我国房地产价格波动与货币政策调控模式研究

刘金全++陈德凯

摘要： 本文将经济政策不确定性作为门限变量，构建了包括房地产价格、货币政策以及经济政策不确定性在内的三维TSVAR模型，并且分别采用货币供给量、利率以及信贷规模作为货币政策代理变量，研究不同政策不确定性程度下各货币政策工具对房地产价格调控的有效性。实证结果表明，在当前经济政策不确定性快速攀升时期，信贷规模调控是应对房地产价格过快上涨的最佳选择，其能够在最短时间内有效平抑房地产价格波动，并且在长期中依旧保留一定的政策效果。因此，货币当局在对房地产价格进行调控时应将着力点放在信贷规模上，通过控制信贷增长来抑制房地产价格的过快上涨，从而化解资产价格泡沫并推动经济“脱虚向实”，为经济增长新动力的形成奠定坚实的基础。

关键词： 房地产价格； 货币政策工具； 经济政策不确定性； TSVAR模型

文献标识码： A 文章編号： 1002-2848-2017（04）-0051-07

一、 引 言

房地产作为一种特殊资产，同时具有虚拟资产和实物资产双重属性。作为虚拟资产，其价值由未来预期收益的贴现值决定，并且同时受到宏观经济基本面及非基本面的影响；而作为实物资产，其又具有投资属性，因而房地产价格的波动性远高于一般实物资产。2016年上半年开始，我国房地产市场一直保持高温状态，一、二线城市房地产价格大幅上涨，尤其以合肥、苏州、南京和厦门为最高，其中合肥10月份二手房价格比上年同期上涨7681%。房地产价格上涨过快会产生极为严重的后果，不仅会引发资源配置扭曲，加剧当前经济中的结构性矛盾，也会对居民的消费支出和其他行业投资产生挤出效应，同时还会对金融系统稳定性和宏观经济稳定性产生极大的破坏性。因此，面对房地产价格短期内过度上涨的现象，政府必须采取科学有效的宏观调控政策将房地产价格涨幅引导至合理区间。而货币政策作为我国宏观调控政策的重要内容，必须发挥其在房地产价格调控中的积极作用，维护我国房地产市场的健康发展，从而保证宏观经济稳定性和金融系统稳定性，平衡经济增长结构。

研究货币政策对房地产价格调控效应的文献很多，学者们一般从货币政策整体视角和分类视角两个层面进行研究。在货币政策整体视角方面，Hasan & Taghavi、Senhadji & Collyns以及Iacoviello & Minetti选取不同国家的数据样本进行实证研究，结果显示各国家地区货币政策工具对房地产价格均具有显著影响[13]。在货币政策分类视角方面，学者们主要从货币供给、利率和信贷规模三个主要货币政策工具着手研究，不同工具对房地产价格的调控效应也不尽相同。Cooper、Gerlach & Peng以及梁斌和李庆云通过研究发现，利率水平与房地产价格呈现负相关性，而货币供给和信贷规模则与房地产价格则呈现正相关性[46]。但对于不同货币政策工具调控有效性的比较则存在着很大的分歧，丁晨和屠梅曾指出利率工具对房地产价格的影响程度最大调控效应也最为显著，货币供应量和信贷规模的调控效应则不明显[7]。而郭娜和李政、邓富民和王刚则认为在货币政策工具调控效果方面，货币供给量和金融信贷对房地产价格的调控效果更好，而利率工具的调控效果十分有限[89]。此外，张小宇和刘金全指出，“经济新常态”时期货币政策对房地产市场的影响强度相比以前显著降低，持续时期明显缩短[10]。面对这种情况，选择合适的货币政策工具对持续走高的房地产价格进行调控显得尤为重要。

