陈小亮等：基于机器学习方法的一线城市房价影响因素研究

房改以来的二三十年间，一线城市房价已经出现过多轮上涨态势，并且对全国房地产市场运行和货币政策操作产生了重要影响。在2012年之前，一线城市房价上涨通常会带动二三线等其他城市的房价上涨，进而引发全国范围内的房价上涨。而在2012年之后，一线城市与二三线城市房价走势呈现明显分化，而且城市间房价分化在多数情况下是由一线城市房价上涨所引发的，集中表现为一线城市房价涨幅明显超过二三线城市。需要强调的是，2012年之后中国经济持续面临下行压力，货币政策本应适时发力“稳增长”，但是当货币政策发力时又极易引发一线城市房价上涨风险。在此情形下，货币政策被动收紧以“控房价”，但是也导致其“稳增长”的力度有所不足，这在2020—2021年应对疫情期间表现得尤为明显。当前一线城市房价增速相对平缓，面对经济下行压力，货币政策等房地产调控政策呈现放松迹象，由此也引发了一线城市房价再次上涨的担忧。因此，深入探寻一线城市房价上涨的影响因素，不仅能够“有的放矢”保障一线城市房价平稳，而且能够带动全国房地产市场平稳健康发展，同时帮助货币政策摆脱“控房价”与“稳增长”之间的两难选择，更好地发力“稳增长”。

已经有不少文献深入研究了一线城市房价的影响因素。就研究对象而言，一部分文献直接研究了所有一线城市房价的影响因素，如刘仁和等，张浩等，余华义和黄燕芬。还有一部分文献重点研究了北京或上海等某个一线城市房价的影响因素，如张勋等，冯皓和陆铭；或者是将一线城市与二三线城市房价的影响因素进行对比分析，如李迎星等，王松涛。就影响因素而言，已有研究主要关注了四大类因素，分别是教育等公共资源和人口等需求侧因素，土地供给和住宅建造成本等供给侧因素，如屠佳华和张洁，张立建；货币政策和限购限贷等政策因素，如张清源等，张牧扬等，以及房价预期因素，如孙伟增和林嘉瑜，陈建等。就研究方法而言，已有文献主要使用的是VAR模型及其拓展模型，如杨思群和董美、截面回归、面板回归、GMM等传统实证方法，如孙伟增和林嘉瑜。

已有研究对于一线城市房价影响因素进行了较好的探索，不过仍然存在一些不足之处。其一，已有研究主要使用的是VAR模型和面板回归等传统实证方法，这些方法所能考察的影响因素个数较为有限，而且通常只考察了相关因素对房价的线性影响。但是，现实中影响房价的因素众多，很多因素对房价的影响可能呈现复杂的非线性关系。其二，2012年前后中国宏观经济走势发生了明显变化，不同地区的房地产市场的运行也随之出现了一些趋势性的变化，因此2012年前后一线城市房价的主要影响因素很可能是不同的，但是已有研究很少从动态视角探析一线城市房价影响因素的变化。

与VAR模型和面板回归等传统实证方法相比，机器学习方法具有一些明显优势，更适合用来研究一线城市房价的影响因素。机器学习方法具有更强大的计算和求解能力，不仅可以考察多个因素的影响，而且可以将各个因素对房价的非线性影响考虑在内。更重要的是，将机器学习方法与SHAP(Shalpey Additive Explanations,SHAP)值可解释性方法相结合，可以针对不同时期一线城市房价的主要影响因素进行动态分析。有鉴于此，本文将综合使用机器学习方法和SHAP值可解释性方法，对一线城市房价的影响因素进行重新识别。具体而言，本文将使用2006—2021年的月度数据开展实证研究，进而详细回答一线城市房价的主要影响因素分别是哪些，在2012年前后房价的影响因素是否存在显著差异等重要问题，在此基础上给出能够促进一线城市房价平稳发展的应对策略。

本文的边际贡献主要有三点：第一，本文较早地将机器学习方法应用到一线城市房价影响因素的研究领域。与传统方法相比，机器学习方法能够考察的影响因素更多而且还能够挖掘变量背后的非线性关系，从而更准确地识别一线城市房价的影响因素。第二，传统方法很难对不同影响因素的相对重要性进行排序，也就很难识别一线城市房价上涨的主要影响因素是哪些，而机器学习方法可以对影响因素的相对重要性进行排序，能够更准确地识别一线城市房价的主要影响因素究竟是哪些。在此基础上，决策部门可以给出更有针对性、更高效的应对策略。第三，本文不仅将所有一线城市作为整体加以分析，而且还分析了每个一线城市房价的主要影响因素及其在2012年前后的动态变化，能够更好地为房地产“因城施策”调控理念的实施提供决策参考。

