中国城市房价泡沫测度及其时变传染效应研究｜郑挺国 龚金金 宋涛

白云载酒

中国城市房价泡沫测度及其时变传染效应研究

作者：郑挺国 龚金金 宋涛

【内容提要】： 本文基于2010-2018年49个大中城市的月度房租比数据，利用后向递归右侧单位根检验考察国内房价泡沫情况，并采用时变参数VAR模型动态刻画城市间房价泡沫的时变传染效应。研究结果表明，中国有24个城市在房价泡沫，集中爆发于2015年12月至2017年9月，泡沫(南北分化，东强西弱” 特征显著，二线城市泡沫水平高于一线城市。进一步分析发现：房价泡沫溢出呈 多方位辐射状，深圳、上海、武汉、重庆在全国房市泡沫传染中充当“辐射源”；城市间房价泡沫的时变传染效应整体呈倒U型，前期传染性强于中后期；区域间逐 步形成一条(从南至北、由东向西、中心向外辐射”的核心传染路径，辅以局部地 区多条传染分支。本文结果对地方政府异质性房市调控具有重要启示。

【关键词】：房价泡沫  时变传染效应  时变传染VAR  时变脉冲响应

一 引言

党的十九大报告明确2020年是中国全面建成小康社会的决胜之年，要坚决打好 “三大攻坚战”。2017年召开的中央经济工作会议将防范化解重大风险列为三大攻坚 战之首，并明确“重点是防控金融风险”。“守住不发生系统性金融风险的底线”是党 的十八大以来宏观审慎管理的要旨，由此也成为近年来国内经济学界讨论的热点。在 中国土地国有和高速城市化背景下，房地产市场成为中国重要的资本市场，作为系统 性金融风险的重要来源，房地产泡沫问题引起了社会的广泛关注和讨论。

自1998年 中国住房改革以来，房地产市场的快速发展在保证居民“住有所居”的同时，也成为了 地方政府在“土地财政”制度下获取启动城市化的原始资本的重要来源，具备金融属性。凭借对相关行业、劳动就业以及投资的带动能力，房地产市场已然成为国民经济增长的重要支柱，承担重要的经济功能。然而，近年来房地产价格 持续创新高,尤其是2015年以来，受宽松货币政策及利好房市调控政策的双重刺激，国内房价迎来爆发式增长。

高房价本身并不意味着存在房价泡沫，房价高企的城市如 果有坚实的经济基础支撑，房地产市场仍将具有持续繁荣的能力。真正令人担忧的是 缺乏足够宏观经济基本面支撑的房价飙升催生的房价泡沫背后所蕴含的巨大系统性 风险。从宏观层面而言,房地产价格是一种货币现象，伴随货币的流动以及区域间经济联系日趋紧密，房地产市场“牵一发而动全身”的特征逐步凸显，区域间房价联动可能加剧房市系统性风险。与此同时，国内房地产市 场深受政府调控政策的影响，不同时期不同政策下城市之间的房价泡沫传染作用势必不同。因此，准确测度国内房地产市场泡沫水平并捕捉区域间房价泡沫的时变传染效 应在有效防范房地产市场风险方面显得尤为关键。

伴随房地产行业的扩张，房地产价格泡沫俨然成为重要的资产价格泡沫之一。资产价格泡沫是指“一种或一系列资产在一个连续过程中陡然涨价，开始的价格上升会使人们产生还要涨价的预期，随着涨价,常常是预期的逆转，接着就是价格暴跌, 最后以金融危机告终”。基于该定义，资产价格泡沫应为一个完 整的涵盖价格上涨及下跌的周期形态。但国内房价经历繁荣期后往往步入平稳期,价 格于区间内震荡或局部小幅下滑。因此，本文借鉴Diba and Grossman（ 1988）、吕江林 （2010 ）等对资产价格泡沫的界定，将房地产价格泡沫定义为市场价格与经济基本面 决定的基础价格的非平稳性偏离，即在经济基本面稳定增长的情况下（通常为一阶单整），房地产价格以高于一阶单整的爆发式增长致使其与基础价值产生背离。

房价泡沫考察对异质性房市调控具有重要意义，如何客观测度房价泡沫是近年来 学术界持续关注的议题。现有房价泡沫测度的文献主要集中在两个方面:一是价值还原法，基本思路是测算住宅基础价值并将其与真实价格对比，以判断房价是否存在泡沫。该方法早期被广泛应用于房价泡沫的检测。价值还原法的关键是测度基础价格，但实践中尚无统一的模型去测算房产基础价格。二是统计检验法，基本原理是以房价是否过快增长作为泡沫的识别依据。Dibaand Grossman ( 1988 )提出基于单位根及协 整检验识别资产价格泡沫，即在资产价格及宏观基本面均为一阶单整的条件下，如果序列之间无协整关系，说明存在泡沫；反之，则不存在泡沫。Phillips e" al. ( 2011 , 2015)认为协整检验无法识别周期性爆炸的泡沫,先后提出前向及后向递归右侧单位 根检验成功识别了美国历史上一系列著名的股市泡沫事件。凭借精准高效的优势, Phillips e al. (2011,2015)的右侧单位根检验方法目前已被广泛用于房价泡沫的检测。如美国达拉斯联邦储备银行将其运用于23个国际房地产市场泡沫水平的定期监测(Shi,2017)O Fabozzi e al. (2019)基于该方法成功识别了美国及英国2002-2007年 的房价泡沫，这与其他泡沫检测方法的结果基本一致。

