论文部分内容阅读
摘要：为了有效控制房地产价格非理性上涨对宏观经济的影响，本文对房地产价格膨胀进行区分。根据27个国家，1990年至2014年的房地产价格数据，通过约束平滑B样条模型（COBS）识别出每一国家的房地产价格的膨胀区间，根据不同膨胀区间后宏观经济的不同反应，区分出高风险资产价格膨胀与低风险资产价格膨胀。并根据确定出的高风险资产价格膨胀的预警指标，通过二元离散选择模型，构建针对房地产市場的高风险价格膨胀动态预警机制。最后，运用我国的房地产市场数据，对得出的预警模型进行样本内及样本外检测。
关键词：高风险资产价格膨胀；COBS模型；二元离散选择模型；预警机制
中图分类号：F830.2文献标识码：A文章编号：10035192（2017）02005106doi：10.11847/fj.36.2.51
Study on the High Cost Booms Identification in Real Estate Marketand Its Real Time Early Warning Mechanism
——Based on International Experience Data
HU Wenxiu， WU Tingting， FU Qiang
（School of Economics and Management， Xi’an University of Technology， Xi’an 710054， China）
Abstract：In order to effectively control the effect of house price’s irrationally rising on macroeconomic， this paper distinguishes the house price booms. According to 27 countries from 1990 to 2014 real estate price data， by constraining the smooth Bspline model（COBS）， this paper identifies each country’s real estate price inflation interval. Subsequently， it distinguishes the high cost booms and the low cost booms by the macroeconomic reactions after different inflation intervals. Then， using the determinants through nonparametric tests， it establishes the real time early warning mechanism of high cost booms in real estate market， based on discrete choice model. Finally， this paper uses China’s real estate data to make insample test and outofsample test of that real time early warning mechanism. Key words：high cost asset price boom； COBS model； discrete choice model； real time early warning mechanism
1引言
資产价格膨胀尤其是房地产价格的急速暴涨是近年来我国甚至世界范围内出现的重要经济现象[1]。2000年以来，我国平均房地产市场价格上涨了3倍左右，一线城市部分区域的房地产价格甚至上涨了5倍以上。同样，国外的房地产市场也出现了价格过热的情况，如日本房地产价格从1985年以来，经历了数次房地产价格暴涨[2]。然而，在经济发展中，有些资产价格膨胀会随着经济的发展逐渐消退，而有些资产价格膨胀却会对实体经济产生较为严重的影响。如日本80年代末90年代初出现的资产价格大幅上涨，最终以泡沫经济为后果，直接导致日本经济陷入十年萧条[3]。2007年美国房地产价格上涨引起的次贷危机甚至引发了世界金融危机的爆发。中国香港和新加坡的房价大幅上涨却并没有对实体经济产生太大影响[4]。
然而现有研究主要关注于房地产价格膨胀与宏观经济之间关系，但是忽视了不同阶段资产价格膨胀对宏观经济的影响不同，在研究时不可一概而论。我国的现有研究尚未对资产价格膨胀进行区分，但是近年来，国外已有一些学者发现并不是所有的资产价格膨胀都会引起较大的产出损失，如Dieter和Hans[5]通过分析发现不同的资产价格膨胀会对膨胀期后的宏观经济产生不同的影响。因此，他们根据膨胀期后经济增长率的不同将资产价格膨胀分为高风险资产价格膨胀和低风险资产价格膨胀。之后的学者根据这一结论进行了更加细致的分析，Detken和Smets[6]将资产价格膨胀定义为是一个连续的至少4个季度的过程，在这一过程中实际总价格指数超过其趋势至少10%以上。Adalid和Detken[7]在这一研究的基础上将资产价格膨胀根据膨胀期后的GDP增长率分为低风险资产价格膨胀和高风险资产价格膨胀。如果GDP平均实际增长率在膨胀期中高于膨胀期后，则这个膨胀期就可以称为高风险资产价格膨胀。
