房地產產業鏈泡沫相依結構演化及其危機傳染效應

郭文偉+陳順強+陳妍玲

摘要：本文采用R-Vine Copula方法對我國2000—2015年期間房地產產業鏈上各行業泡沫之間的相依結構進行建模分析，并在此基礎上分析2007年次貸危機和2009年歐債危機對房地產產業鏈泡沫相依結構的沖擊影響。研究結果表明：在整個研究期間，房地產產業鏈上各行業均存在多次周期性泡沫，比較嚴重的泡沫均集中在2006—2007年，且其間出現房地產業泡沫的峰值；房地產業泡沫是各行業泡沫相依結構的樞紐中心，起到了“蓄水池”的作用，并與有色金屬業、建筑裝飾業、銀行業和機械設備業之間存在較高的相依性；次貸危機和歐債危機的發生不僅僅增強了房地產與相關行業之間的相依性，存在明顯的危機傳染效應，也改變了整個產業鏈的相依結構。

關鍵詞：房地產產業鏈；行業泡沫；相依結構；危機傳染效應

文章編號：2095-5960（2017）02-0031-12；中圖分類號：F830.9；文獻標識碼：A

中國房地產市場是伴隨著住房制度改革而逐步發展起來的，盡管發展歷史較短，但其市場規模已經居于世界首位。然而，中國當前的房地產市場依然面臨諸多問題。首先，房價經過10年的持續增長，已經大幅脫離了居民的實際購買力，房價泡沫破滅風險尤為突出。其次，房地產產業鏈較長，房地產與其產業鏈上下游諸多產業形成了“一榮俱榮、一損俱損”的相依性。自2012年以來，房地產業投資增速持續下滑，庫存居高不下，導致行業景氣度跌至歷史低點，進而引發相關產業產能嚴重過剩，使得國民經濟增速放緩。在實體經濟層面，當前中央政府已經承認國內房地產市場存在嚴重價格泡沫，并開始實施一系列供給側改革措施來消化房地產市場的巨量庫存和相關產業的過剩產能。這些供給側改革措施在房地產市場上主要表現為：降低房地產市場交易成本、房地產企業的稅費和融資門檻等。在資本市場層面，監管者也開始逐步放開對房地產業上市公司在增發、融資等方面的限制，支持房地產業的兼并、重組與轉型，希望通過資本市場層面來支持房地產產業鏈相關行業扭轉困境，進而帶動國民經健康發展。

目前，學界大部分研究認為我國房地產市場存在周期性泡沫，而且房地產對其產業鏈上下游相關產業具有顯著的帶動作用。既然在實體經濟層面上，房地產業泡沫的演化會顯著沖擊其產業鏈上下游相關產業的發展，那么在資本市場層面上，房地產業及其相關產業是否存在泡沫？房地產業泡沫膨脹與崩塌是否也會引發產業鏈相關行業泡沫的演化呢？迄今為止，鮮有文獻專門研究這些問題。厘清中國資本市場上房地產業泡沫與相關行業泡沫之間的相互影響，不但有助于揭示房地產產業鏈的泡沫傳導機制及其危機傳染效應，而且能為政府監管層如何防范房地產產業鏈泡沫破滅風險提供有價值的參考。

一、文獻綜述

（一）房地產泡沫檢驗方法

在資產泡沫的研究領域，國外學者們主要聚焦于股市周期性泡沫存在性方面的檢測，而對房價泡沫的研究相對較少。總的來看，國外學者對房價泡沫存在性檢測主要有兩大類方法：第一類是指標法。該法以耐用品特性為基礎，將租售比、空置率等指標和國際平均水平進行比較來衡量房價泡沫的程度。這種方法的數據易得，思路簡單，不過判斷主觀，只能用于觀察是否存在泡沫及其相對嚴重程度，并不能判斷泡沫的存續周期時點。第二類是基于單位根檢驗的泡沫識別方法。Phillips，Wu，Yu（2011） [1]提出了基于單位根右側ADF檢驗的檢測方法（簡稱PWY方法），其采用了移動窗口的向前遞歸分析技術探索出樣本數據中的資產泡沫，對一個泡沫及其存續周期時點都能比較有效地捕捉出來的；Chen和Michael Funke（2013） [2]采用PWY方法對中國房地產市場2003—2011年期間的房價走勢進行檢驗，發現在此期間，除了2009年10月出現明顯的房價泡沫外，其他時期均無泡沫。〖JP2〗Matthew等人（2013）[3]同樣運用PWY模型對香港房地產市場的泡沫存在性進行檢驗，研究結果表明：香港的普通住宅市場和豪宅市場在1995年、1997年、2004年和2008年均出現明顯泡沫，其中以1997年出現的房價泡沫最為顯著。而在2011年早期，香港的普通住宅（中小戶型）市場再次出現泡沫，但豪宅市場卻不存在泡沫。在此基礎上，Phillips，Shi，Yu（2013a，2013b） [4][5]接著提出了基于前（后）項的移動窗口遞歸分析方法（簡稱BSADF方法），對于多個泡沫的存續周期時點，BSADF方法能同時挖掘出來，而且對這些泡沫的演化過程也能夠予以刻畫。〖JP〗

