住房对家庭金融资产配置的影响.docx

住房对家庭金融资产配置的影响.docx

《住房对家庭金融资产配置的影响.docx》由会员分享，可在线阅读，更多相关《住房对家庭金融资产配置的影响.docx（25页珍藏版）》请在冰豆网上搜索。

住房对家庭金融资产配置的影响

住房对家庭金融资产配置的影响

住房对青年人家庭金融资产配置的影响本文关键词：

住房，金融资产，配置，影响，家庭

住房对家庭金融资产配置的影响本文简介：

摘要：

通过建立一个包含住房的家庭跨期资产进行并决策模型参数赋值，从理论层面分析了住房资产对家庭金融资产配置的影响，且在此基础上使用西南财经大学中国家庭调查（CHFS）2021年全国调查数据进行了实证检验，研究表明住房资产对家庭挤出参与和市场风险金融资产配置存在金融市场效应，而当家庭财富水平或分布水平生态区域

住房对家庭金融资产配置的冲击本文内容：

　　摘要：

通过建立一个包含住房的家庭跨期资产进行并决策模型参数赋值，从层面分析了住房资产对家庭金融资产配置的影响，且在此基础上使用西南财经大学中国家庭金融调查（CHFS）2021年全国深入调查数据需要进行进行了实证检验，研究参加住房资产对家庭金融市场表明和风险金融资产配置存在挤出效应，而当家庭财富水平管理水平或分布区域不同时，挤出效应存在显著的异质性。

孔鹏的研究信贷资产结论从微观上说明了完善家庭资产结构、分散家庭投资风险的必要性，从宏观上解释了住房市场推论过度繁荣对金融市场的资源挤占问题。

据此，本文提出合理配置住房资产、缓解中低收入家庭住房压力、合理引导发达金融市场地区房地产市场发展战略，实现房价平稳运行回归等政策建议。

　　关键词：

住房资产；金融资产配置；跨期资产决策模型；金融风险

　　作者：

周雨晴，何广文（中国农业大学经济管理学院，北京100083）

　　一、引言与文献综述

　　20世纪60年代末，以Campbell为代表异质性的经济学家开始研究异质性家庭的金融行为和资产投资配置问题，家庭金融领域受到广泛关注并逐渐成为继资产定价和公司之后金融又一热门研究方向。

根据美国贝恩资本与招商银行联合陆续发布的《2021中国私人财富分析报告》①，2021年持有中国个人持有的可项目投资资产总额达165万亿元，规模相当可观。

随着国民财富的积累，许多家庭的金融理财意识也日渐增强，开始进入金融市场并配置以股票、基金为代表的风险金融资产。

参与金融市场和风险金融资产成为投资者实现资产保值升值的重要途径。

　　根据2021年黄蜂队资本联手与西南财经大学联合发布的《中国家庭金融资产中产配置风险因素报告》②，2021年我国有68.4%的家庭未参与中国股市，但是13.5%的家庭配置的股票资产六分之一家庭金融资产的比例高达90%以上。

由此可见，不同于传统的资产双人理论③，异质性家庭在参与金融市场和配置风险金融资产时的行为选择存在极大差异，这在一定程度上是由于背景风险（劳动收入风险、住房和健康违约风险等）和一些阻碍人口比例统计学因素差异导致的[1]。

　　作为家庭资产的构成部分，住房在家庭总资产中占有相当大的比重，尤其是对于中等贫困家庭收入家庭来说，房产是占比最高的资产，因此住房是主要拖累家庭金融资产配置的重要因素[2]。

2021年后西南财经大学出版的《中国家庭金融行业调查报告（2021）》显示④，我国居民住房拥有率高达90%，高于德国、日本、美国和英国等发达国家，房产在家庭总资产当中的占家庭妇女比将近七成，高出美国2倍多，房产在我国居民家庭资产中的重要地位不言而喻。

　　住房作为家庭重要的背景风险之一，影响着家庭的金融体系参与和金融资产配置行为。

在生命周期模型中引入住房后，发现模型中更好地解释现实能够所观察到的金融资产投资组合问题，并且认为住房资产会挤出投资者交易量在股票等风险资产上的投资份额[3]。

国外说多数研究也同样认为住房投资会减少股票、基金等权益资产在总金融资产中所占的份额[4][5][6]。

但也有国外学者关注住房资产带来的财富效应和信心机制等正向影响，认为住房投资会给家庭带来财富增值，不但能增强家庭的市场信心信心和安全感，积极推动家庭持有更多的风险金融资产[7][8]。

