貨幣政策對(duì)房?jī)r(jià)影響的區(qū)域差異：來(lái)自多層混合效應(yīng)模型的新證據(jù)

涂 紅 徐春發(fā) 余子良

一、引 言

貨幣政策應(yīng)該對(duì)資產(chǎn)價(jià)格、尤其是房地產(chǎn)價(jià)格做出反應(yīng)，是近年來(lái)政策制定部門(mén)與學(xué)術(shù)界逐漸形成的共識(shí)(Greenspan，2000；Ahearne，2005；趙進(jìn)文和高輝，2009；李成等，2010；陳繼勇等，2013；王云清等，2013；譚政勛和王聰，2015)。大家爭(zhēng)議的焦點(diǎn)僅在于貨幣政策干預(yù)資本市場(chǎng)的時(shí)機(jī)選擇①即是在資產(chǎn)價(jià)格泡沫形成前就利用貨幣政策抑制泡沫的形成(Cecchetti等，2000；Borio和 Lowe，2002)，還是資產(chǎn)泡沫破滅后利用貨幣政策促進(jìn)經(jīng)濟(jì)迅速恢復(fù)(Bernanke和Gertler，2001；Mishkin，2007)。。本文另辟蹊徑，研究無(wú)論貨幣政策何時(shí)開(kāi)始干預(yù)房地產(chǎn)市場(chǎng)，均需考慮的另外一個(gè)重要因素——貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域性差異。

盡管貨幣政策效果的區(qū)域差異，以及貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域性差異，并非一個(gè)全新的話題。然而，與前期主要基于 VAR模型、分析某一區(qū)域?qū)用嬲咝Ч町惖难芯坎煌?王先柱等，2011；張紅和李洋，2013；余華義和黃燕芬，2015；黃佳琳和秦鳳鳴，2017)，本文使用多層混合效應(yīng)模型(Multi-Level Mixed Effect Model)，能夠同時(shí)控制貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的共性(固定效應(yīng)部分)與差異性(隨機(jī)效應(yīng)部分)，探討貨幣政策對(duì)中國(guó)70個(gè)主要大中城市房?jī)r(jià)影響在不同地區(qū)、省份、城市間的差異情況。數(shù)據(jù)與方法上的拓展使得我們可以更好地回答本文研究的兩個(gè)核心問(wèn)題：(1)貨幣政策對(duì)房?jī)r(jià)影響是否存在區(qū)域性差異？(2)如果存在，貨幣政策對(duì)房?jī)r(jià)影響的區(qū)域性差異主要表現(xiàn)在哪個(gè)區(qū)域?qū)蛹?jí)上，即城市、省份、抑或更高的地區(qū)層級(jí)上？前期的研究主要致力于回答第一個(gè)問(wèn)題，但是第二個(gè)問(wèn)題對(duì)于貨幣政策的制定與操作，則有著更深遠(yuǎn)的意義。

房地產(chǎn)不同于一般的金融資產(chǎn)，其價(jià)格不僅受到一般供給與需求因素的影響，同時(shí)還受到自身特有因素(如房屋質(zhì)量、是否急于銷(xiāo)售等因素)的影響(Campbell等，2011)。房地產(chǎn)市場(chǎng)既具有顯著的區(qū)域性特征(Miller和 Peng，2006；梁云芳和高鐵梅，2007；Miao等，2011；Yang等，2018)，同時(shí)又存在高度的相互作用(Miao等，2011；Cotter等，2015；Yang等，2018)。Yang等(2018)對(duì)中國(guó)70個(gè)主要大中城市房?jī)r(jià)溢出網(wǎng)絡(luò)的研究發(fā)現(xiàn)①與本文使用的房?jī)r(jià)數(shù)據(jù)來(lái)源一致。，各城市房?jī)r(jià)波動(dòng)的 50%以上受自身之外的因素影響，但自身因素同樣具有不容忽視的影響力。房地產(chǎn)市場(chǎng)這種兼具共性與地方屬性的特點(diǎn)，使得貨幣政策對(duì)其影響同樣會(huì)兼具共性與差異性。本文采用多層混合效應(yīng)模型而非常用的全局向量自回歸(Global Vector Autoregression，GVAR)模型，可以利用固定效應(yīng)部分控制共性、隨機(jī)效應(yīng)部分控制差異性，從而使我們能夠在同一計(jì)量模型中同時(shí)考慮貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的共同效果和地方化差異特征，進(jìn)而也能使我們更好地檢驗(yàn)房地產(chǎn)市場(chǎng)究竟以哪個(gè)區(qū)域?qū)蛹?jí)為主體來(lái)吸收貨幣政策沖擊的影響，更為可靠地回答本文研究的第二個(gè)核心問(wèn)題。

與前期的相關(guān)研究發(fā)現(xiàn)類似(王先柱等，2011；張紅和李洋，2013；余華義和黃燕芬，2015；黃佳琳和秦鳳鳴，2017)，我們發(fā)現(xiàn)貨幣政策對(duì)房?jī)r(jià)影響在一二三線城市組別間、八大綜合經(jīng)濟(jì)區(qū)間、省份間、城市間均存在顯著的差異。但是更重要的是，多層混合效應(yīng)模型分析結(jié)果顯示，貨幣政策對(duì)房?jī)r(jià)影響的這一區(qū)域性差異僅在同一省內(nèi)的各城市間不顯著，這表明中國(guó)房地產(chǎn)市場(chǎng)具有顯著的以省份為主體來(lái)吸收貨幣政策影響的特征。雖然我國(guó)貨幣政策并未明確表明會(huì)對(duì)資產(chǎn)價(jià)格做出反應(yīng)②《中國(guó)人民銀行法》規(guī)定我國(guó)貨幣政策的最終目標(biāo)是：“保持貨幣幣值的穩(wěn)定，并以此促進(jìn)經(jīng)濟(jì)增長(zhǎng)”。，且貨幣政策操作仍以貨幣供給量調(diào)控為主(趙進(jìn)文和高輝，2009；郭紅兵和陳平，2012；王國(guó)剛，2012；陳繼勇等，2013；譚政勛和劉少波，2015)，這些發(fā)現(xiàn)仍為未來(lái)將房?jī)r(jià)納入貨幣政策操作反應(yīng)函數(shù)，提供了有益參考。