在國內，由于各學者采取不同的房價泡沫定義及檢測方法，導致在是否存在泡沫及其嚴重程度等方面的研究結論出現明顯差異。目前國內主要有四種代表性的房價泡沫檢測方法。第一種是綜合指標的房價泡沫檢測方法。李維哲和曲波（2002）[6]提出了一種房地產泡沫的預警綜合指標，該綜合指標包含了四大類子指標：金融類指標、交易類指標、生產類指標和消費類指標。該預警指標的構建思路仍然依賴于房地產景氣的測度，而且包含的子指標太多，在實踐應用中存在操作不方便等問題。呂江林（2010）[7]針對我國房地產市場實際情況，系統性地分析了傳統房價泡沫斷定指標（諸如租售比、空置率、投資購房與自住購房之比、房地產貸款占比和房地產業利潤率等）在我國的適用性，其研究結論認為這些均不適合作為判斷我國城市房價泡沫的合理指標。另外作者也發現我國房地產市場整體已經泡沫化，然而城市間泡沫程度差異較大。

第二種是基于局部均衡模型的房價泡沫檢測方法。周京奎和曹振良（2004）[8]采取建立房地產投機泡沫檢驗模型的方式來檢驗中國房地產業泡沫存在與否，其研究結論認為當時的中國房地產業并不存在投機泡沫。姜春海（2005）[9]重新定義了房地產基本價值、投機泡沫和泡沫度， 對這三個指標進行了測度， 透過數據說明了中國房地產業的泡沫開始出現，以及泡沫嚴重程度的問題。苑德宇和宋小寧（2008）[10]通過計算我國35個大中城市2001—2005年期間的均衡價格與其平均價格的偏差來衡量城市房價泡沫，得到幾個重大的發現：房價高不能說明泡沫大，房地低不代表泡沫小，房價泡沫可以跨區域進行傳染，也可以在同一區域內的城市之間傳染。其中，城市間泡沫傳染的現象在中國東部地區顯著，在西部和北部地區不明顯。呂煒和劉晨暉（2012）[11]采用類似方法對國內31個省的房價泡沫進行測度，研究發現國內不同省份的房價泡沫存在顯著差異。范新英等人（2013）[12]在綜合考慮經濟基本面和心理預期因素影響的基礎上，利用我國35個大中城市房價構建了動態面板數據模型，借助迭代回歸方法計算均衡價格，通過比較由經濟基本面決定的均衡價格和實際價格來度量不同城市的房價泡沫程度。其研究結論表明近幾年我國大多數城市房價泡沫有加大趨勢，但不同城市之間房價泡沫程度差異較大。

第三種是基于West模型的房價泡沫檢測方法。韓德宗（2005）[13]認為房地產合理價格是租金的資本化，應用West模型來檢驗國內北京、上海和深圳房價泡沫的存在性。研究結果表明：這三個一線城市的住宅市場均存在房價泡沫，而其寫字樓市場均不存在房價泡沫。然而，West模型只能用來判斷投機性泡沫的存在性，而在投機性泡沫的程度上是無法具體測量的。第四種是基于馬爾可夫區制轉換模型的房價泡沫檢測方法。王春雷（2008）[14]利用Norden （1996） [15] 提出的泡沫檢驗方法實證研究了我國的房價泡沫，得出我國存在短期性房價泡沫的論斷。史興杰和周勇（2014）[16]在放寬Norden（1996）[15]所提出模型假設的基礎上，建立了更為有效的區制轉換自回歸模型對我國所有直轄市的房價泡沫進行實證分析。其研究結果表明：房價泡沫明顯存在于北京和上海，而重慶和天津的泡沫不顯著。房地產調控政策能影響北京的泡沫，卻不能影響上海。

