李 程，刘媛嫄，母 波，李 波

(天津工业大学 经济与管理学院，天津 300387)

一、引 言

近年来，随着中国债务积累和风险的积聚，学者们对杠杆率、金融风险的相关问题展开了积极的研究，发现诸多风险的产生均受债务和房地产价格因素影响。房地产业在不断带动经济发展的同时，房地产市场的非理性增长愈发明显。党的十九大报告指出，房子是用来住的、不是用来炒的，应该坚决防控国内系统性金融风险发生。房地产市场调控与防控系统性风险的发生愈发受到关注。历次危机表明，房地产与杠杆率有着密切的关联，房地产具有多重属性，作为消费品、投资品和抵押品，房地产在债务的形成和积累中扮演着重要的角色。与此同时，实体部门的债务积累会提高系统性金融风险的发生机率，稳定杠杆率是防范金融风险的重要措施。因此，房地产价格和杠杆率调控对中国金融体系平稳运行具有深远意义。但是，这种调控并不必然意味着降低房地产价格和去杠杆，在当前中国经济下行的背景下，经济的稳定是重中之重，应该对中国当前的金融风险进行合理研判，根据风险的状况对房地产和杠杆率的调控方向予以确定，而且也需要深入地探讨房地产价格与杠杆率对金融风险的影响，刻画三者之间的互动关系，演绎出其相互作用的轨迹，才能有效地形成相关的政策参考。对于金融风险的衡量，本文采用金融压力指标来表示，研究房地产价格和杠杆率与金融压力指标的关系，探索金融风险的防范和化解方法。

从现有研究来看，国内外有关学者主要从以下方面对杠杆率、房地产价格与金融压力进行研究。

对于房地产价格与杠杆率，刘晓欣和雷霖研究得出房地产价格与金融杠杆率具有相互促进的关系，二者的上升均不利于金融系统的稳定[1]。陆婷和张明得出，由于房地产价格的上涨会导致企业主动增加杠杆率，会减弱企业的长期偿债能力[2]。

对于杠杆率与金融压力，Schleer和Semmler构建非线性模型系统，研究金融压力变化下负债与实体经济间的内在动态关系[3]。方芳和林海涛提供了系统性金融风险的演化机制，认为国民经济各部门的杠杆率能够作为演化载体预先预测风险的大小[4]。而彭方平和展凯采用非线性多维状态系统模型，对过度负债带来的金融压力上升，及对实体经济产生影响的作用机制进行刻画[5]。王桂虎和郭金龙认为宏观杠杆率与系统性金融风险具有非线性关系，具有门槛效应[6]。江红莉和蒋鹏程发现，实体经济杠杆上升对于中国系统性金融风险存在正向效应，但居民部门、非金融企业部门杠杆的上升不会直接推动系统性金融风险的累积[7]。

对于房地产价格与金融压力，相关学者多从房地产对实体经济波动、金融稳定的影响角度进行研究。王培辉和康书生认为房地产泡沫、影子银行规模膨胀是影响中国金融稳定性的重要因素[8]。此外，李伟认为，“去杠杆”压力加剧了商业银行系统性金融风险的积累，房地产价格波动相比于经济增速的下滑会对商业银行系统金融风险形成更大影响[9]。司登奎等研究发现，房价上涨会导致银行风险溢价及杠杆率显著上升，进而加剧金融体系的内在不稳定[10]。刘晓曦等认为，随着财富效应的增大，股市冲击能够更大程度地推动房价、产出以及物价上涨[11]。

综合现有研究，相关学者主要对杠杆率、房地产价格与金融压力三者间的相互影响进行相关论述，但是较少学者对三者在不同区制和时期的非线性关系进行分析。已有的研究对于杠杆率和金融风险、房地产价格和金融风险的关注没有考虑到不同风险阶段的时变特征，把金融风险看作一个整体来进行研究，而金融风险在不同时期是变化的，房地产价格和杠杆的影响也应有所不同。对此，本文在借鉴国内外相关研究成果的基础上，构建指标体系计算金融压力值，运用MS-VAR模型测度、识别中国金融压力期，并根据不同区制特征构建TVP-VAR模型，对杠杆率、房地产价格以及金融压力这三者的动态关联进行实证研究，揭示三者的动态关系，并针对不同部门的异质性特征进行深入分析，对现有相关文献进行补充和拓展，为中国房地产和杠杆调控以及金融风险控制提供政策建议。

