我國房地產價格波動對商業銀行系統性風險的影響研究

■張 煒

我國自房地產改革以來，房產業得到了快速發展，成為國民經濟中的支柱性行業，但是在房地產行業市場化發展的同時，房價也在一路飆升，呈現出“非理性的繁榮”。同時房地產行業籌資主要依靠銀行貸款，使得銀行風險與房地產市場發展密切相關。在此背景下，本文在系統動力學分析的內在機理研究基礎上，使用SCCA模型和SVAR方法實證分析房價波動和系統性風險之間的關系，不僅創新地將管理科學的方法運用于金融問題的研究上，系統性風險的指標數據也更具前瞻性。研究發現在房價波動初期，商業銀行系統性風險受到的影響是負向的，但隨著房價波動帶來的信貸不穩定性的加劇和流動性風險的提升，系統性風險問題逐漸凸顯，且其對房價波動具有反饋作用；同時，除了銀行信貸，信息傳播和消費者心理預期也是造成房價波動對系統性風險影響的主要途徑。

一、文獻綜述

研究房地產市場價格對商業銀行系統性風險的影響，主要有兩個需要解決的問題：第一，很多模型在研究房地產價格與系統性風險關系時，系統性風險變量的數據會選擇使用不良貸款率、資本充足率或同業拆借利率等變量代替，雖然數據選取更加方便，但并不具科學性。因此第一個需要解決的是商業銀行系統性風險測度問題，Adrian&Brunnermeier（2014）在 VAR 的 基 礎 上 提 出 了CoVaR，用于反映某一金融機構出現困境時整個金融系統遭受的最大損失，并以此排序評估某一機構在金融系統中的重要性。Brownlees&Engle(2012)提出了系統性風險指數（SRISK），該方法通過分析系統遭受沖擊時金融機構的期望資本短缺判斷該機構的經營狀況，從而測算風險貢獻度。Gray and Malone（2014）將或有權益分析法和資產負債表、市場數據相結合，構成或有權益資產負債表，該方法在分析了單個金融機構違約風險的基礎上，利用多元極值分布理論測度金融機構違約風險之間的相關性，從而得到金融系統的整體風險，具有整體性和前瞻性的優勢。而本文便在Gray&Malone的基礎上加入時變多元函數Copula，研究我國商業銀行系統性風險在不同時間段的系統性風險。

第二個需要解決的問題便是如何測度房價波動對系統性風險的影響。考慮到商業銀行作為房地產市場的主要融資來源，Finocchiaro&Heideken(2013)、羅娜和程方楠（2017）將信貸約束加入到DSGE模型中，研究房價、貨幣政策與銀行宏觀審慎政策三者之間的互動關系，他們認為貨幣政策和信貸政策有必要對房價做出必要的干預，并且政府在制定政策時要注意各工具的協調配合，做到總量調控與價格控制在不同時期的力度側重。彭建剛和童磊（2013）通過Granger因果檢驗和VAR模型發現房地產市場價格與銀行系統性風險之間具有很大的關聯性，房價波動是引起金融風險的主因之一。Pan&Wang(2013)利用面板門限向量自回歸模型，發現房價與短期經濟增長之間存在較強的關聯性。Tajik et al.（2015）利用GMM估計美國1999年至2012年各銀行樣本數據，發現房價波動對不同類型銀行、不同貸款類別的信用風險影響有所不同，因此監管部門應該根據不同銀行貸款組合對房價波動的敏感度不同制定強度與側重的監管政策。LU et al.（2014）利用SVAR模型分析了住房價格與股價、匯率、國際資本凈流入和短期利率之間存在積極的反應關系，且長期影響趨于穩定，信貸增量、股票價格和匯率對房價波動做出更大的貢獻，房價波動是影響其他變量波動的最重要因素。

眾多學者在研究房價與系統性風險關系時過分偏重實證研究，而忽視了二者之間的內在機理，因此本文將管理科學的系統動力學分析方法與金融學的計量方法相結合，分別從理論和實證角度分析了房價波動與商業銀行系統性風險的關系機制，打破了傳統學科的限制，更深刻地剖析當地產市場、宏觀經濟、政策制度以及銀行業系統性風險之間的相互作用機制。

