【摘要】圍繞著房地產(chǎn)金融活動(dòng)主體,綜合考量外部風(fēng)險(xiǎn)引致因素,構(gòu)建了房地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)體系,以支持向量機(jī)模型和粒子群優(yōu)化算法為內(nèi)核建立評估模型,對京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)變化趨勢進(jìn)行分析; 以一年為時(shí)間窗口期,對京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)進(jìn)行評估。結(jié)果顯示,2010-2021 年京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)呈現(xiàn)風(fēng)險(xiǎn)凸顯、風(fēng)險(xiǎn)緩釋和風(fēng)險(xiǎn)再積聚三種階段性演變特征; 2021 年前兩個(gè)季度為輕度風(fēng)險(xiǎn)狀態(tài),但存在向風(fēng)險(xiǎn)中度、重度轉(zhuǎn)化的不利趨勢。
【關(guān)鍵詞】 京津冀地區(qū) ; 房地產(chǎn)金融風(fēng)險(xiǎn) ; 風(fēng)險(xiǎn)評估
一、 引言
堅(jiān)決守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線,是當(dāng)前我國金融工作的重中之重。房地產(chǎn)與金融高度關(guān)聯(lián),防范區(qū)域性房地產(chǎn)金融風(fēng)險(xiǎn)是守住系統(tǒng)性風(fēng)險(xiǎn)的當(dāng)務(wù)之急。[1]京津冀地區(qū)作為首都經(jīng)濟(jì)圈,其房地產(chǎn)金融風(fēng)險(xiǎn)評估和防范尤為重要。隨著京津冀協(xié)同發(fā)展戰(zhàn)略的深度實(shí)施,京津冀三地經(jīng)濟(jì)聯(lián)系日趨頻繁,經(jīng)濟(jì)聯(lián)動(dòng)性不斷增強(qiáng),原本相對分割的房地產(chǎn)市場隨著三地發(fā)展定位的調(diào)整、產(chǎn)業(yè)戰(zhàn)略的變化及城市功能的不斷完善而愈加緊密。在京津冀協(xié)同發(fā)展的動(dòng)態(tài)演進(jìn)中,三地房地產(chǎn)金融風(fēng)險(xiǎn)呈現(xiàn)怎樣的狀態(tài)及變化趨勢? 區(qū)域內(nèi)有沒有發(fā)生風(fēng)險(xiǎn)傳染和累積? 三地各級政府在推進(jìn)京津冀協(xié)同發(fā)展中迫切需要了解和把握這些問題,因?yàn)檫@不僅關(guān)系到首都金融安全和京津冀地區(qū)金融風(fēng)險(xiǎn)的防范,也直接影響著全國金融 風(fēng)險(xiǎn)的防控與工作部署。 因此,有必要構(gòu)建一套針對京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)特點(diǎn)的評估指標(biāo)體系和評估模型,以期對京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)狀態(tài)作出判斷及評估,并給予風(fēng)險(xiǎn)警示及應(yīng)對之策。
二、文獻(xiàn)述評
(一) 房地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)的選取
科學(xué)合理的評估指標(biāo)選取是風(fēng)險(xiǎn)評估的基礎(chǔ),已有文獻(xiàn)對房地產(chǎn)金融風(fēng)險(xiǎn)的理解和界定不同,因而在評估指標(biāo)選擇和指標(biāo)體系構(gòu)建上存在著一些差異。劉文輝等認(rèn)為,房地產(chǎn)金融過程繁多,在度量金融風(fēng)險(xiǎn)時(shí)不可能對每個(gè)環(huán)節(jié)進(jìn)行考察,運(yùn)營是其重要方面,構(gòu)建了包括宏觀指標(biāo)和經(jīng)營指標(biāo)兩個(gè)方面的預(yù)警指標(biāo)體系,宏觀指標(biāo)包括政治環(huán)境指標(biāo)、政策法律環(huán)境指標(biāo)、社會(huì)環(huán)境指標(biāo)和經(jīng)濟(jì)環(huán)境指標(biāo),經(jīng)營指標(biāo)包括土地環(huán)境指標(biāo)、籌資指標(biāo)、行業(yè)風(fēng)險(xiǎn)、開發(fā)時(shí)機(jī)風(fēng)險(xiǎn)等。[2]周星提出,要按照房地產(chǎn)項(xiàng)目的全過程對各個(gè)金融風(fēng)險(xiǎn)主體(主要包括房地產(chǎn)開發(fā)商、銀行和消費(fèi)者) 進(jìn)行風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建,例如,投資開 發(fā)階段房地產(chǎn)開發(fā)商的風(fēng)險(xiǎn)預(yù)警指標(biāo)包括資產(chǎn)負(fù)債率、土地儲(chǔ)備貸款風(fēng)險(xiǎn)、貸款利率、商品房價(jià)格和地價(jià),商品房銷售階段銀行的風(fēng)險(xiǎn)預(yù)警指標(biāo)包括個(gè)人信用風(fēng)險(xiǎn)和商業(yè)欺詐風(fēng)險(xiǎn)。[3] 王靖為從房地產(chǎn)與國民經(jīng)濟(jì)關(guān)系、行業(yè)發(fā)展水平和信貸資金安全三個(gè)方面構(gòu)建了重慶市房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警體系,其中,房地產(chǎn)與國民經(jīng)濟(jì)的協(xié)調(diào)關(guān)系指標(biāo)包括房地產(chǎn)投資總額與社會(huì)固定資產(chǎn)投資總額之比、房地產(chǎn)投資增長率與 GDP 增長率之比和房價(jià)收入比。[4]孫蕾從房地產(chǎn)增長速度、市場供求均衡狀況、房地產(chǎn)與國民經(jīng)濟(jì)發(fā)展的協(xié)調(diào)性和房地產(chǎn)與金融發(fā)展的密切關(guān)系四個(gè)方面構(gòu)建了預(yù)警指標(biāo)體系,其中,反映房地產(chǎn)增長速度的指標(biāo)包括房地產(chǎn)開發(fā)投資增長率、商品房銷售面積增長率、商品房施工面積增長率等,反映市場供需均衡狀況的指標(biāo)包括房地產(chǎn)供銷比率、房地產(chǎn)供求比率、商品房空置率和房價(jià)收入比等。[5] 王玲玲等從柳州市房地產(chǎn)市場運(yùn)行狀況和房地產(chǎn)金融潛在風(fēng)險(xiǎn)出發(fā),選取房地產(chǎn)投資增長率、房地產(chǎn) 開發(fā)投資總額與 GDP 之比、房地產(chǎn)開發(fā)貸款余額與全部金融機(jī)構(gòu)貸款余額之比、房屋施工面積與竣工面積之比等11個(gè)預(yù)警指標(biāo)建立了房地產(chǎn)金融風(fēng)險(xiǎn)評估模型進(jìn)行研判。[6]
