第9期于 雪房地产价格泡沫与拐点研究59 住房信贷方面的有效性。在传统的面板回归分析中,住房信贷增长受到最高债务偿付比率、最大贷款与抵押价值比率、住房部门风险限制和住房相关税收的变化的显著影响。但是,当使用组平均和面板事件研究方法时,只有最高债务偿付比率对住房信贷增长有显著影响。在所考虑的政策中,与住房相关的税收变化是唯一对房价升值有明显影响的政策工具。国内文献方面,沈悦和刘洪玉[5]运用1995 2002年中国14个城市数据进行实证研究,结果表明,我国住宅市场并不符合有效市场假说,经济基本面对住宅价格水平的影响具有显著的城市差异。张涛等[6]分别构建了两资产按揭贷款模型及单资产按揭贷款模型,指出银行信贷与房地产价格有较强的正相关关系,高按揭贷款利率与房价呈反向关系。常飞等[7]在理论分析基础上,运用脉冲响应对货币政策对不同城市商品住宅市场的作用进行了实证分析。研究结果表明,货币政策对房价的影响期限长且城市差异较大,政府的调控政策则在很大程度上引导房价一定时期的走势,但最终市场供求状况将是影响房价与地价进一步走向的决定性因素。叶欣和王婕[8]运用SVAR模型构建了我国银行贷款、房价、利率、经济增长、通货膨胀五个变量的动态分析系统,指出我国银行贷款与房地产价格互为因果关系,房价上升会引起银行贷款的扩张,但不会导致货款明显且持续的循环,房货风险相对可控,贷款规模激增会持续推升房价,加剧房价的波动,贷款对利率的传导效率较高,且利率对房价具有滞后抑制效果,易引发市场过度调整,增加房地产贷款风险。于长雷和赵红[9]指出,随着互联网的快速发展和网络信息的广泛传播,网络信息对人们的社会生活产生着越来越重要的影响,他们利用事件分析法,分析了重大网络突发事件对房地产市场的影响,并对影响程度进行深入分析,结果表明,网络突发事件会对房地产市场造成明显的影响和冲击。杨思群和董美[10]运用FAVAR模型,表明共同因子是房价长期波动的主要原因,特质因子只在短期内影响房价,货币政策冲击对房价的短期影响较大。唐云锋和吴琦琦[11]基于动态系统模型,对2009 2015年中国15个大中城市房价水平的变化趋势进行研究,结果表明,土地财政是导致房价上涨的根本原因,中央政府选择有利于中央政府效用水平增加的经济发展方式,中央政府、地方政府与房地产企业会形成经济增长联盟共同推动房价上涨,房地产企业行为对土地财政导致的高房价具有放大效应,且作用效果在东部、中西部地区呈现明显的区域差异。2、房地产价格泡沫测度的文献回顾房地产泡沫是指由房地产过度投机等因素所引起的房地产价格脱离市场基础并持续上涨的过程或状态。国内外文献中关于房价泡沫的测度方法主要分为3种指标体系测度法、统计检验测度法和模型测度法。指标体系法是根据某个房地产相关指标的值如房价收入比、商品房空置率、实际房价与理论房价之比等来判断泡沫的存在;统计检验测度法是以计量经济学为理论基础,对房地产价格变化进行统计检验,判断其是否存在某种规律;模型测度法是要建立一种模型,通过这个模型收益还原法和市场供求法算出房地产的基础价值,然后与市场价值进行比较进而得出房地产泡沫。Hamilton和Charles[12]提出用单位根检验的方法判断泡沫是否存在。野口悠纪雄[13]提出用收益还原方法来测度房价泡沫。 Abraham和Hendershott等[14]分别使用长期均衡价格方法、基本市场价值方法、价格收入比方法验证了韩国汉城存在房价泡沫。 Bourassa和Martin[15]利用三个国家6个大都市的住房市场数据,并使用资产定价模型来识别泡沫,然后将该结果与其他6种方法房价租金比、房价收入比、估算与实际租金比、回归法、现值法、增长率法的计算结果进行比较,鉴于资产定价方法的科学和复杂性,作者得出结论无论从领先指标还是同步指标的角度看,简单的价格租金比率都是衡量房价泡沫的可靠方法。 Andr等[16]利用1975年1季度至2013年2季度16个经合组织国家的季度面板数据集,用信贷缺口和房价收入缺口反映信贷泡沫和房价泡沫,探讨房价和信贷引发金融危机的可能性,通过估算一组多变量Logit模型估计,他们发现,住房和信贷市场中的泡沫行为对金融危机具有正向的和显著的影响。