预期、货币政策与房地产泡沫空间溢出新趋势解析

2018-03-09 18:53张炜
人文杂志 2017年7期
关键词:货币政策预期

张炜

内容提要 本文基于消费者购房选择偏好模型,利用2006-2016年我国30个省域的面板数据构建空间动态计量模型,以房地产泡沫测度为基础,分析预期、货币政策等不同因素对房地产泡沫形成的影响与空间溢出效应。本文分别采用二元0-1空间邻近矩阵、地理空间矩阵与经济-地理空间矩阵三种不同空间权重矩阵进行实证检验,其中经济-地理空间权重矩阵适用性最强。将其作为基本模型计量不同省域间房地产泡沫的空间溢出程度,并分析新趋势发现:首先,近年来房地产价格确实存在空间溢出性特点,不同省域的溢出程度存在差异性,不同房价溢出圈之间的溢出程度呈现发散性的特点;其次,房地产价格空间溢出效应在房价溢出圈内逐渐聚集,不同房价溢出圈之间呈现梯次性过度趋势;第三,我国各省域房价根据溢出程度可以分为传染活跃型、传染较活跃型、传染稳定型与传染迟钝型四种类型,其中前两种类型城市较易受到房价空间溢出性影响,需要适时调控。

关键词 房地产泡沫 预期 货币政策 空间溢出

〔中图分类号〕F293.3 〔文献标识码〕A 〔文章编号〕0447-662X(2017)07-0039-13

一、引言与文献回顾

随着中国住房制度改革的推进,中国房地产业发展迅速,逐渐成为中国经济发展的支柱产业。特别是近两年房价快速攀升,房地产泡沫特征已十分明显。目前,众多学者从自身专业视角出发对房地产泡沫的形成进行了大量研究,将房地产泡沫形成原因归结为供给因素、①需求因素②与外部因素③等。这些研究都是建立传统时间维度上的回归计量模型,没有考虑到房地产泡沫地区间的相互影响。然而,著名地理经济学家Tobler提出地区之间的经济行为都存在一定的空间性影响关系,离得越近的地区相互作用的可能性也就越大。Tobler W.R., “A Computer Movie Simulating Urban Growth in the Detroit Region,” Economic Geography, vol.46, no.2, 1970, pp.234~240.Browning等、Bruyne和Hove、王鹤与刘志平等在研究过程中发现,一个地区房价在要素流动的作用下确实会影响周边地区房地产价格的变化,具有空间性。Browning M., Gortz S. and Leth-Petersen, “Housing Wealth and Consumption: A Micro Panel Study, ”Economic Journal, vol.568, no.123, 2008, pp.401~428; Bruyne K. D. and Hove J.V., “Explaining the Spatial Variation in Housing Prices: An Economic Geography Approach,” Applied Economics, vol.45, no.5, 2013, pp.1673~1689;王鹤:《基于空间计量的房地产价格影响因素分析》,《经济评论》2012年第1期;刘志平、陈智平:《城市住房价格的空间相关性、影响因素与传递效应——基于区域市场关系层面的实证研究》,《上海财经大学学报》2013年第1期。房地产泡沫以房价作为基础,从空间相关性的角度分析房地产泡沫形成与膨胀,计量其空间溢出效应与溢出程度,探寻房地产泡沫演化新趋势具有重要意义。

本文以房地产泡沫测度为基础,试图从房地产泡沫形成的影响因素——预期、货币政策、人口密度与供给等方面入手,构建空间计量模型,探讨如下问题:房地产泡沫是否存在空间溢出效应?如果存在,空间溢出程度是多大?又产生了怎样的特点与趋势?下文研究思路为:第二部分,基于购房者选择模型探讨房地产泡沫的影响因素及影响方式;第三部分,基于房地产泡沫的影响因素构建空间计量模型,引入三大空间权重进行模拟检验,选择最优空间计量模型;第四部分,根据模拟结果计算不同省域间房地产泡沫的空间溢出程度,并对其动态变化过程、特点与趋势进行分析;第五部分,对研究结果进行总结展望。

