人口老齡化、房價波動與銀行穩(wěn)定性關(guān)系研究

王重潤，龐曉宇

摘要：近年來，我國人口老齡化速度加快，其潛在影響引起廣泛關(guān)注?；?005—2018年31個省份面板數(shù)據(jù)，分析人口老齡化與銀行穩(wěn)定性之間的關(guān)系以及房價的中介作用機(jī)制。研究發(fā)現(xiàn)：人口結(jié)構(gòu)變化對銀行穩(wěn)定性具有顯著影響，人口老齡化不利于銀行穩(wěn)定。房價是人口老齡化與銀行穩(wěn)定性關(guān)系的重要中介變量，異質(zhì)性分析發(fā)現(xiàn)，僅在中部地區(qū)具有完全中介效應(yīng)，東部和西部地區(qū)具有部分中介效應(yīng)。引入人口流動與人口老齡化的交互項，發(fā)現(xiàn)人口流動有利于緩解人口老齡化對銀行穩(wěn)定性的負(fù)面影響。為此，應(yīng)采取因地制宜的政策，提高人口出生率、完善房地產(chǎn)市場長效機(jī)制、取消戶籍限制等，以緩解人口老齡化對銀行體系穩(wěn)定性的影響。

關(guān)鍵詞：人口老齡化;房價;人口結(jié)構(gòu);銀行穩(wěn)定性

中圖分類號：C92424;F8321 文獻(xiàn)標(biāo)識碼：A文章編號：1007-2101（2022）04-0023-11

一、問題的提出

人口老齡化是我國長期面臨的一個突出問題。據(jù)全國老齡工作委員會發(fā)布的《中國人口老齡化發(fā)展趨勢預(yù)測研究報告》，我國已經(jīng)于1999年進(jìn)入老齡化社會，2000年65歲及以上人口占比已經(jīng)達(dá)到7%，2010年已上升至89%，10年間增長了19個百分點(diǎn);而第七次全國人口普查數(shù)據(jù)顯示，到2020年這一比例已經(jīng)達(dá)到135%，相比2010年，第二個十年增長了46個百分點(diǎn)，人口老齡化速度不斷加快[1]。Wind數(shù)據(jù)顯示，在人口老齡化程度加深的同時，銀行體系不良貸款規(guī)模也在持續(xù)增長，2010年底不良貸款余額為4 336億元，2020年底這一數(shù)字就上升為27 01477億元，增長了523倍，同期貸款不良率從09%上漲為184%。那么，同時期出現(xiàn)的這兩個現(xiàn)象即人口老齡化與金融穩(wěn)定性下降之間存在內(nèi)在聯(lián)系嗎？

日本是目前世界上老齡化程度最嚴(yán)重的國家之一，據(jù)國際貨幣基金組織對日本老齡化與金融穩(wěn)定關(guān)系的研究，人口老齡化帶來的國內(nèi)經(jīng)濟(jì)低增長給金融體系帶來混亂，金融機(jī)構(gòu)凈息差縮小，銀行和養(yǎng)老保險機(jī)構(gòu)的盈利下降，給金融穩(wěn)定帶來潛在沖擊[2]。國內(nèi)學(xué)者也發(fā)現(xiàn)，人口老齡化對系統(tǒng)性風(fēng)險具有顯著的正相關(guān)關(guān)系，在跨過人口老齡化 “拐點(diǎn)”之后，杠桿率降低以及金融資產(chǎn)價格下跌導(dǎo)致金融危機(jī)發(fā)生的概率顯著提高[3-4]。顯然，盈利下降和金融資產(chǎn)價格下跌是人口老齡化引起金融風(fēng)險的重要原因，然而，還有沒有其他影響因素呢？

我們注意到，住房是家庭持有的最重要的資產(chǎn)之一，中國人民銀行《2019年中國城鎮(zhèn)居民家庭資產(chǎn)負(fù)債情況調(diào)查》顯示，城鎮(zhèn)家庭資產(chǎn)中住房資產(chǎn)占比超過了70%[5]。2003年以來國內(nèi)房價連續(xù)多年持續(xù)上漲，2017年以后漲幅開始減緩。Wind數(shù)據(jù)顯示，百城住宅平均價格從2010年12月的每平米9 314元上漲到2020年12月的每平米15 795元，漲幅累計6958%，年均上漲7%左右。

從圖1中可以看到，2010年以來人口老齡化以及不良貸款規(guī)模的變化趨勢基本相同。房價也一直保持上漲趨勢，2015年去庫存后房價有一個抬升，之后漲幅趨緩。我們不禁要問，房價在人口老齡化與金融穩(wěn)定性之間扮演了什么角色呢？房價是人口老齡化與金融穩(wěn)定之間的傳導(dǎo)渠道嗎？對這個問題的回答具有很強(qiáng)的現(xiàn)實(shí)意義。習(xí)近平總書記在黨的十九大報告中指出，“積極應(yīng)對人口老齡化”[6]34，“守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線”[6]48。在人口老齡化持續(xù)加深的背景下，為有效防范系統(tǒng)性金融風(fēng)險，有必要深入揭示人口老齡化下系統(tǒng)性金融風(fēng)險的發(fā)生機(jī)理，了解人口結(jié)構(gòu)變化在金融穩(wěn)定中的作用，從而為加強(qiáng)人口老齡化下系統(tǒng)性金融風(fēng)險監(jiān)管與防范提供思路。數(shù)據(jù)來源：Wind數(shù)據(jù)庫。

