1、我国一二三线城市房价互动机制研究 张璋 周海川 北京联合大学生物化学工程学院 中国林业科学研究院林业科技信息研究所 摘 要： 该文借助持久-暂时模型定量考察我国一二三线城市房价以及一线城市之间的房价互动关系。研究发现:我国一二三线城市房价之间存在互动关系。长期来看, 一二线城市房价由自身主导, 三线城市的房价受二线城市影响最大。短期来看, 三线城市的房价是影响一二三线城市房价短期变动的主要原因。上海对北京、深圳房价的长期变化和短期变化影响最大;上海的房价由自身主导。因此, 房地产宏观调控政策应重视城市间房价的互动关系, 注意点、面结合, 长、短互补, 分类调控;对一线城市进行统一调控, 并将上
2、海房价置于调控核心。关键词： 房价波动; 调控政策; 持久-暂时模型; 互动机制; 波纹效应; 作者简介：张璋 (1980-) , 女, 北京联合大学 (北京, 100023) , 讲师, 博士, 研究方向:房地产经济与政策;作者简介：周海川 (1983-) , 男, 中国林业科学研究院林业科技信息研究所 (北京, 100091) , 助理研究员, 博士, 研究方向:房地产价格波动。收稿日期：2017-11-29基金：国家社科基金青年项目:“我国粮食价格波动与政府调控政策研究” (批准编号:14CJY051) Interactive Analysis on Housing Prices of
3、First-tier, second-tier and third-tier cities in ChinaZHANG Zhang ZHOU Hai-chuan College of Biochemical Engineering, Beijing Union University; Research Institute of Forestry Policy and Information, Chinese Academy of Forestry; Abstract： By using Permanent-transitory Model, this paper studies the int
4、eractive relationship among the housing prices of first-tier city, second-tier city and third-tier city in China, and the interactive relationship among the housing prices of first-tier cities.The research result indicates that those interaction mechanisms are existed, in the long run, the house pri
5、ces of first-tier city and second-tier city are dominated by themselves, and the house price of thirdtier city is most affected by the second-tier city.In the short term, the house price of third-tier city is the main reason that affects the short-term changes of the house prices of the first-tier c
6、ity, second-tier city and third-tier city.Furthermore, Shanghai has the greatest impact on the long-term and short-term changes of house prices of Beijing and Shenzhen, and the house price of Shanghai is dominated by its own.Therefore, the interaction between urban housing prices should be paid atte
7、ntion in the Macro control of real estate prices, combination of point and surface, complementation of long term and short term, regulated and controlled in the different way.At the same time, unified Macro control of first-tier cites should be firmed, and the research on the Macro control of real e