袁志刚和樊潇彦[17]构造了一个房地产市场的局部均衡模型,给出了地产均衡价格中理性泡沫产生和存在的条件,以及导致泡沫破灭的相应条件,为行为人预期、银行信贷以及政府政策在地产泡沫形成中的重要作用提供了一个简明、统一的分析框架。史兴杰和周勇[18]在放宽Norden的Switching Regression模型假设的基础上,提出了更为有效的SwitchingAutoregressive AR模型,实证分析结果表明北京和上海的房价泡沫显著,天津和重庆的房价泡沫不明显;政府出台的房地产调控政策将北京的房价泡沫挤出,但上海的泡沫未受影响。吕江林[19]利用指标测度法,通过对相关指标进行分析,指出房价收入比是度量我国房地产市场价格泡沫水平的合理指标,通过“房价首付款分期付款折现值”的思想构建模型,预测出我国城市居民房价收入比承受能力的合理上限约为4. 38 60 管理评论第31卷6. 78。放宽来说,我国城市居民房价收入比承受力的最高限不应该超过7。况伟大[20]构建了“消费者开发商”模型和“投资者投机者”理论模型,并利用我国省际面板数据和系统GMM模型对理论模型进行了经验检验,结果表明,我国东部地区住房泡沫比较严重,中西部地区没有明显的住房泡沫。胡晓[21]将房地产价格对均衡价格的偏离分解为周期性成分和泡沫成分,其研究表明,泡沫主要是因为过分乐观预期等因素驱动的,我国房地产价格泡沫是局部性的,主要发生在经济不发达地区。张炜[22]运用房价收入比对各省份的房地产泡沫进行测度,构建消费者购房选择与房地产泡沫模型,发现预期、货币政策与非住房消费是影响房地产泡沫的主要因素,其中消费者预期对房地产泡沫变动的影响最大。3、房地产市场拐点预测的文献回顾纯粹研究房价拐点的文献并不多,类似研究主要集中于房价波动和房地产周期问题方面。钟少颖等[23]研究了货币政策在房地产市场中的传导途径,结果表明市场参与者预期是影响房地产价格的重要因素;在货币政策中,货币渠道的影响要比信贷渠道更为显著;货币政策和市场预期容易形成闭环联系,在经济景气期容易形成泡沫,因此要坚持货币政策的纪律性,促使形成稳定预期。王松涛[24]从开放经济体的视角检验了“巴萨假说”对非可贸易品的适用性。实证分析表明,住房价格波动不仅受到城市经济维度与房地产市场维度因素的影响,而且也受到开放经济维度因素的影响。叶欣和王婕[25]运用SVAR模型构建银行货款、房价、利率、经济增长、五个变量的动态分析系统,从宏观经济环境的周期性变化视角出发,对我国银行货款与房价波动的相互作用和传导路径进行实证分析。研究结果发现,我国货款对利率的传导效率较高,利率对房价具有滞后抑制效果,在经济收缩期从紧的货币政策易引发市场过度调整,进而增加银行风险。柳冬等[26]应用多因素回归、状态空间模型及Kalman滤波等方法,对我国房地产价格走势进行预测,认为全国商品零售价格指数、全国土地销售价格指数、全国房地产开发投资额累计同比增长、全国城镇家庭人均可支配收入同比增长、全国发电量同比增长等对房价走势有重要影响。张莉等[27]通过土地市场模型、住房市场模型等进行分析,结论认为在控制了经济基本面因素、房价供需面因素以及地区固定效应和年度效应后,供地结构对房价波动有着显著负向影响,即商住用地比例的降低能够引起房价显著上升,东部地区供地结构对房价波动的影响最为明显,超过全国平均水平,而中、西部地区供地结构对房价波动的影响不显著。吴璟和刘洪玉[28]利用GM1,1模型估计长期趋势成分,利用马尔可夫链预测模型估计周期性波动成分,通过两者的结合完成对房地产周期的拟合和预测。李昕和徐滇庆[29]推算出我国城镇人均住房面积的时间序列数据,并根据Gompertz模型预测未来我国住宅市场的供求关系,结果显示,我国房地产市场将处于供不应求的态势,推动房价上升的压力长期存在,只有当城镇化比例达到75以后,商品房建设的速度才会有所减缓。叶桂芳[30]以国房景气指数作为研究房地产市场趋势的指标,分别构建ARIMA2,1,2模型和GM1,1模型来预测房地产市场的近期波动趋势。已有文献为本文研究奠定了很好基础,但已有文献偏重从统计逻辑或计量逻辑的角度研究房价泡沫,缺少历史逻辑特别是统计逻辑与历史逻辑相结合的研究方式。