阮連法 ，包洪潔 ，溫海珍 ，2

（1.浙江大學土木工程管理研究所，浙江杭州310058；2.浙江大學房地產(chǎn)研究中心，浙江杭州310027）

2008年中期，房價在嚴厲調(diào)控政策之下，“降”聲一片。漲跌端倪仍未顯現(xiàn)之際，美國次貸危機全面爆發(fā)，并迅速引發(fā)了全球金融危機，中國各地房價立即出現(xiàn)大幅下跌，一年之后才基本恢復到金融危機前的水平。2010年，政府先后實施了“國11條”、“新國10條”、“新國5條”等調(diào)控政策，遏制住了房價過快增長的趨勢。這些事件對城市住宅價格的影響程度大、持續(xù)時間長，本文稱之為重大事件。事件的影響模式有兩種：臺階式和脈沖式。臺階式事件會造成結構性斷點，在短期內(nèi)價格不再維持在原有水平，其影響程度大且影響時間長；脈沖式事件雖然也會造成突變，但事件過后，立即恢復到之前水平，即只造成短期影響[1]。分析重大事件對城市住宅價格的影響，可用于測度和評估金融危機、調(diào)控政策對房價造成的影響程度，可為政府制定調(diào)控政策和房地產(chǎn)市場的參與者選擇投資時機提供決策依據(jù)，具有理論和現(xiàn)實的雙重價值。

1 文獻綜述

資產(chǎn)價格的波動與重大事件有著密切的聯(lián)系。Shiller的研究結果表明資本市場的相關事件，尤其是重大事件，例如經(jīng)濟衰退、監(jiān)管法案出臺、投資者的心理變化等，將導致資產(chǎn)價格的巨大變動，甚至會出現(xiàn)泡沫[2]。房地產(chǎn)作為一種實物資產(chǎn)，受到重大事件的影響更加明顯。Duca等研究了美國房地產(chǎn)市場與2008年金融危機的關系，認為房價波動顯著地受到金融危機、宏觀經(jīng)濟基本面變化的影響[3]。Case等分析了美國房價快速上漲與投資行為的關系，得出用突發(fā)的投資事件來解釋1990年代房價的快速上漲更合理[4]。Murphy和Sumit等也同樣發(fā)現(xiàn)了重大事件對房地產(chǎn)價格波動造成顯著影響的證據(jù)[5-6]。

影響房地產(chǎn)價格波動的因素來自經(jīng)濟基本面、金融危機宏觀調(diào)控等重大事件以及投資投機行為[7]。沈悅和劉洪玉的研究結果表明2002年以后經(jīng)濟基本面對住宅價格變化率的解釋水平出現(xiàn)了明顯的減弱，即重大事件和投資投機行為對房價波動的影響在2002年以后顯著增強[8]。金融危機的影響會從一國的房地產(chǎn)市場傳導到他國，進而對他國的房價造成巨大波動。Andrea等得出G-7國家的房價不僅受全球宏觀經(jīng)濟的影響，G-7各國間的房價也存在相互影響[9]。況偉大利用金融危機前1996—2006年中國大陸31個省份的數(shù)據(jù)，采用系統(tǒng)GMM模型檢驗后得出中國東部地區(qū)存在較嚴重的住房泡沫、中西部地區(qū)沒有明顯住房泡沫的結論[10]。金融危機會迫使房地產(chǎn)市場的泡沫破裂，因而含有泡沫的房價受金融危機的影響程度更大。

土地政策、貨幣政策、行政干預政策等疊加起來實施的調(diào)控政策是房地產(chǎn)市場中的另一類重要相關事件。土地政策對調(diào)控房價的作用有限[11-12]。Iacoviello通過建立產(chǎn)品市場、借貸市場、房地產(chǎn)市場和貨幣政策的一般動態(tài)均衡模型，運用VAR脈沖響應得出從緊的貨幣政策對住房價格會產(chǎn)生負向影響[13]。利率對房價的作用方向是有爭議的。Cho等的實證結果顯示房價與利率在長期是負相關的，而在短期，利率是房價的Granger因[14]。Wong等的實證結果顯示在通貨膨脹期，利率對房價是負影響；在通貨緊縮期，利率對房價的影響為正[15]。Fratantoni等的實證結果表明全國性的貨幣政策對不同地區(qū)的實施效果是不同的[16]。因而，不同城市間的調(diào)控效果是有差異的[17]。