二、房地產價格波動與商業銀行系統性風險的系統動力學分析

（一 ）商業銀行系統性風險對房地產市場價格波動的作用機制

國內外諸多學者主要通過供需角度分析銀行對房價波動的影響，因此本文商業銀行系統性風險對房價波動的影響機制也可從這兩方面進行研究：

1.房地產供給

我國房地產開發資金來源很大比例依賴銀行貸款，房地產商品的開發和建設規模也主要取決于從銀行獲取的貸款規模，雖然近年來銀行信貸在開發商投資資金中的比重有所減少，但自籌資金和其他資金所占的比重仍然呈上升趨勢，但這兩種資金來源很大一部分是商品房銷售收入，銷售收入中有很大比重來自于購房者按揭貸款，因此房地產市場對銀行信貸的依賴度仍然很大。當銀行遭遇系統性風險時，會選擇減少信貸規模、提高貸款利率等方式促進資金回流以保證正常流動性需求，該時房地產商得不到足夠的流動資金，只能通過降價、減少首付比例等促銷方式大量脫手商品房資產，造成供過于求的情況，同時信貸利率的上升又增加了房地產開發成本，這些均會對房地產市場價格波動產生影響。

房地產市場的供應除了來自于開發商以外，還有一部分來自于銀行抵押拍賣和二手房轉賣。在系統性風險的前期，銀行信貸資產必定會產生大量壞賬，銀行為了減少損失會大量拍賣信貸違約的抵押品，因此在商業銀行遭受系統性風險時期，房地產市場供給量會增加，造成市場供需不平衡，房價因此產生波動。

圖1 系統性風險與房地產供給的因果關系圖

2.房地產需求

住房抵押貸款是居民購買住房的主要資金來源，對于資金有限的購房者來說，通過跨期消費購買住房是非常需要的，但這也同時助長了房地產投機行為，投機行為會在短期內推動房地產價格的上漲。相對于剛性需求，投機需求更具彈性，因此當商業銀行出現系統性風險不得不減少信貸規模、提高住房抵押貸款時，投機需求也是最容易減少的，造成房地產價格的波動。銀行系統性風險可以通過影響對居民購房貸款對商品房市場需求量進行調節。系統性風險的爆發還常常伴隨著實體經濟的衰退、投資情緒的悲觀化和資產價格的下跌，當房產投資收益低于貸款利息支出、房產市值低于貸款總值時，投機者便會選擇違約，加劇銀行系統性風險的嚴重性，造成惡性循環。

圖2 系統性風險與房地產需求的因果關系圖

（二 ）房地產市場價格波動對商業銀行系統性風險的作用機制

風險主要是通過銀行同業關系、外部市場及信息三個途徑進行傳導，因此本文從信貸途徑、市場途徑和信息途徑三個方向分別分析房地產市場價格波動對商業銀行系統性風險的作用機制：

1.信貸途徑

由于信貸業務是銀行收益的主要來源，而房貸是銀行信貸業務的重要組成部分，房地產商品也是抵押貸款的主要抵押品，因此信貸是房地產價格波動對銀行系統性風險的重要影響途徑。本文分析房價主要是通過以下兩個方面對銀行系統性風險造成影響的。

一是抵押品價值。銀行對房地產貸款的主要抵押物是房地產商品和土地，因此房地產商品的價值直接影響著貸款人的貸款能力和貸款需求。因此當房價上升時，一方面投資者的財富增加，可能會調整消費投資計劃，擴大超前消費額，增加信貸需求；另一方面他們持有的可作為抵押物的資產價值上升，從銀行獲取貸款的能力提高。另外房價上升會導致銀行資產賬面價值增加，銀行自身的資產負債結構得以改善，融資能力也進一步增加，房價上升所帶來的風險也通過信貸轉嫁到銀行機構上了。當房價下跌時，民眾會減少消費投資額，這本身便會對經濟造成負面沖擊，再加之房價異常波動會造成銀行信貸風險的上升，銀行縮減信貸規模，對企業生產經營造成影響，企業的償債能力下降。這時以房地產為主的抵押品價值也會隨之下降，當房地產市值低于貸款總額時，本就償債能力下降的貸款者便會選擇違約，導致銀行不良貸款率增加。

