十一届三中全会以来，我国实行改革开放政策，相应在房地产市场开始了住房制度改革的探索，使我国的房地产业得到快速发展，尤其是我国在确定了社会主义市场经济体制后，房地产业发展更为迅猛。我国在不断完善社会主义市场经济体制的过程中大力推行住房体制改革，1998年，国务院印发《关于进一步深化城镇住房制度改革加快住房建设的通知》，停止了住房实物分配，逐步实行住房分配货币化，使我国城市住房制度逐渐从计划式向市场经济式改革，开始形成了以市场为主体的住房制度。此后，国内一些大城市如北京、上海、广州等，房地产业持续升温，房地产价格也稳定上升。伴随这些大城市房地产业的持续发展，分别以北京、上海、广州为中心的京津冀城市群、长三角城市群、珠三角城市群的房地产价格持续上涨，但城市群内部房地产市场发展迥异，而我国一直倡导区域协调发展，所以研究地区内部房价的分异演变不仅有利于地区房地产市场的健康发展，更有助于统筹区域协调发展。长三角地区作为我国最大的城市群，是我国经济最发达、城镇聚集程度最高的区域，其城市群内部房价的空间分异具有一定的代表性。从城市群层面研究区域房价分异格局的演变及其原因，不仅对长三角房价政策的制定有重要意义，也对其它城市群房价的调控具有重要的参考价值，同时也为房价的研究提供一个新的研究层次。

城市住宅价格空间分异历来都是城市地理学、城市规划学和区域经济学研究的重要内容。西方对于城市居住空间分异的研究源于20世纪20年代美国芝加哥学派的三大经典模式^[1]，先后形成了生态学派^[1]、实证主义学派^[2]和行为学派^[3]等理论。国外学者一般比较重视方法模型的运用，如Haurin等选取了29个变量应用特征价格模型，验证了美国俄亥俄州地区学校质量对住房价格的影响很大^[4]。Steveson选取30个变量证实了美国波士顿地区住房年龄对住房价格的影响^[5]。另外，由于住宅的很多特性来源于地理空间，故很多国外学者利用GIS技术提取住宅的空间特性^{[6, 7]}，为本课题研究提供了理论与方法依据。

城市住宅价格的空间分异归根到底也就是城市社会空间的分异，而社会空间分异的一般形式就是社会空间的异质性和不平等性^[8]。住宅价格的分异也有其特殊性，它同时具有空间和社会双重属性^[9]。根据其研究尺度的不同，可以将对住宅价格的研究分为两类：一类是对单个城市区域住宅价格分异或者居住空间分异的研究，此类研究集中在一些大城市或特大城市，如很多学者对北京^[10]、上海^{[11, 12]}、广州^[13]、南京^{[14, 15]}、大连^[16]等城市的住宅价格或者居住空间分异进行研究。此类研究比较注重对城市内部微观因素的研究，如区位特征^{[10, 12]}、邻里特征^{[11, 15]}、居住环境^{[12, 16]}、建筑特征^[13]、城市规划^[14]等因素对城市房价的影响研究。第二类对数个区域的研究，可以跨市域、省域甚至是国界。此类研究大多关注城市间的差异，研究较多的区域有长三角^[17]、珠三角^[18]等；还有对我国地级以上城市间或者地区间房地产价格进行研究^{[19, 20]}。此类研究注重对城市间或城市群内部宏观因素的研究，比如对经济发展水平^[17-20]、人口规模^{[17, 19]}、公共服务水平^[20]、行政等级^[20]等因素与不同城市房地产价格关系的研究。第一类研究比较常见，也是我国研究较多的，第二类研究较少，而基于县域的城市群内部房价空间分异的研究更少。已有研究关注住房价格波动和房价收入比的空间分异格局，多从地级以上城市展开研究，本文研究长三角房价空间分异格局及其影响因素，并从县域层面展开研究，深入探讨长三角房价空间分异格局。

本文以长三角核心区为案例，包括16个地级市的135个区县，2015年本地区土地面积11.26万km²，常住人口1.1亿人，地区生产总值11.31万亿元，分别占全国的1.2%，8.1%和16.7%。本文基于长三角2014—2016年房价数据，利用GIS空间分析法，通过对长三角房价空间分异格局的特征和规律进行研究，分析长三角房价空间分异格局形成的影响因素，以此为城市规划和城市建设部门提供参考依据。

