房地产业与银行业风险传染效应分析

郑 鹏 王宇钊

（中国人民银行南通市中心支行 江苏南通 226000）

引言

2016 年中央经济工作会议首次提出“房子是用来住的、不是用来炒的”定位，这也为未来我国房地产行业的发展指明了方向。2016 年，房地产调控政策密集出台，2017年，更多的城市加入到调控大军中，调控政策也更加全面，2018～2020 年持续加大调控力度，我国房地产业在此期间处于深度调整阶段。2021 年，房地产政策呈现明显的“先紧后松”特征。其中，7 月份之前执行了比较严厉的政策，包括房企融资“三条红线”“银行房地产贷款集中度管理”等，防范房地产市场风险和房地产金融风险的相关提法明显增多。然而，8 月份以来，受部分房企爆雷、新冠感染“散点多发”等原因影响，房地产市场快速且持续降温，房地产政策出现重要变化，主要体现在对房企金融风险的关注、对房贷投放的放松等方面。

近年来，随着我国资本市场改革发展的不断深入，银行愈发重视金融创新，推出了种类丰富的金融创新产品，金融机构之间的合作明显增多，我国整个金融部门杠杆率不断上升。从公开的市场数据看，目前我国银行机构整体杠杆率较高，风险积累程度亦较高，因此，有必要深入研究银行业的系统性风险。

随着我国生产力水平的提高，金融与经济的迅速发展，不同产业与行业之间的关联性越来越高，行业间的金融风险传染效应也是专家学者与政策制定部门重点关注的内容。在我国，银行业作为金融体系的中流砥柱，与房地产业存在紧密的联系，两个行业均极易受到市场经济波动的冲击，在当前经济形势变化无常的情况下，研究两个行业间系统性风险的传导机制与风险溢出强度就显得十分重要。

一、文献综述

（一）风险传染机制的国内外研究综述

Kaufman（1996）和González-Hermosillo（1997）从风险传染角度定义了系统性金融风险：单一事件通过风险传染效应影响整个金融体系，使金融体系发生崩溃的可能性。学者主要从以下两个角度分析风险传染的原因和机制：

一是信息不对称的角度。Minsky（1979）认为因为存在信息不对称，银行无法识别客户所有的风险，当经济危机发生时，单家银行存在数个风险较高的客户，这些客户无法及时偿还债务的概率将会变大，银行也面临极大的违约风险。Davis 和Zhu（2011）研究了17 个国家的房地产价格和银行信贷之间的关系，发现两者之间不是互为因果的关系，仅房价上涨使银行信贷扩张，反之不成立。平新乔和杨慕云（2009）认为，信贷违约产生的主要原因是银行无法控制借款人获得贷款后的行为，且对于借款人的真实还款能力未进行细致的贷后管理，即主要不是事前的信息不对称而是事后的信息不对称。Manz（2010）认为信息不对称会提高投资不理性行为发生的概率，尤其会增加高杠杆资产投资项目的融资风险，并将风险传染给银行。况伟大（2011）认为房价下跌,房地产信贷可能会严重萎缩,引发严重的违约风险,进而导致金融危机的发生。赵志明（2020）发现由于存在信息不对称性，低成本银行可以通过降低投资水平来传递真实的风险信息。王天（2022）从信息不对称视角研究中小企业融资问题，建议银行不断提高贷款审核技术，减少因信息不对称性而导致的风险传染。

二是银行体系的脆弱性角度。Gorton（1986）认为同业拆借市场是银行业风险传染的主要途径，且银行业的脆弱性与宏观经济的周期性存在联系。Allen 和Gale（2000）认为，投资者使用从银行借来的资金投资于风险资产，投资者可以通过拖欠贷款来避免低回报情形下的损失，当积极的信贷扩张无法防范危机时，将会引发金融体系的脆弱性问题。谷小青（2004）认为，信贷规模的不断膨胀使得具有内在脆弱性的银行机构变得更加脆弱。王芳（2007）利用VaR 模型度量房地产泡沫的风险价值，为防范风险及风险管理提供依据。张雯（2009）认为中国对房地产业的行政干预较多,导致市场机制不健全，银行机构在满足房地产业信贷融资需求的同时,也承担了较高的风险。蔡真（2018）从银行体系、地方政府债务、高房价已形成资本外逃压力三个方面进分析，阐明了房地产市场是系统性金融风险重要监控领域的原因。梁秋霞（2021）发现，房价上涨会显著增加系统性金融风险，并使金融杠杆与地方政府杠杆上升。

