房地产产业链泡沫相依结构演化及其危机传染效应

郭文伟+陈顺强+陈妍玲

摘要：本文采用R-Vine Copula方法对我国2000—2015年期间房地产产业链上各行业泡沫之间的相依结构进行建模分析，并在此基础上分析2007年次贷危机和2009年欧债危机对房地产产业链泡沫相依结构的冲击影响。研究结果表明：在整个研究期间，房地产产业链上各行业均存在多次周期性泡沫，比较严重的泡沫均集中在2006—2007年，且其间出现房地产业泡沫的峰值；房地产业泡沫是各行业泡沫相依结构的枢纽中心，起到了“蓄水池”的作用，并与有色金属业、建筑装饰业、银行业和机械设备业之间存在较高的相依性；次贷危机和欧债危机的发生不仅仅增强了房地产与相关行业之间的相依性，存在明显的危机传染效应，也改变了整个产业链的相依结构。

关键词：房地产产业链；行业泡沫；相依结构；危机传染效应

文章编号：2095-5960（2017）02-0031-12；中图分类号：F830.9；文献标识码：A

中国房地产市场是伴随着住房制度改革而逐步发展起来的，尽管发展历史较短，但其市场规模已经居于世界首位。然而，中国当前的房地产市场依然面临诸多问题。首先，房价经过10年的持续增长，已经大幅脱离了居民的实际购买力，房价泡沫破灭风险尤为突出。其次，房地产产业链较长，房地产与其产业链上下游诸多产业形成了“一荣俱荣、一损俱损”的相依性。自2012年以来，房地产业投资增速持续下滑，库存居高不下，导致行业景气度跌至历史低点，进而引发相关产业产能严重过剩，使得国民经济增速放缓。在实体经济层面，当前中央政府已经承认国内房地产市场存在严重价格泡沫，并开始实施一系列供给侧改革措施来消化房地产市场的巨量库存和相关产业的过剩产能。这些供给侧改革措施在房地产市场上主要表现为：降低房地产市场交易成本、房地产企业的税费和融资门槛等。在资本市场层面，监管者也开始逐步放开对房地产业上市公司在增发、融资等方面的限制，支持房地产业的兼并、重组与转型，希望通过资本市场层面来支持房地产产业链相关行业扭转困境，进而带动国民经健康发展。

目前，学界大部分研究认为我国房地产市场存在周期性泡沫，而且房地产对其产业链上下游相关产业具有显著的带动作用。既然在实体经济层面上，房地产业泡沫的演化会显著冲击其产业链上下游相关产业的发展，那么在资本市场层面上，房地产业及其相关产业是否存在泡沫？房地产业泡沫膨胀与崩塌是否也会引发产业链相关行业泡沫的演化呢？迄今为止，鲜有文献专门研究这些问题。厘清中国资本市场上房地产业泡沫与相关行业泡沫之间的相互影响，不但有助于揭示房地产产业链的泡沫传导机制及其危机传染效应，而且能为政府监管层如何防范房地产产业链泡沫破灭风险提供有价值的参考。

一、文献综述

（一）房地产泡沫检验方法

在资产泡沫的研究领域，国外学者们主要聚焦于股市周期性泡沫存在性方面的检测，而对房价泡沫的研究相对较少。总的来看，国外学者对房价泡沫存在性检测主要有两大类方法：第一类是指标法。该法以耐用品特性为基础，将租售比、空置率等指标和国际平均水平进行比较来衡量房价泡沫的程度。这种方法的数据易得，思路简单，不过判断主观，只能用于观察是否存在泡沫及其相对严重程度，并不能判断泡沫的存续周期时点。第二类是基于单位根检验的泡沫识别方法。Phillips，Wu，Yu（2011） [1]提出了基于单位根右侧ADF检验的检测方法（简称PWY方法），其采用了移动窗口的向前递归分析技术探索出样本数据中的资产泡沫，对一个泡沫及其存续周期时点都能比较有效地捕捉出来的；Chen和Michael Funke（2013） [2]采用PWY方法对中国房地产市场2003—2011年期间的房价走势进行检验，发现在此期间，除了2009年10月出现明显的房价泡沫外，其他时期均无泡沫。〖JP2〗Matthew等人（2013）[3]同样运用PWY模型对香港房地产市场的泡沫存在性进行检验，研究结果表明：香港的普通住宅市场和豪宅市场在1995年、1997年、2004年和2008年均出现明显泡沫，其中以1997年出现的房价泡沫最为显著。而在2011年早期，香港的普通住宅（中小户型）市场再次出现泡沫，但豪宅市场却不存在泡沫。在此基础上，Phillips，Shi，Yu（2013a，2013b） [4][5]接着提出了基于前（后）项的移动窗口递归分析方法（简称BSADF方法），对于多个泡沫的存续周期时点，BSADF方法能同时挖掘出来，而且对这些泡沫的演化过程也能够予以刻画。〖JP〗

