趙 強，曹煒婷

(南京財經(jīng)大學公共管理學院，江蘇南京 210023)

基于面板數(shù)據(jù)分位數(shù)回歸的商品住宅價格影響因素分析

趙 強，曹煒婷

(南京財經(jīng)大學公共管理學院，江蘇南京 210023)

構建全國35個大中城市2005－2014年的面板數(shù)據(jù)，基于供給需求理論，應用分位數(shù)回歸的方法剖析房地產(chǎn)價格的影響要素。研究結果發(fā)現(xiàn)，人均可支配收入和人均GDP在各分位點上的系數(shù)都顯著為正，并且人均可支配收入在各分位點上大體呈現(xiàn)出一種上升的趨勢，而人均GDP則呈現(xiàn)出下降的態(tài)勢?？側丝谠?.25和0.5這兩個分位點上對商品住宅的平均銷售價格是有顯著正向影響的。相反地，商品住宅投資完成額在0.25和0.5這兩個分位點上呈現(xiàn)出顯著的負向影響。單位面積房屋竣工造價在0.75和0.9這樣的高分位點上是不顯著的。人均可支配收入在眾多影響因素中對房價的影響作用是最大的，而其對高房價的影響又比低房價更大，這也說明了在我國高房價的城市對于購買者的收入要求較高。

住宅價格；面板數(shù)據(jù)；分位數(shù)回歸；供給需求理論

0 引 言

住房價格的影響因素是房地產(chǎn)經(jīng)濟學和房地產(chǎn)管理學研究的重要問題。目前，國內(nèi)外學界對于住房價格的研究主要采用兩種方法:一種是以特征價格模型為基礎的研究方法，這是一種傳統(tǒng)的經(jīng)典的研究方法；另一種是近年來興起的分位數(shù)回歸方法。特征價格模型方法[1]屬于住房價格的微觀研究方法，適宜于研究具體的住房小區(qū)或建筑，主要通過構建區(qū)位特征、鄰里特征和環(huán)境特征三個維度的自變量，通過多元回歸模型的方法來揭示住房價格的影響因素及其大小和方向。而分位數(shù)回歸方法則通過劃分不同的分位點，來解釋各影響因素在不同的分位點上對住房價格影響的不同效應。由于分位數(shù)回歸方法在我國的住房價格研究中才剛剛興起，現(xiàn)有的研究成果還較少，需要更多的實證研究成果來檢驗該方法在住房價格研究中的應用效果，因此，本文擬基于全國35個大中城市房價的面板數(shù)據(jù)，應用該方法，研究商品住宅價格的影響因素，并且分析各影響因素在不同分位點上對房價影響效應的差異。

1 文獻綜述

住房價格的影響因素是房地產(chǎn)經(jīng)濟學界持續(xù)關注的熱點問題?？偨Y起來看，學者們主要圍繞以下問題進行探討:影響住房價格的因素有哪些?這些因素如何影響住房價格?在對這些問題的研究中，學界提出了一種經(jīng)典的模型即特征價格模型，該模型把住房價格的影響因素分為三類即區(qū)位特征、鄰里特征和環(huán)境特征。該方法已經(jīng)廣泛應用于西方國家的住房價格研究中，也在我國學界對住房價格的研究中廣為采用。

由于經(jīng)典的特征價格模型主要針對的是微觀的住房市場分析，在擴展到以城市為分析單位的住房價格研究中具有局限性，因此，在對城市的房價研究中學者們又提出了其他的住房價格影響因素。劉在軍[2]選取北京上海廣州深圳這四個國內(nèi)重點城市商品住宅市場2006－2008年的數(shù)據(jù)進行回歸分析。研究發(fā)現(xiàn)，主要成本、人口因素對商品住宅價格的影響顯著，其次是房地產(chǎn)開發(fā)投資、平均收入因素，相對而言人均GDP增長率對商品住宅價格的影響較弱。張晶等[3]首先驗證了美國的房地產(chǎn)價格與利率變動之間存在著長期的反向關系，然后選取我國2000年第1季度到2010年第2季度的數(shù)據(jù)，得出這一關系在中國也存在。實證結果發(fā)現(xiàn)，利率對于房價具有較明顯的影響，此外，消費價格指數(shù)、居民收入、商品房竣工面積的變動值對房價的影響程度更大。同時，在對以城市為單位的住房價格研究中，也廣泛采用了面板數(shù)據(jù)方法，如廖陽等[4]對西安、重慶、成都等7個西部中心城市2002－2008年的商品住宅價格采用面板數(shù)據(jù)模型進行研究。結果表明，城鎮(zhèn)居民可支配收入水平、商品住宅竣工面積和GDP對商品住宅價格有著重要的影響作用。在分析的計量方法上，也有學者采用自回歸模型，如王泳茹[5]選取2011.2－2015.7全國的月度數(shù)據(jù)，建立自回歸模型，分析住房市場的供給和需求與房價之間的動態(tài)關系。結果表明，在住房市場中，需求對其的影響是積極的，供給表現(xiàn)出的影響是消極，且就影響程度而言需求大于供給。

