新经济研究
Journal of New Economic Studies
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-3416（P）
- ISSN:3079-9589（O）
- 期刊分类:经济管理
- 出版周期:月刊
- 投稿量:2
- 浏览量:458
相关文章
暂无数据
旅游流对城市住房价格的影响及其异质性研究——基于网络外部性的视角
The Impact of Tourism Flow on Urban Housing Prices and Its Heterogeneity: A Study from the Perspective of Network Externalities
引言
旅游业对社会经济发展产生了重要的推动作用，但旅游在带动城市经济发展的同时，也伴随着一系列的问题，例如影响一个城市的住房价格。房地产行业是一个国家或区域经济发展的重要产业，近年来，全球多地住房价格持续上涨，涨幅往往超过居民收入增长速度，导致住房可负担性问题日益凸显。因此旅游业发展对于当地住房价格的影响持续受到研究关注。一方面，城市旅游活动的增加创造了来自旅游者的外部住房需求，这些外部需求增加了住房使用的竞争，直接影响了城市房价。另一方面，旅游业的发展带动城市的经济发展，创造额外的住房需求和房地产投资，进而间接影响了城市房价。为了揭示旅游流网络对城市住房价格的影响，本文引入网络外部性的理论视角，网络外部性是指城市嵌入网络并通过节点之间的连接产生互补、整合和协同效应时形成的外部效应。网络外部性理论强调，通过城市间连接而产生的影响能够跨地域传导。当城市深度嵌入旅游流网络的过程中，城市可能通过一种“借用规模”效应，在与网络中其他城市的旅游互动中获取额外的竞争优势。这种效应不仅促进了城市旅游业的发展，还通过提升城市自身的旅游供需关系，并进一步对其他行业与产业的发展产生影响，包括城市住房价格。从旅游流角度看，旅游活动可以视为构成城市间流动网络的一部分。实证研究表明，在旅游压力较大的地区，游客导致的住房需求增加会使房价上涨，并且这一压力往往会溢出到相邻城镇。
一、文献综述
关于旅游对住房价格的影响，已有大量研究发现两者存在紧密关联，多数实证研究表明，旅游活动强度的提高通常伴随着当地住房价格的上涨。其机制包括：旅游消费直接增加住房和住宿需求、旅游投资（如酒店和度假区开发）提升地区吸引力、以及短租平台兴起导致住房资源转向旅游用途等。此外，旅游发展作为负外部性的负面效应之一，也带来了城市中心区域“绅士化”等问题。
无论对于住房价格的影响如何，以上文献都是基于游客数量研究旅游活动对城市住宅价格的影响，尚未有文献基于旅游流网络的视角，关注旅游流网络外部性对城市住宅价格的影响。随着城市网络化进程加快，学者开始关注城市网络外部性的作用。网络外部性解释了城市在非地理邻接的情况下产生的外部性效应，城市网络外部性衡量了城市如何从区域功能网络产生的影响中受益，有助于解释城市在非地理邻接的情境下产生的外部性效应。相较于单纯依赖地理邻近的集聚经济，网络外部性更强调城市间的网络联结（如交通、信息等联系）所带来的外部经济效应。综上所述，本文将旅游流对住房价格的影响，视为旅游流网络的一种外部性效应，以揭示旅游流网络对城市住房价格影响的机制与异质性。
二、研究数据与方法
（一）研究对象和数据来源
1.研究对象
本文以中国353个地级及以上行政区划作为研究对象，由于数据采集的限制，本文研究对象不包括我国台湾地区，以及香港、澳门特别行政区。房地产市场供需失衡及区域房价差异是全球范围内普遍存在的问题，而中国作为一个正处于迅速发展阶段的发展中国家，在此问题上的表现尤为显著。深入研究旅游流网络外部性对中国房价的具体作用机制，能够为其他面临相似发展阶段和房价压力的发展中国家提供经验和参考。
2.研究数据与旅游信息流网络构建
本文住宅价格数据来源于安居客网站（https://www.anjuke.com）。安居客是中国用户规模最大的在线房产平台，其提供的城市年平均房价数据能够最大程度地接近并反映真实的房地产市场价格动态。
