房地产价格与银行信贷之间风险传染机制研究

来源:用户上传      作者:

　　摘要：基于2000年-2018年的季度数据，从宏观经济视角分析房地产价格波动与银行信贷之间的风险传染机制，并运用VEC模型和IRF脉冲响应函数进行实证检验，研究表明：我国房地产价格和银行信贷存在长期协整关系，银行信贷的变动是房价变动的单向Granger原因;房价的波动风险主要来自于需求方，而供给方的影响较小但更为持久。
　　关键词：房地产价格 银行信贷 传染机制
　　一、引言
　　自我国1998年实行住房货币化改革后，房地产市场出现了前所未有的繁荣景象。仅房地产贷款余额从1999年的3.56亿元增长到38.7亿元，房地产贷款占金融机构贷款的比重从2000年的6.04%上升至2018年的14.12%，房地产开发贷款和个人住房贷款分别以25.99%和51.19%年均增速增长，远超同期金融机构的贷款增速13.06%①，房地产市场的信贷扩张直接引起了房价的快速增长，房价的快速增长又通过财富效应和成本规模的变化来影响消费与投资，间接扩大银行信贷[1]。因此，研究我国房地产价格与银行信贷之间风险传染机制显得尤为重要，不仅对确保房地产市场稳定健康发展具有重要的理论意义，更具有重要的实践价值。
　　国内外专家学者关于房地产价格波动与银行信贷的风险传染机制做过很多探讨。一方面房地產价格可以通过多种财富渠道影响银行信贷的规模。Chen et al.[2]（1998）认为信贷和房地产周期会受到GDP和利率等经济变量及预期的影响，经济环境变化会影响需求因素如收入、利率以及银行信贷政策等。况伟大[3]（2011）认为经济增长对信贷规模的变动会对房地产投资产生联动效应。Davis et al.[4]（2011）通过17个国家的跨国数据发现商业地产价格的上涨是自身引起的，是它们导致银行信贷扩张。
　　另一方面，银行信贷可以通过多个流动性效应影响房地产价格。Kiyotaki[5]（1997）认为金融市场的信息不对称问题，会导致借款者的资产负债表和现金流状况成为其借贷能力的重要因素。平新乔[6]（2004）则认为政府支持的银行信贷对房地产价格和开发投资都具有正向推动作用。龙少波[7]（2016）发现增加货币供应会刺激消费，当消费取向转向房地产市场会引起房价的上涨。因此，房价波动与银行信贷之间的波动关系不仅源于房地产供需双方的力量不平衡，而且会受到各项宏观经济指标的影响。
　　鉴于以上，本文从两个层面进行研究，首先是运用多变量协整分析我国房地产价格与银行信贷之间长期、短期的均衡关系，其次是运用脉冲响应和方差检验深层分析房地产价格和银行信贷之间的动态关系。本文接下来安排如下，第二部分是研究方法与数据来源介绍，第三部分是脉冲响应与方差检验深层分析，最后一部分是研究结论与建议。
　　二、研究方法与数据来源
　　（一）研究方法
　　在传统计量分析中要求涉及的变量均为平稳序列变量，但对于多个非平稳时间序列，有一种特殊情况，即几个非平稳时间序列变量的线性组合形成的变量是平稳序列。这种情况下研究者一般称非平稳时间序列存在协整关系[8]。
　　对于协整关系，如果序列X1t，X2t，...Xkt是d阶单整，存在向量α=（α1，α2，...αk），使得Zt=αX’t～I（d-b），其中b>0，Xt=（X1t，X2t，...Xkt）’，则认为序列X1t，X2t，...Xkt是（d，b）阶协整。两个变量存在（d，b）协整关系表示它们在服从各自长期波动规律同时，两者之间存在着一个长期稳定的比例关系[9]。在多变量协整关系中，最为常用的是Johansen协整检验，检验模型是否存在协整关系，如果存在，则可以建立VEC模型来分析多变量模型的动态关系。
　　VAR模型建模思想是把每一个外生变量作为所有内生变量滞后值的函数来构造模型，而VEC矢量误差修正模型则是在差分序列建立的VAR模型中加入一个误差修正项，则VEC模型的具体表达式如下：
