民消费价格指数进行修正。住房交易信息爬取自链家（https://wh.lianjia.com）。公立小学和初中的数量、教育质量和位置属性获取自武汉市江岸区人民政府网（http://www.jiangan.gov.cn）和POI等多源数据。由于私立小学不受学区限制,故本文仅选取公立学校的学区信息。利用ArcGIS软件将各社区范围、小区坐标位置、学校坐标位置及所属关系进行综合划分,在此基础上确定各小区对口的学区。

3.2 研究方法

3.2.1 特征价格模型
特征价格模型被广泛地应用于房价影响机制分析。依据特征价格原理,房屋的价格是其具有的建筑特征、邻里特征、区位特征等特征变量的综合反映和表现[13]。根据该方法可以定义房价的特征价格函数：
P = f H = f B , L , N
式中： P 指代房价;H指代住房特征;B指代建筑特征; L 指代区位特征; N 指代邻里特征。
对学区房的研究中,更加关注义务教育资源对住房价格的影响,因此,本文把教育因素从邻里特征中分离出来进行分析。构建的特征价格模型常见形式主要包括线性、半对数、对数模型[14]。
线性模型：
P = β 0 + β 1 S 1 + β 2 S 2 + ∑ α i Z i + ε
半对数模型：
ln P = β 0 + β 1 S 1 + β 2 S 2 + ∑ α i Z i + ε
对数模型：
ln P = β 0 + β 1 S 1 + β 2 S 2 + ∑ α i ln Z i + ε
式中： P 是房价; S 1 和 S 2 分别是小学和初中的质量; Z i 代表其他控制变量; β 0 是常数; β 1 、 β 2 和 α i 是变量的系数; ε 是随机误差。
为进一步分析江岸区学区制政策的实施是否影响住房价格,基于传统的特征价格模型,引入2个时间虚拟变量[24],政策公告期T1（2017年2月—2017年9月）和政策实施期T2（2017年10月—2018年5月）。此外,还增加了对口中小学质量和时间的交互项。学校质量和时间的交互项意味着不同时期基础教育资源对房价的影响差异,即学区制政策对房价的实施效应。在时间段T0+T1,T1+T2和T0+T1+T2中引入时间虚拟变量构建模型的表达式如下：
ln P = β 0 + β 1 S 1 + β 2 S 2 + β 3 T 1 + β 4 S 1 × T 1 + β 5 S 2 × T 1 + ∑ α i ln Z i + ε
ln P = β 0 + β 1 S 1 + β 2 S 2 + β 3 T 2 + β 4 S 1 × T 2 + β 5 S 2 × T 2 + ∑ α i ln Z i + ε
ln P = β 0 + β 1 S 1 + β 2 S 2 + β 3 T 1 + β 4 S 1 × T 1 + β 5 S 2 × T 1 + β 6 T 2 + β 7 S 1 × T 2 + β 8 S 2 × T 2 + ∑ α i ln Z i + ε
式中： T 1 和 T 2 是虚拟变量;β1,β2,···,β8是变量的系数;其他变量含义同式（4）。
3.2.2 江岸区特征价格模型体系
住房价格是对住房价值的衡量,有挂牌价格、实际销售价格等类型。根据学区制度,拥有房屋所有权成为入学的必备条件,因此本文选取二手房交易价格作为江岸区住宅特征价格模型的因变量。基于已有文献,研究从建筑、邻里和区位和学区特征4个方面选择自变量,具体而言：建筑特征包括建筑面积、房龄等2个变量;区位特征不仅包括到江汉路商圈的距离、到最近地铁站的距离这类商服繁华度和交通通达度变量,还选取了到对口小学的距离、到对口初中的距离2个反映教育资源时间成本的变量;学区特征则基于现存教育质量的差异性选取了对口小学质量、对口初中质量2个变量。所涉及各变量的描述、定量方法和预期符号及其描述性统计如表1。
表1 特征变量及其描述性统计

