工具类服务
编辑部专用服务
作者专用服务
中国城市创新空间溢出效应的实证研究：基于空间杜宾模型
城市聚集了不同才能、教育、文化和语言背景的人群，为创新的产生及溢出创造良好环境。首先，本文较全面地总结了与创新溢出有关的一系列理论:创新溢出的内涵及特征、创新空间溢出发生的内在机制、创新空间溢出效应的识别及测度方法和创新溢出效应随地理距离变化的模式等。接下来，本文实证部分选取年全国272个地级以上城市的面板数据，利用空间分位图和Moran'sⅠ系数发现城市创新产出具有明显的空间自相关性，基于负指数衰减空间权重矩阵选择个体固定空间杜宾模型开展城市创新空间溢出效应的测算，并选取基于地理距离倒数和地理距离平方倒数的空间权重矩阵检验估计结果的稳健性;以此为基础进一步利用求偏导微分法分解出空间杜宾模型下各自变量对因变量的直接效应、间接效应和总效应，并探究全国及东中西部地区城市创新空间溢出随地理距离的变动模式。结果表明:(1)我国城市创新活动具有显著的空间正溢出效应，在不同空间权重矩阵下和不同地区表现出较强的稳健性，但地区之间的溢出效应差异较大。(2)在全国范围内，科技经费支出、科技人员数量、城市经济发展水平和外商直接投资均对城市创新产出产生促进作用，其中科技经费支出与人均GDP的空间溢出总效应、直接效应和间接效应都很明显。(3)东部地区各自变量对城市创新产出的三大效应都显著为正;中部地区科技人力资源投入对创新产出的间接效应不显著，其余效应均显著;西部地区科技经费支出和人均GDP对创新产出的总效应显著为正，科技人力资源投入对创新产出的间接效应显著为负，外商直接投资对创新产出的三大效应均不显著。(4)全国城市创新空间溢出效应从150公里到1000公里范围内显著为正，650公里处效应最强;东中西部地区城市创新空间溢出效应显著为正的地理距离范围是100～325公里、250～700公里、350～950公里，且分别在150公里、550公里和750公里处达到溢出效应最大值。最后，根据研究结论，提出如下建议:城市应加大研发投入力度，摒弃区域保护主义，充分利用城市之间的创新正向溢出效应，共享资源、加强合作，促进城市协同发展。
学科专业：
授予学位：
学位授予单位：
导师姓名：
学位年度：
在线出版日期：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社ArcGIS Help 10.1 - 生成空间权重矩阵 (Spatial Statistics)
构建一个空间权重矩阵 (SWM) 文件，以表示数据集中各要素间的空间关系。
Spatial relationships based on polygon contiguity, Queen's case: shared edges or nodes.
此工具的输出是空间权重矩阵文件 (SWM)。需要指定空间关系的概念化的工具（例如）将接受；为空间关系的概念化参数选择 GET_SPATIAL_WEIGHTS_FROM_FILE，并且为权重矩阵文件参数指定使用此工具创建的空间权重文件的完整路径。
此工具还会报告所生成的空间权重矩阵文件的特征：要素数量、连通性以及最小相邻要素数、最大相邻要素数和平均相邻要素数。通过窗口可以访问此汇总，右键单击结果 窗口中的并选择视图即可查看。使用此汇总时，请确保所有要素至少具有 1 个相邻要素。通常，最好至少具有 8 个相邻要素且让要素连通性具有一个低值，尤其是大型数据集更是如此。对于空间/时间分析，
