安徽省银行信贷与房地产价格关系研究

2020-08-13吴紫琳朱剑峰

阜阳师范大学学报(自然科学版) 2020年3期

吴紫琳，朱剑峰

（1.安徽大学经济学院，安徽合肥 230601；2.阜阳师范大学经济学院，安徽阜阳 236037）

关键字：银行信贷；房地产价格；VAR模型

房地产业目前仍保持过热的势头。房价居高不下一方面体现出住房处于供需不平衡状态，另一方面也预示着房地产泡沫可能在未来产生。从历史来看，房地产泡沫往往会引发银行信贷危机[1]：如20世纪90年代，日本泡沫经济的破裂与国内掀起投机热潮有关[2]。2016年我国房价攀升剧烈，政府出台各项政策稳房价、去库存，2018年初，银监会提及要继续遏制房地产泡沫化，政府工作报告要求继续坚持“房住不炒”定位。可见稳房地产市场是稳经济的重要举措[3]。据央行公布的报告显示，2019年房地产贷款余额占金融机构贷款余额的29%，比2015年的22%提高了7%。因此，房地产市场与金融市场有密不可分的关系[4]。鉴于此，对二者之间动态关系的研究，将有益于引导银行业与房地产业良性健康发展。

1 相关工作

学者们对银行信贷与房地产价格之间的关系主要存在3种观点。

第一种观点认为二者之间的关系表现为房地产价格对银行信贷的单向影响。王金彩以金融稳定的评价指标为依据构建模型，发现房地产价格的提高增加了银行信贷风险暴露[5]。赵燕等用不良贷款率作为商业银行信贷风险的衡量，得出结论：房价波动正向影响银行信贷风险，不良贷款拨备覆盖率则起反向影响效果[6]。第二种观点认为是银行信贷对房地产价格的单向影响。Dame等认为借款人的抵押贷款支付能力构成了房价变动的长期基础[7]。宋勃等认为一线城市银行信贷对房地产价格的冲击弱于二线城市但都表现为信贷单方面影响房价[8]。第三种观点认为银行信贷与房地产价格之间互为影响。王庆芳引入经济增长变量，分析得出房地产价格与银行信贷在短期内相互影响[9]。国世平等分析了1998-2015年相关数据认为短期内信贷对房价影响较显著，长期内则相反[10]。

对以往文献的梳理发现，由于截取的年限、变量设定方式不同，结论有差异。且过去的研究大多基于宏观层面，针对具体地域的研究较少。本文以具体地域—安徽省为对象，借鉴连素兰等的分析方法[11]，先从理论上简述二者的关系，再从现实表现和实证两个角度进行分析，最后为不同微观经济主体提出相应政策建议。

2 银行信贷与房地产价格关系的理论分析

2.1 银行信贷对房地产价格的影响机制

信贷对房地产价格的影响主要通过三个方面传导。首先，对房地产开发投资企业来说，信贷规模的扩大预示着企业能从银行借到更多款，这会降低企业的财务压力，一方面缓和企业抵御投资周期长的风险并提高其与购买方谈价议价能力，企业有更多的资金购买土地，在土地供给有限的情况下，必然会哄抬土地价格，刺激房价上涨[12]。其次，信贷政策变动会影响个人按揭贷款的意愿。信贷扩张使得贷款成本相应降低，在需求旺盛、供给缺乏弹性的市场条件下，房价提高[13]。最后，信贷总规模的改变会传递不同的市场信息，规模扩张预示着市场环境宽松，往往会刺激企业或个人的投资欲望，投资增多使得地产市场更加紧俏，扩大房产的真实价值。

