常寶瑞

一、研究背景

伴隨著當(dāng)前經(jīng)濟的下行態(tài)勢，一直過熱的房地產(chǎn)市場也終于轉(zhuǎn)冷，使其長期積累的問題與矛盾逐步突顯。從時間角度劃分，自1998年房改以來，被長期抑制的住房需求被釋放（居民改善性住房需求），截止到2002年，此期間土地供應(yīng)充沛，房產(chǎn)價格相對穩(wěn)定。2003至2007年中國經(jīng)濟增長步入快車道，房地產(chǎn)業(yè)擴張及房產(chǎn)價格上漲迅猛，土地價格攀升，投資性需求旺盛。2008年至今，從金融救市到抑制房價過高過快增長，再到現(xiàn)如今房產(chǎn)泡沫破裂的悲觀市場預(yù)期，房地產(chǎn)業(yè)幾經(jīng)沉浮。在高漲的房價背后，更多的是多方利益的博弈（政府、金融行業(yè)、開發(fā)商、一般性消費者、投機性群體等）。

房地產(chǎn)業(yè)具有關(guān)聯(lián)度高、拉動性強的特點，是推動經(jīng)濟增長的支柱產(chǎn)業(yè)之一。國內(nèi)對于房產(chǎn)價格的空間聯(lián)系研究較少，即在探討當(dāng)前房產(chǎn)價格形成過程中，一方面缺失了重要的地理關(guān)聯(lián)性信息，另一方面，也造成了模型設(shè)定的誤差，降低現(xiàn)實模擬度。潘文卿（2012）運用探索性空間數(shù)據(jù)分析研究了中國1988年～2009年間各省人均GDP空間分布格局，結(jié)果表明存在正向空間自相關(guān)性，并且顯著性隨時間推移而增大，集聚性特征突出，其實證研究表明空間溢出效應(yīng)是中國區(qū)域經(jīng)濟發(fā)展不可忽視的重要影響因素。王鶴（2012）分析發(fā)現(xiàn)房地產(chǎn)價格具有空間自相關(guān)性，其利用空間滯后模型分析1999年～2009年省際面板數(shù)據(jù)，結(jié)果表明東部地區(qū)房價主要由空間因素決定，西部地區(qū)房價受供給與需求因素主導(dǎo)，而中部地區(qū)房價受兩者共同影響。相關(guān)文獻表明，房產(chǎn)價格存在顯著空間關(guān)聯(lián)性（空間集聚），且具有空間溢出效應(yīng)。

本文以地級市為基礎(chǔ)空間分析單元，通過房產(chǎn)價格、地方固定資產(chǎn)投資效率及其空間關(guān)聯(lián)性研究，試探尋房產(chǎn)泡沫破裂可能發(fā)生的空間軌跡。引入空間誤差模型，以及具有局部空間自相關(guān)特征的地理加權(quán)回歸模型進行對比研究。

二、數(shù)據(jù)來源及變量選取

數(shù)據(jù)來源于《中國區(qū)域經(jīng)濟統(tǒng)計年鑒2012》、《中國城市統(tǒng)計年鑒2012》，以及31個省份2012年地方統(tǒng)計年鑒。地理底圖源自國家基礎(chǔ)地理信息系統(tǒng)縣級以上居民地，依據(jù)中華人民共和國最新地級行政市劃分設(shè)置狀況（如2003年廣西成立崇左市，2004年寧夏成立中衛(wèi)市），運用ArcGIS map軟件對縣級矢量單位進行繪制合并，共計358個單元（包含直轄市、副省級城市、地級市、區(qū)、州、盟等）。其中重慶直轄市因同級別中行政面積最大，故依據(jù)重慶市地方統(tǒng)計年鑒，由2007年起將其劃分為重慶一小時經(jīng)濟圈、渝東北翼、渝東南翼三大區(qū)域，而海南省除?？谑小⑷齺喪幸酝?，其余地區(qū)均計作海南省直轄縣。地級市作為次區(qū)域中心，能較好地反映轄區(qū)內(nèi)經(jīng)濟發(fā)展水平與房產(chǎn)價格關(guān)系，并且數(shù)據(jù)較為完備。在時間選取上，2011年恰逢中國房地產(chǎn)價格高點，且具有全國普遍性特點，此時房產(chǎn)價格的區(qū)位關(guān)系顯示度更為明顯。

