长三角城市群房价泡沫测度及空间传染效应

张 超

(安徽财经大学 金融学院，安徽 蚌埠233030)

一、引言

近年来，房价的过快上涨引发了社会各界的广泛关注，房价是否存在泡沫也成为热点话题。房地产价格的波动不仅关乎国民经济的健康发展，对人民生活的安定也有着重要影响。各级政府对房地产业的调控政策一直持续不断，既有2005年的“国八条”、2006年的“国六条”、2010年的“国十条”、2011年的“新国八条”、2013年的“国五条”等抑制房地产价格过快上涨的调控政策，又有刺激房地产业发展的相关措施，如2015年11月中央提出要化解房地产库存，促进房地产业持续发展。随后2016年出现了房价的飙升，合肥、南京、苏州与厦门等领跑楼市的“四小龙”在这一波涨势中表现得尤为突出；2016年末至2017年初，在严控一线、二线城市房价后，三线、四线城市的房价又迎来上涨的小高潮，直至2017年下半年国内房价才渐趋稳定。在党的十九大报告中，进一步明确了“房子是用来住的,不是用来炒的”的楼市定位，房地产调控政策呈现进一步趋紧的态势。而判断房价有无泡沫、泡沫程度大小以及各城市间是否存在“传染效应”则是实施房地产调控政策的一个重要基础。长三角城市群作为我国经济发展水平领先的城市群，由于经济发展水平较高、政策支持和地理优势等原因会导致房价上涨速度较快，那么这一区域的房价是否存在泡沫？城市群内各地区间的房价是否存在空间上的相关性？又是否会相互影响？有鉴于此，本文拟从两方面进行研究:一是分析长三角城市群的房地产价格是否存在泡沫并对其进行测度；二是研究长三角各城市间房价泡沫的空间传染性。以期为分析其他区域的房价泡沫问题起到一定的借鉴作用，并从联动机制和传染效应视角为国家对房价的宏观调控提供有建设性的政策建议，这也是本文的研究意义所在。

二、国内外研究现状

当前，学术界对房地产泡沫的测度主要有以下三种方法：一是指标指示法，即通过构建房价泡沫的指标(如房价收入比、房地产投资额等)判断房价泡沫程度[1]。吕江林利用房价收入比、租售比和空置率等多个统计指标测度得出中国城市房地产价格存在泡沫[2]。安鹏等采用相关指标对上海和北京的房地产价格泡沫进行了测度[3]。二是统计检验法，即通过单整或者协整方法检验房价是否平稳，并在不平稳的基础上测度经济基本面对房价泡沫的影响[4]。Oikarinen等采用协整和因果关系检验，得出了英国和瑞典等西方国家房地产市场存在“波纹效应”的结论[5]。Mikhed和Zemík通过美国各州房价与居民收入之间的协整关系检验出美国房地产市场存在泡沫[6]。王鹤和周少君运用面板单整与协整检验方法验证了我国东部地区房价存在泡沫[7]。此外，郭文伟利用单位根右侧ADF泡沫检验方法对我国2001～2015年间的商品房的周期性泡沫进行了检验，结果表明周期性泡沫存在且泡沫程度分化明显[8]。当然，检验泡沫的存在只是第一步，胡健颖在泡沫存在的基础上对房价泡沫程度进行了测度[9]。三是理论价格法，当资产价格异常膨胀并严重偏离其真实价值的时候，泡沫就会产生[10]。因此可通过建立模型计算房地产理论价格，再与实际价格比较，测度出房地产价格泡沫[11]。李梦玄和曹阳以行为金融理论为基础，从微观和宏观两个层面，利用逆向选择、羊群效应和蓬齐对策三个因子对1997～2011年我国的房地产价格泡沫进行了测度和研究[12]。韩冬梅等以房地产基础价值为状态变量，构建了一个商品房供给与需求的状态空间模型，对上海市房价泡沫进行了测度，得出2002～2006年的泡沫平均程度达22.5%[13]。类似地，张玉双利用指标法、因素回归法和局部均衡法对我国2004～2013年各地区房价泡沫进行了测度，三种测度方法都得到了相似的结论[14]。

