【www.zhangdahai.com--其他范文】
史 彪
（中国人民银行咸阳市中心支行，陕西 咸阳 712000）
在次级贷款泛滥的背景下，美国房地产市场呈现畸形繁荣，房地产金融泡沫日益加剧，其后随着房价转跌，部分家庭丧失还贷能力，美国于2007年爆发了次贷危机，使得商业银行面临严峻不良资产问题。金融危机很快波及到其他发达国家和新兴市场国家，严重冲击全球金融稳定，造成了全球实体经济的衰退。在此背景下，为应对国际金融危机冲击，保持经济平稳较快发展，中国政府出台了一系列经济刺激措施，中国人民银行多次调整存贷款基准利率，下调金融机构再贷款和再贴现利率，保证银行体系流动性充足。财政政策方面，推出了“进一步扩大内需，促进经济稳定增长”的4万亿元的投资计划。同时，为鼓励住房消费，促使房地产销售回暖，国家出台了降低首付比及按揭贷款利率等措施。这一系列举措有效扭转了经济下滑趋势，成功抵御了国际金融危机冲击。2015年以来，全球经济增速放缓，国内经济出现下行，面对财政金融风险加剧的形势，国家又先后出台一系列政策，旨在实现稳增长、调结构、防风险，但在持续降息降准政策的作用下，全国房价出现了明显上涨。于是2016年中央经济工作会议上提出“房子是用来住的，不是用来炒的”的基本定位，随后多地楼市调控政策密集出台。
这些经济政策对促进经济平稳健康发展发挥了重要作用，但也引起了一些其他后果。一方面，政策的频繁出台加剧了经济的不确定性。根据Baker等（2016）的研究，中国经济政策不确定性指数自2012年以来不断上升[1]。而在经济政策不确定时，市场主体难以对政策调整进行预知，可能因政策模糊引发潜在风险。另一方面，大规模刺激政策在改善我国实体经济投资下滑的同时，也加快了房地产等传统行业的快速发展，我国居民杠杆率快速增长，大量杠杆资金积聚在房地产行业，企业金融化以及金融资源倾向房地产领域的趋势更加明显[2]。
房地产金融化的显著特征是房地产行业从商业银行获取的信贷规模不断增加，居民家庭按揭贷款比例不断上升。同时，大量债券、股本、信托资金进入房地产行业，房地产行业与资本市场深度关联。而商业银行信贷资金过度集中于某一个行业，将不利于其控制资产风险。尤其当经济政策不确定性上升时，企业经营环境将发生较大变化，会加剧金融市场风险[3]。因此，在经济政策不确定时，房地产金融化可能对商业银行产生冲击，如果出现大规模房地产企业债务违约，将损害商业银行资产质量。2020年末，我国商业银行不良贷款率为1.92%，资产质量总体平稳，但不良贷款率较上年末增长了0.06个百分点。此外，我国商业银行资产质量表现出明显的地区差异[4]。例如：北京、上海、江苏等经济发达省份不良贷款率均在1%以下，而西北、东北地区部分省份不良贷款率处于高位，甘肃省不良贷款率高达7.71%①数据中的区域金融版图：长三角是银行贷款投放“最爱”［EB/OL］.（2020-10-10）.https://baijiahao.baidu.com/s?id=1680117125043787484&wfr=spider&for=pc.。如果商业银行不良贷款率大幅上升，不仅会冲击区域金融稳定，还可能引发系统性金融风险。
综上所述，房地产金融化保证了房地产行业的资金供给，也为商业银行提供了优质的信贷资产。但是金融资源过度积聚于地产领域如同“灰犀牛”一般，已成为危及我国商业银行体系的巨大隐患。当房地产过度金融化这只“灰犀牛”遇到“经济政策不确定”这只“黑天鹅”，是否会引起商业银行不良贷款率的攀升？此外，部分研究认为经济政策不确定性在很大程度上被视为匀质的[5]，那么对于房地产金融化和商业银行不良贷款率，这一观点是否仍然成立？本文将研究落脚点置于我国金融体系中占据重要地位的商业银行，并考虑不同区域房地产金融化以及经济、金融发展水平的差异，选择各省份商业银行不良贷款率作为被解释变量，通过构建全国及各省份房地产金融化指数，分析经济政策不确定性、房地产金融化与商业银行不良贷款率之间的关系。在分析中，将银行体系流动性纳入研究框架，探讨银行体系流动性在经济政策不确定性影响房地产金融化过程中的中介效应，为本文研究提供支撑。
