京津冀地区房地产金融风险评估

【摘要】围绕着房地产金融活动主体，综合考量外部风险引致因素，构建了房地产金融风险评估指标体系，以支持向量机模型和粒子群优化算法为内核建立评估模型，对京津冀地区房地产金融风险变化趋势进行分析;  以一年为时间窗口期，对京津冀地区房地产金融风险进行评估。结果显示，2010－2021 年京津冀地区房地产金融风险呈现风险凸显、风险缓释和风险再积聚三种阶段性演变特征; 2021 年前两个季度为轻度风险状态，但存在向风险中度、重度转化的不利趋势。

【关键词】 京津冀地区 ;  房地产金融风险 ;  风险评估

一、 引言

坚决守住不发生系统性金融风险的底线，是当前我国金融工作的重中之重。房地产与金融高度关联，防范区域性房地产金融风险是守住系统性风险的当务之急。［1］京津冀地区作为首都经济圈，其房地产金融风险评估和防范尤为重要。随着京津冀协同发展战略的深度实施，京津冀三地经济联系日趋频繁，经济联动性不断增强，原本相对分割的房地产市场随着三地发展定位的调整、产业战略的变化及城市功能的不断完善而愈加紧密。在京津冀协同发展的动态演进中，三地房地产金融风险呈现怎样的状态及变化趋势? 区域内有没有发生风险传染和累积? 三地各级政府在推进京津冀协同发展中迫切需要了解和把握这些问题，因为这不仅关系到首都金融安全和京津冀地区金融风险的防范，也直接影响着全国金融 风险的防控与工作部署。 因此，有必要构建一套针对京津冀地区房地产金融风险特点的评估指标体系和评估模型，以期对京津冀地区房地产金融风险状态作出判断及评估，并给予风险警示及应对之策。

二、文献述评

(一) 房地产金融风险评估指标的选取

科学合理的评估指标选取是风险评估的基础，已有文献对房地产金融风险的理解和界定不同，因而在评估指标选择和指标体系构建上存在着一些差异。刘文辉等认为，房地产金融过程繁多，在度量金融风险时不可能对每个环节进行考察，运营是其重要方面，构建了包括宏观指标和经营指标两个方面的预警指标体系，宏观指标包括政治环境指标、政策法律环境指标、社会环境指标和经济环境指标，经营指标包括土地环境指标、筹资指标、行业风险、开发时机风险等。［2］周星提出，要按照房地产项目的全过程对各个金融风险主体(主要包括房地产开发商、银行和消费者) 进行风险指标体系的构建，例如，投资开 发阶段房地产开发商的风险预警指标包括资产负债率、土地储备贷款风险、贷款利率、商品房价格和地价，商品房销售阶段银行的风险预警指标包括个人信用风险和商业欺诈风险。［3］ 王靖为从房地产与国民经济关系、行业发展水平和信贷资金安全三个方面构建了重庆市房地产金融风险预警体系，其中，房地产与国民经济的协调关系指标包括房地产投资总额与社会固定资产投资总额之比、房地产投资增长率与 GDP 增长率之比和房价收入比。［4］孙蕾从房地产增长速度、市场供求均衡状况、房地产与国民经济发展的协调性和房地产与金融发展的密切关系四个方面构建了预警指标体系，其中，反映房地产增长速度的指标包括房地产开发投资增长率、商品房销售面积增长率、商品房施工面积增长率等，反映市场供需均衡状况的指标包括房地产供销比率、房地产供求比率、商品房空置率和房价收入比等。［5］ 王玲玲等从柳州市房地产市场运行状况和房地产金融潜在风险出发，选取房地产投资增长率、房地产 开发投资总额与 GDP 之比、房地产开发贷款余额与全部金融机构贷款余额之比、房屋施工面积与竣工面积之比等11个预警指标建立了房地产金融风险评估模型进行研判。［6］

