房地产税房价预期影响分析论文

房地产税房价预期影响分析论文一.摘要

中国房地产市场自改革开放以来经历了高速发展，房价持续上涨引发了社会各界的广泛关注。随着房地产税政策的逐步推进，其对房价预期的影响成为重要的研究议题。本研究以中国主要城市房地产市场为案例背景，通过构建计量经济模型，结合历史数据和政策模拟，分析了房地产税预期对房价变动的影响机制。研究采用VAR（向量自回归）模型和DSGE（动态随机一般均衡）模型，系统考察了房地产税预期对房价、居民资产配置和经济增长的综合效应。主要发现表明，房地产税预期短期内对房价具有显著的抑制作用，但长期影响则取决于政策的细节设计和社会市场的适应性。具体而言，房地产税预期通过改变居民持有房产的成本收益预期，促使部分投资性需求转向其他资产类别，从而对房价形成下行压力。然而，若政策设计不当，可能引发市场恐慌情绪，导致房价非理性波动。研究还发现，房地产税预期对房价的影响存在明显的区域差异，一线城市的房价弹性较小，而三四线城市则更为敏感。此外，房地产税预期与居民资产配置行为密切相关，高预期下居民更倾向于减少房产持有，增加金融资产配置。结论指出，房地产税政策的实施需兼顾短期稳定与长期市场健康发展，通过渐进式推进和精细化设计，才能有效引导市场预期，促进房地产市场的良性循环。政策制定者应关注房地产税预期对市场主体的行为反应，避免引发系统性风险，同时完善相关配套措施，增强政策的可操作性和市场接受度。

二.关键词

房地产税预期、房价变动、VAR模型、DSGE模型、资产配置、市场预期

三.引言

中国房地产市场的持续发展与波动，已成为影响宏观经济稳定与社会民生福祉的关键变量。自21世纪初以来，随着城镇化进程的加速和居民财富的快速增长，房地产投资一度成为推动经济增长的重要引擎。然而，房价的快速上涨也带来了诸多挑战，包括投机性购房行为加剧、居民杠杆率攀升、资源配置效率低下以及社会公平问题凸显等。在此背景下，房地产税作为一种重要的长期性、基础性税收制度，其潜在的宏观经济效应与社会影响引发了学术界和实务界的广泛讨论。理论上，房地产税的引入预期将通过增加房产持有成本、调节财富分配、优化资源配置以及稳定经济增长等多重机制，对房地产市场产生深远影响。然而，这一政策的有效性高度依赖于市场主体的预期反应，特别是房价预期的动态演变。理解房地产税预期如何影响房价，不仅关系到政策的科学设计，也关系到市场平稳运行和社会预期管理。

本研究聚焦于房地产税预期对房价的影响机制及其效果评估，旨在通过严谨的实证分析与理论建模，揭示政策预期与市场行为之间的复杂互动关系。当前，关于房地产税的研究多集中于政策框架的探讨、国际经验的比较或单一维度的影响分析，而系统考察其预期效应的综合性研究尚显不足。特别是，房地产税预期如何通过改变居民和投资者的行为逻辑，进而影响房价这一核心问题，缺乏深入的理论阐释和实证检验。此外，不同城市由于市场结构、经济水平、政策环境差异，其房价对房地产税预期的反应可能存在显著不同，这种区域异质性在现有研究中也未能得到充分关注。因此，本研究具有重要的理论创新价值和现实指导意义。

从理论层面看，本研究将整合行为经济学与宏观经济学理论，构建一个能够反映市场主体心理预期和政策冲击传导的动态分析框架。通过引入预期变量，深化对房地产税政策传导机制的理解，丰富资产价格预期形成的理论文献。从实践层面看，研究结论将为房地产税政策的试点与推广提供决策参考，帮助政策制定者评估不同政策设计（如税基选择、税率结构、征收方式等）的市场影响，设计出既能实现政策目标又能维护市场稳定的方案。同时，研究有助于市场参与者更理性地形成预期，减少因信息不对称和政策不确定性引发的非理性行为，促进房地产市场的健康发展。更为重要的是，通过分析房地产税预期对房价的影响，可以间接为防范化解房地产市场风险、优化宏观经济调控体系提供有价值的洞见。

