我国信贷规模、资产价格波动与银行脆弱性——基于有向无环图的应用研究

李梦花，聂思玥

(1.山西财经大学 经济学院，山西 太原030006;2.山西大学 经济与管理学院，山西 太原030006)

一、引 言

银行脆弱性与资产价格之间的关系一直深受各国学术及实践领域的广泛关注，二者联系的重要渠道之一是信贷，即经济景气期形成的异常繁荣的信贷扩张和经济衰退期出现的大规模信贷收缩。回顾世界经济发展历史，1929年发生在美国华尔街的股市大崩溃、80年代日本由泡沫经济破裂引发的经济长期萧条、1997年始于泰国泰铢贬值而后扩散为东南亚的金融危机以及2007年由美国次贷危机引发的全球金融危机，无一例外均伴随着资产价格大幅波动及信贷规模的剧烈变动。我国自2001年加入WTO组织至今，已成长为世界第二大经济体，这表明我国经济的发展对世界各国的发展可以起到越来越大的带动作用，但同时我国的发展也愈发地依赖世界各国，即国际经济环境对我国经济发展的影响愈发显著。例如2007年美国次贷危机爆发后，各国均采取宽松的刺激政策，在宽松一边倒的国际经济环境下，我国政府为尽可能减少这场危机带来的损失，不得不采取同样的宽松政策，致使我国信贷规模及货币供应量M2呈现出阶跃式增长。从具体的数字来看，自2009年1月截止到2014年3月我国金融机构境内各项贷款余额达到72万亿元。危机发生后2009年全年的新增境内各项贷款达到9.63万亿，而危机前的2007年全年新增贷款为3.64万亿，前者为后者的近3倍。与此同时资产价格，尤其是房地产市场经历了相当幅度的上涨。那么这种银行信贷的剧烈增长和资产价格的大幅上涨对我国的银行稳定(银行脆弱性)会有影响吗?其影响渠道是什么?这正是本文试图探讨的问题。

本文结构安排如下:第二部分为国内外相关理论文献的回顾，第三部分为研究设计及数据说明，第四部分为实证结果与分析，第五部分为主要结论与政策启示。

二、文献综述

绝大多数研究表明，银行脆弱性的凸显往往与资产价格的持续大幅波动相伴而生，而在这一过程中，银行信贷往往被认为是主要的“驱动力量”。因此在分析银行脆弱性与资产价格波动之间的联系时需要同时考虑信贷规模与资产价格波动的关系。

有关信贷规模与资产价格关系的理论探讨，经典理论主要有新奥地利学派的奠基者哈耶克提出的货币经济周期理论及美国新古典主义经济学家费雪的债务通货紧缩理论。Hayek[1]的货币经济周期理论提出过低的市场利率将引发信贷规模的非理性扩张，而过多的信贷势必带来高昂的投资热情，金融市场上的资产价格泡沫则不可避免，从而加剧金融系统的不稳定。Fisher[2]的研究指出经济上升期引起的普遍过度负债会导致信贷规模大量增加，这将带来一系列的潜在隐患，这些隐患会在经济下行时集中爆发，例如，债务人为偿还到期债务必须廉价销售资产，若此时中央银行不施以援助，将会引发物价及资产价格的迅速下跌，大量企业会因资不抵债等问题而破产，爆发金融危机。此外，Allen ＆ Gale[3]从银行部门中介人角色的视角，指出中介部门特有的委托代理关系是造成资产价格泡沫的主要因素，并在此基础上建构了信贷规模的扩张行为导致资产价格波动的理论分析模型。国内学者针对信贷规模与资产价格关系的理论分析也进行了相关探索。袁志刚和樊潇彦[4]在借鉴经济“理性泡沫”相关理论基础上，构建了房地产理性泡沫的局部均衡分析框架，分析结果表明行为人的预期、地产政策及信贷的扩张共同推动了地产泡沫的形成极其破灭。

