论文部分内容阅读
随着金融全球化趋势的加深和资本市场的发展，行业间的联系日益突出，特定行业的风险引起广泛的重视。尤其1997年的亚洲金融危机和2007年的美国次贷危机等全球性的金融危机在近年来导致国家、地区乃至全球金融系统遭受重大损失，使得房地产行业风险的研究显得越发重要。我国近几年房价持续走高，房价上涨引发的过度投资投机行为，导致房地产行业风险积累，一旦房地产泡沫破裂，房价出现断崖式下跌，将直接引起行业整体风险，房地产行业风险在我国有现实存在的土壤。我国房地产行业融资渠道又非常单一，无论是房地产开发商还是房屋购买者，大部分资金都来源于银行贷款，因此，房地产行业的风险与银行业息息相关。
房地产是国民经济的重要产业，又是资金密集型行业，但在我国资本市场还不完善的情况下，房地产的供给方和需求方的资金有很大部分都来源于银行贷款。据中国人民银行的研究估计，我国房地产开发商的资金超过55%的部分都来源于银行贷款，土地购置资金甚至有80%来自银行，房屋购买者有60%来自银行。当房屋价格走高时，开发商会以所建成的房屋为抵押进行贷款建造更多的商品房，房屋购买者也会出于投资投机需求向银行貸款购买更多的房子；当房地产泡沫积累到一定程度或在政府的调控下房地产价格奔溃时，房地产开发商和购买者双双违约，银行出现大量坏账，陷入危机。可见，房价上涨时，房地产行业风险增加，并将风险转嫁给银行业，银行业随着房价的上涨风险逐步积累；当房价大幅度下跌时，房地产行业系统性风险爆发，发生大量违约，银行出现坏账呆账，银行业收益下降，陷入危机。
资产泡沫在堆积，而银行涉及房地产行业的贷款也还在快速增长。一方面，房贷业务几乎成为大部分银行信贷板块中的绝对主力；另一方面，在相对谨慎的前提下，银行对品牌房企布局在一二线城市的住宅项目仍频频输血。房价“泡沫”风险与高企的个人按揭杠杆风险正逐步累积，楼市一旦调整，会对银行收益带来一定的冲击。
鉴于我国商业银行具有一定的存贷款利率定价权，并非处于一个完全静态的环境中，因此本文借鉴交易商模型来构建理论模型。但与HoTSY，Saunders A（1981）最初的交易商模型不同，本文所建模型采纳了Maudos J， Fernandez de Guevara J（2004）拓展模型所作的改进（考虑了商业银行的信用风险和运营成本），并结合了我国商业银行的实际运行状况，度量相关指标时考虑了中间业务的影响，在此基础上，本文建模如下：
其中：IIP代表隐含利息支付，以非利息支出与其他业务收入之差占总资产的比率来表示。隐含的利息支付代表的是银行的隐性成本，银行隐性成本越高，则会通过提高利率差等方式来抵补自己的损失，因此预计会增大净利差；EFFI代表银行管理质量，即成本与总收入的比率。商业银行的经营管理质量与获利能力息息相关，所以银行的管理质量也是收益的影响因素之一，成本与总收入的比率越大，银行的管理质量越差，则预计收益越低；OC代表银行运营成本，是营业费用与总资产的比值。预计运营成本越高，银行收益越低；LOAN代表贷款与总资产的比值。贷款是银行最重要的生息性资产，因此是本文回归模型中重要的控制变量，贷款占总资产的比率越大，预计收益越高；lnDD代表房地产行业的违约距离，是本文的一个创新之处，预计房地产行业的违约距离会影响银行收益。
考虑到使研究数据较好的刻画房地产行业风险，本文选取的数据从2007年开始，从而较好的包含了危机前、危机中、危机后的数据。本文的研究区间是2007年3月31日到2017年3月31日，由于所选银行上市交易时间较晚，仅选取年度的数据不能够满足本文分析需要，因此为了增加样本的数量和信息的可靠性，本文选取的了十六家银行每季度的数据，一共41个季度。
（1）单位根检验
为了避免时间序列因为数据的不平稳出现伪回归，需要对数据进行单位根检验。由下图可知，该序列存在单位根，不平稳。
（2）协整检验
协整检验揭示变量之间是否存在长期稳定的均衡关系，时间序列YIELD、IIP、EFFI、OC、LOAN、lnDD全都是平稳的一阶单整序列，所以它们可能存在平稳的线性组合，这个线性组合可以反映变量之间长期稳定的均衡关系。本文采用Johansen协整检验的迹特征根值轨迹法，运用前述确定滞后阶数的方法，对上述六个变量之间的关系进行检验。