（二）风险溢出的国内外研究综述

1993 年，G30 成员在《衍生产品的实践和规则》中正式将VaR 作为金融机构市场风险的量化工具。目前，VaR模型已成为金融领域测量市场风险的主要方法。Hamao 和Masulis（1990）提出波动“溢出效应”理论，作为风险溢出理论的研究基础，运用ARCH 模型研究了美国、英国、日本股价波动溢出效应。国外学者从市场、区域等角度完善风险溢出效应理论，如Adian 和Bruunermeier（2008）创新提出CoVaR 模型，与VaR 模型相比，将风险溢出效应纳入VaR模型框架中，有效研究和衡量了系统性风险。

对于CoVaR 模型的深入研究，董秀良等（2009）利用多元GARCH 模型，对美国、日本与我国上海、香港股市间的波动性溢出效应进行了研究。李志海等（2009）利用ARMA-GARCH 模型，研究了A股和大同煤业股票收益率的风险溢出效应。谢福座（2010）利用GARCH-Copula-CoVaR 模型，分析了亚洲三大股票市场间的风险溢出效应。高国华、潘英丽（2011）利用AR-GARCH 模型测算分析14 家上市商业银行对系统性风险贡献度，发现商业银行的系统性风险贡献度与自身的风险无关。刘建和等（2015）利用GEDEGARCH 模型，分析了上海、伦敦期货交易所中铜期货市场的风险溢出效应。沈悦等（2014）利用GARCH-Copula-CoVaR 模型，研究了银行、保险等行业的系统性风险程度以及这些行业之间风险溢出效应。刘向丽等（2014）利用AR-GARCH-CoVaR 模型，发现作为银行投资的仅次于制造业的第二大投资行业，房地产贷款产生的风险与金融系统内在系统性风险几乎相同。江红莉等（2014）利用GARCHEVT 模型、VaR-Granger 因果关系检验模型、CoVaR 模型，研究了房地产与银行业间的风险溢出效应，发现房地产业对银行业的风险溢出效应略高于银行业对房地产业的风险溢出效应。Pan Z.（2019）等开发了HVS-GARCH 模型，并利用该模型计算了美国股票市场对英国、法国等五个主要股票市场的风险溢出效应，发现美国对这些股票市场都有着较强的风险溢出效应。张禹隆等（2022）利用DCCGARCH 模型，对2016～2021 年房地产业与银行业间的风险溢出效应进行研究，发现房地产“三条红线”新规对风险溢出效应有着较明显的抑制效应。

二、风险传染机制研究

（一）分析方法的选择

VAR 模型是自回归模型的联立形式，所以称向量自回归模型，能够分析两个变量之间的关系，具体表达式如下：

（二）指标选取和数据说明

本文选取2000～2022 年1 季度末这一时间段内我国房地产价格指数、银行机构各项贷款余额两个指标的季度数据。其中房地产价格指数（HPI）用全国商品房销售额除以销售面积计算，银行机构各项贷款余额（LOAN）直接从wind 抓取，为缩小数据的绝对数值，两个样本指标数据均取对数。

表1 变量描述性统计

（三）实证分析

1.平稳性检验。本文选取平稳性检验方法为单位根检验（ADF 检验），检验结果如下表2：

表2 变量平稳性检验

检验结果显示，各变量的t 统计值均大于1%置信水平下的临界值，接受了存在单位根的原假设，表明两个时间序列是非平稳性序列，而各变量一阶差分值都拒绝了原假设，说明这两个时间序列均是一阶差分平稳序列，因此下面建立的VAR 模型是需要进行协整检验与误差修正的。

