金融发展对城市住房市场的影响：理论机制、空间溢出及非线性效应

来源：职称驿站所属分类：金融论文
发布时间：2020-10-21浏览：20次

　　内容提要：厘清金融发展与住房市场的关系对于制定差异化调控政策、探寻金融及住房市场改革方向、抑泡沫控风险具有重要意义。本文以二者关系的传导机制、空间联动与非线性特征的识别为逻辑主线，从直接、间接两个层次剖析金融发展对住房市场的传导路径;并采用空间计量方法探析金融发展对住房市场的空间溢出效应;最后，通过门槛效应检验考察金融发展对住房市场作用的空间异质性。结果表明：第一，2002—2017年间，35城市住房价格存在正向空间依赖性，莫兰指数呈“波浪”型变化;绝大多数城市属于“高-高”或“低-低”集聚模式，且這种局部空间格局相对稳定。第二，金融规模、金融结构和金融效率对住房价格均有显著的直接效应，而金融规模、金融效率因“虹吸效应”而对邻近城市房价产生了显著的抑制作用。第三，受限于收入水平的单门槛效应，金融规模、金融效率对住房价格的影响呈非线性。研究结论为制定差异化政策、落实“房住不炒”、防范住房及金融市场风险等提供了新的思路。

　　关键词：金融发展;住房市场;空间溢出效应;非线性

　　中图分类号：F293.3;C931 文献标识码：A 文章编号：1001-148X(2020)07-0090-12

　　《清华金融评论》内容要求具有深刻性、思想性、前瞻性和实践性。与国际经济金融组织、国外经济金融监管机构、国内经济金融政策制定部门、国内外商业性金融机构以及经济金融学术科研机构建立广泛联系。

　　住房市场化改革以来，房地产业在金融支持下发展迅速，为经济增长和居民住房条件改善做出了巨大贡献。然而，房地产与金融二者交织日益密切，不断引发人们对金融安全和房价泡沫的忧虑。多次世界经济危机的导火索就是房地产和金融之间关系的扭曲[1]，特别是2007年“次贷危机”引发的全球金融危机，带给人们的“阴影”至今难以挥去，也使得金融与房地产的关系问题成为了近年来学术界的研究热点和难点。

　　房地产业作为资金密集性行业，其价格变化深受金融发展影响。为此，剖析金融发展对住房市场的作用效果，就成为了破解住房价格高涨问题的关键，对于落实“房住不炒”的长期定位、防范住房及金融市场风险，制定和实施差异化的住房调控政策、实现居民家庭美好生活等都具有重要的意义。

　　一、文献综述

　　(一)金融政策对住房市场的影响

　　1.利率政策。利率对住房市场的影响是非线性[2]和非对称性的[3]。从不同驱动因素来看，当住房市场处于平衡状态时，则预期通货膨胀率变化导致的利率变化是不会对房价产生影响的;而实际回报要求变化引起的利率变化则会对房价产生直接影响[4]。从空间角度看，利率波动对一线城市和东部城市的住房市场作用明显，但对中西部城市的住房市场影响有限[5]。从时间角度看，长期利率对住房市场的影响具有时变特征，被压低的长期利率会导致住房市场的过度投资和“爆炸式”增长[6]。

　　2.汇率政策。学者们普遍认为，汇率政策会通过不同渠道与住房市场产生紧密联系。有研究表明，一国汇率会通过信贷效应、预期效应、溢出效应等渠道对住房价格产生影响，而人民币汇率预期升值会引起短期国际资本流入，而这种流动会影响房地产需求端，进而造成房价上涨[7]。但如果货币政策配合，且房地产库存能动态调整，则房价最终会趋于稳定[8]。也有学者认为，人民币汇率变化并不会对中国的房价产生直接影响，但会通过货币供应量渠道对房价波动产生间接影响[9]。此外，也有学者测算了人民币实际有效汇率的失调，发现汇率失调程度不同则其对住房市场的影响也不同。

