張 謙 王章名 王成璋

（西南交通大學經濟管理學院 四川成都 610031）

我國城市房價波動的溢出效應研究
——基于DCC-MVGARCH模型的視角

張 謙 王章名 王成璋

（西南交通大學經濟管理學院 四川成都 610031）

運用動態(tài)因子分析方法對我國35個大中城市的房地產發(fā)展水平進行綜合評價。在此基礎上，選取發(fā)展水平較高的10個城市，利用其2007年7月～2014年9月新建商品住宅銷售價格指數(shù)的月度數(shù)據，構建DCC-MVGARCH模型，研究這段時期內我國城市房價波動之間的溢出效應。結果發(fā)現(xiàn)，絕大多數(shù)城市房價波動間有著顯著的正相關性，并且調控政策的出臺在一定程度上降低了它們之間的動態(tài)相關系數(shù)。進一步的研究表明，我國城市房價波動之間存在一定的溢出效應，房價波動主要由房地產發(fā)展水平較高的地區(qū)傳遞至發(fā)展水平較低的地區(qū)。

房價；溢出效應；動態(tài)因子分析；DCC-MVGARCH模型

一、引言

房地產業(yè)價格水平的高低不但決定著房地產行業(yè)自身能否健康發(fā)展，同時對關聯(lián)行業(yè)的發(fā)展、經濟發(fā)展、居民生活質量、國家金融安全等方面產生影響，特別是對社會公平與穩(wěn)定將產生巨大影響。

自1998年房地產業(yè)市場化改革以來，我國住房價格總體上一直處于上升的階段，尤其是北京、上海、廣州等東部地區(qū)的房價已經遠遠高于中西部地區(qū)。進入2014年，不少城市的房價增長減慢甚至出現(xiàn)了下降，再次激發(fā)了人們對房地產市場是否進入拐點的熱議。這些城市房價變化是否會影響到其他地區(qū)的房價波動，不同地區(qū)的房價波動間是否存在內在聯(lián)系，以及是否受到一定機制的影響，是值得我們探究的問題。

二、文獻綜述

Holmans AE（1990）通過對20世紀60年代至90年代的英國區(qū)域房價的分析計算，發(fā)現(xiàn)以倫敦為主的南部地區(qū)的房價首先變化，并逐漸由南至北影響整個英國房價的波動，并將其定義為房價的“波紋效應”（rippl effect）。它表示某些區(qū)域的住房價格波動由中心城市/核心地區(qū)帶動而對其他城市/區(qū)域的住房價格的波動產生傳導效應的長期關系。在其他學者關于房價的研究當中，相似的現(xiàn)象被稱作擴散效應、空間效應或者連鎖效應。本文將這種現(xiàn)象稱為“住房價格波動的溢出效應”，即一個地區(qū)住房市場的價格波動會對另一個地區(qū)的房價波動產生影響。

近些年來，國內外學者在研究房地產價格波動溢出效應方面，采用不同的方法進行了一定的研究和探索。Hui（2010）運用協(xié)整檢驗和格蘭杰因果檢驗方法，發(fā)現(xiàn)馬來西亞三個城市房價變動之間存在相互影響；Holly和Pesarana（2010）運用空間計量方法對美國49個州29年的房價數(shù)據進行分析，在控制了實際收入等其他影響的條件下，發(fā)現(xiàn)空間因素依然對房價波動有重要影響；Bandt、Barhoumi和Bruneau（2010）將這類研究擴展到經合組織的成員國，研究表明美國實際房價直接或者間接地影響了其他國家的房價；Lee和Chien（2011）運用最新的單位根檢驗方法分析臺灣地區(qū)1993-2009年各區(qū)域房價，結果顯示除了臺北以外其他地區(qū)的房價都具有顯著的擴散效應，同時認為它是由公共住房較小和住房預售制度造成的；Simo-Kengne、Bitten?court和Gupta（2012）考察了南非9省房價對經濟發(fā)展的影響，建立的空間SUR模型，顯示空間效應是非常重要的影響房價因素；Lean和Smyth（2013）運用單因素和面板LM單位根檢驗方法考察了馬來西亞14個區(qū)域5種不同房屋類型的價格指數(shù)之間的關系，發(fā)現(xiàn)在馬來西亞的區(qū)域房價是從最發(fā)達地區(qū)傳遞到欠發(fā)達的地區(qū)；Ferrari和Rae（2013）的研究認為是人口遷徙，尤其是選擇性遷徙，影響了英國住房價格空間上的分化；Liu和Roberts（2013）從逆城市化的角度運用向量誤差模型考察香港各區(qū)域房價之間的相互依賴關系，結果顯示香港地區(qū)的房價從中心城區(qū)向農村地區(qū)擴散效果大于逆城市化過程；Zhu等學者（2013）研究1995-2009年美國19個區(qū)域住房市場上收益率的非系統(tǒng)風險和波動率的空間聯(lián)系，結果表明整個市場的聯(lián)動不僅影響空間上相鄰的地區(qū)，同時還影響到經濟水平相近的地區(qū)，此外由于次貸危機的蔓延，使整個住房市場的空間影響更為強烈。