近年來，在國外的住房市場研究中，興起了一種新的計量方法，即分位數(shù)回歸模型，這種方法可以揭示在不同的分位點上各個影響因素對住房價格影響效應的差異，比傳統(tǒng)的研究方法具有一定的優(yōu)點。我國學界也已開始應用該方法于房地產(chǎn)市場研究中。這種方法的應用中，常常以面板數(shù)據(jù)為基礎。如李順毅[6]選取2005－2009年中國省級面板數(shù)據(jù)，結合分位數(shù)回歸，分析了房價是如何影響消費對經(jīng)濟增長的貢獻率的。研究發(fā)現(xiàn)，無論是在哪個分位點上，房價對消費貢獻率的作用都表現(xiàn)出倒U形狀，而且分位點越高，與之對應的倒U曲線的拐點所對應的房價就越高。同時，加大貨幣供應量會促進房價對消費貢獻率的正向影響，而削弱負向影響。羅玉波[7]運用分位數(shù)回歸方法探討了住宅特征對于其價格的影響，結果發(fā)現(xiàn)，不同的分位數(shù)水平上，各個特征要素對于房屋售價的影響程度不同，從而全面描述了不同特征要素對房屋售價的影響。

分位數(shù)回歸模型和面板數(shù)據(jù)相結合，形成了房地產(chǎn)市場研究中的面板數(shù)據(jù)分位數(shù)回歸的新的發(fā)展趨勢。林勇等[8]選用全國311個城市2005－2012年的數(shù)據(jù)，應用面板分位數(shù)回歸模型深入地探討了我國房地產(chǎn)市場的財富效應。研究結果發(fā)現(xiàn)，就整體而言，房價對城鎮(zhèn)居民消費具有顯著的弱財富效應，但就分地區(qū)而言，各地區(qū)之間的影響程度有所不同且相差較大。利用聚類分析法將所有城市分為五線，房價對不同線的城市居民的消費影響作用不同。對一線城市表現(xiàn)出弱擠出效應；對二、三、五線城市表現(xiàn)為弱財富效應；對四線城市則表現(xiàn)為較為顯著的財富效應。此外還發(fā)現(xiàn)，城鎮(zhèn)居民消費的關鍵要素仍然是人均可支配收入，提高社會保障水平能夠明顯的推動中低收入人群的消費，且提升城鎮(zhèn)化水平也有助于城鎮(zhèn)居民增加消費。張所地等[9]選用35個大中城市1999－2011年的面板數(shù)據(jù)，選用面板分位數(shù)回歸的方法研究收入、利率對房價的影響作用。結果發(fā)現(xiàn)，收入是影響房價上漲的主要因素而非成本，利率變動對房價的影響并不明顯；各影響因素在不同分位點水平下的影響程度具有較大的差異，當城市的房價水平越高，房價受收入影響的作用就越大，而受成本、人均GDP等因素的影響就會越小。林海波等[10]等基于2000－2010年的相關數(shù)據(jù)，利用分位數(shù)面板模型，初次探討移民教育水平和房地產(chǎn)價格之間的關系。結論表明，促使房價上漲的主要移民力量是藍領或小工商業(yè)者，而不是一些高學歷的移民。然而房價的持續(xù)走高對于移民尤其是大學生而言，并沒有成為他們很大的障礙，教育和創(chuàng)業(yè)可以讓受教育程度高的移民愈加順應當?shù)亟?jīng)濟的升級變遷，融入遷入地。

