金融冲击与中国房价波动

摘要：构建包含金融冲击的动态随机一般均衡（HDSGE）模型，考察金融冲击对我国房价波动的影响，研究发现：包含金融冲击的模型相对于未包含金融冲击的模型更好地拟合了我国经济的现实；金融冲击对我国房地产市场具有显著的冲击效应，并且积极的金融冲击在增加房地产部门投资的同时降低了其他部门的投资；同时，金融冲击具有扩大货币政策冲击效应的“加速器”作用。进一步对房价波动进行贝叶斯冲击分解，分析表明：在短期和中期，金融冲击是推动我国房价波动最为重要的因素；而在中长期和长期，货币政策冲击仍是我国房价波动的主要推动力。因此，货币政策和金融政策都是房地产市场调控的重要手段。政府应积极利用货币政策冲击和金融冲击的效应稳定房地产市场，不过在利用金融冲击时需要注意其对国民经济其他部门产生的负面效应。

关键词：金融冲击；房价波动；动态随机一般均衡模型；货币政策冲击；住房需求；房价膨胀；担保约束；家庭优化行为；企业投资行为

中图分类号：F015；F822.2；F224.0 文献标志码：A文章编号：16748131（2016）01006113

一、引言

宏观经济理论和经济发展的实践均表明，金融因素对于一国经济波动具有显著性影响（Nolan et al，2009；Jermann et al，2012）。然而，以新凯恩斯主义动态随机一般均衡（New Keynesian Dynamic Stochastic General Equilibrium，即NKDSGE）模型为代表的主流宏观经济学分析框架却长期忽略了对金融因素的分析。2007至2009年国际金融危机给世界经济造成的巨大破坏引发了众多研究者对现有宏观经济学研究范式的重新思考，Blanchar等（2010）认为，对金融因素的忽视导致现有的宏观经济政策在金融管制方面的失败是金融危机产生的重要原因。

鉴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）等将金融冲击引入NKDSGE模型并考察其在经济周期波动中的作用，结果均发现金融冲击对于一国经济波动具有重要影响。然而，这些研究均设定金融冲击仅对企业的投资行为具有直接影响，并不影响家庭的优化行为。这一设定简化了分析的难度，但与事实不符。因为金融冲击可以使得家庭的担保约束得到缓解，即家庭可以更容易获得抵押贷款或在同等条件下能够获得更多的抵押贷款，而担保约束的缓解将改变家庭的消费行为（Kobayashi et al，2012）。另外，已有的相关研究大多主要考察金融冲击的整体效应，而忽略了金融冲击对于房地产市场的影响（Davis et al，2011）。Gal′（2014）、Fendoglu（2014）以及Notarpietro 和Siviero（2014）等指出，房地产市场在经济波动过程中具有重要的作用，并且是导致金融危机的重要因素。对于中国而言，房地产是当前国民经济的支柱产业，对经济波动具有重要的影响。因此，深入分析金融冲击对中国房地产市场的影响，有利于更好地考察我国房地产市场乃至宏观经济波动，具有重要的理论价值和现实意义。

为了考察金融冲击对我国房地产市场的影响，本文将金融冲击引入包含房地产部门的动态随机一般均衡（HDSGE）模型中。在采用我国现实数据对模型进行贝叶斯估计的基础上，通过贝叶斯脉冲响应函数以及贝叶斯冲击分解等方法考察金融冲击在推动我国房价波动过程中的作用。与已有的研究相比，本文主要做了如下贡献：（1）建立了一个包含金融冲击的多部门HDSGE模型，在这一模型中金融冲击对家庭行为具有直接的影响，而国内外大多数已有的研究均分析的是金融冲击的整体宏观经济效应，并且设定金融冲击对家庭行为不存在直接影响国内已有的关于金融冲击的研究，如王国静和田国强（2014）以及陈利锋（2015）的研究均采用这一设定。 ；（2）考察了金融冲击对房地产市场以及货币政策冲击的影响，进而发现金融冲击具有扩大货币政策冲击效应的“加速器”作用；（3）通过对房价波动推动力量的分解，发现货币政策并非总是推动我国房价波动的主要因素（在短期和中期金融冲击是推动我国房价波动的主要力量，在中长期和长期货币政策是导致我国房价波动的主要因素），这一发现表明政府可以利用货币政策冲击和金融冲击效应实现房地产市场的稳定。