（一）经济政策不确定性与房地产金融化
一方面，经济政策不确定将加剧房地产价格波动。张浩等（2015）构建我国房价短期波动模型，采用LSTVAR模型分析发现较高的政策不确定性会延缓个人购房行为，降低房地产企业住房供给，加剧房地产价格波动[6]。另一方面，经济政策不确定将导致经济金融环境发生改变，从而影响市场主体行为[7]。对于商业银行，经济政策不确定将影响商业银行流动性创造。以欧洲央行在欧洲债务危机期间的货币政策操作为例，Talk（2016）认为其政策本意是刺激资金流向实体经济，提振经济增长，但是政策调整过于剧烈反而导致银行放贷动力不足[8]。田国强等（2020）指出，当经济政策不确定性上升时，商业银行会降低表内、表外流动性创造，并且这一负向影响呈现“非对称U型”结构变化[9]。对于房地产企业，陈淑云等（2020）通过理论推导，认为经济政策不确定可能会加剧房地产企业投资行为。具体来看，在高度不确定时期，房地产企业将增加土地储备，扩大投资，提前抢占未来市场份额[10]。潘群星等（2020）使用中国经济政策不确定性指数和中国房地产开发投资数据进行实证分析，结果表明中国经济政策不确定性会抑制房地产企业实物投资[11]。
（二）房地产金融化与商业银行不良贷款率
林睿等（2015）认为我国房地产金融状况大致可以分为四个阶段，其中次贷危机时期房地产金融状况较差。进入2010年以后，房地产金融市场运行相对平稳，但与2007年前相比，房地产金融市场波动幅度增大，房地产市场的风险也在增大[12]。李嘉珣（2021）指出当房地产市场风险高度聚集时，一些突发因素可能会冲击商业银行体系，例如融资环境和政策的变化可能导致现金流断裂，银行呆账坏账的发生几率剧增，甚至波及行业上下游的产业链[13]。此外，方明（2018）认为房地产资金供给和需求的期限不匹配问题导致房地产行业本身蕴含潜在风险，尤其是过多的银行资金积压于房地产项目，将加剧整个银行体系的系统性风险[14]。
（三）经济政策不确定性、房地产金融化与商业银行不良贷款率
陈诗一等（2016）指出，央行调整政策利率会通过金融体系传递到房地产市场，进而反作用于银行业信贷资产[15]。潘晶（2017）认为，伴随着房地产信贷规模快速扩张，金融资源配置的结构失衡和效率低下开始显现，从国外的发展教训来看，这将极易导致房地产泡沫的破灭和金融体系的动荡，进而对整个实体经济造成冲击[16]。在实证方面，周建军等（2019）基于主成分分析法，利用SVAR模型和门槛模型，分析货币政策对房地产金融风险的冲击，结果表明货币政策调整对房地产金融风险的冲击在不同房价水平上具有非对称性[17]。
回顾以往研究，学者普遍认为经济政策不确定会冲击房地产市场和商业银行体系，进而冲击金融稳定。但鲜有定量分析经济政策不确定对房地产金融化和商业银行不良贷款率的影响，这可能是因为缺乏衡量房地产金融化的相关指标。因此，本文基于以往研究，构建我国房地产金融化指数，衡量2008—2019年我国房地产金融市场发展状况，同时基于我国经济政策不确定性不断上升的背景，通过实证研究房地产金融化对商业银行不良贷款率产生的影响。
本文首先讨论房地产金融化对商业银行不良贷款率的影响。房地产行业本身属于资本密集型行业，其健康发展需要金融化作为支撑。适度的金融化将确保房地产行业平稳、健康发展，房地产行业的快速发展也能够有效促进金融行业的成长，两者之间存在相互依赖关系。进入2008年以来，我国城镇化进程加快，房地产市场呈现快速发展态势，全国性住宅价格开始普涨，尤其部分大中城市房价大幅上涨。因此，房地产资产成为间接融资领域最优质的抵押物。当房价处于上涨阶段，在信贷供给端，商业银行投放房地产抵押贷款的意愿较强，甚至会放松授信条件，提高抵押率，推动贷款投放加速，并通过同业业务的扩张促进信贷资源流向房地产行业，这将加速房地产金融化。在信贷需求端，居民购置资产向来存在买涨不买跌的倾向，购房融资需求也相对旺盛。在风险方面，近十年房地产市场价值整体稳定，居民投资房地产的风险远低于股票等其他权益类投资。此外，房地产市场还有着相对成熟规范的抵押及处置手续。因此，尽管“房地产泡沫是威胁金融安全最大的‘灰犀牛’”，但在过去十余年，房地产市场依靠融资以及超长景气周期，借助土地以及房产的高抵押价值，为商业银行提供了较为稳健的收益和安全的信贷资产。基于以上分析，提出假设1。