二、房地产、杠杆率和金融压力关系的研究设计

(一)杠杆率、房地产价格与金融压力相关理论

1.房地产价格对杠杆率影响机制

房地产具有获取金融资产收益以及实际使用功能。中国各地房价不断上涨，尤其在目前经济增速放缓的形势下，实体经济收益偏低，使得房地产成为较好的投资标的。房地产价格的上升对杠杆率起了推高的作用。中国目前的金融体系以银行为主导部门，银行信贷中尤以房地产抵押借款比重较大，房地产价格上涨引起的信贷规模上涨，会引起连锁反应，进一步加大金融杠杆水平。对于企业杠杆率，房地产一般是企业的贷款抵押品，房价上升形成融资溢价，使得企业增加获得信贷的能力，提高杠杆率；对于居民杠杆率，房地产价格上升会提高居民对房地产价格继续上升的预期，居民对住房的需求增加，房地产信贷的需求会提升，也会提高杠杆率。反过来，杠杆率的上升也会提高房地产价格。一方面，由于资本的逐利性，金融杠杆的提高会给房地产市场带来更多的资本量，房地产需求不断上升，推高房价；另一方面，开发商利用杠杆融资购买土地，从而推高地价，由于房地产开发成本中地价占据很大比重，导致房地产开发成本高，房地产价格上涨。

2.杠杆率对金融压力影响机制

杠杆率对金融压力的作用机制是通过债务负担实现的，本文中的负债主体主要包括居民和企业部门。其中，企业部门包括国有、民营企业以及融资平台。而企业杠杆率不包含房地产部门的信贷规模。根据明斯基的金融不稳定理论，债务累积容易导致入不敷出，杠杆率上升会提高金融压力，但这种影响不一定是线性的。比如，目前处于经济增速放缓时期，企业盈利普遍较低，因此企业周转需要依靠借贷来维系，导致金融杠杆进一步增加，这在短期可能会缓解金融压力，但是从长期来看，企业杠杆率的升高增加企业还款压力，而且可能投机于金融或者房地产市场，会进一步加大了金融系统的脆弱性。同时，居民杠杆率提高导致居民债务累积，由于居民的债务主要集中在房地产领域，房地产泡沫积累导致金融风险，同样会提高金融压力。

3.房地产价格对金融压力影响机制

当房价面临大幅度上升时，房地产投资的利润率显著高于其他部门。因此，大量原本投资于制造行业等实体经济的资金，均投向房地产行业，不利于产业结构优化升级，进一步加剧了宏观经济体系的脆弱性，影响金融稳定。同时，伴随着房地产价格的攀升，投机者预期房地产业前景广阔会大量进入炒作，甚至借助杠杆融资，使得积聚风险的楼市更加脆弱。但是，对于金融压力的缓解，房价的下降不一定是好事。房地产价格在上升时，一旦经济环境出现问题，抵押房产不能够立即变现，房价将会下跌，楼市前期累积的风险将会暴露，从而导致整个金融系统动荡。因此，房价上升在短期不一定是坏事，可能会暂时缓解金融压力，当然，长期来看，房价的稳定对于金融稳定还是至关重要的。

总的来看，房地产、杠杆率对金融压力的影响是有一定的复杂性的，不一定是简单的线性关系，因此，用计量经济学模型进行刻画的时候，应该使用具有区制转移和参数时变特征的方法。

(二)金融压力的区制转移特征与MS-VAR模型

金融压力的变化具有不同的状态，为了更准确地刻画金融压力的变化趋势，本文使用马尔可夫转移的区制转移模型(MS-VAR)来研究金融压力在不同阶段的风险状态。

MS-VAR模型相较于传统的方法可以区分解释变量在不同经济状态下的变量关系，由Hamilton最早提出[12]，能够在VAR模型的前提上假设各变量间在不同状态下均为变动的结构关系。与此同时，状态的转换主要取决于外生的不可观测的马尔可夫链。MS-VAR模型如下所示：

yt=α(st)+β(st)yt-1+…+

βp(st)yt-p+ut

(1)

其中，α(st)为常数项，yt的滞后项系数为β1(st)，…，βp(st)，残差项ut～IID(0，∑(st))，st表示为不能观测的状态随机变量，由于其存在的随机性质使得S仅能以某种概率来赋值，从i状态转化为j状态的时候服从马尔科夫链过程，因此转移概率为pij，模型如下所示：

pij=pr(st+1=j|si=i)

(2)