为空间关系的概念化参数选择 SPACE_TIME_WINDOW。可通过指定阈值距离值定义空间；也可通过指定日期/时间字段以及日期/时间类型（例如 HOURS 或 DAYS）和日期/时间间隔值定义时间。日期/时间间隔值为整数。例如，如果输入 1000 英尺，选择 HOURS，并为日期/时间间隔值提供值 3，则距离在 1000 英尺范围内且在彼此 3 小时内出现的要素将被视为相邻要素。空间权重矩阵文件 (*.swm) 旨在用于生成、存储、重用和共享一组要素之间关系的概念化。为了提高性能，文件采用二进制文件格式创建。要素关系存储为稀疏矩阵，因此，只有非零关系会被写入 SWM 文件。通常，即使 SWM 文件包含的非零关系超过 1500 万个，工具也会正常运行。如果在使用 SWM 文件时遇到内存错误，则应重新编辑定义要素关系的方法。根据经验，您应该以空间权重矩阵为目标，也就是说，每个要素至少具有 1 个相邻要素，最多具有大约 8 个相邻要素，任何要素的相邻要素都不会超过 1000 个。
在使用基于距离的空间关系的概念化时，数据应采用（而不是）。
对于线和面要素，距离计算中会使用要素的质心。对于多点、折线或由多部件组成的面，将会使用所有要素部件的加权平均中心来计算质心。点要素的加权项是 1，线要素的加权项是长度，而面要素的加权项是面积。
唯一 ID 字段与运行此工具后所获得的要素关系关联。因此，每个要素的唯一 ID 值都必须唯一，而且通常应该位于与要素类一同保留的永久性字段中。如果没有“唯一 ID”字段，则可以轻松地创建一个，方法是向要素类表添加一个新的整型字段（），然后将此字段的值计算为与 FID/OID 字段的值相等（）。您无法将 FID/OID 字段直接用于唯一 ID 参数。
相邻要素的数目参数可以覆盖“空间关系反距离或固定距离概念化”的阈值距离参数。如果指定的阈值距离为 10 英里，相邻要素数目为 3，则所有要素都至少会接收 3 个相邻要素（即使必须增加该阈值才能找到它们）。只有在未达到最小相邻要素数时，才增加距离阈值。
空间关系的概念化参数的 CONVERT_TABLE 选项可用来将 转换为 。首先，需要将 ASCII 权重置入一个表（例如，使用 Excel）中。警告:如果您的表包含的权重，则在 SWM 输出文件中会忽略它们，而在分析中使用默认的自然电位值。工具的默认自然电位值是 1，但可以通过指定自然电位字段值覆盖此值；对于所有其他工具，默认自然电位值为零。对于面要素，几乎总是需要为行标准化参数选择行。如果每个要素所具有的邻域数目由聚合方案或者采样过程决定，而不是反映您所分析的变量的实际空间分布，则将减少偏移。
帮助主题提供了有关此工具的参数的附加信息。
可以使用空间权重矩阵文件的工具会在进行分析之前将要素几何投影到输出坐标系，并且所有数学计算均基于输出坐标系。因此，如果输出坐标系设置与输入要素类空间参考不匹配，对于使用空间权重矩阵文件的所有分析，请确保输出坐标系与在创建空间权重矩阵文件时使用的设置匹配；或者对输入要素类进行，使得输入要素类与空间权重矩阵文件相关的空间参考相匹配。
在使用 shapefile 时，请注意 shapefile 无法存储空值。根据非 shapefile 输入创建 shapefile 的工具或其他过程可能会将空值存储（或解释）为零。某些情况下，空值则以极大的负值储存于 shapefile 中。这会产生意外的结果。有关详细信息，请参阅 。
语法GenerateSpatialWeightsMatrix_stats (Input_Feature_Class, Unique_ID_Field, Output_Spatial_Weights_Matrix_File, Conceptualization_of_Spatial_Relationships, {Distance_Method}, {Exponent}, {Threshold_Distance}, {Number_of_Neighbors}, {Row_Standardization}, {Input_Table}, {Date_Time_Field}, {Date_Time_Interval_Type}, {Date_Time_Interval_Value})参数说明数据类型
Input_Feature_Class