陈利锋：金融冲击与中国房价波动

二、模型与假设

本部分建立一个包含家庭、非耐用品生产部门、房地产生产部门以及政府的多部门HDSGE模型。家庭依据其消费的耐心程度可以分为消费耐心（Patient）家庭与消费不耐心（Impatient）家庭，并且后者在家庭总数中所占的比例为s。消费耐心家庭是模型经济中的储蓄者（Savers），而消费不耐心家庭为借贷者（Borrowers）。这一模型设定方式最早由Kiyotaki和Moore（1997）提出，并将其用于宏观经济分析中；Iacoviello（2005）将这一设定方式引入 HDSGE模型中。这一设定方式也意味着模型经济中的投资以及相应的物质资本形成和房地产生产部门生产过程中的土地投入均由消费耐心家庭完成。模型经济中的生产部门包括非耐用品生产部门和房地产生产部门，每一部门中均包含最终产品生产企业和中间产品生产企业。与已有的单部门HDSGE模型类似，中间产品生产企业生产具有一定差异的中间投入品，是差异化产品的供给方；同时，两类部门中间产品生产企业均具有一定的垄断势力，因而可以利用产品的定价权来实现利润的最大化。两部门最终产品生产企业使用各部门的中间投入品生产出最终消费品和房产（Housing Goods）。而政府则指的是货币政策的制定者。

1.消费不耐心家庭的优化行为endprint

消费不耐心家庭的效用函数关于消费Cbt、房地产持有（Housing Holdings）Hbt以及就业加性可分，其目标为最大化效用：

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为不耐心家庭的贴现因子；Nbc，t和Nbh，t分别为此类家庭的成员在非耐用品生产部门和房地产生产部门的就业；ηc和ηh分别为家庭成员在两部门就业的Frisch劳动偏好系数的倒数；εdt和εht分别为总需求冲击和房地产偏好（Housing Preference）冲击，且服从平稳的AR（1）过程。

消费不耐心家庭面临借贷约束，但可以通过将持有的房产进行抵押而获得借款，因而已有的研究将这一约束称为担保约束（Collateral Constraints）。其面临的担保约束为：

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

其中，Bbt为该类家庭抵押贷款数量；1-χ∈（0，1）为贷款价值比（LoantoValue Ratio）；Qt为实际房价；Rt为名义利率；Πct=PctPct-1为总体通货膨胀率，Pct为物价总水平采用这一设定的原因在于各国计算通货膨胀时均未包含房价因素。 ；εLTVt为贷款价值比冲击，已有的研究，如BrzozaBrzezina等（2015）将其设定为金融冲击，本文沿用这一设定。式（2）表明消费不耐心家庭的借贷数量不能超过其持有的房地产的抵押价值。消费不耐心家庭的约束条件为：

Cbt+Qt[Hbt-（1-δh）Hbt-1]+Rt-1ΠctBbt-1

≤Bbt+Wbc，tNbc，t+Wbh，tNbh，tPct+Obt（3）

其中：δh为房产的折旧率，Wbc，t和Wbh，t分别为家庭成员就业于两类部门的名义工资率，Obt为其他收入。消费不耐心家庭在约束（2）（3）下最大化效用函数（1），其对应的一阶条件为：

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为式（2）的拉格朗日乘子。式（4）（5）决定了最优的就业；式（6）为消费的跨期无套利条件，表明消费不耐心家庭效用最大化时无法通过调整不同时期的消费水平来实现效用的改善；式（7）为最优的房产持有条件，表明消费不耐心家庭效用最大化时无法通过调整消费和房产持有来进一步提高效用水平。

2.消费耐心家庭的优化行为

类似的，消费耐心家庭的效用函数关于消费Cst、房地产持有Hst以及就业加性可分，此类家庭的最大化效用函数为：

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为该类型家庭的贴现因子，且βs>βb；Nsc，t和Nsh，t分别为此类型家庭的成员在两类部门的就业。消费耐心家庭的预算约束为：

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为土地的实际价格，Lt为土地数量，Bst为家庭实际贷款额，Wsc，t和Wsh，t分别为消费耐心家庭成员就业于两类部门对应的名义工资率，Rlt为土地的实际租金率，Rct和Rht为两类部门物质资本的实际租金率，Ft为家庭所有的企业转移而来的利润，Ot为其他收入，Ict和Iht分别为两类部门的物质资本投资，Kct和Kht分别为由两部门投资形成的物质资本。两类部门物质资本积累方程为：

Kτt+1=（1-δτk）Kτt+exp（εkt）KτtS（IτtKτt）

（τ=c，h）（10）

其中，δck和δhk为两类部门的资本折旧率与Gal′等（2007）等已有的研究类似，两类部门的资本调整函数S（.）满足：S（δτk）=δτk，S′（δτk）=1，S′>0。 ；S″≤0；εkt为投资冲击，且满足平稳的AR（1）过程。基于以上设定，消费耐心家庭的优化问题为在约束条件（9）（10）下最大化效用函数（8）。其对应的一阶条件为：