协整秩越大，对应的似然函数最大值越大；迹统计量越大，越倾向于拒绝原假设。由上表看出，在最多有零个线性无关的协整向量的假设下，迹统计量大于5%显著水平下的临界值，拒绝原假设；在最多有一个线性无关的协整向量的假设下，迹统计量小于5%显著水平下的临界值，不能拒绝原假设，即变量间至少存在一个线性无关的协整关系。
（3）构建误差修正模型
通过上述分析可以看出，银行收益与管理质量、隐性成本、运营成本、贷款规模及房地产行业的违约距离存在协整关系，及长期均衡关系。短期误差修正模型可以反映短期偏离长期均衡的修正机制，从而弥补长期静态模型的不足。这里同样运用AIC准则来确定滞后阶数，并且当滞后期数为2时，AIC数值最小，因此所选最优滞后阶数为2。下面检验VECM模型的残差是否存在自相关，如果存在自相关，则预示着要增加滞后阶数：
原假设为在对应的滞后阶上无自相关，图中P值较大，接受原假设，即残差不存在自相关
结果显示，除了VECM模型本身所假设的单位根外，伴随矩阵所有特征值均落在单位圆之内，因此模型是稳定的。
（4） 因果检验
在做具体检验之前，本文先阐述格兰杰因果检验的原理。格兰杰因果检验在2003年由诺贝尔经济学家获得者克莱夫？格兰杰（Clive W. J. Granger）提出，用于检验变量之间的因果关系。对于两个变量x、y，格兰杰认为可以看前期的y值可以在多大程度上解释当期的y值，加入x的滞后变量后是否能加强这种解释能力，如果加入的x滞后变量有助于预测y的值，或者x的滞后变量的回归系数具有显著性，则说明x对y有格兰杰因果性，反之亦然。
协整检验揭示了银行收益与管理质量、隐性成本、运营成本、贷款规模及房地产行业的违约距离之间存在长期稳定的均衡关系，但无法说明变量之间是否存在因果关系。
通过格兰杰检验得出，隐性成本和银行收益之间存在单向的因果关系，隐性成本是影响银行收益的原因；运营成本、贷款规模和银行收益之间存在双向的因果关系，运营成本、贷款规模及管理质量是影响银行收益的原因，银行收益也影响运营成本、贷款规模及管理质量；违约距离和银行收益之间的因果关系不十分明显，但与贷款规模及管理质量之间存在单向的因果关系，因此，房地产违约距离是影响银行收益的间接原因。由此得出房地产行业风险间接影响银行收益。
房地产是国民经济的重要产业，又是资金密集型行业，但在我国资本市场还不完善的情况下，房地产的供给方和需求方的资金有很大部分都来源于银行贷款。据中国人民银行的研究估计，我国房地产开发商的资金超过55%的部分都来源于银行贷款，土地购置资金甚至有80%来自银行，房屋购买者有60%来自银行。当房屋价格走高时，开发商会以所建成的房屋为抵押进行贷款建造更多的商品房，房屋购买者也会出于投资投机需求向银行貸款购买更多的房子；当房地产泡沫积累到一定程度或在政府的调控下房地产价格奔溃时，房地产开发商和购买者双双违约，银行出现大量坏账，陷入危机。可见，房价上涨时，房地产行业风险增加，并将风险转嫁给银行业，银行业随着房价的上涨风险逐步积累；当房价大幅度下跌时，房地产行业系统性风险爆发，发生大量违约，银行出现坏账呆账，银行业收益下降，陷入危机。
资产泡沫在堆积，而银行涉及房地产行业的贷款也还在快速增长。一方面，房贷业务几乎成为大部分银行信贷板块中的绝对主力；另一方面，在相对谨慎的前提下，银行对品牌房企布局在一二线城市的住宅项目仍频频输血。房价“泡沫”风险与高企的个人按揭杠杆风险正逐步累积，楼市一旦调整，会对银行收益带来一定的冲击。
鉴于我国商业银行具有一定的存贷款利率定价权，并非处于一个完全静态的环境中，因此本文借鉴交易商模型来构建理论模型。但与HoTSY，Saunders A（1981）最初的交易商模型不同，本文所建模型采纳了Maudos J， Fernandez de Guevara J（2004）拓展模型所作的改进（考虑了商业银行的信用风险和运营成本），并结合了我国商业银行的实际运行状况，度量相关指标时考虑了中间业务的影响，在此基础上，本文建模如下：
