张华丽 张林藏 孙涛 张鸿飞 何思润
【摘要】本文以河南省为例,通过查找中国统计年鉴、国泰安数据库提取2005-2017年的指标数据,运用Eviews软件利用逐步回归的方法建立房价回归模型,然后加入信用利差,再次作回归得到更加准确的房价回归模型,最后对模型进行相应的检验及分析。得出结论:与传统模型相比,信用风险的加入使得模型预测精度提高,更好的拟合实际数据,反映真实经济状况。最后提出合理的建议:适当的健全个人信用制度,加强商业银行内部信贷管理,来防范商业银行个人住房的信贷风险,从而使房价得以稳定。本文结论对河南省未来住房政策的制定具有一定的指导意义。
【关键词】信用风险;逐步回归;多重共线性
1、引言
房价一直是社会稳定的一个重要因素,在以银行为主的间接融资背景下,一方面房价上涨提高了抵押物价值,增强了购房者的还款信心,进而降低了购房者的违约风险;另一方面企业和购房者的违约风险上升使得银行面临呆帐坏帐的可能性增大,诱使贷款利率上升。近年来河南省房价一直呈持续上升的状态,房价的持续上涨掩盖了商业银行个人住房信贷风险,房价的大幅度上涨可能引发的商业银行个人住房信贷风险管理。因此,如何利用好住房抵押贷款的证券化,了解信用风险跟房价之间的相互作用,对我国宏观经济的发展、商业银行的经营效益都是一个重要的内容。
本文将基于计量经济模型并利用Eviews软件,采用逐步回归的方法建立房价回归模型,运用经济理论、多重共线性、自相关和异方差检验保证了模型的有效性,再加入信用风险指标,通过与真实值对比,进而得出信用风险对房价的影响规律,对河南省的住房政策提供数据支持。
2、模型的构建与分析
2.1模型变量的选取
影响房价的指标体系主要包括需求、供给和宏观经济三方面。[1]本文主要研究的经济指标包括河南省房地产开发企业土地成交价款X1、城镇人口X2、外资投资额X3、地方财政房产税X4、人均地区生产总值X5、居民消费水平X6、城镇在岗职工平均工资X7、金融危机X8、房地产开发企业总资产X9、房价滞后一期X10;其他因素不给予考虑。信用风险有很多种,本文用的反映信用风险的指标是信用利差X11。[2]
2.2数据处理
本文在河南省统计局的《中国统计年鉴表 2018》及《国泰安数据库》中选取变量2005-2017年的相关数据,利用Eviews软件进行标准化处理。
2.3建立房价回归模型
2.3.1建模思想
把河南省商品房销售价格也即是房价作为因变量Y,其他指标作为自变量,利用Eviews软件进行逐步回归分析。由于选取的经济指标大多数存在严重的多重共线性,所以选择逐步回归法可以消除多重共线性,从而使得到的房价回归模型更加合理。[2]
逐步回归的基本思想是将经济指标逐个引入模型,每引入一个自变量后都要进行F检验,并对已经选入的自变量逐个进行t检验,当前面引入的解释变量由于后引入的解释变量的引入变得不再显著时,则将其删除。以确保每次引入新的变量之前回归方程中只包含显著性变量。反复进行,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止。以保证最后所得到的解释变量集是最优的。[3]
2.3.2房价回归模型如下:
Y=755.227+0.17831X_1+0.14207X_5-0.03845X_7-220.687X_8
标准差 (53.118)(0.014) (0.015) (47.076) (0.198)
由Eviews软件运行结果可知,模型的可决系数为0.999,修正的可决系数为0.998,说明模型拟合效果较好,拟合优度大。F统计量为2318.990,它对应的概率p值近似为零,在显著水平α为0.05,由于p值小于α,拒绝回归方程显著性检验的零假设,认为回归系数不同时为零,被解释变量与解释变量全体的线性关系是显著的。模型利用逐步回归法消除了多重共线性的影响。模型的DW值为1.9505,经检验不存在异方差。模型全部通过了检验,该模型可以作为初步的房价回归模型。
为了和加入信用风险之后的房价回归模型作对比,本文先根据初步建立的房价回归模型预测出2017年的房价,通过和2017年真实房价对比,计算出预测的相对误差。根据查找的数据可以知道2017年房价真实值为5333,模型预测值为5328.48,利用公式:
相对误差=(预测值-真实值)/真实值
