京津冀地區房地產金融風險評估
——基于支持向量機模型的實證分析

葛紅玲 孫 迪

一、引言

堅決守住不發生系統性金融風險的底線，是當前我國金融工作的重中之重。房地產與金融高度關聯，防范區域性房地產金融風險是守住系統性風險的當務之急。[1]京津冀地區作為首都經濟圈，其房地產金融風險評估和防范尤為重要。隨著京津冀協同發展戰略的深度實施，京津冀三地經濟聯系日趨頻繁，經濟聯動性不斷增強，原本相對分割的房地產市場隨著三地發展定位的調整、產業戰略的變化及城市功能的不斷完善而愈加緊密。在京津冀協同發展的動態演進中，三地房地產金融風險呈現怎樣的狀態及變化趨勢？區域內有沒有發生風險傳染和累積？三地各級政府在推進京津冀協同發展中迫切需要了解和把握這些問題，因為這不僅關系到首都金融安全和京津冀地區金融風險的防范，也直接影響著全國金融風險的防控與工作部署。因此，有必要構建一套針對京津冀地區房地產金融風險特點的評估指標體系和評估模型，以期對京津冀地區房地產金融風險狀態作出判斷及評估，并給予風險警示及應對之策。

二、文獻述評

(一)房地產金融風險評估指標的選取

科學合理的評估指標選取是風險評估的基礎，已有文獻對房地產金融風險的理解和界定不同，因而在評估指標選擇和指標體系構建上存在著一些差異。劉文輝等認為，房地產金融過程繁多，在度量金融風險時不可能對每個環節進行考察，運營是其重要方面，構建了包括宏觀指標和經營指標兩個方面的預警指標體系，宏觀指標包括政治環境指標、政策法律環境指標、社會環境指標和經濟環境指標，經營指標包括土地環境指標、籌資指標、行業風險、開發時機風險等。[2]周星提出，要按照房地產項目的全過程對各個金融風險主體(主要包括房地產開發商、銀行和消費者)進行風險指標體系的構建，例如，投資開發階段房地產開發商的風險預警指標包括資產負債率、土地儲備貸款風險、貸款利率、商品房價格和地價，商品房銷售階段銀行的風險預警指標包括個人信用風險和商業欺詐風險。[3]王靖為從房地產與國民經濟關系、行業發展水平和信貸資金安全三個方面構建了重慶市房地產金融風險預警體系，其中，房地產與國民經濟的協調關系指標包括房地產投資總額與社會固定資產投資總額之比、房地產投資增長率與GDP增長率之比和房價收入比。[4]孫蕾從房地產增長速度、市場供求均衡狀況、房地產與國民經濟發展的協調性和房地產與金融發展的密切關系四個方面構建了預警指標體系，其中，反映房地產增長速度的指標包括房地產開發投資增長率、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包括房地產供銷比率、房地產供求比率、商品房空置率和房價收入比等。[5]王玲玲等從柳州市房地產市場運行狀況和房地產金融潛在風險出發，選取房地產投資增長率、房地產開發投資總額與GDP之比、房地產開發貸款余額與全部金融機構貸款余額之比、房屋施工面積與竣工面積之比等11個預警指標建立了房地產金融風險評估模型進行研判。[6]

上述文獻對風險評估指標的選取主要集中于普適性的通用型指標，而對反映區域性風險差異性的評估指標缺乏體現。而事實上，不同地域房地產金融風險的成因千差萬別。對違規操作的道德風險、商業欺詐風險、開發時機風險和預售階段未知風險等類風險指標，已有文獻也主要是進行了學理意義上的探討，在替代指標選取、指標量化和數據搜集處理等方面也未給出具有可操作性的研究結果。此外，已有文獻也較少考慮風險評估指標的正負向屬性，風險評估指標和評估目標之間的聯動關系模糊不清，在建模過程中存在著風險評估區間劃分的隨意性和主觀性等問題，進而影響評估的科學性和準確度。