二、房地产市场泡沫的解释与测算

近年来房地产泡沫问题得到了学者的广泛关注,各学者从自身研究视角出发对房地产泡沫给出了界定,得到普遍共识的房地产泡沫定义为:由房地产市场投机导致房地产价格脱离市场基础所引起的均衡价格的持续上扬。曹振良:《房地产经济学通论》,北京大学出版社,2003年;刘琳、刘洪玉:《地价与房价关系的经济学分析》,《数量经济技术经济研究》2003年第7期;吕江林:《我国城市住房市场泡沫水平的度量》,《经济研究》2010年第6期。对于房地产泡沫的测度研究也持续了20多年,Fallies G., “Housing Tenure in a Model of Consumer Choice: A Simple Diagrammatic Analysis,” Real Estate Economics, vol.11, no.1, 1983, pp.30~44; Abraham J.M. and Hendershott P.H., “Bubbles in Metropolitan HousingMarket,” NBER Working Papers, vol.35, no.7, 1994, pp.171~192; Levin E.J. and Wright R.E., “The Impact of Speculation on House Prices in the United Kingdom,” Economic Modelling, vol.14, no.4,1997, pp.567~585; Arthur G. and Andrew A., “Housing Supply, Land Costs and Price Adjustment,” Real Estate Economics, vol.24, no.2, 2010, pp.43~56; John M. and Anthony M., “Booms and Busts in the UK Housing Market,” The Economic Journal, vol.445, no.87, 2012, pp.32~45.众多学者对房地产泡沫的度量主要运用指标法,即根据某个或某些指标的数值来判断房地产市场泡沫的大小。Brunnermeier M.K. and Julliard C., “Money Illusion and Housing Frenzies,” Review of Financial Studies, vol.21, no.1, 2006, pp.135~180; Goodman A.C. and Thibodeau T.G.,“Where are the Speculative Bubbles in US Housing Markets?” Journal of Housing Economics, vol.17, no.2, 2008, pp.117~137; Hott C. and Monnin P., “Fundamental Real Estate Prices: An Empirical Estimation with International Data,” Journal of Real Estate Finance and Economics, vol.36, no.4, 2008, pp.427~450; Major Coleman I.V., Lacour-Little M. and Vandell K.D., “Subprime Lending and the Housing Bubble: Tail Wags Dog?” Electronic Journal, vol.17, no.4, 2008, pp.272~290;柳德榮:《京沪深住房市场泡沫比较研究——基于长期投资的视角》,《管理世界》2010年第9期;吕江林:《我国城市住房市场泡沫水平的度量》,《经济研究》2010年第6期;李永刚:《中国房价泡沫测度研究》,《经济体制改革》2014年第9期。这种方法具有较深厚的理论基础,其中具有代表性的吕江林比较了衡量房地产泡沫的一系列指标(租售比、空置率、投资购房与自住购房之比、房地产贷款占比等),最终选取房价收入比作为度量房地产泡沫的标准并对其科学性与准确性进行论述。吕江林:《我国城市住房市场泡沫水平的度量》,《经济研究》2010年第6期。参照吕江林的做法,本文对房地产泡沫的测度也选取房价收入比作为衡量指标。其计算公式为:房价收入比=商品住宅平均单套价格/城镇家庭平均可支配年收入=(商品住宅平均销售价格X商品住宅平均单套销售面积)/(城镇家庭人均可支配收入X城镇家庭户均人口数)。公式中各指标数据来源的详细说明请参考下文变量解释部分,本文研究视角定位在省域数据,吕江林研究视角定位在35个大中城市,因此选取的指标来源不同,测度出的北京与天津的房地产泡沫值也有略微差异,但整体变化趋势一致。endprint