8、state prices of Shanghai should be highlighted.Keyword： House price fluctuation; Macro control; Permanent-transitory model; Interactive mechanism; Ripple Effect; Received： 2017-11-29一、引言自 1998 年住房市场化改革以来, 我国房地产行业快速发展, 各地区房价呈现明显的起伏性波动, 经历了 2004 年-2009 年上半年、2009 年下半年-2012 年上半年、2012 年下半年到 2015 年 2 月三轮周
9、期后, 房价站上了一个较高的台阶。尽管 2005 年后政府密集地出台了若干房价调控政策, 但并未将高涨的房价压下来, 房价的非理性增长愈来愈明显。2015 年 3 月后, 城市新建住房销售价格指数环比由跌转涨, 拉开了新一轮房价上涨的序幕。国家统计局“70 个大中城市住宅销售价格变动情况”显示, 深圳是本轮房价上涨的急先锋, 北京、上海等一线城市房价紧随深圳步伐。2015 年 4 月, 厦门、合肥、南京、杭州等为首的二线城市房价开始上涨。有专家指出, 房价上涨范围只限于一二线城市以及沿海地区城市, 但论断马上被打破, 从 2016 年开始, 部分西部边远城市如西宁和银川的房价由跌转增, 至此房
10、价上涨已经蔓延全国。短短 1 年半时间, 深圳房价上涨高达 82.4%, 涨幅名列一线城市乃至全国第一;厦门、合肥涨幅居二线城市前列, 分别增长 50.7%和 40.1%;无锡和惠州在三线城市中涨幅突出, 分别为27.7%和 18.2%。房价上涨引发了投资热潮, 不少消费者和投资者预期一线城市房价到顶时, 纷纷转战二三线城市, 2016 年上半年, 合肥多个新开楼盘出现千人抢房潮, 被媒体戏称为“合肥跑”。二三线城市房价增长的同时, 投资者发现一线城市的房价已被二三线城市推高了, 北京五环住房均价进入“六万元时代”, 总价则迈入“千万元时代”, 报道称多地出现了“一房难求”、“望房兴叹”的局面
11、。房价的增长从一线城市出发, 在推高二三线城市房价后, 又迂回到一线城市, 呈现出一二三线城市联动的特征。面对疯涨的房价, 2016 年中央经济工作会议提出“房子是用来住的, 不是用来炒的”, 各地政府在进行逆周期调控时意识到这种联动性, 采取了前所未有的集体行动, 从 2016 年 9 月 19 日杭州的限购开始, 国庆节期间 21 个城市的限购、限贷、限外政策陆续出台则将这一行动推向高潮, 力度空前。然而, 从民生证券研究院的数据来看, 本轮集体行动政策的调整对当时房价作用不大, 限购限贷政策效果有限, 且时滞不一;货币政策时滞 3 个月以上, 可见政策调控效果并不理想。究其原因, 尽管政
12、府意识到房价的联动性, 但却没有掌握这种联动性背后的传导机理, 也不清楚房价在一二三线城市联动的时空效应, 甚至没有研究房价政策实施后会对当地和其他城市乃至全国房价带来何种冲击以及冲击的长短期影响。2017 年, 党的“十九大”再次强调了房子的居住属性, 因此, 未来政府要想有效地实施房地产宏观调控, 首先应明晰一二三线城市房价的联动性。从现有研究来看, 部分学者注意到了城市间房价的相互影响和传导性, 如Holmans (1990) 基于英国上世纪 60-90 年代数据, 发现以伦敦为主的南部地区的房价最先波动, 之后北部地区房价随之波动, 形成了“波纹效应” (Ripple Effect)
13、;我国学者应用时间序列模型和空间计量模型, 对我国 35 个大中城市价格指数或省级面板数据开展因果关系和空间关系的研究。但这些研究方法、所用的数据难以系统全面厘清城市间房价传导机制, 并没有回答这种互动所带来的短期和长期影响, 也不加区分一二三线城市而量化研究房价, 因而无法对当前区域联动特征明显的房价提出有针对性、协同性的调控建议。基于此, 本文对我国一二三线城市之间的房价互动机制开展研究, 与以往研究不同, 采用持久-暂时 (P-T) 模型, 从而能够清晰地分析一二三线城市房价的互动机理以及量化传导产生的短期冲击和长期影响, 为当前密集型、集体性的房价宏观调控提供量化支撑, 确保其实施更具
14、精准性和全局性。二、文献回顾国外对城市间房价互动影响的研究主要集中在英国、美国、澳大利亚等发达国家和地区。 (1) 对于英国房价互动的研究成果较多, Macdonald et.al (1993) 和 Alexander et.al (1994) 最早利用 Granger 因果检验和协整理论, 分析英国不同区域房价间的协整关系和长期趋同性, 并验证了波纹效应。Holmes (2007) 利用单位根检验法分析该国 1973-2005 年的面板数据, 发现各地区房价兼具趋同性和差异性。Cooper et.al (2014) 基于英国 2000-2006 年数据建立了 88508850 互相关矩阵广域