土地面積（Land Area，單位：平方公里），年底總?cè)丝跀?shù)（Total Population，Totalpop，單位：萬人），地區(qū)平均人口密度（Density of population，Densitypop，單位：人∕平方公里），因各省人口統(tǒng)計口徑不一致，部分省份無地級市常住人口數(shù)據(jù)，故采用年底總?cè)丝跀?shù)。地區(qū)生產(chǎn)總值（Gross Regional Product，GRP，單位：億元），及各地級市一、二、三產(chǎn)業(yè)產(chǎn)值（AGR、IND、SRV，單位：億元）與人均地區(qū)生產(chǎn)總值（PerGRP，單位：元∕人）。固定資產(chǎn)投資不含農(nóng)戶（Total Investment in fixed Assets，TFAssets，單位：億元）。商品房銷售額（To Sales，單位：億元）與商品房銷售面積（Space Sold，單位：萬平方米），本年度房屋建筑施工面積（Floor space of buildings under construction，簡記為Under，單位：萬平方米）與房屋建筑竣工面積（Completed in construction，簡記為Completed，單位：萬平方米）。

三、固定資產(chǎn)投資效率與空間集聚性分析

數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis，簡稱DEA)基于“相對效率”概念，以凸分析與線性規(guī)劃為工具，比較決策單元（Decision Making Units，DMU）偏離前沿面（實為最優(yōu)化條件曲線，視為可行域邊界）的程度，以相對有效性判定最優(yōu)方案。其假設(shè)輸入輸出值間存在某種必然關(guān)系，但不確定關(guān)系的具體表達式，適用于多種輸入輸出的綜合有效性評價問題，對數(shù)據(jù)無需進行“無量綱化處理”，無需構(gòu)建權(quán)重假設(shè)，依據(jù)客觀數(shù)據(jù)求得最優(yōu)權(quán)重，排除主觀因素干擾。

在DEA模型設(shè)置上，選擇規(guī)?？勺兡Ｐ蚔RS，擬合實際情況，即各地方政府以產(chǎn)出最大化為目標(biāo)，唯GDP論尋求政績最大化。結(jié)果發(fā)現(xiàn)（見表1）當(dāng)投入不變，產(chǎn)出最大化情況下，各地均呈現(xiàn)出規(guī)模報酬遞減趨勢（drs），雖無投入冗余，但產(chǎn)出距最優(yōu)前沿面上尚有差距，即投入使用效率低于最優(yōu)比率。而在產(chǎn)出不變，投入最小化情況下，各地區(qū)均無產(chǎn)出冗余，但皆表現(xiàn)為投入冗余狀況，全局呈規(guī)模報酬遞增趨勢（irs）。各地方政府在固定資產(chǎn)投入上，均存在投資效率低下或冗余式增長（重復(fù)建設(shè)）狀況，其中又以房地產(chǎn)開發(fā)占比最高，而住宅開發(fā)又占了房地產(chǎn)開發(fā)55%以上的規(guī)模。對比發(fā)現(xiàn)，房產(chǎn)開發(fā)值占固定資產(chǎn)投資比例與地區(qū)經(jīng)濟增長狀況成正向關(guān)系，如以北、上、廣、深為代表的一線城市及區(qū)域中心城市占比高達40%～55%，而經(jīng)濟發(fā)展較弱的省份反而占比較低，為25%～35%之間。

表1 DEA設(shè)定及輸出結(jié)果表

圖1 固定資產(chǎn)投資效率空間分位圖

將DEA生成的固定資產(chǎn)投資效率比導(dǎo)入數(shù)據(jù)底圖，借由探索性空間數(shù)據(jù)分析（Exploratory Spatial Data Analysis，ESDA）進行研究。圖1分別為純技術(shù)效率（vrste）與規(guī)模效率（scale）的1.5倍箱圖，全距hinge=1.5倍，一倍的大小為四分之一與四分之三位數(shù)間的距離，大于或小于全距，為極端值outlier。