自房改以来一线城市房价已经出现过多轮上涨，而且一线城市的房价上涨往往会带动二三线等城市的房价上涨，因此已经有大量文献围绕一线城市房价上涨的影响因素进行了深入研究。总体而言，已有文献按照研究对象的不同，可以归纳为三类。

第一类文献将一线城市与二三线等城市房价上涨的影响因素进行了对比分析，考察了货币政策和限购限贷等调控政策、预期、人口密度等因素对一线城市与二三线城市房价影响的差异。就货币政策而言，张清源等研究发现，货币供给量的增长对一线城市房价的上涨作用显著高于二三线城市；类似地，杨思群和董美指出，相对于二线和三线城市，一线城市的房价对信贷政策的敏感性更高。从限购等调控政策的角度，李迎星等研究发现，2014年底限购政策的解除导致一线和二线城市房价增速大幅反弹，三线城市反而因为虹吸效应并没有出现房价反弹；这种城市间的差异性在郭金金和夏同水的研究中得到了进一步印证，他们揭示了一线、二线、三线城市在面对租购并举政策时的敏感程度分别呈现出逐级降低的趋势；对于这种房价差异性，王松涛指出，全国性政策工具对不同城市施加的影响力度存在显著差异，导致二线城市房价受到的抑制效果明显超过一线城市。在研究房价预期的影响上，况伟大发现，房价预期对一线城市房价上涨的推动作用要比二三线城市更显著。就人口因素而言，王洁和张继良证实，与二三线城市相比，一线城市人口过密对房价产生了显著推动作用。此外，赵伟等还从媒体视角研究了媒体关注度对房价的影响，发现当期媒体关注度对一线城市的影响要小于二三线城市。

第二类文献聚焦研究了某个一线城市房价上涨的影响因素。针对北京，张勋等使用带有边界固定效应的Hedonic特征价格模型研究发现，以优质教育资源带来的学区房溢价是北京房价上涨的重要因素，孙伟增和林嘉瑜开展了类似研究而且得到了相似的结论；梁军辉等则全面分析了地铁站点、商场、休闲娱乐设施、小区绿化率、医疗资源等多方面公共服务因素对北京房价的影响。针对上海，冯皓和陆铭以及张牧扬等都分析了教育资源对上海学区房溢价的影响；屠佳华和张洁则采用VAR模型，从经济角度出发，关注了房地产投资占比、人均可支配收入、空置面积、滞后一期房价等因素对上海房价的影响；在政策调整的影响上，张牧扬等基于双重差分思想，深入研究了2014年11月上海市普通住房认定标准的调整对二手房价格所带来的变化。在广州和深圳的房价影响因素研究中，学者们的探索路径略有不同，比如张立建关注了住房供给与收入差距两大因素，探讨它们是如何共同影响广州房价的，蒲火元等则从人口规模这一角度分析人口流入对广州房价的作用。而林江等则使用协整和VAR模型检验了信贷政策和房价预期对深圳房价的影响。

第三类文献重点关注了某个因素或少数几个因素对四大一线城市房价上涨的影响及其差异。刘仁和等基于住房使用成本模型，构建了租金和房价变动的预测模型，分析了租金房价比对一线城市房价的影响，发现北京、上海的租金房价比与未来房价负相关，深圳的租金房价比与未来房价正相关，而广州的租金房价比与未来房价不相关。张浩等分析了教育资源对一线城市房价的影响，发现基础教育资源通过“资本化”不断蕴含在房价之中，进而对房价产生持续影响。余华义和黄燕芬基于GVAR模型检验了居民收入对房价的影响，结果表明一线城市的房价波动不仅受本城市人均收入变动的影响，还在很大程度上受其他城市收入变动的影响。此外，多数学者对于投资者预期对四大一线城市的影响做了重点讨论：如陈建等检验了住宅所有权成本与投资者预期对一线城市房价的影响，发现广州与深圳的住宅所有权成本可能不是房价上涨的主要因素，而北京与上海的住宅所有权成本则推升了房价，投资者预期对四个城市的房价上涨都有较为显著的解释能力。张浩和李仲飞同样分析了投资者预期对一线城市房价的影响，发现投资者预期对上海房价的推动力超过广州。

这三类文献在研究过程中大都进行了实证检验，而且使用的方法主要是VAR模型及其拓展模型、截面回归、面板回归、GMM等传统实证方法。就VAR模型及其拓展模型，屠佳华和张洁等分别研究了上海和深圳房价的影响因素，余华义和黄燕芬使用GVAR模型研究了居民收入对一线城市房价的影响，杨思群和董美使用FAVAR模型研究了信贷政策对一线城市房价的影响。就截面回归、面板回归、GMM等回归方法而言，张牧扬等和蒲火元等使用截面回归方法分析了上海和广州房价的影响因素，冯皓和陆铭等人的文献使用面板回归方法分析了一线城市房价的影响因素。

