经济基本面视角下中国区域房价收敛性的深度剖析与实证研究

经济基本面视角下中国区域房价收敛性的深度剖析与实证研究一、引言1.1研究背景与意义自1998年住房制度改革以来，中国房地产市场经历了飞速发展，房地产行业在国民经济中的地位愈发重要，对经济增长的拉动作用显著，成为了国民经济的支柱产业之一。然而，在房地产市场蓬勃发展的过程中，房价的区域差异问题日益凸显。从区域分布来看，一线城市如北京、上海、深圳等地，房价长期处于高位。以2024年为例，北京中心城区的平均房价超过每平方米6万元，上海和深圳的核心区域房价也与之相当。这些城市凭借丰富的就业机会、优质的教育医疗资源以及完善的基础设施，吸引了大量人口流入，住房需求旺盛，推动房价持续上涨。与此同时，一些三四线城市房价则相对较低，部分城市甚至面临房价下行压力。例如，鹤岗等资源枯竭型城市，由于产业结构单一，经济发展乏力，人口外流严重，房价出现大幅下跌，部分房屋价格甚至低至每平方米千元左右。这种房价的巨大差异，不仅体现在一线城市与三四线城市之间，在同一省份的不同城市，甚至同一城市的不同区域，房价也存在明显差距。如武汉，2025年4月新房全市均价15319元/㎡，核心区江汉区均价29106元/㎡，而远城区蔡甸区仅8017元/㎡。房价的区域差异，给房地产市场的稳定发展带来了诸多挑战。过高的房价增加了居民的购房压力，特别是在一线城市，许多年轻人面临着“买不起房”的困境，这不仅影响了居民的生活质量，也抑制了消费，不利于经济的可持续发展。而部分地区房价过低或下跌过快，可能导致房地产企业投资减少，土地财政收入下降，进而影响地方经济的发展，还可能引发金融风险，如银行不良贷款增加等问题。此外，房价的不合理波动，也会造成资源错配，大量资金流入房地产市场，尤其是房价过高的地区，而实体经济和其他需要资金支持的领域则面临资金短缺的问题，影响了经济结构的优化和转型升级。从经济基本面研究房价收敛性，对于房地产市场的稳定发展、资源的合理配置以及政策的制定都具有重要意义。从房地产市场稳定角度来看，通过分析经济基本面因素对房价的影响，探究房价收敛的趋势和机制，可以帮助我们更好地理解房地产市场的运行规律，预测房价的走势。当我们了解到哪些经济基本面因素在推动房价的变化，以及这些因素在不同地区的差异和变化趋势时，就能更准确地判断房价是否会趋于收敛或发散。如果发现房价存在收敛的趋势，那么市场可能会逐渐趋于稳定；反之，如果房价发散趋势明显，就需要警惕市场风险的积累。这有助于政府和相关部门提前采取措施，避免房价的大起大落，维持房地产市场的稳定运行。资源合理配置方面，经济基本面因素如地区经济发展水平、人口增长、产业结构等，与房价密切相关。研究房价收敛性，可以揭示这些因素如何影响房价在不同区域的分布。如果房价收敛是基于经济基本面的合理变化，那么意味着资源在不同地区得到了更有效的配置。例如，经济发展较快、产业结构优化的地区，房价适度上涨吸引人口和资金流入，促进资源的集聚和高效利用；而经济发展相对滞后的地区，房价可能相对稳定或有所调整，避免了资源的过度集聚和浪费。通过研究房价收敛性，我们可以引导资源向更需要的地区流动，实现资源的优化配置，促进区域经济的协调发展。政策制定层面，深入了解经济基本面与房价收敛性的关系，能够为政府制定科学合理的房地产政策提供有力依据。不同地区的经济基本面状况不同，房价走势也各异，因此“一刀切”的房地产政策难以达到理想的调控效果。通过对房价收敛性的研究，政府可以根据不同地区的经济发展水平、人口结构、市场供需等具体情况，制定差别化的房地产政策。对于房价过高且收敛趋势不明显的地区，可以加强调控力度，如收紧信贷政策、增加土地供应等；而对于房价过低或存在过度下跌风险的地区，则可以出台扶持政策，鼓励房地产市场的发展，促进房价的合理回归。这样的政策制定更加精准有效，能够更好地满足不同地区房地产市场的需求，实现房地产市场的平稳健康发展。1.2研究方法与创新点在研究过程中，将综合运用多种研究方法，以深入剖析中国区域房价收敛性与经济基本面之间的复杂关系。首先，采用计量模型进行实证分析。借鉴经济增长研究中的β收敛模型，构建房价收敛模型。该模型的核心公式为：\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+\epsilon_{it}，其中\ln(\frac{P_{it}}{P_{i,t-T}})表示i地区在t时期到t-T时期房价的对数增长率，\ln(P_{i,t-T})为i地区初始时期t-T的房价对数，\alpha为常数项，\beta为收敛系数，若\beta\lt0，则表明存在收敛趋势，\sum_{j=1}^{n}\gamma_jX_{jit}为一系列控制变量，包括经济基本面指标以及其他可能影响房价的因素，\epsilon_{it}为随机误差项。通过该模型，能够定量地分析房价是否存在收敛性，以及经济基本面等因素对房价收敛的影响方向和程度。其次，在数据来源方面，将广泛收集多渠道的数据。房价数据主要来源于国家统计局、中国房地产指数系统等权威机构，涵盖全国31个省、自治区、直辖市以及主要城市的年度和季度房价数据，时间跨度从1998年住房制度改革至今，确保数据的全面性和时效性。经济基本面数据则从国家统计局、Wind数据库、各地区统计年鉴等获取，包括地区生产总值（GDP）、人均收入、人口规模、产业结构、城镇化率等指标，这些数据能够全面反映各地区的经济发展水平和特征。在数据处理上，运用统计软件对收集到的数据进行清洗和预处理。对于缺失值，采用均值插补、回归预测等方法进行填补；对于异常值，通过箱线图分析、3σ准则等方法进行识别和修正，以保证数据的质量和可靠性。同时，对部分数据进行标准化处理，消除量纲的影响，使不同变量之间具有可比性。本文的创新点主要体现在以下几个方面：在分析维度上，从多维度经济基本面指标分析房价收敛性。以往研究多侧重于单一或少数几个经济因素对房价的影响，而本文综合考虑经济增长、人口结构、产业结构、金融环境等多个维度的经济基本面指标，全面系统地探究其对房价收敛性的综合影响。例如，在研究产业结构对房价收敛的影响时，不仅分析不同产业占GDP的比重变化，还深入探讨产业升级、产业集聚等因素如何通过影响就业机会、人口流动进而作用于房价，为理解房价收敛机制提供更丰富的视角。在研究视角上，考虑空间因素对房价收敛性的影响。传统研究往往忽略了地区之间的空间相关性，而房地产市场具有明显的空间属性，相邻地区的房价会相互影响。本文运用空间计量经济学方法，构建空间权重矩阵，将空间自相关、空间溢出效应等纳入模型分析。例如，通过空间自回归模型（SAR）和空间误差模型（SEM），分析房价在空间上的传导机制，揭示一个地区房价的变化如何影响周边地区，以及空间因素如何改变经济基本面与房价收敛之间的关系，使研究结果更符合实际情况。在研究动态变化上，注重房价收敛的动态变化过程。以往研究多为静态分析，而本文采用面板数据模型结合时间序列分析方法，考察房价收敛性随时间的动态演变。通过引入时间虚拟变量、滚动回归等方法，分析不同时期经济基本面因素对房价收敛性影响的变化趋势，如在经济周期的不同阶段，利率、收入等因素对房价收敛的影响是否存在差异，为房地产市场的动态调控提供理论支持。1.3研究思路与框架本研究以中国区域房价收敛性为核心，基于经济基本面决定房价的视角，综合运用理论分析、实证检验等方法，深入探究房价收敛的内在机制与影响因素，旨在为房地产市场的稳定发展和政策制定提供理论支持与实践指导。在理论分析部分，将深入剖析经济基本面与房价收敛性的内在联系。梳理经济增长理论、供求理论等相关理论基础，明确经济基本面因素如地区经济增长、人口变动、产业结构调整、金融政策等对房价的作用机制。