金融沖擊與中國房價波動

摘要：構建包含金融沖擊的動態隨機一般均衡（HDSGE）模型，考察金融沖擊對我國房價波動的影響，研究發現：包含金融沖擊的模型相對于未包含金融沖擊的模型更好地擬合了我國經濟的現實；金融沖擊對我國房地產市場具有顯著的沖擊效應，并且積極的金融沖擊在增加房地產部門投資的同時降低了其他部門的投資；同時，金融沖擊具有擴大貨幣政策沖擊效應的“加速器”作用。進一步對房價波動進行貝葉斯沖擊分解，分析表明：在短期和中期，金融沖擊是推動我國房價波動最為重要的因素；而在中長期和長期，貨幣政策沖擊仍是我國房價波動的主要推動力。因此，貨幣政策和金融政策都是房地產市場調控的重要手段。政府應積極利用貨幣政策沖擊和金融沖擊的效應穩定房地產市場，不過在利用金融沖擊時需要注意其對國民經濟其他部門產生的負面效應。

關鍵詞：金融沖擊；房價波動；動態隨機一般均衡模型；貨幣政策沖擊；住房需求；房價膨脹；擔保約束；家庭優化行為；企業投資行為

中圖分類號：F015；F822.2；F224.0 文獻標志碼：A文章編號：16748131（2016）01006113

一、引言

宏觀經濟理論和經濟發展的實踐均表明，金融因素對于一國經濟波動具有顯著性影響（Nolan et al，2009；Jermann et al，2012）。然而，以新凱恩斯主義動態隨機一般均衡（New Keynesian Dynamic Stochastic General Equilibrium，即NKDSGE）模型為代表的主流宏觀經濟學分析框架卻長期忽略了對金融因素的分析。2007至2009年國際金融危機給世界經濟造成的巨大破壞引發了眾多研究者對現有宏觀經濟學研究范式的重新思考，Blanchar等（2010）認為，對金融因素的忽視導致現有的宏觀經濟政策在金融管制方面的失敗是金融危機產生的重要原因。

鑒于金融因素的重要性，Christiano等（2011）、Jermann 和 Quadrini（2012）、Yu（2013）、Kaihatsu 和 Kurozumi（2014）、Alpanda和Aysun（2014）、Kolasa和Lambardo（2014）等將金融沖擊引入NKDSGE模型并考察其在經濟周期波動中的作用，結果均發現金融沖擊對于一國經濟波動具有重要影響。然而，這些研究均設定金融沖擊僅對企業的投資行為具有直接影響，并不影響家庭的優化行為。這一設定簡化了分析的難度，但與事實不符。因為金融沖擊可以使得家庭的擔保約束得到緩解，即家庭可以更容易獲得抵押貸款或在同等條件下能夠獲得更多的抵押貸款，而擔保約束的緩解將改變家庭的消費行為（Kobayashi et al，2012）。另外，已有的相關研究大多主要考察金融沖擊的整體效應，而忽略了金融沖擊對于房地產市場的影響（Davis et al，2011）。Gal′（2014）、Fendoglu（2014）以及Notarpietro 和Siviero（2014）等指出，房地產市場在經濟波動過程中具有重要的作用，并且是導致金融危機的重要因素。對于中國而言，房地產是當前國民經濟的支柱產業，對經濟波動具有重要的影響。因此，深入分析金融沖擊對中國房地產市場的影響，有利于更好地考察我國房地產市場乃至宏觀經濟波動，具有重要的理論價值和現實意義。

為了考察金融沖擊對我國房地產市場的影響，本文將金融沖擊引入包含房地產部門的動態隨機一般均衡（HDSGE）模型中。在采用我國現實數據對模型進行貝葉斯估計的基礎上，通過貝葉斯脈沖響應函數以及貝葉斯沖擊分解等方法考察金融沖擊在推動我國房價波動過程中的作用。與已有的研究相比，本文主要做了如下貢獻：（1）建立了一個包含金融沖擊的多部門HDSGE模型，在這一模型中金融沖擊對家庭行為具有直接的影響，而國內外大多數已有的研究均分析的是金融沖擊的整體宏觀經濟效應，并且設定金融沖擊對家庭行為不存在直接影響國內已有的關于金融沖擊的研究，如王國靜和田國強（2014）以及陳利鋒（2015）的研究均采用這一設定。 ；（2）考察了金融沖擊對房地產市場以及貨幣政策沖擊的影響，進而發現金融沖擊具有擴大貨幣政策沖擊效應的“加速器”作用；（3）通過對房價波動推動力量的分解，發現貨幣政策并非總是推動我國房價波動的主要因素（在短期和中期金融沖擊是推動我國房價波動的主要力量，在中長期和長期貨幣政策是導致我國房價波動的主要因素），這一發現表明政府可以利用貨幣政策沖擊和金融沖擊效應實現房地產市場的穩定。

陳利鋒：金融沖擊與中國房價波動

二、模型與假設

本部分建立一個包含家庭、非耐用品生產部門、房地產生產部門以及政府的多部門HDSGE模型。家庭依據其消費的耐心程度可以分為消費耐心（Patient）家庭與消費不耐心（Impatient）家庭，并且后者在家庭總數中所占的比例為s。消費耐心家庭是模型經濟中的儲蓄者（Savers），而消費不耐心家庭為借貸者（Borrowers）。這一模型設定方式最早由Kiyotaki和Moore（1997）提出，并將其用于宏觀經濟分析中；Iacoviello（2005）將這一設定方式引入 HDSGE模型中。這一設定方式也意味著模型經濟中的投資以及相應的物質資本形成和房地產生產部門生產過程中的土地投入均由消費耐心家庭完成。模型經濟中的生產部門包括非耐用品生產部門和房地產生產部門，每一部門中均包含最終產品生產企業和中間產品生產企業。與已有的單部門HDSGE模型類似，中間產品生產企業生產具有一定差異的中間投入品，是差異化產品的供給方；同時，兩類部門中間產品生產企業均具有一定的壟斷勢力，因而可以利用產品的定價權來實現利潤的最大化。兩部門最終產品生產企業使用各部門的中間投入品生產出最終消費品和房產（Housing Goods）。而政府則指的是貨幣政策的制定者。

