新時代背景下房地產(chǎn)價格風險測度及區(qū)域分布研究

鄭瑞涵

摘?要：房地產(chǎn)價格變動的風險評估與預測，對實現(xiàn)住房剛性需求、貫徹新時代多渠道保障住房制度具有重要意義。采用2013年1月至2022年12月70個大中城市面板數(shù)據(jù)，基于在險價值風險度量理論，使用歷史模擬和蒙特卡洛模擬兩種算法測度新建商品住宅銷售環(huán)比價格指數(shù)變動風險情況，并從地理空間角度分析城市風險特征分布。研究結(jié)果發(fā)現(xiàn)：一線城市房價指數(shù)波動風險相近其風險值由高到低依次為深圳、廣州、上海、北京，新一線城市相比一線城市房價指數(shù)平均波動風險更高且城市間差異較大，在未來平均房價指數(shù)波動風險略有上升，而傳統(tǒng)一線城市和其他城市平均風險則相對有所下降。東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會城市風險測度結(jié)果相對較高，中南地區(qū)多中風險城市，低風險城市較分散?，F(xiàn)有房價仍需以一線城市為標桿推進新一線城市房價穩(wěn)預期，因地制宜實行房地產(chǎn)行業(yè)相關(guān)政策。

關(guān)鍵詞：房地產(chǎn)價格；在險價值；歷史模擬；蒙特卡洛模擬

中圖分類號：F832.49???文獻標識碼：A?文章編號：1005-6432（2024）07-0182-05

DOI：10.13939/j.cnki.zgsc.2024.07.046

房地產(chǎn)價格指數(shù)是反映一定時期內(nèi)房屋銷售價格變動及趨勢的相對數(shù)，對于直觀觀察房地產(chǎn)市場情況、穩(wěn)定房地產(chǎn)市場具有重要意義。房地產(chǎn)價格變化關(guān)乎全局，由于房地產(chǎn)行業(yè)與其他行業(yè)緊密相關(guān)，故其過快或過慢的漲跌幅都會引起房地產(chǎn)行業(yè)的泡沫產(chǎn)生。黨的二十大報告中進一步強調(diào)了“房住不炒，不將房地產(chǎn)作為短期刺激經(jīng)濟的手段”的政策基調(diào)。對房地產(chǎn)價格指數(shù)變化的風險評估，即是對房地產(chǎn)價格波動風險的防范準備，也是對加快建立多渠道保障住房制度的精神貫徹。

1?房地產(chǎn)市場發(fā)展現(xiàn)狀及文章研究思路

1.1?房地產(chǎn)市場發(fā)展現(xiàn)狀

保民生和保質(zhì)量為我國現(xiàn)有住房制度改革的兩大目標。黨的十九大以來，樓市優(yōu)化、住房不炒政策持續(xù)推進，房地產(chǎn)投資屬性逐漸向消費品屬性靠攏，爆發(fā)性房價上升的現(xiàn)象日益減少。二十大租購并舉政策的推出，長期租房的門檻降低，商品住房受其影響價格也將隨之波動。而伴隨經(jīng)濟變遷，各大新一線城市逐漸抓住政策紅利，并進一步響應黨的二十大精神出臺房地產(chǎn)行業(yè)相關(guān)青年友好政策，實現(xiàn)人才引進，給予青年以更大發(fā)展機遇。房價風險波動相關(guān)的政策舉措對于引納青年不可或缺，在為青年發(fā)展及其他房產(chǎn)投資者提供決策依據(jù)的同時，也對新一線城市進一步發(fā)展予以房地產(chǎn)相關(guān)行業(yè)的政策保障。相對于傳統(tǒng)一線城市的北上廣深，2022年在70個主要大中城市中進入新一線城市的主要有成都、重慶、杭州、西安、武漢、鄭州、南京、天津、長沙、寧波、合肥、青島等。多數(shù)城市房價近年來下跌情況嚴重，相關(guān)房地產(chǎn)行業(yè)的投資、銷售風險也隨之升高。截至2022年12月，70個城市的房價指數(shù)中新一線城市房價指數(shù)主要處于98.38～99.24，其他多數(shù)城市則聚集于99.25～100.10。如何量化并評估城市房價波動風險，對新形勢下了解房價波動風險程度，從而做好消費投資決策與風險規(guī)避迫切相關(guān)。

