影子銀行對國內房價的影響

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了影子銀行對國內房價的影響范文，希望能給你帶來靈感和參考，敬請閱讀。

【摘要】中國影子銀行規模的不斷擴張，對中國經濟帶來了潛在危險。此外，影子銀行具有一定的銀行功能，對房地產行業融資渠道進行補充。本文通過收集中國年度數據，構建VAR模型，分析影子銀行規模與房地產價格之間的關系，得出了：影子銀行在一定程度上影響商品房價格。

【關鍵詞】影子銀行；房地產價格；VAR模型

引言

自2008年美國次貸危機發生以來，“影子銀行”這四個字就被各國學者所青睞。它被認定為是次貸危機發生的元兇，為經濟的發展帶來了潛在的威脅。在中國，雖然影子銀行相對于國外發展路程緩慢，但它在中國由先前的不活躍到現在它已經積累到不可忽視的數字，引起了中國政府的關注。同時，房地產行業在中國經濟發展道路中，是一個支柱產業，為中國的經濟發展做出了不可忽視的貢獻。由于房地產行業資金需求量很大，向銀行貸款不足，導致房地產企業通過影子銀行渠道進行融資。所以實證研究房地產行業與影子銀行之間的關系，不僅僅有利于了解影子銀行在房地產行業的作用，更對掌握影子銀行在房地產行業得風險也有很重要的意義。

1文獻綜述

目前國內外關于研究影子銀行與房地產之間的關系的文獻有很多，有相當一部分的研究是基于理論的，有部分則是基于各種模型進行實證分析，得到的研究結果也不盡相同。魏燕子（2016）通過建立VAR模型，脈沖響應和方差分解的方法，結果顯示：影子銀行快速發展在一定程度上能夠有效緩解房地產行業從正規商業銀行融資難的問題，在短期內平抑了房價。李曉峰、晏妮（2018）采用向量自回歸模型探究北京市影子銀行規模與房價之間的關系，結果發現北京市影子銀行的規模與房價之間具有長期協整關系，對房價產生正向影響。劉子策（2020）構建動態隨機一般均衡模型，研究了影子銀行對地價、房價上漲的作用以及房地產與影子銀行的相互作用對中國經濟波動的影響。結果表明，放松對影子銀行的監管時，地價和房價的上升幅度顯著增大。張輝（2019）采用主成分分析法并構建SVAR模型進行實證分析。分析結果表明：影子銀行與房地產價格之間存在著相互促進的關系。李丹丹（2015）采用EGARCH-M模型實證分析結果顯示影子銀行對房價具有正向影響。賈生華等（2016）通過構建結構向量自回歸模型進行實證，研究結果表明影子銀行規模的上升促進了房價的抬升。任行偉等（2019）基于影子銀行與房地產價格之間的作用機理，構建結構向量自回歸模型（SVAR）進行研究，實證研究結果表明影子銀行規模擴大推高了房價。張曾蓮、何蘭芳（2017）選取31個省的面板數據，引用門檻效應模型，實證研究影子銀行與商品房價格之間的關系，研究結果表明：影子銀行在一定規模下，能顯著促進商品房價格的上漲；當影子銀行超過一定規模后，影子銀行對商品房價格的影響不再顯著。綜上所述，目前學者研究方向不一致，選取的模型和指標也不相同，得到的結果同樣不同。本文通過不同于以前學者的影子銀行規模的測算方法以及指標的選取進行實證分析。

2實證分析

2.1變量選取與數據來源

被解釋變量：商品房價格（vsale），計算公式為：商品房銷售額/商品房銷售面積。被解釋變量：影子銀行規模（scale），本文影子銀行規模規模的測算借鑒封思賢（2014）未觀測信貸規模的計算方法。控制變量：貨幣供應量（M2），國內生產總值（GDP），房地產住宅投資（ivh），分別借鑒魏燕子（2016）、王若涵（2020）、張曾蓮（2017）的控制變量選取。進行數據處理時，為了消除異方差所帶來的影響，本文對所選取的變量取對數處理。本文選取2000年-2018年中國的年度數據為研究區間，運用Eviews10.0軟件進行實證分析。數據來源于國家統計局和中國統計年鑒。

