公共服務資本化對房價影響的空間計量分析

叢穎 杜泓鈺 楊文靜

摘 要：本文以 2009—2015 年我國 269個地級市房價為研究對象，利用SDM模型，探討公共服務資本化對房價的影響。研究結果表明：房價存在明顯的空間集聚特征，且與公共服務供給之間存在顯著的空間相關性。從全國層面看，公共服務資本化會對房價產(chǎn)生顯著的影響，教育、醫(yī)療、交通設施與房價正相關;從區(qū)域?qū)用婵?，中部地區(qū)相比較東西部地區(qū)，醫(yī)療資源投入對住房價格敏感性更高，西部地區(qū)周邊城市交通及環(huán)境資源投入對房價影響比東部和中部地區(qū)更敏感。由此本文提出建議，地方政府未來應關注提供公共服務的質(zhì)量而非數(shù)量，增加公共服務有效供給，降低房地產(chǎn)市場分化程度，促進地區(qū)間均衡發(fā)展。

關鍵詞：公共服務;資本化;房價;空間杜賓模型

一、引 言

新中國成立以來，我國稅收制度改革經(jīng)歷了從“統(tǒng)收統(tǒng)支”到“劃分稅種、核定收支、分級包干”的發(fā)展歷程。1994年，我國初步建立了比較規(guī)范、穩(wěn)定的分級財政管理體制（分稅制），按照事權與財權相對應的原則，在各級政府之間劃分收支范圍，并通過轉(zhuǎn)移支付制度協(xié)調(diào)各級政府之間的關系。但在實踐中，由于財權與事權的分離和不匹配，目前地方政府財政收入構成存在很多問題：首先，我國房地產(chǎn)保有環(huán)節(jié)的稅收總額占地方稅收收入和財政收入的比重相對較低;其次，土地出讓金成為地方政府收入的重要來源，地方政府對土地財政的依賴性較強;最后，地區(qū)間財政收入不均衡，會直接影響教育、基礎設施建設等公共物品供給，產(chǎn)生不均衡，也會造成東中西部地區(qū)房價分化日趨嚴重。

2018年，中共中央辦公廳、國務院辦公廳印發(fā)了《關于建立健全基本公共服務標準體系的指導意見》指出，要建立健全基本公共服務標準體系，明確中央與地方提供基本公共服務的質(zhì)量水平和支出責任，以標準化促進基本公共服務均等化、普惠化、便捷化。公共服務在房價中的資本化主要是指，公共資源配置通過房地產(chǎn)市場進行，居民根據(jù)個人偏好和收入選擇居住地區(qū)和相應的公共品，公共服務受益連續(xù)性和差別化在房價中表現(xiàn)出來。住房產(chǎn)品異質(zhì)性使得房價受到區(qū)位因素和公共服務設施因素影響較大[1]。公共服務的改善會促進房價的提高，進而實現(xiàn)資本化，使得土地價格上升，土地價值的增值最終將體現(xiàn)為土地出讓金提高，公共服務的資本化會激勵地方政府提供更多的公共服務。近年來，隨著房價的逐年提高和城市住房市場分化的加劇，房價作為城市土地價值的重要體現(xiàn)，公共服務資本化對房價的影響程度如何？公共服務資本化對房價影響在空間分布特點如何？這些問題值得進一步思考。

本文利用我國 269個地級市 2009—2015 年數(shù)據(jù)考察公用服務資本化對房價的影響程度及空間集聚程度，研究結果不僅對目前研究領域所欠缺的公共服務對房價的空間影響的研究具有理論意義，也對地方政府更好提供公共產(chǎn)品，因地制宜的對東中西部公共資源進行合理配置以促進各區(qū)域的發(fā)展具有一定借鑒意義。

本文的主要貢獻在于：一是把公共服務資本化融合到房價中，研究地方政府提供公共服務對房價的影響;二是從空間計量視角分析公共服務資本化對房價影響的空間區(qū)域差異。本文的具體安排是以我國2009—2015年269個地級市數(shù)據(jù)為樣本，建立SDM模型，研究公共服務資本化對房價影響的空間和區(qū)域特征。