從文獻(xiàn)角度看，房價與人口結(jié)構(gòu)變化的關(guān)系受到國內(nèi)外學(xué)者的廣泛關(guān)注。Mankiw和Weil分析了房價在嬰兒潮帶來的人口結(jié)構(gòu)變動下所受到的沖擊，發(fā)現(xiàn)基于生命周期的投資行為可以通過改變住房供需結(jié)構(gòu)來影響價格，“嬰兒潮”那代人老齡化后帶來了房價下降[7]。Poterba把這種現(xiàn)象稱為資產(chǎn)融化[8]。Guest等利用澳大利亞的數(shù)據(jù)，在代際交疊模型框架內(nèi)模擬了人口老齡化對房價的負(fù)向沖擊[9]。Bakshi發(fā)現(xiàn)，中年人口比重上升會促使房價上漲，老年人口比重上升，住房價格會下降[10]。但是，Chen、Gibb 和Leishman把宏觀與微觀數(shù)據(jù)相結(jié)合進(jìn)行實(shí)證與模擬，發(fā)現(xiàn)蘇格蘭人口變化并不能夠解釋未來房價變化[11]。Thenuwara等利用澳大利亞1950—2014年時間序列數(shù)據(jù)建立SVAR模型證實(shí)人口老齡化對房價下跌沒有影響，宏觀經(jīng)濟(jì)沖擊以及房價自身的特定沖擊能夠解釋大部分房價[12]。

國內(nèi)學(xué)者研究表明，人口因素是影響房價的重要變量[13]。年輕人口的變化對房地產(chǎn)市場價格的變動有顯著的正向影響 [14]，人口結(jié)構(gòu)的變化造成了房價普遍持續(xù)高漲[15]。有研究發(fā)現(xiàn)，人口老齡化與房價變化之間存在非線性關(guān)系，由于老年人存在“利他動機(jī)”，在人口老齡化初期，老年人口撫養(yǎng)比上升對房價上漲有推動作用，但這一動力將隨著人口老齡化程度的加重而減弱并逆轉(zhuǎn)[16]。也有學(xué)者持相反觀點(diǎn)，認(rèn)為老年人口撫養(yǎng)比上升導(dǎo)致房價上漲[17]。

2008年次貸危機(jī)之后，房價與金融穩(wěn)定的關(guān)系成為學(xué)界關(guān)注的焦點(diǎn)，大部分學(xué)者認(rèn)為房價波動對金融穩(wěn)定構(gòu)成負(fù)面影響。Deng等利用復(fù)雜網(wǎng)絡(luò)方法分析了房價沖擊向銀行體系風(fēng)險傳染機(jī)制，發(fā)現(xiàn)銀行穩(wěn)定性對房地產(chǎn)價格沖擊高度敏感[18]。國內(nèi)學(xué)者研究發(fā)現(xiàn)，房價上漲并沒有因?yàn)榈盅何飪r值上升而增加銀行穩(wěn)定性，反而會導(dǎo)致銀行風(fēng)險溢價及杠桿率顯著上升，刺激信貸擴(kuò)張從而加大銀行不穩(wěn)定性[19-21]。彭俊華等則發(fā)現(xiàn)房價異常波動會通過資產(chǎn)配置房地產(chǎn)化演變?yōu)橄到y(tǒng)性金融風(fēng)險[22]。沈悅等研究了房價上漲的不對稱影響，發(fā)現(xiàn)在金融杠桿作用下房價上漲不利于金融穩(wěn)定，而房價下跌的影響更大[23]。

綜上所述，目前文獻(xiàn)較多探討了人口老齡化與房價以及房價與金融風(fēng)險的關(guān)系，但是鮮有文獻(xiàn)把人口結(jié)構(gòu)、房價與銀行穩(wěn)定性三者聯(lián)系起來在一個框架內(nèi)分析，人口老齡化與銀行穩(wěn)定的關(guān)聯(lián)機(jī)制尚不清楚。另外，由于研究方法和數(shù)據(jù)樣本差異，人口結(jié)構(gòu)變化對房價的影響方向并不一致，學(xué)界并沒有取得共識?；诖?，在借鑒現(xiàn)有研究成果基礎(chǔ)上，有必要著重研究人口老齡化與銀行體系穩(wěn)定的關(guān)聯(lián)機(jī)制，探討房價在人口老齡化與銀行穩(wěn)定之間的中介作用。

二、人口老齡化與銀行穩(wěn)定的房價傳導(dǎo)機(jī)制人口老齡化對房價的影響可以從家庭和政府層面來考察。從家庭層面來看，人口結(jié)構(gòu)變化對住房需求和家庭資產(chǎn)配置具有三個效應(yīng)。一是風(fēng)險偏好效應(yīng)。在生命周期的不同階段，家庭的風(fēng)險態(tài)度會發(fā)生變化，從而改變家庭投資行為和投資組合的構(gòu)成。受到預(yù)期收入和人力資本的影響，年輕家庭風(fēng)險承擔(dān)能力更強(qiáng)，往往更加偏好風(fēng)險，為了獲取高收益更傾向于高風(fēng)險投資比如股票和房地產(chǎn)，從而促進(jìn)了房價上漲;而老年家庭更偏好低風(fēng)險投資例如儲蓄，以盡量規(guī)避高風(fēng)險投資。葉永剛等證實(shí)當(dāng)老年撫養(yǎng)負(fù)擔(dān)較低時，居民們會更多投資于房地產(chǎn)市場，從而促進(jìn)房價上漲[24]。二是遺產(chǎn)偏好效應(yīng)。在中國傳統(tǒng)文化中，老年家庭對于子女具有較強(qiáng)的“利他動機(jī)”，愿意給子女留出遺產(chǎn)[14]。另外，以房地產(chǎn)形式持有財富也是傳統(tǒng)文化中財富觀的體現(xiàn)，所以在房價持續(xù)上漲的背景下房地產(chǎn)作為保值增值的投資品受到更多偏好。很多中老年家庭把儲蓄投資在房地產(chǎn)，這意味著隨著老年家庭比例的增長房地產(chǎn)投資日益增多。三是直接住房需求效應(yīng)。購買住房的主要群體一般是勞動年齡人口，個人住房需求的增加主要集中在20歲以后， 而到50歲以后，個人住房需求開始逐步下降， 并且極具穩(wěn)定性[25]。在住房供給保持不變時，社會中老齡群體占比的持續(xù)上升將會不斷緊縮住房需求，最終引起房價下跌[7]。另外，中國有傳統(tǒng)的婚前購房習(xí)慣，年輕人口比例的提高會同時提高他們對本地的住房需求狀況，這在一定程度上對房價具有向上的引力。而老年人口一般在年輕時已經(jīng)購置房產(chǎn)，因此對住房需求會降低，對房價具有向下拉動的作用?？傮w來看，從家庭角度而言，人口老齡化對房價的影響更傾向于抑制作用。

