高盛-中國(guó)房地產(chǎn)：高線城市將引領(lǐng)全國(guó)房?jī)r(jià)回升（摘要）

中國(guó)房地產(chǎn)下行周期已進(jìn)入第四個(gè)年頭，但目前尚無(wú)明確的觸底回升跡象。由于房?jī)r(jià)企穩(wěn)對(duì)于消費(fèi)者信心恢復(fù)和提振市場(chǎng)情緒來(lái)說(shuō)至關(guān)重要，所以高盛利用國(guó)家統(tǒng)計(jì)局發(fā)布的70城二手房?jī)r(jià)格數(shù)據(jù)，將城市分成四個(gè)不同的集群來(lái)進(jìn)行聚類分析，其目的是為了證實(shí)各城市房地產(chǎn)市場(chǎng)間的差異是否顯著，進(jìn)而推出哪一類城市的房?jī)r(jià)會(huì)率先完成觸底。

集群1主要由一線城市和強(qiáng)二線城市組成。

集群2主要由普通二線城市組成。

集群3主要由普通三線城市組成。

集群4主要由人口外流的弱三線城市組成。

以下是正文：

原文：The ongoing downturn in the property sector has now extended into its third consecutive year. In the September Politburo meeting, Chinese policymakers pledged to “stem the decline and facilitate the stabilization” of the property market, which we interpret as stabilizing existing home prices.1 While secondary home prices – which better reflect market conditions than primary home prices that tend to be heavily regulated by local governments – have recently started to show narrower price declines in top-tier cities, a clear nationwide stabilization remains uncertain (圖表 1, left chart). Given the strong correlation between house prices and consumer confidence, we believe stabilizing house prices remains crucial for supporting household consumption and broader market sentiment (圖表 1, right chart).

Against this backdrop, we look at the National Bureau of Statistics (NBS) 70-city existing property prices data to examine regional patterns, investigate the drivers behind the house price changes, and draw lessons for potential future house price movements.

譯文：房地產(chǎn)行業(yè)的低迷現(xiàn)已持續(xù)三年，9月底的政治局會(huì)議明確了房地產(chǎn)市場(chǎng)止跌回穩(wěn)的目標(biāo)，高盛將其解讀為穩(wěn)定現(xiàn)有房?jī)r(jià)，二手房?jī)r(jià)格比受到地方政府嚴(yán)格監(jiān)管的新房?jī)r(jià)格更能反映市場(chǎng)狀況，最近一線城市的二手房?jī)r(jià)跌幅有所收窄，但全國(guó)范圍內(nèi)的房?jī)r(jià)仍難言企穩(wěn)（圖1，左圖）。鑒于房?jī)r(jià)與消費(fèi)者信心之間的強(qiáng)相關(guān)性，我們認(rèn)為穩(wěn)定房?jī)r(jià)對(duì)于支持家庭消費(fèi)和提振市場(chǎng)情緒來(lái)說(shuō)至關(guān)重要（圖1，右圖）。

在此背景下，我們研究了國(guó)家統(tǒng)計(jì)局的70城房?jī)r(jià)數(shù)據(jù)，以分區(qū)域研究模式來(lái)調(diào)查房?jī)r(jià)變化背后的驅(qū)動(dòng)因素，并為未來(lái)的房?jī)r(jià)變動(dòng)提供判斷依據(jù)。

圖表1：二手房?jī)r(jià)格尚未觸底，房?jī)r(jià)穩(wěn)定對(duì)經(jīng)濟(jì)復(fù)蘇仍然至關(guān)重要

左圖為二手房?jī)r(jià)格預(yù)測(cè)，數(shù)據(jù)包括統(tǒng)計(jì)局70城房?jī)r(jià)（深藍(lán)），中原地產(chǎn)6城房?jī)r(jià)（紅色），諸葛找房100城房?jī)r(jià)（灰色），貝殼25城房?jī)r(jià)（淡藍(lán)），國(guó)信達(dá)房產(chǎn)價(jià)格（綠色）。右圖為房?jī)r(jià)與消費(fèi)者信心的走勢(shì)對(duì)比，藍(lán)線表示中國(guó)消費(fèi)者信心，紅線表示預(yù)期房?jī)r(jià)上漲的百分比。