对于房地产泡沫的联动机制和传染效应，国外学者的研究较为丰富。Costello等利用VAR框架下的动态现值模型估计澳大利亚大城市房价的基本价值，并研究房地产非基本价值(即房价泡沫)在区域间的传染效应[15]。Riddel通过建立误差修正模型也得出洛杉矶的房价泡沫会导致拉斯维加斯房价泡沫的形成[16]。Nneji等则认为房地产价格泡沫的传染性并非只会从一个地区传染到邻近地区，一般来说泡沫传染是多方向的，并不完全依赖于地区远近[17]。相对而言，国内学者的相关研究较少，主要是利用面板数据对房地产泡沫进行测度，并通过相关检验得出房地产价格泡沫存在联动和传染性，以佐证地理邻近是房价泡沫传染的主要渠道，且经济发展水平和信贷市场的相似性会加剧传染效应[18]。此外，也有国内学者运用因子分析法测度房地产泡沫，并通过层次聚类法分析得出各省份的房地产泡沫由于经济发展不平衡而存在较大差异[19]。

从已有研究来看，国内外学者对于房地产价格泡沫的测度进行了诸多有益的探索和尝试，使我们有丰富的成果可以借鉴。但国内研究仍有两点值得改进，一是国内文献大多是检测泡沫的存在性或者测度泡沫大小，鲜有学者对房价泡沫的空间传染性做进一步研究；二是国内学者一般将全国所有大中城市的房地产价格作为研究对象，没有考虑到区域之间的差异性。因此，本文首先在对房地产价格泡沫进行测度的基础上，继续对其空间传染性进行研究，以此验证房价泡沫是否具有传染性，充实国内房价泡沫传染性方面的文献；其次，缩小样本范围，将经济发展水平在全国领先的长三角城市群作为研究区域，不仅使研究更具针对性，对其他区域和城市而言也更有借鉴价值。

三、实证模型和估计方法

实证研究内容分为两部分，第一部分使用静态面板模型对房地产泡沫进行测度，第二部分则利用GMM估计法对房价泡沫的空间传染性进行研究。

(一)房地产价格泡沫测度模型

一般来说，多数学者把房地产的价格分为基础价格和非基础价格两个部分，基础价格是由经济基本面因素决定的价格，非基础价格则是由心理预期等非经济因素决定的价格[20]。而房地产泡沫是房地产实际价格偏离基本价格的部分，也可以理解为非基础价格。

从经济基本面来看，影响房价的因素来自供给和需求两个方面。洪涛等在研究中国房地产价格泡沫及空间扩散时采用的是人均可支配收入、土地交易价格指数、房屋销售价格指数、消费品价格指数、城镇年末总人口以及各城市的房屋平均销售价格等指标[18]；孙焱林等运用了城镇居民人均可支配收入、人口密度、房地产开发成本、商业银行贷款利率来测度房产泡沫[21]；而苑德宇和宋小宁则只选取了人均GDP和1～3年期贷款利率作为研究指标[22]；李平在研究房地产泡沫时，分别采用了房地产开发投资额占GDP以及全社会固定资产投资额的比重、商品房施工面积占竣工面积的比例、房价收入比、房地产价格增长率占GDP 增长率的比重等指标[23]。综上所述，考虑到房地产泡沫受到供给和需求两个基本面的影响以及数据的可得性，本文选取收入、房地产开发投资额、金融机构5年期贷款利率等指标来测度房地产泡沫。已有学者对收入和房地产开发投资额与房地产价格之间的关系做了相关研究。根据况伟大的研究可知，收入与房地产价格呈正相关关系，即收入越高，对房地产需求越大，房地产价格就越高[24]。唐礼智等认为房地产开发投资额对房地产价格的影响是不确定的，一方面房地产开发投资额增加会使得房地产供给增加，房地产价格下降，另一方面它又会使得房地产开发成本增加，从而房地产价格上涨[25]。

非基础价格主要是由人们的适应性预期所形成的，即过去的房价变化会影响人们对下一期房价的预测，房价泡沫具有持久效应，本文为了方便研究，仅考虑前一期房价泡沫的影响。非基础价格由式(1)表示：

πit=Et+1/(1+rt)

(1)

