房价影响因素的空间非一致性与差异化调控手段——基于Panel Data模型的实证研究

罗孝玲，周琳杰，马世昌

（中南大学商学院，湖南长沙410083）

●关注房价

房价影响因素的空间非一致性与差异化调控手段
——基于Panel Data模型的实证研究

罗孝玲，周琳杰，马世昌

（中南大学商学院，湖南长沙410083）

房地产价格受多种宏观经济因素的综合影响，不同城市的房价决定因素可能存在差异。文章将全国城市划分为四种级别，并选择17个一、二、三线样本城市，以货币供应量、CPI、GDP、城镇居民家庭人均可支配收入和社会固定资产投资额为解释变量，选取2002-2012年的季度数据，构建Panel Data模型，研究房价影响因素的空间非一致性，研究结果证明了空间非一致性的存在。基于此，对一、二、三线城市分别提出了差异性调控手段建议。

房地产价格；空间非一致性；Panel Data模型；调控

一、引言

房地产业是国民经济的支柱产业，房地产及其相关行业为GDP的贡献率超过了10%。中国的房地产市场始于1984年；1993年住房商品化改革后，住房的消费、交易和投资功能逐步进入国民视野；2003年，房地产价格上涨速度明显加快，并开始逐步脱离普通百姓的承受能力；鉴于此，2005年3月国务院印发“国八条”，要求各地政府高度重视房地产价格的过快增长，由此房地产调控正式拉开序幕；2010年国务院颁发“国十条”，坚决遏制部分城市房价过快上涨。2013年17号文件（新国五条）坚决抑制投机投资性购房。近年来，国家的宏观调控政策手段更多、力度更大、也更具持久性。

我国国土面积幅员辽阔，经济发展状况悬殊，不同地域的房地产市场状况亦存在较大的差异。譬如，从地理分布上看，我国东部沿海地区的经济发展水平显著高于中部和西部内陆地区，同时东部地区的房地产价格和交易活跃程度亦显著高于中西部地区；又如，在同一区域的不同级别和规模的城市之间也存在经济发展和房地产市场状况的显著差异。经济发展和房地产市场的空间差异决定了国家对房价的调控不能采用“一刀切”的方式来完成，必须分析不同地域、不同城市的房地产价格影响因素，实施有针对性的调控政策，才能实现全国范围内房产市场的稳定有序。

针对地域差异性房地产发展和房地产调控政策的研究，当前已有学者涉足：中国房地产业研究小组（1996）研究了我国90年代初房地产投资的区域分布格局，指出中国房地产发展表现出明显的非均衡发展，投资分布参差不齐，呈现出东重西轻、南强北弱的基本格局［1］；易成栋（2007）研究了我国各区域房价以及不同地域投资行为的差异，指出我国各地区房地产市场具有差异性，且其作用机制也有所差异［2］；彭本红（2008）以省际层面房地产业的数据为样本，研究了不同地区房地产业发展水平的差异，并将其划分为领先地区、先进地区、赶超地区、后发地区和后进地区五类［3］；王先柱等（2011）从货币政策的角度出发，研究了统一的货币政策在全国31个省市的不同调控效果［4］。

然而，就差异性房地产调控而言，笔者认为粗略地以东西部地区或不同省份为研究样本而展开的研究结果是不具实践操作性的，因为正如前文所述，即使同一区域的不同城市也存在非常大的差异。基于此，本文拟根据不同城市经济发展和房地产状况的不同划分城市类别，研究不同类别城市房价的影响因素，以期为差异性调控政策的制定提供依据。

二、城市划分标准

当前学术界和实务界充斥着多种分类标准下的多种城市划分结果，但经笔者考证发现，这些分类大多缺乏科学合理的标准，而且并非经过专业机构或官方部门研究和发布，因此具有较差的科学性。同时，由于本文拟通过研究城市房价与城市经济指标之间的机理关系来探究城市房价的影响因素，因此对城市类别的划分应当以城市的房地产状况和经济综合状况为主，在文献［5］的分类基础上，笔者将中国的城市划分为四类级别的城市，划分标准和结果如表1。

从划分结果可以看出，二线、三线、四线城市群体中城市的数量越来越多，将所有的城市都纳入研究样本是不现实的，因此考虑到样本城市的地域性分布、多年连续数据的可得性和平衡不同类别样本的数量，选择样本如下：一线城市样本选取北京、上海、广州、深圳、天津共5个城市；二线城市样本选取杭州、青岛、沈阳、重庆、武汉、呼和浩特共6个城市；三线城市样本选取锦州、常德、洛阳、银川、海口和西宁共6个城市；四线城市以县城为主，其房地产及经济指标统计的完整性很差，故在本文中暂不予考虑。