将被评估要素空间关系的要素类。
Feature Class
Unique_ID_Field
包含输入要素类中每个要素不同值的整型字段。
Output_Spatial_Weights_Matrix_File
要创建的空间权重矩阵文件 (SWM) 的完整路径。
Conceptualization_of_Spatial_Relationships
指定要素空间关系的概念化方式。
INVERSE_DISTANCE —一个要素对另一个要素的影响随着距离的增加而减少。
FIXED_DISTANCE —将每个要素指定临界距离内的所有要素都包含在分析中；将临界距离外的所有要素都排除在外。
K_NEAREST_NEIGHBORS —将最近的 k 要素包含在分析中；k 是指定的数字参数。
CONTIGUITY_EDGES_ONLY —共用一个边界的面要素是相邻要素。
CONTIGUITY_EDGES_CORNERS —共用一个边界和/或一个结点的面要素是相邻要素。
DELAUNAY_TRIANGULATION —基于要素质心创建不重叠三角形的网格；使用相同边且与三角形结点关联的要素是相邻要素。
SPACE_TIME_WINDOW —相邻要素是指在指定的临界距离内且在彼此的指定时间间隔内出现的要素。CONVERT_TABLE —在表中定义空间关系。
注：只有具有 ArcGIS for Desktop Advanced 级别许可才能使用“面邻接”方法。
Distance_Method(可选)
指定计算每个要素与邻近要素之间的距离的方式。
EUCLIDEAN —两点间的直线距离
MANHATTAN —沿垂直轴度量的两点间的距离（城市街区）；计算方法是对两点的 x 和 y 坐标的差值（绝对值）求和。
Exponent(可选)
反距离计算参数。典型值是 1 或 2。
Threshold_Distance(可选)
为空间关系的“反距离”和“固定距离”概念化指定中断距离。使用在环境输出坐标系中指定的单位输入此值。为空间关系的“空间时间窗”概念化定义“空间”窗的大小。
零值表明应未应用任何距离阈值。此参数留空时，将根据输出要素类范围和要素数量计算默认阈值。
Number_of_Neighbors(可选)
用于表示相邻要素最小数目或精确数目的整数。对于 K 最近邻，每个要素的相邻要素数正好等于这个指定数目。对于反距离或固定距离，每个要素将至少具有这些数量的相邻要素（如有必要，距离阈值将临时增大以确保达到这个相邻要素数）。如果存在一些岛屿面，并且选择了一个有关邻接的空间关系的概念化，则指定的最近面的数目将与这些岛屿面关联。
Row_Standardization(可选)
当要素的分布由于采样设计或施加的聚合方案而可能出现偏离时，建议使用行标准化。
ROW_STANDARDIZATION —按行对空间权重执行标准化。每个权重都除以它的行总和。
NO_STANDARDIZATION —不对空间权重执行标准化。
Input_Table(可选)
由输入要素类中每个要素相对于其他要素的数字权重组成的表。必填字段是“输入要素类唯一 ID”字段、“NID”（相邻要素 ID）和“权重”。
生成空间权重矩阵 (GenerateSpatialWeightsMatrix) 示例 1（Python 窗口）
下面的 Python 窗口脚本演示了如何使用生成空间权重矩阵 (GenerateSpatialWeightsMatrix) 工具。
import arcpy
arcpy.env.workspace = &C:/data&
arcpy.GenerateSpatialWeightsMatrix_stats(&911Count.shp&, &MYID&,&euclidean6Neighs.swm&,&K_NEAREST_NEIGHBORS&,&#&, &#&, &#&, 6,&NO_STANDARDIZATION&)