Table 1 Impact factors and their descriptive statistics

特征类别 变量 定义变量及量化 预期符号 极小值 极大值 均值 标准差
因变量 房价（P） 指二手房交易价格/（元/ m2） 7000.00 62643.37 18770.64 6267.88
建筑特征 建筑面积（Ar） 指住房的建筑面积/m2 + 11.50 264.49 92.57 36.61
房龄（Ag） 指住房的房龄/年 - 0.00 32.00 10.43 6.09
邻里特征 物业费（F） 指小区的物业费/（元/月·m2） + 0.20 4.80 1.48 0.77
容积率（R1） 指小区总建筑面积与用地面积的比值 - 0.12 13.60 3.31 1.90
绿化率（R2） 指小区的绿化率水平/% + 8.10 55.00 34.50 7.30
公园绿地（G） 小区1 km内有公园绿地记1,无记0 + 0.00 1.00 0.83 0.38
商店超市（M） 小区1 km内有商店超市记1,无记0 + 1.00 1.00 1.00 0.00
区位特征 到江汉路商圈的距离（D1） 指从小区中心到江岸区CBD的直线距离/km - 0.20 11.10 5.51 2.75
到最近地铁站的距离（D2） 指从小区中心到最近地铁站的直线距离/km - 0.07 1.31 0.58 0.25
到对口小学的距离（D3） 指从小区中心到对口小学的直线距离/km - 0.04 2.24 0.62 0.46
到对口初中的距离（D4） 指从小区中心到对口中学的直线距离/km - 0.06 6.76 1.24 1.45
学区特征 小学质量（S1） 省级示范小学记3,市级示范小学记2,普通小学记1 + 1.00 3.00 1.22 0.51
初中质量（S2） 重点初中记2,普通初中记1 + 1.00 2.00 1.08 0.27
通过比较线性、半对数、对数模型回归结果的拟合度和显著性,本文选取对数函数形式建立模型。其中,连续自变量采用对数形式,虚拟变量和等级变量采用直接代入的方式。
在对数模型中,自变量是连续变量时,标准化回归系数指代相应变量对住房价格的弹性系数。而自变量是虚拟变量或者等级变量时,采用相应的公式计算出半弹性系数。
半弹性系数 = 100 × e 回归系数 - 1
3.2.3 最小二乘法
研究采用普通最小二乘法估计特征价格模型的回归系数,它是一种线性无偏估计方法。设存在一个多元线性回归方程：
Y = βX + ε
式中： Y 是因变量; X 是自变量; β 是系数向量; ε 是随机误差。系数 β 的最小二乘法估计为：
β ˆ = X ' X - 1 X ' Y
式中： X 为变量的 n × m 阶矩阵; X ' 为 X 的转置矩阵; X ' X 为 m × m 方阵; ( X ' X ) - 1 为 X ' X 的逆矩阵; Y 为因变量的 n × 1 向量; β ˆ 是变量的待估系数,即回归系数的 m × 1 向量; n 为观测数; m 为待估回归系数个数。当 X 矩阵的秩不满时,或者 X ' X 接近于0时,最小二乘法的无偏估计会产生很大的偏差,导致回归系数不稳定。
3.2.4 岭回归模型
当自变量出现多重共线性时,基于普通最小二乘法的回归估计往往会导致参数估计值的方差变大,估计结果变得不可靠。1970年Hoerl等提出岭回归,它是一种有偏估计,是对最小二乘法估计的改进。岭回归在基本的最小二乘法估计系数是增加了一个正则化项,使回归系数更加稳定。岭回归的参数估计为：
β ˆ k = X ' X + k I - 1 X ' Y
式中： I 为单位矩阵; k 为岭参数,取不同的 k 值,会得到不同的回归系数。选取的原则是各个自变量的标准化回归系数趋于稳定时的最小 k 值。

