估算高层住宅 housing 的视图溢价：基于享乐主义经济学的研究证据及其对数据驱动估值方法的启示 作者：Philip Y. L. Wong、Terence P. C. Fan、Cyrus Y. Y. Mok、Joseph H. K. Lai、Ye Zhao 和 Kinson C. C. Lo

《Buildings》：Estimating View Premiums in High-Rise Residential Housing: Hedonic Evidence and Implications for Data-Driven Valuation Philip Y. L. Wong, Terence P. C. Fan, Cyrus Y. Y. Mok, Joseph H. K. Lai, Ye Zhao and Kinson C. C. Lo

　　**摘要**
根据比较原则进行住宅估值时，需要系统性地调整可比单元之间的实质性差异。然而，在高密度、高层住宅市场中，诸如港口和天际线景观等视觉便利设施通常被定性处理或隐含地纳入可比证据中，从而降低了透明度和可审计性。本研究探讨了在香港，景观质量是否被系统地纳入交易价格中，以及这种溢价是否因市场条件而异。通过分析2015至2024年间六个高端高层住宅小区的352笔二手交易数据，我们使用每销售面积对数作为因变量来估计享乐模型。景观质量被定义为有序分类变量（无景观、部分景观、完全景观），该分类基于房源描述，并通过地图和街道视图证据进行交叉验证。在控制了楼层位置、小区年龄、由Centa-City指数（CCI）表示的月度市场波动以及小区固定效应后，汇总估计结果显示，与无景观相比，部分景观大约享有11%的溢价，而完全景观则享有约22%的溢价，完全景观比部分景观具有明显的额外溢价。使用GDP定义的分组估计显示，在不同市场条件下，完全景观的溢价仍然具有经济意义，而在市场疲软时期，部分景观的溢价效果则不那么明显。研究结果表明，在香港这种垂直差异化的住宅市场中，景观质量是一个重要的、系统被定价的属性。通过提供基于小区内部差异的透明百分比调整基准，本研究增强了基于可比数据的估值实践的一致性、透明度和证据严谨性。

**1. 引言**
在高层城市中，买家、开发商和估值师经常将视觉便利设施（尤其是景观）视为住宅吸引力的关键决定因素。在香港这样的城市，垂直居住是主要的居住形式，且大部分住宅通过高度、朝向以及是否靠近水岸线和标志性天际线来区分。“景观质量”不仅是审美偏好，也是价格差异的合理来源。如果景观体现在交易价格中，那么它们就构成了住宅财富的一个重要组成部分，是规划和重建决策重新分配价值的渠道；如果未被测量，也可能成为估值错误的潜在来源[1]。尽管具有实际重要性，但传统的估值流程（尤其是基于市场/比较的方法）往往更侧重于可观察的结构和产权特征（如年龄、楼层位置、布局、建筑质量）以及广泛的可比对象，而景观的贡献往往被定性处理或隐含地纳入可比对象中。正如标准估值文献（例如《现代估值方法》中的主要方法和比较因素）所强调的那样，可比性通常取决于位置、物理特征、产权、用途和时间；然而，“位置”往往以粗略的空间单位来操作，景观的视觉维度很少被明确测量[2]。这就产生了一个实际问题：虽然从业者承认景观效应，但估值证据往往没有用一种透明、可复制、可审计的指标来表达，也无法在不同子市场和市场周期中进行压力测试或转移[3]。

最近的研究表明，使景观可测量不仅是可行的，而且具有价值。Jayasekare等人[4]证明，当景观被量化而非仅作为叙述性属性处理时，使用空间工具构建景观指标可以解释销售价格中的显著变化，并有助于解决享乐模型中的遗漏变量偏差。他们的结果显示，特定类型的景观（尤其是海滩/海洋景观）会带来显著溢价，而且这种效应的大小取决于景观的操作方式（例如，可视性的距离阈值）。这一方法论见解对于城市尤为重要：如果景观与其他常规建模的属性（如楼层位置、建筑年龄、公共交通便利性、邻里固定效应）存在系统相关性，那么仅定性处理景观可能会导致溢价错误归因于其他变量，扭曲市场方法中的调整网格，并削弱估值和决策的证据基础。

在此背景下，本文探讨了在香港住宅市场中景观是否被定价，以及景观相关溢价的大小是否因市场条件而异。本研究在研究和实践方面有三个贡献。首先，它提供了与有序景观质量类别（无景观、部分景观、完全景观）相关的价格溢价的具体估计，提供了一个透明的调整基准，可以补充基于可比数据的估值。其次，通过比较市场强劲时期和疲软时期，检验景观相关价格溢价是否具有状态依赖性，从而明确“景观溢价”是像稳定便利设施还是周期性奢侈属性，这对于风险管理、抵押贷款发放以及在经济繁荣和低迷时期的评估稳健性具有重要意义。第三，它讨论了估值实践的影响，重点关注在忽略景观或仅将其隐含地纳入可比对象时可能出现的偏差方向和程度。

虽然Jayasekare等人[4]提供了来自澳大利亚低层住宅市场的有力证据（其中景观基于地块可见性来衡量），但我们的研究在某些方面有所不同，这些差异可能会改变景观相关价格溢价的具体机制和大小。我们的案例研究是一个超级密集、高层、以交通为导向（TOD）的城市，在这种城市中，“景观”受垂直形式、楼层位置、建筑间距和天际线/水岸线方向的约束，家庭通常需要在内部空间和外部视觉便利设施之间进行权衡。这些特点表明，来自低密度、地块级环境的结果可能无法直接应用于亚洲的高层城市，在那里景观质量与高度、拥堵程度和同一小区内的微观位置紧密相关。通过提供来自密集TOD环境的证据，并测试景观溢价是否因市场状态而变化[4,5]，本研究将文献范围扩展到了不仅仅是低层住宅的情境，并通过提供一个明确的、可审计的基准，有助于更公平的住宅定价，将景观相关溢价与其他相关属性（如靠近铁路的距离、楼层位置和邻里效应）区分开来。这提高了买家和贷款机构的透明度，降低了在基于可比数据的估值中景观效益被高估或低估的风险，特别是在高需求、高密度住宅市场中。

本研究旨在量化密集城市高层住宅市场中景观质量在住宅交易价格中的评估方式，并评估明确考虑景观是否可以提高定价和估值的公平性和透明度。研究目标是：
- 在控制结构、位置和邻里因素后，估计与有序景观质量类别（无景观、部分景观、完全景观）相关的边际价格溢价（以百分比表示）。
- 测试景观相关价格溢价是否因市场条件（如市场强劲时期与疲软时期）而异，以指示价格效应是否具有状态依赖性。

同时需要回答的研究问题是：
**RQ1.** 在控制结构属性后，香港具有较高景观质量的住宅物业（部分/完全景观与无景观）是否以统计学上显著的价格溢价出售？
**RQ2.** 景观溢价的大小是否因市场条件（如市场扩张期与低迷期）而异，这对高密度住宅市场的公平定价和评估实践意味着什么？

一个相关的方法论问题是，当视觉便利设施未明确建模时，存在重复计算景观相关价值的风险。在高层环境中，景观质量经常与楼层位置、朝向和建筑间距相关——这些因素直接影响视觉通透性和遮挡程度。如果估值师在调整楼层位置的同时隐含地假设景观“内嵌”在该调整中，部分视觉溢价可能会被重复计算或错误地归因于结构特征。从计量经济学的角度来看，这引发了多重共线性问题：当景观质量与其他协变量强烈相关时，其独立的边际效应可能会被掩盖或估计不准确。因此，将景观明确建模为一个单独的属性可以提高透明度，并减少其经济贡献被过高估或被相关代理变量无意中吸收的风险。本研究的新颖之处在于三个方面：首先，它是首次在密集的高层亚洲住宅市场中提供有序建筑内景观溢价的具体估计之一；其次，它通过比较市场强劲时期和疲软时期来测试此类溢价是否具有状态依赖性；第三，它提供了基于小区内部差异的透明百分比调整基准，为垂直差异化住宅市场中的基于可比数据的估值实践提供了结构化的实证基础。