如圖1所示，以技術(shù)規(guī)模效率為主的地區(qū)主要集中于東部地區(qū)及部分中部地區(qū)與少數(shù)西部地區(qū)，且具有較強的省際界線，圍繞著22個主要集聚效率地帶外延出次級梯隊。而規(guī)模效率集聚主要分布于西部地區(qū)，以及部分中部、東北部與少數(shù)東部地區(qū)。規(guī)模效率群的城市梯隊等級性較弱，而技術(shù)效率群的城市等級分化明顯。歸納總結(jié)，綜合性規(guī)模效率具有地域性差異與城市層級性差異特點。

表2 全局空間自相關(guān)輸出結(jié)果表

空間矩陣的建立，一般分為兩種方法，分別基于相鄰性關(guān)系或基于距離因素，以相鄰性基礎(chǔ)構(gòu)建又可分為Rook相鄰（車相鄰，上下左右四個方向的點或邊相鄰）與Queen相鄰（后相鄰，上下左右加對角線共八個方向的點或邊相鄰）兩種確立方法。因各地理單元相鄰性較好，分析范圍全境基本無飛地或離地，且各單元行政邊界多為不規(guī)則多邊形，相鄰性關(guān)系復(fù)雜，故選用Queen相鄰構(gòu)建空間權(quán)重矩陣。

Moran's I統(tǒng)計是檢驗全局聚類的方法，顯示選中區(qū)域內(nèi)各單元間是鄰近相似還是相異，或是相互獨立的關(guān)系，即表示空間正相關(guān)、負相關(guān)或不相關(guān)關(guān)系。Moran’s I的取值位于-1到1之間，取值在0以上表示正相關(guān)，當(dāng)值接近于1時，表明具有相似屬性的區(qū)域聚集在一起，即高-高相鄰或低-低相鄰。當(dāng)小于0時，表示為負相關(guān)，值接近于-1時則表明具有相異屬性值的區(qū)域集聚在一起，即高-低值相鄰或是低-高值相鄰。如Moran’s I接近于0時，則表示研究區(qū)域的特征屬性是隨機分布的，不存在空間自相關(guān)性。

理論平均值E[I]，經(jīng)驗分布的平均值Mean，標(biāo)準(zhǔn)差SD，Z檢驗值, 參考分布的序列數(shù)量（Permutations），假設(shè)顯著性水平（P-value）。

Z值的判別應(yīng)用跟I值類似，當(dāng)Z為正號，且通過顯著性檢驗，如大于1.96，表示有正相關(guān)，存在高值集聚區(qū)（HH）和低值集聚區(qū)（LL）兩種情況。Z分?jǐn)?shù)為負號，且通過顯著性檢驗，如小于-1.96，表示負相關(guān)，有被高值包圍區(qū)（LH）和被低值包圍區(qū)（HL）兩種情況存在。

蒙特卡洛檢驗（Randomization）用作檢驗Moran’s I的顯著性分析，基于隨機序列，多次重新計算產(chǎn)生一個參考分布，統(tǒng)計量與參考分布相比較，得出一個假設(shè)顯著性。顯著值P-value直接取決于序列數(shù)目，對99的序列，P=0.01，對999序列，P=0.001，本文采用999的序列數(shù)目進行參考分布模擬。

