附录B 外文原文
Exploring spillover effects of ecological lands: A spatial multilevel hedonic price model of the housing market in Wuhan, China
Abstract
This paper attempts to explore the spillover effects of ecological lands, including forest, grassland, wetland, and cultivated land, on housing prices. To this end, we test hypotheses from a spatial multilevel hedonic model in Wuhan, China. We find that forest size and wetland size has a linear positive spillover effect on urban housing prices, and a moderate grassland area and distance from wetland generates positive spillover effect on urban housing prices, while too much or poor grassland area and distance from wetland may not. Also, only cultivated land very proximity to urban residential areas may raise the housing prices, most of the cultivated land in our case may reduce the housing prices. This article contributes to the literature by integrating different ecological lands into the hedonic analysis based on spatial multilevel models and deepens the relationship between the accessibility and visibility of ecological lands and housing prices. This result implies that demand for the forest, grassland, and wetlands can be well reflected in the housing market, while demand for cultivated land is less reflected in the housing market. Our findings urge policymakers to increase the effective supply of ecological lands through urban development planning and maintain the continuous supply of existing ecological lands by implementing market, differential ecological protection mechanisms.
Key words Spillover effect;Ecological compensation;Ecological lands;Spatial multilevel hedonic model;Non-linear spatial spillover
1.Introduction
Ecological land is an important land space for maintaining ecolo- gical systems (Xie et al., 2016). Exploring the spatial spillover effects of ecological lands would contribute to improving urban development planning and differentiated ecological compensation policies (Liebelt et al., 2018; Wu, 2017). Ecological lands provide many ecological ser- vices, such as improving air quality, reducing stress, and stimulating physical activity (Ekkel and Vries, 2017), which improve the living standards and well-being of urban residents (Liebelt et al., 2018). However, exploring the spatial spillover effects of ecological lands is challenging due to the absence of an explicit market for ecological lands (Jiao and Liu, 2010). Because the ecological services provided by eco- logical lands cannot be traded directly on the open market, ecological lands do not have an explicit market price (Jiao and Liu, 2010; Liebelt et al., 2018).
Several methods have been proposed for measuring the spatial spillover effects of ecological lands (Liebelt et al., 2018). The most commonly employed methods are the hedonic price model and the contingent valuation model (CVM) (Brander and Koetse, 2011). In the hedonic price model, the basic assumption is that the house buyer is paying not only for the unit but also for the services provided by the ecological lands surrounding the house, so the spatial spillover effects of the ecological lands are considered in terms of the value they add to housing prices (Jiao and Liu, 2010). Compared to the CVM, the hedonic price model can effectively avoid limitations such as subjectivity and high implementation costs when the sample number is very large (Yamagata et al., 2016). In recent years, spatial analysis based on spatial statistics and geographic information systems has been gradu- ally incorporated into the hedonic price model to form the spatial he-donic model (Jiao and Liu, 2010), as a spatial correlation of housing prices due to similar locations and environments has been found (Liebeltet al., 2018). However, the existing spatial hedonic model is employed on a single scale and lacks the nest structure of the housing price data into consideration, and these features produce incorrect es- timations (Yamagata et al., 2016; Liebelt et al., 2018). A spatial mul- tilevel hedonic model that incorporates a nested structure and spatial correlation, combining the multilevel regression model and the spatial hedonic model, is widely applied in multilevel spatial data analysis (Yamagata et al., 2016), but is less involved in the hedonic analysis.
Several quantitative analyses of ecological lands have beenconducted by employing hedonic price models (Siacirc;n de Bella et al., 2017; Markevych et al., 2017). However, those studies aim to de- termine the economic value of urban green space and blue space in general, and few studies concern the difference of ecological lands (Liebelt et al., 2018; Siacirc;n de Bella et al., 2017; Markevych et al., 2017). Recent studies have shown that various types of ecological lands may have different spatial spillover effects on housing prices (Czembrowski and Kronenberg, 2016). For example, Larson and Perrings (2013) found a positive spatial spillover effect of large wetland and a negative spatial spillover effect of cultivated land in the Phoenix Metropolitan Area. Similarly, Czembrowski and Kronenberg (2016) found that proximity to the largest forest greatly increases housing prices, followed by proxi- mity to a small forest, whereas the proximity to cemeteries decreases housing prices.