分析：從左圖可以看出，幾乎所有房?jī)r(jià)指數(shù)在2024年都是下跌的，包括926新政后的第四季度房?jī)r(jià)依然下跌，所以24年第四季度只能算是一個(gè)不是很成功的反彈，市場(chǎng)主要還是以價(jià)換量為主。再看24到25年的房?jī)r(jià)預(yù)測(cè)，諸葛找房、統(tǒng)計(jì)局、中原房產(chǎn)分別預(yù)測(cè)25年到底房?jī)r(jià)繼續(xù)下跌6%、7.5%、12.5%，可見(jiàn)高盛對(duì)于現(xiàn)有政策強(qiáng)度下的25年房?jī)r(jià)比較悲觀。

從右圖可以看出，消費(fèi)者信心和預(yù)期房?jī)r(jià)呈很強(qiáng)的趨同性，這也解釋了目前這么多促銷費(fèi)政策下去但效果卻差強(qiáng)人意的原因，和目前國(guó)家不遺余力要穩(wěn)住房地產(chǎn)市場(chǎng)的原因，因?yàn)槟壳胺康禺a(chǎn)市場(chǎng)不但拖累了整體經(jīng)濟(jì)，還是通縮治理的核心所在。

原文：For background, there are two main sources of property indices for major cities: official data from the NBS and data from private providers such as Centaline and Zhuge. The NBS 70-city secondary home price index, covering mostly large and medium-sized cities, relies on data from real estate agencies, field investigations, and local housing authority registries. Given the shorter time series and limited city coverage of many private data sources, we focus on the NBS house price index in the analysis below. However, it is not without limitations. For example, local governments face pressure to stabilize property prices in both upturns and downturns, which often leads to data that is overly smoothed, understating actual price fluctuations2.

We first group the property price indices in the NBS 70-city sample using K-means clustering analysis, which divides the data into clusters based on the similarity of their property price trends. The K-means algorithm assigns each city to the nearest centroid (the average of data points in a cluster) and then iteratively adjusts the centroids to minimize the variance within each cluster. To determine the optimal number of clusters, we use the elbow method. This involves plotting the within-cluster variance for different numbers of clusters (K) and choosing the point where adding more clusters no longer improves the result. Using this approach3, we identify four distinctive city clusters based on their house price trends from 2011 to the present (圖表 2).

譯文：主要城市的房地產(chǎn)數(shù)據(jù)包括兩種：一種是來(lái)自統(tǒng)計(jì)局的官方數(shù)據(jù)，另一種是來(lái)自中原房產(chǎn)等第三方數(shù)據(jù)。統(tǒng)計(jì)局70城的二手房?jī)r(jià)指數(shù)主要覆蓋了大中型城市，數(shù)據(jù)源于房地產(chǎn)機(jī)構(gòu)、實(shí)地調(diào)查、當(dāng)?shù)刈》抗芾砭值怯浱?。鑒于統(tǒng)計(jì)局?jǐn)?shù)據(jù)城市覆蓋范圍大且包含第三方數(shù)據(jù)源，我們?cè)谙旅娴姆治鲋兄攸c(diǎn)關(guān)注統(tǒng)計(jì)局房?jī)r(jià)指數(shù)。但統(tǒng)計(jì)局的數(shù)據(jù)也并非沒(méi)有缺陷，比如地方政府在經(jīng)濟(jì)上行和不景氣時(shí)都面臨穩(wěn)定房地產(chǎn)價(jià)格的壓力，這通常會(huì)導(dǎo)致數(shù)據(jù)過(guò)于平滑，從而低估了實(shí)際價(jià)格的波動(dòng)。

這段是統(tǒng)計(jì)學(xué)建模的描述，不用過(guò)于關(guān)注，所以這里只做簡(jiǎn)單翻譯：我們首先使用K-means聚類分析對(duì)統(tǒng)計(jì)局70城樣本中的房?jī)r(jià)指數(shù)進(jìn)行分組，根據(jù)其房?jī)r(jià)趨勢(shì)的相似性將城市劃分為多個(gè)集群。使用這種方法，我們根據(jù)2011年至今的房?jī)r(jià)趨勢(shì)確定了四個(gè)獨(dú)特的城市群（圖2）。

圖表 2:中國(guó)住房市場(chǎng)中四個(gè)獨(dú)特的城市群

分析：以上是根據(jù)統(tǒng)計(jì)局70城房?jī)r(jià)數(shù)據(jù)，利用K值聚類分析做出來(lái)的四個(gè)組，圖中紅線表示該組的房?jī)r(jià)均值，在這里高盛只是介紹所使用的統(tǒng)計(jì)學(xué)模型，對(duì)于普通投資者來(lái)說(shuō)不需要關(guān)注，只需要參考其結(jié)果即可。