15、元模型, 分析不同地区间的价格联动, 并验证了波纹效应。Montagnoli et.al (2015) 分析该国 12 个地区房价收敛和溢出效应, 发现各地区房价可以分为四个“俱乐部收敛”。 (2) 在美国房价互动的研究方面, Meen (1996) 从空间计量经济学角度提出空间依赖概念, 指出美国大都市区域房价存在波纹效应, 且家庭迁移、空间套利、资产转移、信息传递等是波纹效应产生的原因。Pollakowshi et.al (1997) 提出房价的“扩散效应”, 指出房价会沿着住房市场结构、区域距离、邻里类型、人口等因素向临近地区扩散。Holly et.al (2010) 基于该国 1975
16、-2003 年州级面板数据, 建立了包含空间效应和经济基本面关系的模型, 通过协整检验、误差修正模型及空间误差滞后模型验证了各州的房价扩散效应。Kim et.al (2012) 基于美国大都市区面板数据, 通过聚类分析发现房价具有多重空间均衡特征, 呈现俱乐部收敛效应, 但在国家层面的收敛不显著。Brady (2014) 基于 1975-2011 年州级数据, 利用单方程空间自回归模型、脉冲响应函数, 发现美国房价扩散具有跨区域性和持久性, 且扩散效应在 1999 年后表现更为强烈。Cohen et.al (2015) 基于1996-2013 年 363 个大都市统计区 (MSA) 数据, 发
17、现房价扩散效应显著, 信息和人口迁移成为扩散效应的主要影响因素, 并指出美国金融危机后房价扩散效应更加显著。 (3) 在澳大利亚房价互动的研究方面, Tu (2000) 基于 1989-1998 年 7 个省会城市房价数据, 发现并非所有城市间都存在协整关系, 仅东部沿海城市房价存在, 且呈现由北至南的扩散特征。Luo et.al (2007) 基于1989-2005 年 8 个省会城市季度房价数据, 利用向量自回归模型及脉冲响应函数验证城市间的房价扩散效应, 提出 8 个城市间存在 1-1-2-4 的房价扩散形式。Jiang et.al (2014) 基于 8 个地区建筑价格指数, 利用空间
18、自相关和收敛性发现城市间房价存在波纹效应。还有一些学者对其他国家和地区的房价进行了分析, 如 Shi et.al (2009) 利用含有季节哑变量的向量误差修正模型, 分析新西兰 10 个城市间房价存在扩散效应。Dijk et.al (2007) 分析荷兰三个区域的季度房价, 发现阿姆斯特丹地区房价受冲击后波动最为强烈。Lean et.al (2013) 研究马来西亚 14 个地区 5 类房产价格, 发现房价的波纹效应从经济发达地区扩散至经济不发达地区, 且存在房价区域聚集现象。Balcilar et.al (2013) 基于南非大中小三种规模的房产 1996-2010 的季度数据, 发现五大
19、都市区均存在波纹效应。国内对城市房价互动性研究是近几年出现的, 王松涛等 (2008) 基于 35 个大中城市的数据, 应用 Johansen 检验、格兰杰因果关系和脉冲响应函数验证了城市房价互动关系。陈浪南等 (2012) 利用广义空间动态面板数据模型研究省级数据, 验证了房价的区域互动。李永友 (2014) 利用 IVQR 和空间计量分析, 指出房价全域性的上涨主要源于房价波动的自身惯性、需求驱动及波纹效应。余华义等 (2015) 利用 GVAR 模型分析 35 个大中城市的数据, 验证了城市房价受外力冲击后的异质性反应和溢出效应。丁如曦等 (2015) 考虑住房价格空间自相关, 基于地市
20、级数据验证了房价的区域空间关联与溢出效应。鞠方等 (2016) 基于省级数据, 利用 Morans I 指数和巴拉萨萨缪尔森理论模型, 运用空间计量分析验证了区域房价的空间相关性。Chow et.al (2016) 基于我国 2000-2008 年 34 个城市房价数据, 利用空间依赖性收敛模型, 并通过贝叶斯工具变量解决模型的内生性问题, 验证了城市间的房价趋同和正向空间溢出效应, 明确了城市间的房价溢出路径。总体来看, 现有研究对城市房价互动关系的研究方法主要包括时间序列模型和空间计量模型两类, 前者采用了协整检验、因果分析、脉冲响应函数和多元GARCH 模型等方法, 后者更多的是引入空间
