企业管理论文哪里有？本文考察房地产企业库存、杠杆率与金融资产占比对我国金融脆弱性的影响。另外，房地产企业应当如何将自身库存、杠杆率、金融资产控制在合理区间，来确保企业平稳健康发展，是任何一个房企都无法回避的问题。
第1章 绪论
2.2国内外相关文献综述
2.2.1 房地产企业库存与杠杆率研究
在高房价预期的前提下，房地产企业以不断囤地-建房-卖房的经营模式实现利益最大化，而房地产行业的高开发资金量、长开发周期使房地产企业需要大量举债维持经营，造成了房地产企业的高库存与高杠杆，并且这两者相互促进，加剧了企业财务风险[23]，增加了我国金融压力[24,25]，因此房地产去库存降杠杆对于化解金融风险具有重要意义[26,27]。
现有文献对房企库存进行了较为全面的研究，但研究中库存多作为因变量，缺少库存作为自变量的实证研究。金融因素方面，傅贻忙等建立GWR模型发现金融发展结构促进房地产库存增长，且呈现出显著的动态市场异质性特征[28]，张协奎和邬思怡发现贷款利率会负向影响全国商品住宅库存，房企国内贷款规模会加速商品房库存的增加，M2会抑制商品房库存[29]；人口因素方面，平均家庭户规模会对房地产库存产生影响，在全国和东部地区为抑制作用，中西部地区则为促进作用，男女性别比、高等教育比和人口城镇化率对房地产库存的影响不显著[30]。另外，地方政府干预[31]、房价[32]、城镇化率[33]、收入水平均会显著影响房地产库存。
学术界对企业财务杠杆已有了较为深入的研究，主要为其对企业价值影响的研究以及杠杆比例研究，国内对房企财务杠杆的研究较少。谭本艳等利用中国1999—2015年省际面板数据发现房企融资杠杆对房价具有显著正向影响，融资杠杆每增加1%，房产价格上涨0.116%[34]。李嘉等基于四象限模型，选取35个大城市的面板数据进行实证检验，发现房地产投资与房企杠杆率存在正向关系且在不同地区二者关系存在差异。其中，我国东部房企的资产负债率明显低于全国平均房企杠杆率，因为东部房企能够通过快速出售房屋，并利用东部地区的房价优势迅速收入现金，最终达到平衡负债的效果。
第3章 金融脆弱性指标构建
3.1 金融脆弱性指标评估方法的选择
3.1.1 单一指数法与加权指数法
单一指数法是指仅使用一个指标来衡量金融脆弱性。早期使用银行不良贷款率来判断银行系统是否存在发生危机的风险[75]。其背后的逻辑为：如果银行不良贷款率陡增，说明整个银行体系损失严重，进一步推断出金融体系或将出现危机。有的学者将资本充足率和不良贷款率用来衡量金融脆弱性 [76]。随着时间推移，学术界逐渐认为金融体系发生危机需要触发更多条件：Demirguc-Kunt与Detragiache[77]则认为发生以下四个条件之一时，就认定银行体系发生危机：（1）政府对银行进行救助，若财政注资超过GDP 的2%时；（2）银行体系不良贷款占整个银行资产的比重超过2%时；（3）银行体系遭遇大规模挤兑现象，导致银行假期延长，政府采取冻结存款等紧急措施时；（4）银行体系出现比较严重问题并导致大规模的国有化时。我国学者伍志文[78]最早也使用单一指标法对我国金融脆弱性进行测度，但显然单一指标法有一定局限性。例如在我国04年才开始公布不良贷款数据，并且仅一季度公布一次，数据非常有限，另外随着全球一体化发展，世界金融的联系越来越紧密，单一的指标难以解释现有的金融市场。
加权指数法测度金融脆弱性是指通过加权多个相关指标形成一个综合指标对金融脆弱性进行反映。具体的实施方法为，挑选能够较好反映和测度金融系统风险的有关指标，然后利用算数平均数或者加权算数平均数对上述指标进行算数平均，最终取得衡量金融系统风险的相关指标的加权算数平均数，即金融系统脆弱性的综合指数。相较于单一指标法，此法能够包含更多信息。在早期的加权指数法测度金融脆弱性工作中，采用私营部门的信用贷款增长速度、银行存款同比增速与银行未对冲负债同比增速的加权指数作为测度金融脆弱性的指标[79]。我国学者同样主要从银行体系考察金融脆弱性，选择外币债务增速，存款的增速以及非政府部门贷款增速的加权指数作为衡量我国金融脆弱性的指标[80]。然而，由于加权指数法的权重系数通常是人为设定的，带有一定的主观性，同样具有一定的局限性。