綜上所述，在房價泡沫檢測的問題上，國內學者已先后提出了綜合指標法、局部均衡模型識別法、West模型、區制轉換自回歸模型等房價泡沫檢測方法。然而現有房價泡沫檢測方法主要存在幾個問題：第一，只能判斷是否存在泡沫（綜合指標法、局部均衡模型），而無法揭示泡沫的存續周期時點；第二，只能揭示單個泡沫及其存續周期時點，而無法揭示出可能存在的多個泡沫（PWY、West模型）；第三，能揭示出多個泡沫，但無法區分不同泡沫的異質性特征（BSADF、馬爾可夫區制轉換模型）。總的來看，在這些方法中，Phillips等人（2013a，2013b） [4][5]提出的BSADF方法有顯而易見的優點：首先，對于多個房價泡沫及其存續周期時點，這種方法都能檢測出來。其次，整個樣本期間的房價泡沫演化過程都可以具體地刻畫出來。最后，不管泡沫值是正或是負，也都能測出來。因此，本文先采用BSADF方法對中國房地產產業鏈上9大行業（鋼鐵、有色金屬、家用電器、房地產、建筑材料、建筑裝飾、銀行、非銀金融和機械設備）在2000—2015年期間的泡沫程度及其走勢進行測度，進而比較這些行業泡沫的分布特征差異。

（二）房地產產業鏈相依性研究

對于我國房地產產業鏈相依性的研究，學界主要從實體經濟和資本市場兩角度著手研究。在實體經濟層面上，研究方法主要為投入產出模型和可計算一般均衡模型。王國軍和劉水杏（2004）[17]借用投入產出模型計算帶動系數，發現房地產業每增加1單位的產值，對相關產業的帶動系數為1416，尤其在金融保險業方面，帶動最為顯著。王媚媚（2009）[18]運用投入產出分析方法，得出我國房地產業的后向帶動效應強于前向帶動效應的結論。何云（2014）[19]采用可計算一般均衡模型，對房地產產業鏈的供需及價格的波動量化，發現房地產業的波動對國民經濟產生廣泛的影響，但影響是非對稱的，向上的波動比向下的波動影響更大。在資本市場層面上，學者們的研究方法主要分為向量自回歸法和靜態/動態二元Copula模型。唐莉和張永娟（2006）[20]選取滬深兩市5支指數，運用VAR模型，表明房地產產業鏈上各產業發展具有長期的聯動性，房地產產業對上游產業的影響尤其顯著。劉瓊芳和張宗益（2011）[21]運用靜態二元Copula模型對房地產和金融兩個行業收益率的關系進行了刻畫，得出市場交投冷清時段的兩行業的尾部相關性要大于其他時段的結論。江紅莉等（2013）[22]通過動態Copula模型研究房地產業與銀行業的尾部相關性，實證表明：市場低迷時，房地產業與銀行業在經濟運行中存在共生性，嚴格的房地產調控政策雖然能弱化兩行業的下尾相關性，但不具備持久性。如果調控政策不連續，兩個行業的相依性又會如調控前般顯著。

從目前房地產產業鏈相依性研究方法的局限來看，投入產出分析方法只適用于實體經濟的研究，并且該方法存在兩大問題。一是投入產出表每5年編制一次，數據滯后嚴重，影響分析的時效性；二是這種方法隱含了產業間的聯動是線性的，與現實差異較大，模型也無法刻畫出動態關聯性。可計算一般均衡模型由于模塊較多，存在建模難度大，對數據的估計處理復雜等問題，其實模型并不實用。以資本市場作為研究對象的向量自回歸模型對于多個相關的經濟變量的分析以及預測效果較好，但仍有許多參數要估計。靜態和動態的二元Copula模型，可以充分地刻畫出不同產業間的相依結構，然而一旦涉及多個行業，模型無法進行高維建模，傳統的二元Copula模型也存在參數估計困難的問題，所以目前采用二元Copula模型的已有文獻都只對兩個行業間的聯動進行分析。實際上，房地產產業鏈上的相關產業眾多，只有高效地分析出房地產業與其他各個關聯產業的相依結構，才具有現實指導意義。

鑒于傳統方法的不足，本文采用新近發展起來的R-Vine Copula模型對房地產產業鏈上各行業泡沫之間的相依結構特征，以及這些相依結構在外部金融危機沖擊下出現的危機傳染效應進行實證研究。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模型面臨的“維度詛咒”問題，可以靈活構建高維Copula模型；第二，該類模型的分解規則相比C-Vine Copula和D-Vine Copula更符合變量間的實際情況；第三，越來越多的實證表明：R-Vine Copula所構建高維Copula模型的擬合效果優于其他傳統Copula模型。

