我国房地产价格上涨与信贷扩张实证检验

我国房地产价格上涨与信贷扩张实证检验_房地产价格上涨的广义财富效应研究

（一）我国房地产价格与信贷的事实

通过以上理论分析可知，房地产广义财富效应通过信贷渠道和金融加速器机制作用于宏观经济，宏观经济又反作用于房地产市场，这种相互作用的力度主要取决于三个方面：一是房地产财富占比大小；二是房地产供给和需求的负债程度；三是房地产业在国民经济中的地位。房地产财富占家庭财富比例越大，房地产业负债程度越高，在国民经济中的地位越重要，则房地产广义财富效应和金融加速器作用愈加显著。

在第二章中我们已以对第一和第三个因素进行了分析，房地产业已以成为我国国民经济的支柱产业，住宅资产是我国居民家庭的主要财富。接下来，主要对我国房地产供给和需求的负债程度进行分析。

在发达国家占主导地位的房地产开发模式一般为“REITs-房地产投资信托”模式，或泛称为美国模式。美国模式的主要特点是房地产开发过程专业分工的细化，资本运作、设计策划、拆迁征地、建设施工、销售租赁、物业管理等各环节基本上由不同的公司独立运作，因而房地产企业的负债率较低。美国模式中的房地产开发资金更多地来源于各种基金，只有15%左右是银行资金。我国目前的房地产开发模式与香港模式较接近，香港模式中房地产开发过程的各个分工环节不是由独立的公司协作完成，而是由单独一家公司统筹完成。房地产开发企业的生产周期长，资金需求量自然很大。为了保持经营的持续性，开发企业还需要自己储备土地，这也要占用大量资金。因而，我国房地产开发企业资产负债率普遍偏高，对银行信贷资金的依赖程度较大。

根据官方统计数据（见表6.2），目前国内房地产开发企业的资金来源中，自有资金占20%左右或以下，直接来自银行贷款的资金占20%～25%。除自有资金和银行贷款以外的其他资金来源中，大部分也来自银行贷款。例如，在商业银行或住房公积金管理中心所发放的个人住房按揭贷款大概占房地产企业资金来源10%；在各项应付款中，主要是建筑施工企业的工程垫款，而在施工企业的工程垫款中，也有很大一部分是来源于银行的建筑业贷款。由于数据统计上的困难，无法给出房地产业资金来源于银行信贷的准确数据，依据表6.3给出的国内一些专家、学者或机构对房地产资金来源中银行贷款部分的估计，可见大概60%来自银行贷款。如果将银行给从事房地产投资的金融公司的贷款，给以房地产作抵押的公司贷款也算作在内，这一比例会更高。

表6.2　房地产开发资金各项来源占总资金比例

注：由巨灵财经网中相关数据整理计算得到，单位为%。2009年的数据截止到9月份。

表6.3　国内部分专家、学者或机构对房地产资金来源中银行贷款部分的估计

续　表

2008年我国房地产行业处于调整状态，2009年国家为了应对美国次贷危机的影响，刺激经济而实施宽松的信贷政策。除2008年和2009年以外，从1998～2007年，房地产贷款余额的增长速度都快于金融机构各项贷款的增长速度（见表6.4）。1998～2007年，中国房地产开发贷款和个人住房贷款的年均增速分别为25.99%和59.19%，远远高于同期金融机构贷款的年均增速（13.06%）。截至2009年6月末，全国商业性房地产贷款余额为6.21万亿元，同比增长18.8%，比上年同期低3.7个百分点，但比第一季度末高6.1个百分点。其中，房地产开发贷款余额为2.35万亿元，同比增长20.5%，增速比第一季度末高4.2个百分点；购房贷款余额为3.86万亿元，同比增长17.8%，增速比第一季度末高7.2个百分点。

房地产信贷可能产生的风险，可以用房地产贷款（个人住房抵押贷款加上房地产开发贷款）占整个金融机构贷款的比重来衡量，这也被称作房地产信贷风险暴露（张晓晶、孙涛，2006）。根据中国人民银行发布的各期《中国货币政策执行报告》的相关数据计算（见表6.4），1998年房地产信贷风险暴露仅为2.9%，2007年上升到18.4%。依据建筑业的周期特征和对国外房地产金融业的调查，Collyns et al.（2002）认为在经济上升时期，房地产信贷在银行贷款中一般要占到20%以上。如果按20%标准来看，我国的房地产信贷风险暴露值还比较安全，并不是那么令人担心。但是，这里我们所统计的房地产贷款只包括即房地产开发贷款和购房贷款余额，这两项大概占房地产开发资金来源的30%～35%，而实际房地产开发资金大概有60%来自银行贷款。也即意味着，房地产信贷风险暴露值被低估了近一半，表6.4的最后一行对房地产信贷风险暴露值进行了重新的估计。可以看出，近几年房地产信贷风险暴露的真实值大于30%。与亚洲危机爆发前一些国家信贷风险暴露值（30%～55%）相比^[2]，情况并不乐观，应该引起相关当局的注意。特别是鉴于中国银行体系的坏账积累较多，整个金融体系的稳健程度还远不及发达市场经济国家，尤其是个别银行的房地产信贷风险暴露比率远超过这一数字，因此需要高度关注这一风险暴露水平。