　　式中，Yi（i=0...p）代表K维的内生变量矢量，ECM代表根据协整方程计算的误差修正项，α代表调整系数，Ai（i=0...p）代表相应的系数矩阵，P代表内生变量滞后的阶数，εt为一白噪声过程。由于该模型中的系数矩阵并不是研究者主要关注的对象，故需要借助Granger因果检验、IRF脉冲响应函数和方差分解等工具。基于以上，本文的协整模型构造如下：
　　（二）数据来源与处理
　　本文利用2000-2018年我国房地产价格指数、金融机构各项贷款余额以及宏观变量经济增长、货币供应量、银行中长期贷款利率五个变量的季度数据，其中共77组样本数据来对房价与银行信贷之间的关系进行实证分析。其中房地产价格指数（HPI），是由全国商品房销售额和销售面积的季度数据换算成全国商品房季度平均销售价格，本文将其标准化处理为以2000年第一季度为基期的价格指数;本文所指的银行信贷（LOAN）仅涉及银行系统总体的规模，故选取金融机构各项贷款余额作为样本数据，代表房地产市场资金的供给。经济增长用国民生产总值GDP表示，货币供应量中M1对资产价格的关联性最强，代表宏观经济政策调节变量，银行中长期贷款利率由1-3年人民银行贷款基准利率（R）表示，代表投资方成本及需求方的变量。除了银行中长期贷款利率未取对数，其他样本数据均取对数，所有样本数据在一阶差分后均平稳。本文数据均来自中国统计年鉴和中国人民银行公开数据。
　　三、实证分析
　　（一）单位根检验与协整检验
　　通过单位根检验，可知HPI、LOAN、GDP、M1、R是一阶单整。本文采用Johansen检验的两种方法：迹（Trance检验）和最大特征值（Maximum Eigenvalue）检验。使用Johansen协整检验方法对变量的长期关系进行观测时，首先判断最佳的滞后期，运用AIC和SC准则进行判断，综合考虑本文VAR模型选择3期作为最佳滞后期。 　　选取的变量具有较明显的确定性趋势，将检验的方程定义为有截距项的方程，协整检验结果如表：
　　通过迹（Trance检验）和最大特征值（Maximum Eigenvalue）檢验结果显示：五个变量在95%的置信水平下存在一个长期的协整关系。房价HPI、银行贷款LOAN、经济增长GDP、货币供应量M1、利率R五个变量间的协整关系表示为：
　　HPI=0.149549LOAN+0.051822GDP+0.306844M1-0.000491R（3.1）
　　 （0.14605）    （0.04356）  （0.15568）（0.01356）
　　注释：圆括号内数值代表系数的标准误差
　　从以上协整关系方程可以看出：五个变量之间存在长期均衡关系，且每个变量的统计量都较为显著。LOAN、GDP、M1对HPI均为正向影响，与R呈现反向关系，即LOAN增长1%HPI上涨0.15%，另外GDP增长1%HPI上涨0.05%，M1增长1%HPI上涨0.31%，R增长1%HPI下跌0.0005%。其中M1对HPI的影响最明显，上述协整关系的误差修正项形式为：
　　ECMt=HPI-0.149549LOAN-0.051822GDP-0.306844M1 +0.000491R-6.756338（3.2）
　　该VEC误差修正项表达式与Johansen协整关系是一致的，只是在协整关系中加入一个常数项为-6.756338，表明该模型具有良好的反向误差修正机制。
　　VEC模型表示为：
　　HPI的调整系数为-1.104574，表明在其它变量不变的情况下，第t期的变化可以消除前一期110%的非均衡误差，而LOAN的调整系数为0.105994，说明在其它变量不变的情况下，第t期的变化会增加前一期10.60%的非均衡误差，此时模型不能对LOAN滞后一期的非均衡误差起反向调节作用。故从HPI与LOAN的短期动态关系看，滞后一个季度的HPI对当期LOAN产生负向影响，说明短期内LOAN对HPI增长的变化相当敏感，但从长期来看，结果不尽相同。
