我国主要城市房价的面板数据聚类分析_詹鹏
我国主要城市房价的面板数据聚类分析
詹
鹏,王
庚,鲍学云
(南京财经大学经济学院,江苏南京210046)
摘要:文章修正了单指标面板数据聚类分析方法,分析了近年来70个城市主要房地产价格指数的平均走势,讨论城市之间的差异,研究房屋销售价格指数与土地交易价格指数的相关关系;并对70个大中城市新建房屋价格指数进行了成功的系统聚类,将70个大中城市分为3类:忽然爆发型、稳定波动型、反应过度型;给出带动我国房价波动的主要城市,不同城市房价走势的内在特征和趋势等主要结论。
关键词:面板数据;聚类分析;新建房屋价格指数中图分类号:F293.3
文献标识码:A
6049(2012)03-0014-09文章编号:1672-
一、引言及问题的提出
近六年是我国非常特殊的一个时期,一方面
我国经济总量逐步跃升至全球第二,宏观经济发展的大好形势给中国人民带来了无尽的信心;另一方面,国内房价暴涨、股市暴涨暴跌、物价飞贫富差距问题、食品问题、环境问题等等充斥涨、
着新闻媒体,给我国的未来发展趋势也带来了更多的担忧。尤其是与每个人的生活都息息相关的房地产问题,一直刺激着中国人的神经。据统100个被统计的城市中19截止2011年9月,计,
个城市的均价高于10000元/平方米(图1)。其中,深圳市的住房销售均价高于25000元/平方米;北京和上海处于第二梯队,紧随其后。为了防止房地产泡沫变得更大甚至突然破灭,政府采
如2010年1月推出的“国取了一系列调控措施,
,4月份的“新国十条”,2011年1月史十一条”
上最严厉的“新国八条”等等。近两年,我国整体房价总算有所回落。此时正是总结这几年房
03-15收稿日期:2012-作者简介:詹鹏(1988—
价走势经验的大好时机,以免未来因为房价问题
带来更大危机。那么我国房价的走势实际上体现了何种特征呢?哪些地区或哪类城市是扰动我国房价走势的罪魁祸首呢?
关于房地产内在机理的研究,许多学者做出
刘洪玉(2004)基于panel data 模了贡献。沈悦、
型对我国14个城市住宅价格与经济基本面的关
结果表明:14个城市经济基系进行了实证研究,
本面的当前信息和历史信息都可以部分解释住
宅价格水平或者变化率,而这种解释存在显著的城市影响特征。1998年以后解释能力发生了显著的变化。周京奎(2005)使用差修正模型对中国4个直辖市住宅价格与货币政策、银行贷款之间的关系进行了分析,结果表明:住宅价格上涨住宅价格极大与宽松的货币政策有紧密的联系,地偏离长期均衡值,市场出现非理性繁荣,必须引起政府和产业部门的充分重视。梁云芳、高铁梅(2007)主要将误差修正模型和panel data 模
),安徽安庆人,南京财经大学经济学院硕士研究生,研究方向为数量经济学;王庚(1960—),安徽桐
南京财经大学经济学院统计系教授,研究方向为应用统计与数量经济学;鲍学云(1987—城人,
院硕士研究生,研究方向为金融数量分析。
),安徽六安人,南京财经大学经济学
*本文的分析数据来自国家统计局,包括2006年至2012年的房屋销售价格指数、新建房屋价格指数、二手房屋销售价格指数和土地交易价格指数等的季度数据。
—14—
型相结合进行实证分析,重点讨论了政府宏观调控对各地区房价影响的差异。结果发现信贷规模对东、西部地区影响都比较大,中部地区较小;实际利率对各区域影响差异不大,且影响较小;人均GDP 无论长期还是短期对中部地区房价影响都比较大。房价的预期变量在东部地区对房价的短期波动有较大影响。彭向、胡跃红(2006)运用聚类分析方法对1999—2003年的中同时运用比国房地产业分年度进行了经济区划,
较分析方法对聚类分析结果进行了动态分析。研究发现,各年的房地产发展水平的区域分布结构呈现出头轻胸重向均衡发展;1999—2002年发达和较发达区间距离较小,同时潜发展区和较落后区比较接近,但这两者间距离较大;到2003年房地产业总体呈上升趋势,但各个区域发展距离开始拉大。李勇、李汉东、王有贵(2011)在单位根检验、理想滞后阶数选择以及协整检验的基础上,选择中国土地交易价格、房屋销售价格为研究发现,房价和地价间存在长期稳研究对象,
定的均衡关系;地价是房价的Granger 原因,而房价不是地价的Granger 原因;短期内,地价对房价的影响大于房价对地价的影响
