人口老齡化、房價波動與銀行穩定性關系研究

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注?；?005—2018年31個省份面板數據，分析人口老齡化與銀行穩定性之間的關系以及房價的中介作用機制。研究發現：人口結構變化對銀行穩定性具有顯著影響，人口老齡化不利于銀行穩定。房價是人口老齡化與銀行穩定性關系的重要中介變量，異質性分析發現，僅在中部地區具有完全中介效應，東部和西部地區具有部分中介效應。引入人口流動與人口老齡化的交互項，發現人口流動有利于緩解人口老齡化對銀行穩定性的負面影響。為此，應采取因地制宜的政策，提高人口出生率、完善房地產市場長效機制、取消戶籍限制等，以緩解人口老齡化對銀行體系穩定性的影響。

關鍵詞：人口老齡化;房價;人口結構;銀行穩定性

中圖分類號：C92424;F8321 文獻標識碼：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。據全國老齡工作委員會發布的《中國人口老齡化發展趨勢預測研究報告》，我國已經于1999年進入老齡化社會，2000年65歲及以上人口占比已經達到7%，2010年已上升至89%，10年間增長了19個百分點;而第七次全國人口普查數據顯示，到2020年這一比例已經達到135%，相比2010年，第二個十年增長了46個百分點，人口老齡化速度不斷加快[1]。Wind數據顯示，在人口老齡化程度加深的同時，銀行體系不良貸款規模也在持續增長，2010年底不良貸款余額為4 336億元，2020年底這一數字就上升為27 01477億元，增長了523倍，同期貸款不良率從09%上漲為184%。那么，同時期出現的這兩個現象即人口老齡化與金融穩定性下降之間存在內在聯系嗎？

日本是目前世界上老齡化程度最嚴重的國家之一，據國際貨幣基金組織對日本老齡化與金融穩定關系的研究，人口老齡化帶來的國內經濟低增長給金融體系帶來混亂，金融機構凈息差縮小，銀行和養老保險機構的盈利下降，給金融穩定帶來潛在沖擊[2]。國內學者也發現，人口老齡化對系統性風險具有顯著的正相關關系，在跨過人口老齡化 “拐點”之后，杠桿率降低以及金融資產價格下跌導致金融危機發生的概率顯著提高[3-4]。顯然，盈利下降和金融資產價格下跌是人口老齡化引起金融風險的重要原因，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之一，中國人民銀行《2019年中國城鎮居民家庭資產負債情況調查》顯示，城鎮家庭資產中住房資產占比超過了70%[5]。2003年以來國內房價連續多年持續上漲，2017年以后漲幅開始減緩。Wind數據顯示，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定性之間扮演了什么角色呢？房價是人口老齡化與金融穩定之間的傳導渠道嗎？對這個問題的回答具有很強的現實意義。習近平總書記在黨的十九大報告中指出，“積極應對人口老齡化”[6]34，“守住不發生系統性金融風險的底線”[6]48。在人口老齡化持續加深的背景下，為有效防范系統性金融風險，有必要深入揭示人口老齡化下系統性金融風險的發生機理，了解人口結構變化在金融穩定中的作用，從而為加強人口老齡化下系統性金融風險監管與防范提供思路。數據來源：Wind數據庫。

從文獻角度看，房價與人口結構變化的關系受到國內外學者的廣泛關注。Mankiw和Weil分析了房價在嬰兒潮帶來的人口結構變動下所受到的沖擊，發現基于生命周期的投資行為可以通過改變住房供需結構來影響價格，“嬰兒潮”那代人老齡化后帶來了房價下降[7]。Poterba把這種現象稱為資產融化[8]。Guest等利用澳大利亞的數據，在代際交疊模型框架內模擬了人口老齡化對房價的負向沖擊[9]。Bakshi發現，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把宏觀與微觀數據相結合進行實證與模擬，發現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年時間序列數據建立SVAR模型證實人口老齡化對房價下跌沒有影響，宏觀經濟沖擊以及房價自身的特定沖擊能夠解釋大部分房價[12]。

