摘 要

针对近年来武汉市各区房价快速上涨的社会背景，本文从金融地理学的视角出发，将金融企业地理结构与房价联系起来，研究金融资源在地理空间上的交互作用对房价产生的影响。

本文运用SAR模型及其随机效应模型，得出了金融机构数量以及金融存款余额与房价呈正相关关系，金融机构存款余额与房价呈负相关关系。说明金融企业集聚程度以及地区金融业发展水平能够直接影响房价；在其余控制变量中，地区人均GDP对房价影响最大，二者具有正相关关系，说明经济基础能够在大程度上影响房价。

本文的研究结果对于武汉市房价的整体调控是很有意义的。文章结尾根据研究结果进行分析并且提出了有效的政策建议，即通过大力支持金融业发展，刺激居民消费以及加快城市建设来提升房价，通过加大全社会固定投资力度，提高住宅供给，从而降低房价。

关键词：空间计量模型;金融集聚;金融地理学;房价

Abstract

In view of the social background of the rapid rise in housing prices in all areas of Wuhan，this paper, from the perspective of financial geography, connects the geographical structure of financial enterprises and house prices, and studies the impact of the interaction of financial resources on the housing price in the geographical space.

In this paper, the SAR model and random effect model have been used to conclude that the number of financial institutions and the balance of Financial deposits have a positive correlation with house prices, and the balance of financial institutions has a negative correlation with house prices. It shows that the degree of financial enterprise agglomeration and the development level of regional financial industry can directly affect the house price; in the other control variables, the per capita GDP of the region has the greatest impact on the house price, and the two has a positive correlation, which indicates that the economic base can affect the house price to a large extent.

The results of this study are of great significance to the overall regulation of housing prices in Wuhan. The end of the article is based on the analysis of the research results and put forward effective policy suggestions, that is, by vigorously supporting the development of the financial industry, stimulating the consumption of the residents and accelerating the urban construction to improve the house price, the housing supply will be improved by adding the fixed investment in the whole society to reduce the housing price.

Key word：Spatial econometric model ;Financial agglomeration ;Geography of Finance ;housing price

目 录

摘要 I

Abstract II

第1章 绪论 1

1.1研究背景与意义 1

1.2国内外文献综述 2

1.3研究思路与方案 3

1.4研究内容 3

第2章 武汉市金融地理结构与房价的关联性分析 5

2.1武汉市金融地理结构 5

2.2武汉市房价特征及其影响因素 5

2.3武汉市金融地理结构影响房价的机理 6

第3章 模型的构建 8

3.1空间计量经济的基本形式 8

3.2空间权重矩阵 8

3.3 固定效应与随机效应模型 10

3.4变量选取与数据来源 10

3.5模型的设定 11

第4章 实证分析 13

4.1空间权重矩阵 13

4.2空间自相关分析 13

4.3模型的选择 14

4.4固定效应与随机效应分析 15

4.5实证结果总结 16

第5章 结论与建议 19

5.1研究结论 19

5.2政策与建议 19

参考文献 20

致谢 21

第1章 绪论

1.1研究背景与意义

近年来随着武汉市各个经济开发区的发展以及城市建设的规划，武汉市各个分区经济指标有了明显的提升，通过武汉市区统计局统计信息以及各区国民经济年报数据，可观察到金融财政与房地产行业呈现出较大幅度的改变，并且武汉市金融机构数量在不同地区都有增长，各区房价波动幅度较大，其中以武昌区和洪山区尤为显著。

当前，武汉的房价正在飞速的上涨。以光谷二三环的房价为例，在2003年为1500~1800元／m²，在之后四年的时间里，每年都以30%左右的涨幅增长。在2008年以-20%的涨幅略微降低以后，之后五年都以20%左右的涨幅继续增长。如今光谷的房价已经是原来2013的两倍，在过去的15年里光谷的房价增长了1.3倍左右。

而回顾在过去的15年里光谷的金融产业的密集度和地理位置的分布情况: 2003年光谷还只有一个鲁巷，随后建立了光谷资本大厦。2007年光谷步行街第一期开街，各种金融行业开始在此入驻。而随着整个光谷地区商业圈的建立，金融行业也集聚于此，获取更多的资源。现今，光谷写字楼密集，光谷软件园更是集聚了很多优秀的金融企业，此后光谷房价持续增长

