水涨船高:房价上涨对企业类金融业务的影响机制研究——来自中国委托贷款数据的经验证据

A Rising Tide Lifts All Boats: Influencing Mechanism of Rising Housing Prices on Corporate Financial Business

公衍磊

1上海财经大学 金融学院,上海 200433
摘要:

委托贷款在一定程度上体现了虚拟经济对实体经济的“虹吸效应”,影响了整体经济的金融资源配置效率和高质量发展。本文以手工收集的2007—2015年间中国沪深交易所A股上市企业发布的委托贷款公告中披露的交易数据以及各个地级市的商品房销售价格数据为研究样本,实证检验了房价对非金融企业从事委托贷款类金融业务的影响以及作用路径。研究发现,贷款企业所在市的房价提高了当地企业发放委托贷款的概率和委托贷款占营业收入的比例。贷款企业所在市的房价与委托贷款利率负相关,而借款企业所在市的房价与委托贷款利率正相关。进一步的作用机制分析表明,“房价上升—企业收益率下降—企业发放委托贷款增加”构成房价影响企业发放委托贷款的一条传导路径。房价上涨期间,投资性房地产资产较多的企业发放了更多的委托贷款,而且委托贷款更多地流向了房地产企业。本文的研究发现对于认识实业、房地产、金融市场之间的联动影响,深化金融供给侧结构性改革,推动经济发展质量变革与发展方式转变具有一定的参考价值。

关键词:高质量发展,委托贷款,房价,中介效应

基金项目:国家自然科学基金项目(71772111)

引 言

中国的经济改革创造了一个蓬勃发展的经济,与此同时,中国房地产行业的快速发展创造了相当大的资金需求。房价快速上涨带来的高额利润,促使越来越多的资本在投机的驱动下从制造业向房地产行业转移。在这种情况下,中国人民银行通过窗口引导,对商业银行向房地产行业发放的贷款额度实施限制。因此,房地产行业贷款受到严格监管,房地产领域的融资需求与银行贷款之间出现较大差距(Allen等,2020)。由于传统银行无法满足日益增长的资金需求,而影子银行因游离于银行监管体系之外,可以从监管套利中获益,影子银行快速崛起,并且催生了以委托贷款形式为代表的房地产投资。委托贷款迅速成为中国影子银行的一个重要类别,成为维持中国房地产开发商生存的重要因素(McMahon和Wei,2014;Hachem,2018;Yu等,2021)。近年来,房地产市场吸引了大量非房地产企业通过类金融业务从主营业务转向房地产投资,房地产市场的持续扩张加剧了实体经济与虚拟经济的失衡,造成我国工业空心化现象日益严重。

目前,中国正致力于从经济高速增长阶段向高质量发展阶段过渡,而经济发展高质量重在实体经济高质量。经济高质量发展的核心要义在于:提高资源本身的利用效率和资源的配置效率,实现经济的协调发展和可持续发展。然而,房地产业的繁荣对实体产业投资构成了挤压,造成工业企业资本配置效率低下,引起非金融企业从事委托贷款等类金融业务增加,加剧了中国经济“脱实向虚”的趋势(Chen和Wen,2017;Bleck和Liu,2018)。这严重违背了金融服务实体经济的本源,与中国经济高质量发展的目标显然是背道而驰的。具体表现在以下两个方面:

第一,高质量发展力求提高各种生产要素(资源)的使用效率。其中,土地、资本和劳动力是三种最主要的生产要素,土地为生产提供了特定的场所。Sun等(2020)指出,工业用地价格是工业用地利用效率的显著影响因素。首先,“土地财政”下的政府隐性支持,加上房地产作为刚性需求的属性为房地产开发商和投资者带来丰厚利润,于是,大量货币流入房地产市场,挤占了实体经济的金融资源。其次,高投资造成某些产业的产能严重过剩。然而,我国在一些高端化产品上供给不足,依赖进口,企业生产率有待提高。王文春和荣昭(2014)在研究房价和企业创新之间的关系后发现,房价过快上涨抑制了当地企业的创新活动。最后,靠投资驱动的经济增长方式受到边际效应递减规律的作用,近年实体经济投资效率和回报率下降,利润大幅度下滑,很多企业普遍经营困难。黄少安等(2012)在研究房价和企业利润之间的关系后发现,房价每上升1倍,工业企业利润率约下降6.5%。综上,高房价折射出的用地成本高的问题不利于工业企业实现从中国制造向中国智造的转变。

第二,经济发展质量的提高需要提高整个社会资源的配置效率。金融发展是经济高质量发展的重要支撑和保障,经济高质量发展的要求首先是整体经济的金融资源配置有效率。然而,当前金融资源配置却呈现出结构性短缺与结构性过剩并存的局面,具体表现为金融市场流动性充足,大型企业资金稳健和中小企业融资难、融资贵并存。在过去的几十年中,国家总体上实行的都是扩张性货币政策,依靠货币超发和信用膨胀支撑了中国经济的高速发展。就货币政策的影响而言,根据陈思翀等(2018)的计算,中国广义货币(M2)与代表实体经济增长的国内生产总值(GDP)的比值从1979年的32.7%持续上升到2016年的208%,这意味着大量货币流向实体经济之外。文春晖等(2018)研究指出,存在大量资金在金融体系内“空转”套利。就财政政策的影响而言,在2008年下半年,中国GDP增速开始下行时,中国政府实施了两年4万亿元投资和一年10万亿元贷款的经济强刺激计划。此外,2009—2015年间,地方融资平台融资规模不断扩大,政府融资平台的城投债余额从2008年的1 861亿元上升至2014年的42831亿元。根据周广肃和王雅琦(2019)的研究,这些资金有很大一部分流向了房地产市场而不是实体经济。综合来看,过多的房地产投资会挤占实体企业的生产性投资,造成金融结构和产业结构不匹配,抑制经济高质量发展。

