郑世刚
(湖北经济学院 经济与贸易学院,湖北 武汉 430205)
房地产业是中国国民经济的基础性和先导型产业,对实际经济活动具有显著的重要性,同时房地产在中国城市居民家庭资产中所占的比重接近70%,房价具有显著的财富效应。因此,房价的稳定不仅关系到房地产市场的健康发展,对国民经济平稳增长以及家庭安定同样意义重大。但是2003年以来,中国各省市的房价呈现出全面显著的快速上涨趋势,房地产市场持续失衡,由此中央政府对房地产市场进行了频繁的干预,但大量研究表明短期调控政策收效甚微,甚至成为房价急剧上涨的重要原因。2016年以来,中央政府连续提出“构建和完善房地产市场长效机制,实现市场平稳健康发展”,并要求“深入研究长期的基础性制度安排”。显然,长期内稳定房价是长效机制建设的内在核心目标之一,而实现这一目标的关键在于抓住房价的长期决定力量,因此研究中国房价的长期影响因素具有很强的现实意义。
2000年之前,在供需框架下研究房价影响因素是基本范式,大量学者认为经济基本面能够很好的解释房价。Hort、Capozza等分别对瑞典和美国的研究均表明,经济基本面因素对房价具有很好的解释力,但在中国制度环境下,有些学者认为这一解释力随时间推移而逐渐减弱,安辉和王瑞东认为中国经济基本面与房价之间缺乏稳定的关系,房价很大程度上受到政策环境的影响[1-4]。事实上,由于中国房地产市场样本期较短,Mcquinn和Oreilly所提出的 “房价在长期主要反映经济基本面”的观点仍然值得信赖[5]。
影响房价的经济基本面因素的研究文献非常丰富,其中收入、人口和消费者预期等被广泛讨论。Goodman认为居民持久收入对房价具有重要影响,Capozza等、Lamont和Stein则分别强调真实收入、人均收入的跨期变动和滞后一期的房价收入比对房价的解释作用,而中国学者大都强调可支配收入的影响作用[6,2,7]。在人口因素方面,Mankiw和Weil关注了新生儿对房地产市场的影响,徐建炜等采用了Mankiw和Weil的计量方法,研究了少年人口抚养比和老年人口抚养比对真实房价的不同影响,陈斌开和林毅夫的研究很好的拟合了不同年龄段人口住房需求与房价的关系[8-10]。近几年中,预期对房价的影响引起广泛关注,但是否是房价的决定因素,存在较大分歧。有学者认为房价主要受市场主体行为因素的影响,消费者和开发商的一致性预期一旦形成,则预期对房价的影响最大。与之相反,况伟大认为经济基本面对房价的影响要大于预期和投机,而史永东和陈日清则认为房价自身的变动才是房价上涨的主要原因[11-12]。
显然,需求面是现有研究的主要方向,供给面的研究则非常缺乏。建筑成本和地价是房价的主要构成部分,但对它们与房价之间关系的认识并不一致。许多学者认为建筑成本是房价的主要影响因素,尤其在长期中影响显著,但也有学者认为建筑成本对房产开工的影响并不显著,而新建房产量的价格弹性较小,因此建筑成本并不能解释房价变化[11]。一部分学者认为地价上升将导致房价上升[13],但许多学者对两者的因果关系提出质疑,认为地价不是房价的原因,而是房价的结果。
政策因素对中国房价的影响是显著的,但大量学者对政策的有效性提出了质疑,认为中国政策的困境在于缺乏动态一致性和前瞻性。政策因素是否构成决定房价的长期力量,看法并不一致。许多研究表明,长期内房价与利率负相关,但也有观点认为信贷政策对中国房价具有显著的正向影响。许多学者从中国实际入手,提出中长期内利率对房价的影响较弱,利率对房价的解释力不强,相比而言,信贷工具更为有效。关于房产税的研究,大量研究表明房产税能够在长期内推高房价,但也有研究认为税收政策不能显著影响房价,不能对税收的作用过高估计。
可以看出,房价的决定因素非常复杂,尤其是中国房价,其影响因素不仅众多,而且多元。已有文献大都基于经验,主观性的选择某个或某些因素作为房价的解释变量,使用回归方法进行实证检验,这一研究思路的问题在于无法事先确定哪些变量应当引入模型中,变量之间存在的多重共线性可能造成估计结果存在严重偏误,导致模型产生解释变量的不确定性。Raftery和Fernandez的研究证实BMA方法能够有效解决模型的不确定性问题,并在多个领域得到了广泛应用,如经济增长、能源问题、公司治理、环境规制等,但鲜有对房价问题的应用研究。为克服模型不确定性对房价影响因素研究的影响,本文选取1999年—2017年35个大中城市的面板数据,利用贝叶斯模型平均(BMA)方法展开研究,并以此为基础,探讨中国房地产长效机制的构建。