2.协整关系检验和误差修正模型的建立。根据单位根检验结果，得出HPI、LOAN 均是一阶单整。首先，应对模型的最大滞后阶数进行确定。由表3 可知，滞后5 期，AIC=-8.73636 最小，同时，根据“*”标记的不同准则，综合考虑确定该模型的最大滞后阶数为5。

表3 VAR 模型最大滞后阶数确定准则

其次，对各变量进行Jonhansen 协整检验，结果见表4。迹检验结果表明，只有一个线性无关的协整向量（上表中打星号者）。最大特征根检验表明，可以在5%的水平上拒绝“协整秩为0”的原假设，但无法拒绝“协整秩为1”的原假设，两者得出的结论都为存在一个协整向量。

表4 VAR 协整检验结果

然后，利用Johansen 的MLE 方法估计该系统的向量修正模型（VECM），得出协整方程（见表5）。根据表中信息，可以将估计函数表达为：

表5 协整方程

从上面方程可以看出房地产价格与银行机构贷款存在正向的均衡变动关系，但仍需检验VECM 模型的残差是否存在自相关，以及检验VECM 模型是否稳定，具体见表6与图1，表6 中p 值均大于5%，接受原假设，VECM 模型不存在自相关。图1 显示，除了VECM 模型本身所假设的单位根之外，伴随矩阵的所有特征值均落在单位圆之内因此是稳定的。

图1 VECM 模型稳定性检验

表6 VECM 模型相关性检验

，

3.格兰杰因果检验与脉冲响应分析。由于格兰杰因果检验反映的是时间先后关系，并非真实的因果关系。因此，在该检验滞后阶数的选择中，本文选择不同的滞后阶数，反映房地产价格变化对银行业务影响的作用时间。结果显示（见表7），在协整关系存在长期正向关系的情况下，房价波动与银行信贷之间也存在双向的格兰杰因果关系，且其冲击能够立刻反映出来。

表7 格兰杰因果检验结果

由于格兰杰因果检验属于外生性检验，仅体现事件发生的先后关系，并不能说明事件之间所存在的因果关系。因此，接下来通过脉冲响应函数进一步分析房地产业与银行业的风险传染关系。

由图2 可以发现，房价波动受到自身冲击的影响最大，开始达到5%，随着时间推移，波动开始变缓，说明受到大众预期的影响，房价开始上涨较快，但随着预期向理性回归，房价上升逐渐趋于平缓。银行贷款对房价的冲击响应开始为0，逐步上升后趋于平稳，说明银行信贷扩张将长期推动房价上升，且长期影响更大。银行信贷增长受到自身的冲击最大，房价的增长同样会使信贷规模增长，且长期影响程度更高。

图2 脉冲响应图

综上所述，从协整方程和脉冲响应的分析结果看，房价波动受到银行信贷的影响。从长期来看，房价波动与银行信贷是同向变动的，据此可以对房地产业与银行风险传染效应展开进一步的研究。

三、风险传染效应研究

（一）分析方法的选择

目前，学术界认同度最高的风险溢出的测量方法是Adian 和Brunnermeier 提出的CoVaR 理论（条件在险价值），其中以GARCH 模型为基础的CoVaR 既能计算资产在一定置信度下最大的损失值，也能准确分析极端事件下风险的情况，故本文选用GARCH-CoVaR 模型进行风险溢出效应度量。

1.ARMA-GARCH 模型。时间序列中金融资产价格波动具有集聚性，使模型残差序列无法满足同方差假定，因此本文引入广义ARCH 模型（GARCH）来拟合股票的收益率，其中均值方程由自回归移动平均模型（ARMA）来建立。ARMA（p，q）与GARCH 模型的表达式如下：

