【解碼地產調控】專題一|肖仁華博士:應識別中國房地產周期規律,房地產調控應重在控制貨幣增速和加大土地供給兩方面
請點擊上方藍字“云山珠水經濟茗居” 添加關注
【解碼地產調控】專題引子：地產調控的目的不僅是為了保持房地產市場的健康可持續發展，更重要的也是為了保持經濟的可持續發展。2017年9月22日和23日，七地密集出臺房地產調控政策。其中，重慶、南昌、南寧、長沙、貴陽和石家莊六城均為“限售”政策，西安則出臺新政規定商品房在調整價格前,須向物價局進行價格申報?；诜康禺a調控的再次升溫之大背景，云山珠水經濟學團隊擬組編和依次推送團隊成員發表的關于房地產調控的10篇高水平論文，試圖通過深度探討中國房地產治理問題，為“安得廣廈千萬間,大庇天下寒士俱歡顏”的“居者有其房”之大治景圖獻言獻策。
???
????? 本文由云山珠水經濟學團隊成員肖仁華博士聯合中山大學管理學院李仲飛教授和數學與計算科學學院楊利軍博士在經濟學權威期刊《經濟評論》發表題為《基于集合經驗模態分解技術的中國房地產周期識別研究》的高水平論文探討中國房地產治理問題，強調應識別中國房地產周期規律，房地產調控應重在控制貨幣增速和加大土地供給兩方面。該文章自刊出以來，已被下載405次，被引用6次。
作者簡介
??? 肖仁華，男，漢族，1984年生，江西峽江人，現任廣西來賓合山市副市長。2013年7月畢業于中山大學嶺南學院（金融學專業），獲經濟學博士學位，師從長江學者特聘教授、珠江學者特聘教授、前中山大學管理學院執行院長李仲飛教授。研究興趣包括新制度經濟學、金融經濟學、金融市場與投資等。本科畢業后在宜春中學參與教學與管理工作兩年。攻讀碩士、博士學位期間，參與多項課題研究。主要包括國家自然科學基金重點項目“房地產及其金融資產的定價與風險管理”、 國家杰出青年科學基金項目“金融資產配置、資產定價與風險管理” 等。在《經濟評論》、《當代財經》、《求索》等CSSCI期刊上發表論文多篇。
研究摘要
本文運用1991.1至2011.12的房地產銷售價格指數的月度數據，結合最新發展的EEMD技術，從多尺度識別了我國房地產市場內在的準周期成分。準周期的識別過程就是房價形成因素的尋找過程。以房地產改革元年1998年為數據分斷點做比較研究和穩定性檢驗，對應的準周期得到再次識別，增強了結論的可信度。研究表明：從1991.1至2011.12的樣本期間來看，（1）房地產市場供給彈性不足；（2）貨幣因素在房價形成中的貢獻最大；（3）長期經濟增長因素貢獻很小，不是驅動房價的主要力量。房改后，前三點結論依然成立，然而，（4）貨幣供給對房價增長主導性進一步增強；（5）長期因素的相對方差貢獻變大了，房價與經濟發展水平關系更緊密。根據結論，本研究建議房地產調控應重在控制貨幣增速和加大土地供給兩方面。
結論建議
本文的實證研究表明：投機導致的高頻波動異常激烈；貨幣因素貢獻最大，房改后還有增大的趨勢；隨著房地產市場的高速發展，供給方面的占比并沒有明顯變化，供給彈性不足；此外，從相對方差貢獻看，長期經濟發展因素在房地產價格形成中的貢獻很小，這說明了長期以來我國房地產價格與經濟發展水平不相匹配。
總體來看，每個IMF的方差貢獻及其經濟含義在邏輯上是自洽的。我們的研究發現，貨幣因素貢獻最大，房改后高達45.01%，同時發現近期投機猖獗，之所以有投機的存在，其實取決于兩個關鍵的條件，一是要有充裕的資金，二是房地產供給缺乏彈性，而這兩個條件剛好在本文的實證結論中得到滿足。如果市場上沒有充裕的資金儲備，不管預期投機前景如何的美好，智慧如何的洶涌，一切終將成為無源之水，無水之木；同樣如果房地產供給彈性無窮大，再多的貨幣之水也會被龐大的市場吞沒，投機沖動將缺乏根基。