现有研究通常以房价为被解释变量,以房价的影响因素集合为解释变量建立多元线性模型,利用回归方法得到各解释变量的系数,从而实现对房价决定因素的描述。
由于房价系统复杂,集合中的元素数量可能较大,将所有影响因素纳入线性模型,可能使模型失去解释意义,因此现有研究通常通过经验或逐步回归法等方式,从集合中选取少量元素构建模型。这一思路存在明显的局限性:一是变量的选取具有主观性和经验性;二是变量间可能存在交叉影响,很难避免多重共线性问题,因此在实证中不得不采取复杂的方法进行处理,如GMM方法、工具变量法等;三是无法事先确定哪些因素应进入房价决定系统,导致模型存在着不确定性问题,即使选取的变量组合通过了可靠性和稳健性检验,也无法确定是否为最优组合。
1.文献分析法。为了避免变量选取的主观性,本文使用文献分析法,通过统计现有文献中关于房价影响因素的研究结论,从而建立能够包含尽可能多的因素的集合。
2.BMA方法。为了解决模型的不确定性,1978年Leamer提出了BMA方法,其后经过Raftery等和Fernandez等得以发展完善。BMA方法的基本思想是利用变量集合X的先验信息和先验概率,得到各模型的后验概率,通过进一步计算得到各解释变量的后验包含概率(PIP)、后验均值(PM)以及后验标准差(PSD),由此,一方面可以根据PIP的高低确定应选取的变量组合,另一方面可以根据模型的后验概率比较不同单一模型的优劣。
与传统方法相比,BMA方法具有三个方面的优势:一是假设检验简便,不需要事先设定样本的概率分布,直接根据模型或变量的后验概率进行判断,从而规避了对“总体和样本统计分布”进行假设检验的难点;二是信息利用充分,利用参数先验信息,将每个候选模型参数的后验估计概率进行加权平均,避免了人为筛选可能造成的信息损失;三是多重假设检验处理便利,通过计算每一个假设的后验概率,并以此作为评价解释变量和模型优劣的标准。
根据已有研究的做法,本文假定样本y和模型Mj给定条件下参数向量αj的先验分布为DUIP,所有模型的先验概率为均匀分布。
3.MC3方法。当变量数目较大时,候选模型的数量也会非常大,导致参数和模型后验概率的迭代计算变得困难,因此通常会采用马尔科夫蒙特罗模型综合(MC3)抽样技术对模型进行抽样。MC3抽样技术的基本思路是以特定概率抽取出备选模型,再以特定概率接纳该模型,因此有效信息越多的变量和后验概率越高的模型更大概率会被接受,从而提高计算效率。
中国房价的面板数据主要有五种:一是省际面板数据,但该种数据由于加总或平均,可能抹掉了实际数据信息;二是30个省会城市数据;三是典型城市数据,但截面过小;四是35个大中城市;五是70个大中城市住宅销售价格指数,但由于发布较晚(1)2006年1月开始发布新建商品住宅销售价格指数,2011年1月开始发布新建住宅销售价格指数。,通常序列较短。综合来看,35个大中城市包含了直辖市、省会城市、自治区首府以及14个单列城市,这些城市是各个区域经济发展水平最好的和市场化程度最高的代表性城市,使用这一数据更能反映房价的长期决定因素。因此,本文选取35个大中城市1999年—2017年的年度面板数据,覆盖中国整个房地产市场化历程,共形成665个面板数据样本。所有数据来源于中国国家统计局、中经网、中国人民银行以及各城市的《统计年鉴》。
为尽可能的将更多因素纳入信息集中,避免主观设定,本文运用文献分析法,以“房价”及相似词为主题词进行文献检索。考虑到本文研究主题为中国房价问题,因此将数据库限定为CSSCI来源期刊论文(2)CSSCI来源文献质量较高,具备规范的主题词、关键词以及摘要文本,进行文献分析时能够更好地提取所需信息。,期限范围为1998年至今,共检索得到3 227篇文献。通过分析文献的主题词和关键词,选取其中的219篇作为提取房价影响因素的文献来源。经过对摘要进行文本分析、合并相同意义词后,提取出79个房价影响因素,继而对上述因素进行频次统计和排序,同时根据各因素在文献中的意义进行调整,并舍弃频次仅为1的因素,最终得到35个因素(见表1)。
