产业结构变迁对房地产价格的影响研究

周建军 罗嘉昊 鞠 方 朱腾甜

1 引 言

近年来，随着房地产业的大力发展和国家相关政策的指引，房地产投资规模持续高涨，房价水平节节高升，我国房价增速高于GDP增速，房价收入比逐渐扩大。房价水平的不理性增长一方面挫伤了发展实体经济的热情，滋生了大批“炒房者”，致使资金大量流向房地产行业，经济脱实向虚趋势明显；另一方面，高涨的房价不仅加剧了社会分化，也给民生保障工作增加了难度，极大地拉大了我国居民收入差距，使较低水平的住房刚需者无法承担购房支出，有房者财富显著提升。为了协调我国经济发展，保障和改善居民生活，政府采取了一系列稳定房价的政策和措施。2017年，在十九大报告“房子是用来住的，不是用来炒的”的总体基调下，各项政策致力于引导房地产回归居住属性，房地产调控政策致力于长效机制的建设，从需求端和供给端两个方向进行调控，整体呈现“力度升级、范围扩大、随时调整、因城施策”的特点。2018年，坚持十九大“房子只住不炒”的基调，采用“限价、限购、限售、限贷、限商、限企、限地”等七限政策，保持房地产市场的稳定，各项房产调控政策密集出台，全年房地产各种调控政策多达444次，这一年度成为我国房地产调控历史上调控政策出台最频繁的年度。2019年，中央继续强调构建房地产市场健康发展长效机制，坚持“因城施策，一城一策”。从当前阶段来看，房地产市场已经开始降温，但能否一直维持平稳的房价增长依然是个问号。根据以往调控政策的效果来看，调控政策并没有缓解房价整体上涨趋势，究竟是什么导致房价居高不下呢？国内外学者对房价的影响因素进行了大量研究，但尚未有定论。

面对近几年来中国经济下行压力大，产业转型升级日益迫切的现状，政府先后出台了多项政策“去产能、去库存、去杠杆”，希望通过政策的引导与扶持推进实体经济的发展，促进产业进行转型升级，以使我国经济保持稳定高效发展。同时，近年来我国房地产调控政策逐步遵循“因城施策”原则，表明房地产市场的发展与城市属性具有一定的关联，我国房地产市场存在一定的区域分化。而城市归根结底是产业经济和人口的集聚，一个地区的房地产市场的繁荣发展在很大程度上取决于这个地区对资金和经济要素的吸纳能力，而这些正是产业结构转型升级能力的体现，产业结构特征直接影响一个地区经济发展水平，进而对房地产市场产生影响。因此本文利用我国30个省市（西藏除外）的面板数据研究产业结构变迁对房价的影响，同时从产业结构合理化和产业结构高级化两个维度衡量对房价的影响，丰富了房价的影响因素的相关研究。产业结构合理化和高级化对房价的影响是怎样的？经济发展程度不同的地区影响程度是否一致？本文将逐步解决这些问题，在此基础上为我国房地产市场调控提供理论支撑，为房价的稳定提供新的思路。

2 文献回顾

2.1 房地产价格影响产业结构变迁的相关研究

在国外，学者一般引入劳动力流动这一变量来研究房价对产业结构变迁的影响。Krugman（1991）［1］利用新经济地理模型分析劳动力流入对产业结构的影响，发现产业集聚从根本上看是由于劳动力流入带来，产业集聚直接促进产业结构升级；Helpman（1998）［2］则在此基础上引入房价这一变量到新经济地理模型中，发现房价会影响劳动力迁移数量，房价越高，劳动力聚集的动力会越低，而产业结构变迁则会带来人口的流入，导致房价的上升，最终达到一个稳定的状态；相同的，Rabe和Taylor（2010）［3］发现在英国，房价的升高也会导致劳动力的减少；Dumais和Ellison（2002）［4］则认为产业集聚是劳动力资源集聚的原因。

2.2 产业结构变迁影响房地产价格的相关研究

在国外，相关文献较少。Malpezzi（1999）［18］分析得出美国高新技术产业的发展是房价上涨的重要因素，即产业结构高级化能够促进房价上涨；Quercia等（2002）［19］从就业的角度同样发现高新技术产业的发展会拉高房价；Reed和Pettit（2004）［20］对澳大利亚1991-2001年11年的房价面板数据进行分析，发现第三产业如金融业等行业发达的地区房价更高，而以第一产业为主的地区房价则较低，实证结果表明房价与产业结构变迁之间是相互影响的，房价的上涨会带来资金集聚，从而促进第三产业的发展，而产业结构的优化升级带来的收入上涨又会导致房价的上涨。