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分别为非耐用品部门和房地产部门各自对应的Tobin的“Q”（Tobins Q）。式（11）（12）决定了消费耐心家庭成员的最优就业，式（13）为最优房产持有条件，式（14）为欧拉方程，式（15）为最优土地持有，式（16）（17）为两类部门最优的物质资本投资决策。

3.非耐用品生产部门

与已有研究类似，非耐用品生产部门最终产品生产企业采用DixitStiglitz技术将中间投入品转变为最终消费品。定义Yct（i）和Pct（i）分别为第i类中间投入品的投入数量和价格，Yct为最终消费品的产出，εcp为不同中间投入品的替代弹性。那么，非耐用品生产部门最终产品生产企业利润最大化的一阶条件为：

Yct（i）=（Pct（i）Pct）-εcpYct（18）

非耐用品生产部门中间产品生产企业使用CobbDouglas技术进行生产，其生产函数为：

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

[Nsc，t（i）]1-α}1-αc（19）

其中，αc为非耐用品部门资本的产出弹性；α为消费不耐心家庭的劳动投入占比；εact为非耐用品部门的技术冲击，服从平稳的AR（1）过程。生产技术的差异使得不同的中间产品生产企业的产品具有一定的差异，因而其在产品的定价上具有一定的垄断势力。与已有的相关研究类似，产品的价格依据Calvo（1983）交错设定方式进行调整即：Pct=[（1-θcp）（Pct）1-εcp+θcp（Pct-1）1-εcp]1/（1-εcp）。其中Pct为最优价格水平。 。通过调整价格，中间产品生产企业可以获得最大的利润，与Iacoviello（2005）、Lee和Song（2015）等类似，决定非耐用品生产部门中间产品价格是否调整的最优条件为：

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

=0（20）

这里，Mcp=εcp（εcp-1）为非耐用品生产部门稳态价格加成，Yct+k|t和MCct+k|t分别为产品价格自时期t至t+k期保持不变条件下的产出和边际成本。而边际成本来源于中间产品生产企业的成本最小化问题。中间产品生产企业成本最小化一阶条件和边际成本分别为：

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）为成本最小化一阶条件，决定了非耐用品生产部门最优要素投入；式（23）为边际成本，并且Ωc=α-α（1-αc）（1-α）-（1-α）（1-αc）（αc）-αc（1-αc）-（1-αc）。

4.房地产部门

房地产部门包括销售商和开发商当然，现实经济中房地产部门开发商与销售商可能是同一家企业，这里将房地产部门生产与销售分开设定主要是为了模型表述的便利。 ，开发商负责房地产的生产，销售商负责房地产的定价和出

售。定义具体的房地产部门开发商的生产技术为如下CobbDouglas型函数：

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为房地产部门资本的产出弹性；αl为土地的产出弹性；εlt和εaht分别为土地供给冲击和房地产部门技术冲击，并且二者均服从平稳的AR（1）过程。房地产开发商成本最小化的一阶条件为：

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）

房地产销售商在房地产价格设定上具有一定的垄断势力已有的大多数研究，如Iacoviello（2005）、Iacoviello和Neri（2010）、Burnside等（2011）、Finocchiaro和von Heideken（2013）、Gomes和Mendicino（2015）均设定房地产部门不存在垄断势力，因而价格是灵活的（Flexible）。但是，Kannan等（2012）在设定房地产价格灵活调整的HDSGE模型中引入物质资本投资（Iacoviello et al，2010），结果发现紧缩性货币政策引起住宅投资的增长，这一结果显然与Monacelli（2009）发现的事实不符，也不符合我们的经验判断。基于此，Notarpietro和Siviero（2014）、陈利锋和范红忠（2014）以及马亚明和刘翠（2014）等均设定房地产部门存在垄断势力。显然，由于需求刚性的存在，我国房地产市场是存在垄断势力的，该设定符合我国的现实情况。 。与Notarpietro和Siviero（2014）、陈利锋和范红忠（2014）以及马亚明和刘翠（2014）等的研究类似，本文设定任意时期t房地产价格调整的概率为1-θhp，那么，θhp代表了房地产部门的名义价格刚性事实上，Case（2008）发现美国房地产市场价格具有粘性特征。 。房地产价格调整方式为：endprint