與目前學者們的研究相比，本文有著如下亮點：第一，首次運用BSADF方法動態測度了中國資本市場房地產產業鏈上相關行業在研究時期內的價格泡沫程度及其存續周期時點，從而揭示了我國資本市場中房地產產業鏈泡沫的演化過程。第二，引入R-Vine Copula模型對我國資本市場房地產產業鏈上相關行業泡沫的相依結構進行建模分析。第三，通過對比金融危機前后房地產產業鏈上相關行業泡沫相依結構演化及其相依性水平的變化，進而深入探測外部金融危機對我國資本市場房地產產業鏈上各行業泡沫之間相依性的沖擊和危機傳染效應。

二、實證研究

（一）數據選取與處理

本文從房地產產業鏈上游、下游和資金鏈三個層面來選擇與房地產業關系密切的行業，最終選擇如下：（1）三個上游行業：鋼鐵業（GT）、有色金屬（YSYS）、建筑材料（JZCL），這三個行業為房地產業提供了原材料；（2）三個下游行業：建筑裝飾（JZZS）、家用電器（JYDQ）、機械設備（JXSB），這三個下游行業為房地產業提供了相關的配套服務；（3）兩個金融行業：銀行（YH）和非銀金融（FYJR），這兩個行業滿足房地產業的絕大部分資金需求，并為整個房地產業的各個關鍵環節提供全面的金融服務。

這8個行業從產品鏈、資金鏈等層面與房地產業形成了較有代表性的房地產產業鏈。9個行業指數均來自申銀萬國一級行業指數，數據來源于Wind資訊。研究時期為2000年1月至2015年8月。同時，為了刻畫2007年次貸危機、2008年金融危機和2009年歐債危機的發生是否對房地產產業鏈間相依結構產生影響，根據危機發生時點①〖ZW（DYB，0.25〗〖HTF〗①本文對外部金融危機發生前后時期的劃分一方面參考了相關文獻的做法，另一方面也結合危機爆發時點的標志性事件來判斷，由于至今沒有統一的劃分標準。與此同時，由于2007年美國次貸危機引發了隨后2008年的金融危機，兩者在時間上難以明確劃分開來，這里將2007年次貸危機與2008年金融危機合并在一起；歐債危機以2009年10月為發生時點，以希臘國家主權信用級別被標普評級公司降級為標志性事件，該危機至今尚未結束。〖HTSS〗〖ZW）〗進行如下劃分：次貸危機發生前的時期（200501—200707）、次貸危機發生期間（200708—200908）、次貸危機發生后的時期（200909—201112）；歐債危機發生前期（200501—200909）、歐債危機發生至今（200910—201508）；樣本數據全部為復權后的月度指數收盤價，在整個時期內每個行業均有188個數據。

（二）實證模型

1.資產價格泡沫測度模型：BSADF檢驗

考慮到傳統單位根ADF檢驗法的局限，Phillips等人（2011）[1]看到了資產泡沫弱爆炸性過程的屬性，以檢驗pt是否存在弱爆炸性過程替代傳統直接檢驗資產價格pt是否存在泡沫的方式，使得弱爆炸性過程的檢驗變成檢驗ADF模型中的自回歸系數ρ是否顯著大于1：

另外，為了將資產價格在平穩階段（ρ=1）和泡沫階段（ρ>1）的特征得到完整地繪制，Phillips等人（2011）[1]以向前遞歸技術為基礎，提出了右側單位根ADF檢驗法（簡稱SADF）。

SADF檢驗通過如下步驟完成：首先，在給定的樣本pt（t=1，2，…，T）中選取前部分樣本數據pt（t=1，2，…，[Tr]，0

根據Phillips等人（2013a）[4]的研究結果，我們可知若資產價格泡沫存在周期性破滅的現象，SADF檢驗的識別能力是很強的。雖然SADF檢驗針對周期性破滅的價格泡沫在檢驗上優點突出，不過這種方法也存在一些問題：第一，如果價格泡沫數量多，SADF檢驗對他們的存續周期時點在估計上是不一致的；第二，因為樣本窗口的起點在開始就已固定，那么如果泡沫在樣本窗口兩端的話，遞歸分析是無法發現的。為了解決這些問題，Phillips等人（2013b）[5]保留了SADF的精髓，改進了樣本遞歸技術，使前向遞歸中的樣本量得到增加，讓樣本窗口的起點能夠靈活變化。這種改進后的檢驗方法本文稱作BSADF檢驗法；顯然，BSADF檢驗法不僅包含了SADF檢驗法既有的優勢，還克服了SADF檢驗法存在的局限。BSADF檢驗法運用了后向遞歸技術，通過樣本選取而進行模型估計。具體來說，首先讓r2固定為樣本的終點，然后使起點r1在區間[0，r2-r0]內變動，每次變動起點r1，統計量 都能得到一個，覆蓋完整個區間后，一組統計量序列就出來了。在這樣一組序列中，將統計量的最大值表示為BSADF：

