2007年第6期
金融加速器效应在中国存在吗?
赵振全 于 震 刘 淼*
内容提要:本文从金融加速器理论出发, 运用门限向量自回归(TVAR) 模型在宏观层
面上对中国信贷市场与宏观经济波动的非线性关联展开实证研究。通过非线性脉冲响应
函数的检验结果我们发现:在1990年1月至2006年5月期间, 中国存在显著的金融加速
器效应, 表现为对于相同特征的各种外生冲击, 经济波动在信贷市场处于/紧缩0状态下的
反应均明显强于信贷市场处于/放松0状态下的反应。另外, 信贷冲击对于信贷市场状态
变化的作用最为显著, 其次是货币冲击和价格冲击, 最后是实际冲击。进一步的检验还表
明:信贷市场在宏观经济波动过程中既是重要的波动源, 同时也是波动的有力传导媒介,
运用金融加速器理论有助于合理解释中国宏观经济波动的轨迹特征。最后本文阐述了实
证结论的政策含义和未来研究的侧重点。
关键词:信贷市场 宏观经济波动 金融加速器 非线性 TVAR 模型
一、前 言
宏观经济学研究的一项重要任务与挑战是理解产出波动的起因、传导机制及其持续性。众所周知, 实际经济周期模型和凯恩斯的I S -LM 模型是该领域迄今应用最为广泛的两类分析框架。虽然两者在许多方面存在差异, 却都肯定了MM 定理的内涵并以此为前提假设, 认为资产的实际价格是由利率期限结构和未来支付预期决定的, 金融市场或信贷市场状况并不能影响经济产出(Bernanke et al 1, 1999) 。然而, 这两种主流宏观经济学理论在解释类似/大萧条0(the great depression) 这样的严重经济衰退时却显得无能为力, 因为/大萧条0中的经济波动并不是来自大的、
¹持续的冲击, 金融交易崩溃才是真正源头。因此, 自Fisher(1933) 探索性地运用债务型通货紧缩
(deb-t deflation) 解释/大萧条0的发生以来, 经济学家逐渐开始把金融因素视为经济周期波动中的重要成份。
20世纪70年代兴起的不完全信息论(informational imperfections) 成为各种金融市场摩擦融入经济周期波动分析框架的理论媒介和有力工具。近年来, 与MM 定理背道而驰的金融市场不完美性(financial market imperfections) 越来越多地被运用到该领域研究中。随着相关研究的不断深入, 信贷市场在宏观经济波动中的重要作用得到了广泛认可和关注。大量文献以金融市场不完美性为背景, 分别从不同层面和机制出发, 针对信贷市场和宏观经济波动的关联性展开讨论。其中, 以* 赵振全, 吉林大学数量经济研究中心、吉林大学商学院, 邮政编码:130012, 电子信箱:zz quan2000@163. com; 于震、刘淼, 吉林大学商学院博士研究生, 电子信箱:yz2001915@163. com, li um258@163. com 。作者感谢/吉林大学-985工程. 项目0经济分析与预测哲学社会科学创新基地(2004) 、教育部重点研究基地重大项目(05JJ D790005) 、国家社会科学基金项目(05BJY100) 以及国家自然科学基金项目(70573040) 对本文研究的支持, 感谢美国南卫理公会大学Nathan Balke 教授和纽约联邦储备银行Simon Potter 博士对本文提供的帮助, 感谢匿名审稿人的宝贵建议。当然, 文责自负。
¹ 所谓冲击是指使经济运行偏离其正常轨道的推动或扰动力量。关于产生经济波动的冲击类型和来源, 不同的学派认识不同。本文借鉴实际经济周期学派强调的/实际冲击0(包括技术冲击和生产率冲击) 和/名义冲击0(包括货币冲击和价格冲击) 的划分方法。相关的规范性阐述参见刘树成等(2005), 第12页。此外, 实证研究中一般采用冲击因素的变动来测定冲击的大小和方向。
赵振全等:金融加速器效应在中国存在吗?
Bernanke 等人(1996) 提出的金融加速器(financial accelerator) 理论最具代表性和总结性。该理论着眼于宏观经济波动的传导机制, 阐述了信贷市场不完美性导致最初的反向冲击通过信贷市场状态的改变被加剧和传递的机理) ) ) 金融加速器, 从而揭示出信贷市场在/小冲击, 大波动0现象中的重要作用。金融加速器理论对于相关研究的最大启示是, 信贷市场和宏观经济波动的关联是非线性的, 在金融加速器机制作用下, 冲击对于经济产出的影响依赖于信贷市场所处的状态呈现非对称性, 体现为相对于/放松0信贷市场状态, /紧缩0信贷市场状态下的冲击对于产出的影响更大, 从而
¹可能加剧宏观经济波动, 恶化经济衰退趋势。金融加速器理论是许多理论研究的高度概括和升
华。例如, Bernanke 和Gertler(1989) , Greenwald 和Stiglitz(1993) , Kiyotaki 和Moore(1997) 以及Azariadis 和Smith(1998) 所提出理论模型的结论都可以作为支持金融加速器理论的证据。与此同时, 金融加速器理论也成为该领域研究的理论基础或研究对象。例如, Balke(2000) 和Vijverberg(2004) 分别从宏观和微观角度对金融加速器效应的存在性进行了实证检验。
总结金融加速器的相关文献我们发现, 金融加速器效应发生过程虽然不尽相同, 但无论是何种冲击最终都会通过影响借贷关系中的代理成本进而引发信贷配给在/紧缩0和/放松0状态间的转
º移, 在金融加速器机制下作用于宏观经济波动。那么, 何种冲击有可能引发金融加速器效应呢?
本文通过归纳已有文献, 认为以下三种外生冲击会导致信贷市场状态的变化, 从而成为产生金融加速器效应的必要条件。第一种是实际冲击(包括技术冲击和生产率冲击) 。例如, Kiyotaki 和Moore (1997) 描述了一个信贷约束内生化的动态经济模型。模型中引入两条基本假设:(1) 土地既是生产资料也是贷款抵押资产; (2) 企业可划分为受信贷约束影响的企业和不受信贷约束的企业, 假设在某一时期企业经历的暂时性技术冲击使其资本净值减少, 受到信贷制约的企业会因为无法获得更多的借贷而被迫削减投资(包括土地投资) , 下一期收入也随之减少, 企业资本净值将进一步下降, 于是, 借贷限额更小, 投资继续削减, 这一过程会如此延续下去。这样, 本来是小的、暂时性的冲击在贷款限额和抵押资产价格的动态关系影响下不断加强、持续和扩散。第二种是价格冲击。例如, 在Bose(2002) 理论模型描述的经济中, 在借贷双方信息不对称的情况下, 信贷市场存在着两种信贷配给状态, 通货膨胀率增大会影响贷方的配给行为, 使得信贷市场状态发生转变, 通货膨胀率产生的负向增长效应最终通过这一过程被放大。第三种是货币冲击。例如, Bernanke 和Blinder(1988) 在货币主义学派理论基础上, 提出一个由货币、债券和银行贷款三种不完全替代资产构成的CC -LM 模型(C C 表示商品市场和贷款市场的均衡) 。模型分析的结论显示即使货币政策的利率效果不存在, 货币政策也可以通过影响银行贷款规模, 使得CC 曲线发生移动, 从而达到影响实际经济的目
»的, 我们看到, 这一观点强调了货币政策的信贷传导机制。
那么, 中国信贷市场对于宏观经济波动的作用机制和效果如何呢? 基于以下几方面, 本文认为这是一个非常值得深入探讨的课题。
首先, 中国的金融体系是名副其实的/银行主导型0, 信贷市场是中国企业资金来源的主渠道。虽然企业可以通过证券市场来获得资金, 但通过直接融资获得资金比例与从银行贷款这种间接渠¹
º这里的信贷市场状态(credi t market condi ti ons) 反映了信贷约束(credi t constraints) 的程度。所谓信贷约束是指企业无法从银信贷配给是指银行结合贷款企业发生贷款风险的概率和利息两方面因素放贷, 而融资企业贷款需求得不到满足的现象。行获得所需信贷资金的现象。信贷配给的可能结果有:(1) 一部分企业可以获得所需贷款, 而另一部分企业即使愿意支付更高的利息也无法获得贷款; (2) 融资企业的资金需求只能得到部分满足。由定义可知信贷配给是导致信贷约束的重要原因。
»实际上, 货币政策的信贷传导渠道研究与本文内容相关, 但相对于金融加速器理论而言, 信贷渠道观点(credi t channel vie w ) 的侧重点在于货币政策(除利率工具外) 对于实际经济的冲击是如何通过改变银行信贷量实现的, 而金融加速器理论则强调外生冲击(货币冲击可能只是外生冲击之一) 通过信贷市场被放大和传导的机制。笔者认为对于本文的研究重点, 以金融加速器理论为主线的讨论涵盖面更全面, 所以对信贷渠道观点并未在此赘述。
2007年第6期
道获得的资金比例相比还是太少。据统计, 截至2003年中国企业直接融资占总融资的比重为19144%, 而间接融资则为80156%。由此可见, 信贷市场对于宏观经济健康稳定发展的重要性不言而喻。
其次, 对中国这样一个正在向市场经济过渡的经济体来说, 无论是经济运行模式还是市场机制都与发达国家存在一定差别, 而且宏观经济调控的某些方面还带有明显的行政干预特征, 这些因素都增强了宏观经济调控效果的不确定性, 简单照搬西方国家的宏观调控工具很难达到预期的政策效果。同时我们必须意识到, 尽管2002年以来中国宏观经济波动摆脱了以往大起大落的现象, 呈现出适度高位平滑化特征(刘树成等, 2005) , 但学术界和实务界对于宏观经济是否过热以及宏观调控措施合理性的争论却愈演愈烈, 大好局面下的中国宏观经济调控正面临着一个巨大考验, 成功与否关乎中国经济的未来走势。这要求我们必须广泛寻求具有/中国特色0的经济环境和不同经济增长阶段下的宏观经济典型化事实, 更加准确地判断经济扩张和收缩机制, 客观评价宏观调控政策的运行机制和效果, 为宏观调控的政策工具、力度和时机选择提供理论与经验支持。显然, 洞悉信贷市场对于宏观经济波动的影响机制及效果有着极其重大和深远的现实意义。
最后, 中国学者对于中国信贷市场与宏观经济波动关联性的研究虽然不少, 但大多数文献还存在几个有待改进的问题:一是实证研究没有充分体现信贷市场作用于宏观经济波动的本质特征) ) ) 非线性和非对称性, 导致结论的可靠性和政策参考性有待于进一步检验。例如, 刘涛(2005) 在线性VAR 模型框架下考察了信贷波动与宏观经济波动的协整关系; 二是实证研究的变量仅包括经济增长指标和信贷市场指标, 强调了信贷市场本身作为波动源对宏观经济波动产生的影响, 却忽视了信贷市场在整个宏观经济波动过程中的传导作用。例如, 陈磊(2004) 对信贷波动与宏观经济波动之间线性Granger 因果关系的检验; 三是许多研究虽然在理论上认识到信贷市场对于宏观经济波动的影响机制和作用, 却没有针对中国的具体情况给出实证检验。例如, 穆争社(2005) 仅在理论上系统地阐述了信贷配给对于宏观经济波动的非对称性影响, 并分析了我国的实际情况, 但缺实证检验。根据以上分析, 本文将针对国内已有研究的不足就这一问题进行更加深入的讨论。
本文基于金融加速器理论, 利用非线性计量方法在宏观层面上对中国信贷市场作用于宏观经济波动的机制和效果给出实证检验, 力求回答以下三个核心问题:
问题一:中国存在金融加速器效应吗?