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

其中，εhp为不同房地产之间的替代弹性，Pht为销售商最优价格设定，Pht为名义房价。销售企业调整价格的目的在于实现利润最大化，即房地产销售企业的优化问题为通过调整价格实现最大化的利润。决定房地产部门价格调整与否的最优条件为：

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

其中，Mhp=εhp（εhp-1）为房地产部门稳态价格加成，MCht+k|t和Yht+k|t分别为房地产价格保持不变条件下的边际成本和产出。房地产销售商的边际成本来源于房地产开发商，定义Ωh=（αl）-αl（αh）-αhα-α（1-αh-αl）（1-α）-（1-α）（1-αh-αl），结合房地产开发商成本最小化的一阶条件可得：

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.市场均衡与货币政策当局

定义Ct为总消费，那么均衡时，非耐用品生产部门的产出Yct应满足两类家庭的消费需要（即等于总消费）：Yct=sCbt+（1-s）Cst=Ct；对于房地产部门而言，其产出满足两类家庭新增加的房地产需求，即：Yht=s[Hbt-（1-δh）Hbt-1]+（1-s）[Hst-（1-δh）Hst-1]。基于支出法对产出进行核算，可知均衡时满足：

Yt=Ct+It+Qt[Ht-（1-δh）Ht-1]（31）

其中，It=Ict+Iht为总投资，Ht=sHbt+（1-s）Hst为房地产总需求。债务市场出清时，sBbt=（1-s）Bst，即两类家庭的债务和债权刚好抵消。为了方便分析，我们将模型经济中劳动力供给总量以及物质资本总量标准化为1：Nbc，t+Nsc，t+Nbh，t+Nsh，t=1，Kct+Kht=1。以上两式分别构成了劳动力市场和物质资本的出清条件。与已有研究类似，本文设定货币政策当局执行如下简单货币政策机制：

Rt=R（ΠctΠc）φp（YtY）φyexp（εrt）（32）

其中：R、Y、Πc分别为利率、产出和通货膨胀的稳态值；φy和φp分别为利率对产出和通货膨胀的反应系数；εrt为利率的外生成分或者利率冲击，且服从平稳的AR（1）过程。（32）式即为Taylor（1993）提出的“泰勒规则”。已有的研究（Zhang，2009；李成 等，2010；贾俊雪 等，2013）均认为这一政策机制可以较好地拟合我国的现实政策机制。

三、模型核心方程的处理与参数化

本部分对模型进行对数线性化处理，并对模型的关键方程进行相应的说明；在此基础上，对模型中的结构性参数进行参数化（Parameterization）。

1.模型核心方程的处理

定义Xt为模型经济中的任意变量，X为Xt的稳态值，那么Xt对其稳态的对数偏离t定义为：t=lnXt-lnX。基于这一原则，可以对包含金融冲击的HDSGE模型进行对数线性化。首先，对非耐用品部门最优价格设定条件进行对数线性化可以得到：

ct=βsEt{ct+1}+λcpmcct（33）

其中，实际边际成本mcct=αcct+（1-α）（1-αc）×sc，t+α（1-αc）bc，t-（1-αc）εact，参数λcp=（1-θcp）（1-βθcp）θcp1-αc1-αc+αcεcp，πct=ln（PtPt-1）为通货膨胀。（33）式被称为新凯恩斯主义菲利普斯曲线（NKPC）。类似的，对房地产部门最优价格设定条件进行对数线性化可以得到：

ht=βsEt{ht+1}+λhpmcht（34）

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

为反映房地产价格上涨的房价膨胀（Housing Price Inflation）；mcht为房地产开发商的实际边际成本，且满足：mcht=-αlεlt-（1-αh-αl）εaht+αhht+αllt+α（1-αh-αl）bh，t+（1-α）（1-αh-αl）sh，t。

2.模型的参数化

两类家庭的贴现因子βs和βb分别设定为0.95和0.98，前者为依据我国2002年至2013年物价变化数据估算的结果，而后者则为已有研究估计的结果，并且二者对于模型结论并不敏感；鉴于我国规定首付比例为30%，本文将信贷约束比例1-χ的取值设定为0.3；消费不耐心家庭在家庭总数中所占的比例s的取值设定为0.5，这一参数对于模型结论不存在显著性影响；非耐用品部门物质资本折旧率δck的取值，依据He等（2007）采用GMM方法估计的结果将其设定为0.04；房地产部门物质资本折旧率δhk的取值，依据易斌（2015）的研究将其设定为0.03；房地产折旧率δh的取值，依据黄勇峰（2002）以及王益煊和吴优（2003）估算的结果将其设定为0.02；消费不耐心家庭劳动力在两类部门生产中所占的比例α，本文将其设定为0.4，这一参数的取值意味着消费不耐心家庭具有较弱的劳动力供给意愿，这一设定与Lee和Song （2015）的研究是一致的；稳态时消费和投资占总产出的比重γc和γi的取值。本文采用2002年至2013年的年度数据进行估算，总产出采用剔除净出口之后的GDP表示，消费和投资分别采用支出法核算GDP过程中使用的社会消费总额和投资表示，在此基础上计算消费与GDP比值的平均值以及投资与GDP比值的平均值，估算结果分别为0.44和0.36。具体的参数校准结果如表1。endprint

