人民币升值对房价的影响

摘要：房价问题一直是社会各界关注的焦点,同样也日益成为制约市场的首要问题。汇率作为最有代表性的国际因素对我国的房价产生了潜在的影响，因此我们对人民币的升值对房价的影响做出如下的分析。首先，研究人民币汇率对房价的宏观影响，把汇率同其他影响房价的指标联系起来，并对候选的7个指标（包含汇率）进行Spearman秩和检验，其结果显示这7个指标都与房价有关。然后，对以上变量取自然对数，利用ADF法进行单位根检验，并通过AIC、SC 反复验证，建立VAR(1)向量自回归模型，运用Eviews求解，得到关于各指标估计参数，且模型通过AR根模检验和残差检验，其中汇率对房价的影响系数为-0.050998，呈现负相关，这与实际情况相符合。而后，又通过方差分解分析得到汇率改变会对房价产生长期影响，但影响贡献率仅在5%左右。再利用上述时间序列的情况下，为分析需要，我们需要截面数据以进一步分析人民币升值对不同地区的影响程度。然后利用相关检验方法对面板数据进行单位根检验，发现原序列指标之间不具有平稳性且不具有同阶单整性，故对取对数后再做单位根检验，结果表明取对数后的序列非平稳，但均为)1(I过程。随后采用协方差分析对模型设定类型检验，最终选择固定效应模型，并采用最小二乘法进行模型估计，模型表明人民币升值会促使房价的增长，并进一步分析人民币升值对不同地区的影响程度。

关键词：向量自回归；方差分解；单位根检验；面板数据模型

1、研究背景

面对一路“高歌猛进”的房价问题，政府予以高度重视，从调整土地供应、改善商品房结构、加强信贷管理为切入点，打出抑制房价上涨的组合拳法。伴随而来的具体措施，如我国的“十二五”规划将房地产产业作为重点调控产业；2011年1月26日国务院推出的“新国八条”，要求加大保障性安居工程建设力度，提高二套房首付和房贷利率，全额征收二手房交易税等措施；紧随其后在上海重庆建立了房产税征收试点。

随着国内房地产价格成为我国舆论探讨的热点后，国际热点汇率也在潜移默化的影响着这个领域。自2005年我国实行汇改之后，人民币的汇率由长期平稳转向波动不断。最新数据显示，2012年4月29日人民币对美元汇率中间价突破6.3，再创2005年人民币汇率改革以来新高。汇率不断拔高，导致境外资本大量流入国内。由于房地产是在高通胀时期实现保值的不错选择，再加上可以获得人民币升值收益和房价增值收益的“双价差”，因而很大一部分流入房地产市场，对我国商品房价格的走势产生了很大的影响。因此汇率对我国房价影响，是我们亟需探究的问题。

2、文献综述

关于汇率对房价的影响，国内学者做了很多分析，例如崔玉平【1】在理论上对此进行了定性的分析，许春青【2】建立的ADL模型的人民币汇率对我国房价影响研究，吴祥东【3】等建立误差修正模型，并运用Granger 因果检验方法对两者之间的关系进行了实证检验，原源【4】应用计量OLS 方法对我国房地产销售价格与货币供应量、利率和汇率等变量加以回归分析

,邱强【5】基于VEC向量误差修正模型实证分析我国房地产金融调控效果。国

外学者也利用许多不同方法建立数学模型来研究汇率对房价的影响，Constantin 利用Obsifeld和Rogoff模型研究了汇率对美国业主自用型房屋资产的影响[7]；

