一、引 言

近日，武汉、长沙、西安、成都、南京等各大城市纷纷出台措施，展开抢人大战，广州“租购同权”措施一经提出，更是引起强烈反响。有人猜测一、二线城市房价会继续攀升，亦有人认为房价租售比将更合理，房价会进一步跌落。我们对未来房市的沉浮先不下定论，回顾近些年中国现实：随着人口红利衰减、“中等收入陷阱”风险积累等一系列因素的作用，支撑房市可持续发展的人口、经济因素均已囿于桎梏之中，然而在这种情境下，近年来各主要城市房价出现持续显著波动，不由得猜测这是否与规模巨大且规律性极强的人口流动相关。

根据国家卫计委《中国流动人口发展报告2015》显示，截至2014年末，我国流动人口达2.53亿人，相比于1982年的1 154万人，33年间翻了近22倍。按照城镇化、工业化进程和城乡人口变动趋势预测，到2020年，流动人口将达2.91亿，其中“城乡流”2.2亿人、“城际流”0.7亿人。人口流动规模的不断扩大，流入城市范围亦呈现高度集中。根据各地区政府统计公报和人口普查数据显示，2009-2014年35个大中城市合计流入 3 778 万人，超过同期人口自然增长数 3 608 万人。其中，长三角地区的沪苏，珠三角的广、深、莞、佛与渤海湾的京津等8座城市流动人口达 2 343 万，郑州、成都、重庆、厦门和武汉五大枢纽城市人口流入也逾百万，仅上述13座城市合计人口流入达 2 832 万人，相当于35个大中城市流动人口总数的75%。与此同时，涵盖京津冀、长三角、珠三角三大都市圈的35个大中城市房地产区域性特征日益明显，商品住房价格波动程度差异显著(见表1)。横向比较显示，人口流动与房价波动之间存在相关性(见图1、图2)。那么，人口流动与房价波动的相关程度如何，其对于判断未来房价走势及房地产市场平稳健康发展的制度设计有何启示，这值得我们深究。

 

表1 部分城市商品住房价格增长率

  

时间深圳石家庄厦门福州北京上海郑州广州杭州重庆天津西安2005-2015年3．813．572．992．802．622．212．031．791．701．641．491．322005-2010年1．711．231．441．641．781．130．931．111．611．130．990．622010-2015年0．781．050．630．440．300．500．570．330．030．240．250．43

注：商品住房价格增长率=期末房价/期初房价-1；房价数据来源参见本文模型和数据部分。

二、文献回顾

(一)供需导向对房价的影响

基于供给导向的研究主要集中在土地供应对房价波动的影响上，限制土地供应会降低新增住房供给促使房价上涨，土地供应在空间上的供需错配使得区域间房价出现分化。在美国和其他联邦制国家，分区制度等土地管制政策促使地价上涨(Ihlanfeldt，2007)[1]，造成住房供给弹性缺失，引发新增住房供给数量下降(Glaeser et al，2009)[2]和房价上涨(Ihlanfeldt et al，2007；Glaeser et al，2008；Zabel et al，2011)[1,3-4]。在国内，政府垄断土地市场，地方财政与“土地财政”相挂钩以及土地供应的空间扭曲是造成房价高企、区域间房价分化和“鬼城”出现的重要原因(蔡继明等，2010；王岳龙，2011；邵新建等，2012；王猛等，2013)[5-8]。然而，从土地供给视角解释房价上涨存在一个问题：土地价格本身是一种租金，在土地供给确定的前提下，地价和房价最终只能由住房需求决定。在这种经济逻辑下，地价和房价的关系应该是“房价推动地价”，而非“地价推动房价”，因此，住房价格上涨可能还存在其他更为根本的原因(陈斌开等，2012；况伟大等，2012)[9-10]。

基于需求导向的研究侧重从利率、人均收入以及预期与投机层面分析其对房价的影响。倘若房地产市场是一个完全竞争型市场，在住房市场和租房市场达到均衡时，通过银行贷款购买住房的月息应等于租房时的月租。在租金保持不变的情况下，利率降低则意味信贷购房成本降低，从而刺激购房需求，促使房价上涨(Brunnermeier et al，2008；Posedel et al，2010；况伟大，2010a；沈悦等，2011)[11-14]。作为一种宏观变量，利率水平在一定程度上影响着国家层面的房价，但其却难以解释城市间房价差异。一般而言，短期内住房供给缺乏弹性，人均收入的提高与对未来房市看好的预期同样会推升房价(张所地等，2015；孙伟增等，2016)[15-16]。通过运用2000-2010年中国35个大中城市的面板数据和动态面板系统GMM估计进行研究，发现在所有影响因素中，居民人均可支配收入的变化对城市房价租金比变动的影响力最大(高波等，2013)[17]。如果根据住房和消费品的边际替代率条件在跨期优化选择模型得出房价决定模型，则不难发现预期人均实际收入和预期房地产收益率是房价持续快速上涨及波动的主要因素(张亚丽等，2011)[18]。在对中国35个典型城市1996-2007年数据进行分析后，结果表明预期以及投机对中国城市房价波动均具有较强的解释力(况伟大2010b)[19]。

(二)人口结构导向对房价的影响

在人口年龄结构方面，Mankiw & Weil(1989)首次系统地将人口因素纳入住宅需求分析，通过构建M-W模型，发现二战后的“婴儿潮”是20年后美国房价大涨的主要原因。这一模型同样得到了来自其他国家和地区经验数据的支持(Engelhardt & Poterba，1991；Ohtake & Shintani，1996)[20-21]。基于中国的经验研究表明，总人口中中青年人口比例的上升有助于房价的快速上涨(徐建炜等，2012)[22]。陈斌开等(2012)基于宏观数据的经验观察表明，2004年以来中国房价的飞速发展很可能是由1981年的“婴儿潮”所导致，且2000年和2005年人口普查数据的实证结果进一步表明我国居民住房需求与年龄高度相关[9]。

