上财范子英教授在NBER发表中国故事:基于北京住房市场的研究

B站影视 欧美电影 2025-03-13 20:37 4

摘要:据NBER官网显示,来自密歇根大学的Ying Fan、上海财经大学的范子英、石溪大学的Yiyi Zhou,合作撰写论文“Dynamic Search in a Non-Stationary Search Environment: An Application

据NBER官网显示,来自密歇根大学的Ying Fan、上海财经大学的范子英、石溪大学的Yiyi Zhou,合作撰写论文“Dynamic Search in a Non-Stationary Search Environment: An Application to the Beijing Housing Market”。

Title: Dynamic Search in a Non-Stationary Search Environment: An Application to the Beijing Housing Market

非平稳搜索环境中的动态搜索:在北京住房市场的应用

作者简介

Ying Fan

密歇根大学

范子英

上海财经大学

Yiyi Zhou

石溪大学

摘要

This paper studies how dynamic changes in the search environment affect consumer search and purchase behavior. We develop a dynamic model that incorporates a non-stationary search environment and propose a feasible estimation procedure to estimate its parameters. We apply our model and estimation procedure to the Beijing housing market, utilizing detailed data on consumers' complete search records. We show that accounting for dynamics is crucial for accurately estimating search costs. Additionally, we find that search environment dynamics have a significant impact on consumer decisions and welfare. Housing supply policies that alter search environment dynamics---by increasing the number of new listings and slowing down price increases---benefit consumers, primarily by incentivizing longer searches, more property visits, and ultimately leading to purchases that yield higher utility.

本文研究了搜索环境的动态变化如何影响消费者的搜索和购买行为。作者构建了一个纳入非平稳搜索环境的动态模型,并提出了一种可行的估计方法来估计其参数。作者将所构建的模型和估计方法应用于北京住房市场,利用了有关消费者完整搜索记录的详细数据。研究表明,考虑动态因素对于准确估计搜索成本至关重要。此外,作者发现搜索环境的动态变化对消费者的决策和福利有着重大影响。通过增加新挂牌房源的数量并减缓房价上涨速度等方式来改变搜索环境动态的住房供应政策,能够让消费者受益,主要体现在激励消费者进行更长期的搜索、查看更多的房产,并最终促成能带来更高效用的购房行为。

介绍

在从房地产到旅行住宿再到汽车等各类市场中,消费者在做出购买决策之前通常会进行一番搜索。因此,消费者的搜索程度决定了其购买选择集。结果是,任何影响消费者搜索的摩擦因素,也会影响消费者在做购买决策时的可选项范围。

此外,在许多情况下,随着价格波动、新产品进入市场或现有产品退出市场,搜索环境会随时间而变化。例如,在新冠疫情期间寻找汽车的消费者面临着价格的快速上涨和经销商库存的不稳定。在 2022 - 2023 年美国房地产市场购房的买家则经历了抵押贷款利率的大幅上升。在旅游高峰期计划度假的消费者可能会发现住宿和旅游服务的可预订情况瞬息万变。房地产市场同样也是动态的,房源供应和价格会随时间变化。

在本文中,本文研究搜索环境的动态变化如何影响消费者的搜索和购买决策。设想这样一种情况,由于产品的进入和退出,产品的可获得性会随时间变化。虽然更广泛的搜索会扩大消费者的选择集,或许能让她找到更合适的产品,但搜索时间越长,就存在这样的风险:在之前搜索过的产品中,她最心仪的选项可能已无货。此外,如果新产品的价格随时间上涨,那么通过延长搜索时间来发现新产品从而扩大自己的选择集,可能益处不大,这会降低搜索的积极性。总体而言,搜索环境的动态变化会影响消费者的搜索和购买行为。

本文构建了一个具有非平稳搜索环境的动态模型。该模型有两个关键特征。首先,本文模型中的消费者既做出搜索决策,也做出购买决策,且这两种决策都是动态的。具体来说,消费者在搜索前会观察一系列产品特征,通过搜索来了解与自身匹配的产品价值,并在购买时从已搜索过且有货的产品中进行选择。购买决策是动态的,因为消费者可以选择立即购买或等待。搜索决策也是动态的,因为在给定时间段内更多的搜索会带来更大的选择集和更高的当前购买价值,但同时未搜索的产品集也会变小,等待的价值也会降低。其次,本文模型中的搜索环境是非平稳的。具体而言,现有产品可能退出市场,新产品可能进入市场,且不同时间进入市场的新产品价格可能不同。本文的模型使消费者在搜索和购买决策中都能考虑到不断变化的市场环境。

据本文所知,本文首次将非平稳环境纳入动态搜索模型。尽管本文的模型是在住房搜索的背景下构建的,但它也可用于研究其他消费者在变化环境中做出动态搜索和购买决策的场景。未考虑搜索环境动态变化的搜索模型可能会导致对搜索成本的估计出现偏差。例如,如果搜索成本和搜索环境动态变化都对消费者搜索行为起限制作用,忽略后者可能会高估搜索成本。同样,忽略搜索环境动态变化的模型也会导致错误的政策评估,尤其是当相关政策可能影响环境动态时。