　　3.信贷政策。国内外学者主要围绕信贷政策影响住房市场的机制进行了理论及实证检验。由于存在信贷抵押约束机制，住房价格会出现自我加速现象，进而导致房价不断上涨[10]。而由于银行的高风险信贷配置偏好，使得银行贷款规模对房地产投资产生正向影响，可能造成房地产投资过热[11]。而信贷规模也会通过土地财政渠道而作用于房价[12]，信贷规模扩张会对房价产生明显刺激作用[13]。利用2003年至2010年爱尔兰抵押贷款数据、房价数据的实证研究表明，可获得的信贷每增长10%，将导致购买的房地产价值增长1.5%[14]。而个人购房贷款与企业开发贷款，在中国不同类型城市对房价的影响是异质性的[15]。此外，也有学者的研究发现，在高利率预期之下，信贷增长并不会引起房价明显上涨[16-17]。

　　(二)金融发展对住房市场的影响

　　有学者从省际层面研究了金融发展对房地产库存的作用，发现在规模、结构和效率3个维度下，金融发展分别对房地产库存产生了不显著、正向以及负向的异质作用[1]。也有学者研究了资本流入、金融结构与住房市场的关联，发现金融规模扩张会对实际价格、金融结构和房地产投资产生显著的正向影响[18]。在预期房价上涨时，金融约束是欧洲家庭购房决策的重要影响因素[19]。而对23个国家房价的研究显示，资产市场及股市的收益率、收入增长等是房价的重要驱动因素，即其他资产市场的金融发展会溢出到房地产市场[20]。也有学者则研究了金融发展与房地产业联合作用下的社会经济影响。例如，周少甫和龙威(2020)[21]分析了金融发展与房价交互作用对各省份技术创新的影响，发现在信贷市场、资本市场两个维度下，房价对技术创新的抑制作用会分别被放大和弱化。在产业结构升级问题下，学者们发现单独考虑金融发展和房价，则二者对产业结构升级产生了正向作用;当将二者联合考虑，则结果是会对产业结构升级产生负向作用[22-23]。

　　(三)金融集聚对住房市场及城市发展的影响

　　金融要素集中会降低购房交易成本并有助于突破预算约束，因此是房价上涨的重要因素，且银行、保险、证券业的集聚对房价的影响是异质的[24]。同时，金融集聚对住房市场的影响在不同的地理区位也表现出了异质性[25]。从城市发展来看，金融集聚对城市空间格局演化，城市发展效率，以及新型城镇化发展[26-27]等都具有十分重要的促进作用。

　　综上所述，国内外学者对金融与住房市场的关系进行了广泛的探讨，为本文提供了研究思路。本文从金融发展的规模、结构及效率三个维度出发，全面考察金融发展对中国大中城市住房市场的影响，对促进金融业与房地产业和谐发展，明晰房地产和金融改革方向等都具有重要的理论及现实意义。

　　二、机理分析与研究假设

　　金融发展的现代观表明，金融发展是金融规模扩张、金融结构优化及金融效率提升的动态统一过程，分别反映金融发展的数量、结构和质量，只有从多个维度考察才有可能全面测度金融发展水平。金融发展是住房市场发展的基础和保障，二者既有直接影响又存在间接作用。以下将从直接、间接两个层次梳理金融发展对住房市场的作用渠道。

　　(一)直接作用渠道

　　1.金融发展规模→住房市场

　　房地产业是资金密集性行业，资金匱乏或金融中介成本较高时，房地产商品的生产和消费都会受阻。对于开发企业而言，金融规模越大，金融业竞争加剧，往往伴随着贷款成本下降和贷款门槛降低，企业的融资约束降低，越容易得到资金支持而增加投资，住房供给增加，对房价有负向影响;对于购房者而言，金融规模越大，银行发放贷款的意愿也会越强，会有更多的购房者达到贷款门槛，流动性约束降低，住房需求增加进而对房价产生正向影响。

