基于机器学习的土地—房地产—金融关联系统耦合风险预警系统

《Land》：Machine Learning-Based Early-Warning System for Coupled Risks Within the Land–Real Estate–Finance Nexus

　　

房地产市场风险长期以来一直是世界各国政府的核心政策关注点，因为土地、房地产和金融市场的风险具有内在的深度耦合性。准确测度并预警土地—房地产—金融市场系统中的系统性风险，是防范重大经济波动的关键前提。在大数据时代，高频、大规模、多维市场数据的激增给传统风险评估框架带来了巨大挑战。本文基于土地、房地产与金融市场相互关联的视角，采用BEKK-GARCH模型（BEKK-GARCH，BEKK多变量广义自回归条件异方差模型）构建时变综合风险指数，并进一步引入CNN-LSTM模型（卷积神经网络-长短期记忆网络）对土地—房地产—金融市场系统中的耦合风险进行预警。实证结果表明，所构建的综合风险指数具有较强的有效性和较高的敏感性，且在随机情景下研究结果保持稳健。与其他基准预警模型相比，CNN-LSTM模型具有更优的整体预警性能。本研究的发现对于大数据背景下房地产市场风险的动态监测与预警、抑制跨市场风险传染以及保障土地—房地产—金融关联系统的可持续健康发展具有重要的实践意义。

**论文解读：土地—房地产—金融关联系统耦合风险的机器学习预警研究**

房地产市场风险长期以来是全球各国政府关注的核心政策议题，土地、房地产与金融市场之间的风险具有深度耦合特征。准确测度并预警土地—房地产—金融市场系统中的系统性风险，是防范重大经济波动的重要前提。当前大数据环境下，高频、大规模、多维度的市场数据不断涌现，使传统风险评估框架面临严峻挑战。已有研究多将土地视为住房供给的成本端、房地产视为家庭部门与银行体系的中介、金融视为外部冲击来源，较少将三者纳入统一框架分析跨市场风险传染；既有风险指数多采用固定权重合成，难以刻画系统性风险的时变特征；且多数实证使用年度或季度数据，时效性不足。为此，研究人员从土地、房地产、金融三维市场关联视角出发，构建双层预警指标体系，采用BEKK-GARCH模型合成时变综合风险指数，并设计轻量化CNN-LSTM混合深度学习模型进行分级预警，相关成果发表于《Land》。研究发现，该综合风险指数具有良好的有效性和敏感性，CNN-LSTM模型在整体预警性能上优于多种基准模型，对高风险样本具有高召回率，能够为大数据背景下房地产市场动态监测、跨市场风险传染抑制以及土地—房地产—金融系统可持续发展提供支撑。

在方法上，研究人员使用中国全国月度数据（2012年1月至2025年12月），数据来源于Wind数据库。首先采用经验累积分布函数（ECDF）对指标进行无量纲化；其次运用CRITIC-熵权法将各维度二级指标合成为土地、房地产、金融三个子风险指数；然后基于向量自回归（VAR）模型的累积脉冲响应确定子指数权重，并通过三变量对角BEKK-GARCH模型估计时变条件协方差矩阵，进而计算时变相关系数矩阵并合成综合风险指数；最后构建由一维卷积层、最大池化层、长短期记忆层和全连接分类层组成的CNN-LSTM模型，采用随机过采样、类别权重、早停、模型检查点、学习率衰减等机制实现月度风险等级预警，并使用滚动窗口与扩展窗口进行稳健性验证。