二、文獻(xiàn)回顧

貨幣政策效果區(qū)域差異的理論基礎(chǔ)可以追溯到 Mundell(1961)的最優(yōu)貨幣區(qū)理論。Mundell(1961)指出在滿足地區(qū)間勞動(dòng)力和其他生產(chǎn)要素自由流動(dòng)條件下，最優(yōu)貨幣區(qū)內(nèi)部的貨幣政策將不會(huì)存在區(qū)域差異。這也意味著，如果勞動(dòng)力與其他生產(chǎn)要素區(qū)域間自由流動(dòng)的前提條件不滿足，貨幣政策將存在顯著的區(qū)域差異。我們知道，一個(gè)國(guó)家內(nèi)部的經(jīng)濟(jì)不會(huì)完全同質(zhì)，尤其是大國(guó)由于自然環(huán)境與歷史背景的差異，通常存在區(qū)域或行業(yè)間的差別，因而貨幣政策的效果即便是在一個(gè)國(guó)家內(nèi)部也很可能存在顯著的區(qū)域差異(宋旺和鐘正生，2006)。對(duì)美國(guó)(Scott，1955；Carlino和 DeFina，1997；Owyang 和 Wall，2004)、加拿大(Georgopoulos，2009)和中國(guó)(宋旺和鐘正生，2006；孔丹鳳等，2007；王先柱等，2011；余華義和黃燕芬，2015；黃佳琳和秦鳳鳴，2017)的經(jīng)驗(yàn)研究結(jié)果均表明貨幣政策效果的區(qū)域差異的確存在。

近年來(lái)政策制定部門(mén)與學(xué)術(shù)屆逐漸形成的共識(shí)是，貨幣政策應(yīng)該對(duì)資產(chǎn)價(jià)格、尤其是房地產(chǎn)價(jià)格做出反應(yīng)(Greenspan，2000；Ahearne，2005；趙進(jìn)文和高輝，2009；李成等，2010；陳繼勇等，2013；王云清等，2013；譚政勛和王聰，2015)。這是因?yàn)榉康禺a(chǎn)市場(chǎng)在國(guó)民經(jīng)濟(jì)與家庭資產(chǎn)組合中，均扮演著極為重要的角色。例如，2009年，房地產(chǎn)直接貢獻(xiàn)了中國(guó)GDP增長(zhǎng)的約11%(Deng等，2015；Yang等，2018)，在家庭總資產(chǎn)中占比約 70%(廖理和張金寶，2011；譚政勛和王聰，2015)；在美國(guó)，房地產(chǎn)在宏觀經(jīng)濟(jì)周期中也扮演著極為重要的角色(Leamer，2007、2015)，約占一般中產(chǎn)階級(jí)家庭總資產(chǎn)的三分之二(Clayton等，2010)。

以往的研究焦點(diǎn)在于貨幣政策干預(yù)資本市場(chǎng)的時(shí)機(jī)選擇，即是在資產(chǎn)價(jià)格泡沫形成前就利用貨幣政策抑制泡沫的形成(Cecchetti等，2000；Borio和 Lowe，2002)，還是資產(chǎn)泡沫破滅后利用貨幣政策促進(jìn)經(jīng)濟(jì)迅速恢復(fù)(Bernanke和Gertler，2001；Mishkin，2007)。然而，不論貨幣政策何時(shí)開(kāi)始干預(yù)房地產(chǎn)市場(chǎng)，均不得不考慮貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域性差異。理論研究證明，房地產(chǎn)市場(chǎng)具有顯著的區(qū)域異質(zhì)性(Miller和 Peng，2006；梁云芳和高鐵梅，2007；Miao 等，2011；Yang 等，2018)。與引起貨幣政策效果區(qū)域差異的原因類似，不同地區(qū)房地產(chǎn)市場(chǎng)經(jīng)濟(jì)基本面因素的差異同樣會(huì)導(dǎo)致地方房地產(chǎn)市場(chǎng)對(duì)貨幣政策沖擊的反應(yīng)不同，即造成貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域差異(Fratatoni和 Schuh，2003)。

大量實(shí)證研究也表明貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域差異同樣存在。國(guó)外研究中最具典型的是 Fratatoni和 Schuh(2003)。他們采用異質(zhì)代理人向量自回歸模型(Heterogeneous-Agent VAR Model)檢驗(yàn)了美國(guó)1986—1996年期間區(qū)域性住房市場(chǎng)與貨幣政策之間的關(guān)系，發(fā)現(xiàn)利率與住房投資和房?jī)r(jià)變化呈現(xiàn)負(fù)相關(guān)關(guān)系，但區(qū)域間的作用效果明顯不同。在國(guó)內(nèi)的相關(guān)研究中，梁云芳和高鐵梅(2007)與王先柱等(2011)采用分樣本面板估計(jì)的方法研究了貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響在我國(guó)東、中、西部地區(qū)的差異情況。張紅和李洋(2013)、余華義和黃燕芬(2015)采用全局向量自回歸(GVAR)方法分別檢驗(yàn)了貨幣政策對(duì)省際層面和 35個(gè)大中城市房地產(chǎn)市場(chǎng)的影響區(qū)域性差異。

