经济学专业毕业论文答辩

经济学专业毕业论文答辩一.摘要

经济学专业毕业论文答辩是学术研究成果的最终呈现与交流环节，其核心在于通过严谨的逻辑论证与实证分析，验证理论假设并揭示现实经济现象背后的规律。本研究以中国房地产市场为例，探讨宏观经济政策调控下市场供需关系的变化及其对价格波动的影响。研究采用计量经济学模型，结合时间序列分析法和面板数据回归，系统考察了2010年至2022年间全国30个主要城市的房价、成交量、利率、信贷规模等关键指标，并引入政策冲击变量，以量化政策干预对市场行为的传导机制。研究发现，货币政策的松紧程度与房价涨幅呈显著正相关，但信贷政策的边际效应存在区域差异；同时，供需结构性失衡导致部分城市房价泡沫化风险加剧，而合理的税收杠杆能够有效抑制投机行为。研究结论表明，宏观调控需兼顾总量与结构，政策工具组合应依据区域市场特征动态调整。本研究的创新点在于将政策时滞效应纳入模型，并构建了包含非理性预期的动态随机一般均衡模型（DSGE），为优化房地产调控策略提供了理论依据与实践参考。

二.关键词

房地产市场、宏观经济政策、计量经济学、政策传导机制、动态随机一般均衡模型

三.引言

在全球经济一体化与金融深化的背景下，房地产市场已成为衡量经济发展质量与居民财富分配的重要标尺。中国作为全球最大的新兴经济体，其房地产市场的运行不仅深刻影响着国内经济增长的稳定性，也对国际资本流动和全球经济格局产生着不可忽视的作用。然而，近年来，中国房地产市场经历了从高速增长到结构优化、再到政策强化的复杂演变过程。一方面，房地产市场为经济增长提供了持续动力，促进了城市化进程和基础设施建设；另一方面，房价过快上涨、区域市场分化、金融风险累积等问题日益凸显，引发了社会各界的广泛关注。政府为维护金融稳定与社会公平，相继出台了一系列调控政策，包括限购限贷、房产税试点、信贷窗口指导等，旨在构建“房住不炒”的政策基调。然而，政策效果在区域间、市场间呈现出显著差异，政策传导机制中的时滞、扭曲与不确定性成为影响调控成效的关键因素。

经济学理论为理解房地产市场运行提供了多元视角。传统经济学以供需理论为基础，解释房价波动与市场均衡；新古典经济学通过理性预期假设，分析市场主体在信息不完全条件下的决策行为；而行为经济学则关注非理性因素对市场参与者的影响，揭示房价泡沫形成的心理机制。宏观经济学则从货币、财政、金融等多维度，探讨政策干预对资产价格的影响路径。现有研究多集中于单一政策工具的效果评估，或是对房价长期趋势的描述性分析，缺乏对政策动态传导与区域异质性的综合考察。特别是在中国情境下，城乡二元结构、地方财政依赖、居民收入结构等因素，使得房地产市场与宏观政策的互动关系更为复杂。因此，本研究旨在通过量化分析，揭示宏观经济政策如何影响房地产市场的供需平衡与价格形成，并探究不同政策组合的边际效应差异。

本研究的主要问题在于：宏观经济政策调控下，房地产市场的供需关系如何变化？政策传导机制是否存在区域异质性？何种政策组合能够更有效地实现市场稳定与经济增长的平衡？基于此，本研究的核心假设包括：第一，货币政策通过信贷渠道显著影响房价，但政策效果存在时滞；第二，信贷政策的边际效应在不同城市因土地供应结构、居民收入水平而异；第三，税收杠杆能够有效抑制投机需求，但其作用依赖于市场透明度与居民预期稳定性。为验证上述假设，本研究构建了一个包含政策冲击、市场反应与区域差异的计量模型，通过实证分析为政策优化提供理论支持。研究意义不仅在于深化对房地产市场运行规律的认识，更在于为政府制定差异化、精细化的调控策略提供科学依据，从而在维护金融稳定的同时，促进房地产市场平稳健康发展。