為了進一步拓展分位數(shù)回歸模型在房價研究中應用，本文構建了2005－2014年中國35個大中城市的面板數(shù)據(jù)，運用分位數(shù)回歸的方法來研究商品住房價格的影響因素。由于分位數(shù)回歸能夠更加詳細的反映整個條件分布的全貌，不容易受極端值的影響，所以它不僅能反映出各個影響因素對商品住宅價格的作用，還能詳細分析出影響因素在不同分位數(shù)水平上對房價的影響作用的差異。

2 分位數(shù)回歸的基本原理

在傳統(tǒng)的回歸模型中，我們通常著重關注的是自變量x對因變量y的條件期望E(y｜x)的影響，這實際上是均值回歸。但如果條件分布y｜x不是對稱分布，則條件期望難以反映整個條件分布的面貌。為了能對條件分布y｜x有一個全面的了解，Koenker和Bassett提出了分位數(shù)回歸，能夠估計出條件分布y｜x的一些重要的條件分位數(shù)，如中位數(shù)、1/4分位數(shù)、3/4分位數(shù)等。另一方面，分位數(shù)回歸把殘差絕對值的加權平均(如，)當作最小化的目標函數(shù)，解決了均值回歸中容易受極端值影響的問題，較為穩(wěn)定。

分位數(shù)回歸模型[11]的基本思想可以描繪為:假定連續(xù)隨機變量Y，它的累積分布函數(shù)是Fy(·)，則Y的“總體q分位數(shù)”記作yq，有表達式:q＝P(Y≤yq)＝Fy(yq)。即yq正好將總體分布一拆為二，其中小于等于yq的概率為q，反之大于yq的概率為(1－q)。假定q＝0.5，則為中位數(shù)，將總體恰好分成兩等分，一半在中位數(shù)之上而另一半則在中位數(shù)之下。

對于回歸模型而言，把條件分布y｜x的累積分布函數(shù)記為Fy｜x(·)。條件分布y｜x的總體q分位數(shù)記作yq，有此表達式:q＝Fy｜x(yq)。設定條件分位數(shù)函數(shù)是關于自變量x的線性函數(shù)，即，其中 βq是q分位數(shù)回歸下的系數(shù)，其估計量可以使用最小化問題來進行定義，如下:

因為分位數(shù)回歸的目標函數(shù)上有絕對值，不能夠進行微分，所以可以利用線性規(guī)劃來計算。

3 數(shù)據(jù)來源與實證模型

3.1 模型設定

由于能夠巧妙地處理遺漏變量問題，能提供更多個體變動行為的信息，提高估計的精確度，面板數(shù)據(jù)的應用越發(fā)廣泛。經(jīng)典的面板數(shù)據(jù)模型主要有以下三種(見表1):

表1 面板數(shù)據(jù)模型的主要類型

在本文中，因變量y就是商品住宅的平均銷售價格，自變量x代表房價影響因素的向量。本文在選擇模型時，可以通過進行F檢驗、LM拉格朗日乘子檢驗以及豪斯曼(Hausman)檢驗，來確定最終模型。

3.2 指標選取

住宅是一種商品，其價格的形成是由供給和需求兩方面所確定的。因此，本文在選擇影響房價的因素時主要是基于“需求－供給”的框架。參考已有的研究成果，本文選取如下影響因素:

從需求層面出發(fā)，主要考慮總人口、人均可支配收入、人均GDP這三個影響因素。總人口[12]是住房需求的影響變量，人口規(guī)模的增加很可能會導致住房市場需求的增加，最終會導致住房價格的上漲。人均可支配收入[13]是購買力的直接體現(xiàn)，是將住房的潛在需求轉(zhuǎn)換為實際需求的重要指標。人均可支配收入的增加提高了購買者的支付能力，進而增加住房需求，最終導致房價上漲。人均GDP[14]是經(jīng)濟發(fā)展水平的直接體現(xiàn)，一般而言，經(jīng)濟發(fā)展水平較高的地方，投資需求就高，包括對房地產(chǎn)的投資需求，最終導致房價上漲。