2.2 房地产价格对银行信贷的影响机制

房地产价格对银行信贷的影响主要通过两个方面传导：当期房价变动与房价变动预期。第一点：房价上涨意味着企业和个人持有的固定资产价值提高，使得企业或个人更有能力和意愿向银行借款进行再投资和消费；同时以房屋作为抵押物的价值提高使银行的预期收益增加，进一步刺激银行的放款意愿[14]；另外政府通过银行信贷调控房产市场，房价波动异常时信贷规模相应发生调整[15]。第二点：当企业对房产业前景看好时，会加大从银行的贷款力度，开发更多楼盘以期获得高的投资回报率；由于住房需求是刚性的，个人预期未来房价上涨，通常会选择增加当期借款以降低未来还款的压力。

3 安徽省银行信贷与房地产价格关系的现实表现

3.1 安徽省银行信贷发展现状

伴随着安徽省经济的进步和金融改革的深入发展，银行信贷规模快速增长。图1反映了近20年来安徽省银行信贷的主要结构。2007年后，中长期贷款额远超于短期贷款额。

图1 安徽省近年来主要贷款结构

图2显示短期贷款额占信贷总规模的比例呈下降趋势，中长期贷款额占信贷总规模的比重则反方向变化。与房地产有关的贷款通常具有长期性。因而，中长期贷款数额不断增长趋势在一定程度上显现了安徽省房地产业的进步。

由图1和2知，近些年该省银行信贷规模保持适度增长趋势。但仍有一些未能规避和解决的问题。如2015年在经济下行的压力下，受企业经营困难等多方面因素影响，银行不良贷款余额大大增加，2017年银行不良贷款出现“双升”，全省农商行、村镇银行流动性下降，部分法人机构资本充足率水平下降等。另外，金融市场的信息不对称也是安徽省银行信贷市场所面临的问题之一。不健全的个人征信系统加大了银行经营风险。

图2 短期贷款和中长期贷款的变动趋势图

3.2 安徽省房地产业发展现状

安徽省房地产业在发展进程中体现了以下2个特点。

第一，房地产业发展速度快，逐渐成为安徽地区支柱性产业。由图3可见，1999年投资于房地产开发项目上的金额为74.07亿元，这一金额与地区生产总值之比为2.55%，2017年为5612.47亿元，占地区生产总值的20.77%，在十几年的发展进程中，房地产开发投资额翻了约76倍，对地区生产总值的贡献率增加了八倍，由此可见安徽省房地产业发展之迅速。

图3 1999年-2017年房地产开发投资额占地区生产总值

第二，相对于商品房而言，该省的住宅建设持续保持着主体地位。如图4，1999-2017年间，相对于其他类型的房屋开发，住宅类开发投资所占比重最大，占总开发投资的70%。

4 安徽省银行信贷与房地产价格实证分析

图4 住房开发投资与总开发投资的对比图

上文对安徽省房地产市场和银行信贷的发展现状做出了一定分析，为进一步验证二者关系，在考虑经济增长因素的前提下利用向量自回归（vector autoregression，VAR）模型进行实证分析。

4.1 模型的构建和变量的选取

VAR模型通常用于联合内生变量之间的动态关系的估计，它将模型中的每个内生变量视为模型里所有内生变量的滞后值的函数，事先不规定约束条件[16]。一般形式如下：

其中：Y、A、P、ε分别代表K维内生变量、相应的系数矩阵、内生变量滞后的阶数、K维随机扰动项。VAR模型虽然能避免外生变量与内生变量划分模糊带来的估计误差，但由于模型中往往存在多个系数，每一等式中的系数没有实际解释意义，因此还需要检验变量间的格兰杰因果关系、进行脉冲响应函数分析和方差分解。

取安徽省1999-2016年房价（P）、银行信贷（L）、地区生产总值（GDP）的相关数据构建模型。其中，P指安徽省商品房平均售价，L代表安徽省银行中长期贷款年末余额。

4.2 数据来源及处理

实证分析的数据主要在安徽省统计年鉴和中经网获得。为了防止可能出现的异方差影响并保持数据的平稳性，在构建模型前对数据进行对数处理[17]，处理过后的房地产价格、银行信贷、安徽省地区生产总值分别用lnP、lnL、ln GDP表示。

