基于波纹溢出效应的区域城市房价时空联动性实证研究——以南京都市圈为例

作者:周倩雯 邓小鹏 常腾原
单位:东南大学建设与房地产系
摘要:引入波纹-溢出效应概念, 使用平稳性检验、多变量Granger因果检验和空间自相关性检验等方法探究南京都市圈六个城市住宅价格的时空联动性。实证结果表明, 南京都市圈各城市房价之间存在明显的波纹-溢出效应, 其中南京是波纹效应的源点城市, 其他城市房价之间也存在空间联动效应;在不同时间, 各城市间住宅价格的空间相关性有所不同, 即存在时空联动性。
关键词:房价 波纹溢出效应 时空联动性 南京都市圈
作者简介:周倩雯, 女, 生于1995年, 安徽淮北人, 硕士研究生, 研究方向:房地产管理。; 邓小鹏, 男, 生于1972年, 湖北随州人, 副教授, 研究方向:国际工程管理、房地产管理。

1 引言

自1998年房地产改革以来, 我国各城市住宅价格的变化一共经历了3个阶段:1998年到2007年, 全国范围内的房价以稳定的趋势持续上涨, 住宅市场的区域分化开始出现并且不断加强;2007年到2008年, 由于受到世界范围金融危机的波及, 我国大部分地区房价的增幅明显减小, 甚至有些地区出现了房价的短期下降;2009年至今, 住宅价格的涨幅开始不断增加, 在某些区域和城市, 房价每年涨幅甚至达到50%以上。近年来, 政府采取了相应的调控措施, 并且取得了一定的成效, 一些地区房价涨幅下降甚至出现负增长。这表明, 在不同的地区以及在同一地区的不同时间段房价有所差异, 即存在一定的波动性。基于此, 本文引入波纹-溢出效应概念, 探究南京都市圈六个城市住宅价格之间是否存在时空联动性, 以期为政府出台调控房价政策, 以及促进区域协调健康发展提供新思路。

2 文献综述与研究思路

在国外, 关于区域内房地产市场的相互关系和住宅价格区域联动性方面的研究起步较早, 在20世纪90年代, 英国房价波动的空间效应首先得到了学者的关注, 此后各国学者纷纷就这一现象展开研究, 其研究过程大致经历了以下阶段: (1) 在研究初期, 学者们运用结构性模型、Granger因果检验、协整检验、似不相关回归和面板模型等方法分别对房地产市场的波纹现象进行研究, 证明区域城市间房价波纹效应的存在; (2) 在验证波纹效应的存在之后, 一些学者从供给角度和综合角度提出宏观经济政策、人口迁移、空间套利和心理预期等波纹效应成因。不过目前关于造成波纹-溢出效应的原因还没有形成一个被广泛认可的解释; (3) 随着对波纹效应研究的逐渐深入, 探究区域房价的协整关系、因果关系、响应关系以及领先/滞后关系的理论成果层出不穷, 关于区域城市房价之间传导效应和传导强度的研究也越来越多。

而在我国, 前些年学术界大多探究影响房价变动的宏观经济因素, 对房价的区位因素关注较少。随着城市圈内各城市经济、政治、文化等方面的交流变得越来越频繁, 对区域房价互动性研究有所增加, 但仍有不足之处, 主要体现在: (1) 主要关注全国范围房价的联动效应, 即不同省份或者不同城市间房价的波纹效应, 很少把研究重点放在某个城市圈范围的几个城市的房价联动效应上; (2) 大多数研究使用的是季度数据甚至年度数据而很少采用月度数据, 这样可能会造成信息的不完整; (3) 大多数文献在研究波纹-溢出效应时只探索空间联动性的传导路径或传导强度, 很少有文献研究不同时间段内区域住宅市场的空间联动性, 即住房价格的时空联动性。