由于其余参数对于研究结论具有较强的敏感性，因而需要采用贝叶斯方法对其进行估计。BlanchardKahn条件要求贝叶斯估计过程中使用的观测变量序列的组数不超过外生冲击的数量，因而我们至多可以选择8组观测变量。基于数据的可得性考虑，本文选取如下7组数据作为观测变量（Observations）：（1）消费，采用社会消费品零售总额数据；（2）总的房地产需求，采用商品房销售额数据；（3）通货膨胀，采用消费者物价指数（CPI）并使用环比方法计算；（4）房价膨胀，采用房地产销售价格指数并使用环比方法计算2002年第1季度至2011年第4季度的房地产销售价格指数来源于中经网数据库；2012年第1季度至2013年第4季度的相关数据为估算的结果，具体的估算方法为：首先以2002年第1季度至2011年第4季度的房地产销售价格指数对全国房地产市场景气指数做回归，然后用2012和2013年的全国房地产市场景气数据并结合回归模型对房地产销售价格指数进行估算。 ；（5）名义利率，采用银行业同业拆借利率数据；（6）总投资，采用支出法核算GDP中使用的投资数据；（7）总产出，采用剔除净出口和政府购买之后的GDP数据。所有数据均来源于中经网数据库，样本空间为2002年第1季度至2013年第4季度。在以上观测序列中，除（3）（4）（5）外，其余观测序列全部采用CPI进行调整，使其成为实际值。在此基础上，采用Census X12方法对所有观测值序列进行褪趋势（Detrend）处理以消除季节性趋势的影响；并且使用非对称全样本ChristianoFitzgerald滤波法剔除各观测序列的趋势成分，进而保留周期性成分以用于贝叶斯估计。

贝叶斯估计程序要求设定结构性参数的先验均值和先验分布。家庭成员在两部门各自的劳动偏好系数ηc和ηh，依据Iacoviello和Neri（2010）的研究将其先验均值和分布分别设定为0.5和贝塔（Beta）分布；非耐用品部门生产函数中资本的产出弹性系数αc，依据He等（2007）和Zhang（2009）的研究将其先验均值和分布设定为0.6和贝塔分布；非耐用品部门名义价格刚性θcp和不同产品的替代弹性系数εcp，依据Gal′（2015）以及陈利锋和范红忠（2014）的研究将其先验均值分别设定为0.5和5，而对应的先验分布设定为贝塔分布和伽马（Gamma）分布；房地产部门生产函数中资本的产出弹性系数αh和土地的产出弹性αl，依据Liu等（2013）的研究将其先验均值分别设定为0.2和0.3，先验分布均设定为贝塔分布；房地产部门名义价格刚性θhp，参考马亚明和刘翠（2015）的研究将其先验均值设定为0.75，对应的先验分布为贝塔分布；房地产部门不同产品替代弹性εhp，依据陈利锋和范红忠（2014）的研究将其先验均值设定为6，对应的先验分布设定为伽马分布；名义利率对于产出缺口和通货膨胀的反应系数φy和φp，依据Zhang（2009）的研究将其先验均值分别设定为0.5和1.5，对应的先验分布分别为贝塔分布和伽马分布；外生冲击的持续性参数ρd、ρh、ρk、ρLTV、ρac、ρl、ρah、ρr的先验均值全部设定为0.5，先验分布全部设定为贝塔分布；外生冲击的标准差σd、σh、σk、σLTV、σac、σl、σah、σr的先验均值均设定为0.1，对应的先验分布全部设定为逆伽马（InverseGamma）分布。

为了规避贝叶斯估计的脆弱性问题，在计算参数后验均值的过程中，我们要求贝叶斯估计程序同时使用5个平行链并进行20 000次马尔科夫蒙特卡洛模拟（MCMC），分别剔除首尾5 000个MCMC的结果。表2给出了参数贝叶斯估计的结果。

