2022年被拆迁人缔约意愿与搬迁意愿实证 .pdf

《2022年被拆迁人缔约意愿与搬迁意愿实证 .pdf》由会员分享，可在线阅读，更多相关《2022年被拆迁人缔约意愿与搬迁意愿实证 .pdf（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1 拆迁户的缔约意愿与搬迁意愿实证研究对杭州市即将面临拆迁的拆迁户的调查摘要与告白 本文依据个体行为选择的效用最大化原则，采用调查问卷的方式，通过回归分析，找出了一些影响拆迁户缔约意愿与搬迁意愿的重要影响因素。并分别构建了拆迁户缔约意愿与搬迁意愿的预测模型。本调查的实证分析结果不仅可以为相关政府部门提供有说服力的参考依据，而且对后续研究具有相当的学术参考。Empirical Study of Willingness of Contracting and Removal of the People to be Relocated Survey for the People to be Reloc

2、ated in Hangzhou City JIA Sheng-hua LUO Yan-fa WEN Hai-zhen Abstract: The issues about relocation of townish building are important issues for academic study. Because of the particularity of the issues, the empirical study of these issues is few. Based on the Principle of Utility Maximization for in

3、dividual behavior choice, by the means of questionnaire, through the regression analysis, some important factors impacting the willingness of contracting or removal of the people which should be relocated are found out in this paper. And, the models for forecasting the willingness of contracting or

4、removal of the ones which should be relocated are provided. The results of the empirical study can be not only supplied to government for relevant policies-making, but also valuable for further studies. 贾生华浙江大学管理学院教授，博导，副院长罗延发浙江大学管理学院博士研究生温海珍浙江大学建工学院讲师，博士在我国，城市房屋拆迁问题备受关注。在学术界，城市房屋拆迁问题也引起了相关领域的许多研究者的

5、重视。然而，对城市房屋拆迁问题进行实证研究的努力仍显不足，并且现有的实证研究主要集中于个案研究，鲜见基于统计调查数据的实证研究。并且，由于我国与西方发达国家在物权等方面法制上的差异，几乎没有类似的国际经验研究可供借鉴。宪法修正案在第十届全国人大第二次会议上通过后，人们对私有财产的保护意识得以加强，这在拆迁户身上表现得尤为明显。尽管近年来我国城市房屋拆迁的法制环境正逐步改善，但从媒体的报道来看，拆迁户不愿意与拆迁人（取得房屋拆迁许可证的单位）签订拆迁协议的情况却越来越多，并且拆迁户在拆迁期限内没有搬迁的情况也屡屡出现。因此，针对即将面临拆迁的拆迁户，将他们的缔约意愿（与拆迁人在拆迁公告所规定的限

6、期内签订拆迁协议的意愿）与搬迁意愿（在搬迁期限内迁离被拆迁房屋的意愿）作为研究对象，应当是一项社会意义和政策蕴意的研究。本项研究通过问卷调查的方式采集样本数据。调查对象限于即将面临拆迁的拆迁户。所谓“即将面临拆迁的拆迁户”，是指所拥有的房屋已明确地被划入了拆迁区域的拆迁户。并且，这些拆迁户已获知拆迁公告的内容，即包括了拆迁人、拆迁期限等相关重要信息。特别是，本项研究所选择的调查对象对其他拆迁利益相关主体（拆迁人、政府拆迁活动管理部门与拆迁评估单位等）的行为已有一定程度的感知。本研究的调查范围限于杭州市市区。本研究的目的主要有两个：其一，找出一些影响拆迁户缔约意愿与搬迁意愿的因素；其二，建立对拆

7、迁户缔约意愿与搬迁意愿有一定预测能力的模型。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 11 页 - - - - - - - - - 2 一、理论模型与样本描述对于即将面临拆迁的拆迁户，在面对缔约行为与搬迁行为决策时，目的在于效用最大化。根据效用最大化的假设，我们可以构建拆迁户缔约（搬迁） 行为的一种理论模型。不妨设拆迁户缔约（搬迁）的行为可能带来的收益为BENEFIT1，可能带来的损失为COST1；而拆迁户不缔约（不搬迁）的行为可能带来的收益为BENEFIT0，可能

