房价的影响因素及趋势分析「房价分析报告」

今天，环球房讯小毛就大家最近讨论的房价的影响因素及趋势分析「房价分析报告」整理了以下内容，希望能够有助于您了解房价的影响因素及趋势分析「房价分析报告」。

摘要：从商品房屋平均销售价格的视角，以源于国研网和中国统计局数据库中的2005-2016年中国各个省份和直辖市、自治区的房价均价水平数据和供需等几大指标数据作为实证研究样本，通过数据平稳性检验、相关性检验等，进行回归分析和统计对比研究。研究表明，地区生产总值和土地购置费用与房屋价格具有正向相关，地区失业人数、居民消费价格指数等与房价呈现负相关，但各因素影响作用效果具有差异性，此外，中国房价整体仍会保持上涨趋势，但区域差异和幅度等呈现多样性变化。

关键词：房价影响因素；房价趋势研究；土地购置费用；实证统计研究

一、引言

据不完全统计显示，中国最近10年来的房价整体上都是保持着上涨趋势的，尤其是经济科技等比较发达的一线或二线城市，其房价水平对大多数人来说已经达到了一个相当高的水准。不同区域、不同时期、不同发展的房价表现出了比较明显的分化和差异情况，赵杨和王小丹（2017）综述研究指出，分化发展的房价既不能有效促进经济发展，也可能会带来重大的金融风险。研究房价的主要影响因素能够对稳定房价和制定调控政策起到不可或缺的作用，同时，厘清房价未来大致趋势，能够有助于供给双方理性交易，并对经济发展产生一定的稳定效应。研究发现，国内主要研究房价通常是集中在房屋供给、房屋需求、货币政策等宏观经济情况、住房调控政策等政治层面这几个方面对房价的影响因素进行分析和论证。

根据超星发现中的学术辅助分析系统文献研究统计分析发现，与房价影响因素研究最相关的是房地产市场、房地产、房价、房地产价格和影响因素，次相关的是房地产业、住房价格、货币政策、实证分析和住宅价格。科研学术界对房价影响因素的研究主要分布于期刊和学位论文层面，2009-2010年期刊关注发文量迅速增加，自2010年后有所回落，到2015年期刊关注研究又呈现上升趋势。在学位论文方面的贡献于2009-2011年有一个大的飞跃，2011-2014年稳定在高点，2014年后呈现下降趋势。有关中国未来房价走势的研究主要集中在对中国经济、楼市、房价、房地产市场和房地产市场的研究上，与中国未来房价走势研究次相关的是中国房地产、宏观调控、房地产价格、预测和房地产业。与之相关的研究文献主要集中在期刊方面，2009-2010年期刊文献数量大幅上升，2010-2011年却又大幅下降，2011年后的有关该项主题的研究也逐渐呈下降趋势。

王玉珍（2017）对房价的研究从房产的消费品和投资品两重属性着手，着重分析需求、供给和宏观经济变量对房价的影响；刘涛（2017）探究了房价高居不下的原因，并指出由此造成的一系列消极连锁反应，综合考虑了国内外的情况，从三个层面剖析了中国房地产经济当前局面的原因，并提出了一些参考建议；Yang Wang a b ; etc.（2017），运用空间回归方法，研究了租房者比例、流动人口、工资水平、土地成本、住房市场和城市服务水平对住房价格的影响，发现土地成本对房价的影响大于其他因素；姜明奇（2017）基于35个主要城市的横截面数据以实证分析的角度，考量供需及虚拟变量对区域房价的影响，并提出了相应的政策建议；林鸿钧（2017）通过对一线城市房屋大数据的统计分析研究了房价影响的因素，并对2017年房价走势做出一些较为理性的判断；Pengyuan Zheng and Shujun Ye（2017），以河北省为例结合多年商品住宅价格数据，从三个主要因素入手，分析了房价的影响因素和近几年房价的走势情况；苑萌萌（2017）从厂商定价的角度，实证分析了土地价格和建造成本对房价的影响，从成本因素考虑了对房价的影响，并指出房地产供应商，在制定房价会结合供求状况进行定价；朱君妍、张婷和张金娟（2017），研究注重考虑区域差异基础上，各个因素对房价的影响效应和机制；Hongchang Mei and Hao Fang（2017）对商品房价格的可变因素进行分析，以2005到2014在中西部地区的中国作为主要的时间序列数据样本，建立模型，结果表明，中西部大部分省份的商品住宅销售价格仍保持上升趋势，有的保持稳定趋势，只有少数为下降趋势。

