经济学 on 格物堂

房价上涨的逻辑

Fri, 04 Jul 2014 00:00:00 +0000

一直想梳理一下中国房价上涨的逻辑，暂时思考了一下几个方面，记在这里：

重回正规的城市化

改革开放后，邓小平带领中国将重心从阶级斗争转到经济建设上来，中国也得以继续自己的工业化进程。工业化进程中伴生的是城市的扩张以及劳动力从农村向城市的转移，概括来说就是城镇化。城镇化过程中需要大量的地产建设，包括工业地产、商业地产和居住地产。无论中国还是西方，无论资本主义还是社会主义，各国在工业化过程中都经历了城镇化，在城镇化过程中经历了房地产行业的勃兴和扩张，这是人类社会的发展规律，也是房价上涨的基本逻辑支撑。当然，中国有自己的特色所在。

垄断的土地供应制度

建房是需要土地的，而且土地成本占据了建房成本的很大一部分。但这些土地是哪些人来提供呢？当然，是土地所有者。在西方，土地是私产，政府和个人都能拥有土地，但个人的土地更多一些，因此，土地主要是由个人提供的。中国，由于历史原因，土地归国家或者集体所有，其中集体的土地不能自由买卖。也就说，能提供土地的只有国家。而政府是国有土地的行权人。这就导致中国的土地供应事实上是垄断型的。这为后面的所有事情打下了伏笔。

住房货币化改革

1998年7月3日颁布的23号文是中国住房制度改革的起点。从那时开始中国开始城市开始告别住房分配制度，进入住房市场化时代。也拉开了住房价格有市场供给决定的大幕。

财税体制改革

1994年的财税改革，其中一个重要的影响是把地方很多财政来源划归了中央，从而导致地方财政来源减少。与土地的垄断供应制度相结合，则地方政府很容易走上靠卖地赚钱的思路。

过度宽松的货币政策

中国过度宽松的货币政策导致过多的货币追逐商品和服务。从而，带动物价的整体上涨。由于通货膨胀并不是一个均匀的过程，而是像投石入水一样，一点点扩散开来，并集中到少数几个领域。通胀的产生，催生了财富保值需求。房地产则以自身的属性称为一个绝佳的投资保值商品。于是，境内外各种资金纷纷追逐中国的房地产。此时，中国的房地产在需求端由城镇化过程中的自住房需求叠加可自我增强型的投资保值需求组成；供给端则由垄断性供应加市场化购地、建房构成。由于住房的投资性需求不满足普通商品的需求曲线形态，它是随价格的上涨而上涨的，从而，其严重导致了房价的高企。

科斯对现代经济学的批评

Thu, 13 Dec 2012 00:00:00 +0000

当下的经济学，无论是印刷在教课书上的，抑或是讲台上口授的，都与商业关系疏远，与企业家精神更是差以千里。经济学与商业生活的背离已经到了触目惊心甚至糟糕的地步。

往昔并非如此。回想现代经济学诞生之初，亚当斯密将其设想为一门研究“国家财富性质与原因”的学问。他的极具开创性的著作——《国富论》——被商人们——尽管亚当斯密因为他们贪婪、短视和其他缺点而赤裸裸地蔑视他们——广为阅读。该著作激发并引了导政客们针对贸易和其它经济政策的争论。当时的学术社区非常之小，以至于经济学家们不得不通过著作向公众们大声疾呼。甚至在近于20世纪的端口，阿尔弗雷德马歇尔依然努力将经济学定义为一门“研究财富和人类行为”的学问。当时的经济学保持住了与产业界的联系。

20世纪，经济学将自己巩固成为一门职业。经济学家们可以专为别人著述。同时，经济学领域经历了一次典范转移，其逐步将自己打造为一个探讨经济化行为的理论分支，并逐步放弃了把真实经济运行作为研究对象的传统。眼下，产出理论在经济学中已被边缘化，取而代之的流行范式是研究稀缺资源配置的均衡性。经济学家用以分析商业公司的工具过于抽象和投机，这些工具对于企业家和经理们试图将经典产品低价销售给消费者的常态努力少有帮助。