在识别出高风险资产价格膨胀区间之后，如何对其进行预警进而通过宏观政策控制高风险资产价格膨胀对实体经济的影响是研究中至关重要的问题。现有对于危机预警的研究主要分为非模型预警和模型预警。非模型预警由于其操作简便，在前期的危机预警研究中得到广泛的运用[8，9]。然而，Berg和Pattillo[10]通过实证分析对模型预警和非模型预警进行了对比研究，结果显示模型预警的准确性要远高于非模型预警，因此现有的危机预警研究以模型预警为主要方法。由于研究内容和视角不同，不同学者对于模型的选择也往往具有较大差别。首先，KLR信号分析法[11]和STV截面回归模型[12]，以其指标选择的广泛性被广为运用。史建平和高宇[13]通过KLR信号分析法对于一些新兴市场国家的金融危机进行预警。张元萍和孙刚[14]通过STV模型得到中国金融环境不稳定的原因主要是受外部因素干扰。但是以上预警模型在运用时不能区别不同的指标对危机的影响，显然不适合具有复杂影响因素的高风险资产价格膨胀的研究。马尔科夫区制转换模型[15]则主要针对不同国家的经济周期、经济冲击及国家间经济影响的研究。朱钧钧等[16]改进了马尔科夫区制转化模型，并重新研究了东南亚金融危机的影响因素。但是马尔科夫区制转化模型在价格波动方面的研究并没有明显优势。二元离散选择模型[17]，其本质是测度危机发生概率的方法。马德功等[18]通过对比分析现有各种危机预警模型，得出Logit模型更适合构建中国的货币危机预警。Cipollini和Kapetanios[19]得到预测经济危机的指标后，运用Probit模型进行动态危机预警。该模型可以直接计算危机发生的概率，适合多指标研究，可以反映每一指标和危机之间的关系，是现阶段较为适合的资产价格膨胀的预警模型。 扈文秀，等：房地产市场高风险价格膨胀识别及其预警机制研究——基于国际经验数据
Vol.36， No.2预测2017年第2期
根据历史经验，中国资产价格膨胀区间有限，在此基础上对宏观经济有影响的资产价格膨胀更少，研究中缺乏足够数据，因此，国际经验数据就更为重要。现有研究忽视了不同阶段房地产价格膨胀对宏观经济的影响，识别不同国家不同阶段的房地产价格膨胀区间，对于价格膨胀的研究具有重要意义。通过以上综述，本文主要分析以下三个具有递进关系的问题：如何识别房地产价格膨胀区间以及高风险价格膨胀区间？哪些因素会对房地产市场高风险价格膨胀具有显著影响？如何对房地产市场高风险价格膨胀进行预警？
3高风险资产价格膨胀预警体系的构建
3.1高风险资产价格膨胀的预警指标
识别出房地产市场的高风险资产价格膨胀区间之后，其关键问题就是如何在房地产价格发生急速上涨时，区分每次膨胀是高风险资产价格膨胀还是低风险资产价格膨胀。首先本文通过非参数检验确定房地产市场高风险价格膨胀的预警指标，作为构建预警模型的基础。
3.1.1原始指标的选择与预处理
结合多国经济环境，本文首先列出了可能对资产价格产生影响的18种因素，作为实证分析的备选指标。具体分为宏观经济因素和金融指标，其中Xi为第i个原始指标（以下数据均为季度数据，取自万德数据库）：
（1）宏观经济因素。宏观经济是否平衡是衡量一国金融體系是否稳健的根本条件。高风险资产价格膨胀的产生，从根本上说是一国宏观经济出现不平衡的表现之一。因此，宏观经济因素的异常是对高风险资产价格膨胀进行预警的基础指标。本文选择GDP（X1）作为宏观经济的主要核算变量。
CPI（X2），即居民消费价格指数，它在实际研究中经常作为经济分析和决策的先行指标，其变动在一定程度上说明了通货膨胀和通货紧缩的程度。
社会融资规模（X3）、固定资产投资完成额（X4）、财政收支余额（X5）分别从金融角度，投资市场和国家财政说明实体经济的活跃程度，及对资产市场的潜在影响。
税收收入（X6）、工业增加值（X7）、公共财政收入支出（X8）从国家资金储备量的角度说明国家经济的繁荣或者衰退，在一定程度上也反映了资产市场的活跃程度。
（2）金融指标。银行危机与货币危机是高风险资产价格膨胀后产生的严重后果之一，因此，金融体系的稳定是影响资产价格波动的重要因素。
利率（X9）和汇率（X10）变化是国家对于维护金融稳定所采取的最直接的行为。低利率使得对于未来股票红利和租金水平的预期提高，同时又会降低贴现率从而引起资产价格的上涨。另一方面，在资产价格膨胀期中，利率的提高可以通过强化逆向选择和道德风险从而导致高负债的房地产企业的违约率，进而导致资产价格下跌。汇率的波动对于本国货币的升值和贬值有直接的影响。本文的数据均为剔除通货膨胀率的实际利率和实际汇率。
国家外汇储备（X11）衡量了中央银行外汇贮备的充足程度，是一国进行宏观调控的重要工具，如干预汇率的波动，稳定资产价格。M0（X12），M1（X13），M3（X14）这三种货币供应量的指标以及基础货币余额（X15），经常被用来分析经济动态变化，且通过影响产出引起资产价格膨胀。实际信贷变量（X16）与进口价格（X17），出口价格（X18）在经济研究中通过金融加速器机制影响资产价格波动，这些变量均常用于资产价格波动的早期预警指标。
为了得到更加准确的统计结果，本文对以上指标进行HP滤波法，线性趋势偏离和计算增长率等变形处理，以得到统一的度量标准。本文中，宏观经济变量统一使用偏离趋势的偏差进行变形处理，其公式为DevXi=Xi-TrendXiXi。其中DevXi为偏离趋势的偏差，Xi为第i变量，TrendXi为通过HP滤波法得到的趋势值。金融指标除实际利率、实际汇率使用水平值，其他指标统一通过计算得出同比增长率。
3.1.2实证检验
该实证检验的理论基础为，如果我们认为某变量是高风险资产价格膨胀的决定性因素，那么我们就会预期该变量在高风险资产价格膨胀期中与膨胀期前的表现特征是不一样的。因此，本文运用KruskallWallis检验目标变量是否为高风险资产价格膨胀的决定因素。假设任一变量Xit为i国在t时期的各解释变量的值，其变形形式为Tit，滞后期为Kit，则：将目标变量分为两组，一组为处于高风险资产价格膨胀期内，设置为A组，一组没有处在高风险资产价格膨胀期内，设置为B组。根据AB两组计算KW的值KWXT，K。如果某目标变量的置信度在95%以上，则说明这一变量与高风险资产价格膨胀呈相关关系，否则说明该变量与高风险资产价格膨胀之间不具有显著的相关关系。
本文通过SPSS软件，将房地产市场价格高膨胀区间与非高膨胀区间之间的指标值进行面板数据的KW检验，其统计结果如表1所示。
结果显示，对于房地产市场的高风险资产价格膨胀，宏观经济因素，如国民生产总值增长率（GDP），居民消费价格指数（CPI）， 固定资产投资完成额等经济指标与房地产市场高风险资产价格膨胀之间具有相对较强的正相关关系；金融指标如实际利率，实际汇率，货币供应量，国内信贷增长率以及基础货币余额等与房地产价格高风险膨胀之间也有着正相关关系。
