信贷扩张、房价波动与银行系统性风险——基于SVAR的实证分析

■高文涵，童中文

一、引言

2007年因为房地产市场与金融市场互相推动且过度投机、资产泡沫的破灭引起了世界性的金融危机，对国际金融和实体经济造成了极大的打击和破坏，这给各界人士敲响了警钟。近以来，央行一直以宽松的货币政策为主，信贷规模持续扩张。在2013年底国内信贷余额达到了92.7万亿人民币，新增贷款为12.15万亿人民币。在总体经济局势不明朗、实体经济未恢复的情况下，信贷持续扩张将会对资产价格以及银行体系产生何种影响？本文基于2002年1月至2014年12月的月度数据对我国信贷、房地产价格以及银行系统性稳健性三者之间的关系进行研究。

现有文献大多都只考虑信贷规模与房价波动之间的关系或者是房价波动对银行业稳健性的影响，甚少学者对信贷、房价与银行系统性危机三者之间的关系及传导路径进行研究。本文的理论贡献在于，一是总结国内外银行系统性风险测度方法后发现，三个月同业拆借利率与隔夜指数掉期利率之差（LIBOR－OIS利差）是反映银行系统性风险状况的风向标，适宜将该指标作为系统性风险替代变量；二是本文将信贷规模、房价波动与银行系统性危机联系起来，在阐释三者之间的理论联系的基础上，建立结构化向量自回归模型（SVAR）对信贷规模、房价波动与银行系统性风险的内在传导机制进行实证研究。

二、文献综述

研究信贷规模、房价波动以及银行系统性风险三者的关系，首先要厘清信贷规模与房价波动两者之间的关系。国内外学者对于这两者之间关联的观点基本可以分为三类：第一类观点认为信贷规模与房价波动之间存在双向影响机制。谢国忠（2010）认为信贷与房地产价格两者相互刺激相互推动，构成循环回路。 Agnello and Schuknecht（2011）选取 18 个发达国家作为样本，基于1980～2007年的数据分析了房地产价格与信贷之间的关系，发现信贷规模扩张与资产泡沫的形成两者之间具有显著性的双向影响。秦岭（2012）运用精确的数据建立VAR模型，对银行信贷和房地产价格之间的关系进行了研究，得到结论：信贷与房地产价格之间相互推动相互加强的作用十分显著。第二类观点认为房价对银行信贷的影响是单向的，这一观点强调房价的上涨是刺激信贷规模持续扩张的幕后推手。Gerlach and Peng（2005）以香港为样本对房价和信贷的关系进行研究，研究表明：信贷与房价具有显著的同步关系，影响方向从房价到信贷，而不是相反的。第三类观点认为信贷对房价存在单向的影响机制。该观点理论依据是在金融危机发生及传染过程中，信贷是房价攀升和银行倒闭的根源。段军山（2008）对信贷扩张、房地产价格波动进行了理论及经验分析，发现房地产价格的膨胀很大程度上是由于金融支持过度。刘朝阳（2012）基于44个国家及地区的数据对信贷扩张、股票市场价格波动与系统性银行危机之间的关系进行研究，得出系统性危机发生过程：宽松的货币政策与金融自由化——信贷规模不断增加——资产价格波动——系统性银行危机发生。