已有文献对本文探寻一线城市房价上涨的影响因素大有裨益，不过仍然存在几方面不足和有待改进之处。第一，影响一线城市房价的因素众多，已有文献主要分析了某一类或少数几类因素的影响是否显著，但是并没有进一步分析究竟哪些因素是最主要的影响因素，也就无法给出更加有效、更加明确的决策参考。这主要是因为，已有文献使用的是VAR模型和面板回归等传统实证方法，所能考察的变量个数有限，而且无法对不同因素的相对重要性进行对比分析。第二，房价预期等因素对房价上涨的影响很可能是复杂的非线性形式，但是已有文献通常只考虑了这些因素对房价的线性影响。即便是少数文献考虑了某些因素对房价的非线性影响，也要事先假定方程的非线性形式，在此过程中很可能产生偏误。第三，伴随着时间的推移，经济增长态势和房地产市场的发展趋势存在显著差异，这意味着不同时期一线城市房价影响因素可能是不同的，但是已有研究大都没有从动态视角分析一线城市房价影响因素在不同时期的变化。

机器学习方法相比传统实证方法具有多方面优势，为本文更准确地识别一线城市房价影响因素提供了方法支撑。首先，机器学习方法的测算框架更加灵活，求解和计算能力更加突出，因此所能涵盖的变量个数显著增加，从而能够更全面地考虑一线城市房价的影响因素。其次，机器学习方法具有数据驱动的特征，不需要事先设定函数形式，而是利用数据找到最优的函数形式，能够更好地解决非线性问题，有效地挖掘各个因素对房价的非线性影响。第三，SHAP值可解释性方法等可解释性机器学习方法在动态分析方面具有显著优势，如Lundberg和Lee,Aas等，能够细致分析一线城市房价影响因素在不同时期的差异。得益于上述优势，机器学习方法相比传统方法更适合用来研究一线城市房价的影响因素。虽然已经有少数文献尝试使用机器学习方法对房价进行预测研究，例如，唐晓彬等基于蝙蝠算法SVR方法，对北京市二手房价进行了预测研究。李仲达等利用高维稀疏VAR模型，对35个大中城市的住宅销售价格进行了预测研究。崔明明等基于TEI@I思想，采用综合集成预测方法，对70个大中城市的住房价格进行了预测研究。董倩等使用Bagging、Boosting等多种方法，对北京、上海等16个大中城市的房价进行了预测研究。但是尚无文献使用机器学习方法深入研究一线城市房价的影响因素。有鉴于此，本文将使用机器学习方法重新识别一线城市房价上涨的影响因素及其差异，并对2012年前后房价影响因素的动态变化进行对比分析，从而有针对性地给出促进一线城市房价平稳运行的政策建议。

本文的主要目的是，综合使用XGBoost方法和SHAP值可解释性方法，分析一线城市房价的影响因素。为了实现这一目标，本文在模型构建方面主要包括两部分工作。一是基于一线城市房价及其影响因素数据训练并运用交叉验证方法挑选最优的XGBoost方法并进行建模。二是运用Aas等提出的SHAP值可解释性方法揭示XGBoost方法所识别的一线城市房价主要影响因素。

1.XGBoost方法介绍与模型训练

首先需要阐明本文选择使用XGBoost方法的理由。本文将XGBoost方法在数据集上的预测性能与Random Forest(随机森林)、SVR(支持向量回归)、Lasso回归等常用机器学习方法以及普通面板混合回归模型进行了比较，发现XGBoost方法在测试集上的预测性能最优(MAE=0.95,R²=0.98),Random Forest方法的预测性能次之。有鉴于此，本文在基准分析中使用XGBoost方法，在后文的稳健性检验中还将使用Random Forest方法加以分析。

XGBoost是由Chen和Guestrin在梯度提升树(Gradient Boosting Decision Tree,GBDT)基础上提出的改进方法，相比于Boosting和Bagging等方法具有更优的预测效果。XGBoost方法的改进主要体现在模型训练效率的优化和降低过拟合上。具体训练过程中，假设X是一线城市房价影响因素的相关指标集合，Y为一线城市的房价增速，给定训练数据集为D={(x₁,y₁)，(x₂,y₂)，…,(x_s,y_s)}，其中x_i=(x_i⁽¹⁾,x_i⁽²⁾,…,x_i^(p))为输入样本实例，p为影响因素个数(p=18，详见下文)，s为样本个数。对于X和Y形成的样本集合，本文进行了以下的预处理：一是对指标集合X进行数据频率转换，使用三次样条插值将其中的季度和年度数据转换为月度数据；二是采用MissForest预测模型方法对一线城市中的少量缺失值进行填补；三是对于部分指标存在的少量异常值，通过Winsorize处理将异常值缩尾至合理区间内。然后，将预处理后的样本输入至不同超参数组合下的XGBoost进行网格搜索(GridSearch)，寻找最优的模型超参数，最终本文选取的最优模型训练参数为：学习率等于0.05，子树最大深度等于8，最大迭代次数等于800。

