我國信貸規(guī)模、資產價格波動與銀行脆弱性——基于有向無環(huán)圖的應用研究

李夢花，聶思玥

(1.山西財經大學 經濟學院，山西 太原030006;2.山西大學 經濟與管理學院，山西 太原030006)

一、引 言

銀行脆弱性與資產價格之間的關系一直深受各國學術及實踐領域的廣泛關注，二者聯(lián)系的重要渠道之一是信貸，即經濟景氣期形成的異常繁榮的信貸擴張和經濟衰退期出現(xiàn)的大規(guī)模信貸收縮?；仡櫴澜缃洕l(fā)展歷史，1929年發(fā)生在美國華爾街的股市大崩潰、80年代日本由泡沫經濟破裂引發(fā)的經濟長期蕭條、1997年始于泰國泰銖貶值而后擴散為東南亞的金融危機以及2007年由美國次貸危機引發(fā)的全球金融危機，無一例外均伴隨著資產價格大幅波動及信貸規(guī)模的劇烈變動。我國自2001年加入WTO組織至今，已成長為世界第二大經濟體，這表明我國經濟的發(fā)展對世界各國的發(fā)展可以起到越來越大的帶動作用，但同時我國的發(fā)展也愈發(fā)地依賴世界各國，即國際經濟環(huán)境對我國經濟發(fā)展的影響愈發(fā)顯著。例如2007年美國次貸危機爆發(fā)后，各國均采取寬松的刺激政策，在寬松一邊倒的國際經濟環(huán)境下，我國政府為盡可能減少這場危機帶來的損失，不得不采取同樣的寬松政策，致使我國信貸規(guī)模及貨幣供應量M2呈現(xiàn)出階躍式增長。從具體的數(shù)字來看，自2009年1月截止到2014年3月我國金融機構境內各項貸款余額達到72萬億元。危機發(fā)生后2009年全年的新增境內各項貸款達到9.63萬億，而危機前的2007年全年新增貸款為3.64萬億，前者為后者的近3倍。與此同時資產價格，尤其是房地產市場經歷了相當幅度的上漲。那么這種銀行信貸的劇烈增長和資產價格的大幅上漲對我國的銀行穩(wěn)定(銀行脆弱性)會有影響嗎?其影響渠道是什么?這正是本文試圖探討的問題。

本文結構安排如下:第二部分為國內外相關理論文獻的回顧，第三部分為研究設計及數(shù)據說明，第四部分為實證結果與分析，第五部分為主要結論與政策啟示。

二、文獻綜述

絕大多數(shù)研究表明，銀行脆弱性的凸顯往往與資產價格的持續(xù)大幅波動相伴而生，而在這一過程中，銀行信貸往往被認為是主要的“驅動力量”。因此在分析銀行脆弱性與資產價格波動之間的聯(lián)系時需要同時考慮信貸規(guī)模與資產價格波動的關系。

有關信貸規(guī)模與資產價格關系的理論探討，經典理論主要有新奧地利學派的奠基者哈耶克提出的貨幣經濟周期理論及美國新古典主義經濟學家費雪的債務通貨緊縮理論。Hayek[1]的貨幣經濟周期理論提出過低的市場利率將引發(fā)信貸規(guī)模的非理性擴張，而過多的信貸勢必帶來高昂的投資熱情，金融市場上的資產價格泡沫則不可避免，從而加劇金融系統(tǒng)的不穩(wěn)定。Fisher[2]的研究指出經濟上升期引起的普遍過度負債會導致信貸規(guī)模大量增加，這將帶來一系列的潛在隱患，這些隱患會在經濟下行時集中爆發(fā)，例如，債務人為償還到期債務必須廉價銷售資產，若此時中央銀行不施以援助，將會引發(fā)物價及資產價格的迅速下跌，大量企業(yè)會因資不抵債等問題而破產，爆發(fā)金融危機。此外，Allen ＆ Gale[3]從銀行部門中介人角色的視角，指出中介部門特有的委托代理關系是造成資產價格泡沫的主要因素，并在此基礎上建構了信貸規(guī)模的擴張行為導致資產價格波動的理論分析模型。國內學者針對信貸規(guī)模與資產價格關系的理論分析也進行了相關探索。袁志剛和樊瀟彥[4]在借鑒經濟“理性泡沫”相關理論基礎上，構建了房地產理性泡沫的局部均衡分析框架，分析結果表明行為人的預期、地產政策及信貸的擴張共同推動了地產泡沫的形成極其破滅。

