房地产市场价格趋势精选(五篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的5篇房地产市场价格趋势，期待它们能激发您的灵感。

篇1

关键词：重庆房地产；高价楼；调控政策

中图分类号：F293.3 文献标识码：A 文章编号：1008-4428（2017）04-38 -02

一、引言

改革开放以来，中国逐步废除社会主义时期的住房政策，建立适应资本主义体制的房地产市场，其过程大致分为三个阶段：1978～1991年，住房改革和房地产市场的区域性试点。1991～1998年，住房改革和房地产市场在全国推开。1998年后，房地产市场基本成熟。本阶段，终止福利分房，全部城镇住宅强制商品化。至此，地产资本终于敲开了他们梦寐以求的个人住房领域大门，大量资本开始涌入房地产市场，房地产投资热火朝天。2016年一、二线城市房价又迎来“坐火箭”的一年，国家统计局最新数据显示，2016年，我国商品房销售面积约15.7亿平方米，比上年增长22.5%， 商品房销售额约11.8万亿元，增长34.8%，其中，住宅销售额增长36.1%。在如此动荡的房地产市场中，重庆的房价可谓是房地产界的一股清流，从直辖之初至今，无论是从居民的感知还是统计数据显示，都保持着平稳增长的状态。

二、影响重庆房价因素的探讨与分析

（一）特殊的地理位置

重庆地处我国东、中、西三大经济带的中西经济板块的结合部。东邻湖北、湖南，南靠贵州，西接四川，北连陕西；辖区东西长470千米，南北宽450千米，幅员面积8.24万平方千米，为北京、天津、上海三直辖市总面积的2.39倍。重庆的结合部区域位置，具有承东启西，左 右传递的枢纽作用，是交通、物质、文化、人员、技术、信息和经济交流的中转站，是沿海经济向内陆腹地延伸的依托点之一，也是我国经济发展向西进行战略转移的支撑点之一。正是这样特殊的地理位置给重庆经济的发展带来了契机。广袤的土地资源，大量的资金涌入以及便捷的交通也为重庆房地产业的发展创造了有利的条件。

（二）城乡人口分布

2015年，重庆市常住人口3016.55万人，与上年相比，增加25.15万人，增长0.8%，常住人口继续保持增长态势。其中城镇人口1838.41万人，与上年相比，增加55.40万人；全市城镇化率60.94%，与上年相比，上升1.34个百分点。乡村人口1178.14万人，占常住人口的39.06%，与上年相比，减少30.25万人。重庆市外出人口1069.43万人，其中外出市外人口505.50万人，占全部外出人口的47.3%；市内外出人口563.93万人，占52.7%。全市外来人口150.21万人。由以上数据分析得出，直以来，在重庆城市化进程中，伴随着农村人口不断减少，城市人口不断增加，对商品房的需求也不断增长，一定程度上推动了房地产业的发展，但同时重庆作为一座人口净输出的城市，市内外出人口占总人口比重达一半以上，另一方面也缓解了住房需求紧张的状况，抑制了房价的过热增长，使得供需趋于平衡。

（三）经济发展状况

曾经的重庆，主要产业不外乎钢铁、煤炭、化工、有色金属、军工等重化工产业，但在全国重化发展鼎盛时期，在钢铁行业、煤炭行业、化工行业、有色金属行业狂欢中，重庆悄无声息地实现了支柱产业转换。重庆的高明之处在于，传统行业处于发展鼎盛时期悄无声息做减法，高技术产业做加法，新兴产业做乘法。另外虽然重庆还处于投资驱动经济发展阶段，但重庆的投资重点不放在房地产方面，而是放在实体经济领域、基础设施领域、民生领域，重庆经济的高增长并没有建立在房地产高涨价基础上，房地产投资严格控制在固定资产投资25%（+-3%）左右。从某种程度上看，重庆真正做到了系统性地从经济和民生两个维度去调控房地产市场，实现了人的城镇化。

（四）政府对重庆房价的调控政策

重庆政府通过综合考虑房地产市场的长短期特点，相继出台土地储备制度、地票制度、保障房制度、房产税制度，控制房地产市场宏观层面的供求关系，共同创造了重庆成功控制房价的氛围。

1.土地储备制度

2002年8月22日，在时任副市长黄奇帆的推动下，重庆市政府通过了《重庆市国有土地储备整治管理办法》，开始大力实行土地储备制度。其实质是，由政府主导，将市内土地一级市场的经营权交给由官方掌控的几家市级土地储备机构，核心在于原有的土地一级市场巨额增值收益不再被房产商占有，而是进入代表公共利益的国资系统。土地储备制度对重庆房地产业影响重大，主要坚持了五项原则：一是超前储备，一步到位；细水长流，逐年供应。二是对储备地的使用要兼顾公益和商业开发。三是土地储备不改变市区两级政府的分配制度。四是土地储备公司肩负做好两个循环的责任。五是严格设置风险“隔离墙”。同年，重庆市建立了土地整治储备中心，对全市土地市场进行宏观调控。2003年2月，重庆市政府又在土地储备中心的基础上成立重庆市地产集团。该集团是重庆市政府注资的专事土地储备和开发整理的运作载体。随后几年，重庆市城司、重庆市水利投资公司、渝富资产经营管理公司等重庆市政府旗下的投融资平台，亦被授予土地储备职能，介入了土地一级市场。政府从而有效地控制了房地产市场，形成了土地资源配置的良性循环。

2.地票制度

地票制度即将农村闲置的宅基地及其附属设施用地、乡镇企业用地、公共设施用地等集体建设用地复垦为耕地，盘活农村建设用地存量，增加耕地数量。这一制度创新，从系统化的层面看，主要基于三方面的理论逻辑。一是地票制度是被异化城镇化路径的正常回归，二是地票制度是产权经济学的创新实践，三是地票制度是恪守“三条底线”的审慎探索。2008年，重庆报经中央同意，成立农村土地交易所，启动了地票交易试点。按照我国土地用途管制制度和城乡建设用地增减挂钩、耕地占补平衡的要求，增加的耕地数量就可以作为国家建设用地新增的指标。这个指标除优先保障农村建设发展外，节余部分就形成了地票。按照增减挂钩政策，地票与国家下达的年度新增建设用地指标具有相同功能。通过交易，获得地票者就可以在重庆市域内，申请将符合城乡总体规划和土地利用规划的农用地，征转为国有建设用地。大量的土地供给有效地抑制了地皮价格，房地产开发商建房成本降低，从而有效抑制了房价的上涨。

3.保障房制度

在保证充足的用地供应同时，重庆的保障房建设在全国范围内也是完成得最好的。重庆以公租房为重点的住房保障体系，解决了低收入和外来务工人员的住房需求。在过去的十年里，重庆总计兴建约4000万平方米公租房，为数十万市民提供了福利性住房。保障房供给量基本满足了市场的需求，就造成炒作房地产市场、获利的空间小，投资投机意义不大。

4.房产税制度

从2011年起重庆成为两个房产税试点城市之一，重庆市的主城九个区都属于试点的范围，至今已有6年的时间。征收对象包括个人拥有的独栋商品住宅、高档住房、外地客购买的二套房等。今年年初，黄奇帆卸任重庆市市长一职后，各路不确实的消息鼓吹重庆房价将会上涨，吸引了大批外地炒房者组成炒房团涌入重庆房地产市场，个别地区和楼盘房价出现异常波动。重庆政府一直贯彻“房子是用来住的，不是用来炒”的理念，及时新的政令，对房产税征收对象中，将“在重庆无户籍、无企业、无工作个人新购的第二套普通住房”，调整为对“三无”人员首套住房征收房产税，根据交易单价，将独栋别墅和高档住宅分为0.5%、1%、1.2%三个不同档次；“三无”个人新购住房税率为0.5%。房地产税是房地产市场的“内在稳定器”，能够起到逆周期的作用，对上海而言，是一副处方药；对重庆而言则是一副保健药，对重庆房地产市场长期健康稳定发展是有利的。政府根据市场实际情况的变动对房产税制度作出的相应调试，遏制了炒房牟利行为，维护了楼市的平稳发展，同时政府在“土地财政”之外又多了一个收入渠道。

三、结语

总的来说，重庆主要解决了影响房r的最主要因素――供需均衡，重庆模式总结起来是“高端有遏制，中端有供给，低端有保障”，在高端市场重庆是最早试行房产税的城市之一，此外，契税政策、贷款政策等方面对高端大户型、别墅型等物业形态形成经济性遏制作用；中端市场的供应在十年前就以较低的价格收储了大量土地储备，保证了充足的供应；低端保障性住房又有政府主导的公租房系统供应。这些措施使重庆房价控制到了三四线城市的水平，成为全国核心城市的房价洼地。重庆与中国所有城市都不同，具有“大城市、大农村、大人口”特点，其样本的特殊性注定了重庆对房地产业作出的调控方案只适应重庆本身，在全国范围内不具有可复制性和可推广性。

参考文献：

[1]BashirAhmad，Sotiris K Ntouyas.Existence results for fractional differential inclusions arising from real estate asset securitization and HIV models[J].Advances in Difference Equations，2013，（12）：44-50.

[2]江燕.重庆模式：地票制度[J/OL].

[3]安辉，王瑞东.我国房地产价格影响因素的实证分析――兼论当前房地产调控政策[J].财经科学，2013，（03）：45-65.

[4]王元华.城镇化进程中房地产价格分异研究[D].华东师范大学，2015，（09）：33.

[6]董英兰.房地产市场博弈研究[D].首都经济贸易大学，2006，（03）：22-25.

[7]王元华.城镇化进程中房地产价格分异研究[D].华东师范大学，2015，（09）：33.