表6.4　银行业房地产风险暴露

续　表

注：数据来源于中国人民银行发布的各期《中国货币政策执行报告》整理计算得到；金融机构贷款余额和房地产贷款余额单位为亿元；“-”表示数据缺失。

（二）我国房地产价格和信贷之间关系检验

本小节的实证数据为1998年第一季度至2009年第一季度的季度数据，数据来源于Wind数据库。采用全国房屋销售价格指数来代表房价（HP），由于房屋销售价格指数采用的是同比数据，把同比数据转换成以1998年第一季度为基期的环比数据。信贷指标（CR）采用金融机构各项贷款累计值（单位为亿元）来表示，房地产投资指标（HI）采用房地产开发投资当期值（单位为亿元）表示。信贷和房地产投资两个时间序列数据依次经过以下处理：首先，采用居民消费价格指数（以2007年第一季度为100的定基比）平减以消除物价因素；然后，采用X12方法进行季节调整，以消除季节波动；最后，为了消除异常值的影响，三个指标都进行了对数处理，仍然用HP、CR和HI来表示。

所以接下来我们首先对房价、信贷和房地产投资进行单位根检验，检验结果如表6.5所示。可以看出，房价（HP）和房地产投资（HI）在一阶差分后平稳，信贷（CR）在二阶差分后平稳，表明房价和房地产投资为一阶单整，信贷为二阶单整。

表6.5　房价、信贷和房地产投资单位根检验

注：滞后阶的选择以SIC为标准；检验形式（c，t）中c和t分别表示模型中的是否含常数项和时间趋势；Δ表示差分，Δ2表示二次差分。

对房地产价格和房地产投资进行一阶差分（分别用ΔHP和ΔHI表示），信贷进行二阶差分（用Δ2CR表示），ΔHP、ΔHI和Δ2CR序列皆平稳之后，接下来进行Granger因果关系检验，结果如表6.6所示。

从表6.6可以看出，ΔHI是Δ2CR的Grganer原因，而Δ2CR不是ΔHI的Granger原因，表明房地产投资的增长可能导致信贷的增长，反之则不成立。在10%的显著水平下，ΔHP是Δ2CR的Granger原因，Δ2CR不是ΔHP的Granger原因，表明房价上涨可能导致信贷增长，反之不成立。在5%的显著水平下，ΔHP和ΔHI互为Granger原因，表明房价和房地产投资之间存在相互作用的反馈机制。

表6.6　ΔHP、ΔHI和Δ2CR之间的Granger因果关系检验

房价、房地产投资与信贷之间的关系可以用图6.3来表示，可以看出我国近十年的房价上涨促使了房地产投资和信贷的增长，房地产价格的广义财富效应是存在的，但是，没有形成从信贷增长到房价上涨和房地产投资增长的反馈。这可能与我国央行对房地产信贷的调控有关，自2003～2008年上半年以来，我国央行为了抑制房地产投资增长过快，对房地产开发环节实施了紧缩银根的政策^[3]。与此同时，为了抑制需求，特别是投资投机性需求，国家实施了提高购房首付款比例和贷款利率的政策，对二手房转让环节实施了更为严格的信贷的政策^[4]。在2008年下半年开始，受国际金融危机的影响，央行为了稳定经济，又出台了“放松信贷”的相关政策。

图6.3　我国房价、房地产投资和信贷之间的作用关系

（三）我国房地产价格、信贷与房地产投资关系检验：金融加速器检验

基于房地产广义财富效应和金融加速器效应的理论分析，以及我国房地产业发展的事实，可知国内房地产投资与信贷之间存在较强的相关性，而且这种相关性可能会随着时间变化。本节借鉴金融资产时间序列的动态相关分析DCC-MGARCH模型，对房地产投资增长率和信贷增长率之间的动态相关性进行测度，然后，利用Granger因果关系和脉冲响应进一步分析房地产价格上涨是否对房地产投资和信贷之间的关系有强化功能，即我国房地产价格上涨状态下是否存在金融加速器效应。