式(1)中，πit为房地产价格中的泡沫项，Et+1指的是房地产下一期的预期资本收益，rt为本期的实际利率。假设投资者具有适应性预期，则投资者对房地产下一期的预期资本收益是过去房价变化的函数，则：

Et+1=f(λt-1,λt-2,…λt-a)

(2)

式(2)中，λt-b=(Pt-b-Pt-b-1)/Pt-b-1，b=1,2,3，…a

(3)

根据以上理论，房地产价格泡沫Bit=Pit-Pfit，Pit为t时期在i地区的房地产的实际价格，Pfit为房地产的基本价格。本文采用如下的计量模型(4)计算房地产的实际价格：

Pit=α0+α1Yit+α2Xit+α3Rit+α4πit+μit

(4)

式(4)中，Yit、Xit、Rit分别为t时期在i地区的收入、房地产开发投资额、金融机构5年期贷款利率，因此房地产价格的泡沫Bit=α4πit，μit为随机扰动项。

(二)房地产价格的空间传染效应

在对房地产价格泡沫进行测度之后，需要对泡沫的空间传染效应进行研究。从上文可知，某地区的房地产价格泡沫是该地区过去房价变化的函数，即前一期的房价泡沫会影响到人们对下一期房价变化的预测。但从已有研究来看，某个城市的房地产价格泡沫不仅仅会受到该地区过去房价变化的影响，还会受到其他城市房地产价格泡沫的影响[22]。由于样本期间较短，采用仅包含个体效应的动态面板模型，模型如下：

Bit=β0+β1Bit-1+εit， εit=φi+ωit

(5)

式(5)中，Bit=(b1t,b2t,b3t…,bnt)'是第一阶段测度的泡沫，它是n×1的列向量，t=1,2,3，…T，解释变量Bit-1是被解释变量Bit的滞后项，指的是前一期泡沫对本期泡沫的影响，反映的是房价泡沫存在的持久效应，εit表示的是某地区房地产价格泡沫受该地区房价泡沫本身之外的影响，即其他城市的房价泡沫对该地区房地产泡沫的影响，反映的是房价泡沫的空间传染性。残差项εit包括个体效应φi和异质性冲击ωit，从动态面板模型的形式来看，滞后项Bit-1会与个体效应φi相关而产生内生性，此时若采用OLS估计法，就会得到有偏和不一致的估计量，因此这就需要使用基于工具变量的广义矩估计方法，可以减弱内生性，得到一致的估计量。

四、长三角房地产价格泡沫实证分析

传统意义的长三角城市群是指江浙沪毗邻地区的16个市所组成的都市群①，在2016年的最新规划中扩大到26个城市。考虑到研究的时间跨度及各城市的地理区位等因素，本文主要对传统意义的长三角城市群的房价泡沫进行测度并探究其空间传染效应。选择长三角城市群的房地产价格作为研究对象主要有以下两个原因：一是长三角地区经济发展水平在全国处于中上水平，购房需求比较旺盛，各城市的房价相较于其他省市来说处于较高的水平，因而房价存在泡沫的可能性较大；二是长三角地区受到中央政府比较多的关注，一直以来也是国家宏观调控政策的试点区域，因而研究其房价有利于为政府相关部门调控房价提出合理的建议，并且对其他区域和城市有重要的参考价值。由于泰州、南通和绍兴的数据缺失严重，本文将剔除这3个城市，以其他13个城市2007～2015年间的面板数据进行研究②。

(一)指标的建立与数据的选取

在测度房地产泡沫时，选取房地产价格、收入、房地产开发投资额以及金融机构5年期贷款利率等指标。房地产价格用商品房平均销售价格表示③，用城镇居民家庭人均可支配收入表示收入，用全市房地产开发投资完成额表示房地产开发投资额，金融机构5年期贷款利率为当年贷款利率的平均水平④。为消除通货膨胀影响，以2005年为基年，采用各城市CPI数据将以上变量转化为真实值。对变量进行描述性统计(见表1)，从表中可以看出变量的均值、最大值、最小值和标准差的数值都比较合理，且变异系数均小于1，表明在样本期间内所有变量的值都比较稳定。

表1 变量的描述性统计

(二)房地产价格泡沫测度

对面板数据进行检验，采用LIC检验、IPS检验、Fisher-ADF检验和Fisher-PP分别对面板数据进行单位根检验,结果表明，所有变量均为一阶单整。对所有变量进行KAO协整检验，检验结果也表明房地产价格和其他变量之间存在协整关系。