长三角城市群作为我国最大的城市群，同时也是国际公认的世界级的六大城市群之一。但是长三角城市群内部存在着巨大差异，其内部房价的空间分异具有一定的代表性。由于长三角是个多重概念，它既可以指地理概念，也可以指工业经济概念，还可以指城市经济概念等。本文采用长三角城市经济的概念，即长三角包括：上海市；江苏省的南京、苏州、扬州、镇江、泰州、无锡、常州、南通；浙江省的杭州、宁波、湖州、嘉兴、舟山、绍兴、台州。根据2014年初我国现行的行政区划，长三角16个地市共包含134个县区（含县级市，下同），由于苏州工业园区特殊的区位（地域面积较大，园区经济基础较好，因而房价与周边具有较为明显的区分度），故把它单独作为一个行政区域来研究，所以研究区域内共有135个样本（图 1）。

图 1(Fig. 1)

图 1 研究区域 Fig.1 Study Area

文中的“房价”为单位建筑面积的住宅交易均价，通过各城市房地产交易中心、搜房网（www.soufun.com）和城市房产（www.cityhouse.cn）提供的二手房交易信息，本文搜集了2014—2016年长三角135个区县的二手房房价交易数据。这些房价数据以房地产三级市场（二手房交易市场）的挂牌价为主，相对于当地房管部门公布的“成交价格”，能够较为真实地反应房价的实际情况。这是由于房地产市场商品房交易中存在着“阴阳合同”的现象，导致房管部门公布的“成交价格”低于实际成交价格。故本文中的房价数据均为二手房房产的挂牌价数据，数据采集时段为2014—2016年每年的9月份。

本文筛选的长三角135个区县的经济密度、居民消费能力、房地产投资密度、人才指数、高端服务业人口、设施供给、行政等级、房地产政策等16个影响因素的数据，主要来源于上海市2015年统计年鉴、江苏省2015年统计年鉴、浙江省2015年统计年鉴以及各区县2015年的国民经济和社会发展统计公报。

区域性，或差异性，是地理学的重要特性。而区域间差异的测算方法又多种多样，其中统计学方法应用较为广泛，如变异系数、基尼系数、泰尔指数、总熵指数、阿特金森指数等^[21]。每种方法都有自己的适用范围，也各有利弊。其中泰尔指数（Theil Index）的特殊意义在于它能够将总体的区域差异分解成不同空间尺度的内部差异和外部差异^[22]。故本文采用泰尔指数测算长三角房价分异的程度。泰尔指数公式如下：

(1)

式中：T为泰尔指数，n为县区的个数，x_i为第i个县区的住宅价格，m为住宅价格均值。

由于泰尔指数符合洛伦兹准则的一致性原则，并且还可以进行分解^[23]。所以根据泰尔指数的特性，可以将整体分异测度分解为组别间和组内部的分异测度。泰尔指数的分解公式如下：

(2)

式中：T_b表示组间差距，T_w表示组内差距；K 为研究区域所划分的不同组别的数量（本文K =16），每组中县区个数为g_k(k = 1, 2, ···, K)；n_k为第k组别中县区的数量；x_k为第k组别中县区房价之和；y_k为所有县区房价之和。其余指标的解释与（1）相同。

泰尔指数只能说明房价的区域间和区域内部的分异度，无法说明相似属性集聚区的分布位置。热点分析可以进一步研究长三角地区房间空间分布是集聚、分散或者是随机的，从而识别长三角房价的热点与冷点的空间分布。热点分析可以通过相应的局部统计G_i^*探索空间集聚的冷点区域和热点区域^[24]。Getis-Ord G_i^*局部统计公式为：

(3)

式中：X_j是要素j的属性值，W_{i, j}是要素i和j之间的空间权重，n为要素总数。且：

由于房价的形成机制较为复杂，故影响房价的因素也是多方面的。多元线性回归模型在解决实际问题中考虑多元因素而被广泛应用，也是研究住房价格影响因素中常见的模型之一^{[25, 26]}。多元线性回归模型的一般形式如下：

(4)

式中：Y为地区房价，X_n为第n个影响因素的观测值；β₁，β₂，β₃，···，β_n为n + 1个待估计的参数值，也就是回归系数；ε随机干扰项。

根据收集的长三角县域的房价数据，利用ArcGIS制作出长三角县域2014年、2015年、2016年房价图（图 2）。为了使三年的房价图更加直观，每幅图都分为七级，下限为每年中房价最低的县区，上限为每年中房价最高的县区，且分组范围基本一致。

图 2(Fig. 2)

图 2 长三角房价空间分异格局（2014—2016） Fig.2 The Spatial Differentiation Pattern of Housing Prices in the Yangtze River Delta During 2014—2016