通過數(shù)據(jù)分析發(fā)現(xiàn)（見表2），各個變量均存在空間集聚趨勢，且皆通過蒙特卡洛檢驗。從雙變量空間自相關(guān)結(jié)果可以判斷，固定資產(chǎn)投資與地區(qū)人口密度、房屋建筑施工面積與竣工面積，以及人均地區(qū)生產(chǎn)總值與固定資產(chǎn)投資在空間集聚上存在顯著關(guān)聯(lián)性，即利用所有相鄰位置的平均值評估某一位置上的變量與其他變量的相關(guān)程度。施工與竣工面積集聚相關(guān)程度最高，作為衡量房產(chǎn)開發(fā)預(yù)期的重要指標(biāo)。比率空間自相關(guān)，是運用經(jīng)驗Bayes(EB)調(diào)整，避免Moran散點圖中比率方差不穩(wěn)定的問題，其實質(zhì)是一種直接變量標(biāo)準(zhǔn)化的方法。由表2可見，商品房銷售額與地區(qū)生產(chǎn)總值、地區(qū)總?cè)丝跀?shù)、商品房銷售面積、地區(qū)固定資產(chǎn)投資，以及房屋銷售面積與地區(qū)固定資產(chǎn)投資成比例空間集聚關(guān)系，即各變量間存在相關(guān)關(guān)系，且同時具有集聚趨勢。

四、實證分析

本文采取橫截面數(shù)據(jù)回歸分析，即不同空間對象在同一時間點內(nèi)所構(gòu)成一維橫截面數(shù)據(jù)集合，研究某時點上的某種經(jīng)濟現(xiàn)象，突出其空間差異性。橫截面數(shù)據(jù)的特點就是離散性高，突出個體特性，表現(xiàn)個體差異。根據(jù)上文分析，剔除個別具有自相關(guān)性的變量，構(gòu)建回歸方程如下式（1）：

此章普通最小二乘法回歸（OLS）僅作為對比參考，不進行詳細解釋說明。

（一）空間滯后模型

空間滯后模型（Spatial Lag Model，SLM），是將因變量的“空間滯后值”作為自變量納入回歸中來，解釋了為什么距離相近的空間單元間觀測值相似，因受“溢出效應(yīng)”影響所致?？臻g滯后模型表達式為：

y為因變量，x為n×k陣的外生解釋變量，ρ為空間回歸系數(shù)，該模型反映了觀察樣本間的空間依賴性，即相鄰區(qū)域的觀測值ωy對本區(qū)域觀測值y的影響程度與方向，ω為n×n階的空間權(quán)重矩陣，ωy為因變量的空間滯后值，ε為隨機誤差項向量。距離滯后結(jié)構(gòu)的本質(zhì)是溢出效應(yīng)隨距離的延長而衰減，距離因素包括市場距離（在價值鏈上的相對位置）、技術(shù)距離（企業(yè)和產(chǎn)業(yè)之間的技術(shù)距離），以及空間距離這三類形式。要素溢出不是瞬時完成的，而是具有一定的滯后期。

（二）空間誤差模型

空間誤差模型（Spatial Errors Model，SEM），其解釋某些因素會共同影響彼此的空間相鄰性關(guān)系，從而造成這些空間單元的值相似，即把空間相關(guān)性看作一種干擾，模型識別中的依賴關(guān)系來自于誤差項（某些未知因素在距離上相關(guān)）。其數(shù)學(xué)表達式如式（3）：

上式中，因變量y是n×1的向量。X是n×k的數(shù)據(jù)矩陣，代表解釋變量。W是空間權(quán)重矩陣，參數(shù)λ為空間相關(guān)誤差，即衡量樣本觀測值中的空間依賴作用，β為自變量對因變量的影響系數(shù)。ε為正?；貧w假設(shè)中的誤差項（空間上滿足不相關(guān)條件），而ξ為包含空間因素的誤差項。

上述兩種模型均存在自變量內(nèi)生性問題?？臻g滯后模型是將因變量的“空間滯后值”作為自變量進行回歸，因存在雙向影響，故造成內(nèi)生性。而空間誤差模型一樣存在雙向影響作用的問題，以及誤差項的相關(guān)性問題（觀測值間通過誤差相關(guān)彼此影響，又通過空間權(quán)重矩陣傳導(dǎo)到自身）。因此，空間計量模型一般不采用最小二乘法（OLS），而采用極大似然法進行處理。

