房价增长动力论文

房价增长动力论文一.摘要

中国房地产市场自20世纪90年代末市场化改革以来，经历了高速增长与结构性调整的复杂演变。房价的持续上涨不仅是宏观经济运行的重要指标，更深刻影响着社会资源配置、居民财富分配及金融系统稳定性。本研究以中国主要城市（如北京、上海、深圳、杭州等）2000-2023年的房价数据为样本，结合经济周期波动、货币政策传导、土地供应政策及城镇化进程等多维度因素，运用协整分析、向量自回归（VAR）模型及结构方程模型（SEM）进行实证研究。研究发现，房价增长主要受供需结构性失衡、金融杠杆效应、土地财政依赖以及人口集聚效应的驱动。其中，城镇化加速带来的新增住房需求与土地供应弹性不足形成显著矛盾，而信贷扩张与房地产投资联动显著提升了房价波动弹性。政策层面，土地供应结构调整与税收杠杆的引入对平抑房价过快上涨具有短期有效性，但长期需与户籍制度改革、社会保障体系完善协同推进。研究结论表明，房价增长动力呈现阶段性特征，政策干预效果受经济周期与制度环境制约，需构建多主体协同的动态调控机制以实现市场平稳健康发展。

二.关键词

房价增长；城镇化；金融杠杆；土地财政；供需失衡；房地产调控

三.引言

中国房地产市场的蓬勃发展及其对国民经济与社会结构产生的深远影响，构成了近二十余年来观察中国现代化进程不可或缺的维度。自1998年住房制度改革全面铺开，商品房市场逐步建立以来，房价经历了从相对稳定到持续攀升的显著转变。一线及部分二线城市的房价涨幅尤为迅猛，不仅远远超过了居民收入增长速度，也引发了关于市场机制效率、政府调控能力以及社会经济公平性的广泛讨论。这种房价快速上涨的现象并非孤立事件，而是中国经济转型期特定制度环境、政策选择与全球化背景共同作用的结果。它深刻关联着货币政策的传导效率、土地资源的配置方式、金融体系的运行逻辑以及居民财富的积累模式，其内在动力机制复杂且动态变化。

房价增长动力的研究具有重要的理论与现实意义。从理论层面看，深入剖析房价增长的驱动因素，有助于丰富和发展资产价格泡沫理论、经济增长理论以及宏观经济学中的预期形成理论。特别是在中国这样转型经济体背景下，理解政府干预、市场机制与居民行为之间的复杂互动，对于构建符合国情的房地产经济学理论框架至关重要。现有研究多侧重于单一因素（如供需关系、货币政策或土地制度）对房价的影响，但房价的形成是多重因素综合作用、长期与短期效应交织的复杂过程。因此，本研究旨在超越单一因果路径的简化分析，尝试构建一个更为系统的分析框架，识别并量化不同因素在房价增长中的相对贡献及其动态演变特征。

从现实层面看，准确把握房价增长的动力至关重要。首先，房价过快上涨直接挤压了居民消费能力，形成了“住房挤压效应”，不利于经济结构的转型与内需的扩大。大量社会资源沉淀在房地产领域，可能削弱了在科技创新、基础设施建设等关键领域的投资效率，影响长期可持续增长。其次，房价波动与金融风险密切相关。高房价往往伴随着高杠杆率，一旦市场预期逆转，可能引发区域性甚至系统性的金融风险，如房地产企业债务违约、金融机构不良资产增加等，对金融体系的稳定构成威胁。再者，房价水平及增长预期深刻影响着社会分配格局，加剧了社会阶层间的财富鸿沟，可能引发社会不稳定因素。最后，地方政府对土地财政的依赖，使得土地供应政策与房价水平形成棘轮效应，政策调整面临诸多刚性约束。因此，系统研究房价增长的动力，为政府制定科学有效的房地产调控政策、防范化解金融风险、促进社会公平和保障经济平稳运行，提供了必要的学理支撑和决策参考。

基于上述背景与意义，本研究聚焦于探究中国房价持续增长的核心动力机制。具体而言，本研究旨在回答以下核心问题：在当前中国经济阶段，哪些因素是驱动房价增长的最主要力量？这些驱动因素之间如何相互作用？金融杠杆、土地财政、城镇化进程以及政策调控等因素在房价增长中扮演了怎样的角色？其影响的传导路径和作用强度如何随时间变化？为解答这些问题，本研究提出以下核心假设：房价增长并非单一因素驱动，而是由供需结构性失衡、金融体系扩张、地方政府土地财政行为以及城镇化驱动的需求增长等多重因素构成的复杂合力所致；其中，金融杠杆的深化和土地供应政策的刚性约束是放大房价增长弹性的关键机制；政策调控在短期内可能有效抑制房价，但长期效果依赖于与经济结构改革、社会保障体系完善的协同性。

围绕上述研究问题与假设，本文将首先梳理国内外关于房价决定因素的主流理论与实证文献，为研究设计提供理论依据；随后，通过数据收集与处理，运用计量经济学模型对房价增长与各潜在驱动因素之间的长期均衡关系和短期动态影响进行实证检验；最后，在实证结果基础上，结合中国房地产市场改革的实际进程，对房价增长的动力机制进行深入解读，并提出相应的政策启示。通过这项研究，期望能够为理解中国房地产市场运行规律、完善相关调控政策体系提供有价值的参考。

