论文部分内容阅读
摘要：近年来，房地产投资过热及“泡沫”说，不绝于耳，尤其在2007年，各地房地产价格甚至出现“跳涨”，国家统计局“国房景气指数”连续攀升，有价无市的现象在年底也逐渐突显。文章首先介绍我国房地产市场的现状及其行业地位，然后收集数据，建立模型，在宏观层面上，对我国房地产行业的影响因素进行定量分析，最后对我国房地产行业的健康发展，提出了一些意见。
关键词：房地产；因子分析；政策建议
一、引言
我国自1998年开始实施新型住房制度，即以住房分配货币化为起点，逐步建立私有产权为主，其他产权形式并存的多元化产权制度，有效拉动了社会需求，刺激了住宅消费，带动了国民经济的持续快速发展。然而，随着中国房地产市场的发展，各种矛盾也逐渐暴露，特别是高房价问题。
过去的2007年，房地产价格经历了快速上升阶段，各省城市房价不断攀升，截止到2007年12月，国家统计局国房景气指数连续8个月上升，创下2004年2月以来新高。不断走高的房地产价格，尤其在一些大城市，已远超大多数居民的购买能力。
房地产价格的快速上涨已成为我国经济平稳运行中的突出问题。从房地产业在国民经济中所占比重以及该产业同其他产业的关联度大小来看，房地产业在国民经济中所占比重不断增加；房地产产业的产业链长，波及面广，国民经济中的绝大部分产业和房地产业都有关联关系；此外，房地产业还关系到民生问题。这些决定了房地产市场在宏观调控中的位置。
文章首先简要分析房地产价格快速上涨的成因，然后在此基础上选取变量做定量分析。驱动房地产价格上涨的宏观经济因素主要有：国民经济的持续快速增长，居民收入增长加快；城市化进程的加快及我国人口结构因素；较为宽松的信贷政策；人民币升值的预期。人民币近年来兑美元不断升值，随着美元不断贬值，人民币成了避风港，房地产行业作为不可贸易品部门，必然会吸引大量外资，从而推动其价格上涨；房地产升值预期的形成导致开发商囤积土地、捂盘惜售再加上土地供给缺乏弹性，导致供给减少，供需矛盾加剧，促使房地产价格上涨。
以上因素是房地产价格不断上涨的主要因素。可见，房地产价格的上涨既有经济发展带来的必然因素，同时还存在一些不确定因素。
二、宏观层面上房地产价格影响因素的定量分析
（一）数据的选取
考虑到我国的房地产市场发展较晚，时间序列数据存在时间间隔短的问题，本文采取横截面数据，利用因子分析来分析房地产价格的影响因素，研究对象为全国31个省（市）、自治区，选取的能够反应各地区房地产价格的变量有以下8个：
X1：各地区城镇居民消费水平
X2：各地区城镇人均可支配收入
X3：各地区年末人均实有住宅面积
X4：各地区城镇人口所占比重
X5：2005年各地区房地产价格
X6：2006年土地价格指数
X7：2006年房屋租赁价格指数
X8：市政基础设施水平
X1至X3反应各地区人民的富裕程度；X4反映各地区城市化水平；X5是2005年各地房地产销售平均价格，本文采取房地产销售价格中的住宅销售平均价格，选取该变量主要是考虑上一年房地产价格对下一年的影响，在一定程度上还反映人们的预期；X6、X7分别表示各地区土地价格及房屋租赁价格的相对于上年的上涨幅度；X8反映各地区城市基础设施对地产价格的影响，此处用各地区每万人拥有公共车辆的台数表示。所有数据来源于《2007中国统计年鉴》并经相关处理。
（二）模型的建立
设有p维可观测的随机向量x=（x1，x2，…xp）′，其均值为μ＝（μ1，μ2,…up）′，因子分析的一般模型为：
x1=μ1+a11f1+a12f2+…a1mfm+ε1x2=μ2+a21f1+a22f2+…a2mfm+ε2xp=μp+ap1f1+ap2f2+…apmfm+εp