(三)变量相互作用的时变特征与TVP-VAR模型

在不同的时期和时点，房地产价格、杠杆率和金融压力的相互作用是具有时变性的。对此，本文采用时变参数向量自回归模型(TVP-VAR)来研究。

传统VAR模型在扰动项及系数方面均是假定方差不变的，但是在对变量进行实际分析中，变量内含的结构关系通常是非线性或者为时变的。TVP-VAR 模型相对于普通VAR具有时变性，能够随着样本时间的变化实时体现各个变量间的相互影响关系，使得变量间的动态关联性能够表现出来。具体形式如下：

yt=ct+B1，tyt-1+…+Bp，tyt-p+ut

t=1，2，…，T

(3)

yt=XtBt+utt=1，2，…，T

(4)

基于式(4)，假设误差项ut～N( 0，Ωt) 。其中，Ωt为协分差矩阵，是时变而非常数的。接着，使用对角矩阵∑t和下三角矩阵Ωt，使得：

(5)

则有

(6)

(7)

εt～N(0，Im)

(8)

接着将式(4)写作：

(9)

同时假定该模型中所有参数均服从随机过程，εt、γt、vt、σt均服从正态分布，可知：

Bt=Bt-1+γt

(10)

at=at-1+vt

(11)

ht=at-1+vt

(12)

(13)

其中，IM表示单位矩阵，且γt、vt、σt的协方差矩阵为∑γ、∑v、∑σ。

在研究三者关系之前，首先对金融压力指数进行测算。

三、金融压力指数测算

金融压力指数是指整个金融系统由于不确定性因素和预期未来变化而能承受的总体压力综合性指标，由加拿大银行学者Illing和liu最早提出[13]。通过构建金融压力指数(Financial Stress Index，简称FSI)能够测度一国的金融压力水平。Hakkio和Keeton用主成分法构建了堪萨斯金融压力指数，并运用MS-VAR方法构建了该指数与美国活动指数的动态转换机制[14]。Hollo等认为，金融中介、金融市场以及金融基础设施作为主要组成部分组成了金融系统，并运用TVP-VAR模型实证分析了不同阶段下金融压力和经济的关系[15]。

(一)指标选取

基于中国金融体系特征以及经济变量所反映的信息，以及受数据可得性、处理可操作性等因素影响，难以覆盖金融系统各市场信息。同时，金融压力指数作为衡量系统性风险的一种衡量方法，相关研究成果已经很多。诸多学者在构建指数时，通常选取银行业、外汇市场、股票市场以及债券市场等多个市场的关键指标。如，秦建文和王涛采取等权重法，基于银行、股票、债券和外汇等多个市场选取了银行业风险利差、泰德利差( TED 利差)、负的期限利差、资金价格波动、股票指数变化、外汇汇率变化和外汇储备减少等7个金融市场变量[16]；徐国祥和李波基于因子分析法，在银行、债券、外汇、股票这四个市场上选取了9个指标[17]；丁岚等选取银行体系、债券市场、股票市场、外汇市场、地产市场和衍生品市场，分别构建子金融压力指数，并在此基础上合成中国金融压力指数[18]。

总的来看，学者们对指标的选择有很多相同之处，也都有各自的特点，本文借鉴已有的研究指标，主要参考Hollo等的基础指标选取标准[15]，结合中国金融市场的实际情况，选取银行业、外汇市场、股票市场以及债券市场这四个市场中的12个关键指标，构建中国金融压力指数。具体指标选取如下：

1.银行业。在中国金融体系占据重要地位，具有金融中介和增强流动性的作用。主要选取银行不良贷款率、存贷比、TED利差。

2.债券市场。债券市场经过不断发展，逐渐开始在金融市场上扮演重要角色。同时，反映债券市场信心的指标主要是通过债券收益率水平进行衡量。因此选取负期限利差、企业债利差以及政策性金融利差这3个指标。

3.股票市场。作为目前中国金融市场最重要的组成部分，也是市场投资者主要投资渠道之一。选取股票市盈率、股票总市值/GDP对证券市场进行解释。

4.外汇市场。是中国金融市场联系国外金融市场的重要纽带，随着中国经济对外开放程度的日趋加深、人民币利率市场化进程的加快，外汇市场在中国金融体系中的作用也日益加大。但随着外汇市场的不断发展，由外汇汇率引起的波动增多，由外汇市场压力加大所带来的金融风险也在逐渐加大。因此选取实际有效汇率指数、外汇储备增长率、国外净资产/GDP、PMI指数反映外汇市场所面临的风险。

各个指标变量的说明如表1所示。

表1 金融压力指数构建指标

(二)指标处理及构建

构建金融压力指数关键环节是对指标频率的选择，为使得构建出的指数更好地反映市场信息，因此选取2008年7月至2019年9月的银行业、外汇市场、股票市场和债券市场的月度经济数据进行分析，数据来源于Wind数据库。