從政府層面看，人口結(jié)構(gòu)的改變會影響政府的支出和收入。老齡化程度不斷加深的過程同樣也是勞動年齡人口不斷減少的過程，抑制勞動生產(chǎn)率提高，導(dǎo)致社會產(chǎn)出的減少， 儲蓄率降低，經(jīng)濟(jì)潛在增長率下降，減少政府稅源[26-27]。同時，人口老齡化增加醫(yī)療和基本養(yǎng)老保險支出[28]，從而加重政府財政負(fù)擔(dān)。較大的財政負(fù)擔(dān)不但會增加政府還款壓力，還會加重政府的融資壓力。在土地財政下，政府在債務(wù)壓力下會提高土地價格，通過土地買賣獲取資金來償還債務(wù)[29]，地價的提高亦進(jìn)一步倒逼房價上升[30]。政府這種對土地財政的路徑依賴提高了居民對房價的心理預(yù)期，更助長了房價棘輪效應(yīng)。從政府角度來看，人口老齡化對房價的影響具有一定的提升作用。

房價波動對銀行穩(wěn)定的影響體現(xiàn)在正反兩個方面。一方面，房價上漲意味著抵押品價值上漲，銀行的資產(chǎn)負(fù)債表狀況良好，銀行穩(wěn)定性提高[31];但另一方面，房價上漲使得人們可以獲得更多的抵押貸款，家庭負(fù)債率提高，同時也提高了銀行的貸款規(guī)模和風(fēng)險資產(chǎn)比重[32]，增大了銀行的風(fēng)險承擔(dān)水平，導(dǎo)致銀行穩(wěn)定性降低[33]。綜合來看，房價上漲過程中積累的風(fēng)險在房價下跌的時候得到釋放，導(dǎo)致風(fēng)險集中爆發(fā)[34]。

綜上分析，既然人口老齡化對房價的變化有顯著影響，而房價波動又與金融風(fēng)險密切相關(guān)，所以可以認(rèn)為人口老齡化會通過房價波動對銀行體系穩(wěn)定性產(chǎn)生影響。

人口流動可能會削弱老齡化對銀行穩(wěn)定性的不利影響。人口流動一方面可以在相對短的時間里改變區(qū)域人口結(jié)構(gòu)，人口凈流入的地區(qū)，人口結(jié)構(gòu)趨于年輕化，老齡化程度降低，有助于改善勞動力稟賦，提高儲蓄率，經(jīng)濟(jì)增長更有活力[35-36];另一方面，人口老齡化地區(qū)儲蓄會通過銀行信貸流向低儲蓄率和高利率地區(qū)，資本外流顯然不利于本地經(jīng)濟(jì)發(fā)展，從而間接影響人口老齡化地區(qū)的銀行穩(wěn)定[37]。人口老齡化影響銀行體系穩(wěn)定的房價傳導(dǎo)機(jī)制如圖2所示。

三、模型設(shè)計

（一）模型的設(shè)定

1.基本模型。為了考察人口結(jié)構(gòu)變化與銀行穩(wěn)定性之間的關(guān)系，建立基本模型：

bankingriskit=c1+α1populationit+δ1controlit+ε1（1）

其中，i表示省份，t表示時間，bankingriskit 表示銀行穩(wěn)定性;populationit表示人口結(jié)構(gòu)，cn為常數(shù)，αn表示人口結(jié)構(gòu)對銀行穩(wěn)定性的影響系數(shù)。control表示控制變量，εn表示誤差項。

2.中介效應(yīng)模型。為了檢驗(yàn)房價在人口老齡化與銀行穩(wěn)定性之間的作用機(jī)制，文中建立了中介效應(yīng)模型。根據(jù)檢驗(yàn)規(guī)則，建立模型：

housepriceit=c2+α2populationit+δ2controlit+ε2（2）

bankingriskit=c3+α3populationit+ω1housepriceit+δ3controlit+ε3（3）

其中，housepriceit表示房價。ω代表房價對銀行穩(wěn)定性的影響系數(shù)，其他變量與模型（1）定義相同。

在中介機(jī)制模型中，在α1顯著的情況下，若α2和ω1都顯著，可分為兩種情況進(jìn)行分析：（1）若α3顯著，同時α2×ω1與α3同號，表明房價在人口結(jié)構(gòu)對銀行穩(wěn)定性影響中存在部分中介效應(yīng);當(dāng)α2×ω1與α3不同號時，則不存在中介效應(yīng);（2）若α3不顯著，表明房價的中介效應(yīng)屬于完全中介效應(yīng)。當(dāng)α2和ω1至少有一個不顯著時，需要通過sobel檢驗(yàn)中介效應(yīng)的存在性。

（二）變量定義

被解釋變量：銀行穩(wěn)定性（bankingriskit）?，F(xiàn)有國內(nèi)外文獻(xiàn)的測定方法還不統(tǒng)一，常見的測定方法有Z-SCORE值法、主成分分析和因子分析法等。由于數(shù)據(jù)可得性，本文選取中國31?。ㄗ灾螀^(qū)、直轄市）商業(yè)銀行不良貸款率為銀行穩(wěn)定性的代理變量（未包含中國香港、澳門和臺灣地區(qū)，下同）。通過省內(nèi)各家商業(yè)銀行資產(chǎn)相對份額加權(quán)計算得到全省平均的不良貸款率。

解釋變量：（1）人口結(jié)構(gòu)（populationit）。代理變量選擇老年人口撫養(yǎng)比old，表示該省65歲（含）以上的老年人口在全部勞動年齡人口中的占比，該指標(biāo)從經(jīng)濟(jì)角度反映和衡量人口老齡化程度。年輕人口比例young，表示各省份15～64歲人口數(shù)/各省份人口總數(shù)。（2）房價（housepriceit）?？紤]到人口結(jié)構(gòu)變化具有長期性，中介變量房價并沒有簡單采用商品房銷售價格和住宅商品房銷售價格，而是通過HP濾波法去除短期因素后的房價，反映房價的長期變化，這樣能夠與人口結(jié)構(gòu)變化實(shí)現(xiàn)匹配。所有缺失的數(shù)據(jù)均通過插值法進(jìn)行補(bǔ)缺漏值。

