中国宏观杠杆率的水平测算与时变特征——基于MS-AR模型的实证研究

李正辉 钟俊豪 董 浩

一、文献述评

近年来，中国实体经济增速显著放缓，经济杠杆率持续上升。一个国家的杠杆率增高可以促进投资、拉动经济发展，但过高的杠杆率会增加金融风险的发生，甚至有可能引发金融危机，不利于经济增长。2015年12月的中央经济工作会议提出“三去一降一补”五大任务，其中“去杠杆”首次在中央经济工作会议上被提出。2016年的中央经济工作会议明确，“去杠杆”要在控制总杠杆率的前提下，把降低企业杠杆率作为重中之重，要规范政府举债行为等。2017年7月全国金融工作会议进一步明确，要把国有企业降杠杆作为重中之重。李扬等[1]、中国人民银行杠杆率研究课题组[2]、国际货币基金组织(IMF)等研究都指出，中国宏观杠杆率上升过快，杠杆率水平不仅显著高于自身的历史水平，也显著高于其他国家。张斌等[3]指出,2009—2016年间中国杠杆率上升的原因在于债务扩张带来真实GDP增速以及通货膨胀增速边际效力下降,并不是在于货币增速过高等原因。2018年7月，中共中央政治局会议重点强调“把防范化解金融风险和服务实体经济更好地结合起来，坚定做好去杠杆工作，把握好力度和节奏，协调各项政策出台时机”，这也说明去杠杆是一项长期的工作，“去杠杆、严监管”的政策大方向并不会发生很大变化。政府推出的供给侧结构性改革主要是通过推动企业的持续盈利增长来降低实体经济的杠杆率。随着一系列去杠杆政策的出台与实施，宏观杠杆率的上升趋势显著趋于平缓。当前，我国的宏观杠杆率已经趋于稳定，结构性去杠杆不再一味地追求快速下降，主要是为了实现宏观杠杆率的稳定和逐步下降。

根据现有研究，学界对宏观杠杆率的测算存在不同看法。不同的测算方法在经济含义上具有一定的相通性，而在视角上则存在差异。国外一些学者认为，杠杆率是负债与收入的比值，宏观经济杠杆率可以用负债与国民收入的比值来衡量。将一国各部门加总的总债务与国民收入的比值用于测算宏观杠杆率，其核心思想源于微观资产负债比值的视角。在此基础上，许多文献利用各部门总债务之和作为一国的负债，用GDP作为国民收入，将两者对比测算宏观杠杆率[2,4-5]。许多跨国的实证研究采用“债务余额/GDP”这一测算方法来衡量宏观杠杆率。在国内，同样也有不少文献采用这一方法测算宏观杠杆率[6-8]。债务与国民收入的比值并没有区分债务的结构性作用，且有些机构部门之间的债务对系统性金融风险并不能造成实质性的影响，所以，一些研究认为宏观杠杆率的测算应该考察社会融资状况与国民收入之间的关系，在测算时考虑社会融资能更加真实地反映社会经济资金的供求状况与实体经济融资状况。基于此，社会融资余额与GDP的比值成为IMF[9]，Barajas等[10]文献中测算宏观杠杆率的方法。从货币产出率的角度看，一国全部货币与该国经济活动总量的比值大小不仅可以用于衡量货币化程度，同时也可以说明货币产出比例高低，进而会对货币政策产生直接影响，这种影响就是由金融杠杆的本质属性决定的，故在测算宏观杠杆率时，一些文献用货币供应量(通常采用M2的数据)与GDP的比值对其进行测算[11-12]。这些不同的宏观杠杆率衡量测算方法因为包含许多一致的数据内容，所以在一定程度上有互为线性的关系。

宏观杠杆率时变性也是学者关注的主要问题。国外学者Mendoza等[13]的研究发现，经济繁荣时企业杠杆率会上升，经济衰退时企业杠杆率则趋于下降。Mendoza[14]的后续研究认为，杠杆率的水平在经济扩张时期会出现上升。其实一个完整的经济周期存在繁荣、衰退、萧条和复苏四个阶段，纪敏等[15]基于理论分析后提出，经济复苏扩张和萧条崩溃阶段宏观杠杆率会下降，当经济进入繁荣高涨和停滞衰退阶段则会出现上升。裘丽等[16]利用上市公司的数据实证分析后认为，企业杠杆率会在经济周期上升期时有所增长，在经济周期下降期时有所降低。袁利勇等[17]的研究发现，杠杆增长率的动态变化有明显的双区制，即宏观经济杠杆的增长率会发生结构性变化，存在“高增长”到“低增长”或“低增长”到“高增长”的转移过程。这就是说，现有的研究大部分都认为杠杆率会因为经济周期的影响而产生波动。

已有的研究为本文提供了非常丰富的文献基础，同时也为现有研究留下了一定的空间。基于现有文献，本文利用2002—2017年的月度数据，对如何测算宏观杠杆率更为合适进行研究，在测算基础上，进一步研究其时变特征。较之已有的文献，本文的贡献主要体现在两个方面。一是对宏观杠杆率测算方法的拓展。现有衡量宏观杠杆率基本采用单一的测算方法且大多属于理论分析，本文则从整理测算宏观杠杆率的四个不同视角，利用实证方法对宏观杠杆率测算进行甄选。二是以遴选的宏观杠杆率测算方法为基础分析宏观杠杆率的基本特征，特别是非线性特征。