作者简介：

篇2

关键词：房价；开发投资总额；关联度；岭回归

1 建模的原理介绍

1.1格兰杰因果检验的原理

1969年，格兰杰从计量经济学的角度提出了一种因果关系的定义：设有两个时间序列｛xt｝和｛yt｝，如果xt的变化引起yt的变化，则xt的变化应当发生在yt的变化之前。具体操作中，一般是对以下两个方程分别进行无约束和有约束估计：

（1）

（2）

如果在（1）中部分αi显著不为零，则称xt格兰杰引起yt类似的，如果（2）式中部分αi显著不为零，则称yt格兰杰引起xt，如果两者都存在，则称xt与yt互为格兰杰因果关系。

1.2岭回归原理

多元回归模型的矩阵表达式为：Xβ=Y，利用OLS求得： ，

当自变量存在多重共线性时，导致 ，从而使得回归系数 不稳定，出现没有实际意义的估计值。解决的办法是在X′X的主对角线元素上加一个非负常数k，即得：

，其中E是单位矩阵，使得 的概率比 大大降低，最后用 来进行估计，结果会使 的估计变得稳定得多。因此，岭回归估计的准确程度取决于k值的选取，确定k值的方法一般是通过岭迹图或方差膨胀因子来选取。其确定方法是选择一个尽可能小的k值，在这个k值上，岭迹图中回归系数已变得较为稳定，并且方差膨胀因子业变得足够小。

回归估计系数 是k的非线性函数；k值的加入使得

成为回归系数的有偏估计，但是比β估计更稳定； 随k的变化轨迹图称为岭迹图。

1.3灰色关联度分析原理

选取参考数列

其中k表示时刻。假设有m个比较数列

则称

为比较数列xi对参考数列x0在k时刻的关联系数，其中ρ∈[0，1]为分辨系数。称 和 分别为两级最小及两级最大极差。

一般来讲，分辨系数ρ越大，分辨率越高；ρ越小，分辨率越低。上式中的关联系数是描述比较数列与参数数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联数，因此信息显得过于分散，不便比较，为此我们给出ri=■■ξi（k）为数列xi对参考数列x0的关联度。若关联度ri最大，说明xi（k）与最优指标x0（k）最接近，即第i个被评价对象优于其他被评价对象，据此可以排出各被评价对象的优劣次序。可以看出，关联度是把各个时刻的关联系数集中为一个平均值，亦即把过于分散的信息集中处理。利用关联度这个概念，可以对各种问题进行因数分析。

2 模型的分析

2.1 房价与房地产开发投资总额格兰杰因果检验

依据格兰杰因果检验原理，对房地产开发投资总额和房价利用Eviews软件分析得到下表：（假设置信度α=0.05）

从上表可以看出，房价不是引起房地产开发投资总额变化的格兰杰原因，而房地产行业开发投资总额的变化却是引起房价变化的格兰杰原因。房地产行业的投资总额的增加，一方面增加对商品房的投机性需求，进而对房价的上涨起到推波助澜的作用；另一方面，对房地产行业投资的增加，使房地产市场更加的火爆，会给开发房地产市场相关的原料如建材、水泥及地皮价格起到刺激和促进作用，这些原材料价格的上涨势必都附加于房屋的销售价格中，势必造成房价的上升。

2.2 房价的岭回归模型

房价模型的构建有助于我们总结规律，科学界定影响房价的关键因素，从而指导房地产市场的管理和调控行为。本文初步选取的影响房价的因素有家庭人均年收入、房地产开发投资总额、年底总人口数、建筑材料价格指数、新增家庭数、住宅房屋竣工面积和人均GDP指数（依次用F1~F7表示），我们利用岭回归模型分析影响房价的主要因素。

对文中给定的7个影响指标进行相关性分析，分析得到如下相关系数矩阵

由相关系数矩阵可知，各因素之间的相关系数较大，影响因素之间两两相关。因此，采用传统的最小二乘回归存在较严重的多重共线性。

鉴于此，建立如下岭回归模型：

利用Matlab软件编程求得房价与选取指标的岭迹图。

由岭迹图可以看出，在0.3之后，7条岭迹都开始变得平稳。所以，将3代入做岭回归，得到如下模型：

通过岭回归得到的模型，可以看出：房价对人均GDP指数的敏感度为220.51，说明人均GDP指数每变动1单位，住房销售房价变动220.51单位；家庭人均年收入变动1单位，住房销售房价变动135.21单位；房地产开发投资总额变动1单位，住房销售房价变动196.02单位；年底总人口数变动1单位，住房销售房价变动133.78单位；建筑材料价格指数变动1单位，住房销售房价变动6.54单位；新增家庭数变动1单位，住房销售房价变动132.1单位；住宅房屋竣工面积变动1单位，住房销售房价变动138.05单位。

所以，通过上面的分析，房地产行业的开发投资总额对房价具有很大的影响作用。因此，分析房地产行业投资总额与国民经济其他行业的投资总额的关联度，可以得到与房地产行业投资总额的关联度最大的国民经济行业，进而分析该行业影响因素对房价的影响。

摘要：本文先是对全国平均住房销售价格（以下简称房价）与房地产行业开发投资总额做格兰杰因果检验，得出房地产开发投资总额是引起房价变化的格兰杰原因，随后选定家庭人均年收入、房地产开发投资总额、年底总人口数、建筑材料价格指数、新增家庭数、住宅房屋竣工面积和人均GDP指数等为自变量对房价做岭回归，再次得出房地产开发投资总额对房价具有显著性的影响。再对房地产行业开发投资总额与其他行业的投资总额做关联度分析，得出房地产行业与金融业投资总额具有最大的关联度。最后在假定房地产市场和证券市场同时为无套利市场的条件下，分析得出证券市场中证券的当期价格、持有期内的年平均收益率和年平均红利与房价依次存在正向、负向、负向的相关关系。

关键词：房价；开发投资总额；关联度；岭回归

1 建模的原理介绍

1.1格兰杰因果检验的原理

1969年，格兰杰从计量经济学的角度提出了一种因果关系的定义：设有两个时间序列｛xt｝和｛yt｝，如果xt的变化引起yt的变化，则xt的变化应当发生在yt的变化之前。具体操作中，一般是对以下两个方程分别进行无约束和有约束估计：

（1）

（2）

如果在（1）中部分αi显著不为零，则称xt格兰杰引起yt类似的，如果（2）式中部分αi显著不为零，则称yt格兰杰引起xt，如果两者都存在，则称xt与yt互为格兰杰因果关系。

1.2岭回归原理

多元回归模型的矩阵表达式为：Xβ=Y，利用OLS求得： ，

当自变量存在多重共线性时，导致 ，从而使得回归系数 不稳定，出现没有实际意义的估计值。解决的办法是在X′X的主对角线元素上加一个非负常数k，即得：

，其中E是单位矩阵，使得 的概率比 大大降低，最后用 来进行估计，结果会使 的估计变得稳定得多。因此，岭回归估计的准确程度取决于k值的选取，确定k值的方法一般是通过岭迹图或方差膨胀因子来选取。其确定方法是选择一个尽可能小的k值，在这个k值上，岭迹图中回归系数已变得较为稳定，并且方差膨胀因子业变得足够小。

回归估计系数 是k的非线性函数；k值的加入使得

成为回归系数的有偏估计，但是比β估计更稳定； 随k的变化轨迹图称为岭迹图。

1.3灰色关联度分析原理

选取参考数列

其中k表示时刻。假设有m个比较数列

则称

为比较数列xi对参考数列x0在k时刻的关联系数，其中ρ∈[0，1]为分辨系数。称 和 分别为两级最小及两级最大极差。

一般来讲，分辨系数ρ越大，分辨率越高；ρ越小，分辨率越低。上式中的关联系数是描述比较数列与参数数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联数，因此信息显得过于分散，不便比较，为此我们给出ri=■■ξi（k）为数列xi对参考数列x0的关联度。若关联度ri最大，说明xi（k）与最优指标x0（k）最接近，即第i个被评价对象优于其他被评价对象，据此可以排出各被评价对象的优劣次序。可以看出，关联度是把各个时刻的关联系数集中为一个平均值，亦即把过于分散的信息集中处理。利用关联度这个概念，可以对各种问题进行因数分析。

2 模型的分析

2.1 房价与房地产开发投资总额格兰杰因果检验

依据格兰杰因果检验原理，对房地产开发投资总额和房价利用Eviews软件分析得到下表：（假设置信度α=0.05）

从上表可以看出，房价不是引起房地产开发投资总额变化的格兰杰原因，而房地产行业开发投资总额的变化却是引起房价变化的格兰杰原因。房地产行业的投资总额的增加，一方面增加对商品房的投机性需求，进而对房价的上涨起到推波助澜的作用；另一方面，对房地产行业投资的增加，使房地产市场更加的火爆，会给开发房地产市场相关的原料如建材、水泥及地皮价格起到刺激和促进作用，这些原材料价格的上涨势必都附加于房屋的销售价格中，势必造成房价的上升。

2.2 房价的岭回归模型

房价模型的构建有助于我们总结规律，科学界定影响房价的关键因素，从而指导房地产市场的管理和调控行为。本文初步选取的影响房价的因素有家庭人均年收入、房地产开发投资总额、年底总人口数、建筑材料价格指数、新增家庭数、住宅房屋竣工面积和人均GDP指数（依次用F1~F7表示），我们利用岭回归模型分析影响房价的主要因素。

对文中给定的7个影响指标进行相关性分析，分析得到如下相关系数矩阵

由相关系数矩阵可知，各因素之间的相关系数较大，影响因素之间两两相关。因此，采用传统的最小二乘回归存在较严重的多重共线性。

鉴于此，建立如下岭回归模型：

利用Matlab软件编程求得房价与选取指标的岭迹图。

由岭迹图可以看出，在0.3之后，7条岭迹都开始变得平稳。所以，将3代入做岭回归，得到如下模型：

通过岭回归得到的模型，可以看出：房价对人均GDP指数的敏感度为220.51，说明人均GDP指数每变动1单位，住房销售房价变动220.51单位；家庭人均年收入变动1单位，住房销售房价变动135.21单位；房地产开发投资总额变动1单位，住房销售房价变动196.02单位；年底总人口数变动1单位，住房销售房价变动133.78单位；建筑材料价格指数变动1单位，住房销售房价变动6.54单位；新增家庭数变动1单位，住房销售房价变动132.1单位；住宅房屋竣工面积变动1单位，住房销售房价变动138.05单位。

所以，通过上面的分析，房地产行业的开发投资总额对房价具有很大的影响作用。因此，分析房地产行业投资总额与国民经济其他行业的投资总额的关联度，可以得到与房地产行业投资总额的关联度最大的国民经济行业，进而分析该行业影响因素对房价的影响。

存入我的阅览室

2.3 对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析

把房地产行业的投资总额作为x0，并且参照2001年的中国统计局的国民经济行业分类，利用给定的2003年到2011年8月的累积数据，以每年的12月份作为该年的投资总额，选取下列与房地产相关行业的国民经济体系的投资总额：农林牧渔业、采矿业、教育、纺织业、金融业、科学研究、技术服务和地质勘查业、林业、煤炭开采及洗选业、农副食品加工业、农林牧渔业、通信设备和计算机及其他电子设备制造业、有色金属矿采选业、制造业。对它们进行灰色关联度分析并排名，结果见表4。

在对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析中，金融业的投资总额与房地产开发投资额的关联度最大，达到0.9691。我们可以得出金融与房地产应相辅相存，房地产业的发展离不开金融业的支持。房地产业是一个资金密集型产业，在现行期房预售的模式下，房地产开发的每一阶段都离不开银行资金的支持。此外，房地产开发公司的经营活动中还会涉及到发行股票、债券等融资方式，这些都离不开金融业的支持，所以房地产行业的投资额与金融业的投资额的关联度较大。从长远来看，房地产融资渠道多元化是必然趋势，但今后一段时期银行仍将是房地产融资的主渠道。因此，金融机构要一如既往地支持房地产业的健康持续发展，房地产业发展了，反过来又会促进金融业的发展。发达国家和地区的经验也表明：一段时期内房地产业兴旺发达，这一时期的金融业也必然兴旺发达。房地产业对于金融业实行多元化的资产战略、推广金融结算工具、防范金融风险以及促进金融创新方面发挥着重要作用。

所以，通过上面的分析，金融市场的投资总额与房地产开发投资总额具有极大的关联度，同时，房地产开发投资总额对房价的变化与具有很大的影响和敏感度，即金融市场的一些指标的变化会引起房价的波动。下面，通过假设房地产市场和证券市场均为无套利市场，研究证券市场的当期的证券价格、证券的预期回报率和红利如何影响房价波动的关系。