國內學者研究表明，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市場價格的變動有顯著的正向影響 [14]，人口結構的變化造成了房價普遍持續高漲[15]。有研究發現，人口老齡化與房價變化之間存在非線性關系，由于老年人存在“利他動機”，在人口老齡化初期，老年人口撫養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[16]。也有學者持相反觀點，認為老年人口撫養比上升導致房價上漲[17]。

2008年次貸危機之后，房價與金融穩定的關系成為學界關注的焦點，大部分學者認為房價波動對金融穩定構成負面影響。Deng等利用復雜網絡方法分析了房價沖擊向銀行體系風險傳染機制，發現銀行穩定性對房地產價格沖擊高度敏感[18]。國內學者研究發現，房價上漲并沒有因為抵押物價值上升而增加銀行穩定性，反而會導致銀行風險溢價及杠桿率顯著上升，刺激信貸擴張從而加大銀行不穩定性[19-21]。彭俊華等則發現房價異常波動會通過資產配置房地產化演變為系統性金融風險[22]。沈悅等研究了房價上漲的不對稱影響，發現在金融杠桿作用下房價上漲不利于金融穩定，而房價下跌的影響更大[23]。

綜上所述，目前文獻較多探討了人口老齡化與房價以及房價與金融風險的關系，但是鮮有文獻把人口結構、房價與銀行穩定性三者聯系起來在一個框架內分析，人口老齡化與銀行穩定的關聯機制尚不清楚。另外，由于研究方法和數據樣本差異，人口結構變化對房價的影響方向并不一致，學界并沒有取得共識?；诖?，在借鑒現有研究成果基礎上，有必要著重研究人口老齡化與銀行體系穩定的關聯機制，探討房價在人口老齡化與銀行穩定之間的中介作用。

二、人口老齡化與銀行穩定的房價傳導機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，人口結構變化對住房需求和家庭資產配置具有三個效應。一是風險偏好效應。在生命周期的不同階段，家庭的風險態度會發生變化，從而改變家庭投資行為和投資組合的構成。受到預期收入和人力資本的影響，年輕家庭風險承擔能力更強，往往更加偏好風險，為了獲取高收益更傾向于高風險投資比如股票和房地產，從而促進了房價上漲;而老年家庭更偏好低風險投資例如儲蓄，以盡量規避高風險投資。葉永剛等證實當老年撫養負擔較低時，居民們會更多投資于房地產市場，從而促進房價上漲[24]。二是遺產偏好效應。在中國傳統文化中，老年家庭對于子女具有較強的“利他動機”，愿意給子女留出遺產[14]。另外，以房地產形式持有財富也是傳統文化中財富觀的體現，所以在房價持續上漲的背景下房地產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，這意味著隨著老年家庭比例的增長房地產投資日益增多。三是直接住房需求效應。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，中國有傳統的婚前購房習慣，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購置房產，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，人口結構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，抑制勞動生產率提高，導致社會產出的減少， 儲蓄率降低，經濟潛在增長率下降，減少政府稅源[26-27]。同時，人口老齡化增加醫療和基本養老保險支出[28]，從而加重政府財政負擔。較大的財政負擔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[29]，地價的提高亦進一步倒逼房價上升[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期，更助長了房價棘輪效應。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。

房價波動對銀行穩定的影響體現在正反兩個方面。一方面，房價上漲意味著抵押品價值上漲，銀行的資產負債表狀況良好，銀行穩定性提高[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，家庭負債率提高，同時也提高了銀行的貸款規模和風險資產比重[32]，增大了銀行的風險承擔水平，導致銀行穩定性降低[33]。綜合來看，房價上漲過程中積累的風險在房價下跌的時候得到釋放，導致風險集中爆發[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險密切相關，所以可以認為人口老齡化會通過房價波動對銀行體系穩定性產生影響。

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

三、模型設計

（一）模型的設定

1.基本模型。為了考察人口結構變化與銀行穩定性之間的關系，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 表示銀行穩定性;populationit表示人口結構，cn為常數，αn表示人口結構對銀行穩定性的影響系數。control表示控制變量，εn表示誤差項。