8、带来的损失为COST0。令NB1BENEFIT1COST1，NB0BENEFIT0COST0，则有：当 NB1NB0时，被访者的缔约（搬迁）意愿表现为“愿意”；当NB1NB0时，被访者的缔约（搬迁）意愿表现为“不愿意”；当NB1=NB0时，被访者的两种缔约（搬迁）意愿无差异。作为拆迁户中的一员，被访者的缔约（搬迁）意愿的影响因素可以划分为两大类。第一类是被访者的个人特征与拆迁户的家庭特征，第二类是缔约（搬迁）行为相关特征。被访者的个人社会经济特征主要包括：性别、年龄、教育程度等，拆迁户的家庭特征是指拆迁户家庭自身的社会经济特征，主要包括家庭总人口、家庭年总收入、家庭住宅的居住面积、家庭所拥有的

9、被拆迁房屋相关特征等；行为相关特征包括：被访者对相关政策法规的熟悉程度、被访者对拆迁活动相关信息的掌握程度、被访者对其他拆迁利益相关主体（如政府相关部门、拆迁人、拆迁评估机构等）有关的态度、被访者对各种不同行为所引发后果的预期等。这两类特征变量都可能对BENEFIT1、COST1、BENEFIT0与COST0等四个变量发生影响，从而对NB1与NB0发生影响。在这两类特征中，第一类特征是较为稳定的变量。而在第二类特征中，有许多变量反映了一种态度或预期，这些变量本身更容易随着时间的变化而变化，因此属于更为动态的变量。本项研究预备采用Logisitc模型进行数据的分析和处理。研究采用了问卷调查的方式

10、，调查时间为 2004 年 45 月，问卷发放地包括浙江省第十一届房地产博览会（房博会）现场、杭州市上城区小营街道老浙大社区、杭州市上城区湖滨街道东坡路社区等三处。对两个被调查社区的选择，是依据本研究对调查对象选择要求而确定的，因为这两个社区都已被明确地划入了拆迁区域，且住户都了解这一信息。在房博会现场，我们采取挡截式问卷调查的方式，所采用的抽样方法是简单随机抽样方法。在两个被调查的社区内，我们在社区工作人员的协助下，采取了以入户调查为主的多种调查方式，抽样方法则以拆迁户寓所为依据的等距抽样方法。在本次问卷调查中，我们在房博会现场发放问卷30份，回收 28 份，其中有效问卷22 份；在老浙大社

11、区，发放问卷100 份，回收 69 份，其中有效问卷43 份；在东坡路社区，发放问卷200 份，回收 194 份，其中有效问卷136 份。本次调查共发放问卷330 份，回收291 份，回收率为88.2%，其中有效问卷共为201 份，问卷回收有效率为69.1%。本项研究所采用的统计分析软件是SPSS12.0。表 1 为本次调查的被访者个人与家庭特征变量的一般性统计。表 1 被访者个人与家庭特征变量统计表性别年龄学历家庭总人口数家庭总年收入家庭住宅居住面积被拆迁房屋的用途被拆迁房屋使用状况被拆迁房屋的房龄项目有效回答数量196 195 197 200 197 196 200 199 140 项目无

12、回答数量5 6 4 1 4 5 1 2 61 均值4.74 2.25 3.23 2.54 2.20 3.69 标准差1.20 1.09 1.12 1.46 0.99 1.14 方差1.45 1.18 1.26 2.12 0.98 1.31 偏度-0.93 0.43 -0.06 0.76 0.87 -0.62 最小值0(女性 ) 1 1 1 1 1 1(居住 ) 1(自用 ) 1 最大值1(男性 ) 6 4 5 6 5 2(商用 ) 2(出租 ) 5 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - -

13、 - - 第 2 页，共 11 页 - - - - - - - - - 3 从上表来看，被访者的个人与家庭特征变量中的数值型变量没有出现较为严重的偏态分布，这说明我们的调查对象在这些特征上的抽样是具备代表性的。此外，从性别方面看，被访者中男性与女性比例为1.12:1。但是，在被拆迁房屋使用状况方面，被访者的被拆迁房屋使用状况绝大多数为“自用”，并且被访者在“被拆迁房屋用途”特征方面的分布上“居住用途”占84.5%。可见，被访者在这两个特征方面上的分布不太理想。二、统计资料的缺失值处理利用 SPSS12.0中的“缺失值处理” （Missing V alue Analysis, MV A）模块对我