可以简记为：X=μ+AF+ε，其中f1，f2，…，fm为公共因子，ε1，ε2，…εp为特殊因子，它们都是不可观测的随机变量。公共因子f1，f2，…，fm出现在每个原始变量xi（i=1，2，…p）的表达式中，可理解为原始变量的共有因子；一般假定特殊因子εi～（0，σ2i）。通常称A为因子载荷矩阵。根据因子载荷矩阵的性质知，因子载荷矩阵并不是唯一的，当Γ为一m×m正交矩阵时，AΓ仍然满足原来的约束条件，AΓ同样也是因子载荷矩阵。根据因子载荷阵的这一性质，我们可以对因子载荷阵实行旋转，即用一个正交阵右乘以A，经若干次旋转后，可以使每个变量仅在一个公共因子上有较大的载荷，而在其余公共因子的载荷较小，至多是中等大小。这样我们就能比较明确地知道各公共因子的意义。
本文中，可观测的随机变量为X1，X2…X8，这些变量是影响房地产价格的重要因素，各变量之间也有较强的相关性。我们可以通过上面的因子分析模型来对其进行分析，将8个变量分成几类因子，来考察它们对房地产价格的影响。
（三）模型的结算结果及其分析
首先对各变量进行数据标准化处理，以消除原始变量中数值较高的变量对整体分析的影响：
zi= ，其中xi为变量x的第个观测值， 为变量的平均数，s为标准差。本文采用SPSS13.0软件处理数据，处理结果如下：
1、各变量数据的相关性分析。通过计算，变量的两两相关系数如下：从表1可以看出，除了X6、X7与其他各个变量之间的相关关系非常弱外，其他变量之间都有一定的相关关系，尤其是前5个变量。也显示出地价和房租的上涨幅度和各个地区的富裕程度（其中包括上年的房地产价格）、城市化程度、基础设施状况关系不大。
2、因子分析结果。对变量进行KMO和Bartlett球形检验，结果为KMO：0.813，Bartlett球形检验的p值为0.000，说明本文中的数据较适合做因子分析。原始变量的变量共同度。变量的共同度反映每个变量对提取的所有公共因子的依赖程度。通过主成分法提取计算，得出1-8的变量共同度分别为：0.915，0.914，0.535，0.866，0.935，0.968，0.791，0.605。8个变量中有6个变量的变量共同度接近或达到80%以上，其余两个也达到50%以上，表明提取的因子具备一定的解释能力。特征根和方差贡献率。本文处理数据时，设定提取的公共因子为3个，通过观察3个因子的方差贡献率，来判断其对原始变量的解释程度。通过计算，随机向量协方差阵的前三个初始特征根分别为：4.355、1.303、0.871；方差的累计贡献率为81.606%，这表明提取的3个因子可以解释原始变量81.6%方差；对提取的公因子进行方差最大（varimax）旋转后，3个因子各自的方差贡献率有一部分变化，但累积方差贡献率不变，3个公因子包含了原始变量的大部分信息。旋转后的因子载荷阵。为使因子具有一定的解释能力，对因子载荷阵进行旋转，旋转后的载荷系数如表2。
从表2因子载荷阵可见，变量X1，X2，X3，X4，X5在第一个因子上的载荷比较大，因此可将因子1命名为城市富裕程度因子；变量X7在第二个因子上的载荷比较大，故因子2是反映租赁价格涨幅的因子；变量X6在第三个因子上的载荷比较大，因子3是反映土地价格涨幅的因子。通过上面的分析，我们就将引起房地产价格上涨的主要因素刻画出来了。
因子得分。下面给出影响房地产价格最重要的第一个因子的得分，即反映各地区富裕程度的因子得分。得分最高的前10个地区是上海（0.341）、北京（3.044）、浙江（1.349）、天津（1.091）、广东（0.957）、江苏（0.550）、福建（0.447）、辽宁（0.077）、山东（0.072）、重庆（-0.099）。从反映各地富裕程度的因子得分发现，该因子在很大程度上反映出各地房地产价格，因子得分高的房地产价格相应较高，当然由于房地产价格还受其他因素影响，因子得分不一定完全对应各地的房地产价格。其他两个因子，也在一定程度上与各地房地产价格存在关系。
三、地产调控的政策建议