4 结果与分析

4.1 学校质量差异对房价的影响

研究使用SPSS软件,采用普通最小二乘法对特征价格模型进行逐步回归分析。通过逐步回归法,最终进入模型的变量有房龄、物业费、绿化率、公园绿地、到江汉路商圈的距离、到最近地铁站的距离、到对口初中的距离、小学质量、初中质量9个变量,回归结果如表2所示。回归结果显示,变量符号与预测符号一致。VIF值均小于10,模型不存在严重的多重共线性。方差分析系数在1%的水平下显著,因此模型显著,且住房特征变量和住房价格之间的对数关系是有效的。回归系数的t检验表明,变量的估计系数在统计上具有显著性,可通过0.05的显著性水平检验。
表2 模型1回归结果

Table 2 Regression results of model 1

变量 标准系数 标准误差 t 共线性统计
容差 VIF
lnAg -0.066** 0.029 -2.293 0.373 2.679
lnF 0.358*** 0.028 12.765 0.388 2.578
lnR2 0.114*** 0.020 5.735 0.767 1.304
G 0.108*** 0.019 5.629 0.834 1.199
lnD1 -0.145*** 0.024 -6.128 0.542 1.844
lnD2 -0.091*** 0.018 -4.96 0.909 1.100
lnD4 -0.104*** 0.022 -4.815 0.659 1.518
S1 0.111*** 0.022 5.032 0.625 1.599
S2 0.244*** 0.021 11.533 0.682 1.466
R2 0.378
调整R2 0.375

注：***、**和*分别表示在1%、5%和10%显著性水平上显著。

通过公式（8）对最小二乘估计所得的回归系数进行转换,得到虚拟变量的半弹性系数。其中,对口小学质量的半弹性系数为11.739%,对口初中质量的半弹性系数为27.634%。
在回归模型中可见,学区特征变量在很大程度上影响着住房价格。对口初中的质量和对口小学的质量对应的回归系数是正值,并通过1%显著性水平检验。这一结果表明,基础教育资源对住房价格具有显著的正向影响,教育资源正向资本化为学区房房价。具体而言,在其他变量不变的情况下,小学质量升高一级,住房价格将平均升高11.739%。初中质量升高一级,住房价格将平均升高27.634%。到对口初中的距离系数为-0.104,表示在其他变量不变的情况下,到对口初中的距离增加1%,住房价格将平均下降0.104%。

4.2 学区制的政策效应

4.2.1 含时间变量的特征价格模型分析
随后将时间虚拟变量引入回归模型,构建模型2、3、4（表3）。具体而言,模型2数据选取的是T0和T1时期的房价数据,模型3数据选取的是T1和T2时期的房价数据,模型4数据选取的是T0、T1和T2时期的房价数据。基于基本特征价格模型,模型2引入T1时间虚拟变量,模型3引入T2时间虚拟变量,模型4引入T1、T2两个时间虚拟变量。研究发现3个模型中个别变量的VIF大于10,存在严重的共线性。本文采用岭回归分析法解决变量间的共线性问题,其实质是通过在最小二乘法的最小化目标中添加一个惩罚项来改良回归模型。
表3 岭回归结果

Table 3 Estimated coefficients of ridge regression

模型 模型2 模型3 模型4
（常量） 9.586*** 9.755*** 9.591***
lnAg -0.082*** -0.039** -0.053***
lnF 0.154*** 0.118*** 0.139***
lnR2 0.092*** 0.088*** 0.098***
G 0.085*** 0.057** 0.071***
lnD1 -0.091** -0.088*** -0.081***
lnD2 -0.055** -0.061*** -0.056***
S1 0.031*** 0.051** 0.024***
S2 0.211*** 0.206*** 0.189***
lnD4 -0.042*** -0.024*** -0.035***
T1 0.096** - 0.072***
T2 - 0.019*** 0.107***
S1T1 0.050*** - 0.049**
S1T2 - 0.016*** 0.060***
S2T1 -0.080*** - 0.074***
S2T2 - 0.026*** 0.089***
本文通过输入语法命令调用SPSS宏程序进行岭回归分析,得到k值下自变量的标准化回归系数、岭轨图（图2）。随后,依据岭轨图各个自变量的标准化回归系数趋于平稳时的最小k值,得到一定k值下的标准化回归系数。因为k值越小,引入的单位矩阵越少,偏差越小。根据模型2、模型3、模型4岭轨图,可以观察到,当3个模型的k值分别为0.23、0.40、0.28时,自变量的标准化回归系数趋于稳定,因而设置模型2、模型3、模型4最佳k值分别取0.23、0.40、0.28。
图2 模型2-4的岭轨图