基于本文結論，從根本上講，要讓我國的房地產市場回歸理性，回到健康可持續發展的軌道上來，主要調控措施應該包括管好貨幣供應和加大土地供給，打擊惡意囤積土地的行為，而不是南轅北轍。具體地，嚴格控制貨幣發行速度，特別是要對房地產市場的貸款進行窗口管理，避免由于強大利益集團的作用引導大量資金流向房地產市場，造成房價高企。同時，大力加強金融市場建設，拓寬投資渠道，吸引過剩流動性均衡運動。改革土地出讓制度，增加土地供給，最根本的是改革現存的財權與事權不對稱的財政分權制度上，減低地方政府對土地財政的依賴程度。短期要嚴厲打擊開發商的土地囤積行為以及捂盤惜售現象。
本文盡管冠名為周期研究，其實從分解過程來看就是研究房地產價格影響因素的實證分析，全文的很多結論還有待更加合理的解釋，而其中解釋貨幣為何更多地流向房地產市場而不是其他資產市場是筆者接下來研究的方向。
全文來源：李仲飛、肖仁華、楊利軍，“基于集合經驗模態分解技術的中國房地產周期識別研究”,《經濟評論》，2014年第04期，第108－121頁。
云山珠水經濟茗居由云山珠水地區（廣州）十位志同道合的經濟學博士組成的團隊發起運營，在茗茶和經濟思想交融之中，跟蹤與分享產業經濟、發展經濟、金融投資和國際經濟等方向的前沿信息，把握經世濟民的第一手資訊，服務社會。
掃描添加關注，免費收閱第一首經濟資訊！ ? ? ? ??
附錄：文章全文
一、引言
?
自2003年明確房地產業的支柱地位以來，我國房價一路上揚，，結果是屢調屢高，被戲稱為“空調”。特別是近兩年，即使延續限購令等非經濟手段，房價并沒有明顯回落，仍然在高位運行，從十年來房價的走勢看，似乎觸摸不到房地產市場被調控政策干擾過的痕跡。本文認為，充分認識我國房地產的內在周期波動特征十分重要，它是我們調控房地產價格的重要理論基礎。只有知道是什么，才能探究為什么，繼而才能思考怎么做。本文的主旨就是要根據數據事實，采用最新發展的集合經驗模態分解(Ensemble Empirical ModeDecomposition,簡稱EEMD）技術，深稽博考，敷析淵微，試圖從多尺度揭示我國房地產價格波動的內在準周期。其實EEMD過程就是尋找影響因素的過程，每個分量都可以理解為某種因素的驅動所得，本文通過對各分量進行統計分析，深刻理解不同時間尺度準周期分量的經濟含義，以期為我國房地產調控提供一定的理論支持。
本文的主要貢獻：國內采用EEMD技術研究房地產問題的文獻還不多見，唯有阮連法、包洪潔（2012）做了類似研究，本文和他們的研究有三點不同，一是數據來源不同，他們采用的是杭州市的數據，代表市場局部特征，而我們采用國房景氣指數中的房地產銷售價格指數，其編制更合理，能夠反應市場的整體面貌；二是分析方法不同，他們遵循Zhang et al.（2008）在研究石油價格時開創的做法，把中間幾個低頻波動歸為重大事件影響項將其合并進行研究，我們認為此法值得商榷，畢竟原油市場和房地產市場的價格形成機制略有不同；三是結論明顯不同，本文發現18個月左右的貨幣準周期方差貢獻最大，而長期經濟增長影響甚微，他們認為后者是主要的?？偟膩碇v，本文用相對較新的更加可靠的方法研究取得新的發現：房地產市場供給彈性不足；貨幣因素在房價形成中的貢獻最大，房改后還有增大比例的趨勢；長期經濟增長因素貢獻很小，而不是最主要的。此外，我們用不同的樣本序列和區間做了比較研究和穩定性檢驗，相關準周期得到再次識別，增強了結論的可信度。最后給出了促進房地產市場健康發展的若干建議。
本文其余部分安排如下：第二部分對房地產周期文獻進行梳理和評述；第三部分介紹EEMD的背景、現狀及操作方法；第四部分用EEMD方法對我國房地產周期進行識別并作經濟解釋；最后為全文結論及政策建議。
?
二、文獻評述
?