综上所述，既有对房屋价格影响因素的研究与分析，也有对房屋价格未来走势的研究和判断，研究层面涉及供给、需求、宏观经济因素、成本因素、区域差异等的考量，但整体上都是从一个或几个层面进行考虑，未能综合研究，同时侧重点和分析指标选择也有所差异。因此，本文借鉴以上研究情况，数据上，从国研网和中国统计局数据库中收集整理2005-2016年中国各个省份和直辖市、自治区的房价均价水平数据和研究变量数据作为实证研究样本，保障了数据的真实性和代表性；实证研究上，为使得研究结论更具可靠和具有代表性，对实验数据进行了平稳性检验和相关性检验等，结合现有文献研究方法和理论，构建实证研究模型，详细研究了供需、宏观经济、行业结构和成本对房价的影响效果和机制，并运用统计对比等方法综合分析了房屋价格未来的趋势情况。

本文的贡献主要体现在以下方面：首先，在现有文献研究方向、内容和方法等基础上，丰富了综合考虑各研究变量对房屋价格的重要性影响的领域；其次，综合考虑检验论证了商品房屋平均销售价格重要指标为代表的度量与地区差异等变量之间的关系，将定性和定量等分析进行结合，拓宽了研究的视角；最后，尽管已有文献也有对房价影响因素和中国未来房价走势的研究，但本文既考虑很多文献都研究的供需和宏观经济因素，也将其他文献单独考虑的成本因素纳入了研究范围，同时又兼顾了行业结构对房价的影响，在研究范围和内容上有了进一步的提高。本文较为详实的论证了供需情况、宏观经济、行业结构和成本等因素对以商品房屋平均销售价格为房价代表的评价体系的不同影响提供了证据。

二、数据说明与假设

（一）数据选择和变量说明

为了研究房屋价格是否受到界定变量的影响，全面考虑地区差异、宏观因素、行业结构、成本和供需情况等，从国研网和中国统计局数据库中收集整理2005-2016年中国4个直辖市、5个自治区和22个省份，涉及6个变量和1个解释变量，共计372个样本作为分析研究对象。

被解释变量定义为商品房屋平均销售价格（ASPOCH）, 将由依法注册设立的房地产开发企业组织建成后出售的住宅、商品用房以及其它建筑物的销售价格按照一定的原则进行均摊，能够大致反映一个地区房屋价格水平的高低。

以ASPOCH为被解释变量的解释变量包括：1）地区生产总值（GRP），它是一个地区所有常住单位在一定时期内生产活动的最终成果，该指标越高说明一个地区的成效越高，均摊到个人的价值越高，从一个方面反映居民的需求能力；2）地区失业人数（RN），它是一定时期满足全部就业条件的就业人口中仍未有工作的劳动力数字，可适当反应经济发展，失业情况通常与经济增长具有反向变动关系，能够程度上反映一个地区的宏观经济情况；3）居民消费价格指数（CPI），该指标是一个宏观经济指标，反映着居民家庭一般所购买的消费品和服务项目价格水平变动情况，它的高低及变动影响着国家或地区的宏观经济的调控；4）土地购置费用（LPC），指房地产开发企业通过各种方式取得土地使用权而支付的费用，代表着房屋成本的一部分，该数值越高说明房屋建筑成本的提高，从成本因素考虑对房屋价格的影响；5）地区竣工房屋面积（ACITA），代表着已经达到验收标准，可以移交使用的各栋房屋建筑面积的总和，一定程度上反映着房屋的库存数量，是从房屋供给的角度考虑对房屋价格的影响；6）地区商品房屋销售面积（SAORCH），它是购房者所购买的套内或单元内建筑面积与应分摊的公用建筑面积之和，反映着行业内外部运行的实际效果，从行业结构层面考虑对房屋价格的影响。