上述文献对风险评估指标的选取主要集中于普适性的通用型指标，而对反映区域性风险差异性的评估指标缺乏体现。而事实上，不同地域房地产金融风险的成因千差万别。对违规操作的道德风险、商业欺诈风险、开发时机风险和预售阶段未知风险等类风险指标，已有文献也主要是进行了学理意义上的探讨，在替代指标选取、指标量化和数据搜集处理等方面也未给出具有可操作性的研究结果。此外，已有文献也较少考虑风险评估指标的正负向属性，风险评估指标和评估目标之间的联动关系模糊不清，在建模过程中存在着风险评估区间划分的随意性和主观性等问题， 进而影响评估的科学性和准确度。

(二) 风险评估模型选择

对于风险评估模型的构建，国内外学者们已做了很多研究，也得出了较为丰富的研究结论。 国外常用的金融风险预警模型主要有FR 模型、 KLR 信号法、STV 模型和 VAR 模型，而国内常用的金融风险预警模型主要有 VAR 模型、SVM 模 型和 BP 神经网络模型。［7－15］弗兰克尔(Frankel) 等以100个发展中国家在1971－1992 年这段时间发 生的货币危机为样本，使用各个国家的年度数据，建立了可以估计货币危机发生可能性的FR 概率模型。［8］卡明斯基(Kaminsky) 等提出 KLR 信 号预警模型，该模型通过对可能引发危机的变量数据进行统计分析，确定与货币危机有显著联系的变量，以此作为货币危机发生的先行指标。［9］徐文彬以中国银行、建设银行等10家上市银行为样本代表整体，以银行业系统性风险为预警目标，通过VAR模型测度了银行业金融机构的风险价值及其与金融市场之间的风险溢出效应。［12］李琴选取公司偿债能力、盈利能力等传统公司评价指标作为预警指标，通过 SVM 模型建立了重庆市房地产金融风险预警模型。［13］淳伟德等以供给侧结构性改革期间潜在的系统性风险为研究对 象，运用四种核函数 的 SVM 模型、Logit 回归、DDA 和 BPNN模型建立了对系统性风险的预警模型，通过 F1－score 和 AUC 对 7 个预警模型预 测结果进行对比发现，采用多项式核函数的 SVM 预警模型为最优的预警模型。［14］ 李梦雨选取了关系我国金融系统稳定的16项经济变量，利用主成分分析法和 K-均值聚类算法进行了数据的处理和风险状态的分类，进而借助BP神经网络建立了我国系统性金融风险的预警模型。［15］王玲玲等选取了房地产投资增长率等 11项与房地产金融风险相关的指标并通过BP神经网络模 型对柳州市房地产金融风险建立了预警模型。［6］

综合来看，风险评估模型研究较为丰富，但是，已有文献普遍缺乏对所选模型和现实风险的适用性进行分析，对风险评估的逻辑机理及指标之间的内在关联缺乏清晰的揭示，主要依赖模型技术实现评估结果，而对风险产生、传递的经济 关联和逻辑机理研究不足，模型选择的依据模糊，评估结果缺乏参照对比，也就使得结论的科学性、充分性容易受到质疑。

三、评估指标体系的构建

(一) 数据来源

本文选取了北京(19个) 、天津(17 个) 和河北(17个) 的房地产金融风险评估指标并搜集了相关数据，时间跨度为2010－2019年，数据频率为季度，数据来源为各省统计年鉴、前瞻数据库、中经网统计数据库和Wind 数据库。

(二) 指标选取与说明

科学合理地构建房地产金融风险评估指标体系，是房地产金融风险评估模型建立的基础，也是评估有效性的保障。房地产金融活动的经济联系是评估指标构建的基本逻辑。银行等金融机构为房地产业从开发到消费的全过程提供融资服务，房地产金融活动的正常循环是房地产金融风险可控的前提条件。而房地产开发商、房地产消费者等主体以及宏观经济状况、政策变化、房地产业在经济中占比等外部因素，均可能导致房地产金融活动正常循环的中断和终止，从而引起房地产金融风险的积聚与爆发。 由此本文认为，房产金融风险是指银行等金融机构、房地产开发商和房地产消费者及地方政府四个房地产金融活动主体在相互联系的发展过程中，由于自身发展失衡或在外部致险因素干扰下，导致一个或多个主体经济利益受损，进而引发银行等金融机构经济利益受损的风险，甚至可能引发风险在相关主体和区域间传递，最终形成区域性、全国性的房地产金融风险。