2006-2016年间中国各省域房地产泡沫程度见表1。本文样本中,西藏数据缺失严重,因而将其舍弃。从表1可看出,各省域的房地产泡沫值整体在波动中上扬,2006-2011年间各省域房地产泡沫处于持续增长状态,增长幅度较高的省域包括:北京、上海、浙江、海南等地区。其后在2011-2014年间房地产泡沫增长速度放缓,部分省域房地产泡沫出现小幅回调。在2015年与2016年两年间,各省域的房地产泡沫值都呈现出大幅膨胀态势。特别是北京、上海、天津、江苏与湖北等省市房地产泡沫值直冲20以上,膨胀速度之快与膨胀值之高值得关注。因此,我们不禁要问究竟是什么因素影响着房地产泡沫不断膨胀,而这些影响因素的影响程度如何,又是通过怎样的影响方式推动着房地产泡沫的攀升。

三、房地产市场泡沫的理论分析与事实验证

住房消费与非住房消费给消费者带来效用的大小取决于系数a1与a2,a1较大说明消费者选择非住房消费品会带来更大的效用,住房作為一项大额的耐用消费品支出必然会给消费者带来巨大的经济压力,甚至会使某些消费者在长期内背负巨额贷款成为房奴。如果消费者不选择购买住房而将资金用于生活与娱乐,会大大提高生活质量,从而获得更大的效用。a2较大说明消费者选择购买住房会带来更大的效用,住房的购买在某种程度上满足了消费者的需求与偏好,例如自有住房持有人在未来房价上涨过程中会获得更多的增值收益;住房所有者可以享受地区教育资源等基本公共服务;居民住在自有住房内可免于搬迁的不稳定性,提高住房舒适度与安全感。因此,如何进行住房与非住房消费分配获得效用最大化,取决于消费者的偏好。消费者的偏好取决于住房消费与非住房消费的替代弹性与住房消费在总效用中的重要性。消费者对家庭收入进行配置实现效用最大化的方程为:

命题一:房价收入比受到住房消费在总效用中重要性的影响,若自有住房与其他消费给消费者存在效用差异,则消费者实现效用最大化的自有住房消费效用比越大,房地产市场泡沫的膨胀度越高。

住房消费在总效用中的重要性主要受到购房者心理偏好的影响,住房者对房产的偏好主要由居住的刚性需求偏好与房产的投资需求偏好两部分构成。对于居住的刚性需求既可以通过购买住房实现也可以通过租房满足,而房产的投资需求则必须通过购买房产实现。当住房消费者预期未来房产增值空间较小时,住房消费在总效用中重要性减弱,消费者更偏重于租房从而规避高昂的购房成本;当住房消费者预期未来房产有较大的增值空间时,住房消费在总效用中表现出很强的重要性,住房消费者一方面担心如果不抓紧购房未来则更加无法承担起高昂的住房成本;另一方面住房消费者希望通过购买房产在未来获得丰厚利润,此时住房消费在总效用中的重要性表现得十分突出。因此,我们选取住房消费者的房产增值预期代表住房消费在总效用中的重要性,房产未来增值预期越大,住房消费在总效用中重要性越强;房产未来增值预期越小,住房消费在总效用中重要性越弱。

将房地产泡沫与消费者的房产增值预期的关系通过气泡图的形式展现(见图1),发现房地产泡沫膨胀程度与房产增值预期有正相关关系,图1中加入了各省份人口密度作为权重,气泡越大说明该地区人口密度越高。从图中可以观测到人口密度越高的地区相应的房地产泡沫程度与增值预期也越高,但这种正相关关系并不是十分显著,还需在接下来的计量模型中进一步检验。

将房价收入比对购房贷款进行求导,得到ph/yL>0,说明消费者住房贷款量越大,房价收入比越高;消费者购房时可以借到的住房贷款越多,房价收入比越高,房地产市场泡沫与货币政策紧密相关。

