經濟政策不確定性、房地產金融化與商業銀行不良貸款率

史 彪

（中國人民銀行咸陽市中心支行，陜西 咸陽 712000）

一、引言

在次級貸款泛濫的背景下，美國房地產市場呈現畸形繁榮，房地產金融泡沫日益加劇，其后隨著房價轉跌，部分家庭喪失還貸能力，美國于2007年爆發了次貸危機，使得商業銀行面臨嚴峻不良資產問題。金融危機很快波及到其他發達國家和新興市場國家，嚴重沖擊全球金融穩定，造成了全球實體經濟的衰退。在此背景下，為應對國際金融危機沖擊，保持經濟平穩較快發展，中國政府出臺了一系列經濟刺激措施，中國人民銀行多次調整存貸款基準利率，下調金融機構再貸款和再貼現利率，保證銀行體系流動性充足。財政政策方面，推出了“進一步擴大內需，促進經濟穩定增長”的4萬億元的投資計劃。同時，為鼓勵住房消費，促使房地產銷售回暖，國家出臺了降低首付比及按揭貸款利率等措施。這一系列舉措有效扭轉了經濟下滑趨勢，成功抵御了國際金融危機沖擊。2015年以來，全球經濟增速放緩，國內經濟出現下行，面對財政金融風險加劇的形勢，國家又先后出臺一系列政策，旨在實現穩增長、調結構、防風險，但在持續降息降準政策的作用下，全國房價出現了明顯上漲。于是2016年中央經濟工作會議上提出“房子是用來住的，不是用來炒的”的基本定位，隨后多地樓市調控政策密集出臺。

這些經濟政策對促進經濟平穩健康發展發揮了重要作用，但也引起了一些其他后果。一方面，政策的頻繁出臺加劇了經濟的不確定性。根據Baker等（2016）的研究，中國經濟政策不確定性指數自2012年以來不斷上升[1]。而在經濟政策不確定時，市場主體難以對政策調整進行預知，可能因政策模糊引發潛在風險。另一方面，大規模刺激政策在改善我國實體經濟投資下滑的同時，也加快了房地產等傳統行業的快速發展，我國居民杠桿率快速增長，大量杠桿資金積聚在房地產行業，企業金融化以及金融資源傾向房地產領域的趨勢更加明顯[2]。

房地產金融化的顯著特征是房地產行業從商業銀行獲取的信貸規模不斷增加，居民家庭按揭貸款比例不斷上升。同時，大量債券、股本、信托資金進入房地產行業，房地產行業與資本市場深度關聯。而商業銀行信貸資金過度集中于某一個行業，將不利于其控制資產風險。尤其當經濟政策不確定性上升時，企業經營環境將發生較大變化，會加劇金融市場風險[3]。因此，在經濟政策不確定時，房地產金融化可能對商業銀行產生沖擊，如果出現大規模房地產企業債務違約，將損害商業銀行資產質量。2020年末，我國商業銀行不良貸款率為1.92%，資產質量總體平穩，但不良貸款率較上年末增長了0.06個百分點。此外，我國商業銀行資產質量表現出明顯的地區差異[4]。例如：北京、上海、江蘇等經濟發達省份不良貸款率均在1%以下，而西北、東北地區部分省份不良貸款率處于高位，甘肅省不良貸款率高達7.71%①數據中的區域金融版圖：長三角是銀行貸款投放“最愛”［EB/OL］.（2020-10-10）.https://baijiahao.baidu.com/s?id=1680117125043787484&wfr=spider&for=pc.。如果商業銀行不良貸款率大幅上升，不僅會沖擊區域金融穩定，還可能引發系統性金融風險。

綜上所述，房地產金融化保證了房地產行業的資金供給，也為商業銀行提供了優質的信貸資產。但是金融資源過度積聚于地產領域如同“灰犀牛”一般，已成為危及我國商業銀行體系的巨大隱患。當房地產過度金融化這只“灰犀牛”遇到“經濟政策不確定”這只“黑天鵝”，是否會引起商業銀行不良貸款率的攀升？此外，部分研究認為經濟政策不確定性在很大程度上被視為勻質的[5]，那么對于房地產金融化和商業銀行不良貸款率，這一觀點是否仍然成立？本文將研究落腳點置于我國金融體系中占據重要地位的商業銀行，并考慮不同區域房地產金融化以及經濟、金融發展水平的差異，選擇各省份商業銀行不良貸款率作為被解釋變量，通過構建全國及各省份房地產金融化指數，分析經濟政策不確定性、房地產金融化與商業銀行不良貸款率之間的關系。在分析中，將銀行體系流動性納入研究框架，探討銀行體系流動性在經濟政策不確定性影響房地產金融化過程中的中介效應，為本文研究提供支撐。

