南昌市住房限购政策效果的时空特征及土地溢出效应

王雪峰

（江西财经大学旅游与城市管理学院，江西 南昌 330032）

南昌市住房限购政策效果的时空特征及土地溢出效应

王雪峰

（江西财经大学旅游与城市管理学院，江西 南昌 330032）

研究目的：考察住房限购政策对南昌市住房价格变化的时空影响及对土地市场的溢出效应。研究方法：以双重差分模型为基础的计量分析。研究结果：限购政策对限购区和非限购区房价的影响无差异，但能显著降低南昌市整体实际房价增长速度；限购政策时间效应呈现出先扬后抑及消失的过程；空间效应表现为生活便利、交通迅捷以及教育资源越好的住房对抗限购政策的能力越强；溢出效应表现为住房限购导致土地成交率和土地溢价率明显回落。研究结论：基于双重差分法的估计能够更可靠地反映限购政策效果。

土地经济；住房限购；双重差分；时间效应；空间效应；溢出效应

1 引言

2009年四万亿经济刺激政策出台后，中国许多城市房价又呈现快速上涨的局面，为抑制屡调屡涨的住房价格，2011年1月26日国务院出台了“新国八条”①《国务院办公厅关于进一步做好房地产市场调控工作有关问题的通知》，包括住房限购、限贷、税收、保障房供应及土地等一揽子政策。，其中包括被舆论称为“史上最严厉”的直接干预手段——住房限购条款。所谓住房限购政策就是中央政府选择所有直辖市、计划单列市、省会城市和部分房价过高、上涨过快的城市为住房限购城市，限购城市的地方政府再确定具体的住房购买量限制区域并规定户籍、社会保险或个人所得税缴纳以及住房拥有状况不同的购房人在限购区域所能购买最大住房数量的行政措施。该政策目标在于通过在限购区域对家庭购房数量的限制，强制将投机性需求和部分改善需求赶出市场,进一步抑制限购区域住房价格过快增长。

在市场化取向不断深化的背景下，政府罕见地采取住房限购——定量配给的这种非市场化措施，引起了学术界的高度关注。刘江涛等[1]构建了包含限购约束的两期住房市场模型，从理论上论证了限购政策通过抑制住房需求能够降低住房价格，但住房跨期需求和供给的变化会削弱限购政策的降价效应；刘璐[2]从一般均衡的角度探讨了限购和限贷政策能有效降低均衡房价的条件；在实证研究中，冯科等[3]从福利分析的角度构建了反需求函数，其经验分析表明限购政策使刚性、改善性和投资性房地产需求者均面临福利损失；乔坤元[4]运用倍差模型以70个大中城市为样本探讨了限购政策对住房价格和交易量的影响。尽管这些实证研究在一定程度上度量了住房限购政策的降价效应，但存在不足：一是普遍选择城市为对象，忽略了大多数城市只是部分区域限购的事实，也忽略了位置、交通和档次等重要区位特征对房价变化的影响；二是没有考虑限购期间利率、首付比等其他政策的变动，夸大或低估了限购政策的作用；三是普遍选择城市房屋价格指数（有的甚至用城市房地产平均销售价格）来度量房屋价格水平，这种处理影响了同一城市跨期房价的可比性[5]；四是没有考虑限购政策对土地、金融等其他资产市场所产生的影响。

迄今限购政策实施三年多，其效果及政府调控目标是否实现等问题日益引起学术界的兴趣。本文将针对已有研究的不足，以部分限购城市南昌市的微观楼盘数据为样本，运用双重差分模型尝试分析住房限购政策对住房价格的时空影响及对土地市场的溢出效应。其意义在于通过对南昌市个案研究为诸如限购等定性政策的效果评价在分析方法、研究对象和变量的选择等方面进行探索，同时也可为长沙、武汉等市在区位、产业结构、城市化水平、居民收入水平及投资观念和习俗等相似的中部城市限购政策的效果评价提供借鉴。