有關信貸規(guī)模與資產價格關系的實證研究，早期有Keran[5]運用標準普爾500指數(shù)的季度均值數(shù)據，通過構建簡單的單方程回歸模型得到信貸量對股票資產價格波動影響顯著的實證結論。近些年，一些學者運用VAR等計量方法實證分析了信貸規(guī)模與資產價格的關系。比如 Chen[6]運用臺灣地區(qū)1973至1992年的兩大主要資產價格——房地產和股票價格的季度數(shù)據，建立Multivariate VAR模型進行實證分析，研究結果表明:相對利息率，信貸規(guī)模能夠更有效的預測資產價格。Greiber ＆ Setzer[7]通過構建VECM估計模型，實證檢驗了歐洲及美國的資產價格波動，結果表明信貸的擴張是資產價格膨脹的重要渠道。此外，國內學者對信貸規(guī)模與資產價格之間的關系進行了頗多實證檢驗。梁云芳、高鐵梅和賀書平[8]運用HP濾波和協(xié)整分析得出我國房地產的均衡價格，并進一步構建了變參數(shù)模型及VAR模型，分析結果表明我國信貸規(guī)模的變化對房地產的投資有較大影響。肖本華[9]通過擴展 Allen和Gale的資產價格泡沫模型，運用Granger因果分析技術實證分析了我國2003年1月至2007年9月的月度數(shù)據，結果顯示我國的信貸擴張為資產價格的膨脹提供了重要支撐。而桂荷發(fā)、鄒朋飛和嚴武[10]采用VAR模型對信貸規(guī)模與股票市場價格的動態(tài)關系進行實證研究，結果顯示，股票市場價格的上漲會帶來信貸的擴張，但是反之，信貸的擴張卻不是股票市場價格上漲的原因。王曉明[11]通過運用Granger因果檢驗、VAR模型及脈沖響應函數(shù)實證分析了我國的信貸規(guī)模與資產價格的順周期，結論表明信貸規(guī)模與房地產市場價格之間存在顯著的雙向因果關系，但信貸規(guī)模與股票市場價格之間并不存在因果關系。方意、趙勝民和謝曉聞[12]通過運用“有向無環(huán)圖”及VAR模型分析了金融信貸與資產價格波動的同期因果關系，結果表明金融信貸擴張對股票價格影響較大，而對房地產價格的影響相對有限。

進一步梳理信貸規(guī)模、資產價格對金融脆弱性影響的相關文獻。理論研究方面，Mill ＆ Simons(1948)最早從信貸活動自身的擴張性傾向角度來解釋銀行脆弱性。在經濟上升期，銀行體系普遍有擴張信貸的傾向，從而產生過度投機，伴隨過度投機的持續(xù)，會在一些行業(yè)出現(xiàn)產品價格嚴重偏離內在價值，形成泡沫，一旦泡沫破滅將嚴重打擊儲戶對銀行體系的信心，增加不確定性，甚或發(fā)生擠兌。Minsky[13]分析了公司及銀行在經濟周期中的差異化行為對銀行脆弱性的影響:在經濟平穩(wěn)上升期，公司更多選擇較為謹慎的債務融資——即保值性融資;經濟漸入繁榮，公司則傾向于投資周期長，高風險的投機性融資甚或龐茲融資，銀行在樂觀的心理預期下傾向于貸出款項，一旦有任何妨礙貸款資源流向生產企業(yè)的沖擊出現(xiàn)，都可能帶來流動性不足抑或出現(xiàn)資不抵債等問題，并很快蔓延至銀行等金融機構，使其脆弱性迅速攀升。Dell'Ariccia ＆ Marquez[14]提出當其他銀行信貸標準都較低時，面臨信息非對稱的借款者，銀行在選擇策略時傾向于降低貸款標準，銀行的這一反應策略成為信貸熱潮提升銀行脆弱性的內在機制。實證研究方面，Borio ＆ Lowe[15]通過實證分析發(fā)現(xiàn)信貸規(guī)模與資產價格的膨脹存在雙向促進作用，隨著時間的推移可能帶來經濟中的過度投資，甚至引發(fā)銀行危機。皮舜[16]采用我國1997到2003年的房地產市場和金融市場的月度數(shù)據，構建了兩個市場相互作用的誤差修正模型(ECM)，分析結果顯示，我國房地產市場與金融市場存在長期和短期的雙向線性因果關系，二者具有一定的共生性。馬勇、楊棟和陳雨露[17]采用66個國家的數(shù)據進行實證分析，結果顯示資產價格周期、信貸周期及金融的監(jiān)管周期是金融不穩(wěn)定中的基本機制。

總結國內外關于信貸規(guī)模、資產價格波動與金融脆弱性關系的研究文獻，我們發(fā)現(xiàn)在相關的實證分析中，大多數(shù)學者采用 Granger因果分析和預測方差分解方法等來分析三者之間的因果關系及對脈沖的響應函數(shù)。但事實上這些方法都有一定的使用局限。首先 Gujarati[18]指出 Granger因果分析的結果依賴于對滯后期的選擇，選擇不同的滯后期會有不同的分析結論，而且不能給出同期變量之間的因果關系。更為重要的是，Sims[19]、Abdullah ＆ Rangazas[20]指出Granger因果分析并不具有我們作分析時更加關注的經濟意義上的顯著性，而是僅僅考慮其統(tǒng)計意義上的顯著性。因此，僅僅用 Granger因果分析來檢驗信貸規(guī)模、資產價格波動與銀行脆弱性三者的關系是非常不充分的。方差分解技術則更多考慮了變量關系在經濟意義上的顯著性，但Cooley ＆ LeRoy[21]、Swanson ＆ Granger[22]提出有效地進行方差分解的前提是正確設定擾動項間的同期因果關系。目前大多數(shù)選擇VAR方法進行研究的文獻中，往往采用Cholesky分解技術來得到正交的誤差項，但該方法依賴于變量排序，變量排列順序的改變將會影響到脈沖響應函數(shù)。這一問題Pesaran[23]中也同樣提到。此外 Bernanke[24]提出 Bnanker分解方法，但 Swanson ＆ Granger[22]指出該方法依然需要借助于相關理論及必要的先驗信息，仍然無法克服主觀判斷的缺陷。為有效解決以上問題，Pearl[25]、Spirtes，Glymour ＆ Scheines[26]提出“有向無環(huán)圖(DAG)”的分析方法。該方法無需添加任何先驗信息或假設條件，僅僅通過分析擾動項的方差協(xié)方差矩陣，即可有效識別擾動項的同期因果關系，從而能夠客觀確定擾動項的具體結構形式，避免缺乏依據的主觀判斷。目前這一方法被國內外學者越來越多的運用到經濟領域的各項研究中。如Bessler ＆ Yang;Awokuse;Yang，Guo ＆ Wang;吳文鋒和靳瑩;楊子暉;周泳宏和鄧衛(wèi)廣;Greiber ＆ Setzer[27-32，7]的研究，取得良好效果。