问题二:何种外生冲击决定信贷市场状态的迁移?
问题三:信贷市场怎样影响着宏观经济波动?
本文的结构安排如下:第二部分介绍计量模型和变量的选取情况, 第三部分给出模型的非线性检验和参数估计结果, 第四部分针对第一部分提出的三个问题进行适当的实证检验和分析, 最后得出结论。
二、计量模型及变量选取
近年来, 非线性时间序列模型以其在捕捉时间序列非对称性和周期性特征上的优势而得到广泛应用, 而最早由Tong(1978) 提出的门限模型是主流非线性时间序列模型之一(Potter, 1999) 。门限向量自回归(threshold vector autoregression, 以下简称TVAR) 模型将非线性模型和VAR 模型的优点相融合, 非常适合刻画信贷市场与宏观经济波动之间理论上可能存在的状态(区制, re gimes 或classes) 依赖、非对称性和多重均衡。基于此, 本文借鉴Balke(2000) 的研究方法, 应用TVAR 模型来检验中国信贷市场与宏观经济波动的非线性关联。基于前面的理论分析, 在TVAR 模型框架下, 我们使用反映信贷市场状态的变量充当门限变量, 并将能够反映实际冲击、价格冲击和货币冲击的变量纳入到非线性系统中来。因此, 信贷市场状态的转移是系统内生的, 可以解释为其它变量冲击的
赵振全等:金融加速器效应在中国存在吗?
结果。然后, 通过非线性检验判断变量间的相互影响关系是否存在多重均衡, 进而针对不同信贷市场状态, 利用计量工具完成既定的检验任务。
11两区制TVAR 模型¹
假设y t 由k @1维内生变量向量组成, 记为y t =(y 1t , , , y kt ) c ; c i 是k @1维常数向量, A i , j 是k @k 维的系数矩阵, 其中i =1, 2表示区制数, j =1, , , p 表示向量自回归的阶数; I(#) 为指示函数, z t 为门限变量, d 表示滞后期, 若门限值为r , 有
I(z t -d ) =1, z t -d >r
0, z t -d [r
那么, 一个两区制的TVAR 模型就可以表示为:
y t =(c 1+
j =1E A p 1, j t -j y ) +(c 2+j =1E A p 2, j y t -j ) I(z t -d ) +E t (1)
其中, E t 是k @1维扰动向量, 均值为0, 方差为E , 当t X l 时,
明的是, 门限变量z t 应为y t 中的一个分量, 且满足平稳性要求。E (E c t ) =0。还有一点要说t E
这里给出的(1) 式是TVAR 模型的简化式, 为了考察变量间同期关系对系统非线性特征产生的影响, 在实证过程中我们实际上同时估计了上述TVAR 模型的结构式, 即STVAR 模型, 并对结果进行了比较。
21TVAR 模型的非线性检验
在/不存在门限效应0的原假设下, 即(1) 式中有A 1, j =A 2, j 成立, 则TVAR 模型的门限参数无法识别, 这就使得传统的检验统计量不再服从V 分布, 而非标准分布的临界值又无从获得, 这一难题在统计检验上被称为/戴维斯问题0(Davies problem) 。为解决该问题, 我们在固定每一个可能门限值的情况下, 通过最小二乘法对门限模型进行估计。此时, 各门限值都将TVAR 模型分割成两个分属不同区制的系统。这样, 就可以利用Wald 检验对不同区制下的模型系数进行差异性检验。本文计算了三个Wald 统计量:sup -Wald 是所有可能门限值中最大的Wald 统计量; avg -Wald 和e xp -Wald 是Andrews 和Ploberger(1994) 建议使用的Wald 统计量, avg -Wald 表示所有可能门限值Wald 统计量的平均, 而exp -Wald 是指数Wald 统计量和的函数。本文借鉴Hansen(1996) 的模拟方法, 通过统计量本身的大样本分布函数转换得到大样本下的p 值, 在原假设下, p 值统计量在大样本下服从均匀分布, 而这种转换可以通过bootstrap 方法轻易地实现。这样, 我们就可以通过Hansen(1996) 提出的方法将门限参数的Wald 统计量映射到一个已知分布的置信区间上。
31变量选取及说明
本文构建的TVAR 模型由四个内生变量组成, 分别是经济增长率、通货膨胀率、货币供应量M1的增长率以及金融机构贷款总额的增长率。其中, 经济增长率反映宏观经济动态, 同时代表系统内的技术或生产率冲击。通货膨胀率代表价格因素, M1代表货币政策因素, 金融机构贷款总额的增
º长率代表信贷市场状态的变化。TVAR 模型含有两个区制, 金融机构贷款总额增长率较高和较低¹
º2根据本文的研究内容, 这里只给出了两区制TVAR 模型的形式, 更多相关内容可参阅Ts ay(1998) 。在国外的相关研究中通常利用以下几个指标反映信贷市场状态的变化:(1) 短期商业票据市场利率与短期国债利率差额; (2) 所有企业外部融资中银行贷款和商业票据所占比重; (3) 大型与小型制造类企业之间短期贷款增长率之差(Kashyap et al, 1993, Gertler and Gilchris t, 1994) 。但鉴于两点原因本文不能采用上述指标:(1) 中国不仅实行利率管制, 而且国债市场和商业票据市场都不发达; (2) 企业融资的月度或季度数据缺乏官方统计资料。另外, 由于小企业通常受到金融约束的影响较大, 所以当信贷市场状态变/冷0时, 贷方信贷配给会通过小企业投资的减少引发金融加速器效应, 因此我们这里也考虑到采纳金融机构私人贷款或乡镇企业贷款增长率。但通过观察数据发现两者占贷款总额的比重均太小, 而且几乎没有变化, 所以它们并不适合用于反映信贷市场状态的变化。
2007年第6期
的区制分别对应着信贷市场/放松0和/紧缩0两种状态。
由于TVAR 模型的合理估计需要充足的样本量作保证, 而GDP 的官方数据为1994年开始的季度数据, 且2004年和2005年的GDP 数据经过调整后与之前数据不可比, 所以本文采用工业增加值
¹增长率来代替GDP 增长率反映宏观经济波动情况。在实证研究中我们采用1990年1月至2006
年5月的月度数据, 除以上原因外, 还因为样本期间内的市场经济发展程度相对较高, 且宏观调控水平相对成熟, 可能存在的宏观经济波动传导机制更显著。本文原始数据均来自于各期5中国经济景气月报6、中经网数据库以及国家统计局官方网站。为了消除物价因素影响, 我们利用居民消费物价指数CPI(1989年为基期) 将名义工业增加值平减为实际值。为了消除季节因素和不规则因素的影响, 我们还对实际工业增加值Y 、CPI(1989年为基期) 、M1以及金融机构贷款总额(下称FC) 作
º了X12季节调整。最终加入到模型中的变量为各序列调整后的对数一阶差分形式, 迭代结构的
次序为实际工业增加值增长率($LY) 、环比通货膨胀率(I NF) 、M1增长率($LM1) 、金融机构贷款总
»额增长率($LFC) 。
三、非线性检验和参数估计结果
11非线性检验
通过各变量平稳性的ADF 检验结果(见表1) 可以看到, 除环比通货膨胀率为I(1) 序列外, 其它变量均为平稳序列, 所以各变量之间并不存在协整关系。
表1
变量
$LY
INF
$LM1
$LFC 检验形式(C, T, K) (C, 0, 0) (C, T, 4) (C, T, 0) (C, T, 0) ADF 统计量-221675-21715-131103-121311ADF 检验结果临界值-31464***变量检验形式(C,T , K) ADF 统计量临界值-31141*-31464*-31464*****$INF (C, 0, 3) -111851-31465***
注:11其中检验形式(C, T, K) 分别表示单位根检验方程包括常数项、时间趋势和滞后项的阶数; 21**
1%、5%和10%显著水平下的临界值。***、和*分别表示在
为确保线性模型与非线性模型之间的可比性, 文中TVAR 模型的滞后阶数与基准线性模型的滞后阶数相同。根据SC 准则, 基准线性模型的滞后阶数为1, 但根据AIC 准则滞后阶数为2。所以, 我们按照滞后阶数为1和2的情况, 分别对TVAR 模型进行了非线性检验。检验结果显示(见表2) :虽然不同滞后阶数下, TVAR 模型的门限值不同, 但在同一滞后阶数下模型对于变量之间同期关系是否加入这一条件表现出/双稳健0特征, 即无论是采用TVAR 模型还是STVAR 模型, 检验结果都在1%的显著性水平上拒绝/模型为线性0的原假设, 模型的非线性在统计上非常显著。另外, 无论是TVAR 模型还是STVAR 模型, 在同一滞后阶数下门限值相同。
当然, 确定模型的非线性特征是本文深入研究的重要前提, 但并不是最终目的。因此, 以模型的非线性为基础, 通过系统脉冲响应函数(impulse response function, 下称IRF) 和历史分解(historical ¹
º
»陈磊(2001)研究表明从变动趋势上看, 中国工业总产值增长率与综合景气指数基本一致, 周期转折点几乎完全相同。Weise(1999) 认为VAR 模型的非线性特征可能是由数据的时间依赖性结构突变产生的, 而对于季节和不规则因素的调整有助于消除这一隐患。这里给出的变量次序参考了Bal ke(2000)和Bernanke et al(1997) 的实证研究。由脉冲响应函数的定义可知, VAR 模型变量加入次序的变化可能导致脉冲响应函数结果出现差异。我们后面的实证中会通过变换次序给出敏感性检验。
赵振全等:金融加速器效应在中国存在吗?