國內學者對住房價格波動溢出的研究還處于探索階段，主要集中在驗證我國的區(qū)域房價波動溢出效應是否存在，僅有少部分學者進一步研究房價空間擴散的路徑。梁云芳和高鐵梅（2007）以區(qū)域差異為視角，其研究顯示房價波動在區(qū)域具有差異性，同時通過實證分析發(fā)現(xiàn)各區(qū)域間價格波動差異主要是由于貨幣政策效應以及房價的預期差異所造成的；洪濤等（2007）在面板數(shù)據模型的基礎上，運用CSD檢驗進一步分析其殘差得出，不同城市間房地產價格存在聯(lián)動性；李永友（2014）通過IVQ R和空間計量分析指出，我國城市房價出現(xiàn)全域性的上漲，主要源于價格變化的自身慣性、需求驅動以及房價變化的“波紋效應”，同時通脹的影響會導致波紋效應的減弱；王錦陽和劉錫良（2014）運用脈沖響應函數(shù)對北京、上海、天津和重慶的房價數(shù)據泡沫分析發(fā)現(xiàn)，四城市房價泡沫間存在廣泛的溢出效應，但影響方向和強度具有顯著的差異；梁云芳和行成生（2012）利用動態(tài)因子模型對26個大中城市的房價波動進行因素分析，表明代表區(qū)域特征的區(qū)域因子對于區(qū)域內的城市房價波動影響較大，同時我國城市房價的波動存在由東部發(fā)達地區(qū)向中、西部地區(qū)蔓延的“波紋效應”。

從以上國內外研究來看，國外學者的研究比較豐富，他們通過多種方法證明了房價波動溢出效應廣泛存在于各個國家和地區(qū)，同時部分學者進一步發(fā)現(xiàn)房價波動大多是由經濟或房地產發(fā)展迅速的發(fā)達地區(qū)傳遞至欠發(fā)達地區(qū)。而國內的相關文獻相對較少，現(xiàn)有的研究焦點主要側重于利用統(tǒng)計檢驗和空間計量方法驗證我國區(qū)域房價波動是否存在溢出效應，而對于房價波動溢出的具體傳導路徑的研究分析在國內幾乎沒有?；谏鲜鲈?，本文對已有研究做了進一步拓展，通過運用DCCMVGARCH模型研究我國不同城市房價波動間的動態(tài)相關性，同時探究我國城市間房價波動溢出的傳導關系。

三、理論分析

關于溢出效應的相關研究，主要集中在區(qū)域經濟學和金融學的相關領域。借鑒這些研究成果，結合住房商品的基本特征，本文將“住房價格波動的溢出效應”定義為：不同區(qū)域住房市場的價格波動之間可能存在某種傳導或擴散機制，從而導致一個地區(qū)住房市場的價格波動會對另一個地區(qū)的房價波動產生影響，它反映的是在空間和時間兩個維度上，兩個或多個不同地區(qū)住房市場的價格波動之間的相互關系。同時學者們對于房價波動溢出效應的形成機理還未達成共識，具有代表性的主要有以下四種觀點：