在国内，由于各学者采取不同的房价泡沫定义及检测方法，导致在是否存在泡沫及其严重程度等方面的研究结论出现明显差异。目前国内主要有四种代表性的房价泡沫检测方法。第一种是综合指标的房价泡沫检测方法。李维哲和曲波（2002）[6]提出了一种房地产泡沫的预警综合指标，该综合指标包含了四大类子指标：金融类指标、交易类指标、生产类指标和消费类指标。该预警指标的构建思路仍然依赖于房地产景气的测度，而且包含的子指标太多，在实践应用中存在操作不方便等问题。吕江林（2010）[7]针对我国房地产市场实际情况，系统性地分析了传统房价泡沫断定指标（诸如租售比、空置率、投资购房与自住购房之比、房地产贷款占比和房地产业利润率等）在我国的适用性，其研究结论认为这些均不适合作为判断我国城市房价泡沫的合理指标。另外作者也发现我国房地产市场整体已经泡沫化，然而城市间泡沫程度差异较大。

第二种是基于局部均衡模型的房价泡沫检测方法。周京奎和曹振良（2004）[8]采取建立房地产投机泡沫检验模型的方式来检验中国房地产业泡沫存在与否，其研究結论认为当时的中国房地产业并不存在投机泡沫。姜春海（2005）[9]重新定义了房地产基本价值、投机泡沫和泡沫度， 对这三个指标进行了测度， 透过数据说明了中国房地产业的泡沫开始出现，以及泡沫严重程度的问题。苑德宇和宋小宁（2008）[10]通过计算我国35个大中城市2001—2005年期间的均衡价格与其平均价格的偏差来衡量城市房价泡沫，得到几个重大的发现：房价高不能说明泡沫大，房地低不代表泡沫小，房价泡沫可以跨区域进行传染，也可以在同一区域内的城市之间传染。其中，城市间泡沫传染的现象在中国东部地区显著，在西部和北部地区不明显。吕炜和刘晨晖（2012）[11]采用类似方法对国内31个省的房价泡沫进行测度，研究发现国内不同省份的房价泡沫存在显著差异。范新英等人（2013）[12]在综合考虑经济基本面和心理预期因素影响的基础上，利用我国35个大中城市房价构建了动态面板数据模型，借助迭代回归方法计算均衡价格，通过比较由经济基本面决定的均衡价格和实际价格来度量不同城市的房价泡沫程度。其研究结论表明近几年我国大多数城市房价泡沫有加大趋势，但不同城市之间房价泡沫程度差异较大。

第三种是基于West模型的房价泡沫检测方法。韩德宗（2005）[13]认为房地产合理价格是租金的资本化，应用West模型来检验国内北京、上海和深圳房价泡沫的存在性。研究结果表明：这三个一线城市的住宅市场均存在房价泡沫，而其写字楼市场均不存在房价泡沫。然而，West模型只能用来判断投机性泡沫的存在性，而在投机性泡沫的程度上是无法具体测量的。第四种是基于马尔可夫区制转换模型的房价泡沫检测方法。王春雷（2008）[14]利用Norden （1996） [15] 提出的泡沫检验方法实证研究了我国的房价泡沫，得出我国存在短期性房价泡沫的论断。史兴杰和周勇（2014）[16]在放宽Norden（1996）[15]所提出模型假设的基础上，建立了更为有效的区制转换自回归模型对我国所有直辖市的房价泡沫进行实证分析。其研究结果表明：房价泡沫明显存在于北京和上海，而重庆和天津的泡沫不显著。房地产调控政策能影响北京的泡沫，却不能影响上海。

综上所述，在房价泡沫检测的问题上，国内学者已先后提出了综合指标法、局部均衡模型识别法、West模型、区制转换自回归模型等房价泡沫检测方法。然而现有房价泡沫检测方法主要存在几个问题：第一，只能判断是否存在泡沫（综合指标法、局部均衡模型），而无法揭示泡沫的存续周期时点；第二，只能揭示单个泡沫及其存续周期时点，而无法揭示出可能存在的多个泡沫（PWY、West模型）；第三，能揭示出多个泡沫，但无法区分不同泡沫的异质性特征（BSADF、马尔可夫区制转换模型）。总的来看，在这些方法中，Phillips等人（2013a，2013b） [4][5]提出的BSADF方法有显而易见的优点：首先，对于多个房价泡沫及其存续周期时点，这种方法都能检测出来。其次，整个样本期间的房价泡沫演化过程都可以具体地刻画出来。最后，不管泡沫值是正或是负，也都能测出来。因此，本文先采用BSADF方法对中国房地产产业链上9大行业（钢铁、有色金属、家用电器、房地产、建筑材料、建筑装饰、银行、非银金融和机械设备）在2000—2015年期间的泡沫程度及其走势进行测度，进而比较这些行业泡沫的分布特征差异。