圖3 房價波動與系統性風險通過抵押品價值渠道的因果關系圖

二是流動性。當房地產價格上漲時，投資者便會選擇將銀行存款取出投資到收益更高的房地產行業，同時銀行對房地產市場的信貸規模也會隨之增加，房地產行業的信貸具有規模大、期限長的特點，但與此形成鮮明對比的是銀行存款業務的短期性和零碎性，因此當房地產信貸規模過大，存貸比達到一定比重時，銀行便會出現短存長貸造成的流動性風險，這與我國近年來房價波動和銀行存貸比的走勢是一致的。當房價下跌沖擊造成銀行壞賬激增時，部分銀行很容易因為擠兌而出現流動性危機，擠兌現象會很快在銀行系統中蔓延，此時銀行為了緩解流動性危機，會迅速拋售房地產資產，但當房地產市場不景氣時，房地產商品很難脫手，只能壓低價格出售，進一步破壞了房地產市場穩定，加劇了房價的下跌。

圖4 房價波動與商業銀行系統性風險通過流動性渠道的因果關系圖

2.市場途徑

雖然商業銀行并不能直接參與房地產市場的投資和交易，但銀行可以通過控股、間接控股或簽署授信協議（直接提供資金支持或提供第三方信用保證等）等方式間接將銀行資本投入到房地產市場中。因此在經濟蕭條或房地產市場價格下跌時，銀行投入到房地產行業的資產將會遭受損失，銀行資產縮水將會導致流動性水平降低等一系列風險。同時隨著技術進步和金融的不斷創新，銀行通過提供信息咨詢、融資租賃、資產管理、提供證券買賣平臺等方式獲取手續費和傭金所占的收入比例也日益增加，并且該方式受到資產價格波動的影響較大。

圖5 房價波動與系統性風險通過市場渠道的因果關系圖

3.信息途徑

我國市場信息傳遞機制是不完善的，因此民眾并不能真實了解銀行的經營狀況，只能通過行業數據和新聞報道進行猜測。房地產價格波動并不會迅速造成系統中所有銀行的流動性不足，但只要系統中存在幾家銀行無法及時兌現存款，便能造成民眾的恐慌，這種恐慌情緒通過不完全信息的傳遞會擴散至整個金融系統，這時民眾不僅會取出銀行存款，其他金融機構的存款和投資也會迅速撤出，造成整個資本市場流動性不足，資產價值貶值，部分銀行的危機便通過信息和投資者的非理性行為迅速傳遞至整個金融系統。

根據以上房地產價格波動與商業銀行系統性風險之間的因果關系圖，我們可以發現房價波動與銀行系統性風險之間的作用機制，本文最后將以上因素進行整合，構建以下商業銀行系統性風險與房價波動相互作用模型圖。

圖6 商業銀行系統性風險與房價波動相互作用機制的系統動力學分析模型圖

三、基于SCCA模型的我國商業銀行系統性風險測度研究

（一 ）模型建立

SCCA模型是在CCA模型的基礎上加入時變函數Copula，CCA模型的基本原理為或有期權定價，假設一家銀行在t時刻的隱性資產為Vt，債務價值為Bt，Bt=min（Vt，B）=B-PB，假如政府對銀行有債務擔保的話，則隱性擔保額PB=max（B-Vt，0），政府或有負債的產生是基于資不抵債破產的前提下Vt＜Bt，此時政府會對銀行資不抵債的部分PB=B-Vt進行償還以減少投資者的損失。在CCA方法下，這種隱性擔保可視為隱含資產價值的看跌期權。