三、房价影响因素的空间非一致性检验

（一）房价影响因素的Panel Data模型构建

关于房地产价格与宏观经济关系的研究方法和研究模型，国内外的文献已有较深入的研究。如Quigley（1999）利用VAR分析法，利用美国房地产价格与空置率、家庭数、收入和建筑许可等之间的关系［6］；Miki Seko等（2009）通过自回归模型，利用日本46个县1980-2001的年度数据，研究了私人住宅平均价格与收入、消费价格指数、住宅年开工量以及人口等因素之间的关系［7］；陈雷（2010）针对合肥市的研究发现经济发展水平、宏观经济政策和金融状况是房价最重要的影响因素［8］；段军山、白茜（2011）以贷款利率、人均可支配收入为控制变量，建立VEC模型进行了分析［9］；此外，罗孝玲、梁云芳、张建坤、肖卓华等学者对此也有深入研究［10-13］。

在房价影响因素的选择方面，借鉴已有的研究成果，结合中国房地产市场的实际状况，本文选择房地产销售价格指数（HPI）作为房地产市场价格的度量指标，选择货币供应量（M2）、样本城市的CPI、样本城市的GDP、样本城市的城镇居民家庭人均可支配收入（DI）、样本城市社会固定资产投资额（IFA）作为解释变量。

在模型方法方面，近年来被学者普遍采用的VAR模型可以分析变量间的长期均衡关系，但是对于数据的长度有较高要求，适合分析房地产起步早、数据样本丰富地区的研究，而我国房地产市场起步较晚，各地数据长度不一；而且本文将研究多个城市的情况，涉及的个体较多，综合认为选取面板数据（Panel Data）模型能够使研究结论更准确。基于以上分析，构建房价影响因素的Panel Data模型如下：

其中，yit为被解释变量，也就是样本城市的房地产销售价格指数；xit为解释变量，也就是CPI、M2、样本城市的GDP、DI和IFA；i＝1，2，3，…，N，表示样本的序号；t＝1，2，3，…，T，表示时点；αit参数代表模型的截距项；βkit参数代表相应解释变量的待估计系数；μit为随机误差项，它们相互独立，同时满足均值为零、等方差为δ2假设。

（二）数据来源

以第2节选定的城市为样本，选取2002年第一季度至2012年第四季度的季度数据构成面板数据，其中，样本城市CPI季度数据是以月度数据加权均值折算而成，数据均来源于Wind数据库。

为了消除数据的季节性因素，首先利用（X-11）法对除了CPI和HPI以外的变量数据进行季节调整；然后，为了消除数据的异方差性，对CPI以外的数据进行对数处理。预处理后的变量用lnHPI、lnGDP、lnDI、CPI、lnM2、lnIFA表示。

为避免出现伪回归，首先对数据的平稳性进行ADF检验，结果显示，三类城市的所有六个变量的一阶序列都是平稳的。进一步地，对面板数据的协整关系进行Pedroni检验和Kao检验，检验结果显示三类城市中各变量存在协整关系。受篇幅所限，平稳性检验和协整关系检验结果不一一列出。

（三）模型形式的确定

面板数据分析的第一步是对模型的设定进行检验，以得到有效的参数估计。以一线城市数据为例，首先，进行F检验，计算得到S1=0.398 612，S2=0.539 179，S3=0.591 033，T=44，N=5，K=5，基于此计算得到F1=2.870 266，F2=3.030 317。同理，对二线、三线城市进行F检验，得到检验结果整理如表2。

给定5%的显著性水平，查F分布表得：在一线城市中，F1＞F1（20，190），F2＞F2（24，190），故应采用变系数模型；在二线城市中，F1＞F1（25，228），F2＞F2（30，228），故应采用变系数模型。在三线城市中，F1＜F1（25，228），F2＞F2（30，228），故应采用变截距模型。

进一步地，应用Hausman检验来确定模型的具体形式，计算结果如表3。

以上的检验结果表明：三类城市的Hausman检验统计量Chi-Sq.均为0，所对应的P值为1（＞0.05），因此接受随机影响模型中个体影响与解释变量不相关的原假设，也就是说，对三类城市的面板数据检验都应该选择随机模型。