表1 房价影响因素
其中,关于房产税和房地产税,前者指的是房地产开发、交易中的税负成本,后者为保有环节税种,2011年起在上海、重庆等几个城市试点征收,但范围较窄、额度较小,对房价的影响有限,因此本文仅选择前者。高铁、医院、交通以及基础设施等因素本质上属于固定资产投资范畴,虽然分开考察它们对房价的影响同样有意义,但在房地产市场化过程中,固定资产投资对房价的影响更为突出和显著,因此将前者并入后者。另外,热钱虽然在特定时期对房价产生一定影响,但该影响更大程度上体现了它的短期逐利性,不仅对其计量比较困难,而且热钱最终将转化为货币供应量,从而对房价形成影响,因此本文不再单独考虑。房地产施工面积的频次仅为1,但从理论上分析,该指标属于供给层面,不仅在短期内影响房价,也将在长期中影响房价,因此保留该因素更为合理。
根据经济含义,将各变量归为宏观、产业、成本、行政、人口、市场、收入和土地等8个类别。
1.宏观变量。虽然许多学者认为经济基本面对房价的解释能力趋于减弱,但其仍是决定房价的基础力量,文献分析结果也显示了宏观变量是房价决定因素的重要组成部分。大部分文献使用城市化率(3)城市化率的计算公式为城镇人口/总人口,官方统计中,2006年以前计算的是非农业人口占总人口的比重,之后为常住城镇居民占常住人口的比重。表征城市化水平,但使用35个大中城市作为样本时存在两个问题:一是35个大中城市皆为所属区域的经济中心,城市化已经处于较高水平,大多数城市的城市化率超过80%,甚至有些城市接近100%,因此城市化率指标对这些城市房价的决定可能不再显著;二是长期以来,户籍是购买住房的重要要件,并且在限购时期,户口直接成为划分是否具有购房资格的前提条件,城市化进程中,常住人口中的非户籍人口虽然有住房需求,但短期却不能形成有效的购买力,只有户籍人口才具有有效需求,但长期中,非户籍人口是潜在需求的主要来源。因此,本文使用常住人口与户籍人口之间的差额表征城市化(ct)。对外开放度(eod)既反映了各城市对国际市场要素的吸收和引进能力,尤其是资金,也体现了各城市在国际市场中的参与度和影响能力,现有文献使用多种方式表征,如进出口总额/GDP、资本流量总额/GDP、对外融资比率/对外投资比例、外贸依存度(实际直接利用外资/GDP)。考虑到房地产业的特点以及研究目的,本文选择较为传统的衡量方式——进出口贸易额/GDP予以表征。借鉴已有文献的处理,本文使用中国广义M2表征各城市的货币供应量(lm2)。
2.产业变量。产业泰尔指数是衡量产业结构是否合理的指标,产业结构合理化对城市房价具有正向影响。部分学者使用第三产业增加值占GDP的比重进行表征,但该指标并未考虑不同城市之间的差异。本文使用范新英和张所地构建的包含就业人数和产出比的产业结构合理化指标,即产业泰尔指数(ti),表示为式(1)[14]:
(1)
其中Y为产业值,L为就业人数,i为不同产业,n为部门数。
技术进步是经济增长的重要源泉之一,而经济增长与房价具有密切的关系,部分文献认为技术进步对房价具有一定影响。通常技术进步可以分解为R&D投入、技术合同成交额和专利授权数三个指标,由于城市数据所限,本文采用后两者的乘积表征技术进步(ltp)。
3.成本变量。地价和建筑成本是构成房地产的主要直接成本,地价(llp)由房地产开发企业土地购置费除以土地购置面积计算得到;建筑成本(lcc)由建筑造价表征,等于竣工造价除以竣工面积。借鉴周建军等做法,房产税(lpt)由6种相关税收构成,包括房产税、耕地占用税、城镇土地使用税、城市维护建设税、土地增值税和契税[15]。虽然部分税种并不是房地产的直接成本,但可以通过影响购房者的交易成本从而影响房价。