四、模型动态分析

基于模型参数化的结果，本部分对第二部分的模型进行动态分析。具体的，首先对模型整体拟合优度进行分析，以考察包含金融冲击的模型是否能够较好地拟合我国经济的现实数据；然后，通过金融冲击的贝叶斯脉冲响应函数分析金融冲击对我国房地产市场以及宏观经济波动的影响；最后，进一步采用贝叶斯冲击分解方法考察金融冲击在推动我国房价波动过程中的作用。

1.模型整体拟合优度分析

本文在HDSGE模型中引入金融冲击以考察金融冲击在我国房价波动过程中的作用，与之相关的一个问题是，已有的研究未对这一问题进行分析，这是否意味着金融冲击对于房地产市场并不具有重要的作用？换言之，与未包含金融冲击的模型相比，包含金融冲击的HDSGE模型是否能够更好地拟合我国房地产部门乃至宏观经济的现实？

已有的相关研究往往采用模型整体拟合优度分析法考察不同模型对于现实数据拟合的程度，该方法通常包含边际数据密度法和隐含贝叶斯因子法（Implied Bayesian Factor）等Canova（2007）和Greenberg（2008）对这一方法进行了较为详细的介绍。 。模型拟合优度检验建立在模型贝叶斯估计的基础上。一般而言，模型的边际数据密度越大，则表明模型对于现实数据拟合的程度越好；而隐含贝叶斯因子法则将未包含金融冲击的模型的隐含贝叶斯因子先验设定为1，然后计算包含金融冲击的模型的隐含贝叶斯因子。模型整体拟合优度分析的结果如表3所示。

表3给出了模型整体拟合优度检验的结果。首先，从模型的边际数据密度指标可以看出，包含金融冲击的模型对应的边际数据密度为296.53，而未包含金融冲击的模型对应的边际数据密度为27726，二者之差为19.27。因此，基于模型的边际数据密度检验的结果可知，我国现实数据倾向于支持包含金融冲击的模型。另外，从模型的隐含贝叶斯因子检验的结果中可以发现，包含金融冲击的模型对应的隐含贝叶斯因子为4.1×1011，这意味着接受未包含金融冲击的模型所需要的先验信息的数量是接受包含金融冲击的模型的4.1×1011倍，即隐含贝叶斯因子检验的结果也显著支持包含金融冲击的模型。因此，基于模型整体拟合优度分析的结论可知，相对于未包含金融冲击的模型，包含金融冲击的模型更好地拟合了我国经济的现实情况。endprint

2.金融冲击的贝叶斯脉冲响应

模型整体拟合优度检验的结果表明，我国现实经济数据更多地支持包含金融冲击的模型，在此基础上，我们可以采用贝叶斯脉冲响应函数对这一模型进行动态分析。基于本文研究目的考虑，图1仅给出了金融冲击的贝叶斯脉冲响应函数。显然，积极的金融冲击意味着家庭可以获得更多的购房贷款，因而扩大了消费不耐心家庭的预算集合。家庭获得购房贷款数量的增加，推动了家庭的住房需求，因此在积极的金融冲击下，家庭的住房需求上升；而住房需求的上升推动了实际房价的上涨，因此在积极的金融冲击下，实际房价表现出随时间上升的动态反应路径。基于房价膨胀的定义可知，实际房价的上升将引起房价膨胀的上升，因而积极的金融冲击也推动了房价膨胀的上升。房价的上升也推动了房地产部门收益的增加，对利润最大化的追求使得房地产部门生产企业增加投资，进而推动了房地产部门投资的增加，因此，积极的金融冲击也推动了房地产部门投资的上升。房地产投资的增加以及土地供给的有限性使得土地实际价格以及土地的实际租金率上升，因而在积极的金融冲击下，土地的实际价格以及土地的实际租金率均表现出随时间上升的趋势。实际房价、土地价格以及土地实际租金率的上升推动了整体物价水平的上升，进而导致通货膨胀率的上升。

最后，需要注意的是，积极的金融冲击在推动房地产部门投资增加的同时，也导致了非耐用品生产部门投资的下降，表现在图1中金融冲击下非耐用品生产部门投资呈现随时间下降的变化路径。因此，金融冲击的贝叶斯脉冲响应函数反映了我国经济发展过程中的一个事实，即房地产部门的迅速发展导致大量的社会资源进入房地产部门，进而导致其他部门的发展较为缓慢。这也从另一个方面表明包含金融冲击的模型相对较好地拟合了我国经济的现实；同时，也意味着在我国房地产市场调控过程中，如果政府使用积极的金融冲击影响房地产市场，那么需要注意这一冲击可能产生的负面效应。