與上述主要基于 VAR系列模型的研究不同，本文將基于多層混合效應(yīng)模型來(lái)探討貨幣政策對(duì)中國(guó) 70個(gè)主要大中城市房?jī)r(jià)影響在不同地區(qū)、省份、城市間的差異情況。數(shù)據(jù)與方法上的拓展使得我們可以更好地回答本文研究的兩個(gè)核心問(wèn)題：(1)貨幣政策對(duì)房?jī)r(jià)影響區(qū)域差異是否存在？(2)如果存在，這一區(qū)域差異主要體現(xiàn)在哪一地區(qū)層級(jí)上？

三、變量、模型與數(shù)據(jù)

（一）變量選取與模型設(shè)定

本文的核心解釋變量貨幣政策以廣義貨幣供應(yīng)量 M2表示。這既是考慮到中國(guó)貨幣政策操作仍然以貨幣供給量調(diào)控為主(趙進(jìn)文和高輝，2009；郭紅兵和陳平，2012；王國(guó)剛，2012；陳繼勇等，2013；譚政勛和劉少波，2015)，也是因?yàn)樨泿殴?yīng)量(M2)相對(duì)利率而言，能夠更好地度量中國(guó)的貨幣政策(孔丹鳳等，2007)。與國(guó)內(nèi)相關(guān)研究在變量選取上保持一致(如：王先柱等，2011；張紅和李洋，2013；余華義和黃燕芬，2015；黃佳琳和秦鳳鳴，2017)，選擇貨幣供應(yīng)量作為貨幣政策度量指標(biāo)，有助于我們與現(xiàn)有研究文獻(xiàn)進(jìn)行橫向比較。根據(jù)Miller和Peng(2006)、Clayton等(2010)與Webb等(2016)，我們綜合考慮了國(guó)家層面與城市層面兩方面的影響因素來(lái)選擇控制變量。在國(guó)家層面，我們選取了上證綜合指數(shù)和抵押貸款利率。盡管股市對(duì)房地產(chǎn)市場(chǎng)影響的最終方向并不確定，但股票市場(chǎng)可能通過(guò)“財(cái)富效應(yīng)”、“流動(dòng)性約束”、“替代效應(yīng)”等渠道影響住房需求進(jìn)而影響房?jī)r(jià)①“財(cái)富效應(yīng)”意味著股市上漲，持股人財(cái)富增加，會(huì)增加包括住房在內(nèi)的消費(fèi)，從而對(duì)房?jī)r(jià)有正向影響；“流動(dòng)性約束”意味著股市上漲時(shí)，持股人可以賣(mài)出股份籌集購(gòu)房所需首付資金，從而減輕持股人購(gòu)房時(shí)的流動(dòng)性約束，對(duì)房?jī)r(jià)也將有著正向影響；“替代效應(yīng)”則意味著股市上漲，股票成為比房地產(chǎn)更具有吸引力的投資品，吸引資金從房地產(chǎn)市場(chǎng)流向股市，從而對(duì)房?jī)r(jià)有著負(fù)向影響。；而貸款利率高低意味著購(gòu)房者資金約束的緊松，這最終也會(huì)影響房?jī)r(jià)(Clayton等，2010；Webb等，2016)。在城市層面，我們選取了GDP及其增長(zhǎng)率、人口及其增長(zhǎng)率、人均可支配收入以及失業(yè)率六個(gè)變量，以控制城市經(jīng)濟(jì)基本面對(duì)房?jī)r(jià)的影響。

考慮到房地產(chǎn)市場(chǎng)同時(shí)兼具地方特性又受宏觀共同因素影響(Campbell等，2011；Yang 等，2018)，我們首先將 Webb等(2016)的基準(zhǔn)計(jì)量模型拓展為以下的變截距項(xiàng)多層混合效應(yīng)模型(Multi-Level Mixed Effect Model)，用隨機(jī)截距項(xiàng)來(lái)控制房地產(chǎn)市場(chǎng)的異質(zhì)性，即讓房地產(chǎn)市場(chǎng)的本地特征體現(xiàn)在隨機(jī)截距項(xiàng)上。

其中，k為群組/聚類數(shù)(groups/clusters)。在實(shí)際檢驗(yàn)過(guò)程中，我們綜合考慮了四類區(qū)域分類群組：根據(jù) Fang等(2015)的中國(guó)城市等級(jí)劃分將城市劃分為一、二、三線城市①一線城市：北京、上海、廣州、深圳；二線城市：北海、長(zhǎng)春、長(zhǎng)沙、成都、重慶、大連、福州、貴陽(yáng)、海口、杭州、哈爾濱、合肥、呼和浩特、濟(jì)南、昆明、蘭州、南昌、南京、南寧、寧波、青島、三亞、沈陽(yáng)、石家莊、太原、天津、烏魯木齊、溫州、武漢、無(wú)錫、廈門(mén)、西安、西寧、銀川、鄭州；三線城市：安慶、包頭、蚌埠、常德、丹東、贛州、桂林、惠州、吉林、濟(jì)寧、錦州、九江、洛陽(yáng)、瀘州、牡丹江、南充、平頂山、秦皇島、泉州、韶關(guān)、唐山、襄陽(yáng)、徐州、揚(yáng)州、煙臺(tái)、宜昌、岳陽(yáng)、湛江、遵義。；依據(jù)國(guó)家統(tǒng)計(jì)局的八大經(jīng)濟(jì)區(qū)域分組；按省份分組；按城市分組。hpit為 t年城市i的房?jī)r(jià)變化；cst表示t年全國(guó)貨幣供應(yīng)量變動(dòng)情況，以M2的對(duì)數(shù)增長(zhǎng)率來(lái)衡量；sit表示 t年股票市場(chǎng)狀況，用上證綜合指數(shù)每年最后一個(gè)交易日的收盤(pán)價(jià)來(lái)度量；nltr為抵押貸款利率②因?yàn)檎也坏骄唧w的抵押貸款利率數(shù)據(jù)，而抵押貸款一般為期限長(zhǎng)達(dá)數(shù)年甚至數(shù)十年(最高30年)的長(zhǎng)期貸款，我們?cè)趯?shí)際檢驗(yàn)中以5年及以上貸款利率代替。；Cjit為城市層面地方經(jīng)濟(jì)基本面因素控制變量，包括 GDP及其增長(zhǎng)率、人口及其增長(zhǎng)率、人均可支配收入以及失業(yè)率；λcity和γyear分別為城市與年度固定效應(yīng)，用以進(jìn)一步控制其他城市層面與國(guó)家層面影響因素；μ0k表示k群組的隨機(jī)截距項(xiàng)；0β為常數(shù)項(xiàng)，εitk為誤差項(xiàng)。方程(1)中括號(hào)內(nèi)為固定效應(yīng)部分，用以控制影響房?jī)r(jià)的共性，可變截距μ0k為隨機(jī)效應(yīng)部分，可以控制房地產(chǎn)市場(chǎng)的異質(zhì)性。

