D01:10.13546/j.(*nki.tjyjc.2020.22.019
经济实i i K
中国城市房价联动、等级传递与经济近邻效应
刘水任建宇2
(1.中央财经大学管理科学与工程学院，北京100081 ;2.浙江工商大学经济学院，杭州310018)
摘要：把握房价联动规律对于政府调控房地产市场具有重要意义。文章基于国家统计局2011年1月至 2017年12月70个大中城市二手房价指数，聚焦于城市房价联动关系，应用社会网络分析方法中的三方谱分析、E-I指数以及QAP分析考察城市房价联动特征及影响因素。研究发现：第一，整体上看大中城市之间房价联动 网络效应显著；第二，我国城市房价联动具有等级传递性，房价波动由高等级城市向低等级城市传递；第三，城 市等级越高房价波动辐射性越强，一线城市最强，二线城市其次，三线城市最弱；第四，我国城市房价联动存在经济近邻效应，相比地理距离，经济距离对城市房价联动解释性更强，城市间经济发展水平相近比地理距离相近更能使房价发生联动。
关键词：房价联动；等级传递；经济近邻效应；SNA
中图分类号：F293.3 文献标识码：A文章编号：1002-6487(2020)22-0086-05
〇引言
各城市房价波动不仅取决于其自身因素，还取决于与 其他城市的联动关系，中国大中城市房价波动存在很强的 联动效应M l。伴随着人流、物流、资金流、信息流的加快，各 个城市之间房价联动现象日益显著。以往学者对城市之 间房价波动的联动研究主要聚焦于波纹效应。英国学者 较早关注这一■现象，Giussani和 Hadjimatheou(1991 )|21利用 结构性模型分析了英国区域房价变化的波纹效应。我国 学者王松涛等(2008 )131、张衔和林仁达(2015)141应用Johan­sen协整关系检验 、格兰杰因果关系检验等计量方法，研究 我国房价的波纹效应。柯昇沛和黄静(2012)151研究认为我 国城市房价联动也存在明显的羊群效应。总体上看，已有 的研究存在一定局限性，具体表现为：其一，从视角上看，已有研究多是揭示地理近邻效应比如波纹效应等，而没有 考察分析经济近邻效应。其二，从方法上看，现有研究主 要是应用传统线性计量方法使用“属性数据”考察城市之 间房价波动关系，传统的线性计量要求变量数据服从“独 立性”假设，实际情形与i：述要求有明显差距，现实中城 市之间房价是有关联影响的。其三，从研究对象看，以往 研究多是分析城市与城市之间房价波动关系，很少有考 察不同类别城市之间房价联动关系。本文应用社会网络 分析方法(SNA)，考察城市房价联动特征及其影响因素，揭示房价联动规律，为更好地进行房地产调控管理提供决 策依据。1典型事实与研究假设
1.1房价联动的等级传递性
参考国家统计局城市等级划分方法，一线城市为北京、上海、广州、深圳，二线城市为35个大中城市去除一线 城市外的其余31个城市，三线城市为70个大中城市去除 35个大中城市外的35个城市。显然，不同等级城市经济综合实力、房地产市场发展程度有明显差别。城市等级越 高，城市经济发展水平越高，房地产市场发展越早，社会影 响力越大，高等级城市的房地产市场变动具有示范性、导 向性意义。
房地产市场变化具有明显周期性，不同等级城市房价 联动有明显的规律。近几年全国各地房价上涨，暴涨发端 于2015年下半年的深圳，2016年初北京、上海随后迅速上 涨,2016年上半年郑州、合肥、厦门、南京及其他二线城市 房价开始暴涨，2017年大部分三、四线城市房价开始暴涨，也就是一线城市房价先涨，然后依次是二线城市及三线四线城市。根据国家统计局70个大中城市房价指数数 据（见下页图1)，可以看出，一线城市、二线城市和三线城 市二手房价格同比涨幅走势基本一致，这些城市房价之间 存在显著联动，但是房价趋势转折时间点有明显先后关系。从房价变动趋势的转折点来看，一线城市房价在2016年4月涨幅最高，__■线城市在2016年12月涨幅最高，三线城市在20丨7年7月涨幅最高，也就是说一线城市房价 涨幅最高时间比二线城市领先半年左右，二线城市房价涨 幅最高时间又比二线城市领先半年左右。在一■线城市、.