另外高盛所說(shuō)的70城數(shù)據(jù)由于穩(wěn)房?jī)r(jià)壓力而過(guò)于平緩，說(shuō)的已經(jīng)很含蓄了，各位可以自行體會(huì)，一般來(lái)說(shuō)我的處理方法是將統(tǒng)計(jì)局的數(shù)據(jù)×2左右以得到接近真實(shí)的波動(dòng)數(shù)據(jù)。

原文：First, Cluster 1 includes mostly tier-1 and large tier-2 cities, where house prices have shown larger price appreciation and greater resilience (e.g., limited price decline in the 2014-15 downturn). The majority of the 70 cities – 77% on a population-weighted basis – fall into Clusters 2 and 3, which consist primarily of medium-sized tier-2 and tier-3 cities (see Appendix for more detailed city composition and geographic distribution, 圖表 8 and 圖表 9). Cluster 4 consists of cities such as Jinzhou, Mudanjiang (both in the northeast and with population outflows), and Wenzhou which had a housing bust in the early 2010s.

譯文：首先，集群1主要包括一線和強(qiáng)二線城市，這些城市的房?jī)r(jià)表現(xiàn)出更大的升值空間和更強(qiáng)的彈性（例如在2014到2015年經(jīng)濟(jì)低迷期間房?jī)r(jià)下跌有限）。70城中的大多數(shù)（按人口加權(quán)計(jì)算為77%）屬于集群2和集群3，主要由普通二線和普通三線城市組成（更詳細(xì)的城市構(gòu)成和地理分布見(jiàn)圖8和圖9）。集群4由錦州、牡丹江（均位于東北部且人口外流）和溫州等城市組成，溫州入選的原因是因?yàn)樵?010年代初經(jīng)歷了房地產(chǎn)泡沫。

分析：以上是高盛對(duì)于以統(tǒng)計(jì)局70城的分組列表和地理分布圖。

原文：Second, as shown in 圖表 3, most cities reached their peak house prices before December 2022, with cities that have stronger fundamentals peaking later. Around 57% of the 70 cities peaked between January 2020 and December 2022, while only 6% peaked after December 2022. On average, Cluster 1 cities peaked the latest, around mid-2022, likely supported by stronger demand fundamentals and more stringent supply restrictions. This is followed by Clusters 2 and 3, which peaked around late 2020 to mid-2021. Cluster 4 cities peaked the earliest, with their house prices continuing to decline despite a brief pick up during the 2015-18 shantytown redevelopment program.

譯文：其次，如圖3所示，大多數(shù)城市在2022年12月之前達(dá)到了房?jī)r(jià)峰值，而基本面較強(qiáng)城市的房?jī)r(jià)達(dá)峰較晚。70城市中約有57%的城市在2020年1月至2022年12月期間房?jī)r(jià)達(dá)到峰值，有6%的城市在2022年12月之后房?jī)r(jià)達(dá)到峰值。平均而言，集群1的城市最晚在2022年年中左右達(dá)到峰值，這可能是由于更強(qiáng)勁的需求基本面和更嚴(yán)格的限購(gòu)措施被放開；集群2和集群3在2020年底至2021年中達(dá)到峰值；集群4的城市最早達(dá)到峰值，盡管房?jī)r(jià)在2015到2018年棚改期間短暫回升，但最終繼續(xù)下跌。

圖表 3：2020年至2022年期間，超過(guò)一半的城市達(dá)到了房?jī)r(jià)峰值

分析：以上是四個(gè)集群的城市房?jī)r(jià)達(dá)峰的比例，高盛發(fā)現(xiàn)的規(guī)律是越是高線的城市房?jī)r(jià)達(dá)峰越晚，越是低線的城市房?jī)r(jià)達(dá)峰越早，這背后的原因如上面所解釋的，就是高線城市經(jīng)濟(jì)和人口基本面更好，而且限購(gòu)等措施緩慢放開導(dǎo)致需求源源不斷的被釋放，所以房?jī)r(jià)達(dá)峰的時(shí)間會(huì)比較晚，這也符合基本的邏輯和經(jīng)濟(jì)規(guī)律。

原文：Third, while the recent decline in house prices is similar across clusters – ranging from 15% to 20% since their peaks – the cumulative gains since 2011 differ markedly (圖表 4 ). Cluster 1 cities have seen house prices appreciate by 75% over the period, Cluster 2 cities have experienced only 20% cumulative increase, and the latest declines have wiped out all prior gains in Cluster 3. Cluster 4 cities stand out as the only group to experience a net price decline over the last decade. These trends highlight that stronger fundamentals not only delay the timing of house price peaks but also preserve some of the earlier price gains during a nationwide housing downturn.