（一）人口遷徙

這種觀點認為，居民會更傾向于遷徙到住房價格相對較低的地區(qū)，從而導致房價較低地區(qū)的住房需求量上升，最終引發(fā)價格的上升。然而這種觀點在省域和城市層面缺乏有力的經驗證據支持。根據2010年第六次人口普查數(shù)據顯示，2005-2010年期間人口遷入比率較大的省域分別是上海（22.7%）、北京（21.6%）和浙江（16.3%）等經濟發(fā)達地區(qū)，而這些普遍是房價較高的地區(qū)。這在一定程度上說明家庭在選擇遷徙時不僅會考慮到房價的差異，同時可能更多受到就業(yè)機會等因素的影響。

（二)空間套利

這種觀點認為，如果住房市場是有效的，那么套利行為將會消除地區(qū)間住房投資收益的差異；居民的住房投資需求比住房消費需求更容易產生空間套利行為，也就是說當擁有住房的居民有實力進行住房投資時，財富的轉移引起了某種意義上的“人口遷徙”，從而將本地區(qū)的房價波動傳遞到另一個地區(qū)。

(三）影響房價因素的溢出效應

這種觀點認為，即便是房價波動不存在空間聯(lián)系，但是當決定房價的變動因素存在溢出效應，也會使得房價波動出現(xiàn)類似的表現(xiàn)。潘文卿（2012）認為我國區(qū)域經濟增長存在空間溢出效應，同時經濟基本面對房價有顯著的影響，那么可能會導致觀察到房價波動的溢出現(xiàn)象。此外，各類影響房地產市場的政策在不同區(qū)域的作用時間也會有差異，從而可能會表現(xiàn)出房價波動的溢出。

（四）信息傳遞

這種觀點認為，地區(qū)間房價溢出效應的發(fā)生可能是由于房價波動之后，信息通過個體接觸、新聞和網絡媒介在空間逐漸傳播，鄰近地區(qū)間的價格關系可能會更強，因為信息可以傳遞得更快。這種傳遞不僅會作用于相鄰的地區(qū)住房市場間，同時由于信息傳遞渠道的不斷發(fā)展，在不相鄰的城市間，信息的傳遞可能不再受地理區(qū)域的限制。一個或多個地區(qū)的住房市場作為信息源將信息傳遞到目標城市，但可能傳遞的發(fā)出時間或接受時間不同，速度不同或者完整性不同。國家統(tǒng)計局每月公布的《70個大中城市住宅銷售價格指數(shù)》是反應我國各城市房地產發(fā)展的重要風向標，受到了社會的廣泛關注。本地住房市場以及其他地區(qū)的房價變動情況，都會對消費者和房地產企業(yè)的預期產生重要的影響，而預期價格是影響房價變化的重要因素（況偉大（2010））。

四、房地產發(fā)展水平評價

本文主要研究的是我國大中型城市房價波動溢出效應。為了選取出更加具有代表性的樣本，本文運用動態(tài)因子分析《中國房地產統(tǒng)計年鑒》中35個大中城市的房地產發(fā)展水平進行客觀評價，通過分析結果，選取出適當?shù)臉颖具M行下一步研究。

（一）研究方法簡介

動態(tài)因子分析的原理主要是將變量分解成兩部分，截面部分利用主成分分析得到結果，另一部分通過線性回歸得到分析結果，最后將兩部分結果進行綜合分析。假設數(shù)據X(I ,J,T)={Xijt}，i=1…I，j=1…J，t=1…T，其中i代表主體，j代表變量，t代表時間。

首先通過計算可以得到其方差和協(xié)方差矩陣S，再將S分解成相互獨立的方差或協(xié)方差矩陣：

其中*SI代表各主體跨期的平均方差或協(xié)方差矩陣，它體現(xiàn)了各主體在不考慮時間維度變化影響的靜態(tài)相對結構差異。*ST是各時期的平均方差或協(xié)方差矩陣，代表了不考慮個體因素影響的在時間維度上總體的動態(tài)差異。SIT是個體和時間交叉作用的方差或協(xié)方差矩陣，體現(xiàn)了主體總體平均水平變化和單體變化在時間維度上所導致的動態(tài)差異。