基金项目：国家社会科学基金资助项目（16BRK023)
作者简介：刘水（1980—)，男，河南淮阳人，博士研究生，研究方向：房地产投融资理论与实践。
(通讯作者)任建宇（1993 —），女，河北张家口人，博士，讲师，研究方向：房地产投融资理论与政策。86统计与决策2020年第22期•总第5«期
(经济实证
线城市、三线城市之间房价变动领先-滞后现象非常明显，高等级城市房价领先变动，低等级城市房价跟随滞后且发 生同向的变动。因此，可以看出房价波动扩散具有传递性，由高等级城市向低等级城市传递。另外，从房价波动 辐射影响程度来看，二线、三线城市跟随一线城市变动，三 线城市跟随二线城市变动，表明一线城市房价波动辐射影 响最大，二线城市其次，三线城市最弱。根据上述描述和 分析，提出如下假设：
假设1：城市房价联动存在等级传递性，由高等级城 市向低等级城市传递。
假设2：城市等级越高房价波动辐射型越强，一线城 市最强，二线城市次之，三线城市较弱。
------线同比-----二线同比-----三线同比
图1_线城市、二线城市、三线城市二手房价同比涨幅(％>
1.2房价联动存在经济“近邻”效应
房价波动扩散不仅存在地理“近邻”效应如“波纹效 应”等，而且可能存在经济“近邻”效应。从城市经济发展 水平来看，见表1，北京与上海GDP均在30000万亿元左右，城市总人口在2100~2500之间，城市化率在86%左右，两个城市的经济总量、人口总量、城市化率相差很小，也就 是这两个城市的经济发展水平很相近。另外，北京与石家 庄，前者GDP、总人口分别是后者的4.3倍、2倍，城市化率 前者比后者高出25个百分点，显然，北京比石家庄经济发 展水平要高很多。因此，城市经济发展水平上北京与上海 更相似，北京与石家庄差异较大。从城市地理距离来看，北京与上海距离为1077.5公里，北京与石家庄距离为264.9公里，北京与石家庄距离更近。从房价相关性来看，北京与上海是0.884，北京与石家庄是0.679。比较来看，北京与上海尽管地理距离远，但经济发展水平更相近，二 者房价联动性较高；北京与石家庄尽管地理距离近，但是 经济发展水平差别大，二者房价联动性较低。
表12017年北京相关城市、郑州相关城市主要发展指标
北京上海石家庄郑州武汉洛阳GDP(亿元）280003013364609130134104343
人口（万人）2170.72418.31088988.11089.3682.3城市化率(％)86.587.761.672.280.056.0
数据来源：各城市统计公报。
同样的情况也发生在郑州与武汉、洛阳之间。从经 济上来看，郑州与武汉的GDP、人口、城市化率更
接近，郑 州与洛阳差异较大。从城市距离看，郑州与武汉是472.1 公里，郑州与洛阳是106.5公里。从房价相关性来看，郑州 与武汉为0.799，郑州与洛阳为0.281。也能看出，郑州与 武汉尽管地理距离较远，但是经济发展水平相近，房价联动性较强；郑州与洛阳尽管地理距离较近，经济发展水平差异较大，房价联动性较弱。总体来看，城市房价联动可 能存在经济近邻效应，经济发展水平相近的城市更容易发 生房价联动。根据上述分析，提出如下假设：
假设3：城市房价联动存在经济近邻效应，经济发展 水平相近的城市更容易发生房价联动。
2方法与数据
社会网络分析是一种基于“关系数据”的研究范式，以 图论、矩阵代数为其数学基础，该研究方法被广泛应用于社会学、管理学、经济学、生物学等。社会网络分析相对于 传统研究方法有以下显著特征：第一，社会网络分析的焦 点是关系和关系模式，而不是行动者的属性；第二，社会网 络分析可以是多层次的，从而能在微观、宏观之间建立连 接；第三，社会网络分析能将定性、定量分析及图表相结合，能使分析更加透彻、直观；第四，社会网络分析不要求“变量 独立性假设”，这是常规的多元统计模型做不到的'鉴于社会网络分析在城市房价关系刻画方面的适用性和科学性，更能模拟现实情形，因此本文选择社会网络分析方法研究城市房价联动的微观结构和整体特征。
2.1分析方法
(1) 三方谱分析