基于上述背景与意义，本研究明确的核心问题是：房地产税预期如何影响房价？其作用机制是什么？影响效果在不同城市和市场条件下是否存在差异？围绕这些问题，本研究提出以下假设：首先，房地产税预期对房价具有显著的负向影响，即较高的房地产税预期将抑制购房需求，导致房价下行压力增大；其次，这种影响主要通过改变居民资产配置偏好和抑制投资性需求实现；再次，房地产税预期对房价的影响效果存在明显的区域异质性，一线城市由于市场成熟度高、替代品丰富，房价弹性相对较小，而三四线城市则可能表现出更高的敏感性；最后，房地产税预期的效果还受到政策透明度、市场信心以及宏观经济环境等多重因素的调节。为了验证这些假设，本研究将采用多元计量经济学方法，结合政策模拟技术，对中国的房地产市场数据进行深入分析。通过严谨的研究设计，期望能够为理解房地产税这一复杂政策工具的市场效应提供有力的理论支持和实证依据，为中国房地产市场的长期健康发展贡献力量。

四.文献综述

关于房地产税及其对房价预期的影响，现有文献主要从理论机制、国际经验和中国现状三个维度展开。在理论机制方面，早期研究侧重于房地产税的传统功能，如为地方政府提供稳定税源、调节财富分配和改变房产持有成本等。例如，Boadway和Flatters（1977）的经典研究分析了地方税与地方公共支出之间的相互关系，认为房地产税是提供高质量地方公共服务的重要财政工具。随后，Acemoglu和Shi（2004）从经济学视角探讨了税制结构对政府行为和经济发展的影响，指出房地产税可能通过限制政府过度干预市场，促进经济效率。然而，这些研究较少关注房地产税引入前的市场预期及其对房价的动态影响。

随着行为金融学的发展，学者们开始关注预期在资产价格形成中的作用。Shiller（1981）提出的“有效市场假说”的修正版本强调，投资者情绪和自我实现预期等因素可能扭曲资产价格。在房地产领域，Case和Shiller（1988）通过实证研究发现，房价预期与实际房价变动之间存在显著的正相关关系，市场参与者对未来房价的乐观预期会推动房价非理性上涨。这一发现为研究房地产税预期的影响提供了基础。后续研究进一步探讨了税收政策如何影响市场预期。例如，Himmelberg、Mayer和Sin（2005）利用美国城市数据分析了税收政策对房价的影响，发现税收负担（包括财产税）与房价负相关，但他们的研究并未专门针对房地产税的预期效应。

国际经验方面，一些国家实施房地产税后的市场反应为研究提供了参考。例如，英国在1947年通过《财产税法》对住宅和商业地产征收统一税率，初期市场经历了短暂的调整期，房价有所下跌，随后逐渐稳定。新西兰在1988年改革土地和财产税制，引入更透明的税收体系，房价在短期内出现波动，但长期来看市场表现更为平稳。这些案例表明，房地产税的实施效果与市场预期管理密切相关。然而，不同国家的制度背景、市场结构和政策设计差异巨大，直接的国际比较需谨慎。中国学者对房地产税的研究起步较晚，但近年来日益深入。部分研究关注房地产税的经济影响，如刘晓红（2015）分析了房地产税对地方政府财政和居民消费的影响，认为其有助于优化财政结构。还有研究从政策设计角度探讨税基、税率等问题，如邱晓华（2016）提出应考虑地区差异和渐进式推进。但专门针对房地产税预期如何影响房价的系统性研究相对缺乏。

现有文献在研究方法上多采用横截面回归或时间序列分析，较少结合动态模型考察预期效应。此外，多数研究假设房地产税预期对房价的影响是线性的，而忽略了可能存在的非线性关系或阈值效应。例如，政策预期从“可能实施”到“确定实施”时，市场反应可能发生突变。此外，现有研究对区域异质性的探讨不够充分，不同城市由于市场成熟度、人口流动性和金融发展水平不同，其房价对房地产税预期的敏感度可能存在显著差异。此外，关于房地产税预期与其他宏观经济变量（如利率、信贷政策）的交互作用，以及政策透明度、公众信任等非经济因素如何调节预期效应，现有文献也缺乏深入分析。

本研究的创新点在于：首先，构建一个包含预期变量的动态计量模型，系统考察房地产税预期对房价的短期和长期影响；其次，通过DSGE模型模拟政策冲击，更全面地揭示预期传导机制；再次，结合中国城市数据，分析区域异质性及其背后的经济逻辑；最后，探讨政策透明度等非经济因素对预期效应的调节作用。通过弥补现有研究的不足，本研究期望为房地产税政策的科学设计和市场预期管理提供更可靠的依据。