國內外文獻對房地產周期的研究主要服務于兩個目的：一是周期的識別，以期深刻理解本身的運行規律；二是探討房地產周期與其他經濟變量的關系。兩者的研究方法都涉及時域和頻域分析，前者沒有挖掘出內在的周期分量，只是對原始數據進行波峰波谷進行測量估計波長或者用計量經濟學方法進行回歸分析，揭示其波動規律，如自回歸模型（AR模型）、滑動平均模型（MA模型）、自回歸滑動平均模型（ARMA 模型，Auto-Regressive and Moving AverageModel）等，后者主要是譜分析，研究視角觸及頻域，把原始數據看成是不同準周期波動成分的疊加，通過傅里葉變換及改良技術可以將頻率較小的一些主要周期分量識別出來，該方法最早應用于工程技術領域，Nerlove（1964），Granger（1966）兩人首先將譜分析引入經濟學，在譜分析和交叉譜方面做了開創性的工作。
Grebler and Burns（1982）用美國1950-1978年的數據，在時域內對各類建筑周期進行識別，包括住宅建筑、公共建筑、總體建筑等等，研究發現了6個住宅周期和4個非住宅周期，同時研究了經濟周期與房地產周期的領先滯后關系。Wheaton (1987) 研究發現辦公樓的建筑周期大約是10-12年。Malpezzi and Wachter（2005）探討了投機在房地產周期形成中的作用機制，他們認為，房地產投機之所以猖獗，主要是因為房地產供給缺乏價格彈性，建議遏制房地產投機行為應從土地供給方面想辦法，這對中國的房地產調控很有啟發意義。Leamer（2007）用二戰后1947—2006年的季度數據結合時域分析表明，房地產是消費周期而不是商業周期，從歷史上看，在經濟增長的過程中，房地產的貢獻是很少的，同時作者敏銳地發現，在經濟衰退時，房地產市場起到推波助瀾的作用卻很強大，在經濟演變的不同時期房地產的力量并不對稱。Cagnin （2009）分析了房地產周期與經濟增長的關系，特別探討了房地產金融化的作用。以上研究都在時域內分析，沒有涉及頻域。Wilson and Okunev （1999）用譜分析方法對房地產周期與經濟周期的整體變化關系進行了質疑，與前人研究認為兩者整體變化相似的結論不同，他們認為，在房地產證券化之后，其運行周期和經濟周期同步變得不夠明顯，因此作者認為投資組合管理需要注意資產證券化后市場周期波動的新特征。此外，Pyhrr（1999）也研究了投資組合管理與房地產周期的關系。
國內學者何國釗等（1996）較早使用現代計量方法研究房地產周期，鑒于當時的市場環境及數據的可得性，作者更多地使用物量指標對房地產周期進行識別，具體做法是先按環比增長率計算出每個單項指標的周期波動，然后利用景氣指數和擴散指數的綜合方法得到中國房地產周期波動圖，圖形顯示1984、1988、1992年處在波峰點，平均周期大致是4-5年，之后作者研究了投資與宏觀政策等因素對房地產周期波動的貢獻。我們認為，該文與后來出現的大量房地產周期分析的文獻一樣，都只是從單一時間尺度入手，周期識別對象都限制在樣本區間數據波動的外在表現，沒有找出周期波動的內在多尺度的波動成分，即本質的準周期動力沒能得到清晰的刻畫。張曉晶和孫濤（2006）揭示了房地產周期的驅動因素包括三個方面：即增長面、宏觀面和制度面，然后說明了房地產周期與金融穩定的關系，作者對房地產周期的研究主要是描述性的，他們認為改革開放以來中國房地產業主要歷經三個周期：1978-1991年間房地產起步階段、1992-1997年間房地產的過熱和調整階段、1998至今，國家全面停止實物分房制度，房地產真正的市場化開始，房地產投資增長率明顯提升，文章對房地產周期的劃分固然合理，但同樣是囿于周期劃分的單時間尺度特征，使得對房地產周期的內在準周期的識別缺乏依據。