2.VaR 与CoVaR 模型。VaR 指是在一定置信度水平下，单家机构或市场金融资产在未来特定时期内有可能的最大损失。其表达式如下：

其中，Pt+i-Pt为某一金融资产在一定持有期i 的价值损失额，Pr为资产价值损失小于可能损失上限的概率，VaR为给定置信水平a 下的在险价值，即可能的损失上限，a 为给定的置信水平，μt为ARMA 模型计算出来的均值，σt为GARCH 模型计算出来的条件方差，Qq 为q 置信水平的分位数。

CoVaR 模型的定义为在某一置信度水平下，单一机构（市场）对其另一机构（市场）的风险溢出效应，具体表达式如下：

其中，CoVaR 表示j 机构（市场）处于极端不利情况下，i 所面临的风险，因为CoVaR 不仅包括单个机构（市场）i对其他机构（市场）j 的风险溢出，还包含自身的风险损失。因此在研究机构间风险溢出效应时，还需将计算的CoVaR值减去本机构（市场）正常情况下最大风险损失值，具体表达式如下：

若需要深入研究单家机构（市场）j 对另一机构（市场）i的风险溢出程度，可以在此基础上将风险值进行标准处理：

3.GARCH-CoVaR 模型。根据上文介绍的ARMA-GARCH模型，单家机构的在险价值为：

在计算CoVaR 时，需考虑房地产或银行业陷入危机时对系统收益率的影响，因此均值方程中应以银行业的VaR值作为变量：

CoVaR 的计算公式为：

（二）指标选取和数据说明

股票市场作为经济运行的晴雨表，故本文选取地产板块指数作为反映房地产运行情况的指标，选取银行板块指数作为反映银行业运行情况的指标。样本考察期为2006 年1 月5 日～2022 年4 月29 日，采用每日收盘指数共3966 组数据。其中2006～2022 年期间爆发了2008 年金融危机、2015 年“股灾”以及现在的新冠感染，市场波动对股票价格产生了较大的影响，具体反映为行业股票收益率走势较为强劲。本文以此区间数据观测危机之后我国房地产业与银行业之间的风险溢出值。采用行业收盘价计算日收益率，收益率采用价格对数计算，将收益率定义为Rt=lnPt-lnPt-1，将房地产业和银行业的收益率分别记为Rf 和Rb。

（三）实证分析

1.描述性分析。在建模之前，对各变量数据特征进行描述。

由图3 和图4 可知，2008 年次贷危机、2015 年股灾事件使得房地产业和银行业板块指数在2008 年、2015 年前后波动明显，并且房地产板块指数波动明显强于银行板块指数波动。2021 年因部分房企爆雷、新冠感染反复等影响，使房地产业板块指数出现较大波动，但银行板块暂时未受到波及。

图3 房地产板块收益率

图4 银行板块收益率

由表8 可知，房地产业和银行业的平均收益均为正，JB 检验的p 值为0，说明样本拒绝正态分布的原假设，偏度均为负值，说明收益率序列呈尖峰后尾的特征。

表8 变量描述性统计

2.平稳性检验。根据ADF 检验结果（见表9），两个时间序列平稳，可以用此序列直接建立ARMA 模型，并进行ARCH 效应检验。如果各机构收益率序列的扰动项均存在自相关和偏自相关性，说明残差序列存在ARCH 效应，则选择GARCH 模型来消除ARCH 效应。

表9 变量平稳性检验

3.ARMA 模型的选择。根据样本ACF 或PACF 图来确定是AR、MA 还是ARMA 模型。根据所选模型，确定滞后期数后回归，并根据回归结果确定最优滞后期数。

由图5、图6 可以看出，房地产业与银行业自相关与偏自相关图均存在拖尾现象，故选择ARMA（p，q）模型。根据简约原则，初步假设房地产业与银行业收益率序列ARMA 模型p，q 值为1，2，分别进行回归。根据下面回归结果，其中由房地产业ARMA 模型回归情况可以看到，房地产业收益率与银行业收益率分别拟合ARMA（2，1）模型、ARMA（2，2）模型的回归方程，回归结果是显著的且aic和bic 的结果较小，故分别选择ARMA（2，1）与ARMA（2，2）模型。其均值方程分别如下：