针对以上研究存在的不足, 本文做出以下改进:首先选择南京都市圈中地理上更靠近且更具有代表性的六个主要城市——江苏的南京 (NJ) 、镇江 (ZJ) 、扬州 (YZ) 以及安徽的芜湖 (WH) 和马鞍山 (MAS) 的月度住房价格变化引起的短期波纹效应作为研究对象, 旨在揭示其内在的传导特点与路径。其次, 采用平稳性检验和多变量Granger因果检验探究南京都市圈之间的波纹效应和传导路径, 再使用空间自相关性检验探究不同时间段内南京都市圈住宅价格空间相关性的表现, 以期更好地揭示房价的时空联动性。最后, 结合研究结果, 提出相关建议, 以保障南京都市圈各城市房地产市场的稳定发展, 同时为其他城市圈甚至全国范围房价的相关研究提供参考。

3 研究设计与分析结果

南京都市圈实证研究方法详见图1。

图1 实证研究方法

图1 实证研究方法

 

3.1 研究样本与数据收集

针对2010年6月至2016年12月南京都市圈六个城市的房价月度数据进行汇总 (表1) 。经分析发现, 六个城市房价差异明显, 可以分成三个等级:南京的房价最高;中间城市是扬州;房价较低城市则是镇江、淮安、芜湖和马鞍山。具体表现为:2010年6月至2012年12月, 房价缓慢波动略有增长;2013年至2014年3月, 房价平稳增长;2014年6月至2015年3月, 房价出现较小幅度的下降;2015年6月以后, 南京房价先经历了一段平稳增长后开始大幅上涨, 而其他城市房价保持小幅平稳上涨。因此需要研究南京都市圈各城市的住宅价格短期内是否存在空间联动性, 并且这种联动性在不同的时间段是否存在领先/滞后关系。

3.2 平稳性检验

首先在对数据进行平稳性检验。本文采用Eviews8.0软件进行ADF检验, 在检验之前需进行Log变形, 以提高稳定性。检验结果详见表2。

从表2中可以发现, 这六个时间序列不管是在只存在常数项还是同时存在时间趋势项和常数项时, 其P值都大于0.1的检验水平, 所以原数列不平稳。接下来对原序列 (1n X) 进行一阶差分, 得到序列dln NJ、dln ZJ、dln YZ、dln HA、dln WH、dln MAS, 再对其进行ADF单位根检验, 结果表明这六个一阶差分序列的ADF检验的P值都远小于0.01, 即原序列的一阶差分是平稳序列。因此南京都市圈六个城市房价的一阶差分序列均通过了ADF平稳性检验, 这表明多变量Granger因果关系检验是可以进行的。

表1 南京都市圈住宅价格波动 (单位:元)    下载原表

表1 南京都市圈住宅价格波动 (单位:元)

3.3 多变量Granger因果检验

在进行多变量Granger因果检验之前, 需要构建VAR模型。首先从Eviews8.0软件中得到该时间序列的滞后阶数为4, 并且该VAR模型6个AR特征多项式的根的倒数的模小于l, 即位于单位圆内, 表示该VAR模型是稳定的。通过VAR模型稳定性检验之后, 对南京都市圈住宅价格的一阶差分序列进行多变量Granger因果分析, 结果详见表3。

表3显示, 在滞后4个月的时候, 南京房价增长率是镇江、扬州、芜湖和马鞍山房价增长率的格兰杰因;镇江是扬州、芜湖和马鞍山的格兰杰因;淮安是扬州和马鞍山的格兰杰因;芜湖是南京、扬州和马鞍山的格兰杰因;马鞍山是南京和芜湖的格兰杰因。

图2是南京都市圈六个城市的房价传导图, 图中显示了南京都市圈房价的传导路径。南京可以作为南京都市圈房地产市场的“源点”, 对其他城市的房价产生广泛的影响。芜湖和马鞍山的房价也反馈于“源点”城市南京, 并且其他城市之间的房价相互影响。另外, 淮安的住宅市场相对独立, 住宅价格并没有受到其他城市住宅价格的影响。

表2 各城市住宅价格平稳性检验    下载原表

表2 各城市住宅价格平稳性检验

注:*, **, ***分别代表在0.1、0.05和0.01的显著水平下拒绝存在单位根的原假设:intercept表示只存在常数项;trend and intercept表示同时存在时间趋势项和常数项。