三方谱分析是以三方关系组的基本型为依据，分析三 个节点间的可能发生的各种联结关系，可以判断网络结构，如关系与信息的传递和共享，通过三方关系组计算，解 释整个网络的属性m。基于三方组的平衡理论模型有11 个可分为5组，为平衡模型(Balance Model)、可云集模型(ClusterahilityModel)、等级ZJ集性模型（Ranked Cluster- sModel)、传递模型（TransitivityModel)、分层石集性模型(Hierarchical ClustersModel)，模型按照受限程度局低排列，如下页表2所示。禁忌三方组不属于任何平衡模型，一般来说，禁忌三方组实际观测值低于预期值时才适合应 用平衡理论模型。网络的整体结构以受限程度最低的模型来判定。
(2) E-1指数
在网络中存在关系的数量分为两类：派别之间的关系 (External links)和派别内部的关系(Internal links)。前者 在网络中往往处于重要地位，据此可以构造一个指数，即E-I指数(E-IIndex)。
E-IIndex= (EL-IL)/(EL+IL)
其中，EL代表子群之间的关系系数,IL代表子群内部 的关系系数。该指数的取值范围为[-1.+ 1]，该值越靠近1，表明关系越趋向于发生在群体之外，意味着派系林立程度 越小；该值越靠近-1，表明子群
体之间的关系越少，关系越 趋向于发生在群体之内，意味着派系林立程度越大；该值接近0，表明派别内外关系数量差不多，看不出派系林立情况。E-1指数测量的是“外部关系”对“内部关系”的支 配程度，指数会随着外部关系数量的降低而降低，也会随 着内部关系数量的增加而降低。
(3) QAP分析
统计与决策2020年第22期•总第562期
87
1
表2 平衡理论模型
模型子群内部关系等级间关系允许三方组类型
平衡模型子群内部对称关系，子群
间无关系，最多两个子群
无102,300
可云集模铟同子群数量无限制同上+003
等级云集性
同上低级节点通过非对称关系+021D,021U,030T,
模型连接到所有高一级节点120D.120U
传递模型同上不同等级之间允许空连接+012
分层云集性在非循环前提下允许
同上+ 120C210模型子群内部有非对称关系
非平衡理论021C,111D,111U,
模型(禁忌)030C.201注:+表示允许前面所有的三方组出现
QAP(quadratic assignment procedure，二次指派程序）是一种对两个方阵中各元素的相似性进行比较的方法，对 系数进行非参数检验，以对矩阵数据的置换为基础。在具 体计算中，Q A P对矩阵的行和列同时进行置换，然后计算 置换后的矩阵与另一个矩阵的相关系数，最后i十算显著性 以及相关系数大于或者小于实际系数的概率。Q A P相关 性分析是研究两种关系矩阵是否相关。Q A P回归分析是 研究多个矩阵和一个矩阵之间的回归关系，首先，针对自 变量和因变量矩阵对应的长向量元素进行常规的多元回归分析；其次，对因变量矩阵的各行和各列进行随机置换；最后，重新计算回归，保存所有的系数值和判定系数R2值，重复这个步骤几百次，以便估计统计量的标准误。
2.2数据说明
考虑到数据的可得性、代表性、客观性，本文以国家统 计局发布的70个大中城市房价指数为基础，选取2011年 1月至2017年12月二手住宅销售价格环比指数数据。之 所以选择二手住房价格，是因为受
政策调控影响新房价格 扭曲失真，比如高价房不能人市等，另外随着城市扩张发 展，新房成交更多的在城市郊区，新房价格不能真实反映 城市房价变动，二手住宅价格更能客观反映城市房价变动 情况。各城市G D P、人均G D P数据来源于《中国城市统计 年鉴》，各城市经济距离、地理距离根据ArrGis计算得到。本文数据处理使用软件为Eviews9 .UcinelG、Pajek。
3实证分析
3.1 整体网构建
“关系”的确定是社会网络分析的关键。本文聚焦城 市房价联动关系，经典的0LS模型独立性假设不再满足，参数估计和统计推断变得困难，而向量自回归模型(VAK)能有效克服这个问题"，并且Granger因果关系检验能较好 衡量房价联动关系，因此，本文选择基于V A R模型的Grange•因果关系检验方法确定城市房价联动关系。以城 市为网络节点，以城市房价Granger因果关系为有向线，构 成城市房价联动有向网络，见图2。根据检验结果，最终 确定了城市间1831个有向关联关系，最大可能有向关系数为4830，网络密度为0.379，表明全国70个大中城市间 房价联动网络效应显著。