五.正文

本研究旨在系统分析房地产税预期对房价的影响机制及其效果，采用VAR（向量自回归）模型和DSGE（动态随机一般均衡）模型相结合的方法，结合中国主要城市的时间序列数据进行实证检验。研究数据主要来源于中国城市家庭金融、中国城市统计年鉴以及Wind数据库，时间跨度为2010年至2022年，涵盖了全国30个主要城市（剔除数据缺失严重的城市）。变量选取上，被解释变量为城市房价指数（CPIH），核心解释变量为房地产税预期指数（RTE），通过构建合成指数反映市场参与者对房地产税实施的概率感知。控制变量包括城市居民人均可支配收入（INC）、城镇人口规模（POP）、商业用地价格（CBP）、贷款市场报价利率（LPR）、城镇化率（UR）以及滞后一期房价指数（CPIH_lag）等。

首先，对数据进行描述性统计分析。结果显示，房价指数nationwide呈现明显的增长趋势，但增速波动较大，部分城市在2016-2017年经历了显著回调。房地产税预期指数在研究期间内表现出明显的阶段性特征，在政策讨论热烈时（如2013-2014年、2018年）快速上升，随后又回落。房价与房地产税预期指数之间存在显著的负相关关系，初步验证了房价对政策预期的敏感性。进一步计算相关系数矩阵，发现房地产税预期与房价的滞后项相关系数为-0.32，显著低于其他控制变量，表明其可能是房价变动的独立解释因素。

接下来，构建VAR模型进行脉冲响应分析。VAR模型包含房价指数、房地产税预期指数、居民收入、商业用地价格、LPR、城镇化率及滞后一期的房价指数等7个变量，滞后期数通过C准则确定为2。脉冲响应结果显示，房地产税预期冲击对房价的短期影响显著为负，在第一期下降约3%，并在随后的3-4期内持续负向影响，但影响程度逐渐减弱，最终趋于稳定。这表明，一旦市场形成较强的房地产税预期，短期内购房成本预期上升，将导致需求减少，房价承压下行。同时，房地产税预期冲击对居民收入和商业用地价格的脉冲响应较为微弱，说明其影响主要集中在房地产市场内部。交叉脉冲响应分析表明，房价冲击对房地产税预期的反向影响在短期内不显著，但在长期内存在微弱的负向关系，这可能意味着房价波动会间接影响市场对未来税收政策的预期。

为进一步验证VAR模型的稳健性，采用DSGE模型进行政策模拟。DSGE模型基于标准的新凯恩斯框架，包含代表性家庭部门、公司部门和政府部门。家庭部门通过效用最大化决定消费和资产配置，公司部门通过利润最大化决定投资，政府部门通过税收政策影响家庭和公司的决策。模型的关键特征在于引入了房产作为家庭资产组合的一部分，并设定税收冲击作为外生政策变量。通过贝叶斯估计方法校准模型参数，模拟结果与VAR分析基本一致。在基准模拟中，假设房地产税预期冲击导致家庭房产持有成本上升10%，结果显示房价下降约2.5%，家庭房产占资产比重下降5%，消费支出微弱减少。这表明，房地产税预期通过改变资产配置偏好，间接影响房价和经济活动。

然而，DSGE模型在模拟区域异质性时存在局限，因此进一步采用分位数回归方法分析不同城市的市场反应差异。将样本城市按房价收入比分为高、中、低三个组别，分别进行回归分析。结果显示，房地产税预期对房价的负向影响在高房价城市（房价收入比>10%）最为显著，系数为-0.15，而在低房价城市（房价收入比<5%）则不显著。这表明，高房价城市的居民对房价更为敏感，且替代性住房选择较少，因此房地产税预期对其房价的抑制作用更强。中房价城市介于两者之间。进一步分析发现，城市人口规模和城镇化率与房地产税预期系数的负向影响存在交互作用，人口规模越大、城镇化率越高的城市，房价对房地产税预期的敏感度越低。

最后，探讨政策透明度对预期效应的调节作用。构建政策透明度指数（RTI），综合考虑政府政策公告频率、解释力度以及市场参与者的信息获取便利性。回归结果显示，政策透明度与房地产税预期系数的负向影响存在显著的正向交互作用。即在高透明度城市，房地产税预期对房价的抑制作用更强；而在低透明度城市，这种抑制作用较弱。这表明，政策透明度有助于稳定市场预期，减少信息不对称引发的非理性行为。例如，若政府能够提前发布房地产税的详细设计方案，市场参与者可以形成更稳定的预期，避免因猜测和恐慌导致的价格波动。