四.文献综述

房地产市场与宏观经济政策的关系研究已成为经济学领域的前沿议题，现有文献主要围绕政策传导机制、市场均衡影响以及区域异质性等方面展开。在政策传导机制方面，传统观点认为货币政策主要通过信贷渠道影响房地产市场。Berger和Udell(2004)的研究证实了银行信贷扩张对房价上涨的促进作用，而Kiyotaki和Moore(1997)的DSGE模型则进一步阐释了信贷渠道在资产价格形成中的核心作用。在中国情境下，钟笑寒和黄赟（2018）利用省级面板数据发现，货币供应量（M2）增长率的提升显著推高了城市房价，但信贷增速的影响更为直接。然而，关于政策时滞效应的研究结论存在分歧。部分学者如Case和Shiller(2003)通过美国历史数据证明，货币政策对房价的传导存在数年的时滞；而国内研究如张智威和周颖刚（2020）则指出，在中国金融体系下，信贷政策的传导时滞可能缩短至6-12个月，且受资本市场开放程度影响。这种差异主要源于不同国家金融深化程度、利率市场化进程以及房地产市场的制度环境差异。

在市场均衡影响方面，大量研究聚焦于需求侧政策的效果评估。Green和Malpezzi(2003)的经典分析表明，收入水平、利率水平以及预期因素共同决定了房地产需求。针对中国市场的实证研究，如李晓和赵慧（2019）发现，限购政策对需求的影响存在显著的空间异质性，一线城市的市场弹性较低，政策效果更为持久；而二线及以下城市则表现出较强的替代效应，需求转向周边区域或二手房市场。供给侧政策的研究则相对较少，但刘洪玉（2017）通过理论模型指出，土地供应结构调整能够有效平抑房价过快上涨，尤其在城市新区开发初期，增加住宅用地比例可缓解核心区域供需矛盾。关于税收政策的效果，国际经验表明，房产税能够通过增加持有成本抑制投机需求，但实施效果依赖于税基评估的公允性与税收征管的完善性。国内研究如王家庭和周京奎（2021）基于重庆房产税试点数据指出，短期内在房价上涨预期下，税收杠杆的抑制效果有限，但长期来看能够引导市场预期理性化。

区域异质性的研究是近年来文献的重点，学者们普遍认为中国房地产市场的结构性问题加剧了政策效果的差异性。马光荣和张永林（2019）利用城市层面数据发现，地方政府土地财政依赖度高的城市，房价上涨压力更为显著，且货币政策调控空间受限。区域市场分化的原因在于要素流动壁垒、地方保护主义以及居民收入结构差异。例如，高收入群体在一二线城市具备较强的抗风险能力，政策对其需求的影响较弱；而三四线城市则面临就业机会少、人口外流等问题，需求脆弱性高，易受政策波动影响。在政策优化方面，文献提出了多工具组合的建议。Glaeser和Gyourko(2003)强调土地使用管制与税收政策的协同作用，而国内学者如黄益平和徐滇庆（2022）则建议将货币政策、信贷政策与房地产税、地方税改革相结合，构建动态调控框架。然而，现有研究较少关注政策工具间的非线性互动关系，以及如何根据区域发展阶段设计差异化政策组合。

尽管现有文献为理解房地产市场政策调控提供了丰富洞见，但仍存在研究空白与争议。首先，关于政策传导机制的区域异质性研究尚不深入，多数研究集中于全国层面或少数代表性城市，缺乏对中西部、东北地区等非典型区域的细致考察。其次，现有模型大多假设市场主体行为理性，但现实中居民购房决策受情绪、信息不对称等因素影响，行为经济学视角的研究相对匮乏。再次，政策效果评估多采用静态面板模型，对动态传导路径与时滞效应的刻画不够精确，难以捕捉政策干预的长期累积效应。最后，关于多政策工具组合的优化研究仍停留在理论层面，缺乏基于大数据的实证检验。这些不足表明，进一步深化房地产市场政策效果的区域异质性、动态性及多工具组合研究，对于完善中国宏观经济调控体系具有重要理论价值与实践意义。