理论和实践皆表明，信贷扩张、资产价格波动与银行体系稳健性之间存在着复杂的内在关联，无论是发达国家还是发展中国家，严重的银行危机都是与资产价格的剧烈波动紧密相关的。Collyns(2002)以东亚国家为样本，对信贷扩张、资产价格以及亚洲金融危机三者的内在联系进行研究，理论和实证数据都证明了信贷扩张是资产价格膨胀的强力推手。Goodhart(2008)对工业化国家近30年的信贷、房价与金融活动之间的相互关系进行研究，建立固定效应面板VAR模型分析货币供应量变动对房价的影响。经研究发现信贷扩张对房价上涨具有明显的推动作用，且房价与经济增长之间有显著正相关关系。国内学者丁晨、屠梅曾(2008)基于货币供应的内生性视角，研究房地产价格波动与银行信贷之间的作用机制，结果显示房地产价格的上涨会通过资产抵押物渠道驱动商业银行进一步扩张其信贷规模。谭政勋（2010）认为信贷的顺周期性将会加速房价上升或下跌的幅度，因此信贷规模变动将会直接造成房价波动，若波动到一定程度，贷款损失不断增加极易引发银行破产和金融危机。赵胜民、方意等（2011）的分析发现金融信贷对我国房地产价格影响有限，对股票价格影响较大。马亚明（2012）建立VECM模型对我国信贷与资产价格波动之间的关联性进行了理论分析，研究发现短期内股票价格上涨导致银行增加放贷，银行信贷扩张进一步促进资产价格上升。王健（2012）构建了一般均衡模型对房地产市场和银行信贷之间的关系进行数理推导，经研究发现房价波动、信贷波动以及二者联合波动是我国银行稳定的重要因素。彭建刚（2013）研究了房价与银行系统性危机之间的关联性，认为房价是引发系统性风险爆发的重要因素，对信贷进行有效控制可以有效防范系统性银行危机。陈志英（2013）认为资产价格剧烈波动是系统性银行危机的直接原因，而信贷持续性扩张是银行危机发生的深层次诱因。

相比VAR模型而言，SVAR模型不仅可以解释变量滞后期和当期的动态关系，还可以对变量间的同期相关性做出解释，基于经济理论和经验证据对SVAR施加约束条件，可以分析模型对变量结构性冲击的动态响应。为了研究信贷规模、房地产价格与银行体系稳定之间的相关性及传导路径，本文构建一个3变量的结构化的向量自回归模型。

三、指标选取与数据分析

（一）指标选取及说明

1.银行系统性风险替代变量。Rodriguez（2012）在其文章中总结了系统性风险的度量方法，认为三个月同业拆借利率与隔夜指数掉期利率之间的利差是反映银行系统性风险最简单的指标。LIBOROIS利差反映全球银行体系的信贷压力，若该数值增加，则说明银行同业拆借的成本较高，银行业同业拆借的意愿较低，银行信贷风险增加。当系统内某家银行出现危机时，难以依靠同业拆借缓解危机。鉴于我国金融市场欠完善，隔夜指数掉期利率难以获得，因此假设OIS利率为零，选取三个月银行同业拆借利率反映银行系统性风险水平。从我国同业拆借市场发展来看，我国商业银行在同业拆借平台上的交易频率较高、交易份额巨大，许多学者认为同业拆借已经成为我国系统性金融风险的主要结点，同业拆借市场规模持续膨胀，风险隐患也在不断加大，因此本文选取3个月银行同业拆借利率作为系统性风险的指标具有一定的理论依据。数据源于Wind资讯。

2.房地产价格。房地产价格的衡量指标目前没有定论，考虑到涉及房地产月度数据的指标一月免报，导致所有数据一月二月都为累计值，难以拆分，因此本文选取国房景气指数作为房地产价格的替代变量，该指数为综合指标，包含房地产开发投资、本年资金来源、每平方平均销售价格等六个分类指数。该指数以100为临界值，高于100说明房价房地产市场利好，低于100说明房地产市场不景气。数据源于中经网数据库。

3.信贷规模。由于涉及住房贷款的数据在我国目前还没有公开数据，因此选取全国信贷的月度数据作为信贷规模的替代变量，数据源于Wind资讯。

本文选取2002年1月至2014年12月的月度数据，所有数据都经过季节调整，剔除季节因素带来的影响，涉及到金额的数据使用CPI定基指数进行平减化处理，从而获得房价和信贷规模波动率数据。为简便起见，分别记三个月同业拆借利率、房价波动率与信贷增长率数据为SHIBOR、HP、CREDIT。在进行计量分析之前，首先进行数据的描述性统计分析。

（二）描述性统计

表 1 SHIBOR、HP、CREDIT的统计描述

从表1可知，同业拆借利率、房价以及信贷三者的波动率较小，基本维持在－2%～5%区间内。SHIBOR总体上不服从正态分布，其分布形态为左偏分布，且具有左侧厚尾特征，峰度为2，呈现出尖峰的态势；HP总体上呈现出右偏分布，峰度为7，尖峰；CREDIT总体上服从正态分布，偏度接近于0，左右基本上对称，且峰度为2.5，呈现尖峰的特征。

