張華麗 張林藏 孫濤 張鴻飛 何思潤

【摘要】本文以河南省為例，通過查找中國統(tǒng)計(jì)年鑒、國泰安數(shù)據(jù)庫提取2005-2017年的指標(biāo)數(shù)據(jù)，運(yùn)用Eviews軟件利用逐步回歸的方法建立房價(jià)回歸模型，然后加入信用利差，再次作回歸得到更加準(zhǔn)確的房價(jià)回歸模型，最后對(duì)模型進(jìn)行相應(yīng)的檢驗(yàn)及分析。得出結(jié)論：與傳統(tǒng)模型相比，信用風(fēng)險(xiǎn)的加入使得模型預(yù)測精度提高，更好的擬合實(shí)際數(shù)據(jù)，反映真實(shí)經(jīng)濟(jì)狀況。最后提出合理的建議：適當(dāng)?shù)慕∪珎€(gè)人信用制度，加強(qiáng)商業(yè)銀行內(nèi)部信貸管理，來防范商業(yè)銀行個(gè)人住房的信貸風(fēng)險(xiǎn)，從而使房價(jià)得以穩(wěn)定。本文結(jié)論對(duì)河南省未來住房政策的制定具有一定的指導(dǎo)意義。

【關(guān)鍵詞】信用風(fēng)險(xiǎn);逐步回歸;多重共線性

1、引言

房價(jià)一直是社會(huì)穩(wěn)定的一個(gè)重要因素，在以銀行為主的間接融資背景下，一方面房價(jià)上漲提高了抵押物價(jià)值，增強(qiáng)了購房者的還款信心，進(jìn)而降低了購房者的違約風(fēng)險(xiǎn);另一方面企業(yè)和購房者的違約風(fēng)險(xiǎn)上升使得銀行面臨呆帳壞帳的可能性增大，誘使貸款利率上升。近年來河南省房價(jià)一直呈持續(xù)上升的狀態(tài)，房價(jià)的持續(xù)上漲掩蓋了商業(yè)銀行個(gè)人住房信貸風(fēng)險(xiǎn)，房價(jià)的大幅度上漲可能引發(fā)的商業(yè)銀行個(gè)人住房信貸風(fēng)險(xiǎn)管理。因此，如何利用好住房抵押貸款的證券化，了解信用風(fēng)險(xiǎn)跟房價(jià)之間的相互作用，對(duì)我國宏觀經(jīng)濟(jì)的發(fā)展、商業(yè)銀行的經(jīng)營效益都是一個(gè)重要的內(nèi)容。

本文將基于計(jì)量經(jīng)濟(jì)模型并利用Eviews軟件，采用逐步回歸的方法建立房價(jià)回歸模型，運(yùn)用經(jīng)濟(jì)理論、多重共線性、自相關(guān)和異方差檢驗(yàn)保證了模型的有效性，再加入信用風(fēng)險(xiǎn)指標(biāo)，通過與真實(shí)值對(duì)比，進(jìn)而得出信用風(fēng)險(xiǎn)對(duì)房價(jià)的影響規(guī)律，對(duì)河南省的住房政策提供數(shù)據(jù)支持。

2、模型的構(gòu)建與分析

2.1模型變量的選取

影響房價(jià)的指標(biāo)體系主要包括需求、供給和宏觀經(jīng)濟(jì)三方面。[1]本文主要研究的經(jīng)濟(jì)指標(biāo)包括河南省房地產(chǎn)開發(fā)企業(yè)土地成交價(jià)款X1、城鎮(zhèn)人口X2、外資投資額X3、地方財(cái)政房產(chǎn)稅X4、人均地區(qū)生產(chǎn)總值X5、居民消費(fèi)水平X6、城鎮(zhèn)在崗職工平均工資X7、金融危機(jī)X8、房地產(chǎn)開發(fā)企業(yè)總資產(chǎn)X9、房價(jià)滯后一期X10;其他因素不給予考慮。信用風(fēng)險(xiǎn)有很多種，本文用的反映信用風(fēng)險(xiǎn)的指標(biāo)是信用利差X11。[2]

2.2數(shù)據(jù)處理

本文在河南省統(tǒng)計(jì)局的《中國統(tǒng)計(jì)年鑒表 2018》及《國泰安數(shù)據(jù)庫》中選取變量2005-2017年的相關(guān)數(shù)據(jù)，利用Eviews軟件進(jìn)行標(biāo)準(zhǔn)化處理。

2.3建立房價(jià)回歸模型

2.3.1建模思想

把河南省商品房銷售價(jià)格也即是房價(jià)作為因變量Y，其他指標(biāo)作為自變量，利用Eviews軟件進(jìn)行逐步回歸分析。由于選取的經(jīng)濟(jì)指標(biāo)大多數(shù)存在嚴(yán)重的多重共線性，所以選擇逐步回歸法可以消除多重共線性，從而使得到的房價(jià)回歸模型更加合理。[2]

