影子银行、土地价格与地区房价 ——基于省级面板数据的空间计量分析

郑淑霞， 张晓明， 林 兴

(福建江夏学院 a.数理教研部 b.金融学院， 福建 福州 350108)

0 引言

自1998年住房改革以来，我国房地产业飞速发展，成为国民经济的重要支柱.持续走高的房价是供给方和需求方共同作用的结果.对供给方房地产开发商而言，土地供应和信贷支持显然是自身发展的两大命脉.

国内外学术界对信贷和土地与房价的关系做了大量的研究.Pollakowski[1]通过实证发现在一定程度上对土地供给进行限制后，将带来住宅价格更大程度的上涨，且上涨趋势也更明显；Kauko[2]认为当市场上出现富有弹性的土地供给时，土地政策可以在很大程度上影响房地产价格的变化.另一方面，Elbourne[3]利用脉冲响应函数研究英国住房市场和货币政策之间的关系，认为货币供给的变动会正向影响房价.国内学者也从不同的视角对上述问题进行了研究.邓宏乾等[4]运用动态广义矩估计测度地价和信贷与房价的关联性，结果发现地价对房价的推动作用远远强于信贷；汪卢俊[5]在信贷和地价的基础上，引入两者的交互项，通过面板数据模型分析发现，信贷扩张主要是通过土地财政影响房价，一二线城市的地价对自身房价的影响较三四线城市更为突出显著；卢琼佩[6]建立VAR模型实证研究银行的表内资金和表外资金对我国的房价都呈正面影响，且表外资金的影响更大；贾生华等[7]构建SVAR模型实证得出相同结论，并且进一步通过反事实模拟分析发现影子银行削弱了房价和房地产投资规模对紧缩性货币政策的响应程度；马亚明等[8]采用TVP-VAR模型实证研究后发现影子银行对房价的影响具有明显时变特征；张曾莲、何兰芳[9]引入门槛效应模型，实证研究发现影子银行在一定规模下能显著促进房价的上涨，超过一定规模后其影响不再显著，并给出了门槛值为1513亿元.

分析上述文献，不难发现，国外学者的结论来源于本国的数据，但是中国的房地产发展具有自身显著的特点：我国商业银行存在二元结构，房地产商的资金来源不仅仅是从银行获得的信贷，数据显示其社会融资占比并不低，且融资规模逐年上升，因此有必要将表外的社会融资纳入考虑因素.另外，国内学者在社会融资方面的研究做了一定的补充，且多数基于时间序列的模型进行讨论，没有从空间相关性的角度进行研究.但是，经济发展具有区域联动性，一个地区的发展显然会对周边地区产生影响，房价亦不例外.一个地区的房价在受到信贷(含表内信贷和表外信贷)、地价、收入等因素影响的同时，也受到相邻地区的房价以及自身上一期房价的影响.

基于此，我们考虑以下问题：影子银行是否助推了房价的上涨？是的话，土地价格和影子银行在房价上涨因素中孰轻孰重？另外，影子银行是否影响了土地价格？从区域经济的联动性考虑，他们对房价的空间溢出效应如何？本文基于上述问题，选取影子银行、交互项和土地价格作为解释变量，选取人均收入水平、人均财政支出、城镇化率、房地产投资、表内信贷等5个控制变量，采用空间滞后模型进行实证分析，发现：(1)影子银行和土地价格与房价皆呈现正相关关系.其中影子银行对房价的影响弱于土地价格，且影子银行会通过土地价格进而促进房价的上涨；(2)人均收入水平与本地区和相邻地区的房价都呈同向变化；财政支出对本地区和相邻地区的房价分别呈现出正面和负面的影响；房地产投资和表内信贷对本地区房价的正向影响较弱，对相邻地区房价的影响不明显.

本文的贡献主要体现在：(1)许多文献考察表内信贷对房价的影响，本文基于房地产开发商的融资现状讨论社会融资也就是影子银行对房价的影响，从另一个角度考察了资本对房价的影响；(2)在确定土地价格对房价正向影响的基础上，讨论影子银行通过土地价格进而对房价造成的影响；(3)从空间计量的角度分析一个地区的房价、地价和财政支出等因素对周围地区房价的影响，拓宽了研究视角.

1 理论机制分析与假设

1.1 土地价格与地区房价

土地价格对房价的正向影响得到了多数研究的证实.然而也有学者持不同看法：王鹤[10]采用广义空间面板数据模型实证发现地价与房价虽然呈现出正相关,但这种相关比较微弱，其系数只有0.017，低于信贷的系数0.140，更是远远低于城镇居民可支配收入的系数0.336.