显然，经济水平是影响房价的一个重要因素，其中经济活动在不同地区体现出不同的金融资源集聚水平。考虑到地理空间对金融集聚效应有一定影响，金融资源对房价的影响效应也以时间和空间两个维度呈现，本文将运用空间计量模型分析武汉市各个分区金融机构的地理分布以及规模对房价的影响。

本文将以武汉市为例探讨近年来金融企业地理结构变化引起的金融发展水平波动，并分析其对房价变动的影响机制。文章采用理论分析和实证分析相结合的方式，探讨金融企业地理结构对房价的影响效应，首先分析房价与金融企业地理结构两者之间存在的必然联系及其影响机理^［1］，其研究成果对于房地产宏观调控和区级的金融企业地理结构调控具有参考意义。此项研究有助于政府把握房价与金融企业的地理结构的趋势，有助于有关部门判断房价现行水平与城市金融业发展是否相匹配，以便于及时规避房地产泡沫，或者采取措施对房价和金融企业的地理结构进行合理规整，因此研究金融企业地理结构对房价的影响有重大的理论和实际意义。

1.2国内外文献综述

1.2.1国内外对于金融地理学的研究

国内外关于房价的影响因素有以下的专题：吴平^[2]（2016）在其博士论文中说金融地理学是介于经济学和地理学之间的边缘科学，由经济地理学衍生过来，学术界通常以金融中心为切入点，研究金融机构的区位选择，空间集聚与扩散等金融地理课题。Gehrig则是对金融中心的影响因素进行实证分析，结果说明存在着影响金融中心产生的向心因素和离心因素^［3］。其中，向心因素包括规模经济，即当地的经济规模、已经存在的金融业规模，离心因素则包括已有的银行数，股票市场的营业额，双边贸易流动及外资量等指标。这一因素对于金融行业聚集至关重要。这为我们研究金融地理学提供了理论支撑。

1.2.2国内外对于经济因素与房价的关系研究

国内外关于经济因素对房价影响的专题有：汤韵（2016）深入研究了限购政策效果衰减的原因，考虑婚姻市场与住房市场的交互，购房者心理与规避行为，分析了限购效果不理想的可能原因^［4］。房地产市场具有周期性波动特点，它受宏观经济或是政策调整的影响，也于宏观经济或是政策实施存在跨期作用。E.Philip Davisa,b,Haibn Zhu(2010)通过对17个国家的GDP、利率、银行信贷等因素建立VAR模型进行面板数据估计和误差修正模型估计^［5］ ，表明商业性地产的价格与GDP的变动存在正相关关系。

1.2.3国内外关于金融集聚与经济增长关系的研究

国内外对于金融地理的研究也有很多，主要有以下专题：从金融配置资源的角度看，某一区域金融集聚程度越高，金融自由化得到更大发展空间，促进了人才的流动与再分配，为创新部门提供了更多研发创新的基础^[6]。Pradhan(2016)对欧洲18个国家的研究结果也表明，越具有发达的金融体系和强劲创新动力的国家，长期经济越稳定。此外，王宇等（2015）探究影响金融集聚和区域金融建设的因素发现^［7］，建设国际金融中心，需要加强金融创新的制度激励，完善金融基础设施，这又要求通过增加金融产品数量，扩大金融资产管理规模，和吸引更多从业人员来实现金融集聚。

1.2.4综合评述

近来，研究金融地理学的文献日益增多，但大多数学者将金融在地理空间上产生的影响与我国产业链^[8]结合，分别探讨了金融在省级之间的溢出效应和收敛性，或者单一的研究金融资源集聚的空间效应，而关于市级或者区级的研究并不多，所以本文从新的角度研究区级之间经济活动影响房价的空间效应，将研究范围缩小，更适合研究地方性金融企业地理结构对房价的影响。另一方面，大多数文献仅采用时间维度的面板数据，忽略了空间维度的地理空间效应。本文则采用空间计量模型，结合了地理权重矩阵，研究时间与空间两个维度的影响效应，更加全面的分析了区级之间的影响机制。