本文選取最常見的多元正態函數Copula來描述各上市銀行之間的相依關系，多元正態函數Copula的密度函數如下：

式中ρ為相關系數矩陣，Φρ，n（·）為相關系數矩陣為ρ的多元正態分布函數，Φ-1（·）為標準正態分布的反函數。

本文總結SCCA模型的框架如下圖：

圖7 SCCA模型框架圖

（二 ）數據選取與模型處理

本文選取工商銀行、建設銀行、中國銀行、交通銀行、北京銀行、華夏銀行、民生銀行、南京銀行、寧波銀行、平安銀行、浦發銀行、興業銀行、招商銀行、中信銀行14家上市銀行作為樣本，這14家銀行的資產總值占到銀行系統資產總值的一半以上。本文的研究區間為2007年第四季度到2017年第一季度。無風險利率一般選取中國人民銀行發布的三個月期存款利率；銀行權益市場價值為A股總市值，即總股本乘以收盤價；違約閾值取值為負債總額的賬面價值；負債的到期期限T-t按慣例取值為1年(吳恒煜等，2013；王擎等，2016)。

對邊際分布進行參數估計，根據似然值發現Gumbel分布族的擬合效果最好，估計結果見表1。

表1 邊際分布模型參數估計結果及檢驗值

多元時變函數Clayton Copula參數估計見表2。

表2 時變Copula參數估計

從圖8可以看出99%置信度下的ES表示的銀行系統性風險明顯要比各銀行風險的簡單相加值高，說明各銀行風險的簡單相加會低估銀行系統的整體風險，在測度商業銀行的系統性風險時，要考慮到銀行之間關聯性和危急時刻風險的傳染性。

圖8 我國商業銀行系統性風險指標

四、基于SVAR模型的房地產價格波動對商業銀行系統性風險影響分析

（一 ）指標選取與預處理

本文構建一個5變量SVAR模型研究宏觀經濟發展水平、房地產行業信貸規模、房地產市場價格波動、消費者預期與商業銀行系統性風險之間的動態關系。本文選取2007年第4季度至2017年第1季度的數據，數據來源于中經網數據庫和同花順數據庫。本文通過房地產企業銀行貸款資金和房地產個人按揭貸款資金的累計值計算各季度投入到房地產行業的信貸總額；選取房地產市場景氣指數反映房價波動；上文SCCA模型得到的商業銀行系統性風險的監測數據可以有效體現我國商業銀行系統性風險的特點，因此本文將SCCA數值作為系統性風險指標；消費者預期采用公布的消費者預期指數，該指數為月度數據，本文通過平均值將月度數據換算成季度數據；宏觀經濟水平選取GDP數據。

以上所有數據均經過通貨膨脹率平減得到實際數據，并進行Census X_12季度調節，同時所有季度調整后的數據取自然對數。方便起見，本文分別以CREDIT、ES、HP、CONSUME和GDP來表示房地產行業信貸規模、商業銀行系統性風險、房地產市場價格、消費者心預期和宏觀經濟發展水平。

不管是ADF檢驗還是PP檢驗，在10%的顯著性水平下均接受原假設，所有數據的原始序列均為非平穩的。經過一階差分之后，五個變量均在5%的顯著性水平下平穩，因此需要對模型數據進行協整檢驗分析。

在5%顯著性水平下，跡統計量檢驗和最大特征值檢驗均拒絕原假設，即存在一個協整方程，即變量之間具有協整關系。

為了進一步查明以上五個變量之間具體的因果關系，需要進行格蘭杰因果關系檢驗。

在建立SVAR模型之前，需要對滯后期階數進行檢驗，所有準則均顯示1階滯后階數較為合理，同時考慮到數據的時間范圍有限，本文選取1階作為SVAR模型的滯后階數①限于篇幅，相關基礎檢驗結果留存備索。。