接着，对数据进行量纲化处理。其中，对于频率不一致的指标使用Eviews转换；对于缺失数据使用线性插值法补齐；对于季节因素影响，使用Eviews软件中的X12季节调整法。其次，本文借鉴秦建文和王涛采用等权重加权平均法构建金融压力指数[16]，对选取的变量赋予相同权重，得到总的金融压力指数FSI。

(14)

其中，xu代表样本指数，ui代表i个样本的样本均值，δi表示i个样本的标准差，n代表指标个数。

(三)金融压力指数模型结果

通过以上等权重法构建的金融压力指数模型，能够得出中国2008年7月至2019年9月各月的金融压力指数值(FSI)。构建出金融压力指数能够测度中国金融市场的整体形势，能够发现金融市场风险的变化，但是由于未确定具体的门限阀值从而导致不能够对风险级别做出具体的判断。因此，需要对金融压力指数的门限值进行确定。在现有研究中，确定系统性金融风险阀值具体有三种方法：一是设定高于金融压力指数历史均值的1倍或者2倍的标准差作为其门限阀值，若超出阀值则意味着处于高风险区；二是将临界值设定为金融压力指数均值的百分数，如85%；三是选取已发生的危机事件的历史值为界定，倘若拟合出的金融压力指数接近历史值，意味着风险较高。然而针对第三种方法，由于中国尚未出现大规模的系统性危机，因此没有历史值可以参考，而第二种方法缺乏明显的统计意义。因此，本文选择使用第一种方法，设定高于金融压力指数历史均值的2倍标准差作为门限阀值。构建出金融压力时期识别指数：

(15)

其中，FSI*表示金融压力识别指数，即为金融压力指数的阀值或者临界值，借鉴章曦对临界值的设定[19]，当FSI*>0，处于高风险时期；FSI*<-1，处于低风险时期；而-1

图1 2008年7月至2019年9月中国金融压力走势图

如图1所示，可以看出中国金融压力指数在2008年至2011年、2014年到2017年间较大，持续时间较长。由于2007年美国次贷危机引发的全球性金融危机，2008年中国经济不景气，各个金融市场均不同程度受到剧烈影响，金融压力指数较大，并保持整体走高趋势。在中国政府积极采取财政和货币政策等经济措施干预之下，才促使金融压力指数缓慢降低。2011年金融压力指数较高是受国内外综合因素影响所导致的。在全球性危机的影响之下，欧洲国家出现严重的主权债务危机，同时美国经济还没有完全恢复，中国进出口贸易受到影响，发达国家经济增长速度缓慢。而中国也存在诸多风险，如房地产价格上涨迅速、股市动荡程度提升、通货膨胀预期提高以及经济增长速度缓慢降低等，市场主体信心均不同程度的遭受较大打击。2015年中旬，随着房价增速加快、债券和股票市场以及银行市场不景气，国内股票市场在持续一年多的上涨之后遭受“股灾”，经济增速等受到显著影响。2017—2019年，西方国家出现贸易保护主义倾向，对中国贸易实行压制，使得国内金融压力水平缓慢增大，但中国目前所面临的金融压力尚处于适中水平。此外，从样本选取时间来看，中国金融压力风险在2008年全球性金融危机发生后，相较于危机前的金融压力水平明显提升，风险点频繁出现，表明中国现阶段还需要防范风险的发生。虽然中国目前所处的金融压力水平较低，面临较高的金融风险压力的概率较低，但仍需要提高金融稳定性水平，促使经济稳定健康发展。

从指标与现实的匹配程度来看，本文所构建的金融压力指数与实际经济运行中出现的主要节点基本上是吻合的，与已有学者的研究也基本上是一致的，说明本文所构建的指标体系是比较合理的，结果是比较稳定的。

四、基于马尔可夫区制转移模型的金融压力状态分析

(一)变量设定

构建金融压力指数，描述出中国近10年的金融压力走势图后，为了进一步测度、识别中国的金融压力区制特征，构建杠杆率、房地产价格与金融压力的MS-VAR 模型。变量包括：宏观杠杆率(Lev)、企业杠杆率(Flev)、居民杠杆率(Rlev)、房地产价格(Hp)、金融压力(FSI)。其中，参考袁利勇和胡日东构建宏观杠杆率的方法，宏观杠杆率=总信贷/GDP[20]。对于企业杠杆率，参考李扬等撰写的《中国国家资产负债表2018》，采用的计算公式为：企业杠杆率=非金融企业信贷规模(除去房地产贷款)/GDP[21]。本文计算非金融企业信贷规模剔除房地产贷款，原因在于：陆婷和张明指出，当前房价与企业杠杆间的研究大多剔除了房地产行业企业和金融行业企业，将关注重点放在一般企业上[2]。房地产企业拥有土地作为信贷抵押品的天然优势，其杠杆水平相对较高，具有一定的特殊性，因此，剔除房地产企业贷款能够更好地反映出非金融企业杠杆率特征，有利于更清晰地考察非房地产企业杠杆对房价、金融压力的影响。此外，居民杠杆率= 金融机构居民信贷规模/GDP。对于房价指标，房价=全国商品房销售金额/全国商品房销售面积，并取对数处理；FSI使用上文构建的金融压力指数表示。本文选取中国2008年7月至2019年9月的月度时间序列数据，数据来源于Wind数据库。