有关信贷规模与资产价格关系的实证研究，早期有Keran[5]运用标准普尔500指数的季度均值数据，通过构建简单的单方程回归模型得到信贷量对股票资产价格波动影响显著的实证结论。近些年，一些学者运用VAR等计量方法实证分析了信贷规模与资产价格的关系。比如 Chen[6]运用台湾地区1973至1992年的两大主要资产价格——房地产和股票价格的季度数据，建立Multivariate VAR模型进行实证分析，研究结果表明:相对利息率，信贷规模能够更有效的预测资产价格。Greiber ＆ Setzer[7]通过构建VECM估计模型，实证检验了欧洲及美国的资产价格波动，结果表明信贷的扩张是资产价格膨胀的重要渠道。此外，国内学者对信贷规模与资产价格之间的关系进行了颇多实证检验。梁云芳、高铁梅和贺书平[8]运用HP滤波和协整分析得出我国房地产的均衡价格，并进一步构建了变参数模型及VAR模型，分析结果表明我国信贷规模的变化对房地产的投资有较大影响。肖本华[9]通过扩展 Allen和Gale的资产价格泡沫模型，运用Granger因果分析技术实证分析了我国2003年1月至2007年9月的月度数据，结果显示我国的信贷扩张为资产价格的膨胀提供了重要支撑。而桂荷发、邹朋飞和严武[10]采用VAR模型对信贷规模与股票市场价格的动态关系进行实证研究，结果显示，股票市场价格的上涨会带来信贷的扩张，但是反之，信贷的扩张却不是股票市场价格上涨的原因。王晓明[11]通过运用Granger因果检验、VAR模型及脉冲响应函数实证分析了我国的信贷规模与资产价格的顺周期，结论表明信贷规模与房地产市场价格之间存在显著的双向因果关系，但信贷规模与股票市场价格之间并不存在因果关系。方意、赵胜民和谢晓闻[12]通过运用“有向无环图”及VAR模型分析了金融信贷与资产价格波动的同期因果关系，结果表明金融信贷扩张对股票价格影响较大，而对房地产价格的影响相对有限。

进一步梳理信贷规模、资产价格对金融脆弱性影响的相关文献。理论研究方面，Mill ＆ Simons(1948)最早从信贷活动自身的扩张性倾向角度来解释银行脆弱性。在经济上升期，银行体系普遍有扩张信贷的倾向，从而产生过度投机，伴随过度投机的持续，会在一些行业出现产品价格严重偏离内在价值，形成泡沫，一旦泡沫破灭将严重打击储户对银行体系的信心，增加不确定性，甚或发生挤兑。Minsky[13]分析了公司及银行在经济周期中的差异化行为对银行脆弱性的影响:在经济平稳上升期，公司更多选择较为谨慎的债务融资——即保值性融资;经济渐入繁荣，公司则倾向于投资周期长，高风险的投机性融资甚或庞兹融资，银行在乐观的心理预期下倾向于贷出款项，一旦有任何妨碍贷款资源流向生产企业的冲击出现，都可能带来流动性不足抑或出现资不抵债等问题，并很快蔓延至银行等金融机构，使其脆弱性迅速攀升。Dell'Ariccia ＆ Marquez[14]提出当其他银行信贷标准都较低时，面临信息非对称的借款者，银行在选择策略时倾向于降低贷款标准，银行的这一反应策略成为信贷热潮提升银行脆弱性的内在机制。实证研究方面，Borio ＆ Lowe[15]通过实证分析发现信贷规模与资产价格的膨胀存在双向促进作用，随着时间的推移可能带来经济中的过度投资，甚至引发银行危机。皮舜[16]采用我国1997到2003年的房地产市场和金融市场的月度数据，构建了两个市场相互作用的误差修正模型(ECM)，分析结果显示，我国房地产市场与金融市场存在长期和短期的双向线性因果关系，二者具有一定的共生性。马勇、杨栋和陈雨露[17]采用66个国家的数据进行实证分析，结果显示资产价格周期、信贷周期及金融的监管周期是金融不稳定中的基本机制。

总结国内外关于信贷规模、资产价格波动与金融脆弱性关系的研究文献，我们发现在相关的实证分析中，大多数学者采用 Granger因果分析和预测方差分解方法等来分析三者之间的因果关系及对脉冲的响应函数。但事实上这些方法都有一定的使用局限。首先 Gujarati[18]指出 Granger因果分析的结果依赖于对滞后期的选择，选择不同的滞后期会有不同的分析结论，而且不能给出同期变量之间的因果关系。更为重要的是，Sims[19]、Abdullah ＆ Rangazas[20]指出Granger因果分析并不具有我们作分析时更加关注的经济意义上的显著性，而是仅仅考虑其统计意义上的显著性。因此，仅仅用 Granger因果分析来检验信贷规模、资产价格波动与银行脆弱性三者的关系是非常不充分的。方差分解技术则更多考虑了变量关系在经济意义上的显著性，但Cooley ＆ LeRoy[21]、Swanson ＆ Granger[22]提出有效地进行方差分解的前提是正确设定扰动项间的同期因果关系。目前大多数选择VAR方法进行研究的文献中，往往采用Cholesky分解技术来得到正交的误差项，但该方法依赖于变量排序，变量排列顺序的改变将会影响到脉冲响应函数。这一问题Pesaran[23]中也同样提到。此外 Bernanke[24]提出 Bnanker分解方法，但 Swanson ＆ Granger[22]指出该方法依然需要借助于相关理论及必要的先验信息，仍然无法克服主观判断的缺陷。为有效解决以上问题，Pearl[25]、Spirtes，Glymour ＆ Scheines[26]提出“有向无环图(DAG)”的分析方法。该方法无需添加任何先验信息或假设条件，仅仅通过分析扰动项的方差协方差矩阵，即可有效识别扰动项的同期因果关系，从而能够客观确定扰动项的具体结构形式，避免缺乏依据的主观判断。目前这一方法被国内外学者越来越多的运用到经济领域的各项研究中。如Bessler ＆ Yang;Awokuse;Yang，Guo ＆ Wang;吴文锋和靳莹;杨子晖;周泳宏和邓卫广;Greiber ＆ Setzer[27-32，7]的研究，取得良好效果。