从以上界定出发，借鉴国内外学者进行风险评估指标选取的经验，基于目的性、全面性、可操作性、科学性、可比性和先兆性的评估指标选取原则，本文主要从房地产金融活动主体和房地产金融风险外部致险因素两个角度构建京津冀房 地产金融风险评估指标体系 (表1) 。［3－6，16－20］

1．一级指标的选择逻辑

由于房地产金融活动中包含着房地产开发商、房地产消费者、银行等金融机构及地方政府四个主体。［3］本文以房地产市场供给状况反映房地产开发商从开发投资、商品房建设到商品房销售整个生产流程的风险状况; 以房地产市场需求状况反映房地产消费者对商品房的需求并对比供给来说存在的风险 ; 以金融机构的涉房业务状况反映银行等金融机构通过与房地产业的业务关联所累积的风险 ; 以地方土地市场和财政状况反映在我国现行税收体制下，地方政府通过土地市场这个前端市场平衡财政收支的同时可能向后端引致的风险积累。对于房地产金融风险外部致险因素维度的一级评估指标选取，本文以房地产业与国民经济协调发展状况反映地区房地产业在地区经济中所占据的比重和地位，进而衡量房地产金融风险可能带来的冲击大小 ; 以宏观经济及政策状况代表可能触发房地产金融风险的外部客观因素。［16］

2． 主体视角下二级指标的选择

房地产供给是影响房地产市场运行和风险累积的重要因素，供给过热意味着风险增加。其风险传递的路径是: 当市场过热、供给过度增加时，开发商的风险开始上升，这必将引致国家推出各种调控措施，扰动房地产开发商和金融机构的既定投融资活动安排，从而带来经济损失和风险累积。［3］据此，本文选取房地产开发投资增长率、房地产销售面积增长率、房地产新开工面积增长率、房地产施工面积增长率、房地产待售面 积增长率、商品房平均销售价格增长率这六个二级指标来衡量房地产市场的发展增速及冷热状况。［4－5］其中，房地产销售面积增长率为负向指标，其余二级指标均为正向指标。

房地产需求是影响房地产市场运行和金融风险的另一重要因素。 需求是房地产价值的实现端，决定着房地产金融活动能否实现闭合和良性周转。当需求不足、小于供给时，开发商的利益实现受阻，将会影响银行等金融机构借贷本金的如期归还。而一旦市场需求不足，房子卖不出去，价格下跌、房屋资产价值缩水，房地产购房者信贷违约也会增加，从而因需求不足导致开发商和购房者双重违约增大银行等金融机构风险。［17］据此，本文立足市场需求端，选取商品房销售面积与商品房竣工面积之比、商品房销售面 积与商品房待售面积之比、商品房销售面积与商品房新开工面积之比、商品房竣工面积与商品房 施工面积之比、商品房待售面积与商品房竣工面积之比这五个二级指标来重点反映房地产市场的需求状况。［4－6］其中，商品房待售面积与商品房竣工面积之比为正向指标，其余指标为负向指标。

引致房地产金融风险的主体有很多，但风险最终暴露于开展房地产信贷活动的银行等金融机构。［18］金融机构与房地产的业务关联程度越深，风险越高，也就是说，金融机构涉房业务状况直接反映房地产金融风险程度。本文选取房地产开发贷款余额与金融机构各项贷款余额之比、国内贷款与房地产业资金来源合计之比这两个二级指标来反映房地产业与金融机构的联结深度。上述两个指标均为正向指标。［16］