1.房地产投资和信贷的动态相关性

（1）研究方法。

动态相关系数的估计目前使用较多的是在金融研究领域，金融资产或金融市场间的相关系数常处于动态变化之中。Longin＆Solnik（1995）利用多元GARCH模型检验了常数条件相关的假设，并对德国、法国、英国、瑞士、加拿大以及美国股市的动态条件相关系数进行了研究，结果表明条件相关系数具有正的时变特征。Solnik等（1996）利用36个月的滚动窗口计算了美国股票市场与德国、法国、英国、瑞士、日本、欧洲成份指数、亚洲以及远东股市的相关系数，他们发现美国股市与其他国家股市的相关系数也具有明显的时变特征，而且近十年相关系数呈下降趋势。另外，在他们的研究中还发现一个有趣的现象，在市场高波动时期相关系数明显增大。

本节借鉴金融领域的动态相关性分析方法，采用Engle（2002）提出的动态条件相关多元GARCH模型（dynamic conditional correlation，DCC-MGARCH模型）对房地产投资与信贷之间的动态相关性进行分析。该模型的优点在于：①具有明显的计算优势，能够对大型相关系数矩阵进行估计。DCC模型采用了限制长期方差协方差矩阵为样本方差协方差矩阵，这个限制能够减少待估参数的数量并且实证数据对这个限制有很好的支持。②DCC所采用的两步估计法使得相关过程中所需估计的参数独立于相关序列的数目，对于变量较多的大型相关矩阵也能容易地估计出来。

DCC-MGARCH模型的估计分为两步：首先，基于多元GARCH的框架刻画出实际数据中表现的异方差，为度量时变风险的条件方差提供更为自然的解释；接下来，运用动态条件相关系数DCC的方法考察实际数据中残差的相关性。

Engle（2002）提出的DCC-MGARCH模型中运用的动态条件相关系数（Dynamic Conditional Correlation，DCC）模型，是基于Bollerslev（1990）提出常数条件相关（Constant Conditional Correlation，CCC）模型进一步拓展而来，为更好地理解DCC模型，首先需要了解CCC模型的计算原理，其形式如下：

设rt为0均值的随机向量，满足式（6-56）：

但由于该模型的常数相关系数的假设过于严格，大多数实际数据并不支持该假设。为了克服这一缺陷，Engle Sheppard（2001）提出动态条件相关系数（Dynamic Conditional Correlation）DCC-MGARCH模型。该模型大大简化了以往估计方差协方差矩阵的复杂运算，减少待估参数的数量，并且支持现实的实证数据，此外，对变量较多的大型相关矩阵也能够较容易地估计出来。

在DCC-MGARCH（1，1）模型中αεi，t-1εj，t-1＋βqij，t-1。

利用准极大似然估计法（Quasi-Maximum Likelihood）进行参数的估计。估计过程为两阶段估计：首先，运用一元GARCH模型对各变量进行估计；接下来，由一元GARCH得到的标准化残差估计条件相关系数即DCC。

（2）数据来源。

信贷指标采用金融机构各项贷款来表示，房地产投资指标采用房地产开发投资总额表示，采用1998年第一季度至2009年第一季度的季度数据，原始数据来源于Wind数据库。两个时间序列数据依次经过以下处理：首先，用居民消费价格指数（以2007年第一季度为100的定基比）平减以消除物价因素；然后，采用X12方法进行季节调整，以消除季节波动；最后，求对数后再差分，计算出信贷增长率（CR）和房地产投资增长率（HI）（单位为%），如图6.4所示。

图6.4　房地产投资和信贷增长率

（3）实证分析。

从房地产投资和信贷增长率的描述性统计可以看出（表6.7），Jarque-Bera统计量表明，在1%的置信水平下房地产投资增长率和信贷增长率显著异于正态分布，而且从偏度和峰度也可以看出，房地产投资和信贷增长率不服从正态分布^[5]。滞后1阶的自相关系数是否为0的Q（1）统计量检验表明，在5%的显著水平下，房地产开发增长率和信贷增长率都存在自相关现象。

表6.7　房地产投资和信贷增长率描述性统计

注：Q（1）统计量检验指标序列滞后1阶自相关系数是否为0，在序列无关的假定下，统计量服从χ2（n）分布。＊＊＊表示在5%显著水平下拒绝原假设。

因此，在建立单变量GARCH模型的均值方程时，两个指标都采用ARMA模型的方程结构，利用Eviews 6.0软件经过多次估计比较，最后得到最优均值方程形式分别为（式6-57、式6-58）：