鉴于此，本文尝试在已有研究基础上，结合“有向无环图”方法，研究我国信贷规模、资产价格波动与银行脆弱性间的同期因果关系，并进一步分析信贷规模、资产价格波动与银行脆弱性三者的相互影响，以期得出一些启示性的分析结论。

三、研究设计与数据说明

(一)SVAR与有向无环图(DAG)

1.SVAR与识别问题

上世纪70年代之前，宏观经济计量分析的数据描述、模型预测、结构推断以及政策分析等四大任务一般由传统大型联立方程模型承担。到了1970年代后期，联立方程模型受到计量经济学家的批评，尤其是自“卢卡斯批评”以来，这些大型联立方程模型开始逐步被计量经济学家抛弃。在这种情况下，Sims[33]提出了新的宏观计量分析架构——向量自回归(VAR)模型，也称简化型VAR(Reduced-form VAR，对应于后文的结构型VAR)。简化型VAR以被解释变量的滞后项作为解释变量，这种将动态性特征纳入考虑范围的方法与时间序列分析一致，可以大大提高预测精度:

式(1)中 Yt=(y1t，y2t，…，ynt)'，Xt=Yt－1是滞后算子，L是滞后算子多项式矩阵，A(L)且满足的根都在单位圆之外，∑u是非对角元素不全为0的方差协方差矩阵。VAR的平稳性要求式(2)的根都在单位圆之外，

除了精准的预测之外，VAR模型的经典应用是脉冲响应分析，相应地其误差项也经常被称之为新息(innovation)，意为外生信息。然而，因为其各个方程的误差项是自相关的，无法区分出单个变量“纯粹”的外生新息冲击。虽然Sims提出了可以通过cholesky分解得到正交的新息向量，但这种分解方法的有效性依赖于变量之间wold因果链的确定。当模型中变量的排序与wold因果链不一致或变量之间不存在wold因果链时，cholesky分解的基础就被瓦解了。此外，Cooley ＆ LeRoy[21]等人批判无约束的简化型VAR本身并不能直接观测到系统内变量之间的关系，因为各个方程中并不包含变量之间当期的关系结构，结构推断变得困难。正是基于这些问题的存在，Sims[34]以及 Bernanke[24]等在 VAR模型的基础上提出了SVAR(Structural VAR，结构型VAR):

比较式(1)、(4)可以发现，式(4)通过如下变换，可写成式(1)的形式:

SVAR在模型设定时虽强调了对外生冲击的识别，但是却又将识别问题引入到参数估计里面来了。对于无约束的简化型VAR，不存在解释变量与新息项的相关问题，可以对模型中每个方程逐一用最小二乘法进行估计，估计参数具有渐进有效性和一致性，因而无约束的简化型VAR系统是一个恰好识别系统。比较式(1)和式(4)可知，SVAR系统对vt的方差协方差矩阵进行了约束(因是对称矩阵，施加了共计个约束);同时比简化型VAR的多了一个参数矩阵A0，多了n2个待估计参数。根据Rothenberg[35]方程识别的阶条件(order condition)要求方程的约束个数不少于待估计参数的个数。该阶条件是识别的必要条件，根据这个条件，识别式(4)的SVAR系统至少还需要－1)个约束。

因此，在SVAR模型被提出以后，出现了大量文献探讨SVAR的识别问题。观察式(5)，对于这类SVAR模型，只需能够识别矩阵A0的参数即可。因而，该模型识别问题可从Ut=的角度来认识。因而选择∑u的一个合适的正交分解矩阵，令A－10=P即可得到A0矩阵。前文提到的Cholesky分解方法就是选择恰当的 P，使 SVAR模型变换为递归模型(recursive model)，即第i个方程的解释变量包含前面第1，…，i－1个被解释变量的当期值和全部变量的滞后值，第i个方程的解释变量只有全部变量的滞后值，从而第i个方程的新息项只影响第个变量，实现了SVAR关于新息项之间不相关的假定。这种分解方法本质上对SVAR模型施加了wold因果链约束，当变换变量的顺序后，P矩阵也随之变换，被不少计量经济学家批判为“由研究人员任意依据‘自以为是的经济理论’排序来决定结果”的方法。DAG方法为这个问题提供了一个非常好的解决途径。

