区域房地产市场特征与房地产企业行为研究.docVIP

区域房地产市场特征与房地产企业行为研究 　　摘要：近年来房地产价格开始下滑，且房价下跌幅度存在明显的区域性差异。本文运用主成分分析法对不同省市房地产价格前景建立评分体系，并以此对有代表性的上市房地产企业土地储备情况进行研究。 　　关键词：房地产价格 区域性差异 主成分分析 　　2014年在房价整体下滑的背景下，一线城市仍然保持了正增长，二三线城市房价出现下跌。由此可见房地产市场是一个典型的地域性市场，不同地域房地产价格受同一因素的影响程度和影响时间存在较大差异。本文的研究目的是通过研究房地产价格区域差异的影响因素，为政府制定我国房地产市场区域调控政策，防止部分省市房地产价格过度下滑提供科学依据，促进房地产行业的市场化进程，为房地产行业可持续发展出谋划策。 　　一、基于省级数据的房地产价格评分体系 　　本文认为房地产价格与收入水平、土地供应、信贷规模、人口规模、城镇化率、GDP增长和各省市对土地财政依赖程度有关，因此本文以30个省和4个直辖市作为研究样本，选取以上指标进行主成分分析。 　　选取城镇人均可支配收入作为反映收入水平的指标，计算各省市1999年到2013年的平均值作为样本，指标单位为元。 　　选取土地购置面积作为反映土地供给的指标，计算各省市1999年到2013年的平均值作为样本，指标单位为万平方米。 　　选取房地产开发投资指标中国内贷款项作为反映信贷规模的指标，计算各省市1999年到2013年的平均值作为样本，该指标单位为万元。 　　选取人口总量作为反映人口规模的指标，计算各省市1999年到2013年的平均值作为样本，该指标为万人。 　　选取人均土地供应面积作为人口密度指标，计算方式为人口总数与土地购置面积的比值，以各省市1999年到2013年的平均值作为样本，单位为人/平方米。 　　选取城镇化率作为反映城镇化水平的指标，计算方式为各省市城镇人口占总人口的比重，以各省市1999年到2013年的平均值作为样本， 该指标无单位。 　　选取房地产投资/GDP作为土地财政依赖程度的指标，计算各省市1999年到2013年的平均值作为样本，该指标无单位。 　　选取各省市GDP增长率指标作为反映经济增长的指标，计算各省市1999年到2013年的平均值作为样本，该指标无单位。 　　以上数据中人口密度指标、房地产投资/GDP指标以及城镇化率指标通过计算获得，其他数据均来自于历年《中国统计年鉴》和wind数据库。 　　（一）模型适用性检验 　　主成分分析法的目的主要在于数据的压缩以及相关性的降低，如果各指标间均相互独立，相关性不强，则意味着信息重叠度较低，从而失去了使用主成分法的意义。因此在对数据进行标准化处理后，计算上述8个指标的相关系数矩阵，结果如表1所示。整体来看，各原始变量存在着明显的信息重叠，可以使用主成分法进一步分析。（如表1） 　　（二）主成分个数的确定 　　以累计方差贡献率是否超过85%来作为主成分提取个数的标准。从表2可以看到，第一个主成分的方差贡献率最大，占全部方差的比例为41%，依次递减，前4个主成分所含信息比率达到90%，因此主成分提取数量确定为4个。 　　（三）荷载矩阵与特征根 　　从主成分分析方法的过程来看，结合表2和表3可以发现主成分1选用了全部7个指标，包含41%的信息量；主成分2剔除了信贷规模指标，前两个主成分累计包含68%的信息量；主成分3剔除了信贷规模和城镇化率指标，前三个主成分累计包含82%的信息量；主成分4选取了全部指标，可以看作是对主成分1的修正，前四个主成分累计包含90%的信息量。 　　（四）权重的确定及综合评价因子的计算 　　使用表4的主成分得分数据制作我国各省市房地产价格综合得分色阶地图，房地产价格得分最高的城市是北京1.91分，最低为西藏省-2.79分，两者差值4.7。若将所有省市房地产价格得分值等距分为五档，则每档间隔为0.94。如图4.7所示，第五档得分在-2.79分到-1.85分之间，第四档得分在-1.85分到-0.91分之间，第三档得分在-0.89到0.05分之间，第二档得分在0.06到1分之间，第一档得分在1.1分到1.94分之间。 　　从地图上看，红色区域为北京市、江苏省、浙江省和辽宁省。这些省市分别位于长三角经济圈、环渤海经济圈以及京津冀经济圈，未来经济增长以及人口净流入将使这些城市房地产市场受益。橙色区域主要是广东、福建、海南省，这些省市位于我国南部沿海，毗邻香港和澳门，对外开放程度高，经济发展速度快，房地产价格得到支撑。其次米色区域主要是四川、贵州、湖北、河南等中部省市；这些省市一方面靠近经济发达的沿海城市，另一方面自身也拥有数个大型城市或省会城市，例如武汉、重庆、成都等；大型城市向外辐射效应较强，对房地产价格有一定支撑