相较于房价泡沫测度的丰富研究成果,有关城际房价泡沫传染效应的文献相对匮乏。早期文献聚焦于城市间房价联动效应的讨论,结果证实区域间房价传染呈“波纹效应"(MacDonalO and Tayor, 1993 ； Meen, 1999; Hui and Shen, 2006; Smith et al., 2006)。Riddel(2011)指出房价由基本面价格和泡沫价格组成,基本面价格主要受居 民收入、人口数量等本地因素影响，外部传染性弱,房价中的泡沫成分才是驱动房价传 染的引擎。此后，不少学者开始关注区域间房价泡沫的传染效应及其影响因素。Fiiss et al. (2011)基于空间面板模型证实西雅图与丹佛之间具有显著的房价泡沫传染作 用，而这得益于两地大力发展信息技术产业而呈现出的经济同质性及贷款相似性。 Allen and Carletti(2013 )认为宏观审慎政策对房价泡沫的形成具有重要影响,泡沫传 递本质上是一种货币流动现象。Brady (2014 )基于VAR模型证实商业周期起源于中心城市，中心区域的高房价迫使部分买家迁移至房价低洼区域置业，助推外围地区房价，形成“价格效应”。Nneji(2015)基于贝叶斯协整检验证实美国区域间房价泡沫的 传递呈多元化辐射状，与地理距离无关。Teng et al. (2016)基于协整检验证实中心城 区及周边地区的空间价差容易吸引买家投资外围房产,引发房价泡沫传染。Deng et al. (2020)证实乡土情结等文化因素也容易对投资者的购房选址带来影响。阅读所及，有关房价泡沫传染的形成机理总结如图1。

国内学者对城市间房价泡沫的测度及传染亦进行了有益的探索。洪涛等(2007) 基于房价与基本价值偏离部分的CSD检验证实不同城市间存在显著的房价泡沫关 联。王锦阳和刘锡良(2014)基于模型法及VECM框架证实北京、天津、上海、重庆4个直辖市具有广泛的房价泡沫溢出效应。刘海云和吕龙（2018）结合结构向量自回归 及QAP相关性分析证实城市间房价泡沫的传染与空间距离、人口流动、经济协同性及 信息传递因素密不可分。上述文献一定程度上丰富了国内房价泡沫的测度，但大多基 于价值还原法测度房价泡沫，而用于计算房产基础价格的变量选取尚存争议。与此同 时，影响房产基本价值的变量频率不一致，国内区域层面的高频数据较为稀少，单纯使 用低频数据还原基础价值容易带来房价泡沫测度偏误。此外，国内房价经历快速上涨 后罕见暴跌，这其中不乏公众对未来房价的乐观预期（郭豫媚等,2016），但鉴于房地 产市场数据的弱可得性，基于预期视角研究房价泡沫尚存在较大困难，忽视预期因素测算房价基础价值易带来房价泡沫的过度识别。相较之下, 客观度量房价泡沫的统计检验法可能更适合国内房价泡沫的检测。鉴于此，本文尝试 基于Phillips et#. （2015）的后向递归右侧单位根检验识别国内房地产价格泡沫。

房价泡沫传染的测度方面，国内研究主要采用VECM、空间面板等静态方法考察 区域间房价泡沫的传染作用，鲜有文献揭示房价泡沫的时变传染差异。城市间房价泡 沫的传染可能受经济基本面及房市调控政策的影响和变化而呈现时变特征，忽略房价 泡沫传染的动态演变规律描述不同地区的静态溢出作用可能导致结论出现一定偏差。 虽然McGrevy and Phillips（2016）提出一种非参方法（以下简称GP法）用于描述房价 泡沫的动态传染效应，但该方法忽视房价泡沫的滞后项，易引发过度识别问题。为此， 本文在GP法的基础上尝试使用时变参数VAR或TVP-VAR模型刻画区域间房价泡沫的时变传染效应,tvp-var模型利用萃取后的泡沫成分测度区域间房价泡沫的溢 出效应,更能有效捕捉房价泡沫的时变传染情况。

综上,本文的主要工作如下:首先，基于右侧单位根检验识别全国49个大中城市的 房价泡沫情况，并利用BSADF检验标记泡沫节点;其次，对被检出房价泡沫的样本城市, 使用滚窗法估计这些城市的泡沫系数;最后，基于tvp-var模型揭示区域间房价泡沫的 时变传染路径及强度，并使用加入控制变量及不同滞后阶数的模型进行稳健性检验"本 研究的贡献在于使用右侧单位根检验甄查全国49个大中城市的房价泡沫情况后，进 一步估计相关城市的泡沫系数，丰富了国内房价泡沫研究领域的文献，同时基于tvp- V AR模型动态捕捉城市间房价泡沫的时变传染效应，有助于地方政府及时监测房价 泡沫传染情况，对防范房地产市场系统性风险、维护金融市场安全具有重要意义。

二 理论模型与计量方法

(一) 房价泡沫检验原理

文中所指的房价泡沫限指理性泡沫，即在理性预期的假定下，房地产价格以超于 基本面的增长速度而引发的与基础价值的偏离，反映的是购房者对未来房价的一种乐 观估值。本文使用Campbell and Shiller(1988)的框架诠释房价理性泡沫检验原理。