在国内，研究产业结构变迁对房价的影响起步较晚。王盛等（2017）［21］利用城市面板数据分析人口结构、产业结构与房价之间的关系，结果表明，人口结构会通过影响产业结构，从而对房价产生影响，而外来人口的流入对于房价的影响也与城市的产业结构有关；刘嘉毅等（2014）［22］利用2002-2011年省级面板数据进行分析，实证得出产业结构变迁对住宅价格产生显著的正向影响，并且其对东部、中部、西部住宅价格的影响效应依次递减；谷卿德等（2015）［23］则利用我国239个城市的房价面板数据，分析不同产业类型对房价的影响，结果表明服务业的发展对房价的影响呈“U”型，在前期能显著地拉升房价，到后期则能维持房价的稳定，相反，制造业的发展对房价的影响呈倒“U”型；黄伟等（2015）［24］、刘颜和邓若冰（2016）［25］、夏凯丽等（2017）［26］利用理论和实证数据证实了产业集聚与房价之间存在显著的倒“U”型曲线关系，同时毗邻城市房价之间还存在着显著的正向空间相关性；范新英和张所地（2018）［27］利用我国35个大中城市2005-2014年10年的数据，从产业结构合理化和高级化两个维度构建空间Durbin面板数据模型就产业结构对房价的影响进行实证分析，发现产业结构变迁在提高本城市房价的同时，会抑制周边城市房价的上涨。

纵观国内外学者对房价的影响因素进行的大量研究，从产业结构变迁角度衡量对房价影响的文献较少，且研究重点主要集中于整体产业结构变迁对房地产价格的影响，忽视了不同经济发展水平地区产业结构变迁与房价之间关系的差异。基于此，本文从理论和实证两个方面研究产业结构变迁对房地产价格的影响，并按照经济水平高低分类细化研究，探讨在细分市场产业结构变迁对房价影响的差异，最后给出相应的政策建议。

3 全国性检验

3.1 变量选取与数据说明

（1）变量选取

实证部分本文采用我国30个省市（除西藏）2004-2016年的数据来分析产业结构变迁对房地产价格的影响。

本文的被解释变量为房地产价格（HP），其等于各省的住宅商品房销售额与住宅销售面积的比值。核心解释变量为产业结构合理化和高级化，用泰尔指数（TL）衡量产业结构合理化，用高级化指数（TS）衡量产业结构高级化。

泰尔指数又称泰尔熵标准，是Theil在1976年利用信息理论中的熵理论来度量收入不平等而提出，一般是用于收入不平等的度量指标，干春晖等（2011）［28］首次将泰尔指数用于度量产业结构合理化。这个指标克服了产业结构偏离度的两个缺点，同时保留产业结构偏离度的经济含义和理论基础，是更为理想的衡量指标。其计算公式具体如下：

其中，i表示各产业，n代表三大产业，Y是国民生产总值，L是三大产业结业人数总和，Y/L表示劳动生产率，在理想均衡状态下，各产业的劳动生产率均相同，即理想状态下TL为0，数值越接近0则各产业发展协同度越高，聚合质量越高，反之，数值越大则表明产业结构不合理，资源利用效率低。基于此，本文采用泰尔指数（TL）来度量产业结构合理化。

经济服务化作为工业化高度发展阶段产业结构的一种趋势，已经成为经济活动的中心，能体现产业结构升级的本质特征，而经济服务化从本质上来说是第三产业化，高级化指数表明经济向服务化的方向发展的程度，指数越高表明产业结构的高级化程度越高。因此用第三产业产值与第二产业产值的比重来测度产业结构高级化既符合中国国情也能更准确地体现产业结构升级的本质。因而本文采用第三产业产值与第二产业产值的比重（用TS来表示）来测度产业结构高级化。

除了这三个核心变量外，为了更好地检验两者之间的关系，我们加入了相关控制变量。对控制变量的选取上，通过借鉴相关文献，达到全面性、合理性和减少多重性的原则，本文从需求、供给成本和政策工具三方面选取控制变量。

人均可支配收入（LnInc）。构成房地产需求需要两个重要因素：一是有购买意愿，二是有能力购买，而能力主要是指经济能力，消费者的人均可支配收入直接影响购房需求，而从供求理论中可知，需求是影响房价的重要因素，因此人均可支配收入越高，则房价水平越高。另外，由于住宅市场主要是在城市，因此用城镇居民人均可支配收入（Inc）来作为控制变量。

人口密度（LnDenp）。一般来说，人口密度越高，房价越高，在多年来各项调控政策抑制投机需求的情况下，人们的消费需求与改善性需求构成了房地产需求的主要部分。另外，由于各个地区的土地面积不一样，使得房地产供给也不一致，为了排除这个因素，用人口密度比人口总数来作为控制变量更为适当。本文用人口密度（Denp）作为控制变量，其等于各省人口数与各省土地面积的比值。