对于地方土地市场及财政状况，在我国分税制背景下，地方政府为增加财政收入具有提高土地收益、干预土地市场供给的内在动机。其作用机制是，地方政府缩减土地供给，土地溢价率就会上升，地方政府就会获得较高的土地收益。而 地价格高企必将推动商品房价格上升，减少商品房需求，从而影响开发商和银行等金融机构的利益实现和风险累积。据此，本文选取土地平均溢价率、土地面积增长率、地方财政赤字率、购置土地面积增长率、地价增长率这五个二级指标作为地方政府影响我国房地产市场金融风险的指标。［16］其中，土地面积增长率为负向指标，其余指标均为正向指标。

3． 引致视角下二级指标的选取

房地产业与国民经济协调发展的状况反映了房地产业在地区经济中所占的比重，即地区经济对房地产业的依赖程度。在间接融资体系下，房地产业与金融机构之间具有强关联关系，房地产业在地区经济中的占比越高，越容易引发区域性房地产金融风险。本文选取房地产开发投资额与全社会固定资产投资额之比、房地产开发投资额与GDP之比、商品房销售额与GDP之比这三个二级指标来反映房地产业在京津冀地区经济中的地位。这三个二级指标均为正向指标。

宏观经济及政策状况作为外部环境，是行业、个体的系统性风险因素。房地产业和金融业均为高外部敏感性行业，宏观环境的变化、政策的变化等都会对行业造成冲击，进而通过房地产市场供需、商品房市场价格等路径导致房地产金融风险。本文选取了 GDP 增长、M2 增长率两个二级指标作为经济环境和行业政策的表征。［19－20］ GDP 增长率为负向指标，M2 增长率为正向指标。

4． 通用型二级指标和特质型二级指标选择

房地产具有物理空间固定性的特点，但地区间存在着经济发展水平、经济结构及土地资源稀缺程度等差异，不同地区影响房地产金融风险的成因各有差异。本文针对京津冀三地房地产不同的风险成因特点分别选取特质型指标。北京房地 产市场体量大且成熟度高，商品房待售存量对房地产市场稳定性影响较大，土地供应相对稀缺，因此选择商品房待售面积增长率、商品房销售面积与商品房待售面积之比、商品房待售面积与商品房竣工面积之比、地价增长率、土地平均溢价率及土地面积增长率作为特质性指标。天津土地供应较为稀缺，财政收入对土地依赖性强，房地产业在国民经济中占比较高，因此选择商品房销售面积与商品房新开工面积之比、土地面积增长率、商品房平均销售价格增长率、地方财政赤字率作为特质性指标。河北房地产市场受供需影响较大，财政收入对土地依赖性也非常强，产业结构层次较低，因此选择商品房购置土地面积增长率、销售面积与商品房新开工面积之比、商品房平均销售价格增长率、地方财政赤字率作为特质性指标。

(三) 模型设定

利用主成分分析法确定评估模型输入向量，结合加权平均法确定评估模型输出标记值，匹配二者训练检验支持向量机模型，可得京津冀地区房地产金融风险评估模型。支持向量机是一种分类模型 (图 1) ，其基本原理是寻找一个最优的分类超平面 ω T  × x + b = 0 (其中 ω 为权值向量，x 为输入值向量，b 为偏置值)。该超平面满足以下两个条件: 一是该超平面能够将不同类样本完全分开; 二是该超平面能够实现最大化的分类间距。样本中处于分类超平 面上的样本称为支持向量。

在本文实际评估问题中，因所构建的京津冀房地产金融风险评估体系维数较高，而且我国房地产商业化发展周期较短、统计数据不充分，但考虑到支持向量机模型具有适用于小样本学习，少数支持向量决定了最终结果，对异常值不敏感，以模型计算的复杂性取决于支持向量的数目，而不是样本空间的维度等上述优点，其与实际评估问题之间具有很好的契合度。此外，当利用建立的京津冀地区房地产金融风险评估模型进行风险评估时，支持向量机优秀的泛化能力可以提供坚实的支撑。

由于拉格朗日函数对应的极值位置的梯度必然为0，因此，分别对ω , b，αi 求偏导数并使得偏导数为0，上述问题就转化为以下的凸二次规划对偶问题 :

