鄭世剛，嚴(yán)培勝

（湖北經(jīng)濟(jì)學(xué)院 a. 經(jīng)濟(jì)與貿(mào)易學(xué)院；b. 信息管理與統(tǒng)計(jì)學(xué)院，武漢 430205）

一、引言

1998 年房地產(chǎn)市場(chǎng)化改革以來，中國(guó)房地產(chǎn)業(yè)迅速發(fā)展，不僅成為國(guó)民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，而且也為經(jīng)濟(jì)增長(zhǎng)起到了顯著的拉動(dòng)作用。但與此同時(shí)，房?jī)r(jià)的大幅上漲和波動(dòng)導(dǎo)致實(shí)際房?jī)r(jià)持續(xù)偏離長(zhǎng)期均衡價(jià)格，引發(fā)了社會(huì)各界對(duì)房?jī)r(jià)泡沫問題的廣泛關(guān)注。房?jī)r(jià)泡沫化不僅使房地產(chǎn)市場(chǎng)的投機(jī)成分大幅增加，對(duì)剛性需求產(chǎn)生擠出效應(yīng)，而且可能使大量資源流入房地產(chǎn)業(yè)，對(duì)實(shí)體經(jīng)濟(jì)產(chǎn)生擠出效應(yīng)[1]；房地產(chǎn)市場(chǎng)的持續(xù)失衡也會(huì)危害其他部門的穩(wěn)定性，如金融部門[2]，從而對(duì)經(jīng)濟(jì)增長(zhǎng)產(chǎn)生抑制作用。2008年以來，中央政府頻繁干預(yù)房地產(chǎn)市場(chǎng)，但許多研究表明政府的調(diào)控政策收效甚微[3]，甚至造成了房?jī)r(jià)失衡的進(jìn)一步擴(kuò)大。究其原因在于，長(zhǎng)期以來，由于缺乏動(dòng)態(tài)一致性[4]和前瞻性[5]，缺乏對(duì)房?jī)r(jià)泡沫的科學(xué)度量，忽視城市異質(zhì)性而采取“一刀切”的方式等原因，導(dǎo)致調(diào)控政策僅具有短期效應(yīng)。因此，新一輪房地產(chǎn)制度改革中，在不放松短期調(diào)控的條件下，中央政府開始著力推進(jìn)基礎(chǔ)性制度和長(zhǎng)效機(jī)制建設(shè)。2016－2018 年中央政府連續(xù)提出了“房地產(chǎn)長(zhǎng)效機(jī)制”的建設(shè)目標(biāo)與要求，2016 年明確了“房住不炒”的定位方向，2017 年提出了“差別化調(diào)控”的新思路，并在2018 年將這一思路進(jìn)一步明確為“因城施策、分類指導(dǎo)”。顯然，“房住不炒”“長(zhǎng)效機(jī)制”以及“因城施策”構(gòu)成了當(dāng)前房地產(chǎn)政策體系的核心內(nèi)容。而有效落實(shí)這些政策思路，首先需要明確房?jī)r(jià)的決定因素，如此才能為構(gòu)建長(zhǎng)效機(jī)制的內(nèi)容體系提供基礎(chǔ)；其次需要確定房?jī)r(jià)泡沫的程度、產(chǎn)生原因與特征，如此才能有針對(duì)性地實(shí)施“因城施策”策略。

本文的研究思路按照上述問題展開，結(jié)構(gòu)安排為：第二部分為文獻(xiàn)綜述，指出已有研究的不足和本文的創(chuàng)新點(diǎn)；第三部分為理論分析與模型方法；第四部分為實(shí)證檢驗(yàn)與結(jié)果分析；最后為結(jié)論與政策建議。本文的研究希望能夠?yàn)橹醒胝M(jìn)一步實(shí)施異質(zhì)化政策、構(gòu)建長(zhǎng)效機(jī)制提供理論依據(jù)和經(jīng)驗(yàn)支持。

二、文獻(xiàn)綜述

房地產(chǎn)業(yè)具有產(chǎn)業(yè)鏈長(zhǎng)、關(guān)聯(lián)度高等特點(diǎn)，與消費(fèi)、生產(chǎn)和宏觀經(jīng)濟(jì)都存在著顯著的相關(guān)性。已有文獻(xiàn)在非常廣的范圍內(nèi)探討了房?jī)r(jià)的決定因素，但這些研究大都基于某一研究意圖，主觀性地選取某些因素，通過實(shí)證檢驗(yàn)得到這些因素對(duì)房?jī)r(jià)的解釋作用。而究竟哪些因素共同決定房?jī)r(jià)，現(xiàn)有研究并未給出有說服力的結(jié)論。Konstantin 和Ulbricht（2015）[6]利用Abraham 和Hendershott（1996）[7]等文獻(xiàn)關(guān)于房?jī)r(jià)決定因素的研究結(jié)論，通過BMA 方法提取出人口密度、人均按揭貸款、收入差距和失業(yè)率等四個(gè)決定因素，顯然這一結(jié)論并不能全面反映房?jī)r(jià)的決定因素，但為獲取房?jī)r(jià)的共同決定因素提供了思路。

由于市場(chǎng)非理性，資產(chǎn)價(jià)格并不總能完全反映基本面[8]，Blanchard 和Fischer（1989）[9]將資產(chǎn)價(jià)格超出經(jīng)濟(jì)基本面價(jià)格的部分定義為資產(chǎn)泡沫，“如果一種資產(chǎn)的價(jià)格高??，而與經(jīng)濟(jì)的基本面沒有關(guān)系，那么泡沫就存在了”[10]。房?jī)r(jià)泡沫是資產(chǎn)泡沫的重要構(gòu)成部分，因此可以將房?jī)r(jià)泡沫定義為房?jī)r(jià)中超過基礎(chǔ)價(jià)值的部分[11]。由于目前中國(guó)房?jī)r(jià)持續(xù)失衡，因此房?jī)r(jià)泡沫測(cè)度對(duì)房地產(chǎn)市場(chǎng)調(diào)控和風(fēng)險(xiǎn)處置具有重要的實(shí)踐意義，但在Blanchard 和Fisher（1989）[9]看來，實(shí)體經(jīng)濟(jì)價(jià)格的計(jì)算是難點(diǎn)?，F(xiàn)有文獻(xiàn)對(duì)房?jī)r(jià)泡沫的測(cè)度主要使用兩類方法。一類是指標(biāo)法，通過構(gòu)造某些指標(biāo)對(duì)房?jī)r(jià)泡沫進(jìn)行度量，如房?jī)r(jià)收入比、租售比、空置率等指標(biāo)。代表性文獻(xiàn)有Case 和Sheller（2003）[12]、呂江林（2010）[13]、張川川（2016）[14]等。雖然指標(biāo)法直觀方便，但并不能合理地反映經(jīng)濟(jì)基本面差異較大地區(qū)的實(shí)際情況，尤其是對(duì)指標(biāo)臨界值的選擇主觀性較強(qiáng)，存在諸多爭(zhēng)議。另一類是統(tǒng)計(jì)檢驗(yàn)法，根據(jù)統(tǒng)計(jì)數(shù)據(jù)的規(guī)律性，通過單位根檢驗(yàn)和協(xié)整檢驗(yàn)，檢測(cè)房?jī)r(jià)泡沫是否存在。Hamilton 和Whiteman（1985）[15]提出單位根檢驗(yàn)，Diba 和Grossman（1988）[16]則提出不僅要進(jìn)行單位根檢驗(yàn)，還應(yīng)進(jìn)行協(xié)整檢驗(yàn)，但統(tǒng)計(jì)檢驗(yàn)法的缺陷在于其無法剔除周期影響，因而無法保證檢驗(yàn)結(jié)果的準(zhǔn)確性。