3 房地产市场和证券市场均为无套利前提下的房价定价模型

3.1 模型的假设

⑴房地产市场和证券市场均为无套利市场；

⑵房地产市场房价每年的增长率保持不变，增长率为s；

⑶消费者对住房的消费假设为投资性需求，一方面为了得到单位面积房价增加而得到的报酬，另一方面为得到房屋出租的租金收入；

⑷房价的上涨率大于住房的折旧率。

3.2 模型的符号说明

3.3 房价的定价模型

3.3.1 消费者将当期所有的资金用于住房消费所得到的回报的现值

消费者把全部投资资金用于购买房屋并且出租，在第t期销售住房，得到的全部收入的现值为：

3.3.2 消费者将当期所有的资金用于证券投资所得到的回报的现值

投资者把全部的投资资金用于购买证券，持有t期后出售，得到的收入现值为：

3.3.3 在房地产市场和证券市场均为无套利假设下的房价定价模型

由于在房地产市场与证券市场均为无套利的假设下，购买住房的收入与购买证券的收入是相等的。即PV1=PV2

所以在房地产市场和证券市场均为无套利条件下，房价定价模型为：

3.4 模型中各个因素与房价的相关性分析

当期住房单位面积的价格和消费者所拥有的投资资金无关；在该地域的房屋出租价格与房价成正比例关系，房屋的出租价格越高，该地的住房价格越高；

当期住房单位面积的价格和当期证券价格成正相关关系，而与平均预期收益率和平均红利成负相关关系。用房地产市场和证券市场同时无套利假设条件下，对房价定价模型中的P0分别对Pg、f和h进行求导得到：

所以，当期住房单位面积的价格和当期证券价格成正相关关系。房地产市场和证券市场具有正相关关系，证券市场越景气，房地产市场的房价也相应地越高。当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。

4 结论及相关建议

通过以上分析，我们得出结论如下：

（1）房地产市场的开发投资总额的变化对房价的波动具有很大的关系，因此政府和房管局应对住房的投资性需求采取一定的抑制措施，如限购令等，以保证房价的合理性波动，避免房地产泡沫的出现；

（2）证券市场和房地产市场之间具有一定的相互影响，共生共荣性，政府和对应的监管部门应相互合作，监督两市场间的资金对流；对于一些非房地产企业的上市公司的资金流入房地产市场，应给以正确的引导和规范，避免房地产市场出现泡沫时传染或波及证券市场。

（3）房地产市场和证券市场具有正相关关系，当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。证券市场的收益的预期变化会影响房价的变化，金融市场的政策的变化应审慎考虑对其他相关行业的影响。

参考文献：

[1]Raudall,Johonston,Pozdena,The Modern Economics of Housing [M]. Ouorum Books Greenwood Press,1988:195-202.

[2]邓聚龙,灰色系统理论教程[M].武汉:华中科技大学出版社,1990.

[3]刘永平,房地产需求模型研究,重庆工学院学报,15(1):80-81，2001.

[4]朱永升,王卫华,韩伯棠:影响房地产市场需求因素的灰色关联度分析[J].北京理工大学学报:2002(12),22(6).

[5]王高雄,周之铭,朱思铭.常微分方程2版.北京:高等教育出版社,2004.

[6]曾建军,李世航等,MATLAB语言与数学建模[M],合肥:安徽大学出版社,2005.

[7]高铁梅,计量经济分析方法与建模[M].北京:清华大学出版社,2006.

[8]严焰.基于岭回归的房价模型构建及启示[J].商业研究:2006(4),(465).

[9]黄江华,陈国生.可持续发展的房产市场模型[J].商场现代化: 2006(7),(474).

[10]李百岁,同李嘎.内蒙古人口城市化Logistic模型及其应用[J].干旱区资源与环境:2007(5),21(2).

[11]王要武,金海燕.我国房地产宏观调控政策效果的实证分析[J].土木工程学报:2008(8),41(8).

[12]王利,北京房地产市场供求关系和价格机制作用的实证研究,经济与管理研究[J]. 2008,5:61-66.

2.3 对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析

把房地产行业的投资总额作为x0，并且参照2001年的中国统计局的国民经济行业分类，利用给定的2003年到2011年8月的累积数据，以每年的12月份作为该年的投资总额，选取下列与房地产相关行业的国民经济体系的投资总额：农林牧渔业、采矿业、教育、纺织业、金融业、科学研究、技术服务和地质勘查业、林业、煤炭开采及洗选业、农副食品加工业、农林牧渔业、通信设备和计算机及其他电子设备制造业、有色金属矿采选业、制造业。对它们进行灰色关联度分析并排名，结果见表4。

在对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析中，金融业的投资总额与房地产开发投资额的关联度最大，达到0.9691。我们可以得出金融与房地产应相辅相存，房地产业的发展离不开金融业的支持。房地产业是一个资金密集型产业，在现行期房预售的模式下，房地产开发的每一阶段都离不开银行资金的支持。此外，房地产开发公司的经营活动中还会涉及到发行股票、债券等融资方式，这些都离不开金融业的支持，所以房地产行业的投资额与金融业的投资额的关联度较大。从长远来看，房地产融资渠道多元化是必然趋势，但今后一段时期银行仍将是房地产融资的主渠道。因此，金融机构要一如既往地支持房地产业的健康持续发展，房地产业发展了，反过来又会促进金融业的发展。发达国家和地区的经验也表明：一段时期内房地产业兴旺发达，这一时期的金融业也必然兴旺发达。房地产业对于金融业实行多元化的资产战略、推广金融结算工具、防范金融风险以及促进金融创新方面发挥着重要作用。

所以，通过上面的分析，金融市场的投资总额与房地产开发投资总额具有极大的关联度，同时，房地产开发投资总额对房价的变化与具有很大的影响和敏感度，即金融市场的一些指标的变化会引起房价的波动。下面，通过假设房地产市场和证券市场均为无套利市场，研究证券市场的当期的证券价格、证券的预期回报率和红利如何影响房价波动的关系。

3 房地产市场和证券市场均为无套利前提下的房价定价模型

3.1 模型的假设

⑴房地产市场和证券市场均为无套利市场；

⑵房地产市场房价每年的增长率保持不变，增长率为s；

⑶消费者对住房的消费假设为投资性需求，一方面为了得到单位面积房价增加而得到的报酬，另一方面为得到房屋出租的租金收入；

⑷房价的上涨率大于住房的折旧率。

3.2 模型的符号说明

3.3 房价的定价模型

3.3.1 消费者将当期所有的资金用于住房消费所得到的回报的现值

消费者把全部投资资金用于购买房屋并且出租，在第t期销售住房，得到的全部收入的现值为：

3.3.2 消费者将当期所有的资金用于证券投资所得到的回报的现值

投资者把全部的投资资金用于购买证券，持有t期后出售，得到的收入现值为：

3.3.3 在房地产市场和证券市场均为无套利假设下的房价定价模型

由于在房地产市场与证券市场均为无套利的假设下，购买住房的收入与购买证券的收入是相等的。即PV1=PV2

所以在房地产市场和证券市场均为无套利条件下，房价定价模型为：

3.4 模型中各个因素与房价的相关性分析

当期住房单位面积的价格和消费者所拥有的投资资金无关；在该地域的房屋出租价格与房价成正比例关系，房屋的出租价格越高，该地的住房价格越高；

当期住房单位面积的价格和当期证券价格成正相关关系，而与平均预期收益率和平均红利成负相关关系。用房地产市场和证券市场同时无套利假设条件下，对房价定价模型中的P0分别对Pg、f和h进行求导得到：

所以，当期住房单位面积的价格和当期证券价格成正相关关系。房地产市场和证券市场具有正相关关系，证券市场越景气，房地产市场的房价也相应地越高。当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。

4 结论及相关建议

通过以上分析，我们得出结论如下：

（1）房地产市场的开发投资总额的变化对房价的波动具有很大的关系，因此政府和房管局应对住房的投资性需求采取一定的抑制措施，如限购令等，以保证房价的合理性波动，避免房地产泡沫的出现；

（2）证券市场和房地产市场之间具有一定的相互影响，共生共荣性，政府和对应的监管部门应相互合作，监督两市场间的资金对流；对于一些非房地产企业的上市公司的资金流入房地产市场，应给以正确的引导和规范，避免房地产市场出现泡沫时传染或波及证券市场。

（3）房地产市场和证券市场具有正相关关系，当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。证券市场的收益的预期变化会影响房价的变化，金融市场的政策的变化应审慎考虑对其他相关行业的影响。

参考文献：

[1]Raudall,Johonston,Pozdena,The Modern Economics of Housing [M]. Ouorum Books Greenwood Press,1988:195-202.

[2]邓聚龙,灰色系统理论教程[M].武汉:华中科技大学出版社,1990.

[3]刘永平,房地产需求模型研究,重庆工学院学报,15(1):80-81，2001.

[4]朱永升,王卫华,韩伯棠:影响房地产市场需求因素的灰色关联度分析[J].北京理工大学学报:2002(12),22(6).

[5]王高雄,周之铭,朱思铭.常微分方程2版.北京:高等教育出版社,2004.

[6]曾建军,李世航等,MATLAB语言与数学建模[M],合肥:安徽大学出版社,2005.

[7]高铁梅,计量经济分析方法与建模[M].北京:清华大学出版社,2006.

[8]严焰.基于岭回归的房价模型构建及启示[J].商业研究:2006(4),(465).

[9]黄江华,陈国生.可持续发展的房产市场模型[J].商场现代化: 2006(7),(474).

[10]李百岁,同李嘎.内蒙古人口城市化Logistic模型及其应用[J].干旱区资源与环境:2007(5),21(2).

[11]王要武,金海燕.我国房地产宏观调控政策效果的实证分析[J].土木工程学报:2008(8),41(8).

[12]王利,北京房地产市场供求关系和价格机制作用的实证研究,经济与管理研究[J]. 2008,5:61-66.