图5 房地产业自相关与偏自相关图

图6 银行业自相关与偏自相关图

表10 房地产业ARMA 模型回归情况

表11 银行业ARMA 模型回归情况

续表11 银行业ARMA 模型回归情况

4.ARCH 效应检验。将上述结果的残差进行检验，判断残差序列是否还具有ARCH 效应。经验证，残差平方自相关和偏自相关系数显著不为0，而且Q 统计量显著，p 值均为0，说明房地产收益率ARMA 模型中明显存在ARCH 效应，故本文用GARCH 模型消除ARCH 效应。

表12 房地产业残差平方图

表13 银行业残差平方图

5.GARCH 模型拟合。根据前文可知，残差序列存在ARCH 效应，因此运用GARCH 族群对残差序列进行建模，分别 建 立GARCH（1，1）、GARCH（1，2）、GARCH（2，1）、GARCH（2，2）模型进行分析，根据回归结果以及各模型aic 与bic 值，房地产业与银行业均选择了最合适的模型GARCH（1，1），其方差表达式如下：

表14 房地产业GARCH 模型回归情况

续表14 房地产业GARCH 模型回归情况

表15 银行业GARCH 模型回归情况

6.CoVaR 值的测算与分析。根据前文论述构建GARCHCoVaR 模型，利用公式计算房地产业与银行业的VaR 值与CoVaR 值，然后将CoVaR 减去自身的VaR 值计算出△CoVaR，最后对CoVaR 进行标准化处理结果如下：

表16 房地产业与银行业间的风险溢出效应

7.房地产业与银行业之间风险溢出实证结果分析。为了更直观地分析房地产业与银行业风险溢出的时变效应，利用ARMA-GARCH 模型拟合房地产业与银行业收益率时间序列，并绘制出95%置信水平下两个行业的△CoVaR 图：

由图7、8 可知，房地产业与银行业间的风险溢出效应存在很强的时变性，且房地产业对银行业具有更强的风险溢出效应。从时间角度可分为四个阶段：2006～2010 年金融危机的影响；2010～2014 年金融危机后，政府不断刺激经济的影响；2014～2016 年股灾的影响；2016～2022 年部分房企爆雷、新冠感染、政策调控的多重影响，具体如下：

图7 银行业对房地产业风险溢出强度

图8 房地产业对银行业风险溢出强度

2008 年，随着全球金融危机的蔓延，中国经济受到强烈冲击，宏观经济运行面临越来越大的挑战，市场悲观情绪加重，全国房价出现近10 年来的首次下跌，加剧了房地产与银行业间风险溢出效应。面对金融危机的影响，我国政府实施一揽子计划，大规模增加政府支出和实行结构性减税。在一系列稳增长政策推动下，国民经济逐步恢复，房地产业与银行业之间的风险溢出效应降低，同时因为经济刺激计划的实施，导致银行资金过度流入房地产市场，两个行业间的风险溢出强度持续处于较高水平。2010 年,人民银行在一年内先后六次上调存款类金融机构人民币存款准备金率，两次上调存贷款基准利率；国务院办公厅先后颁布“国十一条”“国十条”“9.29 新政”等房地产政策，有效抑制了较高的房地产业风险，银行业与房地产业之间的风险溢出强度也快速减弱。

2011 年末至2012 年，风险溢出强度基本稳定，其中2011 部分地区开始探索性地微调房地产市场政策，主要做法包括放宽公积金贷款额度上限、放宽限价等。2012 年，人民银行分别于6 月8 日和7 月6 日实施降息，于2 月24日和5 月18 日下调存款准备金率，货币政策转向宽松。宽松的政策使房地产市场出现过热现象，大量银行资金涌入房地产，两个行业间的风险溢出效应持续加大。2013 年初出台的“新国五条”开始体现因城施策的调控特点：仅对房价上涨过快的城市及时采取限购措施，建立稳定房价工作问责制，这是“新国八条”出台两年来，政府针对房地产调控的再次明确表态，银行业与房地产业间的风险溢出强度逐步降低。