。
根据面板数据的聚类方法寻找不同城市之间房
有针对性地判断不同类别城价走势的不同规律,
市的未来房地产价格的走势情况。
二、单指标面板数据的聚类分析
面板数据是兼有空间和时间维度的数据,可根据指标视为由时间序列数据和界面数据组成,
个数可分为单指标面板数据和多指标面板数据。
目前关于面板数据的聚类分析文献比较缺乏。Bonzo D.C.(2002)基于概率链接函数将聚类过程作为一种优化问题,并运用自适应模拟退火方Ren J.(2009)基法对面板数据进行了聚类分析,
于费舍尔次序集群理论和Frobenius 准则提出了一种多变量面板数据聚类方法。国内朱建平(2007)提出了一种针对单指标面板数据的聚类方法,不过仅仅将各时间点当做不同指标,将时间序列数据作为截面数据来处理,与传统的二维聚类没有本质区别。郑兵云(2008)根据面板数据的数据格式和数字特征重构了面板数据的距离函数,但将面板数据退化为截面数据,丢失了原始数据中重要的时间特征。李因果等(2010)针对多指标面板数据,综合考虑指标发展的绝对水平、动态水平和指标之间的协调水平,构造了新的相似性指标,并基于Ward 法确定类间距离,提出了一种新的面板数据聚类分析的思想。本文的主要研究对象为70个城市历年的新建房屋价格指数,属于单指标面板数据。与李因果的对象略有不同,但可借鉴其思路构造新的距离函数进行聚类分析。
1.单指标面板数据距离的计算
单指标面板数据主要提供了两方面信息:(1)各时间点该指标的绝对水平;(2)不同时间点之间数据指标的动态变化水平。进而可根据这两方面信息构造个体间的相似性统计量。与李因果的文献类似,本文以欧氏距离的形式给出面板数据的相似性统计量。
定义1:个体i 和个体j 之间的全时“绝对水平”距离(Absolute Quantity Euclidean Distance ),简记为d ij =(AQED ):
图1100个城市房价的走势(2010.6—2011.9)
综合比较现有研究,大多数学者探讨了某些
宏观因素与房地产价格的关系,有些分析了地区之间的差异性,或者时序上的走势特征等等。但较少有学者细化到“城市”层面来探讨房价问题。那么我国不同城市之间的房价走势又呈现出什么样的规律呢?实际上是哪些城市带动了近几年全国性的房价上涨,还是绝大部分城市的整体趋势上涨?为此,本文根据国家统计局公布的70个大中城市近六年来的房地产价格指数,
d ij (AQED )=
定义2:个体i 和个体j 之间的全时“动态变化”距离,即增长速度距离(Increment Speed
(x ij ∑t =1
-x jt )
2
—15—
Euclidean Distance ),简记为d ij (ISED ):
d ij (ISED )=
Δx ij
-x 其中,Δx ij =x i ,衡量了两个时t i ,t -1
x i ,t -1
期之间的相对增加率水平d ij (AQED )。绝对水平距离刻画了个体之间在整个时期内绝对水平的
动态变化距离d ij (ISED )衡量了个体远近程度,
之间在整个时期内增加率的差异程度。如果绝对
水平差异越大,则d ij (AQED )越大;如果动态变d ij (ISED )也将越大。化差异越大,
定义3:个体i 和个体j 之间的“综合”距离(Comprehensive Variation Euclidean Distance ),简记为d ij (CED ):
d ij (CED )=α·d ij (AQED )+β·d ij (ISED )
或
d ij (CED )=d ij (AQED )α·d ij (ISED )
β
∑(x t =1
Δx ij
i ,t -1
-
Δx jt
x j ,t -1
)
为类间距离的衡量指标。Ward 法基于方差分析
的思想,如果分类正确,则同类个体间的离差平方和应当较小,而不同类间的离差平方和较大。不过Ward 法要求个体之间的距离为欧式距离,而本文所使用的距离计算公式均基于欧式距离,因此可以使用Ward 法作为类间距离的标准。关于Ward 法的具体说明可参考Richard A.John-son 等的专著(陆璇等译,2008)。T 个时期的单指标面板数设有N 个个体、据,其系统聚类的步骤:(1)计算个体之间的“综合”距离,且定义初始个体自成一类;