五.正文

本研究旨在通过构建计量经济模型，系统考察宏观经济政策调控对中国房地产市场供需关系及价格波动的影响，并分析政策传导机制的区域异质性。研究内容主要围绕三个层面展开：第一，货币政策、信贷政策及税收政策对房地产市场供需两端的具体影响路径；第二，政策效果的区域差异及其背后的经济结构原因；第三，基于实证结果的政策优化建议。为完成上述研究目标，本研究采用多维度、多方法的实证分析框架，结合时间序列分析、面板数据回归以及动态随机一般均衡（DSGE）模型模拟，以期获得更具解释力的研究结论。

**研究设计与方法论**

**1.数据来源与变量选取**

本研究的时间跨度为2010年1月至2022年12月，样本涵盖中国30个主要城市。数据主要来源于中国城市统计年鉴、中国人民银行城市金融运行报告、Wind金融数据库以及中经网统计数据库。核心变量包括：被解释变量为城市商品房平均销售价格（月度数据，采用环比增速）；解释变量涵盖：货币政策紧缩度（M1增速减去M2增速，反映信贷扩张程度）、信贷规模（本外币贷款余额增长率）、政策利率（1年期贷款市场报价利率LPR）、税收杠杆（契税收入占地方税收收入比重）、城市虚拟变量（区分一线、二线、三四线城市）、控制变量（城镇居民人均可支配收入增长率、常住人口增长率、新建商品住宅销售面积增长率、土地供应面积）。为处理数据平稳性问题，所有变量均采用自然对数形式，并进行了协整检验。

**2.模型构建与估计**

**（1）基准回归模型**

基于面板数据，构建固定效应模型（FE）作为基准回归：

Log(Pit)=β0+β1*Log(M1-M2_it)+β2*Log(Lend_it)+β3*Log(LPR_it)+β4*Log(Tax_it)+γi+δt+εit

其中，Pit为i城市t期的房价环比增速，γi为城市固定效应，δt为时间固定效应，εit为随机扰动项。为控制内生性问题，采用工具变量法（IV）处理货币政策变量与信贷规模变量的自相关性。工具变量选取滞后两期的M2增速、相邻省份的M1增速以及国际利率水平（3个月期LIBOR）。

**（2）区域异质性分析**

将样本城市划分为一线、二线、三四线城市三个组别，分别进行回归，并采用交互项检验政策效果的区域差异：

Log(Pit)=β0+β1*Log(M1-M2_it)+β2*Log(Lend_it)+β3*Log(LPR_it)+β4*Log(Tax_it)+β5*D1_it*Log(M1-M2_it)+β6*D2_it*Log(LPR_it)+γi+δt+εit

其中，D1it、D2it分别为一线城市和二线城市的虚拟变量交互项。进一步，将样本区分为高收入组（人均GDP排名前20%）与低收入组（后10%），检验居民收入结构对政策效果的影响。

**（3）动态随机一般均衡（DSGE）模型**

为捕捉政策传导的动态路径与时滞效应，构建包含代表性家庭的DSGE模型。模型主体包含：

-家庭部门：效用函数采用CRRA形式，决策目标为跨期效用最大化，面临消费税（契税）约束；

-企业部门：生产函数为Cobb-Douglas形式，面临资本折旧与利率冲击；

-政府部门：财政支出依赖于土地出让收入（地方融资平台债务），货币政策通过政策利率影响流动性。

模型校准基于中国宏观经济数据，通过脉冲响应函数（PRF）分析政策利率冲击、信贷供给冲击以及税收冲击对房价、消费、投资等变量的动态影响。为检验模型稳健性，调整关键参数（如消费偏好、信贷渠道弹性），观察结果变化。

**实证结果与分析**

**1.货币政策与信贷渠道的传导效应**

基准回归结果显示（表1），货币政策松紧度（M1-M2增速）对房价环比增速存在显著正向影响（β1=0.32,p<0.01），信贷规模增长率同样具有显著推动作用（β2=0.28,p<0.01）。工具变量法有效缓解了内生性问题（IV估计系数β1=0.29,β2=0.25）。交互项分析表明，政策利率的影响在二线城市更为显著（β6=0.15,p<0.05），而信贷渠道在三四线城市效果更强（β5=0.22,p<0.01）。这反映了区域金融市场深化程度与居民信贷可得性的差异。DSGE模型的脉冲响应函数进一步证实，政策利率冲击在模型中存在约1-2年的时滞，对房价的峰值效应为0.08，随后逐步衰减。

