中国是否存在房地产泡沫

URL：http://www.wind.com.cn/e否/默认值。HTMLTH数据被风重新排列成多个频率。每月X-12算法也用于消除系列中的季节性影响。这是一种由员工、雇主和（有时）国家出资的投资基金（尤其是在东南亚），其中向每个退休员工一次性提供一笔款项。表2:2008年1月至2017年6月5个一级类别以外代表性的住宅价格描述性统计（Y元/米）：来源：WIND数据库价格统计天津杭州成都无锡郑州平均10199.36 17012.28 8870.815 7729.790 6853.389中值9998.000 16289.50 8881.000 7853.558 6789.000最大17366.00 28214.00 14447.00 10591.94 10538.00最小6470.760 11382.545336.630 4668.800 3771.000区域变量，即每个代表性城市的GDP、人均收入和人口。我们首先使用恒定和趋势进行标准ADF测试，以检查价格序列和基本因素是否具有静态性。如果任何价格序列是平稳的，则表明该序列具有自校正特性，因此没有泡沫。表3报告了我们分析的主要结果。至于价格系列，我们发现除广州外，所有价格都是订单1的综合价格。就宏观变量而言，我们发现所有区域GDP序列都是非平稳的，但对于杭州、无锡和郑州的人均收入（INC）和人口（POP），以及北京和无锡的人均收入（POP）是零阶（I（0））的积分。我们进一步进行恩格尔-格兰杰检验，以分析I（1）价格序列是否与I（1）基本面协整。一般来说，除了上海以外，没有明显的整合迹象，上海的GDP与5%的服务水平的物价和10%的服务水平的INC协整。然而，没有证据表明上海浦东新区和上海浦东新区之间存在协整关系。

总的来说，通过这一初步分析，我们得出结论，从根本上看，只有广州被排除在泡沫假说之外。4.2. 房地产市场是否存在不可持续的投机行为？正如Kindleberger（1989）所指出的，投资者的有限理性在投机泡沫的形成中起着关键作用。此外，信贷扩张的内生性使得这种杠杆扩张成为可能。这种不可持续、自我强化的泡沫通常与资产价格和潜在金融因素之间的内在关系有关，其特征是价格序列的增长速度超过指数，这是Sornette（2003）在对数周期幂律奇点（LPPLS）模型开发中的数学形式化。我们首先调查房价与潜在信贷因素之间是否存在长期关系，如表3：基本面因素的恩格尔-格兰杰诊断。我们将x市的住宅价格（Yuan/m）表示为Px，将x市的人均收入表示为Cx，将x市的城市人口表示为P OPx。研究发现，PGuangzhou、P OPBeijing、INCHangzhou、INCW uxi、P OPW uxi和Inczhengzhou为I（0），其余变量为I（1）。由于广州是静止的，因此Guangz hou被排除在测试之外。

对于其他城市来说，泡沫是存在的，因为至少有一个基本因素没有与价格序列协整。北京城市GDP公司-1.54091-1.55562不适用（0.8076）（0.8021）不适用/阿桑海-3.64674-3.26836-1.73829（0.0317）(0.0786)（0.7256）广州-2.23465-0.13013-1.3957（0.4644）（0.9936）（0.8555）天津-2.083 96-3.43469-1.84866（0.547）（0.0535）（0.6721）杭州-2.72684-2.81171（0.2288）成都-1.39695-1.48165-1.32539（0.8552）（0.8285）（0.8749）无锡-0.91553不适用不适用（0.9489）不适用不适用不适用/阿正洲-2.59795不适用-3.06301（0.2824）不适用（0.1219）表4：成对Eng-le-Granger检验针对财务变量的房地产价格。我们将家庭新增人民币贷款表示为N RLH，家庭利率表示为asIRH，广义货币表示为M2。在北京、上海、深圳、天津、杭州和郑州，房价与潜在信贷因素之间存在长期关系。就NRLH而言，证据尤其有力。城市NRLH IRH M2Beijing-2.782645-1.261070-1.400137(0.06501)（0.6443）（0.9794）上海-2.939178-2.143475-3.021259(0.0451)(0.2285) (0.0369)广州不适用不适用不适用不适用不适用不适用不适用阿森哲-4.528026-2.242361-1.891156(0.0004)（0.1932）（0.3350）天津-3.384025-2.353078-3.20 8008(0.0142)(0.1582) (0.0229)杭州-3.275892-3.241492-2.762250(0.0191)(0.0210)(0.0681)成都-2.500844-1.859283-1.813710（0.1189）（0.3499）（0.3706）无锡-1.327366-0.798439-0.837302（0.6136）（0.8143）（0.8031）郑州-3.136173-3.173356-3.209019(0.0276)(0.0250)(0.0228)协整模型。选择了三个财务变量，即五年期家庭新增人民币贷款（NRLH）、家庭公积金利率（IRH）和广义货币（M2）。从ADF测试中，我们发现所有三个因素都是I（1）。

