市场参与者预期与商品住宅价格的动态关系研究——基于时间维和空间维的比较分析

李 斌 张所地 武 斌

一、引 言

预期对中国商品住宅市场有直接的影响，对二者本质关系的科学揭示是政府住房调控、经济发展、社会稳定以及市场主体投资、消费决策的关键。Edwards认为预期是指市场参与者为实现个人利益最大化，对未来决策相关变量的变动所进行的预测［1］。由该定义可知，市场主体在追求个人利益最大化时，必然会对住房市场进行发展轨迹的事前估计，这种预期行为会造成供需决策乃至房价和市场运行的改变。由此，学术界亟待深入探讨预期与房价的关系，并将此作为消费、投资、管理决策的依据。

房价影响因素的现有成果主要围绕经济、社会、政策、区域等因素展开分析，如Jeanty等使用密歇根州的人口普查数据研究人口迁移和房价之间的关系，表明随着人口的增加，房价会上涨［2］;Guerrieri等的研究表明，居住社区的中产阶级化现象导致了城市内部房价的差异与波动［3］;郑基超等分析婚姻登记人数对房价的影响，结果表明人口因素是影响房价的重要变量［4］;韩鑫韬等通过理论分析和实证研究表明，人民币汇率变化对房价波动具有显著的间接负向影响［5］;李斌等的实证研究表明，开发性金融支持、消费性金融支持对房价具有正向支持作用，且这种作用是动态变化的［6］。但是，随着房地产市场的不断发展，上述因素在有些情况下对房价的解释有限，预期对房价的影响逐渐被学者们关注。Song等围绕美国居民1980—2000年的收入预期对房价的影响进行实证研究，表明居民的异质收入预期将造成房价走高［7］。Holtemoller等对 1980—2004年柏林居民投资于住房的行为进行研究，发现投资者在一般情况下因持有非理性预期而对未来房价难以形成正确的看法［8］。Bolt等在一个连接房租和房价的标准住房市场模型中引入异质预期，通过在8个国家的实证分析证实了住房市场中该类预期的存在性［9］。Gelain等在研究标准资产定价模型中房屋的均衡价格租金比率时引入理性预期和近视预期，并将两种模型的预期值与真实调查数据进行比较，发现当市场参与者持近视预期时，相对于基本面偏高的房价会使市场参与者对未来持有乐观预期［10］。谭小芬等的研究表明，人民币升值预期会通过流动性效应、财富效应等途径对国内房价产生影响［11］。王立凯等的研究发现，未来收入差距的预期会对自住房屋需求产生显著的正向影响［12］。孙伟增等通过问卷调查方式获取居民预期数据，并对该预期与房价关系进行实证分析，发现预期会通过影响购房需求来影响房价［13］。张浩通过在上海、广州的实证研究发现，基本面投资者和趋势型投资者的预期都会引起房价变动［14］。王频等在构建的DSGE模型中引入预期冲击，发现涨价预期会使住房使用成本下降，刺激需求而促使房价上涨，同时预期也有可能造成房价调控政策失效［15］。综观上述成果，学者们已洞察到房地产市场主体预期的存在及其重要性，并对预期房价效应进行理论或实证分析。然而，现有成果往往忽视预期与房价关系的动态变化。现实中房价存在时间波动性和空间差异性，预期与房价的关系是否随着时间和空间的变化而动态变化尚不可知，而且鲜有此方面的理论及量化分析。这种不足会造成无法准确把握预期与房价之间的本质联系，也难以为房价波动、调控低效等问题给出合理的解释与解决手段。

若分析预期与房价关系的空间变化，必须以对房地产市场合理的空间划分为前提。一部分学者按照地理区位进行划分，如Huang将美国房地产市场划分为东北、中、西部等区域，对不同区域房地产市场与货币政策的相互关系进行实证分析［16］。国内也有学者按照东部、中部与西部等区位特征将我国房地产市场分类并进行相关研究，如张红等［17-18］。另一部分学者则采用聚类分析方法，如Palmon等均通过对美国不同城市房价或房价波动的聚类实现了对住房市场的分类［19-20］。Hepsen等对土耳其71个城市的住宅市场进行聚类分析来为投资决策提供依据［21］;熊方军等采用传统二维聚类法对中国30个省市的房地产市场进行了分类［22］;居祥等采用2010年的统计数据对长江流域房价进行聚类分析并将其划分为4个等级区［23］。若采用按地理区位划分的方法，则同一区位省市的差异、不同区位省市的相似性都会被忽视;若采用按某一固定时期的二维聚类方法划分，则无法考察市场的动态变化特征，聚类结果的准确性也会受到影响。因此笔者最终选择考虑市场动态变化的面板数据的聚类方法来对房地产市场进行分类。