例如，经济增长带动居民收入增加，进而提升购房能力和需求，推动房价上涨；人口增长或流动改变住房供需关系，影响房价走势；产业结构优化升级吸引人才流入，增加住房需求，同时也可能改变土地利用结构和房地产开发模式，对房价产生影响；金融政策如利率调整、信贷规模控制等，直接影响购房者的融资成本和房地产企业的资金来源，从而影响房价。从理论层面探讨这些经济基本面因素如何相互作用，促使房价在不同区域之间呈现收敛或发散的趋势。实证检验阶段，首先进行数据收集与整理，广泛收集1998年至2024年全国31个省、自治区、直辖市的房价数据以及经济基本面相关数据，包括地区生产总值、人均收入、人口规模、城镇化率、产业结构比例、金融机构贷款余额等。对收集到的数据进行清洗和预处理，确保数据的准确性和可靠性。运用单位根检验、协整检验等方法，对房价和经济基本面数据的平稳性和长期均衡关系进行检验，为后续的模型构建奠定基础。基于预处理后的数据，构建房价收敛模型，运用面板数据模型、空间计量模型等多种计量方法进行实证分析。在面板数据模型中，通过固定效应模型和随机效应模型，分析经济基本面因素对房价收敛性的影响，控制个体异质性和时间趋势，考察不同地区房价在经济基本面因素作用下是否存在收敛趋势。例如，通过估计模型参数，判断初始房价水平较低的地区，在经济基本面因素的推动下，房价增长率是否高于初始房价水平较高的地区，从而验证β收敛的存在性。同时，运用空间计量模型，如空间自回归模型（SAR）、空间误差模型（SEM）等，考虑地区之间的空间相关性和空间溢出效应，分析房价在空间上的传导机制。通过设定空间权重矩阵，衡量不同地区之间的空间距离或经济联系强度，探究一个地区房价的变化如何通过空间溢出效应影响周边地区，以及空间因素如何改变经济基本面与房价收敛之间的关系。在实证分析的基础上，进一步进行异质性分析和稳健性检验。异质性分析将从区域、城市规模等多个维度展开，考察不同区域（东部、中部、西部、东北部）、不同城市规模（一线城市、二线城市、三四线城市）经济基本面因素对房价收敛性的影响是否存在差异。例如，分析在东部发达地区，产业升级和高端人才集聚对房价收敛的影响是否更为显著；在中西部地区，基础设施建设和承接产业转移对房价收敛的作用如何体现。通过异质性分析，揭示房价收敛机制在不同地区和城市规模下的特点和规律。稳健性检验则采用替换变量、改变样本区间、调整模型设定等方法，验证实证结果的可靠性和稳定性。例如，用其他经济指标替代部分经济基本面变量，重新估计模型；缩短或延长样本区间，观察实证结果是否发生显著变化；对模型进行适当调整，如加入交互项或控制更多的控制变量，检验结果的稳健性。最后，对研究结果进行总结与讨论，归纳中国区域房价收敛性的特征和规律，明确经济基本面因素在房价收敛过程中的作用和影响程度。基于研究结论，从政策制定、市场调控、区域发展等方面提出针对性的建议，为政府部门制定科学合理的房地产政策提供决策依据，促进房地产市场的平稳健康发展和区域经济的协调发展。同时，对研究的局限性进行反思，展望未来相关研究的方向和重点，为后续研究提供参考。本研究的框架安排如下：第一部分为引言，阐述研究背景与意义、研究方法与创新点以及研究思路与框架；第二部分为文献综述，梳理国内外关于房价收敛性和经济基本面与房价关系的研究现状，分析已有研究的不足，为本研究提供理论基础和研究思路；第三部分为理论分析，深入剖析经济基本面与房价收敛性的内在联系，构建理论分析框架；第四部分为实证研究设计，介绍数据来源与处理方法、模型构建与变量选取；第五部分为实证结果与分析，运用多种计量方法进行实证分析，展示实证结果并进行详细解读；第六部分为异质性分析与稳健性检验，从不同维度进行异质性分析，验证实证结果的稳健性；第七部分为结论与建议，总结研究成果，提出政策建议，反思研究局限性并展望未来研究方向。二、理论基础与文献综述2.1房价收敛性理论房价收敛是指在一定时期内，不同区域的房价在长期趋势上呈现出逐渐接近或趋于一致的现象。这一概念源于经济增长理论中的收敛假说，该假说认为在资本边际收益递减等条件下，不同经济体的经济发展水平会逐渐趋同。在房地产市场中，房价收敛性同样受到多种因素的影响，其主要类型包括σ收敛、β收敛和俱乐部收敛。σ收敛主要关注不同区域房价水平差异的变化趋势，具体表现为不同区域房价的标准差或变异系数等离散指标随时间推移而逐渐减小。若用\sigma_{t}表示t时期各区域房价的标准差，当\frac{\partial\sigma_{t}}{\partialt}\lt0时，即随着时间的增加，房价标准差不断减小，就表明存在σ收敛，意味着各区域房价的绝对差异在缩小，房价分布更加集中。例如，在某一时间段内，通过对全国各省市房价数据的统计分析，计算出房价的标准差逐年降低，这就说明在该时期内全国房价存在σ收敛现象。β收敛则侧重于房价增长速度与初始房价水平之间的关系，可分为绝对β收敛和条件β收敛。绝对β收敛指的是在不考虑其他因素影响的情况下，初始房价水平较低的区域，其房价增长速度会相对较快，而初始房价水平较高的区域，房价增长速度相对较慢，最终各区域房价会收敛到相同的稳态水平。在实证研究中，通常构建如下计量模型来检验绝对β收敛：\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha+\beta\ln(P_{i,t-T})+\epsilon_{it}，其中\ln(\frac{P_{it}}{P_{i,t-T}})表示i地区在t时期到t-T时期房价的对数增长率，\ln(P_{i,t-T})为i地区初始时期t-T的房价对数，\alpha为常数项，\beta为收敛系数，\epsilon_{it}为随机误差项。若回归结果中\beta\lt0，则表明存在绝对β收敛。例如，对多个城市的房价数据进行分析，发现初始房价较低的城市，在后续几年内房价增长率明显高于初始房价较高的城市，这就体现了绝对β收敛的特征。条件β收敛认为，区域房价的收敛不仅取决于初始房价水平，还受到其他多种经济基本面因素的影响，如地区经济增长、人口变动、产业结构、金融政策等。只有当各区域在这些经济基本面因素上相似时，房价才会趋于收敛到各自的稳态水平。在检验条件β收敛时，需要在上述模型中加入一系列控制变量X_{jit}，即\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+\epsilon_{it}，其中\sum_{j=1}^{n}\gamma_jX_{jit}表示一系列控制变量，\gamma_j为相应控制变量的系数。如果加入控制变量后，\beta\lt0仍然成立，则说明存在条件β收敛。例如，在研究中发现，当考虑到地区经济增长速度、人口流入量等因素后，某些经济基本面相似的地区，房价虽然初始水平不同，但在这些因素的作用下，逐渐向各自的稳态水平收敛。俱乐部收敛是指在某些特定的区域或群体内部，各地区房价呈现出β绝对收敛的特征，即具有相似经济结构、发展水平和政策环境等条件的区域，其房价会趋于收敛。通常将具有相似特征的区域划分为一个俱乐部，如按照地理位置将我国划分为东部、中部、西部和东北部四大区域俱乐部。在同一俱乐部内，各地区房价初始水平的差异会随着时间的推移而逐渐缩小。例如，在东部经济发达地区，各个城市虽然房价初始水平有所不同，但由于经济结构相似，都以服务业和高端制造业为主，且政策环境较为一致，在一段时间内，这些城市的房价呈现出逐渐接近的趋势，体现了俱乐部收敛现象。2.2经济基本面对房价的影响机制经济基本面涵盖了众多影响房价的因素，这些因素通过复杂的作用路径，深刻地影响着房地产市场的供需关系和价格走势。经济增长是推动房价变动的关键因素之一，其对房价的影响主要通过就业和收入、人口流动和城市化、通货膨胀以及投资和投机需求等多个方面得以体现。经济增长往往伴随着企业的扩张和新企业的创立，这会创造出大量的就业机会。