正如前文所討論的那樣，貨幣政策對(duì)房?jī)r(jià)的影響可能既具有共性又具有區(qū)域差異。對(duì)此，我們可以將隨機(jī)截距項(xiàng)模型(1)拓展為如下的變系數(shù)模型，讓貨幣政策變量在固定效應(yīng)與隨機(jī)效應(yīng)部分中同時(shí)存在，從而同時(shí)控制貨幣政策對(duì)房?jī)r(jià)影響的共性(固定效應(yīng)部分)和區(qū)域差異(隨機(jī)效應(yīng)部分)。

其中，1β表示cst變量的固定效應(yīng)估計(jì)系數(shù)，1μk表示cst變量在k群組中隨機(jī)系數(shù)，其余變量含義與式(1)一致。

在央行實(shí)施寬松的貨幣政策環(huán)境下，股市上漲，信貸環(huán)境寬松，企業(yè)和個(gè)人更容易獲得包括抵押貸款在內(nèi)的商業(yè)信貸資金(Garriga等，2017)。這也意味著方程(1)與(2)中的抵押貸款利率(nlr)與股市表現(xiàn)(si)均與貨幣政策變量(cs)存在很強(qiáng)的相關(guān)性。針對(duì)這一問(wèn)題，我們借鑒 Fratzscher和 Mehl(2014)的正交化處理方法，在實(shí)際估計(jì)中使用抵押貸款利率與股市表現(xiàn)變量對(duì)貨幣政策正交化處理后的值，以將nlr與si中貨幣政策影響因素剔除。最后，我們采用極大似然估計(jì)(Maximum Likelihood Estimation，MLE)方法來(lái)估計(jì)方程(1)與(2)中的相關(guān)參數(shù)。

（二）數(shù)據(jù)

本文使用的數(shù)據(jù)為2005—2016年期間我國(guó)70個(gè)大中城市的年度面板數(shù)據(jù)。房?jī)r(jià)與城市經(jīng)濟(jì)基本面原始數(shù)據(jù)來(lái)自國(guó)家統(tǒng)計(jì)局，上證綜合指數(shù)來(lái)自上交所，貨幣供給與利率數(shù)據(jù)來(lái)自中國(guó)人民銀行。考慮到中國(guó)新建商品住宅市場(chǎng)在我國(guó)房地產(chǎn)市場(chǎng)中的絕對(duì)主導(dǎo)地位以及相關(guān)文獻(xiàn)①詳見(jiàn)Yang 等(2018)對(duì)相關(guān)指數(shù)與中國(guó)房地產(chǎn)市場(chǎng)的討論。，核心被解釋變量房?jī)r(jià)變化 hp選取國(guó)家統(tǒng)計(jì)局發(fā)布的 70個(gè)大中城市新建商品住宅房?jī)r(jià)指數(shù)的對(duì)數(shù)增長(zhǎng)率。核心解釋變量貨幣政策 cs以廣義貨幣供應(yīng)量M2的對(duì)數(shù)增長(zhǎng)率作為代理變量。宏觀經(jīng)濟(jì)控制變量股市表現(xiàn)si與抵押的貸款利率nlr為先根據(jù)Fratzscher和Mehl(2014)對(duì)M2做正交化處理之后的值。城市經(jīng)濟(jì)基本面因素中，失業(yè)率由城市的就業(yè)與登記失業(yè)人口數(shù)計(jì)算；最終回歸的面板數(shù)據(jù)缺少揚(yáng)州 2005年新建商品住宅銷(xiāo)售價(jià)格同比指數(shù)數(shù)據(jù)，缺少 2016年安慶、包頭和2014年蘭州戶籍人口數(shù)據(jù)，缺少2016年包頭等37個(gè)城市②缺少 2016年失業(yè)率數(shù)據(jù)的城市：包頭、北海、長(zhǎng)春、常德、成都、大連、丹東、福州、桂林、貴陽(yáng)、杭州、呼和浩特、吉林、金華、金州、九江、昆明、瀘州、南昌、南充、南京、南寧、寧波、秦皇島、泉州、三亞、石家莊、唐山、烏魯木齊、溫州、武漢、襄陽(yáng)、西寧、揚(yáng)州、宜昌、銀川、岳陽(yáng)。和2013—2016年?？谑I(yè)率數(shù)據(jù)。文中使用的各變量具體含義與統(tǒng)計(jì)信息由表1給出。