**2. 文献综述**
**2.1. 建筑环境中的享乐定价和住宅估值**
享乐定价模型在建筑环境研究中得到广泛应用，用于分析住宅财产价值如何反映异质属性的资本化[6,7,8]。在此框架下，住宅价格被分解为结构特征、建筑属性、位置因素和环境便利设施的隐含价格[8,9]。虽然享乐分析已被广泛用于评估设计和环境相关属性如何反映在住宅价格中，但它面临众所周知的方法论限制，特别是在变量测量和模型规范方面[10]。

在专业估值实践中，享乐模型越来越多地被视为市场比较方法的定量补充。虽然基于可比数据的估值依赖于专业判断来调整不同物业之间的差异，但享乐估计为推导调整因素提供了明确且可复制的依据。这在高层城市尤为重要，在这些城市中，垂直形式、建筑配置和微观位置可能导致难以仅通过定性调整来一致评估的显著价格差异[9,10]。然而，享乐估值的有效性取决于相关建筑和环境属性是否被明确测量。当重要特征被忽略或仅间接代理时，它们的影响可能被相关变量吸收，从而降低可解释性并可能偏差估值结果。这一点在实践中尤为明显，尤其是对于像视觉质量这样广泛认可但难以量化的属性[11]。

**2.2. 视觉便利设施和数据驱动测量的概念扩展**
大量实证研究考察了住宅市场中海洋、湖泊、公园和天际线景观的定价。在沿海和低密度环境中进行的研究通常报告水和开放景观的显著溢价，根据测量方法和市场细分，溢价幅度在5%到25%之间[12]。然而，这些证据大多来自低层环境中的地块级差异，在这些环境中，景观质量主要在物业之间变化[13]。在高层、高密度城市中，景观是建筑内部的属性，受楼层位置、朝向和周围建筑布局的影响，其相关价格溢价机制可能有所不同[10,11,14]。在垂直分化的亚洲住宅市场中，明确区分有序景观类别的实证证据相对有限。

视觉便利设施，包括开放景观、天际线视野和海滨可见性，常被视为提高住宅价值的特征。从建筑环境的角度来看，景观质量受建筑高度、间距、朝向和周围城市形态的影响，使其本质上是一个设计和环境依赖的属性[14,15,16]。这些特征表明，景观可能被系统地计入住宅价格。尽管视觉便利设施的重要性得到了认可，但它们本质上难以以一致和客观的方式量化。因此，本研究使用基于比较的分类方法来操作景观质量。住宅单元根据与同一小区或周边单元的系统比较，被分类为具有完全景观或部分景观，从而捕捉在大致相似的位置和建筑条件下开放性和视觉暴露度的差异。这种比较方法常用于基准测试，为将视觉便利设施的定性评估转化为适合实证分析的一致量化指标提供了实用手段[17]。

明确量化景观的实证研究普遍发现价格效应为正且具有统计学意义。例如，Jayasekare等人[4]表明，当使用结构化指标测量景观时，它们可以解释价格变化的重要部分，并减少享乐模型中的遗漏变量偏差。然而，大多数现有研究都集中在低层或低密度背景下，其中视野质量主要在地块层面决定。在亚洲的高密度背景下进行的享乐主义研究进一步证明了视野的差异性。Oh和Lee [18] 报告称，拥有景观视野的房产大约有6%的溢价，其中河景比山景或开阔视野的房产具有更高的溢价。在香港，Jim和Chen [19] 发现只有海景得到了正面的资本化（广阔的海景溢价+2.97%；有限的海景溢价+2.18%），而山景导致价格下降6.7%，街道景导致价格下降3.7%。Hui等人 [20] 进一步证明，景观效应在垂直子市场中有所不同，花园景在所有楼层价格中都呈正相关，但海景在高层单元中的价值并不统一，这突显了紧凑城市中的垂直空间差异性。

在高层、高密度的城市中，即使在同一栋建筑内，视野质量也有很大差异，并且与其他属性（如楼层位置和布局）紧密相关。因此，传统的享乐主义模型和估值方法通常依赖于间接代理变量或定性描述符，这可能会将视野效应与其他建筑特征混淆。更广泛地说，城市经济学强调，包括建成文化遗产、地理位置和新开发项目的建筑独特性在内的各种便利设施可以直接影响房地产价格 [14]。尽管本研究采用了传统的享乐主义回归框架，但人工智能和数字建筑分析的最新进展表明， explicitly 测量的视野属性具有更广泛的适用性。将计算机视觉应用于挂牌照片、街道级图像或BIM，并结合使用地理空间和三维城市数据的机器学习模型，可以提供更详细和可复制的视野分类 [21,22,23]。机器学习方法，包括监督学习算法和基于文本的语义表示，在自动估价模型（AVM）应用中表现出强大的预测性能 [24,25,26,27]。结合XAI技术可以进一步确保特征贡献的可解释性、可审计性和与享乐主义定价原则的一致性 [28,29,30]，满足专业估值环境的透明度要求 [6,23]。这些方法代表了未来整合的前景，而不仅仅是当前实证分析的组成部分。

2.3. 市场条件、状态依赖性和估值稳健性
越来越多的文献表明，住宅属性的资本化可能因市场条件而异。在市场较强的时期，买家可能更愿意为奢侈品或设计相关的便利设施支付更高溢价；而在市场较弱的时期，价格敏感性和可负担性限制可能占主导地位。这意味着诸如视野这样的便利设施的隐含价格可能是状态依赖的，而不是随时间恒定的 [30,31]。关于这个问题的实证证据仍然不一。一些研究发现便利设施的溢价在市场周期中相对稳定，而其他研究则报告在市场低迷期间溢价减弱或统计显著性丧失。这些差异可能反映了市场流动性、交易量和测量精度的变化，特别是对于难以直接观察的属性 [32,33]。对于估值和建筑相关决策而言，了解视野溢价是否在市场状态下保持稳定至关重要。如果在市场低迷期间视野相关价格效应减弱，应用统一的调整因子可能会降低评估的稳健性并增加估值风险。相反，如果视野溢价持续存在，明确考虑这些溢价可以提高跨周期的定价透明度和公平性 [34]。基于此背景，本研究考察了不同市场条件下亚洲主要城市高层住宅市场中视野质量的隐含定价。通过将有序的视野质量测量方法与基于CCI的市场状态分类相结合 [35]，本研究为建成环境研究和估值实践提供了相关证据。先前的研究表明，便利设施的隐含价格可能随市场周期而变化，在市场低迷期间由于流动性限制和样本组成效应，这些系数的估计会减弱或不够精确 [36,37]。便利设施定价的状态依赖性可能反映了买家的异质性和融资限制。在市场较强的情况下，高收入或流动性不受限制的买家可能更愿意为高端视野等奢侈品支付更高溢价；而在市场较弱的情况下，更严格的信贷条件、利率敏感性和更高的风险厌恶可能导致中等档次便利设施的溢价压缩 [38]。在香港等高层市场中，豪华单元（例如高层或顶层公寓）和标准单元之间的分割可能进一步放大这些效应。从行为学和城市经济学的角度来看，某些住房属性，特别是与声望相关的便利设施，如无障碍的天际线或海景，可能具有位置商品的特征。它们的价值既来源于功能效用，也来源于在社区内的相对地位，稀缺性和地位信号会放大需求 [39]。当家庭能够观察到物业质量的相对差异时，位置激励可能会引发更强的资本化甚至过度投资效应 [40]。因此，对于这些便利设施的支付意愿可能会随着市场情绪、流动性条件和感知财富的变化而变化，这意味着在市场乐观扩张期间便利设施的溢价可能会增加，在财务约束紧张的情况下可能会压缩。

