新时代背景下房地产价格风险测度及区域分布研究

郑瑞涵

摘 要：房地产价格变动的风险评估与预测，对实现住房刚性需求、贯彻新时代多渠道保障住房制度具有重要意义。采用2013年1月至2022年12月70个大中城市面板数据，基于在险价值风险度量理论，使用历史模拟和蒙特卡洛模拟两种算法测度新建商品住宅销售环比价格指数变动风险情况，并从地理空间角度分析城市风险特征分布。研究结果发现：一线城市房价指数波动风险相近其风险值由高到低依次为深圳、广州、上海、北京，新一线城市相比一线城市房价指数平均波动风险更高且城市间差异较大，在未来平均房价指数波动风险略有上升，而传统一线城市和其他城市平均风险则相对有所下降。东北地区、沿海地区及内陆部分省会城市风险测度结果相对较高，中南地区多中风险城市，低风险城市较分散。现有房价仍需以一线城市为标杆推进新一线城市房价稳预期，因地制宜实行房地产行业相关政策。

关键词：房地产价格；在险价值；历史模拟；蒙特卡洛模拟

中图分类号：F832.49   文献标识码：A 文章编号：1005-6432（2024）07-0182-05

DOI：10.13939/j.cnki.zgsc.2024.07.046

房地产价格指数是反映一定时期内房屋销售价格变动及趋势的相对数，对于直观观察房地产市场情况、稳定房地产市场具有重要意义。房地产价格变化关乎全局，由于房地产行业与其他行业紧密相关，故其过快或过慢的涨跌幅都会引起房地产行业的泡沫产生。党的二十大报告中进一步强调了“房住不炒，不将房地产作为短期刺激经济的手段”的政策基调。对房地产价格指数变化的风险评估，即是对房地产价格波动风险的防范准备，也是对加快建立多渠道保障住房制度的精神贯彻。

1 房地产市场发展现状及文章研究思路

1.1 房地产市场发展现状

保民生和保质量为我国现有住房制度改革的两大目标。党的十九大以来，楼市优化、住房不炒政策持续推进，房地产投资属性逐渐向消費品属性靠拢，爆发性房价上升的现象日益减少。二十大租购并举政策的推出，长期租房的门槛降低，商品住房受其影响价格也将随之波动。而伴随经济变迁，各大新一线城市逐渐抓住政策红利，并进一步响应党的二十大精神出台房地产行业相关青年友好政策，实现人才引进，给予青年以更大发展机遇。房价风险波动相关的政策举措对于引纳青年不可或缺，在为青年发展及其他房产投资者提供决策依据的同时，也对新一线城市进一步发展予以房地产相关行业的政策保障。相对于传统一线城市的北上广深，2022年在70个主要大中城市中进入新一线城市的主要有成都、重庆、杭州、西安、武汉、郑州、南京、天津、长沙、宁波、合肥、青岛等。多数城市房价近年来下跌情况严重，相关房地产行业的投资、销售风险也随之升高。截至2022年12月，70个城市的房价指数中新一线城市房价指数主要处于98.38～99.24，其他多数城市则聚集于99.25～100.10。如何量化并评估城市房价波动风险，对新形势下了解房价波动风险程度，从而做好消费投资决策与风险规避迫切相关。

1.2 文章研究思路

现将金融风险管理领域具有广泛应用的风险度量指标在险价值，引入房地产价格指数风险评估。文章基于在险价值理论，使用历史模拟和蒙特卡洛模拟两种测算方式，评估了2013年1月至2022年12月70个大中城市新建商品住宅销售价格指数波动的风险情况，并进一步对风险等级分类进而分析各城市房价风险在地理空间分布上的差异。在第二部分给出在险价值理论发展与房地产市场风险度量研究现状的文献整理，第三部分提出文章的研究设计，基于研究思路第四部分实现了实证与结果分析，并在第五部分提供了相关结论与建议。

