房價泡沫與金融風險：相互促進或此消彼長？*
——基于省際面板數據的實證分析

郭文偉，黃子聰，何 潔

（1.廣東財經大學金融學院，廣東 廣州 510320；2.珠三角科技金融產業協同創新發展中心，廣東 廣州 510320）

一、引言與文獻綜述

近年來，中央和地方的相關部門出臺了多種政策，嚴控投機資金流入房地產市場，但部分城市房價仍然居高不下，房價泡沫現象嚴重。根據國家統計局公布的大中城市商品住宅銷售價格計算，2010-2020 年的10 年間，深圳市房價漲幅高達200%，廣州市房價的漲幅也達到了155%①根據國家統計局公布的大中城市商品住宅銷售價格測算而得。。在“堅決守住不發生系統性金融風險的底線”的政策背景下，房價泡沫及其蘊含的金融風險引發了社會各界的關注。

我國各地在資源稟賦、區位條件、經濟發展狀況和金融資源配置等方面存在區域性失衡問題。《中國住房大數據分析報告（2020）》指出，各城市之間在稟賦和政策上的區別，使各城市的房地產市場發生分化，差異逐漸凸顯。國家統計局公布的數據顯示，2021 年東部地區和中部地區房地產開發投資同比分別增長了4.2% 和8.2%，而西部地區僅增長了2.2%，東北地區同比下降了0.8%。因此，在差異化的背景下，區域房價的漲跌將成為房地產風險防范的又一重點，從區域視角來探究房價泡沫與金融風險的交互影響具有重要的政策意義。厘清房價泡沫與金融風險之間的交互影響關系，理解其中的形成機理、傳導機制和影響效應，將有助于監管當局構建多層次、差異化的金融風險防范體系。我國房地產行業的資金主要依賴信貸市場，但隨著資本市場改革的推進，房地產的直接融資渠道也獲得了較快的發展，房地產開發資金的貸款占比不斷下降。故本文所討論的金融風險將聚焦于資本市場和信貸市場的金融風險。

現有文獻分別討論了房價泡沫與金融風險的區域差異和房價對各金融市場風險的影響，卻極少從區域的角度討論房價泡沫與金融風險交互影響效應。究其原因，難點在金融風險的測度上。目前金融風險的測度方法較為單一，主要是通過借助預設一系列宏微觀指標進行判斷。主觀判斷下的指標選取賦予了評價結果明確的意義，但這種方法需要合理設定各個指標的預警界線和重要性權值，指標體系相對復雜，操作性較差。另外，評價指標和指標權重的選取缺乏理論依據，結果也存在明顯的滯后性。根據中國人民銀行2021 年12 月發布的《宏觀審慎政策指引（試行）》，系統性金融風險是可能對正常開展金融服務產生重大影響，進而對實體經濟造成巨大負面沖擊的金融風險，其主要表現為風險順周期的自我強化以及風險的傳染。可見，傳染性是測度系統性金融風險所必須考慮的因素。Adrian 和Brunnermeier（2008）提出CoVaR（條件在險價值）的方法較好地解決了風險傳染性的測度問題。CoVaR 通過測算金融機構在恰好達到風險值的條件下對其他金融機構的風險溢入溢出，來刻畫風險在金融機構間的傳染。Girardi 和Ergün（2013）將條件放寬為金融機構至多達到其風險值的情況，通過DCC-GARCH 模型計算動態CoVaR。Bernardi 等（2017）放松了關于隨機變量聯合分布函數的假設，使用Copula 方法估計CoVaR。沈悅等（2016）提出在Copula 函數的基礎上，使用偏態t 分布能獲得更好的擬合效果，對CoVaR 模型進行修正。在現有研究中，CoVaR 常被用于度量單個金融機構在陷入危機時對系統性金融風險的貢獻程度，并以此作為金融機構的系統性金融風險。從區域的視角，CoVaR 可用于度量某一區域的金融市場發生極端風險時對系統性金融風險的貢獻程度，以此衡量區域性金融風險。值得注意的是，CoVaR 多使用收益率數據進行風險測算，其衡量的是資本市場的金融風險。鑒于我國上市公司存在股權融資偏好（王振山和王秉陽，2018），加之債券市場省級層面收益率數據難以獲得，本文基于Choice 數據庫東財指數計算各省（自治區、直轄市）上市公司股票收益率數據，從區域角度測算資本市場的金融風險。信貸市場的風險指標更難尋找。劉忠璐（2016）使用Z 值和不良貸款率來作為銀行信貸風險代理變量，但現有數據無法計算得到區域的Z 值，故本文使用不良貸款率作為區域信貸市場風險的代理變量。

