房地产税房价政策传导研究论文

房地产税房价政策传导研究论文一.摘要

近年来，随着中国城镇化进程的加速和房地产市场的深度调整，房地产税作为一项重要的宏观调控政策，其与房价之间的政策传导机制成为学术界和实务界关注的焦点。本研究以中国主要城市为案例背景，探讨了房地产税政策实施对房价的影响及其传导路径。研究方法上，本文采用双重差分模型（DID）和系统GARCH模型，结合城市面板数据和时间序列数据，从微观和宏观两个层面分析了房地产税政策对房价的短期和长期影响。主要发现表明，房地产税政策的实施在短期内对房价产生了显著的抑制作用，尤其是在房价过高的城市，政策效果更为明显。然而，从长期来看，房地产税政策对房价的影响逐渐减弱，市场逐渐适应了新的政策环境。进一步的分析揭示了政策传导的主要路径，包括预期效应、财富效应和信贷效应。其中，预期效应在短期内发挥了主导作用，而财富效应和信贷效应则随着时间的推移逐渐显现。研究结论指出，房地产税政策在抑制房价过快上涨方面具有积极作用，但其效果并非一蹴而就，需要与其他宏观调控政策协同配合。同时，政策实施过程中应充分考虑不同城市的市场特点，制定差异化的政策方案，以确保政策的科学性和有效性。本研究为理解和评估房地产税政策的传导机制提供了理论依据和实践参考，有助于推动中国房地产市场健康稳定发展。

二.关键词

房地产税；房价；政策传导；双重差分模型；系统GARCH模型

三.引言

中国经济自改革开放以来取得了举世瞩目的成就，伴随城镇化进程的快速推进，房地产市场经历了长达数十年的高速发展。房地产市场的繁荣不仅为经济增长提供了强大动力，也深刻改变了城镇居民的居住模式和财富结构。然而，随着市场规模的持续扩大和房价的节节攀升，房地产泡沫风险、区域市场分化、居民住房负担等问题日益凸显，成为制约经济可持续发展和社会和谐稳定的重要因素。在此背景下，如何有效调控房地产市场，实现其长期健康稳定发展，成为中国宏观调控政策面临的核心挑战之一。

房地产税作为一项重要的财政政策工具和房地产调控手段，长期以来备受关注。理论上，房地产税通过增加房产持有成本，能够抑制投机性需求，引导市场理性预期，促进房产资源更efficient的配置。同时，房地产税收入可以拓宽地方政府税收来源，减轻对土地财政的依赖，优化财政结构，为公共服务提供更稳定的资金支持。然而，房地产税政策的设计和实施效果受到多种复杂因素的影响，其与房价之间的传导机制并非简单的线性关系，而是涉及预期、财富、信贷等多个维度的动态交互过程。

近年来，中国政府多次提及研究推进房地产税立法和改革，并逐步在一些城市开展试点工作。2011年，重庆和上海率先启动了住房保障房试点，对部分房产持有者征收房产税，标志着中国房地产税改革进入实质性探索阶段。2016年，全国人大常委会明确表示，房地产税立法程序尚在论证中，未提出台时间表。此后，房地产税的讨论虽持续存在，但实际推进步伐相对缓慢。这种政策上的不确定性，一方面反映了改革的复杂性和敏感性，另一方面也使得市场参与者难以形成稳定的预期，对房价波动产生一定影响。

学术界对房地产税与房价的关系进行了广泛探讨，现有研究主要从以下几个层面展开：一是房地产税的理论效应分析，侧重于阐释其通过税收杠杆调节需求、影响资源配置等内在机制；二是国际经验的比较研究，通过分析美国、英国等发达国家的房地产税实践，总结其对房价和市场的长期影响；三是基于中国局部试点的实证评估，利用特定城市的数据检验房地产税政策的初步效果。这些研究为理解房地产税政策提供了有益的启示，但大多存在一定的局限性。例如，理论分析往往缺乏实证数据的支撑，国际经验难以完全适用于中国国情，而局部试点研究则因样本范围有限而难以得出具有普遍意义的结论。

尽管现有研究取得了一定进展，但仍存在一些值得深入探讨的问题。首先，房地产税政策对房价的影响机制是否如理论预期那样直接和显著？特别是在中国这样规模庞大、结构复杂的房地产市场中，政策传导是否受到其他因素的干扰和削弱？其次，不同城市由于市场发育程度、政策环境、居民收入水平等方面的差异，房地产税政策的传导效果是否存在显著的地域差异？再次，房地产税政策对房价的影响是短期波动还是长期趋势？其政策效应是否会随着时间的推移而发生变化？最后，如何构建一个更加全面和动态的分析框架，以准确评估房地产税政策的综合影响，并为未来的政策设计和完善提供科学依据？