从长三角2014—2016房价分布图（图 2）可直观地看出，长三角的房价由直辖市、省会城市向外围跳跃式递减，呈现出多极核分布特征。长三角16个城市2014年、2015年、2016年房价分布图和长三角地区的城市体系结构、长三角地区经济发展程度基本一致，即作为我国经济总量最大的城市，直辖市上海的房价最高，南京、杭州、苏州、宁波等省会城市或经济发达城市的房价次之，其余地市县域的房价较低。但也有例外，无锡经济发展程度较高，房价却较低，而经济发展程度较低的台州、舟山房价相对同等级城市偏高。长三角地区房价为何存在这样的分布格局，如何解释无锡、台州、舟山的房价与同等级城市之间的差异，这正是本文要研究的目的之一。

由长三角2014年房价、2016年房价可以计算出2014— 2016年房价的增长量，然后绘制成长三角2014—2016年房价变化图（图 2d）。由图 2d可以看出：长三角2014—2016年房价变化带状分布明显，呈现出不均衡性，这是由于2016年6月通过的《长江三角洲城市群发展规划》中，上海定位为超大城市，南京定位为唯一特大城市，杭州、苏州定位为Ⅰ型大城市，宁波与无锡定位为Ⅱ型大城市，南京与杭州为副中心城市，城市定位的上升提升了城市房价。上海、南京、苏州为房价增长量最大的地区，而且整个市域范围的区县房价增长量相差不大，说明这些地区房价增长最为迅速且增长量较为均衡。上海房价增长较快是由于其吸引了大量的外来人口，而城市可供开发建设的土地非常紧张，住房供需矛盾更加严峻，同时2016年6月上海迪士尼开园，带动了酒店、零售等行业的发展，也提升了城市房价。南京江北房价增长量较大的原因有2015年6月国务院正式批复同意设立南京江北新区，另外2014年8月启用的宁天城际、2017年12月正式运营的宁和城际、2014年7月1日正式运营的南京地铁10号线和2016年1月正式通车的南京扬子江隧道等交通利好都抬升了南京江北地区的房价，同时南京于2016年9月才出台住房限购措施，在此之前，投资客与炒房团伺机出动，推动了房价与销量的“步步惊心”。苏州房价增长量较大的原因有苏州市轨道交通S1线与上海11号线无缝衔接，同时2016年2月苏州被列为国家服务贸易创新发展试点城市，有利于苏州的转型升级与发展。上海后花园昆山的交通与上海全面对接，但昆山房价与上海相比存在较大的梯度差，因而吸引了一部分上海人置业，交通的全面对接使众多国际资本与高端产业加速转移至昆山，也提升了昆山的房价。无锡经济发展水平虽高，但相比于苏州2016年年末1062.57万常住人口和宁波2016年年末787.5万常住人口，无锡2016年年末仅有652.90万常住人口，有效需求不足抑制了无锡房价的提升。

杭州、宁波、无锡的部分县区房价增长量较大，如杭州的淳安县、富阳区，宁波的奉化区、慈溪市，无锡的江阴市等，而它们其余的县区房价的增长量相对较小，反映出这些城市房地产市场发展不均衡。淳安县、富阳区房价增长较快得益于G20峰会后杭州明确要建设成为世界名城，城市交通基础设施得以完善，交通枢纽国际化水平进一步提升。奉化区房价增幅较大的原因是2016年奉化撤市设区，慈溪市房价增幅大得益于其区位、交通和经济优势，慈溪市位于沪杭甬金三角的中心，杭州湾跨海大桥使慈溪成为连接上海、宁波的黄金节点城市，慈溪市在2016年度中国中小城市综合实力百强县市榜单中居第五位。江阴房价增幅较大的原因是交通利好，南沿江城际铁路和无锡至江阴城际铁路推动了江阴房价的增长。

此外，舟山、台州县区的房价增长量处于中等水平，舟山、台州县区房价的增长量较为均衡，舟山市区和温岭市的房价增量略胜一筹。舟山房价的增幅大是因为岛屿面积小，平地少，房屋造价高，土地资源稀缺，宁波的辐射与舟山群岛新区获批也是舟山房价增量偏高的重要原因。台州温岭市房价的增幅大是由于外来人口和温岭市经济发展为温岭市房地产市场提供了大量购房人群和强劲购买力。

由泰尔指数的计算公式（1）和分解公式（2）可以计算出长三角16个地市之间和内部的房价空间分异测度指数，再分别由区域间的分异指数、区域内的分异指数与区域整体分异指数的比值可以计算出它们对整体分异测度的贡献率，计算结果见表 1。

表 1(Tab. 1

表 1 长三角房价空间分布不同区域间与区域内分异指数及贡献率 Tab.1 Difference Index and Contribution Rate of Housing Prices Within and Between the Districts in the Yangtze River Delta