（二）房地产产业链相依性研究

对于我国房地产产业链相依性的研究，学界主要从实体经济和资本市场两角度着手研究。在实体经济层面上，研究方法主要为投入产出模型和可计算一般均衡模型。王国军和刘水杏（2004）[17]借用投入产出模型计算带动系数，发现房地产业每增加1单位的产值，对相关产业的带动系数为1416，尤其在金融保险业方面，带动最为显著。王媚媚（2009）[18]运用投入产出分析方法，得出我国房地产业的后向带动效应强于前向带动效应的结论。何云（2014）[19]采用可计算一般均衡模型，对房地产产业链的供需及价格的波动量化，发现房地产业的波动对国民经济产生广泛的影响，但影响是非对称的，向上的波动比向下的波动影响更大。在资本市场层面上，学者们的研究方法主要分为向量自回归法和静态/动态二元Copula模型。唐莉和张永娟（2006）[20]选取沪深两市5支指数，运用VAR模型，表明房地产产业链上各产业发展具有长期的联动性，房地产产业对上游产业的影响尤其显著。刘琼芳和张宗益（2011）[21]运用静态二元Copula模型对房地产和金融两个行业收益率的关系进行了刻画，得出市场交投冷清时段的两行业的尾部相关性要大于其他时段的结论。江红莉等（2013）[22]通过动态Copula模型研究房地产业与银行业的尾部相关性，实证表明：市场低迷时，房地产业与银行业在经济运行中存在共生性，严格的房地产调控政策虽然能弱化两行业的下尾相关性，但不具备持久性。如果调控政策不连续，两个行业的相依性又会如调控前般显著。

从目前房地产产业链相依性研究方法的局限来看，投入产出分析方法只适用于实体经济的研究，并且该方法存在两大问题。一是投入产出表每5年编制一次，数据滞后严重，影响分析的时效性；二是这种方法隐含了产业间的联动是线性的，与现实差异较大，模型也无法刻画出动态关联性。可计算一般均衡模型由于模块较多，存在建模难度大，对数据的估计处理复杂等问题，其实模型并不实用。以资本市场作为研究对象的向量自回归模型对于多个相关的经济变量的分析以及预测效果较好，但仍有许多参数要估计。静态和动态的二元Copula模型，可以充分地刻画出不同产业间的相依结构，然而一旦涉及多个行业，模型无法进行高维建模，传统的二元Copula模型也存在参数估计困难的问题，所以目前采用二元Copula模型的已有文献都只对两个行业间的联动进行分析。实际上，房地产产业链上的相关产业众多，只有高效地分析出房地产业与其他各个关联产业的相依结构，才具有现实指导意义。

鉴于传统方法的不足，本文采用新近发展起来的R-Vine Copula模型对房地产产业链上各行业泡沫之间的相依结构特征，以及这些相依结构在外部金融危机冲击下出现的危机传染效应进行实证研究。本文之所以采用R-Vine Copula模型，主要在于：第一，該模型克服了二元Copula模型面临的“维度诅咒”问题，可以灵活构建高维Copula模型；第二，该类模型的分解规则相比C-Vine Copula和D-Vine Copula更符合变量间的实际情况；第三，越来越多的实证表明：R-Vine Copula所构建高维Copula模型的拟合效果优于其他传统Copula模型。

与目前学者们的研究相比，本文有着如下亮点：第一，首次运用BSADF方法动态测度了中国资本市场房地产产业链上相关行业在研究时期内的价格泡沫程度及其存续周期时点，从而揭示了我国资本市场中房地产产业链泡沫的演化过程。第二，引入R-Vine Copula模型对我国资本市场房地产产业链上相关行业泡沫的相依结构进行建模分析。第三，通过对比金融危机前后房地产产业链上相关行业泡沫相依结构演化及其相依性水平的变化，进而深入探测外部金融危机对我国资本市场房地产产业链上各行业泡沫之间相依性的冲击和危机传染效应。