控制變量：（1）城鎮(zhèn)化率（urbanizationit）。本文利用城鎮(zhèn)人口占比來反映省份的城鎮(zhèn)化水平。我國還處于城鎮(zhèn)化進(jìn)程中，并未實(shí)現(xiàn)完全的城鎮(zhèn)化。在城鎮(zhèn)化進(jìn)程中，大量人口從農(nóng)村遷移到城鎮(zhèn)，遷入城鎮(zhèn)的農(nóng)村人口與城鎮(zhèn)人口的經(jīng)濟(jì)實(shí)力存在差距性，但他們卻更需要來自銀行資金的支持，因此在城鎮(zhèn)化過程中銀行會面臨諸多風(fēng)險，可能會影響銀行穩(wěn)定性。（2）政府干預(yù)（governmentit）。政府作為一只“看得見的手”，在宏觀經(jīng)濟(jì)失調(diào)時進(jìn)行干預(yù)，從而維持宏觀經(jīng)濟(jì)環(huán)境的穩(wěn)定，而宏觀經(jīng)濟(jì)環(huán)境的穩(wěn)定是銀行穩(wěn)定的前提，政府的有效干預(yù)對促進(jìn)銀行穩(wěn)定具有重要意義。文中以財政支出占收入的比例表示政府干預(yù)強(qiáng)度。（3）失業(yè)率（unemploymentit）。失業(yè)數(shù)據(jù)的變動可以在一定程度上反映一個地區(qū)的經(jīng)濟(jì)變動狀況，對于銀行來說，可以間接反映經(jīng)濟(jì)狀況對銀行穩(wěn)定的影響。（4）人口規(guī)模（sizeit）。當(dāng)城市人口規(guī)模在合理的人口可容納范圍內(nèi)時，人口規(guī)模的擴(kuò)張不會引起生態(tài)環(huán)境的破壞，但當(dāng)城市人口規(guī)模大于人口容量時，城市人口數(shù)量的增加會影響該地區(qū)的生態(tài)平衡，使該地區(qū)的生態(tài)環(huán)境系統(tǒng)處于超負(fù)荷狀態(tài)。而這種情況一旦出現(xiàn)，將會對地區(qū)生態(tài)環(huán)境體系造成不可恢復(fù)性的破壞，從而導(dǎo)致該城市人口容量的降低或?qū)⒁鸪鞘猩鐣?jīng)濟(jì)系統(tǒng)功能紊亂，最終影響到該地區(qū)銀行穩(wěn)定性。變量定義如表1所示。

四、實(shí)證結(jié)果討論

（一）數(shù)據(jù)來源與變量描述性統(tǒng)計

由于各省份商業(yè)銀行不良貸款率在數(shù)據(jù)庫中只統(tǒng)計到了2018年，因此本文選取2005—2018年中國31個省份的平衡面板數(shù)據(jù)。所有數(shù)據(jù)來源于Wind數(shù)據(jù)庫。在數(shù)據(jù)處理上，本文所有缺漏數(shù)據(jù)均通過插值法來補(bǔ)齊?？紤]到人口結(jié)構(gòu)變化具有長期性，中介變量房價houseprice1和houseprice2并沒有簡單采用商品房銷售價格，而是通過HP濾波法去除短期因素后的房價，反映房價的長期變化，這樣能夠與人口結(jié)構(gòu)因素相匹配。人口流動inflow以該省當(dāng)年常住人口除以當(dāng)年戶籍人口的商再減去1來表示。為防止異方差影響，對HP濾波處理后的房價以及控制變量人口規(guī)模size和貸款規(guī)模loan進(jìn)行了對數(shù)處理。

從描述性統(tǒng)計結(jié)果來看（見表2），銀行穩(wěn)定性bankingrisk最小值為0002 3，最大值為0248，均值為0035 7，說明部分省份銀行穩(wěn)定性較差，大部分省份銀行穩(wěn)定性較為接近;老年人口撫養(yǎng)比old最小值為6710，最大值為2269，均值為1305，說明各地區(qū)人口老齡化程度不一，有的省份人口老齡化程度比較高。年輕人口比例young在各省分布的標(biāo)準(zhǔn)差較小，這說明15～64歲年齡段人口比例相對集中。商品房平均銷售價格houseprice1最小值為7146，最大值為1037，均值為846，說明省份之間的房價波動存在較大差異性，某些省份房價漲幅更高，住宅商品房銷售價格houseprice2的數(shù)據(jù)也能說明這種差異性。從整體統(tǒng)計性描述的結(jié)果上看，不同省份的銀行穩(wěn)定性、人口結(jié)構(gòu)變化以及房價波動存在明顯差異性，部分省份存在更低的銀行穩(wěn)定性、更高的人口老齡化程度、更大的房價漲幅。這種差異性是否有內(nèi)在關(guān)聯(lián)關(guān)系需要通過回歸結(jié)果進(jìn)一步驗(yàn)證。

（二）人口老齡化對銀行穩(wěn)定性的影響①

從表3第1列顯示結(jié)果來看，人口老齡化與商業(yè)銀行不良貸款率之間存在著顯著的正向關(guān)系，老年人口撫養(yǎng)比對商業(yè)銀行不良貸款率的影響系數(shù)為0.004 2，表明人口老齡化程度每提高1%，商業(yè)銀行不良貸款率會增加0.004 2%，即人口老齡化程度越高，銀行穩(wěn)定性就會越差。

為了進(jìn)一步考察人口老齡化與銀行穩(wěn)定性之間是否存在反轉(zhuǎn)關(guān)系，在模型（1）中加入人口老齡化的平方項old×old。表3第2列報告了回歸結(jié)果，可以發(fā)現(xiàn)在樣本期內(nèi)人口老齡化平方項old×old與銀行穩(wěn)定性bankingrisk之間關(guān)系并不顯著。因此人口老齡化與銀行穩(wěn)定性之間不存在U型或倒U型的反轉(zhuǎn)關(guān)系。