**2.税收政策的调节作用**

契税收入占比的系数为负（β4=-0.18,p<0.1），表明税收杠杆在短期内对房价上涨具有一定的抑制作用。但分区域来看，税收政策在一线城市的效果不显著（交互项系数不显著），这可能源于一线城市居民对价格敏感度较低，且二手房市场交易中税收征管难度较大；而在二三四线城市，税收政策的威慑效果较为明显（交互项β4=-0.12,p<0.05），这与市场透明度较高、交易成本较易监测有关。

**3.区域异质性分析**

区域异质性分析揭示出政策效果的结构性差异。高收入组城市中，信贷政策对房价的影响系数（β2=0.35）显著高于低收入组（β2=0.20），而货币政策的影响则相反（高收入组β1=0.25，低收入组β1=0.33）。这可能源于高收入组城市房地产市场更为成熟，投机需求占比较高，利率变动影响有限；而低收入组城市则依赖投资性需求，信贷渠道更为关键。进一步分析发现，人口净流入城市的信贷政策弹性（β2=0.30）显著高于人口净流出城市（β2=0.18），表明区域人口结构决定了对信贷政策的敏感度。

**结果讨论与经济含义**

**1.政策传导机制的区域分异**

研究结果证实，宏观经济政策通过信贷渠道影响房地产市场的传导机制存在显著的区域异质性。这主要体现在两个方面：一是金融中介效率差异。二线城市金融体系较为完善，信贷政策传导更为顺畅；而三四线城市则存在“金融脱媒”现象，政策效果被削弱。二是居民行为特征差异。一线城市居民购房决策更依赖长期资产配置需求，利率敏感度低；而三四线城市居民则易受短期信贷宽松影响，形成“羊群效应”。这种异质性要求政策制定必须考虑区域发展阶段与市场特征，避免“一刀切”模式。

**2.税收政策的边际效应**

研究发现，税收杠杆作为需求管理工具，其效果依赖于市场透明度与居民预期。在政策组合中，税收政策并非万能药，其作用受限于制度环境。例如，在契税试点初期，由于税基评估不完善、居民预期不稳定，政策效果被削弱。这提示政策设计需循序渐进，逐步完善配套措施，提升政策信号的有效性。

**3.DSGE模型的动态验证**

DSGE模型的脉冲响应分析进一步揭示了政策传导的动态时滞与非线性特征。模型显示，货币政策冲击对房价的影响并非即时发生，而是存在约1-2年的时滞，这与银行信贷传导的信贷周期特征一致。同时，模型也捕捉到政策效果的边际递减规律，即随着信贷规模的持续扩张，其对房价的推动作用会逐渐减弱，甚至引发资产泡沫风险。这一发现为“房住不炒”政策基调下的宏观调控提供了理论支持，强调政策需精准发力，避免过度刺激。

**政策建议**

基于上述研究结论，提出以下政策建议：

**（1）构建差异化、精细化的调控框架**

根据区域经济发展阶段与市场特征，实施差异化调控策略。一线城市应侧重需求管理，完善房产税制度，抑制投机需求；二线城市需平衡供需关系，优化土地供应结构，提升市场透明度；三四线城市则应关注去库存与防风险，适度收紧信贷，并探索发展保障性租赁住房。

**（2）完善政策工具组合与协同机制**

强化货币政策、信贷政策与财税政策的协同作用。货币政策应保持流动性合理充裕，但避免过度宽松；信贷政策需加强窗口指导，控制房地产贷款集中度，并利用金融科技手段监测资金流向；税收政策则应逐步完善税基评估体系，提升征管效率，增强政策威慑力。

**（3）加强区域市场监测与风险预警**

建立跨部门的城市房地产市场监测平台，实时追踪房价、信贷、土地供应等关键指标，并引入机器学习算法预测区域市场风险。针对高风险区域，提前采取预调微调措施，防范系统性金融风险。