综合前文的分析，最终确定三类城市的面板数据模型选择为：一线城市样本采用变系数随机效应模型，二线城市样本采用变系数随机效应模型，三线城市样本采用变截距随机效应模型。

（四）Panel Data模型实证结果

模型形式确立后，分别对三类城市样本进行面板回归实证分析。

1.一线城市实证结果

利用Eviews6.0对一线城市样本进行面板模型回归分析，结果如表4所示。

对于表4的结果，计算各变量的F值和P值，可以得到在5%的显著性水平下面板回归方程各个系数可以通过t检验，表明回归方程的回归系数是有效的。因此得到面板回归方程，以向量形式表达如下：

从面板方程可知：GDP对于除北京外的一线城市房价的影响并不明显；DI对于房价有显著的正向影响，其中深圳受到的影响最显著，人均可支配收入每增长1%，房价会上升0.199 1%；CPI对于一线城市房价的作用非常微弱，影响系数仅为0.001 9～0.020 6；M2对于上海和深圳房价的影响较为剧烈且显著，每增加1%，两地房价每季度同比增长0.6780%和0.194 9%，而另外3个城市的作用并不特别剧烈；IFA对于一线城市房价影响较大，全社会固定投资每增长1%，一线城市房价的上涨幅度达到0.071 8%～0.272 8%。

综合以上对一线城市的研究可得：货币供应量和全社会固定投资可以显著地推高一线城市的房价；CPI温和带动房价上涨；GDP对一线城市房价的作用是不显著的；而人均可支配收入对一线城市的影响则产生了分化，主要取决于城市的经济发展状况。

2.二线城市实证结果

利用Eviews6.0对二线城市样本进行面板模型回归分析，结果如表5所示。

对于上表的结果，同样地计算各变量的F值和P值，可以得到在5%的显著性水平下面板回归方程各个系数可以通过t检验，表明回归方程的回归系数是有效的。因此得到面板回归方程，以向量形式表达如下：

则面板模型各回归方程系数分别为：a→=（-4.178 072，-1.069 943，0.837 526，2.740 359，0.298 789，-0.498 476）T，=（0.080 049，-0.058 744，-0.106 553，-0.146 891，0.034 931，0.324 195）T，c→=（0.072 302，0.072 765，-0.013 966，-0.118 972，-0.029 946，-0.196 577）（0.014 468，0.016 309，0.020 734，0.022 165，0.011 227，0.008 549）T，e→=（0.347 925，0.403 211，0.414 455，0.192 163，0.229 754，0.302 659）T，（-0.181 877，0.036 674，0.127 983，0.229 854，0.061 930，0.099 430）T，C= 6.403 682。

从面板方程可知：GDP对除呼和浩特外的二线城市的房价影响并不明显，笔者认为这是因为呼市的经济发展水平低于其他城市因而房价易于受到GDP的助推；DI对房价的影响不统一，对杭州和青岛这两个排名靠前的城市形成正向影响，对其他发展程度相对较低的城市形成反向影响；CPI对二线城市房价的影响是一致且温和的；货币供给则显著地影响了二线城市的房价，譬如对沈阳的影响，货币供应量每增加1%，沈阳市的房价涨幅高达0.414 5%；IFA对于二线城市房价的影响整体上也较大，比如对于重庆，全社会固定投资每增长1%，房价会上涨0.229 9%。

综合以上对二线城市的研究可得：货币供给和固定投资显著推动二线城市房价上涨；CPI温和带动房价上涨；GDP只对部分城市的房价有显著推动作用；可支配收入对于二线城市房价的影响类似于一线城市，均取决于城市的发展水平。

3.三线城市实证结果

利用Eviews6.0对三线城市样本的回归分析，结果如表6所示。

上表的检验结果表明，面板回归方程系数可以通过t检验，进一步地，得到面板回归方程，以向量形式表示如下：

则面板模型各回归方程系数分别为：a→=（-0.038 465，-0.597 621，-0.099 377，0.476 256，1.206 794，0.635 509）T，-0.076 533，c→=-0.093 232，d→=0.016 598，e→=0.116 472，0.045 920，C=4.993 507。

在检验模型方面，区别于一二线城市样本的是，三线城市样本的检验采用的是变系数模型，其各回归方程系数一致，仅截距项不同，这表明三线城市的房价受到了外部经济变量的一致影响。上述检验结果的现实意义在于：GDP和可支配收入对三线城市房价的影响并不显著；货币发行量对房价影响最大，货币发行量每增加1%，房价上涨0.116 5%；社会投资对房价有正向影响，社会投资每增长1%，房价上涨0.045 9%；CPI对三线城市的房价有正向影响，CPI每上涨1%，三线城市房价上涨0.016 6%。