图2 70个大中城市房价关系网络结构
3.2三方谱分析
通过对三方组观测值(ni)和随机置换期望值(ei)进行 比较，采用(ni-e i)/ei作为判别指标，判断网络属于哪种平衡 理论模型。数据处理应用Pajek软件。对70个大中城市房 价关系网络进行三方谱分析，结果如表3所示，三方组实际 频数与随机频数不等（#=5831.4891***, /><0.001 )。5 个禁忌三方组实际观测值均小于随机期望值，表明该网络 可以用平衡理论模型解释。传递模型三方组012的观测 值明显高于随机期望值，尽管分层云集性模型210的观测 值大于随机期望值，但是分层云集性模型120C的观测值 小于随机期望值，因此从更宽松的标准来看，城市房价关系网络应选择传递模型。传递模型包含平衡模型、可 云集模型、等级云集性模型。城市房价关系网络存在等级结构，存在传递性。也就是说，70个大中城市房价波动 联动存在等级结构，房价波动联动有传递性。总之，我国 城市房价波动联动具有等级传递性，房价波动扩散由高等 级城市向低等级城市传递。由此，上文假设1得到实证。表3 70个大中城市房价关系三方谱分析
三方组类型观测值(ni)随机置换期望值(d)(ni-ei)/ei模型3-10242423507.730.21平衡模型
16-300395162.46  1.43平衡模型
1-00332893136.760.05可云集模型4-0211)27303507.73-0.22等级云集性模型5-021U35233507.730.00等级云集性模型9-030T60314283.190.41等级云集性模型12-120D23061307.520.76等级云集性模型13-1201121931307.520.68等级云集性模型2-0121337511490.630.16传递模型
14-120C16772615.05-0.36分层云集性模型15-21023431596.580.47分层云集性模型6-021C53747015.45-0.23禁忌三方组7-111D33254283.19-0.22禁忌三方组
8-1 l i t!28004283.19-0.35禁忌三方组10-030C4101427.73-0.71禁忌三方组
11-2017271307.52-0.44禁忌三方组为什么房价波动会从高等级城市向低等级城市传递？信息流动及行政级别差异是这一现象发生的重要因素。Zhang和Fan(2018)181认为城市之间房价波动溢出在于信息溢出机制，房价变动更多由需求变动引起，作为房 地产需求的投资者、投机者更容易受信息的影响。Yang 等(2018F认为行政级别对城市房价溢出有显著影响。高 等级城市，由于经济发展水平高，行政级别相对较高，对房 地产市场信息的变化更敏感，一旦有新的政策或新信息的
88
统计与决策2020年第22期•总第562期
经济实证
冲击，高等级城市需求者会最先做出相应反应，进而房地产 市场会发生波动。另外，新信息会从高等级城市向低等级 城市流动，并且高等级城市房地产市场波动有导向性，低等 级城市房地产市场需求者会随之做出反应，因而低等级城 市房地产市场会跟着发生波动。
3.3 E-I指数分析
在计算E-I指数时，需要有两个数据矩阵。一个是关 系矩阵，另外一个是属性矩阵，它界定了网络节点属于哪 个子类群体。
下面将着重对70个大中城市房价关系网络的整体网 络、群体层次的E-I指数进行分析。通过随机构造相同规 模的5000个网络对70个大中城市房价关系网络的指标进 行置信检验，结果如表4所示，E-I指数P值通过显著性检 验。整体网的E-I指数为0.074，该值接近0，表明派别内 外关系数量差不多，看不出派系林立情况，即70个城市房 价关系整体网络没有呈现出明显的分派林立的情形。
表4 整体网的E-I指数分析结果
Obs M in Avg M ax SD P>=0b P<=0h Internal0.4630.4090.4410.4820.0090.0140.989 External0.5370.5180.5590.5910.0090.9890.014
