王惠颖

(北京物资学院物流学院 北京 101149)



我国房地产市场绩效研究

王惠颖

(北京物资学院物流学院 北京 101149)

近几年，随着经济的快速发展，在城市化和现代化的进程中，人口流动的频繁，房地产得到迅猛发展，房价引起越来越多人关注，也直接牵动着人民生活水平。另外，房地产业在我国的国内生产总值中占据重要比重，因此我国房地产的绩效水平研究具有重要的现实意义。

房地产业；市场绩效；因子分析

一、绪论

目前，对于我国房地产业市场结构、效率与绩效关系进行实证研究的文献较少，徐健利用SCP范式对我国房地产业现状进行了分析，认为我国房地产市场集中度较低，资源配置效率较低，规模不经济。常磊对我国房地产业市场结构、房地产企业行为以及市场绩效都进行了研究，从加快城镇住宅建设、拉动国民经济增长、加速住宅市场化进程、改善居民家庭财产结构、促进城乡居民就业等方面衡量房地产业市场绩效，并指出我国房地产业存在的问题。丁威基于scp范式对郑州市房地产业的市场结构、企业行为和市场绩效进行了研究，发现郑州市房地产业市场结构的不合理，属于多头垄断市场，其各个区域属于寡头垄断，房地产市场垄断行为较为严重，导致郑州市房地产业的利润率较高、资源配置效率低下。杨艳琳，李丽从市场集中度与市场绩效的理论出发对中国房地产业的市场集中度及市场绩效进行分析，发现中国房地产业市场集中度与产业利润率之间呈负相关关系、与市场绩效呈现正相关关系，并从利润率、高房价与高房屋空置率、房价收入比较高等方面衡量房地产业市场绩效。

二、房地产市场绩效实证研究

(一)因子分析的基本原理

因子分析是利用降维的思想，把一些错综复杂的变量归结为少数几个综合因子的统计分析方法。因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少的几个综合指标。通常，因子有以下几个特点：(1)因子个数远远少于原有变量的个数。(2)因子能够反映原有变量的绝大部分信息。(3)因子之间的线性关系不显著。(4)因子具有命名解释性。

因子分析的一般模型为：设p个可以观测的指标为X1,X2…,Xp，m个不可观测的因子为F1,F2….Fm，则因子分析模型描述如下：X1=a11F1+a12F1+….a1mFm+＄1；X1=a11F1+a12F1+….a1mFm+＄2；XP=ap1F1+ap2F1+….a1mFm+＄p也可以用矩阵的形式表示为：X=AF+＄其中：m

(二)因子分析的具体应用

1.数据的采集与整理

本文通过搜集我国31个省市为研究对象，选取影响房地产市场发展的主要指标，利用统计软件对原始数据进行相应分析，提取有代表性的指标，计算因子得分，分析影响我国房地产市场的主要因素，并提出相关的建议与对策。根据遵循科学性原则、系统性原则、可操作性原则和有效性原则选取了15个指标：1、企业个数2、本年完成投资额3、本年资金来源合计4、本年购置土地面积：5、房屋施工面积6、新开工面积7、商品房屋竣工面积8、商品房销售额9、商品房销售面积10、企业利润总额11、企业经营收入12、企业所有者权益13、从业人数14、房屋销售价格

2.相关性检验

相关性矩阵X1X2X3X4X5X6X7X8X9X10X11X12X13X14相關X11.0000.9410.8930.7810.9560.9420.9370.9200.9120.5660.8740.7270.9570.133X20.9411.0000.9740.8130.9410.9010.9210.9550.8660.6150.9240.8260.8990.275X30.8930.9741.0000.7720.8810.8360.8770.9690.8070.7180.9730.8910.8620.410X40.7810.8130.7721.0000.8540.8470.8220.7570.8340.2970.7130.6300.764-0.079X50.9560.9410.8810.8541.0000.9790.9600.9070.9640.4710.8330.7050.947-0.004X60.9420.9010.8360.8470.9791.0000.9450.8810.9790.4300.7920.6510.951-0.077X70.9370.9210.8770.8220.9600.9451.0000.8810.9300.4840.8420.7590.9090.068X80.9200.9550.9690.7570.9070.8810.8811.0000.8650.7540.9630.8160.9110.311X90.9120.8660.8070.8340.9640.9790.9300.8651.0000.4430.7680.6250.953-0.111X100.5660.6150.7180.2970.4710.4300.4840.7540.4431.0000.7930.6270.5810.635X110.8740.9240.9730.7130.8330.7920.8420.9630.7680.7931.0000.8560.8420.459X120.7270.8260.8910.6300.7050.6510.7590.8160.6250.6270.8561.0000.7010.466X130.9570.8990.8620.7640.9470.9510.9090.9110.9530.5810.8420.7011.0000.088X140.1330.2750.410-0.079-0.004-0.0770.0680.311-0.1110.6350.4590.4660.0881.000

3.KMO检验与Bartlett检验确定是否适合做因子分析

KMO与Bartlett檢定Kaiser-Meyer-Olkin測量取樣適當性。0.867Bartlett的球形檢定大約卡方901.091df91顯著性0.000

Kaiser给出的KMO做因子分析的标准为：0.9以上表示非常适合；0.8与0.9之间表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示很不适合。上图表明KMO统计量取值为0.867，故检验通过。同时巴特利特球度检验统计量的观测值为901.091，相伴概率为0.000，小于显著水平0.05，则应拒绝原假设，认为相关系数矩阵与单位矩阵有显著差异。所以球形检验通过，所选变量适合做因子分析。