2.SHAP值可解释方法介绍

虽然XGBoost方法可以较为准确地预测一线城市房价增速，但是与线性方法相比，XGBoost方法却是“黑箱”模型，难以解释哪些因素对房价具有重要影响。为了进一步分析一线城市房价的影响因素，本文选用SHAP值可解释性方法对一线城市房价的影响因素进行解释和分析。SHAP值可解释性方法不仅克服了变量替换法(Feature Permutation)和LIME等解释性方法在统计性质上的一些不足，还能在每个分样本上对一线城市房价各个影响因素的重要性进行排序，同时计算出各个影响因素的重要性大小及其影响方向，由此可见SHAP值可解释性方法适用于挖掘并解释一线城市房价的影响因素。SHAP值可解释性方法由Lundberg和Lee提出，其核心源于合作博弈论的概念Shapley值，对于每个预测样本，该方法都会产生一个预测值，该样本中每个特征所分配到的数值，即为SHAP值。SHAP值同时反映了各个影响因素对被解释变量的大小和方向，在本文是指各个影响因素对一线城市房价增速的影响大小和方向。

假设第i个样本为x_i,x_i的第j个影响因素为x_ij，XGBoost方法对一线城市房价增速的预测值为y_i，模型预测的参考值为y₀，根据SHAP值可解释性方法，XGBoost方法在训练样本的预测值y_i可以分解为：

其中，将一线城市房价增速均值(5%)作为预测参考值y₀,f(x_ij)是x_ij的SHAP值。以f(x_i1)为例，f(x_i1)表示第i个样本中第1个特征对最终预测值y_i的贡献值。f(x_ij)<0(>0)表明，所有因素共同推动一线城市房价下跌(上涨)。具体关于第i个样本的第j个特征x_ij的SHAP值f(x_ij)，本文参考Aas等的改进做法予以测算。测算过程如下：

假定Ω为由p个房价影响因素组成的变量全集，U为不包含第j个房价影响因素的变量集，从全集Ω中抽取|U|个不包含{j}的因素，一共有种组合方式，基于此构造出用于模拟计算的样本x_i^u。具体而言，样本x_i中的变量按照变量是否在U中被分成两部分：一部分是属于变量集U的房价影响因素的观测值，保留了其在样本x_i中的观测值；另一部分是不属于集合U的其他房价影响因素，它们的样本观测值是从样本x_i之外的训练样本中随机抽取而得，所以f()-f()表示样本x_i中第j个特征的观测值被随机替换后，样本x_i的预测结果的变化。通过构造不同的变量组合U以及对应的样本和，便可以近似地模拟估计出第j个影响因素对房价增速预测值y_i的贡献大小。最后，将第j个影响因素在所有变量组合U下的变化值进行加权平均，即可得到第j个因素对一线城市房价增速的影响大小：

由此可见，相较于XGBoost方法输出的特征重要性排序，SHAP值清晰地展现了每个样本中各个影响因素的贡献率大小，并且反映了每个样本中各个因素对房价的作用方向。

3.研究思路与测算过程

基于上述建模基础，本文将XGBoost方法和改进后的SHAP值可解释性方法相结合，首先计算所有一线城市房价上涨的主要影响因素，并在此基础上挖掘每一个一线城市房价上涨背后的主要驱动因素。具体的研究思路如下。

第一，使用预处理后四座一线城市的全部样本训练出最优超参数下的XGBoost模型，通过Aas等改进的SHAP值可解释性方法计算一线城市样本中各个房价影响因素的SHAP值大小，这些SHAP值反映了不同时期各个因素对一线城市房价增速的影响大小。

第二，根据一线城市的平均房价增速是否大于5%，划分出一线城市整体房价上涨的区间。本文选取5%为房价上涨阈值主要基于以下两点考虑：一是SHAP值可解释性方法一般将基准值设定为变量均值，上涨阈值与SHAP值基准值一致能确保结果的解释性。二是参考陈小亮和李诚浩对房价上涨轮次划分标准，房价涨幅超过5%的城市具有明显的持续上涨迹象，从以往的房价数据也印证了该标准。在一线城市房价超过5%的每一轮时期，其均价都处于10%的高位，并且持续时间都在半年以上。此外，需要说明的是，本文在训练XGBoost模型中使用了所有的一线城市样本，而在分析中着重于分析房价上涨区间的影响因素，一方面是因为在样本期内的大多数时间里，一线城市的房价均处于上涨状态，上涨区间的分析具有较强的代表性；另一方面房价下跌时期的观测样本较少，且大部分样本的房价增速也在0附近，会因此导致蒙特卡洛计算的结果不稳定和贡献率计算值的异常。