（五）三类样本结果的非一致性分析

综合对三种城市的面板数据模型实证结果，对比分析发现：①国民生产总值对各线城市的影响都不太明显，仅对极个别的一线、二线城市的房价有微弱的助涨作用；②城市居民可支配收入对一线、二线城市房价的上涨有较大的正向促进作用，而对三线城市房价的影响则不明显；③CPI对三类城市都形成了一定的正向影响，但是对二线、三线城市房价的影响显著强于对一线城市房价的影响，且CPI要弱于可支配收入的作用；④货币供给对三类城市尤其是一、二线城市的房价形成了最大的推动作用；⑤社会固定投资对三类城市房价都有较强的推动作用，其强度仅次于货币发行量。

四、差异化调控手段选择

实证结果表明，不同级别城市的房价受到的影响因素是存在差异的，因此“一刀切”的调控方式是不科学的。基于以上差异性的研究结论，笔者认为不同级城市的主管部门应当制定和采取差异化的调控手段。

（一）针对一线城市的调控建议

针对一线城市主要从房地产信贷总量控制、城镇化影响以及可支配收入三个角度给出意见。①由于房地产兼具商品属性和金融投资属性，导致市场游资涌入房地产市场推高房价，而市场游资正是源于货币超量发行。因此，控制货币发行量至其与经济体系所需货币量相吻合的水平是非常重要的，在一线城市控制房地产市场信贷总量是非常有效的。②城镇化进程的深入使得短期内一线城市的固定投资总额还很难出现大幅下降，因此中央政府应适当向三线、四线地域倾斜，既能调整和平衡全国经济又能有效控制房价。③居民可支配收入决定购买力，能够推高房价，因此应当加速改革收入分配机制，引导高收入阶层的财富向中低收入家庭分流，提高中高收入阶层的消费能力和消费需求。同时，加强保障房建设和管理、完善住房供应体系，兼顾低收入人群的可支配收入低、购买力差的现实情况。

（二）针对二线城市的调控建议

房价的影响因素主要集中在货币供应量、城镇居民可支配收入、消费价格指数和社会固定投资三个方面：①在控制全国货币发行总量的同时，每一个二线城市也应当出台更加细化和具体的房地产信贷政策，二线城市应当着力于通过提高首付比例并适度提升放贷利率，严格控制投机性资金进入二线城市的房地产市场。②控制二线城市的固定投资规模对于稳定二线城市的房价也将起到重要作用，在大量行业产能过剩的现实背景下，控制投资规模的社会意义将远不止于稳定房价。此外，CPI对二线城市房价的影响表明二线城市还必须严格地控制本城市的物价水平，这需要努力保障消费品市场供应、稳定政府管理的商品和服务价格、加强价格行政执法、制定和启动临时价格干预制度等具体措施。③与一线城市相同的是，改革收入分配机制、控制财富向少数人聚积、加强保障房建设和管理、完善住房供应体系亦刻不容缓。从长远来看，二线城市房地产调控的总基调是强调市场配置资源，然而行政调控与市场调控是一个此消彼长的过程，限购、限价等行政手段将是一个逐步退出的过程，短期内限制性措施仍是二线城市房地产市场的主要调控方式。

（三）针对三线城市的调控建议

三线城市的房地产刚性需求相对较小，但由于房产价格基数低、新型城镇化加速等原因，近年来三线城市的房地产市场亦比较活跃。从本文的研究结果看，货币供给、固定资产投资和CPI对三线城市房价上涨起到了最关键的作用。一方面，虽然与一、二线城市比起来，货币供给对三线城市的影响较小，但为了防止投机性资金的涌入，三线城市也应当及时跟踪和控制房地产信贷总量，灵活收放房地产信贷，尤其是在新型城镇化和小城镇化建设的背景下，要尤其注意闲散资金的概念炒作和投机。另一方面，新型城镇化的建设将不可避免地带来社会固定资产投资的增加，对于三线城市而言应当特别重视产业均衡布局和投资效率。除此之外，在不抬高房价的前提下，三线城市还应加大医疗、教育的扶持力度，减轻居民负担，切实提高居民的收入水平，全方位、有效率地推进新型城镇化建设。