上述文獻(xiàn)對風(fēng)險(xiǎn)評估指標(biāo)的選取主要集中于普適性的通用型指標(biāo),而對反映區(qū)域性風(fēng)險(xiǎn)差異性的評估指標(biāo)缺乏體現(xiàn)。而事實(shí)上,不同地域房地產(chǎn)金融風(fēng)險(xiǎn)的成因千差萬別。對違規(guī)操作的道德風(fēng)險(xiǎn)、商業(yè)欺詐風(fēng)險(xiǎn)、開發(fā)時(shí)機(jī)風(fēng)險(xiǎn)和預(yù)售階段未知風(fēng)險(xiǎn)等類風(fēng)險(xiǎn)指標(biāo),已有文獻(xiàn)也主要是進(jìn)行了學(xué)理意義上的探討,在替代指標(biāo)選取、指標(biāo)量化和數(shù)據(jù)搜集處理等方面也未給出具有可操作性的研究結(jié)果。此外,已有文獻(xiàn)也較少考慮風(fēng)險(xiǎn)評估指標(biāo)的正負(fù)向?qū)傩?,風(fēng)險(xiǎn)評估指標(biāo)和評估目標(biāo)之間的聯(lián)動(dòng)關(guān)系模糊不清,在建模過程中存在著風(fēng)險(xiǎn)評估區(qū)間劃分的隨意性和主觀性等問題, 進(jìn)而影響評估的科學(xué)性和準(zhǔn)確度。
(二) 風(fēng)險(xiǎn)評估模型選擇
對于風(fēng)險(xiǎn)評估模型的構(gòu)建,國內(nèi)外學(xué)者們已做了很多研究,也得出了較為豐富的研究結(jié)論。 國外常用的金融風(fēng)險(xiǎn)預(yù)警模型主要有FR 模型、 KLR 信號法、STV 模型和 VAR 模型,而國內(nèi)常用的金融風(fēng)險(xiǎn)預(yù)警模型主要有 VAR 模型、SVM 模 型和 BP 神經(jīng)網(wǎng)絡(luò)模型。[7-15]弗蘭克爾(Frankel) 等以100個(gè)發(fā)展中國家在1971-1992 年這段時(shí)間發(fā) 生的貨幣危機(jī)為樣本,使用各個(gè)國家的年度數(shù)據(jù),建立了可以估計(jì)貨幣危機(jī)發(fā)生可能性的FR 概率模型。[8]卡明斯基(Kaminsky) 等提出 KLR 信 號預(yù)警模型,該模型通過對可能引發(fā)危機(jī)的變量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,確定與貨幣危機(jī)有顯著聯(lián)系的變量,以此作為貨幣危機(jī)發(fā)生的先行指標(biāo)。[9]徐文彬以中國銀行、建設(shè)銀行等10家上市銀行為樣本代表整體,以銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)為預(yù)警目標(biāo),通過VAR模型測度了銀行業(yè)金融機(jī)構(gòu)的風(fēng)險(xiǎn)價(jià)值及其與金融市場之間的風(fēng)險(xiǎn)溢出效應(yīng)。[12]李琴選取公司償債能力、盈利能力等傳統(tǒng)公司評價(jià)指標(biāo)作為預(yù)警指標(biāo),通過 SVM 模型建立了重慶市房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警模型。[13]淳偉德等以供給側(cè)結(jié)構(gòu)性改革期間潛在的系統(tǒng)性風(fēng)險(xiǎn)為研究對 象,運(yùn)用四種核函數(shù) 的 SVM 模型、Logit 回歸、DDA 和 BPNN模型建立了對系統(tǒng)性風(fēng)險(xiǎn)的預(yù)警模型,通過 F1-score 和 AUC 對 7 個(gè)預(yù)警模型預(yù) 測結(jié)果進(jìn)行對比發(fā)現(xiàn),采用多項(xiàng)式核函數(shù)的 SVM 預(yù)警模型為最優(yōu)的預(yù)警模型。[14] 李夢雨選取了關(guān)系我國金融系統(tǒng)穩(wěn)定的16項(xiàng)經(jīng)濟(jì)變量,利用主成分分析法和 K-均值聚類算法進(jìn)行了數(shù)據(jù)的處理和風(fēng)險(xiǎn)狀態(tài)的分類,進(jìn)而借助BP神經(jīng)網(wǎng)絡(luò)建立了我國系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警模型。[15]王玲玲等選取了房地產(chǎn)投資增長率等 11項(xiàng)與房地產(chǎn)金融風(fēng)險(xiǎn)相關(guān)的指標(biāo)并通過BP神經(jīng)網(wǎng)絡(luò)模 型對柳州市房地產(chǎn)金融風(fēng)險(xiǎn)建立了預(yù)警模型。[6]
綜合來看,風(fēng)險(xiǎn)評估模型研究較為豐富,但是,已有文獻(xiàn)普遍缺乏對所選模型和現(xiàn)實(shí)風(fēng)險(xiǎn)的適用性進(jìn)行分析,對風(fēng)險(xiǎn)評估的邏輯機(jī)理及指標(biāo)之間的內(nèi)在關(guān)聯(lián)缺乏清晰的揭示,主要依賴模型技術(shù)實(shí)現(xiàn)評估結(jié)果,而對風(fēng)險(xiǎn)產(chǎn)生、傳遞的經(jīng)濟(jì) 關(guān)聯(lián)和邏輯機(jī)理研究不足,模型選擇的依據(jù)模糊,評估結(jié)果缺乏參照對比,也就使得結(jié)論的科學(xué)性、充分性容易受到質(zhì)疑。
三、評估指標(biāo)體系的構(gòu)建
(一) 數(shù)據(jù)來源
本文選取了北京(19個(gè)) 、天津(17 個(gè)) 和河北(17個(gè)) 的房地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)并搜集了相關(guān)數(shù)據(jù),時(shí)間跨度為2010-2019年,數(shù)據(jù)頻率為季度,數(shù)據(jù)來源為各省統(tǒng)計(jì)年鑒、前瞻數(shù)據(jù)庫、中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫和Wind 數(shù)據(jù)庫。
(二) 指標(biāo)選取與說明