第三，借鉴VAR模型中方差分解的思想，本文对房价上涨时期各因素的SHAP值进行平均和加总，以此分析一线城市房价上涨的主要影响因素。类似地，可以分别计算四座一线城市房价影响因素的平均SHAP值，从而计算各个影响因素对四座一线城市房价上涨的贡献大小。由此，可以对比分析整体上一线城市房价上涨的影响因素和各个一线城市房价上涨的影响因素的异同。

基于宏观经济理论以及国内外相关研究，本文从供给因素、需求因素、政策因素和预期因素四大类别出发，构建了一线城市房价及其影响因素的指标体系。其中，供给因素和需求因素是影响房价走势的基本面因素，而且基本面因素和政策因素都会影响房价预期，进而影响各个城市的房价走势。

1.供给因素。从供给视角出发，土地价格、房地产投资额、住宅用地的供应面积、竣工面积等供给因素都会对房价产生影响。综合考虑开发商和政府住宅用地的供给行为，本文选取单位土地价格同比增速、商品住宅房屋造价同比增速、住宅用地供应面积和商品房竣工面积衡量供给因素对一线城市房价的影响。

2.需求因素。对一线城市而言，城市居民数量和年龄结构、收入水平以及城市的公共服务水平都会影响住房需求，进而对房价产生影响。其一，大量实证研究发现，人口规模和人口年龄结构都是房价的重要影响因素，如李嘉楠等，徐建炜等。综合已有文献的做法，本文分别从人口密度、人口结构和人口流动等维度选取指标衡量一线城市人口因素对房价的影响。具体地，使用一线城市常住人口与城市建成区面积的比值表示常住人口密度，用人口自然增长率衡量人口年龄结构，用(常住人口—户籍人口)/常住人口衡量移民占比的涨幅表示人口流动的变化，如韩立彬和陆铭。其二，居民收入水平的高低会影响住房需求进而影响房价，本文分别选取人均GDP增速和职工平均工资增速测度居民收入对一线城市房价的影响。其三，由于住房兼具商品和投资的双重属性，城市公共服务作为房地产附带价值的重要组成部分对房价具有一定影响。参考相关研究选取人均床位数、人均财政教育支出同比增速、人均道路面积和绿化覆盖率衡量四个指标测度公共服务水平对一线城市房价的影响，如汤玉刚等，刘诚等。

3.政策因素。货币政策会从住房贷款的可得性以及贷款成本高低等方面影响住房需求。由于货币政策由央行统一实施，因此各个城市的货币政策与全国相同。参考张清源等、张红和李洋的做法，分别选取全国个人住房贷款同比增速和全国住房贷款利率衡量央行的数量型和价格型货币政策。此外，财政政策也是影响房价的重要因素，土地出让金在地方政府财政收入中的占比越高，地方政府越依赖房地产市场，那么财政政策对房价的影响也就越大。参考李英利的做法，选取各城市土地财政依赖度(地方政府土地出让金收入与一般公共预算收入的比例)和一般土地公共财政赤字率((财政支出—财政收入)/财政收入×100%)这两个指标衡量财政政策。

4.预期因素。预期会通过影响企业和居民行为，进而对经济运行产生影响。房地产因其生产周期长、流动性低等特征，更容易受到预期的影响。通过梳理相关文献可知，房价预期的测算方法主要有两类：一是基于适应性预期测算房价预期，如高波等，王先柱等；二是基于问卷调查获取房价预期信息，如董纪昌等，孙伟增等。考虑到数据可得性和研究需要，本文在基准分析中采用第一类做法，并参照高波等选取滞后一期的房价增速作为房价预期的测度指标。为了保证研究结果的稳健性，本文还将在稳健性检验中对房价适应性预期的测度方法进行更详细、更深入的探讨。

综上，为了研究一线城市房价上涨的影响因素，本文构建了包含四类因素共计18个指标的中等规模指标体系。值得说明的是，相较于多数使用机器学习方法研究所用的上百个指标的文献，本文的指标选择相对较少。之所以没有纳入更多指标，是因为过多的指标不仅会影响XGBoost方法和SHAP值可解释性方法的准确性(Aas等)，同时变量过多会使得模型的可解释难度增大。因此，本文构建的指标体系既利用了机器学习的预测精度和SHAP值可解释性方法的优良性质，也尽可能全面地涵盖了房价的多种影响因素。

在基准分析中，本文使用的是XGBoost方法，相关结果参见表3的Panel A。为了提高结果的稳健性，本文还使用Random Forest方法进行了分析，相关结果参见表3的Panel B。通过对比可知，使用XGBoost方法得到的测算结果与使用Random Forest方法得到的测算结果较为相似，无论是四大类影响因素的贡献率还是四大类影响因素的相对重要性排序，两种方法的测算结果均呈现出高度一致性。为了简化分析，下文主要基于XGBoost方法的测算结果展开研究，并且得到了三点主要结论。从表3的基准测算结果可知，对一线城市整体而言，预期因素是一线城市房价上涨的首要影响因素，在四大类因素中排名第一，而且其贡献率达到了45.0%。具体到每一个城市来看，北京、上海、深圳房价上涨的首要影响因素都是预期因素，其贡献率分别达到了53.6%、44.0%和45.7%。对广州而言，预期因素对房价的影响略有逊色，在四大类因素中排在第二位，不过其贡献率也达到了36.6%的相对较高水平。