从上面的分析可以看出影响房地产价格上涨有一定的必然因素。在一定程度内，房地产价格的上涨是合理的，尤其对中国来说，住房制度改革后，房价必然会产生一个理性回归过程，但我国目前房地产价格上涨过快，有消费能力的群体规模缩小，投机性需求偏大。从文中也可以看出房价高低和土地价格及房租价格的上涨关系不密切，也说明房地产市场中有较强的投机因素。
国务院各部委为稳定房价，近年推出不少地产调控政策，如国八条、国六条以及2007年8月的24号文，都是完善中国房地产市场的重要措施。
从以上分析知，国家对房地产的调控，在增加供给，抑制投机和引导合理预期上应注意：
第一，改善房地产的供给结构，提高中低价位和中小户型房屋供给。
第二，加强保障性住房供给。包括经济适用房、廉租房和“两限房”的供给。以扩大市场上住房供给，使各收入层次的人都有房可住。
第三，抑制房地产市场的投机因素。如紧缩信贷（2008年即是），加强外资进入我国房地产市场的管理。
第四，土地囤积问题。开发商为享受土地升值而囤积土地，土地储备中心连续未完成供地指标，都造成供应不足。因此，应有效限制土地囤积，及时开发利用。
第五，深层次问题的解决。如我国地方政府部分依赖“土地财政”的问题；统筹城乡建设用地规划，开放农村集体建设用地流转市场，开辟建设用地供给新来源的问题；最后，物业税的开征虽然近年不可能实现，但实现后，对抑制地产投机有积极意义。
参考文献：
1、王国军,刘水杏.房地产业对相关产业的带动效应研究[J].经济研究,2004(8).
2、肖剑.房地产泡沫:现象、特征及危害[D].上海社会科学院世界经济研究所,2007.
3、腾讯财经.房地产行业土地囤积的规模和结构[EB/OL].http://finance.QQ.com，2007-12-20.
4、哈继铭,朱中一,汪利娜.地产调控如何打破僵局[N].经济观察报,2007-08-27.
5、《中国统计年鉴》编辑部.2007中国统计年鉴[M].中国统计出版社,2007.
（作者单位：河海大学商学院）
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”
关键词：房地产；因子分析；政策建议
一、引言
我国自1998年开始实施新型住房制度，即以住房分配货币化为起点，逐步建立私有产权为主，其他产权形式并存的多元化产权制度，有效拉动了社会需求，刺激了住宅消费，带动了国民经济的持续快速发展。然而，随着中国房地产市场的发展，各种矛盾也逐渐暴露，特别是高房价问题。
过去的2007年，房地产价格经历了快速上升阶段，各省城市房价不断攀升，截止到2007年12月，国家统计局国房景气指数连续8个月上升，创下2004年2月以来新高。不断走高的房地产价格，尤其在一些大城市，已远超大多数居民的购买能力。
房地产价格的快速上涨已成为我国经济平稳运行中的突出问题。从房地产业在国民经济中所占比重以及该产业同其他产业的关联度大小来看，房地产业在国民经济中所占比重不断增加；房地产产业的产业链长，波及面广，国民经济中的绝大部分产业和房地产业都有关联关系；此外，房地产业还关系到民生问题。这些决定了房地产市场在宏观调控中的位置。
文章首先简要分析房地产价格快速上涨的成因，然后在此基础上选取变量做定量分析。驱动房地产价格上涨的宏观经济因素主要有：国民经济的持续快速增长，居民收入增长加快；城市化进程的加快及我国人口结构因素；较为宽松的信贷政策；人民币升值的预期。人民币近年来兑美元不断升值，随着美元不断贬值，人民币成了避风港，房地产行业作为不可贸易品部门，必然会吸引大量外资，从而推动其价格上涨；房地产升值预期的形成导致开发商囤积土地、捂盘惜售再加上土地供给缺乏弹性，导致供给减少，供需矛盾加剧，促使房地产价格上涨。
以上因素是房地产价格不断上涨的主要因素。可见，房地产价格的上涨既有经济发展带来的必然因素，同时还存在一些不确定因素。