经济学与真实经济运行的脱离极大地伤害了商业和学术。鉴于经济学家难以提供务实的观点，企业家和经理们将不得不依靠自身的商业头脑、个人判断和经验来进行决策。经济危机期间，当商业领袖丧失自信，他们经常想要向政治力量求助。政府正日益被看作是经济问题、创新和就业的拯救者。

因为经济学正日益沦为政府用以管理经济的便捷手段，当公众试图寻找“经济如何运转”的真知时，已无法再向经济学这一工具求助。鉴于经济学不再植根于对真实经济运行的系统性研究，其也难担此任。在人类的大部分历史中，家庭和部落都主要依靠于周遭已存的经济环境；他们与其他家庭或者部落以及外部世界的联系十分贫乏且断断续续。商业社会的崛起彻底扭转了这一情形。如今，一个现代市场经济及其劳动力的精细分工依赖于一个不断扩大的贸易网。这需要一个错综复杂的社会机构来协调市场机制和公司的各种边界。在现代经济日益机构密集之时，将经济学理论简化为价格理论无异于自找泥潭；当经济学沦为硬科学，无视社会、历史、文化和政治对经济运行的影响时，无异于自取灭亡。

重建贫瘠的经济学领域与经济联系已迫在眉睫。市场经济正在中国、印度、非洲和其他地方纷纷兴起，这意味着一个充满着企业家精神的时代的到来。对于经济学家而言，这是一个千载难逢的机会，经济学家得以借此机会研究市场经济是如何在不同的文化、机构和组织形态中建立的。然而，只有当经济学家调整自身，重新将人作为人，将经济体系作为经济体系来研究时，才能有所收获。

黄牛党是价格管制体制下的需求调节器

Wed, 11 Jan 2012 00:00:00 +0000

最近因为回家抢票的事情，我认真思考了一下黄牛党的问题，觉得黄牛党的存在是十分必要的。

一直以来，国人把车票难买归根于黄牛党的存在，其中误会深矣。从经济学角度讲，决定车票是否难买取决于两个方面：一是需求方面，即有多少人需要而能购买车票；二是供给方面，即铁道部有多少车票。

倘若车票市场是自由市场，则两者总能够达到一个平衡。然而，车票市场不是自由市场，原因是政府对车票设定了价格上限，这一举措是有政治考量的，这是题外话。然而，这一举措，必然导致过高的车票需求，实际上，使得市场没有达到自己的均衡。市场不是白痴，它总会想办法调解这个局面，于是，一个崭新的职业诞生了，那就是黄牛党。“黄牛党”三个字出现以来，一直遭人鄙视。然而，其在经济学上却是有意义的。按照自由市场原理，市场上存在超额需求，必然要导致价格上涨，以在更高的价格水平达到均衡。然而，限价导致车票不能明着涨，那好，黄牛党可以让车票价格暗地里涨，而暗地里涨上去的价格，事实上，有助于构建一个新的均衡点。

那些靠自己排队去购买更多车票的人其实并没有什么过错。当然，如果法令规定不许低价买票，高价卖票那黄牛党就有过错了，因为他们违反法令了。现代社会下，所有人都应该遵守法令，除非该法令因为不合理而被废止。

我是想说，这样的法令规定也许就是不合理的。当然了，也有一种黄牛党是应该打击的，那就是利用自己的职权的黄牛党。打击这些人的原因，不是因为他们作为黄牛党而倒票，乃在于他们滥用职权。滥用职权谋取私利现代社会最应该命令禁止，并应予以严厉打击的。

打击黄牛党并不能很好的解决售票问题。解决售票问题最根本的途径似乎乃在于增加铁路供给，多建设南北铁路大动脉。不过，这又是具有风险的，因为中国人口的南北移动带有明显的季节性，倘若为了缓解季节性的车票压力，而铺设过多的南北铁路，必然导致南北铁路在其余时间入不敷出，最终导致亏损，无论是政府还是市场决策，都是不划算的。