3.货币政策冲击的效应分析

部分已有的相关研究在引入金融冲击时忽略货币政策冲击的效应在已有的研究中，如Jermann 和 Quadrini（2012）、Kaihatsu 和 Kurozumi（2014）、王国静与田国强（2014）等均采用这一设定。在这一设定下，金融冲击仅对企业的投资行为具有直接影响而对于家庭的优化行为不存在任何影响。Yu（2013）认为采用这一设定存在模型设定的偏误，并且混淆了金融冲击与货币政策冲击的影响。而本文的设定则较好地规避了这一问题。在本文的框架中，金融冲击影响宏观经济的路径包括：（1）影响不耐心家庭的优化行为而影响总需求；（2）通过影响不耐心家庭的需求而刺激企业的投资行为。 。尽管采用这一设定可以简化分析的难度，并且可以防止金融冲击与货币政策冲击作用机制相互混淆而引起模型设定的偏误。但是，在本文构建的包含金融冲击的HDSGE模型中，金融冲击与货币政策冲击却具有不同的作用机制，因而二者对于宏观经济变量的影响也具有不同的传导路径。具体地讲，金融冲击主要通过缓解消费不耐心家庭的预算约束来刺激企业的投资行为而对宏观经济产生影响；而货币政策冲击主要是通过利率而对企业的投资和生产行为产生影响，进而通过企业的投资和生产行为影响宏观经济。

图2给出了货币政策冲击的贝叶斯脉冲响应函数。与金融冲击类似，扩张性货币政策冲击引起房地产需求的增加，房地产需求的增加推动了房地产部门投资的增加和实际房价的上升，继而使得房价膨胀、土地租金率和土地的实际价格均上升。与金融冲击不同的是，扩张性货币政策冲击降低了资本的租赁成本和融资的难度，进而也刺激了非耐用品生产部门企业的投资行为。与已有研究所得到的结论类似，货币政策冲击尽管促进了产出的增加，但也提高了通货膨胀率。因此，基于图1与图2的比较可以发现，金融冲击与货币政策冲击对于非耐用品生产部门的投资具有不同的冲击效应。

基于金融冲击和货币政策冲击的贝叶斯脉冲响应函数还可以发现，金融冲击与货币政策冲击对主要宏观经济变量冲击效应的大小存在显著差异。显然，通过比较图1与图2可以发现，货币政策冲击对产出等主要宏观经济变量均具有更大的冲击效应，具体表现为货币政策冲击下产出等变量具有更大程度的动态反应。

另外，图2还给出了未包含金融冲击的模型中货币政策冲击的贝叶斯脉冲响应函数。通过比较可以发现，与未包含金融冲击的模型相比，包含金融冲击的模型中货币政策冲击对于模型主要宏观经济变量均具有更大的冲击效应。这一发现与Bernanke等（1999）类似，即资产市场具有“加速器”的作用，可以扩大外生冲击对于宏观经济的效应，而本文所考虑的金融冲击正是通过放松消费不耐心家庭的担保约束进而扩大了货币政策冲击的宏观经济效应。因此，金融冲击具有放大货币政策冲击效应的“加速器”作用。

4.房价波动的贝叶斯冲击分解

尽管金融冲击的贝叶斯脉冲响应函数表明了金融冲击下主要宏观经济变量的动态变化路径，但是仍然存在的一个问题是，在本文的考察期内，金融冲击对我国房价波动具有怎样的推动作用？为了对这一问题进行回答，我们采用贝叶斯冲击分解方法对我国房价波动进行冲击分解，进而可以看出不同的外生冲击在推动我国房价波动过程中的作用。

表4给出了房价波动的贝叶斯冲击分解的结果。为了更加清晰地得到不同外生冲击对我国房价波动的影响，本文分别选取第4期、第16期、第20期以及第40期作为观测期，进而可以得到在短期、中期、中长期以及长期中房价波动的推动力量。

基于表4可以发现：

第一，房地产部门技术冲击不是推动我国房价波动的主要力量。表4表明，在短期中，房地产部门技术冲击对于我国房价波动的解释能力仅为8.5%；而在长期，其仅仅可以解释我国房价波动的5.57%。因此，房地产部门技术冲击并不是推动我国房价波动的主要力量。这一发现与Iacoviello和Neri（2010）的研究存在显著差异，后者发现房地产部门技术冲击可以解释大部分的美国房价波动，即美国房价上涨源于房地产部门技术进步太慢。endprint

第二，房地产部门偏好冲击在短期和中期对于我国房价波动具有较强的影响；而在长期，其对于我国房价波动的解释能力较为有限。表4显示，在短期和中期，房地产偏好冲击分别可以解释我国房价波动的15.34%和11.87%；而在中长期和长期，房地产偏好冲击对于我国房价波动的解释能力仅为215%和1.63%。