（三）数据初步分析

1.平稳性检验

在进行实证分析之前，需要对所有变量做ADF检验，处理软件为eviews6.0，检验结果见表2。根据表2中的ADF检验结果可以看出，在10%的置信水平下，同业拆借利率都不能接受原假设，说明SHIBOR是非平稳序列，经过一阶差分后平稳。房地产价格波动率与信贷增长率序列都是平稳的。

表2 平稳性检验结果

2.格兰杰因果检验

在以往研究中，很多变量之间几乎没有经济意义上的联系，然而却可能计算出较大的相关系数，因此需要对变量进行格兰杰因果检验，以验证哪些变量间有相互作用，并且确定各变量之间相互影响的可能的滞后阶数。上文已经对数据平稳性进行检验，房价波动率与信贷规模增长率为平稳序列，系统性风险序列不平稳，然而一阶平稳。此处用银行系统性风险指标的一阶差分、房价波动率以及信贷增长率进行格兰杰因果检验，为简便起见，下文直接用SHIBOR表示三个月同业拆借利率的一阶差分序列。根据表3可知，在5%的置信水平下，房地产价格波动是银行系统性风险变动的格兰杰原因，信贷规模是房地产价格波动的格兰杰原因，在10%的置信水平下，银行体系的稳健性是信贷规模波动的格兰杰原因。格兰杰因果检验的结果基本与现实相符：房价波动过度将会降低银行资产质量，增加不良贷款，可能会引发银行系统性风险；信贷扩张使得消费者可获得足够的按揭贷款购买房产，将进一步刺激房地产价格波动；同业拆借利率是影响国内信贷的重要因素，同业拆借利率越高，表明同业借贷的意愿越低，系统性风险越高。根据格兰杰因果检验的结果可知，本文可构造SVAR结构向量自回归模型对信贷规模、房价波动以及银行系统性风险三者之间的关联及传导方向进行研究。

表3 格兰杰因果检验结果

四、模型设定及实证结果分析

（一）模型设定

向量自回归模型（VAR）刻画了多个经济变量之间相互变动关系的动态研究，无约束VAR模型不设置任何约束条件，单纯从数据上反映各变量之间动态统计关系，不能说明变量之间理论上的联系，在一定程度上忽视了变量之间隐含的经济结构以及变量同期影响关系，为克服VAR这一缺点，结构向量自回归模型（SVAR）引入了变量之间的作用与反馈作用。因此本文选取结构向量自回归模型（SVAR）来研究信贷规模、房价波动以及银行系统性风险之间的动态关系。VAR模型表示为：

其中yt为k阶内生向量矩阵，xt为d维外生向量矩阵，p为滞后阶数，et为k维扰动项，且相互独立。

为研究变量之间当期的相关关系，在简化式VAR模型的基础上，基于经济理论引入变量之间的结构性关系，其次再根据模型估计的结果与识别约束，结合经济常识建立SVAR的系数向量及约束条件。SVAR模型表达式为：

在（1）式两边同乘以A，可以得到相应的简化式向量自回归模型：

对比式（2）与式（3）可得：

式（5）称为 AB 型 SVAR 模型，其中 E（utut′）=I，为了识别SVAR模型的结构，需要对同期相关联矩阵施加约束条件。对于具有k个内生变量的AB型SVAR模型，需要对矩阵施加k(k-1)/2个约束条件，因此本文需要添加3个约束条件。

对SVAR模型施加约束的方法可以分为短期约束和长期约束两种。短期约束允许研究者根据实际经济理论对模型施加约束，因此本文选择施加短期约束。根据格兰杰因果检验的结果，短期约束的具体约束条件设定如下：首先，系统性风险指标受到房价波动率及其滞后项的影响；其次，房价波动率受到信贷规模变动率及其滞后项的影响；最后，信贷规模受到银行同业拆借率及其滞后项的影响。写成矩阵形式如下：