2 理论基础与文献回顾

2.1 在险价值理论研究现状

在险价值（VaR）是指一项给定的资产或负债在一定时间内与一定置信度下，投资者投资获取的最小期望损失，主要运用于投资领域的风险度量，是金融风险管理者常用的风险度量指标。最早在正态分布假设下计算VaR的方法由J.P.Morgan（1994）提出。随着在险价值计算优化与领域开拓使用的发展，Cindy I Ni（2000）也通过合并十种货币利率互换收益率曲线的共同因素，创新开发出一种利率互换投资组合的风险价值计算方式［1］。可尽管在险价值应用广泛，但其忽略了任何超出其自身水平的损失，该种现象亦被称为“尾部风险”。Mhamed Mesfioui和Jean-Franois Quessy（2005）给出了计算在险价值上下限的优化方式之一，讨论了在只有风险的均值和方差可用的情况下，通过对与风险向量相关矩阵的所有可能值进行优化可以得到明确的界限可以［2］。近年来伴随机器学习方法的成熟，基于在险价值的风险测度研究在结合各类模型的情形下，其准确性与规范性也在逐渐提高。Zhijian He（2022）基于随机准蒙特卡罗的条件下对在险价值敏感性进行估计，证明了该模拟下的估计在非常温和的条件下是强一致的［3］。James W.Taylor（2022）使用动态ω比R的模型预测了在险价值和预期短缺，并于在险价值和预期不足的联合模型中提出了一个时变乘性因子，证明了联合模型中二者拥有不同的动态［4］。在VaR的预测上，Kshitij（2022）等人基于GARCH-LSTM的混合集成学习方法完成对其的预测，利用参数化和滤波历史模拟方法预测出一天前95%和99%风险值（VaR）估计的波动率［5］。此外，Robert James等人（2023）扩展了在预测尾部风险的方法上，也可以通过对影响风险极值分布规模的一组稀疏协变量进行时变数据驱动的选择，实现对二阶段GARCH-EVT模型的正则化扩展［6］。

2.2 房地产市场风险度量研究现状

现有房地产市场的风险度量主要集中于房地产投资及地产资产管理方面，而在险价值的相关实证研究除去金融资产风险管理领域，其创新成果也在我国房地产市场风险的测度上有所引入与使用。黄金枝和郑榕萍（1999）使用不可分散风险度量β的方式完成房地产组合投资决策模型，实现房地产组合投资系统风险最小化的目标［7］。余世暐（2017）使用EGARCH-SDSVa R模型主要研究了房地产个股价格风险溢出效应，且房地产市场股价波动越剧烈，风险溢出效应越强烈［8］。

房地产价格作为房地产市场的重要组成部分，其风险更为直观明显，但现有关于房地产价格风险的研究更偏向于周期波动与变化率规律探究。沈悦和刘洪玉（2004）对我国住宅市场不符合有效市场假说且经济基本面对住宅价格解释模型存在显著影响进行了探讨［9］。王琴英（2014）等人使用三角函数拟合周期波动模型，发现我国主要一线城市的房价均已进入下行波动周期［10］。何恺和程道平（2016）使用综合直线赋权评价方法，以济南市房地产市场构建了相关风险指标体系，说明了济南出现地产市场价格、库存风险相对较高、总风险水平逐年升高的现象［11］。但现有部分学者在房地产市场价格联动上对以往值单独讨论房价周期的波动不足。王雪等人（2021）在运用 DAG 和溢出指数两种方法的基础上，在房价增长趋势和波动特征两方面研究了北上广深核心房地产市场价格联动和溢出效应［12］。张卓群和张涛（2021）通过ARIMA-R-Vine Copula模型实现70个全国大中城市房价关联效应与城市间房价波动风险传染的预防研究。