生成空间权重矩阵 (GenerateSpatialWeightsMatrix) 示例 2（独立 Python 脚本）
下面的独立 Python 脚本演示了如何使用 GenerateSpatialWeightsMatrix 工具。
# Analyze the spatial distribution of 911 calls in a metropolitan area
# using the Hot-Spot Analysis Tool (Local Gi*)
# Import system modules
import arcpy
# Set geoprocessor object property to overwrite existing output, by default
arcpy.gp.overwriteOutput = True
# Local variables...
workspace = &C:/Data&
# Set the current workspace (to avoid having to specify the full path to the feature classes each time)
arcpy.env.workspace = workspace
# Copy the input feature class and integrate the points to snap
# together at 500 feet
# Process: Copy Features and Integrate
cf = arcpy.CopyFeatures_management(&911Calls.shp&, &911Copied.shp&,
&#&, 0, 0, 0)
integrate = arcpy.Integrate_management(&911Copied.shp #&, &500 Feet&)
# Use Collect Events to count the number of calls at each location
# Process: Collect Events
ce = arcpy.CollectEvents_stats(&911Copied.shp&, &911Count.shp&, &Count&, &#&)
# Add a unique ID field to the count feature class
# Process: Add Field and Calculate Field
af = arcpy.AddField_management(&911Count.shp&, &MyID&, &LONG&, &#&, &#&, &#&, &#&,
&NON_NULLABLE&, &NON_REQUIRED&, &#&,
&911Count.shp&)
cf = arcpy.CalculateField_management(&911Count.shp&, &MyID&, &[FID]&, &VB&)
# Create Spatial Weights Matrix for Calculations
# Process: Generate Spatial Weights Matrix...
swm = arcpy.GenerateSpatialWeightsMatrix_stats(&911Count.shp&, &MYID&,
&euclidean6Neighs.swm&,
&K_NEAREST_NEIGHBORS&,
&#&, &#&, &#&, 6,
&NO_STANDARDIZATION&)
# Hot Spot Analysis of 911 Calls
# Process: Hot Spot Analysis (Getis-Ord Gi*)
hs = arcpy.HotSpots_stats(&911Count.shp&, &ICOUNT&, &911HotSpots.shp&,
&GET_SPATIAL_WEIGHTS_FROM_FILE&,
&EUCLIDEAN_DISTANCE&, &NONE&,
&#&, &#&, &euclidean6Neighs.swm&)