總體來看，現有研究主要集中在討論房價波動對系統性金融風險的影響關系。沈悅等（2016）通過構建CoVaR 模型，發現房價過度波動帶來的風險會對系統性風險產生溢出，其中對金融機構的風險溢出最為顯著。白鶴祥等（2020）通過建立房地產市場的系統性金融風險網絡模型，發現房價大幅下跌會導致我國金融體系風險上升。徐榮等（2017）發現房價沖擊會對系統性金融風險產生正向的影響，即房價上漲會導致風險積累。從現有文獻來看，大部分文獻都在圍繞房價變化而非房價泡沫變化進行討論，而房價的變化與房價泡沫的變化是有區別的。當房價泡沫上升時，不僅代表著房價的上升，更代表著價格扭曲程度的加大。此外，鮮有文獻從區域視角分析房價泡沫與金融風險的交互影響效應。鑒于此，本文將從區域視角出發，以我國30 個省級區域為研究對象，結合2011-2021 年的30個省級區域的綜合股票指數、不良貸款率和房價數據，使用向后遞歸右側ADF 檢驗模型（Backward Sup ADF，以下簡稱BSADF）和CoVaR 模型測算我國各省房價泡沫和資本市場的金融風險，并在此測算的基礎上使用聯立方程模型和面板向量自回歸模型，分別從資本市場和信貸市場分析我國房價泡沫與金融風險之間的交互影響關系。

二、房價泡沫與金融風險交互影響的理論分析

（一）房價泡沫對金融風險的影響機理

房價泡沫指住房價格快速上漲后明顯偏離實際價值，從而形成的資產泡沫。在討論房價泡沫對金融風險的影響時，本文將影響分為兩個部分，一是房價上漲過程對金融風險的影響，二是住房價格扭曲對金融風險的影響。對信貸市場和資本市場來說，房價上漲本身往往是一個好消息，風險主要來自于資產價格扭曲后帶來的資源錯配。

在信貸市場中，基于金融加速器理論，房價上漲對信貸市場風險的影響存在兩種不同的效果：一方面會使銀行抵押品價值增加，不良貸款率下降；另一方面會導致信貸擴張，貸款質量下降，不良貸款率上升（李馨，2020 ；呂學梁和馬玉潔，2020）。Daglish（2009）提出的價值抵押理論認為房價上漲可以降低信貸市場風險。一方面，房價上漲會產生財富效應，使企業和家庭的資產價值增加，從而降低貸款違約的可能性；另一方面，房價上漲將提高銀行自有房產和相關抵押品的價值，增強銀行的風險承擔能力。而Allen 和Gale（2001）提出的價值偏離理論認為房價上漲會增加金融系統風險。房價上升帶來的資本增加可能會使銀行以不合理的低利率放貸，房價上升預期也會刺激人們借款投資于房地產，使風險在銀行積累，并進一步推高房價；當經濟環境發生變化或政策轉向時，容易爆發危機。

價值偏離理論是從信貸擴張的角度進行論述。實際上，我國房價泡沫的風險更多體現在價格扭曲導致的資源錯配。房價上漲使信貸資金涌入房地產市場，擠出其他行業的資源，造成房地產產能過剩，從而降低了社會產出效率，帶來信貸市場風險上升。孫光林等（2017）認為要素價格扭曲會通過降低資本邊際效益，造成產能過剩，提高商業銀行的不良貸款率。張澄和沈悅（2018）發現房地產價格上漲和信用風險降低都會增加商業銀行信貸規模。王慧和王擎（2021）發現房價上漲使有房企業在向銀行貸款時更占優勢，無房企業的貸款份額則受到擠占。單克強（2018）指出住房資本泡沫會加劇金融資源錯配，當資金大量流入房地產市場時，中小微企業將面對更加嚴重的融資難融資貴問題。