命题二:住房贷款投入量增加会促使房地产市场泡沫的持续膨胀。

为了更直观地显示住房贷款投入量与房地产泡沫之间的关系,我们通过气泡图的形式展现(见图2)。从中可以发现二者存在一定正相关关系,即住房贷款投入量的不断增加促进了房地产市场泡沫的持续膨胀。但与房地产泡沫和房产增值预期间的正相关关系相比,房地产市场泡沫和住房贷款投入量之间的正相关关系明显要更弱一些,可见房地产泡沫的膨胀更加容易受到房产增值预期的影响。图2中同样将各地区人口密度作为权重引入,可以发现在人口密度较高的省份,住房贷款投入量与房地产泡沫程度都较高。

将房价收入比对消费者非住房消费进行求导,得到ph/yc>0,说明消费者的非住房消费量越高,房价收入比越低。

命题三:消费者非住房消费的增长,可以抑制房地产市场泡沫的快速膨胀。

消费者的收入支出在住房消费与非住房消费之间选择,如果债券、股票等金融产品的投资回报率远远高于住房资本带来的收益,消费者则不会选择投资房产;或者消费者在生活、娱乐等非住房消费品中获得的效用大于住房消费效用时,消费者也不会再热衷于住房消费,房地产泡沫的膨胀也会因此得到抑制。我们直观地可以从图3中看到非住房消费与房地产泡沫呈负相关关系,人口密度的影响不显著。

当然这只是初步的直观结论,下文将通过构建计量模型对经验分析做更严谨的实证检验。

四、实证分析

1.变量解释

根据上文的理论研究,发现房地产价格的增值预期、货币政策、非住房消费、人口密度等因素是可能影响房地产泡沫形成的主要因素,基于此我们选取具体变量与数据解释如下:

(1)房地产泡沫(Pop):本文采用房价收入比作为房地产泡沫的度量指标。其中2006-2014年房价数据来自历年《中国房地产统计年鉴》中各地区商品房平均销售价格;2015年与2016年房价数据来自于房天下、中经网与中国资讯行数据。2006-2014年人均可支配收入数据来自历年《中国区域统计年鉴》;2015年与2016年人均可支配收入数据来自《中国经济景气月报》。

(2)房地产价格预期(Pre):本文将上一期的价格作为理性预期基础,将下一期的增速作为本期适应性预期,上一期的价格与上两期的平均增值量加总得到当期房地产价格预期,其中房地产价格数据来源同上。endprint

(3)房地产开发企业与个人按揭贷款(Loa):2006-2014年按揭贷款数据来自历年《中国房地产统计年鉴》;2015年与2016年数据来自中国人民银行。

(4)非住房消费(Con):2006-2014年非住房消费数据来自历年《中国区域经济统计年鉴》中社会消费品零售总额;2015年与2016年社会消费品零售总额数据来自《中国经济景气月报》。

(5)房地产市场供给量(Sup):2006-2014年房地产市场供给量数据来自历年《中国房地产统计年鉴》中各地区房地产市场房屋竣工套数;2015年与2016年房地产市场房屋竣工套数据来自《中国经济景气月报》。

(6)人口密度(Den):人口密度是各地区人口数量与实际占地面积的比值,其中2006-2014年人口数量数据来自历年《中国城市统计年鉴》;2015年数据来自各地区统计公报;2016年数据根据预测得出。由于各地区人口数量的增长具有平稳性特点,因此通过预测得到的2016年数据与实际值不會有较大差异,具有一定的有效性与合理性。

(7)利率(Int):每年贷款基准利率由当年利率调整的平均值代表,2006-2016年数据来自中国人民银行。

上述变量的统计描述见表2。在进行实证检验之前为了避免伪回归问题,我们首先需要对样本进行单位根检验。面板数据单位根根据是否存在同根情况可以分为两种检验方法:一种是以LLC与Hadri检验为代表的相同根单位根检验方法;另一种为IPS、Fisher-ADF和Fisher-PP检验,属于对不同根的单位根检验方法。本文采用相同根情况下的LLC方法与不同根情况下的IPS方法对所有变量进行单位根检验。检验结果见表3。由表3数据可以看出原变量序列中房地产泡沫(Pop)、贷款量(lnLoa)、非住房消费(lnCon)、房地产市场供给(lnSup)与密度(lnDen)为非平稳变量,一阶差分后所有变量皆变为平稳变量。