4.行政变量。限购(ppl)是政府干预房价的重要手段,但其是否对房价产生影响存在争议,尤其是在长期内。本文使用0-1虚拟变量表征限购,限购年份为1,其他年份为0。银行贷款是中国房地产开发和消费的主要资金来源,除了企业自筹资金和消费者首付款,其他资金大都来自于信贷,结合中国房地产市场的实际情况,本文使用房地产开发企业非自筹资金与销售额的80%表征信贷(lcs)。借鉴陈晨和傅勇的做法,短期利率和长期利率使用中国人民银行公布的贷款利率数据,利率调整年份以调整前后的天数加权计算每年的一年期和五年期贷款利率[16]。
5.人口变量。理论上,人口是长期房价的重要决定因素,已有文献涉及人口绝对数、人口增长率、人口密度和人口流动四个变量。本文使用城市年末总人口表征城市人口(lgp),城市人口自然增长率表征人口增长率(pgr),人口密度(lpd)由年末总人口除以城市行政面积计算得到,使用常住人口增加人数减去户籍人口增加人数表征人口流动(fp)。
6.市场变量。许多文献认为预期是房价的重要决定力量,借鉴已有文献的做法,本文使用滞后一期房价表示预期(lphe)。
7.收入变量。收入同样是长期房价的重要影响因素,包括城乡收入差距(urig)、城镇居民人均可支配收入(lupc)和职工工资水平(lls)。本文使用城乡收入比表征城乡收入差距,等于城镇人均可支配收入与农村人均纯收入之比。
8.土地变量。本文使用房地产开发企业土地购置面积表征土地供应量(lls),房地产开发企业土地购置费表征土地购置费(llpe)。
按照通常做法,所有价格和收入指标取实际值,剔除通货膨胀的影响,并且为了避免异方差和量纲的干扰,所有非比例和非比率指标(4)除城市化指标,因为常住人口与户籍人口的差额可能为负,所以未作对数化处理。均作对数化处理。
如表1的统计描述所示,所有变量的均值皆远大于标准差,表明不存在异常数据,可以进一步建模分析。本文使用R3.5.2软件,调用BMS程序包,进行MC3抽样和BMA分析。35个解释变量共计形成备选模型235个,基准模型设定中模型先验概率设定为均匀分布,参数先验概率设定为随机g型分布,利用MC3技术抽样抽取其中5 010 000个模型,初始预热抽样模型为10 000次,其余5 000 000次抽样模型作为模拟样本。
实证分析之前,本文对所有解释变量的相关性进行检验。将所有变量按照上述设定运行时,结果显示模型为非正定,由于模型中纳入了尽可能多的变量,因此很大可能在于解释变量之间存在强相关性。相关分析结果显示部分变量间的确存在强相关性,本文先选取不存在相关性的变量运行,继而依次纳入相关性较强的变量,最终发现土地购置费是造成强相关性的原因,考虑到地价已经包含土地购置费的信息,删除该变量并不会影响到后续分析,因此删除后保留剩余的34个解释变量。
图1 后验模型规模分布均值图
图1报告了中国房价后验模型规模分布的均值和概率,可以看出,模型规模呈均匀分布,与前述先验假设吻合,并且具有97%以上的概率。同时,模型规模的均值为16.698 9,并且达到最大值,即在抽样抽取的5 000 000个模型中,任一单一模型平均含有16个能够有效且充分解释房价的解释变量。表2报告了35个大中城市房价对34个解释变量的BMA估计结果,并按后验概率排序,反映了各个解释变量对被解释变量的解释能力。第六列为解释变量的符号确定率,是指所有包括该解释变量的估计结果中,其系数符号与后验均值符号一致的概率,从而反映该变量的稳健性。
表2 35个大中城市房价对各变量的BMA估计结果
根据后验概率,34个解释变量可分为4组:
第一组为前11个变量,后验概率均大于0.9,其中房地产施工面积、销售面积、失业率和固定资产投资等四个变量的符号确定率为0,意味着这四个变量对房价的影响虽然显著,但稳健性不足。其他7个变量包括通胀、地方财政支出、地价、预期、房地产开发投资、人均消费支出、城镇居民人均可支配收入的符号确定率皆为1,显示出了对中国长期房价显著和稳健的解释能力。同时,这7个变量的后验均值均为正,与后验标准差的比值都大于2,表明这些变量对房价具有显著的正向影响。
