一 引言

房地产业在国民经济中占据着重要的位置，不论是从投资拉动还是需求拉动的角度看，其对中国经济的增长都有重大的意义。根据相关数据，1998—2011年，我国房地产业增加值占GDP的比例整体呈上升态势，由4%上升至5%以上；房地产开发投资对GDP增长的贡献率由6.32%增加到13%，其增长速度和贡献率在各大主要行业中排在前列。就上海而言，房地产行业也属于重点产业，商品房销售额/房地产投资额的拉动作用一度达到14.7%(2005年)。另外，房地产业的发展对地方政府财政收入的增加、基础设施的改善、居住水平的提高等同样作出了重大的贡献。

但是，由于各种原因，房地产业的发展会产生波动。这些原因包括需求波动、泡沫因素、预期心理、宏观周期以及制度变化等。房地产业的波动给其他产业和整个国民经济带来了困扰。如果能对房地产市场的波动进行预警，既有利于政府及时调控，作出相应部署，也有利于房地产企业恰当应对，合理安排经营策略；而且，从理论上来说，如果能根据房地产市场的内部运行机理，选择正确描述、反映、度量房地产经济运行特点及态势的预警指标体系，建立科学、完善的房地产监测预警系统，对于房地产经济研究也有创新意义。

二 房地产市场预警的相关理论

国内早期在此方面的研究主要是对房地产市场预警系统的介绍及其构想。梁运斌(1995)和袁贤祯(1998)分别提出了建设房地产业预警预报系统和监测预警系统的基本构想，他们的基本思路都是基于房地产业的周期波动理论，建立房地产业景气指标体系，从不同角度反映房地产业的周期波动状态，并在此基础上构建预警系统，从而正确分析房地产业的运行轨迹，并预测其发展趋势，引导房地产业理性发展。

随着房地产业逐渐呈现出重要性，关于房地产市场预警的研究日渐丰富，其主要可以分成两类，一类侧重于对房地产市场预警指标体系的研究，一类侧重于对房地产市场预警方法体系的研究，当然两类研究有一定的交叉。

房地产市场预警指标及指标体系是房地产市场预警系统的基础，科学和合理地设置参数体系能有效地实现房地产市场预警系统的功能和目标。所以，对房地产市场预警指标及指标体系的深入研究，无疑是房地产市场预警系统研究的一个最重要的内容。

指标体系建立的关键问题在于如何确定代表性指标。叶艳兵、丁烈云(2001)通过采用“第一主成分”分析法以及相关性分析等一系列定量分析方法，同时结合定性分析方法，探讨了如何建立符合房地产业自身特点的预警指标的问题。余凯(2008)同样借助主成分分析法，选择和构造了由7个房地产市场预警复合指标构成的体系。代表性指标可能具有不同的性质，彭翎(2002)的研究即是将指标进行分类，根据其与房地产经济发展的关系将它们划分为先行指标、同步指标和滞后指标，在综合分析各类指标与房地产业周期波动的先后程度关系的基础上，建立起能够反映房地产业经济周期波动态势的具体指标及指标体系。此后，郭磊、王锋、刘长滨(2003)同样采用了类似思路对深圳市场进行了研究，他们发现宏观经济指标基本上领先房地产业经济指标。而上海市房地产市场预警预报指标体系研究小组(以下简称“上海课题组”，2003)则将房地产市场预警指标分为市场即期指标、市场预期指标和价格贷款指标三部分，引入了预期因素。此外，李斌(2004)基于房地产的市场运行机理和周期波动理论，李崇明、丁烈云(2005)基于系统核与核度理论和灰色关联分析，杨佃辉、陈轶、屠梅曾(2006)基于聚类分析和非参数检验方法等，均提出了各自的指标体系。这些主要研究的目的是将在经济意义上与房地产市场有关联的许多指标遴选和提炼成数个核心指标。

不管何种遴选方法，均无法撇除主观因素。师应来、王平(2011)在对常用的房地产预警指标体系选择方法及筛选流程进行分析的基础上，提出了一种主客观相结合的房地产预警指标选择方法，即先采用综合分析方法对指标进行初次选择，然后用聚类分析和相关分析相结合的方法进行再次选择。另外，大多数研究均认为，每一个城市的房地产市场都有其自己的特殊性，应该根据各类城市的具体情况进行分析和选择(上海课题组，2003)。

