英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
收入差距对中国住房负担能力和住房空缺率的影响
张川川，沉佳，杨鲁代
摘要：中国的城市住房价格在过去十年里急剧上升，超过了收入增长并引发了房地产泡沫的担忧。房屋价格的上涨也伴随着越来越多的空置公寓。本文认为，收入差距是推动房价收入比和住房空置率的一个十分重要的因素。利用中国城市住户调查数据，本文通过实证检验了收入差距对各城市住房价格收入比和住房空置率的影响。我们发现收入GINI系数与住房价格收入比以及房屋空置率正相关。具体表现为，GINI系数高一个百分点则相对的住房价格与收入比和住房空置率分别增加0.026和0.166个百分点。在2002年和2009年期间，住房价格收入比上升约6％，住房空置率上升10％都可归因于GINI系数的增加。进一步的研究表明，资本市场和住房租赁市场的发展有助于缓解收入差距与住房价格收入比和住房空置率之间的关联。
关键词：收入差距；住房价格与收入比；房屋空置率
- 引言：
自1998年住房制度改革以来，中国的城市住房价格大幅上涨，这大大超过了家庭收入的增长速度。在过去的十年中，中国35个主要城市的平均实际房价以每年17％左右的速度增长，而这些城市的实际GDP仅以每年10％的速度增长。房价上涨导致房屋价格收入比（以下简称HPIR）的异常高水平。据估计，2013年35个主要城市的平均HPIR为10.2。[1]除了住房价格收入比的上升之外，过去十年城市住房空置率（以下简称HVR）也有所上升，导致所谓的“鬼城”现象。在最近的中国西南财经大学的调查中，2013年中国城市地区的HVR约为22.4％.HPIR和HVR的上升导致人们担心出现房地产泡沫和住房市场崩溃的潜在可能性。高HVR也反映了严重的资源错配现象。 除了对经济问题的担忧之外，高收入家庭的增加使得大量中低收入家庭无法承担住房，这也引发了一个政治和社会问题。
尽管房地产市场的快速发展在中国这样的转型国家并不奇怪，但房屋价格相对于收入的持续增长，与空置房屋数量的增加不相称的现象就显得不正常。 一方面，普通中国家庭的住房越来越难以承受。 因此，许多城市家庭住在拥挤的房屋里，或与其他人合租一些小房子，这些房屋经常被媒体称为“城市蚂蚁”。另一方面，一些家庭拥有多套公寓，但只住在其中一间。 大量“城市蚂蚁”和大量空置公寓的并存令人困惑。
在本文中，我们认为中国城市地区HPIR和HVR增加的根本原因是中国收入差距的扩大。 作为一种正常情况，住房需求应随收入增加。 在投资机会有限且私人土地所有权不足的经济体中，住房成为投资目的的理想资产。因此，投资需求的收入弹性高于住宅用途的弹性，而随着收入的增加而下降的速度非常缓慢。 在竞争性住房市场中，较高的收入差距导致高收入家庭拥有更多的房屋，从而导致更高的HVR。 与此同时，富裕家庭的收入增加推高了均衡房价，因为价格是由边际购买者决定的，因此HPIR随着收入差距的扩大而上升（Matlack and Vigdor，2008）[2]。
我们的论文是第一个调查收入差距在中国住房负担能力和住房空缺问题中的作用的文章。 以往大多数关于中国住房市场的研究都试图解释为什么房价涨幅如此之快。 例如，Wei等人 （2012）的研究表明，中国主要城市的高房价是由于性别比例失衡造成的高居民储蓄率。 Garriaga等人。 （2014）探讨了农村 - 城市移民在中国城市房价动态中的作用，特别是在北京和上海。
文献中记载了收入差距与房价相关的观点。 以前的研究，例如Rodda（1994），Quigley等人 （2001），Quigley和Raphael（2004）的研究表明了收入差距和房价之间的正相关关系。 与我们的研究更密切相关的是，马特克和维格多（2008）提供了一个将收入不平等与住房负担能力联系起来的理论，并用美国数据实证检验了这种关系。 他们认为，收入差距和住房负担能力之间的关系对于低收入家庭在局部均衡中是负的，但在一般均衡中不明确，并且发现支持局部均衡论证的实证证据。本文通过调查中国城市差距对住房承受能力和住房空置率的影响来改进现有文献。