3.2预警模型的构建
3.2.1解释变量的建立
根据以上KruskallWallis检验，我们得到了總共10种房地产市场高风险价格膨胀的影响因素，将其作为预警模型的解释变量。但是由于处于同一经济体的各个经济指标之间会具有较强的相关性，如果直接作为预警模型的自变量，会出现多重共线性问题。因此，预警模型的构建之前，首先应对影响因素进行主成分分析。通过消除相关性的处理，KMO检验与Barlett检验，应用SPSS软件，得到原始变量的累计方差贡献率，前三个主要因子的特征值均大于1，因此，我们提取3个公因子代表原始指标数据的主要信息。对三个主要因子命名为F1，F2，F3，其因子载荷矩阵可知，因子F1在X1（国民生产总值增长率）、X2（居民价格消费指数）、 X4（固定资产投资完成额）这三个解释变量上具有较大的载荷，这三个解释变量分别为宏观经济因素中代表经济发展状态的指标，将F1命名为宏观经济因子；因子F2在X9（实际利率）、X10（实际汇率）和X16（国内信贷增长率）这三个解释变量上具有较大的载荷，而这三个指标可以说明银行系统的国内外信贷水平，将 F2命名为信贷变量因子；因子F3在X12、X13、X14（三个货币供应量的指标）、X15（基础货币余额）这四个解释变量上有较大的载荷，而这四个指标均与货币变量有关，将F3命名为货币变量因子。 根据以上数据分析结果，我们最终得到三个主要因子表达式
F1=0.8975X1+0.6423X2+0.4372X4+
0.1841X9-…-0.1832X16
F2=0.3215X1+0.1093X2+0.0322X4+
0.2473X9+…-0.0478X16
F3=0.1047X1+0.0421X2-0.0216X4+
0.8424X9-…+0.8430X16
3.2.2動态Logit模型的构建
根据以上分析得出的高风险资产价格膨胀的三个主要因子为解释变量，以高风险资产价格膨胀发生的概率为被解释变量，将其定义为二元定性变量。本文定义yit为i国在t时期发生高风险资产价格膨胀的概率：当高风险资产价格膨胀发生，yit为1；当高风险资产价格膨胀不发生，yit为0。
设yit的值通过另一虚拟变量V确定，且V=f（X），f（X）=Xβ+ε 。因此，危机预警信号Yit出现的概率为
P（Yit=1）=P（V>0）=P（εt>-Xβ）。
Logit原始模型为logPit1-Pit=α+βXit+μit。其中Pt为第t时期发生高风险资产价格膨胀的概率，Xit为各解释变量的值，α是常数项，μit为随机干扰项。
由于静态Logit模型没有考虑到高风险资产价格膨胀在时间维度里的持久性，因此，本文将因变量的滞后值引入到模型中去，构建包含滞后二元变量的动态Logit预警模型。即
logPit1-Pit=α+βXit+δyit-j+πit。yit-j为i国在t-j期发生高风险资产价格膨胀的概率。由此，得到最终的动态高风险资产价格膨胀动态Logit模型为
Pit=Fyit=11+e-yit=
11+e-（α+βXit+δyit-j）
其临界值为0.5，即高风险资产价格膨胀运用Logit模型得出的结果大于0.5，则认为高风险资产价格泡沫会发生；反之，则不会发生高风险资产价膨胀。将分析得到的主要因子F1、F2、F3直接带入模型中即可得到动态的Logit模型。运用Eviews软件，通过t显著性检验，最终确定其滞后项阶数为1。接下来，将这些公因子作为新的变量建立态Logit模型，得出回归结果如表2所示。
综上所述，基于动态Logit高风险资产价格膨胀预警模型如下所示
logPit1-Pit=-0.099-0.891Fit+
0.246Fit+0.689Fit+1.092Yit-1
4预警模型的检验
为了对本文中构建的预警模型的拟合程度及是否适合我国经济环境进行检验，我们分别对预警模型进行基于中国数据的样本内检验和样本外检验。样本内检验主要对比分析前述研究，验证模型的准确度，样本外检验则是对本文的模型进行实际运用。其具体检验方法为利用动态Logit模型对样本内1995年1月至2014年12月间中国的相关经济数据进行模拟，验证模型的准确度；对样本外2015年中国房地产市场经济状况进行预警判断。本文将对应的预警指标数据统一进行变形处理，求出增长率，带入预警模型中，通过Eviews软件得出预警模拟信号曲线图，分别如图1，图2所示。
图1样本内预警模拟信号
图2样本外预警模拟信号
从图1的样本内检验可以看出，预警信号值在2007年8月到2009年1月出现了高风险资产价格膨胀，这与本文之前的研究相契合，说明模型可以准确地识别出高风险资产价格膨胀的区间。图2的样本外检验则说明2015年并没有发生高风险资产价格膨胀，这也与2015年的经济状况相吻合。从2015年我国的房地产经济状况来看，个别城市的房地产价格暂时性急速上涨并没有带动整个行业的价格膨胀，我国的房地产市场还处于相对稳定的状态。因此，这次局部的房地产价格膨胀不会引起宏观经济的显著反应，不属于高风险房地产价格膨胀，不会造成较大的负面影响。
5结论与政策建议
根据本文的分析研究，得出以下研究结论：
首先，运用COBS模型分别识别出27个国家，1990年1月至2014年12月间房地产市场价格的膨胀区间。在此基础上，根据不同阶段房地产价格膨胀期后宏观经济的反应，区分出不同国家的高风险资产价格膨胀周期。第二，通过KruskallWallis检验对27个国家18个潜在影响因素，共486个变量进行实证检验，研究经济变量与高风险资产价格膨胀之间的关系，最终得出10种对房地产市场高风险价格膨胀具有显著影响的预警指标，即国民生产总值增长率，居民消费价格指数，固定资产投资完成额，实际利率，实际汇率，三个货币供应量指标，国内信贷增长率以及基础货币余额等因素。第三，根据实证研究结论得出的房地产市场高风险资产价格膨胀的预警指标，通过主成分分析法找出三个主要影响因子，将这三个影响因子作为变量，运用二元离散选择模型，构建出房地产市场高风险资产价格膨胀预警模型。最后，通过我国的实际经济数据对构建的预警模型进行样本内检验和样本外检验，样本内检验说明了预警模型的准确性，样本外检验说明2015年以后我国的房地产市场并没有发生高风险的资产价格膨胀。