在上述两种作用力下,实体投资相对房地产投资的收益率变得更低,这导致越来越多的资金从实体经济反向流入金融领域。一种典型的代表就是,非金融企业通过委托贷款业务参与金融投资,直接或间接地从事房地产投资。本文通过实证检验的方法论证:企业用房、用地成本的上升以及实体投资和金融投资之间投资回报率的差异,提高了非金融企业从事类金融活动的倾向,产生了虚拟经济对实体经济的“虹吸效应”,导致了金融资源的错配流动。本文采用2007—2015年中国沪深A股证券市场中上市企业发布的委托贷款公告数据和各个地级市层面的房价数据,对企业发放委托贷款的概率、贷款额占营业收入比例和委托贷款利率与贷款企业所在地的房价之间的关系进行了实证检验。研究发现:贷款企业所在地的房价越高,企业发放委托贷款的概率越大、贷款额占营业收入的比例越高、贷款利率越低。内生性检验和稳健性检验都保证了这种因果关系的存在。此外,本文进一步具体论证了房价影响企业发放委托贷款的几种作用机制:(1)中介机制分析验证了“房价升高—企业资产收益率下降—企业发放委托贷款增多”的影响渠道。(2)在房价上涨且居高不下时期,持有房地产资产多的企业因受房价升高引起的成本上升的冲击较小而能够发放更多的委托贷款。(3)房地产企业可观的利润吸引非金融企业向房地产企业发放了更多的委托贷款。

与现有研究相比,本文的边际贡献如下:第一,从房价的角度研究企业的委托贷款行为,发现高房价提高了金融资产在企业总资产中所占的比重,造成了非金融企业实体投资和金融投资的扭曲,从外部环境冲击维度揭示了驱动非金融企业从事类金融业务的因素。第二,从非正规金融领域探讨了房地产业的影响,为高房价影响金融资源配置提供了经验证据,可以更好地理解房地产业对国民经济各个领域的影响,拓展了房地产经济学的领域。第三,探讨了房价影响企业委托贷款的作用机制,证明了房价快速上涨会通过加重企业的经营负担和加速资金从实体行业向房地产行业的流动等渠道影响企业的金融投资行为,对于我国房地产市场价格调控和加强非正规金融监管具有重要的政策启示。

理论分析与研究假设

(一)房价对委托贷款发放概率和委托贷款额占营业收入比例的影响

随着中国经济进入新常态,尤其是在房地产投资降低了资源配置效率,对实体经济行业资源的挤出效应较为明显的地区,很多非金融企业明显表现出投资委托贷款等类金融业务的倾向和热情。

第一,从贷款企业收益角度看,一方面,房价在合理范围内上涨时会使房地产企业的投资回报率高于其他行业,非金融企业通过将资金贷给资本密集型房地产行业中的企业可以分得一杯羹。另一方面,许多金融资产通常直接或间接地以土地和房屋等不动产作为标的,资本市场和房地产市场在很多时候表现出同涨同跌的共同趋势。这使得非金融企业即使不直接对房地产企业投资,也可以通过“通道”业务等方式增加对资本市场的投资来从房价上涨中获利。总之,房价上升导致投资房地产更加有利可图,吸引非金融企业通过委托贷款直接或间接地投资房地产公司获利。

第二,从贷款企业成本角度看,一方面,房地产市场隶属于生产要素市场,办公楼、厂房、仓库等都属于生产资料,商品房房价上涨对应着商品房租金上涨。如果这些生产资料不是公司自有,那么公司的经营成本就会加重。另一方面,商品房房价的上涨通常伴随住宅房房价的上涨,这会增加购房或租房的工人的生活成本,工人会要求更高的工资和生活补贴,这又进一步增加了公司的经营成本。当房价上升造成的企业经营成本的上涨幅度超过企业利润的增加幅度时,会激励企业减少主营业务投资,增加类金融业务投资,比如发放委托贷款。

综上,房价上升导致实体投资收益率下降,房地产投资收益率上升,两类投资间投资回报差异的增大会驱动非金融企业从事更多的金融化投资活动。基于此,提出本文的研究假设H1:

H1a:高房价会增加企业发放委托贷款的概率。

H1b:高房价会促使企业发放更多的委托贷款。

(二)房价对委托贷款利率的影响

国家相关部门当前对委托贷款的利率没有下限要求,只有上限要求。也就是说,委托贷款的利率最低可以到0,最高利率要求不超过中国人民银行同期贷款利率的最大上浮幅度。在上下限之间,委托贷款的利率可以完全由委托人和借款人双方协商决定。协议利率通常遵循的是市场利率定价,市场利率和银行贷款利率存在一定差异。

第一,从贷款公司资金供给角度看,委托贷款利率是由贷款公司的“机会成本”决定的。对于贷款企业来说,当房价上升时,企业的经营成本增加,企业利润率下降。在这种情况下,如果企业将本应该投资于主营业务的资金改为发放委托贷款来赚取利息收益,企业资金的机会成本是下降的。因此,其要求的利率会下降。

第二,从金融市场资金需求角度看,委托贷款利率是由金融市场上的资金供求关系决定的。当金融市场利率较低时,企业和个人可以进行更多的借贷投资房地产,导致房价上升。反过来,房价较高时通常伴随着较低的市场利率。货币环境决定融资成本,从而影响企业决策。于是,在金融市场整体利率偏低的情形下,委托贷款利率由于以市场利率为基准,贷款企业发放委托贷款的利率也通常不会太高。

第三,从贷款风险和双方的议价能力角度看,对于借款企业来说,房价越高,企业经营成本越高,企业利润越低。经营业绩不好的企业更难从资本市场上获得融资,因此,只有接受较高的利率才能获得委托贷款。换句话说,那些因房价上升导致融资约束增强、主营业务收益率下降的企业,在关于贷款利率的讨价还价中处于劣势,贷款企业在委托贷款定价中赋予了更高的风险溢价。

基于以上分析,提出本文的研究假设H2:

H2a:贷款企业所在地区的房价越高,委托贷款的利率相对越低。

H2b:借款企业所在地区的房价越高,委托贷款的利率相对越高。

(三)房价影响委托贷款的作用机制

房价对委托贷款额占营业收入比例的影响很大一部分是由房价上升增加了企业的经营成本,挤出了实体投资导致的。

由于土地是一种重要的生产要素,房价上升背后对应着企业购买或租用的办公室、厂房等要素成本的上升,因而房价升高增加了企业的经营成本,影响了企业扩大再生产,恶化了企业的生存环境。同时,房价上升后,员工凭借工资购房的难度增大,租房和相关生活必需品开支增大,这种生活成本的增加不但会迫使员工要求更高的工资,还会加速员工的流动,最终增加了企业的人力成本。Chen等(2015)的研究发现,房价上涨显著增加了企业的财务负担和负债比率。彭俞超等(2018)的研究则表明,房地产投资降低了市场资源配置效率,对其他实体经济行业的资源具有挤出效应。总之,房价上涨带来的企业运营成本的增加严重侵蚀了企业利润。尤其是高房价城市中的企业,它们在同行业中的竞争力会大大下降,房价挤压了当地企业的发展空间。正因为如此,近年来许多制造业企业从中心城区搬到郊区或者从大城市搬到中等城市,比如华为从深圳搬到东莞。进一步地,制造业的持续低迷和房地产市场、股票市场的繁荣导致我国企业出现“脱实向虚”的倾向。当实体经济生产力下降使得其利润率低于金融市场平均收益率时,大量货币会流入虚拟经济,进而转化为虚拟资本来追逐高利润。据此,本文得出房价影响委托贷款的第一条作用路径并提出如下假设H3a:

H3a:房价上涨通过增加企业经营成本激励企业从事委托贷款这一非主营业务。

房价对委托贷款额占营业收入比例的作用强度会受到贷款企业和借款企业拥有房地产资产数量的影响。

第一,有房地产资产的非房地产企业更可能发放委托贷款。一方面,房价升高在一定程度上改变了一些行业的利润分配格局。那些自身没有厂房和办公楼而依赖租赁的企业的成本上升较多,这样的企业可能会缩减生产规模。而那些本身有厂房和办公楼的企业的成本增加较少,催生了这些企业的成本竞争优势。这样企业的实体投资和金融投资都可能增加。当房价上升时,有房地产资产的企业资金流相对充沛,在房地产利润拐点到来之前,将闲置的资金通过委托贷款的方式发放给中小型企业是企业分散风险,进行长期收益平滑的一种理性选择。另一方面,有房地产资产的非房地产企业可以将房地产作为抵押。当房价上升时,抵押品价值上升,它们有能力借到更多的钱,公司融资约束下降。因而,有房地产资产的公司通常会比没有房地产资产的公司增加更多的金融投资(Chaney等,2012)。这些企业可以通过委托贷款进行二次信贷,获取信贷利差。

第二,高房价吸引非金融企业通过委托贷款间接投资房地产,即委托贷款主要流向了房地产企业。随着房价的升高,房地产投资变得更加有利可图,房地产企业以及与房地产相关的建筑业等企业的融资需求增加。根据Allen等(2019)对2004—2013年期间所有非金融上市中国公司发放委托贷款的统计,有接近一半的非关联委托贷款资金流入了房地产业和建筑业。在房价持续上升时期,房地产企业的财务风险较低,拥有闲置资金的企业将富余资金通过委托贷款的方式发放给房地产企业,可以获得违约风险较低的稳定的利息收益。

综合以上分析,本文得出房价影响委托贷款的第二条作用路径并提出如下假设H3b:

H3b:房价上涨时,拥有房地产资产多的非房地产企业会发放更多的委托贷款,委托贷款会更多地流向房地产企业。

实证研究设计

(一)样本与数据来源

本文所选委托贷款数据来自手工收集的2007—2015年间中国沪深交易所A股上市企业发布的委托贷款公告中披露的交易信息,每条数据被整理成一条“贷款企业—借款企业—贷款合同”格式的记录。本文使用的房价数据和宏观数据来自中国经济与社会发展统计数据库,其中2007—2014年的房价数据来自《中国区域经济统计年鉴》,2015年的房价数据来自各个省或地级市的统计年鉴或统计公报,涉及29个省级行政单位中的286个地级市。根据贷款企业注册地所属地级市将委托贷款数据与各个地级市的商品房销售价格数据匹配合并,剔除掉金融业企业。本文最终的样本包括2007—2015年间的2455家公司和19382个“公司—年”观测值(全样本),其中包括236家公司的2139个“公司—年”观测值(委托贷款样本)。

(二)模型构建

为检验房价与委托贷款发放概率、委托贷款额占营业收入比例、委托贷款利率之间的关系,本文分别构建如下回归模型:

\begin{document}${\rm{Pr}} (Debtdu{m_{it}} = 1) = {\alpha _0} + {\alpha _1}HP{1_{it}} + {{{X}}_{{it}}}{{{α }}_{{2}}} + \sum {Firm} + \sum {Year} + {\varepsilon _{it1}}$\end{document}

\begin{document}$Amoun{t_{ijt}} = {\beta _0} + {\beta _1}HP{1_{it}} + {{{X}}_{{{it}}}}{{{β}} _{{2}}} + {{{Z}}_{{{jt}}}}{{{β}} _{{3}}} + {{{W}}_{{{ijt}}}}{{{β}} _{{4}}} + \sum {Firm} + \sum {Year} + {\varepsilon _{ijt2}}$\end{document}

\begin{document}$\begin{aligned}LoanRat{e_{ijt}} =& {\gamma _0} + {\gamma _1}HP{1_{it}} + {\gamma _2}HP{2_{jt}} + {{{X}}_{{{it}}}}{{{γ}} _{{3}}} + {{{Z}}_{{{jt}}}}{{{γ}} _{{4}}} + {{{W}}_{{{ijt}}}}{{{γ}} _{{5}}} + \sum {Firm} \\ &+\sum {Year} + {\varepsilon _{ijt3}}\end{aligned}$\end{document}

上述三个方程中,下标i、t分别表示贷款公司和时间,下标j表示借款公司。对于回归方程(1),本文使用由发放委托贷款的企业和没有发放委托贷款的企业共同组成的全样本,通过条件逻辑回归模型(conditional logit model,CLOGIT)进行估计。CLOGIT模型采用分层配对的思想将可能的混杂因素加以控制,它被视作面板数据的固定效应LOGIT模型,可以提高估计的有效性和可靠性。对于回归方程(2)和(3),本文使用由所有发放过委托贷款的企业组成的委托贷款样本,通过控制了企业和时间固定效应的最小二乘虚拟变量模型(least squares dummy variables model,LSDV)进行估计。

