我国房地产价格区域互动的实证研究(下)

(3)由表2中的SCBB估计值可得，房价空间滞后项系数的估计值为0.151，且高度相关，即相邻地区房价每增长1%，该地区房价将增长0.151%，说明我国各地区间房地产价格存在互动关系。这是由家庭迁移、财富转移和空间套利等因素造成的。家庭迁移方面，当各地区房价存在比较大的差异时，高房价区域的家庭有向周边低房价区域迁移的倾向，增加了对低房价区域的房屋需求，低房价地区的房价会紧随高房价区域而升高。在轨迹交通发达的今天，这一点更为明显。财富转移方面，当一个区域的房价上升时，该区域选择迁移的家庭会具有更强的支付能力(自有住房的升值)，从而推高其他区域房价。空间套利方面，房地产市场在区域维度上的非有效性，为投资者和投机者在不同的区域间提供了套利机会，当空间套利行为发生时，投资者和投机者的行为会导致低房价地区的房价向高房价地区靠拢。

表2 我国房价的SCAB、SCBB、OLS、LSDV估计结果

注：①SCAB估计和SCBB估计中第一步使用的都是两阶段GMM估计且使用了Windmeijer(2005)提出的方法对两阶段方差矩阵进行有限样本调整，^***、^**、^*分别表示1%、5%、10%的显著性水平，括号中的数值为t值。②在回归过程，我们考虑了体现季节趋势的虚拟变量，由于大部分回归结果中，季节趋势表明不显著，从而回归结果中未列出。

(4)房价一期滞后项回归系数的估计值为0.572，且高度显著。这表明，该地区上一期房价增长1%，会导致该地区本期房价增长0.572%，即我国各地区房地产价格存在时间滞后效应。这一结果说明上一期的房价上涨会导致本地区房价的持续上涨，即房价存在正的“反馈效应”。梁云芳、高铁梅(2007)和原鹏飞、邓嫦琼(2008)的研究结果也发现前期房价的上涨会导致后期房价的上涨。这也验证了在对房地产价格继续上涨的预期刺激作用下投机因素对中国房价上涨所起的推动作用。

(5)城镇居民人均可支配收入、土地价格、房屋竣工面积和信贷扩张指标回归系数的估计值分别为0.210、0.061、-0.037、0.021，且都高度显著。这说明，城镇居民可支配收入、土地价格、房屋竣工面积和信贷扩张是影响我国房价的重要因素，其中房屋竣工面积的增加可抑制各地区房地产价格的上升，而城镇居民可支配收入的增长、土地价格的上升和信贷扩张会推动各地区房地产价格的上升。

在进行空间计量分析时，空间加权矩阵的选取是十分重要的。本文进一步给出了不同加权矩阵下我国房价广义空间动态面板数据模型的估计结果。表3为我国房价广义空间动态面板数据模型在四种空间加权矩阵下的SCBB估计结果：①空间相邻加权矩阵下的SCBB回归结果；②空间距离加权矩阵下的SCBB回归结果；③经济距离加权矩阵下的SCBB回归结果；④经济相邻加权矩阵下的SCBB回归结果。

表3 不同加权矩阵下的回归结果

注：^***、^**、^*分别表不1%、5%、10%的显著性水平，括号中的数值为t值。

由表3可知：

(1)估计结果①、②、③、④中房价空间滞后项的回归分别为0.151、0.085、0.046、0.063，且均高度显著，这说明地理位置特征和社会经济特征均会对区域房价及其空间相关性产生影响且在不同的空间加权矩阵下分析结果是稳健的。①和②中显著为正的空间相关系数表明地理位置邻近对区域房价产生具有显著为正的影响；③和④显示的空间相关系数显著为正，表明社会经济特征相近的地区之间房价具有显著正的影响。

(2)进一步比较空间滞后项的四个系数发现，空间相邻加权矩阵模型与经济相邻加权矩阵模型的空间相关系数(分别为0.151和0.063)比对应的空间距离加权矩阵模型与经济距离加权矩阵模型的空间相关系数(分别为0.085和0.046)大，即我国区域房价对相邻地区的影响比其他不相邻地区的影响大，这可能是因为不相邻地区间距离较远，从而信息的传递需要一定的时间。空间相邻加权矩阵模型与空间距离加权矩阵模型的空间相关系数(分别为0.151和0.085)比对应的经济相邻加权矩阵模型与经济距离加权矩阵模型的空间相关系数(分别为0.063和0.046)大，即有相似经济特征的地区间房价相互影响程度比经济特征不相似的地区间房价相互影响程度小。在一个经济冲击下，具有相似经济特征的地区间房价往往是同时变动的，从而他们之间的相关程度相对会较小些，而经济较为发达地区的房价对经济欠发达地区的房价有辐射作用。

(3)估计结果①、②、③、④中房价一期滞后项的回归分别为0.572、0.622、0.579、0.568，且均高度显著，这说我明我国房地产价格存在时间滞后效应。影响房价的其他因素的回归系数值在四个模型中也非常相似，且都高度显著，说明这些影响因素的确是影响区域房价的重要因素。

