摘要：文章以房地产市场为研究对象，选取我国70个大中城市2012年1月至2018年12月的月度商品住宅价格数据为样本，从宏观微观两个方面，采用购买热度、消费者信心、宏观经济、购买者意愿和关注度等五项二级指标建立情绪指数，通过OSL、2SLS和SYS-GMM回归模型分析市场情绪与房地产价格之间的关系。研究表明：房地产市场情绪与商品住宅价格之间存在紧密的相关性，且区域异质性显著存在。首先，市场情绪指数项的系数在四个模型中均显著为正，情绪与商品住宅价格间存在正向相关的关系；其次，滞后项的影响自东向西逐渐增加，影响关系存在区域异质性。

关键词：市场情绪，商品住宅价格，区域异质性

一、引言

我国房地产市场近年来呈现较强的波动性，对稳定发展造成一定的冲击。为此，诸多学者从多方面探究导致房价暴涨暴跌的原因，研究逻辑是由果溯因，从宏观经济表象分析微观经济变化，以统计学的内核解读变量变化，对群体共同行为的原因进行分析。然而在此基础上，我们还要思考最基本的供需关系，房价的剧烈波动终究是起源于买卖行为在短时间内的大量产生或消失，在此基础上从微观行为入手，辅以宏观经济指标，才能够以一个比较全面的视角考察整个房地产市场。

目前对房地产领域的研究主要集中在各项经济指标等宏观领域，而微观调查数据又不足以代表巨大的购房群体及房地产市场，因此借鉴行为经济学思想来衡量微观行为，来弥补现有研究的不足。心理学研究认为，情绪能够影响当期决策（Jon Elster，2000）^[1]。Agnes Virlics（2013）探究了情绪在经济决策过程中的作用，认为将心理学、社会学等其他学科的研究成果纳入经济学理论研究，可以得到更准确、更真实的认识^[2]。金融市场的研究与经验也表明，市场参与者的情绪波动会对其投资行为产生显著影响，进而加剧股票市场的波动。近些年来房地产市场与资本市场有着种种相似性：大额资金沉淀、价值变化缓慢和短时价格波动剧烈，甚至房地产市场的资金流动也与金融市场有着某些共性。

我们不禁联想，能否将研究金融市场的方法论借鉴至房地产市场，认为市场参与者的情绪是引起房价波动的因素之一，这是一个现实且极具价值的问题。基于此，本文通过对市场情绪的定量测量，将行为经济学、心理学思想引入房地产领域，研究市场情绪与商品住宅价格是否存在某种联系。

二、文献综述与理论分析

（一）情绪与预期

由于房地产领域的宏观数据较少，难以像金融领域一样有详尽的宏观数据构建情绪衡量体系，因此一部分国内学者尝试通过情绪的替代指标——预期，分析其对房地产市场的影响，如古丽斯坦等（2014）构建确定性预期与不确定性预期，分析预期对房价的门限效应^[3]。在此之后运用预期分析房价波动的学者越来越多，且已经得出了预期与房价波动之间关系的一致性的结论，杨柳等（2017）认为，预期能够为房价的非理性飙升提供解释，预期与房价的关系陷入了“越调越涨"的困境^[4]。

值得注意的是，在分析情绪与政策关系时，国内现有文献极易将预期与情绪进行模糊，导致进一步研究时名称以及逻辑关系的混乱。通常预期与情绪的逻辑关系为：预期是对未来的观点，预期可以引导情绪，但最终情绪可能会有多种。预期是理性的推断，而情绪可能是感性反映，两者都会对最终的行为产生影响。二者的区别还在于，情绪往往具有即时性。

（二）情绪与投资决策

心理学领域已经达成共识，情绪能够影响投资决策。庄锦英（2003）认为，决策过程中不仅存在作为效用的预期情绪，还存在“即时"情绪直接影响决策行为，因此群体的短时剧烈情绪波动会对宏观经济产生一定影响^[5]。行为金融学也认为，积极情绪的投资者会高估汇报、忽视风险，从而产生较为激进的投资行为，从而影响资产价格。

