鄭 鵬 王宇釗

（中國人民銀行南通市中心支行 江蘇南通 226000）

引言

2016 年中央經(jīng)濟(jì)工作會議首次提出“房子是用來住的、不是用來炒的”定位，這也為未來我國房地產(chǎn)行業(yè)的發(fā)展指明了方向。2016 年，房地產(chǎn)調(diào)控政策密集出臺，2017年，更多的城市加入到調(diào)控大軍中，調(diào)控政策也更加全面，2018～2020 年持續(xù)加大調(diào)控力度，我國房地產(chǎn)業(yè)在此期間處于深度調(diào)整階段。2021 年，房地產(chǎn)政策呈現(xiàn)明顯的“先緊后松”特征。其中，7 月份之前執(zhí)行了比較嚴(yán)厲的政策，包括房企融資“三條紅線”“銀行房地產(chǎn)貸款集中度管理”等，防范房地產(chǎn)市場風(fēng)險(xiǎn)和房地產(chǎn)金融風(fēng)險(xiǎn)的相關(guān)提法明顯增多。然而，8 月份以來，受部分房企爆雷、新冠感染“散點(diǎn)多發(fā)”等原因影響，房地產(chǎn)市場快速且持續(xù)降溫，房地產(chǎn)政策出現(xiàn)重要變化，主要體現(xiàn)在對房企金融風(fēng)險(xiǎn)的關(guān)注、對房貸投放的放松等方面。

近年來，隨著我國資本市場改革發(fā)展的不斷深入，銀行愈發(fā)重視金融創(chuàng)新，推出了種類豐富的金融創(chuàng)新產(chǎn)品，金融機(jī)構(gòu)之間的合作明顯增多，我國整個(gè)金融部門杠桿率不斷上升。從公開的市場數(shù)據(jù)看，目前我國銀行機(jī)構(gòu)整體杠桿率較高，風(fēng)險(xiǎn)積累程度亦較高，因此，有必要深入研究銀行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)。

隨著我國生產(chǎn)力水平的提高，金融與經(jīng)濟(jì)的迅速發(fā)展，不同產(chǎn)業(yè)與行業(yè)之間的關(guān)聯(lián)性越來越高，行業(yè)間的金融風(fēng)險(xiǎn)傳染效應(yīng)也是專家學(xué)者與政策制定部門重點(diǎn)關(guān)注的內(nèi)容。在我國，銀行業(yè)作為金融體系的中流砥柱，與房地產(chǎn)業(yè)存在緊密的聯(lián)系，兩個(gè)行業(yè)均極易受到市場經(jīng)濟(jì)波動的沖擊，在當(dāng)前經(jīng)濟(jì)形勢變化無常的情況下，研究兩個(gè)行業(yè)間系統(tǒng)性風(fēng)險(xiǎn)的傳導(dǎo)機(jī)制與風(fēng)險(xiǎn)溢出強(qiáng)度就顯得十分重要。

一、文獻(xiàn)綜述

（一）風(fēng)險(xiǎn)傳染機(jī)制的國內(nèi)外研究綜述

Kaufman（1996）和González-Hermosillo（1997）從風(fēng)險(xiǎn)傳染角度定義了系統(tǒng)性金融風(fēng)險(xiǎn)：單一事件通過風(fēng)險(xiǎn)傳染效應(yīng)影響整個(gè)金融體系，使金融體系發(fā)生崩潰的可能性。學(xué)者主要從以下兩個(gè)角度分析風(fēng)險(xiǎn)傳染的原因和機(jī)制：

一是信息不對稱的角度。Minsky（1979）認(rèn)為因?yàn)榇嬖谛畔⒉粚ΨQ，銀行無法識別客戶所有的風(fēng)險(xiǎn)，當(dāng)經(jīng)濟(jì)危機(jī)發(fā)生時(shí)，單家銀行存在數(shù)個(gè)風(fēng)險(xiǎn)較高的客戶，這些客戶無法及時(shí)償還債務(wù)的概率將會變大，銀行也面臨極大的違約風(fēng)險(xiǎn)。Davis 和Zhu（2011）研究了17 個(gè)國家的房地產(chǎn)價(jià)格和銀行信貸之間的關(guān)系，發(fā)現(xiàn)兩者之間不是互為因果的關(guān)系，僅房價(jià)上漲使銀行信貸擴(kuò)張，反之不成立。平新喬和楊慕云（2009）認(rèn)為，信貸違約產(chǎn)生的主要原因是銀行無法控制借款人獲得貸款后的行為，且對于借款人的真實(shí)還款能力未進(jìn)行細(xì)致的貸后管理，即主要不是事前的信息不對稱而是事后的信息不對稱。Manz（2010）認(rèn)為信息不對稱會提高投資不理性行為發(fā)生的概率，尤其會增加高杠桿資產(chǎn)投資項(xiàng)目的融資風(fēng)險(xiǎn)，并將風(fēng)險(xiǎn)傳染給銀行。況偉大（2011）認(rèn)為房價(jià)下跌,房地產(chǎn)信貸可能會嚴(yán)重萎縮,引發(fā)嚴(yán)重的違約風(fēng)險(xiǎn),進(jìn)而導(dǎo)致金融危機(jī)的發(fā)生。趙志明（2020）發(fā)現(xiàn)由于存在信息不對稱性，低成本銀行可以通過降低投資水平來傳遞真實(shí)的風(fēng)險(xiǎn)信息。王天（2022）從信息不對稱視角研究中小企業(yè)融資問題，建議銀行不斷提高貸款審核技術(shù)，減少因信息不對稱性而導(dǎo)致的風(fēng)險(xiǎn)傳染。