随着人口迁移理论的不断完善，学者开始从人口迁移结构方面对其如何影响房价进行探讨。作为移民数量庞大的美国，得到了众多学者的青睐，对于该地区的相关研究结果呈现出高度的一致性：人口迁移是美国住房市场和租房市场价格波动的重要影响因素，其对房价和租金均有显著的正向冲击作用，相比租金上涨的短期性，房价上涨则表现出长期性(Saiz，2007)[23]。此外，部分学者对瑞士、以色列、加拿大、西班牙等国家进行研究，得到了相似的结果(Degen & Fischer，2009；Czamanski et al，2011；Akbari et al，2012；Gonzalez et al，2013)[24-27]。然而，Sá(2015)基于英国移民和房价数据的研究认为：移民占当地人口比例每增加10%，房价将会下跌16%。原因在于移民的到来压低了当地低技能劳动者的薪资水平，当地居民为追求更高薪资而外迁，致使住房需求下降[28]。值得注意的是，迁移人群更为关注迁入地所带来的成本与收益，房价对其而言属于居住上的成本，因此高房价会成为阻碍人口流入的一个重要因素(Rabe et al，2012)[29]。

在国内，外来移民在总人口中所占比重较低，人口迁移形式多为“城乡流”与“城际流”。近年来，城镇化进程的加快致使大量农业人口涌入城市，这相当于增加了城市的“移民”。关于人口的城镇化进程对住房价格波动的影响从国家、地区、省、市都有相关研究，一致认为城镇化水平的提高将带来持续增长的住房需求，进而影响房价波动(陈彦斌等，2013；陆铭等，2014；郭娜等，2015；李嘉楠等，2017)[30-33]。同时，人口的“城际流”使得一些城市吸纳了大量人口，而另一些城市则输出了大量人口，这对于城市层面的人口结构与房地产市场而言产生了较大的影响。“北、上、广、深”这些具有颇高经济价值的一线城市尊享“城际流”所带来的人口红利，自然而然地成为了学者研究人口流动与房价波动问题的首选对象，相关研究不乏表明外来人口数量的上升是此类城市近年来房价快速上涨的重要原因(王春艳等，2007；董昕，2016)[34-35]。

添加设备要求：混合机宜采用高速混合机如双轴桨叶混合机和单轴桨叶混合机，以便使饲料和添加的微液滴充分混匀；水的喷雾系统宜采用多喷嘴式，能将水喷成粒径均匀的微液滴，且能均匀喷到饲料表面并避免喷到混合机机壁上。液体的计量误差应不大于0.5%[2]。

梳理既有文献发现，以影响房价的传统因素作为关注点更得学者青睐。但在中国步入“经济新常态”和城市竞争日益激烈的当下，再从经济基本面来解释房价波动则会显得些许苍白。而规模巨大且规律性极强的人口流动不仅是我国的一项基本国情，同时它又与区域间房价分化有着千丝万缕的联系。城市住房问题归根结底仍是人口问题，我们没有理由怀疑房地产市场平稳健康发展的制度设计与人口政策关联，城市住房市场的结构优化同样可以为城市流动人口提供“安居”为起点。

三、模型和数据

(一)模型与变量

1.模型设定

文章选取如下计量模型来辨识35个大中城市人口流动与房价波动之间的相关性。

HPi=α0+β1FPi+β2ΔFPi+β3FPSi+γiXi+μi

图2刻画了35座城市2010-2015年度人口流入速度与商品住房价格关系的散点图，同样发现，人口流入速度与商品住房价格存在显著的正向联动趋势。

如图4为自适应阈值法的电路框图,回波信号处理电路将微弱的回波信号进行处理,经过放大滤波处理后,输出一个高信噪比、幅值较大的回波信号。利用峰值检测电路得到回波的台阶信号,台阶信号经过高通滤波电路后由CPLD、AD以及高速RAM构成台阶采集电路将各个台阶的模拟量转化为数字量,并将台阶信号数字量传递给单片机,单片机利用内部AD采集获得回波信号的最大幅值。单片机根据当前台阶信号设置下一次测量渡越时间的第一阈值。渡越时间测量电路采用TDC-GP22,通过渡越时间测量电路则可以得到回波信号的渡越时间。

能源部表示：“行动计划旨在促进两国在民用核能先进技术领域的研发合作。”两国均认识到，要实现民用核技术的长期最佳发展，需要各种方法和技术路径。

2.变量说明

(1)住房价格。考虑到人口数据的可获得性与统计口径的一致性，住房价格选取35个大中城市2010年和2015年的数据，在模型中作为被解释变量，以对数的形式出现。

冻干重组脑利钠肽可以降低心肌耗氧量，预防心律失常，利尿排钠，提高肾脏滤过率，缓解心力衰竭程度。芪参益气滴丸属于纯中药制剂，由三七、丹参、黄芪等中药材制成，具有正性肌力的作用，能够达到减缓心率、改善心脏供血的作用。

(2)人口流入规模与速度。一般而言，人口流入的规模和速度都会通过影响城市住房需求而引起房价波动，故本文同时选取这两个因素作为主要解释变量。由于对城市层面人口流动情况并未有系统的统计，且各个城市关于人口方面的统计口径差异较大，因此本文选取年末城市净流入人口占比作为城市人口流入规模的代理变量，其中年末城市净流入人口数据为当年城市常住人口数与户籍人口数的差值；选取2010-2015年城市年均净流入人口数据作为人口流入速度的代理变量。

(3)控制变量。本文通过控制就业密度来控制供给层面的因素。就业密度利用市辖区二三产业从业人员数量/市辖区建成区面积衡量，这在一定程度上代表土地与住房供给的倒数，同时也是一个需求相对供给的指标，从需求层面来讲，就业密度越高，表明城市对人口的吸附能力越强，住房需求越旺盛(陆铭等，2014)[31]。为控制住房需求层面的因素，选取城市常住人口规模和人均可支配收入两项指标。一般来讲，人口作为支撑房地产发展的核心要素，它的规模影响住房需求总量，它的经济基础影响住房价格空间，所以通过控制常住人口规模可以在一定程度上控制由此所产生的规模经济效应对房价波动的推动作用，控制人均可支配收入同样可以控制由收入水平差异所造成的房价差异。此外，文章将基础设施水平也作为控制变量处理。基础设施作为城市公共品存在，一方面，基础设施水平对城市住房存在溢价效应，另一方面，基础设施水平的高低也会影响人口流动决策。为控制由于城市固定效应对研究造成的影响，文章分别从城市经济综合实力、人口情况与房地产市场发展水平三个方面，选取10项指标，利用系统聚类分析法，将35个城市划分成五类，划分结果作为哑变量进入计量分析模型中①。