進而將式（1）變化為兩部分

表1 動態(tài)因子分析中公因子的相關計算結果

其中，ST可同過主成分分析得出各時期平均離差矩陣，*ST可以利用線性回歸模型得出不同時期的變化。

（二）數(shù)據來源

這部分數(shù)據主要來源于2006-2013年的《中國房地產統(tǒng)計年鑒》和《中國統(tǒng)計年鑒》。主要選取的指標如下：代表房地產企業(yè)投入狀況的本年完成投資（萬元）和房地產企業(yè)從業(yè)人數(shù)（人），反應產出情況的房屋竣工面積（平方米），表示產業(yè)規(guī)模的房地產企業(yè)個數(shù)（個），反應市場狀況的商品房銷售額（萬元）、商品房銷售價格（元/平方米）和商品房銷售面積（平方米）。

（三）計算結果與結果分析

運用stata軟件，可以測算出各公因子的方差貢獻率、累計方差貢獻率和特征值。具體結果見表1。

由表1的計算結果可以看出第一、二個公因子的特征值分別為59.275和8.345，均大于1。同時它們的累計方差貢獻率達到0.899，兩者的值共同反映出各變量綜合信息的程度大于85%。說明第一公因子和第二公因子可以體現(xiàn)指標中的主要信息。因此提取第一公因子和第二公因子作為城市房地產發(fā)展水平的計算因子，進而對35個大中城市的房地產行業(yè)發(fā)展水平進行計算和評價。

進一步通過第一、二公因子計算出各城市房地產行業(yè)發(fā)展水平的靜態(tài)得分和動態(tài)得分，并根據平均綜合得分對其進行排序，結果見表2。

根據結果可以發(fā)現(xiàn)城市房地產業(yè)發(fā)展位列前十的城市分別是北京、上海、重慶、成都、廣州、天津、杭州、沈陽、深圳和武漢，它們的平均得分和靜態(tài)得分都大于0，同時這些城市多位于在全國或者所在區(qū)域中經濟較發(fā)達的地區(qū)。其他城市都處于平均水平之下，后十名分別是青島、石家莊、南昌、太原、烏魯木齊、銀川、蘭州、呼和浩特、?？诤臀鲗?，這些城市大多位于中西部欠發(fā)達地區(qū)，說明動態(tài)因子分析所得到的結果具有較高的可信度。

五、房價波動溢出效應分析

通過上一節(jié)動態(tài)因子分析的研究結果，本文選取了房地產發(fā)展水平相對較高的北京、上海、重慶、成都、廣州、天津、杭州、沈陽、深圳以及武漢為研究對象，進一步運用DCC-MVGARCH模型考察不同城市間房價波動的動態(tài)相關性和房價波動的溢出路徑。

（一）方法簡介

Engle（2002）提出的DCC-MVGARCH，為研究房價波動溢出效應提出了新的思路。此外Hansen和Lunde（2005）比較了多種類型的GARCH模型的解釋能力后認為，在大量研究中廣泛運用的GARCH (1,1)形式更加簡約，同時沒有明確的證據表明更復雜的GARCH模型在樣本內解釋或者預測能力上優(yōu)于GARCH(1，1)的形式。

表2 35個大中城市房地產發(fā)展水平得分

其中rt=(r1,t,r2,t,…,rn,t)T為t時刻n個城市房價波動率向量。i,j=1,2,…,n分別對應于不同的城市。mt為波動率向量r的條件期望。μ=(μ ,μ,…,μ)T

tt1,t2,tn,t是誤差向量。Ωt-1為至t-1期所有能獲得的信息集。σi2

,t為 μi,t的方差，其服從GARCH(1，1)模型。

diag(σ1,t,σ2,t,…,σn,t)是以σi,t為對角線上元素的對角矩陣。 ρˉij為εi,t和εj,t之間的無條件相關系數(shù)。qij,t為t時刻i與j地區(qū)房價波動率之間的條件協(xié)方差，且當i=j時qii,t表示t時期時i地區(qū)房價波動率的條件方差。Rt為所求的動態(tài)條件相關系數(shù)矩陣；a、b為待估計的參數(shù)，且當qij,t-1中i=j時qjj,t-1前面的參數(shù)b可以認為是度量所有地區(qū)房價波動率滯后一期對該地區(qū)i房價波動率的影響。模型通過兩步驟進行估計，首先估計單地區(qū)房價波動率的GARCH過程，然后利用計算出的標準化殘差，運用極大使然估計DCC模型中的參數(shù)a、b，最后計算出動態(tài)相關性矩陣Rt。