1.消費不耐心家庭的優化行為endprint

消費不耐心家庭的效用函數關于消費Cbt、房地產持有（Housing Holdings）Hbt以及就業加性可分，其目標為最大化效用：

Ubt=E0∞t=0（βb）texp（εdt）[lnCbt+exp（εht）lnHbt-

11+ηc（Nbc，t）1+ηc-11+ηh（Nbh，t）1+ηh] （1）

其中，0<βb<1為不耐心家庭的貼現因子；Nbc，t和Nbh，t分別為此類家庭的成員在非耐用品生產部門和房地產生產部門的就業；ηc和ηh分別為家庭成員在兩部門就業的Frisch勞動偏好系數的倒數；εdt和εht分別為總需求沖擊和房地產偏好（Housing Preference）沖擊，且服從平穩的AR（1）過程。

消費不耐心家庭面臨借貸約束，但可以通過將持有的房產進行抵押而獲得借款，因而已有的研究將這一約束稱為擔保約束（Collateral Constraints）。其面臨的擔保約束為：

Bbt≤exp（εLTVt）（1-χ）Et{Qt+1HbtΠct+1Rt}（2）

其中，Bbt為該類家庭抵押貸款數量；1-χ∈（0，1）為貸款價值比（LoantoValue Ratio）；Qt為實際房價；Rt為名義利率；Πct=PctPct-1為總體通貨膨脹率，Pct為物價總水平采用這一設定的原因在于各國計算通貨膨脹時均未包含房價因素。 ；εLTVt為貸款價值比沖擊，已有的研究，如BrzozaBrzezina等（2015）將其設定為金融沖擊，本文沿用這一設定。式（2）表明消費不耐心家庭的借貸數量不能超過其持有的房地產的抵押價值。消費不耐心家庭的約束條件為：

Cbt+Qt[Hbt-（1-δh）Hbt-1]+Rt-1ΠctBbt-1

≤Bbt+Wbc，tNbc，t+Wbh，tNbh，tPct+Obt（3）

其中：δh為房產的折舊率，Wbc，t和Wbh，t分別為家庭成員就業于兩類部門的名義工資率，Obt為其他收入。消費不耐心家庭在約束（2）（3）下最大化效用函數（1），其對應的一階條件為：

Wbc，tPct=Cbt（Nbc，t）ηc（4）

Wbh，tPct=Cbt（Nbh，t）ηh（5）

λt+βbexp（εdt+1）Et{1Cbt+1RtΠct+1}

=exp（εdt）1Cbt（6）

exp（εht）Hbt+βb（1-δh）Qt+1Cbt+1exp（εht+1-εht）+

（1-χ）λtexp（εLTVt-εht）Et{Qt+1ΠΠct+1Rt}=QtCbt （7）

其中，λt為式（2）的拉格朗日乘子。式（4）（5）決定了最優的就業；式（6）為消費的跨期無套利條件，表明消費不耐心家庭效用最大化時無法通過調整不同時期的消費水平來實現效用的改善；式（7）為最優的房產持有條件，表明消費不耐心家庭效用最大化時無法通過調整消費和房產持有來進一步提高效用水平。

2.消費耐心家庭的優化行為

類似的，消費耐心家庭的效用函數關于消費Cst、房地產持有Hst以及就業加性可分，此類家庭的最大化效用函數為：

Ust=E0∞t=0（βs）texp（εdt）[lnCst+exp（εht）lnHst-

11+ηc（Nsc，t）1+ηc-11+ηh（Nsh，t）1+ηh]（8）

其中，0<βs<1為該類型家庭的貼現因子，且βs>βb；Nsc，t和Nsh，t分別為此類型家庭的成員在兩類部門的就業。消費耐心家庭的預算約束為：

Cst+Qt（Hst-（1-δh）Hst-1）+PltLt+Ict+

Iht+Rt-1ΠctBst-1≤Bst+Wsc，tNsc，t+Wsh，tNsh，tPct+

（Plt+Rlt）Lt-1+RctKct+RhtKht+Ft+Ot（9）

其中：Plt為土地的實際價格，Lt為土地數量，Bst為家庭實際貸款額，Wsc，t和Wsh，t分別為消費耐心家庭成員就業于兩類部門對應的名義工資率，Rlt為土地的實際租金率，Rct和Rht為兩類部門物質資本的實際租金率，Ft為家庭所有的企業轉移而來的利潤，Ot為其他收入，Ict和Iht分別為兩類部門的物質資本投資，Kct和Kht分別為由兩部門投資形成的物質資本。兩類部門物質資本積累方程為：

Kτt+1=（1-δτk）Kτt+exp（εkt）KτtS（IτtKτt）

（τ=c，h）（10）

其中，δck和δhk為兩類部門的資本折舊率與Gal′等（2007）等已有的研究類似，兩類部門的資本調整函數S（.）滿足：S（δτk）=δτk，S′（δτk）=1，S′>0。 ；S″≤0；εkt為投資沖擊，且滿足平穩的AR（1）過程。基于以上設定，消費耐心家庭的優化問題為在約束條件（9）（10）下最大化效用函數（8）。其對應的一階條件為：

Wsc，tPct=Cst（Nsc，t）ηc（11）

Wsh，tPct=Cst（Nsh，t）ηh（12）

exp（εht）1Hst+βs（1-δh）exp（εdt+1-εdt）1Cst+1Qt+1

=1CstQt（13）

βsRtEt（CstCst+1）1Πct+1exp（εdt+1-εdt）=1（14）

βsexp（εdt+1-εdt）1Cst+1（Plt+1+Rlt+1）=1CstPlt（15）

Qct=βs（CstCst+1）exp（εdt+1-εdt+εkt）Et{Rct+1+

Qct+1[exp（-εkt+1）（1-δck）+S（Ict+1Kct+1）-endprint

Ict+1Kct+1S′Ict+1Kct+1]}（16）

Qht=βsCstCst+1exp（εdt+1-εdt+εkt）Et{Rht+1+

Qht+1[exp（-εkt+1）（1-δhk）+SIht+1Kht+1-

Iht+1Kht+1S′Iht+1Kht+1]}（17）

其中，Qct=[S′（IctKct）]-1和Qht=[S′（IhtKht）]-1分別為非耐用品部門和房地產部門各自對應的Tobin的“Q”（Tobins Q）。式（11）（12）決定了消費耐心家庭成員的最優就業，式（13）為最優房產持有條件，式（14）為歐拉方程，式（15）為最優土地持有，式（16）（17）為兩類部門最優的物質資本投資決策。

