基于金融加速器理论和ARMA模型对中国农村CPI的浅析

卢大中等

【摘要】本文以中国农村主要金融机构为研究对象，以2000年1月到2014年3月的中国农村居民价格消费指数为研究数据建立ARMA模型，并根据所建模型和数学公式预测4.5月份我国农村CPI数据并与现实数据进行对比，以此来检验模型的准确性并结合金融加速器相关理论来对农村地区未来CPI走势进行理性分析，最后结合我国现行的农村金融政策提出若干可行性建议。

【关键词】ARMA模型 金融加速器 金融政策

引言

1929～1933年全球经济经历了大萧条，在此之后Fisher提出的债务-通货紧缩理论，指出大萧条的原因是信贷市场的失灵，这一观点成为了金融加速器的雏形。金融加速器理论的提出是由于在借贷市场中双方所获取的信息具有不完全对称性，使得投资过程中部分资金的投资产生了代理成本，没有达到最优状态甚至是无效率的，这就会造成下一期的投资、负债、产出以及借贷能力，各项经济指标都会因此产生加剧波动。由于投资过程是双向的，所以当金融加速器产生正面效应时，相应企业的净资产投资产出将进一步增加。与之相反，当金融加速器产生负面效应时，相应企业的净资产和投资产出也将减少。近几年来“三农”问题成为全社会关注的焦点，同时也是国家加快现代化建设的工作重心。农村金融又是农村经济的核心问题，但由于我国城市化进程加快，加之本身基础薄弱的农村经济基础，很多优势资源也随之向大城市转移，甚至出现许多“金融盲区”。据笔者调查，在云南许多农村地区连“土生土长”的农村信用社都在农村销声匿迹。因此，融加速器理论对于农村地区的经济指导作用具有现实的性和重要的意义。

一、“金融加速器”理论和ARMA模型

传统的经济学假设市场是有效的无摩擦的，各个交易者之间的了解都是充分的，即信息完全对称。而现实市场的信息是非完美的，借款者和贷款者之间的不对称信息使得银行获得企业项目信息的成本增加，导致了借贷市场资金分配的非最优甚至是无效率。当企业微观个体受到外部不利冲击时，净资产和现金流量必然发生变化，企业微观个体在借贷时所能够提供的抵押品将会减少，会影响企业的借贷能力进而影响其下一期的投资、产出、净资产以及借贷能力，如此循环往复，宏观经济必然会因为众多微观企业个体的变化产生结构效应，经济指标会发生相应的变化。则有摩擦的信贷市场在外部冲击下会加速经济的增长或者衰退。代理成本随着经济周期反方向变动，在经济萧条时上升，在经济扩张时下降。

自回归滑动平均模型（ARMA模型）是研究时间序列的重要方法。通常是在面板研究中，考察消费者的长期行为模式变迁过程。进入21世纪以来，我国农村地区金融业务稳步发展，居民消费价格水平稳步提高，本文采取21世纪以来全国农村月度CPI数据为时间轴，建立ARMA模型。

二、文献综述

信贷市场和经济波动之间的相关作用理论很早被发现。维克赛尔、哈耶克等提出了经济的波动和信贷之间存在一定的联系，并且指出信贷的变化情况会导致经济的波动。Fisher提出“债务-通货紧缩”理论，指出“大萧条”的主要原因是信贷市场上的失灵。净资产在债务链中占有重要作用。当企业的净资产越低，可以获得的贷款能力越低，贷款的减少会影响投资和产出，投资产出减少必使利润减少，进而净资产会因此不断地循环减少。相反，当企业面临着比较宽松的信贷政策时，其借款得到增加，投资、产出以及利润都会增加。最终会导致通胀的产生。随着20世纪80年代信息经济学的逐步崛起和发展，Fisher的“债务-通货紧缩”理论再次受到了重视。部分学者还将此理论运用在分析信贷市场对经济波动放大效应的研究，同时将“金融摩擦”（信息不完美）这一概念纳入到经济周期波动的一般分析框架中，奠定了“金融加速器”理论的基础。引用Bernanke和Gertler（1989）的观点“正是由于信贷市场的信息不完美引起了企业借贷成本的变化，资产负债、投资、产出也随之变化，微观层面的变化积聚到宏观层面产生结构效应，最终使得宏观经济呈现出更大的波动态势。”Bernanke等人在1996年最早提出了“金融加速器”概念，即信贷市场在自身条件变化和外部冲击的情况下能够使得原来的经济冲击加强放大。Kiyotaki和Moore（1997）指出，因为信贷市场上不合理的配给因素的影响，企业为了能够获得足够的资金进行下一期的投资生产，以实现持续经营，经常就会采取以企业的自身价值或借款人所持有的一定数量的特定资产作为抵押进行融资。在此情况下，宏观经济的变化会通过企业的信贷状况来影响企业的贷款和投资水平，这将会加剧宏观经济的上升或者下降的态势。他们提出，是信贷约束引起了宏观经济的过度波动。