14、们的问卷中所设置的各变量进行分析后发现：对于所有的我们需要分析的变量，大部分存在某些项目无回答的情况（项目无回答）； 在所有的有效的调查问卷中，约半数的被访者存在部分项目无回答的情况（单位无回答） 。但这两种情况并不算非常严重。对有效调查问卷而言，在项目无回答的情况中，绝大多数的项目无回答率在10以内，无回答现象最严重项目的无回答率为30.3（参见表2） ；在单位无回答的情况中，大多数存在无回答项目的被访者的无回答率也在10以内，无回答现象最严重的被访者的无回答率为37.9。为了确定是否需要对调查问卷无回答情况进行补救，我们需要了解该问卷调查结果的数据缺失特征。对数据缺失特征的描述，最重要的是

15、要考察数据的缺失值机制。数据的缺失值机制包括三种：完全随机缺失（Missing Completely At Random, MCAR）、随机缺失（Missing At Random, MAR）与非随机缺失（ Not Missing At Random, NMAR）。如果数据缺失的概率既不依赖于观测值也不依赖于缺失值，则数据缺失状态属于MCAR ；如果数据缺失的概率仅仅依赖于观测值，那么数据缺失状态属于 MAR ；而如果数据缺失的概率既依赖于观测值又依赖于缺失值，那么数据缺失状态属于NMAR ，这种缺失状态又被称为不可忽视缺失（Paul T. von Hippel, 2004 ；曹阳等， 200

16、3）。对于数据缺失状态是否属于 MCAR ， Little 提出了一种检验方法，即Little 检验。 SPSS12.0的 MVA 模块提供了 Little 检验的功能。我们将需要分析的22个变量（其中包括19个数值型变量与3个分类型变量）进行了缺失值分析， LittleMCAR 检验的结果为：Chi-Square=1335.845，df=1249 ，Sig.=0.043。检验结果表明，本项研究的数据缺失状态属于MCAR 的假设在统计意义上不成立。这就意味着，列表删除、配对删除或均值置换等数据处理方式，都不是一种好的选择（SPSS Inc, 2002）。除了列表删除与配对删除，MVA 模块还提

17、供了另外两种缺失值处理方法：期望最大化（EM ）方法与回归方法。 这两种方法都是基于插补技术与似然率，并都更适用于非MCAR 的缺失。由于 MVA模块所利用的回归模型参数是由配对删除方法获得的，因此其回归插补方法也会产生较为明显的偏误。此外，回归方法中可能存在大量的可能回归元，而回归元本身又可能存在缺失值（Paul T. von Hippel, 2004）。这些问题对于本项研究中的统计数据显得较为突出。因此，我们采用EM 方法来对数据进行插补。在进行EM插补时，假设是各变量是正态分布的，并将所有数值型变量进入EM 估计。表2描述了被引入研究的各变量的缺失值与极值的统计情况。名师资料总结 - -

18、 -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 11 页 - - - - - - - - - 4 表2 各变量缺失值与极值情况统计表变量名回答数量均值经 EM 估计后的均值标准差经 EM 估计后的标准差缺失值极值数量数量百分比Min. Max. 行为相关特征变量对合法合理的拆迁上访的态度192 1.65 1.65 1.03 1.03 9 4.48 0 3 对拆迁政策法规的不熟悉程度196 3.32 3.31 1.03 1.03 5 2.49 7 0 拆迁政策法规的不合理程度186 3.29

19、3.30 0.87 0.88 15 7.46 3 0 与其他拆迁户之间的交流程度146 3.63 3.67 1.42 1.47 55 27.36 0 0 本次拆迁相关信息的掌握程度186 3.57 3.58 1.04 1.05 15 7.46 5 0 本拆迁区域开发后的增值大小155 1.51 1.51 0.74 0.74 46 22.89 0 5 拆迁活动中政府行为的不规范程度177 3.34 3.35 0.78 0.79 24 11.94 1 0 拆迁活动中拆迁人的不规范程度182 3.56 3.57 0.82 0.81 19 9.45 0 0 拆迁过程中评估行为的不规范程度173 3.2

20、9 3.29 0.74 0.73 28 13.93 3 0 拆迁人不诚信的程度159 3.48 3.44 0.78 0.78 42 20.90 1 0 对拆迁户之间补偿不平等的预期174 3.64 3.63 0.91 0.92 27 13.43 3 0 拆迁双方利益协调的难易程度183 2.25 2.24 0.94 0.94 18 8.96 0 5 对本次拆迁中 “ 钉子户 ” 的待遇预期160 2.84 2.87 1.21 1.22 41 20.40 0 0 个人与家庭特征变量被访者性别196 5 2.49 被访者的年龄195 4.74 4.75 1.20 1.20 6 2.99 3 0 被