预期的后验均值达到0.27,远大于其他因素(除城镇居民人均可支配收入),是决定长期房价的最主要因素,这与郑世刚和严良的研究结论一致,房价具有明显的正反馈效应,房价很大程度上源于自身的历史趋势[17]。城镇居民人均可支配收入的后验均值同样达到0.27,购房者收入对房价具有显著的正向影响,符合理论假定,并与已有研究的观点一致[18]。房地产开发投资的后验均值为0.15,对房价具有明显的促进和决定作用。地方财政支出对房价影响的理论分析源于Tiebout(1956)所提出的微观机制,通过“用脚投票”,公共服务支出将显著的资本化到房价中,并显著正向影响房价,这一理论得到了大量中国文献的支持。表2中地方财政支出的后验均值为0.107 5,与上述观点较为吻合。人均消费支出(后验概率为0.082)反映了家庭的消费能力,这些年来居住支出始终占据八类消费支出的前列,居民家庭改善居住环境和生活质量的需求意愿,客观上对房价产生了较为明显的正向影响。地价的后验均值为0.074 9,不仅是房价的重要组成部分,也是长期房价的重要因素,与孟庆斌和荣晨的观点一致。房地产具有抵消通胀的特性,通胀的后验均值为0.02,表明通胀对房价具有正向决定作用。
第二组包括长期实际利率和信贷2个变量,后验概率大于0.8且小于0.9,对中国长期房价具有较好的解释能力,符号确定率达到100%,后验均值与后验标准差的比值大于1,因此具有良好的稳健性。多数学者认为利率对房价具有较大影响,但大都针对短期利率,本文实证结果表明短期实际利率并不显著,而长期实际利率对长期房价的决定作用较为显著,并且具有正向影响。信贷的后验均值为0.092 6,在长期内正向影响房价。以上结论符合大部分学者的观点。
第三组包括城镇人口增长率、对外开放度和建筑成本3个变量,后验概率大于0.5且小于0.8,对中国长期房价具有一定的解释能力,符号确定率同样达到100%,且后验均值与后验标准差的比值大于1,表明这些变量较为稳健。建筑成本的后验概率为0.03,在长期中对房价的正向影响较为明显,与Zhi Wang和Qinghua Zhang的结论基本一致[19]。对外开放度和城市人口增长率的后验均值同样为正。值得注意的是,城市人口增长率对房价并未显示出优于其他变量的决定作用。
第四组为其他18个变量,后验概率小于0.5,对中国长期房价的解释能力较弱,符号确定率表明这些变量的稳健性低于上述变量。已有房价研究的文献中经常提及的货币供应量、房产税、GDP、城市人口等变量,并未显示出对长期房价显著且稳健的决定作用。
为进一步验证模型规模,并得到最优单一模型,本文采用“Occam window”算法对模型进行估计,共提取出后验概率最高的109个模型。表3报告了后验概率最高的前五位单一模型,分别包含16、15、18、17、15个解释变量,A-R2均在0.95以上,不同模型解释变量的系数值和符号无明显差别,表现出较好的显著性。五个单一模型的后验概率总和为0.223 1,其中模型1的后验概率最高,其BIC值大于等于其它模型的BIC值,因此可以认为模型1为最优模型。同时可以发现,除个别变量的后验概率有所出入外,模型1包含的解释变量的名称、数量和符号与MC3方法的估计结果完全一致,表明本文的BMA方法是可靠的。
模型1包含了16个解释变量,系数值与MC3的估计值(后验均值)基本一致,这些变量显著的影响了中国房价的波动,并能解释其变动的85%。16个变量中,城镇居民人均可支配收入和预期对房价的影响最大,分别为0.28和0.27,对房价提供了超过44.4%的正向解释。其次,房地产开发投资、地方财政支出和信贷对房价波动也起到了显著的决定作用,分别为0.15、0.12和0.12,表明中国信贷政策存在着房地产偏好,而地方财政支出存在着“用脚投票”机制。在反向作用中,房地产施工面积和销售面积起到了明显的反向影响,分别为-0.17和-0.13,意味着保持一定的供应增速有助于抑制房价过快上涨。尤其是房价水平较高的一、二线城市,限制需求虽然能在一定程度上遏制房价上涨,但只是短时之策,长期来看,增加供给、保持一定的供给弹性更有利于房价稳定、市场健康发展。
表3 “Occam window”算法估计结果及前五位最优单一模型
注:*、**、***分别表示10%、5%、1%的显著性水平,括号内为标准差。
参数和模型先验概率的设定不同将对BMA方法的估计结果带来影响,本文将在上述基准设定的基础上,通过改变参数和模型的先验概率,对上文的估计结果进行稳健性检验。