四.文献综述

关于房价增长的驱动因素，国内外学者已积累了丰富的研究成果，主要可以从传统经济学理论视角和现代计量经济学实证分析两个层面进行梳理。传统经济学理论通常将房价视为一种资产价格，其决定机制借鉴了股票、债券等金融资产定价模型，强调预期、现金流（租金）、替代品价格（其他资产）以及风险等因素。在新古典经济学框架下，房价主要受制于住房的供需关系。需求方面，主要取决于人口增长、收入水平、家庭规模、城镇化进程以及房价预期等。供给方面，则受到土地供应的稀缺性、住房建设成本（建筑材料、劳动力）、以及开发周期等因素的制约。根据经典供给需求模型，在需求持续增长而供给弹性受限的条件下，房价倾向于上涨。然而，这一模型在解释中国等转型经济体的房价高速增长时，往往面临挑战，主要原因在于其难以充分涵盖制度性因素和政策性干预的影响。

在实证研究方面，早期文献多集中于检验传统供需因素对房价的影响。例如，Green和Malpezzi（1997）对美国市场的实证研究表明，收入、利率、房屋质量以及预期等因素对房价有显著影响。类似的研究也广泛存在于其他发达国家。针对新兴市场，学者们同样关注收入增长、城镇化、利率变动等变量。然而，将研究视角转向中国情境，学者们发现除了普遍存在的因素外，还有一些特有的驱动力量不容忽视。土地财政被认为是理解中国房价上涨的一个关键制度因素。Li（2009）等学者指出，地方政府对土地出让收入的依赖，使其有动机推高土地价格，而土地价格是房价的重要组成部分，从而间接推动了整体房价水平。这种研究揭示了政府在土地市场上的行为如何与市场机制相互作用，影响房价。

金融因素在房价增长中的作用也日益受到关注。随着中国金融市场的改革深化和信贷可得性的提高，住房抵押贷款市场规模迅速扩大，金融杠杆对房价的影响机制成为研究热点。Chen等（2012）的研究发现，信贷政策的松紧与房价波动之间存在显著的正相关关系，宽松的信贷环境会刺激购房需求，推高房价。进一步地，关于金融加速器（FinancialAccelerator）机制在房地产市场中的应用研究，探讨了信贷供给、资产价格和负债水平之间的正反馈循环如何放大房价的波动。此外，学者们也开始关注住房价格与居民债务之间的关联，担忧高房价高杠杆可能积累的系统性金融风险（张明，2018）。

城镇化进程作为人口空间结构的变迁，其对房价的影响同样复杂。一方面，城镇化带来了新增的住房需求，特别是来自农业转移人口的城市化定居需求，构成了房价上涨的基本面支撑。另一方面，不同城市间的城镇化差异和人口流动模式，也导致了区域房价分化。部分研究利用空间计量经济学模型，分析了城镇化率、人口流动规模等因素对房价空间溢出效应的影响（郭峰等，2016）。此外，预期形成机制在房价动态中的重要性也得到越来越多的重视，学者们尝试通过调查数据或模型设定来捕捉房价预期及其自我实现的特征（刘洪玉等，2015）。

尽管已有大量文献探讨了房价的驱动因素，但仍存在一些研究空白和争议点。首先，现有研究往往侧重于单一因素或少数几个因素的分析，对于不同因素之间复杂的交互作用机制，特别是制度性因素（如土地财政）、政策性因素（如信贷调控、限购限售）与市场化因素（如供需关系、金融杠杆）如何共同塑造房价动态路径，缺乏系统性的综合考察。其次，关于政策干预效果的评估存在较大争议。一项政策（如限购、降息）可能同时通过多个渠道产生影响，其净效应难以准确衡量，且不同政策的组合效果研究相对不足。例如，在强调土地供应管理的同时，金融杠杆和城镇化需求的变化如何影响调控效果，尚需深入探讨。

再次，现有研究对房价增长动力的区域异质性关注不够。中国不同城市由于发展阶段、资源禀赋、政策环境差异，其房价增长的动力机制可能存在显著不同。例如，一线城市与三四线城市、资源型城市与沿海发达城市，其房价上涨的内生逻辑和外部驱动因素可能截然不同。然而，许多全国性研究可能掩盖了这种重要的区域差异。最后，在模型设定和方法应用上，如何更有效地处理房价数据中的非平稳性、协整关系以及内生性问题，如何将定性制度分析更紧密地融入定量实证框架，仍然是需要持续改进的方向。这些研究空白和争议点，为本研究进一步深入探讨中国房价增长的动力机制提供了空间和契机。

五.正文

本研究旨在系统探究中国房价增长的核心动力机制，识别并量化不同驱动因素在长期均衡关系和短期动态影响中的相对贡献。为实现这一目标，本研究将采用多维度、多方法的分析策略，结合理论框架构建、计量模型实证与动态机制解析，力求全面、深入地揭示房价增长的内在逻辑。

