住房支付能力与房价收入比：传统指标应用的局限性

住房政策的核心目标是提高居民的住房支付能力，人们常常用房价收入比这一经验指标来判断住房市场的可支付性问题，并依此来制定相关政策。本节中，我们在对传统房价收入比指标进行评析的基础上，构建了住房价格成本标高程度和住房有效供给弹性两个新指标，作为政策选择的工具性方法，并将住房市场区分为四种类别的细分市场，最后提出了针对不同市场存在的不同问题，最佳的政策选择模式。通过这些分析，我们认为：

第一，传统的中位房价收入比指标在政策上存在误导性。一方面，传统中位房价收入比指标高估了低收入和高收入人群的住房支付能力，一种可能的解释是，对低收入家庭而言，支付能力被高估可能是因为其收入水平过低，由此，这些家庭可能被排除在住房保障政策之外，造成制度性遗漏；对高收入家庭而言，支付能力被高估可能是因为相应的住房价格过高，或者说高价位住房的价格成本标高程度太高。另一方面，在经济增长过程中，房价收入比指标会掩盖居民收入和住房价格之间的转移关系。因此，传统的中位房价收入比并不能反映住房市场的真实运行状况，反而会混淆贫穷和住房消费抉择问题。

第二，住房政策由针对贫困人口的住房保障政策和针对市场失灵的市场调控政策构成。住房保障政策本质上是反贫困政策的重要组成部分，主要依靠公共财政来实施；房地产市场调控政策实质上是市场失灵引起的，一般而言是受限供给造成的。另外，对于地区发展差异较大的中国而言，我们认为一种方法不能解决所有问题。如果在全国推行某一项统一的政策，极有可能造成“错杀”或“误伤”。我们可以根据住房价格成本标高程度和住房有效供给弹性两个指标，将具体市场区隔为不同的细分市场，并采取相应的针对性管理政策。

对于住房供给缺乏弹性、需求旺盛、价格极高类市场地区，例如，深圳、广州、北京和上海等地，理想的市场调控政策是激励开发商增加不同质量等级商品住房供给，特别是应当增加住宅类土地供应，尤其应当注意的是，土地稀缺性不是先天固有的，而是土地使用严格管制造成的。对住房保障政策而言，政府可以采取直接资助建设保障性住房以增加供给的方式，帮助贫困人口实现住有所居。不过，这只能是一种应急政策，当市场供需状况改善时，实物保障方式应当及时退出，转而采用租赁补贴的方式。

对于住房供给缺乏弹性、需求疲软、价格较低类市场地区，房地产市场基本处于健康状态，任何形式的调控政策都应当逐步退出。对住房保障政策而言，不能采用直接资助建设保障性住房方式解决贫困人口的住房问题，因为这些市场的住房需求本身十分微弱。如果在这些地区建设新住房会进一步压低住房价格，同时会使更多的人依然生活在没有经济发展前景的地方。人为地引导居民集中生活在一个国家的衰落地区，不利于贫困家庭脱贫，相反会陷入持久贫困的陷阱。

对于住房供给富有弹性的地区，房地产市场处于健康状态，不需要任何形式的干预性调控政策。住房保障政策应当选择租赁补贴模式，并通过市场的方式来实现，如租房券。

基于数据，特别是新建商品住房的交易数据来源的限制，我们未能运用调整的房价收入比指标对更多城市进行实证测算，同时也未能测算出相应城市的住房供给函数以及住房建设的边际成本。在接下来的研究中，我们将在收集相关微观数据的基础上，对上述指标进行重新测算、比较和完善，并寻找更多城市的数据，特别是县一级城市的数据，进行更加微观层次的研究，为制定针对性更强、瞄准效率更高的差异化住房政策提供科学依据。

专栏10.1　收入分布估计过程

假设有一随机变量Y的密度函数为f（y），则在点y处的核密度函数可设定为：

其中，n为研究对象观测值个数，K（·）是核函数，它是一种加权函数（The Weighting Function）或平滑转换函数，h为带宽（The Bandwidth of the Kernel），即平滑转换参数。在核密度函数f（y）估计过程中，核函数和带宽选择是关键。