(三)变量定义与度量

1. 被解释变量。方程(1)的被解释变量为是否发放委托贷款(Debtdum),对发放委托贷款的记录赋值为1,否则赋值为0。方程(2)的被解释变量为发放委托贷款相对数量(Amount)。借鉴Yu等(2021)的研究,用企业发放委托贷款额与企业营业收入的比值(Loan/Revenue)衡量。在稳健性检验中,本文也用企业发放委托贷款额与企业总资产的比值(Loan/Asset)、企业发放委托贷款额与企业主营业务收入的比值(Loan/Sale)刻画委托贷款相对数量。方程(3)的被解释变量(LoanRate)为委托贷款的年利率。

2. 解释变量。三个方程的核心解释变量均为商品房房价(HP),用公司总部所在城市的商品房每平方米平均销售价格的对数衡量,分为贷款企业所在地区商品房房价(HP1)和借款企业所在地区商品房房价(HP2)。为增强不同地区之间房价的可比性,本文将各地区的房价用各地区的消费者物价指数进行了平减。在稳健性检验中,本文也用贷款企业所在地区商品房房价变化率(CHP)和贷款企业所在地区住宅房房价(RHP)作为HP1的替代变量进行回归。

3. 中介变量和调节变量。在下文中,本文探讨了房价影响企业委托贷款行为的机制。在第一种机制中,本文用贷款企业资产收益率(P_roa)作为中介变量检验房价是否通过影响企业主营业务利润刺激了企业从事委托贷款类金融业务。在第二种机制中,本文一是用企业投资性房地产占比(FixAtR)刻画贷款企业拥有的房地产资产数量,研究房价对委托贷款的影响在拥有房地产资产数量不同的贷款企业之间的异质性;二是用借款企业是否是房地产公司(D_realty)表征委托贷款的流向,研究房价对委托贷款的影响在房地产公司和非房地产公司之间的异质性。其中,企业投资性房地产占比(FixAtR)等于企业投资性房地产净额除以固定资产净额。投资性房地产净额数据来自公司的资产负债表。借款企业是否是房地产企业(D_realty)将借款企业行业分类属于房地产业和建筑业的公司设置为1,其余公司设置为0。

4. 控制变量。回归方程(1)(2)(3)中的控制变量包括三类:(1)贷款企业特征变量和外部环境变量集合(X)。具体包括:贷款企业规模(P_size),等于贷款企业年末总资产的对数。贷款企业年龄(P_age),等于贷款企业成立年数加1后取对数。贷款企业股权性质(P_soe),国有企业取值为1,非国有企业取值为0。贷款企业政企关系(P_gov),存在政企关联的企业取值为1,其余取值为0。其中,企业是否存在政企关联用企业董事长、总经理是否曾任或现任政府官员、人大代表、政协委员衡量。贷款企业资产收益率(P_roa),等于贷款企业年度净利润除以年末总资产。贷款企业杠杆率(P_lev),等于贷款企业年末总负债除以年末总资产。货币政策感受指数(Monetary),该指数来自中国人民银行网站,测度了整体经济资金紧张程度。货币政策感受指数越低,表明货币政策越紧。市场化指数(Fin),贷款企业所在省份市场化排名前十取1,否则取0。市场化指数取自《中国分省份市场化指数报告(2016)》,它反映了贷款企业所在地的市场扭曲程度。市场化指数越高说明该地区市场化程度越高。(2)借款企业特征变量集合(Z)。具体包括:借款企业规模(D_size),等于借款企业注册资金的对数。借款企业年龄(D_age),等于借款企业成立年数加1后取对数。借款企业股权性质(D_soe),如果借款企业是国有企业则取值为1,非国有企业取值为0。(3)委托贷款合同特征变量集合(W)。具体包括:委托贷款期限(Maturity),表示委托贷款合同规定的贷款存续期限。委托贷款是否为关联交易(Relate),如果委托贷款双方存在关联关系则取1,否则取0。委托贷款是否存在抵押担保(Collater),如果存在抵押担保取1,否则取0。另外,模型还加入了公司(Firm)和年份(Year)虚拟变量,用以控制个体和时间固定效应。

描述性统计、基准回归与结果分析

(一)描述性统计分析

表1列示了主要变量的描述性统计结果。从总体来看,委托贷款样本占全样本的比例(DebuDum)为11.51%。在委托贷款样本中,企业实际发放委托贷款数量与企业营业收入、总资产、主营业务收入的比值(Loan/Revenue、Loan/Asset、Loan/Sale)的平均值分别为4.38%、1.20%、4.39%;委托贷款年化利率(LoanRate)平均值为7.9%,这比通常银行的五年期贷款利率还要高,但委托贷款年化利率的最小值为3.61%,比通常银行的一年期贷款利率还要低很多,委托贷款年化利率的最大值为21%,接近高利贷利率24%的界线;贷款企业所在市的商品房房价对数(HP1)、房价增长率(CHP)、住宅房房价对数(RHP)的平均值分别为8.7400、7.85%、8.7180,借款企业所在市商品房房价对数(HP2)的平均值为8.4816;贷款企业的资产收益率(P_roa)的均值为10.69%,投资性房地产占固定资产比例(FixAtR)的中位数为0.21%;借款公司中平均有16.92%的公司为房地产公司(D_realty)。

1
主要变量的描述性统计
变量样本数均值标准差最小值中位数最大值
DebtDum 19 3820.11510.31920.00000.00001.0000
Loan/Revenue 2 1390.04380.12270.00010.00990.8688
Loan/Asset 2 1390.01200.01910.00010.00460.1075
Loan/Sale 2 1390.04390.12010.00020.01020.8728
LoanRate 2 1390.07900.03720.03610.06350.2100
HP1 2 1398.74000.62896.91438.571210.4608
HP2 2 1108.48160.57687.15058.383510.4608
CHP 2 1390.07850.1238−0.31340.04061.3683
RHP 2 1398.71800.64236.77958.545210.1295
P_roa 2 1390.10690.0594−0.00540.09820.4667
FixAtR 2 0940.54362.32610.00000.002140.1715
D_realty 2 1390.16920.37500.00000.00001.0000