通过计算该模型预测的相对误差为0.495%,误差在允许范围之内,说明该房价回归模型可以作为下面研究的基础模型。
2.4模型优化
在初步建立的房价回归模型的基础上,加入反映信用风险的指标信用利差,得到以下模型二:
Y=184.06+0.342X_1+0.143X_5-0.0384X_7-146.96X_8+〖166.16X〗_11
标准差 (142.84)(0.122)(0.008) (0.008) (32.712) (40.578)
由Eviews软件运行结果可知,模型的可决系数为0.999,修正的可决系数为0.999,说明模型拟合效果较好。F统计量为5515.093,它对应的概率p值近似为零,在显著水平α为0.05,由于p值小于α,拒绝回归方程显著性检验的零假设,认为回归系数不同时为零,被解释变量与解释变量全体的线性关系是显著的。模型利用逐步回归法消除了多重共线性的影响。经检验模型的DW值為1.93,不存在异方差。
本文把加入信用风险的房价回归模型与初步建立的房价回归模型作对比,再次计算出模型预测的相对误差,2017年房价真实值为5333,模型预测值为5354.07,利用公式:
相对误差=(预测值-真实值)/真实值
计算出模型预测的相对误差为0.0173%
2.5模型对比
通过以上两个房价回归模型可以看出,加入信用风险之后的模型拟合效果更好,回归系数更显著,最主要的是模型预测的相对误差较小,表明信用风险是影响房价的一个重要因素。从模型结果系数为正可以看出信用风险与房价有正相关关系,由此可以看出减少信用风险可以抑制房价。
3、结论及建议
3.1结论
本文研究发现信用风险对房价有正向作用,作为连接房地产商和购房者的银行为了转移自身风险,不断提高贷款利率,对于房价上涨有很大促进作用。房价上涨虽然对我国GDP贡献很大,但是对我国人民的生活质量的影响也是不容忽视的,越来越多的人成为“房奴”,幸福指数普遍下降。在中国当下这个房价持续上涨的环境中,投资住房的确是一个不错的选择,这也使得购房需求增加,拉动房价上涨,但对于普通老百姓来说,超高的房价使得基本的住房需求都成为困难。
3.2建议
近年来国家主席提出房子是用来住的不是用来炒的,从根本上指出只有从需求端下手才能从根本上抑制房价上涨。因此建议人们把投资的方向转向提升综合国力的产业方面,一味靠炒房价提升的GDP都是虚拟的,对于中国这样的人口大国,关注GDP的同时更应该关注普通人民的生活状态,14亿人口不是几个“王健林”、“李嘉诚”可以带动的。
参考文献:
[1]张双妮.基于逐步回归模型拟合房价预测模型[J].现代农业研究,2019(2).
[2]郑勇.信用风险、房价与宏观经济波动[J].暨南学报,2018(7).
[3]庞皓.计量经济学[M].出版地:科学出版社,2014:2-255.
[4]钟丽燕,高淑兰 .多元线性回归模型在房价走势分析与预测中的应用[J].科技创业月刊,2017(5).
[5]杨信武.房价波动与我国商业银行个人住房信贷风险管理研究[J].南昌大学,2010(06).
[6]吴鸿波.浅析房价与商业银行的信用风险--商业银行对房价的“矛盾感情”[J].当代经济,2009(01).
[7]李胜.我国商业银行住房抵押贷款风险研究[J].中国财经大学,2015(06).
[8]沈中华,管超,华盛,等.信用评级有效性研究--发行利差的解构视角[J].吉林大学社会科学学报,2018(11).
[9]王赛.基于经济资本的我国商业银行信用风险管理—以上市房地产为例[J].中国海洋大学,2010(06).
[10]刘爽.商业银行个人住房抵押貸款信用风险分析—基于邯郸市的实证研究[J].华中师范大学,2018(05).
[11]黄俊杰.我国商业银行房地产信贷的风险研究[J].上海外国语大学,2018(05).
作者简介:
张华丽(1997.03),女,汉,河南省周口市,华北水利水电大学,学生,本科,金融数学;
张林藏(1999.02),女,汉,河南省南阳市,华北水利水电大学,学生,本科,金融数学;
孙涛(1998.08),男,汉,山西省晋城市,华北水利水电大学,学生,本科,金融数学;
张鸿飞(1998.12),男,汉,河南省洛阳市,华北水利水电大学,学生,本科,金融数学;
何思润(1998.02),男,汉,云南省昆明市,华北水利水电大学,学生,本科,金融数学。