本文利用游客对于特定城市的旅游信息的搜索行为所产生的信息流构建旅游流网络。信息化时代，旅游者越发依赖通过互联网搜索获取旅游目的地相关信息，旅游信息搜索流是游客对于目的地旅游相关信息的互联网搜索行为所产生的客源地与目的地之间的关系流。本文旅游流数据来源于百度搜索指数（www.Index.Baidu.com），该指数基于百度用户的搜索量，使用百度搜索引擎分析各种搜索关键字的加权和。百度是世界上最大的中文搜索引擎之一。本文以“城市名称”+“旅游”为关键词进行搜索，获取了2015-2021年中国353个城市间的日均百度搜索指数。本文控制变量所使用的数据来源于各年份的《中国城市统计年鉴》。考虑到各类因素对住宅价格的影响存在滞后性。因此，本文将解释变量数据滞后一年，使用2015-2021年解释变量的数据对应2016-2022年的房价数据。以353个地级及以上行政区划为网络节点，城市间的旅游搜索指数为网络的边，最终构建了城市间的旅游流网络的空间矩阵。
（二）变量选取
1.核心解释变量
本文通过特征向量中心性(Eigenvector Centrality, EC)衡量城市节点在旅游信息流网络中的外部性效应。特征向量中心性衡量了一个节点在网络中的影响力，其核心思想在于，节点的重要性不仅取决于连接节点的数量，还与连接的节点的重要性紧密相关，即一个节点的中心性是相邻节点中心性的函数。因此，节点在网络中连接的具有较高中心性的其他节点越多，其受制于其他单一节点的可能性就越低，此类节点在网络中往往承担“传播者”角色，这既可以衡量城市在网络中的重要性，也可以衡量城市嵌入旅游流网络中所获得的网络外部性作用的强弱。特征向量中心性的公式为：
式中，EC(vi)表示城市i的特征向量中心性，λ为旅游流网络的邻接矩阵的最大特征值，为给定的网络的邻接矩阵。
2.控制变量
不同城市经济发展水平、教育资源的差异以及居民的购买需求和支付能力都可能会引起房价变化。因此，本文控制了可能引起房价变化的相关因素，包括人口密度、人均可支配收入、普通中学数量、高校数量、人均国内生产总值以及城镇人口数量。
（三）研究方法
1.空间自相关分析
本文采用全局Moran's I指数进行房价的空间自相关分析。Moran's I指数取值在-1~1之间，越接近1表示房价的空间正相关性越强，越接近-1表示房价的空间负相关性越强，当取值为0时表明房价呈随机分布。
2.空间计量模型
本文将空间因素纳入模型之中，构建空间杜宾模型探究旅游流网络外部性对房价的影响及其空间异质性。为考察旅游流网络外部性对房价影响的边际效应，本文将总效应分解为直接效应和间接效应。其中，直接效应反映本市解释变量对被解释变量的影响。间接效应，反映本市的解释变量对邻近城市被解释变量的影响。模型设定如下：
式中，Yit表示房价；i表示地级及以上城市，t表示研究年份；Xit为解释变量，包括核心解释变量旅游流网络特征向量中心性和其它控制变量；Wij表示空间权重矩阵；ρ表示空间自回归系数；β1表示解释变量的回归系数，γ表示解释变量的空间滞后回归系数，μi和λt分别表示个体效应和时间效应，εit为随机干扰项。
本文使用省际边界矩阵作为空间杜宾模型的空间权重矩阵。具体而言，同一省份的城市间省际边界矩阵值为1，不同省份的城市间省际边界矩阵值为2。
| 检验统计量 | 统计值 | p值 | 检验统计量 | 统计值 | p值 |
|---|---|---|---|---|---|
| LM-spatial lag | 98.541 | 0.000 | LR-spatial lag | 284.410 | 0.000 |
| Robust LM-spatial lag | 6.504 | 0.011 | LR-spatial error | 213.440 | 0.000 |
| LM-spatial error | 603.515 | 0.000 | Wald-spatial lag | 838.770 | 0.000 |
| Robust LM-spatial error | 511.478 | 0.000 | Wald-spatial error | 665.640 | 0.000 |