基于房?jī)r(jià)泡沫定義，Abraham 和Hendershott（1994）[7]提出了基本面價(jià)格模型法，通過計(jì)算基礎(chǔ)價(jià)值，即基本面價(jià)格，并將其從實(shí)際房?jī)r(jià)中剔除，從而得到房?jī)r(jià)泡沫水平。大量研究表明，經(jīng)濟(jì)基本面是決定均衡房?jī)r(jià)的最主要原因[1][17]，能夠很好地解釋房?jī)r(jià)[18～20]。但由于基本面價(jià)格的獲取取決于大數(shù)據(jù)樣本和描述經(jīng)濟(jì)基本面指標(biāo)的準(zhǔn)確性和有效性，因此該方法未能得到廣泛應(yīng)用，直到近年來中國(guó)部分學(xué)者才開始使用該方法對(duì)房?jī)r(jià)泡沫進(jìn)行測(cè)度和分析，如高波等（2014）[21]、孟慶斌和榮晨（2017）[1]、陳卓（2018）[17]等。在經(jīng)濟(jì)基本面指標(biāo)的選取上，已有文獻(xiàn)大都基于主觀經(jīng)驗(yàn)選擇某幾個(gè)變量構(gòu)建基本面價(jià)格模型，如Quigley（1999）[22]使用收入、總?cè)丝诤途蜆I(yè)等指標(biāo)，鄒至莊和牛霖琳（2010）[23]使用人均收入和建筑成本，孟慶斌和榮晨（2017）[1]選取利率、地價(jià)、通脹率等變量，陳卓（2018）[17]使用人均可支配收入、總?cè)丝谝?guī)模等因素。如何避免主觀影響，客觀有效地描述經(jīng)濟(jì)基本面，Konstantin 和Ulbricht（2015）[6]的研究為本文提供了非常值得借鑒的思路。

目前房?jī)r(jià)泡沫如何形成遠(yuǎn)沒有達(dá)成共識(shí)，但大量研究表明預(yù)期是房?jī)r(jià)泡沫的重要解釋。Kindleberger（1996）[24]將資產(chǎn)泡沫描述為“一種或一系列（資產(chǎn)）在一個(gè)連續(xù)過程中陡然漲價(jià)，開始的價(jià)格上漲會(huì)使人們產(chǎn)生還要漲價(jià)的預(yù)期??，隨著漲價(jià)，常常是預(yù)期的逆轉(zhuǎn)??”。Case 和Shiller（2003）[12]、Piazzesi和Schneider（2009）[25]發(fā)現(xiàn)預(yù)期對(duì)美國(guó)房地產(chǎn)市場(chǎng)的繁榮起到了重要作用，Kanik 和Xiao（2014）[26]的研究表明預(yù)期能夠解釋房?jī)r(jià)波動(dòng)的30%左右。在國(guó)內(nèi)的研究中，梁云芳和高鐵梅（2006）[27]、況偉大（2010）[28]、陳卓（2018）[17]等均提出了預(yù)期對(duì)房?jī)r(jià)泡沫形成的重要性。泡沫理論認(rèn)為，在有限理性和非有效市場(chǎng)假設(shè)下，預(yù)期往往會(huì)引發(fā)投資者的投機(jī)行為和羊群行為，在市場(chǎng)供需機(jī)制的作用下，歷史房?jī)r(jià)的上漲或下跌將引致本期房?jī)r(jià)的上漲或下跌，并導(dǎo)致實(shí)際房?jī)r(jià)對(duì)基本面價(jià)格的偏離。市場(chǎng)機(jī)制之外，政府政策在預(yù)期以及房?jī)r(jià)泡沫形成中同樣起到了重要作用[29]，大量研究表明房?jī)r(jià)在很大程度上受到政策環(huán)境影響[30～31]，政府調(diào)控政策，尤其是貨幣政策，是造成短期房?jī)r(jià)波動(dòng)的重要原因[32]，陳利鋒（2016）[33]認(rèn)為2002 年以來中國(guó)政府的調(diào)控政策與民眾預(yù)期保持了顯著的一致性，預(yù)期的變化與房?jī)r(jià)波動(dòng)存在顯著的協(xié)動(dòng)關(guān)系。因此，基本面價(jià)格之外的房?jī)r(jià)偏離，即房?jī)r(jià)泡沫，可以分解為市場(chǎng)效應(yīng)和政策效應(yīng)，通過這種劃分，能夠觀察兩種機(jī)制對(duì)房?jī)r(jià)泡沫的影響，尤其是不同城市的具體表現(xiàn)，從而可以為評(píng)價(jià)宏觀調(diào)控效果和分城施策等提供經(jīng)驗(yàn)依據(jù)。

本文通過構(gòu)建房?jī)r(jià)決定模型對(duì)中國(guó)35 個(gè)大中城市的房?jī)r(jià)泡沫進(jìn)行了測(cè)度，并對(duì)房?jī)r(jià)波動(dòng)進(jìn)行了效應(yīng)分解。主要?jiǎng)?chuàng)新點(diǎn)表現(xiàn)為以下幾方面：一是基于經(jīng)濟(jì)基本面模型，從理論上構(gòu)建了房?jī)r(jià)泡沫測(cè)度模型，并以預(yù)期理論為基礎(chǔ)，分析了房?jī)r(jià)泡沫的產(chǎn)生機(jī)理；二是區(qū)別于主觀選擇房?jī)r(jià)影響因素的做法，采用貝葉斯模型平均（BMA）方法，提取出了對(duì)房?jī)r(jià)最具解釋力的因素；三是從預(yù)期構(gòu)成和影響機(jī)制等不同維度對(duì)房?jī)r(jià)泡沫進(jìn)行了效應(yīng)分解，發(fā)現(xiàn)預(yù)期的調(diào)整效應(yīng)使房?jī)r(jià)泡沫得到有效縮減，市場(chǎng)機(jī)制對(duì)房?jī)r(jià)的影響較為平穩(wěn)，而東部城市的房?jī)r(jià)上漲主要源于政策機(jī)制的影響。