3.非耐用品生產部門

與已有研究類似，非耐用品生產部門最終產品生產企業采用DixitStiglitz技術將中間投入品轉變為最終消費品。定義Yct（i）和Pct（i）分別為第i類中間投入品的投入數量和價格，Yct為最終消費品的產出，εcp為不同中間投入品的替代彈性。那么，非耐用品生產部門最終產品生產企業利潤最大化的一階條件為：

Yct（i）=（Pct（i）Pct）-εcpYct（18）

非耐用品生產部門中間產品生產企業使用CobbDouglas技術進行生產，其生產函數為：

Yct（i）=[Kct-1（i）]αc{exp（εact）[Nbc，t（i）]α×

[Nsc，t（i）]1-α}1-αc（19）

其中，αc為非耐用品部門資本的產出彈性；α為消費不耐心家庭的勞動投入占比；εact為非耐用品部門的技術沖擊，服從平穩的AR（1）過程。生產技術的差異使得不同的中間產品生產企業的產品具有一定的差異，因而其在產品的定價上具有一定的壟斷勢力。與已有的相關研究類似，產品的價格依據Calvo（1983）交錯設定方式進行調整即：Pct=[（1-θcp）（Pct）1-εcp+θcp（Pct-1）1-εcp]1/（1-εcp）。其中Pct為最優價格水平。 。通過調整價格，中間產品生產企業可以獲得最大的利潤，與Iacoviello（2005）、Lee和Song（2015）等類似，決定非耐用品生產部門中間產品價格是否調整的最優條件為：

E0∞k=0（βsθcp）kYct+k|t[（PctPct+k）-McpMCct+k|t]

=0（20）

這里，Mcp=εcp（εcp-1）為非耐用品生產部門穩態價格加成，Yct+k|t和MCct+k|t分別為產品價格自時期t至t+k期保持不變條件下的產出和邊際成本。而邊際成本來源于中間產品生產企業的成本最小化問題。中間產品生產企業成本最小化一階條件和邊際成本分別為：

Wbc，t/Pct[]Rct=α（1-αc）αcKct-1Nbc，t（21）

Wsc，t/Pct[]Rct=（1-α）（1-αc）αcKct-1Nsc，t（22）

MCct=Ωc（Rct）αc（Wsc，tPct）（1-α）（1-αc）（Wbc，tPct）α（1-αc）×

exp[-（1-αc）εact]（23）

式（21）（22）為成本最小化一階條件，決定了非耐用品生產部門最優要素投入；式（23）為邊際成本，并且Ωc=α-α（1-αc）（1-α）-（1-α）（1-αc）（αc）-αc（1-αc）-（1-αc）。

4.房地產部門

房地產部門包括銷售商和開發商當然，現實經濟中房地產部門開發商與銷售商可能是同一家企業，這里將房地產部門生產與銷售分開設定主要是為了模型表述的便利。 ，開發商負責房地產的生產，銷售商負責房地產的定價和出

售。定義具體的房地產部門開發商的生產技術為如下CobbDouglas型函數：

Yht=（Kht-1）αh（exp（εlt）Lt-1）αl[exp（εaht）×

（Nbh，t）α（Nsh，t）1-α]1-αh-αl（24）

其中，αh為房地產部門資本的產出彈性；αl為土地的產出彈性；εlt和εaht分別為土地供給沖擊和房地產部門技術沖擊，并且二者均服從平穩的AR（1）過程。房地產開發商成本最小化的一階條件為：

RltRht=αlαhKht-1Lt-1（25）

Wbh，t/Pct[]Rht=α（1-αh-αl）αhKht-1Nbh，t（26）

Wsh，t/PctRht=（1-α）（1-αh-αl）αhKht-1Nsh，t（27）

房地產銷售商在房地產價格設定上具有一定的壟斷勢力已有的大多數研究，如Iacoviello（2005）、Iacoviello和Neri（2010）、Burnside等（2011）、Finocchiaro和von Heideken（2013）、Gomes和Mendicino（2015）均設定房地產部門不存在壟斷勢力，因而價格是靈活的（Flexible）。但是，Kannan等（2012）在設定房地產價格靈活調整的HDSGE模型中引入物質資本投資（Iacoviello et al，2010），結果發現緊縮性貨幣政策引起住宅投資的增長，這一結果顯然與Monacelli（2009）發現的事實不符，也不符合我們的經驗判斷。基于此，Notarpietro和Siviero（2014）、陳利鋒和范紅忠（2014）以及馬亞明和劉翠（2014）等均設定房地產部門存在壟斷勢力。顯然，由于需求剛性的存在，我國房地產市場是存在壟斷勢力的，該設定符合我國的現實情況。 。與Notarpietro和Siviero（2014）、陳利鋒和范紅忠（2014）以及馬亞明和劉翠（2014）等的研究類似，本文設定任意時期t房地產價格調整的概率為1-θhp，那么，θhp代表了房地產部門的名義價格剛性事實上，Case（2008）發現美國房地產市場價格具有粘性特征。 。房地產價格調整方式為：endprint

Pht=[（1-θhp）（Pht）1-εhp+θhp（Pht-1）1-εhp]1/（1-εhp）（28）

其中，εhp為不同房地產之間的替代彈性，Pht為銷售商最優價格設定，Pht為名義房價。銷售企業調整價格的目的在于實現利潤最大化，即房地產銷售企業的優化問題為通過調整價格實現最大化的利潤。決定房地產部門價格調整與否的最優條件為：

