鄧韜 王心蕊

近年來，我國商品房交易市場呈現(xiàn)“非理性繁榮”現(xiàn)象，許多城市都出現(xiàn)了房價(jià)在短期內(nèi)過快上漲的態(tài)勢。已有研究認(rèn)為，流動性過剩、城市化進(jìn)程加速、投機(jī)性需求比重加大以及通貨膨脹等因素，是導(dǎo)致房價(jià)高漲的主要原因[1－2]。總體來看，這些研究大多基于供需框架來分析商品房的價(jià)格決定機(jī)制。然而現(xiàn)實(shí)生活中，某一地區(qū)周邊的房價(jià)變動也可能通過改變?nèi)藗兊念A(yù)期和投資行為來影響當(dāng)?shù)氐姆康禺a(chǎn)市場，即房價(jià)的區(qū)域擴(kuò)散效應(yīng)①（Spillover Effect）。隨著國內(nèi)要素市場以及金融市場開放程度的不斷增大，商品房價(jià)格在區(qū)域范圍內(nèi)的協(xié)同變動趨勢已經(jīng)越來越顯著，房價(jià)的擴(kuò)散效應(yīng)成為導(dǎo)致一些地區(qū)房價(jià)過快上漲的重要因素。

經(jīng)濟(jì)研究中常用的傳統(tǒng)VAR模型重在分析某一經(jīng)濟(jì)體內(nèi)生變量之間的動態(tài)關(guān)系，難以準(zhǔn)確反映不同經(jīng)濟(jì)體之間的交互作用，應(yīng)用于房價(jià)空間擴(kuò)散效應(yīng)研究存在一定的局限性[3]?；谏鲜隹紤]，本文擬構(gòu)建能夠反映地區(qū)間房價(jià)關(guān)聯(lián)的全局向量自回歸（Global Vector Autoregression，GVAR）模型，應(yīng)用城市層面的季度數(shù)據(jù)，以期更為深入和全面地分析我國商品房價(jià)格的區(qū)域擴(kuò)散效應(yīng)。

一、文獻(xiàn)回顧

在開放與合作的經(jīng)濟(jì)環(huán)境下，經(jīng)濟(jì)變量在相互關(guān)聯(lián)的經(jīng)濟(jì)體中協(xié)同變動的趨勢已經(jīng)越來越顯著。[4]不同區(qū)域之間的房價(jià)協(xié)同變動可能通過至少三個途徑實(shí)現(xiàn)：首先，房價(jià)可能受共同的區(qū)域經(jīng)濟(jì)基本面因素（如收入、經(jīng)濟(jì)增長等）影響而協(xié)同變動；其次，資本市場自由化使得資金流動更為便捷，從而不同地區(qū)的房地產(chǎn)市場能夠獲得相近的金融支持[5]；再次，房地產(chǎn)的特有屬性引致區(qū)域房價(jià)波紋擴(kuò)散以及產(chǎn)生收斂效應(yīng)[6]。其中，Meen從理論角度較為全面地解釋了波紋效應(yīng)產(chǎn)生的原因，包括不同地區(qū)間的人口遷移、房屋資產(chǎn)的價(jià)格信號機(jī)制、區(qū)域間的空間套利機(jī)制以及經(jīng)濟(jì)基本面因素的協(xié)同趨勢[7]。在此基礎(chǔ)上，大量的實(shí)證研究均從上述幾個角度對擴(kuò)散效應(yīng)加以解釋。