土地价格（LnLandP）。商品房作为一种特殊商品，其与一般商品一样，价格需要包括成本和利润，如果是无利可图的，房地产市场将没办法继续维持下去。由于土地供给的有限性和政府控制的垄断性，较高的土地价格成为房地产成本的重要组成部分，会对房价产生重要的影响。同时，土地价格也会提高房地产市场的进入壁垒，限制房地产供给，进而对房价产生影响。因此，本文将土地价格（LandP）作为控制变量之一，其等于土地成交价款与当年土地购置面积的比值。

建造成本（LnHcost）。房地产的成本除了土地成本之外，建安费也是重要的组成部分，近年来物价水平和人工成本不断上升，对房地产价格产生不可忽视的影响。因此，本文将建造成本（Hcost）作为控制变量之一，其用各省历年住宅竣工造价来代表。

利率水平（LnR）。利率是货币政策的重要表现形式，是国家宏观调控的重要方式，利率从供给和需求两方面影响房价。在需求方面，利率水平的高低直接影响购房者的购房成本；在供给方面，利率水平的高低直接影响房地产开发商的贷款资金总额和使用成本，一般来说，利率越高，购房者购房成本越高，房地产开发商资金使用成本越高，对房价产生抑制作用。因此，本文将利率（R）作为控制变量之一，其用一年期贷款实际利率来表示，若各年有变动，则以时间为权重计算加权平均数。

（2）数据处理和描述性统计

本部分所用包括我国30个省（市、自治区）（不含西藏）2004-2016年共计13年的相关数据均来自国家统计局、《中国统计年鉴》、各省市统计年鉴及EPS数据库。对于住宅销售价格（HP）、人均可支配收入（Inc）、土地价格（Landp）、利率（R）等价值型变量，均使用当年各省CPI指数进行平减。各变量的定义与描述性统计分析如表1所示。

表1 变量定义与统计描述

续表

为了减少由于异方差性带来的偏误，本文对变量进行对数化处理，分别记为LnHP，LnTL，LnTS，LnInc，LnDenp，LnLandp，LnR，LnHcost。

3.2 计量模型设定与估计方法的确定

（1）计量模型的设定

为了深入分析产业结构变迁对房地产价格的影响以及相关影响机理，我们以LnHPi,t为被解释变量，以LnTLi,t、LnTSi,t为主要解释变量，设定以下经济计量模型：

其中，i、t分别表示地区、时间；HPi,t表示i地区t期房价；TSi,t表示i地区t期第三产业产值与第二产业产值的比重；TLi,t表示i地区t期衡量合理化程度的泰尔指数；xi,t表示各项控制变量；ui表示影响住宅价格的固定效应，εi,t表示随机误差项，β1、β2、β3是待分析的参数。同时由于购房者和开发商都会根据历史的房价数据对房地产市场进行预期，从而影响房地产的供给与需求，进而影响当期房价，因此，我们把滞后一期房价水平(LnHPi,t-1)加入到模型中作为重要的变量，设定如下动态面板数据模型:

（2）估计方法的选择

对于面板数据，固定效应（FE）和随机效应（RE）是两种常用的分析方法，因此我们将使用固定效应和随机效应对式（1）进行估计，在不考虑滞后一期房价的情况下，初步分析产业结构变迁对房价的影响。但历史的房价数据是人们分析房价的重要因素，会严重影响对房价的预期，因此在式（2）中我们正式加入滞后一期房价水平作为控制变量，这就会带来内生性问题。内生性问题主要来自两个方面，对于产业结构变迁，很多学者的研究表明，房价的变动会促进产业结构优化升级，房价与产业结构变迁之间的相互影响也会带来内生性的问题；对于控制变量，土地价格一方面会影响房价，另一方面房价变动也会带来土地价格的变动，土地价格与房价之间也是相互影响的。为了解决式（2）动态面板模型可能存在的内生性问题，我们采用在存在内生性情况下更为有效的广义矩阵法——GMM方法，广义矩阵法又分为差分广义矩阵法（DIF-GMM）和系统广义矩阵法（SYS-GMM），由于差分广义矩阵法需要消除掉不随时间变化的变量，这会减少样本量，同时当T较大时，会产生很多的工具变量，从而容易出现弱工具变量的问题，而系统广义矩阵法（SYSGMM）则是将差分广义矩阵法与水平广义矩阵法两者结合起来，可以克服差分广义矩阵法的缺点，因此本文采用系统广义矩阵法对式（2）进行估计。而SYS-GMM又分为一步法与两步法，其中两步法更适合大样本模型，受样本所限，本文采用一步法SYS-GMM以得到更有效的结果。