科學(xué)合理地構(gòu)建房地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)體系,是房地產(chǎn)金融風(fēng)險(xiǎn)評估模型建立的基礎(chǔ),也是評估有效性的保障。房地產(chǎn)金融活動(dòng)的經(jīng)濟(jì)聯(lián)系是評估指標(biāo)構(gòu)建的基本邏輯。銀行等金融機(jī)構(gòu)為房地產(chǎn)業(yè)從開發(fā)到消費(fèi)的全過程提供融資服務(wù),房地產(chǎn)金融活動(dòng)的正常循環(huán)是房地產(chǎn)金融風(fēng)險(xiǎn)可控的前提條件。而房地產(chǎn)開發(fā)商、房地產(chǎn)消費(fèi)者等主體以及宏觀經(jīng)濟(jì)狀況、政策變化、房地產(chǎn)業(yè)在經(jīng)濟(jì)中占比等外部因素,均可能導(dǎo)致房地產(chǎn)金融活動(dòng)正常循環(huán)的中斷和終止,從而引起房地產(chǎn)金融風(fēng)險(xiǎn)的積聚與爆發(fā)。 由此本文認(rèn)為,房產(chǎn)金融風(fēng)險(xiǎn)是指銀行等金融機(jī)構(gòu)、房地產(chǎn)開發(fā)商和房地產(chǎn)消費(fèi)者及地方政府四個(gè)房地產(chǎn)金融活動(dòng)主體在相互聯(lián)系的發(fā)展過程中,由于自身發(fā)展失衡或在外部致險(xiǎn)因素干擾下,導(dǎo)致一個(gè)或多個(gè)主體經(jīng)濟(jì)利益受損,進(jìn)而引發(fā)銀行等金融機(jī)構(gòu)經(jīng)濟(jì)利益受損的風(fēng)險(xiǎn),甚至可能引發(fā)風(fēng)險(xiǎn)在相關(guān)主體和區(qū)域間傳遞,最終形成區(qū)域性、全國性的房地產(chǎn)金融風(fēng)險(xiǎn)。
從以上界定出發(fā),借鑒國內(nèi)外學(xué)者進(jìn)行風(fēng)險(xiǎn)評估指標(biāo)選取的經(jīng)驗(yàn),基于目的性、全面性、可操作性、科學(xué)性、可比性和先兆性的評估指標(biāo)選取原則,本文主要從房地產(chǎn)金融活動(dòng)主體和房地產(chǎn)金融風(fēng)險(xiǎn)外部致險(xiǎn)因素兩個(gè)角度構(gòu)建京津冀房 地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)體系 (表1) 。[3-6,16-20]
1.一級指標(biāo)的選擇邏輯
由于房地產(chǎn)金融活動(dòng)中包含著房地產(chǎn)開發(fā)商、房地產(chǎn)消費(fèi)者、銀行等金融機(jī)構(gòu)及地方政府四個(gè)主體。[3]本文以房地產(chǎn)市場供給狀況反映房地產(chǎn)開發(fā)商從開發(fā)投資、商品房建設(shè)到商品房銷售整個(gè)生產(chǎn)流程的風(fēng)險(xiǎn)狀況; 以房地產(chǎn)市場需求狀況反映房地產(chǎn)消費(fèi)者對商品房的需求并對比供給來說存在的風(fēng)險(xiǎn) ; 以金融機(jī)構(gòu)的涉房業(yè)務(wù)狀況反映銀行等金融機(jī)構(gòu)通過與房地產(chǎn)業(yè)的業(yè)務(wù)關(guān)聯(lián)所累積的風(fēng)險(xiǎn) ; 以地方土地市場和財(cái)政狀況反映在我國現(xiàn)行稅收體制下,地方政府通過土地市場這個(gè)前端市場平衡財(cái)政收支的同時(shí)可能向后端引致的風(fēng)險(xiǎn)積累。對于房地產(chǎn)金融風(fēng)險(xiǎn)外部致險(xiǎn)因素維度的一級評估指標(biāo)選取,本文以房地產(chǎn)業(yè)與國民經(jīng)濟(jì)協(xié)調(diào)發(fā)展?fàn)顩r反映地區(qū)房地產(chǎn)業(yè)在地區(qū)經(jīng)濟(jì)中所占據(jù)的比重和地位,進(jìn)而衡量房地產(chǎn)金融風(fēng)險(xiǎn)可能帶來的沖擊大小 ; 以宏觀經(jīng)濟(jì)及政策狀況代表可能觸發(fā)房地產(chǎn)金融風(fēng)險(xiǎn)的外部客觀因素。[16]
2. 主體視角下二級指標(biāo)的選擇
房地產(chǎn)供給是影響房地產(chǎn)市場運(yùn)行和風(fēng)險(xiǎn)累積的重要因素,供給過熱意味著風(fēng)險(xiǎn)增加。其風(fēng)險(xiǎn)傳遞的路徑是: 當(dāng)市場過熱、供給過度增加時(shí),開發(fā)商的風(fēng)險(xiǎn)開始上升,這必將引致國家推出各種調(diào)控措施,擾動(dòng)房地產(chǎn)開發(fā)商和金融機(jī)構(gòu)的既定投融資活動(dòng)安排,從而帶來經(jīng)濟(jì)損失和風(fēng)險(xiǎn)累積。[3]據(jù)此,本文選取房地產(chǎn)開發(fā)投資增長率、房地產(chǎn)銷售面積增長率、房地產(chǎn)新開工面積增長率、房地產(chǎn)施工面積增長率、房地產(chǎn)待售面 積增長率、商品房平均銷售價(jià)格增長率這六個(gè)二級指標(biāo)來衡量房地產(chǎn)市場的發(fā)展增速及冷熱狀況。[4-5]其中,房地產(chǎn)銷售面積增長率為負(fù)向指標(biāo),其余二級指標(biāo)均為正向指標(biāo)。
房地產(chǎn)需求是影響房地產(chǎn)市場運(yùn)行和金融風(fēng)險(xiǎn)的另一重要因素。 需求是房地產(chǎn)價(jià)值的實(shí)現(xiàn)端,決定著房地產(chǎn)金融活動(dòng)能否實(shí)現(xiàn)閉合和良性周轉(zhuǎn)。當(dāng)需求不足、小于供給時(shí),開發(fā)商的利益實(shí)現(xiàn)受阻,將會(huì)影響銀行等金融機(jī)構(gòu)借貸本金的如期歸還。而一旦市場需求不足,房子賣不出去,價(jià)格下跌、房屋資產(chǎn)價(jià)值縮水,房地產(chǎn)購房者信貸違約也會(huì)增加,從而因需求不足導(dǎo)致開發(fā)商和購房者雙重違約增大銀行等金融機(jī)構(gòu)風(fēng)險(xiǎn)。[17]據(jù)此,本文立足市場需求端,選取商品房銷售面積與商品房竣工面積之比、商品房銷售面 積與商品房待售面積之比、商品房銷售面積與商品房新開工面積之比、商品房竣工面積與商品房 施工面積之比、商品房待售面積與商品房竣工面積之比這五個(gè)二級指標(biāo)來重點(diǎn)反映房地產(chǎn)市場的需求狀況。[4-6]其中,商品房待售面積與商品房竣工面積之比為正向指標(biāo),其余指標(biāo)為負(fù)向指標(biāo)。
