附录B 外文原文
Spatial econometrics, land values and sustainability: Trends in real estate valuation research
Abstract
In the aftermath of the recent boom and bust of US real estate, both a refinement and a deeper understanding of real estate valuation methods have become critical concerns across a number of broad urban-related academic fields. Out of this we see three major trends in the field of real estate valuation research: (1) the expansion of spatial econometrics; (2) the recognition of the differences between land values and improvement values; and (3) acknowledgment of value premiums stemming from more sustainable forms of development. This paper offers a brief summary of the latest work in these emerging areas of academic valuation research.
Keywords: Valuation trends, Spatial econometrics, Local regression, Land value, Land leverage, Sustainability, Green buildings, Compact development
- Introduction
The academic field of property valuation research crosses many disciplines, and includes not only economics, geography, urban planning and design, but also business, finance, statistics and even specialized real estate departments and schools. As a result, research in the field is often moving in many directions at a single time, as some innovations are following those of the associated disciplines mentioned above while others emanate from the large commercial sector that deals with real estate on a daily basis. Given the dynamic nature of this field, periodic reflections on current developments can offer great insight into the world of academic real estate valuation research.
We have identified three separate but related trends in valuation. The first, and perhaps most prevalent, is the increased use of advanced spatial methods in published studies. Second, we see the recent interest in various land value issues, including the focus on land values as a major shaper of both real estate values and of urban spaces in general, as another major trend. The third is the measurement of value premiums offered by energy efficient, sustainable, or green locations and buildings. We address each trend below, followed by a concluding synthesis.
- Spatial methods in valuation
The importance of space or location in determining real estate values is, to even the novice, axiomatic. Properly incorporating space into valuation models, however, is not without its difficulties. Spatial dependence, spatial heterogeneity, anisotropic phenomena and boundary effects all combine to render obsolete the simple non-linear decline of values from the central business district (CBD), as assumed in the basic monocentric urban economic model. In place of this stylized circular city are polycentric urban regions complete with localized amenities (or disamenities), geographic heterogeneities, fragmented municipal governments, and complex systems of land use regulations.
To deal with these inherent complexities, a host of advanced spatial methods have been developed over the last few decades. These tools can roughly be divided into those dealing with spatial dependence and those dealing with spatial heterogeneity. The number of papers on these topics is vast. We cover a select few here to illustrate the breadth of uses and variations on them that are occurring in the academic research.
2.1 Spatial dependence
There is a long history of attempts to account for spatial effects in real estate valuation studies. Early work by Goodman (1978) and Li and Brown (1980) examined spatial effects at the scale of the neighborhood. Building on this, Dubin (1988), and Can and Megbolugbe (1997), among others, presented work that considered property-specific impacts of spatial dependence in the market. Throughout the late 1980s and early 1990s, more advanced spatial econometrics methods were being developed in other disciplines (see Anselin, 1988) which eventually made their way into the field of property valuation research. Real estate, an industry whose defining mantra is considered lsquo;lsquo;location, location, location,rsquo;rsquo; is well suited to benefit from these advances in spatial econometrics (Cohen amp; Coughlin, 2008).
Two basic models underlie attempts to model spatial dependence, the spatial lag (or spatial autoregressive) model and the spatial error model. Spatial lag models allow for the observed value of nearby observations—in the case of real estate, nearby sales prices— to impact the dependent variable in the models. These lag models attempt to capture the spatial dependence in the real estate market, or in other words, account for the impact of nearby sales on current home prices. Given the fact that asking prices for homes on the market are often the direct product of nearby home prices (Brasington amp; Hite, 2005) and that appraisers determine values for financing purposes based on nearby comparable sales (Koschinsky, Lozano-Gracia, amp; Piras, in press) it seems natural that spatial dependence would play a role in home price estimation. Spatial error models (SEMs), on the other hand, deal specifically with spatial autocorrelation in the error terms, a violation of the basic assumptions of ordinary least squares (OLS) regression. By accounting for the spatial autocorrelation in the disturbances, SEM models can help to eliminate omitted variable bias generated by missing spatial variables.