研究结果如下。**3.1 耦合风险指数的测度结果。** **3.1.1 子市场风险指数的合成结果。** 通过ECDF归一化和CRITIC-熵权法合成三个子风险指数：2013年房价上涨、影子银行和信托资金流入推动房地产和涉房金融风险指数快速上升；2016—2017年一二线城市房价大涨、土地价格创新高，三个指数同步上行；2017年后“房住不炒”政策下融资渠道收缩，涉房金融风险指数下降；2021年“三条红线”政策实施后，房地产风险指数与涉房金融风险指数逐渐脱钩，土地市场风险指数亦趋于下行；2023年后销售疲软、库存上升推动房地产风险指数上行；2024—2025年政策转向“止跌回稳”，土地和房地产市场风险指数低位波动。**3.1.2 耦合风险指数的合成结果。** 利用VAR累积脉冲响应得到土地、房地产、涉房金融三个子指数权重分别为11.56%、76.97%和11.47%；BEKK-GARCH估计结果中，矩阵A和B对角元素均显著为正，房地产市场对突发冲击的敏感性最高，涉房金融子市场波动持续性最强，且模型满足协方差平稳性；标准化残差的ARCH-LM和Ljung-Box检验表明模型设定充分。合成后的综合风险指数最大值为0.6592，最小值为0.1622，其波动特征与房地产市场基本面和重大调控政策基本一致。**3.1.3 预警阈值的确定结果。** 采用历史分位数法，以综合风险指数的50%和75%分位数（0.4255和0.5239）为阈值，将风险划分为低、中、高三个等级，并编码为类别0、1、2，同时引入朴素持久性基准用于排除模型仅学习阈值划分规则的循环逻辑风险。**3.2 耦合风险预警模型的仿真结果。** **3.2.1 CNN-LSTM模型的最优训练-测试集划分。** 通过比较测试集比例20%、25%、30%、35%和40%，发现模型整体性能呈倒U型变化，30%为最优临界点，此时总体识别准确率为0.7536，低、中、高风险等级F₁分数同时达到最优。**3.2.2 最优训练-测试集划分的稳健性检验。** 采用滚动窗口和扩展窗口两种动态划分方案，宏观平均F₁分数分别为0.6944和0.7383，高风险类召回率均高于0.92，与主分析中高风险召回率1.0高度一致，表明模型对时间序列划分策略具有稳健性。**3.2.3 CNN-LSTM多分类预警模型的性能评价结果。** 在50次随机种子重复运行下，模型加权平均精确率为0.7843，总体准确率为0.7715，加权平均F₁分数为0.7536，高风险类召回率为0.8933，说明模型能够有效捕获高风险事件并保持稳定的泛化性能。**3.2.4 基于朴素持久性基准的循环逻辑风险检验。** 以t时刻真实风险标签作为t+1时刻预测的朴素持久性基准虽因风险指数自相关而具有较高准确率，但主分析模型在精确率、召回率和F₁分数上均显著优于该基准，表明模型并非简单复制风险阈值划分规则，而是从底层市场指标中提取信息进行独立预警。**3.2.5 CNN-LSTM模型的稳健性检验与比较优势。** 与CNN、LSTM、随机森林、梯度提升和PSO-SVM五种基准模型相比，CNN-LSTM整体性能最优，各指标标准差约0.05，具有更强的泛化稳定性和实用价值。**3.2.6 CNN-LSTM模型的风险预警结果。** 将2026年2—4月特征数据输入模型，输出对应2026年3—5月风险状态均为中风险；将样本扩展至2026年5月后，实际数据合成的综合指数所标注风险状态与模型预测结果一致，验证了预警模型的可靠性。

在讨论部分，研究人员从“土地—房地产—金融”系统风险传染与综合防范治理角度提出政策建议：土地市场应构建弹性土地供应机制、规范土地抵押融资；房地产市场应以市场化方式化解重点房企债务风险，引导企业探索轻资产转型；涉房金融市场应拓宽中长期资本入市渠道、完善宏观审慎管理；针对跨市场风险外溢，应弱化土地财政依赖，建立与低、中、高三级风险状态相匹配的梯度调控框架。研究结论可概括为：本文从“土地—房地产—金融”系统风险联动与传导视角出发，构建了房地产市场耦合风险监测指标体系的双层框架，引入BEKK-GARCH时变系数矩阵合成综合房地产风险指数，并基于CNN-LSTM模型实现了房地产市场系统性风险的多分类预警。该指标系统设计与自适应机器学习模型设置主要基于中国房地产市场样本开发，模型风险预警能力的外部推广性仍有待使用更多国家和地区的样本进行验证。研究局限性包括：受制于月度数据统计频率，难以实时捕捉月内风险演化特征；样本期内中国房地产市场未发生极端风险事件，缺乏极端风险训练样本，因此未在深度学习模型中引入极值理论，尚无法对更高等级预警区间进行单独划分。