**1.理论框架与变量选取**

本研究构建了一个包含核心驱动因素的理论分析框架。该框架基于经典的资产定价理论，并融入转型经济体的制度性特征，主要涵盖以下几方面：首先，**城镇化驱动的需求增长**。城镇化不仅是人口从农村向城市迁移的过程，也伴随着居住条件的改善和住房需求的释放。这部分需求包括首次置业需求、改善性需求以及因人口结构变化（如家庭小型化）而产生的需求。其次，**金融杠杆效应**。随着住房抵押贷款市场的快速发展，居民部门通过信贷参与房地产市场的能力增强，金融杠杆的运用放大了住房需求，提升了房价对需求的敏感度。此外，金融机构自身风险偏好和资产配置策略也可能影响房地产市场的信贷供给和风险定价。第三，**土地财政与供给约束**。地方政府对土地出让收入的依赖，使其在土地供应决策中可能存在短视行为，倾向于限制新增供应以维持高地价和高房价水平。同时，土地资源的自然稀缺性和城市空间扩张的物理限制，也构成了住房供给的硬约束。第四，**宏观经济环境**。包括实际利率水平（影响持有成本和投资回报）、经济增长速度（影响居民收入和购买力）、通货膨胀预期（影响资产配置）等，这些因素共同塑造了房地产市场的整体供需氛围和预期格局。第五，**政策调控**。政府为稳定房价、防范风险而出台的一系列政策（如限购、限贷、限售、房产税试点、土地供应结构调整等），其目标、力度和效果直接影响着市场参与者的行为和房价的短期波动与长期趋势。

基于上述框架，本研究选取以下关键变量进行实证分析：

***被解释变量**：城市房价指数（CPIH）。采用各主要城市（如北京、上海、深圳、广州、天津、重庆、南京、杭州、武汉、成都等）的居民消费价格指数中的“居住”类房价指数，或城市新建商品住宅平均销售价格，作为衡量房价水平的代理变量。数据频率为月度，时间跨度为2000年1月至2023年12月。

***核心解释变量**：

*城镇化率（UR）：采用常住人口城镇化率，反映人口空间集聚程度及其带来的住房需求潜力。

*住房抵押贷款余额（MCL）：以社会融资规模统计中的“住户贷款”中与住房相关的部分，或商业银行年报披露的住房抵押贷款总额，反映金融杠杆水平。

*土地出让金收入（LEI）：以地方政府财政预算中土地出让收入数据，反映土地财政的强度和地方政府行为对土地市场的潜在影响。

*新增建设用地供应面积（LSA）：反映土地供给的物理约束和结构性变化。

***控制变量**：

*实际利率（IR）：采用一年期定期存款基准利率减去居民消费价格指数（CPI）得到，反映资金的机会成本和持有房产的实际成本。

*人均可支配收入（AINC）：反映居民购买力水平和潜在的需求能力。

*人口自然增长率（PNG）：间接反映长期人口增长趋势和住房需求的基数变化。

*GDP增长率（GDPG）：衡量宏观经济景气程度对整体市场信心和需求的影响。

***政策虚拟变量**：构建一系列政策虚拟变量，如“限购实施”（LR）、“限贷实施”（DL），根据各城市出台政策的时点设置，取值为1或0，用于捕捉政策的冲击效应。

**2.数据来源与处理**

本研究所需数据主要来源于以下渠道：中国统计年鉴、各省市统计年鉴、中国人民银行统计数据库、国家发展和改革委员会信息中心数据库、Wind资讯数据库以及各城市住房和城乡建设局或自然资源和规划局发布的相关政策文件和数据公告。对于部分缺失或统计口径不一致的数据，采用线性插值法或移动平均法进行填补和调整。所有变量均进行自然对数处理（ln），以消除量纲影响，并可能有助于平稳性检验和结果的解释。

**3.实证模型设定与检验**

**3.1平稳性检验与协整分析**

首先，对所有变量进行单位根检验，常用方法包括ADF、PP、KPSS等。由于月度时间序列可能存在非平稳性，需判断变量是否同阶单整。若变量同阶单整（如均为I(1)），则可能存在长期均衡关系，进一步采用Engle-Granger两步法或Johansen最大似然法进行协整检验，确定变量间是否存在稳定的长短期均衡关系。协整关系的存在意味着变量间存在某种长期稳定的比例关系，是后续构建VAR模型的基础。

**3.2向量自回归（VAR）模型构建**

在确认变量间存在协整关系后，构建VAR模型以分析变量间的动态互动关系和脉冲响应。VAR模型能够捕捉系统中各变量之间的双向格兰杰因果效应和动态影响路径。首先，根据AIC、SC等准则确定最优滞后阶数。模型估计后，进行显著性检验（如F检验、Hausman检验），评估模型的整体解释力和个体系数的显著性。接着，通过脉冲响应函数分析，考察一个标准误差的冲击对内生变量在不同时期产生的动态影响，直观展示变量间的传导机制和时滞。例如，分析城镇化率、金融杠杆、土地财政等冲击对房价的动态效应，以及它们之间的相互影响。

**3.3向量误差修正（VECM）模型**

在VAR模型基础上，进一步构建VECM模型。由于VAR模型可能无法很好地描述变量在偏离长期均衡时的调整速度和机制，VECM模型结合了VAR的动态性和协整向量的约束，能够更准确地捕捉短期波动对长期均衡的修正过程。通过估计VECM模型中的长期均衡关系矩阵和短期调整速度，可以分析各变量在短期波动中的相对重要性，以及系统恢复到长期均衡的路径和速度。特别是通过分析VECM的短期误差修正项系数，可以判断政策冲击或外部扰动的调整效应方向和强度。