本文认为，我国的财政分权体制导致了“财权”与“事权”不对等，地方政府面临巨大的财政压力，“以地生财”成了问题的解决之道.通过控制土地出让，抬高地价从而提高出让金，必然导致房价上涨.另一方面，政府将所获得的土地出让金用于城市建设、教育和医疗等支出，提高城市的硬实力和软实力，吸引人才引进，商品房供需不平衡，进一步推动了房价上涨.基于此，本文提出如下假设：

H1：一个地区的土地价格与该地区的房价呈同向变化.

1.2 影子银行与地区房价

房地产业是一个资金密集型行业，信贷扩张对房价的推动作用已达成共识.我国房地产业的资金来源主要有国内贷款和自筹资金等.其中，国内贷款中的非银行金融机构贷款、自筹资金中的负债融资、委托贷款和信托贷款构成了影子银行的主要组成部分.据统计，2013年各房企的融资中超过20%来自社会融资渠道，并且国家统计局公布的社会融资规模数据逐年攀升.影子银行进入房地产是商业银行信贷扩张的主要结果[11].

社会融资的高成本导致房地产商的开发成本上升，因此房价具有上升的趋势.另外，房地产本身具有投资属性，近些年回报率远远超过实体经济，因此也会吸引原本服务于实体的资金进入，从而推高了房价.最后，开发商从正规渠道获得的信贷资金是有限的，从土地购置到售出商品房，其间需要支出并长期占用大量的资金，基于此，我们有理由相信，有相当部分的影子银行资金被用于土地购置.因此本文提出第二个假设：

H2：影子银行推高了地区房价，同时也助推了该土地价格的上涨.

1.3 地区房价的溢出效应

上述研究从理论和实证上解释、验证了土地价格和表外信贷中的影子银行对房价的影响程度.这些文献构造的大都是时间序列模型，基于本地区的视角展开研究，极少从空间相关性考虑房价的变化情况.实际上，正如地理学者Tobler(1970)指出区域间宏观经济存在空间性影响，距离越近相互作用的可能性也越大.因此，空间相关性是房地产市场上的一个隐含问题[12]：一个地区的房价在地区收入和地区公共设施服务的支出等因素的流动作用下必然会对周边地区的房价产生虹吸效应；另一个可能是基于资金的流动性和历年来各地区房价的普涨现象，一个地区的房价与相邻地区的房价同涨跌.因此，本文提出第三个假设(含两分项)：

H3a：一个地区的房价上涨对相邻地区的房价变化具有正效应；

H3b：一个地区的经济发展水平和城市建设对相邻地区的房价产生虹吸效应.

2 研究设计

2.1 变量选择

房价受到需求方和供给方众多因素的影响.考虑我国的具体国情、本文的研究主题和数据的可获得性，选取各地区的影子银行和土地价格以及两者的交互项作为自变量.同时，一个地区的人均收入对该地区的房价有直接且重要的影响；地方政府在基础设施建设、公共环境、教育资源和医疗资源的投入水平决定了地区的吸引指数，最终决定购房者的选择，这体现为人均财政支出水平；另外，城镇化率在房价的影响因素中也举足轻重；最后我们还控制了房地产表内信贷和投资，其中房地产投资额具有时滞性，我们采用各地区前一年度的投资额.选取的相关变量如表1所示.

表1 相关变量及其定义

本文数据选取2013—2019年期间全国30个地区(由于西藏数据缺失，不列入)的面板数据，并以1978年作为定基指数消除通货膨胀影响.所有数据来自中国统计局网站，由于数量级差异较大，对除了城镇化率外的所有指标均做了对数处理.

2.2 空间权重矩阵的构造

空间权重矩阵是一个n×n矩阵，矩阵的每个元素ωij表示地区i和地区j的距离.地理距离和经济距离是常见的两类距离.按照地理距离构造权重矩阵，当地区i和地区j相邻时，取ωij=1,不相邻时则取ωij=0；也可以取

式中,dij表示地区i和地区j之间的距离.

林光平使用地区间人均GDP的差额作为测度地区间“经济距离”的指标，由此引入经济空间权重矩阵W*=W×E,其中W是简单二分权重矩阵，E的主对角线元素为0，非主对角线元素

2.3 模型选择

空间自回归模型(SAR)和空间误差模型(SEM)是空间计量经济学中常用的两个模型，用来解决空间依赖性问题[12].

