市场情绪对住房成交量影响的实证研究

An Empirical Study of the Impact of Market Sentiment on Housing Turnover

摘要: 本文使用2012~2022年31个省市的面板数据，从已有研究基础出发，通过主成分分析法构建了我国31个省份住房市场的情绪指数并可视化，实证研究了住房市场情绪对住房成交量的影响。另外，还测度不同区域住房市场情绪指数，通过实证分析横向对比东部、中部和西部地区市场情绪对住房成交量的影响程度。研究发现：市场情绪对住房成交量有显著的正向影响；同时，市场情绪对住房成交量的正向影响呈现区域异质性，西部地区市场情绪对住房成交量的影响程度强于东部和中部地区。研究为了解市场情况提供重要的参考，也可以为政策制定和市场预测提供有益的支持。

Abstract: Using the panel data of 31 provinces and cities from 2012-2022, this paper constructs and visualizes the sentiment index of the housing market in 31 provinces in China through principal component analysis from the existing research foundation, and empirically investigates the impact of housing market sentiment on housing turnover. In addition, different regional housing market sentiment indexes are also measured, and the influence of market sentiment on housing turnover is compared horizontally among eastern, central and western regions through empirical analysis. The study finds that market sentiment has a significant positive impact on housing turnover; at the same time, the positive impact of market sentiment on housing turnover shows regional heterogeneity, with the western region having a stronger impact on housing turnover than the eastern and central regions. The study provides an important reference for understanding the market situation and can also provide useful support for policy making and market forecasting.

1. 引言

国民经济的可持续增长与发展离不开支柱产业的支撑，而房地产业作为一个基础性产业，其对国民经济的影响至关重要。为了应对市场波动，政府多次采取政策干预措施来调控房地产市场，这一过程贯穿了中国房地产发展的整个历史。因此，确保房地产市场的健康与稳定，对于实现国民经济的可持续发展显得尤为重要。实现房地产市场的稳定发展，首先需要明确其运行的各种影响因素，对症下药，以便为市场提供针对性的政策支持。近年来，行为金融学的研究表明，投资者的情绪对于金融市场的波动起着显著作用，相关术语如“信心”、“情绪”和“预期”等频繁出现在有关房地产的讨论中。这表明，人们已经认识到心理因素对市场动向的深远影响。然而，针对房地产市场中这些心理因素的系统研究和深入探讨依然相对稀缺。

在宏观经济层面，市场情绪也可能对居民的消费行为产生影响，其中包括住房消费。住房消费作为居民最重要的消费领域之一，其受到宏观经济因素和市场情绪的影响尤为显著。住房是人们的基本生活需求之一，住房消费在城镇居民消费支出中占有重要地位，住房成交量是反映住房消费状况的关键指标。市场情绪的波动会直接影响人们的消费行为和投资决策，从而对住房市场产生重要的影响。在有限理性的框架下，市场参与者往往会受到市场情绪的影响，从而导致非理性的认知和决策。可以说，市场情绪改变了房地产市场参与者的行为方式，主要通过影响住房成交量对房地产市场产生影响。在此背景下，开展市场情绪对住房成交量影响的实证研究，不仅可以为了解市场情况提供重要的参考，也可以为政策制定和市场预测提供有益的支持。因此，深入研究市场情绪对住房成交量的影响机制及实证结果具有重要的理论和政策意义。

本文旨在通过分析2012年至2022年间中国31个省市的面板数据，构建住房市场情绪指数，以更全面地理解住房市场情绪对住房成交量的影响。本文采用主成分分析法构建住房市场情绪指数，通过ArcGis将情绪指数可视化，并建立多元线性回归模型。此外，为了提高模型的预测准确性，本文还将建设面积、居住环境及住房贷款作为控制变量进行回归检验，并进行地区异质性分析。

2. 文献综述

当前学术界对市场情绪的定义尚无统一标准。丘建泽(2021)认为，在信息传递过程中，房地产市场参与者的情绪和态度相互影响，形成共同的市场情绪[1]。住房情绪通常反映了市场参与者对于住房市场未来走势的预期和信心，代表人们对于住房市场的情感、态度和信念，以及这些情感、态度和信念对其住房购买和投资决策的影响。