二、文獻綜述

（一）經濟政策不確定性與房地產金融化

一方面，經濟政策不確定將加劇房地產價格波動。張浩等（2015）構建我國房價短期波動模型，采用LSTVAR模型分析發現較高的政策不確定性會延緩個人購房行為，降低房地產企業住房供給，加劇房地產價格波動[6]。另一方面，經濟政策不確定將導致經濟金融環境發生改變，從而影響市場主體行為[7]。對于商業銀行，經濟政策不確定將影響商業銀行流動性創造。以歐洲央行在歐洲債務危機期間的貨幣政策操作為例，Talk（2016）認為其政策本意是刺激資金流向實體經濟，提振經濟增長，但是政策調整過于劇烈反而導致銀行放貸動力不足[8]。田國強等（2020）指出，當經濟政策不確定性上升時，商業銀行會降低表內、表外流動性創造，并且這一負向影響呈現“非對稱U型”結構變化[9]。對于房地產企業，陳淑云等（2020）通過理論推導，認為經濟政策不確定可能會加劇房地產企業投資行為。具體來看，在高度不確定時期，房地產企業將增加土地儲備，擴大投資，提前搶占未來市場份額[10]。潘群星等（2020）使用中國經濟政策不確定性指數和中國房地產開發投資數據進行實證分析，結果表明中國經濟政策不確定性會抑制房地產企業實物投資[11]。

（二）房地產金融化與商業銀行不良貸款率

林睿等（2015）認為我國房地產金融狀況大致可以分為四個階段，其中次貸危機時期房地產金融狀況較差。進入2010年以后，房地產金融市場運行相對平穩，但與2007年前相比，房地產金融市場波動幅度增大，房地產市場的風險也在增大[12]。李嘉珣（2021）指出當房地產市場風險高度聚集時，一些突發因素可能會沖擊商業銀行體系，例如融資環境和政策的變化可能導致現金流斷裂，銀行呆賬壞賬的發生幾率劇增，甚至波及行業上下游的產業鏈[13]。此外，方明（2018）認為房地產資金供給和需求的期限不匹配問題導致房地產行業本身蘊含潛在風險，尤其是過多的銀行資金積壓于房地產項目，將加劇整個銀行體系的系統性風險[14]。

（三）經濟政策不確定性、房地產金融化與商業銀行不良貸款率

陳詩一等（2016）指出，央行調整政策利率會通過金融體系傳遞到房地產市場，進而反作用于銀行業信貸資產[15]。潘晶（2017）認為，伴隨著房地產信貸規模快速擴張，金融資源配置的結構失衡和效率低下開始顯現，從國外的發展教訓來看，這將極易導致房地產泡沫的破滅和金融體系的動蕩，進而對整個實體經濟造成沖擊[16]。在實證方面，周建軍等（2019）基于主成分分析法，利用SVAR模型和門檻模型，分析貨幣政策對房地產金融風險的沖擊，結果表明貨幣政策調整對房地產金融風險的沖擊在不同房價水平上具有非對稱性[17]。

回顧以往研究，學者普遍認為經濟政策不確定會沖擊房地產市場和商業銀行體系，進而沖擊金融穩定。但鮮有定量分析經濟政策不確定對房地產金融化和商業銀行不良貸款率的影響，這可能是因為缺乏衡量房地產金融化的相關指標。因此，本文基于以往研究，構建我國房地產金融化指數，衡量2008—2019年我國房地產金融市場發展狀況，同時基于我國經濟政策不確定性不斷上升的背景，通過實證研究房地產金融化對商業銀行不良貸款率產生的影響。