張紅和謝娜（2008）的研究與前兩個時域分析文獻不同，他們依據1992到2005年的數據，用主成分分析與譜分析相結合的方法，對北京房地產市場周期進行研究，發現存在為期近三年的周期，從長期看，供給方面有7年的次周期。徐國祥和王芳（2010）用譜分析方法對1998年1月至2009年12月的國房景氣指數月度數據進行了研究，為了克服普通的譜密度分析分辨率低的缺陷，作者采用以（贊同去掉）加窗平均周期圖譜分析與多次分辨法相結合的技術，并且對數據進行三角函數擬合，準確測定各主要周期的波長，結果表明1998年以來存在36個月的主周期和27個月的次周期。雖然徐國祥和王芳（2010）對普通譜分析內嵌的瑕疵進行了有效的改進，然而他們在進行加窗平均周期圖譜估計時任意選擇harmming窗來做平滑，顯然窗函數的合理性值得質疑，明顯帶有主觀臆斷，可能會使研究對象的周期表現失真，這或許是譜分析改進過程中無法治愈的阿喀琉斯之踵。
縱觀國內外文獻，在頻域內做房地產周期識別的不多，更多的研究集中在時域內探討房地產周期的影響因素以及同商業周期的動態關系方面，可能是由于多年來技術分析沒有跳出現有的時域和頻域分析（譜分析）框架，周期識別似乎難有突破性進展。早些時候時間序列分析都限制是在時域內，而譜分析從時域過渡到頻域內，Hamilton（1994）認為時域與頻域并不是互相排斥的，也沒有孰優孰劣，任何平穩序列都可以有時域和頻域的表達，要看研究對象及目標斟酌使用。我們做房地產周期識別的目的就是要掌握其內在有價值的不同頻率成分的準周期分量，顯然在這個意義上譜分析略勝一籌。譜分析是一種頻域分析方法，是周期識別和解釋的有力工具，本質上是一種傅里葉變換方法，它有著堅實的數學基礎，分析框架邏輯嚴密，但是只能處理線性平穩時間序列，而且不同頻率分量的提取并不是自我實施的，需要研究者輔助計算，帶有明顯的主觀色彩。盡管后來涌現出了一些改進的技術，比如奇異譜分析，加窗傅里葉分析等，但終究是在傳統譜分析基礎上的邊際創新，還是不可避免地染有傅里葉分析的一些弊端，始終難以克服傅里葉分析的內在缺陷，對數據平穩性及線性的要求沒有改變，數據平穩化處理如差分或者現有的去趨勢方法都會不同程度改變或者遺漏原始數據的有關特征，對人為控制的依賴仍然存在，并不能完全讓數據自己說話，各個頻率分量的選取帶有主觀性，并且一旦被選定就是不可調制的，分辨率較低，因此迫切需要一種更先進的非線性非平穩的時間序列處理方法，而新發展的EEMD技術能有所擔當，它是一種全新的適應于任何特性的時間序列分析方法，對于非線性非平穩數據的處理更露鋒芒。EEMD并不是在原有譜分析基礎上的細枝末節的修補，而是在分析范式上的根本性變革，上文論及的譜分析的缺陷在EEMD中已不復存在，其主要創始人Huang及其追隨者在多篇經典論文中從不同角度比較了該方法與主流的小波分析和傅里葉分析的優劣，發現EEMD是目前為止分析非線性非平穩時間序列的最好方法，其對數據的分解過程是直接的、自適應的、完備的、有效的，可以描述局部性質，富有經濟意義，它不需要對原始序列進行先驗的處理，能真正做到讓數據自己說話（Huang et al., 1998）。
房地產具有消費和投資兩面屬性，這種內在的質的規定性決定著房地產市場比其他資產市場更難把握，其價格受多方因素相互作用，特別是現階段中國還處于轉軌時期，形勢愈加復雜，近年來房地產價格波動異常，從政府密集的調控政策其效果總不達預期說明房地產價格奔騰的脈搏難以捉摸。童光毅和劉星（2008）建立半參回歸模型，研究顯示在樣本區間內，隨著時間的增加，非線性因素占線性因素的比重在不斷增大，為揭示中國房地產價格序列具有典型的非線性非平穩特征提供了佐證，因此，在諸多的實證研究中，房地產價格序列的數據生成過程為平穩線性的前提假定顯然容易出問題。由于EEMD在分析非線性非平穩時間序列方面具有壓倒性優勢，本文嘗試用此方法對中國的房地產周期進行識別，然后對其影響因素進行經濟學解釋。
三、EEMD方法簡介
?