市场情绪的测量方法主要包括直接指标和间接指标测量两种形式。直接指标方法通常通过问卷调查获取受访者的预期(Case和Shiller，2003)，但受限于各种因素，因此逐渐被改进[2]。Marcato和Nanda (2016)指出，在地域特征显著的房地产市场中，直接调查往往难以准确地反映不同地区的市场情绪[3]。因此，学者转向间接指标方法。Baker和Wurgler (2006)提出使用股票换手率、封闭式基金折价率等间接指标构建情绪指数[4]。Chen和Chong (2014)利用主成分分析构建股票市场情绪指数，并对股票收益率进行预测[5]。卢金(2016)则进一步利用主成分分析法构建市场情绪指数，采用向量自回归模型分析市场情绪和创业板指数之间的关系[6]。Song，Gong和Zhang (2023)应用比例主成分分析(SPCA)构建了一个投资者情绪指标(SSPCA)来预测中国股市的波动性[7]。

住房市场情绪对市场参与者的决策和行为具有重要影响，然而，当前住房市场领域对市场情绪的研究仍相对较少。有关房地产市场的情绪由国外学者Case和Shiller (1988)提出，房地产市场中的参与者的预期会对房地产市场的价格产生影响[8]。马勇和吴雪妍(2018)研究我国房地产市场发现，市场情绪高涨时，房价受到银行信贷影响的程度增加了[9]。之后黄燕芬等(2019)进行了更进一步的研究，实证结果证明房市情绪对房价存在显著正向影响[10]。邵燕花(2021)则基于98个中大城市2011~2018年商品房住宅的交易数据，从地市级层面考察投资者情绪对住宅商品房价格的影响[11]。刘金婷(2023)研究发现在经济政策不确定性的不同波动程度下，房地产市场情绪对房价波动的影响存在区域异质性[12]。综上所述，房地产市场情绪对住房市场的影响是切实存在且不可忽视的。

然而，目前对房地产市场情绪指数的研究较少，学者开始借鉴股票市场情绪的构建方法，将其引入房地产市场研究中。Hui等学者(2018)选择我国住房市场销售额与交易量、开发商购买的土地面积、开发商平均土地成本、开发商投资额、新建住房面积、金融机构贷款总额，通过主成分分析法构建我国住房市场情绪指数，以分析房价与市场情绪对不同类型业主和租客消费情况的影响[13]。黄梅(2021)则选取了房地产开发投资完成额、商品房新开工面积、商品房施工面积、商品房竣工面积、土地购置面积等十个指标，结合主成分分析法、缩放化的主成分分析法和偏最小二乘法，分别建立了全国及35个大中城市的情绪指数[14]。

市场情绪指数的构建通常依赖于直接指标与间接指标，但这两种方法均存在一定的不足之处。为此，学术界探讨了构建市场情绪指数的替代方法。随着互联网技术的飞速发展及广泛应用，大数据在构建市场情绪方面展现出了强大的潜力。针对房地产市场的情绪指标测度方面，赵伟等(2018)对百度新闻中含有特定关键词的新闻标题进行了检索，量化了媒体关注度与媒体情绪，并探讨了这些因素对房价波动的影响[15]。曾德珩和单艳(2021)收集了2019年7月至2020年6月期间的房地产舆情数据，运用情感词典和机器学习算法构建了舆情情感指数，并利用主成分分析法构建了复合市场情绪指数[16]。此外，费阳则(2022)基于百度指数，并结合其他因素，应用主成分分析法建立了房地产市场情绪的综合测度指标[17]。

因此，本文尝试利用主成分分析方法构建一种更客观、全面的住房市场情绪指数，在选取情绪代理变量时纳入互联网大数据指标，选取百度指数作为情绪代理变量，为投资者和政策制定者提供更准确的参考。鉴于我国各地区之间住房成交量的区域差异较大，本文将所选取的31个省份划分为东部、中部和西部三个区域，分别考察三个区域内市场情绪对住房成交量的影响。通过本文的研究，可以更深入地了解市场情绪对住房市场的影响，为市场参与者提供更准确的决策依据，促进住房市场的健康发展。

3. 研究设计

3.1. 主要变量及数据来源

(1) 被解释变量。住房成交量指标选取住宅销售量来加以衡量。住宅销售量是反映住房消费状况的重要指标，住宅销售量数据来源于国家统计局的房地产开发统计。

(2) 解释变量。市场情绪是本文的核心自变量。本文采用构建的住房市场情绪指数来衡量市场情绪，采取间接指标和互联网大数据指标相结合的方法来构建情绪指数。从买方和卖方两个角度选择租房类居民价格指数和住宅投资额、住宅新开工面积、住宅竣工面积、土地购置面积作为间接指标，结合百度指数作为互联网大数据指标，采用主成分分析法构建复合市场情绪指数。

