中国商品房价格影响因素分析计量经济学课程论文Word格式文档下载.docx
《中国商品房价格影响因素分析计量经济学课程论文Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《中国商品房价格影响因素分析计量经济学课程论文Word格式文档下载.docx(14页珍藏版)》请在冰豆网上搜索。
这些调控政策从信贷政策、货币政策、土地政策、税收政策等各个方面入手以抑制房地产价格的过快上涨,表明我国政府不断寻求调控房地产价格的有效措施。
那么,在以上所谈及的调控政策中,哪些调控政策的调控效果较好呢?
影响我国房地产价格的主要因素到底有哪些呢,回答这些问题将对我国房地产调控政策的走向有重要的理论和现实意义。
二.国内相关文献综述
因为本文研究的是中国的房地产价格影响因素,所以本文参考的都是国内的研究文献。
刘晓玲的《2008年后中国房价趋势分析》[1]主要从供求角度分析房价的影响因素,里面提出一个好的观点是关于人口变化趋势对房屋需求的影响,说明的是随着我国独生子女时代的到来,双方父母的两套乃至多套房屋将在未来某个时间留给他们,假设他们留下一套自住,而把剩余的住房推向市场,那么,就会增加市场中的住房供应量。
汪丽娜的《房地产宏观调控后的冷静思考》[2]和陈淼峰、陈龙乾的《宏观调控对房地产价格的影响分析》[3]主要研宄的是某些某些宏观调控政策欠佳的原因;
韩国波的《房地产价格的个案研宄---从燕郊房价看近期房地产市场变化趋势》[4]主要讨论了城市外围扩张的城市化进程对房价的影响;
毛广雄、谭峰的《灰色系统分析应用一一预测上海房地产市场需求量变化并对其影响因素做关联度分析》[5]和朱永升、王卫华、韩伯棠的《影响房地产市场需求因素的灰色关联度分析》[6]都是使用灰色关联度分析方法探讨GDP、价格、人均面积、人口、人均收入对销售面积的影响,其中前者采用以上海为样本数据来源,后者采用以北京市为样本数据来源;
盛广恒、李新永的《商品房:
从成本构成看房价》[7]详细介绍了房地产开发的各项成本,包括建筑成本、土地成本、财务成本、各种税费、经营费用、前期费用等;
王学发的《我国城市房价上涨的需求动因与调控对策研究》[8]分析了人们通常把房地产当作投资市场上比较容易进入又回报率较高的投资品以及不发达的房屋租赁市场是导致房地产市场上的过多需求的原因,并据此给出了相应的政策建议;
贺胜兵的《我国房地产价格若干影响因素的实证研宄》[9]是一篇从比较全面的探讨有关房地产价格的影响因素的文章,同时给出了一些计量实证分析,从一定角度上弥补了关于中国房地产市场研宄多理论少实证的不足,但是这篇文章在讨论影响因素时,都是在说某单个因素对房价的影响,计量模型也基本上是一元回归模型;
陈婕、路静、高鹏、董纪昌的《人民币汇率波动与我国房价关系的实证分析》[10]分析了汇率影响房价的机制,利用人民币实际有效汇率、房地产价格指数和银行同业拆借利率共30组数据(2005,07—2007,12)建立了向量自回归模型(VAR),并使用协整、Granger因果检验,脉冲响应分析对人民币汇率波动与我国房地产价格之间的关系进行实证检验;
崔承颖的《北京商品房房价影响因素的实证分析》[11]以商品房销售价格、房地产开发投资资金中国内贷款的绝对数、商品房梭工房屋造价、城镇人均可支配收入、房产商的市场势力为自变量,研宄这些因素对北京市房价的影响;
邱雅的《地区商品房价格的计量分析》[12]以地区商品房平均销售价格为被解释变量,以城镇居民年人均可支配收入、城镇人均施工面积(即房地产幵发企业施工面积/城镇人口数)、房地产开发企业单位数和房地产投资比重(即房地产投资开发额占全社会固定资产投资的比重)这四个变量作为解释变量,来建立地区商品房价格模型;
马丽妞的《关于杭州市房价走势的探讨》[13]以本地生产总值、总人口、本年投资完成额、施工面积、城市人均可支配收入为自变量,研究它们对房价的影响;