其次，上述分析假定待分类样本是完全线性可分的，即存在一个最优分类超平面能够将两类数据完全区分开来，但是实际中往往存在着被错误分类的少数样本，因此，可以将最大化分类间隔的条件适当放宽，引入松弛变量 εi ( εi ≥ 0 ，i  = 1 ，2 ，3……n) ， 即允许少量样本不满足 (2) 式。但为了使不满足 (2) 式的样本点尽可能的少，需要在优化目标中加入惩罚参数 C 。 此时， (2) 式变为 :

对(9) 式及其约束条件构造拉格朗日函数并转化为对偶函数求解可得最优分类超平面和决策函数分别为(6) 和 (7) 式。这也验证了上面的结论，即分类超平面只与支持向量有关，而被正确分类的非支持向量的被错误分类的样本向量无关。

最后，上述的分析只涉及样本为线性的情况，实际中样本往往为非线性样本，因此很难通过构造简单的超平面来达到预期的分类效果。此时，可以引入核函数将输入值向量xi映射到高维空间，将分线性可分样本转化为高维空间里的线性可分样本，然后在此高维空间构造最优分类超平面达到预期的分类目标。常见的核函数有线性核函数、 多项式核函数、 高斯核函数及 Sigmoid 核函数。通过核函数的映射，分类决策函数变为 :

四、实证结果与分析

(一) 评估模型输入向量的确定

由于指标较多，维数较大，不同评估指标变量之间可能存在着相关性，即不同指标变量在反映京津冀各地房地产金融风险时存在着信息重叠问题，利用主成分分析法可将原始指标转化为互不相干的若干主成分。为检验是否可以进行主成分分析，本文利用 SPSS 软件对京津冀三地的房地

产金融风险评估指标分别进行了 KMO 和 Bartlett 检验。结果显示，京津冀三地 KMO 检验的值均大于0. 5，Bartlett 检验 Sig 值小于0. 05 ，这意味着指标相关性较强，可以对评估指标进行主成分分析。

在提取主成分时，通常以提取主成分方差占所有样本指标总方差的比例，即方差贡献率代表所提取的主成分对原始指标的代表性(表2) 。按 照提取主成分特征值大于1 的主成分选取标准，北京和天津均可以提取六个互不相关的主成分来代表原始的房地产金融风险评估指标，河北按此选取标准共提取了五个主成分，考虑到综合京津冀三地主成分的需要，对河北提取一个特征值小于1的主成分。

根据京津冀三地成分矩阵得知，北京评估指标中代表房地产市场需求状况、房地产业与国民经济协调发展状况的指标对主成分1影响较大，可知北京房地产金融风险受市场需求和地区经济对房地产业的依赖性影响较大。天津评估指标中代表房地产业与国民经济协调发展状况、金融机构涉房业务状况、土地市场及财政状况以及宏观经济及政策状况的指标对主成分1影响较大，可知天津房地产金融风险受地区经济对房地产业的依赖性、房地产业与金融机构的关联深度、土地财政状况和外部经济、货币因素影响较大。河北评估指标中代表房地产市场供给状况、房地产业与国民经济协调发展状况、土地市场及财政状况以及宏观经济及政策状况的指标对主成分1影响较大，可知河北房地产金融风险受市场供给状况、地区经济对房地产业的依赖性、土地财政状况和外部经济、货币因素影响较大。

(二) 评估输出标记值的确定

根据京津冀三地的成分得分系数矩阵及经标准化后的原始评估指标数值矩阵，可得到京津冀三地的主成分值表。 以京津冀三地6个主成分各自的方差贡献率为权数分别对其主成分值进行加权，可以构造出能代表京津冀各地房地产金融整体风险状况的综合指标 S。