1.2?文章研究思路

現(xiàn)將金融風險管理領(lǐng)域具有廣泛應用的風險度量指標在險價值，引入房地產(chǎn)價格指數(shù)風險評估。文章基于在險價值理論，使用歷史模擬和蒙特卡洛模擬兩種測算方式，評估了2013年1月至2022年12月70個大中城市新建商品住宅銷售價格指數(shù)波動的風險情況，并進一步對風險等級分類進而分析各城市房價風險在地理空間分布上的差異。在第二部分給出在險價值理論發(fā)展與房地產(chǎn)市場風險度量研究現(xiàn)狀的文獻整理，第三部分提出文章的研究設計，基于研究思路第四部分實現(xiàn)了實證與結(jié)果分析，并在第五部分提供了相關(guān)結(jié)論與建議。

2?理論基礎(chǔ)與文獻回顧

2.1?在險價值理論研究現(xiàn)狀

在險價值（VaR）是指一項給定的資產(chǎn)或負債在一定時間內(nèi)與一定置信度下，投資者投資獲取的最小期望損失，主要運用于投資領(lǐng)域的風險度量，是金融風險管理者常用的風險度量指標。最早在正態(tài)分布假設下計算VaR的方法由J.P.Morgan（1994）提出。隨著在險價值計算優(yōu)化與領(lǐng)域開拓使用的發(fā)展，Cindy?I?Ni（2000）也通過合并十種貨幣利率互換收益率曲線的共同因素，創(chuàng)新開發(fā)出一種利率互換投資組合的風險價值計算方式［1］?？杀M管在險價值應用廣泛，但其忽略了任何超出其自身水平的損失，該種現(xiàn)象亦被稱為“尾部風險”。Mhamed?Mesfioui和Jean-Franois?Quessy（2005）給出了計算在險價值上下限的優(yōu)化方式之一，討論了在只有風險的均值和方差可用的情況下，通過對與風險向量相關(guān)矩陣的所有可能值進行優(yōu)化可以得到明確的界限可以［2］。近年來伴隨機器學習方法的成熟，基于在險價值的風險測度研究在結(jié)合各類模型的情形下，其準確性與規(guī)范性也在逐漸提高。Zhijian?He（2022）基于隨機準蒙特卡羅的條件下對在險價值敏感性進行估計，證明了該模擬下的估計在非常溫和的條件下是強一致的［3］。James?W.Taylor（2022）使用動態(tài)ω比R的模型預測了在險價值和預期短缺，并于在險價值和預期不足的聯(lián)合模型中提出了一個時變乘性因子，證明了聯(lián)合模型中二者擁有不同的動態(tài)［4］。在VaR的預測上，Kshitij（2022）等人基于GARCH-LSTM的混合集成學習方法完成對其的預測，利用參數(shù)化和濾波歷史模擬方法預測出一天前95%和99%風險值（VaR）估計的波動率［5］。此外，Robert?James等人（2023）擴展了在預測尾部風險的方法上，也可以通過對影響風險極值分布規(guī)模的一組稀疏協(xié)變量進行時變數(shù)據(jù)驅(qū)動的選擇，實現(xiàn)對二階段GARCH-EVT模型的正則化擴展［6］。

2.2?房地產(chǎn)市場風險度量研究現(xiàn)狀

現(xiàn)有房地產(chǎn)市場的風險度量主要集中于房地產(chǎn)投資及地產(chǎn)資產(chǎn)管理方面，而在險價值的相關(guān)實證研究除去金融資產(chǎn)風險管理領(lǐng)域，其創(chuàng)新成果也在我國房地產(chǎn)市場風險的測度上有所引入與使用。黃金枝和鄭榕萍（1999）使用不可分散風險度量β的方式完成房地產(chǎn)組合投資決策模型，實現(xiàn)房地產(chǎn)組合投資系統(tǒng)風險最小化的目標［7］。余世暐（2017）使用EGARCH-SDSVa?R模型主要研究了房地產(chǎn)個股價格風險溢出效應，且房地產(chǎn)市場股價波動越劇烈，風險溢出效應越強烈［8］。

