推文人 | 袁梦 

 

推文信息：孙伟增,林嘉瑜.教育资源供给能够降低学区房溢价吗?——来自北京市新建小学的证据[J].经济学(季刊),2020,19(02):499-520.

 

推文摘要：本文以北京市2012-2016年新建小学为例，实证分析了学校供给对学区房溢价的影响效果。研究发现：第一，新建小学使得周边原有学区房的溢价显著下降了2.33个百分点，这一影响具有明显的本地化和异质性特征；第二，学区房市场存在同群竞争现象，优质教育资源的供给能够显著降低本地区重点小学学区房的溢价率；第三，学校/学区房供给对城市平均住房价格的影响主要受到学区需求价格弹性的影响，当学区的需求价格弹性较小时，随着学区房数量增加城市的房价仍然会上升。

 

01 引言

 

教育投资是影响个人长期收入的关键因素（Zhang etal.，2005；罗楚亮，2007）。随着人们收入水平的提高，中国家庭支出中教育支出比重也越来越大，优质教育资源成为家长竞相争夺的目标。作为最典型的地方公共品，中小学教育资源的价值通过住房市场得以显性化，学区房的价格要显著高于同区位的其他住房价格。然而，在现行的学区政策下，城市内优质教育资源的缺失导致学区房价格持续上涨，成为许多家庭享受优质教育资源的阻碍（冯皓和陆铭，2010）。

 

为了改善义务教育资源供给稀缺问题，促进教育资源均衡化，北京、上海、广州等一线城市近年来多次出台工作办法，通过新建小学、名校设立分校、集团化办学、普通小学与重点学校合并办学和优质学校帮扶郊区学校等方式增加优质学位的供给，加大教育资源扩充建设力度。如2017年4月，北京市教委决定将继续扩大优质教育资源的布局，在郊区新建10所优质学校，城六区也会新增25所优质学校并帮扶15所郊区学校。这一举措是否有助于改善当前学区房价格持续高涨的状况，促进教育服务质量的均等化？本文将围绕这一问题展开实证分析。

 

02 数据描述

 

本文收集了北京市378所公立小学的信息，包括学校的名称、地址、建校时间、质量和招生信息等。本文通过对2012-2016年新建学校的地理信息进行空间化处理，得到新建小学的空间分布，根据对各个学校的质量评价将学校划分成重点小学和非重点小学。

 

本文的房价数据来自链家地产北京市二手房成交数据。其中2012-2016年北京市15个行政区（除怀柔外）共计388157套成交住房样本，覆盖6593个住宅小区，且平均每个住宅小区有成交样本约60个。本文根据小区名称对应的住宅小区的地址和经纬度信息，将其进行空间化处理，并根据2012-2016年北京市各个小学的招生简章定义学区房和非学区房。本文还利用住宅小区的空间坐标信息，计算了每个非学区住宅小区与邻近学区房的空间距离，并依此进行空间匹配；计算了新建小学学区房与邻近原有小学学区房的空间距离；计算了各住宅小区 到邻近地铁站点、大型商圈、三甲医院和公园的距离。

 

03 实证策略

 

为了有效避免缺失变量对学区房溢价测算的影响，本文采用固定效应的空间配对模型进行估计，同时控制房屋的物理特征，在最大程度上控制学区属性以外的其他住房属性对价格产生的影响，以得到准确的学区房溢价。具体的模型形式如下：

其中，被解释变量为每套成交样本单价(hp)的对数值，下标i表示每套住房，j表示成交样本所在的住宅项目，t为成交时间，精确到月份。school为核心解释变量，schooljt=1表示在成交时点t住宅项目j是学区房，schooljt=0表示该住宅项目为非学区房；Ｘit为房屋的物理特征变量，包括建筑面积、楼栋的总楼层数、房龄、房屋所属楼层哑元和主要朝向哑元；Ｚjt为住宅项目的其他区位特征变量，包括到最近地铁站点的距离、到最近大型商圈的距离、到最近三甲医院的距离和到最近公园的距离；ｃg为配对组的固定效应；ωt为成交月份固定效应；φdt为区县×年份的固定效应；εijt为随机干扰项，模型估计时住宅项目层面对标准误进行聚类调整。

 

在模型（1）中，变量school的系数β反映了北京市学区房的平均溢价水平。我们假设β受到周边新建小学的影响，将其表示成周边是否有新建小学变量函数，如式（2）所示：

 

 

关于newsch变量，本文分别以学校和学区房为研究对象，考察原有学校“周边”是否有新增小学（分别以2公里、5公里为半径，以及同一行政区作为 “周边”的划分依据）或原有学区房“周边”是否有新增学校的学区房（分别以1公里、2公里为半径，以及同一行政区作为 “周边”的划分依据）。

 

04 实证结果

 

（一）学区房溢价效果测算

 