表1 變量的統(tǒng)計(jì)性描述

四、實(shí)證檢驗(yàn)結(jié)果

（一）模型（1）的估計(jì)結(jié)果

表2給出了以隨機(jī)截距項(xiàng)來(lái)控制房地產(chǎn)市場(chǎng)異質(zhì)性的基準(zhǔn)模型(1)的估計(jì)結(jié)果。其中第(1)～(4)列分別為按國(guó)家統(tǒng)計(jì)局的八大經(jīng)濟(jì)區(qū)域分組(共 8組)，按 Fang等(2015)將樣本中城市劃分為一、二、三線城市分組(共 3組)，按城市所屬省份分組(共30組)，以及按城市分組(共 70組)的估計(jì)結(jié)果；第(5)～(8)列為在估計(jì)中進(jìn)一步考慮GDP權(quán)重的結(jié)果。之所以進(jìn)一步在估計(jì)中考慮 GDP權(quán)重，這是因?yàn)樵诙鄬踊旌闲?yīng)估計(jì)中，其固定效應(yīng)部分系數(shù)反映的是一種“平均”效應(yīng)(Clayton等，2010；余子良和佟家棟，2016)。在這種簡(jiǎn)單的平均效應(yīng)估計(jì)中，諸如北京、上海、廣州、深圳這樣的城市，與其他二線或三線城市均被視為完全相同的樣本點(diǎn)進(jìn)行估計(jì)。然而眾所周知，不同的城市在全國(guó)房地產(chǎn)市場(chǎng)中扮演著截然不同的角色。Yang等(2018)研究發(fā)現(xiàn)，只有像北京、上海、廣州、深圳等少數(shù)主要城市在中國(guó)城市房?jī)r(jià)溢出網(wǎng)絡(luò)中占主導(dǎo)地位，同時(shí)，城市 GDP對(duì)該城市在房?jī)r(jià)溢出網(wǎng)絡(luò)中的相對(duì)凈影響力有顯著影響。因此，進(jìn)一步控制 GDP權(quán)重，可以在多層混合效應(yīng)模型中以隨機(jī)效應(yīng)控制不同房地產(chǎn)市場(chǎng)異質(zhì)性的同時(shí)，在系數(shù)估計(jì)中進(jìn)一步考慮地方經(jīng)濟(jì)基本面因素的異質(zhì)性影響。

表2 隨機(jī)截距項(xiàng)多層混合效應(yīng)模型估計(jì)結(jié)果

表2中我們關(guān)注的核心結(jié)果是隨機(jī)截距項(xiàng)估計(jì)的標(biāo)準(zhǔn)差 sd(intercept)①表中給出的是Stata軟件匯報(bào)的默認(rèn)值，該值實(shí)際為1og(估計(jì)方差)的1/2。，它的顯著與否也意味著房地產(chǎn)市場(chǎng)差異性的顯著與否。表2的結(jié)果顯示 sd(intercept)的估計(jì)結(jié)果僅在以省份或城市分組時(shí)具有統(tǒng)計(jì)顯著性(第(3)與第(4)列)，而且控制 GDP權(quán)重后這一顯著性消失(第(7)與第(8)列)。這表明房地產(chǎn)市場(chǎng)的異質(zhì)性主要體現(xiàn)在省份或城市上，且異質(zhì)性的來(lái)源主要是地方經(jīng)濟(jì)基本面因素的差異性。這也在一定程度上印證了 Fratantoi和 Schuh(2003)“貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域差異是由各地區(qū)初始經(jīng)濟(jì)條件及其對(duì)貨幣政策反應(yīng)不同造成的”的觀點(diǎn)。

表2中另外一個(gè)值得關(guān)注的結(jié)果是貨幣政策代理變量 cs在模型固定效應(yīng)部分中估計(jì)的系數(shù)竟然顯著為負(fù)。這意味著寬松的貨幣政策，平均來(lái)說(shuō)，反而會(huì)抑制總體房?jī)r(jià)上漲。這一結(jié)果顯然有悖于我們的直觀印象。然而，正如上文所闡述的那樣，本文的結(jié)果其實(shí)仍是“平均”結(jié)果，并未考慮不同城市在全國(guó)房地產(chǎn)市場(chǎng)中真正的重要性程度，且我們平時(shí)關(guān)注的房地產(chǎn)市場(chǎng)僅是少數(shù)的大城市。例如，僅北京、成都、杭州、上海、深圳、天津、武漢與西安八個(gè)城市 2009年的新建住宅銷(xiāo)售總額占了全國(guó)的 1/3、銷(xiāo)售面積占全國(guó)的 17%(Wu等，2012)，這些主要城市和樣本中其他城市在估計(jì)時(shí)卻是被“同等對(duì)待的”。在進(jìn)一步控制GDP權(quán)重后，cs在模型固定效應(yīng)部分中的系數(shù)估計(jì)值和顯著性都明顯降低(第(5)～(8)列)，也進(jìn)一步說(shuō)明了研究貨幣政策對(duì)房?jī)r(jià)影響區(qū)域性差異的必要。

（二）模型（2）的估計(jì)結(jié)果

表3報(bào)告了將貨幣政策代理變量 cs同時(shí)納入到多層混合效應(yīng)模型中的固定效應(yīng)與隨機(jī)效應(yīng)部分，以同時(shí)控制貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的共性(固定效應(yīng)部分)與差異性(隨機(jī)效應(yīng)部分)的計(jì)量模型(2)的估計(jì)結(jié)果。其中，第(1)～(4)列同樣分別為按國(guó)家統(tǒng)計(jì)局的八大經(jīng)濟(jì)區(qū)域分組(共 8組)，按 Fang等(2015)將樣本中城市劃分為一、二、三線城市分組(共 3組)，按城市所屬省份分組(共 30組)，以及按城市分組(共 70組)的估計(jì)結(jié)果；第(5)～(8)列為在估計(jì)中進(jìn)一步加入GDP權(quán)重的結(jié)果。

