中国房价决定、泡沫测度及波动效应分解 ——基于35 个大中城市的实证分析

郑世刚，严培胜

（湖北经济学院 a. 经济与贸易学院；b. 信息管理与统计学院，武汉 430205）

一、引言

1998 年房地产市场化改革以来，中国房地产业迅速发展，不仅成为国民经济的重要支柱产业，而且也为经济增长起到了显著的拉动作用。但与此同时，房价的大幅上涨和波动导致实际房价持续偏离长期均衡价格，引发了社会各界对房价泡沫问题的广泛关注。房价泡沫化不仅使房地产市场的投机成分大幅增加，对刚性需求产生挤出效应，而且可能使大量资源流入房地产业，对实体经济产生挤出效应[1]；房地产市场的持续失衡也会危害其他部门的稳定性，如金融部门[2]，从而对经济增长产生抑制作用。2008年以来，中央政府频繁干预房地产市场，但许多研究表明政府的调控政策收效甚微[3]，甚至造成了房价失衡的进一步扩大。究其原因在于，长期以来，由于缺乏动态一致性[4]和前瞻性[5]，缺乏对房价泡沫的科学度量，忽视城市异质性而采取“一刀切”的方式等原因，导致调控政策仅具有短期效应。因此，新一轮房地产制度改革中，在不放松短期调控的条件下，中央政府开始着力推进基础性制度和长效机制建设。2016－2018 年中央政府连续提出了“房地产长效机制”的建设目标与要求，2016 年明确了“房住不炒”的定位方向，2017 年提出了“差别化调控”的新思路，并在2018 年将这一思路进一步明确为“因城施策、分类指导”。显然，“房住不炒”“长效机制”以及“因城施策”构成了当前房地产政策体系的核心内容。而有效落实这些政策思路，首先需要明确房价的决定因素，如此才能为构建长效机制的内容体系提供基础；其次需要确定房价泡沫的程度、产生原因与特征，如此才能有针对性地实施“因城施策”策略。

本文的研究思路按照上述问题展开，结构安排为：第二部分为文献综述，指出已有研究的不足和本文的创新点；第三部分为理论分析与模型方法；第四部分为实证检验与结果分析；最后为结论与政策建议。本文的研究希望能够为中央政府进一步实施异质化政策、构建长效机制提供理论依据和经验支持。

二、文献综述

房地产业具有产业链长、关联度高等特点，与消费、生产和宏观经济都存在着显著的相关性。已有文献在非常广的范围内探讨了房价的决定因素，但这些研究大都基于某一研究意图，主观性地选取某些因素，通过实证检验得到这些因素对房价的解释作用。而究竟哪些因素共同决定房价，现有研究并未给出有说服力的结论。Konstantin 和Ulbricht（2015）[6]利用Abraham 和Hendershott（1996）[7]等文献关于房价决定因素的研究结论，通过BMA 方法提取出人口密度、人均按揭贷款、收入差距和失业率等四个决定因素，显然这一结论并不能全面反映房价的决定因素，但为获取房价的共同决定因素提供了思路。

由于市场非理性，资产价格并不总能完全反映基本面[8]，Blanchard 和Fischer（1989）[9]将资产价格超出经济基本面价格的部分定义为资产泡沫，“如果一种资产的价格高„„，而与经济的基本面没有关系，那么泡沫就存在了”[10]。房价泡沫是资产泡沫的重要构成部分，因此可以将房价泡沫定义为房价中超过基础价值的部分[11]。由于目前中国房价持续失衡，因此房价泡沫测度对房地产市场调控和风险处置具有重要的实践意义，但在Blanchard 和Fisher（1989）[9]看来，实体经济价格的计算是难点。现有文献对房价泡沫的测度主要使用两类方法。一类是指标法，通过构造某些指标对房价泡沫进行度量，如房价收入比、租售比、空置率等指标。代表性文献有Case 和Sheller（2003）[12]、吕江林（2010）[13]、张川川（2016）[14]等。虽然指标法直观方便，但并不能合理地反映经济基本面差异较大地区的实际情况，尤其是对指标临界值的选择主观性较强，存在诸多争议。另一类是统计检验法，根据统计数据的规律性，通过单位根检验和协整检验，检测房价泡沫是否存在。Hamilton 和Whiteman（1985）[15]提出单位根检验，Diba 和Grossman（1988）[16]则提出不仅要进行单位根检验，还应进行协整检验，但统计检验法的缺陷在于其无法剔除周期影响，因而无法保证检验结果的准确性。