其中：IIP代表隐含利息支付，以非利息支出与其他业务收入之差占总资产的比率来表示。隐含的利息支付代表的是银行的隐性成本，银行隐性成本越高，则会通过提高利率差等方式来抵补自己的损失，因此预计会增大净利差；EFFI代表银行管理质量，即成本与总收入的比率。商业银行的经营管理质量与获利能力息息相关，所以银行的管理质量也是收益的影响因素之一，成本与总收入的比率越大，银行的管理质量越差，则预计收益越低；OC代表银行运营成本，是营业费用与总资产的比值。预计运营成本越高，银行收益越低；LOAN代表贷款与总资产的比值。贷款是银行最重要的生息性资产，因此是本文回归模型中重要的控制变量，贷款占总资产的比率越大，预计收益越高；lnDD代表房地产行业的违约距离，是本文的一个创新之处，预计房地产行业的违约距离会影响银行收益。
考虑到使研究数据较好的刻画房地产行业风险，本文选取的数据从2007年开始，从而较好的包含了危机前、危机中、危机后的数据。本文的研究区间是2007年3月31日到2017年3月31日，由于所选银行上市交易时间较晚，仅选取年度的数据不能够满足本文分析需要，因此为了增加样本的数量和信息的可靠性，本文选取的了十六家银行每季度的数据，一共41个季度。
（1）单位根检验
为了避免时间序列因为数据的不平稳出现伪回归，需要对数据进行单位根检验。由下图可知，该序列存在单位根，不平稳。
（2）协整检验
协整检验揭示变量之间是否存在长期稳定的均衡关系，时间序列YIELD、IIP、EFFI、OC、LOAN、lnDD全都是平稳的一阶单整序列，所以它们可能存在平稳的线性组合，这个线性组合可以反映变量之间长期稳定的均衡关系。本文采用Johansen协整检验的迹特征根值轨迹法，运用前述确定滞后阶数的方法，对上述六个变量之间的关系进行检验。
协整秩越大，对应的似然函数最大值越大；迹统计量越大，越倾向于拒绝原假设。由上表看出，在最多有零个线性无关的协整向量的假设下，迹统计量大于5%显著水平下的临界值，拒绝原假设；在最多有一个线性无关的协整向量的假设下，迹统计量小于5%显著水平下的临界值，不能拒绝原假设，即变量间至少存在一个线性无关的协整关系。
（3）构建误差修正模型
通过上述分析可以看出，银行收益与管理质量、隐性成本、运营成本、贷款规模及房地产行业的违约距离存在协整关系，及长期均衡关系。短期误差修正模型可以反映短期偏离长期均衡的修正机制，从而弥补长期静态模型的不足。这里同样运用AIC准则来确定滞后阶数，并且当滞后期数为2时，AIC数值最小，因此所选最优滞后阶数为2。下面检验VECM模型的残差是否存在自相关，如果存在自相关，则预示着要增加滞后阶数：
原假设为在对应的滞后阶上无自相关，图中P值较大，接受原假设，即残差不存在自相关
结果显示，除了VECM模型本身所假设的单位根外，伴随矩阵所有特征值均落在单位圆之内，因此模型是稳定的。
（4） 因果检验
在做具体检验之前，本文先阐述格兰杰因果检验的原理。格兰杰因果检验在2003年由诺贝尔经济学家获得者克莱夫？格兰杰（Clive W. J. Granger）提出，用于检验变量之间的因果关系。对于两个变量x、y，格兰杰认为可以看前期的y值可以在多大程度上解释当期的y值，加入x的滞后变量后是否能加强这种解释能力，如果加入的x滞后变量有助于预测y的值，或者x的滞后变量的回归系数具有显著性，则说明x对y有格兰杰因果性，反之亦然。
协整检验揭示了银行收益与管理质量、隐性成本、运营成本、贷款规模及房地产行业的违约距离之间存在长期稳定的均衡关系，但无法说明变量之间是否存在因果关系。
通过格兰杰检验得出，隐性成本和银行收益之间存在单向的因果关系，隐性成本是影响银行收益的原因；运营成本、贷款规模和银行收益之间存在双向的因果关系，运营成本、贷款规模及管理质量是影响银行收益的原因，银行收益也影响运营成本、贷款规模及管理质量；违约距离和银行收益之间的因果关系不十分明显，但与贷款规模及管理质量之间存在单向的因果关系，因此，房地产违约距离是影响银行收益的间接原因。由此得出房地产行业风险间接影响银行收益。