存入我的阅览室

2.3 对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析

把房地产行业的投资总额作为x0，并且参照2001年的中国统计局的国民经济行业分类，利用给定的2003年到2011年8月的累积数据，以每年的12月份作为该年的投资总额，选取下列与房地产相关行业的国民经济体系的投资总额：农林牧渔业、采矿业、教育、纺织业、金融业、科学研究、技术服务和地质勘查业、林业、煤炭开采及洗选业、农副食品加工业、农林牧渔业、通信设备和计算机及其他电子设备制造业、有色金属矿采选业、制造业。对它们进行灰色关联度分析并排名，结果见表4。

在对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析中，金融业的投资总额与房地产开发投资额的关联度最大，达到0.9691。我们可以得出金融与房地产应相辅相存，房地产业的发展离不开金融业的支持。房地产业是一个资金密集型产业，在现行期房预售的模式下，房地产开发的每一阶段都离不开银行资金的支持。此外，房地产开发公司的经营活动中还会涉及到发行股票、债券等融资方式，这些都离不开金融业的支持，所以房地产行业的投资额与金融业的投资额的关联度较大。从长远来看，房地产融资渠道多元化是必然趋势，但今后一段时期银行仍将是房地产融资的主渠道。因此，金融机构要一如既往地支持房地产业的健康持续发展，房地产业发展了，反过来又会促进金融业的发展。发达国家和地区的经验也表明：一段时期内房地产业兴旺发达，这一时期的金融业也必然兴旺发达。房地产业对于金融业实行多元化的资产战略、推广金融结算工具、防范金融风险以及促进金融创新方面发挥着重要作用。

所以，通过上面的分析，金融市场的投资总额与房地产开发投资总额具有极大的关联度，同时，房地产开发投资总额对房价的变化与具有很大的影响和敏感度，即金融市场的一些指标的变化会引起房价的波动。下面，通过假设房地产市场和证券市场均为无套利市场，研究证券市场的当期的证券价格、证券的预期回报率和红利如何影响房价波动的关系。

3 房地产市场和证券市场均为无套利前提下的房价定价模型

3.1 模型的假设

⑴房地产市场和证券市场均为无套利市场；

⑵房地产市场房价每年的增长率保持不变，增长率为s；

⑶消费者对住房的消费假设为投资性需求，一方面为了得到单位面积房价增加而得到的报酬，另一方面为得到房屋出租的租金收入；

⑷房价的上涨率大于住房的折旧率。

3.2 模型的符号说明

3.3 房价的定价模型

3.3.1 消费者将当期所有的资金用于住房消费所得到的回报的现值

消费者把全部投资资金用于购买房屋并且出租，在第t期销售住房，得到的全部收入的现值为：

3.3.2 消费者将当期所有的资金用于证券投资所得到的回报的现值

投资者把全部的投资资金用于购买证券，持有t期后出售，得到的收入现值为：

3.3.3 在房地产市场和证券市场均为无套利假设下的房价定价模型

由于在房地产市场与证券市场均为无套利的假设下，购买住房的收入与购买证券的收入是相等的。即PV1=PV2

所以在房地产市场和证券市场均为无套利条件下，房价定价模型为：

3.4 模型中各个因素与房价的相关性分析

当期住房单位面积的价格和消费者所拥有的投资资金无关；在该地域的房屋出租价格与房价成正比例关系，房屋的出租价格越高，该地的住房价格越高；

当期住房单位面积的价格和当期证券价格成正相关关系，而与平均预期收益率和平均红利成负相关关系。用房地产市场和证券市场同时无套利假设条件下，对房价定价模型中的P0分别对Pg、f和h进行求导得到：

所以，当期住房单位面积的价格和当期证券价格成正相关关系。房地产市场和证券市场具有正相关关系，证券市场越景气，房地产市场的房价也相应地越高。当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。

4 结论及相关建议

通过以上分析，我们得出结论如下：

（1）房地产市场的开发投资总额的变化对房价的波动具有很大的关系，因此政府和房管局应对住房的投资性需求采取一定的抑制措施，如限购令等，以保证房价的合理性波动，避免房地产泡沫的出现；

（2）证券市场和房地产市场之间具有一定的相互影响，共生共荣性，政府和对应的监管部门应相互合作，监督两市场间的资金对流；对于一些非房地产企业的上市公司的资金流入房地产市场，应给以正确的引导和规范，避免房地产市场出现泡沫时传染或波及证券市场。

（3）房地产市场和证券市场具有正相关关系，当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。证券市场的收益的预期变化会影响房价的变化，金融市场的政策的变化应审慎考虑对其他相关行业的影响。

参考文献：

[1]Raudall,Johonston,Pozdena,The Modern Economics of Housing [M]. Ouorum Books Greenwood Press,1988:195-202.

[2]邓聚龙,灰色系统理论教程[M].武汉:华中科技大学出版社,1990.

[3]刘永平,房地产需求模型研究,重庆工学院学报,15(1):80-81，2001.

[4]朱永升,王卫华,韩伯棠:影响房地产市场需求因素的灰色关联度分析[J].北京理工大学学报:2002(12),22(6).

[5]王高雄,周之铭,朱思铭.常微分方程2版.北京:高等教育出版社,2004.

[6]曾建军,李世航等,MATLAB语言与数学建模[M],合肥:安徽大学出版社,2005.

[7]高铁梅,计量经济分析方法与建模[M].北京:清华大学出版社,2006.

[8]严焰.基于岭回归的房价模型构建及启示[J].商业研究:2006(4),(465).

[9]黄江华,陈国生.可持续发展的房产市场模型[J].商场现代化: 2006(7),(474).

[10]李百岁,同李嘎.内蒙古人口城市化Logistic模型及其应用[J].干旱区资源与环境:2007(5),21(2).

[11]王要武,金海燕.我国房地产宏观调控政策效果的实证分析[J].土木工程学报:2008(8),41(8).

[12]王利,北京房地产市场供求关系和价格机制作用的实证研究,经济与管理研究[J]. 2008,5:61-66.

2.3 对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析

把房地产行业的投资总额作为x0，并且参照2001年的中国统计局的国民经济行业分类，利用给定的2003年到2011年8月的累积数据，以每年的12月份作为该年的投资总额，选取下列与房地产相关行业的国民经济体系的投资总额：农林牧渔业、采矿业、教育、纺织业、金融业、科学研究、技术服务和地质勘查业、林业、煤炭开采及洗选业、农副食品加工业、农林牧渔业、通信设备和计算机及其他电子设备制造业、有色金属矿采选业、制造业。对它们进行灰色关联度分析并排名，结果见表4。

在对房地产行业的投资总额与国民经济其他行业投资总额的关联度分析中，金融业的投资总额与房地产开发投资额的关联度最大，达到0.9691。我们可以得出金融与房地产应相辅相存，房地产业的发展离不开金融业的支持。房地产业是一个资金密集型产业，在现行期房预售的模式下，房地产开发的每一阶段都离不开银行资金的支持。此外，房地产开发公司的经营活动中还会涉及到发行股票、债券等融资方式，这些都离不开金融业的支持，所以房地产行业的投资额与金融业的投资额的关联度较大。从长远来看，房地产融资渠道多元化是必然趋势，但今后一段时期银行仍将是房地产融资的主渠道。因此，金融机构要一如既往地支持房地产业的健康持续发展，房地产业发展了，反过来又会促进金融业的发展。发达国家和地区的经验也表明：一段时期内房地产业兴旺发达，这一时期的金融业也必然兴旺发达。房地产业对于金融业实行多元化的资产战略、推广金融结算工具、防范金融风险以及促进金融创新方面发挥着重要作用。

所以，通过上面的分析，金融市场的投资总额与房地产开发投资总额具有极大的关联度，同时，房地产开发投资总额对房价的变化与具有很大的影响和敏感度，即金融市场的一些指标的变化会引起房价的波动。下面，通过假设房地产市场和证券市场均为无套利市场，研究证券市场的当期的证券价格、证券的预期回报率和红利如何影响房价波动的关系。

3 房地产市场和证券市场均为无套利前提下的房价定价模型

3.1 模型的假设

⑴房地产市场和证券市场均为无套利市场；

⑵房地产市场房价每年的增长率保持不变，增长率为s；

⑶消费者对住房的消费假设为投资性需求，一方面为了得到单位面积房价增加而得到的报酬，另一方面为得到房屋出租的租金收入；

⑷房价的上涨率大于住房的折旧率。

3.2 模型的符号说明

3.3 房价的定价模型

3.3.1 消费者将当期所有的资金用于住房消费所得到的回报的现值

消费者把全部投资资金用于购买房屋并且出租，在第t期销售住房，得到的全部收入的现值为：

3.3.2 消费者将当期所有的资金用于证券投资所得到的回报的现值

投资者把全部的投资资金用于购买证券，持有t期后出售，得到的收入现值为：

3.3.3 在房地产市场和证券市场均为无套利假设下的房价定价模型

由于在房地产市场与证券市场均为无套利的假设下，购买住房的收入与购买证券的收入是相等的。即PV1=PV2

所以在房地产市场和证券市场均为无套利条件下，房价定价模型为：

3.4 模型中各个因素与房价的相关性分析

当期住房单位面积的价格和消费者所拥有的投资资金无关；在该地域的房屋出租价格与房价成正比例关系，房屋的出租价格越高，该地的住房价格越高；

当期住房单位面积的价格和当期证券价格成正相关关系，而与平均预期收益率和平均红利成负相关关系。用房地产市场和证券市场同时无套利假设条件下，对房价定价模型中的P0分别对Pg、f和h进行求导得到：

所以，当期住房单位面积的价格和当期证券价格成正相关关系。房地产市场和证券市场具有正相关关系，证券市场越景气，房地产市场的房价也相应地越高。当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。

4 结论及相关建议

通过以上分析，我们得出结论如下：

（1）房地产市场的开发投资总额的变化对房价的波动具有很大的关系，因此政府和房管局应对住房的投资性需求采取一定的抑制措施，如限购令等，以保证房价的合理性波动，避免房地产泡沫的出现；

（2）证券市场和房地产市场之间具有一定的相互影响，共生共荣性，政府和对应的监管部门应相互合作，监督两市场间的资金对流；对于一些非房地产企业的上市公司的资金流入房地产市场，应给以正确的引导和规范，避免房地产市场出现泡沫时传染或波及证券市场。

（3）房地产市场和证券市场具有正相关关系，当期住房的单位面积价格与证券市场的平均预期收益率和平均红利呈负相关。证券市场的收益的预期变化会影响房价的变化，金融市场的政策的变化应审慎考虑对其他相关行业的影响。

参考文献：

[1]Raudall,Johonston,Pozdena,The Modern Economics of Housing [M]. Ouorum Books Greenwood Press,1988:195-202.

[2]邓聚龙,灰色系统理论教程[M].武汉:华中科技大学出版社,1990.

[3]刘永平,房地产需求模型研究,重庆工学院学报,15(1):80-81，2001.

[4]朱永升,王卫华,韩伯棠:影响房地产市场需求因素的灰色关联度分析[J].北京理工大学学报:2002(12),22(6).

[5]王高雄,周之铭,朱思铭.常微分方程2版.北京:高等教育出版社,2004.

[6]曾建军,李世航等,MATLAB语言与数学建模[M],合肥:安徽大学出版社,2005.

[7]高铁梅,计量经济分析方法与建模[M].北京:清华大学出版社,2006.

[8]严焰.基于岭回归的房价模型构建及启示[J].商业研究:2006(4),(465).

[9]黄江华,陈国生.可持续发展的房产市场模型[J].商场现代化: 2006(7),(474).

[10]李百岁,同李嘎.内蒙古人口城市化Logistic模型及其应用[J].干旱区资源与环境:2007(5),21(2).

[11]王要武,金海燕.我国房地产宏观调控政策效果的实证分析[J].土木工程学报:2008(8),41(8).