在京津冀协同发展战略背景下，本文将京津冀三地作为一个整体看待，因此，需将京津冀三地的房地产金融风险综合评估指标 (S) 综合成京津冀地区房地产金融风险综合评估指标 (W) (表3) 。 为此，本文采用京津冀三地各自的GDP 值占京津冀GDP总值为权数进行加权。对于权数的选择，参考马科维茨投资组合理论中计算多样本组合方差的计算思路，应选择京津冀三地各自的房地产业金融融通资金额占京津冀地区房地产业金融融通资金总额的比重作为权数，同时考虑到该指标统计数据的获得性问题，故选择了京津冀三地各自的GDP值占京津冀GDP总值作为权数。通常来说，地区经济越发达，GDP 数值越高，房地产金融过程越活跃，房地产业金融融通资金额越高，即 GDP值与房地产金融融通资金额之间可以建立正相关关系，因此，可以选择京津冀三地各自的GDP值占京津冀地区GDP总值作为替代权数。

通过K-均值聚类方法对构建得出的京津冀地区房地产金融风险综合评估指标值进行区间划分，可以得到－0. 39、－0. 15 、0. 12 和 1. 03 四个聚类中心，从而将京津冀地区房地产金融风险划分为4 种状态，即基本安全状态，标记为1; 轻度风险状态，标记为2 ; 中度风险状态，标记为3 ; 重度风险状态，标记为 4。

基于K－均值聚类方法划分的京津冀地区房地产金融风险状态呈现阶段性特征(图 2) 。2008 年全球金融危机爆发，中国经济增速回落，在出口受阻的情况下，为避免我国经济发展速度出现大幅度下降，我国推出了4万亿元的危机应对计划。 极度扩张的货币供给很大一部分流向了以新房建设、旧城改造等为代表的房地产行业投资开发活动中。因此，2010－2015 年，房地产业进入了以规模快速扩张为特征的粗放式发展阶段，商品房价格出现了快速的上涨现象，房地产业杠杆率也大幅度提高，京津冀地区房地产金融风险逐渐凸显。2016－2018 年，我国经济进入新发展阶段， 迫切需要通过供给侧结构性改革、“三去一降一 补”等手段改变要素配置方向、变革经济发展方式以提高经济发展质量，而降杠杆、去库存对于房地产行业来说无疑是使其降低风险、由规模扩张 变为提质增效的关键手段。因此，2016 年以后，在中央政策的导向下，京津冀地区的房地产金融风险得到一定缓释。然而， 自2019年至今，随着国内外政治经济形势日趋复杂、疫情突发事件的出现和调控政策趋紧，京津冀地区房地产金融风险不确定性增强，房地产金融风险又开始受到极大的关注，房地产业融资监管的三道红线被屡次提及，京津冀地区可能将进入房地产金融风险再积累阶段。

(三) 京津冀地区房地产金融风险评估模型建立

对房地产金融风险评估输入向量与评估输出标记值进行错位匹配，可建立京津冀地区房地产金融风险评估模型。 由于房地产金融活动、融资工具及房地产建设过程的长期性，应将错位匹配时间窗口定为一年以上。综合考虑评估过程和评估结果的可靠性和及时性，本文最终将错位匹配时间窗口期定为一年，即评估京津冀地区房地产金融风险的时间跨度为一年。

借鉴赵丹丹［21］的样本分类方法，本文将前70% 的样本作为京津冀地区房地产金融风险评估模型的训练集，后 30% 的样本作为测试集检测已训练的模型的泛化能力，通过检测的模型视为最终建立的京津冀地区房地产金融风险评估模型，用于风险评估。

考虑到指标的高维度及线性不可分问题，本文采用了RBF 核函数进行数据映射使得数据线性可分。采用 RBF 核函数的支持向量机模型的参数主要包括惩罚参数C 和核函数参数g，这两个参数的选取会影响模型的分类精度和泛化性能。因此，本文采用常用的网格算法、遗传算法和粒子群算法进行参数寻优(表 4) 。

根据评估分类准确率可知，最优的参数寻优算法为粒子群算法，最优的参数分别为惩罚因子C = 1. 3346 和核函数参数 g = 4. 6904。

(四) 京津冀地区房地产金融风险评估

通过建立的京津冀房地区地产金融风险评估模型，结合统计数据的可得性，输入京津冀地区2020年第一、二季度的主成分数据对其2021年第一、二季度的房地产金融风险状态进行了评估，评估状态均为轻度风险状态(表 5) 。

