河南省信用風險、房價的關系

張華麗 張林藏 孫濤 張鴻飛 何思潤

【摘要】本文以河南省為例，通過查找中國統計年鑒、國泰安數據庫提取2005-2017年的指標數據，運用Eviews軟件利用逐步回歸的方法建立房價回歸模型，然后加入信用利差，再次作回歸得到更加準確的房價回歸模型，最后對模型進行相應的檢驗及分析。得出結論：與傳統模型相比，信用風險的加入使得模型預測精度提高，更好的擬合實際數據，反映真實經濟狀況。最后提出合理的建議：適當的健全個人信用制度，加強商業銀行內部信貸管理，來防范商業銀行個人住房的信貸風險，從而使房價得以穩定。本文結論對河南省未來住房政策的制定具有一定的指導意義。

【關鍵詞】信用風險;逐步回歸;多重共線性

1、引言

房價一直是社會穩定的一個重要因素，在以銀行為主的間接融資背景下，一方面房價上漲提高了抵押物價值，增強了購房者的還款信心，進而降低了購房者的違約風險;另一方面企業和購房者的違約風險上升使得銀行面臨呆帳壞帳的可能性增大，誘使貸款利率上升。近年來河南省房價一直呈持續上升的狀態，房價的持續上漲掩蓋了商業銀行個人住房信貸風險，房價的大幅度上漲可能引發的商業銀行個人住房信貸風險管理。因此，如何利用好住房抵押貸款的證券化，了解信用風險跟房價之間的相互作用，對我國宏觀經濟的發展、商業銀行的經營效益都是一個重要的內容。

本文將基于計量經濟模型并利用Eviews軟件，采用逐步回歸的方法建立房價回歸模型，運用經濟理論、多重共線性、自相關和異方差檢驗保證了模型的有效性，再加入信用風險指標，通過與真實值對比，進而得出信用風險對房價的影響規律，對河南省的住房政策提供數據支持。

2、模型的構建與分析

2.1模型變量的選取

影響房價的指標體系主要包括需求、供給和宏觀經濟三方面。[1]本文主要研究的經濟指標包括河南省房地產開發企業土地成交價款X1、城鎮人口X2、外資投資額X3、地方財政房產稅X4、人均地區生產總值X5、居民消費水平X6、城鎮在崗職工平均工資X7、金融危機X8、房地產開發企業總資產X9、房價滯后一期X10;其他因素不給予考慮。信用風險有很多種，本文用的反映信用風險的指標是信用利差X11。[2]

2.2數據處理

本文在河南省統計局的《中國統計年鑒表 2018》及《國泰安數據庫》中選取變量2005-2017年的相關數據，利用Eviews軟件進行標準化處理。

2.3建立房價回歸模型

2.3.1建模思想

把河南省商品房銷售價格也即是房價作為因變量Y，其他指標作為自變量，利用Eviews軟件進行逐步回歸分析。由于選取的經濟指標大多數存在嚴重的多重共線性，所以選擇逐步回歸法可以消除多重共線性，從而使得到的房價回歸模型更加合理。[2]

逐步回歸的基本思想是將經濟指標逐個引入模型，每引入一個自變量后都要進行F檢驗，并對已經選入的自變量逐個進行t檢驗，當前面引入的解釋變量由于后引入的解釋變量的引入變得不再顯著時，則將其刪除。以確保每次引入新的變量之前回歸方程中只包含顯著性變量。反復進行，直到既沒有顯著的解釋變量選入回歸方程，也沒有不顯著的解釋變量從回歸方程中剔除為止。以保證最后所得到的解釋變量集是最優的。[3]

2.3.2房價回歸模型如下：

Y=755.227+0.17831X_1+0.14207X_5-0.03845X_7-220.687X_8

標準差 （53.118）（0.014） （0.015） （47.076）? （0.198）

由Eviews軟件運行結果可知，模型的可決系數為0.999，修正的可決系數為0.998，說明模型擬合效果較好，擬合優度大。F統計量為2318.990，它對應的概率p值近似為零，在顯著水平α為0.05，由于p值小于α，拒絕回歸方程顯著性檢驗的零假設，認為回歸系數不同時為零，被解釋變量與解釋變量全體的線性關系是顯著的。模型利用逐步回歸法消除了多重共線性的影響。模型的DW值為1.9505，經檢驗不存在異方差。模型全部通過了檢驗，該模型可以作為初步的房價回歸模型。

為了和加入信用風險之后的房價回歸模型作對比，本文先根據初步建立的房價回歸模型預測出2017年的房價，通過和2017年真實房價對比，計算出預測的相對誤差。根據查找的數據可以知道2017年房價真實值為5333，模型預測值為5328.48，利用公式：