根据以上研究结论，本文针对我国的高风险资产价格膨胀提出以下政策建议：
首先，根据本文的研究，并不是每一次房地产市场的价格膨胀都会对实体经济的发展产生恶劣的影响。宏观审慎监管制度的主要目的是防范金融体系的过度风险偏好和系统性风险，并不能像中央银行调节市场利率一样频繁。因此，宏观审慎监管制度不应该对每次房地产市场价格膨胀都予以干预，应该在区分资产价格膨胀性质的基础上，有针对性地对可能发生的高风险资产价格膨胀进行干预。一方面控制政府成本，另一方面提高经济体自身的市场调节机制而并不只是宏观调控控制经济。其次，并不是价格越高就会导致高风险资产价格膨胀的发生，是否为高风险资产价格膨胀不仅与价格高低有關，更与整体经济环境有关。其中，货币政策与高风险资产价格膨胀之间有着密切的联系，从以往的实践经验来看，货币政策不应该在低通胀的情况下盲目提高资产价格，这样很可能导致股票、房地产价格的非理性上涨，最终出现高资产价格和低通胀的现象同时存在，进而诱发高风险资产价格膨胀的产生。根据本文实证部分对房地产市场高风险价格膨胀决定因素的研究，房地产市场高风险价格膨胀与信贷、货币和固定资产投资的过分扩张存在着较强的正相关关系。因此，在关于房地产市场价格波动的宏观调控中应着重关注以上几个方面的调整，而非仅调整房地产价格。最后，对于2015年后半年我国房地产市场出现的局部资产价格膨胀，根据本文的研究结论，并不属于高风险资产价格膨胀。因此，应该采取调节利率等金融政策工具以及规范房地产市场秩序等政策，旨在通过房地产市场的自身调节机制稳定价格，从而避免采用过多宏观调控政策人为干预房地产市场价格。 參考文献：
[1]杨俊杰.房地产价格波动对宏观经济波动的微观作用机制探究[J].经济研究，2012，47（S1）：117127.
[2]郭荣欣，李金凤.日本房地产泡沫与中国房地产现状分析[J].经济研究导刊，2011，（16）：139140.
[3]李方.应对金融泡沫经济拓展东亚金融合作[J].世界经济研究，2009，（1）：1923，87.
[4]Semlali M A S， Collyns M C. Lending booms， real estate bubbles and the Asian crisis[M]. Washington： International Monetary Fund， 2002.
[5]Dieter G， Hans E R. Asset price misalignments and the role of money and credit[J]. International Finance， 2010， 13（3）： 377407.
[6]Detken C， Smets F. Asset price booms and monetary policy[R]. Frankfurt am Main：ECBWorking Paper Series，
2004. 164.
[7]Adalid R， Detken C. Liquidity shocks and asset price boom/bust cycles[R]. Frankfurt am Main：European Central Bank， 2007. 151.
[8]蓝湛恒.通胀预测、不确定性与先行指标体系的构建[J].金融理论与实践，2013，（1）：6872.
[9]师应来，王平.房地产预警指标体系及综合预警方法研究[J].统计研究，2011，28（11）：1621.
[10]Berg A， Pattillo C. Assessing early warning systems： how have they worked in practice[J]. IMF Staff Papers， 2005， 52（3）： 462502.
[11]Kaminsky G， Lizondo S， Reinhart C M. Leading indicators of currency crises[J]. Staff PapersInternational Monetary Fund， 1998， 45（1）： 148.
[12]Sachs J， Tornell A， Velasco A. Financial crises in emerging markets： the lessons from 1995[J]. Brooking Papers on Economic Activity， 1996， 57（1）： 147215.
[13]史建平，高宇. KLR金融危机预警模型研究对现阶段新兴市场国家金融危机的实证检验[J].数量经济技术经济研究，2009，12（3）：106117.
[14]张元萍，孙刚.金融危机预警系统的理论透析与实证分析[J].国际金融研究，2003，3（10）：3238.
[15]Hamilton J D. The new palgrave dictionary of economics[M]. Basingstoke： Palgrave Macmillan， 2008.
[16]朱钧钧，谢识予，许祥云.基于空间Probit面板模型的債务危机预警方法[J].数量经济技术经济研究，2012，11（10）：100114.
[17]Frankel J A，Rose A K. Currency crashes in emerging markets： an empirical treatment[J]. Journal of International Economics， 1996， 41（3）： 351366.
[18]马德功，张畅，马敏捷.货币危机预警模型理论与中国适用[J].上海金融，2007，19（12）：1013.
