2. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
2008年在全球金融危机的影响下,中国经济增速下滑,房地产市场出现低迷,住宅价格也有所下降。2009年后房地产市场又重新进入快速发展的轨道,国家随之加强了对房地产市场的调控,但却收效甚微,住宅价格陷入“越调越涨”的怪圈。随着中国经济发展逐渐步入新常态,经济下行压力增大,经济增速逐渐由高速向中高速乃至中低速转变,房地产价格方面,大城市住宅价格保持着快速上涨态势,住宅租金呈稳定增长势头,中小城市住宅价格表现出波动上升趋势,住宅租金呈现缓慢增长的走向。在中国经济由高速增长转向高质量发展关键阶段,经济发展也面临着结构性、体制性、周期性问题相互交织带来的困难与挑战,因此国家提出构建“双循环”新发展格局,并强调国内大循环的主体地位,而城市经济规模与住宅价格、住宅租金的非协调增长状况,将影响国内大循环的发展格局,不利于中国经济的高质量发展。面对全球经济发展趋势的不确定性,需要在经济发展中以国内大循环为基础,协调经济增长与住宅价格、住宅租金增长的关系,以满足人民日益增长的居住需求,让人民群众有居、宜居、乐居,提高人民群众的生活幸福感,为双循环新发展格局营造良好的环境。
基于房地产业的重要作用,及其对国民经济的贡献程度,国内学者对经济规模与住宅价格间的关系进行了大量研究,研究内容主要聚焦于房地产市场对宏观经济的影响[1, 2]、经济增长对房地产市场的影响[3-5]、经济增长与房地产市场的双向影响[6, 7]、房价上涨的经济增长效应[8, 9]、房价上升与经济增长及经济结构转型的逻辑关系[10, 11]等方面,相关研究主要包括:利用均衡模型,分析宏观经济因素对住宅价格影响的差异性[12, 13];采用面板数据回归模型,探究住宅价格波动对区域经济要素影响的传递性及异质性[14-16];运用双重差分法考察经济条件差异对住宅市场的影响[17, 18]等。从研究结论来看,城市房价快速上涨阻碍区域经济差距缩小,不利于区域经济收敛[2];经济增长可以提高居民收入水平,进而对房价产生显著的正效应[3];房价上升对经济增长具有正向促进作用,但房价过高会抑制消费需求,削弱地方经济竞争力[19]。国外房地产市场发展较早且也已成熟,国外学者关于经济增长与住宅价格的研究较为丰富,主要集中在房地产市场与经济增长间的逻辑关系[20, 21]、住宅价格对城市经济集聚特征的影响机制[22, 23]、房地产经济与宏观经济协调发展关系[24]和房地产价格波动的财富效应[25]等方面。
异速增长理论源于生物学,并逐渐由生物学向物理学、经济学、社会学、语言学、地理学和计算机科学等领域扩展[26, 27],异速增长可以将空间分布、等级结构和动态演化联系起来,为城市及城市体系研究提供新的思想与方法[28]。近年来,国内外地理学者主要利用异速增长理论探究区域人口与土地的发展关系[26, 29]、区域城镇体系的演化[28, 30]等内容,且已有学者对异速增长的研究限于特征的揭示与路径的优化,对异速增长空间差异的形成机理探究较少。城市经济规模与住宅市场的发展紧密相关,一方面城市经济规模的增长可以支撑住宅市场的繁荣,住宅市场的发展又促进城市经济规模的增长,另一方面住宅市场投资性的存在,使住宅市场与城市经济发展产生错位,从而导致两者发展不完全同步。基于住宅市场与城市经济发展的复杂关系,引入异速增长探究两者间的非线性发展问题。
随着“双循环”新发展格局的逐渐形成,中国经济也迈上了高质量发展的道路,城市居民对居住条件及质量提出了更高的要求。在此背景下,论文以经济规模、住宅价格与住宅租金为研究对象,以中国综合实力最强、一体化程度最高的长三角为研究区域,构建异速增长模型分析长三角地区经济规模与住宅价格、住宅租金异速关系的时空演变规律。在此基础上,借助机器学习算法中的增强回归树模型,揭示异速增长的影响机制及演化机理,以期丰富经济增长与房地产市场发展关系的研究,为长三角更高质量一体化发展及国内大循环优化提供理论支撑与实践依据。
2 研究区域与方法 2.1 研究区域与数据来源根据2019年12月出台的《长江三角洲区域一体化发展规划纲要》,长三角地区包括上海市,江苏省、浙江省和安徽省全域。长三角地区位于中国大陆东部沿海的中心,区域面积35.67万平方公里,是中国经济最具活力、开放程度最高、创新能力最强的区域之一。2018年,长三角以占中国3.72%的土地、16.15%的人口,创造了中国23.49%的GDP、20.06%的全社会固定资产投资和25.73%的房地产开发投资。长三角处于“一带一路”和长江经济带的交汇地带,对长江经济带乃至中国经济发展起到重要的引领作用。
本文以长三角三省一市为研究区域,根据2018年现行的行政区划,研究区内共有41个地级及以上城市。以地级市地区生产总值表示城市经济规模,相关经济数据来自2009—2019年的各省市统计年鉴、《中国城市统计年鉴》及《中国城市建设统计年鉴》,地级市住宅价格及住宅租金数据来自各城市房地产交易中心、中国房价行情平台(https://www.creprice.cn/)。
2.2 研究方法 2.2.1 空间变差函数空间变差函数又称半变异函数,是描述区域化变量随机性和结构性特有的基本手段[31]。设区域化变量Z(xi) 与Z(xi + h) 分别是Z(x) 在空间位置上xi和xi + h的观测值(i = 1, 2, …, N(h)),则其公式为[32]:
(1) |
式中:γ(h) 为半变异函数值;N(h) 为分割距离为h的样本量;h为样本点的间隔距离。
2.2.2 异速增长模型异速增长(allometric growth)是生物学和生态学最经典的标度概念,反映生物体局部与整体的几何测度关系[33]。异速增长关系通常定义为一个系统的局部相对生长速率与系统整体或系统的另一个局部的相对生长速率的常数比例关系[34, 35]。异速增长可以分为纵向异速和横向异速,纵向异速增长探求空间单元在时间序列上的异速关系,横向异速则分析不同空间单元在某一时间尺度上的异速关系。异速增长模型计算公式为[36]:
(2) |
对式(2)两边同时取对数,可得:
(3) |
式中:Ht为t时刻城市住宅价格或住宅租金;Et为t时刻城市经济规模;a为比例系数;b为标度指数,也被称为异速增长系数。经众多学者研究表明,异速增长系数b处于2/3— 1之间,平均值约为0.85[37-39],即b =0.85时,经济与房价或租金等速增长;b > 0.85时,为正异速增长,此时经济增速小于房价或租金增速;当b < 0.85时,为负异速增长,此时经济增速大于房价或租金增速。将正、负异速增长分别划分为三级,各异速级别划分标准及特征见表 1。