從供給層面上看，主要考慮房地產(chǎn)投資完成額、房屋銷售面積、房屋竣工造價這三個影響因素。房地產(chǎn)投資完成額[15]越多，對住房市場的促進就越大，同時也說明住房需求在增加，短期內(nèi)會推動房價上漲。但長期來看當住房的投入大于需求時，住房價格又會下降。房屋銷售面積越大，表明市場對住房的需求越大，最終導致房價上漲。房屋竣工造價[16]反映了住房建造成本，成本增加必然會導致房價的上漲。

此外，還有同時對住宅供給和需求產(chǎn)生影響的利率因素[17]。一方面，房地產(chǎn)市場對于資金的需求量大，當利率升高時，房地產(chǎn)開發(fā)商融資成本加大，房地產(chǎn)投資缺乏吸引力，住房市場供給下降。另一方面，當利率升高時，購買者的資金利息成本也加大，住房市場需求也會下降，最終導致房價發(fā)生變動。表2詳細說明了本文所使用的變量。

表2 主要變量的說明

現(xiàn)在利用經(jīng)典的供給需求曲線從理論上來分析本文所選7個指標的變化是如何影響到住宅價格的。如下圖1所示，需求曲線D，供給曲線S。譬如，當總人口、人均可支配收入、人均GDP上漲時，即需求增加，需求曲線從D右移到D1，此時假設供給不變，其他條件也保持不變，房價、交易量都會上漲。當房地產(chǎn)投資完成額和房屋銷售面積增加，單位面積房屋竣工造價下降時，就會導致房地產(chǎn)市場的供給增加，即供給曲線從S右移到S1，若保持需求不變，此時供過于求，房價下降。

圖1 商品住宅供給需求曲線

3.3 數(shù)據(jù)說明及其描述性統(tǒng)計

本文構建2005－2014年中國35個大中城市的面板數(shù)據(jù)進行分析，其中總人口、人均可支配收入、人均GDP、商品住宅投資完成額、單位面積房屋竣工造價、商品住宅平均銷售面積、商品住宅平均銷售價格數(shù)據(jù)均來自歷年的《中國統(tǒng)計年鑒》，5年以上貸款利率來自中國人民銀行網(wǎng)站(http://www.pbc.gov.cn/)。需要說明的是，貸款利率在有些年份內(nèi)被多次調(diào)整，本文用其均值替代，并利用相應的通貨膨脹率平減轉(zhuǎn)化為實際貸款利率。以2005年為基期，人均可支配收入、商品住宅平均銷售價格以及房屋竣工造價的數(shù)據(jù)都采用CPI指數(shù)進行了價格平減；人均GDP的數(shù)據(jù)采用了GDP平減指數(shù)進行價格平減；商品住宅投資完成額的數(shù)據(jù)采用固定資產(chǎn)投資價格指數(shù)也進行了價格平減，為實際值。為了消除異方差的影響，本文將所有的變量都做取自然對數(shù)處理。表3反映了各主要變量的描述性統(tǒng)計特征。

表3 主要變量的描述性統(tǒng)計

4 實證研究結果分析

4.1 數(shù)據(jù)平穩(wěn)性檢驗及協(xié)整檢驗

為防止出現(xiàn)偽回歸，在參數(shù)估計之前首先要對數(shù)據(jù)進行平穩(wěn)性檢驗，即單位根檢驗。面板單位根檢驗的方法有很多種，如同質(zhì)面板數(shù)據(jù)的LLC檢驗、HT檢驗、Breitung檢驗以及異質(zhì)面板數(shù)據(jù)的IPS檢驗、Fisher－ADF檢驗和Fisher－PP檢驗。為防止單一檢驗可能造成的誤差，本文利用Stata12.0軟件，選取其中的三種檢驗方法進行平穩(wěn)性檢驗，檢驗結果見下表4。

表4 單位根檢驗結果

從上表的檢驗結果可以看出，原序列的對數(shù)序列都顯示是非平穩(wěn)的。而其一階差分序列如上表所示可以強烈拒絕包含單位根的原假設，故可認為一階差分序列是平穩(wěn)的，原序列的對數(shù)序列均為I(1)，即一階單整。

