经济政策不确定性与房价波动*——来自70个大中城市的证据

张 方

一、引言

自1998年房改以来，房地产行业成为我国国民经济的重要支柱产业。2007年美国次贷危机引起的房地产市场崩盘拉开了全球金融危机的序幕。房地产的价格波动逐渐得到各国政府重视，并被纳入宏观经济管理。与此同时，房地产价格的迅速攀升也为我国经济的持续稳定发展埋下了隐患。从理论上讲，房价的长期趋势主要取决于供给和需求的平衡，但短期内的波动则更多受到宏观经济变量外生冲击的影响。在不同的经济政策背景下，各种宏观调控政策的变化往往被赋予不同的含义，其对房价的影响也会产生差异。

面对近20年来房地产价格过快上涨的情况，我国政府实施了各类宏观调控措施对房地产市场进行干预。由于宏观经济政策的颁布具有一定的随机性，产生影响的范围和程度也并不完全可控，并且公众对于政府实施的经济政策无法形成准确有效的预期，频繁的宏观调控必然给市场带来波动。Baker等(2016)对经济政策不确定性(economic policy uncertainty，EPU)给出如下定义：由于政府制定实施经济政策的随机性，从而无法对未来政策进行准确预期所造成的经济风险。政策的不确定性会使得房地产市场供需双方面对各类外部冲击时的行为发生改变，从而导致市场短暂失灵，引起市场不必要的非理性波动。随着理论研究和政策实践的不断深入，研究者们逐渐意识到政策不确定性与个体预期有着密切的联系，从而导致其对房地产市场的调控产生深远影响(张浩等，2015；刘金全和毕振豫，2018)。

回顾已有文献不难发现，虽然有不少针对经济政策不确定性和房地产价格的研究，但大多基于欧美发达国家。中国作为最大的新兴市场，也是世界第二大经济体，深入研究经济政策不确定性与房价的互动关系对作为支柱产业的房地产市场的持续健康发展具有重要意义。相比已有文献，本文的主要贡献包括以下四个方面。首先，与已有文献采用的BBD EPU指数不同，本文将首次采用Huang 和 Luk(2020)的EPU指数研究其对房价波动的影响。其次，现有关于我国EPU和房价关系的研究大多采用的是向量自回归(VAR)模型，包括门限向量自回归(TVAR)模型、平滑转换向量自回归(LSTVAR)模型、门限参数时变向量自回归(LT-TVP-VAR)模型等，此类VAR模型主要用于分析时间序列的回归。由于本文是基于70个大中城市的实证研究，故从面板数据的角度出发，使用面板协整检验、面板格兰杰因果检验和面板向量自回归模型探究EPU对房价波动的影响。再次，现有研究仅限于对全国房价进行整体分析，而实际上我国地区经济发展水平差异很大，各地的房地产市场也呈现出不同的特征。近年来，房地产调控政策坚持“因地制宜、因城施策”的原则，房地产市场的分化调整成为今后一个时期的主基调。鉴于此，本文以城市群为基础，对70个大中城市进行地区分类，探究EPU如何影响不同城市群的房价波动。最后，分别使用新建商品住宅价格指数和二手房销售价格指数这两个房价指数，对比EPU对新建住宅和二手房市场的不同影响。

二、文献综述

自2008年全球金融危机以来，经济政策不确定性对宏观经济的冲击引起了越来越多学者的关注。许多研究表明，EPU对各类经济变量都存在显著影响。例如，国际货币基金组织(IMF)的报告(2012，2013)指出，美国和欧洲的财政、货币、税收等经济政策的不确定性和波动是引起2008年全球金融危机的重要原因之一。

由于房屋是同时具有消费属性的消费品和投资属性的资产(Zhang & Zhang，2019)，房价的变动必然会受到各类宏观冲击的影响(谭政勋和王聪，2015)。例如，从投资者角度而言，经济政策的高度不确定性会降低投资者对市场的预期和信心，从而抑制消费和投资行为(Ang，2008；Wang et al.，2014)。从这个思路出发，Bloom(2009)认为，在房地产市场中，EPU会导致房价的变化。随后，越来越多的文献印证了EPU对房地产市场的显著作用(Antonakakis et al.，2015；Antonakakis & Floros，2016；Su et al.，2016；El-Montasser et al.，2016；Christou et al.，2017；Aye，2018；Christidou & Fountas，2018；Jeon，2018)，但大多数文献主要集中于研究发达国家的案例。例如，Su 等(2016)研究了EPU和德国房地产市场回报率的因果关系。El-Montasser 等(2016)对加拿大、法国、德国、意大利、西班牙、英国和美国7个发达国家的EPU与房价之间的关系进行研究，发现二者之间存在双向因果关系。Antonakakis 和 Floros(2016)从英国的案例出发，发现EPU对房地产市场、股票市场和宏观经济都有一定的影响。Christou等(2017)采用贝叶斯方法对OECD成员国的面板数据进行分析，发现EPU对预测房地产市场的回报率有显著作用。Christidou 和 Fountas(2018)通过GARCH模型对美国各州的研究发现，EPU可以促进房地产投资增长和抑制房价上涨。Jeon(2018)采用VECM模型分析发现，韩国、日本、中国及中国香港这四个重要的亚洲国家和地区的EPU对房价都产生了显著的负作用。