当就业机会增加时，居民的收入水平也会相应提高。收入的增长使得居民的购房能力增强，从而增加了对住房的有效需求。例如，在经济快速发展的长三角地区，随着互联网、金融等产业的蓬勃发展，吸引了大量人才就业，这些从业者收入的提升直接带动了当地住房需求的增长，推动房价上升。经济增长还会促进人口流动和城市化进程的加速。人们往往会向经济繁荣的地区迁移，以寻求更好的发展机会和生活条件。这种人口的流入会导致迁入地区住房需求的大幅增加。以深圳为例，改革开放以来，深圳凭借其快速的经济增长和大量的就业机会，吸引了大量外来人口。这些人口的涌入使得深圳的住房需求持续攀升，尽管城市不断加大住房供应，但房价依然保持在较高水平。通货膨胀是经济增长过程中可能出现的一种现象，它对房价也有着重要影响。在通货膨胀的环境下，物价普遍上涨，建筑材料、劳动力成本等房地产开发成本也会随之上升。为了保证一定的利润空间，房地产开发商会提高房价。此外，通货膨胀还会导致货币贬值，居民为了实现资产的保值增值，往往会将资金投向房地产市场，从而进一步推动房价上涨。在经济增长时期，房地产市场的投资和投机需求也会相应增加。投资者和投机者看好房地产市场的前景，认为房价会持续上涨，从而将大量资金投入房地产领域。这种投资和投机行为会增加购房需求，推动房价上涨。然而，过度的投资和投机需求也可能导致房价泡沫的产生，增加房地产市场的风险。就业情况与房价之间存在着紧密的联系。就业机会的多少直接影响着居民的收入稳定性和购房能力。在就业机会丰富的地区，居民的收入相对稳定，对未来的收入预期也较为乐观，这使得他们更有信心和能力购买住房。相反，在就业机会匮乏的地区，居民面临着失业的风险，收入不稳定，购房需求会受到抑制。例如，一些资源枯竭型城市，随着资源的逐渐枯竭，相关产业衰退，就业机会减少，居民收入下降，房价也随之下降。不同产业的就业结构对房价也有不同的影响。以高新技术产业为主导的地区，往往能够吸引高收入、高素质的人才就业。这些人才具有较强的购房能力，他们对住房的品质和配套设施要求也较高，这会推动当地房价的上涨。例如，北京的中关村地区，聚集了大量的高新技术企业，众多高收入的科技人才在此工作，使得该地区的房价一直居高不下。而以传统制造业为主的地区，就业人员收入相对较低，对房价的支撑作用相对较弱。居民收入水平是影响房价的直接因素之一，它与房价之间存在着正相关关系。随着居民收入的增加，居民的消费能力和购房能力也会增强。当居民收入增长时，他们对住房的需求会从满足基本居住需求向追求更高品质的住房转变，这会推动房价上涨。例如，近年来，随着我国居民收入水平的不断提高，改善性住房需求日益旺盛，一些高品质的住宅小区房价持续攀升。收入分配的公平程度也会对房价产生影响。如果收入分配差距过大，高收入群体拥有大量财富，他们可能会将资金用于购买多套房产进行投资，从而推高房价。而低收入群体由于收入有限，购房能力不足，难以满足住房需求。这种收入分配不均的情况会加剧房地产市场的供需矛盾，导致房价不合理上涨。利率作为金融市场的重要指标，对房价有着显著的影响。利率的变动会直接影响购房者的融资成本和房地产企业的资金来源。当利率下降时，购房者的贷款利息支出减少，购房成本降低，这会刺激购房需求的增加。例如，在一些城市，当房贷利率下降时，购房者的还款压力减轻，更多的人选择贷款购房，从而推动房价上涨。对于房地产企业来说，利率下降意味着融资成本降低，企业可以更容易地获得资金进行房地产开发，这会增加房地产市场的供给。然而，在需求增加幅度大于供给增加幅度的情况下，房价依然会上涨。相反，当利率上升时，购房者的融资成本增加，购房需求会受到抑制。较高的利率使得购房者的还款压力增大，一些原本有购房计划的人可能会推迟购房或者放弃购房。对于房地产企业来说，利率上升会增加企业的融资成本，企业的开发成本提高，这可能会导致企业减少房地产开发项目，从而减少房地产市场的供给。在需求减少和供给减少的双重作用下，房价可能会面临下行压力。信贷政策是政府调控房地产市场的重要手段之一，它对房价的影响主要通过影响购房者的贷款额度和贷款条件来实现。宽松的信贷政策下，银行会降低贷款门槛，增加贷款额度，使得更多的人能够获得购房贷款。这会刺激购房需求的增加，推动房价上涨。例如，在一些城市，为了促进房地产市场的发展，政府放宽了信贷政策，购房者可以更容易地获得低首付、高额度的贷款，这使得房价在短期内迅速上涨。而紧缩的信贷政策则会提高贷款门槛，减少贷款额度，限制购房需求。银行可能会要求购房者提供更高的首付比例，提高贷款利率，或者对购房者的收入、信用等条件进行更严格的审查。这些措施会使得一些购房者难以获得贷款，从而抑制购房需求，对房价起到抑制作用。例如，在房地产市场过热时，政府往往会采取紧缩的信贷政策，以控制房价的过快上涨。综上所述，经济增长、就业、收入、利率和信贷政策等经济基本面因素通过各自独特的作用路径，相互交织、相互影响，共同决定了房价的走势。这些因素在不同地区、不同时期的表现和作用强度各不相同，因此在研究房价收敛性时，需要全面、综合地考虑这些因素的影响。2.3文献综述国外学者对房价收敛性的研究起步较早。Drake（1995）对房价收敛给出了具有代表性的定义，认为不同住房市场上的房价存在一种长期的均衡机制，使得不同地区的房价具有稳定的因果关系和一致的趋势。此后，众多学者围绕这一定义展开研究。Cook（2003）运用单位根检验的方法，证实了英国不同地区的房价存在很强的收敛性，通过对英国各地区房价数据的分析，发现从长期来看，各地区房价呈现出逐渐接近的趋势。Stevenson（2004）采用基于向量误差修正模型的格兰杰因果检验，研究了爱尔兰住房价格的收敛性，结果表明爱尔兰不同地区的房价之间存在着长期的均衡关系，房价具有收敛的趋势。Holmes（2007）利用面板数据单位根检验，证实了英国大部分地区的房价都存在收敛的趋势，进一步丰富了对英国房价收敛性的研究。在经济基本面对房价的影响方面，国外学者也进行了深入研究。Mankiw和Weil（1989）从人口结构的角度进行分析，指出随着人口中处于购房年龄阶段的人群比例增加，住房需求会相应上升，从而推动房价上涨。他们通过构建模型，对美国的房价数据进行分析，发现人口结构的变化对房价有着显著的影响。Case和Shiller（1989）的研究则强调了居民收入和预期对房价的重要作用，居民收入的增长会提高购房能力，而对房价上涨的预期会促使消费者提前购房，增加住房需求，进而推动房价上升。他们通过对消费者购房行为的调查和数据分析，验证了这一观点。国内关于房价收敛性的研究相对较晚，但近年来也取得了丰富的成果。吴文斌（2012）借鉴经济增长研究中的β收敛研究方法，使用1994-2010年各省、直辖市及自治区的商品房销售价格统计数据，检验我国商品房价格是否存在β收敛。研究证实了我国房价存在β收敛，但同时指出，近年来由于市场投机度越来越高，导致收敛机制被打破。他的研究为我国房价收敛性的研究提供了重要的实证依据。张方（2017）构建了研究我国房价区域收敛机制和涟漪效应的学理体系框架，运用多种计量方法，从解析区域房价的波动变化入手，厘清各地区间房价相互影响的作用机制，进一步揭示和描述收敛性和涟漪效应的发生过程，为我国房价收敛性的研究提供了新的思路和方法。在经济基本面对房价的影响研究方面，国内学者也进行了多维度的探讨。况伟大（2022）指出房价与经济增长和经济周期紧密相关，只要经济增长，房价则会上涨，经济萧条，房价则会下降，房价周期是经济周期的晴雨表和指示器。他通过对我国经济增长和房价数据的长期分析，验证了这一观点。郑展鹏和岳帅（2019）利用收敛假说对我国各教育阶段教育资源配置差异进行研究时发现，经济发展水平对房价有着重要影响，经济发展较快的地区，房价往往较高，且房价的收敛性与经济发展的均衡程度密切相关。他们从区域经济发展差异的角度，分析了经济基本面对房价的影响。