本文在已有文献的基础上,通过历史逻辑和统计逻辑相结合的方式,利用时变参数状态空间模型和脉冲响应函数分析房价泡沫和拐点,并做出以下创新和贡献一是通过历史数据验证和国际比较的方式,用日本东京的历史数据验证研究方法的有效性,在模型现实可信、实证有效的基础上,再利用同样模型对中国上海的房价泡沫进行测算;二是界定房价泡沫为市场价格对均衡价格的非平稳偏移,并考虑到变量关系的时变特征,基于局部均衡的思路,分别从房地产供给、房地产需求和房地产均衡三个方面分别构建时变参数状态空间模型,并测算房价泡沫;三是鉴于房价泡沫长期持续存在,为使研究更符合现实,本文定义的拐点为房价泡沫拐点,利用脉冲响应函数分析了各因素对房价泡沫的冲击。我国房地产市场供求影响因素分析房地产作为一种特殊商品,价格水平及变动是供给和需求这两种力量共同作用的结果。1、影响供给和需求层面的共同因素1经济发展情况经济增长,人民生活水平提高,改善性住房需求增强,推高房地产的有效需求,导致房地产价格上升。同第9期于 雪房地产价格泡沫与拐点研究61 时,经济增长强劲提振了投资者和开发商的信心,投资开发力度增强,对房地产市场的供给水平也会起到重要推动作用。2物价水平物价水平影响房地产价格有两种渠道一是成本渠道影响供给,物价水平上涨→房地产业的建筑成本、人工成本等上涨→开发成本上涨→房地产价格上涨;二是资产渠道影响需求,物价水平上涨→作为较好的保值、增值的实物资产,房地产需求增加→房地产价格上涨。3货币政策货币供应量和利率。我国房地产开发商的资金主要来自银行贷款,购房者主要通过房贷购买商品房,货币政策对我国房地产市场有较大影响。首先是货币供应量,宽松的货币政策下市场流动性充裕,按揭贷款将居民对住房的潜在需求转化成了有效需求,开发贷款解决了开发商资金问题,影响既有建筑的推盘进度和新建筑的开发决策。其次是利率,影响开发商和购房者的资金成本。对开发商而言,利率提高后,开发商的部分利润被融资成本蚕食,投资热情下降,市场供应减少;对于购房者来说,利率提高会增加其购房成本,购房积极性下降,市场需求减少。4其他房地产调控政策我国房地产市场具有明显的政策主导性特征,宏观调控和政策变动能够通过影响房地产市场进而影响经济发展。影响房地产市场发展的政策变量包括一是城镇化的新型住房制度,会深刻影响房地产供求情况;二是土地政策、保障房政策、税收政策等。当经济低迷时,政府通过扩张性政策刺激经济,社会生产资源向带有国民经济基础性和先导性的房地产业转移,推动房地产业率先复苏,房地产开发热情和购房需求被激发。经济高涨时,紧缩性政策使社会资源率先从过热的房地产领域退出,房地产进入收缩期。5预期预期对房地产影响不容忽视。供给方面,国民经济发展形势、房地产市场行情及价格走势、城市规划调整等都会影响到开发商的预期进而影响投资决策。如果开发商对未来的预期看好,为了高额利润就会增加投资和住房供给,反之,则会减少投资和住房供给。需求方面,如果预期未来房价走高,即使当前价格较高,在“买涨不买跌”“早买不如晚买”的心理作用下,房地产需求与价格的正反馈机制会发挥作用,即房价上涨→需求增加→房价继续上涨→需求继续增加。反之,市场需求下降,持币观望的现象增加,房地产进入量价齐跌的局面。2、影响房地产供给层面的因素从微观角度看,房地产供给是指生产者在某一特定时期,在某一价格水平上愿意而且能够提供的房地产商品的数量。影响房地产供给的因素包括1土地土地供应从源头上决定了房地产市场供给。土地本身是非生产资产,没有成本价格,其价格完全取决于市场供求。我国土地市场是政府垄断性市场,土地供给兼具有限性和稀缺性,缺少供给弹性。而随着城镇化进程加速,对土地的需求有增无减,导致土地成交价格不断上涨,推升房地产开发成本,并进而影响房价。2房地产开发投资额房地产开发投资额是以货币形式表现的房地产开发企业在一定时期内进行房屋建设及土地开发所完成的工作量及有关费用的总称,体现了房地产开发商的要素总投入,是影响市场供应的重要因素。3、影响房地产需求层面的因素从微观角度看,房地产需求是指消费者在某一特定时期,在某一价格水平上愿意而且能够购买的房地产数量。影响房地产需求的因素包括1人口城市人口变化是影响房地产需求的最根本因素。首先,人口增加会导致房地产需求增加,推动房地产价格上升。其次,随着人口素质提高,人们对生活质量、公共服务设施和居住环境等要求也会相应提高,房地产商为迎合人们的期望,会加大质量和品位等方面的投入,增加了房地产开发成本,推高房地产价格。62 管理评论第31卷2居民收入收入是影响居民消费行为的最重要的因素。