（二）數(shù)據選取

本文選取的研究對象是我國房地產發(fā)展水平較高的北京、天津、沈陽、上海、杭州、武漢、廣州、深圳、重慶以及成都的房價波動率。樣本范圍從2005年7月至2014年9月，共111組房價變動月度數(shù)據。數(shù)據來源于中國統(tǒng)計局每月公布的70個大中城市房價數(shù)據中的新建商品住宅銷售價格指數(shù)(上月=100)，并通過簡單的計算轉換為各城市房價月度的變化率。此外通過ADF檢驗和PP檢驗結果（見表3）可以看出，十個城市的房價波動率都是平穩(wěn)的，分析結果不會出現(xiàn)偽回歸現(xiàn)象，可以進行下一步DCC-MVGARCH模型的分析。

（三）結果分析

根據Engle和Sheppard（2001）提出的兩步估計方法，分析十個城市房價波動率的DCC-MVGARCH (1，1)模型。表4顯示出了十個城市房價波動率之間的動態(tài)條件相關性的估計結果，可以發(fā)現(xiàn)我國發(fā)展水平較高的十個城市房間波動之間存在較強的正相關性。其中北京與其他絕大多數(shù)的城市在房價波動上具有顯著的正相關性，上海、廣州和深圳的房價波動率與大多數(shù)城市具有正相關關系，特別有趣的現(xiàn)象是成都與大部分城市的房價波動也存在顯著的正相關性。

圖1 北京與上海間動態(tài)條件相關系數(shù)

圖2 廣州和深圳間動態(tài)條件相關系數(shù)

表3 穩(wěn)健性檢驗結果

為了更加準確地捕捉城市房價波動間相關系數(shù)的動態(tài)變化，本文描繪了北京與上海、廣州與深圳兩組動態(tài)相關系數(shù)圖。從圖1和圖2中可以看出在次貸危機前中央政府出臺一系列政策控制房價增長時，兩組房價波動的動態(tài)相關系數(shù)波動大多圍繞著零值波動，甚至出現(xiàn)較大的負值。但在次貸金融危機發(fā)生后，相關系數(shù)有比較明顯的變化，自2007年之后兩組城市房價波動劇烈的振動，但一直保持著顯著的正相關性。同時可以發(fā)現(xiàn)一個有趣的現(xiàn)象，在2007-2013年間每當中央政府出臺穩(wěn)定房價增長的調控政策后，房價波動的相關系數(shù)在短時間內都會出現(xiàn)一個比較明顯的下降，但一段時間后城市間的相關性又會逐步回升到較高的水平。例如2010年4月份中央出臺的“國十條”和2011年1月公布的新“國八條”之后，兩組相關系數(shù)都有著較大幅度的下降，而后又逐漸上升。這可能是由于地方政府和房地產市場對于中央政府調控政策的反應有差別，從而導致不同城市間的房價變化有差異。此外2014年以后全國的房地產市場都處于一個調整時期，大部分地區(qū)的房價有所回落，使得房價波動的相關系數(shù)又有了明顯的增加。

表4 DCC-MVGARCH模型估計結果

前文已經考察了城市間房價波動的動態(tài)相關性變化，但是結果不能反映房價波動溢出效應的傳導關系。因此為了進一步考察不同城市間房價波動的傳導方向，根據對式（3）中參數(shù)b的估計和檢驗，圖3繪出了十個城市房價波動的傳導關系圖，它反映的是房價波動的長期影響關系。