decomposition) 等计量手段, 解答第一部分提出的三个核心问题是下文的主要内容。
表2
门限变量
$LFC TVAR 模型的非线性检验与门限值TVAR 模型:门限值同期关系中不存在门限效应
sup -Wald avg -Wald
53119
(01000)
68116
(01000) exp -Wald 30134(01000) 39194(01000) S TVAR 模型:同期关系中存在门限效应sup -Wald 74143(01000) 106175(01000) avg -Wald 62123(01000) 79156(01000) exp -Wald 34138(01000) 48184(01000) 模型滞后=[1**********]1(01000) 85199(01000) 模型滞后=2414815
注:11门限变量的滞后阶数为1, 即(1)式中d=1; 21括号内数值为通过Hansen(1996) 中提出的Boots trap 方法得到的p 值, 重复次数为500。
四、三个问题的实证检验¹
为了方便说明, 我们将第一部分提出的三个问题转换为三个检验逐一进行分析。
(一) 检验一:中国存在金融加速器效应吗
由前文可知, 金融加速器效应的本质特征为非对称性, 所以可以通过非线性IRF 对其存在性进行检验。但与线性模型有所不同, 非线性模型的IRF 条件依赖于整个模型变量的/历史0) ) ) 初始值以及冲击的大小和方向, 所以计算过程更加复杂。Koop et al. (1996) 提出的广义脉冲响应函数(generalizedimpulse response function, 下称GIRF) 是用于计算非线性脉冲响应的有效工具。下面我们就采用GI RF 来完成TVAR 模型脉冲响应的计算。
根据Koop et al. (1996) 的定义, (1) 式的GIRF 可以表示成:
GIRF y (n , v i , X t -1) =E [y t +n |v i , X t -1]-E [y t +n |X t -1], n =0, 1, ,
s s s s (2) 其中, v i 为产生响应的冲击, i 表示冲击类型; X t -1为模型t -1时刻的历史信息集, 区制s 表示
冲击到达系统的时刻; n 为预测水平, E [#]为期望算子。由(2) 式可见, 我们可以依照区制将矩阵X t -1划分为两部分来分别计算GIRF 。例如, 区制1对应的历史信息矩阵X t -1包含X t -1中所有I (z t -d ) =0的行, 其GI RF 可以通过矩阵v 的k @1个冲击的不同组合计算而得。
根据Koop et al. (1996) , 得到GIRF y (n , v i , X t -1) 的算法描述如下:
(1) 从矩阵v i 中选取一行冲击。
(2) 从X i , t -1中选取一行。
(3) 利用上述两步选取的向量计算冲击v i 引起的反应y t
已估计参数构成的向量。
(4) 通过bootstrap 方法从TVAR 模型残差E 中提取一个大小为n @1子样本E 。
(5) 利用E 和估计得到的TVAR 模型来计算y t
态。
(6) 利用y t
¹ss , m **s n , m *ss , m s s 1=f (X i , t -1, H ) +v i , 其中, H 为模型s , , , y t +n , 此为冲击不存在情况下的系统动ss , m ss , m sn , m 、E 的前n 个观测值以及估计得到的TVAR 模型来计算y t +1, , , y t +N , 此为冲击综合考虑到文章篇幅、读者在统计基础上的差异以及文章内容的连贯性与可读性问题, 所以, 我们试图通过更为浅显易懂的方式对文中定义的一些统计变量进行了说明, 而不是在统计意义上的详细解释。笔者欢迎您通过电子邮件索要文中所使用的数据、RA TS 程序代码或实证结果, 以便验证、引用或扩展本文的相关实证计算。
2007年第6期
存在条件下的系统动态。
(7) 重复步骤3) 6共M 次(本文
中M =500) , 我们可以得到条件期望
E [y t +n |X i , t -1, v i ]=1P M
和E [y t +n |X i , t -1]=
s s s E 1P M E M M m =1y t +n ss , m y 。m =1t +n ns , m (8) 再从X i , t -1中选取新的一行重
复步骤3) 7, 直到所有行向量都被选
到。
(9)通过条件期望的平均得到E
[y t +n |X t -1, v i ]和E [y t +n |X t -1], 并利
用(2) 式得到GIRF y (n , v i , X t -1) 。
(10) 选取冲击v i 和X t -1子集的另
一个组合重复步骤6) 9, 直到取尽所
有的可能路径。
通过上述过程我们分别得到了信
贷市场/放松0和/紧缩0状态下, 经济
波动对于各种冲击的反应, 其中, 预测
水平n =15(见图1, 为便于比较, 对于
同一种冲击, 经济波动在两个状态下
的反应图的纵坐标设置相同) 。
从图1我们可以直观和清晰地看
到非对称效应的存在。我们看到, 对
于1单位正向和负向的实际冲击、价
格冲击、货币冲击或者信贷冲击, 经济
波动在信贷市场处于/紧缩0状态下的
反应都明显要比信贷市场处于/放松0
状态下的反应更加剧烈。根据理论分
析, 我们完全可以肯定金融加速器效
¹应在中国的存在性。s s s s
另外, 从两种信贷市场状态下冲
击的持续性和方向上看, 与信贷市场
处于/紧缩0状态相比, 信贷市场处于
/放松0状态时经济波动对各类冲击的
反应持续性更强, 而且两种信贷市场
状态下相同方向和规模的冲击导致经¹图1 两种信贷市场状态下经济波动对于各类冲击的反应 这里给出的是模型滞后阶数为2的情况。之所以选择重点讨论滞后阶数为2的情况是考虑到在样本期间内, 无论从基准利率动态还是实际情况上看, 中国信贷市场处于/放松0状态的时期相对较多, 所以通过滞后阶数=2对应的门限值(414815) 划分的两种信贷市场状态持续期间比例更符合实际。当然, 我们也对滞后阶数为1的情况进行了检验, 结果显示同样存在图1中的非对称效应。另外, 对于不同的变量次序, 我们也进行了上述过程的检验, 结果虽略有差异, 但总体上结果相类似。结构式与简化式也基本没有差别, 所以本文只给出基于简化式的检验结果。
赵振全等:金融加速器效应在中国存在吗?
济波动的变动方向可能不同。例如, 在/放松0信贷市场状态, 1单位标准差的正向货币冲击对于经济波动的影响是导致其首先在近期内正向变动, 继而逐渐转化为负向变动。但在/紧缩0市场状态下, 相同特征的冲击却导致经济波动近期内出现一个相对大的负向变动, 然后转为正向, 最后再回到负向。显然, 这些细节对于政策操作预期具有一定的参考价值。
虽然研究的侧重点有所不同, 但许多相关研究的结论与本文的实证结果能够相互印证。例如, 赵进文等(2005) 利用LSTR 模型对中国货币政策效果的非对称性问题进行了检验, 并分别以实际利率和实际货币供给为/开关变量0(与本文的门限变量相类似) 验证了中国货币政策操作的非对称性效果。本文同样证明了中国货币政策效果的非对称性, 只是这一非对称效果来源于货币政策冲击与信贷市场状态的相互作用。尽管对于金融加速器效应产生的微观机理超出了本文的研究范围, 但关于价格冲击对于经济产出的非对称性效果, 本文的实证结果可以用来支持Bose(2002) 理论模型的基本结论。该文通过理论研究表明:通货膨胀率与产出增长率之间存在着负向的非对称性关系, 并且这种非对称关系条件依赖于信贷市场在高低两种信贷配给状态下的迁移, 通货膨胀率对于总产出的负向冲击也通过这一过程被传递和增强。
(二) 检验二:何种外生冲击决定信贷市场状态的迁移
鉴于信贷市场状态的变化是产生金融加速器效应的重要条件, 因此有必要研究信贷市场状态由什么决定, 它对模型中的哪种冲击更加敏感。我们在检验一的基础上继续探讨这一问题。
显然, 这里只需计算出信贷市场处于/紧缩0状态的概率对于各种备选冲击的反应, 或者是计算E [I (z t +n -1) =1|X t -1, v i ]的值就可以得到问题的答案。我们看到, 在计算GIRF 的基础上, 这一问
n -1题比较容易实现。图2给出了信贷市场初始状态为/放松0条件下, 信贷市场状态迁移到/紧缩0情况的概率。为了方便比较, 我们也同时给出了无冲击状态下的概率, 即E [I (z t +
图2显示, 相比之下, 信贷冲击对
于信贷市场状态变化的作用最为显
著, 其次是货币冲击和价格冲击, 最后
是实际冲击。该结果显示在中国唯有
针对信贷规模调整的货币政策才能迅
速有效地抑制信贷市场/过热0趋势,
而试图通过以货币供给量作为中介目
标的货币政策对信贷紧缩的作用相对
有限。结合检验一的结果可知, 信贷
渠道仍然在各种货币政策传导机制中
发挥着重要作用。这一结果还说明,
当以经济产出作为最终目标, 同时以
货币供给量M1作为货币政策的中介
目标时, 宏观调控效果应该是相对稳
定的, 因此不易出现大起大落现象。
而信贷规模调整则是宏观调控过程中
图2 信贷市场紧缩状态概率对于各类冲击的反应 的/双刃剑0, 如果以其作为货币政策
的中介目标, 虽然在抑制投资拉动型/经济过热0时能够起到立竿见影的效果, 但运用不当将导致宏) =1|X t -1]。观经济在金融加速器的作用机制下/硬着陆0, 甚至引发持续衰退。蒋瑛琨等(2005) 通过不同的研究角度和计量手段也得到了类似的实证结论。
从图2中我们还看到, 尽管信贷规模调控在制约信贷市场状态方面的能力比较突出, 但其影响
2007年第6期
力的持续期却非常短。该结果与中国的现实情况完全符合, 我们知道, 中国银行业的利润来源单一, 对利差过度依赖, 所以长期以来其贷款意愿相对较强。同时, 在退出机制不完善的状态下, 银行破产的最后担保人是国家, 银行不必担心/挤兑0的发生, 而且长期以来经济的持续高速发展不免会提高借贷双方对于经济形势的乐观预期, 这些因素综合导致中国银行业, 尤其是国有银行普遍存在
¹内在的贷款冲动行为。即使在央行推出一系列旨在抑制经济过热的宏观调控政策之后, 比如, 定
向发行央行票据的操作(其目的是对个别贷款增长过快的商业银行实行差别化调控) , 国内银行仍
º然可以通过非市场化方式削弱其影响力。当然, 这也是亟需通过金融改革和金融监管加以解决
的重要问题。
(三) 检验三:信贷市场怎样影响着宏观经济波动
通过前面的检验我们初步认识到信贷市场在宏观经济波动中的传导作用。进一步分析图2提供的信息又会使我们产生这样的思考, 既然信贷市场对于自身的状态变化起到了至关重要的作用, 那么, 单纯地将它视为宏观经济波动的传导中介未免有失偏颇, 起码在没有掌握信贷市场自身波动对于宏观经济波动的贡献时, 我们还不能武断地下结论。鉴于这一疑问, 本文将利用下一部分内容检验信贷市场自身作为波动源对于宏观经济波动的影响程度。
在线性模型中, 我们往往通过历史分解方法来了解各种外生冲击对于实际波动的影响。所谓历史分解就是在外生冲击已知的条件下检验因变量预测值的变化, 从而判断各外生冲击在因变量波动过程中的贡献。根据以上阐述, 我们可以将预测函数的变化表示为:
F (X t -1, n , i ) =E [y t +n |X t -1, v t , v t +1, , , v t +n ]-E [y t +n |X t -1]
i i i i (3) 其中, X t -1为模型t -1时刻的历史信息集, n 为预测水平, v t +j 为t +j 时刻的第i 个外生冲击。
该函数与IRF 函数相类似, 函数结果依赖于变量在整个预测水平内受到的已实现冲击(realized shocks) 。线性条件下变量在不同冲击下预测函数变化的总和等于预测误差, 但在非线性条件下则不确定。因此, 我们可以定义一个函数来反映两者之间的差异, 具体表示为:
R (X t -1, n ) =y t +n -E [y t +n |X t -1]-i =1E F (X k t -1, n , i ) (4)
(4) 式中的函数R 实际上刻画了非线性系统下各种冲击相互影响的综合结果, 即体现了信贷市场状态变化对于冲击的非线性传导作用。线性条件下, R 函数的值应始终为零。
根据(3) 式我们对经济增长率进行了预测水平为12个月的历史分解, 并通过(4) 式计算出函数R 的值(见图3) 。
这里只给出了信贷冲击对于经济波动的贡献度。为便于分析我们还给出了中国经济景气监测中心和国家统计局公布的国民经济景气动向的一致指数(1996年=100) 及预警指数为/趋降0和/过冷0的区间(图中阴影区) 。
从图3反映的信息可以判断, 信贷市场作为波动源的角色对于宏观经济波动的影响比较明显。尤其是在1992) 2001年这段时期内, 信贷冲击贡献度的平均水平较高, 变化幅度也较大, 且变化期与利率政策的调整期极为吻合。例如, 从图中来看, 1995年1) 4月的大幅反向冲击显然加剧了经济指数在相应期间内的下滑趋势, 而这一冲击正是信贷市场对于央行1995年1月上调中长期贷款基准利率的合理反应。与其相反, 2000年1) 6月信贷冲击的大幅正向作用则为宏观经济走出谷底提供了强大的推动力量。显然, 此时期的信贷冲击是央行1999年6月降低贷款基准利率和同年11¹这里提及的银行贷款冲动与穆争社(2005) 提出的/关系型信贷配给0虽然在产生机制上并不相同, 但理论上两者都会在一定程度上弱化金融加速器效应。所以, 检验一得到的实证结果还说明:这两种弱化机制并不能完全消除金融加速器效应。
º可参考易宪容在5银行之间的-对敲游戏. 化解央行调控政策6中的阐述。
赵振全等:金融加速器效应在中国存在吗?