(二)風險評估模型選擇

對于風險評估模型的構建，國內外學者們已做了很多研究，也得出了較為豐富的研究結論。國外常用的金融風險預警模型主要有FR模型、KLR信號法、STV模型和VAR模型，而國內常用的金融風險預警模型主要有VAR模型、SVM模型和BP神經網絡模型。[7-15]弗蘭克爾(Frankel)等以100個發展中國家在1971-1992年這段時間發生的貨幣危機為樣本，使用各個國家的年度數據，建立了可以估計貨幣危機發生可能性的FR概率模型。[8]卡明斯基(Kaminsky)等提出KLR信號預警模型，該模型通過對可能引發危機的變量數據進行統計分析，確定與貨幣危機有顯著聯系的變量，以此作為貨幣危機發生的先行指標。[9]徐文彬以中國銀行、建設銀行等10家上市銀行為樣本代表整體，以銀行業系統性風險為預警目標，通過VAR模型測度了銀行業金融機構的風險價值及其與金融市場之間的風險溢出效應。[12]李琴選取公司償債能力、盈利能力等傳統公司評價指標作為預警指標，通過SVM模型建立了重慶市房地產金融風險預警模型。[13]淳偉德等以供給側結構性改革期間潛在的系統性風險為研究對象，運用四種核函數的SVM模型、Logit回歸、DDA和BPNN模型建立了對系統性風險的預警模型，通過F1-score和AUC對7個預警模型預測結果進行對比發現，采用多項式核函數的SVM預警模型為最優的預警模型。[14]李夢雨選取了關系我國金融系統穩定的16項經濟變量，利用主成分分析法和K-均值聚類算法進行了數據的處理和風險狀態的分類，進而借助BP神經網絡建立了我國系統性金融風險的預警模型。[15]王玲玲等選取了房地產投資增長率等11項與房地產金融風險相關的指標并通過BP神經網絡模型對柳州市房地產金融風險建立了預警模型。[6]

綜合來看，風險評估模型研究較為豐富，但是，已有文獻普遍缺乏對所選模型和現實風險的適用性進行分析，對風險評估的邏輯機理及指標之間的內在關聯缺乏清晰的揭示，主要依賴模型技術實現評估結果，而對風險產生、傳遞的經濟關聯和邏輯機理研究不足，模型選擇的依據模糊，評估結果缺乏參照對比，也就使得結論的科學性、充分性容易受到質疑。

三、評估指標體系的構建

(一)數據來源

本文選取了北京(19個)、天津(17個)和河北(17個)的房地產金融風險評估指標并搜集了相關數據，時間跨度為2010-2019年，數據頻率為季度，數據來源為各省統計年鑒、前瞻數據庫、中經網統計數據庫和Wind數據庫。

(二)指標選取與說明

科學合理地構建房地產金融風險評估指標體系，是房地產金融風險評估模型建立的基礎，也是評估有效性的保障。房地產金融活動的經濟聯系是評估指標構建的基本邏輯。銀行等金融機構為房地產業從開發到消費的全過程提供融資服務，房地產金融活動的正常循環是房地產金融風險可控的前提條件。而房地產開發商、房地產消費者等主體以及宏觀經濟狀況、政策變化、房地產業在經濟中占比等外部因素，均可能導致房地產金融活動正常循環的中斷和終止，從而引起房地產金融風險的積聚與爆發。由此本文認為，房地產金融風險是指銀行等金融機構、房地產開發商和房地產消費者及地方政府四個房地產金融活動主體在相互聯系的發展過程中，由于自身發展失衡或在外部致險因素干擾下，導致一個或多個主體經濟利益受損，進而引發銀行等金融機構經濟利益受損的風險，甚至可能引發風險在相關主體和區域間傳遞，最終形成區域性、全國性的房地產金融風險。

從以上界定出發，借鑒國內外學者進行風險評估指標選取的經驗，基于目的性、全面性、可操作性、科學性、可比性和先兆性的評估指標選取原則，本文主要從房地產金融活動主體和房地產金融風險外部致險因素兩個角度構建京津冀房地產金融風險評估指標體系(表1)。[3-6,16-20]