基于以上分析，选择中国30个省(直辖市、自治区)为研究对象，采用面板数据模型、面板聚类法，分别从时间维度和空间维度，动态地、比较地考察预期与商品住宅价格之间的数量关系，力图更好地刻画两者之间的本质联系，为管理者、购房者和开发商深入认识房价运行规律、科学合理决策提供参考依据。

二、基于时间维的实证检验

1．实证模型、变量与数据

以中国30个省(直辖市、自治区)(以下简称30个地区)为研究对象①由于西藏自治区商品住宅累积销售额、累积销售面积、城市居民消费价格指数、房地产开发企业国内贷款额等指标的月度数据缺失较多，故将其从实证研究对象中剔除。，样本数据是2001年1月至2015年12月的月度面板数据。除市场参与者预期因素之外，首先，从供需均衡分析角度选取土地成本、建筑成本、金融成本、人口等因素作为影响商品住宅价格的主要因素。其次，样本期内政府针对商品住宅市场的调控政策频出，使其成为房价的关键影响因素，而货币、信贷、土地、税收和行政法律手段等是政府对房价进行调控的常用手段，因此选取贷款利率、存款准备金率、房地产开发企业国内贷款额、土地交易价格等学界较为认可的指标作为货币(价格型)、货币(数量型)、信贷、土地等政策工具的代理变量。其中，贷款利率和土地交易价格同时作为影响房价的成本因素存在;税收和行政法律手段限于数据可获取性，不对其进行实证分析。最后，对样本数据观察可知，各地区房价走势有如下特点:2001—2003年，房价略有上升或保持相对稳定;2004—2007年，房价表现为普遍性上涨;2008年，房价增幅普遍放缓;2009—2013年，房价普遍大幅上升;2014年后，各地区房价增速基本放缓，保持相对稳定或小幅上升。因此，应该将时间虚拟变量D2004、D2008、D2009与 D2014引入模型。

综合上述分析，建立如下房价决定面板模型:

式中:i表示地区，t表示时间，α0为常数，λi表示各地区非时变特质;β1～β7分别为预期、土地成本(土地政策)、建筑成本、金融成本(价格型货币政策)、人口数量、数量型货币政策、信贷政策对住房价格的影响，β8～β11表示时间对房价的影响，εi，t是随机扰动项。

用商品住宅销售价格、竣工房屋造价、土地交易价格、5年以上贷款基准利率、年末城镇人口数量、存款准备金率、房地产开发企业国内贷款额等指标替代房价、建筑成本、土地成本(土地政策)、金融成本(价格型货币政策)、人口、数量型货币政策、信贷政策参与建模。更重要的是，中国商品住宅市场真正发展始于1998年，虽然市场主体的经验、知识得到极大丰富，但是客观上市场机制不健全、信息不对称等，以及主观上惯例、习俗、思维定势等也会影响人们对信息的分析和筛选，表现为预期的非理性特点。人们往往会按历史房价的波动特征对未来房价变化进行判断，他们认为历史趋势会延续到未来，即预期表现出“短视”特点。结合房地产市场的上述现实，参考张亚丽等对预期的刻画方法，以市场参与者持短视预期为假设条件，并假设其按最近1年内的房价走势预期未来房价［24-25］。根据Dipasquale等学者给出的短视预期测度方法［26］，预期可用公式(2)进行计算:

由于没有官方公布的月度数据，商品住宅销售价格按式(3)计算:

采用均值插值法将该指标以及竣工房屋造价年度数据转换为月度数据。

假设城镇人口呈均匀指数增长，其年度、月度数据的转换公式为:

式中，i表示年份，i=2001，2002，…2015;j表示月份，j=1，2，…12;Ni，j、Ni－1，12、Ni，12分别表示第 i年第 j月、上年末以及本年末的城镇人口数量。

房地产开发企业国内贷款额公布的月度数据是月度累积值，按照后月减前月的方法将其转化当月实际值。

对样本数据季节性调整并剔除通胀影响，同时对预期、房价、造价、地价、人口、企业贷款额取对数，并用表示。实证分析使用的统计软件是Stata12．0。各统计指标数据来源见表1。

表1 统计数据来源

2．模型估计结果与分析

对中国30个地区2001年1月至2015年12月的样本数据进行建模分析，时间虚拟变量D2004、D2009与D2014的系数显著(D2008的系数不显著)，证实房价具有分阶段的波动特征。因此，将样本区间划分为4个阶段重新估计(分别记为模型Ⅰ～Ⅳ)，结果见表2。

表2 4个时段模型估计结果

由表2可知:

①模型Ⅰ～模型Ⅳ的拟合优度分别为0．535 8、0．2354、0.4033 和 0.8061，拟合能力尚可;F 检验的P值均为0，都通过了联合显著性检验。

②从时间维度看，预期与房价的关系是动态变化的。比较模型Ⅰ～Ⅳ，从作用方向来看，预期在4个阶段对房价均产生了正向作用;从作用力度来看，预期对房价的影响程度随时间推移而不断加强，预期房价上涨1%，实际房价将分别上涨0.072 7%、0.1195%、0.2726%、0.5077%。这与现实情况相吻合:2001年以来，住宅市场参与者对市场趋势和宏观基本面的认识不断发展，政策透明度在不断提高，市场参与者预期的主客观条件逐步完善，且经历了从无到有、从弱到强的过程。2001年至2015年期间，商品住宅价格始终呈现一种波动性上涨的特点，市场参与者往往会依此对未来形成乐观预期，进而刺激潜在需求转化为现实需求。因此该预期对房价产生了显著的正向刺激作用，反过来进一步加强乐观预期，从而使预期的正向刺激作用不断强化。该结论证实整个样本期内预期对市场发展所起到的重要作用，同时从时间维度看，预期的房价效应是动态变化、不断加强的。

三、基于空间维的实证检验

如果按东、中、西等区位特征划分地区，简单易行且可体现一定地域特色，但隶属同一区位省市的住房市场可能明显不同，而不同区位省市住房市场的发展可能相近。因此，将30个地区按商品住宅价格水平指标进行面板聚类，并进一步探讨不同类型地区预期与房价关系的差异性。

1．面板数据的聚类

面板数据聚类分析的特点是将面板模型与多元统计方法相结合。设有N个个体构成总体，x表示个体特征，T表示时间长度，则t时期第i个个体的指标值用 xit表示，有 i=1，2…，N，0≤t≤T。用距离dij来表示总体中第 i、j个体的相似性，且有 dij≥0，当且仅当 xi=xj时，dij=0;dij=dji，对所有 xi和 xj;dij≤dik+dkj，对 xi、xk和 xj。实证时选取平方欧式距离表示个体间的相似程度，并有:

选取离差平方和法描述类间相似程度，并有:

系统聚类时，每个xit(i=1，2…，N)首先自成一类，共有N类;根据相似指标把距离较近的两个数据归成一类，逐渐凝聚成小类;选择使类内离差平方和增加最小的两类凝聚，直至所有个体合并为一类。

2．面板聚类结果

面板数据的聚类结果见表3。

表3 面板数据的聚类结果

3．模型估计结果与分析

从水的实际用途进行归类，水的使用大致可以分为自然使用和人为使用，自然使用主要包括生活饮用水、家禽用水和家庭用水，相关用水权利是一种绝对权利。人为使用主要体现为水用来进行发电、生产和休闲，相关用水权利通常不是绝对权利。如果自然使用和人为使用存在冲突，如何合理分配水权呢？通常，人们认为自然使用优于人为使用。问题是，当水资源能够满足自然使用需求，但是无法满足各种人为使用需求时，如何在用水需求相互竞争的用水人之间分配有限的水资源？

根据表3，对1～4类地区分别使用Panel Data模型进行估计，且分别记为模型A～D(表4)。

由表4可知:

①模型 A～D的 R2分别为 0.796 0、0.788 9、0.7606和0.582 3，拟合能力良好;F检验的P值均为0，都通过了联合显著性检验。

②从空间维度看，预期对1～4类地区房价都产生了显著的、力度各异的正向影响。预期房价每上涨1%，第 4、2、1、3 类地区的房价将上涨 0.328 0%、0.2795%、0.2581%和0.1172%。在第2、4类地区，预期是房价最主要的影响因素，在第1、3类地区，其影响也仅次于造价、地价。从整体来看，预期已成为了各类地区房价的关键影响因素，且大体上表现出了随房价水平下降影响程度反而加强的特点。辽宁、内蒙古、广西等房地产业落后地区，样本期内房价涨幅小、波动性大;北京、上海等房地产业相对成熟地区，样本期内房价上涨快，更多地突显出 了其发展的惯性。两者相比，前者房价未来的发展更具有不确定性，市场参与者为了追求利益、规避风险，势必会对市场前景进行更慎重的事前估计，因此这些地区预期对房价的作用更加明显。上述结论体现了预期与房价关系在空间上的动态变化。

表4 1～4类地区面板模型估计结果

③成本因素对1～4类地区商品住宅价格的影响效果存在不确定性。土地交易价格对第3、1、2、4类地区的正向影响程度依次减弱;竣工房屋造价对第3、1、4、2类地区房价的推动作用依次递减，且其为第1、3类地区房价波动的最主要动因;贷款利率只对第4类地区产生了显著的负向影响。

④宏观调控工具对1～4类地区房价的干预效果也存在不确定性。地价对1～4类地区的房价都产生了正向影响，说明样本期内抑制市场过热的土地计划、价格管制等手段反而刺激了房价的上涨。贷款利率仅对第4类地区房价产生了显著的抑制作用，而在其他地区，该手段的干预效果未得到体现。存款准备金率对第1、2、4类地区产生了显著正向影响，说明样本期内政府使用降低流动性、抑制非理性投资的干预手段，同样也刺激了房价上涨，干预失效。企业贷款额只对第2、4类地区产生方向相反的显著影响，而对其他两类地区的影响不显著。对于天津、浙江等地，由于经济发达、人口密集、需求旺盛，开发贷款增加反而造成了投资过热和房价上涨;而在辽宁、山西等地，市场需求有限，开发贷款增长、供给增加，会对房价产生负向影响。综上可见，政府只有出台差异化、精准性的调控政策才能真正提高干预的有效性。

四、结论与启示

首先建立了房价决定面板模型，其次通过考察房价波动的阶段性特征和不同地区房价动态变化趋势的差异性将中国30个地区的样本数据划分到4个阶段和4类地区(样本期为2001年1月—2015年12月)，最后采用面板计量模型、面板模型的聚类分析等方法，分别从时间维度、空间维度探析预期的房价效应，定量、对比地分析预期与房价的动态关系。主要结论有:①从时间维度看，预期与房价的关系是动态变化的。以2004年、2009年、2014年为界将样本期划分为4阶段，预期在各个阶段对房价均具有统计上显著的正向影响，且影响程度随时间推移而不断加强。②4个阶段房价的主要影响因素是不同的，分别是竣工房屋造价、城镇人口数量、竣工房屋造价和市场参与者预期。③从空间维度看，市场参与者预期对各类地区均产生了统计上显著的正向影响，且大体表现出随房价水平下降影响程度反而加强的特点。④影响各类地区房价的主要因素是市场参与者预期与竣工房屋造价，而宏观调控政策在各类地区对房价的影响效果不确定。

由上述结论可知，随着时间和空间的变化，预期的房价效应也会发生变化。这不仅为样本期内房价波动、地区间市场发展不平衡，以及住房调控低效等现象给出了新的解释，而且反映出科学管理市场参与者预期是促进市场稳定发展的重要手段。因此，管理部门应该实时监测市场预期的发展动态，掌握预期的作用规律;完善房地产市场信息公开制度，及时向公众发布房价、投资额、销售额等统计信息，并权威解读;加强对企业、消费者专业知识、信息收集处理能力的培养，引导其形成合理预期，这样才可能把握市场运行规律，实时调整决策，采取正确的行动。