（三）中介效應(yīng)機(jī)制

表4報告了房價的中介機(jī)制檢驗(yàn)結(jié)果。從表4來看，老年人口撫養(yǎng)比old與房價houseprice1的系數(shù)為-0.005 9， 關(guān)系顯著為負(fù)，老年人口撫養(yǎng)比每增加1%，房價會下降0.005 9%，說明人口老齡化與房價長期變化之間存在顯著的負(fù)向關(guān)系，一個地區(qū)老齡化程度越大，該地區(qū)的房價就會越低，人口老齡化程度的加深是房價下降的重要影響因素。

在模型（1）中加入房價houseprice1變量后，老年人口撫養(yǎng)比old與商業(yè)銀行不良貸款率bankingrisk之間依然存在顯著正向影響，系數(shù)為0.007 2。同時從模型的檢驗(yàn)結(jié)果還可以看出房價houseprice1與商業(yè)銀行不良貸款率bankingrisk之間存在顯著負(fù)向作用，其系數(shù)為-0.189 4，房價上漲會促進(jìn)商業(yè)銀行不良貸款率的下降，從而提升銀行穩(wěn)定性。從中介機(jī)制模型的綜合檢驗(yàn)結(jié)果來看，（-0005 9）×（-0.189 4）與0.007 2符號方向相同，所以房價作為老年人口撫養(yǎng)比與商業(yè)銀行不良貸款率之間的中介機(jī)制檢驗(yàn)結(jié)果是顯著的，同時房價發(fā)揮著部分中介效應(yīng)的作用，即房價是人口老齡化對銀行穩(wěn)定性影響的途徑之一。

那么，房價作為中介渠道在不同區(qū)域是否發(fā)揮了作用呢？按照國家統(tǒng)計局的口徑，將全國地理區(qū)域劃分為東部、中部、西部和東北地區(qū)。表5報告了分地區(qū)中介機(jī)制檢驗(yàn)結(jié)果，由于東北地區(qū)人口老齡化對銀行的穩(wěn)定性不存在顯著影響，且東北三省樣本量過少，因此不考慮東北地區(qū)中介機(jī)制效應(yīng)。從研究結(jié)果來看，東部和西部地區(qū)老年人口撫養(yǎng)比（old）與商業(yè)銀行不良貸款率（bankingrisk）之間均存在顯著的正向關(guān)系，中部地區(qū)雖然存在正相關(guān)關(guān)系卻不顯著。各個地區(qū)房價（houseprice1）與商業(yè)銀行不良貸款率（bankingrisk）之間均存在顯著負(fù)向作用;同時各地區(qū)老年人口撫養(yǎng)比（old）與各地區(qū)房價（houseprice1）也存在顯著的負(fù)向關(guān)系，這與王重潤研究結(jié)論相似[38]。根據(jù)中介機(jī)制效應(yīng)的檢驗(yàn)規(guī)則判斷，房價在中部地區(qū)發(fā)揮著完全中介效應(yīng)作用，在東部、西部地區(qū)則發(fā)揮部分中介機(jī)制作用。

綜合來看，房價在人口老齡化與銀行穩(wěn)定性之間存在中介機(jī)制作用，這種作用在不同地區(qū)間有一定差異性。

五、穩(wěn)健性檢驗(yàn)

本文的穩(wěn)健性檢驗(yàn)主要從兩個方面進(jìn)行，一方面，人口結(jié)構(gòu)和房價具有多種測量方式，不同代理變量的選取可能導(dǎo)致實(shí)證結(jié)果有偏差，從而影響到實(shí)證結(jié)果的穩(wěn)定性。因此本文通過替換人口結(jié)構(gòu)變量和房價變量的方式來檢驗(yàn)?zāi)Ｐ偷姆€(wěn)定性。另一方面，房價作為重要中介變量，在作為人口結(jié)構(gòu)對銀行穩(wěn)定性重要中介的同時，對銀行穩(wěn)定性的影響可能存在內(nèi)生性問題，通過房價與銀行穩(wěn)定性的內(nèi)生性檢驗(yàn)來檢驗(yàn)?zāi)Ｐ偷姆€(wěn)定性。

（一）替換人口結(jié)構(gòu)變量

為了更進(jìn)一步驗(yàn)證人口結(jié)構(gòu)對銀行穩(wěn)定性的影響，將老年人口撫養(yǎng)比（old）的數(shù)據(jù)進(jìn)行替換，即將各省份年輕人口（15～64歲）占總?cè)丝诒戎?，即年輕人口比重（young）來代替老年人口撫養(yǎng)比，重新檢驗(yàn)人口結(jié)構(gòu)與銀行穩(wěn)定性之間的關(guān)系以及房價在人口結(jié)構(gòu)與銀行穩(wěn)定性之間的中介機(jī)制作用。檢驗(yàn)結(jié)果如表6所示。

表6結(jié)果顯示，年輕人口比例（young）與商業(yè)銀行不良貸款率（bankingrisk）之間的關(guān)系顯著為負(fù)，系數(shù)顯著為-0009，檢驗(yàn)結(jié)果表明年輕人口比例越高，銀行穩(wěn)定性程度越高，這也表明人口結(jié)構(gòu)對銀行穩(wěn)定性具有重要影響。

從人口結(jié)構(gòu)對房價的影響結(jié)果來看，年輕人口比例（young）與房價（houseprice1）的系數(shù)為0011 7，說明年輕人口結(jié)構(gòu)與房價之間存在顯著的正向關(guān)系。在模型（1）中加入房價變量后，年輕人口比例（young）與商業(yè)銀行不良貸款率（bankingrisk）之間依然存在顯著的負(fù)向影響，系數(shù)為-0007 5，同時從模型的檢驗(yàn)結(jié)果還可以看出31省份的房價與該地區(qū)商業(yè)銀行不良貸款率之間存在顯著負(fù)向作用，其系數(shù)為-0.168 5，房價的上漲對銀行穩(wěn)定性具有一定的促進(jìn)作用。這說明，房價的中介效應(yīng)存在，回歸結(jié)果穩(wěn)健。