Figure 2 Ridge trace of models 2, 3, and 4

4.2.2 岭回归模型分析
最佳k值下的岭回归结果显示变量在0.05的水平上显著（表3）,具有解释意义。在模型2中,虚拟变量T1的系数为0.096,将其代入公式（8）后得出：与政策前期T0相比,T1期间的整体房价上涨了10.08%。在模型3中,虚拟变量T2的系数为0.019,同理可知,从时间段T1到时间段T2,住房价格整体上涨了1.92%。这表明江岸区研究期间的房价一直呈现上升趋势。
模型4是模型2和模型3的嵌套扩展模型,具有完整的观测结果,本文选择模型4作为代表模型来分析基础教育资源对房价的影响。由表4可知,在政策前期（T0）,小学质量和初中质量的系数分别为0.024和0.189,其显著性水平均低于0.01。在政策公告期（T1）,小学质量系数显著增加至0.073,计算半弹性系数可知,小学质量每升高一级,住房价格平均升高7.57%;初中质量系数显著增加至0.263,即初中质量每升高一级,住房价格平均升高30.08%。同时,在政策实施期（T2）,小学质量系数显著增加至0.084,小学质量每升高一级,住房价格平均升高8.76%;初中质量系数显著增加至0.278,同理可知,初中质量每升高一级,住房价格平均升高32.05%。
表4 不同时期内小学质量和初中质量的估计系数

Table 4 Estimated coefficients of primary and secondary school quality in different periods

T0 T1 T2
S1 0.024 0.073（0.024+0.049） 0.084（0.024+0.060）
S2 0.189 0.263（0.189+0.074） 0.278（0.189+0.089）
学校质量和时间的相互作用项（ST）的回归系数代表着不同教育资源下政策对学区房价的影响。由表3可知,学区制政策对小学的影响S1T1、S1T2的系数分别为0.049、0.600,对初中的影响S2T1、S2T2的系数分别为0.074、0.089,均为正向影响。可见,无论是针对小学还是初中,学区制政策对房价起正向影响,政策的实施并没有让优质教育资源在学区房中的资本化效应减弱,学区制政策的均衡效果还未显现。
江岸区的学区制改革中将全区的教育资源分为三大学区,各学区内由名校牵头,强校与弱校形成教育共同体,通过教育资源流动共享,以期促进教育资源均衡化。然而,学区内名校和普通学校之间尚存在明显的教育资源差异,普通学校的教育质量仍不能与名校持平,已有改革措施尚未能满足学生对优质教育均等化的需求,购房者仍倾向买优质学区的住房。分析发现,虽然学区内的各学校通过干部流动管理、教师流动教学、学生邻近蹭课、课件平台共享、初中优质扩容等方式提升教学水平较为薄弱的学校,但由于学区制政策实施时间不长,改革力度和辐射广度有限,学区内联合教研、教师交流等措施落实成效仍需持续关注。同时,研究期武汉市房价整体持续上涨,出售者对学区房价格增长的预期导致其对学区房溢价的坚守。此外,购房者对学区房政策调整的担心和对购买最近学区房的安心可能也是改革政策效果未突显的原因。