我们首先根据中国城市住户调查（CUHS）的原始家庭层面数据构建了2002年至2009年的城市面板数据，然后依次使用OLS，双向固定效应（FE）估计策略和系统GMM方法。我们获得了各种检验模型的一致结果。具体来说，我们的FE估计结果显示，收入GINI系数增加一个百分点与HPIR增加0.026和HVR增加0.166个百分点相关联。简单的计算表明，在2002年至2009年期间，保持所有其他因素固定，HPIR增加约6％，HVR增加10％可归因于收入GINI系数的增加。我们的研究结果表明，中国城市地区HPIR和HVR的上升与收入分配差距扩大有关。再分配政策可以减少收入不平等，并增加中低收入家庭的住房负担能力，从而降低HVR。进一步的研究结果表明，资本市场和住房租赁市场的发展有助于缓解收入差距与HPIR和HVR之间的关系。
本文的其余部分组织如下：第二节提供了一个简单的模型，将收入不平等与HPIR和HVR联系起来; 第三节介绍数据和实证方法; 第四节介绍主要结果; 第五部分介绍了稳健性检验和进一步讨论; 第六节阐述最终结论。
- 模型构建：
在本节中，我们提供了一个简单的局部住房市场的局部均衡模型，以说明为什么收入不平等的上升会导致HPIR和HVR的增加。 不失一般性，我们假设每个城市有两种类型的家庭：高收入家庭（H）和低收入家庭（L）。 家庭总数标准化为一个整体，H型住户的比例用theta;表示。 我们假设0 lt;theta;lt;1/2，即高收入家庭是每个城市的少数。 所有家庭的总收入用Y表示，其中H型家庭的总收入比例为gamma;。 根据定义，我们有1/2 lt;gamma;lt;1。 经过简单的计算，我们得到GINI系数G，等于gamma;-theta;。
接下来，我们假设H型和L型住户的效用函数采用相同的形式，即 U(x,y)=，其中x表示房屋大小，y表示所有其他消费。 同时，房屋的单价由p表示，而其他消费品的单价则标准化为一个单位。 最后，我们假设房屋的供给函数是线性的，即S（p）= bp，其中bgt; 0。解决住户的效用最大化问题，得到H型住户和L型住房的需求家庭如下：
； （1）
因此，该城市的总住房需求是：
（2）
由于单一房屋的大小不能无限大，因此我们假设房屋大小的上限为ε。 因此，如果一个住户的住房需求大于ε，则住户购买两间或更多住房。 在不失一般性的情况下，假设每个房屋的上限为ε=alpha;Y/ p，这与所有住户的收入相同时代表住户的住房需求相一致[3]。因此，我们将家庭空置房屋的面积视为Vi，如下：
（3）
在均衡中，我们将住房价格p和总住房需求X表示为：
， （4）
定义HPIR视为R，为均衡房价p除以家庭收入中位数为：
（5）
HVR可以计算为：
（6）
从方程 （5）和（6），我们可以看到收入不平等（G越大）的增加将导致HPIR和HVR的增加。
如何直观地解释这个理论框架？ 住房价格和总住房供给均衡取决于总收入，而收入中位数主要受低收入人群的影响，后者占人口的大多数。 因此，住房价格与收入的比率与家庭收入中位数（模型中的L型住户）呈负相关。当不平等加剧时，大多数家庭的收入下降，家庭收入中位数下降，导致房价收入比上升。我们现在转而探讨收入不平等与HVR之间正相关关系的机制。在该模型中，消费者的住房需求随着住房持有收入的增加而增加。考虑到所有家庭的总收入，较高的收入不平等程度将导致低收入家庭的住房需求下降以及高收入家庭的需求增加。考虑到单个房屋的尺寸限制，HVR显然会增加。
我们的模型设置相当稀疏，忽略了住房市场的动态。 因此，我们无法区分住房需求的消费和投资目的。 然而，只要这两类住房需求随着住房持有收入而增加，我们的结论在这种情况下依然有效。 事实上，静态模型中的家庭收入与动态模型中的永久家庭收入相对应。 在一个动态框架内，住房所有者和租房者之间的住房没有实质性差异，而高收入家庭的空置房屋将被视为投资物品。
- 数据和方法：
主要数据来自中国城市住户调查（CUHS）。 CUHS可以看作是美国当前人口调查的中国对口单位。 该调查由中国国家统计局（NBS）进行，旨在收集城市居民的全面社会经济信息。 CUHS采用分层两阶段随机抽样方法。 第一阶段，国家统计局根据人口数量选择市县，确保样本代表城市人口。 在第二阶段，在每个选定的地点，调查样本街区（街道委员会），居民委员会和家庭持有。