三、理論分析與模型方法

（一）房?jī)r(jià)泡沫度量模型與方法

上述房?jī)r(jià)泡沫的測(cè)度方法中，基本面價(jià)格模型法最符合房?jī)r(jià)泡沫的含義，即實(shí)際房?jī)r(jià)中超出均衡價(jià)格的部分，根據(jù)經(jīng)濟(jì)基本面因素求出基本面價(jià)格（或均衡價(jià)格）后，將其從實(shí)際房?jī)r(jià)中剔除，從而得到房?jī)r(jià)泡沫，即：

定義泡沫度為房?jī)r(jià)泡沫部分與均衡價(jià)格的比值，即：

P、P*分別為實(shí)際價(jià)格和均衡價(jià)格，由不同因素決定，包括基本面價(jià)格因素 Xit和非經(jīng)濟(jì)基本面因素，分別表述為如下函數(shù)關(guān)系式：

基于主觀經(jīng)驗(yàn)選取房?jī)r(jià)決定因素通常會(huì)導(dǎo)致變量間出現(xiàn)交叉影響和多重共線性問題，并且在構(gòu)建模型時(shí)，無法事先確定哪些因素應(yīng)進(jìn)入房?jī)r(jià)決定系統(tǒng)，即存在不確定性問題，變量組合即使通過了可靠性和穩(wěn)健性檢驗(yàn)，也無法確定其是否為最優(yōu)組合。

為解決房?jī)r(jià)決定模型的不確定性，Leamer（1978）[34]提出了BMA 方法，后經(jīng)Raftery 等（1997）[35]和Fernandez 等（2001）[36]加以完善，在許多領(lǐng)域得到廣泛應(yīng)用。BMA 方法的基本思想是利用變量集合X 的先驗(yàn)信息和先驗(yàn)概率，得到各模型的后驗(yàn)概率，通過進(jìn)一步計(jì)算得到各個(gè)解釋變量的后驗(yàn)包含概率（PIP）、后驗(yàn)均值（PM）及后驗(yàn)方差；然后根據(jù)PIP 的高低確定入選的變量組合，根據(jù)模型的后驗(yàn)概率比較不同單一模型的優(yōu)劣。比較而言，BMA 方法假設(shè)檢驗(yàn)簡(jiǎn)便，不需要對(duì)總體和樣本統(tǒng)計(jì)分布進(jìn)行事先假設(shè)檢驗(yàn)；能夠充分利用信息，將每個(gè)候選模型參數(shù)的后驗(yàn)估計(jì)概率進(jìn)行加權(quán)平均，避免了人為篩選可能造成的信息損失；通過計(jì)算每一個(gè)假設(shè)的后驗(yàn)概率，能夠?qū)γ總€(gè)解釋變量和模型的優(yōu)劣進(jìn)行評(píng)價(jià)。

參數(shù)后驗(yàn)概率、模型后驗(yàn)概率、參數(shù)后驗(yàn)均值和參數(shù)后驗(yàn)方差分別表示為：

當(dāng)集合X 的變量數(shù)目較大時(shí)，候選模型的數(shù)量也會(huì)很大，導(dǎo)致參數(shù)和模型后驗(yàn)概率的迭代計(jì)算非常困難，采用馬爾科夫蒙特羅模型綜合（ MC3）抽樣技術(shù)能夠提高計(jì)算效率。 MC3抽樣技術(shù)的基本思路是以特定概率抽取出備選模型，再以特定概率接納該模型，因此有效信息越多的變量和后驗(yàn)概率越高的模型，更大概率會(huì)被接受。

（二）基于預(yù)期的房?jī)r(jià)泡沫分解

為了進(jìn)一步分析房?jī)r(jià)泡沫的產(chǎn)生及其特征，本文以預(yù)期理論為基礎(chǔ)，根據(jù)預(yù)期對(duì)房?jī)r(jià)影響的效應(yīng)差異，將其從構(gòu)成上分為慣性預(yù)期和調(diào)整預(yù)期，從機(jī)制上分為市場(chǎng)基本面變化形成的預(yù)期和政策變化形成的預(yù)期。

1. 慣性預(yù)期效應(yīng)和調(diào)整預(yù)期效應(yīng)

適應(yīng)性預(yù)期理論解釋了預(yù)期對(duì)房?jī)r(jià)的影響，認(rèn)為投資者會(huì)根據(jù)資產(chǎn)價(jià)格的歷史信息對(duì)當(dāng)前價(jià)格的預(yù)期進(jìn)行修正，本期價(jià)格變動(dòng)與上期價(jià)格變動(dòng)有關(guān)，而與下期價(jià)格變動(dòng)無關(guān)。

投資者受到“買漲不買跌”心理的驅(qū)使，當(dāng)歷史價(jià)格上漲時(shí)，價(jià)格差增加了投資者的獲利機(jī)會(huì)，出于慣性，投資者將預(yù)期本期價(jià)格上漲，從而增加需求；反之，歷史價(jià)格下跌時(shí)，投資者預(yù)期本期價(jià)格下跌，從而減少需求。由于歷史價(jià)格變動(dòng)趨勢(shì)導(dǎo)致的慣性預(yù)期對(duì)房?jī)r(jià)的影響效應(yīng)定義為慣性預(yù)期效應(yīng)。但投資者的預(yù)期也會(huì)受到經(jīng)濟(jì)基本面所處階段的影響，當(dāng)經(jīng)濟(jì)繁榮時(shí)，實(shí)際房?jī)r(jià)高于基本面價(jià)格，在慣性預(yù)期基礎(chǔ)上，投資者會(huì)正向調(diào)整房?jī)r(jià)上漲預(yù)期；反之，當(dāng)經(jīng)濟(jì)衰退時(shí)，投資者會(huì)負(fù)向調(diào)整房?jī)r(jià)預(yù)期。這種調(diào)整的預(yù)期對(duì)房?jī)r(jià)的影響效應(yīng)定義為調(diào)整預(yù)期效應(yīng)。