Considering the spillover forms of ecological lands may be crucial in valuing the spatial spillover effect of different ecological lands on housing prices (Yamagata et al., 2016). Studies have reported the linear spatial spillover effect of ecological lands on housing prices, these ecological lands include cultivated land (Kestens et al., 2004), urban forest (Liebelt et al., 2018), and wetland (Jiao and Liu, 2010). However, recent research has show
剩余内容已隐藏，支付完成后下载完整资料
附录A 译文
生态土地溢出效应研究——基于武汉市住宅市场空间多层次特征价格模型
摘 要
本文试图探讨森林、草地、湿地和耕地等生态用地对房价的溢出效应。为此，我们在中国武汉检验了一个空间多层次的hedonic模型的假设。研究发现，森林面积和湿地面积对城市房价具有线性正向溢出效应，适度的草地面积和距离湿地的距离对城市房价具有正向溢出效应，而过多或较差的草地面积和距离湿地的距离可能没有正向溢出效应。另外，只有非常靠近城市居住区的耕地可能会导致房价上涨，而在我们的情况下，大部分耕地可能会降低房价。本文将不同生态用地的可达性、可见度与房价的关系深化，将不同生态用地的可达性、可见度融入到基于空间多层次模型的hedonic分析中，为文献贡献力量。这一结果表明，对森林、草地和湿地的需求可以很好地反映在住房市场上，而对耕地的需求在住房市场上反映较少。我们的研究结果敦促决策者通过城市发展规划增加生态用地的有效供给，并通过实施市场、差等生态保护机制维持现有生态用地的持续供给。
关键词:溢出效应 生态补偿 生态土地 空间多层次特征模型 非线性空间溢出
1.介绍
生态用地是维持生态系统的重要土地空间(Xie et al.， 2016)。探索生态用地的空间溢出效应有助于完善城市发展规划和差别化生态补偿政策(Liebelt et al.， 2018;吴,2017)。生态土地提供了许多生态服务，如改善空气质量、减少压力和刺激身体活动(Ekkel和Vries, 2017)，这提高了城市居民的生活水平和福祉(Liebelt等人，2018)。然而，由于缺乏明确的生态用地市场，探索生态用地的空间溢出效应具有挑战性(Jiao and Liu, 2010)。由于生态土地提供的生态服务不能在公开市场上直接交易，因此生态土地没有明确的市场价格(Jiao and Liu, 2010;Liebelt等人，2018)。
已经提出了几种测量生态土地空间溢出效应的方法(Liebelt et al.， 2018)。最常用的方法是特征价格模型和条件估值模型(CVM) (Brander和Koetse, 2011;Czembrowski和Kronenberg, 2016;Liebelt等人，2018)。享乐价格模型的基本假设是,房子的买家支付不仅对单位也对周围的生态土地所提供的服务,所以生态用地的空间溢出效应被认为是房价所增加的价值(焦和刘,2010)。与CVM相比，hedonic price模型在样本量非常大时，可以有效避免主观性和高实施成本等限制(Yamagata et al.， 2016)。近年来,基于空间数据和地理信息系统空间分析已经纳入享乐价格模型,形成空间模型(焦和刘,2010),空间相关性的房价由于类似的位置和环境被发现(Liebeltet al ., 2018)。然而，现有的空间享乐模型在单一尺度上使用，缺乏考虑房价数据的巢状结构，这些特征产生了不正确的es- timations (Yamagata et al.， 2016;Liebelt等人，2018)。一种空间多层级hedonic模型，采用嵌套结构和空间相关性，将多层级回归模型和空间hedonic模型相结合，广泛应用于多层级空间数据分析(Yamagata et al.， 2016)，但对hedonic分析的涉及较少。
利用hedonic价格模型对生态土地进行了多次定量分析(Siacirc;n de Bella et al.， 2017;Markevych等人，2017)。然而，这些研究一般都是为了确定城市绿地和蓝色空间的经济价值，很少有研究关注生态用地的差异(Liebelt et al.， 2018;Siacirc;n de Bella等人，2017;Markevych等人，2017)。近期研究表明，不同类型的生态用地可能对房价产生不同的空间溢出效应(Czembrowski and Kronenberg, 2016)。如Larson和Perrings(2013)发现凤凰都市圈大型湿地的空间溢出效应为正，耕地的空间溢出效应为负。类似地,Czembrowski和Kronenberg(2016)发现,靠近最大森林极大地提高了房价,其次是靠近小森林,而靠近墓地则降低了房价。