Spatial econometrics is not limited to the two basic models. By combining spatial lag and spatial error models, a general spatial model (GSM) can be estimated. If spatial dependence is suspected to exist in both the dependent variable and the explanatory variable(s) a Spatial Durbin model is the most appropriate s
剩余内容已隐藏，支付完成后下载完整资料
空间计量经济学，土地价值与可持续性：
房地产估价研究的趋势
摘 要
在美国房地产的繁荣和萧条之后，无论是对房地产估价方法的细化还是对房地产估价方法的深入研究，都成为了房地产相关学术领域的关注焦点。由此我们看到房地产估价研究领域的三大趋势：（1）空间计量经济学的扩展（2）对土地价值与改善价值差异的认识（3）承认源于可持续发展形式的价值溢价。本文就这些新兴估值研究领域的最新工作，做一个简要综述。
关键词 估价趋势；空间计量经济学；局部回归；土地价值；土地杠杆；可持续性绿色建筑；紧凑发展
1 引言
房地产估价研究的跨越多个领域，不仅包括经济学、地理学、城市规划与设计等学科，还包括商业、金融、统计学甚至专门的房地产部门和学校。因此，该领域的研究往往一次朝多个方向发展，因为有些创新是遵循上述相关学科的创新，而另一些创新则来自每天都会处理房地产问题的大型商业部门。鉴于该领域的动态性，对当前发展的周期性反思可以为学术界的房地产估价研究提供极大的启示。
我们确定了三个独立但相关的估值趋势。第一，也是最普遍的，是在已发表的研究中越来越多地使用先进的空间方法。第二，我们认为，近期人们对各种土地价值问题的兴趣，包括把土地价值作为房地产价值和城市空间的主要塑造者，作为另一个主要趋势。第三，是衡量节能、可持续或绿色地点和建筑物提供的价值溢价。下面我们讨论每一个趋势，然后进行归纳总结。
2 估值中的空间方法
大家都知道空间或区位在确定房地产价值中的重要性。然而，恰当地将空间纳入估值模型并不容易。空间依赖性、空间异质性、各向异性和边界效应等因素共同作用，使得单中心城市经济模型所假设的中央商务区（CBD）价值的简单非线性下降被淘汰。替代这种典型的循环城市是多中心的城市区域，具有本地化的便利设施（或不便利设施）、地理异质性、碎片化的市政服务和复杂的土地利用法规体系。
为了解决这些固有的复杂性，在过去的几十年里发展了许多先进的空间方法。这些工具大致可以分为处理空间依赖性的工具和处理空间异质性的工具。这些主题的论文数量庞大。这里我们选取几个例子来说明学术研究中对它们的使用广度和变化。
2.1 空间依赖性
在房地产估价研究中，考虑空间效应的尝试由来已久。Goodman（1978）、Liamp;Brown（1980）的早期工作在邻域尺度上考察了空间效应。在此基础上，Dubin（1988），Canamp;Megbolugbe（1997）等人提出了考虑市场空间依赖的产权特定影响的工作。在80年代末和90年代初，其他学科正在发展更先进的空间计量经济学方法（Anselin，1988），这些方法最终进入了房地产估价研究领域。房地产，这个定义咒语被认为是“位置、位置、位置”的行业，非常适合从空间计量经济学的这些进步中获益（Cohenamp;Coughlin，2008）。
两个基本模型，包括空间滞后（或空间自回归）模型和空间误差模型，都试图对空间依赖性进行建模。空间滞后模型考虑到附近观测值——房地产、附近销售价格——对模型中的因变量产生影响。这些滞后模型试图捕捉房地产市场的空间依赖性，或者换句话说，考虑到附近销售对当前房价的影响。考虑到市场上的住宅价格往往是附近住宅价格的直接产物（Brasingtonamp;Hite，2005），估价者根据附近的可比销售来确定融资价值（Koschinsky，Lozano-Gracia，Piras，尚未出版），空间依赖在住宅价格估计中似乎很自然。另一方面，空间误差模型（SEMs）在误差项中专门处理空间自相关，违反了普通最小二乘法（OLS）回归的基本假设。SEM模型通过考虑扰动空间自相关性，SEM模型有助于消除空间变量缺失产生的遗漏变量偏误。
空间计量经济学并不局限于两个基本模型。通过结合空间滞后和空间误差模型，可以估计出一个通用的空间模型（GSM）。如果在因变量和解释变量中都怀疑存在空间依赖，那么空间杜宾模型是最合适的模型（LeSageamp;Pace，2009）。