，泡沫就消失了，相應的時點是泡沫終點，記為。倘若泡沫不止一個，那么這個時點前的數據用相應的數據進行替換，接著用遞歸技術來對各泡沫存續周期時點進行估計。以上泡沫存續周期的起點與終點可通過下面的公式（4）—（5）來表示：

2.R-Vine Copula模型

在構建高維Copula模型方面，先后共出現了三種代表性方法：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模型一般稱為正則藤的建模方法，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模型需要事先設定其樹結構形式，更為一般化的R-Vine Copula并沒有特定的樹結構形式和分解規則，可以隨時根據變量間的相依性或研究目的需要來安排其相依結構形式，突顯出極大的靈活性和實用性（郭文偉，2016）[25]。J. Dimanna等人（2013）[24]的研究結果也表明：從建模后的擬合效果來看，R-Vine Copula模型相比標準的C-Vine Copula模型以及D-Vine Copula模型都顯得優良。目前國內采用R-Vine Copula來對房地產產業鏈各行業之間的相依結構進行建模分析的文獻較少，僅僅有郭文偉（2016）[25]采用該模型對資本市場上房地產業與相關行業之間的相依結構特征進行實證分析，但尚未有文獻專門對資本市場上房地產產業鏈各行業泡沫之間的相依結構進行建模分析，對此，本文采用R-Vine Copula模型來分析房地產產業鏈上各行業泡沫之間的相依結構特征及其在外部金融危機沖擊下的危機傳染效應。由于文章篇幅限制，有關R-Vine Copula模型的結構形式和原理等方面的內容，可詳見上述文獻，這里不再闡述。

（三）實證結果

1.房地產產業鏈上各行業泡沫存在性檢驗

這里采用SADF檢驗法和BSADF檢驗法分別對房地產產業鏈上9個行業的泡沫存在性進行檢驗，結果見表1。

進行遞歸估計時，我們設定初始時樣本窗口的時間跨度為6個月，步長為1個月，這樣每次估計完成后會新增一個月的樣本繼續估計。同時，我們對以上行業分別進行了2000次模擬以得出檢驗指標在這9個行業中1%、5%和10%置信水平上的統計量SADF臨界值和統計量BSADF臨界值。從表1的檢驗結果可見BSADF統計值總體上都比SADF統計值要大，在一定程度上也證明了在周期性泡沫的檢測方面BSADF檢驗法相比SADF檢驗法更容易捕捉到存在的泡沫；從1%的置信水平上看，這9個行業的BSADF統計值都明顯比行業在1%置信水平上的臨界值要大，由此得出：1%的置信水平之下，房地產產業鏈上的9個行業均在研究時期內顯著存在周期性泡沫。

2.泡沫存續周期時點及其泡沫程度分析

要挖掘出各行業泡沫的存續周期時點，需要比較全部樣本時期內的各行業指數BSADF統計序列與其在5%置信水平上臨界值序列CV-BSADF的大小；當行業開始出現周期性泡沫時，BSADF統計值大于CV-BSADF臨界值，而當周期性泡沫消失時，BSADF統計值小于或等于CV-BSADF臨界值。此外，BSADF值的大小與泡沫的程度正相關。圖1描繪了這9個行業指數的泡沫走勢。觀察圖1，可見這9個行業在整個研究期間均存在至少3個以上的周期性泡沫，泡沫的存續時間及峰值各行業有所不同。具體結果見表2所示。從表2可知，房地產產業鏈上9個行業在整個研究時期內均出現多次周期性泡沫。其中，發生泡沫次數最多且泡沫峰值最大的行業是房地產業，共出現了8次周期性泡沫。房地產業在2006年11月至2007年10月期間出現持續時間較長的周期性泡沫，共持續了12個月，且泡沫峰值在2007年5月達到最大值，為1530。相比之下，非銀金融業發生的泡沫次數和泡沫峰值相對較小，說明該行業在研究時期內的泡沫程度較小。從泡沫持續周期來看，最長的是銀行業，其在2006年10月—2007年12月出現了持續時間高達15個月的泡沫，但其泡沫峰值并不大；而建筑裝飾業的泡沫周期相對較短，最長只有6個月，且泡沫程度也較小。由此說明，在房地產產業鏈中房地產業的泡沫程度是最嚴重的，且持續時間較長。這點從下圖2中各行業泡沫的箱形分布圖也可得到進一步的印證。