(2)根据类间距离公式,合并距离最小的两个类别为一类,并计算新的类间距离矩阵;
(3)重复(2)过程,直到所有个体成为一类;
(4)根据以上过程画出谱系聚类树状图;(5)根据实际问题确定分类个数及各类的个体。
三、近几年房价走势分析和聚类结果1.数据来源和说明
本文数据均来自国家统计局官方网站,其中房屋销售价格指数和土地交易价格指数是2006年至2010年的20个同比季度数据,新建房屋价格指数和二手房屋销售价格指数的数据区间为2006年第一季度至2012年第一季度。需要说明由于2011年统计局没有直接公布2011年的是,
和2012年新建房屋价格指数和二手房屋价格指数的季度数据,这里是采用2011年1月至2012年3月的月度数据计算得到,每个季度的同比价格指数为所包含三个月份同比价格指数的均值。
2.近年来70个大中城市房地产价格指数走势
图2是70个城市2006年第一季度至2010年第四季度的房屋销售价格指数均值、土地交易价格指数均值、新建房屋价格指数均值和二手房
反映主要房地产价屋销售价格指数均值的走势,格指数的整体波动情况。
回顾房价上涨的趋势,随着1998年国务院
《关于进一步深入城镇住房制度改革加快住发布
(23号文件),房建设的通知》取消了福利分房,从而实现居民住宅货币化、私有化。紧接着1999年2月,中国人民银行下发《关于开展个人
,消费信贷的指导意见》从此“按揭买房”出现在
综合距离d ij (CED )是绝对水平差异程度和
动态变化差异程度的加权组合,权重α和β可根据研究问题的实际情况主观给定或客观测定。本文选取相加的形式为分析工具。为了使绝对水平距离和动态变化距离具有可比较性,本文采用如下思路计算权重:对于所有数据,使所有绝对水平距离之间的差异与动态变化距离的差异相同或相近,具体采用d ij (AQED )和d ij (ISED )的标准差为参考指标。即确定一组α和β,使
d ij (AQED )]=β·sD [d ij (ISED )]i α·SD [2,…,N }≠j ∈{1,
且α+β=1
SD [d ij (AQED )]和SD [d ij (ISED )]分其中,
别表示所有绝对水平距离和动态变化距离的标
准差。计算得到:
SD [d ij (ISED )]
α=
SD [d ij (AQED )]+SD [d ij (ISED )]β=
SD [d ij (AQED )]SD [d ij (AQED )]+SD [d ij (ISED )]
2.面板数据的系统聚类方法
其系统聚类方法是最常用的聚类分析方法,聚类过程取决于个体之间的距离及类间距离的
定义。不同的类间距离定义会得到不同的聚类实践中常用的类间距离主要有:最短距离结果,法、最长距离法、中间距离法、重心法、类平均法、Ward 法等。本文采用Ward 法作可变类平均法、
—16—
中国的购房市场上。从此房价开始逐渐出现回
形成上行通道。2003年先抑后扬的暖的势头,
政策进一步推动了房价上涨,并且在2005年之
后,随着流动性的泛滥,房价上涨速度逐步加速。2006年以后房价的上涨和波动异常明显。从图2看,2006年以来我国房地产价格指数出现了两个明显的波峰,分别位于2007年底和2010年初。其中新建房屋价格指数和二手房屋价格指但二手房屋价格指数的波动数的走势基本相同,
弱于新建房屋价格指数。针对2007年的房价迅政府在2007年采取了一系列严厉的房猛上涨,
地产措施:一月份开始清查土地增值税;三月份
10次上调存款准备金开始全年共计6次加息,
率;八月份发布24号文件,提出回归保障、健全
廉租住房制度;九月份央行规定以家庭为单位,第2套住房贷款的首付不得低于40%,利率不得低于基准利率的1.1倍等。
2008年房在2007年严厉的房地产政策下,
美国次贷危机引起的全球性价开始回落。此时,
金融危机开始对我国经济产生影响。张宏
(2009)指出,2008年金融危机对消费和投资产
生的心理恐慌和负面预期使得中国的房地产市
2009场走势越发扑朔迷离。在诸多因素作用下,年上半年房地产价格指数跌至谷底。为应对金