基于房价泡沫定义，Abraham 和Hendershott（1994）[7]提出了基本面价格模型法，通过计算基础价值，即基本面价格，并将其从实际房价中剔除，从而得到房价泡沫水平。大量研究表明，经济基本面是决定均衡房价的最主要原因[1][17]，能够很好地解释房价[18～20]。但由于基本面价格的获取取决于大数据样本和描述经济基本面指标的准确性和有效性，因此该方法未能得到广泛应用，直到近年来中国部分学者才开始使用该方法对房价泡沫进行测度和分析，如高波等（2014）[21]、孟庆斌和荣晨（2017）[1]、陈卓（2018）[17]等。在经济基本面指标的选取上，已有文献大都基于主观经验选择某几个变量构建基本面价格模型，如Quigley（1999）[22]使用收入、总人口和就业等指标，邹至庄和牛霖琳（2010）[23]使用人均收入和建筑成本，孟庆斌和荣晨（2017）[1]选取利率、地价、通胀率等变量，陈卓（2018）[17]使用人均可支配收入、总人口规模等因素。如何避免主观影响，客观有效地描述经济基本面，Konstantin 和Ulbricht（2015）[6]的研究为本文提供了非常值得借鉴的思路。

目前房价泡沫如何形成远没有达成共识，但大量研究表明预期是房价泡沫的重要解释。Kindleberger（1996）[24]将资产泡沫描述为“一种或一系列（资产）在一个连续过程中陡然涨价，开始的价格上涨会使人们产生还要涨价的预期„„，随着涨价，常常是预期的逆转„„”。Case 和Shiller（2003）[12]、Piazzesi和Schneider（2009）[25]发现预期对美国房地产市场的繁荣起到了重要作用，Kanik 和Xiao（2014）[26]的研究表明预期能够解释房价波动的30%左右。在国内的研究中，梁云芳和高铁梅（2006）[27]、况伟大（2010）[28]、陈卓（2018）[17]等均提出了预期对房价泡沫形成的重要性。泡沫理论认为，在有限理性和非有效市场假设下，预期往往会引发投资者的投机行为和羊群行为，在市场供需机制的作用下，历史房价的上涨或下跌将引致本期房价的上涨或下跌，并导致实际房价对基本面价格的偏离。市场机制之外，政府政策在预期以及房价泡沫形成中同样起到了重要作用[29]，大量研究表明房价在很大程度上受到政策环境影响[30～31]，政府调控政策，尤其是货币政策，是造成短期房价波动的重要原因[32]，陈利锋（2016）[33]认为2002 年以来中国政府的调控政策与民众预期保持了显著的一致性，预期的变化与房价波动存在显著的协动关系。因此，基本面价格之外的房价偏离，即房价泡沫，可以分解为市场效应和政策效应，通过这种划分，能够观察两种机制对房价泡沫的影响，尤其是不同城市的具体表现，从而可以为评价宏观调控效果和分城施策等提供经验依据。

本文通过构建房价决定模型对中国35 个大中城市的房价泡沫进行了测度，并对房价波动进行了效应分解。主要创新点表现为以下几方面：一是基于经济基本面模型，从理论上构建了房价泡沫测度模型，并以预期理论为基础，分析了房价泡沫的产生机理；二是区别于主观选择房价影响因素的做法，采用贝叶斯模型平均（BMA）方法，提取出了对房价最具解释力的因素；三是从预期构成和影响机制等不同维度对房价泡沫进行了效应分解，发现预期的调整效应使房价泡沫得到有效缩减，市场机制对房价的影响较为平稳，而东部城市的房价上涨主要源于政策机制的影响。

三、理论分析与模型方法

（一）房价泡沫度量模型与方法

上述房价泡沫的测度方法中，基本面价格模型法最符合房价泡沫的含义，即实际房价中超出均衡价格的部分，根据经济基本面因素求出基本面价格（或均衡价格）后，将其从实际房价中剔除，从而得到房价泡沫，即：