（二 ）模型設定

其中yt=（CREDITt，ESt，GDPt，HPt，CONSUMEt）為（5X1）維的內生變量向量；Bt為（5X5）維的同期結構系數矩陣，用于表示各變量之間的同期相互關系；Bt-1為滯后一期的結構系數矩陣，用于表示滯后一期的變量與同期變量之間的互動關系；ut=（u1，t，u2，t，u3，t，u4，t，u5，t）為（5X1）維的白噪聲向量。

在等式2的兩邊同時乘以B-1即可將SVAR轉換成簡單式VAR模型：

其中 A0=B0×B-1為常數項，A1=B1×B-1為系數矩陣，εt=ut×B-1=（ε1，ε2，ε3，ε4，ε5）為隨機擾動項。

基于SVAR模型對房價波動與商業銀行系統性風險之間的關系進行動態分析，需要對變量之間的同期相關系數進行約束，且本文需要10個約束條件。因此本節將通過相關性分析，結合經濟理論和經驗分析選取向量B的短期約束條件：

1.根據格蘭杰因果分析，在1%的顯著性水平下，房地產信貸規模對于解釋消費者預期，房價波動對于信貸規模、房價波動對于宏觀經濟水平是格蘭杰原因，因此可以這三個關系作為約束條件。同時在5%的顯著性水平下，系統性風險可以解釋房價波動，消費預期可以解釋房地產信貸規模，因此也可以作為信貸約束。

2.消費者對未來市場的預期會影響其投資消費決策，當消費者認為房地產市場未來會繁榮發展，即房價會漲，他們便會增加房地產購買和投資量，需求大于供給，房價上漲，因此b4，5≠0。同樣，當消費者對未來經濟的發展持樂觀態度，便會增加消費，減少儲蓄，因此b3，5≠0。

3.房價波動對系統性風險具有同期影響，隨著我國房地產市場的發展，銀行的資金及業務已經充分滲透到該行業，銀行系統性風險也在其滲透過程中受房地產市場的影響。不管是通過抵押品渠道還是不良貸款渠道，房地產市場價格的急劇波動很快便能傳播到銀行系統中，對商業銀行的穩健經營造成損害，因此b2，4≠0。

4.當房價上漲時，房產持有者的個人財富增加，他們會認為未來房地產市場是有利可圖的，于是會調整消費投資結構，增加對房地產市場的資金投入，因此b5，4≠0。而房地產行業的發展會帶動相關產業的發展，提高就業率，進而增加居民收入水平，帶動消費能力，宏觀經濟得到發展，因此b3，4≠0。

基于上述研究分析，本文對同期系數矩陣B施加一下十個約束：

（三 ）模型結果

使用EVIEWS 9對同期結構系數矩陣B中的參數進行估計，結果見表3。估計結果與預期相符，各系數的估計值均顯著，說明各變量之間存在同期相關性，并且基本符合經濟學假設。

表3 同期結構系數矩陣B的參數估計結果

脈沖響應分析的是系統中各內生變量發生一單位標準差的隨機擾動對其自身及其他內生變量的當期值及后期值的影響。各變量短期結構沖擊脈沖響應函數分析結果如圖9，其中Shock 1表示房地產信貸規模沖擊、Shock 2表示商業銀行系統性風險沖擊、Shock 3表示宏觀經濟水平沖擊、Shock 4表示房價波動沖擊、Shock 5表示消費預期沖擊。

當給房地產信貸規模一個正向沖擊后，房價會立刻發生正向波動，并在第七期開始逐漸轉為負向波動，并于第九期之后趨于平穩，這與之前的分析是相符的，說明銀行對房地產信貸擴張在短期內會促進房地產市場投資和需求的增加，房地產市場得到發展，但隨著信貸規模和房地產泡沫的進一步發展，繁榮后的風險便慢慢衍生，不良貸款的增加和供需失衡很容易造成房地產泡沫的破裂，房地產市場開始走下坡路。給消費預期一個正向沖擊后，房價先是產生較大的正向波動，并逐漸減弱直到第三期轉為負向波動，說明消費者對未來樂觀的預期可以在短期內急速促進房地產需求，但盲目樂觀導致的房價上漲會隨著需求飽和房地產泡沫破碎而下降。系統性風險的正向波動沖擊會造成房價的正向波動，這是由于系統性風險具有很長時間的潛伏期，在潛伏期內，系統性風險的積累往往伴隨著信貸規模的擴張，涌入房地產市場的資金對于促進房價上漲是有一定的作用的；第七期轉為負向波動，系統性風險導致的資金短缺問題開始凸顯，值得注意的是，信貸規模和系統性風險對房價基本是同期造成負向波動的，可以證明系統性風險是可以通過信貸途徑對房價進行影響的。

