中國社會(huì )科學(xué)院報道：房?jì)r(jià)只漲不跌的時(shí)代已經(jīng)在2020年12月1日過(guò)去了。中國社會(huì )科學(xué)院金融戰略研究所大數據項目組發(fā)布了"中國住房大數據分析報告"(2020)--"城市住房?jì)r(jià)格預警與住宅企業(yè)品牌價(jià)值計量"。本報告也是中國國家自然科學(xué)基金"基于互聯(lián)網(wǎng)大數據和重復交易法的城市住房?jì)r(jià)格指數編制研究"項目和中國社會(huì )科學(xué)院重點(diǎn)項目"房地產(chǎn)調控政策及其效果"的階段性成果。該報告發(fā)布了城市政策背景下城市房?jì)r(jià)漲跌的預警(2020年)。

　　根據報告，在基于城市政策的政策背景下，城市房地產(chǎn)市場(chǎng)的分化將成為常態(tài)。新冠肺炎疫情的出現加速了房地產(chǎn)市場(chǎng)大分化時(shí)代的到來(lái)。市場(chǎng)分化有利于避免房地產(chǎn)市場(chǎng)出現系統性風(fēng)險。在大分化時(shí)代，很難通過(guò)簡(jiǎn)單的宏觀(guān)分析工具有效判斷區域房地產(chǎn)市場(chǎng)的走勢。房?jì)r(jià)的局部漲跌風(fēng)險將成為防范房地產(chǎn)市場(chǎng)風(fēng)險的重點(diǎn)。

　　報告指出，房?jì)r(jià)只漲不跌的時(shí)代已經(jīng)結束，對當地房?jì)r(jià)下跌的監測和預警將成為市場(chǎng)監控和預警的一個(gè)重要方面。

　　房?jì)r(jià)年度下降監測顯示，受理性回歸因素和住房市場(chǎng)疫情的影響，2020年部分城市房?jì)r(jià)有一定程度的下降。根據"緯房指數"，2019年10月至2020年10月，9個(gè)城市的年降幅超過(guò)5%，最高年降幅為9%。其中二線(xiàn)城市1座，三四線(xiàn)城市8座。按地區劃分，北部灣2座城市，北京周邊2座城市，大灣1座城市，山東半島2座城市，西南1座城市。

　　由于一定范圍的波動(dòng)是市場(chǎng)的常態(tài)，城市房?jì)r(jià)下跌的大部分仍在穩步下降的范圍內。

　　從歷史最高點(diǎn)對房?jì)r(jià)調整的監測表明，如果擴大時(shí)間維度，可以發(fā)現，與歷史高點(diǎn)相比，一些城市已經(jīng)經(jīng)歷了更深層次的房?jì)r(jià)調整。

　　根據對緯房指數的監測，從每個(gè)城市的歷史高點(diǎn)到2020年10月，20個(gè)城市和最高點(diǎn)之間的房?jì)r(jià)調整幅度在10%以上，其中9個(gè)城市在15%以上，最高城市減少了46.9%。調整范圍在9個(gè)城市中占15%以上，其中一線(xiàn)城市1個(gè)，二線(xiàn)城市4個(gè)，三四線(xiàn)城市4個(gè)。北京、天津、河北4個(gè)城市，北部灣1個(gè)，大灣1個(gè)，山東半島2個(gè)，滇西1個(gè)。其中北京、天津、河北6個(gè)城市、北部灣3個(gè)城市、山東半島3個(gè)城市、大灣地區2個(gè)城市、成都和重慶2個(gè)城市、滇中2個(gè)城市、滇西1個(gè)城市和貴州中部1個(gè)城市的調整幅度在10%以上。

　　其中，北京周邊一個(gè)城市的房?jì)r(jià)較最高點(diǎn)下降了近一半，而北京、天津和河北的一個(gè)城市以及山東半島的一個(gè)城市的房?jì)r(jià)較最高點(diǎn)下降了20%以上。鑒于這些城市在房?jì)r(jià)下跌前出現了快速上漲，房?jì)r(jià)下跌幅度在合理回報的范圍內。

　　從各城市房?jì)r(jià)由漲轉跌的時(shí)間來(lái)看，這些城市有兩種情況：是以北京、天津、河北為代表的2017年上半年前后，主要是由2017年上半年一、二線(xiàn)城市房地產(chǎn)調控造成的，調整了3.5年左右;