2.中介效應模型。為了檢驗房價在人口老齡化與銀行穩定性之間的作用機制，文中建立了中介效應模型。根據檢驗規則，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代表房價對銀行穩定性的影響系數，其他變量與模型（1）定義相同。

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

（二）變量定義

被解釋變量：銀行穩定性（bankingriskit）?，F有國內外文獻的測定方法還不統一，常見的測定方法有Z-SCORE值法、主成分分析和因子分析法等。由于數據可得性，本文選取中國31?。ㄗ灾螀^、直轄市）商業銀行不良貸款率為銀行穩定性的代理變量（未包含中國香港、澳門和臺灣地區，下同）。通過省內各家商業銀行資產相對份額加權計算得到全省平均的不良貸款率。

解釋變量：（1）人口結構（populationit）。代理變量選擇老年人口撫養比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，該指標從經濟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/各省份人口總數。（2）房價（housepriceit）?？紤]到人口結構變化具有長期性，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，這樣能夠與人口結構變化實現匹配。所有缺失的數據均通過插值法進行補缺漏值。

控制變量：（1）城鎮化率（urbanizationit）。本文利用城鎮人口占比來反映省份的城鎮化水平。我國還處于城鎮化進程中，并未實現完全的城鎮化。在城鎮化進程中，大量人口從農村遷移到城鎮，遷入城鎮的農村人口與城鎮人口的經濟實力存在差距性，但他們卻更需要來自銀行資金的支持，因此在城鎮化過程中銀行會面臨諸多風險，可能會影響銀行穩定性。（2）政府干預（governmentit）。政府作為一只“看得見的手”，在宏觀經濟失調時進行干預，從而維持宏觀經濟環境的穩定，而宏觀經濟環境的穩定是銀行穩定的前提，政府的有效干預對促進銀行穩定具有重要意義。文中以財政支出占收入的比例表示政府干預強度。（3）失業率（unemploymentit）。失業數據的變動可以在一定程度上反映一個地區的經濟變動狀況，對于銀行來說，可以間接反映經濟狀況對銀行穩定的影響。（4）人口規模（sizeit）。當城市人口規模在合理的人口可容納范圍內時，人口規模的擴張不會引起生態環境的破壞，但當城市人口規模大于人口容量時，城市人口數量的增加會影響該地區的生態平衡，使該地區的生態環境系統處于超負荷狀態。而這種情況一旦出現，將會對地區生態環境體系造成不可恢復性的破壞，從而導致該城市人口容量的降低或將引起城市社會經濟系統功能紊亂，最終影響到該地區銀行穩定性。變量定義如表1所示。

四、實證結果討論

（一）數據來源與變量描述性統計

由于各省份商業銀行不良貸款率在數據庫中只統計到了2018年，因此本文選取2005—2018年中國31個省份的平衡面板數據。所有數據來源于Wind數據庫。在數據處理上，本文所有缺漏數據均通過插值法來補齊?？紤]到人口結構變化具有長期性，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，這樣能夠與人口結構因素相匹配。人口流動inflow以該省當年常住人口除以當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模size和貸款規模loan進行了對數處理。

從描述性統計結果來看（見表2），銀行穩定性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定性較差，大部分省份銀行穩定性較為接近;老年人口撫養比old最小值為6710，最大值為2269，均值為1305，說明各地區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在各省分布的標準差較小，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的數據也能說明這種差異性。從整體統計性描述的結果上看，不同省份的銀行穩定性、人口結構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在關聯關系需要通過回歸結果進一步驗證。

（二）人口老齡化對銀行穩定性的影響①

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

為了進一步考察人口老齡化與銀行穩定性之間是否存在反轉關系，在模型（1）中加入人口老齡化的平方項old×old。表3第2列報告了回歸結果，可以發現在樣本期內人口老齡化平方項old×old與銀行穩定性bankingrisk之間關系并不顯著。因此人口老齡化與銀行穩定性之間不存在U型或倒U型的反轉關系。