居民可支配收入增加,恩格尔系数降低,购房能力相应提高。此外,房子是一种特殊商品,兼具投资特性,居民收入增加后,会将房地产作为保值或投资渠道,增加房地产需求。3房地产自身特征因素最核心的是反映房地产本身的区位和权益等相关因素。关于房地产有句名言第一是区位,第二是区位,第三还是区位。区位是决定房地产需求和房价最重要的特征。一线城市需求大、房价高,同一城市核心区域如商业中心、教育中心、医疗中心、交通便利区域等需求大、房价高。同时,房屋建筑结构、开发商品牌效应等对房地产需求和价格也具有较大影响。房地产价格泡沫的测度方法和实证研究1、房地产价格泡沫的测度方法1房地产价格的相关概念房地产价格的相关概念主要有①均衡价格P∗ 。根据经济理论,房地产均衡价格是指房地产市场供求相等时的价格。 ②房地产价格泡沫。假设房地产市场价格为MP,泡沫因素为BP,则MPP∗ BP,或BP MP-P∗ ,即房地产价格泡沫是房地产市场价格相对于均衡价格的非平稳偏移,如果用相对数表示,则房地产价格泡沫就是房地产市场价格对均衡价格的非平稳偏移率,即BPMP-P∗ / P∗ 。 ③房地产价格拐点。在数学上拐点指曲线凹凸分界点,在经济学常见说法中,拐点指经济运行过程中改变原来方向的点,即最高点或最低点,或者称“转折点”。本文定义的房地产价格拐点为房地产价格由升转降或由降转升的转折点。2房地产价格泡沫测度方法和模型房地产价格泡沫是房地产市场价格对均衡价格的非平稳偏移,测度房地产价格泡沫,首先要测度均衡价格,但均衡价格是无法观测的,是一种状态变量。不可观测状态变量的估计,可以通过状态空间模型加以实现。利用状态空间模型表示动态系统主要有两个优点一是状态空间模型将不可观测的变量状态变量并入可观测模型,并得到估计结果;二是状态空间模型是利用强有力的迭代算法 卡尔曼滤波估计的,该方法可以通过计算机程序达到对模型参数的最优化拟合。本文以日本东京和中国上海房地产为研究对象,从供求两侧入手分别建立时变参数状态空间模型,在供求相等的假设下计算得到房地产均衡价格,根据市场价格对均衡价格的偏离程度测算得到房地产泡沫情况。A.状态空间模型基本原理状态空间模型是运用状态空间分析法,对动态系统建立的数学模型。状态空间模型有一个假设一个不可直接观测的变量序列决定动态系统的变化趋势,这个不可直接观测的变量序列往往和其他可观测的变量序列同等重要。状态空间模型通常由量测方程和状态方程组成,其中量测方程刻画的是不可观测状态变量序列与可观测变量序列之间的关系,状态方程是状态变量自身的滞后关系方程。利用状态空间模型构造可变参数模型,如下量测方程yt x′tβt μt 1状态方程βt βt-1 εt 2xt是具有随机系数βt的解释变量的集合,随机系数向量βt是状态向量,称为可变参数。可变参数βt是不可观测变量,必须利用可观测变量yt和xt来估计。扰动向量μt和εt假定为相互独立的,且服从为均值为0,方差为σ2和协方差矩阵为Q的正态分布。B.房地产价格泡沫测度模型①房地产市场供给的状态空间模型为量测方程ln RSt s1t ln MPt s2t ln MPt s3t ln MPt μt 3第9期于 雪房地产价格泡沫与拐点研究63 状态方程s1t s1t-1 e1;s2t s2t-1 e2;s3t s3t-1 e3 4②房地产市场需求的状态空间模型为量测方程ln RDt c1t ln MPt c2t ln Z2t c3t ln Z3t νt 5状态方程c1t c1t-1 η1;c2t c2t-1 η2;c3t c3t-1 η3 6式3 式6中,RS、RD分别表示房地产供给和需求,MP表示房地产市场售价,X2、X3 分别表示房地产供给的各个影响因素,Z2、Z3 分别表示房地产市场需求的各种影响因素。量测方程和状态方程的随机扰动项假定是独立同分布的,方差一定且相互之间不相关。利用卡尔曼滤波对上述模型进行估计,可以得到可变参数s1t、s2t、s3t和c1t、c2t、c3t的估计值。