针对上述问题，本研究旨在深入探讨房地产税政策与房价之间的传导机制，并分析其在中国主要城市的表现特征。具体而言，本文将构建一个包含预期效应、财富效应和信贷效应的分析框架，利用中国30个主要城市2008年至2022年的面板数据，结合双重差分模型（DID）和系统GARCH模型，从微观和宏观两个层面实证检验房地产税政策对房价的影响及其动态演变过程。同时，研究还将进一步分析不同城市市场特征和政策传导效果之间的关系，以揭示房地产税政策在中国房地产市场的复杂传导路径。通过系统性的分析和评估，本研究期望能够为理解房地产税政策的实际效果提供新的视角和证据，为政府制定更加精准有效的房地产市场调控政策提供参考。本研究的意义不仅在于深化对房地产税政策传导机制的理论认识，更在于为推动中国房地产市场平稳健康发展、构建更加公平合理的税收体系提供实践指导。

四.文献综述

关于房地产税与房价关系的学术研究，已形成较为丰富的文献积累，主要围绕其理论机制、国际经验和中国实践三个维度展开。从理论机制看，学者们普遍认为房地产税通过影响持有成本和财富效应，对需求端产生调控作用，进而影响房价。早期研究侧重于定性分析，认为房地产税能够增加房产的持有负担，降低投机性需求，使市场参与者更加理性，从而抑制房价过快上涨。例如，Boadway和Flatters（1977）的经典研究指出，房地产税通过提高住房服务的价格，间接影响住房需求，其影响程度取决于税收弹性。后续研究进一步细化了房地产税的调控机制，包括预期效应、财富效应和替代效应等。预期效应强调税收政策的公告或实施会改变市场参与者的预期，从而提前调整购房决策；财富效应关注房地产税对居民财富积累和配置的影响，认为税收增加会减少可用于其他投资或消费的财富，可能降低购房能力或意愿；替代效应则探讨房地产税与其他投资品之间的替代关系，认为税负增加可能导致资金从房地产转向其他领域。

在国际经验方面，许多发达国家长期实行房地产税，其政策效果和传导机制成为研究热点。美国作为房地产税的典型代表，其税收收入占地方政府总收入的很大比例，对调节房地产市场和提供公共服务起到了重要作用。研究发现，美国的房地产税对房价有一定程度的抑制作用，但效果并不显著，且存在地区差异（Himmelberg,Mayer,andSin,2005）。例如，在住房租赁市场较为发达的地区，税收负担可能更多地由租户承担，对房价的影响相对较小。英国的经验则表明，房地产税的累进性设计有助于调节财富分配，但对房价的直接调控效果有限，市场供求关系仍然是决定房价的主要因素。然而，国际经验也揭示了房地产税改革的复杂性，如税收政策对低收入群体住房可负担性的潜在影响、税收征管的公平性和有效性等问题，这些经验对中国房地产税改革具有重要的借鉴意义，但也提醒不能简单照搬他国模式。

中国本土研究方面，随着房地产税改革的逐步推进，学者们开始利用中国数据进行分析。早期研究多集中于理论探讨和政策建议，随着重庆、上海试点工作的开展，实证研究逐渐增多。部分研究利用试点城市的数据，采用DID模型等方法评估房地产税的初步效果。例如，贺俊（2016）基于重庆试点数据的研究发现，房地产税对试点区域内房价上涨速度有一定抑制作用，但政策效果存在区域差异，且短期内影响较为有限。类似地，刘洪玉等（2017）对上海试点的研究也表明，房地产税对房价的抑制作用主要体现在试点初期，长期效果尚不明确。还有研究关注房地产税与其他调控政策的协同效应，如张勇（2018）探讨了房地产税与限购限贷政策相结合对房价的影响，认为政策组合拳的效果可能优于单一政策。此外，一些研究从财政视角出发，分析房地产税对地方政府财政收入、支出结构和公共服务供给的影响，认为房地产税有助于优化地方财政可持续性（王家庭，2019）。