（三）地理加權(quán)回歸模型

地理加權(quán)回歸模型（Geographically Weighted Regression，GWR），是一種以局部參數(shù)估計構(gòu)建的表達空間變化關(guān)系的線性回歸，其認可空間變化關(guān)系的存在，并提供了可度量的研究方法。以上的空間滯后模型與空間誤差修正模型都是建立在全局空間自相關(guān)的基礎(chǔ)上的，對于局部空間關(guān)系缺乏解釋力。地理加權(quán)回歸模型是以局部空間自相關(guān)權(quán)重作為W，更加貼近于現(xiàn)實空間狀況。地理加權(quán)回歸（GWR）擴展了傳統(tǒng)的回歸框架，允許局部而不是全局的參數(shù)估計。其模型如式（4）：

其中(ui，vi)是第i個樣本點的空間坐標(biāo)，βk(ui，vi)是連續(xù)函數(shù)βk(u，v)在i點的值。如果βk(u，v)在空間上保持不變，則地理加權(quán)回歸模型將變?yōu)槿挚臻g回歸模型。依據(jù)接近位置i的觀測數(shù)據(jù)比遠離位置i的數(shù)據(jù)對βk(ui，vi)的估計具有更強影響力（地理學(xué)第一定理），利用加權(quán)最小二乘法估計參數(shù)，得到：

其中W是空間權(quán)重矩陣，常用的空間權(quán)重函數(shù)主要以高斯函數(shù)為主，如式（6）：

其中，b是帶寬，dij是樣本點i和j的距離。帶寬單位取決于“核類型”，在ArcGIS中CV法確定最佳相鄰點數(shù)，對應(yīng)于ADAPTIVE核，是指定近鄰數(shù)的函數(shù)。也可基于ArcGIS中AICc法確定最佳距離，其對應(yīng)于FIXED核，屬于固定距離，用來解決各局部回歸分析的空間環(huán)境。在“自適應(yīng)”性內(nèi)核下，帶寬距離將根據(jù)輸入要素類中要素的空間密度發(fā)生變化。帶寬將成為最近相鄰點數(shù)的函數(shù)，這樣每個局部估計都將基于相同數(shù)量的要素，其用于分析相鄰點的數(shù)目，而不是特定距離。本文選用“固定（FIXED）”內(nèi)核確定地理加權(quán)矩陣，其帶寬值將使用與輸入要素類相同的單位來反映距離（例如使用UTM坐標(biāo)對輸入要素類進行投影，報告的距離將以米為單位），其Bandwidth=6.723?；貧w結(jié)果見表3。

圖2 GWR輸出要素類殘差圖

表4 SLM與SEM模型的異方差性檢驗

本文運用LR似然比檢驗法與布魯奇—培根檢驗法（Breusch-Pagan test）對模型異方差性進行檢驗，兩者在性能上各有優(yōu)劣，互為補充。檢驗結(jié)果表明（見表4），空間誤差模型（SEM）的異方差性更小，擬合度更優(yōu)。

從全局空間自相關(guān)擬合程度上分析（見表3），空間誤差模型的擬合效果最優(yōu)（0.899），即各單元間并不是直接影響而相互關(guān)聯(lián)的，而是受共同第三方的影響。其映射的現(xiàn)實狀況為中小城市的房產(chǎn)價格受其臨近區(qū)域中心城市價格因素與城市發(fā)展預(yù)期等多因素的共同影響，形成空間上的相互關(guān)聯(lián)集聚。其模擬性優(yōu)于空間滯后模型因外部性所產(chǎn)生的溢出效用，即現(xiàn)實中房產(chǎn)價格的集聚狀況不僅限于公共設(shè)置或公共服務(wù)等因素的空間外溢，還受到一些相關(guān)潛在因素的影響，本文將其視作城市化發(fā)展預(yù)期影響因素。