为防止遗漏其他变量对因变量影响，选取建设面积、居住环境、住房贷款作为控制变量，具体变量说明如表1所示。

Table 1. Description of variables

表1. 变量说明表

类型	变量名称	指标	符号	变量说明
被解释变量	住房成交量	住宅销售量	RSV	房地产开发统计中住宅销售套数
解释变量	住房市场情绪	住房市场情绪指数	Sent	决定住房消费决策的重要心理因素
控制变量	建设面积	建成区面积	CLA	房地产供给水平
	居住环境	人均公园绿地面积	PGA	房屋品质
	住房贷款	个人住房贷款发放额	IHD	金融机构对于商品住房市场中买方的支持力度

(3) 数据来源

本文选取2012~2022年31个省市的面板数据，住宅销售量、建成区面积、人均公园绿地面积、个人住房贷款发放额数据均来源于国家统计局、中国人民银行等相关部门。构建的住房市场情绪指数所用到的间接指标，如租房类居民价格指数、住宅投资额、住宅新开工面积、住宅竣工面积、土地购置面积，数据均来源于国家统计局及中国房地产统计年鉴等，互联网大数据指标所用的百度指数数据可利用Python等软件从百度指数网站获得。所得数据中的部分缺失值通过线性插值法进行处理。

3.2. 模型构建

本文拟采用多元线性回归模型，一般形式为：

$y={\beta }_0+{\beta }_1{x}_1+\cdots +{\beta }_i{x}_i+\epsilon$ (1)

其中，$i=1,2,\cdots ,n$ 。${\beta }_0$ 至${\beta }_i$ 代表着i + 1个未知参数，其中${\beta }_0$ 被称为回归常数，而${\beta }_1$ 至${\beta }_i$ 则被称为回归系数。在这个模型中，y作为因变量(被解释变量)，x被称为自变量(解释变量或控制变量)。而ε则代表随机误差的存在。在本文中，我们将住宅销售量(RSV)作为因变量，以市场情绪指数(Sent)作为自变量，建成区面积(CLA)、人均公园绿地面积(PGA)、个人住房贷款发放额(IHD)作为控制变量，建立如下模型：

$RS{V}_{it}=C+{\beta }_{1}Sen{t}_{it}+{\beta }_{2}CL{A}_{it}+{\beta }_{3}PG{A}_{it}+{\beta }_{4}IH{D}_{it}+{\epsilon }_{it}$ (2)

其中，i和t分别表示省市和年份，C为常数项，${\beta }_1$ 表示情绪指数的系数，${\beta }_2$ ，${\beta }_3$ ，${\beta }_4$ 为各控制变量的系数，${\epsilon }_{it}$ 为随机误差项。因为构建情绪指数时已做过标准化处理，因此不再对模型做对数处理。通过这个模型，可以更好地理解因变量与自变量之间的关系，从而得出相关结论。

4. 我国住房市场情绪指数的构建

4.1. 情绪指标的选择

在构建住房市场情绪指数时，选择合适的指标变量至关重要。因此，本文将基于已有研究，从间接指标和互联网大数据指标两方面进行选择，以构建复合情绪指数，来更好地反映市场情绪和供需动态。

4.1.1. 间接指标

综合考虑经济含义和数据可得性，兼顾市场的多维度特征，初步选取以下5个指标作为间接指标变量。

(1) 住宅投资额(RI)。住宅开发投资额反映了开发商对住宅市场的投资情况。在住房市场中，开发商的投资行为直接关系到未来住房供应的增加，从而影响市场供需关系和价格走势，间接反应市场的投资意愿及预期。当市场交易越活跃，开发商观察到购房者的需求越高，住宅投资额就会越大，此时住房市场情绪高涨，也就是说市场情绪与住宅投资额呈同向变化。

(2) 住宅新开工面积(RSA)。住宅新开工面积表示新建住宅项目的规模和数量。这一指标可以反映市场对未来住房供应的预期，开发商对市场需求的判断以及市场整体活跃度。当开发商观察到购房者的需求很高时，即住房市场处于活跃状态，相应的住宅新开工面积有所增加，说明市场情绪与住宅新开工面积之间存在正相关关系。