表2首先报告了对学区房溢价模型的估计结果。在第（1）列中，school变量的系数值为正的0.025，且在1%的水平下显著，表明学区房的溢价效果约为 2.5%，以北京市学区房均价3.7万元为例，学区房每平方米的售价要高出925元左右。第（2）例结果表明，重点小学的学区房溢价效果显著增加为7.36%，对应学区房溢价约为2723元/平方米。同时，非重点小学的学区房并没有显著的溢价效应。第（4）-（6）列给出了利用800米范围进行空间匹配估计得到的结果，可能因为随着空间范围扩大后样本匹配的质量下降，与采用500米范围匹配的回归结果相比，学区房的溢价率都有小幅下降。

（二）新建小学对周边学区房溢价的平均影响效果

 

本文接下来基于对模型（3）的估计，以交互项school*newsch*I(t)的系数分析新建小学对周边学区房溢价的效果。结果表明，无论是以小学还是以学区房作为空间识别对象，交互项shcool*newsch*I(t)的系数均显著为负。同时新增小学或新增学区房的供给对原有学区房的溢价具有显著的抑制作用，但新增小学或学区房的统计范围扩大时，这种抑制作用变得很小，即这种抑制作用具有显著的本地化特征。

如果新建小学的选址与学区房溢价率增长速度相关，新建小学的选址便不是随机的，使得表3的估计结果存在偏误。本文将模型（2）的时间哑元变量I（t>newsch_builtyear）分解成一系列住房成交时点相对于新建小学的时间虚拟变量，以交互项系数来判断是否存在选址内生性问题。具体估计方程如下：

表4的估计结果表明，在新建小学建设前，所有方程的交叉项系数χs的绝对值较小且在统计上不显著，在新建小学建设后，学区房的溢价率显著下降，即研究期内新建小学的选址与学区房溢价率不存在显著的内生性问题。

本文还进一步使用本区县小学招生人数的增长率作为学区房溢价的需求端冲击，控制对学区房溢价的影响。结果表明，需求增加会显著提升学区房的溢价率。在控制了需求端冲击后，新增学校对周边原有学校学区房溢价的抑制作用仍然显著，且影响效果与表3非常接近。

 

（三）基于学校质量的异质性分析

 

首先，表6报告了根据原有小学是否是重点小学进行分组回归的估计结果。结果表明，除了以行政区作为空间划分范围外，当选取不同的新建学校统计范围时，重点小学模型中交叉项school*newsch*I(t)的系数均显著为负。说明新建小学对于当地原有重点小学学区房的溢价具有显著的抑制作用。类似地，以学区房作为空间识别对象进行估计时，当重点小学学区房周边1公里范围内新建学校学区房时，该学区房的溢价率显著下降2.78个百分点。随着空间匹配范围扩大，这一影响效果显著下降，但周边新增学区房供给对非重点小学学区房的溢价率影响并不显著。

本文还考察了新建小学对原有学区房溢价的影响效果是否因新建小学质量而不同。本文根据新建小学的“母校”是否为重点小学对新建小学进行分类，以此估计新建重点小学和新建非重点小学对周边原有学区房溢价的影响效果。结果表明，如果新建小学为重点小学，新建学校对原有学校学区房溢价具有显著的抑制作用；但如果新建小学为非重点小学，新建学校对周边原有学区房溢价率的抑制作用在统计上不显著。优质教育资源的进入对本地区重点小学学区房溢价率的抑制作用更加显著，而低质量教育资源的竞争虽有助于减少学区房溢价率，仅对于非重点小学学区房溢价率起到显著的抑制作用。

最后，本文基于局部均衡框架分析了在住房总供给和总需求不变的情况下，外生的学校供给冲击带来的学区房占比增加将如何影响城市的平均住房价格。本文将住房的学区属性和非学区属性看作两种相对独立的商品，城市的平均住房价格通过对平均学区房价格和非学区房价格进行加权得到。本文通过比较静态分析发现：学校/学区房供给能够降低学区房的溢价率，但是仍然可能会促进城市平均住房价格的提升。这主要由学区的需求价格弹性决定。

 

05 总结

 

本文的创新之处在于：第一，较早从微观视角分析教育资源供给与教育资源定价问题，弥补了现有研究的空白；第二，本文的研究方法和思路为后续开展公共资源定价问题的研究提供了新的思路借鉴。

 

本文的研究结论也具有一定的政策意义：一方面，地方政府增加教育资源投资将有助于从供给端改善学区房价格高涨这一状况；同时随着教师待遇的提高和优质教育资源的增加，学区房溢价在长期将会趋于更加合理的状态，真正从量和质双维度实现教育资源均等化。另一方面，学区房市场具有显著的本地化特征，教育资源的配置需要同时考虑到城市内部教育资源的空间分配，均衡的资源配置有助于减少居住群分带来的社会分隔。

 

Abstract

 

Using data of second-hand home sales records and newly built primary schools over the period 2012-2016 in Beijing, we study the impact of school supply on school district housing price premium and find that: (1) Newly-built schools reduce the housing price premium by 2.33% for existing schools, but the effect dramatically decreases with distance; (2) New key primary schools significantly reduce housing price premium for existing key schools; (3) The impact of school or school-district housing supply on city’s average housing price is mainly affected by the price elasticity of demand for school district.