二、文獻綜述

公共服務對房價的影響，國內(nèi)外學者都進行了大量的理論分析和驗證?，F(xiàn)有對房價影響因素的研究主要采用住房特征模型，將住宅的價格特征分為建筑特征、區(qū)位特征和鄰里特征。建筑特征包括建筑面積、房齡、樓層等，區(qū)位特征包括可達性等，鄰里特征包括學校、醫(yī)院、公交站點、周邊環(huán)境等[1-2]。

Efthymiou和 Antoniou[3]利用特征價格模型分析了交通基礎設施對雅典娜地區(qū)房價及租金的影響。Nazir等[4]運用特征價格模型分析得出綠色基礎設施對房價有影響，特別是綠地公園對納閩島的房價影響顯著。Collins和Kaplan[5]利用特征價格模型發(fā)現(xiàn)，在田納西州謝爾比縣的六個郊區(qū)合并和分區(qū)分裂后，許多學校教學質(zhì)量發(fā)生變化，并對周邊房價產(chǎn)生顯著的影響。Agostini等[6]運用該模型發(fā)現(xiàn)，智利圣地亞哥地鐵 4 號新線的修建，顯著促進附近土地價格的上升。王松濤等[7]通過特征價格模型考察了公共服務設施的可達性對房價的影響，認為重點高中、文化設施、體育場館、綠地公園離住房的距離越近，房價越高。梁軍輝等[8]以北京市二手房價格為研究對象考察了公共服務設施配置對房價的影響。結果表明，臨近的教育資源、小區(qū)綠化率、商場、地鐵站點及休閑娛樂設施對房價有顯著影響。梁譽和朱衛(wèi)峰[9]認為，不同的公共服務節(jié)點與居住小區(qū)的可達性對居住小區(qū)的房價影響是不一樣的。

從公共交通基礎設施對房價的影響來看，Rhode 和Strumpf[10]分析了城市交通條件與房價的關系，認為便捷的交通可以縮短城市間的房價差異。Rosenthal[11]考察了城市整體基礎設施建設支出與房價的關系，得出城市基礎設施建設助推了房價上漲的結論。Myungjun和 Chang-Deok[12]利用2010 年韓國首爾公寓價格數(shù)據(jù)，研究不同零售類型住宅子市場空間可達性，分析得出住宅子市場可達性受零售類型不同而存在差異，并強調(diào)按零售類型細分住房市場研究可達性的重要性。而Tian等[13]從猶他州鹽湖城周邊交通基礎設施可達性和環(huán)境健康風險對房價影響的角度分析認為，交通基礎設施可以通過改善機會的可獲得性來提高房價，但也會產(chǎn)生環(huán)境健康風險，如噪音和空氣污染，這可能會對房價產(chǎn)生負面影響。張琦[14]運用主成分分析法考察了教育、醫(yī)療、文化、交通、公用設施及環(huán)境保護等對山西省各地級市房價的影響。郭根龍和蘇小榮[15]構建了 35 個大中城市的城市基礎設施建設對房價影響的中介效應模型，認為基礎設施建設通過影響居民的住房購買能力、住房購買意愿來影響房價。鄧佳昭[16]探討了基礎設施與住宅業(yè)的協(xié)調(diào)發(fā)展問題認為，由政府還是由開發(fā)商提供基礎設施，會對房價產(chǎn)生不同的影響。政府提供配套基礎設施，使得公共性增強，房價可能上升;開發(fā)商提供配套基礎設施，使得公共性減弱，房價可能下降。Zhe等[17]以倫敦港區(qū)輕軌為研究對象，分析公共交通可達性和房價上升的關聯(lián)性，運用享樂模型，得出提供良好的公共交通政策會使得房價上升的結論。Diao等[18]以新加坡新環(huán)線的開通為研究對象，測試城市軌道交通網(wǎng)絡對非土地私人住宅價值的影響，估計了在交通線開放前后兩個區(qū)域房價變化的空間自相關模型，結果顯示，公共交通基礎設施投資的房價具有顯著資本化效應。

