搜索
中国一线城市房地产泡沫测度——来自北京、上海和广州的实证研究侯懿珊，冯长春（北京大学不动产研究鉴定中心，北京；北京大学城市与环境学院，北京）摘要:在比较国内外房地产泡沫测度方法的基础上,以北京、上海、广州为例,选择因子分析法来测度中国一线城市房地产市场的泡沫程度。研究发现，2003-2005年中国的一线城市普遍存在房地产泡沫现象。而政府的宏观调控政策和经济环境的变化成为影响房地产泡沫的重要因素。关键词:房地产泡沫测度；因子分析法；SPSS1引言所谓房地产泡沫，是指由于人们在投机获利的预期下狂热争购房地产而引起的房地产价格持续大幅度异常上升，或房地产总市值中被过度需求拉高的部分，大大超过了真实需求决定的实际总市值，其中超过的部分就是房地产泡沫。即由于虚拟需求的过度膨胀导致价格水平相对于理论价格的非平稳性上涨。传统的自然周期理论认为，房地产泡沫产生于房地产周期的第三阶段，此时房地产的供给增长速度大于房地产的需求增长速度，空置率呈上涨趋势，且房价持续大幅度上涨，由于房价的持续上涨，部分房地产开发商在利益追逐的刺激下，更加加大房地产开发投资，空置率大大超过10％的界限，房地产市场出现严重的供给过剩，销售状况不佳，大量房屋空置，开发商遭受巨大损失甚至破产倒闭。房地产泡沫可分为安全区、警戒区、危险区、严重危险区四个阶段。安全区的泡沫通常有积极作用，而危险区与严重危险区的泡沫则具有明显的负面作用，房地产泡沫的破裂还可能产生金融危机或经济危机。我国房地产市场的区域差距较大，综合分析全国的房地产泡沫缺乏实际意义。而我国一线城市一直是房地产投资热点，近年来北京、上海、广州的房价远超出其他城市，是房地产泡沫争论的焦点城市。据此，本文以这三个一线城市的房地产价格为研究对象来进行实证分析，从而判断其房地产泡沫的存在性，并对其泡沫程度进行测度。2房地产泡沫测度方法的选择2.1国内外房地产泡沫测度研究目前国内外房地产泡沫的测度主要有两种研究思路：直接测度法和间接测度法。直接测度法即通过建立数学模型，计算理论价值，与实际价格相比来测度泡沫程度。国外学者多使用直接测度法来度量房地产泡沫（野口悠纪雄,1989；BourassaandHendershott,1997；PeterEnglund,1998；JohnM.Quigley,2001；WinstonT.H.ect,2005）。近年来国内学者也运用这一方法来测度房地产泡沫：王雪峰(2005)把RamesyModel用于测算房地产的基础价值，认为在最优均衡稳定状态下的房地产的资本边际汇报率(即资产的基础价值)等于剔除通货膨胀后的人口的自然增长率(n)和时间偏好(H)之和，通过比较房地产的基础价值与实际价格，测度房地产泡沫；周京奎、曹振良(2004)研究认为房地产泡沫是消费者预期变化导致的投机行为造成的，以投机理论为基础建立投机度计量检验模型，计算房地产业投机度H，即房地产过去价格对将来价格的影响程度，研究认为当H40%时，认定该市场投机行为显著，房地产投机泡沫产生。间接测度法主要是指标测度法。指标测度是目前国内学者运用比较多的方法,主要有一下几种:1、选取房价收入比、住宅空置率、房价升幅与GDP增长率的比值等单个或者多个指标，通过比较实际指标值与指标临界值的差异，定性测度房地产泡沫是否存在（吕晓艳等，2003；丘强,2005）。2、利用多维指标体系测度房地产泡沫。这一测度方法先选取若干指标指标组成指标体系，然后根据国内外研究确定指标临界值和权重。划定不同的测度段，并对其赋予不同的数值，代表泡沫的严重程度。将指标的实际值与测度段比较，得到指标的测度级别值。根据指标权重，通过各指标的测度级别值加权求和，计算得到综合测度值，根据综合测度值级别表判断房地产泡沫发展的程度（谢经荣等,2002；瑾卿，2004）。另外李维哲等（2002）提出的用功效系数法计算综合测度系数，洪开荣（2001）提出用市场修正法计量房地产泡沫,刘琳等（2003）提出利用综合指标法来测度房地产泡沫，进一步完善了指标测度法。2.2房地产泡沫测度方法评析直接测度法和间接测度法对房地产泡沫进行量度上各有优势，但是由于目前房地产市场发展不够成熟稳定，合理的地价、费用、建设成本、利润、以及未来收益等参数难以确定，数据的获得也困难，直接测度法在实际操作中较难。而指标测度法在和指标权重的划分多采用国外发达国家经验数据确定临界值和测度段或者根据Delphi专家自选和层次分析法(AHP)确定指标权重，存在许多的主观性，影响对房地产泡沫测度的准确性。而因子分析法（factoranalysis）可以有效的弥补直接测度法和间接测度法的不足，准确测度房地产泡沫程度。因子分析是一种数据简化的技术，它通过研究众多变量之间的内部依赖关系，用少数几个因子变量来表示其基本的数据结构的一种降维多元统计分析方法。通过因子分析，可以评测各个相关指标的载荷数（权重），进而构建泡沫测度方程，可以较客观的测度房地产泡沫指数。3中国一线城市房地产泡沫测度的实证研究13.1因子分析数学模型设原有m个变量f1，f2，…，fm，且每个变量（或经过标准化处理后）服从均值均为0,标准差均为1的标准正态分布,即f：N（0,1）。现将原有变量用p个f1，f2，…，fm的线性组合因子Zi（i=1,2,…,p）来表示：其中，Z1，Z2，…，Zp称为公共因子，是不可观测的变量，他们的系数称为因子载荷。Ei是特殊因子，是不能被前p个公共因子包含的部分。并且满足：cov（f，E）=0，即f，E不相关。，即Z1，Z2，…，Zp互不相关，方差为1。，即E互不相关，方差不一定相等,E~N（0,R2i）。3.2泡沫指标的选择房地产泡沫表现的是一种供求关系。如果供给缺乏弹性，需求高涨，特别是投机性需求高涨时，价格陡然上升，价格上升引起供给的放大，而且增加后供给同样缺乏弹性，一旦价格具有调整的信号时，投机性需求大幅滑落，供需差就不断增加，形成大量的空置面积，价格陡然下降，泡沫开始破裂。