篇3

【关键词】物业税 房地产价格 香港地区

一、香港地区物业税概述

香港与物业税（广义）有关的税收，包括差饷和物业税（狭义）两项。和我们平时所说的物业税的概念有所不同，香港所称的“物业税”，其课税范围仅限于用于出租经营并获得租金收益的物业。而差饷的内涵倒是更符合通用物业税的含义，是对纳税人拥有的所有房屋，包括自用和非自用的房屋都征税。所以也有人把香港的差饷直接称为物业税，把“物业税”称为不动产税。实际上，两者都是对物业在保有环节的课税，都是本文讨论的物业税范畴。

（一）差饷

香港的差饷1845年开始实施，意为官差的饷银。当时政府为了支付警察的粮饷而开始向辖区内的物业征税，名为差饷。1856、1860、1862年政府又分别对公共照明、市政供水、公共消防项目的支出加征物业税。到1931年，政府开始统一征收差饷用以支付政府的一些公共服务开支。1988年，各个名目的物业税收被加总合并，统称为差饷。这一名称一直沿用至今。1995年香港政府统一了评估和征收的责权，至此差饷的征收系统趋于完善。现在，差饷已作为政府、市政局及区域市政局所提供各项公共服务的经费使用。

差饷的计税依据为应课差饷租值。物业的应课差饷租值是假设物业在一个指定估价日期空置出租时估计全年可得的合理市面租金。1998年11月，政府宣布编制新的估价册并于1999年4月1日起生效，同时规定，此后物业的应课差饷租值由每3年重估一次，改为每年重估一次。评估应课差饷租值时，需考虑区内同类物业于指定估价日期或接近该日在公开市场由业主与租客双方议定的租金，再根据物业面积、位置、设施、完工素质及管理水平分别加以调算。差饷缴纳人可对应收差饷租值的评估值提出反对，但提出反对时，仍须如期缴交本期差饷。反对获得批准时，所作修改会追溯至生效日期。

差饷的征收率由立法局决定。1999年4月1日起，差饷的征收率为5%。

根据差饷的计税依据和征收率，即可计算出应课差饷。差饷的计算公式为：

差饷=应课差饷租值×差饷征收率

差饷物业估价署负责差饷的征收。差饷每季预缴，业主与物业使用人应依双方租约条款确定缴付人。租约未订明由业主缴交的，由使用人缴交。逾期未缴付的，加征5%的附加费。在原先的最后缴款日期后6个月内，仍未清缴包括5%附加费在内欠款的，要二次加征附加费。

（二）物业税

香港自从1940年战时税法通过以后，就开始征收物业税。《税务条例》规定了4种收益税：物业税、薪俸税、利得税和利息税。物业税规定于《税务条例》第二部分，1947、1961、1965、1983和1991年做过修改。香港以物业税的名义同时对土地和楼宇收益征税，是土地税和房产税的合一。所以有人认为，香港物业税实为不动产财产税。

香港物业税的纳税人是拥有应税物业的业主，包括直接由政府批租的房产持有人、权益拥有人、终身租用人、抵押人、已占有房地的承押人、向注册合作社购买楼宇者等，但香港的物业税只向有租金收入的业主征收，没有租金收入的业主不是物业税的纳税人。

物业税的计税依据是每一课税年度按照土地或楼宇的应评税净值。这里，应评税净值是指应评税值扣减业主缴纳的差饷及20%的标准扣减率(用以弥补修理费和开支费用)后的余额。而所说的楼宇，包括楼宇的任何部分，也包括墩(桥墩)、码头以及一般理解为不构成一幢楼宇的任何建筑物。物业税的应评税值是依据实际收入申报表计算的。包括在该课税年度内为取得土地或楼宇的使用权而付出的费用，如资本性支出、获取提供服务或便利而支付的费用，以及根据《差饷条例》征收的差饷等，可作为扣减项目扣除。

物业税的计算公式为：

应缴物业税＝｛[应评税值（租金收入）－差饷]×（1－20%）｝×税率

立法局可以通过决议案修订标准扣减率。物业税的税率在2004年之前为15%，2004年为16%。

二、香港地区物业税(广义)对房地产市场的影响分析

（一）香港差饷征收对房地产市场的影响分析

香港的差饷1845年开始征收。差饷的开征，增加了业主的持有成本，因此，香港绝大多数物业的业主会尽量避免房屋空置。甚至在特殊时期，在约定由租户缴纳各项税费的情况下，以零租金出租，减轻持有负担。因此，差饷的开征会减少房屋空置，加大供给量，提高社会物质财富利用率的作用，对房地产行业的管理具有重要意义。

同时，差饷也是香港政府调节房地产市场和整体经济的一个常用手段。香港是典型的城市型经济特征，地域狭小，人口较多，密度约是上海的3倍。香港的房地产市场发展速度很快，波动也比较剧烈，几十年来经历过多次起落（见表1和图1），香港政府也经常利用差饷进行调节。

但是，与我国内地目前情况不同的是，香港近年来运用差饷对房地产市场所做的重要调整，多是在房地产衰退时期，目的不是为了抑制房价，而是刺激房地产市场的复苏。从这样的实践中，也同样可以考察差饷对房地产市场的影响作用。

从图1中可以看到，从1985年香港房地产市场复苏算起，到1997年，香港的房价已上涨了近10倍。1997年，香港的房地产市场泡沫破灭，楼价一路下跌，与1997年度的峰值相比，2004年第四季度香港的楼宇价格平均下跌了62%，私人住宅租金平均减少了48%。

在1998年～2003年香港房地产市场的低迷时期，为了减轻差饷缴纳人的负担，香港政府根据法律对差饷进行了多次减免或延缓缴纳的灵活调整：1998年退还当年第二季度的差饷；1999年免除所有缴纳人第三季度的差饷；2002年免收5 000港元以下低额差饷（此项政策使得230万左右的约85%的缴纳人在该年内不需要缴纳差饷）；2003年在SARS期间免除了约90%的缴纳人的差饷，并延长了3个月的缴纳期限。这些政策对经济低迷时期房地产市场的企稳和复苏，起到了积极作用。

在2007年下半年爆发的全球经济危机背景下，香港政府也利用差饷工具对房地产市场以及经济发展进行了调节，实施了多项减免，稳定房地产市场，鼓励经济复苏。2007年～2009年香港地区的差饷减免摘要，见表2。

我们可以看到， 差饷对房地产市场的调节作用是非常有限的。以上述1998年～2003年的房地产下降周期为例，尽管香港政府进行了多次差饷减免，但是房地产市场的价格仍然在直线下降。事实上，香港地区无论是1997年前的楼价疯狂攀升，还是此后至2003年的大跌，或者近两年的房地产波动，都是多个因素造成的，包括经济发展状况、收入水平、心理预期、金融危机影响等，而差饷对房地产市场的影响，相比之下，并不十分明显。

（二）香港物业税(狭义)对房地产市场的影响分析

香港的物业税，主要是对业主来自物业的租金收入征税。自住物业、空置物业、虽用于经营但无租金收入的物业等，都不需要缴纳物业税。这实际上是对自住房屋和出租投资房屋作了区分，居民自住房地产市场的供求不受物业税的影响。

香港的物业税税率，基本上每一课税年度都会根据当时的经济情况作出相应的调整。在2004年～2007年间，香港房地产市场投资过快过热的情况下，政府曾一度上调物业税税率，增加业主对房地产的持有成本，间接调控房地产市场的过度繁荣。2008 年全球金融危机爆发，香港经济也备受打击，香港政府立即下调了物业税率。具体来看，2002年度香港物业税的标准税率是15%，2003年度标准税率上调至15.5%，2004年～2007年又上调至16%，2008年度下调至15%。这种适应不同时期的经济发展趋势，采用税率变动来提高或抑制民众对本地房地产业投资兴趣的措施，不仅及时体现了税收对经济及社会分配的调节功能，而且有效组织了财政收入，这与香港保持稳定的投资环境的税收政策取向有关。2002年～2008年间香港物业税的调整和房价走势对比见图2。

从图2中可以看出，从2002年～2004年物业税每年连续调整0.5个百分点，但是，房价依然在上行中；2004年～2007年物业税的税率水平保持在16%，房价继续上涨。2008年物业税降低了1个百分点，房价较2007年上涨速度减弱，但是仍然有所上升。因此，从香港的实践来看，物业税对房价的影响并非主要因素，物业税的调整只能促进或者减缓房地产市场原来的发展趋势，而没有使房价走势做方向上的改变。

三、结论

（一）物业税的征收有利于规范和引导房地产市场健康发展

香港的物业税根据物业评估值在保有环节按年征收，也就意味着政府直接进入了收益环节获取购房者的部分红利，这会抑制房地产投机，规范房地产市场的运行。而目前从总体来看，我国内地房地产市场的需求还比较旺盛，某种程度上可以说需求的释放程度主导着房价的走势。物业税的开征，会增加房地产的保有成本，压缩房地产市场的投资需求，甚至一部分改善型需求也会受到影响，这将有利于防止房价的泡沫化；同时，开征物业税，也可以改变目前房地产税种繁杂、计税依据不合理的现状，有利于降低房地产开发成本，减少金融风险，引导和规范房地产市场的健康运行。

（二）物业税的征收对房价的影响有限

虽然物业税的开征会带来房地产保有成本的提高，但是，和房地产的总价值相比，物业税的征收金额很小。从业主占有房地产的实际收益和成本角度看，物业税因素基本不可能成为决定房价走势的关键因素。观察香港物业税征收及调整情况，对比房地产市场价格的走势，可以发现，香港物业税对房地产市场价格趋势的影响，作用有限。对我国内地房地产市场价格而言，如果物业税税费增加（比如百分之零点几的税率）远远赶不上投资房地产的利润收入，并且如果这种税费还可以通过买卖交易得以转嫁，那么就很难期待物业税改革会给房地产市场价格有效降温。房地产价格的走势，本质上仍取决于房地产市场的供求。而影响房地产市场供求的因素繁多，税收制度只是其中一个，一般来看也不会是决定性因素，因此其对房地产市场价格的影响是有限的。

主要参考文献：

[1]谢伏瞻.中国不动产税制设计［M］.北京：中国发展出版社，2006.

[2]赵瑾璐，卜婧怡. 国际物业税征收的制度概况和经验借鉴［J］.经济研究，2009（6）.

篇4

关键词：房地产价格波动 房地产市场有效性 房地产投机

一、引言

在过去很长一段时间里，房地产市场都在经历着繁荣——衰退的周期变动趋势（boom and bust cycles，Shiller，2008），“但是近些年来，房价暴涨暴跌的波动幅度是前所未见的……，部分地区的房价波动甚至称得上惊人。”（Dieci和Westerhoff，2012）。比如，从1996年到2008年，英国伦敦的房价上涨了三倍；北京2007—2010年间二手房价上涨了120%。房价就像脱缰的野马，其波动远远脱离了经济基本面。因此，维护房地产市场稳定成为了目前世界各国政府共同面对的重要而棘手的问题。

在已有的经济学文献中，不乏涉及房价波动的研究，学者们在这类研究中主要采取两个角度：一是基于资产定价和有效市场假设理论，从理论和实证方面研究房地产市场有效性；二是基于理性预期和新古典经济学的分析框架，研究宏观经济基本面指标如利率、人口，实际收入等对住宅价格变化的解释程度，并且认为理性的房价应该反映经济基本面。然而，这些研究往往比较片面，“对房地产市场很多方面内容的理解都不够完整，当前（2008年金融海啸前的美国）关于房价的快速上涨是否形成泡沫的争论就是一个很好的例子①。”（Glaeser， 2007）。特别地，越来越多研究表明，房地产市场其实并不理性，存在如灾难近视（disaster myopia），过度自信和侥幸心理等，这些非理性投机行为往往会导致房价过分调整（overshoot），从而远离其长期均衡值。目前，很多前沿研究转而从房价波动的微观机制着手，关注投机行为在房价波动中扮演的角色。

