经济增长银行信贷与住宅价格波动

沈悦+郭培利

摘要：从经济增长与银行信贷交互作用的视角建立住宅价格波动理论模型，利用1999~2010年35个大中城市的异质面板经验解析了三者关联。结果发现：经济增长和银行信贷对住宅价格波动均有影响，但效果不同，取决于二者博弈，即实质在于调整经济增长和控制银行信贷的力度配合。在房价中等的城市中经济增长放缓对价格下降影响更大，在房价较高和较低的城市中限制信贷效应更明显。

关键词：住宅价格；经济增长；信贷；面板

中图分类号：F293.3;F014.7文献标识码：A文章编号：1001-8409（2014）07-0001-05

Economic Growth，Bank Credit and House Price Fluctuation

——EmpiricalAnalysis ofthe Panel Data of 35 Cities

SHEN Yue，GUO Peili

(School of Finance and Economics，Xian Jiaotong University，Xian 710061)

Abstract： This paper analyzes the relationship among house price，economic growth and bank credit using the panel data of 35 cities from 1999 to 2010. Results show that economic growth and bank credit both affect the house price，but the effect depends on their game. Economic growth slowdown has greater impact in cities that prices are middling，and credit limiting has more pronounced effect in cities that prices are higher or lower.

Key words： house price; economic growth; credit; panel data

1引言

1998年7月住宅货币化政策的实施使我国房价在经历了近5年198%以下的平稳增长后，迅速上扬至2003~2008年平均762%的涨幅。2005年开始，国家宏观调控有针对性地放缓经济增速、控制银行信贷以期抑制住宅价格。然而国际金融危机的出现遮蔽了调控效果，住宅价格下降的趋势在2008年昙花一现，又跟随经济增长再度上升。图1以三维勾画展示了我国35个大中城市住宅价格这种涨跌起伏的趋势，显然2009年后住宅价格的涨幅远超金融危机之前。面对如此飙升，究竟还能否认定调整经济、控制信贷对遏制住宅价格上涨的效用？2010年国家依然坚持在“保增长”的基础上通过调整信贷来干预房价，由于此次创新性加入了限购、保障房建设等政策措施，2012年价格再次短暂下降，但使人们不得不困惑2008年、2012年的短暂下降究竟该归功于谁。多年来我国持续调整经济增长和控制银行信贷以期降低住宅价格却未果，是根本性的方向偏离，还是力度配合未得当？

国外理论界对以上疑问曾深入挖掘，却仍未达成一致结论。Collyns和Senhadji发现，在中国香港、新加坡、泰国和韩国信贷扩张是房价的强力推手，而在美国GDP对房价影响显著［1］。这一结论中对美国的研究与Englund和Ioannides对OECD国家的研究一致，暗示了西方社会经济规律的同质性；然而关于亚洲地区的观点却被部分学者置疑。2003年Leung也对中国香港、新加坡、韩国和日本进行了分析，认为经济持续繁荣才是这些地区房价上涨的主要原因［2］。Gerlach和Peng同样坚持中国香港的信贷扩张对房价影响较小［3］。各位学者莫衷一是，但共同点在于均认为银行信贷或经济增长与房价波动关联。国内学者近年来以我国房地产市场为对象展开了类似研究，发现城市间显著相关［4］。4个直辖市被确定其住宅价格和银行信贷之间存在协整关系［5］；沈悦、刘洪玉直接分析了经济发展对房价走势呈U型的14个城市住宅价格波动的解释能力，发现具有部分效力但随时间推移正在减弱［6］。这些成果引领了相关研究的发展，但显然样本过小，结论普适性不佳。2007年梁云芳、高铁梅以我国各省和自治区1994~2006年数据为样本，分析了信贷规模、经济发展对东、中、西部区域房价长、短期波动的不同影响［7］。该研究综合考虑了经济增长、银行信贷影响房价的问题，显著突破了前文贡献。然而上述学者的研究忽略了银行信贷、经济增长是两个交织纠缠的变量，对其的分析需先行剥离二者的交互作用；而且众所周知我国住宅价格波动重点在大中城市，省级数据多取均值易导致实证估计偏误，国际文献也都使用城市数据。

