房地产投资与区域经济发展的动态关系分析

房地产投资与区域经济发展的动态关系分析

发表时间：2018-06-19T17:08:40.583Z 来源：《基层建设》2018年第12期作者：李青芯田翠[导读] 摘要：文章建立V AR模型，通过脉冲响应函数分析和方差分解分析，对中国东部十个省市的房地产投资与区域经济发展的动态关系进行研究。

天津京铁房地产开发公司天津市河北区 300143 摘要：文章建立VAR模型，通过脉冲响应函数分析和方差分解分析，对中国东部十个省市的房地产投资与区域经济发展的动态关系进行研究。脉冲响应函数分析表明：有四个省市地区生产总值GDP对房地产投资的冲击较大，GDP对房地产投资有明显的拉动作用。有五个省市GDP对房地产投资拉动作用较小，房地产投资对GDP一直保持较小的正拉动作用。方差分解显示大部分区域房地产投资对GDP的贡献

比较大，GDP对房地产投资的贡献也比较明显，同时GDP和房地产投资当前与滞后1期对自身也有明显的拉动作用。关键词：房地产投资；区域经济；VAR模型引言：中国房地产市场健康发展将直接影响经济发展的质量和可持续性。中国房地产自1998年市场化以来，伴随中国经济高速发展，房地产投资额逐年剧增。大量增长的房地产投资额和销售额有效拉动了经济发展，也带动了相关产业的发展。现阶段中国几乎所有的省地市地方政府都把房地产业视为本地区的支柱产业，都希望本地区房地产增加投资和价格上涨来带动财政收入增加、就业增加和经济增长。但一些国家或地区短期内房地产业高速发展，房价快速上涨带来了很大的负作用，有当期的，也有滞后的。本文在国内学者研究基础之上，选取中国东部十个省市房地产投资和区域经济发展数据，在建立具有稳定性的VAR模型基础上，通过脉冲响应函数和方差分解来对中国东部房地产投资与区域经济发展的互动关系进行计量比较分析。

一、模型设计与数据说明

VAR（p）模型的一般表示：

其中：yt是k维内生变量向量，xt是d维外生变量向量，p是滞后阶数，T是样本个数。k×k维矩阵A1 Ap和k´d维矩阵B是要被估计的系数矩阵。εt是k维扰动向量。对我国房地产投资与经济发展的动态关系分析，在VAR（p）模型基础上，主要选择两变量的结构VAR系统。在构建双变量的模型中，经济发展指标国内生产总值（GDP）和房地产投资指标房地产本年完成投资（FDCI）是由当期值和过去值共同决定的，GDP和FDCI双变量p阶VAR模型结构式表示为：

其中，c1、c2、a1i、a2i、b1i、b2i是参数，p是滞后阶数，T是样本数。扰动项εt=(ε1t,ε2t)'是白噪声序列，且ε1t、ε2t序列不相关，这样方程（1）和方程（2）组成了一个双变量p阶的VAR 模型。

脉冲响应函数（IRF）在VAR模型中主要分析当一个误差项发生变化，或当模型受到某种冲击时对系统的动态影响。假定白噪声向量具有以下性质：

假定系统从0开始活动，设GDP-1=GDP-2=FDCI-1=FDCI-2=0，ε10=1，ε20=0，且ε1t=ε2t=0(t=1,2,...)，称此为第0期给GDP以脉冲，t=0时：GDP0=1，FDCI=0代入两变量的VAR(2)模型，可以得到由GDP脉冲引起的GDP的响应函数和FDCI的响应函数。当第0期的脉冲反过来，从ε10=0，ε20=1出发，可以求出由FDCI脉冲引起的GDP的响应函数和FDCI的响应函数。房地产投资与经济发展的动态关系实证分析所用数据：根据《中国统计年鉴》和各省市统计年鉴，选取2000—2015年经济发展水平较高的中国东部十个省市的经济发展指标（国内生产总值GDP）和房地产投资指标（房地产本年完成投资FDCI）。为了剔除价格因素对数据的影响，利用国内生产总值指数和固定资产投资价格指数将各年数据价格折算为2000年的不变价格进行分析。

二、VAR模型估计与结果分析

1、单位根检验

在建立VAR模型估计之前，采用ADF检验方法，对变量的平稳性进行检验并确定单整阶数。检验结果见表1。各省市的国内生产总值GDP和房地产投资FDCI都是非平稳的时间序列，其一阶差分是平稳的时间序列，说明是I(1)。天津和山东的二阶差分序列通过了单位根检验，为平稳的时间序列，使用无约束的VAR模型进行实证研究。表1、北京等各省市变量单位根检验

2、VAR模型的检验与估计

根据Lutkpohl认为如果被估计的VAR模型所有根模的倒数小于1，即位于单位圆之内，则该VAR模型是稳定的。否则某些结果不是有效的。从

VAR(2)特征根的模的倒数图可知，所有的单位根都落在单位圆之内。因此，所设定的模型是稳定的，满足分析的前提条件。根据AIC、SC和LR准则来检验选择VAR模型的最优滞后阶数为2。对VAR(2)进行检验，VAR(2)特征根的模的倒数全都小于1。利用RCH-LM、White和Jarque-Bera检验法分别进行相关检验，表明VAR(2)模型不存在异方差和自相关性，且服从正态分布，所以VAR(2)模型是稳定的且是最优模型。

3、脉冲响应函数分析

脉冲响应函数可以反映来自随机扰动项的一个标准差冲击对内生变量当前值和未来值的影响，是内生变量对随机扰动的动态反应，显示任意变量的随机扰动如何通过模型影响其他变量，并反馈到自身的动态过程。利用VAR模型对GDP、FDCI等变量之间的关系作脉冲响应分析，并通过GDP与FDCI相互对各变量脉冲扰动的反应，确定各变量间的长期关系。VAR模型中变量的顺序不影响脉冲响应函数结果。为了保证系统的平稳性，采用变量的一次差分构成脉冲响应函数，滞后期为2进行分析。北京的GDP冲击引起FDCI的响应函数见图1，GDP 在本期给FDCI一个正冲击后，FDCI投资持续上升在第2期达到最高点（26），然后开始缓慢下降到第4期达到最小（-10），之后较平稳的在小幅度的范围波动。图2显示北京的FDCI在本期给GDP一个正冲击后，GDP持续下降，到第2期达到最低，然后持续上升第3期到达最高（50），然后呈现周期波动。GDP脉冲响应函数波动比FDCI剧烈，波动滞后一个周期。与北京GDP脉冲响应函数和FDCI脉冲响应函数波动规律基本相同的还有：河北、上海和山东。

天津的GDP冲击引起FDCI的响应函数见图3，GDP在本期给FDCI一个微小正冲击后，FDCI投资期初平稳在第2期开始下降到第3期达到最小（-30），然后开始持续上升，到第4期达到最大（30），之后较平缓的在小幅度范围波动，第8期后持续上升有个小的拉动作用。图4显示，天津的FDCI在本期给GDP一个微小正冲击后，GDP投资缓慢下降在第2期达到最低点（-3），然后开始持续上升，到第4期达到最高（3），之后在第5期达到低点（-3）后，之后小幅震荡，第9期后保持一个较小的增长。GDP脉冲响应函数波动与FDCI的都比较平稳，

波动方向基本同步。