1.改变参数的先验概率。变换参数先验概率为EBL、BRIC和HQ三种设定,结果如图2和表4。
可以看到,三种设定的模型规模均值(Model Size Mean)分别为16.2、16.4和17.6,与原设定的结果基本一致。同时三种设定下对中国长期房价具有有效且稳健的变量,与原设定下的结果完全一样,房地产施工面积、销售面积、失业率和固定资产投资等四个变量的符号确定率仍然为0,其他变量的后验概率基本相同,后验均值在HQ设定下有些许下降,但并不明显。
图2 不同参数先验概率下后验模型规模分布比较图
表4 不同参数先验概率下模型后验概率和后验均值比较(5)为节省篇幅,只报告了模型规模范围内的变量的后验概率和后验均值,表5同。
变量BRIC②EBL③HQ④后验概率后验均值后验概率后验均值后验概率后验均值地价1.000 00.075 01.000 00.074 91.000 00.074 3 预期1.000 00.276 11.000 00.275 41.000 00.272 1 地方财政支出1.000 00.109 71.000 00.108 60.999 90.103 0 房地产施工面积0.999 8-0.165 10.999 8-0.164 40.999 9-0.160 2 通货膨胀0.999 70.021 20.999 90.021 20.999 90.021 1 销售面积0.998 5-0.120 90.998 6-0.122 60.999 3-0.129 1 人均消费支出0.995 60.082 70.995 70.082 50.994 00.080 7 房地产开发投资额0.993 80.153 50.993 80.151 80.993 60.144 4 城镇居民人均可支配收入0.993 80.274 60.993 40.271 30.990 10.254 2 失业率0.964 2-0.003 70.968 0-0.003 70.979 6-0.003 8 固定资产投资额0.963 3-0.075 30.966 2-0.075 60.975 6-0.076 8 长期实际利率0.840 70.027 90.842 30.028 70.840 20.031 7 信贷0.779 80.088 00.801 70.090 80.877 20.101 1 对外开放度0.641 90.012 60.658 20.013 00.732 40.014 7 城市人口增长率0.627 30.001 30.644 40.001 30.721 50.001 5 建筑成本0.506 70.029 70.522 10.030 50.588 30.033 4
② 参考Fernandez、Ley和Steel(2001),g=max(N,K2),K为变量的数目。
③ 设定gh=argmaxgP(Y|Mh,X,g),具体设定参见Liang et al.(2008)。
④ 设定g=log(N)3,根据CHQ=3渐进模拟Hannan-Quinn准则,参见Fernandez,Ley和Steel(2001)。
⑤ “Random”指的是将先验包含概率设定为二元超先验β,参见Ley和Steel(2008)。
⑥ “Fixed”表示将任一回归设定为固定公共包含先验概率,参见Martin,Doppelhofer和Miller(2004)。
⑦ “Pip”指的是允许自定义的先验包含概率。
2.改变模型的先验概率。变换模型先验概率为Random、Fixed、Pip三种设定,结果如图3和表5。
图3 不同模型先验概率下后验模型规模分布比较图
可以发现,三种设定下的模型规模均值分别为16.8、16.7和16.8,与原设定的分析结果基本相同,能够有效且稳健解释中国长期房价的变量,与原设定结果完全一样。房地产施工面积、销售面积、失业率和固定资产投资等四个变量的符号确定率仍然为0,其他变量的后验概率和后验均值基本相同。
表5 不同模型先验概率下模型后验概率和后验均值比较
综上所述,本文实证所得中国房价的长期决定变量的结论是有效且稳健的,包含16个因素的模型能够充分解释中国长期房价。