運(yùn)用Abraham 和Hendershott（1996）[7]、Capozza 等（2002）[19]的思路，式（2）變換為：

將式（9）代入式（1）中，得到以下房?jī)r(jià)泡沫的函數(shù)關(guān)系式：

其中， pt、分別表示本期房?jī)r(jià)和本期均衡房?jī)r(jià)的變化率。

2. 市場(chǎng)效應(yīng)和政策效應(yīng)

市場(chǎng)機(jī)制是決定房?jī)r(jià)的基礎(chǔ)，理論上，市場(chǎng)供需的短期失衡會(huì)使實(shí)際房?jī)r(jià)經(jīng)常性地偏離基本面房?jī)r(jià)，而預(yù)期又將進(jìn)一步強(qiáng)化這種偏離狀態(tài)，導(dǎo)致市場(chǎng)失靈，并產(chǎn)生房?jī)r(jià)泡沫。由于市場(chǎng)不完善，如果沒有其他機(jī)制介入，市場(chǎng)可能長(zhǎng)期處于失衡狀態(tài)，造成社會(huì)福利損失。通常政府干預(yù)是彌補(bǔ)市場(chǎng)失靈的重要機(jī)制，政府通過“相機(jī)抉擇”和“反周期”政策，能夠在一定程度上逆轉(zhuǎn)投資者預(yù)期，“熨平”周期波動(dòng)，從而實(shí)現(xiàn)短期房?jī)r(jià)趨近于長(zhǎng)期均衡。因此房?jī)r(jià)泡沫可以看作這兩種機(jī)制綜合影響效應(yīng)的結(jié)果，理論上政策機(jī)制對(duì)房?jī)r(jià)的作用方向與市場(chǎng)機(jī)制相反。

分解兩種效應(yīng)的難點(diǎn)在于政府的調(diào)控政策難以量化，很難完全有效地獲得政策對(duì)房?jī)r(jià)的影響。但在基本面價(jià)格模型下，可以先分解出市場(chǎng)機(jī)制對(duì)房?jī)r(jià)的影響，再從房?jī)r(jià)泡沫中分解出政策對(duì)房?jī)r(jià)的影響。具體參考Capozza 等（2002）[19]的處理方式，考慮市場(chǎng)機(jī)制、預(yù)期與房?jī)r(jià)的邏輯關(guān)系，采用預(yù)期與基本面價(jià)格因素的交互項(xiàng)表征市場(chǎng)機(jī)制對(duì)房?jī)r(jià)泡沫的影響，表示為如下函數(shù)關(guān)系：

四、實(shí)證分析

（一）數(shù)據(jù)與變量說明

與省際數(shù)據(jù)相比，35 個(gè)大中城市代表了各省份和地區(qū)的最高經(jīng)濟(jì)發(fā)展水平和市場(chǎng)化水平，選取35個(gè)大中城市的面板數(shù)據(jù)能更好地反映房?jī)r(jià)波動(dòng)。時(shí)間范圍界定為1999－2017 年，共形成665 個(gè)數(shù)據(jù)樣本，所有數(shù)據(jù)來自中國(guó)統(tǒng)計(jì)局、中經(jīng)網(wǎng)、中國(guó)人民銀行以及各城市歷年的《統(tǒng)計(jì)年鑒》。

使用BMA 方法提取房?jī)r(jià)決定因素，需事先構(gòu)建房?jī)r(jià)影響因素集。本文使用文獻(xiàn)分析法，以“房?jī)r(jià)”及相似主題詞進(jìn)行文獻(xiàn)檢索，文獻(xiàn)范圍限定為CSSCI 來源期刊，時(shí)間范圍為1998 年至今，共得到3227篇文獻(xiàn)，經(jīng)分析處理，選取其中的219 篇文獻(xiàn)進(jìn)行文本分析，提取出79 個(gè)房?jī)r(jià)影響因素，在頻次統(tǒng)計(jì)后，舍棄頻次僅為1 的因素，最終得到包含35 個(gè)因素的集合（見表1），涵蓋了宏觀、產(chǎn)業(yè)、成本、行政、人口、市場(chǎng)、收入和土地等8 個(gè)方面。

按通常做法，所有價(jià)格和收入指標(biāo)取實(shí)際值，并剔除通脹影響。為避免異方差和量綱的干擾，所有非比例和非比率指標(biāo)均作對(duì)數(shù)化處理。接下來對(duì)部分變量的含義加以說明：使用城市常住人口與戶籍人口的差額表征城市化；使用進(jìn)出口總額占GDP 的比重表征對(duì)外開放度；采用范新英和張所地（2018）[37]構(gòu)建的產(chǎn)業(yè)結(jié)構(gòu)合理化指標(biāo)表征產(chǎn)業(yè)泰爾指數(shù)；使用（0，1）虛擬變量表征限購；使用房地產(chǎn)開發(fā)企業(yè)非自籌資金與銷售額的80%表征信貸；分別使用中國(guó)人民銀行一年以內(nèi)和五年以上的貸款利率減去同期的通貨膨脹率表征短期實(shí)際利率和長(zhǎng)期實(shí)際利率；使用城市常住人口增加數(shù)減去戶籍人口數(shù)表征人口流動(dòng)；使用滯后一期房?jī)r(jià)表征預(yù)期；使用城鎮(zhèn)人均可支配收入與農(nóng)村人均純收入之比表征城鄉(xiāng)收入差距。

（二）基本面價(jià)格決定因素分析——基于BMA 和MC3 方法

表1 顯示，各變量均值均大于標(biāo)準(zhǔn)差，不存在異常數(shù)據(jù)。本文使用R 軟件，調(diào)用BMS 程序包進(jìn)行MC3抽樣和BMA 分析。35 個(gè)解釋變量共形成235個(gè)備選模型，設(shè)定基準(zhǔn)模型的先驗(yàn)概率為均勻分布，參數(shù)的先驗(yàn)概率為隨機(jī)g 型分布。從候選模型中抽取5010000 個(gè)模型，其中初始的10000 次抽樣為預(yù)熱實(shí)驗(yàn)，其余的5000000 次抽樣作為模擬樣本。相關(guān)性檢驗(yàn)表明上述模型非正定，分析結(jié)果顯示部分變量間存在強(qiáng)相關(guān)性，通過使用逐步回歸法發(fā)現(xiàn)土地購置費(fèi)是造成強(qiáng)相關(guān)性的原因，考慮到地價(jià)已經(jīng)包含土地購置費(fèi)的信息，因此刪除該變量，保留剩余的34 個(gè)變量。

