荆中博 王乐仪 方意
摘要:从理论角度,本文提出不同城市房地产市场的风险溢出以及房价上行时期的风险累积是导致中国房地产市场系统性风险加大的关键驱动因素。在此基础上,本文对传统系统性风险度量指标进行改进,利用房价上行时期數据构建具有前瞻性的风险累积指标,并创新地运用于中国房地产市场。研究结果表明,中国房地产市场系统性风险的波动性较大,且与政策调控具有较高相关性,但是政策调控对风险的影响作用逐步减弱。城市层面,系统重要性城市主要集中于一线城市和新一线城市。此外,本文指标捕捉的是单个城市与中国房地产市场的同向变动,对于指标值显著为负的城市应予以特别关注,该类城市很可能是房地产市场进入新周期的领跑城市,具有较强的系统重要性。
关键词:房地产市场;房价;系统性风险;风险溢出;系统重要性;城市
文献标识码:A
文章编号:1002-2848-2019(05)-0011-13
一、研究背景
2008年全球金融危机爆发以后,房地产价格的快速上涨已经成为诸多国家经济复苏的特征之一,中国也不例外。但是,房地产市场的过度繁荣会积累脆弱性并引发系统性金融风险。国际货币基金组织(International Monetary Fund,IMF)[1]认为,后金融危机时期,各国的政策利率较低、利差收窄,投资者为追逐高收益开始大量进入房地产行业,使得房地产市场泡沫不断积累,甚至会引发房地产市场危机。更为严重的是,历史经验表明多数经济衰退与房地产市场危机息息相关。例如,1991年的日本经济衰退,1998年的亚洲金融危机和2007年的美国次贷危机。因此,房地产市场健康与否在国民经济的稳定发展过程中具有不容忽视的作用,应当引起监管部门的重点关注。
就中国而言,平均房价从2003年开始以将近两倍于收入增长的速度飙升。2015年下半年开始,中国房地产价格迎来了新一轮的上涨周期,百城住宅价格指数同比值在2017年1月达到了历史高值18.86%。虽然2016年9月房地产市场政策收紧,呈现出价格增速收窄、交易量大幅下滑的态势,但前期房价快速上涨所积累的风险依然存在。2018年底,中央经济工作会议提出要构建房地产市场健康发展长效机制,完善住房市场体系和住房保障体系。实际上,如何在经济转型过程中及时、准确把握房地产市场的风险,降低房地产市场对金融体系和实体经济的冲击,是当前经济工作的重中之重,是全面建成小康社会的决定性基础。在此背景下,研究中国房地产市场系统性风险的生成机制对中国政府部门有效稳定房地产市场和保证国民经济持续、健康发展具有重要的现实意义。
目前,关于中国房地产市场的研究已经非常丰富。部分学者从区域间溢出效应的角度出发探究房价的联动机制。梁云芳等[2]对中国东、中、西部地区房价波动进行研究,认为东部地区是房地产商和投机者的投资热点,存在累积房地产泡沫的可能性。Yang等[3]将基于方差分解计算的信息溢出指标运用到房地产市场上,对小城市群内部房价溢出的模式和规律进行研究,发现区域发展政策对城市的房价溢出效应有显著的推高作用。王锦阳等[4]也进行了类似的研究。此外,部分学者从系统性金融风险视角来研究房地产市场对银行业系统性风险的溢出效应。方意[5-6]分析了房地产行业发生冲击后银行业系统性风险的生成机制。王辉等[7]将房地产企业看作银行同业市场的一部分,将房地产和银行合为同一部门,采用扩展矩阵的方法研究了部门内部房地产行业对银行业的风险传染效应。方意等[8]通过改进ΔCoVaR模型比较了股票市场、货币市场、房地产市场、债券市场和外汇市场对银行业系统性风险的溢出效应,发现股票市场和房地产市场对中国银行业系统性风险贡献最大。杨子晖等[9]采用多种风险测度方法研究金融机构与房地产公司之间的跨部门风险传染问题。此外,郝毅等[10]采用DSGE模型探究了房地产价格波动对投融资平台债务风险的影响机制。
尽管成果显著,但是现有研究依然存在不足。第一,现有研究大多量化分析房地产市场的冲击效应,但是并没有量化分析房地产市场自身的系统性风险累积过程,无法深刻理解房地产市场系统性风险的生成原理并提出有效防范化解的措施。现有研究中,房价增速经常被用作风险的代理指标。可是,房价上涨是积极信号还是消极信号?如何对房地产市场系统性风险累积进行准确的识别,并构建量化的、具有前瞻性的风险预警指标?这些问题仍然没有权威的答案。由此可见,房价和风险并不完全一致,故房地产市场系统性风险的量化识别研究仍然任重而道远。第二,现有研究已经注意到房价的区域性溢出效应,但是并没有说明如何将溢出效应纳入度量整体房地产市场系统性风险之中,哪些城市的房地产市场对系统性风险具有重要的贡献作用。基于以上分析,本文将弥补现有研究的不足,以中国房地产市场为研究对象,探究房地产市场系统性风险的生成机制和量化识别,为房地产市场相关研究提供坚实的研究基础。
住宅市场是中国房地产市场的主要组成部分,因此对房地产市场系统性风险的分析可以住宅市场为研究对象展开。住宅市场产品兼具商品属性和金融属性。由于商品属性的价值比较稳定,因此金融属性及其伴随的投资者行为在住宅价格快速上涨时期是主要驱动因素。房地产市场繁荣时期,投资者会对各个城市的住宅进行投资以期获得较高回报。此时,各个城市的房地产价格会呈现出同步上涨的趋势,也意味着各个城市房地产价格的走势逐步一致。在面对国家层面的经济放缓、政策紧缩等外部冲击时,各个城市房地产市场同样会出现共同的反应,例如同时进入房地产市场收缩时期。这一共同的反应将引发房地产市场的整体波动,甚至会出现房地产市场危机。本质而言,本文认为各城市房价风险溢出所带来的同步性变动特征以及房价的周期性变动是整体房地产市场系统性风险波动的重要驱动因素。理由如下:第一,作为对现有研究成果的深化,本文认为房价变动不等同于风险的变化,但是不同城市房价的风险溢出所带来的房价同步变动则意味着系统性风险出现了变化。第二,不同城市房价同步上涨带来系统性风险的累积,同步下降带来系统性风险的爆发。相比之下,风险累积是系统性风险生成的根本原因。