仅从数据上看，人口流入规模和速度均与商品住房价格波动呈现正向相关性，这种相关性是否在实证研究中同样成立，若成立，其相关程度如何，文章的第四部分将对此进行更为严格的计量分析。

 

表2 变量计算方法

  

变量分组变量名称变量表达计算方法被解释变量2015年住房价格lnCHP2015iln2015年商品住房价格解释变量2010年流入人口占比FP2010i2010年净流入人口/2010年常住人口2015年流入人口占比FP2015i2015年净流入人口/2015年常住人口2010-2015年流入人口占比变化ΔFPi2015年流入人口占比-2010年流入人口占比2010-2015年人口流入速度FPS2015n=2010城市净流入人口6控制变量就业密度常住人口规模人均可支配收入城市基础设施水平城市虚拟变量ED2015i2015年市辖区二三产业从业人员数量2015年市辖区建成区面积lnPOP2015iln2015年常住人口规模lnPCDI2015iln2015年城镇居民人均可支配收入lnINF2015iln2015年每万人拥有公共交通车辆DUMMY1是否为一类城市(是=1；否=0)DUMMY2是否为二类城市(是=1；否=0)DUMMY3是否为三类城市(是=1；否=0)DUMMY4是否为四类城市(是=1；否=0)

注：对变量数据取对数是为了消除数据的异方差问题，且使经济变量具有弹性含义；为避免陷入“虚拟变量陷阱(即完全多重共线性)”，设置城市虚拟变量的对照组为第五类城市，即重庆市。

(二)数据来源与分析

1.数据来源

研究应用城市层面的数据进行分析，样本城市为35个大中城市。数据来源包含以下几个方面：第一，住房价格数据来自《中国房地产统计年鉴》，以住宅商品房平均销售价格作为代理变量；第二，人口数据来源为整理2010年全国第六次人口普查、2015年全国1%的人口抽样调查、各城市统计年鉴及国民经济和社会发展统计公报后的结果；第三，其他控制变量来自《中国统计年鉴》和《中国城市统计年鉴》。

2.数据分析

表3汇报了描述性统计结果，不难发现各个变量在不同地区的差异较大。在住房价格方面，最高的是 3 3661 元/平方米的深圳市，最低则为 4 498 元/平方米的银川市，房价差距悬殊。在住房价格波动程度方面，昆明、石家庄商品住房价格增长率分别为110.81%、104.83%，房价呈现高增长态势，深圳、厦门、南昌、郑州、武汉、上海分别以77.59%、63.31%、60.59%、57.16%、51.42%、50.46%的较高房价增长率紧随其后，然而，海口、宁波两地住房价格则出现了负增长，分别为-5.37%、-5.54%。

 

表3 各变量的描述性统计

  

变量单位样本量平均值标准差最大值最小值2015年住房价格元/m2359519．976151．713366144982010-2015年住房价格变化率%3536．1125．89110．81-5．542010年流入人口占比%3517．5115．2974．91-6．192015年流入人口占比%3518．0714．7968．80-5．962010-2015年流动入口占比变化%350．563．709．74-7．472015人口流入速度万人/年35167．97232．91952．34-41．42就业密度万人/平方公里350．320．251．520．13常住人口规模万人35879．05543．552415．27216．41人均可支配收入元353601577695296225232城市基础设施水平万人/台3517．3313．3589．344．11

注：虽然被解释变量不包含2010-2015年住房价格变化率(等于2015年房价/2010年房价-1)，但为了更清晰地体现35个大中城市之间房价波动的差异程度，所以研究对该数据进行了描述性统计。

商品住房市场差异不难理解，令人惊异的是35座城市在流动人口方面差异同样巨大。在两个年度中，深圳市流动人口占比分别以74.91%、68.80%占据高位，而南宁市则分别以-6.19%、-5.96%的流动人口占比维持在最低水平，这与两座城市2010-2015年人口流动速度水平保持高度一致。人口流动速度较快的前五名分别为上海、北京、深圳、广州、天津，依次为952.34、776.31、767.15、465.00、429.25，南宁则面临着每年约41.42万人流出的尴尬处境。天津市流动人口占比从2010年的23.88%上升到33.62%，上涨幅度最大，同时武汉以7.33%的涨幅位居其二，而哈尔滨流动人口占比则从2010年的6.73%降至2015年的-0.74%，下降幅度最大，流动人口占比变化在一定程度上反映出人口流动方向的变化。此外，35座城市在就业密度、常住人口规模、城镇人均可支配收入以及城市基础设施水平方面的差异同样较大。

农村地区由于种植户和经营者受教育程度较低，缺乏专业的电商人才，在广大农村地区发展农产品电子商务关键是人才。地方政府应该重视这方面投入，在本地区特色农产品优势主产区要积极开展农民电子商务培训，将农村地区有志于从事电子商务的农民群众集合起来，通过培训提高农民群众电子商务的操作技能。同时还应该积极鼓励电子商务方面的专业人才回乡创业，吸引电子商务专业大学生到农村帮扶，在较短时间内，重点培养一批懂电商的科技带头人，以弥补农村地区电商人才不足的问题。

为了更加直观的反映人口流动与房价波动的相关性，研究进一步绘制了流入人口占比与商品住房价格、人口流入速度与商品住房价格关系的散点图。

从回归结果来看，2015年流入人口占比的系数始终显著为正，说明在流入人口占比高的城市，住房需求也较高，从而推高了房价。在估计1中，R2为0.612 6，说明仅流入人口规模一个变量就足以解释住房价格水平的61.26%，可见其对房价影响的重要程度。在加入人口流入速度后，模型的解释力大幅度提升，进一步表明人口流入与房价的密切相关。根据估计6的结果，在不区分城市类别的情况下，保持其他条件不变，发现流入人口占比每上升10%，住房价格就会高出19.489%，说明如果两个城市的基本特征一致，仅一个城市的流入人口数量较大，那么这座城市的房价则会更高。值得注意的是，随着城市常住人口规模的加入，人口流入速度对房价的影响从显著变为不显著，一个可能的原因在于人口流入速度是以城市年均净流入人口数来衡量，反映了需求的机制，当控制了城市常住人口规模这样影响实际住房需求的变量之后，其便不再单独影响房价。此外，人口流入速度对房价上涨的效应程度始终较小，我们认为短期内房价的急剧上涨可能与投资和投机行为密切相关。一般来讲，短期内能够吸引人口大量流入的城市必然会引起投资客与投机商的重视，而住房除了是最基本的生活资料外，还兼具极强的商品属性，因此当人口流入带来的住房需求增长被理性预期到的时候，住房就会被投资者作为投资品进行投资，于是那些人口流入速度较快的城市其房价急速上涨就成为一种必然。

