[摘要] 房地產市場的區(qū)域分類是進行房地產微觀市場分析和宏觀市場研究的基礎。只有進行了合理有效的區(qū)域分類，才有可能對房地產市場行為有清晰的把握和認識。本文基于房地產市場發(fā)展規(guī)模的各項指標，運用聚類分析方法進行了全國房地產市場的整合分類，為合理劃分全國市場提供了一個好的思路。

[關鍵詞] 房地產市場 聚類分析 區(qū)域分類

一、引言

房地產的區(qū)域分類定應該以什么為標準？這個問題是進行房地產宏微觀研究的根本基礎。只有在對房地產區(qū)域進行了合理的細分，才能針對各個市場的各個物業(yè)市場進行進一步的探討，才有可能正確解釋和預測各個區(qū)域內宏觀環(huán)境變化和微觀機制運作給市場帶來的影響。我國是一個面積廣闊的國家，合理地進行區(qū)域的細分更顯重要。因此，對我國房地產區(qū)域進行合理的范圍細分是十分必要的。

二、房地產市場區(qū)域細分方法

房地產的區(qū)域劃分實際上就是房地產的空間聚合問題。簡單而言，也就是如何對地理觀念上的整個房地產市場進行分割，使其成為多個獨立的小區(qū)域。再通過對各個小區(qū)域的指標變量進行深入分析，得出各個獨立區(qū)域的內在關聯性。根據其間內在關聯程度將獨立區(qū)域重新聚合，進一步形成新的，獨立性更強的，面積范圍更大的市場區(qū)間。

房地產區(qū)域細分問題的關鍵和難點在于各個獨立小區(qū)域的重新整合。整合工具變量的選取直接決定了區(qū)域重新整合的結果。在這一點上，國內外專家學者提出了不同的看法。各個國家的具體實行措施也截然不同。

美國人口普查局進行市場調查是以大都市統(tǒng)計區(qū)（MSAs）為依據的。這是一個基于數據的聯邦劃分標準，它通常包括一個人口在50000以上的建制縣和至少一個的外圍縣。它的基本劃分依據是區(qū)域內的流動性。這種方法最重要的特點是，在每一個區(qū)域單位內部，勞動力在地理位置上可以自由流通遷徙，而不受工作單位地理位置的影響。

我國現階段房地產市場的劃分是以地理位置和行政區(qū)域單位為標準的。根據中國統(tǒng)計年鑒，以直轄市，省，自治區(qū)為單位將全國房地產統(tǒng)計單位分成31個區(qū)域單位。這種方法是延續(xù)了行政建制的特點，顯然在經濟領域有嚴重的弱點。中國地域廣大，生產力發(fā)展不平衡。經濟改革遵循循序漸進的方法步步推進，沒有在全國范圍一次性鋪開。這就導致中國各個行政區(qū)域經濟發(fā)展的不平衡性。即使是相鄰的省份，經濟狀況也有相當的差距。以此為基礎對房地產市場進行區(qū)域分割顯然是不能合理體現市場發(fā)展特點的。

但是，中國傳統(tǒng)的定居觀念使得中國居民不具有西方人的流動傳統(tǒng)，在購買固定居所后，居民很難進行大范圍的工作遷徙。這就使得中國居民流動性大大弱于美國。其次，中國人口眾，人口密度大，交通相對落后，遷徙的成本要大大高于西方國家。另外，中國特有的戶籍制度也大大限制了人員的流動。在缺少流動性的前提條件下，中國顯然不能實行大都市統(tǒng)計區(qū)的區(qū)域劃分方法。

在本文，筆者提出了中國房地產市場區(qū)域劃分的新思路。簡單而言，就是將多元數理統(tǒng)計方法運用到實際操作中。選取反映房地產市場發(fā)展狀況的重要指標，在31個行政區(qū)劃分的基礎上，采用聚類分析方法對31個地區(qū)進行深入分析，進一步整合區(qū)域劃分范圍，以便能更好地分析區(qū)域的房地產微觀市場行為，更有針對性地對不同區(qū)域進行宏觀調控。

三、聚類分析方法原理和方法

聚類分析是一種多元數理統(tǒng)計方法。它并沒有事先設定樣本分類的標準，而是通過對樣本和變量數據的不同特征指標值進行差異程度計算，根據變量或樣本間不同的差異程度大小重新結合分類，產生一個更有效的類族。在這個類族中，每一個新類別中的原樣本或變量在一定程度上更為接近。它的關鍵在于計算個體之間的“親疏程度”，也就是個體之間的差異程度，這可以通過計算個體間的距離來實現。分析個體間的“親疏程度”就是通過各種方法計算個體間的距離。得出的距離越小，意味著個體越“親密”，反之，則越“疏遠”。根據個體“親疏程度”，可以對所有樣本進行重新整合，越“親密”的個體越有條件合為一類，越“疏遠”的個體則容易被歸為不同類別。

中國房地產市場區(qū)域聚類分析中國地緣遼闊，生產力和生活水平地域性差距大，房地產市場也由此呈現明顯的區(qū)域特點，而這種區(qū)域特點又和單純地理位置或行政區(qū)域導致的地域差異明顯不一致。