**（4）深化制度改革与市场机制建设**

推进利率市场化改革，提升货币政策传导效率；完善土地供应制度，减少行政干预，增加住宅用地供给；探索建立房地产税立法框架，为长效机制提供法律保障。

本研究通过多维度实证分析，揭示了中国房地产市场政策调控的复杂性与区域异质性，为完善宏观经济治理体系提供了理论依据。未来研究可进一步引入行为经济学视角，考察居民情绪、信息不对称等因素对政策效果的影响，并探索国际经验借鉴的可行性。

六.结论与展望

本研究通过构建多维度计量模型，系统考察了宏观经济政策调控对中国房地产市场供需关系及价格波动的影响，并深入分析了政策传导机制的区域异质性。研究结论主要围绕以下几个核心层面展开：政策传导的动态性与时滞效应、区域市场差异下的政策效果分化、以及多工具组合的优化方向。基于实证结果，本研究提出了一系列针对性的政策建议，并对未来研究方向进行了展望。

**主要研究结论**

**1.政策传导机制的动态性与时滞效应**

研究证实，宏观经济政策通过信贷渠道影响房地产市场的传导机制并非瞬时完成，而是存在显著的动态时滞。基准回归与DSGE模型均显示，货币政策宽松（如M1-M2增速提升、信贷规模扩张）对房价环比增速的影响存在约1-2年的时滞，随后逐步达到峰值并缓慢衰减。这一结论与现有文献关于信贷传导时滞的讨论一致，但通过区域异质性分析，进一步揭示了时滞长度的差异。二线城市由于金融市场更为发达，信贷中介效率较高，政策传导时滞相对较短；而三四线城市则因金融体系不完善、信贷渠道受阻，时滞效应更为明显。DSGE模型的脉冲响应函数进一步量化了这一动态过程，显示政策利率冲击对房价的峰值效应并非即时显现，而是经历一个逐渐累积的过程，这与银行信贷创造、居民信贷获取以及房地产投资决策的复杂性相符。这一发现强调了宏观调控的预调微调必要性，政策时滞的存在要求决策者必须前瞻性地进行政策布局，避免因时滞效应导致政策目标偏离。同时，政策效果的边际递减规律也值得关注，DSGE模型显示，随着信贷规模的持续扩张，其对房价的推动作用会逐渐减弱，甚至可能引发资产泡沫风险。这一结论为“房住不炒”政策基调下的稳健调控提供了理论支持，提示政策需精准发力，避免过度刺激。

**2.区域市场差异下的政策效果分化**

研究的核心发现之一在于揭示了宏观经济政策效果的区域异质性。这种异质性体现在多个维度：首先，政策工具的有效性存在区域差异。信贷政策在三四线城市对房价的推动作用显著强于一线城市，这与区域金融深化程度、居民信贷可得性以及房地产市场成熟度密切相关。一线城市居民购房决策更依赖长期资产配置需求，利率敏感度相对较低，信贷政策效果被削弱；而三四线城市则易受短期信贷宽松影响，形成“羊群效应”，导致需求过热。其次，税收政策的效果也受区域因素制约。契税收入占比对房价的抑制作用在二三四线城市更为显著，而一线城市效果不显著，这反映了市场透明度、居民预期稳定性以及税收征管能力等方面的差异。高收入组城市中，信贷政策对房价的影响系数显著高于低收入组，而货币政策的影响则相反，这可能与区域人口结构、收入水平以及房地产市场供需特征有关。低收入组城市依赖投资性需求，信贷渠道更为关键；而高收入组城市则更为成熟，投机需求占比较低，利率变动影响有限。这些发现表明，宏观经济政策在区域间传导存在“堵点”与“漏点”，政策效果并非普适性，而是与区域经济结构、市场环境以及居民行为特征紧密互动。

**3.多工具组合的优化方向**

研究结果表明，单一政策工具难以有效应对复杂多变的房地产市场，政策工具组合的协同作用至关重要。首先，货币政策与信贷政策的协同至关重要。货币政策应保持流动性合理充裕，但需配合信贷政策，加强窗口指导，控制房地产贷款集中度，防止资金过度涌入房地产市场。其次，税收政策作为需求管理工具，其效果依赖于市场透明度与居民预期稳定性。政策设计需循序渐进，逐步完善税基评估体系，提升征管效率，增强政策威慑力。例如，在契税试点初期，由于税基评估不完善、居民预期不稳定，政策效果被削弱。这提示政策设计需考虑制度环境，避免政策效果被削弱。最后，土地供应政策需与需求管理政策相协调。完善土地供应制度，减少行政干预，增加住宅用地供给，有助于平抑房价过快上涨，缓解供需矛盾。综合来看，构建“货币政策稳总量、信贷政策控风险、税收政策调结构、土地政策保供给”的多工具组合，是提升宏观调控有效性的关键路径。