[19]Cipollini A， Kapetanios G. Forecasting financial crises and contagion in Asia using dynamic factor analysis[J]. Journal of Empirical Finance， 2009， 16（2）： 188200.
[20]Ng P， Martin M. A fast and efficient implementation of qualitatively constrained smoothing splines[J]. Statistical Modelling， 2007， 7（4）： 315328.
关键词：高风险资产价格膨胀；COBS模型；二元离散选择模型；预警机制
中图分类号：F830.2文献标识码：A文章编号：10035192（2017）02005106doi：10.11847/fj.36.2.51
Study on the High Cost Booms Identification in Real Estate Marketand Its Real Time Early Warning Mechanism
——Based on International Experience Data
HU Wenxiu， WU Tingting， FU Qiang
（School of Economics and Management， Xi’an University of Technology， Xi’an 710054， China）
Abstract：In order to effectively control the effect of house price’s irrationally rising on macroeconomic， this paper distinguishes the house price booms. According to 27 countries from 1990 to 2014 real estate price data， by constraining the smooth Bspline model（COBS）， this paper identifies each country’s real estate price inflation interval. Subsequently， it distinguishes the high cost booms and the low cost booms by the macroeconomic reactions after different inflation intervals. Then， using the determinants through nonparametric tests， it establishes the real time early warning mechanism of high cost booms in real estate market， based on discrete choice model. Finally， this paper uses China’s real estate data to make insample test and outofsample test of that real time early warning mechanism. Key words：high cost asset price boom； COBS model； discrete choice model； real time early warning mechanism
1引言
資产价格膨胀尤其是房地产价格的急速暴涨是近年来我国甚至世界范围内出现的重要经济现象[1]。2000年以来，我国平均房地产市场价格上涨了3倍左右，一线城市部分区域的房地产价格甚至上涨了5倍以上。同样，国外的房地产市场也出现了价格过热的情况，如日本房地产价格从1985年以来，经历了数次房地产价格暴涨[2]。然而，在经济发展中，有些资产价格膨胀会随着经济的发展逐渐消退，而有些资产价格膨胀却会对实体经济产生较为严重的影响。如日本80年代末90年代初出现的资产价格大幅上涨，最终以泡沫经济为后果，直接导致日本经济陷入十年萧条[3]。2007年美国房地产价格上涨引起的次贷危机甚至引发了世界金融危机的爆发。中国香港和新加坡的房价大幅上涨却并没有对实体经济产生太大影响[4]。
然而现有研究主要关注于房地产价格膨胀与宏观经济之间关系，但是忽视了不同阶段资产价格膨胀对宏观经济的影响不同，在研究时不可一概而论。我国的现有研究尚未对资产价格膨胀进行区分，但是近年来，国外已有一些学者发现并不是所有的资产价格膨胀都会引起较大的产出损失，如Dieter和Hans[5]通过分析发现不同的资产价格膨胀会对膨胀期后的宏观经济产生不同的影响。因此，他们根据膨胀期后经济增长率的不同将资产价格膨胀分为高风险资产价格膨胀和低风险资产价格膨胀。之后的学者根据这一结论进行了更加细致的分析，Detken和Smets[6]将资产价格膨胀定义为是一个连续的至少4个季度的过程，在这一过程中实际总价格指数超过其趋势至少10%以上。Adalid和Detken[7]在这一研究的基础上将资产价格膨胀根据膨胀期后的GDP增长率分为低风险资产价格膨胀和高风险资产价格膨胀。如果GDP平均实际增长率在膨胀期中高于膨胀期后，则这个膨胀期就可以称为高风险资产价格膨胀。