(3) 住宅竣工面积(RAC)。住宅竣工面积反映了一定时期内完成建设并可以交付使用的住宅面积。这一指标可以反映出住房市场上真实的供给状况，提供有关市场实际供应量的信息，帮助评估市场的供应与需求状况。当住房市场处于活跃状态，住宅竣工面积就会增加，说明市场情绪与住宅竣工面积之间存在正相关关系。

(4) 土地购置面积(LAA)。土地购置面积可以反映开发商对未来土地资源的需求和购买行为。在卖方住房市场中，土地购置面积的变化可以揭示开发商对未来市场发展的信心和预期。当市场情绪高涨时，开发商意识到住房需求以及投资意图所驱动的交易需求将相应增大，这使得土地购置面积也会随之增大。换言之，市场情绪的波动与土地购置面积呈正相关关系。

(5) 租房类居民价格指数(HPI)。租房类居民价格指数反映了租金水平的变化，可以反映出市场对于租房需求和供给的情况。在研究市场情绪的以往文献中，很少考虑到租房市场对市场情绪变化的影响，但在住房市场中，租房市场的情况往往与购房市场密切相关，因为租房市场的变化会影响到购房市场的走势。首先，租房类居民价格指数的上升通常反映了租赁市场的需求增加。这一现象常常伴随着住房市场情绪的积极变化。当居民感受到租金上涨时，往往会对未来住房市场的走势产生乐观预期，从而推动购房意愿的提升，进而进一步推动租房价格的上涨。反之亦然，当市场情绪高涨时，居民对于住房的需求增加，而这直接推动了租赁价格的上升。说明租房类居民价格指数与住房市场情绪之间存在正相关关系。

4.1.2. 互联网大数据指标

将关键词设置为“买房”“卖房”来收集百度指数网站的房地产舆情数据，作为买方和卖方的直接情绪指标，可以直接反应市场情绪的变化。本文加总移动端数据和电脑端数据得到总体百度指数(BI)，同时，考虑到不同居民的经济水平差异会影响他们使用百度搜索引擎的情况，为了解决可能存在的异方差问题，笔者将总体百度指数与各省份GDP的比值进行取对数处理，得到相对百度指数(lnBG)，作为第六个情绪代理变量。公式如下：

$\ln BG=\ln \left(\frac{BI}{GDP}\right)$ (3)

4.1.3. 数据来源

本文共选取住宅投资额、住宅新开工面积、住宅竣工面积、土地购置面积、租房类居民价格指数及百度指数六个变量作为情绪指标，收集2012~2022年间的年度统计数据来构建各省份的情绪指数，统计资料来源于国家统计局、百度指数等网站。

4.2. 情绪指数的构建

主成分分析是一种多元统计分析方法，用于从多个相关变量中提取出最重要的信息，能够更好地理解数据背后的模式和关系。通过将多个变量进行线性组合，得到少数几个主成分来代表原始变量的大部分信息，以便降低数据的维度和提取数据的主要信息。本文通过收集相关数据，利用主成分分析法构建市场情绪指数。

4.2.1. 数据预处理

在进行主成分分析之前，需要对数据进行预处理，以确保数据的质量和一致性，提高主成分分析的准确性和可靠性。步骤如下：

(1) 标准化处理。将5个间接指标变量通过SPSS软件进行标准化处理，得到标准化后的指标变量ZRI_t、ZRSA_t、ZRAC_t、ZLAA_t、ZHPI_t。

(2) 考虑“滞后”影响。从理论上看，5个间接指标变量与市场情绪可能存在“领先”或者“滞后”的关系，所以将ZRI_t、ZRSA_t、ZRAC_t、ZLAA_t、ZHPI_t滞后1期，得到数据ZRI_t−1、ZRSA_t−1、ZRAC_t−1、ZLAA_t−1、ZHPI_t−1。

(3) 取残差。为构建情绪指数，可以通过回归分析来剔除与宏观经济基本面相关的因素。具体而言，可以将标准化后的指标ZRI_t−1、ZRSA_t−1、ZRAC_t−1、ZLAA_t−1、ZHPI_t−1分别作为因变量，同时选择当地的GDP和CPI作为自变量进行回归分析。通过这一过程得到的残差可以作为情绪代理变量来构建情绪指数。即采用下列回归模型：

$Y_{it}=\alpha +{\beta }_{1}GD{P}_{it}+{\beta }_{2}CP{I}_{it}+\mu$ (4)