增强回归树(boosted regression tree,BRT)是基于分类回归树(classification and regression tree,CART)算法的一种自学习方法,该方法结合回归树(regression tree)模型与Boosting算法,通过多次随机选择和自学习建立多重回归树,进而提高回归树模型的稳定性和预测精度[40, 41]。BRT模型在运算程序中多次随机抽取一定量的数据,分析自变量对因变量的影响程度,剩余数据用于拟合结果的检验,最后对生成的多重回归树取均值并输出。BRT模型在处理不同数据格式时具有较强的灵活性,对预测变量的独立性无需作出事先假设,能适应复杂的非线性关系,目前该模型已广泛运用到生态学、地理学和环境科学等领域[42]。
以长三角地区各城市经济规模—住宅价格、经济规模—住宅租金异速增长系数为因变量,建立异速增长的影响因素体系,利用BRT模型对各影响因素与异速增长的关系进行拟合,探测各因素在其他因素取均值时,该因素与经济规模—住宅价格、经济规模—住宅租金异速增长系数之间的数量关系,并计算各因素对城市间异速增长系数差异的贡献率。BRT模型使用R语言的dismo包构建,其参数设置如下:树的复杂程度(tree complexity)为3,学习速率(learning rate)为0.01,其他参数使用默认设置。
3 长三角地区经济规模—住宅价格、住宅租金异速增长特征 3.1 经济规模、住宅价格及住宅租金空间演化特征利用空间变差函数探究长三角各城市经济规模、住宅价格和住宅租金空间格局的演化过程(图 1)。长三角地区经济规模、住宅价格和住宅租金的演变具有一定的规律性和稳定性,形态分布具有内在联系和结构特征,且空间差异层次性特征明显,总体呈现出“一极多核”的空间结构。具体来看:①2008和2018年长三角经济规模表现出以上海为单极,以杭州和南京为双核的空间格局,且苏州、无锡、常州(苏锡常)与合肥经济总量较高,逐渐进入多核的行列。泰州、嘉兴、湖州、绍兴成为经济规模主要的“洼地区”,另外江苏北部、浙江南部和安徽的大部分地区为“洼地连绵区”。②2008年长三角住宅价格呈现出上海、温州和杭州“三足鼎立”之势,南京和浙江东北部成为住宅价格次级核心,2018年表现为以上海为单极,南京和杭州为双核的“一极两核”格局,镇江、嘉兴、湖州、宣城、池州和黄山等地一直为住宅价格的“洼地区”,丽水和衢州两地从“洼地区”中脱离,安徽北部则保持“洼地连绵区”。③2008年长三角住宅租金呈现出以上海为单极,杭州、温州、南京和宁波为核心的“一极四核”格局,2018年演变为以上海为单极,杭州和南京为核心的“一极两核”格局,合肥的后发优势逐渐突显,镇江、宣城、黄山、池州和安庆等地为持续的“洼地区”,扬州、泰州和芜湖等地进入“洼地区”,“洼地连绵区”也逐渐由安徽西部延展到安徽大部分地区。
总体来看,经济规模的格局具有较强的稳定性,但随着长三角的逐渐扩容和一体化程度的提高,“一极多核”间经济规模的相对差异呈缩小趋势,但“一极多核”与其他城市的差异仍然较大。由于住宅市场的整体性,住宅价格和住宅租金空间格局具有较强的相似性,“一极多核”间住宅价格和住宅租金的差异呈扩大趋势,与其他城市间的差异也呈现扩大态势,且长三角各城市住宅价格间的差异高于住宅租金。
3.2 经济规模—住宅价格、住宅租金的纵向异速关系分别建立经济规模与住宅价格、经济规模与住宅租金的异速增长模型,对其进行双对数线性拟合,得到2008—2018年长三角经济规模—住宅价格、经济规模—住宅租金异速增长的拟合模型(表 2)。
经济规模—住宅价格异速增长方面,2008—2018年标度指数在0.2780—0.3604范围内变动,各年份拟合优度均在0.45以上,表明拟合方程的拟合效果良好。由标度指数的变化特点,将经济规模—住宅价格的纵向异速划分为2008— 2015年和2015—2018年两段。2008—2015年标度指数呈“U”型变化,2008—2011年呈下降趋势,2011—2013年稳定在0.28附近,2013—2015年呈上升趋势。2015—2018年标度指数较为稳定,在0.33附近波动变化。
经济规模—住宅租金异速增长方面,2008—2018年标度指数在0.2511—0.3674范围内变化,各年份拟合优度均在0.58以上,表明拟合方程的拟合效果较好。由标度指数的变化特点,将经济规模—住宅租金的纵向异速划分为2008— 2013年和2013—2018年两段。2008—2013年标度指数总体呈下降趋势,由2008年的0.3674波动下降至2013年的0.2568。2013—2018年标度指数呈波动上升趋势,由2013年的0.2568波动上升至2018年的0.2748。
总体来看,长三角经济规模—住宅价格和经济规模—住宅租金的异速增长,均处于住宅价格和住宅租金相对增速远远低于经济规模相对增速的经济扩张强型阶段,且两个异速类型标度指数均表现出先下降后上升的变化趋势,表明住宅价格和住宅租金增速与经济增速差异先扩大后缩小。比较两者异速增长差异发现,经济规模—住宅价格异速增长系数总体上高于经济规模—住宅租金,即住宅价格增速总体上高于住宅租金。
3.3 经济规模—住宅价格、住宅租金的横向异速关系利用城市经济规模与住宅价格、住宅租金的异速增长模型,计算2008—2018年各城市经济规模—住宅价格、经济规模—住宅租金异速增长的拟合模型,并比较两者异速类型的差异,对两者拟合方程的标度指数类型及其差异比较的空间分布进行可视化表达(图 2)。
2008—2018年,长三角各城市经济规模—住宅价格异速增长类型以负异速为主,负异速城市37个,占所有城市的90.24%,在长三角地区分布较为广泛。负异速城市中,负异速一级城市和负异速二级城市均为18个,均占负异速城市的48.65%,其中负异速一级城市主要分布在江苏南部、浙江北部、安徽北部和南部等地区,负异速二级城市主要分布在江苏中部和北部、浙江中东部、安徽中部等地区,负异速三级城市仅温州1个。正异速城市4个,占所有城市的9.76%,正异速一级城市为合肥和衢州,正异速二级城市为上海和丽水。
2008—2018年,长三角各城市经济规模—住宅租金异速增长类型均为负异速。负异速一级城市8个,占所有城市的19.51%,主要分布在上海、浙江西南部、安徽西北部等地区。负异速二级城市32个,占所有城市的78.05%,分布在江苏、浙江东北部、安徽中部和南部等地区。负异速三级城市仅温州。