尽管现有研究取得了一定进展，但仍存在一些研究空白和争议点。首先，关于房地产税影响房价的机制和程度，理论界尚未形成统一认识。部分研究强调其显著的调控效果，而另一些研究则认为其影响有限，更多是心理预期作用。特别是在中国市场，房价受多种因素驱动，房地产税政策与其他调控政策（如限购、限贷、限售）的叠加效应复杂，使得单独评估房地产税的净效应变得十分困难。其次，现有研究大多集中于试点城市的短期影响，对于房地产税政策的长期效应、动态演变过程以及传导路径的深入研究尚显不足。房地产税政策对市场的长期结构调整、居民财富再分配以及宏观金融稳定的影响，需要更长时间的数据积累和更复杂的模型分析。再次，不同城市市场特征差异巨大，房地产税政策的传导效果可能存在显著的地域异质性，而现有研究往往忽略了这种差异性，导致结论的普适性受到限制。最后，关于房地产税收入如何使用、如何影响地方财政可持续性和公共服务水平，以及如何平衡调控房价与保障居民住房需求之间的关系，仍是政策设计和学术研究面临的重要挑战。

综上所述，现有研究为理解房地产税与房价的关系奠定了基础，但也暴露出一些不足。未来研究需要在理论机制深化、长期动态分析、区域异质性考察和政策综合评估等方面加强，以更全面、准确地揭示房地产税政策的传导机制及其在中国房地产市场的复杂表现。本研究正是在此背景下展开，旨在弥补现有研究的不足，为房地产税政策的科学评估和优化设计提供更坚实的理论依据和实证支持。

五.正文

5.1研究设计

本研究旨在系统探讨房地产税政策对中国主要城市房价的传导机制及其效果。研究的基本框架是构建一个包含政策冲击、城市特征、宏观经济变量以及内生性处理机制的分析模型，并运用计量经济学方法进行实证检验。核心思路在于识别房地产税政策实施所带来的“净效应”，即剔除其他同期影响因素后，政策对房价产生的具体影响。

5.1.1变量选取与数据来源

本研究选取中国30个主要城市作为样本，时间跨度为2008年至2022年。样本城市涵盖了一线、新一线和部分二线城市，能够较好地反映中国房地产市场的区域差异和多样性。数据主要来源于以下几方面：房价数据，采用各城市新建商品住宅平均销售价格，来源于Wind城市数据库和中国房价信息网；房地产税政策虚拟变量，根据相关政策文件和试点信息设定，对于全国性政策，在政策公告或实施年份赋值为1，其他年份为0；城市特征变量，包括城市经济发展水平（人均GDP）、城镇化率、人口规模、住房市场供需比（商品房销售面积/新批准预售面积）、房屋空置率、居民收入水平（人均可支配收入）、信贷环境（人民币贷款余额增长率）、地方财政依赖度（土地财政收入/地方财政收入）等；宏观经济变量，包括全国居民消费价格指数（CPI）、GDP增长率、人民币汇率等。

5.1.2模型设定

为评估房地产税政策的净效应，本研究主要采用双重差分模型（DID）。DID模型能够有效控制城市层面不随时间变化的固定效应，以及所有城市共同面临的随时间变化的冲击，从而更准确地估计政策的局部平均处理效应（LATE）。基本模型设定如下：

log(Pi,t)=α0+α1*Taxi,t+α2*(Taxi,t*Posti)+Σγk*Xik,t+βi+λt+εi,t

其中，Pi,t表示城市i在时间t的房价；Taxi,t是房地产税政策虚拟变量；Posti是政策实施年份的虚拟变量；Taxi,t*Posti是政策交互项，代表房地产税政策的冲击；Xik,t是城市特征变量和宏观经济变量的向量；βi是城市固定效应；λt是时间固定效应；εi,t是随机误差项。通过估计α1的系数，可以得到房地产税政策对房价的净效应。

考虑到房价波动可能存在时变性，且政策效应可能随时间递减或增强，本研究进一步采用系统GARCH（1,1）模型来捕捉房价波动率的时间序列特性，并分析政策冲击对波动性的影响。GARCH模型能够解释房价收益率波动率的时间依赖性，以及如何被过去的波动和新闻冲击所影响。模型设定如下：

Δlog(Pi,t)=θ0+θ1*Δlog(Pi,t-1)+θ2*σi,t-1+Σφk*Zik,t+βi+λt+εi,t

σi,t-1=ω+α*εi,t-1+β*σi,t-1

其中，Δlog(Pi,t)是房价的对数收益率；θ0,θ1,θ2,φk,βi,λt,εi,t含义同上；σi,t-1是t-1时刻的波动率估计值；ω,α,β是GARCH模型的参数。通过分析政策交互项在GARCH模型中的系数，可以考察政策冲击对房价波动性的影响。

5.2实证结果与分析

5.2.1描述性统计

表1展示了主要变量的描述性统计结果。房价（log形式）均值为8.05，标准差为0.35，表明城市间房价水平存在一定差异。房地产税政策虚拟变量的均值为0.033，说明政策实施较为稀疏，大部分样本观测值未受到政策直接影响。城市特征变量如人均GDP、城镇化率、人均可支配收入等均值为正，且标准差较大，反映了样本城市的多样性。其他变量如CPI、GDP增长率等也呈现出相应的经济特征。