引致房地產(chǎn)金融風(fēng)險(xiǎn)的主體有很多,但風(fēng)險(xiǎn)最終暴露于開展房地產(chǎn)信貸活動(dòng)的銀行等金融機(jī)構(gòu)。[18]金融機(jī)構(gòu)與房地產(chǎn)的業(yè)務(wù)關(guān)聯(lián)程度越深,風(fēng)險(xiǎn)越高,也就是說,金融機(jī)構(gòu)涉房業(yè)務(wù)狀況直接反映房地產(chǎn)金融風(fēng)險(xiǎn)程度。本文選取房地產(chǎn)開發(fā)貸款余額與金融機(jī)構(gòu)各項(xiàng)貸款余額之比、國內(nèi)貸款與房地產(chǎn)業(yè)資金來源合計(jì)之比這兩個(gè)二級指標(biāo)來反映房地產(chǎn)業(yè)與金融機(jī)構(gòu)的聯(lián)結(jié)深度。上述兩個(gè)指標(biāo)均為正向指標(biāo)。[16]
對于地方土地市場及財(cái)政狀況,在我國分稅制背景下,地方政府為增加財(cái)政收入具有提高土地收益、干預(yù)土地市場供給的內(nèi)在動(dòng)機(jī)。其作用機(jī)制是,地方政府縮減土地供給,土地溢價(jià)率就會(huì)上升,地方政府就會(huì)獲得較高的土地收益。而 地價(jià)格高企必將推動(dòng)商品房價(jià)格上升,減少商品房需求,從而影響開發(fā)商和銀行等金融機(jī)構(gòu)的利益實(shí)現(xiàn)和風(fēng)險(xiǎn)累積。據(jù)此,本文選取土地平均溢價(jià)率、土地面積增長率、地方財(cái)政赤字率、購置土地面積增長率、地價(jià)增長率這五個(gè)二級指標(biāo)作為地方政府影響我國房地產(chǎn)市場金融風(fēng)險(xiǎn)的指標(biāo)。[16]其中,土地面積增長率為負(fù)向指標(biāo),其余指標(biāo)均為正向指標(biāo)。
3. 引致視角下二級指標(biāo)的選取
房地產(chǎn)業(yè)與國民經(jīng)濟(jì)協(xié)調(diào)發(fā)展的狀況反映了房地產(chǎn)業(yè)在地區(qū)經(jīng)濟(jì)中所占的比重,即地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴程度。在間接融資體系下,房地產(chǎn)業(yè)與金融機(jī)構(gòu)之間具有強(qiáng)關(guān)聯(lián)關(guān)系,房地產(chǎn)業(yè)在地區(qū)經(jīng)濟(jì)中的占比越高,越容易引發(fā)區(qū)域性房地產(chǎn)金融風(fēng)險(xiǎn)。本文選取房地產(chǎn)開發(fā)投資額與全社會(huì)固定資產(chǎn)投資額之比、房地產(chǎn)開發(fā)投資額與GDP之比、商品房銷售額與GDP之比這三個(gè)二級指標(biāo)來反映房地產(chǎn)業(yè)在京津冀地區(qū)經(jīng)濟(jì)中的地位。這三個(gè)二級指標(biāo)均為正向指標(biāo)。
宏觀經(jīng)濟(jì)及政策狀況作為外部環(huán)境,是行業(yè)、個(gè)體的系統(tǒng)性風(fēng)險(xiǎn)因素。房地產(chǎn)業(yè)和金融業(yè)均為高外部敏感性行業(yè),宏觀環(huán)境的變化、政策的變化等都會(huì)對行業(yè)造成沖擊,進(jìn)而通過房地產(chǎn)市場供需、商品房市場價(jià)格等路徑導(dǎo)致房地產(chǎn)金融風(fēng)險(xiǎn)。本文選取了 GDP 增長、M2 增長率兩個(gè)二級指標(biāo)作為經(jīng)濟(jì)環(huán)境和行業(yè)政策的表征。[19-20] GDP 增長率為負(fù)向指標(biāo),M2 增長率為正向指標(biāo)。
4. 通用型二級指標(biāo)和特質(zhì)型二級指標(biāo)選擇
房地產(chǎn)具有物理空間固定性的特點(diǎn),但地區(qū)間存在著經(jīng)濟(jì)發(fā)展水平、經(jīng)濟(jì)結(jié)構(gòu)及土地資源稀缺程度等差異,不同地區(qū)影響房地產(chǎn)金融風(fēng)險(xiǎn)的成因各有差異。本文針對京津冀三地房地產(chǎn)不同的風(fēng)險(xiǎn)成因特點(diǎn)分別選取特質(zhì)型指標(biāo)。北京房地 產(chǎn)市場體量大且成熟度高,商品房待售存量對房地產(chǎn)市場穩(wěn)定性影響較大,土地供應(yīng)相對稀缺,因此選擇商品房待售面積增長率、商品房銷售面積與商品房待售面積之比、商品房待售面積與商品房竣工面積之比、地價(jià)增長率、土地平均溢價(jià)率及土地面積增長率作為特質(zhì)性指標(biāo)。天津土地供應(yīng)較為稀缺,財(cái)政收入對土地依賴性強(qiáng),房地產(chǎn)業(yè)在國民經(jīng)濟(jì)中占比較高,因此選擇商品房銷售面積與商品房新開工面積之比、土地面積增長率、商品房平均銷售價(jià)格增長率、地方財(cái)政赤字率作為特質(zhì)性指標(biāo)。河北房地產(chǎn)市場受供需影響較大,財(cái)政收入對土地依賴性也非常強(qiáng),產(chǎn)業(yè)結(jié)構(gòu)層次較低,因此選擇商品房購置土地面積增長率、銷售面積與商品房新開工面積之比、商品房平均銷售價(jià)格增長率、地方財(cái)政赤字率作為特質(zhì)性指標(biāo)。
(三) 模型設(shè)定
利用主成分分析法確定評估模型輸入向量,結(jié)合加權(quán)平均法確定評估模型輸出標(biāo)記值,匹配二者訓(xùn)練檢驗(yàn)支持向量機(jī)模型,可得京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型。支持向量機(jī)是一種分類模型 (圖 1) ,其基本原理是尋找一個(gè)最優(yōu)的分類超平面 ω T × x + b = 0 (其中 ω 為權(quán)值向量,x 為輸入值向量,b 為偏置值)。該超平面滿足以下兩個(gè)條件: 一是該超平面能夠?qū)⒉煌悩颖就耆珠_; 二是該超平面能夠?qū)崿F(xiàn)最大化的分類間距。樣本中處于分類超平 面上的樣本稱為支持向量。
在本文實(shí)際評估問題中,因所構(gòu)建的京津冀房地產(chǎn)金融風(fēng)險(xiǎn)評估體系維數(shù)較高,而且我國房地產(chǎn)商業(yè)化發(fā)展周期較短、統(tǒng)計(jì)數(shù)據(jù)不充分,但考慮到支持向量機(jī)模型具有適用于小樣本學(xué)習(xí),少數(shù)支持向量決定了最終結(jié)果,對異常值不敏感,以模型計(jì)算的復(fù)雜性取決于支持向量的數(shù)目,而不是樣本空間的維度等上述優(yōu)點(diǎn),其與實(shí)際評估問題之間具有很好的契合度。此外,當(dāng)利用建立的京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型進(jìn)行風(fēng)險(xiǎn)評估時(shí),支持向量機(jī)優(yōu)秀的泛化能力可以提供堅(jiān)實(shí)的支撐。
由于拉格朗日函數(shù)對應(yīng)的極值位置的梯度必然為0,因此,分別對ω , b,αi 求偏導(dǎo)數(shù)并使得偏導(dǎo)數(shù)為0,上述問題就轉(zhuǎn)化為以下的凸二次規(guī)劃對偶問題 :