比较经济规模—住宅价格和经济规模—住宅租金异速增长类型,并划分以下类别:①两个异速类型保持一致的城市,称为房价房租同步型城市;②经济规模—住宅价格异速增长类型高于经济规模—住宅租金,称为房价超前型城市,其中高于两个级别及以上称为房价超前强型城市,高于一个级别称为房价超前弱型城市。2008—2018年,长三角地区房价房租同步型城市24个,占所有城市的58.54%,主要分布在江苏中部和北部、浙江中部和东部、安徽中南部和北部等地区。长三角地区房价超前型城市17个,占所有城市的41.46%,其中房价超前强型城市仅上海、合肥和丽水3个,房价超前弱型城市14个,主要分布在江苏南部和西北部、浙江北部及安徽南部等地区。
总体来看,长三角地区经济规模—住宅价格、经济规模—住宅租金异速增长类型多为负异速增长,即大多数城市住宅价格和住宅租金的相对增速低于经济相对增速。大多数城市经济规模—住宅价格异速增长系数高于经济规模—住宅租金,表明住宅买卖市场的发展领先于住宅租赁市场。
4 长三角地区经济规模—住宅价格、住宅租金异速增长影响机制 4.1 指标选取与模型构建依据城市地理学和住宅经济学中城市特征价格及供需理论,结合众多学者对异速增长及住宅价格、住宅租金的研究实践[43, 44],并考虑指标因素的客观性、科学性与可获得性等原则,从经济因素、人口因素、社会因素和行政因素4个方面选取21项指标,构建长三角经济规模—住宅价格/住宅租金绿地面积异速增长系数驱动因素体系。
为消除多重共线性影响,对4个类型21项指标进行共线性诊断,利用SPSS软件计算各变量的方差膨胀系数(variance inflation factor,VIF),将VIF > 10(存在严重多重共线性)的特征变量剔除,最后进入模型的变量有:产业发展水平、科技发展水平、财政投入水平、土地利用水平;城市人口规模、城镇发展水平、人口吸引力、人力资本水平;设施供给水平、城市收入差距、城市交通水平;地理区位共计12项指标(表 3)。
利用BRT模型分别探究各特征变量对2008—2018年长三角地区经济规模—住宅价格、经济规模—住宅租金异速增长的影响(表 4)。
在经济规模—住宅价格方面,财政投入水平对异速增长的影响最大,贡献率高达29.36%,其次是设施供给水平、产业发展水平、科技发展水平和城乡收入差距,这些因素的贡献率均超过10%,城市人口规模的贡献率超过5%,人口吸引水平、土地利用水平、城镇发展水平、人力资本水平、地理区位和城市交通水平的影响较小,贡献率均不足5%。
在经济规模—住宅租金方面,科技发展水平和城市人口规模的影响居前两位,贡献率分别为30.77%和25.29%,设施供给水平、城市收入差距、财政投入水平、人力资本水平和产业发展水平的影响处于中等水平,贡献率均超过5%,城镇发展水平、地理区位、土地利用水平、人口吸引水平和城市交通水平的影响较小,贡献率均低于2%。
比较经济规模—住宅价格和经济规模—住宅租金各因素贡献率的差异发现,财政投入水平、产业发展水平、城乡收入差距和人口吸引水平对经济规模—住宅价格异速增长的影响远远高于经济规模—住宅租金,土地利用水平、城镇发展水平、设施供给水平、城市交通水平和地理区位对经济规模—住宅价格、经济规模—住宅租金的影响大致相当,科技发展水平、城市人口规模和人力资本水平对经济规模—住宅租金的影响远远超过经济规模—住宅价格。
4.3 主导因子影响规律对长三角地区经济规模—住宅价格、经济规模—住宅租金异速增长驱动因子的贡献率取均值,选取平均贡献率排名前六位作为主导因子,分别为科技发展水平、财政投入水平、城市人口规模、设施供给水平、产业发展水平和城乡收入差距。主导因子的平均贡献率均超过8%,表明其对长三角地区经济规模—住宅价格、经济规模—住宅租金的异速增长具有较强的作用,故绘制主导因子影响力变化图(图 3)。图中曲线表示随主导因子取值变化,其对异速增长影响程度的变化,边际效应数值越大表示影响程度越高。
(1)经济因素的影响。科技发展水平、财政投入水平和产业发展水平为经济因素中的主导因子,科技发展水平对经济规模—住宅价格异速增长呈“U”型趋势,总体呈正相关关系,对经济规模—住宅租金异速增长呈负相关关系,当R & D经费支出比重低于1.67%或高于2.62%,科技发展水平对经济规模—住宅价格、经济规模—住宅租金异速增长的影响保持在较为稳定的水平。财政投入水平和产业发展水平对经济规模—住宅价格、经济规模—住宅租金异速增长的影响均呈正相关,当人均财政支出达到11633元/ 人,第三产业占GDP比重达到49%后,其影响趋于稳定。
(2)人口因素的影响。城市人口规模为人口因素中唯一主导因子,其对经济规模—住宅租金的贡献率远远高于经济规模—住宅价格。城市人口规模对两个异速增长的影响均呈“V”型变化,即大城市两种异速增长的边际效应最低,经济规模—住宅价格、经济规模—住宅租金边际效应分别为0.51、0.29。经济规模—住宅价格中超大城市和小城市边际效应最高,其边际效应达到0.56,经济规模—住宅租金中超大城市、特大城市、中等城市和小城市边际效应均为0.38,保持较高水平。
(3)社会因素的影响。设施供给水平和城乡收入差距为社会因素中的主导因子,设施供给水平对经济规模—住宅价格、经济规模—住宅租金异速增长的影响均呈负相关关系,且地均固定资产投资低于2627万元/km²时边际效应保持在较高水平,当地均固定资产投入超过3671万元/km²后,边际效应在较低水平上保持稳定。城乡收入差距对经济规模—住宅价格、经济规模—住宅租金均呈正相关关系,城乡收入差距低于2.05时边际效应保持在较低水平,当城乡收入差距超过2.14后,边际效应在较高水平上保持平稳。
5 长三角地区经济规模—住宅价格、住宅租金异速增长演化机理 5.1 经济规模—住宅价格与经济规模—住宅租金异速增长差异机理在经济、人口、社会和行政等因素的综合作用下,长三角经济规模—住宅价格、经济规模—住宅租金异速增长关系不断轮动变换。由于住宅兼具投资属性和消费属性,其中住宅买卖市场容易受到经济发展预期、收入预期和房价预期等因素的影响,使其具有更多的投机性,呈现出较多的投资品属性;住宅租赁市场较难用于市场投机,更能较为真实反映住宅市场的整体供需关系,表现出住房的消费品属性。