隨機(jī)系數(shù)標(biāo)準(zhǔn)差 sd(cs)的估計(jì)結(jié)果衡量了貨幣政策在不同地區(qū)分組上的差異性。表3的結(jié)果表明貨幣政策對(duì)房?jī)r(jià)的影響在八大經(jīng)濟(jì)區(qū)間、不同省份間、不同城市間均存在顯著差異，且這種差異在進(jìn)一步控制GDP權(quán)重后依然顯著；貨幣政策對(duì)房地產(chǎn)的影響在一、二、三線城市間僅在考慮 GDP權(quán)重后存在顯著差異。這一結(jié)果不但說(shuō)明貨幣政策對(duì)我國(guó)房地產(chǎn)市場(chǎng)影響存在顯著的區(qū)域差異，也進(jìn)一步印證了 Fratantoi和Schuh(2003)的觀點(diǎn)。

表3 隨機(jī)系數(shù)多層混合效應(yīng)模型估計(jì)結(jié)果

續(xù)表3

鑒于房地產(chǎn)市場(chǎng)之間存在較強(qiáng)的相互聯(lián)系，且這種關(guān)聯(lián)多是由于“地理上接近”或“經(jīng)濟(jì)上相似”造成的(Miao等，2011；Zhu等，2013；Yang等，2018)，在隨后的討論中我們將主要探討八大經(jīng)濟(jì)區(qū)、省份以及與城市之間的差異性。為了能更好地看出貨幣政策對(duì)房?jī)r(jià)影響的區(qū)域性差異，我們?cè)陔S機(jī)系數(shù)多層混合效應(yīng)模型(2)的估計(jì)基礎(chǔ)上，進(jìn)一步計(jì)算出了貨幣政策代理變量 cs隨機(jī)效應(yīng)的最優(yōu)線性無(wú)偏預(yù)測(cè)值(Best Linear Unbiased Predictions，BLUPs)，并將其分別繪制成圖1、2、3。從圖1可以看出貨幣供給增加對(duì)東北地區(qū)、東南沿海地區(qū)、西南地區(qū)、以及西北地區(qū)房?jī)r(jià)存在顯著的正向影響，但卻會(huì)抑制其他地方房?jī)r(jià)上漲。

當(dāng)將區(qū)域差異進(jìn)一步區(qū)分到省份層級(jí)時(shí)，圖 2顯示貨幣政策對(duì)不同省份房?jī)r(jià)的影響更是千差萬(wàn)別。例如，貨幣政策在浙江省的隨機(jī)效應(yīng)為 0.435，在福建省的隨機(jī)效應(yīng)為－0.339，這意味著同一貨幣政策下，貨幣供給增加 1%，浙江省房?jī)r(jià)增長(zhǎng)率將提高0.435%，而福建省房?jī)r(jià)增長(zhǎng)率卻將降低 0.339%。此外，圖 2還表明貨幣政策對(duì)不同經(jīng)濟(jì)區(qū)域內(nèi)省份的影響存在兩種不同模式。在西南和西北地區(qū)，9個(gè)省中有 8個(gè)受貨幣供給增加的影響是正向的，這表明貨幣供給增加對(duì)西南、西北地區(qū)各省房?jī)r(jià)增長(zhǎng)率的影響大小不同，但方向基本是一致的。相較于這兩個(gè)經(jīng)濟(jì)區(qū)域，其他六個(gè)地區(qū)受貨幣政策的影響情況更為復(fù)雜；受正向、負(fù)向影響的省份基本上各占一半，即貨幣政策對(duì)這六個(gè)區(qū)域內(nèi)各省房?jī)r(jià)同時(shí)存在完全相反的影響。

圖1 貨幣政策對(duì)房?jī)r(jià)影響在八大經(jīng)濟(jì)區(qū)域間的差異性情況

圖2 貨幣政策對(duì)房?jī)r(jià)影響在各省份間的差異性情況

更進(jìn)一步，當(dāng)我們將貨幣政策對(duì)房?jī)r(jià)影響的異質(zhì)性細(xì)分到城市層級(jí)時(shí)，圖 3表明貨幣供給增加將提高以杭州為首的22個(gè)城市的房?jī)r(jià)增速，降低以合肥為首的34個(gè)城市房?jī)r(jià)增速，對(duì)沈陽(yáng)、長(zhǎng)沙、長(zhǎng)春、錦州、丹東、大連、包頭、蚌埠、南昌、北海、西寧、秦皇島、呼和浩特和牡丹江共 14個(gè)城市影響不明顯。比較同一省份內(nèi)各城市的隨機(jī)效應(yīng)，我們發(fā)現(xiàn)除河南、云南、廣東外，其余27個(gè)省的省內(nèi)城市受貨幣供給增加影響的大小有所區(qū)別，但方向相同。這意味著，貨幣政策對(duì)同一省內(nèi)各城市房?jī)r(jià)增長(zhǎng)率的影響方向是一致的，貨幣政策可以在省內(nèi)保持一致調(diào)控效果。

綜上所述，貨幣政策對(duì)房?jī)r(jià)的影響在我國(guó)八大經(jīng)濟(jì)區(qū)域間、各省間以及各城市間均存在顯著的差異，貨幣政策僅對(duì)同一省份內(nèi)的各城市房?jī)r(jià)影響方向基本一致。貨幣政策在不同區(qū)域所呈現(xiàn)出的完全相反的影響結(jié)果，意味著如果央行開(kāi)始用貨幣政策對(duì)房地產(chǎn)市場(chǎng)進(jìn)行干預(yù)，那么抑制某些區(qū)域房?jī)r(jià)可能需要以其他地區(qū)房?jī)r(jià)上漲為代價(jià)。以單一的貨幣政策干預(yù)存在顯著差異的房地產(chǎn)市場(chǎng)，不可能使所有的市場(chǎng)都朝著預(yù)期的方向調(diào)整。這也意味著如果貨幣政策要對(duì)房?jī)r(jià)做出反應(yīng)，即將房?jī)r(jià)納入到貨幣政策反應(yīng)函數(shù)，將面臨比以前研究中僅考慮全國(guó)總體房?jī)r(jià)狀況要復(fù)雜得多的狀況。