较之发达国家，针对发展中国家的EPU与房地产市场的研究相对匮乏。Chow等(2017)从非线性的角度出发，对中国和印度两大新兴市场的EPU和房价指数进行因果测试，发现二者之间存在显著关系，再次印证了EPU对更好地理解和预测房地产市场走势起着重要作用。Huang等(2019)从宏观层面研究出发，发现不仅EPU对中国房价有显著的抑制作用，EPU的波动率也对房价有显著的影响。基于各类VAR模型，国内学者也探究了EPU与房价之间的关系。张浩等(2015)发现，在EPU程度较高和较低两种不同状态下，房价波动受宏观经济变量的冲击存在差异性。胡国庆(2017)的研究结果表明，在以EPU为门限条件下，汇率预期对房价波动具有明显的非对称性特征。刘金全和毕振豫(2018)在EPU视角下，发现了货币政策对房价的调控具有显著的时变特征和非对称性。此外，张方(2021)以长江经济带城市为例，通过条件收敛模型发现EPU对新房价格和二手房价格的收敛性均具有显著的促进作用。

综上所述，现有文献多是针对发达国家的研究，仅有的关于我国EPU和房价波动的研究也存在着一定的局限性，如多是基于VAR模型的时间序列研究。因此，本文基于新的EPU指数和面板数据，对EPU如何影响我国房价波动进行深入分析。

三、数据和模型

(一)数据来源与描述

本文选取中国70个大中城市新建商品住宅价格指数(HPI)和二手商品住宅价格指数(HPI2)的月度数据分别作为因变量，区间为2006年1月至2018年12月，数据来自国家统计局网站。选取同时期内的EPU月度数据为自变量，数据来自Huang和Luk(2020)的研究。图1显示了2006年1月至2018年12月EPU的走势。如图1所示， 2008～2009年由美国次贷危机引发的全球金融危机和2011年8月美国历史上第一次主权信用评级的降级，对我国的经济政策产生了重大影响。其后，2015年8月人民币汇率改革标志着人民币由固定汇率制向市场汇率制过渡，由此引发了经济政策的剧烈波动。而自2017年1月美国特朗普总统上台后，挑起了一系列针对中国的贸易争端，也大大增加了我国经济政策的不确定性。同时，为了研究EPU对不同城市群房价波动的影响，依据相关批复，将70个大中城市分为14个国家级城市群(见表1)。

图1 2006～2018年经济政策不确定性

表1 14个国家级城市群

(二)计量模型和检验

1.面板协整检验

数据序列的平稳性只是避免伪回归的必要条件，此外还需要用协整检验判断变量之间是否存在长期的稳定关系。面板协整的检验方法已从最初的同质面板检验和异质面板检验发展为包含结构突变的面板检验。Kao(1999)和Pedroni(1999，2004)最早提出了以E-G 两步法的回归残差为基础的协整检验方法。随后，Westerhund (2005)则提出了允许面板协整回归模型的常数项和趋势项存在多个结构突变点的LM 检验。三种方法均要求协整变量本身之间不存在协整关系。Kao(1999)和Pedroni(1999，2004)采用了DF检验、ADF检验和PP检验；Westerlund(2005)使用了VR 检验，以检验误差项是否平稳。

2.面板格兰杰因果检验

格兰杰因果关系检验(Engle & Granger，1987)是检验平稳时间序列经济变量之间因果关系常用的一种计量经济学方法，其基本理论是：X是否引起Y，Y能在多大程度上被过去的X所解释，加入X的滞后值是否显著并提高对Y的解释程度。在时间序列的协整分析中，如果协整关系存在，就可以建立误差修正模型，估计变量间的格兰杰因果关系。面板数据中的因果检验同样是建立在以时间序列为基础的格兰杰因果关系检验思想基础之上的。由于本文采用多个城市数据作为样本，考虑到各地市之间存在的区域差异(即面板异质性)，以及地市相互影响关系(即截面相关性)，故采用Dumitrescu和Hurlin(2012)提出的一种全新的面板格兰杰因果检验方法，该方法能够在因果关系检验中有效处理面板数据存在的异质性和截面相关性的影响。当统计量大于标准正态分布临界值时，则拒绝原假设，说明存在因果关系；反之则接受原假设，即不存在因果关系。