表1 京津冀房地產金融風險評估指標體系

1.一級指標的選擇邏輯

由于房地產金融活動中包含著房地產開發商、房地產消費者、銀行等金融機構及地方政府四個主體。[3]本文以房地產市場供給狀況反映房地產開發商從開發投資、商品房建設到商品房銷售整個生產流程的風險狀況；以房地產市場需求狀況反映房地產消費者對商品房的需求并對比供給來說存在的風險；以金融機構的涉房業務狀況反映銀行等金融機構通過與房地產業的業務關聯所累積的風險；以地方土地市場和財政狀況反映在我國現行稅收體制下，地方政府通過土地市場這個前端市場平衡財政收支的同時可能向后端引致的風險積累。對于房地產金融風險外部致險因素維度的一級評估指標選取，本文以房地產業與國民經濟協調發展狀況反映地區房地產業在地區經濟中所占據的比重和地位，進而衡量房地產金融風險可能帶來的沖擊大?。灰院暧^經濟及政策狀況代表可能觸發房地產金融風險的外部客觀因素。[16]

2.主體視角下二級指標的選擇

房地產供給是影響房地產市場運行和風險累積的重要因素，供給過熱意味著風險增加。其風險傳遞的路徑是：當市場過熱、供給過度增加時，開發商的風險開始上升，這必將引致國家推出各種調控措施，擾動房地產開發商和金融機構的既定投融資活動安排，從而帶來經濟損失和風險累積。[3]據此，本文選取房地產開發投資增長率、房地產銷售面積增長率、房地產新開工面積增長率、房地產施工面積增長率、房地產待售面積增長率、商品房平均銷售價格增長率這六個二級指標來衡量房地產市場的發展增速及冷熱狀況。[4-5]其中，房地產銷售面積增長率為負向指標，其余二級指標均為正向指標。

房地產需求是影響房地產市場運行和金融風險的另一重要因素。需求是房地產價值的實現端，決定著房地產金融活動能否實現閉合和良性周轉。當需求不足、小于供給時，開發商的利益實現受阻，將會影響銀行等金融機構借貸本金的如期歸還。而一旦市場需求不足，房子賣不出去，價格下跌、房屋資產價值縮水，房地產購房者信貸違約也會增加，從而因需求不足導致開發商和購房者雙重違約增大銀行等金融機構風險。[17]據此，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二級指標來重點反映房地產市場的需求狀況。[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，其余指標為負向指標。

引致房地產金融風險的主體有很多，但風險最終暴露于開展房地產信貸活動的銀行等金融機構。[18]金融機構與房地產的業務關聯程度越深，風險越高，也就是說，金融機構涉房業務狀況直接反映房地產金融風險程度。本文選取房地產開發貸款余額與金融機構各項貸款余額之比、國內貸款與房地產業資金來源合計之比這兩個二級指標來反映房地產業與金融機構的聯結深度。上述兩個指標均為正向指標。[16]

對于地方土地市場及財政狀況，在我國分稅制背景下，地方政府為增加財政收入具有提高土地收益、干預土地市場供給的內在動機。其作用機制是，地方政府縮減土地供給，土地溢價率就會上升，地方政府就會獲得較高的土地收益。而土地價格高企必將推動商品房價格上升，減少商品房需求，從而影響開發商和銀行等金融機構的利益實現和風險累積。據此，本文選取土地平均溢價率、土地面積增長率、地方財政赤字率、購置土地面積增長率、地價增長率這五個二級指標作為地方政府影響我國房地產市場金融風險的指標。[16]其中，土地面積增長率為負向指標，其余指標均為正向指標。

3.引致視角下二級指標的選取

房地產業與國民經濟協調發展的狀況反映了房地產業在地區經濟中所占的比重，即地區經濟對房地產業的依賴程度。在間接融資體系下，房地產業與金融機構之間具有強關聯關系，房地產業在地區經濟中的占比越高，越容易引發區域性房地產金融風險。本文選取房地產開發投資額與全社會固定資產投資額之比、房地產開發投資額與GDP之比、商品房銷售額與GDP之比這三個二級指標來反映房地產業在京津冀地區經濟中的地位。這三個二級指標均為正向指標。