三、理論機制與研究假設

本文首先討論房地產金融化對商業銀行不良貸款率的影響。房地產行業本身屬于資本密集型行業，其健康發展需要金融化作為支撐。適度的金融化將確保房地產行業平穩、健康發展，房地產行業的快速發展也能夠有效促進金融行業的成長，兩者之間存在相互依賴關系。進入2008年以來，我國城鎮化進程加快，房地產市場呈現快速發展態勢，全國性住宅價格開始普漲，尤其部分大中城市房價大幅上漲。因此，房地產資產成為間接融資領域最優質的抵押物。當房價處于上漲階段，在信貸供給端，商業銀行投放房地產抵押貸款的意愿較強，甚至會放松授信條件，提高抵押率，推動貸款投放加速，并通過同業業務的擴張促進信貸資源流向房地產行業，這將加速房地產金融化。在信貸需求端，居民購置資產向來存在買漲不買跌的傾向，購房融資需求也相對旺盛。在風險方面，近十年房地產市場價值整體穩定，居民投資房地產的風險遠低于股票等其他權益類投資。此外，房地產市場還有著相對成熟規范的抵押及處置手續。因此，盡管“房地產泡沫是威脅金融安全最大的‘灰犀牛’”，但在過去十余年，房地產市場依靠融資以及超長景氣周期，借助土地以及房產的高抵押價值，為商業銀行提供了較為穩健的收益和安全的信貸資產。基于以上分析，提出假設1。

H1：房地產金融化水平的提升有利于改善商業銀行資產質量，降低商業銀行不良貸款率。

接下來，本文進一步討論在經濟政策不確定下，房地產金融化對商業銀行不良貸款率的影響。當經濟政策不確定性較低時，政府出臺各項政策不會使市場主體行為發生劇烈調整，房地產金融市場得以平穩發展，因此，假設H1仍然成立。但是，當經濟政策不確定性提高時，房地產金融化對商業銀行不良貸款率的影響可能發生突變。根據真實期權理論，在高度不確定的政策環境下，若存在固定的不可逆成本，拖延價值就會上升[18]。由于銀行貸款的等待期權價值隨政策不確定性的上升而增加，銀行將傾向推遲放貸或收緊信貸規模。此外，根據不作為經濟學，隨著政策不確定性的上升，銀行對未來的流動性需求缺乏穩定預期，其信貸決策也會表現為推遲放貸，縮減貸款規模[19]。因此，經濟政策不確定性上升將導致商業銀行流動性創造能力收縮以及信貸投放偏向短期資產，這將使得房地產行業難以獲得有效資金支持，進而開發投資規模下滑，金融化水平降低。如果商業銀行信貸資金驟縮，房地產企業其他外部融資渠道也受限，將可能導致房地產企業資金鏈斷裂，進而引發資不抵債，這種風險甚至還會傳遞到建筑、建材等房地產企業供應商，加劇商業銀行資產質量的惡化。因此，經濟政策不確定性將通過改變商業銀行體系流動性，影響房地產金融化水平，從而對商業銀行不良貸款率產生突變影響。基于以上分析，本文提出假設2和假設3。

H2：房地產金融化對商業銀行不良貸款率的影響受經濟政策不確定性的門檻作用。在高政策不確定性下，房地產金融化對商業銀行不良貸款率的降低作用將弱化。

H3：銀行體系流動性是經濟政策不確定性影響房地產金融化的中介變量，較高的經濟政策不確定性將促使銀行體系流動性下降，降低房地產金融化水平。

經濟政策不確定除了影響商業銀行信貸決策外，也會影響到居民對房地產市場的預期。這將打破房地產市場供需平衡，致使房價呈現異常波動，影響房地產資產抵押價值。房價波動的沖擊還會在信貸市場和房地產市場間被放大，這一放大效應將造成房地產市場形成自我強化的順周期波動[20]，進而加劇房地產金融化與經濟政策不確定對商業銀行不良貸款的沖擊。一方面，房價波動使得大部分家庭對房地產市場持觀望態度，從而導致房地產銷售狀況不及預期，房地產資金鏈趨緊，尤其高杠桿房地產企業將面臨嚴重的流動性壓力，甚至難以償還商業銀行貸款。另一方面，如果房價出現大幅下跌，可能通過“金融加速器”作用增加商業銀行不良貸款規模。具體來看，房價的下跌導致抵押資產價值縮水，商業銀行為了規避風險會收緊信貸約束，同時要求補充抵押品或者提供違約賠償，這將進一步導致房地產企業資產價格下跌，外部融資成本上升，形成信貸緊縮—投資下降—資產價格下跌的正反饋循環。此外，房地產市場價值的波動有可能引發政策不確定性的上升。當房地產市場低迷時，政府采取新一輪調控措施刺激房地產企業融資需求，進一步加劇房地產價格波動。基于以上分析，本文提出假設4。