| Hausman | 130.780 | 0.000 |
三、结果
（一）空间自相关分析和模型检验
本文对研究对象的房价和旅游流网络外部性进行了空间自相关检验和模型识别的相关检验。结果表明，各年份房价和旅游流网络外部性的全局Moran’s I指数均通过了1%水平的显著性检验，变量存在空间自相关性。
此外，要通过模型检验判断本文是否适用固定效应的空间杜宾模型，模型检验结果如表1所示。结果表明，模型具有空间误差和空间滞后效应，且空间杜宾模型不会退化，应采用固定效应模型。综上所述，本文选择时间固定效应的空间杜宾模型检验旅游流网络外部性对房价的影响。
（二）总体结果
利用Stata16.0软件对中国353个地级及以上行政区划的面板数据进行时间固定效应的空间杜宾模型估计和空间效应分解，通过直接效应和溢出效应来揭示旅游流网络外部性对旅游目的地及邻地房价的影响程度。研究结果如表2所示。
核心解释变量的SDM回归结果表明，旅游流网络的特征向量中心性(EC)对房价具有显著的正向影响，表明旅游流网络外部性会提升城市房价。此外，空间效应分解的结果表明，旅游流网络特征向量中心性的直接效应显著为正，溢出效应显著为负。说明旅游流网络外部性会提高旅游目的地的房价，但会抑制其邻近城市房价的提升。
| 变量 | SDM回归 | 空间效应分解 | |||
|---|---|---|---|---|---|
| Main | Wx | 直接效应 | 溢出效应 | 总效应 | |
| EC | 0.220*** | -7.452 | 0.286*** | -0.565*** | -0.279 |
| (-7.041) | (-1.479) | (-9.324) | (-2.937) | (-1.499) | |
| den | 0.030*** | -2.259*** | 0.045*** | -0.130*** | -0.085*** |
| (-3.754) | (-4.031) | (-6.307) | (-6.530) | (-3.780) | |
| inc | 0.352*** | -17.215*** | 0.486*** | -1.116*** | -0.630*** |
| (-7.164) | (-3.764) | (-11.128) | (-6.587) | (-3.606) | |
| mid | 0.011 | -1.191 | 0.018 | -0.063 | -0.045 |
| (-0.654) | (-0.799) | (-1.218) | (-1.175) | (-0.813) | |
| col | 0.010*** | 0.178 | 0.010*** | -0.003 | 0.008 |
| (-14.655) | (-0.852) | (-11.809) | (-0.305) | (-0.936) | |
| per_GDP | 0.006*** | -0.343 | 0.009*** | -0.023** | -0.013 |
| (-3.242) | (-1.344) | (-4.977) | (-2.215) | (-1.348) | |
| pop | 0.062*** | 11.155*** | 0.014 | 0.415*** | 0.429*** |
| (-3.029) | (-5.927) | (-0.732) | (-6.02) | (-6.092) | |
| ρ | -24.984*** | ||||
| (-24.383) | |||||
| R2 | 0.531 | ||||
注：***、**、*分别表示显著性小于0.01、0.05、0.1的统计检验。括号内数字表示对应t统计量。
（三） 城市化率异质性
根据中国第七次全国人口普查，353个地级行政区划的平均人口城市化率为63.82%，以此数值划分高、低城市化地区，若城市化率高于63.82%则为高城市化地区，反之为低城市化地区。
高、低城市化地区的空间效应分解的结果表明，旅游流网络外部性对高、低城市化地区房价的影响表现出异质性。对于高城市化地区，旅游流网络外部性会提高旅游目的地的房价，而对邻地影响不显著。然而，对于低城市化地区，旅游流网络外部性会提高旅游目的地及其邻地的房价。