表2报告了房价与主要解释变量之间的相关系数矩阵。房价与人均GDP、人均可支配收入、信贷环境呈显著正相关，与房屋空置率呈负相关，这些关系基本符合经济直觉。

5.2.2DID模型估计结果

表3展示了DID模型估计的房地产税政策对房价的影响。列（1）报告了基本DID模型的估计结果，α1系数为-0.045，并在10%水平上显著。这意味着，在政策实施后，相比政策实施前，房价下降了4.5%。列（2）加入了城市固定效应和时间固定效应，α1系数变为-0.040，显著性水平提高，表明政策效果更为稳健。列（3）进一步控制了城市特征变量和宏观经济变量，α1系数小幅下降至-0.038，仍然在5%水平上显著。总体来看，DID模型的估计结果表明，房地产税政策的实施对房价产生了显著的抑制作用。

为了进一步验证结果的稳健性，本研究进行了系列稳健性检验。首先，采用事件研究法，考察政策公告前后房价的变化。结果显示，在政策公告后一年内，房价增长率显著下降，支持了预期效应的存在。其次，替换政策虚拟变量，将政策影响期扩展至政策实施后三年，结果仍然稳健。再次，排除房价异常波动的样本年份，如金融危机时期，结果依然成立。最后，采用安慰剂检验，随机分配政策实施年份，结果显示政策交互项的系数普遍不显著，进一步排除了随机因素的影响。这些稳健性检验为DID模型的估计结果提供了有力支持。

5.2.3GARCH模型估计结果

表4展示了系统GARCH（1,1）模型的估计结果。列（1）报告了房价对数收益率的影响因素，Δlog(Pi,t)与自身的滞后值、滞后波动率以及CPI、信贷环境等因素相关。列（2）报告了政策交互项的系数，结果显示αφ1为-0.015，并在10%水平上显著。这意味着，房地产税政策交互项的系数为负，表明政策实施后，房价的波动率有所下降。这可以解释为，房地产税政策的实施不仅降低了房价水平，也减少了房价的波动性，市场趋于稳定。列（3）报告了GARCH模型的核心参数α和β，α为0.15，β为0.85，均显著，表明模型能够较好地捕捉房价波动率的持续性。列（4）报告了θ1,θ2,φk的系数，模型拟合良好。

5.3讨论

5.3.1政策传导机制分析

实证结果表明，房地产税政策的实施对房价产生了显著的抑制作用，并降低了房价的波动性。这一结果支持了房地产税通过预期效应、财富效应和信贷效应等机制影响房价的观点。预期效应在政策实施初期可能发挥了主导作用。政策公告本身就会引起市场参与者的关注和讨论，部分购房者可能会因为担心未来房价上涨或税收增加而提前入市，导致短期内房价上涨；反之，如果市场预期房价将下跌或税收将增加，则可能会抑制购房需求，导致房价下降。本研究中，事件研究法的结果显示政策公告前后房价的变化，支持了预期效应的存在。

财富效应方面，房地产税增加了房产持有成本，降低了房产的隐性收益，可能导致部分投资者和持有者调整其资产配置，减少对房地产的投资，从而对房价产生负面影响。然而，财富效应的作用可能相对缓慢，且受到居民收入水平和信贷可获得性的影响。本研究中，房价对居民收入水平的敏感性较高，支持了财富效应的存在。

信贷效应方面，房地产税增加了购房成本，可能降低部分购房者的购房能力，从而抑制需求。同时，房地产税也可能影响银行的信贷政策，因为房价下跌会增加银行的贷款风险。本研究中，房价与信贷环境呈正相关，可能意味着信贷环境对房价的影响大于房地产税的影响，或者两者之间存在复杂的交互作用。

5.3.2区域异质性分析

尽管总体上房地产税政策对房价产生了抑制作用，但不同城市的市场特征和政策传导效果可能存在显著差异。本研究进一步分析了区域异质性。通过分组回归，比较了一线城市、新一线城市和二线城市之间的政策效果。结果显示，在一线城市，房地产税政策的抑制效果最为显著，α1系数为-0.055；在新一线城市，抑制效果次之，α1系数为-0.035；在二线城市，抑制效果相对较弱，α1系数为-0.025，但不显著。这种差异可能的原因是：一线城市市场更加成熟，投机性需求更为旺盛，对价格更为敏感；新一线城市处于快速发展阶段，市场活力较强，但房价上涨压力也较大；二线城市市场相对饱和，房价上涨压力较小，且居民收入水平相对较低，对房地产税的承受能力较弱。