房地產(chǎn)價格作為房地產(chǎn)市場的重要組成部分，其風險更為直觀明顯，但現(xiàn)有關(guān)于房地產(chǎn)價格風險的研究更偏向于周期波動與變化率規(guī)律探究。沈悅和劉洪玉（2004）對我國住宅市場不符合有效市場假說且經(jīng)濟基本面對住宅價格解釋模型存在顯著影響進行了探討［9］。王琴英（2014）等人使用三角函數(shù)擬合周期波動模型，發(fā)現(xiàn)我國主要一線城市的房價均已進入下行波動周期［10］。何愷和程道平（2016）使用綜合直線賦權(quán)評價方法，以濟南市房地產(chǎn)市場構(gòu)建了相關(guān)風險指標體系，說明了濟南出現(xiàn)地產(chǎn)市場價格、庫存風險相對較高、總風險水平逐年升高的現(xiàn)象［11］。但現(xiàn)有部分學者在房地產(chǎn)市場價格聯(lián)動上對以往值單獨討論房價周期的波動不足。王雪等人（2021）在運用?DAG?和溢出指數(shù)兩種方法的基礎(chǔ)上，在房價增長趨勢和波動特征兩方面研究了北上廣深核心房地產(chǎn)市場價格聯(lián)動和溢出效應［12］。張卓群和張濤（2021）通過ARIMA-R-Vine?Copula模型實現(xiàn)70個全國大中城市房價關(guān)聯(lián)效應與城市間房價波動風險傳染的預防研究。

綜上，現(xiàn)有關(guān)于在險價值理論的發(fā)展、計算方式、跨領(lǐng)域使用目前已較為成熟，但關(guān)于房地產(chǎn)價格風險度量的研究主要在兩個方面有所不足：①研究視角上，有關(guān)房地產(chǎn)價格的研究大多偏向于全國、區(qū)域總體房價及單一城市房價研究，有關(guān)房價風險空間地理分布特征及價格風險評估的研究較少。②研究方法上，房地產(chǎn)價格或價格指數(shù)相關(guān)風險評估的研究在風險理論的解釋支持上還有所缺失。因此文章擬從70個大中城市的房地產(chǎn)價格研究視角，使用歷史模擬法和蒙特卡洛模擬法完成房價指數(shù)波動的在險價值風險度量，以Arc?GIS軟件直觀其風險差異的空間分布特征。

3?數(shù)據(jù)來源與模型介紹

3.1?數(shù)據(jù)處理與說明

本次研究選取時間窗口2013年1月至2022年12月，面板數(shù)據(jù)來源于國泰安數(shù)據(jù)庫70個大中城市房價指數(shù)。由于該時間窗口內(nèi)二手住宅價格指數(shù)和住宅價格指數(shù)含有數(shù)據(jù)缺失部分，故研究采用新建商品住宅價格環(huán)比指數(shù)，將其轉(zhuǎn)化為以2013年1月為基期的數(shù)據(jù)，通過收益率以計算95%置信水平下的VaR值。

3.2?模型介紹

VaR測算的方式一般可分為三種，基于正態(tài)分布的方差-協(xié)方差法、歷史模擬法和蒙特卡洛模擬法，文章主要使用后兩種方式。①歷史模擬。作為一種非參數(shù)的計算方法，對未來n個數(shù)據(jù)風險因子變化的表示主要基于給定歷史時期觀測到的風險因子，對風險因子的未來損益分布，通過分位數(shù)計算VaR值。該方法使用真實市場價格或價格指數(shù)實現(xiàn)歷史收益率序列抽樣，其數(shù)據(jù)在允許非正態(tài)分布外也對市場隨機結(jié)構(gòu)與統(tǒng)計分布無假設要求與限制，無須測度前估計風險因子波動性和收益相關(guān)性情況。②蒙特卡洛模擬。其原理是通過反復模擬風險因子變量隨機過程，從而建立隨機過程模型，計算過程仍使用全值估計法。蒙特卡洛模擬每次模擬都可得到所測價格或價格指數(shù)在時間窗口期末的一個可能價值，并獲取相關(guān)風險因子的一個未來變化情景。在進行大量模擬后，數(shù)據(jù)的模擬分布將收斂并推導出原數(shù)據(jù)的真實分布，同樣可通過分位數(shù)計算VaR值。