2.DAG方法原理分析

变量两两之间的因果关系构成了变量的因果结构。DAG方法从概率理论出发，运用变量之间的条件独立原理来搜索判断两两变量之间的当期因果关系，建立变量间直接控制的模型并最终得到因果结构图。

DAG是一类无环的有向图，变量间是单向控制的关系，DAG所描述的因果结构是递归类型的因果结构。

变量间两两是否存在因果关系可由变量之间的条件独立性确定。Granger是较早将条件独立性引入因果分析领域的学者，他指出在给定滞后阶数p，如果下式成立，则{xt}不是{yt}的格兰杰原因:

{zt}是其他解释{yt}的变量，y⊥x|(y，z)表示在(y，z)条件下，y独立于x。这样将变量之间的条件独立性运用到了推断变量因果结构的领域。更一般地，M信息集在条件信息集O下与信息集N独立，记作M⊥N|O，有下式成立:

式(7)中IFF表示当且仅当，在满足下文中的因果忠实条件下，其含义是，一旦知道了信息集 O后，则信息集N对于了解信息集M不能提供任何多余的信息。

DAG方法是基于变量集间D-分离(directionally separate)情形中的条件独立性来判断变量之间的因 果 关 系。Bessler ＆ Wang[36]和 Kwon ＆ Bessler[37]指出，在 DAG 图中，两个节点 X、Y 被 D-分离是指两节点之间的任何路径都被一个子集O所阻断。一条路径被O子集D-分离，当且仅当:

(1)该路径中包含①因果链:X→Z→Y、X←Z←Y或②因果叉:X←Z→Y时，中间节点Z在子集 O中;或

(2)该路径中包含③反叉因果结构:X→Z←Y时，中间节点Z及其子孙节点不在子集O中。如果X、Y间无直接相连边，则Z是一个无盾相遇点。

在图1(a)中，路径A→B→E→D被{B、E}子集D-分离，而路径A→B←C→E→D被{C、E}子集D-分离。D-分离构成DAG图中条件独立性分析的基础:其一，相关的变量被D-分离后，在分离集O条件下独立;其二，在反叉因果结构中，相互独立的变量在无盾相遇点条件下变得相关。Pearl[38]指出，D-分离具备上述推断因果的性质，需要满足两个条件:Markov因果条件和因果忠实(faithfull)条件。用Yi=f(YIi，ui)来代表变量集第个变量的方程，YIi是Yi解释变量，ui是误差项。

Markov因果条件:G是关于变量集r的因果图，P是r的概率分布函数。W是r的子集。当且仅当r中的每个子集W与不包含其子孙节点变量的子集，在其祖先节点变量集的条件下相互独立时，G、P满足Markov因果条件。Markov因果条件包含两方面的内容，一是变量之间不存在互为因果的关系结构，即因果图中不存在环;二是所有变量间的公共原因都包含在因果图中，确保之间相互独立，这点也被称为因果充分条件(causal sufficient)。

因果忠实条件:当Yi=f(Ai，ui)中参数发生变化时，变量集Y中的因果关系结构不随之改变，称为因果忠实条件。因果忠实条件表明变量之间内含的因果关系结构是稳定的，可以用不标示参数的因果图来描述变量之间的因果结构。

在满足Markov因果条件下，意味着在D-分离的情形①和②中，将 Z视为祖先节点变量集，X、Y在条件Z下相互独立。在因果叉中X←Z→Y中，无论X、Y之间是否有边直接连接，Z被称为X、Y的公共原因(common cause)。因果结构还可以在变量相互独立情况下推断条件非独立。在D-分离的情形③中，满足Markov因果条件下，X、Y是独立的，加上因果忠实条件则可推断X、Y在条件Z下是相关的。原因在于，X、Y都是导致Z的因素，当X因素的影响参数变弱时，则由Y导致 Z的概率会增加，由此可见X、Y在条件Z下是相关的，因果忠实条件保证了参数变化下这种因果关系的稳定性。因此，D-分离中的情形①和②，满足X⊥Y|Z;而情形③下，不满足X⊥Y|Z，当因果图中存在环时，如图1(c)中，A→B←C构成无盾相遇点下的反叉因果结构，C节点与A节点(不包含C的子孙节点)在条件B(C的祖先节点)下并不独立，因此不满足Markov因果条件。