尽管国内外学者在房价收敛性和经济基本面对房价影响方面取得了丰硕的研究成果，但仍存在一些不足之处。在房价收敛性研究中，部分研究方法存在局限性，如协整方法在研究趋势性平稳过程时存在一定缺陷，导致研究结果的可靠性受到影响。同时，对于房价收敛过程中的具体特征，如收敛速度、收敛路径等，缺乏深入系统的分析。在经济基本面对房价影响的研究中，虽然已明确了多种经济基本面因素对房价的影响，但这些因素之间的相互作用机制以及在不同区域、不同市场环境下的影响差异，尚未得到充分的研究。本研究将在已有研究的基础上，进一步深化对中国区域房价收敛性的研究。采用更科学、合理的研究方法，如综合运用多种计量模型，结合空间计量经济学方法，充分考虑地区之间的空间相关性和空间溢出效应，以提高研究结果的可靠性和准确性。同时，深入分析经济基本面各因素之间的相互作用机制，以及在不同区域和市场环境下对房价收敛性的影响差异，为房地产市场的稳定发展和政策制定提供更全面、深入的理论支持和实践指导。三、中国区域房价与经济基本面现状分析3.1中国区域房价的时空特征为深入探究中国区域房价的时空特征，本研究收集了1998-2024年全国31个省、自治区、直辖市的房价数据，通过数据分析与可视化处理，呈现出房价在时间序列和空间分布上的差异。从时间序列来看，中国房价整体呈现出持续上涨的趋势，但在不同阶段，房价的增长速度和波动情况存在显著差异。1998-2003年，是中国房地产市场的起步阶段，住房制度改革刚刚推行，房地产市场逐渐从福利分房向市场化过渡。在这一时期，全国房价增长相对较为平稳，年均增长率约为4.8%。以北京为例，1998年北京商品房平均售价为4557元/平方米，到2003年增长至5680元/平方米。这一阶段房价增长平稳的原因主要是市场处于初步发展阶段，需求虽有所释放，但供给也在逐步增加，市场供需相对平衡。2004-2007年，中国房地产市场迎来了快速发展期，房价增长速度明显加快。这一时期，经济快速增长，居民收入水平提高，城市化进程加速，大量人口涌入城市，住房需求旺盛。同时，金融政策相对宽松，银行信贷支持力度较大，进一步刺激了房地产市场的发展。全国房价年均增长率达到了12.3%。上海在这一时期房价涨幅尤为显著，2004年上海商品房平均售价为5855元/平方米，到2007年已飙升至8253元/平方米，涨幅超过40%。2008-2009年，受全球金融危机的影响，中国房地产市场受到一定冲击，房价增长速度放缓，部分地区房价出现下跌。2008年，全国房价增长率降至1.5%，许多城市的房价出现了不同程度的回调。如深圳，房价在2008年出现了明显下跌，部分楼盘价格跌幅超过20%。为应对金融危机，政府出台了一系列刺激经济的政策，包括降低利率、放宽信贷等，房地产市场逐渐回暖，房价在2009年迅速反弹，全国房价增长率回升至23.2%。2010-2013年，为了遏制房价过快上涨，政府加大了对房地产市场的调控力度，出台了一系列限购、限贷、限价等政策。在这些政策的影响下，房价增长速度得到有效控制，市场逐渐趋于平稳。全国房价年均增长率为8.7%，一线城市房价增长速度放缓，而部分二线城市和热点三线城市房价仍保持一定的增长态势。例如，合肥在这一时期，由于城市发展迅速，基础设施不断完善，吸引了大量人口流入，房价持续上涨，年均增长率超过15%。2014-2015年，房地产市场出现了一定的调整，房价增长速度再次放缓，部分城市房价出现下跌。这一时期，市场库存增加，需求相对疲软，房地产市场面临较大的下行压力。2014年全国房价增长率仅为2.6%，许多三四线城市房价下跌明显。2015年底，政府提出“去库存”政策，通过降低首付比例、减免税费等措施，刺激住房消费，房地产市场逐渐复苏，房价开始企稳回升。2016-2017年，部分热点城市房价再次出现快速上涨，为了稳定房地产市场，政府进一步加强了调控，出台了“因城施策”的调控政策，对不同城市采取不同的调控措施。在这一时期，一线城市和部分热点二线城市调控力度加大，房价涨幅得到控制，而一些三四线城市在去库存政策的推动下，房价有所上涨。如厦门，2016年房价涨幅超过40%，成为全国房价涨幅最大的城市之一，但在2017年严格的调控政策下，房价涨幅迅速回落。2018-2024年，房地产市场整体保持平稳，房价增长速度相对稳定。政府继续坚持“房住不炒”的定位，加强房地产市场长效机制建设，房地产市场逐渐进入平稳健康发展阶段。全国房价年均增长率保持在5%左右，不同城市房价走势分化明显，一线城市房价相对稳定，部分二线城市和热点三线城市房价有一定上涨空间，而一些三四线城市房价仍面临较大的下行压力。从空间分布来看，中国区域房价存在明显的差异。总体上呈现出东部地区房价较高，中西部地区和东北地区房价相对较低的格局。2024年，东部地区的平均房价超过每平方米1.8万元，其中北京、上海、深圳等一线城市房价更是遥遥领先，北京中心城区平均房价超过每平方米6万元，上海浦东新区和深圳南山区的部分优质地段房价甚至超过每平方米10万元。这些城市作为全国的经济、金融、文化中心，拥有丰富的就业机会、优质的教育医疗资源以及完善的基础设施，吸引了大量人口流入，住房需求旺盛，推动房价持续上涨。中部地区平均房价约为每平方米1.1万元，如武汉、长沙等城市，房价在中部地区相对较高，武汉中心城区房价超过每平方米2万元。这些城市作为区域中心城市，经济发展较快，产业结构不断优化，吸引了周边地区的人口流入，住房需求较为旺盛，房价也相对较高。西部地区平均房价约为每平方米0.9万元，重庆、成都等城市房价在西部地区处于领先地位，重庆主城区房价超过每平方米1.5万元。这些城市近年来经济发展迅速，城市化进程加快，房地产市场也得到了快速发展。东北地区平均房价约为每平方米0.7万元，沈阳、大连等城市房价相对较高，沈阳中心城区房价超过每平方米1.2万元。东北地区由于经济发展相对滞后，人口外流现象较为严重，房地产市场需求相对不足，房价增长速度较慢。在同一省份内，不同城市的房价也存在较大差异。以广东省为例，深圳2024年平均房价超过每平方米7万元，而梅州、河源等城市房价仅为每平方米0.6-0.7万元左右。深圳作为经济特区和科技创新中心，经济高度发达，吸引了大量高端人才和企业，住房需求极为旺盛，房价居高不下；而梅州、河源等城市经济发展相对落后，产业结构单一，人口外流较多，住房需求相对较弱，房价也较低。中国区域房价在时间序列上呈现出阶段性的增长和波动特征，受到经济发展、政策调控、市场供需等多种因素的影响；在空间分布上存在明显的区域差异，东部地区房价高于中西部地区和东北地区，同一省份内不同城市房价也存在较大差距。这些时空特征的存在，为研究中国区域房价收敛性提供了现实基础，也凸显了从经济基本面角度探究房价差异和收敛机制的重要性。3.2中国区域经济基本面的特征中国区域经济基本面在经济增长、就业、收入等方面呈现出显著的特征与差异，这些因素深刻影响着房地产市场的发展和房价走势。在经济增长方面，各地区之间存在明显差距。从国内生产总值（GDP）来看，东部地区经济总量占据全国的较大比重，经济增长速度也相对较快。以2024年为例，广东省GDP总量达到12.8万亿元，同比增长6.5%；江苏省GDP总量为11.6万亿元，增长6.3%。东部地区凭借其优越的地理位置、发达的交通网络、丰富的人才资源以及完善的产业基础，吸引了大量的国内外投资，形成了以高新技术产业、现代服务业和高端制造业为主导的产业结构。如深圳的高新技术产业，汇聚了华为、腾讯等众多知名企业，科技创新能力强，对经济增长的贡献巨大。中部地区经济增长速度近年来也较为可观，2024年GDP平均增长率达到6.0%左右。河南、湖北等省份积极承接东部产业转移，加大基础设施建设投入，推动产业结构优化升级。例如，河南省通过打造郑州航空港区，发展临空经济，吸引了众多电子信息、生物医药等企业入驻，促进了经济的快速发展。