考虑生态用地的溢出形式可能是评估不同生态用地对房价的空间溢出效应的关键(Yamagata et al.， 2016)。已有研究报道了生态用地对房价的线性空间溢出效应，这些生态用地包括耕地(Kestens et al.， 2004)、城市森林(Liebelt et al.， 2018)和湿地(Jiao and Liu, 2010)。然而，最近的研究表明，生态用地的非线性空间溢出效应的可能性值得考虑，Bertram和Rehdanz(2015)发现柏林城市绿地与居民幸福感之间呈倒u型非线性曲线。同样，Yamagata et al.(2016)也发现，适度的森林景观可能会提高日本横滨的房价，但较差和过多的森林景观可能会降低日本横滨的房价。
本文以森林、草地、湿地和耕地4种不同类型的生态用地为研究对象，采用空间多尺度模型，考虑非线性关系、空间相关性和嵌套结构数据，探讨生态用地的空间溢出形式和效应。上述分类是为了反映这些生态用地所满足的不同需求。需要注意的是，总体上，生态用地分为三类:湿地、森林和草地，耕地不包括在内(Ferretti and Pomarico, 2013;Xie等人，2016)。然而，随着多功能理论的发展，耕地作为一种重要的生态土地引起了人们的关注(Wang et al.， 2017;Hu等人，2017)。因此，本文将耕地作为一种生态用地纳入研究范围。本文的研究问题如下:生态用地如何影响房价?不同生态用地对房价的空间溢出效应是否存在差异?为了解决这些问题，我们采用可用性指标，结合到最近生态土地的距离和最近生态土地的大小，建立了空间多层级的hedonic模型。
本文的结构如下:第二节描述了不同生态用地对房价的内在溢出效应的分析框架。第3节介绍了数据和变量。第4节描述了我们改进的特征价格模型。第5节给出了实证结果，第6节对论文进行了总结。
2.生态土地对房价影响的分析框架
生态用地具有提供食物、调节气候、减少噪音、美化环境、增加休闲娱乐空间等多种功能，可以通过影响居民福祉来影响房价(Larondelle and Lauf, 2016)。具体而言，生态土地的多功能服务通过其可得性(包括可达性和可见度)对居民福祉具有显著相关性(Bertram and Rehdanz, 2015;Siacirc;n de Bella等人，2017;Liebelt等人，2018;Ala- Hulkko等人，2019)。此外，在进行住房交易时，人们考虑到许多住房福利，如舒适的居住环境，由于住房交易的长期影响而不愿意妥协(Czembrowski, 2016)，所以房价就像居民福利的信封，这些价格会随着居民福利的变化而变化(Yamagata et al.， 2016)。
总体而言，生态用地对房价具有正向的空间溢出效应(Siacirc;n de Bella et al.， 2017;Markevych等人，2017;Larondelle和Lauf, 2016;Ciftcioglu等人，2019)。然而，生态土地也可能对房价产生负面影响(Bertram and Rehdanz, 2015)。例如，一些常见的树木和灌木产生挥发性有机化合物，如异戊二烯、单萜、乙烷、醋酸和甲酸，这可以间接造成城市烟雾和臭氧问题(Chaparro和Terradas, 2009;Goacute;mez-Baggethun和巴顿，2013);Damato(2000)还发现风媒传粉植物会以过敏反应的形式对人类健康造成负面的空间溢出效应。类似地，Ives等(2017)发现生态土地的负空间溢出效应可能与恐怖动物的存在或看似不安全的夜间环境有关。
正溢出和负溢出的权衡可能导致生态用地对房价的非线性空间溢出效应。关于生态土地可达性，通常用到最近生态土地的距离来衡量(Ekkel和Vries, 2017)，经济学地理学的经典研究已经证明了房价如何随着可达性的变化而变化，并且该理论已经变成了基于购房者理性行为的经验现实(Li和Brown, 1980)。Mingche M. Li和H. James Brown的研究提出，与非居住活动相关的可达性的正效应和负效应都随着距离的增加而下降，而负效应的下降速度要比正效应快得多(Li和Brown, 1980)。同样，我们假设生态用地对房价的正、负空间溢出效应具有相似的演化模式，其净空间溢出效应等于两条曲线的垂直和，如图2a所示。生态环境的净空间溢出效应。