1．模型估计

分别建立随机效应模型和固定效应模型并进行Hausman检验，在1%的显著性水平下拒绝原假设，因此对模型(4)建立固定效应模型(见表2)。

表2 房地产价格固定效应模型

注：**表示在1%的显著性水平下显著，*表示在5%的显著性水平下显著。

从表2中可以看出，回归模型的拟合优度为89.81%，说明模型的显著性良好，利率R在5%的显著性水平下显著，其他变量在1%的显著性水平下显著。并且各变量均符合经济意义，收入Y、房地产开发投资额X和泡沫项πit与房地产价格正相关。一般来说，可支配收入越高，对房地产需求越大，旺盛的需求就会拉动房地产价格上涨；在此处，房地产开发投资额与房地产价格正相关，即房地产开发投资额增加导致的开发成本增加对房价推高的效应要大于房地产供给增加导致房价下降的效应；泡沫越大，说明房地产价格中虚高的成分越大，房价也会越高。利率R与房地产价格负相关，当利率上升时，人们的投资需求下降，对房地产需求减少，房地产价格就会有所下降。

2．长三角各城市房地产价格泡沫测度和分析

根据固定效应模型估计出来的泡沫项πit的系数，计算出房地产泡沫Bit=α4πit，然后计算出房地产泡沫成分在其实际价格中的比例，即泡沫比例=Bit/Pit。分别计算长三角的13个城市在2007～2015年间的房地产价格中的泡沫比例(见表3)。

表3 2007～2015年期间长三角房地产价格中的泡沫比例 单位(%)

注：泡沫比例为负值，表示投资者预期下期房价下降而导致的本期房价低于经济基本面决定的房价。

从表3中可以看出，在2007～2015年间，长三角各城市房地产价格中的泡沫比例均不同程度地出现了正值，表示房地产价格在某种程度上出现了泡沫成分，这也与王鹤和周少君的研究结论相一致[7]。而且房价泡沫有以下特征。第一，各城市房价泡沫最大值出现的年份不一致。上海、宁波、杭州、台州、南京、苏州和扬州等城市房价泡沫比例的最大值都出现在2010年，舟山和常州房价泡沫比例的最大值出现在2009年，无锡和镇江房价泡沫比例的最大值出现在2011年，湖州房价泡沫比例的最大值出现在2007年，嘉兴房价泡沫比例的最大值出现在2008年。第二，各城市房价泡沫比例波动较大，变化趋势不明显。在2007～2015年间，长三角各城市的房价泡沫比例有负有正，无论是一线城市上海，还是杭州、南京和宁波等二线城市，或者是其他三线城市，房价泡沫比例在各年份波动都较大，没有明显的变动趋势，这说明长三角城市群的房价表现出了较高的不稳定性。第三，各城市的房价泡沫可能具有一定的传染性，以地理位置临近的上海、苏州和嘉兴为例，上海和苏州的房价泡沫比例在2010年达到峰值，分别由2009年的-1.17%和1.52%上升到2010年的16.33%和4.43%，随后又开始下降；而嘉兴的房价泡沫比例在2009年也开始上升，在2010年达到10.93%，并持续上升到2011年的11.06%，随后开始下降。这说明嘉兴的房价泡沫与上海、苏州相比可能在空间上有一定的相关性和滞后性，并且经济发展水平较高城市的房价会对周边城市的房价起到 “示范效应”。第四，某些年份的房地产价格泡沫比例为负值，这是因为投资者预计下一期房价下降，从而房地产价格增长率λt-b<0使得πit<0，最终导致房地产的实际价格低于经济基本面决定的价格。