  

图1 流入人口占比与商品住房价格关系散点图

在上式中，下标i代表第i个城市，α0为截距项，β1、β2、β3和γi为待估参数，Xi为一系列控制变量，μi为随机扰动项。住房价格(HPi)为2015年第i个城市商品住房价格。流入人口(FPi)为第i个城市净流入人口占比，在不同的模型中分别用2010年和2015年第i个城市净流入人口占常住人口的比重来衡量；流入人口占比变化(ΔFPi)为2015年与2010年第i个城市净流入人口占比的差值；人口流入速度(FPSi)用2010-2015年第i个城市的年均净流入人口数衡量。

  

图2 人口流入速度与商品住房价格关系散点图

表2列出了本文实证研究部分所用的变量及其计算方法。

四、实证研究

(一)基本回归

在混合截面估计模型中，首先以2015年住房价格为被解释变量，研究人口流动对房价的影响(表4)。在估计1中，仅以2015年流入人口占比为解释变量，研究流入人口规模对住房价格的影响。在估计2中，加入2010-2015年人口流入速度，研究人口流入规模和速度共同对住房价格的作用程度。在估计3～7中依次加入各个控制变量，以期得到更稳健的人口流动影响住房价格水平的证据。

4月25日，我们造访卡尔梅克自治共和国社会科学研究所即是前提到的第三种学术著作《卡尔梅克苏维埃社会主义自治共和国史纲》的主编者之一。马先生一直将这个研究所视作“卡尔梅克历史研究的圣地”。

图1刻画了2010年、2015年35个大中城市流入人口规模与商品住房价格关系的散点图，可以发现，流入人口规模与商品住房价格呈现明显正相关。

 

表4 以2015年商品住房价格为被解释变量的估计结果(1)

  

解释变量估计1估计2估计3估计4估计5估计6估计7FP20152．5451∗∗∗(0．3523)1．1917∗∗(0．5028)1．3663∗∗∗(0．5489)2．5619∗∗∗(0．5849)2．1497∗∗∗(0．5875)1．9489∗∗∗(0．6111)2．5940∗∗∗(0．6769)FPS0．0011∗∗∗(0．0003)0．0004∗(0．0004)-0．0006(0．0005)-0．0005(0．0005)-0．0005(0．0005)-0．0016∗∗(0．0007)ED20150．4856∗∗(0．2311)0．6884∗∗∗(0．2163)0．5475∗∗(0．2155)0．5466∗∗(0．2145)0．2954(0．2033)lnPOP20150．3172∗∗∗(0．1048)0．2376∗∗(0．1062)0．2631∗∗(0．1080)0．4929∗∗∗(0．1196)lnPCDI20150．5498∗∗(0．2609)0．5054∗(0．2627)0．2163(0．3572)lnINF20150．1162(0．1023)-0．0232(0．1109)DUMMY11．4946∗∗(0．6268)DUMMY20．5606∗(0．3104)DUMMY30．7457∗∗(0．2999)DUMMY40．9972∗∗(0．3731)C8．5672∗∗∗(0．0818)8．6296∗∗∗(0．0735)8．5156∗∗∗(0．0885)6．3491∗∗∗(0．7197)1．2211(2．5273)1．2372(25153)2．5016(3．6259)Num35353535353535R20．61260．71530．75080．80910．83450．84170．9086AdjustR20．60090．69750．72670．78770．80590．80780．8706

注：1.括号中的数值为标准差；2.***、**、*分别表示在1%、5%、10%水平上显著，下同；3.当同时控制以上四组虚拟变量时，对照组为重庆市。

在控制流入人口占比和人口流入速度后，就业密度、城市常住人口规模和城镇居民人均可支配收入显著提高了房价，验证了上文所说的就业密度折射城市住房需求，人口规模影响住房需求总量，经济基础影响住房价格空间。在不考虑城市类型的情况下，就业密度每增加10%，房价高出5.466%；城市常住人口规模每增加10%，房价高出2.631%；城镇居民人均可支配收入每增加10%，房价高出5.054%。然而，城市基础设施水平对房价的影响始终不显著，但加入其之后流入人口规模对房价的影响程度出现小幅度的下降，说明城市基础设施水平会通过影响人口流动决策而间接作用于房价。

在控制就业密度、城市常住人口规模、人均可支配收入和城市基础设施水平的基础上，由估计7的结果不难发现，城市固定效应的确对住房价格产生了一定的影响，但影响程度存在明显差异。北、上、深三个一类城市对房价的促进作用最为强烈，其次为三、四类城市，二类城市对房价的正向作用也通过了90%的置信水平。

(二)处理双向因果关系导致的内生性问题

短期来看，住房供给缺乏弹性，而大规模的人口流入则会通过增加住房需求而推高流入地的住房价格，促使房价波动，同时高房价意味着城市生活成本的提髙，继而抑制人口流入。所以，人口流动与房价波动存在双向因果关系，且作用方向相反，而简单的OLS回归可能会低估人口流动对房价波动的影响。基于此，研究进一步采用滞后的人口流动信息来解释当期房价，以处理人口流动与房价波动之间由于存在双向因果关系而产生的内生性问题。

三是把尊重民意、顺应民愿贯穿水利建设全过程。在规划和立项时，要根据群众意愿，综合考虑需求紧迫程度、受益范围大小等进行布局和项目遴选，排定优先次序，本着均衡而非平均的原则做好空间布局，本着造血为主输血为辅的原则做好扶持扶助，相关方案公开征求民意。在设计上，要本着利民、便民、对群众负责的态度，把便捷性、实用性、安全性有机结合。在建设中，要加强政府、市场与社会“三轮驱动”，运用市场机制提高建设效率和效益，引入公众力量强化监督与管理。