五、结论与政策建议

(一) 结论

本文构建了京津冀地区房地产金融风险评估指标体系，利用主成分分析法和加权平均法确定了模型的主成分输入向量和评估输出标记值，并结合支持向量机和粒子群优化算法建立了京津冀地区房地产金融风险评估模型并作出了风险预警。研究得出以下三点结论。

第一，京津冀三地房地产金融风险的主要影响因素有差异。北京房地产金融风险受市场需求和地区经济对房地产业的依赖性影响较大; 天津房地产金融风险受地区经济对房地产业的依赖性、房地产业与金融机构的关联深度、土地财政状况和外部经济、货币因素影响较大; 河北房地产金融风险受市场供给状况、地区经济对房地产业的依赖性、土地财政状况和外部经济、货币因素影响较大。

第二，京津冀地区房地产金融风险演变呈现阶段性特征。2010－2015年，随着扩张性货币政策的出台，房地产业迎来粗放式发展，此阶段为货币政策刺激下的房地产金融风险凸显阶段; 2016－2018 年，随着房地产业的降杠杆和去库存，实现库存释放、杠杆率下降，房地产业进入精细化发展阶段，此阶段为房地产金融风险缓释阶段 ; 2019 年以来，随着国内外政治经济形势趋于复杂、疫情突发事件的出现和调控政策趋紧，房地产金融风险呈一定上升趋势，京津冀地区可能进入房地产金融风险再积累阶段。

第三，评估结果显示，京津冀地区 2021年前两个季度的房地产金融风险评估状态为轻度风险状态，但结合近期国内外复杂的政治经济形势和调控政策趋紧的导向，京津冀地区房地产金融风险不确定性增强，需要高度警惕风险向中度、 重度转化。

(二) 政策建议

第一，动态调控房地产市场供需状况，促进房地产市场平稳发展。房地产市场供需状况是影响房地产市场价格乃至房地产市场金融风险的重要因素，京津冀地区作为北方重要的城市群，但其内部的房地产供需状况大不相同。北京作为政治经济文化中心吸引了众多的人才和资源，其根本解决方案应重点关注供给。而天津和河北作为发展相对滞后的城市，需求应该是其目前主要的关注方向。此外，供需的结构匹配问题、房地产市场投机管控问题及配套政策联动问题等同时考验着政府调控房地产市场的能力，这关系着京津冀三地房地产市场的平稳健康发展。

第二，转换经济增长引擎，避免过度将房地产业作为逆周期调节手段。2015 年以后，我国步入高质量发展的新阶段。要实现经济的高质量发展，必须以创新为统领，以效率变革为关键，以产业结构转型升级为抓手，重点关注战略性新兴产业的发展和数字经济的发展。而房地产行业作为京津冀地区传统的支柱性产业之一，由于其巨大的体量及产业关联性往往成为政府经济逆周期调节的手段，导致了要素资源配置效率的低下及房地产金融风险的积聚。 因此，必须推动产业结构的优化升级，转换经济增长的动力引擎，从而降低京津冀地区对于房地产业的依赖性。

第三，扩大房企资金来源结构中直接融资比重，优化房企资本结构。房地产企业通过股票增发、 引入财务投资和战略投资、分拆上市等方式进行权益融资，可以降低房地产企业的负债率、 增加企业的经营性现金流量。在当前房地产企业面临“融资新规”的背景下，融资渠道的拓展可以帮助房地产企业优化资本结构、纾解财务风险及进行战略转型。 因此，有必要进一步推动我国以直接融资为主导的融资体制形成，解决房地产企业当前过于依赖银行信贷资金的问题。

第四，发展壮大实体经济以培植税源，避免对土地财政过分依赖。地方政府过度依赖土地财政，一方面会导致实体经济发展被边缘化，另一方面会导致社会资源利用效率的下降。 因此，地方政府应摆脱对土地财政的过度依赖，通过发展实体经济培植税源，把土地财政仅当作经济社会发展的一种补充。

参考文献 :

［1］ 葛红玲，聂 晓 曦． 中 国房地产业与银行共生关系——特点及效果检验［J］． 经济与管理研究，2015(5) : 31－38.