定义泡沫度为房价泡沫部分与均衡价格的比值，即：

P、P*分别为实际价格和均衡价格，由不同因素决定，包括基本面价格因素 Xit和非经济基本面因素，分别表述为如下函数关系式：

基于主观经验选取房价决定因素通常会导致变量间出现交叉影响和多重共线性问题，并且在构建模型时，无法事先确定哪些因素应进入房价决定系统，即存在不确定性问题，变量组合即使通过了可靠性和稳健性检验，也无法确定其是否为最优组合。

为解决房价决定模型的不确定性，Leamer（1978）[34]提出了BMA 方法，后经Raftery 等（1997）[35]和Fernandez 等（2001）[36]加以完善，在许多领域得到广泛应用。BMA 方法的基本思想是利用变量集合X 的先验信息和先验概率，得到各模型的后验概率，通过进一步计算得到各个解释变量的后验包含概率（PIP）、后验均值（PM）及后验方差；然后根据PIP 的高低确定入选的变量组合，根据模型的后验概率比较不同单一模型的优劣。比较而言，BMA 方法假设检验简便，不需要对总体和样本统计分布进行事先假设检验；能够充分利用信息，将每个候选模型参数的后验估计概率进行加权平均，避免了人为筛选可能造成的信息损失；通过计算每一个假设的后验概率，能够对每个解释变量和模型的优劣进行评价。

参数后验概率、模型后验概率、参数后验均值和参数后验方差分别表示为：

当集合X 的变量数目较大时，候选模型的数量也会很大，导致参数和模型后验概率的迭代计算非常困难，采用马尔科夫蒙特罗模型综合（ MC3）抽样技术能够提高计算效率。 MC3抽样技术的基本思路是以特定概率抽取出备选模型，再以特定概率接纳该模型，因此有效信息越多的变量和后验概率越高的模型，更大概率会被接受。

（二）基于预期的房价泡沫分解

为了进一步分析房价泡沫的产生及其特征，本文以预期理论为基础，根据预期对房价影响的效应差异，将其从构成上分为惯性预期和调整预期，从机制上分为市场基本面变化形成的预期和政策变化形成的预期。

1. 惯性预期效应和调整预期效应

适应性预期理论解释了预期对房价的影响，认为投资者会根据资产价格的历史信息对当前价格的预期进行修正，本期价格变动与上期价格变动有关，而与下期价格变动无关。

投资者受到“买涨不买跌”心理的驱使，当历史价格上涨时，价格差增加了投资者的获利机会，出于惯性，投资者将预期本期价格上涨，从而增加需求；反之，历史价格下跌时，投资者预期本期价格下跌，从而减少需求。由于历史价格变动趋势导致的惯性预期对房价的影响效应定义为惯性预期效应。但投资者的预期也会受到经济基本面所处阶段的影响，当经济繁荣时，实际房价高于基本面价格，在惯性预期基础上，投资者会正向调整房价上涨预期；反之，当经济衰退时，投资者会负向调整房价预期。这种调整的预期对房价的影响效应定义为调整预期效应。

运用Abraham 和Hendershott（1996）[7]、Capozza 等（2002）[19]的思路，式（2）变换为：

将式（9）代入式（1）中，得到以下房价泡沫的函数关系式：

其中， pt、分别表示本期房价和本期均衡房价的变化率。

2. 市场效应和政策效应

市场机制是决定房价的基础，理论上，市场供需的短期失衡会使实际房价经常性地偏离基本面房价，而预期又将进一步强化这种偏离状态，导致市场失灵，并产生房价泡沫。由于市场不完善，如果没有其他机制介入，市场可能长期处于失衡状态，造成社会福利损失。通常政府干预是弥补市场失灵的重要机制，政府通过“相机抉择”和“反周期”政策，能够在一定程度上逆转投资者预期，“熨平”周期波动，从而实现短期房价趋近于长期均衡。因此房价泡沫可以看作这两种机制综合影响效应的结果，理论上政策机制对房价的作用方向与市场机制相反。

分解两种效应的难点在于政府的调控政策难以量化，很难完全有效地获得政策对房价的影响。但在基本面价格模型下，可以先分解出市场机制对房价的影响，再从房价泡沫中分解出政策对房价的影响。具体参考Capozza 等（2002）[19]的处理方式，考虑市场机制、预期与房价的逻辑关系，采用预期与基本面价格因素的交互项表征市场机制对房价泡沫的影响，表示为如下函数关系：

