1、2023 年第 6 期82科技、经济、市场经济研究20002013年上海市和陕西省住宅投资对调控政策反应的省级差异研究王 斌1，郑京羽2（1.中国人民保险集团，北京 100000；2.北京演艺集团，北京 100000）摘 要：长期以来，土地、货币政策、税收以及地方政府制定的房屋销售法规的4类调控政策一直被视为控制中国过热的住宅投资的良好手段。然而，由于我国幅员辽阔，各地发展状况参差不齐，预计将在各省产生不同的调控效果。文章采用20002013年的实证数据，从省（直辖市）级角度，对上海市和陕西省的住宅投资通过上述政策调控的有效性进行统计分析。得出结论：统一的调控政策对不同省份住宅投资的调控机理及
2、效果存在明显的差异性，因地制宜的组合型政策更利于政府对各地进行住宅投资调控。关键词：货币政策；政策效果；城市经济；城市发展0 引言房地产市场已成为国民经济的重要部分。房地产市场的繁荣得益于全面的市场化进程。当前大多数研究都从国家或地区的角度关注调控政策与住宅投资之间的关系，这种方法存在一定的局限性。以国家角度开展研究对发展水平各异的各个省份而言过于宽泛，或无法解释差异的真实状况。此外，相当一部分的地方性地产政策的实施是基于省级行政而非国家级行政。鉴于此，以省（直辖市）级的角度研究调控政策及其它配套政策对住宅投资可能产生的不均衡调控效果。选取上海和陕西为例进行探讨，两个省份分别在东部沿海地区、西
3、部地区，具有显著的代表性，且存在明显的发展差距。1 研究方法采用截尾回归模型（Censored Regression Models）系列中的Tobit模型。Tobit多元回归是检验一个连续因变量和多个自变量之间关系的最佳统计方法，无论是分类形式，还是连续形式，都具有灵活性和高效性的优势，因此非常适合用于测试住宅投资与各变量之间的连续效应。将上海和陕西的住宅投资建模为反映当地宏观经济条件、省级供给和需求的特征函数，主要包含如下变量的线性函数（见 表1）。以下回归模型总结了所有讨论的变量：“i”代表省份，“t”代表时间。行业惯常做法认为住宅投资的决定通常是提前1年做出的，决定具有前瞻性。因此，将所
4、有变量（虚拟变量除外）推迟1年。核心数据的选用标准解释如下：（1）采用中国人民银行35年的利率作为变量进行估计；（2）本研究聚焦于20002013年，这一时期基本上涵盖了20世纪90年代开始中国住宅公寓市场商业化进程的表1 线性函数变量解释变量定义简写期望关系因变量开发企业实际完成住宅开发投资（千万元）衡量该规模在政策下的变化RFI自变量国内贷款余额（千万元）衡量银行贷款量变化 LOAN正相关住宅销售价格（元/）衡量住宅销售价格变化PSP正相关国内人均生产总值（元/人）衡量收入水平变化GDP正相关基准贷款利率衡量借贷成本RLR负相关开发商负债率衡量开发商负债程度DEBT负相关土地供应（万m2）
5、衡量土地供应量 LAND正相关Dummy 1（货币政策紧缩期）Dummy 0（货币政策放松期）衡量政策松紧周期Dummy负相关住宅成交面积（万m2）衡量实际需求FSSD正相关科技、经济、市场2023 年第 6 期83经济研究整个发展过程；（3）所有具有名义价值的变量，如住宅投资、销售价等均采用以2000年为基准的省级CPI平减指数进行转换，反映房地产价格的弹性；（4）除文本中注明外，所有数据均来自 中国统计年鉴（20002013）。2 调查结果与分析2.1 回归模型评估与结果在表2和表3中展示Pearson相关系数，分别揭示上海市和陕西省因变量（住宅投资）与解释变量之间的相关性，任何0.5的数