21、访者的受教育程度197 2.25 2.25 1.09 1.09 4 1.99 0 0 被访者家庭总人口数200 3.23 3.22 1.12 1.12 1 0.50 16 0 被访者家庭总年收入197 2.54 2.53 1.46 1.46 4 1.99 0 15 被访者家庭住宅的居住面积196 2.20 2.19 0.99 0.99 5 2.49 0 5 被拆迁房屋的房龄140 3.69 3.74 1.14 1.14 61 30.35 0 0 被拆迁房屋的用途200 1 0.50 被拆迁房屋的使用状况199 2 1.00 因变量被访者的缔约意愿201 0 0.00 被访者的搬迁意愿201 0

22、 0.00 三、拆迁户缔约意愿与搬迁意愿的影响因素分析我们利用 EM 方法对问卷中的缺失值进行插补后，重新获得了一份对于数值型变量而言是完整的统计结果。首先我们将分析拟研究变量中各变量对拆迁户缔约意愿与搬迁意愿的影响是否显著。为此，我们利用SPSS12.0中的 Logistic 回归方法来检验各变量对拆迁户缔约意愿与搬迁意愿影响的显著性。对于一个调查对象，其缔约意愿与搬迁意愿是很有可能不同的。譬如，在现实中经常存在这样的一种情况：拆迁户与拆迁人在拆迁公告所规定的期限内签订了拆迁协议，而却没有在搬迁期限内迁离被拆迁房屋。我们在本研究中，不考虑拆迁户缔约意愿与搬迁意愿的相互影响，而仅仅将这两者独立

23、地作为因变量进行处理。1、拆迁户缔约意愿的影响因素分析先分析拆迁户缔约意愿的影响因素。在分析中，将拆迁户的缔约意愿作为因变量，其他所有的22个变量作为自变量，进入模块进行Logistic 回归分析。由于仅仅是检验各自变量对因变量影响的显著性，故设置的回归方法为变量全部进入方式。经软件分析后，对模型整体拟合度的检验结果为：Chi-square78.681，df22，Sig.0.000。分析结果表明，该模型的整体检验通过。软件分析结果名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页

24、，共 11 页 - - - - - - - - - 5 中对因变量有显著影响的变量统计结果见表3 （本表仅列出有显著影响的自变量统计量；显著性包含了95%与90%两种置信区间内的显著性水平）。表3 对拆迁户缔约意愿有显著影响的变量统计表变量名B S.E. Wald df Sig. Exp(B) 95.0% C.I. for EXP(B) Lower Upper 被拆迁房屋的用途* -0.65 0.35 3.42 1 0.064 0.52 0.26 1.04 拆迁活动中拆迁人的不规范程度* -1.17 0.46 6.50 1 0.011 0.31 0.13 0.76 对拆迁户之间补偿不平等的预期

25、* -1.29 0.39 10.93 1 0.001 0.27 0.13 0.59 被访者的年龄 * 0.75 0.24 9.81 1 0.002 2.11 1.32 3.37 被访者的受教育程度* 0.48 0.25 3.83 1 0.050 1.62 1.00 2.62 被访者家庭的总人口数* 0.55 0.23 5.88 1 0.015 1.73 1.11 2.68 * 变量的影响在 90%的置信区间内显著；* 变量的影响在 95%的置信区间内显著。从上表中可以发现，在95%的置信区间内，“拆迁活动中拆迁人的不规范程度”、“对拆迁户之间补偿不平等的预期”、“被访者的年龄”、“被访者的受教

26、育程度”、“被访者家庭的总人口数”四个变量对拆迁户缔约意愿的影响显著；在90%的置信区间内，除了上述的四个变量，“被拆迁房屋用途”变量也对拆迁户缔约意愿产生较为显著的影响。（1）被访者的年龄对其缔约意愿有非常显著的正向影响，这就意味着被访者年龄越大，其缔约意愿也越强。这或许有违我们的直觉，因为在我们的印象中，最不愿意签订拆迁协议的拆迁户通常是老年人。我们可以从另一个角度来理解这一现象。由于即将面临拆迁的拆迁户一般不太可能改变房屋被拆迁的最终结果，因此，调查对象缔约意愿在很大的程度上受到其风险规避度的影响。风险规避度方面的差异或许是这一结果的一个解释。根据我们的访谈情况，通常拆迁户中个体的年龄越