（二）相关假设

理论和实证分析是建立在大数据筛选和处理的基础上，综合运用经济、统计、计量等工具，考虑大多数效应，忽略或较小关注个别及次要指标，因此，研究问题需要一定的假设：

假设1：涉及交易主体是基于理性的，在处理一项决定时能够多方参考信息，综合处理做出相对符合客观实际和大多数人意愿的行动。

假设2：研究不需要将全部指标都考虑，只需要考虑大概率有重要影响的因素，除定义变量和研究范围外，其他影响房价及趋势的主观、个体、差异因素均保持稳定或暂不考虑其影响。

假设3：定义的被解释变量和解释变量具有代表性，能够代表研究对象对应的房价水平表达或影响因素和未来趋势表达。

假设4：截止取得平衡面板数据日，选择的样本数据中存在少量数据缺失或为0的情况，作为研究考虑，其对实验研究结果的影响不重大。

假设5：数据是平稳的；自变量之间不相关；随机误差相互独立，且服从期望为0，标准差为正态分布；样本个数多于参数个数。

三、实证分析与检验

（一）数据平稳性检验

由于回归分析暗含着一个重要假设：数据是平稳的，数据非平稳，往往导致出现“伪回归或虚假回归”。为了避免这种现象，探究数据本身之间的关系，首先对各个变量在建立模型之前进行数据的平稳性检验，本文选用面板单位根检验：Summary（综述）方法对各个变量进行平稳性检验，检验结果如表1所示。

表1 数据平稳性检验

表1的检验结果表明，各变量在不同的检验方法下，原水平和经过差分后呈现出不同的稳定性水平，综上所述，被解释变量ASPOCH经过二阶差分平稳，所以是二阶单整序列；解释变量GRP二阶差分平稳，LPC、ACITA和SAORCH都是一阶差分平稳，而CPI是原始平稳，但在二阶差分的水平上，所检验变量都是平稳的。

（二）数据相关性检验

回归的基本假设包括：自变量之间不相关；随机误差相互独立，且服从期望为0，标准差为

的正态分布；样本个数多于参数个数。确定建模的方向，需要先做各序列之间的简单相关系数计算，选择同被解释变量相关系数大而自变量相关系数小的一些变量，以减少建模方向性错误。

表2 数据相关系数表

表2相关系数矩阵表明，ASPOCH除其本身外，与LPC正相关系数最高为0.6446，与RN负相关值为-0.0674，与CPI负相关值为-0.0957；GRP除其本身外，与SAORCH正相关系数最高为0.8946，与CPI负相关值为-0.1153；RN除其本身外，与SAORCH正相关系数最高为0.6619，与ASPOCH负相关值为-0.067，与CPI负相关值为-0.0825；CPI除其本身外，与SAORCH负相关性最高，无正相关相关；LPC除其本身外，与GRP正相关系数最高为0.7546，与CPI负相关值为-0.0873；ACITA除其本身外，与SAORCH正相关系数最高为0.7706，与CPI负相关值为-0.1014；SAORCH除其本身外，与GRP正相关系数最高为0.8946，与CPI负相关值为-0.1290。综上所述，CPI除其本身外，与其他变量具有负相关性；SAORCH与GRP相关性程度最高，其次是SAORCH与ACITA的相关程度。

（三）模型构建

为了研究商品房屋平均销售价格与各个可能变量之间的关系，借鉴杨中宣和杨洋洋（2017）、李继玲（2017）、王玉珍（2017）的研究及分析，构建它们之间的初步模型公式（1）：

公式（1）

在既定假设和取得数据的基础上，我们对公式（1）进行回归分析（一），发现方程整体显著性通过5%保证水平下检验，但存在着ACITA并不能在5%保证水平下使得其参数显著。考虑到某些变量经过阶差分才具有平稳性，另外为了使数据的呈现方式接近所希望的前提假设，更好地进行统计推断，对数据进行对数变换，从而得到模型公式（2）：

公式（2）中：Y=ASPOCH，X1=GRP，X2=RN，X3=log(CPI)，X4=log(LPC)，X5=log(ACITA)， X6=SAORCH。对公式（2）进行回归分析（二），发现方程整体显著性能通过1%保证水平下检验，且方程拟合程度在接受范围内，同时各变量系数对应的Prob.值均在5%保证水平下使各位参数显著。因此，可以得到模型方程即公式（3）：