表 1 长三角房价空间分布不同区域间与区域内分异指数及贡献率 Tab.1 Difference Index and Contribution Rate of Housing Prices Within and Between the Districts in the Yangtze River Delta

由表 1可知：①长三角整体房价空间分异指数均在0.1以上，并且呈变大的趋势，变大的幅度愈加明显，表明长三角房价空间分布的不均衡性正在加剧。②长三角区域间的房价分异指数远远大于区域内部的分异指数，这表明长三角房价空间分异在区域间差异明显，也就是说在各地市之间的房价空间差异较大，而在16个地市内部房价空间分异较小。③从贡献率上看，2014—2016年区域间的贡献率均在0.7以上，并且逐年递增，说明区域间的差异是形成长三角房价空间分异的主导因素，16个地市之间的房价差异较大，从而主导了长三角房价的空间差异，而且区域间的差异对长三角房价的空间分异度影响越来越大；2014—2016年地市内部的房价空间分异指数对整体的贡献率均在0.3以下，并且逐年递减，说明地市内部的差异对长三角整体的差异影响很小，并且地市内部的差异对长三角房价空间分异度影响越来越小。

由ArcGIS空间热点分析工具，从离散的长三角房价中判断区域内部的空间异质性，从而识别出长三角房价的热点及冷点分布（图 3）。热点分析的结果可以分为三大类：大于零的空间聚类（热点）、等于零的空间聚类（随机）、小于零的空间聚类（冷点）。

图 3(Fig. 3)

图 3 长三角房价热点分析图（2014—2016） Fig.3 The Hot Spot Analysis of Housing Prices in the Yangtze River Delta During 2014—2016

从长三角房价热点分布图（图 3）可以看出：①从冷热点的数量看，冷点和热点的数量呈现出先减少后增加的趋势。三个年份冷点数量分别占8.15%、5.93%、11.85%，热点数量分别占19.26%、11.11%、14.81%。同时冷热点的数量呈现不同的变化趋势，冷点数量先降后升，波动式上升；虽然热点数量也是先降后升，但是为波动式下降。冷热点的数量变化说明长三角房价呈现出较为明显的空间收敛，冷点和热点数量的变化趋势也反映了长三角房价分布的集聚趋势，各区域间的差异越来越大，这也直接证明了泰尔指数分析结果的准确性。②从冷热点的空间分布变化来看，冷热点的空间分布聚集度不断提高。长三角房价热点以上海、南京、杭州的老城区为中心，在其周围聚集分布。2014—2016年上海的中心区始终为热点区域；而太湖北岸的苏中南地区一直处于冷点区域。2014—2016年中，上海的青浦区始终为次热点区域，南京的中心城区先退出热点，后又进入到热点区域中，杭州的中心城区只有2014 表 1长三角房价空间分布不同区域间与区域内分异指数及贡献率Tab. 1 Difference Index and Contribution Rate of Housing Prices Within and Between the Districts in the Yangtze River Delta年进入热点，次热点区域的范围呈现出波动下降的态势。而冷点区域2016年又从太湖北岸向北继续延伸，冷点区域范围呈现出上升的趋势。从长三角房价冷热点的时空分布可以看出，长三角的房价总体趋势高价分布相对集中，低价趋向于均衡分布。

从2014—2016长三角房价变化的热点图（图 3d）可以发现：热点区域主要集中在上海的中心城区，次热点区域主要分布在上海的外围和南京的中心城区，冷点区域主要集中在苏中南地区。结合长三角2014—2016年房价的热点图可以发现：热点区域有分散的趋势，而冷点区域有集中的趋势。

房地产作为国民经济的重要支柱产业，为中国经济增长做出了重大贡献。经济社会的发展通过多方面影响城市住房的价格，而城市住房的价格又受到多种因素的影响。本文主要研究宏观特征中长三角经济社会发展对县域住房价格的影响，在查阅相关文献的基础上^{[10-13, 26-29]}，遴选出4类影响长三角住房价格的要素类型（表 2）。每一类要素类型又包含4个指标变量，4类要素类型共包含16个指标变量。

表 2(Tab. 2

表 2 长三角房价分异影响因素 Tab.2 The Impact Factors of Differentiation of Housing Prices in the Yangtze River Delta

表 2 长三角房价分异影响因素 Tab.2 The Impact Factors of Differentiation of Housing Prices in the Yangtze River Delta