2.4. 垂直差异化、空间限制和密集城市中的便利设施估值
来自全球连接的高需求大都市区的实证证据表明，供应限制和集中需求会放大与理想住房属性相关的价格差异 [38,41,42]。在这些市场中，环境便利设施（包括视觉开阔度和水景）可能获得更高的溢价，因为替代机会有限，垂直开发加剧了对稀缺视野的竞争。视野质量本质上是空间性的，反映了距离滨水区、天际线走廊和周围建筑密度的距离。正如2.2节所讨论的，大多数关于视野 premium 的文献都集中在水平差异化的低层环境中。相比之下，针对高层和密集型亚洲住房市场的研究表明，环境评估沿着垂直维度进行，其中海拔高度、建筑方向和周围建筑密度决定了视野的暴露度、隐私性和感知的环境质量 [43,44,45]。这些垂直结构的背景引入了建筑内部的显著异质性，这与地块层面的差异有本质不同。第2.3节强调了透明测量和结构化特征构建的重要性。在土地紧张、垂直开发密集的城市中，明确分类视野质量有助于更清晰地识别便利设施效应，并减少对楼层位置等粗略代理变量的依赖。基于空间均衡理论和来自密集住房市场的实证证据，第3节中开发的模型能够估计垂直差异化城市环境中的有序视野溢价。这一框架将关于受限城市供给的理论见解与可解释和可复制的实证策略联系起来。

3. 研究背景、数据和方法论
3.1. 研究背景：香港住宅市场作为国际参考点
香港被广泛认为是世界上城市化程度最高的地区之一，总体人口密度约为每平方公里6800人，九龙和香港岛城区的密度经常超过每平方公里40,000人 [46,47,48]。这种极端密度反映了两个基本的地理限制：(1) 主要为山区地形；(2) 在大约1115平方公里的总面积内，可开发的平坦土地供应有限。因此，住宅建筑环境几乎完全由多层高层公寓楼组成，通常组织成大规模的地产开发项目 [49]。这种垂直结构的城市形态不仅在各个地产和社区之间产生了系统性和可测量的住房属性差异，而且在单个建筑内部也是如此。楼层位置、建筑间距和方向、与周围建筑的间距以及与开阔水域、山坡和城市天际线的距离共同决定了每个单元的视觉暴露程度 [50,51]。因此，香港的视野质量最好理解为建筑内部和地产内部的属性，系统性地由高度和方向区分，并代表了住宅价值的潜在重要组成部分。有几个特点使香港成为识别视野质量隐含定价的理想场所。首先，其极高的密度和独特的视觉地理特征——由维多利亚港、周围的山坡和集中的高层天际线塑造——在同一地产甚至单个建筑内部产生了系统性和可观察到的视野质量差异。由于这种变化发生在单一的法律、制度和财政框架下，享乐主义估计可以在保持更广泛监管条件不变的情况下隔离视野溢价，从而减少跨司法管辖区的混淆。在选定的主要区域（九龙站及相邻的滨水走廊），私人住宅开发通常超过30层，形成了明显的垂直差异化。本研究选择了六个符合三个目的性标准的地产：(i) 较高的垂直高度（通常40层以上），确保建筑内部可见的视野差异；(ii) 靠近海景或天际线走廊，使得同一开发项目中同时存在无视野、部分视野和全视野；(iii) 2015年至2024年间持续存在的二级市场交易活动，允许在地产内部进行可靠的享乐主义识别。缺乏有意义视野差异的地产（例如，所有朝向内部的单元）或交易深度不足的地产被排除在外。这种有针对性的抽样策略通过确保估计的溢价来源于地产内部的垂直差异而非更广泛的社区间价格梯度，增强了内部有效性。其次，香港住宅市场在国际透明度评估中始终名列前茅，提供了大量具有详细和公开价格记录的独立交易。Centa-City Index (CCI) 作为一种高频的全市场指标，进一步通过使交易价格与同时期的市场条件对齐来加强识别。第三，香港的房价相对于收入而言是全球最高的 [46,47,48]。在这样一个高价值的环境中，即使是与视野质量相关的适度百分比差异也会转化为具有经济意义的绝对价格效应，从而增加了准确测量的实际相关性，对于估值和政策分析至关重要。最后，关于香港住房市场的丰富享乐主义研究为当前分析提供了方法论基础和可比性基准 [52]，支持了内部有效性和外部可解释性。尽管香港被视为一个特定案例，但其结构特征代表了全球范围内一个更广泛且快速增长的城市类别，其发现具有国际普遍性。根据联合国世界城市化前景报告，预计到2050年，全球约68%的人口将居住在城市地区，其中亚洲的城市化进程最快 [47]。新加坡、首尔、台北、东京、上海、深圳、吉隆坡和孟买等城市与香港具有相似的城市形态特征，如高层住宅密度、建筑内部的垂直差异化以及以交通为导向的发展模式 [46,47,48]。这些城市共同容纳了数亿城市居民，这些环境中集中的全球住房财富份额庞大且不断增长。相比之下，现有的关于视野 premium 的文献主要集中在低密度、地块层面的环境中，主要是在北美、澳大利亚和欧洲的沿海或郊区市场，其中视野质量主要在单个地块层面决定，并且在同一建筑内的变化很小 [5,52,53]。高层垂直差异化市场中的视野相关价格溢价机制、测量挑战和估值含义与低密度环境中的情况有显著不同：溢价分布在不同楼层而不是地块之间，与楼层位置和建筑间距等属性交织在一起，并集中在相对较小的总楼面上。这些结构差异意味着从地块层面的低层环境中得出的发现不能直接应用于亚洲的垂直城市。

3.2. 数据来源、样本选择和数据处理
本研究使用了2015年至2024年间香港私人多层住宅单元的交易数据。这些数据来自一个广泛用于专业估值实践的商业地产数据库，确保了数据的可靠性和市场相关性。该数据库提供了详细的单元级信息，包括交易价格、楼层面积、楼层位置、建筑年龄以及关于视野条件的描述性信息。每个观测值代表二级市场中的一个独立交易。该数据集构成的是重复的横截面而非面板数据，因为单个单元没有进行纵向跟踪。应用了标准的数据清洗程序，包括移除非独立交易、不完整的记录和统计异常值。经过筛选和异常值处理后，最终的分析样本包含352笔交易。为了评估敏感性，使用不同的修剪阈值（0.5%和2%）估计了额外的参数。对视野质量变量的估计系数在各个参数下都保持定量和统计上的一致性，表明主要发现不受极端观测值的驱动。这些交易来自六个大型住宅开发项目，共计26个住宅区块。这些开发项目的选择基于三个标准：(1) 相似的高层类型和垂直结构；(2) 战略性和代表性的城市位置；(3) 在研究期间持续且活跃的交易量。这种抽样策略确保了足够的观测值用于计量经济学估计，同时保持项目之间的结构和位置可比性。所选开发项目的特点是海拔高度和景观视野存在显著差异，这使它们适合在享乐主义框架内识别隐含的景观溢价。表1总结了样本中包含的项目。表1. 六个抽样住宅开发项目的概述。虽然这些开发项目代表了香港垂直差异化、高密度的住宅市场，但研究结果应在此背景下进行解释。这些结果可能不直接适用于低层或郊区住房市场，在这些市场中，设施优势主要沿着水平维度分布。这六个开发项目是根据它们的主要高层建筑类型、2015年至2024年间持续活跃的二手市场交易、数据完整性、项目内部景观视野的显著差异以及它们位于主要城市区域的地理位置而有意选中的。这种有针对性的抽样策略增强了结构上的可比性，并通过利用项目内部的差异来更准确地识别景观溢价。然而，这些发现最直接适用于类似的主要高层住宅项目，而不是整个香港的住房市场。