　　2.金融发展结构→住房市场

　　金融发展在经历了规模扩大后，往往会进入结构优化的更高阶段，且要依经济社会需求动态调整。金融结构优化体现在金融工具多样化和金融机构的多样性上[1]。学者们通常将这些工具和机构划分为银行主导型和市场主导型，分别对应间接融资和直接融资模式。前者在信息收集、资金监管方面优势明显，而后者则在激励创新、风险转移方面更胜一筹。

　　金融工具和机构多样，企业及居民可以有证券、保险、信托等更多的投资选择，会在一定程度上抑制住房投资，住房需求减少房价下降;房地产企业融资渠道多元，不同类型及发展阶段的企业的金融需求都能得到满足，增强其风险抵御能力，有利于扩大生产规模增加住房供给平抑房价;保险等风险管理工具的发展，消除居民对未来不确定的担忧，可能会刺激现期住房消费和房价上涨。然而，金融工具和金融业务的过度创新则可能会造成货币政策效力下降、管理难度增加，进而造成金融系统的不稳定和风险隐患。可见，最优金融结构也要随需求而动态调整，如果与住房市场发展相匹配，则会促进其良性运行;如果与住房市场发展不匹配，则无法起到支持作用，甚至出现阻碍作用。

　　3.金融发展效率→住房市场

　　金融发展效率指金融业的投入产出率。金融效率提高，对于我国目前金融市场发展的阶段而言，意味着融资渠道畅通，信息不对称程度大大降低，储蓄转化为贷款更为容易，无论是以开发贷款还是消费贷款的形式进入到住房市场，都有利于住房市场的发展活跃。对于企业而言，获得贷款有利于增加住房供给;同时，金融中介自身专业技术水平的提高，其审查与监督成本下降并带来效率的提升，会降低企业的融资成本，对住房价格产生负向影响。对于购房者而言，金融效率低会在一定程度上将大量购房者排斥在金融市场之外，导致流动性约束加剧;而较高的金融效率能解决购房者面临的信贷约束从而促进潜在需求转化为真实需求，进而对房价产生正向影响。

　　(二)间接作用渠道

　　直接渠道主要分析金融要素直接进入到住房市场，影响市场供需和房价的机制。而此处主要分析金融发展的社会经济影响，进而溢出至住房市场的机制。

　　1.金融发展→经济发展→住房市场

　　以全国或地区为对象的分析均显示，金融发展和经济增长正向相关[28]。从渠道来看，金融发展会通过作用于劳动要素、资本要素等要素积累而起到推动经济发展的目的[29]。经济发展良好，生产、服务、消费均有赖于房地产业发挥其基础承载作用，加之市场乐观预期的推动作用，则住房需求增加，对房价产生正向影响。

　　2.金融发展→收入(预期)水平→住房市场

　　良好的金融发展，包括规模的适度扩大、结构的动态优化，以及效率的不断提升，而效率提升会对居民收入水平和消费水平产生显著影响[30]。此外，居民为了应对未来可能出现的各种风险及不确定性，会增加预防性储蓄而减少现期的购房需求。随着金融发展深化，保险等风险管理工具会减少居民对未来风险的担忧，增加居民的收入预期[31]，故而增加当期的住房消费，对住房价格产生正向影响。

　　3.金融发展→技术创新→住房市场

　　金融发展通过多元融资和信用创造、风险管理、信息甄别与项目选择、激励和监督等路径作用于技术创新，最终均会对技术创新产生促进作用[32]。其中，与信贷市场相比，资本市场对技术创新的作用更大[21，33]。城市技术创新水平提高，知识交流机会和收益增加，会吸引更多的企业、人才集聚，进而增加本地住房市场需求，对房价产生正向作用;房地产企业的设计、施工、服务创新能力的提高，有利于企业提高生产效率，降低生产成本，进而对房价产生负向影响。