另一方面，对于预警方法体系的研究，也存在多种思路。房地产市场预警系统的宗旨是客观地对房地产业经济运行态势及其发展趋势进行推测和评判，并且对有可能出现的警情寻求合理的调控对策，其一般流程设计为：(1)分析影响房地产市场波动的各种因素，建立分析景气循环波动的数据基础；(2)利用计量经济分析技术和数据分析方法，探讨警素的警域和权重；(3)选择警度预报方法(罗积玉等，1985)。

在确定警域和警度方面，同样存在多种研究思路。赵黎明、贾永飞(1999)对经济预警的各种方法进行了分析比较，确定了将统计预警方法作为房地产市场预警系统设计的基础；运用时差相关分析数学方法筛选出警兆指标，并通过专家意见确定了预警界限，并运用模糊评价方法来进行警级综合的警情预报，使房地产经济分析走向定量化和系统化。胡健颖、苏良军(2006)选用了北京市11个变量的1995年1月到2005年8月的128个观测值作为初始样本，利用3σ原理阐述了如何利用北京市房地产市场现有的数据建立预测模型并进行预警监控。其预测模型是提前一个月的预测模型。刘亚臣、孙小丹等(2009)运用统计学中的控制图原理及3σ原理，对房地产预警系统中的预警界限进行了探讨，确定了沈阳市房地产预警系统预警区间。王飞、王学明、王新一(2011)将数据挖掘技术引入到房地产预警系统设计中，结合数据仓库和决策支持系统，建立了基于粗糙集数据预处理的支持向量及预警模型，运用3σ警界控制原理确定各状态区间，划分出不同的警度，并提出了房地产市场预警预报系统的完整解决方案；他们还结合银川市的实际情况，构建了银川市房地产预警系统指标体系。朱雅菊(2011)选取1995—2009年上海市房地产市场相关数据作为研究样本，构建了基于LVQ神经网络的预警模型，经过训练测试后，该模型具有良好的分类功能；仿真结果表明，利用LVQ网络进行模式识别是合适的，所构建的预警模型能够有效地预测房地产市场危机。

概而言之，目前国内所进行的房地产市场预警系统实证研究中，事实上主要可分成两种，一是筛选指标并建立预警指标体系，对各个指标提出警限，然后进行加权汇总。其常用的筛选和合并指标的方法包括聚类分析、主成分分析、层次分析法和专家意见法等；在提出警限时主要是运用专家意见法。另一种是通过回归等方法，预测房地产市场某指标的走势，并通过3σ方法等进行警限、警情判别。而有关模糊分析法、神经网络分析等还处于试验期，相关文献较少，且具有一定的局限性。

本研究倾向于后一类方法。一方面是前者带有过多的主观意见，包括警限确定、加权方法等；另一方面是前者在预测方面着力较少，而偏重于解释市场波动来自于何种指标的波动冲击，没有建立起未来市场走势与现期态势的联系模式。另外，由于指标数据本身的非平稳性，一些方法如聚类分析、主成分分析等并不适宜直接应用(胡建颖等，2006)。

三 上海房地产市场预警的理论模型及其拟合与控制 (一) 预警指标体系

根据前述文献，房地产市场预警指标主要包括以下几类：(1)生产类预警指标。房地产开发规模剧增、投资增幅巨大、投资收益率过高等都将引起房地产市场的过度投机和地价飞涨，由房地产的生产过程而引起的房地产市场过热是房地产泡沫产生的重要根源。可见，此类指标一般包括房地产投资占固定资产投资的比重、房地产投资增长率、土地与楼宇供应量增长率、房地产投资收益率等。(2)交易状况类预警指标。房地产市场的交易状况可以反映该市场是否存在投机炒作行为，如通过对商品房销售面积增长率、商品房销售额增长率、土地转手率等指标可以判断房地产交易是否平稳。(3)消费状况类预警指标。当房地产市场过热时，将吸引大量资金流入房地产业，由于预期房地产将升值，炒卖现象严重，可能引起商品房和土地价格暴涨。一般可以用商品房价格增长率、地价增长率、房价/家庭年均收入等指标来判断房价上涨与需求增长是否成正比等。(4)金融类预警指标。从我国房地产业发展多年来的实际情况来看，推动房地产泡沫产生的资金绝大部分是从银行流出的。一些金融类指标能够较好地预测房地产泡沫的状况，如货币供给量增长率、房地产贷款增长率、楼宇按揭利率、中长期贷款利率等。