月下调法定存款准备金率两项信贷政策操作共
同引发的结果。
从函数R 值变化的情况来看, 在本文的考
察区间内, 金融加速器效应对于冲击的非线性
传导作用在宏观经济波动的轨迹中得到了充分
体现。例如, 1995年2月) 1997年5月和2000
年5月) 2001年3月两段期间R 函数的剧烈波
动比较直观地说明了金融加速器效应的/小冲
击, 大波动0以及/恶化经济衰退趋势0的特征,
这使我们有理由相信金融加速器机制在产生
1997年12月) 2000年4月和2001年8月)
2002年6月的宏观经济低迷(阴影区所示) 期间
发挥了重要作用。另外, 对比上下两图不难发
现, 信贷市场对于冲击的非线性传导作用也是
导致2004年3月) 2005年2月期间宏观经济景
气下滑的重要原因。我们看到, 这一期间信贷
冲击的贡献率并没有太大的变化。
五、结论和启示
无论是从促进国民经济健康稳定发展, 还
是从提高宏观经济调控能力的角度出发, 深刻
理解中国信贷市场与宏观经济波动的关联性都
是一个意义深远、兼具学术探索性和政策参考
性的课题, 而金融加速器理论正是讨论这一问
题的有效理论媒介。实际上, 在忽视金融加速
器效应的情况下, 我们无法全面和客观地评价
信贷市场对宏观经济波动的影响。然而, 这一
理论在国内相关研究领域中并未得到充分重
视。本文正是以此为动机, 从金融加速器理论
出发, 在深刻认识金融加速器主要特征的基础
上, 运用非线性计量模型在宏观层面上对中国
信贷市场与宏观经济波动的关联性展开实证检
验, 并得出如下主要结论:
第一, 由经济增长率、通货膨胀率、货币供
应量增长率以及金融机构贷款增长率四个内生
变量构建TVAR 模型, 并以金融机构贷款增长率图3 经济增长率预测值在冲击下的变化 为门限变量, 通过检验发现模型在较高的显著性水平上呈现非线性特征。
第二, 利用GIRF 给出了信贷市场在/放松0和/紧缩0状态下宏观经济波动对于1单位正向和负向的实际冲击、价格冲击、货币冲击与信贷冲击的反应。结果显示:经济波动在信贷市场处于/紧缩0状态下的反应都明显要比信贷市场处于/放松0状态下的反应更加剧烈, 从而肯定了金融加速器效应在中国的存在性。
2007年第6期
第三, 通过计算信贷市场/紧缩0状态概率对于各类冲击的反应发现:信贷冲击对于信贷市场状态变化起到的作用相比之下最为显著, 其次是货币政策冲击和价格冲击, 最后是实际冲击。这一结果不仅突出了信贷渠道在各种货币政策传导机制中的重要地位, 也揭示出信贷规模调控在金融加速器作用机制下产生的风险性问题。
第四, 通过经济增长率的历史分解我们发现, 信贷市场在宏观经济波动的过程中既是重要的波动源, 同时也是宏观经济波动的非线性传导中介。运用金融加速器理论可以合理解释部分中国宏观经济波动的轨迹特征。
基于本文的研究我们可以得到以下两点启示:
首先, 从政策含义的角度来看, 随着中国国有银行改革的不断深入、新型业务的逐步开展以及金融监管制度的日趋完善, 银行业的贷款行为将日益规范化和市场化。届时, 金融加速器的总体效应将更加显著。这就要求宏观调控政策, 尤其是以数量型工具为主体的调控政策在制定和执行时必须充分考虑到金融加速器效应的客观存在, 并通过判断和预测信贷市场对于政策操作的反应选择合理的政策工具、调节规模和时机, 以消除金融加速器效应可能带来的不确定性问题, 从而切实增强宏观调控的合理性、稳健性和可预见性。
其次, 从进一步研究的角度来看, 本文的研究思路和方法对于货币政策有效性或者货币政策传导机制的相关研究具有一定启示和借鉴意义。比如, 我们可以将通货膨胀作为门限变量, 变换角度讨论货币冲击和信贷冲击对其状态变化的影响。另外, 宏观现象只是微观行为的集中和放大, 即使在宏观层面上金融加速器效应是存在的, 但由于经济和法制环境、市场化程度以及发展阶段等因素的差异, 不同经济体内金融加速器产生的微观机理也不尽相同。所以, 在微观层面上解析金融加速器效应产生的基础将是未来研究的重点方向。国外已有一些文献从金融加速器概念出发利用企业数据检验信贷约束或企业外部融资成本差异对企业投资行为的影响。例如, Whited(1992) 、Hu 和Schiantarelli(1998) 以及Vijverberg(2004) 的实证研究, 这为我们日后在微观层面上讨论金融加速器的产生机制和影响力提供了有益的参考。
参考文献
陈磊, 2001:5中国转轨时期经济景气的测定和分析6, 5世界经济6第12期。
陈磊, 2004:5中国转型期的信贷波动与经济波动6, 5财经问题研究6第9期。
蒋瑛琨、刘艳武、赵振全, 2005:5货币渠道与信贷渠道传导机制有效性的实证分析) ) ) 兼论货币政策中介目标的选择6, 5金融研究6第5期。
刘涛, 2005:5中国经济波动的信贷解释:增长与调控6, 5世界经济6第12期。
刘树成、张晓晶、张平, 2005:5实现经济周期波动在适度高位的平滑化6, 5经济研究6第11期。
穆争社, 2005:5论信贷配给对宏观经济波动的影响6, 5金融研究6第1期。
赵进文、闵捷, 2005:5央行货币政策操作效果非对称性实证研究6, 5经济研究6第2期。
Andre ws , D. and W. Ploberger, 1994, /Opti mal Tes ts When a Nuis ance Parameter Is Present Only under the Al ternative 0, Economet rica , 62
(6) , 1383) 1414.
Azariadi s, C. and B. Smith, 1998, /Financial Intermediation and Regime Switching in Bus iness Cycles 0, Ame rican Ec onomic Re view , 88
(3) , 516) 536.
Balke, N. , S. 2000, /Credi t And Economic Acti vi ty:Credit Re gimes And Nonlinear Propagati on Of Shocks 0, Re vie w o f Economics and Statistic s , 82(2) , 344) 349.
Bernanke, B. S. and A. Bli nder, 1988, /Credi t, Money, and Aggregate De mand 0, Ame rican Economic Re vie w , 78, 435) 439.
Bernanke, B. and M. Gertler, 1989, /Agency Cos ts, Net Worth, and Busi ness Fl uctuations 0, Americ an Economic Re vie w , 79, 14) 31. Bernanke, B. , Gertler, M. , and S. Gilchri st, 1996, /The Financi al Accelerator and the Fli ght to Quality 0, Re vie w o f Economics and Statistic s , 78, 1) 15.
Bernanke, B. , Gertler, M. , and M. Watson, 1997, /Sys tematic Monetary Policy and the Effec ts of Oi l Price Shocks 0, Brookings Pape rs on Ec onomic Acti vity , 91) 116.
赵振全等:金融加速器效应在中国存在吗?
Bernanke, B. , Gertler, M. , and S. Gilchri st, 1999, /The Fi nancial Accelerator i n a Quanti tative Business Cycle Framework 0, in:Taylor, J. B. and M. Woodford, eds. , Handbook of Mac roec onomics, Amsterdam:North -Holland, 1, 1341) 1393.
Bose, N. , 2002, /Inflation, the Credi t Market, and Economic Gro wth 0, Ox f o rd Econo mic Pape rs , 54(3) , 412) 434.
Fisher, L. , 1933, /The Debt ) Deflation Theory of the Great Depression 0, Ec onometric a , 1, 337) 357.
Gertler, M. and S. Gilchrist, 1994, /M one tary Policy, Busines s Cycles, and the Behavi or of Small Manufacturing Fi rms 0, Q uarterly Journal o f Ec onomics , 109, 309) 340.
Greenwald, B. and J. E. Sti glitz, 1993, /Financial Market Imperfecti ons and Busi ness Cycles 0, Quarte rly Journal o f Ec onomics , 108(1) , 77) 114.
Hansen, B. E. , 1996, /Inference When a Nuisance Parameter Is Not Identi fied Under the Null Hypothesis 0, Economet rica , 64(2) , 413) 430.
Hu, X. , and F. Schiantarelli, 1998, /Inves tment and Capital M arket Imperfections:A Switc hing Regression Approach Using US Firm Panel Data 0, Re vie w o f Ec onomics and Statistics , 80(3), 466) 479.
Kashyap, A. , Stein, J. , and D. Wilcox, 1993, /M onetary Policy and Credit Conditions:Evi dence fro m the Composition of External Fi nance 0, Ame rican Economic Re view , 83, 78) 98.
Kiyotaki, N. , and J. Moore, 1997, /Credit Cycles 0, Journal o f Political Economy , 105(2) , 211) 248.
Koop, G. , Pes aran, M. H. , and S. Potter, 1996, /Impulse Res ponse Analysis in Nonli near Multi vari ate Models 0, Journal o f Econometric s , 74, 119) 148.
Potter, S. , 1999, /Nonlinear Time Series Modelling:An Introduction 0, Journal o f Economic Surve ys , 13(5) , 505) 528.
Tsay, R. S. , 1998, /Testing and Modeli ng Multivariate Thres hold Models 0, Journal o f the Ame ric an Statistical Assoc iation , 93, 1188) 1202.
Tong, H. , 1978, /On a Threshol d Modeling 0, i n:Chen, C. H. , ed. , Pattern Recogni ti on and Signal Proces sing, Amsterdam:Sij thoff and Noordhoff, 101) 141.
Weise, C. , 1999, /The Asymmetric Effects of Monetary Policy:A Nonlinear Vector Autoregres sion Approac h 0, Journal o f Mone y Cre dit and Banking , 31, 85) 108.
Whi ted, T. , 1992, /Debt, Liqui dity Constraints, and Corporate Inves tment:Evidence From Panel Data 0, Journal o f Finance , 47, 1425) 1460.
Vijverberg, C. C. , 2004, /An Empirical Financi al Accelerator Model:Small Fi rms . Invest ment and Credi t Rationing 0, Journal o f Mac roeconomics , 26, 101) 129.
The Nonlinearity between Credit Market and Macroeconomic
Fluctuations in China :An Empirical Research from the
Perspective of Financial Accelerator
Zhao Zhenquan, Yu Zhen and Liu Miao
(Jilin University Quantitative Research Center of Economics; Business School of Jilin University)
Abstract :Using theory of the financial accelerator for guidance, this paper applies threshold vector autoregression model to verify the nonlinear nexus between credit market and macroeconomic fluctuations in China in macro level. The results from nonlinear i mpulse response function show that there exist remarkable financial accelerator effects during the period of 1990. 1) 2006. 5in China, which behaves that the same alternative shocks have substantially larger effects on output growth when system is in the tight -credit regi me. Moreover, credi t shock is more effective on controllin g the credit market condition than the others. Money supply shock and price shock are in the next place, and actual shock is the last. Further test results prove that credi t market is an i mportant source of shocks and also acts as a nonlinear propagator of shocks to macroeconomic fluctuations. Moreover, adopting financial accelerator in the analysis of characters of macroeconomic fluctuations in China will be very helpful for better understanding. At las t, the paper presents some suggestion for the p oli tical application of the conclusion and direction in fu ture research.
Key Words :Credit Market; Macroeconomic Fluctuations; Financial Accelerator ; Nonlinearity; TVAR Model
JEL Classification :E30, E32
(责任编辑:成 言) (校对:芝 山)
2007年第6期
金融加速器效应在中国存在吗?