第一，预期因素是一线城市房价上涨的首要影响因素，其贡献率达到了45%左右。

为了确保研究结论的稳健性和可靠性，按照高波等研究的做法，对房价适应性预期的测度进行了更丰富的尝试。具体而言，将房价适应性预期的计算公式设定为：其中为t时刻对房价增速的预期，_t为t时刻的房价增速。本文将四大一线城市在2006年1月份的房价同比增速作为计算城市房价适应性预期的初始值，按照适应性预期的计算公式，迭代计算每个月四大一线城市房价适应性预期的具体数值。将权重a进行不同赋值，即可测算不同适应性预期方式下房价的形成机制，进而分析预期因素对一线城市房价的影响。从表4呈现的结果来看，本文的实证结果对权重a并不敏感，当权重a分别赋值0.2、0.3和0.4之后得到的结果，与表3的基准结果较为一致，不管是从四大类因素对一线城市房价的贡献率还是重要性排序来看，预期因素都是一线城市房价上涨的首要影响因素，这在北京、上海和深圳体现得尤为突出。

第二，供给因素和需求因素这两大类基本面因素对一线城市房价上涨也起到了较为重要的作用，二者贡献率分别达到了25%左右和20%左右，合计达到了45%左右。

从表3可知，基于XGBoost方法的测算结果，供给因素和需求因素这两大类基本面因素对一线城市房价上涨的贡献率之和达到了43.9%。其中，基本面因素对上海和深圳房价上涨的贡献率分别达到了51.5%和53.4%，对广州房价上涨的贡献率也达到了47.1%。相比之下，基本面因素对北京房价上涨的贡献率偏低，只有23.7%。究其原因，预期因素对北京房价上涨的贡献率更高，从而使得基本面因素的贡献率偏低。

就供给因素而言，根据表3中XGBoost方法的测算结果可知，对一线城市整体而言，供给因素的贡献率达到了24.6%，在四大类因素中排名第二，仅次于预期因素。具体到每一个城市来看，供给因素对上海、深圳和北京房价的贡献率分别达到了38.2%、30.0%和21.6%，贡献率相对较高。相比之下，供给因素对广州房价的贡献率相对偏低，只有8.5%，而且在四大类因素中排名最后。

就需求因素而言，通过表3中XGBoost方法的测算结果可以看出，对一线城市整体而言，需求因素的贡献率为19.3%，低于供给因素和预期因素的贡献率，位列第三。从四个城市的具体情况来看，需求因素对深圳、上海和北京房价上涨的贡献率分别为23.4%、13.3%和2.1%，在四大类因素中分别排名第二位、第三位和第四位。与之明显不同的是，需求因素对广州房价上涨的贡献率达到了38.6%，位列四大类因素之首。

不难发现，基本面因素对四大一线城市房价上涨的影响既有一定的共性，又呈现出一些不同之处。以广州为例，广州房价上涨期间，更多是因为需求因素所导致的，供给因素的贡献率则相对偏低。要想进一步探寻其背后的原因，需要对本文指标体系中每一个供给因素和每一个需求因素的贡献率加以测算和分析，详见表5和表6。

从表5可以看出，四个城市的住宅用地供应面积增速存在较大差异，从而导致单位土地价格同比增速存在较大差异，最终使得供给因素对房价增速的影响存在差异。具体而言，广州的住宅用地供应面积增速最高，相应地广州的单位土地价格增速处于偏低水平，二者共同作用使得供给因素对房价上涨的贡献率处于低位。从样本期内(房价上涨时期，下同)的实际数据看，广州住宅用地供应面积同比增速平均值达到了15.0%，深圳为3.4%、北京和上海分别为—4.4%和—7.6%。在较高的住宅用地供应面积增速的支撑下，广州单位土地价格同比增速处于13.8%的相对低位，明显低于深圳的28.1%，也低于北京的15.4%，与上海基本持平。总体而言，广州的土地和住房供给相对充裕，进而使得房价上涨趋势相对平缓，这是供给因素对广州房价上涨贡献率相对偏低的主要原因。

第三，货币政策等政策因素对一线城市房价上涨的影响相对偏弱，其贡献率仅为10%左右。

通过表3所展示的基准结果可知，对一线城市整体而言，基于XGBoost方法的测算结果显示政策因素的贡献率为11.1%，基于Random Forest方法的测算结果显示政策因素的贡献率仅为7.6%，在四类因素中排名末尾。具体到四个一线城市来看，以XGBoost方法的测算结果为例，政策因素对上海和深圳房价上涨的贡献率分别仅为4.6%和0.9%，在四大类因素中均排名末尾。政策因素对广州房价上涨的贡献率为16.3%，在四大类因素中排名第三。由此可以初步发现，政策因素对一线城市房价上涨的整体影响相对偏弱。