EEMD（EnsembleEMD）的核心是EMD（EmpiricalMode Decomposition），即經驗模態分解，本質上是一種噪聲輔助分解方法（Noise-Assisted Data AnalysisMethod, NADA），它是在EMD方法問世以后，為了克服模態混疊問題而發展起來的新技術，其基礎還是EMD。
?
（一）經驗模態分解（EMD）原理
經驗模態分解（EMD）是一種信號處理方法，最早由Huang et al.（1998, 1999）提出并得到快速發展，目前被廣泛應用于海洋研究、爆破震動、遙感圖像處理、機械故障識別、醫學診斷等領域，主要分布在工學的各個分支，社會科學領域尚未引起足夠的重視。我國學者（Zhang et al., 2008, 2009）較早地應用該方法研究石油價格波動問題，并且結合EMD在預測技術方面也做了有益的嘗試（Yu et al., 2008）。
EMD是對信號的一種“篩”過程，通過某種程序可以將信號（時間序列）的內在不同尺度波動成分按照從高頻到低頻，即準周期從短到長的順序將信號逐級提取出來，于是原信號可以分解成若干個波動分量及趨勢項，這種被依次提取出來的內在分量稱作本征模態函數（Intrinsic Mode Function, IMF）。
EMD的計算步驟如下
（1）找上下包絡線。對于我們要處理的任意的時間序列X(t)，首先找出所有的極值點（包括極大值與極小值），然后對所有的極大值點用三次樣條函數進行插值，擬合出原序列X(t)的上包絡線Xmax(t)。同理，我們可以得到下包絡線Xmin(t)。
至此，我們可以通過以上程序將原序列按照頻率從高到低的順序將內在準周期分量逐級分解出來，整個分解過程是自適應的，直接的，完備的，有效的，近似正交的，原序列的局部性質得以保留，與現有的處理時間序列方法相比，EMD的最顯著的特征是自適應性，即不需要對原序列進行預處理，對主觀因素的污染具有天然的免疫力，因此容易還原樣本的本來面目，能有效避免研究結論的失真。
?
（二）EEMD：EMD技術的最新進展
EMD方法雖然有很多優點，但也存在一些缺陷，其中兩個問題最為突出：一是端點效應；二是模態混疊(Wu and Huang,2009)。
端點效應是指EMD分解過程中處理端點問題方式不同會帶來不一樣的結果，因為整個過程和極值點有關，因此端點是否作為極值點就至關重要，特別是數據比較短的時候問題表現更加突出，倘若處理不慎，很有可能出現上沖和下沖現象。為了克服該問題，已經涌現出了很多相對改良的技術，比如鏡像延拓，近似相關延拓等，本文程序采用鏡像延拓方法處理。
模態混疊在指同一個IMF中含有不同頻率成分（頻率差別比較大），或者同一相似尺度頻率分布在不同的IMF中。該問題由間歇性信號引起，之前由間歇性檢驗識別，近期發展的EEMD方法可以有效緩解此問題。
EEMD的核心還是EMD，只是在進行EMD之前加入白噪聲序列輔助分解，最后分解結果為多次輔助分解的集成平均值。EEMD的分解過程如下：
（1）把一個白噪聲序列加在目標序列上；
（2）對加入白噪聲的序列進行EMD分解，得到若干個本征模態函數IMFs；
（3）每次加入不同的白噪聲序列，重復（1）和(2)
（4）對每次分解得到的對應IMFs求平均值，將集成均值作為最后結果。
在上述過程中，白噪聲序列參數值需要滿足以下條件：
下面我們對以上分量進行統計分析和經濟解釋，下表1給出了統計分析結果，主要指標包括原始數據及各分量的方差，各分量的方差占比以及各分量與原始序列的皮爾森相關系數。從表中分析結果可以看出，除了高頻波動個別分量外，其余IMF與原始序列是相關的，而且幾乎都在1%的水平上通過顯著性檢驗。同時，我們發現除了由于數據長度的原因引起最后一個IMF的平均準周期有明顯差異外，其他的對應的IMF的準周期基本一致，說明我們用EEMD技術識別周期很可靠。下面我們依次對IMF的含義進行分析。