CUHS始于1986年，覆盖中国所有地级城市，即约330个城市。 但是，从2002年到2009年，我们只能访问157个城市的子样本。平均而言，每个城市年单元中的抽样家庭数量大约为200个，其中最小的城市年单元格覆盖40个家庭[4]。Meng等人使用了相同的版本。 而另一个样本量小得多的版本在前瞻性研究中被广泛使用，例如Li et al（2012）和Li（2013年）等人。 样本城市的地理分布如图A1所示。 除了CUHS数据外，我们还从一些回归中得出了“中国城市统计年鉴”的一些控制变量。
图A1： 样本城市的空间分布
备注：示例城市以深灰色着色
我们有两个感兴趣的结果变量，HPIR和HVR，都是在城市层面计算的。 HPIR广泛用于反映住房市场的状况。 有人认为高房价可能是房地产泡沫的标志（Green和Malpezzi，2003; Jensen，1998; Girouard等，2006）。 我们遵循用于计算HPIR的常规公式（联合国，2003; Renaud，1989），将当地房屋市场中的房屋中值除以家庭收入的中值[5]。具体而言，我们根据自我报告的房屋价值和家庭收入计算每年每个城市的HPIR。 Renaud（1991）声称健康房屋市场的HPIR应该在2到6之间，而较高的价值可能反映住房泡沫。人们承认，自我报告的数值可能有一些测量误差[6]。因变量的测量误差通常被假定为与解释变量无关（Wooldridge，2007：第319页）。否则，我们在回归中具有非随机测量误差的相关变量，这在技术上是无法解决的。底线是我们已经在所有的回归中明确地包含了一套全面的控制措施，并且有和没有控制的结果之间的相似性也表明，由于忽略不可观察因素而导致的潜在内生偏差应该很小。另一种选择是使用不同的数据集，例如不同年份的“城市统计年鉴”和“中国区域经济统计年鉴”。但是，使用这些数据集会遇到更严重的问题。首先，只有在调查年度出售的住房才能计算住房价格，而这些新出售的房屋显然不是所有住房的随机样本;其次，在这些数据集中，我们没有一致的家庭收入指标。其他房价数据（如政府在网上发布的数据）的可靠性也受到广泛质疑（因为流行的“黑白合同”（阴阳合同）），而且数据仅涵盖最近几年。显然CUHS是迄今为止这项研究的最佳可用数据，我们已经掌握了住房使用状况，住房价值和家庭收入的所有信息。
HVR主要用于衡量住房需求与住房供应之间的差距（Hui and Yue，2006）。 HVR通常定义为空置房屋总面积与总房屋面积的比率，其中包括已用和未用土地面积。然而，在实践中，由于缺乏数据，通常很难计算分母和分子。在本文中，给定城市的HVR计算为家庭拥有的空置房屋面积与家庭拥有的所有房屋面积的比例。空置房屋的定义是在进行房屋时没有人住在那里的房屋[7]。我们对房屋空置率的定义并没有考虑到已经建成但尚未售出的房屋，因此我们的计算将会低估了实际的HVR。我们认识到，如果各城市的房屋存量差异很大，这可能会导致一些问题。为了缓解这个问题，我们通过利用我们数据的面板形式（在城市层面）开展内部评估。尽管如此，据我们所知，CUHS是可用于在中国进行此类研究的最佳数据。
我们通常使用两个结果变量HPIR和HVR来衡量住房泡沫的存在。例如，在先前的研究中，尽管它们有局限性，但这两个变量都被用来衡量住房泡沫（Smith and Smith，2006年）。尽管阈值的选择存在争议并且在不同情况下有所不同，但通常采用这些措施的阈值来判断房屋泡沫是否存在。底线是我们使用HPIR和HVR作为各个城市的相对度量来监测当地房地产市场的状况。尽管这两项措施反映了住房市场的不同方面，但它们彼此密切相关。如图A2所示，HPIR增加一个单位与HV
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[24372]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