3.面板向量自回归(PVAR)模型

PVAR模型与VAR模型类似，假设所有变量都具有内生性，因此使用PVAR模型可以忽略内生性问题，这使得PVAR模型被广泛应用于各类宏观经济问题分析中(Ramey & Shapiro, 1998)。PVAR模型有三个特点：第一，所有的内生变量在每个单元都有滞后项，称为“动态共生性”；第二，误差项在不同单元之间相关，称为“静态共生性”；第三，公式中的截距、斜率和误差项的方差在不同单元之间不同，称为“横截面的异质性”。从某种程度上说，PVAR模型与存在动态和静态共生性的大规模的VAR模型相似，不同之处在于横截面的异质性引入了误差项的协方差矩阵(Canova & Ciccarelli，2013)。在我国，PVAR模型多用于研究经济增长的相关实证分析(陈晓玲和张毅，2017；王允和杜萌，2015；游士兵和蔡远飞，2017)，鲜有将其用于分析房价波动的实证研究。

四、实证分析

(一)面板协整检验

因果分析要求变量必须为平稳数据，因此，本文首先对各变量进行时间序列单位根检验和面板单位根检验。采用ADF 检验和Phillips-Perron 检验对70个大中城市的新建住宅价格指数(HPI)和二手住宅价格指数(HPI2)进行时间序列单位根检验。结果显示，(1)限于篇幅，时间序列单位根检验的具体结果未汇报，如有需要可向作者索取。除武汉的HPI是在5%水平上显著，其他所有大中城市的HPI和HPI2均在1%水平上显著，即70个大中城市的HPI和HPI2均为时间序列平稳数据。为了确保检验结果的稳健性，结合相关文献(Chow et al.，2017)，本文采用LLC 检验和IPS 检验进行面板单位根检验。结果显示，所有数据均在1%水平上显著，即都是平稳数据(见表2)。

表2 70个大中城市房价的面板单位根检验

在进行因果分析之前，本文用面板协整检验来探究房价波动与EPU之间是否存在长期均衡关系。表3显示了Kao 检验、Pedroni 检验和Westlund 检验三种协整检验方法的结果。结果显示，无论是新建住宅价格指数还是二手住宅价格指数，都与EPU存在显著的协整关系，即房价波动与EPU之间存在显著的长期均衡关系。这一结论有助于我们进一步对房价和经济政策不确定性进行因果检验和PVAR模型的回归。

表3 EPU与70个大中城市房价指数的面板协整检验

(二)面板格兰杰因果检验

为了进一步探究EPU是否是房价波动的原因，即EPU是否引起房价指数变动，表4分别检验了EPU滞后1期至4期对HPI和HPI2的因果关系。从全国范围看，EPU对HPI在滞后2期内有显著作用，从第3期开始，EPU不再影响HPI，说明对新建住宅价格的影响随时间的推移而消失。EPU对二手住宅价格的影响却持续了整个滞后期。进一步对14个城市群做面板格兰杰因果检验，结果表明除兰西城市群外，EPU在各个滞后期对各大城市群新建住宅价格基本没有显著影响。相对新建住宅，EPU对二手房价格的影响更为显著，主要集中在京津冀城市群(滞后1期)、辽中南城市群(滞后1期、2期、4期)、长江中游城市群(滞后2期)、中原城市群(滞后1期至4期)、海峡西岸城市群(滞后1期)、北部湾城市群(滞后2期至4期)、成渝城市群(滞后1期)和兰西城市群(滞后1期至4期)。

表4 EPU和房价指数的面板格兰杰因果检验

续表

(三)面板向量自回归模型和脉冲响应分析

房价的波动对EPU的反应具有一定的滞后性。面板格兰杰因果检验的结果显示，随着时间推移，EPU的影响又逐渐淡化。因此，本文采用自变量的滞后1期至4期作为解释变量，研究EPU对房价波动的影响。表5展示了把HPI和HPI2分别作为被解释变量的PVAR模型估计结果。由图2可见，新建住宅的价格在EPU变动后的2期有明显的下降趋势，随后又在第3期恢复上涨；EPU滞后1期对二手房价格有轻微的抑制作用，但在随后一期中转变为轻微的正作用。由此可见，不论是新建住宅还是二手住宅，EPU在某一时期造成房价下跌后，房价会在随后的某一时期出现反弹。