对于具体指标的选择，本文主要考虑到两个因素：(1)区域差异性。各个城市或区域在社会、技术、经济等宏观环境背景层面都存在着很大的差别，各地必须根据自身的实际情况建立独立的房地产市场预警预报系统。(2)预警系统的可行性。很多学者在对预警系统进行研究时往往纯粹从技术层面进行考虑，对于数据的可获取性、系统的可执行性及其执行难度、维护难度等都缺乏一个深入的考虑，使得很多的预警系统的设想仅仅停留在理论层面，无法投入实际应用。由此，借鉴前述的研究成果，本文从上海市统计局网站、《上海市统计年鉴》、wind数据库、中信建投和安信证券研究报告等处广泛搜集数据，经梳理后，考虑到理论性和可得性相结合的原则，采用以下数据作为房地产市场预警体系的基本指标：(1)商品房预售面积、可售面积、新开工面积、竣工面积、销售面积；(2)房地产开发投资额、全社会固定资产投资总额；(3)CPI、住房租金指数、住宅价格指数、二手住宅价格指数、住宅成交均价(区分内环内、内外环间、外环外)。数据包括月度数据和季度数据，但由于季度数据的序列不全，且数据量不足(少于20条数据)，因此，模型的估计只能采用月度数据。

(二) 预测模型

考虑到评估房地产市场是否存在风险应区分多个不同维度，本文建立了两组模型对房地产市场状况进行拟合。

1 销售价格环比模型

$ pric{e_t}mom = {\beta _0} + {\beta _1}pric{e_{t - 1}}mom + {\beta _2}pric{e_{t - 6}}mom + \sum {{\gamma _j}facto{r_{j,t - 1}}} + \sum\limits_1^{11} {{\lambda _j}{M_{j,t}}} + {u_t} $

其中，price_tmom是t月的商品房销售价格环比增速值；price_t-1mom为商品房销售价格环比增速值的滞后一期；price_t-6mom为商品房销售价格环比增速值的滞后六期；factor_{j, t-1}表示其他各影响因素的滞后一期值，包括商品房预售面积环比和同比增速值、可售面积环比增速值、新开工面积环比增速值、竣工面积环比增速值、销售面积环比增速值、固定资产投资额环比增速值、房地产开发投资额环比增速值、CPI值、住房租金指数、房地产开发投资额/固定资产投资额、商品房销售面积/可售面积、商品房新开工面积/竣工面积；M_{j, t}是1到11月份的哑变量，用以代表季节影响。在本模型中，销售价格环比增速值的滞后一期和滞后六期代表市场的滞后效应(胡健颖，2006)，预售面积、可售面积、新开工面积、竣工面积、销售面积等环比增速值显示房地产市场趋势信息，固定资产投资环比增速值、房地产投资额环比增速值体现供方对市场景气的预期信息，销售面积/可售面积、新开工面积/竣工面积体现即期市场供求平衡程度，CPI值用于体现通胀程度的影响，住房租金指数体现替代市场的影响。

相关研究显示，上海房地产市场的分层效应明显，内环内、内外环间、外环外市场变化规律并不一致且又存在一定的相互影响(上海课题组，2003)，因此本组模型包括三个子模型，即因变量分别为内环内、内外环间、外环外的销售均价环比增速值。

当因变量为内外环间、外环外价格环比增速值时，自变量中还分别加入了内环内滞后一期及六期、内环内和内外环间滞后一期及六期的相关数据。当因变量为内环内时，自变量只包括内环内的滞后值。以上处理系考虑到价格因素具有区域间的传导性，根据相关文献，这种传导性具有从市场高端向低端传导的性质，但不具有反向性(上海课题组，2003)。

2 销售面积环比模型

$ saleare{a_t}mom = {\beta _0} + {\beta _1}saleare{a_{t - 1}}mom + {\beta _2}saleare{a_{t - 6}}mom + \sum {{\gamma _j}facto{r_{j, t - 1}}} + \sum {{\lambda _j}{M_{j, t}}} + {u_t} $