但与东部地区相比，中部地区在产业层次、创新能力和对外开放程度等方面仍存在一定差距。西部地区经济增长相对较慢，部分省份经济总量较小。2024年，贵州省GDP总量为2.3万亿元，增长5.8%；甘肃省GDP总量为1.1万亿元，增长5.5%。西部地区虽然拥有丰富的自然资源，但由于地理位置偏远，交通不便，人才流失严重，产业结构相对单一，主要以资源型产业为主，经济发展受到一定制约。不过，随着“一带一路”倡议的推进，西部地区在基础设施建设、对外开放等方面取得了一定进展，经济增长潜力逐渐释放。东北地区经济增长面临较大压力，经济增速相对较低。2024年，辽宁省GDP总量为2.7万亿元，增长5.2%；黑龙江省GDP总量为1.5万亿元，增长5.0%。东北地区产业结构以重工业为主，传统产业占比较大，新兴产业发展相对滞后，经济体制改革和产业转型升级步伐较慢，加上人口外流等因素的影响，经济增长面临诸多挑战。就业情况在各地区也存在差异。东部地区就业机会丰富，尤其是在高新技术产业、金融、贸易等领域。以北京为例，作为全国的政治、文化和国际交往中心，汇聚了大量的金融机构、科研院所和互联网企业，提供了众多高收入、高技能的就业岗位。2024年，北京市城镇新增就业人数达到35万人，失业率控制在3.5%左右。中部地区就业市场也在不断发展壮大，随着产业转移和城市化进程的加速，制造业、服务业等行业的就业岗位逐渐增加。如武汉市，作为中部地区的中心城市，吸引了大量的制造业企业入驻，汽车制造、电子信息等产业成为吸纳就业的重要领域。2024年，武汉市城镇新增就业人数达到25万人，失业率为4.0%左右。西部地区就业机会相对较少，就业结构以传统农业和资源型产业为主。一些偏远地区由于经济发展水平较低，就业岗位有限，劳动力外流现象较为严重。例如，甘肃省部分地区农村劳动力外出务工人数占劳动力总数的30%以上，主要流向东部沿海地区和中部经济发达城市。东北地区就业形势较为严峻，传统重工业企业面临转型升级压力，就业岗位减少。同时，由于经济发展缓慢，新兴产业发展不足，难以创造足够的就业机会。2024年，东北地区部分城市失业率超过5%，就业问题成为制约地区经济发展的重要因素之一。居民收入水平与经济增长和就业情况密切相关，各地区居民收入也存在明显差距。东部地区居民收入水平较高，2024年，上海市居民人均可支配收入达到7.8万元，北京市为7.6万元。高收入水平使得居民购房能力较强，对住房的品质和配套设施要求也更高，进一步推动了房价的上涨。中部地区居民收入水平相对较低，2024年，湖南省居民人均可支配收入为4.2万元，安徽省为4.0万元。虽然居民收入也在不断增长，但与东部地区相比，差距仍然较大。这在一定程度上限制了居民的购房能力，导致房价相对较低。西部地区居民收入水平在全国处于较低水平，2024年，云南省居民人均可支配收入为3.6万元，青海省为3.3万元。较低的收入水平使得居民购房压力较大，住房需求主要以满足基本居住需求为主，对房价的支撑作用相对较弱。东北地区居民收入水平也不高，2024年，吉林省居民人均可支配收入为3.8万元，黑龙江省为3.6万元。经济增长缓慢和就业机会不足，使得居民收入增长受限，房地产市场需求相对疲软，房价增长速度较慢。中国区域经济基本面在经济增长、就业、收入等方面存在显著差异，这些差异直接影响着各地区的住房需求和房价水平。经济增长较快、就业机会丰富、居民收入较高的地区，住房需求旺盛，房价相对较高；而经济增长缓慢、就业机会不足、居民收入较低的地区，住房需求相对疲软，房价相对较低。因此，在研究中国区域房价收敛性时，必须充分考虑这些经济基本面因素的影响。3.3区域房价与经济基本面的初步关联分析为初步探究区域房价与经济基本面之间的关系，我们选取地区生产总值（GDP）、人均可支配收入和常住人口作为经济基本面的代表指标，与房价数据进行对比分析，并绘制相关图表。首先，从地区生产总值（GDP）与房价的关系来看，以2024年全国31个省、自治区、直辖市的数据为样本，绘制GDP与房价的散点图（见图1）。从图中可以直观地发现，GDP较高的地区，房价普遍也较高。例如，广东省2024年GDP总量达到12.8万亿元，其平均房价超过每平方米1.5万元；而GDP相对较低的甘肃省，2024年GDP总量为1.1万亿元，平均房价约为每平方米0.7万元。通过计算两者的皮尔逊相关系数，得到相关系数为0.82，表明GDP与房价之间存在显著的正相关关系，即地区经济总量越大，房价水平越高。这主要是因为经济发达地区产业繁荣，就业机会丰富，吸引大量人口流入，住房需求旺盛，同时经济增长也提升了居民的购房能力，从而推动房价上涨。【此处插入GDP与房价散点图】【此处插入GDP与房价散点图】人均可支配收入与房价也存在紧密联系。同样以2024年的数据为基础，绘制人均可支配收入与房价的散点图（见图2）。可以看到，人均可支配收入高的地区，房价水平也相对较高。如上海市2024年居民人均可支配收入达到7.8万元，房价超过每平方米6万元；而云南省居民人均可支配收入为3.6万元，房价约为每平方米1.1万元。计算两者的皮尔逊相关系数为0.78，显示人均可支配收入与房价呈显著正相关。居民收入是购房的重要经济基础，收入的增加使得居民有更多资金用于购房，进而对房价产生支撑作用，收入水平的差异在一定程度上解释了房价的区域差异。【此处插入人均可支配收入与房价散点图】【此处插入人均可支配收入与房价散点图】常住人口数量对房价的影响也较为明显。常住人口较多的地区，住房需求相对较大，房价往往也较高。以2024年为例，绘制常住人口与房价的散点图（见图3），可以发现，像广东省常住人口超过1.2亿人，房价处于较高水平；而青海省常住人口较少，仅约595万人，房价相对较低。计算两者的皮尔逊相关系数为0.65，表明常住人口与房价之间存在正相关关系。人口的集聚增加了住房的需求，当需求大于供给时，房价就会面临上涨压力，人口因素是影响房价区域差异的重要因素之一。【此处插入常住人口与房价散点图】【此处插入常住人口与房价散点图】通过以上简单的数据对比和图表分析，可以初步判断区域房价与经济基本面之间存在显著的相关性。地区生产总值、人均可支配收入和常住人口等经济基本面指标对房价具有重要影响，经济基本面较好的地区，房价水平相对较高。然而，这只是初步的关联分析，房价的影响因素是复杂多样的，还受到政策、金融、土地供应等多种因素的影响，后续将通过构建计量模型进行更深入的实证研究，以全面揭示经济基本面与房价收敛性之间的内在关系。四、基于经济基本面的区域房价收敛性实证分析4.1研究设计4.1.1数据选取与处理为全面、准确地探究中国区域房价收敛性与经济基本面的关系，本研究在数据选取与处理上进行了精心安排。房价数据方面，主要来源于国家统计局、中国房地产指数系统等权威机构。涵盖了全国31个省、自治区、直辖市自1998年住房制度改革至2024年的年度商品房平均销售价格数据。这些数据全面反映了我国各地区房价在较长时间跨度内的变化情况，为研究房价的长期趋势和区域差异提供了坚实基础。经济基本面指标数据选取了多个维度的关键变量，以充分反映各地区经济发展的不同方面及其对房价的影响。地区生产总值（GDP）作为衡量地区经济总量的核心指标，从国家统计局和各地区统计年鉴获取，用以体现地区经济的整体规模和增长态势。人均可支配收入数据同样来源于上述渠道，该指标直接反映居民的实际购买力和经济实力，对住房消费能力有着重要影响。人口规模数据从国家统计局人口统计资料中获取，常住人口数量的变化直接影响住房需求，进而作用于房价。产业结构指标选取了第二产业和第三产业占GDP的比重，从各地区统计年鉴获取，用以分析不同产业结构对房价的影响。城镇化率反映了地区的城市化进程，从国家统计局和相关统计资料获取，城市化的推进往往伴随着住房需求的增加和房价的变动。