6、字均理解为显著相关性。表2 上海地区的Pearson s相关系数结果Variables LSHRFILLOANLRLRLSHGDPLSHPSPLSHDEBTLSHLANDLSHFSSDDUMMYLSHRFI1.00LLOAN0.901.00LRLR-0.630.481.00LSHGDP0.950.980.641.00LSHPSP0.940.980.580.981.00LSHDEBT0.370.400.220.460.381.00LSHLAND0.48-0.43-0.10.410.440.361.00LSHFSSD0.600.010.350.66-0.650.070.151.00DUMMY0.6
7、60.470.110.490.470.30-0.470.251.00表3 陕西地区Pearson s相关系数 Variables LSXRFILLOANLRLRLSXGDPLSXPSPLSXDEBTLSXLANDLSXFSSDDUMMYLSXRFI1.00LLOAN0.981.00LRLR-0.530.451.00LSXGDP0.970.980.621.00LSXPSP0.980.980.610.981.00LSXDEBT-0.64-0.450.13-0.460.521.00LSXLAND0.54-0.25-0.270.250.250.201.00LSXFSSD0.880.470.460.75
8、-0.680.480.221.00DUMMY0.430.470.110.410.41-0.05-0.050.411.00上述结果表明，上海市和陕西省大部分自变量与因变量（住宅投资）均具有预期的显著相关性。然而，某些独立变量之间存在的强相关性提示研究者要考虑多重共线性的统计成因。例如：与上海市和陕西省范围内LPSP与LGDP 2个因变量自身高度相关，同时，是这2个利润变量各自与2个货币政策变量（LLOAN和LRLR）之间的系数较强。然而，这是一个必然结果，因为货币政策的预期效果之一是通过增加融资成本减少盈利来调节住宅投资。多重共线性问题虽然不会显著降低整个模型的可靠性，但它可能会影响单个变量的预
9、测能力。为了减轻影响，首先，整合了LGDP和LPSP的相互作用，并形成新的因变量“利润机会（LGDP*LPSP）”作为利润的衡量标准。其次，将对需求（LFSSD）、利润（LGDP*LPSP）和货币政策因子（LRLR和LLOAN）的重要性进行单独测试，上海市和陕西省各自共计形成4个测试模型（见表45）。4种模型在上海市和陕西省的结果高度一致。两个结果中的数值都较高，说明该回归模型的解释能力具备良好的统计学意义。但对陕西的解释更有效些，其数值高于上海，这说明上述变量在每个省份对住宅投资的调控有效性存在省级差异。因此，有必要对上海和陕西的这些变量进行比较，并探究其背后可能的成因。2.2 需求、利润的
10、变量分析包括FSSD、人均GDP和LGDP*LPSP（盈利因素）在内的变量对住宅投资有预期的正向影响，且具备统计学意义。但两地的盈利因素变量对住宅投资的2023 年第 6 期84科技、经济、市场经济研究影响系数都相对较小，这表明上海市和陕西省住宅投资对价格变量的响应是非弹性的，假如政府试图通过调节销售量或住宅销售价格来促使开发商减少住宅投资规模，其作用可能并不明显。可能的解释为需求刚性，即中国住宅公寓市场通常被视为结婚等某些社会习俗的必要条件，因此，在需求刚性的结论下，即使出现价格和销售面积的短期波动，但较难动摇开发商对于中长期的需求乐观预期。尤其中国住宅市场在20052014年均价格增长5.