重大事件對城市房價造成影響的研究還很缺乏，尤其在定量評估方面，但金融危機對城市房價的影響、針對城市層面的調(diào)控效果評估是房地產(chǎn)市場的參與者和政府調(diào)控普遍關心的問題。因此，研究金融危機、調(diào)控政策等重大事件對城市住宅價格的影響在理論和實踐中均具有重要的價值和意義。

2 理論模型

2.1 BP多斷點檢測

Bai和Perron提出多斷點檢測概念的主要目的是為了發(fā)現(xiàn)時間序列中存在的結構性變化點[18]。考慮具有m個斷點（可分成m+1段）的多重線性回歸模型：

式1中，yt是t時刻因變量的取值，xt（p×1）和zt（q×1）是協(xié)方差向量，β和δj是對應的系數(shù)向量，ut是t時刻的隨機擾動項。斷點數(shù)量未知，通過計算序列i和i′（i

Zeileis等根據(jù)以上算法在統(tǒng)計軟件R平臺上開發(fā)了Strucchange軟件包。通過分別計算時間序列發(fā)生0次、1次、2次至m次結構變化后的最小SSR值，采用最小BIC準則確定最優(yōu)斷點數(shù)和發(fā)生斷點的時間[19]，同時，還可以計算各斷點的置信區(qū)間。置信區(qū)間越窄，說明斷點出現(xiàn)的范圍越小，判斷發(fā)生結構性變化的把握就越大。BP斷點檢測法克服了鄒氏檢驗、匡特似然比檢驗的不足，對實際利率、通貨膨脹率、S&P指數(shù)等做的突變點檢測結果能更好地解釋波動變化情況[18-19]。

2.2 集成經(jīng)驗模態(tài)分解（EEMD）

經(jīng)驗模態(tài)分解（EMD）從數(shù)據(jù)自身出發(fā)，通過分析本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）來揭示數(shù)據(jù)序列的內(nèi)在特征。集成經(jīng)驗模態(tài)分解（EEMD）是對EMD的改進，通過增加白色噪聲來避免不同模態(tài)之間產(chǎn)生混淆[20]。通過分解，最終可以將房價時序數(shù)列表達成多個IMF與一個殘差項的和的形式：

3 重大事件與杭州市住宅價格總體波動

3.1 數(shù)據(jù)來源與說明

采用杭州市新建商品住宅交易價格為分析對象，數(shù)據(jù)來源于杭州市房管局主管的透明售房網(wǎng)（hzfc365.com），數(shù)據(jù)及時、準確。統(tǒng)計范圍包括西湖、拱墅、上城、下城、蕭山、余杭等10個城區(qū)。2007.3.17—3.23為第1周，2011.2.21—2.27為第204周，共204個周度數(shù)據(jù)，描述性統(tǒng)計情況見表1。

3.2 BP多斷點檢測結果

在R中做多斷點檢測發(fā)現(xiàn)存在三個斷點，分別是30周、86周、133周，最優(yōu)模型的特征描述見表2。

3.3 重大事件與杭州市商品住宅價格的關系分析

住宅價格經(jīng)歷了4個相對平穩(wěn)期，兩個暴漲期和一個下跌期（圖1）。樣本期間內(nèi)發(fā)生的主要相關事件列于表3。A處是2007年開始的利率加息通道，在B后房價出現(xiàn)了第一個暴漲期。2008年9月之前房價大約穩(wěn)定在15146元/m2。在D處金融危機全面爆發(fā)，之后房價一路下跌，E、F為金融危機期間的救市措施，最低點出現(xiàn)在102周。之后房價強勢反彈，市場由過冷轉變?yōu)檫^熱，在2010年H、I、J三大調(diào)控政策之下，房價基本穩(wěn)定在18656元/m2左右。

表1 樣本數(shù)據(jù)的描述統(tǒng)計情況Tab.1 Descriptive statistics of the sample

表2 BP多斷點檢測結果Tab.2 Results of BPmulti-structure change tests

圖1 樣本期間內(nèi)的主要相關事件與杭州市商品住宅價格Fig.1 Related events and housing price trend in Hangzhou during the sample period

表3 樣本期間內(nèi)房地產(chǎn)市場的主要相關事件Tab.3 Related events in real estate market during the sample period

4 重大事件對杭州市住宅價格影響程度的實證分析

4.1 集成經(jīng)驗模態(tài)分解

運用EEMD作為分解工具，白色噪聲序列的標準差設為原始房價序列標準差的0.2倍，集成數(shù)量設為100。在MatLab平臺上編程實現(xiàn)，分解后獲得6個不同尺度的IMF和一個殘差項。圖2中的IMF按頻率從高到低依次排列，左上角是原始房價序列，右下角是殘差項。