27、大，越担心受到由未按时缔约所带来的不利后果，即其风险规避度也越大。（2）被访者的受教育程度对其缔约意愿有很显著的正向影响，即被访者的受教育程度越高，其缔约意愿也越强。（3）被访者的家庭总人口数越多，其缔约意愿也越强。这同我们的直觉显然是相悖的。国务院2001年颁布的城市房屋拆迁管理条例，相对于1991年颁布的旧条例，其补偿标准发生了从“按人头补偿”向“按砖头补偿”（按市场价补偿）的转变，这在新条例颁布伊始曾引起过家庭总人口数较多的拆迁户的极度不满。从我们调查结果看，“按砖头补偿”的补偿原则应该已深入人心。（4）拆迁活动中拆迁人的不规范程度越高，拆迁户的缔约意愿也就越低。（5） “对拆迁户之间补

28、偿不平等的预期”对其缔约意愿有非常显著的负向影响，而且这种影响程度很深（B值的绝对值较大）。这就是说，当拆迁户认为拆迁补偿或安置在拆迁户之间越是不平等，他们的缔约意愿也就越低。这与我们的直觉完全相符。这是我国传统的“不患贫只患不均”观念的一种体现。（6）“被拆迁房屋的用途”对拆迁户缔约意愿也产生了一种较为显著的影响，即被拆迁房屋越是作为商业用途，则拆迁户的缔约意愿也就越低。这与我们的直觉也非常相符。这是因为，商业用途房屋的拆迁对拆迁户造成的损失显然更大，而杭州市对“住改非”问题的解决方式一直备受责难，尤其是对于许多未能享受到“住改非”拆迁补偿优惠的拆迁户而言，他们的缔约意愿自然会受到影响。2、

29、拆迁户搬迁意愿影响因素分析再分析拆迁户搬迁意愿的影响因素。将因变量设为拆迁户的搬迁意愿，其他的设定不变。经软件分析后，对模型整体拟合度的检验结果为：Chi-square56.831，df22，Sig.0.000。分析结果表明，该模型的整体检验通过。分析结果中对因变量有显著影响的变量统计结果见表4（同样，该表仅列出有显著影响的自变量统计量；显著性水平的置信区间包含了95%与90%两种置信区间）。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 11 页 - - - - - -

30、 - - - 6 表4 对拆迁户搬迁意愿有显著影响的变量统计表变量名B S.E. Wald df Sig. Exp(B) 95.0% C.I. for EXP(B) Lower Upper 对合法合理的拆迁上访的态度* 0.84 0.36 5.56 1 0.018 2.32 1.15 4.68 被拆迁房屋的房龄* -0.40 0.23 2.97 1 0.085 0.67 0.42 1.06 与其他拆迁户之间的交流程度* 0.35 0.19 3.49 1 0.062 1.42 0.98 2.05 拆迁活动中政府行为的规范程度* -0.67 0.40 2.79 1 0.095 0.51 0.23

31、1.12 对拆迁双方利益协调难度的态度* 0.45 0.21 4.32 1 0.038 1.56 1.03 2.38 对本次拆迁中“钉子户”的待遇预期* -0.37 0.22 2.94 1 0.086 0.69 0.45 1.05 被访者的年龄 * 0.57 0.20 8.27 1 0.004 1.77 1.20 2.61 * 变量的影响在 90%的置信区间内显著；* 变量的影响在 95%的置信区间内显著。从上表中我们发现，有三个变量对拆迁户搬迁意愿产生非常显著的影响，另有四个变量对拆迁户搬迁意愿产生较为显著的影响。这一结果与拆迁户缔约意愿的影响因素存在较大的差异。（1）被访者年龄越大，其搬迁

32、意愿越强。同缔约意愿的影响因素一样，风险规避度可能是这一结果的一个解释。（ 2）被访者对合法合理的拆迁上访越持支持态度，则其缔约意愿越弱，这同直觉颇为相符。值得注意的是，与其他许多大城市不同的是，杭州市民间“拆迁上访团”的大量存在，使得拆迁户对拆迁上访态度的支持可以落到实处，因此，被访者的这一态度不容忽视。（3）如果被访者对拆迁户与拆迁人之间的利益协调难度越大，则其搬迁意愿表现得越弱，这也与我们的直觉相符。显然，如果拆迁户认为拆迁活动中与拆迁人很难达到“双赢”，那么拆迁户就更不愿意在搬迁期限内搬迁。（4）“被拆迁房屋房龄”对拆迁户搬迁意愿有比较显著的负向影响，即被访者所拥有的被拆迁房屋的房龄越

