城市间房价相关性与系统性金融风险防范#
陈雪楚，彭建刚，吴梦吟**
基金项目：国家自然科学基金项目（71073048）
作者简介：陈雪楚，（1974-），男，湖南大学金融学博士研究生。研究方向：金融管理
通信联系人：彭建刚，（1955-），男，经济学博士，湖南大学金融与统计学院教授、博士生导师，湖南大
学金融管理研究中心主任。研究方向：金融管理. E-mail: pengjiangang@hotmail.com
（湖南大学金融管理研究中心，长沙 410079）
5 摘要：我国城市间房价呈现较强的相关性，房价泡沫有可能通过城市间价格相关性产生风险
传染效应，进而引发系统性金融风险。空间滞后模型实证分析表明，周边区域房价、人均
GDP 和房地产贷款量对我国房价泡沫有显著影响，其中周边区域房价指标影响最稳定，单位
房贷比例指标变动对房价影响最大。
关键词：房价相关性；系统性金融风险；房地产贷款；空间计量经济学模型
10 中图分类号：F830.572
Correlation of House Price among Cities and Prevention of
Financial Systematic Risk
CHEN Xuechu, PENG Jiangang, WU Mengyin
15 (Research Center of Financial Management, Hunan University, ChangSha 410079)
Abstract: Strong correlation of inter-city house prices exists in China, and house price bubble
could cause risk infection through correlation of house price among cities, then trigger systematic
risk of finance. Empirical analysis of spatial lag model has shown that house prices of surrounding
cities, which got most stable influence, per capita GDP and real estate loan volume influenced
20 house price bubble significantly, and percentage change in unit of real estate loan ratio is of the
largest influence.
Keywords: correlation of house price; financial systematic risk; real estate loan; spatial
econometric model
25 0 引言
伴随着我国房地产行业的市场化进程，城市的房屋价格（简称房价）不断推出新高，部
分城市房价已产生泡沫，银行信贷资金和民间资金纷纷涌入房地产的开发和消费中。美国次
贷危机后，人们开始反思，应对房地产行业系统性金融风险进行监控和管理，避免在宏观经
济冲击下房地产融资市场风险的产生和传染，维护金融体系稳定。
30 系统性金融风险是指由金融机构本身不可控制的因素引起的，不能被消除的，由金融市
场所有参与者共同面临的风险。系统性金融风险通常是指金融风险从一个机构传递到多家机
构、从一个市场蔓延到多个市场，包括出现违约现象的传递性和发生客户大面积违约现象，
从而使整个金融体系变得极为脆弱的可能性。系统性金融风险具有突发性、传染性和外部性。
美国经济学家Bernanker、Gertler 和Gilchrist（1996）指出，信贷市场的传导机制具有加速
35 器效应，能将经济变量周期性波动产生的冲击效应放大。所以，应避免信贷市场系统性风险
的放大效应，防范系统性风险爆发，维持金融体系的稳定。
房地产行业作为国民经济支柱行业，融资的期限长、涉及的资金总量大且周期性强，其
融资市场容易产生系统性金融风险。目前，在许多城市房地产价格处于高位的形势下，国家
对房地产行业和房地产融资进行宏观调控，集中在对房地产行业土地囤积、捂盘惜售、投机
40 性购房等现象进行统一的整治，而缺乏对各城市的房地产行业进行差别化管理。一些国家也
 存在着高房价现象，但并不一定都会引起系统性金融风险。为了防范房地产市场系统性金融
风险，需要对房价泡沫的影响因素进行识别和分析，需要考虑不同城市间房价的联动性及其
泡沫的传递性。
本文采用空间计量经济学模型，在分析2003-2007 年我国34 个大城市（省会城市、直
45 辖市和部分经济发达城市）的商品房均价的空间分布相关性的基础上，从系统性风险防范角
度对各城市房价泡沫的主要影响因素进行了识别和分析。
1 文献综述
国外有些学者对区域房地产价格差异进行了研究。Downs（1993）的实证指出：房地产
价格波动存在差别是由市场条件的基本差别造成的，如可能存在的快速增长的公司或者人口
50 的快速增长。动态市场比静态市场存在更频繁或更剧烈的周期波动。[1]Gavin，John 和Anthony
（2006）考虑了交易成本、信用指数、利率等因素，通过建立动态面板数据模型，指出英国
9 个地区的房价不存在泡沫 [2] 。Mange 和Rady（2004）分析了英国住宅交易量与宏观经济
波动之间的关系，指出住宅需求是市场交易量的关键因素，且证明了人口结构变化和金融自
由化对市场中房地产交易量的影响[3]。上述学者的研究对分析区域房价差异有启示，但这些
55 文献没有研究区域间房地产价格的相关性，更没有将区域间房地产价格的相关性与系统性金
融风险联系起来。
国内在区域房地产价格影响因素方面的研究文献有：沈悦，刘洪玉（2004）通过对14