其次,上述分析假定待分類樣本是完全線性可分的,即存在一個(gè)最優(yōu)分類超平面能夠?qū)深悢?shù)據(jù)完全區(qū)分開來,但是實(shí)際中往往存在著被錯(cuò)誤分類的少數(shù)樣本,因此,可以將最大化分類間隔的條件適當(dāng)放寬,引入松弛變量 εi ( εi ≥ 0 ,i = 1 ,2 ,3……n) , 即允許少量樣本不滿足 (2) 式。但為了使不滿足 (2) 式的樣本點(diǎn)盡可能的少,需要在優(yōu)化目標(biāo)中加入懲罰參數(shù) C 。 此時(shí), (2) 式變?yōu)?nbsp;:
對(9) 式及其約束條件構(gòu)造拉格朗日函數(shù)并轉(zhuǎn)化為對偶函數(shù)求解可得最優(yōu)分類超平面和決策函數(shù)分別為(6) 和 (7) 式。這也驗(yàn)證了上面的結(jié)論,即分類超平面只與支持向量有關(guān),而被正確分類的非支持向量的被錯(cuò)誤分類的樣本向量無關(guān)。
最后,上述的分析只涉及樣本為線性的情況,實(shí)際中樣本往往為非線性樣本,因此很難通過構(gòu)造簡單的超平面來達(dá)到預(yù)期的分類效果。此時(shí),可以引入核函數(shù)將輸入值向量xi映射到高維空間,將分線性可分樣本轉(zhuǎn)化為高維空間里的線性可分樣本,然后在此高維空間構(gòu)造最優(yōu)分類超平面達(dá)到預(yù)期的分類目標(biāo)。常見的核函數(shù)有線性核函數(shù)、 多項(xiàng)式核函數(shù)、 高斯核函數(shù)及 Sigmoid 核函數(shù)。通過核函數(shù)的映射,分類決策函數(shù)變?yōu)?nbsp;:
四、實(shí)證結(jié)果與分析
(一) 評估模型輸入向量的確定
由于指標(biāo)較多,維數(shù)較大,不同評估指標(biāo)變量之間可能存在著相關(guān)性,即不同指標(biāo)變量在反映京津冀各地房地產(chǎn)金融風(fēng)險(xiǎn)時(shí)存在著信息重疊問題,利用主成分分析法可將原始指標(biāo)轉(zhuǎn)化為互不相干的若干主成分。為檢驗(yàn)是否可以進(jìn)行主成分分析,本文利用 SPSS 軟件對京津冀三地的房地
產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)分別進(jìn)行了 KMO 和 Bartlett 檢驗(yàn)。結(jié)果顯示,京津冀三地 KMO 檢驗(yàn)的值均大于0. 5,Bartlett 檢驗(yàn) Sig 值小于0. 05 ,這意味著指標(biāo)相關(guān)性較強(qiáng),可以對評估指標(biāo)進(jìn)行主成分分析。
在提取主成分時(shí),通常以提取主成分方差占所有樣本指標(biāo)總方差的比例,即方差貢獻(xiàn)率代表所提取的主成分對原始指標(biāo)的代表性(表2) 。按 照提取主成分特征值大于1 的主成分選取標(biāo)準(zhǔn),北京和天津均可以提取六個(gè)互不相關(guān)的主成分來代表原始的房地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo),河北按此選取標(biāo)準(zhǔn)共提取了五個(gè)主成分,考慮到綜合京津冀三地主成分的需要,對河北提取一個(gè)特征值小于1的主成分。
根據(jù)京津冀三地成分矩陣得知,北京評估指標(biāo)中代表房地產(chǎn)市場需求狀況、房地產(chǎn)業(yè)與國民經(jīng)濟(jì)協(xié)調(diào)發(fā)展?fàn)顩r的指標(biāo)對主成分1影響較大,可知北京房地產(chǎn)金融風(fēng)險(xiǎn)受市場需求和地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴性影響較大。天津評估指標(biāo)中代表房地產(chǎn)業(yè)與國民經(jīng)濟(jì)協(xié)調(diào)發(fā)展?fàn)顩r、金融機(jī)構(gòu)涉房業(yè)務(wù)狀況、土地市場及財(cái)政狀況以及宏觀經(jīng)濟(jì)及政策狀況的指標(biāo)對主成分1影響較大,可知天津房地產(chǎn)金融風(fēng)險(xiǎn)受地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴性、房地產(chǎn)業(yè)與金融機(jī)構(gòu)的關(guān)聯(lián)深度、土地財(cái)政狀況和外部經(jīng)濟(jì)、貨幣因素影響較大。河北評估指標(biāo)中代表房地產(chǎn)市場供給狀況、房地產(chǎn)業(yè)與國民經(jīng)濟(jì)協(xié)調(diào)發(fā)展?fàn)顩r、土地市場及財(cái)政狀況以及宏觀經(jīng)濟(jì)及政策狀況的指標(biāo)對主成分1影響較大,可知河北房地產(chǎn)金融風(fēng)險(xiǎn)受市場供給狀況、地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴性、土地財(cái)政狀況和外部經(jīng)濟(jì)、貨幣因素影響較大。
(二) 評估輸出標(biāo)記值的確定
根據(jù)京津冀三地的成分得分系數(shù)矩陣及經(jīng)標(biāo)準(zhǔn)化后的原始評估指標(biāo)數(shù)值矩陣,可得到京津冀三地的主成分值表。 以京津冀三地6個(gè)主成分各自的方差貢獻(xiàn)率為權(quán)數(shù)分別對其主成分值進(jìn)行加權(quán),可以構(gòu)造出能代表京津冀各地房地產(chǎn)金融整體風(fēng)險(xiǎn)狀況的綜合指標(biāo) S。
在京津冀協(xié)同發(fā)展戰(zhàn)略背景下,本文將京津冀三地作為一個(gè)整體看待,因此,需將京津冀三地的房地產(chǎn)金融風(fēng)險(xiǎn)綜合評估指標(biāo) (S) 綜合成京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)綜合評估指標(biāo) (W) (表3) 。 為此,本文采用京津冀三地各自的GDP 值占京津冀GDP總值為權(quán)數(shù)進(jìn)行加權(quán)。對于權(quán)數(shù)的選擇,參考馬科維茨投資組合理論中計(jì)算多樣本組合方差的計(jì)算思路,應(yīng)選擇京津冀三地各自的房地產(chǎn)業(yè)金融融通資金額占京津冀地區(qū)房地產(chǎn)業(yè)金融融通資金總額的比重作為權(quán)數(shù),同時(shí)考慮到該指標(biāo)統(tǒng)計(jì)數(shù)據(jù)的獲得性問題,故選擇了京津冀三地各自的GDP值占京津冀GDP總值作為權(quán)數(shù)。通常來說,地區(qū)經(jīng)濟(jì)越發(fā)達(dá),GDP 數(shù)值越高,房地產(chǎn)金融過程越活躍,房地產(chǎn)業(yè)金融融通資金額越高,即 GDP值與房地產(chǎn)金融融通資金額之間可以建立正相關(guān)關(guān)系,因此,可以選擇京津冀三地各自的GDP值占京津冀地區(qū)GDP總值作為替代權(quán)數(shù)。