（二）替換房價變量

為進(jìn)一步檢驗(yàn)?zāi)Ｐ头€(wěn)定性，將房價變量進(jìn)行替換，將住宅商品房平均銷售價格來替換商品房平均銷售價格，表7報告了回歸結(jié)果，結(jié)論是穩(wěn)健的，即房價在人口結(jié)構(gòu)與銀行穩(wěn)定性之間發(fā)揮了中介作用。

（三）內(nèi)生性檢驗(yàn)

考慮到在房價與銀行穩(wěn)定性關(guān)系上可能存在內(nèi)生性問題從而影響到模型的穩(wěn)定性，故需進(jìn)行內(nèi)生性檢驗(yàn)。內(nèi)生性問題的存在主要有兩方面的原因，一方面是遺漏變量問題，另一方面是反向因果問題。針對遺漏變量問題，本文采取系統(tǒng)GMM的方法和工具變量法進(jìn)行穩(wěn)健性檢驗(yàn)。系統(tǒng)GMM的方法會將被解釋變量的滯后期即商業(yè)銀行不良貸款率的滯后期加入模型的自變量中，由于被解釋變量的滯后期已經(jīng)包含了被遺漏掉的解釋變量，會對模型結(jié)果產(chǎn)生一定的影響。從表8的檢驗(yàn)結(jié)果來看，動態(tài)GMM檢驗(yàn)方法依然可以使核心解釋變量old顯著，同時房價對商業(yè)銀行不良貸款率的影響顯著，因此該模型穩(wěn)定。

在工具變量法中，由于性別比與房價在一定程度上具有顯著關(guān)系[39]，而城市綠化覆蓋率越高，房價相對會更高。但性別比和各省份城區(qū)建設(shè)綠化覆蓋率與模型中殘差如信用不相關(guān)，因此本文選取性別比和各省份城區(qū)建設(shè)綠化覆蓋率作為工具變量進(jìn)行檢驗(yàn)。數(shù)據(jù)均來源于Wind數(shù)據(jù)庫，性別比是以各省份男性人口數(shù)與女性人口數(shù)比例（女性人口為100人時，男性人口數(shù)量）來表示;各省份城區(qū)建設(shè)綠化覆蓋率通過城市住區(qū)面積中綠化面積/城市住區(qū)面積來表示。檢驗(yàn)結(jié)果顯示房價對商業(yè)銀行不良貸款率的影響依舊顯著為負(fù)，老年人口撫養(yǎng)比與銀行穩(wěn)定性顯著為正，因此該模型是穩(wěn)定的。

針對反向因果問題，本文將可能存在內(nèi)生性問題的房價變量滯后一期加入回歸進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果表明人口老齡化與商業(yè)銀行不良貸款率之間存在顯著的正相關(guān)，并且滯后一期的房價變量與商業(yè)銀行不良貸款率之間存在顯著的負(fù)相關(guān)關(guān)系，這從理論上排除了銀行穩(wěn)定性對上年度房價的影響，因此該模型回歸結(jié)果是穩(wěn)健的。

六、進(jìn)一步討論

為了考察人口流動對人口老齡化與銀行穩(wěn)定性關(guān)系的影響，建立調(diào)節(jié)效應(yīng)模型：

bankingriskit=c4+α4oldit+ξoldit×inflowit+βinflowit+δ4controlit+ε4 （4）

其中，inflow表示人口流動，ξ 表示人口流動對銀行穩(wěn)定性的調(diào)節(jié)作用系數(shù)。inflow以（該省當(dāng)年常住人口/當(dāng)年戶籍人口）-1來表示，如果此比例上升，說明相對于戶籍人口而言常住人口增加，而常住人口增長主要來源于機(jī)械增長即人口流入而不是自然增長，所以該指標(biāo)可以較好地表示人口流入情況。交互項old×inflow表示人口老齡化與人口流動的相互影響，ε4是誤差項，其他變量含義同前設(shè)。

表9反映了在人口流動inflow因素考慮進(jìn)來之后，人口老齡化與銀行穩(wěn)定性關(guān)系的變化。由于加入了交互項old×inflow，為了防止多重共線性導(dǎo)致的結(jié)果偏差，在研究人口流動效應(yīng)時對老年人口撫養(yǎng)比old和人口流動變量inflow進(jìn)行了去中心化處理。

從表9的結(jié)果來看，交乘項old×inflow在模型中對商業(yè)銀行不良貸款率的影響顯著為負(fù)，其系數(shù)為-0.019，說明人口流動在老年人口撫養(yǎng)比與商業(yè)銀行穩(wěn)定性之間具有調(diào)節(jié)作用，人口流動減弱了人口老齡化對銀行穩(wěn)定性的負(fù)面影響，或者說，在考慮到人口流動的影響之后，人口老齡化對銀行穩(wěn)定性總的影響效果下降了。

七、結(jié)論和建議

本文研究了房價在人口老齡化和銀行穩(wěn)定性關(guān)系中的作用。研究發(fā)現(xiàn)，在2005—2018年樣本期間，人口老齡化不利于銀行穩(wěn)定。人口老齡化程度每增加1%，將會導(dǎo)致商業(yè)銀行不良貸款率增加0004 2%;年輕人口比例的提高有助于增強(qiáng)銀行穩(wěn)定性，具體為年輕人口比例每增加1%，會降低商業(yè)銀行不良貸款率0009%。房價則充當(dāng)了人口老齡化與銀行穩(wěn)定性關(guān)系的中介渠道，即人口老齡化抑制了房價上漲并通過房價對銀行穩(wěn)定產(chǎn)生了影響。而人口流動則能夠緩解人口老齡化對銀行穩(wěn)定性的負(fù)面影響。

從地區(qū)異質(zhì)性結(jié)果看，不同地區(qū)間人口老齡化對銀行穩(wěn)定性的直接影響是有差異性的，人口老齡化對銀行穩(wěn)定性的影響在東部、中部和西部地區(qū)均有統(tǒng)計顯著性。不過房價在人口老齡化對銀行穩(wěn)定性中所產(chǎn)生的中介機(jī)制作用是有差異性的，房價在中部地區(qū)存在完全的中介效應(yīng)，但在東部和西部地區(qū)，房價僅具有部分中介效應(yīng)。