四、实证分析

（一）数据与变量说明

与省际数据相比，35 个大中城市代表了各省份和地区的最高经济发展水平和市场化水平，选取35个大中城市的面板数据能更好地反映房价波动。时间范围界定为1999－2017 年，共形成665 个数据样本，所有数据来自中国统计局、中经网、中国人民银行以及各城市历年的《统计年鉴》。

使用BMA 方法提取房价决定因素，需事先构建房价影响因素集。本文使用文献分析法，以“房价”及相似主题词进行文献检索，文献范围限定为CSSCI 来源期刊，时间范围为1998 年至今，共得到3227篇文献，经分析处理，选取其中的219 篇文献进行文本分析，提取出79 个房价影响因素，在频次统计后，舍弃频次仅为1 的因素，最终得到包含35 个因素的集合（见表1），涵盖了宏观、产业、成本、行政、人口、市场、收入和土地等8 个方面。

按通常做法，所有价格和收入指标取实际值，并剔除通胀影响。为避免异方差和量纲的干扰，所有非比例和非比率指标均作对数化处理。接下来对部分变量的含义加以说明：使用城市常住人口与户籍人口的差额表征城市化；使用进出口总额占GDP 的比重表征对外开放度；采用范新英和张所地（2018）[37]构建的产业结构合理化指标表征产业泰尔指数；使用（0，1）虚拟变量表征限购；使用房地产开发企业非自筹资金与销售额的80%表征信贷；分别使用中国人民银行一年以内和五年以上的贷款利率减去同期的通货膨胀率表征短期实际利率和长期实际利率；使用城市常住人口增加数减去户籍人口数表征人口流动；使用滞后一期房价表征预期；使用城镇人均可支配收入与农村人均纯收入之比表征城乡收入差距。

（二）基本面价格决定因素分析——基于BMA 和MC3 方法

表1 显示，各变量均值均大于标准差，不存在异常数据。本文使用R 软件，调用BMS 程序包进行MC3抽样和BMA 分析。35 个解释变量共形成235个备选模型，设定基准模型的先验概率为均匀分布，参数的先验概率为随机g 型分布。从候选模型中抽取5010000 个模型，其中初始的10000 次抽样为预热实验，其余的5000000 次抽样作为模拟样本。相关性检验表明上述模型非正定，分析结果显示部分变量间存在强相关性，通过使用逐步回归法发现土地购置费是造成强相关性的原因，考虑到地价已经包含土地购置费的信息，因此删除该变量，保留剩余的34 个变量。

表1 房价影响因素

图1 显示了房价后验模型规模分布的均值，模型规模呈均匀分布，均值为16.78，并达到最大值，概率值达到99%以上，意味着单一模型平均包含16 个有效解释房价的变量。BMA 估计结果显示于表2，后验概率（PIP）反映了各解释变量对房价的解释能力，符号确定率指的是所有包括该解释变量的估计结果中，变量系数符号与后验均值符号一致的概率，反映了该变量的稳健性。

图1 房价后验模型规模分布均值

表2 所列16 个变量为中国房价的决定因素，其中地方财政支出、长期实际利率和信贷为政策因素，预期是形成泡沫的最重要因素，因此选取剩余的12 个变量为基本面价格决定因素。按PIP 排序，分为两组。第一组包括9 个变量，后验概率均大于0.9，对房地产基本面价格具有最为显著的解释能力。其中，房地产施工面积、销售面积、失业率和固定资产投资额的后验均值为负，符号确定率为0，表明这4 个变量对房价的影响虽然显著，但影响方向不确定。其余5 个变量的后验均值均为正，与后验标准差的比值都大于2，意味着这些变量对房价具有显著的正向决定作用。第二组包括3 个变量，后验概率介于0.5～0.8，对房地产基本面价格具有一定的解释能力。后验均值均为正，且与后验标准差的比值大于1，符号确定率为1，表明这3 个变量对基本面价格具有较为显著的正向决定作用。

通过改变参数和模型的先验概率，模型规模均值、变量后验概率、均值以及符号均与原实证结果相同，表明BMA 的估计结果有效且稳健。

表2 BMA 估计结果

（三）房地产基本面价格估计

首先，对面板数据进行检验。Levinlin 平稳性检验表明主要变量平稳，可以进行下一步分析；方差膨胀因子检验结果显示，模型VIF 值等于12.6，大于10，解释变量间存在多重共线性问题，其中房地产开发投资的VIF 值超过50，是造成多重共线性的重要原因，而去掉该变量后，模型的VIF 值降至7.27，不再存在明显的多重共线性；面板数据通常存在异方差问题，white 检验结果证实了这一点，同时检验结果显示也存在序列相关。