考虑到宏观政策从出台到产生作用效果存在一定的时滞，因此本文进一步分析了将政策因素滞后3个月和6个月的结果，详见表7的Panel B和Panel C。通过将表7的Panel B、Panel C的结果与Panel A对比可知，在考虑了政策时滞之后，政策因素对一线城市房价上涨的贡献率同样处于较低水平，由此表明本文基准结果是较为稳健的。需要注意的是，虽然政策因素对四大一线城市房价上涨的直接影响相对偏低，但是可能会通过影响居民对房价的预期进而间接影响房价，因此对于政策因素尤其是货币政策因素对房价的影响仍要重视。

第一，预期因素对一线城市房价上涨的贡献率在2012年之前就达到了30%以上并且排名首位，2012年之后其贡献率进一步大幅升高至50%以上。

表8的结果显示，对一线城市整体而言，2012年之前预期因素对房价上涨的贡献率为32.6%，2012年之后则大幅提升到52.8%。其中，预期因素对深圳房价上涨的贡献率从13.6%提高到了66.4%，提升幅度达到了52.8个百分点，在四大类因素中的排名也从第四名提升到了第一名。此外，预期因素对北京和广州房价上涨的贡献率也分别提高了16个和16.2个百分点。对上海而言，2012年之后经济结构调整促使上海市产业升级和创新发展，引入了更多高附加值的产业和技术创新，进而提高了供给的质量和数量。这种供给因素的增加对于房地产市场的供应带来积极的影响，从而减轻了房价上涨的预期压力。从结果来看，虽然预期因素对上海房价的贡献率略有下降，从2012年之前的46.9%小幅下降到了2012年之后的42.2%，但是仍然处于相对高位。

总体来看，预期因素对四大一线城市房价上涨的影响在2012年之后整体上呈现上升趋势。究其原因，从历史经验来看，当经济面临下行压力时，地方政府通常“将房地产作为稳增长的工具”，1998年亚洲金融危机和2008年全球金融危机等时期均为如此，2012年之后中国经济增速持续放缓，地方政府很可能再次“将房地产作为稳增长的工具”，由此便强化了一线城市房价上涨的预期。值得注意的是，2012年之前广州的需求因素和深圳的供给因素对房价增速影响更明显，使得2012年之前广州和深圳的预期因素贡献率相对较低，但是北京和上海预期因素方面的影响较大，综合排名后预期因素仍然占据了重要位置。

第二，供给因素与需求因素这两大类基本面因素对一线城市房价上涨的贡献率之和有所下降，从2012年之前的50%左右下降到了2012年之后的40%左右。

从表8可以看出，供给因素与需求因素这两大类基本面因素对一线城市房价上涨的贡献率从2012年之前的49.6%下降到了2012年之后的40.3%。需要注意的是，对于不同城市而言，基本面因素贡献率的下降有不同的表现。对北京而言，主要表现为供给因素贡献率的下降，2012年之前供给因素对北京房价上涨的贡献率为31.5%，但是到了2012年之后供给因素的贡献率降至15.5%。对于上海和广州而言，主要表现为需求因素贡献率的下降。2012年之前，需求因素对上海和广州房价上涨的贡献率分别为22.3%和62.8%，2012年之后需求因素的贡献率则分别降至7.8%和23.8%。广州是中国南方重要的经济中心之一，吸引了大量的人口流入和外来投资。在2012年之前，广州的人口规模快速增长，城市化进程迅猛，这导致了强劲的房地产需求。然而，在2012年之后，当地政府加强了调控措施，限制了需求因素对房价的影响，从而降低了需求因素的贡献率。对于深圳而言，则表现为供给因素和需求因素贡献率的双双下降。2012年之前，深圳受到特区经济政策的影响，吸引了大量的外来投资和企业进驻，促进了深圳的经济快速发展和城市化进程，但也导致供给相对紧张。然而，随着城市化进程逐渐深入，人口流入和经济增长速度相对减缓，房地产需求也相对减少。其中，供给因素的贡献率从2012年之前的41.8%下降到了2012年之后的22.4%，需求因素的贡献率从2012年之前的27.5%下降到了2012年之后的20.8%。