1.3研究思路与方案

本文从房地产价格形成的机制及影响房地产价格的变动因素^[9]出发，分析近五年来武汉市金融地理结构对于经济集聚程度以及各项经济指标的影响，并将其与房地产价格波动联系起来，采取定性分析与实证分析相结合的方法，分析武汉市房价波动与金融企业地理结构的关系。

房价与金融地理结构关系的分析可分为两个方向进行分析。一：分析武汉市不同地区房价受金融地理结构影响程度的差异。二：分析金融发展及经济基础对武汉市房价的宏观影响； 本文参考区域性房价影响因素的研究思路，考虑金融发展对于武汉市三镇与其它地区的影响，由于地理距离、金融资源集聚程度、以及人口分布密度等因素而产生一定的差异化，所以首先从理论上分析武汉市各区房价与金融资源在空间上均具有一定的相关性，然后通过武汉市各个分区金融发展水平对其余分区的辐射效应表现出金融企业地理结构特征，最后将金融地理结构与房价联系起来，分析金融发展水平对房价在空间和时间两个维度呈现出的影响效应。

1.4研究内容

本文采取理论分析与实证分析相结合的方式，结合空间计量模型进行研究。以2012-2016年武汉市各个分区的主要金融指标为解释变量，以武汉市2012－2016年武汉市各区的平均房价为被解释变量，选择了多种空间计量模型进行时间和空间维度上的影响效应分析。 通过模型回归结果对比，最终选择了SAR模型及其随机效应模型作为最优模型。最后根据各项经济指标的系数结合近年来武汉市区级的金融活动，判断研究结果是否贴合实际金融发展动态，并针对未来房地产与金融地理结构的整体调控提出建议。

第一章绪论：主要阐述了撰写本文的研究背景与研究意义，并结合国内外已有文献所提供的研究资料，说明了房价与金融地理结构存在一定的相关性，为全文奠定了实证基础。绪论中对全文思路与技术框架进行了整体的描述。

第二章为关联性分析，主要包括两个部分：一是武汉市金融地理结构整体概述，这一部分给出了武汉市金融活动的空间相依性、空间异质性和空间变异性，第二部分将金融地理结构与房价联系起来，阐述了空间与时间维度上的影响机制。

第三章为模型的构建，空间计量模型将理论分析与实证分析相结合，包括模型理论基础、变量选择和模型设定三个部分。

第四章为实证分析。运用stata分析统计数据，先设置空间权重矩阵，然后进行空间自相关分析，分别运用了SDM，SAR，SEM三个模型，得出空间计量模型输出的回归结果。结合模型回归过程中的数据，选取最优模型进行固定效应和随机效应分析。最后实证进行结果分析

第五章为结论与建议。结合本文研究目的，总结研究结果并为武汉市政策和金融决策提供可行的建议。

第2章 武汉市金融地理结构与房价的关联性分析

2.1武汉市金融地理结构

金融业集聚形成的最重要因素是“信息外溢效应”，因此我们从信息论的角度来分析武汉市金融地理结构^[10]。金融企业获取信息的地理距离和经济成本共同决定了金融企业在地理位置分布上的选择。

根据信息腹地理论，武汉市“三镇”（武昌、汉口、汉阳）属于信息腹地。三镇发展的历史悠久，经济发展速度最具有代表性。“三镇“属于武汉市中心城区，有利于挖掘出有价值的信息。由于信息在传递中可能因为距离和其他因素，会发生偏差和歧义。在三镇之内，获得准确信息可花费最少；靠近这个腹地的信息使用者比远距离的使用者更具优势，其获取信息的成本也较低并能做出较好的反应。另一方面，非标准化信息在信息腹地大量存在，金融企业因信息的不对称向”三镇“集聚，金融机构依靠经营信息赚取相应利润。而根据路径依赖理论，随着金融资源进入武汉发展路径，武汉市金融产业的集聚就会存在路径依赖。可见，信息不对称形成了信息腹地，同时也造成了金融企业在空间上的集聚，形成了武汉市金融企业在三镇聚集的金融地理结构。