另一方面，我国房地产市场素来有“政策市”之称，房地产价格受政府政策影响程度较深。但是政府经济政策的颁布时点往往具有随机性，这就给房地产市场带来了政策不确定性问题。张浩等人认为政策不确定性的存在会导致房屋供需双方在面对各种外部冲击时所采取的行为发生变化，可能会造成市场的短暂失灵，从而引起市场波动[11]。并且Bloom以及Aastveit等人通过研究发现，经济政策不确定性会显著影响货币政策的调控效果，当经济政策不确定性程度较高时会削弱货币政策冲击的影响[1213]。而张玉鹏和王茜指出，我国目前正处于增长速度换挡期、结构调整阵痛期以及前期刺激政策消化期的“三期叠加时期”，宏观经济调控面临着“稳增长、调结构、促改革、防风险”四大目标，且这四大目标之间存在着内在的矛盾和冲突，政府在进行宏观经济调控时不得不在多个目标之间进行切换，这就产生了较高的政策不确定性，从而影响货币政策工具的实际有效性[14]。因此，在研究和比较不同货币政策工具对房地产价格的调控效应时，将经济政策的不确定性纳入模型之中更符合当前的实际情况。然而学者们在研究经济政策不确定性的影响时一般仅将其当作普通的内生变量，研究其存在的情况下货币政策的调控效应将会受到何种影响，而很少考虑不同政策不确定性程度下货币政策调控效应的差异。为此，本文采用门限结构向量自回归（TSVAR）模型，将经济政策的不确定性作为门限变量，从而划分出高政策不确定性区制和低政策不确定性区制，以便研究不同政策不确定性程度下各货币政策的调控效应，并为当前形势下货币政策工具的选择提供相应的建议。二、 TSVAR模型介绍

结构向量自回归（SVAR）模型能够包含各变量之间的同期关系，因而比简化的VAR模型更具有经济意义。本文首先构建包括房地产价格指数、货币政策工具变量以及经济政策不确定性指数的三维SVAR模型，具体如下：

Yt=AYt+B（L）Yt-1+vt

（1）

其中，Yt是包含各内生变量的向量，A表示各内生变量同期系数矩阵，B（L）表示滞后多项式矩阵，而vt表示结构扰动项。

Balke为研究信贷规模和经济活动之间的非线性关系，将门限效应引入SVAR模型中从而将其扩展为TSVAR模型[15]。本文为研究不同经济政策不确定性程度下各货币政策工具对房地产价格的调控效应，将借鉴Balke[15]提出的模型，通过估计门限值将我国经济政策不确定性分为高不确定性和低不确定性两个区制，并比较各不确定性区制下货币政策工具对房地产价格调控的有效性。endprint

TSVAR模型的具体形式如下：

Yt=A1Yt+B1（L）Yt-1+（A2Yt

+B2（L）Yt-1）I（ct-d>γ）+Ut

（2）

其中，A1和A2表示内生变量同期系数矩阵，B1（L）和B2（L）表示滞后多项式矩阵，Ut表示结构扰动项。ct-d表示门限变量（本文中指经济政策不确定性），γ表示门限值，当ct-d>γ表示经济政策不确定性程度较高，而当ct-d≤γ表示经济政策不确定性程度较低，从而划分出高政策不确定性和低政策不确定性两个区制。而I（ct-d>γ）表示指示函数，当ct-d>γ时取值为1，当ct-d≤γ时取值为0。

从（2）式可以看出，不仅滞后多项式会随着区制的变化而改变，内生变量同期相关系数A1和A2也同样会发生变化。按照Balke的假设，A1和A2存在一種递归结构，这种递归结构并不特意针对内生变量进行排序[15]。

此外，建立TSVAR模型最为关键的前提条件是模型存在门限效应，因此首先对模型进行门限效应检验显得极为重要。理想情况下当门限值γ为已知时，只需要检验原假设A2=B2（L）=0是否成立。然而大多数情况下，门限值γ都是未知的。此时需要进行非标准推理，因为在门限效应不存在的原假设下，门限值γ是不能识别的。为了检验门限效应，需要考虑所有可能的门限值并利用最小二乘方法对相应的门限模型进行估计。本文设定原假设为两个区制的参数估计值不存在差异，即A2=B2（L）=0，并且采用Wald统计量对每个可能的门限值进行假设检验。为了确保检验结果的准确性，本文分别计算了三种Wald统计量：subWald，即Wald统计量的最大值；avgWald，即Wald统计量的平均值；expWald，即指数Wald统计量的和。同时采用Hansen提出的模拟方法（包括subWald、avgWald和expWald统计量经验分布的模拟）来进行推断[16]。最后得出的门限值满足残差的对数行列式最小。三、 数据选取及门限效应检验