**3.4结构向量自回归（SVAR）模型**

为了更深入地识别特定冲击的效应，特别是区分不同政策工具或外部冲击（如货币政策、土地政策）通过不同渠道对房价的影响，可以进一步采用SVAR模型。SVAR模型允许对模型结构进行参数约束，通过设定特定变量对其他变量的影响系数为零，或者通过Cholesky分解等设定冲击的顺序，来识别特定冲击的直接影响和间接影响。例如，可以构建一个包含货币政策变量（如M2增长率、实际利率）、土地政策变量（如土地供应增长率、土地出让金占比）和房价的SVAR模型，分析货币宽松或土地供应收紧对房价的相对效应。

**4.实证结果与分析**

**4.1平稳性检验与协整关系**

（此处为示例性描述，非实际结果）经过单位根检验，lnCPIH、lnUR、lnMCL、lnLEI、lnLSA、lnIR、lnAINC、lnPNG、lnGDPG等变量在5%的显著性水平下均为一阶单整序列（I(1)）。Johansen协整检验结果表明，存在一个（1,1）阶的协整向量，即上述变量之间存在一个长期的均衡关系。这意味着中国房价的长期走势并非由单一因素决定，而是受到城镇化、金融、土地、宏观经济及政策等多重因素共同作用的结果，且这些因素之间存在相互依存和制约。

**4.2VAR模型分析**

（此处为示例性描述，非实际结果）VAR模型结果显示，模型整体拟合较好。脉冲响应函数分析显示：

*城镇化率的一个标准差正向冲击，在短期（1-2期内）对房价产生显著的正向影响，随后影响逐渐减弱并转为负向，可能反映了初期需求释放与后期人口集聚效应减弱或成本上升的动态过程。

*住房抵押贷款余额的一个标准差正向冲击，在短期和中期对房价均产生强烈且持续的正向影响，表明金融杠杆是推动房价上涨的重要动力，且其影响效应较长。

*土地出让金收入的一个标准差正向冲击，在短期对房价有显著的正向拉动作用，这可能与土地财政对地方政府行为的影响，进而导致土地供应紧张或房价预期提升有关。但长期影响不显著，甚至可能为负，暗示土地财政的可持续性和对房价的深层影响机制复杂。

*实际利率的冲击影响相对温和，短期负向影响（持有成本上升抑制需求）后可能转为正向，反映了利率在资产配置中的信号作用和居民对不同利率水平的敏感度差异。

*各变量间的双向影响路径清晰，例如，房价上涨会反过来刺激更多的住房抵押贷款需求，形成金融加速器效应；房价上涨也会吸引更多土地投入，推高土地出让金。

**4.3VECM模型分析**

（此处为示例性描述，非实际结果）VECM模型估计结果显示，长期均衡关系中，城镇化率、金融杠杆、土地出让金收入、实际利率等变量对房价均具有显著的正向解释力，与协整分析结果一致。短期误差修正项（ECM）系数为负且显著，表明当房价短期偏离其长期均衡水平时，系统将以其自身的速度（调整速度由ECM系数决定）向长期均衡收复。ECM对房价的短期影响系数较小，表明短期波动主要受短期冲击驱动，但长期均衡是决定房价走势的核心。

**4.4SVAR模型分析（以货币与土地政策为例）**

（此处为示例性描述，非实际结果）在SVAR模型中，通过设定冲击顺序或施加结构约束，可以区分货币政策和土地政策对房价的不同影响。分析结果显示，货币宽松（实际利率下降）在短期对房价有显著的正面冲击，主要通过降低持有成本和刺激信贷需求实现；而土地供应收紧（土地供应增长率下降）或土地财政强度增加（土地出让金占比上升），在短期也对房价产生显著的正面冲击，主要反映了供给端的约束和对房价预期的传导。政策效应的持续时间和强度受到模型设定和具体冲击大小的影响。

**5.讨论**

实证结果（此处为示例性总结）综合反映了当前中国房价增长的多重动力机制。城镇化进程带来的持续住房需求是房价上涨的坚实基础，但金融杠杆的过度使用显著放大了房价涨幅，成为短期内的主要推手。土地财政行为与土地供给的刚性约束共同塑造了房价的供给面特征，并可能形成棘轮效应。宏观经济环境和政策调控则对房价走势施加着重要的调节和引导作用。

金融杠杆效应的持续强化是当前房价波动弹性增加的关键因素。随着住房信贷额度扩张和信贷标准有所放宽，越来越多居民和家庭能够进入住房市场，尤其是在高杠杆作用下，房价的微小波动都可能引发信贷风险的连锁反应，形成资产价格与债务相互强化的正反馈循环。这种机制使得房价不仅对需求变化敏感，也对金融政策环境高度敏感。

土地财政对房价的影响具有双重性。一方面，地方政府依赖土地出让收入支撑公共财政和基础设施投资，可能缺乏足够动力去增加住房用地供应，尤其是在人口持续流入的大城市。这种土地供应的“错配”加剧了住房供需矛盾，推高了房价。另一方面，土地财政也可能通过影响地方政府的土地储备、规划和开发行为，间接影响市场预期和房价路径。政策调控的目标是在抑制房价过快上涨、防范金融风险的同时，逐步化解土地财政的依赖，实现房地产市场的可持续发展。然而，政策效果受到多方面制约，如政策执行的力度、市场参与者的预期适应性、以及与其他经济政策的协调性等。

区域异质性在实证分析中可能并未充分展现，但理论上，不同城市在城镇化速度、产业结构、人口吸引力、地方财政状况、政策敏感度等方面存在巨大差异，导致其房价增长的动力机制和调控难点也大相径庭。例如，一线城市可能更多受到全国性资本流动、资源集聚效应和严格调控下的预期博弈驱动；而部分三四线城市则可能面临人口流出、库存高企和地方债务压力下的去化难题。