H1：房地产金融化水平的提升有利于改善商业银行资产质量，降低商业银行不良贷款率。
接下来，本文进一步讨论在经济政策不确定下，房地产金融化对商业银行不良贷款率的影响。当经济政策不确定性较低时，政府出台各项政策不会使市场主体行为发生剧烈调整，房地产金融市场得以平稳发展，因此，假设H1仍然成立。但是，当经济政策不确定性提高时，房地产金融化对商业银行不良贷款率的影响可能发生突变。根据真实期权理论，在高度不确定的政策环境下，若存在固定的不可逆成本，拖延价值就会上升[18]。由于银行贷款的等待期权价值随政策不确定性的上升而增加，银行将倾向推迟放贷或收紧信贷规模。此外，根据不作为经济学，随着政策不确定性的上升，银行对未来的流动性需求缺乏稳定预期，其信贷决策也会表现为推迟放贷，缩减贷款规模[19]。因此，经济政策不确定性上升将导致商业银行流动性创造能力收缩以及信贷投放偏向短期资产，这将使得房地产行业难以获得有效资金支持，进而开发投资规模下滑，金融化水平降低。如果商业银行信贷资金骤缩，房地产企业其他外部融资渠道也受限，将可能导致房地产企业资金链断裂，进而引发资不抵债，这种风险甚至还会传递到建筑、建材等房地产企业供应商，加剧商业银行资产质量的恶化。因此，经济政策不确定性将通过改变商业银行体系流动性，影响房地产金融化水平，从而对商业银行不良贷款率产生突变影响。基于以上分析，本文提出假设2和假设3。
H2：房地产金融化对商业银行不良贷款率的影响受经济政策不确定性的门槛作用。在高政策不确定性下，房地产金融化对商业银行不良贷款率的降低作用将弱化。
H3：银行体系流动性是经济政策不确定性影响房地产金融化的中介变量，较高的经济政策不确定性将促使银行体系流动性下降，降低房地产金融化水平。
经济政策不确定除了影响商业银行信贷决策外，也会影响到居民对房地产市场的预期。这将打破房地产市场供需平衡，致使房价呈现异常波动，影响房地产资产抵押价值。房价波动的冲击还会在信贷市场和房地产市场间被放大，这一放大效应将造成房地产市场形成自我强化的顺周期波动[20]，进而加剧房地产金融化与经济政策不确定对商业银行不良贷款的冲击。一方面，房价波动使得大部分家庭对房地产市场持观望态度，从而导致房地产销售状况不及预期，房地产资金链趋紧，尤其高杠杆房地产企业将面临严重的流动性压力，甚至难以偿还商业银行贷款。另一方面，如果房价出现大幅下跌，可能通过“金融加速器”作用增加商业银行不良贷款规模。具体来看，房价的下跌导致抵押资产价值缩水，商业银行为了规避风险会收紧信贷约束，同时要求补充抵押品或者提供违约赔偿，这将进一步导致房地产企业资产价格下跌，外部融资成本上升，形成信贷紧缩—投资下降—资产价格下跌的正反馈循环。此外，房地产市场价值的波动有可能引发政策不确定性的上升。当房地产市场低迷时，政府采取新一轮调控措施刺激房地产企业融资需求，进一步加剧房地产价格波动。基于以上分析，本文提出假设4。
H4：高经济政策不确定性将影响房地产金融化对商业银行体系的作用，加剧商业银行不良贷款率上升。
关于中国房地产金融化指数构建，以往学者研究较少。吕铮等（2012）根据房地产泡沫的成因及特征表现选取房地产投资/全社会固定资产投资、商品房空置率、房价收入比、商品房价格涨幅/CPI涨幅等7个指标测度房地产泡沫程度[21]。周中明等（2019）从产业结构关联、房地产业发展以及信贷资金安全三方面构建房地产金融风险指数[22]。因此，本文参考房地产金融风险指数和房地产泡沫测度系数，根据房地产金融化特点，从房地产部门、金融部门以及居民部门三个层面构建房地产金融化指数，综合反映房地产行业对金融部门、居民部门的依赖度。
房地产金融化指数共涵盖7个一级指标、12个二级指标，所有指标均为正向指标，具体见表1。并且由于我国东部、中部和西部地区发展存在差异，各省份房地产开发和金融发展水平存在差距，因此，本文从省域层面对房地产金融化水平进行测算。