表1 房?jī)r(jià)影響因素

圖1 顯示了房?jī)r(jià)后驗(yàn)?zāi)Ｐ鸵?guī)模分布的均值，模型規(guī)模呈均勻分布，均值為16.78，并達(dá)到最大值，概率值達(dá)到99%以上，意味著單一模型平均包含16 個(gè)有效解釋房?jī)r(jià)的變量。BMA 估計(jì)結(jié)果顯示于表2，后驗(yàn)概率（PIP）反映了各解釋變量對(duì)房?jī)r(jià)的解釋能力，符號(hào)確定率指的是所有包括該解釋變量的估計(jì)結(jié)果中，變量系數(shù)符號(hào)與后驗(yàn)均值符號(hào)一致的概率，反映了該變量的穩(wěn)健性。

圖1 房?jī)r(jià)后驗(yàn)?zāi)Ｐ鸵?guī)模分布均值

表2 所列16 個(gè)變量為中國(guó)房?jī)r(jià)的決定因素，其中地方財(cái)政支出、長(zhǎng)期實(shí)際利率和信貸為政策因素，預(yù)期是形成泡沫的最重要因素，因此選取剩余的12 個(gè)變量為基本面價(jià)格決定因素。按PIP 排序，分為兩組。第一組包括9 個(gè)變量，后驗(yàn)概率均大于0.9，對(duì)房地產(chǎn)基本面價(jià)格具有最為顯著的解釋能力。其中，房地產(chǎn)施工面積、銷售面積、失業(yè)率和固定資產(chǎn)投資額的后驗(yàn)均值為負(fù)，符號(hào)確定率為0，表明這4 個(gè)變量對(duì)房?jī)r(jià)的影響雖然顯著，但影響方向不確定。其余5 個(gè)變量的后驗(yàn)均值均為正，與后驗(yàn)標(biāo)準(zhǔn)差的比值都大于2，意味著這些變量對(duì)房?jī)r(jià)具有顯著的正向決定作用。第二組包括3 個(gè)變量，后驗(yàn)概率介于0.5～0.8，對(duì)房地產(chǎn)基本面價(jià)格具有一定的解釋能力。后驗(yàn)均值均為正，且與后驗(yàn)標(biāo)準(zhǔn)差的比值大于1，符號(hào)確定率為1，表明這3 個(gè)變量對(duì)基本面價(jià)格具有較為顯著的正向決定作用。

通過改變參數(shù)和模型的先驗(yàn)概率，模型規(guī)模均值、變量后驗(yàn)概率、均值以及符號(hào)均與原實(shí)證結(jié)果相同，表明BMA 的估計(jì)結(jié)果有效且穩(wěn)健。

表2 BMA 估計(jì)結(jié)果

（三）房地產(chǎn)基本面價(jià)格估計(jì)

首先，對(duì)面板數(shù)據(jù)進(jìn)行檢驗(yàn)。Levinlin 平穩(wěn)性檢驗(yàn)表明主要變量平穩(wěn)，可以進(jìn)行下一步分析；方差膨脹因子檢驗(yàn)結(jié)果顯示，模型VIF 值等于12.6，大于10，解釋變量間存在多重共線性問題，其中房地產(chǎn)開發(fā)投資的VIF 值超過50，是造成多重共線性的重要原因，而去掉該變量后，模型的VIF 值降至7.27，不再存在明顯的多重共線性；面板數(shù)據(jù)通常存在異方差問題，white 檢驗(yàn)結(jié)果證實(shí)了這一點(diǎn)，同時(shí)檢驗(yàn)結(jié)果顯示也存在序列相關(guān)。

其次，模型選擇。為了驗(yàn)證模型是否存在內(nèi)生性，采取兩種方法，一種是求取所有解釋變量與模型擾動(dòng)項(xiàng)的相關(guān)系數(shù)，結(jié)果顯示不存在相關(guān)性；二是利用Hausman 和Davidson-Mackinnon 檢驗(yàn)，結(jié)果拒絕原假設(shè)。兩種方法均證實(shí)模型不存在內(nèi)生性。在此基礎(chǔ)上，Hausman 檢驗(yàn)表明應(yīng)選擇固定效應(yīng)模型，為解決異方差和序列相關(guān)問題，本文采用“OLS+穩(wěn)健性”處理方式。

表3 報(bào)告了房?jī)r(jià)決定模型的估計(jì)結(jié)果，包括房地產(chǎn)基本面價(jià)格的決定模型和引入預(yù)期的房?jī)r(jià)決定模型兩部分?；久鎯r(jià)格回歸結(jié)果顯示，與模型（1）OLS 估計(jì)相比，采用固定效應(yīng)模型后，模型（4）的擬合度（A-R2）得到提升，選取的基本面因素較好地解釋了均衡房?jī)r(jià)，系數(shù)符號(hào)基本符合解釋變量與被解釋變量的函數(shù)關(guān)系。具體來看，固定資產(chǎn)投資每變化1%，將引起基本面房?jī)r(jià)變化0.16%；房地產(chǎn)銷售面積每變化1%，將引起基本面房?jī)r(jià)變化-0.15%；人均消費(fèi)支出每變化1%，將引起基本面房?jī)r(jià)變化0.15%。這三個(gè)變量是影響中國(guó)房地產(chǎn)基本面價(jià)格的最主要因素，其次建筑成本（0.07%）、地價(jià)（0.06%）、人口增長(zhǎng)率（0.01%）也是基本面房?jī)r(jià)的主要影響因素，其他因素的影響系數(shù)較小或者不顯著。

表3 房?jī)r(jià)決定模型估計(jì)結(jié)果

（四）房?jī)r(jià)泡沫估計(jì)

以上述基本面房?jī)r(jià)模型為基礎(chǔ)，擬合導(dǎo)出對(duì)應(yīng)的基本面房?jī)r(jià)，然后根據(jù)式（2），得到35 個(gè)大中城市的泡沫度，圖2～5 分別報(bào)告了35 個(gè)大中城市總體樣本及東部、中部和西部城市的泡沫度情況。