第5章 房地产企业库存、杠杆率与金融资产适度分析
5.1 数据处理
5.1.1 变量说明
将房地产企业面板数据根据企业规模分为大中小三类房企，分别计算每个解释变量的平均值，得到大中小三类房企的时间序列数据。为检验门槛效应，将未取对数的数据进行模型检验。
5.1.2平稳性检验
以下单位根检验中未标记检验类型的默认为（C,T,1）。根据表5.1、5.2，大型房企的库存增速数据为平稳数列，剔除预收款的资产负债率、金融资产占比与金融脆弱性均为非平稳数列，剔除预收款的资产负债率二阶差分后平稳，金融资产占比与金融脆弱性一阶差分后平稳，对其进行Johansen协整检验，发现其至少具有一个长期关系，因此将原数据放入模型。中型房企的库存增速与金融资产占比数据平稳，剔除预收款的资产负债率数据非平稳，剔除预收款的资产负债率一阶差分后平稳，对其进行Johansen协整检验，发现其至少具有一个长期关系，因此使用原数据进行模型检验。小型房企的库存增速数据为平稳数列，剔除预收款的资产负债率与金融资产占比为非平稳数列，剔除预收款的资产负债率于金融资产占比一阶差分后平稳，对其进行Johansen协整检验，发现其至少具有一个长期关系，因此将原数据放入模型。
5.2 门限自回归模型
门限自回归模型（TAR）最初由Tong 和Lim于1980年提出，此模型较为复杂，在1989年Tse将该方法简化后，该模型逐渐得到广泛的应用。门限自回归模型作为研究非对称性的非线性模型，经过众多学者的研究拓展，现已经成为一种比较成熟的计量模型。
中型房企中，剔除预收款的资产负债率与金融资产占比存在门限值，库存增速不存在门限值（见表5.4）。观察其AIC值分别为-3.882、-1.243，相对来说，剔除预收款的资产负债率的门限自回归模型拟合更好。剔除预收款的资产负债率存在四个门限值，当0.8187 <= dar < 0.8787时，dar在1%置信水平下显著正向影响金融脆弱性，系数达到732.460，为五个区制中最大。在区制二、三中，剔除预收款的资产负债率对金融脆弱性的影响较小，并且影响不显著，系数仅为116.991与122.927。因此仅从限制风险的角度考虑，中型房企的相对最佳剔除预收款的资产负债率区间为[0.6916,0.8187]。当金融资产占比小于12.35%时，金融资产占比对金融脆弱性的影响系数为-244.847，当金融资产占比大于12.35%时，金融资产占比对金融脆弱性的影响系数为-4.082，中型房企的金融资产占比小于12.35%时对金融脆弱性的抑制作用高于其金融资产占比大于12.35%时的抑制作用，因此中型房企的金融资产占比应该小于12.35%。
第6章 结论与展望
6.2 不足与展望
由于作者自身学识、现有研究文献等方面限制，本文的研究还有着许多的不足之处，主要体现在以下三个方面：
一是房地产企业对金融脆弱性影响的理论机制解释不够完善。本文虽然根据已有文献总结了房地产企业的库存、杠杆率与金融资产三个变量，并归纳了这些因素影响金融脆弱性的机制，但部分解释比较单薄，有进一步改善的空间。例如房企库存与金融风险的关系参考文献较少。另外，本文也仅选择三个解释变量，实际情况中，房地产企业还存在其他影响金融脆弱性的因素。
二是论文的数据存在一定局限性。我国房地产企业存在香港上市与海外上市的情况，因数据的规范性、发布时间和可获得性等问题，本文仅使用在A股上市的房地产企业数据来代表全国的房地产行业数据。另外，我国未上市的从事房地产相关事项的企业接近10万个，未上市房地产企业的数据难以获取。因此研究结果具有一定的局限性，未来可以针对此局限性展开研究分析。
三是本文使用的模型均是模糊了现实经济意义的自回归模型，尝试使用变量间的数理关系解释金融脆弱性，但实际情况中，影响金融脆弱性的因素较多，变量之间的关系应该更加复杂。
参考文献（略）