其次，模型选择。为了验证模型是否存在内生性，采取两种方法，一种是求取所有解释变量与模型扰动项的相关系数，结果显示不存在相关性；二是利用Hausman 和Davidson-Mackinnon 检验，结果拒绝原假设。两种方法均证实模型不存在内生性。在此基础上，Hausman 检验表明应选择固定效应模型，为解决异方差和序列相关问题，本文采用“OLS+稳健性”处理方式。

表3 报告了房价决定模型的估计结果，包括房地产基本面价格的决定模型和引入预期的房价决定模型两部分。基本面价格回归结果显示，与模型（1）OLS 估计相比，采用固定效应模型后，模型（4）的拟合度（A-R2）得到提升，选取的基本面因素较好地解释了均衡房价，系数符号基本符合解释变量与被解释变量的函数关系。具体来看，固定资产投资每变化1%，将引起基本面房价变化0.16%；房地产销售面积每变化1%，将引起基本面房价变化-0.15%；人均消费支出每变化1%，将引起基本面房价变化0.15%。这三个变量是影响中国房地产基本面价格的最主要因素，其次建筑成本（0.07%）、地价（0.06%）、人口增长率（0.01%）也是基本面房价的主要影响因素，其他因素的影响系数较小或者不显著。

表3 房价决定模型估计结果

（四）房价泡沫估计

以上述基本面房价模型为基础，拟合导出对应的基本面房价，然后根据式（2），得到35 个大中城市的泡沫度，图2～5 分别报告了35 个大中城市总体样本及东部、中部和西部城市的泡沫度情况。

图2 35 个大中城市泡沫度总体情况

图3 东部城市泡沫度

图4 中部城市泡沫度

图5 西部城市泡沫度

从整体上来看，2008 年之前，房地产市场处于增长阶段，实际房价与基本面房价的偏离幅度较小，基本不存在房价泡沫；而2008 年金融危机的爆发使房价偏离基本面房价之后，2009－2016 年，大部分城市的实际房价与基本面房价的偏离呈增长趋势；2017 年，这一偏离急剧下滑，除少数城市（如北京、上海、深圳、石家庄和呼和浩特）外，实际房价均大幅低于基本面价格。由此可以看出，房价泡沫主要存在于2009－2016 年。

将35 个大中城市按所属区域分为东、中、西部城市三个样本，分别包含16、8、11 个城市。可以发现，假设以10%为分界线，2009 年以来，房价泡沫主要集中于东部城市，这一期间有11 个城市的泡沫度高于10%，其中北京、上海、深圳、厦门等城市的房价泡沫尤为显著。与东部城市相比，除某些时间点的个别城市外，中、西部城市未显示出高于基本面价格的泡沫现象，反而呈现出明显的低估特征。

从峰值表现来看，不同区域城市的房价泡沫度峰值年份并不一致。具体表现为，东部城市的泡沫度峰值出现在2009－2010 年，另一峰值出现于2016 年；中部城市的峰值出现在2011－2012 年，而西部城市的峰值出现于2012 年。可以看出，不同区域间的房价泡沫存在一定的传染性和递进特征。

（五）房价波动效应分解

如表3 所示，基本面房价模型中引入预期因素后，模型的拟合度基本没有发生变化。从变量的系数值来看，预期不仅对实际房价具有显著的影响，而且系数值达到了0.242，即预期变化1%，将导致实际房价变化0.242%；其他变量系数值或有所降低，或保持不变。因此，综合基本面房价和实际房价的估计结果，预期是解释两种房价差异的最重要原因。接下来从两个角度对房价波动进行分解。

1. 预期效应分解

如上文所述，从构成上，预期对房价泡沫的影响可以分为惯性预期效应和调整预期效应。利用式（9），通过差分将所有解释变量转换为变化率指标，以泡沫度为被解释变量，使用固定效应模型进行估计。