Norman等利用计量经济学方法研究了日元升值对夏威夷房价的影响[8J。

3、实证模型分析

通过分析，不难发现，问题的关键在于如何研究汇率对房价的影响。如果仅

仅只是拿汇率一个指标，建立与房价之间的回归方程或其他模型，将会使模型失

真，很难真正反映汇率对房价的影响。故此，我们选取与房价有关的一系列经济

指标（包含汇率），再考虑到经济指标间常具有多重共线性。基于以上考虑，我

们认为应建立向量自回归模型，进而再得到汇率对房价影响的系数，由此解决这

个问题。第二，分析汇率变动对不同地域房价的影响，通过收集、处理部分宏观

经济数据，结合面板数据模型，分析汇率对全国部分省份的房价的影响，从而分

析人民币汇率变化和部分宏观经济指标对全国，以及不同地域的房地产价格的影

响进行定量评估。

3.1预期理论分析相关各因素对房价的影响

对于汇率的影响，人们提出了汇率预期的作用，有的文献认为对我国商品房价格起着重要影响的是人民币在未来升值或贬值的预期而不是人民币汇率在过去的变动。由此形成了有关预期的理论主要可归结为四种[7]:近视性预期(myopic expectations)、完美预见性预期(perfect forecasts)、理性预期(rational expectations)和适应性预期(adaptive expectations) [5]。对此本文利用预期理论对影响房价的各因素先进行定性分析。

3.1.1.汇率与房价的关系。

汇率和房价的关系是间接的，而这一层关系是我们本文的主要研究目标。汇率的波动具有形成了一定的历史趋势，人们对于过去的趋势产生了主观的预期。对于我国来说，我国的汇率波动集中反映在人民币的增值上，许多人都对人民币的预期即是人民币在未来的一段时间内，还将处于不断升值的趋势。对此，大量的国外资本就会把握这个机会进入国内的市场，以赚取汇率拨动产生的价差利益。而市场中涌入的大量资本，在市场规律的自动调节之下，常常会选择具有巨大保值增值空间的房地产市场进行投资。而本国的房地产商们也应对大量资本涌入刺激的需求，提高价格以获取更多的利益。综上，它们的关系可以简述为：我国汇率升值，改变了人们的预期，驱使流入国内的国外资本进入房地产市场，从而普遍的抬高了房地产的价格。因为汇率的升值反映为汇率值的下降，人民币的升值，从而得到汇率对房价是负影响的关系。

3.1.2.人口数量与房价的关系。

每个地区的房地产的需求数量在一定程度上受当地的人口数量影响。人口数量多，对房产的需求相对较大，同样受市场规律的引导，房价不断提高。

3.1.3.城市化率与房价的关系。

对房产的需求主力来自于地区的城市居民，商品住房的建筑用地集中于城市地区，这都说明城市化率越高，城镇人口数越多，将导致我国的城市住房的需求量越大。城市化率同样影响了房产的需求，房产商们顺势提高房价。

3.1.

4.CPI与房价的关系。

CPI是当地居民的消费价格指数，反映了一个地区的消费水平。而房地产在交易时，作为商品，其价格同样受到购买房地产的人群的消费水平的影响，若其消费水平越高，显然对房产的购买力越大，可承受的房价就相对越高。房产商是利益最大的追求者，他们会最大限度的榨取消费者剩余，所以会抬高房价，获取最大限度的利益。因此，CPI越高，房价越高，呈现出一种正相关的关系。

3.1.5.人均可支配收入和房价的关系。

人均可支配收入是收入的主要来源，也是支撑消费的主力。因此人均可支配收入越多，个人的购买力越大，同时消费的动力越大，因此刺激了个人需求，房产商将随之提高房价以应对需求。

3.1.6.房贷利率和房价的关系。

房贷利率是影响房价的重要因素，同时也是政府调控房价的重要工具。基于当前房价虚高的现状，许多的房产的需求者，他们或许没有足够的资金，但他们可以向银行贷款，来购买住房。这样的措施解决了无房者的心病，但也可能促成人民的超前消费，从而导致房地产的需求急剧膨胀，刺激房地产的价格不断攀高。他们的关系可以反映为，贷款利率越高，则房贷的还款利息额越大，这降低了人们对住房的需求，房价随之下降，两者是负相关的关系。

3.1.7.房屋造价与房价的关系。

房屋造价是房价最为基本构成要素，即房屋这项商品的成本，房价是房屋的交易收入，房产商的盈利为房价与造价的价差。如果房屋的造价越高，即商品成本越大，为了保证商品的既得利益，所以相应的提高房价才能保证房地产的交易利益。从而两者是正相关的关系。

3.2向量自回归模型

3.2.1指标的选取

在预期理论对房价的各因素相关分析后，认为以下7个指标可能影响房地产价格：汇率、人口数、城市化率、CPI、人均可支配收入、贷款利率以及房屋造

价。

表1.符号说明表

符号符号说明

x汇率

x人口

x城市化率

x CPI

x可支配收入

x贷款利率

x房屋造价

x房价

3.2.2数据来源和说明

表2. 房价影响因素数据表

年份中间价人口城市化率消费价格指数

单位(兑美元) （万人）% (1978=100)