圖2 35 個(gè)大中城市泡沫度總體情況

圖3 東部城市泡沫度

圖4 中部城市泡沫度

圖5 西部城市泡沫度

從整體上來看，2008 年之前，房地產(chǎn)市場(chǎng)處于增長(zhǎng)階段，實(shí)際房?jī)r(jià)與基本面房?jī)r(jià)的偏離幅度較小，基本不存在房?jī)r(jià)泡沫；而2008 年金融危機(jī)的爆發(fā)使房?jī)r(jià)偏離基本面房?jī)r(jià)之后，2009－2016 年，大部分城市的實(shí)際房?jī)r(jià)與基本面房?jī)r(jià)的偏離呈增長(zhǎng)趨勢(shì)；2017 年，這一偏離急劇下滑，除少數(shù)城市（如北京、上海、深圳、石家莊和呼和浩特）外，實(shí)際房?jī)r(jià)均大幅低于基本面價(jià)格。由此可以看出，房?jī)r(jià)泡沫主要存在于2009－2016 年。

將35 個(gè)大中城市按所屬區(qū)域分為東、中、西部城市三個(gè)樣本，分別包含16、8、11 個(gè)城市?？梢园l(fā)現(xiàn)，假設(shè)以10%為分界線，2009 年以來，房?jī)r(jià)泡沫主要集中于東部城市，這一期間有11 個(gè)城市的泡沫度高于10%，其中北京、上海、深圳、廈門等城市的房?jī)r(jià)泡沫尤為顯著。與東部城市相比，除某些時(shí)間點(diǎn)的個(gè)別城市外，中、西部城市未顯示出高于基本面價(jià)格的泡沫現(xiàn)象，反而呈現(xiàn)出明顯的低估特征。

從峰值表現(xiàn)來看，不同區(qū)域城市的房?jī)r(jià)泡沫度峰值年份并不一致。具體表現(xiàn)為，東部城市的泡沫度峰值出現(xiàn)在2009－2010 年，另一峰值出現(xiàn)于2016 年；中部城市的峰值出現(xiàn)在2011－2012 年，而西部城市的峰值出現(xiàn)于2012 年?？梢钥闯?，不同區(qū)域間的房?jī)r(jià)泡沫存在一定的傳染性和遞進(jìn)特征。

（五）房?jī)r(jià)波動(dòng)效應(yīng)分解

如表3 所示，基本面房?jī)r(jià)模型中引入預(yù)期因素后，模型的擬合度基本沒有發(fā)生變化。從變量的系數(shù)值來看，預(yù)期不僅對(duì)實(shí)際房?jī)r(jià)具有顯著的影響，而且系數(shù)值達(dá)到了0.242，即預(yù)期變化1%，將導(dǎo)致實(shí)際房?jī)r(jià)變化0.242%；其他變量系數(shù)值或有所降低，或保持不變。因此，綜合基本面房?jī)r(jià)和實(shí)際房?jī)r(jià)的估計(jì)結(jié)果，預(yù)期是解釋兩種房?jī)r(jià)差異的最重要原因。接下來從兩個(gè)角度對(duì)房?jī)r(jià)波動(dòng)進(jìn)行分解。

1. 預(yù)期效應(yīng)分解

如上文所述，從構(gòu)成上，預(yù)期對(duì)房?jī)r(jià)泡沫的影響可以分為慣性預(yù)期效應(yīng)和調(diào)整預(yù)期效應(yīng)。利用式（9），通過差分將所有解釋變量轉(zhuǎn)換為變化率指標(biāo)，以泡沫度為被解釋變量，使用固定效應(yīng)模型進(jìn)行估計(jì)。

表4 報(bào)告了房?jī)r(jià)波動(dòng)預(yù)期效應(yīng)的估計(jì)結(jié)果，可以看出，慣性預(yù)期和調(diào)整預(yù)期對(duì)房?jī)r(jià)波動(dòng)具有顯著的影響效應(yīng)。其中，慣性預(yù)期效應(yīng)為0.248，表明在適應(yīng)性預(yù)期下，房?jī)r(jià)具有正反饋效應(yīng)，房?jī)r(jià)歷史變化率對(duì)房?jī)r(jià)泡沫具有正向促進(jìn)作用，上期房?jī)r(jià)的增長(zhǎng)會(huì)導(dǎo)致本期房?jī)r(jià)加速上漲；反之，上期房?jī)r(jià)下跌會(huì)導(dǎo)致本期房?jī)r(jià)加速回落。調(diào)整預(yù)期效應(yīng)為-0.452，表明當(dāng)實(shí)際房?jī)r(jià)偏離基本面房?jī)r(jià)時(shí)，房?jī)r(jià)會(huì)產(chǎn)生負(fù)反饋效應(yīng)，也就是說房?jī)r(jià)具有自我矯正能力。由于預(yù)期的負(fù)向調(diào)整效應(yīng)大大強(qiáng)于正向慣性效應(yīng)，因此當(dāng)房?jī)r(jià)大幅上漲時(shí)，慣性預(yù)期將使房?jī)r(jià)泡沫自我強(qiáng)化，而調(diào)整預(yù)期將使房?jī)r(jià)泡沫自我抑制，兩相比較，房?jī)r(jià)泡沫在預(yù)期作用下得到了有效縮減。

表4 房?jī)r(jià)波動(dòng)預(yù)期效應(yīng)估計(jì)結(jié)果

2. 機(jī)制效應(yīng)分解

根據(jù)式（11）的設(shè)定，房?jī)r(jià)泡沫是市場(chǎng)機(jī)制和政策機(jī)制共同作用的結(jié)果，在對(duì)面板數(shù)據(jù)進(jìn)行各種檢驗(yàn)后，本文使用固定效應(yīng)模型對(duì)房?jī)r(jià)波動(dòng)的兩種效應(yīng)進(jìn)行了估計(jì)分析。同時(shí)，為具體反映房?jī)r(jià)波動(dòng)的特征，將35 個(gè)大中城市按所屬區(qū)域劃分為東、中和西部三個(gè)部分（見表5）。

由于篇幅所限，表5 主要報(bào)告了2009、2011、2013、2015 和2017 年的市場(chǎng)機(jī)制和政策機(jī)制對(duì)房?jī)r(jià)波動(dòng)的影響效應(yīng)，圖6～9 描述了1999－2017 年所有城市以及東、中、西部城市的房?jī)r(jià)波動(dòng)表現(xiàn)。綜合分析，房?jī)r(jià)波動(dòng)具有如下特征。

表5 房?jī)r(jià)波動(dòng)機(jī)制效應(yīng)估計(jì)結(jié)果

第一，不同城市的市場(chǎng)效應(yīng)和政策效應(yīng)的大小與方向不盡相同，表現(xiàn)出明顯的差異性。除濟(jì)南、青島、沈陽、天津等城市以外，東部城市的市場(chǎng)效應(yīng)和政策效應(yīng)非常顯著，大部分時(shí)間內(nèi)，兩種效應(yīng)均為正值，從而對(duì)房?jī)r(jià)上漲產(chǎn)生疊加效應(yīng)。與東部城市相比，市場(chǎng)機(jī)制和政策機(jī)制對(duì)中、西部城市的影響效應(yīng)普遍較??；一定時(shí)期內(nèi)，這些城市的市場(chǎng)效應(yīng)和政策效應(yīng)方向相異，對(duì)房?jī)r(jià)波動(dòng)產(chǎn)生對(duì)沖效應(yīng)，使房?jī)r(jià)波動(dòng)幅度較小。