表1 房地产金融化指数指标构成
（一）指标介绍
1.房地产市场指标
房地产市场层面指标有三类：第一类指标反映房地产市场景气状况。主要包括各省份住房销售价格和销售规模。当房地产市场景气时，商业银行住房抵押贷款投放意愿增强，将加速房地产金融化。第二类指标反映房地产市场投资状况，该指标反映了房地产开发建设的活跃度。其中，投资完成额增长率体现房地产市场开发、建设资金规模变化，指标越高意味着房地产行业开发资金越充足；
投资完成额占GDP的比重体现各省份经济对房地产行业的依赖度。第三类指标反映房地产企业自身经营情况。主营业务成本率是各省份房地产企业主营业务成本与主营业务收入的比重，主要体现房地产企业在土地购置、开发建设等方面的成本支出；
房地产企业资产负债率反映了其资产负债结构，体现了各地房地产企业对外部资金的依赖情况。
2.金融机构指标
房地产开发资金是房地产行业的实际到位资金，其增长率体现房地产行业的资金流入情况，反映商业银行对房地产企业的资金投入总规模；
房地产开发资金/银行业各项贷款反映商业银行贷款中流向房地产企业的比例；
房地产银行贷款/房地产开发资金体现房地产企业对商业银行的依赖度；
房地产非银行贷款/房地产开发资金体现房地产企业对非银行机构的资金依赖度。
3.家庭层面指标
住房价格/人均GDP体现住房价格与当地生产力水平的比值，该指标越高，反映房价水平与居民自住需求相匹配程度越低；
个人按揭贷款增长率则反映家庭住房债务变化情况，该指标越高，居民杠杆率越高。
本文选用2008—2019年样本数据，数据来自中经网、WIND数据库以及EPS数据库。
（二）房地产金融化指数的计算
本文采用主成分分析法（PCA）对31个省份的房地产金融化指数进行测度。该方法属于客观赋权法，可以基于数据本身特征确定各指标的权重，能够在较大程度上减少人为因素干扰。因为各个省份城镇化率、金融结构、居民收入存在较大差异，所以构成其房地产金融化指数的主成分不尽相同，就需要利用主成分分析法分别获取构成各省份房地产金融化指数的主成分，从而构建各省份房地产金融化指数。数据处理采用SPSS25.0软件，依次对31个省份的12项指标进行处理。首先，对所有数据进行标准化处理，确保所有指标值处于同一数量级别，可以进行综合测评分析。其次，使用经过标准化处理后的数据合成2008—2019年全国31个省份的房地产金融化指数。
第一步：使用KMO以及Bartlett检验，判断第i个省份的数据能否使用主成分分析法。
第二步：确定第i个省份所有数据的主成分个数j，并选择特征值大于1的因子作为主成分①特征值的大小反映了其所对应的因子解释样本数据的水平，该值越大解释效果就越佳，通常选择特征值大于1的因子作为主成分。。
第三步：根据各变量因子得分系数计算出2008—2019年各个主成分的得分Fjt。
第四步：确定各个成分所对应的权重：ωjt=Sj/，即各个成分对应的方差解释率和累积方差解释率的比值。
第五步：使用各年份的主成分得分值Fjt与权重ωjt相乘得到第i个省份的房地产金融化得分Xt=Fjt×ωjt。因为所选指标涵盖部分变动率指标，因此该得分实质反映各个年份房地产金融化的变动情况。
最后，本文以2007年为基期，将2007年的房地产金融化水平视为100，使用公式RAFIit=100×（1-Xit/10）得到第i个省份2008—2019年的房地产金融化指数。
考虑到区域经济金融的差异性，本文将31个省份划分为东部、西部和中部，并以各区域所有省份2008—2019年间的算术平均值作为这三个区域的房地产金融化指数。
（三）房地产金融化指数评价及趋势分析
图1反映了我国2008—2019年房地产金融化水平。从全国来看，2008年以来我国房地产金融化水平先出现明显上升，在2013年达到顶峰后保持平稳态势，2017年开始出现较为明显的下降。
图1 2008—2019年房地产金融化指数
次贷危机后，我国政府采取积极的财政政策和适度宽松的货币政策，加快基础设施以及保障性安居工程建设，鼓励普通商品住房消费，商业银行信贷规模不断扩大，住房价格出现了快速上涨，导致房地产行业大量信贷资金流入。因此，2008年之后，我国房地产金融化程度快速提升。