4.3 实证检验及结论分析

4.3.1 单位根检验

单位根（augmented Dickey-Fuller，ADF）检验即对数据平稳性的检验。在时间序列模型中，保证序列的平稳性至关重要，如果序列中存在单位根过程则表明序列是非平稳的，会出现伪回归现象[18]。对各变量进行平稳性检验，结果如表1。

表1 各变量的单位根检验结果

由表可知，在5%的显著性水平下三个变量都存在单位根过程，为非平稳序列。对三个变量进行一阶差分后，结果仍是不平稳。进一步对三个变量的二阶差分序列进行检验，发现统计量值都低于5%的显著性水平，lnP、lnL、ln GDP三个序列是二阶单整的，可以进行协整检验。

4.3.2 最优滞后期确定

选择最优滞后期是构建向量自回归模型的重要一步，对应不同的滞后期模型会出现不一样的估计结果。通常采用信息准则法确定最优滞后期，同时考量其他影响模型结果的因素。本文采用 AIC(Akaike info criterion)、SC（Schwarz criterion）、HQ（Hannan-Quinn）准则，发现当滞后三期时，这三个数值是最小的，因此认为滞后三期是最优滞后期。但滞后三期会损失较多的样本容量，且进行回归后脉冲响应函数收敛性不明显、各变量之间的相关性没有显现。综合考虑下，选择滞后期减少为一期。

表2 模型滞后阶数选择

4.3.3 协整（Johansen）检验

从上文的分析可以看出，安徽省房地产价格、银行信贷与地区生产总值序列都是二阶单整的，说明三个变量之间存在某种线性关系。可以通过协整检验验证这种关系[19]。由于本文选取了多个变量，因此采用Johansen协整检验对变量之间的协整关系以及协整关系的个数进行判断，见表3。

表3 Johansen协整检验结果

结果显示：原假设“协整秩为0”在5%的置信水平上被拒绝，接受原假设“协整秩为1”。因此模型只存在一个线性无关的协整向量，三个变量之间存在1个协整关系，这也说明房地产价格、银行信贷、地区生产总值之间存在长期的均衡关系。

4.3.4 格兰杰（Granger）因果检验

以上分析只能表明lnP、lnL、ln GDP三个变量之间包含一种长期的关系，为进一步探求三者之间的其他联系，引入格兰杰因果关系检验[20]。

假设有一组时间序列A、B，且序列具有平稳性，对B进行预测时，加入A的过去信息获得的预测结果优于只包含B的过去信息预测得到的结果，则表明变量A有助于解释和预测变量B，把这一过程称为Granger因果关系检验，变量A是变量B的格兰杰原因。

表4在5%的显著性水平下，拒绝原假设“lnL不是lnP的格兰杰原因”，即房地产价格可以由银行信贷的滞后期解释和预测；接受原假设“lnP不是lnL的格兰杰原因”，则说明房地产价格不能成为银行信贷的的格兰杰原因，这可能由两方面因素导致，首先银行信贷通常受财政政策影响，体现政府的政策导向，有较强的外生性，其次银行信贷不仅仅只包括房地产信贷，更涵盖了国民经济的方方面面，房地产价格变动可能不是影响其变动最主要的原因。

表4 格兰杰因果检验结果

4.3.5 脉冲响应函数和方差分解

脉冲响应函数刻画了当内生变量受到随机扰动项的一个标准差冲击后会如何改变当前及未来的变动轨迹[21]。通过脉冲响应函数我们可以获取变量之间的交互关系及影响效应。

图5（a）显示了房地产价格受到自身以及银行信贷一个标准差冲击后的反应，其对二者的反应都是正向的。对来自自身的冲击，房地产价格在第一期和第二期响应最大，大约为5.6%，从第三期开始这种响应出现减弱趋势，但仍高于对来自银行信贷冲击的响应，因而房地产价格有自促进的作用；对来自银行信贷的冲击，第三期之前响应速度较快，达到响应的最大值后速度缓慢下降。