在滿足一階單整的條件下，接下來要對商品住宅平均銷售價格在內(nèi)的所有變量做協(xié)整檢驗。面板數(shù)據(jù)協(xié)整性檢驗方法有Pedroni、Kao、Fisher檢驗三種。本文首先利用Pedroni方法對所有變量進行協(xié)整檢驗，結果發(fā)現(xiàn)變量之間并不存在協(xié)整關系，于是本文將變量進行多種剔除組合再代入進行協(xié)整檢驗，結果發(fā)現(xiàn)當同時剔除貸款利率的對數(shù)lnlr和商品住宅平均銷售面積的對數(shù)lnhs這兩個變量時，剩余的變量存在明顯的協(xié)整關系。為此本文還采用了Kao檢驗進行驗證，檢驗結果見表5，ADF的統(tǒng)計量很顯著，拒絕沒有協(xié)整關系的原假設。因此本文在下面的面板數(shù)據(jù)模型和分位數(shù)回歸的分析中刪除lnlr和lnhs這兩個擾亂協(xié)整關系的變量。

表5 基于Kao檢驗的協(xié)整檢驗結果

4.2 面板數(shù)據(jù)模型選擇

在模型設定中本文已經(jīng)分析了面板數(shù)據(jù)的三種經(jīng)典模型，每種模型的適用性都是有差異的，本文究竟選擇哪種模型進行分析可以通過F檢驗、LM拉格朗日乘子檢驗以及豪斯曼(Hausman)檢驗來加以確定，檢驗結果見表6。

表6 面板數(shù)據(jù)模型選擇檢驗結果

分析表6的檢驗結果，F(xiàn)檢驗的p值為0.000，故在1%的顯著性水平下，強烈拒絕“每個個體的常數(shù)項都相等”的原假設，認為固定效應模型要明顯優(yōu)于混合回歸模型；LM檢驗的p值為0.000，故在1%的顯著水平下，強烈拒絕“不存在個體隨機效應”的原假設，認為在隨機效應和混合回歸兩者之間應該要選擇隨機效應；Hausman檢驗的p值也是0.000，故在1%的顯著性水平下，拒絕“誤差項與解釋變量不相關”的原假設，則模型最終應該設定為固定效應而非隨機效應。

4.3 分位數(shù)回歸

傳統(tǒng)的固定效應面板數(shù)據(jù)模型固然是可以反映商品住宅價格與其影響因素之間的關系，但是為了詳細分析商品住宅價格的影響因素對其不同價位的影響是否有差異，本文接下來又選用了分位數(shù)回歸的方法進行研究。在此選擇了比較有代表性的0.1，0.25，0.5，0.75，0.9這五個分位點，分別代表低房價、中低房價、中等房價、中高房價以及高房價。將35個大中城市的面板數(shù)據(jù)分別代入這兩種模型中，并利用stata12.0軟件分別運行面板數(shù)據(jù)固定效應模型和分位數(shù)回歸命令進行估計，結果列于表7中。為了能夠更加直觀的觀察分位數(shù)回歸系數(shù)隨著分位點的變化情形，將各自變量隨著分位點的變化繪制在圖2中。

表7 面板數(shù)據(jù)分位數(shù)回歸估計結果

觀察表7可以看出，面板數(shù)據(jù)的固定效應模型與分位數(shù)回歸方法得出的系數(shù)的符號大體一致，但是在分位數(shù)回歸的結果中，我們可觀察到在不同的分位點下，各影響因素對房價的影響有差異并呈現(xiàn)出一定的規(guī)律，這是在固定效應模型中無法觀測到的信息。

第一，表中第(1)列呈現(xiàn)的是固定效應模型的結果，觀察發(fā)現(xiàn)，除了人均GDP(lngdp)，其余變量都通過了1%顯著性水平下的統(tǒng)計檢驗，且系數(shù)都為正，說明這些因素對商品住宅價格有顯著的正向影響。其中人均可支配收入(lninc)的彈性系數(shù)最大為0.409，其次是總人口(lnpop)變量為0.341，這兩個影響因素的增加通常會導致住房需求以及消費能力的提高，進而推動商品住宅價格的上漲。單位面積房屋竣工造價(lnhc)的上漲，會導致住宅建造成本提高，成本的上漲必然會導致價格上漲。此外建造成本上漲還會影響開發(fā)商的住宅供應量，按照供需平衡理論，供應量的減少會導致價格的上漲。這些都與前文的理論分析結果相一致，但是關于商品住宅的投資完成額(lnpiv)，與理論分析有所差異，固定效應結果下的系數(shù)是正的，但是在分位數(shù)回歸下的結果卻是負的，符合前文的理論分析，所有這有可能是模型不同而帶來的差異。