利用SPSS软件，采用逐步多元回归分析法，构建多元线性回归模型，分析各因素对长三角房价的影响。通过模型回归得到Durbin-Watson检验统计量的值为1.216，最后有8个自变量进入模型，联合解释力（R²）为92.5%，说明模型的总体拟合效果较好。对房价具有显著解释力的变量依次为人才指数、行政等级、经济密度、居民消费能力、房地产政策、设施供给、高端服务业人口和房地产投资密度。显著性改变的F值分别为382.401、81.868、49.301、24.604、17.519、7.354、6.449、4.093，均达到了0.05的显著性水平，每个自变量进入回归模型后所增加的个别解释量均达到显著（P < 0.05）。回归模型的结果见表 3。

表 3(Tab. 3

表 3 模型的回归系数 Tab.3 Outcomes of the Regression for Variables

表 3 模型的回归系数 Tab.3 Outcomes of the Regression for Variables

由以上分析及表 3可知，非标准化的回归方程为：

标准化的回归方程为：

通过建立的回归模型分析长三角房价空间分异的影响因素，结果表明：

（1）经济资源特征中，经济密度、居民消费能力、房地产投资密度均对长三角房价产生显著影响。经济密度与房价呈正相关关系，影响系数为0.028；居民消费能力与房价呈负相关关系，影响系数为-0.059；房地产投资密度与房价呈正相关，影响系数为0.088。经济实力对房价没有显著影响，这也解释了经济发展程度较高的无锡房价较低，而经济发展程度较低的台州、舟山房价相对同等级城市偏高。

（2）人力资源特征中，人才指数、高端服务业人口对长三角房价产生显著影响，且均呈正相关关系。其中，人才指数对房价的影响系数为855.266，高端服务业人口对房价的影响系数为1336.651，人口密度、教育程度对房价未产生显著影响。

（3）社会资源特征中，只有设施供给对长三角房价产生了显著影响，设施供给与房价呈负相关关系，影响系数为-0.116。模型中住宅供给、教育资源、医疗资源均未对长三角房价产生显著影响。

（4）行政资源特征中，行政等级、房地产政策均对长三角房价产生显著影响。行政等级与房价呈正相关，行政等级较高城市的区县房价也就越高；房地产政策与房价呈正相关，房地产限购政策越严格房价也就越高。这是由于我国现阶段房地产市场存在着政府失灵，即在房价居高不下的情况下，政府出台了一系列宏观调控措施来规范房地产市场，但是没有取得预期的效果^[28]。房地产政策的政府失灵原因可能有：房地产公共政策缺乏科学性和长远考虑，执行情况不理想；房地产调控政策受制于宏观经济政策，政策效果部分失效^[29]。因此，即使国家出台了一系列房地产调控政策，房价却没有明显下降甚至还会上升。

长三角房价空间分布格局与其城市体系结构、经济发展程度基本一致，即直辖市上海的房价最高，南京、杭州、苏州、宁波等省会城市或经济发达城市的房价次之，其余地市县域的房价较低。长三角的房价由直辖市、省会城市向外围跳跃式递减，呈现出多极核分布特征。长三角整体的房价空间分异指数呈变大趋势，即长三角地区整体房价空间分布的不均衡性正在加剧。区域间的差异是形成长三角房价空间分异的主导因素，地市内部的差异对长三角整体的差异影响较小。

从2014—2016年长三角房价冷热点区域分布看，冷热点的空间分布格局相对稳定，热点的数量波动下降，冷点的数量波动上升。热点的空间分布较冷点更为分散，主要分布在上海、南京、杭州的中心城区。冷点的空间分布较为集中，主要分布在太湖北部苏中南地区，并有不断向外围扩散的趋势。人才指数、行政等级、经济密度、居民消费能力、房地产政策、设施供给、高端服务业人口和房地产投资密度对长三角房价的影响显著，其中人才指数、行政等级、经济密度、房地产政策、高端服务业人口、房地产投资密度与房价呈正相关关系，而居民消费能力、设施供给与房价呈负相关关系。

由于数据的收集有一定的难度，本文只收集了长三角县域2014—2016年三年的房价数据，时间跨度短，尽管如此，本文还是得到了跟实际相符的实证结论，并加深了对房价空间分异的理解，为房地产业的调控提供参考依据。后续将进一步收集长三角县域房价数据，全面探讨长三角县域房价演变特征和机理。

由于农业比重不同的区、县级市在住宅供需方面的差异难以精确量化，本文在研究长三角房价空间分异的影响因素时未加以区分，各地在执行上级房地产调控政策文件过程中存在的差异也难以准确量化，本文只探讨了个别城市的调控政策，同时对房价影响因素的筛选可能有所遗漏，对长三角房价的研究有待进一步完善。