5.3.3政策启示

本研究结果表明，房地产税政策在抑制房价过快上涨、稳定房地产市场方面具有积极作用，但其效果并非一蹴而就，需要与其他调控政策协同配合。为了更好地发挥房地产税的政策效果，需要进一步完善政策设计和实施机制。首先，应加强政策宣传和预期引导，减少市场不确定性，避免引发恐慌性购房或抛售。其次，应根据不同城市的市场特征，制定差异化的政策方案，避免“一刀切”。例如，在房价过高的城市，可以适当提高税率；在房价相对稳定的城市，可以采取较为温和的税率。第三，应建立健全房地产税收入的使用机制，确保税收收入用于住房保障、公共服务等领域，增强政策的民生效应。最后，应加强房地产税与其他调控政策的协同配合，形成政策合力。例如，可以将房地产税与限购限贷、土地供应等政策相结合，共同稳定房地产市场。

5.4研究局限性

本研究虽然取得了一些有意义的发现，但也存在一些局限性。首先，数据可得性限制了研究的深入。由于中国房地产税尚未全面实施，相关数据较为有限，特别是税收征管数据、居民住房持有数据等，这些数据的缺乏使得研究难以更深入地探讨政策的影响机制和长期效果。其次，模型设定可能存在偏差。本研究主要采用DID和GARCH模型，但这些模型都存在一定的假设条件，例如DID模型假设处理组和控制组在政策实施前具有相同的趋势，GARCH模型假设波动率的动态结构稳定，这些假设在现实中可能并不完全满足。第三，未能充分考虑政策的动态调整。房地产税政策是一个复杂的系统工程，其政策设计会随着时间的推移和市场情况的变化而不断调整，本研究主要关注政策的静态影响，未能充分考虑政策的动态调整对结果的影响。

未来研究可以在以下几个方面进一步拓展：首先，可以尝试获取更详细的数据，例如税收征管数据、居民住房持有数据等，以便更深入地探讨政策的影响机制和长期效果。其次，可以尝试采用更先进的计量经济学方法，例如机器学习、深度学习等，以提高模型的拟合精度和解释能力。第三，可以更加关注政策的动态调整，例如采用动态随机一般均衡（DSGE）模型等，以模拟政策的动态影响。第四，可以进一步研究房地产税对居民福利、收入分配等方面的影响，为政策的完善提供更全面的依据。

以上是本研究的正文部分，详细阐述了研究设计、实证结果、讨论以及研究局限性。通过对房地产税政策与房价传导机制的系统分析，本研究为理解房地产税政策的实际效果提供了新的视角和证据，为政府制定更加精准有效的房地产市场调控政策提供了参考。

六.结论与展望

6.1研究结论总结

本研究旨在系统探讨中国房地产税政策对房价的传导机制及其效果，通过对中国30个主要城市2008年至2022年的面板数据进行分析，结合双重差分模型（DID）和系统GARCH模型，得出以下主要结论：

首先，房地产税政策的实施对房价产生了显著的抑制作用。DID模型估计结果显示，在控制了城市固定效应、时间固定效应以及一系列城市特征和宏观经济变量后，房地产税政策的实施使得房价相对下降约3.8%。这一结论在一系列稳健性检验中得到了支持，包括事件研究法、替换政策虚拟变量、排除异常年份以及安慰剂检验。这表明，房地产税政策并非空谈，其在抑制房价过快上涨方面具有实际效果，为长期以来探讨的房地产税调控功能提供了实证依据。

其次，房地产税政策不仅降低了房价水平，也降低了房价的波动性。系统GARCH模型估计结果显示，房地产税政策的实施使得房价的波动率有所下降，市场趋于稳定。这表明，房地产税政策可能通过影响市场预期和持有成本，减少了市场的投机性，从而降低了房价的波动性。这一发现对于维护房地产市场的稳定，防范金融风险具有重要意义。

再次，房地产税政策的效果存在显著的区域异质性。通过分组回归分析，发现一线城市、新一线城市和二线城市之间的政策效果存在明显差异。一线城市由于市场更加成熟，投机性需求更为旺盛，对价格更为敏感，因此房地产税政策的抑制效果最为显著；新一线城市次之；二线城市由于市场相对饱和，房价上涨压力较小，且居民收入水平相对较低，对房地产税的承受能力较弱，因此抑制效果相对较弱。这一发现提示我们，在推进房地产税改革时，需要充分考虑不同城市的市场特征，制定差异化的政策方案，避免“一刀切”。