通過K-均值聚類方法對構(gòu)建得出的京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)綜合評估指標(biāo)值進(jìn)行區(qū)間劃分,可以得到-0. 39、-0. 15 、0. 12 和 1. 03 四個(gè)聚類中心,從而將京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)劃分為4 種狀態(tài),即基本安全狀態(tài),標(biāo)記為1; 輕度風(fēng)險(xiǎn)狀態(tài),標(biāo)記為2 ; 中度風(fēng)險(xiǎn)狀態(tài),標(biāo)記為3 ; 重度風(fēng)險(xiǎn)狀態(tài),標(biāo)記為 4。
基于K-均值聚類方法劃分的京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)狀態(tài)呈現(xiàn)階段性特征(圖 2) 。2008 年全球金融危機(jī)爆發(fā),中國經(jīng)濟(jì)增速回落,在出口受阻的情況下,為避免我國經(jīng)濟(jì)發(fā)展速度出現(xiàn)大幅度下降,我國推出了4萬億元的危機(jī)應(yīng)對計(jì)劃。 極度擴(kuò)張的貨幣供給很大一部分流向了以新房建設(shè)、舊城改造等為代表的房地產(chǎn)行業(yè)投資開發(fā)活動(dòng)中。因此,2010-2015 年,房地產(chǎn)業(yè)進(jìn)入了以規(guī)??焖贁U(kuò)張為特征的粗放式發(fā)展階段,商品房價(jià)格出現(xiàn)了快速的上漲現(xiàn)象,房地產(chǎn)業(yè)杠桿率也大幅度提高,京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)逐漸凸顯。2016-2018 年,我國經(jīng)濟(jì)進(jìn)入新發(fā)展階段, 迫切需要通過供給側(cè)結(jié)構(gòu)性改革、“三去一降一 補(bǔ)”等手段改變要素配置方向、變革經(jīng)濟(jì)發(fā)展方式以提高經(jīng)濟(jì)發(fā)展質(zhì)量,而降杠桿、去庫存對于房地產(chǎn)行業(yè)來說無疑是使其降低風(fēng)險(xiǎn)、由規(guī)模擴(kuò)張 變?yōu)樘豳|(zhì)增效的關(guān)鍵手段。因此,2016 年以后,在中央政策的導(dǎo)向下,京津冀地區(qū)的房地產(chǎn)金融風(fēng)險(xiǎn)得到一定緩釋。然而, 自2019年至今,隨著國內(nèi)外政治經(jīng)濟(jì)形勢日趨復(fù)雜、疫情突發(fā)事件的出現(xiàn)和調(diào)控政策趨緊,京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)不確定性增強(qiáng),房地產(chǎn)金融風(fēng)險(xiǎn)又開始受到極大的關(guān)注,房地產(chǎn)業(yè)融資監(jiān)管的三道紅線被屢次提及,京津冀地區(qū)可能將進(jìn)入房地產(chǎn)金融風(fēng)險(xiǎn)再積累階段。
(三) 京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型建立
對房地產(chǎn)金融風(fēng)險(xiǎn)評估輸入向量與評估輸出標(biāo)記值進(jìn)行錯(cuò)位匹配,可建立京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型。 由于房地產(chǎn)金融活動(dòng)、融資工具及房地產(chǎn)建設(shè)過程的長期性,應(yīng)將錯(cuò)位匹配時(shí)間窗口定為一年以上。綜合考慮評估過程和評估結(jié)果的可靠性和及時(shí)性,本文最終將錯(cuò)位匹配時(shí)間窗口期定為一年,即評估京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)的時(shí)間跨度為一年。
借鑒趙丹丹[21]的樣本分類方法,本文將前70% 的樣本作為京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型的訓(xùn)練集,后 30% 的樣本作為測試集檢測已訓(xùn)練的模型的泛化能力,通過檢測的模型視為最終建立的京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型,用于風(fēng)險(xiǎn)評估。
考慮到指標(biāo)的高維度及線性不可分問題,本文采用了RBF 核函數(shù)進(jìn)行數(shù)據(jù)映射使得數(shù)據(jù)線性可分。采用 RBF 核函數(shù)的支持向量機(jī)模型的參數(shù)主要包括懲罰參數(shù)C 和核函數(shù)參數(shù)g,這兩個(gè)參數(shù)的選取會(huì)影響模型的分類精度和泛化性能。因此,本文采用常用的網(wǎng)格算法、遺傳算法和粒子群算法進(jìn)行參數(shù)尋優(yōu)(表 4) 。
根據(jù)評估分類準(zhǔn)確率可知,最優(yōu)的參數(shù)尋優(yōu)算法為粒子群算法,最優(yōu)的參數(shù)分別為懲罰因子C = 1. 3346 和核函數(shù)參數(shù) g = 4. 6904。
(四) 京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估
通過建立的京津冀房地區(qū)地產(chǎn)金融風(fēng)險(xiǎn)評估模型,結(jié)合統(tǒng)計(jì)數(shù)據(jù)的可得性,輸入京津冀地區(qū)2020年第一、二季度的主成分?jǐn)?shù)據(jù)對其2021年第一、二季度的房地產(chǎn)金融風(fēng)險(xiǎn)狀態(tài)進(jìn)行了評估,評估狀態(tài)均為輕度風(fēng)險(xiǎn)狀態(tài)(表 5) 。
五、結(jié)論與政策建議
(一) 結(jié)論
本文構(gòu)建了京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估指標(biāo)體系,利用主成分分析法和加權(quán)平均法確定了模型的主成分輸入向量和評估輸出標(biāo)記值,并結(jié)合支持向量機(jī)和粒子群優(yōu)化算法建立了京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)評估模型并作出了風(fēng)險(xiǎn)預(yù)警。研究得出以下三點(diǎn)結(jié)論。