(二)房价与委托贷款发放概率和委托贷款额占营业收入比例之间的关系

针对贷款企业所在市的商品房房价对委托贷款发放概率和委托贷款额占营业收入比例影响的检验,表2的第(1)列报告了方程(1)的CLOGIT回归的结果,第(2)至(6)列报告了方程(2)的LSDV回归的结果。

2
房价与委托贷款发放概率和贷款额占营业收入比例之间的关系
(1)(2)(3)(4)(5)(6)
Debtdum Amount Amount Amount Amount Amount
HP1 1.7340***0.0102***0.0381***0.0384***0.0374***0.0560***
(4.23)(3.23)(2.94)(2.95)(2.79)(3.81)
P_size 1.1422***−0.0948***−0.0963***−0.0976***−0.0971***
(2.82)(−3.28)(−3.30)(−3.36)(−3.37)
P_age 1.1695−0.0751***−0.0762***−0.0612**−0.0576*
(0.98)(−2.79)(−2.83)(−2.11)(−1.92)
P_soe 0.29250.06780.01970.02670.0748
(0.34)(1.21)(0.26)(0.36)(0.96)
P_gov 3.4136***0.01500.01530.01770.0682
(2.90)(0.35)(0.36)(0.43)(1.52)
P_roa −0.9986−0.2116***−0.2026**−0.1994**−0.2601***
(−0.46)(−2.62)(−2.57)(−2.52)(−2.74)
P_lev −2.8686**0.11150.11510.07940.0423
(−2.21)(0.89)(0.93)(0.67)(0.36)
Monetary −5.88670.21090.20300.0042
(−1.07)(1.12)(1.07)(0.02)
Fin 0.62460.04930.04650.0293
(1.44)(0.83)(0.79)(0.44)
D_size 0.0062***0.0055***
(3.94)(3.44)
D_age 0.00160.0003
(0.58)(0.12)
D_soe −0.0386***−0.0356***
(−2.90)(−2.67)
Maturity 0.0012
(0.55)
Relate 0.0550***
(3.90)
Collater 0.0034
(0.38)
_cons −0.04741.6691***1.6674***1.6207***1.5002***
(−1.42)(2.87)(2.97)(2.89)(2.67)
Firm/Year YesYesYesYesYesYes
N 1 6012 1391 1371 1371 1341 133
Pseudo R2/Adj.R2 0.31830.73420.69860.69880.70530.7173

表2第(1)列的结果显示①,房价的系数在1%的显著性水平上为正,这说明房价越高,企业发放委托贷款的概率越大。表2的第(2)至(6)列分别对应顺次加入房价、贷款企业特征变量、外部环境特征变量、借款企业特征变量、贷款合同条款特征变量后的回归结果,这五列中房价的系数均在1%的水平上显著为正。这表明房价越高,企业发放委托贷款额占营业收入的比例越高。以上两个实证结果支持了本文的研究假设H1。

对于表2的控制变量,从第(1)列对应的影响委托贷款发放概率的因素可以看出:贷款企业规模(P_size)较大的企业更可能发放委托贷款。与政府存在关联(P_gov)的企业,越易获得外部融资,融资约束越低,越可能发放委托贷款。此外,资产负债率(P_lev)较高的企业的闲置资金更少,发放委托贷款的概率较低。从第(2)至(6)列对应的影响委托贷款额占营业收入比例的因素可以看出②:贷款企业资产收益率(P_roa)较高的企业发放的委托贷款额占营业收入比例较低,这是因为主营业务收益率高的企业从事类金融业务的激励相对较低。借款企业规模(D_size)越大的企业越易获得委托贷款。股权性质(D_soe)为私营企业的公司不易从银行获得贷款,对委托贷款的需求更多。委托贷款双方存在关联关系(Relate)时,由于借贷双方之间的信息不对称程度低且可以实现合作共赢,企业发放的委托贷款额占营业收入的比例更高。

(三)房价与委托贷款利率之间的关系

表3报告了贷款企业和借款企业所在市的商品房房价如何影响委托贷款利率的实证结果。由表3的第(1)(2)列可以看出,贷款企业所在市的房价越高,委托贷款利率越低。由表3的第(3)(4)列可以看出,借款企业所在市的房价越高,委托贷款利率越高。由表3的第(5)(6)列可以看出,在同时引入贷款企业所在市房价和借款企业所在市房价后,两者对委托贷款利率的影响方向不变且仍旧在5%以上水平上显著。

3
房价与委托贷款利率之间的关系
(1)(2)(3)(4)(5)(6)
LoanRate LoanRate LoanRate LoanRate LoanRate LoanRate
HP1 −0.0107***−0.0137***−0.0094***−0.0130***
(−3.56)(−4.51)(−2.99)(−4.16)
HP2 0.0024*0.0048**0.0049**0.0046**
(1.95)(2.40)(2.41)(2.30)
P_size 0.01070.0127*0.0135*0.0123*0.0133*
(1.53)(1.67)(1.71)(1.69)(1.68)
P_age −0.0079−0.0043−0.0016−0.0029−0.0027
(−0.69)(−0.38)(−0.14)(−0.25)(−0.24)
P_soe 0.0030−0.0119−0.0366**0.0003−0.0136
(0.17)(−0.61)(−1.97)(0.01)(−0.67)
P_gov 0.0024−0.0111−0.00480.0031−0.0086
(0.14)(−0.62)(−0.28)(0.19)(−0.49)
P_roa −0.00290.00760.0179−0.00460.0068
(−0.12)(0.32)(0.75)(−0.18)(0.28)
P_lev −0.0382−0.0257−0.0170−0.0312−0.0243
(−1.56)(−1.06)(−0.70)(−1.24)(−0.98)
Monetary 0.02200.05870.02390.0019−0.00230.0397
(0.26)(0.70)(1.24)(0.02)(−0.03)(0.48)
Fin 0.01140.0166**0.0111**0.0173**0.0126*0.0172**
(1.60)(2.54)(2.31)(2.55)(1.78)(2.58)
D_size −0.0005−0.0013***−0.0006−0.0007−0.0006
(−1.04)(−3.85)(−1.17)(−1.40)(−1.06)
D_age 0.00150.0015**0.00110.00090.0010
(1.37)(2.07)(0.99)(0.81)(0.94)
D_soe −0.0049**−0.0028−0.0054**−0.0049**−0.0052**
(−2.37)(−1.56)(−2.29)(−2.08)(−2.23)
Maturity −0.0009−0.0007−0.0008
(−1.55)(−1.10)(−1.38)
Relate −0.0106***−0.0098***−0.0105***
(−4.26)(−3.85)(−4.13)
Collater −0.0022−0.0030−0.0024
(−0.64)(−0.84)(−0.68)
_cons −0.0092−0.03140.0969***−0.1604−0.0873−0.0811
(−0.06)(−0.20)(4.01)(−1.00)(−0.58)(−0.49)
Firm/Year YesYesYesYesYesYes
N 1 1371 1332 1061 1171 1181 117
Adj.R2 0.81280.81900.79270.81780.81390.8190