2.2ADF檢驗

在建立VAR模型之前需要對本文的數據進行平穩性檢驗。ADF單位根檢驗結果見表1。從表中可以看出本文所處理的變量都在二階差分平穩，符合構建VAR的基礎條件。

2.3Johenson協整檢驗

本文為了檢驗五個變量之間是否存在長期的關系，采用Johenson協整檢驗方法對上述變量進行檢驗，檢驗結果表2。從表2得出，原假設的跡檢驗統計量和最大特征值統計量在5%顯著性水平下顯著，即在5%顯著性水平下拒絕原假設，表明五個變量之間存在四個協整關系，五個變量之間存在長期均衡關系。

2.4AR檢驗

從圖1中可以看出，沒有單位根落在單位圓外，表明時間序列數據是穩定的，符合建立VAR模型標準，選取的五個變量可以進行VAR模型實證分析。

2.5脈沖分析

根據Eviews10.0軟件的處理結果顯示最優滯后階數為2階。此外，本文主旨研究是影子銀行規模對房價的影響研究，所以本文在做脈沖響應分析時，只對影子銀行與房價之間做脈沖響應。圖2表示影子銀行規模與商品房價格之間的脈沖響應圖。從圖2中可以看出，給影子銀行規模一個沖擊，對商品房價格有一個正向的影響，并在第二期達到最大值，隨后開始下降。在第六期又開始上升，并在第十期之后趨于平穩。這說明，影子銀行規模的不斷擴大，促進了房地產行業的發展，使更多的房地產公司和更多的資金進入房地產行業，從而促進了商品房價格的上升，這種促進作用是正向的且長期的。

2.6方差分解

為了進一步分析LNSCALE、LNM2、LNIVH、LNGDP四個變量對LNVSALE增長率的貢獻程度，需要對LNVSALE進行方差分解。根據表3，除了商品房價格對自身的貢獻度之外，LNSCALE在促進商品房價格上漲貢獻度最大，貢獻程度大概在19.65%-36.58%。LNIVH對房價貢獻程度其次，大概在8.04%-13.51%。LNM2對房價的貢獻程度大概2.29%-4.23%。LNGDP對房價的貢獻程度大概在0.38%-0.66%。方差分解的結果和上述的實證分析結果相互一致。

3結論與建議

本文通過選取2000-2018年共19年的年度數據，選取了五個變量并且經過ADF檢驗等之后構建向量自回歸模型（VAR模型）進行實證分析，分析了我國影子銀行規模與我國房價之間關系，實證分析得出：影子銀行規模的擴張，促使了房價的上漲。基于以上實證分析得出的結果，提出以下相關建議：第一：影子銀行雖然促進了房地產行業的發展，進而促進了房價的上升。但由于正規商業銀行融資有，房地產行業資金需求不足，進而轉向影子銀行融資，導致房地產行業越來越依賴影子銀行渠道進行融資，所以房地產企業自身應當慢慢減少對影子銀行融資的依賴。第二：政府不僅要控制房價的過度上漲，還要提高房地產行業門檻。這是因為影子銀行進入房地產行業以高于銀行貸款的利率要為自身盈利，增高了房地產企業開發成本，進而導致了房價的上漲。如此循環，就會導致房價的過度上漲，所以一方面政府應該控制房價的上漲，另一方面要提高企業進入房地產行業進行資格。

【參考文獻】

[1]魏燕子.影子銀行與我國房地產價格相互影響研究——基于VAR模型的實證分析[A].金融經濟，2016.

[2]李曉峰,晏妮.北京市影子銀行規模及其對北京市房價的影響分析[A].北京聯合大學學報(人文社會科學版)，2018.

[3]劉子策.影子銀行、房地產價格與中國經濟波動[A].武漢金融，2020.

[4]張輝.影子銀行、房價波動與金融穩定性的動態研究——基于SVAR模型的實證分析[A].專題，2019.

作者：何曉繁 周子翔 單位：青海民族大學