從教育基礎設施對房價的影響來看，Agarwal等[19]基于距離優(yōu)先的學校分配原則作為識別標準，檢驗新加坡學校搬遷對學區(qū)房價的影響，研究發(fā)現(xiàn)，學校搬遷普遍會使原有區(qū)域的房價下降。Wen等[20]利用分位數(shù)和空間分位數(shù)回歸模型，研究高、中、低房價下購房者的不同行為發(fā)現(xiàn)，小學和中學在整個有條件分配中顯著提高了房價，而幼兒園只受到購買較低和較高價格住房的購房者的重視，只有高房價的家庭愿意為高中和大學的可達性支付溢價。

除此以外，從研究方法和研究角度上，張東和秦俊武[21]建立 VAR 模型，并通過運用脈沖響應、方差分解和協(xié)整檢驗得出基礎設施投資與房價具有穩(wěn)定的正向關系，且基礎設施投資的社會效應趨于后期，應以前瞻性的眼光進行基礎設施投資布局。湯玉剛等[22]建立動態(tài)面板模型，運用差分GMM估計方法，以我國 35 個城市為研究對象，認為公共服務資本化對房價的影響具有時序特征，具體表現(xiàn)為：交通通達度在土地出讓時就完成了資本化，其他基礎設施在住房出售環(huán)節(jié)才完成資本化。夏怡然和陸銘[23]運用條件 Logit 模型，分析基礎設施對勞動力流向的影響，指出基礎設施對勞動力流向具有穩(wěn)定的影響，勞動力的流動趨向于基礎設施更完備的區(qū)域。

綜上所述，現(xiàn)有的研究大多利用微觀數(shù)據(jù)分析公共服務設施對房價的影響，但對于房價和公共服務分布的空間聚集性特征研究相對較少，尤其在公共服務資本化對房價影響的研究不多，因此，本文以空間計量視角，使用莫蘭指數(shù)以及空間自回歸模型來解釋房價的空間聚集，分析我國東中西部公共服務資本化對房價的空間層面影響，具體探討公共服務在多大程度上影響著各個城市的房價，并分別使用 SEM、SAR、SDM 空間面板模型進行實證分析，對交通、教育及醫(yī)療等基礎設施的變量研究分析得出公共服務與房價的空間相關性。

三、研究設計

（一）空間相關性分析

本文使用我國 2009—2015 年房價數(shù)據(jù)（PRICE），計算“全局莫蘭指數(shù)I”（Global Morans I），測定我國 269 個地級市的房價空間集聚效應，以此判斷其是否具有空間自相關（Spatial Autocorrelation）性，計算方法如式（1）所示：

（二）空間計量模型設定

本文建立面板空間自回歸模型如式（4）所示：

ρ為空間自回歸系數(shù)，反映 269 個樣本觀測值的空間依賴作用，即相鄰地級市房價對當前地級市房價的影響，其中Wlnpriceit為空間滯后房價。β為解釋變量系數(shù)。γ為控制變量系數(shù)。λ為誤差項的空間相關系數(shù)。η為空間自變量反應參數(shù)。μi為空間效應。ωt代表時間效應。εit為隨機誤差項。W 為基于我國 269 個地級市距離建立的空間矩陣。