11、4%的良好表现更是进一步巩固了乐观预期。2.3 负债率变量分析上海市和陕西省的开发商负债率对住宅投资的影响系数均为大额负值，因为较高的负债率会增加开发商的风险溢价，从而提高融资成本，最终通过降低开发利润控制开发商的投资力度。然而，这一变量的显著性却大相径庭，负债率变量仅在陕西省具有统计学意义，这表明其资本市场的风险厌恶程度更高。其中一个可能的解释是在陕西等省份，执行和风险控制经验的不足会让投资者对风险尤为谨慎。而上海市的地产开发商对负债率的厌恶程度较低，同时因其发达的金融市场可供其广泛开展股权类、ABS类等非债务性融资，从而在高负债率情况下继续保持或延缓降低住宅投资,并最终形成住宅投资对负债率
12、反应不敏感的数据表现。2.4 土地的变量分析上海市和陕西省4种模型的LAND变量的系数结果虽然均为正，但均不显著。这一略微出乎意料的结果证明了政府直接通过土地供应来调节住宅投资的效果并不明显，或可能存在“时滞效应”。主要的关键解释如下。首先，大量的土地储备可能会延迟开发商对土地供应调节的响应速度，减小力度。观点认为开发商通常保持可供约3年开发的土地储备，其背后逻辑一方面是期望土地价值持续升值，另一方面为应对可能的周期性土地供应减少。其次，开放商与地方政府可通过注入“文旅城配套”等方式形成变相非市场化住宅用地供应的情况普遍存在。最后，地方政府实施的土地供应数量一直平稳，从而并不与住宅投资形成周期
13、性。20032008年，地方政府通过土地供应的限制性政策，使得土地供应面积和土地价格并没有以等比的比例增长，而是趋于稳定，最终削弱了土地供应周期和住宅投资周期的线性关系。因此，控制开发商可储备土地总量、降低非市场化供地和形成供地量周期性变化可能是提高地方政府通过土地供应量调控住宅投资有效性的核心方法。2.5 货币政策相关变量结果分析2.5.1 国内贷款余额变量分析上海市和陕西省的贷款变量系数均为正且显著，但在比较2个系数时，发现陕西住宅投资对贷款可用性的反应程度更大，平均系数为1.01，而上海仅为0.6。数据证明，通过降低贷款可用性确实能够直接减少住宅投资。但是，对上海市的影响系数却大幅低于陕
14、西省。同时，在货币政策紧缩时期，住宅单位开发商通过借贷为其地产项目融资的难度和成本预计将会增加；因此，以上虚拟变量理论上对住宅投资理应表4 上海市的回归结果变量/系数 模型1模型 2模型 3模型 4常数（constant）9.49*13.57*16.48*16.51*LLoan1.11*0.44*0.55*0.41*LRLR-1.26*-1.23*-1.06*-1.12*LSHFSSD0.23*0.086*LSHGDP*LSHPSP0.06*0.093*LSHDEBT-2.3-2.51-3.1-3.0LSHLAND0.350.150.140.06Dummy0.26*0.25*0.28*0.27
15、*56.255352.1151.75Observations14141414注：*、*、*分别表示10%、5%、1%显性。表5 陕西省的回归结果 变量/系数 模型1模型 2模型 3模型 4（常数）Constant13.02*16.54*7.97*-6.39*LLoan0.66*1.34*0.66*1.38*LRLR0.64*0.88*0.56*0.91*LSXFSSD0.24*0.05*LSXGDP*LSHPSP0.083*0.06*LSXDEBT-4.7*-2.31*-3.6*-1.41*LSXLAND0.010.050.080.05Dummy-0.75-0.55-0.05-0.0582.5
16、878.2580.6175.19Observations14141414注：*、*、*分别表示10%、5%、1%显性。科技、经济、市场2023 年第 6 期85经济研究具有负相关。然而，对上海市的研究结果中，虚拟变量产生了积极而非消极影响，这表明，即使在紧缩货币政策期间，上海的开发商仍有可能保持“充裕获取”银行贷款的机会。银行明显的违规放贷动力可能是导致这种数据结果的第一个主要原因。尤其在货币政策紧缩期时，当其他贷款通道不顺畅时，银行很难停止通过各种途径违规向住宅投资发放 贷款。除了可以违规获得更多的银行贷款外，开发商还可以通过延缓土地出让金的支付时效和开展内部提前预售等方式来扩大现金流，以缓解紧缩货币政策的影响。正是这些不规范现象的存在，降低甚至消除了货币紧缩对住宅投资的影响力。上海住宅投资对贷款可用性的低影响系数和对货币政策虚拟变量的负相关均提示该地区机构较陕西存在更为明显的违规放贷和优化现金流等行为。2.5.2 利率变量分析利率变量（LRLR）的上升将明显提高住宅开发成本，从而抑制住宅投资，反之亦然。但是，该变量与陕西住宅投资形成正相关性，完全违背了这一货币政策传导渠道的传统观点