在前文的分析中，我们也分析出产业结构变迁、滞后一期的房价、土地价格均可能带来内生性问题，因此在使用SYS-GMM法进行估计时，将这几个变量作为内生变量，并使用其两阶滞后作为工具变量，同时在使用系统广义矩阵法时为了保证估计结果的有效性，我们会进行AR检验和Sargan检验，其中AR检验是用来检测残差项是否存在自相关的，通过P值来看是否存在一阶或者二阶自相关，Sargan检验是用来检测是否存在过度识别的，通过P值来观察。另外，对于滞后因变量的系数的估计，可以采用混合回归（POLS）、固定效应回归（FE）、系统广义矩估计（SYS-GMM）三种方法来估计，而FE回归方法一般会低估这一系数，POLS回归方法则会高估，SYS-GMM的系数则介于两者之间，估计结果更为有效。因而，本章会通过这三种方法进行回归比较，进一步证实GMM方法估计的有效，但主要报告SYS-GMM估计的相关结果。

3.3 实证结果分析

（1）单位根检验

若面板时间序列存在单位根，则通过回归结果分析的T值可能并不是有效的，同时也可能带来伪回归或伪相关，因此为了避免出现这种情况，本文先进行单位根检验。为了防止某一种检验方法的假设条件可能不符合样本数据的情况，本文利用LLC检验、IPS检验、HT检验、Breitung检验这四种方法对主要解释变量与被解释变量进行单位根检验。从表2中可以看出，除LLC检验中产业结构高级化和房价P值显著外，其他的P值均大于0.5，表明解释变量与被解释变量的原序列存在单位根。因此为了避免伪回归的情况，对变量进行了一阶差分，再继续使用这四种方法进行单位根检验，再观察表2，发现一阶差分后的P值均远远小于1%，表明一阶差分后的序列显著拒绝了存在单位根的假设，即通过了平稳性的检验。

表2 面板单位根检验结果

（2）协整检验

为了进一步分析被解释变量房地产价格LnHP与核心解释变量产业结构合理化LnTL、产业结构高级化LnTS之间是否具有长期的均衡关系，我们需要进行协整检验，而协整检验的前提条件是各变量之间必须具有同阶单整性，从表2中可以看出，单位根检验的结果表明LnHP、LnTL和LnTS序列为I(1)序列，各变量之间具有同阶单整性，因此我们可以进行协整检验。本文利用KAO检验、Pedroni检验、Westerlund面板协整检验方法，检验LnHP与LnTL、LnTS之间的协整关系，检验结果如表3所示。

表3 协整性检验

从表3的面板协整检验结果可以看出，KAO检验、Pedroni检验、Westerlund检验的P值均小于0.01，即在1%的水平下拒绝不存在协整关系的原假设，表明被解释变量房地产价格LnHP与核心解释变量产业结构合理化LnTL、产业结构高级化LnTS之间存在稳定的长期均衡关系。

（3）面板数据总体回归结果

本文先采用固定效应模型（FE）和随机效应模型（RE）对式（1）进行估计，回归结果如下表4所示。

表4 产业结构变迁对住宅价格的影响研究

在表4中，模型1与模型2是在未控制其他变量，分别利用FE、RE两种方法，考察在式（1）中产业结构合理化和高级化对房价的影响，模型3与模型4则是加入了控制变量，分别利用FE、RE对式（1）进行回归分析。从表4可以看出，模型1—模型4中，产业结构合理化系数为负，高级化系数为正，与前文的理论分析是一致的。为了进一步分析式（1）更适合使用哪种分析方法，我们进行了Hausman检验，从豪斯曼检验的P值可以看出均拒绝了使用随机效应的假设，因此对式（1）的分析应该主要参看模型1和模型3的固定效应结果。从模型3中可以看出，产业结构合理化与高级化均对房价产生正向影响。控制变量中，人均可支配收入、人口密度、土地价格、建造成本对房价均产生显著的正向影响，而利率对房价的影响则并不显著。

在式（2）中，我们加入滞后一期的因变量，由于模型存在的内生性问题，我们使用系统广义矩阵法进行分析，估计结果如表5所示。为了确保使用SYS-GMM进行估计结果的有效性，我们首先使用POLS、FE、SYS-GMM这三种方法对模型5-模型7进行回归，观察滞后一期因变量系数的值，结果显示SYS-GMM的系数值在POLS、FE所得出的系数值之间，表明SYS-GMM估计结果是有效的；接着我们进行Sargan检验，从表5可以看出，Sargan统计量的P值均显著大于1%，表明并没有存在过度识别的问题。最后，进行了AR检验，从P值可以看到AR（2）大于0.1，表明扰动项不存在二阶自相关。通过这三种检验，表明使用SYS-GMM是适当的，因此本文主要分析SYS-GMM法进行回归得出的结果。

表5 产业结构变迁对住宅价格的影响研究

模型5与模型6是在控制其他变量的情况下，单独分析产业结构合理化或产业结构高级化对房价的影响。从模型5可以看出，TL的系数为负数，TL越小房价越高，而TL越小表明产业结构合理化程度越高，即表明产业结构合理化程度与房价呈显著的正向关系。滞后一期因变量的系数显著为正，表明过去的房价会影响当期房价。再观察控制变量，可以看出人均可支配收入、人口密度、土地价格、建造成本均与住房价格呈显著的正向影响，利率则对房价产生显著的负向影响。从模型6可以看出，TS的系数显著为正，表明产业结构高级化对住宅价格产生显著的正向影响，滞后一期因变量和其他控制变量对房价的影响结果均与模型5相同，实证分析结果是与前文的理论分析一致的。