（三）變量選取及數(shù)據(jù)來源

本文變量選取及數(shù)據(jù)來源如表 1 所示，所選數(shù)據(jù)為我國 269 個地級市 北京市（北京）、天津市（天津）、上海市（上海）、河北?。ㄌ粕健⑶鼗蕧u、張家口、承德、廊坊、石家莊、邯鄲、邢臺、保定、滄州、衡水）、山西省（太原、大同、陽泉、長治、晉城、朔州、晉中、運城、臨汾、呂梁）、內(nèi)蒙古自治區(qū)（呼和浩特、包頭、烏海、赤峰、通遼、鄂爾多斯、呼倫貝爾、巴彥淖爾、烏蘭察布）、遼寧?。ㄉ蜿枴⒋筮B、鞍山、撫順、本溪、錦州、營口、阜新、盤錦、鐵嶺、朝陽、丹東、遼陽、葫蘆島）、吉林?。ㄩL春、四平、松原、通化）、黑龍江省（哈爾濱、雞西、鶴崗、雙鴨山、伊春、佳木斯、七臺河、牡丹江、綏化、齊齊哈爾、大慶、黑河）、江蘇?。暇?、無錫、常州、蘇州、南通、連云港、淮安、鹽城、揚州、鎮(zhèn)江、泰州、宿遷）、浙江?。ê贾?、寧波、溫州、嘉興、湖州、紹興、金華、衢州、舟山、麗水、臺州）、安徽?。ê戏?、蕪湖、蚌埠、淮南、馬鞍山、淮北、銅陵、安慶、黃山、阜陽、宿州、滁州、六安、亳州、池州、宣城）、福建?。ǜＶ荨B門、莆田、三明、泉州、漳州、南平、龍巖、寧德）、江西?。ㄚM州、南昌、萍鄉(xiāng)、九江、新余、鷹潭、宜春、上饒、吉安、景德鎮(zhèn)、撫州）、山東?。?、青島、淄博、棗莊、東營、煙臺、濰坊、濟寧、泰安、威海、日照、萊蕪、濱州、德州、聊城、臨沂、菏澤）、河南?。ㄠ嵵?、開封、洛陽、平頂山、安陽、鶴壁、新鄉(xiāng)、焦作、濮陽、許昌、漯河、三門峽、商丘、周口、駐馬店、南陽、信陽）、湖北?。ㄎ錆h、黃石、襄陽、鄂州、孝感、荊州、黃岡、十堰、宜昌、荊門）、湖南?。ê怅?、邵陽、郴州、永州、懷化、長沙、株洲、湘潭、岳陽、常德、益陽、婁底、張家界）、廣東?。ㄉ俏病⒒葜?、深圳、河源、廣州、佛山、清遠、東莞、珠海、江門、肇慶、中山、湛江、茂名、韶關、汕頭、梅州、潮州、云?。?、廣西省（玉林、桂林、南寧、河池、欽州、柳州、北海、梧州、防城港、貴港、賀州、來賓、崇左）、海南?。ㄈ齺啞⒑？冢?、四川?。ㄑ虐?、成都、自貢、南充、瀘州、德陽、綿陽、遂寧、內(nèi)江、樂山、宜賓、廣元、攀枝花、眉山、廣安、達州、巴中、資陽）、重慶市（重慶市）、貴州?。P水、貴陽、遵義）、云南?。ɡッ?、曲靖、昭通、保山、麗江納西族自治縣）、陜西?。ㄎ靼?、銅川、寶雞、咸陽、渭南、漢中、安康、延安、榆林、商洛）、甘肅?。ò足y、蘭州、金昌、天水、張掖、武威、定西、平?jīng)觥⒓斡P、酒泉、慶陽、隴南）、青海?。ㄎ鲗帲?、寧夏回族自治區(qū)（銀川、石嘴山、吳忠、固原）、新疆維吾爾自治區(qū)（烏魯木齊、克拉瑪依）（除西藏自治區(qū)以外的 26 個省及 4 個直轄市）2009—2015 年面板數(shù)據(jù)。

被解釋變量為房價（PRICE）。商品房是指在市場經(jīng)濟條件下，具有經(jīng)營資格的房地產(chǎn)開發(fā)公司（包括外商投資企業(yè)）通過出讓方式取得土地使用權后經(jīng)營的按市場價出售的住宅。本文通過商品房平均銷售價格對房價進行衡量，并以 2009 年為基期，以各省居民消費價格指數(shù)進行平減。