2 政策效果分析的基本方法

政策效果分析本质上是一种因果分析。因果关系分析概括起来主要有两种模型：Granger因果模型和处理效应模型。

Granger因果模型一般的做法是先建立被解释变量和解释变量的线性（如VAR模型）或非线性模型，进而估计被解释变量和解释变量之间数量关系，然后用Granger因果检验来判断被解释变量和目标解释变量之间是否存在均值或分位数或方差甚至是分布上的因果关系[6]。尽管Grange因果模型在经济研究中被广泛应用，但人们一直对Granger因果关系是否是真正的因果关系存有怀疑，尤其在哲学层面上[7]。

处理效应模型被广泛运用到项目和政策效果评估中。评估政府政策往往可以看作是一个自然实验（Natural experiment）过程，自然实验的数据来源于对社会生活的观测，但和真实实验一样，自然实验中总有一些个体是政策的实施对象（称之为处理组），如城市中限购区域的住房；另外一些则不是政策的作用对象（称之为对照组），如城市中非限购区域的住房。因此，在一定的条件下通过比较政策实施前后处理组和对照组之间的差异，就可以得到政策的平均（或分位数等）效果。基于这种思想所建立的模型就成为处理效应模型[8]。

在处理效应模型中，双重差分估计简单明了且有效，对样本容量要求更低，还可以估计处理效应的动态变化，在评估政策因果效应中备受推崇，也是本文实证拟采取的估计方法。根据Wooldridge[9]的研究，其基本思想可以表述如下：

在一个自然实验中，受到处理（如政策影响）的个体归为处理组T，没有受到处理的个体归为对照组C。假设y是关心的结果变量（如，住房价格变动率）；当个体受到处理，处理虚拟变量dT取值为1，否则取值为0；当处理发生后（政策实施后），时期虚拟变量d取值为1，否则为0。

显然，如果在自然实验中，只有处理变量（政策）发生变化，其他影响y的因素保持不变，而且结果变量y没有时间趋势变化，那么平均处理效应为：

从式1看出为求出政策的平均处理效应，首先必须对处理前后处理组和对照组的平均产出y分别进行差分，然后再对这两个差分再进行差分，即双重差分。影响y的其他因素也发生变化（用协变量X表示），则如式2：

其中参数δ度量了政策对政策受体的作用大小，即：

要使双重差分法获得无偏、一致且有效的处理效应必须满足：（1）处理变量dT与结果变量y独立，即满足所谓的条件期望独立假设，以克服自选择（self-selection）造成的选择性偏差；（2）处理组T和对照组C的结果变量y在处理前具有相同的时间趋势。

鉴于相对于格兰杰因果模型，双重差分模型能够更有效地将住房限购政策效果从“新国八条”一揽子调控政策中筛选出来，因此，下文将选择双重差分模型进行实证。

3 限购”政策效果实证：双重差分估计

3.1 限购政策对房价的影响

3.1.1 样本和变量的选择及初步分析 本文以微观数据为基础，选择南昌市具体楼盘为考察对象。因为同一城市楼盘之间所面临的人口、经济结构和环境、风俗习惯以及政策规划环境等条件是极为相似，这能有效提高双重差分法所需样本的可比性，避免简单以城市为观测对象产生的因结果变量时间趋势不同所导致的估计偏差。

具体而言，由于数据的可得性，选择2010第2季度—2013年第2季度共13期作为观测期，2010年第2季度—2011年第1季度为未限购期，之后为限购期；对样本楼盘，一是根据双重差分法的要求，选择在整个观测期持续在售的楼盘，二是选择南昌市住房市场中份额最多的普通住宅楼盘。在观测期，南昌市在售楼盘共有62个符合条件，其中限购区域41个，非限购区域21个，将这些楼盘全部纳入样本。

关于结果变量，由于限购政策是以抑制住房价格过快增长为目标，所以选择样本楼盘中普通住宅的实际平均房价的变化率（CRHPA）。其优点在于能克服因自选择（self-selection）所导致的选择性偏差，还可以更直观地检验政府限购目标是否实现。

在解释变量中，dT是楼盘是否受到限购政策处理的虚拟变量，d是限购政策实施与否的时期变量，二者均为虚拟二值变量，其设定方式与第二部分相同。为增强双重差分模型的解释力及增强处理变量dT与结果变量之间的独立性，还需选择对结果变量产生重要影响的协变量。Zabel[10]、温海珍等[11]等学者认为协变量包括三类，一是收入、信贷、利率等城市宏观经济政策变量，二是房型、房龄等住宅特征变量，三是交通、教育和外部配套等区位变量。据此本文选择如下协变量：扣除通货膨胀后的实际利率（RR）、首套房抵押贷款首付比（DPR）、楼盘距CBD的距离（DTB）、楼盘距地铁距离（DTS）、楼盘距省级重点中学的距离（DTH），以及小区物业费用等。