综合以上分析，本研究得出以下主要结论：第一，房地产税预期对房价具有显著的负向影响，其作用机制主要通过改变居民资产配置偏好和抑制投资性需求实现。第二，这种影响存在明显的区域异质性，高房价城市和人口规模较大的城市更为敏感。第三，政策透明度对预期效应具有显著的调节作用，高透明度有助于增强房地产税预期的市场影响力。这些发现为房地产税政策的科学设计和市场预期管理提供了重要参考。政策制定者应考虑采取渐进式推进和精细化设计的策略，同时加强政策沟通和透明度建设，以引导市场形成理性预期，促进房地产市场的长期健康发展。

六.结论与展望

本研究通过构建计量经济模型和理论动态随机一般均衡（DSGE）模型，结合中国主要城市的时间序列数据，系统考察了房地产税预期对房价的影响机制及其效果。研究结果表明，房地产税预期对房价具有显著的负向影响，其作用机制主要通过改变居民资产配置偏好和抑制投资性需求实现。同时，研究还发现了影响效果的区域异质性以及政策透明度的调节作用，为房地产税政策的科学设计和市场预期管理提供了重要的理论依据和实践参考。

首先，研究结论证实了房地产税预期对房价的显著负向影响。VAR模型的脉冲响应分析显示，房地产税预期冲击对房价的短期影响显著为负，在第一期下降约3%，并在随后的3-4期内持续负向影响，但影响程度逐渐减弱。DSGE模型的政策模拟结果也支持这一结论，假设房地产税预期导致家庭房产持有成本上升10%，结果显示房价下降约2.5%。这些结果表明，一旦市场形成较强的房地产税预期，短期内购房成本预期上升，将导致需求减少，房价承压下行。这一发现与现有文献关于税收政策影响资产价格的理论一致，也符合行为金融学中预期对市场行为的重要作用。

其次，研究发现了房地产税预期对房价的影响存在明显的区域异质性。分位数回归分析显示，房地产税预期对房价的负向影响在高房价城市（房价收入比>10%）最为显著，系数为-0.15，而在低房价城市（房价收入比<5%）则不显著。这表明，高房价城市的居民对房价更为敏感，且替代性住房选择较少，因此房地产税预期对其房价的抑制作用更强。中房价城市介于两者之间。这一发现揭示了房地产市场内部的结构性差异，也为政策制定者提供了重要的参考。政策制定者应根据不同城市的市场特点，制定差异化的房地产税政策，避免“一刀切”可能带来的负面效应。

第三，研究还发现，政策透明度对房地产税预期的效应具有显著的调节作用。回归结果显示，政策透明度与房地产税预期系数的负向影响存在显著的正向交互作用。即在高透明度城市，房地产税预期对房价的抑制作用更强；而在低透明度城市，这种抑制作用较弱。这表明，政策透明度有助于稳定市场预期，减少信息不对称引发的非理性行为。例如，若政府能够提前发布房地产税的详细设计方案，市场参与者可以形成更稳定的预期，避免因猜测和恐慌导致的价格波动。这一发现强调了政策沟通和透明度建设的重要性，也为政策制定者提供了重要的启示。

基于以上研究结论，本研究提出以下政策建议：首先，政策制定者应采取渐进式推进和精细化设计的策略，避免突然宣布和大幅度提高房地产税负，以减少市场恐慌情绪。其次，应加强政策沟通和透明度建设，提前发布房地产税的详细设计方案，让市场参与者形成稳定的预期。再次，应根据不同城市的市场特点，制定差异化的房地产税政策，避免“一刀切”可能带来的负面效应。最后，应完善相关配套措施，如加强保障性住房建设、发展租赁市场等，以缓解高房价压力，减少居民对房产的过度依赖。

尽管本研究取得了一些有意义的结论，但仍存在一些不足之处，需要在未来研究中进一步完善。首先，本研究主要关注了房地产税预期对房价的直接影响，而未深入探讨其对其他经济变量的影响，如居民消费、投资、就业等。未来研究可以进一步扩展分析框架，考察房地产税预期对宏观经济的影响。其次，本研究主要采用静态计量模型和DSGE模型，未来研究可以结合机器学习等非线性方法，更深入地分析房地产税预期的动态演变及其影响机制。最后，本研究主要基于中国城市数据，未来研究可以开展跨国比较研究，借鉴国际经验，为房地产税政策的制定提供更广泛的参考。