在识别出高风险资产价格膨胀区间之后，如何对其进行预警进而通过宏观政策控制高风险资产价格膨胀对实体经济的影响是研究中至关重要的问题。现有对于危机预警的研究主要分为非模型预警和模型预警。非模型预警由于其操作简便，在前期的危机预警研究中得到广泛的运用[8，9]。然而，Berg和Pattillo[10]通过实证分析对模型预警和非模型预警进行了对比研究，结果显示模型预警的准确性要远高于非模型预警，因此现有的危机预警研究以模型预警为主要方法。由于研究内容和视角不同，不同学者对于模型的选择也往往具有较大差别。首先，KLR信号分析法[11]和STV截面回归模型[12]，以其指标选择的广泛性被广为运用。史建平和高宇[13]通过KLR信号分析法对于一些新兴市场国家的金融危机进行预警。张元萍和孙刚[14]通过STV模型得到中国金融环境不稳定的原因主要是受外部因素干扰。但是以上预警模型在运用时不能区别不同的指标对危机的影响，显然不适合具有复杂影响因素的高风险资产价格膨胀的研究。马尔科夫区制转换模型[15]则主要针对不同国家的经济周期、经济冲击及国家间经济影响的研究。朱钧钧等[16]改进了马尔科夫区制转化模型，并重新研究了东南亚金融危机的影响因素。但是马尔科夫区制转化模型在价格波动方面的研究并没有明显优势。二元离散选择模型[17]，其本质是测度危机发生概率的方法。马德功等[18]通过对比分析现有各种危机预警模型，得出Logit模型更适合构建中国的货币危机预警。Cipollini和Kapetanios[19]得到预测经济危机的指标后，运用Probit模型进行动态危机预警。该模型可以直接计算危机发生的概率，适合多指标研究，可以反映每一指标和危机之间的关系，是现阶段较为适合的资产价格膨胀的预警模型。 扈文秀，等：房地产市场高风险价格膨胀识别及其预警机制研究——基于国际经验数据
Vol.36， No.2预测2017年第2期
根据历史经验，中国资产价格膨胀区间有限，在此基础上对宏观经济有影响的资产价格膨胀更少，研究中缺乏足够数据，因此，国际经验数据就更为重要。现有研究忽视了不同阶段房地产价格膨胀对宏观经济的影响，识别不同国家不同阶段的房地产价格膨胀区间，对于价格膨胀的研究具有重要意义。通过以上综述，本文主要分析以下三个具有递进关系的问题：如何识别房地产价格膨胀区间以及高风险价格膨胀区间？哪些因素会对房地产市场高风险价格膨胀具有显著影响？如何对房地产市场高风险价格膨胀进行预警？
3高风险资产价格膨胀预警体系的构建
3.1高风险资产价格膨胀的预警指标
识别出房地产市场的高风险资产价格膨胀区间之后，其关键问题就是如何在房地产价格发生急速上涨时，区分每次膨胀是高风险资产价格膨胀还是低风险资产价格膨胀。首先本文通过非参数检验确定房地产市场高风险价格膨胀的预警指标，作为构建预警模型的基础。
3.1.1原始指标的选择与预处理
结合多国经济环境，本文首先列出了可能对资产价格产生影响的18种因素，作为实证分析的备选指标。具体分为宏观经济因素和金融指标，其中Xi为第i个原始指标（以下数据均为季度数据，取自万德数据库）：
（1）宏观经济因素。宏观经济是否平衡是衡量一国金融體系是否稳健的根本条件。高风险资产价格膨胀的产生，从根本上说是一国宏观经济出现不平衡的表现之一。因此，宏观经济因素的异常是对高风险资产价格膨胀进行预警的基础指标。本文选择GDP（X1）作为宏观经济的主要核算变量。
CPI（X2），即居民消费价格指数，它在实际研究中经常作为经济分析和决策的先行指标，其变动在一定程度上说明了通货膨胀和通货紧缩的程度。
社会融资规模（X3）、固定资产投资完成额（X4）、财政收支余额（X5）分别从金融角度，投资市场和国家财政说明实体经济的活跃程度，及对资产市场的潜在影响。
税收收入（X6）、工业增加值（X7）、公共财政收入支出（X8）从国家资金储备量的角度说明国家经济的繁荣或者衰退，在一定程度上也反映了资产市场的活跃程度。
（2）金融指标。银行危机与货币危机是高风险资产价格膨胀后产生的严重后果之一，因此，金融体系的稳定是影响资产价格波动的重要因素。
利率（X9）和汇率（X10）变化是国家对于维护金融稳定所采取的最直接的行为。低利率使得对于未来股票红利和租金水平的预期提高，同时又会降低贴现率从而引起资产价格的上涨。另一方面，在资产价格膨胀期中，利率的提高可以通过强化逆向选择和道德风险从而导致高负债的房地产企业的违约率，进而导致资产价格下跌。汇率的波动对于本国货币的升值和贬值有直接的影响。本文的数据均为剔除通货膨胀率的实际利率和实际汇率。
国家外汇储备（X11）衡量了中央银行外汇贮备的充足程度，是一国进行宏观调控的重要工具，如干预汇率的波动，稳定资产价格。M0（X12），M1（X13），M3（X14）这三种货币供应量的指标以及基础货币余额（X15），经常被用来分析经济动态变化，且通过影响产出引起资产价格膨胀。实际信贷变量（X16）与进口价格（X17），出口价格（X18）在经济研究中通过金融加速器机制影响资产价格波动，这些变量均常用于资产价格波动的早期预警指标。
为了得到更加准确的统计结果，本文对以上指标进行HP滤波法，线性趋势偏离和计算增长率等变形处理，以得到统一的度量标准。本文中，宏观经济变量统一使用偏离趋势的偏差进行变形处理，其公式为DevXi=Xi-TrendXiXi。其中DevXi为偏离趋势的偏差，Xi为第i变量，TrendXi为通过HP滤波法得到的趋势值。金融指标除实际利率、实际汇率使用水平值，其他指标统一通过计算得出同比增长率。
3.1.2实证检验
该实证检验的理论基础为，如果我们认为某变量是高风险资产价格膨胀的决定性因素，那么我们就会预期该变量在高风险资产价格膨胀期中与膨胀期前的表现特征是不一样的。因此，本文运用KruskallWallis检验目标变量是否为高风险资产价格膨胀的决定因素。假设任一变量Xit为i国在t时期的各解释变量的值，其变形形式为Tit，滞后期为Kit，则：将目标变量分为两组，一组为处于高风险资产价格膨胀期内，设置为A组，一组没有处在高风险资产价格膨胀期内，设置为B组。根据AB两组计算KW的值KWXT，K。如果某目标变量的置信度在95%以上，则说明这一变量与高风险资产价格膨胀呈相关关系，否则说明该变量与高风险资产价格膨胀之间不具有显著的相关关系。
本文通过SPSS软件，将房地产市场价格高膨胀区间与非高膨胀区间之间的指标值进行面板数据的KW检验，其统计结果如表1所示。
结果显示，对于房地产市场的高风险资产价格膨胀，宏观经济因素，如国民生产总值增长率（GDP），居民消费价格指数（CPI）， 固定资产投资完成额等经济指标与房地产市场高风险资产价格膨胀之间具有相对较强的正相关关系；金融指标如实际利率，实际汇率，货币供应量，国内信贷增长率以及基础货币余额等与房地产价格高风险膨胀之间也有着正相关关系。
3.2预警模型的构建
3.2.1解释变量的建立