（三）中介效應機制

表4報告了房價的中介機制檢驗結果。從表4來看，老年人口撫養比old與房價houseprice1的系數為-0.005 9， 關系顯著為負，老年人口撫養比每增加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向關系，一個地區老齡化程度越大，該地區的房價就會越低，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，老年人口撫養比old與商業銀行不良貸款率bankingrisk之間依然存在顯著正向影響，系數為0.007 2。同時從模型的檢驗結果還可以看出房價houseprice1與商業銀行不良貸款率bankingrisk之間存在顯著負向作用，其系數為-0.189 4，房價上漲會促進商業銀行不良貸款率的下降，從而提升銀行穩定性。從中介機制模型的綜合檢驗結果來看，（-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比與商業銀行不良貸款率之間的中介機制檢驗結果是顯著的，同時房價發揮著部分中介效應的作用，即房價是人口老齡化對銀行穩定性影響的途徑之一。

那么，房價作為中介渠道在不同區域是否發揮了作用呢？按照國家統計局的口徑，將全國地理區域劃分為東部、中部、西部和東北地區。表5報告了分地區中介機制檢驗結果，由于東北地區人口老齡化對銀行的穩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中介機制效應。從研究結果來看，東部和西部地區老年人口撫養比（old）與商業銀行不良貸款率（bankingrisk）之間均存在顯著的正向關系，中部地區雖然存在正相關關系卻不顯著。各個地區房價（houseprice1）與商業銀行不良貸款率（bankingrisk）之間均存在顯著負向作用;同時各地區老年人口撫養比（old）與各地區房價（houseprice1）也存在顯著的負向關系，這與王重潤研究結論相似[38]。根據中介機制效應的檢驗規則判斷，房價在中部地區發揮著完全中介效應作用，在東部、西部地區則發揮部分中介機制作用。

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

五、穩健性檢驗

本文的穩健性檢驗主要從兩個方面進行，一方面，人口結構和房價具有多種測量方式，不同代理變量的選取可能導致實證結果有偏差，從而影響到實證結果的穩定性。因此本文通過替換人口結構變量和房價變量的方式來檢驗模型的穩定性。另一方面，房價作為重要中介變量，在作為人口結構對銀行穩定性重要中介的同時，對銀行穩定性的影響可能存在內生性問題，通過房價與銀行穩定性的內生性檢驗來檢驗模型的穩定性。

（一）替換人口結構變量

為了更進一步驗證人口結構對銀行穩定性的影響，將老年人口撫養比（old）的數據進行替換，即將各省份年輕人口（15～64歲）占總人口比重，即年輕人口比重（young）來代替老年人口撫養比，重新檢驗人口結構與銀行穩定性之間的關系以及房價在人口結構與銀行穩定性之間的中介機制作用。檢驗結果如表6所示。

表6結果顯示，年輕人口比例（young）與商業銀行不良貸款率（bankingrisk）之間的關系顯著為負，系數顯著為-0009，檢驗結果表明年輕人口比例越高，銀行穩定性程度越高，這也表明人口結構對銀行穩定性具有重要影響。

從人口結構對房價的影響結果來看，年輕人口比例（young）與房價（houseprice1）的系數為0011 7，說明年輕人口結構與房價之間存在顯著的正向關系。在模型（1）中加入房價變量后，年輕人口比例（young）與商業銀行不良貸款率（bankingrisk）之間依然存在顯著的負向影響，系數為-0007 5，同時從模型的檢驗結果還可以看出31省份的房價與該地區商業銀行不良貸款率之間存在顯著負向作用，其系數為-0.168 5，房價的上漲對銀行穩定性具有一定的促進作用。這說明，房價的中介效應存在，回歸結果穩健。

（二）替換房價變量

為進一步檢驗模型穩定性，將房價變量進行替換，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報告了回歸結果，結論是穩健的，即房價在人口結構與銀行穩定性之間發揮了中介作用。