**政策建议**

基于上述研究结论，提出以下政策建议：

**（1）构建差异化、精细化的调控框架**

根据区域经济发展阶段与市场特征，实施差异化调控策略。一线城市应侧重需求管理，完善房产税制度，抑制投机需求；二线城市需平衡供需关系，优化土地供应结构，提升市场透明度；三四线城市则应关注去库存与防风险，适度收紧信贷，并探索发展保障性租赁住房。政策制定需充分考虑区域经济韧性、市场供求关系以及居民收入水平，避免“一刀切”模式。

**（2）完善政策工具组合与协同机制**

强化货币政策、信贷政策与财税政策的协同作用。货币政策应保持流动性合理充裕，但需配合信贷政策，加强窗口指导，控制房地产贷款集中度，防止资金过度涌入房地产市场。信贷政策需加强风险防控，利用金融科技手段监测资金流向，打击违规融资。税收政策则应逐步完善税基评估体系，提升征管效率，增强政策威慑力。例如，在房产税立法过程中，应充分考虑不同收入群体、不同户型房屋的差异化税率设计，避免对刚需群体造成过度负担。

**（3）加强区域市场监测与风险预警**

建立跨部门的城市房地产市场监测平台，实时追踪房价、信贷、土地供应、税收征管等关键指标，并引入机器学习算法预测区域市场风险。针对高风险区域，提前采取预调微调措施，防范系统性金融风险。例如，对于房价上涨过快、信贷投放过度、土地财政依赖度高的城市，应加强风险排查，及时采取调控措施。

**（4）深化制度改革与市场机制建设**

推进利率市场化改革，提升货币政策传导效率。完善土地供应制度，减少行政干预，增加住宅用地供给，提高土地利用效率。探索建立房地产税立法框架，为长效机制提供法律保障。同时，加强房地产市场监管，打击囤地捂盘、虚假宣传等违规行为，维护市场公平竞争秩序。此外，还需关注人口流动对房地产市场的影响，通过优化公共服务资源配置，引导人口合理分布，缓解区域市场分化。

**（5）加强预期引导与政策透明度**

政策制定需加强预期引导，通过公开透明政策沟通，稳定市场预期。例如，银行可通过发布货币政策报告、召开新闻发布会等方式，向市场传递政策意图，增强政策可信度。同时，地方政府也应加强政策解读，引导居民理性看待房地产市场，避免恐慌性购房或抛售行为。

**未来研究展望**

尽管本研究取得了一系列有意义的结论，但仍存在进一步深化研究的空间：

**1.行为经济学视角的引入**

现有研究大多假设市场主体行为理性，但现实中居民购房决策受情绪、信息不对称、社会比较等因素影响。未来研究可引入行为经济学视角，考察这些非理性因素对政策效果的影响，例如，如何通过政策设计纠正居民的过度自信或羊群行为，从而提升调控效果。

**2.国际经验借鉴**

中国房地产市场调控面临独特的制度环境，但国际经验仍具有重要的参考价值。未来研究可系统梳理发达国家房地产市场的政策调控经验，分析其适用性条件与潜在风险，为中国政策优化提供借鉴。例如，如何平衡经济增长与金融稳定、如何构建房地产税长效机制等，都是值得深入研究的问题。

**3.大数据与技术的应用**

随着大数据与技术的快速发展，未来研究可探索利用这些新技术提升房地产市场监测与政策评估的精准度。例如，通过分析社交媒体数据、网络搜索数据等，实时捕捉市场情绪变化；利用机器学习算法，构建更精准的风险预警模型。