此外，房地產的貸款期限較長，當資金大量配置房地產資產時，資產流動性降低，容易出現短期流動性不足的風險。彭俊華和許桂華（2020）發現房價的快速上漲會帶來財富效應，使更多的居民和機構選擇加杠桿購置房產或者對房地產行業進行投資，市場資金大量進入房地產市場，造成流動性效應和杠桿效應，最終演化為系統性風險。

在資本市場中，房價上漲會帶動房地產和相關行業發展，從而利好整個資本市場，而當房價下降時，風險則可能從房地產板塊傳染至整個股市。從這個角度來看，房價與資本市場風險呈現正相關關系。Ciarione（2011）實證發現股票價格與房地產價值之間存在顯著的正相關關系。Kapopoulos 和Siokis（2005）認為房價上漲可以通過再抵押的途徑，減少股票投資的資金約束，推動股價上升。戚逸康等（2018）發現房地產板塊對整體股市的波動溢出非常顯著，房地產業的下行有可能將風險傳染至整個股市。

同樣，房價的扭曲會導致市場的資源錯配。當房價泡沫升高時，部分資金會選擇從收益低的股票市場退出，轉向投入收益更高的房地產市場。Raymond（2001）發現房地產市場和股票市場之間存在一定的替代性，當房價上升時，股票價格下降。市場間的替代效應會使資本市場風險在短期內升高。同時，在資本市場內部，房價泡沫的上升使人們更偏好投資房地產行業，由此擠出了對其他行業的投資，不利于經濟長期發展。

綜上可知，房價泡沫對信貸市場風險和資本市場風險的影響效應具有不確定性，其最終的影響方向取決于房價上升的正效應與住房價格扭曲的負效應哪個更加強烈。若從動態的角度不難發現，房價上漲與資產價格扭曲實際上有一個先后的時間順序，房價上升先帶來金融風險的下降，而當房價上漲到一定程度后發生價格的偏離，金融風險逐漸上升。

從理論上來說，房價泡沫對金融風險的影響方向最終可能為正，也可能為負，這主要取決于住房價格扭曲的負效應是否會抵消房價上升的正效應。那么在我國，房價泡沫對金融風險的影響到底怎樣？影響效應在信貸市場和資本市場是否存在差別，在區域樣本上又是否會存在差別？這是本文后續實證需要驗證的問題。

（二）金融風險對房價泡沫的影響機理

在信貸市場，當金融風險升高時，金融機構、企業和居民都會進行相應的風險控制。López-Espinosa 等（2015）認為，極端事件發生時，投資活動將會減少，銀行也將主動或被動提高自身的資本充足率，這將導致金融市場流動性不足。Brunnermeier 和Pedersen（2009）發現當風險發生時，金融機構為獲取流動性而低價將資產進行變現，易導致金融市場中資產價格全面下跌。對居民來說，購房時也更難獲得金融機構的貸款支持，從而降低對房產的需求。而對企業來說，利潤下降，借款將會變得更加困難，從而面臨資金鏈的斷裂。為了回籠資金，房地產企業會相應調低房價。但若市場主體對房地產市場未來擁有良好的預期，當金融風險上升時，房地產企業貸款和房地產抵押貸款反而成為風險較低的資產，銀行會增加這類貸款的發放，導致資金涌入房地產行業，帶來房價泡沫的上升。張寶林和潘煥學（2013）運用SVAR 模型，發現“影子銀行”體系能促使資金進入房地產，加速房價泡沫的形成，并在房價下跌時加快房價泡沫破裂。

在資本市場，當金融風險升高時，市場流動性下降、股價下跌，這將直接影響房地產及其相關行業的直接融資成本，也會通過財富效應降低居民的購房需求，從而帶來房價下降。郭銳欣和朱懷任（2017）認為房價上升與股價之間存在雙向影響關系，股價的正向沖擊對房價有正向影響，而房價的正向沖擊對股價有負向影響。此外，資本市場與房地產市場之間存在著替代效應，即當資本市場風險上升時，資金會從股票市場涌入房地產市場，形成房地產投機需求，從而推高房價。