尽管空间计量经济学已发展成为一种复杂的、多方面的分析技术，但它需要继续让与估值有关研究的一般从业者能够学习。最近，Osland（2010）提供了一个有用的空间计量模型的概述，重点关注房地产估价。Osland利用挪威的房价数据，通过各种空间模型开展工作，并讨论一套旨在选择适当空间模型的诊断测试。她的对比分析表明，这些空间模型远远优于传统OLS模型。
Osland的工作主要关注房价的预测准确性，最近的其他研究在估值框架中使用空间计量经济学来隔离各种相关变量的价格影响。Brasingtonamp;Haurin（2006）发现，使用一个占空间依赖的空间滞后模型时，学校支出对房价的影响要比使用包含邻域因素的基本OLS模型大。Cohenamp;Coughlin（2008）在格鲁吉亚亚特兰大研究机场噪声对房价的影响时，比较了空间滞后、空间误差和一般空间模型。他们发现，在空间模型中，机场噪声影响的系数估计值与OLS模型没有显著差异，但当考虑空间乘数效应时，传统模型很可能低估机场噪声对房价的影响。Kuethe（2012）利用空间滞后模型和空间误差模型考察了威斯康星州密尔沃基市土地利用多样性和土地利用碎片化对房价的影响。他的OLS模型表明，土地利用多样性对房价有正向影响，而土地利用碎片化的影响在统计上没有显著关系。在用空间误差模型对误差项进行空间自相关核算后，Kuethe的更新模型表明土地利用多样性没有影响，高碎片化水平与房价上涨有关。Koschinsky et al.（尚未出版）在研究住房属性（包括区位）的福利效应大小时发现，从普通OLS模型和固定空间效应的OLS模型得到的估计与空间计量模型得到的估计有很大不同，对研究人员具有误导性。他们的工作表明，在这种情况下的房价，观测值之间的空间依赖性并没有被固定空间效应恰当地解释，诸如离散的地理边界等。
这些研究表明，在对房地产进行估值时，忽略空间效应和采用普通OLS模型可能会带来很严重的偏误。在每一种情况下，通过空间滞后模型或空间误差模型来加入空间效应，会显著改变了效应的大小，甚至会有新的发现。许多项目表明，在房地产定价研究中，空间依赖性的影响不容忽视。
在过去的十年里，空间计量经济学已经在房地产估价文献中大量使用。然而，一个困扰该领域多年的问题是：如何确定合适的空间权重矩阵？在最近的一篇研究中，LeSageamp;Pace（2011）对比已经发表的文献，发现在大多数情况下，权重矩阵的模式不会从根本上改变模型的估计。他们认为“找到理想的权重矩阵至关重要”的想法是错误的。研究表明，有两个错误认知经常导致这种错误结论。第一，因为系数估计不应在正确指定的OLS和SEM模型之间有差异（差异应该出现在误差中），权重矩阵的变化引起的系数估计值的较大变化是模型误判的标志，而不是对矩阵模式的响应。第二，在空间滞后模型中对?系数的错误解释会导致研究者注意到空间权重矩阵微小变化而导致估计的巨大变化。正如LeSageamp;Pace所阐述，一个适当的包含空间滞后的模型将使用?和?估计中的变化，以保持真实整体估计（偏导数）在不断变化的权重矩阵中相对不变。总之，笔者并不认为选取不同的权重矩阵完全没有区别，而是认为上述两个常见的错误认知更可能是影响估计的巨大变化的原因，而不是空间权重矩阵的特定选择。。
2.2 空间异质性
上面讨论的空间计量模型是用来处理邻近观测的空间依赖性的。另一组建模技术试图检查独立变量和因变量之间的关系是否随空间变化而变化。这类模型可追溯到Casetti（1972）发展的空间扩展方法，后来Can（1990）所使用，以及Fik，Ling，Mulligan（2003）提出的相关变量相互作用方法。最近，在系数估计中处理空间异质性最常用的技术是使用局部回归模型（LOESS）。地理加权回归（GWR）是这些方法中最流行的一种，由Fotheringham，Brunsdon，Charlton（2002）阐述。自20世纪90年代初以来，局部回归模型得到了广泛的应用，例如McMillen（1996）、Pavlov（2000），Bitter，Mulligan，Dallrsquo;erba（2007）。Hannonen（2008）将这些本地技术描述为“数据驱动和灵活的”，并指出它们的使用可以限制用户对功能形式选择的关注。Hannonen（2008）在芬兰Espoo的土地价格预测工作中发现，稳健形式的局部回归模型优于传统的OLS模型，但不是结构化的时间序列模型。Paez，Long，Farber（2008）利用多伦多的房屋销售数据也发现，与普通OLS模型和移动窗口克里金方法相比，本地化模型（GWR和移动窗口回归MWR）能够产生更好的样本外房价预测。相反，Osland（2010）发现，尽管GWR模型在空间上的系数存在异质性，但其预测结果与基本OLS模型并无显著差异，直接考虑空间依赖性的模型表现出更好的预测效果。