表1 主要变量的描述性统计分析Tab.1 Descriptive analysis of major variables

从表1可以看出，无论是非限购区域、限购区域还是整个南昌市，限购政策实施后实际房价比实施前分别高1380元/m2、1401元/m2和1377元/m2，因此可以说限购政策实施后南昌市的平均房价不降反升，但这是否意味着限购政策无效？从价格变动率来看，无论是对照组、处理组还是整个南昌市，平均实际房价变动率在限购后均下降，分别为-2.99%、-1.95%和-2.06%，且处理组比对照组多下降1.04%，这是否又说明限购政策有效？是否说明限购政策更有效地抑制了限购区域房价的增长？由于不知这些数据是否显著性，所以暂时难以对这些问题进行判断。特别地，非限购区域住宅距CBD距离、距地铁距离及距重点中学距离分别比限购区域住宅平均高出2.88 km、6.79 km和1.54 km，物业管理费平均低0.67元/m2，这是否说明实际房价变动率的差异是处理组和对照组个体差异所致？这些问题正是下文所要回答的。

3.1.2 双重差分分析

（1）平均处理效应和时间效应分析。为度量限购的政策平均处理效应和时间效应，依据式2的双重差分模型建立了方程1到方程4共4个模型（表2）。其中，方程1和方程2将观察期简单地分为限购和非限购期，即处在限购期时，时期变量d = 1，反之，d = 0；方程3和方程4则设置了9个时间虚拟变量以度量限购后限购政策季度环比效应的大小：时期变量di = 1，当限购政策实施第i季度时；di = 0，当不处在限购政策实施的第i季度时；i = 1，2，…，9。方程2和方程4还考虑了实际利率、首付比等宏观变量及区位等楼盘个体特征对实际房价变化率的影响。

从表2可以发现：第一，4个方程的dT项的参数均不显著，这说明在其他条件相同的情况下，考察期内限购及非限购区域的平均实际房价增长率变化没有显著差异；第二，4个方程的dT×d和dT×di项的参数估计值（反映限购政策平均处理效应大小）均不显著，这说明限购后限购政策对限购购区域楼盘房价的抑制作用并没有导致其增长率比非限购区域增长或下降得更多；第三，方程1和方程2的时期虚拟变量d的参数均显著，显示限购政策使得南昌市平均房价变化率比限购前分别下降了3.29%和3.81%。这说明限购政策尽管并未使限购区域的房价增长率变化比非限购区域下降得更多，但确实显著抑制了南昌市整体住房价格的增长。方程3和方程4的时期虚拟变量di的参数值变化则更清晰地反映了限购政策对南昌市整体房价变化的时间效应：限购后第1季度并未导致整体楼盘实际房价变化率与限购前有显著的差异，第2季度则较第1季度不降反升，分别增长了4.64%和5.35%，这可能是前期房价上涨惯性及限购政策实施时滞的结果；从限购后第3季到第6季实际房价增长率显著为负且不断下降，第7季度显著为负，但较第6季度回升，第8季度和9季度实际房价增长率变负为正，但不显著。这说明限购政策的时间效应经历了滞后（2个季度）→先扬（4个季度）→后抑（1个季度）→消失的过程（图1）。第四，方程2和方程4显示，实际利率每增加100个基点会导致房价变化率平均下降1.39%和2.00%；首付比则对房价变化率的影响尽管为负，但不显著。其可能的原因是在“新国八条”出来前，房企经历了一波房价大涨的行情，其资金相当充裕，在这种情况下，哪怕是因首付比提高导致的需求急剧下滑，房企也没有轻易降价，因为降价会导致市场的进一步看跌，对房企更为不利；距CBD距离和距地铁1号线距离等反映楼盘区位和档次的变量，并不能显著影响房价变化率，这说明这些变量与房价变化率并不存在显著的线性关系。