圖2 各自變量隨分位點變動圖

第二，表中第(2)至第(6)列呈現(xiàn)的是分位數(shù)回歸中不同分位點的估計結果。觀察總人口(lnpop)在各分位點的回歸結果可以看出，總人口的估計系數(shù)只有在0.25和0.5這兩個分位點上是顯著的，分別為0.107和0.085，這表明總人口只對中低房價和中等房價產(chǎn)生顯著正向影響，而對低房價、中高房價和高房價是沒有影響的。從某個角度而言，這同時也表明了我國住房的特殊性，它并不能完全等同于普通商品，人口增加導致的需求增加并不能完全影響到房價。在中低和中等房價的城市，相對而言，居民擁有與之相匹配的購買能力，因此這種情況下人口的增加會導致住宅有效需求增加；而對于中高房價甚至是高房價的城市，由于居民的承受能力有限，通常只有部分的較高收入者才是其真正的需求者，所以總人口的增加并不一定會導致這部分城市住宅的有效需求上漲，因此也不會影響其價格。

第三，觀察人均可支配收入(lninc)在各分位點的回歸結果可以看出，其在各分位點的系數(shù)為正且都通過了1%顯著性水平下的統(tǒng)計檢驗，這表明整體而言人均可支配收入對商品住宅價格擁有絕對的正向影響。從低房價到中等房價再到高房價，其估計系數(shù)從0.713、0.457、0.724、1.027變動至1.211，可以看出人均可支配收入對商品住宅價格影響較大，且大體呈現(xiàn)一個上升的趨勢。人均可支配收入對高房價的影響較之于低房價更大，從另一方面也說明了在我國高房價的城市對于購買者的收入要求更高，收入高者會更傾向于也更有能力在房價高的城市購買住房。

第四，觀察人均GDP(lngdp)在各個分位點的回歸結果可以看出，人均GDP在各分位點上的系數(shù)均為正，且在一定的顯著性水平下顯著。這表明人均GDP無論是對低房價還是高房價都有明顯的正向推動作用，其估計系數(shù)從0.262、0.442、0.343、0.250變動至0.183，大體上呈現(xiàn)出先上升后下降的趨勢，這與張所地(2015)的研究結果相似，即在我國城市房價上漲的過程中，人均GDP對房價的影響也越來越小。

第五，觀察商品住宅投資完成額(lnpiv)在各分位點的回歸結果可以看出，其只有在0.25和0.5這兩個分位點上是顯著的，且回歸系數(shù)是負的，分別為－0.077和－0.073。這與固定效應的結果相反，與本文之前的理論分析相一致，即商品住宅的投資完成額增加，代表著住宅供應量的增加，按照供需平衡理論，這將會導致住宅價格的下降。但住宅不可等同于普通商品，對于高房價的城市，住宅的投資完成額對其住宅價格并不產(chǎn)生影響。換言之，住宅價格上漲，供應量增加，也許會導致住宅庫存量增加，卻不一定會導致住宅價格下降。

第六，觀察單位面積房屋竣工造價(lnhc)在各分位點的回歸結果可以看出，房屋竣工造價的回歸系數(shù)在0.1，0.25，0.5分位點上是顯著的，分別為0.284、0.381和0.301，而在0.75和0.9分位點上表現(xiàn)得不顯著，這表明我國大中城市的房價并非單純的是由房屋竣工造價所構成的。在房價相對較低的城市，住宅建造成本有一定的影響，而對于那些房價較高的城市，建造成本已經(jīng)不是住宅價格的主要影響因素了。比如北京上海這樣的一線城市，其住宅的建造成本并不會比南京等這樣的二線城市高出多少，但兩者房價卻相差很多。所以在房價上漲的過程中，房屋竣工造價的影響來越小。