表5是以2010年流入人口占比与2010-2015年流入人口占比变化作为解释变量对2015年住房价格进行解释的估计结果。回归结果显示，2010年流入人口占比系数始终显著为正，说明过去的人口流动信息对当期房价水平具有促进作用，61.65%的R2进一步表明其对当期房价水平的较强解释力。然而，流入人口占比变化却并未表现出对房价有显著影响。通过数据比较我们发现，近年来35个大中城市流入人口占比变化平均水平仅为0.61%，而商品住房价格平均增长率则高达36.71%，用一种几乎不变的变量解释迅速变化的变量，这显然不是一种完备的研究思路(徐建炜等，2012)[22]。在引入就业密度、城市常住人口规模和城镇居民人均可支配收入后，模型的解释力大幅度地提高至83.88%，说明在不考虑人口流入的情况下，供给层因素(如土地)、城市人口规模与居民收入水平是城市间房价分异的重要因素。

 

表5 以2015年商品住房价格为被解释变量的估计结果(2)

  

解释变量估计8估计9估计10估计11估计12估计13ΔFP1．5453(1．4708)0．6543(1．2670)0．4226(1．0797)0．3209(1．0231)0．4363(1．0436)1．1920(1．0001)FP20102．5376∗∗∗(0．3559)1．9865∗∗∗(0．3358)1．9656∗∗∗(0．2857)1．6525∗∗∗(0．3081)1．5211∗∗∗(0．3593)1．3369∗∗(0．5096)ED20150．7345∗∗∗(0．1982)0．5652∗∗∗(0．1751)0．4461∗∗(0．1750)0．4431∗∗(0．1765)0．3435(0．2400)lnPOP20150．2310∗∗∗(0．0645)0．1663∗∗(0．0682)0．1829∗∗(0．0725)0．2812∗∗∗(0．0884)lnPCDI20150．5458∗∗(0．2577)0．5219∗(02618)0．2538(0．4049)lnINF20150．0791(0．1086)0．0992(0．1144)DUMMY10．4034(0．5156)DUMMY20．1429(0．2839)DUMMY30．3240(0．2672)DUMMY40．5428(0．3706)C8．5744∗∗∗(0．0831)8．4417∗∗∗(0．0789)6．9757∗∗∗(0．4146)0．7816(2．4830)1．7302(2．5044)3．5821(4．0740)Num353535353535R20．61650．73420．81390．83880．84180．8868AdjustR20．59260．70850．78910．81100．80790．7396

(三)工具变量估计

在混合截面估计模型中通过使用滞后的人口流动信息来解释当期房价水平，可以在一定程度上处理人口流动与房价波动之间的双向因果关系，缓解OLS回归造成的偏误，但人口流动与房价波动之间可能存在着某种不可观测的因素使得它们之间呈现出相关性，即人口流动与房价波动之间存在因遗漏变量而产生的内生性问题，而工具变量模型能够反映出解释变量对被解释变量的独立影响，因此研究将进一步构建工具变量模型处理此问题。有效的工具变量应具备两个条件：①与所替代的随机解释变量高度相关，以保证工具变量的相关性；②与随机扰动项不相关，以保证工具变量的外生性。

在本节中，笔者选择滞后十年的城乡居民收入差距比(IG)作为人口流动的工具变量，其中IG等于城市居民人均可支配收入除以农村居民人均纯收入，原始数据来源于35座城市2005年的《国民经济和社会发展统计公报》②，并用城乡居民消费价格指数消除通货膨胀得到实际值。因为流动人口特征有两个，分别为2015年的流入人口占比和2010-2015人口流入速度，故对IG采取分段设置虚拟变量的方法，具体为：当IG在[1.7，2.4)，虚拟变量1取1，否则取0；当IG在[2.4，3.0)，虚拟变量2取1，否则取0；IG在[3.0，3.6]，虚拟变量3取1，否则取0。当同时控制这三组虚拟变量时，对照组是IG大于3.6的城市。设置三组虚拟变量的原因在于避免因虚拟变量过多而损害回归估计的自由度，造成第一阶段估计显著性降低。使用2005年城乡居民收入差距比作为人口流动的工具变量是基于以下几个方面的考虑。

在这个学习的过程中，学生们借助直尺与三角板自己动手量一量，比一比，真正了解每个三角形的特点，在此基础上再让学生给这些图形进行分类，学生们也就会心中有数，操作起来也就显得更加得心应手了。

第一，按照经典迁移理论，不断扩大的收入差距会诱发人口流动，而人口流动也会反作用于收入差距。中国农村劳动力转移的特殊动力是长期推行重工业优先发展战略而导致扭曲的产业结构和人口分布格局，而改革开放以来扩大了的城乡和地区收入差距则为这种转移提供了追加的动力(蔡昉，2003)[41]。同时，要缩小城乡收入差距，也需从发展战略和由此衍生的制度安排入手，推进城市化，加快劳动力转移(陈斌开和林毅夫，2013)[42]。此外，随着城市化进程的推进，大量农村劳动力流入城市，在减少农村剩余劳动力的同时，也将扩大农村基础设施建设，削弱户籍制度，均衡劳动力在城乡之间流动的推力和拉力，长期来看城市化的推进与城乡收入差距存在倒U型关系(李子叶等，2016)[43]。

第二，从经验研究上来说，城乡居民收入差距只会通过影响人口流动而影响房价，其自身并不直接影响房价。如在基础估计14中加入城乡居民收入差距比，其系数本身并不显著，2015年流入人口占比、2010-2015年人口流入速度和其他控制变量的系数大小和显著性也未发生大的变化。

第三，采用滞后十年的城乡居民收入数据，除了本身具有较强的外生性外，也不会通过影响城市固定资产投资而影响房价。在控制就业密度，城市常住人口规模、城镇居民人均可支配收入和城市基础设施水平的基础上，文章采用滞后十年的城乡居民收入差距比来解释2015年城市固定资产投资(PAI)情况③。结果显示，3个虚拟变量均不显著，说明滞后十年的城乡居民收入差距比不会对城市固定资产投资产生影响。

第四，城乡居民收入差距比可以通过影响人口流入规模来影响城市住房需求，进而影响房价。研究使用三组虚拟变量来解释2015年流入人口占比与2010-2015年人口流入速度。在估计16中，虚拟变量3开始变得显著，负的系数表明在控制了其他因素后，城乡居民收入差距对人口流动存在门槛效应，一旦城乡差距大于临界值，便会阻碍人口流动(表6)。