经济因素作为影响经济规模—住宅价格与经济规模—住宅租金异速增长的主导因素,对经济规模—住宅价格异速增长的影响高于经济规模—住宅租金,这主要由于长三角地区经济发展水平和居民收入水平较高,且经济增速和收入增速均居全国前列,而长三角地区住宅买卖市场的发育程度远高于住宅租赁市场,经济发展对住宅价格的影响更为直接且迅速。在各类型城市经济规模分布上,房价超前型城市2018年GDP均值为6726.46亿元,而房价房租同步型城市GDP均值为4146.19亿元,即经济因素对经济规模—住宅价格异速增长系数较高的城市影响更大。人口因素对经济规模—住宅价格异速增长的影响较小,对经济规模—住宅租金的影响较大,这是因为住宅交易市场更多依赖居民财富水平,而住宅租赁市场则依赖人力资本市场。社会因素对经济规模—住宅价格和经济规模—住宅租金异速增长的影响均处于较高水平,主要由于社会因素对房地产市场的影响多通过对经济发展的保障作用表现出来,故对两者的影响较为明显。在经济、人口、社会和行政等因素作用下,住宅价格和住宅租金与经济规模保持着较高的协同增长(图 4)。有所不同的是,住宅价格在预期因素加速催化下不断波动上涨,而住宅租金受预期影响较小,故保持较为平稳的发展趋势,从而导致经济规模—住宅价格异速增长普遍高于经济规模—住宅租金,以上海、合肥和丽水尤为显著。
2008—2018年,上海作为长三角住宅价格上涨最快的城市之一,住宅价格上涨257.13%,但其GDP仅增长128.90%,约为住宅价格增速的一半,也是长三角经济规模增速最慢的城市之一;安徽作为长三角GDP上涨最快的省份,GDP增长239.00%,但其住宅价格仅上涨147.04%,为长三角住宅价格增速最慢的省份。经济规模与住宅价格的异速发展已经成为长三角地区面临的现实问题,长三角地区90%以上的城市经济规模—住宅价格为负异速增长,虽然与认知相悖,但足以说明经济规模与居民收入之间非对称性增长,即收入的较慢增长削弱了居民的住宅购买力,从而使居民产生房价增速快于经济增速的认知假象。
上海作为长三角地区核心城市和国家中心城市,常住人口城镇化率及城镇人口数量长期居中国城市前列,其经济总量长期居中国城市首位,经济优势的吸引下带来大量外来人口的持续流入,本地居民与外来人口的双重作用下,使城市房地产市场繁荣发展。合肥作为安徽省会,在2011年将巢湖市(县级市)、庐江县合并后,经济发展速度更胜之前,且其房价涨幅也一骑绝尘,房价水平居中部地区前列。丽水、衢州等城市邻近温州、杭州等房价热点城市,受房价溢出效应的影响,丽水、衢州房价增速居长三角前三位,但其经济增速也长期在浙江和长三角处于较低位次。在2008年国际金融危机的影响下,国内多数城市房价出现了不同程度的下跌,而温州房价却逆势上扬,房价涨幅及房价绝对值均冠绝全国,之后便有所下跌,至2018年房价水平仍不及2008年,为十年来长三角地区房价唯一下跌的城市。综上,上海、合肥、丽水和衢州等城市逐渐成为经济规模—住宅价格异速增长的“空间高地(space elevation)”,温州则成为“空间洼地(space depression)”。
5.3 经济规模—住宅租金异速增长演化过程由于自有住房与租赁住房差异化的公共服务(如“学区房”等),政府、市场及居民“重售轻租”观念的影响,使中国住宅租赁市场的发展严重滞后于住宅买卖市场,同样滞后于经济发展。长三角地区住宅租赁市场表现出与全国相同的特点,即不论时间或空间上,经济规模—住宅租金异速增长类型均为负异速,大多数城市表现出住宅租金相对增速远远低于经济相对增速的特点。虽然住宅租赁市场与住宅买卖市场存在一定的脱节,但住宅市场的整体性使住宅租赁市场的发展与住宅买卖市场密切相关,如温州住宅价格的大涨大落对其住宅租金亦会产生较大影响,上海、丽水、衢州等城市住宅价格较快增长也引起住宅租金的变动,故温州经济规模—住宅租金为负异速三级,上海、丽水、衢州成为为数不多的负异速一级城市。
科技作为第一生产力,科技进步与创新是推动区域经济发展的重要动力;住宅租赁市场较少的投机性,使其更易受市场需求的影响,即城市人口规模对住宅租赁市场的发展影响较大。因此,科技发展水平和城市人口规模对经济规模—住宅租金异速增长的影响较强。2019年上海、南京、杭州、合肥入选首批中央财政支持住房租赁市场发展试点,2020年宁波入选第二批,长三角住房租赁试点城市占全国的20%以上,足已说明长三角住房租赁市场在全国的重要性。2020年十九届五中全会指出“坚持房子是用来住的,不是用来炒的定位,租购并举、因城施策,促进房地产市场平稳健康发展”,并强调“探索支持利用集体建设用地按照规划建设租赁住房,完善长租房政策,扩大保障性租赁住房供给”,为住宅租赁市场的未来发展指明方向。
6 结论与讨论在长期坚持“房住不炒、因城施策、构建房地产调控长效机制”的房地产调控思路下,应规避住宅市场过度繁荣造成对居民消费的挤压,降低对国内大循环的影响,故对经济规模与住宅市场异速增长的研究迫在眉睫。以长三角41个城市为研究对象,探究2008—2018年经济规模—住宅价格和经济规模—住宅租金异速增长规律,并揭示其影响机制及演化机理,结果发现:长三角经济规模、住宅价格和住宅租金在空间形态上均呈现出“一极多核”结构;在纵向异速上,经济规模—住宅价格、经济规模—住宅租金均处于住宅价格和住宅租金相对增速远远低于经济规模相对增速的经济扩张强型阶段;在横向异速上,经济规模—住宅价格和经济规模—住宅租金多以负异速增长类型为主,且前者异速增长系数多高于后者。长三角经济规模—住宅价格和经济规模—住宅租金异速增长主要受科技发展水平、财政投入水平、城市人口规模、设施供给水平、产业发展水平和城乡收入差距等因素的影响,预期因素影响的异质性使两种异速关系产生错位。
2008年国际金融危机爆发后,中国经济增长速度有所放缓,房地产市场也陷入资产贬值、交易下降、消费萎缩等困境,为对冲房地产市场的负面影响,政府降低首付款比例和按揭贷款利率、减免交易环节税负等措施刺激房地产行业。此后,国家对房地产市场进行了多轮“放松—收紧”的调控周期,在此背景下,房地产市场的长效调控机制呼之欲出。针对目前长三角地区经济规模—住宅价格、经济规模—住宅租金负异速增长的现状,提出以下建议:一是保持房地产市场持续繁荣,由于多数城市及区域整体房价、房租相对增速低于经济相对增速,故应加快完善住房制度,进一步激发房地产市场活力,促进房地产市场与经济发展协调;既重视房地产业对经济增长的拉动作用,也要防止经济发展过度依赖房地产业。二是坚持因城施策,对房价超前型城市应加快发展住宅租赁市场,合理增加热点城市土地供应面积,遏制房价过快上涨;对房价房租同步型城市应发挥新型城镇化在去房地产库存中的作用,吸引农业转移人口落户,推进新型城镇化进程。三是加快构建房地产长效调控机制,基于预期因素对房价、房租影响的差异性,应摒弃房地产对冲经济下行的惯性,保持限购限贷等政策的连续性和稳定性;坚持“房住不炒”定位,综合运用财税金融等措施降低住房交易带来的财富增值效应,坚决抑制投机投资性购房,推动房地产市场平稳健康发展。