其中，常数项对应的t值为2.3790，X1对应的t值为9.7966，X2对应的t值为-6.3479，X3对应的t值为-2.1773，X4对应的t值为13.1778，X5对应的t值为-4.7462，X6对应的t值为-8.9533；方程整体对应的F统计量为96.1222。

（四）实证结果分析

表3结果表明，根据最初解释变量与被解释变量之间的回归结果，研究显示地区生产总值与商品房屋平均销售价格具有正相关，但相关程度比较低；地区失业人数与商品房屋平均销售价格反向变化，一定范围内，地区失业人数越多导致商品房屋平均销售价格越低；居民消费价格指数与商品房屋平均销售价格具有负相关关系，地区居民消费价格指数的提高反而能够促进房价平均水平的降低；其他条件一定的情况下，土地购置费用的提高对商品房屋平均销售价格具有正向推动作用，相对影响还比较显著；地区竣工房屋面积虽与商品房屋平均销售价格具有正向变动关系，但影响作用比较小；地区商品房屋销售面积的增多对商品房屋平均销售价格的提高有比较小的阻碍作用。

表3 实证回归描述性统计

据回归模型回归结果分析，进一步验证了地区生产总值、土地购置费用对商品房屋平均销售价格的提高具有推动效应，影响程度也比较吻合，说明土地购置费用的提高对商品房屋销售价格的提高具有显著的正向作用，而地区生产总值在较小作用下也能推动房价的提升。同时，结果显示也检验了地区失业人数、居民消费价格指数和地区商品房屋销售面积对商品房屋平均销售价格的负向作用，影响最大的是地区居民消费价格指数，其次为地区失业人数，相比之下，地区商品房屋销售面积的影响就小了很多，这样进一步佐证了初步研究分析的结果。反而，地区竣工房屋面积由最初的很小的正向作用变成了较大的负向作用，能够在比较大的程度上阻碍房价的提升，地区竣工房屋面积越多，说明房屋库存量增多，有可能导致一定程度上的供过于求，从而影响房价的进一步攀升。

（五）稳健性检验

为了使结论更加可靠，本文选择从以下几个角度对实验模型进行稳健性检验：1）考虑到人数统计分类标准不同的影响，从另一个分类情况下人数量计算指标地区总人口数（TOTR）作为地区失业人数（RN）的替换，范围上有所增大；2）考虑到土地购置费用（LPC）也属于房地产生产成本的一部分，在增大范围的基础上，将地区房地产计划总投资（TIIRREP）替换土地购置费用；3）考虑到以上两个变量均做了范围上的扩大，施工和竣工通常是建筑行业比较重要的衡量指标，因此采用地区施工房屋面积（ACA）替换地区竣工房屋面积（ACITA），从而进行模型稳健性检验。稳健性检验结果如表4所示：

表4 稳健性检验分析表

替换前后对比显示，虽然存在不同变量t值和系数呈现出增大或减小的情况，但检验结果与上述假设及原模型结果具有一致性。在考虑地区总人口数、地区房地产计划总投资和地区施工房屋面积的基础上，居民消费价格指数的提高反而有助于房屋房价的提升，但由于CPI变量经过二阶分差后才使得其参数在1%保证水平下显著相关，因此存在部分信息偏差，需要结合前后分析进行统一验证。而其余变量在保证作用效果一致的情况下，影响作用有所变化。