其中，salearea_tmom是t月的商品房销售面积的环比增速值；salearea_t-1mom为商品房销售面积的滞后一期环比增速值；salearea_t-6mom为商品房销售面积的滞后六期环比增速值；factor_{j, t-1}表示其他各影响因素的滞后一期值，包括商品房预售面积环比增速值、可售面积环比增速值、新开工面积环比增速值、竣工面积环比增速值、住宅价格指数、二手住宅价格指数、CPI值、住房租金指数、房地产开发投资额环比增速值、固定资产投资环比增速值、房地产开发投资额/固定资产投资、商品房销售面积/可售面积、商品房新开工面积/竣工面积；M_{j, t}是1到11月份的哑变量，用以代表季节影响。本模型中不区分内环内、内外环间、外环外三类区域，因为一方面没有理由和文献支持内、中、外环的销售面积之间会存在相互影响，另一方面也缺乏相关分类的销售面积数据。

本模型比价格模型多出两个自变量，即滞后一期的住宅价格指数和二手住宅价格指数，这两个指数会影响供需双方对市场趋势的判断，因而影响销售结果。在销售价格环比模型中没有加入这两个指数，是因为检验存在较强的多重共线关系，故去掉。

(三) 模型拟合及分析

对两组模型采用月度数据拟合，共计得到2009年1月至2012年10月的46条观测值。首先对因变量序列进行chou检验，以辨别是否存在趋势转折点，结果没有发现明显的趋势转折点，无需对以上数据进行分段处理。对以上模型进行拟合，采用stepwise方法，根据SC准则选择最终拟合模型。拟合结果如表 1。

表 1各回归结果中，Presaleyoy为商品房预售面积同比增速值，Presalemom为预售面积环比增速值，Innerpricemom(mid, out)为内环(中环、外环，下同)均价环比增速值，Innerpricemom1/6为内环均价环比滞后一期/六期增速值，Realinvestmom为房地产投资额月度环比增速值，Completemom为竣工率月度环比增速值，Salemom1/6为销售面积环比滞后一期/六期增速值，Inframom为全社会固定资产投资额环比增速值，Saletosupply为销售面积/可售面积，Newtocom为新开工面积/竣工面积。以上回归结果中，F值的sig.值均为0.01以下，说明回归整体显著；D-W值均为2.0左右，说明不存在明显的自相关性；各纳入模型的自变量的VIF值均小于3，绝大部分小于2，说明这些指标间不存在多重共线性，对模型拟合没有造成共线性干扰。

从回归结果中可以发现，内环内的销售均价环比增速值滞后一期对内外环间的销售均价环比增速值有显著影响，而对外环外的销售均价环比增速值则无显著影响；内外环间的销售均价环比增速值对外环的也无显著影响。同时也可以发现，影响内、中、外环区域价格环比增速值的因素各有不同。对外环区域而言，主要的影响因素是销售面积环比增速值和预售面积环比增速值。可见，外环的价格增速主要与当地的销售情况有关，即与市场销售形势关系更为密切，而与投资等因素关联不大。在内、中环区域，价格环比则与供求关系、合理投资比等关联较为密切。

各模型的模型拟合优度不同，其中以内环内房价的拟合结果最好，ΔR²达0.608。我们即以对内环内房屋销售均价环比增速值的拟合模型来进行下一步分析。

(四) 模型的拟合效果

由于篇幅所限，本文主要对内环内房屋销售均价的环比增速值进行拟合，结果如图 1所示；其95%置信区间的估计如下图 2所示。

结果显示，本模型能较好地跟踪销售均价环比增速值，在40多条预测数据中，真实值基本都落在95%置信区间内，只有一个点稍高于上限。因此，本文认为，可用该模型来预测下一时段的房地产市场运行指标，并作出相应预警。