# If an error occurred when running the tool, print out the error message.
print arcpy.GetMessages()
环境, , 在进行分析之前将要素几何投影到输出坐标系。
相关主题许可信息ArcGIS for Desktop Basic:是ArcGIS for Desktop Standard:是ArcGIS for Desktop Advanced:是您的访问出错了(404错误)
很抱歉，您要访问的页面不存在。
1、请检查您输入的地址是否正确。
进行查找。
3、感谢您使用本站，3秒后自动跳转至网站首页　　摘要：从不同城市宜居性特征差异分析入手，运用空间计量分析技术，构建了商品住宅的城市宜居性特征空间评价计量模型。得出城市" />
免费阅读期刊
论文发表、论文指导
周一至周五
9：00&22：00
商品住宅的城市宜居性特征空间评价研究
2014年1期目录
&&&&&&本期共收录文章20篇
　　摘要：从不同城市宜居性特征差异分析入手，运用空间计量分析技术，构建了商品住宅的城市宜居性特征空间评价计量模型。得出城市间商品住宅价格存在显著的空间正相关关系，且相关性呈现逐渐增强的态势；不同城市间商品住宅价格差异主要是由经济水平、自然区位、政治区位、气候条件和公共交通、医疗卫生、义务教育、公共图书设施建设造成。鉴于城市的区位、气候和经济水平相对固定，基础设施建设成为导致城市间商品住宅价格差距加大的重要原因。 中国论文网 /8/view-4856026.htm　　关键词：城市宜居性特征；商品住宅；价格；空间评价模型 　　中图分类号：F293.3文献标识码：A文章编号：（0-05 　　自1998年7月国务院发布了《关于进一步深化城镇住房制度改革加快住房建设的通知》以来，中国各个城市的住房市场发展迅速，商品房价格不断上涨，不同城市间房价差异显著，且价格差异随着时间的推移逐步增大。从中国35个大中城市2012年的房价数据来看，北京的平均房价最高，达26156元/平方米，西宁的平均房价最低，为5145元/平方米，同一时期最高房价达到最低房价的5倍之多，价格差异相当显著。从年中国35个大中城市房价的变化过程来看，各个城市的房价变动幅度也不尽相同。宁波的房价变动幅度最大，2012年房价为2001年房价的7.58倍，而沈阳的房价变动幅度最小，2012年房价仅为2001年房价的2.87倍。因此，不同城市房价差异的原因受到国内外学者的广泛关注。 　　Reback[1]、Brasington 和 Haurin[2]分别基于年、年美国明尼苏达州的转入学生数、转出学生数、居住人群的学历构成、年龄构成、住宅的空置率、出租率、住宅价格数据和2000年美国俄亥俄州的学生人均支出、水平测试、学校增加值、住宅价格数据，采用回归分析方法和空间特征价格模型，得出学校教育质量对于城市间住宅价格差异具有一定的解释力；Schmidt 和 Courant[3]基于美国1995年人口调查CPS数据库中的住宅价格、空气质量、最大地形指数、平均气候指数、水体景区、国家娱乐区、贫困线以下的人口、保健指数、通勤时间、距离好位置的最短驱车距离等数据，采用截面回归分析方法，得出公共服务质量、自然环境和社会治安是城市间住宅价格差异的主要原因；沈悦、刘洪玉[4]基于年中国14个城市的住宅价格与人均可支配收入、城市总人口数、失业率、空置率等经济基本面数据，采用混合样本回归分析方法，得出城市经济基本面的当前和历史信息可以部分解释城市住宅价格水平或者变化率；梁云芳、高铁梅[5]基于1999～ 2006年中国28个省、市、自治区的人均GDP、商品房销售面积、房地产资金来源中除自筹资金以外的其他资金、3年期金融机构中长期贷款利率和房价数据，采用误差修正模型和面板数据模型，得出我国东西部地区房价波动差异主要是由于信贷政策不同造成，而中部地区房价波动差异主要是由于人均GDP的不同造成；周京奎、吴晓燕[6]基于年除西藏自治区外的中国大陆30个省市的住宅价格、城市教育投资、卫生事业投资、基础设施投资、交通环境投资、公共卫生投资、生态环境投资数据，采用广义最小二乘法，得出生态环境投资对住宅价格的影响最大，公共交通投资对住宅价格的影响次之，高等教育投资对住宅价格的影响较高，城市基础设施投资对住宅价格也有显著影响；龙奋杰、郭明、郑思齐、曹洋[7]基于年中国34个主要城市（不包括郑州）的住房价格、居民收入水平、自然条件、经济发展程度、环境质量、生活便利程度、公共安全、是否为省会城市、市区人口密度、市辖区人口、失业人口比例等数据，采用单变量模型、多变量模型和截面分析方法，得出城市居民收入水平和以自然条件、经济发展、环境质量、生活便利程度、公共安全为代表的城市宜居性可以解释城市住房价格差异的70%左右；何鸣等人[8]基于2006年中国254 