宏觀經濟及政策狀況作為外部環境，是行業、個體的系統性風險因素。房地產業和金融業均為高外部敏感性行業，宏觀環境的變化、政策的變化等都會對行業造成沖擊，進而通過房地產市場供需、商品房市場價格等路徑導致房地產金融風險。本文選取了GDP增長、M2增長率兩個二級指標作為經濟環境和行業政策的表征。[19-20]GDP增長率為負向指標，M2增長率為正向指標。

4.通用型二級指標和特質型二級指標選擇

房地產具有物理空間固定性的特點，但地區間存在著經濟發展水平、經濟結構及土地資源稀缺程度等差異，不同地區影響房地產金融風險的成因各有差異。本文針對京津冀三地房地產不同的風險成因特點分別選取特質型指標。北京房地產市場體量大且成熟度高，商品房待售存量對房地產市場穩定性影響較大，土地供應相對稀缺，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、地價增長率、土地平均溢價率及土地面積增長率作為特質性指標。天津土地供應較為稀缺，財政收入對土地依賴性強，房地產業在國民經濟中占比較高，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、商品房平均銷售價格增長率、地方財政赤字率作為特質性指標。河北房地產市場受供需影響較大，財政收入對土地依賴性也非常強，產業結構層次較低，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、商品房平均銷售價格增長率、地方財政赤字率作為特質性指標。

(三)模型設定

利用主成分分析法確定評估模型輸入向量，結合加權平均法確定評估模型輸出標記值，匹配二者訓練檢驗支持向量機模型，可得京津冀地區房地產金融風險評估模型。

支持向量機是一種分類模型(圖1)，其基本原理是尋找一個最優的分類超平面ωT×x+b=0(其中ω為權值向量，x為輸入值向量，b為偏置值)。該超平面滿足以下兩個條件：一是該超平面能夠將不同類樣本完全分開；二是該超平面能夠實現最大化的分類間距。樣本中處于分類超平面上的樣本稱為支持向量。

圖1 二維空間下的支持向量機分類原理

在本文實際評估問題中，因所構建的京津冀房地產金融風險評估體系維數較高，而且我國房地產商業化發展周期較短、統計數據不充分，但考慮到支持向量機模型具有適用于小樣本學習，少數支持向量決定了最終結果，對異常值不敏感，以模型計算的復雜性取決于支持向量的數目，而不是樣本空間的維度等上述優點，其與實際評估問題之間具有很好的契合度。此外，當利用建立的京津冀地區房地產金融風險評估模型進行風險評估時，支持向量機優秀的泛化能力可以提供堅實的支撐。

給定特征空間上的待分類樣本T={(x1,y1),(x2,y2),(x3,y3),……,(xn,yn)}(其中xi∈Rn,yi∈{1,-1},i=1,2,3……n)和分類超平面ωT×x+b=0。

首先，當樣本線性可分時，超平面滿足：

(1)

即yi(ωTxi+b)-1≥0,i=1,2,3……n

(2)

(3)

為求解上式的約束優化問題，構建拉格朗日函數：

(4)

由于拉格朗日函數對應的極值位置的梯度必然為0，因此，分別對ω,b,αi求偏導數并使得偏導數為0，上述問題就轉化為以下的凸二次規劃對偶問題：

(5)

求解(5)式的凸二次規劃對偶問題，得最優分類超平面為：

(6)

分類的決策函數為：

(7)

其次，上述分析假定待分類樣本是完全線性可分的，即存在一個最優分類超平面能夠將兩類數據完全區分開來，但是實際中往往存在著被錯誤分類的少數樣本，因此，可以將最大化分類間隔的條件適當放寬，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)式的樣本點盡可能的少，需要在優化目標中加入懲罰參數C。此時，(2)式變為：

yi(ωTxi+b)≥1-εi,i=1,2,3……n

(8)