原源的《货币、利率、汇率对房价影响的实证分析》[14]通过应用计量OLS方法对我国房地产销售价格与货币供应量、利率和汇率等变量加以回归分析,认为货币供应量上升、低利率和预期本币汇率上升都是促进房价上升的重要因素;
党冰瑜的《中国商品房价格影响因素探究一-基于全国30个省市的实证分析》[15]以人口密度、城乡居民储蓄存款、房地产投资额三个变量为自变量,研宄它们对城乡平均住宅价格的影响。
三.房地产价格驱动因素分析
中国房地产为何能持续高速上涨,其驱动因素包括供应和需求两个方面。
从需求的角度方面来看,影响商品房消费和投资或投机需求的因素包括城镇人口、城镇投资、居民可支配收入、利率、居民消费价格指数(CPI)、税收政策、流动性、GDP、心理预期等因素。
而在供给方面看来,包括商品房开发成本和完工数量及结构等因素,其中,商品房开发成本又包括土地、建筑材料、人工工资、资金利息以及相关税费等因素。
供应和需求决定价格,供过于求,房地产价格下降;
供不应求,房地产价格将上升。
1999年商品房竣工面积为19783.57万平方米,2014年增长到92619.9万平方米,增长了约368.17%。
1999年的商品房销售面积为14556.53万平方米,2014年增长到了109366.75,增长了651.32%,从近十几年来的情况分析看来,需求的增长速度完全超过供给的增长速度,因此供给与需求关系决定房价上涨这一必然趋势。
在供应和需求一定的情况下,成本的上涨将推动房地产价格的上涨。
土地和建筑材料作为房地产开发成本的主要组成部分,其价格的变化将直接影响到房地产开发成本。
由于土地资源的有限性和稀缺性,以及中国土地所有权的公共性,土地的供应量对价格是无弹性的,因此,随着中国经济的快速发展、城镇化水平的提高、住房需求的增加,必然激发土地需求和土地价格的不断上涨。
1999年至2014年土地环比价格指数最低为130,最高为13213,这说明土地平均价格在不断攀升。
一线城市土地价格更是一路狂涨,北京、上海、深圳、南京、成都、武汉、杭州、宁波等城市的地王纪录被一次又一次刷新。
土地价格的上涨推高了商品房开发的土地成本。
在中国公共基础设施投入不断增加,房地产行业不断扩张与发展的背景下,市场对钢材、水泥等建筑材料的需求不断增加。
虽然1999年至2003年建筑材料价格逐年小幅回落,但是,2004年至2014年,建筑材料价格却逐年上升,环比价格指数最低为100.17,最高为112.10。
从影响房地产开发成本的主要因素土地和建筑材料价格来看,房地产开发成本在不断提高是客观的。
利率作为影响开发商和购房者资金成本的因素,对商品房的供应和需求都会产生一定的影响。
从开发商来看,利率上调,资金成本上升,开发成本上升,开发资金收紧,将抑制开发商的积极性,降低商品房的供应量;
利率下调,资金成本下降,开发成本下降,开发资金宽松,将激发开发商的积极性,提高商品房的供应量。
从购房者来看,利率上调,购房资金成本上升,还贷压力加大,抑制商品房需求;
利率下调,购房资金成本下降,还贷压力减轻,刺激商品房需求。
利率对房地产价格的影响取决于利率变化对房地产供应与需求的影响程度。
随着中国经济的发展,城镇化水平的提高,城镇人口和城镇投资在不断增加。
1999年至2014年,中国的GDP增长率最低为7.16%,最高为13%,始终保持快速增长势头。
GDP增长率的变化趋势预示经济发展的未来前景,影响消费者和投资者的心理预期,从而影响商品房的需求。
GDP增长率不断提高,预示经济进入繁荣期,失业率下降、居民收入看涨,购买力增强,商品房需求增加,房价上涨。
城镇人口从1999年的43748万人增长到2014年的69079万人,增长了57.9%,城镇人口的增加将提升商品房的需求量。
居民可支配收入是反映居民购买力的重要指标,流动性是反映社会购买力的重要指标,因此,一定时期内居民可支配收入和流动性指标的大小决定了居民和社会的购买力。
购买力越强,房价上涨的可能性越大;
购买力越弱,房价下跌的可能性越大。
