家庭资产负债表、消费和经济衰退

翻译文献选自于TheQuarterlyJournalofEconomics(2013),1687–1726.家庭资产负债表、消费和经济衰退阿蒂夫.米安卡尔洛夫.拉奥阿米尔.苏非我们利用全美国的财富损失高度不平等的地理分布调查2006-9放贷崩盘的消费后果。我们估计一个大的消费弹性，相对于房地产资本净值的0.6至0.8，其中健康的完全消费风险分担的假设。这彻底地拒绝完全消费风险分担的假说。平均边际消费倾向的房屋财富是5-7美分大量异质性的邮政编码。邮政编码与贫穷和具有更多的杠杆家庭有明显高于边际消费倾向的住房财富。与边际消费倾向的结果一致，特别是那些比较贫穷和具有较大杠杆的家庭，邮政编码经历更大的财富损失，同时也会降低信用额度，再融资的可能性，信用评分。我们的研究结果强调了在财富冲击中债务和地理分配这两个指标对于解释2006年至2009年消费严重下降的重要作用。JEL代码：E21,E32,E44,E60。一、引言消费如何回应对家庭财富的巨大的负面冲击呢？不同资产水平的家庭对消费一美元的损失有不同的边际消费倾向吗？这些问题是宏观经济学和财政学的基本问题，解答这些问题对我们如何建立经济模型，如何将财富冲击转化为经济周期的波动，以及当资产价格暴跌时如何制定相应的政策这些方面都有深刻的意义。比如，宏观经济学中最经典的模型采用了一个具有代表性的主体框架，和一个隐式的假设，即单个家庭可以被家庭专用财富对冲掉。然而，如果数据与这个假设严重不符，那么接下来在模型中我们需要采用异质性的数据。在关于不确定性下消费的文献中强调了异质性的一个重要来源是财富随着财富下降的边际消费倾向。边际消费倾向中的异质性说明了消费动态的美元损失在整个经济中的分配情况。就严重的经济衰退而言，上述问题显得尤其重要。在美国，大萧条和大衰退在来临之前都伴随着大量的家庭债务、资产价格和消费的崩溃。著名的经济学家例如欧文费雪、莫文金和詹姆士托宾在较高财富边际消费倾向为借款人与储蓄者解释了为什么高私人债务负担与经济衰退有关这方面有过争论。然而，现有的研究还没有证实出具有较高杠杆的家庭边际消费倾向更高。本文提供了关于影响全美人口的大衰退所带来的财富冲击的地区分布和财富冲击对消费所造成的影响的详细的经验证据。我们创立了一个新的数据组，这个数据组能使我们更好的观察一个国家的家庭消费情况、资产情况和邮政编码水平。首先，我们在房价崩盘的背景下收集了2006年到2009年的关于邮政编码水平的家庭资产净值的百分比变化数据，这类数据我们称之为房产净值冲击。邮政编码水平对房产冲击住户部门资产负债表的影响水平在美国各地区有很大的差异。例如，后十分位的邮政编码损失了45%的资产净值，而前十分位的资产净值却有轻微的增加。然后，我们检验了房产净值的崩盘是否对消费有影响。如果一个家庭有充分的机制来确保他们的消费不受财富冲击的影响，就像具有代表性模型假设的一样，我们不应该看当地消费是如何回应当地房产净值冲击的。然而，本文的数据明显的推翻了消费风险共担的假设。我们估计国家间的消费对房产净值冲击的弹性系数在0.6到0.8之间。关于消费理论的文献（如卡罗尔和金博尔1996）强调当家庭面对不保险的收入和财富风险时，他们的边际消费倾向会随着财富的减少而变小，也就是说，消费对财富的作用成凹状。类似地，金（1994）强调对于具有信用约束的家庭来说财富边际消费倾向会更高。理解边际消费倾向是否存在异质性是十分重要的，因为异质性说明了财富损失的分布情况而不是整体的水平，这种分布会影响消费的总量。我们预测房价每下降一美元平均的边际消费倾向会在5-7美分之间。边际消费倾向随着支出的种类的不同而变化，耐用品的边际消费倾向最高，如购买汽车，生活基本品的边际消费倾向最小。然而，问题的关键是边际消费倾向是否受家庭收入、资产和杠杆的影响而变化。通过家庭收入和杠杆我们发现了支持边际消费倾向中具有异质性的证据。例如，年收入少于35000美元的家庭的边际消费倾向和年收入高于200000美元的家庭的边际消费倾向是一样的。同样地，拥有90%贷款质押率的家庭的边际消费倾向和只拥有其三分之一30%的贷款质押率的家庭的边际消费倾向是相同的。总的来说，这些结果表明了资产损失的地理分布问题，而不仅仅是水平的问题。我们的预测方法利用美国房产冲击的截面变化。导致截面变化的一个重要因素是国家间的房产供给弹性的差异。早期的研究例如Mian和Sufi（2009,2010,2011)为研究2002年到2006年房价的增长采用了房产供给弹性作为工具进行研究。与截面模式完全不同的模式引起了2006年到2009年房产价值的截面下降这一实质性的变化。因此我们使用房产供给弹性作为工具来揭示一个城市的房产泡沫破裂的周期。我们估计的边际消费倾向包括三个渠道，是通过住房财富的变化对家庭支出的影响得出的。第一个渠道是直接的“财富效应”。第二个渠道是间接的效应，这个效应是从非贸易就业部门的反馈效应得来的。特别要注意的是，如果支出在“硬击区域”戏剧性的减少，那么非贸易就业受到的影响与支出的减少不成比例（Mian和Sufi2012）。对于非贸易巨野的撞出效应会加剧当地支出的减少。第三，房屋资产净值作为为获得信贷的抵押品；资产净值的减少会迫使住户减少开支，因为他们受到了信贷的约束。