（二）实证结果

1.SVAR模型滞后阶数及模型的稳定性

SVAR模型的滞后阶数是由相应的VAR模型确定的滞后阶数决定的。表4显示了0-5阶VAR模型的LR、AIC等准则的筛选结果，“*”显示出相应准则选择的滞后阶数。根据表4可知超过半数的筛选准则显示滞后三阶为最优滞后阶数，因此构造SVAR(3)模型。图1显示，无特征根在圆外，表明本模型是平稳的。

表4 滞后阶数判断结果

图1 SVAR的单位根检验图

2.脉冲响应分析

脉冲响应函数可以刻画内生变量的变动对其自身及其其他所有变量产生的影响作用，某内生变量的一个冲击不仅直接影响其变量自身，还可以通过VAR模型的动态结构传递给其他的内生变量，脉冲响应揭示了这种响应的轨迹。在建立稳定的VAR模型的基础上，通过施加式（5）中的短期约束条件，可以获得本文SVAR(3)模型的脉冲响应函数。

图2分别显示了HP对CREDIT、SHIBOR对HP以及CREDIT对SHIBOR的脉冲响应函数图，从左到右分别记为图2(a)、图2(b)、图2(c)。 图2(a)显示了房价对信贷规模的脉冲响应函数图，当给信贷一个正的冲击，房地产价格当期也不会产生变化，然而从第1期开始出现正的变化，在第六期达到最高点，随后开始缓慢降低，到第十期时信贷对房地产价格依然有冲击效应，其冲击力约为0.05。图2(b)为系统性风险指数对房价变动的脉冲响应图，当给房价一个正的冲击后，系统性风险指标当期增长为0，然而从第1期开始不断增长，在第4期达到最高点 （小于0.1）后开始下降，第7期时，冲击效应减少了约60%左右，在第9期及以后冲击效应基本消失。图2（c）显示了信贷对于银行系统性风险的脉冲响应函数图，当给银行同业拆借利率一个正的冲击时，信贷当期就出现负的响应，且冲击效应约为0.1，在第4期时冲击效应达到最大（－0.17），从第6期以后冲击逐渐减弱，第10期时冲击效应几乎为0。

图2 房价对信贷、系统性风险对房价、信贷对系统性风险的脉冲响应函数图

3.方差分解分析

脉冲响应函数描述了SVAR模型中内生变量的冲击对其他内生变量造成的影响，方差分解分析每个冲击对内生变量的贡献率，从而可以得知各变量的重要程度。表5显示了对SHIBOR进行分解的结果，从表中可知，系统性风险指数主要受其自身的影响，除了自身的贡献率之外，房地产价格对系统性风险指数影响约为4%，信贷波动对系统性风险水平的冲击力为3%，从第4期开始趋于稳定。房地产价格与信贷波动对系统性风险的贡献率较低，主要原因是同业拆借率是一个金融序列，其波动的随机性较强。

五、结论与政策建议

（一）研究结论

表5 SHIBOR方差结构性分解

通过结构向量自回归模型（SVAR）对中国信贷扩张、房地产价格波动以及系统性风险三者之间的传导机制及脉冲响应图来看，可以得到以下结论：

1.从本文研究发现，从2002～2014年的月度数据来看，我国信贷、房价以及银行系统性水平的波动幅度较小且波动频繁，这三者之间的传导机制如下：信贷规模的波动导致房价不断波动，房价波动幅度超过安全边界将会导致银行体系危机发生的可能性增大。当银行从种种迹象中发现系统性风险水平不断增加时，银行同业贷款意愿降低，信贷规模将会受到一定程度的限制。

2.信贷扩张是房地产价格上涨的格兰杰原因。从脉冲响应函数图可以发现，信贷规模正向冲击时，房地产价格当期不会出现变化，然而从第1期开始出现正的增加，在第3期信贷规模扩张对房地产价格的影响达到最大。此时一个标准差的信贷正向冲击将会导致房价在3期内增加8%，在第9期之后，信贷对房价依然有正向冲击作用，且冲击力下降为4%，说明信贷扩张对房价的影响至少可以持续到第10期。