四、房价未来趋势研究

由图1可以看出，四个直辖市商品房平均销售价格是随着时间的推移逐渐提高的，相比之下北京的房价在研究期间内增长的空间最大，从2005年的6,788.00元/平方米增长到2016年的27,497.00元/平方米，金额上每平方米增加了20,709.00元，增涨幅度达到了305.08%，其中增速最大的2007年环比增长率为39.53%，此外2006年、2010年、2015年和2016年环比增长率都比较大，均超过了20%，据国家统计局数据显示2007年地区生产总值环比增长也达到了最大为21.30%，地区生产总值环比增长率在2006年和2010年也比较大，均超过了15%，在2015年和2016年其环比增长率有所回调，分别为7.89%和11.53%；失业人数在2007年达到最大值为10.63万人，失业人数最多年份与最少年份比较相差了3.2万人，其中2009年失业人数大幅度下降，从2008年的10.33万人下降到了2009年的8.16万人，2009年以后年度失业人数相对比较稳定，基本维持在7.5-8.1万人之间；居民消费价格指数最低为2009年的98.46，其余年份均在100以上，最大达到了2011年的105.64，据统计分析知平均环比增长率为0.03%，环比增长率呈现出一年大一年小的趋势，但整体离散程度比较小，仅为0.029；纵观研究期间北京土地购置费，在2006年达到了最低值为60.3亿元，且在2006年、2009年、2012年和2016年均出现了负增长，北京的土地购置费用在2015达到最大值2,052.92亿元，土地购置费环比增长率呈现出一年负二或三年正的趋势；竣工房屋面积在北京的环比增长率平均值为负值，说明北京整体大趋势上竣工房屋面积的增长有所放缓，负增长的年数达到了7年；北京销售房屋面积的环比增长率均值也为负值，但其离散程度要高于竣工房屋面积环比增长率均值的离散程度，负增长的年数也达到了7年。

整体上而言，研究期间四个直辖市房价呈现出增长趋势，但增长幅度和空间有所差异，北京、上海、天津和重庆依次有所降低，环比增长率均值分别为14.27%、13.44%、11.42%和9.32%，根据经济情况和数据统计分析，四个直辖市的房价在整体上还是趋于增长的态势，预测2017年和2018年北京、上海、天津和重庆的房价大概分别在31419.87元/平方米、28074.14元/平方米、14294.96元/平方米、5996.25元/平方米和35902.40元/平方米、31848.59元/平方米、15927.19元/平方米、6555.16元/平方米，但预测的精准率从大到小依次却是重庆、天津、北京和上海。

从图2可知，5个自治区的房价均值整体上与4个直辖市的走势比较一致，都是向上态势，与直辖市不同的是5个自治区环比增长率均值相比直辖市而言较小，环比增长率均值最大的为西藏达到了12.89%，最小的为宁夏仅有6.38%，其他三个自治区增速基本持平，在9%-10%之间；2005年的时候内蒙古的房价最低，仅为1,653.00元/平方米，最高的是宁夏房价为2,235.00元/平方米，但截止到2016年，房价最低的是宁夏4,241.00元/平方米，最高的变成了广西5,237.00元/平方米，2005-2016年间，西藏的房价增长了3.01倍，内蒙古的房价增长倍数最小为1.75倍；西藏比其他4个自治区早2年左右达到了峰值，内蒙古和广西的房价呈现逐年增加的趋势，在2007-2009年增长幅度较大，2010年以后增长幅度放缓不少；西藏虽然在2009年和2015年降幅较大，但每一个增长幅度年份增加值较其他4个自治区较大，从而使得西藏环比增长率为最大值；宁夏虽在2005年房价最高，但研究期间整体环比增长率最低，使得其房价截止到2016年变成了5个自治区最低；新疆整体环比增长率均值达到了9.15%，且有很多年份都是正增长，但由于自2010年以后房价增长速度逐年下降，最终使得其环比增长率与广西持平。

研究表明，内蒙古房价增长幅度趋于稳定，广西房价增长幅度呈现出大小年情况，西藏房价大概率保持20%左右的正增长，宁夏房价理论上会有一个7%左右的正增长，新疆房价有可能出现小幅度的负增长。基于理论分析和实际研究，内蒙古、广西、西藏、宁夏和新疆在2017年的房价会分别在4994.82元/平方米、5716.12元/平方米、5771.03元/平方米、4511.56元/平方米和5055.61元/平方米左右；到2018年5个自治区的房价大约会分别在5487.95元/平方米、6239.06元/平方米、6515.01元/平方米、4799.38元/平方米和5517.96元/平方米。预测房价准确率从小到大依次为西藏、宁夏、内蒙古、新疆和广西。