5 結論與建議

本文選取2005－2014年全國35個大中城市的面板數(shù)據(jù)，利用面板數(shù)據(jù)分位數(shù)回歸的方法進行實證分析并與面板數(shù)據(jù)固定效應模型進行了對比，研究結果表明:在房地產(chǎn)市場研究中，應用面板數(shù)據(jù)分位數(shù)回歸可以得到比固定效應模型更豐富的有關房價影響因素對房價影響效應的新知識。

在固定效應模型中，除了人均GDP，其他所有的變量包括總人口、人均可支配收入、商品住宅投資完成額以及單位面積房屋竣工造價都對商品住宅平均銷售價格表現(xiàn)出顯著的正向影響。其中人均可支配收入(lninc)的推動作用最大，人均可支配收入平均每增加1%，就會導致商品住宅的平均銷售價格上漲40.9%。

面板數(shù)據(jù)分位數(shù)回歸分析表明，人均可支配收入(lninc)和人均GDP(lngdp)在各分位點上的系數(shù)均為正且在一定的顯著性水平下顯著，并且人均可支配收入大體上呈現(xiàn)出一種上升的趨勢，而人均GDP則呈現(xiàn)出下降的趨勢。換言之，在我國城市房價上漲的過程中人均可支配收入對房價的正向推動作用越來越大，相反人均GDP的推動則越來越小。觀察它們各系數(shù)值也可以發(fā)現(xiàn)，人均可支配收入對商品住宅平均銷售價格的影響要遠遠大于人均GDP，且對高房價的影響系數(shù)甚至達到了1.211，即高房價城市的人均可支配收入每增加1個百分點，其房價就要增加121.1%?？側丝?lnpop)在0.25和0.5這兩個分位點上對商品住宅平均銷售價格有顯著的正向影響。當房價較高時，總人口的增加并不一定會導致有效需求的增加，因而不會對其產(chǎn)生重要影響。相反，商品住宅投資完成額(lnpiv)在0.25和0.5這兩個分位點上對商品住宅平均銷售價格呈現(xiàn)出顯著的負向影響，這與固定效應的結果相反卻與本文供給需求的理論分析保持一致。關于單位面積房屋竣工造價(lnhc)，其在0.75和0.9這樣的高分位點上不顯著，這就說明城市的高房價主要并不是由建造成本引起的。

根據(jù)本文的研究結果，我們提出如下政策建議:首先，由于收入在我國城市房價上漲的過程中起著至關重要的作用，因此在確保收入正常穩(wěn)定上漲的同時，要抑制一部分高收入人群對住宅的需求，尤其是投資投機需求。同時要適當增加城市住宅的供應量，調(diào)整住宅供應結構，以緩解收入增加帶來需求增加從而導致的房價過快上漲的現(xiàn)象。其次，對于一些房價較低的落后城市，政府應該大力發(fā)展經(jīng)濟，努力推進產(chǎn)業(yè)轉(zhuǎn)型，提供更多的就業(yè)機會，提高居民的收入水平，增強居民的購買能力。再次，政府要增加保障性住房的供給，完善住房保障制度，以確保低收入者的住宅需求尤其是在房價較高的城市。積極建設與低收入人群住房需求相匹配的保障性住房，加快完善準入退出機制，加強住房保障監(jiān)管。最后，由于各影響因素對不同分位點上的房價推動作用不一樣。因此，房價各異的城市在制定房地產(chǎn)調(diào)控政策時應該因地制宜，即要充分考慮不同城市的實際情況如城市的經(jīng)濟發(fā)展狀況、人均收入水平、住宅的開發(fā)程度等，從而制定出適合自身房地產(chǎn)市場健康發(fā)展的調(diào)控政策。例如2016年國慶前后至今各城市出臺的調(diào)控政策，雖然都是以限貸限購為主，但不同城市政策出臺的時間、次數(shù)、調(diào)控力度、具體的調(diào)控細則卻不盡相同。這就表明即使是同樣的政策，不同的城市出臺的時間以及其實施力度都可以根據(jù)自身的情況具體落實，以達到更好的調(diào)控效果。

參考文獻:

[1]張立新，姜吉坤，溫海珍.基于特征價格模型的商品住宅價格評估方法應用[J].統(tǒng)計與決策，2010(21):157－159.

[2]劉在軍.國內(nèi)重點城市商品住宅價格影響因素實證研究[J].經(jīng)濟縱橫，2010(14):112－114.