三 中国城市泡沫检测结果与分析

(二) 样本城市房价泡沫检测

在进行泡沫检测前，我们首先对样本城市实际房价及实际租金的对数序列进行单 位根检验，发现除个别城市的实际租金为平稳序列以外，其余序列均为一阶单整。进 一步地，我们对PR比进行ADF检验，发现除银川、三亚外，其余47个样本城市的PR 比皆为非平稳序列③，说明这些城市可能存在房价泡沫。之后，基于PR比，本文分别 使用SADF、GSADF检验检测中国47个大中城市房价泡沫情况,具体结果见表1。相 较于SADF法的泡沫检测结果,GSADF法能够识别更多城市多个泡沫期，这与Phillipset al. (2015)的结论一致。表2进一步对房价租金比对数呈爆炸式增长的样本城市的 房价泡沫期进行标记①，结果证实样本中有24个城市存在房价泡沫，泡沫整体呈现南 北分化、东强西弱特征。

具体表现可概括为以下几个方面：

首先，样本期内24个城市房价泡沫集中爆发于2015年12月至2017年9月。按 泡沫起始期划分,24个城市的房价泡沫呈现“四梯队”：第一梯队是深圳与合肥，泡沫 起始于2015年12月；第二梯队集中于东中部的二线城市，泡沫起始于2016年上半年，涵盖南京、惠州、天津、武汉、厦门5个城市;第三梯队的泡沫爆发于2016年下半 年，包括上海、石家庄、福州、北京、郑州、济南、广州7个城市;第四梯队主要分布在中西 部地区，房价泡沫集聚在2017年，如重庆、长沙、南昌、贵阳、昆明、南宁等地，具体见图3。

其次，从房价泡沫的分布区域看，北方地区仅有8城存在房价泡沫,泡沫持续期显 著小于南方地区,南北分化明显。东部地区有14城被检测出房价泡沫，泡沫平均持续期长达15个月；中、西部地区各有5城存在房价泡沫，中部地区泡沫持续期平均为13 个月，而西部地区泡沫持续期普遍为6个月，房价泡沫“东强西弱”特征显著。

最后,从个体城市看，二线城市房价泡沫显著强于一线城市。一线城市中，深圳房 价泡沫最强，广州最弱。二线城市中，武汉、合肥、厦门、天津表现出强劲的房价泡沫， 持续时间超过2年。三线城市房价泡沫爆发迟,周期短，持续时间平均为6个月。一 线城市房价虽然远高于二三线城市，但凭借扎实的经济基本面支撑，房价泡沫持续期 并不长。基于省会城市的功能定位，二线城市房价自2016年全面普涨,相对薄弱的经 济基本面促使二线城市房价持续脱离基础价值,房价泡沫显著高于一线城市。

总体而言，在经济基本面平稳增长的条件下，后向递归右侧单位根检验识别泡沫 的基本原理是检测房价是否过快上涨。图4是被识别出泡沫的24个城市2010年6 月至2018年12月的新建商品住宅价格同比增长指数①,呈现轮动上涨，如2015年后最早被检测出泡沫的深圳也是房价率先上涨的城市,2017年8月后深圳房价增长趋 于平稳，这与我们识别的深圳的泡沫持续期基本吻合。其他城市如上海、厦门、合肥、 南京的房价爆发期与泡沫持续期几近对应，中、西部城市的房价爆发期明显迟于东部 地区,如长沙、南昌、重庆等地房价于2017年以后开始发力，这从侧面证实本文房价泡沫检测的客观性。

四 城市间房价泡沫的时变传染效应分析

基于上述房价泡沫检测结果，本文将进一步探讨区域间房市泡沫的时变传染路径 及强度。基本思路是基于滚窗法测算24个城市房价泡沫系数，运用TVP-VAR模型, 并基于MCMC算法估计房价泡沫时变传染系数的后验条件均值，最后绘制时变脉冲 响应函数。考察城市之间房价泡沫的时变传染情况理应将2个城市分为一组,但城市 之间尤其是非邻近区域的房价泡沫传染需要一个过程。此外，Fomi and Gambetti (2014)认为小规模模型可能存在信息不足和非基本面等问题，丰富VAR模型中的变 量有利于缓解信息不足问题。基于中间城市传导效应及VAR模型信息充分的考量， 本文选用3变量TVP-VAR模型估计区域间时变传染系数的后验分布均值。受宽松货 币政策、利好房市政策以及市场资金流动规律等因素的影响,各城市房价泡沫的爆发 时间并不一致，因此本文采取递归约束识别泡沫冲击，即基于房价泡沫的爆发时间差 异对TVP-VAR模型的变量进行排序，所呈现的结果均为先发生泡沫城市对后发生泡 沫城市的作用值①。24个城市理论上共有2024种组合，但每个城市的泡沫起始与终 止时间不一致，泡沫爆发时间间隔较远的城市之间的泡沫传染并不显著，基于泡沫爆 发时点及驱动泡沫传染因素等多方面考虑，本文共试验了 1032种组合。基于SC准 则，我们将所有候选组合的最优滞后阶数设置为3阶②。为保证后验分布均值收敛， 本文在执行MCMC算法时先“预烧”前1000次抽样，选取后10 000次的抽样进行估 计。基于时变传染系数的后验分布均值，我们依次画出组内城市间的实时12期累计 或加总脉冲响应图。因每组涵盖3个城市，最终呈现出的两两城市之间的脉冲结果为 所有涉及这两个城市组合的平均值。