式中，Y表示ZRI_t、ZRSA_t、ZRAC_t、ZLAA_t、ZHPI_t、ZRI_t−1、ZRSA_t−1等情绪指标，回归模型输出的残差rRI_t、rRSA_t、rRAC_t、rLAA_t、rHPI_t、rRI_t−1、rRSA_t-1等10个指标作为构建指数的情绪代理变量，与lnBG一同进行后续主成分分析。

4.2.2. 构建情绪指数

在构建情绪指数之前，需要通过KMO检验和巴特利特检验，来判断是否适合进行主成分分析。如表2所示，KMO检验值为0.714，且P值远小于0.05，说明巴特利特检验结果为显著。通常情况下，KMO值大于0.6时更适合做因子分析，因此可见符合要求，可继续进行主成分分析。

Table 2. KMO and Bartlett’s test

表2. KMO和巴特利特检验

KMO取样适切性量数		0.714
巴特利特球形度检验	近似卡方	2464.318
	自由度	55
	显著性	0.000

前五个主成分的累计方差贡献率可达到86.494%，说明本次因子分析能较好地达到解释变量的目的，因此使用前五个主成分加权平均构建初始情绪指数。以5个主成分所对应的方差贡献率占累计方差贡献率的比例作为权重，计算主成分综合模型，即可算出综合主成分值。继而得到初始市场情绪指数与各指标变量的表达关系式为：

$\begin{array}{c}Sen{t}_0=0.202\times rRA{C}_t+0.186\times rRA{C}_{t-1}+0.197\times rLA{A}_t+0.175\times rLA{A}_{t-1}\\ +0.217\times rRS{A}_t+0.190\times rRS{A}_{t-1}+0.229\times rR{I}_t+0.165\times rR{I}_{t-1}\\ -0.041\times rHP{I}_t-0.034\times rHP{I}_{t-1}+0.125\times \ln BG\end{array}$ (5)

将11个情绪指标变量与初始市场情绪指数Sent₀进行相关性分析，分析结果如表3所示。分析表3可知，相对百度指数(lnBG)与Sent₀未通过相关性检验。而住宅投资额(RI)、住宅新开工面积(RSA)、住宅竣工面积(RAC)、租房类居民价格指数(HPI)的当期变量以及土地购置面积(LAA)的滞后一期变量与初始市场情绪指数Sent₀相关性更高。因此本文选择$rR{I}_t$ 、$rRS{A}_t$ 、$rRA{C}_t$ 、$rHP{I}_t$ 、$rLA{A}_{t-1}$ 5个指标作为构建最终市场情绪Sent_t的最终情绪代理变量。

Table 3. Correlation analysis table between Sent₀ and each emotion proxy variable

表3. Sent₀与各情绪代理变量相关性分析表

Sent0	lnBG	rRIt	rRSAt	rRACt	rLAAt	rHPIt	rRIt−1	rRSAt−1	rRACt−1	rLAAt−1	rHPIt−1
皮尔逊相关性	−0.046	0.616^**	0.798^**	0.803^**	0.766^**	−0.388^**	0.496^**	0.791^**	0.770^**	0.774^**	−0.349^**
显著性(双尾)	0.398	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
个案数	341	341	341	341	341	341	341	341	341	341	341

在选定变量后，重复上面的步骤进行第二次主成分分析。该次主成分分析提取了3个主成分，累计方差解释率达到85.186%，成功解释了变量。最终构建的市场情绪指数Sent_t，表达式如下：

$Sen{t}_t=0.317\times rR{I}_t+0.348\times rRS{A}_t+0.296\times rRA{C}_t+0.006\times rHP{I}_t+0.391\times rLA{A}_{t-1}$ (6)

基于构建的最终市场情绪指数Sent_t，利用Sent_t与5个情绪指标进行相关性分析，第二次主成分分析结果如表4所示，可以发现相关性均显著。这个情绪指数可以用来帮助预测市场走势，指导决策和投资。

Table 4. Matrix of correlation coefficients of principal component analysis results

表4. 主成分分析结果之相关系数矩阵表

		rRIt	rRSAt	rRACt	rHPIt	rLAAt−1
Sentt	皮尔逊相关性	0.636^**	0.846^**	0.817^**	−0.353^**	0.783^**
	显著性(双尾)	0.000	0.000	0.000	0.000	0.000
	个案数	341	341	341	341	341