基于如上研究結(jié)果，本文提出如下建議。

第一，提高人口出生率。老齡化問題的出現(xiàn)主要在于人口出生率的下降。面對人口結(jié)構(gòu)的改變，雖然政府已調(diào)整了生育政策，從“單獨(dú)二胎生育政策”到“全面放開二孩政策”，但效果遠(yuǎn)遠(yuǎn)低于政策預(yù)期。政府應(yīng)科學(xué)部署人口結(jié)構(gòu)戰(zhàn)略，全面放開計劃生育政策，完善生育保障政策體系，保障女性權(quán)益，適當(dāng)延長女性產(chǎn)假時間，對用工企業(yè)以及生育家庭提供財政補(bǔ)貼，積極提高人口出生率。

第二，加強(qiáng)對房價長期趨勢變化的監(jiān)控和干預(yù)。房價作為人口結(jié)構(gòu)影響銀行穩(wěn)定性的重要中介，政府要全面落實(shí)“房子是用來住的，不是用來炒的”政策，加強(qiáng)宏觀審慎監(jiān)管，完善房地產(chǎn)市場調(diào)控長效機(jī)制和住房保障體系，促進(jìn)房地產(chǎn)市場平穩(wěn)健康發(fā)展，保持房價相對穩(wěn)定，防止房價出現(xiàn)持續(xù)的、系統(tǒng)性下跌。

第三，調(diào)整戶籍政策吸引人口流入。地方政府應(yīng)逐步開放本地戶籍政策，營造良好的營商環(huán)境和人居環(huán)境，開創(chuàng)廣闊的事業(yè)前景，建立多層次人才引進(jìn)機(jī)制，吸引人口流入，改善人口結(jié)構(gòu)，緩解人口老齡化的負(fù)面影響。

第四，采取因地制宜的住房與人口政策。在東部和西部地區(qū)，房價在人口老齡化對銀行穩(wěn)定性影響中發(fā)揮了部分中介效應(yīng)，說明還有其他因素在發(fā)揮著影響。因此在這些地區(qū)除調(diào)控房價外，還需要采取更加積極的人口生育、就業(yè)以及收入政策，以更好地保持銀行體系穩(wěn)定。中部地區(qū)在控制人口老齡化程度的同時，要重點(diǎn)關(guān)注房價的變化，加強(qiáng)房地產(chǎn)市場調(diào)控干預(yù)，加快區(qū)域金融體系去房地產(chǎn)化，通過抑制房價的中介作用來削弱人口老齡化對銀行體系穩(wěn)定性的影響。

注釋：

①由于單位根檢驗(yàn)的前提要求橫截面?zhèn)€數(shù)小于時序數(shù)量，本文的截面數(shù)量為31個，時序數(shù)量為14個，截面數(shù)量遠(yuǎn)大于時序數(shù)量，由于其誤差較大，不適宜做單位根檢驗(yàn)。對于面板數(shù)據(jù)而言，異方差的影響要更顯著。對此，本文已經(jīng)對部分變量采取對數(shù)化處理。

參考文獻(xiàn)：

[1]全國老齡工作委員會.中國人口老齡化發(fā)展趨勢預(yù)測研究報告[EB/OL].http：//www.scio.gov.cn/xwfbh/xwbfbh/wqfbh/2006/1212/Document/325195/325195.htm，2006-12-12.

[2]IMF.Japan Financial System Stability Assessment[EB/OL].IMF Country Report No.17/244， https：//www.imf.org/en/Publications/CR/Issues/2017/07/31/Japan-Financial-System-Stability-Assessment-45151， 2017-07-21.

[3]陳雨露，馬勇，徐律.老齡化、金融杠桿與系統(tǒng)性風(fēng)險[J].國際金融研究，2014（9）：3-14.

[4]范小云，段月姣，楊昊晰.人口結(jié)構(gòu)與系統(tǒng)性風(fēng)險測度及監(jiān)管——以利率為紐帶的視角[J].經(jīng)濟(jì)研究，2018（8）：52-67.

[5]中國人民銀行調(diào)查統(tǒng)計司城鎮(zhèn)居民家庭資產(chǎn)負(fù)債調(diào)查課題組.2019年中國城鎮(zhèn)居民家庭資產(chǎn)負(fù)債情況調(diào)查[EB/OL].https：//www.guancha.cn/economy/2020_04_24_548107_s.shtml，2020-04-24.

[6]習(xí)近平.決勝全面建成小康社會 奪取新時代中國特色社會主義偉大勝利——在中國共產(chǎn)黨第十九次全國代表大會上的報告[M].北京：人民出版社，2017.

[7]MANKIW N G，WEIL D N.The Baby Boom，the Baby Bust，and the Housing Market[J].Regional Science and Urban Economics，1989（2）：235-258.

[8]POTERBA J M. Demographic Structure and Asset Returns[J]. Review of Economics and Statistics，2001（83）：565-584.

[9]ROSS GUEST， ROBYN SWIFT.Population Ageing and House Prices in Australia[J].Australian Economic Review，2010（3）：240-253.

[10]BAKSHI G S，CHEN Z.Baby Boom，Population Aging and Capital Markets[J].Journal of Business，1994（2）：165-202.

[11]YU CHEN，KENNETH GIBB，CHRIS LEISHMAN，ROBERT WRIGHT.The Impact of Population Ageing on House Prices：A Micro-simulation Approach[J].Scottish Journal of Political Economy，2012（5）：523-542.

[12]WASANTHI THENUWARA，MAHINDA SIRIWARDANA，NAM HOANG.Will Population Ageing Cause a House Price Meltdown in Australia？[J].The Journal of Developing Areas，2019（2）：63-77.

[13]鄭基超，倪澤強(qiáng)，孫韋.人口結(jié)構(gòu)對房價的影響——基于面板數(shù)據(jù)的分析[J].江淮論壇，2016（5）：22-27+52.

[14]崔惠穎.人口結(jié)構(gòu)變化對中國資產(chǎn)價格的影響——理論分析與實(shí)證檢驗(yàn)[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2015（10）：35-45.