優化的目標函數變為：

(9)

對(9)式及其約束條件構造拉格朗日函數并轉化為對偶函數求解可得最優分類超平面和決策函數分別為(6)和(7)式。這也驗證了上面的結論，即分類超平面只與支持向量有關，而被正確分類的非支持向量的被錯誤分類的樣本向量無關。

最后，上述的分析只涉及樣本為線性的情況，實際中樣本往往為非線性樣本，因此很難通過構造簡單的超平面來達到預期的分類效果。此時，可以引入核函數將輸入值向量xi映射到高維空間，將分線性可分樣本轉化為高維空間里的線性可分樣本，然后在此高維空間構造最優分類超平面達到預期的分類目標。常見的核函數有線性核函數、多項式核函數、高斯核函數及Sigmoid核函數。通過核函數的映射，分類決策函數變為：

(10)

四、實證結果與分析

(一)評估模型輸入向量的確定

由于指標較多，維數較大，不同評估指標變量之間可能存在著相關性，即不同指標變量在反映京津冀各地房地產金融風險時存在著信息重疊問題，利用主成分分析法可將原始指標轉化為互不相干的若干主成分。為檢驗是否可以進行主成分分析，本文利用SPSS軟件對京津冀三地的房地產金融風險評估指標分別進行了KMO和Bartlett檢驗。結果顯示，京津冀三地KMO檢驗的值均大于0.5，Bartlett檢驗Sig值小于0.05，這意味著指標相關性較強，可以對評估指標進行主成分分析。

在提取主成分時，通常以提取主成分方差占所有樣本指標總方差的比例，即方差貢獻率代表所提取的主成分對原始指標的代表性(表2)。按照提取主成分特征值大于1的主成分選取標準，北京和天津均可以提取六個互不相關的主成分來代表原始的房地產金融風險評估指標，河北按此選取標準共提取了五個主成分，考慮到綜合京津冀三地主成分的需要，對河北提取一個特征值小于1的主成分。

表2 指標方差貢獻率

根據京津冀三地成分矩陣得知，北京評估指標中代表房地產市場需求狀況、房地產業與國民經濟協調發展狀況的指標對主成分1影響較大，可知北京房地產金融風險受市場需求和地區經濟對房地產業的依賴性影響較大。天津評估指標中代表房地產業與國民經濟協調發展狀況、金融機構涉房業務狀況、土地市場及財政狀況以及宏觀經濟及政策狀況的指標對主成分1影響較大，可知天津房地產金融風險受地區經濟對房地產業的依賴性、房地產業與金融機構的關聯深度、土地財政狀況和外部經濟、貨幣因素影響較大。河北評估指標中代表房地產市場供給狀況、房地產業與國民經濟協調發展狀況、土地市場及財政狀況以及宏觀經濟及政策狀況的指標對主成分1影響較大，可知河北房地產金融風險受市場供給狀況、地區經濟對房地產業的依賴性、土地財政狀況和外部經濟、貨幣因素影響較大。

(二)評估輸出標記值的確定

根據京津冀三地的成分得分系數矩陣及經標準化后的原始評估指標數值矩陣，可得到京津冀三地的主成分值表。以京津冀三地6個主成分各自的方差貢獻率為權數分別對其主成分值進行加權，可以構造出能代表京津冀各地房地產金融整體風險狀況的綜合指標S。

在京津冀協同發展戰略背景下，本文將京津冀三地作為一個整體看待，因此，需將京津冀三地的房地產金融風險綜合評估指標(S)綜合成京津冀地區房地產金融風險綜合評估指標(W)(表3)。為此，本文采用京津冀三地各自的GDP值占京津冀GDP總值為權數進行加權。對于權數的選擇，參考馬科維茨投資組合理論中計算多樣本組合方差的計算思路，應選擇京津冀三地各自的房地產業金融融通資金額占京津冀地區房地產業金融融通資金總額的比重作為權數，同時考慮到該指標統計數據的獲得性問題，故選擇了京津冀三地各自的GDP值占京津冀GDP總值作為權數。通常來說，地區經濟越發達，GDP數值越高，房地產金融過程越活躍，房地產業金融融通資金額越高，即GDP值與房地產金融融通資金額之間可以建立正相關關系，因此，可以選擇京津冀三地各自的GDP值占京津冀地區GDP總值作為替代權數。