E0∞k=0（βsθhp）kYht+k|t[（PhtPct+k）-MhpMCht+k|t]=0（29）

其中，Mhp=εhp（εhp-1）為房地產部門穩態價格加成，MCht+k|t和Yht+k|t分別為房地產價格保持不變條件下的邊際成本和產出。房地產銷售商的邊際成本來源于房地產開發商，定義Ωh=（αl）-αl（αh）-αhα-α（1-αh-αl）（1-α）-（1-α）（1-αh-αl），結合房地產開發商成本最小化的一階條件可得：

MCht=Ωhexp[-αlεlt-（1-αh-αl）εaht]×

（Rht）αh（Rlt）αl（Wbh，tPct）α（1-αh-αl）（Wsh，tPct）（1-α）（1-αh-αl） （30）

5.市場均衡與貨幣政策當局

定義Ct為總消費，那么均衡時，非耐用品生產部門的產出Yct應滿足兩類家庭的消費需要（即等于總消費）：Yct=sCbt+（1-s）Cst=Ct；對于房地產部門而言，其產出滿足兩類家庭新增加的房地產需求，即：Yht=s[Hbt-（1-δh）Hbt-1]+（1-s）[Hst-（1-δh）Hst-1]。基于支出法對產出進行核算，可知均衡時滿足：

Yt=Ct+It+Qt[Ht-（1-δh）Ht-1]（31）

其中，It=Ict+Iht為總投資，Ht=sHbt+（1-s）Hst為房地產總需求。債務市場出清時，sBbt=（1-s）Bst，即兩類家庭的債務和債權剛好抵消。為了方便分析，我們將模型經濟中勞動力供給總量以及物質資本總量標準化為1：Nbc，t+Nsc，t+Nbh，t+Nsh，t=1，Kct+Kht=1。以上兩式分別構成了勞動力市場和物質資本的出清條件。與已有研究類似，本文設定貨幣政策當局執行如下簡單貨幣政策機制：

Rt=R（ΠctΠc）φp（YtY）φyexp（εrt）（32）

其中：R、Y、Πc分別為利率、產出和通貨膨脹的穩態值；φy和φp分別為利率對產出和通貨膨脹的反應系數；εrt為利率的外生成分或者利率沖擊，且服從平穩的AR（1）過程。（32）式即為Taylor（1993）提出的“泰勒規則”。已有的研究（Zhang，2009；李成 等，2010；賈俊雪 等，2013）均認為這一政策機制可以較好地擬合我國的現實政策機制。

三、模型核心方程的處理與參數化

本部分對模型進行對數線性化處理，并對模型的關鍵方程進行相應的說明；在此基礎上，對模型中的結構性參數進行參數化（Parameterization）。

1.模型核心方程的處理

定義Xt為模型經濟中的任意變量，X為Xt的穩態值，那么Xt對其穩態的對數偏離t定義為：t=lnXt-lnX。基于這一原則，可以對包含金融沖擊的HDSGE模型進行對數線性化。首先，對非耐用品部門最優價格設定條件進行對數線性化可以得到：

ct=βsEt{ct+1}+λcpmcct（33）

其中，實際邊際成本mcct=αcct+（1-α）（1-αc）×sc，t+α（1-αc）bc，t-（1-αc）εact，參數λcp=（1-θcp）（1-βθcp）θcp1-αc1-αc+αcεcp，πct=ln（PtPt-1）為通貨膨脹。（33）式被稱為新凱恩斯主義菲利普斯曲線（NKPC）。類似的，對房地產部門最優價格設定條件進行對數線性化可以得到：

ht=βsEt{ht+1}+λhpmcht（34）

λhp=（1-θhp）（1-βθhp）（1-αh）θhp（1-αh+αhεhp）；πht=ln（PhtPht-1），

為反映房地產價格上漲的房價膨脹（Housing Price Inflation）；mcht為房地產開發商的實際邊際成本，且滿足：mcht=-αlεlt-（1-αh-αl）εaht+αhht+αllt+α（1-αh-αl）bh，t+（1-α）（1-αh-αl）sh，t。

2.模型的參數化

兩類家庭的貼現因子βs和βb分別設定為0.95和0.98，前者為依據我國2002年至2013年物價變化數據估算的結果，而后者則為已有研究估計的結果，并且二者對于模型結論并不敏感；鑒于我國規定首付比例為30%，本文將信貸約束比例1-χ的取值設定為0.3；消費不耐心家庭在家庭總數中所占的比例s的取值設定為0.5，這一參數對于模型結論不存在顯著性影響；非耐用品部門物質資本折舊率δck的取值，依據He等（2007）采用GMM方法估計的結果將其設定為0.04；房地產部門物質資本折舊率δhk的取值，依據易斌（2015）的研究將其設定為0.03；房地產折舊率δh的取值，依據黃勇峰（2002）以及王益煊和吳優（2003）估算的結果將其設定為0.02；消費不耐心家庭勞動力在兩類部門生產中所占的比例α，本文將其設定為0.4，這一參數的取值意味著消費不耐心家庭具有較弱的勞動力供給意愿，這一設定與Lee和Song （2015）的研究是一致的；穩態時消費和投資占總產出的比重γc和γi的取值。本文采用2002年至2013年的年度數據進行估算，總產出采用剔除凈出口之后的GDP表示，消費和投資分別采用支出法核算GDP過程中使用的社會消費總額和投資表示，在此基礎上計算消費與GDP比值的平均值以及投資與GDP比值的平均值，估算結果分別為0.44和0.36。具體的參數校準結果如表1。endprint

