城镇居民住房需求分析

城镇居民住房需求分析城镇居民住房需求分析我国房地产业自改革开放以来经历了飞速发展，并成为国民经济的支柱产业。近几年，由于房地产业的蓬勃发展，房地产市场出现发展不平衡现象，一些地区住房供求结构性矛盾较为突出，部分城市房价上涨过快，房地产市场服务体系尚不健全。目前，虽然居民住房价格在持续上涨，但上涨幅度已在国家的控制中趋于合理。然而，却出现了消费者需求停滞这一现象。中国企业海外发展中心主任孙飞对此指出：“国房景气指数下降表明房地产业在降温。”与此同时，在各种网站、媒体上，百姓是否买得起房、房价是否合理等问题讨论得不亦乐乎。在房地产业这种混乱现象深处，消费者的购房需求如何呢?本文通过对城镇居民住房需求的定性与定量分析，构建了住房需求模型，并期望通过模型对一些现象做出解释1.城镇居民住房需求的影响因素及其影响方向随着城镇居民生活水平的显著提高，消费者对住房的需求从单纯的“数量型”向“质量并重型”转变。因此城镇居民对住房需求的影响因素既有数量上的也有质量上的。数量型影响因素主要有以下几个：房价、城镇家庭的可支配收入、购房消费贷款额度、城镇家庭户规模等等；而质量型影响因素也称为随机因素，主要有消费者的预期心理、住房改革相关政策、交通是否便利、物业的好坏、价格是否合理、生活配套是否完善、小区配套设施是否齐全、与孩子学校的距离、园区周边环境、园区规划设计风格等也已成为消费者购房时非常关注的问题。1.1房价房价对于城镇居民住房需求的影响难以确定。对于一个成熟的住房市场来说，商品房的价格形成于成本价格，并受供求关系的影响。同时商品房本身价格的变动也会影响住房需求量的波动。因为住房是刚性的必需品，所以价格的变化对于住房需求的影响并不显著并且不确定，随着房价的飙升，并未见得住房需求的减少。1.2城镇家庭的可支配收入城镇家庭的可支配收入是家庭成员的收入之和，且该收入为可支配的，即工资性收入、财产性收入和转移性收入之和，再减去个人所得税。它与住房需求呈正相关，现阶段，随着市场经济的深入发展，城镇家庭住房消费观念正发生着巨大变化，由原来的等待福利分房逐渐转变为主动购房。一般说来，处于转型经济中的家庭，所面临的财产风险是比较大的，为了避免通货膨胀风险和金融风险对家庭财富带来的不利影响，城镇家庭随着收入的提高一般趋向于增加住房的投资需求。1.3购房消费贷款额度随着家庭住房分配制度的改革，城镇家庭主动购房的动机加强了，商业银行对个人住房消费贷款额度也将成为影响住房需求的一个重要变量。一般来说，商业银行个人住房消费贷款额度的增加会促进住房的需求量。1.4消费者的预期心理对于住房需求的影响难以衡量，但是可以肯定预期心理会影响到住房的需求，例如人们相信房价在未来会一路飙升，并且随着收入的提高越来越多的人会购房来改善现有居住水平，在预知银行存款利率不会大幅度上升的情况下，人们就情愿把多余的钱拿来购买住房，以期未来升值，而不情愿把钱存入银行，这必然会带来住房需求的增加。1.5住房改革相关政策政府的宏观政策对住房需求的影响同样难以度量，因为改革势必会影响到人们的行为，所以它对住房需求是有影响的，但是影响并不大。1.6城镇家庭户规模城镇家庭户规模是指每一户家庭中的人口数量，这个指标越大，单位住房面积内容纳的人口数量越多，人们对住房的需求就越低。1.7其他交通便利、物业管理到位、生活配套完善、小区配套设施齐全、与孩子学校的距离较近、园区周边环境良好、园区规划设计风格符合人们理想的住房，消费者对它们的需求较大，反之需求减小。2.建立需求模型由于一部分因素对住房需求影响的难以度量性和不显著性，在建立需求模型时选取了主要的、可度量的影响因素，根据中国统计年鉴（2005年）的统计数据，得到如下数据资料：销售面积（万平方米）Q价格（元/平方米）P可支配收入（元）I家庭户规模（人/户）S北京2285.82474715638.002.79天津796.09295011467.003.10河北787.8814867951・003.49山西350.2415747903.003.62内蒙古530.9112258123.003.13辽宁1578・1023168008.003.13吉林346.5917587841.003.24黑龙江693.7816937471.003.14上海3059.53576116683.002.86江苏2759.41241810482.003.15浙江2369.73278614546.002.97安徽1179.6615717511.003.36福建1224.61229711175・003.18江西986.9211587560.003.50山东2207.2818869438.003.04河南938.2014437705.003.50湖北1245.3815998023.003.36湖南1030.3512488617.003.40广东3008.59329813628・003.80广西749.7918868690.003.81海南118.2523807736.004.16重庆1138.2615739221.002.92四川1839.0213517710.003.34贵州494.4511817322.003.650.0.云南479.5318608871・003.72西藏9.5627489106.004.80陕西472.9315987492.003.60甘肃235116017377.003.93青海83・6514157320.003.88宁夏267.5516657218.003.67新疆552.6313257503.003.49首先分析自变量P、I、S与因变量Q之间的关系，用Excel分别做出如下散点图：PQ散点图3500.003000.002500.002000.001500.001000.003500.003000.002500.002000.001500.001000.00500.000.00020004000O00600O8♦系列1P（元/平米）IQ散点图3500.003000.00)2500.00米2000.003500.003000.00)2500.00米2000.001500.00*系列11000.00500.000.000050.00100.00150.00200.001(百元)ModelSummaryModelSummaryaDependentVariable:QaDependentVariable:QaDependentVariable:QaDependentVariable:QSQSQ散点图•系列1•系列13000.002500.002000.001500.00500.000.001000.00500.000.000.001.002.003.004.005.006.00s(人/户)从散点图可以看出P与Q呈线性关系，I与q呈线性关系，s与q也呈线性关系，所以设需求模型为线性模型Q=d+aP+bI+cS3.估计参数用sPss软件做出如下结果RegressionVariablesEntered/Removed(a)ModelVariablesEnteredVariablesRemovedMethod1IStepwise(Criteria:Probability-of-F-to-enter<=.050,■Probability-of-F-to-remove>=.100).2S■Stepwise(Criteria:Probability-of-F-to-enter<=.050,Probability-of-F-to-remove>=.100).

ModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1■757(a).572.558586.63168882.806(坊.650.625540.2305248aPredictors:(Constant),IbPredictors:(Constant),I,SANOVA(c)ModelSumofSquaresdfMeanSquareFSig.1Regression13363369.398113363369.39838.832.000(a)Residual9979965.41229344136.738Total23343334.810302Regression15171562.25327585781.12625.992.000(b)Residual8171772.55828291849.020Total23343334.81030aPredictors:(Constant),IbPredictors:(Constant),I,ScDependentVariable:QCoefficients(a)Model1Model12UnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBeta(Constant)-1280.093394.814-3.242.003I.258.041.7576.231.000(Constant)1361.2311121.7141.214.235I.212.042.6235.023.000S-645.597259.369-.309-2.489.019ExcludedVariables(c)ModelBetaIntSig.ModelBetaIntSig.PartialCorrelationCollinearityStatisticsTolerance-■333(a)-1.209.237-.223.191-■309(a)-2.489.019-.426.813-■150(b)-.550.587-.105.1732aPredictorsintheModel:(Constant),IbPredictorsintheModel:(Constant),I,ScDependentVariable:QP没有进入模型，常数项d没有通过T检验，最后得到需求模型Q=0.212i-645・597s4.分析结果统计检验：拟合优度检验拟合优度R2=回归平方和ESS/Y的总离差TSS。R2是因变量的总变差中，因变量与自变量的回归方程所能解释的那部分变差占总变差的比重。一般认为R2越大，则回归直线拟合的越好。R2越接近1说明实际观测点离样本线越近，拟合优度越高。通常时间序列总可能得到较好的R2,而截面数据则总是难得到满意的R2，原因是各个观察值之间存在较大的变差。模型中的数据是截面数据,因而R2=0・65O较满意，系数具有统计意义。T检验显著性检验，在线性模型Q=d+aP+bI+cS中,原假设H0：a=b=c=d=0或变量无影响，备择假设H1：a、b、c、d不全为0,用t分布构造参数估计的95%的置信区间，当t的绝对值为2或更大就可以拒绝原假设，即接受系数不为0或变量是有影响的。模型中常数项的It|小于2,所以常数项被剔除模型，而变量i和s的|t|大于2,变量对需求有影响，系数具有统计意义。F检验F(1,N-2)=被解释变差/(未被解释变差/N-2)(N为大样本容量)，在其他条件不变的情况下，自变量X和因变量Y很强的统计关系会导致被解释变差和未被解释变差的比值很大。当F(1,N-2)的值小，意味着X,Y的线性关系很弱。F(1,N-2)的值大，则意味着X,Y的线性关系很强。模型中的F=25.992,系数具有统计意义。经济意义：我们最后得到需求模型Q=0・212i—645・597s,在回归分析过程采用的stepwise，最终只有i和s进入了回归模型，而p被剔除了。在实际生活中，对于刚性强的房屋，消费者的需求依然旺盛，并且属于理性消费，因此房价对住房的需求影响很小，并不是说房价升高了需求就会减少，或者房价降低了需求就会增大，价格的影响是很难说清楚的，所以最终模型剔除了价格因素，只保留了收入和家庭规模因素。从模型中可以看出，家庭的可支配收入增加会带来住房需求的增加，因为人们有足够的经济能力来改善现有的居住环境，而随着家庭规模的减小住房需求也会增加，这是因为现代社会人们的文化观念有所改变，四世同堂的家庭越来越少，人们更倾向于拥有自己的私人空间，子女不愿意再和父母同住，结婚购房、子女购房等势必会刺激住房需求上升。但是