^**. 在0.01级别(双尾)，相关性显著。

4.3. 市场情绪的变化规律

为了更直观地观察市场情绪的空间变化，本文利用ArcGis软件将情绪指数可视化。如图1所示，住房市场情绪呈现快速演变趋势，在此过程中存在空间集聚现象。2012年东部地区的市场情绪明显高涨于中西部，到2016年，由于中央政府的推动，中西部的市场情绪指数明显有所增加，情绪更为乐观。然而，从2016年到2018年，市场情绪明显有所低落，东部地区的市场情绪相对于中西部来说更乐观，到2022年，除个别地区外，全国的住房市场情绪均不太乐观，可能是因为疫情等因素，在一定程度上影响了经济的发展情况，导致市场情绪不够高涨。

注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2019)1822号的标准地图制作，底图无修改。

Figure 1. Sentiment index, 2012~2022

图1. 2012~2022年情绪指数

5. 实证分析与结果

5.1. 描述性统计分析

各指标变量的描述性统计具体如表5所示，所有指标的标准差不一，即波动程度也不一。住宅销售量(RSV)的标准差为303194.23，可见波动较为强烈，住房市场情绪指数(Sent_t)和人均公园绿地面积(PGA)标准差较小，说明波动相对比较稳定。对于住房市场情绪指数(Sent_t)平均值近乎等于0的情况，说明正向情绪和负向情绪的平衡相对较好，样本中的情绪指数相对稳定，整体上没有偏向积极或消极的情况。住宅销售量(RSV)的最大值与最小值差距几百倍之大，建成区面积(CLA)、住房贷款发放额(IHD)最大值与最小值差距也非常大，说明不同地区不同程度的情绪差异会导致开发商、金融机构等的行为产生较大差异。

Table 5. Descriptive statistics

表5. 描述性统计表

变量	样本量	平均值	标准差	最小值	最大值
Sentt	341	0	1.042	−3.844	4.612
RSV	341	383340.21	303194.23	1830	1,212,690
CLA	341	1805.997	1322.684	120	6583
PGA	341	13.465	2.84	5.85	22.84
IHD	248	360.531	277.601	20.94	1331.06

5.2. 实证回归分析

本文选取2012~2022年31个省市的面板数据，对上文构建的住房市场情绪指数影响住房成交量的面板回归模型进行实证分析：

$RS{V}_{it}=C+{\beta }_{1}Sen{t}_{it}+{\beta }_{2}CL{A}_{it}+{\beta }_{3}PG{A}_{it}+{\beta }_{4}IH{D}_{it}+{\epsilon }_{it}$ (7)

回归分析结果如表6所示，模型(1)为不加自变量市场情绪指数的回归模型，模型(2)为加入了情绪指数的回归模型。两个回归模型均通过了F检验，且各解释变量系数均显著。但加入了市场情绪指数的回归模型(2)相较于只有控制变量的回归模型(1)来说，R²更高，说明加入了市场情绪指数的模型的拟合优度更好，更能解释因变量的变化。这表明住房市场情绪指数(Sent_t)作为一个衡量情绪因素的变量，也显示出了一定的影响。尽管在这项分析中，住房市场情绪指数的影响不及其他变量显著，但其仍然对因变量产生了一定程度的影响。这表明人们的情绪状态对住房市场的发展有一定的影响力。

Table 6. Regression results

表6. 回归结果

	(1)	(2)
	RSV	RSV
CLA	152.734^***	150.790^***
	(6.227)	(6.211)
PGA	16447.514^***	18563.693^***
	(3.414)	(3.830)
IHD	91.526^**	115.656^**
	(2.041)	(2.542)
Sentt		22079.136^**
		(2.387)
_cons	−1.31e+05^**	−1.65e+05^***
	(−2.107)	(−2.622)
N	248	248
R^2	0.376	0.392
F	0.000	0.000

^***p < 0.01, ^**p < 0.05, ^*p < 0.10.