**4.区域市场互动关系的考察**

现有研究多关注单一城市或区域的市场特征，未来研究可考察区域市场间的互动关系，例如，中心城市如何通过房价、人口流动等影响周边城市，以及如何构建区域协同治理机制。

**5.长期政策效果的评估**

现有研究多关注政策的短期效果，未来研究可利用更长期的数据，评估政策的累积效应与长期影响，例如，房地产税试点对市场结构、地方财政可持续性的长期影响等。

总之，中国房地产市场调控是一项复杂而长期的系统工程，需要不断深化研究，完善政策工具组合，加强区域协同，才能实现市场平稳健康发展，为经济社会持续稳定发展提供有力支撑。

七.参考文献

Berger,A.N.,&Udell,G.F.(2004).Relationshiplendingandlinesofcreditinsmallfirms.*JournalofBusiness*,77(6),1333-1360.

Case,K.E.,&Shiller,R.J.(2003).Isthereabubbleinthehousingmarket?.*BrookingsPapersonEconomicActivity*,(2),299-362.

Glaeser,E.L.,&Gyourko,J.(2003).Whyhavehousingpricesrisensomuchinrecentyears?.*AmericanEconomicReview*,93(3),329-342.

Kiyotaki,N.,&Moore,J.(1997).Creditcycles.*JournalofPoliticalEconomy*,105(2),211-248.

Green,R.,&Malpezzi,S.(2003).*AprimeronU.S.housingmarketsandhousingpolicy*.TheUrbanInstitutePress.

刘洪玉.(2017).土地供应结构调整对房价的影响研究.*经济研究*,52(7),124-138.

马光荣,&张永林.(2019).房地产市场、信贷扩张与宏观调控.*管理世界*,(1),45-58.

钟笑寒,&黄赟.(2018).货币政策、信贷扩张与房价波动.*金融研究*,(9),77-94.

李晓,&赵慧.(2019).限购政策对房地产市场的影响及区域差异.*经济科学*,(5),89-102.

王家庭,&周京奎.(2021).房产税试点对房地产市场的影响研究——基于重庆的经验.*财政研究*,(3),53-67.

黄益平,&徐滇庆.(2022).中国房地产市场调控的挑战与方向.*中国社会科学*,(2),129-148.

张智威,&周颖刚.(2020).中国货币政策对房价的传导机制研究.*金融经济学研究*,(4),15-28.

张永林,&马光荣.(2021).宏观经济政策与房地产市场风险.*经济研究*,56(11),165-180.

刘晓春,&王浦劬.(2022).城市财政与房地产市场互动机制研究.*经济学评论*,(1),110-127.

黄剑辉,&李绍荣.(2020).信贷政策、金融市场与房地产市场.*世界经济*,(6),72-91.

周京奎,&王家庭.(2021).房地产税对居民住房需求的影响.*经济研究*,56(7),139-153.

谢鸿飞,&刘传江.(2022).房地产市场调控与经济增长.*管理世界*,(8),160-175.

郑思齐,&刘洪玉.(2019).中国住房市场发展报告（2019）.商务印书馆.

陈荣贵,&龙志勇.(2020).金融风险、房地产市场与宏观调控.*金融研究*,(10),1-16.

傅勇,&张光伟.(2021).地方政府行为、土地财政与房地产市场.*经济研究*,56(4),131-148.

赵进文,&李雪.(2022).人口流动、住房需求与区域市场分化.*经济科学*,(3),78-92.

黄卓,&刘晓春.(2020).房地产市场调控的国际比较与借鉴.*管理世界*,(7),139-153.

刘洪玉,&钟笑寒.(2018).住房制度改革与房地产市场发展.*经济研究*,53(5),117-132.

马光荣,&张智威.(2021).中国房地产市场调控的有效性评估.*金融研究*,(6),1-18.

周颖刚,&张永林.(2022).宏观经济政策、信贷周期与资产价格.*经济研究*,57(9),160-177.

李迅雷.(2020).中国房地产市场风险与调控.*中国金融*,(15),28-31.

谢伏瞻.(2021).完善房地产调控，促进房地产市场平稳健康发展.*求是*,(18),28-31.

易纲.(2022).中国宏观经济与货币政策.*中国金融*,(1),4-10.

国际货币基金.(2019).*中国房地产市场风险与政策建议*.Washington,DC:IMF.