3.计量模型

空间溢出的计量通常采用空间相关性来衡量各地区之间,在不同因素影响下是否具有相互影响。空间相关性具体是指在不同区域间的观测样本中,位于i区域的观测值与位于j区域的观测值具有相关关系,用函数表示为Yi=f(Yj),i=1,2…n;i≠j。如果回归模型中存在空间相关性,则最小二乘估计是有偏的,估计结果也不具有一致性,在这种情况下通常采用极大似然法或两阶段最小二乘法进行估计。在分析空间问题时经常会涉及到两个模型:空间滞后模型与空间误差模型。表5检验结果显示,空间滞后模型的显著程度明显优于空间误差模型(后文给出详细分析),因此本文着重对空间滞后模型(SLM)进行介绍与探讨。空间滞后模型(SLM)是对某地区变量是否对周边地区变量具有扩散现象(外溢效应)进行分析的计量模型。SLM表达式为Y=ρωY+βX+ε,其中Y为因变量;X为n×k阶的外生解释变量矩阵;ρ为空间回归系数;ω为n×n阶的空间加权矩阵,ωY为空间滞后因变量;ε为随机误差项。根据前文的理论研究,房地产泡沫受到货币政策、预期、非住房消费、住房供给与贷款基准利率等因素的影响,基于此我们构建房地产泡沫的空间滞后模型如下:

本文数据年限为2006-2016年,因此矩阵中包含了11个W值, 而每年又包括30个省域样本,因此w为330×330的矩阵。接下来本文将对各省域数据分别进行未考虑空间效应的OLS估计、考虑空间效应的空间滞后模型估计与空间误差模型估计,根据检验结果选择最优模型。在选择模型过程中,我们先选取最简单的“0-1空间权重矩阵”进行模拟。即假设地理位置接近的省域赋予W值为1,认为只有地理上接近的省域间才会有房地产价格的空间溢出效应,否则为0。即Wi,j=1或0(i与j临近为1,不临近为0)。空间效应模型的回归结果见表5。可以看出,OLS模型拟合优度为0.9673,模型整体通过了5%水平的显著性检验。但由于MoransI统计值显示OLS回归误差的空间相关性较明显,因此需要在模型中引入空间效应,我们引入空间滞后模型与空间误差模型进行回归。

表5中显示了两种空间效应模型的回归结果,拉格朗日乘数滞后项(LMLAG)与稳健滞后项(R-LMLAG)都通过了1%水平的显著性检验,且LMLAG较拉格朗日误差项(LMERR)在统计上更为显著,R-LMLAG较稳健误差项(R-LMERR)更为显著,从5个统计量可以看出,SLM比SEM的拟合优度更高。将OLS估计结果与SLM估计结果相比较发现,SLM的拟合优度在OLS基础上有所提高,达到0.9785。对数似然函数值从未考虑空间效应模型中的101.042,提高到SLM模型中的184.452。从表5的计量结果可以看出,考虑到空间效应的SLM模型更加适合用来拟合房地产泡沫的空间溢出效应。初步估计结果显示,房地产泡沫在区域间具有正向溢出效应,其对房地产泡沫值增长的影响系数为0.975。但此估计结果只考虑了0-1空间权重,在实际中房地产泡沫的区域溢出效应不仅存在于相邻的地区之间,还存在于周边地区乃至经济相关地区。因此,我们将地理权重矩阵与经济-地理权重矩阵引入,在下文中进一步研究不同空间权重矩阵对房地产泡沫空间溢出效应的影响。

