重庆市主城区商品房价格影响因素实证分析

重庆市主城区商品房价格影响因素实证分析作者：徐鑫鑫黄文萱赵润琦苟怀琪
来源：《财讯》2019年第07期
摘要：房地产价格的变化和走势一直以来都是社会关注的焦点。

随着我国房地产价格的不断走高，“买房难”成为房地产市场的一个核心问题，要解决这一问题，首先应该探明影响房价的主要因素。

本文以重庆市主城区为例，选取了影响商品房价格的GDP、房屋造价、人口数量、3～5年贷款利率等11个可量化的指标，采用SPSS19.0软件进行了主成分分析，将这些因素转化为了2个主成分，并采用回归分析法对主成分与商品房价格的关系进行了实证分析。

实证分析结果表明：房地产开发造价、土地购置费等成本性因素，是造成重庆主城区房地产价格走高的主要因素；同时，城镇居民平均工资、人均可支配收入等因素也是影响商品房价格的重要因素。

该模型在一定程度上能够反映重庆主城区的房地产市场状况，为重庆市房地产的健康发展提供一些理论依据。

关键词：商品房价格；主成分分析法；影响因素
一、引言
住房问题是关系到国计民生的重大问题，目前房价已经成为一个引起广泛关注的重要经济和社会问题。

2018年上半年，中国房地产政策强调“房子是用来住的，不是用来炒的”，并进一步指出要强化金融监管和风险防控，保障居民合理性自住需求。

重庆市也围绕中央的政策，提出了例如提高土地增值税等一系列措施来稳定房价。

但重庆主城区的房价仍然处于稳步增长态势，要稳定房价，就必须深入探究导致这一现象的前因后果。

因此，本文收集了可能会影响重庆主城区商品房价格的11个因素，采用主成分分析法和回归分析法对其进行定性分析，为重庆市房地产的发展提供一些建议。

二、重庆市主城区商品房价格影响因素实证分析
（1）构建商品房价格影响因素的框架及模型
房地产市场也是经济市场中一个重要的组成部分，因此房地产价格的形成也必然受到经济规律作用的影响。

一方面，房价受到供给的影响，其中最重要的影响因素就是房地产开发商的供给成本，包括土地购置费、建设费、管理费等；另一方面，房价还受到人们需求的影响，这种需求因素包含了心理、收入、经济水平等各个方面的内容。

考虑到数据的可得性和可量化性，我们从影响重庆商品房价格的众多因素中，选取了11个有代表性且数据便于收集的因素进行分析，分别是：主城九区商品房竣工面积（X1）、主城竣工面积占施工面积的比重（X2）、主城九区商品房销售面积（X3）、3-5年贷款利率
（X4）、城镇单位在岗职工平均工资（X5）、房地产开发投资额占固定资产投资额的比重（X6）、地区总产值（X7）、金融机构（含外资）人民币存款余额（X8）、城镇居民人均可支配收入（X9）、房地产开发住宅每平方米造价（X10）、年末常住人口（X11）。

根据以上变量，构建重庆市商品房价模型如下：
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+β8X8+β9X9+β10X10+β11X11+ε （1）
由于影响商品房价格的因素很多，在建立模型时，不可能将所有的因素都考虑进去。

为了所构建模型的完整性，在这里特别设立了一个随机扰动项ε，随机扰动项中包括了地理位置、光照、人们的消费偏好等多种非重要因素。

（2）数据的来源及处理
为了保证样本容量足够多，本研究将研究时间段设定在2000～2016年，样本数据均为年度数据。

从房地产开发商的角度来看，一个房地产建设项目大都在三年及以上，因此项目融资的通常方式为长期贷款，故本文选取了3～5年的贷款利率作为样本。

（3）主成分消除多重共线性
1.共线性检验与相关度检验
在研究的过程当中，由于选择指标的个数较多，指标与指标之间难免会有较大的相关关系。

通过SPSS19.0对模型多重共线性的检验，笔者发现所有解释变量的容许度都很小，除了房地产开发投资额占固定资产投资额的比重这一个指标的容许度大于0.3，其余指标的容许度均小于了0.3。

不仅如此，除这个指标以外，其余指标的膨胀因子VIF均大于10。

根据定理，膨胀因子越大，多重共线性就越严重，因此，该模型有着较为严重的多重共线性。

严重多重共线性的存在会使计量结果失真，从而影响最终的模型预测结果，因此，我们要尽量减小模型的多重共线性。

为了更加全面地解释被解释变量，我们将通过主成分分析法来消除多重共线性。

KMO和巴特利特检验是用来检验指标之间相关度的，只有当指标间的相关度较高时，才适合用主成分分析法来消除多重共线性。

从表2的数据中，我们可以看出，KOM的值0.718，已经大于0.5且比较接近于1。

巴特利特球形度检验的显著性为0.000，也已经达到了显著性水平，因此，检验结果表明选取的数据适合做主成分分析。

2.提取主成分
公因子方差表表明了提取的公因子对原指标的解释程度，在实证中除了3-5年贷款利率以外，其他指标的公因子方差都大于0.84，表明公因子对指标的提取程度都比较大。