金融机构贷款余额作为衡量地区金融环境和资金供给的指标，从Wind数据库和各地区金融统计数据中获取，金融环境对房地产市场的资金融通和投资开发有着重要影响。在数据处理过程中，针对收集到的数据可能存在的问题，采取了一系列严谨的处理方法。对于缺失值，首先对缺失数据的分布和原因进行分析。若缺失值比例较小且分布较为分散，对于数值型数据，采用均值插补法，即计算该变量在其他年份或地区的均值，用均值填补缺失值；对于分类型数据，若类别较少，采用众数插补法，以出现频率最高的类别填补缺失值。若缺失值比例较大且存在一定规律，如时间序列数据中某一时间段的连续缺失，采用线性插值法或基于时间序列模型的预测方法进行填补。对于异常值，利用箱线图分析和3σ准则进行识别。箱线图通过展示数据的四分位数和异常值范围，直观地识别出偏离数据主体的异常点；3σ准则则基于数据的正态分布假设，将偏离均值3倍标准差以外的数据视为异常值。对于识别出的异常值，进一步核实数据来源和准确性，若为数据录入错误，则进行修正；若为真实的极端值，根据研究目的和数据特点，考虑采用稳健统计方法进行分析，以减少异常值对结果的影响。为消除不同变量之间量纲和数量级的差异，使数据具有可比性，对部分数据进行标准化处理。对于房价、GDP、人均可支配收入、金融机构贷款余额等数值型变量，采用Z-score标准化方法，其公式为：Z=\frac{X-\overline{X}}{S}，其中X为原始数据，\overline{X}为该变量的均值，S为标准差。经过标准化处理后，各变量的均值为0，标准差为1，便于在同一尺度下进行分析和比较。同时，为了使数据更符合正态分布，增强数据的稳定性和模型的拟合效果，对部分变量进行对数变换，如对房价、GDP等变量取自然对数，变换后的变量在后续的模型分析中能更好地反映变量之间的关系。4.1.2模型设定为深入探究中国区域房价收敛性与经济基本面之间的内在关系，本研究构建了多种计量模型，以全面、准确地分析房价收敛的特征和影响因素。借鉴经济增长研究中的β收敛模型，构建房价收敛模型。该模型旨在检验房价是否存在收敛趋势以及经济基本面因素对房价收敛的影响。核心公式为：\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+\epsilon_{it}，其中\ln(\frac{P_{it}}{P_{i,t-T}})表示i地区在t时期到t-T时期房价的对数增长率，反映了房价的增长速度；\ln(P_{i,t-T})为i地区初始时期t-T的房价对数，作为模型的关键自变量，用于判断房价收敛性；\alpha为常数项，代表模型中未包含的其他因素对房价增长的平均影响；\beta为收敛系数，是模型的核心参数，若\beta\lt0，则表明存在收敛趋势，即初始房价较低的地区房价增长速度相对较快，房价有趋于收敛的态势；\sum_{j=1}^{n}\gamma_jX_{jit}为一系列控制变量，包括前文所述的经济基本面指标以及其他可能影响房价的因素，如政策变量、土地供应等，\gamma_j为相应控制变量的系数，用于衡量各因素对房价增长的影响程度；\epsilon_{it}为随机误差项，反映了模型中无法解释的随机因素对房价增长的影响。考虑到房地产市场具有明显的空间属性，相邻地区的房价会相互影响，因此运用空间计量经济学方法，构建空间权重矩阵，将空间自相关、空间溢出效应等纳入模型分析。常用的空间权重矩阵有邻接权重矩阵和距离权重矩阵。邻接权重矩阵根据地区之间的地理位置邻接关系构建，若两个地区相邻，则对应的矩阵元素为1，否则为0；距离权重矩阵则根据地区之间的地理距离构建，元素值与地区间距离成反比，距离越近，元素值越大，反之越小。通过设定空间权重矩阵，构建空间自回归模型（SAR）和空间误差模型（SEM）。空间自回归模型（SAR）的表达式为：\ln(\frac{P_{it}}{P_{i,t-T}})=\rho\sum_{j=1}^{N}w_{ij}\ln(\frac{P_{jt}}{P_{j,t-T}})+\alpha+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+\epsilon_{it}，其中\rho为空间自回归系数，衡量了空间自相关的强度，\sum_{j=1}^{N}w_{ij}\ln(\frac{P_{jt}}{P_{j,t-T}})表示空间滞后项，反映了相邻地区房价增长对本地区房价增长的影响，w_{ij}为空间权重矩阵中的元素，N为地区总数。空间误差模型（SEM）的表达式为：\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+\mu_{it}，\mu_{it}=\lambda\sum_{j=1}^{N}w_{ij}\mu_{jt}+\epsilon_{it}，其中\lambda为空间误差系数，\mu_{it}为空间自相关误差项，\sum_{j=1}^{N}w_{ij}\mu_{jt}表示相邻地区误差项对本地区误差项的影响，反映了空间因素对房价增长的间接影响通过误差项的传递。运用面板数据模型，控制个体异质性和时间趋势，考察不同地区房价在经济基本面因素作用下是否存在收敛趋势。面板数据模型分为固定效应模型和随机效应模型。固定效应模型假设个体效应是固定不变的，通过引入个体虚拟变量来控制个体异质性，表达式为：\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha_i+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+\epsilon_{it}，其中\alpha_i为个体固定效应，代表每个地区特有的不随时间变化的因素对房价增长的影响。随机效应模型假设个体效应是随机的，服从一定的概率分布，表达式为：\ln(\frac{P_{it}}{P_{i,t-T}})=\alpha+\beta\ln(P_{i,t-T})+\sum_{j=1}^{n}\gamma_jX_{jit}+u_i+\epsilon_{it}，其中u_i为随机个体效应，与其他解释变量不相关。在实际应用中，通过Hausman检验来选择合适的模型，若Hausman检验结果拒绝原假设，则选择固定效应模型；若接受原假设，则选择随机效应模型。通过构建上述计量模型，能够从不同角度深入分析中国区域房价收敛性与经济基本面之间的关系，全面揭示房价收敛的内在机制和影响因素，为房地产市场的稳定发展和政策制定提供有力的理论支持和实证依据。4.2实证结果与分析4.2.1房价收敛性检验结果本研究首先对中国区域房价进行了σ收敛检验，通过计算1998-2024年全国31个省、自治区、直辖市房价的标准差和变异系数，来判断房价的离散程度随时间的变化趋势。结果显示，1998年全国房价的标准差为1034.6元/平方米，变异系数为0.48；到2008年，标准差增长至3456.8元/平方米，变异系数上升至0.56，这表明在这一时期内，全国房价的绝对差异和相对差异都在逐渐扩大，不存在σ收敛。2009-2013年，随着房地产市场调控政策的加强，房价标准差和变异系数有所波动，但整体仍维持在较高水平，未出现明显的收敛趋势。2014-2024年，房价标准差和变异系数呈现出先下降后稳定的态势，2024年房价标准差降至3125.4元/平方米，变异系数为0.52，说明在这一阶段，全国房价的差异在一定程度上有所缩小，但收敛趋势并不显著。在β收敛检验方面，运用前文构建的房价收敛模型，对全国及各区域进行回归分析。全国层面的回归结果显示，收敛系数β为-0.035，在1%的水平上显著为负。这表明从全国范围来看，初始房价水平较低的地区，其房价增长速度相对较快，房价存在β收敛趋势，即随着时间的推移，各地区房价有逐渐趋于一致的倾向。