这里,本文对风险累积和风险两个概念进行区分。风险累积[11]代表房地产市场的脆弱性或者价格泡沫在不断增加,主要体现在房价的极端上涨过程中。风险则代表房地产市场的脆弱性开始实现,主要体现在房价的极端下跌或者大幅波動时期。因此,风险累积并不等同于风险。房价的上升意味着脆弱性在上升、泡沫破灭的可能性在增加。脆弱性累积到较高程度时,外部出现微小的冲击会导致房地产市场风险的爆发,此时泡沫才真正破灭。因此,风险累积在前、风险爆发在后,发生时间的不同意味着风险累积指标能够较好地预警未来房地产市场风险水平。
基于以上分析,本文的研究目标是从风险溢出和房价周期性的角度出发,理论探究整体房地产市场系统性风险的累积机制。实证研究中,利用房价上行时期的数据构建准确、具有前瞻性的中国房地产市场系统性风险累积指标,并实证检验该指标的前瞻性。同时,从城市层面出发判断哪些城市房地产市场对其他城市具有显著的风险溢出效应,对中国房地产市场系统性风险的驱动因素进行分析,为监管部门提供科学的参考依据。具体而言,本文的主要贡献包括以下两点。
第一,基于理论梳理,本文认为风险溢出和房价周期性是中国房地产系统性风险生成的关键渠道。以此为基础,本文将房价上行与尾部依赖模型相结合构建具有前瞻性的系统性风险累积指标,并创新性地将之应用到中国房地产市场,有效预警系统性风险的波动。与现有研究不同,本文从房价上行的视角出发刻画系统性风险的累积过程,更具有前瞻性。同时,本文将传统的下行尾部依赖模型改进为更能反映系统性风险累积的上行尾部依赖模型,为系统性风险累积的度量提供技术支撑。而且,本文将系统性金融风险的研究思想应用到中国房地产市场,为目前房地产市场系统性风险的量化识别和预警研究提供重要的理论基础。
第二,合理地横向对比分析不同城市房地产市场的系统重要性,深化研究成果。单个城市房地产市场对其他市场的溢出效应即为系统重要性。对系统重要性城市的识别和对比不仅能够深刻了解系统性风险的形成机理,而且能够帮助监管部门通过调控系统重要性城市的房地产市场有效管理整体房地产市场的系统性风险水平,具有重要的理论价值和政策价值。同时,本文考虑了城市经济发展规模的影响,避免出现“小城市,大风险”的不合理现象。
余文结构安排如下:第二部分对房地产市场系统性风险的生成机制进行理论探讨,并对现有指标方法进行改进;第三部分介绍度量房地产市场系统性风险累积指标的构建过程;第四部分对相关样本数据进行介绍,并分析中国房地产市场系统性风险累积的特征;第五部分对指标的前瞻性进行检验;最后为本文的研究结论与政策建议。
二、房地产市场系统性风险的生成机制和度量方法选择
房地产市场系统性风险主要来源于两个方面:第一,各城市房地产价格的风险溢出效应,导致整体房地产市场的脆弱性显著增加;第二,系统性风险在房价上行期开始累积,在房价下行时期开始实现,甚至爆发危机。因此,本部分将从以上两个角度出发理论分析房地产市场系统性风险的生成机制,并根据机制分析改进现有的量化模型,构建房地产市场系统性风险累积指标,以期预警未来风险的实现。
(一)风险溢出与系统性风险
一般情形下,不同城市房地产市场特征异质性比较明显的系统相对稳定。原因在于:异质性显著的系统中,部分城市房价上涨、部分城市房价下跌,某个城市房地产市场的波动会与其他城市的反向波动相互抵消,从而避免整体市场出现大幅波动。相比之下,如果不同城市房地产市场的同步性比较强,系统脆弱性将会显著增加。具体而言,如果一个城市房地产市场受到冲击后房价出现上涨或者下跌,与其具有相似特征的城市同样会出现相同方向的波动。而且,不同城市房地产市场之间的同步性会放大房价波动幅度,由此产生的恶性循环将会加速和放大整体房地产市场的脆弱性。综上所述,不同城市房地产市场价格的同步变化及其所带来的风险溢出效应是房地产市场系统性风险的重要来源之一。国际货币基金组织在2018年4月发布的《金融稳定报告》[1]中指出,2008年全球金融危机之后,40个国家的40个主要城市房价呈现出同步上涨的趋势,这一同步性将会引发实体经济发展的下降风险。具体而言,当全球金融条件逆转时,世界主要城市房价的同时下跌将严重冲击各国的经济金融稳定性。
那么,同步性是如何实现的呢?本文认为不同城市房地产市场的风险溢出效应带来了同步性。具体而言,部分城市房地产市场相比其他城市具有显著较高的溢出效应,即这部分城市房地产市场的变动将显著带动其他城市发生同向变动。类似于系统重要性金融机构的概念,这部分城市便成为整体房地产市场的系统重要性城市。显然,某一个城市房地产市场在同步变化过程中对整体系统性风险的贡献越大、溢出效应越强,意味着该城市在整体房地产市场中处于越关键的地位,即系统重要性越高。
综上可知,整体和关键个体对系统性风险均具有显著的影响。具体而言,多数城市房地产市场的同向运动会通过风险溢出和循环放大机制提高系统性风险水平。其次,在同步运动中,具有系统重要性的城市将主导整体房地产市场的运动方向,成为整体房地产市场系统性风险的关键来源。基于以上分析,作为对现有研究成果的深化,本文认为房价变动不等同于风险的变化,但是房价的同步变动意味着系统性风险出现了变化。
(二)周期性与系统性风险