2015 年，受“股灾”影响，金融体系波动明显，房地产业与银行业间的风险溢出效应增长较快。2016 年起，核心一二线城市房价上涨较快，9 月，政府重新收紧了房地产政策，更加重视因城施策，一系列措施使得房地产与银行业之间的风险溢出效应明显降低。

2017 年后，供给侧改革、金融去杠杆逐渐成为宏观经济的主线。2018 年起，随着中美贸易战的升级，叠加2017年金融去杠杆滞后效应的影响，同时在政府大力实施因城施策的政策下，房地产业与银行业之间风险溢出强度不断变化。2021 年受部分房企爆雷和新冠感染影响，房地产业与银行业之间风险溢出强度明显增长。

四、研究结论与政策建议

（一）研究结论

本文利用VECM 与ARMA-GARCH-CoVaR 模型对房地产业与银行业间的风险传染机制和溢出效应进行了详细分析，得出以下结论：

1.利用VECM 模型对风险传染机制的实证研究发现：房地产业与银行业的长期协整关系结果说明银行信贷与房地产价格互为格兰杰原因。进行脉冲响应发现，房价波动受到自身冲击的影响最大，开始达到5%，随着时间的推移，波动开始变缓，说明受到大众预期的影响，房价开始上涨较快，但随着预期向理性的回归，房价上升逐渐趋于平缓。银行贷款对房价的冲击响应开始为0，逐步上升后趋于平稳，说明银行信贷扩张将推动房价上升，且长期影响更大。银行信贷增长受到自身冲击最大，房价的增长同样会使信贷规模增长，且长期影响程度更高。

2.利用ARMA-GARCH-CoVaR 模型开展房地产业与银行业风险溢出效应的实证研究发现：首先，房地产业对银行业的风险溢出强度△CoVaR=0.0066575，不及银行业对房地产业的风险溢出强度△CoVaR=0.0073026，说明银行业风险溢出对房地产业影响更大。其次，从风险溢出的占比来看，房地产业面临最大损失时对银行业的风险溢出约占银行业自身风险的损失比重%CoVaR=8.90947%，银行业面临最大损失时对房地产业的风险溢出约占房地产业自身风险的损失比重%CoVaR=20.86407%。综上可知，在发生风险事件的情况下，银行业对房地产业的风险溢出影响更深，强度更大。

（二）政策建议

1.房地产企业应积极降低杠杆水平，提高抗风险能力。一方面，采取多元化组合的融资方式，通过不断拓展融资渠道，减少对银行贷款的依赖程度，缓解企业资金压力，提高企业抵御金融风险的能力，进而有效降低房地产企业融资风险。另一方面，制定合理的还款计划。在避免资金闲置的前提下，充分运用现有资源，灵活调度。对不同期限融资本息的到期额度要进行精准核定，结合企业实际现金流做出合理安排，确保企业在到期日前偿还融资本息。

2.银行机构不断完善风险计量模型，鼓励金融创新。首先，将CoVaR 模型运用到市场风险计量过程中，CoVaR 模型不但可以评估单家金融机构的市场风险，还可以计量单家金融机构系统性金融风险的大小。其次，建立差别化风险预警体系。计算各行业对整个金融市场的△CoVaR、%CoVaR，对△CoVaR、%CoVaR 值较高的行业实施层级化和差异化管理。最后，鼓励银行机构金融产品创新，提高银行机构抵御风险的能力，推进金融体系健康有序发展。

3.监管部门加强风险预警与处置能力，降低风险溢出效应。一方面，应密切关注房地产企业融资与资金链情况，督促房地产企业及时、主动向监管部门提供经营动态与风险情况，提高风险预警能力，做到风险早发现、早警示、早处置，降低房地产风险溢出效应。另一方面，稳妥有序地化解个别房企的风险，维护房地产市场平稳健康发展。在稳定市场预期的同时，准确把握、执行“房地产金融审慎管理制度”，保持房地产信贷投放平稳有序，满足房地产企业合理融资需求，稳定市场信心。