我们提供了有力的证据来证明信贷约束渠道。我们发现对于一个可能下降的房产价值来说，拥有较高的资产质押率和低收入的家庭的邮政编码会在家庭资产限制上大幅下降，同时也会减少低利息再融资的能力。并且，对于一个可能减少的房产价值来说，拥有更多杠杆的邮政编码和贫穷的邮政编码会在信用评分上大幅下降。我们的主要贡献是强调关于收入和杠杆的边际消费倾向的异质性对于金融冲击的回应。边际消费倾向的异质性自然代表着一个经济体在遇到家庭事件时为经济总量分担风险的能力（Carroll2013）。例如，在经济里较高的杠杆将注意力集中在债务人方面。如果负债家庭的杠杆也增加的话，财富的总损失所带来的真正效应会显现出来。我们将在后文中详细的讨论这些影响。本文剩下的部分的结构安排如下。下一章，我们会研究理论、相关的文献以及一般均衡问题。第三章会列出数据并汇总统计结果。第四章研究各国净值冲击的变化。第五章和第六章将会得出结论，第七章进行总结。二、理论模型（一）检验家庭消费应该对财富冲击如何回应？该检测具有代表性的模型假设家庭之间可以确保不受消费风险的影响。因此家庭的消费增长i是对资产的变化完全不敏感的。我们定义为消费对i的自然对数，是资产变化的自然对数，β为消费的弹性系数。（1）方程（1）是在完全市场化的假设下衍生出来的（Cochrane1991）。但是，Constantinides和Duffie（1996）、Telmer（1993）、Heaton和Lucas（1992,1996）支出方程（1）中的关系在限制较少的不完全市场化和有限借贷能力的情况下也能推导出。并且，在研究房屋财富的背景下，Campbell和Cocco（2007）、Sinai和Souleles（2005）认为消费者自然对冲负房产财富的冲击,因为他们必须使用住房服务。这也是解释当房屋财富变化是右边变量时β为0的另一个原因。学者们对估计方程（1）做了大量的研究。这些研究大多数都反对完全风险分担的绝对异质性（如Cochrane1991，Attanasio和Davis1996）。然而，Schulhofer-Wohl（2011）认为占风险偏好的异质性和内生的工作选择带来消费接近全面风险保险数据。方程（1）很显然的拒绝了风险分担异质性的假设。对拒绝这种完全的风险分担的一种解释就是异质性。随着异质性的存在，住户就会刻意的选择他们觉得较为乐观的非系统性风险去施压。一旦没有达到这种乐观的预期，就像Merton（1971）假设一个对数函数那样，去掉消费变量，因为他认为消费是财富的一部分。在不确定下分析消费是Carroll和Kimball（1996）提出的。作者认为劳动和资产价格具有不确定性，具有预防性储蓄动机的家庭有一个凹消费函是凹在财富和永久收入上。因此，财富冲击的边际消费倾向，，随着财富的减少而减少。我们可以通过估计下列方程检验一下消费函数的凹性：（2）方程（2）是使用名义金额的差异（美元）估计出来的。其中的关键是，可以测出随着资产净值在家庭中的地位而变化的财富冲击的边际消费倾向的影响程度。Carroll和Kimball（1996）研究的体系表明了<0，那就是说资产净值低的家庭的消费对财富变化反应更多一些。然而Carroll和Kimball（1996）强调了一个预防性储蓄渠道，在信用约模型中有一个类似的约束，其中资产净值就是一种预测方法。例如，如果机构要求住户有足够的资产净值作为抵押贷款的担保，那么具有较低资产净值的住户对财富冲击也会有一个较高的边际消费倾向。就像Carroll（2001）写到，“对于许多限制消费者的行为目的是几乎区别不受约束的消费者的行为与预防性动机。”一个消极的可以被解释为捕获预防性储蓄或信贷约束。（二）杠杆、金融冲击和总影响方程（2）表明消费对消极的财富冲击的减少总量决定了财富冲击在何地被关注。如果财富冲击在高的边际消费倾向被关注，那么总影响是剧烈的。这一观点让我们深入了解为什么杠杆资产阶级的财富下降如住房通常是与实际活动的严重衰退相关联。第一，负债者的财富往往低于平均水平。第二，负债者关注的是资产负债表的损失。这两个因素合起来表明了财富总量如果减少，当这个经济体负债较高时消费的减少会更多。当然，上述逻辑并不一定意味着一般均衡的总消费下降。一般均衡效应可以缓解低支出家庭的总影响。一般均衡效应一般包括利率、产品价格、汇率和投资的变化。例如，在财富冲击的影响下利率下降会促使家庭消费，从而减轻对总消费的不良影响。尽管这样的一般均衡是有益的，但它们在减少经济支出总量的下降上作用不大。近期的很多研究都强调经济中的摩擦，例如零名义利率上下限很难充分降低实际利率。Eggertsson和Krugman（2012）强调零下限的摩擦在一般均衡模型在借贷能力力减少杠杆家庭削减消费。Guerrieri和Lorenzoni（2011）、Hall（2011）突出了零下限摩擦产生的消费总量的减少。Midrigan和Phillipon（2011）强调了导致流动性冲击和工资刚性没有减少总活动甚至远离零下限约束。Huo和Rios-Rull（2012）构建了一个从消费转移到投资拉动的消费驱动型消费模型。它们的模型强调了从投资非流通股的生产转向投资生产贸易品消费冲击的反应的困难性。很多这类的理论研究都是在大萧条的背景下而产生的灵感，在这种背景下摩擦的证据十分显著。