2012年以后，部分大中城市加强房地产市场调控，房地产开发贷款收紧，监管机构开始密切关注房地产企业融资行为，防止其违规套取银行资金。但与此同时，国内金融产品创新日益活跃，影子银行市场迅速膨胀，房地产企业转而求助于游离于正规银行部门的各类影子银行。因此，影子银行为房地产企业提供了大量资金支持，房地产金融化程度仍继续攀升。2014年至2016年上半年，房地产市场呈现“总量放缓、区域分化”状态，国家调控聚焦于去库存和分类管理，通过放松限购政策、公积金松绑、降准降息等措施对需求端进行调控，房地产金融化水平仍居高不下。2016年底，中央提出“房住不炒”定位后，出台了一系列政策助推表外资金回流表内，收紧银行信贷、保险、地方资产管理、海外发债等房地产融资渠道，房地产行业的杠杆率持续下降，我国房地产金融化指数出现回落。2020年在新冠肺炎疫情影响下，货币环境整体较为宽松，但房地产调控仍坚持“房住不炒”基调不变，2020年8月，央行提出了对房地产企业融资的三道红线以及相应的融资限制条件，2020年12月，房地产贷款集中度管理制度正式出台，标志着房地产金融长效管理机制进一步完善。
分区域来看，相比于中部和西部，东部区域房地产金融化指数于2010年达到高峰，之后整体较为平稳。主要由于东部地区城镇化水平较高，并且房地产企业融资渠道相对广泛，可以通过发行股票、债券等多种渠道筹集资金，对商业银行的信贷依赖度较低。所以尽管部分一线城市房价上涨明显，但房地产金融化指数整体偏低。而西部房地产金融化指数相比于东部和中部呈现较大差异，主要体现在西部地区房地产金融化指数最晚达到峰值，并自2016年开始出现回落，这主要是由于西部地区城镇化水平较低，在城镇化建设中房地产市场仍需大量资金支持。中部地区房地产金融化水平呈现较大波动幅度，且在趋势上与全国较为贴近。
（一）变量选取和数据来源
1.被解释变量
商业银行不良贷款率（NPL）。选择31个省份银行业金融机构不良贷款率，该数值越大，表明区域资产质量越低。2008—2018年数据来自EPS数据库，2019年数据来自中国银保监会网站。
2.解释变量
一是房地产金融化指数（RAFI），反映各省份房地产金融化水平。为使RAFI与其他数据量级较为一致，本文将计算得到的房地产金融化指数缩小100倍。
二是经济政策不确定性指数。本文采用Baker等（2016）根据《南华早报》关键词搜索测算得到的中国经济政策不确定性指数①数据来源于policy uncertainty网站（http://policyuncertainty.com/china_epu.html）。，并将月度指数经算术平均得到年度不确定性指数，再对年度数据取对数，记做LNEPU。
3.控制变量
为解决部分遗漏变量而导致的内生性问题，本文加入以下控制变量：经济增长水平（GDP）、消费者价格水平（CPI）、工业生产价格水平（PPI）、固定资产投资（IIFA）、财政风险（FDGDP）、居民收入（PGDP）、金融深化（CBGDP）。以上数据来自中经网、WIND以及EPS数据库，由于西藏地区固定资产投资价格指数部分指标缺失，采用其他年份数据平均值代替。同时，为避免异常值对实证结果造成的不利影响，本文对所有连续变量进行了1%水平上的Winsorize缩尾处理。
各变量介绍及说明如表2所示。
表2 变量介绍及说明
（二）模型设定
基于前文分析，为研究经济政策不确定性、房地产金融化与商业银行不良贷款率之间的关系，本文首先建立普通面板回归模型。
在（1）式中，i=1，2，3，......，n，表示第i个省份，t=2008，.......，2019。μit表示每个省份的个体效应，εit为随机扰动项。
前文分析，经济政策不确定下，房地产金融化对商业银行不良贷款率的影响是非线性的，即存在门槛效应。因此，本文在基本回归模型的基础上引入指数函数，建立单门槛模型。
在（2）式中，γ为门槛的临界值。当β1与β2不相等时，表明在不同门槛范围内回归系数不一致，即存在门槛效应。
（三）变量描述性统计
变量描述性统计如表3所示。