Bernanke，Gertler和Gilchrist（1998）又在新凯恩斯模型的基础上，假设信贷市场的不完全、企业净资产、价格黏性，建立了动态一般均衡模型，模拟了外部冲击经过“金融加速器”的放大效应可以达到的效果，此模型被称为BGG模型。Bernanke等一系列研究构建了信贷周期理论的基础，为分析资产价格波动、信贷周期、货币政策的传导等问题提供了强有力的工具。后来学者在BGG模型的基础上发展出DSGE模型，放松了一些假设条件，并且深入探讨了银行信贷标准的变化原因与变化会对经济波动和资产价格产生的影响。

国内学者对于“金融加速器”和ARMA模型的研究也取得了一定得成效。崔光灿（2006）在研究资产价格波动对宏观经济产生的影响时指出在中国目前的宏观经济下，能够运用“金融加速器”理论解释如何由资产价格的波动而产生的宏观经济波动。赵振全和于震等（2007）对中国的信贷市场与宏观经济之间的关系进行深入研究，发现在1990年1月到2006年5月这段时间，金融加速器效应在中国的借贷市场上表现的极为明显。且在相同特征的各种外部冲击下，经济波动在信贷市场中会由于市场所处的状态不同而不同。同时，还指出借贷市场是宏观经济波动的重要波动源而且是波动的有力传导媒介。杨胜刚和侯坤（2011）对我国的金融加速器传导机制的非对称性进行实证研究。结果表明我国的金融加速器传导机制非常具有非对称性。在负面冲击下，市场的“反身性”作用会被压缩至一个很狭窄的时间段，信贷总量和企业抵押资产缩水，这将加速经济的衰退。另外有不少学者对于金融加速器的效应在不同地区是否具有差别进行了研究。袁申国和刘兰凤（2011）考察了427个上市公司1999～2009年的面板数据，并且以资产负债表系数衡量金融加速器效应的大小。实证分析表明根据资产总额的不同，将企业分为大型企业和小型企业，东部企业不存在金融加速器效应但西部地区和中部地区明显存在着金融加速器效应，并且西部地区和中部地区存在着金融加速器时期规模交叉效应。张良贵和孙久文（2013）则把我国分为五大经济区域，研究了不同地区的金融加速器效应特征和不同经济区产业转移的关系。结果表明我国的金融加速器效应存在着明显的区域特征，这是由于不同地区的政策和市场化程度所决定的，并且区域之间产业的转移影响着金融加速器效应的演化。耿叶萌、吕恕（2014）《基于时间序列模型的居民消费价格指数实证分析》中就指出针对居民消费价格指数的趋势性和季节性，运用时间序列模型分析预测，不仅可以更好地了解我国的消费需求情况，而且能够为政府把握未来的经济趋势并制定相应的政策措施提供重要的依据。王志坚、王斌会（2014）的《ARMA模型的稳健识别及实证分析》中也对ARMA模型的可行性和准确性作了精确的分析。