我们进一步在房价和三个财务因素之间进行EG测试，如表4所示。结果与Xu和Chen（2012）的结果基本一致。很明显，银行对家庭的贷款与大多数城市房价的长期飙升密切相关，这反映在样本中X和NRLH之间的协整中。M2H和IRH的关系相对较弱。根据Jiang等人（2010），我们进一步应用LPPLS框架来诊断住房价格是否包含快于指数的成分，如表5所示。此处的LPPLS强度定义为具有LPPLS签名的窗口在winTable 5总数中的比例：对数周期幂律奇异性（LPPL S）信号的出现。上海、深圳、天津和成都都有LPPLS签名。LPPLS诊断LPPLS加强北京、上海、广州、深圳、5.89、天津、5.89、杭州、成都、17.65、无锡、郑州、dows。我们发现，上海、深圳、天津和成都这四个城市呈现出指数级以上增长的迹象。上海的LPLS强度特别强，所有时间窗都被诊断为LPPLS信号阳性。令人惊讶的是，尽管成都段与潜在财务因素之间没有关系，但成都ha sa的LPPLS信号水平适中。这表明，成都的房价可能是由非金融投机因素推动的。深圳和天津的LPPLS优势程度相似，但深圳的房价绝对值要高得多。总的来说，我们得出的结论是，在被调查的九个城市中，只有广州没有表现出明显的泡沫迹象，这是由于其平稳性和缺乏LPPLS特征，如表6所示。

这一结果与Zhang等人（2017年）的结论基本一致。Zhang等人在2017年诊断出北京、天津和成都的转折点或修正的高风险迫在眉睫，而上海和深圳在2018年的基于分位数的DS-L PPLS置信度指标方面处于高风险之中。同样，根据他之前的研究，广州也没有出现泡沫。从上述实证分析可以明显看出，尽管中央ZF做出了巨大努力，但自2010年4月以来实施的购买和信贷限制基本上未能抑制房价的过度增长。这与Lugovsky et al.（2014）形成了对比，Lugovsky et al.（2014）从实验室环境中辩称，如果我们确定t=2 01705，并且每月从t=200 801变化到t′=2 01010，则此类资产持有上限可能有效。因此，我们总共有34扇窗户。表6：结果总结：Engle-Granger（EG）与对数周期幂律奇异性（LPPLS）诊断。在被调查的九个城市中，只有广州没有显示出明显的泡沫迹象。例如，LPPLS总体设计为北京、上海、广州、深圳、伊坦津、杭州、成都、武汉、YZhengzhou、YZhengzhou、YZhengzhou、YZhengzhou、YZhengzhou。然而，自2017年以来，中国ZF又宣布了一系列非传统的改革政策。2017年初，14个城市实施了一项名为sellingrestriction（献卖）的新政策，禁止房地产买家和投资者在20年至5年的期限内出售。这项政策为赶走短期投机投资者提供了有效手段，同时防止了房地产市场的大规模踩踏，最终导致崩盘。

我们建议，为了设计有效的政策，在具有特定泡沫信号的城市进行泡沫诊断测试和实施相关政策至关重要。对于LPPLS签名显著的城市，制定旨在消除房价过高预期的政策至关重要，而不仅仅是需求侧控制。例如，上述抛售限制将有效消除短期投机投资者，从而稳定价格。然而，对于那些被诊断为基本泡沫而没有LPPLS签名的城市来说，更合适的做法是设计供给侧政策，以适应经济基本面带来的需求压力。5、结论自2008年以来，中国住房市场持续快速增长，这与2007年全球金融危机后全球经济前景黯淡和国内房地产行业持续下滑形成了鲜明对比。这引起了学术界和决策者的关注。本文旨在以九个具有代表性的城市为样本，对中国房地产市场的泡沫假说进行知情检验。我们的研究与之前的研究不同，因为我们不仅通过整合模型从基本角度引入了传统的泡沫定义，而且还从新兴LPPLS框架的行为角度来检测以指数增长信号为特征的价格动态中是否存在任何不可持续的特征。我们发现，在被调查的九个城市中，只有广州没有表现出明显的泡沫迹象。在政策方面，我们认为传统的购买和信贷限制在抑制被调查样本中住房价格过度上涨方面没有达到预期效果。