表3 变量描述性统计
（四）实证检验与结果分析
1.普通回归模型
通过对数据进行豪斯曼检验，发现拒绝原假设，本文采用固定效应模型进行普通面板回归。为检验固定效应模型的随机误差项，本文在固定效应模型的基础上，依次进行了异方差检验、序列相关检验以及截面相关性检验，检验结果表明不能使用传统的稳健性估计。因此，本文采用“异方差－序列相关－截面相关”稳健标准误对模型进行了修正，模型（1）的回归结果见表4。
表4 模型（1）和模型（2）回归结果
（1）经济政策不确定性、房地产金融化对商业银行不良贷款率的影响。从回归结果看，在1%的显著性水平下，LNEPU的系数为0.0042，表明随着经济政策不确定性的提高，商业银行不良贷款率将上升，资产质量出现下降。在10%的显著性水平下，房地产金融化同商业银行不良贷款率呈负向关系，房地产金融化能够降低商业银行不良贷款率，证实了假设H1。这表明在样本区间内，房地产市场能为商业银行提供优质的抵押资产，商业银行也倾向于将资金投向房地产领域，房地产金融化有利于降低商业银行不良贷款率。
（2）控制变量对商业银行不良贷款率的影响。消费者价格指数同商业银行不良贷款率显著负相关。消费者价格指数反映了物价水平上涨的程度，通货膨胀率高表明经济发展处于繁荣周期，商业银行所面临的宏观经济环境相对稳定，有利于降低商业银行不良贷款率。生产价格指数同商业银行不良贷款率显著正相关。生产价格指数反映了工业企业生产资料价格水平变动情况，原材料价格上涨可能冲击企业生产经营，导致商业银行不良资产增加。经济增长同商业银行不良贷款率显著负相关，表明较好的经济形势能为商业银行提供良好的外部经营环境，从而降低商业银行不良贷款率。居民收入同商业银行不良贷款率显著负相关，表明收入水平越高，个人信贷的偿还能力越强，因此越有利于降低商业银行不良贷款率。金融深化同商业银行不良贷款率显著负相关，表明当地金融发展水平越高，商业银行对经济的渗透度越深，抵抗风险的能力也越强，越有助于降低商业银行不良贷款率。固定资产投资价格指数、财政风险对商业银行不良贷款率的影响并不显著。
2.面板门槛模型
基于前文分析，本文将经济政策不确定性作为门槛变量，设置自举次数为500，依次检验是否存在双重门槛和单一门槛效应。检验结果（见表5）发现，在单一门槛下，p值为0.0120，表明房地产金融化对商业银行不良贷款率的影响存在单一门槛效应，验证了假设H2。
表5 门槛效应检验结果
模型（2）的回归结果如表4所示。根据表4，当经济政策不确定性指数小于门槛值5.1395时，房地产金融化同商业银行不良贷款率负相关，估计系数为-0.0155，在1%的显著性水平下显著；
当经济政策不确定性指数大于门槛值5.1395时，房地产金融化与商业银行不良贷款率仍显著负相关，但估计系数为-0.0098，表明随着经济政策不确定性的上升，房地产金融化对商业银行不良贷款率的降低作用明显减弱，经济政策不确定性存在门槛效应。
3.中介效应检验
为检验经济政策不确定性对房地产金融化发生作用的路径，本文借鉴吴军（2008）的研究[23]，使用存贷比作为中介变量，反映各省份银行体系流动性。同时，不同于传统的商业银行存贷比（银行贷款总额/存款总额），本文将存贷比定义为各省份银行业存款余额/各省份银行业贷款余额，记做LDR①该指标为正向指标，当LDR上升，表明银行体系流动性增强。。借鉴温忠麟等（2014）的研究[24]，建立如下三个模型，采用逐步回归系数法进行中介效应检验。其中，α1表示模型（3）中解释变量LNEPU对被解释变量RAFI的总效应，γ1是模型（4）中LNEPU对中介变量LDR的系数，φ2是模型（5）中中介变量LDR对被解释变量RAFI的系数。γ1×φ2即表示解释变量经由中介变量LDR产生的中介效应，φ1表示LNEPU对RAFI的直接效应，γ1×φ2/φ1是中介效应在总效应中所占的比重。具体检验过程如下，检验结果如表6所示。
表6 中介效应回归结果
第一步：对模型（3）进行OLS回归，检验经济政策不确定性与房地产金融化之间的主效应。检验结果表明，α1在1%的置信水平上显著，经济政策不确定性与房地产金融化呈负相关。