二、实证研究

（一）数据选取与处理

本文从房地产产业链上游、下游和资金链三个层面来选择与房地产业关系密切的行业，最终选择如下：（1）三个上游行业：钢铁业（GT）、有色金属（YSYS）、建筑材料（JZCL），这三个行业为房地产业提供了原材料；（2）三个下游行业：建筑装饰（JZZS）、家用电器（JYDQ）、机械设备（JXSB），这三个下游行业为房地产业提供了相关的配套服务；（3）两个金融行业：银行（YH）和非银金融（FYJR），这两个行业满足房地产业的绝大部分资金需求，并为整个房地产业的各个关键环节提供全面的金融服务。

这8个行业从产品链、资金链等层面与房地产业形成了较有代表性的房地产产业链。9个行业指数均来自申银万国一级行业指数，数据来源于Wind资讯。研究时期为2000年1月至2015年8月。同时，为了刻画2007年次贷危机、2008年金融危机和2009年欧债危机的发生是否对房地产产业链间相依结构产生影响，根据危机发生时点①〖ZW（DYB，0.25〗〖HTF〗①本文对外部金融危机发生前后时期的划分一方面参考了相关文献的做法，另一方面也结合危机爆发时点的标志性事件来判断，由于至今没有统一的划分标准。与此同时，由于2007年美国次贷危机引发了随后2008年的金融危机，两者在时间上难以明确划分开来，这里将2007年次贷危机与2008年金融危机合并在一起；欧债危机以2009年10月为发生时点，以希腊国家主权信用级别被标普评级公司降级为标志性事件，该危机至今尚未结束。〖HTSS〗〖ZW）〗进行如下划分：次贷危机发生前的时期（200501—200707）、次贷危机发生期间（200708—200908）、次贷危机发生后的时期（200909—201112）；欧债危机发生前期（200501—200909）、欧债危机发生至今（200910—201508）；样本数据全部为复权后的月度指数收盘价，在整个时期内每个行业均有188个数据。

（二）实证模型

1.资产价格泡沫测度模型：BSADF检验

考虑到传统单位根ADF检验法的局限，Phillips等人（2011）[1]看到了资产泡沫弱爆炸性过程的属性，以检验pt是否存在弱爆炸性过程替代传统直接检验资产价格pt是否存在泡沫的方式，使得弱爆炸性过程的检验变成检验ADF模型中的自回归系数ρ是否显著大于1：

另外，为了将资产价格在平稳阶段（ρ=1）和泡沫阶段（ρ>1）的特征得到完整地绘制，Phillips等人（2011）[1]以向前递归技术为基础，提出了右侧单位根ADF检验法（简称SADF）。

SADF检验通过如下步骤完成：首先，在给定的样本pt（t=1，2，…，T）中选取前部分样本数据pt（t=1，2，…，[Tr]，0

根据Phillips等人（2013a）[4]的研究结果，我们可知若资产价格泡沫存在周期性破灭的现象，SADF检验的识别能力是很强的。虽然SADF检验针对周期性破灭的价格泡沫在检验上优点突出，不过这种方法也存在一些问题：第一，如果价格泡沫数量多，SADF检验对他们的存续周期时点在估计上是不一致的；第二，因为样本窗口的起点在开始就已固定，那么如果泡沫在样本窗口两端的话，递归分析是无法发现的。为了解决这些问题，Phillips等人（2013b）[5]保留了SADF的精髓，改进了样本递归技术，使前向递归中的样本量得到增加，让样本窗口的起点能够灵活变化。这种改进后的检验方法本文称作BSADF检验法；显然，BSADF检验法不仅包含了SADF检验法既有的优势，还克服了SADF检验法存在的局限。BSADF检验法运用了后向递归技术，通过样本选取而进行模型估计。具体来说，首先让r2固定为样本的终点，然后使起点r1在区间[0，r2-r0]内变动，每次变动起点r1，统计量 都能得到一个，覆盖完整个区间后，一组统计量序列就出来了。在这样一组序列中，将统计量的最大值表示为BSADF：

，泡沫就消失了，相应的时点是泡沫终点，记为。倘若泡沫不止一个，那么这个时点前的数据用相应的数据进行替换，接着用递归技术来对各泡沫存续周期时点进行估计。以上泡沫存续周期的起点与终点可通过下面的公式（4）—（5）来表示：