圖3 各城市間房價波動溢出效應的傳導關系圖

從結果中可以看出，在5%的顯著水平下，上海市的房價波動對于其他九個城市的房價波動都有顯著的正向影響。北京房價波動對于天津、杭州和廣州的房價波動產生了直接的傳導影響。天津的房地產市場在價格波動上對于深圳和杭州有著單向的溢出效應。廣州與沈陽、武漢之間存在著顯著的房價雙向波動溢出關系。沈陽的房價波動還影響著深圳和重慶。武漢對天津也有明顯的房價波動溢出現(xiàn)象。深圳的房價變化影響著重慶的房價變化。有趣的是，除了上海之外，重慶的房價波動對其他城市都有顯著的傳導影響，這可能與近幾年重慶房地產市場的快速發(fā)展有著密不可分的關系。從表1中可以看出2005～2012年重慶的房地產發(fā)展水平增長迅速，在2012年的房地產發(fā)展水平得分為5.58，已經超越北京和上海排名第一?？赡苷且驗橹貞c房地產市場的快速發(fā)展，從而使得重慶市在房地產價格波動上對其他城市產生重要的影響?？傮w而言，我國房價波動溢出效應更多的是由房地產發(fā)展水平較高的地區(qū)傳導至發(fā)展水平較低的地區(qū)，同時后者對前者有一定反饋作用，這一結論與國外學者的研究結論一致。

六、結論與對策建議

本文在用動態(tài)因子分析方法對我國35個大中城市的房地產發(fā)展水平綜合評價，并選取排名前10的城市為研究對象的基礎上，以2005年7月到2014年9月其新建商品住宅月度銷售價格指數(shù)為樣本數(shù)據，運用DCC-MVGARCH模型，分析我國城市房價波動溢出效應。研究表明：我國絕大多數(shù)城市房價波動間有著顯著的正相關性，房價波動動態(tài)相關系數(shù)圖顯示，在次貸危機以后，中央調控房地產市場的相關政策出臺對城市間房價波動的相關性有著較強的負面影響，但經過一段時間調整后，它們之間的相關系數(shù)又會恢復到一個較高的水平。我國城市之間的房價波動存在較強的溢出效應，這種房價溢出效應大多數(shù)是由房地產發(fā)展較發(fā)達的上海、重慶、北京等地區(qū)傳遞至欠發(fā)達地區(qū)，同時欠發(fā)達地區(qū)的房價波動對發(fā)達地區(qū)也存在一定的程度上的反饋。

為了保持我國房地產行業(yè)的持續(xù)穩(wěn)定和健康發(fā)展，中央在出臺相關調控政策時，需要充分考慮到房價波動溢出效應的存在，不僅要適時制定出適宜的調控政策，更需要加強對地方政府執(zhí)行調控政策的監(jiān)督管理。首先，根據地方房地產市場發(fā)展的實際情況，強化對調控政策地方細則的指導和審核，既要因地制宜避免“一刀切”的情況發(fā)生，又要防止地方政府對調控政策的變相抵制。其次，通過改革地方政府績效考評制度、引入懲罰機制等方法，強化房地產調控政策執(zhí)行的約束監(jiān)督制度。最后，尤其需要重視房地產市場發(fā)展水平較高地區(qū)的房價變動情況，通過更加合理的方式方法，避免或減弱由這些地區(qū)房價劇烈波動所帶來的全國范圍內的影響。

[1]Beatrice D.Simo-Kengne,ManoelBittencourt,Rangan?Gupta.House Prices and Economic Growth in South Africa: Evidence From Provincial-Level Data[J].Journal of Real Es?tate Literature,2012,20(1):97-117.

[2]Bing Zhu,Roland Füss and Nico B.Rottke.Spatial Link?ages in Returns and Volatilities among U.S.Regional Hous?ing Markets[J].Real Estate Economics,2013,41(1):29-64.

[3]Chien-Chiang Lee,Mei-Se Chien.Empirical Modelling of Regional House Prices and the Ripple Effect[J].Urban Studies, 2011,48(10):2029-2047.

[4]De Bandt O,Barhoumi K,Bruneau C.The international transmission of house price shocks[M].Housing Markets in Eu?rope.Springer Berlin Heidelberg,2010:129-158.

[5]Ed Ferrari,Alasdair Rae.The spatiality of housing market volatility and selective migration[J].Town Planning Review, 2013,84(1):107-125.