表3 多变量Granger因果分析结果    下载原表

表3 多变量Granger因果分析结果

注:竖向的城市代表Granger因, 横向的城市代表Granger果;*、**、***分别表示在0.1、0.05、0.01的检验水平下显著。

图2 南京都市圈各城市房价传导

图2 南京都市圈各城市房价传导

 

3.4 空间自相关性检验

空间自相关分析是确定某变量在空间上的相关性以及相关程度的一种检验方法, 主要包括全局空间自相关检验和局部空间自相关检验。为了探究在南京都市圈这个总的空间范围内各城市住宅价格的空间依赖性, 本文将使用最有代表性的Moran’s I检验法来检验区域住宅价格的全局空间相关性以及相关程度, 其计算公式如下:

 

其中, 表示第i个城市的观测值 (住宅价格指数) , n为地区总数 (6个城市) , W是空间权重矩阵。

根据六个城市空间权重矩阵的结果, 把南京都市圈六个城市2010年6月到2016年12月的月度房价数据单独做全局空间自相关指数Moran’s I检验, 以根据相关指标的范围来探究每个时期南京都市圈各城市的住宅价格在区域层面是否存在空间效应, 若存在则对空间效应的强弱进行判断。通过Matlab 7.0对数据进行处理, 运行结果详见表4。

Moran’s I指数是在-1到1之间取值, 若取值在0到1之间, 则代表南京都市圈各城市房价具有空间正相关性, 越接近1, 则空间正相关性越强。反之, 若取值在-1到0之间, 表示地区间房价之间存在空间负相关性, 越接近-1, 则空间负相关性越强。而若Moran’s I指数的值为0, 则表示空间相关性不存在, 即各城市的房价在空间上不存在关联。表4的结果显示:Moran’s I的值始终大于0, 并且检验统计值z在5%的显著水平下均大于1.96小于2.58, p值均小于0.05。因此南京都市圈的住宅价格在空间分布上具有显著的正向关系, 并且呈现出明显的聚类特征, 这证明了房价空间相关性的存在, 并且这种空间相关性在不同时间的强度有所不同。2011年6月, 南京都市圈住房价格的I值为0.3217达到最大值, 之后的五年里, 各城市房价的空间效应有少许减弱, 但是这种空间相关性是一直存在的。

表4 南京都市圈住宅价格的Moran’s I检验    下载原表

表4 南京都市圈住宅价格的Moran’s I检验

注:Moran’s I为空间自相关系数, 表示城市房价之间的空间自相关水平;z-score为标准化统计量, p-value为正态分布假设下的显著性水平值, 两者之间存在对应关系, 若z-score在1.96到2.58之间, p-value小于0.05, 则表示这组数据可以通过5%的显著性水平检验

2010年5月, 国务院颁布《长江三角洲地区区域规划》, 规划中明确提出要加快南京都市圈建设;2011年4月, 第五届南京都市圈市长峰会召开, 会议旨在开启编制南京都市圈区域规划, 使南京都市圈一体化建设上升为国家战略, 因此在2010年和2011年房价空间联动性不断增强。然而由于近年来南京都市圈发展的不协调性不断加大, 其他城市与南京的经济实力差距不断扩大, 尤其近两年南京的房地产市场存在很大的泡沫问题, 导致近年来区域空间相关性的强度有所下降。

4 结论与政策建议

本文采用平稳性检验、多变量Granger因果关系检验, 广义脉冲响应函数和空间自相关性检验等方法探索了南京都市圈各城市住宅价格之间的关联性, 并且分析了南京城市圈6个主要城市区域住宅价格之间的因果关系、响应关系和空间相关关系, 具体结论如下: (1) 南京都市圈6个城市的住宅价格之间存在着明显的波纹-溢出效应, 并且南京可以作为区域房价联动的“源点”城市, 其他城市受到南京房价波动的影响, 同时也存在一定程度的相互影响; (2) 各城市房价的空间联动性是显著存在的, 但在不同时间强度有所不同, 这与区域范围的经济发展情况和政府政策是密不可分的。