无盾相遇点因其在条件独立性方面表现出区别于其他2种D-分离情形的特性，因而是搜索两个变量之间因果关系的关键。图1(a)中存在1个无盾相遇点，B点在A→B←C中。

5、辅导员要经常深入到班级和宿舍和学生谈心，及时了解学生遇到的困难，帮助他们切实解决。用爱心、耐心、责任心给学生创造优良的学习生活环境，真正做到立德树人。

上文阐述的是DAG方法的基本原理。利用上述基本原理，再结合目前常用的PC搜索算法即可在一组符合Markov因果条件和因果忠实条件的变量中搜索因果关系，得到因果结构。PC算法按照D-分离的三种情形，一般分以下三步进行搜索，假定数据生成过程DGP图1所描述，以此为例阐述PC搜索算法的基本步骤:

步骤1，PC算法第一个步骤假定全部变量两两之间都存在因果关系，形成一个完整的无向图。

步骤2，先检验2个变量之间无条件独立性，再检验是否为因果链和因果叉情形，得到无向的因果概略图。通过检验变量无条件独立性，删除相互独立变量之间的无向边如图1(a)中AC之间的无向边会被删除;后者检验变量之间的条件独立性，删除条件独立的变量之间的无向边，即排除D-分离结构的因果链和因果叉中被检验的2个变量之间直接相连的情况。如图1(a)中A、E在条件 B下独立，A、D在条件 B、E下独立，C、D和 B、D在条件E下均独立，则 AE、AD、CD、BD间的无向边将被删除。完成第二个步骤就得到了因果图的概略图，如图1(b)。

步骤3，是对概略图中的无向边进行定向，这个步骤是复杂的，需要结合统计检验、逻辑推理、预先假设等方面的知识进行综合考虑。思路是先利用无盾相遇点的性质得到部分定向的DAG图，再对图中其他未定向的边进行分析，具体可参阅Pearl[38]。

(二)数据说明

我国自1998年开始取消信贷规模的计划管理模式，住房商品化改革也在1998年开始施行，考虑到政策执行的滞后性，本文研究样本区间为1999年1月至2014年3月。实证分析过程中，依据Minsky的“金融不稳定假说”，经济繁荣期，信贷快速扩张，资产价格急剧膨胀，银行风险积累;经济下降期情况相反。即信贷、资产价格的变动可以在一定程度上影响金融系统的稳定性，而且金融系统稳定与否会对信贷与资产价格有反馈响应。因此本文研究中涉及的变量有我国信贷额、房地产价格和银行脆弱性，其代理变量依次为金融机构境内各项贷款增长率(cregw)、国房景气指数(hp)和银行脆弱性指数(zsore)。本文使用的各项银行数据来源于中经网统计数据库和CCER经济金融数据库。为消除季节因素，本文用X13-ARIMA-SEATS软件对数据进行了季节调整。

四、实证结果与分析

(一)变量平稳性检验

时间序列分析中，非平稳变量会导致伪回归现象，因而对变量进行单位根检验是必要的。本文采用了较为常见的ADF、KPSS和PP三种方法进行检验，结果如表1所示。

表1 变量单位根检验结果

从表中可以观察到，三种单位根检验方法的结论是一致的。ZScore是一个平稳的数据变量，Estate和Cregw都是非平稳的数据变量。游与本文实证过程采用VAR模型进行分析，因而有必要检验变量之间的协整关系。

(二)变量间的协整检验

对上述三个变量建立无约束 VAR模型，根据AIC和SC信息准则，选择VAR模型的滞后期为2，并进行协整关系检验。检验结果如表2。

从表中检验结果可以知道，VAR模型在数据空间带有时间趋势项时，存在一个协整向量。

表2 协整检验结果

(三)DAG同期因果与SVAR模型的识别

为误差项的相关系数矩阵，VAR模型的误差项是进行同期因果结构分析的基础，采用DAG方法分析信贷、资产、脆弱性之间的同期因果关系。DAG方法的原理已经在前文进行了详尽说明，本文使用Tetrad V软件对数据进行DAG分析。根据第三部分SVAR识别与DAG分析理论可知，三个变量之间的同期因果关系蕴含在VAR模型的三个误差项中。首先，将三个变量用三条边连接，如图2(a)所示，代表可能存在的同期因果关系。在5%的显著性水平下，检验得到信贷(Cregw)和资产价格(Estate)两个变量是无条件独立的，因而连接两个变量的因果关系边应该删掉;其余两条边保留，得到图2(b)的因果概略图。在最后的对各边进行定向的环节，检验发现Zscore是一个无盾相遇点。因而，得到图2(c)最终的 DAG因果结构图，信贷、资产和银行脆弱性之间的同期因果结构为:Cregw→ Zscore←Estate。