图5（b）显示了银行信贷受到房地产价格以及自身一个标准差冲击后的响应。可以看出，银行信贷受到房地产价格一个标准差冲击后，除了第一期为正向响应，后期都是负向的，因而长期来看房产价格对银行信贷有抑制作用。对于本身的标准差冲击，银行信贷的响应都是正向的。

图5 脉冲响应函数图 (a)房价的脉冲响应函数图；(b)银行信贷的脉冲响应函数图

为了明确选取的三个变量对房地产价格与银行信贷的贡献度，分别对lnP、lnL进行方差分解[22]。图6横轴、纵轴分别表示滞后期数和贡献程度。房地产价格受自身影响最大，这种影响从期初开始逐渐减小，但始终占据较大比重，从第五期之后房地产价格对其自身变动的解释程度保持在75%左右，相比较而言，另外两个变量对房地产价格的贡献率逐渐增大且银行信贷的变化比地区生产总值变动更能解释房地产价格的变动。同样，房地产价格以及地区生产总值对银行信贷的贡献程度也不及银行信贷对自身的贡献度，长期来看这种贡献率稳定在85%。

5 结论与启示

5.1 结论

安徽省房地产价格、银行信贷、地区生产总值之间存在均衡关系。他们之间的因果关系表现为单向的格兰杰因果关系，即银行信贷的滞后期可以解释和预测房地产价格，房地产价格的滞后期则不能解释信贷变动。对于前者的理解在于银行信贷会通过不同的传导机制影响房地产价格，一方面银行信贷规模增加，房地产开发商能获得的贷款数额增加，这使其具有投资房产的资本以及应对提高房价带来的更长的销售周期的能力，这些都会增强开发商的垄断和议价能力；另一方面，无论何时家庭都存在住房的刚性需求，当银行对个人实施更优惠的放贷时，需求增加也会哄抬房价[23]；对于后者的理解在于银行信贷具有一定程度的外生性，其受宏观经济政策的影响较大，当出现恶意哄抬房价、炒房现象时，紧缩的信贷政策会伴随而生，经济不景气时房价往往会下跌，央行会通过扩张的货币政策影响银行的信贷规模以刺激刺激经济，因此房价对银行信贷的影响并不明显。

图6 方差分解图(a)房价的方差分解图;（b）银行信贷的方差分解图

5.2 启示

第一，对政府而言，当房地产市场出现不稳定因素时，政府不应仅充当“守夜人”的工作，而应主动采取逆房地产景气的相机抉择，把握调控的力度、注意政策的时滞性；完善信息公开制度，开展房地产市场信息采集和住房调查工作，记录各地区住房供求结构、居住环境等，使房地产市场信息公开透明；完善土地征用、出让、转让制度，抑制土地价格非正常上涨。

第二，对银行而言，加强对房地产信贷的风险管理，从风险识别到风险分析再到风险确认最后到风险总结，从加强对信贷从业人员的职业素能培养到严格贷款审核流程再到掌握贷款流向、回收期限等，最小化银行信贷风险；优化房地产信贷比例，引导房地产业健康发展。

第三，对房地产企业来讲，首先要在融资方面开拓多方渠道，仅依靠银行贷款不仅会加大资金风险同时筹措资金数量也较为有限。其次，在公司内部治理结构和内部控制方面建立相应的泡沫预警机制，减少不必要的跟风投资和决策失误。最后，优化产业结构，改善有效供给。安徽省尚属于欠发达的省份，中低收入者占绝大多数，对高档住房的需求较少，一方面大部分人买不起房，另一方面又存在大量的空房待售。因而房地产企业应该适当控制高档住宅小区的开发力度，增加保障性住房和经济适用房的建设，优化房地产市场的资源配置。