在国际大循环动能明显减弱,国内大循环活力日益强劲的背景下,经济增长速度有所下滑,住宅市场在国家宏观调控长效机制下亦将保持平稳发展态势,虽然长三角住宅价格、住宅租金相对增速低于经济相对增速,但居民收入的增速却不及经济和住宅价格增速,收入的较慢增长阻碍居民消费水平的提高,从而不利于国内大循环的畅通。因此,在保持房地产市场平稳发展的前提下,必须切实提高居民的收入增速,保持居民收入水平与经济发展协同增长,进一步释放居民的消费潜力,提升居民消费能力,增强经济高质量发展的韧性,促进国内经济大循环。还应推动经济、人口等要素自由流动,破除阻碍要素自由流动的体制机制障碍,促进要素在区域乃至全国自由流动、高效配置,以房地产市场一体推动区域经济一体化,进而加快推进长三角一体化进程,引领中国经济的高质量发展。
基于房地产市场与经济发展的密切性,本文构建了经济规模—住宅价格和经济规模—住宅租金异速增长模型,从区域整体和城市视角探究经济规模与住宅价格、经济规模与住宅租金的发展关系,为长三角地区房地产市场一体化的建设及房地产政策的制定提供依据。由于本文主要研究经济规模与房地产市场的异速增长规律,未能关注人口规模、城区规模等城镇化要素与房地产市场的异速关系,分析不同要素与房地产市场异速增长关系及驱动因素的差异机理,这也是下一步需要深入探究的重要方向。另外,以后的研究还可以分区域(如以省域、都市圈等)或更小尺度(县域)探究其异速增长特征,更全面系统地揭示区域各要素间相对发展关系,推动区域更高质量一体化发展。
[1] |
何青, 钱宗鑫, 郭俊杰. 房地产驱动了中国经济周期吗?[J]. 经济研究, 2015, 50(12): 41-53. [He Qing, Qian Zongxin, Guo Junjie. House prices and business cycle in China: A DSGE analysis[J]. Economic Research Journal, 2015, 50(12): 41-53.] |
[2] |
张传勇. 劳动力流动、房价上涨与城市经济收敛——长三角的实证分析[J]. 产业经济研究, 2016, 15(3): 82-90. [Zhang Chuanyong. Labor mobility, housing prices and urban economic convergence: Evidence from cities in Yangtze River Delta[J]. Industrial Economics Research, 2016, 15(3): 82-90.] |
[3] |
王弟海, 管文杰, 赵占波. 土地和住房供给对房价变动和经济增长的影响——兼论我国房价居高不下持续上涨的原因[J]. 金融研究, 2015, 58(1): 50-67. [Wang Dihai, Guan Wenjie, Zhao Zhanbo. The supply land, house price and economic growth[J]. Journal of Financial Research, 2015, 58(1): 50-67. DOI:10.3969/j.issn.1674-5477.2015.01.011] |
[4] |
邵朝对, 苏丹妮, 邓宏图. 房价、土地财政与城市集聚特征: 中国式城市发展之路[J]. 管理世界, 2016, 32(2): 19-31, 187. [Shao Chaodui, Su Danni, Deng Hongtu. Housing prices, land finance and city agglomeration characteristics the road of China's city development[J]. Management World, 2016, 32(2): 19-31, 187.] |
[5] |
黄禹铭. 中国城市住房价格增长的空间差异及其影响机制[J]. 经济地理, 2019, 39(12): 88-95. [Huang Yuming. Spatial differentiation of housing price growth in China and its impact mechanism[J]. Economic Geography, 2019, 39(12): 88-95.] |
[6] |
张清勇, 郑环环. 中国住宅投资引领经济增长吗?[J]. 经济研究, 2012, 47(2): 67-79. [Zhang Qingyong, Zheng Huanhuan. Does housing investment lead economic growth in China?[J]. Economic Research Journal, 2012, 47(2): 67-79. DOI:10.3969/j.issn.1009-590X.2012.02.011] |
[7] |
尹上岗, 杨山, 陈艳如, 等. 长三角房价收入比时空演变格局及收敛性研究[J]. 地理研究, 2020, 39(11): 2521-2536. [Yin Shanggang, Yang Shan, Chen Yanru, et al. Spatial-temporal evolution patterns and convergence analysis housing price-to-income ratio in Yangtze River Delta[J]. Geographical Research, 2020, 39(11): 2521-2536.] |
[8] |
原鹏飞, 冯蕾. 经济增长、收入分配与贫富分化——基于DCGE模型的房地产价格上涨效应研究[J]. 经济研究, 2014, 49(9): 77-90. [Yuan Pengfei, Feng Lei. Research of housing price rising effects based on DCGE: Economic growth, income distribution and wealth gap widening[J]. Economic Research Journal, 2014, 49(9): 77-90.] |
[9] |
陈斌开, 金箫, 欧阳涤非. 住房价格、资源错配与中国工业企业生产率[J]. 世界经济, 2015, 38(4): 77-98. [Chen Binkai, Jin Xiao, Ouyang Difei. Housing price, mismatch of resources and productivity of China's industrial enterprises[J]. The Journal of World Economy, 2015, 38(4): 77-98.] |