本文按照房价泡沫呈现的四梯队,基于泡沫强度、地理位置及经济辐射能力等因 素分别选取深圳、上海、武汉、重庆作为各梯队的代表③，首先考察4大中心城市对其 他城市泡沫的传染情况。进一步地,探究局部地区间房价泡沫的水平传染情况。

（一）核心城市对其他城市房价泡沫的时变传染效应

第一,深圳对其他城市房价泡沫传染情况，如图5a（上所示。从传染路径上看, 深圳对上海、北京、广州、惠州、武汉、福州具有显著的正向扩散作用，整体呈现倒U 型，传染峰值集中分布于深圳房价泡沫前期至被传染城市泡沫爆发初期之间。如深圳 对武汉的泡沫传染峰值为2016年初，此后缓慢下降。深圳对惠州的泡沫传染也类似, 泡沫初期传染性逐步增强，2016年2月达到传染高峰期，此后逐步下降。

除绘制脉冲响应函数外,本文进一步基于时变条件方差分解辅助说明房价泡沫传 染效应的相对大小，结果如图5b所示。

从时变条件方差分解的结果来看，深圳对其他城市房价泡沫的变动贡献率在不同时点上具有显著差异，其峰值集中于深圳房价泡沫初期，峰值处的平均占比高达 30%，其中深圳对武汉房价泡沫的变动贡献比例于2016年底高达60%以上。这说明 脉冲响应图的倒U型结果较为稳健。

参照现有文献，本文认为深圳对其他城市的传染效应,可从人口迁移、信息传递、 经济同质等方面进行解释。房价泡沫起源于深圳的原因是:一方面，房价上涨带来本 地房产持有者财富增值，空间套利因素促使这部分居民将投资视角转向他们认为的房 价低估区域，Riddel（2011）证实房地产“投机效应”在投资渠道单一的环境下会被放 大;另一方面，高房价迫使买家前往房价洼地置业,基于通勤成本的考量，居民选择邻 近区域的意愿增强。惠州毗邻深圳，2016年惠州市商品房销售额较2015年增长74% （数据来源为CEIC），这与深圳对惠州房价泡沫传染的高峰期吻合。此外，行为金融 学理论显示，投资者具有熟悉性偏好,倾向于投资自身熟悉环境下的房产。部分难以 负担深圳房价成本的常住人口，受乡土情结等文化因素影响（Deng et al.，2020 ），选择 籍贯地购房的意愿增强，集优质资源于一身的大中城市自然成为这部分人口的首选" 2018年深圳常住人口分布排行榜中，来自湖北省的人口以16. 81%的比例位居第 二①,这在一定程度上也能解释深圳对武汉的泡沫传染作用。深圳房价泡沫的溢出城 市中，深圳对武汉的泡沫传染作用显著高于其他省会城市，说明武汉在房价泡沫由东 至西的迁移过程中扮演着重要的联结作用。

相较于其他城市房价泡沫的传染特征，深圳对北京、上海、广州的房价泡沫传染有 些特殊。如深圳对北京、广州的房价泡沫传染峰值分布于2015年初,深圳与上海在 2015年初也出现过传染高潮，这种传染关系与一线城市的经济相似及房地产政策存 在一定关联。2015年初国家开始松绑限购,受股市低迷及投资渠道单一等因素制约， 一线城市房价逐步回暖（见图4）。“330”新政②出台后，深圳房价引领上涨,此后上 海、北京、广州也相继出现不同程度地上涨，四地房价相关性显著增强。受“ 930 ”③等 利好房市政策的影响，四地房市持续发力，房价泡沫初步集成。2015年3月至2016 年9月，深圳、上海、北京房价分别上涨74. 69%、43. 85%、35. 23%。2016年9月，上海、北京、深圳相继推出限购限贷政策，房价攀升局面得以扭转,此后，深圳对上海、北京的传染作用缓慢下降，从图4可知，深圳对上海的房价泡沫传染作用远高于其他城市。

第二，上海对其他城市房价泡沫的传染情况，结果如图5a)上所示。从传染路径 上看，上海对北京、广州、重庆、长沙、福州、石家庄、郑州、宁波、南昌房价泡沫存在显著 的正向扩散作用。与深圳类似,上海房价泡沫传染整体呈倒U型，泡沫前期的传染性 强于中后期。以福州为例，泡沫初期,上海对福州表现出强劲的泡沫传染，此后逐步下 滑。图5b)上的时变条件方差分解结果进一步证实了这种倒U型传染效应的存在。 从传染强度上看，上海对北京的传染值高于其他城市，说明上海在房价泡沫从南至北的传染中发挥着重要的传导作用。上海房价泡沫所呈现的对外传染情况，除了与一线 城市的经济相似外，人口流动及信息传递是不容忽视的因素。图6显示了上海市常住 人口分布情况，排名靠前的河南、四川(含重庆)、江西、湖北、福建、湖南等省的主要城 市恰为上海房价泡沫的主要传染对象①。Baddeley(2005)认为当市场充满不确定及信 息不对称时，投资者并不会依据基本面因素做出决策，而是基于观察到的市场行为做 出判断。上海房价变化通过互联网、舆论相传等方式传递至生活在本地的外来人口， 易引致买家对房地产的乐观预期。加之上海入户的高门槛(Afridi et al.，2015 )，外来 人口尤其是难以负荷上海购房成本的买家回户籍所在地或其他低门槛入户区域(如 上海周边城市)置业的意愿增强，这在一定程度上也能解释上海对郑州、重庆、福州、长沙、南昌等地的泡沫传染作用。