相對誤差=（預測值-真實值）/真實值

通過計算該模型預測的相對誤差為0.495%，誤差在允許范圍之內，說明該房價回歸模型可以作為下面研究的基礎模型。

2.4模型優化

在初步建立的房價回歸模型的基礎上，加入反映信用風險的指標信用利差，得到以下模型二：

Y=184.06+0.342X_1+0.143X_5-0.0384X_7-146.96X_8+〖166.16X〗_11

標準差 （142.84）（0.122）（0.008） （0.008） （32.712） （40.578）

由Eviews軟件運行結果可知，模型的可決系數為0.999，修正的可決系數為0.999，說明模型擬合效果較好。F統計量為5515.093，它對應的概率p值近似為零，在顯著水平α為0.05，由于p值小于α，拒絕回歸方程顯著性檢驗的零假設，認為回歸系數不同時為零，被解釋變量與解釋變量全體的線性關系是顯著的。模型利用逐步回歸法消除了多重共線性的影響。經檢驗模型的DW值為1.93，不存在異方差。

本文把加入信用風險的房價回歸模型與初步建立的房價回歸模型作對比，再次計算出模型預測的相對誤差，2017年房價真實值為5333，模型預測值為5354.07，利用公式：

相對誤差=（預測值-真實值）/真實值

計算出模型預測的相對誤差為0.0173%

2.5模型對比

通過以上兩個房價回歸模型可以看出，加入信用風險之后的模型擬合效果更好，回歸系數更顯著，最主要的是模型預測的相對誤差較小，表明信用風險是影響房價的一個重要因素。從模型結果系數為正可以看出信用風險與房價有正相關關系，由此可以看出減少信用風險可以抑制房價。

3、結論及建議

3.1結論

本文研究發現信用風險對房價有正向作用，作為連接房地產商和購房者的銀行為了轉移自身風險，不斷提高貸款利率，對于房價上漲有很大促進作用。房價上漲雖然對我國GDP貢獻很大，但是對我國人民的生活質量的影響也是不容忽視的，越來越多的人成為“房奴”，幸福指數普遍下降。在中國當下這個房價持續上漲的環境中，投資住房的確是一個不錯的選擇，這也使得購房需求增加，拉動房價上漲，但對于普通老百姓來說，超高的房價使得基本的住房需求都成為困難。

3.2建議

近年來國家主席提出房子是用來住的不是用來炒的，從根本上指出只有從需求端下手才能從根本上抑制房價上漲。因此建議人們把投資的方向轉向提升綜合國力的產業方面，一味靠炒房價提升的GDP都是虛擬的，對于中國這樣的人口大國，關注GDP的同時更應該關注普通人民的生活狀態，14億人口不是幾個“王健林”、“李嘉誠”可以帶動的。

參考文獻：

[1]張雙妮.基于逐步回歸模型擬合房價預測模型[J].現代農業研究，2019（2）.

[2]鄭勇.信用風險、房價與宏觀經濟波動[J].暨南學報，2018（7）.

[3]龐皓.計量經濟學[M].出版地：科學出版社，2014：2-255.

[4]鐘麗燕，高淑蘭 .多元線性回歸模型在房價走勢分析與預測中的應用[J].科技創業月刊，2017（5）.

[5]楊信武.房價波動與我國商業銀行個人住房信貸風險管理研究[J].南昌大學，2010（06）.

[6]吳鴻波.淺析房價與商業銀行的信用風險--商業銀行對房價的“矛盾感情”[J].當代經濟，2009（01）.

[7]李勝.我國商業銀行住房抵押貸款風險研究[J].中國財經大學，2015（06）.

[8]沈中華，管超，華盛，等.信用評級有效性研究--發行利差的解構視角[J].吉林大學社會科學學報，2018（11）.

[9]王賽.基于經濟資本的我國商業銀行信用風險管理—以上市房地產為例[J].中國海洋大學，2010（06）.

[10]劉爽.商業銀行個人住房抵押貸款信用風險分析—基于邯鄲市的實證研究[J].華中師范大學，2018（05）.

[11]黃俊杰.我國商業銀行房地產信貸的風險研究[J].上海外國語大學，2018（05）.

作者簡介：

張華麗（1997.03），女，漢，河南省周口市，華北水利水電大學，學生，本科，金融數學;

張林藏（1999.02），女，漢，河南省南陽市，華北水利水電大學，學生，本科，金融數學;

孫濤（1998.08），男，漢，山西省晉城市，華北水利水電大學，學生，本科，金融數學;

張鴻飛（1998.12），男，漢，河南省洛陽市，華北水利水電大學，學生，本科，金融數學;

何思潤（1998.02），男，漢，云南省昆明市，華北水利水電大學，學生，本科，金融數學。