在选定的区域内，有25个超过30层的高层住宅项目。选择这六个项目是因为它们（i）展现出可观察到的 waterfront 或 skyline 视野差异，（ii）具有足够的交易深度以进行可靠估计，以及（iii）在垂直结构和建筑设计上具有广泛的相似性。为了使交易记录与市场状况保持一致，每个交易月份都与月度 CCI（Centa-City Index）相匹配。CCI 数据于2025年1月下载[35]。任何核心变量（交易价格、可售面积、楼层、项目年龄、景观分类和匹配的 CCI）缺失值的观测数据都被排除在外。

**纳入标准：** 分析样本包括满足以下所有条件的交易：（i）位于专门建造的多层高层建筑中的私人住宅公寓；（ii）完成的二手市场交易，定义为之前已入住单元的转售而非开发商的首次分配；（iii）在正常市场条件下，由无关方之间达成的市场基础交易，这一点通过交易记录得到验证；（iv）观测数据包含构建因变量和所有协变量（包括交易价格、可售面积、楼层、建筑年龄、景观分类和匹配的 CCI 值）所需的所有完整信息。

**排除标准：** 根据专业和计量经济学原则，样本排除了以下类别：（i）公共和补贴住房；（ii）非标准类型的住宅物业；（iii）被估为家庭内部转让、赠与转让、抵押权人出售、法院命令的处置或相关方交易的交易，因为这些交易不反映开放市场条件。这符合香港 interiors 市场评估标准 (HKIS Valuation Standards) 和皇家测量师学会红皮书全球标准 (RICS Red Book Global Standards) 中对市场价值的定义，这些标准要求交易反映的是自愿买方和卖方之间的市场基础交换，而不是出于强迫[52,53]；（iv）单元价格强度中的极端异常值。按照享乐主义应用中的常见做法，移除了每可售面积价格排名前1%和后1%的观测数据，以减少非典型交易、记录错误或包含非住宅组件交易的影响[54,55]。1%的阈值是在应用微观计量研究中一种常规且保守的剔除规则：它足够狭窄，可以保留几乎所有的有效市场差异，同时减少极端值在对数线性回归中的不成比例影响[55,56]。

**3.3 变量定义和构建**
**因变量**
因变量是交易单元价格的对数：
$$
\log(Price_i) = \log\left(\frac{Saleable_Area_i}{\text{Area}}\)
$$
其中，$ Price_i $ 是交易价格，$ Saleable_Area_i $ 是可售面积（平方英尺）。在高密度公寓市场中，使用每单位面积的价格而不是总价是标准做法，因为这可以标准化尺度，并符合估值实践和市场报告惯例[44]。然而，Li 等人[54] 的研究表明，香港较大的住宅单元通常具有相对较高的单位价格，这表明大小-价格关系可能存在非线性比例效应。方程（1）采用了标准的半对数享乐主义模型，其中每可售面积价格的对数被建模为不同住宅属性的函数。分析中报告的所有单元价格值均以港元 (HKD) 表示，单位为可售面积的平方英尺，符合香港市场的标准做法。

**可售面积的定义：**
在香港，“可售面积”是指从围墙外表面（或隔墙中心线）测量的住宅单元的内部使用面积，不包括电梯大厅、楼梯间、会所设施和外部公共走廊等公共区域。它不同于总楼面面积（GFA），后者可能包括分配给各个单元的公共区域和共享设施，也不同于某些司法管辖区历史上使用的更广泛的营销测量标准。在国际标准中，香港的可售面积大致相当于国际物业测量标准 (IPMS) 中定义的 IPMS Residential 1（内部面积），尽管在墙处理和阳台包含方面可能存在细微的技术差异。由于每单位面积的价格是使用可售面积计算的，因此跨司法管辖区的比较应考虑测量标准。然而，在香港，可售面积是住宅价格报告和估值的标准和法律监管基础。

**关键解释变量：**
**景观质量**
景观质量通过一个有序的分类指标 $ View_Type $ 来捕捉，该指标有三个级别：
- **0 = 无景观**（被遮挡或面向相邻建筑或坡地，如图1a所示）
- （a）无景观：视线被遮挡，面向相邻建筑或坡地（示例）；
- **1 = 部分景观**（部分开放或有限的 skyline/地标/水域视野，如图1b所示）
- （b）
- **2 = 全景观**（几乎无遮挡的 skyline/港区/地标视野，如图1c所示）

这种三级有序分类（无/部分/全）在概念精确性和经验可靠性之间取得了平衡。尽管景观质量可能在连续光谱上有所不同（例如，视角宽度、到障碍物的距离、组成质量），但从房源描述和图像中得出的交易规模数据通常不允许进行更精细的几何测量。采用更粗略但定义明确的分类框架可以提高编码的一致性并减少主观歧义。鉴于样本量相对较小（N = 352），引入更多子类别可能会降低统计功效并增加分类误差。
作为稳健性检验，我们还估计了一个将景观视为排序分类变量的有序模型；结果保持了单调排序（全景观 > 部分景观 > 无景观），并且得出了质量上相似的经济量。因此，三级分类既捕捉了具有经济意义的不同，又保持了可解释性和经验稳定性。

**估计方法：**
基线类别是无景观。创建了两个虚拟变量：
- $ PartialView_i $ 在单元具有部分景观时取值为1，否则为0；
- $ FullView_i $ 在单元具有全景观时取值为1，否则为0。
景观类别是根据主要房产代理的在线房源描述[35]进行编码的，并通过 Google Maps（版本25.24.x（Android））（例如，地图和街景图像）进行交叉验证，以确保分类的一致性。虽然这种方法不直接测量景观的几何形状（例如，角度、距离、组成部分），但它提供了一个实际操作中广泛使用的代理变量，适用于交易规模的建模。

**景观分类协议：**
景观类别是通过对房源照片进行 AI 辅助的图像筛选，并结合基于规则的编码指南来定义无景观、部分景观和全景观。AI 系统用于标记视觉开放性、skyline/水域的存在和障碍物线索。随后，两名经过培训的研究人员根据标准化标准独立审查了 AI 预分类的案例。使用 Cohen 的 kappa 系数评估了评分者间的可靠性，显示在调和之前有相当大的一致性。通过联合裁决解决了分歧。Google Maps 和街景图像用于验证周围建筑物的布局、障碍物距离和能见度条件。这种多阶段协议减少了主观偏差并提高了可复制性[55]。

**控制变量：**
为了隔离景观质量的边际效应，模型控制了价格的关键结构和时间决定因素：
- **Floorno**：单元的楼层。在高层住宅中，楼层反映了垂直差异化，与开放性、隐私和减少的街道级不便相关。控制楼层有助于区分高度效应和景观效应。
- **Age**：交易时的住宅项目年龄（年份）。这个变量代表了折旧、建筑过时以及设计和质量方面的年代差异。
- **CCI**：交易月份的 Centa-City 指数。这控制了整个市场的价格变动，并使每个交易与当前市场状况保持一致。
由于因变量被指定为每可售面积的价格，因此通过建筑结构控制了单元大小。交易数据库中不一定包含关于内部装修、翻新状况、布局效率和大宗设施的详细信息。为了减少潜在的遗漏变量偏差，模型包括了项目固定效应，并依赖于项目内部的差异。因此，估计的景观溢价应解释为在可观察的结构和市场特征条件下的结果。