鑒于此，本文嘗試在已有研究基礎上，結合“有向無環(huán)圖”方法，研究我國信貸規(guī)模、資產價格波動與銀行脆弱性間的同期因果關系，并進一步分析信貸規(guī)模、資產價格波動與銀行脆弱性三者的相互影響，以期得出一些啟示性的分析結論。

三、研究設計與數(shù)據說明

(一)SVAR與有向無環(huán)圖(DAG)

1.SVAR與識別問題

上世紀70年代之前，宏觀經濟計量分析的數(shù)據描述、模型預測、結構推斷以及政策分析等四大任務一般由傳統(tǒng)大型聯(lián)立方程模型承擔。到了1970年代后期，聯(lián)立方程模型受到計量經濟學家的批評，尤其是自“盧卡斯批評”以來，這些大型聯(lián)立方程模型開始逐步被計量經濟學家拋棄。在這種情況下，Sims[33]提出了新的宏觀計量分析架構——向量自回歸(VAR)模型，也稱簡化型VAR(Reduced-form VAR，對應于后文的結構型VAR)。簡化型VAR以被解釋變量的滯后項作為解釋變量，這種將動態(tài)性特征納入考慮范圍的方法與時間序列分析一致，可以大大提高預測精度:

式(1)中 Yt=(y1t，y2t，…，ynt)'，Xt=Yt－1是滯后算子，L是滯后算子多項式矩陣，A(L)且滿足的根都在單位圓之外，∑u是非對角元素不全為0的方差協(xié)方差矩陣。VAR的平穩(wěn)性要求式(2)的根都在單位圓之外，

除了精準的預測之外，VAR模型的經典應用是脈沖響應分析，相應地其誤差項也經常被稱之為新息(innovation)，意為外生信息。然而，因為其各個方程的誤差項是自相關的，無法區(qū)分出單個變量“純粹”的外生新息沖擊。雖然Sims提出了可以通過cholesky分解得到正交的新息向量，但這種分解方法的有效性依賴于變量之間wold因果鏈的確定。當模型中變量的排序與wold因果鏈不一致或變量之間不存在wold因果鏈時，cholesky分解的基礎就被瓦解了。此外，Cooley ＆ LeRoy[21]等人批判無約束的簡化型VAR本身并不能直接觀測到系統(tǒng)內變量之間的關系，因為各個方程中并不包含變量之間當期的關系結構，結構推斷變得困難。正是基于這些問題的存在，Sims[34]以及 Bernanke[24]等在 VAR模型的基礎上提出了SVAR(Structural VAR，結構型VAR):

比較式(1)、(4)可以發(fā)現(xiàn)，式(4)通過如下變換，可寫成式(1)的形式:

SVAR在模型設定時雖強調了對外生沖擊的識別，但是卻又將識別問題引入到參數(shù)估計里面來了。對于無約束的簡化型VAR，不存在解釋變量與新息項的相關問題，可以對模型中每個方程逐一用最小二乘法進行估計，估計參數(shù)具有漸進有效性和一致性，因而無約束的簡化型VAR系統(tǒng)是一個恰好識別系統(tǒng)。比較式(1)和式(4)可知，SVAR系統(tǒng)對vt的方差協(xié)方差矩陣進行了約束(因是對稱矩陣，施加了共計個約束);同時比簡化型VAR的多了一個參數(shù)矩陣A0，多了n2個待估計參數(shù)。根據Rothenberg[35]方程識別的階條件(order condition)要求方程的約束個數(shù)不少于待估計參數(shù)的個數(shù)。該階條件是識別的必要條件，根據這個條件，識別式(4)的SVAR系統(tǒng)至少還需要－1)個約束。