圖2 EEMD分解得到的6個IMF和殘差Fig.2 The six IM Fs and one residue gained after EEMD

圖3 6個IMF的均值、均值為零的t檢驗值Fig.3 Mean of each IMF and t-test values

表4 重大事件影響部分的BP多斷點檢測結果Tab.4 BPmulti-structure change tests of significant event affected part

4.2 EEMD分解結果分析

從圖2可知前三個IMF的振幅較大，表現(xiàn)出隨機無序性；后三個IMF的振幅較小，且從IMF4開始周期性越來越明顯。再對6個IMF的均值做是否為零的T檢驗，發(fā)現(xiàn)前三個IMF均值為零的檢驗值較高，而后三個IMF的檢驗值較低。因此，將IMF1—IMF3作為高頻部分，將IMF4—IMF6作為低頻部分。

重大事件對房價的影響往往是長期的，短期內(nèi)房價不再恢復到之前水平。重大事件的持續(xù)影響和影響程度不可能像高頻IMF那樣忽大忽小不穩(wěn)定，相反，其影響過程應該像低頻部分那樣是連續(xù)變化的。重大事件對房價造成的影響程度較大，在統(tǒng)計上應該與零有顯著差異。因此，用低頻部分描述重大事件對城市住宅價格的影響程度。另外，低頻部分從原始房價序列中剔除了房價的長期趨勢影響和非重大事件的影響，相當于從原始房價序列中分離出重大事件影響的部分。

4.3 重大事件影響部分的BP多斷點檢測

對分離出的表征重大事件影響的低頻部分序列做BP多斷點檢測，發(fā)現(xiàn)共存在4個結構性斷點，分別是30周、86周、134周和164周（表4）。前三個斷點與本文4.2中對原始房價序列直接做BP檢測的結果相吻合。第4個斷點的出現(xiàn)剛好在H、I事件之后，對房價造成了大幅度的下降，更加符合現(xiàn)實情況。另外，對比表4與表2可知：斷點的95%置信區(qū)間明顯變窄，說明判斷出現(xiàn)斷點的把握顯著增強。

4.4 重大事件的影響程度分析

從圖4可知：A處開始2007年的首次加息，對房價產(chǎn)生了負向影響，最大影響程度約-1700元/m2，與調(diào)控預期相符，但13周之后，不降反升，B事件只能減緩上升趨勢。C事件處于影響水平的第二個平穩(wěn)期，因此沒有對房價產(chǎn)生重大影響。D處是波峰，正好是美國金融危機全面爆發(fā)的時間點，從D之后房價一路下跌，E、F的救市措施顯然不能扭轉大幅下跌趨勢。102周后，房價從谷底開始強勢反彈，G未能逆轉反彈趨勢，直到H、I事件發(fā)生，才扭轉了上升趨勢。綜上所述，對房價產(chǎn)生顯著影響的重大事件是A、D、H和I事件，而B、C、E、F、G是非重大事件，J事件由于序列長度有限不好判斷。

圖4 重大事件對房價的影響程度Fig.4 Affected degree by significant events on housing price

4.4.1 2008年金融危機的影響程度 2008年金融危機全面爆發(fā)于2008年9月9日（76周），從圖4看出D事件剛好處于第二個穩(wěn)定期的第二個波峰。金融危機的來臨打破了第二個穩(wěn)定期的影響程度水平，對之后26周（約半年）的房價影響一直是負的，將重大事件影響程度從危機前的1630.2元/m2拉低到-3282.3元/m2。對房價的影響程度大、持續(xù)時間長，是典型的臺階式影響模式。影響程度變化量表示金融危機使平均房價下降4912.5元/m2。由于人們對金融危機的預期逐步明朗化，其對房價的影響從102周開始逐步減弱。同時加上E、F兩大救市事件的影響，影響程度從-3282.3元/m2強勢反彈到476.7元/m2，影響水平平均上升3759.0元/m2。

4.4.2 調(diào)控政策的影響程度 提高利率、存款準備金率等貨幣政策（A事件）實施后，剛開始對房價的影響程度為負，13周后達到最大負值-1704.99元/m2，與調(diào)控預期相符。但在13周后，市場反應與調(diào)控預期相反，此時仍然在繼續(xù)提高利率、存款準備金率，對房價的影響從-442.1元/m2上升到1630.2元/m2，上升幅度高達2072.3元/m2，與調(diào)控預期相反。因此，貨幣調(diào)控政策在時間上應留足夠的間隔，需等市場對上一次調(diào)控做出全面反應后再制定下一次調(diào)控政策。2010年“國11條”和“新國10條”實施的時機剛好處于波峰附近，使得對房價的影響程度下降2998.6元/m2，說明時機的選擇是恰當?shù)摹?/p>