　　综上所述，金融发展向住房市场的传导路径是多层次和多维度的(见图1)，虽然各条路径的作用方向不一致，但并不影响我们对二者具有紧密关系的初步论断。故提出如下假设：

　　假设1：金融发展对住房市场具有显著的影响。

　　(三)进一步的分析

　　房价上涨时，往往伴随着地价、租金、工资的上涨。如果部分企业、个人由于经营、生活成本上升而被迫向其他地区流动时，资本、技术和人才等要素也会同向流动，进而引起当地住房需求的变化。此外，一城市的金融发展也可能会因“示范效应”、“虹吸效应”等引起周边城市金融体系的变化。故提出如下假设：

　　假设2：金融发展对住房市场的影响存在空间溢出效应。

　　由于我国各城市资源禀赋、经济发展阶段各不相同，金融资源与住房市场均呈现空间分布不均的特点。与此同时，金融发展向住房市场的传导过程，也受限于家庭的收入水平：低收入家庭可能因无力偿还贷款而被拒绝在金融市场之外，使得需求端得不到足够响应。由于各城市居民收入水平的分布在空间上是非均匀的，因此金融发展对住房价格的影响可能并不是线性的，而是受家庭收入水平影响而具有空间异质性，故提出如下假设：

　　假设3：金融发展对住房市场的影响具有非线性特征。

　　三、研究设计

　　(一)研究方法

　　1.空间计量模型的构建

　　(1)空间权重矩阵的选择与构建。进行金融发展与住房市场关系的空间分析，第一步就是度量城市间的空间距离。随着互联网和交通工具发展，城市间的交流日益加深，即使空间上不相邻的城市也可能存在着密切的经济联系，故本文重点考察基于地理距离和经济距离的两种空间权重矩阵。其中，参照傅贻忙等[1]、王鹤和周少君(2017)[34]等学者的做法，构建基于地理距离的空间权重矩阵如下：

　　(二)变量与数据

　　1.变量选取

　　根据本文的研究目的和国内外学术积淀，变量选取情况如下。

　　(1)被解释变量。房价是住房市场最重要、最直观，也是居民最为关心的指标，故选取商品房平均销售价格作为被解释变量，来反映住房市场的发展状态。

　　(2)核心解释变量。为了能够更好地反映金融发展状况，本文从金融发展规模、金融发展结构、金融发展效率三个维度来考察。由于比率指标既能反映强度，又有助于消除多重共线性，故量化指标时采用比率指标。具体的选择如下。

　　金融发展规模：鉴于目前我国银行业主导整个金融体系的现实，借鉴张倩肖和冯雷(2019)[32]、巩鑫等(2018)[29]的做法，用年末金融机构存款余额与年末金融机构贷款余额之和与地区生产总值的比值来度量城市的金融发展规模。

　　金融发展结构：由于本文要分析的是市場主导型金融体系与银行主导型金融体系二者的分布及相对规模对住房市场的影响，因此借鉴王淑娟等(2018)[33]等人的思路，以两种类型之比重来度量金融发展结构。近年来，证券、保险、信托等发展迅速，鉴于数据的可得性，采用保险机构的保险费收入与年末金融机构存贷款余额之和的比值对该变量进行量化。

　　金融发展效率：由于本文关注的是金融自身的投入产生率，故借鉴任鑫和葛晶(2019)[31]、王淑娟等(2018)[33]、王志强和孙刚(2003)[37]等人测算金融机构存贷款的转化效率的思路，具体采用储蓄余额与金融机构贷款余额的比值来度量金融中介将储蓄转化成贷款的效率。

　　(3)控制变量。为了降低遗漏变量所带来的偏误，根据住房市场供需理论，本文选择的控制变量如下：将人均地区生产总值、财政支出、在岗职工平均工资、房地产开发投资额分别作为经济发展、基础设施建设、收入水平和房地产投资的代理变量。