Minsky[12]认为,金融体系中的周期性特征会带来系统性风险的累积,从而引发未来风险的爆发。他在金融不稳定假说中提出:稳定是不稳定的(Stability is destabilizing)。在上行金融周期,金融体系的波动较小,投资者会由于乐观的预期倾向于选择风险较大的决策行为,导致自身风险承担水平上升,进而提高系统脆弱性。在下行金融周期面临外部冲击时,整个体系累积的风险将会爆发,引起金融危机。Brunnermeier等[13]提出的“波动性悖论”(Volatility Paradox)具有同样的含义。由此可见,系统性风险在上行金融周期时便开始累积,在下行金融周期中爆发出来。实证中,李政等[14]在研究中国银行、证券和保险三部门之间的风险溢出时,采用价格上行时期的数据刻画风险累积并研究发现该指标具有较好的风险预警作用。从这一角度来看,上行周期系统性风险的累积是未来爆发危机的根本性原因。
房地产市场是比较特殊的实业部门,其与金融部门具有较高的相似性。因此,房地产价格的周期性特征同样会带来系统性风险的累积和爆发。从时间角度来看,系统性风险在房价上行时期开始累积,而在房价下行时期开始实现。
在房价上行时期,持有房屋所获取的价格收益显著增加。此时,金融属性开始成为房屋价格的主要驱动属性,投资者开始积极追逐房地产市场的高额收益,进一步推升房屋价格上涨。反之,在房价下行时期,房地产价值下降,其抵押的价值也随之下降,银行放贷意愿下降,投资者的还款压力开始增加,选择抛售房屋,进一步降低了房地产的价格。由此可见,房地产市场和金融部门具有相似的周期性。
然而,两部门依然存在不同,主要体现在风险的表现方式不同。具体而言,金融部门属于投资主体,其在上行周期的风险承担体现在风险资产持有比重的增加,下行周期的风险实现体现在资产抛售或者杠杆率的降低。相比之下,房地产市场属于产品主体,不具有投资主动性。房价上行时期,房地产市场的风险承担主要体现在价格的同步快速上升;房价下行时期,房地产市场的风险实现体现在价格的同步快速下降。因此,相比于金融机构风险累积和实现的复杂度量而言,房地产市场风险累积和实现的度量比较直观,主要以价格的同步变动为主。
既然房地产市场具有周期性行为,故最佳的监管政策应当是将观察视角拉长,从房价上行时期开始识别和度量房地产市场系统性风险累积水平,并采取有效措施进行化解,防止房价下行时期系统性风险的爆发。这也是本文研究的基础依据。房地产市场系统性风险的完整生成机制如图1所示。
(三)系统性风险度量方法选择
房地产市场和金融部门具有较高的相似性。因此,本部分对系统性金融风险的度量方法进行综述,并根据房地产市场系统性风险的生成机理,选择和改进相应的方法构建适合房地产市场的系统性风险度量指标。
金融体系系统性风险度量方面,尾部依赖模型是目前较为常用的方法之一。这类模型通常考虑金融机构市场数据分布之间的尾部依存关系。由于该类方法简单直观,且适合高频数据测算,在系统性风险度量领域格外被重视。当前被广泛关注的尾部依赖模型包括条件在险价值(ΔCoVaR)[15-18]、系统性期望损失(SES和MES)[19-20]、系统性风险(SRISK)[21-22]、或有权益(CCA)[23-25]、非线性Granger T检验指标[26]等,均是利用股票市场数据并通过金融时间序列模型,如分位数回归、历史模拟、DCC-GARCH等模型,得出压力情形下金融机构之间、金融机构与金融体系之间、金融市场之间的相互依赖关系。
结合房地产市场系统性风险的生成机理,本文选择的度量方法需要解决三方面问题。第一,能够体现不同城市房地产市场的同步性,这一特征映射到金融体系可以体现为金融机构之间的关联性。第二,同步性意味着不同城市的共同运动带来了整体的脆弱性。因此,整体房地产市场的系统性风险主要体现为各个城市房地产市场风险贡献的水平。这一要求意味着度量指标需要具有可加性。第三,本文重点从房价上行时期出发构建风险累积指标以预警房价下行时期可能实现的风险,因此度量指标应当可以考察房价上行时期极端值的影响作用。
因此,本文以Adrian等[15]提出的ΔCoVaR为基础度量不同城市房地产市场之间的同步性,然后通过两方面改进构建量化的、具有前瞻性的房地产市场系统性风险累积指标。第一,体现房地产市场的周期性特征。本文采用上分位数(即房价增速最高的分位数)衡量房地产市场的风险累积。为了能够采取措施有效防范系统性风险,需要尽可能构建前瞻性的系统性风险累积指标。较理想的选择是考虑房价上行时期的风险累积,利用房价增速的上分位数实现这一目标。第二,体现出不同城市与整体房地产市场的同步性特征。该特征要求风险度量指标具有可加性,即不同城市房地产市场的系统性风險贡献之和可以代表整体房地产市场系统性风险。但是,ΔCoVaR并不满足这一要求。因此,本文提出了条件预期损失指标(ΔMES)。鉴于期望损失(ES)能够完整刻画左侧尾部收益率的分布,且期望损失具有可加的特征,条件预期损失以期望损失为基础构建。
三、房地产市场系统性风险累积指标构建与估计
(一)房地产市场系统性风险累积指标构建
房价收入比指标是一个重要的房地产泡沫或者风险累积指标,但是该指标的不足在于并不是每个城市都公布该指标数据,而且该指标的频率较低,不利于房地产市场系统性风险的度量与实时监测。因此,本文参照金融风险研究成果以房价收益率的极端波动为基础刻画风险累积。[WTBX]
假设房地产市场由N个城市组成,房地产市场整体的房价收益率为RM,第i个城市的房价收益率为Ri。则有
其中,wi为第i个城市的房地产价值占整个房地产市场价值的比例,其数据不可得。本文以该城市的当季GDP在样本城市(视为整个房地产市场)当季GDP之和的占比为代理变量。为构造房价上行时期单个城市的边际期望损失指标,需要定义整个房地产市场的期望损失指标。给定显著性水平q,分位数VaR1-q为整体房地产市场价格在给定显著性水平下的在险价值。此时,整体市场期望损失为超过在险价值部分极端情形的期望值。该指标的具体定义为