二是銀行體系的脆弱性角度。Gorton（1986）認(rèn)為同業(yè)拆借市場是銀行業(yè)風(fēng)險(xiǎn)傳染的主要途徑，且銀行業(yè)的脆弱性與宏觀經(jīng)濟(jì)的周期性存在聯(lián)系。Allen 和Gale（2000）認(rèn)為，投資者使用從銀行借來的資金投資于風(fēng)險(xiǎn)資產(chǎn)，投資者可以通過拖欠貸款來避免低回報(bào)情形下的損失，當(dāng)積極的信貸擴(kuò)張無法防范危機(jī)時(shí)，將會引發(fā)金融體系的脆弱性問題。谷小青（2004）認(rèn)為，信貸規(guī)模的不斷膨脹使得具有內(nèi)在脆弱性的銀行機(jī)構(gòu)變得更加脆弱。王芳（2007）利用VaR 模型度量房地產(chǎn)泡沫的風(fēng)險(xiǎn)價(jià)值，為防范風(fēng)險(xiǎn)及風(fēng)險(xiǎn)管理提供依據(jù)。張雯（2009）認(rèn)為中國對房地產(chǎn)業(yè)的行政干預(yù)較多,導(dǎo)致市場機(jī)制不健全，銀行機(jī)構(gòu)在滿足房地產(chǎn)業(yè)信貸融資需求的同時(shí),也承擔(dān)了較高的風(fēng)險(xiǎn)。蔡真（2018）從銀行體系、地方政府債務(wù)、高房價(jià)已形成資本外逃壓力三個(gè)方面進(jìn)分析，闡明了房地產(chǎn)市場是系統(tǒng)性金融風(fēng)險(xiǎn)重要監(jiān)控領(lǐng)域的原因。梁秋霞（2021）發(fā)現(xiàn)，房價(jià)上漲會顯著增加系統(tǒng)性金融風(fēng)險(xiǎn)，并使金融杠桿與地方政府杠桿上升。

（二）風(fēng)險(xiǎn)溢出的國內(nèi)外研究綜述

1993 年，G30 成員在《衍生產(chǎn)品的實(shí)踐和規(guī)則》中正式將VaR 作為金融機(jī)構(gòu)市場風(fēng)險(xiǎn)的量化工具。目前，VaR模型已成為金融領(lǐng)域測量市場風(fēng)險(xiǎn)的主要方法。Hamao 和Masulis（1990）提出波動“溢出效應(yīng)”理論，作為風(fēng)險(xiǎn)溢出理論的研究基礎(chǔ)，運(yùn)用ARCH 模型研究了美國、英國、日本股價(jià)波動溢出效應(yīng)。國外學(xué)者從市場、區(qū)域等角度完善風(fēng)險(xiǎn)溢出效應(yīng)理論，如Adian 和Bruunermeier（2008）創(chuàng)新提出CoVaR 模型，與VaR 模型相比，將風(fēng)險(xiǎn)溢出效應(yīng)納入VaR模型框架中，有效研究和衡量了系統(tǒng)性風(fēng)險(xiǎn)。