[6]Engle R.Dynamic conditional correlation:A simple class of multivariate generalized autoregressive conditional heteroske?dasticitymodels[J].Journal of Business&Economic Statistics, 2002,20(3):339-350.

[7]Hansen P R,Lunde A.A forecast comparison of volatility models:does anything beat a GARCH(1,1)[J].Journal of ap?plied econometrics,2005,20(7):873-889.

[8]Holmans A E.House prices:changes through time at na?tional and sub-national level[M].London:Department of the Environment,1990.

[9]Hon-Chung Hui.House price diffusions across three ur?ban areas in Malaysia[J].International Journal of Housing Mar? kets and Analysis,2010,3(4):369-379.

[10]HooiHooi Lean and Russell Smyth.Regional House Pric?es and the Ripple Effect in Malaysia[J].Urban Studies,2013,50 (5):895-922.

[11]Nan Liu,Deborah Roberts.Counter-urbanisation,plan?ning and house prices:an analysis of the Aberdeen Housing Market Area,1984-2010[J].Town Planning Review,2013,84 (1):81-105.

[12]Sean Holly,M.Hashem Pesarana,Takashi Yamagata.As?patio-temporal model of house prices in the USA[J].Journal of Econometrics,2010,158(1):160-173.

[13]Sheppard K,Engle R F.Theoretical and Empirical prop?ertiesofDynamic ConditionalCorrelation Multivariate GARCH[J].Social Science Electronic Publishing,2001.

[14]洪濤,西寶,高波.房地產價格區(qū)域間聯(lián)動與泡沫的空間擴散——基于2000-2005年中國35個大中城市面板數(shù)據的實證檢驗[J].統(tǒng)計研究,2007,24(8):64-67.

[15]況偉大.預期、投機與中國城市房價波動[J].經濟研究, 2010,(9):67-78.

[16]李永友.房價上漲的需求驅動和漣漪效應[J].經濟學(季刊),2014,13(2).

[17]梁云芳,高鐵梅.中國房地產價格波動區(qū)域差異的實證分析[J].經濟研究,2007,8(1):33-142.

[18]梁云芳,行成生.動態(tài)因子模型在房價波動因素分解中的應用——基于中國26個城市房價波動的分析[J].數(shù)學的實踐與認識,2012,24(6):7-16.

[19]潘文卿.中國的區(qū)域關聯(lián)與經濟增長的空間溢出效應[J].經濟研究,2012(1):54-65.

[20]王錦陽,劉錫良.住宅基本價值,泡沫成分與區(qū)域溢出效應[J].經濟學(季刊),2014(4):2.

On Spillover Effect of Chinese Cities'House Price Fluctuation -based on DCC-MVGARCH model

Zhang Qian Wang Xun-zhang Wang Cheng-zhang
(School of Economics and Management,Southwest Jiaotong University,Chengdu,Sichuan 610031)

After having done the comprehensive evaluation of the real estate developing levels of 35 large and me?dium-sized cities in China by means of dynamic factor analysis,10 cities with the higher levels are selected to study the spillover effect of these cities'house price fluctuation by referring to the monthly data of new commodi?ty house price index from July 2007 to September 2014 and building a DCC-MVGARCH model.The results show that it has a significant positive correlation between the most of the cities'house price fluctuations,and reg?ulation policies could reduce the dynamic correlation coefficients of them to a certain extent.Further studies show that there is some spillover effect existed between house price fluctuations of the cities of China,and the fluctuations pass on mainly from the areas with high levels of development of the real estate to less developed ar?eas.

house prices;spillover effect;dynamic factor analysis;DCC-MVGARCH model

10.16249/j.cnki.1005-5738.2015.04.029

F293.35

A

1005-5738（2015）04-187-008

[責任編輯：蔡秀清]

2015-09-10

2012年度國家自然科學基金面上項目“我國城市住房的消費和投資需求的微觀計量分析與測度的應用”階段性成果，項目號：71171169

張謙，男，漢族，四川成都人，西南交通大學經濟管理學院博士研究生，主要研究方向為房地產經濟學。