并根据泡沫的这种特性，在选择反映泡沫度的指标时采用供给类指标、需求性指标、投机价值指标（高汝熹、宋汝民）。这种指标的划分符合了泡沫的本质特征，所以本文选择这种指标体系来计算泡沫度。3.2.1供给类指标供给指标主要监测供给是否过度冲动，是否出现投资过热。监测的依据可与整个宏观经济的1数据来源：中国房地产统计年鉴2002-2009，北京统计年鉴2009，上海统计年鉴2009，广州统计年鉴2009。发展比较，主要指标可以是：房地产投资指标——房地产投资与GDP之比、房地产投资增长率与GDP增长率之比、房地产开发投资/固定资产投资、房地产开发投资增长率，房地产贷款指标——房地产投资增长率占全部贷款的增长率之比、房地产贷款与全部贷款之比、房地产贷款增长率与全部贷款增长率之，以及房地产空置率。首先对房地产贷款指标进行分析。北京上海等一线城市个人住房贷款的增长明显远高于全部的人民币贷款增长，由于我国房地产贷款市场处于起步阶段，房地产贷款指标目前不能很好的反映供给是否过度冲动。因而，选择房地产贷款指标不合适。因此我们最后选择房地产开发投资/固定资产投资、房地产开发投资增长率、房地产投资与GDP之比、房地产投资增长率与GDP增长率之比、房地产空置率5个指标。3.2.2需求类指标需求指标主要是检测真实需求情况，可以从需求与价格的关系来衡量，主要指标可以是：实际销售面积/竣工面积、实际销售面积增长率、房价增长率、房价增长率/GDP增长率、房价家庭收入比。3.2.3投机价值指标房地产投机需求是客观存在的，投机需求是与投机价值相关的。反映投机价值的指标可以是房地产销售价格与租金的比值，即租售比。当然租售比并不能完全反映投机价值，价格的预期上涨也是一个重要的因素，但价格的预期上涨实质是与供给类指标和需求类指标密切相关的，根据指标选择的独立性原则，所以就只考虑租售比这一指标。由于租金的数据难以获取，因此我们可以用房地产销售面积与出租面积的比值代替。3.3北京房地产泡沫测度3.3.1变量标准化把选取的指标进行标准化（表1）。11个变量都可以在一定程度和范围内反映和衡量房地产泡沫程度，变量之间也都存在或多或少的相关性。通过SPSS16.0统计分析软件对变量的相关程度进行检验，检验结果显示11个指标变量之间的相关系数矩阵的大部分相关系数均大于3；变量的反映象相关矩阵对角线上的元素值接近于1；变量KMO检验值大于0.5。检验结果表明11个指标之间存在较强线性相关,可以进行因子分析。表12003-2008北京市各房地产指标标准化数值年份房地产开发投资与固定资产投资之比房地产开发投资增长率房地产开发投资与GDP之比房地产开发投资增长率与GDP增长率之比空置率20030.8297670.8062751.2514671.2569890.37818720041.6367890.9077111.5065110.888323-0.7899920050.25338-1.41063-0.48447-0.78016-0.487592006-0.68189-0.09526-0.532040.052199-0.977862007-0.904090.24106-0.615670.295081-0.128352008-1.13396-1.85978-1.1258-1.712432.005608年份实际销售面积与竣工面积之比实际销售面积增长率房价增长率房价收入比房价增长率与GDP增长率之比租售比2003-0.112860.463759-1.2634-0.95938-1.32592-0.7126720040.6046521.238134-0.77717-1.07606-0.84388-0.7274520050.8176591.0768251.081371-0.505621.237268-0.7422320060.70429-0.631910.251291-0.151250.205478-0.2603420070.095285-0.632551.4302331.2489191.2834290.3964772008-2.10903-1.51425-0.722331.443388-0.556372.0462233.3.2因子分析利用SPSS16.0统计分析软件对选取的样本变量数为11,样本容量为6的变量进行因子分析。我们提取4个公共因子,其累计方差贡献率为93.815%,原有变量的信息丢失比较少,因子分析很理想。各公共因子对应的特征根及方差贡献率如表2,各主因子的原始变量载荷矩阵和正交旋转后的因子载荷矩阵见表3与表4。表2各公共因子对应的特征根及方差贡献率TotalVarianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%Total%ofVarianceCumulative%16.64260.37860.3786.64260.37860.3783.17928.89728.89722.96626.96787.3452.96626.96787.3452.60123.64152.5383.9728.84196.186.9728.84196.1862.56423.30575.8434.3112.82699.012.3112.82699.0122.54923.16999.0125.109.988100.00061.164E-151.058E-14100.00072.313E-162.103E-15100.00089.607E-178.733E-16100.0009-8.017E-17-7.288E-16100.00010-2.851E-16-2.592E-15100.00011-4.892E-16-4.448E-15100.000ExtractionMethod:P