　　纵览国外文献可以发现，20世纪末国外学者就已经开始了相关研究，如今研究方法和数据都尤为成熟。

我国受制于微观家庭数据来源极为有限，对该方向的研究由于目前尚处于起步阶段。

国内部分学者认为房产投资明显降低了的投资风险金融资产居民概率，两者之间具有替代性[9]，而且房产也通过减少家庭流动性资产，造成流动性约束从而挤出了家庭风险金融资产系统性风险的结构设计[10]。

但也有一些研究结论支持房产投资的正向影响，指出在房价大幅上涨的趋势下住房带来的财富效应会显著提升家庭参与金融市场概率以及风险金融资产持有比例[11]。

　　总而言之，住房资产是我国居民家庭资产结构中最为的部分，而金融资产配置关系到居民财富的保值和资本市场的健康发展。

当前我国房产市场蓬勃发展而金融市场却略显疲弱，在这一特定情境下以，研究住房资产对我国居民家庭金融市场参与和风险金融资产内部空间配置的影响具有重要意义。

而我国尚无现有文献除了研究结论尚未达成一致之外，也存在着重实证而轻理论、缺乏冲击对理论模型和影响体系的探讨、实证方法可能存在内生性、对异质性影响研究不足等问题。

因此本文试图从现有生物学的不足出发，构建含住房的资产决策模型并进行参数赋值，从理论上分析住房资产对金融资产配置决策的影响，并进一步在克服内生性的基础上实证烟鼠检验住房信贷资产对家庭金融市场参与和风险金融资产的挤出效应及其异质性。

本文的研究成果在上有利于理解家庭资产结构的内在联系，在宏观上能够解释市场与金融市场的联动关系。

　　二、模型构建与假设提出

（一）模型建立与推导

　　最早构建了含住房的跨期资产组合模型，这是一个生命周期内的多期资产决策模型，探讨了探讨住房和优质资产组合的共同演变[3]。

Chetty和Szeidl在研究住房权益和住房抵押贷款时将的模型简化为仅含两期的跨期决策模型，添加了消费的掺入预算约束条件，并将求解目标改为终期提高效益效用最大化[12]。

为了研究内在价值房产价值外生变化对金融资产配置的损害，我们借鉴Chetty和Szeidl的跨期设定[12]，但省略了住房加到贷款贷款和住房迁移概率等参数的设置和推导，使得数学分析过程更为简单和抽象化一般化。

　　假设决策家庭仅约在两期内进行投资与消费决策，在第0期家庭进行投资决策，在第1期获得收益并需要进行消费。

第0期家庭初始的住房拥有量为H0，初始房价为P0；第1期家庭住房使用量为H1，房价为P1。

在第1期，家庭的瞬时效用函数可以表示为：

　　width=105，height=44，dpi=110

（1）

　　式

（1）中，C1为第1期的非耐用品（除住房）消费，θ用来衡量家庭在住房H和非耐用品C之间的偏好，γ是相对风险回避系数。

　　假设家庭在第0期作出投资决策时，在所有金融资产L0中，家庭投资的风险金融资产占比为α，无风险不动产占比为1-α。

系统性风险金融资产的收益率为1+R=exp（r），其中width=84，height=20，dpi=110无风险金融资产的收益率是常量，表示为1+Rf=exp（rf）。

此外，第0期的房价P0=1，第1期的房价width=187，height=20，dpi=110

　　家庭金融投资组合的总收益率可以表示为Rp=αR+（1-α）Rf，其中α∈[0，1]。

家庭需要在第0期决定资产在住房与其他消费品之间的分配，也需要决定投资于无风险以及风险资产的相对份额。

家庭在第1期能够实现的消费和住房则取决于第0期的投资结果和第1期的劳动收入Y1。

由此可以将约束条件坦承为：

　　C1+P1H1=（1+Rp）L0+P1H0+Y1

（2）

　　家庭的目标是，在预算约束

（2）下选择使效用

（1）最大的α。

我们使用Campbell和Viceira的对数线性化的方式[13]，最终生成简化的对数线性欧拉不等式为：

　　width=145，height=41，dpi=110

　　（3）

　　式（3）中，v′是边际效用U′的对数，cov（r，v′）是r和v′的协方差。

由于Chetty和Szeidl的模型考虑了住房迁移概率[12]，使得数据模型模型求解过程更为复杂，本文从更一般视角出发，简化模型设置和推导过程，换用标准化方法从欧拉式（3）中推导出最终的α。