從影響商業銀行系統性風險的各因素分析，房價一單位標準差的正向沖擊對商業銀行系統性風險一開始帶來的是負向波動，之后變為正向波動，說明房價上漲沖擊一開始對商業銀行系統性風險是具有減緩作用的，這也是我國政府在2008年金融危機之后積極促進房地產行業發展的原因。給信貸規模一個正向沖擊，增加房地產行業的信貸規模的同時也增加了銀行關于該行業的不良貸款，系統性風險增加，第五期轉為負向波動，由于一旦系統性風險指標達到警戒線，監管部門便會介入調節，抑制系統性風險水平的上升。系統性風險對自身造成的正向沖擊于第三期達到最大（13.68449），這正好說明了系統性風險傳染和溢出效應，它并不會由于風險的爆發而減弱，而是會迅速傳播至整個銀行系統乃至全球金融市場，正是這種特性導致了系統性風險對金融市場和經濟系統的極大破壞性。消費預期的正向沖擊前八期對系統性風險的影響是負向的，因為樂觀的消費預期會帶來資產價格的上漲和銀行資產質量上升，但第九期隨著資產泡沫的破碎，系統性風險開始凸顯。

從房價波動的方差分解，可以初步看出系統性風險、房價和消費預期對房價波動的影響最大，GDP和信貸規模影響相對較小。消費預期對房價波動的影響初期最大，甚至超過房價自身波動的影響程度，后期雖有所下降，但仍維持在50%左右的較高水平。房價自身波動的影響在第一期為34.15%，從第2期開始房價受自身擾動的影響程度有所下降，并在第5期基本穩定在25%左右。從第2期開始，房價波動受商業銀行系統性風險的影響迅速增大，在第4期時達到33.44%最高水平。房價波動受到信貸因素和宏觀經濟因素的影響相對于另外三個變量來說是比較小的，且房價受自身滯后項和消費預期的影響最大，因此如果政府僅僅是通過控制信貸供應來抑制房價泡沫效果是不理想的，需要考慮到房地產市場結構和居民消費預期對房價的影響。

圖9 房價波動與商業銀行系統性風險的脈沖響應圖

商業銀行系統性風險在第一期時只受自身擾動項和房價波動的影響，從第2期開始影響迅速下降，與此同時消費預期的影響上升至55.95%。系統性風險對自身的影響最終穩定在7.9%左右，相對于房價30%的貢獻率，影響是比較小的，因此可以斷定房價波動對系統性風險的影響很大。消費預期對商業銀行系統性風險的影響穩定在58%左右，主要是由于消費預期界定了社會大眾的消費投資結構，不管是對宏觀經濟還是信貸質量的影響均是很大的，因此不管是通過何種渠道，消費預期最終都會對商業銀行系統性風險產生極大的影響①限于篇幅，相關基礎檢驗結果留存備索。。

五、結論與政策建議

（一 ）結論

本文在綜合房地產價格波動和我國商業銀行系統性風險的理論基礎和現狀的基礎上，結合國內外學者們的研究成果，得出以下結論。

1.房價波動是商業銀行系統性風險存在的原因，不過并不是簡單的正向或負向影響。在房價波動初期，對商業銀行系統性風險的影響是負向的，因為初期房價的波動可以刺激房地產市場的發展，雖然信貸規模增加，卻提高了銀行信貸質量。但隨著房地產價格的后期增長，容易產生價格泡沫和信貸規模的過度擴張，與房地產相關的信貸業務壞賬率上升、流動性水平不足等問題凸顯，因此在房價波動后期，對商業銀行系統性風險的影響是正向的。