括号内是t统计量值。对以上两个方程残差序列进行Ljung-Box Q统计量检验结果表明，其相应P值均较大，接受原假设，表明方程不再存在自相关。进一步对残差序列进行ARCH效应的拉格朗日乘数（LM）检验，结果显示，残差序列均不存在ARCH效应，说明方程残差可以直接进行DCC检验。

接下来采用DCC模型来计算房地产投资和信贷增长率的动态相关性系数，模型的除数设定为1，模型各参数的估计采用Matlab软件编程处理，结果如图6.5所示。

从图6.5可以看出，2002年第二季度开始至2003年第三季度，房地产投资增长率与信贷增长率之间的相关性较低，平均为0.057，最低在2003年第二季度达到0.001。自2003年第四季度开始，两指标的相关性逐渐加强，在2004年第四季度达到最高0.55，之后维持在较高水平。最值得一提的是，2009年第一季度，两者相关性骤减，为-0.027 6。这是因为在2008年底，世界经济金融危机日趋严峻，为抵御国际经济环境对我国的不利影响，国内采取灵活审慎的宏观经济政策，以应对复杂多变的形势，国内实行积极的财政政策和适度宽松的货币政策，国家出台4万亿元投资计划以刺激经济，信贷放松。而与此同时，国内房地产业进入行业调整，房地产成交量小，房地产开发商资金链紧张，开发投资增长率下降，这一升一降导致信贷和房地产开发投资增长率的相关系数为负。

图6.5　房地产投资和信贷增长率之间的动态相关性系数

2.房地产价格对信贷与房地产投资动态相关系数的作用

接下来，采用Granger因果关系检验和脉冲响应来分析房地产价格在信贷与房地产投资动态相关性中的作用。

采用全国房屋销售价格指数来代表房地产财富大小，由于房屋销售价格指数采用的是同比数据，把同比数据转换成以1998年第一季度为基期的环比数据，进一步计算出增长率，用HP表示。信贷增长率和房地产投资增长率之间的动态相关系数用CRaHI表示。

为了防止伪回归，首先对HP和CRaHI进行单位根检验，检验结果如表6.8所示。可以看出，不论是仅含常数项还是既含常数项又带趋势项，HP和CRaHI原序列的ADF检验都接受存在单位根的原假设，认为存在单位根。一阶差分后，不论是仅含常数项还是既含常数项又带趋势项的ADF检验，都拒绝原假设，不存在单位根。所以，HP和CRaHI都为一阶单整。

表6.8　HP和CRaHI单位根检验

注：检验形式（c，t）中c和t分别表示模型中的是否含常数项和时间趋势；△表示差分。

接下来，对HP和CRaHI进行协整检验，检验两者之间是否存在长期稳定的关系。结果如表6.9所示，表示在5%的显著水平下HP和CRaHI之间至少存在2个协整关系。表明HP和CRaHI之间存在长期稳定的关系。可以进行VAR分析和Granger因果关系检验。

表6.9　HP和CRaHI协整检验

为了进一步进行Granger因果关系和脉冲响应分析，首先通过VAR模型确定滞后阶数，通过AIC标准得到滞后阶为3阶。图6.6描述了VAR（3）模型各特征根的模，可以看出各特征根的模均小于1，因此VAR（3）模型是平稳的，表明VAR（3）模型是合适的。

图6.6　VAR（3）特征根的模

图6.7描述了HP和CRaHI的脉冲响应结果。可以看出，房价增长率对自身因素的影响较大，第一期达到最大响应值，CRaHI对房价的影响较小，第二期有轻微的影响。房价增长率对CRaHI的影响大于CRaHI对自身的影响，特别是第四期（一年后）房价对CRaHI的影响达到最大。表明给房价增长率一个单位的正向冲击，将导致信贷和房地产投资之间的相关性增强，我国房地产价格上涨的广义财富效应的金融加速器效应是存在的。

表6.10　HP与CRaHI的Granger因果关系检验

HP与CRaHI之间的Granger因果关系检验结果（见表6.10）也印证了脉冲响应检验结果，在滞后3阶的Granger因果关系检验中，拒绝了“HP不是CRaHI的Granger原因”假设，接受了“CRaHI不是HP的Granger原因”假设，表明房地产价格增长率是信贷和房地产投资增长率动态相关性的Granger原因，房地产价格增长率的上升将导致信贷和房地产投资增长率的相关性增长，表明房地产财富的加速器效应在我国是存在的。

图6.7　HP和CRaHI的脉冲响应