二、房地产市场有效性

根据有效市场假说（EMH），只要房地产市场价格能充分及时地反映了全部有价值的信息，市场价格代表着住房的真实价值，这样的房地产市场被称为“有效市场”。 EMH由Fama（1970）提出，后来被广泛用于检验证券市场的有效性。而最早应用于房地产市场领域的是Hamilton和Schwab（1985），与Linneman（1986）的研究。他们利用美国70年代中期的横截面数据（cross-sectional data）来检验房地产市场的有效性。后来由于Case和Shiller（1989）建立时间序列模型研究房地产市场有效性的做法备受推崇，吸引了大量学者利用时间序列数据检验美国和其他国家的不同房地产市场的有效性。Cho（1996）对上述研究做了一个详细的综述。这些文献总体上的结论和发现有三个：（1）房地产市场不是有效市场；（2）房价和收益率序列在短期内表现出惯性特征或正序列相关，但在长期却有向均值回归的趋势（mean reversion）；（3）房地产市场的交易成本较高，所以根据技术分析建立的交易规则不能取得超过市场平均水平的收益率。

然而，Cho（1996）建议我们应该谨慎地看待房地产市场有效性检验的结果。因为，房地产价格指数的代表性和正确性在EMH检验中至关重要。但是房地产不同于相对同质化的普通商品，不同的房子无论是结构还是位置都千差万别，交易过程是通过交易双方协商决定，而且交易频率很低。房地产自身的自然特性决定了房地产价格指数的计算比起普通商品价格指数要困难得多，目前一些流行的房地产价格指数计算中都参杂了过多的人为因素，这都直接影响到模型估计结果的说服力。比如，Case和Shiller（1989）、Kuo（1996）在研究中发现，主流的重复出售价格指数②（repeat sales price index）存在序列相关性，如果在检验中不能很好地处理这个问题，估价结果拒绝EMH的概率很可能会增加。有趣的是，Linneman（1986）利用特征价格指数③（Hedonic price index）检验EMH，估计结果并没有拒绝市场“半强式有效”的假设；而Case和Shiller（1989）运用重复销售价格指数的检验却拒绝了EMH。

三、房地产价格波动与宏观经济因素

这一类研究大多采用新古典经济学的均衡分析框架，基于理性预期或完全预测（perfect foresight）假设，认为房地产价格波动的原因是由于受到外生因素的冲击，使得房价和房地产供应数量从一个均衡状态“调整”到新的均衡点。这些外生因素多来自宏观经济的基本面指标，如人口数量、实际收入、利率水平以及税收政策等等。其中最有代表性的研究有Poterba（1984，1991）与Mankiw和Weil（1989）：

Poterba（1984）建立房地产资产模型（asset-market model of the housing market），研究房屋持有成本（user cost）对房地产市场价格和均衡数量的影响。Mankiw和Weil（1989）用类似的方法，研究人口数量变动对房地产需求的影响。他们认为美国自上世纪 70 年代的房价持续上升与婴儿潮一代增长人口成年后带来房地产需求有密切关系。如果人口因素与房价的因果关系不变，随着婴儿潮一代人的住房需求将逐年下降，他们预测90年代以后20年里面房价将会明显下降。当时Mankiw和Weil（1989）这样大胆的预测引起了大量来自媒体和学术领域的争论，在这一场激烈争论中，Poterba（1991）就参与其中，他在对美国多个城市的横截面数据进行分析后，发现那些人口增长率高的地区并没有出现更高的房价增长率。所以他对Mankiw 和 Weil（1989）的预测表示怀疑。

另外，Poterba（1991）还在其1984年研究的基础上，利用1963年—1991年间的数据对美国房地产价格波动状况进行了实证研究，发现上世纪70年代的美国房价大涨的过程中，房屋持有成本上涨是重要推动力量。但80年代之后，房屋持有成本持续上涨，房地产价格却略有下跌，房屋持有成本对房价的解释能力很弱，Poterba（1991）认为这从另一方面证明了房地产市场不是有效市场。

除此之外，还有Ortalo-Magné和Rady（1999）建立生命周期模型（life-cycles model），在完全预期的假设下，分析收入变动和金融自由化（financial liberalization）对房价波动的影响程度；Glaeser和Gyourko（2007）建立理性预期动态模型，研究需求端冲击和建筑成本的影响等等。

上述研究针对经济基本面的各要素对房地产市场均衡价格和数量的影响做了很全面的论证，表明基本面因素对房价变动有一定的解释能力，其作用和影响举足轻重。然而，对房价产生影响的因素有很多，在不同地区、不同的时期起决定性作用的因素也不尽相同。特别地，“房地产市场的高交易成本特点和缺乏做空机制容易使房价波动脱离宏观基本面因素。”（Glaeser等，2008）。因此在房价大幅波动的时期，基本面因素对房价走势的解释能力很弱。这样的批评，常常见于一些研究房地产市场泡沫的文献，如Clayton（1996）， Abraham和Hendershott（1996），Maier和Herath（2009）等。目前，很多前沿的研究都把目光聚焦在房地产市场的“非理性”投机行为上。

四、非理性投机行为与反馈环理论

对于房价的大幅波动，有相当一部分学者都把矛头指向房地产市场的投机行为，为解释房价大幅波动提供了新的思路，认为房价最初由基本面因素诱发波动，随后通过反馈环（feedback loop）形成的放大机制，造成房价对原始诱发因素的过激反应。Shiller（2005）在其著作《非理性繁荣》中提供大量的证据来证明了这种投机心理（speculative thinking）、强化投机心理的反馈作用以及人们的从众行为在决定房价方面扮演着至关重要的角色。

反馈环理论目前越来越受到经济学者的重视。其中一种最流行的做法是在需求端采用后顾式（backward-looking）预期〔多数是适应性预期或“傻瓜”（naive）预期〕，而在供给端假定供应滞后（production logs）。如Wheaton（1999）通过存量-流量模型（stock-flow model）证明了在供给刚性、开发滞后以及后顾式预期的情况下，房价波动更大；Malpezzi和Wachter（2005）建立的存量调整模型（stock adjustment model）表明当供应缺乏弹性时，房地产市场的投机行为是房价大幅波动的主要原因；Glaeser，Gyourko和Sail（2008）提出一个开放城市动态模型（open city model）研究供给弹性与房地产泡沫产生之间的关系，模型表明在供给弹性小的地方更容易产生泡沫，而供给弹性大的地区泡沫持续的时间较短，但是却容易引起过度开发（overbuild）从而导致社会资源浪费，模型结论得到实证检验的支持。

除却上述学者的贡献，目前还很少有理论能够从数量上解释或模拟房价繁荣-衰退周期变动。Leung等（2009）、Kouwenberg和Zwinkels（2010）与Dieci和Westerhoff（2012）在这方面做了一定的尝试。其中Dieci和Westerhoff（2012）借鉴金融市场的经验，通过在需求端引入异质行为（behavioral heterogeneity）的投机者的方式④，构建一个非线性离散时间模型。该模型能够从理论上解释房价高波动性特征，通过设定具体参数，模型甚至可以模拟出复杂的周期变动的价格趋势。但出于简洁性的考虑，作者为模型设定了众多假设，从而影响了模型的代表性。而更完善的理论研究，还有待进一步开发。

五、总结

2003年以来，我国房价持续上涨，关于房地产市场现状的争论从学术界、政府工作会议扩散到普通民众的餐桌上，成为全国上下都密切的问题。房地产具有消费、投资双重属性，房价波动也是一个非常复杂的研究对象。大量实证检验表明房价走势不符合“随机游走”和理性预期假设，而是呈现出高波动率、一定的可预测性（predictability）、短期正序列相关和长期均值反转等特征。这四个特征给房地产市场理论带来了严峻的挑战（Glaeser和Gyourko，2007）。过去国外学者关于房价波动的研究主要集中为两个方面：一是房地产有效性研究；二是房价波动与宏观经济要素的关系。而目前前沿的研究则主要从微观机制的角度出发，建立动态经济学模型，研究非理性投机行为在房价波动中扮演的角色。然而，目前还没有一套理论能够描绘出房价波动的众多特征，更完善的理论还有待开发。

注释：

①Glaeser（2007）指出：McCarthy和Peach（2004）以及Himmelbery， Mayer和Sinai（2005）的研究认为当时美国房地产市场不存在严重的泡沫；而与此相对的是，Shiller（2005，2006）和Baker（2006）认为泡沫确实存在而且很严重。

②重复出售价格指数是根据同一栋房屋在某一期间内多次重复出售的价格资料来计算房地产价格指数。

③蒋一军和袭江辉（1996）对Hedonic指数做了详细介绍。

④Dieci和Westerhoff（2012）假设这些投机者一部分采用外推预期（extrapolative expectation），而另外一部分则认为房价始终会向长期均衡值回归（mean reversion），当房价离长期均值越远，越多投机者会采用均值回归策略。

参考文献：

[1] 蒋一军，袭江辉.房地产价格指数与Hedonic模型[J].中国资产评估，1996（3）：30-33

[2] Abraham， J.， Hendershott， P. Bubbles in metropolitan housing markets[J]. Journal of Housing Research， 1996（7）：191-207

[3] Baker， D. The menace of an unchecked housing bubble [J]. The Economists’Voice， 2006（3）： Article 1.

[4] Cho， M. House price dynamics： a survey of theoretical and empirical issues [J]. Journal of Housing Research， 1996（7）： 145-172

[5] Case， K， Shiller， R. Forecasting prices and excess returns in the housing market [J]. Journal of the American Real Estate and Urban Economics， 1990（18）：253-273

[6] Case， K， Shiller， R. The efficiency of the market for single-family homes [J]. The American Economic Review， 1989（79）：125-137

[7] Clayton， J. Further evidence on real estate market efficiency [J]. Journal of Real Estate Research， 1998（15）：41-57

[8] Dieci， R， Westerhoff， F. A simple model of a speculative housing market [J]. Journal of Evolutionary Economics， 2012（22）：303-329

[9] Glaeser， E， Gyourko， J. Housing dynamics. Harvard Institute of Economic Research discussion paper， 2007， number 2137

[10] Glaeser， E， Gyourko， J， Saiz， A. Housing supply and housing bubbles [J]. Journal of Urban Economics， 2008（64）：198-217

[11] Himmelberg， C， Mayer， C， Sinai， T. Assessing High House Prices： Bubbles， Fundamentals， and Misperceptions [J]. Journal of Economic Perspectives， 2005（19）：67-92.

[12] Hamilton， B.W.， Schwab， C. Expected appreciation in urban housing markets [J]. Journal of Urban Economics， 1985（18）：103-118.

[13] Kuo， C. Serial correlation and seasonality in the real estate market [J]. Journal of Real Estate Finance and Economics， 1996（12）：139-162.

[14] Kouwenberg， R. ， Zwinkels， R. Chasing trends in the US housing market. Working Paper，

Erasmus University Rotterdam， 2010

[15] Leung， A. ， Xu， J. ， Tsui， W. A heterogeneous boundedly rational expectation model for housing Market [J]. Applied Mathematics and Mechanics （English Edition）， 2009（30）：1305-1316

[16] Linneman， P. An empirical test of the efficiency of the housing market [J]. Journal of Urban Economics， 1986（20）：140-154.