第三，政策因素对一线城市房价上涨的贡献率在2012年之前就相对偏弱，2012年之后进一步降至10%以下。从表8可知，2012年之前政策因素对一线城市房价上涨的贡献率为17.8%，在四大类因素中排名末尾。2012年之后，政策因素对一线城市房价上涨的贡献率进一步下降到了7.0%，在四大类因素中继续排名垫底。表9进一步展示了货币政策和财政政策各自的贡献率，从结果可知，不管是货币政策还是财政政策，它们对一线城市房价上涨的贡献率在2012年之后均出现了下降趋势，而且货币政策贡献率的下降幅度更大。具体而言，货币政策的贡献率从9.3%下降到了1.1%，财政政策的贡献率从8.6%下降到了5.9%。从四个城市的详细情况来看，货币政策对北京、上海和深圳房价上涨的贡献率均出现了较大幅度的下滑，广州则主要是因为财政政策的贡献率出现了大幅下降进而使得政策因素对房价上涨的贡献率有所下滑。需要再次说明的是，本文测算的结果主要呈现的是政策因素对房价的直接影响。从现实情况来看，政策因素的变化还会通过影响居民预期进而影响房价走势，因此不应忽视政策因素对房价上涨的影响。

本文基于2006—2021年四大一线城市的月度数据，综合使用SHAP值可解释性方法和XG‐Boost等机器学习方法，深入剖析了四大一线城市房价的主要影响因素及其动态变化。研究结果表明，四个一线城市房价的影响因素既存在一定的差异之处，也存在一定的共同特征，总体而言可以得到如下三点研究结论。第一，预期因素是一线城市房价上涨的主要影响因素，并且其影响在不断增强。预期因素对一线城市房价上涨的贡献率在2012年前就达到了30%以上并且排名首位，2012年之后其贡献率进一步大幅升高至50%以上并且继续排名首位。第二，供给因素和需求因素这两大类基本面因素对一线城市房价上涨也起到了较为重要的作用，不过其作用呈现出减弱态势。两大类基本面因素对一线城市房价上涨的贡献率在2012年之前达到了49.6%，但是到2012年之后下降到了40.3%。第三，货币政策等政策因素对一线城市房价上涨的贡献率相对偏弱，并且近年来其影响进一步下降。2012年之前政策因素对一线城市房价上涨的贡献率为17.8%，在四大类因素中排名末尾。2012年之后，政策因素对一线城市房价上涨的贡献率进一步下降到了7.0%，在四大类因素中继续排名垫底。需要注意的是，本文测算的主要是政策因素对房价的直接影响，但同时也应该认识到政策因素还会影响居民预期进而影响房价走势，因此不应忽视政策因素对房价的影响。

本文的研究结论具有较为重要的政策参考价值。考虑到预期因素是一线城市房价上涨的最主要因素而且近年来其贡献率有所增强，因此对一线城市而言，稳房价的关键在于稳预期。进一步地，结合本文实证结果可知，要想切实稳定一线城市房地产市场的预期，需要让房价更多地由基本面因素来决定，并且通过稳定房地产调控政策来稳预期，具体如下。

第一，从供给端发力，构建起一线城市土地供给与房价以及土地供给与常住人口之间的联动机制。由于一线城市房价上涨较快、常住人口较多，要相应增加住宅用地的供给，保证一线城市的住宅用地供应量能够与人口增长相适应。需要强调的是，在构建土地供应与常住人口之间的联动机制时，不能简单地认为一个城市常住人口数量增长放缓时就应该同步减少住宅用地供应量，还应该深入分析和测算该城市已有的常住人口中是否存在较大的住房供需缺口。如果尚且存在较大的住房供需缺口，那么即便新增常住人口数量减少，也仍然应该按实际需求增加住宅用地供应量，从而有效解决历史上形成的住房供需缺口。

第二，从需求端发力，降低一线城市的外来人口压力所引发的住房需求。进一步增强不同城市在教育、医疗、养老、环境保护等方面的基本公共服务均等化，尤其要缩小一线与其周边临近城市以及其他三四线城市之间的公共服务差距。这样既有助于构建城市群，又有助于提高三四线城市对人口的吸引力，从而切实减轻一线城市的外来人口压力以及由此引发的住房需求增长。

第三，保持房地产金融政策的连续性、一致性、稳定性，通过稳定政策来稳定房地产市场的预期。近年来，中央多次在重要会议和文件中提及要“保持房地产金融政策的连续性、一致性、稳定性”，并且强调要“稳地价、稳房价、稳预期”，其本质都是希望通过稳定政策来稳定房价预期。需要强调的是，近年来在经济增速持续放缓、经济下行压力持续存在的大环境下，尤其要“保持房地产金融政策的连续性、一致性、稳定性”，避免地方政府再度将房地产作为“稳增长”的手段和工具，这样才能切实稳定一线城市的房价预期。

陈小亮，中国社会科学院经济研究所副编审，博士，主要从事经济增长与宏观政策研究。

程硕，中国人民大学统计学院博士生，主要从事大数据与经济统计研究。

陈衎，中国人民大学统计学院博士生，主要从事大数据与经济统计研究。

肖争艳，中国人民大学统计学院教授，博士生导师，主要从事大数据与经济统计、保险精算研究。