逐步回歸的基本思想是將經(jīng)濟(jì)指標(biāo)逐個(gè)引入模型，每引入一個(gè)自變量后都要進(jìn)行F檢驗(yàn)，并對(duì)已經(jīng)選入的自變量逐個(gè)進(jìn)行t檢驗(yàn)，當(dāng)前面引入的解釋變量由于后引入的解釋變量的引入變得不再顯著時(shí)，則將其刪除。以確保每次引入新的變量之前回歸方程中只包含顯著性變量。反復(fù)進(jìn)行，直到既沒有顯著的解釋變量選入回歸方程，也沒有不顯著的解釋變量從回歸方程中剔除為止。以保證最后所得到的解釋變量集是最優(yōu)的。[3]

2.3.2房價(jià)回歸模型如下：

Y=755.227+0.17831X_1+0.14207X_5-0.03845X_7-220.687X_8

標(biāo)準(zhǔn)差 （53.118）（0.014） （0.015） （47.076）? （0.198）

由Eviews軟件運(yùn)行結(jié)果可知，模型的可決系數(shù)為0.999，修正的可決系數(shù)為0.998，說明模型擬合效果較好，擬合優(yōu)度大。F統(tǒng)計(jì)量為2318.990，它對(duì)應(yīng)的概率p值近似為零，在顯著水平α為0.05，由于p值小于α，拒絕回歸方程顯著性檢驗(yàn)的零假設(shè)，認(rèn)為回歸系數(shù)不同時(shí)為零，被解釋變量與解釋變量全體的線性關(guān)系是顯著的。模型利用逐步回歸法消除了多重共線性的影響。模型的DW值為1.9505，經(jīng)檢驗(yàn)不存在異方差。模型全部通過了檢驗(yàn)，該模型可以作為初步的房價(jià)回歸模型。

為了和加入信用風(fēng)險(xiǎn)之后的房價(jià)回歸模型作對(duì)比，本文先根據(jù)初步建立的房價(jià)回歸模型預(yù)測出2017年的房價(jià)，通過和2017年真實(shí)房價(jià)對(duì)比，計(jì)算出預(yù)測的相對(duì)誤差。根據(jù)查找的數(shù)據(jù)可以知道2017年房價(jià)真實(shí)值為5333，模型預(yù)測值為5328.48，利用公式：

相對(duì)誤差=（預(yù)測值-真實(shí)值）/真實(shí)值

通過計(jì)算該模型預(yù)測的相對(duì)誤差為0.495%，誤差在允許范圍之內(nèi)，說明該房價(jià)回歸模型可以作為下面研究的基礎(chǔ)模型。

2.4模型優(yōu)化

在初步建立的房價(jià)回歸模型的基礎(chǔ)上，加入反映信用風(fēng)險(xiǎn)的指標(biāo)信用利差，得到以下模型二：

Y=184.06+0.342X_1+0.143X_5-0.0384X_7-146.96X_8+〖166.16X〗_11

標(biāo)準(zhǔn)差 （142.84）（0.122）（0.008） （0.008） （32.712） （40.578）

由Eviews軟件運(yùn)行結(jié)果可知，模型的可決系數(shù)為0.999，修正的可決系數(shù)為0.999，說明模型擬合效果較好。F統(tǒng)計(jì)量為5515.093，它對(duì)應(yīng)的概率p值近似為零，在顯著水平α為0.05，由于p值小于α，拒絕回歸方程顯著性檢驗(yàn)的零假設(shè)，認(rèn)為回歸系數(shù)不同時(shí)為零，被解釋變量與解釋變量全體的線性關(guān)系是顯著的。模型利用逐步回歸法消除了多重共線性的影響。經(jīng)檢驗(yàn)?zāi)Ｐ偷腄W值為1.93，不存在異方差。

本文把加入信用風(fēng)險(xiǎn)的房價(jià)回歸模型與初步建立的房價(jià)回歸模型作對(duì)比，再次計(jì)算出模型預(yù)測的相對(duì)誤差，2017年房價(jià)真實(shí)值為5333，模型預(yù)測值為5354.07，利用公式：

相對(duì)誤差=（預(yù)測值-真實(shí)值）/真實(shí)值

計(jì)算出模型預(yù)測的相對(duì)誤差為0.0173%

2.5模型對(duì)比

通過以上兩個(gè)房價(jià)回歸模型可以看出，加入信用風(fēng)險(xiǎn)之后的模型擬合效果更好，回歸系數(shù)更顯著，最主要的是模型預(yù)測的相對(duì)誤差較小，表明信用風(fēng)險(xiǎn)是影響房價(jià)的一個(gè)重要因素。從模型結(jié)果系數(shù)為正可以看出信用風(fēng)險(xiǎn)與房價(jià)有正相關(guān)關(guān)系，由此可以看出減少信用風(fēng)險(xiǎn)可以抑制房價(jià)。