4?實證分析

4.1?VaR測算

一線及新一線城市均值收益率在2013年2月至2022年12月時間窗口中，數(shù)據(jù)偏度為8.473>0，序列呈明顯左偏分布，峰度K=85.708>3，收益率圍繞0.0007的均值上下波動，表明一線與新一線城市目前在房價收益漲幅上都較小且無明顯差異。二三線其他城市均值收益率小于0，表明截至2022年年末大部分城市房價仍處于房價下跌狀態(tài)，偏度為0.156>0，序列呈左偏分布，峰度K=3.633>3?？偟膩碚f，三類收益率序列都存在“尖峰厚尾”特征。但由于P值小于0表明正態(tài)性檢驗未通過，即數(shù)據(jù)仍是非正態(tài)分布，符合歷史模擬法和蒙特卡洛模擬法計算條件。

圖1?70個大中城市VaR值

圖1給出了70個大中城市基于收益率計算的平均一個月的VaR值。其中一線城市房價指數(shù)波動風險相近但也存在相對獨立性。在95%的置信水平下，歷史模擬下估計的70個大中城市在險價值中海口市具有最高VaR值為0.0118，鄭州市具有最低VaR值為0.0018。傳統(tǒng)一線城市中北京市作為其中最低VaR值的城市，其房價指數(shù)損失不超過0.0071，最高VaR值的城市為深圳市，房地產(chǎn)價格指數(shù)波動的期望損失不超過0.0099。盡管深圳市房價指數(shù)風險性高于北京市，但傳統(tǒng)的四個一線城市房價指數(shù)波動的期望損失都較為接近，尤其于蒙特卡洛模擬估計下，北京與上海的風險差異不超過6.6個百分點，廣州和深圳的風險差異不超過6.4個百分點。一線城市間風險差異較小現(xiàn)象的出現(xiàn)主要源于一線城市的房價波動聯(lián)合效應，單個城市房價波動相對獨立，但也會形成相互沖擊（王雪、韓永輝等，2021）。

新一線城市之間房價指數(shù)波動風險具有較大差異。將新一線城市歷史模擬VaR值分為風險相對較低（VaR值0.004以下）、一般風險（VaR值0.004～0.006）、風險相對較高（VaR值0.006以上）三級，處于高風險的城市由高到低依次為成都、杭州、合肥、青島，第二等級的城市為重慶、西安、武漢、南京、天津，相對來說風險較低的城市為寧波、長沙和鄭州。其中擁有最高期望損失的城市為成都市，相比于最低的鄭州市，高出466.7個百分點。新建商品房價格波動風險最高的成都市事實上并非來自商品房價格波動本身，而是源于近年來成都市興起拋售二手房熱潮，加之限購政策，其整體房價的跌幅并不明朗。鄭州市的房價近年來趨于下跌，但其本身作為第一個取消“認房又認貸”的城市，鄭州市的限購政策也降低了青年面對高房價的“擠出效應”并有效抑制投資投機性購房行為，降低了房價大幅波動風險。

圖2進一步直觀體現(xiàn)了不同風險下70個大中城市房價指數(shù)風險在空間地理上的分布。以相等間隔將70個城市的風險值劃分為低、中、高三類，歷史模擬下東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會城市房價風險測度結(jié)果相對較高，中風險城市多集中于我國中南地區(qū)，低風險區(qū)較為分散且城市數(shù)較小，包括鄭州、西安、寧波、長沙、天津等市。蒙特卡洛模擬來源于收益率均值對歷史每月的數(shù)據(jù)隨機生成估計，在未來平均風險估計上更具適用性。其在歷史VaR計算結(jié)果上大部分城市相對整體風險水平更高，70個大中城市房價指數(shù)收益率波動多集中于中高風險區(qū)間。