由于其余參數對于研究結論具有較強的敏感性，因而需要采用貝葉斯方法對其進行估計。BlanchardKahn條件要求貝葉斯估計過程中使用的觀測變量序列的組數不超過外生沖擊的數量，因而我們至多可以選擇8組觀測變量。基于數據的可得性考慮，本文選取如下7組數據作為觀測變量（Observations）：（1）消費，采用社會消費品零售總額數據；（2）總的房地產需求，采用商品房銷售額數據；（3）通貨膨脹，采用消費者物價指數（CPI）并使用環比方法計算；（4）房價膨脹，采用房地產銷售價格指數并使用環比方法計算2002年第1季度至2011年第4季度的房地產銷售價格指數來源于中經網數據庫；2012年第1季度至2013年第4季度的相關數據為估算的結果，具體的估算方法為：首先以2002年第1季度至2011年第4季度的房地產銷售價格指數對全國房地產市場景氣指數做回歸，然后用2012和2013年的全國房地產市場景氣數據并結合回歸模型對房地產銷售價格指數進行估算。 ；（5）名義利率，采用銀行業同業拆借利率數據；（6）總投資，采用支出法核算GDP中使用的投資數據；（7）總產出，采用剔除凈出口和政府購買之后的GDP數據。所有數據均來源于中經網數據庫，樣本空間為2002年第1季度至2013年第4季度。在以上觀測序列中，除（3）（4）（5）外，其余觀測序列全部采用CPI進行調整，使其成為實際值。在此基礎上，采用Census X12方法對所有觀測值序列進行褪趨勢（Detrend）處理以消除季節性趨勢的影響；并且使用非對稱全樣本ChristianoFitzgerald濾波法剔除各觀測序列的趨勢成分，進而保留周期性成分以用于貝葉斯估計。

貝葉斯估計程序要求設定結構性參數的先驗均值和先驗分布。家庭成員在兩部門各自的勞動偏好系數ηc和ηh，依據Iacoviello和Neri（2010）的研究將其先驗均值和分布分別設定為0.5和貝塔（Beta）分布；非耐用品部門生產函數中資本的產出彈性系數αc，依據He等（2007）和Zhang（2009）的研究將其先驗均值和分布設定為0.6和貝塔分布；非耐用品部門名義價格剛性θcp和不同產品的替代彈性系數εcp，依據Gal′（2015）以及陳利鋒和范紅忠（2014）的研究將其先驗均值分別設定為0.5和5，而對應的先驗分布設定為貝塔分布和伽馬（Gamma）分布；房地產部門生產函數中資本的產出彈性系數αh和土地的產出彈性αl，依據Liu等（2013）的研究將其先驗均值分別設定為0.2和0.3，先驗分布均設定為貝塔分布；房地產部門名義價格剛性θhp，參考馬亞明和劉翠（2015）的研究將其先驗均值設定為0.75，對應的先驗分布為貝塔分布；房地產部門不同產品替代彈性εhp，依據陳利鋒和范紅忠（2014）的研究將其先驗均值設定為6，對應的先驗分布設定為伽馬分布；名義利率對于產出缺口和通貨膨脹的反應系數φy和φp，依據Zhang（2009）的研究將其先驗均值分別設定為0.5和1.5，對應的先驗分布分別為貝塔分布和伽馬分布；外生沖擊的持續性參數ρd、ρh、ρk、ρLTV、ρac、ρl、ρah、ρr的先驗均值全部設定為0.5，先驗分布全部設定為貝塔分布；外生沖擊的標準差σd、σh、σk、σLTV、σac、σl、σah、σr的先驗均值均設定為0.1，對應的先驗分布全部設定為逆伽馬（InverseGamma）分布。

為了規避貝葉斯估計的脆弱性問題，在計算參數后驗均值的過程中，我們要求貝葉斯估計程序同時使用5個平行鏈并進行20 000次馬爾科夫蒙特卡洛模擬（MCMC），分別剔除首尾5 000個MCMC的結果。表2給出了參數貝葉斯估計的結果。

四、模型動態分析

基于模型參數化的結果，本部分對第二部分的模型進行動態分析。具體的，首先對模型整體擬合優度進行分析，以考察包含金融沖擊的模型是否能夠較好地擬合我國經濟的現實數據；然后，通過金融沖擊的貝葉斯脈沖響應函數分析金融沖擊對我國房地產市場以及宏觀經濟波動的影響；最后，進一步采用貝葉斯沖擊分解方法考察金融沖擊在推動我國房價波動過程中的作用。

1.模型整體擬合優度分析

本文在HDSGE模型中引入金融沖擊以考察金融沖擊在我國房價波動過程中的作用，與之相關的一個問題是，已有的研究未對這一問題進行分析，這是否意味著金融沖擊對于房地產市場并不具有重要的作用？換言之，與未包含金融沖擊的模型相比，包含金融沖擊的HDSGE模型是否能夠更好地擬合我國房地產部門乃至宏觀經濟的現實？

已有的相關研究往往采用模型整體擬合優度分析法考察不同模型對于現實數據擬合的程度，該方法通常包含邊際數據密度法和隱含貝葉斯因子法（Implied Bayesian Factor）等Canova（2007）和Greenberg（2008）對這一方法進行了較為詳細的介紹。 。模型擬合優度檢驗建立在模型貝葉斯估計的基礎上。一般而言，模型的邊際數據密度越大，則表明模型對于現實數據擬合的程度越好；而隱含貝葉斯因子法則將未包含金融沖擊的模型的隱含貝葉斯因子先驗設定為1，然后計算包含金融沖擊的模型的隱含貝葉斯因子。模型整體擬合優度分析的結果如表3所示。

表3給出了模型整體擬合優度檢驗的結果。首先，從模型的邊際數據密度指標可以看出，包含金融沖擊的模型對應的邊際數據密度為296.53，而未包含金融沖擊的模型對應的邊際數據密度為27726，二者之差為19.27。因此，基于模型的邊際數據密度檢驗的結果可知，我國現實數據傾向于支持包含金融沖擊的模型。另外，從模型的隱含貝葉斯因子檢驗的結果中可以發現，包含金融沖擊的模型對應的隱含貝葉斯因子為4.1×1011，這意味著接受未包含金融沖擊的模型所需要的先驗信息的數量是接受包含金融沖擊的模型的4.1×1011倍，即隱含貝葉斯因子檢驗的結果也顯著支持包含金融沖擊的模型。因此，基于模型整體擬合優度分析的結論可知，相對于未包含金融沖擊的模型，包含金融沖擊的模型更好地擬合了我國經濟的現實情況。endprint