因此，多建设南北动脉不能解决根本问题。也就是供给方面似乎无有可为了。那就从需求方面看看吧。车票的需求短期内是绝对刚性的，因为中国人不可能在春节期间都不回家过年。在长期内是可能的，因为到时候中国的文化会发生改变，或许不再过春节了。还有一种可能，就是届时中国的社会发展已经达到了区域平衡，即河南、四川的人不需要跑到北京来工作了，因为当地工业已经发展到了足以吸纳当地劳动力的地步，没有工作地点和家乡的分离，也就不再有过节时候的大量需求了，届时车票也就不成问题了。看来看去，所有问题的解，还在于发展经济，平衡发展经济。

如果你能看到这里，恭喜你，你要觉得乏味了。因为你发现，靠，这是一个长期问题啊！长期的解决方案有个什么用啊。是的，长期方案用途很小，大部分人都喜欢短期方案，喜欢立竿见影的策略。那么,来说一说短期吧。

短期内，需大于供的局面难以彻底解决。最优化的结果是是的所有的供给有效地分配给需求，不存在重复分配，也不存在迟缓分配。要做到这一点，铁道部已经推出了电话订票和网络订票，我知道他们本意很好，可是，他们真的做的很差。他们应该做一个简单的招标，设奖金500万，召集计算机高手设计一个高规格的订票网站。网站的大致样子可以是这样的：

进去主页，会让用户选择订票入口。一般推荐选择地理位置最近的入口，比如人在北京进北京入口。同时，网站应该像同花顺或者三国杀那样，显示那个入口的订票压力较大。
用户选择入口之后，网站跳转。比如北京入口，则跳转到只负责北京地区的服务器上。如果选择河北入口，则跳转到河北的服务器上。这里服务器是并联的。
调转到北京服务器之后，选择目的地，比如郑州。网站跳转到北京-郑州服务器上。之所以这么设计，是为了防止下面的状况，即北京去南宁的票没有售完，但是因为订北京到郑州的人太多，堵死了北京服务器，从而去南宁的人有票也订不到。这种方案将北京去南宁和北京去郑州的服务器并联。两者互不影响。
订票开始。

这貌似也是一个不太短期的方案，那来个更短期的吧。

在订票电话前面加拨0317不拥堵！

2010年中国与美国经济对比

Sat, 12 Feb 2011 00:00:00 +0000

中国和美国现在的实力越来越接近，也许在未来会发生很多微妙的事情。对于这个实际而言，有两个实力接近的国家历来不是什么好事。

library(WDI)
library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4 
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(plotly)

## 
## 载入程序包：'plotly'
## 
## The following object is masked from 'package:ggplot2':
## 
## last_plot
## 
## The following object is masked from 'package:stats':
## 
## filter
## 
## The following object is masked from 'package:graphics':
## 
## layout

library(dplyr)
library(ggplot2)

# 获取GDP数据（当前美元价）
gdp_data <- WDI(
 country = c("CN", "US"),
 indicator = c("NY.GDP.MKTP.CD", "NY.GDP.PCAP.CD"), # GDP总量与人均GDP
 start = 1978,
 end = 2010
) %>%
 rename(gdp = NY.GDP.MKTP.CD, gdp_per_cap = NY.GDP.PCAP.CD) %>%
 mutate(country = case_when(
 iso2c == "CN" ~ "中国",
 iso2c == "US" ~ "美国"
 ))
 
 
 p1 <- ggplot(gdp_data, aes(x=year, y=gdp/1e12, color=country)) +
 geom_line(linewidth=1.2) +
 scale_y_log10(
 "GDP（万亿美元）",
 breaks = c(0.1, 1, 10),
 labels = c("0.1", "1", "10")
 ) +
 scale_color_manual(values=c("#D62728", "#2CA02C")) +
 labs(title="1978-2010中美GDP增长轨迹对比",
 subtitle="数据来源：世界银行WDI数据库（经对数转换处理）") +
 theme_minimal(base_family="PingFang SC")
 p1