其中,U代表该指标利用房价上行时期的数据构建而成。本文参照现有研究设定q=10%,此时1-q=90%。因此,本文的指标刻画了房价收益率的右侧分布情形。
进一步地,由于整体房地产市场由多个城市房地产市场构成,因此结合式(1)(2),整体房地产市场的预期损失还可以表示为
需要指出的是,式(3)与Acharya等[20]提出的期望损失(ESDq)并不相同。从计量技术而言,房价下行时期的期望损失建立在收益率分布左侧的尾部依赖,房价上行时期的期望损失建立在收益率分布右侧的尾部依赖。从经济含义而言,房价下行时期考虑的是房地产市场处于下跌时期单个城市与整个市场之间的传染关系,房价上行时期考虑的则是房地产市场处于上涨时期单个城市与整个市场之间的传染关系。与房地产市场下行时期相比,房价上行时期所带来的风险累积,能更具前瞻性地考察系统性风险问题。
由式(3)可进一步求取城市i对整个房地产市场房价上涨的边际贡献度为
式(5)衡量的是城市i的房地产市场对整体房地产市场房价上涨的边际贡献度,即当整体房地产市场价格处于上行时期时,单个城市房价上涨对整体房地产市场的贡献幅度为MESi|Uq。
但是,即便在正常状态下,各个城市也会由于各自的住房政策、供求关系等不同的基本面因素而对整体市场房价上涨有着不同的贡献幅度。因此,在房价上行时期刻画单个城市的贡献度时应当剔除房价正常增长时期的贡献度,只需要体现出单个城市在极端上行情形下的贡献水平。此时,本文借鉴ΔCoVaR的思想,采用计算边际量的方法解决这一问题。具体而言,本文利用单个城市在整体房地产市场处于上行时期(q=10%)时得到的MESi|Uq扣减该城市在整体房地产市场处于正常状态时得到的MESi|U50%(q=50%),此时得到的差值(ΔMESi|Uq)便剔除了正常时期的贡献水平,能够纯粹地反映该城市在房价上行时期对整个房地产市场的贡献水平。其中,50%表示整个房地产市场的收益率处于50%分位数,即房地产市场处于正常发展时期。ΔMESi|Uq的定义如下:
其中,$Sizei表示各个城市经过标准化的GDP规模,为该城市的当季GDP在70个大中城市(视为整个房地产市场)当季GDP之和的占比。式(7)则为每个城市房地产市场对整体系统性风险累积的贡献程度,用来刻画不同城市房地产市场的系统重要性,是空间维度系统性风险累积指标。
此外,由于期望损失指标具有良好的可加性,通过将ΔMESi|Uq加总可以得到房地产市场风险不断累积的度量指标:
这里,本文对不同城市的系统性风险累积贡献度进行简单的求和,得到房地产市场的系统性风险累积水平。需要说明的是,房地产市场系统性风险累积指标的构建方式不同于银行业系统性风险指标的构建方式。前者通过单纯求和得到,而后者以银行机构权益或者资产总值占银行体系的比值为权重进行加权求和得到。处理方式的差异源于两个市场的价格指数在构建方面的不同。根据Wind数据库的指标介绍可知,2011年以前国家统计局按照算术平均的方式计算70个大中城市住宅价格指数,此后不再发布70大中城市整体房价指数,而是开始发布单个城市的房价指数。不过,Wind数据库同样采用算术平均的方式构建了2011年以后的70个大中城市住宅价格指数。相比之下,银行业股票指数则通过市值加权得到。因此,两个市场行业指数的构建方式存在差异。为保持和权威房地产价格指数的一致性,式(8)采用简单求和的方式得到房地产市场的系统性风险累积水平。
综上,Δ$MESi|Uq与ΔMESM|Uq有着重要区别。这两个指标分别代表了系统性风险累积的两个维度。Δ$MESi|Uq是系统性风险累积的空间维度指标,着重从单个城市视角看待各个城市对整个房地产市场系统性风险累积的贡献。利用该指标可以对任一给定时点各个城市的贡献进行横向排名,从而对系统重要性城市进行甄别。ΔMESM|Uq是系统性风险累积的时间维度指标,着重从整个房地产市场视角看系统性风险累积随时间的演进趋势,利用该指标可以对不同时间点的系统性风险累积进行纵向比较,从而对房地产市场系统性风险进行预警。
(二)系统性风险累积指标估计
现有研究中,主流成果认为利用滚动窗口或者DCC-GARCH模型均可以构建时变的系统性风险指标。对比两种估计方法可知,滚动窗口法对数据频率的要求比较高。假如时间窗口为100期,则根据10%的分位数水平,该窗口期可以得到10个符合条件的数据。但是,对于房地产市场而言,其最高的数据频率为月度,100个样本构成窗口期大大降低了样本的利用效率。因此,本文采用动态的DCC-GARCH方法计算动态指标值。
借鉴Brownlees等[22]的研究,本文利用DCC-GARCH模型對房地产市场的收益率RM,t以及城市i的房价收益率Ri,t进行分解。假设RM,t和Ri,t满足如下双变量随机过程
在构建双变量过程之前,需要对两个市场的收益率去均值化。:
为了检验本文构建的风险累积指标是否具有良好的前瞻性,构建传统的系统性风险指标进行对比分析。本文所构建指标最重要的贡献在于刻画房价上行时期的风险累积。相比之下,传统的指标主要刻画房价下行时期的风险。前瞻性主要体现在风险刻画的时间维度方面存在差异,因此仅需要构建时间维度的传统系统性风险指标,并不需要重新计算空间维度的传统系统性风险指标。
为保持研究一致性,本文以房价收益率低于左侧分位数的数据样本为考察对象,构建传统的房地产市场系统性风险指标(ΔMES指标)进行前瞻性检验。Acharya等[20]在进行实证研究时以历史上股票市场的损失为基础度量系统性风险,与滚动窗口法具有相同的本质。因此,本部分采用滚动窗口的方法构建传统的房地产市场系统性风险指标。