圖3 貨幣政策對(duì)房?jī)r(jià)影響在各城市間的差異性情況

五、穩(wěn)健性討論與進(jìn)一步分析

（一）貨幣供給的衡量

探討貨幣政策對(duì)房?jī)r(jià)影響的區(qū)域性差異，如何衡量貨幣政策顯然極有可能影響到實(shí)證檢驗(yàn)的結(jié)果。鑒于中國(guó)貨幣政策操作仍然以貨幣供給量調(diào)控為主(趙進(jìn)文和高輝，2009；郭紅兵和陳平，2012；王國(guó)剛，2012；陳繼勇等，2013；譚政勛和劉少波，2015)且貨幣供給量是比利率描述中國(guó)貨幣政策更好的指標(biāo)(孔丹鳳等，2007)，我們僅討論用M1或M3替代前文中M2來(lái)衡量貨幣政策時(shí)，本文結(jié)果是否穩(wěn)健。結(jié)果表明貨幣供給量衡量的變化，并不影響本文的基本結(jié)論：貨幣政策對(duì)房?jī)r(jià)的影響在八大經(jīng)濟(jì)區(qū)域之間、一二三線城市之間、省份間、城市間均存在顯著的差異①因篇幅所限，未在文中報(bào)告回歸結(jié)果，如有需要可掃描本文二維碼后點(diǎn)擊“附錄”獲取。。

（二）分樣本估計(jì)與遞歸回歸分析結(jié)果

在本文樣本期間(2005—2016年)，即便不考慮國(guó)家層面房地產(chǎn)調(diào)控政策的變化，中國(guó)經(jīng)濟(jì)總體上也受到了2008年全球金融危機(jī)與2015年下半年至2016年初的股市暴跌與人民幣貶值危機(jī)的影響。雖然在計(jì)量模型設(shè)定中，我們以時(shí)間固定效應(yīng)控制了除貨幣政策、抵押貸款利率與股市之外宏觀因素的影響，但模型估計(jì)的結(jié)果實(shí)際上仍是樣本期間內(nèi)的平均結(jié)果，因此，我們?nèi)匀挥斜匾獧z驗(yàn)樣本時(shí)間區(qū)間變化對(duì)本文估計(jì)結(jié)果的影響。綜合考慮實(shí)際經(jīng)濟(jì)狀況與本文樣本，我們選取了兩個(gè)比較具有代表性的子樣本區(qū)間：子樣本1為 2005—2009年，在此期間經(jīng)濟(jì)經(jīng)歷了 2008年全球金融危機(jī)前的繁榮期、危機(jī)沖擊以及危機(jī)后的初步恢復(fù)期；子樣本 2為 2010—2014年，剔除了前期全球金融危機(jī)與樣本后期股災(zāi)等的影響，經(jīng)濟(jì)處于相對(duì)平穩(wěn)期。相關(guān)估計(jì)結(jié)果顯示我們的核心變量貨幣政策在不同區(qū)域分組中的隨機(jī)系數(shù)估計(jì)標(biāo)準(zhǔn)差sd(cs)僅在子樣本1中的城市分組中不顯著，其他估計(jì)結(jié)果均在1%顯著水平上顯著，表明分樣本估計(jì)結(jié)果仍與前文結(jié)論基本保持一致。隨機(jī)系數(shù)估計(jì)標(biāo)準(zhǔn)差sd(cs)僅在子樣本1中的城市分組中不顯著的一個(gè)可能的解釋是：在金融危機(jī)沖擊下，政府開(kāi)始大規(guī)模干預(yù)經(jīng)濟(jì)時(shí)，房地產(chǎn)市場(chǎng)對(duì)貨幣政策的吸收更多的是以省份為主體而非以城市為主體。對(duì)于這一推測(cè)，我們隨后將做進(jìn)一步分析。

隨機(jī)系數(shù)估計(jì)標(biāo)準(zhǔn)差 sd(cs)僅在子樣本1中的城市分組中不顯著，也可能是全樣本估計(jì)的“平均”結(jié)果掩蓋了貨幣政策影響的時(shí)變特征，即貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的區(qū)域差異也是隨時(shí)間變化的。針對(duì)這一情況，我們采用遞歸回歸(Recursive Regression)來(lái)檢驗(yàn) sd(cs)是否具有時(shí)變特征。具體來(lái)說(shuō)，我們將基準(zhǔn)計(jì)量模型(2)先對(duì)2005—2007年樣本進(jìn)行回歸，接著對(duì)2005—2008年樣本進(jìn)行回歸，……，最后對(duì)2005—2016年樣本進(jìn)行回歸。遞歸分析既有助于我們分析估計(jì)系數(shù)隨時(shí)間變化的穩(wěn)定性，同時(shí)也可以發(fā)現(xiàn)潛在的結(jié)構(gòu)性變化(Enders，2015)。結(jié)果表明，隨著遞歸分析中樣本觀測(cè)值的增加，貨幣政策對(duì)房地產(chǎn)市場(chǎng)的影響在八大經(jīng)濟(jì)區(qū)域間、一二三線城市間、省份間均存在顯著且一致的差異性，但在城市間的差異有明顯隨時(shí)間變化的特征。這一結(jié)果也進(jìn)一步說(shuō)明了房地產(chǎn)市場(chǎng)可能是以省份為主體來(lái)吸收貨幣政策沖擊的影響的①限于篇幅，未在文中報(bào)告回歸結(jié)果，如有需要可掃描本文二維碼后點(diǎn)擊“附錄”獲取。。