因此，在SVAR模型被提出以后，出現(xiàn)了大量文獻探討SVAR的識別問題。觀察式(5)，對于這類SVAR模型，只需能夠識別矩陣A0的參數(shù)即可。因而，該模型識別問題可從Ut=的角度來認識。因而選擇∑u的一個合適的正交分解矩陣，令A－10=P即可得到A0矩陣。前文提到的Cholesky分解方法就是選擇恰當?shù)?P，使 SVAR模型變換為遞歸模型(recursive model)，即第i個方程的解釋變量包含前面第1，…，i－1個被解釋變量的當期值和全部變量的滯后值，第i個方程的解釋變量只有全部變量的滯后值，從而第i個方程的新息項只影響第個變量，實現(xiàn)了SVAR關于新息項之間不相關的假定。這種分解方法本質上對SVAR模型施加了wold因果鏈約束，當變換變量的順序后，P矩陣也隨之變換，被不少計量經濟學家批判為“由研究人員任意依據‘自以為是的經濟理論’排序來決定結果”的方法。DAG方法為這個問題提供了一個非常好的解決途徑。

2.DAG方法原理分析

變量兩兩之間的因果關系構成了變量的因果結構。DAG方法從概率理論出發(fā)，運用變量之間的條件獨立原理來搜索判斷兩兩變量之間的當期因果關系，建立變量間直接控制的模型并最終得到因果結構圖。

DAG是一類無環(huán)的有向圖，變量間是單向控制的關系，DAG所描述的因果結構是遞歸類型的因果結構。

變量間兩兩是否存在因果關系可由變量之間的條件獨立性確定。Granger是較早將條件獨立性引入因果分析領域的學者，他指出在給定滯后階數(shù)p，如果下式成立，則{xt}不是{yt}的格蘭杰原因:

{zt}是其他解釋{yt}的變量，y⊥x|(y，z)表示在(y，z)條件下，y獨立于x。這樣將變量之間的條件獨立性運用到了推斷變量因果結構的領域。更一般地，M信息集在條件信息集O下與信息集N獨立，記作M⊥N|O，有下式成立:

式(7)中IFF表示當且僅當，在滿足下文中的因果忠實條件下，其含義是，一旦知道了信息集 O后，則信息集N對于了解信息集M不能提供任何多余的信息。

DAG方法是基于變量集間D-分離(directionally separate)情形中的條件獨立性來判斷變量之間的因 果 關 系。Bessler ＆ Wang[36]和 Kwon ＆ Bessler[37]指出，在 DAG 圖中，兩個節(jié)點 X、Y 被 D-分離是指兩節(jié)點之間的任何路徑都被一個子集O所阻斷。一條路徑被O子集D-分離，當且僅當:

(1)該路徑中包含①因果鏈:X→Z→Y、X←Z←Y或②因果叉:X←Z→Y時，中間節(jié)點Z在子集 O中;或

(2)該路徑中包含③反叉因果結構:X→Z←Y時，中間節(jié)點Z及其子孫節(jié)點不在子集O中。如果X、Y間無直接相連邊，則Z是一個無盾相遇點。

在圖1(a)中，路徑A→B→E→D被{B、E}子集D-分離，而路徑A→B←C→E→D被{C、E}子集D-分離。D-分離構成DAG圖中條件獨立性分析的基礎:其一，相關的變量被D-分離后，在分離集O條件下獨立;其二，在反叉因果結構中，相互獨立的變量在無盾相遇點條件下變得相關。Pearl[38]指出，D-分離具備上述推斷因果的性質，需要滿足兩個條件:Markov因果條件和因果忠實(faithfull)條件。用Yi=f(YIi，ui)來代表變量集第個變量的方程，YIi是Yi解釋變量，ui是誤差項。

Markov因果條件:G是關于變量集r的因果圖，P是r的概率分布函數(shù)。W是r的子集。當且僅當r中的每個子集W與不包含其子孫節(jié)點變量的子集，在其祖先節(jié)點變量集的條件下相互獨立時，G、P滿足Markov因果條件。Markov因果條件包含兩方面的內容，一是變量之間不存在互為因果的關系結構，即因果圖中不存在環(huán);二是所有變量間的公共原因都包含在因果圖中，確保之間相互獨立，這點也被稱為因果充分條件(causal sufficient)。

因果忠實條件:當Yi=f(Ai，ui)中參數(shù)發(fā)生變化時，變量集Y中的因果關系結構不隨之改變，稱為因果忠實條件。因果忠實條件表明變量之間內含的因果關系結構是穩(wěn)定的，可以用不標示參數(shù)的因果圖來描述變量之間的因果結構。

在滿足Markov因果條件下，意味著在D-分離的情形①和②中，將 Z視為祖先節(jié)點變量集，X、Y在條件Z下相互獨立。在因果叉中X←Z→Y中，無論X、Y之間是否有邊直接連接，Z被稱為X、Y的公共原因(common cause)。因果結構還可以在變量相互獨立情況下推斷條件非獨立。在D-分離的情形③中，滿足Markov因果條件下，X、Y是獨立的，加上因果忠實條件則可推斷X、Y在條件Z下是相關的。原因在于，X、Y都是導致Z的因素，當X因素的影響參數(shù)變弱時，則由Y導致 Z的概率會增加，由此可見X、Y在條件Z下是相關的，因果忠實條件保證了參數(shù)變化下這種因果關系的穩(wěn)定性。因此，D-分離中的情形①和②，滿足X⊥Y|Z;而情形③下，不滿足X⊥Y|Z，當因果圖中存在環(huán)時，如圖1(c)中，A→B←C構成無盾相遇點下的反叉因果結構，C節(jié)點與A節(jié)點(不包含C的子孫節(jié)點)在條件B(C的祖先節(jié)點)下并不獨立，因此不滿足Markov因果條件。