（一）数据选取

本文构建的三维TSVAR模型中所包含的内生变量有房地产价格、货币政策以及经济政策不确定性。对于房地产价格，本文选用70个大中城市新建住宅价格指数当月同比数据来衡量，记为H。货币政策则选择三种主要的货币政策工具来作为其代理变量，分别为货币供给量、利率以及信贷规模。其中，利率选用6个月的短期贷款基准利率来衡量，记为R；货币供给量选用M2期末同比增速来衡量，记为M2；信贷规模则借鉴何静等人[17]的做法，选用房地产投资资金来源中的国内贷款部分的同比数据来衡量，记为Loan。由于70个大中城市新建住宅价格指数发布的时间较晚，本文的样本区间设定为2005年7月到2016年7月，以上所有数据均来自Wind数据库。

而对经济政策不确定性指标的选取一直以来存在较大争议，主要原因在于其难以量化。Fernndez Villaverde et al以及Born & Pfeifer分别估计了货币政策规则和财政政策规则的时间序列模型，并将估计的时变标准差当作政策不确定性，但这种方法的缺点在于只能单方面表现货币政策或财政政策的不确定性，难以综合度量包括监管在内的多种政策的不确定性[1819]。Bekaert et al采用VIX指数来反应政策不确定性，但是近年来我国股票市场与宏观经济的脱节相对严重，因此这种方法并不适用于我国的实际情况[20]。而王义中和宋敏则采用GARCH模型对GDP或工业增加值实际增速进行分解从而得到了政策不确定性的度量指标，这种方法同样存在很大的弊端，因为我国GDP增速为季度数据，如果采用GARCH模型进行分解必然要先进行频率转换和季度平滑，极大地影响了数据的可靠性[21]。幸运的是，Baker et al从2003年开始尝试构建经济政策不确定性指数（EPU），并在2013年通过收集量化香港南华早报上与经济政策不确定性相关的报道，构建出了中国经济政策不确定性指数，具体详见http：∥wwwpolicyuncertaintycom[22]。国内很多学者论证了该指数的合理性，包括张浩等人以及田磊和林建浩[11，23]。因此本文也采用该指数来衡量我国经济政策的不确定性，样本区间设定为2005年7月到2016年7月。

图1显示的是Baker et al.构建的中国经济政策不确定性指数（EPU）的走势图[22]，可以看出我国经济政策不确定性从2005年7月至今出现三次较大幅度的波动期。一是2008年下半年到2009年上半年。此时美国“次贷危机”全面爆发并引起了全球金融危机，我国经济发展也遇到极大的困难，经济下行压力的不断增加使得我国经济政策频繁地调整，增加了政策的不确定性。二是2011年下半年到2012年上半年。此时欧洲主权债务危机不断恶化，欧洲国家所面临的经济衰退直接影响到我国的经济发展，出口萎缩、国际资本频繁流动以及输入型通胀压力等导致了政策不确定性的增加。三是2014年进入“经济新常态”以来，我国实体经济增速不断放缓，同时虚拟经济出现异常繁荣并且积累了大量的泡沫，宏观调控政策面临着“稳增长、调结构、促改革、防风险”四大目标，且不得不在多个目标之间进行切换，从而产生了较高的政策不确定性。

（二）单位根检验及协整检验

为了避免出现伪回归现象，本文首先对各数据进行ADF单位根检验，详细的检验结果列示在表1中。从表1可以看出，所有数据均是非平稳的，但经过一阶差分处理后变为平稳数据，因此本文选取的所有数据均满足一阶单整，可以接下来进行协整性检验。本文采用三种货币政策工具作为货币政策的代理变量，从而构建了三个类似的TSVAR模型。其中，模型1使用货币供给量作为货币政策代理变量；模型2使用利率作为货币政策代理变量；模型3使用信贷规模作为货币政策代理变量。本文分别对这三组数据进行Johansen协整性检验，详细结果见表2。可以看出，三组数据均显著存在协整关系，因此本文在进行模型估计时不需要再对各数据进行平稳性处理，直接使用原始数据即可。endprint