　　2.数据来源及处理

　　样本数据是中国35个大中城市2002年至2017年的年度面板数据。对住房价格、人均地区生产总值、地方财政支出、在岗职工平均工资和房地产开发投资额5个指标进行了去通胀处理和取对数处理，以消除可能存在的异方差。各变量及数据说明如表1。

　　(三)描述性分析与平稳性检验

　　1.描述性统计分析

　　各变量的描述性统计分析如表2所示。

　　2.平稳性检验及协整检验

　　建模之前，需要进行面板数据的平稳性检验，以避免“伪回归”问题。此处采用LLC、IPS和ADF三种单位根检验方法，结果见表3。

　　由表3可知，三种检验显示，诸变量中除了scale、structure以外全部通过了5%显著性水平下的单位根检验;scale、structure在一阶差分之后，也通过了1%显著性水平下的单位根检验;需进一步对数据进行协整检验。下文使用Kao检验、Pedroni检验，以及Westerlund检验三种方法来对诸变量进行协整性分析，结果见表4。

　　由表4可知，在Kao检验、Pedroni检验中各统计量均在1%的显著水平下拒绝了“不存在协整关系”原假设，Westerlund检验统计量在10%显著水平下拒绝了原假设，可进一步建模分析。

　　四、实证结果与分析

　　(一)空间自相关检验

　　利用前文构建的基于地理距离和经济距离的空间权重矩阵，采用莫兰指数法对样本期内中国35大中城市的住房价格进行了空间自相关检验，结果见表5。由表5可知，在10%的显著性水平上，样本期内基于空间距离权重矩阵的莫兰指数都显著为正;在1%的显著性水平上，样本期内基于经济距离权重矩阵的莫兰指数都显著为正。可见，我国城市的住房价格存在正向的空间依赖性，采用空间计量方法探讨金融发展对住房市场的影响是十分必要的。

　　无论是从显著性，还是莫兰指数值的大小上看，经济距离权重矩阵都明显优于地理距离权重矩阵。这在一定程度上说明，随着交通、通信、互联网等快速发展，城市之间的联系已经打破传统空间距离壁垒，经济辐射日益显著，经济距离反而更能反映住房市场的空间关联。故下文采用经济距离权重矩阵展开进一步的空间效应分析。

　　绘制样本期内基于经济距离权重矩阵的莫兰指数变化图(见图2)。

　　由图2可知，样本期内基于经济距离权重的莫兰指数呈“波浪”型变化，整体上变化不大但仍表现出一定的上升趋势。这说明城市间住房价格并不是独立发展的，已形成了集群分布和逐步加强的正向空间溢出效应。莫兰指数从整体上反映了住房价格的空间关联，而莫兰散点图则可以更细致地反映不同城市周边的高值和低值集聚。基于经济距离权重矩阵的莫兰散点图，见图3-图6。

　　限于篇幅，本文只给出了2002年、2007年、2012年和2017年的莫兰散点图。由图可知，样本期内35城市住房价格的空间分布具有显著的规律性：除了呼和浩特、武汉、福州等少数几个城市，绝大多数城市都集中分布在一、三象限，再次印证了中国城市住房价格具有的正向空间依赖。具体来看，北京、上海、广州、深圳、天津、厦门等城市始终在第一象限，房价呈现“高-高”集聚模式，而西宁、贵阳、重庆、石家庄城市等始终处于第三象限，房价呈现“低-低”集聚模式。由于各年莫兰散点图变化不明显，可知城市住房价格的局部空间格局具有一定的稳定性，使用空间计量方法能更好地刻画出金融发展对住房市场的影响。

　　(二)空间溢出效应检验

　　1.空间模型形式确定

　　分析空间溢出效应之前，需要确定采用哪种空间面板模型形式。根据LeSage和Pace(2009)[36]的方法，先由LM检验(拉格朗日乘数形式及其稳健形式)判断SAR和SEM哪个适用;再对SDM进行Wald和LR检验，看是否可以退化为SAR或SEM形式[38];最后进行Hausman检验确定采用固定效应还是随机效应。检验结果见表6。