五、实证结论

本文采用2002第一季度至2010年第三季度我国房地产价格的省际面板数据，通过广义空间动态面板数据模型(GSDPD)，运用四个不同的空间加权矩阵比较分析了我国房地产价格的区域互动关系。广义空间动态面板模型中同时包含了时间滞后效应(由因变量的时间滞后一期项体现)、空间滞后效应(由因变量空间滞后项体现)和扰动项的空间相关。这些因素的加入，使得模型存在内生性问题和非球形扰动问题。为了解决内生问题，本文使用空间差分GMM估计(SAB)及空间系统GMM估计(SBB)。为解决扰动项空间相关问题，本文使用修正后Kapoor，Kelejian和Prucha(2007)的GMM估计，两种解决方法同时使用得到了空间纠正差分GMM估计(SCAB)和空间纠正系统GMM估计(SCBB)。实证结果表明，我国房地产价格存在时间滞后效应和空间滞后效应(即本地区上一期的房价及相邻地区本期的房价是影响该地区本期房价的两个重要因素)，且城镇居民可支配收入、信贷扩张、土地价格和房屋竣工面积是影响我国房价的重要因素，其中房屋竣工面积的增加可抑制各地区房地产价格的上升，而城镇居民可支配收入的增长、土地价格的上升和信贷扩张会推动各地区房地产价格的上升。运用四个不同的空间加权矩阵比较分析发现，相邻地区之间房价的影响程度比其他不相邻地区之间房价的影响程度大，经济特征相似的地区间房价相互影响程度比经济特征不相似的地区间房价相互影响程度小。

本文为国家自然科学基金项目(2012年应急项目)、广东社科基金(GD10CYJ01)、国家社科基金重点课题(08ATL007)、国家自然科学基金项目(70673116)、中山大学“985工程”产业与区域发展研究创新基地、广东省自然科学基金(9151027501000032)及广东省普通高校人文社会科学重点研究基地经费资助成果之一。

注释：

①表示第t期的工具变量集，它包括了时间滞后项的动态工具变量和空间滞后项的空间工具变量。

②数据来源于http：//www.geobytes.com/CityDistanceTool.htm。

③这部分资金大部分直接或间接来源于金融机构信贷，可以用来描述各地区房地产市场资本可获得性。

④Bond(2002)、Hsiao(2003)认为，在不满足外生性条件时，OLS估计往往高估了因变量滞后项的回归系数，而LSDV往往低估了因变量滞后项的回归系数，从而可以把OLS估计结果和LSDV估计分别看成回归结果中因变量滞后项回归系数的上限和下限。

⑤AR(1)检验针对的是一阶差分方程中的残差项是否存在显著为负的一阶序列相关，而AR(2)检验针对的是一阶差分方程中的残差项是否不存在显著的二阶序列相关。

⑥Roodman(2006、2009)认为在小样本下，如果系统GMM估计中内生变量使用GMM型工具变量会出现工具变量过多问题。工具变量过多会弱化Hansen检验的检验功效，使用Hansen检验的P值常常为1，从而使得通过Hansen检验结果来判别模型的过度识别非常危险，并进一步给出了减少工具变量个数的两种方法：第一种方法，限制工具变量的滞后阶数，第二种方法采用工具变量的“collapsing”形式。

⑦在使用GMM型工具变量时，SCBB估计的Hansen检验P值为1，这说明如果使用GMM型工具变量的确存在工具变量过多的问题，由于篇幅问题，本文没有给出使用GMM型工具变量的估计结果。

[1]Bramley, G. Land-use planning and the housing market in Britain: the impact on housebuilding and house prices [J]. Environment and Planning A,1993(25) :1021-1021.

[2]梁云芳，高铁梅.中国房地产价格波动区域差异的实证分析[J].经济研究，2007(8)：133-142.

[3]董志勇等.房地产价格影响因素分析：基于中国各省市的面板数据的实证研究[J].中国地质大学学报(社会科学版)，2010(02)：98-103.

[4]Meen, G. Spatial aggregation, spatial dependence and predictability in the UK housing market [J]. Housing Studies, 1996,11 (3): 345-372.

[5]Clapp, J. , D. Tirtiroglu. Positive feedback trading and diffusion of asset price changes: Evidence from housing transactions[J]. Journal of Economic Behavior & Organization, 1994,24 (3) :337-355.

[6]Brady,R. Measuring the diffusion of housing prices across space and over time [J]. Journal of Applied Econometrics, 2011,26 (2): 213-231.

[7]Holly, S., M. Hashem Pesaran, T. Yamagata. The spatial and temporal diffusion of house prices in the UK [J]. Journal of Urban Economics, 2011,69(1) :2-23

[8]王松涛，杨赞，刘洪玉.我国区域市场城市房价互动关系的实证研究[J].财经问题研究，2008(06)：122-129.

[9]Arellano, M. , S. Bond. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations [J]. The Review of Economic Studies, 1991,58 (2) :277-297.

[10]Kelejian, H. , D. Robinson. A suggested method of estimation for spatial interdependent models with autocorrelated errors, and an application to a county expenditure model [J]. Papers in regional science, 1993,72 (3) :297-312.

[11]Kapoor, M. , H. Kelejian, I. Prucha. Panel data models with spatially correlated error components [J]. Journal of econometrics, 2007,140(1) :97-130.

[12]Blundell, R. ,S. Bond. Initial conditions and moment restrictions in dynamic panel data models [J]. Journal of Econometrics, 1998,87(1) :115-143.

[13]Bond ,S. Dynamic panel data models: a guide to micro data methods and practice[J]. Portuguese Economic Journal, 2002, 1 (2): 141-162.

[14]Jacobs, J., J. Ligthart. Dynamic Panel Data Models Featuring Dynamic Panel Data Models Featuring Endogenous Interaction and Spatially Correlated Errors [J/OL]. http://aysps.gsu.edu/isp/files/.2009.

[15]Roodman, D. How to do xtabond2: An introduction to difference and system GMM in Stata [J/OL]. Center for Global Development. http://cgdev.org/files/.2006.

[16]Roodman, D. A Note on the Theme of Too Many Instruments * [J]. Oxford Bulletin of Economics and Statistics, 2009,71 (1): 135-158.

责任编辑：夏雨