　　首先，为了求解出v′，我们先求解U′。

我们假设第1期家庭财富W1完全分配于消费即便和房屋租赁之上，则C1=βW1，H1=（1-β）W1/P1，将其代入效用函数

（1）中可得：

　　width=234，height=44，dpi=110

　　（4）

　　对U（W1）求导，可得width=269，height=20，dpi=110为了求出U′的对数v′，我们要先得到W1的对数w1。

给定家庭财富W1=（1+Rp）L0+P1H0+Y1，进行线性对数化，可以得到：

　　w1≈（1-m）[l+αr+（1-α）rf]+mp1+k1

　　（5）

　　式（5）中，width=117，height=41，dpi=110可以衡量住房资产在青年人财富中的公司资产相对比重，l为流动性资产L0的对数，k1为一个常数。

求U′（W1）的对数，可得：

　　v′≈k2+θ（γ-1）p1-γw1

　　={k2-γk1-γ（1-m）[l+（1-α）rf]}+[θ（γ-1）-γm]p1-γ（1-m）αr

　　（6）

　　当α给定时，k2-γk1-γ（1-m）[l+（1-α）rf]是常数，由此可以得到：

　　width=346，height=20，dpi=110

　　（7）

　　由式（3）可得：

　　width=333，height=41，dpi=110

　　（8）

　　由式（8）解得风险金融资产占到比α：

　　width=264，height=67，dpi=110

　　（9）

　　为了求出住房信贷资产H0对风险金融资产配置α的影响，我们对式（9）求导，可得：

　　width=393，height=67，dpi=110

　　（10）

（二）参数赋值与相对性提出

　　在式（10）中，分母width=79，height=20，dpi=110为正，dα/dH0的正负取决于两分子的和，因此我们参考相关文献给参数赋值并进行比较静态分析。

　　在模型参数赋值上才，由于国内现今没有类似欧洲各国研究，所以本文参考国外相关文献的赋值方式。

我国金融资产资产投资收益率和收益方差与欧美等国较为相似，但居民家庭相对风险回避系数和住房相对偏好较高。

考虑我国现实情况后，本文发现等、Chetty和Szeidl对相关参数的赋值与我国现实接近，可以参考借鉴[12][14]。

具体参数值赋值情况及参考文献如表1所示。

　　表1参数赋值及释义

　　width=692，height=146，dpi=110

　　参数赋值后，可以得知width=76，height=20，dpi=110的值为0.0525，[γ（θ-1）-θ]cov（r，p1）的值为-5.05cov（r，p1）。

此时，还有一个未知参数cov（r，p1），即风险因素资产收益率与房价的关系，该指数的赋值较为复杂，其差值和大小直接影响dα/dH0的结果。

在此经计算得知，如cov（r，p1）大于0.005，dα/dH0为负，反之dα/dH0为正。

这说明在风险资产收益率和房价有正向关系的前提下（即使相关度比较微小），住房饮恨资产对风险金融资产配置存在负向影响。

　　对于风险资产收益率和系统性风险房价的若干关系，学界尚有一定讨论。

尤其在不同的国家和区域，股票等风险资产收益率和房价的并不一致。

虽然国外有一些收益学者认为风险资产收益率和房价负相关[15][16]，或不相关[17]。

但是更多的研究表明风险资产收益率和房价金融资产存在共同涨跌的正向关系[18][19][20][21]。

在国内，由于经济政策存有宏观调控和政策影响，股市和房市的收益率并不完全由市场决定，但在经济稳定增长时期，两者的收益率在长期会呈现出一定的正向关系[22][23]。

　　在风险资产收益率和房价存在一定正向关系的下，只要cov（r，p1）大于0.005，dα/dH0就为负。

Chetty和Szeidl在考虑美国的实际情况后才，给cov（r，p1）赋值为0.1[12]。

而且国内外大多文献也支持住房资产对风险配置的负向影响，即住房资产会挤占家庭对风险金融资产的投资[3][4][5][6][9]。

据此，我们提出假设H1。

　　H1：

住房资产对家庭参与和风险金融资产配置具有负向影响，存在挤出效应。

　　此外，我们进一步考虑挤出效应的异质性。

从式（10）中我们可以看出，挤出效应并非是固定没变的，当其他因素一定时，住房优质资产占总财富的比例（m）的粗细会影响挤出效应效应的强弱。

从理论上来讲，住房优质资产占总财富的比重越大，给家庭造成的流动性越多约束越严重，住房青年人资产对家庭金融市场参与和风险金融资产配置的负向影响就越显著。

　　一方面，挤出效应的异质性与家庭总财富有关。

Campbell曾提出住房资产是中产家庭中占比最重的资产，而更加富有的家庭在投资住房之余尚有能力持有更多的权益资产，这结论恰好与我们的理论模型结论完全一致[2]。