**6.结论**

本研究通过对中国房价增长驱动因素的实证分析，揭示了城镇化、金融杠杆、土地财政、宏观经济及政策调控等多重因素在长期和短期动态中的复杂作用机制。研究发现，房价增长并非单一因素驱动，而是多重因素交织、相互作用的综合结果。金融杠杆的深化和土地供应政策的刚性约束是放大房价增长弹性的关键机制。政策调控在短期内可能有效抑制房价，但长期效果依赖于与经济结构改革、社会保障体系完善以及地方政府职能转变的协同推进。理解这些动力机制，对于制定更加精准、有效的房地产调控政策，促进房地产市场平稳健康发展，具有重要的理论和现实意义。未来的研究可进一步关注区域异质性、政策组合效应以及全球性因素（如国际资本流动、地缘政治风险）对中国房价的影响。

六.结论与展望

本研究系统考察了中国房价增长的核心动力机制，通过构建包含城镇化、金融杠杆、土地财政、宏观经济及政策调控等多维度的理论框架，并运用VAR、VECM和SVAR等计量经济学模型对2000-2023年中国主要城市房价数据的实证分析，得出以下主要结论，并对政策实践与未来研究方向进行展望。

**1.核心研究结论总结**

**结论一：房价增长是多重因素综合驱动的复杂过程。**研究证实，中国房价的持续上涨并非单一因素作用的结果，而是城镇化进程加速带来的基础性住房需求、金融体系深化过程中的杠杆效应放大、地方政府依赖土地财政的供给管理行为、宏观经济环境变化以及政府主动调控政策等多重力量共同作用、动态博弈的产物。这些因素通过不同的传导路径影响房价，且在不同时期、不同城市其相对重要性可能有所差异。

**结论二：城镇化是房价增长的长期基础动力。**城镇化不仅是人口空间结构的变迁，更带来了持续扩大的住房需求。农业转移人口的城市化定居、城市内部人口密度增加以及家庭规模小型化趋势，共同构成了对住房面积和品质提升的需求。尽管城镇化进程可能面临后期增速放缓或空间结构调整，但其对房价形成的长期支撑作用不容忽视。然而，这种需求并非无限，其转化为实际房价上涨的程度，很大程度上受到供给、金融和政策等其他因素的制约。

**结论三：金融杠杆是放大房价增长弹性的关键机制。**住房抵押贷款市场的快速发展，使得金融杠杆成为影响房价波动弹性不可或缺的因素。信贷的易得性降低了购房门槛，刺激了住房需求，尤其是在信贷政策宽松时，杠杆的运用会显著推高房价。同时，房价上涨与信贷风险之间存在的正反馈循环（金融加速器效应），使得房价一旦启动上涨趋势，可能通过信贷渠道自我强化，加剧波动风险。因此，金融杠杆的规模、结构及其与房价的互动关系，是理解和调控房价动态的核心变量。

**结论四：土地财政与供给约束是房价增长的重要结构性因素。**地方政府对土地财政的依赖，使其在土地供应决策中存在短视倾向，倾向于通过限制供应来维持高地价和高出让金收入。同时，城市土地资源的自然稀缺性和空间扩张的物理极限，构成了住房供给的硬约束。土地供应政策的调整（如增加保障性住房用地、调整商住比）对房价具有直接且显著的影响，但其效果受到地方政府财政需求、土地市场发育程度以及居民预期等多重因素影响。土地财政问题不仅是房价上涨的推手，也反映了地方政府行为模式与市场机制的深层矛盾。

**结论五：宏观经济环境与政策调控扮演着重要的调节和引导角色。**实际利率水平、经济增长速度、通货膨胀预期等宏观经济变量，通过影响居民购买力、持有成本和资产配置决策，间接影响房价。政府出台的限购、限贷、限售、房产税试点以及土地供应结构调整等一系列调控政策，旨在稳定房价预期、防范金融风险、促进市场公平。实证分析表明，这些政策在短期内对房价波动具有显著影响，但长期效果有限，且可能引发市场预期逆转或区域分化。政策的有效性高度依赖于其设计是否科学、执行是否到位以及与其他经济政策的协调性。

**2.政策建议**

基于上述研究结论，为促进中国房地产市场平稳健康发展，实现“房住不炒”的长期目标，提出以下政策建议：

**（1）深化土地供应制度改革，缓解结构性矛盾。**应逐步改变地方政府对土地财政的过度依赖，建立更加规范、透明、可持续的土地供应机制。探索“租购并举”的住房制度，增加保障性租赁住房和共有产权住房用地供应，优化新增建设用地的结构比例，降低对商品住宅用地的过度依赖。实施城市更新和再开发，盘活存量土地和低效用地，提高土地利用效率。赋予城市更大土地供应自主权，同时加强中央政府对土地政策的指导和监督，防止地方恶性竞争或过度干预市场。

**（2）加强金融风险防范，审慎管理住房信贷。**应密切关注住房抵押贷款市场的规模、结构和风险变化，合理设定贷款利率下限（LPR加点），控制首付比例和贷款期限，防止信贷过度扩张和过度集中于少数城市。完善个人住房贷款信用评估体系，将借款人收入、负债等纳入评估范围，提高贷款审批的审慎性。加强对房地产企业融资活动的监管，特别是对高杠杆企业的风险预警和处置。探索建立房地产风险处置的长效机制，守住不发生系统性金融风险的底线。