房價(jià)的波紋以及擴(kuò)散效應(yīng)研究，在跨國、國際聯(lián)盟以及一個國家內(nèi)部的層面均獲得了大量的實(shí)證研究支撐。[5]Clapp和Tirtiroglu最先在模型中同時加入房價(jià)時間和空間相關(guān)因素，指出美國房價(jià)會擴(kuò)散到同一大都市統(tǒng)計(jì)區(qū)的其他子市場[8]。Holly等學(xué)者針對英國地區(qū)間房價(jià)波動傳播問題的研究指出，核心區(qū)域（如倫敦）的房價(jià)沖擊將對英國其他地區(qū)的房價(jià)產(chǎn)生同期影響，與此同時核心區(qū)域的房價(jià)也會由于國際化進(jìn)程的加深而受到其他金融中心城市的房價(jià)沖擊[9]。區(qū)別于常規(guī)方法，Costello等學(xué)者研究影響房價(jià)的非基本面因素（不是房價(jià)本身）以澳大利亞各州首府為中心的外溢效應(yīng)，發(fā)現(xiàn)房價(jià)偏離基本面的成分在各州首府之間具有相當(dāng)程度的外溢效應(yīng)[10]。具體到我國的研究，梁云芳和高鐵梅指出，我國房價(jià)的波動可能存在“波紋效應(yīng)”，即從東部向中西部傳導(dǎo)[11]。黃飛雪等學(xué)者將研究聚焦于我國副省級以上城市，發(fā)現(xiàn)它們的房價(jià)之間具有較強(qiáng)的相互作用，其中以青島最為活躍[12]。范圍更廣一些的研究，如王鶴等應(yīng)用省級面板數(shù)據(jù)，發(fā)現(xiàn)在東部范圍內(nèi)存在著顯著的空間擴(kuò)散效應(yīng)，而中西部不夠顯著[3]。此外，他們發(fā)現(xiàn)與傳統(tǒng)研究的實(shí)證結(jié)果相比，在考慮了區(qū)域房價(jià)相關(guān)現(xiàn)象后，各經(jīng)濟(jì)基本面變量對房價(jià)的影響在時間和程度上皆變?nèi)?。類似地，李勇友的研究也發(fā)現(xiàn)全國性房價(jià)上漲主要源于需求驅(qū)動以及漣漪效應(yīng)[13]。

綜上所述，無論是在發(fā)達(dá)國家還是在我國的情境下，區(qū)域經(jīng)濟(jì)體的房價(jià)變動可能會通過資本流動、人口流動對周邊區(qū)域進(jìn)行傳播，同樣可能通過信心效應(yīng)、預(yù)期效應(yīng)等間接渠道影響周邊房地產(chǎn)市場。近年來的研究多采用空間計(jì)量分析方法，將不同城市的地理區(qū)位因素納入房價(jià)決定方程中，進(jìn)而定量分析房價(jià)的區(qū)域擴(kuò)散效應(yīng)[14]。遵循這一思路，本文基于地理區(qū)位因素構(gòu)建城市關(guān)聯(lián)矩陣，并在此基礎(chǔ)上建立以房價(jià)關(guān)聯(lián)性為核心的GVAR模型系統(tǒng)，以脈沖響應(yīng)函數(shù)的形式來分析我國不同地區(qū)房價(jià)擴(kuò)散效應(yīng)的差異。

二、模型建立和變量選取

在GVAR模型中，不同截面之間的沖擊將通過城市關(guān)聯(lián)矩陣W產(chǎn)生交互影響。因此，在GVAR模型框架下既可以分析特定城市內(nèi)生變量之間，也可以分析其與其他地區(qū)弱外生變量之間的長、短期均衡關(guān)系，正是這一特性使其成為房價(jià)區(qū)域擴(kuò)散效應(yīng)研究的有力工具。

假設(shè)模型體系中包含N個城市，各城市的內(nèi)生變量用列向量Xit表示，包含實(shí)際商品房價(jià)格（RHPI）、實(shí)際人均可支配收入（RY）以及商品房新開工面積（I）這三個指標(biāo)，即 Xit=(RHPIit,RYit,Iit)'。對于城市 i，其余 N-1個城市的 RHPI指標(biāo)通過城市關(guān)聯(lián)矩陣，以加權(quán)平均的形式生成弱外生變量（為描述方便，后文稱此變量為外地房價(jià)變量）。具體地，ωijRHPIjt，ωii=0，，?i,j=1,2,…,N，ωij代表第 j個城市對城市i的影響權(quán)重。dt為全國層面共同的弱外生沖擊變量，包含實(shí)際貸款余額（RLoan）這一指標(biāo)，即dt=(RLoant)′。之所以選擇國內(nèi)金融機(jī)構(gòu)實(shí)際貸款余額，作為全國層面的共同外生沖擊，主要是因?yàn)樾刨J規(guī)模是影響我國商品房價(jià)格的重要外生沖擊[11]。同時，信貸政策是我國房地產(chǎn)市場調(diào)控的主要方式之一，控制住這一因素能夠更好地分析由擴(kuò)散效應(yīng)引致的商品房價(jià)格變動。