21、计量方法。这些方法定量分析了不同国家或地区房价在时间、空间上的互动关系和冲击效应, 尤其是波纹效应研究颇多, 使房价互动性的研究更加丰富, 不同方法得出的结论颇具启示性, 有利于政策的制定。然而, 这些研究尚未区分房价受冲击后所引发的短期和长期影响, 难以从冲击伊始便将其分解开来, 这样会造成政策制定者难以区别后期房价的波动究竟是冲击所造成的短期影响还是长期影响, 导致政策的实施将会有所偏差。本文所采用的持久-暂时分解模型可以量化房价传导的长短期影响, 另外, 区分一二三线城市房价并分析其互动性关系, 可以对当前房价的联动性加以有效解释, 为有效实施房地产调控政策提供支持。三、数据与计量模型(
22、一) 样本与数据本研究具体分析一二三线城市之间的房价互动以及一线城市 (北京、上海、广州、深圳) 之间的房价互动。按照王松涛等 (2008) 的研究, 可以选择 35 个大中城市的房价数据进行分析, 但是该样本大部分是省会城市和计划单列市的房价, 三线城市的房价并没有涉及, 同时样本集中分布在东部沿海地区。为了使房价更具代表性, 本研究在城市选择方面力求覆盖我国环渤海湾、东北、东南、中部、西南和西北 6 个地区, 并且二三线城市选取中都覆盖这些地区。按照该种选取方法, 本文一线城市选择北京、上海、广州、深圳;二线城市选择天津、沈阳、杭州、武汉、成都、西安;三线城市选择唐山、鞍山、绍兴、宜昌、绵
23、阳、西宁, 分别取这些城市房价的平均值作为一、二、三线城市的房价。数据均来自 Wind 数据库, 区间是 2010 年 6 月-2016 年 5 月, 共计 72 个月, 具体的变量描述如表 1 所示。表 1 房价数据描述 下载原表 图 1 2010 年-2016 年不同城市房价的变化趋势 下载原图由图 1 可以发现, 一线城市房价在 2013 年后开始缓慢上升, 二线和三线城市房价较为平稳。一线城市中, 房价均价最高的出现在上海, 为 29991.33 元, 且在2013 年 7 月前稳居第一, 之后先后被北京和深圳房价超过;其次是深圳, 为29263.88 元, 在 2013 年 7 月前
24、紧随北京房价, 但在 2015 年 5 月之后领衔一线城市房价;北京房价居第三位, 均价为 28379.17 元, 呈现稳步上升态势, 在2013 年 8 月-2014 年 11 月领衔一线房价;广州房价是最低的, 均价为 15693.71元。从房价波动来看, 从大到小依次是深圳、北京、上海和广州。(二) 计量模型持久性-暂时性分解由 Beveridge 和 Nelson 于 1981 年提出, 也叫趋势性-周期性分解 (也称为 B-N 分解) , 该分解技术可以将 ARIMA 非平稳单变量分解为趋势性和周期性成分。之后 Stock 和 Watson (1993) 将 B-N 分解方法由单变量
25、扩展至多变量, 并证明如果 (X t, Yt) 序列是存在 n-k (k0 和 var (Tt) 0。根据因子模型, Xt 的可分解为 ft和 zt的组合。一旦确定了共同因子 ft, 转置矩阵 ( , ) , 可以进一步将 Xt分解为通过式 (1) - (3) , 可以获得式 (4) 其中 Pt为长期影响, T t为短期影响, f t为共同因子。通过估计、 、 , 便可估计出 Pt和 Tt。P-T 分解模型提出后得到了广泛应用, GonzaloLettau范叙春和朱保华 (2015) 用来分析中国居民消费、资产和收入的互动关系。四、实证结果与分析(一) 单位根检验与最优滞后期选择表 2 ADF
26、 单位根检验 下载原表 由表 2 可见, 7 个价格序列均不能通过稳定性检验, 而它们的一阶差分项均在 1%的显著性水平上拒绝原假设, 因此可以利用 Johansen 方法来检验它们之间的协整关系。由于 Johansen 检验对滞后期数和模型形式敏感, 因此需要明确模型包含哪些变量及滞后期数。为了使模型参数具有较强的解释能力, 在综合检验残差的自相关性、异方差性、正态性以及无约束向量自回归 (UVAR) 模型的平稳性后, 要按照 AIC 准则选取最优滞后期, 具体结果如表 3 所示。表 3 最优滞后期选择 下载原表 (二) “一线-二线-三线”城市房价互动关系利用 P-T 模型, 可以获得如下
27、参数:通过式 (4) 可以获得 ft、zt、Pt、Tt。共同因子:长期影响:短期影响:(1) 就一线城市住房均价 (lfrist.p) 的长期变化而言, 一二三线城市住房均价都会对其产生影响, 其中一线城市住房均价的影响为正 (1.0134) , 二线和三线城市住房均价影响为负, 分别是 0.3845 和 0.8740。可以发现, 一线城市住房均价本身对一线城市住房均价长期变化的影响最大, 每提高 1 元, 一线城市住房均价长期会提高 1.0134 元;就一线城市住房均价的短期变化 (lfrist.t) 而言, 一线城市住房均价本身的影响为负, 二线和三线城市住房均价的影响为正, 分别是 0.