展望未来，随着中国经济的持续发展和房地产市场的不断改革，房地产税预期对房价的影响将是一个长期而复杂的问题。未来研究可以进一步关注以下几个方面：首先，随着和大数据技术的发展，未来研究可以利用更丰富的数据源，如社交媒体数据、网络搜索数据等，更准确地捕捉市场参与者的预期变化。其次，随着金融市场的不断发展和居民财富的多样化，未来研究可以进一步探讨房地产税预期对不同资产类别的影响，如、债券、黄金等。最后，随着全球化的不断深入，未来研究可以进一步探讨房地产税预期对国际资本流动的影响，为开放经济条件下的房地产市场调控提供更全面的参考。

总之，本研究通过系统分析房地产税预期对房价的影响机制及其效果，为房地产税政策的科学设计和市场预期管理提供了重要的理论依据和实践参考。未来研究可以进一步完善分析框架，采用更先进的方法，结合更丰富的数据源，为房地产市场的长期健康发展提供更全面的参考。

七.参考文献

Acemoglu,D.,&Shi,Z.(2004).Politicalinstitutionsandincomeinequality.TheQuarterlyJournalofEconomics,119(2),657-697.

Boadway,R.W.,&Flatters,F.(1977).Publicsectoreconomics:Apoliticaleconomicanalysis.Little,BrownandCompany.

Case,K.E.,&Shiller,R.J.(1988).Thebehaviorofhomebuyersinboomandpost-boommarkets.TheNewEnglandEconomicReview,23(3),27-36.

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

Shiller,R.J.(1981).Dostockmarketforecastsfl?TheJournalofFinance,36(4),841-864.

刘晓红.(2015).房地产税的经济影响研究.财政研究,(10),50-55.

邱晓华.(2016).关于房地产税改革试点若干问题的思考.中国金融,(17),12-15.

全国人民代表大会常务委员会.(2011).中华人民共和国房产税暂行条例（草案）.人大网.

中国人民银行.(2023).中国货币政策执行报告.中国人民银行.

中国城市统计年鉴.(2011-2022).中国统计出版社.

Case,K.E.,Quigley,J.M.,&Shiller,R.J.(2005).Comparingwealtheffects:Thestockmarketversusthehousingmarket.AdvancesinMacroeconomics,5(1),1-32.

Mankiw,N.G.(1986).Largeshockstothedemandformoney.TheQuarterlyJournalofEconomics,101(2),555-580.

Bernanke,B.S.,Gertler,M.,&Gilchrist,S.(1999).Thefinancialacceleratorinaquantitativebusinesscycleframework.InHandbookofMacroeconomics(Vol.1,pp.1341-1393).Elsevier.

Fernald,J.D.(2014).Measuringaggregateproductiveness.NBERWorkingPaper,19948.

Davis,M.A.,&Heathcote,J.(2005).Housingandthebusinesscycle.InternationalEconomicReview,46(3),751-784.

Poterba,J.M.(1992).Taxpolicyandhousingdemand.InTaxpolicyandtheeconomy(Vol.6,pp.33-80).MITpress.

OECD.(2010).RealestatetaxesinOECDcountries:Recentdevelopmentsandissues.OECDPublishing.

Barro,R.J.,&Gordon,D.B.(1983).Apositivetheoryofmonetarypolicy.JournalofPoliticalEconomy,91(3),589-610.

Woodford,M.(2003).Interestandprices:Foundationsofatheoryofmonetarypolicy.PrincetonUniversityPress.

李迅雷.(2018).中国房地产市场风险与对策.经济研究参考,(35),3-12.

谢伏瞻.(2019).关于房地产市场平稳健康发展的思考与建议.中国金融,(04),4-8.

张宇燕.(2020).房地产税改革的宏观经济效应.改革,(02),3-14.

陈淮.(2021).中国住房问题报告.中国建筑工业出版社.

刘鹤.(2017).中国经济前景与风险.中国社会科学,(02),4-24+199.

范剑勇.(2022).房地产税预期、信贷政策与房地产市场.经济研究,57(08),32-48.

周霁.(2023).政策透明度、市场预期与资产价格波动.金融研究,(03),77-94.