个地级城市的房价、气候条件、环境质量、公共服务水平、生产环境特征数据，采用中国城市消费者和厂商环境特征品质价值计量方法，得出以气候条件、环境质量、公共服务水平为代表的消费者环境特征品质和以城市间运输能力、海运、生产服务能力为代表的生产环境特征品质对于中国城市间的房价差异具有60%的解释力；张娟锋、刘洪玉[9]基于年中国35个大中城市的住宅价格、土地价格、建材价格、工资水平、财富水平、人口数量、城市宜人性、失业率、住宅预期收益、非居住商品价格变动数据，采用普通最小二乘法和两阶段最小二乘法，得出人口数量、财富水平、建筑成本、住宅预期收益是造成不同城市住宅价格差异的决定因素。 　　综上所述，这些研究选择的指标不同、样本范围不同、样本个数不同、分析方法不同，对于城市间住宅价格差异的原因得出了不同的结论。归结起来可以看出：城市的经济发展水平、居民收入、社会公共服务水平、自然环境和人文环境质量是形成城市间住宅价格差异的主要原因。但这些研究一方面忽略了城市区位条件对住宅价格的影响；另一方面多数研究忽略了城市间房价的空间相关性，采用了非空间计量模型进行分析。方晓萍[10]、张谦[11]指出中国城市间、省域间的住房价格存在显著的空间相关性，所以，这种忽略空间效应的模型往往会使得估计结果不够完整、科学，缺乏应有的解释力[12]。基于此，本文在国内外学者构建的指标体系基础上，将城市的自然区位、交通区位、文化区位和政治区位引入城市宜居性特征体系，以中国35个大中城市年的数据为样本，运用空间计量分析技术，构建了商品住宅的城市宜居性特征空间评价模型，分析城市间商品住宅价格差异的原因，为推动我国的城市均衡发展提供参考依据。 　　1城市宜居性特征体系的构建 　　1.1城市宜居性的定义 　　王坤鹏[13]从自然环境、经济环境、人文社会环境和人居环境的协调性角度定义了城市的宜居性；叶青等人[14]从反映城市生态、宜居建设状况的软环境（行为过程）和反映城市生态建设过程的硬环境（结果成效）两方面定义了城市的宜居性，并强调城市宜居性测评体系既要包括结果类指数，又要包括过程类指数；郑思齐[15]强调城市的宜居性不仅要包括就业的可达性，还要包括教育设施、环境资源、公共交通设施以及人文环境等的便利和舒适性；赵华平、张所地[16]指出城市的宜居性不仅要包含城市的经济环境宜居、人文社会环境宜居、生态环境宜居，而且要包含城市的区位环境宜居。其中，经济环境宜居是城市宜居的核心，决定着城市的竞争力大小和对劳动力的吸引力强弱；社会环境宜居是城市宜居的灵魂，体现城市在住房保障、医疗保健、教育文化、交通服务、设施供应等方面的能力，制约着居民在城市生活的便利性；生态环境宜居是城市宜居的基础，体现城市的环境资源优势和环境质量水平，影响着居民在城市居住的幸福感和舒适感；区位环境宜居是城市宜居的扩展，体现城市在自然区位、经济区位、政治区位、交通区位和文化区位5个方面的优势，自然区位反映城市在自然山水风景方面的优势、政治区位反映城市在公共服务资源方面的优势、交通区位反映城市在对外交通便利性方面的优势、文化区位反映城市在历史文化传承和熏陶方面的优势、而经济区位作为反映城市经济增长优势的指标，依赖于城市的自然、政治、交通和文化4种区位，也就是说，经济区位可以看作其他4种区位的综合表现。因此，自然、政治、交通和文化即可全面反映城市的区位条件。