第一,京津冀三地房地產(chǎn)金融風(fēng)險(xiǎn)的主要影響因素有差異。北京房地產(chǎn)金融風(fēng)險(xiǎn)受市場需求和地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴性影響較大; 天津房地產(chǎn)金融風(fēng)險(xiǎn)受地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴性、房地產(chǎn)業(yè)與金融機(jī)構(gòu)的關(guān)聯(lián)深度、土地財(cái)政狀況和外部經(jīng)濟(jì)、貨幣因素影響較大; 河北房地產(chǎn)金融風(fēng)險(xiǎn)受市場供給狀況、地區(qū)經(jīng)濟(jì)對房地產(chǎn)業(yè)的依賴性、土地財(cái)政狀況和外部經(jīng)濟(jì)、貨幣因素影響較大。
第二,京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)演變呈現(xiàn)階段性特征。2010-2015年,隨著擴(kuò)張性貨幣政策的出臺(tái),房地產(chǎn)業(yè)迎來粗放式發(fā)展,此階段為貨幣政策刺激下的房地產(chǎn)金融風(fēng)險(xiǎn)凸顯階段; 2016-2018 年,隨著房地產(chǎn)業(yè)的降杠桿和去庫存,實(shí)現(xiàn)庫存釋放、杠桿率下降,房地產(chǎn)業(yè)進(jìn)入精細(xì)化發(fā)展階段,此階段為房地產(chǎn)金融風(fēng)險(xiǎn)緩釋階段 ; 2019 年以來,隨著國內(nèi)外政治經(jīng)濟(jì)形勢趨于復(fù)雜、疫情突發(fā)事件的出現(xiàn)和調(diào)控政策趨緊,房地產(chǎn)金融風(fēng)險(xiǎn)呈一定上升趨勢,京津冀地區(qū)可能進(jìn)入房地產(chǎn)金融風(fēng)險(xiǎn)再積累階段。
第三,評估結(jié)果顯示,京津冀地區(qū) 2021年前兩個(gè)季度的房地產(chǎn)金融風(fēng)險(xiǎn)評估狀態(tài)為輕度風(fēng)險(xiǎn)狀態(tài),但結(jié)合近期國內(nèi)外復(fù)雜的政治經(jīng)濟(jì)形勢和調(diào)控政策趨緊的導(dǎo)向,京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)不確定性增強(qiáng),需要高度警惕風(fēng)險(xiǎn)向中度、 重度轉(zhuǎn)化。
(二) 政策建議
第一,動(dòng)態(tài)調(diào)控房地產(chǎn)市場供需狀況,促進(jìn)房地產(chǎn)市場平穩(wěn)發(fā)展。房地產(chǎn)市場供需狀況是影響房地產(chǎn)市場價(jià)格乃至房地產(chǎn)市場金融風(fēng)險(xiǎn)的重要因素,京津冀地區(qū)作為北方重要的城市群,但其內(nèi)部的房地產(chǎn)供需狀況大不相同。北京作為政治經(jīng)濟(jì)文化中心吸引了眾多的人才和資源,其根本解決方案應(yīng)重點(diǎn)關(guān)注供給。而天津和河北作為發(fā)展相對滯后的城市,需求應(yīng)該是其目前主要的關(guān)注方向。此外,供需的結(jié)構(gòu)匹配問題、房地產(chǎn)市場投機(jī)管控問題及配套政策聯(lián)動(dòng)問題等同時(shí)考驗(yàn)著政府調(diào)控房地產(chǎn)市場的能力,這關(guān)系著京津冀三地房地產(chǎn)市場的平穩(wěn)健康發(fā)展。
第二,轉(zhuǎn)換經(jīng)濟(jì)增長引擎,避免過度將房地產(chǎn)業(yè)作為逆周期調(diào)節(jié)手段。2015 年以后,我國步入高質(zhì)量發(fā)展的新階段。要實(shí)現(xiàn)經(jīng)濟(jì)的高質(zhì)量發(fā)展,必須以創(chuàng)新為統(tǒng)領(lǐng),以效率變革為關(guān)鍵,以產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級為抓手,重點(diǎn)關(guān)注戰(zhàn)略性新興產(chǎn)業(yè)的發(fā)展和數(shù)字經(jīng)濟(jì)的發(fā)展。而房地產(chǎn)行業(yè)作為京津冀地區(qū)傳統(tǒng)的支柱性產(chǎn)業(yè)之一,由于其巨大的體量及產(chǎn)業(yè)關(guān)聯(lián)性往往成為政府經(jīng)濟(jì)逆周期調(diào)節(jié)的手段,導(dǎo)致了要素資源配置效率的低下及房地產(chǎn)金融風(fēng)險(xiǎn)的積聚。 因此,必須推動(dòng)產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化升級,轉(zhuǎn)換經(jīng)濟(jì)增長的動(dòng)力引擎,從而降低京津冀地區(qū)對于房地產(chǎn)業(yè)的依賴性。
第三,擴(kuò)大房企資金來源結(jié)構(gòu)中直接融資比重,優(yōu)化房企資本結(jié)構(gòu)。房地產(chǎn)企業(yè)通過股票增發(fā)、 引入財(cái)務(wù)投資和戰(zhàn)略投資、分拆上市等方式進(jìn)行權(quán)益融資,可以降低房地產(chǎn)企業(yè)的負(fù)債率、 增加企業(yè)的經(jīng)營性現(xiàn)金流量。在當(dāng)前房地產(chǎn)企業(yè)面臨“融資新規(guī)”的背景下,融資渠道的拓展可以幫助房地產(chǎn)企業(yè)優(yōu)化資本結(jié)構(gòu)、紓解財(cái)務(wù)風(fēng)險(xiǎn)及進(jìn)行戰(zhàn)略轉(zhuǎn)型。 因此,有必要進(jìn)一步推動(dòng)我國以直接融資為主導(dǎo)的融資體制形成,解決房地產(chǎn)企業(yè)當(dāng)前過于依賴銀行信貸資金的問題。
第四,發(fā)展壯大實(shí)體經(jīng)濟(jì)以培植稅源,避免對土地財(cái)政過分依賴。地方政府過度依賴土地財(cái)政,一方面會(huì)導(dǎo)致實(shí)體經(jīng)濟(jì)發(fā)展被邊緣化,另一方面會(huì)導(dǎo)致社會(huì)資源利用效率的下降。 因此,地方政府應(yīng)擺脫對土地財(cái)政的過度依賴,通過發(fā)展實(shí)體經(jīng)濟(jì)培植稅源,把土地財(cái)政僅當(dāng)作經(jīng)濟(jì)社會(huì)發(fā)展的一種補(bǔ)充。
參考文獻(xiàn) :
[1] 葛紅玲,聶 曉 曦. 中 國房地產(chǎn)業(yè)與銀行共生關(guān)系——特點(diǎn)及效果檢驗(yàn)[J]. 經(jīng)濟(jì)與管理研究,2015(5) : 31-38.