3.房价上升是银行系统性风险增加的格兰杰原因。当房价上升时，同业拆借利率当期不出现变化，然而第1期开始同业拆借利率开始上升，说明此时银行业信贷压力增大，同业拆借意愿降低，银行体系风险上升。在第4期房价对银行体系稳健型的冲击力最大达到了最高点8%，从第4期开始房价对银行业稳健性的冲击力逐渐下降，在第10期时，房价对银行业的冲击几乎为0。

4.银行体系风险增加是信贷收缩的格兰杰原因。从脉冲响应图可以看到，当同业拆借利率出现一个正向的冲击时，信贷规模当期就会出现负向的变化，且在第4期时冲击力达到0.15，从第4期起系统性风险的增加对信贷规模的影响越来越小，在第10个月时影响几乎为0。说明当银行系统性风险不断增加，同业拆借意愿较低，系统性风险增加，导致信贷紧缩。

（二）政策建议

1.据本文研究可知，信贷规模、房价波动和银行系统性风险三者的传导机制是一种循环回路，金融活动之间本身就可能存在相互牵制，形成金融体系内的一种内在稳定机制。信贷规模是房价波动的格兰杰原因，房价波动又是引发银行系统性风险的格兰杰原因。调控信贷规模、降低银行体系风险的关键就是调控房地产价格。纵观金融危机的发生过程，信贷过度扩张引发资产价格泡沫，虚增的资产价格极易导致单个银行面临风险，从而引发银行业的风险。因此，货币供给工具和信贷工具可以将房价作为中介目标，在房地产市场过热时采取紧缩政策来调控房地产价格。当前我国政府对房地产价格的限制主要依靠住房限购令等行政干预政策，往往治标不治本，反而有些行政政策一出台就刺激房价进一步虚高。因此应当运用经济学方法，充分利用这三者之间的关系，在进行宏观调控时注意不同金融工具之间的政策搭配，有效预防银行系统性危机。

2.本文研究结论显示，信贷规模的变动对房地产价格产生影响的时滞约为1个月，在第4个月信贷规模对房地产价格产生的影响最大，并且这种影响的时间约为1年。房价波动造成银行系统性风险增加的时滞为1个月，在第4个月影响达到最大，持续时间约为10个月。银行体系的风险增加，信贷规模显著降低，这种影响没有时滞，且影响的时间约为10个月。根据这一结论可发现，信贷、房地产以及银行系统性风险三者的相互影响在第4个月达到最大，因此在实施货币政策对房价进行调控时，对房地产价格进行限制以防资产泡沫，应当逆向调节，且注意时滞、调控效果和影响期限。

3.房价剧烈波动会引发银行系统性风险，主要是因为我国房地产金融市场欠发达，房地产融资渠道较为单一，资金来源主要以银行贷款为主，银行融资约占房地产开发资金总和的80%。一旦房地产市场出现动荡，银行必然会受到牵连。因此实现房地产业融资渠道的多元化，将单一的银行信贷转变为银行信贷、房地产公司债券、房地产投资基金等多元化的融资渠道，可有效地分散银行系统的房地产市场信贷风险。

[1]谢国忠.中国资产泡沫的问题分析[J].国际金融研究，2010，（1）:45～47.

[2]António Afonso，Ricardo M.Sousa What are the effects of fiscal policy on asset markets?[J].Economic Modelling，2011，28(4):1871～1890.

[3]秦岭,姚一旻.我国银行信贷与房地产价格关系研究[J].经济社会体制比较，2012，(02):188～202.

[4]Gerlach S,Peng W.Bank lending and property prices in Hong Kong[J].Journal of Banking&Finance,2005,29(2):461～481.

[5]Goodhart C,Hofmann B.House Prices,Money,Credit,And The Macroeconomy[J].Oxford Review Of E-conomic Policy,2008,24(1):180～205.

[6]丁晨,屠梅曾.内生货币体系下房价波动对货币供求的冲击 [J].经济理论与经济管理，2008，(01):43～49.

[7]Rodríguez－Moreno M,Pena J I.Systemic Risk Measures:The Simpler The Better?[J].Journal Of Banking&Finance,2013,37(6):1817～1831.

[8]张明.同业信贷成系统性金融风险的主要结点[N].东方早报，2013－12－17：(014).

[9]高铁梅.计量经济学分析方法与建模 Eviews使用及实例[M].清华大学出版社，2006.