1990 478.32 114333 26.41 216.4

1991 532.33 115823 26.94 223.8

1992 551.46 117171 27.46 238.1

1993 576.2 118517 27.99 273.1

1994 861.87 119850 28.51 339

1995 835.1 121121 29.04 396.9

1996 831.42 122389 30.48 429.9

1997 828.98 123626 31.91 441.9

1998 827.91 124761 33.35 438.4

1999 827.83 125786 34.78 432.2

2000 827.84 126743 36.22 434

2001 827.7 127627 37.66 437

2002 827.7 128453 39.09 433.5

2003 827.7 129227 40.53 438.7

2004 827.68 129988 41.76 455.8

2005 819.17 130756 42.99 464

2006 797.18 131448 43.90 471

2007 760.4 132129 44.94 493.6

2008 694.51 132802 45.68 522.7

2009 683.1 133474 46.59 519

房价影响因素数据表（续）

年份人均可支配收入贷款利率竣工房屋造价房价

单位元(年利率：%) (元/平方米) (元/平方米)

1990 1510.2 9.45 422.74 703.0

1991 1700.6 9.72 492.48 786.2

1992 2026.6 12.24 573.24 994.7

1993 2577.4 13.14 684.00 1291.5

1994 3496.2 14.76 797.00 1408.6

1995 4283 15.3 911.00 1590.9

1996 4838.9 13.77 1111.00 1806.4

1997 5160.3 10.53 1175.00 1997.0

1998 5425.1 8.64 1218.00 2063.0

1999 5854 6.21 1152.49 2053.0

2000 6280 6.21 1138.96 2112.0

2001 6859.6 6.21 1128.14 2170.0

2002 7702.8 5.76 1184.16 2250.0

2004 9421.6 6.12 1402.00 2713.9 2005 10493 6.12 1451.27 3168.0 2006 11759.5 6.615 1563.53 3367.0 2007 13785.8 7.45875 1656.57 3864.0 2008 15781 6.894 1795.00 3800.0 2009

17175

5.94

2021.00

4681.0

资料来源：《2010年中国统计年鉴》

3.2.3对指标进行非参数 Spearman 秩和检验

斯皮尔曼（Spearman ）相关系数是描述两组变量之间是否存在着相同或相反趋同性的一种指标，由于该检验不需要假定服从正态分布，仅需要确定变量在每个点（时期）上的等级即可获得，因此具有较好的性质。在两组数据都没有重复观测值的情况下，斯皮尔曼等级相关系数的公式为：

)

1(612

2--

=∑n n d r i sp

其中i d 表示两组数据的等级之差，n 为样本量。 3.2.4 斯皮尔曼等级相关系数的检验

和其它的推断一样，当以样本的数据来推测总体时，由于样本带有随机性，在小样本时数据间有相关，但总体之间不一定相关。因此有必要进行假设检验。在此，设定原假设研究的总体之间无相关（即=0ρ），备择假设为研究的总体之间有相关（即0≠ρ）。

检验的样本估计量为样本的相关系数 sp r ，在小样本的情况下通常临界值的

r 可直接查表，但在大样本的情况下可以通过变换

r n r t --= 检验结果：

表3. 斯皮尔曼检验结果

结果分析：由以上斯皮尔曼检验的结果可以看出，国内房价与汇率、CPI 、人均可支配收入、贷款利率、房屋造价正向趋同，关系较为紧密。而房价与人口和城市化率具有完全的正向趋同，关系非常紧密。

通过斯皮尔曼检验，我们得到房价与汇率、人口、城市化率、CPI 、人均可支配收入、房贷利率、房屋造价等指标有显著的关系。因此就选取这7个指标作为影响房地产的主要因素或指标进行接下来的分析。

3.2.5单位根检验

为了防止经济时间序列的非平稳性，对回归分析产生影响，可能出现伪回归的现象。因此，在进行回归分析之前，须进行单位根检验，来消除其非平稳性。对此我们利用最为常用的ADF(Augmented Dickey-FullerTest)检验单位根检验法。该检验法的基本原理是通n 次差分的办法将非平稳序列转化为平稳序列。