 # 保存为pdf文件
 # ggsave("Sino-US_gdp.pdf", device=cairo_pdf, width=14, height=9, dpi=300)
 # 转化为交互图形
 # ggplotly(p1)
 
 gdp_data <- WDI(
 country = c("CN", "US"),
 indicator = c("NY.GDP.MKTP.CD", "NY.GDP.PCAP.CD"), 
 start = 1978,
 end = 2010
) %>%
 rename(gdp = NY.GDP.MKTP.CD, gdp_per_cap = NY.GDP.PCAP.CD) %>%
 mutate(global_share = gdp / sum(gdp)) %>%
 group_by(year) 
 p2 <- ggplot(gdp_data, aes(x=year, y=global_share, fill=country)) +
 geom_area(alpha=0.8) +
 scale_y_continuous(labels=scales::percent) +
 labs(y="占全球GDP比重", title="全球经济格局演变")
 p2

 # 保存为pdf文件
 # ggsave("Sino-US_Comparison.pdf", device=cairo_pdf, width=14, height=9, dpi=300)
 # 转化为交互图表
 # ggplotly(p2)

2010年各地房价排行榜揭晓

Thu, 10 Feb 2011 00:00:00 +0000

今日看到一篇新闻，该新闻称《2010年中国城市房价排行榜》近日揭晓，杭州房价跃居榜首。该文列出了2010年7月中国城市房价排行榜数据如下：

cities <- readRDS("cities.rds")
print(cities)

## city lon lat hours_eprice
## 1 杭州 30.16 120.10 25840
## 2 北京 39.55 116.24 22310
## 3 温州 28.01 120.39 18854
## 4 三亚 18.14 109.31 18319
## 5 深圳 22.33 114.07 16978
## 6 宁波 29.52 121.33 13438
## 7 广州 23.08 113.14 12560
## 8 南京 32.03 118.46 12016
## 9 舟山 30.01 122.06 10500
## 10 绍兴 30.00 120.34 10105
## 11 珠海 22.17 113.34 9747
## 12 大连 38.55 121.36 9678
## 13 厦门 24.27 118.06 9660
## 14 苏州 31.19 120.37 9103
## 15 台州 28.41 121.27 8967
## 16 青岛 36.03 120.18 8962
## 17 天津 39.02 117.12 8958
## 18 南通 32.01 120.51 8950
## 19 福州 26.05 119.18 8666
## 20 湖州 30.52 120.06 8220
## 21 哈尔滨 45.44 126.36 7939
## 22 无锡 31.34 120.18 7843
## 23 佛山 23.02 113.06 7822
## 24 济南 36.40 117.00 7760
## 25 泉州 24.56 118.36 7680
## 26 嘉兴 30.46 120.45 7587
## 27 海口 20.02 110.20 7288
## 28 东莞 23.02 113.45 7023
## 29 成都 30.40 104.04 6630
## 30 合肥 31.52 117.17 6255
## 31 武汉 30.35 114.17 6196
## 32 南宁 22.48 108.19 6137
## 33 唐山 39.36 118.11 6098
## 34 昆明 25.04 102.42 6006
## 35 金华 29.07 119.39 6000
## 36 中山 22.31 113.22 5988
## 37 烟台 37.32 121.24 5835
## 38 重庆 29.35 106.33 5720
## 39 日照 35.23 119.32 5700
## 40 郑州 34.46 11340.00 5689
## 41 惠州 23.05 114.22 5649
## 42 宜昌 30.42 111.17 5637
## 43 太原 37.54 112.33 5635
## 44 扬州 32.23 119.26 5630
## 45 南昌 28.40 115.55 5573
## 46 长春 43.54 125.19 5445
## 47 兰州 36.04 103.51 5440
## 48 西安 34.17 108.57 5398
## 49 威海 37.31 122.07 5363
## 50 长沙 28.12 112.59 5339
## 51 常州 31.47 119.58 5302
## 52 江门 22.35 113.04 5205
## 53 鞍山 41.07 123.00 5150
## 54 秦皇岛 39.55 119.35 5114
## 55 漳州 24.31 117.39 5110
## 56 泰安 36.11 117.08 5100
## 57 镇江 32.11 119.27 5052
## 58 承德 40.59 117.57 5016
## 59 沈阳 41.48 123.25 4980
## 60 呼和浩特 40.48 111.41 4920
## 61 石家庄 38.02 114.30 4874
## 62 桂林 25.17 110.17 4865
## 63 泰州 32.30 119.54 4830
## 64 柳州 23.19 109.24 4822
## 65 大庆 46.36 125.01 4814
## 66 湛江 21.11 110.24 4772
## 67 九江 29.43 115.58 4771
## 68 银川 38.27 106.16 4690
## 69 徐州 34.15 117.11 4632
## 70 贵阳 26.35 106.42 4534
## 71 乌鲁木齐 43.45 87.36 4410
## 72 东营 37.27 118.30 4370
## 73 汕头 23.22 116.41 4330
## 74 邯郸 36.36 114.28 4300
## 75 包头 40.39 109.49 4225
## 76 洛阳 34.41 112.27 4207
## 77 延安 36.35 109.28 4135
## 78 吉林 43.52 126.33 4008
## 79 济宁 35.23 116.33 3950
## 80 北海 21.28 109.07 3890
## 81 开封 34.47 114.21 3737
## 82 葫芦岛 40.45 120.51 3719
## 83 潍坊 36.43 119.06 3689
## 84 齐齐哈尔 47.20 123.57 3671
## 85 清远 23.42 113.01 3625
## 86 营口 40.39 122.13 3580
## 87 锦州 41.07 121.09 3550
## 88 西宁 36.38 101.48 3440
## 89 襄樊 32.02 112.08 3432
## 90 拉萨 29.39 91.08 3400
## 91 淄博 36.48 118.03 3300
## 92 丹东 40.08 124.22 3273
## 93 喀什 39.30 75.59 3250
## 94 张家口 40.48 114.53 3210
## 95 克拉玛依 45.36 84.51 3200