因此，本文针对以上不足，对近期再次困扰人们的调整经济增长、银行信贷对住宅价格波动是否有效的问题进行全新解析。样本选用1999~2010年35个大中城市数据，按照住宅价格均值划分为三类(分界线分别为4000元/平方米，2400元/平方米。图1中Y轴编号1~9、10~27、28~35分别为高、中、低房价城市)。具体安排为：首先推导出含银行信贷和经济增长对住宅价格波动交互影响的模型；其次采取变截距固定效应分别从截面维和时间维角度对面板数据进行实证；然后结合估计结果对所提疑问做出经济学解释；最后概述结论。

2理论模型

国内外学者从不同视角对经济增长、银行信贷与住宅价格波动关系进行过分析，以Meen(1990)基于跨期选择提出的住宅价格波动模型最常用，Pain和Westaway(1996)、Muellbauer和Murphy(1997)等分别从住宅贷款、抵押品价值等方面对Meen所提模型进行了深化。本文结合生产理论创新的推导出经济增长、银行信贷交互作用与住宅价格波动关系的研究模型。

跨期选择以消费者一生效用U最大化为目标，因此假设消费者只购买住宅H和其他复合商品C，建立函数式(1)研究如何在预算约束内分配资源进行购买决策。其中Hjt、Cjt分别表示城市j在第t期的住宅存量和复合商品消费量，φ为跨期效用主观贴现率。

MaxU(H,C)=∞j,t=1ujt(Hjt,Cjt)(1+φ)t－1,(j=1,…35;t=1,…N)(1)

对于每个城市j的最优选择则需要满足第t至t+n期的总消费等于总收入的约束条件式(2)，其中P为住宅H的价格，C的价格为1；Q、Y、r分别表示住宅存量变动、实际收入、利率。从而若名义收入为Inc，住宅折旧率为δ，税率为tax，通货膨胀率为π，则城市j第t期的住宅存量变动Qjt和实际收入Yjt可以表示为式(3)：

(PjtQjt+Cjt)+…Pj,t+nQj,t+n+Cj,t+n(1+rjt)(1+rj,t+1)…(1+rj,t+n－1)

=Yjt+…Yj,t+n(1+rjt）（1+rj,t+1）…（1+rj,t+n－1）(2)

Qjt=Hj,t+1－(1－δ)Hjt

Yjt=(1－taxjt)(1+πjt)Incjt(3)

将式(1)、式(2)、式(3)联立，可知当H和C的边际替代率MRSH,C等于边际效用之比MUH/MUC时达到最优解；此时又因C的价格为1，所以MRSH,C等于住宅使用成本Costjt，即：

MRSH,C=MUHMUC=Costjt=Pjt［(1－taxjt)rjt－πjt+δ］(4)

Costjt是有关P、H、δ的变量，因而由式(4)得第t期城市j住宅价格的缩约模型为：

Pjt=f(Hjt,Cjt,Incjt;rjt,taxjt,πjt,δ,φ)(5)

在资本市场均衡条件下，住宅市场出清的结果是Cost必须等于住宅租金Rent，其中租金可以看做式(6)所示的居民名义收入Inc、房地产投资Inv、土地购置Land等的函数，结合式(4)便可将式(5)简化为模型(7)。

Rentjt=f1(Incjt,Invjt,Landjt;rjt,taxjt,πjt,δ,φ)

=Costjt(6)

Pjt=f2(Hjt,Cjt;Incjt,Invjt,Landjt)(7)

上述模型演绎了住宅价格与影响因素的逻辑推理，但对我国特殊国情适用性欠佳。本文借鉴以上思路并从生产角度出发，假设对应H和C两种消费品，生产者也仅生产H和C两种商品，以银行信贷比重Cre表示资金约束，以GDP表示生产H和C带来的总产值，那么生产函数可表示为：

GDPjt=eCrejt(PjtHjt)ACBjtμ（8）

其中μ代表干扰因素，结合式(7)则为μ=f3(Inc，Inv，Land)；A、B分别为住宅和复合商品对经济发展的贡献度。因为0

lnPjt=-1ACrejt+1AGDPjt-ln(HjtCBAjt）-1Alnμ(9)

由式(8)得HjtCB/Ajt能以GDPθ·Crejtjt形式表示，再引入向量X=(Incjt,Invjt,Landjt)替换μ便可将式(9)转化为式(10)所示的住宅价格波动模型。θ、β为待估参数，β3=(β13,β23,β33)与X对应，εt为调整后的误差项。

lnPjt=β0+θ(Crejt·lnGDPjt)+β1Crejt+β2lnGDPjt+β3lnX+εjt(10)