2.R-Vine Copula模型

在构建高维Copula模型方面，先后共出现了三种代表性方法：C-Vine Copula、D-Vine Copula（Bedford，Cooke，2001） [23]、R-Vine Copula（J. Dimanna等人，2013）[24]；其中，前面C-Vine Copula和D-Vine Copula模型一般称为正则藤的建模方法，是后面一般化R-Vine Copula模型的特例。不同于C-Vine Copula模型及D-Vine Copula模型需要事先设定其树结构形式，更为一般化的R-Vine Copula并没有特定的树结构形式和分解规则，可以随时根据变量间的相依性或研究目的需要来安排其相依结构形式，突显出极大的灵活性和实用性（郭文伟，2016）[25]。J. Dimanna等人（2013）[24]的研究结果也表明：从建模后的拟合效果来看，R-Vine Copula模型相比标准的C-Vine Copula模型以及D-Vine Copula模型都显得优良。目前国内采用R-Vine Copula来对房地产产业链各行业之间的相依结构进行建模分析的文献较少，仅仅有郭文伟（2016）[25]采用该模型对资本市场上房地产业与相关行业之间的相依结构特征进行实证分析，但尚未有文献专门对资本市场上房地产产业链各行业泡沫之间的相依结构进行建模分析，对此，本文采用R-Vine Copula模型来分析房地产产业链上各行业泡沫之间的相依结构特征及其在外部金融危机冲击下的危机传染效应。由于文章篇幅限制，有关R-Vine Copula模型的结构形式和原理等方面的内容，可详见上述文献，这里不再阐述。

（三）实证结果

1.房地产产业链上各行业泡沫存在性检验

这里采用SADF检验法和BSADF检验法分别对房地产产业链上9个行业的泡沫存在性进行检验，结果见表1。

进行递归估计时，我们设定初始时样本窗口的时间跨度为6个月，步长为1个月，这样每次估计完成后会新增一个月的样本继续估计。同时，我们对以上行业分别进行了2000次模拟以得出检验指标在这9个行业中1%、5%和10%置信水平上的统计量SADF临界值和统计量BSADF临界值。从表1的检验结果可见BSADF统计值总体上都比SADF统计值要大，在一定程度上也证明了在周期性泡沫的检测方面BSADF检验法相比SADF检验法更容易捕捉到存在的泡沫；从1%的置信水平上看，这9个行业的BSADF统计值都明显比行业在1%置信水平上的临界值要大，由此得出：1%的置信水平之下，房地产产业链上的9个行业均在研究时期内显著存在周期性泡沫。

2.泡沫存续周期时点及其泡沫程度分析

要挖掘出各行业泡沫的存续周期时点，需要比较全部样本时期内的各行业指数BSADF统计序列与其在5%置信水平上临界值序列CV-BSADF的大小；当行业开始出现周期性泡沫时，BSADF统计值大于CV-BSADF临界值，而当周期性泡沫消失时，BSADF统计值小于或等于CV-BSADF临界值。此外，BSADF值的大小与泡沫的程度正相关。图1描绘了这9个行业指数的泡沫走势。观察图1，可见这9个行业在整个研究期间均存在至少3个以上的周期性泡沫，泡沫的存续时间及峰值各行业有所不同。具体结果见表2所示。从表2可知，房地产产业链上9个行业在整个研究时期内均出现多次周期性泡沫。其中，发生泡沫次数最多且泡沫峰值最大的行业是房地产业，共出现了8次周期性泡沫。房地产业在2006年11月至2007年10月期间出现持续时间较长的周期性泡沫，共持续了12个月，且泡沫峰值在2007年5月达到最大值，为1530。相比之下，非银金融业发生的泡沫次数和泡沫峰值相对较小，说明该行业在研究时期内的泡沫程度较小。从泡沫持续周期来看，最长的是银行业，其在2006年10月—2007年12月出现了持续时间高达15个月的泡沫，但其泡沫峰值并不大；而建筑装饰业的泡沫周期相对较短，最长只有6个月，且泡沫程度也较小。由此说明，在房地产产业链中房地产业的泡沫程度是最严重的，且持续时间较长。这点从下图2中各行业泡沫的箱形分布图也可得到进一步的印证。

3.各行业泡沫程度比较及其分布特征分析

图2中为各行业泡沫的箱形分布图。根据箱形图的制定原理，这里将超过箱形图上限（在各子图中上下限均用“—”表示）的点称为离群点（本文视为极端泡沫）。

从图2可看出：在整个研究时期内，相比其他行业泡沫，房地产业出现了最大的极端正泡沫（1531）和最大的极端负泡沫（-366）。这再次说明，在房地产产業链中，房地产业泡沫程度最为严重，且正负泡沫波动幅度也最大。从极端泡沫点的数量来看，相比其他行业，家用电器业和钢铁业出现的极端正泡沫数量最多，而房地产业出现的极端正泡沫点的数量最少。