综上，现有关于在险价值理论的发展、计算方式、跨领域使用目前已较为成熟，但关于房地产价格风险度量的研究主要在两个方面有所不足：①研究视角上，有关房地产价格的研究大多偏向于全国、区域总体房价及单一城市房价研究，有关房价风险空间地理分布特征及价格风险评估的研究较少。②研究方法上，房地产价格或价格指数相关风险评估的研究在风险理论的解释支持上还有所缺失。因此文章拟从70个大中城市的房地产价格研究视角，使用历史模拟法和蒙特卡洛模拟法完成房价指数波动的在险价值风险度量，以Arc GIS軟件直观其风险差异的空间分布特征。

3 数据来源与模型介绍

3.1 数据处理与说明

本次研究选取时间窗口2013年1月至2022年12月，面板数据来源于国泰安数据库70个大中城市房价指数。由于该时间窗口内二手住宅价格指数和住宅价格指数含有数据缺失部分，故研究采用新建商品住宅价格环比指数，将其转化为以2013年1月为基期的数据，通过收益率以计算95%置信水平下的VaR值。

3.2 模型介绍

VaR测算的方式一般可分为三种，基于正态分布的方差-协方差法、历史模拟法和蒙特卡洛模拟法，文章主要使用后两种方式。①历史模拟。作为一种非参数的计算方法，对未来n个数据风险因子变化的表示主要基于给定历史时期观测到的风险因子，对风险因子的未来损益分布，通过分位数计算VaR值。该方法使用真实市场价格或价格指数实现历史收益率序列抽样，其数据在允许非正态分布外也对市场随机结构与统计分布无假设要求与限制，无须测度前估计风险因子波动性和收益相关性情况。②蒙特卡洛模拟。其原理是通过反复模拟风险因子变量随机过程，从而建立随机过程模型，计算过程仍使用全值估计法。蒙特卡洛模拟每次模拟都可得到所测价格或价格指数在时间窗口期末的一个可能价值，并获取相关风险因子的一个未来变化情景。在进行大量模拟后，数据的模拟分布将收敛并推导出原数据的真实分布，同样可通过分位数计算VaR值。

4 实证分析

4.1 VaR测算

一线及新一线城市均值收益率在2013年2月至2022年12月时间窗口中，数据偏度为8.473>0，序列呈明显左偏分布，峰度K=85.708>3，收益率围绕0.0007的均值上下波动，表明一线与新一线城市目前在房价收益涨幅上都较小且无明显差异。二三线其他城市均值收益率小于0，表明截至2022年年末大部分城市房价仍处于房价下跌状态，偏度为0.156>0，序列呈左偏分布，峰度K=3.633>3。总的来说，三类收益率序列都存在“尖峰厚尾”特征。但由于P值小于0表明正态性检验未通过，即数据仍是非正态分布，符合历史模拟法和蒙特卡洛模拟法计算条件。

图1 70个大中城市VaR值

图1给出了70个大中城市基于收益率计算的平均一个月的VaR值。其中一线城市房价指数波动风险相近但也存在相对独立性。在95%的置信水平下，历史模拟下估计的70个大中城市在险价值中海口市具有最高VaR值为0.0118，郑州市具有最低VaR值为0.0018。传统一线城市中北京市作为其中最低VaR值的城市，其房价指数损失不超过0.0071，最高VaR值的城市为深圳市，房地产价格指数波动的期望损失不超过0.0099。尽管深圳市房价指数风险性高于北京市，但传统的四个一线城市房价指数波动的期望损失都较为接近，尤其于蒙特卡洛模拟估计下，北京与上海的风险差异不超过6.6个百分点，广州和深圳的风险差异不超过6.4个百分点。一线城市间风险差异较小现象的出现主要源于一线城市的房价波动联合效应，单个城市房价波动相对独立，但也会形成相互冲击（王雪、韩永辉等，2021）。