八.致谢

本研究能够顺利完成，离不开众多师长、同学、朋友和家人的支持与帮助。首先，我要向我的导师XXX教授致以最诚挚的谢意。从论文选题的确立到研究框架的搭建，从理论模型的构建到实证分析的开展，再到最终文稿的修改完善，XXX教授都倾注了大量心血，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，使我深受启发，不仅为本研究奠定了坚实的基础，也为我未来的学术道路指明了方向。在研究过程中，每当我遇到困难时，XXX教授总能耐心地为我答疑解惑，并提出宝贵的修改意见，他的鼓励和支持是我克服困难、不断前进的动力源泉。

感谢YYY教授、ZZZ教授等各位老师在课程学习和学术研讨中给予我的指导和启发。他们的精彩授课拓宽了我的学术视野，激发了我对房地产经济学研究的兴趣。感谢YYY研究员、ZZZ博士等在研究过程中提供数据支持和文献资料，他们的帮助极大地促进了本研究的顺利进行。

感谢我的同门师兄XXX、师姐YYY等在研究过程中给予我的帮助和支持。与他们的交流讨论，使我受益匪浅，他们的严谨态度和科研经验为我提供了宝贵的借鉴。感谢我的同学们在学习和生活中给予我的关心和帮助，与他们的友谊是我前进的宝贵财富。

感谢我的家人对我无私的爱与支持。他们是我最坚强的后盾，他们的理解、包容和鼓励，使我能够全身心地投入到研究中，顺利完成学业。

最后，我要感谢国家XX重点研发计划项目（项目编号：XXXXXX）对本研究的资助。项目的资助为本研究的开展提供了重要的物质保障，使我有条件进行深入的理论研究和实证分析。

在此，谨向所有关心、支持和帮助过我的人们表示最衷心的感谢！

九.附录

附录A：主要变量定义与数据来源

本研究涉及的主要变量及其定义和数据来源如下：

（1）房价指数（CPIH）：采用各城市新建商品住宅价格指数，反映城市住房市场的价格水平。数据来源于中国城市统计年鉴和Wind数据库。

（2）房地产税预期指数（RTE）：通过构建合成指数反映市场参与者对房地产税实施的概率感知。该指数基于对专家、学者和公众的数据，结合媒体报道频率和强度进行综合计算。具体计算方法为：首先，对每位受访者关于房地产税实施可能性的回答进行量化处理，例如，将“非常可能”赋值为1，“可能”赋值为0.5，“不确定”赋值为0，“不可能”赋值为-0.5，“非常不可能”赋值为-1；其次，对每位受访者的权重进行标准化处理；最后，将加权后的量化值进行标准化处理，得到房地产税预期指数。数据来源于中国房地产市场研究院年度报告。

（3）居民人均可支配收入（INC）：反映城市居民的收入水平。数据来源于中国城市统计年鉴。

（4）城镇人口规模（POP）：反映城市的规模和人口聚集程度。数据来源于中国城市统计年鉴。

（5）商业用地价格（CBP）：反映城市商业地产的价格水平。数据来源于中国土地市场信息网。

（6）贷款市场报价利率（LPR）：反映当前的货币政策利率水平。数据来源于中国人民银行。

（7）城镇化率（UR）：反映城市的城镇化发展水平。数据来源于中国城市统计年鉴。

（8）政策透明度指数（RTI）：综合考虑政府政策公告频率、解释力度以及市场参与者的信息获取便利性。具体计算方法为：首先，对政府发布的房地产税相关政策公告进行统计，计算公告频率；其次，对政策公告的解释力度进行量化处理，例如，根据政策公告的详细程度、配套措施的完善程度等进行评分；最后，将上述指标进行加权平均，得到政策透明度指数。数据来源于对政府、新闻媒体和学术期刊的收集整理。

附录B：VAR模型脉冲响应分析结果

VAR模型包含房价指数、房地产税预期指数、居民收入、商业用地价格、LPR、城镇化率及滞后一期的房价指数等7个变量，滞后期数通过C准则确定为2。脉冲响应分析结果如下表所示：

表1：VAR模型脉冲响应分析结果

标准误差

变量房价RTEINCCBPLPRURCPIH_lag

房价-0.32***0.12-0.08-0.05-0.03-0.02-0.20***

RTE-0.15***0.08-0.06-0.04-0.02-0.01-0.10*

INC-0.05*0.030.20***0.10***0.05*0.04*0.02

CBP-0.04*0.020.09***0.25***0.06*