（三）门限效应检验

经过ADF单位根检验和Johansen协整性检验之后，本文将针对模型进行关键性的门限效应检验。根据AIC准则，本文将模型中变量的滞后阶数设定为2阶，同时借鉴张浩等人[11]的做法，将经济政策不确定性指数（EPU）的滞后一阶设置为门限变量。接下来，本文将按照Hansen提出的模拟方法并且利用Wald统计量对三个模型分别进行门限效应检验[16]。

从表3的检验结果中可以看出，三个模型均存在显著的门限效应，表明我国政策的不确定性水平确实会对货币政策工具的调控效应产生影响。同时可以发现，三个模型的门限估计值γ的大小各不相同。其中，以货币供给量作为货币政策工具时模型的门限值最小，为141637，这表明货币供给量的调控效应对经济政策不确定性水平的变化极为敏感，政策不确定性的小幅变化就会导致货币供应量对房地产价格的调控效应发生较大转变。相比之下，以利率作为货币政策工具时模型的门限值最大，表明利率的调控效应对政策不确定性具有较强的抵抗力，只有当经济政策不确定性恶化到较高程度时才会发生转变。

图1中T1、T2和T3分别代表模型1、模型2以及模型3的门限估计值，在图形中以三条水平线的形式直观地将我国经济政策不确定性指数划分为两个区制，水平线之上即为高不确定性区制，水平线之下即为低不确定性区制。可以看出，我国在2015年之后处于高不确定性区制，并且政策不确定性程度仍在攀升，这种情况下各货币政策工具对房地产价格波动的调控效应将会发生怎样的转变以及何种工具的有效性最好，都是本文所要研究的重点。四、 实证分析

在完成门限值估计及门限效应检验之后，本文将采用累积的广义脉冲响应函数来研究各货币政策工具在不同政策不确定性程度下对房地产价格的调控效应。

给量对房地产价格的调控效应。图2和图3显示的是货币供给量M2的一单位标准差正向冲击和负向冲击对房地产价格的影响，其中图2为高政策不确定性区制，而图3为低政策不确定性区制。图2和图3表明货币供给量在短期内与房地产价格呈现出正相关性，即货币供给量增速的上升会导致房地产价格上涨，反之亦然。这是因为货币供给量增速上升（下降），增加（减少）了市场中的流动性，从而放大（缩小）房地产市场的需求；同时货币供给增加（减少）所带来的通胀预期变化也会加大（减少）对房地产抗通胀能力的需求，从而促进房地产价格的上涨（下跌）。其次可以发现，货币供给量对房地产价格的总影响在15期左右累积到最大，之后开始缓慢减弱直至接近于0，意味着货币供给量对房地产价格的影响在后期会出现逆转，并抵消前期的促进或抑制效果。这说明货币供给量冲击对房地产价格仅具有短期效应，长期内的总影响几乎为零。最后就调控效果而言，高政策不确定性区制下货币供给量对房地产价格的调控效应强于低政策不确定性区制，前者总影响的峰值约为07，而后者仅为06。

接下来，本文将分析不同政策不确定性程度下利率政策对房地产价格的调控效应。图4和图5显示的是利率的一单位标准差正向冲击和负向冲击对房地产价格的影响。从图中可以看出，利率与房地产价格之间存在显著的负相关性，即利率的突然上升会导致房地产价格的持续下降，利率的下降也会导致房地产价格上涨。这主要是因为：一方面，利率的上升（下降）导致购房者向金融机构贷款的成本上升（下降），降低（增加）了房地产的需求；另一方面，利率的上升（下降）会抑制（刺激）房地产市场的投资与消费，进而带动房地产价格的下跌（上涨）。与货币供给量不同，利率与房地产价格之间的负相关性比较稳定而不会出现逆转，这一点从图中累积脉冲响应曲线持续上升（或下降）直至稳定不变的走势情况可以看出。从效果上看，高政策不确定性区制下利率的调控效应弱于低政策不确定性区制，具体表现在两方面：一，高政策不确定性区制下利率对房地产价格的总影响低于低政策不确定性区制；二，高政策不确定性区制下利率调控效应的持续时间短于低政策不确定性区制。此外，低政策不确定性区制下利率对房地产价格的调控效应存在显著的非对称性，利率下降对房地产价格的刺激效应大于利率上升对房地产的抑制效应。