　　本文通过Granger因果关系检验可以发现，在协整关系存在的长期情况下，房价波动和银行信贷之间不存在双向 Granger因果关系，即银行信贷增长率的变动是实际房价增长率变动的Granger原因，其中P值为0.0003。但是，反过来不成立，即房价增长率不是银行信贷增长率的Granger原因。本文基于宏观经济的分析认为在长期中银行信贷在中国更多地表现为政策变量，具有一定的外生性，而且影响其变动的因素有很多，包括各个行业的经济增长，因此较难发现房价增长率的变动显著影响银行信贷增长率的变动。
　　（二）脉冲响应函数及方差检验
　　根据上述建立的房地产价格的VEC误差修正模型以及Granger因果检验的结果，通过假定模型中各个变量的标准差信息，可以计算出LOAN、GDP、M1以及R波动对HPI冲击的响应函数，检验结果如图所示：
　　从检验结果可以看出，HPI受到自身冲击响应的影响最大，最大值达到8.9%，在第一季度为正，紧接着在第二季度开始波动下行，并且第五季达到最小值-0.4%，随后开始出现上行趋势为正，之后便围绕着0值上下波动。受到大众预期的影响，当大众认为房价处于高位时，在短期内造成的恐慌心理继续推动房价的上涨，但是当实际情况与期望不相符时，大众对于房地产的投资、投机心理会迅速消退，反而导致房价的下跌，这样的下跌后又会引起大众的消费心理，如此便产生房价对于自身的波动的反应。
　　LOAN对HPI冲击响应的第一季度为0，但是第二季度开始达到最大值2.5%，紧接着出现下滑，在第四季度达到最小值-1%，这与我们所认为的信贷的增长会推动房价的增长有些相违背，前者的增长并不会带来持续的房价上升，而是多个波动周期的递减，说明了银行信贷的扩张会在短期内会促进房价的上涨，但在此时为了防止房价的继续上涨，受到宏观调控下的经济变量的影响，短期的信贷增长而不见得房价持续的增长。
　　GDP和M1对HPI的冲击响应第一季度都为0，但是第一年内GDP对HPI的冲击响应波动要明显大于M1，但两者对HPI的冲击均为正向。第四季度GDP对于HPI的冲击波动达到1.5%，第三季度便跌至0.1%，随后在第四季度达到最大值1.7%，之后下跌三个季度后，在第八个季度又上升至0.9%，说明经济增长带来的房价波动影响较为持久，而货币供给带来的房价波动较平稳，到了第五季度至七季度才有比较明显的波动。
　　R对HPI的冲击响应明显与前三种的响应不同，从第二季度开始有较为明显的下降，第三季度达到最低值-1.3%，之后虽有上升，但一直处于下行为负，较平稳，说明短期内银行利率的增长对房价增长率具有促进的作用，但从长期看，房地产投资、投机的流动资金受限，使得房价增长率一直处于负，对房价有一定的抑制作用，与协整关系检验相一致。
　　综上所述，根据脉冲响应函数分析的结果显示，短期内HPI的冲击受到自身的影响最为明显，LOAN、GDP、M1的增加都能够在短期内推动HPI小幅度的上升与下滑，并且作用持续性强，说明宏观调控下的经济变量具有时滞性，具有短期波动，长期浮动的作用效果。R对HPI的影响与前者不尽相同，HPI增长率仅仅短期内上升，之后一直处于负值，原因可能在于利率的增长会使房地产投资流动资金受限，抑制房价上涨。总体来说，四个变量中R的增长（需求方）对HPI的增长率具有较明显的抑制作用，LOAN会受到宏观经济变量的作用并不会导致HPI的持续增长，并且宏观经济变量GDP、M1（供给方）的作用效应更为持久。
　　方差检验结果显示短期内HPI的预测方差大部分来自自身，随着期数的增加，HPI变动的方差由自身变动的解释部分逐渐下降，其他变量的解释部分逐渐增加，并且长期内分别有LOAN的6.92%、GDP的6.72%、M1的8.09%以及R的9.67%的解释力度。可知，HPI与LOAN的波动短期内有一定的关联性，但长期来看，房地产价格上涨的主要原因在于需求方，供给方的解释力度相对较弱。 　　四、结论与建议