E-I0.0740.0350.1180.1810.0180.9890.014
就群体层次来看，表5为群体层次E-I指数结果，一线 城市E-I指数为0.875，该值接近1，也就是说一线城市外部关系的数量大大多于内部关系的数量，表明一线城市房 价与二线、三线城市发生了更多联动关系。二线城市E-1 指数为〇.178，三线城市E-I指数为-0.071，都接近0，表明 这两类群体内外部关系数量基本相当，只是二线城市外部 关系数量稍多于内部关系数量，三线城市内部关系数量稍 多于外部关系数量。
表5 群体层次E-I指数分析结果
群体Internal Exlemal Total E-I
181201280.875
251073112410.178
38527391591-0.071
注：1、3分别表示一线城市群体、二线城市群体、三线城市群体_•
依据上述三类城市E-I指数及内外部关系数量对比，对三类城市特征进一步挖掘刻画，一线城市E-I指数为 0.875，由于其外部关系数量远远多于内部关系数量，称为 辐射型城市。辐射型城市房价变动，以外部影响关系为主, 会显著与二线城市、三线城市房价发生联动关系。二线城 市E-I指数为0.178，其外部关系数量稍多于内部关系，称 为弱辐射型城市。弱辐射型城市，对一线城市、三线城市房 #发生联动关系会稍多于内部关系。三线城市E-I指数 为-0.071，外部关系数量稍低于内部关系数量，内外部关系 数量相当，相差很小，称为平衡型城市。就外部辐射性程度 而言，城市等级越高辐射性越强，一线城市最强，二线城市 其次，三线城市最弱。由此，上文假设2得到实证。
3.4 Q A P分析
为考察城市房价联动的相关性及影响因素，应用社会 网络分析中关系-关系层次的假设检验(Dyadic Q A P)，对 70个大中城市房价关系矩阵与经济距离矩阵、地理距离矩阵进行相关分析(QAP correlalion)和回归分析(QAP re­gression)。在回归分析时，因变量是房价无向关系矩阵，把根据V A R模型Granger因果检验构建的有向关系矩阵转化为无向关系矩阵，自变量是经济距离矩阵和地理距离 矩阵。经济距离分别用城市G D P距离、城市人均G D P距 离来衡量，参考Tsang和Paul(2007 )|1()|的做法，城市经济距 离EDah=llnA-lnBI,A、B分别代表城市A与城市B的G D P 或者人均G D P。根据数据
可得性，G D P距离计算采用2017年70个大中城市G D P数据，人均G D P采用2016年70 个大中城市G D P与常住人口的比值。小于平均值则距离 较近存在关系为1，大于平均值则距离较远不存在关系为 0，可得到城市G D P距离关系矩阵和城市人均G D P距离关 系矩阵。地理距离矩阵，以城市行政中心地理位置直线距 离为基础，同样，小于平均值则距离较近存在关系为1，大 于平均值则距离较远不存在关系为0.可得到地理距离关 系矩阵。
(1) Q A P相关分析
对城市G D P距离关系矩阵、城市人均G D P距离关系 矩阵、城市地理距离关系矩阵分别与城市房价关系矩阵进 行相关性分析，随机置换次数为2000次，结果如下页表6 所示。相关系数均值依据随机置换计算得到，P泛〇反映 随机置换后计算的相关系数大于或等于实际相关系数的概率，P«0反映随机置换后计算的相关系数小于或等于实际相关系数的概率。相关系数分别为0.161、0.135、0.089，均通过显著性检验，并且卡方统计量也显著，可以 判断城市G D P距离关系、城市人均G D P距离关系、地理距 离关系与城市房价关系有显著的正相关性，城市之间G D P 距离、人均G D P距离和地理距离越小，房价越会发生联动。因此，城市间经济距离越小，房价波动联动相关性越强。原因在于城市间相似的产业结构意味着城市可能处于相同的经济发展阶段，具有相似的购房需求及投资需求，从而房价波动相关性较强。另外，城市G D P距离、城 市人均G D P距离的相关性系数均高于地理距离的相关系 数，表明经济距离关系比地理距离关系与城市房价关系的 相关性更大。