　　另一個(gè)是2018年下半年左右，主要集中在三四線(xiàn)城市，主要是貨幣化棚改衰退造成的，調整了兩年半左右。

　　從下降的角度來(lái)看，這些城市在疫情爆發(fā)前，房?jì)r(jià)已經(jīng)階段性見(jiàn)頂。房?jì)r(jià)的下跌并不完全是由于流行病的影響。

　　據介紹，雖然平穩運行是房地產(chǎn)政策的重要目標，但一定范圍的波動(dòng)也是市場(chǎng)的正常運行。房?jì)r(jià)下降的原因比較復雜，這可能是宏觀(guān)環(huán)境因素和城市供大于求的結果。

　　為了更準確地識別房?jì)r(jià)的異常漲跌，進(jìn)而給出科學(xué)的預警信號，報告根據房?jì)r(jià)的空間傳導機制，對一、二線(xiàn)城市房?jì)r(jià)的下跌情況進(jìn)行了識別，區域房?jì)r(jià)互動(dòng)機制與人工智能模型算法。

　　根據房?jì)r(jià)非正常下降程度計算結果，四個(gè)二線(xiàn)城市可能出現一定程度的非正常下降，其房?jì)r(jià)偏離短期正常房?jì)r(jià)的比例分別為-4.91%、-3.94%、-3.30%、-2.76%，居各城市前列。環(huán)渤海地區有三個(gè)城市和一個(gè)中心城市。

　　根據年度房?jì)r(jià)漲幅監測，到2020年，盡管受疫情影響，部分城市房?jì)r(jià)仍將下降，部分城市房?jì)r(jià)將快速上漲。根據緯房指數同比監測，2019年10月至2020年10月，樣本城市年增長(cháng)率排名第一的城市有9個(gè)，年增長(cháng)率超過(guò)10%。其中一線(xiàn)城市1個(gè)，二線(xiàn)城市3個(gè)，三四線(xiàn)城市5個(gè)。從區域來(lái)看，包括大灣區2個(gè)城市，京津冀1個(gè)城市，長(cháng)三角3個(gè)城市，西北地區1個(gè)城市，蘇北3個(gè)城市。

　　其中一些城市自2016年以來(lái)經(jīng)歷了一波上漲，現在又出現了第二波上漲。一些城市仍處于2016年以來(lái)首次上漲的余波或彌補之中。

　　對房?jì)r(jià)歷史高點(diǎn)的監測顯示，城市房地產(chǎn)市場(chǎng)分化嚴重。雖然部分城市房?jì)r(jià)從最高點(diǎn)回落，但緯度住房指數顯示，在樣本城市中，2018年1月以來(lái)，還有30個(gè)城市的房?jì)r(jià)可能已經(jīng)超過(guò)高點(diǎn)。其中，一線(xiàn)城市1個(gè)，二線(xiàn)城市5個(gè)，三四線(xiàn)城市24個(gè)。

　　同樣，上述城市中，部分城市出現了2016年以來(lái)的第二波上漲，部分城市仍屬于第一波的余波或補充上漲。

　　從城市基本面來(lái)看，城市房?jì)r(jià)上漲的原因也很復雜，包括城市經(jīng)濟基本面因素的影響。此外，還有一個(gè)相對快速的上升，很難直接確定。例如，相關(guān)類(lèi)似城市的房?jì)r(jià)在快速下降，但城市的價(jià)格卻在小幅上漲。

　　為了更準確地識別房?jì)r(jià)的異常漲跌，進(jìn)而給出科學(xué)的預警信號，本報告基于房?jì)r(jià)空間傳導機制、區域房?jì)r(jià)互動(dòng)機制和人工智能模型算法，明確一二線(xiàn)城市房?jì)r(jià)上漲情況。

　　從房?jì)r(jià)非正常上漲程度測算，4個(gè)城市房?jì)r(jià)偏離短期正常房?jì)r(jià)的比例均在7%以上，最高偏離率在20%以上，處于所有城市前列，可能出現非正常上漲。其中，一線(xiàn)城市有1個(gè)，二線(xiàn)城市有3個(gè)。從地區主義角度看，大灣區有2個(gè)城市，長(cháng)三角地區有1個(gè)城市，西南地區有1個(gè)城市。

　　11個(gè)房?jì)r(jià)偏離短期正常房?jì)r(jià)3%以上的一二線(xiàn)城市，可能出現不同程度的非正常上漲(包括相對非正常上漲)。其中，長(cháng)江三角洲5市，大灣區2市，西南2市，西北1市，海峽西岸1市。要更加關(guān)注這些城市房?jì)r(jià)上漲的情況，必要時(shí)提前采取合理措施。