5 结论与讨论

5.1 结论

本文利用武汉市江岸区2138个二手房交易数据建立特征价格模型,定量评估义务教育资源差异对住房市场的资本化率,探索教育政策对住房价格的影响。实证结果显示：
（1）小学和初中质量对学区的住房价格产生显著影响,且初中质量较小学质量的影响程度更大。在其他变量不变的情况下,小学质量升高一级,住房价格将平均升高11.739%;初中质量升高一级,住房价格将平均升高27.634%。可见,居民愿意为学区内优质的教育资源支付更高的房价。
（2）在政策公告期,小学质量每升高一级,住房价格平均升高7.57%;初中质量每升高一级,住房价格平均升高30.08%。在政策实施期,小学质量每升高一级,住房价格平均升高8.76%;初中质量每升高一级,住房价格平均升高32.05%。与政策前期相比,在政策公告期和实施期,江岸区优质中学和小学对住房价格的影响进一步加强。
（3）学区制政策对小学的影响系数分别为0.049（政策公告期）、0.060（政策实施期）,对初中的影响系数分别为0.074（政策公告期）、0.089（政策实施期）,影响系数均为正值。结果表明学区制政策在一定程度上激励了学区内二手房交易市场发展,强化了义务教育资源的学区效应,尤其是初中的学区效应。
（4）学区制政策实施时间不长,改革力度和辐射广度有限;出售者对学区房价格增长的预期、以及购房者对学区制调整的担心和对购买最近学区房的安心等原因,使得研究期内江岸区学区制政策并没有达到抑制房价的预期效果,对优质教育资源的均衡效果还未突显。

5.2 讨论

由本文结论可见,学区制政策对学区房产生显著溢价,这与已有相关研究结论相同[25,26]。对比相关研究发现,武汉市租售同权政策实行的效果也未能有效抑制学区房价[27]。因此,地方政府仍需结合当地实际,一方面,充分考虑义务教育资源与住房市场的空间特征及相互关系,借助城市规划、土地供应市场等载体,不断优化区域义务教育资源的社会-空间可达性[26];另一方面,创新性地建立与学区制相匹配的优质教育资源分配体系,并持续通过行政手段加强优质义务教育资源流动,实质性地推动其均衡配置,缩小校际教育质量差距,从而促进义务教育资源供给与住房市场的协调发展[28,29,30]。
然而,本文仍存在以下几点值得继续深入研究的内容。首先,数据的局限性导致难以剔除不可观测变量对模型的影响,变量优选仍是回归模型重点关注的内容[31,32]。其次,由于学区房的溢出效应可能存在空间差异性,相关空间计量模型如地理加权回归模型、空间滞后/误差模型的对比分析也有待进一步探索。此外,本文选取的时间段是根据研究区学区制的实际情况,均匀选取政策前期、政策公告期和政策实施期,实施后期的效应需加入更长时间序列进行探讨。十九大报告指出,加快建立多主体供给、多渠道保障、租购并举的住房制度。不难预见,新的土地市场中,土地租赁和租房等行为将会快速增加,这也将会带来新一轮学区房效应,不同政策期的资本化效应需持续关注。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘延东. 深入学习贯彻党的十九大精神全面开创教育改革发展新局面[J]. 求是, 2018, ( 6):14-20.

[ Liu Y D. Studying and implementing the spirit of the 19th CPC National Congress to open up new prospects for educational reform and development[J]. Qiu Shi, 2018, ( 6):14-20.]

[2]
孙伟增, 林嘉瑜. 教育资源供给能够降低学区房溢价吗? 来自北京市新建小学的证据[J]. 经济学(季刊), 2020,19(2):499-520.

[ Sun W Z, Lin J Y. Does school supply reduce school district housing price premium? Evidence from newly-built primary schools in Beijing[J]. China Economic Quarterly, 2020,19(2):499-520.]

[3]
哈巍, 余韧哲. 学校改革价值几何? 基于北京市义务教育综合改革的“学区房”溢价估计[J]. 北京大学教育评论, 2017,15(3):137-153.

[ Ha W, Yu R Z. How much is an improved school worth? Evidence from the comprehensive reform in compulsory education in Beijing[J]. Peking University Education Review, 2017,15(3):137-153.]

[4]
尹上岗, 胡信, 马志飞, 等. 基于教育公平视角的城市学区房价格时空效应: 以南京主城区公办小学为例[J]. 经济地理, 2019,39(9):82-93.

[ Yin S G, Hu X, Ma Z F, et al. Spatial and temporal effects of housing price in urban school districts based on education equity: A case study of public primary school in the main urban area of Nanjing[J]. Economic Geography, 2019,39(9):82-93.]