上述DAG的分析结果显示出我国的信贷(Cregw)、资产价格(Estate)和银行脆弱性指数(Zscore)三者的同期因果关系及影响方向。具体来看，信贷(Cregw)和银行脆弱性指数(Zscore)之间存在同期因果关系，而且资产价格(Estate)和银行脆弱性指数(Zscore)之间也存在同期因果关系，但不存在资产价格(Estate)和信贷(Cregw)之间的同期因果关系。以上结果表明，信贷与资产价格均对银行脆弱性有影响，而信贷与资产价格之间不存在同期相互影响。这主要是由于资产价格有其自身的运行规律，外界因素对其影响十分有限。这启示我们对资产价格的调控要遵循其内在规律，通过控制信贷等政策等来调控资产的价格效果十分有限，而且还会影响到银行的稳健经营。

图2 有向无环图、概略图(无向图)和有环图示例

从而，在变量排序为 Credit、Estate、Zscore的情况下，对SVAR模型进行识别时式(4)中的矩阵A0应该约束为下三角矩阵，且a21=0，代表Credit与Estate无直接因果关系。最终，估计结果如下:

式(10)中Ut为式(8)的估计结果。其中，

式(11)中个估计参数下括号内为t值，估计结果显示各参数都通过显著性检验。Cregw、Estate和Zscore之间的同期因果结构可由式(10)和式(11)表达，并可进一步简化表示为:

(四)预测误差方差分解

预测误差方差分解结果(表3)表明，在预测期第一个月房地产价格不能解释信贷的波动，但对银行脆弱性波动有一定的解释力，同时，信贷不能解释房地产价格的波动，但对银行脆弱性波动的解释高达38.60%。这表明相对于房地产价格，信贷对银行脆弱性的影响效果更快，几乎没有时滞。这与马勇、杨栋和陈雨露[17]的研究结论是一致的。导致信贷和房地产价格对银行脆弱性影响不同的原因，可能是因为房地产市场资金的高门槛特征，使得其价格变化不能快速得到响应，而信贷的变化则能够快速传导，尤其是向银行部门的传导，几乎不存在滞后。表3还显示，伴随着预测期的延长，房地产价格对银行脆弱性的波动解释力在增强，24个月后达到17.79%，与信贷规模的解释力相差不到10%。这说明要确保银行体系运行的稳健性，除了监管银行自身的各项指标外，还需要同时关注信贷规模和房地产价格的波动。

表3 基于DAG的预测误差方差分解(%)

与此同时，随着预测期的延长，银行脆弱性与房地产价格对信贷规模的波动具有一定的解释力，8个月后分别达到4.40%和3.18%，24个月后达到13.07%和9.06%，表明信贷规模仍然会受外在冲击的影响，虽然会存在一定程度的滞后。这表明信贷政策会受资产价格和银行脆弱性的影响，我国在制定相关信贷货币政策时可能已经将房地产价格、银行脆弱性等因素纳入考虑范围。

预测误差方差分解结果(表3)也显示，房地产价格对自身波动的解释较大，数据显示，8个月后房地产价格对自身波动的解释力仍高达97.65%，即使在2年(24个月)后，这一解释力仍保持在90%以上。这说明房地产价格的波动主要来源于自身的价格运行机制，尤其是其价格的惯性变动，比如投机行为等。这与周京奎[39]的研究是一致的。该研究指出，可支配收入对房地产的价格不存在显著影响，城市房地产价格的攀升，主要是由投机行为推动的。因此，调控房地产价格，避免价格泡沫，需要打破人们的单边升值预期，从而有效减少投机行为的发生。

(五)稳健性分析

为了检验文中通过“有向无环图”技术(DAG)识别SVAR模型得出的分析结论是否稳健，本文在DAG分析结果的基础上更进一步进行递归的预测方差分解分析。本文在递归分析过程中以1999年1月至2011年3月样本期为基期，进行第一次方差分解分析，再以1999年1月至2011年4月进行第二次方差分解分析，依次类推直至1999年1月至2014年3月，并将每次回归分析第18期的预测误差方差分解的结果绘与图3。