3．长三角各城市房地产价格泡沫空间传染性检验

从以上分析可知，各城市的房价泡沫可能在空间上存在相关性，本文采用广义矩估计GMM估计动态面板模型，对长三角房价泡沫的空间传染效应进行分析(见表4)。原假设为模型过度约束成立，Sargan检验的J统计量为12.2762，相应的概率P值为0.4238，在5%的显著性水平下接受原假设，即模型设定成立。泡沫滞后项的系数为正(0.2062)，并且变量显著(P=0.0000)，说明房价泡沫具有持久性，上一期的房价泡沫对本期房价有推动作用，当上期房地产价格存在泡沫时，投资者预期房价仍会继续走高，从而会加大对房地产的投资力度，旺盛的需求会导致房地产价格被进一步推高，这也反映了投资者“买涨不买跌”的跟风心理。Pesaran CD检验的概率P值为0.0005，在1%的显著性水平下拒绝原假设，即各城市的房地产价格泡沫之间存在空间传染性。

表4 动态面板模型估计结果

表5 长三角房价泡沫的Pesaran CD检验

4．房地产价格泡沫存在空间传染性的成因及后果

由于适应性预期的存在，其他城市的房价波动，会影响投资者对本地房地产价格的预测和估计，进而会影响投资者对本地房地产的需求，因此本地房价也可能会相应发生变化。具体来说，有经济和地理两方面的因素。

第一，特大城市上海作为全国经济中心，吸引了大量人才和资金的流入，形成了资源集聚优势，其辐射效应带动了长三角区域各城市的经济发展，促进了区域间人才、技术和资金的交流，从而导致房地产市场的供给和需求出现趋同效应，形成了区域性的房价集聚现象。第二，地理位置的邻近，便于省际和城市间的资金、技术以及人力资源的流动，一方面有利于城市间经济的协调发展，另一方面由于示范效应的存在，相邻城市间消费者对房地产的需求也会逐渐趋于一致，这也会导致房价出现齐涨现象。房地产价格泡沫的空间传染性会导致房价的波动效应放大，某个城市的高房价会推动周边城市的房价上涨，加剧房地产市场的不稳定性，影响宏观经济的运行，继而影响国民经济的健康发展。

五、结论与对策建议

根据以上的理论分析，并以长三角13个城市2007～2015年间的面板数据进行实证分析，得出以下几点结论：一是长三角各城市的房地产价格均不同程度出现了泡沫;在2007～2015年间，各城市房地产价格的泡沫比例有正有负;泡沫比例出现最大值的年份不一致，这说明长三角城市群的房价波动并没有出现显著趋势，房价具有不稳定性；二是长三角城市群各城市的房地产价格泡沫存在空间上的相关性，某个城市的房价变动，会对其他城市的房价造成影响。现针对以上结论提出几点建议。

(一)推动房地产行业的供给侧结构性改革

政府要大力推动房地产行业的供给侧结构性改革，促进房地产行业的“去杠杆”。由实证分析部分可以得知，房地产开发投资额对房价上涨有正向的推动作用，因此监管部门要出台严格政策加强房地产行业的监管；金融机构要收紧房地产类信贷，减小对房地产企业和购房者的支持力度，降低房地产行业的杠杆率。政府要继续大力支持中部崛起和西部大开发战略，引导中西部人口回流，降低东部地区的住房需求，缓解房地产市场过分集中的矛盾，促进房地产市场的均衡发展。

(二)建立抑制房价上涨的长效机制

实证结论表明房地产价格泡沫具有持久性，前一期的房价泡沫会推动本期房价上涨，因此政府要建立和完善长效机制抑制房地产市场的投机行为，进一步明确和落实“房子是用来住的，不是用来炒的”的定位；要推进房地产长期租赁市场建设，严格控制信贷资金用于投资投机性购房；同时，应加快推进房产税立法，并推出房地产金融投资产品，以满足合理的房地产投资需求。

(三)调控政策要充分考虑房价泡沫传染问题

实证研究发现房价泡沫具有空间上的相关性，并且通过理论分析解释了这种相关性存在的原因和导致的后果。经济发达城市一般会对周边城市产生辐射效应，其房地产价格很有可能成为房价波纹效应的波动源，对周边城市的房价产生影响。因此，各地政府在制定房价政策时，既要时因地制宜又要统筹兼顾，充分考虑城市之间房价波动的相互影响，加强区域协调和合作，避免房价泡沫传染带来的负面冲击。

注释：

①江苏省包括8个市：南京、苏州、扬州、镇江、泰州、无锡、常州、南通；浙江省包括7个市：杭州、宁波、湖州、嘉兴、舟山、绍兴、台州。

②数据来源于国家统计局网站以及以上各城市统计局网站和统计年鉴、中国人民银行网站。个别年份数据缺失，本文采用样本期间连续年份的平均增长率计算而得。

③商品房平均销售价格=商品房销售额/商品房销售面积。

④一年内金融机构贷款利率进行多次调整时，本文选取一年内平均利率。

参考文献：

[1] 李永刚.中国房价泡沫测度研究[J].经济体制改革，2014，(5):111—114.