[15]徐建煒，徐奇淵，何帆.房價上漲背后的人口結(jié)構(gòu)因素：國際經(jīng)驗(yàn)與中國證據(jù)[J].世界經(jīng)濟(jì)，2012（1）：24-42.

[16]陳國進(jìn)，李威，周潔.人口結(jié)構(gòu)與房價關(guān)系研究——基于代際交疊模型和我國省際面板的分析[J].經(jīng)濟(jì)學(xué)家，2013（10）：40-47.

[17]周建軍，劉奎兵，鄭嬌，等.人口結(jié)構(gòu)對房價的影響及其區(qū)域差異性研究[J].經(jīng)濟(jì)經(jīng)緯，2020（3）：134-141.

[18] Y DENG，Y ZENG，Z LI. Real estate prices and systemic banking crises[J].Economic Modelling，2019（80）：111-120.

[19]邱崇明，李輝文.房價波動、銀行不穩(wěn)定和貨幣政策[J].財貿(mào)經(jīng)濟(jì)， 2011（3）：118-124.

[20]宋凌峰，牛紅燕，劉志龍.房價、隱含擔(dān)保與銀行系統(tǒng)性風(fēng)險[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理， 2018（3）：16-26.

[21]司登奎，葛新宇，曾濤，等.房價波動、金融穩(wěn)定與最優(yōu)宏觀審慎政策[J].金融研究， 2019（11）：38-56.

[22]彭俊華，許桂華.房價異常波動是否演變?yōu)橄到y(tǒng)性金融風(fēng)險？[J].投資研究， 2020（4）：96-109.

[23]沈悅，李博陽，張嘉望.金融杠桿率、房價泡沫與金融穩(wěn)定性[J].大連理工大學(xué)學(xué)報（社會科學(xué)版）， 2020（3）：25-35.

[24]葉永剛，王凌偉，魏海瑞.人口年齡結(jié)構(gòu)、預(yù)期與中國房價：基于需求方的視角[J].統(tǒng)計與決策，2016（4）：122-126.

[25]陳斌開，徐帆，譚力.人口結(jié)構(gòu)轉(zhuǎn)變與中國住房需求：1999—2025——基于人口普查數(shù)據(jù)的微觀實(shí)證研究[J].金融研究，2012（1）：129-140.

[26]黃春元.人口老齡化對我國財政穩(wěn)定性影響的定量解析[J].西北人口， 2015（2）：13-19.

[27]仲凡，楊勝剛.人口結(jié)構(gòu)、財政支出剛性對地方政府性債務(wù)的影響——基于中國省級面板數(shù)據(jù)的研究[J].財經(jīng)理論與實(shí)踐，2016（4）：78-83.

[28]石晨曦.城鄉(xiāng)居民基本養(yǎng)老保險隱性財政負(fù)擔(dān)——基于長壽風(fēng)險背景下的精算分析[J].蘭州學(xué)刊， 2018（12）：196-208.

[29]唐云鋒，劉清杰.土地財政、房價上漲與地方政府債務(wù)風(fēng)險——基于雙向疊加視角的研究[J].財經(jīng)問題研究， 2020（2）：81-89.

[30]鄭駿川.地方政府財政壓力、土地出讓收益與房地產(chǎn)價格——來自中國35城市面板數(shù)據(jù)的證據(jù)[J].宏觀經(jīng)濟(jì)研究，2020（2）：63-74+175.

[31]陳志英，韓振國，鄧欣.信貸、房價波動與銀行穩(wěn)定關(guān)系的實(shí)證研究[J].金融理論與實(shí)踐，2013（2）：7-11.

[32]BERNANKE B S， LOWN C S，F(xiàn)RIDERMAN B M. The Credit Crunch[J]. Brookings Papers on Economic Activity，1991（2）：205-248.

[33] F ALLEN，D GALE. Bubbles and Crises [J].The Economic Journal，2000（460）：236-255.

[34]況偉大，王琪琳.房價、房貸規(guī)模與銀行資本充足率[J].金融研究， 2017（11）：34-48.

[35]顧嵩楠，萬解秋.我國省域人口流動對經(jīng)濟(jì)發(fā)展的傳導(dǎo)機(jī)制研究——基于門檻效應(yīng)模型的分析[J]. 西北人口， 2020（4）：58-71.

[36]王勝今，秦芳菊，陳世坤.中國人口遷移流動的人力資本替代效應(yīng)及影響分析[J].人口學(xué)刊， 2020（3）：39-50.

[37]DOERR，SEBASTIAN， KABAS，GAZI. Banking On Demography：Population Aging and Financial Integration[EB/OL].https：//www.aeaweb.org/conference/2020/preliminary/paper/56DAEt2S，2019-11-12.

[38]王重潤，趙昶.人口老齡化、財富效應(yīng)與房價關(guān)系研究[J].價格理論與實(shí)踐，2021（7）：105-108.

[39]逯進(jìn)，劉璐.性別失衡對房價的影響——來自中國城市的證據(jù)[J].人口學(xué)刊，2020（2）：5-16.

責(zé)任編輯：李金霞

Population Aging， Housing Price Fluctuation and Banking System Stability

Wang Chongrun1，Pang Xiaoyu2

（1.School of Finance， Hebei University of Economics and Business， Shijiazhuang Hebei 050061， China;

2.Zhangjiakou Branch，China Construction Bank， Zhangjiakou Hebei 075000， China）

Abstract：Based on the panel data of 31 provinces from 2005 to 2018， the relationship between population structure and the stability of the banking system was analyzed. It is found that the demographic change had a significant negative impact on the stability of the banking system. The intermediary mechanism test showed that the housing price was an important intermediary variable for the impact of population structure on banking stability， however the impact different among regions. By introducing the interaction term between population mobility and population aging， it was found that population mobility was beneficial to alleviate the negative effect of population aging on the stability of Banks. The robustness test showed that the regression results were reliable. The policy enlightenment of this paper was to increase the birth rate， improve the long-term mechanism of real estate market and open household registration policy.

Key words：population aging; housing price; banking stability