比如，联邦基金利率和短期国债利率固定为零的状态已经有一段时间。尽管大规模扩大美联储的资产负债表,通胀预期仍低于历史标准。有相当多的证据显示虽然在失业率较高但是仍存在向下的工资刚性。美国的对外贸易平衡相对于国内经济放缓并没有多少改进。尽管尽管公司保持巨额的现金余额，可是我们还没有看到投资的增长。我们并没有试图确定在经济中的精确的宏观经济摩擦，在很好的情况下，摩擦是存在的。相反，我们关注消费减少的本身，这使得宏观摩擦具有重大意义。三、数据，检验和统计结果本文建立了一个关于消费和房屋财富在不同国家和邮政编码的新的数据集。我们将会详细的描述这些数据。消费微观层面的消费数据很难获得。它们或者是仅仅在一个聚合的水平可以被利用，或者是通过自我报告的调查可以测量一些量度观点。本文引入的两个新的消费数据来源是基于实际的家庭支出，而不是基于调查的反应结果，首先是来自于R.L.Polk的从1998年到2012年的邮政编码级汽车销售数据。这些数据是从新的汽车注册库中收集来的，提供的信息以新汽车的购买总数在每年或者一个既定的编码。这些地址来自于新车注册库，因此这些邮政编码代表每一个购买汽车的编码，而不是代理商的编码。消费数据的第二个来源是万事达顾问统计的县级从2005年到2009年的消费数据。这些数据给我们提供了一个县城里用信用卡或者储蓄卡总的消费者购买数，而这些信用卡或储蓄卡的所有者是万事达。该数据是基于一个县的商人的所有的交易的5％随机样本。万事达数据的一个重要的优点是，他们通过依附于商家的NAICS码来提供数据用于总消费开支分解。我们经常使用的商家有十个类别：家具，家电，家居中心（即家装），杂货，健康有关的，如药房和药店，汽油，服装，运动和爱好，百货公司，和餐馆。我们把万事达卡的采购分为三类：耐用消费品（家具，家电，家居中心），杂货等非耐用品（所有剩余类别）。网上的附录里提供有关于万事达数据的更加深入的详情。特别是，我们报道了如何比较万事达卡的数据与从调查中得到的总零售销售信息。我们也关注到了在金融危机后，使用信用卡和借记卡购买测量横向消费增长，可能会受到通过信用卡和借记卡进行的采购所占的份额发生可能变化的影响。正如我们在线附录中强调的，我们替代消费的措施的基础是，从RL波尔卡汽车销售数据并不依赖于信用卡购买，因为它代表了所有新购车的总体，而不管用哪种支付的方法。汽车销售数据，因此可以用来作为使用万事达数据的结果的交叉检查。我们还在网上附录中显示，我们的结果是强大到利用普查国家级营业税收入的数据作为我们衡量家庭支出。因此，我们不认为使用万事达卡的数据作为消费的测量会偏置我们的结果。由于我们要估计为房产财富一美元的变化的边际消费倾向，因此不得不扩大在万事达卡的数据的总支出，来与一个县的总支出相匹配。我们会使用以下方式调查零售销售数据。我们把万事达卡的数据中的三大主要支出类别（非汽车耐用消费品，杂货等非耐用品）与全国数据调查相比较。对于这三个类别中的每个类别，我们使用万事达数据来计算在属于给定县在2006年该类别花费的分数。换句话说，每个县的分数是基于总万事达购买该类别的比例计算得出的。然后，我们把调查的2006年全国在这一类别的消费支出数据乘以这个分数，把万事达卡消费数转换为一个县里该类别的隐含零售消费。我们的方法是基于一个简单的比例假设。例如，美国2006年的调查数据记录食品杂货零售量的总计是5250亿美元。如果给定县有万事达超市购买的是全国万事达超市购买的5％，2006年，我们将给这个县城拨出的5250亿美元（或262.5亿美元）的5％用于食品杂货支出。然后，我们对这个县城从2006年起在食品杂货上的总支出做出估计，并通过构建横跨所有县城的总支出与从普查中得到的总零售量上网加总。然后，我们用万事达卡从2006年到2009年的支出增长项目去估计2009年的食品杂货总支出。我们重复这个过程中剩余的两个支出类别：其他耐用品及其他非耐用品。对于汽车销售，我们没有关于支出的数据。相反，我们仅仅有购买新汽车的数量。我们使用购买的汽车零售支出分配总人口数量占有率，完成了相同的程序。因此，一个县城在2006年购买总R.L.Polk汽车的10％，将被分配由新的汽车普查零售销售的所有支出的10%。这里主要介绍测量误差，因为我们没有对跨县价格变动的信息。如果价格从2006年到2009年在所有县中等价的变化，那么就没有测量误差。鉴于汽车销售数据的一个缺点是，我们没有涨价，一个重要的优势是，我们可以在更加细分的邮政编码水平衡量新汽车的购买。（二）净值在我们的分析中第二个关键变量是家庭净资产。我们定义属于同一编码内的家庭净值i与t的关系为，其中这个公式的右边字母分别代表股票的市场价值，债券，住房，债务。我们把股票和债券都统称为“金融财富”和从人力资本的定义里抽象出净值的定义。我们开始在邮政编码水平上对2006年底的家庭净资产进行估计，仅仅先于住房和金融的崩溃。我们使用国税局统计的收入（SOI）数据，在一个给定的编码水平上，计算股票和债券持有（包括存款）的市场价值。该SOI数据显示出了在一个邮政编码下的居民的股息和利息收入总额。在一个典型的家庭持有股票和债券市场指数的前提下，总股息及一个邮政编码收到的利息总收入的比重为我们提供了由邮政编码共持有美国股票和债券的比例。