第二，不同時(shí)期的房?jī)r(jià)波動(dòng)表現(xiàn)出明顯的周期性，具體劃分為四個(gè)階段：1999－2004 年、2005－2008年、2009－2014 年以及2015－2017 年。以東部城市為例，2004 年之前，整體上房?jī)r(jià)波動(dòng)基本穩(wěn)定，市場(chǎng)效應(yīng)和政策效應(yīng)不斷下降，同時(shí)實(shí)際房?jī)r(jià)趨近于基本面房?jī)r(jià)。也就是說，這一期間的房地產(chǎn)市場(chǎng)逐漸趨向均衡。但隨著2003 年政府宏觀調(diào)控之后，房?jī)r(jià)波動(dòng)日益增加，尤其是第三階段最為顯著，實(shí)際房?jī)r(jià)大幅正向偏離均衡價(jià)格。從中、西部城市來看，房?jī)r(jià)波動(dòng)的周期性特征較弱，除中部城市2010－2013年的影響效應(yīng)為正值外，大部分時(shí)間內(nèi)，這些城市的整體房?jī)r(jià)均趨向均衡房?jī)r(jià)。

第三，政策效應(yīng)對(duì)房?jī)r(jià)波動(dòng)的影響顯著。整體上看，市場(chǎng)效應(yīng)比較穩(wěn)定，表明經(jīng)濟(jì)基本面是實(shí)際房?jī)r(jià)變化的重要基礎(chǔ)。與市場(chǎng)效應(yīng)相比，政策效應(yīng)是房?jī)r(jià)大幅波動(dòng)以及房?jī)r(jià)泡沫的重要原因，尤其是對(duì)東部城市而言，2004 年以來，政策效應(yīng)大幅高于市場(chǎng)效應(yīng)，2009－2010 年這一差距達(dá)到最大。考察歷年的調(diào)控政策，可以發(fā)現(xiàn)房?jī)r(jià)波動(dòng)與調(diào)控方向表現(xiàn)出明顯的相悖性。2004－2007 年調(diào)控政策普遍從緊時(shí)，政策效應(yīng)卻逐漸增強(qiáng)；2008 年調(diào)控政策放松時(shí)，政策效應(yīng)減弱；2009－2010 年調(diào)控政策再次從緊時(shí)，政策效應(yīng)也再次增強(qiáng)。2012 年之后，調(diào)控政策雖然逐步趨于理性和科學(xué)化，強(qiáng)調(diào)供給側(cè)改革和構(gòu)建與完善房地產(chǎn)市場(chǎng)長(zhǎng)效機(jī)制，但并未改變政策效應(yīng)的態(tài)勢(shì)。直至2017 年，實(shí)際房?jī)r(jià)負(fù)向大幅偏離基本面價(jià)格，其中，市場(chǎng)機(jī)制的影響與其他年份基本無異，但除北京、深圳、石家莊和呼和浩特外，其他城市政策機(jī)制的影響效應(yīng)均為負(fù)值，并且大都在20%以上。如此表現(xiàn)與2017 年的宏觀調(diào)控是密不可分的，2017年房地產(chǎn)市場(chǎng)的調(diào)控力度和廣度遠(yuǎn)超他年，調(diào)控政策覆蓋110 個(gè)城市和部門，發(fā)布次數(shù)多達(dá)250 次以上，是造成實(shí)際房?jī)r(jià)大幅下跌的主要原因。

為何會(huì)造成政策調(diào)控的實(shí)踐效果與理論預(yù)期相反？許多文獻(xiàn)分析認(rèn)為，中國(guó)宏觀調(diào)控缺乏長(zhǎng)期性、側(cè)重需求端；地方政府由于存在土地財(cái)政粘性，從而偏向房?jī)r(jià)上漲。當(dāng)政府實(shí)施房?jī)r(jià)抑制政策時(shí)，一方面，投資者預(yù)期未來房?jī)r(jià)會(huì)再次上漲，從而形成套利空間，并導(dǎo)致需求增加；另一方面，由于供給不足，限購、限價(jià)等政策將進(jìn)一步強(qiáng)化投資者對(duì)市場(chǎng)短缺的預(yù)期，從而使調(diào)控政策的效力減弱。顯然，投資者的預(yù)期逆轉(zhuǎn)了原調(diào)控體系的政策效應(yīng)，這也解釋了為什么2010 年以來雖然中國(guó)實(shí)施了嚴(yán)格的限購、限價(jià)、限貸等政策，但房?jī)r(jià)反而陷入了越調(diào)越漲的窘境。