對于CoVaR 模型的深入研究，董秀良等（2009）利用多元GARCH 模型，對美國、日本與我國上海、香港股市間的波動性溢出效應(yīng)進(jìn)行了研究。李志海等（2009）利用ARMA-GARCH 模型，研究了A股和大同煤業(yè)股票收益率的風(fēng)險(xiǎn)溢出效應(yīng)。謝福座（2010）利用GARCH-Copula-CoVaR 模型，分析了亞洲三大股票市場間的風(fēng)險(xiǎn)溢出效應(yīng)。高國華、潘英麗（2011）利用AR-GARCH 模型測算分析14 家上市商業(yè)銀行對系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度，發(fā)現(xiàn)商業(yè)銀行的系統(tǒng)性風(fēng)險(xiǎn)貢獻(xiàn)度與自身的風(fēng)險(xiǎn)無關(guān)。劉建和等（2015）利用GEDEGARCH 模型，分析了上海、倫敦期貨交易所中銅期貨市場的風(fēng)險(xiǎn)溢出效應(yīng)。沈悅等（2014）利用GARCH-Copula-CoVaR 模型，研究了銀行、保險(xiǎn)等行業(yè)的系統(tǒng)性風(fēng)險(xiǎn)程度以及這些行業(yè)之間風(fēng)險(xiǎn)溢出效應(yīng)。劉向麗等（2014）利用AR-GARCH-CoVaR 模型，發(fā)現(xiàn)作為銀行投資的僅次于制造業(yè)的第二大投資行業(yè)，房地產(chǎn)貸款產(chǎn)生的風(fēng)險(xiǎn)與金融系統(tǒng)內(nèi)在系統(tǒng)性風(fēng)險(xiǎn)幾乎相同。江紅莉等（2014）利用GARCHEVT 模型、VaR-Granger 因果關(guān)系檢驗(yàn)?zāi)Ｐ汀oVaR 模型，研究了房地產(chǎn)與銀行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)，發(fā)現(xiàn)房地產(chǎn)業(yè)對銀行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)略高于銀行業(yè)對房地產(chǎn)業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)。Pan Z.（2019）等開發(fā)了HVS-GARCH 模型，并利用該模型計(jì)算了美國股票市場對英國、法國等五個(gè)主要股票市場的風(fēng)險(xiǎn)溢出效應(yīng)，發(fā)現(xiàn)美國對這些股票市場都有著較強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)。張禹隆等（2022）利用DCCGARCH 模型，對2016～2021 年房地產(chǎn)業(yè)與銀行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行研究，發(fā)現(xiàn)房地產(chǎn)“三條紅線”新規(guī)對風(fēng)險(xiǎn)溢出效應(yīng)有著較明顯的抑制效應(yīng)。

二、風(fēng)險(xiǎn)傳染機(jī)制研究

（一）分析方法的選擇

VAR 模型是自回歸模型的聯(lián)立形式，所以稱向量自回歸模型，能夠分析兩個(gè)變量之間的關(guān)系，具體表達(dá)式如下：

（二）指標(biāo)選取和數(shù)據(jù)說明

本文選取2000～2022 年1 季度末這一時(shí)間段內(nèi)我國房地產(chǎn)價(jià)格指數(shù)、銀行機(jī)構(gòu)各項(xiàng)貸款余額兩個(gè)指標(biāo)的季度數(shù)據(jù)。其中房地產(chǎn)價(jià)格指數(shù)（HPI）用全國商品房銷售額除以銷售面積計(jì)算，銀行機(jī)構(gòu)各項(xiàng)貸款余額（LOAN）直接從wind 抓取，為縮小數(shù)據(jù)的絕對數(shù)值，兩個(gè)樣本指標(biāo)數(shù)據(jù)均取對數(shù)。

表1 變量描述性統(tǒng)計(jì)

（三）實(shí)證分析

1.平穩(wěn)性檢驗(yàn)。本文選取平穩(wěn)性檢驗(yàn)方法為單位根檢驗(yàn)（ADF 檢驗(yàn)），檢驗(yàn)結(jié)果如下表2：

表2 變量平穩(wěn)性檢驗(yàn)

檢驗(yàn)結(jié)果顯示，各變量的t 統(tǒng)計(jì)值均大于1%置信水平下的臨界值，接受了存在單位根的原假設(shè)，表明兩個(gè)時(shí)間序列是非平穩(wěn)性序列，而各變量一階差分值都拒絕了原假設(shè)，說明這兩個(gè)時(shí)間序列均是一階差分平穩(wěn)序列，因此下面建立的VAR 模型是需要進(jìn)行協(xié)整檢驗(yàn)與誤差修正的。

2.協(xié)整關(guān)系檢驗(yàn)和誤差修正模型的建立。根據(jù)單位根檢驗(yàn)結(jié)果，得出HPI、LOAN 均是一階單整。首先，應(yīng)對模型的最大滯后階數(shù)進(jìn)行確定。由表3 可知，滯后5 期，AIC=-8.73636 最小，同時(shí)，根據(jù)“*”標(biāo)記的不同準(zhǔn)則，綜合考慮確定該模型的最大滯后階數(shù)為5。

表3 VAR 模型最大滯后階數(shù)確定準(zhǔn)則

其次，對各變量進(jìn)行Jonhansen 協(xié)整檢驗(yàn)，結(jié)果見表4。跡檢驗(yàn)結(jié)果表明，只有一個(gè)線性無關(guān)的協(xié)整向量（上表中打星號者）。最大特征根檢驗(yàn)表明，可以在5%的水平上拒絕“協(xié)整秩為0”的原假設(shè)，但無法拒絕“協(xié)整秩為1”的原假設(shè)，兩者得出的結(jié)論都為存在一個(gè)協(xié)整向量。

表4 VAR 協(xié)整檢驗(yàn)結(jié)果

然后，利用Johansen 的MLE 方法估計(jì)該系統(tǒng)的向量修正模型（VECM），得出協(xié)整方程（見表5）。根據(jù)表中信息，可以將估計(jì)函數(shù)表達(dá)為：