这也正是本文的基础模型，其中银行信贷变量Cre和经济增长变量GDP为影响住宅价格P的核心变量，X包含的收入Inc、房地产投资Inv、土地购置Land是减小模型误差的控制变量。该模型的独特之处在于以待估参数θ表示了经济增长和银行信贷交互作用对住宅价格波动的影响，结合β1、β2可最终衡量Crejt和GDPjt对Pjt的综合效应(β1+θlnGDPjt)和(β2+θCrejt)。

3数据与方法

31数据说明

本文取住宅价格波动较为平缓的中等房价城市和总体均值作为对照组，针对高、低房价城市的住宅价格进行重点分析。文中所用数据P、Cre、Inv、Land源于《中国房地产统计年鉴》，Inc采用《中宏产业数据库》中指标城镇居民年人均可支配收入，GDP取自《中国城市统计年鉴》。其中Cre=(开发商抵押贷款+购房者按揭贷款)/房地产开发资金，文献中核算银行信贷的方法有两种：仅以抵押贷款为准和合并抵押、按揭贷款。因房地产开发周期漫长，贷款初始由地产抵押获得，后期主要是购房者的按揭贷款［8］，所以本文认为后者方法更接近实际，故采纳。此外，住宅价格2002~2004年数据由当年住宅销售额与销售面积相除得到，其他个别缺失数据从中国资讯行和各城市政府网站搜集获取，共计整理出35×12=420组样本数据。为了消除通货膨胀影响和保证结果的可信度，在实证检验前除Land（面积变量）外所有变量均以居民消费价格指数进行了平减调整(以1998年为基期)，并对Cre之外的所有调整后数据取对数以消除异方差。表1以平减后数据为基础展示了主要变量的描述性统计结果。

表135个大中城市相关变量的描述性统计量(1999~2010)

类别变量PCreGDPIncInvLand样本高房价城市中等房价城市低房价城市全部城市均值544107233587168315084709最大值15496086413900298352371920925108最小值179902853827758472139均值272406261078105562087372最大值659708653727207021185619289216最小值11510172120510445211均值19430548622933913752945最大值34870839478320137132471737796最小值1088007558483395185均值3244063316191189126943797最大值15496086513900298352371920925420最小值1088007558483345139注：P：元/平方米；Cre： 1；GDP：亿元/年；Inc：元/年；Inv：亿元/年； Land：亿平方米/年

32估计方法选择

以上数据在模型估计前需先判别变量序列的平稳性，并选择合适的形式才可尽量缩小估计偏差。

首先，对面板数据的变量序列进行平稳性检验。本文选择LLC和ADF这两种应用最广泛的方法进行检验，兼顾存在同质与异质面板单位根的原假设。结果显示(均以含截距和趋势项的水平模式计算，判别准则为AIC)：在同质假设下，所有变量均通过1%显著水平的平稳性检验；在异质假设下，Cre和Land在1%显著水平上拒绝原假设，Inv和Inc在5%显著水平上通过检验，而GDP在10%显著水平上拒绝接受存在单位根。由此可知各变量序列均为严平稳或广义平稳序列，可以进行实证估计。

其次，为模型选择合适的估计形式。面板估计可分为不变系数、变截距和变系数3种，但本文样本区间较短，不适用F检验选择，因此假定高、中、低房价城市具有三类经济波动趋势，在静态层面每个城市的个体禀赋相异，从而采取变截距估计形式。变截距模型中的个体影响为固定效应还是随机效应通过Likelihood和Hausman检验确定，结果均在1%水平上显示应建立固定效应模型，因此本文选择变截距的固定效应模型对住宅价格波动与经济增长、银行信贷的关系进行估计。其中模型(10)中的截距项β0可更细致分为表示城市共同禀赋的总体效应α、表示各城市异质资源的截面效应σj和时期效应ηt，以便观察高、中、低房价城市12年间的个体变化趋势。

4实证分析

为了消除异方差和自相关，本文在实证中对截面个数小于时序个数的高、低房价城市模型添加不相关回归(SUR)进行约束，对截面个数大于时序个数的中等房价城市和总体模型添加截面加权(CSW)约束。

41截面维估计结果分析

将高、中、低房价城市和总体样本数据分别以模型(10)回归，估计结果如表2，显然住宅价格对控制变量Inc、Inv、Land的弹性系数大多都通过了1%的检验，因此达到了以这些变量缩减误差的目的。表2模型参数的截面维估计结果