表3 京津冀房地產金融風險綜合評估指標值

通過K-均值聚類方法對構建得出的京津冀地區房地產金融風險綜合評估指標值進行區間劃分，可以得到-0.39、-0.15、0.12和1.03四個聚類中心,從而將京津冀地區房地產金融風險劃分為4種狀態，即基本安全狀態，標記為1；輕度風險狀態，標記為2；中度風險狀態，標記為3；重度風險狀態，標記為4。

基于K-均值聚類方法劃分的京津冀地區房地產金融風險狀態呈現階段性特征(圖2)。2008年全球金融危機爆發，中國經濟增速回落，在出口受阻的情況下，為避免我國經濟發展速度出現大幅度下降，我國推出了4萬億元的危機應對計劃。極度擴張的貨幣供給很大一部分流向了以新房建設、舊城改造等為代表的房地產行業投資開發活動中。因此，2010-2015年，房地產業進入了以規?？焖贁U張為特征的粗放式發展階段，商品房價格出現了快速的上漲現象，房地產業杠桿率也大幅度提高，京津冀地區房地產金融風險逐漸凸顯。2016-2018年，我國經濟進入新發展階段，迫切需要通過供給側結構性改革、“三去一降一補”等手段改變要素配置方向、變革經濟發展方式以提高經濟發展質量，而降杠桿、去庫存對于房地產行業來說無疑是使其降低風險、由規模擴張變為提質增效的關鍵手段。因此，2016年以后，在中央政策的導向下，京津冀地區的房地產金融風險得到一定緩釋。然而，自2019年至今，隨著國內外政治經濟形勢日趨復雜、疫情突發事件的出現和調控政策趨緊，京津冀地區房地產金融風險不確定性增強，房地產金融風險又開始受到極大的關注，房地產業融資監管的三道紅線被屢次提及，京津冀地區可能將進入房地產金融風險再積累階段。

(三)京津冀地區房地產金融風險評估模型建立

對房地產金融風險評估輸入向量與評估輸出標記值進行錯位匹配，可建立京津冀地區房地產金融風險評估模型。由于房地產金融活動、融資工具及房地產建設過程的長期性，應將錯位匹配時間窗口定為一年以上。綜合考慮評估過程和評估結果的可靠性和及時性，本文最終將錯位匹配時間窗口期定為一年，即評估京津冀地區房地產金融風險的時間跨度為一年。

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房地產金融風險評估模型的訓練集，后30%的樣本作為測試集檢測已訓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房地產金融風險評估模型，用于風險評估。

考慮到指標的高維度及線性不可分問題，本文采用了RBF核函數進行數據映射使得數據線性可分。采用RBF核函數的支持向量機模型的參數主要包括懲罰參數C和核函數參數g，這兩個參數的選取會影響模型的分類精度和泛化性能。因此，本文采用常用的網格算法、遺傳算法和粒子群算法進行參數尋優(表4)。

表4 參數算法尋優結果

根據評估分類準確率可知，最優的參數尋優算法為粒子群算法，最優的參數分別為懲罰因子C=1.3346和核函數參數g=4.6904。

(四)京津冀地區房地產金融風險評估

通過建立的京津冀房地區地產金融風險評估模型，結合統計數據的可得性，輸入京津冀地區2020年第一、二季度的主成分數據對其2021年第一、二季度的房地產金融風險狀態進行了評估，評估狀態均為輕度風險狀態(表5)。