赵振全 于 震 刘 淼*
内容提要:本文从金融加速器理论出发, 运用门限向量自回归(TVAR) 模型在宏观层
面上对中国信贷市场与宏观经济波动的非线性关联展开实证研究。通过非线性脉冲响应
函数的检验结果我们发现:在1990年1月至2006年5月期间, 中国存在显著的金融加速
器效应, 表现为对于相同特征的各种外生冲击, 经济波动在信贷市场处于/紧缩0状态下的
反应均明显强于信贷市场处于/放松0状态下的反应。另外, 信贷冲击对于信贷市场状态
变化的作用最为显著, 其次是货币冲击和价格冲击, 最后是实际冲击。进一步的检验还表
明:信贷市场在宏观经济波动过程中既是重要的波动源, 同时也是波动的有力传导媒介,
运用金融加速器理论有助于合理解释中国宏观经济波动的轨迹特征。最后本文阐述了实
证结论的政策含义和未来研究的侧重点。
关键词:信贷市场 宏观经济波动 金融加速器 非线性 TVAR 模型
一、前 言
宏观经济学研究的一项重要任务与挑战是理解产出波动的起因、传导机制及其持续性。众所周知, 实际经济周期模型和凯恩斯的I S -LM 模型是该领域迄今应用最为广泛的两类分析框架。虽然两者在许多方面存在差异, 却都肯定了MM 定理的内涵并以此为前提假设, 认为资产的实际价格是由利率期限结构和未来支付预期决定的, 金融市场或信贷市场状况并不能影响经济产出(Bernanke et al 1, 1999) 。然而, 这两种主流宏观经济学理论在解释类似/大萧条0(the great depression) 这样的严重经济衰退时却显得无能为力, 因为/大萧条0中的经济波动并不是来自大的、
¹持续的冲击, 金融交易崩溃才是真正源头。因此, 自Fisher(1933) 探索性地运用债务型通货紧缩
(deb-t deflation) 解释/大萧条0的发生以来, 经济学家逐渐开始把金融因素视为经济周期波动中的重要成份。
20世纪70年代兴起的不完全信息论(informational imperfections) 成为各种金融市场摩擦融入经济周期波动分析框架的理论媒介和有力工具。近年来, 与MM 定理背道而驰的金融市场不完美性(financial market imperfections) 越来越多地被运用到该领域研究中。随着相关研究的不断深入, 信贷市场在宏观经济波动中的重要作用得到了广泛认可和关注。大量文献以金融市场不完美性为背景, 分别从不同层面和机制出发, 针对信贷市场和宏观经济波动的关联性展开讨论。其中, 以* 赵振全, 吉林大学数量经济研究中心、吉林大学商学院, 邮政编码:130012, 电子信箱:zz quan2000@163. com; 于震、刘淼, 吉林大学商学院博士研究生, 电子信箱:yz2001915@163. com, li um258@163. com 。作者感谢/吉林大学-985工程. 项目0经济分析与预测哲学社会科学创新基地(2004) 、教育部重点研究基地重大项目(05JJ D790005) 、国家社会科学基金项目(05BJY100) 以及国家自然科学基金项目(70573040) 对本文研究的支持, 感谢美国南卫理公会大学Nathan Balke 教授和纽约联邦储备银行Simon Potter 博士对本文提供的帮助, 感谢匿名审稿人的宝贵建议。当然, 文责自负。
¹ 所谓冲击是指使经济运行偏离其正常轨道的推动或扰动力量。关于产生经济波动的冲击类型和来源, 不同的学派认识不同。本文借鉴实际经济周期学派强调的/实际冲击0(包括技术冲击和生产率冲击) 和/名义冲击0(包括货币冲击和价格冲击) 的划分方法。相关的规范性阐述参见刘树成等(2005), 第12页。此外, 实证研究中一般采用冲击因素的变动来测定冲击的大小和方向。
赵振全等:金融加速器效应在中国存在吗?
Bernanke 等人(1996) 提出的金融加速器(financial accelerator) 理论最具代表性和总结性。该理论着眼于宏观经济波动的传导机制, 阐述了信贷市场不完美性导致最初的反向冲击通过信贷市场状态的改变被加剧和传递的机理) ) ) 金融加速器, 从而揭示出信贷市场在/小冲击, 大波动0现象中的重要作用。金融加速器理论对于相关研究的最大启示是, 信贷市场和宏观经济波动的关联是非线性的, 在金融加速器机制作用下, 冲击对于经济产出的影响依赖于信贷市场所处的状态呈现非对称性, 体现为相对于/放松0信贷市场状态, /紧缩0信贷市场状态下的冲击对于产出的影响更大, 从而
¹可能加剧宏观经济波动, 恶化经济衰退趋势。金融加速器理论是许多理论研究的高度概括和升
华。例如, Bernanke 和Gertler(1989) , Greenwald 和Stiglitz(1993) , Kiyotaki 和Moore(1997) 以及Azariadis 和Smith(1998) 所提出理论模型的结论都可以作为支持金融加速器理论的证据。与此同时, 金融加速器理论也成为该领域研究的理论基础或研究对象。例如, Balke(2000) 和Vijverberg(2004) 分别从宏观和微观角度对金融加速器效应的存在性进行了实证检验。
总结金融加速器的相关文献我们发现, 金融加速器效应发生过程虽然不尽相同, 但无论是何种冲击最终都会通过影响借贷关系中的代理成本进而引发信贷配给在/紧缩0和/放松0状态间的转
º移, 在金融加速器机制下作用于宏观经济波动。那么, 何种冲击有可能引发金融加速器效应呢?
本文通过归纳已有文献, 认为以下三种外生冲击会导致信贷市场状态的变化, 从而成为产生金融加速器效应的必要条件。第一种是实际冲击(包括技术冲击和生产率冲击) 。例如, Kiyotaki 和Moore (1997) 描述了一个信贷约束内生化的动态经济模型。模型中引入两条基本假设:(1) 土地既是生产资料也是贷款抵押资产; (2) 企业可划分为受信贷约束影响的企业和不受信贷约束的企业, 假设在某一时期企业经历的暂时性技术冲击使其资本净值减少, 受到信贷制约的企业会因为无法获得更多的借贷而被迫削减投资(包括土地投资) , 下一期收入也随之减少, 企业资本净值将进一步下降, 于是, 借贷限额更小, 投资继续削减, 这一过程会如此延续下去。这样, 本来是小的、暂时性的冲击在贷款限额和抵押资产价格的动态关系影响下不断加强、持续和扩散。第二种是价格冲击。例如, 在Bose(2002) 理论模型描述的经济中, 在借贷双方信息不对称的情况下, 信贷市场存在着两种信贷配给状态, 通货膨胀率增大会影响贷方的配给行为, 使得信贷市场状态发生转变, 通货膨胀率产生的负向增长效应最终通过这一过程被放大。第三种是货币冲击。例如, Bernanke 和Blinder(1988) 在货币主义学派理论基础上, 提出一个由货币、债券和银行贷款三种不完全替代资产构成的CC -LM 模型(C C 表示商品市场和贷款市场的均衡) 。模型分析的结论显示即使货币政策的利率效果不存在, 货币政策也可以通过影响银行贷款规模, 使得CC 曲线发生移动, 从而达到影响实际经济的目
»的, 我们看到, 这一观点强调了货币政策的信贷传导机制。
那么, 中国信贷市场对于宏观经济波动的作用机制和效果如何呢? 基于以下几方面, 本文认为这是一个非常值得深入探讨的课题。
首先, 中国的金融体系是名副其实的/银行主导型0, 信贷市场是中国企业资金来源的主渠道。虽然企业可以通过证券市场来获得资金, 但通过直接融资获得资金比例与从银行贷款这种间接渠¹
º这里的信贷市场状态(credi t market condi ti ons) 反映了信贷约束(credi t constraints) 的程度。所谓信贷约束是指企业无法从银信贷配给是指银行结合贷款企业发生贷款风险的概率和利息两方面因素放贷, 而融资企业贷款需求得不到满足的现象。行获得所需信贷资金的现象。信贷配给的可能结果有:(1) 一部分企业可以获得所需贷款, 而另一部分企业即使愿意支付更高的利息也无法获得贷款; (2) 融资企业的资金需求只能得到部分满足。由定义可知信贷配给是导致信贷约束的重要原因。
»实际上, 货币政策的信贷传导渠道研究与本文内容相关, 但相对于金融加速器理论而言, 信贷渠道观点(credi t channel vie w ) 的侧重点在于货币政策(除利率工具外) 对于实际经济的冲击是如何通过改变银行信贷量实现的, 而金融加速器理论则强调外生冲击(货币冲击可能只是外生冲击之一) 通过信贷市场被放大和传导的机制。笔者认为对于本文的研究重点, 以金融加速器理论为主线的讨论涵盖面更全面, 所以对信贷渠道观点并未在此赘述。
2007年第6期
道获得的资金比例相比还是太少。据统计, 截至2003年中国企业直接融资占总融资的比重为19144%, 而间接融资则为80156%。由此可见, 信贷市场对于宏观经济健康稳定发展的重要性不言而喻。
其次, 对中国这样一个正在向市场经济过渡的经济体来说, 无论是经济运行模式还是市场机制都与发达国家存在一定差别, 而且宏观经济调控的某些方面还带有明显的行政干预特征, 这些因素都增强了宏观经济调控效果的不确定性, 简单照搬西方国家的宏观调控工具很难达到预期的政策效果。同时我们必须意识到, 尽管2002年以来中国宏观经济波动摆脱了以往大起大落的现象, 呈现出适度高位平滑化特征(刘树成等, 2005) , 但学术界和实务界对于宏观经济是否过热以及宏观调控措施合理性的争论却愈演愈烈, 大好局面下的中国宏观经济调控正面临着一个巨大考验, 成功与否关乎中国经济的未来走势。这要求我们必须广泛寻求具有/中国特色0的经济环境和不同经济增长阶段下的宏观经济典型化事实, 更加准确地判断经济扩张和收缩机制, 客观评价宏观调控政策的运行机制和效果, 为宏观调控的政策工具、力度和时机选择提供理论与经验支持。显然, 洞悉信贷市场对于宏观经济波动的影响机制及效果有着极其重大和深远的现实意义。
最后, 中国学者对于中国信贷市场与宏观经济波动关联性的研究虽然不少, 但大多数文献还存在几个有待改进的问题:一是实证研究没有充分体现信贷市场作用于宏观经济波动的本质特征) ) ) 非线性和非对称性, 导致结论的可靠性和政策参考性有待于进一步检验。例如, 刘涛(2005) 在线性VAR 模型框架下考察了信贷波动与宏观经济波动的协整关系; 二是实证研究的变量仅包括经济增长指标和信贷市场指标, 强调了信贷市场本身作为波动源对宏观经济波动产生的影响, 却忽视了信贷市场在整个宏观经济波动过程中的传导作用。例如, 陈磊(2004) 对信贷波动与宏观经济波动之间线性Granger 因果关系的检验; 三是许多研究虽然在理论上认识到信贷市场对于宏观经济波动的影响机制和作用, 却没有针对中国的具体情况给出实证检验。例如, 穆争社(2005) 仅在理论上系统地阐述了信贷配给对于宏观经济波动的非对称性影响, 并分析了我国的实际情况, 但缺实证检验。根据以上分析, 本文将针对国内已有研究的不足就这一问题进行更加深入的讨论。
本文基于金融加速器理论, 利用非线性计量方法在宏观层面上对中国信贷市场作用于宏观经济波动的机制和效果给出实证检验, 力求回答以下三个核心问题:
问题一:中国存在金融加速器效应吗?