[17] Malpezzi， S， Wachter， S. The role of speculation in real estate cycles [J]. Journal of Real Estate Literature， 2005（13）：143-164

[18] Mankiw， G， Weil， D. The baby boom， the baby bust， and the housing market [J]. Regional Science and Urban Economics， 1989（19）：235-258

[19] McCarthy， J， Peach， R. Are home prices the next bubble [J]. Economic Policy Review， 2004（10）：1-17

[20] Maier， G.， Herath， S. Real estate market efficiency—a survey of literature， SRE-discussion

Paper， 2009

[21] Ortalo-Magné， F， Rady， S. Boom in， bust out： young households and the housing price cycle [J]. European Economic Review， 1999（43）：755-766

[22] Poterba， J. Tax subsidies to owner-occupied housing： an asset market approach [J]. Quarterly Journal of Economics， 1984， （99）：729-752

[23] Poterba， J. House price dynamics： the role of tax policy and demography [J]. Brookings Papers on Economic Activity， 1991（2）：143–203

[24] Shiller， R. Irrational exuberance （2nd edition） [M]. Princeton：Princeton University Press， 2005

[25] Shiller， R. Long-term perspectives on the current boom in home prices [J]. The Economists’ Voice， 2006 （3）， article 4

[26] Shiller， R. Historical turning points in real estate [J]. The Eastern Economic Journal， 2008， （34）：1–13

篇5

根据市场企业的数量、企业产品的性质、企业对产品价格的影响力以及企业进出市场的难易程度，新古典经济学将市场分为完全竞争、垄断竞争、寡头垄断和完全垄断四种市场结构，并已证明，后三种结构的市场产品数量都依次低于且价格都依次高于完全竞争市场。也就是说，只要市场不完全，就必然产生效率的损失和社会整体福利的下降。

就房地产市场而言，由于房地产行业具有资金密集、开发规模大的特点，同时，我国政府对房地产企业的管理实行严格的行业准入制度，这样房地产市场存在着一定的进入壁垒；而房地产建设投资周期长的特点又决定了企业在退出房地产业时也存在一定的障碍。房地产企业的数目与具有完全竞争行业的企业数目相比，相对而言要少得多。同时，虽然房地产业的一个显著特点是产品的异质性(如存在级差地租、住宅、别墅、经济适用房等产品质量上的差异)，但我们应该看到，在同一类型的产品上，各企业提供的产品差别实际上并不是很大的。故此，我们可以判定房地产市场至少不是完全竞争市场。

根据沈悦、刘洪玉(2004)的研究，1998年以来(尤其是2001年—2003年间)，我国各城市住宅价格的高速增长已经不能很好地用经济基本面和住宅价格的历史信息来解释，用完全竞争的房地产市场模型已经无法很好解释我国房地产市场的现状。在这样的不完全市场结构下，作为市场供给方的房地产企业所提供的房产数量必然无法满足广大居民的实际需求，而房地产价格也必然高于完全竞争市场状态下消费者所能够承受的水平，商品的市场价格必然高于其在完全竞争市场条件下由各厂商的边际成本所决定的价格。况伟大(2003，2004)根据Hotelling(1929)空间竞争模型，构建了一个一般性的空间竞争模型，得出了的空间垄断是北京市房价刚性的根本原因。可见，无论是实证检验，还是理论模型，均已证明我国房地产市场是一个不完全竞争的市场。

那么，如何来衡量市场的垄断程度呢？在产业组织理论中，判断市场垄断程度和市场势力通常要用到行业集中程度指标，即考察几家最大的厂商的产量或销售额在全行业市场中的影响力量，具体的方法有赫芬达尔—赫希曼指数(HHI)、集中度比率、厂商规模不等性的度量(如基于洛伦茨曲线的方法或等集中度曲线方法)等等。但是，这些方法在测算市场垄断程度时，均要求掌握市场相关行业企业的具体情况，这需要进行大量的专项统计，而我国目前的统计数据还无法满足这方面的要求。同时，从完全垄断的市场结构出发，勒纳指数(LeanerIndex)则是衡量市场势力的一个很好的指标。目前，国内也有学者利用这个指标来研究我国房地产市场的垄断程度问题，如中国社会科学院财贸经济研究所最近的一项研究表明，近年来我国房地产市场的勒纳指数均在0.4以上，这表明我国房地产商品价格已经严重偏离了边际成本(汪浩、王小龙，2004)。况伟大(2004)分别测算了1996年—2002年各年北京、深圳、上海和天津四城市的勒纳指数，表明北京市的勒纳指数均在0.6以上，是四个城市中垄断程度最高的，上海市的勒纳指数则在0.4左右，是四个城市中垄断程度最低的，而深圳和天津房地产市场的垄断程度则居于京沪两城市之间。

根据勒纳指数的公式，其中为市场的需求价格弹性，为市场价格，而则表示商品的边际成本。但是，社科院财贸所和况伟大的研究都是利用公式的后一个形式，将房地产业的平均成本(AC)近似替代边际成本(MC)进行计算而得到的结果。如果产品市场是完全竞争的，那么也就意味着在均衡条件下企业的边际成本与平均成本相等，进行这样的计算是没有问题的。但是我们都知道，如果产品市场是不完全竞争的，那么在垄断厂商利润最大化的均衡条件下，企业的边际成本必然不等于平均成本，这样用行业的平均成本替代边际成本计算出的勒纳指数就会存在一定的误差。从上述勒纳指数公式可以看到，我们还可以通过测算商品的需求价格弹性来间接地得到勒纳指数，因此本项研究将采用这个方法来测算勒纳指数，并以此研究房地产市场的垄断程度问题。

本文的安排如下。第二部分将介绍勒纳指数公式及其含义；第三部分将对测算勒纳指数所需要的样本数据、变量及模型设定进行说明；第四部分，我们将分别针对1999年—2003年我国和各省(市、区)面板数据、各年截面数据和1987年—2003年我国房地产市场数据等样本，分别对勒纳指数进行测算，并对各省(市、区)房地产市场的垄断程度进行比较；最后一部分是本文的总结及政策含义。

二、勒纳指数及其含义

如前所述，勒纳指数(LeanerIndex)是衡量市场垄断势力重要的指标，具体形式可由如下公式表示：，其中为市场的需求价格弹性，为市场价格，而则表示商品的边际成本。勒纳指数的推导过程如下。

假定市场结构是完全垄断的，这样从垄断厂商的利润极大化目标出发，就可以得到其利润函数为由一阶必要条件，得到为边际收益，即MR。

又因为，所以，

是需求的价格弹性，。

又由于MR=MC，而MC≥0，可知。否则，若，则，与常理不符。而如果MC>0，则需求价格弹性大于1。可见垄断厂商从来不会选择在需求的价格弹性小于1的区域内从事生产，而往往是在需求富于弹性的区域内出现的。

从这个公式我们可以知道，勒纳指数刻画的是垄断利润的边际量，故又称为价格标高程度(markup)，是指垄断价格超出边际成本的部分对于垄断价格之比率。根据微观经济学理论，垄断厂商是按照边际收益等于边际成本(MR=MC)来决定产量q*，而当供给量为q*时，消费者愿意支付的最高价格(保留价格)为pm，从可知，垄断者的供给与价格之间不会存在着对应的关系，因为价格越高，垄断者获得的利润也会越大，这样垄断者的供应有可能减少。

勒纳指数还表明，市场竞争和垄断程度取决于商品的需求弹性：弹性越大，市场产品之间越具有竞争性，价格标高的程度越低，垄断的边际利润便越小，即垄断程度就越小；反之，弹性越小，垄断价格标高程度就越高，垄断程度就越高。这是因为，在完全竞争市场条件下，厂商产品价格应该等于其边际成本，也就是说，勒纳指数越趋近于零，市场竞争越完全，而从公式可以看出，这样商品的需求价格弹性的绝对值越趋近于正无穷，即是富有完全弹性的商品；反之，垄断程度越高，商品价格与其边际成本的差额越大(垄断者的垄断利润因而越大)，而从公式可以看出，这样商品的需求价格弹性的绝对值将很小。当然，有关勒纳指数的讨论有一个必要条件，即它要求商品的弹性都大于1.

根据勒纳指数公式，我们只要测算出商品的需求价格弹性，也就相当于得到了勒纳指数。故此，我们有必要专门对房地产市场的需求价格弹性进行测算，并由此得到勒纳指数，并以此判断房地产市场的垄断程度。

三、数据、变量及模型设定

1、数据及其来源

本文有关商品房屋销售和房价等方面数据全部来自中国国家统计局编制的各期《中国统计年鉴》中“固定资产投资”项下的专项数据。由于我国专门针对房产市场的统计时间不长，相关的统计指标只是近年来才逐步健全起来，这给我们的实证分析带来了一定的困难。国家统计局详细公开披露房地产投资等指标也只是从1999年开始，统计指标和样本数据数量和质量相对来讲并不令人满意，样本数量和数据来源的约束极大地限制了我们的检验工作。为了尽可能避免样本数量的制约，我们首先以全国和各省、市、自治区共32个基本观察样本，建立1999年至2003年共5年的面板(panel)数据进行研究，这样，我们一共获得了160个样本观测值。

另外，我们还搜集到了1987年至2003年我国房地产的相关数据。由于我国真正全面推进房地产商品市场化改革是从1998年开始的，这样促使我们有兴趣考察市场化改革前与改革后房地产市场垄断程度的变化，也即进行分段研究。利用各省(市、区)的数据，还可以对各省(市、区)的房地产市场垄断程度进行比较。

2、变量

为了测算勒纳指数，我们需要对房地产需求价格弹性进行测算，这样我们实际上需要两个变量：房地产需求变量与房地产价格变量。在统计年鉴中，有两个指标可以反映房地产市场的需求状况：“商品房屋销售面积”和“商品房屋销售额”。根据经济学的定义，需求是指消费者有支付能力的且已经实现的需求，故此以“商品房屋销售额”作为代表房地产市场实际需求的变量更为合适。我们以“平均商品房屋销售价格”指标来反映房价。在计量报告中，用D作为房地产需求变量的标识，以P作为房地产价格变量的标识。

3、基本模型设定

我们采取对数模型的形式

(1)由于对上式两边取微分，可得：

这样我们就得到了弹性的表达式，也即我们想要得到的价格弹性指标。在具体进行回归计算时，我们将对变量取自然对数，并采用过原点回归的方法。

在对面板数据进行回归时，由于我们的面板数据样本的时间序列仅有5年，时间相对较短，为了保证估计自由度，我们不采用运用面板模型的变截距和变系数模型。也就是说，对于一般的面板数据模型：

(2)其中：,为变量向量，，为参数向量，K为变量个数，i为截面数，T是时期数，随机扰动项相互独立，且均值为零，同方差。

假定时间序列参数齐性，即参数满足时间一致性，也就是参数值不随时间的不同而变化，则模型(2)可改写为：

(3)其中与的取值只受到截面单元的影响。这样，在参数不随时间变化的情况下，我们对截距和斜率参数进行如下假设：

回归参数系数和截距都相同，即有：

这样，得到我们所要采用的模型基本设定形式为：

(4)由于我国各省(市、区)的截面样本差异较大，在具体回归时，我们直接运用广义最小二乘法来校正异方差问题。

四、勒纳指数测算结果

我们分别对1999年—2003年我国及各省(市、区)的面板数据、1987年—2003年我国数据、以及1999年—2003年我国各省(市、区)的需求价格弹性进行测算，并计算出相应的勒纳指数。