根據中國統(tǒng)計年鑒2006年發(fā)布的2005年全國31個直轄市、省、自治區(qū)房地產數據，本文選取房地產開發(fā)企業(yè)基本情況、房地產開發(fā)經營情況、商品房銷售情況、房地產開發(fā)建設投資總規(guī)模及完成投資、房地產開發(fā)企業(yè)資金來源、房地產開發(fā)建設房屋建筑面積和造價、房地產開發(fā)企業(yè)土地開發(fā)及購置七個大類的26個指標進行數據分析，分別是開發(fā)公司個數、職工人數、經營總收入、土地轉讓收入、商品房屋銷售收入、房屋出租收入、營業(yè)收入、實際銷售商品房屋面積、住宅銷售面積、商品房屋銷售額、住宅銷售額、商品房屋平均銷售價格、住宅銷售平均價格、實際需要總投資、本年完成投資額、本年資金來源小計、國內貸款、利用外資、自籌資金、施工房屋面積、竣工房屋面積、竣工房屋面積、本年新開工房屋面積、竣工房屋造價、本年完成開發(fā)土地面積、土地購置費用、本年購置土地面積。由于指標較多，地區(qū)劃分單位相對較細，我們很難從提供數據中直觀地看出各地區(qū)房地產市場發(fā)展規(guī)模的區(qū)別，更談不上很有效地對各地區(qū)市場進行針對性的政策調控。為了更好地對特定地區(qū)進行房地產市場監(jiān)控和市場研究，有針對性地制定宏觀政策進行指導和調控，就很有必要對全國市場進行重新整合分類。

聚類分析中距離的計算按照計算參加對象分為兩種：個體間距離的計算和個體與小類、小類與小類間距離的計算。近年來，學者們針對這兩種距離計算提出了眾多方法。本文采用平方歐式距離（Squared Euclidean distance）計算個體間距離，用組間平均鏈鎖（Beteween-groups linkages）距離計算個體與小類，小類之間距離。

平方歐式距離是兩個個體(x，y)間所有指標變量之差的平方和，數學定義為：

(1)

其中，xi代表個體x第i個變量的值；yi代表個體y第i個變量的值；k代表所有的變量數目。

組間平均鏈鎖距離是指該個體與小類中各個個體距離的平均值，數學定義為：

(2)

其中，x是小類外的個體；Y代表小類，其中包含k個個體； 代表小類中第i個個體。

經過聚類分析計算，SPSS軟件生成了聚類分析凝聚狀態(tài)表，聚類分析冰掛圖和樹形圖。通過觀察這三個表格，我們就可以從不同的層次聚類過程得到全國房地產市場區(qū)域分類整合的多解。

結果顯示，全國房地產市場聚類分析可以得到多個分類結果。例如，當分成6類時，北京單獨一類；上海，廣東一類；江蘇，浙江一類；天津，四川和福建一類；山東，遼寧一類，剩余地區(qū)歸為一類。當分為5類時，可將遼寧，山東，天津，四川和福建合并一起。分為4類時，可進一步將北京與上海，廣東合為一類?？紤]到最大類別包含了18個個體，個體數目偏多，不容易區(qū)分該類省市間差異，因此對該類別繼續(xù)進行相同方法的聚類分析，得到相應結果（見附表1）。

通過兩個階段的聚類分析，我們最終確定全國房地產市場區(qū)域分類為7個小類。

A類:上海、廣東、北京

B類:浙江、江蘇

C類:遼寧、山東、福建、四川、天津

D類:安徽、湖北、河北、河南，湖南、重慶

E類:廣西、云南，江西，陜西，黑龍江

F類:山西、貴州、內蒙古、吉林

G類:海南、寧夏、甘肅、新疆、青海、西藏

進一步分析各個類的統(tǒng)計特征（見附表2）：

可以發(fā)現，各組的指標均值大多由A類到G類依次遞減。

A類為房地產市場最為發(fā)達的區(qū)域，該地區(qū)總面積遠小于其他地區(qū)，但除本年完成投資額，竣工房屋面積，本年購置土地面積三個指標略不及B類地區(qū)外，其他均保持領先地位。這說明A類地區(qū)房地產市場活躍，盈利能力強。B類地區(qū)在各項指標都高于C類地區(qū)，表明該地區(qū)市場總體表現強于C類地區(qū)，亦屬于全國房地產市場的指標地區(qū)，需要重點關注。F類區(qū)域和G類區(qū)域各個指標明顯弱于其他區(qū)域，無論是市場規(guī)模還是盈利能力都需要大力提升。這兩個地區(qū)都需要政府給于特殊政策加以扶持，保證房地產市場的順利發(fā)展。而D類地區(qū)和E類區(qū)域較為接近，各項指標都處于中游地位。

四、結論

本文用聚類方法根據房地產行業(yè)的各項指標進行距離計算，更為合理地對全國房地產市場重新整合分類。但是這種區(qū)域分類方法不是一勞永逸的。如果在若干年限間隔（比如三年）就進行一次系統(tǒng)的聚類分析，還能使得我們對全國各地市場的發(fā)展變化有更直觀的了解。需要提出的是，目前聚類分析只能對單個時點的若干指標或單個指標的時間序列進行分析，顯然具有一定的片面性。關于多個指標的時間序列聚類分析問題，仍然需要進一步的探索和研究。

參考文獻：

[1]Denise.Dipasquale and William C.Wheaton，龍奮杰譯:城市經濟學與房地產市場.2002年:經濟科學出版社

[2]Ramsay J.O. and Silverman B.W. Functional Data Analysis [M].New York:Springer-Verlag New York，Inc，1997，11～83

[3]Tae-kyung Kim. Exploring spatial effects on urban housing duration. Environment and Planning A， 2003， 35: 1415～1429