4.空间权重设定

本文探讨的空间权重矩阵是赋予周边不同省域房地产泡沫影响力的不同权重,用来衡量泡沫的空间溢出效应。一般空间权重矩阵的构建共包括三种方法:Anselin L. and Bera A., “Spatial Dependence in Linear Regression Model with an Introduction to Spatial Econometrics,” Handbook of Applied Economic Statistics, vol.27, no.4, 1998, pp.67~72;康继军、王卫、傅蕴英:《中国各地区市场化进程区位分布的空间效应研究》,《统计研究》2009年第5期;魏下海:《人力资本、空间溢出与省际全要素生产率增长——基于三种空间权重测度的实证检验》,《财经研究》2010年第12期;于斌斌:《产业结构调整与生产率提升的经济增长效应——基于中国城市动态空间面板模型的分析》,《中国工业经济》2015年第12期。endprint

(1)0-1权重矩阵,认为地理上相邻的地区间才会产生空间溢出性,赋予W值为1,否则为0。这种方法直观且操作简单,在计量空间问题时得到广泛应用。但是采用这种方法容易遗漏空间溢出的部分信息,即使不相邻的区域间也会产生空间溢出性,且地理较接近发展模式相似的省域间也会产生空间溢出效应。因此,在讨论房地产泡沫空间溢出性中我们需要将地理权重矩阵与经济权重矩阵引入进行比较,从而得到最优选择。

(2)地理权重矩阵,即将含有距离因素的空间单元引入权重矩阵,认为不相邻的省域间也存在空间联系,对角线上的空间权重都为0,Wi,j是矩阵第i行和第j列的元素,表示第i个地区与第j个地区经纬度上的直线距离的无量纲化倒数。

(3)经济-地理权重矩阵,即将含有距离因素与经济因素的空间单元引入权重矩阵,认为不同省域间变量的空间性关系不仅受到地理距离的影响还会受到经济距离的影响,其中经济距离是指两个区域间经济发展的差距,用两个地区GDP差值的倒数表示。经濟-地理距离是指在经济距离与地理距离的共同影响下,一个地区经济指标对周边地区影响的空间效应,权重矩阵中Wi,j为i与j地区经纬度上的直线距离的无量纲化倒数与GDP差值倒数的乘积。省市之间地理距离与经济距离越远,则房地产泡沫空间溢出效果越差,所赋予的权重越小。

表6给出了三种权重矩阵下的空间效应模型的回归结果。从中可以看出,系数α1,α3,α5符号为正,α2,α4,α6符号为负。ρ的符号为正,即房地产泡沫在区域间具有正向空间溢出性。表6结果显示,空间滞后模型与空间误差模型在经济-地理权重矩阵下的对数似然函数值优于0-1权重矩阵与地理权重矩阵下的对数似然值,空间滞后模型与空间误差模型相比较指标显著性较高。因此本文以经济-地理权重矩阵下的空间滞后模型来计量房地产泡沫的空间溢出效应。表6中第4列结果显示,α1至α6的估计结果符号与预计相符,预期、宽松的货币政策(信贷量支持与较低的贷款基准利率)、人口密度的增加会刺激房地产泡沫的不断攀升;有效房地产供给的增加、非住房消费结构的优化,可以抑制房地产泡沫过快迅猛增长,各因素的作用下预期与供给因素对房地产泡沫的影响作用最强,分别达到0.842与-0.633。在0-1权重矩阵、地理权重矩阵与经济-地理权重矩阵下,房地产泡沫的空间溢出效应显著为正,说明一个区域的房地产泡沫的膨胀会有效带动周边地区泡沫值的攀升,空间影响系数为0.532。即一个地区房地产泡沫增长一个百分点,会带动与该地区具有经济-地理关系地区的房地产泡沫增长0.532个百分点。下文中,我们将进一步讨论各区域在2006-2016年间,房地产泡沫的增长对周边具有经济-地理空间关系地区所产生的空间溢出效应,并对其空间溢出程度进行度量。