從上述的分析可以看出，金融風險對房價泡沫的影響也是不確定的。在資本市場中，金融風險對房價泡沫的影響效應到底怎樣？在信貸市場中，是否在具有良好房地產市場預期的區域，金融風險的上升反而會推動房價泡沫的上漲？這是本文后續實證需要驗證的問題。

（三）房價泡沫與金融風險交互影響的區域差異分析

房價泡沫與金融風險的交互影響效應可能存在區域的差異。從靜態上看，這可能體現為影響方向和影響程度上的差異。從動態上看，則可體現為脈沖響應形狀與響應程度上的差異。

從前文影響機制的分析中可知，區域差異主要與區域的房價泡沫水平、房價預期和金融市場發展水平相關。房價泡沫水平越高的區域，其所帶來的價格扭曲越大，帶來的金融風險越高。而房價泡沫水平低的區域，或者是不存在房價泡沫的區域，房價下降會帶來金融風險的上升。此外，當風險發生時，只有當市場對房價有較好的預期，信貸資金才會愿意進入房地產市場，帶來房價泡沫的上升。

當一個地區金融發展水平越高，意味著該地區的金融市場運行效率越高，金融產品越豐富，金融服務更便利。在金融發展水平較高的地區，市場上可以選擇的優質資產種類較多，房地產并不是避險資產的唯一選擇，所以當金融風險升高時，人們可能會選擇其他的優質避險資產，資本市場與房地產替代效應減弱。同時，在金融發展水平高的地區，資本市場的發展也相對更好，與房地產市場的關系也更加密切，所以相對于金融發展水平較低的地區，資本市場風險對房價泡沫的影響程度會更高。

三、研究設計

（一）變量說明

本文選取我國除西藏、港澳臺之外的30 個省（自治區、直轄市）作為研究對象，樣本期為2011 年12 月到2021 年12 月，每個省各有252 個樣本。同時，本文將各省分為東部、中部、西部和東北地區②全國劃分為東部（北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南）、中部（山西、安徽、江西、河南、湖北、湖南）、西部（內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆）和東北地區（遼寧、吉林、黑龍江）。劃分標準同中國人民銀行公布的《全國區域金融運行報告》一致。進行討論。

1.房價泡沫BSADF

通過比較BSADF 和蒙特卡洛模擬出的臨界值CV-BSADF 來識別資產泡沫的存續周期時點。當BSADF 大于CV-BSADF 時，就認為房價出現泡沫，否則認為泡沫消失。BSADF 數值越大，則說明房價泡沫水平越高。

2.資本市場風險

本文使用Choice 數據庫的東財指數，結合ΔCoVaR模型來測度各省金融風險溢出，以此來衡量資本市場風險。樣本期選定為2011 年12 月22 日至2021 年12 月31 日，并通過平均法將日度數據合并為月度數據。CoVaR是指在金融市場i發生風險事件C(Xi) 的條件下金融市場j的條件概率分布，公式可表示為：

為了方便討論和后續分析，本文將ΔCoVaR取其絕對值，使其變為正值，數值越大意味著風險溢出越大。

3.不良貸款率

本文用各省2011-2021 年商業銀行不良貸款率（NPLR）來作為信貸市場的風險變量。數據來自于銀保監會網站和中國人民銀行公布的各省金融運行報告，若同一時間兩者數據出現不一致，則使用中國人民銀行公布的數據。

4.貨幣政策與財政政策

本文用廣義貨幣量M2 作為貨幣政策控制變量，用各省一般公共預算支出作為財政政策的控制變量，并在回歸時對兩者取對數。個別省份一般公共預算支出數據存在部分缺失，使用多重插補法對數據進行補全。