第三，土地供给冲击对于我国房价波动具有较强的解释能力。表4显示，无论是在短期还是长期，土地供给冲击对于我国房价波动的贡献均超过15%。这一发现与已有的研究（易斌，2015）类似，后者发现土地供给冲击对于我国房价波动具有重要的影响。

第四，金融冲击是推动我国房价波动的主要因素之一，并且货币政策冲击并不总是推动我国房价波动最为重要的因素。已有的研究（陈利锋 等，2014）等均认为货币政策冲击是推动我国房价波动最为重要的因素。而本文则发现，在短期和中期，金融冲击是推动我国房价波动最为重要的力量，货币政策则次之；但是在中长期和长期，货币政策冲击是推动我国房价波动最主要的因素，而金融冲击则次之。

基于以上分析，金融冲击对我国房地产市场具有显著的冲击效应，并且扩大了货币政策冲击的效应；在短期与中期，金融冲击甚至是推动我国房价波动最为重要的因素。因此，在房地产调控过程中，政府可以积极利用金融冲击效应以达到调控目的。

五、结论

基于包含金融冲击的多部门房地产动态随机一般均衡模型，本文对金融冲击在我国房价波动过程中的作用进行了考察。金融冲击的贝叶斯脉冲响应函数表明，金融冲击通过缓解消费不耐心家庭的预算约束，对房地产市场产生了显著的冲击效应；而基于模型比较的结果则可以发现，在包含金融冲击的模型中货币政策冲击具有更大的效应。这意味着，金融冲击扩大了货币政策冲击的影响，即金融冲击具有“加速器”作用。房价波动的贝叶斯冲击分解结果表明，货币政策冲击是中长期和长期推动我国房价波动最重要的力量，而金融冲击是短期和中期推动我国房价波动最主要的因素。

由于货币政策对我国房价波动具有显著影响，因而在房地产市场调控中，货币政策仍然是一个不可或缺的重要手段。在房价不断上升甚至产生房价泡沫时，政策当局可以通过紧缩性货币政策抑制房价的过快上升；而在房价波动频繁且引起房地产市场波动时，政府也可以通过货币政策实现房地产市场的稳定化。

本文的结论表明，金融冲击对于我国房价波动具有重要的影响，因而在房地产市场调控过程中，政府可以利用金融冲击的效应影响房地产市场，进而达到有效调控房地产市场的目的。在房地产市场繁荣甚至出现房地产泡沫时，政府可以通过提高公积金利率、提高首付比例等方式形成逆向金融冲击以提高家庭的担保约束，进而抑制房地产市场泡沫；而在房地产市场低迷时，政府可以通过相反的措施形成积极的金融冲击以影响房地产市场。在当前房地产市场整体不景气的背景下，我国政府实行降低首付比例、提高按揭的上限额度、减少公积金提取手续以及公积金利率优惠等办法对房地产市场进行调节，这些措施正是政府利用金融冲击积极效应以稳定房地产市场的表现。值得注意的是，本文的研究表明，积极的金融冲击在对房地产部门产生积极效应的同时，也降低了非耐用品部门的投资，进而对于非耐用品部门具有不利的影响。因此，政府在利用金融冲击进行房地产市场调控的同时，也要注意其对国民经济其他部门产生的不利影响。

参考文献：

陈利锋.2015.金融冲击、企业生存状况与货币政策[J]. 现代财经（6）：7081.

陈利锋，范红忠.2014.房价波动、货币政策与中国社会福利损失[J].中国管理科学（5）：4250.

黄勇峰，任若恩，刘晓生.2002.中国制造业资本存量永续盘存法估计[J].经济学（季刊），1（2）：377396.

贾俊雪，郭庆旺.2012.财政支出类型、财政政策作用机理与最优财政货币政策规则[J].世界经济（11）：330.

李成，王彬，马文涛.2010.资产价格、汇率波动与最优利率规则[J].经济研究（3）：91103.

马亚明，刘翠.2014.房地产价格波动与我国货币政策工具的选择——基于DSGE模型的模拟分析[J]. 国际金融研究（8）：2434.

王国静，田国强.2014.金融冲击与中国经济波动[J].经济研究（3）：2034.

王益煊，吴优.2003.中国国有经济固定资本存量初步测算[J].统计研究（5）：4045.

易斌.2015.住房需求抑制还是土地供给调节：房地产调控政策比较研究[J].财经研究（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

（编辑：夏冬；段文娟）endprint