表5 房地產金融風險預警值

五、結論與政策建議

(一)結論

本文構建了京津冀地區房地產金融風險評估指標體系，利用主成分分析法和加權平均法確定了模型的主成分輸入向量和評估輸出標記值，并結合支持向量機和粒子群優化算法建立了京津冀地區房地產金融風險評估模型并作出了風險預警。研究得出以下三點結論。

第一，京津冀三地房地產金融風險的主要影響因素有差異。北京房地產金融風險受市場需求和地區經濟對房地產業的依賴性影響較大；天津房地產金融風險受地區經濟對房地產業的依賴性、房地產業與金融機構的關聯深度、土地財政狀況和外部經濟、貨幣因素影響較大；河北房地產金融風險受市場供給狀況、地區經濟對房地產業的依賴性、土地財政狀況和外部經濟、貨幣因素影響較大。

第二，京津冀地區房地產金融風險演變呈現階段性特征。2010-2015年，隨著擴張性貨幣政策的出臺，房地產業迎來粗放式發展，此階段為貨幣政策刺激下的房地產金融風險凸顯階段；2016-2018年，隨著房地產業的降杠桿和去庫存，實現庫存釋放、杠桿率下降，房地產業進入精細化發展階段，此階段為房地產金融風險緩釋階段；2019年以來，隨著國內外政治經濟形勢趨于復雜、疫情突發事件的出現和調控政策趨緊，房地產金融風險呈一定上升趨勢，京津冀地區可能進入房地產金融風險再積累階段。

第三，評估結果顯示，京津冀地區2021年前兩個季度的房地產金融風險評估狀態為輕度風險狀態，但結合近期國內外復雜的政治經濟形勢和調控政策趨緊的導向，京津冀地區房地產金融風險不確定性增強，需要高度警惕風險向中度、重度轉化。

(二)政策建議

第一，動態調控房地產市場供需狀況，促進房地產市場平穩發展。房地產市場供需狀況是影響房地產市場價格乃至房地產市場金融風險的重要因素，京津冀地區作為北方重要的城市群，但其內部的房地產供需狀況大不相同。北京作為政治經濟文化中心吸引了眾多的人才和資源，其根本解決方案應重點關注供給。而天津和河北作為發展相對滯后的城市，需求應該是其目前主要的關注方向。此外，供需的結構匹配問題、房地產市場投機管控問題及配套政策聯動問題等同時考驗著政府調控房地產市場的能力，這關系著京津冀三地房地產市場的平穩健康發展。

第二，轉換經濟增長引擎，避免過度將房地產業作為逆周期調節手段。2015年以后，我國步入高質量發展的新階段。要實現經濟的高質量發展，必須以創新為統領，以效率變革為關鍵，以產業結構轉型升級為抓手，重點關注戰略性新興產業的發展和數字經濟的發展。而房地產行業作為京津冀地區傳統的支柱性產業之一，由于其巨大的體量及產業關聯性往往成為政府經濟逆周期調節的手段，導致了要素資源配置效率的低下及房地產金融風險的積聚。因此，必須推動產業結構的優化升級，轉換經濟增長的動力引擎，從而降低京津冀地區對于房地產業的依賴性。

第三，擴大房企資金來源結構中直接融資比重，優化房企資本結構。房地產企業通過股票增發、引入財務投資和戰略投資、分拆上市等方式進行權益融資，可以降低房地產企業的負債率、增加企業的經營性現金流量。在當前房地產企業面臨“融資新規”的背景下，融資渠道的拓展可以幫助房地產企業優化資本結構、紓解財務風險及進行戰略轉型。因此，有必要進一步推動我國以直接融資為主導的融資體制形成，解決房地產企業當前過于依賴銀行信貸資金的問題。

第四，發展壯大實體經濟以培植稅源，避免對土地財政過分依賴。地方政府過度依賴土地財政，一方面會導致實體經濟發展被邊緣化，另一方面會導致社會資源利用效率的下降。因此，地方政府應擺脫對土地財政的過度依賴，通過發展實體經濟培植稅源，把土地財政僅當作經濟社會發展的一種補充。