基于上述設(shè)定，各城市的VARX＊(1,1)模型可由下式表示（為表述方便，假定內(nèi)生和弱外生變量滯后階數(shù)均為1）：

其中，Φi是3×3的滯后系數(shù)矩陣,Λi0和 Λi1是3×1的外地房價(jià)變量的同期和滯后系數(shù)矩陣，Ψi0和Ψi1是3×1的全局外生沖擊的同期和滯后系數(shù)矩陣。εit是3×1的城市異質(zhì)沖擊，模型假設(shè)εit是零均值且非序列相關(guān)的，即εit～iid(0,∑ii)。各城市間的方差-協(xié)方差矩陣具有時間不變性這一假定對于季度數(shù)據(jù)不存在過度約束問題[5]。同時，X＊it和dt需要滿足弱外生性假定，否則模型體系將產(chǎn)生嚴(yán)重的內(nèi)生性問題。

在各城市VARX＊(1,1)模型的基礎(chǔ)上，經(jīng)過一系列處理可以得到總體的GVAR模型：

其中，a0，a1，H，G，Ψ0，Ψ1以及 εt遵循如下的定義（j=0,1）：

其中 Ai=[I, - Λi0]，Bi=[φi, Λi1] 。Ai和 Bi是3×(3+1)階矩陣，且 Ai為滿秩矩陣，rank(Ai)=3 。Xt=(X1,t',X2,t',…,XN,t')'，則 Xt是一個3N階列向量，即全體城市內(nèi)生變量的匯總形式。Wi是一個(3+1)×3階矩陣，由城市關(guān)聯(lián)矩陣中的相應(yīng)系數(shù)構(gòu)成。

三、數(shù)據(jù)描述及檢驗(yàn)

（一）數(shù)據(jù)來源及說明

為了盡量全面地覆蓋國內(nèi)房地產(chǎn)市場狀況，同時兼顧數(shù)據(jù)可獲得性以及樣本容量的要求，本文選取35個大中城市2002—2010年的季度數(shù)據(jù)作為分析對象②，即模型體系中N=35。商品房銷售價(jià)格數(shù)據(jù)，采用國家統(tǒng)計(jì)局定期發(fā)布的35個大中城市房價(jià)月度同比和環(huán)比指數(shù)，并將其轉(zhuǎn)化為以2000年1季度價(jià)格為100的定基比指數(shù)。受限于統(tǒng)計(jì)數(shù)據(jù)不完善，商品房新開工面積和人均可支配收入采用各城市對應(yīng)省份的季度數(shù)據(jù)。采用人民銀行公布的金融機(jī)構(gòu)人民幣貸款余額作為弱外生沖擊指標(biāo)。以消費(fèi)者價(jià)格指數(shù)（CPI）修正上述數(shù)據(jù)，獲得實(shí)際房價(jià)指數(shù)（RHPI）、實(shí)際人均可支配收入（RY）以及實(shí)際貸款余額（RLoan）。最后，應(yīng)用x-12方法剔除數(shù)據(jù)的季節(jié)性趨勢，同時對除貸款利率之外的所有變量取自然對數(shù)。

與相關(guān)研究類似，本文以城市間距離的倒數(shù)作為城市關(guān)聯(lián)矩陣的系數(shù)，即按如下定義：?ii=0，?ij=1 ／dij，?i,j=1,2,…,35。其中，dij表示城市i與城市j之間的距離。進(jìn)一步地，對?ij的值按列進(jìn)行歸一化處理，得 ωij=?ij／∑35i=1?ij，則 ωij即為構(gòu)建式(1)中外地變量的權(quán)重系數(shù)，構(gòu)成城市關(guān)聯(lián)矩陣W。

（二）數(shù)據(jù)檢驗(yàn)

由于本研究的數(shù)據(jù)截面數(shù)（35個城市）相對于數(shù)據(jù)長度（36個季度）較大，直接估計(jì)可能出現(xiàn)自由度不足或模型結(jié)構(gòu)不穩(wěn)定的情況，因此需要利用式(1)對每個城市的VARX＊模型分別估計(jì)得到相應(yīng)的系數(shù)，再加以匯總得到總體GVAR[4]。分別對各城市VARX＊模型中涉及的變量進(jìn)行ADF檢驗(yàn)，結(jié)果表明所有城市內(nèi)生變量以及全局外生變量RLoan均為I(1)序列。進(jìn)一步地，在各城市模型中分別進(jìn)行的Johansen協(xié)整檢驗(yàn)結(jié)果表明，商品房價(jià)格、收入、新開工面積以及信貸供給量之間具有顯著的長期均衡關(guān)系，各城市模型中至少有一個協(xié)整向量存在。因此，可以認(rèn)為后續(xù)研究所揭示的動態(tài)關(guān)系能夠反映變量間基于長期均衡關(guān)系產(chǎn)生的動態(tài)調(diào)整。最后，參照Pesaran等學(xué)者提出的方式進(jìn)行弱外生性檢驗(yàn)[15]，結(jié)果顯示所有城市VARX＊模型中的X＊it以及dt均滿足弱外生性假定。