圖6 35 個(gè)大中城市房?jī)r(jià)波動(dòng)效應(yīng)估計(jì)結(jié)果

圖7 東部城市房?jī)r(jià)波動(dòng)效應(yīng)估計(jì)結(jié)果

圖8 中部城市房?jī)r(jià)波動(dòng)效應(yīng)估計(jì)結(jié)果

圖9 西部城市房?jī)r(jià)波動(dòng)效應(yīng)估計(jì)結(jié)果

五、結(jié)論與建議

基于基本面價(jià)格模型法，本文構(gòu)建了房?jī)r(jià)泡沫測(cè)度模型和泡沫分解方程。與已有文獻(xiàn)不同的是，本文在文獻(xiàn)分析的基礎(chǔ)上，構(gòu)建了包含35 個(gè)變量的房?jī)r(jià)影響因素集，利用BMA 方法和MC3技術(shù)提取出了16 個(gè)房?jī)r(jià)決定因素，其中12 個(gè)構(gòu)成了基本面房?jī)r(jià)的決定因素。在估計(jì)基本面房?jī)r(jià)的基礎(chǔ)上，利用泡沫度公式計(jì)算出了35 個(gè)大中城市的泡沫水平，結(jié)果顯示房?jī)r(jià)泡沫主要存在于2009－2016 年，2008 年之前35 個(gè)大中城市基本上沒有房?jī)r(jià)泡沫，而2017 年的實(shí)際房?jī)r(jià)大幅低于基本面房?jī)r(jià)。引入預(yù)期因素后，結(jié)果表明預(yù)期對(duì)實(shí)際房?jī)r(jià)具有顯著的解釋作用，是實(shí)際房?jī)r(jià)偏離基本面房?jī)r(jià)的重要原因。本文從預(yù)期的構(gòu)成以及房?jī)r(jià)的影響機(jī)制兩個(gè)方面對(duì)房?jī)r(jià)波動(dòng)效應(yīng)進(jìn)行了分解。一方面，將預(yù)期分為慣性預(yù)期和調(diào)整預(yù)期，結(jié)果顯示兩者對(duì)房?jī)r(jià)波動(dòng)均具有顯著影響，在慣性預(yù)期效應(yīng)作用下，房?jī)r(jià)具有正反饋?zhàn)饔?，而調(diào)整預(yù)期效應(yīng)使房?jī)r(jià)產(chǎn)生負(fù)反饋?zhàn)饔?，并且后者大大?qiáng)于前者，因此，房?jī)r(jià)泡沫在預(yù)期作用下得到有效縮減。另一方面，市場(chǎng)機(jī)制和政策機(jī)制對(duì)東部城市的影響效應(yīng)最為顯著，且均為正值，對(duì)房?jī)r(jià)產(chǎn)生疊加效應(yīng)，而中、西部城市的兩種效應(yīng)具有對(duì)沖效果，從而使得房?jī)r(jià)波動(dòng)幅度較小。分項(xiàng)來看，市場(chǎng)效應(yīng)較為平穩(wěn)，但2004 年以來，東部城市的政策效應(yīng)大幅高于市場(chǎng)效應(yīng)，是造成房?jī)r(jià)大幅波動(dòng)以及房?jī)r(jià)泡沫的重要原因。由此也產(chǎn)生了一個(gè)問題，即政策調(diào)控實(shí)踐與理論相悖，本文認(rèn)為這是預(yù)期逆轉(zhuǎn)所致，原因在于中國(guó)調(diào)控政策缺乏長(zhǎng)期性、側(cè)重需求端以及政府偏向房?jī)r(jià)上漲。根據(jù)實(shí)證分析結(jié)論，提出如下政策建議：

一是繼續(xù)推進(jìn)房地產(chǎn)業(yè)的市場(chǎng)化改革，發(fā)揮市場(chǎng)配置資源的基礎(chǔ)功能。本文實(shí)證結(jié)果表明，近年來中國(guó)房?jī)r(jià)泡沫集中于東部城市，并且政策調(diào)控是導(dǎo)致房?jī)r(jià)大幅波動(dòng)以及房?jī)r(jià)泡沫的重要原因。同時(shí)，市場(chǎng)機(jī)制對(duì)東部城市實(shí)際房?jī)r(jià)的影響效應(yīng)較為平穩(wěn)，頻繁的政策干預(yù)反而擾亂了房地產(chǎn)市場(chǎng)秩序，造成房?jī)r(jià)持續(xù)偏離均衡水平。因此，實(shí)現(xiàn)房地產(chǎn)市場(chǎng)的健康平穩(wěn)發(fā)展，應(yīng)盡快健全和完善市場(chǎng)機(jī)制，發(fā)揮市場(chǎng)在資源配置中的基礎(chǔ)作用。

二是完善預(yù)期影響房?jī)r(jià)的傳導(dǎo)機(jī)制，發(fā)揮預(yù)期在房?jī)r(jià)波動(dòng)中的“穩(wěn)定器”作用。實(shí)證結(jié)果表明，預(yù)期對(duì)房?jī)r(jià)具有顯著的自我矯正能力，雖然預(yù)期具有慣性，但這種負(fù)向反饋效應(yīng)能夠?qū)崿F(xiàn)房?jī)r(jià)對(duì)均衡水平的收斂。只是已有政策調(diào)控體系大都注重短期效應(yīng)，缺乏動(dòng)態(tài)一致性，導(dǎo)致房地產(chǎn)市場(chǎng)中存在大量的套利機(jī)會(huì)和預(yù)期逆轉(zhuǎn)現(xiàn)象，造成調(diào)控政策失效。因此，一方面，應(yīng)大力推進(jìn)供給側(cè)結(jié)構(gòu)性改革，重點(diǎn)實(shí)施增加住房供應(yīng)、改善住房供給結(jié)構(gòu)的舉措，如加大租賃住房供應(yīng)、發(fā)展共有產(chǎn)權(quán)住房等，實(shí)現(xiàn)供需均衡；另一方面，加快房地產(chǎn)稅制改革，實(shí)施差別化信貸政策，構(gòu)建土地供應(yīng)與房?jī)r(jià)、人口掛鉤的長(zhǎng)效平衡機(jī)制，盡快完善房地產(chǎn)市場(chǎng)平穩(wěn)健康發(fā)展的長(zhǎng)效機(jī)制，促進(jìn)房地產(chǎn)市場(chǎng)調(diào)控政策的連續(xù)性和穩(wěn)定性。

三是推動(dòng)差別化調(diào)控，防止房?jī)r(jià)“大落”。實(shí)證結(jié)果表明，不同城市的房?jī)r(jià)泡沫特征具有差異性，“一刀切”式的調(diào)控政策無法兼顧不同城市的具體情況，并且在東部與中、西部城市之間人為地創(chuàng)造了尋利空間，一方面導(dǎo)致東部城市的房?jī)r(jià)越調(diào)越漲，另一方面使中、西部城市房?jī)r(jià)持續(xù)低于均衡水平。因此，應(yīng)分清中央和地方事權(quán)，允許地方政府根據(jù)實(shí)際情況，因城因時(shí)精準(zhǔn)施策。同時(shí)應(yīng)注意到，截至2016年，只有東部城市的泡沫度還處于高位，中、西部城市的泡沫度已經(jīng)回落。但此后房地產(chǎn)調(diào)控的力度不減反增，2017 年、2018 年分別被稱為“最嚴(yán)調(diào)控年”“最頻繁調(diào)控年”，各城市和部門發(fā)布的調(diào)控政策依次達(dá)到250 次、450 次以上。雖然2019 年中央政府以“穩(wěn)”為政策基調(diào)，包括“穩(wěn)地價(jià)、穩(wěn)房?jī)r(jià)、穩(wěn)預(yù)期”，但絕大多數(shù)城市的泡沫水平已經(jīng)急劇下降，實(shí)際房?jī)r(jià)也大幅低于均衡水平。因此，未來房地產(chǎn)調(diào)控的重心不應(yīng)再是抑制泡沫、“防大起”，而應(yīng)是謹(jǐn)慎降溫、“防大落”。