并非所有的局部回归模型都专门用于价格预测目的。Sundingamp;Swoboda（2010）使用GWR模型对洛杉矶地铁地区土地利用法规、导致住房“影子价格”空间异质性进行建模。研究结果表明，考虑模型中的空间异质性，会导致低估土地利用法规对房价的影响，特别是对高端住宅。Cho，Lambert，Roberts，Kim（2010）使用GWR模型和GWR模型结合空间误差模型（SEM）估计了TN的Knox县共享开放空间对包裹大小的边际替代率。他们发现，基于GWR的模型比普通OLS模型产生更精确的结果，边际替代率系数在GWR模型中显著，而在OLS模型中不显著。最后，Duamp;Mulley（2006）利用英格兰的数据，采用GWR的方法，研究了城市用地价值与公共交通之间的空间异质性。
使用局部回归模型（如GWR）的大部分实证结果都比普通OLS模型有所改善。此外，它们背后的理论——考虑回归系数的空间异质性——从房地产的角度来说具有直观的意义。然而，这些模型并非没有缺陷。Wheeleramp;Tiefelsdorf（2005）对GWR等模型产生的局部参数的多重共线性发出警告，并提出了一些初步的诊断试验来证明这一点。在最近的研究中，Paez，Farber，Wheeler（2011）运行了许多模拟来测试GWR在已知的空间属性数据集的统计特性。结果表明，GWR模型在不存在空间异质性时，其“假阳性率”要高得多，而且在小数据集（n小于160）上使用GWR可能会出现问题。更进一步，他们建议研究者在使用GWR等模型对多元空间关系做出推论性判断时要谨慎——特别是针对政策目的。简言之，GWR和其他局部回归技术为研究人员提供了高度灵活的方法来衡量住房属性与房价之间存在的空间异质性，然而，对于此类模型的纯粹统计或推断性质还需要更多的研究。
3 土地价值的产生作为研究兴趣
最近美国房地产市场的繁荣和随后的萧条，使得研究人员争相解释泡沫的机理（Glaeser，Gyourko，Saks，2005；Wheatonamp;Nechayev，2008；McDonaldamp;Stokes，尚未出版）。虽然崩盘的原因是多方面的（同时涉及供给和需求因素），超出了本文的研究范围，但最近的一些研究，转向更密切地关注土地价值的机制，以便更好地理解房地产价值近期波动的时间和地理因素。该领域的研究大致可分为两类：一是追踪土地价格指数的研究，二是将房地产价值分解为土地和结构的研究。一些研究调查了这两个主题。下面我们从土地价值指数入手，介绍这两个领域的最新研究。
3.1 土地价值指数
S和P/Case-Shiller或联邦住房金融局（FHFA）等住房价格指数（HPIs），整个行业和媒体都是知晓的。然而，类似的土地价值指数很少，而且相差甚远。从2007年左右开始，出现了一些研究，试图将流行的趋势监测方法专门扩展到土地价值研究上。Davisamp;Heathcote（2007）这样做时发现，1975-2006年实际住宅地价增长了4倍，远高于同期房价翻番的类似住房价格指数。Davisamp;Palumbo（2008）的相关研究将居住用地价值按地理区域进行分解，发现从百分比来看，1984-1998年，中西部地区的土地增值最大（208%），而东南部、东海岸和西海岸的土地增值较小（均在50%左右），而西南部的土地增值却在此期间有所下降（17%）。从1999年到2004年的较近时间段来看，沿海——东海岸115%和西海岸145%——的涨幅要比全国其他地区（50-75%）大得多。尽管不同研究之间的确切趋势有所不同，但这主要是用于提取和监测地价变化的不同方法造成的。不管具体结果如何，总的信息是明确的：从1970年代到2000年代中期，住宅地价的上涨速度远远快于整体房价，可以肯定的是，这些价格走势具有地理成分。
最近的研究揭示了这些趋势在房地产泡沫后的表现，以及同样的趋势是否会延续到其他土地利用类别。Oliner，Nichols，Mulhall（2010）利用美国23个大都市地区的分类数据发现，沿岸地价总体较高的地区，住宅地价在峰值前表现出较大的价格上涨，在峰值后表现出较大的价格下降。Sirmansamp;Slade（尚未出版）的研究表现出类似的价格走势，包括发现地价指数倾向于“领先”房价指数，这意味着在最近的泡沫时期，地价先于房价见顶。
同样，尽管不太明显，商业和工业用地也有同样的趋势。Sirmansamp;Slade（尚未出版）的研究表明，以1990年为基数（等于1.0），其基于交易的商业用地价值指数在2006年底达到峰值，略高于2.5，工业用地大约在同一时间达到
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[407007]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