一直以来,中国房地产市场的制度建设重在短期,但频繁的政策调控不仅导致市场秩序紊乱,而且造成了房价的持续大幅上涨。2016年以来,中央政府连续提出,要通过“综合运用金融、土地、财税、投资、立法等手段”,“构建和完善促进房地产市场平稳健康发展的长效机制”。根据本文的实证分析结果,长期房价决定于上述16个因素,这些因素构成了房地产长效机制的基本要素,并形成了长效机制的基本框架。
虽然大量研究认为经济基本面对房价的解释力趋于减弱,但分析结果表明经济基本面仍然是决定房价的基础,尤其是对长期房价而言。与供给面因素相比,需求面因素的影响更为重要,如通货膨胀、实际城镇人均可支配收入、实际人均消费支出以及人口增长率等。理论上,房地产为低需求弹性商品,需求面的改善或恶化并不会造成房价的大幅波动,因此中国房价的长期上涨并不能简单的由需求面因素的改善加以解释,更深层的原因在于中国失衡的住房市场体系和住房保障体系。
根据房地产市场化改革思路,中国住房体系可表述为“对不同收入家庭实行不同的住房供应政策”(6)源自1998年《国务院关于进一步深化城镇住房制度改革,加快住房建设的通知》(23号文件)。,即高收入家庭购买或租赁商品房,中低收入家庭购买经济适用房,低收入家庭租赁廉租房。但实际上,在房地产业的发展历程中,经济适用房和廉租房并未实现应有的预期,由于制度漏洞、产品缺陷、资源错配、信息模糊等问题,导致经济适用房和廉租房体系效率低下,在住房体系中逐步被边缘化,甚至在某些城市被暂停或取消,无法实现需求的中低收入、低收入家庭只能进入商品房市场,导致该市场过度拥挤,房地产供不应求。我们可以观察到,一方面大量中低收入和低收入家庭的刚性需求推高房价,房地产的需求弹性不断提高,大部分城市的房价收入比远远超过国际警戒线,例如“北上广深”等城市甚至超过30;另一方面,寻租、投机行为滋生,具有资金、权利和信息优势的寻租者和投机者进入市场,不但进一步造成刚性需求难以满足,而且加大了房地产市场的投机泡沫。
因此,纠正和完善中国住房市场体系和保障体系是构建房地产长效机制的根本。
第一,回归市场和政府的本原。近年来,中央政府不断强调“发挥市场在资源配置中的决定性作用”,这对于商品房市场的健康发展具有重要意义。但在房地产长效机制构建中,更应该强调政府角色定位和公共职能发挥的重要性,约束政府对市场的不合理干预是实现房地产市场秩序的基础,而发挥政府的公共服务功能则是完善中国住房保障体系的保障。
第二,建立商品房市场和保障房市场之间的防火墙和互动通道。实现这一目的的关键在于法律制度体系的建设和完善,通过不同的法律制度区分不同市场的界域和模式。对于商品房市场,法律制度的功能应体现为市场规则优先下的事后调整,例如房地产税的立法、土地的立法等。对于政策性保障房市场,法律制度的功能应体现为公共利益下的事前控制,例如进入与退出机制、保障房和市场租赁住房的立法。
实证结果显示,预期是中国长期房价最为重要的决定因素,而中国房地产市场实践表明,预期是房地产市场化改革以来,尤其是2008年之后房价持续上涨的重要原因。其中原因之一在于上文论述的中国住房市场体系和保障体系建设滞后,造成商品房市场存在严重的结构失衡问题,大量需求尤其是刚性需求无法得到满足,使得房价始终处于上涨压力之中。房地产市场长期处于供不应求状态,导致市场参与者形成了较为一致性的上涨预期,从而房地产的居住属性逐渐被投资属性所替代,投资、投机性需求大量增加,并拉动自住性、改善性住房需求提前释放[20]。在预期冲击下,中国房价陷入“管制平稳、放开必涨”的局面,调控政策无法发挥应有的效力,根本原因在于住房市场体系单一化以及市场结构失衡化。因此2017年以来,中央政府一再提出“房子是用来住的、不是用来炒的”的定位论述,并提出实现稳定预期的重要举措——“建立多主体供给、多渠道保障、租购并举的住房制度,让全体人民住有所居”。原因之二在于政府调控政策缺乏一致性,表现为政策制定的相机抉择特征和调控目标的摇摆性,并且缺乏前瞻性,难以形成稳定预期。