因此，我们基于家庭收到的总股息和利息收入的比重，分配金融资产总额从美联储基金数据的流动到邮政编码。所有家庭持有的债券和股票大盘指数的假设，引入了潜在的错误。例如，我们知道，从如科沃尔和莫斯科维茨（1999）在他们的投资组合选择研究中，发现个人投资者表现出本土偏好的特点。我们忽略了由个股的差异暴露驱动的金融财富的横截面变化。然而，这种不作为是不可能按照相对于真正的金融财富与我们的措施有重大偏差的邮政编码排名。例如，就像我们在网上附录展示的，我们测量出金融资产持有与收入和教育是高度相关的。我们这个方法的关键限制是，它不能十分精准的跟踪金融财富的时间序列变化在邮政编码水平上。每个人都拥有市场指数的假设意味着，在改变金融财富上横截面的差异完全被暴露在不同的资产类别2006年所驱动，最终的结果是，我们会低估在改变金融财富中横截面的异质性。虽然我们受限于计算邮政编码在金融财富（如股票和债券）方面的水平变化的数据，这在计算家庭财富方面也同样受限。我们用2000年的普查数据来估计家庭拥有的住宅价值，作为房主的数量和房价的中值的结果。然后，我们使用核心逻辑邮政编码级别的房屋价格指数，来预计下一年的房屋价值，并估计住房拥有者和人口增长的变化。最后，我们使用来自艾克飞信用局预测服务部的数据来测量债务，它告诉我们，总借款户邮政编码i某一年的数据的债务。米安和苏菲（2009）详细的描述了艾克飞信用局邮政编码级的数据。我们使用上述程序来计算2006年的家庭净资产。在2006年和2009年之间总净值变化可以这样来计算：，其中指的是从2006年到2009年相关价格指数中的自然对数变化。自始至终，我们把净值的变化拆分为金融财富的变化，，家庭财富的变化，。金融财富和家庭财富的变化也可以分别表示为百分比数的形式如和。后一个百分比数就是我们所说的房屋净值。家庭持有市场指数的假设意味着，log并没有一个上标i会改变股票或债券的价格。然而，房价是通过核心逻辑住房指数的邮政编码水平来测量的。我们假设，债务被简单的固定在一个名义的条款下，并因此得出净资产在计算中的变化。这个假设可能是一个值得关注的问题，因为家庭可以违约，并且远离他们的债务。然而，艾克飞信用局的数据对家庭债务有违约和减值的信息十分准确。我们在网上的附录中也显示，会计的债务减记不改变任何我们的核心结果。最后，我们的净资产定义忽略了人力资本。这有可能是一个焦点，这个遗漏变量与所观察到的净值变化在邮政编码水平上有虚假的相关性。例如，或许更依赖于建筑业的地区受到了更大的人力资本冲击，这反过来又推动了房价和消费的上涨。我们接下来要详细讨论这个问题。我们的净资产程序得出的结果是，人口加权的杠杆率为0.21，住房财富（住房财富加金融财富）的比例为0.27。从联邦储备资金流量的数据中关于这一比率分别是0.18和0.33（详细信息请见附录）。其他变量在我们的分析中，还用到了大量的其它数据资源，这些都是文献中的标准。我们使用核心逻辑数据来测量房价增长，这可以在在邮政编码的水平来测量房价增长。我们用县级的商业模式普查数据来衡量该县各行业的就业份额。在邮政编码水平的收入数据可以从国税局的SOI中得到。我们使用了一些来自艾克飞信用局的其他变量，包括家庭资产的界定，信用卡的限制，在一个地区的次级抵押贷款借款人的分数。所有的艾克飞信用局的数据都可以在邮政编码水平上使用。在网上附录中，我们提供了一个表格，这个表格包括各中数据的来源，数据集聚的水平，获得数据的联系方式。汇总统计我们将上述数据整合到一个县年级的数据集。表I代表数据汇总统计。鉴于我们的样本中的一些县是相当小的（只有13000个家庭在第十个百分位），我们估计所有规格的县加权的家庭总数的县。最后的两列显示的人口加权平均值和标准偏差。房屋净值的波动，，代表房价下降对总的净资产的冲击。当我们以人口为权重时，平均住房净值的波动大约是10%。利用美联储的流动资金数据，房屋净值的崩溃对家庭持有的财富的冲击是8%。一般金融资产净值带来的冲击是相似的。采用加权平均法，我们可以算出家庭持有的房屋财富平均下降$48,000。因而家庭支出从2006到2009年间下降了6％，这相当于每一户家庭减少了约$1,700。所有的支出中，在汽车和其他耐用品上的支出上下降的最大。注意事项：下表列出了我们的样本中各县汇总统计。样品被限制在944个县中，因为我们对这些县有住房存量价值的数据。这些县代表美国2006年总人口的82.1％。房屋净值的波动反映的是由于房屋净值的增长所引起的总净值的增长。金融净值的波动反映的是由于金融净值的增长所引起的总净值的增长。住房净值的和金融净值震荡总和就是总净值增长。其他耐用品包括购买的家具，家电和家庭中心店。其他非耐用品包括购买在健康，汽油，服装，爱好和运动，以及百货公司等。请参阅的文本对应的NAICS代码。