第二步：对模型（4）进行OLS回归，检验经济政策不确定性同银行体系流动性之间的关系。结果表明，经济政策不确定性上升将显著降低银行体系流动性，系数γ1=-0.199。
第三步：对模型（5）进行OLS回归，在加入银行体系流动性指标后，经济政策不确定性与房地产金融化指数仍显著负相关，但系数的绝对值由0.0466降低至0.0328；
银行体系流动性与房地产金融化也显著正相关，系数φ2=0.0696，这表明银行体系流动性在经济政策不确定性和房地产金融化间发挥着部分中介作用，假设H3成立。
具体来讲，经济政策不确定性对房地产金融化的总效应为-0.0466，其中直接效应为-0.0328。经济政策不确定性通过影响银行体系流动性对房地产金融化发挥的间接效应是γ1×φ2=-0.199×0.0696=-0.0139，银行体系流动性中介效应在总效应中占比为γ1×φ2/φ1=0.0139/0.0466=29.83%。
综上所述，银行体系流动性是经济政策不确定性影响房地产金融化的重要渠道。经济政策不确定性上升使得商业银行体系流动性降低，进而加速房地产金融化水平下降，这也与田国强等（2020）[9]的研究一致，即经济政策不确定水平上升，商业银行流动性创造能力将降低。同时，中介效应检验结果为经济政策不确定性的门槛效应提供了支撑，因为当经济政策不确定性加剧时，商业银行缩减流动性规模以及调整信贷结构，导致房地产市场资金压力加大，部分高杠杆房地产企业可能因为资金链断裂出现信贷违约，因此，将弱化房地产金融化对商业银行不良贷款率的作用。
4.引入经济政策不确定性虚拟变量
为进一步分析高经济政策不确定性背景下房地产金融化对商业银行不良贷款率的影响，本文设立经济政策不确定性的虚拟变量DLNEPU，以门槛值5.1395将LNEPU分为高低两类。当LNEPU高于5.1395时，DLNEPU取值为1，当LNEPU低于5.1395时，DLNEPU取值为0。因为经济政策不确定性将通过改变房地产金融化水平，进而改变商业银行不良贷款率。因此，本文以乘法方式引入DLNEPU，将DLNEPU×RAFI作为新的解释变量，构造模型（6），更精确地反映高经济政策不确定性背景下，房地产金融化对商业银行不良贷款率的影响。
回归结果见表7，结果显示，DLNEPUt×FAFIit项的系数为0.0052，在1%的显著水平下显著。表明在高政策不确定性下，房地产金融化对商业银行不良贷款率的边际影响由负转正，两者间的显著负向关系被弱化，房地产金融化加剧了商业银行不良贷款率的上升，证实了假设H4。这可能由于以下原因：一是高政策不确定性导致房地产金融化水平快速下降，在快速去金融化的过程中，可能会集中出现房地产企业现金流问题，使商业银行资产质量受到冲击。二是高政策不确定性导致的房地产价格波动，加剧了房地产抵押资产价值的波动，从而提高了商业银行所面临的风险水平。
5.分样本回归
更进一步，本文对样本进行分类回归，分别检验东部、中部、西部地区经济政策不确定性、房地产金融化对商业银行不良贷款率的影响。分类回归结果见表7，结果显示：（1）东部、中部地区房地产金融化对商业银行不良贷款率的影响都显著为负，西部地区系数不显著。就估计系数来看，东部地区房地产金融化对商业银行不良贷款率的估计系数为为-0.0116，相较于全国水平，绝对数值更小。可能因为东部地区城镇化率水平整体较高，且东部地区多为资金实力强的头部房地产企业，其在金融市场融资手段更丰富，与商业银行的依存度更低，因此，房地产市场的金融化对商业银行资产质量的促进作用有限。（2）经济政策不确定性虚拟变量和房地产金融化的交乘项系数都为正，体现了高经济政策不确定性下，房地产金融化会使得区域金融风险高度聚焦，影响区域银行资产质量，不过西部地区该指标系数并未通过显著性检验。中部地区该指标的估计系数显著大于东部，主要是因为中部地区居民收入、经济金融发展水平同东部地区有较大差距，且金融市场发展尚不成熟，房地产市场对商业银行体系的依赖性更强。因此，经济政策不确定性通过影响市场主体行为冲击房地产价格，形成与房地产金融化的相互作用，从而冲击商业银行资产质量。
表7 引入虚拟变量及分样本回归结果