2.金融沖擊的貝葉斯脈沖響應

模型整體擬合優度檢驗的結果表明，我國現實經濟數據更多地支持包含金融沖擊的模型，在此基礎上，我們可以采用貝葉斯脈沖響應函數對這一模型進行動態分析。基于本文研究目的考慮，圖1僅給出了金融沖擊的貝葉斯脈沖響應函數。顯然，積極的金融沖擊意味著家庭可以獲得更多的購房貸款，因而擴大了消費不耐心家庭的預算集合。家庭獲得購房貸款數量的增加，推動了家庭的住房需求，因此在積極的金融沖擊下，家庭的住房需求上升；而住房需求的上升推動了實際房價的上漲，因此在積極的金融沖擊下，實際房價表現出隨時間上升的動態反應路徑。基于房價膨脹的定義可知，實際房價的上升將引起房價膨脹的上升，因而積極的金融沖擊也推動了房價膨脹的上升。房價的上升也推動了房地產部門收益的增加，對利潤最大化的追求使得房地產部門生產企業增加投資，進而推動了房地產部門投資的增加，因此，積極的金融沖擊也推動了房地產部門投資的上升。房地產投資的增加以及土地供給的有限性使得土地實際價格以及土地的實際租金率上升，因而在積極的金融沖擊下，土地的實際價格以及土地的實際租金率均表現出隨時間上升的趨勢。實際房價、土地價格以及土地實際租金率的上升推動了整體物價水平的上升，進而導致通貨膨脹率的上升。

最后，需要注意的是，積極的金融沖擊在推動房地產部門投資增加的同時，也導致了非耐用品生產部門投資的下降，表現在圖1中金融沖擊下非耐用品生產部門投資呈現隨時間下降的變化路徑。因此，金融沖擊的貝葉斯脈沖響應函數反映了我國經濟發展過程中的一個事實，即房地產部門的迅速發展導致大量的社會資源進入房地產部門，進而導致其他部門的發展較為緩慢。這也從另一個方面表明包含金融沖擊的模型相對較好地擬合了我國經濟的現實；同時，也意味著在我國房地產市場調控過程中，如果政府使用積極的金融沖擊影響房地產市場，那么需要注意這一沖擊可能產生的負面效應。

3.貨幣政策沖擊的效應分析

部分已有的相關研究在引入金融沖擊時忽略貨幣政策沖擊的效應在已有的研究中，如Jermann 和 Quadrini（2012）、Kaihatsu 和 Kurozumi（2014）、王國靜與田國強（2014）等均采用這一設定。在這一設定下，金融沖擊僅對企業的投資行為具有直接影響而對于家庭的優化行為不存在任何影響。Yu（2013）認為采用這一設定存在模型設定的偏誤，并且混淆了金融沖擊與貨幣政策沖擊的影響。而本文的設定則較好地規避了這一問題。在本文的框架中，金融沖擊影響宏觀經濟的路徑包括：（1）影響不耐心家庭的優化行為而影響總需求；（2）通過影響不耐心家庭的需求而刺激企業的投資行為。 。盡管采用這一設定可以簡化分析的難度，并且可以防止金融沖擊與貨幣政策沖擊作用機制相互混淆而引起模型設定的偏誤。但是，在本文構建的包含金融沖擊的HDSGE模型中，金融沖擊與貨幣政策沖擊卻具有不同的作用機制，因而二者對于宏觀經濟變量的影響也具有不同的傳導路徑。具體地講，金融沖擊主要通過緩解消費不耐心家庭的預算約束來刺激企業的投資行為而對宏觀經濟產生影響；而貨幣政策沖擊主要是通過利率而對企業的投資和生產行為產生影響，進而通過企業的投資和生產行為影響宏觀經濟。

圖2給出了貨幣政策沖擊的貝葉斯脈沖響應函數。與金融沖擊類似，擴張性貨幣政策沖擊引起房地產需求的增加，房地產需求的增加推動了房地產部門投資的增加和實際房價的上升，繼而使得房價膨脹、土地租金率和土地的實際價格均上升。與金融沖擊不同的是，擴張性貨幣政策沖擊降低了資本的租賃成本和融資的難度，進而也刺激了非耐用品生產部門企業的投資行為。與已有研究所得到的結論類似，貨幣政策沖擊盡管促進了產出的增加，但也提高了通貨膨脹率。因此，基于圖1與圖2的比較可以發現，金融沖擊與貨幣政策沖擊對于非耐用品生產部門的投資具有不同的沖擊效應。

基于金融沖擊和貨幣政策沖擊的貝葉斯脈沖響應函數還可以發現，金融沖擊與貨幣政策沖擊對主要宏觀經濟變量沖擊效應的大小存在顯著差異。顯然，通過比較圖1與圖2可以發現，貨幣政策沖擊對產出等主要宏觀經濟變量均具有更大的沖擊效應，具體表現為貨幣政策沖擊下產出等變量具有更大程度的動態反應。

另外，圖2還給出了未包含金融沖擊的模型中貨幣政策沖擊的貝葉斯脈沖響應函數。通過比較可以發現，與未包含金融沖擊的模型相比，包含金融沖擊的模型中貨幣政策沖擊對于模型主要宏觀經濟變量均具有更大的沖擊效應。這一發現與Bernanke等（1999）類似，即資產市場具有“加速器”的作用，可以擴大外生沖擊對于宏觀經濟的效應，而本文所考慮的金融沖擊正是通過放松消費不耐心家庭的擔保約束進而擴大了貨幣政策沖擊的宏觀經濟效應。因此，金融沖擊具有放大貨幣政策沖擊效應的“加速器”作用。

4.房價波動的貝葉斯沖擊分解

盡管金融沖擊的貝葉斯脈沖響應函數表明了金融沖擊下主要宏觀經濟變量的動態變化路徑，但是仍然存在的一個問題是，在本文的考察期內，金融沖擊對我國房價波動具有怎樣的推動作用？為了對這一問題進行回答，我們采用貝葉斯沖擊分解方法對我國房價波動進行沖擊分解，進而可以看出不同的外生沖擊在推動我國房價波動過程中的作用。

表4給出了房價波動的貝葉斯沖擊分解的結果。為了更加清晰地得到不同外生沖擊對我國房價波動的影響，本文分別選取第4期、第16期、第20期以及第40期作為觀測期，進而可以得到在短期、中期、中長期以及長期中房價波動的推動力量。