表5 協(xié)整方程

從上面方程可以看出房地產(chǎn)價(jià)格與銀行機(jī)構(gòu)貸款存在正向的均衡變動關(guān)系，但仍需檢驗(yàn)VECM 模型的殘差是否存在自相關(guān)，以及檢驗(yàn)VECM 模型是否穩(wěn)定，具體見表6與圖1，表6 中p 值均大于5%，接受原假設(shè)，VECM 模型不存在自相關(guān)。圖1 顯示，除了VECM 模型本身所假設(shè)的單位根之外，伴隨矩陣的所有特征值均落在單位圓之內(nèi)因此是穩(wěn)定的。

圖1 VECM 模型穩(wěn)定性檢驗(yàn)

表6 VECM 模型相關(guān)性檢驗(yàn)

，

3.格蘭杰因果檢驗(yàn)與脈沖響應(yīng)分析。由于格蘭杰因果檢驗(yàn)反映的是時(shí)間先后關(guān)系，并非真實(shí)的因果關(guān)系。因此，在該檢驗(yàn)滯后階數(shù)的選擇中，本文選擇不同的滯后階數(shù)，反映房地產(chǎn)價(jià)格變化對銀行業(yè)務(wù)影響的作用時(shí)間。結(jié)果顯示（見表7），在協(xié)整關(guān)系存在長期正向關(guān)系的情況下，房價(jià)波動與銀行信貸之間也存在雙向的格蘭杰因果關(guān)系，且其沖擊能夠立刻反映出來。

表7 格蘭杰因果檢驗(yàn)結(jié)果

由于格蘭杰因果檢驗(yàn)屬于外生性檢驗(yàn)，僅體現(xiàn)事件發(fā)生的先后關(guān)系，并不能說明事件之間所存在的因果關(guān)系。因此，接下來通過脈沖響應(yīng)函數(shù)進(jìn)一步分析房地產(chǎn)業(yè)與銀行業(yè)的風(fēng)險(xiǎn)傳染關(guān)系。

由圖2 可以發(fā)現(xiàn)，房價(jià)波動受到自身沖擊的影響最大，開始達(dá)到5%，隨著時(shí)間推移，波動開始變緩，說明受到大眾預(yù)期的影響，房價(jià)開始上漲較快，但隨著預(yù)期向理性回歸，房價(jià)上升逐漸趨于平緩。銀行貸款對房價(jià)的沖擊響應(yīng)開始為0，逐步上升后趨于平穩(wěn)，說明銀行信貸擴(kuò)張將長期推動房價(jià)上升，且長期影響更大。銀行信貸增長受到自身的沖擊最大，房價(jià)的增長同樣會使信貸規(guī)模增長，且長期影響程度更高。

圖2 脈沖響應(yīng)圖

綜上所述，從協(xié)整方程和脈沖響應(yīng)的分析結(jié)果看，房價(jià)波動受到銀行信貸的影響。從長期來看，房價(jià)波動與銀行信貸是同向變動的，據(jù)此可以對房地產(chǎn)業(yè)與銀行風(fēng)險(xiǎn)傳染效應(yīng)展開進(jìn)一步的研究。

三、風(fēng)險(xiǎn)傳染效應(yīng)研究

（一）分析方法的選擇

目前，學(xué)術(shù)界認(rèn)同度最高的風(fēng)險(xiǎn)溢出的測量方法是Adian 和Brunnermeier 提出的CoVaR 理論（條件在險(xiǎn)價(jià)值），其中以GARCH 模型為基礎(chǔ)的CoVaR 既能計(jì)算資產(chǎn)在一定置信度下最大的損失值，也能準(zhǔn)確分析極端事件下風(fēng)險(xiǎn)的情況，故本文選用GARCH-CoVaR 模型進(jìn)行風(fēng)險(xiǎn)溢出效應(yīng)度量。

1.ARMA-GARCH 模型。時(shí)間序列中金融資產(chǎn)價(jià)格波動具有集聚性，使模型殘差序列無法滿足同方差假定，因此本文引入廣義ARCH 模型（GARCH）來擬合股票的收益率，其中均值方程由自回歸移動平均模型（ARMA）來建立。ARMA（p，q）與GARCH 模型的表達(dá)式如下：

2.VaR 與CoVaR 模型。VaR 指是在一定置信度水平下，單家機(jī)構(gòu)或市場金融資產(chǎn)在未來特定時(shí)期內(nèi)有可能的最大損失。其表達(dá)式如下：

其中，Pt+i-Pt為某一金融資產(chǎn)在一定持有期i 的價(jià)值損失額，Pr為資產(chǎn)價(jià)值損失小于可能損失上限的概率，VaR為給定置信水平a 下的在險(xiǎn)價(jià)值，即可能的損失上限，a 為給定的置信水平，μt為ARMA 模型計(jì)算出來的均值，σt為GARCH 模型計(jì)算出來的條件方差，Qq 為q 置信水平的分位數(shù)。