不容忽视之处在于，人口流入会推升房价，房价上涨同样会作用于人口流动。对于流动人口而言，高房价伴生更多的收益如更完善的生活设施、更多的就业机会、更好的卫生医疗条件和文化环境对其更具吸引力(李超等，2015)[36]。林海波等(2016)的研究同样表明房价上涨并未表现出对于移民特别是大学生的阻碍作用[37]。但其他学者则发现高房价会抑制人口流入。高波等(2014)在研究城市劳动供给与失业问题时发现，城市房价上涨阻碍了农村劳动力向城市迁移[38]。李拓等(2015)认为以房价负担表征的人口的经济饱和度对人口流动的影响具有门限效应，2007年之前影响不显著，2007年之后则对人口流动产生显著抑制作用[39]。张传勇(2016)通过对长三角地区劳动力流动与房价上涨的关系进行研究，同样发现高房价抑制了流动人口的购房意愿[40]。

 

表6 用城乡居民收入差距比作人口流动的工具变量的基础估计结果

  

解释变量被解释变量LNCHP2015LNPAIFP2015FPS估计14估计15估计16估计17IG-0．0098(0．1075)———IG[1．7，2．4)—0．0623(0．3545)-0．1690(0．1421)8．1598(184．6554)IG[2．4，3．0)—-0．0121(0．3445)-0．2148(0．1380)-46．4767(172．4244)IG[3．0，3．6]—-0．1360(0．3629)-0．2535∗(0．1454)-24．5054(189．0314)FP20151．9432∗∗∗(0．6253)———FPS-0．0005(0．0005)———ED20150．5451∗∗(0．2190)-0．3264(0．2294)0．0942(0．0919)310．9201∗∗(110．4953)lnPOP20150．2624∗∗(0．1102)0．9424∗∗∗(0．1027)-0．0357(0．0412)145．0258∗∗(53．5067)lnPCDI20150．4975∗(0．2810)-0．2003(0．3507)0．2436∗(0．1405)220．2668(182．6750)lnINF20150．1159(0．1047)-0．1172(0．1234)0．1647∗∗∗(0．0494)132．1187∗∗(64．2551)C1．3511(2．8492)4．6055(3．2672)-2．4125∗(1．3093)-3529．641∗∗(1701．793)Num35353535R20．84170．85870．58510．7174AdjustR20．80070．82210．47750．6442

研究使用3个虚拟变量作为2015年的流入人口占比和2010-2015人口流入速度的工具变量来解释2015年商品住房价格水平。表7汇总了应用工具变量进行两阶段最小二乘法的估计结果。将回归结果与之前OLS估计结果相比较，发现在不控制其他条件的情况下，流动人口占比对房价的影响存在被低估的风险，但当控制了影响房价的其他因素时，这种风险则会被规避；同时2015年人口流入速度系数有一定幅度的提升，说明通过简单的OLS估计，人口流入速度对房价的影响的确会被低估。

表7同时汇报了检验工具变量的F统计量与Hansen J检验。F统计量可以判断弱工具变量。一个经验规则是，如果第一阶段的F统计量大于10，则可拒绝“存在弱工具变量”的原假设，显然研究所选择的工具变量非弱工具变量。Hansen J检验可检测工具变量是否是外生的。J检验的原假设为“所有工具变量都是外生的”，若J检验的相伴随概率小于0.1，则可在10%的水平上拒绝原假设，估计18～23中J检验的相伴随概率均大于0.1，因此不能拒绝原假设，说明研究所选择的工具变量是外生的，与扰动项无关。根据上述分析，表明本研究中工具变量的设定是合理的，使用工具变量进行估计的结果是可靠的。

对常规单一层面切片HE染色的患者，非前哨淋巴结行多层切片HE染色检测，发现有微小转移灶；对多层切片HE染色的患者进行多层连续切片及免疫组化，发现淋巴结存在微转移；对前哨淋巴结无微转移患者的非前哨淋巴结行多层连续切片及免疫组化研究，尚未发现淋巴结有微转移灶。

 

表7 用城乡居民收入差距比作人口流动的工具变量的估计结果

  

解释变量估计18估计19估计20估计21估计22估计23FP20153．9403∗∗∗(0．9361)—2．6074∗∗(2．5005)1．3588∗∗∗(1．9492)0．6195∗∗∗(2．0136)0．9031∗∗∗(1．3619)FPS—0．0021∗∗∗(0．0004)0．0005∗(0．0017)0．0015(0．0019)0．0013(0．0016)0．0009(0．0022)ED2015——0．2293(0．5690)-0．0038(0．6298)0．0733(0．5375)0．1748(0．7216)lnPOP2015———-0．0082(0．3076)-0．0423(0．2688)0．0404(0．3700)lnPCDI2015————0．5307(0．72150．4834(0．4870)lnINF2015—————0．0732(0．2749)C8．3150∗∗∗(0．1803)8．6742∗∗∗(0．0857)8．3914∗∗∗(0．2952)8．5900∗∗∗(2．1538)3．3951(7．3108)3．1299(7．1279)Num353535353535R20．42850．62450．65220．66270．75610．7925AdjustR20．41120．61310．61850．61770．71400．7480第一阶段F值17．717226．037315．118512．493916．186516．8552Prob(J统计量)0．95830．58980．85000．55520．87420．9117

五、结论与建议

本文研究发现，快速城镇化与区域城市经济发展水平“剪刀差”效应带来的人口流动与房价波动具有显著的正相关性。基于35个大中城市2010-2015年数据的实证结果表明，在控制就业密度、城市常住人口规模、人均可支配收入和城市基础设施水平后，在流入人口占比更高的城市房价更高，这不仅体现在过去的人口流动信息对当期房价水平具有促进作用，而且更体现在当期流动人口占比对房价的影响更显著，表现为2015年流入人口占比每提高10%，2015年的房价就会增加19.489%；在人口流入速度更快的城市，住房价格与之的相关性呈现出从显著到不显著的变化趋势，进一步分析表明，人口流入速度对房价的影响会通过城市常住人口规模来体现，并且短期内房价的急剧上涨与对市场的理性预期所带来的投资和投机行为密切相关。