三、“金融加速器”模型理论及其在我国农村环境下传导机制的说明

为了研究“金融加速器”作用下农村主要金融机构受外部冲击后的影响程度，需要建立一个农村特定条件下的四部门经济模型——家户、企业、银行（金融中介）以及政府的基本经济框架，本文选择的研究地区为云南省巧家县、大关县、永仁县等部分具有典型代表性地区的农信社为模型中农信社的代表，而零售部门企业选自当地一些土生土长的地方企业为代表。“金融加速器”的效应通常通过几个渠道来实现：一是通过当地企业的现金流进行传导，包括政府部门财政和货币政策的实施，从而道德名义利率的上升减少经济的总产出，降低了企业的现金流，企业自身内部的资金结构发生变化，此时要想保证投资水平的不变就必须增加对外融资的数额，根据国际通用的信用评级办法，这些企业的违约风险必然上升，农信社为了避免风险就会提高借贷的代理成本，这就是现在所谓的“借款难”的问题，这就进一步增加了下一期的投资产出收入以及现金。如表1是人民银行统计处关于云南八个农村信用社2014年2月的借款数据：

由图中可看出存款数量远远大于贷款数量，这看似是一种“金融太平”的现象，但是这只是一种假象，因为存款一直放在银行，结合现在日益严重的通货膨胀，企业以及个体的资产是在蒸发的，我们再来看一下这八个县在2013年12月存贷款数据（表2），除了个别地区县乡，存款减少贷款却是增加的，也就是说在这两个月过程中，现金流不断从信用社转移到了外部，这也就是金融加速器在其中作用，投融资不断地增加只会造成更多的代理成本。

现在在对金融加速器有一定了解的情况下，我们来建立一个宏观的四部门家庭、银行、企业和政府的基本经济框架。其中以上数据中的存贷款来源只发生在企业之间，而零售部门的存在只是为了说明价格变动的关系。

四、ARMA模型的建立

ARMA模型是时间序列的分析重要方法，我们用ARMA模型对中国农村CPI数据进行研究并且作出预测，考察中国农村地区的经济情况和变化趋势。

使用EViews软件对2000年1月到2014年3月的中国农村CPI月度数据构成的时间序列进行平稳性检验。

由图1、表3可以看出ADF检验统计量大于临界值，所以模型非平稳，所以需要对原始数据进行一阶差分处理。

如表4所示进行一阶差分后，1%、5%、10%的置信区间下ADF检验统计量均小于临界值，所以差分后的时间序列是平稳的，可以对其进行建模。

图2是一阶差分序列自相关图和偏自相关图。由于经济变量一般都为1阶或2阶ARMA模型，所以我们可以尝试建立ARMA（1，1）、ARMA（1，2）、ARMA（2，1）、ARMA（2，2）四种模型进行比较，选取其中拟合度最优的一个模型。

由表5得知经过调整后得出ARMA（1，1）模型为最优。常数项c的p值过大，应该省略。又因为省去c值之后AIC更小，所以模型更为精准可靠，最终确立ARMA（1，1）的数学方程为预测后2014年4月与五月的农村地区CPI的值分别为102.0687和102.0449与现实CPI数据误差小于1%，所以模型十分精确。由此看出，中国农村CPI在平稳中向上攀升的趋势。则当局应当密切关注CPI的走势，防止过度的通货膨胀造成的经济过渡波动。

五、结论及完善我国农村地区经济系统的对策

（一）完善农村地区的征信体系，使信息不对称的程度相对减弱

征信体系是社会经济发展壮大的必然产物，是与征信活动相关的法律制度、组织机构和市场管理等共同构成的一个有机融合的体系，为借贷市场进行信息方面的服务。根据金融加速器理论，经济市场的波动是由于借贷市场上的信息不对称所导致的，那么减弱信息不对称的程度可以为借贷双方减少摩擦，降低相应的交易费用。并且可以在外部经济不利的冲击时，贷款人能够根据借款人的信用情况，比较准确的了解其公司经营状况和资产负债的状况从而对其进行合理的贷款发放，避免借款人在不利的外部冲击下筹资困难，降低经济的波动程度。则，减弱信息不对称的程度可以避免经济的过度波动，使农村经济可以长时期的平稳增长。完善农村地区的征信系统，树立正确的征信文化具有重要的意义。要使征信业务制度规范，征信机构制度规范，征信人员制度规范，这是使征信系统完善和业务健康发展的有力保障。