28、3845 和 0.8740, 其中三线城市住房均价影响最大, 每提高 1 元, 短期内一线城市住房的均价将提高 0.8740 元。 (2) 就二线城市住房均价的 (lsecond.p) 长期变化而言, 一线和二线城市住房均价的影响为正, 分别为0.0099 和 0.7182, 三线城市住房均价的影响为负, 为 0.6406, 并且二线城市住房均价影响最大, 每提高 1 元, 二线城市住房的均价长期会提高 0.7182 元;就二线城市住房均价的短期变化 (lsecond.t) 而言, 二线和三线城市住房均价对其影响为正, 分别是 0.2818 和 0.6406, 一线城市住房均价的影响为负, 其
29、中三线城市住房均价影响最大, 每提高 1 元, 短期内二线城市住房均价将提高0.6406 元。 (3) 就三线城市住房均价 (lthird.p) 的长期变化而言, 一线和三线城市住房均价对其影响为正, 分别是 0.0113 和 0.2684, 二线城市住房均价的影响为负且最大, 二线城市住房均价每提高 1 元, 三线城市住房的均价长期将降低 0.3219 元;就三线城市住房均价 (lthird.t) 的短期变化而言, 二线和三线城市住房均价对其影响为正, 分别是 0.3219 和 0.7316, 一线城市住房均价对其影响为负, 三线城市住房均价影响最大, 每提高 1 元, 短期内三线城市住房均
30、价将提高 0.7316 元。(二) “北京-上海-广州-深圳”房价互动关系利用 P-T 模型, 可以获得如下参数:通过式 (4) 可以获得 ft、zt、Pt、Tt。共同因子:长期影响:短期影响:(1) 就北京住房均价 (lbeijing.p) 的长期变化而言, 北京、广州和深圳住房均价对其影响为正, 上海住房均价对其影响为负且最大, 上海房价每提高 1 元, 北京住房均价长期将降低 0.6090 元;就北京住房均价 (lbeijing.t) 的短期而言, 只有北京住房均价的影响为正, 上海住房均价影响最大, 每提高 1 元, 北京住房均价短期内将降低 0.8740 元。 (2) 就上海住房均价
31、 (lshanghai.p) 的长期变化而言, 上海、广州和深圳住房均价对其影响为正, 北京为负, 上海住房均价的影响最大, 每提高 1 元, 上海住房均价的长期将提高 0.5940 元;就上海住房均价 (lshanghai.t) 的短期变化而言, 只有上海住房均价的影响为正且最大, 每提高 1 元, 上海住房均价短期内将升高 0.4060 元。 (3) 就广州住房均价 (lguangzhou.p) 的长期变化而言, 广州和深圳住房均价对其影响为正, 北京和上海为负, 其中广州住房均价的影响最大, 每提高 1 元, 广州住房均价长期将提高 1.7282 元;就广州住房均价 (lguangzho
32、u.t) 的短期变化而言, 只有北京住房均价对其影响为正, 其他为负, 上海住房均价的影响最大, 每提高1 元, 广州住房均价短期内将降低 0.9348 元。 (4) 就深圳住房均价 (lshengzhen.p) 的长期变化而言, 北京、上海和深圳住房均价的影响为正, 广州为负, 上海住房均价对其影响最大, 每提高 1 元, 深圳住房均价长期将提高1.3434 元;就深圳住房均价 (lshengzhen.t) 的短期变化而言, 广州和深圳住房均价对其影响为正, 其他为负, 上海住房均价的影响最大, 每提高 1 元, 深圳住房均价短期内将降低 1.3434 元。五、结论与政策建议本文借助持久-暂