空间自回归模型(SAR)也称空间滞后模型(SLM)，该模型讨论某地区自变量对因变量影响的同时也考察该地区因变量对相邻地区的溢出效应，表示为：

y=ρWy+Xβ+ε,

式中，y是被解释变量，W为权重矩阵，X是解释变量矩阵；系数ρ体现了自回归效应，β为相应系数，ε为误差项.

空间误差模型(SEM)是通过误差项来体现空间依赖性，具体表示为：

y=Xβ+u,

式中扰动项u的生成过程为

u=ρWu+ε,ε～N(0,σ2In).

此处W为空间权重矩阵.在该模型中，不包含在X中但是对Y有影响的遗漏变量通过扰动项u体现空间相关性.

一般情况下，两个模型的选择标准是选取极大似然估计值较大者.

综合上述变量选取、计量模型和权重矩阵构造，本文选取如下实证模型逐一检验.

不考虑交互效应的空间滞后模型和空间误差模型：

(1)

(2)

式中

ut=λWut+εt,εt～N(0,σ2In).

考虑交互效应的空间滞后模型和空间误差模型：

(3)

(4)

式中

ut=λWut+εt,εt～N(0,σ2In).

3 实证分析

3.1 房价的空间依赖性检验

计算2013—2019年全国30个地区(西藏除外)房价的莫兰指数，结果如表2所示.

表2 2013—2019全国30个地区房价的莫兰指数

由表2可见，2013—2018期间30个地区的房价莫兰指数均大于0.3，房价在空间上呈现出明显的正相关关系，可以进行空间计量分析.

3.2 最优模型检验

我们利用LM检验模型选择.由于权重矩阵是30*30的矩阵，而实证样本有210个，故扩大7倍后进行检验.由于空间误差模型没有通过显著性检验而空间滞后模型P值为0.048，显然应该采用空间滞后模型，即式(1)和式(3)，排除式(2)和式(4).

进一步，我们分别利用Hausman检验确定了选择固定效应模型，且结果提示存在个体固定效应.因此，我们再次检验时间固定效应，检验结果显示原假设被拒绝，最后确定应该选择个体固定效应.

3.3 回归结果

本部分基于个体固定效应的空间滞后模型，对模型(1)和(3)采用stata16实现回归结果.

3.3.1 直接回归分析

首先分析一个地区内部的房价影响因素效应，回归结果如表3所示.

(1)房地产价格具有极强的空间相关性.我们看到，无论是否考虑影子银行和土地价格的交互项，空间自回归系数(0.7190和0.6902)都通过了1%的显著性检验，这个结果与前文Moran指数的检验结果一致，说明我国各省份之间的房价存在高度的空间稳定性，各地区房价存在空间影响作用，空间依赖在一定程度上影响了区域的房价.这充分解释了自2008年以来全国各地区房价数次普涨这一现象.房价的这种地区传导效应或许与购房者的心理因素和投资预期有着密切的关联.

表3 两种情况下的SAR模型回归结果

(2)影子银行和土地价格与房价都存在同向变化.土地价格是所有的解释变量中影响系数最大的(0.0335和0.0350).城市建设用地数量受到严格限制，更重要的是大多数地方政府长期形成的土地财政依赖，导致了地价逐年攀升从而抬高房价.而影子银行作为房地产开发资金的一个来源，影响系数并不小，为(0.0173和0.0126)，虽略低于控制变量中的表内信贷.这验证了前文阐述的理论：国家在历次的调控中收紧信贷，但房地产商积极寻求社会融资作为资金来源的一个重要补充.资本具有逐利性，更容易进入回报快、收益稳健甚至较高的行业.近年来由于实体经济获利缓慢且增速疲乏，大量资金进入欣欣向荣的房地产行业，助推了房价的上涨.这一结果提示国家应该谨防社会资金违规流入地产，造成房地产价格的快速上涨从而放大系统性金融风险.

另外，考虑两者的交互效应，交互项的系数为正，是0.0017，意味土地价格越高，影子银行对房价的促进的作用越显著.我们以北京市2013年和2019年的数据为例说明.采用北京市2013年和2019年的土地价格取自然对数后分别为9.07和10.49，经计算影子银行对房价的影响系数分别为0.028 419和0.030 833.显然，基于地价上涨，影子银行对北京市2019年的房价影响也比2013年的房价影响系数高出0.002 414.如果没有考虑交互效应，那么影子银行对房价的影响系数为0.0173，远低于考虑交互效应后的系数.这说明土地价格的大幅度上涨导致相当一部分的影子银行资金流入土地市场，从而促进房价的上涨，也进一步验证了土地价格对房价的决定性作用.