变量高房价城市中等房价城市低房价城市全部城市θ0308***（4926）0201*（1634）0240***（6822）0131***（2674）β02731***（3191）1243（0742）2284***（7906）0405（0705）β1-5490***（-5143）-2887*（-1643）-3394***（-6379）-1875***（-2451）β20037（0683）0079（0656）0007（0191）0145***（2784）β130281***（4155）0568***（7614）0568***（8685）0601***（9006）β230290***（7928）00560**（1949）0035**（2228）0040*（1707）β33-0119***（-10030）-0060***（-3678）-0044***（-6999）-0075***（-7732）R2097088099095DW200097170101注：括号中数字为t统计量；***、**、*分别表示在1%、5%、10%显著水平上通过检验

对于重要关注变量交互项Cre·lnGDP的系数θ全为正，表明经济增长与信贷宽松的交互作用明显提高了住宅价格。表2显示高房价城市最敏感，1倍的因GDP增长而超额发放的信贷或由信贷放松带来的GDP增加将造成高房价城市3075%的住宅价格上涨，中、低房价城市则分别为2010%和2397%。对于隔离了交互作用的Cre增加对P却负反馈，这隐涵了在金融稳态下按经济增速逐渐投放市场的信贷额使房地产市场趋近完全竞争，从而弱化了房价泡沫。由此看来银行信贷是否助推住宅价格上升取决于房地产开发资金中信贷比重与经济增长的同步状况，即Cre的偏系数(β1+θlnGDP)的大小。以高房价城市为例，当lnGDP大于1771即GDP大于491150亿元时，Cre偏系数(-549+031×lnGDP)为正，此时若保持信贷比重不变则银行信贷将偏离构建完全竞争市场的方向而推高住宅价格；样本中2005年仅有上海、北京地区生产总值超越临界点，而至2008年广州、深圳、天津也都已超越。同理，由中、低房价城市Cre的偏系数也可得其分界线。对于GDP的偏系数也有以上推理。

进一步对比变量系数的大小。由表2可知，除GDP、Inc外高房价城市的所有变量系数都最大，说明同等的调整幅度将极易造成高房价城市P的急剧波动，这与该区域房地产市场供需比例严重失衡有关。β1也证明了此观点，若高、中、低房价城市Cre减小1%，可分别带来各区域549%、289%、339%的P下降。图2所展示的35个大中城市截面维个体效应(α+σj)波动趋势也从另一角度支持了该观点。个体效应代表与P有关的未控制因素，总体和高、中、低房价城市的波动区间分别为［-009，060］、［237，312］、［108，155］、［189，246］，显然高、低房价城市个体效应均值273、228高于中等房价城市的124，即前者区域内要素的变动对P的影响程度强于后者，这与前述观点一致。此外，总体样本的个体效应均值约为041，而高、中、低房价城市则远大于1，暗示扩大调控范围，趋利避害的区域分散效应将可以稀释房地产价格波动风险。

42时间维估计结果分析

表3列举了各变量时间维参数估计结果。θ在高、中房价城市中依然为正，与截面维不同的是在低房价城市中为负，这与低房价市场的欠饱和状态相关；但因Cre、GDP偏系数未定，所以最终影响待定。按上文方法，对Cre偏系数有：当高房价城市lnGDP小于1735即GDP小于341873亿元和当中等房价城市lnGDP小于1446即GDP小于27569亿元时，Cre对P的总效应为负。样本中高房价城市共有7个陆续超越临界值进入Cre正反馈于P的阶段，超越年份分别为：上海1999年、北京2003年、广州2004年、深圳2005年、天津2006年、杭州2009年、南京2010年。对低房价城市的Cre偏系数，当lnGDP大于1683即GDP大于204230亿元时为负，即此时提高Cre将使P减小；样本中仅有重庆在2006年后的GDP满足条件，所以调控中适当提高重庆市房地产开发资金的信贷比重，其住宅价格可降低。三类城市中Cre对P的影响在不同年份效应不同，一方面因Cre与GDP不同步，另一方面在于各区域房地产市场竞争和投资饱和程度差异较大，导致各地贷款的利用效率不一。同样，对GDP偏系数为正的假设也可计算出高、中、低三类城市相对应的Cre临界点分别为：Cre>080，Cre>-041，Cre<116。由于0