（三）殘差結(jié)構(gòu)

另一可能會(huì)影響本文估計(jì)結(jié)果的因素是對(duì)多層混合效應(yīng)模型殘差結(jié)構(gòu)的處理。本文到目前為止，估計(jì)使用的均是多層混合效應(yīng)模型常用的獨(dú)立隨機(jī)殘差結(jié)構(gòu)，即在計(jì)量模型(1)和(2)中，隨機(jī)效應(yīng)在任意群組 k內(nèi)均擁有唯一的方差(可在不同群組間不同)、協(xié)方差為 0。這意味著雖然我們以多層混合效應(yīng)模型的固定效應(yīng)部分控制了貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的共性，用隨機(jī)效應(yīng)部分控制了貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的差異性，但并未進(jìn)一步允許貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的差異性之間存在相關(guān)性，即空間溢出效應(yīng)。鑒于此，同時(shí)考慮到房?jī)r(jià)的空間溢出主要發(fā)生在地理上接近的房地產(chǎn)市場(chǎng)之間(Miao等，2011；Zhu等，2013；Yang等，2018)，我們?cè)跓o(wú)約束殘差結(jié)構(gòu)(unstructured)下(即對(duì)計(jì)量模型(2)中隨機(jī)效應(yīng)在群組k內(nèi)的方差與不同組別間的協(xié)方差均不作約束)，以允許貨幣政策對(duì)房地產(chǎn)市場(chǎng)影響的隨機(jī)效應(yīng)同時(shí)存在空間溢出的情況下，重新估計(jì)計(jì)量模型(2)在八大經(jīng)濟(jì)區(qū)域間、省份間以及城市間的貨幣政策影響的隨機(jī)效應(yīng)。估計(jì)結(jié)果由表4給出。表4的結(jié)果表明雖然貨幣政策對(duì)不同區(qū)域房?jī)r(jià)的影響存在顯著的空間溢出效應(yīng)，但卻并不影響本文的核心結(jié)論：貨幣政策對(duì)房?jī)r(jià)的影響在八大經(jīng)濟(jì)區(qū)域間、不同省份間、城市間均存在顯著的差異。

表4 殘差無(wú)結(jié)構(gòu)約束的多層混合效應(yīng)估計(jì)結(jié)果

（四）貨幣政策對(duì)房?jī)r(jià)影響區(qū)域性差異的進(jìn)一步討論

從以上分析中，我們可以得到貨幣政策對(duì)房?jī)r(jià)影響存在顯著的區(qū)域性差異的結(jié)論，然而一個(gè)更重要的問(wèn)題是：貨幣政策對(duì)房?jī)r(jià)影響的區(qū)域性差異究竟主要體現(xiàn)在哪個(gè)層級(jí)上？換句話說(shuō)，房地產(chǎn)市場(chǎng)究竟以哪個(gè)區(qū)域?qū)蛹?jí)為主體來(lái)吸收貨幣政策沖擊影響的？針對(duì)這一問(wèn)題，我們將本文基準(zhǔn)計(jì)量模型(2)拓展為二次分組的多層混合效應(yīng)模型，考察如下兩種情形下的貨幣政策影響的區(qū)域性差異：(1)允許貨幣政策同時(shí)在八大經(jīng)濟(jì)區(qū)域與省份間擁有隨機(jī)系數(shù)，即第一層次的分組為八大經(jīng)濟(jì)區(qū)，第二層次的分組為省份；(2)允許貨幣政策同時(shí)在省份與城市間擁有隨機(jī)系數(shù)，即第一層次的分組為省份，第二層次的分組為城市。這兩種情形下的估計(jì)結(jié)果由表5給出。表5的結(jié)果表明：即便在考慮八大經(jīng)濟(jì)區(qū)區(qū)域差異的情況下，同一區(qū)域省份間的差異依然存在(第(1)列)；但在考慮省份差異后，同一省份城市間的差異不再顯著(第(2)列)。這一結(jié)果印證了我們前面的推斷，表明房地產(chǎn)市場(chǎng)是以省份為主體來(lái)吸收貨幣政策沖擊影響的。

表5 二次分組的多層混合效應(yīng)模型估計(jì)結(jié)果(地區(qū)—省份；省份—城市)

六、結(jié) 論

對(duì)本文研究的兩個(gè)核心問(wèn)題，我們至此可給出確切的答案：貨幣政策對(duì)房?jī)r(jià)影響的確存在區(qū)域差異，且這種差異主要體現(xiàn)在省份層面上。中國(guó)房地產(chǎn)市場(chǎng)具有顯著的以省份為主體來(lái)吸收貨幣政策影響的特征。這一結(jié)論表明，如果貨幣政策對(duì)房?jī)r(jià)做出反應(yīng)，即將房?jī)r(jià)納入到貨幣政策反應(yīng)函數(shù)中，將面臨比前期研究中僅考慮全國(guó)總體房?jī)r(jià)指數(shù)更為復(fù)雜的狀況：不但需要考慮貨幣政策干預(yù)房地產(chǎn)市場(chǎng)時(shí)機(jī)的選擇，還需要考慮貨幣政策干預(yù)房地產(chǎn)市場(chǎng)后潛在的區(qū)域差異性結(jié)果。由于貨幣政策由央行統(tǒng)一制定并執(zhí)行，本身不可能存在區(qū)域差異，因此，如何將房地產(chǎn)市場(chǎng)對(duì)貨幣政策的省際間差異化反應(yīng)納入到央行的貨幣政策操作框架下，是亟需解答的另一重要問(wèn)題，也是未來(lái)需要進(jìn)一步研究的方向。