　　与国外发达国家相比，作为经济转型的中国房地产和信贷市场，具有其特殊性，本文通过将HPI、LOAN、GDP、M1、R五个变量进行协整关系的实证检验房地产价格与银行信贷风险传染机制后可以得出以下结论：
　　从二者长期均衡关系来看，房价与银行信贷之间的弹性系数为0.14，即银行信贷增长1%，房价同向增加0.14%。由于银行信贷在中国更多地表现为政策变量，具有一定的外生性，影响其变动的因素较多，房价与银行信贷在长期内并不存在互为Granger因果关系，即银行信贷变动是房价变动的Granger原因，而反过来则不成立。
　　从脉冲响应函数及方差检验分析的结果看，房价的波动风险主要来自于需求方，包括短期利率的变化以及大众对房价的预期，而供给方的影响则是小幅度变动但较为持久，这说明我国房地产市场存在比较严重的供需不平衡现象，导致局部地区出现较多空置房，而部分地区又存在过高房价。因此提出以下建议：
　　对于需求方面，建立合理的房地产投资政策，投资主体结构的变化会对房地产周期带来较大的影响，可以通过利率对投资规模进行控制，确保投资占比的合理性，保障投资规模与宏观经济规模相当。对于房价过高的城市，应该加大市场供应，建立多渠道的住房保障体系，例如廉租房、共有产权房的建设，长期租赁体系的完善，为大众提供更加多样的选择。
　　对于供给方面，即宏观经济方面，建立严格的土地开发制度，保持土地价格稳定，建筑成本公开透明化，限制投机性住房，合理规划城市住房布局，在新城区内建立完善的医疗、教育、交通、住房体系，推动人口向新城区迁移，改变城市中心过度拥挤的状态。
　　注释：
　　①该数据来源于历年《中国人民银行》官网统计数据。
　　参考文献：
　　[1]刘育肇，姚婷.《房价波动与银行信贷关系的实证分析》.《中国商论》，2018第26期33-35页.
　　[2]Ming-Chi Chen and Kanak Patel，1998，“House Price Dynamics and Granger Causality：An Analysis of Taipei New Dwelling Market.”Journal of the Asian Real Estate Society，vol.1，No.1，pp.101-126.
　　[3]况伟大.《房地产投资、房地产信贷与中国经济增长》.《经济理论与经济管理》.2011第1期59-68页.
　　[4]E.Philip Davis and Haibin Zhu，2011，“Bank lending and commercial property cycles：some cross-country evidence.” Journal of International Money andFinance，vol.30，No.1，pp.1-21.
　　[5]Kiyotaki N and Moore J，1997，“Credit Cycles.” Journal of Political Economy，vol.105，No.2，pp.211-248.
　　[6]平新喬，杨慕云.《信贷市场信息不对称的实证研究—来自中国国有商业银行的证据》《金融研究》，2009第3期1-18页.
　　[7]龙少波，陈璋，胡国良.《货币政策、房价波动对居民消费影响的路径研究》.《金融研究》，2016第6期52-66页.
　　[8]李子奈，潘文卿.《计量经济学》.高等教育出版社，2015年9月第四版.
　　[9]马慧慧.《EViews统计分析与应用》.电子工业出版社，2016年4月第三版.
　　刘梦媛系中南林业科技大学经济学院硕士研究生;朱玉林系中南林业科技大学经济学院院长
转载注明来源:https://www.xzbu.com/3/view-15161778.htm