33、长，其搬迁意愿反而越弱，这在一定程度上有违我们的直觉。通过比较“被拆迁房屋房龄”与“家庭总年收入”两者之间的关系，我们发现两者之间存在显著的负相关关系。因此，对于被拆迁房屋房龄越长的拆迁户，由于其家庭的经济状况较差，希望通过拆迁改善家庭居住条件的期望也越高，从而导致其搬迁意愿也越弱。然而，这种解释的不足在于我们发现拆迁户家庭总年收入并没有直接对搬迁意愿产生显著的影响。（5）如果拆迁户与其他拆迁户的交流程度越高，则其搬迁意愿也越弱。由于与其他拆迁户交流程度加强后，信息不对称的问题在很大的程度上得到了解决，这就坚定了拆迁户之间决定不搬迁的“合作”。并且，“法不责众”的传统观念进一步强化了拆迁户不愿

34、按时搬迁的想法。（6）“拆迁活动中政府行为的不规范程度”对拆迁户搬迁意愿有比较显著的负向影响，这意味着如果拆迁户认为拆迁活动中政府行为越不规范，其搬迁意愿越弱。这可以从另一个角度进行解释：拆迁户不愿按时搬迁，是拆迁户对政府相关部门在拆迁活动中的不规范行为“宣示不满”的一种表现。（7）如果拆迁户个体对本次拆迁中“钉子户”的预期越高（认为“钉子户”最终所获得的收益越大），则其搬迁意愿也越弱，这与直觉相符。四、拆迁户缔约意愿与搬迁意愿初始预测模型在前面部分，尽管我们分析了拆迁户缔约意愿与搬迁意愿的影响因素，但如果我们要对拆迁户的缔约意愿与搬迁意愿进行预测，我们就必须分别构建他们的预测模型。下面，我们

35、首先将前面的所有自变量作为预测因子，利用软件中对预测因子自我选择的功能进行预测因子，来分别建立对拆迁户的缔约意愿与搬迁意愿有一定预测能力的模型。1、拆迁户缔约意愿Logit 预测模型我们将拆迁户的缔约意愿作为因变量，其他所有的22个变量作为自变量，送入模型进行分析。在分析中，设置的回归方法为前向逐步选择进入法。变量进入模型的最大概率值为0.05，变量被模名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 11 页 - - - - - - - - - 7 型剔除的最小概率值为0

36、.10，这就保证了进入模型的自变量的影响显著性水平置信区间为95%。经七步回归过程，回归后模型的整体拟合度检验结果为：Chi-square92.974，df7，Sig.0.000。包含所有变量的模型拟合效果的检验结果为：-2ll（ -2Log likelihood ） 177.353，Cox & Snell R2 0.379，Nagelkerke R20.506。这说明该模型的整体解释力达到50.6%。统计结果还表明，该模型的预测准确率为 76.4%。表 5是经七步回归后进入方程的变量相关统计表。表5 经七步回归后进入方程的变量相关统计表变量名B S.E. Wald df Sig. Exp(B

37、) 95.0% C.I. for EXP(B) Lower Upper 与其他拆迁户之间的交流程度0.28 0.12 5.02 1 0.025 1.32 1.041.69拆迁活动中拆迁人的不规范程度-1.39 0.37 13.93 1 0.000 0.25 0.120.52拆迁人不诚信的程度0.83 0.40 4.29 1 0.038 2.30 1.055.06对拆迁户之间补偿平等性预期-1.06 0.29 13.59 1 0.000 0.35 0.200.61被访者的年龄0.73 0.17 19.17 1 0.000 2.07 1.502.87被访者的受教育程度0.45 0.18 6.04