N平均值标准离差10th90th加权平均值加权标准离差家庭净值波动，2006-9944-0.0630.083-0.1690.003-0.0920.097金融净值波动，2006-9944-0.0960.011-0.108-0.084-0.0940.010房屋价值变化，$000,2006-9944-28.438.4-79.11.2-47.549.1支出增长，2006-9944-0.0590.135-0.2290.110-0.0920.113支出变化，$000,2006-9944-1.74.6-6.73.3-3.44.4汽车支出变化，$000,2006-9944-2.61.6-4.5-1.0-3.32.0其他耐用品的支出变化，$000,2006-9944-0.61.3-2.00.5-1.11.1食品杂货支出变化，$000，2006-99440.50.9-0.21.50.50.7其他非耐用品的支出变化，$000，2006-99441.02.8-1.64.00.52.4建筑中的就业份额，20069440.1190.0540.0650.1820.1250.048贸易中的就业份额，20069440.1300.1020.0320.2470.1100.071其他就业份额，20069440.5220.2320.2740.8300.6670.268非贸易中的就业份额，20069440.2100.0670.1370.2830.2160.051每户收入，$000,200694452.215.938.270.259.918.9每户净值，$000,2006944429.9246.7230.5684.5520.8288.8房地产杠杆比率，20069440.6160.2290.3600.9020.6080.179房地产供给弹性，赛兹5402.1921.0440.9433.5891.7150.968户数，千94498.2187.512.8237.8455.9666.2家庭资产限额变化，$000,2006-9944-0.4734.786-3.3232.857-0.7253.637信用卡限制的变化，$000,2006-9944-1.0432.419-3.5761.778-1.5741.781部分次级贷款者变化，2006-9944-0.0100.024-0.0380.019-0.0040.024再融资变化，$000,2006-99441.2366.646-5.2477.263-1.2688.518四.净资产冲击（一）净资产变化的横截面变动我们的关键右变量是金融与住房净资产的波动，分别定义为如下百分比形式的两项：和。在这一部分，我们将从国家层面来分析净资产冲击的横截面变动。对于净资产波动的研究，我们的主要研究对象是从2006年到2009年的资产价格变动。图一向我们展示了从2006年起的住房、股票和债券的价格变动。我们假定2006年为基期，并将2006年的各项指数定为100。股票价格采取的是标普500指数进行追踪，债券价格指数是采用先锋债券指数进行追踪。从整个国家角度来看，2009年的住房价格比2006年下降了30%并且保持在一个较低的水平。股票的价格在2008年和2009年早期也经历了显著的下滑，但在之后出现了强势反弹。债券的价格由于和利率呈负相关关系，所以在经济的衰退期，债券价格强势回升，在这一期间上涨了接近30%。从表一中可以看出，在2006到2009年间净资产价值平均下降了18.6%，这一部分损失几乎由金融资产和住房资产平分。更重要的是，净资产的横截面变动主要是由于净资产波动中住房部分的波动所引起的。在按照人口加权的情况下，住房净资产波动的标准差是金融净资产波动的标准差的将近十倍。正如我们在第二部分中所讨论的，标准差不同的部分原因是由于我们假定不同国家的家庭持有相同的市场组合所造成的。图一在经济严重衰退时期资产的波动注：本土是基于标普500指数，Case-Shiler20MSA住房价格指数和先锋债券指数所提供的数据绘制而成。这三种指数在2006年初期的规模被设定为100.图中的纵向虚线表示的是2006年年末与2009年年末。因为金融净资产波动对于净资产横截面变化的影响不大，所以我们的研究重点在于住房净资产波动的横截面数据变化。2006年到2009年房价下跌的一个显著特点就是，全国各地区的房价变动有着很大的不同。表二按照人口权重将邮政区域划分成了十个组来研究住房净资产波动，这样每个组里都能包含10%的家庭。从图表中我们可以看出，按照邮政区域进行划分的10组中，最高两组几乎没有遭受净资产的损失，而最低的两组则因为住房净资产的波动而损失了将近一半的总净资产。表二中所呈现的住房净资产波动在地理上的变化正是我们用来说明消费是如何对资产变动做出反应的。图二每组住房净资产波动注：表二按照人口权重将邮政区域划分为十组来研究住房净资产波动，并且以柱状图的形式呈现了每组的住房净资产的波动。它通过住房净资产的增长来反映各个家庭总净资产的增长。（二）住房净资产波动变化的来源是什么？因为住房净资产变动是我们研究的主要右变量，所以我们需要从地理位置变化的角度进行必要的解释。从技术上讲，一个邮政区域或者一个县区发生大规模住房净资产缩水的原因一般有以下两点：（1）房价的大幅下跌；（2）房屋所有者大量使用杠杆效应。对于上述房价下跌和房屋所有者杠杆效应积聚这两个原因，我们可以使用住房供给弹性这个变量来进行单独的解释，这个变量是由Saiz在2010年研究时所提出的。通过使用GIS地图，Saiz所研究出的这个变量工具也可以应用到城市地区。如果一个城市有着平坦的拓扑结构并且没有太多的水域，例如河流、海洋，那么它将获得一个高弹性的得分。相反的，如果一个地区都是山区或者缺少适宜居住土地的供给，那么它只能获得较低的弹性得分。