统计分析显示，2005-2016年度，河北、辽宁、黑龙江、江苏、安徽、江西、山东、河南和青海每年均保持着正增长，说明这9个省份的房价比较坚挺，整体情况上保持着房价一年比一年高的态势，近两年增幅较大且稳定的是河北省，增幅较小且稳定的是青海省，近两年房价变动程度较大的省份是江苏，其他省份表现出了大小年的差异情况；除上述9个省份外的13个省虽整体上都保持着正增长的趋势，但某些年份相比上个年度出现了负增长的情况，山西出现过两次负增长，分别出现在2006年和2011年，且2013年以后房价增长幅度均有所放缓；吉林分别在2012年和2016年出来了负增长，2014年之后房价增速明显放慢，在2016年还出现了负增长现象；浙江在2014年和2015年连续两年间出现了负增长，但比率都不高，2015年负增长率仅为-0.01%，连续两年负增长后房价有出现回升，此后基本维持在每年5%左右；福建出现过两次负增长，分别在2008年和2015年，这两年经济情况都很萎靡，尤其是股市和金融方面，形成了很大的风险，福建的房价与经济形势比较密切；湖北在2008年出现过一次负增长，显然是受到了2008年金融危机的影响，而最近两年呈现出了加速上涨的态势；湖南在2014年出现过一次负增长，比率比较小仅为0.38%，湖南房价具有逐步增长的趋势；广东在2014年出现了负增长，比率为-0.08%，与湖南房价情形比较类似，且增长幅度较湖南更大；海南在2012年出现了负增长，2013年增速减缓，2016年又开始增大，增大趋势大概会保持两年左右；四川在2015年出现了负增长，四川房价一直保持比较高的增长速度，最近几年表现出一年增长一年回调的房价增长态势；贵州在2016年出现了负增长，负增长率与上一年正增长率比较接近，2017年房价增速较2016年会有所增加；云南的负增长出现在了2016年，近几年显示云南房价增速放缓脚步比较稳定；陕西在2014年表现出了负增长，且有大小年现象，2017年房价增速比2016年会有所增大；甘肃的负增长分别出现在2005年和2007年，呈现着一年较大的增速后面跟着3年左右的较小幅度增速。

五、结论与讨论

通过数据检验与回归分析研究表明，在综合考虑供需情况、宏观经济、行业结构和成本分析的基础上，得出：地区生产总值能够在一定程度上促进房价的提高，但效果不是很显著，也可能存在滞后现象；地区失业人数和房价呈现负相关，宏观经济不景气会导致房价的降低；居民消费价格指数与房价反方向变化，居民消费价格指数越高，说明通货膨胀的概率越高，物价水平的提高，使得居民支付能力变化不大的情况下，减少了对房屋的实际承受力；土地购置费用越高表示房屋的成本越高，相对应的房屋价格就会有所提升，且影响效果比较显著；地区竣工房屋面积越多说明房屋量越多，理论上供应量增大，但相对于人口数量的增加还是不足，由于刚性需求和居民对“有房就是家”的观念仍会对房价提高产生一定的推动作用，但效果就比较不明显；地区商品房屋销售面积与房价具有负相关性，但影响作用比较小。

中国房屋价格在2005年-2016年期间，均表现出了向上增长的趋势，但直辖市由于经济和政治等优势的存在，其增长率稍高于自治区和各省份，同时房价走势还表现出沿海等经济科技发达的城市具有较大的增长幅度，内陆一些经济科技相对比较落后的省份房价相对其他省份而言略微有所低。中国房价整体上仍会处于上涨的趋势，但由于区域等不同，增长情况会有所差异，与当地经济、科技、人文等有比较密切的联系，同时也会收到经济周期的影响，房价可能会呈现出大小年的情况，一些年份的房屋价格较高或较低，可能意味着相近几年的房屋价格会有所调整，但大的趋势短期内不会发生大的变化，还需要密切关注国家政策动向和具体执行力度。目前，中国房屋中的商住两用房仍大量存在，表明中国房价仍会上涨，借鉴西方国家房价发展情况，当房价高到仅有20%或者更少的人能够有能力承受，或者居民恐慌性进一步深化的时候，同时伴随住房只能是住房，商用只能是商用的逐步实施的时候，代表着房价将为趋于稳定，写字楼会有所攀升。国家会进一步加强宏观调控，将房价稳定在一个比较平衡的状态，让大多数人能够有能力承受或者分担房屋价格，政策和经济等的控制下，房屋将不再是炒房的工具，而是居住的必需品和实用品。

参考文献

[1]Hongchang Mei;Hao Fang.A Study on the Real Estate Price Forecast Model in the Midwest of China–Based on Provincial Panel Data Analysis[J].Proceedings of the Tenth International Conference on Management Science and Engineering Management,2017,Vol.502: 525-536.