[10] |
杨咸月, 朱辉. 经济转型视野的"去库存"与房地产市场稳健性[J]. 改革, 2017, 30(1): 76-84. [Yang Xianyue, Zhu Hui. Destocking in the perspective of economic transition and the robustness of the real estate market[J]. Reform, 2017, 30(1): 76-84.] |
[11] |
李汝资, 刘耀彬, 王文刚, 等. 中国城市土地财政扩张及对经济效率影响路径[J]. 地理学报, 2020, 75(10): 2126-2145. [Li Ruzi, Liu Yaobin, Wang Wengang, et al. China's urban land finance expansion and the transmission routes to economic efficiency[J]. Acta Geographica Sinica, 2020, 75(10): 2126-2145. DOI:10.11821/dlxb202010007] |
[12] |
陈创练, 戴明晓. 货币政策、杠杆周期与房地产市场价格波动[J]. 经济研究, 2018, 53(9): 52-67. [Chen Chuanglian, Dai Mingxiao. Monetary policy, leverage cycle and house price fluctuation[J]. Economic Research Journal, 2018, 53(9): 52-67.] |
[13] |
司登奎, 李小林, 葛新宇. 基于房价波动的银行风险承担: 理论分析与经验研究[J]. 统计研究, 2019, 36(12): 27-39. [Si Dengkui, Li Xiaolin, Ge Xinyu. Band risk exposure based on house price fluctuation: Theoretical analysis and empirical research[J]. Statistical Research, 2019, 36(12): 27-39.] |
[14] |
方晓萍, 丁四保. 中国城市住房价格的地理扩散及其区域外部性问题[J]. 地理科学, 2012, 32(2): 143-148. [Fang Xiaoping, Ding Sibao. Geographical spread of urban house price in China and its regional externality[J]. Scientia Geographica Sinica, 2012, 32(2): 143-148.] |
[15] |
张平, 张鹏鹏. 房价、劳动力异质性与产业结构升级[J]. 当代经济科学, 2016, 38(2): 87-93, 127. [Zhang Ping, Zhang Pengpeng. House price, labor heterogeneity and industrial structure upgrading[J]. Modern Economic Science, 2016, 38(2): 87-93, 127. DOI:10.3969/j.issn.1002-2848.2016.02.010] |
[16] |
黄玉屏, 周建军, 尚晓彤. 我国房价上涨对省域人均收入差距的影响分析[J]. 经济地理, 2018, 38(10): 29-35, 45. [Huang Yuping, Zhou Jianjun, Shang Xiaotong. Analysis of the impact of China's housing price rise on the per capita income gap of the province[J]. Economic Geography, 2018, 38(10): 29-35, 45.] |
[17] |
朱恺容, 李培, 谢贞发. 房地产限购政策的有效性及外部性评估[J]. 财贸经济, 2019, 40(2): 147-160. [Zhu Kairong, Li Pei, Xie Zhenfa. On the effectiveness and externalities of the home purchase restriction policy in China[J]. Finance and Trade Economics, 2019, 40(2): 147-160. DOI:10.3969/j.issn.1002-8102.2019.02.010] |
[18] |
李瑶瑶, 朱道林, 赵江萌, 等. 政府短期干预行为对住宅地价周期波动的影响[J]. 资源科学, 2019, 41(6): 1059-1069. [Li Yaoyao, Zhu Daolin, Zhao Jiangmeng, et al. Impact of short-term government intervention on the periodic fluctuation of residential land price[J]. Resources Science, 2019, 41(6): 1059-1069.] |
[19] |
潘海峰, 张定胜. 信贷约束、房价与经济增长关联性及空间溢出效应——基于省域面板数据的空间计量[J]. 中央财经大学学报, 2018, 38(11): 82-95. [Pan Haifeng, Zhang Dingsheng. Research on the relevance and spatial spillover effects of credit constraints, house prices and economic growth: Evidence from provincial panel data based on spatial econometric analysis[J]. Journal of Central University of Finance and Economics, 2018, 38(11): 82-95.] |
[20] |