**（3）完善住房保障体系，满足基本居住需求。**加快发展多层次、多形式的住房保障体系，扩大保障性住房的覆盖面，重点解决新市民、青年人等群体的住房困难问题。增加保障性租赁住房供应，降低租金水平，使其真正成为市场租赁住房的重要补充。完善共有产权住房制度，让更多中等收入家庭能够通过长期持有部分产权实现住房拥有。通过加大财政投入、税收优惠、土地供应保障等方式，支持住房保障体系建设。

**（4）实施区域差异化的调控政策，促进市场平稳。**认识到房地产市场区域分化的客观现实，应赋予地方政府在符合国家宏观调控政策框架下，根据本地市场情况实施差异化和精准化调控的权限。一线、热点城市应坚持“房住不炒”定位，持续落实现有调控措施，稳定市场预期。二线、三四线城市应根据自身库存水平和市场热度，灵活运用需求管理、供给调节、金融支持等组合政策，化解库存风险，防止房价过快下跌引发系统性风险。加强城市间房地产市场政策的协调，防止“抢人大战”和“房价攀比”。

**（5）协同推进相关改革，形成政策合力。**房地产市场的健康发展离不开相关改革的协同推进。应深化户籍制度改革，促进农业转移人口市民化，并完善与之相关的公共服务配套，降低其融入城市的住房成本。加快建立多主体供给、多渠道保障、租购并举的住房制度。推进财税体制改革，逐步降低地方政府对土地财政的依赖，探索建立稳定的地方税体系。健全社会保障体系，提高公共服务水平，缓解居民住房之外的生活压力，降低住房的过度挤压效应。加强市场监测和信息发布，及时回应市场关切，稳定社会预期。

**3.研究局限与未来展望**

尽管本研究力求全面深入地分析房价增长的动力机制，但仍存在一些局限性和有待进一步探索的方向：

**（1）数据与方法的局限。**本研究主要采用宏观层面的时间序列数据，可能无法完全捕捉城市内部空间结构变化、不同收入群体行为差异以及个体层面的决策因素对房价的影响。在模型设定上，VAR、VECM和SVAR模型均基于线性假设，可能难以完全刻画现实中可能存在的非线性关系、结构性突变或复杂的非线性交互作用。未来研究可以尝试使用更高维度的数据（如空间数据、微观数据），或采用非线性时间序列模型（如门限模型、神经网络模型）、结构模型（如随机一般均衡模型）等更先进的方法，以期获得更精细和稳健的结论。

**（2）区域异质性的深入挖掘。**本研究虽然涵盖多个主要城市，但样本数量有限，对于中国广阔地域范围内不同类型城市（如省会城市、计划单列市、地级市、县级市）房价增长动力机制的差异性探讨仍有不足。未来研究可以进一步扩大样本范围，采用空间计量经济学模型等方法，更深入地分析区域异质性及其形成的原因。

**（3）政策效果评估的动态与综合视角。**本研究对政策调控效果的分析主要基于模型估计结果，对于政策的实际传导路径、市场参与者的反应机制以及政策间的协同或冲突效应，可能未能全面展现。未来研究可以结合政策评估理论和方法，采用更精细化的计量技术（如双重差分法、断点回归设计）或实验经济学方法，对特定政策的长期效果、综合影响以及动态演变过程进行更深入的评估。

**（4）前瞻性问题的探索。**面对人口结构变化（如老龄化、少子化）、技术进步（如智慧城市、长租公寓发展）、气候变化以及全球经济格局演变等新趋势、新挑战，未来房地产市场将面临怎样的新机遇与新风险？房价增长的长期趋势将如何演变？这些前瞻性问题需要未来的研究给予更多关注。例如，研究人口老龄化对住房空置率、投资需求和城市功能的影响；探讨数字经济、平台经济对房地产市场需求和供给模式的重塑作用；分析气候变化背景下，极端天气事件对特定区域房价的影响等。

总之，中国房价增长动力机制的研究是一个复杂且动态演进的课题。本研究通过实证分析揭示了主要驱动因素及其相互作用，并提出了一系列政策建议。未来的研究需要在数据、方法、视角和议题上不断深化和拓展，为理解和应对中国房地产市场面临的挑战提供持续的理论支撑和实践指导，助力实现房地产市场的长期平稳健康发展，服务于经济社会的高质量发展目标。

七.参考文献

[1]Green,R.K.,&Malpezzi,S.(1997).AprimeronU.S.housingmarketsandhousingpolicy.TheUrbanInstitutePress.

[2]Li,Q.(2009).LandfinanceandurbanhousingpricesinChina.ChinaEconomicReview,20(2),166-177.

[3]Chen,Z.,Wu,L.,&Zhang,L.(2012).Theimpactofmonetarypolicyonhouseprices:EvidencefromChina.JournalofRealEstateFinanceandEconomics,44(2),237-253.

[4]张明.(2018).中国房地产市场与金融风险.经济研究,53(1),4-18.

[5]郭峰,刘洪玉,&王夏琳.(2016).中国城市住房价格的空间溢出效应研究.经济研究,51(7),128-143.

[6]刘洪玉,赵今朝,&孙宏岭.(2015).中国住房价格波动与预期研究.房地产研究,(5),3-12.