H4：高經濟政策不確定性將影響房地產金融化對商業銀行體系的作用，加劇商業銀行不良貸款率上升。

四、中國房地產金融化指數構建

關于中國房地產金融化指數構建，以往學者研究較少。呂錚等（2012）根據房地產泡沫的成因及特征表現選取房地產投資/全社會固定資產投資、商品房空置率、房價收入比、商品房價格漲幅/CPI漲幅等7個指標測度房地產泡沫程度[21]。周中明等（2019）從產業結構關聯、房地產業發展以及信貸資金安全三方面構建房地產金融風險指數[22]。因此，本文參考房地產金融風險指數和房地產泡沫測度系數，根據房地產金融化特點，從房地產部門、金融部門以及居民部門三個層面構建房地產金融化指數，綜合反映房地產行業對金融部門、居民部門的依賴度。

房地產金融化指數共涵蓋7個一級指標、12個二級指標，所有指標均為正向指標，具體見表1。并且由于我國東部、中部和西部地區發展存在差異，各省份房地產開發和金融發展水平存在差距，因此，本文從省域層面對房地產金融化水平進行測算。

表1 房地產金融化指數指標構成

（一）指標介紹

1.房地產市場指標

房地產市場層面指標有三類：第一類指標反映房地產市場景氣狀況。主要包括各省份住房銷售價格和銷售規模。當房地產市場景氣時，商業銀行住房抵押貸款投放意愿增強，將加速房地產金融化。第二類指標反映房地產市場投資狀況，該指標反映了房地產開發建設的活躍度。其中，投資完成額增長率體現房地產市場開發、建設資金規模變化，指標越高意味著房地產行業開發資金越充足；投資完成額占GDP的比重體現各省份經濟對房地產行業的依賴度。第三類指標反映房地產企業自身經營情況。主營業務成本率是各省份房地產企業主營業務成本與主營業務收入的比重，主要體現房地產企業在土地購置、開發建設等方面的成本支出；房地產企業資產負債率反映了其資產負債結構，體現了各地房地產企業對外部資金的依賴情況。

2.金融機構指標

房地產開發資金是房地產行業的實際到位資金，其增長率體現房地產行業的資金流入情況，反映商業銀行對房地產企業的資金投入總規模；房地產開發資金/銀行業各項貸款反映商業銀行貸款中流向房地產企業的比例；房地產銀行貸款/房地產開發資金體現房地產企業對商業銀行的依賴度；房地產非銀行貸款/房地產開發資金體現房地產企業對非銀行機構的資金依賴度。

3.家庭層面指標

住房價格/人均GDP體現住房價格與當地生產力水平的比值，該指標越高，反映房價水平與居民自住需求相匹配程度越低；個人按揭貸款增長率則反映家庭住房債務變化情況，該指標越高，居民杠桿率越高。

本文選用2008—2019年樣本數據，數據來自中經網、WIND數據庫以及EPS數據庫。

（二）房地產金融化指數的計算

本文采用主成分分析法（PCA）對31個省份的房地產金融化指數進行測度。該方法屬于客觀賦權法，可以基于數據本身特征確定各指標的權重，能夠在較大程度上減少人為因素干擾。因為各個省份城鎮化率、金融結構、居民收入存在較大差異，所以構成其房地產金融化指數的主成分不盡相同，就需要利用主成分分析法分別獲取構成各省份房地產金融化指數的主成分，從而構建各省份房地產金融化指數。數據處理采用SPSS25.0軟件，依次對31個省份的12項指標進行處理。首先，對所有數據進行標準化處理，確保所有指標值處于同一數量級別，可以進行綜合測評分析。其次，使用經過標準化處理后的數據合成2008—2019年全國31個省份的房地產金融化指數。

第一步：使用KMO以及Bartlett檢驗，判斷第i個省份的數據能否使用主成分分析法。

第二步：確定第i個省份所有數據的主成分個數j，并選擇特征值大于1的因子作為主成分①特征值的大小反映了其所對應的因子解釋樣本數據的水平，該值越大解釋效果就越佳，通常選擇特征值大于1的因子作為主成分。。

第三步：根據各變量因子得分系數計算出2008—2019年各個主成分的得分Fjt。

第四步：確定各個成分所對應的權重：ωjt=Sj/，即各個成分對應的方差解釋率和累積方差解釋率的比值。

第五步：使用各年份的主成分得分值Fjt與權重ωjt相乘得到第i個省份的房地產金融化得分Xt=Fjt×ωjt。因為所選指標涵蓋部分變動率指標，因此該得分實質反映各個年份房地產金融化的變動情況。

最后，本文以2007年為基期，將2007年的房地產金融化水平視為100，使用公式RAFIit=100×（1-Xit/10）得到第i個省份2008—2019年的房地產金融化指數。