通过非参数 Spearman 秩和检验的8个相关变量汇率（1x ）、人口（2x ）、城市化率（3x ）、CPI （4x ）、人均可支配收入（5x ）、房贷利率（6x ）、房屋造价（7x ）、房价（8x ）。

表4. 变量的ADF 检验

变量

1ln x

2ln x

3ln x

4ln x

系数对应t 统计值 -1.579523 -1.566254

-2.205224 -1.769815

概率

0.7603 0.7656 0.4589 0.3813

一阶差分对应t 统计值 -4.871554 -0.808555

-1.384755

概率

0.0057 0.9454 0.8274 二阶差分对应t 统计值

-4.187763 -4.57071 概率

0.0216 0.0109

变量

5ln x

6ln x

7ln x

8ln x

系数对应t 统计值 -6.760977 -2.983198 -3.585535

-3.107946 概率

0.0003 0.1629 0.062 0.1395 一阶差分对应t 统计值

-2.093008 -1.516534 -2.739624 概率

0.515 0.7848 0.2341 二阶差分对应t 统计值

-5.204446 -5.486333 -5.753288 概率

0.0035 0.0042 0.0013

为了避免序列相关现象的出现，又不改变变量之间的协整关系和短期调整模

式，同时可以方便地考察8 项指标之间的关系，可以对各个变量取自然对数，再进行ADF 法单位根检验，从表4可以看出，所有指标的序列4ln x 、5ln x 均为非平稳性序列，但1ln x 的一阶差分序列在置信水平10%下都通过了显著性检验，这表明其为平稳性序列。而其余2ln x 、3ln x 、6ln x 、7ln x 、8ln x 的二阶差分均可以通过显著性检验，所以这6个序列都是二阶平稳的，也就是说这八个变量都是I(2)的过程。

3.2.6.建立向量自回归模型（VAR ）

自向量回归模型：向量自回归(VAR)是基于数据的统计性质建立模型，VAR

模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR 模型是处理多个相关经济指标的分析与预测最容易操作的模型。一般的VAR (P)模型的数学表达式为：

p Y A Y A A Y t p t p t t ε+++=--ln ......ln ln 110

其中，t Y 是m 维内生变量，0A 为常数变量，),...,2,1(p i A i =为系数矩阵，t ε为m 维误差向量，其协方差矩阵为Ω，且Ω==)(,0)(t t t E E εεε。

建立向量自回归之前，首先要确定合适的滞后阶数，若滞后阶数过小，则误差的自相关会很严重，参数估计的非一致性现象容易出现；若滞后阶数过大，则变量的自由度将会减小，直接影响待估参数的有效性，因此，应在滞后期和自由度之间寻求一种均衡状态。

所以对1ln x 、2ln x 、3ln x 、4ln x 、5ln x 、6ln x 、7ln x 、8ln x 进行AIC 、SC 反复验证，结果如表。

表5. AIC 、SC 结果

Lag LogL

FPE

AIC

0 251.82

49 NA 9.86E-22 -25.66577 -25.26812 -25.59848 1

532.7235

295.6827*

2.31e-3

-48.49721

-44.91828

-47.89151

注：*表示选择之后的阶数

最后建立的Var(1)模型为：

???

????

??+????????????? ??--------??????????????

?=????????????? ??84.19768-67.50194-8.40267699.32102-58.36369-14.9373-1.040106151.929-)1(ln )1(ln )1(ln )1(ln )1(ln )1(ln )1(ln )1(ln 0.327922-1.0383990.2057730.6163160.294219-0.5080540.2208030.4493600.4270540.179747-0.5104221.1941390.3268810.237307-0.0784401.0234201.32837-1.05767-7.9581770.050998-0.245251-0.902045-6.3425380.133164- 2.718772-2.791764-0.0697770.8509210.923283-1.594932-9.2742120.0885440.2938780.165743-0.0085480.3218440.05464-0.022304-0.0250940.086524-0.0001040.0004770.0008460.0002750.5668870.488655-0.067068-0.235888-0.055734-1.842383-5.6310550.1956030.1859660.9907491.3171830.045976-0.0032070.0040730.9091490.001168-0.135834-2.935468-14.345470.412364ln ln ln ln ln ln ln ln 8765