五、结束语

不同城市的经济发展状况和房地产市场结构存在差异，导致不同城市的房价影响因素存在空间非一致性。本文将全国的城市划分为一、二、三、四线的四种等级，选取北京等5个一线城市、杭州等6个二线城市和银川等6个三线城市为研究样本，基于2002-2012年的季度数据，构建了面板数据模型，实证结果显示不同级城市的房价影响因素确有差异，针对这些差异，笔者提出了兼顾房价调控和经济发展之间和谐的差异性调控手段建议，研究认为国内房地产市场调控应当注重城级差异、强调分类指导、突出长效机制构建，研究旨在为中央和地方政府制定调控政策提供理论参考。

［1］中国房地产业研究小组.中国房地产业发展的区域分析［J］.经济研究参考，1996（93）：28-44.

［2］易成栋.中国房地产业的地区差异——基于第一次经济普查数据的实证研究［J］.经济地理，2007，27（6）：981-984.

［3］彭本红，郭小群.我国房地产业发展水平差异分析及政策建议［J］.华东经济管理，2008，22（10）：65-67.

［4］王先柱，毛中根，刘洪玉.货币政策的区域效应——来自房地产市场的证据［J］.金融研究，2011（9）：42-53.

［5］搜狐焦点网房地产研究所.2011中国城市排行榜发布［N/ OL］.（2011-04-12）［2013-09-25］.http://hz.focus.cn/nens/ 2011-07-11/1378044.html.

［6］Quigley J M.Real estate prices and economic cycles［J］.Inter⁃national Real Estate Review，1999，2（1）：1-20.

［7］Miki Seko，Kazuto Sumita，Michio Naoi.Residential Mobility Decision in Japan：Identifying the Effects of Housing Equity Constraints and Income Shocks under the Recourse Loan Sys⁃tem［R］.The Asian Real Estate-American Real Estate and Urban Economic Association International Conference，the University of California，Los Angeles，2009.

［8］陈雷.合肥房地产业发展影响因素的实证研究——来自合肥市1999-2008年的经验证据［J］.华东经济管理，2010，24（5）：19-21.

［9］段军山，白茜.银行贷款、可支配收入与房地产价格波动：1999-2010——基于协整检验和VEC模型的实证分析［J］.管理科学，2011（11）：24-29.

［10］罗孝玲，洪波，马世昌.基于VAR模型的房地产价格影响因素研究［J］.中南大学学报：社会科学版，2012（4）：1-7.

［11］梁云芳，高铁梅.中国房地产价格波动区域差异的实证分析［J］.经济研究，2007（8）：133-142.

［12］张建坤，罗为东.基于自组织理论的房地产业演化动力研究［J］.华东经济管理，2010，24（1）：90-93.

［13］肖卓华.宏观经济变量对房地产价格的影响［D］.长沙：中南大学，2011.

［责任编辑：余志虎］

Spatial Nonuniformity of Factors Influencing Housing Prices and Different Macro-control Policies—An Empirical Research Based on Panel Data Model

LUO Xiao-ling，ZHOU Lin-jie，MA Shi-chang
（Business School，Central South University，Changsha 410083，China）

The real estate price is comprehensively affected by many kinds of macro economic factors，and the housing prices in different cities may be influenced by different factors.The paper classifies the cities nationwide into four levels，and selects 17 cities at the first，second and third level among them respectively as the samples.Choosing M2，CPI，GDP，Per capita disposable income of urban households and social fixed assets investment as explanatory variables，based on the quarterly data during the year of 2002 to 2012，it builds a Panel Data model to make a research on the spatial nonuniformity of factors influ⁃encing housing prices.The empirical results prove that the spatial nonuniformity does exist.Based on the study，this paper puts forward different macro-control policies to cities at the different levels.

real estate price；spatial nonuniformity；Panel Data model；macro-control policy

F293.3

A

1007-5097（2014）07-0037-05

10.3969/j.issn.1007-5097.2014.07.008

2013-10-29

国家自然科学基金青年项目（71203241）；湖南省哲学社会科学基金项目（12YBB273）；湖南省博士研究生科研创新项目（CX2012B108）；中南大学研究生自主探索创新项目（2014zzts129）

罗孝玲（1963-），女，湖南衡阳人，教授，博士生导师，研究方向：房地产理论与实践；

周琳杰（1989-），女，湖南株洲人，硕士研究生，研究方向：房地产理论与实践；

马世昌（1988-），男，山东潍坊人，博士研究生，研究方向：房地产理论与实践。