基于表4可以發現：

第一，房地產部門技術沖擊不是推動我國房價波動的主要力量。表4表明，在短期中，房地產部門技術沖擊對于我國房價波動的解釋能力僅為8.5%；而在長期，其僅僅可以解釋我國房價波動的5.57%。因此，房地產部門技術沖擊并不是推動我國房價波動的主要力量。這一發現與Iacoviello和Neri（2010）的研究存在顯著差異，后者發現房地產部門技術沖擊可以解釋大部分的美國房價波動，即美國房價上漲源于房地產部門技術進步太慢。endprint

第二，房地產部門偏好沖擊在短期和中期對于我國房價波動具有較強的影響；而在長期，其對于我國房價波動的解釋能力較為有限。表4顯示，在短期和中期，房地產偏好沖擊分別可以解釋我國房價波動的15.34%和11.87%；而在中長期和長期，房地產偏好沖擊對于我國房價波動的解釋能力僅為215%和1.63%。

第三，土地供給沖擊對于我國房價波動具有較強的解釋能力。表4顯示，無論是在短期還是長期，土地供給沖擊對于我國房價波動的貢獻均超過15%。這一發現與已有的研究（易斌，2015）類似，后者發現土地供給沖擊對于我國房價波動具有重要的影響。

第四，金融沖擊是推動我國房價波動的主要因素之一，并且貨幣政策沖擊并不總是推動我國房價波動最為重要的因素。已有的研究（陳利鋒 等，2014）等均認為貨幣政策沖擊是推動我國房價波動最為重要的因素。而本文則發現，在短期和中期，金融沖擊是推動我國房價波動最為重要的力量，貨幣政策則次之；但是在中長期和長期，貨幣政策沖擊是推動我國房價波動最主要的因素，而金融沖擊則次之。

基于以上分析，金融沖擊對我國房地產市場具有顯著的沖擊效應，并且擴大了貨幣政策沖擊的效應；在短期與中期，金融沖擊甚至是推動我國房價波動最為重要的因素。因此，在房地產調控過程中，政府可以積極利用金融沖擊效應以達到調控目的。

五、結論

基于包含金融沖擊的多部門房地產動態隨機一般均衡模型，本文對金融沖擊在我國房價波動過程中的作用進行了考察。金融沖擊的貝葉斯脈沖響應函數表明，金融沖擊通過緩解消費不耐心家庭的預算約束，對房地產市場產生了顯著的沖擊效應；而基于模型比較的結果則可以發現，在包含金融沖擊的模型中貨幣政策沖擊具有更大的效應。這意味著，金融沖擊擴大了貨幣政策沖擊的影響，即金融沖擊具有“加速器”作用。房價波動的貝葉斯沖擊分解結果表明，貨幣政策沖擊是中長期和長期推動我國房價波動最重要的力量，而金融沖擊是短期和中期推動我國房價波動最主要的因素。

由于貨幣政策對我國房價波動具有顯著影響，因而在房地產市場調控中，貨幣政策仍然是一個不可或缺的重要手段。在房價不斷上升甚至產生房價泡沫時，政策當局可以通過緊縮性貨幣政策抑制房價的過快上升；而在房價波動頻繁且引起房地產市場波動時，政府也可以通過貨幣政策實現房地產市場的穩定化。

本文的結論表明，金融沖擊對于我國房價波動具有重要的影響，因而在房地產市場調控過程中，政府可以利用金融沖擊的效應影響房地產市場，進而達到有效調控房地產市場的目的。在房地產市場繁榮甚至出現房地產泡沫時，政府可以通過提高公積金利率、提高首付比例等方式形成逆向金融沖擊以提高家庭的擔保約束，進而抑制房地產市場泡沫；而在房地產市場低迷時，政府可以通過相反的措施形成積極的金融沖擊以影響房地產市場。在當前房地產市場整體不景氣的背景下，我國政府實行降低首付比例、提高按揭的上限額度、減少公積金提取手續以及公積金利率優惠等辦法對房地產市場進行調節，這些措施正是政府利用金融沖擊積極效應以穩定房地產市場的表現。值得注意的是，本文的研究表明，積極的金融沖擊在對房地產部門產生積極效應的同時，也降低了非耐用品部門的投資，進而對于非耐用品部門具有不利的影響。因此，政府在利用金融沖擊進行房地產市場調控的同時，也要注意其對國民經濟其他部門產生的不利影響。

參考文獻：

陳利鋒.2015.金融沖擊、企業生存狀況與貨幣政策[J]. 現代財經（6）：7081.

陳利鋒，范紅忠.2014.房價波動、貨幣政策與中國社會福利損失[J].中國管理科學（5）：4250.

黃勇峰，任若恩，劉曉生.2002.中國制造業資本存量永續盤存法估計[J].經濟學（季刊），1（2）：377396.

賈俊雪，郭慶旺.2012.財政支出類型、財政政策作用機理與最優財政貨幣政策規則[J].世界經濟（11）：330.

李成，王彬，馬文濤.2010.資產價格、匯率波動與最優利率規則[J].經濟研究（3）：91103.

馬亞明，劉翠.2014.房地產價格波動與我國貨幣政策工具的選擇——基于DSGE模型的模擬分析[J]. 國際金融研究（8）：2434.

王國靜，田國強.2014.金融沖擊與中國經濟波動[J].經濟研究（3）：2034.

王益煊，吳優.2003.中國國有經濟固定資本存量初步測算[J].統計研究（5）：4045.

易斌.2015.住房需求抑制還是土地供給調節：房地產調控政策比較研究[J].財經研究（2）：6675.

ALPANDA S，AYSUN U. 2014. International Transmission of Financial Shocks in an Estimated DSGE Models[J]. Journal of International Money and Finance，47（c）：2155.

BERNANKE Ben S，GERTLER M，GILCHRIST S. 1999. The Financial Accelerator in a Quantitative Business Cycle Framework[C]// TAYLOR J B，WOODFORD M. Handbook of Macroeconomics，1，Elsevier：Holland：13411393.

BLANCHARD O，DELL ARICCIA G，MAURO P. 2010. Rethinking Macroeconomic Policy[J]. Journal of Money，Credit and Banking，42（1）：199215.