市场情绪变量系数(Sent_t)为正，且通过了5%的显著性检验，说明市场情绪对住房成交量有显著的正向影响，市场情绪越乐观，住宅销售量越高。这表明，当投资者和消费者对未来经济前景持乐观态度时，他们的购房意愿更强，从而推动住房成交量增加。建设面积、居住环境的变量系数在1%的显著水平上显著，住房贷款的变量系数也通过了5%的显著性检验，且三个控制变量均与销售量呈正相关，说明这些因素对住宅销售量有重要影响，建成区面积(CLA)、人均公园绿地面积(PGA)和个人住房贷款发放额(IHD)任一变量增加，均会促进住房成交量的增高。

综上所述，根据以上数据和分析结果，可以得出结论，市场情绪对住房成交量有显著的正向影响，建成区面积、人均公园绿地面积和个人住房贷款发放额对住房成交量均有一定程度的正向影响。这些结果提供了更深入了解和分析住房市场的一些关键因素，有助于指导相关决策和战略的制定。

5.3. 稳健性检验

借鉴陈思博和叶剑平(2020)测度方式，使用住房销售面积(RSA)衡量住房成交量[18]。表7报告了相应的检验结果。结果显示，两个回归模型均通过了F检验，加入了市场情绪指数的回归模型相较于只有控制变量的回归模型来说，R²更高，拟合优度更好。住房市场情绪指数通过了10%的显著性检验，且系数为正，也说明市场情绪对住房成交量有显著的正向影响；建成区面积(CLA)、人均公园绿地面积(PGA)通过了1%的显著性检验，系数均为正；个人住房贷款发放额(IHD)通过了5%的显著性检验，系数也为正。得到了与表6结果相似的结论，可见，基于住房销售面积来估计并未改变建成区面积、人均公园绿地面积、个人住房贷款发放额和住房市场情绪指数对住房成交量的整体影响效果。

Table 7. Robustness tests

表7. 稳健性检验

	(1)	(2)
	RSA	RSA
CLA	2.140^***	2.124^***
	(7.790)	(7.763)
PGA	220.986^***	238.035^***
	(4.097)	(4.357)
IHD	1.121^**	1.316^**
	(2.233)	(2.566)
Sentt		177.872^*
		(1.706)
_cons	−2857.764^***	−3136.661^***
	(−4.109)	(−4.409)
N	248	248
R^2	0.472	0.479
F	0.000	0.000

^***p < 0.01, ^**p < 0.05, ^*p < 0.10.

5.4. 异质性分析

不同地区的经济水平或者政策差异都有可能导致情绪的差异，因此本文要做地区异质性分析。中国的31个省市可分为东部、中部和西部三个区域。东部地区涵盖了北京、天津、河北、江苏、浙江、福建、山东、上海、辽宁、广东和海南，共计11个省(市)；中部地区则包括山西、江西、河南、吉林、安徽、黑龙江、湖北和湖南，共8个省；西部地区则由内蒙古、重庆、四川、贵州、云南、广西、西藏、陕西、甘肃、青海、宁夏和新疆组成，共12个省(区、市)。

结果如表8所示，东部、中部、西部三个地区的两个回归模型均通过了F检验，加入了市场情绪的回归模型相较于只有控制变量的回归模型来说，R²更高，拟合优度更好。可以看出，市场情绪对住房成交量的正向影响呈现区域异质性。住房市场情绪对住房成交量的影响在中部地区不显著，在西部地区影响最大，这可能是因为发达地区和欠发达地区在市场情绪传导、住房政策执行、居民收入水平等方面存在显著不同，导致不同地区住房成交量对市场情绪的反应存在差异。各地区建设面积对住房成交量的影响均显著且为正，影响程度按照递减顺序依次为：东部地区、中部地区、西部地区。居住环境对住房成交量的影响在中部和西部地区不显著，说明相比于居住环境，中西部地区更注重其他方面。住房贷款对住房成交量的影响在西部地区不显著，说明提高住房贷款相关的政策对西部的住房市场的影响不太明显；值得注意的是，住房贷款对中部地区住房成交量的影响是负向的，可能是因为住房贷款的提高拉高了房价水平，进而降低了中部地区的住房成交量。

Table 8. Heterogeneity analysis

表8. 异质性分析

	东部地区		中部地区		西部地区
	(1) RSV	(2) RSV	(1) RSV	(2) RSV	(1) RSV	(2) RSV
CLA	90.676^***	87.035^***	449.840^***	450.365^***	316.016^***	347.690^***
	(2.796)	(2.733)	(4.406)	(4.274)	(7.362)	(8.371)
PGA	21622.184^*	27984.919^**	2783.697	2682.045	2299.452	2946.189
	(1.834)	(2.335)	(0.167)	(0.155)	(0.597)	(0.811)
IHD	137.670^**	165.211^***	−275.084^*	−276.060^*	−84.125	−76.326
	(2.415)	(2.871)	(−1.750)	(−1.685)	(−0.822)	(−0.791)
Sentt		26955.889^**		−555.850		44935.273^***
		(2.006)		(−0.024)		(3.350)
_cons	−1.14e+05	−2.06e+05	−3.22e+05^**	−3.21e+05^**	−9.06e+04^*	−1.35e+05^***
	(−0.688)	(−1.220)	(−2.556)	(−2.453)	(−1.826)	(−2.781)
N	88	88	64	64	96	96
R^2	0.307	0.344	0.514	0.514	0.637	0.682
F	0.000	0.000	0.000	0.000	0.000	0.000