本文以5年的样本区间为时间窗口构建传统指标,得到2010年6月—2017年12月的传统系统性风险指标,记为ΔMESM|Dq。这里,M代表整体房地产市场的系统性风险,D代表该指标是利用房价下行周期的数据构建的,q=10%代表该指标利用房价序列下10%分位数左侧的风险水平度量系统性风险。
四、中国房地产市场系统性风险累积测度
(一)样本与数据
目前中国各城市房价统计数据中权威的基准是国家统计局公布的70个大中城市新建住宅价格指数。70个大中城市房地产开发投资额占全国所有城市房地产投资开发总额的80%以上,城市样本的代表性非常强,可以得到可靠的研究结论。因此,本文选取中国70个大中城市作为研究样本。该价格指数在2005年之前只统计35个城市,2005年之后拓展到70个城市。为保持一致性,样本选择起始点为70个大中城市房价统计开始之日,即最终确定的样本区间为2005年7月—2017年12月,数据为月度频率。数据来源为Wind数据库、中经网统计数据库等。由于扬州市相关数据开始统计的时间要晚于其他城市,为保持样本的时间区间尽可能长,本文将扬州市数据剔除。后续分析将基于其余69个城市展开,具体城市分类见表1。
根据前文阐述,指标的构建需要中国整体房地产市场的收益率(RM)。本文仍然以70个大中城市新建住宅价格指数作为整体房地产市场的价格指数,并以该指数的环比作为房地产市场收益率。尽管本文样本剔除了扬州市数据,但是70个大中城市房地产价格指数仍然是中国整体房地产市场的最优代理变量。这与采用部分银行机构股票价格数据与银行业股票指数进行系统性金融风险研究具有相似性。此外,本文采用各个城市的新建住宅价格指数环比作为相应城市房地产市场的收益率。
(二)房地产系统性风险累积结果分析
如前文所述,房地产市场系统性风险累积分为时间维度和空间维度。时间维度注重从整个房地产市场角度出发看系统性风险随时间的累积情况,即纵向对比。空间维度注重从各个城市角度出发看城市的系统性风险贡献,即横向对比。
1.时间维度系统性风险累积过程分析
时间维度的系统性风险累积指标变化趋势如图2所示。整体来看,中国房地产市场系统性风险累积呈现周期性波动特征。具体而言,可以将中国房地产市场系统性风险累积分为5个阶段。
第Ⅰ阶段(2005年7月—2008年7月):中国房地产市场系统性风险波动剧烈,无明显趋势。2005 —2007年上半年,中国房地产市场系统性风险处于下降趋势,随后开始上升并维持在较高水平,整体来看并无明显的变化趋势。结合当时中国房地产市场状况看,2003年开始中国房价持续上涨并于2007年达到顶峰。为限制房价快速攀升,国家采取多种措施调控房地产市场的发展。具体来看,2005年3月,国务院推出“国八条”,意在加强房价的调控和扩大多种房屋类型的供给。同年7月,房地产市场系统性风险开始下降。2006年5月,建设部等九部委联合推出“国六条”,可以看作是“国八条”的详细补充。同年8月,房地产市场系统性风险开始下降。007年9月,中国人民银行和当时的中国银行业监督管理委员会(现为中国银行保险监督管理委员会)联合发布《关于加强商业地产信贷管理的通知》,从信贷供给的角度加强对房地产市场的调控。2008年3—5月,中国人民银行连续3次上调存款准备金率。2这期间,房地产市场系统性风险一直处于下降趋势。整体来看,在此期间房地产市场在房价不断上升和政府不断调控的相互博弈过程中前行。尽管存在滞后效应,但是房地产调控政策依然具有较好的调控效果,房地产市场系统性风险在政策颁布后出现不同程度的下降。因此,这一时期房地产市场系统性风险尽管由于调控政策的实施波动比较剧烈,但是并未出现明确的发展态势。
第Ⅱ阶段(2008年7月—2009年5月):中国房地产市场系统性风险处于快速攀升阶段。这一时期的风险上升主要与当时的政策干预相关。2008年9月全球金融危机爆发,中国政府开始采取宽松的政策刺激房地产市场。具体来看,中国人民银行在2008年9月15日宣布存款准备金率和人民币贷款利率“双率”下降,在10月19日再次下调存贷款基准利率。中央、财政部和地方政府分别采取各种措施鼓励住房消费,全方位刺激楼市。有利的政策环境导致这一时期房地产市场繁荣发展。2009年,中国房地产开发投资同比增长16.1%,商品房销售面积同比增长42%。然而,如前文所述,房地产市场的繁荣发展使得房价进入了上行时期,伴随而来的也是系统性风险的快速累积,直观来讲就是本文指标的快速上升。
第Ⅲ阶段(2009年5月—2012年12月):中国房地产市场系统性风险呈现出先下降后上升的趋势。首先,在2009年5月—2010年11月间,中国房地产市场的系统性风险呈现下降的趋势。主要的原因是前一时期房地产价格飙升,投机氛围浓厚。此时,中央政府开始采用紧缩的政策调控房地产市场。例如,2009年5月25日,国家发展和改革委员会提出联合财政部等部委研究开征物业税。同年10月,营业税免征优惠政策终止。同时,国务院常务会议决定,个人住房转让营业税的征免时限自2010年1月1日起由2年恢复到5年。其次,在2010年11月—2012年12月间,中国房地产市场的系统性风险出现逐步上升的趋势。然而,这一时期中央政府对待房地产市场仍然以紧缩的政策为主。例如,国务院办公厅在2011年1月发布新“国八条”,进一步加大限购力度。上海和重庆两市成为房地产税改革的试点。2011年1—6月,中国人民银行连续6次上调存款准备金率。2012年,中国的住房信息开始联网。但是此时,房地产市场系统性风险依然处于上升趋势,意味着政策调控的效果并不明显。
第Ⅳ阶段(2013年1月—2014年10月):中国房地产市场系统性风险呈现出震荡下行的趋势。在此期间,中国房地产市场的调控政策依然以紧缩为主。2013年,新“国五条”出台,房地产的限购策略更为严格。2013年的紧缩政策结合前期高强度的紧缩政策调控导致这一时期的房地产市场开始逐步冷静下来,房地产价格指数逐步平稳、房地产投资增速下降。综合来看,房地产市场的平稳也带来了系统性风险的稳定以及随后的下降。