(二)稳健性检验

在构建模型前，为确保后续模型拟合变量的准确性，对各指标进行ADF稳健性检验，具体如表2所示：

表2 指标稳健性检验

从表2可知，除了Lev、Hp为非平稳序列，其余序列均为稳健序列。通过对非平稳序列各进行一阶差分，均为稳健序列。因此本文最终使用FSI与DLEV、DHP构建3变量的MS-VAR模型。根据AIC、SC、HQ信息准则确定模型的最优滞后阶数为2阶，因此，建立MSIH(3)-VAR(2)模型研究中国各部门的金融压力区制特征。

(三)模型拟合结果

对各变量建立的MSIH(3)-VAR(2)模型，在Givewin平台使用Ox软件输出区制概率图如图2所示。

图2 不同状态宏观杠杆率、房地产价格与金融压力的滤波概率、平滑概率和预测概率图

为了能辨识金融压力指数(FSI)对真实压力状况反映的有效性，本文在此结合马尔科夫转换模型以及事件识别法，先基于马尔科夫区制转移模型将中国从2008年7月至2019年9月的金融压力指数值(FSI)划分为三种状态(高压力状态、中压力状态以及低压力状态)，根据模型输出结果得出各压力状态所持续的时间。其次与事件识别法相结合，这主要是由于在发生系统性金融危机之后，往往伴随着金融风险的提高，以此来分析中国处于各压力状态时期的金融压力指数。从图2可知，输出的区制概率图从整体来看呈现出较为显著的三区制特征，具有明显的非线性特征，存在类似的区制转移特征。其中，三区制分别是指FSI处于高压力状态(区制1)、中压力状态(区制2)以及低压力状态(区制3)。接着与事件识别法相结合进行研究，可以发现，当出现或者发生系统性金融危机的事件时，FSI金融压力指数会位于高压力状态区间；当FSI金融压力指数处于中压力状态区间时，通常为高系统性金融危机事件的恢复期，或者风险事件发生概率相对较多时期；而处于低压力状态区间时，出现高风险事件的概率相对较小。具体来看，区制1包含时间段为2008年7月至2010年11月，表现为金融风险加大，主要是由于2008年金融危机的爆发，对全球经济产生影响，2010年全球经济增长放缓，欧债危机升级，此时，可以看出宏观杠杆率、房地产价格与金融压力处于急剧上升状态；区制2的时间均处于金融危机发生过后的时间段，说明在金融危机发生后的风险时期，为了应对和防范危机事件发生后的风险，中国采取了大量财政和货币政策对不景气的宏观经济形势施行了强有力的政策干预，才使金融压力水平有所降低；区制3包含时间段为2013年10月至2014年2月、2016年10月至2019年9月，位于经济较平稳时期。其中，2018年为中美贸易战的起始年，但国内的压力状态仍处于较稳定局面，可以说经历诸多风险事件后，政府防范金融风险的能力增强，使得中国金融稳定性增强。因此，三个区制分别为高压力状态、中压力状态和低压力状态。

各个状态不是一成不变的，而是会发生区制转换，表4为各个状态之间的转移概率。

表4 整体三状态的转移概率矩阵

中国一定程度上存在中金融压力状态的偏好。从表4三区制转换的概率可以看出，区制2中金融压力状态的持续概率为98%，区制2转移到区制1的概率接近于0，而转移到区制3的概率为1.9%，因而有更高的概率处在中金融压力的状态。区制1向3转移概率接近0，区制3向1转移概率为7.6%，说明中国从较低水平的金融压力转为高金融压力状态的发生概率较小，而高压力状态转为低压力状态的概率较大。

五、房地产价格、杠杆率与金融压力的动态传导效应

基于中国金融压力指数，构建MSIH(3)-VAR(2)模型拟合宏观杠杆率、房地产价格与金融压力，对中国各部门的金融压力区制特征测度、识别。为了深入分析时变特征，捕捉潜在经济结构的突变，选取TVP-VAR模型，研究变量间的动态关联性。为了分析杠杆率影响的异质性特征，本文分企业和居民两个部门进行研究。