無盾相遇點因其在條件獨立性方面表現(xiàn)出區(qū)別于其他2種D-分離情形的特性，因而是搜索兩個變量之間因果關系的關鍵。圖1(a)中存在1個無盾相遇點，B點在A→B←C中。

5、輔導員要經常深入到班級和宿舍和學生談心，及時了解學生遇到的困難，幫助他們切實解決。用愛心、耐心、責任心給學生創(chuàng)造優(yōu)良的學習生活環(huán)境，真正做到立德樹人。

上文闡述的是DAG方法的基本原理。利用上述基本原理，再結合目前常用的PC搜索算法即可在一組符合Markov因果條件和因果忠實條件的變量中搜索因果關系，得到因果結構。PC算法按照D-分離的三種情形，一般分以下三步進行搜索，假定數(shù)據生成過程DGP圖1所描述，以此為例闡述PC搜索算法的基本步驟:

步驟1，PC算法第一個步驟假定全部變量兩兩之間都存在因果關系，形成一個完整的無向圖。

步驟2，先檢驗2個變量之間無條件獨立性，再檢驗是否為因果鏈和因果叉情形，得到無向的因果概略圖。通過檢驗變量無條件獨立性，刪除相互獨立變量之間的無向邊如圖1(a)中AC之間的無向邊會被刪除;后者檢驗變量之間的條件獨立性，刪除條件獨立的變量之間的無向邊，即排除D-分離結構的因果鏈和因果叉中被檢驗的2個變量之間直接相連的情況。如圖1(a)中A、E在條件 B下獨立，A、D在條件 B、E下獨立，C、D和 B、D在條件E下均獨立，則 AE、AD、CD、BD間的無向邊將被刪除。完成第二個步驟就得到了因果圖的概略圖，如圖1(b)。

步驟3，是對概略圖中的無向邊進行定向，這個步驟是復雜的，需要結合統(tǒng)計檢驗、邏輯推理、預先假設等方面的知識進行綜合考慮。思路是先利用無盾相遇點的性質得到部分定向的DAG圖，再對圖中其他未定向的邊進行分析，具體可參閱Pearl[38]。

(二)數(shù)據說明

我國自1998年開始取消信貸規(guī)模的計劃管理模式，住房商品化改革也在1998年開始施行，考慮到政策執(zhí)行的滯后性，本文研究樣本區(qū)間為1999年1月至2014年3月。實證分析過程中，依據Minsky的“金融不穩(wěn)定假說”，經濟繁榮期，信貸快速擴張，資產價格急劇膨脹，銀行風險積累;經濟下降期情況相反。即信貸、資產價格的變動可以在一定程度上影響金融系統(tǒng)的穩(wěn)定性，而且金融系統(tǒng)穩(wěn)定與否會對信貸與資產價格有反饋響應。因此本文研究中涉及的變量有我國信貸額、房地產價格和銀行脆弱性，其代理變量依次為金融機構境內各項貸款增長率(cregw)、國房景氣指數(shù)(hp)和銀行脆弱性指數(shù)(zsore)。本文使用的各項銀行數(shù)據來源于中經網統(tǒng)計數(shù)據庫和CCER經濟金融數(shù)據庫。為消除季節(jié)因素，本文用X13-ARIMA-SEATS軟件對數(shù)據進行了季節(jié)調整。

四、實證結果與分析

(一)變量平穩(wěn)性檢驗

時間序列分析中，非平穩(wěn)變量會導致偽回歸現(xiàn)象，因而對變量進行單位根檢驗是必要的。本文采用了較為常見的ADF、KPSS和PP三種方法進行檢驗，結果如表1所示。

表1 變量單位根檢驗結果

從表中可以觀察到，三種單位根檢驗方法的結論是一致的。ZScore是一個平穩(wěn)的數(shù)據變量，Estate和Cregw都是非平穩(wěn)的數(shù)據變量。游與本文實證過程采用VAR模型進行分析，因而有必要檢驗變量之間的協(xié)整關系。

(二)變量間的協(xié)整檢驗

對上述三個變量建立無約束 VAR模型，根據AIC和SC信息準則，選擇VAR模型的滯后期為2，并進行協(xié)整關系檢驗。檢驗結果如表2。

從表中檢驗結果可以知道，VAR模型在數(shù)據空間帶有時間趨勢項時，存在一個協(xié)整向量。

表2 協(xié)整檢驗結果

(三)DAG同期因果與SVAR模型的識別

為誤差項的相關系數(shù)矩陣，VAR模型的誤差項是進行同期因果結構分析的基礎，采用DAG方法分析信貸、資產、脆弱性之間的同期因果關系。DAG方法的原理已經在前文進行了詳盡說明，本文使用Tetrad V軟件對數(shù)據進行DAG分析。根據第三部分SVAR識別與DAG分析理論可知，三個變量之間的同期因果關系蘊含在VAR模型的三個誤差項中。首先，將三個變量用三條邊連接，如圖2(a)所示，代表可能存在的同期因果關系。在5%的顯著性水平下，檢驗得到信貸(Cregw)和資產價格(Estate)兩個變量是無條件獨立的，因而連接兩個變量的因果關系邊應該刪掉;其余兩條邊保留，得到圖2(b)的因果概略圖。在最后的對各邊進行定向的環(huán)節(jié)，檢驗發(fā)現(xiàn)Zscore是一個無盾相遇點。因而，得到圖2(c)最終的 DAG因果結構圖，信貸、資產和銀行脆弱性之間的同期因果結構為:Cregw→ Zscore←Estate。