融危机带来更大的负面影响,政府自2008年9月份开始改变原有打击房价上涨的政策方向,转“救市”。9月份央行降低贷款利息0.27个百而
10月份财政部发布《继续加大保障民生投分点,
入力度切实解决低收入群众基本生活》等文件,以保障低收入人群的基本生活要求。在政府的
2009年底房价指数再次开始迅速放松政策下,
这一轮上涨除了上涨。刘纪学等(2010)认为,
政府的放松性政策以外,还源于市场上刚性购房愿望和能力,通货膨胀而对需求的短期刺激,上游产品涨价的传导,城市化进程的推动因素等。2010年住房价格指数和土地交易价格指数都达到了一个新的高峰。随后,国务院陆续出台了“国十一条”、“新国十条”,2011年出台目前最严
“新国八条”,厉的以抑制房价过快上涨。终于2011年房价指数趋在2010年末开始稳住房价,于稳定
。
图270个城市主要房地产价格指数的平均走势
3.城市之间的差异
图3是每个季度70个城市房地产主要价格反映各季度城市之间房价变动的指数的标准差,
差异程度。显然,城市之间房地产价格的变化差异越大,标准差越大。2010年中国房地产学术研讨会上,赵奉军和高波通过构建消费者均衡模型,利用全局和局部Moran 指数,寻找中国房价波动的领先因素。结果发现我国35个大中城市的房价存在显著的空间自相关,房价波动具有显
但并不存在完全同步的房价周期。根著周期性,
据图3所示的标准差走势也可以发现,不同时期70个城市之间的地区差异不同。在2007年底第一个房地产价格指数的波峰期间,不同城市之间的房屋销售价格指数差异(标准差衡量)相对较大,这个时候不同城市之间的上涨不一致。第一个波峰期间还有一个特征为二手房销售价格指数的标准差高于新建房屋价格指数,这个时期不同城市之间二手房销售价格指数的差异更加明
—17—
显一些。而2010年第二个波峰期间,城市间的
标准差出现猛涨,新建房屋价格差异更加明显,
指数的差异超过二手房价格指数,表明2010年
以后的房价上涨尤其表现在新建房屋价格的上
而且是一部分城市带动了整体房价的上涨
。涨,
图370个城市主要房地产价格指数每季度的标准差走势
4.房屋销售价格指数与土地交易价格指数的关系
从2006年以来房价指数与土地交易价格指
数之间的相关系数可以发现,土地交易价格指数与房屋销售价格指数之间存在一定关系。(1)土地交易价格指数上升刺激了新建房屋价格指数的上升。2007年初以前,土地交易价格指数与房价指数之间的相关系数很低。而土地交易价格高涨的2007年末,二者之间的相关系数出现攀升,尤其是新建房屋销售价格指数与土地交
易价格指数之间的相关系数甚至达到了0.5。
随后,随着国家紧缩土地政策,土地交易价格指其与房屋销售价格指数之间的相关数有所回落,
性也略微减弱。(2)随着新建房屋销售价格指土地交易价格开始对二手房屋市数高涨的持续,
场产生影响。2008年前后的第一次高峰中,土地交易价格指数主要与新建房屋价格指数相关性较高。到2009年末以后,土地交易价格指数对二手房屋销售价格的影响越来越明显,它们之间的相关性呈现上升的趋势
。
图4价格指数之间的相关系数
5.新建房屋价格指数的聚类
70个城市根据单指标面板数据聚类分析,
新建房屋价格指数的绝对水平距离平均值为
25.823,标准差19.307;动态变化之间距离的均值为0.147,标准差0.097。按照前述方法,进一
步可计算得到两个距离的权数分别为0.005和
0.995。根据这两个权数计算得到70个城市之间的综合距离矩阵,进而进行聚类分析,并绘制树形图(图5)。
—18—
表1
最小值最大值均值标准差权数
绝对水平距离
4.923112.69625.82319.3070.005
动态变化距离
0.046
0.5850.1470.0970.995
系统聚类分析的参数综合距离0.0761.0920.2750.190
第一类间距离
0.203
0.2030.2030.117
第二类间距离
0.076
0.3810.1770.054
第三类间距离
0.107
0.5400.2660.098
根据聚类结果,可进行进一步运算和分析。表2反映了各类别房价走势的部分特征统计量。根据波动率的计算公式,当指数上升时波动率为正,当指数下降时波动率为负。注意到在计算波动平均水平的时候指数的上行和下降可能会抵消,这样就可能掩盖了波动的震动幅度。故我们进一步计算了取绝对值以后的波动率均值(表2第4行)。为方便比较70个城市各类的差异,笔