考慮到區域經濟金融的差異性，本文將31個省份劃分為東部、西部和中部，并以各區域所有省份2008—2019年間的算術平均值作為這三個區域的房地產金融化指數。

（三）房地產金融化指數評價及趨勢分析

圖1反映了我國2008—2019年房地產金融化水平。從全國來看，2008年以來我國房地產金融化水平先出現明顯上升，在2013年達到頂峰后保持平穩態勢，2017年開始出現較為明顯的下降。

圖1 2008—2019年房地產金融化指數

次貸危機后，我國政府采取積極的財政政策和適度寬松的貨幣政策，加快基礎設施以及保障性安居工程建設，鼓勵普通商品住房消費，商業銀行信貸規模不斷擴大，住房價格出現了快速上漲，導致房地產行業大量信貸資金流入。因此，2008年之后，我國房地產金融化程度快速提升。

2012年以后，部分大中城市加強房地產市場調控，房地產開發貸款收緊，監管機構開始密切關注房地產企業融資行為，防止其違規套取銀行資金。但與此同時，國內金融產品創新日益活躍，影子銀行市場迅速膨脹，房地產企業轉而求助于游離于正規銀行部門的各類影子銀行。因此，影子銀行為房地產企業提供了大量資金支持，房地產金融化程度仍繼續攀升。2014年至2016年上半年，房地產市場呈現“總量放緩、區域分化”狀態，國家調控聚焦于去庫存和分類管理，通過放松限購政策、公積金松綁、降準降息等措施對需求端進行調控，房地產金融化水平仍居高不下。2016年底，中央提出“房住不炒”定位后，出臺了一系列政策助推表外資金回流表內，收緊銀行信貸、保險、地方資產管理、海外發債等房地產融資渠道，房地產行業的杠桿率持續下降，我國房地產金融化指數出現回落。2020年在新冠肺炎疫情影響下，貨幣環境整體較為寬松，但房地產調控仍堅持“房住不炒”基調不變，2020年8月，央行提出了對房地產企業融資的三道紅線以及相應的融資限制條件，2020年12月，房地產貸款集中度管理制度正式出臺，標志著房地產金融長效管理機制進一步完善。

分區域來看，相比于中部和西部，東部區域房地產金融化指數于2010年達到高峰，之后整體較為平穩。主要由于東部地區城鎮化水平較高，并且房地產企業融資渠道相對廣泛，可以通過發行股票、債券等多種渠道籌集資金，對商業銀行的信貸依賴度較低。所以盡管部分一線城市房價上漲明顯，但房地產金融化指數整體偏低。而西部房地產金融化指數相比于東部和中部呈現較大差異，主要體現在西部地區房地產金融化指數最晚達到峰值，并自2016年開始出現回落，這主要是由于西部地區城鎮化水平較低，在城鎮化建設中房地產市場仍需大量資金支持。中部地區房地產金融化水平呈現較大波動幅度，且在趨勢上與全國較為貼近。

五、模型設定及檢驗結果分析

（一）變量選取和數據來源

1.被解釋變量

商業銀行不良貸款率（NPL）。選擇31個省份銀行業金融機構不良貸款率，該數值越大，表明區域資產質量越低。2008—2018年數據來自EPS數據庫，2019年數據來自中國銀保監會網站。

2.解釋變量

一是房地產金融化指數（RAFI），反映各省份房地產金融化水平。為使RAFI與其他數據量級較為一致，本文將計算得到的房地產金融化指數縮小100倍。

二是經濟政策不確定性指數。本文采用Baker等（2016）根據《南華早報》關鍵詞搜索測算得到的中國經濟政策不確定性指數①數據來源于policy uncertainty網站（http://policyuncertainty.com/china_epu.html）。，并將月度指數經算術平均得到年度不確定性指數，再對年度數據取對數，記做LNEPU。

3.控制變量

為解決部分遺漏變量而導致的內生性問題，本文加入以下控制變量：經濟增長水平（GDP）、消費者價格水平（CPI）、工業生產價格水平（PPI）、固定資產投資（IIFA）、財政風險（FDGDP）、居民收入（PGDP）、金融深化（CBGDP）。以上數據來自中經網、WIND以及EPS數據庫，由于西藏地區固定資產投資價格指數部分指標缺失，采用其他年份數據平均值代替。同時，為避免異常值對實證結果造成的不利影響，本文對所有連續變量進行了1%水平上的Winsorize縮尾處理。