解釋變量為公共服務設施。主要包括教育、醫(yī)療、交通、環(huán)境、便民設施等方面。本文使用萬人中小學生擁有專職教師人數(shù)代表教育設施水平、萬人擁有床位數(shù)代表醫(yī)療設施水平[24]。此外，本文采用人均道路面積代表交通水平、公園面積代表環(huán)境情況、街道照明燈盞數(shù)代表便民設施水平。一般而言，目前中國許多大城市內(nèi)的高房價區(qū)位往往也聚集了大量優(yōu)質(zhì)公共服務基礎設施資源，因此，本文假設公共服務基礎設施越完善，即交通越發(fā)達、醫(yī)療、教育水平越高，居住環(huán)境越適宜，則居民的購買意愿越強，房價越高。

控制變量為城市人口規(guī)模和城市居民可支配收入。城市人口規(guī)模越大，則對住房的需求越大，房價越高。城市經(jīng)濟發(fā)展水平越高，居民可支配收入越高，對房價的支付能力越強，推動房價升高。本文使用人口密度代表人口規(guī)模，使用在崗職工平均工資代表居民可支配收入。其中，在崗職工平均工資以 2009 年為基期進行平減。

（四）變量描述

使用Stata14.0 軟件測度我國 269 個地級市 2009—2015 年全局 Morans I 指數(shù)，結果如表 2 所示。由表 2 可以看出，2009—2015 年間我國房價Morans I 指數(shù)均顯著大于 0，總體上具有明顯的空間集聚效應。

本文使用Stata14.0軟件測度我國269個地級市2015年局部Morans I指數(shù)，并繪制莫蘭指數(shù)散點圖，如圖 1 所示。一般來說，空間自相關類型主要有“高—高”（High-High）和“低—低”（Low-Low）為正相關，表示空間集聚;“低—高”（Low-High）和“高—低”（High-Low）為負相關，表示空間離散。

根據(jù)局部空間自相關（LISA）的分析結果發(fā)現(xiàn)，我國東部沿海地區(qū)房價呈現(xiàn)出較為明顯的“高—高”集聚，西部及東北地區(qū)則呈現(xiàn)出較為明顯的“低—低”集聚。

四、經(jīng)驗分析

（一）全國空間效應分析

首先采用固定效應模型，并分別使用 SEM、SAR、SDM 空間面板模型對房價以及公共基礎設施教育、醫(yī)療、交通、環(huán)境、便民設施進行空間及時間雙固定效應回歸，結果如表3所示。

由表3可以看出，空間自回歸系數(shù)ρ和誤差項的空間相關系數(shù)λ都在 1%的水平上顯著為正，這說明，房價與公共服務之間存在顯著的空間相關性。由此可見，研究我國城市房價不能忽視區(qū)位因素和空間效應的影響，必須進行綜合考慮。在研究中還發(fā)現(xiàn)公共服務中的教育、醫(yī)療、交通設施指標對房價有空間正向影響。

（二）空間計量模型的選擇檢驗

對于具體模型的采用，本文使用拉格朗日（LM）檢驗法進行判別，以決定采用 SAR 模型還是 SEM模型。本文使用Matlab7.0 軟件進行分析，結果如表 4所示。由表 4可知，LM 檢驗結果均顯著，同時考慮 corr2與 Log-likelihood，本文認為 SDM 模型所得結果更加穩(wěn)健。同時，通過 LR 檢驗發(fā)現(xiàn)，SDM 模型不能簡成 SAR 或 SEM 模型，LR 檢驗結果如表5所示。因此，選擇 SDM 模型作為解釋模型。

（三）東、中、西部空間效應分析

進一步分析我國東、中、西部公共服務對房價的影響，采用 SDM 模型，使用空間與時間雙固定效應的方式進行回歸，結果如表6所示。

由表3與表6可知，在全國范圍內(nèi)，商品房銷售價格主要受人口密度、醫(yī)療以及環(huán)境的影響。其中，醫(yī)療設施的完善不僅會顯著提升本地區(qū)房價，也會提高周邊地區(qū)房價，環(huán)境則主要對本地區(qū)房價有顯著的正向影響，即公園綠地面積的增加會顯著提高本地區(qū)房價。因而，擁有一個良好的醫(yī)療條件和環(huán)境，會顯著提升房價。