五、回归结果分析

将空间溢出回归系数0.532代入经济-地理权重矩阵空间计量模型,得到2006-2016年间各省域房地产泡沫空间溢出对房地产泡沫值增长的贡献率,我们运用空间溢出效应贡献率衡量一个地区房地产泡沫值增长对另一个与其有经济-地理空间关系地区泡沫变化的空间溢出程度,具体结果见表7。进一步对表7数据进行分析,发现近年来我国房地产泡沫空间溢出逐渐呈现出三大趋势:

1. 不同省域泡沫溢出程度存在差异性,在不同溢出圈内溢出程度呈现发散性的特点。本文运用非参数估计模型中的核估计法,模拟房地产泡沫空间溢出的密度函数。将2006-2016年划分为四个阶段,分别为2006-2008年、2009-2011年、2012-2014年与2015-2016年,依次对四个阶段进行估计,估计结果以高斯核函数形式呈现。图4显示房地产泡沫空间溢出密度函数中心矩在波动中不断向右移动,峰值由小变大后又经历了由大变小的过程,同时空间溢出变化区间由小变大。2012-2014年房地产泡沫空间溢出密度分布具有明显的高峰薄尾特征,说明在这几年间各区域的溢出效应集中于中心距附近,极端值相对较小。这主要是由于在这三年间,各区域房地产泡沫空间溢出效应减弱,区域间溢出方差较小。但其后在2015-2016年间,空间溢出密度函数峰值很快回落,尾度增厚,说明在这两年间各区域房地产泡沫空间溢出方差逐渐增大,不同中心房价领涨区域对周边房地产泡沫的溢出程度差异性扩大,有明显的发散性特点。结合表7数据发现,2015-2016年间,以北京为房价领涨中心,周边河北与天津空间溢出性分别达到6.75与7.74,以上海为中心,周边浙江与江苏空间溢出性为8.05与7.47,相较2012-2014年间空间溢出差异性与发散性都明显增强。

2.房地产泡沫空间溢出效应在同一泡沫溢出圈内逐渐聚集,不同溢出圈之间呈现梯次性过度趋势。将2015-2016年间,各地区房地产泡沫取均值填充颜色至中国地图。由图5可知,我国各省域间房地产泡沫空间溢出效应呈现明显的聚集性与区域性的特点,且梯次性过度趋势较明显,总体呈现由沿海向内地、由东部向西部梯次衰退态势。溢出效应聚集圈主要划分为三大板块,一是以北京为中心区的京津冀溢出圈;二是以上海为中心的沪苏浙溢出圈;三是以广东为中心的闽粤溢出圈。这三板块的空间溢出效应贡献率在616以上。其他板块为辽吉黑溢出圈、中部地区溢出圈与西部地区溢出圈,空间溢出效应贡献率在5.25~5.86之间。高溢出聚集区主要集中于京津冀和长三角地区以及这两大经济体沿海延长线地带。结合上文的回归分析,形成这种状态的主要原因有:随着城镇化进程的不断加快,越来越多的外来人口涌入北上广深等中心地区,促使人口密度不断攀升,住房需求不断扩大,推动房地产价格增长,过高的房价压力和不断完善的交通设施,使更多的中心省域居民选择在周边地区购房,形成房地产泡沫的空间溢出圈;同时,由于土地稀缺性,中心省域房产供给不足,政府拍卖的住房用地中“地王”频现,进一步推高了房地产商的拿地与开发成本,在成本-收益的约束下,房产商逐渐开始选择开发中心省域的周边地区,力图通过低拿地成本和高建筑质量吸引购房者,获得更高利润,带动周边地区房地产市场的发展,产生房地产泡沫空间溢出圈,圈内曾经差距较大的省域价格逐渐减小,房地产泡沫空间溢出效应在溢出圈内逐渐呈现聚集性特点。endprint

