中国与世界主要国家房价波动溢出效应研究

范耀元，张所地

(山西财经大学 管理科学与工程学院，山西 太原030006)



中国与世界主要国家房价波动溢出效应研究

范耀元，张所地

(山西财经大学 管理科学与工程学院，山西 太原030006)

借助缓冲区分析、向量自回归、广义预测误差方差分解等方法，用房价波动溢出指数测度中国与世界主要国家之间的房价波动溢出效应。实证表明：中国与各缓冲区国家的房价之间存在不同程度的总波动溢出效应和定向波动溢出效应。

房价；波动溢出效应;向量自回归模型;广义预测误差方差分解;波动溢出指数

根据国家统计局的数据，70个大中城市房价从2012年6月起连续上涨23个月后，2014年5月房价指数出现环比下跌，新建商品住宅价格同比下跌的城市数量于年底增长到68个。显然，国内城市间房价波动有明显关联，学者们也针对该现象进行了研究。但是，经济全球化背景下，中国经济与世界经济紧密联系在一起，中国房地产市场的活动必然受到国际房地产市场的影响。因此，中国房价波动研究应将国际房地产市场的活动纳入考虑范围。本文将聚焦于国际房地产市场，以中国为中心，研究其与世界主要国家之间房价的波动关联情况。

一、文献回顾

Giussani和Hadjimatheou于1991年将英国伦敦和东南部地区房价率先上涨，其他地区房价后上涨的现象称为“波纹效应”[1]之后，国外学者针对国家或地区之间、城市之间房价波动的领先滞后关系、传导路径等做了大量的研究。如Luo等以澳大利亚8个首府城市为例，提出并实证验证一国内部城市之间房价的扩散模式，证实八个城市之间存在着1-1-2-4房价波动扩散模式。[2]Liow搜集了中国、马来西亚、菲律宾、泰国、美国、日本等地的房地产证券市场数据，研究了房地产证券市场之间的波动溢出效应。[3]

国内学者主要从房价波动区域差异、影响因素和互动关联性三方面进行研究。梁云芳和高铁梅针对全国和东、中、西部地区建立面板数据形式的不变系数模型对房价波动差异原因和空间异质性进行研究；[4]张凌等将中国35个大中城市分为沿海和内陆城市，通过面板误差修正模型研究住房价格短期波动差异和决定因素。影响因素方面：张亚丽等考察了多种经济因素以及投机和预期对房价波动的影响。[6]

鉴于国内学者对房价波动研究局限在中国大中城市，较少对国际房价进行研究。本文将以中国为中心，选择世界主要国家，应用国外学者Dieblold和Yilmaz提出的波动溢出指数，[7]定量测度中国和其他国家房地产市场之间的波动溢出效应。

二、模型方法、样本选择和数据说明

(一)模型与方法

1. 向量自回归(Vector Auto-Regression)模型

VAR模型通常用于多变量时间序列系统的预测和描述随机扰动项对变量系统的动态影响。一个协方差平稳的N变量VAR(p)模型如式(1)：[8]

Yt=η+φ1Yt-1+φ2Yt-2+…+φPYt-p+εt

(1)

其中，Yt是由n个时间序列变量Y1t,Y2t,…,Ynt构成的列向量；η为n×1常数列向量；φ1,φ2,…,φp为待估的n×n阶系数矩阵；εt是随机扰动项，不能与模型右边变量和自身滞后值相关。

2.波动溢出指数

由于传统正交预测误差方差分解的结果随变量顺序而变化[9]，本文借鉴Diebold和Yilmaz提出的广义溢出指数，运用方差分解行归一化后的结果 ，计算总波动溢出指数、定向波动溢出指数和净定向波动溢出指数，如式(2)至式(4)所示：

(2)

(3)

(4)