38、1 0.014 1.57 1.102.25被访者家庭的总人口数0.50 0.15 10.43 1 0.001 1.64 1.212.22将表 5与表 3的结果进行比较，可以发现，表3中对拆迁户缔约意愿有显著影响的某些变量（如“被拆迁房屋用途”） 并没有进入预测模型，而另外却有些未进入表3的变量却进入了该模型（如“与其他拆迁户之间的交流程度”、“拆迁人不诚信的程度”）。这在统计学意义上属于正常，因为在表3中的自变量之间可能存在共线性的问题。被访者与其他拆迁户之间的交流程度越高，其缔约意愿越弱，这符合我们的直觉。对此的解释与该变量影响拆迁户搬迁意愿的解释类似。表5中一个难以解释的结果是，拆迁人不诚

39、信的程度越高，拆迁户的缔约意愿反而表现得越强。这是常识很难解释的。但是，根据本文后面因子分析的结果，拆迁人诚信度与其他的一些变量经因子分析后，所反映出来的影响方向是符合常识的。因此，或许是由于各种影响因素之间复杂的交互效应，使得统计处理出现了偶然的事故。2、拆迁户搬迁意愿Logit 模型分析我们将拆迁户的缔约意愿作为因变量，其他自变量同前，设置的回归方法也同前。经四步回归过程，回归后模型的整体拟合度检验结果为：Chi-square72.689，df4，Sig.0.000。包含所有变量的模型拟合效果的检验结果为：-2ll 197.638，Cox & Snell R20.311，Nagelkerk

40、e R20.415。可见该模型的整体解释力为41.5%。此外， 该模型的预测能力为72.8%。表6是经四步回归后进入方程的变量相关统计表。表6 经四步回归后进入方程的变量相关统计表B S.E. Wald df Sig. Exp(B) 95.0% C.I. for EXP(B) Lower Upper 对合法合理的拆迁上访所持的态度0.640.247.4510.0061.901.203.02与其他拆迁户之间的交流程度0.250.124.8110.0281.291.031.61拆迁活动中政府行为的不规范程度-0.88 0.1921.5610.0000.410.280.60被访者的年龄0.440.1

41、311.5910.0011.551.201.98比较表 6与表 4后可以发现，不仅在表4中出现的一些变量未进入该模型，甚至有个别并没有在表4中出现的变量也进入了该模型（如“对拆迁户之间补偿不平等的预期”）。这也是共线性造成的问题。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 11 页 - - - - - - - - - 8 3、对两个初始预测模型的评价拆迁户缔约意愿与搬迁意愿初始预测模型具备两个作用：其一，可以通过对进入模型的这些自变量的测量，就可以对拆迁户的缔约意愿与

42、搬迁意愿进行简单的预测；其二，可以发现对拆迁户的缔约意愿与搬迁意愿有显著影响的因素，因此这些模型在一定程度上为政府相关部门或拆迁人指明了努力的方向，即那些通过努力就可以显著改善拆迁户缔约意愿与搬迁意愿的因素。要指出的是，我们并不能认为未出现在模型中的变量对拆迁户的缔约意愿与搬迁意愿就没有显著的影响，这不是因为这些模型的解释力不高或预测准确率不高，而是因为在这些自变量之间所存在的共线性问题。共线性问题的存在，为我们对评价自变量的贡献率带来了困难。另外，由于在这两个初始模型中都包括了常数项，从这两个模型中的常数项来看，相对于我们需要进行研究的自变量，常数项的 B值都较高。 尽管它们的常数项的显著性

43、水平都不高。这从另一方面说明这两个模型所存在的问题。五、数据化简后的拆迁户缔约意愿与搬迁意愿预测模型为了解决拆迁户缔约意愿与搬迁意愿初始预测模型中的共线性问题，我们拟对行为相关特征变量进行因子分析，对数据进行简化。行为相关特征变量主要涉及到个体的态度与预期，而态度与预期的各种变量之间存在复杂的交互效应，这种交互效应影响我们对更为抽象的某些态度维度的认识。另外，本研究所选取的个人与家庭特征变量很难被提炼出可供解释的具体因素。因此，我们将只对行为相关特征变量进行因子分析。1、行为相关特征变量的因子分析为了更好地建立拆迁户缔约意愿与搬迁意愿的预测模型，我们将经EM插补后的数据进行因子分析。本次因子分