真是呆子！有啥法？他早就是猪八戒了，我可得见机行事。于是，我搬把椅子坐到窗前，巴克夏把灯关了，坐在椅背上，挽挽袖子，露出跃跃欲试的架式。

此外，研究还得出，在不考虑城市类型的情况下，就业密度、城市常住人口规模和城镇居民人均可支配收入显著提高了房价，表现为就业密度每增加10%，房价将高出5.466%；城市常住人口规模每增加10%，房价将高出2.631%；城镇居民人均可支配收入每增加10%，房价将高出5.054%；在区分城市类型的情况下，城市固定效应的确对住房价格产生了一定的影响，北、上、深三个一类城市对房价的促进作用最为强烈，其次为三、四类城市，二类城市对房价的正向作用也通过了90%的置信水平。

在人口自然红利渐行渐远的当下，流入人口好比一座城市的“流动资产”。城市“流动资产”的雪球越滚越大，加剧了城市人口的分化，引发了部分城市房价的异常上涨，使得房地产偏离居住本质，逐渐成为资本化的场所。从长远来看，过高的房价增加了城市生活的成本与商务发展的成本，限制了城市对人才的吸引力，降低了城市竞争力。因此，为了维持房地产市场稳定健康发展与增强城市经济竞争力，建议从人口流动的角度出发，结合流动人口群体多样性加强和完善社会住房计划，优化住房内部结构，吸引人口流入；重视对流入人口中青年人才的住房福利，吸引人才流入。同时，利用城市产业转移与产业结构升级机会，引导流动人口合理分布，减轻主要城市与城市中心区住房市场投机压力，做好房价平抑工作。

短裙子女孩、黑背心、泰森还有刘伟，这1 8年来我再也没有见到过，至少到目前为止没有。虽然我还是有点想再见到短裙子女孩，因为她是我这辈子见到过的最美的女孩，美得让我过目不忘，甚至我总觉得我们之间还会有一点点故事的，真的！但我觉得再美也还是永远不要再见了吧。

第一，加强流动人群的社会住房计划，优化住房内部结构，吸引人口流入。当前流动人群基本上是不纳入城市社会住房体系，而住房作为流动人群城市生活的第一需要，其生活福利、家庭完整性和社会融合深刻受着住房安排的影响。因此，社会住房发展需要对流动人口住房建设提供支持。一方面可以建立针对城市流入人口的专属住房渠道，如在新建商品住房项目中配建一定比例优先面向流入人口供应的住房，适当将流入人口住房问题纳入城市保障性住房体系当中；另一方面，降低“积分落户”门槛，当流入人口在城市购房或租房达到一定年限时，即可在城市落户。

VxWorks操作系统的开发调试采用宿主机/目标机的工作方式，VxWorks操作系统有完善的主机端编程、调试、代码管理工具。它是专门为嵌入式微处理器设计的高模块化、高性能的实时操作系统。VxWorks操作系统调度策略使用基于优先级的调度，同级任务可采用轮转制度，调度策略还支持优先级继承。当前，VxWorks操作系统应用广泛，市场占有率高，广泛应用于高科技产品中，包括各种消费电子设备、工业自动化、无线通信产品、医疗仪器、数字电视以及各种多媒体设备，VxWorks操作系统应用程序具有很好的安全性、容错性以及系统灵活性。

第二，重视对流入人口中青年人才的住房福利，吸引人才流入。过高的房价导致生活成本的上升，已然成为城市吸引人才的制约，而青年人才才是城市创新的源泉。在中国经济正在从人口红利向人才红利转型的当下，一座城市只有抓住青年人才方可在这场没有硝烟的人才争夺战中立于不败之地。因此，政府需要出台一系列针对青年人才的住房优惠与补贴政策，如面向新毕业大学生提供低租金人才公寓，提高租房补贴比例，建立健全多层次的购房补贴体系，实施租房落户甚至是“零门槛”落户政策；企业应当提供一些针对青年人才住房的专项支持计划，发挥社会资本的社会服务作用。

第三，利用产业转移与产业结构升级机会，引导人口合理分布。在城市固定效应相同的条件下，一座城市相对房价的升高将会对低附加值的产业产生挤出效应，引发产业转移。同时，城市产业也会因价值链的攀升而导致结构升级。而这一动态过程将会诱使人口重新分布。因此，要制定合理的城市产业发展规划，利用产业转移和产业结构升级机会引导流动人口合理分布，从而减轻主要城市与城市中心区住房市场投机压力，抑制房价过快增长，构建产业优势互补、房市稳健运行、经济协同发展的一体化新型城市群。

注 释：

① 城市系统聚类分析划分结果：第一类：北京、上海、深圳；第二类：天津、沈阳、济南、青岛、武汉、长沙、成都、西安；第三类：石家庄、太原、呼和浩特、大连、长春、哈尔滨、合肥、福州、南昌、郑州、南宁、海口、贵阳、昆明、兰州、西宁、银川、乌鲁木齐；第四类：南京、杭州、宁波、厦门、广州；第五类：重庆。需要说明的是，分类结果并无城市等级之分，仅表明同一类型的城市在所选取的指标测算下更为相似。限于篇幅原因，系统聚类分析过程不再赘述。

② 由于到2004年10月深圳市已经完成从村委会到社区居委会的城市发展改革，成为了全国第一个没有农村行政建制和农村社会体制的城市，所以深圳市采用滞后12年的数据作为研究；厦门市2005年农村居民人均纯收入数据缺失，采用2004年的数据计算IG。

③ 2015年城市固定资产投资数据来源于35座城市2015年的《国民经济和社会发展统计公报》。

参考文献：

[1]IHLANFELDTI K R.The Effect of Land Use Regulation on Housing and Land Prices[J].Journal of Urban Economics，2007，61(3) : 420-435.

[2]GLAESER E L，WARD B A.The Causes and Consequences of Land Use Regulation： Evidence from Greater Boston[J].Journal of Urban Economics，2009,65(3) : 265-278.

[3]GLAESER E L，GYOURKO J，SAIZ A.Housing Supply and Housing Bubbles[J].Journal of Urban Economics，2008，64(2) : 198-217.