2.商業銀行系統性風險對房價波動具有反饋作用。房價和系統性分析之間并不是單向因果關系，而是雙向作用的，當銀行出現系統性風險時，銀行的不良信息會迅速傳播，造成社會恐慌，資產大量被拋售會導致房地產價格下跌，房地產價格的下降又會進一步造成銀行信貸質量的下降，循環往復。

3.以往學者在研究房地產價格與商業銀行系統性風險時，更多的是注意二者之間通過信貸途徑的聯系，卻忽視了信息和消費投資心理從中起到的作用。而本文通過實證分析發現消費者預期不管是對房價波動還是商業銀行系統性風險，影響都是非常顯著的。消費者在購房時不僅會考慮當前的住房需求和購買能力，還會考慮到未來房地產市場及金融市場的發展，因此消費者對未來經濟水平發展和金融市場穩定的預期同樣會影響房產和信貸需求。

（二 ）政策建議

本文從政府、行業和銀行三個方面提出政策建議。

1.政府需要制定及時有效的系統性風險監測制度，同時提高對系統性風險的反應速度。對于我國近年來房地產市場過熱以及由此引發的系統性風險水平上升的問題，政府簡單粗暴地通過限購、降低信貸規模、提高貸款利率等措施抑制房價達到的效果并不理想，政府需要做好信息溝通的平臺，讓群眾得到真實的市場信息和政府目標，同時調整好正確的消費投資預期。

2.房地產層面，房地產企業的運營資金主要靠外部融資，自有資金不足，并且對銀行信貸資金的依賴程度很高，在面對經濟波動和資本市場沖擊時，企業這種高杠桿財務結構很容易帶來資金鏈斷裂等問題而導致破產，因此房地產企業需要調整資本結構，提高企業應對風險的能力。

3.銀行層面，銀行業與房地產行業錯綜復雜的聯系也削弱了政府對房價調控政策的成效，因此銀行需要控制對房地產行業的信貸規模，并加強對企業盈利能力和償債能力的合理評估，增強對房地產市場的資金監管。銀行擠兌危機的發生主要原因是儲戶對銀行的不信任，因此銀行應該加強信息披露，同時加強和完善風險監測體系和信用評估體系，從而降低銀行的操作風險、信用風險和流動性風險，提高用戶對銀行的信任。

[1]羅娜,程方楠.房價波動的宏觀審慎政策與貨幣政策協調效應分析——基于新凱恩斯主義的DSGE模型[J].國際金融研究,2017,(01):39～48.

[2]彭建剛,易昊,潘凌遙.基于行業相關性的銀行業信用風險宏觀壓力測試研究[J].中國管理科學,2015,(04):11～19.

[3]Adrian T,Brunnermeier M K.CoVaR[J].Social Science Electronic Publishing,2014,106(7):1705～1741.

[4]Brownlees C T,Engle R,Aielli G,et al.Volatility,correlation and tails for systemic risk measurement[J].Social Science Electronic Publishing,2012:16～18.

[5]Finocchiaro D,Heideken V Q V.Do Central Banks React to House Prices?[J].Journal of Money Credit&Banking,2013,45(8):1659～1683.

[6]Jian-Xin LU,Ming-An LU,Finance S O.The Dynamic Relationship between Financial Markets and Housing Price Fluctuations:An Empirical Analysis BasedonSVAR Model[J].Humanities& Social Sciences Journal of Hainan University,2014.

[7]Jobst A,Gray D F.Systemic Contingent Claims Analysis-Estimating Market-Implied Systemic Risk[J].Social Science Electronic Publishing,2014,13(54).

[8]Pan H,Wang C.House prices,bank instability,and economic growth:Evidence from the threshold model[J].Journal of Banking&Finance,2013,37(5):1720～1732.

[9]Tajik M,Aliakbari S,Ghalia T,et al.House prices and credit risk:Evidence from the United States[J].Economic Modelling,2015,51:123～135.