（1）核函数选择

实际应用中，Kernel核函数K（·）的形式主要有高斯（Gaussian）核、Epanechnikov核、三角核（Triangular）和四角核（Quartic）四种，选择的依据在于分组数据的密集程度。经验研究显示，所采用的分组数据越少，选择高斯核函数的可能越大（Sala-i-Martin，2006），基于此，我们用高斯核函数进行估计^[15]。

（2）带宽选择

Silverman（1986）研究发现，当数据特征和核函数给定时，如果带宽选择太小，估计结果可能比较粗糙，还会产生一些数据噪声，以及一些反事实的伪信息；如果带宽选择太大，估计结果可能过于平滑，容易掩盖数据结构，遗失一些重要结构性信息。实际估计中，使用的样本越多，宜于选择较小的带宽，但不可太小，一般应满足如下要求：

当带宽满足上述要求时，核密度函数f（y）的核估计是渐近的、无偏的一致估计。基于数据特征和带宽性质，我们选择S＝0.9×A×这里A＝IQR为五分位间距，n为观察值个数。

（3）误差估计与Monte Carlo模拟

为估计分组数据Kernel密度参数误差，假设j＝1，2，…，J代表分组数据数据点的数量，为一个依赖于Kernel密度函数的常数，gj（·）是第j分组的概率密度函数，依据Taylor展开法则，Kernel密度参数误差可表示为：

Silverman（1986）运用调查微观数据推导出标准Kernel密度参数误差表达式为：(www.xing528.com)

我们不妨令，则当J→∞时，gj（·）就成为一个正态分布，于是可得v（y）＝f（y），此时用分组数据和调查微观数据估计得到的误差相同，为达到这一目标，我们在估计过程中可通过Monte Carlo模拟技术（Monte Carlo Simulations）来增加数据点，减少估计误差。

【注释】

[1]事实上，2007年美国次贷危机爆发，某种程度上暗示着房价收入比的监测能力存在功能性缺陷。

[2]购买支付能力考察的是居民通过若干渠道筹措足够资金购买住房的能力。

[3]还款支付能力考察的是居民偿还住房抵押贷款的能力。

[4]收入支付能力考察的是房价与居民收入的波动对比关系。

[5]具体估计过程详见专栏10.1。

[6]为了防止收入最低和最高部分存在极端数据问题，我们已经在数据有效性甄别中做了处理。2008年青岛市经济适用住房保障收入标准为年收入低于14604元，由此，我们截掉收入分布数据中低于收入14604元的部分。从最低到最高十分位对应的房价收入比分别为：32.33、20.31、13.69、9.41、8.61、9.59、10.79、14.34、18.71和24.52。

[7]当然也可能是因为，实践中高收入家庭统计调查中收入被低估，这里我们不做讨论。

[8]特别地，假设在某一时期内，居民可支配收入增长了α倍，住房价格也增长了α倍，那么房价收入比是不变的。

[9]北京和上海新建商品住房的价格成本标高程度没有预期的那么高，主要原因是这两个城市楼面地价较高。

[10]这里，住房存量面积＝人均住房建筑面积×常住人口数量，人均住房建筑面积代表了某一城市居民在住房方面的消费能力。

[11]《中国房地产统计年鉴（2013年）》中提供了当年一手商品住宅的新开工面积、竣工面积、施工面积和交易面积，从理论上看，新开工面积最能刻画房地产开发企业的供给动机，我们也用三种数据分别作了测算，结果表明新开工面积吻合得最好，因此，我们就选用新开工面积这一指标。

[12]常住人口是指实际经常居住在某地区一定时间（6个月以上）的人口。

[13]尽管这些城市住房供给缺乏弹性，但由于需求量少，市场价格并不高。为了进行政策分析，该组必须和住房需求量高且供给缺乏弹性的A类市场区别开来。

[14]与此同时，政府需要承担贫困人口一代甚至几代家庭的住房保障责任。

[15]实际上，我们用上述四种核函数分别进行了估计，比较发现高斯核函数估计结果相对较优。