Brzezicka J, Wisniewski R, Figurska M. Disequilibrium in the real estate market: Evidence from Poland[J]. Land Use Policy, 2018, 78: 515-531. DOI:10.1016/j.landusepol.2018.06.013 |
[21] |
Geltner D, Kumar A, Van de Minne A M. Riskiness of real estate development: A perspective from urban economics and option value theory[J]. Real Estate Economics, 2018, 48(2): 406-445. |
[22] |
Plantinga A J, Détang-D C, Hunt G L, et al. Housing prices and inter-urban migration[J]. Regional Science and Urban Economics, 2013, 43(2): 296-306. DOI:10.1016/j.regsciurbeco.2012.07.009 |
[23] |
Costello G, Leishman C, Rowley S, et al. Drivers of spatial change in urban housing submarkets[J]. Geographical Journal, 2019, 185(4): 432-446. DOI:10.1111/geoj.12303 |
[24] |
Hofman A, Aalbers M B. A finance-and real estate-driven regime in the United Kingdom[J]. Geoforum, 2019, 100: 89-100. DOI:10.1016/j.geoforum.2019.02.014 |
[25] |
Liao Wenchi, Zhao Daxuan, Sing T F. Risk attitude and housing wealth effect[J]. Journal of Real Estate Finance and Economics, 2014, 48(3): 467-491. DOI:10.1007/s11146-013-9407-2 |
[26] |
Lee Y. An allometric analysis of the US urban system: 1960-1980[J]. Environment and Planning A, 1989, 21(4): 463-476. DOI:10.1068/a210463 |
[27] |
Batty M, Carvalho R, Hudson S A, et al. Scaling and allometry in the building geometries of Greater London[J]. The European Physical Journal B, 2008, 63(3): 303-314. DOI:10.1140/epjb/e2008-00251-5 |
[28] |
龙玉清, 陈彦光. 基于灯光数据的京津冀城市多标度异速分析[J]. 地理科学进展, 2019, 38(1): 88-100. [Long Yuqing, Chen Yanguang. Multi-scaling allometric analysis of the Beijing-Tianjin-Hebei urban system based on nighttime light data[J]. Progress in Geography, 2019, 38(1): 88-100.] |
[29] |
王成新, 王波涛, 王翔宇. 基于结构视角的中国人口城市化与土地城市化异速增长研究[J]. 中国人口·资源与环境, 2016, 26(8): 135-141. [Wang Chengxin, Wang Botao, Wang Xiangyu. Study on population urbanization and land urbanization allometric growth in China based on the structure[J]. China Population, Resources and Environment, 2016, 26(8): 135-141. DOI:10.3969/j.issn.1002-2104.2016.08.018] |
[30] |
Chen Yanguang. The mathematical relationship between Zipf's law and the hierarchical scaling law[J]. Physica A, 2012, 391(11): 3285-3299. DOI:10.1016/j.physa.2011.12.031 |
[31] |
李在军, 管卫华, 臧磊, 等. 江苏省产业结构的空间格局演变及其动力机制分析[J]. 经济地理, 2013, 33(8): 79-85. [Li Zaijun, Guan Weihua, Zang Lei, et al. The spatial pattern dynamics of industry structure and mechanisms analysis in Jiangsu Province[J]. Economic Geography, 2013, 33(8): 79-85.] |
[32] |
Anderson, B T, McNamara J P, Marshall H P, et al. Insights into the physical processes controlling correlations between snow distribution and terrain properties[J]. Water Resources Research, 2014, 50(6): 4545-4563. DOI:10.1002/2013WR013714 |
[33] |
Beckmann M J. City hierarchies and the distribution of city size[J]. Economic Development and Cultural Change, 1958, 6(3): 243-248. DOI:10.1086/449769 |