CoVaR 模型的定義為在某一置信度水平下，單一機(jī)構(gòu)（市場）對其另一機(jī)構(gòu)（市場）的風(fēng)險(xiǎn)溢出效應(yīng)，具體表達(dá)式如下：

其中，CoVaR 表示j 機(jī)構(gòu)（市場）處于極端不利情況下，i 所面臨的風(fēng)險(xiǎn)，因?yàn)镃oVaR 不僅包括單個(gè)機(jī)構(gòu)（市場）i對其他機(jī)構(gòu)（市場）j 的風(fēng)險(xiǎn)溢出，還包含自身的風(fēng)險(xiǎn)損失。因此在研究機(jī)構(gòu)間風(fēng)險(xiǎn)溢出效應(yīng)時(shí)，還需將計(jì)算的CoVaR值減去本機(jī)構(gòu)（市場）正常情況下最大風(fēng)險(xiǎn)損失值，具體表達(dá)式如下：

若需要深入研究單家機(jī)構(gòu)（市場）j 對另一機(jī)構(gòu)（市場）i的風(fēng)險(xiǎn)溢出程度，可以在此基礎(chǔ)上將風(fēng)險(xiǎn)值進(jìn)行標(biāo)準(zhǔn)處理：

3.GARCH-CoVaR 模型。根據(jù)上文介紹的ARMA-GARCH模型，單家機(jī)構(gòu)的在險(xiǎn)價(jià)值為：

在計(jì)算CoVaR 時(shí)，需考慮房地產(chǎn)或銀行業(yè)陷入危機(jī)時(shí)對系統(tǒng)收益率的影響，因此均值方程中應(yīng)以銀行業(yè)的VaR值作為變量：

CoVaR 的計(jì)算公式為：

（二）指標(biāo)選取和數(shù)據(jù)說明

股票市場作為經(jīng)濟(jì)運(yùn)行的晴雨表，故本文選取地產(chǎn)板塊指數(shù)作為反映房地產(chǎn)運(yùn)行情況的指標(biāo)，選取銀行板塊指數(shù)作為反映銀行業(yè)運(yùn)行情況的指標(biāo)。樣本考察期為2006 年1 月5 日～2022 年4 月29 日，采用每日收盤指數(shù)共3966 組數(shù)據(jù)。其中2006～2022 年期間爆發(fā)了2008 年金融危機(jī)、2015 年“股災(zāi)”以及現(xiàn)在的新冠感染，市場波動對股票價(jià)格產(chǎn)生了較大的影響，具體反映為行業(yè)股票收益率走勢較為強(qiáng)勁。本文以此區(qū)間數(shù)據(jù)觀測危機(jī)之后我國房地產(chǎn)業(yè)與銀行業(yè)之間的風(fēng)險(xiǎn)溢出值。采用行業(yè)收盤價(jià)計(jì)算日收益率，收益率采用價(jià)格對數(shù)計(jì)算，將收益率定義為Rt=lnPt-lnPt-1，將房地產(chǎn)業(yè)和銀行業(yè)的收益率分別記為Rf 和Rb。

（三）實(shí)證分析

1.描述性分析。在建模之前，對各變量數(shù)據(jù)特征進(jìn)行描述。

由圖3 和圖4 可知，2008 年次貸危機(jī)、2015 年股災(zāi)事件使得房地產(chǎn)業(yè)和銀行業(yè)板塊指數(shù)在2008 年、2015 年前后波動明顯，并且房地產(chǎn)板塊指數(shù)波動明顯強(qiáng)于銀行板塊指數(shù)波動。2021 年因部分房企爆雷、新冠感染反復(fù)等影響，使房地產(chǎn)業(yè)板塊指數(shù)出現(xiàn)較大波動，但銀行板塊暫時(shí)未受到波及。

圖3 房地產(chǎn)板塊收益率

圖4 銀行板塊收益率

由表8 可知，房地產(chǎn)業(yè)和銀行業(yè)的平均收益均為正，JB 檢驗(yàn)的p 值為0，說明樣本拒絕正態(tài)分布的原假設(shè)，偏度均為負(fù)值，說明收益率序列呈尖峰后尾的特征。

表8 變量描述性統(tǒng)計(jì)

2.平穩(wěn)性檢驗(yàn)。根據(jù)ADF 檢驗(yàn)結(jié)果（見表9），兩個(gè)時(shí)間序列平穩(wěn)，可以用此序列直接建立ARMA 模型，并進(jìn)行ARCH 效應(yīng)檢驗(yàn)。如果各機(jī)構(gòu)收益率序列的擾動項(xiàng)均存在自相關(guān)和偏自相關(guān)性，說明殘差序列存在ARCH 效應(yīng)，則選擇GARCH 模型來消除ARCH 效應(yīng)。

表9 變量平穩(wěn)性檢驗(yàn)

3.ARMA 模型的選擇。根據(jù)樣本ACF 或PACF 圖來確定是AR、MA 還是ARMA 模型。根據(jù)所選模型，確定滯后期數(shù)后回歸，并根據(jù)回歸結(jié)果確定最優(yōu)滯后期數(shù)。