③房地产均衡价格的状态空间模型将参数s1t、s2t、s3t和c1t、c2t、c3t的估计值带入方程供给方程3和需求方程5,并将均衡价格P∗作为状态变量引入两个方程,将方程3和方程5联立,可得如下状态空间模型量测方程ln RSt s1t ln P∗ t s2t ln X2t s3t ln X3t et 7ln RDt c1t ln P∗ t c2t ln Z2t c3t ln Z3t ηt 8状态方程ln P∗ t ln P∗ t-1 ξt 9其中,ln P∗ t表示房地产均衡价格的自然对数值,对ln P∗ t取反对数可以得到均衡价格P∗ t,根据房地产价格泡沫的计算方法,可得BPt MPt- P∗ tP∗ t 10BPt就表示t时期房地产价格泡沫情况。2、基于日本东京和中国上海的实证研究众所周知,日本东京在20世纪90年代经历了严重的房价泡沫破灭事件,本文首先用日本东京的数据和估算结果来验证房价泡沫测度模型的有效性,在模型现实可信、实证有效的基础上,再利用同样模型对中国上海的房价泡沫进行测算,这样得到的结果会有较强的说服力和可信度。1基于日本东京的实证研究A.数据描述根据前文的研究思路和数据可得性,本文从供给和需求两方面选取变量来测算日本东京的房地产价格泡沫。从供给层面看,本文选取的变量主要有新建公寓楼销售平均单价万日元/平方米、土地成交单价万日元/平方米、住宅建筑投资亿日元、公寓楼新房开工户数户等;从需求层面来看,选取的变量主要有新建公寓楼销售平均单价万日元/平方米、人口数量万人、贷款利率、新建公寓楼销售户数户等,利用这些变量建立状态空间模型。所选数据除贷款利率为日本全国数据外,其他变量均为日本首都圈数据,数据频次为年度数据,时间跨度为1988 2016年,数据均来源于Wind数据库如表1所示。表1 日本东京相关变量的描述性统计指标名称标记符号单位均值最大值最小值标准差公寓楼新房开工户数RS户56139 81124 25863 15105新建公寓楼销售户数RD户59805 95635 25910 22604土地成交单价LP万日元/平方米27. 20 50. 76 17. 90 9. 98住宅建筑投资IN亿日元62533 90451 41764 13335新建公寓楼销售平均单价RP万日元/平方米66. 07 93. 40 51. 30 11. 03贷款利率LR 2. 78 7. 53 1. 04 1. 83人口数量PS万人4196 4380 4061 11164 管理评论第31卷B.均衡价格和泡沫程度测算结果将日本东京的相应数据带入状态空间模型式3 式10,利用Eviews软件,可得模型估计结果如表2所示,各参数估计结果的显著性较高,说明模型比较有效。表2 日本东京市状态方程估计结果参数供给方程需求方程Final State标准差z-Statistic P值Final State标准差z-Statistic P值s1 1. 3135 0. 0807 16. 2786 c1 6. 9075 0. 1311 52. 6851 0. 0000s2 -0. 5642 0. 2159 -2. 6131 0. 0090 c2 -1. 3033 0. 2709 -4. 8110 0. 0000s3 -0. 3762 0. 1278 -2. 9446 0. 0032 c3 -0. 0660 0. 0244 -2. 7044 0. 0068log likelihood -19. 9749 -22. 9344注限于篇幅,这里仅给出了最终状态final state的估计结果。根据模型估计结果,可以测算得到日本东京市相应年份的均衡价格和泡沫程度。测算结果如图1、图2所示。表明20世纪80年代末90年代初,东京房价泡沫程度非常严重,高峰时期,房价泡沫实际价格与均衡价格的偏离率接近40,90年代,东京房价泡沫迅速破灭;1992 2005年,东京房价进入较为稳定时期,泡沫程度在10以内,2006年泡沫程度有所放大,接近20;在次贷危机影响下,2007年、2008年泡沫再次破灭,2009年受全球量化宽松政策影响,泡沫程度突破15,之后回落至5以内,2014年以来,东京房价泡沫又有回升态势。总体而言,20世纪90年代初期以来,泡沫破灭后东京房价基本进入低位震荡态势,除了间歇性地突破10以外,绝大多数时间内,东京房价泡沫程度稳定在10以内。图1 日本东京住宅实际价格与均衡价格走势单位万日元/平方米图2 日本东京住宅泡沫情况单位 以上测度结果与公认的日本房价泡沫情况,特别是20世纪90年初期日本房价泡沫快速破灭的事实是基本吻合的。