**市场状况分类：**
为了考察市场状态的依赖性，市场状况是根据香港特别行政区政府人口普查和统计部发布的季度实际 GDP 数据[46] 使用客观规则进行分类的。如果年度实际 GDP 增长率为负，则将该季度定义为经济衰退期（市场较弱时期）；如果增长率为正，则定义为扩张期（市场较强时期）。将此规则应用于样本期间（2015Q1–2024Q4），确定了两个经济衰退期：2019Q3–2020Q4 和 2022Q1–2022Q4。所有其余季度（2015Q1–2019Q2、2021Q1–2021Q4 和 2023Q1–2024Q4）被归类为扩张期。每个交易月份继承其对应季度的分类。提供了季度 GDP 增长率和制度分类的汇总表，以提高透明度和可复制性。

**其他单元特性：**
交易数据库并不始终报告详细的单元级别属性，如内部翻新质量、布局效率、维护状况、停车或存储设施的包含情况或大宗设施。这些特性可能会影响价格，并原则上可能与景观质量相关。为了减少潜在的遗漏变量偏差，模型包括了项目固定效应、楼层、项目年龄和月度市场控制变量（CCI），这些变量可以吸收持续的发展水平差异和时间变化的市场条件。由于样本仅限于相对同质的高层住宅项目，因此共享设施的横截面异质性进一步降低。

**3.4 计量经济模型**
基线享乐主义模型使用对数线性模型进行估计：
$$
\log(Price_i) = \log\left(\frac{Saleable_Area_i}{\text{Area}} + \beta_0 + \beta_1\cdot Floorno + \beta_2\cdot Age + \beta_3\cdot CCI + \varepsilon)
$$
其中，$ i $ 是交易索引，$ t $ 是交易月份索引，$ E_i $ 表示项目固定效应，$ \varepsilon $ 是特定误差项[55]。方程（2）代表了基线享乐主义资本化模型。在享乐主义框架内，景观类别指标的系数捕捉了在楼层、项目年龄、市场状况和项目固定效应条件下的视觉设施的隐含边际价格。由于包括了项目固定效应，因此景观溢价的识别来源于项目内部的差异，而不是项目间的价格差异。

所有模型都包括了项目固定效应，以控制时间不变的发展水平异质性；因此，六个开发项目是通过虚拟变量而不是单个综合控制变量来表示的。为了测试景观溢价是否因市场状态而异，我们分别估计了（i）对于较强市场和较弱市场的基线模型，或者（ii）一个包含交互作用的单一汇总模型：
$$
\log(Price_i) = \log\left(\frac{Saleable_Area_i}{\text{Area}} + \beta_0 + \beta_1\cdot Floorno + \beta_2\cdot Age + \beta_3\cdot CCI + \delta_{Expansion} + \varepsilon)
$$
其中，$ \delta_{Expansion} $ 是在第3.3节中定义的扩张指标，对于市场较强的月份取值为1，对于2019Q3–2020Q4和2022Q1–2022Q4的经济衰退期取值为0。每个交易月份继承其对应季度的分类。方程（3）通过允许景观属性的隐含价格在不同宏观经济状态下变化，从而测试了景观质量的边际资本化是否随经济状态而变化。百分比溢价表示为：
$$
\%Premium = (\log(\beta_3) + \delta_{Expansion})
$$
这种转换将半对数系数转换为确切的百分比溢价，便于估值实践和基于比较的调整。

由于高层建筑中的景观质量与楼层高度密切相关，也可能与项目内的朝向或微观位置相关，因此进行了多重共线性诊断。主要回归量的方差膨胀因子（VIFs）均低于常规阈值（VIF < 5），表明尽管景观和楼层高度呈正相关，多重共线性并未显著扭曲系数估计。包括项目固定效应进一步减少了由于建筑朝向、设计和共享设施质量等持续变量引起的遗漏变量偏差。这些步骤共同降低了估计的景观溢价可能重复计算高度相关或项目特定效应的风险。

**3.5 估计程序和复制工作流程**
实证工作流程遵循第3.2节和第3.3节中概述的程序。交易记录已被导入、验证，并与每月的CCI序列合并。计算了每可销售面积的价格及其对数，构建了视角类别虚拟变量（以无视角作为参考组），并根据GDP周期分类分配了市场状态指标。移除了关键变量缺失的观测值，并应用了1%的极端单位价格值修剪规则。初始数据集包含大约380笔二级市场交易。在排除了非公开市场交易或关联方交易（12笔）以及交易信息不完整的记录（9笔）后，剩余359个观测值。应用1%的修剪规则后，又移除了7笔交易，最终得到352个观测值的分析样本。为了确保透明度和可重复性，记录了从原始数据到清洁数据、修剪数据再到最终数据的连续处理步骤。

描述性统计。报告了整个样本、按视角类别以及按市场状态（强市场周期与弱市场周期）的总结统计信息。这些统计信息包括每可销售面积的交易价格均值和中位数、楼层等级以及房产年龄，还包括无视角、部分视角和完整视角类别之间的观测值分布。跨这两个维度的统计报告有助于在正式估计之前透明地比较价格强度和关键单元特征。

享乐主义估算。首先在合并样本上估计基线模型，以确定在控制楼层等级、房产年龄、CCI和房产固定效应后视角质量的平均资本化效应。通过两种互补的方式检验市场状态的依赖性：（i）对强市场和弱市场进行分组回归；（ii）包括第3.4节定义的市场状态-视角交互项的合并模型。使用特定方法将视角系数转换为百分比溢价，并附有95%的置信区间。

稳健性检验。替代的模型包括用其他变量替换原始变量，必要时添加房产固定效应，以及测试不同的市场状态定义。结果在不同模型中保持一致，支持主要发现的稳健性。

4. 结果
本节展示了估算香港高层住宅市场中视角质量隐性价格的享乐主义模型的实证发现。表2总结了合并样本以及根据GDP定义的强市场和弱市场子样本的主要回归结果，以价格作为主要因变量，并以参考模型作为对比。特别关注部分视角和完整视角指标的系数，这些系数量化了在控制楼层等级、房产年龄、月度市场条件和房产固定效应后，越来越有利的视角在交易价格中的体现程度。通过比较合并模型和特定市场模型中的这些系数，分析了视角溢价的中位数以及其资本化程度是否因市场状态而异。

4.1. 合并样本中的基线视角溢价
表2报告了合并样本的估计结果（N = 352）。结果显示，在控制结构、市场动态和房产层级异质性后，视角质量确实反映在单位价格中。在ln(avgprice)模型中，部分视角的系数为0.108（p < 0.05），完整视角的系数为0.201（p < 0.01），相对于无视角而言，部分视角单元的价格大约高出11.4%，完整视角单元的价格大约高出22.3%。完整视角相对于部分视角的隐含增量溢价约为9.7%（p < 0.05），表明市场能够区分“有视角”和“无视角”，以及不同视角质量的等级。

使用ln(price)的参考模型也得出了质量上一致的结果。在合并样本中，部分视角的溢价为0.122（p < 0.01），完整视角的溢价为0.153（p < 0.01），分别相当于大约13.0%和16.5%的溢价。ln_avgprice和ln(price)之间的差异是可以预期的，因为总价模型可能反映规模/组成效应。然而，重要的是，无论因变量定义如何，视角系数的符号和显著性都是稳定的，这强化了视角质量是一种有价格的便利设施而非建模伪象的结论。

4.2. GDP-制度异质性：“强市场周期”与“弱市场周期”
表2报告了根据GDP定义的强市场和弱市场时期的分组估计结果。这些子样本对应于第3.3节中定义的宏观经济扩张和衰退/疲软时期，用于评估视角质量的隐性价值是否因市场条件而异。结果表明，视角溢价并非在不同市场中完全不变，主要差异体现在估计系数的大小、精度和统计显著性上。在强市场时期，部分视角系数在两个子样本中均失去统计显著性，并且符号不稳定，甚至变为负值（尽管估计不精确）。这种不稳定性可能反映了当样本被划分后，房产固定效应吸收了大量横向异质性。这也可能表明，中等水平的视觉便利设施对样本组成和市场分割的敏感性高于高级（完整）视角。