1999年至2014年城镇居民可支配收入从5854元上升到21809.78元,增长了272.56%。
城镇居民可支配收入高速增长提升了居民和社会的购买力,这也助推了商品房价格的上涨。
从资产定价理论来看,房地产价格取决于房地产未来收益的现值,而房地产未来收益的大小又取决于购房者的预期,乐观预期会高估未来收益,悲观预期会低估未来收益,因此,预期会影响房地产的价格。
在宏观经济持续增长、城镇化水平将不断提高的条件下,购房者的乐观预期会得到不断证实而被强化,此时,预期因素会导致房地产价格上涨。
相反,如果购房者的乐观预期落空,预期可能会由乐观转向悲观,预期因素会导致房地产价格下跌。
税收因素也是影响房地产价格的重要因素,如果对房地产开发商和购房者进行不对称征税或免税,那么税收因素的变化必然打破原来的市场均衡状态,导致房地产价格发生变化。
正因如此,税收政策是政府调节房地产市场的重要手段。
四.实证分析
(一)模型构建
房地产价格表现为商品房销售价格、土地购置价格、房屋出租价格和物业管理价格等不同形式,根据研究需要,本文关注的是商品房销售价格和土地购置价格,土地作为商品房开发要素之一,其价格将会以成本的形式反映在商品房销售价格中。
因此,本文将商品房销售价格作为因变量,将单位土地购置费用作为自变量。
考虑到数据搜集的局限性和影响因素的替代性和复杂性,我们选择商品房平均销售价格作为因变量,从影响商品房供给的角度选择单位商品房竣工价值、土地购置费用、建筑材料价格指数等因素作为自变量;
从影响商品房需求的角度选择城镇人口、国内生产总值、城镇居民可支配收入作为自变量,构建模型如下(由于本文的数据选择还比较平稳,故未做取对数的修正):
PRE=β0+β1GDP+β2RI+β3SRE+β4LP+β5AMP+β6TP+E
PRE:
商品房平均销售价格;
SRE:
单位房屋竣工价值;
LP:
单位土地购置费用;
AMP:
建筑材料价格指数;
TP:
城镇人口;
GDP:
国内生产总值;
RI:
城镇居民可支配收入;
E:
残差项
(二)数据来源
注:
表中单位土地购置费用和单位房屋竣工价值由于不能直接取得,是通过土地购置费用除以土地成交面积得到,单位为(万元每平方米),而单位房屋竣工价值则是通过房屋竣工价值除以本年竣工房屋面积得到,单位为万元每平方米。
资料来源《2014年中国统计年鉴》
(三)利用OLS得到回归结果
DependentVariable:
PRE
Method:
LeastSquares
Date:
06/03/15Time:
12:
10
Sample:
131
Includedobservations:
31
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-22425.31
13015.14
-1.723017
0.0977
RI
0.315091
0.076268
4.131360
0.0004
SRE
14482.70
4163.230
3.478717
0.0019
LP
0.306970
0.053286
5.760858
0.0000
AMP
163.4194
121.4990
1.345027
0.1912
GDP
-0.098365
0.054246
-1.813324
0.0823
TP
0.519654
0.433605
1.198450
0.2424
R-squared
0.944919
Meandependentvar
5606.710
AdjustedR-squared
0.931149
S.D.dependentvar
3270.032
S.E.ofregression
858.0389
Akaikeinfocriterion
16.54286
Sumsquaredresid
17669537
Schwarzcriterion
16.86666
Loglikelihood
-249.4143
Hannan-Quinncriter.