(五) 预警控制

拟合模型解决了预测的问题，但还不能直接用来进行预警监控。对房价环比增速值序列本身进行单位根ADF检验，在95%显著性水平下，检验显示是非平稳序列，因此不能直接应用于预警。为此，本文构建了两个统计量以用作预警，分别是(1) $\sqrt[{12}\;]{{\prod\limits_1^{12} {pricemo{m_t}/pricemo{m_t}} }}$；(2)$1 - \frac{1}{{\prod\limits_1^{12} {pricemo{m_t}} }} = pr\hat ic{e_t}/pric{e_t}$。其中，$pr\hat ic{e_t}$是经季节调整后的t月的房地产均价。统计量(2)相当于房地产月度价格增长率的平稳性。胡健颖等(2006)曾在对北京市的研究中使用过第二个统计量，发现其是平稳统计量。统计量(1)是预期的房价环比增速值的几何平均值除以当期值，其实质含义也类似于增长率的平稳性。经ADF单位根检验，统计量(1)是平稳的，可用于进行预警，而统计量(2)的p值较高。因此，本文采用统计量(1)进行预警。

根据概率上的误差理论，本文借鉴质量与风险管理中的6-sigma理论，来实现对上海房地产市场价格月度增长率的预警监控。6-sigma理论的基本原理是：房地产价格增长是否“正常”或“异常”的参考值不是一个单一的数值，而是一个范围或区间；该范围或区间的界定可以根据正态分布理论来确定。这也是前面要建立平稳统计量的依据。

根据正态分布原理，房地产月度价格增长率应分布在其均值附近，离均值越远，其发生的概率越小，并越值得警惕。这一距离选择一般依据标准差来定，如果是严格的控制，以偏离一倍标准差以上作为异常；如果是一般的控制，以偏离两倍标准差以上作为异常；如果是宽松的控制，则以偏离三倍标准差以上作为异常。在房地产市场预警中，如果选择三倍标准差为标准，则几乎没有数据会落在异常区间。参照张泓铭和陈则明(2004)、胡健颖等(2006)的研究，本文采用两倍标准差作为房地产月度价格增长率是否异常的依据。据此，确定五个区间，预测值在正负两倍标准差以外的为异常区间(过冷、过热)，偏离均值在正负一倍到两倍标准差之间的为偏冷或偏热区间，在均值正负一倍标准差之间的为正常区间。

图 3对上海市内环房地产市场2010年6月到2012年9月的价格增长率作出了预警区间分布。从图 3中可以发现，大部分数据都落在正常区间内，只有5个数据落在偏冷/偏热区，并只有一个数据落在过冷区。而实际上，由于调控政策及整体形势的影响，2012年8月上海市内环房地产市场形势确有一定的风险聚集，长期积累下来的市场低迷达到了一个限度而又没有新的政策信息出台。需要说明的是，本监控统计量并不直接说明月增长率本身，而是其序列平稳性，因此，处于异常区间实质上是说明其不够平稳，可能带来急剧变动。

四 结论与不足

本文重点阐释了如何利用上海市房地产市场已有的数据建立预测模型并进行预警监控，实证结果显示，本文的预测思路较为有效，上海各区域的房地产市场的确呈现不同的价格影响模式，并不适宜采用单一的预测模型。6-sigma预警控制应用说明了其有效性。

本文存在的不足在于：第一，受篇幅所限，本文只详细描述了对上海内环房地产价格月度增长率的预测和预警。事实上，本文建立了两组模型，可以根据不同的监控目标提供多方面的预测结果。房地产市场完全可能出现不同区域量价不一致变动的情形，那么本文建立的模型组就可以提供多侧面的预警信息，反映更多的内容。第二，受数据所限，本文建立的是提前一月的预测模型，事实上，季度预测可能是更好的选择。因为月度数据可能会因为一两个大盘的销售而产生波动(无论是量还是价)，季度数据则能较好地避免这一现象，而且政策效果可能会有滞后性，月度预测无法反映出这一滞后性，由此将带来误操作。因此，在后续的研究中应考虑使用季度数据进行模型拟合和预警操作。第三，对预警信息的解读，还需要建立一套指标体系。借助于指标体系对异常情况进行分解分析，有助于市场解读和可能的政策调整。但这样做，单纯借助于目前已有的两条分析路径可能是不够的，需要在方法上有更多的创新，譬如建立类似于结构方程模型的思路，既能综合模拟、汇总信息并进行预警，又能将预警信息解读为各类具体警讯。总之，在此方面的理论建设任务还有很多尚待完成。