3.各行業泡沫程度比較及其分布特征分析

圖2中為各行業泡沫的箱形分布圖。根據箱形圖的制定原理，這里將超過箱形圖上限（在各子圖中上下限均用“—”表示）的點稱為離群點（本文視為極端泡沫）。

從圖2可看出：在整個研究時期內，相比其他行業泡沫，房地產業出現了最大的極端正泡沫（1531）和最大的極端負泡沫（-366）。這再次說明，在房地產產業鏈中，房地產業泡沫程度最為嚴重，且正負泡沫波動幅度也最大。從極端泡沫點的數量來看，相比其他行業，家用電器業和鋼鐵業出現的極端正泡沫數量最多，而房地產業出現的極端正泡沫點的數量最少。

4.各個時期的R-Vine Copula結構及其估計結果

對于維度d的R-Vine Copula模型來說，存在2d-1個RVM矩陣，本文這里借鑒J.Dimanna等人（2013）[24]提出的最大生成樹方法來確定RVM。其核心思路是基于最強相依關系對構建R-Vine Copula模型的重要性原則來構造每兩個節點間的相依性絕對值之和達到最大的第一棵樹。有關該方法的詳細介紹可見文獻。[18]在確定好RVM后，面臨R-Vine Copula結構內部Copula類型的選取，由于備選的Copula類型多達31種①〖ZW（DYB，0.25〗〖HTF〗①限于文章篇幅，本文對備選的31種Copula模型不再逐一介紹，每個Copula模型的代號見相關文獻介紹。〖HTSS〗〖ZW）〗，為了全面系統優選出合適的Copula類型，這里同樣借鑒學術界常用的原則：似然函數值LL最大、AIC和BIC值最小的原則來進行確定。同時參考了J.Dimanna等人（2013）[18]提出的算法，用R語言編程來完成R-Vine Copula結構內部Copula類型的選取與模型參數估計工作。最終分析結果見下面各個時期的矩陣C和矩陣P。由于文章篇幅限制，這里只給出整個時期，二次危機發生前、中、后各個時期內房地產產業鏈泡沫相依結構中第一棵樹結構及其相依性估計結果。

在R-Vine結構中，第一棵樹的每條邊代表無條件相依性，而從第二棵樹開始，每條邊都是包含了某一條件下的相依性。在每棵樹中，無條件相依性水平要大于有條件的相依性。

從第一棵樹來看，在整個研究時期內，房地產業泡沫在整個房地產產業鏈泡沫相依結構中起到了唯一中心連接作用。由圖3可知，房地產業泡沫分別與鋼鐵有色金屬業泡沫、建筑裝飾業泡沫、銀行業泡沫和非銀金融業泡沫之間存在顯著的非對稱、厚尾相依結構，其中各自的相依性分別達到067、-068、066、063，這些相依結構分別適用F Copula、F Copula、SBB8 Copula、SBB8 Copula模型進行刻畫。由此說明，房地產業泡沫會沿著產業鏈上游（有色金屬業）和資金鏈（銀行業和非銀金融業）對外進行傳染。與此同時，在整個時期內，房地產業泡沫與建筑裝飾業泡沫之間存在顯著的非對稱負相依性，其相依水平為-068，這說明房地產泡沫與建筑裝飾業泡沫之間存在此消彼長的關系。已有大量文獻研究表明：在實體經濟層面上，房地產業在其產業鏈上能起到承上啟下的核心連接作用。而本文這里進一步證實，在資本市場層面的房地產產業鏈泡沫相依結構中，房地產業同業起到了中心連接作用。

由圖4可知，在2007年次貸危機發生前，房地產業泡沫同樣在整個產業鏈泡沫相依結構中起到中心的連接作用；房地產業泡沫分別與有色金融業泡沫、建筑裝飾業泡沫、銀行業泡沫和機械設備業泡沫之間存在顯著的相依性，其相依性水平分別為069（F Copula）、-062（F Copula）、065（SBB8 Copula）、067（SBB8 Copula），而且這些相依性結構均具有非對稱、厚尾的特征。