第三，武汉对其他城市房价泡沫的传染情况，结果如图5a左下所示。在传染路径 方面，武汉对重庆、福州、南昌、长沙、郑州、上海具有正向的泡沫迁移作用。相较于深 圳、上海房价泡沫的快速扩散，武汉房价泡沫的传染作用较为缓慢，并且泡沫期内各城 市传染峰值分布相对零散，如武汉对重庆的传染峰值出现于2017年2月；武汉对南昌 的传染峰值为2016年11月。另外，武汉对长沙、郑州、上海的泡沫传染作用一直呈上 升趋势。相较于脉冲响应峰值的零散分布，图5b左下的时变方差分解结果则显示武 汉对其他地区房价泡沫的变化占比峰值较为集中，峰值处的贡献比率均超过30%，这 说明脉冲响应的结果较为稳定。武汉、南昌、长沙、郑州同属中部地区，依托交通、通信、 公共服务等网络交织强化城市间经济联系，武汉爆发房价泡沫，基于密切的经济联动更 容易对周边地区带来辐射作用，这与Wu and Deng(2015 )的武汉房价波动易引起邻近省 份关注的结论吻合。另外，武汉房市呈现的对外传染关系与其自身的策略性行为互联互 动。2016年以来,武汉相继出台一系列人才引进优惠政策及宽松门槛落户政策①，刺激 房产需求;与此同时，2016年武汉房地产开发投资额首次下滑，供需结构失衡导致武 汉房价飞升最终步入长达2年的房价泡沫期，而被传染城市的泡沫起始时间参差不 齐，致使武汉对他城传染峰值的分布大相径庭。在传染强度方面，武汉对重庆的泡沫 传染值显著高于其他城市，表明武汉在房市泡沫由东至西的扩散过程中发挥着重要的 纽带作用。

最后，重庆对其他城市房价泡沫的传染情况，结果如图5a右下所示。在传染路径 方面，重庆对贵阳、昆明、西安、洛阳、长沙的房价泡沫具有显著的传染作用，其中重庆、 西安、昆明、贵阳同属西部“菱形经济圈”。重庆对其他城市泡沫传染峰值分布高度集 中，普遍集聚于2017年初，与武汉对重庆的传染峰值分布高度吻合，说明重庆受中部 地区房价泡沫传染作用的同时,也会将自身吸收的泡沫冲击迁移至其他西部地区。图 5b右下的时变方差分解结果表明,重庆对其他地区房价泡沫的变化占比显著高于深圳、上海、 武汉对其他城市房价的影响，说明重庆在西部地区具有较强的辐射作用。重庆这种对外传染关系，离不开其别具一格的土地政策。一直以来，重庆的“地票制度”充分保障了本市土地供应量，加之政府对土地价格的严格管控，重庆房价长期维持在低位。但自2016年以后，重庆房地产开发投资额连续2年下滑，房产供应减少，加之来自东中部地区房价泡沫的冲击,沉寂多年的重庆房价暴涨。

总结4大中心城市的泡沫输出情况，我们有如下四方面的结论：

一是自2015年深圳房价泡沫爆发以来，逐步形成一条由南至北、由东向西的泡沫 传染路径。房价泡沫肇始于深圳，然后迁移至北向的上海及中部的武汉，之后从上海 扩散至北京、石家庄、郑州等北方地区，从武汉扩散至西部的重庆。深圳、上海、武汉、 重庆构成四大辐射源，承担房价泡沫在东中西部地区转移的领头羊作用。

二是从个体城市看，省会城市最容易受到中心城市房价泡沫传染。这可能与“人 才效应”及“投机效应”紧密相关。一方面，一线城市的高房价迫使部分高学历人才逃 离北上广深，集多方优质资源于一身的省会城市自然成为这些流动人才安家落户的首 选,加之省会城市对引进人才的购房优惠政策，导致省会城市房价被推高，“人才效 应”凸显。如长沙于2017年推出人才购房优惠政策①，显然有利于刺激房产需求。另 一方面，中心城市在各梯队内具有地理优势及经济辐射能力，拥有大量投资经验丰富 的参与者、频繁的交易及更低的信息成本，对房市信息的反应先于其他地区，因此房价 调整也更快。信息反应延迟地区的投资者借助领先地区的价格信号向领先市场学习， 继而提挈延迟地区的价格调整,驱动城际间的房价泡沫溢出。

三是从区域层面看,泡沫传染集聚在南方，北方房价泡沫传染作用有限。据中国 社会科学院发布的《宜居中国发展指数报告(2017-2018)》显示,2017年度中国宜居 城市中，南方城市排名整体优于北方，以前十大宜居城市排行榜为例，南方占据8强" 南方地区资本、人才、气候环境等要素优势导致南方的房价泡沫周期显著长于北方，微 弱的房价泡沫决定了北方城市间的内部传染作用有限。

是从 度看，一线城 之间的 价 效 于对二三线城 的作用,说明相似的经济条件更有利于房价泡沫的扩散。此外，西部地区间的传染性显著 高于东中部，说明西部地区房地产市场间的联结度更大。