最后，本文将分析不同政策不确定性程度下信贷规模对房地产价格的调控效应。图6和图7显示的是信贷规模的一单位标准差正向冲击和负向冲击对房地产价格的影响效果。可以看出，信贷规模的增加（下降）会导致房地产价格上涨（下跌），二者之间呈现显著的正向关联机制。因为信贷规模的增加（减少）提高（降低）了信贷的可获得性并且降低（提高）了贴现利率，从而刺激（抑制）了房地产市场的投资和消费，并推动房地产价格上涨（下跌）。这种正相关性在前期不断累积，于第10期左右达到峰值，此后出现一定程度的回落并最终收敛至稳定水平。这意味着信贷规模对房地产价格的影响与货币供给量类似，会在后期出现逆转，房地产价格出现一定程度的回调。从调控效果上来看，短期内高政策不确定性区制下信贷规模的调控效应远低于低政策不确定区制，前者峰值约为05而后者约为08；而在长期内两个区制下信贷规模对房地产价格的总影响近乎一致，这意味着较高的政策不确定性只能够在短期内削弱信贷规模的调控效应，而在长期中并不会对其产生作用。

从以上分析可以发现，各货币政策工具对房地产价格的调控效应确实会受到经济政策不确定性的影响。具体来看，当经济政策不确定性程度增加时，货币供给量的调控效应会略微增强，利率和信贷规模的调控效应则会出现明显的削弱，其中利率对房地产价格的总影响下降幅度最为明显。再者，通过高、低两个政策不确定性区制下各货币政策工具调控效应的横向对比可以发现，当政策不确定性程度较低时，利率工具相比于货币供给量和信贷规模更有优势，其对房地产价格的作用效果更为稳定，持续时间更长且总影响也更为突出。而当政策不确定性程度较高时，三种货币政策工具各有优劣：货币供给量短期内对房地产价格的调控效应最为显著但其长期总影响近乎为零；利率对房地产价格的调控效应较为稳定且总影响最大，但其见效速度最为缓慢，前期作用效果较弱；信贷规模对房地产价格的调控效应短期内略低于貨币供给量，但其见效速度快且长期中依旧能保留一定的政策效果。五、 结 论endprint

本文以房地产价格、货币政策以及经济政策不确定性作为内生变量构建了三维的门限结构VAR模型，将经济政策不确定性指数的滞后一阶作为门限变量，同时分别以货币供给量、利率以及信贷规模作为货币政策的代理变量进行模型估计，并且采用累积的广义脉冲响应函数进行实证分析，以研究不同政策不确定性程度下我国各货币政策工具对房地产价格的调控效应，主要得出如下结论：

首先，以不同货币政策工具构建的模型均通过了门限效应检验，表明经济政策不确定性水平超过某个临界值时会导致货币政策对房地产价格的调控效应发生突变。这其中，以货币供给量作为货币政策工具时模型的门限值最小，表明货币供给量的调控效应对经济政策不确定性水平的变化极为敏感；而以利率作为货币政策工具时模型的门限值最大，表明利率的调控效应对政策不确定性具有较强的抵抗力。

其次，各货币政策工具的调控效应受经济政策不确定性的影响不同。当政策不确定性程度增加时，货币供给量对房地产价格的作用效果会得到略微增强，而利率和信贷规模的作用效果则会出现显著削弱。

最后也是最重要的一点，本文通过横向对比发现，当政策不确定性程度较低时，利率工具相比于货币供给量和信贷规模更有优势，其对房地产价格的作用效果更为稳定、持续时间更长且总影响也更为突出。而当政策不确定性程度较高时，三种货币政策工具各有优劣：货币供给量短期内对房地产价格的调控效应最好但其长期总影响近乎为零；利率对房地产价格的调控效应较为稳定且总影响最大，但其见效速度最为缓慢，前期作用效果较弱；信贷规模对房地产价格的调控效应短期内略低于货币供给量，但其见效速度快且长期中依旧能保留一定的政策效果。

面对当前房地产价格过快上涨同时经济政策不确定性快速攀升的情况，本文认为信贷规模和货币供给量均是货币政策的合理选择，二者能够在较短时间内对房地产价格波动作出有效调控。其中，信贷规模因其起效更快、长期效果更好，是当前情况下应对房地产价格波动的最佳选择。因此，货币当局在对房地产价格进行调控时应将着力点放在信贷规模上，通过控制信贷增长来抑制房地产价格的过快上涨，从而化解资产价格泡沫并推动经济“脱虚向实”，为经济增长新动力的形成奠定坚实的基础。参考文献：

[1] Hasan M S， Taghavi M. Residential investment， macroeconomic activity and financial deregulation in the UK： an empirical investigation [J]. Journal of Economics & Business， 2002， 54（4）： 447462.