16.64841
F-statistic
68.62064
Durbin-Watsonstat
2.626676
Prob(F-statistic)
0.000000
由此可得回归方程
PRE=-22425.31-0.098365GDP+0.315091RI+14482.70SRE+0.306970LP+163.4194AMP+0.519654TP+E
R2=0.944919F=68.62064DW=2.626676
(四)模型的检验
1.经济意义的检验:
从回归模型中可以看出,地区生产总值每增加一个单位,商业住房价格平均减少0.098365个单位,与理论不符,可能存在多重共线性。
2.统计检验
1拟合优度检验:
=0.944919拟合程度还可以,被解释变量的94%可以用解释变量解释
2F检验:
伴随概率为0.000000小于0.05,拒绝原假设所有变量系数都为零的假设,即β1,β2,β3,β4,β5,β6不全为零,六个解释变量对商品房平均住房价格的线性关系在95%的置信水平下显著成立。
3t检验:
RI,SRE,LP,AMP,GDP,TP的t统计量的伴随概率分别为0.0004,0.0019,0.0000,0.1912,0.0823和0.2424,可知,解释变量AMP,GDP,TP没有通过t检验,即这三个因素对住房价格的影响不显著。
3多重共线性检验:
3.1利用EVIEWS6.0得到相关系数表
1.000000
0.233422
0.405083
0.064677
0.286229
0.337572
0.657562
0.248056
0.104335
0.178719
0.651523
0.363497
0.501880
-0.009291
0.101929
0.960749
从表中看到变量之间相关系数并不是很高,除了个别,如GDP指标和城镇人口之间的相关系数却高达0.960749,但是,在之前的经济检验中已经将gdp这个指标剔除出去了,所以关于与gdp相关的系数较高的就不用考虑了,除了这些还有一个就是单位土地购置费用和城镇人均收入之间的相关系数也达到了0.657562,说明变量之间仍然有存在共线性的可能。
3.2多重共线性的修正
首先,分别做PRE对RI,LP,SRE,TP,AMP的一元回归得如下表格
注:
此处的回归结果都在底稿中(eq01ri-eq05tp)
由此可以看出几个一元回归中拟合优度相对较好的是第一组,PRE与RI之间的拟合优度最好,其中引入RI的判定系数最大,应选第一个式子为初始的回归模型。
由上述简单的一元回归可以看出PRE对于RI的判定系数最大,故由RI为最初的解释变量逐渐引入其他四个解释变量来寻找最佳的回归方程。
故可得如下表格
此处的所有回归结果都在底稿中(eq01-eq10)
由表中可以看出拟合优度最好的是最后一组,即PRERILPSRETPAMP,但是其AMP并没有达到2以上,所以没有通过t检验,同时tp(城镇人口)越多的话,也就是说需求相对来说会大一点,那么放假应该会更高,但是在上表中发现其系数为-0.23257,故应该将AMP,和TP两个解释变量去掉。
所以目前为止解释变量只剩下三个,故在上表13-18行中的三组数据中选择,可以看到PRERILPSRE这组的拟合优度是相对来说最高的,并且其他几个解释变量的t值都较高,都能通过t检验,表明这些变量对于被解释变量具有显著性影响,而D.W也能通过相关性检验,故得到经过修正后的模型为
PRE=C+β1RI+β2SRE+β3LP+E
再次经过回归得到回归结果如下
20:
52
-3928.661
820.2224
-4.789751
0.0001
0.223265
0.057099
3.910141
0.0006
0.349787
0.053106
6.586611
16922.89
3904.678
4.334004
0.0002
0.925794
0.917549
938.9686
16.64736
23804875
16.83239
-254.0340
16.70767
112.2835
2.178367
由表可以看出其DW值也较高,故不存在序列相关性。
4异方差性检验
通过eviews软件的white检验得到如下结果
HeteroskedasticityTest:
White
3.471759
Prob.F(9,21)
0.0090
Obs*R-squared
18.53968
Prob.Chi-Square(9)
0.0294
ScaledexplainedSS
24.04210
0.0042
TestEquation:
RESID^2
22:
17
-7229201.
7310058.
-0.988939
0.3340
883.2745
880.9929
1.002590
0.3275
RI^2
0.039723
0.041140
0.965558
0.3453
RI*LP
-0.077797
0.111862
-0.695476
0.4944
RI*SRE
-9981.589
3789.256
-2.634182
0.0155
-52.54792
1277.898
-0.041121
0.9676
LP^2
0.030725
0.041906
0.733185
0.4716
LP*SRE
6156.318
8110.997
0.759009
0.4563
-18055657
39397137
-0.458299
0.6514
SRE^2
4.59E+08
1.17E+08
3.930348
0.0008
0.598054
767899.2
0.425792
1443353.
1093723.