从表3的控制变量的回归结果可以看出:贷款企业规模(P_size)越大的企业发放的委托贷款利率越高,这可能是因为大企业的议价能力更高。借款企业的股权性质(D_soe)为私营企业的风险通常更高,获得的委托贷款的利率更高。当借贷双方存在关联关系(Relate)时,企业发放的委托贷款的利率明显更低。市场化指数(Fin)较高地区企业发放的委托贷款的利率反而较高,这与Yu等(2021)的研究结论一致。

房价影响委托贷款发放额占营业收入比例的影响机制检验

(一)机制一:主营业务收益率降低的中介效应检验

根据假设提出部分的理论分析,房价上升且居高不下使得部分企业从事实体业务投资的收益率相对从事类金融业务投资的收益率下降。企业家权衡的结果使得房价的上升对企业发放委托贷款额占营业收入的比例产生了正向激励作用。为了验证这种影响机制,本部分采用Baron和Kenny(1986)提出的中介效应模型,借鉴温忠麟等(2004)的中介效应检验程序,选取企业资产收益率(P_roa)作为中介变量,分析房价是如何通过影响企业主营业务收益率来影响企业委托贷款额占营业收入比例的,以此来佐证理论假说部分提到的论据。中介效应模型如下:

\begin{document}$Amoun{t_{ijt}} = {a_0} + {a_1}HP{1_{it}} + {{{X}}_{{{it}}}}{{{a}}_{{2}}} + {{{Z}}_{{{jt}}}}{{{a}}_{{3}}} + {{{W}}_{{{ijt}}}}{{{a}}_{{4}}} + \sum {Firm} + \sum {Year} + {\nu _{ijt1}}$\end{document}

\begin{document}$P\_ro{a_{it}} = {b_0} + {b_1}HP{1_{it}} + {{{X}}_{{{it}}}}{{{b}}_{{2}}} + \sum {Firm} + \sum {Year} + {\nu _{it2}}$\end{document}

\begin{document}$\begin{aligned}Amoun{t_{ijt}} =& {\beta _0} + {c_1}P\_ro{a_{it}} + {\beta _1}HP{1_{it}} + {{{X}}_{{{it}}}}{{{β}} _{{2}}} + {{{Z}}_{{{jt}}}}{{{β}} _{{3}}} + {{{W}}_{{{ijt}}}}{{{β}} _{{4}}} + \sum {Firm} \\ &+ \sum {Year} + {\nu _{ijt3}}\end{aligned}$\end{document}

中介效应模型对应的三个方程的回归结果如表4所示。在表4的第(1)(2)列中,房价(HP1)的系数分别在1%的水平上显著为负和显著为正。在表4的第(3)列中,中介变量(P_roa)的系数在1%的水平上显著为负,且第(3)列中主要解释变量(HP1)的系数(0.0560)小于第(2)列中主要解释变量(HP1)的系数(0.0629)。可见,表4的三列结果满足中介效应存在的四个条件,说明资产收益率的确起到了中介作用。进一步地,由表4第(1)列可知,商品房价格与中介变量企业资产收益率显著负相关,说明高房价降低了企业的收益率。由表4第(3)列可知,在同时引入商品房房价和企业资产收益率时,房价和资产收益率的回归系数均显著,这说明资产收益率起到了部分中介作用。表4的最后三行给出了Sobel-Goodman中介效应检验的结果,结果证实本文使用的中介效应变量是显著的,资产收益率的中介效应在总效应中占11.02%。这些都说明,“房价上升—企业收益率下降—企业发放委托贷款增加”构成房价影响企业发放委托贷款的一条传导路径。

(二)机制二:房地产资产增值和投资房地产收益增加的影响

根据假设提出部分的理论分析,拥有投资性房地产资产较多的企业在房价上涨期间受房价挤出效应影响较小且不动产抵押融资能力增强,房价的上升会吸引委托贷款更多地投向房地产行业的借款企业,这些会强化房价对委托贷款发放的影响效果。为了验证这种影响机制,本文采用贷款企业投资性房地产占比(FixAtR)和借款企业是否是房地产企业(D_realty)两个指标进行考察。

表5报告了关于贷款企业持有房地产资产数量和借款企业行业性质的异质性分析的回归结果。第(1)(3)列为在基准回归方程(2)的基础上只分别增加FixAtR和D_realty指标后的回归结果,第(2)(4)列为在基准回归方程(2)的基础上分别增加FixAtR和D_realty指标及每个指标与核心解释变量房价(HP1)的交互项后的回归结果。表5的第(1)至(4)列中,HP1的系数均仍显著为正。在表5的第(2)(4)列中,两个交互项HP1×FixAtR和HP1×D_realty的估计系数均在5%水平上显著为正,说明拥有房地产资产多的贷款公司发放的委托贷款额占其营业收入的比例更高,房地产企业接收的委托贷款数量更多。