4.各个时期的R-Vine Copula结构及其估计结果

对于维度d的R-Vine Copula模型来说，存在2d-1个RVM矩阵，本文这里借鉴J.Dimanna等人（2013）[24]提出的最大生成树方法来确定RVM。其核心思路是基于最强相依关系对构建R-Vine Copula模型的重要性原则来构造每两个节点间的相依性绝对值之和达到最大的第一棵树。有关该方法的详细介绍可见文献。[18]在确定好RVM后，面临R-Vine Copula结构内部Copula类型的选取，由于备选的Copula类型多达31种①〖ZW（DYB，0.25〗〖HTF〗①限于文章篇幅，本文对备选的31种Copula模型不再逐一介绍，每个Copula模型的代号见相关文献介绍。〖HTSS〗〖ZW）〗，为了全面系统优选出合适的Copula类型，这里同样借鉴学术界常用的原则：似然函数值LL最大、AIC和BIC值最小的原则来进行确定。同时参考了J.Dimanna等人（2013）[18]提出的算法，用R语言编程来完成R-Vine Copula结构内部Copula类型的选取与模型参数估计工作。最终分析结果见下面各个时期的矩阵C和矩阵P。由于文章篇幅限制，这里只给出整个时期，二次危机发生前、中、后各个时期内房地产产业链泡沫相依结构中第一棵树结构及其相依性估计结果。

在R-Vine结构中，第一棵树的每条边代表无条件相依性，而从第二棵树开始，每条边都是包含了某一条件下的相依性。在每棵树中，无条件相依性水平要大于有条件的相依性。

从第一棵树来看，在整个研究时期内，房地产业泡沫在整个房地产产业链泡沫相依结构中起到了唯一中心连接作用。由图3可知，房地产业泡沫分别与钢铁有色金属业泡沫、建筑装饰业泡沫、银行业泡沫和非银金融业泡沫之间存在显著的非对称、厚尾相依结构，其中各自的相依性分别达到067、-068、066、063，这些相依结构分别适用F Copula、F Copula、SBB8 Copula、SBB8 Copula模型进行刻画。由此说明，房地产业泡沫会沿着产业链上游（有色金属业）和资金链（银行业和非银金融业）对外进行传染。与此同时，在整个时期内，房地产业泡沫与建筑装饰业泡沫之间存在显著的非对称负相依性，其相依水平为-068，这说明房地产泡沫与建筑装饰业泡沫之间存在此消彼长的关系。已有大量文献研究表明：在实体经济层面上，房地产业在其产业链上能起到承上启下的核心连接作用。而本文这里进一步证实，在资本市场层面的房地产产业链泡沫相依结构中，房地产业同业起到了中心连接作用。

由图4可知，在2007年次贷危机发生前，房地产业泡沫同样在整个产业链泡沫相依结构中起到中心的连接作用；房地产业泡沫分别与有色金融业泡沫、建筑装饰业泡沫、银行业泡沫和机械设备业泡沫之间存在显著的相依性，其相依性水平分别为069（F Copula）、-062（F Copula）、065（SBB8 Copula）、067（SBB8 Copula），而且这些相依性结构均具有非对称、厚尾的特征。

在次贷危机发生期间，房地产产业链相依结构相比之前发生了明显变化。房地产业泡沫已经不具有中心枢纽地位，仅仅与银行业之间存在显著的正相依性（067），且该相依性具有非对称的下尾相依结构特征。整个产业链泡沫相依结构中不再像次贷危机发生前围绕中心枢纽点而分布的特征，而是形成链式结构（分别为钢铁业-非银金融业-银行业-有色金属业-建筑材料业-机械设备业-家用电器业，各行业泡沫之间相依性依次为099、067、066、071、082、076）。除了建筑材料业泡沫与建筑装饰业泡沫之间存在负相依性外，其他行业泡沫之间均存在显著的正相依性，且相依性水平总体上比次贷危机发生前要大。

在次贷危机结束后，房地产产业链泡沫相依结构又出现了变化，其中最明显的就是建筑装饰业泡沫起到唯一中心枢纽的连接作用，其分别与有色金属业泡沫、房地产业泡沫、机械设备业泡沫之间存在显著的负相依性，但各自的相依结构不尽相同。具体来说，建筑装饰业泡沫与房地产业泡沫之间存在对称的负相依性（-07），且适合用N Copula模型来进行刻画。同样，建筑装饰业泡沫与有色金属业泡沫、机械设备业泡沫之间的相依性为-045、-059，均适合用F Copula模型来刻画，说明均具有上下尾对称的相依结构特征。