3、結(jié)論及建議

3.1結(jié)論

本文研究發(fā)現(xiàn)信用風(fēng)險(xiǎn)對(duì)房價(jià)有正向作用，作為連接房地產(chǎn)商和購房者的銀行為了轉(zhuǎn)移自身風(fēng)險(xiǎn)，不斷提高貸款利率，對(duì)于房價(jià)上漲有很大促進(jìn)作用。房價(jià)上漲雖然對(duì)我國GDP貢獻(xiàn)很大，但是對(duì)我國人民的生活質(zhì)量的影響也是不容忽視的，越來越多的人成為“房奴”，幸福指數(shù)普遍下降。在中國當(dāng)下這個(gè)房價(jià)持續(xù)上漲的環(huán)境中，投資住房的確是一個(gè)不錯(cuò)的選擇，這也使得購房需求增加，拉動(dòng)房價(jià)上漲，但對(duì)于普通老百姓來說，超高的房價(jià)使得基本的住房需求都成為困難。

3.2建議

近年來國家主席提出房子是用來住的不是用來炒的，從根本上指出只有從需求端下手才能從根本上抑制房價(jià)上漲。因此建議人們把投資的方向轉(zhuǎn)向提升綜合國力的產(chǎn)業(yè)方面，一味靠炒房價(jià)提升的GDP都是虛擬的，對(duì)于中國這樣的人口大國，關(guān)注GDP的同時(shí)更應(yīng)該關(guān)注普通人民的生活狀態(tài)，14億人口不是幾個(gè)“王健林”、“李嘉誠”可以帶動(dòng)的。

參考文獻(xiàn)：

[1]張雙妮.基于逐步回歸模型擬合房價(jià)預(yù)測模型[J].現(xiàn)代農(nóng)業(yè)研究，2019（2）.

[2]鄭勇.信用風(fēng)險(xiǎn)、房價(jià)與宏觀經(jīng)濟(jì)波動(dòng)[J].暨南學(xué)報(bào)，2018（7）.

[3]龐皓.計(jì)量經(jīng)濟(jì)學(xué)[M].出版地：科學(xué)出版社，2014：2-255.

[4]鐘麗燕，高淑蘭 .多元線性回歸模型在房價(jià)走勢分析與預(yù)測中的應(yīng)用[J].科技創(chuàng)業(yè)月刊，2017（5）.

[5]楊信武.房價(jià)波動(dòng)與我國商業(yè)銀行個(gè)人住房信貸風(fēng)險(xiǎn)管理研究[J].南昌大學(xué)，2010（06）.

[6]吳鴻波.淺析房價(jià)與商業(yè)銀行的信用風(fēng)險(xiǎn)--商業(yè)銀行對(duì)房價(jià)的“矛盾感情”[J].當(dāng)代經(jīng)濟(jì)，2009（01）.

[7]李勝.我國商業(yè)銀行住房抵押貸款風(fēng)險(xiǎn)研究[J].中國財(cái)經(jīng)大學(xué)，2015（06）.

[8]沈中華，管超，華盛，等.信用評(píng)級(jí)有效性研究--發(fā)行利差的解構(gòu)視角[J].吉林大學(xué)社會(huì)科學(xué)學(xué)報(bào)，2018（11）.

[9]王賽.基于經(jīng)濟(jì)資本的我國商業(yè)銀行信用風(fēng)險(xiǎn)管理—以上市房地產(chǎn)為例[J].中國海洋大學(xué)，2010（06）.

[10]劉爽.商業(yè)銀行個(gè)人住房抵押貸款信用風(fēng)險(xiǎn)分析—基于邯鄲市的實(shí)證研究[J].華中師范大學(xué)，2018（05）.

[11]黃俊杰.我國商業(yè)銀行房地產(chǎn)信貸的風(fēng)險(xiǎn)研究[J].上海外國語大學(xué)，2018（05）.

作者簡介：

張華麗（1997.03），女，漢，河南省周口市，華北水利水電大學(xué)，學(xué)生，本科，金融數(shù)學(xué);

張林藏（1999.02），女，漢，河南省南陽市，華北水利水電大學(xué)，學(xué)生，本科，金融數(shù)學(xué);

孫濤（1998.08），男，漢，山西省晉城市，華北水利水電大學(xué)，學(xué)生，本科，金融數(shù)學(xué);

張鴻飛（1998.12），男，漢，河南省洛陽市，華北水利水電大學(xué)，學(xué)生，本科，金融數(shù)學(xué);

何思潤（1998.02），男，漢，云南省昆明市，華北水利水電大學(xué)，學(xué)生，本科，金融數(shù)學(xué)。