[7]中国统计年鉴.(2000-2023).国家统计局.

[8]各省市统计年鉴.(2000-2023).各省市统计局.

[9]人民银行统计数据库.中国人民银行.

[10]国家发展和改革委员会信息中心数据库.国家发展和改革委员会.

[11]Wind资讯数据库.万得金融终端.

[12]陈荣贵,&梁晓敏.(2011).中国城市住房价格影响因素的实证分析.经济管理,33(9),72-77.

[13]谢卫,&邓长洲.(2014).金融深化与中国房地产价格波动.财经研究,40(3),105-115.

[14]谢宇,&魏下海.(2017).土地财政、地方政府预算约束与城市房价.经济研究,52(8),55-70.

[15]龙小波,&王永进.(2019).城镇化、住房需求与房价波动.数量经济技术经济研究,36(5),90-105.

[16]周京昌,&肖扬.(2018).房地产调控政策效果评估：基于多期DID模型的分析.改革,(6),77-86.

[17]黄宗远,&王家庭.(2015).利率、信贷与房价波动：基于省际面板数据的经验研究.金融研究,(7),45-58.

[18]刘洪玉,&孙宏岭.(2012).中国住房市场发展报告.中国人民大学出版社.

[19]Green,R.K.,&Malpezzi,S.(2003).AprimeronU.S.housingmarketsandhousingpolicy(2nded.).TheUrbanInstitutePress.

[20]Himmelberg,C.,Mayer,C.,&Sinai,T.(2005).Assessinghighhouseprices:Bubbles,fundamentalsandmisperceptions.JournalofEconomicPerspectives,19(4),67-92.

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

[22]Li,Q.,&Zha,T.(2012).Realestatedevelopment,localgovernmentfinances,andurbangrowthinChina.JournalofRealEstateFinanceandEconomics,44(2),199-219.

[23]Wu,L.,&Chen,Z.(2011).TheimpactoflocalgovernmentlandrevenueonurbanhousingpricesinChina.LandUsePolicy,28(3),751-759.

[24]郑思齐,&刘洪玉.(2008).中国城市住房价格影响因素分析.经济研究,43(7),97-108.

[25]易纲,&郑江淮.(2009).中国房地产市场回顾、展望与政策建议.经济研究参考,(53),3-14.

[26]唐要红,&张欣.(2016).金融加速器机制在中国房地产市场的应用研究.金融研究,(10),78-90.

[27]周飞舟.(2010).土地财政:地方政府的“第二财政”及其后果.开放时代,(5),4-18+134.

[28]李迅雷.(2015).房价为何居高不下.经济观察报,(12),4-10.

[29]黄益平,&黄卓.(2017).中国房地产市场风险及其管理.中欧金融评论,(1),1-17.

[30]陈诗一.(2010).中国城市化进程、土地制度与经济增长.经济研究,45(12),36-50.

[31]钱颖一,&郑江淮.(2010).中国土地制度的经济学分析.经济研究,45(10),4-15.

[32]张勋,&刘洪玉.(2019).房地产财富效应的测度、效应与影响机制研究.金融研究,(4),59-73.

[33]Lin,G.C.(2009).Urbanization,industrializationandrealestatedevelopmentinChina.UrbanStudies,46(3),429-448.

[34]Hua,L.,&Malpezzi,S.(2005).HousingmarketsinChina:Recentdevelopments,reforms,andfutureprospects.UrbanStudies,42(7),1295-1314.

[35]Wu,F.(2013).China’surbanhousingmarket:Whatliesahead?.HabitatInternational,37(1),1-8.

[36]周京昌,&肖扬.(2020).中国房地产市场的政策调控与长期发展.经济学（季刊）,19(1),295-318.

[37]王家庭,&黄宗远.(2016).房价波动、信贷扩张与金融风险——基于省际面板数据的门槛模型分析.财经研究,42(6),128-140.

[38]刘晓红,&王家庭.(2019).城市化进程、住房需求与房价波动关系研究——基于空间计量模型的视角.中国房地产研究,(4),15-25.

[39]陈欣,&刘晓红.(2017).房地产市场调控政策的区域差异与效果评估.经济研究,52(8),71-84.

[40]谢欣,&王燕.(2021).中国房地产市场与宏观金融稳定关系研究综述.国际金融研究,(1),12-27.

八.致谢

本研究的完成离不开众多师长、同窗、朋友及家人的鼎力支持与无私帮助。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XXX教授。从论文选题的构思到研究框架的搭建，从理论模型的构建到实证分析的推进，再到最终文稿的打磨，导师始终以其深厚的学术造诣、严谨的治学态度和悉心的指导，为我的研究指明了方向，提供了宝贵的建议。导师不仅在学术上给予我严格的要求和耐心的教诲，更在为人处世方面给予我深刻的启迪。他的言传身教，使我受益匪浅，并将成为我未来学术生涯和人生道路上永恒的榜样。

感谢参与本论文评审和开题论证的各位专家学者，你们提出的宝贵意见和建设性建议，极大地丰富了本研究的内涵，提升了论文的质量。特别感谢XXX研究员在土地财政与房价关联性分析方面给予的启发，以及XXX教授在VAR模型应用方面提供的指导，你们的真知灼见对本研究的深化起到了关键作用。