（二）构建农村经济的预警机制

通过ARMA模型，我们可以预测未来的CPI数据，而用来反映居民消费的变化情况和运动趋势，并且可以了解到通货膨胀或者通货紧缩的相对程度。为了避免农村地区的经济下滑，我们可以通过ARMA模型进行预测。根据金融加速器理论，当经济系统面临不利的情况时，当局可以运用货币政策或者财政政策对经济进行调节。可以加大对借款人的借款额度和对居民进行鼓励消费，以此来保证农村地区的经济平稳增长。

（三）完善金融市场和金融产品

统筹建立适度竞争的、多层次农村金融体系，加强农村信用社的管理，规范农村信用社的管理体制及保持农信社独立法人地位总体稳定，从而促进其在农村金融中的调控作用，增强农村金融在抵御外来风险时自身所能发挥的作用，更好地运用农村信用社贴近基层、贴近农户的“三农”服务主力军作用。随着农村经济的发展，新农村建设的推进和农民收入水平提高，农村金融需求将会不断扩大，农村金融产品和服务方式也需随之不断改进和创新。最后，坚持推进并不断完善农村的金融市场。逐步改变目前农村金融市场的单一融资模式，缩小农村金融和城市金融之间的巨大鸿沟，扩展直接融资在其中所占的比重，探索中小企业集合发债、上市等资本市场融资渠道。加快发展农产品相关的期货市场和衍生产品市场，增加农产品品种数目，合理有效地发挥期货市场的价格发现功能，减弱农产品在生产和销售过程中由于市场所带来的风险。除此之外应该加大力度完善农业方面的保险体系，创新农业保险的品种，探索发展出农村信贷和农业保险相互结合紧密联系的银保互动机制，不断探索发展新的模式并形成比较完善的农业风险管理体系。

参考文献

[1]Bernanke Ben and Mark Gertler.Inside the Black Box：the Credit Channel of Monetary Policy Transmission.Journal of Economic perspectives，1995.

[2]Bernanke，Bens，Mark Gertler，and Simon Gilchrist，The Financial Accelerator and the Flight to Quantity .Review of Economics and Statistics，1996：1-15.

[3]Bernanke，B，Gertler，M，Gilchrist，S.The financial accelerator in a quantitative business cycle framework.Handbook of Macroe- conomics.1999.

[4]采峰，曾凤章.产品需求两非平稳时序的ANN-ARMA预测模型【J】北京理工大学学报；2007年第三期.

[5]朱威，钟惟剑.ARMA模型在居民消费价格指数预测中的应用[J].金融经济.2008（16）.

[6]李习平.基于GM（1，1）理论的中国居民消费价格指数预测模型研究[J].全国商情（经济理论研究）.2009（04）.

[7]姜弘.居民消费价格指数的时间序列分析及预测[J].统计与决策.2009（04）.

[8]张鑫.城乡居民收入差距的ARMA模型预测[J].当代经济.2009（10）.

[9]郑纪安.基于小波分析和神经网络的金融时间序列预测研究[D].厦门大学，2009.

[10]胡杨，张宗新.金融加速器效应在中国的存在性分析——以次贷危机发生后的经济环境为例[J].现代经济探讨.2010（04）.

[11]马志锋，种庆，张文斌，霍敬伟.时间序列分析在中国城镇居民消费水平中的应用[J].周口师范学院学报.2011（02）.

[12]耿叶萌，吕恕.《基于时间序列模型的居民消费价格指数实证分析》[D].河北大学学报，2014年.

作者简介：卢大中（1993-），男，云南昆明人，安徽财经大学金融学院学生；张焕明（1973-），男，湖北蕲春人，安徽财经大学统计与应用数学学院院长，西南交通大学经济学博士；李栋梁（1991-），男，安徽利辛人，安徽财经大学金融学院学生；王茜瑶（1994-），女，安徽合肥人，安徽财经大学统计与应用数学学院学生。