(二)局部区域间房市泡沫的时变传染效应

除中心城市对他城房市泡沫的扩散作用外，局部地区间也存在房价泡沫传染效 应。本文基于TVP-VAR模型对24城房价泡沫的时变扩散效应进行探讨，发现北京、 济南、天津、石家庄、合肥、南昌、广州、贵阳、海口、南宁10城存在显著的房价泡沫迁 移，详见图7。总体上看，房价泡沫的扩散效应涵盖一二三线城市，但泡沫扩散仅在 北-北、南-南之间活跃，局部地区间房价泡沫传染局囿于区域经济协同、人口迁移地区。如北方房价泡沫的传染作用大多发生于环渤海地区内部城市，泡沫溢出距离最远 的北京至郑州，两者相距约690公里，与丁如曦和倪鹏飞(2015)提出的一线城市住房 价格的辐射半径约为700公里的结论吻合。时变方差分解的结果则进一步证实房价 泡沫的传染效应，部分城市如北京对石家庄、广州对南宁房价泡沫的变化占比于峰值 处高达40%。

总体而言，国内城市间房价泡沫的时变传染呈多方位辐射状。从空间上看，泡沫 溢出并非局限于邻近城市间，不相邻城市之间也存在显著的房价泡沫传染，本文从人 口流动、信息传递、经济同质、区域协同等视角对上述现象做了较为合理细致的剖析。 基于时间维度，发现除一线城市外，中国城市之间的房价泡沫传染作用自2016年以后 显著增强，传染峰值普遍出现于传染城市房价泡沫爆发前期至被传染城市房价泡沫初 期，之后传染性减弱,这与国内房市调控政策息息相关。2015年，国家放开限购限贷 政策，市场反应延迟致使国内房价自2016年初开始全面普涨，一二线城市房价泡沫陆续爆发，泡沫溢出作用也随之上升①。2016年第四季度，以上海为首的一二线城市相 继重启限购限贷政策，房价逐步回落，城市间房价泡沫传染效应也随之下降。2017年 初，受“棚改货币化安置”等政策影响，三四线城市接过一二线城市房价上涨的接力 棒，泡沫扩散作用开始在三四线城市间显著增强，如洛阳。之后，国内城市间房价泡沫 重新回归弱传染阶段。城市间整体传染路径详见图8。

(三)稳健性分析

1.加入控制变量。一个城市房价泡沫除受到其他城市房价泡沫的传递影响外, 同时受货币政策及宏观基本面等其他因素的影响。陈创练和戴明晓(2018)证实国内 房地产市场经历的几轮牛市与宽松的数量型货币政策紧密相关。Deng et al. (2018 ) 也指出宏观基本面及货币政策是国内房价的重要决定因素，因此我们考虑将以上因素 纳入上述TVP-VAR模型以考察在加入控制变量后，城市间房价泡沫的传染效应是否 仍然显著。参照现有文献，选取M2月度环比增长率、通货膨胀率(CPI)以及工业增加值环比增长率作为控制变量，形成6变量TVP-VAR模型，基于SC准则将模型的滞后 阶数确定为1阶。此外，为避免宏观变量排序影响脉冲响应结果①,我们采用不受 VAR变量排序干扰的广义脉冲函数(Pesaran and Shin, 1998 )，加入控制变量后的结果 如图9所示。结果显示，加入控制变量后,城市间房价泡沫的时变传染效应与未加入 控制变量的结果几近无异。

时变条件方差分解的走势与未加入控制变量前的也基本一致，传染源地区对其他 城市房价泡沫变动的贡献峰值出现于房价泡沫初期，这均在一定程度上表明本文结果 的稳健性。此外，3变量及6变量TVP-VAR模型结果的高度相似也从侧面说明本文 建立的VAR模型信息较为充分。

2.不同滞后阶数。本文分析表明，中国房价泡沫起源于中心城市,然后多方位向 外扩散，最后在局部城市间转移。为进一步证实上述结论的可靠性，我们尝试对不同 滞后阶数下的TVP-VAR模型进行稳健性分析。HQ准则表明模型的最优滞后阶数为6阶，因此本文也绘制了滞后6阶TVP-VAR模型的脉冲响应函数①。结果证实，当模 型的滞后阶数为6时,城市间房价泡沫的时变传染效应与3阶滞后模型的结果几乎无 异,详见图10给出的城市间房价泡沫的时变脉冲响应②。

五 结论与启示

房价泡沫已成为近年来中国经济的一大突出问题，地区间房价泡沫传染效应给金 融市场稳定带来极大隐患。鉴于此，本文首次利用房租比数据基于后向递归右侧单位 根检验识别中国49个大中城市2010-2018年的房价泡沫，并运用时变参数VAR模型 考察全国城市间房价泡沫的时变传染路径及强度。

通过前面的分析，本文结果可概括为:第一，中国49个大中城市样本中有24个存 在房价泡沫，爆发时间集中于2015年12月至2017年9月，泡沫整体呈现“南北分化,东强西弱”特征;第二，城市间房价泡沫的时变传染整体呈现倒U型，前期传染作用强 于中后期。深圳、上海、武汉、重庆构成四大辐射源,逐步形成一条(从南至北、由东向 西、中心向外辐射”的核心传染路径，伴以局部地区多条传染分支。在核心传染路径 上，上海、武汉承担房价泡沫在南-北、东-西迁移的联结作用。除武汉外,深圳、上 海、重庆的泡沫输出时间高度集聚于泡沫初期。局部地区的传染作用涵盖一二三线城 市。24城在房市传染中发挥不同作用，除4大中心城市外，省会城市最易受中心城市 房价泡沫的传染;第三，房价泡沫传染总体受限于城市间的人口迁移及经济相似性，与 空间距离无直接关联。从横向看，西部地区间的房价泡沫传染作用最强。从纵向看, 相较于南-北间的泡沫传染，泡沫在南-南、北-北之间的扩散作用更活跃。