四、實(shí)證分析

（一）參數(shù)估計(jì)

根據(jù)AIC信息準(zhǔn)則，各城市VARX＊模型選擇1～2期滯后階數(shù)進(jìn)行估計(jì)，重點(diǎn)分析式(1)中Λi0系數(shù)的估計(jì)情況。由于各變量均以對數(shù)形式進(jìn)入方程，Λi0的值代表城市i的房價(jià)對外地房價(jià)變動的當(dāng)期彈性。估計(jì)結(jié)果如表1所示。

表1 部分城市③房價(jià)對外地房價(jià)變動的當(dāng)期彈性

本文在地理分布的基礎(chǔ)上參考郭曄提出的城市分類依據(jù)[14]，將35個大中城市分為東部、中部和西部⑤。由表1可知，東部、中部和西部的外地房價(jià)當(dāng)期彈性系數(shù)分別為0.68、1.04和1.23。這一數(shù)據(jù)表明，相對于東部城市而言，中部和西部地區(qū)的房價(jià)更易受到其他城市房價(jià)變動的同期影響。東部地區(qū)的房價(jià)長期處于領(lǐng)漲狀態(tài)，且多為省會城市或區(qū)域經(jīng)濟(jì)標(biāo)桿，其房價(jià)變動很大程度上是由經(jīng)濟(jì)狀況、金融支持力度等本地因素引發(fā)，而受周邊地區(qū)的房價(jià)輻射程度相對較小。值得注意的是，在東部城市中杭州的外地房價(jià)當(dāng)期彈性為1.83，而同為長三角地區(qū)的南京和上海的該系數(shù)分別為0.42和0.63。在樣本期內(nèi)，杭州房價(jià)的上漲速度遠(yuǎn)超全國平均水平。中部城市中，?？诘耐獾胤績r(jià)當(dāng)期彈性為樣本中的最高值2.18，呼和浩特、南昌等城市也均達(dá)到了1以上。烏魯木齊是樣本中唯一外地房價(jià)當(dāng)期彈性系數(shù)不顯著的地區(qū)，且數(shù)值僅為0.190，這與其空間位置距離其他城市較遠(yuǎn)，經(jīng)濟(jì)互動性相對較弱有關(guān)。

（二）脈沖響應(yīng)分析

經(jīng)檢驗(yàn)，GVAR模型的特征根都在單位圓內(nèi)，模型結(jié)構(gòu)是穩(wěn)定的。本研究采用廣義脈沖響應(yīng)函數(shù)，同時給出bootstrap模擬下的90%置信區(qū)間（圖中虛線表示），重點(diǎn)分析以下2類沖擊發(fā)生后的12個季度內(nèi)各城市房價(jià)變動情況：（1）全國（本研究中指35個大中城市）房價(jià)一個標(biāo)準(zhǔn)差正向沖擊；（2）分別分析東部、中部和西部城市房價(jià)一個標(biāo)準(zhǔn)差正向沖擊。脈沖響應(yīng)見圖1－4。