综合来看，特定市场的估计结果表明，在宏观经济条件下，高级视觉便利设施（完整视角）保持了更稳健且有经济意义的价格信号，而部分视角的溢价在子样本分析中的识别精度较低。这一模式与更广泛的享乐主义文献一致，该文献指出便利设施的隐性价格可能因市场细分和经济状况而异，从而导致系数在不同样本和时间段内的不稳定[55,56]。此外，在经济低迷期间，卖方流动性限制或财务困境可能导致价格分散增加以及便利设施系数的统计精度降低。尽管样本排除了非市场交易，但卖方紧迫性的残余异质性无法完全观察到，可能部分影响了对制度差异的估计。

4.3. 控制变量和模型拟合优度
在所有模型中，控制变量的表现都较为合理。楼层等级具有小的正向边际效应，并在合并的ln_avgprice模型中具有统计显著性（0.002，p < 0.05），这与高层建筑中较高楼层与更好视野和较少街道级不便设施相关的预期一致。年龄系数在合并模型中较小且不具有统计显著性，在强市场子样本中变为正值，但在弱市场子样本中仍然不显著，在该子样本中其绝对值较大但估计不精确。这种模式表明，在宏观经济条件较为宽松的情况下，折旧效应可能更加明显，尽管各模型间的估计精度不一致。CCI在所有模型中均为正值且高度显著，表明交易价格与市场整体状况紧密相关，控制CCI对于将便利设施定价与其他价格动态分离非常重要。

模型在不同模型中的拟合度都很强。在合并样本中，相关指标的值为0.827和0.901，表明相当一部分横向价格变化可以由房产固定效应、结构属性和市场指数（CCI）解释。这些相对较高的值与主要房产的集中样本以及包含吸收房产内部异质性的固定效应是一致的。不同市场制度下的解释能力存在明显差异。在强市场子样本中，该系数上升至0.917，而在弱市场子样本中下降至0.62。这种不对称性可能反映了在不同宏观经济条件下的价格分散和交易异质性的变化。在强市场时期，定价似乎更紧密地依赖于可观察的结构和房产层级特征，使得固定效应和核心控制变量能够解释更大的价格变化。相比之下，在弱市场时期，协商价格的分散度可能更大，不确定性增加，流动性摩擦也更高，所有这些都引入了标准协变量无法捕捉的独特变化。因此，在经济低迷条件下较低的系数与价格噪声和异质性的增加是一致的。

4.4. 经济意义和启示
将拟合值反变换（其他协变量保持不变）可以清晰地排列单位价格：完整视角 > 部分视角 > 无视角。在合并样本中，隐含的单位价格分别为约25,163（无视角）、28,042（部分视角）和30,766（完整视角）（港元/平方英尺），与半对数溢价相符。在全价术语中（参考模型），相应的拟合值分别为约3,065万港元（无视角）、3,464万港元（部分视角）和3,570万港元（完整视角）。实际而言，这些数值表明视角质量可以解释高档高层住宅物业中相当大的横向价格分散。对于估值实践而言，这些结果为基于比较的调整提供了一个可审核的基准，而GDP制度比较则提醒我们不要假设单一的、不变的视角调整在明显不同的宏观经济环境中具有相同的信息价值。

5. 讨论
5.1. 主要发现
本研究旨在（i）在控制结构和市场因素后，估算与有序视角质量类别（无视角、部分视角、完整视角）相关的边际价格溢价；（ii）测试这些溢价是否因市场条件而异，表明存在状态依赖的价格效应。结果回答了这两个研究问题。
RQ1（控制条件下的视角溢价）：在以ln_avgprice为因变量的合并模型中，两种视角指标都为正且具有统计显著性，相对于无视角而言。部分视角的溢价约为11%（β = 0.108，p < 0.05），完整视角的溢价约为22%（β = 0.201，p < 0.01）。这些估计是在控制楼层等级、房产年龄、月度市场条件（CCI）和房产固定效应后得出的，表明视角质量不仅仅是一个描述性特征，而是香港高层住宅市场中系统性地定价的便利设施。溢价顺序（完整视角 > 部分视角 > 无视角）进一步支持了市场区分“完整/部分视角”和“无视角”以及不同视角质量等级的观点。

RQ2（市场条件下的状态依赖性）：按GDP定义的制度进行的分组结果表明，视角的资本化在不同市场状态下并非不变。在强市场子样本中，部分视角系数失去统计显著性并且符号不稳定；而在弱市场时期，完整视角系数保持正向且具有统计显著性（ln_avgprice的β = 0.128，p < 0.05；大约13.6%）。在强市场子样本中，虽然完整视角系数仍然为正（β = 0.122），但其估计精度降低且不具统计显著性。总体而言，证据表明便利设施定价存在部分状态依赖性：虽然完整视角的溢价在不同市场中仍然具有经济意义，但部分视角的溢价在样本划分后变得不稳定。这种模式表明，高级视觉便利设施比中级视觉便利设施更具有持久性和经济意义。