5.貸款加權平均利率

本文使用中國人民銀行公布的個人住房貸款加權平均利率作為房價泡沫方程的控制變量。貸款加權平均利率反映了購房的成本。

6.宏觀經濟杠桿率

本文使用國家資產負債表研究中心（CNBS）發布的中國宏觀杠桿率數據作為金融風險方程的控制變量，包括實體經濟部門杠桿（Real-economic Leverage，RL）和金融部門負債端杠桿（Fincial Leverage，FL）。杠桿率的計算公式為：

7.房地產開發投資

房地產開發投資（Invest）對房價泡沫的影響為正。田霞和蔡銀鶯（2020）認為住房的供給曲線在房價較高時是“向上彎曲”的，此時房價上漲會推高投資風險，導致住宅開發量下降。此外，對房地產的開發投資能促進城市經濟發展，從而帶來房價上升。

8.城鎮居民人均可支配收入

居民收入的提高會形成改善性購房需求和投資性購房需求，從而提高房價泡沫。本文使用各省城鎮居民人均可支配收入（Income）作為控制變量。

9.商業銀行存貸比

存貸比（LDR）為商業銀行貸款總額與存款總額的比值，該指標可以反映銀行的盈利能力，也反映了銀行的流動性。本文取存貸比倒數，數值越高，說明銀行的流動性越好。存貸款數據來自各省金融統計年鑒。彭建剛等（2015）認為從盈利角度看，存貸比較高時，商業銀行傾向選擇貸款利率高的項目，從而使不良貸款率上升；從流動性角度看，當存貸比上升，即貸款相對增長更快時，銀行將面臨流動性風險，此時銀行將控制風險資產的增長，從而降低不良貸款率。

10.國房景氣指數

全國房地產開發景氣指數，簡稱國房景氣指數（JQ），反映了房地產行業的發展狀況，作為房價泡沫方程的控制變量。

本文相關變量的定義及描述性統計結果見表1。

表1 變量定義及描述性統計結果

（二）模型設定

1.聯立方程模型

單一的計量方程只用于分析單向的因果關系，而房價泡沫與金融風險呈現出的是雙向的互動關系，為了避免變量之間的內生性而導致模型偏差，本文使用聯立方程模型來研究變量間的交互關系。本文運用三階段最小二乘法（3SLS）對模型進行回歸，所建立的聯立方程如下：

其中：變量CoVaRi,t為各省份i在t 期的風險溢出，用以刻畫各省的金融風險；BSADFi,t為各省t時期的房價泡沫水平；NPLRi,t為各省t期不良貸款率；εi,t為誤差項；其余變量為控制變量。

2.面板向量自回歸模型

為進一步研究房價泡沫與金融風險的關系，解決內生性問題，本文構建了面板向量自回歸（PVAR）模型：

四、房價泡沫與金融風險的測度及討論

（一）房價泡沫識別及區域比較

本文將BSADF 統計序列與其臨界值90% 置信水平下的CV-BSADF 進行比較，識別出泡沫起點和終點。從結果中發現，經濟發展越好的省份，其房價泡沫持續時間越長，房價泡沫峰值也越高。

本文選擇BSADF 方法測度并比較房價泡沫大小，初始窗口選為12 個月，每次向后移動1 個月直至終點，以此獲得每月的房價泡沫大小。全國的BSADF 均值如下圖1 所示。從房價泡沫變化情況可以看出，從2002 年至2008 年上半年，我國房價泡沫震蕩上升，2008年6 月后受國際金融危機的影響，房價泡沫水平出現短暫的下降，2009 年4 月后出現了反彈。2013 年6 月因金融業流動性緊張，房價泡沫再一次下降，2015 年4 月后又開始震蕩上升。2018 年3 月中央提出“房住不炒”，隨后房地產調控政策逐漸趨緊，房價泡沫在2018 年5月達到峰值后開始震蕩下降。