二、宏观层面上房地产价格影响因素的定量分析
（一）数据的选取
考虑到我国的房地产市场发展较晚，时间序列数据存在时间间隔短的问题，本文采取横截面数据，利用因子分析来分析房地产价格的影响因素，研究对象为全国31个省（市）、自治区，选取的能够反应各地区房地产价格的变量有以下8个：
X1：各地区城镇居民消费水平
X2：各地区城镇人均可支配收入
X3：各地区年末人均实有住宅面积
X4：各地区城镇人口所占比重
X5：2005年各地区房地产价格
X6：2006年土地价格指数
X7：2006年房屋租赁价格指数
X8：市政基础设施水平
X1至X3反应各地区人民的富裕程度；X4反映各地区城市化水平；X5是2005年各地房地产销售平均价格，本文采取房地产销售价格中的住宅销售平均价格，选取该变量主要是考虑上一年房地产价格对下一年的影响，在一定程度上还反映人们的预期；X6、X7分别表示各地区土地价格及房屋租赁价格的相对于上年的上涨幅度；X8反映各地区城市基础设施对地产价格的影响，此处用各地区每万人拥有公共车辆的台数表示。所有数据来源于《2007中国统计年鉴》并经相关处理。
（二）模型的建立
设有p维可观测的随机向量x=（x1，x2，…xp）′，其均值为μ＝（μ1，μ2,…up）′，因子分析的一般模型为：
x1=μ1+a11f1+a12f2+…a1mfm+ε1x2=μ2+a21f1+a22f2+…a2mfm+ε2xp=μp+ap1f1+ap2f2+…apmfm+εp
可以简记为：X=μ+AF+ε，其中f1，f2，…，fm为公共因子，ε1，ε2，…εp为特殊因子，它们都是不可观测的随机变量。公共因子f1，f2，…，fm出现在每个原始变量xi（i=1，2，…p）的表达式中，可理解为原始变量的共有因子；一般假定特殊因子εi～（0，σ2i）。通常称A为因子载荷矩阵。根据因子载荷矩阵的性质知，因子载荷矩阵并不是唯一的，当Γ为一m×m正交矩阵时，AΓ仍然满足原来的约束条件，AΓ同样也是因子载荷矩阵。根据因子载荷阵的这一性质，我们可以对因子载荷阵实行旋转，即用一个正交阵右乘以A，经若干次旋转后，可以使每个变量仅在一个公共因子上有较大的载荷，而在其余公共因子的载荷较小，至多是中等大小。这样我们就能比较明确地知道各公共因子的意义。
本文中，可观测的随机变量为X1，X2…X8，这些变量是影响房地产价格的重要因素，各变量之间也有较强的相关性。我们可以通过上面的因子分析模型来对其进行分析，将8个变量分成几类因子，来考察它们对房地产价格的影响。
（三）模型的结算结果及其分析
首先对各变量进行数据标准化处理，以消除原始变量中数值较高的变量对整体分析的影响：
zi= ，其中xi为变量x的第个观测值， 为变量的平均数，s为标准差。本文采用SPSS13.0软件处理数据，处理结果如下：
1、各变量数据的相关性分析。通过计算，变量的两两相关系数如下：从表1可以看出，除了X6、X7与其他各个变量之间的相关关系非常弱外，其他变量之间都有一定的相关关系，尤其是前5个变量。也显示出地价和房租的上涨幅度和各个地区的富裕程度（其中包括上年的房地产价格）、城市化程度、基础设施状况关系不大。
2、因子分析结果。对变量进行KMO和Bartlett球形检验，结果为KMO：0.813，Bartlett球形检验的p值为0.000，说明本文中的数据较适合做因子分析。原始变量的变量共同度。变量的共同度反映每个变量对提取的所有公共因子的依赖程度。通过主成分法提取计算，得出1-8的变量共同度分别为：0.915，0.914，0.535，0.866，0.935，0.968，0.791，0.605。8个变量中有6个变量的变量共同度接近或达到80%以上，其余两个也达到50%以上，表明提取的因子具备一定的解释能力。特征根和方差贡献率。