各變量介紹及說明如表2所示。

表2 變量介紹及說明

（二）模型設定

基于前文分析，為研究經濟政策不確定性、房地產金融化與商業銀行不良貸款率之間的關系，本文首先建立普通面板回歸模型。

在（1）式中，i=1，2，3，......，n，表示第i個省份，t=2008，.......，2019。μit表示每個省份的個體效應，εit為隨機擾動項。

前文分析，經濟政策不確定下，房地產金融化對商業銀行不良貸款率的影響是非線性的，即存在門檻效應。因此，本文在基本回歸模型的基礎上引入指數函數，建立單門檻模型。

在（2）式中，γ為門檻的臨界值。當β1與β2不相等時，表明在不同門檻范圍內回歸系數不一致，即存在門檻效應。

（三）變量描述性統計

變量描述性統計如表3所示。

表3 變量描述性統計

（四）實證檢驗與結果分析

1.普通回歸模型

通過對數據進行豪斯曼檢驗，發現拒絕原假設，本文采用固定效應模型進行普通面板回歸。為檢驗固定效應模型的隨機誤差項，本文在固定效應模型的基礎上，依次進行了異方差檢驗、序列相關檢驗以及截面相關性檢驗，檢驗結果表明不能使用傳統的穩健性估計。因此，本文采用“異方差－序列相關－截面相關”穩健標準誤對模型進行了修正，模型（1）的回歸結果見表4。

表4 模型（1）和模型（2）回歸結果

（1）經濟政策不確定性、房地產金融化對商業銀行不良貸款率的影響。從回歸結果看，在1%的顯著性水平下，LNEPU的系數為0.0042，表明隨著經濟政策不確定性的提高，商業銀行不良貸款率將上升，資產質量出現下降。在10%的顯著性水平下，房地產金融化同商業銀行不良貸款率呈負向關系，房地產金融化能夠降低商業銀行不良貸款率，證實了假設H1。這表明在樣本區間內，房地產市場能為商業銀行提供優質的抵押資產，商業銀行也傾向于將資金投向房地產領域，房地產金融化有利于降低商業銀行不良貸款率。

（2）控制變量對商業銀行不良貸款率的影響。消費者價格指數同商業銀行不良貸款率顯著負相關。消費者價格指數反映了物價水平上漲的程度，通貨膨脹率高表明經濟發展處于繁榮周期，商業銀行所面臨的宏觀經濟環境相對穩定，有利于降低商業銀行不良貸款率。生產價格指數同商業銀行不良貸款率顯著正相關。生產價格指數反映了工業企業生產資料價格水平變動情況，原材料價格上漲可能沖擊企業生產經營，導致商業銀行不良資產增加。經濟增長同商業銀行不良貸款率顯著負相關，表明較好的經濟形勢能為商業銀行提供良好的外部經營環境，從而降低商業銀行不良貸款率。居民收入同商業銀行不良貸款率顯著負相關，表明收入水平越高，個人信貸的償還能力越強，因此越有利于降低商業銀行不良貸款率。金融深化同商業銀行不良貸款率顯著負相關，表明當地金融發展水平越高，商業銀行對經濟的滲透度越深，抵抗風險的能力也越強，越有助于降低商業銀行不良貸款率。固定資產投資價格指數、財政風險對商業銀行不良貸款率的影響并不顯著。

2.面板門檻模型

基于前文分析，本文將經濟政策不確定性作為門檻變量，設置自舉次數為500，依次檢驗是否存在雙重門檻和單一門檻效應。檢驗結果（見表5）發現，在單一門檻下，p值為0.0120，表明房地產金融化對商業銀行不良貸款率的影響存在單一門檻效應，驗證了假設H2。

表5 門檻效應檢驗結果

模型（2）的回歸結果如表4所示。根據表4，當經濟政策不確定性指數小于門檻值5.1395時，房地產金融化同商業銀行不良貸款率負相關，估計系數為-0.0155，在1%的顯著性水平下顯著；當經濟政策不確定性指數大于門檻值5.1395時，房地產金融化與商業銀行不良貸款率仍顯著負相關，但估計系數為-0.0098，表明隨著經濟政策不確定性的上升，房地產金融化對商業銀行不良貸款率的降低作用明顯減弱，經濟政策不確定性存在門檻效應。