　　1.2城市宜居性特征体系的构成 　　以赵华平、张所地[16]给出的城市宜居性内涵为基础，本文提出包含4个因素、18个因子、34个具体指标的城市宜居性特征指标体系[17]，见表1。表1城市宜居性特征体系的构成 　　因素1因子1具体指标经济环境1经济水平1人均国内生产总值收入水平1城镇居民人均可支配收入产业结构1第三产业增加值占GDP的比重社会环境1居住条件1城镇居民人均住房建筑面积交通条件1每万人拥有公共汽车数、人均城市道路面积教育设施1每万人中小学数、中小学师生比、每百万人普通高等学校数、普通高校师生比医疗设施1每万人医院床位数、每万人医生数文化设施1每百人公共图书数、每百万人影剧院数生活设施1用水普及率、燃气普及率通讯设施1互联网用户普及率、固定电话用户普及率、移动电话用户普及率生态环境1自然环境1山水环境优美度、气候环境舒适度、空气质量优良率环境绿化1建成区绿化覆盖率、人均公园绿地面积环境治理1工业固体废物综合利用率、工业废水排放达标率、工业烟尘去除率、工业二氧化硫去除率、生活污水集中处理率、生活垃圾无害化处理率自然区位1自然区位相对优势度交通区位1交通区位相对优势度政治区位1政治区位相对优势度文化区位1文化区位相对优势度2商品住宅的城市宜居性特征空间评价模型 　　Anselin从空间滞后变量的类型和空间相关性的作用范围2个维度，将空间计量经济模型又分为空间滞后模型和空间误差模型两类。其中，空间滞后模型反映一个地区经济增长的所有解释变量，都会通过空间传导机制作用于其他地区，而空间误差模型则反映区域外溢是随机冲击的作用结果[18]。因此，商品住宅的城市宜居性特征空间评价模型构建也有2种方式：一是商品住宅的城市宜居性特征空间滞后评价模型；二是商品住宅的城市宜居性特征空间误差评价模型。 　　2.1商品住宅的城市宜居性特征空间滞后评价模型 　　设y为城市商品住宅价格，X为城市宜居性特征，WN为N个城市的空间权重矩阵，ρ为空间自回归系数，IT为T阶单位矩阵，β为待估参数，ε为随机误差项，则有： 　　y=ρIT×WNy+Xβ+ε （1） 　　式（1）即为商品住宅的城市宜居性特征空间滞后评价模型。 　　由于式（1）表示的空间模型中存在价格的空间双向依赖关系，因此，空间滞后项ρ（IT×WN）y为内生变量，于是，式（1）可以简化为： 　　y=[IT×（IN-ρWN）-1]×β+[ITX（IN-ρWN）-1]ε （2） 　　对于商品住宅的城市宜居性特征空间滞后评价模型，可以采用极大似然估计法进行参数估计[19]。 　　设Σ为ε的协方差矩阵，即ε～N（0，Σ），则对数似然函数可表示为： 　　L=Tln|IN-ρWN|-112ln|Σ|-112ε′Σ-1ε （3） 　　2.2商品住宅的城市宜居性特征空间误差评价模型 　　设X、y、WN、β的含义同上，λ为误差空间自相关系数，u为随机误差项，则有： 　　y=Xβ+ε 　　ε=λWNε+u （4） 　　式（4）即为商品住宅的城市宜居性特征空间误差评价模型。 　　由式（4）可得：ε=（IN-λWN）-1u，于是，式（4）可以简化为： 　　y=Xβ+（IN-λWN）-1u （5） 　　对于商品住宅的城市宜居性特征空间误差评价模型，可以采用极大似然估计法进行参数估计[19]。 　　设Σ为ε的协方差矩阵，即ε～N（0，Σ），BN=IN-λWN，则对数似然函数可表示为： 　　L=-NT12lnσ2u+TlnBN-112σ2uε′[IT×（B′NBN）]ε （6） 　　3中国35个大中城市商品住宅的城市宜居性特征空间评价实证分析 　　3.1商品住宅的城市宜居性特征评价的样本数据和变量说明 　　本文以中国35个大中城市作为样本，在变量选择中，根据研究的问题，选择城市的商品住宅销售价格（HP）作为被解释变量，考虑到表2中一些指标的相关度较高，为了避免模型的多重共线性，将相关度高的部分变量进行了剔除。于是，本文最终选择了17个指标作为解释变量，分别为：城镇居民人均可支配收入（PDI）、城镇居民人均住房建筑面积（PHA）、每万人拥有公共汽车数（PNB）、每万人中小学校数（PNPSS）、每百万人普通高等学校数（PNHS）、每万人口医院床位数（PNHB）、每百人公共图书数（PNPL）、每百万人影剧院数（PNT）、气候环境舒适度（CDCE）、空气质量优良率（FRAQ）、人均公园绿地面积（PGA）、生活污水集中处理率（TRWW）、生活垃圾无害化处理率（TRSW）、自然区位相对优势度（RSNL）、文化区位相对优势度（RSCL）、交通区位相对优势度（RSTL）、政治区位相对优势度（RSPL）。其中，HP、FRAQ数据来源于《中国统计年鉴》（计划单列市的FRAQ来源于城市的国民经济和社会发展统计公报），CDCE、RSNL、RSCL、RSTL、RSPL数据来源于《中国城市竞争力年鉴》，PGA数据来源于《中国城市建设统计年鉴》，TRWW数据来源于《中国城市年鉴》，PHA数据来源于《中国城市年鉴》、各省市统计年鉴、各省市国民经济和社会发展统计公报。