模型7则是研究合理化与高级化共同对房价的影响，从表5可以看出，产业结构变迁的两个维度指标均对房价产生显著的正向影响，具体来看，控制住其他变量，产业结构合理化程度增加1%，住房价格会增长0.0458%，具体来说，泰尔指数（TL）从2004年的0.283下降到2016年的0.117，合理化程度在2004-2016年提升了58.66个百分点，因而在样本期间，产业结构合理化水平的提升使房价上涨了2.69个百分点；产业结构高级化程度增加1%，住宅价格会上涨0.1637%，产业结构高级化指数（TS）从2004年的0.8972上升到2016年的1.2870，表明产业结构高级化指数提升了43.45个百分点，因而在2004-2016年间，产业结构高级化水平的提升使房价上涨了7.11个百分点。产业结构合理化与产业结构高级化合计使住宅价格上涨了9.8%，而我国的房价在剔除物价上涨因素之后，2004-2016年住宅价格从2608元/平米增加到5035.05元/平米，增长93.06%，由此可以看出2004-2016年产业结构变迁对房价上涨的影响率达到10.53%。同时，模型7控制变量中人口密度、土地面积和建造成本均对房价产生正向影响，并且在1%的水平下显著，利率对房价的影响系数为负，并且在1%的水平下显著，与前文的理论分析结论相一致。

（4）稳健性检验

为了进一步验证实证结果的可靠性，本文通过改变样本量来进行稳健性检验。第一，本文按照统计年鉴各地区的顺序，分别删减前3位（北京、河北、天津）和后3位（青海、宁夏、新疆）来对式（2）进行SYS-GMM回归，如模型8和模型9。第二，我们通过改变模型形式，通过删除掉可能含有内生性的土地价格这一控制变量分别进行固定效应回归和SYS-GMM回归，如模型10和模型11，结果表6所示。

表6 产业结构变迁对房价的稳健性分析

从表6回归的结果可以看出，通过改变样本量和模型形式后，各变量回归后的符号与对全国范围内进行回归的结果是一致的，更进一步证实了前文的实证结果，印证了本文的主要观点：产业结构变迁对房价有正向影响。

4 区域差异性检验

上述实证分析重点着手于我国整体情况，具备一定的全局性，但同时也忽视了我国地区之间产业结构变迁对房价影响的差异性。为进一步探讨产业结构变迁对房价的影响，更为深入严谨地探讨其对房价所产生的实质性效果，本节内容将重点着墨于产业结构变迁对房价影响的差异性检验。

4.1 我国房地产市场的区域分类

（1）聚类分析原理

聚类分析是研究样品或指标分类问题的一种多元统计方法，它包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法等分析方法，其中系统聚类法是应用最为广泛的一种方法，它的基本原理是：首先将每个研究对象（样品或指标）各自看成一类，然后根据对象间的相似度量，将h类中最相似的两类合并，组成一个新类，这样就得到h-1类，再在h-1类中找出最相似的两类合并，如此下去，直至将上面的聚类过程应该在某个类水平数上停下来，最终的类就取这些未合并的类。本文采用Q型聚类即对样本进行分类的方法，使用欧氏距离来衡量样本之间的距离，在聚类之前先对数据进行标准化处理以消除数据间存在的量纲和数量级的差别，欧式距离公式为：

再运用系统聚类法的离差平方和法即ward法进行分析，其基本思想来自于方差分析，如果分类正确，同样样品的离差平方和应当较小，类与类的离差平方和应当较大。

（2）数据的来源及指标的选取

目前，对我国住房市场的研究大多限于东中西部的地域划分格局，基于省际地区差异的研究较少，因此本文对具有同类经济特征的房地产市场进行分类。选取我国30个省（市）2016年的相关房地产市场与经济发展水平指标数据，数据主要来源于《中国统计年鉴》、《各省统计年鉴》、《中国房地产统计年鉴》、EPS等数据库。本文利用聚类分析法对2016年30个省市进行分类，前面介绍了聚类分析的原理与采用的具体方法，本文将从房地产市场供给、房地产市场需求、房地产价格与经济发展水平4个一级指标和房屋竣工面积、土地购置面积、商品房实际销售面积、人均可支配收入、房价、房价收入比和人均GDP这7个二级指标构建房地产市场分类指标，指标的选取及指标体系的构建均遵循了可获取性、综合性以及代表性等原则，各指标具体见表7，各二级指标是在一级指标的层次结构上进行细分的，以B1-B7七个代码对7个二级指标进行表示。