新一线城市之间房价指数波动风险具有较大差异。将新一线城市历史模拟VaR值分为风险相对较低（VaR值0.004以下）、一般风险（VaR值0.004～0.006）、风险相对较高（VaR值0.006以上）三级，处于高风险的城市由高到低依次为成都、杭州、合肥、青岛，第二等级的城市为重庆、西安、武汉、南京、天津，相对来说风险较低的城市为宁波、长沙和郑州。其中拥有最高期望损失的城市为成都市，相比于最低的郑州市，高出466.7个百分点。新建商品房价格波动风险最高的成都市事实上并非来自商品房价格波动本身，而是源于近年来成都市兴起抛售二手房热潮，加之限购政策，其整体房价的跌幅并不明朗。郑州市的房价近年来趋于下跌，但其本身作为第一个取消“认房又认贷”的城市，郑州市的限购政策也降低了青年面对高房价的“挤出效应”并有效抑制投资投机性购房行为，降低了房价大幅波动风险。

图2进一步直观体现了不同风险下70个大中城市房价指数风险在空间地理上的分布。以相等间隔将70个城市的风险值划分为低、中、高三类，历史模拟下东北地区、沿海地区及内陆部分省会城市房价风险测度结果相对较高，中风险城市多集中于我国中南地区，低风险区较为分散且城市数较小，包括郑州、西安、宁波、长沙、天津等市。蒙特卡洛模拟来源于收益率均值对历史每月的数据随机生成估计，在未来平均风险估计上更具适用性。其在历史VaR计算结果上大部分城市相对整体风险水平更高，70个大中城市房价指数收益率波动多集中于中高风险区间。

图2 70个大中城市VaR值测算相对空间分布格局

4.2 风险预测使用蒙特卡洛模拟法对70个大中城市房价指数预测2023年VaR风险值并降序显示如图3所示。其中风险最高城市为无锡市，VaR预测值达到0.0146，即2023年无锡市新建商品房房价指数波动的最大期望损失不超过0.0146；最低的城市为大连市，其房价指数波动最大期望损失不超过0.0049。在传统一线城市中，深圳市风险值最高，预期最大收益损失为0.0135，广州市最小，VaR测算为0.0089。新一线城市中，风险预测结果最高的城市为杭州市，其VaR值为0.0133，而最低的新一线城市为重庆市，预期损失不超过0.0074。综合各类城市房价收益率均值，预测一线城市在2023年的平均风险为0.0057，新一线城市为0.0061，其他二三线城市平均波动风险较低为0.0027。总的来说，新一线城市平均房价波动风险略有上升，传统一线城市和其他二三线城市平均风险则相对有所下降，且2023年房价指数测算的风险值按相等间隔可划分为四个区域：低风险区（0.0049～0.0073）、一般风险区（0.0073～0.0098）、较高风险区（0.0098～0.0122）、高风险区（0.0122～0.0146）。通过其分布发现，未来风险测算的低风险区多集中于东北地区，而70个大中城市房价指数波动的风险主要聚集在一般风险区，且城市大多居于中南、西南地区。处于较高风险区的除北京、青岛、郑州外以二三线城市为主，其地理分布较为分散。风险预测在高风险区的有无锡、杭州、福州、深圳、三亚市，多为东部沿海城市且风险值高于0.0122，房价指数波动预期损失较大。

图3 70个大中城市VaR预测值

5 结论与启示

5.1 结论

文章运用历史模拟和蒙特卡洛模拟法评估了2013年1月至2022年12月期间70个大中城市新建商品住宅价格指数波动的在险价值并预测分析了其城市风险值的主要分布特征。主要结论如下：①一线城市房价指数波动风险相近但也存在相对独立性，风险测算值由高到低依次为深圳、广州、上海、北京。②新一线城市之间房价指数存在较大差异，且在平均收益率测算上相比一线城市房价指数波动拥有更高风险。③在地理空间分布上，东北地区、沿海地区及内陆部分省会城市房价风险测度结果相对较高，中风险城市多集中于我国中南地区，低风险区城市较为分散且数目较少。④预测结果显示，2023年新一线城市平均房价指数波动风险略有上升，而传统一线城市和其他城市平均风险则相对有所下降，未来预期损失较大的城市多为沿海地区，波动风险预测较低的地区聚集在东北地区，一般风险区以西南、中南部城市为主。