［1］EDWARDSK D．Prospect theory:a literature review［J］．International Review of Financial Analysis，1996，5(1):19-38．

［2］JEANTY P W，PARTRIDGE M，IRWIN E．Estimation of a spatial simultaneous equation model of population migration and housing price dynamics［J］．Regional Science and Urban Economics，2010，40(5):343-352．

［3］GUERRIERI V，HARTLEY D，HURST E．Endogenous gentrification and housing price dynamics［J］．Journal of Public Economics，2013，100(1):45-60．

［4］郑基超，倪泽强，孙韦．人口结构对房价的影响——基于面板数据的分析［J］．江淮论坛，2016(5):22-27．

［5］韩鑫韬，刘星．汇率变化对房价波动存在溢出效应吗?——来自1997—2015年中国房地产市场的证据［J］．中国管理科学，2017，25(4):7-17．

［6］李斌，和倩，张所地，等．金融支持对房地产市场的时变影响机制研究——以山西省为例［J］．经济问题，2017(7):20-25．

［7］SONG Z，FAVARA G．House price dynamics with heterogeneous expectations［C］//Society for Economic Dynamics ，Istanbul:2009．

［8］HOLTEMOLLER O，SCHULZ R．Investor rationality and house price bubbles:Berlin and the German reunification［J］．German Economic Review，2010，11(9):465-486．

［9］BOLT W，DEMERTZIS M，DIKS C，et al．Identifying booms and busts in house prices under heterogeneous expectations［J］．Ssrn Electronic Journal，2014(450):1-44．

［10］GELAIN P，LANSING K J．House prices，expectations，and time-varying fundamentals［J］．Journal of Empirical Finance，2014，29(3):3-25．

［11］谭小芬，林木材．人民币升值预期与中国房地产价格变动的实证研究［J］．中国软科学，2013(8):55-66．

［12］王立凯，张帅．自住房屋需求与预期收入差距——基于住房地位寻求视角的解释［J］．经济问题，2015(12):33-39．

［13］孙伟增，郑思齐．居民对房价的预期如何影响房价变动［J］．统计研究，2016，33(5):51-59．

［14］张浩．异质性预期、投资者行为与房价波动:上海和广州的双城记［J］．财经研究，2016，42(8):51-61．

［15］王频，侯成琪．预期冲击、房价波动与经济波动［J］．经济研究，2017，52(4):48-63．

［16］HUANG M C．Monetary policy implications of housing shift-contagion across regional markets［J］．Journal of Economics and Finance，2012(2):1-20．

［17］张红，李洋．房地产市场对货币政策传导效应的区域差异研究——基于GVAR模型的实证分析［J］．金融研究，2013(2):114-128．

［18］张洪，金杰，全诗凡．房地产投资、经济增长与空间效应——基于70个大中城市的空间面板数据实证研究［J］．南开经济研究，2014(1):42-58．

［19］PALMON O，SMITH B A，SOPRANZETTI B J．Clustering in real estate prices:determinants and consequences［J］．Journal of Real Estate Research，2004，26(2):115-136．

［20］MILESW．Volatility clustering in U．S．home prices［J］．Journal of Real Estate Research，2008，30(1):73-90．

［21］HEPSEN A， VATANSEVER M．Using hierarchical clustering algorithms for Turkish residential market［J］．International Journal of Economics＆ Finance，2012，4(1):138-150．

［22］熊方军，邓长荣，马永开．基于宏观调控的我国房地产市场聚类研究［J］．管理学报，2007，4(6):829-832．

［23］居祥，张燕，黄贤金．聚类分析在长江流域地区房地产价格研究中的应用［J］．经济地理，2013，33(3):79-83．

［24］张亚丽．预期、市场基本面和房价拐点［J］．经济学家，2011(9):20-27．

［25］任荣荣，郑思齐，龙奋杰．预期对房价的作用机制:对35个大中城市的实证研究［J］．经济问题探索，2008(1):145-148．

［26］DIPASQUALE D，WHEATON W C．Urban economics and real estate markets［M］．New Jersey:Englewood Cliffs，1996．