依据上述结论，我们可以获得以下三方面的政策启示:一是城市间房价泡沫初期 的传染性最强，因此当观测到样本城市尤其是关联的中心城市房价剧烈波动时，地方 政府应及时出台相应调控政策阻止这种传染作用，避免房价泡沫关联度高的城市之间 房价共振引发房市系统性风险;二是城市间房价泡沫的传染主要基于中心城市向外扩 散，因此有必要对样本城市实施差异化的调控政策。重点监控存在泡沫扩散的城市间 的房价，从源头上控制泡沫传染。对易被传染的城市，应注意把握调控政策的推行时 间，在关联城市泡沫低谷时可适当放宽“追随者”的房市政策。另外，西部地区的房价 泡沫传染强度显著高于中东部，应适时加强西部地区房市系统性风险的监测；三是地 方政府监控房地产市场不应囿于资本流动、CPI等因素对本地房价带来的冲击，还需 关注人口与经济空间双重“近邻”城市的房市波动,避免因“近邻”城市房价泡沫的传 染作用降低本地房市调控效率。

总之，时变参数VAR模型有助于深刻了解区域间房价泡沫的时变传染情况，但本 文绘制时变脉冲响应图的城市维度仅为3，低维的脉冲响应图可能导致部分传导信息 被遗漏，需要进一步研究如何借助高维工具刻画城市间的全局泡沫传染效应。

参考文献：

陈创练、戴明晓(2&1 =)：《货币政策、杠杆周期与房地产市场价格波动》，《经济研究》第9期°

丁如曦、倪鹏飞(2015)：《中国城市住房价格波动的区域空间关联与溢出效应》，《财贸经济》第6期° 高波、王辉龙、李伟)(2&14)：《预期、投机与中国城市房价泡沫》，《金融研究》第2期° 郭豫媚、陈伟泽、陈彦斌(2016)：《中国货币政策有效性下降与预期管理研究》，《经济研究》第1期° 洪涛、西宝、高波(2007):《房地产价格区域间联动与泡沫的空间扩散一一基于2000—2005年中国35个大中 城市面板数据的实证检验》，《统计研究》第=期°

金德尔伯格(1996):《泡沫状态》(中译本)，《新帕尔格雷夫经济学大辞典》，北京:经济科学出版社"

刘海云、吕龙(2&1=)：《城市房价泡沫及其传染的“波纹”效应》，《中国工业经济》第12期°

吕江林(2&1&)：《我国城市住房市场泡沫水平的度量》，《经济研究》第6期°

孟庆斌、荣晨(2&$7)：《中国房地产价格泡沫研究——基于马氏域变模型的实证分析》，《金融研究》第12期°

王锦阳、刘锡良(2&14)：《住宅基本价值、泡沫成分与区域溢出效应》，《经济学(季刊)》第13期°

郑挺国、刘堂勇(2&1 =)：《股市波动溢出效应及其影响因素分析》，《经济学(季刊)》第17期°

赵燕菁(2&1=)：《货币、信用与房地产 个基于货币供给的增长假说》，《学术月刊》第9期°

赵燕菁、邱爽、宋涛(2019)：《城市化转型:从高速度到高质量》，《学术月刊》第6期°

Afridi，F. ； Li，S. X. and Ren，Y. F. " Social Identity and Inequality: The Impact of China's Hukou System.)Journal of Public Economics，2015，123(0)，pp 17-29.

Allen，F. and Carletii，C. “ Systemic Risk from Real Estate and Macro-prudential Reeulahon.)International Journal of Banking，Accounting and Finance，2013，5，pp. 28-48.

Baddeley，M. " Housing Bubbles，Herds and Frenzies: Evidencr from British Housing Markets. )CCEPP Police

Brief，No. 02-05,2005.

Black，A. ； Fraser，P. and HoesIi，M. "House Prices，Fundamentals and Bubbles.)Journal f Business Finance &

Aofunecng， 2006 ，33， pp 1535 -1555 .

Brady，R. R. " The Spatial Diffusion of Regional Housing Paces across U. S. States. " Regional Science and Urban E-

conomics，2014，5(46)，pp. 150-166.

Campbell，J. Y. and Shdler，R. J. “The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. " Refer of Financial Studies，1988，1 (3)，pp. 195-226.

Caspi，I. “Testing for a Housing Bubble ai the National and Regional Level： The Case of Israel. "Empirical Economics ， 2016，49(1)，pp. 483-496.

Cochrane，J. H. " Discouni Rates: Ameican Finance Association Presidentiai Address. " Journal of Financc，2011， 66(8)， pp.1047-1108.

Cogley，T. and Sargent，T. J. “ Evolving Post-World War II U . S. Inflaion Dynamics. " NBER Macroeconomicc Annual， 2001，16， pp 331-373

Cogley，T. and Sargent，T. J. “Drits and Volatilities: Monetarg Policies and Outcomes in the Post Was I U. S.) Refer o Economic Dynamics，2005，8(2)，pp. 262-302.

CosteHo，G. ; Fraser，P. and Groenewold，N. “ House Prices，Non-fundamental Component and Interstate Spillovers:

The Australian Experience. " Journal。了Banking & Finance，2011，35 (3 )，pp 653-669.