表4 报告了房价波动预期效应的估计结果，可以看出，惯性预期和调整预期对房价波动具有显著的影响效应。其中，惯性预期效应为0.248，表明在适应性预期下，房价具有正反馈效应，房价历史变化率对房价泡沫具有正向促进作用，上期房价的增长会导致本期房价加速上涨；反之，上期房价下跌会导致本期房价加速回落。调整预期效应为-0.452，表明当实际房价偏离基本面房价时，房价会产生负反馈效应，也就是说房价具有自我矫正能力。由于预期的负向调整效应大大强于正向惯性效应，因此当房价大幅上涨时，惯性预期将使房价泡沫自我强化，而调整预期将使房价泡沫自我抑制，两相比较，房价泡沫在预期作用下得到了有效缩减。

表4 房价波动预期效应估计结果

2. 机制效应分解

根据式（11）的设定，房价泡沫是市场机制和政策机制共同作用的结果，在对面板数据进行各种检验后，本文使用固定效应模型对房价波动的两种效应进行了估计分析。同时，为具体反映房价波动的特征，将35 个大中城市按所属区域划分为东、中和西部三个部分（见表5）。

由于篇幅所限，表5 主要报告了2009、2011、2013、2015 和2017 年的市场机制和政策机制对房价波动的影响效应，图6～9 描述了1999－2017 年所有城市以及东、中、西部城市的房价波动表现。综合分析，房价波动具有如下特征。

表5 房价波动机制效应估计结果

第一，不同城市的市场效应和政策效应的大小与方向不尽相同，表现出明显的差异性。除济南、青岛、沈阳、天津等城市以外，东部城市的市场效应和政策效应非常显著，大部分时间内，两种效应均为正值，从而对房价上涨产生叠加效应。与东部城市相比，市场机制和政策机制对中、西部城市的影响效应普遍较小；一定时期内，这些城市的市场效应和政策效应方向相异，对房价波动产生对冲效应，使房价波动幅度较小。

第二，不同时期的房价波动表现出明显的周期性，具体划分为四个阶段：1999－2004 年、2005－2008年、2009－2014 年以及2015－2017 年。以东部城市为例，2004 年之前，整体上房价波动基本稳定，市场效应和政策效应不断下降，同时实际房价趋近于基本面房价。也就是说，这一期间的房地产市场逐渐趋向均衡。但随着2003 年政府宏观调控之后，房价波动日益增加，尤其是第三阶段最为显著，实际房价大幅正向偏离均衡价格。从中、西部城市来看，房价波动的周期性特征较弱，除中部城市2010－2013年的影响效应为正值外，大部分时间内，这些城市的整体房价均趋向均衡房价。

第三，政策效应对房价波动的影响显著。整体上看，市场效应比较稳定，表明经济基本面是实际房价变化的重要基础。与市场效应相比，政策效应是房价大幅波动以及房价泡沫的重要原因，尤其是对东部城市而言，2004 年以来，政策效应大幅高于市场效应，2009－2010 年这一差距达到最大。考察历年的调控政策，可以发现房价波动与调控方向表现出明显的相悖性。2004－2007 年调控政策普遍从紧时，政策效应却逐渐增强；2008 年调控政策放松时，政策效应减弱；2009－2010 年调控政策再次从紧时，政策效应也再次增强。2012 年之后，调控政策虽然逐步趋于理性和科学化，强调供给侧改革和构建与完善房地产市场长效机制，但并未改变政策效应的态势。直至2017 年，实际房价负向大幅偏离基本面价格，其中，市场机制的影响与其他年份基本无异，但除北京、深圳、石家庄和呼和浩特外，其他城市政策机制的影响效应均为负值，并且大都在20%以上。如此表现与2017 年的宏观调控是密不可分的，2017年房地产市场的调控力度和广度远超他年，调控政策覆盖110 个城市和部门，发布次数多达250 次以上，是造成实际房价大幅下跌的主要原因。

为何会造成政策调控的实践效果与理论预期相反？许多文献分析认为，中国宏观调控缺乏长期性、侧重需求端；地方政府由于存在土地财政粘性，从而偏向房价上涨。当政府实施房价抑制政策时，一方面，投资者预期未来房价会再次上涨，从而形成套利空间，并导致需求增加；另一方面，由于供给不足，限购、限价等政策将进一步强化投资者对市场短缺的预期，从而使调控政策的效力减弱。显然，投资者的预期逆转了原调控体系的政策效应，这也解释了为什么2010 年以来虽然中国实施了严格的限购、限价、限贷等政策，但房价反而陷入了越调越涨的窘境。