用R将其可视化：

# 安装包（如果未安装）
# install.packages(c("ggplot2", "sf", "dplyr","ggrepel"))

# 加载包
library(ggplot2)
library(sf)

## Linking to GEOS 3.13.0, GDAL 3.8.5, PROJ 9.5.1; sf_use_s2() is TRUE

library(dplyr)

## 
## 载入程序包：'dplyr'

## The following objects are masked from 'package:stats':
## 
## filter, lag

## The following objects are masked from 'package:base':
## 
## intersect, setdiff, setequal, union

library(ggrepel)
library(showtext)

## 载入需要的程序包：sysfonts

## 载入需要的程序包：showtextdb

# 下载中国地图数据（GADM级别0，全国）
china_map <- st_read("https://geodata.ucdavis.edu/gadm/gadm4.1/json/gadm41_CHN_0.json")

## Reading layer `gadm41_CHN_0' from data source 
## `https://geodata.ucdavis.edu/gadm/gadm4.1/json/gadm41_CHN_0.json' 
## using driver `GeoJSON'
## Simple feature collection with 4 features and 2 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 73.5577 ymin: 18.1593 xmax: 134.7739 ymax: 53.56
## Geodetic CRS: WGS 84

cities <- readRDS("cities.rds")

ggplot() +
 geom_sf(data = china_map, fill = "lightblue", color = "gray40") + # 绘制地图边界
 geom_point(data = cities[1:20,], aes(x = lat, y = lon), color = "red", size = 2) + # 标记城市点
 geom_text_repel(data = cities[1:20,], aes(x = lat, y = lon, label = city), 
 hjust = -0.1, vjust = 0.5, color = "darkred", size = 3) + # 添加城市标签
 coord_sf(xlim = c(73, 135), ylim = c(18, 54)) + # 设置地图范围（中国区域）
 labs(title = "中国主要城市分布图", x = "经度", y = "纬度") +
 theme_minimal() +
 theme(plot.title = element_text(hjust = 0.5, face = "bold",family="PingFang SC"))

## Warning: ggrepel: 2 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps

果不其然，全都在沿海。