［2］ 刘文辉，郑智，宋高堂． 我国房地产金融风险识别系统的构建思路探讨［J］． 金融与经济，2007 (5) : 30－32.

［3］ 周星． 基于全过程的房地产金融风险预警指标分析［J］． 科技创业月刊，2009( 10) : 30－31.

［4］ 王靖为． 重庆市房地产金融风险预警的实证研究［J］． 价值工程，2019(8) :  15－19.

［5］ 孙蕾． 山东省房地产金融市场风险状况监测预警的实证研 究——基于主成分和灰色预测分析法［J］． 区域金融研究，2016( 12) :  18－26.

［6］ 王玲玲，郑振宇，王恒． 基于人工神经网络的房地产金融风险预警体系 构 建——以柳州市为例 ［J］． 区域金融研究，2019(3) : 60－71.

［7］ 吴军． 当代金融预警方法述评［J］． 世界经济文 汇，2006(6) : 71－83.

［8］ Jeffrey A，Frankel，Andrew K R.  Currency Crashes in Emerging   Markets :  an   Empirical  Treatment ［J］.  Journal of International  Economics ，1996 ( 3) :  351 - 366.

［9］ Kaminsky G ， Lizonda   S ， Reinhart   C   M．  Leading Indicators of Currency Crises［J］． Staff Papers ，1998 ( 1) : 1－48.

［10］ Sachs J ，Tornell  A ，Velasco  A． Financial  Crises  in Emerging  Markets :  The   Lessons   from    1995    ( May 1996)  [R] .   NBER Working Paper ，1996.

［11］ Blejer M I，Schumacher L．Central Bank Vulnerability and the  Credibility  of Commitments : A  Value-at-Risk Approach  to   Currency   Crises ［J］． IMF  Working Papers，1998 : 98 /65.

［12］ 徐文彬． 基于 VAR方法的银行业系统性风险预警 模型研究［J］． 经济研究参考，2016(63) : 45－53.

［13］ 李琴． 基于支持向量机回归模型的重庆市房地产金融风险预警研究［J］． 重庆理工大学学报 (社会科学) ，2015( 11) : 78－82.

［14］ 淳伟德， 肖杨． 供给侧结构性改革期间系统性金融风险的SVM预警研究［J］． 预测，2018 ( 5) : 36－42.

［15］ 李梦雨． 中国金融风险预警系统的构建研究——基于 K－均值聚类算法和 BP 神经网络［J］． 中央财经大学学报，2012( 10) : 25－30.

［16］ 李维哲， 曲波． 地产泡沫预警系统研究［J］． 中国房地产金融，2002(8) : 18－21.

［17］ 鞠方，阳娟，黎小佳． 基于空间异质性的中国住房空置率与房地产金融风险研究［J］． 财经理论与实践，2018(4) : 26－31.

［18］ 刘知博，贾甫，韦静强． 银行体制、资本市场与房地产金融风险［J］． 经济体制改革，2014 ( 5) : 134－138.

［19］ 周铭，郑智． 房地产金融风险识别体系的构建［J］． 统计与决策，2007(5) : 59－60.

［20］ 张品一，杨娟妮． 房地产市场系统动力学仿真模 型研究———以 北京市为例［J］． 北京社会科学， 2021 ( 10) :  87－96.

［21］ 赵丹丹，丁建臣． 中国银行业系统性风险预警研究——基于 SVM模型的建模分析［J］． 国际商务 (对外经济贸易大学学报) ，2019(4) : 100－113.

【作者简介】 葛红玲 ( 1968—) ，女， 内蒙古赤峰人，北京工商大学国际经管学院教授，博士研究生导师 ; 孙迪( 1995—) ，男，黑龙江齐齐哈尔人，北京工商大学博士研究生。

【基金项目】 北京市社会科学基金重点项目 ( 17YJA003) ———京津冀地区房地产金融风险传递及预警研究。