表5 EPU和房价指数的PVAR模型参数估计结果

图2 HPI和HPI2对EPU的脉冲响应函数

为进一步研究EPU对不同城市群房价波动的影响，本文分别对14个城市群进行PVAR模型回归。(2)限于篇幅，14个城市群PVAR模型的具体回归结果未汇报，如有需要可向作者索取。总体上看，除个别城市群外，EPU对绝大多数城市群房价波动的影响并不显著。从极少数影响显著的例子来看，EPU对新建住宅和二手房价格的影响无规律可言，不具有普遍性和代表性。出现这种结果的原因，一方面，可能由于本文采用的EPU指数均为衡量全国范围内各类经济政策的不确定性，并非针对某一个城市(群)的政策不确定性，因而个别城市(群)房价的波动很难对某项针对全国范围的经济政策变动做出反应；另一方面，可能由于某些城市群覆盖城市过少，造成回归样本不够大，从而无法得到有效的回归结果。尽管从针对各城市群的PVAR模型回归没有得到代表性的结论，但这为今后的研究提供了可能的思路和方向，即在将来有条件的时候，选取具体衡量各个城市(群)的EPU指数作为解释变量，并获取足够大样本，再用PVAR模型验证各城市群房价波动与EPU指数的相互关系。

继PVAR模型结果分析之后，本文采用脉冲响应函数研究各内生变量冲击(EPU)对HPI和HPI2的影响作用。解释PVAR模型参数估计的结果通常具有很大困难，很多参数的符号和显著性都无法通过检验，但PVAR模型关注的焦点不仅在于此，还在于对未来的预测分析。脉冲响应是这类预测分析的必要方法之一。图2显示了HPI和HPI2分别对EPU冲击产生的反应。由于本文采用的是月度数据，过短的时间跨度可能来不及探测到房价对EPU冲击的反应，而过长的时间跨度下房价对EPU冲击的反应也会逐渐消失，因此本文选取12期(一年)对脉冲响应函数进行分析。如图2所示，EPU对新建住宅价格产生持续抑制作用，而在对二手房价格产生抑制作用后不久，又推动了房价的反弹和上升。

五、结论及政策建议

作为宏观调控的必然结果，经济政策的不确定性对房价波动产生的影响引起了研究者的广泛关注。本文以此为切入点，通过面板协整检验、面板格兰杰因果检验、面板向量自回归模型和脉冲响应函数等方法，考察经济政策不确定性(EPU)对房价波动的溢出效应。首先，面板协整检验的结果显示，新建住宅和二手房价格均与EPU存在长期均衡关系。其次，面板格兰杰因果检验证实，从全国范围看，EPU对两类住宅价格均有显著影响。但针对14个城市群的面板因果检验显示，EPU对房价的影响主要集中于个别城市群的二手房市场。这可能是由于近些年来各地对新建住宅均实行“限价”政策，导致新建住宅价格对其他经济政策敏感度降低。再次，PVAR模型显示，EPU在某一时期对房价产生抑制作用，但这种抑制作用并不能持续，房价在随后的时期即发生反弹。但是，14个城市群的PVAR模型回归结果表明，除极个别城市群外，EPU对绝大多数城市群房价波动的影响并不显著。这可能由于本文采用的EPU指数是衡量全国范围内经济政策的不确定性，而非针对某一个城市(群)的政策不确定性，因此个体城市(群)房价的波动受到针对全国范围经济政策的影响较小。这为今后的研究提供了可能的思路和方向，即未来可以选取衡量各个城市(群)的EPU指数作为解释变量，并获取足够大样本后，用PVAR模型验证各城市群房价波动与EPU指数的相互关系。最后，脉冲响应分析为EPU冲击导致房价波动提供了更具体的证据，即EPU对新建住宅价格产生持续抑制作用，而对二手房价格的影响则是使其先抑后扬。综合PVAR模型和脉冲响应的结果来看，在经济政策不确定性增大的时候，房地产市场的反应是消极的。以上发现也印证了Wang 等(2014)、Chow 等(2017)、Aye(2018)和Huang 等(2019)关于EPU对各国房地产市场存在显著负效应的结论。

综上所述，经济政策的出台虽然需要一定的时效性和及时性，但政策的频繁变动所导致的不确定性往往会削弱其调控效果。因此，政府在制定经济政策时应注意出台政策的频率和强度，着重考虑政策的长期稳定性和前瞻性，避免政策朝令夕改而引起市场的过度反应，从而对公众预期和政府声誉产生系统性影响。另外，由于经济政策不确定性主要通过改变心理预期和信心渠道对房地产市场产生影响，因此需要政府相关部门加强对民众关于政策调控预期的解释和引导，防止外界对宏观政策变动进行过度解读，从而降低政策调整对房地产市场的冲击。