图6 35 个大中城市房价波动效应估计结果

图7 东部城市房价波动效应估计结果

图8 中部城市房价波动效应估计结果

图9 西部城市房价波动效应估计结果

五、结论与建议

基于基本面价格模型法，本文构建了房价泡沫测度模型和泡沫分解方程。与已有文献不同的是，本文在文献分析的基础上，构建了包含35 个变量的房价影响因素集，利用BMA 方法和MC3技术提取出了16 个房价决定因素，其中12 个构成了基本面房价的决定因素。在估计基本面房价的基础上，利用泡沫度公式计算出了35 个大中城市的泡沫水平，结果显示房价泡沫主要存在于2009－2016 年，2008 年之前35 个大中城市基本上没有房价泡沫，而2017 年的实际房价大幅低于基本面房价。引入预期因素后，结果表明预期对实际房价具有显著的解释作用，是实际房价偏离基本面房价的重要原因。本文从预期的构成以及房价的影响机制两个方面对房价波动效应进行了分解。一方面，将预期分为惯性预期和调整预期，结果显示两者对房价波动均具有显著影响，在惯性预期效应作用下，房价具有正反馈作用，而调整预期效应使房价产生负反馈作用，并且后者大大强于前者，因此，房价泡沫在预期作用下得到有效缩减。另一方面，市场机制和政策机制对东部城市的影响效应最为显著，且均为正值，对房价产生叠加效应，而中、西部城市的两种效应具有对冲效果，从而使得房价波动幅度较小。分项来看，市场效应较为平稳，但2004 年以来，东部城市的政策效应大幅高于市场效应，是造成房价大幅波动以及房价泡沫的重要原因。由此也产生了一个问题，即政策调控实践与理论相悖，本文认为这是预期逆转所致，原因在于中国调控政策缺乏长期性、侧重需求端以及政府偏向房价上涨。根据实证分析结论，提出如下政策建议：

一是继续推进房地产业的市场化改革，发挥市场配置资源的基础功能。本文实证结果表明，近年来中国房价泡沫集中于东部城市，并且政策调控是导致房价大幅波动以及房价泡沫的重要原因。同时，市场机制对东部城市实际房价的影响效应较为平稳，频繁的政策干预反而扰乱了房地产市场秩序，造成房价持续偏离均衡水平。因此，实现房地产市场的健康平稳发展，应尽快健全和完善市场机制，发挥市场在资源配置中的基础作用。

二是完善预期影响房价的传导机制，发挥预期在房价波动中的“稳定器”作用。实证结果表明，预期对房价具有显著的自我矫正能力，虽然预期具有惯性，但这种负向反馈效应能够实现房价对均衡水平的收敛。只是已有政策调控体系大都注重短期效应，缺乏动态一致性，导致房地产市场中存在大量的套利机会和预期逆转现象，造成调控政策失效。因此，一方面，应大力推进供给侧结构性改革，重点实施增加住房供应、改善住房供给结构的举措，如加大租赁住房供应、发展共有产权住房等，实现供需均衡；另一方面，加快房地产税制改革，实施差别化信贷政策，构建土地供应与房价、人口挂钩的长效平衡机制，尽快完善房地产市场平稳健康发展的长效机制，促进房地产市场调控政策的连续性和稳定性。

三是推动差别化调控，防止房价“大落”。实证结果表明，不同城市的房价泡沫特征具有差异性，“一刀切”式的调控政策无法兼顾不同城市的具体情况，并且在东部与中、西部城市之间人为地创造了寻利空间，一方面导致东部城市的房价越调越涨，另一方面使中、西部城市房价持续低于均衡水平。因此，应分清中央和地方事权，允许地方政府根据实际情况，因城因时精准施策。同时应注意到，截至2016年，只有东部城市的泡沫度还处于高位，中、西部城市的泡沫度已经回落。但此后房地产调控的力度不减反增，2017 年、2018 年分别被称为“最严调控年”“最频繁调控年”，各城市和部门发布的调控政策依次达到250 次、450 次以上。虽然2019 年中央政府以“稳”为政策基调，包括“稳地价、稳房价、稳预期”，但绝大多数城市的泡沫水平已经急剧下降，实际房价也大幅低于均衡水平。因此，未来房地产调控的重心不应再是抑制泡沫、“防大起”，而应是谨慎降温、“防大落”。