從局部空間自相關(guān)上分析，GWR擬合度優(yōu)良，R2Adjusted=0.936。條件數(shù)：此診斷用于評估局部多重共線性。存在較強局部多重共線性會使得結(jié)果變得不穩(wěn)定。本文輸出結(jié)果為15.668＜30，與條件數(shù)相關(guān)聯(lián)的結(jié)果為可靠，大于30為不可靠。映射Local R2值：該值范圍在0.0與1.0之間，表示局部回歸模型與觀測所得y值的擬合程度。若此數(shù)值非常低，則表示局部模型性能不佳。本文Local R2值：0.0＜0.926＜1.0，表示其映射擬合度較好。Residual Squares：其為殘差的平方和，此測量值越小，GWR模型越擬合觀測數(shù)據(jù)，此值還在其他多個診斷測量值中使用。Effective Number：此值影響帶寬的選擇，是擬合值的方差與系數(shù)估計值偏差的折衷。當(dāng)帶寬趨近于無窮大時，觀測值的地理權(quán)重接近于1，系數(shù)估計值接近于全局OLS 模型，其系數(shù)的有效數(shù)量接近于實際數(shù)量，局部系數(shù)估計值方差較小，但偏差很大。相反，當(dāng)帶寬趨近于0時，觀測值的地理權(quán)重接近于零（回歸點本身除外），系數(shù)的有效數(shù)量為觀測值的數(shù)量，局部系數(shù)估計值方差較大，但偏差較低。Sigma：該值為正規(guī)化剩余平方和的平方根，即剩余平方和除以殘差的有效自由度后的平方根，作為殘差的估計標(biāo)準(zhǔn)差，故越小越好。Sigma適用于AICc計算。AICc：該值度量模型性能，主要用于比較不同的回歸模型，但不作為擬合度的絕對度量，即具有較低 AICc值的模型將對觀測數(shù)據(jù)擬合更好，適用于同一因變量且具有不同解釋變量的模型。對比OLS與GWR的AICc值，是從全局回歸到局部回歸模型的優(yōu)勢比較。

如圖2所示，其局部空間集聚性顯著，且中心個數(shù)非唯一。一般以區(qū)域性中心城市為核心（可參考麥肯錫劃分的中國22個城市消費群），呈現(xiàn)出由核心向外圍逐層擴散分布，且東部集聚程度明顯大于西部，城市密度更高，層級性特征更為顯著。

五、結(jié)論

“新型城市化”演變畸形，成為一場政府、開發(fā)商、金融行業(yè)和普通消費者關(guān)于中國城市化的對賭造城運動；是對城市化預(yù)期的投注，周邊外圍區(qū)域追隨核心區(qū)域城市擴張，價格水平受預(yù)期利好前景影響，逐步抬高；是一次對于集權(quán)體制的沖擊，但并不會帶來中心架構(gòu)的崩塌，中心區(qū)反而是這場大洗牌的受益者，再次驗證其區(qū)域政治中心、經(jīng)濟中心地位不可撼動（路徑依賴），依舊是資本與人口集聚的最佳首選。而處于核心邊緣區(qū)的三、四、五線城市將成為這場波及最大的受害者，他們將成為最早步入危機邊緣的區(qū)域，同時也是最后走出寒冬的那一個。即房產(chǎn)價格的大面積下行波動并不會出現(xiàn)在北上廣深等準(zhǔn)一線城市，或者其他區(qū)域性中心城市，而是受資金鏈斷裂和購買力下行壓力影響最為明顯的地級城市及縣域城市（三、四、五線城市），它們才是這場中國式造城運動中最薄弱的一環(huán)（木桶理論），它們被視為經(jīng)濟大發(fā)展時期的主推手，是新型城市化的前沿地，但此時這些中小城市將經(jīng)受一場前所未有的大考驗。

土地財政與房屋價格限購前后政策的矛盾性。地方政府以土地出讓鼓勵房地產(chǎn)開發(fā)建設(shè)，以達到擴張城市面積、增加地方性財政收入與城建的雙政績效果，又以居民房產(chǎn)消費而增加地方稅收，在整體上推動地方GDP增長，某種程度是因政府政策而推高了房產(chǎn)價格預(yù)期。而限購令的出臺在某種程度上扼殺了房產(chǎn)的部分商品屬性（消費屬性、投資性、貯藏性等），以抑制投資解決房產(chǎn)價格過熱，寄希望以商品房供應(yīng)解決百姓住房問題（民生性問題，涉及保障房、安居房、廉租房建設(shè)問題），本身與市場規(guī)律相違背，具有沖突性，所以才會出現(xiàn)久治而無效的現(xiàn)象。