（三）情绪与购房行为

国外部分学者从微观角度研究情绪与房地产市场的关系，认为情绪与买房呈强相关性。如Jørgensen and Cecilie Juul（2016）对多个丹麦首次购房家庭的定性访谈结果进行分析，给出了买房的部分目的：这是一个情绪性的家庭行为^[6]。Eddie Chi-man Hui and Ziyou Wang（2014）研究了香港房地产市场，认为大众情绪对房价走势有显著的影响，但并未给出影响程度。国内研究情绪影响房地产市场的文献相对较少，主要探究房地产市场有无泡沫及其形成原因^[7]。宋超英和张乾（2009）运用行为经济学中的相关理论分析了是否存在房地产泡沫及其如何形成的微观过程，认为房地产市场存在泡沫且非理性情绪助推了泡沫的形成^[8]。

（四）情绪的度量方法

由于宏观经济指标替代微观行为指标不精确且难以真正反映群体的即时情绪，近些年随着计算机技术和互联网大数据的发展，一些学者运用文本分析技术或情感分析技术，通过网络信息拟合情感，借此统计市场参与者的情绪，这种方法在金融学中首先被大量应用，用以估计投资者情绪。Da、Engelberg and Gao（2015）整合民众关注的搜索数据（关键词如经济衰退、失业和破产），通过搜索数据的频度构建了金融与经济倾向指数来反映投资者情绪^[9]。国内学者孟雪井等（2016）也根据相关搜索频度构建反映投资者情绪的情绪指数^[10]。在房地产领域，宋丹丹等（2018）基于城市报媒房地产报道题目认为，报刊代表的好坏情绪以及引起的舆论讨论对于房地产市场具有引导作用，由此间接影响了房价的变化^[11]。

由于目前房地产领域的研究主要集中在各项经济指标等宏观领域，而微观调查数据又不足以代表巨大的购房群体及房地产市场。因此本文将行为经济学、心理学思想等引入房地产领域，运用主成分分析法构建我国房地产市场的情绪指数，通过回归模型实证研究当期市场情绪对当期商品住宅价格的影响。此外，考虑到房地产地域性强的特点，本文还拟实证分析横向对比市场情绪对东部和中西部城市商品住宅价格的影响程度。

三、研究设计

（一）数据来源及变量说明

本文样本研究期为2012年1月至2018年12月，由图1可得，在此期间内普遍来看全国房地产市场包含至少一个完整的上升-下降（价格与面积均考虑在内）的波动周期，能够得出更准确的结论。所用数据主要来源于wind数据库，地方统计年鉴，中国人民银行官网等，数据处理通过Spss24.0和stata15.0软件进行。

图1　70大中城市新建商品住宅价格指数同比-商品房销售面积同比图

数据来源：Wind，作者整理。

1.被解释变量。商品住宅价格（Hpr）。商品住宅价格=月度的商品住宅销售额/销售面积。由于不同地区的商品住宅价格差异较大，为了避免异方差和多重共线性，在进行数据验证前，对商品住宅价格取自然对数处理。

2.解释变量。市场情绪指数（Emo）作为综合指标，本文从宏观微观两个方面选取五项二级指标对其进行拟合。

宏观指标包含购买热度、消费者信心、宏观经济运行情况三个二级指标。宏观指标反映实体经济的波动，房地产与经济基本面息息相关，当经济向好，民众有较高的总量经济收入，消费情绪较高，则购房行为的发生概率增大。替代指标分别取当月地区商品房销售面积、当月地区消费者信心指数、当月宏观经济景气指数作为替代变量。

微观指标包含购买意愿和关注度两个二级指标。购买意愿参考郑荣卿（2017）的做法^[12]，选取中国人民银行问卷结果中下季度预备购房比作为购买意愿的替代指标；关注度用当月地区百度搜索热度平均值的总和来表示。由于百度指数并未提供搜索数据的下载功能，本文基于编写的爬虫程序，批量获取了关键词“房价"的月度时间序列数据。

情绪指数所选成分如表1所示。为去除单位影响，对所有原始数据进行0-1标准化处理再做主成分合成。选取度量情绪的5个变量做主成分分析，在保证累计方差解释率达到74%的前提下，得到房地产市场情绪指标。