第Ⅴ阶段(2014年11月—2017年12月):中国房地产市场系统性风险呈现出先上升后下降的趋势。2014年11月—2016年7月,中国房地产市场系统性风险开始上升,原因在于这一时期宽松的调控政策再次推动了房地产市场的非理性繁荣发展。具体来看,在“稳增长+去库存”诉求下,2014年6月起部分城市取消限購政策。同年9月30日,限贷政策的放松代表着全国性宽松环境的出现。同年11月,中国人民银行重启降息。2015年和2016年房地产市场的全面宽松政策,导致全国房地产市场异常快速地发展起来。这一非理性发展必然会带来房地产市场系统性风险的快速上升。房价的快速上涨引起中央政府的关注。2016年9月30日起,以北京为代表的热点城市推出新政,意味着房地产调控全面转向。限购、限贷、限售、限价、限商改住等限制措施全方位实施,引起房地产市场的再一次紧缩。同时,房地产市场系统性风险也开始逐步下降。
基于对上述5个阶段的分析可以进一步得出以下两方面结论。第一,外部经济和政策环境与中国房地产市场风险累积程度有紧密关系。当宏观经济或者政策环境处于宽松时期时,房地产市场风险累积程度会不断提升;当宏观经济和政策环境处于衰退或者紧缩时期时,风险累积程度随之下降。第二,调控政策对房地产市场系统性风险累积的调控效果逐步减弱。具体而言,在早期阶段,较少的调控政策就可以使得房地产市场较快达到监管部门所期望的效果。但是,从第三阶段的后半段开始,调控政策对房地产市场的调控效果出现较长时期的滞后,而且2016年开始实施全方位的紧缩政策以后才保住房地产市场的稳定。这一结论与荆中博等[27]的研究结果类似,后者发现我国宏观审慎政策对房地产市场具有靶向作用,但是调控效果并不理想。
2.空间维度房地产市场系统性风险贡献分析
本文选取空间维度系统性风险指标横向对比分析不同城市房地产市场系统性风险水平,以准确判断各个城市系统重要性的差异性。具体而言,本部分在计算得到各城市2005年7月—2017年12月的月度数据后,按照时间维度对每个城市的全样本期进行加总,得到了各个城市房地产市场的系统重要性。系统重要性排序前20名的城市见表2。可以看出,北京、广州和上海的系统重要性遥遥领先,尤以北京最为显著。此外,第三名上海的系统重要性是第四名天津的两倍左右。这一结果说明,系统重要性前三名的城市对中国房地产市场的风险贡献程度非常显著,而且远超其他城市。
意外的是,深圳市房地产市场的系统重要性仅排在第20名,与北京、上海、广州并没有处于同一等级。这一结果从表面上意味着,相对于北京、上海、广州而言,深圳市对中国房地产市场的系统重要性较差。北京、上海、广州、深圳4个城市房地产市场的系统重要性时间趋势如图3所示。可以看出,4个城市的系统重要性时间趋势大部分是相似的,意味着这4个城市的系统重要性基本一致。但是,2015年6月—2016年2月,深圳市的系统重要性出现了大幅度的波动,先是快速下降,然后又快速上升。正是这一期间系统重要性的大幅下降拉低了整体样本期间深圳市房地产市场系统重要性。
深圳市房地产市场系统重要性在2015年6月—2016年2月大幅下降的主要原因是该城市房地产价格波动与全国房地产价格的波动存在时间错配。具体而言,2015年3月30日,中央政府开始支持房地产市场的发展,中国房地产市场进入新一轮的上涨周期。其中,深圳扮演着领跑者的角色,2015年4月至7月累计上涨了20%,全年涨幅接近40%。然而,此时全国房地产市场仍然处于不温不火的状态,北京、上海和“四小龙”(南京、苏州、厦门、合肥)等城市的房价自2016年第1季度开始上升,而这些城市的房价上涨又刺激了武汉等城市的房价上行,越来越多的城市加入到房价上涨的队伍中来,房地产市场进入全面上涨阶段。
可见,深圳市房地产市场具有领先性而非同时性,导致深圳市房地产市场的快速发展并没有如实反映在指标当中。因此,本文构建空间维度系统性风险累积指标有助于监管层从单个城市的角度监管房地产市场的发展现状,并通过对异常值的全面解剖挖掘到出人意料、极具价值的丰富信息,并据此设计更加完善的监管制度和应对措施。
整体来看,不同城市房地产市场的系统重要性基本与该城市的综合实力比较匹配。排名靠前的多为综合发展情况优良的一线城市,其次是新一线城市。这一特征背后的原因包括两方面。第一,综合实力比较强的城市基本都具有较大的经济发展规模,而规模是现有研究中度量系统重要性的因素之一[15]。第二,不同城市房地产市场之间存在着显著的溢出效应。经济实力比较雄厚的城市溢出效应更加显著,导致周边城市房地产价格同步上涨[4,28],同时带动全国整体房地产价格的快速上涨。
综上,系统重要性高的城市房地产市场在极端情形下会使整体房地产市场的系统性风险快速累积,显著提高风险爆发的可能性。从政策价值来看,政策制定者可以通过加强对这些系统重要性高的城市的监管,实现减少房地产市场系统性风险累积和防范泡沫破裂从而爆发危机的目标。
五、系统性风险累积指标的前瞻性检验
为验证本文指标的前瞻性,需要构建基准的风险指标。因此,本文利用历史模拟法得到了2010年6月—2017年12月期间,利用房价下行时期数据构建的系统性风险传统指标(ΔMESM|D10%)。这里,M代表整体房地产市场的系统性风险,D代表该指标是利用房价下行时期的数据构建的。q=10%代表该指标利用房价序列下10%分位数左侧的风险水平度量系统性风险。