（四）网络地位异质性
根据旅游流网络中中介中心性的排名，将网络地位前50%的行政区划定义为网络核心地区；将后50%的行政区划定义为网络边缘地区。通过检验判断可知，网络核心及边缘地区均适用于时间固定效应的空间杜宾模型。网络核心及边缘地区的空间效应分解的结果表明，一方面，无论是网络核心地区还是边缘地区，旅游流网络外部性对房价的影响均呈显著的正效应；另一方面，网络地位的异质性体现在对邻地的影响效应上，外部性对核心城市邻地影响呈显著的正效应，但对边缘城市邻地却表现出显著的负效应。
四、讨论和结论
（一）讨论
本文基于网络外部性的视角，以中国为例，旅游流网络外部性对旅游目的地住房价格具有显著的正向影响，同时分析了这一影响的异质性问题。先前研究发现旅游发展会提高城市房价，本文在已有研究的基础上进行延伸，发现旅游流网络外部性会使低城市化率城市邻地的房价上涨，而对高城市化率城市邻地房价影响不显著。产生这种现象的原因可能是由于高、低城市化地区在基础设施建设的显著差异。低城市化地区的城市化水平较低，基础设施相对落后，且土地成本较低。随着城市在旅游流网络中重要性的提高，旅游流的流入显著增加了外部住房需求，较高的旅游关注度和低廉的土地价格也吸引了投资者和进行的住房投资，住房供需的提升推动了房价上涨。
此外，城市在网络中的地位显著影响了旅游流网络外部性对房价的作用效应。具体而言，旅游流网络外部性会提升网络核心城市邻地的房价，而降低网络边缘城市邻地的房价。在网络边缘地区，旅游流网络外部性对本地与邻地房价的影响呈现出此消彼长的情况。相较于网络核心城市，网络边缘城市在网络中的重要程度低，旅游竞争力弱。网络边缘城市旅游流的增加通常会吸引并分散周边其他边缘城市的旅游流，这不仅缩减了邻近城市的旅游住房需求，影响了住房市场的供需平衡，还在一定程度上减少了城市经济收入，阻碍了邻近城市的社会经济发展，最终使其房价降低。
（二）结论
本文基于网络外部性的视角，研究了旅游流对房价的影响，证明这种影响因城市化程度和城市网络位置而异。这也为全面理解旅游流网络与房价之间的复杂关系提供了理论基础。这些见解对于维护旅游和房地产市场的稳定，促进区域旅游合作具有重要意义。
探究旅游流网络外部性对城市房价的影响，可能为政府提供一条有效途径，以缓解房地产市场中的供需矛盾，并缩小地区间的发展差异。第一，我们的研究揭示了一个重要发现：相较于旅游目的地本身，其邻近城市的房价更易受到旅游流带来的负面影响。因此，为了降低这种负向影响，可以加强与邻近城市的旅游合作，通过开发具有互补优势的旅游产品等方式维持区域房地产市场的供需平衡，发挥旅游业推动区域发展的积极作用。
第二，低城市化地区能够通过发展旅游加速城市化发展，缩小区域收入差距。低城市化地区的基础设施相对落后，且土地成本较低，发展旅游业的成本效益更为显著。通过旅游活动带动的住房供需增加，不仅能够提升当地房价，还能增加区域财政收入，有助于缩小区域间的收入差距。此外，旅游发展过程中对基础设施的完善，也将为提升城市化水平提供有力支撑。
参考文献：
- [1] 杨月, 卢伊. 沿海城市房价主要驱动因素分析——以三亚市为例[J]. 北方经贸,2019(05):53-55.
- [2] 高杨, 王朝辉,乔浩浩, 等. 上海市旅游住宿业房价空间分异规律及其影响因素[J]. 地理科学,2022,42(08):1391-1401.
- [3] 胡北明, 黄俊.旅游发展对城市房地产价格的影响研究——以贵阳市为例[J].价格理论与实践,2020(02):160-163.
- [4] 景抒展.旅游产业集聚对房价影响的相关性研究[J]. 宁夏大学学报(人文社会科学版),2020,42(02):154-164.
- [5] 刘晶晶, 黄璇璇, 林德荣. 房地产价格对城镇居民旅游消费的影响研究——基于动态面板数据的分析[J].旅游学刊,2016,31(05):26-35.
- [6] 刘嘉毅.旅游发展会推动房价上涨吗?——基于中国分省数据的经验研究[J].旅游科学,2013,27(02):24-35+58.