2.2武汉市房价特征及其影响因素

近五年武汉市房价增长得很快，直至2018年，武汉市全市均价已涨至20460元／m²，而按照成交量，武昌区排在第一名，其次依次是江岸区、洪山区、黄陂区、东西湖。这些地区成交量均在1000套以上。而按照房价来看，武昌区、江岸区、江汉区均在20000元／m²以上，其次是硚口区、青山区、以及洪山区，房价在18000～20000元／m²之间。武汉周边地区的房价则在13000元／m²左右。

武汉市各个分区之间房价水平差异较大，以新州区与武昌区做对比，近年来新州区平均房价与洪山区平均房价相差过万。例如光谷周边的保利时代在20000～30000／m²，而新洲区仅4000～5000元／m²。可见武汉市“三镇”的房价水平一直处于高居不下状态。但近几年黄陂区以及东西湖成交量正在稳健增长，逐渐跟上了整个城市的步伐。三镇中，武昌区无论是房价还是成交量都位居第一名。

我们可以用金融加速器从金融市场与资本市场的关系来理解金融自由化导致的房地产价格波动，研究微观因素对房价的影响，这是目前应用最多的方面，通过建立某些特征因素与房价的特征价格模型，研究特征因素对房价的影响大小，在房价的涨跌变化中分解出特征因素的作用大小。主要包括建筑因素、邻里因素以及区位特征三个方面。（1）建筑因素，主要是建筑本身的特征，包括质量、房间数目、楼层、面积 大小等因素；（2）邻里因素，主要包括三类：一是邻里的社会阶层和职业状况等社会经济 因素；二是学校、医院、商业设施等公共服务因素；三是绿化景观、污染、公共 安全等环境因素；（3）区位特征，主要考虑房地产与主要商业设施的距离和可达性等因素^［11］。我们从这三点分析武汉市各区之间的房价影响因素。

因此，一方面，武汉市各个分区的建筑水平和规模本身存在一定差异，例如中心城区具有更多的商业建筑，而周边则以居民区居多。另一方面，本文所研究的武汉市各区的金融企业地理位置分布构建了各分区的区位特征以及邻里环境的不同，由于房地产与金融机构之间的信贷关系，住宅周边的金融机构数量和规模能够直接影响地区整体的资金运转以及企业或者个人的存贷款规模。

2.3武汉市金融地理结构影响房价的机理

金融在房地产行业具有重要的地位，金融可以加速和支撑房地产的发展。这是由于房地产业属于资金密集型产业，以银行信贷为主的银行支持是房地产发展的主要资金来源^［12］。银行信贷主要通过货币的流动性效应和财富效应来改变整个房地产市场的供需状态，进而带动了房地产价格变动。从房地产的供给和需求关系分析可得，金融地理结构影响各地区的金融业发展水平，相对于其他地区，如果金融企业密集且金融规模大、范围广，金融业发展较好，则能够使得购房需求者可获得的金融贷款资源增加，房地产可作为商品的投资价值不断攀升，导致了出于投机需求购房者增多，从而造成房地产投资分歧差异加大，进而促进房价上涨。因此如果过度使用融资手段，可能会产生房地产产业和金融业泡沫，造成房价虚高

金融地理结构实质上衡量的是金融资源的集聚性^［13］。结合空间效应三大特质，金融资源的集聚性对房价的影响效应具有空间相依性，空间异质性与空间变异性^［14］。从空间维度来看，地理空间位置和不同维度的邻近性是一个重要影响因素，金融地理结构对房价的影响效应受空间邻近性、技术邻近性、社会经济邻近性、制度邻近性等不同维度的邻近性的影响，并且流动和扩散的强度与范围随时间和空间维度上的变化而变化。

武汉市金融地理结构对房价的影响效应是具有空间相依性的。这种相依性可体现为集聚效应和发散效应。如果经济活动在空间维度上具有正的空间自相关作用，则表现出经济的集聚效应；如果经济活动在空间维度上具有负向的空间自相关作用，则表现为经济的发散效应。由于武汉市各个分区的地理位置的邻近性，决定了经济资源在空间上的相互作用力。金融机构存贷款规模就是空间相依性明显的体现。由于地区相邻，各区金融活动会在空间上存在交叉，跨区借贷或者投资是很常见的。一个分区的存贷款规模大幅提升，能够直接影响邻近地区的购房需求的加大。说明了金融资源对房价的影响在地理结构上具有集聚和扩散的效应。