在次貸危機發生期間，房地產產業鏈相依結構相比之前發生了明顯變化。房地產業泡沫已經不具有中心樞紐地位，僅僅與銀行業之間存在顯著的正相依性（067），且該相依性具有非對稱的下尾相依結構特征。整個產業鏈泡沫相依結構中不再像次貸危機發生前圍繞中心樞紐點而分布的特征，而是形成鏈式結構（分別為鋼鐵業-非銀金融業-銀行業-有色金屬業-建筑材料業-機械設備業-家用電器業，各行業泡沫之間相依性依次為099、067、066、071、082、076）。除了建筑材料業泡沫與建筑裝飾業泡沫之間存在負相依性外，其他行業泡沫之間均存在顯著的正相依性，且相依性水平總體上比次貸危機發生前要大。

在次貸危機結束后，房地產產業鏈泡沫相依結構又出現了變化，其中最明顯的就是建筑裝飾業泡沫起到唯一中心樞紐的連接作用，其分別與有色金屬業泡沫、房地產業泡沫、機械設備業泡沫之間存在顯著的負相依性，但各自的相依結構不盡相同。具體來說，建筑裝飾業泡沫與房地產業泡沫之間存在對稱的負相依性（-07），且適合用N Copula模型來進行刻畫。同樣，建筑裝飾業泡沫與有色金屬業泡沫、機械設備業泡沫之間的相依性為-045、-059，均適合用F Copula模型來刻畫，說明均具有上下尾對稱的相依結構特征。

通過對比整個房地產產業鏈泡沫相依性及其相依結構在次貸危機發生前、中、后三個時期的變化可知，次貸危機的發生顯著增強了房地產產業鏈上各行業泡沫之間相依性程度，突顯出明顯的危機傳染效應，而且也改變了相依結構分布特征，其中最顯著的變化是使得房地產業泡沫的中心樞紐地位消失了。

由圖5可知，在2009年歐洲危機發生前，房地產業泡沫是整個產業鏈泡沫相依結構中的唯一中心點，其他8個行業均圍繞房地產業泡沫而形成“十字”分布結構；房地產業泡沫分別與有色金融業泡沫、建筑裝飾業泡沫、銀行業泡沫和機械設備業泡沫之間存在顯著的相依性，其相依性水平分別為067（F Copula）、-067（F Copula）、066（SBB8 Copula）、067（SBB8 Copula），而且這些相依性結構均具有非對稱、厚尾的特征。顯然，這種分布結構與次貸危機前期較為相似。而在歐洲危機發生至今，房地產業的中心樞紐地位同樣消失了，僅僅與建筑裝飾業和銀行業之間存在顯著的正相依性。整個房地產產業鏈泡沫相依結構中沒有明顯的中心樞紐連接點，而是形成了鏈式（家用電器業-建筑材料業-機械設備業-建筑裝飾業-有色金屬業-鋼鐵-非銀金融業）結構。

5房地產產業鏈泡沫傳導機制特征

從圖3—圖5可知，無論是在整個時期內還是兩次危機發生前期，房地產業泡沫與有色金屬業泡沫、建筑裝飾業泡沫、銀行業泡沫和機械設備業泡沫之間存在直接而顯著的相依性。這里采用Granger因果關系分析法來進一步分析房地產業泡沫與這四種行業泡沫之間的因果關系，以厘清泡沫在行業間的傳導機制。首先，基于這五個行業泡沫系列構建五元向量自回歸（VAR）模型。由于VAR模型的滯后階數會顯著影響各變量之間的Granger因果關系。對此，這里根據SC和HQ值最小原則確定最佳滯后階數為1，然后通過構建1階滯后的五元向量自回歸模型（VAR）進行格蘭杰因果關系檢驗，最終檢驗結果如下表3所示。

從表3可知，在5%的置信水平上，有色金屬業泡沫、建筑裝飾業泡沫和機械設備業泡沫分別是房地產業泡沫的單向格蘭杰原因，而銀行業泡沫和房地產業泡沫之間互為格蘭杰原因。由此說明，在房地產產業鏈泡沫傳導上，房地產業泡沫會受到有色金屬業、建筑裝飾業、銀行業和機械設備業的泡沫傳染，起到一個“中心蓄水池”的作用，與此同時，房地產業泡沫也會傳導給銀行業。

6房地產產業鏈泡沫的危機傳染效應

為了準確測度危機前后房地產產業鏈相關行業泡沫之間相依性水平的變化，同時考慮到危機前后各行業之間的相依結構會發生變化的特點。這里以危機前各行業之間的相依結構作為比較的基準結構，通過測度各行業泡沫基于同一基準結構下的相依性水平來分析危機傳染效應。這里重點比較二次危機發生前后時期內房地產產業鏈各連接節點之間相依性進行比較，具體結果如表4所示。