表2
者分别从截面角度和时间序列角度分别绘制了
图形。图6反映了70个城市在横截面上的特征,图中每个点横坐标代表每个城市25个季度的新建房屋价格指数的均值,纵坐标为取绝对值以后的动态变化率均值。每个类别用相应的数
2表示第二类。图7以值表示,如1表示第一类,时间为横轴,取每一类别所有城市的平均值为参
考数据。反映各类城市在时间上的走势情况。
所有城市第一类城市波第二类城市波动率(%)动率(%)波动率(%)-30.600.440.101.993.19
-30.6043.810.765.7211.15
-7.9912.650.051.482.02
第三类城市
波动率(%)-12.1712.580.142.493.33
三类城市的部分数据特征
所有城市第一类城市第二类城市第三类城市
最小值最大值均值绝对值的均值
标准差
5.42
19.17
3.11
5.40
83.00164.17105.53
98.33164.17113.33
94.30115.60104.80
83.00124.80106.06
根据表2、图6和图7可以发现:(1)第一类城市的绝对水平和动态水平均远高于另外两个类别,具体表现为2010年房价指数的猛涨。(2)第三类城市的绝对水平和动态波动水平均比第二类城市高。在取绝对值的情况下,第三类城市而第二类城市仅的波动率平均幅度是2.49%,
1.48%。第三类城市的指数标准差和波动率标准差也高于第二类城市。
依据以上分析,并进一步结合每个城市自身可以将70个大中城市分为如下3类:的特征,
———第一类,忽然爆发型:海口、三亚。结合图6和图7,可见海口和三亚的新建房屋价格指数绝对水平和相对变化率都非常高。根据走势图可知它们在2010年以后出现不正常的猛涨,在2011年严厉的调控下有所恢复。
———第二类,稳定波动型:呼和浩特、大连、沈阳、襄樊、赣州、安庆、包头、郑州、秦皇岛、丹东、兰州、西宁、牡丹江、南充、泉州、泸州、厦门、桂林、徐州、福州、成都、平顶山、韶关、太原、唐
山、青岛、济南、扬州、九江、贵阳、烟台、济宁、锦洛阳、遵义、惠州、无锡、大理、长春、哈尔滨、州、
武汉。结合图6和图7,这些城市的特征是波动平稳,指数的绝对水平接近于100,相对变化水平也较小。根据图6,其中丹东市的动态变化的这是因为丹东市自2006年至均值相对较高,
2011年一直保持房价指数缓慢增加的缘故。
———第三类,反应过度型:广州、深圳、北海、温州、银川、金华、吉林、石家庄、南昌、长沙、常天津、湛江、合肥、宜昌、西安、蚌埠、北京、岳德、
阳、乌鲁木齐、上海、昆明、宁波、重庆、南京、杭州、南宁。这些城市的特征为绝对水平相对较高,且指数的波动幅度较大。大多数在2008年、2009年和2010年受到一定的冲击。近几年西安、南京、天津的房屋销售价格指数比较平稳,而新建房屋价格指数波动相对较大。杭州市的土地交易价格指数波动较大,以致这里的新建房屋价格指数也有较明显的波动,但比海口、三亚、广州、深圳、乌鲁木齐相对稳定一些。广州的房屋
—19—
销售价格指数波动不是很明显,但新建房屋价格
相比其他城市比较明显,指数波动与深圳类似,
受宏观因素的影响较大。自2007年至2009年
2010年明显回升。2007年底乌鲁底一直下降,
木齐的房屋销售价格指数上升不是非常明显,但
2008年第三新建房屋价格指数上涨比较厉害,
银川、金华、合季度以后基本趋于稳定。温州、
肥、上海、昆明等城市的新建房屋价格指数在
2008、2009和2010年有较大波动,尤其是2010年的波动相对明显
。
图5
新建房屋价格指数的系统聚类图
图670个城市的“绝对水平”“动态水平”
均值与均值
图7三个类别的绝对水平走势和相对增加率走势
—20—
图6说明:①1表示第一类城市;2表示第二类城市;3表示第三类城市。②左下角分割线以下全部是第二类城市的坐标,右上分割线以上全是第一类城市的坐标,两条分割线之间区域中,除丹东和兰州以外均为第三类城市。③丹东和兰州属于第2类,但在第3类的区域中,这只是因为将数据压缩为横截面以后,丢失了很多时序上的信息。