据Mian和Sufi在2009年的研究表明，Saiz的方法有效的预测了2002到2006年的房价增长。随着住房抵押信贷在全国范围内的流行，缺乏弹性的地区经历了最大幅的房价上涨。Mian和Sufi在2011年的研究则表明，在这些缺乏弹性的城市地区，由于房屋所有者对房价上涨的有效利用，使得该地区的杠杆效用也得到了最大的增长。随着2007年以来的房价下跌，这些缺乏弹性但存在高杠杆和高房价增长的地区，遭受了最大幅度的住房净资产价值下跌。表二第一行和第二行的数据是对2006年到2009年住房净资产价值和住房供给弹性的回归。从数据中我们可以得出，大多缺乏住房供给弹性的城市由于房价的下跌而导致了净资产的大幅缩水。这部分的讨论强调了为何住房供给弹性是一个可以解释房价涨跌周期的有效工具变量。事实上，Mian和Sufi在2011年的研究表明，住房供给弹性在很大程度上与其他大多重要变量是正交关系，即可以将它视为决定房价动力的内生变量，所以我们认为住房供给弹性可以形成房价格增长的变动。表三第三行中对于2002到2006年工资增长变动的分析表明，尤其在住房供给缺乏弹性的城市中，并未发生长期的、存在差异的收入波动。更重要的是，有着不同住房供给弹性的城市在房地长行业敞口上并没有显著地差别，并且在房地长行业的增长方面也没有明显的区别。事实上，尽管这些缺乏住房供给弹性的城市的房价存在高增长，他们的城市人口依然有着轻微而缓慢的增长。注：此表的回归系数是采用城市水平上的单变量对住房供给弹性进行回归分析。每一列的回归分析都是单独进行的。前两列分别是对住房净资产波动和住房价格变化关于住房供给弹性进行回归估计。在州水平上分析，这里的标准误是异方差而且聚集的。所有回归都是按照各县区拥有的家庭数量进行加权的。标有**和*的系数估计值分别在1%的显著性水平上和5%的显著性水平上与0不相等。住房供给弹性和房地产行业的零相关关系对于下面的一些理论十分重要。一个是人们可能会担心城市水平上的房价变动和消费变动是由城市总体行业的衰退倾向所导致，特别是房地产行业。在这种情况下，建筑业的不景气和房价、消费的下降都反映了房地产行业的衰退。但是我们可以使用住房供给弹性这一工具来缓解这一问题。由于两个补偿性的力量使得住房供给弹性和房地产业是不相关的。弹性和房地产行业在高供给弹性下趋向于正相关的，但是在缺乏供给弹性时，会将住房的价格波动转变为高房价。高房价会带来房地产行业的高投资，尤其是在集约边际，这会为现有的地产行业带来扩张和升级。通过我们的研究，两种力量作用之后的净影响表明住房供给弹性是一个很好的备选工具。最后，缺乏住房供给弹性的城市因为有着高人均收入和高人均资本净值而不同于其他城市。但是这些差别是恒定的，我们将在具体说明中指出这些固定的差异。正如我们先前所提出的，在信贷繁荣时期，我们并没有证据去证明缺乏弹性的城市会经历长期且严重的收入波动。（三）利用住房供给弹性作为一种对结果解释的工具在先前的讨论中，我们阐述了住房供给弹性是如何用于解释房地产业兴衰周期的。大多缺乏弹性的都市区在2002年到2006年经历了高杠杆率和房价的快速增长，而在2006年到2009年又经历了更大程度上的房地产业资产净值的缩水。我们的解释变量（IV）对于很大程度上经历了地产业兴衰周期的城市与很大程度上避免了地产业兴衰周期的城市的对比进行了估计。此外，我们对于家庭净资产消费变动影响的估计是包含一般均衡理论反馈作用的，这体现在对于劳动力市场原始需求影响的波动上。Mian和Sufi在2012年的研究表明，大多采取非贸易就业的来缓解经济下滑的城市都经历了更为严重的住房净资产价值波动。而对于采取贸易型就业的城市则并不会这样。由于一些城市的非贸易型交易带来的反馈效应，使得当地因为资产缩水而造成的原始需求下降被放大了。我们在估计净资产波动对于消费的影响时包含了两个方面，一个是原始的直接影响，另一个是随后的反馈效应。五、消费对住房净资产波动的影响（一）关于净资产的消费弹性：风险分摊假说正如第二部分所强调的那样，具有代表性的代理模型是具有前提的，这个前提指出家庭的消费对于不可预期的经济波动是具有保护性的，正如图二所呈现的那样。我们通过对于方程（1）的评价以及检验β是否等于0来评价消费风险分摊模型。图三通过绘制图表的方式来说明那些经历了2006到2009年住房净资产波动的国家的消费增长水平。图三所绘制的拟合线是性对于消费增长和和住房净资产波动的线性回归，这个线性回归的结果对应的是我们表三第一列的数据。图三住房净资产波动与消费弹性的关系注：这个散点图描绘的是2006到2009年总消费增长与同期住房净资产变动的对应关系。由于住房净资产的增长，住房净资产波动可以反映了每个家庭的总资本增长。这个散点图以及回归线是根据一个城市的家庭数量进行加权的。消费风险分摊假说是应该被拒绝的。关于住房净资产波动的消费弹性是0.63，而且我们准确地估计出了拟合曲线的系数。事实上，住房净资产波动这个变量解释了30%的的国家整体水平上的消费变动。表三第二列将金融净资产波动加入了关于消费增长的线性回归分析中。我们可以看出，关于住房净资产波动的系数并没有发生改变，但是金融净资产波动的系数却是-0.595.因为缺乏金融资产波动对于消费增长影响在统计学上的有力支持，所以我们在线性回归时得到的回归系数标准差很大。