这说明,采用的状态空间模型可以很好地测度房价泡沫程度,具有较强的可信度和有效性。2基于中国上海的实证分析A.数据预处理和数据描述根据上述日本东京的房价泡沫测算模型,本文再以2004年1季度至2018年1季度上海市商品房为研究对象,分别从供给和需求层面选取变量并测算上海市房价泡沫情况。从供给层面看,本文选取的变量主要有商品房市场售价元/平方米、土地购置价格元/平方米、房地产开发投资万元、商品房竣工面积万平方米和地区生产总值GDP,亿元;从需求层面来看,选取的变量主要有商品房市场售价元/平方米、商品房销售面积万平方米、城镇居民人均可支配收入元、实际贷款利率、商品零售价格指数等。其中,实际贷款利率为全国数据,由名义利率减去CPI计算得出,其他变量均为上海市数据。为消除价格因素的影响,本文用2004年为基期的上海市定基CPI,对房地产开发投资RI、城镇居民人均可支配收入DI、商品房平均销售价格MP、地区生产总值GDP等变量进行了平减;同时,对商品房销售面积RD、房地产开发投资RI、商品房平均销售价格RP、商品房竣工面积RS、城镇居民人均可支配第9期于 雪房地产价格泡沫与拐点研究65 收入DI等变量做了季节性调整;除实际贷款利率LR、商品零售价格指数RPI外,其他变量数据均取自然对数,并根据式3 10式建立时变参数状态空间模型结果如表3所示。表3 中国上海原始数据的描述性统计指标名称单位标记符号均值最大值最小值标准差商品房竣工面积万平方米RS 1403. 39 220. 88 3443. 02 886. 63商品房销售面积万平方米RD 1442. 16 316. 47 3694. 96 894. 14商品房市场售价元/平方米MP 13675. 48 5289. 45 27943. 22 6228. 52土地购置价格元/平方米LP 23815. 70 1657. 07 125401. 9 29801. 27房地产开发投资万元RI 1304. 21 188. 05 3858. 55 904. 11地区生产总值万元GDP 10709. 45 1560 30149. 68 6880. 88城镇居民人均可支配收入元DI 22794. 02 4611. 63 62628. 59 13867. 93贷款利率 LR 5. 24 2. 32 8. 97 1. 48商品零售价格指数 RPI 1. 34 -1. 8 6. 5 1. 77数据来源Wind资讯数据库。3单位根检验和协整检验ADF单位根检验结果显示,所有变量序列都是非平稳的,一阶差分后,变量RP、RI、GDP、DI、LR、RPI平稳;二阶差分后,变量RS、RD、LR平稳,所有变量均可以看作二阶单整序列;Johansen检验结果表明,方程1和方程3均存在一个协整关系,可以建立状态空间模型。4上海市房价泡沫程度测算利用中国上海相关数据和Eviews软件,可得模型估计结果如表4所示,各参数估计结果的显著性较高,说明模型比较有效。表4 中国上海市状态方程估计结果参数供给方程需求方程Final State标准差z-Statistic P值Final State标准差z-Statistic P值s1 0. 1591 0. 0344 4. 6234 0. 0000 c1 0. 0321 0. 0161 1. 9911 0. 0465s2 -0. 3655 0. 1861 -1. 9642 0. 0495 c2 0. 6337 0. 1649 3. 8422 0. 0001s3 -0. 3324 0. 1937 -1. 7159 0. 0862 c3 -0. 7739 0. 1729 -4. 4756 0. 0000s4 0. 5008 0. 1759 2. 8464 0. 0044 c4 0. 0315 0. 0143 2. 2034 0. 0276log likelihood -14. 0837 -20. 9429注限于篇幅,这里仅给出了最终状态final state的估计结果。图3 2004年1季度至2018年1季度上海市房价泡沫情况根据状态空间模型估计结果和房价泡沫的测算公式,测算得到2004年1季度至2018年1季度上海市房价泡沫情况如图3所示。总体来看,上海市房价泡沫均值为9. 38。分阶段看,2009 2011年和20152017年是两轮泡沫膨胀期。