44、析的KMO 测度与 Bartlett 检验结果为：Kaiser-Meyer-Olkin 采样充足度测量值为0.774； Bartlett球体检验的 Approx. Chi-Square 958.611， df78； Sig.0.000。该KMO 测度值与 Bartlett球体检验结果显示，这些变量数据是适宜作因子分析的。在因子分析中，提取因子的方法采用了主成分分析法，并选择按特征根值大于1的标准提取因子，而且采用方差最大法进行因子旋转。经因子旋转后对行为特征变量公因子提取结果见表7，表中仅显示了绝对值大于0.4的公因子系数。表7 行为特征变量因子分析结果序号行为相关特征变量名称公因子 (主成分

45、 ) 对可能遭受不公平对待的忧虑程度对有效信息的掌握程度遭受不公平对待后可能的表达强度对拆迁可实现双赢的认可程度1 拆迁人不诚信的程度0.850 -0.060 -0.041 0.006 2 拆迁过程中评估行为的不规范程度0.819 -0.151 -0.067 0.131 3 拆迁过程中拆迁人的不规范程度0.812 0.094 -0.100 -0.183 4 拆迁过程中政府行为的不规范程度0.783 0.105 0.014 -0.119 5 对拆迁户之间补偿不平等的预期0.736 -0.302 -0.123 -0.026 6 政策法规的不合理程度0.681 -0.055 -0.060 -0.12

46、0 7 对政策法规的不熟悉程度-0.023 0.867 -0.036 -0.099 8 本次拆迁相关信息的掌握程度0.126 0.829 -0.021 -0.163 9 与其他拆迁户之间的交流程度-0.250 0.673 0.048 0.229 10 对本次拆迁中“钉子户”待遇的预期0.273 -0.406 -0.390 -0.254 11 对合理合法的拆迁上访的态度-0.002 -0.084 0.846 -0.219 12 开发后的增值空间大小-0.155 0.065 0.625 0.434 13 拆迁双方利益协调的难易程度-0.054 -0.061 -0.024 0.871 名师资料总结

47、- - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 11 页 - - - - - - - - - 9 观察表 7的因子提取结果，不难发现，被归于第1个公因子的 6个变量（变量 1-6），事实上都反映了拆迁户对是否能受到公平对待的预期或判断，因此，我们将因子1命名为“对可能遭受不公平对待的忧虑程度”。在构成第 2个公因子的 4个主要的变量中，变量7、8、9反映的都是拆迁户对判断所需信息的一种掌握程度，但变量10反映出来的却似乎有所不同。经过考察变量10与另外 12个进入因子分析的变量之间的相

48、关关系，我们发现，除了变量11、13，其他的 10个变量都与变量10有显著的相关性（置信区间为 95%）。再考察变量10在“成分得分系数矩阵”（Component Score Coefficient Matrix ），可以发现该变量在第3、4个因子中的得分系数都较高。因此，相对于对其他因子，变量10对因子 2的贡献并不明显。据此，我们将因子2命名为“对有效信息的掌握程度”。同样的，经过对变量11、12与其他变量的相关性分析以及对“成分得分系数矩阵”的考察，我们将因子 3命名为“遭受不公平对待后可能的表达强度”，将因子4命名为“对拆迁实现双赢的认可程度”。这 4个因子解释了所有13个行为相关特征

49、变量的66.10%。我们将在后面的建模中利用这4因子来取代原有的 13个行为相关特征，即将这4因子与 9个个人与家庭特征变量一起作为自变量，分析对拆迁户缔约意愿与搬迁意愿的影响。2、数据化简后拆迁户缔约意愿预测模型数据经因子分析简化后，将前面提炼出的4个特征值大于 1的因子与 9个个人与家庭变量作为自变量，将拆迁户缔约意愿作为因变量，利用SPSS12.0的二元 Logistic 回归功能进行分析。分析中，设置的回归方法仍为前向逐步选择进入法，变量进入模型的最大概率值与变量被模型剔除的最小概率值仍分别为 0.05和0.10。经四步回归过程，回归后模型的整体拟合度检验结果为：Chi-square7

50、4.967，df4，Sig.0.000。包含所有变量的模型拟合效果的检验结果为：-2ll（ -2Log likelihood ）195.361，Cox & Snell R2 0.319，Nagelkerke R20.426。这说明该模型的整体解释力为42.6%，较初始预测模型略低。此外，该模型的预测准确率为77.4%，与初始预测模型接近。表8 经四步回归后进入方程的变量统计表B S.E. Wald df Sig. Exp(B) 95.0% C.I. for EXP(B) Lower Upper 被拆迁房屋的用途-0.75 0.36 4.33 10.038 0.470.230.96被访者的年龄0