（一）IMF1及IMF2平均準周期分別為3個月和9個月左右，代表高頻波動，市場表現為短期非均衡，一般由投機力量或者季節性因素驅動，然而季節性調整波幅應該合乎周期規律而不會異常變化，在圖2、圖3以及圖10、圖11中我們可以看出不管數據分段與否，大概從2009年開始，波幅突然增大，說明金融危機之后投機更加猖獗，一個可能的解釋是，金融危機發生后，企業家不愿意繼續或者重新涉足利潤率較低的制造行業，大量資金涌入了房地產市場，當然這也與中國金融市場不夠發達，缺乏足夠投資渠道有關，在股市低迷的情況下，唯有房地產市場受青睞。此外我們在圖3中還可以識別90年代初期的房地產投機行為。
（二）IMF3平均準周期18個月，方差貢獻在全數據段達28.29%，房改后的占比達45.01%。目前關于對房地產價格影響因素進行實證分析的文獻，無一例外都認為貨幣供給是重要因素之一，房地產具有資產屬性，其價格形成也離不開貨幣因素。從本文對房價分解來看，其余分量都有歸屬（IMF5周期為7年，顯然不符合貨幣政策滯后規律），應用排除法和貨幣政策效應滯后經驗（車欣薇等, 2011），并結合我國貨幣供應規律的經驗事實，判斷此分量是由貨幣政策驅動的。兩個IMF3圖（圖4及圖12）都在2009年左右開始的大幅度波動與中國在此期間天量貨幣發行的事實相吻合（近年來M2增長率如圖17所示，橫坐標為數據順序號，縱坐標為增長率的百分比），由于投機盛行離不開貨幣的推波助瀾，因此在高頻段也存在類似時間段的波幅變化。IMF3給我們的啟示很深刻，說明一直以來貨幣供給因素在房地產價格形成中的作用始終排在第一位，1998年房地產市場化改革以后貨幣的貢獻有加劇的趨勢，并且占比高達45.01%，值得關注，這也是本文與阮連法和包洪潔（2012）結論的主要不同之處。他們沒有發現類似高度占比的分量，而是更加強調趨勢項即長期因素的主體性。
五、全文結論及政策建議
?
前文的實證研究表明：投機導致的高頻波動異常激烈；貨幣因素貢獻最大，房改后還有增大的趨勢；隨著房地產市場的高速發展，供給方面的占比并沒有明顯變化，供給彈性不足；此外，從相對方差貢獻看，長期經濟發展因素在房地產價格形成中的貢獻很小，這說明了長期以來我國房地產價格與經濟發展水平不相匹配。
總體來看，每個IMF的方差貢獻及其經濟含義在邏輯上是自洽的。我們的研究發現，貨幣因素貢獻最大，房改后高達45.01%，同時發現近期投機猖獗，之所以有投機的存在，其實取決于兩個關鍵的條件，一是要有充裕的資金，二是房地產供給缺乏彈性，而這兩個條件剛好在本文的實證結論中得到滿足。如果市場上沒有充裕的資金儲備，不管預期投機前景如何的美好，智慧如何的洶涌，一切終將成為無源之水，無水之木；同樣如果房地產供給彈性無窮大，再多的貨幣之水也會被龐大的市場吞沒，投機沖動將缺乏根基。
基于本文結論，從根本上講，要讓我國的房地產市場回歸理性，回到健康可持續發展的軌道上來，主要調控措施應該包括管好貨幣供應和加大土地供給，打擊惡意囤積土地的行為，而不是南轅北轍。具體地，嚴格控制貨幣發行速度，特別是要對房地產市場的貸款進行窗口管理，避免由于強大利益集團的作用引導大量資金流向房地產市場，造成房價高企。同時，大力加強金融市場建設，拓寬投資渠道，吸引過剩流動性均衡運動。改革土地出讓制度，增加土地供給，最根本的是改革現存的財權與事權不對稱的財政分權制度上，減低地方政府對土地財政的依賴程度。短期要嚴厲打擊開發商的土地囤積行為以及捂盤惜售現象。
本文盡管冠名為周期研究，其實從分解過程來看就是研究房地產價格影響因素的實證分析，全文的很多結論還有待更加合理的解釋，而其中解釋貨幣為何更多地流向房地產市場而不是其他資產市場是筆者接下來研究的方向。
?
參考文獻
?