5.2. 经济意义与实践者叙述的比较
在这些估计的溢价中，考虑到高层建筑中的高基线价格水平，即使是较小的百分比差异也可能转化为显著的绝对金额。第4.4节中的拟合值比较进一步证实了隐含单位价格的单调排序（完整视角 > 部分视角 > 无视角），与半对数系数一致。行业视角强调，“视野增加了价值”，但溢价的大小取决于视野的可见性、独占性和持久性，以及视野在房屋内的使用范围（例如，主要生活区与次要空间）。例如，得克萨斯州奥斯汀的一位从业者指出，出色的视野可能使价值增加超过25%，而水景视野通常享有最高的溢价；同时强调了新开发项目中的未来视野障碍风险以及高质量视野的稀缺性作为溢价驱动因素的重要性[57]。尽管这些实践案例不能直接应用于城市中的高层建筑，因为城市形态和市场结构存在差异，但视界的定性层次（无遮挡/高质量视野 > 视界受限）与本研究有序的溢价估计一致，并支持了明确衡量视野质量对估值透明度重要的观点[58]。5.3. 为什么高层房产市场的溢价会因市场状态而有所不同？在特定市场状态下，部分视野的统计显著性减弱和丢失可能反映了行为和统计机制的共同作用。首先，中等视觉便利设施可能更具选择性，因此在市场疲软时期对价格敏感性更高。其次，将整个样本（N = 352）划分为不同市场状态子样本会降低有效变异性和统计功效。由于房地产固定效应吸收了大量横截面异质性，当样本被分割后，剩余的单个房地产内的部分视野变异可能不足以产生精确稳定的估计[59,60]。相比之下，在密集的高层建筑环境中，全视野是一种更为稀缺且具有垂直差异的便利设施，这使得其溢价在不同市场状态下更具韧性。在香港的背景下，市场状态的变化也可能通过融资和财富渠道产生影响。住房购买通常通过抵押贷款进行，信用条件或利率预期的变化可能对边缘购买者或信用受限的购房者产生不成比例的影响。较高楼层或接近顶层的单元更常被财务更为灵活的富裕家庭购买，这可能有助于在不同市场状态下稳定全视野的溢价，而部分视野的效应则对 affordability 压力更为敏感[61,62]。未来的研究可以通过估计交互项（例如，视野 × 楼层区间或视野 × 豪华等级）或通过将样本分割为高档和低档单元来更直接地探讨这些机制。5.4. 对估值实践的启示和对评估人员的实用指导这些发现对于市场比较法下的专业估值具有直接意义，该方法通过从类似物业的近期交易中推断价值并对实质性差异进行合理的、基于证据的调整来实施比较原则。在主要专业框架中——包括香港测量师协会（HKIS）、英国皇家特许测量师学会（RICS）、澳大利亚物业协会（API）和澳大利亚评估师协会（AVI）：核心指导强调（i）选择适当且足够相似的比对物业，（ii）分析和调整对价格有实质性影响的关键词汇，以及（iii）记录假设、调整逻辑和证据支持，以确保结论的透明性和可审计性（HKIS 估值标准；RICS 估值—全球标准（“红皮书”）；API 指导说明/实践标准；AVI 实践指导）[52,53]。在专业估值实践中，“视野”通常被视为一种定性描述。然而，在高层住宅项目中，同一开发项目内的视野质量可能存在显著差异，并且与楼层位置和朝向有关。如果忽略视野或假设其已被比对物业隐含地捕捉到，评估人员可能会比较不相似的物业，从而导致系统性误估——尤其是在比对证据有限或视野类别不同时。结果还表明，视野调整不应被视为固定不变的。虽然全视野的溢价相对稳健，但部分视野的效应在不同市场状态下稳定性较低。这支持了标准要求（HKIS/RICS/API/AVI）优先考虑时间接近、同一房地产内的证据，并仅在可观察的市场行为和多个指标验证的情况下进行调整[52,53,54,63]。对评估人员的实际指导（比较原则）。汇总估计表明，在其他因素不变的情况下，与零视野相比，部分视野与约+11%的单位价格溢价相关，而全视野则与约+22%的溢价相关。在基于比对的估值中，当其他相似的交易主要在视野类别上存在差异时，这些幅度可以作为初步调整基准——前提是评估人员（i）通过检查和/或可靠的验证来源明确定义并证明视野分类（零/部分/全），（ii）优先考虑同一房地产/街区内楼层位置相似的比对物业，以避免与高度和微观位置混淆，以及（iii）在可用情况下将任何应用调整与配对销售数据相互核对。鉴于分样本结果显示在不同市场状态下尤其是在部分视野方面的精度有所降低，视野调整应与时间接近和同一房地产内的比对物业进行交叉核对，并在适当的情况下使用模型辅助证据（例如，享乐估值模型（AVM）诊断）进行验证，而不是作为统一规则应用于所有市场条件[64,65]。在可比证据有限的低活动市场细分市场中，透明的基于百分比的调整系数可以为估值提供结构化和可审计的参考点。尽管本研究未采用正式的配对销售设计，但房地产内的识别策略通过隔离视野差异同时保持更广泛的位置特征不变，类似于配对销售的逻辑。更广泛地说，建筑层面的治理和物业管理质量也可能通过维护标准和监管信心效应影响住宅价值[66]。虽然这里没有进行建模，但这些制度属性可能与密集住房市场中的物理便利设施相互作用。未来的研究可以通过纳入正式的配对销售分析或为特定负担或非典型交易条件推导调整系数来扩展这一框架，进一步增强估值实践的透明度。5.5. 对未来 AI 支持的估值流程的启示尽管本研究采用了传统的享乐定价框架，但对视野质量的明确和有序测量为未来的 AI 支持的估值和可扩展的 AVM 开发提供了结构化的输入。通过将定性描述转换为具有估计价格溢价的透明、可复制的类别（第 4 节），视野可以被视为可测量的特征，而不仅仅是被邻里或房地产固定效应隐含地吸收。在实践中，这可以通过整合交易和建筑属性、地理空间和三维城市形态信息以及计算机视觉衍生的图像信号的多模态数据管道来实现，然后将得到的视野指标纳入享乐定价、梯度提升或其他机器学习模型中，同时保持经济可解释性。XAI 方法对于将 AVM 输出与比较原则和专业标准（HKIS/RICS/API/AVI）保持一致至关重要[52,53,55]。例如 SHAP 类型的分解等特征归属工具可以量化视野变量的边际贡献，检测对相关代理变量（例如楼层位置）的虚假归属，并提供可审计的决策路径。最后，观察到的状态依赖性强调了需要进行市场状态稳健的验证，包括时间分割测试、稳定性诊断和概念漂移的监控。明确测量的视野指标、享乐校准的效应大小以及可解释的机器学习诊断共同为在垂直差异化住房市场中实现可扩展和可审计的 AI 支持的估值提供了连贯的途径。5.6. 研究局限性在解释研究结果及其含义时应注意几个限制。首先，视野质量的测量必然简化了。分析将视野视为一个有序的分类变量：零视野、部分视野和全视野，这些分类是基于房源描述构建并通过地图和街道视角证据进行交叉验证的。这种方法透明、可复制，非常适合交易级别的建模，但它没有捕捉到可能也会影响价值的更细微的视觉维度，如视野宽度、深度、高度、前景遮挡、曝光度、框架或视野对未来开发的长期耐久性[67]。因此，估计的系数应被视为广泛视野类别的平均溢价，而不是对所有可能视觉属性的全面估值。其次，样本较为集中，包含来自六个主要高层住宅项目的 352 笔交易。这种集中性通过减少建筑质量和位置背景的异质性增强了内部可比性，这对于识别垂直差异化城市细分市场中的资本化模式是合适的。同时，这也限制了估计的溢价在多大程度上可以推广到香港的所有地区、住房类型或价格等级。因此，这些结果最好理解为来自顶级高层住宅环境的证据，而不是普遍适用的调整因素。第三，与大多数横截面享乐分析一样，规格无法完全消除遗漏变量的偏差。尽管模型控制了楼层位置、房地产年龄、月度市场变动和房地产固定效应，但在数据集中并未始终观察到一些特定单元的属性，如翻新质量、布局效率、维护状况、朝向或捆绑便利设施。如果这些因素与视野质量相关，它们可能会引入残余偏差。因此，估计的视野溢价应被视为稳健的条件关联，而不是严格的因果效应。未来研究通过纳入更丰富的单元级元数据或基于平面图的效率测量可以进一步增强识别能力。第四，市场状态分析依赖于 GDP 定义的较强和较弱市场时期。这种外部确定的分类增强了透明度和可复制性，但它可能无法捕捉住房市场情绪、流动性或融资条件的所有短期波动。因此，市场状态的结果最好理解为视野溢价广泛周期性变化的证据，而不是对所有时间变化市场动态的完整描述。这些限制表明在推断本研究报告的精确幅度时应适当谨慎，但它们并不削弱其核心结论：在香港的高层住宅市场中，视野质量是一个重要且系统性地计入价格的属性。相反，这些结果表明目前的估计应被视为一个透明的经验基准和进一步细化的基础。