经济学论文社会融资规模对中国宏观经济影响的测度

　　近年来，我国金融市场不断发展，金融结构改革不断深化，金融工具不断创新，商业银行表外业务对贷款的替代效应明显增强，证券、保险类机构对实体经济融资支持力度加大，部分信用发生在银行体系以外，资产负债期限的转化同时发生在“影子银行”等其他形式中，大量会对系统性风险产生重要影响的金融机构和衍生金融产品没能纳入宏观审慎管理的范围之内。基于当前金融市场的复杂状况，中国人民银行从2012年开始对外发布社会融资规模数据，从更加宽泛的口径上及时衡量经济系统中的资金规模。

　　摘要：本文采用多变量、大规模数据的FAVAR模型研究社会融资规模对中国宏观经济系统的冲击，各主要宏观经济指标都对社会融资规模的冲击表现出不同程度的反应；社会融资规模作为货币政策中间目标还不成熟，须进一步完善其统计口径，同时注重其各部分对实体经济的影响，更好地服务于发挥调节宏观经济稳定运行的作用。

　　关键词：社会融资规模,宏观经济,FAVAR模型

　　一、引言

　　随着“社会融资规模”指标的出台，国内学者对其能否作为货币政策的中间目标进行着广泛地讨论和研究。大多数研究都注重对其作为货币政策中间目标的可测性和可控性的探讨，缺乏对其与宏观经济相关性的深入实证研究[1-5]。而货币政策对宏观经济的实证研究一般采用向量自回归（VAR）模型，由于该模型目前最多仅能处理12个变量[6]。Bernanke（2005）提出的因素扩展型向量自回归模型（FactorAugmentedVertorAutoRegressiveModel，FAVAR）突破了传统VAR模型在变量数量上的限制，从而能够运用多变量、大规模数据研究政策变量对整个经济系统的影响程度，更加全面真实地反应现实各经济变量之间的动态关系。Shibamoto（2007）、Vargas-Silva（2008）、Kabundi和Gupta（2009）、Gupta（2010）等学者利用FAVAR模型分别研究了日本、美国、南非等国家的货币政策对该国房地产价格的影响，并且均认为FAVAR模型的实证研究结果优于VAR、BVAR、SVAR等模型[7-9]。本文采用FAVAR模型研究了社会融资规模与宏观经济的相关性，并据此提出相应的政策建议。

　　二、FAVAR模型介绍

　　假设Yt是（M×1）型可观测变量矩阵，这些变量能够产生符合经济规律的特定影响，一般在运用VAR模型研究货币政策的文献中，Yt通常指代可观测的货币政策变量，比如利率或者货币供应量，在本文中我们采用社会融资规模这一指标。在现实经济体中一些相关的其他经济信息不能完全包括在Yt之中，我们把这些经济变量记为Ft（K×1）型不可观测矩阵，该模型的动态关系可以描述为：

　　FtYt=？椎（L）FtYt+vt（1）

　　其中，？椎（L）是一个d阶滞后多项式，vt是均方误差为零、协方差矩阵为Q的随机误差项。式（1）是一个标准的VAR模型，因Ft模糊变量且不可观测的，式（1）不能通过OLS等技术直接估计。因此Bernanke等假定，经济信息集合Xt与Ft和Yt相关，Xt可由Ft和Yt线性表出，他们之间的关系表示为：

　　Xt=？撰fFt+？撰yYt+？滋t（2）

　　其中，？撰f是（N×K）型因子载荷矩阵，？撰y是（N×M）型因子载荷矩阵；Xt是（N×1）型向量，N为变量个数，N>K+M；？滋t是随机误差项，其均值为零、协方差矩阵为R，？滋t可以弱相关；经济信息集Xt分别由58个月度宏观经济变量和6个季度宏观经济变量组成。式（2）是一个正交因子模型，在对经济信息集做因子分析后，取其主因子构成一个新的信息集合Ct，即由Xt的因子得分组成，由此可得如下回归方程：

　　Ct=bfFt+byYt+et（3）

　　由式（3）可得到不可观测矩阵Ft的估计值Ft=Ct-byYt，然后把Ft和可观测变量Yt代入式（1）。Hwang（2009）证明在Ft的两步主成分法、反复迭代法和吉布斯采样法中，两步主成分法更为有效，本文采用两步主成分法估计不可观测因子Ft。

　　三、数据以及公共因子提取

　　（一）数据说明

　　本文选取了58个月度宏观经济变量和6个季度宏观经济变量分别与社会融资规模的月度和季度数据建立了两个FAVAR模型，数据期限从2002年1月至2012年12月。社会融资规模的2012年月度数据来源于中国人民银行，其他年份的月度数据来源于证监会、保监会、发改委和中国经济信息网，且将2012年的统计口径进行整合，并按照央行发布的2002—2011年社会融资规模中各部分融资比重做了适当调整。其他宏观数据来源于国研网数据库和中国国家外汇管理局。

　　（二）数据处理

　　为了消除数据之间的量纲问题，本文对数据做了Z-SCORE标准化，即Z=（X-X）/？滓，分别对58个月度变量和6个季度变量做KMO和Bartlett的检验（见表1和表2），相关系数矩阵和单位矩阵存在显著差异适合进行因子分析。

　　同时，利用主成分法提取主因子，并计算各个变量的特征值、方差贡献率和累计方差贡献率，分析得出月度数据的前8个因子方差累计贡献度达到88.62%，季度数据的前2个因子方差累计贡献度达到了71.15%，对这10个因子根据他们的方差累计贡献度进行分别命名（见表3）。

　　四、实证分析

　　将社会融资规模与繁荣因子、物价因子、工业因子、股票因子、投资因子、消费因子、景气因子、出口因子等建立月度VAR模型，根据信息准则VAR模型的阶数为3；同时，将社会融资规模与就业因子、宏观因子建立季度VAR模型，根据信息准则VAR模型的阶数为2。经平稳性检验，这两个VAR模型的所有特征值均在单位根之内，故此VAR系统是稳定的。我们采用脉冲响应函数分析得出滞后期为3期、响应期数为30期的月度VAR模型脉冲响应图和滞后期为2期、响应期数为18期的季度VAR模型脉冲响应图。