3.我国各省域房地产泡沫根据溢出程度可以分为四大类型。为了对不同省域间2015-2016年间的溢出效应新趋势做进一步分析,我们引入空间溢出性分布图。图6中,纵轴为各省域空间溢出效应,横轴为各省域房地产泡沫值,纵向线为房地产泡沫值的中位数,横向线为空间溢出效应贡献率的中位数。两条直线将将分布图划分为四个象限:第一象限为传染活跃型省域,受到房地产泡沫空间溢出性影响大,包括福建、河北、江苏、浙江;第二象限为传染较活跃型省域,自身房地产泡沫较高受到空间溢出性的影响较大,且自身房地产泡沫较高,容易对周边地区产生较强的溢出效应,包括北京、上海、广东与天津;第三象限为传染稳定型,这类城市会受到泡沫空间溢出效应的影响,但影响程度有限,包括山西、山东、河南与陕西等省域;第四象限为传染迟钝型,此类城市不容易受到周边城市房地产泡沫膨胀的影响,同时自身房价的增长也较难影响周边区域,包括海南。一、二象限城市较易产生房地产泡沫的空间溢出效应,在房价过快增长时期要出台限制措施,引导房价合理走向。三、四象限城市受到房价空间溢出效应较弱,在经济增速放缓时期可以适时取消房产限购政策,带动经济平稳增长。

六、结论与展望

本文基于租购消费效用选择模型,利用2006-2016年我国30个省域的面板数据构建空间动态计量模型,以房地产泡沫测度为基础,分析各影响因素对房地产泡沫的作用程度,考察在不同影响因素作用下房地产泡沫是否具有空间溢出效应。本文将二元0-1空间邻近矩阵、地理空间矩阵与经济-地理空间矩阵三种不同空间权重矩阵进行比较,得出经济-地理空间权重矩阵下的空间滞后模型最适合分析房地产泡沫的空間溢出,进而以此为基本模型探讨了不同省域间房地产泡沫的空间溢出程度,并对房地产泡沫空间溢出的新趋势进行了分析。本文研究发现:(1)近年来房地产泡沫确实存在空间溢出性特点,并且不同省域房地产泡沫溢出圈内的溢出程度差异性扩大,有明显的发散性特点;(2)房地产泡沫空间溢出效应在泡沫溢出圈内逐渐聚集,不同溢出圈之间呈现梯次性过渡趋势;(3)我国各省域房地产泡沫根据溢出程度可以分为传染活跃型、传染较活跃型、传染稳定型与传染迟钝型四种类型,其中前两种类型城市较易受到房地产泡沫空间溢出性影响。由于近年来各省域房地产泡沫空间溢出方差逐渐增大,使得房地产泡沫差异化现象明显,容易造成基尼系数的攀升,影响收入分配的公平与效率,需要政府适时出台相应政策进行调控,特别是要加强对较易受到房地产泡沫空间溢出性影响的传染活跃型与传染较活跃型两大类城市的楼市的针对性调控。

本文对于深化房地产价格的研究,解析房地产泡沫空间溢出效应新趋势具有积极意义。然而,本文的研究仍存在着不足之处,由于数据的缺乏,房地产泡沫空间溢出效应的计算还不能完全涵盖中国31个省级行政区。同时,适合用来分析房地产泡沫溢出的经济-地理权重矩阵重叠分组空间加权的技术难题尚未突破,也未能将隐性房价以及结构性房价带来的泡沫空间溢出效应全部考虑进来,这两个方面会导致空间溢出程度的低估。这些不足之处有待今后进一步的研究。

作者单位:天津商业大学经济学院

责任编辑:牛泽东endprint

猜你喜欢
货币政策预期
中国货币政策调控与居民杠杆率攀升
两次中美货币政策分化的比较及启示
全球高通胀和货币政策转向
货币政策与股票市场流动性的互相关关系研究
货币政策与股票市场流动性的互相关关系研究
分析师一致预期
分析师一致预期
分析师一致预期
分析师一致预期
分析师一致预期