这自然引出了结论性讨论，强调了明确测量视野的重要性和使用更丰富的视觉、空间和 AI 支持的指标进行未来工作的潜力。未来的研究可以使用来自三维城市数据或计算机视觉技术的更细致的视觉指标来捕捉视野构成和遮挡风险的连续变化。6. 结论本研究考察了香港高层住宅市场中的住宅视野质量是否系统地反映在交易价格中，以及视野溢价的大小是否因宏观经济条件而变化。通过对 2015 年至 2024 年期间六个主要住宅项目中 352 笔二手交易的应用享乐定价框架，并控制楼层位置、房地产年龄、月度市场变动（CCI）和房地产固定效应，结果表明视野质量是价格形成中的统计和经济上有意义的组成部分。在汇总规格中，与零视野相比，部分视野与每可销售面积约 11% 的溢价相关，而全视野则约为 22% 的溢价。此外，全视野比部分视野具有明显的溢价增量。这些发现提供了香港特定的定量证据，表明市场在“零视野”、“部分视野”和“全视野”之间进行了系统性的区分，并且视野质量以有序且经济上连贯的方式计入价格。来自 GDP 定义的市场状态子样本的证据表明价格效应取决于市场状态。尽管全视野效应在不同市场状态下保持 positive，但在宏观经济疲软时期，特别是对于部分视野，估计的溢价识别精度降低。这种模式表明，便利设施的定价并非在整个周期内完全不变。对于估值实践而言，这意味着视野调整不应在所有市场状态下机械地作为固定百分比应用。相反，评估的稳健性可能依赖于对市场状态有意识的证据、时间接近的比对物业以及仔细调和调整幅度。从专业估值的角度来看，这些发现直接体现了比较原则。在垂直差异化的住房市场中，同一房地产内的视野质量可能存在显著差异，不能仅通过楼层位置或位置来可靠地代理。如果假设视野被比对物业隐含地包含而未明确识别和调整，比较过程可能会有不一致的应用和降低的可审计性。本研究估计的基于百分比的溢价提供了一个透明且基于经验的基准，可以在缺乏真正相同视野的比对物业时补充销售比较网格。结果为将视野指标整合到 AI 支持的估值系统中建立了透明的经验基础。因为估计的溢价是可解释和有序的（零 < 部分 < 全部），它们为计算机视觉和地理空间方法提供了实用的校准基准，这些方法被纳入 AVM 中。通过 XAI 工具支持的特征归因工具（如 SHAP 类型分解）可以量化视野变量的边际贡献，检测对相关代理变量（例如楼层位置）的虚假归属，并提供可审计的决策路径。最后，观察到的状态依赖性强调了需要进行市场状态稳健的验证，包括时间分割测试、稳定性诊断和概念漂移的监控。总之，明确测量的视野指标、享乐校准的效应大小和可解释的机器学习诊断为实现可扩展和可审计的 AI 支持的估值提供了连贯的途径。5.6. 研究局限性在解释研究结果及其含义时应牢记几个限制。首先，视野质量的测量必然简化了。分析将视野视为一个有序的分类变量：零视野、部分视野和全视野，这些分类是根据房源描述构建并通过地图和街道视角证据进行交叉验证的。这种方法透明、可复制，非常适合交易级别的建模，但它没有捕捉到也可能影响价值的更细微的视觉维度，如视野宽度、深度、高度、前景遮挡、曝光度、框架或视野对未来开发的长期耐久性[67]。因此，估计的系数应被视为广泛视野类别的平均溢价，而不是对所有可能视觉属性的全面评估。其次，样本相对集中，包括来自六个主要高层住宅项目的 352 笔交易。这种集中性通过减少建筑质量和位置背景的异质性增强了内部可比性，这适用于识别垂直差异化城市细分市场中的资本化模式。同时，它也限制了估计溢价在多大程度上可以推广到香港的所有地区、住房类型或价格等级。因此，这些结果最适合作为来自顶级高层住宅环境的证据，而不是普遍适用的调整因素。第三，与大多数横截面享乐分析一样，规格无法完全消除遗漏变量的偏差。尽管模型控制了楼层位置、房地产年龄、月度市场变动和房地产固定效应，但是一些单元特定的属性（如翻新质量、布局效率、维护状况、朝向或捆绑便利设施）在数据集中并未一致观察到。如果这些因素与视野质量相关，它们可能会引入残余偏差。因此，估计的视野溢价应被视为稳健的条件关联，而不是严格的因果效应。未来研究通过纳入更丰富的单元级元数据或基于平面图的效率测量可以进一步增强识别能力。第四，市场状态分析依赖于 GDP 定义的较强和较弱市场时期。这种外部确定的分类增强了透明度和可复制性，但它可能无法捕捉住房市场情绪、流动性的所有短期波动或融资条件的所有变化。因此，市场状态的结果最好理解为视野溢价广泛周期性变化的证据，而不是对所有时间变化市场动态的完整描述。这些限制表明在推断本研究报告的精确幅度时应保持适当的谨慎，但它们并不削弱其中心结论：在香港的高层住宅市场中，视野质量是一个重要且系统性地计入价格的属性。相反，它们表明目前的估计应被视为一个透明的经验基准和进一步细化的基础。这自然引出了结论性讨论，强调了明确测量视野的重要性和使用更丰富的视觉、空间和 AI 支持的指标进行未来工作的潜力。未来的研究可以使用来自三维城市数据或计算机视觉技术的更细致的视觉指标来捕捉视野组成和遮挡风险的连续变化。6. 结论本研究考察了香港高层住宅市场中的住宅视野质量是否系统地反映在交易价格中，以及视野溢价的大小是否因宏观经济条件而变化。通过对 2015 年至 2024 年期间六个主要住宅项目中 352 笔二手交易的应用享乐定价框架，并控制楼层位置、房地产年龄、月度市场变动（CCI）和房地产固定效应，结果表明视野质量是价格形成中的统计和经济上有意义的组成部分。在汇总规格中，与零视野相比，部分视野与每可销售面积约 11% 的溢价相关，而全视野则约为 22% 的溢价。此外，全视野比部分视野具有明显的溢价增量。这些发现提供了香港特定的定量证据，表明市场在“零视野”、“部分视野”和“全视野”之间进行了系统性的区分，并且视野质量以有序和经济上连贯的方式计入价格。来自 GDP 定义的市场状态子样本的证据表明价格效应取决于市场状态。尽管全视野效应在不同市场状态下保持 positive，但在宏观经济疲软时期，特别是对于部分视野，估计的溢价识别精度降低。这种模式表明，便利设施的定价并非在周期内完全不变。对于估值实践而言，这意味着视野调整不应在所有市场状态下机械地作为固定百分比应用。相反，评估的稳健性可能依赖于对市场状态有意识的证据、时间接近的比对物业以及仔细调和调整幅度。从专业估值的角度来看，这些发现直接体现了比较原则。在垂直差异化的住房市场中，同一房地产内的视野质量可能存在显著差异，不能仅通过楼层位置或位置来可靠代理。如果假设视野被比对物业隐含地包含而不是明确识别和调整，比较过程可能会有不一致的应用和降低的可审计性。本研究估计的基于百分比的溢价提供了透明的、基于经验的基准，可以补充销售比较网格，特别是在真正相同视野的比对物业有限的情况下。结果为将视野指标整合到 AI 支持的估值系统中建立了透明的经验基础。因为估计的溢价是可解释和有序的（零 < 部分 < 全部），它们为计算机视觉和地理空间方法提供了实用的校准基准，这些方法被纳入 AVM 中。将可测量的视野特征嵌入机器学习工作流程中——并得到 XAI 工具的支持以审核边际贡献——可以提高预测准确性和治理透明度。然而，市场状态的敏感性强调了在市场状态之间进行稳定性测试的必要性，以避免时间过拟合和概念漂移。第 2.2 节中概述的 ML/XAI 框架提供了可行的整合路径，尽管未来的研究仍需要实证验证。更广泛地说，通过提供一个来自典型密集、高层、以交通为导向的亚洲城市的享乐证据，本研究有助于解决视野溢价文献中中长期存在的地理和形态学差距，该文献主要集中在低密度、地块级别的背景下。因此，这些发现与位于垂直差异化城市环境中的全球住房财富的显著和增长份额直接相关。这些发现的影响超出了估值实践的范畴。对于城市规划和设计而言，结果提供了证据，表明影响建筑高度控制、退后的距离、天际线管理和视野走廊保护的决策可以显著重新分配住宅价值。在政策与基础设施治理方面，认识到视觉景观的可观经济价值有助于对密集城市中的规划干预措施进行更加透明的成本效益分析。此外，通过研究视野价值的周期性变化，该研究为关于依赖区域特征的景观定价机制以及高密度住房市场中跨周期评估稳定性的现有文献做出了贡献。未来的研究应改进测量方法，超越简单的分类方式，纳入视野组成、视角开阔度、遮挡风险以及动态天际线变化等因素；将分析范围扩展到更多子市场和物业类型；并采用更复杂的交互模型来增强对周期性差异的预测能力。这些改进将共同推动建成环境分析、享乐主义理论及人工智能辅助评估方法在密集城市环境中的融合发展。