[3]張晶，楊萍.中美利率調(diào)控政策與房地產(chǎn)價格走勢的實證分析[J].山東財政學院學報，2012(1):108－115.

[4]廖陽，焦成才.基于面板數(shù)據(jù)模型的商品住宅價格上漲作用機理及實證研究——以西部地區(qū)7個中心城市為例[J]城市發(fā)展與研究，2012，19(2):142－144.

[5]王泳茹.房地產(chǎn)市場供給與需求對房價的影響[J].統(tǒng)計與決策，2015(24):151－153.

[6]李順毅.房價如何影響消費對經(jīng)濟增長的貢獻——基于分位數(shù)回歸的實證分析[J].消費經(jīng)濟，2011(3):3－6.

[7]羅玉波.房價影響因素分析:分位數(shù)回歸方法[J].統(tǒng)計與決策，2011(6):158－159.

[8]林勇，吳甜甜.中國房價對城鎮(zhèn)居民消費影響的異質(zhì)性分析——基于311個城市的面板分位數(shù)回歸[J].消費經(jīng)濟，2015(3):27－32.

[9]張所地，范新英.基于面板分位數(shù)回歸模型的收入、利率對房價的影響關系研究[J].數(shù)理統(tǒng)計與管理，2015(6):1057－1065.

[10]林海波，梁艷，毛程連.房價和知識移民吸引是兩難嗎?——基于大中城市面板數(shù)據(jù)的分位數(shù)實證研究[J].人口與經(jīng)濟，2016(1):10－18.

[11]李群峰.基于分位數(shù)回歸的面板數(shù)據(jù)模型估計方法[J].統(tǒng)計與決策，2011(17):24－26.

[12]謝旦杏，林雄斌.城市住房價格時空間特征及其影響因素研究[J].經(jīng)濟地理，2014(4):70－77.

[13]劉降斌，李亮亮.房地產(chǎn)價格影響因素的實證研究——基于我國各省的面板數(shù)據(jù)分析[J].經(jīng)濟研究導刊，2014(5):21－22.

[14]戴學珍，馬娜.供需因素對城市商品住宅價格的影響及其空間分布[J].城市發(fā)展研究，2010(10):46－49.

[15]吳群，高慧瓊.供求關系對大都市商品住宅價格作用機理的分析——以南京市為例[J].中國土地科學，2006(2):51－56.

[16]張凌，溫海珍，賈生華.中國沿海和內(nèi)陸城市住房價格波動差異與動力因素[J].中國土地科學，2011(3):77－84.

[17]丁軍.北京、上海、深圳房地產(chǎn)價格的影響因素比較研究[J].中國房地產(chǎn)，2016(36):28－35.

Analysis of Commercial Housing Price Influencing Factors Based on Panel Data Quantile Regression

ZHAO Qiang，CAO Weiting
(School of Public Management，Nanjing University of Finance and Economics，Nanjing210023，China)

This paper firstly constructs the panel data of China 35 large and medium cities from 2005 to 2014 and then analyzes the influencing factors of real estate prices based on supply and demand theory and quantile regression method.The results show that the coefficients of disposable per capita income and per capita GDP are significantly positive in every quantile；the disposable per capita income presents an upward trend in every quantile while the per capita GDP presents a downward trend.The total population has a significant positive impact on the average commercial housing selling prices at 0.25 and 0.5 quantiles.On the contrary，the amount of commercial housing investment presents a significant negative impact at 0.25 and 0.5 quantiles while the housing completion cost per unit area presents no significant impact.Among all the influencing factors，the impact of disposable per capita income on housing price is largest while its impact on high housing price is greater than that on low housing price，which indicates that the cities with high housing prices require the buyers to earn a higher income.

house price；panel data； quantile regression； supply and demand theory

F293.3

A

2095－929X(2017)05－0061－09

(責任編輯劉小平)

2017－07－06

趙強，男，山西長治人，博士，南京財經(jīng)大學公共管理學院副教授，研究方向:政府改革和創(chuàng)新；曹煒婷，女，江蘇南通人，南京財經(jīng)大學公共管理學院碩士生，研究方向:房地產(chǎn)市場與政策，Email:1445136575＠qq.com。