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。

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。