Deng，Y. H. ； Girardia，E . and Joyeux，R. “FundamentaIs and the Volatilita of Real Estate Prices in China: A sequential Modeling Strategy. " China Economic Refer，2018，48，pp. 205-222.

Deng，Y. H. ； Hu， M. R. and Lv-， A. D. " Melting Pot oo Salad BowI: CulturaI Distance and Housing Invesanents. " SSRN Working Paper，2020

Diba，B. T. and Grossman，H. I. “ Explosive Raionai Bubbles in Stock Prices?" The American Economic Refer，

1988， 78(3)， pp 520-530.

Dritili，J. and Sola，M . " Intansie Bubbles and Regime-Switching. " Journal of Monetarr Economics，1998，42 (5)， pp. 357-373.

Etienne, X. L； Irwin, S. H. and Garcia, P. ( Bubbles in Food Commodity Markets: Four Decades of Evidence.)Journal of International Money and Finance, 2014 , 42(6) , pp. 129-155.

Fabozzi,J. F. ；Kynigakis,I. ；Panopoulou, E . and Tunaru, S . S. (Detecting Bubbles in the US and UK Real Estate Marketi. " Journal of Real Estate Finance and Economicc, 2019,1 , pp. 1-45.

Fomt, M. and Gambetti, L ( Sufficient Information in StructuraO VARt. " Journal of Monetary Economics, 2014,1 (66), pp 124-136.

Fust, R. ； Zhu, B. and Zietz, J. ( US Regional Housing Bubbles, Their Co-movementt and SpOlovea " European Business School Working Paper. Wiesbaden, Gemany,2011.

Gonzalez, J. E . G. ； Gamboo, A. J. ； Hirs, J. G. and Rosem, A. P. ( When Bubble Meets Bubble: Contagion in OECD Counties. " Journal of Real Estate Finance and Economics, 2016 , 56 , pp. 546-566.

Gonzalez, J. E . G. and Restrepo, S. S. ( The Maple Bubble: A Histom of Migration among Canadian Province.) Journal o Housing Economics, 2018 , 41(1), pp. 57-71.

Hui, E . C . and Shen, Y. ( Housing PWcc Bubbles in Hong Kong, Beijing and Shanghai: A Comparative Study.)

Journal oReal Estate Finance and Economics, 2006,33(4) , pp. 299-327.

MacDonald , R. and Taylor, M. P. ( Regional House PWces in Bwtain: Long-mn Relationships and Short-run Dynamics. "Scottish Journal 时Political Economy, 1993 ,40 , pp. 43-55.

McGrevv, R. G. and Phillips, P. C. (Hoi PmpeWi in New Zealand: Empiocal Evidencc of Housing Bubbles in tie Metropolitan Centres. " New Zealand Economc Paper ,2016 , 50 (1) , pp. 88-113.

Meen, G. ( Regional House PWces and the Ripple Effed: A New Interpretation . " Housing Studies, 1999 , 14 (6),

pp 733-753.

Nakajima , J. ( Time-rvming Parameter VAR Model with Stochastic Volaylity: An Over-view of Methodology and Empirical Application. " Monetary and Economcc Studies, 2011 ,29(5) , pp. 107-142.

Nneji, O. ； Brooks, C. and Ward, C. W. R. ( Speculative Bubble Spoovem across Reeional Housing MarkeI.)

Land Economics ,2015,91(3) , pp. 496-535.

Pesaran, M. H. and Shio, Y. ( Generalized Impulss Responss Analysis in Linear MulavvWate Modees. " Economics

Lrerrt, 1998 , 58, pp 17-29.

Phillips, P. C . B . ； Wu, Y. R. and Yu, J. (Explosive Behavior in the 1990s Nasdaq: When Did Exuberancc Escalate Asset Values?" International Economc Review, 2011 ,52(1) , pp. 201-226.

Phillips, P. C. B. ； Shi, S. P. and Yu, J. (Testing for Multiple Bubbles: Historical Episodes of Exuberancc and Collapse in the S&P 500. " Inter/ational Economic Review, 2015 , 56(4) , pp. 1043-1078.

PamiceimG. E. ( Time Vaming Structuml Vectoo Auto regressions and Monetam Policy. " Review + Economic Stud

ies, 2005 ,72(3) , pp. 821-852.

Riddei, M. ( Are Housing Bubbles Contaaious? A Cast Study of Las Veaas and Los Angeles Home Prices. " Land E- oonomcot, 2011, 87(1) , pp.126-144.

Smith, G. ； Mayee, C. and Shillee, R. J. ( Bubbie, Bubble, Where's the Housing Bubble? CommenI and

Discussion. " Brookings Papers on Economic 2006,1 , pp. 1-24.

Shi,S. P. (Speculative Bubbles or Market Fundamentals? An Investigation of US Regional Housing Markets. " Eco

nomics Modelling ,2017,66(5) , pp. 101-111.

Teng,H. J. ； Chang, C. and Chen,M. C.( Housing BubbSe Conta-ion from City Center ta Suburbs. " UrOan Studies, 2016, 40(1) , pp. 1-19.

Wu, J. and Deng, Y. H. ( Intercity Information Diffusion and POce Discovero iv Housing Markeis: Evidence from

Google Searches. " Journal of Reai Estate Finance and Economios ,2015 , 50 , pp. 269-306.

文献原文： 中国城市房价泡沫测度及其时变传染效应研究.pdf (3.71 MB, 下载次数: 54)

2021-9-7 11:53 上传

点击文件名下载附件