[34] |
陈彦光. 城市异速标度研究的起源、困境和复兴[J]. 地理研究, 2013, 32(6): 1033-1045. [Chen Yanguang. The rise, fall, and revival process of allometric scaling analysis in urban studies[J]. Geographical Research, 2013, 32(6): 1033-1045.] |
[35] |
Marshall J D. Urban land area and population growth: A new scaling relationship for metropolitan expansion[J]. Urban Studies, 2007, 44(10): 1889-1904. DOI:10.1080/00420980701471943 |
[36] |
Chen Jihong, Fei Yijie, Wang Zheng, et al. Allometric relationship and development potential comparison of ports in a regional cluster: A case study of ports in the Pearl River Delta in China[J]. Transport Policy, 2020, 85: 80-90. DOI:10.1016/j.tranpol.2019.10.018 |
[37] |
李郇, 陈刚强, 许学强. 中国城市异速增长分析[J]. 地理学报, 2009, 64(4): 399-407. [Li Xun, Chen Gangqiang, Xu Xueqiang. Urban allometric growth in China: Theory and facts[J]. Acta Geographica Sinica, 2009, 64(4): 399-407. DOI:10.3321/j.issn:0375-5444.2009.04.002] |
[38] |
孙在宏, 袁源, 王亚华, 等. 基于分形理论的江苏省城市规模分布与异速生长特征[J]. 地理研究, 2011, 30(12): 2163-2172. [Sun Zaihong, Yuan Yuan, Wang Yahua, et al. Research on city-size distribution and allometric growth in Jiangsu province based on fractal theory[J]. Geographical Research, 2011, 30(12): 2163-2172.] |
[39] |
马玉香, 张军民, 王莉红. 基于分形理论的新疆城市规模分布及异速生长特征研究[J]. 干旱区地理, 2018, 41(3): 661-667. [Ma Yuxiang, Zhang Junmin, Wang Lihong. City-size distribution and allometric growth in Xinjiang based on fractal theory[J]. Arid Land Geography, 2018, 41(3): 661-667.] |
[40] |
Elith J, Leathwick J R, Hastie T. A working guide to boosted regression trees[J]. Journal of Animal Ecology, 2008, 77(4): 802-813. DOI:10.1111/j.1365-2656.2008.01390.x |
[41] |
李春林, 刘淼, 胡远满, 等. 基于增强回归树和Logistic回归的城市扩展驱动力分析[J]. 生态学报, 2014, 34(3): 727-737. [Li Chunlin, Liu Miao, Hu Yuanman, et al. Driving forces analysis of urban expansion based on boosted regression trees and Logistic regression[J]. Acta Ecologica Sinica, 2014, 34(3): 727-737.] |
[42] |
葛跃, 王明新, 孙向武, 等. 基于增强回归树的城市PM2.5日均值变化分析: 以常州为例[J]. 环境科学, 2017, 38(2): 485-494. [Ge Yue, Wang Mingxin, Sun Xiangwu, et al. Variation analysis of daily PM2.5concentrations based on boosted regression tree: A case study in Changzhou[J]. Environmental Science, 2017, 38(2): 485-494.] |
[43] |
张永芳. 中国城市人地异速关系演变特征及其驱动因素[J]. 城市问题, 2019, 38(5): 65-70. [Zhang Yongfang. The evolution characteristics and driving factors of the relationship between man and land in China[J]. Urban Problems, 2019, 38(5): 65-70.] |
[44] |
尹上岗, 马志飞, 吴小影, 等. 中国城市住宅售租比时空分异格局及影响机制[J]. 长江流域资源与环境, 2020, 29(3): 547-556. [Yin Shanggang, Ma Zhifei, Wu Xiaoying, et al. Spatial-temporal differentiation and influence mechanism of the urban housing price-to-ratio in China[J]. Resources and Environment in the Yangtze Basin, 2020, 29(3): 547-556.] |