1、面板数据结果

我们采取广义最小二乘法，运用Eviews4.0软件对面板数据进行过原点回归。具体结果如下：

计量结果非常理想，模型在1%条件下显著，拟合优度高达0.99。可以看到，房地产市场的需求价格弹性值为1.85，符合勒纳指数的要求(需求弹性大于1)。根据勒纳指数公式，可得房地产市场的勒纳指数为0.54，显然这个结果要我们前面提到的社科院财贸所的结果更大，这可能是由于计算样本不同和计算方法的差异造成的。但无论何种结果都可见，我国房地产市场的垄断程度是相当高的。

2、各年截面数据结果

上述面板数据得到的结果，实际上是时间序列数据与截面数据混合而得到的。随着我国市场经济的深入，尤其是加入WTO以来市场化进程的加快，我国房地产市场的竞争也应该逐渐加剧，市场垄断的程度也随之逐年降低。这样我们得到了如下假说：

假说1：房地产市场的垄断程度是逐年降低的，或者说房地产市场的需求价格弹性是逐年上升的，而相应的勒纳指数则逐年降低。

为此，我们利用上述面板数据的样本，针对每一年的截面数据(即32个观测值)进行测算，

各截面数据的计量结果都很理想，均在1%以下显著，且拟合优度均在0.99以上。通过最近5年截面样本的房地产需求价格弹性及勒纳指数可以看出，5年来我国房地产市场的垄断程度是逐年降低的，这说明随着市场化进程的加快，房地产市场的竞争程度也逐年加深，这印证了我们的假说1。当然，我们也注意到，市场竞争程度的加深和垄断力量的消退过程还是相当缓慢的。

3、1998年房改前后我国房地产市场勒纳指数测算

我们获得了1987年—2003年我国商品房屋平均销售价格和销售额的样本，具体指标情况如下表。

表1987年——2003年我国商品房屋销售价格及销售额

年份19871988198919901991199219931994

房地产销售价格(元)408503573703802105012801409

商品房销售额(万元)110096714721641637542201826323785974265938863714110184950

年份199519961997199819992000200120022003

房地产销售价格(元)171018061997206320532112217022502359

商品房销售额(万元)125772691427129217994763251330272987873439354423486275176032341376708995

数据来源：国家统计局，《中国统计年鉴》各期，中经网。

样本时期跨度较大，而这期间正是我国由计划经济向市场经济的过渡、居民住房也由计划分配向货币化市场调的过渡时期。1998年我国对房地产市场进行了全面的市场化改革，在相应的金融、收入等领域进行了相应的改革。与此同时，我国逐步放开了房地产开发的管制，各类投资主体开始进入房地产市场，在进一步推动了房地产市场的进一步规范、快速地发展的同时，也促进了房地产市场的竞争。因此，我们将样本分为两个阶段进行实证分析，分别划分为：1987年—1997年，我国计划经济向市场经济体制初步建立时期、1998年—2003年，市场经济体制深入发展，房地产市场改革深入时期。从这两个时期的划分可以看出，它们是一个市场化逐渐深入的过程，那么也就是市场竞争逐渐加大的过程。由此，我们可以得到与假说1类似的假说：

假说2：1998年我国实行房地产市场全面市场化改革后，我国房地产市场的垄断程度有所下降。

同样，运用Eviews4.0软件，得到如下计量结果：

样本期间：1987—2003样本期间：1987—1997样本期间：1998—2003

LND=2.25004*LNPLND=2.22316*LNPLND=2.289875*LNP

(0.01215)标准差(0.01132)标准差(0.01619)标准差

(185.096)T统计量(196.367)T统计量(141.4187)T统计量

(0.0000)P值(0.0000)P值(0.000000)P值

R2=0.9341R2=0.9372R2=0.48048

检验的结果还是比较令人满意的。从结果中可以看到，样本整体的回归结果显示我国房地产市场需求价格弹性为2.25，相应的勒纳指数为0.444，这与前面社科院财贸所的结果已经非常接近。分各个历史时期考虑，在1987年到1997年的计划经济体制向市场经济体制过渡、我国尚未全面开展房地产市场化改革的期间，我国房地产市场的需求价格弹性仅为2.223，相应的勒纳指数高达0.44981，说明当时的房地产市场的价格与边际成本差额与价格之比非常大，市场垄断程度非常强。另外，我们还在这个期间内分别计算了1987—1991年和1992年—1997年的市场需求价格弹性，虽然1992年我国明确提出了建设市场经济，但是1992年到1997年间的房地产市场需求价格弹性为2.25，甚至要比1987年至1991年的2.26还要小，1992年之后的市场勒纳指数(0.444)比1992年之前的还要略大(0.442)，也就是说在此期间的市场竞争条件并没有随着社会主义市场经济体制的确立而得到改善。当然，我们看到两段期间的市场竞争指数变化非常小，而之所以出现一定程度的倒退，很有可能是与1993年我国实行了紧缩的宏观经济政策，对房地产市场进行大规模治理整顿有着密切关系。直至1998年我国全面对房地产市场进行市场化改革，房地产市场的竞争程度也相应提高，随之市场的需求价格弹性也因而增加至2.29，勒纳指数下降到0.4367，而这进一步印证了假说2。但也应该看到，与验证假说1的情况一样，虽然房地产市场价格与厂商的边际成本差额与价格之比已经出现下降，垄断和市场不完全程度也相应好转，但是我们看到这种变化的幅度还是相当小的。总体而言，我国房地产市场的垄断程度还是非常严重，市场竞争环境的改善并不明显。

4、我国各地区房地产市场垄断程度比较

我们还利用1999年—2003年各省(市、自治区)的时间序列数据，分别对其勒纳指数进行了测算并进行了排序。当然，此处的计算时间序列样本仅为5个，样本数量过小，这可能使计量的精度和可信性存在一定的问题。不过，回归结果还是比较令人满意的，各省的指标回归结果都在1%条件下显著，大多数省份回归的拟合优度表现出了良好的性质，如上海市、江苏、浙江等省的R2分别高达0.97、0.91和0.90。具体结果如下表和图。

表1999年—2003年我国各省(市、区)房地产市场垄断程度

省份需求价格弹性勒纳指数省份需求价格弹性勒纳指数

江苏2.01270.4968陕西1.84710.5414

四川1.99620.5009北京1.82700.5473

山东1.98660.5034内蒙古1.82370.5483

浙江1.97750.5057吉林1.80020.5555

广东1.95870.5105贵州1.79710.5564

辽宁1.91520.5221天津1.79300.5577

安徽1.91220.5230新疆1.78690.5596

重庆1.91020.5235云南1.78510.5602

湖北1.90570.5247山西1.75450.5699

上海1.90250.5256广西1.75360.5702

福建1.89010.5291甘肃1.69620.5896

河南1.88050.5318宁夏1.65230.6052

江西1.87620.5330海南1.54070.6490

河北1.87310.5339青海1.53540.6513

湖南1.86840.53521.18110.8467

黑龙江1.84940.5407

图1999-2003年我国各省(市、区)房地产市场勒纳指数及其排序

从表和图可见，大多数经济发达的沿海省份的市场竞争环境也比较好，如江苏、山东、浙江、广东、辽宁等等，而中西部经济欠发达地区的市场竞争环境则较差，如、青海、宁夏、甘肃等等，这说明市场竞争环境的好坏是与该地区的经济发展程度密切相关的，市场竞争越充分，垄断对社会福利造成的损失越小，经济就越有可能得到健康快速的发展。

五、总结及政策含义

市场不完全是房地产市场的一个重要的性质，垄断力量的存在必然会造成社会福利的净损失，而且市场垄断力量越大，社会福利受损越严重。本文针对我国房地产市场的垄断程度进行了一项实证研究。根据以上分析，我们至少可以得到如下几点结论：:

1、我国房地产市场的竞争非常不充分，市场垄断度非常严重。无论是面板数据、各年截面数据、我国房地产市场的历史数据、以及我国各省(市、区)的勒纳指数测算都表明，房地产市场垄断程度相当高。实证结果强有力地证明了我国房地产市场并非完全竞争市场，市场垄断是造成了房地产价格扭曲的重要因素之一的观点。可以有十分的把握说，市场垄断是造成我国房地产市场失灵的重要原因之一。

2、随着市场化进程的深入和经济的发展，房地产市场的竞争程度逐渐加剧，市场垄断力量逐渐消退，但必须看到这一进程是相当缓慢的。通过截面样本和我国房地产市场历史数据的实证分析所验证的假说1和假说2均表明，随着我国市场经济体制的逐步完善和经济的发展，我国房地产市场竞争的因素在逐年增多，但这只是一个渐进的过程。由于房地产行业自身的特性，房地产市场向完全竞争的市场结构的转变还需要相当长的时间。

3、垄断力量的存在一定程度上可以解释近年来我国房地产价格刚性问题。众所周知，在不完全的市场结构下，消费者处于绝对的被动地位。作为市场供给方的房地产企业所提供的房产数量必然无法满足广大居民的实际需求，而房地产价格也必然高于完全竞争市场状态下消费者所能够承受的水平。也就是说，不完全市场条件下房地产商品的市场价格必然高于其在完全竞争市场条件下由各厂商的边际成本所决定的价格，这也就在一定程度上解释了为什么近年来我国房地产市场价格持续上涨，但需求不降反升，这一有违于一般价格规律表现形式的奇怪现象。

4、为了确保房地产市场的长期健康发展和居民福利的提高，政府应将促进房地产市场竞争作基本的方针政策。从我国政府已有的房地产行业政策来看，反垄断和促进竞争的政策还非常滞后。为了抑制过高的房价，政府很大一部分是采取的人为降低房地产开发成本的政策，如对从事经济适用房开发的企业实行土地等优惠政策，但“经济适用房”开发已经成为中国房地产开发商从政府手中获取廉价土地的基本手段之一，而垄断程度却与房价呈现出极为显著的正相关关系(平新乔、陈敏彦，2004)。因此，当前政府应将主要精力集中于促进市场竞争和反垄断的措施上来。只有促进竞争，开发商才有可能努力降低成本，将房价真正地降下来。反之，如果通过行政手段强制性地推行某些政策主张，甚至采取所谓的提高进入门槛等歧视性政策，不仅无助于降低市场风险，反而会加大市场的扭曲，引发更大的风险。

参考文献

1.Hay,DandD.Morris(1991):IndustrialEconomicsandOrganization,OxfordUniversityPress.

2.Henderson,J.MandR.E.Quandt(1980):MicroeconomicTheory,McGraw-HillBookCompany,NewYork.

3.Hotelling,H.(1929):“StabilityinCompetition”,TheEconomicJournal,Vol.39,No.153.

4.Tirole,J(1988):TheTheoryofIndustrialOrganization,MITPress,Cambridge.

5.况伟大(2003)：《垄断、竞争与管制——北京市住宅业市场结构研究》，经济管理出版社，5月。

6.况伟大(2004)：《空间竞争、房价收入比与房价》，《财贸经济》第7期。

7.平新乔(2001)：《微观经济学十八讲》，北京大学出版社，4月。

8.平新乔、陈敏彦(2004):《融资、地价与楼盘价格趋势》，《世界经济》第7期。