1.全國房價(jià)總體沖擊脈沖響應(yīng)分析。對樣本中的所有城市房價(jià)施加一個標(biāo)準(zhǔn)差的正向沖擊，以此分析全國房價(jià)總體變動下各地區(qū)的房價(jià)波動情況。由圖1可知，在全國房價(jià)的正向沖擊下，東部地區(qū)房價(jià)在1個季度內(nèi)的響應(yīng)值為0.93% ，并在第8個季度達(dá)到峰值1.82% ；中部和西部的1個季度響應(yīng)值分別為0.45%和0.52% ，峰值響應(yīng)分別為1.10% 和1.29% 。在全國房價(jià)普漲的情況下，東部房價(jià)受全局沖擊的影響增幅最大，持續(xù)時間最長，西部地區(qū)略微強(qiáng)于中部地區(qū)。結(jié)合上文的外地房價(jià)同期彈性系數(shù)可以發(fā)現(xiàn)，東部地區(qū)受全局沖擊的影響強(qiáng)于中部和西部，更多是受到自身房價(jià)上漲引發(fā)的內(nèi)生性增長，即表現(xiàn)出更強(qiáng)的房價(jià)時間擴(kuò)散效應(yīng)[3]。中、西部地區(qū)在東部房價(jià)擴(kuò)散效應(yīng)及其自身房價(jià)滯后影響下，房價(jià)上漲幅度不及東部地區(qū)。從具體城市來看，全國房價(jià)沖擊影響下深圳房價(jià)的脈沖響應(yīng)峰值最高，達(dá)到3.71%。其余城市中脈沖響應(yīng)強(qiáng)度排在前3位的是上海、海口、杭州，峰值響應(yīng)分別為3.33% 、2.55% 和2.30% 。

圖1 全國房價(jià)一個標(biāo)準(zhǔn)差正向沖擊下的分地區(qū)房價(jià)廣義脈沖響應(yīng)

2.東部房價(jià)沖擊脈沖響應(yīng)分析。對樣本中所有的東部城市房價(jià)施加一個標(biāo)準(zhǔn)差的正向沖擊，以此分析東部房價(jià)變動對各個地區(qū)的區(qū)域擴(kuò)散效應(yīng)。由圖2可知，東部房價(jià)在自身變動沖擊下的1季度響應(yīng)值為1.13%，峰值響應(yīng)為1.81%，持續(xù)期為6個季度；中部和西部房價(jià)的峰值響應(yīng)為0.74% 和0.89% ，分別在第4和第6季度達(dá)到。從脈沖響應(yīng)結(jié)果來看，在東部房價(jià)沖擊下，西部的響應(yīng)峰值強(qiáng)于中部，可以認(rèn)為房價(jià)擴(kuò)散是從東部至中部再至西部。中部地區(qū)房價(jià)主要受東部房價(jià)擴(kuò)散效應(yīng)影響，而西部地區(qū)受東部和中部的房價(jià)擴(kuò)散效應(yīng)影響。進(jìn)一步地，圖2(a)可以理解為東部地區(qū)內(nèi)部擴(kuò)散效應(yīng)占主要成分的房價(jià)波動情況。從具體城市來看，上海市的房價(jià)脈沖響應(yīng)峰值在所有城市中是最高的，達(dá)到3.12%。其余東部城市的房價(jià)脈沖響應(yīng)強(qiáng)度均位居前列，其中深圳、寧波、杭州的峰值響應(yīng)分別為2.75%、2.13%和2.03%。區(qū)別于外地房價(jià)當(dāng)期彈性系數(shù)的分析結(jié)果，東部城市表現(xiàn)出了更強(qiáng)的房價(jià)時間擴(kuò)散效應(yīng)。此外，區(qū)域內(nèi)的房價(jià)擴(kuò)散效應(yīng)亦對這些城市造成了較大的影響。

3.中部房價(jià)沖擊脈沖響應(yīng)分析。對樣本中所有的中部城市房價(jià)施加一個標(biāo)準(zhǔn)差的正向沖擊，以此分析中部房價(jià)變動對各個地區(qū)的區(qū)域擴(kuò)散效應(yīng)。由圖3可知，中部房價(jià)在自身變動沖擊下的1季度響應(yīng)值為0.51%，峰值響應(yīng)為0.62%，持續(xù)期為7個季度；東部和西部的房價(jià)峰值響應(yīng)均為0.58%，分別在第4和第7季度達(dá)到。相對于東部地區(qū)，中部地區(qū)房價(jià)上漲引致的各地區(qū)房價(jià)波動強(qiáng)度明顯較弱，且持續(xù)時間較短。此外，中部房價(jià)在自身沖擊下的響應(yīng)強(qiáng)度尚不如其在東部房價(jià)沖擊下的響應(yīng)強(qiáng)度，這說明中部地區(qū)內(nèi)部的房價(jià)擴(kuò)散效應(yīng)弱于東部地區(qū)房價(jià)變動帶來的區(qū)域擴(kuò)散效應(yīng)。從具體城市來看，在中部房價(jià)的正向沖擊下，深圳市的房價(jià)脈沖響應(yīng)峰值最高，達(dá)到2.06%。緊隨其后的均為中部城市，?？?、鄭州和武漢的房價(jià)峰值響應(yīng)分別為1.56% 、1.42% 以及1.27% 。西部城市中房價(jià)脈沖響應(yīng)強(qiáng)度最高的是昆明，其響應(yīng)峰值為1.14%，其余城市均未超過1%?？傮w而言，中部對西部的房價(jià)擴(kuò)散效應(yīng)弱于東部。