南京都市圈地跨苏皖两省, 具有向东承接长三角、向西辐射中西部的重要作用, 而作为我国唯一的跨省都市圈, 南京都市圈内各个行政区的发展政策和发展思路存在较大差异, 这无疑为区域协调发展带来一定的困难。基于以上研究, 本文提出以下政策建议:

(1) 建立南京都市圈区域房地产市场调控机制, 针对不同城市制定差别化调控政策。本研究为区域政府建立南京都市圈区域房地产市场调控机制提供了理论支持, 政府应该分别对源点城市、依赖城市和独立城市的房地产市场采取不同的政策。南京是源点城市, 政府应首先对南京的房地产市场进行重点调控;镇江、扬州、芜湖、马鞍山作为依赖城市, 其房价均受到南京的影响, 并且存在一定程度的相互影响, 在调控时应该相互协调以实现共同发展;淮安的房价不受南京都市圈其他城市的影响, 在制定政策时也应该给予特别关注。

(2) 重点关注区域城市间房价的领先/滞后关系, 随时采取措施调控房价。各城市之间房价的传导关系存在一定程度的领先/滞后关系, 因此可以通过一个城市的房价变化, 预测其他城市在某个时期的房价走势, 从而在恰当的时间采用正确的调控措施, 以提高调控效率。

今年以来, 南京地铁发展进入井喷时代, 南京都市圈之间的城际交通也飞速发展, “一小时南京都市圈”不再是遥不可及的梦想。随着去年南京“限购政策”的出台, 越来越多的购房者把目光放在周边城市, 可能会造成附近三四线城市房价的新一轮上涨。政府应及时采取预防措施, 防范于未然。

 

参考文献[1]Giussani B, Hadjimatheou G.Modeling regional house prices in the UK[J].Papers in Regional Science, 1991 (2) :201-219.
[2]Geoffrey Meen.Regional house prices and the ripple effect:A new interpretation[J].Housing Studies, 1999 (6) :733-753.
[3]S.Cook, C.Thomas.An alternative approach to examining the ripple effect in UK house prices[J].Applied Economics Letters, 2003 (13) :849-851.
[4]Gupta R, Miller S M.“Ripple effects”and forecasting home prices in Los Angeles, Las Vegas, and Phoenix[J].The Annals of Regional Science, 2012 (3) :763-782.
[5]Cook S, Watson D.A new perspective on the ripple effect in the UK housing market:Comovement, cyclical subsamples and alternative indices[J].Urban Studies, 2016 (11) :3048-3062.
[6]Teye A L, Ahelegbey D F.Detecting spatial and temporal house price diffusion in the Netherlands:A bayesian network approach[J].Regional Science&Urban Economics, 2017 (4) :56-64.
[7]徐迎军, 李东.关于我国住宅价格波纹效应的研究[J].统计与决策, 2008 (21) :15-17.
[8]谭政勋, 周利.房价波动的空间效应:估计方法与我国实证[J].数理统计与管理, 2013 (3) :401-413.
[9]邓世专.中国大中城市房屋价格相关和传导关系[J].金融理论与实践, 2013 (5) :7-11.
[10]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 (6) :122-128.
[11]周豫, 胡俊.中国城市间住宅价格的波纹效应研究[J].中国房地产 (学术版) , 2013 (7) :3-11.
Empirical Research on Space-time linkage of Residential Price between Regional Cities Based on Ripple-spillover Effect:Taking Nanjing Metropolitan Area as an Example
ZHOU Qianwen DENG Xiaopeng CHANG Tengyuan
(Department of Construction and Real Estate, Southeast University)
Abstract: This paper introduces the concept of “ripple-spillover effect”, and explores the space-time linkage of six cities in Nanjing metropolitan area by means of stationary test, multivariable Granger causality test and spatial autocorrelation test. The empirical results show that there is a significant ripple-spillover effect between the housing prices of cities in Nanjing metropolitan area, Nanjing is the source of the ripple effect and there is also a spatial linkage effect between housing prices of other cities. At different times, the spatial correlation of housing price is different, so there is space-time linkage.
Keywords: housing price; ripple-spillover effect; space-time linkage; Nanjing metropolitan area;
748 0 0
文字:     A-     A+     默认 取消