4
中介效应分析表
(1)(2)(3)
P_roa Amount Amount
HP1 −0.0263**(−2.41) 0.0629***(3.88) 0.0560***(3.81)
P_roa −0.2601***(−2.74)
P_size −0.0051(−0.39)−0.0961***(−3.35) −0.0971***(−3.37)
P_age 0.0204(0.47)−0.0630**(−2.26) −0.0576*(−1.92)
P_soe 0.1029***(3.02) 0.0423(0.53)0.0748(0.96)
P_gov −0.0977***(−4.05) 0.0901**(2.00) 0.0682(1.52)
P_lev −0.1792***(−3.63) 0.0916(0.78)0.0423(0.36)
Monetary 0.3770(1.43)−0.0835(−0.44)0.0042(0.02)
Fin −0.0231***(−3.36) 0.0359(0.54)0.0293(0.44)
D_size 0.0054***(3.37) 0.0055***(3.44)
D_age −0.0001(−0.03)0.0003(0.12)
D_soe −0.0362***(−2.71) −0.0356***(−2.67)
Maturity 0.0017(0.74)0.0012(0.55)
Relate 0.0531***(3.80) 0.0550***(3.90)
Collater 0.0001(0.01)0.0034(0.38)
_cons 0.1931(0.83)1.4598***(2.60) 1.5002***(2.67)
Firm/Year YesYesYes
N 1 1371 1331 133
Adj.R2 0.83160.71600.7173
Sobel检验 Z=2.094>0.97,中介效应显著
中介效应中介效应=0.0693
中介效应/总效应中介效应/总效应=11.02%
5
贷款企业与借款企业是否持有房地产资产的影响机制分析
(1)(2)(3)(4)
Amount Amount Amount Amount
HP1 0.0565***0.0281*0.0573***0.0366**
(3.97)(1.79)(3.92)(2.32)
FixAtR −0.0033−1.0292**
(−0.36)(−2.22)
HP1×FixAtR 0.1131**
(2.18)
D_realty 0.0079−0.3850**
(1.11)(−2.13)
HP1×D_realty 0.0438**
(2.17)
_cons 1.4424***1.8204***1.5091***1.6257***
(2.62)(3.04)(2.69)(2.97)
Controls YesYesYesYes
Firm/Year YesYesYesYes
N 1 1331 1331 1331 133
Adj.R2 0.71710.73030.71720.7185

内生性与稳健性检验

(一)内生性检验

1. 基于2SLS估计的内生性检验。企业发放委托贷款的驱动因素除了房价还有很多其他因素,如果不剥离这些因素对企业金融投资行为的影响,很难区分房价的作用。也就是说,如果存在一些不可观测的宏观因素既会影响企业发放委托贷款又会影响商品房房价,本文的基准回归可能存在内生性问题。为了克服由解释变量内生性导致的估计偏差问题,本文选用两阶段最小二乘法(2SLS)进行重新估计。本文用贷款企业所在地区住宅房房价的二阶滞后差分(L2DRHP)作为贷款企业所在地区商品房房价(HP1)的工具变量。2SLS估计的结果显示(限于篇幅,未汇报,备索),贷款企业所在地区商品房房价(HP1)对委托贷款额占营业收入比例依然存在显著的正向影响,对委托贷款利率依然存在显著的负向影响。

2. 基于Heckman估计的内生性检验。由于企业会根据风险、收益、信息,甚至关系等因素来决定是否参与委托贷款活动,因此,企业是否发放委托贷款可能并不是随机、外生的,样本数据存在“样本自选择”问题,这可能会导致只使用发放过委托贷款的样本进行LSDV估计的结果有偏。为解决由此引致的内生性问题,本文使用Heckman两阶段模型对基准回归进行重新估计。在选择方程中,本文将DebtRatio(同年同行业中发放委托贷款的企业占当年总企业数的比例)作为工具变量。Heckman模型的回归结果显示,在对委托贷款发放数量和利率的回归中,“逆米尔斯比率”的估计系数均不显著,本文基准回归中的样本自选择偏误问题并不严重;主要解释变量商品房房价的系数的符号和显著性与LSDV模型时一致,本文的研究结论仍然成立。

(二)稳健性检验

1. 变换测度变量的稳健性检验。为了检验基准回归中的被解释变量和解释变量的测度准确性,本文将它们换为其他测度变量后重新进行了回归估计(限于篇幅,未汇报,备索)。(1)对于被解释变量委托贷款相对数量(Amount),在基准回归中是用委托贷款额与营业总收入的比值(Loan/Revenue)衡量的。本文也将被解释变量委托贷款相对数量改用委托贷款额与总资产的比值(Loan/Asset)和委托贷款额与主营业务收入的比值(Loan/Sale)衡量。改用新的测度变量后,核心解释变量房价(HP1)的系数依然显著为正。(2)对于解释变量房价(HP),在基准回归中是用贷款企业所在市商品房房价的对数(HP1)表示的。本文也将解释变量房价改用贷款企业所在市的商品房房价增长率(CHP)和贷款企业所在市的住宅房房价的对数(RHP)衡量。改用新的测度变量后,两个房价代理变量的回归系数也是显著为正的。

2. 分样本回归的稳健性检验。根据解释变量和被解释变量的某些特征分组后进行分样本回归估计。(1)考虑到房价对委托贷款的影响程度在不同经济发展水平的地区间很可能存在差异,本文将整个样本按经济发达程度分为三个子样本(分别对应发达地区、中等发达地区和欠发达地区),分样本检验房价与委托贷款数量的关系。三个子样本的回归结果显示,解释变量商品房房价(HP1)的系数均为正。除了发达地区子样本中的房价系数不显著以外,另外两个地区子样本的房价系数均是显著为正的。这表明房价上升对中等发达地区和欠发达地区的企业发放委托贷款的促进作用更强。(2)考虑到有些关联型委托贷款不像大多数非关联型委托贷款那样主要是为了获得高息,利率可能较低,使得在委托贷款高利率区间和低利率区间,房价对委托贷款利率的影响程度可能不同。本文将样本按委托贷款利率高低,以三分位数33.33%和66.67%为临界值分为三个子样本(分别对应低利率区间、中等利率区间、高利率区间),分样本检验房价与委托贷款利率的关系。三个子样本的回归结果显示,贷款企业所在地区房价对委托贷款利率的影响均为负。中等利率样本中的房价系数不显著,但低利率样本和高利率样本中,房价系数分别在5%和1%的显著性水平上显著。而且,高利率区间对房价的反应程度更强。