^***p < 0.01, ^**p < 0.05, ^*p < 0.10.

6. 结论与建议

6.1. 研究结论

本文使用2012~2022年31个省市的面板数据，从已有研究基础出发，通过主成分分析法构建了我国31个省份住房市场的情绪指数并可视化，并建立多元线性回归模型研究住房市场情绪对住房成交量的影响。另外，还测度不同区域住房市场情绪指数，横向对比东部、中部和西部地区市场情绪对住房成交量的影响程度。研究结果表明：

市场情绪是影响住房成交量的一个重要因素，对住房成交量有显著的正向影响且存在区域差异。住房市场情绪指数越高，说明市场越乐观，住房成交量越高，2012年到2022年市场情绪有递减趋势。同时，市场情绪对住房成交量的正向影响呈现区域异质性，西部地区市场情绪对住房成交量的影响程度强于东部和中部地区，这可能是因为发达地区和欠发达地区在市场情绪传导、住房政策执行、居民收入水平等方面存在显著不同，导致不同地区住房成交量对市场情绪的反应存在差异。

建设面积、居住环境、住房贷款对住房成交量均存在重要影响，也具有区域差异性。三个控制变量均与住房成交量呈显著正相关，任一变量增加，均会促进住房成交量的增高。各地区建设面积对住房成交量的影响均显著为正，对东部地区的影响程度最大；居住环境对住房成交量的影响在中部和西部地区不显著，说明相比于居住环境，中西部地区更注重其他方面。住房贷款对住房成交量的影响在西部地区不显著，对中部地区的影响显著为负，可能是因为住房贷款的提高拉高了房价水平，进而降低了中部地区的住房成交量。因此，建设面积、居住环境、住房贷款对住房成交量的影响存在区域差异。

6.2. 相关建议

有效管理市场情绪以促进住房市场的健康稳定发展，需要综合考虑多方面因素和采取多种措施。具体政策建议如下：

(1) 政府干预的有效性。政府引入的冷却措施在某些情况下可能无法有效降低价格和市场情绪。这说明在设计政策时需要更加精细化和针对性，以确保政策的有效性。加强房地产市场监管，遏制房价过快上涨，保障居民的住房需求。实施稳健的货币政策，控制房地产市场投机行为，维护市场情绪稳定。

(2) 促进市场理性发展。通过发布楼市调控政策，如住房限购、限贷等，重点抑制非理性炒作，以实现稳定楼市预期。这表明政府干预在短期内对抑制房价泡沫具有重要作用。通过建立和完善可负担住房政策、改革评估指标、改善税收结构、废除销售系统和改善租赁市场等措施，减弱投机力量，降低预期回报，从而抑制过度投机行为。完善房地产市场信息披露机制，增强市场透明度，引导投资者和消费者理性预期。

(3) 重视地区差异。在推动城镇化进程的过程中，重视地区差异与因地制宜的策略显得尤为重要。中国幅员辽阔，各地区的经济发展水平、文化背景、生态环境等方面均存在显著差异。这种多样性要求在城镇化的实施过程中，必须充分考虑地方的实际情况，以期达到优化城市居住环境的目标，满足不同需求群体的住房需求。因此，要重视地区差异，因地制宜制定实施方案。

(4) 巩固调控成果，完善调控政策。随着国家自2010年以来对房地产市场实施的一系列调控政策，市场已逐步趋于理性，商品住房价格上涨态势得到有效控制。这表明持续优化和调整政策是必要的。

因此，政府在制定宏观调控政策时，应关注并引导市场情绪，以促进房地产市场的平稳健康发展。只有政府和市场主体共同努力，才能营造良好的市场环境，促进房地产市场平稳健康发展。因地制宜地制定住房政策，优化城市居住环境，将有助于满足居民“住有所居”需求，最终促进房地产市场均衡发展。