通过对比整个房地产产业链泡沫相依性及其相依结构在次贷危机发生前、中、后三个时期的变化可知，次贷危机的发生显著增强了房地产产业链上各行业泡沫之间相依性程度，突显出明显的危机传染效应，而且也改变了相依结构分布特征，其中最显著的变化是使得房地产业泡沫的中心枢纽地位消失了。

由图5可知，在2009年欧洲危机发生前，房地产业泡沫是整个产业链泡沫相依结构中的唯一中心点，其他8个行业均围绕房地产业泡沫而形成“十字”分布结构；房地产业泡沫分别与有色金融业泡沫、建筑装饰业泡沫、银行业泡沫和机械设备业泡沫之间存在显著的相依性，其相依性水平分别为067（F Copula）、-067（F Copula）、066（SBB8 Copula）、067（SBB8 Copula），而且这些相依性结构均具有非对称、厚尾的特征。显然，这种分布结构与次贷危机前期较为相似。而在欧洲危机发生至今，房地产业的中心枢纽地位同样消失了，仅仅与建筑装饰业和银行业之间存在显著的正相依性。整个房地产产业链泡沫相依结构中没有明显的中心枢纽连接点，而是形成了链式（家用电器业-建筑材料业-机械设备业-建筑装饰业-有色金属业-钢铁-非银金融业）结构。

5房地产产业链泡沫传导机制特征

从图3—图5可知，无论是在整个时期内还是两次危机发生前期，房地产业泡沫与有色金属业泡沫、建筑装饰业泡沫、银行业泡沫和机械设备业泡沫之间存在直接而显著的相依性。这里采用Granger因果关系分析法来进一步分析房地产业泡沫与这四种行业泡沫之间的因果关系，以厘清泡沫在行业间的传导机制。首先，基于这五个行业泡沫系列构建五元向量自回归（VAR）模型。由于VAR模型的滞后阶数会显著影响各变量之间的Granger因果关系。对此，这里根据SC和HQ值最小原则确定最佳滞后阶数为1，然后通过构建1阶滞后的五元向量自回归模型（VAR）进行格兰杰因果关系检验，最终检验结果如下表3所示。

从表3可知，在5%的置信水平上，有色金属业泡沫、建筑装饰业泡沫和机械设备业泡沫分别是房地产业泡沫的单向格兰杰原因，而银行业泡沫和房地产业泡沫之间互为格兰杰原因。由此说明，在房地产产业链泡沫传导上，房地产业泡沫会受到有色金属业、建筑装饰业、银行业和机械设备业的泡沫传染，起到一个“中心蓄水池”的作用，与此同时，房地产业泡沫也会传导给银行业。

6房地产产业链泡沫的危机传染效应

为了准确测度危机前后房地产产业链相关行业泡沫之间相依性水平的变化，同时考虑到危机前后各行业之间的相依结构会发生變化的特点。这里以危机前各行业之间的相依结构作为比较的基准结构，通过测度各行业泡沫基于同一基准结构下的相依性水平来分析危机传染效应。这里重点比较二次危机发生前后时期内房地产产业链各连接节点之间相依性进行比较，具体结果如表4所示。

从表4可知，相比两次危机发生前期，房地产业泡沫与有色金属业、建筑装饰业、银行业和机械设备业的泡沫之间的相依性在二次危机发生期间或危机结束后均显著增强，突显出明显的危机传染效应。

三、结论

本文采用R-Vine Copula方法对我国房地产产业链上各行业泡沫（由钢铁、有色金属、家用电器、房地产、建筑材料、建筑装饰、银行、非银金融和机械设备，共9个行业组成）之间的相依结构进行建模分析。在此基础上分析2007年次贷危机和2009年欧债危机对房地产产业链泡沫相依结构的冲击影响，最后比较R-Vine Copula方法相对于C-Vine Copula和D-Vine Copula方法在建模效果上的优势。具体结论如下：

第一，在中国资本市场上，房地产产业链上的相关行业均存在多个周期性泡沫，其中，房地产业泡沫程度最为严重。第二，在整个时期内，房地产业泡沫是整个房地产产业链上各行业泡沫的唯一枢纽中心；房地产业与有色金属业、建筑装饰业、银行业和机械设备业之间存在显著的泡沫相依性，且各行业之间的泡沫相依性水平较高；房地产业泡沫会受到上下游行业泡沫的影响，起到中心蓄水池的作用。第三，次贷危机和欧债危机的发生不仅增强了房地产产业链各行业泡沫之间的相依性水平，存在显著的危机传染效应；与此同时，二次危机的发生使得房地产业不再起到枢纽中心的作用，整个房地产产业链的相依结构在危机发生期间和危机结束后形成了链式结构，而非危机发生之前的“十”字性结构。

参考文献：

[1]Phillips， P.C.B.， Wu， Y.， and Yu， J.Explosive Behavior in the 1990s NASDAQ：When Did Exuberance Escalate Asset Values？[J].International Economic Review，2011，52（1）：201-226.