圖2 東部房價(jià)一個標(biāo)準(zhǔn)差正向沖擊下的分地區(qū)房價(jià)廣義脈沖響應(yīng)

圖3 中部房價(jià)一個標(biāo)準(zhǔn)差正向沖擊下的分地區(qū)房價(jià)廣義脈沖響應(yīng)

圖4 西部房價(jià)一個標(biāo)準(zhǔn)差正向沖擊下的分地區(qū)房價(jià)廣義脈沖響應(yīng)

4.西部房價(jià)沖擊脈沖響應(yīng)分析。對樣本中所有的西部城市房價(jià)施加一個標(biāo)準(zhǔn)差的正向沖擊，以此分析西部房價(jià)變動對各個地區(qū)的區(qū)域擴(kuò)散效應(yīng)。由圖4可知，西部房價(jià)在自身變動沖擊下的1季度響應(yīng)值即為峰值響應(yīng)0.56%，持續(xù)期為5個季度。東部和中部房價(jià)的峰值響應(yīng)分別為0.30%和0.27%，均在第1季度達(dá)到。西部地區(qū)房價(jià)的區(qū)域擴(kuò)散效應(yīng)是三個地區(qū)中最弱的，持續(xù)時間也最短。從具體城市來看，成都房價(jià)的脈沖響應(yīng)峰值在所有城市中最高，達(dá)到1.45%。緊隨其后的城市為深圳、昆明、貴陽和西安，峰值響應(yīng)分別為1.26% 、1.01% 、0.93% 和0.89% 。

圖4(c)的西部地區(qū)房價(jià)內(nèi)部擴(kuò)散效應(yīng)，弱于圖3(b)的中部地區(qū)房價(jià)內(nèi)部擴(kuò)散效應(yīng)，二者都顯著弱于圖2(a)的東部地區(qū)房價(jià)內(nèi)部擴(kuò)散效應(yīng)。東部地區(qū)更容易受到區(qū)域內(nèi)部房價(jià)擴(kuò)散效應(yīng)的影響，而中部和西部地區(qū)更容易受到東部房價(jià)的區(qū)域擴(kuò)散效應(yīng)影響。

五、結(jié)論與建議

本文運(yùn)用GVAR模型，考察2002—2010年全國以及東、中、西部地區(qū)房價(jià)的區(qū)域擴(kuò)散效應(yīng)。實(shí)證結(jié)果表明，商品房價(jià)格的區(qū)域擴(kuò)散效應(yīng)在各個范圍內(nèi)均顯著存在，總體表現(xiàn)為東部向中、西部擴(kuò)散，響應(yīng)周期平均為6個季度。從不同地區(qū)間的橫向?qū)Ρ戎邪l(fā)現(xiàn)，東部地區(qū)房價(jià)區(qū)域擴(kuò)散效應(yīng)最強(qiáng)，中部地區(qū)次之，西部地區(qū)最弱。從同一地區(qū)受各類沖擊的縱向?qū)Ρ戎衼砜?，東部地區(qū)房價(jià)內(nèi)部擴(kuò)散效應(yīng)較強(qiáng)，而中、西部地區(qū)則受區(qū)域外房價(jià)擴(kuò)散效應(yīng)影響更大。