（三）內生性檢驗

考慮到在房價與銀行穩定性關系上可能存在內生性問題從而影響到模型的穩定性，故需進行內生性檢驗。內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GMM的方法和工具變量法進行穩健性檢驗。系統GMM的方法會將被解釋變量的滯后期即商業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包含了被遺漏掉的解釋變量，會對模型結果產生一定的影響。從表8的檢驗結果來看，動態GMM檢驗方法依然可以使核心解釋變量old顯著，同時房價對商業銀行不良貸款率的影響顯著，因此該模型穩定。

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建設綠化覆蓋率與模型中殘差如信用不相關，因此本文選取性別比和各省份城區建設綠化覆蓋率作為工具變量進行檢驗。數據均來源于Wind數據庫，性別比是以各省份男性人口數與女性人口數比例（女性人口為100人時，男性人口數量）來表示;各省份城區建設綠化覆蓋率通過城市住區面積中綠化面積/城市住區面積來表示。檢驗結果顯示房價對商業銀行不良貸款率的影響依舊顯著為負，老年人口撫養比與銀行穩定性顯著為正，因此該模型是穩定的。

針對反向因果問題，本文將可能存在內生性問題的房價變量滯后一期加入回歸進行檢驗，檢驗結果表明人口老齡化與商業銀行不良貸款率之間存在顯著的正相關，并且滯后一期的房價變量與商業銀行不良貸款率之間存在顯著的負相關關系，這從理論上排除了銀行穩定性對上年度房價的影響，因此該模型回歸結果是穩健的。

六、進一步討論

為了考察人口流動對人口老齡化與銀行穩定性關系的影響，建立調節效應模型：

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定性的調節作用系數。inflow以（該省當年常住人口/當年戶籍人口）-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械增長即人口流入而不是自然增長，所以該指標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。

表9反映了在人口流動inflow因素考慮進來之后，人口老齡化與銀行穩定性關系的變化。由于加入了交互項old×inflow，為了防止多重共線性導致的結果偏差，在研究人口流動效應時對老年人口撫養比old和人口流動變量inflow進行了去中心化處理。

從表9的結果來看，交乘項old×inflow在模型中對商業銀行不良貸款率的影響顯著為負，其系數為-0.019，說明人口流動在老年人口撫養比與商業銀行穩定性之間具有調節作用，人口流動減弱了人口老齡化對銀行穩定性的負面影響，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定性總的影響效果下降了。

七、結論和建議

本文研究了房價在人口老齡化和銀行穩定性關系中的作用。研究發現，在2005—2018年樣本期間，人口老齡化不利于銀行穩定。人口老齡化程度每增加1%，將會導致商業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銀行穩定性，具體為年輕人口比例每增加1%，會降低商業銀行不良貸款率0009%。房價則充當了人口老齡化與銀行穩定性關系的中介渠道，即人口老齡化抑制了房價上漲并通過房價對銀行穩定產生了影響。而人口流動則能夠緩解人口老齡化對銀行穩定性的負面影響。

從地區異質性結果看，不同地區間人口老齡化對銀行穩定性的直接影響是有差異性的，人口老齡化對銀行穩定性的影響在東部、中部和西部地區均有統計顯著性。不過房價在人口老齡化對銀行穩定性中所產生的中介機制作用是有差異性的，房價在中部地區存在完全的中介效應，但在東部和西部地區，房價僅具有部分中介效應。

基于如上研究結果，本文提出如下建議。

第一，提高人口出生率。老齡化問題的出現主要在于人口出生率的下降。面對人口結構的改變，雖然政府已調整了生育政策，從“單獨二胎生育政策”到“全面放開二孩政策”，但效果遠遠低于政策預期。政府應科學部署人口結構戰略，全面放開計劃生育政策，完善生育保障政策體系，保障女性權益，適當延長女性產假時間，對用工企業以及生育家庭提供財政補貼，積極提高人口出生率。

第二，加強對房價長期趨勢變化的監控和干預。房價作為人口結構影響銀行穩定性的重要中介，政府要全面落實“房子是用來住的，不是用來炒的”政策，加強宏觀審慎監管，完善房地產市場調控長效機制和住房保障體系，促進房地產市場平穩健康發展，保持房價相對穩定，防止房價出現持續的、系統性下跌。