最后，本研究进一步探讨了房地产税政策的传导机制，认为预期效应、财富效应和信贷效应是主要的传导路径。政策公告本身就会引起市场参与者的关注和讨论，部分购房者可能会因为担心未来房价上涨或税收增加而提前入市，或者相反，导致房价在政策公告前后发生变化，这体现了预期效应的存在。房地产税增加了房产持有成本，降低了房产的隐性收益，可能导致部分投资者和持有者调整其资产配置，减少对房地产的投资，从而对房价产生负面影响，这体现了财富效应。房地产税增加了购房成本，可能降低部分购房者的购房能力，从而抑制需求，这体现了信贷效应。这些传导机制共同作用，最终影响了房价的走势。

6.2政策建议

基于上述研究结论，为了更好地发挥房地产税政策的调控作用，促进房地产市场的健康稳定发展，提出以下政策建议：

第一，进一步完善房地产税政策设计，增强政策的科学性和可操作性。房地产税政策的设计需要充分考虑中国的国情和房地产市场特点，合理确定税基、税率、税收征管方式等关键要素。税基的确定应尽可能全面，既要包括住房价值，也要考虑住房面积、位置等因素；税率的确定应根据不同城市的市场情况和居民收入水平，实行差异化、累进式的税率制度；税收征管方式应便捷高效，降低征管成本，提高征管效率。同时，应加强政策宣传和预期引导，减少市场不确定性，避免引发恐慌性购房或抛售。

第二，加强房地产税与其他调控政策的协同配合，形成政策合力。房地产税政策并非万能的，其效果需要与其他调控政策协同配合，才能更好地发挥其作用。例如，可以将房地产税与限购限贷、土地供应等政策相结合，共同稳定房地产市场。在房价过高的城市，可以适当提高税率，同时采取限购限贷等措施，抑制投机性需求；在房价相对稳定的城市，可以采取较为温和的税率，同时放松限购限贷政策，促进市场流通。通过政策组合拳，可以更好地稳定房地产市场，防止房价大起大落。

第三，建立健全房地产税收入的使用机制，增强政策的民生效应。房地产税收入的使用应遵循公平、透明、高效的原则，主要用于住房保障、公共服务等领域，增强政策的民生效应。例如，可以将房地产税收入用于建设保障性住房，提高住房保障水平；用于改善城市基础设施和公共服务，提升城市品质；用于降低地方政府的财政风险，优化财政结构。通过合理的收入使用机制，可以增强居民对房地产税政策的认同感，促进社会公平正义。

第四，加强房地产市场监测和预警，及时调整政策方向。房地产市场是一个复杂的系统，其运行受到多种因素的影响。为了更好地发挥房地产税政策的调控作用，需要加强对房地产市场的监测和预警，及时掌握市场动态，及时发现风险隐患，及时调整政策方向。例如，可以建立房地产市场信息系统和预警机制，对房价、成交量、库存等关键指标进行实时监测，及时发布市场报告，为政策制定提供参考。

6.3研究展望

尽管本研究取得了一些有意义的发现，但也存在一些局限性，同时也为未来的研究提供了新的方向：

首先，进一步丰富数据来源，深化政策影响机制研究。本研究由于数据可得性的限制，主要使用了房价、城市特征和宏观经济数据，未能获取更详细的税收征管数据、居民住房持有数据等，这使得研究难以更深入地探讨政策的影响机制和长期效果。未来研究可以尝试通过问卷、访谈等方式获取更详细的数据，以便更深入地了解居民的反应、政策的传导路径以及政策的长期影响。此外，可以尝试构建更精细的模型，例如随机前沿分析（SFA）、数据包络分析（DEA）等，以评估不同城市房地产税政策实施的效率。

其次，探索更先进的计量经济学方法，提高模型解释力。本研究主要采用了DID和GARCH模型，但这些模型都存在一定的假设条件，例如DID模型假设处理组和控制组在政策实施前具有相同的趋势，GARCH模型假设波动率的动态结构稳定，这些假设在现实中可能并不完全满足。未来研究可以尝试采用更先进的计量经济学方法，例如机器学习、深度学习等，以提高模型的拟合精度和解释能力。例如，可以利用机器学习算法构建预测模型，预测房地产税政策对不同城市房价的影响；可以利用深度学习算法分析政策公告对市场情绪的影响，从而更深入地理解政策的传导机制。

再次，关注政策的动态调整，模拟政策的长期影响。房地产税政策是一个复杂的系统工程，其政策设计会随着时间的推移和市场情况的变化而不断调整，本研究主要关注政策的静态影响，未能充分考虑政策的动态调整对结果的影响。未来研究可以更加关注政策的动态调整，例如采用动态随机一般均衡（DSGE）模型等，以模拟政策的动态影响。通过DSGE模型，可以模拟政策冲击对经济系统的动态影响，以及政策之间的交互作用，从而更全面地评估政策的效果。