5 結論

重大事件對房價波動具有顯著的影響，其影響模式是“臺階式”的。在無重大事件發(fā)生時期，房價通常會穩(wěn)定在某一水平；重大事件發(fā)生后，則會將房價推高或壓低到一個新的臺階水平。2008年金融危機使得杭州市新建商品住宅均價先下跌4912.5元/m2，半年后反彈3759.0元/m2，其影響持續(xù)時間長達一年。2007年貨幣調(diào)控政策剛開始的市場反應與預期相符，13周后與預期相反，最終反而使得房價上升了2072.3元/m2。因此，建議應等市場對上一次貨幣調(diào)控做出全面反應后再制定下一次調(diào)控政策。2010年“國11條”和“新國10條”兩大調(diào)控政策對房價的綜合影響程度為-2998.6元/m2，并選擇了恰當?shù)膶嵤r機。

（References）:

［1］ 閆妍，許偉，部慧，等.基于TEI@I 方法論的房價預測方法［J］.系統(tǒng)工程理論與實踐，2007，27（7）：1-9.

［2］ Shiller R J.Market volatility and investor behavior［J］.The American Economic Review, 1990, 80（2）: 38-62.

［3］ Duca J V, Muellbauer J, Murphy A.Housing markets and the financial crisis of 2007—2009: Lessons for the future［J］.Journal of Financial Stability, 2010, 6（4）: 203-217.

［4］ Case K E, Glaeser E L, Parker J A.Real estate and the macroeconomy［J］.Brookings Papers on Economic Activity, 2000, 2000（2）:119-162.

［5］ Murphy L.The global financial crisis and the Australian and New Zealand housing markets［J］.Journal of Housing and the Built Environment, 2011, 26（3）: 335-351.

［6］ Sumit A, Souphala C, Olivier H.Impact of the 2001 financial crisis and the economic policy responses on the Argentine mortgage market［J］.Journal of Housing Economics, 2005, 14（3）: 242-270.

［7］ 阮連法，包洪潔.基于經(jīng)驗模態(tài)分解的房價周期波動實證分析［J］.中國管理科學，2012，20（3）：41-46.

［8］ 沈悅，劉洪玉.住宅價格與經(jīng)濟基本面：1995—2002 年中國14 城市的實證研究［J］.經(jīng)濟研究，2004，（6）：78-86.

［9］ Andrea B, Claudio M.International house prices and macroeconomic fluctuations［J］.Journal of Banking & Finance, 2010, 34（3）:533-545.

［10］ 況偉大.中國住房市場存在泡沫嗎?［J］.世界經(jīng)濟，2008，（12）：3-13.

［11］ 王要武，金海燕.我國房地產(chǎn)宏觀調(diào)控政策效果的實證分析［J］.土木工程學報，2008，41（8）：105-111.

［12］ 豐雷，孔維東.2003 年以來中國土地政策參與宏觀調(diào)控的實踐［J］.中國土地科學，2009，23（10）：8-13.

［13］ Iacoviello M.Housing prices, borrowing constraints, and monetary policy in the business cycle［J］.The American Economic Review,2005, 95（3）: 739-764.

［14］Cho D, Ma S.Dynamic relationship between housing values and interest rates in Korean housing market［J］.Journal of Real Estate Finance and Economics, 2006, 32（2）: 169-184.

［15］Wong T, Hui C, Seabrooke W.The impact of interest rates upon housing prices: An empirical study of Hongkong’s markets［J］.Property Management, 2003, 21（2）: 153-170.

［16］ Fratantoni M, Schuh S.Monetary policy, housing and heterogeneous regional markets［J］.Journal of Money, Credit and Banking,2003, 35（4）: 557-589.

［17］ 胡曉添，濮勵杰.中國城市房地產(chǎn)市場宏觀調(diào)控效應研究［J］.中國土地科學, 2011, 25（10）：15-18.

［18］Bai J, Perron P.Computation and analysis of multiple structural changes［J］.Journal of Applied Econometrics, 2003, 18（1）: 1-22.

［19］Zeileis A, Leisch F, Hornik K, et al.Strucchange: an R package for testing for structural change in linear regression models［J］.Journal of Statistical Software, 2002, 7（2）: 1-38.

［20］Wu Z, Huang N E.A study of characteristics of white noise using the empirical model decomposition method［J］.Proceedings of Royal Society of London, 2004, 460（6）: 1597-1611.