问题二:何种外生冲击决定信贷市场状态的迁移?
问题三:信贷市场怎样影响着宏观经济波动?
本文的结构安排如下:第二部分介绍计量模型和变量的选取情况, 第三部分给出模型的非线性检验和参数估计结果, 第四部分针对第一部分提出的三个问题进行适当的实证检验和分析, 最后得出结论。
二、计量模型及变量选取
近年来, 非线性时间序列模型以其在捕捉时间序列非对称性和周期性特征上的优势而得到广泛应用, 而最早由Tong(1978) 提出的门限模型是主流非线性时间序列模型之一(Potter, 1999) 。门限向量自回归(threshold vector autoregression, 以下简称TVAR) 模型将非线性模型和VAR 模型的优点相融合, 非常适合刻画信贷市场与宏观经济波动之间理论上可能存在的状态(区制, re gimes 或classes) 依赖、非对称性和多重均衡。基于此, 本文借鉴Balke(2000) 的研究方法, 应用TVAR 模型来检验中国信贷市场与宏观经济波动的非线性关联。基于前面的理论分析, 在TVAR 模型框架下, 我们使用反映信贷市场状态的变量充当门限变量, 并将能够反映实际冲击、价格冲击和货币冲击的变量纳入到非线性系统中来。因此, 信贷市场状态的转移是系统内生的, 可以解释为其它变量冲击的
赵振全等:金融加速器效应在中国存在吗?
结果。然后, 通过非线性检验判断变量间的相互影响关系是否存在多重均衡, 进而针对不同信贷市场状态, 利用计量工具完成既定的检验任务。
11两区制TVAR 模型¹
假设y t 由k @1维内生变量向量组成, 记为y t =(y 1t , , , y kt ) c ; c i 是k @1维常数向量, A i , j 是k @k 维的系数矩阵, 其中i =1, 2表示区制数, j =1, , , p 表示向量自回归的阶数; I(#) 为指示函数, z t 为门限变量, d 表示滞后期, 若门限值为r , 有
I(z t -d ) =1, z t -d >r
0, z t -d [r
那么, 一个两区制的TVAR 模型就可以表示为:
y t =(c 1+
j =1E A p 1, j t -j y ) +(c 2+j =1E A p 2, j y t -j ) I(z t -d ) +E t (1)
其中, E t 是k @1维扰动向量, 均值为0, 方差为E , 当t X l 时,
明的是, 门限变量z t 应为y t 中的一个分量, 且满足平稳性要求。E (E c t ) =0。还有一点要说t E
这里给出的(1) 式是TVAR 模型的简化式, 为了考察变量间同期关系对系统非线性特征产生的影响, 在实证过程中我们实际上同时估计了上述TVAR 模型的结构式, 即STVAR 模型, 并对结果进行了比较。
21TVAR 模型的非线性检验
在/不存在门限效应0的原假设下, 即(1) 式中有A 1, j =A 2, j 成立, 则TVAR 模型的门限参数无法识别, 这就使得传统的检验统计量不再服从V 分布, 而非标准分布的临界值又无从获得, 这一难题在统计检验上被称为/戴维斯问题0(Davies problem) 。为解决该问题, 我们在固定每一个可能门限值的情况下, 通过最小二乘法对门限模型进行估计。此时, 各门限值都将TVAR 模型分割成两个分属不同区制的系统。这样, 就可以利用Wald 检验对不同区制下的模型系数进行差异性检验。本文计算了三个Wald 统计量:sup -Wald 是所有可能门限值中最大的Wald 统计量; avg -Wald 和e xp -Wald 是Andrews 和Ploberger(1994) 建议使用的Wald 统计量, avg -Wald 表示所有可能门限值Wald 统计量的平均, 而exp -Wald 是指数Wald 统计量和的函数。本文借鉴Hansen(1996) 的模拟方法, 通过统计量本身的大样本分布函数转换得到大样本下的p 值, 在原假设下, p 值统计量在大样本下服从均匀分布, 而这种转换可以通过bootstrap 方法轻易地实现。这样, 我们就可以通过Hansen(1996) 提出的方法将门限参数的Wald 统计量映射到一个已知分布的置信区间上。
31变量选取及说明
本文构建的TVAR 模型由四个内生变量组成, 分别是经济增长率、通货膨胀率、货币供应量M1的增长率以及金融机构贷款总额的增长率。其中, 经济增长率反映宏观经济动态, 同时代表系统内的技术或生产率冲击。通货膨胀率代表价格因素, M1代表货币政策因素, 金融机构贷款总额的增
º长率代表信贷市场状态的变化。TVAR 模型含有两个区制, 金融机构贷款总额增长率较高和较低¹
º2根据本文的研究内容, 这里只给出了两区制TVAR 模型的形式, 更多相关内容可参阅Ts ay(1998) 。在国外的相关研究中通常利用以下几个指标反映信贷市场状态的变化:(1) 短期商业票据市场利率与短期国债利率差额; (2) 所有企业外部融资中银行贷款和商业票据所占比重; (3) 大型与小型制造类企业之间短期贷款增长率之差(Kashyap et al, 1993, Gertler and Gilchris t, 1994) 。但鉴于两点原因本文不能采用上述指标:(1) 中国不仅实行利率管制, 而且国债市场和商业票据市场都不发达; (2) 企业融资的月度或季度数据缺乏官方统计资料。另外, 由于小企业通常受到金融约束的影响较大, 所以当信贷市场状态变/冷0时, 贷方信贷配给会通过小企业投资的减少引发金融加速器效应, 因此我们这里也考虑到采纳金融机构私人贷款或乡镇企业贷款增长率。但通过观察数据发现两者占贷款总额的比重均太小, 而且几乎没有变化, 所以它们并不适合用于反映信贷市场状态的变化。
2007年第6期
的区制分别对应着信贷市场/放松0和/紧缩0两种状态。
由于TVAR 模型的合理估计需要充足的样本量作保证, 而GDP 的官方数据为1994年开始的季度数据, 且2004年和2005年的GDP 数据经过调整后与之前数据不可比, 所以本文采用工业增加值
¹增长率来代替GDP 增长率反映宏观经济波动情况。在实证研究中我们采用1990年1月至2006
年5月的月度数据, 除以上原因外, 还因为样本期间内的市场经济发展程度相对较高, 且宏观调控水平相对成熟, 可能存在的宏观经济波动传导机制更显著。本文原始数据均来自于各期5中国经济景气月报6、中经网数据库以及国家统计局官方网站。为了消除物价因素影响, 我们利用居民消费物价指数CPI(1989年为基期) 将名义工业增加值平减为实际值。为了消除季节因素和不规则因素的影响, 我们还对实际工业增加值Y 、CPI(1989年为基期) 、M1以及金融机构贷款总额(下称FC) 作
º了X12季节调整。最终加入到模型中的变量为各序列调整后的对数一阶差分形式, 迭代结构的
次序为实际工业增加值增长率($LY) 、环比通货膨胀率(I NF) 、M1增长率($LM1) 、金融机构贷款总
»额增长率($LFC) 。
三、非线性检验和参数估计结果
11非线性检验
通过各变量平稳性的ADF 检验结果(见表1) 可以看到, 除环比通货膨胀率为I(1) 序列外, 其它变量均为平稳序列, 所以各变量之间并不存在协整关系。
表1
变量
$LY
INF
$LM1
$LFC 检验形式(C, T, K) (C, 0, 0) (C, T, 4) (C, T, 0) (C, T, 0) ADF 统计量-221675-21715-131103-121311ADF 检验结果临界值-31464***变量检验形式(C,T , K) ADF 统计量临界值-31141*-31464*-31464*****$INF (C, 0, 3) -111851-31465***
注:11其中检验形式(C, T, K) 分别表示单位根检验方程包括常数项、时间趋势和滞后项的阶数; 21**
1%、5%和10%显著水平下的临界值。***、和*分别表示在
为确保线性模型与非线性模型之间的可比性, 文中TVAR 模型的滞后阶数与基准线性模型的滞后阶数相同。根据SC 准则, 基准线性模型的滞后阶数为1, 但根据AIC 准则滞后阶数为2。所以, 我们按照滞后阶数为1和2的情况, 分别对TVAR 模型进行了非线性检验。检验结果显示(见表2) :虽然不同滞后阶数下, TVAR 模型的门限值不同, 但在同一滞后阶数下模型对于变量之间同期关系是否加入这一条件表现出/双稳健0特征, 即无论是采用TVAR 模型还是STVAR 模型, 检验结果都在1%的显著性水平上拒绝/模型为线性0的原假设, 模型的非线性在统计上非常显著。另外, 无论是TVAR 模型还是STVAR 模型, 在同一滞后阶数下门限值相同。
当然, 确定模型的非线性特征是本文深入研究的重要前提, 但并不是最终目的。因此, 以模型的非线性为基础, 通过系统脉冲响应函数(impulse response function, 下称IRF) 和历史分解(historical ¹
º
»陈磊(2001)研究表明从变动趋势上看, 中国工业总产值增长率与综合景气指数基本一致, 周期转折点几乎完全相同。Weise(1999) 认为VAR 模型的非线性特征可能是由数据的时间依赖性结构突变产生的, 而对于季节和不规则因素的调整有助于消除这一隐患。这里给出的变量次序参考了Bal ke(2000)和Bernanke et al(1997) 的实证研究。由脉冲响应函数的定义可知, VAR 模型变量加入次序的变化可能导致脉冲响应函数结果出现差异。我们后面的实证中会通过变换次序给出敏感性检验。
赵振全等:金融加速器效应在中国存在吗?