表1　情绪指数二级指标选取表

从表2中可以得出，由于前两项主成分累积比已达74%，因此选取前两项主成分构建情绪指数，计算过程如下：

Emo=（F1*0.44368+F1*0.30462）/（0.44368+0.30462）

其中F1、F2为两提取主成分。

表2　主成分变量选取表

3.控制变量。货币政策（Ir），选取中国人民银行公布的5年期及以上贷款利率作为货币政策的替代变量；居民收入（Inc），选取城镇统计年鉴中的居民可支配收入作为居民收入替代变量。由于仅可采集到季度数据，因此为简化计算，认为居民收入在区域内全年自然平均增长，即年度内居民收入呈线性增长趋势以计算月度居民收入；住房需求（Peo），选取人口密度作为住房需求的替代变量。城市人口密度=城市常住人口/城市区域国土面积。由于统计局只公布年度人口数据而无月度数据，同时区域内人口的增长率波动较小，总量很难在单一年度的某一月份中出现大幅波动，因此为简化计算，认为人口在区域内全年自然平均增长，即年度内人口呈线性增长趋势以计算月度人口密度。区域效应（Reg）作为虚拟变量，数据集合范围为（1，2，3），其中1代表东部，2代表中部，3代表西部。在进行GMM回归时，需要用到工具变量，其需要与模型中内生解释变量高度相关，但却不与随机误差项相关，本文将解释变量的滞后一期作为工具变量。

（二）模型构建

在构建房地产情绪指数后，将情绪指数与商品住宅价格绘制成图2，可以发现二者变化有一定相关性。

图2　2012—2018情绪指数与商品住宅价格

数据来源：Wind，作者整理。

为了检验房地产市场情绪指数与商品住宅价格之间的关系，首先考虑使用OLS（最小二乘法）进行普通回归检验，创建式（1）静态面板模型：

Hpr_i，t=α₀+α*Emo_i，t+γ*Con tr ol_i，t+ε_i，t （1）

其中，i和t分别表示各个城市和时间，Hpr_i，t表示i城市在t时期的商品住宅价格，Emo_i，t表示i城市在t时期的市场情绪指数，Con tr ol_i，t为各控制变量，ε_i，t为随机误差项。

当解释变量Emo的系数为正值时，说明情绪的上升促进了商品住宅价格增加，即情绪与商品住宅价格呈现正向相关关系，否则说明情绪与商品住宅价格呈现负向相关关系。

但是考虑到房地产市场情绪指数的二级指标与商品住宅价格均具有联系性，数据中可能存在较为严重的内生性问题，考虑采用动态面板模型的广义矩估计（Generalized method of moments，GMM）。首先采用Arellano et al（1991）提出的差分DIF-GMM估计方法，消除由于未观测到的截面个体效应造成的遗漏变量偏误，得到式（2）模型：

Δe_i，t=α*Δe_i，t-1+β*ΔEmo_i，t+γ*ΔCon tr ol_i，t+Δε_i，t （2）

由于DIF-GMM不仅消除了非观测的截面个体效应，也消除了不随时间变化的其他变量，另外，就偏误和估计准确性而言，多数情形中变量滞后项并不是理想的工具变量。Arellano et al（1991）以及Blundell & Bond（1998）在DIF-GMM估计的基础上，引入被解释变量差分的滞后项和随机误差项正交的矩条件，得出系统SYS-GMM模型式（3）（4）：

Hpr_i，t=α*e_i，t-1+β*Emo_i，t+γ*Con tr ol_i，t+ε_i，t （3）

Δe_i，t=α*Δe_i，t-1+β*ΔEmo_i，t+γ*ΔCon tr ol_i，t+Δv_i，t （4）

系统SYS-GMM模型更好地解决了弱工具性问题。将差分方程和原水平方程联立组成方程组，工具变量同时包含滞后的差分项和滞后的水平项，将水平方程与差分方程结合进行回归，使得结果更为稳健。总体上，GMM方法不要求扰动项的准确分布信息、允许随机误差项存在异方差和序列相关，比较而言参数估计更加稳健。

首先用最小二乘法的回归观察情绪指数与商品住宅价格之间的关系。考虑到前文在构建情绪指数时，个别指标与房价之间可能存在内生性关系，为了验证结果可靠性，将情绪指数的滞后一期数据作为工具变量进行2SLS（两阶段最小二乘）回归，看结果是否仍显著。