圖2?70個大中城市VaR值測算相對空間分布格局

4.2?風險預測使用蒙特卡洛模擬法對70個大中城市房價指數(shù)預測2023年VaR風險值并降序顯示如圖3所示。其中風險最高城市為無錫市，VaR預測值達到0.0146，即2023年無錫市新建商品房房價指數(shù)波動的最大期望損失不超過0.0146；最低的城市為大連市，其房價指數(shù)波動最大期望損失不超過0.0049。在傳統(tǒng)一線城市中，深圳市風險值最高，預期最大收益損失為0.0135，廣州市最小，VaR測算為0.0089。新一線城市中，風險預測結(jié)果最高的城市為杭州市，其VaR值為0.0133，而最低的新一線城市為重慶市，預期損失不超過0.0074。綜合各類城市房價收益率均值，預測一線城市在2023年的平均風險為0.0057，新一線城市為0.0061，其他二三線城市平均波動風險較低為0.0027?？偟膩碚f，新一線城市平均房價波動風險略有上升，傳統(tǒng)一線城市和其他二三線城市平均風險則相對有所下降，且2023年房價指數(shù)測算的風險值按相等間隔可劃分為四個區(qū)域：低風險區(qū)（0.0049～0.0073）、一般風險區(qū)（0.0073～0.0098）、較高風險區(qū)（0.0098～0.0122）、高風險區(qū)（0.0122～0.0146）。通過其分布發(fā)現(xiàn)，未來風險測算的低風險區(qū)多集中于東北地區(qū)，而70個大中城市房價指數(shù)波動的風險主要聚集在一般風險區(qū)，且城市大多居于中南、西南地區(qū)。處于較高風險區(qū)的除北京、青島、鄭州外以二三線城市為主，其地理分布較為分散。風險預測在高風險區(qū)的有無錫、杭州、福州、深圳、三亞市，多為東部沿海城市且風險值高于0.0122，房價指數(shù)波動預期損失較大。

圖3?70個大中城市VaR預測值

5?結(jié)論與啟示

5.1?結(jié)論

文章運用歷史模擬和蒙特卡洛模擬法評估了2013年1月至2022年12月期間70個大中城市新建商品住宅價格指數(shù)波動的在險價值并預測分析了其城市風險值的主要分布特征。主要結(jié)論如下：①一線城市房價指數(shù)波動風險相近但也存在相對獨立性，風險測算值由高到低依次為深圳、廣州、上海、北京。②新一線城市之間房價指數(shù)存在較大差異，且在平均收益率測算上相比一線城市房價指數(shù)波動擁有更高風險。③在地理空間分布上，東北地區(qū)、沿海地區(qū)及內(nèi)陸部分省會城市房價風險測度結(jié)果相對較高，中風險城市多集中于我國中南地區(qū)，低風險區(qū)城市較為分散且數(shù)目較少。④預測結(jié)果顯示，2023年新一線城市平均房價指數(shù)波動風險略有上升，而傳統(tǒng)一線城市和其他城市平均風險則相對有所下降，未來預期損失較大的城市多為沿海地區(qū)，波動風險預測較低的地區(qū)聚集在東北地區(qū)，一般風險區(qū)以西南、中南部城市為主。

5.2?啟示

（1）保持一線城市房價變化的風向標桿，推進新一線城市房價穩(wěn)預期。傳統(tǒng)的一線城市北上廣深房價波動風險大多較為平穩(wěn)，作為我國房價波動變化趨勢的第一梯隊，對其的相關(guān)調(diào)控仍應加強，嚴抓一線城市地產(chǎn)行業(yè)過度投機與擾亂地產(chǎn)行業(yè)秩序的行為。新一線城市因地區(qū)差異城市間房價風險差異大，其在確保宏觀調(diào)控房價風向的同時，新一線城市相關(guān)青年友好地產(chǎn)政策也需在結(jié)合市場動向的同時調(diào)控好當下新一線房價基本變動方向，保障青年及城市內(nèi)居民住房的剛性需求得以滿足。