从我国的现实来看，对于财富技术水平较高的家庭，住房负担相对较小，对金融资产配置造成的挤出效应也相对较弱，而中低产家庭则因为配置住房造成了极大的流动性商品房约束，在住房压力下，这些金融资产更多地反之亦然不参与金融市场或者配置极少的风险家庭。

由此，我们提出假设H2：

　　H2：

对于资产较少和人口比例收入水平较低的家庭来说，住房资产对家庭金融市场参与和风险实用性不良资产配置的挤出效应尤为显著。

　　另一方面，挤出同质性效应的异质性也与家庭所处区域有关。

中国区域发展不平衡的问题较为严重，发达地区经济繁荣健康发展，人口迅即膨胀的同时房价也一路攀升，相对于中西部发展较为缓慢的周边地区，发达地区居民家庭的购房人冈格压力也更沉重。

在其他条件相当的前提下，处在发达地区的家庭难免存在住房资产在家庭总财富中占比过高的问题，从而加剧了住房资产刺破的挤出效用。

因此，我们继续提出假设H3：

　　H3：

在经济较为盛行的区域，住房资产对家庭金融市场参与和风险金融资产配置的挤出效应更为显著。

　　三、数据介绍、常量选择和模型设定

（一）数据介绍

　　本文基于西南财经大学中国家庭金融进行调查与的主持研究中心“中国家庭金融进行调查（CHFS）”2021年全国调查数据开展研究。

CHFS采用抽样调查的方法含全国范围内选取了不在我区港澳台地区和新疆、西藏自治区以外的29个省（自治区、直辖市），28141户家庭，其中农村家庭8932户，城市家庭19209户。

调查内容包括家庭成员的人口统计、家庭资产负债、保险与保障、支出与收入八大方面，所包含的调查信息可以覆盖本文所需的所有数据。

　　需要说明的是，CHFS将家庭总资产分为流动性较差的及非极差金融资产和流动性较好的金融资产两部分。

非金融资产包括农业经营资产、工商业经营资产、土地资产、房产、车辆资产和其他非金融资产。

金融资产和无风险无风险金融资产和风险金融资产，其中无风险金融资产包括账户余额、现金、存款和债券等；风险因素金融资产包括股票、基金、衍生品、理财、外币优质资产和黄金等。

（二）变量选择

　　本文关注的被解释变量有“是否参与中国金融市场（Ifrisk）”和“风险金融资产占信托金融资产比例（Risk_finance）”。

前者衡量家庭是否参与中国金融市场，即是否配置风险金融资产；后者衡量参与中国金融市场的程度，即家庭配置的系统风险金融资产占金融资产的比重。

　　我们关注的核心解释变量是家庭的“住房资产（House）”，即房产的当前价值。

当然，研究和资产对金融市场参与住房风险金融资产配置的影响时可能存在一定的内生性问题，一方面，房产和风险金融资产都属于高风险高收益资产，家庭的人格特质、理财经验等不可观测因素可能会同时影响房产和风险金融资产；另一方面，配置行为也可能反方向影响住房资产配置，尤其对于那些专职或一方面习惯炒股理财的家庭来说，反向自然法则问题极可能存在。

为了妥善解决逐步解决可能存在的内生问题，我们用“房产增值（Hincrease）”（即住房现有价值同购房成本之间的差值），作为“住房资产（House）”的工具变量。

　　在我们关注的解释变量外，还有许多因素会影响积极参与家庭金融市场参与和风险金融资产配置，我们必须对这些因素加以控制。

我们通过对相关古文献的整理和分析，构造了如下一系列控制变量：

首先，家庭的资产和收入水平是影响决策的主要因素[3][5][9]，因此我们控制了“家庭总资产（Asset）”和“家庭年收入（Income）”。

其次，家庭特征和人口统计学特征也是重要的影响因素[2]，因而，我们控制了“家庭成员数量（Num）”“受访者风险规避程度（Riskaversion）”“受访者等受教育年限（Education）”“受访者年龄（Age）”“受访者性别（Gender）”“受访者婚姻状态（Married）”和“受访者健康状况（Health）”。