譯文：第三，雖然近期各集群房?jī)r(jià)的下跌幅度相似，都是自峰值下跌15%到20%不等，但自2011年以來(lái)的累計(jì)漲幅卻截然不同（圖4），集群1城市的房?jī)r(jià)累計(jì)上漲了75%，集群2城市的房?jī)r(jià)累計(jì)漲幅僅為20%，近兩年的下跌抹去了集群3城市之前的所有漲幅，而集群4城市是過(guò)去十年中唯一出現(xiàn)價(jià)格凈下降的組。這些趨勢(shì)說(shuō)明一二線城市強(qiáng)勁的基本面不僅推遲了房?jī)r(jià)達(dá)峰的時(shí)間，而且在全國(guó)房地產(chǎn)低迷期間的抗跌性也會(huì)更強(qiáng)。

圖表 4：房?jī)r(jià)達(dá)峰后各集群的房?jī)r(jià)下跌幅度相似，但自2011年以來(lái)的累積漲幅截然不同

分析：上圖是四個(gè)集群從房?jī)r(jià)達(dá)到峰值后的跌幅（深藍(lán)）和房?jī)r(jià)從2011年至今的累計(jì)漲幅（淡藍(lán)），可以看出集群1、2、3的房?jī)r(jià)達(dá)到峰值后的跌幅類似，集群4房?jī)r(jià)達(dá)到峰值后跌幅比其他三個(gè)集群都要大，這是因?yàn)榧?的城市經(jīng)濟(jì)和人口基本面均不如前三個(gè)集群所致。另外從2011年后累計(jì)漲幅的角度上看，越是基本面好的高線城市累計(jì)漲幅越大，基本面最差的集群4城市從2011年至今的漲幅為負(fù)。

高盛想表達(dá)的意思是，城市的選擇對(duì)于房產(chǎn)增值來(lái)說(shuō)至關(guān)重要，高線城市由于基本面長(zhǎng)期保持強(qiáng)勁而表現(xiàn)為強(qiáng)者恒強(qiáng)，其房?jī)r(jià)在牛市時(shí)漲得多熊市時(shí)跌的少，是購(gòu)房的首選城市。

原文：圖表 5 suggests that population flows4 are important for house prices. The left panel shows that every 10% increase in population growth from 2010 to 2020 corresponds to approximately 3% rise in house prices in the 2010s. For example, cities like Chengdu and Zhengzhou, which experienced population inflows of around 45% over the decade, saw house price increases of around 50%. In contrast, some northeastern cities such as Jilin, which faced a 20% population decline, recorded a 20% rise in house prices. The 65% disparity in population growth between these two groups of cities accounts for roughly 30% variation in house price performance during the period. The right panel suggests that cities with strong population inflows in the 2010s also experienced milder price declines in the recent housing downturn.

譯文：圖表5表明人口流動(dòng)對(duì)房?jī)r(jià)來(lái)說(shuō)很重要。左圖顯示，從2010年到2020年，城市人口每增加10%帶來(lái)的房?jī)r(jià)漲幅約為3%。例如成都和鄭州等城市在過(guò)去十年中累積了約45%的人口流入，對(duì)應(yīng)的房?jī)r(jià)上漲了約50%，作為對(duì)照的吉林等一些東北城市人口下降20%，對(duì)應(yīng)的房?jī)r(jià)上漲了20%，這兩組城市之間65%的人口增長(zhǎng)差距導(dǎo)致房?jī)r(jià)表現(xiàn)的差異約為30%。右圖表明，在2010年到2020年間人口流入較多的城市在最近的房地產(chǎn)低迷期中房?jī)r(jià)下跌也比較溫和。

圖表 5： 人口增長(zhǎng)與房?jī)r(jià)有很強(qiáng)的相關(guān)性

分析：上圖是高盛根據(jù)2010年到2020年歷史數(shù)據(jù)做出的房?jī)r(jià)與人口關(guān)系對(duì)比圖，得出的結(jié)果就是城市人口每增加10%可以貢獻(xiàn)約3%的房?jī)r(jià)漲幅，這個(gè)數(shù)據(jù)可以直接當(dāng)作結(jié)論來(lái)用。

原文：Another driver for the recent house price declines could be the elevated housing supply. Longer inventory months – measured as the sellable gross floor area divided by the 12-month rolling gross floor area sold – tend to exert downward pressure on prices. As shown in 圖表 6 (left chart), inventory months have risen sharply in lower-tier cities since 2021. Among the seven cities classified in Clusters 2 and 3 that also have inventory months data, there is significant variation in average inventory months since 2023, with Dalian the highest (49 months) and Hangzhou the lowest (10 months) (圖表 6, right chart).