上述DAG的分析結果顯示出我國的信貸(Cregw)、資產價格(Estate)和銀行脆弱性指數(shù)(Zscore)三者的同期因果關系及影響方向。具體來看，信貸(Cregw)和銀行脆弱性指數(shù)(Zscore)之間存在同期因果關系，而且資產價格(Estate)和銀行脆弱性指數(shù)(Zscore)之間也存在同期因果關系，但不存在資產價格(Estate)和信貸(Cregw)之間的同期因果關系。以上結果表明，信貸與資產價格均對銀行脆弱性有影響，而信貸與資產價格之間不存在同期相互影響。這主要是由于資產價格有其自身的運行規(guī)律，外界因素對其影響十分有限。這啟示我們對資產價格的調控要遵循其內在規(guī)律，通過控制信貸等政策等來調控資產的價格效果十分有限，而且還會影響到銀行的穩(wěn)健經營。

圖2 有向無環(huán)圖、概略圖(無向圖)和有環(huán)圖示例

從而，在變量排序為 Credit、Estate、Zscore的情況下，對SVAR模型進行識別時式(4)中的矩陣A0應該約束為下三角矩陣，且a21=0，代表Credit與Estate無直接因果關系。最終，估計結果如下:

式(10)中Ut為式(8)的估計結果。其中，

式(11)中個估計參數(shù)下括號內為t值，估計結果顯示各參數(shù)都通過顯著性檢驗。Cregw、Estate和Zscore之間的同期因果結構可由式(10)和式(11)表達，并可進一步簡化表示為:

(四)預測誤差方差分解

預測誤差方差分解結果(表3)表明，在預測期第一個月房地產價格不能解釋信貸的波動，但對銀行脆弱性波動有一定的解釋力，同時，信貸不能解釋房地產價格的波動，但對銀行脆弱性波動的解釋高達38.60%。這表明相對于房地產價格，信貸對銀行脆弱性的影響效果更快，幾乎沒有時滯。這與馬勇、楊棟和陳雨露[17]的研究結論是一致的。導致信貸和房地產價格對銀行脆弱性影響不同的原因，可能是因為房地產市場資金的高門檻特征，使得其價格變化不能快速得到響應，而信貸的變化則能夠快速傳導，尤其是向銀行部門的傳導，幾乎不存在滯后。表3還顯示，伴隨著預測期的延長，房地產價格對銀行脆弱性的波動解釋力在增強，24個月后達到17.79%，與信貸規(guī)模的解釋力相差不到10%。這說明要確保銀行體系運行的穩(wěn)健性，除了監(jiān)管銀行自身的各項指標外，還需要同時關注信貸規(guī)模和房地產價格的波動。

表3 基于DAG的預測誤差方差分解(%)

與此同時，隨著預測期的延長，銀行脆弱性與房地產價格對信貸規(guī)模的波動具有一定的解釋力，8個月后分別達到4.40%和3.18%，24個月后達到13.07%和9.06%，表明信貸規(guī)模仍然會受外在沖擊的影響，雖然會存在一定程度的滯后。這表明信貸政策會受資產價格和銀行脆弱性的影響，我國在制定相關信貸貨幣政策時可能已經將房地產價格、銀行脆弱性等因素納入考慮范圍。

預測誤差方差分解結果(表3)也顯示，房地產價格對自身波動的解釋較大，數(shù)據顯示，8個月后房地產價格對自身波動的解釋力仍高達97.65%，即使在2年(24個月)后，這一解釋力仍保持在90%以上。這說明房地產價格的波動主要來源于自身的價格運行機制，尤其是其價格的慣性變動，比如投機行為等。這與周京奎[39]的研究是一致的。該研究指出，可支配收入對房地產的價格不存在顯著影響，城市房地產價格的攀升，主要是由投機行為推動的。因此，調控房地產價格，避免價格泡沫，需要打破人們的單邊升值預期，從而有效減少投機行為的發(fā)生。

(五)穩(wěn)健性分析

為了檢驗文中通過“有向無環(huán)圖”技術(DAG)識別SVAR模型得出的分析結論是否穩(wěn)健，本文在DAG分析結果的基礎上更進一步進行遞歸的預測方差分解分析。本文在遞歸分析過程中以1999年1月至2011年3月樣本期為基期，進行第一次方差分解分析，再以1999年1月至2011年4月進行第二次方差分解分析，依次類推直至1999年1月至2014年3月，并將每次回歸分析第18期的預測誤差方差分解的結果繪與圖3。