溫州、杭州、長沙、鄂爾多斯等二、三線城市出現(xiàn)“以價換量”的房屋銷售現(xiàn)象，實為地產(chǎn)商緩解資金壓力，回籠資金（經(jīng)濟下行趨勢預(yù)期影響）。而一些四、五線城市的中小開發(fā)商早已悄悄降價，因無相關(guān)城市房產(chǎn)價格季度報而不被察覺。一線城市部分樓盤拋售的現(xiàn)象，讓市場出現(xiàn)了唱空“北、上、廣”的聲音。這些現(xiàn)象只能說明價格回落周期顯現(xiàn)，部分泡沫被擠出，退出市場大潮，并不是一場全面的唱衰運動，此時視線更應(yīng)該轉(zhuǎn)向問題與潛在危機更為嚴(yán)重的中小城市房產(chǎn)泡沫，其隨時可能破裂而誘發(fā)連鎖反應(yīng)，甚至波及區(qū)域中心城市。而一線城市的全域中心定位，讓其有更充沛的抗壓能力與消費能力，隨著價格合理性回落，其存量房問題反而會得到緩解，價值屬性更為突出（投資效率比更高）。

我們應(yīng)該看到對于房產(chǎn)價格泡沫的擠出，并不是一場大城市攻堅戰(zhàn)，而是一場周邊城市防御戰(zhàn)。從個體角度分析，最終房產(chǎn)泡沫的破滅并不意味著無房者有房可住、無力購買者消費得起房產(chǎn)，區(qū)域性中心城市的核心地段房產(chǎn)依舊是最好的投資保值對象。從全局角度分析，房地產(chǎn)業(yè)泡沫的破裂只會進一步強化核心區(qū)價值屬性，反而對全面城市化、對中小城市發(fā)展起到抑制作用。新一屆政府在承接上屆政府的基礎(chǔ)上，應(yīng)適時、適度地對房地產(chǎn)業(yè)進行政策性調(diào)整（貨幣政策松動），避免房產(chǎn)行業(yè)系統(tǒng)性崩盤，誘發(fā)連鎖性反應(yīng)，抑制投資性需求對房價的催化劑作用——即上漲時助漲，下跌時助跌——使其恢復(fù)到常態(tài)化運行區(qū)間。

[1] 潘文卿.中國的區(qū)域關(guān)聯(lián)與經(jīng)濟增長的空間溢出效應(yīng)[J].經(jīng)濟研究, 2012, (01).

[2] 王鶴.基于空間計量的房地產(chǎn)價格影響因素分析[J].經(jīng)濟評論, 2012, (01).

[3] 沈體雁,馮等田,孫鐵山.空間計量經(jīng)濟學(xué)[M].北京:北京大學(xué)出版社, 2010.

[4] 保羅·克魯格曼.發(fā)展、地理學(xué)與經(jīng)濟理論[M].蔡榮譯.北京:北京大學(xué)出版社,中國人民大學(xué)出版社, 2000.

[5] 藤田昌久,保羅·克魯格曼,安東尼.J.維納布爾斯.空間經(jīng)濟學(xué)——城市、區(qū)域與國際貿(mào)易[M].梁琦主譯.北京:中國人民大學(xué)出版社, 2011.

[6] Michael J.de Smith,Michael F.Goodchild,Paul A.Longley.地理空間分析——原理、技術(shù)與軟件工具[M].(第二版).杜培軍,張海榮,冷海龍等譯.北京:電子工業(yè)出版社, 2009.

[7] 李婧,譚清美,白俊紅.中國區(qū)域創(chuàng)新生產(chǎn)的空間計量分析——基于靜態(tài)與動態(tài)空間面板模型的實證研究[J].管理世界,2010, (07).

[8] 呂健.城市化驅(qū)動經(jīng)濟增長的空間計量分析: 2000～ 2009[J].上海經(jīng)濟研究, 2011, (05).