4.公共因子分析

因子分析中的变量共同度公因子方差Communalities起始擷取X11.0000.937X21.0000.958X31.0000.976X41.0000.792X51.0000.983X61.0000.979X71.0000.934X81.0000.968X91.0000.959X101.0000.806X111.0000.967X121.0000.786X131.0000.921X141.0000.917擷取方法:主體元件分析。

图形的第一列数据是因子分析初始解下的变量的共同度，如果对原有的变量采取主成分分析方法提取所有特征值，那么原有变量的所有方差都可被解释，变量的共同度均为1.因为因子个数小于原有变量的个数是因子分析的目标，所以不可提取全部特征值。第二列数据是在按指定提取条件提取特征值时的变量共同度。可以看到除了本年购置土地面积、企业利润总额和企业所有者权益的共同度为0.792、0.806、0.786，其他的共同度都在90%以上，因此，这四个公共因子对各变量的解释能力是比较强的。采用因子分析房地产市场绩效的效果是比较好的。

5.解释总方差

解释的总方差元件起始特徵值擷取平方和載入循環平方和載入總計變異的%累加%總計變異的%累加%總計變異的%累加%110.97178.36278.36210.97178.36278.3629.39967.13467.13421.91313.66692.0281.91313.66692.0283.48524.89392.028擷取方法:主體元件分析。

因子载荷是公共因子与指标变量之间的相关系数，载荷越大，说明公共因子与指标变量之间的关系越密切。在确定公共因子个数时，先选择与原变量数目相等的因子个数。从图形可以看出，第一个因子的特征值为10.971，解释原有14个变量总方差的78.4%，累计方差贡献率为78.4%；第二个因子的特征值为1.91，解释原有14个变量总方差的13.7%；累计方差贡献率为13.7%；这两个因子共解释原有变量的方差为92.1%，累计方差贡献率为92.1%，总体上，原有变量的信息丢失的较少，提取2个因子分析效果较理想；旋转后总的累计方差贡献率没有改变，也就是没有影响原有变量的共同度，但却重新分配了各个因子解释原有变量的方差，改变了各因子的方差贡献，使得因子更易于理解。因此完全可以采用这二个因子概况原始数据对全国31个省市的房地产市场绩效做出评价是合的。

6.房地产市场绩效计算得分及结果

元件評分係數矩陣元件12X10.102-0.012X20.0730.055X30.0360.133X40.138-0.119X50.133-0.079X60.146-0.114X70.117-0.047X80.0530.097X90.149-0.123X10-0.0800.318X110.0170.169X120.0000.181X130.108-0.029X14-0.1840.451擷取方法:主體元件分析。轉軸方法:具有Kaiser正規化的最大變異法。元件評分。

根据因子得分系数和原始变量的值可以计算出每个观测值的各因子的分数，并可以据此对观测值进行下一步的分析。旋转后的因子得分表达式与计算结果如下：

F1=0.102X1+0.072X2+0.036X3+0.138X4+0.133X5+0.146X6+0.117X7+0.053X8+0.149X9-0.080X10+0.017X11+0.00X12+0.108X13-0.184X14

F2=-0.012X1+0.055X2+0.133X3-0.119X4-0.079X5-0.114X6-0.047X7+0.097X8-0.123X9+0.318X10+0.169X11+0.181X12-0.029X13+0.451X14

由估计出的因子的得分，可以描述我国各省市绩效水平，利用因子得分可以从不同的角度对我国各省市房地产市场绩效水平进行比较分析。为了对我国各省市房地产业市场绩效进行评价，现利用各省市因子得分表计算综合得分，各省市房地产市场绩效的获取是基于总方差分解表中旋转后各因子的方差贡献率及计算所得的上市公司各因得分。

所得，其具体计算公式为：

综合成绩=(78.362%*F1+13.666%*F2)/92.028%

三、房地产市场绩效的综合得分分析

1.通过因子分析法得到31个省(市)房地产市场绩效的2项因子得分及综合得分，按照综合得分从高到低排名如表所示。综合得分越高，表明其市场绩效水平越好。综合得分为零或者负值，并不代表其绩效水平为负，这里仅是将各省市的平均绩效水平作为零点。

2.总的来说，我国房地产市场绩效跟经济水平有很大关系，沿海东部省市绩效水平靠前，经济发展落后的西部地区绩效水平相对较差：江苏、广东2省绩效水平较高：山东、上海、浙江、北京、辽宁、四川、重庆、河南、安徽9省绩效水平较差：湖南、湖北、河北、内蒙古、福建、江西、广西、天津、吉林、黑龙江、云南、陕西12省绩效水平差：山西、贵州、甘肃、新疆、宁夏、海南、青海、西藏8省绩效水平更差。

3.我国房地产市场各省市发展不平衡，绩效最好的与绩效最差的省市之间的综合得分差距为3.12。广东、江苏、浙江、山东、上海这些长江三角、珠江三角洲经济发达的省市房地产市场绩效水平较高，而青海、西藏、宁夏、甘肃、新疆这些经济欠发达的省市房地产市场相对较差，特别是西藏、青海这三年来房地产绩效都居于最后两位。主要是经济发达地区房地产业起步比较早，大型房地产企业比较多，投资规模比较大，生产能力和管理水平相对较高.

[1]樊悦晨.我国房地产业市场绩效分析[J].统计与咨询，2010,3

[2]张红.房地产经济学[M].北京：清华大学出版社，2005

[3]洪弋浩，黄汉江.房价影响因素理论研究[J].中国经贸导刊，2010，(2):72.