(一)实证模型检验

使用上文处理后的变量居民杠杆率(RLEV)、企业杠杆率(FLEV)与房价的变化(DHp)、FSI构建TVP-VAR模型，接着对模型的滞后阶数估计，根据估计的边际似然值选取最优滞后阶数为2阶。使用MATLAB软件，具体拟合参数如表5和表6所示。

表5 企业杠杆率、房地产价格与金融压力的TVP-VAR模型估计结果

表6 居民杠杆率、房地产价格与金融压力的TVP-VAR模型估计结果

据表5和表6可知，TVP-VAR模型估计结果中，Geweke概率和无效因子均可作为判别MCMC模拟过程中是否存在收敛情况的指标。无效因子相对较小，同时，各参数的Geweke概率均在5%的显著性水平1.96之下，接受各参数收敛于后验分布的原假设。因此，10 000次MCMC模拟过程有效，模型拟合效果较好，能够构建杠杆率、房地产价格与金融压力指数的TVP-VAR脉冲响应函数。

(二)基于TVP-VAR模型的时变性分析

TVP-VAR模型能基于不同间隔期的脉冲响应函数和特定时点的脉冲响应函数图，研究各变量间存在的时变特征，以及在不同经济状态下的动态关联。第一，对于等间隔脉冲响应函数图，综合考虑MSIH(3)-VAR(2)模型区制特征进行划分，对各变量间不同间隔期的脉冲响应做时变分析。点线、虚线和实线分别代表提前1期(3个月)、提前2期(6个月)、提前4期(1年)，分为短期、中期、长期；第二，对于特定时点的脉冲响应函数图，根据MSIH(3)-VAR(2)模型区制特征，选择三区制转折的代表性时点，涵盖了三个区制，以提高结果的可靠性。

对于时点选取：从企业角度选取2009年2月(t=8)、2015年8月(t=85)、2019年7月(t=120)，从居民角度选取2010年11月(t=28)、2016年12月(t=100)、2019年7月(t=120)作为代表性观测时点。其中，2009年2月、2010年11月为样本期内的金融风险高发期，为高压力区制时点；而2015年8月、2016年12月处于金融风险事件发生后的中压力时期，为中压力区制时点；2019年7月为低风险时期，为低压力区制时点。

图3至图4为各变量在样本区间内，处于不同提前期的脉冲响应函数和特定时点的脉冲响应函数图，从企业和居民的角度分析，需要注意的是，由于房地产变量是做了差分后处理才平稳，所以是用差分后的变量与杠杆率和金融压力回归，即反映的是房地产价格增速与其他变量的关系，但是为了分析方便，就认为如果房价增速提高，就意味着房价的上升。

1.企业杠杆率分析

(1)中国房价上涨对企业杠杆率影响的时变性分析。图3为房价冲击对企业杠杆率影响的等间隔脉冲响应函数图，可以看出，房地产价格一个单位的正向冲击，三个不同间隔期的企业杠杆响应均为正向。其中，1年期间隔(实线所示)和6个月期间隔(虚线所示)的效应明显高于3个月期间隔(点线所示)。同时，图4为房价冲击对企业杠杆率影响的时点脉冲响应函数图。可以发现，处于不同区制内的时点，房价上升对企业杠杆率产生正向传导效应，而且2019年的冲击明显高于其他时点。这意味着间隔时间相对较长、2019年后房价上涨对企业杠杆水平的推动作用更大。

(2)中国企业杠杆率对金融压力影响的时变性分析。图3表明企业杠杆率正向冲击会引起金融压力的负传导效应，但一年期间隔引起的负效应要显著弱于3个月期和半年期间隔，随着时期的推移，负效应在长期会有所减弱。因此，企业杠杆率升高并非会推高风险，还需要具体观察企业的盈利水平，不能一味的去杠杆。

图4表明企业杠杆率正向冲击会引起金融压力先负后正的传导效应。在不同区制时点，企业杠杆率引起的金融压力传导效应方向一致，但传导力度不同。在2009年2月经济波动期和2015年8月经济较平稳时期，企业杠杆率对于金融压力的冲击相对较强；而在2019年7月经济平稳时期，引起的冲击较弱。