[2] 吕江林.我国城市住房市场泡沫水平的度量[J].经济研究,2010,(6):28—41.

[3] 安鹏,蔡明超,高国华.中国房地产泡沫的测度与成因解析——以上海市为例[J].统计与决策，2008,(20):115—118.

[4] Chan，K.，Mcqueen，G.，Thorley，S.Are There Rational Speculative Bubbles in Asian Stock Markets[J].Pacific-Basin Finance Journal，1998,6(1):125—151．

[5] Olkarinen，E．The Diffusion of Housing Price Movements from Center to Surrounding Areas[J].Journal of Housing Research，2004,15(1):3—28．

[6] Mikhed，V.，Zemik，P.Testing for Bubbles in Housing Markets：a Panel Data Approach[J].The Journal of Real Estate Finance and Economics，2009,38(4):366—386．

[7] 王鹤，周少君.中国房价是否存在泡沫——基于省际面板数据的协整分析[J].中国房地产，2011，(4):14—19.

[8] 郭文伟.中国多层次房价泡沫测度及其驱动因素研究——兼论我国房地产调控政策的实施效果[J].经济学家,2016,(10):30—37.

[9] 胡健颖，苏良军，金赛男，姜万军.中国房地产价格有几成泡沫[J].统计研究，2006，(1):39—42.

[10] 汪利娜.房地产泡沫的生成机理与防范措施[J].财经科学，2003，(1):92—97.

[11] 王雪峰.中国房地产市场泡沫的测度研究[J].现代经济探讨，2005，(8):11—14.

[12] 李梦玄,曹阳.我国房地产市场泡沫的测度及成因分析——基于行为金融理论的视角[J].宏观经济研究,2013,(9):86—91.

[13] 韩冬梅，刘兰娟，曹坤.基于状态空间模型的房地产价格泡沫问题研究[J].财经研究，2008，(1)：126—135.

[14] 张玉双.我国地区房地产价格泡沫的测度[J].统计与决策,2016,(5):129—132.

[15] Costello，G.，Fraser，P.，Groenewoldn，N.House Prices，Non-Fundamental Components and Interstate Spillovers：The Australian Experience[J].Journal of Banking and Finance，2011，(35):653—669.

[16] Riddel，M.Are Housing Bubbles Contagious? A Case Study of Vegas and Los Angeles Home Prices[J].Land Economics，2011，(87):126—144.

[17] Nneji，O.，Brooks，C.，Ward，C.Speculative Bubble Spillovers Across Regional Housing Markets[J].Land Economics，2015,91(3):516—535.

[18] 洪涛，西宝，高波.房地产价格区域间联动与泡沫的空间扩散——基于2000～2005年中国35个大中城市面板数据的实证检验[J].统计研究，2007，(08):64—67.

[19] 姚涛.中国房地产泡沫省际差异的实证分析[J].西安财经学院学报，2010，(5):40—43.

[20] 范新英，张所地，冯江茹.房地产价格泡沫测度及区域差异性研究——以中国35个大中城市为例[J].经济问题,2013,(11):48—53.

[21] 孙焱林，张攀红，王中林.房地产泡沫的测度方法及实证比较[J].统计与决策，2015，(24):79—82.

[22] 苑德宇，宋小宁.中国区域房价泡沫测度及空间传染性研究——基于2001～2005年35个大中城市面板数据的实证分析[J].上海财经大学学报，2008，(3):78—85.

[23] 李平.对我国房地产泡沫的测度研究[J].统计与决策，2007，(24):82—85.

[24] 况伟大.预期、投机与中国城市房价波动[J].经济研究，2010，(9):67—78.

[25] 唐礼智，朱建锋，罗婧.宏观调控视角下房地产价格影响因素的新测度[J].经济问题探索，2014，(1):102—107.