| 从表中第四列和第六列的概率大小，可以判断这六个变量存在5个协整方程，表明这六个变量之间存在某些长期均衡关系。
表1Johansen协整检验结果
|
协整关系
个数假设
|
特征值
|
迹检验统计量
|
概率**
|
最大特征值
检验统计量
|
概率**
|
|
0*
至多1个*
至多2个*
至多3个*
至多4个*
至多5个
|
0.999996
0.943244
0.885485
0.693826
0.489670
0.004278
|
484.2468
172.4160
100.6910
46.51469
16.92462
0.107186
|
0.0001
0.0000
0.0000
0.0003
0.0303
0.7434
|
311.8307
71.72505
54.17631
29.59007
16.81743
0.107186
|
0.0001
0.0000
0.0000
0.0026
0.0193
0.7434
|
注：迹检验显示在0.05显著水平下有5个协整关系；*在0.05显著水平下拒绝原假设；**MacKinnon-Haug-Michelis(1999)概率
3．Granger因果分析
由于变量间的Granger因果分析对滞后期比较敏感，应先建立一个相对较优的VAR模型，然后以该模型为基础，进行Granger因果分析。受样本数据长度的限制，（5）中6个变量的VAR模型的最大滞后期为3，最优滞后期为2（相比较而言）。在此模型基础上进行Granger因果分析，可以得到6个变量分别为因变量的Granger因果关系。表2列出了房价模型中房价与各解释变量Granger因果关系的Wald检验结果，不难发现：家庭可支配收入Y、中长期贷款余额L和商品房销售面积S都显著地Granger引起房价P；股价不是房价的Granger因，可考虑在房价决定模型中剔出；“购房贷款利率是房价的Granger因”在统计上不是特别地显著，其滞后变量可考虑列为房价模型中的外生变量，也可作为内生变量。
表2房价模型的Granger因果分析结果（Wald检验，因变量:LnP）
|
变量不是因
|
Chi-sq统计量
|
自由度
|
概率
|
|
LnY
r
LnL
LnPS
LnS
All
|
9.258842
4.471750
12.73801
0.456818
10.26650
50.78060
|
2
2
2
2
2
10
|
0.0098**
0.1069*
0.0017**
0.7958
0.0059**
0.0000
|
注：**在0.05显著水平下拒绝原假设；*在0.15显著水平下拒绝原假设
4．模型估计
根据Granger因果分析结果及代理变量选择分析，式（5）的计量经济模型为：
 (6)
式（6）中k的选择从1开始，直到所选k能使L(LnP)通过t检验、{ }不存在自相关并无单位根为止。经测试最终确定k=1，式（6）的OLS估计结果为：
注：*在0.05显著水平下通过t检验
可以发现：（1）2001-2007年这7年间，中国家庭可支配收入的提高对房价上涨有显著的助推作用（弹性系数为0.891），真实购房贷款利率抑制房价的作用则不太明显，这与大部分国内实证研究结论一致，但小于李宾（2008）的研究结论；（2）中长期贷款余额增加（即扩大对房屋按揭贷款规模）将有助于房价的下降，其弹性系数绝对值接近收入弹性的一半，可作为制定房价调控措施的重要依据；（3）商品房需求量对房价上涨也有一定的助推作用，其弹性系数为0.162；（4）房价预期对房价上涨的助推作用也不可忽视，与任荣荣等人（2008）的研究结论一致。具体而言，上一个季度的房价每上涨1个百分点将平均引起本季度房价上涨0.368个百分点，这种对房价的“短视预期”极易诱发供给弹性不变假定下的各类购房需求增加，进而推动房价上涨。
五结论
2001-2007年这7年间，中国商品房刚性需求长期存在，居民自住购房是需求主流，家庭收入是影响房价上涨的最核心因素；在房价“短视预期”的助推下，购房需求增加对房价上涨的正影响也不可忽视；贷款买房与贷款开发房地产对房价波动的长期影响应区别对待，在一定条件下适当增加购房消费贷款有利于房价下降，但提高真实购房贷款利率的房价抑制作用很小。总之，我们不能否认中国商品房市场存在“需求大于供给引起房价上涨”的问题，且随着中国经济的快速发展，中国家庭收入增加的事实不可逆转，将进一步推高房价，形成房价“自我实现的预期效应”，使采用利率、市场准入、土地拍卖、限制高档别墅开发等调控政策作用不显著。因此，专注于改善供给结构以配合商品房市场的刚性需求结构，实施有选择对象的适度扩大购房消费贷款规模措施，将是一条减缓房价持续上涨速度的可行路径。
参考文献
1 沈悦, 刘洪玉. 住宅价格与经济基本面:1995—2002 年中国14 个城市的实证研究[J],经济研究,2004, (6):78-86.
2 周京奎. 货币政策、银行贷款与住宅价格——对中国4 个直辖市的实证研究[J], 财贸经济, 2005, (5): 22-27.
3 郝前进, 陈杰. 长三角房地产市场的价格差异及决定因素[J], 经济地理, 2007, (6): 985-989.
4 梁云芳, 高铁梅. 中国房地产价格波动区域差异的实证分析[J],经济研究,2007, (8): 133-142.
5 Hui, E. C.M. & Yue, S. Housing price bubbles in Hong Kong, Beijing and Shanghai: a comparative study[J], Journal of Real EstateFinance and Economics, 2006, (33): 133-142.
6 沈悦, 卢文兵. 中国股票价格与房地产价格关联性研究[J],当代经济科学, 2008, (4):87-92,127.
7 李宾. 房价变动及其趋势——新古典增长理论的启示[J]. 经济评论, 2008(4):44-50.
8 魏巍贤, 原鹏飞. 住房价格上涨的金融支持及检验——基于VEC模型的实证分析[J], 财贸研究, 2009, (2):83-89.
9 贺建清. 基于流动性过剩视角的房价波动分析[J], 南京财经大学学报, 2009, (2):16-20.
10 Xiao, Q. & Tan, G. K. R. Signal extraction with Kalman filter: A study of the Hong Kong property price bubbles [J], Urban Studies, 2007, (44): 865-888.
11 Stevenson, S. Modeling housing market fundamentals: Empirical evidence of extreme marketconditions[J], Real Estate Economics, 2008, (36): 1-29.
12 Wilson, I.D., PARIS, S.D., Ware, J.A. & Jenkins, D.H. Residential property price time series forecasting with neural networks[J], Knowledge-Based System, 2002,(15): 335-341.
13 Himmelberg, C., Mayer, C. & Sinai, T. Assessing high house price: bubbles, fundamentals and misperceptions[J], Journal of Economic Perspectives, 2005, (19): 67-92.
14 Dufwenberg, M., Lindqvist, T. & Moore, E. Bubbles and experience: an experiment[J], TheAmerican Economic Review, 2005, (95): 1731-1737.
15 Riddel, M. Fundamentals, feedback trading, and housing market speculation: evidence from California[J], Journal of Housing Economics, 1999, (8) : 272–284.
16 任荣荣,郑思齐,龙奋杰. 预期对房价的作用机制:对35个大中城市的实证研究[J],经济问题探索,2008, (1):145-148. 3/3 首页 上一页 1 2 3 |