decomposition) 等计量手段, 解答第一部分提出的三个核心问题是下文的主要内容。
表2
门限变量
$LFC TVAR 模型的非线性检验与门限值TVAR 模型:门限值同期关系中不存在门限效应
sup -Wald avg -Wald
53119
(01000)
68116
(01000) exp -Wald 30134(01000) 39194(01000) S TVAR 模型:同期关系中存在门限效应sup -Wald 74143(01000) 106175(01000) avg -Wald 62123(01000) 79156(01000) exp -Wald 34138(01000) 48184(01000) 模型滞后=[1**********]1(01000) 85199(01000) 模型滞后=2414815
注:11门限变量的滞后阶数为1, 即(1)式中d=1; 21括号内数值为通过Hansen(1996) 中提出的Boots trap 方法得到的p 值, 重复次数为500。
四、三个问题的实证检验¹
为了方便说明, 我们将第一部分提出的三个问题转换为三个检验逐一进行分析。
(一) 检验一:中国存在金融加速器效应吗
由前文可知, 金融加速器效应的本质特征为非对称性, 所以可以通过非线性IRF 对其存在性进行检验。但与线性模型有所不同, 非线性模型的IRF 条件依赖于整个模型变量的/历史0) ) ) 初始值以及冲击的大小和方向, 所以计算过程更加复杂。Koop et al. (1996) 提出的广义脉冲响应函数(generalizedimpulse response function, 下称GIRF) 是用于计算非线性脉冲响应的有效工具。下面我们就采用GI RF 来完成TVAR 模型脉冲响应的计算。
根据Koop et al. (1996) 的定义, (1) 式的GIRF 可以表示成:
GIRF y (n , v i , X t -1) =E [y t +n |v i , X t -1]-E [y t +n |X t -1], n =0, 1, ,
s s s s (2) 其中, v i 为产生响应的冲击, i 表示冲击类型; X t -1为模型t -1时刻的历史信息集, 区制s 表示
冲击到达系统的时刻; n 为预测水平, E [#]为期望算子。由(2) 式可见, 我们可以依照区制将矩阵X t -1划分为两部分来分别计算GIRF 。例如, 区制1对应的历史信息矩阵X t -1包含X t -1中所有I (z t -d ) =0的行, 其GI RF 可以通过矩阵v 的k @1个冲击的不同组合计算而得。
根据Koop et al. (1996) , 得到GIRF y (n , v i , X t -1) 的算法描述如下:
(1) 从矩阵v i 中选取一行冲击。
(2) 从X i , t -1中选取一行。
(3) 利用上述两步选取的向量计算冲击v i 引起的反应y t
已估计参数构成的向量。
(4) 通过bootstrap 方法从TVAR 模型残差E 中提取一个大小为n @1子样本E 。
(5) 利用E 和估计得到的TVAR 模型来计算y t
态。
(6) 利用y t
¹ss , m **s n , m *ss , m s s 1=f (X i , t -1, H ) +v i , 其中, H 为模型s , , , y t +n , 此为冲击不存在情况下的系统动ss , m ss , m sn , m 、E 的前n 个观测值以及估计得到的TVAR 模型来计算y t +1, , , y t +N , 此为冲击综合考虑到文章篇幅、读者在统计基础上的差异以及文章内容的连贯性与可读性问题, 所以, 我们试图通过更为浅显易懂的方式对文中定义的一些统计变量进行了说明, 而不是在统计意义上的详细解释。笔者欢迎您通过电子邮件索要文中所使用的数据、RA TS 程序代码或实证结果, 以便验证、引用或扩展本文的相关实证计算。
2007年第6期
存在条件下的系统动态。
(7) 重复步骤3) 6共M 次(本文
中M =500) , 我们可以得到条件期望
E [y t +n |X i , t -1, v i ]=1P M
和E [y t +n |X i , t -1]=
s s s E 1P M E M M m =1y t +n ss , m y 。m =1t +n ns , m (8) 再从X i , t -1中选取新的一行重
复步骤3) 7, 直到所有行向量都被选
到。
(9)通过条件期望的平均得到E
[y t +n |X t -1, v i ]和E [y t +n |X t -1], 并利
用(2) 式得到GIRF y (n , v i , X t -1) 。
(10) 选取冲击v i 和X t -1子集的另
一个组合重复步骤6) 9, 直到取尽所
有的可能路径。
通过上述过程我们分别得到了信
贷市场/放松0和/紧缩0状态下, 经济
波动对于各种冲击的反应, 其中, 预测
水平n =15(见图1, 为便于比较, 对于
同一种冲击, 经济波动在两个状态下
的反应图的纵坐标设置相同) 。
从图1我们可以直观和清晰地看
到非对称效应的存在。我们看到, 对
于1单位正向和负向的实际冲击、价
格冲击、货币冲击或者信贷冲击, 经济
波动在信贷市场处于/紧缩0状态下的
反应都明显要比信贷市场处于/放松0
状态下的反应更加剧烈。根据理论分
析, 我们完全可以肯定金融加速器效
¹应在中国的存在性。s s s s
另外, 从两种信贷市场状态下冲
击的持续性和方向上看, 与信贷市场
处于/紧缩0状态相比, 信贷市场处于
/放松0状态时经济波动对各类冲击的
反应持续性更强, 而且两种信贷市场
状态下相同方向和规模的冲击导致经¹图1 两种信贷市场状态下经济波动对于各类冲击的反应 这里给出的是模型滞后阶数为2的情况。之所以选择重点讨论滞后阶数为2的情况是考虑到在样本期间内, 无论从基准利率动态还是实际情况上看, 中国信贷市场处于/放松0状态的时期相对较多, 所以通过滞后阶数=2对应的门限值(414815) 划分的两种信贷市场状态持续期间比例更符合实际。当然, 我们也对滞后阶数为1的情况进行了检验, 结果显示同样存在图1中的非对称效应。另外, 对于不同的变量次序, 我们也进行了上述过程的检验, 结果虽略有差异, 但总体上结果相类似。结构式与简化式也基本没有差别, 所以本文只给出基于简化式的检验结果。
赵振全等:金融加速器效应在中国存在吗?
济波动的变动方向可能不同。例如, 在/放松0信贷市场状态, 1单位标准差的正向货币冲击对于经济波动的影响是导致其首先在近期内正向变动, 继而逐渐转化为负向变动。但在/紧缩0市场状态下, 相同特征的冲击却导致经济波动近期内出现一个相对大的负向变动, 然后转为正向, 最后再回到负向。显然, 这些细节对于政策操作预期具有一定的参考价值。
虽然研究的侧重点有所不同, 但许多相关研究的结论与本文的实证结果能够相互印证。例如, 赵进文等(2005) 利用LSTR 模型对中国货币政策效果的非对称性问题进行了检验, 并分别以实际利率和实际货币供给为/开关变量0(与本文的门限变量相类似) 验证了中国货币政策操作的非对称性效果。本文同样证明了中国货币政策效果的非对称性, 只是这一非对称效果来源于货币政策冲击与信贷市场状态的相互作用。尽管对于金融加速器效应产生的微观机理超出了本文的研究范围, 但关于价格冲击对于经济产出的非对称性效果, 本文的实证结果可以用来支持Bose(2002) 理论模型的基本结论。该文通过理论研究表明:通货膨胀率与产出增长率之间存在着负向的非对称性关系, 并且这种非对称关系条件依赖于信贷市场在高低两种信贷配给状态下的迁移, 通货膨胀率对于总产出的负向冲击也通过这一过程被传递和增强。
(二) 检验二:何种外生冲击决定信贷市场状态的迁移
鉴于信贷市场状态的变化是产生金融加速器效应的重要条件, 因此有必要研究信贷市场状态由什么决定, 它对模型中的哪种冲击更加敏感。我们在检验一的基础上继续探讨这一问题。
显然, 这里只需计算出信贷市场处于/紧缩0状态的概率对于各种备选冲击的反应, 或者是计算E [I (z t +n -1) =1|X t -1, v i ]的值就可以得到问题的答案。我们看到, 在计算GIRF 的基础上, 这一问
n -1题比较容易实现。图2给出了信贷市场初始状态为/放松0条件下, 信贷市场状态迁移到/紧缩0情况的概率。为了方便比较, 我们也同时给出了无冲击状态下的概率, 即E [I (z t +
图2显示, 相比之下, 信贷冲击对
于信贷市场状态变化的作用最为显
著, 其次是货币冲击和价格冲击, 最后
是实际冲击。该结果显示在中国唯有
针对信贷规模调整的货币政策才能迅
速有效地抑制信贷市场/过热0趋势,
而试图通过以货币供给量作为中介目
标的货币政策对信贷紧缩的作用相对
有限。结合检验一的结果可知, 信贷
渠道仍然在各种货币政策传导机制中
发挥着重要作用。这一结果还说明,
当以经济产出作为最终目标, 同时以
货币供给量M1作为货币政策的中介
目标时, 宏观调控效果应该是相对稳
定的, 因此不易出现大起大落现象。
而信贷规模调整则是宏观调控过程中
图2 信贷市场紧缩状态概率对于各类冲击的反应 的/双刃剑0, 如果以其作为货币政策
的中介目标, 虽然在抑制投资拉动型/经济过热0时能够起到立竿见影的效果, 但运用不当将导致宏) =1|X t -1]。观经济在金融加速器的作用机制下/硬着陆0, 甚至引发持续衰退。蒋瑛琨等(2005) 通过不同的研究角度和计量手段也得到了类似的实证结论。
从图2中我们还看到, 尽管信贷规模调控在制约信贷市场状态方面的能力比较突出, 但其影响
2007年第6期
力的持续期却非常短。该结果与中国的现实情况完全符合, 我们知道, 中国银行业的利润来源单一, 对利差过度依赖, 所以长期以来其贷款意愿相对较强。同时, 在退出机制不完善的状态下, 银行破产的最后担保人是国家, 银行不必担心/挤兑0的发生, 而且长期以来经济的持续高速发展不免会提高借贷双方对于经济形势的乐观预期, 这些因素综合导致中国银行业, 尤其是国有银行普遍存在
¹内在的贷款冲动行为。即使在央行推出一系列旨在抑制经济过热的宏观调控政策之后, 比如, 定
向发行央行票据的操作(其目的是对个别贷款增长过快的商业银行实行差别化调控) , 国内银行仍
º然可以通过非市场化方式削弱其影响力。当然, 这也是亟需通过金融改革和金融监管加以解决
的重要问题。
(三) 检验三:信贷市场怎样影响着宏观经济波动
通过前面的检验我们初步认识到信贷市场在宏观经济波动中的传导作用。进一步分析图2提供的信息又会使我们产生这样的思考, 既然信贷市场对于自身的状态变化起到了至关重要的作用, 那么, 单纯地将它视为宏观经济波动的传导中介未免有失偏颇, 起码在没有掌握信贷市场自身波动对于宏观经济波动的贡献时, 我们还不能武断地下结论。鉴于这一疑问, 本文将利用下一部分内容检验信贷市场自身作为波动源对于宏观经济波动的影响程度。
在线性模型中, 我们往往通过历史分解方法来了解各种外生冲击对于实际波动的影响。所谓历史分解就是在外生冲击已知的条件下检验因变量预测值的变化, 从而判断各外生冲击在因变量波动过程中的贡献。根据以上阐述, 我们可以将预测函数的变化表示为:
F (X t -1, n , i ) =E [y t +n |X t -1, v t , v t +1, , , v t +n ]-E [y t +n |X t -1]
i i i i (3) 其中, X t -1为模型t -1时刻的历史信息集, n 为预测水平, v t +j 为t +j 时刻的第i 个外生冲击。
该函数与IRF 函数相类似, 函数结果依赖于变量在整个预测水平内受到的已实现冲击(realized shocks) 。线性条件下变量在不同冲击下预测函数变化的总和等于预测误差, 但在非线性条件下则不确定。因此, 我们可以定义一个函数来反映两者之间的差异, 具体表示为:
R (X t -1, n ) =y t +n -E [y t +n |X t -1]-i =1E F (X k t -1, n , i ) (4)
(4) 式中的函数R 实际上刻画了非线性系统下各种冲击相互影响的综合结果, 即体现了信贷市场状态变化对于冲击的非线性传导作用。线性条件下, R 函数的值应始终为零。
根据(3) 式我们对经济增长率进行了预测水平为12个月的历史分解, 并通过(4) 式计算出函数R 的值(见图3) 。
这里只给出了信贷冲击对于经济波动的贡献度。为便于分析我们还给出了中国经济景气监测中心和国家统计局公布的国民经济景气动向的一致指数(1996年=100) 及预警指数为/趋降0和/过冷0的区间(图中阴影区) 。
从图3反映的信息可以判断, 信贷市场作为波动源的角色对于宏观经济波动的影响比较明显。尤其是在1992) 2001年这段时期内, 信贷冲击贡献度的平均水平较高, 变化幅度也较大, 且变化期与利率政策的调整期极为吻合。例如, 从图中来看, 1995年1) 4月的大幅反向冲击显然加剧了经济指数在相应期间内的下滑趋势, 而这一冲击正是信贷市场对于央行1995年1月上调中长期贷款基准利率的合理反应。与其相反, 2000年1) 6月信贷冲击的大幅正向作用则为宏观经济走出谷底提供了强大的推动力量。显然, 此时期的信贷冲击是央行1999年6月降低贷款基准利率和同年11¹这里提及的银行贷款冲动与穆争社(2005) 提出的/关系型信贷配给0虽然在产生机制上并不相同, 但理论上两者都会在一定程度上弱化金融加速器效应。所以, 检验一得到的实证结果还说明:这两种弱化机制并不能完全消除金融加速器效应。
º可参考易宪容在5银行之间的-对敲游戏. 化解央行调控政策6中的阐述。
赵振全等:金融加速器效应在中国存在吗?