根据以上KruskallWallis检验，我们得到了總共10种房地产市场高风险价格膨胀的影响因素，将其作为预警模型的解释变量。但是由于处于同一经济体的各个经济指标之间会具有较强的相关性，如果直接作为预警模型的自变量，会出现多重共线性问题。因此，预警模型的构建之前，首先应对影响因素进行主成分分析。通过消除相关性的处理，KMO检验与Barlett检验，应用SPSS软件，得到原始变量的累计方差贡献率，前三个主要因子的特征值均大于1，因此，我们提取3个公因子代表原始指标数据的主要信息。对三个主要因子命名为F1，F2，F3，其因子载荷矩阵可知，因子F1在X1（国民生产总值增长率）、X2（居民价格消费指数）、 X4（固定资产投资完成额）这三个解释变量上具有较大的载荷，这三个解释变量分别为宏观经济因素中代表经济发展状态的指标，将F1命名为宏观经济因子；因子F2在X9（实际利率）、X10（实际汇率）和X16（国内信贷增长率）这三个解释变量上具有较大的载荷，而这三个指标可以说明银行系统的国内外信贷水平，将 F2命名为信贷变量因子；因子F3在X12、X13、X14（三个货币供应量的指标）、X15（基础货币余额）这四个解释变量上有较大的载荷，而这四个指标均与货币变量有关，将F3命名为货币变量因子。 根据以上数据分析结果，我们最终得到三个主要因子表达式
F1=0.8975X1+0.6423X2+0.4372X4+
0.1841X9-…-0.1832X16
F2=0.3215X1+0.1093X2+0.0322X4+
0.2473X9+…-0.0478X16
F3=0.1047X1+0.0421X2-0.0216X4+
0.8424X9-…+0.8430X16
3.2.2動态Logit模型的构建
根据以上分析得出的高风险资产价格膨胀的三个主要因子为解释变量，以高风险资产价格膨胀发生的概率为被解释变量，将其定义为二元定性变量。本文定义yit为i国在t时期发生高风险资产价格膨胀的概率：当高风险资产价格膨胀发生，yit为1；当高风险资产价格膨胀不发生，yit为0。
设yit的值通过另一虚拟变量V确定，且V=f（X），f（X）=Xβ+ε 。因此，危机预警信号Yit出现的概率为
P（Yit=1）=P（V>0）=P（εt>-Xβ）。
Logit原始模型为logPit1-Pit=α+βXit+μit。其中Pt为第t时期发生高风险资产价格膨胀的概率，Xit为各解释变量的值，α是常数项，μit为随机干扰项。
由于静态Logit模型没有考虑到高风险资产价格膨胀在时间维度里的持久性，因此，本文将因变量的滞后值引入到模型中去，构建包含滞后二元变量的动态Logit预警模型。即
logPit1-Pit=α+βXit+δyit-j+πit。yit-j为i国在t-j期发生高风险资产价格膨胀的概率。由此，得到最终的动态高风险资产价格膨胀动态Logit模型为
Pit=Fyit=11+e-yit=
11+e-（α+βXit+δyit-j）
其临界值为0.5，即高风险资产价格膨胀运用Logit模型得出的结果大于0.5，则认为高风险资产价格泡沫会发生；反之，则不会发生高风险资产价膨胀。将分析得到的主要因子F1、F2、F3直接带入模型中即可得到动态的Logit模型。运用Eviews软件，通过t显著性检验，最终确定其滞后项阶数为1。接下来，将这些公因子作为新的变量建立态Logit模型，得出回归结果如表2所示。
综上所述，基于动态Logit高风险资产价格膨胀预警模型如下所示
logPit1-Pit=-0.099-0.891Fit+
0.246Fit+0.689Fit+1.092Yit-1
4预警模型的检验
为了对本文中构建的预警模型的拟合程度及是否适合我国经济环境进行检验，我们分别对预警模型进行基于中国数据的样本内检验和样本外检验。样本内检验主要对比分析前述研究，验证模型的准确度，样本外检验则是对本文的模型进行实际运用。其具体检验方法为利用动态Logit模型对样本内1995年1月至2014年12月间中国的相关经济数据进行模拟，验证模型的准确度；对样本外2015年中国房地产市场经济状况进行预警判断。本文将对应的预警指标数据统一进行变形处理，求出增长率，带入预警模型中，通过Eviews软件得出预警模拟信号曲线图，分别如图1，图2所示。
图1样本内预警模拟信号
图2样本外预警模拟信号
从图1的样本内检验可以看出，预警信号值在2007年8月到2009年1月出现了高风险资产价格膨胀，这与本文之前的研究相契合，说明模型可以准确地识别出高风险资产价格膨胀的区间。图2的样本外检验则说明2015年并没有发生高风险资产价格膨胀，这也与2015年的经济状况相吻合。从2015年我国的房地产经济状况来看，个别城市的房地产价格暂时性急速上涨并没有带动整个行业的价格膨胀，我国的房地产市场还处于相对稳定的状态。因此，这次局部的房地产价格膨胀不会引起宏观经济的显著反应，不属于高风险房地产价格膨胀，不会造成较大的负面影响。
5结论与政策建议
根据本文的分析研究，得出以下研究结论：
首先，运用COBS模型分别识别出27个国家，1990年1月至2014年12月间房地产市场价格的膨胀区间。在此基础上，根据不同阶段房地产价格膨胀期后宏观经济的反应，区分出不同国家的高风险资产价格膨胀周期。第二，通过KruskallWallis检验对27个国家18个潜在影响因素，共486个变量进行实证检验，研究经济变量与高风险资产价格膨胀之间的关系，最终得出10种对房地产市场高风险价格膨胀具有显著影响的预警指标，即国民生产总值增长率，居民消费价格指数，固定资产投资完成额，实际利率，实际汇率，三个货币供应量指标，国内信贷增长率以及基础货币余额等因素。第三，根据实证研究结论得出的房地产市场高风险资产价格膨胀的预警指标，通过主成分分析法找出三个主要影响因子，将这三个影响因子作为变量，运用二元离散选择模型，构建出房地产市场高风险资产价格膨胀预警模型。最后，通过我国的实际经济数据对构建的预警模型进行样本内检验和样本外检验，样本内检验说明了预警模型的准确性，样本外检验说明2015年以后我国的房地产市场并没有发生高风险的资产价格膨胀。
根据以上研究结论，本文针对我国的高风险资产价格膨胀提出以下政策建议：