[5]
涂唐奇, 闫东升, 陈江龙, 等. 南京城市义务教育设施空间演化[J]. 地理科学, 2019,39(3):433-441.

DOI PMID

[ Tu T Q, Yan D S, Chen J L, et al. Evolution of compulsory educational facilities in urban Nanjing[J]. Scientia Geographica Sinica, 2019,39(3):433-441.]

[6]
戴特奇, 廖聪, 胡科, 等. 公平导向的学校分配空间优化: 以北京石景山区为例[J]. 地理学报, 2017,72(8):1476-1485.

DOI PMID

[ Dai T Q, Liao C, Hu K, et al. Secondary school allocation optimization towards equal access: A case study on Shijingshan District, Beijing[J]. Acta Grographica Sinica, 2017,72(8):1476-1485.]

[7]
Hu L R, He S J, Luo Y, et al. A social-media-based approach to assessing the effectiveness of equitable housing policy in mitigating education accessibility induced social inequalities in Shanghai, China[J]. Land Use Policy, 2020, DOI: 10.1016/j.landusepol.2020.104513.

DOI

[8]
戴特奇, 赵韶雅, 廖聪. 概率分布相似最大化的“就近-随机”入学机会公平优化: 以北京市西城区为例[J]. 经济地理, 2019,39(11):18-24.

[ Dai T Q, Zhao S Y, Liao C. Maximum spatial equality of educational opportunity based on the proximity-random system: A case study of Xicheng District, Beijing[J]. Economic Geography, 2019,39(11):18-24.]

[9]
Oates W E. The effects of property taxes and local public spending on property values: An empirical study of tax capitalization and the Tiebout hypojournal[J]. Journal of Political Economy, 1969,77(6):957-971.

DOI

[10]
戴其文, 姚意旗, 张晓奇, 等. 环境对城市房价影响研究述评与展望[J]. 资源科学, 2019,41(4):627-642.

[ Dai Q W, Yao Y Q, Zhang X Q, et al. Review and prospect of research on the influence of the environment on spatial disparity of urban housing prices[J]. Resources Science, 2019,41(4):627-642.]

[11]
梁立雨, 郭志强, 李军祥, 等. 中学学区对周边小区二手房房价的溢价分析: 以深圳市为例[J]. 北京大学学报(自然科学版), 2019,55(3):537-542.

[ Liang L Y, Guo Z Q, Li J X, et al. Analysis of the premium of second-hand housing prices in surrounding communities in middle school districts: Taking Shenzhen as an example[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2019,55(3):537-542.]

[12]
Bogart W T, Cromwell B A. How much more is a good school district worth?[J]. National Tax Journal, 1997,50(2):215-232.

DOI

[13]
温海珍, 贾生华. 住宅的特征与特征的价格: 基于特征价格模型的分析[J]. 浙江大学学报(工学版), 2004,38(10):1338-1342.

[ Wen H Z, Jia S H. Housing characteristics and hedonic price: Analysis based on hedonic price model[J]. Journal of Zhejiang University (Engineering Science), 2004,38(10):1338-1342.]

[14]
Nguyen-Hoang P, Yinger J. The capitalization of school quality into house values: A review[J]. Journal of Housing Economics, 2011,20(1):30-48.

DOI

[15]
Yang S F, Hu S G, Wang S L, et al. Effects of rapid urban land expansion on the spatial direction of residential land price[J]. Habitat International, 2020, DOI: 10.1016/j.habitatint.2020.102186

DOI

[16]
杨剩富, 胡守庚, 徐枫, 等. 特殊自然地物对城市住宅地价和房价的影响: 以武汉市为例[J]. 资源科学, 2016,38(4):738-749.

[ Yang S F, Hu S G, Xu F, et al. Influence on urban residential land and housing prices by special natural features in Wuhan[J]. Resources Science, 2016,38(4):738-749.]

[17]
He S. A hierarchical estimation of school quality capitalization in house prices in Orange County, California[J]. Urban Studies, 2017, DOI: 10.1177/0042098016669473.