表7 房地产市场分类指标

（3）我国房地产市场聚类分析的结果

通过利用2016年30个省市7个二级指标的数据，运用SPSS21分析软件，将我国房地产市场聚类为4个集群，聚类效果比较理想。具体分类见表8，其中第一类（一区）包括北京市、上海市、天津市，第二类（二区）包括江苏省、浙江省、广东省、山东省，第三类（三区）包括重庆市、湖北省、湖南省、安徽省、福建省、河北省、四川省、河南省，其他15个省份为第四类（四区）。通过聚类发现，经济发展水平和房地产市场特征相似的省市基本在同一类别中，比如一区中的北京、上海、天津均为直辖市，经济发达，房地产发展速度快，房地产市场发展成熟；四区中包含的省市主要是贵州、甘肃、青海、宁夏、新疆等经济不发达的中部及西部地区，受制于当地经济条件和经济环境的影响，房地产发展缓慢。同时从一区到四区这四个区域房价水平和人均GDP依次下降，将2004-2016年各区域房价均值与人均GDP均值进行比较，发现这种趋势依然明显，表明利用聚类分析得出的结果在一定程度上反映了房地产市场和经济发展水平的程度，符合按照经济发展水平进行分类的要求。

本文的聚类结果将我国30个省市划分为经济发达、较发达、较落后、落后这四个区域，由于指标的选取及选取数据年份有些许不同导致部分省市的分类情况与其有些许不同，但整体上体现了房地产经济的地域性特征以及与经济发展程度相关程度高这两个特征。

表8 聚类结果

4.2 分区域实证检验

（1）一区实证检验

①单位根检验

采用与全国单位根检验同样的方法，即使用LLC检验、IPS检验、HT检验、Breitung检验这四种方法进行单位根检验，得出的检验结果如表9所示，从表中可以看出，各种检验方法P值基本大于0.5，表明解释变量与被解释变量的原序列存在单位根。因此为了避免伪回归的情况，对变量进行了一阶差分，再继续使用这四种方法进行单位根检验，再观察表9，发现一阶差分后的P值均远远小于1%，表明一阶差分后的序列显著拒绝了存在单位根的假设，即通过了平稳性的检验。

表9 面板单位根检验结果

②协整检验

通过上面的单位根检验，我们可以看出LnHP、LnTL和LnTS序列为I(1)序列，各变量之间具有同阶单整性，因此我们可以进行协整检验。利用关于全国区域同样的方法，即利用KAO检验、Pedroni检验、Westerlund面板协整检验方法对一区数据进行检验，检验结果如表10所示，从检验结果可以看出，KAO检验、Pedroni检验、Westerlund检验的P值均小于0.01，即在1%的水平下拒绝不存在在协整关系的原假设，表明被解释变量房地产价格LnHP与核心解释变量产业结构合理化LnTL、产业结构高级化LnTS之间存在稳定的长期均衡关系。

表10 协整性检验

（2）二区实证检验

①单位根检验

根据分类结果，对二区数据使用LLC检验、IPS检验、HT检验、Breitung检验这四种方法进行单位根检验，从表11可以看出原序列的P值基本大于0.5，表明解释变量与被解释变量的原序列存在单位根，对变量进行一阶差分后P值均远远小于0.01，即二区通过了平稳性的检验。

表11 面板单位根检验结果

②协整检验

接下来我们进行协整检验，利用KAO检验、Pedroni检验、Westerlund面板协整检验方法对二区数据进行检验，检验结果如表12所示，从检验结果可以看出，三种检验方法P值均小于0.01，表明产业结构变迁与房价之间存在显著的协整关系，房价与产业结构合理化、产业结构高级化之间存在稳定的长期均衡关系。

表12 协整性检验

（3）三区实证检验

①单位根检验

根据分类结果，对三区数据使用LLC检验、IPS检验、HT检验、Breitung检验这四种方法进行单位根检验，从表13可以看出原序列的P值基本大于0.5，表明解释变量与被解释变量的原序列存在单位根，对变量进行一阶差分后P值均远远小于0.01，即三区通过了平稳性的检验。

表13 面板单位根检验结果

②协整检验

接下来我们进行协整检验，利用KAO检验、Pedroni检验、Westerlund面板协整检验方法对三区数据进行检验，检验结果如表14所示，从检验结果可以看出，三种检验方法P值均小于0.01，表明在三区产业结构变迁与房价之间存在显著的协整关系，房价与产业结构合理化、产业结构高级化之间存在稳定的长期均衡关系。

表14 协整性检验

（4）四区实证检验

①单位根检验

根据分类结果，对四区数据使用LLC检验、IPS检验、HT检验、Breitung检验这四种方法进行单位根检验，从表15可以看出原序列的P值基本大于0.5，表明解释变量与被解释变量的原序列存在单位根，对变量进行一阶差分后P值均远远小于0.01，即四区通过了平稳性的检验。