　　由表6可知，LMerr和LMlag均通过了1%的显著性检验，R-LMerr和R-LMlag也均通过了1%的显著性检验，说明模型中既包括空间滞后形式，又包括空间误差形式，应采用SDM模型。进一步地，Wald和LR检验拒绝了H0：θ=0和H0：θ+ρβ=0的原假设，即SDM模型不能化简为SAR和SEM模型。Hausman检验显示使用固定效应的SDM更为合理。

　　2.SDM模型的估计与效应分解

　　SDM的估计结果见表7。由表可知，W*scale、W*efficiency两个变量均在1%的水平上显著，表示金融对住房价格的影响具有显著的空间效应，再次表明采用空间计量方法的必要性。由于SDM模型的回归系数并不能直接反映解释变量对本城市被解释变量和对邻近城市被解释变量的作用，需通过偏微分方程将空间效应分解为直接、间接效应来反映(见表8)。其中，直接效应表示城市金融发展对自身住房价格的平均影响，间接效应则反映城市金融发展对邻近城市住房价格的平均影响。

　　由表8可得到如下结论：

　　(1)金融發展规模对住房价格的直接效应和间接效应均显著且方向相反。对本地房价的直接效应系数为0.0795，对邻地房价的溢出系数为-0.2284。金融规模扩大，信贷规模往往也随之扩大，银行贷款意愿增强、贷款门槛降低，使更多的购房者可能达到贷款条件，有效缓解居民的流动性约束，购房需求增加进而对房价产生正向影响。虽然此时房地产企业的融资成本和融资数量均有利于增加供给缓解价格上涨，但对需求端的作用要更为明显。金融规模的扩大，生产性、服务性行业都将得到更多的金融支持，经济发展加快、收入水平整体提高，对住房价格产生正向作用。同时，本地金融规模扩大，宽松的资金条件和充满活力的经济发展都会吸引邻近城市的企业入驻、投资者转移，进而带动更多劳动力迁移，可能造成周边城市经济下滑、人口流失和住房需求下降，进而对邻地的房价产生负向作用。

　　(2)金融发展结构对住房价格具有显著的直接效应，作用系数为-3.5834，但间接效应并不显著。金融工具多样，金融产品和服务多元，有利于本地企业和居民不断发展的金融需求得到满足。不仅可以引导社会资金进入更多的投资领域，对房地产市场盲目投资投机行为进行合理疏导，也可为房地产企业融资提供更多渠道，进而对房价产生负向影响。样本期内，金融结构的调整并未对邻近城市住房市场产生影响，说明金融结构的调整尚不足以引起城市间要素的流动。现阶段，对于住房市场过热的城市，优化金融结构可作为调控房价的手段之一。

　　(3)金融发展效率对住房价格的直接效应和间接效应均显著且方向相反。对本地房价的直接效应系数为0.1961，对邻地房价的溢出系数为-1.5890。金融发展效率提高，意味着融资渠道畅通，金融机构工作效率提高且业务成本下降，使购房者能更快、更多、更方便地获得价格更低的贷款，刺激消费者的消费欲望，住房需求得到有效释放，对房价产生正向影响。虽然此时企业往往也有能力提供数量更多、成本更低的住房，但显然该变量对需求端的作用要更大。金融效率提高，也有助于金融业从业人员收入提高，有助于降低融资企业的时间成本和资金成本，提高生产效率和工资水平，进而对本地住房价格产生正向影响。与此同时，本地金融效率提升，专业的技术、较低的业务成本、更快的业务流程增强了其相对于其他城市的竞争优势，同样也会吸引更多要素向该城市集聚，造成邻地产业、资本和人口的流失，住房市场需求下降，供给不变时则房价自然也会下降。