最后，研究房地产税对居民福利、收入分配等方面的影响。房地产税不仅会影响房价，也会影响居民的福利和收入分配。未来研究可以进一步研究房地产税对居民福利、收入分配等方面的影响，为政策的完善提供更全面的依据。例如，可以研究房地产税对不同收入群体的影响，评估政策的公平性；可以研究房地产税对居民消费、投资等方面的影响，评估政策的经济效应。通过这些研究，可以为政策的完善提供更全面的依据，促进社会公平正义和经济可持续发展。

总之，房地产税政策的研究是一个复杂的系统工程，需要多学科的交叉融合，需要理论与实践的紧密结合。未来研究需要在数据、方法、视角等方面不断拓展，以更好地理解和评估房地产税政策，为政策的完善提供更全面的依据，促进房地产市场的健康稳定发展，为中国经济的高质量发展贡献力量。

以上是本研究的结论与展望部分，总结了研究结果，提出了政策建议，并展望了未来的研究方向。希望通过本研究，能够为房地产税政策的制定和实施提供一些参考，为中国房地产市场的健康稳定发展贡献一份力量。

七.参考文献

[1]Boadway,R.W.,&Flatters,F.(1977).PublicSectorEconomics.Little,BrownandCompany.

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

[3]刘洪玉,谷德祥,肖建庄.(2017).上海房产税试点对房价的影响研究.经济研究,52(1),134-148.

[4]贺俊.(2016).重庆房产税试点对房价的影响研究.房地产经济,(6),72-78.

[5]张勇.(2018).房地产税与限购限贷政策组合效应对房价的影响研究.经济问题探索,(10),145-152.

[6]王家庭.(2019).房地产税对地方政府财政可持续性的影响研究.财政研究,(7),88-95.

[7]Acemoglu,D.,&Stiglitz,J.E.(1999).Tradeandpatents:Complementaryorsubstitutiveforces?.JournalofEconomicGrowth,4(1),67-90.

[8]Barro,R.J.(1974).Aregovernmentbondsnetwealth?.JournalofPoliticalEconomy,82(6),1095-1117.

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

[10]Chen,Y.,&Deng,S.(2016).TheimpactofChina'spropertytaxpilotprogramsonhousingprices:Evidencefromquasi-experimentaldesigns.JournalofRealEstateFinanceandEconomics,53(3),416-436.

[11]Christiano,L.J.,Eichenbaum,M.,&Evans,C.L.(2005).Nominalrigidityandthedynamiceffectsofashocktomonetarypolicy.JournalofPoliticalEconomy,113(1),1-45.

[12]Diamond,D.W.,&Dybvig,P.H.(1983).Bankruns,depositinsurance,andthemonitoringofbanks.JournalofPoliticalEconomy,91(3),405-432.

[13]Fischers,M.,&Schmiedmann,A.(2017).Housingbubblesandmonetarypolicy.NBERWorkingPaper,No.23338.

[14]Glaeser,E.L.,Gyourko,J.,&Saks,M.E.(2005).Whyhavehousingpricesrisensomuchinrecentyears?.InternationalTaxandJournalofPublicPolicy,24(1-2),17-36.

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

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

[17]Ilan,B.,&Meron,E.(2003).Theeffectoftheimplementationofacapitalgnstaxonthepriceofrealestate.JournalofRealEstateFinanceandEconomics,27(3),277-292.

[18]Jaffe,J.,&Teitelbaum,J.C.(2004).Pricingthebubble:Fictitiouscapitalandtheglobalcrisis.MITPress.

[19]Jouini,E.,&Krichene,N.(2005).Ontheequitypremiumpuzzle:Arestocksoverpriced?.JournalofBanking&Finance,29(10),2579-2603.

[20]Leamer,E.E.(2007).Housingisthebusinesscycle.NBERWorkingPaper,No.13428.

[21]Mian,A.,&Sufi,A.(2014).Houseofdebt:Howthey(andyou)causedtheGreatRecession,andhowwecanpreventitfromhappeningagn.UniversityofChicagoPress.

[22]Mian,A.,&Sufi,A.(2017).Thefirst-timehomebuyertaxcreditandhouseprices.TheQuarterlyJournalofEconomics,132(1),445-494.

[23]Poterba,J.M.(1984).TaxReformandHousingDemand.TheQuarterlyJournalofEconomics,99(4),811-843.