由圖5、圖6 可以看出，房地產(chǎn)業(yè)與銀行業(yè)自相關(guān)與偏自相關(guān)圖均存在拖尾現(xiàn)象，故選擇ARMA（p，q）模型。根據(jù)簡約原則，初步假設(shè)房地產(chǎn)業(yè)與銀行業(yè)收益率序列ARMA 模型p，q 值為1，2，分別進(jìn)行回歸。根據(jù)下面回歸結(jié)果，其中由房地產(chǎn)業(yè)ARMA 模型回歸情況可以看到，房地產(chǎn)業(yè)收益率與銀行業(yè)收益率分別擬合ARMA（2，1）模型、ARMA（2，2）模型的回歸方程，回歸結(jié)果是顯著的且aic和bic 的結(jié)果較小，故分別選擇ARMA（2，1）與ARMA（2，2）模型。其均值方程分別如下：

圖5 房地產(chǎn)業(yè)自相關(guān)與偏自相關(guān)圖

圖6 銀行業(yè)自相關(guān)與偏自相關(guān)圖

表10 房地產(chǎn)業(yè)ARMA 模型回歸情況

表11 銀行業(yè)ARMA 模型回歸情況

續(xù)表11 銀行業(yè)ARMA 模型回歸情況

4.ARCH 效應(yīng)檢驗(yàn)。將上述結(jié)果的殘差進(jìn)行檢驗(yàn)，判斷殘差序列是否還具有ARCH 效應(yīng)。經(jīng)驗(yàn)證，殘差平方自相關(guān)和偏自相關(guān)系數(shù)顯著不為0，而且Q 統(tǒng)計(jì)量顯著，p 值均為0，說明房地產(chǎn)收益率ARMA 模型中明顯存在ARCH 效應(yīng)，故本文用GARCH 模型消除ARCH 效應(yīng)。

表12 房地產(chǎn)業(yè)殘差平方圖

表13 銀行業(yè)殘差平方圖

5.GARCH 模型擬合。根據(jù)前文可知，殘差序列存在ARCH 效應(yīng)，因此運(yùn)用GARCH 族群對殘差序列進(jìn)行建模，分別 建 立GARCH（1，1）、GARCH（1，2）、GARCH（2，1）、GARCH（2，2）模型進(jìn)行分析，根據(jù)回歸結(jié)果以及各模型aic 與bic 值，房地產(chǎn)業(yè)與銀行業(yè)均選擇了最合適的模型GARCH（1，1），其方差表達(dá)式如下：

表14 房地產(chǎn)業(yè)GARCH 模型回歸情況

續(xù)表14 房地產(chǎn)業(yè)GARCH 模型回歸情況

表15 銀行業(yè)GARCH 模型回歸情況

6.CoVaR 值的測算與分析。根據(jù)前文論述構(gòu)建GARCHCoVaR 模型，利用公式計(jì)算房地產(chǎn)業(yè)與銀行業(yè)的VaR 值與CoVaR 值，然后將CoVaR 減去自身的VaR 值計(jì)算出△CoVaR，最后對CoVaR 進(jìn)行標(biāo)準(zhǔn)化處理結(jié)果如下：

表16 房地產(chǎn)業(yè)與銀行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)

7.房地產(chǎn)業(yè)與銀行業(yè)之間風(fēng)險(xiǎn)溢出實(shí)證結(jié)果分析。為了更直觀地分析房地產(chǎn)業(yè)與銀行業(yè)風(fēng)險(xiǎn)溢出的時(shí)變效應(yīng)，利用ARMA-GARCH 模型擬合房地產(chǎn)業(yè)與銀行業(yè)收益率時(shí)間序列，并繪制出95%置信水平下兩個(gè)行業(yè)的△CoVaR 圖：

由圖7、8 可知，房地產(chǎn)業(yè)與銀行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)存在很強(qiáng)的時(shí)變性，且房地產(chǎn)業(yè)對銀行業(yè)具有更強(qiáng)的風(fēng)險(xiǎn)溢出效應(yīng)。從時(shí)間角度可分為四個(gè)階段：2006～2010 年金融危機(jī)的影響；2010～2014 年金融危機(jī)后，政府不斷刺激經(jīng)濟(jì)的影響；2014～2016 年股災(zāi)的影響；2016～2022 年部分房企爆雷、新冠感染、政策調(diào)控的多重影響，具體如下：