本文的实证研究场景是 2015 年 8 月 1 日至 2016 年 7 月 31 日期间的北京住房市场。该场景非常适合研究搜索环境的动态变化如何影响消费者的搜索和购买决策,原因有二。首先,在样本期内,北京住房市场价格快速上涨。例如,在此期间新挂牌房源的平均挂牌价格涨幅超过 30%。其次,本文用于分析的数据集很新颖,它包含了关于消费者搜索活动的完整且详细的信息。具体来说,本文的数据来自北京最大的房地产经纪机构。对于样本中的每位消费者,该数据集提供了其搜索和购买行为的完整记录,包括消费者开始搜索的时间、停止搜索的时间、每个时间段内查看房产的数量和具体房源,以及最终购买的房产。

估计本文的动态搜索和购买模型面临两个挑战。第一,本文的模型考虑了经济主体知晓但研究人员无法观测到的产品特征。这一模型特征很重要,因为研究人员往往很难获取消费者可观测到且与其决策相关的所有产品特征的完整数据(例如,参见 Berry、Levinsohn 和 Pakes(1995)以及许多后续关于差异化产品的论文)。同时,这一特征引入了内生性问题:产品价格可能与不可观测的产品特征相关。因此,在估计模型时本文需要解决这一内生性问题。第二,状态变量向量维度非常高,因为它包括已搜索和未搜索产品的特征,以及已搜索产品的匹配价值。此外,随着消费者的搜索决策影响已搜索和未搜索产品集的规模,维度会随时间内生变化。因此,本文还需要解决这一维度问题。

本文通过两步估计法来应对这两个挑战,在估计动态模型之前,通过匹配某一房产被查看的观测份额来反推出该房产的平均效用 。第一步需要扩展标准的可逆性结果,因为在本文的研究场景中,消费者通常在每个时间段查看一组房产。为此,本文推导了一组房产被抽样的概率,并扩展了 Berry、Levinsohn 和 Pakes(1995)中的压缩映射结果。这种两步法使本文能够在估计动态模型之前估计嵌入在平均效用中的参数。因此,本文可以在效用函数设定中纳入大量固定效应,而不会显著增加计算负担,并且可以使用工具变量法进一步解决价格内生性问题。此外,该方法使本文在估计动态模型时,能够用每个房产的标量平均效用替换特征向量,从而减少状态变量的数量。

本文的估计得出了直观的结果。本文发现,消费者更喜欢面积更大、楼龄更新,客厅和卧室数量更多,位于较高楼层且靠近地铁站的房产。估计的匹配价值标准差相当于 96966 元人民币,按 0.15 的汇率换算为 14545 美元。这一数值约为平均挂牌价格的 2.5%,超过 2016 年北京人均可支配年收入的 150% 。这表明通过搜索来了解匹配价值能带来显著收益。本文还发现,消费者的平均搜索成本为 3067 元人民币,即每次看房的平均搜索成本为 457 元人民币。

相比之下,使用相同数据集估计的静态搜索模型得出的搜索成本高得不合理,这凸显了在本文的研究场景中考虑动态因素的重要性。静态搜索模型估计的搜索成本约为 44000 元人民币,即每次看房 6600 美元,几乎比本文动态模型的估计值高出两个数量级。这是因为静态搜索模型忽略了搜索环境的动态变化,因此必须依靠极高的搜索成本来解释观测到的搜索次数。

基于估计的动态搜索模型,本文进行了反事实模拟,以量化环境动态变化如何影响消费者行为和福利。本文发现,当新挂牌房源价格上涨更慢、新挂牌房源更频繁、房源退出市场的比率更低时,消费者搜索时间更长,查看的房产更多,购买的房产带来的效用更高。通过考察由此产生的更高搜索和等待成本与找到更理想房产带来的更高效用之间的权衡,本文发现,当消费者面临的新挂牌房源价格上涨速度减半时,每位消费者的平均净收益为 111012 元人民币 ;当新挂牌房源到达率翻倍时,平均净收益为 81756 元人民币;当房源退出率减半时,平均净收益为 41013 元人民币。与 2016 年北京 57275 元人民币的人均可支配年收入相比,这些效用提升是显著的。

为了量化搜索环境动态变化相对于搜索成本等传统搜索摩擦因素的相对重要性,本文进行了一项反事实模拟,将每次看房的搜索成本减半。不出所料,消费者搜索时间更长,查看的房产更多,购买的房产效用更高。每位消费者的平均净收益为 90666 元人民币,这与上述通过改变搜索环境动态(即降低价格上涨速度和提高新挂牌房源到达率)所带来的每位消费者净收益在数量级上相似。

本文还研究了旨在增加住房供应的住房政策的效果,发现这些政策可以通过影响搜索环境的动态变化,使消费者显著受益。对空置房产征税等住房政策会促使更多房源挂牌,并减缓这些房源的价格上涨速度,进而鼓励消费者进行更长时间的搜索,查看更多的房产,这会导致更高的搜索和等待成本,但也会带来更好的购买结果。本文发现总体效果是积极的。具体而言,将新挂牌房源到达率翻倍,并将新挂牌房源价格涨幅减半,会使每位消费者的平均净收益达到 270800 元人民币,约为平均交易价格的 7%。分解分析表明,消费者收益中约 72% 来自更长时间的搜索和查看更多的房产,其余 28% 则源于价格上涨速度放缓。

来源:学术圈

相关推荐