月下调法定存款准备金率两项信贷政策操作共
同引发的结果。
从函数R 值变化的情况来看, 在本文的考
察区间内, 金融加速器效应对于冲击的非线性
传导作用在宏观经济波动的轨迹中得到了充分
体现。例如, 1995年2月) 1997年5月和2000
年5月) 2001年3月两段期间R 函数的剧烈波
动比较直观地说明了金融加速器效应的/小冲
击, 大波动0以及/恶化经济衰退趋势0的特征,
这使我们有理由相信金融加速器机制在产生
1997年12月) 2000年4月和2001年8月)
2002年6月的宏观经济低迷(阴影区所示) 期间
发挥了重要作用。另外, 对比上下两图不难发
现, 信贷市场对于冲击的非线性传导作用也是
导致2004年3月) 2005年2月期间宏观经济景
气下滑的重要原因。我们看到, 这一期间信贷
冲击的贡献率并没有太大的变化。
五、结论和启示
无论是从促进国民经济健康稳定发展, 还
是从提高宏观经济调控能力的角度出发, 深刻
理解中国信贷市场与宏观经济波动的关联性都
是一个意义深远、兼具学术探索性和政策参考
性的课题, 而金融加速器理论正是讨论这一问
题的有效理论媒介。实际上, 在忽视金融加速
器效应的情况下, 我们无法全面和客观地评价
信贷市场对宏观经济波动的影响。然而, 这一
理论在国内相关研究领域中并未得到充分重
视。本文正是以此为动机, 从金融加速器理论
出发, 在深刻认识金融加速器主要特征的基础
上, 运用非线性计量模型在宏观层面上对中国
信贷市场与宏观经济波动的关联性展开实证检
验, 并得出如下主要结论:
第一, 由经济增长率、通货膨胀率、货币供
应量增长率以及金融机构贷款增长率四个内生
变量构建TVAR 模型, 并以金融机构贷款增长率图3 经济增长率预测值在冲击下的变化 为门限变量, 通过检验发现模型在较高的显著性水平上呈现非线性特征。
第二, 利用GIRF 给出了信贷市场在/放松0和/紧缩0状态下宏观经济波动对于1单位正向和负向的实际冲击、价格冲击、货币冲击与信贷冲击的反应。结果显示:经济波动在信贷市场处于/紧缩0状态下的反应都明显要比信贷市场处于/放松0状态下的反应更加剧烈, 从而肯定了金融加速器效应在中国的存在性。
2007年第6期
第三, 通过计算信贷市场/紧缩0状态概率对于各类冲击的反应发现:信贷冲击对于信贷市场状态变化起到的作用相比之下最为显著, 其次是货币政策冲击和价格冲击, 最后是实际冲击。这一结果不仅突出了信贷渠道在各种货币政策传导机制中的重要地位, 也揭示出信贷规模调控在金融加速器作用机制下产生的风险性问题。
第四, 通过经济增长率的历史分解我们发现, 信贷市场在宏观经济波动的过程中既是重要的波动源, 同时也是宏观经济波动的非线性传导中介。运用金融加速器理论可以合理解释部分中国宏观经济波动的轨迹特征。
基于本文的研究我们可以得到以下两点启示:
首先, 从政策含义的角度来看, 随着中国国有银行改革的不断深入、新型业务的逐步开展以及金融监管制度的日趋完善, 银行业的贷款行为将日益规范化和市场化。届时, 金融加速器的总体效应将更加显著。这就要求宏观调控政策, 尤其是以数量型工具为主体的调控政策在制定和执行时必须充分考虑到金融加速器效应的客观存在, 并通过判断和预测信贷市场对于政策操作的反应选择合理的政策工具、调节规模和时机, 以消除金融加速器效应可能带来的不确定性问题, 从而切实增强宏观调控的合理性、稳健性和可预见性。
其次, 从进一步研究的角度来看, 本文的研究思路和方法对于货币政策有效性或者货币政策传导机制的相关研究具有一定启示和借鉴意义。比如, 我们可以将通货膨胀作为门限变量, 变换角度讨论货币冲击和信贷冲击对其状态变化的影响。另外, 宏观现象只是微观行为的集中和放大, 即使在宏观层面上金融加速器效应是存在的, 但由于经济和法制环境、市场化程度以及发展阶段等因素的差异, 不同经济体内金融加速器产生的微观机理也不尽相同。所以, 在微观层面上解析金融加速器效应产生的基础将是未来研究的重点方向。国外已有一些文献从金融加速器概念出发利用企业数据检验信贷约束或企业外部融资成本差异对企业投资行为的影响。例如, Whited(1992) 、Hu 和Schiantarelli(1998) 以及Vijverberg(2004) 的实证研究, 这为我们日后在微观层面上讨论金融加速器的产生机制和影响力提供了有益的参考。
参考文献
陈磊, 2001:5中国转轨时期经济景气的测定和分析6, 5世界经济6第12期。
陈磊, 2004:5中国转型期的信贷波动与经济波动6, 5财经问题研究6第9期。
蒋瑛琨、刘艳武、赵振全, 2005:5货币渠道与信贷渠道传导机制有效性的实证分析) ) ) 兼论货币政策中介目标的选择6, 5金融研究6第5期。
刘涛, 2005:5中国经济波动的信贷解释:增长与调控6, 5世界经济6第12期。
刘树成、张晓晶、张平, 2005:5实现经济周期波动在适度高位的平滑化6, 5经济研究6第11期。
穆争社, 2005:5论信贷配给对宏观经济波动的影响6, 5金融研究6第1期。
赵进文、闵捷, 2005:5央行货币政策操作效果非对称性实证研究6, 5经济研究6第2期。
Andre ws , D. and W. Ploberger, 1994, /Opti mal Tes ts When a Nuis ance Parameter Is Present Only under the Al ternative 0, Economet rica , 62
(6) , 1383) 1414.
Azariadi s, C. and B. Smith, 1998, /Financial Intermediation and Regime Switching in Bus iness Cycles 0, Ame rican Ec onomic Re view , 88
(3) , 516) 536.
Balke, N. , S. 2000, /Credi t And Economic Acti vi ty:Credit Re gimes And Nonlinear Propagati on Of Shocks 0, Re vie w o f Economics and Statistic s , 82(2) , 344) 349.
Bernanke, B. S. and A. Bli nder, 1988, /Credi t, Money, and Aggregate De mand 0, Ame rican Economic Re vie w , 78, 435) 439.
Bernanke, B. and M. Gertler, 1989, /Agency Cos ts, Net Worth, and Busi ness Fl uctuations 0, Americ an Economic Re vie w , 79, 14) 31. Bernanke, B. , Gertler, M. , and S. Gilchri st, 1996, /The Financi al Accelerator and the Fli ght to Quality 0, Re vie w o f Economics and Statistic s , 78, 1) 15.
Bernanke, B. , Gertler, M. , and M. Watson, 1997, /Sys tematic Monetary Policy and the Effec ts of Oi l Price Shocks 0, Brookings Pape rs on Ec onomic Acti vity , 91) 116.
赵振全等:金融加速器效应在中国存在吗?
Bernanke, B. , Gertler, M. , and S. Gilchri st, 1999, /The Fi nancial Accelerator i n a Quanti tative Business Cycle Framework 0, in:Taylor, J. B. and M. Woodford, eds. , Handbook of Mac roec onomics, Amsterdam:North -Holland, 1, 1341) 1393.
Bose, N. , 2002, /Inflation, the Credi t Market, and Economic Gro wth 0, Ox f o rd Econo mic Pape rs , 54(3) , 412) 434.
Fisher, L. , 1933, /The Debt ) Deflation Theory of the Great Depression 0, Ec onometric a , 1, 337) 357.
Gertler, M. and S. Gilchrist, 1994, /M one tary Policy, Busines s Cycles, and the Behavi or of Small Manufacturing Fi rms 0, Q uarterly Journal o f Ec onomics , 109, 309) 340.
Greenwald, B. and J. E. Sti glitz, 1993, /Financial Market Imperfecti ons and Busi ness Cycles 0, Quarte rly Journal o f Ec onomics , 108(1) , 77) 114.
Hansen, B. E. , 1996, /Inference When a Nuisance Parameter Is Not Identi fied Under the Null Hypothesis 0, Economet rica , 64(2) , 413) 430.
Hu, X. , and F. Schiantarelli, 1998, /Inves tment and Capital M arket Imperfections:A Switc hing Regression Approach Using US Firm Panel Data 0, Re vie w o f Ec onomics and Statistics , 80(3), 466) 479.
Kashyap, A. , Stein, J. , and D. Wilcox, 1993, /M onetary Policy and Credit Conditions:Evi dence fro m the Composition of External Fi nance 0, Ame rican Economic Re view , 83, 78) 98.
Kiyotaki, N. , and J. Moore, 1997, /Credit Cycles 0, Journal o f Political Economy , 105(2) , 211) 248.
Koop, G. , Pes aran, M. H. , and S. Potter, 1996, /Impulse Res ponse Analysis in Nonli near Multi vari ate Models 0, Journal o f Econometric s , 74, 119) 148.
Potter, S. , 1999, /Nonlinear Time Series Modelling:An Introduction 0, Journal o f Economic Surve ys , 13(5) , 505) 528.
Tsay, R. S. , 1998, /Testing and Modeli ng Multivariate Thres hold Models 0, Journal o f the Ame ric an Statistical Assoc iation , 93, 1188) 1202.
Tong, H. , 1978, /On a Threshol d Modeling 0, i n:Chen, C. H. , ed. , Pattern Recogni ti on and Signal Proces sing, Amsterdam:Sij thoff and Noordhoff, 101) 141.
Weise, C. , 1999, /The Asymmetric Effects of Monetary Policy:A Nonlinear Vector Autoregres sion Approac h 0, Journal o f Mone y Cre dit and Banking , 31, 85) 108.
Whi ted, T. , 1992, /Debt, Liqui dity Constraints, and Corporate Inves tment:Evidence From Panel Data 0, Journal o f Finance , 47, 1425) 1460.
Vijverberg, C. C. , 2004, /An Empirical Financi al Accelerator Model:Small Fi rms . Invest ment and Credi t Rationing 0, Journal o f Mac roeconomics , 26, 101) 129.
The Nonlinearity between Credit Market and Macroeconomic
Fluctuations in China :An Empirical Research from the
Perspective of Financial Accelerator
Zhao Zhenquan, Yu Zhen and Liu Miao
(Jilin University Quantitative Research Center of Economics; Business School of Jilin University)
Abstract :Using theory of the financial accelerator for guidance, this paper applies threshold vector autoregression model to verify the nonlinear nexus between credit market and macroeconomic fluctuations in China in macro level. The results from nonlinear i mpulse response function show that there exist remarkable financial accelerator effects during the period of 1990. 1) 2006. 5in China, which behaves that the same alternative shocks have substantially larger effects on output growth when system is in the tight -credit regi me. Moreover, credi t shock is more effective on controllin g the credit market condition than the others. Money supply shock and price shock are in the next place, and actual shock is the last. Further test results prove that credi t market is an i mportant source of shocks and also acts as a nonlinear propagator of shocks to macroeconomic fluctuations. Moreover, adopting financial accelerator in the analysis of characters of macroeconomic fluctuations in China will be very helpful for better understanding. At las t, the paper presents some suggestion for the p oli tical application of the conclusion and direction in fu ture research.
Key Words :Credit Market; Macroeconomic Fluctuations; Financial Accelerator ; Nonlinearity; TVAR Model
JEL Classification :E30, E32
(责任编辑:成 言) (校对:芝 山)