圖7 銀行業(yè)對房地產(chǎn)業(yè)風(fēng)險(xiǎn)溢出強(qiáng)度

圖8 房地產(chǎn)業(yè)對銀行業(yè)風(fēng)險(xiǎn)溢出強(qiáng)度

2008 年，隨著全球金融危機(jī)的蔓延，中國經(jīng)濟(jì)受到強(qiáng)烈沖擊，宏觀經(jīng)濟(jì)運(yùn)行面臨越來越大的挑戰(zhàn)，市場悲觀情緒加重，全國房價(jià)出現(xiàn)近10 年來的首次下跌，加劇了房地產(chǎn)與銀行業(yè)間風(fēng)險(xiǎn)溢出效應(yīng)。面對金融危機(jī)的影響，我國政府實(shí)施一攬子計(jì)劃，大規(guī)模增加政府支出和實(shí)行結(jié)構(gòu)性減稅。在一系列穩(wěn)增長政策推動下，國民經(jīng)濟(jì)逐步恢復(fù)，房地產(chǎn)業(yè)與銀行業(yè)之間的風(fēng)險(xiǎn)溢出效應(yīng)降低，同時(shí)因?yàn)榻?jīng)濟(jì)刺激計(jì)劃的實(shí)施，導(dǎo)致銀行資金過度流入房地產(chǎn)市場，兩個(gè)行業(yè)間的風(fēng)險(xiǎn)溢出強(qiáng)度持續(xù)處于較高水平。2010 年,人民銀行在一年內(nèi)先后六次上調(diào)存款類金融機(jī)構(gòu)人民幣存款準(zhǔn)備金率，兩次上調(diào)存貸款基準(zhǔn)利率；國務(wù)院辦公廳先后頒布“國十一條”“國十條”“9.29 新政”等房地產(chǎn)政策，有效抑制了較高的房地產(chǎn)業(yè)風(fēng)險(xiǎn)，銀行業(yè)與房地產(chǎn)業(yè)之間的風(fēng)險(xiǎn)溢出強(qiáng)度也快速減弱。

2011 年末至2012 年，風(fēng)險(xiǎn)溢出強(qiáng)度基本穩(wěn)定，其中2011 部分地區(qū)開始探索性地微調(diào)房地產(chǎn)市場政策，主要做法包括放寬公積金貸款額度上限、放寬限價(jià)等。2012 年，人民銀行分別于6 月8 日和7 月6 日實(shí)施降息，于2 月24日和5 月18 日下調(diào)存款準(zhǔn)備金率，貨幣政策轉(zhuǎn)向?qū)捤?。寬松的政策使房地產(chǎn)市場出現(xiàn)過熱現(xiàn)象，大量銀行資金涌入房地產(chǎn)，兩個(gè)行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)持續(xù)加大。2013 年初出臺的“新國五條”開始體現(xiàn)因城施策的調(diào)控特點(diǎn)：僅對房價(jià)上漲過快的城市及時(shí)采取限購措施，建立穩(wěn)定房價(jià)工作問責(zé)制，這是“新國八條”出臺兩年來，政府針對房地產(chǎn)調(diào)控的再次明確表態(tài)，銀行業(yè)與房地產(chǎn)業(yè)間的風(fēng)險(xiǎn)溢出強(qiáng)度逐步降低。

2015 年，受“股災(zāi)”影響，金融體系波動明顯，房地產(chǎn)業(yè)與銀行業(yè)間的風(fēng)險(xiǎn)溢出效應(yīng)增長較快。2016 年起，核心一二線城市房價(jià)上漲較快，9 月，政府重新收緊了房地產(chǎn)政策，更加重視因城施策，一系列措施使得房地產(chǎn)與銀行業(yè)之間的風(fēng)險(xiǎn)溢出效應(yīng)明顯降低。

2017 年后，供給側(cè)改革、金融去杠桿逐漸成為宏觀經(jīng)濟(jì)的主線。2018 年起，隨著中美貿(mào)易戰(zhàn)的升級，疊加2017年金融去杠桿滯后效應(yīng)的影響，同時(shí)在政府大力實(shí)施因城施策的政策下，房地產(chǎn)業(yè)與銀行業(yè)之間風(fēng)險(xiǎn)溢出強(qiáng)度不斷變化。2021 年受部分房企爆雷和新冠感染影響，房地產(chǎn)業(yè)與銀行業(yè)之間風(fēng)險(xiǎn)溢出強(qiáng)度明顯增長。

四、研究結(jié)論與政策建議

（一）研究結(jié)論

本文利用VECM 與ARMA-GARCH-CoVaR 模型對房地產(chǎn)業(yè)與銀行業(yè)間的風(fēng)險(xiǎn)傳染機(jī)制和溢出效應(yīng)進(jìn)行了詳細(xì)分析，得出以下結(jié)論：

1.利用VECM 模型對風(fēng)險(xiǎn)傳染機(jī)制的實(shí)證研究發(fā)現(xiàn)：房地產(chǎn)業(yè)與銀行業(yè)的長期協(xié)整關(guān)系結(jié)果說明銀行信貸與房地產(chǎn)價(jià)格互為格蘭杰原因。進(jìn)行脈沖響應(yīng)發(fā)現(xiàn)，房價(jià)波動受到自身沖擊的影響最大，開始達(dá)到5%，隨著時(shí)間的推移，波動開始變緩，說明受到大眾預(yù)期的影響，房價(jià)開始上漲較快，但隨著預(yù)期向理性的回歸，房價(jià)上升逐漸趨于平緩。銀行貸款對房價(jià)的沖擊響應(yīng)開始為0，逐步上升后趨于平穩(wěn)，說明銀行信貸擴(kuò)張將推動房價(jià)上升，且長期影響更大。銀行信貸增長受到自身沖擊最大，房價(jià)的增長同樣會使信貸規(guī)模增長，且長期影響程度更高。