(二)样本选择和数据说明

笔者选取IMF在《世界经济展望》中常提及的19个主要国家，应用Mapinfo软件绘制半径分别为2 500km、5 000km和大于5 000km缓冲区，如图1。

图1 对中国的缓冲区分析图

数据方面，笔者搜集到莱坊国际(Knight Frank)发布的2007年到2014年第2季度的全球房价指数季度数据，并进行了季节调整。鉴于数据的可得性，最终剔除印度、越南、菲律宾、泰国、墨西哥和巴西6个国家。最终研究对象是：中国(CN)；2 500km缓冲区的俄罗斯(RU)、日本(JP)、马来西亚(MY)；2 500km到5 000km间的英国(UK)、法国(FR)、德国(DE)、意大利(IT)、印度尼西亚(ID)；大于5 000km的南非(ZA)、西班牙(ES)、加拿大(CA)和美国(US)。

三、实证分析

(一) 数据平稳性检验

为避免伪回归，需对时间序列变量的平稳性进行检验，实际应用中常见的单位根检验方法主要有ADF检验、DF检验和PP检验等方法。[8]本研究采用ADF检验方法进行检验，由SIC准则确定滞后阶数。

检验可知，CN、DE、FR、JP、MY、RU、US、ZA序列均平稳。而CA、ES、ID、IT序列均为一阶单整。因本研究拟用VAR模型、方差分解方法研究市场间房价的波动溢出效应，为便于处理，后续研究中剔除非平稳序列，即CA、ES、ID、IT房价指数序列。

(二)广义预测误差方差分解

为研究中国与不同缓冲区内国家间房地产市场的互动关联情况，我们以三个缓冲区为分类标准，建立三个向量自回归模型进行估计。其中，第一个模型包括中国、俄罗斯、日本、马来西亚；第二个模型包括中国、法国、德国、英国；第三个模型有中国、美国、南非三个内生变量。采用Eviews6.0对三个缓冲区分别进行VAR估计之后，得到无约束向量自回归模型，滞后阶数结合AIC、SC信息准则进行判定，最终模型的滞后阶数分别为2、1、1。经检验，得到的向量自回归模型均为稳定模型。

为得到广义预测误差方差分解结果，我们应用剑桥学者Bahram Pesaran和Hashem Pesaran设计的Microfit5.0软件进行了广义预测误差方差分解。因篇幅所限，本文未给出详细的预测误差方差分解表。

(三)总波动溢出效应

采用广义方法得到的各变量方差分解之和不为1，不利于分析，需对广义方差分解矩阵进行归一化处理。鉴于结果从第3期开始趋于稳定，我们以第5期为例，对三个方差分解矩阵分别进行行归一化处理。因篇幅所限，本文只给出一个缓冲区的结果(表1)。

表1 2 500km缓冲区总波动溢出表 (%)

表1给出了对2 500km缓冲区向量自回归模型的方差分解矩阵进行归一化后的结果，排除市场自身随机扰动项的影响，所有方差之和减去对角线之和，可得到表格右下角所有市场之间的总波动溢出指数。[7]归一化结果中，32.66%的预测误差方差是由4个房地产市场之间的互动关联所引起的；马来西亚对其他市场贡献最高，但其由其他市场解释的比例最低，是最大的波动净输出国；日本预测误差方差可由其他市场解释的比例最高(35.95%)，对其他市场贡献最低(11.92%)，是最大的波动净输入国。

同理，2 500km～5 000km缓冲区中，德国对其他市场的贡献和受其他市场的影响均较小，其市场波动更具有外生性，自身的随机扰动项对其预测误差方差的解释比例可达80.1%；中国对其他市场的贡献和受其他市场的影响均较大，是波动的净输出国。

大于5 000km缓冲区中，南非受其他市场影响最大(36.74%)；中国对其他市场贡献最大(31.77%)。分析可知，三市场间具有明显互动关联性。中国“对其他市场的贡献”大于“来自其他市场的影响”，属于波动净输出国；其他两个市场均为波动净输入国。

(四)成对波动溢出效应

在对广义方差分解矩阵进行归一化处理后，上文计算分析了各缓冲区的总波动溢出指数，为研究中国与其他市场间的成对关联性，我们应用归一化结果计算成对波动溢出指数，结果如表2所示。

