收入水平对我国商品住宅价格区域差异影响的实证分析.doc

最新【精品】范文参考文献专业论文
收入水平对我国商品住宅价格区域差异影响的实证分析
收入水平对我国商品住宅价格区域差异影响的实证分析

摘要：住宅产业关系到国际民生，住宅价格的变动又反映了住宅市场的冷热。房价的攀升引发政府的宏观调控和广大人民群众的高度关注。我国学者对房价问题的研究文献非常丰富，但专门从地区收入水平角度探讨房价区域性差异的文献较少，文章试图通过实证研究，找到收入和房价之间的关联性，从而对房价的区域性差异进行合理解释，以期对我国房地产业的宏观调控献一点微薄之力。

关键词：商品住宅价格；收入水平；差异分析
房价在整个市场价格体系中处于基础地位，这也决定了它在市场经济中具有非常重要的功能和作用。其中商品住宅价格更是直接关系到普通百姓的生活质量。近几年，政府出台的一系列宏观调控政策初见成效，一线城市房价略有下降，二线城市房价涨幅较慢，但房价最终是否能降到合理水平――人均收入的三至六倍，仍然是一个未知数。房价的上涨不但导致了土地资源的浪费，还会引起金融危机从而导致国民经济陷入衰退，而解决这些问题的关键在于形成合理的住宅价格水平。中国住宅价格的快速上涨，究竟是否已与居民收入等基本面严重脱节，我国不同地区间收入的变动与房价变动规律如何，与此相关的研究对于指导我国对房地产业的宏观调控具有非常重要的现实意义。
本文的研究对象主要是住宅房地产，由于农村居民解决住宅的途径主要是以自荐为主，因此我们的研究对象又局限于对城市商品住宅的研究，以下简称住宅。其相应的价格简称住宅价格。具体而言，是指商品住宅的平均销售价格。而我国住宅市场出现的价格问题主要是增量市场的价格问题，故本文研究范围是住宅增量市场。
一、样本数据
本文样本数据来源于1998年-2008年的《中国统计年鉴》，在这期间我国房地产价格波动剧烈，其数据比较具有代表性。另外，为了全面解释房价和人均收入之间的关联，本文选用我国30个省（西藏除外）、区的城镇住宅房地产价格和城镇居民全年人均可支配收入等面板数据作为样本。并对指标进行了可比性处理，即以1998年的不变价格为基础，分别用住宅房地产销售价格指数和城镇居民的消费价格指数对房价和人均收入进行平减。
二、合成数据（paneldata）模型
合成数据（PanelData）是指对不同时刻的截面个体作连续观测所得到的多维时间序列数据。可译成“面板数据”、“时空数据”、“综列数据”。PanelData模型是一类利用合成数据分析变量间相互关系并预测其变化趋势的计量经济模型。模型能够同时反映研究对象在时间和截面单元两个方向上的变化规律及不同时间、不同单元的特性。合成数据模型综合利用样本信息，使研究更加深入，同时可以减少多重共线性带来的影响。由于这类数据有着独特的优点，使paneldata模型目前已在计量经济学、社会学等领域有较为广泛的应用。
单方程PanelData模型的一般形式为：
yt=αi+xitβi+uit，i=1，…，n，t=1，…，T
（模型1）
其中xit为1×K向量，βi为K×1向量，K为外生变量个数，T是时期总数，μit为随机扰动项。
三、计量模型的建立
为了分析不同地区人均收入水平对商品住宅价格的影响，设定如下模型：
Priceit=α0+β1Incomeit+uit（模型2）
其中Price表示住宅房地产销售价格，Income表示城镇居民人均收入，α0、β1表示模型的待估参数。
此外，为了分析人均收入和住宅销售价格的区域性差异，本文将我国30个省（西藏除外）分为东部、中部和西部三大地区，其中东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东；中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、海南；西部地区包括广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。另外，根据资料提供的全国住宅均价变动规律，本文将样本分为1998-2003年和2004-2008年两个时间段，用以分析不同时期人均收入对住宅价格的影响程度。
四、模型估计结果及分析
通过合成数据（pooldata）回归方法对模型2进行估计，估计结果显示：三大地区在1998-2008年所有回归的Adj-R2统计量均在0.6988-0.8927之间，说明模型拟合较好；D.W统计量接近2，说明不存在序列自相关，所有回归的F值均在1%水平上显著异于0，表明模型成立。
表1的回归结果显示，东部地区在1998-2003年间，人均收入每增加1元，将导致房价上升0.2815元，其P值为0.0019，在1%水平上显著；在2004-2008年间，人均收入每增加1元，将导致房价上升0.3249元，其P值为0.0021，在1%的水平上显著，这一结果说明：对东部地区而言，收入的增加导致了房价的上涨。中部地区在1998-2003年间，人均收入每