这其实不足为奇，因为金融资产波动对于净资产变化的影响不大，而且我们很难得到家庭水平上直接持有金融资产的有效数据。表三第三列增加了大量与城市产业专业化和收入相关的额外控制变量。特别是我们想证明这样一个问题，那就是忽略掉行业特定的波动可能会导致跨城市间的住房净资产波动和消费。特别值得关注的是房地产行业。即使一个国家的住房资产净值大幅缩水，房地产行业依然可能雇佣很多的建筑工人。既然房地产行业通常是被就业影响较大的一个行业，那么它对于消费的影响很有可能是由于建筑工人失去工作而造成的虚假影响。但是表三第三列中呈现的数据表明房地产行业并没有明确的对于就业份额的控制。实际上，我们还可以控制一些其他行业的公开信息，例如Mian和Sufi在2012年研究时所定义的可贸易的和非贸易的行业。我们也可以控制包括2006年每户收入和每户总净资产在内的其他相关变量。通过分析我们可以得出，即是增加了这些控制因素，净资产波动的系数并没有发生显著的改变。一个更加直接的可以用来限制虚假因素影响的方法就是分析住房资产净值波动时使用住房供给弹性这一工具。我们在表三的第四列采用了这一分析方法，并发现系数略有增加。因为我们使用的工具变量与一个城市建筑业的就业水平和增长并不相关，所以第IV部分就更好的证明了系数并不是由于房地产业的改变所驱使的。表三第五列分析了州内部的固定影响，使用了仅有各州内部存在的变化进行系数估计。通过回归我们得到住房净资产波动系数下降到了0.46.但是正如我们后面的所呈现的那样，当我们用边际消费倾向替代弹性时，系数并没有明显的减少。表三第六列的分析排除了四个住房繁荣和衰退影响程度最大的四个州，这些州在不考虑衰退期的情况下拥有着很高的回归系数。表三中呈现的结果完全的拒绝了整个风险平坦假说。公式（3）中估计的β值与0有着很大的不同，并且幅度很大。图二中所显示的数据表明，在按照邮政区域划分的情况下，住房净资产波动在最低组有下跌45%而在最高组有波动0%。通过这些数据的分析，表三第一列的数据暗示相较于最高组，最低组的消费者花费会有额外的30%的下降。（二）边际消费倾向给出了充分的风险分担假设不成立，我们测试了在不确定性和有限保险的消费理论下，消费函数的凹性。这样做需要估计平均MPC，然后检测MPC的异生性。平均MPC可以通过回归人均总支出的变化与住房净资产变化来估计。图四中左侧面板图描绘在同一县级水平，2006〜2009年每户家庭消费的变化与房屋价值的变化的关系。估计MPC是我们设定单位为千美元。房屋价值的变化和消费变化之间有很强的正相关关系。在特殊情况下，一个县，家庭房屋价值下降150,000美元，每个家庭花费减少近$10,000美元。还有证据显示房屋价值下降少比价值下降大的非线性影响大。表四列出了对应于图四的左侧面板数据回归的回归系数。在第（1）列中估计的平均MPC为0.054。第（2）列说明了该效应的非线性，系数为正意味着随着房屋价值的逐渐下降，MPC是先升后降的。对于房屋价值较小的跌幅，货币政策委员会是相当大的，上面的每美元10美分。对于房屋价值较小的跌幅，MPC的变化是很大的。房屋价值每下降1%，MPC减小的幅度大于10%。[15]第（3）列在估计中加入了控制变量，但是对MPC的影响很小。第（4）列使用的是工具变量的估计，这种方法比普通最小二乘法（OLS）估计值偏大。IV估计结果表明，房屋价值每增加1%，MPC增大7.2%。第（5）列中对每个州，使用固定效应分析，对MPC并没有影响。最后，在第（6）列中，排除了四个最大的繁荣和萧条的州，MPC大幅增加至0.094，这反映了已经在第（2）列中的非线性。房屋价值跌幅最大的很多县是在已剔除的四个州中，以便分离MPC最大的房屋价值变化的分布部分。表四：家庭财富的平均MPC在图四的右侧条形图中，我们将MPC分为可衡量的四类支出。条形图中的每一列表示从与表五第（1）列相同的回归中得到房屋价值变化的系数。所有估计的MPC系数在1%的显著性水平下显著。正如条形图显示的，汽车等耐用品的MPC和日常用品的大。耐用品较高的MPC与这些产品相对于收入或财富的需求弹性较大是一致的。在购买耐用消费品时融资可用性的重要性的条件下，这也符合信贷约束的重要性。我们估计的MPC大吗？大多数现存文献中指出，从长远来看，源自住房财富的MPC在0.05—0.10范围，本文的估计结果与此范围一致。然而，我们的估计是同时期的影响，这通常被低估（Carroll,2004）。我们不知道任何其他的研究，估计在MPC出房产财富的大衰退期间。我们意识到没有人研究在大萧条期间，房屋价值对MPC的影响。[16]Quigley,andShiller(2013)检验了至2012年的数据，但没有对MPC进行估计。Zhou和Carroll（2012）的研究中估计了经济衰退前房产价值和消费之间的相关性，但没有对2006—2009年间的MPC进行估计。描述变化幅度大小的另一种方法是检验汇总数据。MPC的估计值范围为从由OLS估计的0.054到由IV估计的0.072。为了方便，选择0.06作为MPC的值。是什么使得我们扩大了房产崩溃对总支出影响呢？家庭总净资产（即资产减去负债）的资金数据流量在2006年是64.7万亿美元。住房价值在2006年至2009年间下降到5.6万亿美元，下降比例占总资产净值的8.7％。