房價(jià)擴(kuò)散效應(yīng)，在一定程度上是近年來區(qū)域發(fā)展不平衡、經(jīng)濟(jì)結(jié)構(gòu)失衡等問題的伴生現(xiàn)象。針對這一問題，地方政府應(yīng)積極關(guān)注全國以及周邊地區(qū)的房地產(chǎn)市場走勢，對本地區(qū)的房價(jià)變動進(jìn)行更為科學(xué)和全面的判斷，從而更有針對性地制定調(diào)控政策。在此基礎(chǔ)上，加大地方產(chǎn)業(yè)部門、金融部門和研究機(jī)構(gòu)的參與度，充分考慮本地區(qū)經(jīng)濟(jì)發(fā)展形勢及與周邊區(qū)域的差異，研究如何利用地方財(cái)政、金融政策等調(diào)控措施縮小區(qū)域經(jīng)濟(jì)和房地產(chǎn)市場上的結(jié)構(gòu)性差異，促進(jìn)本地區(qū)與周邊地區(qū)的經(jīng)濟(jì)協(xié)調(diào)發(fā)展。

注釋：

亦有部分研究將此類效應(yīng)定義為房價(jià)的波紋效應(yīng)（Ripple Effect），如 Meen（1999）。

從2011年開始，統(tǒng)計(jì)局更換了房價(jià)指數(shù)的統(tǒng)計(jì)標(biāo)準(zhǔn)，前后數(shù)據(jù)不再具有可比性。同時，2010年各地市開始實(shí)施差別化的限貸和限購政策，嚴(yán)重影響了房地產(chǎn)市場原有的均衡關(guān)系，因此數(shù)據(jù)截止到2010年。另外，各城市收入季度數(shù)據(jù)公布的時間段不統(tǒng)一，為保證數(shù)據(jù)集是平衡面板，選2002年為起始年。

限于篇幅，文中僅給出部分估計(jì)結(jié)果，感興趣者可向作者索要，后文不再贅述。

[1]Ortalo-Magne,F.and Sven Rady.Housing Market Dynamics:On the Contribution of Income Shocks and Credit Constraints.The Review of Economic Studies,2006,(2).

[2]況偉大.預(yù)期、投機(jī)與中國城市房價(jià)波動[J].經(jīng)濟(jì)研究,2010,(9).

[3]王鶴,潘愛民,趙偉.區(qū)域房價(jià)空間與時間擴(kuò)散效應(yīng)的實(shí)證研究[J].經(jīng)濟(jì)評論,2014,(4).

[4]Dees,S.,Mauro,F.D., ＆ Pesaran M.H.,et al.Exploring the International Linkages of the Euro Area:a Global VAR Analysis.Journal of Applied Econometrics,2007,(1).

[5]Vansteenkiste,I.and Paul Hiebert.Do House Price Developments Spillover across Euro Area countries芽Evidence from a Global VAR.Journal of Housing Economics,2011,(4).

[6]Jones,C.and Chris Leishman.Spatial Dynamics of the Housing Market:an Interurban Perspective.Urban Studies,2006,(7).

[7]Meen,G.Regional House Prices and the Ripple Effect:a New Interpretation.Housing Studies,1999,(6).

[8]Clapp,J.M.and Dogan Tirtiroglu.Positive Feedback Trading and Diffusion of Asset Price Changes:Evidence from Housing Transactions.Journal of Economic Behavior＆ Organization,1994,(3).

[9]Holly,S.,Hashem Pesaran,M., ＆ Yamagata,T.The Spatial and Temporal Diffusion of House Prices in the UK.Journal of Urban Economics,2011,(1).

[10]Costello,G.,Fraser,P., ＆ Groenewold,N.House Prices, Non-fundamental Components and Interstate Spillovers:the Australian Experience.Journal of Banking＆Finance,2011,(3).

[11]梁云芳,高鐵梅.中國房地產(chǎn)價(jià)格波動區(qū)域差異的實(shí)證分析[J].經(jīng)濟(jì)研究,2007,(8).

[12]黃飛雪.基于協(xié)整和向量誤差修正模型的中國主要城市房價(jià)的聯(lián)動效應(yīng)研究[J].中大管理研究,2009， (2).

[13]李永友.房價(jià)上漲的需求驅(qū)動和漣漪效應(yīng)——兼論我國房價(jià)問題的應(yīng)對策略[J].經(jīng)濟(jì)學(xué)(季刊),2014,(2).

[14]郭斌,潘力浩.基于空間動態(tài)面板模型的房地產(chǎn)價(jià)格區(qū)域互動研究[J].建筑經(jīng)濟(jì),2014,(3).

[15]Pesaran,M.H.,Schuermann,T., ＆ Weiner,S.M.Modeling Regional Interdependencies Using a Global Error-correcting Macroeconometric Model.Journal of Business＆ Economic Statistics,2004,(2).