因此,从需求端通过“限”政策抑制需求并不能实现预期的改变,本文的实证结果也表明,抑制需求的限购政策并不能解释长期房价。因此,第一,应立足于供给端,关键解决土地供给问题。中国各个城市的土地供给由建设用地指标所控制,但这一体系存在着两个主要的问题:一是土地供应结构不合理,住宅用地比例偏低,工业及其他用地比例偏高,尤其是大中城市,该比例远低于国外同等类型城市;二是指标分布不均衡,中小城市的建设用地指标较为宽松,而大城市较为紧张,并持续减少,例如北京2010年的土地供应量为2 310万平方米,2016年减少为435万平方米,同期上海从3 147万平方米减少为891万平方米,因此应建立起土地供应与房价、人口挂钩的长效平衡机制。第二,推动政府调控政策在长期内规则化,尤其是货币政策。本文实证结果显示短期利率、货币供应量都不能解释长期房价,反而长期实际利率对长期房价具有一定的解释力。大量研究表明货币政策规则化,同时将房价纳入货币政策规则,能够更有效实现宏观调控目标以及房价稳定。
本文实证结果显示地方财政支出、房地产开发投资和信贷能够显著解释长期房价,实践表明中国金融投资体系的失衡导致房地产业集中了过多的社会资源,因此许多学者将中国房价上涨归为货币问题是不无道理的。长期以来,地方财政收入依赖于“土地财政”和房地产相关税收,不管这两方面孰因孰果,可观察的事实是,大量财政支出偏向性的投入到了与房地产业相关的城市基建支出中。在金融投资软约束的情况下,地方财政支出、房地产开发投资、地价、房价、土地收益和房地产相关税收以及地方财政收入之间形成了可靠的逻辑循环,大量金融资源不断流入房地产业,地价和房价被不断推高。根据全国统计数据,2017年新增房地产贷款为5.56万亿,占新增贷款总额13.53万亿的41%(7)来源于中国人民银行发布数据。。另外,金融资源的流动是不均衡的,由于相对于中小城市的诸多优势,如经济、人口、产业等,大中城市仍然是金融投资流向的主要选择,即使在同一城市内,这种聚集效应同样显著。因此,金融投资流向和流动的非均衡是导致房价持续大幅上涨的助推器,而建立均衡有效的金融投资体系是中国长期房价可持续的稳定器。
第一,房地产税制改革。金融投资过于集中的根本原因在于地方政府对“土地财政”和房地产相关税收的依赖,政府在上游掌握“土地”和“登记”两个工具,因此可以不顾及下游使用者的实际负担,开发商也可以将成本转嫁给购房者。房地产税的功能在于对下游的持有环节征税,配合税收优惠以及税收减免等政策,政府和开发商必须考虑购房者的支付意愿和异质需求,从而有利于破开上述逻辑循环。
第二,差别化信贷政策。前文论述的住房市场体系包括价值属性的商品房市场和公共属性的保障房市场,不同市场的取向不同,信贷政策也应体现出差异。目前两个市场的资金大都来自于银行间接融资,直接融资比例较低,不仅企业风险高企,而且造成资金集中于房地产业。因此,一方面应通过发展信托基金、提高开发贷款利率、严格限制贷款流向等金融监管政策,提高商品房开发建设和使用中的直接融资比例;另一方面,应通过建立政策性银行和金融机构、引入多元化社会资本,扶持保障房的开发建设和消费使用。
为获得中国长期房价的影响因素,本文通过文献分析法搜集了已有研究中使用的房价影响因素,经整理合并后,得到了包括35个因素的集合。利用1999年—2017年中国35个大中城市的面板数据,使用MC3抽样技术和BMA方法,提取了对长期房价具有有效且显著决定作用的16个因素。其中通货膨胀、地方财政支出、地价、预期等11个因素是最具解释力的影响因素;信贷和长期实际利率为具有较好解释力的影响因素;城镇人口增长率、对外开放度和建筑成本是具有一定解释力的影响因素。为验证实证结果的稳健性,通过变换参数先验概率和模型先验概率,结果显示本文的结论具有非常好的稳健性。
根据实证分析结果,本文认为经济基本面仍然是中国长期房价稳定的基础,预期是房地产市场平稳健康的关键,金融投资是中国长期房价的稳定器。结合中央政府的目标和要求,本文提出房地产长效机制的构建和完善,应纠正和完善中国住房市场体系和保障体系,发挥市场在资源配置中的决定性作用的同时,应突出政府角色定位和公共职能的发挥;立足供给侧,改革中国土地供应体系,推动政府调控政策在长期内的规则化;建立均衡有效的金融投资体系,推动房地产税制改革,实施差别化信贷政策。