圖1 2002-2021 年全國房價泡沫走勢

通過對我國各區域的房價泡沫均值測算發現，東部的房價泡沫變化趨勢與全國整體房價泡沫變化趨勢基本一致，能明顯看到2008 年金融危機和2013 年流動性緊張對房價泡沫的影響，但在泡沫大小方面，東部房價呈現出較全國更高的泡沫水平，最高時房價泡沫達到4.542。在四個區域中，東部的房價泡沫持續的時間最長。中部房價泡沫變化趨勢與全國表現基本一致，但2008 年國際金融危機期間的變化并不明顯。雖然中部房價泡沫整體呈現震蕩上升的趨勢，但在2009 年3 月份前，中部房價泡沫基本為負值。在2012 年3 月，中部房價泡沫首次超過了東部。西部和東北地區的房價泡沫則呈現出一種反差。這兩個區域的房價泡沫雖然有上升的趨勢，但基本都為負泡沫，或為短期的低水平泡沫。但在2018 年前后，兩個區域都表現出了較高的房價泡沫。

考慮數據整體的可得性和連續性，最終選取2011 年12 月至2021 年12 月的數據進行后續的實證研究，BSADF 的描述性統計見表2。從中可以看出，中部區域房價泡沫水平最高，其次是東部區域，最低是東北地區，已經出現了負泡沫。需要指出的是，此處全國層面房價泡沫最大值為7.263，與上述全國泡沫走勢圖的峰值結果存在差異，主要原因是圖1是基于各省房價泡沫均值的測算結果，而2002-2007 年間由于測算所得的中西部省份房價泡沫大都為負值，而東部沿海省份大都為正值，使得整體的房價泡沫均值較小。從標準差看，中部和東部的標準差較大，說明這兩個區域的房價泡沫波動率更大。對比分析四個區域的房價泡沫時間序列發現，2012 年之前，東部的房價泡沫顯著大于其他三個區域，而2012 年之后，中部的房價泡沫開始逐漸反超，且東部、中部和西部的房價泡沫差距變小。2018 年，四個區域都表現出較高的房價泡沫。

表2 各區域房價泡沫描述性統計

（二）金融風險的區域分析

從表3 中可知，東北地區的不良貸款率遠高于全國平均水平，其次是中部、西部，東部地區的不良貸款率最低。從最大值和最小值來看，東部和西部的不良貸款率的最大值遠高于其他區域，標準差也比較大，這說明雖然總體來看，東部和西部的信貸市場風險比較低，但局部存在較高的信貸風險暴露。金融風險的描述性統計結果如表4。

表3 各區域不良貸款率描述性統計

表4 各區域對A 股市場風險溢出的描述性統計

五、實證分析

（一）聯立方程組回歸分析

1.總體分析

根據聯立方程模型的階條件，本文構建的模型為過度識別模型，可進行總體參數估計。本文使用3SLS 方法進行估計。表5 第（1）和（2）列為房價泡沫與資本市場風險的全國層面聯立方程模型估計結果。從全國來看，房價泡沫與資本市場風險之間存在明顯的相互影響關系。在房價泡沫方程中，資本市場風險的系數顯著為正，說明資本市場風險的增加會促進房價泡沫上升。這可能是房地產市場與資本市場的替代效應造成的，即資本市場風險上升時，資金紛紛轉向房地產市場，帶來房價泡沫上升。在資本市場風險方程中，房價泡沫的系數顯著為負，說明當房價泡沫上升時，房價上升的利好消息帶動了股市的上漲，而住房價格扭曲帶來的負面影響未在資本市場體現，所以最后表現為資本市場風險的下降。這也跟我國資本市場發展不完善和有效性不足有關。而根據表5 第（3）和（4）列所示，全國層面來看，房價泡沫的估計系數顯著為負，而信貸市場風險的估計結果則為不顯著的負相關，這說明房價泡沫僅單向影響信貸市場風險，信貸市場風險變化并不會帶來房價泡沫的變化。