（2）不同地區(qū)施行因地制宜的地產(chǎn)行業(yè)相關(guān)政策，因勢利導開展宏觀調(diào)控。東北地區(qū)大部分城市房價波動預期都較低，而且其地區(qū)內(nèi)房價面臨著難以上漲的局面，受其經(jīng)濟發(fā)展緩慢與人才大幅流出影響，需結(jié)合東北振興戰(zhàn)略，提升房地產(chǎn)相關(guān)的地方人才引進的政策紅利。沿海發(fā)達地區(qū)房價首先要做到穩(wěn)地價、穩(wěn)房價，防范單一地產(chǎn)集團在同一地區(qū)土地儲備過多，引起區(qū)域房價聯(lián)動風險。西南、中南地區(qū)二三線城市相比于經(jīng)濟更為發(fā)達的沿海城市，其房價波動風險相對降低，該地區(qū)在歷史和預期上的風險性變動較小，更應把握住房住不炒、多需求供給帶來的政策福利，吸引并儲備一線、新一線城市外溢人才。

（3）完善房價風險監(jiān)測評估體系，關(guān)注地區(qū)房價風險關(guān)聯(lián)效應。有關(guān)房價風險的測度不止有在險價值，評估指標除房價指數(shù)外也有較多其他相關(guān)影響因素，且隨著后續(xù)國家租購并舉住房制度的開展，二手商品房的房價變動影響也將進一步擴大，故對房價風險的指標體系還需要擴展并及時加以完善，建立相應的數(shù)據(jù)庫予以實時監(jiān)測。此外地區(qū)間的房價大多具有聯(lián)合效應，房價風險的傳染與擴大也需早做預防。

參考文獻：

［1］NIFFIKEER?C?I，HEWINS?R?D，F(xiàn)LAVELL?R.A?synthetic?factor?approach?to?the?estimation?of?value-at-risk?of?a?portfolio?of?interest?rate?swaps［J］.Journal?of?banking?&?finance，2000，99：119-121.

［2］MESFIOUI?M，QUESSY?J.Bounds?on?the?value-at-risk?for?the?sum?of?possibly?dependent?risks［J］.Insurance：mathematics?and?economics，2005，37（1）：135-151.

［3］HE?Z?J.Sensitivity?estimation?of?conditional?value?at?risk?using?randomized?quasi-Monte?Carlo［J］.European?journal?of?operational?research，2022，298（1）：229-242.

［4］TAYLOR?J?W.Forecasting?value?at?risk?and?expected?shortfall?using?a?model?with?a?dynamic?omega?ratio［J］.Journal?of?banking?&?finance，2022，140：106519.

［5］KAKADE?K，JAIN?I，MISHRA?A?K.Value-at-Risk?forecasting：a?hybrid?ensemble?learning?GARCH-LSTM?based?approach［J］.Resources?Policy，2022，78：102903.

［6］JAMES?R，LEUNG?H，LEUNG?J，et?al.Forecasting?tail?risk?measures?for?financial?time?series：An?extreme?value?approach?with?covariates［J］.Journal?of?empirical?finance，2023，71：29-50.

［7］黃金枝，鄭榕萍.以不可分散風險β為測度的房地產(chǎn)組合投資優(yōu)化決策模型［J］.基建優(yōu)化，1999（1）：2-4，11.

［8］余世暐.中國房地產(chǎn)股票價格風險溢出效應研究——基于SDSVaR模型的微觀測度和解釋［J］.價格理論與實踐，2017（8）：96-99.

［9］沈悅，劉洪玉.住宅價格與經(jīng)濟基本面：1995—2002年中國14城市的實證研究［J］.經(jīng)濟研究，2004（6）：78-86.

［10］王琴英，古麗慧，郭慧君.我國一線城市房價周期波動分析與預測［J］.價格理論與實踐，2014（5）：55-57.

［11］何愷，程道平.我國城市房地產(chǎn)市場風險測度研究——基于綜合賦權(quán)評價方法對濟南市的測算［J］.價格理論與實踐，2016（10）：148-151.

［12］王雪，韓永輝，趙賢，等.核心城市房地產(chǎn)市場的聯(lián)動和溢出特征研究——基于中國“北上廣深”樣本的經(jīng)驗考察［J］.運籌與管理，2021，30（7）：232-239.