[2] 劉文輝,鄭智,宋高堂. 我國房地產(chǎn)金融風(fēng)險(xiǎn)識(shí)別系統(tǒng)的構(gòu)建思路探討[J]. 金融與經(jīng)濟(jì),2007 (5) : 30-32.
[3] 周星. 基于全過程的房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警指標(biāo)分析[J]. 科技創(chuàng)業(yè)月刊,2009( 10) : 30-31.
[4] 王靖為. 重慶市房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警的實(shí)證研究[J]. 價(jià)值工程,2019(8) : 15-19.
[5] 孫蕾. 山東省房地產(chǎn)金融市場風(fēng)險(xiǎn)狀況監(jiān)測預(yù)警的實(shí)證研 究——基于主成分和灰色預(yù)測分析法[J]. 區(qū)域金融研究,2016( 12) : 18-26.
[6] 王玲玲,鄭振宇,王恒. 基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警體系 構(gòu) 建——以柳州市為例 [J]. 區(qū)域金融研究,2019(3) : 60-71.
[7] 吳軍. 當(dāng)代金融預(yù)警方法述評[J]. 世界經(jīng)濟(jì)文 匯,2006(6) : 71-83.
[8] Jeffrey A,F(xiàn)rankel,Andrew K R. Currency Crashes in Emerging Markets : an Empirical Treatment [J]. Journal of International Economics ,1996 ( 3) : 351 - 366.
[9] Kaminsky G , Lizonda S , Reinhart C M. Leading Indicators of Currency Crises[J]. Staff Papers ,1998 ( 1) : 1-48.
[10] Sachs J ,Tornell A ,Velasco A. Financial Crises in Emerging Markets : The Lessons from 1995 ( May 1996) [R] . NBER Working Paper ,1996.
[11] Blejer M I,Schumacher L.Central Bank Vulnerability and the Credibility of Commitments : A Value-at-Risk Approach to Currency Crises [J]. IMF Working Papers,1998 : 98 /65.
[12] 徐文彬. 基于 VAR方法的銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)預(yù)警 模型研究[J]. 經(jīng)濟(jì)研究參考,2016(63) : 45-53.
[13] 李琴. 基于支持向量機(jī)回歸模型的重慶市房地產(chǎn)金融風(fēng)險(xiǎn)預(yù)警研究[J]. 重慶理工大學(xué)學(xué)報(bào) (社會(huì)科學(xué)) ,2015( 11) : 78-82.
[14] 淳偉德, 肖楊. 供給側(cè)結(jié)構(gòu)性改革期間系統(tǒng)性金融風(fēng)險(xiǎn)的SVM預(yù)警研究[J]. 預(yù)測,2018 ( 5) : 36-42.
[15] 李夢雨. 中國金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)的構(gòu)建研究——基于 K-均值聚類算法和 BP 神經(jīng)網(wǎng)絡(luò)[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào),2012( 10) : 25-30.
[16] 李維哲, 曲波. 地產(chǎn)泡沫預(yù)警系統(tǒng)研究[J]. 中國房地產(chǎn)金融,2002(8) : 18-21.
[17] 鞠方,陽娟,黎小佳. 基于空間異質(zhì)性的中國住房空置率與房地產(chǎn)金融風(fēng)險(xiǎn)研究[J]. 財(cái)經(jīng)理論與實(shí)踐,2018(4) : 26-31.
[18] 劉知博,賈甫,韋靜強(qiáng). 銀行體制、資本市場與房地產(chǎn)金融風(fēng)險(xiǎn)[J]. 經(jīng)濟(jì)體制改革,2014 ( 5) : 134-138.
[19] 周銘,鄭智. 房地產(chǎn)金融風(fēng)險(xiǎn)識(shí)別體系的構(gòu)建[J]. 統(tǒng)計(jì)與決策,2007(5) : 59-60.
[20] 張品一,楊娟妮. 房地產(chǎn)市場系統(tǒng)動(dòng)力學(xué)仿真模 型研究———以 北京市為例[J]. 北京社會(huì)科學(xué), 2021 ( 10) : 87-96.
[21] 趙丹丹,丁建臣. 中國銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)預(yù)警研究——基于 SVM模型的建模分析[J]. 國際商務(wù) (對外經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào)) ,2019(4) : 100-113.
【作者簡介】 葛紅玲 ( 1968—) ,女, 內(nèi)蒙古赤峰人,北京工商大學(xué)國際經(jīng)管學(xué)院教授,博士研究生導(dǎo)師 ; 孫迪( 1995—) ,男,黑龍江齊齊哈爾人,北京工商大學(xué)博士研究生。
【基金項(xiàng)目】 北京市社會(huì)科學(xué)基金重點(diǎn)項(xiàng)目 ( 17YJA003) ———京津冀地區(qū)房地產(chǎn)金融風(fēng)險(xiǎn)傳遞及預(yù)警研究。