表5 全國層面聯立方程模型估計結果

注：“*”、“**”、“***”分別表示在10%、5%和 1%顯著性水平下顯著。下同。

2.區域異質性分析

為了進一步探討房價泡沫與與金融風險的區域差異性，本文將全國30 個省級行政區劃分為東、中、西和東北地區，具體估計結果見下表6 所示。

表6 Pannel A 顯示，在房價泡沫方程中，除東部樣本外，其余樣本的資本市場風險系數均顯著為正，而在資本市場風險方程中，所有樣本的房價泡沫系數均顯著為負，可能的解釋與上文總體效應相同。而表6 Pannel B 則展示了不同區域房價泡沫與信貸市場風險的聯立方程估計結果。在房價泡沫方程中，中部和西部樣本的不良貸款率顯著為負，東部樣本的不良貸款率系數顯著為正。這說明在中部和西部，信貸市場風險上升會通過抑制房地產市場的信貸供給來降低房價泡沫。在東部，由于市場對房價預期良好，信貸市場風險上升反而會增加銀行對房地產行業的貸款或增加房地產抵押貸款，導致房價泡沫上升。在不良貸款率方程中，中部樣本的房價泡沫系數顯著為負，但東部、西部和東北地區的房價泡沫系數顯著為正。這說明在中部，房價上升能通過提高抵押物價值降低信貸市場金融風險，而房價扭曲的效率損失還未體現出來。但在東部、西部和東北地區，房價上升帶來的擠出效應和效率損失使該區域的信貸市場風險增大。

表6 分區域聯立方程模型估計結果

BSADF 0.168*** -0.692*** 0.126* 0.712***控制變量 Yes Yes Yes Yes Yes Yes Yes Yes Constant -5.864*** 2.965*** 5.075** 1.171** -31.07*** 5.551*** -35.90*** 2.163***R2 0.252 0.238 -0.124 0.149 0.215 0.102 0.099 0.337

（二）房價泡沫與金融風險之間的動態脈沖響應分析

1.PVAR 模型的滯后期選擇

從靜態模型結果中可看出房價泡沫與金融風險有相互影響的關系，本文進一步使用面板向量自回歸模型來分析兩者之間的動態影響關系。本文使用AIC、BIC 和HQIC 統計量來選擇滯后期數。當三種準則出現不一致的結果時，采用少數服從多數原則。已有研究結果顯示，HQIC 準則較適用于月度或季度數據，若三種準則皆不一致，則應選擇HQIC 準則。

本文先使用各省份的數據對每一省份單獨建立VAR 模型進行分析，再對數據總體建立PVAR 模型，并分區進行分析。研究房價泡沫與資本市場風險的關系時，全國樣本選擇滯后7 期，東部、中部和西部樣本皆選擇滯后7 期，東北地區樣本選擇滯后3 期。研究房價泡沫與信貸市場風險的關系時，因不良貸款率大多為年度數據，轉化為月度數據后較多重復值，無法進行脈沖響應分析，因此本文對房價泡沫取平均值合成年度數據，并直接選取不良貸款率年度數據進行脈沖響應分析。全國樣本選擇滯后5 期，各區域因樣本量較少無法進行房價泡沫與不良貸款率的脈沖響應分析。

2.區域脈沖響應特征分析

將所有樣本分為東部、中部、西部和東北四個地區，建立PVAR 模型，并得到全國和各區域的脈沖響應圖形，如圖2 和圖3。

圖3 各區域的房價泡沫與CoVaR 的脈沖響應

圖2 為全國樣本的脈沖響應圖。從房價泡沫與資本市場風險的脈沖響應結果可知，房價泡沫對CoVaR 產生了負向沖擊，該沖擊效果在第10 期時達到最大，而后慢慢減小，一直持續到30 期之后。這與聯立方程模型的結果相一致，說明資本市場更多地反映了房價上升所帶來的影響，并未反映住房價格扭曲所帶來的影響。

圖2 全國房價泡沫與CoVaR、不良貸款率的脈沖響應

面對來自資本市場風險的沖擊，房價泡沫的響應函數在前3 期由負轉正再變負，又在第6 期左右再次轉正但又立即變為負，最后在30 期趨向于0。這說明，資本市場風險升高確實會制約房地產市場獲得資金，使房地產企業面臨流動性風險，從而使房價下降。但由于替代作用的存在，資本市場風險升高后，資金迅速向房地產市場涌入，又推高了房價泡沫。長期來看，資本市場風險升高會通過資金約束和減少購房需求使房價下降，但短期內可能帶來房價泡沫的上升。