3.中介效應檢驗

為檢驗經濟政策不確定性對房地產金融化發生作用的路徑，本文借鑒吳軍（2008）的研究[23]，使用存貸比作為中介變量，反映各省份銀行體系流動性。同時，不同于傳統的商業銀行存貸比（銀行貸款總額/存款總額），本文將存貸比定義為各省份銀行業存款余額/各省份銀行業貸款余額，記做LDR①該指標為正向指標，當LDR上升，表明銀行體系流動性增強。。借鑒溫忠麟等（2014）的研究[24]，建立如下三個模型，采用逐步回歸系數法進行中介效應檢驗。其中，α1表示模型（3）中解釋變量LNEPU對被解釋變量RAFI的總效應，γ1是模型（4）中LNEPU對中介變量LDR的系數，φ2是模型（5）中中介變量LDR對被解釋變量RAFI的系數。γ1×φ2即表示解釋變量經由中介變量LDR產生的中介效應，φ1表示LNEPU對RAFI的直接效應，γ1×φ2/φ1是中介效應在總效應中所占的比重。具體檢驗過程如下，檢驗結果如表6所示。

表6 中介效應回歸結果

第一步：對模型（3）進行OLS回歸，檢驗經濟政策不確定性與房地產金融化之間的主效應。檢驗結果表明，α1在1%的置信水平上顯著，經濟政策不確定性與房地產金融化呈負相關。

第二步：對模型（4）進行OLS回歸，檢驗經濟政策不確定性同銀行體系流動性之間的關系。結果表明，經濟政策不確定性上升將顯著降低銀行體系流動性，系數γ1=-0.199。

第三步：對模型（5）進行OLS回歸，在加入銀行體系流動性指標后，經濟政策不確定性與房地產金融化指數仍顯著負相關，但系數的絕對值由0.0466降低至0.0328；銀行體系流動性與房地產金融化也顯著正相關，系數φ2=0.0696，這表明銀行體系流動性在經濟政策不確定性和房地產金融化間發揮著部分中介作用，假設H3成立。

具體來講，經濟政策不確定性對房地產金融化的總效應為-0.0466，其中直接效應為-0.0328。經濟政策不確定性通過影響銀行體系流動性對房地產金融化發揮的間接效應是γ1×φ2=-0.199×0.0696=-0.0139，銀行體系流動性中介效應在總效應中占比為γ1×φ2/φ1=0.0139/0.0466=29.83%。

綜上所述，銀行體系流動性是經濟政策不確定性影響房地產金融化的重要渠道。經濟政策不確定性上升使得商業銀行體系流動性降低，進而加速房地產金融化水平下降，這也與田國強等（2020）[9]的研究一致，即經濟政策不確定水平上升，商業銀行流動性創造能力將降低。同時，中介效應檢驗結果為經濟政策不確定性的門檻效應提供了支撐，因為當經濟政策不確定性加劇時，商業銀行縮減流動性規模以及調整信貸結構，導致房地產市場資金壓力加大，部分高杠桿房地產企業可能因為資金鏈斷裂出現信貸違約，因此，將弱化房地產金融化對商業銀行不良貸款率的作用。

4.引入經濟政策不確定性虛擬變量

為進一步分析高經濟政策不確定性背景下房地產金融化對商業銀行不良貸款率的影響，本文設立經濟政策不確定性的虛擬變量DLNEPU，以門檻值5.1395將LNEPU分為高低兩類。當LNEPU高于5.1395時，DLNEPU取值為1，當LNEPU低于5.1395時，DLNEPU取值為0。因為經濟政策不確定性將通過改變房地產金融化水平，進而改變商業銀行不良貸款率。因此，本文以乘法方式引入DLNEPU，將DLNEPU×RAFI作為新的解釋變量，構造模型（6），更精確地反映高經濟政策不確定性背景下，房地產金融化對商業銀行不良貸款率的影響。

回歸結果見表7，結果顯示，DLNEPUt×FAFIit項的系數為0.0052，在1%的顯著水平下顯著。表明在高政策不確定性下，房地產金融化對商業銀行不良貸款率的邊際影響由負轉正，兩者間的顯著負向關系被弱化，房地產金融化加劇了商業銀行不良貸款率的上升，證實了假設H4。這可能由于以下原因：一是高政策不確定性導致房地產金融化水平快速下降，在快速去金融化的過程中，可能會集中出現房地產企業現金流問題，使商業銀行資產質量受到沖擊。二是高政策不確定性導致的房地產價格波動，加劇了房地產抵押資產價值的波動，從而提高了商業銀行所面臨的風險水平。