對于房價呈現(xiàn)較為明顯“高—高”集聚的東部地區(qū)，房價主要受居民可支配收入、人口密度、交通及便民設施的影響。其中，在崗職工平均工資的增加會提升本地區(qū)及周邊地區(qū)房價，而人口密度的增加則會顯著提升周邊地區(qū)房價。在交通方面，由于我國東部地區(qū)經(jīng)濟較中、西部發(fā)達，公共基礎設施建成度也較高，人均道路面積的增加易更加擠占本地區(qū)居民生活空間，降低居民購買意愿，對本地區(qū)房價產(chǎn)生顯著負向的影響。同時，本地區(qū)便民設施的增加會影響周邊地區(qū)居民的買房區(qū)位選擇，產(chǎn)生空間溢出效應，顯著降低周圍地區(qū)房價。

在我國中部地區(qū)，房價主要受人口密度、醫(yī)療、教育及便民設施的影響。人口密度的增加會增加居民對于本地區(qū)商品房的需求，使本地區(qū)房價上升，周邊地區(qū)房價下降。同時，醫(yī)療設施的完善會提升本地區(qū)房價，同時產(chǎn)生空間溢出效應，提高周圍地區(qū)房價。便民設施的增加則會通過空間溢出效應顯著提高周邊地區(qū)房價。

對于房價呈現(xiàn)較為明顯“低—低”集聚的西部地區(qū)，房價主要受在崗職工平均工資、人口密度、交通、環(huán)境及便民設施的影響，在崗職工平均工資的增加會使本地區(qū)房價提高，同時，人口密度的增加也會增加本地居民對于商品房的需求，進而提高本地房價。在交通以及環(huán)境方面，由于西部地區(qū)交通網(wǎng)絡不及中東部地區(qū)發(fā)達，本地區(qū)交通設施的完善與環(huán)境水平的提升會對周邊居民產(chǎn)生吸引，產(chǎn)生空間溢出效應，而便民設施的增加則會顯著增加周邊地區(qū)房價。

五、結論與政策建議

（一）結論

本文利用 2009—2015 年我國 269 個地級市的樣本數(shù)據(jù)，研究公共服務資本化對房價影響，通過空間面板自回歸模型對所選取的 269 個地級市的人口密度、在崗職工平均工資、人均道路面積、萬人中小學生擁有專職教師人數(shù)、萬人擁有床位數(shù)等變量進行分析，使用 SEM、SAR、SDM 空間面板模型對房價，以及公共基礎設施教育、醫(yī)療、交通、環(huán)境和便民設施進行空間及時間雙重固定效應回歸，研究范圍覆蓋我國中、東、西部三個地區(qū)，研究結果具有較強現(xiàn)實意義。

第一，從全國范圍來看，本文所選取的人口密度、在崗職工平均工資、人均道路面積、萬人中小學生擁有專職教師人數(shù)和萬人擁有床位數(shù)指標均對房價有正向的影響作用。MLE回歸也進一步說明了全國房價與公共服務之間的相關性。環(huán)境水平的提高會顯著提高本地區(qū)房價，而醫(yī)療設施的提升一定程度上不僅會顯著提升本地區(qū)的房價，還會顯著提升周邊地區(qū)房價。公共服務資本化總體上會對房價產(chǎn)生顯著的影響，政府完善這些方面的公用基礎設施，不僅能更好地建設城市提高當?shù)鼐用窬幼〉男в盟?，還能促進當?shù)氐姆康禺a(chǎn)業(yè)積極健康發(fā)展。

第二，從區(qū)域角度來說，我國中、東、西部地區(qū)房價存在一定的空間集聚和空間離群特征。東部沿海地區(qū)房價“高—高”集聚較為顯著，而西部和東北部地區(qū)則以“低—低”集聚較為明顯。根據(jù) SDM 模型的 MLE 回歸分析進一步發(fā)現(xiàn)，公共服務資本化對中、東、西部地區(qū)房價的影響表現(xiàn)出一定的區(qū)域差異。中部地區(qū)相比較東西部地區(qū)，醫(yī)療資源投入對住房價格敏感性更高，西部地區(qū)周邊城市交通及環(huán)境資源投入對房價影響作用比東部和中部地區(qū)更敏感。