1.??????車欣徽、郭琨、李斌、王玨，2011：《中國金融中心城市房地產價格與銀行信貸的關系》，《系統工程理論與實踐》第4期。
2.??????何國釗、曹振良、李晟，1996：《中國房地產周期研究》，《經濟研究》第12期。
3.??????阮連法、包洪潔，2012：《基于經驗模態分解的房價周期波動實證分析》，《中國管理科學》第3期。
4.??????童光毅、劉星，2008：《我國房地產價格的非均衡性》，《管理世界》第1期。
5.??????徐國祥、王芳，2010：《我國房地產市場周期波動譜分析及其實證研究》，《統計研究》第10期。
6.??????張曉晶、孫濤，2006：《中國房地產周期與金融穩定》，《經濟研究》第1期。
7.??????張紅，謝娜，2008：《基于主成分分析與譜分析的房地產市場周期研究》，《清華大學學報（自然科學版）》第9期。
8.??????Cagnin, R. F. 2009. “TheHousing Cycle and U.S.Economic Growth: 2002-2008.” Estudos Avancados, 23(66): 11-23.
9.??????Granger, C. W. J. 1966. “The Typical SpectralShape of an Economic Variable.” Econometrica, 34(1): 150-161.
10.???Grebler, L., and L. S. Burns. 1982. “ConstructionCycles in the United Statessince World War II.” Real Estate Economics, 10(2): 123-151.
11.??? Hamilton, J. D. ?1994. Time SeriesAnalysis. ?Princeton University Press. Princeton. New Jersey.
12.???Huang, N. E., Z. Shen, and S. R. Long. 1999. “ANew View of Nonlinear Water Waves: The Hilbert Spectrum.” Annual review offluid mechanics, 31(1): 417-457.
13.???Huang, N. E., Z. Shen, S. R. Long., M. C. Wu., H. H. Shih., Q. Zheng., N.C. Yen., C. C. Tung., and H. H. Liu. 1998. “TheEmpirical Mode Decomposition and the Hilbert Spectrum for Nonlinear andNon-Stationary Time Series Analysis.” Proceedings of the Royal Society of London. Series A: Mathematical, Physical andEngineering Sciences, 454: 903-995.
（注：Proceedingsof the Royal Society of London是雜志名，此雜志有A和B兩部分，其中Series A: Mathematical, Physicaland Engineering Sciences。）
14.???Leamer, E. E. 2007. “Housing Is the BusinessCycle,” NBER Working Paper No. 13428, September.
15.???Malpezzi, S. and S. M. Wachter. 2005. “The Roleof Speculation in Real Estate Cycles.” Journal of Real Estate Literature,13(2): 141-164.
16.???Nerlove, M. 1964. “Spectral Analysis of SeasonalAdjustment Procedures.” Econometrica, 32(3): 241-286.
17.???Pyhrr, S. A., S. E. Roulac., and W. L. Born.1999. “Real Estate Cycles and Their Strategic Implications for Investors andPortfolio Managers in the Global Economy.” Journal of Real Estate Research,18(1): 7-68.
18.???Wheaton, W. C.1987. “The Cyclic Behavior of the National Office Market.” Real EstateEconomics, 15(4): 281-299.
19.???Wilson, P., and J. Okunev. 1999. “SpectralAnalysis of Real Estate and Financial Assets Markets.” Journal of PropertyInvestment & Finance, 17(1): 61-74.
20.???Wu, Z., and N. E. Huang. 2009. “EnsembleEmpirical Mode Decomposition: A Noise-Assisted Data Analysis Method.” Advancesin Adaptive Data Analysis, 1(1): 1-41.
21.???Yu, L., S. Wang., and K. K. Lai. 2008.“Forecasting Crude Oil Price with an EMD-Based Neural Network Ensemble LearningParadigm.” Energy Economics, 30(5): 2623-2635.
22.???Zhang, X., K. K. Lai., and S. Wang. 2008. “A NewApproach for Crude Oil Price Analysis Based on Empirical Mode Decomposition.” Energyeconomics, 30(3): 905-918.
23.???Zhang, X., L. Yu, S. Wang., and K. K. Lai. 2009.“Estimating the Impact of Extreme Events on Crude Oil Price: An EMD-Based EventAnalysis Method.” Energy Economics, 31(5): 768-778.