[2]Pengyuan Zheng;Shujun Ye.Study on the influencing factors of commodity housing price taking Hebei Province as a sample[A].Industrial Economics System and Industrial Security Engineering (IEIS'2017), 2017 4th International Conference on[C],2017.

[3]Yang Wang a b;Shaojian Wang c;Guangdong Li d;Hongou Zhang a b;Lixia Jin a b;Yongxian Su a b;Kangmin Wu a b.Identifying the determinants of housing prices in China using spatial regression and the geographical detector technique[J].Applied Geography,2017,Vol.79: 26-36.

[4]林鸿钧.一线城市房价涨幅已透支未来多年的预期[J].大众理财顾问,2017,(3): 12-13.

[5]赖华源.当前高房价的影响因素与政府调节措施研究[J].纳税,2017,(20): 101-102.

[6]李继玲.房价波动影响因素研究--基于2005-2015年数据的实证分析[J].经济问题探索,2017,(9): 30-37.

[7]刘涛.对影响房价的相关因素的分析[J].时代金融(下旬),2017,(5).

[8]姜明奇.我国房价的影响因素分析——基于35个主要城市的横截面数据[J].福建质量管理,2017,(10).

[9]王玉珍.房价影响因素的计量经济模型分析[J].社会科学前沿,2017,第6卷(10).

[10]辛王稼轩.基于中国房价影响因素的研究[J].中国民商,2017,(11): 6，54.

[11]薛蕊.面向微观影响因素的房价评估模型的构建与实现——以上海市某小区一期为例[D].华东师范大学,2017.

[12]苑萌萌.影响房价上涨的成本因素分析[J].经济研究导刊,2017,(2): 148-149.

[13]杨中宣，杨洋洋.河南省房价影响因素及其预测研究*[J].科技创新与生产力,2017,(7): 33-36，39.

[14]朱君妍，张婷，张金娟.房价区域差异影响因素实证分析[J].城乡建设,2017,(3): 32-34.

[15]赵杨，王小丹.中国房价影响因素的研究综述[J].中国市场,2017,(25): 18-19.

The influence factors and future trends of house prices

Based on empirical analysis and statistical research

Abstract: From the average sales price of commercial housing perspective, which originate from DRCnet and Chinese Bureau of statistics database of 2005-2016 years Chinese various provinces and municipalities and autonomous regions of the average price level of supply and demand data and several index data as empirical research samples, through the data stationary test, correlation test, analysis research and comparison of statistics regression. Research shows that GDP and land acquisition costs and housing prices have a positive correlation in unemployment, the consumer price index showed a negative correlation with the prices, but each factor has the difference, in addition, China overall prices will remain on the rise trend, but regional differences and the magnitude of the persity of changes.

Key words: the influence factors of house price; the study of house price trend; land purchase cost; empirical statistical study

文中变量英文表示都是英文首字母的缩写形式，如ASPOCH是Average selling price of commodity house（商品房屋平均销售价格）首字母的简写形式。

*表示该水平下在不同的检验方法下各自对应的Prob.值有几项小于0.05；Eviews 8.0中不同的检验方法分别为：Levin, Lin & Chu t*；Im, Pesaran and Shin W-stat ；ADF - Fisher Chi-square；PP - Fisher Chi-square。

检验结果根据EViews 8.0分析统计整理所得。

括号内数字为t值，***、**、*分别表示在1%、5%和10%显著水平上统计显著；对检验数值t做了保留4位小数的处理。

数据来源：国研网和国家统计局数据库。

表中第2列均值表示房价价格均值，最小值和最大值也均表示每个地区研究期间房价水平，价格单位均为：元/平方米；数据来源：国研网和国家统计局数据库。