譯文：近期房?jī)r(jià)下跌的另一個(gè)驅(qū)動(dòng)因素是住房供應(yīng)量的增加，較長(zhǎng)的庫(kù)存去化周期（以可售總建筑面積除以12個(gè)月滾動(dòng)銷售總建筑面積來(lái)衡量）會(huì)對(duì)房?jī)r(jià)產(chǎn)生下行壓力。如圖6（左圖）所示，2021年以來(lái)低線城市的庫(kù)存去化周期快速上升，在集群2和集群3的7個(gè)城市中，自2023年以來(lái)的平均庫(kù)存去化周期存在顯著差異，其中大連最高（庫(kù)存去化周期49個(gè)月），杭州最低（庫(kù)存去化周期10個(gè)月）（圖6，右圖）。

圖表 6：低線城市房產(chǎn)庫(kù)存增加

分析：左上圖可以清楚看到三線城市在2023年后的庫(kù)存增加幅度遠(yuǎn)大于一二線城市，這也是三線城市房?jī)r(jià)表現(xiàn)遠(yuǎn)不如一二線城市的重要原因之一。右上圖是集群2和集群3里面挑出來(lái)的7個(gè)城市的庫(kù)存去化周期對(duì)比，大連的去化周期高達(dá)49個(gè)月，而杭州去化周期只有10個(gè)月，這就解釋了杭州的房?jī)r(jià)為什么遠(yuǎn)比大連的房?jī)r(jià)堅(jiān)挺的原因。

原文：To summarize the two drivers of house price dynamics, we estimate a panel regression model to link annual house price growth with 1) changes in inventory months5 and 2) population growth between 2010 and 2020. We also control for the 1-year lag of house price growth as well as time fixed effects to account for other uncontrolled factors that may drive house prices. The analysis was conducted using two panels, one focusing on cities in Clusters 2 and 3, and another including all available cities in the dataset for increased statistical power. The results are largely consistent across the two panels (圖表7）.

譯文：為了總結(jié)房?jī)r(jià)波動(dòng)的兩個(gè)驅(qū)動(dòng)因素，我們建立了一個(gè)面板回歸模型將房?jī)r(jià)增長(zhǎng)與庫(kù)存周期（月數(shù)）的變化和2010年至2020年的人口增長(zhǎng)聯(lián)系起來(lái)。我們還通過(guò)統(tǒng)計(jì)學(xué)手段去除了可能影響房?jī)r(jià)的其他不受控因素。分析是用兩個(gè)面板進(jìn)行，一個(gè)面板側(cè)重于集群2和集群3中的城市，另一個(gè)面板包括所有城市，分析的結(jié)論是兩個(gè)面板的結(jié)果基本一致（圖表7）。

圖表 7：在回歸模型中，人口變化和住房庫(kù)存都推動(dòng)了房?jī)r(jià)的波動(dòng)

分析：上圖可以不用看懂，只需要明白高盛通過(guò)回歸模型的分析證明了一件事，就是人口和房產(chǎn)庫(kù)存這兩個(gè)因素對(duì)房?jī)r(jià)確實(shí)有顯著的影響，換句話說(shuō)，在其他因素不變的前提下，人口增加和房產(chǎn)庫(kù)存減少的城市房?jī)r(jià)會(huì)顯著上漲，這個(gè)結(jié)果也可以直接當(dāng)做結(jié)論來(lái)用。

原文：We find that a one-month increase in housing inventory supply leads to around 20bp decline in house price growth. Meanwhile, a 10% increase in population between 2010 and 2020 results in an average annual house price increase of 0.3%, accumulating to 3% over a decade – consistent with our earlier scatter plot analysis. Combining these estimates, average population increased 23% in our Clusters 2 and 3 sample over the last decade, which accounts for roughly 28% of the total house price appreciation during this period. Moreover, housing inventory has risen by about 17 months since the price peak in 2020-22, contributing to around 18% of the subsequent price decline.