432187654321x x x x x x x x x x x x x x x x 相关统计量如下：

表6. 模型相关统计量

因

变量

1ln x 2ln x 3ln x 4ln x 5ln x

6ln x

7ln x

8ln x

2R 0.99977 0.99526 0.99465 0.83136 0.97425 0.99999 0.99955 0.99701 F 5440.12 262.306 232.491 6.16224

47.2873

157615

2772.17

417.214

残差平方

0.0001

0.0051

0.02065 0.071678 0.059764 2.78E-07 0.003534 0.007491

和

3.2.7. VAR模型的检验

如果模型中的根的模全部小于1，则全部根的倒数值都在单位圆之内。在此基础之上，则认为多变量 VAR模型是稳定的。而从图1可以得出，该多变量 VAR 模型是稳定的。

根据以上建立的Var(1)模型，汇率对房价的影响弹性系数为：-0.050998，呈现负相关性。即人民币兑美元值每下降一个单位，则房价水平上什0.050998个单位。从实际情况分析，一方面，人民币升值，即兑美元值下降，人们的消费欲望上升，会增加居民的整体消费水平，而对于房地产的投资也会相应增加，从而使房产逐渐成为紧俏商品，根据价值规律的相关原理，当供小于求时，成为卖方市场，房价自然会上升；而另一方面，我国房价影响有很大一方面也由外商投资造成，当人民币不断升值时，相当于投资的资产价值在不断升值，既然有利可赚，必然会引其大量外商投资房地产行业。综上而述，汇率下降，即人民币升值，会促进房价上涨。

3.2.8.方差分解

方差分解(variance decomposition)是通过分析每一个结构冲击对内生变量变化(通常用方差来度量)的贡献度，进一步评价不同结构冲击的重要性。因此，方差分解给出对VAR模型中的变量产生影响的每个随机扰动的相对重要性的信息。其基本思想如下所述。

脉冲响应函数是随着时间的推移，观察模型中的各变量对于冲击是如何反应的，然而对于只是要简单地说明变量间的影响关系又稍稍过细了一些。因此，Sims于1980年依据VMA(∞)表示，提出了方差分解方法，定量地但是相当粗糙地把握变量间的影响关系。其思路如下：根据式(9.4.8)

∑=---++++=k

j jt ij jt ij jt ij jt ij it a a a a y 133

2)2(1)1()0(...)(εεεε

可知各个括号中的内容是第 j 个扰动项 ej 从无限过去到现在时点对 yi

影响的总和。求其方差，假定 ej 无序列相关，则

∑∞

=--=+++02

)(2

2)2(1)1()

0()(]...)[(q jj q ij jt ij

jt ij

a a a a E σεεε，k j ,...,2,1=

这是把第j 个扰动项对第 i 个变量从无限过去到现在时点的影响，用方差加以评价的结果。此处还假定扰动项向量的协方差矩阵S 是对角矩阵，则 i y 的方差是上述方差的 k 项简单和：

∑∑=∞

==k

j q jj q ij i a y 1

)())(()var(σ，k i ,...,2,1=

i y 的方差可以分解成 k 种不相关的影响，因此为了测定各个扰动项相对 i y 的方差有多大程度的贡献，定义了如下尺度：

∑∑∑∑=∞=∞

=∞

=→=

∞k

j q jj q ij

q jj

q ij i q jj

q ij i j a

y a

RVC 10

2)(02)(0

)()

)(()()

var()()(σσσ，k j i ,...,2,1,=

即相对方差贡献率(relative variance contribution ，RVC)是根据第 j 个变量基于冲击的方差对i y 的方差的相对贡献度来观测第j 个变量对第i 个变量的影响。

实际上，不可能用直到∞=s 的)

(q ij a 项和来评价。如果模型满足平稳性条件，则随着q 的增大呈几何级数性的衰减，所以只需取有限的s 项。VAR(p) 模型的前 s 期的预测误差是

k s t s t t t I A A A A A =+++++----01122110,...εεεε

可得近似的相对方差贡献率(RVC)：

∑∑∑=-=-=→=

j s q jj q ij

s q jj

q ij i j a

s RVC 110

2)(1

02)()

)(()()(σσ

k j i ,...,2,1,=

其中)(s RVC i j →具有如下的性质：

1.k j i s RVC i j ,...,2,1,1)(0=≤≤→

2.∑-→=k

j i j s RVC 11)(

如果)(s RVC i j →大时，意味着第j 个变量对第i 个变量的影响大，相反地，)(s RVC i j →小时，可以认为第j 个变量对第i 个变量的影响小。

由此，我们将利用方差分析的基本思想分析汇率对房价变动的贡献程度，见

图5

符合，首先，外汇率的升值，房价。3.3.