同时，需要注意的是，时点的脉冲响应图是非线性的，企业杠杆率上升后先降低金融风险，后推高金融风险，这个结果和时期的冲击有所不同，可能的原因在于，时期的冲击反映的是这一阶段平均意义上的作用效果，而所选择时点上的冲击反映的是那个时间的影响，因此杠杆率上升会导致金融压力非线性的变化。但这也说明不能因为杠杆率降低金融压力就认为应该提高杠杆率，而是应该稳定杠杆率水平，保持杠杆率既不过高，也不过低，对金融风险能够起到缓释作用。

图3 企业杠杆率、房地产价格与金融压力等间隔脉冲响应图

图4 企业杠杆率、房地产价格与金融压力时点脉冲响应图

(3)中国房价上涨对金融压力影响的时变性分析。房地产价格在短期对金融压力产生负传导效应；在中期、长期走势一致产生正传导效应。短期内房地产价格的上升会带来经济基本面的虚假繁荣，形成风险积聚，此时对于金融压力的影响还处于累积不明显状态。但中长期来看，随着房地产价格的持续上升，累积的风险将会暴露出来，房地产价格的上升会提高金融压力水平，降低金融系统稳定性。

在不同区制时点，房地产价格上升对金融压力引起的传导效应从第5期开始由负转正。房地产价格上升在2009年2月经济动荡期时会降低金融压力。由于金融危机的余波，此时房价上升会在一定程度上有利于经济恢复，房价升高对于金融压力的影响还处于逐渐累积状态。与此同时，在政府宏观与微观等调控措施的干预下，金融压力会呈下降趋势。但经济逐渐稳定之后，随着房地产价格的持续上升，还是会增加金融系统的脆弱性。

总的来看，从企业角度发现：第一，在不同区制时点，房价上升推高杠杆率，杠杆率对金融压力具有非线性影响，房价对金融压力不同区制影响也不同，说明存在从房价到杠杆率，再到金融压力的传导路径；第二，在不同时期下，具有明显的时变性和异质性。房价对金融压力短期内具有负向冲击，说明房价能够在一定程度上稳定经济，房价对金融压力的影响处于逐渐累积状态；企业杠杆冲击金融压力具有非线性效应，说明现阶段不应该一味的降低杠杆率水平，也不能任由杠杆率上升，应合理分配资金流量，稳定杠杆率。

2.居民杠杆率分析

同理，居民杠杆率、房地产价格和金融压力的关系也和企业一样从不同间隔期和不同时点进行分析，结果如图5和图6所示。

图5 居民杠杠率、房地产价格与金融压力等间隔脉冲响应图

图6 居民杠杆率、房地产价格与金融压力时点脉冲响应图

(1)中国房价上涨对居民杠杆率影响的时变性分析。图5说明，随着时期变化，1年期所产生的正传导效应要强于3个月期间隔和半年期的正效应。说明房地产价格对居民杠杆水平的推高作用在长期才能显现。图6说明，在2016年12月中压力区制时点时，房价冲击居民杠杆率为较弱的负传导效应，而在其余时点为正传导效应。在经济处于中压力区制时，银行等金融机构受危机影响紧缩资金，进而导致居民杠杆率下降。但随着经济逐渐平稳，银行等信贷机构在整体风险可控下，会愿意借贷给居民，而房价的上涨，会使得居民杠杆率进一步加大。

(2)中国居民杠杆率对金融压力影响的时变性分析。中国居民杠杆率对金融压力正向冲击的响应从整体来看，在不同时期呈现显著且持续的正向响应。而图6的时点脉冲函数图形对图5进行了印证，不同区制时点上，居民杠杆率上升会推高金融压力。随着居民杠杆率的上升，在不同的经济状态下均会加大中国系统性金融风险，不利于中国宏观经济基本面稳定。

(3)中国房价上涨对金融压力影响的时变性分析。图5表明房地产价格上升对金融压力的影响在半年期和1年期内为正向效应，但3个月期会引起负效应。具体来看，短期内房地产价格上升会降低金融压力，可能受政府宏观调控等因素影响，导致金融稳定性下降。而中长期内投资者受资本逐利性影响，将资金不断投入资产价格部门，而不是实体制造部门，房地产价格不断上涨将会带来风险累积，直接导致金融体系的不稳定。

由图6可知，中国房价对金融压力在不同代表性时点表现出较为一致的响应特征。处于不同区制时点，房地产价格一个单位的正向冲击引起FSI脉冲函数值从第2期开始由负转为正向传导效应。因此，处于经济风险高发期时，房地产价格上升会降低金融压力，受政府宏观调控等因素影响，会提升金融稳定性。而处于经济稳定期时，房地产价格不断上涨将会带来风险累积。