而且，由于不同城市对于城镇居民人均住房面积有不同的统计标准，有些城市采用的是人均住房建筑面积，有些城市采用的是人均住房使用面积，为了使不同城市间具有可比性，本文通过一些计算发现，多数情况下存在“城镇居民人均住房使用面积÷城镇居民人均住房建筑面积=0.75”的关系，因此，利用该公式进行了统一化处理；其余指标的数据均来源于中国城市统计年鉴。 　　3.2商品住宅的城市宜居性特征空间评价计量模型 　　3.2.1空间相关性检验 　　Moran I指数是常用的全域空间相关性指标。本文基于国家基础地理信息中心网站提供的1∶400万中国电子地图，经地理信息系统软件MapInfo计算得到了城市间的距离，以城市间距离倒数的平方作为空间权重矩阵中的元素取值，利用中国城市的商品住宅价格数据，计算得到了商品住宅价格的Moran I指数及对应统计量Z值。结果显示：年商品住宅价格的Moran I指数均大于零，且呈现上升的态势。通过对商品住宅价格面板数据的Moran I检验，也表明中国城市间的商品住宅价格空间分布并非完全独立，因此，本文选择空间计量模型进行实证研究。
　　3.2.2空间计量模型的选择 　　对于商品住宅的城市宜居性特征评价模型的选择，本文采用拉格朗日乘数方法进行检验，设LML和LME分别为空间滞后评价模型和空间误差评价模型的LM统计量，由于LML=41.1881>LME=10.4396，所以，应该选择空间滞后评价模型。对于商品住宅的城市宜居性特征空间滞后评价模型的具体形式，还需要确定是固定效应还是随机效应。从理论上来说，当样本随机取自总体时，选择随机效应模型较为恰当，而当回归分析局限于一些特定个体时，则选择固定效应模型较为恰当[20]。本文选择中国35个大中城市进行研究，覆盖了中国的东、中、西部地区，所以固定效应模型更为合适。从统计上来说，需要通过空间Hausman检验方法加以判定。本文计算得出了空间Hausman检验统计量的值为155.9812，对应的χ2（18）的P值为0，所以，统计上也表明选择固定效应模型更为合适。于是，最终确定选择包含固定效应的商品住宅的城市宜居性特征空间滞后评价模型。 　　3.3估计结果分析 　　利用Matlab2009软件对确定的模型进行估计，结果见表2。根据表2中调整后的R2、Sigma2、LogL等统计量来看，在空间滞后面板数据模型的4种固定效应情况下，无固定效应模型优于其他3种情况，因此，下面以无固定效应模型进行分析。在无固定效应的空间滞后面板数据模型中，有9个解释变量对商品住宅价格的影响在统计上显著，但这些解释变量具有不同的量纲，为了能够使不同解释变量对商品住宅价格的影响程度具有可比性，本文采用离差标准化法将这9个变量进行了标准化处理，且以无固定效应的空间滞后面板模型进行了重新回归，构建商品住宅的城市宜居性特征空间评价计量模型： 　　HPt=0.18WHPt-4.16PDIt+4536.70PNBt+1065.84PNPSSt+1365.45PNHBt+4422.11PNPLt+1238.77CDCEt-1353.56FRAQt+1711.37RSNLt+1753.36RSPLt（7） 　　通过上述回归结果可以发现：①在4种固定效应模型的估计结果中，空间自回归系数W*dep var的估计值均为正数，且都通过了10%的显著性概率检验，说明了中国商品住宅价格在各个城市之间存在显著的空间正相关关系；②居民收入、公交建设、公共图书建设、政治区位、自然区位、医疗卫生设施、气候环境舒适度、中小学教育设施对商品住宅价格的正向影响依次递减，说明人们在选择城市居住时，较关注于城市的经济水平、基础设施建设状况、自然环境和行政级别，其中对于教育和文化设施而言，注重于义务教育和图书文化设施的建设；③城市空气质量优良率对商品住宅价格具有负向影响，说明中国在依靠工业化推动经济发展的过程中，空气质量成为人们衡量城市经济发展水平的指标。空气质量优，反映了城市工业不发达，经济水平相对落后，而城市经济对商品住宅价格的正向影响最大，所以，空气质量优良率对商品住宅价格表现出负向影响。
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。}