33、时模型对我国一二三线城市房价以及一线城市的房价互动关系进行探索, 获得如下结论: (1) 我国一二三线城市房价之间存在互动关系。 (2) 长期来看, 一线城市房价由自身主导, 二三线城市房价对其影响为负但比较小。二线城市的房价由自身主导, 一二线城市对其影响为正, 三线城市对其影响为负。三线城市的房价受二线城市影响最大。可见, 一二线城市各自主导自身长期房价, 但二线城市是三线城市房价长期变化的主要原因。 (3) 短期来看, 一线城市房价受三线城市房价影响最大, 二三线城市房价对其影响为正, 自身的影响为负。二线城市的房价受三线城市影响最大, 二三线城市房价对其影响为正, 一线城市对其影响为负
34、。三线城市的房价由自身主导, 一线城市房价对其影响为负, 二三线城市对其影响为正。可见, 三线城市的房价是影响一二三线城市房价短期变动的主要原因。 (4) 上海对北京、深圳房价的长期和短期影响最大, 上海的房价由自身主导;广州房价长期变化受自身主导, 但短期受上海房价影响最大。上述发现对于开展房地产市场宏观调控有以下几点启示:第一, 国家及地方政府宏观调控房地产市场应充分重视城市房价间的互动关系。虽然目前房地产市场调控讲究“因城施政”, 但要注意政策的点、面结合, 关注联动性和城市间的政策匹配, 尤其是城市房价间的长、短期互动关系, 通过政策的“长”、“短”结合把握房地产调控节奏。第二, 应注
35、意一二三线城市房地产市场的分类调控。一二线城市从长期来看, 其房价受到自身房价主导, 二线城市对三线城市房价影响较大, 三线城市则在短期主要影响一二三线城市房价。因此, 对一二线城市房价的调控长期要靠自身, 短期则通过调控三线城市房价来控制;而三线城市房价长期要通过调控二线城市房价来实现, 短期则依赖于调控自身房价, 从而达到源头上遏制房价的传导路径。第三, 虽然一线城市房价在短期内会受到二、三线城市的房价上涨的助推, 但长期来看, 二三线城市房价上涨将对一线城市的房价上涨起到抑制作用。因此要坚持二三线城市去库存, 通过减少城市间差距来缓解一线城市房价的上涨。第四, 调控北上广深一线城市房价要
36、盯住上海房价, 坚定国家对一线城市统一调控的决心, 重点应以调整投资者和消费者的预期为主。第四, 城市房价互动不免受到土地供求、城镇化、产业结构、资金流动、投机炒作等因素的冲击, 因此, 房价调控要进一步完善房地产市场体系建设, 为提升调控政策效果创造外在条件。参考文献1.Montagnoli A, Nagayasu J.UK house price convergence clubs and spilloversJ, Journal of Housing Economics, 2015, 30:50-58. 2 .Brady R R.Measuring the diffusion of ho
37、using prices across space and over timeJ, Journal of Applied Econometrics, 2011, 26 (2) :213-231. 3 .Holly S, Pesaran M H, Yamagata T.The spatial and temporal diffusion of house prices in the UKJ, Journal of Urban Economics, 2011, 69 (1) :2-23. 4 .Holmes M J.How convergent are regional house prices in the United Kingdom?Some new evidence from panel data unit root testingJ, Journal of Economic&Social Research, 2007, 9 (1) :1-17. 5 .Cohen J P, Ioannides Y M, Thanapisitikul W.Spatial effects and house price dynamics in the USAJ, Social Science Electronic Publishing, 2015, 31:1-13.
