加载中...
Observational Learning and Information Disclosure in Search Markets
我们利用独特的实地看房与交易数据，构建并估计了一个关于购房者观察性学习、搜索和竞价的 structural 模型。我们利用估计的模型量化不同信息披露规则的福利影响。我们的研究结果表明，禁止披露看房信息而仅允许披露在售时间，将延长销售时间并提高交易价格，平均而言有利于卖方，但损害买方利益。
Abstract
We develop and estimate a structural model of buyers' observational learning, search, and bidding, using unique data on in-person home viewings and transactions. We use the estimated model to quantify the welfare impact of different information disclosure rules. Our findings indicate that prohibiting the disclosure of home viewing information while permitting only the disclosure of time-on-market would extend the sale time and raise the transaction price, benefiting sellers but harming buyers on average.
卖方对房屋未知质量的估值高于买方23%。
估计结果显示rho参数约为1.23，意味着卖方对房屋未知质量（如翻新等）的重视程度比潜在买方高23%。这一发现解释了我们数据中看房次数与成交价格之间的正相关关系，并说明了为何传统的质量学习模型无法解释该现象。
信息披露影响市场结果：披露看房信息使价格平均降低26,000元。
基于反事实模拟的估计结果：披露看房信息会使平均成交价格下降26,000元，平均买方福利增加29,000元，但平均卖方福利减少22,000元。披露在售时间信息也会产生类似但幅度较小的效果，价格平均下降14,000元。
禁止披露看房信息会使平均成交价格上涨12,000元。
模拟结果显示，与同时披露看房信息和在售时间相比，仅允许披露在售时间而禁止披露看房信息会使平均成交价格上涨12,000元，买方福利减少13,000元，卖方福利增加11,000元。这表明更精确的看房信息披露能增强买方议价能力。
购房者的平均看房成本为2,735元。
通过极大似然估计，看房成本服从对数正态分布，其平均值为2,735元（约410美元），标准差为793元。这约占北京购房者平均月供的20%，说明看房成本是购房决策中不可忽视的摩擦因素。
减少搜索摩擦会提高交易价格。
反事实模拟显示，取消全部看房成本会使平均成交价格上涨约18,000元。这是因为更低的看房成本吸引更多潜在买家看房，加剧了竞价阶段的竞争，从而推高价格。这与传统搜索模型中降低搜索成本导致价格下降的结论形成对比。
核心解释变量
核心解释变量为信息披露规则（事前模拟）及购房者的看房次数（在模型参数估计中）
被解释变量
被解释变量为房屋成交价格、销售时间、买卖双方福利
样本与数据
2015年8月至2016年7月期间北京最大房产中介公司挂牌并成交的27,703套位于核心五区的住宅。数据包含挂牌价格、成交价格、所有调价信息及每次线下看房的时间。
识别方法 / 模型设定
采用极大似然估计的两步估计法。第一阶段利用挂牌价格分布估计房产的可见属性和rho*sigma_xi；第二阶段利用看房次数、成交概率及成交价格分布估计未知质量标准差、匹配价值标准差、看房成本及买家到达率。模型通过均衡条件识别。
内生性及稳健性检验
通过反事实模拟检验了卖方保留价格独立于房屋质量（rho=0）的假设对信息披露福利效果的影响，发现该设定会显著低估不同信息披露规则对价格影响的35%（看房信息）和21%（在售时间）。此外，模型的拟合优度检验显示模拟产生的关键内生变量分布与实际数据基本吻合。
更多相关数据正在补充