本文指标(ΔMESM|U10%)和传统风险指标(ΔMESM|D10%)以及70个大中城市新建住宅价格指数的变化情况如图4所示。从图中可以得到两个结论。第一,本文指标与房地产价格指数具有较高的正向相关性,而且本文指标具有前瞻性。特别地,在房地产价格上涨的2012年和2015—2016年两个时间段,本文指标均表现出了系统性风险水平不断累积的过程。而且,从波峰的出现时间可以看出,本文指标波峰的出现时间要早于价格指数的波峰。由此可知,本文指标能够较好地预测出房地产市场系统性风险的累积水平,前瞻性较好。第二,传统指标与房地产价格指数具有较高的负向相关性,主要度量风险的实现。具体来看,在房地产价格上涨的2012年,传统指标呈现出下降的趋势。相反的是,在房地产价格下降的2013—2014年,传统指标则呈现出显著的上升趋势。这一结果意味着,房地产价格上升时传统指标降低、房地产价格下降时传统指标上升,因此传统指标主要度量房地产市场系统性风险的实现程度,不具有前瞻性。
接下来本文进一步采用格兰杰因果检验对本文指标的前瞻性进行验证。在进行格兰杰因果检验之前,采用ADF单位根检验分析本文指标、传统指标和房地产价格指数共3个时间序列的平稳性。检验结果表明三个序列均是非平稳序列,但是一阶差分的序列均是平穩序列。因此,可以断定各个指标均为I(1)过程。进一步的协整检验结果表明,本文指标和房地产价格指数之间存在着长期均衡关系,可以使用格兰杰因果检验,而传统指标和房地产价格指数之间不存在长期稳定的均衡关系。本文指标和房地产价格指数之间的格兰杰因果检验结果见表3。
从表3可以明显看出,房地产价格指数在滞后1期时是本文指标的格兰杰原因,但是该结果仅在5%的水平上显著不为零。而且,滞后期延长后,房地产价格指数并不是本文指标的格兰杰原因,说明该结果并不稳定。与之相反的是,本文指标从滞后2期开始是房地产市场价格指数的格兰杰原因,而且在滞后2~5期时该结果依然保持在1%的水平下显著,这一结果说明本文指标具有良好的前瞻性和稳定性。
六、结论与政策建议
“明斯基不稳定假说”认为,稳定的发展可能带来不稳定的后果,原因在于稳定发展中引起投资者风险意识的下降和风险承担的上升,进而累积风险并引发未来的风险。由此可见,风险管理一直是发展中不可忽视的话题。本文基于“明斯基不稳定假说”的现实意义,提出了系统性风险累积的量化指标,并创新性地将之应用于中国房地产市场系统性风险的度量与防范,具有重要的理论价值和现实意义。本文通过对2005年7月—2017年12月中国房地产市场系统性风险累积的实证分析,得到了以下三方面结论。
在房地产市场系统性风险累积指标的量化分析方面:本文通过分析风险形成机理,认为房价的上升并不一定代表风险,但是不同房地产市场房价同步出现极端上升则是脆弱性的累积。在此基础上,本文借鉴金融风险研究成果采用尾部依赖模型构建房地产市场系统性风险累积指标,通过实证研究发现,本文构建的风险累积指标是一种可靠的房地产市场系统性风险预警指标。
在时间维度分析方面:中国房地产市场系统性风险具有阶段性的发展趋势,而且和调控政策的立场息息相关。具体而言,当宏观经济或者政策环境处于宽松时期时,房地产市场风险累积程度也会不断提升;当宏观经济和政策环境处于衰退或者紧缩时期时,风险累积程度随之下降。此外,调控政策对房地产市场系统性风险累积的调控效果逐步减弱。在早期阶段,较少的调控政策便可以达到效果,但是2011年以后监管政策调控的效果逐渐延迟,而且影响的幅度也在不断下降。
在空间维度分析方面:我国系统重要性城市主要集中在综合实力发达的一线城市,其次是新一线城市。这一结论意味着,房地产市场的系统重要性与城市的综合实力具有较高的相关性。值得注意的是,部分城市可能会领先于整体市场出现发展高峰,这种领先性使得本文指标表现为负值。此时,监管部门在实时监测过程中要重点关注空间维度系统重要性为负值的城市,因为这一数值意味着该城市开始领跑房地产市场,其后将伴随着整体房地产市场的快速繁荣。
基于以上研究结论,本文提出了三方面的政策建议。
第一,监管部门应当利用自身的数据优势建立多层次、具有前瞻性的房地产市场系统性风险监控体系。本文通过理论分析利用房价上行时期的数据构建了系统性风险累积指标,而且该指标在有效性和前瞻性等方面具有显著的优势。但是,由于数据的限制,本文仅仅对少数重要城市的房地产系统性风险水平进行测算,无法深入到全国数百个城市的研究层面。因此,监管部门应当利用自身的数据信息优势进一步扩大研究对象的范围,深入地测算和分析每一个城市的系统性风险水平。基于此,中国房地产市场系统性风险的监管能够从整体角度出发,做到“一城一策”的差别化监管。
第二,中国政府应当关注不同城市之间的均衡发展。本文认为,一线城市房地产市场的系统重要性最强,而且远远高于其他城市,主要原因是这些城市的综合实力较强。结合系统重要性金融机构的风险管理经验,房地产市场系统性风险过于集中在少数城市同样存在着弊端。基于此,中央政府应当多多关注不同级别城市的均衡发展,从而降低系统性风险的跨市场溢出。
第三,房地产调控政策应当具有前瞻性和持续性。根据中国房地产市场系统性风险的特征可知,政策收紧时房地产市场发展减缓、系统性风险降低,政策宽松时房地产市场发展迅速、系统性风险上升。中国房地产市场的系统性风险高低与政策宽松与否具有重要的相关性。基于此,监管部门在制定房地产调控政策时应当保持前瞻性,防止房地产市场系统性风险的大幅波动,维持房地产市场的稳定发展。
参考文献:
[1] IMF. Global financial stability report[EB/OL]. (2018-04-02). https: ∥www.imf.org/en/Publications/GFSR/Issues/2018/04/02/Global-Financial-Stability-Report-April-2018.