[2] Senhadji A S， Collyns C. Lending booms， real estate bubbles and the asian crisis [R]. International Monetary Fund Working Paper， 2002.

[3] Iacoviello M， Minetti R. Financial liberalization and the sensitivity of house prices to monetary policy： theory and evidence [J]. Manchester School， 2003， 71（1）： 2034.

[4] Cooper A. The impact of interest rates and the housing market on the UK economy [J]. Economic Outlook， 2004， 28（2）： 1018.

[5] Gerlach S， Peng W. Bank lending and property prices in Hong Kong [J]. Journal of Banking & Finance， 2005， 29（2）： 461481.

[6] 梁斌， 李庆云. 中国房地产价格波动与货币政策分析——基于贝叶斯估计的动态随机一般均衡模型 [J]. 经济科学， 2011（3）： 1732.

[7] 丁晨， 屠梅曾. 论房价在货币政策传导机制中的作用——基于VECM分析 [J]. 数量经济技术经济研究， 2007， 24（11）： 106114.

[8] 郭娜， 李政. 我国货币政策工具对房地产市场调控的有效性研究——基于有向无环图的分析 [J]. 财贸经济， 2013（9）： 130136.

[9] 邓富民， 王刚. 货币政策对房地产价格与投资影响的实证分析 [J]. 管理世界， 2012（6）： 177179.

[10] 张小宇， 刘金全. 货币政策、产出冲击对房地产市场影响机制——基于经济发展新常态时期的分析 [J]. 中国工业经济， 2015（12）： 2035.

[11] 张浩， 李仲飞， 邓柏峻. 政策不确定、宏观冲击与房价波动——基于LSTVAR模型的实证分析 [J]. 金融研究， 2015（10）： 3247.

[12] Bloom N. The impact of uncertainty shocks [J]. Econometrica， 2009， 77（3）： 623685.

[13] Aastveit K A， Natvik G， Sola S. Economic uncertainty and the effectiveness of monetary policy [R]. Norges Bank Working Paper， 2013.

[14] 张玉鹏， 王茜. 政策不确定性的非线性宏观经济效应及其影響机制研究 [J]. 财贸经济， 2016， 37（4）： 116133.endprint

[15] Balke N S. Credit and economic activity： credit regimes and nonlinear propagation of shocks [J]. Review of Economics and Statistics， 2000， 82（2）： 344349.

[16] Hansen B E. Inference when a nuisance parameter is not identified under the null hypothesis [J]. Econometrica： Journal of The Econometric Society， 1996， 64（2）： 413430.

[17] 何静， 李村璞， 邱长溶. 信贷规模与房地产价格的非线性动态关系研究 [J]. 经济评论， 2011（2）： 2128.

[18] FernndezVillaverde J，GuerrónQuintana P，Kuester K， et al. Fiscal volatility shocks and economic activity [J]. The American Economic Review， 2015， 105（11）： 33523384.

[19] Born B， Pfeifer J. Policy risk and the business cycle [J]. Journal of Monetary Economics， 2014， 68： 6885.

[20] Bekaert G， Hoerova M， Duca M L. Risk， uncertainty and monetary policy [J]. Journal of Monetary Economics， 2013， 60（7）： 771788.

[21] 王義中， 宋敏. 宏观经济不确定性、资金需求与公司投资 [J]. 经济研究， 2014（2）： 417.

[22] Baker S R， Bloom N， Davis S J. Measuring economic policy uncertainty [J]. The Quarterly Journal of Economics， 2016， 131（4）： 15931636.

[23] 田磊， 林建浩. 经济政策不确定性兼具产出效应和通胀效应吗？来自中国的经验证据 [J]. 南开经济研究， 2016（2）： 324.

责任编辑、 校对： 李斌泉endprint