(3)最后考虑控制项，我们看到人均财政支出的影响系数0.0829最大，通过了1%的水平检验.这高度符合实际情况.一个地区的财政支出越大，即该地区的教育和医疗资源越丰富，交通越发达，自然土地价格越高，从而房价越高.人均收入对房价的影响稍逊于影子银行规模，也体现了相对刚需而言，我国房地产更具备金融属性.城镇化率没有通过显著性检验，这可能是两者的因果关系并不明确.另外，房地产投资对房价的影响系数不到0.01，在所有的解释变量中影响最弱.相对影子银行，表内信贷对房价的影响更大，为(0.0212和0.0198).这意味着必要时国家对房地产开发的信贷政策作为房地产调控的手段之一是有效的.

3.3.2 溢出效应分析

以上讨论的是一个地区房价的内部影响因素.下面从空间相关性讨论溢出效应(见表4).

表4 两种情况下空间溢出效应的分解

根据上述回归结果，结合表6，直接效应、间接效应和总效应都显著的变量为：影子银行、土地价格、人均收入水平和人均财政支出水平，而房地产投资和表内信贷在间接效应中并不显著.

(1)显然一个地区的影子银行规模和土地价格对相邻地区的房价并无直接影响，然而它可以通过影响本地区房价从而影响相邻地区的房价水平.回归结果显示，不考虑交互效应时，一个地区的影子银行规模通过上述方式对相邻地区房价的平均影响系数为0.0406，考虑交互效应后减弱为0.0277；而地价因素在考虑交互效应后的溢出效应影响系数略有提升，这再一次验证了地价是房价的决定性因素，且具有较强的空间传导效应.

(2)在控制变量中，人均收入水平的溢出效应系数为正.这很大可能是因为地区经济发展具有空间联动性[14]：如果一个地区的经济发展水平较高，自然会带动相邻地区的经济发展，从而促进地区的人均收入水平提高，房价因此上涨.另外，我们也发现一个地区的财政支出水平对相邻地区的房价水平影响系数为负.这也是比较容易理解的：一个地区的财政支出主要体现在教育、医疗和交通方面，显然这三项的投入越多，对其他城市的吸引力越大，那么该地区对相邻地区的吸血效应越明显，对相邻地区的房价呈现出负向影响.

3.4 稳健性检验

4 结论与建议

本文以2013—2019全国省级层面数据为样本，采用空间滞后模型分析了各省房价受到影子银行、土地价格和两者交互效应的影响程度并分解其空间溢出效应.实证结果表明，两者与房价皆呈现正相关关系，其中土地价格对房价的影响最大.考虑交互效应后，两者对房价的影响更加显著.分解溢出效应，发现一个地区的影子银行和土地价格对其相邻地区的房价都具有正向影响.在控制变量中, 财政支出对房价的作用最显著，一个地区的财政支出对本地区和相邻地区的房价分别呈现出正面和负面的影响；人均收入与本地区和相邻地区的房价呈正向关系；房地产投资和表内信贷则仅对本地区房价产生正向影响.

基于上述研究结论，笔者认为，在中国经济进入中高速增长“新常态”转型升级阶段以及全面深化改革新形势下，亟须在中央政府、地方政府、购房者、开发商和商业银行等多元利益群体框架下，从全国层面创新、构建土地供给制度和住房金融制度，发展长效机制[15].本文提出如下建议：

(1)金融行业应加大创新力度，引导资金更多地进入实体企业，改变影子银行的“灰色”属性,宜疏不宜堵.对房地产企业来说，应该多方拓展融资渠道，调整资金结构，降低风险，实现平稳健康发展.

(2)地方政府应当集中力量发展并壮大实体经济，摆脱土地财政依赖.实体经济是国家经济的立身之本，只有实体经济发展好了，经济才能充分焕发活力，地方政府的城市建设和设施投入有了资金来源，才能吸引更多的人才为城市服务，进一步壮大城市，形成良性发展.另外，在供地方面实行平稳供应，可以稳定土地市场的供需，完善土地管理政策，杜绝开发商囤地，也可以降低地方政府对土地财政的依赖程度.

(3)重视区域经济的协调发展.近年来一线、新一线城市人口集聚效应明显，房价快速上涨，在一定程度上对周边城市形成虹吸效应，这并不利于区域经济的协调发展.地方政府应当积极创造良好条件，吸引企业和人才，做强地方经济，达成协调发展.当然，这并不代表一味追求绝对均衡，而应该是“在集聚中走向平衡”.