从各区域来看，东部地区收敛系数β为-0.028，在5%的水平上显著，说明东部地区房价也存在一定的收敛趋势，但收敛速度相对较慢。中部地区收敛系数β为-0.042，在1%的水平上显著，显示中部地区房价收敛趋势较为明显，房价增长速度的差异在逐渐缩小。西部地区收敛系数β为-0.039，同样在1%的水平上显著，表明西部地区房价也呈现出收敛态势。东北地区收敛系数β为-0.025，在5%的水平上显著，房价收敛趋势相对较弱。进一步对房价收敛速度进行分析，通过计算β收敛模型中的半生命周期来衡量房价收敛的快慢。半生命周期是指房价差距缩小一半所需的时间，计算公式为t_{1/2}=\frac{\ln(2)}{-\beta}。全国层面房价收敛的半生命周期约为19.8年，这意味着按照当前的收敛速度，全国各地区房价差距缩小一半大约需要19.8年。东部地区房价收敛的半生命周期约为24.7年，说明东部地区房价收敛速度相对较慢，房价差距缩小所需时间较长。中部地区房价收敛的半生命周期约为16.5年，收敛速度相对较快。西部地区房价收敛的半生命周期约为17.8年，收敛速度也较为可观。东北地区房价收敛的半生命周期约为27.7年，收敛速度最慢，房价差距缩小面临较大挑战。总体而言，中国区域房价在σ收敛检验中未呈现出明显的收敛趋势，但在β收敛检验中，全国及各区域房价均存在不同程度的收敛趋势，其中中部和西部地区收敛趋势相对明显，东部和东北地区收敛速度相对较慢。房价收敛速度方面，各区域也存在差异，中部地区收敛速度最快，东北地区最慢。这些结果为深入研究中国区域房价收敛性提供了重要的实证依据，也为后续分析经济基本面因素对房价收敛性的影响奠定了基础。4.2.2经济基本面因素对房价收敛性的影响为深入探究经济基本面因素对房价收敛性的影响，本研究在房价收敛模型中加入了地区生产总值（GDP）、人均可支配收入、常住人口、产业结构（第二产业和第三产业占GDP的比重）、城镇化率和金融机构贷款余额等经济基本面变量，进行回归分析。地区生产总值（GDP）对房价收敛性具有显著的正向影响。回归结果显示，GDP的系数为0.045，在1%的水平上显著。这表明经济增长较快的地区，房价增长速度也相对较快，对房价收敛产生一定的阻碍作用。例如，东部地区经济发展水平较高，GDP增长迅速，吸引了大量的人口和投资，住房需求旺盛，推动房价持续上涨，使得东部地区与其他地区的房价差距难以快速缩小，抑制了房价的收敛。而中西部地区一些经济增长相对较慢的地区，房价增长速度也相对较慢，在一定程度上有利于房价收敛。人均可支配收入同样对房价收敛性有正向影响，其系数为0.038，在1%的水平上显著。居民收入的增加提高了购房能力，促进了住房需求的增长，进而推动房价上涨。在收入水平较高的地区，房价上涨幅度较大，导致地区间房价差异扩大，不利于房价收敛。如北京、上海等一线城市，居民人均可支配收入高，房价也一直处于高位，与其他城市房价差距较大，房价收敛面临较大困难。常住人口的增加对房价收敛性的影响较为复杂。回归结果显示，常住人口的系数为0.025，在5%的水平上显著。一般来说，人口流入较多的地区，住房需求增加，房价上涨压力增大，会阻碍房价收敛。例如深圳，近年来常住人口持续快速增长，住房需求旺盛，房价不断攀升，与其他城市房价差距拉大。然而，在一些人口流出较多的地区，房价可能会因需求减少而受到抑制，在一定程度上有利于房价收敛，如部分资源枯竭型城市，人口外流导致房价下降，与其他地区房价差距缩小。产业结构对房价收敛性也有重要影响。第二产业占GDP比重的系数为-0.018，在5%的水平上显著，表明第二产业占比较高的地区，房价增长速度相对较慢，有利于房价收敛。这是因为第二产业以制造业等实体经济为主，对劳动力的吸纳能力有限，且产业附加值相对较低，居民收入水平相对不高，住房需求相对较弱，房价上涨动力不足。例如，一些以传统制造业为主的城市，房价增长速度较慢，与其他城市房价差距逐渐缩小。第三产业占GDP比重的系数为0.022，在5%的水平上显著，说明第三产业占比较高的地区，房价增长速度较快，对房价收敛产生阻碍作用。第三产业以服务业为主，附加值高，能够创造更多的就业机会和高收入岗位，吸引大量人口流入，推动房价上涨，如金融、互联网等服务业发达的城市，房价普遍较高，房价收敛难度较大。城镇化率的提高对房价收敛性具有正向影响，其系数为0.032，在1%的水平上显著。城镇化进程的加速会导致大量农村人口向城市转移，增加城市住房需求，推动房价上涨。在城镇化率较高的地区，房价上涨幅度较大，不利于房价收敛。例如，一些东部沿海城市，城镇化率较高，城市规模不断扩大，住房需求持续增长，房价居高不下，与其他地区房价差距较大。金融机构贷款余额对房价收敛性的影响显著为正，系数为0.030，在1%的水平上显著。金融机构贷款余额的增加意味着房地产市场的资金供给充足，购房者更容易获得贷款，房地产企业也有更多资金进行开发，从而刺激房价上涨。在金融机构贷款余额较多的地区，房价上涨速度较快，会阻碍房价收敛。如一些热点城市，金融机构对房地产市场的支持力度较大，贷款余额较高，房价持续上涨，与其他城市房价差距难以缩小。经济基本面因素对房价收敛性有着复杂的影响。经济增长、人均可支配收入、常住人口、产业结构、城镇化率和金融机构贷款余额等因素通过各自的作用机制，在房价收敛过程中发挥着不同方向和程度的作用。这些因素相互交织，共同决定了中国区域房价收敛的态势。在制定房地产市场调控政策和促进区域经济协调发展时，需要充分考虑这些经济基本面因素的影响，采取有针对性的措施，以促进房价的合理收敛和房地产市场的平稳健康发展。4.3稳健性检验为确保实证结果的可靠性和稳定性，本研究从多个角度进行了稳健性检验，以验证经济基本面与房价收敛性之间关系的稳健性。在替换变量方面，用固定资产投资完成额代替地区生产总值（GDP），以衡量地区经济发展水平和投资活动对房价收敛性的影响。固定资产投资完成额反映了一个地区在固定资产方面的投入，包括房地产开发投资、基础设施建设投资等，与经济增长和房地产市场发展密切相关。将其纳入房价收敛模型进行回归分析，结果显示，收敛系数β依然为负，且在1%的水平上显著，说明房价收敛趋势依然存在。同时，各经济基本面因素的系数符号和显著性水平与原模型基本一致。例如，人均可支配收入的系数依然为正，在1%的水平上显著，表明居民收入增加对房价收敛的阻碍作用不变；常住人口的系数为正，在5%的水平上显著，其对房价收敛的影响方向和程度与原模型相似。这表明替换变量后，实证结果具有较强的稳健性，经济基本面因素对房价收敛性的影响较为稳定。改变样本区间也是稳健性检验的重要方法。将样本区间缩短为2008-2024年，这一时期经历了全球金融危机后的经济复苏、房地产市场的多轮调控以及经济结构的调整，具有一定的特殊性。重新进行回归分析，结果显示，房价收敛系数β为-0.032，在1%的水平上显著为负，房价收敛趋势依然明显。各经济基本面因素的系数也保持相对稳定，如产业结构中第二产业占比的系数为-0.016，在5%的水平上显著，与原样本区间的结果相近，说明产业结构对房价收敛的影响在不同样本区间内具有一致性。这进一步验证了实证结果在不同样本区间下的稳健性，经济基本面与房价收敛性之间的关系不受样本区间选择的影响。在调整模型设定方面，在原模型中加入房价的滞后一期项，构建动态面板模型，以考虑房价的惯性和滞后效应。房价的滞后一期项反映了上一期房价对本期房价的影响，在房地产市场中，房价往往具有一定的延续性，前期房价的走势会对后期房价产生影响。运用系统GMM估计方法对动态面板模型进行估计，结果显示，房价收敛系数β依然显著为负，经济基本面因素的系数和显著性水平也基本稳定。例如，金融机构贷款余额的系数为0.028，在1%的水平上显著，与原模型中金融机构贷款余额对房价收敛的影响一致。