3.3.1.或者只利用截面数据。而实际上，仅仅只利用时间序列数据或者截面数据经常不能满足经济分析的要求，而需要同时利用时间序列数据和截面数据。面板数据模型，是同时在时间上和截面上取得二维数据的模型，利用混合数据模型可以构造出比单独使用时间序列数据或截面数据更为真实的行为方程，从而可以更深入分析经济现象的本质。

单方程面板数据模型的一般形式可以表示为：

T t n i x y it i it i it ,......,1,,......,1==++=μβα

其中，it y 是被解释变量，it x 是N ?1解释变量向量，i β是1?N 系数向量，N 为解释变量的数目。i α是截距项，it μ是扰动项。

3.3.1..指标选取与数据分析

根据第一步对数据的分析，根据地区的差异，选取部分省份的平均房价fj 、居民消费指数cpi 、可支配收入sr 、房屋造价zj 、人民币汇率hl 、贷款利率ll 、人口数量rk ，等宏观经济指标为变量分析汇率变化北京、山西、黑龙江、上海、江苏、江西、湖北、湖南、四川、贵州、新疆等省房价的影响。本文采用1995-2009

年年度数据进行分析，数据均来自《中国统计年鉴1996-2010》和《中国人民银行统计报》。

图4. 各地区房价变化时序图图5. 各地区cpi时序图

图6. 各地区居民可支配收入时序图图7. 各地区房屋造价时序图

图8. 各地区汇率时序图图9. 各地区利率时序图

图10. 各地区人口时序图

3.3.2.数据平稳性的单位根检验

防止虚假回归或伪回归，首先必须对面板数据的平稳性进行检验，面板数据的ADF检验是通过三个模型来完成，首先从含有截距和趋势项的模型开始，再检验只含截距项的模型，最后检验二者都不含的模型。并且认为，只有三个模型的检验结果都不能拒绝原假设时，才认为时间序列是非平稳的，而只要其中有一个模型的检验结果拒绝了原假设，就可认为时间序列是平稳的。根据面板序列绘制时序图选择检验模式。

表7. 面板数据的水平（level）单位根检验

指标LLC检验

(p值)

Breitung检

验(p值)

LPS检验

(p值)

Fisher-ADF

检验(p值)

Fisher-PP

检验(p值)

Hadri检

验(p值)

检验模式

fj0.9992 1 1 0.9899 1 0 有截距有趋势cpi0 0 0 0 0 0.2303 有截距无趋势sr0.9785 1 1 1 1 0 有截距有趋势zj 1 1 1 0.7238 0.996 0 有截距有趋势hl 1 0.0003 - 0.0853 1 - 无截距无趋势ll0 0.7737 0 0 0 0 有截距无趋势rk 1 0.8091 - 0.9998 0.9996 - 无截距无趋势在10%置信区间的水平检验下，没有一个指标的所有检验都通过，即所有指标中都存在单位根，都是非平稳的。

表8. 面板数据的一阶差分单位根检验

指标LLC检验

(p值)

Breitung检

验(p值)

LPS检验

(p值)

Fisher-ADF

检验(p值)

Fisher-PP

检验(p值)

Hadri检

验(p值)

检验模式

fj0 0 0 0 0 0.0001 有截距有趋势cpi0 0.3073 0 0 0.0028 0.1134 有截距无趋势sr0 0 0 0.0002 0 0 有截距有趋势zj0.9309 0.2837 0.0023 0.0001 0 0 有截距有趋势hl 1 0 - 0 0.415 - 无截距无趋势ll0.3371 0.1992 0.2506 0.5849 0.5849 0 有截距无趋势rk0 0 - 0 0 - 无截距无趋势