表15 面板单位根检验结果

②协整检验

接下来我们进行协整检验，利用KAO检验、Pedroni检验、Westerlund面板协整检验方法对四区数据进行检验，检验结果如表16所示，从检验结果可以看出，三种检验方法P值均小于0.01，表明通过了协整检验。

表16 协整性检验

4.3 分区域实证结果分析

（1）实证结果

为验证在不同经济发展水平产业结构变迁对房价的影响研究，我们使用SYSGMM法对各区域数据进行回归分析，由于在全国层面已经了对SYS-GMM方法的优良性进行了详细的阐述，因此在本节不再赘述。因此本节对各区域数据分析的结果仅列示SYS-GMM回归结果，回归结果如下表17所述：

表17 分区域产业结构变迁对房价的影响（被解释变量为LnHP）

（2）实证分析

对于用来判断过度识别约束的Sargan检验与判断是否存在一阶或二阶自相关的AR检验，从表17可以看出，Sargan(p)值均远远大于0.1，表明各区域数据均是不存在过度识别的，通过了Sargan检验；在AR检验中，各区域的扰动项均是存在一阶自相关，但不存在二阶自相关的，通过AR检验，这表明GMM是适当的，因此可以认为，我们的模型能够较好地反映在需求、供给和政策调节等控制变量下，产业结构变迁对我们划分的四个区域房价产生的影响。同时，我们看到Ln(HP(-1))即因变量的滞后一期项在四个区域均是显著为正的，表明产业结构变迁对房价的的影响具有长期累积性。

同时从上表中可以看出，对于核心解释变量，产业结构合理化与高级化在一区、三区、四区均对房价产生了显著的正向影响，与前文全国产业结构对房价的影响是一致的。而在二区中，产业结构合理化和产业结构高级化对房价也产生正向的影响，但是合理化系数不够显著，其原因可能在于二区分类结果的样本数据不够大，从而未能得到显著的结果。从系数大小上看，一区即经济发展水平最好的地区，产业结构高级化的系数最大，其变动1%，房价上涨0.1633%，表明在一区第三产业的迅速发展对于房价的上涨做出了巨大的贡献，同时在一区产业结构合理化的系数绝对值最大，其变动1%，房价上涨0.224%，表明在一区各产业结构之间相互协调、相互促进，促进了房价的上涨；在四区，即经济发展水平最差的地区，产业结构变迁对房价的影响最小，产业结构合理化和产业结构高级化的系数分别为0.0030%、0.0926%，表明在经济发达地区，产业结构变迁对房价的影响更大，可能的原因在于，在经济发达地区中，由于自然条件、劳动力、资本与经济制度的差异，产业结构变迁带来资本、劳动力、技术等要素的集聚程度和边际生产率更高，导致地价与工资等价格水平存在差异，该差异通过经济系统自有的传导机制传递给住宅价格，于是，产业结构合理化与高级化对住宅价格的影响程度呈现出经济发达地区超过经济不发达地区。

控制变量中，四个区域中人均可支配收入和建造成本均对房价产生正向影响，这与前文理论机制的分析相一致。对于人口密度，在一区、二区、三区中，系数均为正值，四区中是负数但不显著，表明在四区中人口密度对房价的影响并不显著，其可能的原因在于随着产业结构高级化的过程中，资金密集型产业多于劳动密集型产业，而资金密集型产业中，需要的人员变少，而收入增加，但房屋的购买更多的是依赖于有经济能力的工作人士，但在经济发展水平不好的地区，高素质人才较少，因此人口的数量增长并不会带来房价水平的上升。对于土地价格，在一区、二区、三区中，系数均显著为正，这与前面的理论机制分析一致，而在四区中，系数为负但不显著，可能的原因在于经济不发达地区中，土地价格上升幅度较小，对于房价的影响并不显著。对于利率水平，对房价均存在显著的负向影响，表明在我国宏观经济体制下，利率对于房价的调节效应发挥出了显著的效果。

5 结论与建议

本文立足于我国产业结构发展的历程，从产业结构合理化和高级化两个视角出发，研究合理化和高级化对房价的影响。结合我国房价高涨的现实情况，通过利用我国30个省份（西藏除外）的产业结构变迁特征，探讨对我国住宅价格的影响，通过分析，最终得出以下结论：

在全国层面，产业结构变迁的两个维度指标即产业结构合理化和产业结构高级化均对房价产生显著的正向影响。按经济发展水平进行分类，发现在样本期间（2004-2016年）产业结构合理化与高级化在经济发达、较落后、落后地区均对房价产生了显著的正向影响，而在较发达地区中，产业结构合理化和产业结构高级化对房价也产生正向的影响，但是合理化系数不够显著。