表2 限购政策的平均处理效应及时间效应的估计结果Tab.2 Estimation results of treatment and dynamic effects for housing rationing

图1 限购政策时间效应变化Fig.1 Dynamic effect for housing rationing

（2）空间效应分析。方程2和方程4显示楼盘的区位及个体特征与房价变动率没有显著的线性关系，但是在限购背景下，这并不意味着区位的差异不会影响房价变动率，因为住房特征价格理论认为，在其他条件相同的情况下，区位（空间）变量取值在一定区间内的不同房屋其价格变动往往相似，但是超出这个区间，其房价变动则与区间内的房屋有明显的差异。因此，为考察限购政策的空间效应，依据双重差分思想，设计了动态特征价格模型式4并分别估计了方程5—方程7（表3）：

式4中，y、d和前文相同，协变量X仍然选择实际利率和首付比；c是反映住房空间位置的虚拟变量，包括距CBD距离b（＜3 km，b = 1，否则b = 0）、距1号地铁距离s（＜1 km，s = 1，否则s = 0）和距重点中学距离h（＜1 km，h = 1，否则h = 0）。

显然，模型式4中限购时期虚拟变量d和住房个体特征变量c交叉积（d×c）的参数度量了住房空间特征对限购政策效应的影响。表3方程5—方程7的估计结果显示住房空间变量对限购政策效应存在显著的抑制作用。在其他条件不变的情况下，限购后，距市中心3 km以内住房的实际房价增长率比3 km以外的高0.15%，距1号地铁和距重点中学1 km以内的住房比1 km以外的分别高1.60%和1.37%，这说明限购政策下，具有生活便利、通勤迅捷以及接近优质教育资源等空间优势的楼盘具有更好的房价抗跌能力。

表3 限购政策的空间效应估计结果Tab.3 Estimation results of location effect for housing rationing

图2 土地宗数成交率Fig.2 Land volume ratio of the transacted to total listed

图3 土地溢价成交率Fig.3 Land volume ratio of the overpriced to total transacted

3.2 限购政策对土地市场的溢出效应

限购政策尽管针对住房市场，但是由于土地需求是住房需求的引致需求，因此限购政策对住房需求和价格的影响必然会影响土地市场，对土地市场产生溢出效应。这种效应表现在土地成交量和交易价的波动。

根据中国房地产信息网土地市场库的的统计数据，考察期（2010年2季度—2013年2季度）南昌市共出让住宅用地246宗，其中限购区90宗（限购前后各32宗和58宗），非限购区156宗（限购前后各14宗和142宗）。图2显示限购前无论限购还是非限购区均保持80%以上的土地成交率，限购后迅速下降为40%左右，随后逐步回升。图3显示限购前限购区域超过50%的成交土地是溢价成交，非限购区低些，为40%左右，但限购后溢价成交率则分别最低降到20%和14%，然后均逐步爬升。这说明限购政策对住房投机需求、投资需求及部分改善性需求的打压，导致开发企业降低了未来开发收益的预期，进而减少了土地需求，从而使得土地成交率和溢价成交率均下降。但随着市场对限购政策的消化，土地交易逐渐活跃，限购政策对土地市场的溢出效应呈衰减之势。可见住房限购政策不仅直接冲击住房市场，而且其影响也传递到土地市场，也产生了显著的的溢出效应①这些地块绝大多数是以拍卖形式出让，存在平价（底价成交）、溢价（高于底价成交）和流拍（没有成交）三种交易状态。土地成交率指成交的土地宗数占拟出让土地宗数的比率，度量了交易的活跃程度；溢价成交率指溢价成交的土地宗数占总成交数的比重，度量了交易价格的变化。。

4 结论和展望

本文以中部省会城市南昌市为代表，选择2010年第2季度—2013年第2季度住房限购区域和非限购区域楼盘的微观数据和土地交易数据，运用双重差分等模型考察了住房限购政策对南昌市住房价格和土地市场的影响，发现：（1）南昌市住房限购政策既降低了限购区域也降低了非限购区域住房价格的增长率，实现了“遏制城市房价过快上涨”的政策目标，但是不能使房价增长过快区域（限购区域）房价下降速度快于非限购区域。（2）住房限购政策对南昌市整体房价增长率存在短期抑制作用，其时间效应经历了滞后、先扬后抑、到最后消失的过程。（3）空间效应对政策效果的抑制明显。生活便利、交通迅达以及接近优质教育资源的住房对限购政策效应具有较大的对冲能力，其房价抗跌能力较强。（4）土地需求的“引致”特性使得住房限购政策的效应传导至土地市场，导致土地成交率下降和溢价成交现象减少，不过这种溢出效应也会逐步衰减。