[4]ZABEL J，DALTON M.The Impact of Minimum Lot Size Regulations on House Prices in Eastern Massachusetts[J].Regional Science and Urban Economics，2011，41(6) : 571-583.

[5]蔡继明,程世勇.地价双向垄断与土地资源配置扭曲[J].经济学动态，2010(11) : 75-80.

[6]王岳龙.地价对房价影响程度区域差异的实证分析——来自国土资源部楼盘调查数据的证据[J].南方经济，2011，29(3) : 29-42.

[7]邵新建，巫和懋，江萍，等.中国城市房价的“坚硬泡沫”——基于垄断性土地市场的研究[J].金融研究，2012(12) : 67-81.

[8]王猛，李勇刚，王有鑫.土地财政、房价波动与城乡消费差距——基于面板数据联立方程的研究[J].产业经济研究，2013(5) : 84-92.

[9]陈斌开，徐帆，谭力.人口结构转变与中国住房需求：1999-2025——基于人口普查数据的微观实证研究[J].金融研究，2012(1) : 129-140.

[10]况伟大，李涛.土地出让方式、地价与房价[J].金融研究，2012(8) : 56-69.

[11]BRUNNERMEIER M K，JULLIARD C.Money Illusion and Housing Frenzies[J].The Review of Financial Studies，2008，21(1) : 135-180.

[12]POSEDEL P，VIZEK M.The Nonlinear House Price Adjustment Process in Developed and Transition Countries[R].EIZ Working Papers，2010.

[13]况伟大.利率对房价的影响[J].世界经济，2010，33(4) : 134-145.

[14]沈悦，周奎省，李善燊.利率影响房价的有效性分析——基于FAVAR模型[J].经济科学，2011(1) : 60-69.

[15]张所地，范新英.基于面板分位数回归模型的收入、利率对房价的影响关系研究[J].数理统计与管理，2015，34(6) : 1057-1065.

[16] 孙伟增，郑思齐.居民对房价的预期如何影响房价变动[J].统计研究，2016，33(5) : 51-59.

[17]高波，王文莉，李祥.预期、收入差距与中国城市房价租金“剪刀差”之谜[J].经济研究，2013，48(6) : 100-112，126.

[18]张亚丽，梁云芳，高铁梅.预期收入、收益率和房价波动——基于35个城市动态面板模型的研究[J].财贸经济，2011(1) : 122-129.

[19]况伟大.预期、投机与中国城市房价波动[J].经济研究，2010，45(9) : 67-78.

[20]ENGELHARDT G V，POTERBA J M.House Prices and Demographic Change：Canadian Evidence[J].Regional Science and Urban Economics，1991,21(91) : 539-546.

[21]OHTAKE F，SHINTANI M.The Effect of Demographics on the Japanese Housing[J].Regional Science and Urban Economics，1996，26(2) : 189-201.

[22]徐建炜，徐奇渊，何帆.房价上涨背后的人口结构因素：国际经验与中国证据[J].世界经济，2012，35(1) : 24-42.

[23]SAIZ A.Immigration and Housing Rents in American Cities[J].Journal of Urban Economics，2007，61(2) : 345-371.

[24]DEGEN K，FISCHER A M.Immigration and Swiss House Prices[J].Swiss Journal of Economics & statistics，2017，153(1) : 15-36.

[25] CZAMANSKI D，FOLMER H.Immigration and Urban Housing Market Dynamics：The Case of Haifa[J].Annals of Regional Science，2011,47(3) : 585-598.

[26]AKBARI A H，AYDEDE Y.Effects of Immigration on House Prices in Canada[J].Applied Economics，2012，44(13) : 1645-1658.

[27]GONZALEA L，OMEGA R.Immigration and Housing Booms：Evidence from Spain[J].Journal of Regional Science，2013，53(1) : 37-59.

[28]S F.Immigration and House Prices in the UK[J].Economic Journal，2015，125: 1393-1424.

[29]RABE B，TAYLOR M P.Differences in Opportunities? Wage，Unemployment and House-price Effects on Migration[J].Oxford Bulletin of Economics and Statistics，2012，74(6) : 831-855.

[30]陈彦斌，陈小亮.人口老龄化对中国城镇住房需求的影响[J].经济理论与经济管理，2013，33(5) : 45-58.

[31]陆铭，欧海军，陈斌开.理性还是泡沫：对城市化、移民和房价的经验研究[J].世界经济，2014，37(1) : 30-54.

[32] 郭娜，吴敬.老龄化、城镇化与我国房地产价格研究——基于面板平滑转换模型的分析[J].当代经济科学，2015，37(2) : 11-17，124.

[33]李嘉楠，游伟翔，孙浦阳.外来人口是否促进了城市房价上涨?——基于中国城市数据的实证研究[J].南开经济研究，2017(1) : 58-76.

[34]王春艳，吴老二.人口迁移、城市圈与房地产价格——基于空间计量学的研究[J].人口与经济，2007(4) : 63-67,58.

[35]董昕.房价压力、房租负担与人口持久性迁移意愿[J].财经问题研究，2016(3) : 3-10.

[36]李超，张超.高房价收入比形成原因及对中国城市人口集聚的影响：理论与实证[J].华南师范大学学报：社会科学版，2015(1) : 116-123，191.

[37]林海波，梁艳，毛程连.房价和知识移民吸引是两难吗?——基于大中城市面板数据的分位数实证研究[J].人口与经济，2016(1) : 10-18.

[38]高波，许春招，李勇刚.房价波动、户籍歧视与城市失业[J].产业经济研究，2014(3) : 81-90.

[39]李拓，李斌.中国跨地区人口流动的影响因素——基于286个城市面板数据的空间计量检验[J].中国人口科学，2015(2) : 73-83，127.

[40]张传勇.劳动力流动、房价上涨与城市经济收敛——长三角的实证分析[J].产业经济研究，2016(3) : 82-90.

[41]蔡昉.城乡收入差距与制度变革的临界点[J].中国社会科学，2003(5) : 16-25,205.

[42]陈斌开，林毅夫.发展战略、城市化与中国城乡收入差距[J].中国社会科学，2013(4) : 81-102，206.

[43]李子叶，韩先锋，冯根福.中国城市化进程扩大了城乡收入差距吗——基于中国省级面板数据的经验分析[J].经济学家，2016(2) : 69-74.