在选取主成分时，有两个标准：一是，主成分对应得特征根要大于1；二是，提取的主成分累計方差贡献
率要达到85%以上。

通过对表3的观察，一共提取了两个主成分，两者对应的特征根均大于1，二者累计的方差贡献率达到了90.714%，将第一个主成分记为F1，将第二个主成分记为
F2。

这表明，总体上丢失的信息比较少，后文将基于这两个主成分进行分析。

3.主成分得分函数的确定
利用最大方差法对提取到的两个主成分进行了正交旋转，得分矩阵系数主要是用来表明指标的支配程度，越接近于1，支配程度越大。

从实证中我们可以看出第一个主成分主要由房屋竣工面积、竣工面积占施工面积的比重、商品房销售面积、城镇单位在岗职工平均工资、总产值、金融机构（含外资）人民币存款余额、城镇居民人均可支配收入支配，地产开发住宅每平方米造价、年末常住人口共同支配，反映的是供给和需求方面的因素。

第二个主成分由房地产开发投资额占固定资产投资额的比重、3-5年贷款利率共同支配，反映的是投资环境和金融方面的因素。

根据成分得分系数矩阵，可以写出得分函数：
F1=0.108X1-0.103X2+0.11X3+0.075X4+0.111X5-
0.003X6+0.11X7+0.109X8+0.111X9+0.11X10+0.104X11 （3）
F2=0.039X1+0.018X2-0.087X3-
0.127X4+0.006X5+0.976X6+0.027X7+0.022X8+0.002X19+0.05X10+0.045X11 （4）
（4）线性回归及检验
将主成分1和主成分2作为商品房价格的两个综合解释变量，利用SPSS19.0对其进行多元线性回归，整个模型调整后的R2等于0.966，這证明模型的拟合优度很高，两个主因子对被解释变量的解释能力很高。

但是通过对表的观察，主成分1的t检验和显著性检验都符合要求，但主成分2未通过t检验和显著性检验。

这说明，主成分2对主城商品房价格的影响还不够显著，因此将其剔除。

剔除主成分2和后，对主成分1和被解释变量进行回归分析，在本次回归中，虽然整体的拟合优度下降了一点，但模型的和主成分1的显著性检验都没有问题，而且拟合优度依然很高。

这说明，主成分1对房价有显著性的影响。

据此写出回归方程：
Y=0.32X1+10.31X2+0.33X3+0.22X4+0.33X5+0.33X7+0.33X8+0.33X9+0.33X10+
0.31X11+3100.059 （5）
结果表明人口数量、城镇居民可支配收入、房屋造价、房屋竣工面积等因素都与商品房价格呈正相关，这也符合经济检验结果。

同时，模型对重庆市商品房价格的解释能力达到了96%，这证明模型具有较好的解释能力。

三、结论与建议
（1）结论
随着重庆市社会经济的飞速发展，房地产业对于经济的贡献率也越来越大，为了能够更好的促进重庆市住宅市场的稳定和健康发展，通过一系列技术、政策、法律等手段对房地产行业进行调控就显得尤为必要。

调控房地产市场关键是调控房地产价格，而影响房地产价格的因素是错综复杂的。

本文对影响房地产价格的因素进行分析，提出考察重庆市房地产价格影响因素的指标框架并构建实证模型。

依据2001～2016年重庆市房地产业的相关数据，选取了影响商品房价格的GDP、房屋造价、人口数量、3～5年贷款利率等11个可量化的指标，通过测试软件得到一系列结果。

实证分析结果表明：选取的因素均与商品房的价格呈正相关。

房地产开发造价、土地购置费等成本性因素，是造成重庆主城区房地产价格走高的主要因素；同时，城镇居民平均工资、人均可支配收入等因素也是影响商品房价格的重要因素。

由于影响程度最强的是房屋造价，因此可以得出重庆市主城区2000年至2016年的房价上涨主要是属于成本推动型的上涨，因此想要调节商品房价格可以从降低开发商建设成本入手。

本文存在如下不足：一是，样本数据还不够充分，建立的模型精度可能会存在欠缺；二是，由于有些影响因素不可量化，因此可能会忽略一些解释变量。

参考文献
[1]李宏博等.基于灰色关联度和岭回归分析的房地产价格影响因素分析[J]测绘地理信息，2013-12：82-85.
[2]褚桂健.房地产价格影响因素实证分析[J]中国市场，2016（34）：159-162.
[3]张立新等.基于主成分分析法的山东省房地产周期波动研究[J]工程经济，2018-09：46-49.
[4]张帅印.重庆市房地产价格影响因素的实证分析[D]重庆：重庆工商大学，2010：9.
作者简介：徐鑫鑫，女，四川资阳人，学生，经济学专业本科在读，单位：重庆交通大学经济与管理学院经济学专业。