5.分樣本回歸

更進一步，本文對樣本進行分類回歸，分別檢驗東部、中部、西部地區經濟政策不確定性、房地產金融化對商業銀行不良貸款率的影響。分類回歸結果見表7，結果顯示：（1）東部、中部地區房地產金融化對商業銀行不良貸款率的影響都顯著為負，西部地區系數不顯著。就估計系數來看，東部地區房地產金融化對商業銀行不良貸款率的估計系數為為-0.0116，相較于全國水平，絕對數值更小。可能因為東部地區城鎮化率水平整體較高，且東部地區多為資金實力強的頭部房地產企業，其在金融市場融資手段更豐富，與商業銀行的依存度更低，因此，房地產市場的金融化對商業銀行資產質量的促進作用有限。（2）經濟政策不確定性虛擬變量和房地產金融化的交乘項系數都為正，體現了高經濟政策不確定性下，房地產金融化會使得區域金融風險高度聚焦，影響區域銀行資產質量，不過西部地區該指標系數并未通過顯著性檢驗。中部地區該指標的估計系數顯著大于東部，主要是因為中部地區居民收入、經濟金融發展水平同東部地區有較大差距，且金融市場發展尚不成熟，房地產市場對商業銀行體系的依賴性更強。因此，經濟政策不確定性通過影響市場主體行為沖擊房地產價格，形成與房地產金融化的相互作用，從而沖擊商業銀行資產質量。

表7 引入虛擬變量及分樣本回歸結果

（五）穩健性檢驗

為保證實證結果的可靠性，本文引入被解釋變量NPL的一階滯后項作為解釋變量，運用動態面板模型進行穩健性檢驗，分別采用差分GMM和系統GMM進行估計。AR（1）和AR（2）的p值顯示，在Arellano-Bond檢驗中，擾動項存在一階自相關，不存在二階自相關；Sargan檢驗表明，所有工具變量都是有效的，不存在過度識別問題，所以差分GMM和系統GMM估計方法適用。回歸結果見表8。無論是差分GMM還是系統GMM估計，實證結果與前文基本保持一致，且主要解釋變量均通過顯著性檢驗，證明了本文研究結論的穩健性。

表8 動態面板回歸結果

六、結論及建議

本文基于房地產部門、金融部門以及居民部門三個層面，運用2008—2019年的樣本數據，使用主成分分析法（PCA）構建我國房地產金融化指數，利用固定效應和面板門檻模型分析政策不確定性、房地產金融化與商業銀行不良貸款率的關系，得到以下結論：（1）經濟政策不確定性的上升將導致商業銀行不良貸款率上升，而房地產金融化同商業銀行不良貸款率呈顯著負相關，即在樣本期間內，房地產金融化對商業銀行不良貸款率有降低作用。（2）經濟政策不確定性對房地產金融化影響商業銀行不良貸款率具有單一門檻效應。當經濟政策不確定性指數低于e5.1395時，房地產金融化能夠在一定程度上降低商業銀行不良貸款率，提高商業銀行資產質量；當經濟政策不確定性指數高于e5.1395時，房地產金融化對商業銀行不良貸款率的降低效果下降。（3）銀行體系流動性在經濟政策不確定性和房地產金融化間發揮著中介作用，經濟政策不確定性上升將通過降低銀行體系流動性，加速房地產金融化水平下降。（4）高經濟政策不確定性背景下，房地產金融化將加劇商業銀行不良貸款率的上升。（5）相較于東部地區，中部地區商業銀行不良貸款率受經濟政策不確定性和房地產金融化的影響更為劇烈。綜上，盡管樣本期內房地產金融化并未導致大規模金融體系的動蕩，并且能夠降低商業銀行不良貸款率，但如遇政策不確定性等疊加因素影響，將導致區域金融資產質量下降。

針對以上結論，本文提出如下建議：

1.穩定經濟政策預期，加強微觀主體引導。經濟政策不確定通過對房地產和金融市場產生沖擊，從而加劇商業銀行資產質量的惡化。因此，要進一步穩定經濟金融預期，注重房地產政策的穩定性、連續性，打造公開透明的政策環境，引導微觀主體形成合理預期。

2.持續做好房地產金融風險監測。商業銀行要加強對房地產金融風險的監測、分析和預警，進一步完善房地產金融風險監測預警體系；加強對房地產行業貸款風險的事前、事中和事后控制，及時準確分析經濟政策環境變化，避免流動性收縮引發的快速去金融化沖擊資產質量。

3.加強房地產金融審慎管理。一是借助房地產融資“三線四檔”政策，倒逼房地產企業優化融資結構，拓展融資渠道。二是持續做好房地產貸款集中度管理，防范信貸資金過度集中于房地產領域，引導房地產與金融市場良性發展。三是鼓勵房地產企業通過發展REITs和CMBS等資產證券化產品，實現存量資產的盤活，提升房地產企業流動性。