具体来看,2004年1季度至2008年4季度,上海市商品房价格平稳,房价泡沫较小,平均泡沫值只有5. 2;2009年1季度至2011年4季度,上海市商品房价格快速上涨,房价泡沫持续膨胀,房价泡沫平均值达到13. 75,峰值出现在2009年4季度,达到18. 29;2012年1季度至2015年1季度,上海市商品房价格再次趋稳,房价泡沫不断回落,房价泡沫平均值为6. 92;2015年2季度至2017年2季66 管理评论第31卷度,上海市房价又一次加速上涨,房价泡沫不断扩大,房价泡沫平均值达到15. 09,峰值出现在2015年4季度,达到18. 59;2017年3季度以来,上海市房价泡沫有所下降,但2018年1季度泡沫程度仍然高达13. 41,超过平均泡沫值4. 04个百分点。进一步,本文对上海市商品房价格泡沫进行了平稳性检验,ADF检验结果显示,在5的显著性水平下,上海市房价泡沫序列为非平稳序列,这表明,上海市房价泡沫并非偶然现象,而是一种非平稳性的长期现象如表5所示。表5 上海市房价泡沫的平稳性检验变量检验类型c,t,k统计量p值结论BP 0,0,0 -2. 6348 0. 0922不平稳注上述检验形式为c,t,k,其中c代表漂移项,如果存在漂移项则c取1,否则取0;t代表趋势项,如果存在趋势项,则t取1,否则取0;k表示滞后阶数。上海市房地产泡沫拐点问题研究在测算上海市房地产泡沫的基础上,本文选取影响房地产泡沫的各种因素,并利用脉冲响应函数分析这些因素变动对房价泡沫的冲击程度,如果一个因素的变动会导致房价泡沫持续快速下降,则这一因素就很可能是导致房价拐点来临的主要影响因素。1、数据来源概括而言,影响房价泡沫的主要因素可以归纳为以下三大方面金融政策松紧情况、土地供给状况、人口和收入增长情况。在此框架下,本文选取5年期以上贷款利率、房地产开发贷款、土地购置面积、房地产开发投资额、上海市总人口、城镇人均可支配收入和房地产泡沫水平7个变量,通过脉冲响应函数分析房价拐点情况。数据来自Wind资讯数据库,数据频度为季度,时间跨度为2004年1季度至2018年1季度。其中,上海市总人口为年度数据,本文通过线性插值法将其转换为季度数据,贷款利率和泡沫水平之外的其他5个变量进行了季节调整和对数处理。2、上海市房价泡沫拐点分析ADF检验结果显示,7个变量均为二阶单整序列。 Johansen检验结果显示,在5的显著性水平下,各变量之间存在长期协整关系① ,可以通过VAR模型进行脉冲响应分析。结果显示见图4图4 金融因素变动对房价泡沫的影响情况从短期来看,金融政策是影响房价泡沫拐点的主要因素。给定贷款利率1个单位的正向冲击,房地产泡沫会立刻出现下降且持续时间达到9个季度,且在前4个季度降幅最为明显,说明利率的提高增加了购房者的资金成本,对房地产需求起到了明显的抑制作用;给定房地产开发贷款1个单位的正向冲击,房价泡沫第一个季度就出现下降,且下降持续时间超过10个季度,房地产开发贷款增加解决了开发商资金问题,加快了房地产的推盘进度,增加了房地产供给,进而降低了房地产泡沫。从中期来看,土地供应和房地产开发投资是影响房价泡沫拐点的主要因素。给定土地供应1个单位的正①协整向量为1,9. 78,0. 46, 11. 65,40. 33, -9. 78,-129. 93,变量顺序为房地产泡沫水平、5年期以上贷款利率、房地产开发贷款、土地购置面积、房地产开发投资额、城镇人均可支配收入和上海市总人口。第9期于 雪房地产价格泡沫与拐点研究67 向冲击,短期内房价泡沫会继续膨胀,第5个季度以后,房价泡沫会缓慢下降。这是因为,房地产开发需要一定时间,土地购置面积增加并不会立即引起房价泡沫的下降,但中长期内会增加房地产的供给量从而导致房地产价格泡沫下降。给定房地产投资1个单位的正向冲击,房价泡沫开始先表现为上升,第3个季度后缓慢下降,最后一直保持为负。在短期内,房地产开发投资增加,是房地产投资与房地产价格正反馈机制的表现形式,因此短期内房地产泡沫仍趋于上升,而从中期来说,房地产开发投资增加会增加房地产供给量,从而抑制房地产泡沫膨胀如图5所示。图5 土地购置面积和房地产开发投资变动对房价泡沫的影响情况收入状况和人口情况是影响房价泡沫拐点的长期因素。