总的来看，从居民角度，总体上房价推高居民杠杆率和金融压力，但在某些时期和时点，房价冲击金融压力和居民杠杆率会引起负效应，说明房价上升不一定都是负面效用。同时需要注意的是，相对企业杠杆率，居民杠杆率的上升会推高金融压力，说明目前应该警惕居民杠杆率的上升，居民债务的累积对金融稳定是一个很大的隐患。

从企业和居民角度综合来看，在不同区制状态时点，会形成“房地产价格—杠杆率—金融压力”依次传递的联动机制，同时存在明显的异质性特征。房地产价格提高杠杆率，而杠杆率又增加金融压力，房价通过杠杆率向金融压力的传导，符合前面的理论分析。但这个传导机制并不是线性的，房价并不一定在每个时期都会提高杠杆率，杠杆率也不是在每个时期都增加金融压力。比较居民和企业部门，可以发现各个变量之间的关系有相同之处也有区别。对于企业部门，房价上升提高杠杆率，杠杆率短期内降低金融压力，而从长期来看会提高金融压力；房价对金融压力也有类似的影响，说明变量之间的传导机制主要取决于杠杆率对金融压力的影响；对于居民部门，房价在不同时期对杠杆率有不同影响，在中压力期和短期可能会降低杠杆率，而且正向的冲击在较长时间内才能够显现，杠杆率对金融压力则都是正向影响，而房价对金融压力存在短期的非线性影响，一开始会降低金融压力，说明变量之间的传导机制主要取决于房价对杠杆率的非线性影响。这同时也表明，对于企业部门应该关注杠杆率对金融风险的影响，而对于居民部门应该关注房价对居民信贷的影响。

六、结论及政策建议

(一)主要研究结论

1.从中国企业部门、居民部门和宏观角度进行分析可以发现压力状态呈现较明显的三区制特征，即低压力区制、中压力区制和高压力区制。样本区间段多处于中压力区制，表明中国经济基本面良好。同时，中国存在一定程度上的中等金融压力状态的偏好，高风险状态易转化为低风险状态。

2.通过MS-VAR模型得出，中国宏观杠杆率、微观杠杆率与房地产价格、金融压力间存在明显的非线性特征，具有较为类似的区制转换特征。

3.TVP-VAR的结果显示：第一，在不同区制状态时点，会形成“房地产价格—杠杆率—金融压力”依次传递的联动机制，从长期来看，房地产价格上升通过推高杠杆率增加金融压力，但具有明显的非线性特征；第二，在一段时期内，企业杠杆率上升会降低金融压力。因此，现阶段应稳定中国企业杠杆率水平，不能一味的降低杠杆率水平；第三，居民杠杆率会推高金融压力，因此应该警惕居民杠杆率的提高；第四，房地产价格上升会在一定时期降低居民杠杆率，同时降低金融压力，说明也不能一味的降低房价，应该稳定房地产市场，避免房价大幅度波动。

(二)政策建议

1.在房地产价格持续上涨的行情下，政府应审慎监管房地产市场价格。对房地产部门实行统一监管，避免监管套利导致的风险转移，纠偏住房过度消费倾向，引导住房消费回归理性。一方面，对房地产市场投机行为严加控制，降低居民对房价上涨的预期，引导居民理性消费、合理负债；另一方面，引导非金融企业积极“脱虚向实”，引导资金流向实体经济领域，避免资金过多向房地产流动。但对于房价也应该以稳为主，使房地产成为居民保值增值的产品，避免房价大幅度波动导致的金融体系动荡。

2.政府应该密切关注各部门的杠杆率水平，并差别化对待。一方面，对于居民部门，应该拓宽居民投资渠道，引导居民资金流向多元化，应充分运用宏观审慎政策工具，引导金融机构审慎发放居民部门贷款，建立居民部门债务风险预警和监测机制，避免居民杠杆率增速过快；另一方面，对于非金融企业部门杠杆，需要引导企业资金配置多元化，关注非金融企业内部的杠杆率结构，对企业杠杆率以稳为主，不要盲目去杠杆，当然，也不能放任企业加杠杆。

3.根据当前的金融压力状态，构建事前、事中和事后的协调统一机制，完善宏观审慎政策和强化统筹监管。目前中国处于中金融压力期，经济处于较平稳时期，但宏观经济政策还需多加关注外部风险事件冲击和内部调整所引起的振动，促使经济良性发展。运用财政和货币政策宏观调控各子市场，保持子市场的稳健运行。同时，宏观审慎监管各市场的运行，及时监控以预防各风险事件的发生，稳定杠杆率水平，合理抑制房价与企业金融化的联动性，降低系统性金融风险，并适时做出调整，提高中国金融稳定性。