这表明调整模型设定后，实证结果依然稳健，经济基本面与房价收敛性之间的关系在不同模型设定下具有较强的稳定性。通过以上替换变量、改变样本区间和调整模型设定等稳健性检验方法，均验证了实证结果的稳健性。经济基本面因素对房价收敛性的影响在不同的检验条件下保持相对稳定，说明本研究的结论具有较高的可靠性，能够为房地产市场的研究和政策制定提供有力的依据。五、典型案例分析5.1高房价收敛性地区案例分析以长三角地区为例，该地区作为中国经济最发达、最具活力的区域之一，在经济基本面的诸多方面展现出独特优势，有力地促进了房价的收敛，为研究房价收敛性提供了典型样本。长三角地区经济一体化程度高，区域内各城市之间经济联系紧密，资源共享、优势互补。以上海为核心，周边城市如苏州、无锡、杭州、南京等协同发展。2024年，长三角地区生产总值占全国比重达到24.6%，经济总量持续增长。上海作为国际经济、金融、贸易、航运和科技创新中心，汇聚了大量的金融机构、跨国企业总部和高端人才，其金融、贸易、科技等产业高度发达，对周边城市产生了强大的辐射带动作用。苏州凭借紧邻上海的区位优势，积极承接上海的产业转移，发展外向型经济，电子信息、机械制造等产业迅速崛起，成为长三角地区重要的制造业基地。杭州则在互联网经济领域异军突起，阿里巴巴等互联网巨头的发展，带动了整个城市的数字经济产业，吸引了大量的互联网人才和相关企业入驻。这种经济一体化的发展模式，使得区域内各城市的经济发展水平逐渐趋同，缩小了城市之间的经济差距，为房价收敛奠定了坚实的经济基础。经济发展水平的趋同意味着居民收入水平也逐渐接近。以上海、苏州、杭州为例，2024年上海居民人均可支配收入达到7.8万元，苏州为7.2万元，杭州为7.5万元，差距相对较小。居民收入是影响房价的重要因素，相近的收入水平使得各城市居民的购房能力和住房需求趋于相似，从而推动房价向相近水平收敛。产业协同发展是长三角地区的另一大特色。区域内各城市根据自身资源禀赋和产业基础，明确产业定位，实现产业的协同互补。在高端制造业方面，上海重点发展航空航天、高端装备制造等产业，苏州则在电子信息制造、生物医药等领域具有优势，无锡专注于物联网、集成电路等产业发展。例如，在电子信息制造产业中，上海侧重于研发和设计环节，苏州和无锡则承担生产制造环节，形成了完整的产业链条。在现代服务业领域，上海的金融、航运服务等产业发达，为周边城市提供金融支持和物流服务；杭州的电子商务、数字创意等产业发展迅速，与上海的金融服务相结合，促进了区域内电商企业的发展。产业协同发展促进了人口的合理流动和分布。一方面，不同产业的发展吸引了不同类型的人才，使得人口在区域内各城市之间合理流动，避免了人口过度集中在某一个城市。例如，互联网人才会被杭州的互联网产业吸引，而制造业人才则会选择苏州、无锡等制造业发达的城市。另一方面，产业协同发展带来了就业机会的增加，提高了居民的收入水平，增强了居民的购房能力。同时，产业的协同发展也促进了城市基础设施和公共服务的完善，进一步提升了城市的吸引力，推动了房价的收敛。例如，随着产业的发展，各城市加大了对教育、医疗等公共服务设施的投入，提高了居民的生活质量，使得居民对住房的需求更加稳定，房价也更趋于合理。交通基础设施的互联互通是长三角地区促进房价收敛的重要因素。长三角地区构建了以高铁、高速公路、城市轨道交通为主体的综合交通网络。截至2024年，长三角地区高铁运营里程超过5000公里，高速公路总里程超过1.2万公里，城市轨道交通运营里程也不断增加。沪宁高铁、沪杭高铁等高铁线路的开通，大大缩短了上海与南京、杭州等城市之间的时空距离，实现了城市之间的快速通达。城市轨道交通的发展也使得城市内部及周边区域的交通更加便捷。例如，上海的地铁网络不断延伸，与周边城市的轨道交通实现了无缝对接，方便了居民的出行。交通的便捷性促进了区域内人口的流动和资源的配置。居民可以在不同城市之间更自由地选择工作和生活地点，实现了“工作在上海，生活在周边”的模式。这使得周边城市的住房需求增加，房价也随之上涨，逐渐向上海房价靠拢。同时，交通的互联互通也促进了区域内产业的协同发展和资源的共享，进一步推动了经济一体化进程，为房价收敛提供了有力支撑。例如，苏州的昆山、太仓等城市，由于紧邻上海且交通便利，吸引了大量在上海工作的人群购房居住，房价也有了明显的上涨，与上海房价的差距逐渐缩小。长三角地区凭借经济一体化、产业协同发展和交通基础设施互联互通等经济基本面优势，促进了区域内房价的收敛。这一案例为研究中国区域房价收敛性提供了宝贵的经验，也为其他地区促进房价合理收敛、实现房地产市场的平稳健康发展提供了有益的借鉴。5.2低房价收敛性地区案例分析东北地区作为中国重要的老工业基地，在过去的经济发展中曾占据重要地位。然而，近年来，东北地区面临着经济衰退、人口外流等严峻挑战，这些经济基本面的劣势对该地区房价收敛性产生了显著影响，使其房价收敛性较差，成为低房价收敛性地区的典型代表。经济衰退是东北地区面临的主要问题之一。东北地区产业结构以重工业为主，如钢铁、煤炭、机械制造等传统产业占据主导地位。随着中国经济结构的调整和产业转型的加速，这些传统产业逐渐面临产能过剩、市场需求下降等困境。例如，钢铁行业受到国内外市场需求变化和环保政策的影响，产能过剩问题严重，许多钢铁企业面临减产、停产的局面。煤炭产业也因新能源的兴起和能源结构的调整，市场份额逐渐缩小。传统产业的衰退导致东北地区经济增速放缓，2024年，东北地区GDP增长率平均仅为5.0%左右，远低于全国平均水平。经济衰退对房价产生了直接的负面影响。一方面，经济衰退导致企业经营困难，就业机会减少，居民收入水平下降。以辽宁省为例，2024年城镇单位就业人员平均工资为7.5万元，与东部发达地区相比，差距明显。居民收入的下降使得购房能力减弱，住房需求受到抑制。另一方面，经济衰退使得投资者对东北地区房地产市场的信心下降，房地产开发投资减少。2024年，东北地区房地产开发投资同比下降8.5%，房地产市场的供给和需求同时受到抑制，房价缺乏上涨动力，收敛性较差。人口外流是东北地区面临的另一个重要问题。由于经济发展缓慢，就业机会有限，东北地区大量年轻人和劳动力流向经济更发达的东部和南部地区，如京津冀、长三角、珠三角等地。根据统计数据，2010-2024年，东北地区人口净流出超过500万人。人口外流导致东北地区人口总量减少，老龄化问题加剧，人口结构失衡。2024年，东北地区65岁及以上人口占比达到16.8%，高于全国平均水平。人口外流对房价的影响主要体现在需求方面。大量人口的流出使得东北地区住房需求大幅减少，房地产市场供大于求的矛盾加剧。以黑龙江省鹤岗市为例，曾经作为煤炭资源型城市，随着煤炭资源的逐渐枯竭，经济衰退，大量人口外流，房价出现了大幅下跌。2024年，鹤岗市部分区域房价低至每平方米1000-2000元左右，与高峰时期相比，跌幅超过70%。同时，人口外流也导致房地产市场的投资和投机需求减少，进一步抑制了房价的上涨，使得东北地区房价收敛性较差，与其他地区房价差距难以缩小。城市化进程滞后也是东北地区房价收敛性差的原因之一。尽管中国的城市化进程在快速推进，但东北地区的城市化速度相对较慢。2024年，东北地区城市化率为65.5%，低于东部地区平均水平。城市化进程滞后导致城市资源配置不足，基础设施建设相对落后，公共服务供给不充分。例如，在教育方面，东北地区优质教育资源相对匮乏，高等院校数量和质量与东部地区存在差距，这使得许多家庭为了子女能够接受更好的教育，选择离开东北地区。在医疗方面，医疗设施和医疗技术水平也有待提高，一些重大疾病的治疗需要前往其他地区的大城市。城市吸引力不足使得大量人口选择外流，而非进入城市定居，进一步加剧了房地产市场的供需失衡。同时，城市化进程滞后也制约了区域经济的发展，影响了居民收入水平的提高，从而对