使用工具变量的前提是存在内生解释变量，为此需要进行豪斯曼检验。豪斯曼检验结果为拒绝原假设，可以认为滞后一期的情绪指数是内生变量，由于区位项为虚拟变量，不随时间移动而变化，因此可以进一步使用SYS-GMM（系统广义矩估计）模型进行估计。

四、实证结果分析

（一）主要变量的描述性统计

由表3可知，商品住宅价格的标准差为0.554，说明房价波动的比较强烈。对于可能存在的内生性的影响，本文采用OLS（最小二乘法）、2SLS（两阶段最小二乘法）及GMM（广义矩估计）三种方法进行回归。

表3　描述性统计表

（二）基本回归结果分析

如表4所示，回归结果表能够较好的解释市场情绪与商品住宅价格之间的关系：

表4　全国回归结果表

注：t statistics in parentheses ^*p＜0.05，^**p＜0.01，^***p＜0.001。

1.市场情绪指数项系数在四个模型中均显著为正，可以认为房地产市场情绪与市场上商品住宅价格呈现正向同步趋势，即随着市场情绪上涨，住宅价格也将上升。计量体现在加入滞后一期的情绪指数进行回归时，情绪指数的正向系数降低但仍显著，将其转化为工具变量进行回归后，正相关系数由0.142到0.185显著增大。市场情绪指数增大意味着市场交易额上升，居民对于商品住宅的关注度增大，促进了购买行为的产生，而房地产商品由于商品特性短期供给不足，导致了价格的上涨。

2.情绪指数的滞后一期变量在模型中进行回归，回归系数为正（0.061），却未达到90%的显著性要求。与当期情绪指数相比，滞后期的情绪指数系数虽然为正，但对于商品住宅价格的影响并不显著，这表明情绪指数能够按照即时性的原则，反映市场的情绪变化。

3.所选控制变量中，利率、人均可支配收入、人口密度项系数均为正，表明其均与商品住宅价格呈正向相关关系。而虚拟变量项四种检验模型系数均为负（-0.109），表明区位对于房价有负向的影响。

（三）异质性分析

对比表5东、中、西部地区的结果，可以发现以下几点差异。

表5　分区域回归结果表

注：t statistics in parentheses ^*p＜0.05，^**p＜0.01，^***p＜0.001。

1.情绪指数对商品住宅价格的影响在中西部更大，在东部的影响力较弱。主要观察对象为Emo项，东部地区的最大系数为0.112，三种回归方式中有一次报告不显著。但中西部地区的三次回归均在95%或99%的置信度下显著，且最大系数分别为0.254和0.426。东部地区经济发达，房地产市场的参与者众多，信息网络成熟，情绪由产生至最终影响交易行为时，需要经过众多考验，由于本文构造的情绪指数部分反映了理性的判断，因此理性的交易行为更易被其他突发事件影响，因此情绪对商品住宅价格的影响力在东部较弱。然而中西部地区，由于信息沟通交流较东部地区偏弱，且市场参与者学习能力、网络参与程度均不及东部地区，因此信息不对称情况更为严重，导致的结果就是通过理性预期产生的情绪更容易催生购买行为，中西部地区投机与套利等需要预期判断的交易行为较少，因此导致了情绪指数与商品住宅价格的强相关性。

2.滞后一期的情绪指数对商品住宅价格的影响，由东至西逐渐增加。OLS模型中东部地区影响系数为0.032，中部地区0.061，但这两者未通过显著性检验，同时西部地区为0.168且通过95%置信度下的显著性检验。横向对比可以发现，Emo_t-1系数项由小变大，显著性从无到有。一方面可以认为，东部地区市场的不可预测性较小，中西部地区的不可预测性较大。另一方面，结合情绪指数的构建成分也可以认为，中西部区域的商品住宅市场独立性更弱，市场表现更像是一个受到东部地区影响而波动的市场。

五、结论与建议

为探究情绪与房价波动的内在机理，本文选取我国70个大中城市2012年1月至2018年12月的月度城市数据为样本，从宏观微观两个方面采用购买热度、消费者信心、宏观经济、购买者意愿和关注度等五项二级指标构建房地产市场情绪指数，通过多种回归模型实证检验市场情绪指数与商品住宅价格之间的相关性，并进行区域异质性的分析。结果发现，市场情绪与商品住宅价格之间存在紧密的相关性，且区域异质性显著存在。首先市场情绪指数项的系数在四个模型中均显著为正，情绪与商品住宅价格间存在正向相关的关系，其次，滞后一期的情绪指数项的系数自东部地区向西部地区逐渐增加，西部地区表现为5%水平上的显著正相关，影响关系因区域差异而有所不同。