圖3中，信貸規(guī)?；贒AG的遞歸預測方差分解表明，在2012年之前房地產價格對信貸規(guī)模波動的影響非常有限，基本維持在2%以下，銀行脆弱性對信貸規(guī)模波動的影響相對較大，但也保持在10%左右，我國信貸規(guī)模波動的88%左右來源于其自身的變動。2012年4月房地產價格對信貸規(guī)模波動的解釋力達到5%，至2014年3月，接近9%，而銀行脆弱性的解釋力仍然有10%左右，這說明我國信貸規(guī)模的變化主要受其自身變動的影響，但房地產價格的預測功能是不斷加強的。這意味著我國的金融信貸政策可能已經將資產價格、銀行穩(wěn)定納入考慮范圍。

房地產價格基于DAG的遞歸預測方差分解表明，在2011年4月銀行脆弱性對房地產價格波動的解釋力十分有限，該解釋力僅為1.17%，信貸規(guī)模對房地產價格波動的影響僅有2.26%，房地產價格波動的96%左右來源于自身的變動;至2014年3月，銀行脆弱性對房地產價格波動的解釋力也仍然只有3.7%，銀行信貸對房地產價格波動的解釋力也沒有超過5%。這表明房地產價格變動的主要原因在于其自身的運行機制，比如非理性的投機行為導致人們形成不合理的預期，致使房地產價格單邊上漲。這與姜春海[40]的研究結論一致。

銀行脆弱性基于DAG的遞歸預測方差分解表明，遞歸期內銀行脆弱性受信貸規(guī)模影響較大，而受房地產價格影響較小，但都較為穩(wěn)定。2011年4月信貸規(guī)模對銀行脆弱性的解釋力為31.8%，同期房地產價格對銀行脆弱性的影響為11.1%;至2014年3月，信貸規(guī)模對銀行脆弱性的解釋力仍然穩(wěn)定在30%左右，房地產價格對銀行脆弱性的影響基本維持在10%左右。而銀行脆弱性受其自身影響較大，這一影響穩(wěn)定在57%左右。這反映了我國銀行脆弱性受自身因素影響較大，同時也會受到信貸規(guī)模及資產價格波動的影響。這一結論與譚政勛和魏琳[41]的研究結論一致，即信用擴張助推房價上漲，當二者帶來的沖擊從小到大，金融穩(wěn)定狀況將會受到影響。

以上遞歸分析表明，不同樣本期的分析結果并沒有發(fā)生改變，因此，本文結論具有穩(wěn)健性。

圖3 信貸規(guī)模、資產價格、銀行脆弱性的預測誤差方差分解

五、主要結論與政策啟示

本文采用“有向無環(huán)圖”(DAG)技術分析了信貸規(guī)模、資產價格波動與銀行脆弱性三者之間的同期因果關系，并以此為基礎進行了SVAR的識別及遞歸的預測方差分解，有效刻畫三者之間的相互影響。由于DAG技術是基于數(shù)據的客觀分析，因此本文較好地克服了Granger因果分析及固定樣本下預測方差分解方法的局限性。

本文研究結果表明，信貸規(guī)模和銀行脆弱性之間存在同期因果關系，而且資產價格和銀行脆弱性之間也存在同期因果關系，但不存在資產價格和信貸規(guī)模之間的同期因果關系。即從同期來看資產價格對銀行脆弱性有影響，信貸規(guī)模對銀行脆弱性也有影響，但信貸規(guī)模與資產價格之間不存在影響。

同時結合DAG的固定樣本和遞歸的預測方差分解結果顯示，銀行脆弱性對房地產價格波動的解釋力十分有限，信貸規(guī)模對房地產價格波動的影響也很小，房地產價格主要受自身因素的影響。這說明房地產價格的波動主要來源于自身的價格運行機制，尤其是其價格的慣性變動，比如投機行為等。這意味著對房地產價格的調控要遵循市場運行規(guī)則，引導市場參與者形成合理預期，健全房地產市場相關秩序法規(guī)可能會有更好的效果。

研究結果還表明，銀行脆弱性受信貸規(guī)模及房地產價格的雙重影響，但相對房地產價格，信貸規(guī)模的影響更大。導致信貸和房地產價格對銀行脆弱性影響不同的原因，可能是因為房地產市場資金的高門檻特征，使得其價格變化不能快速得到響應，而信貸的變化則能夠快速傳導，尤其是向銀行部門的傳導，幾乎不存在滯后。這意味著要確保銀行體系運行的穩(wěn)健性，除了監(jiān)管銀行自身的各項指標外，則還需要同時關注信貸規(guī)模和房地產價格的波動。

[1]Hayek F A.Monetary theory and the trade cycle[J].1932

[2]Fisher I.The debt-deflation theory of great depressions[J].Econometrica:Journal of the Econometric Society，1933:337-357.

[3]Allen F，Gale D.Bubbles and crises[J].The economic journal，2000，110(460):236-255.

[4]袁志剛，樊瀟彥.房地產市場理性泡沫分析[J].經濟研究，2003(03):34-43.