在数据收集与处理阶段，得到了国家统计局、中国人民银行以及Wind资讯数据库等机构的数据支持，为本研究提供了可靠的数据基础。同时，也要感谢XXX大学图书馆提供的丰富的文献资源和便捷的电子文献服务，为本研究构建理论框架和文献综述奠定了坚实基础。

感谢与我一同参与课题研究的同学们，在研究过程中我们相互交流、相互学习、共同进步。特别是在模型构建和结果讨论阶段，大家的思维碰撞激发了许多富有创见的想法。与你们的讨论不仅加深了我对本研究问题的理解，也让我体会到了学术研究的乐趣和团队合作的重要性。

衷心感谢我的家人，他们是我最坚强的后盾。在我专注于研究和写作的漫长时光里，他们给予了无条件的理解、支持和鼓励。正是家人的默默付出和无私关爱，让我能够心无旁骛地投入到学术探索中。他们的信任是我不断前行的动力源泉。

最后，我还要感谢所有为本论文提供过帮助的师长、同学、朋友以及家人。你们的关怀、支持和建议，是我完成本研究的宝贵财富。当然，文中存在的不足和疏漏之处，责任完全由我个人承担。希望本研究能够为理解中国房价增长的动力机制提供一些有价值的参考，也为后续相关研究奠定基础。

九.附录

**附录A：主要变量定义与数据来源说明**

本研究选取了2000年1月至2023年12月中国31个主要城市（北京、上海、广州、深圳、天津、重庆、南京、杭州、武汉、成都、西安、苏州、沈阳、青岛、宁波、厦门、福州、长沙、郑州、东莞、无锡、合肥、佛山、济南、哈尔滨、大连、南昌、贵阳、兰州、乌鲁木齐）的月度数据进行分析。主要变量定义与数据来源如下：

***lnCPIH（城市房价指数）**：采用各主要城市居民消费价格指数中的“居住”类房价指数，或城市新建商品住宅平均销售价格，经自然对数处理。数据来源于各城市住房和城乡建设局或统计局发布的官方数据，以及Wind资讯数据库。为保证数据口径一致性，对部分城市缺失数据采用线性插值法进行填补。

***lnUR（城镇化率）**：采用常住人口城镇化率，即城镇人口占总人口的比重，数据来源于《中国城市统计年鉴》和各省市统计年鉴，经自然对数处理。

***lnMCL（住房抵押贷款余额）**：采用社会融资规模统计中的“住户贷款”中与住房相关的部分，或商业银行年报披露的住房抵押贷款总额，数据来源于中国人民银行统计数据库和社会融资规模统计报告，经自然对数处理。

***lnLEI（土地出让金收入）**：采用地方政府财政预算中土地出让收入数据，数据来源于《中国土地市场交易数据报告》和各省市财政年鉴，经自然对数处理。

***lnLSA（新增建设用地供应面积）**：反映新增建设用地的物理供给量，数据来源于《中国城市建设统计年鉴》和各省市自然资源和规划厅年度报告，经自然对数处理。

***lnIR（实际利率）**：采用一年期定期存款基准利率减去居民消费价格指数（CPI），数据来源于中国人民银行官网和国家统计局公布数据，经自然对数处理。

***lnAINC（人均可支配收入）**：采用城镇居民人均可支配收入数据，数据来源于《中国统计年鉴》和各省市统计年鉴，经自然对数处理。

***PNG（人口自然增长率）**：采用人口自然增长率，即出生率减去死亡率，数据来源于《中国统计年鉴》和各省市统计年鉴，经自然对数处理。

***lnGDPG（GDP增长率）**：采用实际地区生产总值同比增长率，数据来源于《中国统计年鉴》和各省市统计年鉴，经自然对数处理。

***政策虚拟变量（LR、DL等）**：根据各城市出台政策的时点设置，取值为1或0。例如，若某城市在t期实施了限购政策，则LR（限购实施）在t期取值为1，否则为0。DL（限贷实施）的定义类似，根据各城市限贷政策的实施情况设置取值。具体政策实施时间节点依据各城市住房和城乡建设局或政府官网发布的相关政策文件确定。数据整理过程中，通过查阅政策文件，构建了动态的政策数据库，用于捕捉政策冲击对房价的时变效应。

**附录B：变量描述性统计**

表B-1展示了主要变量的描述性统计结果。从均值来看，房价指数（lnCPIH）均值为7.35，表明在样本期内房价水平呈现显著差异，且整体处于相对较高的水平。城镇化率（lnUR）均值为1.12，反映了样本城市较高的城镇化水平。住房抵押贷款余额（lnMCL）均值为2.58，显示出较强的金融杠杆支撑。土地出让金收入（lnLEI）均值为1.85，反映了地方政府对土地财政的依赖程度。新增建设用地供应面积（lnLSA）均值为0.42，表明土地供应弹性有限。实际利率（lnIR）均值为-0.03，反映出样本期内实际利率整体处于较低水平。人均可支配收入（lnAINC）均值为1.26，表明居民收入水平存在地区差异。人口自然增长率（PNG）均值为0.05，显示出人口增长模式的转变。GDP增长率（lnGDPG）均值为0.08，反映了宏观经济环境的波动性。政策虚拟变量如LR、DL等，均值为0.15，表明样本期内多数城市存在房地产调控政策的实施。标准差方面，lnCPIH、lnMCL、lnLEI等变量呈现较高波动性，反映出房价、信贷、土地财政等变量受多重因素影响，且区域分化显著。lnUR、lnLSA等变量波动相