相对于已有的研究，本文有以下拓展：一是以微观的楼盘数据为对象，考察限购政策对同一城市限购和非限购区域住房实际价格变动的影响，这一方面回避了城市平均住房价格度量及其跨期可比性的难题，另一方面也尊重了限购政策不是在同一城市全面实施的现实，有助于提高模型的精度及结论的可靠性；二是既考察了限购政策的时间效应和空间效应，还考察了其土地溢出效应；三是考虑了利率及首付比等其他政策因素的影响。

尽管如此，以下问题值得进一步研究：限购政策对限购城市周边非限购城市住房价格有无影响，限购政策对土地市场的影响机理，以及限购政策在不同类型限购城市的效果差异等。

（

）：

［1］ 刘江涛，张波，黄志刚.限购政策与房价的动态变化［J］ .经济学动态，2012，3：47 - 54.

［2］ 刘璐.限贷和限购政策对一般均衡中房价的影响［J］ .管理科学学报，2013，9：20 - 32.

［3］ 冯科，何理.中国房地产市场“限购政策”研究——基于反需求函数的理论与经验分析［J］ .经济学动态，2012，2：53 - 60.

［4］ 乔坤元.住房限购令真的起作用了吗?——来自中国70大中城市的证据［J］ .经济与管理研究，2012，12：25 - 34.

［5］ 孙玉环.改进住宅销售价格指数编制质量的一种思路探讨［J］ .统计研究，2011，10：28 - 35.

［6］ Pearl J. Causal inference in statistics: An overview［J］ . Statistics Surveys, 2009，（3）：96 - 146.

［7］ 赵国昌.格兰杰因果关系的新发展［J］ .统计研究，2008，（8）：107 - 109.

［8］ Wooldridge J M. Econometric Analysis of Cross Section and Panel Data, Second Edition［M］ . Cambridge, Massachusetts: MIT Press，2010.

［9］ Wooldridge J M. Introductory Econometrics: A Modern Approach, Fifth Edition［M］ . USA: South-Western College Pub, 2012.

［10］ Zabel, J E. The demand for housing services ［J］ . Journal of Housing Economics, 2004, 13（1）：16 - 35.

［11］ 温海珍，张凌，彭鲁凤.杭州市住宅价格空间分异：基于特征价格的两维度分析［J］ .中国土地科学，2010，24（2）：51 - 56.

（本文责编：郎海鸥）

Housing Rationing Policy in Nanchang City: The Spatio-temporal Feature and Spilling Effect

WANG Xue-feng
（School of Tourism & Urban Management, Jiangxi University of Finance & Economics, Nanchang 330032, China）

The purpose of this paper is to investigate the effect of housing rationing policy partially applied in Nanchang City on the change of housing price and land market from both spatiotemporal and spilling effect perspectives. The method of econometric analysis based on Difference-in-Difference is used. The results show that the average effect of the policy is not significantly different between the areas implementing the rationing policy and the areas not, however the policy significantly reduces the growth rate of housing price in Nanchang as whole. The dynamic effect of the policy experiences a process of increasing, decreasing and then disappearing. The housing price of the plots with better facilities, transportation services, and education resources is more insensitive to the policy. The spilling effect of the policy shows at the decreasing in total transactions and the prices. The conclusion is the effect of the housing rationing policy in Nanchang can be more reliably estimated by method of Difference-in-Differences.

land economy; housing rationing; difference-in-differences; dynamic effect; spatial effect; spilling effect

F301.2

A

1001-8158（2015）06-0041-08

10.13708/j.cnki.cn11-2640.2015.06.006

2014-06-25

2015-05-22

王雪峰（1968-），男，江西吉安人，副教授，博士。主要研究方向为不动产经济和宏观经济政策。E-mail: wxf_ix@163.com