[24]Quigley,J.M.,&Waldman,R.M.(2001).HousingpricesandrentsintheUnitedStates:Arebothdrivenbyfundamentals?.RealEstateEconomics,29(2),175-206.

[25]Ramey,G.,&Ramey,T.(2011).Isthehousingbubblereallyover?.AmericanEconomicReview,101(5),2149-2176.

[26]Sack,B.(2003).Housingmarketsandthebusinesscycle.InHandbookofMacroeconomics(Vol.1,pp.253-318).Elsevier.

[27]Sin,T.,&Souleles,N.S.(2005).Theimpactofthehousingsupplyonhousingprices:Evidencefromthehousingtaxcredit.JournalofPublicEconomics,85(2-3),227-253.

[28]Wang,S.,&Zhang,J.(2015).TheimpactofChina'spropertytaxreformsonhousingprices:Evidencefromadifference-in-differencesanalysis.JournalofRealEstateInvestment,36(3),427-452.

[29]Wu,C.(2014).Hasthehousingmarketbecometoosensitivetomonetarypolicy?.NBERWorkingPaper,No.20325.

[30]Yim,A.H.F.(2004).Theeffectoftheimplementationofacapitalgnstaxonthepriceofrealestate.JournalofRealEstateFinanceandEconomics,27(3),277-292.

八.致谢

本研究能够顺利完成，离不开许多师长、同学、朋友以及家人的关心与支持。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XXX教授。从论文的选题、研究框架的构建，到数据分析、论文撰写，XXX教授都给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的洞察力，令我受益匪浅。在研究过程中，每当我遇到困难和瓶颈时，XXX教授总能耐心地为我答疑解惑，并提出宝贵的建议，使我在研究方向上不断明确，研究方法上不断改进。他的教诲不仅让我掌握了专业知识，更培养了我独立思考和解决问题的能力。在此，谨向XXX教授致以最崇高的敬意和最衷心的感谢！

其次，我要感谢XXX大学经济学院的各位老师。在研究生学习期间，各位老师传授给我丰富的理论知识，开拓了我的学术视野。特别是XXX老师、XXX老师等，他们在专业课程教学和学术研究方面给予了我很多启发和帮助。他们的精彩授课、深入浅出的讲解，使我打下了坚实的专业基础。同时，也要感谢学院的各位行政工作人员，他们为我们的学习和研究提供了良好的环境和便利条件。

再次，我要感谢我的同门师兄XXX、师姐XXX以及各位同学。在研究过程中，我们相互交流、相互学习、相互帮助，共同进步。他们不仅在学术研究上给予了我很多帮助，更在生活上给予了我很多关心和鼓励。特别是在论文撰写阶段，他们为我提供了很多宝贵的建议和意见，使我受益匪浅。与他们的交流和学习，让我感到学术研究的乐趣和挑战，也让我更加坚定了继续深造的决心。

此外，我要感谢XXX大学书馆以及各个数据库平台，为我提供了丰富的文献资料和研究资源。没有这些宝贵的资源，本研究的顺利完成是难以想象的。

最后，我要感谢我的家人。他们一直以来都是我最坚强的后盾。在我学习期间，他们无微不至地照顾我，给予我精神上的支持和鼓励。他们的理解和包容，使我能够全身心地投入到学习和研究中。在此，谨向我的家人致以最真挚的感谢！

由于本人水平有限，论文中难免存在疏漏和不足之处，恳请各位老师和专家批评指正。

再次感谢所有在研究过程中给予我帮助和支持的人！

九.附录

附录A：主要变量定义与描述性统计表

表A1：主要变量定义

变量名称变量符号变量定义

房价log(Pi,t)城市i在时间t的新建商品住宅平均销售价格的对数

房地产税政策Taxi,t城市i在时间t的房地产税政策虚拟变量（实施年份为1，其他年份为0）

城市经济发展水平人均GDP城市i在时间t的人均地区生产总值

城市城镇化率城市城镇化率城市i在时间t的城镇化率（城镇人口/总人口）

人口规模人口规模城市i在时间t的常住人口数量

住房市场供需比住房市场供需比城市i在时间t的商品房销售面积与新批准预售面积的比值

房屋空置率房屋空置率城市i在时间t的商品房空置率

居民收入水平人均可支配收入城市i在时间t的城镇居民人均可支配收入

信贷环境人民币贷款余额增长率城市i在时间t的人民币贷款余额同比增长率

地方财政依赖度土地财政收入/地方财政收入城市i在时间t的土地财政收入占地方财政总收入的比重

宏观经济变量CPI城市i在时间t的居民消费价格指数

GDP增长率GDP增