[5]Keran M W.Expectations，money，and the stock market[J].Federal Reserve Bank of St.Louis Review，1971(January 1971)

[6]Chen N K.Asset price fluctuations in Taiwan:evidence from stock and real estate prices 1973 to 1992[J].Journal of Asian Economics，2001.12(2):215-232.

[7]Greiber C，Setzer R.Money and housing:Evidence for the Euro Area and the US[R].Deutsche Bundesbank Discussion Paper，2007.

[8]梁云芳，高鐵梅，賀書平.房地產市場與國民經濟協(xié)調發(fā)展的實證分析[J].中國社會科學，2006(3):74-84.

[9]肖本華.投資成本、信貸擴張與資產價格[J].世界經濟，2008(9):66-73.

[10]桂荷發(fā)，鄒朋飛，嚴武.銀行信貸與股票價格動態(tài)關系研究[J].金融論壇，2008(11):46-52.

[11]王曉明.銀行信貸與資產價格的順周期關系研究[J].金融研究，2010(3):45-55.

[12]方意，趙勝民，謝曉聞.貨幣政策的銀行風險承擔分析——兼論貨幣政策與宏觀審慎政策協(xié)調問題[J].管理世界，2012(11):9-19.

[13]Minsky H.The financial instability hypothesis[J].The Jerome Levy Economics Institute Working Paper，1992(74)

[14]Dell A G，Marquez R.Lending booms and lending standards[J].The Journal of Finance，2006.61(5):2511-2546.

[15]Borio C EV，Lowe P W.Asset prices，financial and monetary stability:exploring the nexus[J].BIS Working Paper，2002

[16]皮舜.中國房地產市場與金融市場的Granger因果關系分析[J].系統(tǒng)工程理論與實踐，2004(12):29-33.

[17]馬勇，楊棟，陳雨露.信貸擴張、監(jiān)管錯配與金融危機:跨國實證[J].經濟研究，2009(12):93-105.

[18]Gujarati D N.Basic Econometrics.4th:New York:McGraw-Hill，2003

[19]Sims C A.Money，income，and causality[J].The A-merican Economic Review，1972:540-552.

[20]Abdullah D A，Rangazas P C.Money and the business cycle:another look[J].The Review of Economics and statistics，1988:680-685.

[21]Cooley T F，LeRoy S F.Atheoretical macroeconometrics:a critique[J].Journal of Monetary Economics，1985.16(3):283-308.

[22]Swanson N R，Granger C W J.Impulse response functions based on a causal approach to residual orthogonalization in vector autoregressions[J].Journal of the A-merican Statistical Association，1997，92(437):357-367.

[23]Pesaran M H.Generalized impulse response analysis in linear multivariate models[J].Economics letters，1998.58(1):17-29.

[24]Bernanke B S.Alternative explanations of the moneyincome correlation:Elsevier，1986.49-99.

[25]Pearl J.Causal diagrams for empirical research[J].Biometrika，1995.82(4):669-688.

[26]Spirtes P，Glymour C N，Scheines R.Causation，prediction，and search[M]:MIT press，2000.

[27]Bessler D A，Yang J.The structure of interdependence in international stock markets[J].Journal of international money and finance，2003，22(2):261-287.

[28]Awokuse T O.Export-led growth and the Japanese economy:evidence from VAR and directed acyclic graphs[J].Applied Economics Letters，2005，12(14):849-858.

[29]Yang J，Guo H，Wang Z J.International transmission of inflation among G-7 countries:A data-determined VAR analysis[J].Journal of Banking ＆ Finance，2006，30(10):2681-2700.

[30]吳文鋒，靳瑩.基于DAG方法的物價波動國際間傳導研究[J].中國管理科學，2008(S1):481-485.

[31]楊子暉.財政政策與貨幣政策對私人投資的影響研究——基于有向無環(huán)圖的應用分析[J].經濟研究，2008(5):81-93.

[32]周泳宏，鄧衛(wèi)廣.聚集條件下的多企業(yè)間外溢效應——基于 DAG與 Granger的面板分析[J].經濟學，2010，9(001):533-552.

[33]Sims C A.Macroeconomics and reality[J].Econometrica:Journal of the Econometric Society，1980:1-48.

[34]Sims C A.Are forecasting models usable for policy analysis?[J].Federal Reserve Bank of Minneapolis Quarterly Review，1986，10(1):2-16.

[35]Rothenberg T J.Identification in Parametric Model，1971.577-591.

[36]Bessler D A，Wang Z J.D-separation，forecasting，and economic science:a conjecture[J].Theory and decision，2012，73(2):295-314.

[37]Kwon D H，Bessler D A.Graphical methods，inductive causal inference，and econometrics:a literature review[J].Computational Economics，2011，38(1):85-106.

[38]Pearl J.Causality:models，reasoning and inference[M].Cambridge Univ Press，2000.

[39]周京奎.房地產價格波動與投機行為——對中國14城市的實證研究[J].當代經濟科學，2005(4):19-24.

[40]姜春海.中國房地產市場投機泡沫實證分析[J].管理世界，2005(12):71-84.

[41]譚政勛，魏琳.信貸擴張、房價波動對金融穩(wěn)定的影響[J].當代財經，2010(9):44-51.