BRZOZABRZEZINA M，KOLASA M，KRZYSZTOF M. 2015. Macroprudential Policy and Imbalances in the Euro Area[J]. Journal of International Money and Finance，51（c）：137154.endprint

BURNSIDE C，EICHENBAUM M，REBELO S. 2011. Understanding Booms and Busts in Housing Markets[R]. NBER Working Papers，w16734.

CALVO G A. 1983. Staggered Prices in a UtilityMaximizing Framework[J]. Journal of Monetary Economics，12（3）：983998.

CANOVA F. 2007. Methods for Applied Macroeconomic Research[M]. Princeton：Princeton University Press.

CASE K E. 2008. The Central Role of Home Prices in the Current Financial Crisis：How will the Market Clear？[J]. Brookings Papers on Economic Activity，39（2）：161193.

CHRISTIANO L J，TRABANDT M，WALENTIN K. 2011. Introducing Financial Frictions and Unemployment into a Small Open Economy Model[J]. Journal of Economics Dynamics and Control，35（12）：19992041.

DAVIS M A，ORTALOMAGNE F. 2011. Household Expenditures，Wages，Rents[J]. Review of Economic Dynamics，14（2）：248261.

FENDOGLU S. 2014. Optimal Monetary Policy Rules， Financial Amplification，and Uncertain Business Cycle[J]. Journal of Economic Dynamics and Control，46（c）：271305.

FINOCCHIARO D，VON HEIDEKEN V. 2013. Do Central Banks React to Housing Prices？[J]. Journal of Money，Credit and Banking，45（8）：16591683.

GALI′ J. 2014. Monetary Policy and Rational Asset Price Bubbles[J]. American Economic Review，104（3）：721752.

GALI′ J，LOPEZSALIDO J D，VALLES J. 2007. Understanding the Effects of Government Spending on Consumption[J]. Journal of the European Economics Association，5（1）：227270.

GOMES S，MENDICINO C. 2015. Housing Market Dynamics：Any News？ [R]. ECB Working Papers，1775.

GREENBERG E. 2008. Introduction to Bayesian Econometrics[M]. Cambridge：Cambridge University Press.

HE D，ZHANG W，SHEK J. 2007. How Efficient has been Chinas Investment？ Empirical Evidence from National and Provincial Data[J]. Pacific Economic Review，12（5）：596617.

IACOVIELLO M. 2005. Housing Prices， Borrowing Constraints， and Monetary Policy in the Business Cycle[J]. American Economic Review，95（3）：739764.

IACOVIELLO M，NERI S. 2010. Housing Market Spillovers：Evidence from an Estimated DSGE Model[J]. American Economic Journal：Macroeconomics，2（2）：125164.

JERMANN U，QUADRINI V. 2012. Macroeconomic Effects of Financial Shocks[J]. American Economic Review，102（1）：238271.

KAIHATSU S，KUROZUMI T. 2014. Sources of Business Fluctuations： Financial or Technology Shocks？[J]. Review of Economic Dynamics，17（2）：224242.

KANNAN P，RABANAL P，SCOTT M A. 2012. Monetary and Macroprudential Policy Rules in a Model with House Price Booms[J]. The B. E. Journal of Macroeconomics，12（1），142.endprint

KIYOTAKI N，MOORE J. 1997. Credit Cycles[J]. Journal of Political Economy，105（2）：211248.

KOBAYASHI K，NAKAJIMA T，INABA M. 2012. Collateral Constraint and NewsDriven Cycles[J]. Macroeconomic Dynamics，16（5）：752776.

KOLASA M，LAMBARDO G. 2014. Financial Frictions and Optimal Monetary Policy in an Open Econpmy[J]. International Journal of Central Banking，10（1）：4394.

LEE J，SONG J. 2015. Housing and Business Cycles in Korea：A MultiSector Bayesian DSGE Approach[J]. 45：Economic Modelling，45（c），99108.

LIU Z，WANG P，ZHA T. 2013. Land Price Dynamics and Macroeconomic Fluctuations，Econometrica，81（3）：11471184.

MONACELLI T. 2009. New Keynesian Models，Durable Goods and Borrowing Constraints[J]. Journal of Monetary Economics，56（2）：242254.

NOLAN C，THOENISSEN C. 2009. Financial Shocks and the US Business Cycle[J]. Journal of Monetary Economics，56（4）：596604.

NOTARPIETRO A， SIVIERO S. 2014. Optimal Monetary Policy Rules and Housing Price[R]. Bank of Italy Working Papers， 993.

TAYLOR J B. 1993. Discretion Versus Policy Rules in Practice[J]. CarnegieRochester Series on Public Policy，39（1）：195214.

YU S X. 2013. Evaluating Macroprudential Policy in a DSGE Framework with Financial Frictions[R]. Division of Social Science， New College of Florida Working Paper.

ZHANG W. 2009. Chinas Monetary Policy： Quantity Versus Price Rules[J]. Journal of Macroeconomics，31（3）：473484.

Abstract： In this paper， we consider a Dynamic Stochastic General Equilibrium （DSGE） model with financial shocks， and investigate the effects of financial shocks on Chinas housing price fluctuations. The result shows that the model with financial shocks better fits for Chinas economic reality than the model without financial shocks， that financial shocks have significant shock effect on the housing market of China， and furthermore， the positive financial shocks decrease the investment of other sectors but increase the investment of housing sector. The result of model comparison argues that financial shocks amplify the effect of monetary policy shocks， which is the effect of accelerator. Further， the result of housing price Bayesian decomposition shows that， in the short and medium term， financial shocks is the most important driving force of housing price fluctuations， but in the longrun， monetary policy shocks is the most important factor for housing price volatility. Therefore， both monetary policy and financial policy are the important instrument of housing market regulations， governments should actively use monetary policy shocks and financial shocks to stabilize the housing market but the government should pay attention to the negative effect of financial shocks on other sectors of national economy.

Key words： financial shocks； housing price fluctuations； dynamic stochastic general equilibrium model； monetary policy shocks； housing demand； housing price dilation； guarantee restriction； family optimization behavior； enterprise investment behavior

CLC number：F015；F822.2；F224.0 Document code：AArticle ID：16748131（2016）01006113

（編輯：夏冬；段文娟）endprint