[2] 梁云芳, 高铁梅. 中国房地产价格波动区域差异的实证分析[J]. 经济研究, 2007(8): 133-142.
[3] Yang J, Yu Z, Deng Y. Housing price spillovers in China: A high-dimensional generalized VAR approach[J]. Regional Science and Urban Economics, 2018, 68: 98-114.
[4] 王锦阳, 刘锡良. 住宅基本价值、泡沫成分与区域溢出效应[J]. 经济学(季刊), 2014(4): 1283-1302.
[5] 方意. 货币政策与房地产价格冲击下的银行风险承担分析[J]. 世界经济, 2015(7): 73-98.
[6] 方意. 系统性风险的传染渠道与度量研究——兼论宏观审慎政策实施[J]. 管理世界, 2016(8): 32-57.
[7] 王辉, 李硕. 基于内部视角的中国房地产业与银行业系统性风险传染测度研究[J]. 国际金融研究, 2015(9): 76-85.
[8] 方意, 陳敏, 杨嬿平. 金融市场对银行业系统性风险的溢出效应及渠道识别研究[J]. 南开经济研究, 2018(5): 58-75.
[9] 杨子晖, 陈雨恬, 谢锐楷. 我国金融机构系统性金融风险度量与跨部门风险溢出效应研究[J]. 金融研究, 2018(10): 19-37.
[10]郝毅, 李政. 土地财政、地方政府债务与宏观经济波动研究——以地方政府投融资平台为例[J]. 当代经济科学, 2017(1): 1-12.
[11]方意, 陈敏. 经济波动、银行风险承担与中国金融周期[J]. 世界经济, 2019(2): 3-25.
[12]Minsky P H. Can “It” happen again? A reprise[J]. Challenge, 1982, 25(3): 5-13.
[13]Brunnermeier M K, Sannikov Y. A macroeconomic model with a financial sector[J]. American Economic Review, 2014, 104(2): 379-421.
[14]李政, 梁琪, 方意. 中国金融部门间系统性风险溢出的监测预警研究——基于下行和上行ΔCoES指标的实现与优化[J]. 金融研究, 2019(2): 40-58.
[15]Adrian T, Brunnermeier M K. CoVaR[J]. American Economic Review, 2016, 106(7): 1705-1741.
[16]涂晓枫, 李政. 银行的影子: 风险分担还是风险传染[J]. 当代经济科学, 2016(2): 20-29.
[17]李明辉, 黄叶苨. 商业银行系统性风险溢出及系统重要性研究——来自中国16家上市银行CoVaR的证据[J]. 华东师范大学学报(哲学社会科学版), 2017(5): 106-116.
[18]郭晔, 赵静. 存款竞争、影子银行与银行系统风险——基于中国上市银行微观数据的实证研究[J]. 金融研究, 2017(6): 81-94.
[19]范小云, 王道平, 方意. 我国金融机构的系统性风险贡献测度与监管——基于边际风险贡献与杠杆率的研究[J]. 南开经济研究, 2011(4): 3-20.
[20]Acharya V V, Brownlees C, Engle R, et al. Measuring systemic risk[J]. Review of Financial Studies, 2017, 30(1): 2-47.
[21]梁琪, 李政, 郝项超. 我国系统重要性金融机构的识别与监管——基于系统性风险指数SRISK方法的分析[J]. 金融研究, 2013(9): 56-70.
[22]Brownlees C, Engle R. SRISK: A conditional capital shortfall index for systemic risk measurement[J]. Review of Financial Studies, 2017, 30(1): 48-79.
[23]范小云, 方意, 王道平. 我國银行系统性风险的动态特征及系统重要性银行甄别——基于CCA与DAG相结合的分析[J]. 金融研究, 2013(11): 82-95.
[24]王擎, 白雪, 牛锋. 我国商业银行的系统性风险测度及影响因素研究——基于CCA-POT-Copula方法的分析[J]. 当代经济科学, 2016(2): 1-9.
[25]范小云, 段月姣, 杨昊晰. 人口结构与系统性风险测度及监管——以利率为纽带的视角[J]. 经济研究, 2018(8): 52-67.
[26]方意. 主板与中小板、创业板市场之间的非线性研究: “市场分割”抑或“危机传染”?[J]. 经济学(季刊), 2016(1): 373-402.
[27]荆中博, 方意. 中国宏观审慎政策工具的有效性和靶向性研究[J]. 财贸经济, 2018(10): 75-90.
[28]余华义, 黄燕芬. 货币政策效果区域异质性、房价溢出效应与房价对通胀的跨区影响[J]. 金融研究, 2015(2): 95-113.
[本刊相关文献链接]
[1] 郭娜, 章倩, 周扬. 房价“粘性”、系统性金融风险与宏观经济波动——基于内生化系统性风险的DSGE模型[J]. 当代经济科学, 2017(6): 7-16.
[2] 刘震, 牟雯波. 宏观审慎管理、金融摩擦与经济周期——基于准备金率工具的视角[J]. 当代经济科学, 2017(3): 12-21.
[3] 郭冉冉, 郦博文, 巴曙松. 不同资产泡沫过程及危机后果的实证分析[J]. 当代经济科学, 2017(2): 45-52.
[4] 贾生华, 董照樱子, 陈文强. 影子银行、货币政策与房地产市场[J]. 当代经济科学, 2016(3): 13-19+30.
[5] 赵胜民, 梁璐璐, 罗琦. 宏观审慎体制下的金融摩擦与房地产市场[J]. 当代经济科学, 2015(1): 47-55.
[6] 郑冠群. 虚拟经济波动影响实体经济周期的研究进展与展望[J]. 当代经济科学, 2014(3): 75-81.
[7] 王磊, 李勇, 王满仓. 中国经济周期的“双重性波动”: 理论与实证分析——基于市场成长的视角[J]. 当代经济科学, 2010(6): 1-8.