從房價泡沫與不良貸款率的脈沖響應結果可知，不良貸款率對房價泡沫產生了負向沖擊，即當信貸市場風險上升時，金融機構會進行風險控制，減少信貸發放，從而使房價泡沫降低。房價泡沫對不良貸款率的沖擊先為負，而后在第3 期轉為正，又在第5 期左右轉為負。這說明在一開始，房價上漲通過增加抵押物價值，減少道德風險的方式降低信貸市場風險，但隨著房價的上升，住房價格扭曲帶來的效率損失逐漸增大，房價泡沫造成的擠出效應降低了企業的產出，提高了金融機構的不良貸款率。但隨著信貸市場風險升高，信貸縮緊，房價泡沫逐漸降低，不良貸款率對房價泡沫的響應又變回負值。

圖3 為房價泡沫與資本市場風險的區域脈沖響應結果。在區域樣本中，東部、中部、西部和東北地區的資本市場風險響應函數皆為負，與全國樣本一致。在東部、中部、西部和東北地區，房價泡沫的響應函數有不同的趨勢。面對資本市場風險的沖擊，東部房價泡沫響應先為正，然后在第4 期左右變為負。中部、西部和東北地區房價泡沫響應函數則表現為由負轉正。其中，中部和西部在后期呈現出震蕩升降的態勢。這說明對東部地區來說，當資本市場風險升高時，資金反應迅速，紛紛涌入房地產市場，推高房價泡沫。但隨著資本市場風險繼續升高，房地產的投資減少，貸款收緊，導致房價泡沫下降。而對中部、西部和東北地區來說，資金的反應并不像東部那么迅速，所以當資本市場風險升高時，房價泡沫表現為先下降再上升的趨勢。

從脈沖響應程度來看，西部和東北部的響應程度比較低。這可能與兩地的金融發展水平有關。在金融發展水平較高的中部和東部，企業和個人更容易通過各種金融工具獲得金融支持，房地產行業與金融行業的聯系更加地緊密，房價對資本市場風險的響應程度也會更高。

六、結論與建議

本文以我國30 個省級區域為研究對象，在分別測度各省房價泡沫和金融風險的基礎上，采用聯立方程模型和面板向量自回歸模型探究房價泡沫與金融風險之間的交互影響關系，主要結論如下：第一，資本市場風險上升時，資金轉向房地產市場，帶來房價泡沫上升；而房價泡沫上升時，房價上升帶動股市上漲，資本市場風險下降。第二，在中部和西部，信貸市場風險上升會通過抑制房地產市場的信貸供給來降低房價泡沫。在東部，由于市場對房價預期良好，信貸市場風險上升反而會增加房地產信貸供給，導致房價泡沫上升。在中部，房價上升能通過提高抵押物價值降低信貸市場風險，而房價扭曲的效率損失不顯著；但在其他地區，房價上升的擠出效應和效率損失使得信貸市場風險增大。

根據上述研究結論，本文提出以下建議：

第一，進一步推動資本市場改革，構建更有效的多層次資本市場。從研究結論來看，在房價泡沫高漲的時候，我國資本市場并不能很好反映其帶來的風險，反而會形成正反饋機制，進一步推高房價泡沫。有效的資本市場能充分并及時反映市場風險，讓人們意識到房地產投資的風險，從而更理性地進行投資，這將有助于房地產市場健康發展。此外，房價泡沫帶來的信貸市場風險已露端倪，發展資本市場，拓寬房地產融資渠道，將有助于降低信貸市場風險。

第二，溫和地擠出房價泡沫。房價泡沫不可不調，卻又不能猛調。在對房價泡沫和金融風險進行調整的時候，要防止替代效應給房地產市場和資本市場帶來的不穩定。在調節房價泡沫的時候應依據居民住房支付能力來穩定房價，避免引發金融風險；在進行金融風險調控時，要防止資金進入房地產而造成房價泡沫上漲。

總而言之，在對房價和金融風險進行調控時，要堅持因地制宜。從長期角度出發，兼顧短期的影響。還應注重房地產資源區域分配的均衡性，從而更好地控制風險。