5.2 启示

（1）保持一线城市房价变化的风向标杆，推进新一线城市房价稳预期。传统的一线城市北上广深房价波动风险大多较为平稳，作为我国房价波动变化趋势的第一梯队，对其的相关调控仍应加强，严抓一线城市地产行业过度投机与扰乱地产行业秩序的行为。新一线城市因地区差异城市间房价风险差异大，其在确保宏观调控房价风向的同时，新一线城市相关青年友好地产政策也需在结合市场动向的同时调控好当下新一线房价基本变动方向，保障青年及城市内居民住房的刚性需求得以满足。

（2）不同地区施行因地制宜的地产行业相关政策，因势利导开展宏观调控。东北地区大部分城市房价波动预期都较低，而且其地区内房价面临着难以上涨的局面，受其经济发展缓慢与人才大幅流出影响，需结合东北振兴战略，提升房地产相关的地方人才引进的政策红利。沿海发达地区房价首先要做到稳地价、稳房价，防范单一地产集团在同一地区土地储备过多，引起区域房价联动风险。西南、中南地区二三线城市相比于经济更为发达的沿海城市，其房价波动风险相对降低，该地区在历史和预期上的风险性变动较小，更应把握住房住不炒、多需求供給带来的政策福利，吸引并储备一线、新一线城市外溢人才。

（3）完善房价风险监测评估体系，关注地区房价风险关联效应。有关房价风险的测度不止有在险价值，评估指标除房价指数外也有较多其他相关影响因素，且随着后续国家租购并举住房制度的开展，二手商品房的房价变动影响也将进一步扩大，故对房价风险的指标体系还需要扩展并及时加以完善，建立相应的数据库予以实时监测。此外地区间的房价大多具有联合效应，房价风险的传染与扩大也需早做预防。

参考文献：

［1］NIFFIKEER C I，HEWINS R D，FLAVELL R.A synthetic factor approach to the estimation of value-at-risk of a portfolio of interest rate swaps［J］.Journal of banking & finance，2000，99：119-121.

［2］MESFIOUI M，QUESSY J.Bounds on the value-at-risk for the sum of possibly dependent risks［J］.Insurance：mathematics and economics，2005，37（1）：135-151.

［3］HE Z J.Sensitivity estimation of conditional value at risk using randomized quasi-Monte Carlo［J］.European journal of operational research，2022，298（1）：229-242.

［4］TAYLOR J W.Forecasting value at risk and expected shortfall using a model with a dynamic omega ratio［J］.Journal of banking & finance，2022，140：106519.

［5］KAKADE K，JAIN I，MISHRA A K.Value-at-Risk forecasting：a hybrid ensemble learning GARCH-LSTM based approach［J］.Resources Policy，2022，78：102903.

［6］JAMES R，LEUNG H，LEUNG J，et al.Forecasting tail risk measures for financial time series：An extreme value approach with covariates［J］.Journal of empirical finance，2023，71：29-50.

［7］黄金枝，郑榕萍.以不可分散风险β为测度的房地产组合投资優化决策模型［J］.基建优化，1999（1）：2-4，11.

［8］余世暐.中国房地产股票价格风险溢出效应研究——基于SDSVaR模型的微观测度和解释［J］.价格理论与实践，2017（8）：96-99.

［9］沈悦，刘洪玉.住宅价格与经济基本面：1995—2002年中国14城市的实证研究［J］.经济研究，2004（6）：78-86.

［10］王琴英，古丽慧，郭慧君.我国一线城市房价周期波动分析与预测［J］.价格理论与实践，2014（5）：55-57.

［11］何恺，程道平.我国城市房地产市场风险测度研究——基于综合赋权评价方法对济南市的测算［J］.价格理论与实践，2016（10）：148-151.

［12］王雪，韩永辉，赵贤，等.核心城市房地产市场的联动和溢出特征研究——基于中国“北上广深”样本的经验考察［J］.运筹与管理，2021，30（7）：232-239.