首先，根据本文的研究，并不是每一次房地产市场的价格膨胀都会对实体经济的发展产生恶劣的影响。宏观审慎监管制度的主要目的是防范金融体系的过度风险偏好和系统性风险，并不能像中央银行调节市场利率一样频繁。因此，宏观审慎监管制度不应该对每次房地产市场价格膨胀都予以干预，应该在区分资产价格膨胀性质的基础上，有针对性地对可能发生的高风险资产价格膨胀进行干预。一方面控制政府成本，另一方面提高经济体自身的市场调节机制而并不只是宏观调控控制经济。其次，并不是价格越高就会导致高风险资产价格膨胀的发生，是否为高风险资产价格膨胀不仅与价格高低有關，更与整体经济环境有关。其中，货币政策与高风险资产价格膨胀之间有着密切的联系，从以往的实践经验来看，货币政策不应该在低通胀的情况下盲目提高资产价格，这样很可能导致股票、房地产价格的非理性上涨，最终出现高资产价格和低通胀的现象同时存在，进而诱发高风险资产价格膨胀的产生。根据本文实证部分对房地产市场高风险价格膨胀决定因素的研究，房地产市场高风险价格膨胀与信贷、货币和固定资产投资的过分扩张存在着较强的正相关关系。因此，在关于房地产市场价格波动的宏观调控中应着重关注以上几个方面的调整，而非仅调整房地产价格。最后，对于2015年后半年我国房地产市场出现的局部资产价格膨胀，根据本文的研究结论，并不属于高风险资产价格膨胀。因此，应该采取调节利率等金融政策工具以及规范房地产市场秩序等政策，旨在通过房地产市场的自身调节机制稳定价格，从而避免采用过多宏观调控政策人为干预房地产市场价格。 參考文献：
[1]杨俊杰.房地产价格波动对宏观经济波动的微观作用机制探究[J].经济研究，2012，47（S1）：117127.
[2]郭荣欣，李金凤.日本房地产泡沫与中国房地产现状分析[J].经济研究导刊，2011，（16）：139140.
[3]李方.应对金融泡沫经济拓展东亚金融合作[J].世界经济研究，2009，（1）：1923，87.
[4]Semlali M A S， Collyns M C. Lending booms， real estate bubbles and the Asian crisis[M]. Washington： International Monetary Fund， 2002.
[5]Dieter G， Hans E R. Asset price misalignments and the role of money and credit[J]. International Finance， 2010， 13（3）： 377407.
[6]Detken C， Smets F. Asset price booms and monetary policy[R]. Frankfurt am Main：ECBWorking Paper Series，
2004. 164.
[7]Adalid R， Detken C. Liquidity shocks and asset price boom/bust cycles[R]. Frankfurt am Main：European Central Bank， 2007. 151.
[8]蓝湛恒.通胀预测、不确定性与先行指标体系的构建[J].金融理论与实践，2013，（1）：6872.
[9]师应来，王平.房地产预警指标体系及综合预警方法研究[J].统计研究，2011，28（11）：1621.
[10]Berg A， Pattillo C. Assessing early warning systems： how have they worked in practice[J]. IMF Staff Papers， 2005， 52（3）： 462502.
[11]Kaminsky G， Lizondo S， Reinhart C M. Leading indicators of currency crises[J]. Staff PapersInternational Monetary Fund， 1998， 45（1）： 148.
[12]Sachs J， Tornell A， Velasco A. Financial crises in emerging markets： the lessons from 1995[J]. Brooking Papers on Economic Activity， 1996， 57（1）： 147215.
[13]史建平，高宇. KLR金融危机预警模型研究对现阶段新兴市场国家金融危机的实证检验[J].数量经济技术经济研究，2009，12（3）：106117.
[14]张元萍，孙刚.金融危机预警系统的理论透析与实证分析[J].国际金融研究，2003，3（10）：3238.
[15]Hamilton J D. The new palgrave dictionary of economics[M]. Basingstoke： Palgrave Macmillan， 2008.
[16]朱钧钧，谢识予，许祥云.基于空间Probit面板模型的債务危机预警方法[J].数量经济技术经济研究，2012，11（10）：100114.
[17]Frankel J A，Rose A K. Currency crashes in emerging markets： an empirical treatment[J]. Journal of International Economics， 1996， 41（3）： 351366.
[18]马德功，张畅，马敏捷.货币危机预警模型理论与中国适用[J].上海金融，2007，19（12）：1013.
[19]Cipollini A， Kapetanios G. Forecasting financial crises and contagion in Asia using dynamic factor analysis[J]. Journal of Empirical Finance， 2009， 16（2）： 188200.
[20]Ng P， Martin M. A fast and efficient implementation of qualitatively constrained smoothing splines[J]. Statistical Modelling， 2007， 7（4）： 315328.