[2]Xi Chen.， Michael Funke.，Real-time warning signs of emerging and collapsing Chinese house price bubbles[J].National Institute Economic Review，2013（223）：39-48.

[3]Matthew S. Yiu， Jun Yu ， Lu Jin.， Detecting bubbles in Hong Kong residential property market[J]. Journal of Asian Economics，2013（28）：115-124.

[4]Phillips， P.C.B.， Shi， S.P and Yu， J.，Testing for Multiple Bubbles I： Historical Episodes of Exuberance and Collapse in the SP 500[J].Working Paper，2013a.

[5]Phillips， P.C.B.， Shi， S.P and Yu， J.，Testing for Multiple Bubbles II： Limit Theory of Real Time Detector[J].Working Paper，2013b.

[6]李维哲，曲波.地产泡沫预警指标体系与方法研究[J].山西财经大学学报，2002（2）：99-101.

[7]吕江林.我国城市住房市场泡沫水平的度量[J].经济研究，2010（6）：28-41.

[8]周京奎，曹振良.中国房地产泡沫与非泡沫——以投机理论为基础的实证分析[J].山西财经大学学报，2004（1）：53-57.

[9]姜春海.中国房地产市场投机泡沫实证分析[J].管理世界，2005（12）：71-84.

[10]苑德宇，宋小宁.中国区域房价泡沫测度及空间传染性研究——基于2001—2005年35个大中城市面板数据的实证分析[J].上海财经大学学报，2008（3）：78-85.

[11]吕炜，刘晨晖.财政支出、土地财政与房地产投机泡沫[J].财贸经济，2012（12）：21-30.

[12]范新英，张所地，冯江茹.房地产价格泡沫测度及区域差异性研究[J].经济研究，2013（11）：48-53.

[13]韩德宗.基于West模型的房地产泡沫的实证研究[J].当代经济科学，2005（5）：6-11.

[14]王春雷.住宅市场价格泡沫及预警机制研究[J].华中科技大学博士学位论文，2008.

[15]Simon van Norden.， Robert Vigfusson.， Avoiding the Pitfalls： Can Regime-Switching Tests Reliably Detect Bubbles？ [J].Studies in Nonlinear Dynamics and Econometrics，1998，3（1）：1-22.

[16]史兴杰，周勇.房地产泡沫检验的Switching AR模型[J].系统工程理论与实践，2014（3）：676-682.

[17]王国军，刘水杏.房地产业对相关产业的带动效应研究[J].经济研究， 2004（8）：38-47.

[18]王媚媚.中国房地产业的投入产出分析[D].重庆大学， 2009.

[19]何云.基于CGE模型的房地产行业波动分析[D].厦门大学， 2014.

[20]唐莉， 張永娟.房地产产业链关联性的分析研究[J].世界经济文汇， 2006（3）：19-27.

[21]刘琼芳， 张宗益.基于Copula房地产与金融行业的股票相关性研究[J].管理工程学报， 2011（1）：165-169.

[22]江红莉， 何建敏， 庄亚明.基于时变Copula的房地产业与银行业尾部动态相关性研究[J].管理工程学报， 2013（3）：53-59.

[23]Bedford Tim， Cooke Roger M. Probability density decomposition for conditionally dependent random variables modeled by vines[J].Annals of Mathematics and Artificial Intelligence，2001，32： 245-268.

[24]J.Dimanna， E.C. Brechmanna， C. Czadoa， D. Kurowicka. Selecting and estimating regular Vine Copula and Application to Financial Returns[J].Computational Statistics & Data Analysis，2013，59（3）：52-69.

[25]郭文伟.房地产产业链相依结构演化及其危机传染效应研究[J].经济数学，2016（1）：7-17.

责任编辑：吴锦丹

收稿日期：2016-08-16

基金项目：2014年广东省高等学校优秀青年教师培养计划资助项目（Yqgdufe1402）；2016年广东大学生科技创新培养专项资金（广东攀登计划）重点项目资助（pdjh2016a0198）。

作者简介：郭文伟，男，广东汕头人，广东财经大学金融学院，副教授，研究生导师，管理学博士；陈顺强，男，广东东莞人，广东财经大学金融学院硕士研究生；陈妍玲，女，广东汕头人，广东财经大学外国语学院，讲师，硕士。