(2) Q A P回归分析
为考察经济距离关系、地理距离关系对房价关系的影 响程度，本文进行关系矩阵回归分析，因变量为城市房价 关系矩阵，自变量为经济距离关系矩阵和地理距离关系矩 阵。由于城市经济距离可以用城市G D P距离表示或者城 市人均G D P距离来表示，据此构建两个回归模型。
模型一：y=_F(geo，g办}
模型二：Y=F(geo，pgdp)
其中，Y为因变量，表示城市房价关系矩阵;geo为自 变量，表示城市地理距离关系矩阵;grfp为自变量，表示城 市G D P距离关系矩阵;pgdp为自变量，表示城市人均G D P 距离关系矩阵。
随机置换次数为2000次，根据回归结果，如下页表7 所示t在模型一中，标准化后城市地理距离矩阵系数为
统计与决策2020年第22朗•总第562期 89
i济实证表6 70大中城市GDP距离、人均GDP距离、地理距离矩阵与房价关系矩阵相关分析
变量矩阵统计量Obs Value Significa Average Std Dev Prop>=0Prop<=0
0.1610.0000.0000.0290.0001.000
GDP距离与房价
Chi-Square62.8760.000  2.049  3.0040.0001.000
人均GDP距离与房价Correlation0.1350.0000.0000.0280.0001.000 Chi-Square43.9700.000  1.848  2.6720.0001.000
地理距离与房价Correlation0.0890.0050.0000.0300.0050.996 Chi-Square19.0880.006  2.241  3.2970.0060.995
表7关系矩阵回归结果
Independent Un-stdized
Coefficient
stdized
Coefficient
Significance
Proportion As
Large
Proportion
As Small
Intercept0.4850.000
模型一geo0.0760.0770.0040.0040.9% g^P0.1530.1560.0000.000  1.000
Intercept0.4920.000
模型二geo0.0850.0860.0040.0040.997 Pg^P0.1310.1330.0000.0001.000注：妒〇表示城市地理距离关系矩阵自变量.gdp表示城市GDP距离关系矩阵自变量,pgdp表示城市人均GDP距离关系矩阵自变量。
0.077，城市GDP距离矩阵系数为0.156，系数P值均显著，可见城市地理距离和城市GDP距离均能在
一定程度上解 释城市房价联动关系。系数符号为正值，表明城市之间地 理距离、经济距离越近，城市之间房价越会发生联动关系。进一步看，后者系数是前者的大约2倍，表明城市GDP距离比地理距离对城市房价联动关系的解释性更强。在模型二中，标准化后的地理距离矩阵系数为0.086，城市人均GDP距离矩阵系数为0.133，系数P值均显著，后 者系数也明显大于前者，表明城市人均GDP距离比地理距离对城市房价关系的解释性更强。总的来说，地理距离 和经济距离均能解释城市房价联动关系，比较而言，经济 距离比地理距离对房价联动关系的解释性更强，也就是说 城市经济发展水平越相近，城市之间房价波动越会发生联 动。由此，上文假设3得到证明。
4结论
月70个大中城市二手房价指数，应用社会网络
分析方法中的三方谱分析、E-I指数以及Q A P分
析等考察城市房价波动关系特征及影响因素。
研究结论如下：第一，整体上看，全国70个大中
城市间房价网络密度为0.379，大中城市之间房
价联动网络效应显著；第二，我国城市房价波动
联动具有等级传递性，房价波动由高等级城市向 低等级城市传递；第三，城市等级越高房价波动辐射性越强，一线城市最强，二线城市其次，三线城市最弱；第四，我 国城市房价联动存在经济近邻效应，经济发展水平相近的 城市更容易发生房价联动。
参考文献：
m陈明华，刘华军，孙亚男，等.城市房价联动的网络结构特征及其影响因素—基于中国69个大中城市月度数据的经验考察[J].南方经济，2016,(1).