MPC等于0.06，意味着由于房屋价值损失了5.6万亿美元，家庭消费下降了336万亿美元。在2006至2009年之间，平均的名义支出增长率为5.2%。用这种名义支出增长率，我们预计，从2006年到2009年与线性预期趋势相比总名义支出下降了8700亿。由于房屋净值冲击而导致的相对于线性预期趋势的消费下降近40％（3360亿美元/8700亿美元）。必须注意的是，这种累计计算并没有考虑到总消费的任何'“水平提高”，这种累计消费是在2006年至2009年间由一般均衡力量推动是可能的。图四：消费的平均边际倾向六、MPC的异质性（一）财富分配的异质性这项研究的最重要问题是要测试家庭财富水平是否会导致估计的MPC差异。我们通过估计方程（2），这与用初始财富水平已经估计预测系数为交互项。我们使用双变量的净资产：2006年，每一户家庭的净价值与收入（使系数易于阅读，单位为百万美元）。表V的前四列显示了使用县级数据的交互规范的估计。第（1）列和第（2）列专注于总消费，而第（3）列和第（4）列专注于汽车消费。在所有四个情况下，交互项的系数为负，这意味着有更多具有邮编的家庭比同样的房屋价值下降有较低的开支灵敏度。但是，这个估计是不精确的。特别是，对于总支出，我们不能拒绝零假设，即交互项的系数估计值是0。为什么估计值有统计学上显著性不强？为了估计净财富如何使得MPC变化，估计所用数据必须在不同县的净值的水平上差异显著。在极端情况下，截止2006，如果没有各县的净价值的变化，我们将无法估计的交互效果。表五：财富和收入水平下MPC的异质性县级分析的问题是全国范围内的净资产水平变化比较有限。有邮政编码的家庭净资产变化更加显著。例如，在县内的邮政编码水平的净值标准差是县与县之间的两倍标准差（440000美元对237000美元）。17财富的不平等，更是一个县内现象而不是一个跨县现象。因此，邮政编码水平分析估计MPC的异质性提供了更强的统计效果。测试MPC的异质性，我们只限于汽车的开支，因为它是唯一可用的支出变量。虽然汽车消费只是整体消费的一个组成部分，但在大萧条时期，汽车消费占了很大的变化份额。例如，我们看到在图四，汽车花费的MPC是最高的。同样，在2009年相对于趋势，在失去的支出8700亿美元中，汽车销售占了3800亿美元。第（5）列估计汽车消费的MPC是0.018。列（6）和（7）测试汽车支出的MPC变化净值和持有房子的调整后总收入。结果表明，富裕和较富裕的家庭有一个显着更小的住房财富MPC。比较在列（6）和（7）与列（3）和（4）的标准误差，说明了数据的主要优点。标准误差的相互作用项比县级水平的要大五至九倍。在贫富家庭之间，MPC巨大的差异可以通过图V看出。图V是基于单独估计的各种收入类别的MPC。我们发现房屋价值的下降，较贫困的家庭在削减支出显著更。图五（二）债务的作用货币政策委员会中异质性的第二个理由来自于强调信贷约束重要性的模型。如果信贷约束存在问题，那么借贷能力有限的家庭比没有受到约束的家庭在房屋价值变化上将做出更强烈的回应。我们测试这一想法采用ZIP代码在住房的杠杆比率中的变化，我们将住房的杠杠比例定义为抵押贷款的ZIP代码比率，是家庭资产负债加上2006年的房屋价值。其等价于房屋拥有者在ZIP代码中的贷款成数（LTV）比率。住房杠杆比率用ZIP代码显示为0.54，同时有大量的横截面变化。90%具有杠杆比率为0.90，然而比率仅为0.36的仅占10%。我们使用特定房屋的杠杆比率代表借款信贷约束，给出在绵和苏非（2011）的证据表明，房屋作为抵押品是经常被借出的。表6测试是否ZIP代码中MPC的差异是基于住房杠杆率。结果在表V显示收入产生的MPC差异，我们想要确保任何由住房杠杆率而产生的MPC差异并不受杠杆效率和收入之间一些潜在相关性的驱动。表六报告（1）和（2）栏是关于住房杠杆比率与净资产和家庭收入的关系。结果表明，ZIP代码中的住房杠杆率和收入与净资产是正交的。住房利用率和富有程度之间缺乏相关性，使我们分别估计由杠杠效率导致的MPC的不同。列（3）的测试为是否房屋拥有者在ZIP代码中具有更高的住房杠杆比率就会有更高的除去房产财富的在汽车上的MPC值。有较强和显著的效果。列（4）和（5）包括，分别基于净资产和收入的不同水平和相互关系。房屋持有者的MPC越高将会有更高的住房杠杆率，贫困家庭也是如此。高房价杠杆和低净值都将扩大住房消费下滑的影响，而且这些影响是相互独立的。

表6.1非均质性MPC：住房债务的作用注：下表列出了从与2006年和2009年之间的家庭支出在家庭价值的变化回归系数，所有的回归都在ZIP代码的水平上。住房的杠杠比例定义为抵押贷款的ZIP代码比率，是家庭资产负债加上2006年的房屋价值，△显著性变化用千美元。标准错误是异方差稳健，聚集在州水平上。所有回归是由家庭中ZIP代码的加权。**，*系数在统计学上不同于0，分别是1％和5％的置信水平。图6.1：边际消费倾向在住房消费中的比例分配图显示估计的是基于一个ZIP代码的2006年的住房杠杆率的边际汽车支出倾向。住房杠杆率是定义为总抵押贷款和房屋净值通过一个ZIP代码中的房屋拥有者的总价值去衡量。在家庭价值的同一时期，MPC被估计是通过ZIP代码–级数据和回归对汽车购买支出2006—2009之间的变化。每个在一个给定的住房杠