图7说明:①以上曲线根据每一类所有城市的均值和标准差绘制;②中间水平为均值,上下界分别为95%区间的上界和下界,上界=均值+1.96ˑ 标准差,下界=均值-1.96ˑ 标准差;③上图横坐标为季度标签,从2006年第1季度至2012年第1季度;纵坐标分别为新建房屋价格指数的绝对水平和动态变化水平(相对增加率)。
四、主要结论
本文首先修正了李因果(2010)的方法,得到适合本文研究对象的单指标面板数据聚类分析方法。然后基于2006年第1季度至2010年70个大中城市的房屋销售价格指数、土地交易
2006年第1季度至2012年第1季度价格指数,
的新建房屋价格指数等数据,采用比较分析、聚
类分析等方法,对主要城市的房价走势进行了详细分析,找到了不同城市之间的不同走势特征。综合全文,可得到如下结论:1.从全国整体看,土地交易价格先于房地产价格出现猛涨。从相关性上也可以发现,土地价格的增加与新建房屋价格指数上升的关系较大,可以在一定程度上认为土地交易价格变动引致了房地产价格的暴涨。其中首先影响了新建房屋价格指数,再缓慢地影响二手房交易价格。在政府的交替调控下,土地交易价格指数、新建房屋价格指数和二手房交易价格指数上下波动,2007年末和2009年末出现两个波峰。2010年以后缓慢回落。但考虑到房地产价格下降刚性的存在,市场上存在大量购房观望者,未来的房价走势仍然不易捉摸。
2.从不同城市的房地产价格走势看,城市
2010年达到差异的之间的价格差异逐渐拉大,
顶峰。其中,不同城市之间的新建房屋价格指数
差异增加非常明显,二手房价格的差异增加较小。可见,只是一部分城市的房价暴涨才带动了
全国性的房价上涨。
3.结合系统聚类和对每一类别走势的分,“忽然爆发型”析的海口和三亚是推动中国房价上涨的首要罪魁祸首。这两个城市2010年的不正常暴涨直接导致了2010年城市间房地产价格差异变大,并逐渐拉动其他城市房价的进一步上涨。幸运的是2011年及时停住了暴涨的步伐,房地产价格指数回落到正常水平。但20102012年第一季度仍略有年土地交易价格较高,上升的趋势,为未来房价的调控带来巨大压力。政府对这两个地区的房价监管不容松懈,尤其需要控制好这两个地区的房地产投资规模和住房信贷规模,防止投机性房屋需求过旺。4.结合系统聚类分析结果,“反应过度型”城市是引起我国房地产价格普遍上涨的主因,这一类别中包含了我国绝大多数的大型城市。其
深圳和乌鲁木齐等市反应激烈,波中尤以广州、
动更加明显,可见受外部环境或内部环境的影响
较大。西安、南京、天津的新建房屋价格指数波动较大,但整体房屋销售价格指数相对稳定。杭州市的土地价格变动是引起房价的主要原因。对此,需要完善这些大中城市的应对机制,提高城市的缓冲能力。其中尤其需要重视落实保障房建设力度,保障低收入人群的住房需求。
5.根据以上分析还可以发现,“稳定波动型”城市受外部带动的影响较小,这一类别中二线中小城市居多。可见,近几年的房价波动主要是从大中型城市向中小城市蔓延的。
6.从所有城市的整体趋势看,2011年房价指数稍稍有所稳定,但2012年第一季度稍有抬头的迹象。也许自2012年以后房价还会微弱波动一段时间。
本文关于房地产价格的分析是根据历年数据的整体趋势得到的结果,这种趋势反应了房地产市场上存在的内在压力。从趋势上看,房价剧烈波动的隐患仍然存在。随着当前政策的深入,调控将逐步完善,房价的真实上涨或下降可能没有预测的那么明显。我国政府政策的影响力度较大,及时调控政策能够在一定程度上缓冲房地产市场的波动。所以,如果综合考虑未来不可预见、但很可能会有明显影响的政策因素,我国房地产市场的价格走势也算是存在平稳增加的趋势,整体形势还算乐观。但如果单从供需趋势上
—21—
看,随着城市化进程的成熟、劳动力问题的逐步
我国城市需要接纳的人数将不断上升。由完善,
于一线城市房价已经非常高,二三线城市将接纳更多从一线城市逃掉的购房者。这种大中城市带动中小城市上涨的趋势仍可能持续下去。在政府调控下,近年来房价艰难地趋于稳定。这一定程度上要归功于政策的及时调控,不过也正由于政府政策影响力之大,相关部门更应提高警不能放松对房地产市场的研究,并应及时作惕,
出合适的反应。
参考文献:
[1]沈悦,刘洪玉.住宅价格与经济基本面:基于1995—
2002年中国14城市的实证研究[J ].经济研究,2004(6):78-86.