[2] Giussani B, Hadjimatheou G. Modeling Regional House Prices in the
United Kingdom [J].Papers in Regional Science, 1991, 70(2).
[3] 王松涛，杨赞，刘洪玉.我国区域市场城市房价互动关系的实证研究
[J].财经问题研究,2008,(6).
[4】张衔，林仁达.我国城市房价短期波纹效应的实证[J].财经科学，2015,(9).
[5] 柯昇沛，黄静.基于CSAD非线性模型的房地产市场羊群行为研究
[J].管理评论，2012,24(9).
[6] 马述忠，任婉婉，吴国杰.一国农产品贸易网络特征及其对全球价值
链分工的影响—基于社会网络分析视角[J].管理世界，2016,⑶.
[7] 刘军.社会网络分析导论[M】.北京：社会科学文献出版社，2004.
[8] Zhang D Y, Fan G Z. Regional Spillover and Rising Connectedness in
China *s Urban Housing Prices [J].Regional Studies,2018,53(6).
[9] Yang J, Yu Z, Deng Y. Housing Price Spillovers in China: A High-di­
mensional Generalized VAR Approach [J].Regional Science and Ur­ban Economics, 2018, 68(1).
[10] Tsang E, Paul S. Economic Distance and the Survival of Foreign Di­
rect Investment [J]. Academy of Management Journal, 2007, 50(5).
(责任编辑/余洋）
本文基于国家统计局公布的2011年1月至2017年12
China^s Urban H ousing Price Linkage, Grade Transm ission and E con om ic P roxim ity Effect
Liu Shui1, Hen Jianyu2
(l.School of Management Science and Engineering, Central University of Finance and Economirs, Beijing 100081, China;
2.School of Economics, Zhejiang Congshang University, Hangzhou 310018, China)
A bstract:It is of great significance for the government regulating the real estate market to grasp the law of housing price linkage. Based on 70 large and medium-sized cities' second-hand housing price index from the National Bureau of Statistics from January 2011 to December 2017, this paper focuses on urban housing price linkage and applies trigonal spectral analysis of social network analysis (SNA), E-I index and QAP(Quadratir Assignment Procedure) analysis to examine the characteristics of housing price linkage and its influence factors. The results are shown as follows: Firstly, on the whole, the network effect of housing price linkage between hig-middle cities is significant. Secondly, housing price linkage has grade transmission, and its fluctuations are transmitt
ed from high-grade cities to low-grade cities. Thirdly, the higher the city level is, the stronger the radiation of the housing price fluctuations is. First-tier cities are the strongest, followed by the second-tier cities, and the weakest are the third-tier cities. Fourthly, there is an economic proximity effect in the urban housing prices linkage. Compared with geographical distance, econom­ic distance has a better interpretation for urban housing price linkage, and the similar level of economic development between cit­ies has greater impact on housing price linkage than that of geographical distance.
Key w o rd s:housing price linkage; grade transmission; economir proximity effect; SNA
90统计与决策2020年第22期•总第562期

更多推荐

城市,房价,关系,距离,联动,矩阵,经济