面板A中，中国对马来西亚的波动溢出指数最低，但马来西亚对中国的波动净输出效应最强；中国对日本的波动溢出指数最高，而日本对中国的波动溢出指数最低。综合而言，中国对日本的净输出效应最强；中国和俄罗斯相互影响，定向波动溢出指数均在3～4之间。

面板B中，中国和德国间的波动关联性较弱，两定向波动溢出指数均为最小值；中国对法国和英国的波动溢出指数相差不大，但法国对中国的定向波动溢出指数较小，中国对法国是波动的净输出国；英国对中国的波动传输效应最大，而中国对英国的波动传输也较强，双向波动溢出指数可达5以上。

表2 双变量波动溢出指数汇总表

面板C中，中国和南非之间房价的互动关联性大于中国和美国之间，且中国对南非的定向波动溢出指数(9.40)远远大于南非对中国的定向波动溢出指数(3.88)，中国对南非是波动的净输出国。与此相比，美国与中国之间房价的波动溢出效应较弱，美国对中国是波动的净输入国。

四、结论与展望

本文针对三个缓冲区分别建立VAR模型，进而计算中国与其他国家间的波动溢出指数以衡量波动溢出效应。综合实证结果，可得以下结论：

一是除日本对俄罗斯、中国和马来西亚预测误差方差解释比例较低外，其他国家相互之间的波动溢出效应均很显著。二是中国和英国之间的波动溢出效应较强，德国市场外生性较强，法国市场内生性较强。三是美国是中国房价波动的净输入国，南非是中国房价波动的净输出国。

[1]Giussani B, Hadjimatheou, G．Modeling Regional House Prices in the United Kingdom[J]．PapersinRegionalScience，1991，70(2)：201-219.

[2]Luo, Z Q, Liu C L, Picken, D．Housing Price Diffusion Pattern of Australia's State Capital Cities[J]．InternationalJournalofStrategicPropertyManagement，2007，11(4)：227-242.

[3]Liow K H．The Dynamics of Return Co-Movements and Volatility Spillover Effects in Greater China Public Property Markets and International Linkages[J]．JournalofPropertyInvestment&Finance，2014，32(6)：610-641.

[4]梁云芳,高铁梅．中国房地产价格波动区域差异的实证分析[J]．经济研究，2007(8)：133-142．

[5]张凌,温海珍,贾生华．中国沿海和内陆城市住房价格波动差异与动力因素[J]．中国土地科学，2011(3)：77-84．

[6]张亚丽,梁云芳,高铁梅．预期收入、收益率和房价波动——基于35个城市动态面板模型的研究[J]．财贸经济，2011(1)：122-129．

[7]Diebold F X, Yilmaz K．Better to Give than to Receive: Predictive Directional Measurement of Volatility Spillovers[J]．InternationalJournalofForecasting，2012，28(1)：57-66.

[8]易丹辉．数据分析与EViews应用[M]．北京：中国人民大学出版社，2008：161-243.

[9]Pesaran H H, Shin Y．Generalized Impulse Response Analysis in Linear Multivariate Models[J]．EconomicsLetters，1998，58：17-29.

(责任编辑 汪继友)

Research on the Spillover Effect on Housing Price Fluctuation between China and Other Countries in the World

FAN Yao-yuan, ZHANG Suo-di

(School of Management Science and Engineering, Shanxi University of Finance and Economics, Taiyuan 030006 Shanxi, China)

It is indicated in the research, by use of buffer analysis, vector auto regression and generalized predictive error variance decompostion, on the spillover index of housing price fluctuation to the effect on that of China and other countries in the world that there exist two fluctuation spillover effects, total and directional, on housing price between China and buffer zone countries.

housing price; spillover effect of fluctuation; model of vector auto regression; generalized predictive error variance decompostion; spillover index of fluctuation

2016-01-10

范耀元(1991-)，女，山西忻州人，山西财经大学管理科学与工程学院硕士研究生。 张所地(1955-)，男，山西太原人，山西财经大学管理科学与工程学院教授，博士生导师。

F293.3

A

1671-9247(2016)02-0006-03