给定人均可支配收入1个单位的正向冲击,房价泡沫期初变动并不大,但第5个季度后房价泡沫开始明显膨胀,这说明,人均可支配收入的上涨,提高了居民的购房能力和投资能力,同时增加了房地产的刚性需求和投资需求,但人们从收入增长到购房决策需要一定时间,因此收入增长对房价泡沫的短期效应不明显但长期效应非常显著。相反,如果收入增长无法持续甚至出现负增长,短期内对房价影响也不大,但第5个季度后房价泡沫会快速下降。给定总人口数一个单位的正向冲击,房价泡沫在第5个季度会出现由负转正的拐点,说明人口增长如果无法持续,则长期来看会导致房价泡沫拐点的出现如图6所示。图6 收入和人口变动对房价泡沫的影响情况研究结论和政策建议1、主要结论本文建立了测度房价泡沫的时变参数状态空间模型,以日本东京和中国上海为例,从供给和需求入手,通过时变参数状态空间模型,计算得到了房地产均衡价格和泡沫情况,并通过脉冲响应函数分析了上海市房价泡沫的拐点情况,结论如下120世纪80年代末90年代初,东京房价泡沫程度非常严重,高峰时期,房价泡沫接近40,之后,东京房价泡沫快速破灭,并进入低位震荡态势,除了间歇性地突破10以外,绝大多数时间内,东京房价泡沫程度稳定在10以内。这一结果与公认的日本房价泡沫的基本事实是吻合的。因此,本文所采用的模型和方法在测度房价泡沫方面具有可信度和有效性。2上海房地产价格泡沫持续长期存在,且表现出明显的阶段性特征。 2004年1季度至2018年1季度,上海市房价泡沫平均值为9. 38。 2009 2011年和2015 2017年是两轮泡沫比较大时期泡沫值超过68 管理评论第31卷10,2009年4季度,上海市房价泡沫出现第一个峰值18. 29,2015年4季度,上海市房价泡沫出现第二个峰值18. 59。 2017年以来,上海市房价泡沫呈下降趋势,但2018年1季度泡沫程度仍然高达13. 41,超过平均泡沫值4. 04个百分点。3金融政策是影响房价泡沫拐点的短期因素,土地供给和房地产开发投资是影响房价泡沫的中期因素,收入增长和人口增长的可持续性是影响房价泡沫的长期因素。如果金融政策收紧,则房价泡沫拐点在第1个季度就会出现,且会对房价泡沫拐点产生立竿见影的、长期持续的负向影响;由于时滞效应,土地供应加大和房地产开发投资增加,在短期内仍会推高房价泡沫,但约3个季度后房价泡沫拐点会出现;收入增长和人口增长是否可持续是房价泡沫拐点的决定性因素,如果收入增长停滞、人口增长无法维持,则5个季度后会出现房价泡沫拐点,且收入增长和人口增长对房价泡沫拐点的影响具有持续性和长期性。2、政策建议1健全住房金融制度,建立“住房金融走廊制度”。金融对房价泡沫具有明显的抑制作用,当前,我国房地产市场投机性氛围浓厚,建议通过差异化的金融政策,支持刚需和改善性需求,抑制投机性购房需求,通过有“上有压力、下有托底”的金融走廊政策稳定房价。2全力推进土地供给机制改革,建立土地供给的“常平仓制度”。土地供给不足是推高房价泡沫的重要因素,建议建立土地供给的“常平仓制度”,即与房地产价格正向联动的土地供给制度,在房价下跌时放慢供地节奏,房价上涨时加快供地节奏,使房价保持在合理运行区间内。3加快经济转型升级,提高居民收入水平,并逐步放开人口生育政策,为房价长期稳定提供基本面支撑。只有从根本上扭转当前我国产业层次低、经营模式粗放、技术结构落后的现状,提升我国经济在国际上的竞争力,切实提高实体企业盈利水平、居民收入水平和购买力,并逐步放开人口生育政策,才能为房价的长期稳定提供基本面支撑。参考文献[1] Pollakowski H. O., Wachte S. M. The Effects of Land-Use Constraints on Housing Prices[J]. Land Economics, 1990,663315-324[2] Bernanke B. S., Gertler M. Inside the Black Box The Credit Channel of Monetary Policy Transmission[J]. Journal of EconomicPerspective, 1995,9127-48[3] Detragiache E., Vogel U., Vandenbussche J. Macroprudential Policies and Housing Prices