与资本市场类似，中国的房地产市场作为一个典型的信息不对称市场，各方参与者在无法对整体市场进行把握的情况下，容易受到虚假信息、媒体煽动、亲友谣传等因素的影响，产生包括恐慌、怀疑、羊群效应在内的各种情绪，造成短时间内的情绪大幅波动，对房地产市场的平稳发展造成较大影响。政府要控制房地产市场的非理性发展、防止房地产市场价格的过度波动，不仅要站在管理者的角度去统筹大局，还需站在参与者的角度去弥补房地产市场政策的不合理漏洞。首先，政府需要站在市场参与者的角度，建立一个公平公开公正的健康交易市场，建立公开透明的信息传播平台，维护好每一位参与者进行市场交易的信心。可以将市场参与者的情绪波动作为衡量即时房地产市场是否健康的指标之一，进行预先的前馈调节，灵活的控制市场波动。其次，政府可以将市场情绪管理纳入政府政策考虑范围之内，科学合理地制定房地产调控政策，只有针对房地产价格波动产生的根本原因，从根源上有的放矢地采取措施，问题才能得以解决。最后，不同区域和不同类型的城市房地产情绪指数对房价的正向推动程度也存在显著差异，政府对于房地产市场的管理应分城市实施政策。由于我国幅员辽阔，不同城市具有不同的特征，政府因根据各个城市的经济发展实力，信息网络发展水平，消费者市场参与度和居民受教育水平等原则，为当地制定并选取合理的房地调控政策。此外，政府还应该加大对住房租赁市场的扶持力度，建立完善正规的住房租赁市场，合理解决我国住房供需矛盾的现状，同时加快土地制度的房产税制度深化改革，降低系统性风险，促进我国房地产市场平稳有序的长效机制的建立。

参考文献：

[1]Elster J. Social Norms and Economic Theory[M]. Culture and Politics. 2000.

[2]Virlics A. Investment Decision Making and Risk[J]. Procedia Economics & Finance, 2013, 6（13）: 169-177.

[3]古丽斯坦，路畅，柳杨.预期对房价的门限效应分析[J].中南财经政法大学学报，2014，No.207（6）：52-59.

[4]杨柳，李力，吴婷.预期冲击与中国房地产市场波动异象[J].经济学（季刊），2017（1）：321-348.

[5]庄锦英.情绪与决策的关系[J].心理科学进展，2003（04）：423-431.

[6]Jørgensen, Cecilie Juul. 2016. “The Space of the Family: Emotions, Economy and Materiality in Homeownership. " Housing, Theory & Society 33（1）: 98-113.

[7]Hui C M, Wang Z. Market sentiment in private housing market[J]. Habitat International, 2014, 44: 375-385.

[8]宋超英，张乾.房地产泡沫的形成机理——基于行为经济学视角的分析[J].城市问题，2009（1）：51-56.

[9]Zhi D, Engelberg J, Gao P. The Sum of All FEARS Investor Sentiment and Asset Prices[J]. Social Science Electronic Publishing, 2015, 28（10）: 1-32

[10]孟雪井，孟祥兰，胡杨洋.基于文本挖掘和百度指数的投资者情绪指数研究[J].宏观经济研究，2016（1）：144-153.

[11]宋丹丹，张东.城市报媒情绪、公众关注与房地产市场——基于35个大中城市报媒房地产新闻的面板分析[J].海南大学学报（人文社会科学版），2018，36（04）：118-127.

[12]郑荣卿.市场情绪对商品住房市场交易的影响[D].中南财经政法大学，2017.

作者简介：台玉红，上海理工大学管理学院硕士生导师，博士，研究方向：房地产经营与管理、项目管理研究；房月琴，上海理工大学管理学院硕士研究生，研究方向：房地产经营与管理；王灿，上海理工大学管理学院硕士研究生，研究方向：房地产经营与管理。