图3中，信贷规模基于DAG的递归预测方差分解表明，在2012年之前房地产价格对信贷规模波动的影响非常有限，基本维持在2%以下，银行脆弱性对信贷规模波动的影响相对较大，但也保持在10%左右，我国信贷规模波动的88%左右来源于其自身的变动。2012年4月房地产价格对信贷规模波动的解释力达到5%，至2014年3月，接近9%，而银行脆弱性的解释力仍然有10%左右，这说明我国信贷规模的变化主要受其自身变动的影响，但房地产价格的预测功能是不断加强的。这意味着我国的金融信贷政策可能已经将资产价格、银行稳定纳入考虑范围。

房地产价格基于DAG的递归预测方差分解表明，在2011年4月银行脆弱性对房地产价格波动的解释力十分有限，该解释力仅为1.17%，信贷规模对房地产价格波动的影响仅有2.26%，房地产价格波动的96%左右来源于自身的变动;至2014年3月，银行脆弱性对房地产价格波动的解释力也仍然只有3.7%，银行信贷对房地产价格波动的解释力也没有超过5%。这表明房地产价格变动的主要原因在于其自身的运行机制，比如非理性的投机行为导致人们形成不合理的预期，致使房地产价格单边上涨。这与姜春海[40]的研究结论一致。

银行脆弱性基于DAG的递归预测方差分解表明，递归期内银行脆弱性受信贷规模影响较大，而受房地产价格影响较小，但都较为稳定。2011年4月信贷规模对银行脆弱性的解释力为31.8%，同期房地产价格对银行脆弱性的影响为11.1%;至2014年3月，信贷规模对银行脆弱性的解释力仍然稳定在30%左右，房地产价格对银行脆弱性的影响基本维持在10%左右。而银行脆弱性受其自身影响较大，这一影响稳定在57%左右。这反映了我国银行脆弱性受自身因素影响较大，同时也会受到信贷规模及资产价格波动的影响。这一结论与谭政勋和魏琳[41]的研究结论一致，即信用扩张助推房价上涨，当二者带来的冲击从小到大，金融稳定状况将会受到影响。

以上递归分析表明，不同样本期的分析结果并没有发生改变，因此，本文结论具有稳健性。

图3 信贷规模、资产价格、银行脆弱性的预测误差方差分解

五、主要结论与政策启示

本文采用“有向无环图”(DAG)技术分析了信贷规模、资产价格波动与银行脆弱性三者之间的同期因果关系，并以此为基础进行了SVAR的识别及递归的预测方差分解，有效刻画三者之间的相互影响。由于DAG技术是基于数据的客观分析，因此本文较好地克服了Granger因果分析及固定样本下预测方差分解方法的局限性。

本文研究结果表明，信贷规模和银行脆弱性之间存在同期因果关系，而且资产价格和银行脆弱性之间也存在同期因果关系，但不存在资产价格和信贷规模之间的同期因果关系。即从同期来看资产价格对银行脆弱性有影响，信贷规模对银行脆弱性也有影响，但信贷规模与资产价格之间不存在影响。

同时结合DAG的固定样本和递归的预测方差分解结果显示，银行脆弱性对房地产价格波动的解释力十分有限，信贷规模对房地产价格波动的影响也很小，房地产价格主要受自身因素的影响。这说明房地产价格的波动主要来源于自身的价格运行机制，尤其是其价格的惯性变动，比如投机行为等。这意味着对房地产价格的调控要遵循市场运行规则，引导市场参与者形成合理预期，健全房地产市场相关秩序法规可能会有更好的效果。

研究结果还表明，银行脆弱性受信贷规模及房地产价格的双重影响，但相对房地产价格，信贷规模的影响更大。导致信贷和房地产价格对银行脆弱性影响不同的原因，可能是因为房地产市场资金的高门槛特征，使得其价格变化不能快速得到响应，而信贷的变化则能够快速传导，尤其是向银行部门的传导，几乎不存在滞后。这意味着要确保银行体系运行的稳健性，除了监管银行自身的各项指标外，则还需要同时关注信贷规模和房地产价格的波动。

[1]Hayek F A.Monetary theory and the trade cycle[J].1932

[2]Fisher I.The debt-deflation theory of great depressions[J].Econometrica:Journal of the Econometric Society，1933:337-357.

[3]Allen F，Gale D.Bubbles and crises[J].The economic journal，2000，110(460):236-255.

[4]袁志刚，樊潇彦.房地产市场理性泡沫分析[J].经济研究，2003(03):34-43.

[5]Keran M W.Expectations，money，and the stock market[J].Federal Reserve Bank of St.Louis Review，1971(January 1971)

[6]Chen N K.Asset price fluctuations in Taiwan:evidence from stock and real estate prices 1973 to 1992[J].Journal of Asian Economics，2001.12(2):215-232.

[7]Greiber C，Setzer R.Money and housing:Evidence for the Euro Area and the US[R].Deutsche Bundesbank Discussion Paper，2007.