（五）稳健性检验
为保证实证结果的可靠性，本文引入被解释变量NPL的一阶滞后项作为解释变量，运用动态面板模型进行稳健性检验，分别采用差分GMM和系统GMM进行估计。AR（1）和AR（2）的p值显示，在Arellano-Bond检验中，扰动项存在一阶自相关，不存在二阶自相关；
Sargan检验表明，所有工具变量都是有效的，不存在过度识别问题，所以差分GMM和系统GMM估计方法适用。回归结果见表8。无论是差分GMM还是系统GMM估计，实证结果与前文基本保持一致，且主要解释变量均通过显著性检验，证明了本文研究结论的稳健性。
表8 动态面板回归结果
本文基于房地产部门、金融部门以及居民部门三个层面，运用2008—2019年的样本数据，使用主成分分析法（PCA）构建我国房地产金融化指数，利用固定效应和面板门槛模型分析政策不确定性、房地产金融化与商业银行不良贷款率的关系，得到以下结论：（1）经济政策不确定性的上升将导致商业银行不良贷款率上升，而房地产金融化同商业银行不良贷款率呈显著负相关，即在样本期间内，房地产金融化对商业银行不良贷款率有降低作用。（2）经济政策不确定性对房地产金融化影响商业银行不良贷款率具有单一门槛效应。当经济政策不确定性指数低于e5.1395时，房地产金融化能够在一定程度上降低商业银行不良贷款率，提高商业银行资产质量；
当经济政策不确定性指数高于e5.1395时，房地产金融化对商业银行不良贷款率的降低效果下降。（3）银行体系流动性在经济政策不确定性和房地产金融化间发挥着中介作用，经济政策不确定性上升将通过降低银行体系流动性，加速房地产金融化水平下降。（4）高经济政策不确定性背景下，房地产金融化将加剧商业银行不良贷款率的上升。（5）相较于东部地区，中部地区商业银行不良贷款率受经济政策不确定性和房地产金融化的影响更为剧烈。综上，尽管样本期内房地产金融化并未导致大规模金融体系的动荡，并且能够降低商业银行不良贷款率，但如遇政策不确定性等叠加因素影响，将导致区域金融资产质量下降。
针对以上结论，本文提出如下建议：
1.稳定经济政策预期，加强微观主体引导。经济政策不确定通过对房地产和金融市场产生冲击，从而加剧商业银行资产质量的恶化。因此，要进一步稳定经济金融预期，注重房地产政策的稳定性、连续性，打造公开透明的政策环境，引导微观主体形成合理预期。
2.持续做好房地产金融风险监测。商业银行要加强对房地产金融风险的监测、分析和预警，进一步完善房地产金融风险监测预警体系；
加强对房地产行业贷款风险的事前、事中和事后控制，及时准确分析经济政策环境变化，避免流动性收缩引发的快速去金融化冲击资产质量。
3.加强房地产金融审慎管理。一是借助房地产融资“三线四档”政策，倒逼房地产企业优化融资结构，拓展融资渠道。二是持续做好房地产贷款集中度管理，防范信贷资金过度集中于房地产领域，引导房地产与金融市场良性发展。三是鼓励房地产企业通过发展REITs和CMBS等资产证券化产品，实现存量资产的盘活，提升房地产企业流动性。
猜你喜欢 不良贷款不确定性商业银行 法律的两种不确定性法律方法(2022年2期)2022-10-20商业银行资金管理的探索与思考大众投资指南(2020年10期)2020-07-24全球不确定性的经济后果英语文摘(2019年6期)2019-09-18英镑或继续面临不确定性风险中国外汇(2019年7期)2019-07-13英国“脱欧”不确定性增加 玩具店囤货防涨价玩具世界(2019年6期)2019-05-21关于加强控制商业银行不良贷款探讨消费导刊(2017年20期)2018-01-03用活“三字经”密织不良贷款防控网金融周刊(2016年19期)2016-07-13不良率农行最高中国经济信息(2015年8期)2015-05-05我国商业银行风险管理研究当代经济(2015年4期)2015-04-16发达国家商业银行操作风险管理的经验借鉴现代企业(2015年6期)2015-02-28本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0605/607659.html