DOI

[18]
刘润秋, 孙潇雅. 教育质量“资本化”对住房价格的影响: 基于成都市武侯区小学学区房的实证分析[J]. 财经科学, 2015, ( 8):91-99.

[ Liu R Q, Sun X Y. The effect of education quality capitalization on housing prices based on empirical analysis of elementary school district of Wuhou District in Chengdu[J]. Finance & Economics, 2015, ( 8):91-99.]

[19]
石忆邵, 王伊婷. 上海市学区房价格的影响机制[J]. 中国土地科学, 2014,28(12):47-55.

[ Shi Y S, Wang Y T. The impacting mechanism of housing prices in the school districts in Shanghai City[J]. China Land Sciences, 2014,28(12):47-55.]

[20]
胡婉旸, 郑思齐, 王锐. 学区房的溢价究竟有多大: 利用“租买不同权”和配对回归的实证估计[J]. 经济学(季刊), 2014,13(3):1195-1214.

[ Hu W Y, Zheng S Q, Wang R. The capitalization of school quality in home value: A matching regression approach with housing price rent comparison[J]. China Economic Quarterly, 2014,13(3):1195-1214.]

[21]
张骥. 学区房溢价的再估计: 以北京市为例[J]. 经济问题探索, 2017, ( 8):57-63.

[ Zhang J. Re-estimation of the premium of school district housing: A case study of Beijing[J]. Inquiry into Economic Issues, 2017, ( 8):57-63.]

[22]
Jayantha W M, Lam S O. Capitalization of secondary school education into property values: A case study in Hong Kong, China[J]. Habitat International, 2015,50:12-22.

DOI

[23]
王永超, 王光宇, 董丽晶. 教育资本化背景下学区房溢价水平和价格空间集聚特征研究: 以沈阳市中心城区为例[J]. 人口与发展, 2020,26(1):108-117.

[ Wang Y C, Wang G Y, Dong L J, et al. Research on premium level and price spatial agglomeration characteristics of school district housing under the background of education capitalization: Taking the downtown area of Shenyang as an example[J]. Population & Development, 2020,26(1):108-117.]

[24]
Wen H Z, Xiao Y, Zhang L. School district, education quality, and housing price: Evidence from a natural experiment in Hangzhou, China[J]. Cities, 2017,66:72-80.]

DOI

[26]
Wen H Z, Xiao Y, Hui E C M. Quantile effect of educational facilities on housing price: Do homebuyers of higher-priced housing pay more for educational resources?[J]. Cities, 2019,90:100-112.

DOI

[27]
王望珍, 杨笑然. 租售同权对武汉学区房价格的影响[J]. 武汉理工大学学报(信息与管理工程版), 2019,41(4):422-426.

[ Wang W Z, Yang X R. Influence of coequality for owners and tenants on the housing price in the school district of Wuhan City[J]. Journal of Wuhan University of Technology (Information & Management Engineering), 2019,41(4):422-426.]

[28]
宋伟轩, 涂唐奇, 尹上岗, 等. 南京义务教育资源的社会-空间可达性差异及效应研究[J]. 地理研究, 2019,38(8):2008-2026.

DOI PMID

[ Song W X, Tu T Q, Yin S G, et al. The differentiation and effects of social-spatial accessibility in compulsory education resources in Nanjing[J]. Geographical Research, 2019,38(8):2008-2026.]

[29]
李瑶瑶, 朱道林, 赵江萌, 等. 政府短期干预行为对住宅地价周期波动的影响[J]. 资源科学, 2019,41(6):1059-1069.

[ Li Y Y, Zhu D L, Zhao J M, et al. Impact of short-term government intervention on the periodic fluctuation of residential land price[J]. Resources Science, 2019,41(6):1059-1069.]

[30]
许浩, 周子康, 孔德莉, 等. 武汉市基础教育资源与居民点空间耦合分析[J]. 经济地理, 2019,39(8):87-94.

[ Xu H, Zhou Z K, Kong D L, et al. Spatial pattern of basic education resources in Wuhan based on spatial coupling algorithm[J]. Economic Geography, 2019,39(8):87-94.]

Options
Outlines

/

〈 〉