Furthermore, we find that the persistence of house price growth, as measured by the one-year lagged house price growth, is less pronounced (0.2%) compared to the US (around 0.4%). This implies that house prices are less sticky in China, potentially reflecting the larger role of government policies in the economy.

While demographics fundamentals and housing inventory are important drivers of house prices, they don’t explain all of the house price movements, and other variables not captured by our model also play an important role. For example, previous academic literature illustrated the importance of household income in driving local house prices.

Taken together, our analysis suggests that both structural population shifts and cyclical fluctuations in housing inventory supply are important drivers of house prices in China. Therefore, we expect top-tier cities like Shanghai and Shenzhen, bolstered by stronger migration inflows, lower inventory levels and the recent easing of housing purchase restrictions, may find a price bottom sooner than the rest of the nation – consistent with our property team’s view. In contrast, while inventory destocking may provide some relief, the implementation challenges and still limited government support suggest that lower-tier cities may continue to face pressure on housing prices, further exacerbated by migration outflows.

譯文：我們發(fā)現(xiàn)住房庫(kù)存的去化周期每增加一個(gè)月會(huì)導(dǎo)致房?jī)r(jià)下降約0.2%。2010年至2020年期間人口增長(zhǎng)10%，期間房?jī)r(jià)年均上漲0.3%，十年內(nèi)累計(jì)上漲3%，與我們之前的散點(diǎn)圖分析結(jié)果一致。利用以上的估算，在過(guò)去十年中集群2和集群3城市的平均人口增長(zhǎng)了23%，貢獻(xiàn)了同期房?jī)r(jià)總升值的28%。自2020到2022年房?jī)r(jià)見(jiàn)頂以來(lái)，住房庫(kù)存已經(jīng)上漲了17個(gè)月，貢獻(xiàn)了房?jī)r(jià)總貶值的18%。

另外我們發(fā)現(xiàn)中國(guó)的房?jī)r(jià)粘性比美國(guó)更低，這反映了中國(guó)政府的政策在中國(guó)經(jīng)濟(jì)中發(fā)揮的作用比美國(guó)政府的政策在美國(guó)經(jīng)濟(jì)中發(fā)揮的作用更大。

雖然人口基本面和住房庫(kù)存去化周期是房?jī)r(jià)的重要驅(qū)動(dòng)因素，但它們并不能解釋所有的房?jī)r(jià)變動(dòng)，回歸模型中不包含的其他變量也起著至關(guān)重要的作用，比如家庭收入在推動(dòng)當(dāng)?shù)胤績(jī)r(jià)方面的重要性。

綜上所述，我們的分析表明，結(jié)構(gòu)性人口轉(zhuǎn)移和住房庫(kù)存去化周期是中國(guó)房?jī)r(jià)波動(dòng)的重要驅(qū)動(dòng)因素。因此在更強(qiáng)勁的人口流入、更低的房產(chǎn)庫(kù)存水平、以及最近被放寬的限購(gòu)等政策的推動(dòng)下，一線城市的房?jī)r(jià)會(huì)比其他城市的房?jī)r(jià)更早完成觸底。相比之下，低線城市會(huì)繼續(xù)面臨房?jī)r(jià)壓力，而人口外流會(huì)進(jìn)一步加劇這種房?jī)r(jià)壓力。

分析：高盛總結(jié)了庫(kù)存去化周期和人口因素對(duì)于城市房?jī)r(jià)的影響，結(jié)論就是住房庫(kù)存去化周期每減少一個(gè)月貢獻(xiàn)的房?jī)r(jià)漲幅約為0.2%，城市人口每增加1%貢獻(xiàn)的房?jī)r(jià)漲幅約為0.3%。另外我國(guó)的政策對(duì)本國(guó)經(jīng)濟(jì)的影響大于美國(guó)的政策對(duì)本國(guó)經(jīng)濟(jì)的影響，換句話說(shuō)就是同樣一個(gè)政策，在中國(guó)的作用比在美國(guó)的大，所以政策是改變我國(guó)經(jīng)濟(jì)走勢(shì)非常重要的因素之一。

需要注意的是，模型只對(duì)人口和房產(chǎn)庫(kù)存對(duì)房?jī)r(jià)的影響做了有效性驗(yàn)證，而并沒(méi)有包括其他影響房?jī)r(jià)的關(guān)鍵因素，比如最重要的家庭收入因素，這在邏輯上也很直觀，家庭沒(méi)有錢就沒(méi)法買房。