关于生态土地的可见度，通常用最近的生态土地的大小来衡量(Bertram和Rehdanz, 2015;Liebelt等人，2018)。规模边际收益递减定律显示了房屋价格如何随可见性而变化。李明明澈和布朗的微观社区外部性分析表明，社区的负效应可能小于正效应。因此，我们假设生态用地的空间正溢出效应和负溢出效应都会随着离生态用地面积的增加而增加；李和布朗，1980)。在此基础上，确定了生态用地对住房价格的净空间溢出效应。从可见性角度看，生态用地对房价的净空间溢出效应可能是非线性的。因此，我们假设生态用地对住宅价格的空间溢出效应可能是非线性的。
3.数据和变量
3.1.研究区域
我们的研究在中国中部湖北省的省会城市武汉进行。武汉位于江汉平原东部，是长江和汉江交汇的地方。我们的享乐分析集中在主要的城市地区。这个面积是1243平方公里和大概面积为656.47平方千米的生态岛于2015年，包括292.51平方千米的耕地面积（44.56%），27.83平方千米的森林面积（4.24%），15.30平方千米的草地面积（2.33%）并且拥有320.82平方千米的湿地面积（48.87%）。更多的生态用地和城市公园靠近城市居住区，使城市居民更容易获得生态空间。武汉市草地面积在2000 - 2015年间增加了约2.72 km2。而同期耕地、森林和湿地的损失分别为229.25 km2、4.11 km2和57.70 km2。2000 - 2015年生态用地总体减少288.33km2。生态土地数量的减少将产生重大影响。
3.2.数据
ETM遥感影像数据由资源环境数据云平台提供。公寓层的位置数据来自百度地图。该房产的价格是通过专业的网络平台Fang.com获得的真实交易价格。(http://wuhan. fang.com;网站提供单位级和公寓级的真实房屋交易价格信息。）房源交易信息可以根据一定的条件进行筛选。为避免物业类型变化带来的问题，只考虑2015年1月至2015年12月期间成交的普通住宅物业。房屋交易数据包括78项。
3.3.变量
因变量是单位水平上每平方米的交易价格。解释变量包括单位级变量和公寓级变量。单位级变量集包括房屋的物理住房属性，如总楼层数(Floor)、卧室数(Bedroom)、客厅数(living)和住房面积(area)。公寓级变量集包括重要的生态土地变量和控制变量。基于距离的可达性指标通常被用作生态用地变量，以衡量生态用地对城市房价的空间溢出效应，如到最近绿地的距离(Ekkel and Vries, 2017;Czembrowski和Kronenberg, 2016)。然而，基于距离的可达性指标往往忽略了规模问题(Jiao and Liu, 2010;Ekkel和Vries, 2017)。例如，如果体力活动，如放风筝，必须在生态土地本身进行，它可能需要最少的生态土地(Ekkel和Vries, 2017)。基于规模的可见度指标通常由最近生态土地的规模衡量，考虑了生态土地的规模影响(Bertram和Rehdanz, 2015;Liebelt等人，2018)。因此，我们的例子中使用了到最近生态土地的距离和最近生态土地的大小。
将个体变量(年龄、FlrArRatio、家庭和绿化率)、社区变量(金融、医疗和学校)和位置变量(区域公交、区域CBD、区域AAA、区域地铁、区域钥匙和区域公园)作为控制变量考虑在公寓层面，以消除可能的遗漏变量偏差(Song和Knaap, 2004)。需要注意的是，根据2010 - 2020年的城市总体规划，武汉市不再是一个中心，而是一个多中心。(source:http://gtghj. wuhan.gov.cn/pc-998-108001.html),这与武汉和其他城市不同(Jiao和Liu, 2010)。考虑到远离市中心的住宅价格相对较低，我们利用距离最近的中央商务区的距离来控制可能影响城市房价的因素。
4.模型
享乐价格模型通过隔离不同因素的影响来估计商品或服务的经济价值(Rosen, 1974;Yamagata等人，2016)。并且它经常被用来衡量住房价格的非市场成分(Jiao和Liu, 2010;Siacirc;n de Bella等人，2017;Markevych等人，2017)。生态用地等非市场商品的空间溢出可以通过估算其对房价的增值来衡量。
许多研究人员发现，房价与空间相关(Jiao和Liu, 2010)和多层结构，如建筑内嵌单元(Yamagata et al.， 2016)。在我们的例子中，房价具有单元级和公寓级两级结构，其全球Moran I为0.16，远高于0。这些结果表明，城市住宅价格具有显著的空间相关性和多层次结构。我们将在5.1节中进一步讨论这个问题。忽略空间相关性和多层结构可能会导致回归误差(Yamagata et al.， 2016;Liebelt et al.， 2018)，因为这样做违反了多元回归的基本假设。空间多层次的hedonic模型在模型中考虑了城市房价的空间相关性
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[406999]，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。