基于以上分析，本文提出以下建议：

第一，在充分考虑产业结构的基础上实行“本土化”房产调控政策，因城施策，一城一策。自2009年以来，我国开始进入房地产全面调整阶段，各项房产调控政策相继出台，中央在十九大中奠定了房产调控的总基调，各地政府都应当在总基调的基础上，坚定不移地对房地产市场进行调控，制定适合各地区的房产调控政策。然而，在回顾各地的调控政策时，本文发现只要一个城市发布了更为严格的调控政策，其他城市会迅速借鉴，马上出台相当或者更为严格的调控政策。例如海南2018年4月在全省范围内出台只允许本省户籍人口或者工作5年以上的人才具备购房资格的政策，同年5月长沙、西安等城市就相继出台相同条件的限购政策。这些政策毋庸置疑抑制了房地产市场的投机需求，稳定了房价。但是这种政策制定方法是不可取的，各地房价上涨的根本原因不同，各地产业结构不同对房价的影响也不同。一些地区的房价上涨极有可能是经济的发展、产业结构的优化升级带来的，如果采取与其他城市一样的房产政策，极有可能限制产业结构的优化升级和市场资源的优化配置。因此，各地应综合考虑本土实际情况采取最适宜当地的差别化、有效率的政策，应当在充分考虑产业结构变迁发展的基础上，分析住宅市场的变化趋势，对于产业结构变迁程度高和经济发展水平更高的地区，对房价的上涨应当给予相当的上涨预期，住宅市场调控政策应当与产业政策相匹配，并保持其相对稳定性。

第二，加大住房租赁市场的发展，尽快落实“租购同权”。在产业结构变迁的过程中，高素质人才会往二三产业更为发达的发达城市集聚，而随着我国教育水平的提升，本科及以上学历的人口逐渐增加，每年的应届毕业生更是为企业的发展注入了新的活力，互联网等新兴行业更是年轻人的主场。而面对一二线城市高涨的房价，没有财富积累的年轻人根本无法购买房屋，只能租房居住。但是，目前我国住房租赁市场发展极不规范，一方面租赁市场总体规模小，与租房需求不匹配，而租赁市场发展的不完善、不规范，使得出租人与租户之间只能通过中介进行交易，监管的不力使得“二房东”“三房东”等私自转租的行为频繁出现；另一方面，住房租赁市场没有相关保护购房者的配套政策，租赁双方权利义务不对等，房东随意涨价、延迟退还押金等不合法的行为没有相关法律进行管理。基于上述状况，我国应借鉴美国、英国、德国等发达国家的租赁市场的经验，在教育、医疗以及相关服务方面实现承租人和产权人具有同等权利，落实“租购同权”，同时建立健全相关法律体系，维护承租人合法权益。

第三，改善我国地方土地财政政策，加快房产税、物业税的开展。在我国，分税制的实施使得中央与地方的财政分开，而财政大权主要集中于中央政府，地方政府为了本地区的财政收入，凭借拥有土地的所有权取得土地出让金和通过抵押土地获得贷款，形成了土地财政。土地财政在早期工业化和城市化的进程中发挥了重要和积极的作用，但在近年来，随着一个个“地王”的出现、房价的高涨和地方财政对土地出让收入的过度依赖，土地财政政策的弊端显露无疑。一方面，政府凭借土地出让获得的各项收入占我国国民生产总值的比重已超过了30%，极大地抑制了社会投资，同时政府手中的资金投向加剧了政策导向带来的作用，减少了市场在资源配置中的作用，支持的产业如建筑业、房地产业迅速扩张，加剧了产能过剩；另一方面，地方政府自收自支的政策，存在监管不足的弊端，同时由于集体土地不能开发房地产，土地的垄断带来了房价的高涨。因此，我国应加快土地财政政策的改革进度，特别是对中部不发达城市以及未形成产业支撑的城市，应加大改革力度，可以通过对土地征收物业税、房产税等方式获得财政收入，解决对土地转让收入的依赖。

第四，提升人力资本素质，优化我国产业结构。21世纪是互联网的时代，而互联网的发展对人力资本的素质提出了更高的要求，高素质人才是时代发展的重要软实力。一方面，我国应继续加强对教育的投入，同时注意教育投入的公平性，可以将发达城市的教育资源有针对性地向经济落后的中西部城市转移，提高教育水平，培养高素质人才，拉动经济的均衡发展。另一方面，我国应加大对金融业、互联网行业等新兴行业的资金投入，进一步优化我国产业结构。积极推进人才引进政策，在住房方面可以给予优惠条件，目前将人才引进与住房政策结合到一起的基本上是较为发达的城市，对于中西部一些不发达的城市还并未落实，但是对于经济不发达的中西部地区，产业结构变迁程度不高，更需要进行产业的优化升级，因此政府更加应该推进人才引进政策，以人才推动地区经济发展，也促进房地产市场伴随着我国经济发展走健康、可持续发展路线。