本文处理数据时，设定提取的公共因子为3个，通过观察3个因子的方差贡献率，来判断其对原始变量的解释程度。通过计算，随机向量协方差阵的前三个初始特征根分别为：4.355、1.303、0.871；方差的累计贡献率为81.606%，这表明提取的3个因子可以解释原始变量81.6%方差；对提取的公因子进行方差最大（varimax）旋转后，3个因子各自的方差贡献率有一部分变化，但累积方差贡献率不变，3个公因子包含了原始变量的大部分信息。旋转后的因子载荷阵。为使因子具有一定的解释能力，对因子载荷阵进行旋转，旋转后的载荷系数如表2。
从表2因子载荷阵可见，变量X1，X2，X3，X4，X5在第一个因子上的载荷比较大，因此可将因子1命名为城市富裕程度因子；变量X7在第二个因子上的载荷比较大，故因子2是反映租赁价格涨幅的因子；变量X6在第三个因子上的载荷比较大，因子3是反映土地价格涨幅的因子。通过上面的分析，我们就将引起房地产价格上涨的主要因素刻画出来了。
因子得分。下面给出影响房地产价格最重要的第一个因子的得分，即反映各地区富裕程度的因子得分。得分最高的前10个地区是上海（0.341）、北京（3.044）、浙江（1.349）、天津（1.091）、广东（0.957）、江苏（0.550）、福建（0.447）、辽宁（0.077）、山东（0.072）、重庆（-0.099）。从反映各地富裕程度的因子得分发现，该因子在很大程度上反映出各地房地产价格，因子得分高的房地产价格相应较高，当然由于房地产价格还受其他因素影响，因子得分不一定完全对应各地的房地产价格。其他两个因子，也在一定程度上与各地房地产价格存在关系。
三、地产调控的政策建议
从上面的分析可以看出影响房地产价格上涨有一定的必然因素。在一定程度内，房地产价格的上涨是合理的，尤其对中国来说，住房制度改革后，房价必然会产生一个理性回归过程，但我国目前房地产价格上涨过快，有消费能力的群体规模缩小，投机性需求偏大。从文中也可以看出房价高低和土地价格及房租价格的上涨关系不密切，也说明房地产市场中有较强的投机因素。
国务院各部委为稳定房价，近年推出不少地产调控政策，如国八条、国六条以及2007年8月的24号文，都是完善中国房地产市场的重要措施。
从以上分析知，国家对房地产的调控，在增加供给，抑制投机和引导合理预期上应注意：
第一，改善房地产的供给结构，提高中低价位和中小户型房屋供给。
第二，加强保障性住房供给。包括经济适用房、廉租房和“两限房”的供给。以扩大市场上住房供给，使各收入层次的人都有房可住。
第三，抑制房地产市场的投机因素。如紧缩信贷（2008年即是），加强外资进入我国房地产市场的管理。
第四，土地囤积问题。开发商为享受土地升值而囤积土地，土地储备中心连续未完成供地指标，都造成供应不足。因此，应有效限制土地囤积，及时开发利用。
第五，深层次问题的解决。如我国地方政府部分依赖“土地财政”的问题；统筹城乡建设用地规划，开放农村集体建设用地流转市场，开辟建设用地供给新来源的问题；最后，物业税的开征虽然近年不可能实现，但实现后，对抑制地产投机有积极意义。
参考文献：
1、王国军,刘水杏.房地产业对相关产业的带动效应研究[J].经济研究,2004(8).
2、肖剑.房地产泡沫:现象、特征及危害[D].上海社会科学院世界经济研究所,2007.
3、腾讯财经.房地产行业土地囤积的规模和结构[EB/OL].http://finance.QQ.com，2007-12-20.
4、哈继铭,朱中一,汪利娜.地产调控如何打破僵局[N].经济观察报,2007-08-27.
5、《中国统计年鉴》编辑部.2007中国统计年鉴[M].中国统计出版社,2007.
（作者单位：河海大学商学院）
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”