　　(4)控制变量均对住房价格产生了显著的直接效应，仅有收入水平产生了显著的间接效应，其他变量的间接效应不显著。人均GDP对本地房价的直接效应系数为0.3689。经济发展好，本地投资、生产、消费活跃，居民收入往往也同步上升。同时，良好的经济环境还会吸引大量企业、人力资本进入。这些都会造成本地住房需求增加和房价上涨。政府财政支出每增加1%，本地房价将上涨0.1575%。政府支出增加，有利于基础设施、公共配套的建设，城市居住环境品质提升、便捷度提高都会对房价产生正向影响。收入水平每提高1%，本城市房价将上涨0.1590%，邻近城市房价将上涨0.5966%。收入增加，本地居民购买力增强，有更多居民有能力全款购房或借助金融杠杆实现购房，住房需求增加进而推动房价上涨。同时，本地居民随着收入增加和房产增值，在收入效应和财富效应作用下，投资能力极大增强，有可能会选择邻近城市住房市场进行投资消费，进而引起邻地房价上涨。房地产投资每增加1%，本地房价将下降0.0544%。房地产投资增加，则该城市未来住房供给将会增加，居民会形成未来房价下降的预期并减少现期购房行为，对住房价格产生负向影响。

　　综上可知，由金融规模、结构和效率3个维度的估计结果来看，金融发展的确会对中国城市住房市场产生显著影响，该结论验证了假设1的正确性。由于“虹吸效应”的存在，金融发展会从规模、效率两个维度上抑制邻近城市住房价格的上涨，即二者的作用存在空间溢出效应。该结论不仅验证了假设2的正确性，也在一定程度上解释了住房市场的波动与分化现象。

　　3.稳健性检验

　　前文基于地理距离空间权重矩阵的自相关检验显示，在10%的水平上样本期内的莫兰指数都显著为正，故下文基于地理距离权重矩阵进行稳健性分析。

　　LM检验、Wald检验和Hausman检验结果见表9。由表9可知，LMlag>LMerr，R-LMlag>R-LMerr，且LMlag、R-LMlag的显著性高于LMerr和R-LMerr，故SAR模型比SEM模型更适合;WALD检验显示接受了H0：θ=0的原假设，SDM模型可以退化为SAR模型;由Hausman检验可知应使用固定效应的SAR模型。

　　参考文献：

　　[1] 傅贻忙，周建军，周颖.金融发展、空间效应与房地产库存——理论解释与实证检验[J].系统工程，2018，36(10)：14-29.

　　[2] 陈长石，刘晨晖.利率调控、货币供应与房地产泡沫——基于泡沫测算与MS-VAR模型的实证分析[J].国际金融研究，2015(10)：21-31.

　　[3] 吴淑萍，樊颖，杨赞.利率政策对房价的“非对称性”影响路径——基于小波分析和GARCH模型的研究[J].上海金融，2017(2)：3-10.

　　[4] Pagliari J L. Some Thoughts on Real Estate Pricing[J]. Journal of Portfolio Management， 2017， 43(6)：44-61.

　　[5] 余华义，黄燕芬.利率效果区域异质性、收入跨区影响与房价溢出效应[J].经济理论与经济管理，2015(08)：65-80.

　　[6] Barkham R. Real Estate and the Great Financial Crisis[J]. World Economics， 2013， 14(3)：5-26.

　　[7] 朱孟楠，丁冰茜，闫帅.人民币汇率预期、短期国际资本流动与房价[J].世界经济研究，2017(7)：17-29，53，135.

　　[8] Stalder P. Exchange Rate Shocks， Monetary Policy and Boom-Bust Cycles in the Housing Market： An Econometric Analysis for Switzerland[J]. Journal of Business Cycle Research， 2017，12：1-35.

　　[9] 韩鑫韬，刘星.汇率变化对房价波动存在溢出效应吗?——来自1997-2015年中国房地产市场的证据[J].中国管理科学，2017，25(4)：7-17.