（二）政策建議

基于研究結論提出以下政策建議：

第一，地方政府應關注提供公共服務的質(zhì)量而非數(shù)量。我國房地產(chǎn)市場分化日益加劇，使得房地產(chǎn)市場發(fā)展不僅受到經(jīng)濟、政治因素的影響，還受到人口、文化等相關因素的影響。而國家出臺的一系列宏觀調(diào)控政策與措施在房地產(chǎn)市場的發(fā)展中扮演著關鍵的角色，在公共服務方面，如醫(yī)療衛(wèi)生、環(huán)境、便民設施和教育也與居民日常生活關聯(lián)最為密切，公共服務的資本化對房價的影響在空間集聚分布影響因素的差異性，要求地方政府應更加關注區(qū)域公共服務水平提供的質(zhì)量，而非數(shù)量。通過公共服務的改善來引導三四線城市住房需求的增加，對于一二線城市提升教育設施服務投入會增加住房需求。

第二，加快推進地方稅制體系的完善，解決地方政府公共服務提供資金不足的問題。地方政府提高公共服務水平，不僅能更好地建設城市提高當?shù)鼐用窬幼〉男в盟剑乙材艽龠M當?shù)氐姆康禺a(chǎn)業(yè)積極健康發(fā)展，但由于資金支持不足或者是區(qū)域公共服務水平差異會導致區(qū)域發(fā)展的不平衡?？赏ㄟ^房產(chǎn)稅的稅制改革，解決中西部地區(qū)公共服務供給不足的問題，根據(jù)“簡稅制、寬稅基、低稅率、嚴征管”的改革思路，房地產(chǎn)稅制改革未來征收應以為地方政府籌集長期穩(wěn)定的財政收入為目標，房地產(chǎn)稅作為房地產(chǎn)保有環(huán)節(jié)的稅種，具有稅基不易隱藏、稅負不易轉(zhuǎn)嫁等特點，稅源具有一定的穩(wěn)定性，可以成為地方政府穩(wěn)定持久的財政收入來源。在房地產(chǎn)稅稅收的用途方面，應該充分體現(xiàn)“取之于民，用之于民”的思想，可考慮優(yōu)先用于保障房的建設，也可考慮提供教育、醫(yī)療、交通、環(huán)境等公共服務。

第三，通過公共服務產(chǎn)品的有效供給，降低房地產(chǎn)市場分化程度，促進地區(qū)間均衡發(fā)展。根據(jù)前文的相關分析，全國范圍來看我國當前教育資源、交通基礎設施、公園綠地等公共服務產(chǎn)品的提供在東、中、西部分布不均衡，公共服務資本化對房價影響區(qū)域差異較明顯。應當加大對東部地區(qū)公共綠地、居住環(huán)境的投資，以及對中西部地區(qū)教育、交通服務設施方面的投資力度，在城鎮(zhèn)化發(fā)展過程中，加強產(chǎn)業(yè)政策引導，提升地方政府公共服務水平，促進勞動力空間均衡流動，進一步促進房地產(chǎn)可持續(xù)健康發(fā)展。

參考文獻：

[1] Chau，K.，Ma，V.，Ho， D.The Pricing of‘Luckiness in the Apartment Market[J].Journal of Real Estate Literature， 2001， 9（1）：29-40.

[2] 溫家珍，賈生華.特征價格模型及其在住房市場分析中的應用[J].中國房地產(chǎn)研究，2013，（2）：99-116.

[3] Efthymiou，D.，Antoniou，C.How Do Transport Infrastructure and Policies Affect House Prices and Rents？Evidence From Athens，Greece[J].Transportation Research Part A：Policy and Practice，2013，52（2）：1-22.

[4] Nazir， N.N.M.，Othman，N.， Nawawi，A.H.Role of Green Infrastructure in Determining House Value in Labuan Using Hedonic Pricing Model[J].Procedia-Social and Behavioral Sciences，2015，170（1）：484-493.