從表4可知，相比兩次危機發生前期，房地產業泡沫與有色金屬業、建筑裝飾業、銀行業和機械設備業的泡沫之間的相依性在二次危機發生期間或危機結束后均顯著增強，突顯出明顯的危機傳染效應。

三、結論

本文采用R-Vine Copula方法對我國房地產產業鏈上各行業泡沫（由鋼鐵、有色金屬、家用電器、房地產、建筑材料、建筑裝飾、銀行、非銀金融和機械設備，共9個行業組成）之間的相依結構進行建模分析。在此基礎上分析2007年次貸危機和2009年歐債危機對房地產產業鏈泡沫相依結構的沖擊影響，最后比較R-Vine Copula方法相對于C-Vine Copula和D-Vine Copula方法在建模效果上的優勢。具體結論如下：

第一，在中國資本市場上，房地產產業鏈上的相關行業均存在多個周期性泡沫，其中，房地產業泡沫程度最為嚴重。第二，在整個時期內，房地產業泡沫是整個房地產產業鏈上各行業泡沫的唯一樞紐中心；房地產業與有色金屬業、建筑裝飾業、銀行業和機械設備業之間存在顯著的泡沫相依性，且各行業之間的泡沫相依性水平較高；房地產業泡沫會受到上下游行業泡沫的影響，起到中心蓄水池的作用。第三，次貸危機和歐債危機的發生不僅增強了房地產產業鏈各行業泡沫之間的相依性水平，存在顯著的危機傳染效應；與此同時，二次危機的發生使得房地產業不再起到樞紐中心的作用，整個房地產產業鏈的相依結構在危機發生期間和危機結束后形成了鏈式結構，而非危機發生之前的“十”字性結構。

參考文獻：

[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]李維哲，曲波.地產泡沫預警指標體系與方法研究[J].山西財經大學學報，2002（2）：99-101.

[7]呂江林.我國城市住房市場泡沫水平的度量[J].經濟研究，2010（6）：28-41.

[8]周京奎，曹振良.中國房地產泡沫與非泡沫——以投機理論為基礎的實證分析[J].山西財經大學學報，2004（1）：53-57.

[9]姜春海.中國房地產市場投機泡沫實證分析[J].管理世界，2005（12）：71-84.

[10]苑德宇，宋小寧.中國區域房價泡沫測度及空間傳染性研究——基于2001—2005年35個大中城市面板數據的實證分析[J].上海財經大學學報，2008（3）：78-85.

[11]呂煒，劉晨暉.財政支出、土地財政與房地產投機泡沫[J].財貿經濟，2012（12）：21-30.

[12]范新英，張所地，馮江茹.房地產價格泡沫測度及區域差異性研究[J].經濟研究，2013（11）：48-53.

[13]韓德宗.基于West模型的房地產泡沫的實證研究[J].當代經濟科學，2005（5）：6-11.

[14]王春雷.住宅市場價格泡沫及預警機制研究[J].華中科技大學博士學位論文，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]史興杰，周勇.房地產泡沫檢驗的Switching AR模型[J].系統工程理論與實踐，2014（3）：676-682.

[17]王國軍，劉水杏.房地產業對相關產業的帶動效應研究[J].經濟研究， 2004（8）：38-47.

[18]王媚媚.中國房地產業的投入產出分析[D].重慶大學， 2009.

[19]何云.基于CGE模型的房地產行業波動分析[D].廈門大學， 2014.

[20]唐莉， 張永娟.房地產產業鏈關聯性的分析研究[J].世界經濟文匯， 2006（3）：19-27.

[21]劉瓊芳， 張宗益.基于Copula房地產與金融行業的股票相關性研究[J].管理工程學報， 2011（1）：165-169.

[22]江紅莉， 何建敏， 莊亞明.基于時變Copula的房地產業與銀行業尾部動態相關性研究[J].管理工程學報， 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]郭文偉.房地產產業鏈相依結構演化及其危機傳染效應研究[J].經濟數學，2016（1）：7-17.

責任編輯：吳錦丹

收稿日期：2016-08-16

基金項目：2014年廣東省高等學校優秀青年教師培養計劃資助項目（Yqgdufe1402）；2016年廣東大學生科技創新培養專項資金（廣東攀登計劃）重點項目資助（pdjh2016a0198）。

作者簡介：郭文偉，男，廣東汕頭人，廣東財經大學金融學院，副教授，研究生導師，管理學博士；陳順強，男，廣東東莞人，廣東財經大學金融學院碩士研究生；陳妍玲，女，廣東汕頭人，廣東財經大學外國語學院，講師，碩士。