第三，調整戶籍政策吸引人口流入。地方政府應逐步開放本地戶籍政策，營造良好的營商環境和人居環境，開創廣闊的事業前景，建立多層次人才引進機制，吸引人口流入，改善人口結構，緩解人口老齡化的負面影響。

第四，采取因地制宜的住房與人口政策。在東部和西部地區，房價在人口老齡化對銀行穩定性影響中發揮了部分中介效應，說明還有其他因素在發揮著影響。因此在這些地區除調控房價外，還需要采取更加積極的人口生育、就業以及收入政策，以更好地保持銀行體系穩定。中部地區在控制人口老齡化程度的同時，要重點關注房價的變化，加強房地產市場調控干預，加快區域金融體系去房地產化，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定性的影響。

注釋：

①由于單位根檢驗的前提要求橫截面個數小于時序數量，本文的截面數量為31個，時序數量為14個，截面數量遠大于時序數量，由于其誤差較大，不適宜做單位根檢驗。對于面板數據而言，異方差的影響要更顯著。對此，本文已經對部分變量采取對數化處理。

參考文獻：

[1]全國老齡工作委員會.中國人口老齡化發展趨勢預測研究報告[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、金融杠桿與系統性風險[J].國際金融研究，2014（9）：3-14.

[4]范小云，段月姣，楊昊晰.人口結構與系統性風險測度及監管——以利率為紐帶的視角[J].經濟研究，2018（8）：52-67.

[5]中國人民銀行調查統計司城鎮居民家庭資產負債調查課題組.2019年中國城鎮居民家庭資產負債情況調查[EB/OL].https：//www.guancha.cn/economy/2020_04_24_548107_s.shtml，2020-04-24.

[6]習近平.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，孫韋.人口結構對房價的影響——基于面板數據的分析[J].江淮論壇，2016（5）：22-27+52.

[14]崔惠穎.人口結構變化對中國資產價格的影響——理論分析與實證檢驗[J].經濟理論與經濟管理，2015（10）：35-45.

[15]徐建煒，徐奇淵，何帆.房價上漲背后的人口結構因素：國際經驗與中國證據[J].世界經濟，2012（1）：24-42.

[16]陳國進，李威，周潔.人口結構與房價關系研究——基于代際交疊模型和我國省際面板的分析[J].經濟學家，2013（10）：40-47.

[17]周建軍，劉奎兵，鄭嬌，等.人口結構對房價的影響及其區域差異性研究[J].經濟經緯，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、銀行不穩定和貨幣政策[J].財貿經濟， 2011（3）：118-124.

[20]宋凌峰，牛紅燕，劉志龍.房價、隱含擔保與銀行系統性風險[J].經濟理論與經濟管理， 2018（3）：16-26.

[21]司登奎，葛新宇，曾濤，等.房價波動、金融穩定與最優宏觀審慎政策[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為系統性金融風險？[J].投資研究， 2020（4）：96-109.

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

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

[25]陳斌開，徐帆，譚力.人口結構轉變與中國住房需求：1999—2025——基于人口普查數據的微觀實證研究[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.人口結構、財政支出剛性對地方政府性債務的影響——基于中國省級面板數據的研究[J].財經理論與實踐，2016（4）：78-83.

[28]石晨曦.城鄉居民基本養老保險隱性財政負擔——基于長壽風險背景下的精算分析[J].蘭州學刊， 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風險——基于雙向疊加視角的研究[J].財經問題研究， 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價格——來自中國35城市面板數據的證據[J].宏觀經濟研究，2020（2）：63-74+175.

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

[32]BERNANKE B S， LOWN C S，FRIDERMAN 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濟發展的傳導機制研究——基于門檻效應模型的分析[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及影響分析[J].人口學刊， 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、財富效應與房價關系研究[J].價格理論與實踐，2021（7）：105-108.

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

責任編輯：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