世界银行.(2020).*中国房地产市场发展与改革建议*.Washington,DC:WorldBank.

八.致谢

本研究能够顺利完成，离不开众多师长、同学、朋友以及相关机构的关心与支持。在此，谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师[导师姓名]教授。从论文选题、研究设计到数据分析、最终定稿，[导师姓名]教授始终给予我悉心的指导和无私的帮助。他深厚的学术造诣、严谨的治学态度以及敏锐的洞察力，为我树立了良好的榜样。每当我遇到研究瓶颈时，[导师姓名]教授总能以其丰富的经验，为我指点迷津，帮助我廓清思路。他不仅在学术上严格要求，更在生活上关心备至，其谆谆教诲我将使我受益终身。

感谢参与本论文开题报告和评审的各位专家教授，他们提出的宝贵意见极大地丰富了论文内容，提升了论文的学术水准。特别感谢[专家A姓名]教授和[专家B姓名]教授，他们在模型构建和实证分析方面给予了我重要的启发。

感谢[大学名称][学院名称]的各位老师，他们在课程教学中为我打下了坚实的经济学理论基础。尤其是[课程教师姓名]老师在《计量经济学》课程中的精彩讲授，为我运用计量模型分析现实经济问题提供了必要的技能支持。

感谢与我一同参与课题研究的同学们，[同学A姓名]、[同学B姓名]等人在研究过程中与我进行了深入的交流和探讨，他们的智慧和见解常常能给我带来新的启发。研究小组的互助合作氛围，使我的研究过程更加愉快且富有成效。

感谢[数据提供机构名称，如国家统计局、中国人民银行数据库等]提供了公开、权威的数据支持，为本研究的数据分析奠定了基础。同时，感谢[软件名称，如Stata、EViews等]为模型估计和结果展示提供了技术平台。

最后，我要感谢我的家人。他们是我最坚强的后盾，在我在校学习、研究和写作的漫长过程中，他们始终给予我无条件的理解、支持与鼓励。没有他们的默默付出，我不可能顺利完成学业和本研究。

尽管本研究已基本完成，但仍存在不足之处，期待未来能在实践中不断检验和完善。再次向所有关心和帮助过我的人表示最衷心的感谢！

九.附录

**附录A：变量说明与数据来源**

**1.核心变量**

***被解释变量**：

*Log(Pit)：i城市t期商品房平均销售价格的自然对数，采用月度数据，计算其环比增速以消除季节性影响。

***主要解释变量**：

*Log(M1-M2_it)：i城市t期货币供应量M1增速与M2增速之差的自然对数，反映信贷扩张程度。数据来源：中国人民银行城市金融运行报告。

*Log(Lend_it)：i城市t期本外币贷款余额增长率，反映信贷规模。数据来源：中国人民银行城市金融运行报告。

*Log(LPR_it)：i城市t期1年期贷款市场报价利率（LPR）的自然对数，反映政策利率水平。数据来源：中国货币政策执行报告。

*Log(Tax_it)：i城市t期契税收入占地方税收收入比重的自然对数，反映税收杠杆。数据来源：中国城市统计年鉴、财政部统计公报。

***控制变量**：

*Log(Income_it)：i城市t期城镇居民人均可支配收入增长率，反映居民购买力。数据来源：中国城市统计年鉴。

*Log(Pop_it)：i城市t期常住人口增长率，反映人口规模与结构变化。数据来源：中国城市统计年鉴。

*Log(Sales_it)：i城市t期新建商品住宅销售面积增长率，反映市场需求。数据来源：中国城市统计年鉴。

*Land_it：i城市t期土地供应面积，反映供给端。数据来源：中国土地市场交易网。

**2.数据来源**

*时间跨度：2010年1月至2022年12月。

*样本范围：中国30个主要城市（选取标准：人口超过100万，且数据连续性较好）。

*数据来源汇总：

*中国城市统计年鉴

*中国统计年鉴

*中国人民银行城市金融运行报告

*中国土地市场交易网

*Wind金融数据库

*中经网统计数据库

**3.数据处理**

*所有变量均采用自然对数形式，以消除量级差异和促进平稳性。

*对所有变量进行