　　[10]刘一楠.信贷约束、房地产抵押与金融加速器——一个DSGE分析框架[J].财经科学，2017(2)：12-24.

　　[11]陆嘉玮，陈文强，贾生华.信贷配置偏好、贷后债务治理与房地产企业投资[J].金融经济学研究，2017，32(6)：3-12，84.

　　[12]汪卢俊，谢姗，骆永民.土地财政和信贷扩张在房价上涨因素中孰轻孰重?[J].商业研究，2019(6)：113-118.

　　[13]李成，李一帆，于海东，等.城市人口、货币政策与房地产价格：内在机理与实证检验[J].当代经济科学，2020，42(1)：108-119.

　　[14]Kelly R， McCann F， OToole C. Credit Conditions， Macroprudential Policy and House Prices[J]. Journal of Housing Economics， 2018，41(9)：153-167.

　　[15]胡金星，张志开，邵翠樱.房地产信贷与房价：来自中国35个大中城市的证据[J].上海金融，2018(8)：19-24.

　　[16]Bauer G H. InternationalHouse Price Cycles， Monetary Policy and Credit[J]. Journal of International Money and Finance， 2017，74：88-114.

　　[17]Chen N K， Chou Y H， Wu J L. Credit Constraint and the Asymmetric Monetary Policy Effect on House Prices[J]. Pacific Economic Review， 2013，18(4)：431-455.

　　[18]Sá F， Towbin P， Wieladek T. Capital Inflows， Financial Structure and Housing Booms [J]. Journal of the European Economic Association， 2014，12(2)：522-546.

　　[19]Ampudia M， Mayordomo S. Borrowing Constraints and Housing Price Expectations in the Euro Area[J]. Economic Modelling， 2018， 72(3)：410-421.

　　[20]Martínez-García E， Grossman V. Explosive Dynamics in House Prices? An Exploration of Financial Market Spillovers in Housing Markets Around the World[J]. Social Science Electronic Publishing， 2018：1-33.

　　[21]周少甫，龍威.房价、金融发展对技术创新的影响[J].工业技术经济，2020，39(1)：33-40.

　　[22]潘红玉，刘亚茹.房价、金融发展与制造业产业结构升级——基于动态面板的经验分析[J].财经理论与实践，2019，40(1)：123-128.

　　[23]卢万青，纪祥裕.城市房价、金融发展与产业结构升级——基于中国地级市面板数据的实证研究[J].产经评论，2017，8(5)：81-94.

　　[24]刘颜，邓若冰.金融集聚对房地产价格的影响——基于静态与动态面板数据的估计[J].经济问题探索，2017(9)：126-134.

　　[25]骆永民，刘艳华.金融集聚、人力资本与房价——基于PanelVAR模型[J].财贸研究，2011，22(4)：93-101.

　　[26]籍磊，陈立泰，叶长华.长江经济带金融集聚对城镇化影响的机制研究[J].预测，2019，38(3)：70-75.

　　[27]王弓，叶蜀君.金融集聚对新型城镇化影响的理论与实证研究[J].管理世界，2016(1)：174-175.

　　[28]陈志刚，关威.金融发展、技术进步与经济增长[J].科技管理研究，2017，37(24)：39-44.

　　[29]巩鑫，唐文琳，穆军.金融发展、要素积累和经济增长关系的实证分析[J].统计与决策，2018，34(19)：146-149.

　　[30]任文龙，张苏缘，陈鑫.金融发展、收入水平与居民文化消费——基于城乡差异的视角[J].农村经济，2019(11)：118-127.

　　[31]任鑫，葛晶.金融发展、收入结构与城镇居民消费结构[J].宏观经济研究，2019(1)：30-36，64.

　　[32]张倩肖，冯雷.金融发展与企业技术创新——基于中国A股市场上市公司的经验分析[J].统计与信息论坛，2019，34(5)：25-33.