个城市的实证分析指出，1998 年前这些城市经济基本面的当前信息和历史信息可以解释住
宅价格水平及其变化率，而在1998 年后经济基本面信息对住宅价格的解释能力就显得不
60 足，其中2001-2002 年间各城市住宅价格的增长已经无法很好地用经济基本面和住宅价格
的历史信息进行了解释[4]。梁云芳，高铁梅（2007）通过分析我国东、中和西部各省房价波
动差异指出，房价波动具有显著的区域不均衡性，信贷规模和人均GDP 都对房价的变动有
显著影响，然而对不同区域的房价波动的影响程度不同[5]。郑娟尔（2009）通过实证指出，
土地供应量对调控房价有一定作用，但需一些辅助工具[6]。国内这些文献虽然从某一角度研
65 究了房地产价格的影响因素，但没有从系统性金融风险角度研究各城市房价泡沫形成的因
素。
2 区域间房价相关性分析
区域间资产价格泡沫的相互传染和不断累积使得系统性风险持续积聚。对房地产系统性
金融风险的评估，需要对区域性资产价格泡沫影响因素进行分析。为此，我们需要对各区域
70 之间房价的相关性进行研究。
下面对我国34 个大城市（直辖市、各省省会和部分经济发达城市）房价的相关性效应
进行分析。通过建立空间面板数据模型，论证我国34 个城市间房价的空间自相关性。由于
房地产行业和相关金融市场的潜在风险主要集中在房价泡沫上，故本文采用衡量各城市商品
房均价的整体Moran ’s I 指数：
( )( )
1 1
2
1
'
n n
ij i j
i j
n n
ij
i j i
w x x x x
Moran sI
S w
= =
= ≠
− −
=
ΣΣ
ΣΣ
75 (1)
 其中( )2
2
1
1 n
i
i
S x x
n =
= Σ − ，
1
1 n
i
i
x x
n =
= Σ ， i x 为城市i 的商品房均价，n 为样本量（在本
文为34）； ij W 为二进制的以距离为标准的空间权重矩阵。本文采用距离标准来研究空间对
象的相互邻接关系，将地理信息系统数据库的有关属性放到所研究的地理空间上来对比。将
ij W 定义为：
1,
0, ij w
⎧
=⎨⎩
当城市i和城市j的直线距离小于可影响半径r
其他
80 (2)
其中，i=1, 2,.....,n; j=1,2,.......,n 。由式（2）可知，以距离为标准的地理权重矩阵ij W
是对角线为0 的轴对称矩阵，即ij ji w =w ， 0 ii w = 。本文取可影响半径为r=600 公里。改
变可影响半径对检验结果并无实质影响。
整体Moran’s I 指数可看作各区域观测值的乘积之和，其取值范围在-1 到1 之间，若各
85 区域间经济行为为空间正相关，其数值应为正值，负相关则为负值，不相关则为0。相关程
度越高，则该指数的绝对数值越大。在本文中，样本城市的商品房价格的局域相关性即可在
Moran’s I 指数中反映出来。
根据前面的分析，作出以下假设：
H0：样本城市商品房价格不存在空间自相关性；
90 H1：样本城市商品房价格存在空间自相关性。
根据Moran’s I 指数的计算结果，采用随机分布假设检验n 个区域是否存在空间自相关
关系，其标准化形式为：
( ) ' ()
( )
z I Moran sI E I
VaR I
−
= (3)
在无效假设H0 下，即研究对象无空间自相关性，此时Moran’s I 的理论期望值为
( ) 1
1
E I
n
= −
−
95 (4)
( )
( )( )( ) ( )
2 2 2 2
1 2 0 1 2 0 2
2
0
( 3 3) 3 2 6
( )
1 2 3
n n n w nw w k n n w nw w
VaR I E I
w n n n
=⎡⎣ − + − + ⎤⎦− ⎡⎣ − − + ⎤⎦−
− − −
(5)
其中0
1 1
n n
ij
i j
w w
= =
= ΣΣ ， ( )2
1
1 1
n n
ij ji
i j
w w w
= =
=ΣΣ + ，
2
2
1 1 1
n n n
ij ji
i j j
w w w
= = =
⎛ ⎞
= ⎜ + ⎟
⎝ ⎠
Σ Σ Σ 和
( ) ( ) 2
4 2
1 1
n n
i i
i i
k x x n x x n
= =
⎡ ⎤ ⎡ ⎤
=⎢⎣ − ⎥⎦ ⎢⎣ − ⎥⎦ Σ Σ 。
与正态分布假设得到的结果不一样，随机分布假设下VaR 值依赖于各个城市的商品房
100 价格取值，因此不需要对样本的分布进行预测和假设。2003 年至2007 年，在5%的显著性
水平，34 个大城市的Moran’s I 指数以及经标准化后的计算结果见表1。
 表1 我国34个城市房价自相关性指标整体Moran ’s I指数及其Z值
年份 Moran’s I Moran’s I
期望值E(I )
标准差
Sd
正态性
统计量Z
小概率
p 值
2003 0.30354284 -0.030303 0.1222878 2.730002 0.0033
2004 0.329024778 -0.030303 0.1226452 2.929814 0.0018
2005 0.358998661 -0.030303 0.126548 3.076314 0.0013
2006 0.341650203 -0.030303 0.1254908 2.963987 0.0016
2007 0.325715698 -0.030303 0.1214249 2.932008 0.0018
110 Moran’s I 值与样本数据有关，应对Moran’s I 指标进行正态化处理后进行比较分析，从
而判断各城市间房价的空间自相关性程度。由各年的正态性统计量Z 可知，在给定的显著
性水平下，2003-2007 年我国34 个大城市的房价均存在空间自相关性。近些年来我国城市
间的房价自相关表明房地产泡沫在各个区域间传递和累积，而房地产系统性金融风险也伴随
学术论文网Tag：代写论文 代写代发论文 经济论文代写 经济论文发表