2.利用ARMA-GARCH-CoVaR 模型開展房地產(chǎn)業(yè)與銀行業(yè)風(fēng)險(xiǎn)溢出效應(yīng)的實(shí)證研究發(fā)現(xiàn)：首先，房地產(chǎn)業(yè)對銀行業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度△CoVaR=0.0066575，不及銀行業(yè)對房地產(chǎn)業(yè)的風(fēng)險(xiǎn)溢出強(qiáng)度△CoVaR=0.0073026，說明銀行業(yè)風(fēng)險(xiǎn)溢出對房地產(chǎn)業(yè)影響更大。其次，從風(fēng)險(xiǎn)溢出的占比來看，房地產(chǎn)業(yè)面臨最大損失時(shí)對銀行業(yè)的風(fēng)險(xiǎn)溢出約占銀行業(yè)自身風(fēng)險(xiǎn)的損失比重%CoVaR=8.90947%，銀行業(yè)面臨最大損失時(shí)對房地產(chǎn)業(yè)的風(fēng)險(xiǎn)溢出約占房地產(chǎn)業(yè)自身風(fēng)險(xiǎn)的損失比重%CoVaR=20.86407%。綜上可知，在發(fā)生風(fēng)險(xiǎn)事件的情況下，銀行業(yè)對房地產(chǎn)業(yè)的風(fēng)險(xiǎn)溢出影響更深，強(qiáng)度更大。

（二）政策建議

1.房地產(chǎn)企業(yè)應(yīng)積極降低杠桿水平，提高抗風(fēng)險(xiǎn)能力。一方面，采取多元化組合的融資方式，通過不斷拓展融資渠道，減少對銀行貸款的依賴程度，緩解企業(yè)資金壓力，提高企業(yè)抵御金融風(fēng)險(xiǎn)的能力，進(jìn)而有效降低房地產(chǎn)企業(yè)融資風(fēng)險(xiǎn)。另一方面，制定合理的還款計(jì)劃。在避免資金閑置的前提下，充分運(yùn)用現(xiàn)有資源，靈活調(diào)度。對不同期限融資本息的到期額度要進(jìn)行精準(zhǔn)核定，結(jié)合企業(yè)實(shí)際現(xiàn)金流做出合理安排，確保企業(yè)在到期日前償還融資本息。

2.銀行機(jī)構(gòu)不斷完善風(fēng)險(xiǎn)計(jì)量模型，鼓勵金融創(chuàng)新。首先，將CoVaR 模型運(yùn)用到市場風(fēng)險(xiǎn)計(jì)量過程中，CoVaR 模型不但可以評估單家金融機(jī)構(gòu)的市場風(fēng)險(xiǎn)，還可以計(jì)量單家金融機(jī)構(gòu)系統(tǒng)性金融風(fēng)險(xiǎn)的大小。其次，建立差別化風(fēng)險(xiǎn)預(yù)警體系。計(jì)算各行業(yè)對整個(gè)金融市場的△CoVaR、%CoVaR，對△CoVaR、%CoVaR 值較高的行業(yè)實(shí)施層級化和差異化管理。最后，鼓勵銀行機(jī)構(gòu)金融產(chǎn)品創(chuàng)新，提高銀行機(jī)構(gòu)抵御風(fēng)險(xiǎn)的能力，推進(jìn)金融體系健康有序發(fā)展。

3.監(jiān)管部門加強(qiáng)風(fēng)險(xiǎn)預(yù)警與處置能力，降低風(fēng)險(xiǎn)溢出效應(yīng)。一方面，應(yīng)密切關(guān)注房地產(chǎn)企業(yè)融資與資金鏈情況，督促房地產(chǎn)企業(yè)及時(shí)、主動向監(jiān)管部門提供經(jīng)營動態(tài)與風(fēng)險(xiǎn)情況，提高風(fēng)險(xiǎn)預(yù)警能力，做到風(fēng)險(xiǎn)早發(fā)現(xiàn)、早警示、早處置，降低房地產(chǎn)風(fēng)險(xiǎn)溢出效應(yīng)。另一方面，穩(wěn)妥有序地化解個(gè)別房企的風(fēng)險(xiǎn)，維護(hù)房地產(chǎn)市場平穩(wěn)健康發(fā)展。在穩(wěn)定市場預(yù)期的同時(shí)，準(zhǔn)確把握、執(zhí)行“房地產(chǎn)金融審慎管理制度”，保持房地產(chǎn)信貸投放平穩(wěn)有序，滿足房地產(chǎn)企業(yè)合理融資需求，穩(wěn)定市場信心。