[2]——对中国周京奎.货币政策、银行贷款与住宅价格—
4个直辖市的实证研究[J ].财贸经济,2005(5):22-27.
[3]梁云芳,高铁梅.中国房地产价格波动区域差异的实
J ].经济研究,2007(8):133-142.证分析[
[4]J ].彭向,胡跃红.中国房地产经纪区划的聚类分析[
2006:86-88.统计与决策,
[5]李勇,李汉东,王有贵.中国房价和地价到底谁拉动
J ].北京师范大学学报(自然科学版)2011(5):谁[542-545.
[6]BONZO D C ,HENNOEILLA A Y.Clustering panel da-ta via perturbed adaptive simulated annealing and genet-ic algorithms [J ].Advances in Complex Systems ,2002
(4):339-360.
[7]REN J ,SHI SH L.Multivariable panel data ordinal
clustering and its application in competitive strategy i-dentification of appliance-wiring listed companies [C ].International Conference on Management Science &En-Moscow ,Russia ,2009:253-258.gineering (16th ),
[8]J ].朱建平,陈民恳.面板数据的聚类分析及其应用[
2007(4):11-14.统计研究,
[9].郑兵云.多指标面板数据的聚类分析及其应用[J ]
2008(2):265-270.数理统计与管理,
[10]J ].统李因果,何晓群.面板数据聚类方法及应用[
2010(9):73-79.计研究,
[11]M ].北京:中国人何晓群.多元统计分析(第2版)[
2008:57-79.民大学出版社,
[12]RICHHARD A JOHNSON ,DEAN W WICHERN.实
M ].陆璇,叶俊译.清华用多元统计分析(第六版)[2008:540-542.大学出版社,
[13]张宏.美国次贷危机下的中国房地产市场发展趋势
[J ].合作经济与科技,2009(2):14-15.
[14]刘纪学,汪成豪,董纪昌,汪寿阳.2010年我国房地
.战争与决策研究,2010产市场分析与预测[M ](1):25-31.
[15]虞晓芬,张娟锋.我国房地产健康稳定发展的若干
——2010中国房地产学术研讨会综述[J ].经问题—
2011(2):149-160.济研究,
[16]J ].乔晓刚,阮连法.浅析我国房地产业发展现状[
2011(9):6-9.中国市场,
(责任编辑:曲
辰)
The Cluster Analysis of Panel Data of Housing Prices in China's Major Cities
Zhan Peng 1,Wang Geng 2,Bao XueYun 3
(School of Economics ,Nanjing University of Finance and Economics ,Nanjing 210046,China )
Abstract :Firstly ,this paper fixed the single-indicator panel data cluster analysis method.Then ,analyzed the average trend of the real estate price index ,discussed the differences of the cities and researched the relationship of the housing sales price index and land transaction price index.Then ,clustered the new housing price index of 70cities using the single indicator panel data cluster analysis into three types :“Sudden Outbreaks ”,“Stable Fluctuations ”and “Overreactions ”.At last ,this paper summarized six main conclusions ;including “Who led the price fluctuations in China's major cities ?”,“What the intrin-sic characteristics and trends are of price movements of different cities ?”etc.The data was coming from the National Bureau of Statistics Official Website ,including the quarterly data of housing sales price index ,new housing price index ,the second-hand housing sales price index and land transaction price index from 2006to 2012.
Key words :panel data ;the cluster analysis ;the new housing price index
—22—