总结和建议

(一)研究结论

高房价增加了非金融企业从事类金融业务的倾向,影响了实体经济的高质量发展。本文基于2007—2015年间中国沪深A股市场中上市公司公告的委托贷款数据,实证检验了借贷企业双方所在地的房价对企业委托贷款发放概率、委托贷款额占营业收入比例和委托贷款利率的影响。结果表明,处于房价较高地区的企业存在更大的激励去发放更多的委托贷款。这种激励的强度在贷款公司拥有房地产资产较多以及借款公司为房地产业和建筑业公司时更大。中介机制分析表明,房价升高使得企业主营业务的收益率相对金融投资的收益率更低是高房价正向影响企业发放委托贷款相对数量的重要原因。此外,贷款企业所在地区的房价对委托贷款利率具有负向作用,而借款企业所在地区的房价对委托贷款利率具有正向作用。

(二)研究启示

实体经济是现代化经济体系的核心,经济高质量发展的内在要求是金融服务实体经济,而不应该是实体经济的利润再投资到虚拟经济中从金融领域获利,本末倒置。本研究的政策启示是:第一,鉴于房价升高增加了企业的经营成本,降低了企业的资产收益率,促使企业发放了更多的委托贷款的结论,一方面,经济主管部门应该继续深化金融体制改革,推行积极的财政政策帮助技术和产能落后的传统企业尽快完成从粗放型经营到集约型经营的转型升级,增加其主营业务的收益率。另一方面,经济主管部门应该对企业发放委托贷款的条件加以限制,合理引导和监控企业发放委托贷款的规模。第二,鉴于房价上涨期间,投资性房地产资产较多的企业发放了更多的委托贷款,而且委托贷款更多地流向了房地产企业的结论,经济主管部门应该控制房地产投机需求,控制委托贷款流向和房地产市场资金规模,防止房地产价格的进一步上涨,让房地产市场健康发展。第三,鉴于房价对委托贷款发放的影响程度在欠发达地区城市和高利率区间更强的结论,一方面,经济主管部门应该注重区域协调发展,提升全国范围内的金融资源配置效率。另一方面,经济主管部门要合理限定委托贷款利率,避免企业将委托贷款变成一种高利贷。总而言之,政府应该致力于通过实体经济的加速发展和虚拟经济的宏观调控来慢慢吸收掉房地产经济中的泡沫。

(三)不足与未来展望

本文对房价和委托贷款的概率、委托贷款额占营业收入的比例及委托贷款利率之间的关系给出了详细的理论分析和具体的实证检验,并进行了内生性分析,做了大量的稳健性检验来保证结果的准确性。此外,本文还分析了几种作用机制来洞察这种影响关系的传导路径。但本文仍存在以下两点不足之处,需要进一步深入研究:第一,本文并不能列举分析出房价影响委托贷款的所有传导机制。更重要的是,造成房价上升和企业从事类金融业务的一个共同因素是,在货币宽松时期,市场上的资金相对充裕,资金流向房地产市场抬高了房价,资金流向资本市场促进了委托贷款业务的繁荣。虽然本文通过控制货币政策感受指数和年度固定效应在一定程度上控制了这种共同因素,但是这种共同因素导致两者之间表现出同升同降的可能性仍然存在。第二,很多公司在全国各地都有分公司,业务也遍及全国甚至世界各地。而本文研究的主要逻辑是公司总部所在城市商品房房价影响企业主营业务成本,进而影响企业类金融业务。两者之间的实际影响程度可能会存在一定程度的偏差。但是,囿于数据和一些客观因素限制,本文无法分离细化这种影响。


参考文献

1 产出结构对货币需求的影响: 基于中国省级面板数据的研究. 世界经济,2018,41(9):75-95.
2 “租税替代”、财政收入与政府的房地产政策. 经济研究,2012,47(8):93-106.
3 房地产投资与金融效率——金融资源“脱实向虚”的地区差异. 金融研究,2018,(8):51-68.
4 房价上涨对工业企业创新的抑制影响研究. 经济学(季刊),2014,13(2):465-490.
5 过度融资、挤出效应与资本脱实向虚——中国实体上市公司2007—2015年的证据. 经济管理,2018,40(7):39-55.
6 中介效应检验程序及其应用. 心理学报,2004,36(5):614-620.
7 住房价格、房屋购买与中国家庭杠杆率. 金融研究,2019,(6):1-19.
9 Entrusted loans: A close look at China’s shadow banking system. Journal of Financial Economics,2019,133(1):18-41. DOI:10.1016/j.jfineco.2019.01.006.
10 The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology,1986,51(6):1173-1182. DOI:10.1037/0022-3514.51.6.1173.
11 Credit expansion and credit misallocation. Journal of Monetary Economics,2018,94:27-40. DOI:10.1016/j.jmoneco.2017.09.012.
12 The collateral channel: How real estate shocks affect corporate investment. American Economic Review,2012,102(6):2381-2409. DOI:10.1257/aer.102.6.2381.
13 The great housing boom of China. American Economic Journal: Macroeconomics,2017,9(2):73-114. DOI:10.1257/mac.20140234.
14 Real estate prices and firm borrowings: Micro evidence from China. China Economic Review,2015,36:296-308. DOI:10.1016/j.chieco.2015.10.002.
15 Shadow banking in China. Annual Review of Financial Economics,2018,10:287-308. DOI:10.1146/annurev-financial-110217-023025.
16 Bias in conditional and unconditional fixed effects logit estimation. Political Analysis,2001,9(4):379-384. DOI:10.1093/oxfordjournals.pan.a004876.
17 Does the establishment of development zones really improve industrial land use efficiency? Implications for China’s high-quality development policy. Land Use Policy,2020,90:104265. DOI:10.1016/j.landusepol.2019.104265.
18 The determinants of high-interest entrusted loans in China. Journal of Business Finance & Accounting,2021,48(1-2):405-430.