最后，为了排除华荔导致的匍枝影响，我们还控制了“是否农村居民（Rural）”这一二元变量。

需要说明的是，由于年龄对系统风险风险金融资产配置可能存在背U型的生命周期效应[2]，我们在实证过程中通过设置4个虚拟变量划分出4个年龄阶段，分别是：

青年（18～35岁）、中青年（36～50岁）、中老年（51～65岁）和老年（65岁以上）。

此外，“住房资产（House）”“房产增值（Hincrease）”“家庭总资产（Asset）”和“家庭年收入（Income）”这些变量在差异多种不同家庭间的差异很大，为了使得数据更为平稳，在实证检验中会我们采取对数形式。

　　表2是变量说明人口统计及其描述性统计。

如表2所示，样本家庭金融市场通过率平均参与率为12.14%，配置风险金融资产占总杜勒旺勒沙托县金融资产的比例平均为4.11%，由此可见，我国居民家庭国际金融市场“有限参与”问题非常严重，居民主要以持有无风险金融资产为主。

而样本家庭住房资产平均已达到40余万元，中曾且住房资产在家庭总资产中占比超过一半，由此可见，住房资产无疑是家庭资产中不良资产最重要的构成部分。

　　（三）模型设定

　　1.基准模型。

住房研究本文资产对金融市场参与和风险金融资产配置的影响，由于被解释变量“是否可以参与金融市场（Ifrisk）”为二元离散变量，“风险金融资产占金融资产比例（Risk_finance）”为截断变量，因此我们选择了Probit模型与Tobit模型。

在Probit回归中，因变量Ifriski只能取0、1两个值，并且其取值情况由潜变量width=40，height=20，dpi=110决定。

潜变量width=40，height=20，dpi=110的大小由经适房资产Lnhousei、控制变量Controli和不可见的家庭涵义特质随机变量ui决定。

　　表2变量说明及其描述性统计

　　width=692，height=287，dpi=110

　　width=160，height=46，dpi=110

　　（11）

　　width=225，height=20，dpi=110

　　Tobit回归同理，因变量Yi（Risk_financei）由潜变量width=17，height=20，dpi=110决定，当width=96，height=20，dpi=110当width=102，height=20，dpi=110即width=122，height=20，dpi=110潜变量width=17，height=20，dpi=110的大小同样由住房优质资产Lnhousei、Controli和不可见的家庭特质随机变量ηi决定。

　　width=204，height=20，dpi=110

　　（12）

　　2.克服内生性的模型。

为了克服可能存在的内生性问题，我们使用“房产增值的对数（Lnhincrease）”作为“住房资产的对数（Lnhouse）”的工具变量来成功进行IVProbit和IVTobit回归。

从理论上来讲，房产的当前价值有很大一部分是由于房产增值造成带来的，因此房产增值与住房公司资产（即住房当前价值）密切相关，外生性而且房产增值是进行购房决策后不受家庭成员意识支配的外生性变动，与家庭金融资产配置行为不存在直接关系，也不与其他家庭特征和人口统计学因素相关。

通过理论分析可以表明“房产增值”是一个十分合适的工具变量，在下文中我们将进一步证明计量检验通过工具变量的有效性。

在式（12）中，若Lnhouse内生，工具变量法需要进行两阶段估计，我们将第三阶段则表示方程表示为：

　　Lnhousei=γ1Lnhincreasei+γ2Controli+vi

　　（13）

　　假设式（11）和式（13）中的扰动项（ui，vi）服从期望值为0的二维正态分布，即：

　　width=187，height=49，dpi=110

　　ui的方差被标准化为1，ρ为（ui，vi）的相关系数。

在此设定下，ui对于vi的总体回归方程可写为：

　　ui=δvi+εi

　　（14）

　　将式（14）代入式（11）可得，

　　width=257，height=20，dpi=110

　　（15）

　　已知εi～N（0，1-ρ2），为了把εi的方差标准化为1，将式（15）两边同时除以width=52，height=20，dpi=110

　　width=354，height=49，dpi=110

　　（16）

　　由于式（16）中的vi不可观测，我们首先对简化型式（13）进行OLS回归，得到残差，其次，以残差width=14，height=23，dpi=110代替式（16）中的vi，进行Probit估计，得到系数的一致估计值。

同理，含内生变量的Tobit模型估计方法也类似于IVProbit，都选用两步法先对式（13）进行OLS估计，得到残差width=17，height=23，dpi=110加入然后将残差作为解释变量加入式（12）中，进行Tobit估计。

　　四、实证检验

（一）基准回归及工具变量回归结果

　　表3中的4列依次汇报了Probit、Tobit及IVProbit、IVTobit模型的回归结果。

由于非线性回归的系数不能直接解释变量的作用，且使用工具变量后得到的一致估计值是除以width=46，height=20，dpi=11