考虑到具有明显泡沫特征的城市之间存在的异质性，进行泡沫诊断测试并针对特定泡沫特征实施相关政策至关重要，而不是强制执行一项不考虑这种异质性的适用于所有类型的政策。我们建议，对于具有重要LPPLS签名的城市，实施旨在消除投机需求的政策至关重要。在没有LPPLS签名的城市，供应方政策更适合解决基本需求带来的压力。这种泡沫诊断测试对更广泛城市的影响以及当前政策的有效性将在未来的研究中进一步调查。致谢本研究得到了国家自然科学基金（71721001、711231008和71671191）和中山大学青年学术导师项目（14000-31610161）的资助。我们非常感谢2017年上海国际经济物理会议（ICE）、2017年纽约计算经济与金融会议（CEF）和2017年天津艺术经济会议（AE）20 17的与会者的慷慨评论和建议。通常的免责声明适用。参考文献A.Huja，Cheung，L.，Han，G.，Porter，N.，Zhang，W.，2010年。中国的房价上涨过快吗。2010年8月工作文件，香港金融管理局。Arshanapalli，B.，Nelson，W.，20 08年。验证房地产泡沫的协整检验。《国际商业与金融研究杂志》2（2），35–43。Case，K.E.，Shiller，R.J.，2003年。房地产市场是否存在泡沫？布鲁金斯经济活动论文34（2），299–362。Dickey，D.A.，Fuller，W.A.，1979年。单位根自回归时间序列估计量的分布。

《美国统计协会杂志》74（366），427–43 1。《经济学人》，2010年。克强·克钦：中国下任总理如何保持对经济的稳定。技术代表Engle，R.F.，Granger，C.W.J.，1987年3月。协整和纠错：表示、估计和测试。计量经济学55（2），251–276。统一资源定位地址https://ideas.repec.org/a/ecm/emetrp/v55y1987i2p251-76.htmlGallin，J.，2006年9月。房价和收入之间的长期关系：来自当地住房市场的证据。《房地产经济学》34（3），417–438。统一资源定位地址https://ideas.repec.org/a/bla/reesec/v34y2006i3p417-438.htmlHimmelberg，C.P.、Mayer，C.J.、Sina i，T.，2005年。评估高房价：泡沫、基本面和误解。技术代表Ho Off mann，M.，Kr ause，M.U.，Laubach，T.，2012年。危机前后的趋势增长预期和美国房价。《经济行为与组织杂志》83（3），394–409。统一资源定位地址https://ideas.repec.org/a/eee/jeborg/v83y2012i3p394-409.htmlHui，E.C.M.，Yue，S.，2006年。香港、北京和上海房价泡沫的比较研究。《房地产金融与经济杂志》33（4），299–327。蒋志强，周，W-X.，索内特，D.，伍达尔，R.，巴斯蒂安森，K.，考威尔斯，P.，2010年6月2日。2005-2007年和2008-2009年中国股市泡沫的诊断和预测。《经济行为与组织杂志》74（3），149–162。金德尔伯格，C.，1989年。狂热、恐慌和崩溃：金融危机的历史。纽约州帕尔格雷夫·麦克米伦。Lugovskyy，V.，Puzzello，D.，Tucker，S.，Williams，A.，2014年。资产持有实验性资产市场中的上限和泡沫。《经济行为与组织杂志》107（PB），781–797。Mikhed，V.，Zemcik，P.，2007年10月。房地产市场泡沫测试：面板数据方法。

CERGE-EI工作文件wp338，布拉格经济研究和研究生教育中心-经济研究所。统一资源定位地址https://ideas.repec.org/p/cer/papers/wp338.htmlMinsky，H.，1975年。约翰·梅纳德·凯恩斯。哥伦比亚大学出版社，纽约。《波特巴，J》，1984年。自住住房税收补贴：一种资产市场方法。《经济学季刊》99（4），729–752，。Sornette，D.，2003年。股市崩溃的原因：复杂金融系统中的关键事件。普林斯顿大学出版社，新泽西州。Sornette，D.，Zhou，W.-X.，2004年。外国资本流入推动2000年新经济泡沫的证据：对美国经济及其股票市场未来的影响。物理学A：统计力学及其应用332（C），412–440。Taleb，N.N.，200 7。黑天鹅：极不可能的影响。兰登书屋，纽约。Wucker，M.，2016年。大犀牛：如何认识和应对我们忽视的重大危险。圣马丁出版社，纽约。Xu，X.E.，Chen，T.，2012年1月。货币政策对中国房地产价格增长的影响。太平洋盆地金融杂志20（1），62–77。Zhang，Q.，Sornette，D.，Zhang，H.，2017年。预测中国房地产市场的关键转型。瑞士金融研究所研究论文第17-18号。Zhou，W.-X.，Sornette，D。，2006