工作论文

ETBMWP2024013城市间房价分化的影响因素研究 —— 基于机器学习方法
• 　　作者：陈小亮、陈衎、王兆瑞、肖争艳
  　　摘要：2013年以来，中国一二三线城市房价增速呈现明显的分化走势，“因 城施策”逐渐成为调控房价的主基调。要想“因城施策”，需要准确识别不同城市房价分化的主要影响因素。本文综合使用Xgboost等机器学习方法以及SHAP值解释性方法，基于2009--2019年全国70个大中城市的面板数据，测算并分析了一二三线城市多轮房价分化背后的主要驱动因素。研究结果表明:第一，预期因素在多轮房价分化期间都起到了重要的驱动作用;第二，货币政策本身并不是房价分化的主要驱动因素，但是可以通过影响预期进而导致房价分化;第三，需求因素和供给因素本身也不是房价分化的主要驱动因素，但是也可以通过影响预期进而导致房价分化。
  　　有鉴于此，不同城市“因城施策”的关键在于，基于自身情况，从需求端或供给端出发，稳定公众对房价走势的预期。就一线城市而言，由于外来人口持续流入，而土地供给则相对偏少，因此处于住房供给相对紧缺的状态，这也使得一线城市居民预期房价呈现上涨趋势。要想稳定房价预期，应考虑在控制土地成本的前提下适当增加住房供给，以削弱住房供不应求所带来的房价上涨预期。此外，还要不断完善住房租赁市场，以减轻住房买卖市场的压力，进一步削弱一线城市的房价上涨预期。就二三线城市而言，由于这些城市往往面临人口流出的境况，居民预期房价会下跌。为了稳定房价预期，要进一步完善城市基础设施，提高教育、医疗和环境质量，从而改善居民购房需求。与此同时，住房供给相对充裕的二三线城市还要制定更加科学合理的人才引进计划，吸引人口流入，从而进一步稳定房价预期。
  　　本文的边际贡献体现在两个方面。第一，虽然有一些文献尝试探寻不同城市房价分化的主要原因，但主要使用面板回归模型等传统方法，能够考察的影响因素个数和所识别的非线性关系相对有限。机器学习方法较好地克服了传统方法的不足之处，能够更准确地识别房价分化的主要影响因素。第二，虽然近年来中央一直呼吁“因城施策”，但是学术界对不同城市房价分化原因的研究尚不明确，已有文献主要研究某个因素对房价分化的影响是否显著，无法明确对比不同因素的影响究竟孰大孰小。本文使用SHAP值解释性方法可以直接对各个影响因素的相对重要性进行排序，从而识别房价分化的主要影响因素，为房地产调控“因城施策”给出更加明确的决策参考。
  　　附件：ETBMWP2024013城市间房价分化的影响因素研究——基于机器学习方法（陈小亮、陈衎、王兆瑞、肖争艳）.PDF