[5] Collins， C.A.， Kaplan， E.K.Capitalization of School Quality in Housing Prices：Evidence From Boundary Changes in Shelby County， Tennessee[J].American Economic Review， 2017， 107（ 5）：628-632.

[6] Agostini， C.， Palmucci， G.Capitalizacion Anticipada Del Metro De Santiago En El Precio De Las Viviendas[J].Trimestre Economico， 2008， 75（2）：403-431.

[7] 王松濤，鄭思齊，馮杰.公共服務設施可達性及其對新建住房價格的影響——以北京中心城為例[J].地理科學進展，2007，（11）：78-85.

[8] 梁軍輝，吳佳雨，林堅.北京市公共服務設施配置對住房價格的影響[J].城市經(jīng)濟，2016，（9）：82-124.

[9] 梁譽，朱衛(wèi)峰.居住小區(qū)價格與公共服務網(wǎng)絡可達性的相關性研究[J].計算機系統(tǒng)應用，2016，（12）：24-29.

[10] Rhode，P.W.，Strumpf，K.Assessing the Importance of Tiebout Sorting：Local Heterogeneity From 1850 to 1990[J].American Economic Review， 2003， 193（5）：1648-1677.

[11] Rosenthal，L.House Prices and Local Taxes in the UK[J].Fiscal Studies，1999，20（1）：61-76.

[12] Myungjun，J.， Chang-Deok，K.Retail Accessibility and Proximity Effects on Housing Prices in Seoul， Korea：A Retail Type and Housing Submarket Approach[J].Habitat International， 2015，49（10）：516-528.

[13] Tian，G.，Wei，Y.D.，Li，H.Effects of Accessibility and Environmental Health Risk on Housing Prices：A Case of Salt Lake County， Utah[J].Applied Geography， 2017，89（12），12-21.

[14] 張琦.山西省基本公共服務對商品住宅價格的影響[D].山西：山西財經(jīng)大學碩士學位論文，2016.9-35.

[15] 郭根龍，蘇小榮.城市基礎設施建設影響房價的中介效應研究——基于我國35 個大中城市的實證分析[J].熱點透視，2015，（8）：54-58.

[16] 鄧佳昭.基礎設施與住宅業(yè)發(fā)展關系的研究[D].廣東：華南師范大學碩士學位論文，2005.22-48.

[17] Zhe，S.， Cao，M.， Han，T.，et al.Public Transport Accessibility and Housing Value Uplift：Evidence From the Docklands Light Failway in London[J].Case Studies on Transport Policy ，2019，7（3）：607-616.

[18] Diao，M.，Leonard，D.， Sing， T.F.Spatial-Difference-in-Differences Models for Impact of New Mass Rapid Transit Line on Private Housing Values[J].Regional Science and Urban Economics ，2017，67（5）：64-77.

[19] Agarwal，S.，Rengarajan，S.， Sing，T.F， et al.School Allocation Rules and Housing Prices：A Quasi-Experiment With School Relocation Events in Singapore[J].Regional Science and Urban Economics，2016，58（5）：42-56.

[20] Wen，H.，Xiao，Y.，Hui，E.C.，et al.Quantile Effect of Educational Facilities on Housing Price：Do Homebuyers of Higher-Priced Housing Pay More for Educational Resources？[J].Cities，2019，90（7）：100-112.

[21] 張東，秦俊武.城市基礎設施投資約束下住房開發(fā)投資效益變動研究[J].中國房地產(chǎn)金融，2013，（3）：35-38.

[22] 湯玉剛，陳強，滿利蘋.資本化、財政激勵與地方公共服務提供——基于我國 35 個大中城市的實證分析[J].經(jīng)濟學（季刊），2015，（10）：217-240.

[23] 夏怡然，陸銘.城市間的“孟母三遷”——公共服務影響勞動力流向的經(jīng)驗研究[J].管理世界，2015，（10）：78-90.

[24] 蘭峰，達卉莉.住房價格分異、公共基礎設施與城市空間重構——基于西安市的時空演化視角[J].管理世界，2018，（3）：172-173.

（責任編輯：鄧 菁）