[8]梁云芳，高铁梅，贺书平.房地产市场与国民经济协调发展的实证分析[J].中国社会科学，2006(3):74-84.

[9]肖本华.投资成本、信贷扩张与资产价格[J].世界经济，2008(9):66-73.

[10]桂荷发，邹朋飞，严武.银行信贷与股票价格动态关系研究[J].金融论坛，2008(11):46-52.

[11]王晓明.银行信贷与资产价格的顺周期关系研究[J].金融研究，2010(3):45-55.

[12]方意，赵胜民，谢晓闻.货币政策的银行风险承担分析——兼论货币政策与宏观审慎政策协调问题[J].管理世界，2012(11):9-19.

[13]Minsky H.The financial instability hypothesis[J].The Jerome Levy Economics Institute Working Paper，1992(74)

[14]Dell A G，Marquez R.Lending booms and lending standards[J].The Journal of Finance，2006.61(5):2511-2546.

[15]Borio C EV，Lowe P W.Asset prices，financial and monetary stability:exploring the nexus[J].BIS Working Paper，2002

[16]皮舜.中国房地产市场与金融市场的Granger因果关系分析[J].系统工程理论与实践，2004(12):29-33.

[17]马勇，杨栋，陈雨露.信贷扩张、监管错配与金融危机:跨国实证[J].经济研究，2009(12):93-105.

[18]Gujarati D N.Basic Econometrics.4th:New York:McGraw-Hill，2003

[19]Sims C A.Money，income，and causality[J].The A-merican Economic Review，1972:540-552.

[20]Abdullah D A，Rangazas P C.Money and the business cycle:another look[J].The Review of Economics and statistics，1988:680-685.

[21]Cooley T F，LeRoy S F.Atheoretical macroeconometrics:a critique[J].Journal of Monetary Economics，1985.16(3):283-308.

[22]Swanson N R，Granger C W J.Impulse response functions based on a causal approach to residual orthogonalization in vector autoregressions[J].Journal of the A-merican Statistical Association，1997，92(437):357-367.

[23]Pesaran M H.Generalized impulse response analysis in linear multivariate models[J].Economics letters，1998.58(1):17-29.

[24]Bernanke B S.Alternative explanations of the moneyincome correlation:Elsevier，1986.49-99.

[25]Pearl J.Causal diagrams for empirical research[J].Biometrika，1995.82(4):669-688.

[26]Spirtes P，Glymour C N，Scheines R.Causation，prediction，and search[M]:MIT press，2000.

[27]Bessler D A，Yang J.The structure of interdependence in international stock markets[J].Journal of international money and finance，2003，22(2):261-287.

[28]Awokuse T O.Export-led growth and the Japanese economy:evidence from VAR and directed acyclic graphs[J].Applied Economics Letters，2005，12(14):849-858.

[29]Yang J，Guo H，Wang Z J.International transmission of inflation among G-7 countries:A data-determined VAR analysis[J].Journal of Banking ＆ Finance，2006，30(10):2681-2700.

[30]吴文锋，靳莹.基于DAG方法的物价波动国际间传导研究[J].中国管理科学，2008(S1):481-485.

[31]杨子晖.财政政策与货币政策对私人投资的影响研究——基于有向无环图的应用分析[J].经济研究，2008(5):81-93.

[32]周泳宏，邓卫广.聚集条件下的多企业间外溢效应——基于 DAG与 Granger的面板分析[J].经济学，2010，9(001):533-552.

[33]Sims C A.Macroeconomics and reality[J].Econometrica:Journal of the Econometric Society，1980:1-48.

[34]Sims C A.Are forecasting models usable for policy analysis?[J].Federal Reserve Bank of Minneapolis Quarterly Review，1986，10(1):2-16.

[35]Rothenberg T J.Identification in Parametric Model，1971.577-591.

[36]Bessler D A，Wang Z J.D-separation，forecasting，and economic science:a conjecture[J].Theory and decision，2012，73(2):295-314.

[37]Kwon D H，Bessler D A.Graphical methods，inductive causal inference，and econometrics:a literature review[J].Computational Economics，2011，38(1):85-106.

[38]Pearl J.Causality:models，reasoning and inference[M].Cambridge Univ Press，2000.

[39]周京奎.房地产价格波动与投机行为——对中国14城市的实证研究[J].当代经济科学，2005(4):19-24.

[40]姜春海.中国房地产市场投机泡沫实证分析[J].管理世界，2005(12):71-84.

[41]谭政勋，魏琳.信贷扩张、房价波动对金融稳定的影响[J].当代财经，2010(9):44-51.