变量高房价城市中等房价城市低房价城市全部城市θ0475**（2397）0114**（2041）-0143**（-2050）0082**（2029）β07511***（3398）6253***（7752）6374***（8747）1559**（2225）β1-8240***（-2492）-1648*（-1840）2407**（2272）-1067*（-1671）β2-0378***（-2524）0047*（1 809）0166***（3815）0143***（3358）β130511***（15340）0093*（1 626）-0045*（-1723）0478***（6723）β230288***（7507）0052**（2324）-0040**（-1936）0019*（1821）β33-0118***（-4913）-0057***（-11300）-0039**（-2023）-0054***（6508）R2091087089078DW162190175172图3对以上分析进行了补充。个体效应显示以2005年为界线，各城市时期效应ηt全部由负变为正，且4条趋势线在2002~2006年彼此相交，这说明要素对住宅价格的影响在该段时间发生了质变。从ηt代表意义来看，一方面暗含了各区域内与Ｐ关联的因素由低迷到活跃的转变，另一方面反映出房产商、政府、购房者等利益主体的博弈。扩展至整个时间轴，ηt趋势线斜率随高、中、低房价城市模型的变换逐步增大，可看出住宅货币化实施之初，高房价城市的飞速经济增长和宽松信贷支持迅速推高住宅价格；随着竞争激烈和宏观调控，房产商逐渐转向中、低房价城市谋利。

5结论

基于跨期选择和生产理论，本文建立了经济增长与银行信贷交互作用对住宅价格波动影响的理论模型，较以往研究更贴近现实地解析了经济增长、银行信贷与住宅价格的关联。将35个大中城市住宅价格划分为高、中、低三类，以变截距固定效应回归对1999~2010年的面板数据进行估计，本文得出了较稳健的结论：经济增长和银行信贷对住宅价格波动均有影响，但效果不同，取决于二者博弈，即实质在于调整经济增长和控制银行信贷的力度配合。具体来讲：(1)经济增长对住宅价格的影响在高房价城市中受银行信贷同步状况约束，在中、低房价城市中无条件推动价格上涨；(2)银行信贷随时间推移对住宅价格影响不同，若使控制银行信贷的措施对平稳住宅价格有效，关键在于衡量城市经济发展水平是否与所发放信贷规模相适应；(3)经济增长与信贷宽松的交互作用正反馈于住宅价格上涨，高房价城市反应最为敏感，也就是说调整经济增长和控制银行信贷的合理组合将对高房价城市住宅价格下降影响最显著。

由以上结论可知，经济增长、银行信贷与住宅价格之间存在着一定的均衡关系，需理性把控才可实现整体稳定。本文研究发现影响住宅价格波动的要素在2002~2006年从低迷质变到活跃，因此我国宏观调控合理力度的把握可参考住宅货币化初期相对稳定局面的运筹帷幄。深入来看，目前我国高房价城市大多存在信贷超发，而低房价城市经济发展又较为落后，若要达到住宅价格与经济增长、银行信贷平衡的良性循环，需慎重把握不同被调控对象的现实状况，持续向经济增长和银行信贷合理配比的方向推移；尤其对于高房价城市，更要以谨慎而稳健的调整力度来逐渐实现前瞻远景。

参考文献：

［1］Collyns C，Senhadji A Lending Booms，Real Estate Bubbles，and the Asian Crisis［R］. Washington D C:IMF Working Paper，2002(2).

［2］Leung C K Y. Economic Growth and Increasing House Price［J］. Pacific Economic Review，2003，8(2):183-190.

［3］Gerlach S，Peng W. Bank Lending and Property Prices in Hong Kong［J］. Journal of Banking & Finance，2005，29 (2):461-481.

［4］张谦，王成璋. 中国住房价格波动的空间溢出效应研究［J］. 软科学，2013(4):50-53.

［5］周京奎. 货币政策、银行贷款与住宅价格——对中国4个直辖市的实证研究［J］. 财贸经济，2005(5):22-27.

［6］沈悦，刘洪玉. 住宅价格与经济基本面:1995~2002年中国14城市的实证研究［J］. 经济研究，2004(6):78-86.

［7］梁云芳，高铁梅. 中国房地产价格波动区域差异的实证分析［J］. 经济研究，2007(8):133-142.

［8］段军山，白茜. 银行贷款、可支配收入与房地产价格波动:1999～2010［J］. 软科学，2011(11):24-29.

（责任编辑：赵毅峰）