二、宏观杠杆率水平测算方法选择与基本特征

(一)宏观杠杆率测算的基本原则

许多文献认为宏观杠杆率是从微观概念中引入的，但从微观和宏观杠杆的性质与手段来看，两者具有显著差异。微观杠杆主要是指企业在财务管理中的杠杆效应，具体表现为当某一财务变量以较小幅度变动后，会引致另一相关财务变量以较大幅度发生变动。微观杠杆的主要目标是运用杠杆原理来合理规避公司风险以及提高资金运营效率，具体形式包括经营杠杆、财务杠杆、复合杠杆等。宏观杠杆是国家或经济组织利用价值规律和物质利益原则影响、调节和控制社会生产、交换、分配、消费等方面的经济活动，其主要手段包括价格、税收、信贷、工资、奖金、汇率，等等。随着市场经济的不断完善，价格、税收、工资、奖金等调控手段的目标有效性能够充分实现，而信贷和汇率等相对于其他调控手段，其有效性则相对不足。

宏观与微观杠杆的功能和目标存在差异性。宏观杠杆的功能就是根据国家或经济组织的既定目标，从生产、交换、分配、消费等方面对从事经济活动的经济单位和当事人造成有利条件或不利条件。利用这种经济利益的变动作为阀门，以影响、调节、控制相关经济活动，促进或保证既定目标的实现。从微观角度引入宏观杠杆忽略了宏观杠杆的目标性和经济运行过程的复杂性。

宏观杠杆的基本目标是实现经济的平稳运行。企业商品交易价格指数(Corporate Goods Price Index，简称CGPI)能够全面地反映经济平稳运行情况。中共十六大强调：“完善国家计划和财政政策、货币政策等相互配合的宏观调控体系，发挥经济杠杆的调节作用。”十九大报告指出，“健全货币政策和宏观审慎政策双支柱调控框架，深化利率和汇率市场化改革”。货币政策和宏观审慎政策双支柱的目标之一是稳定物价、调控通胀，目标之二是引入所谓逆周期的政策措施。这两个目标的核心都是使经济平稳运行，而CGPI恰好是反映经济运行的综合性指数。

结合宏观杠杆的功能与中国宏观调控手段的演化，本文认为宏观杠杆率测算方法与经济平稳运行的综合指标即CGPI应该具有显著且强的关联性。

(二)宏观杠杆率的测算与模型选择

正如前所述，学界和实务界对宏观杠杆率测算方法(主要是采用什么数据)并没有取得一致意见。本文基于所论述的宏观杠杆率必须满足的原则，故选取文献中常用的不同测算方法(数据)与CGPI的关联性，通过实证得到关联性强弱确定用于测算宏观杠杆率的方法。常用的宏观杠杆率测算方法主要有四种方式。

一是利用“总负债/GDP”测算宏观杠杆率的水平。总负债指的是企业承担并需要偿还的所有债务，GDP是国内生产总值。这里的总负债所选取的指标为货币当局总负债。总负债与GDP之比表示一个国家政府所承担的债务(累计金额)与国内生产总值(GDP)的比率。在2008年美国爆发金融危机后，总负债与GDP的比值是各种文献比较各国或者各地区之间杠杆率高低的一种主要方法。国际清算银行等国际机构也根据该指标对不同国家或地区的杠杆率进行对比分析，部分学者更是将这一比值应用到了衡量一个国家的实体企业、工业企业、金融等相关层面上。可见，这个测算结果能较为明显地反映不同国家或者地区之间负债率的高低情况，进而能够较好地把握债务风险的高低程度。

二是利用“货币供应量/GDP”测算宏观杠杆率的水平。“货币供应量/GDP”最早是由麦金农1973年提出，用来衡量一个国家金融和货币经济发展的发达程度，后来逐步被演化用于宏观杠杆率。许多文献在具体使用该指标测算宏观杠杆率时，用广义货币供给量M2代替原公式中的“货币供应量”，即采用“M2/GDP”测算一个国家或者地区在一定时期内金融深化程度或者宏观杠杆率。

三是利用“对非金融部门债权/国内信贷”测算宏观杠杆率的水平。该方法构造是利用国民经济核算中的核算资料测算宏观杠杆率，构造时“对非金融部门债权”和“国内信贷”指标口径均来自于国际货币基金组织发布的《货币与金融统计手册》中的口径。“对非金融部门债权”是指在金融性公司资产负债表中，其他机构部门对非金融部门的债权；“国内信贷”为金融性公司中国内信贷总额。“对非金融部门债权/国内信贷”反映了非金融部门占全部机构部门的债权比例，该比例的增大代表着实业部门负债率的增加。

四是利用“对非金融部门债权/GDP”测算宏观杠杆率。对非金融部门债权与GDP的比例，即实体经济部门债权对国内生产总值的占比，该指标是“货币供应量/GDP”的引申指标，但分子部分更换为对非金融部门债权，考虑了货币供应量在金融机构部门内部的循环，故做了相应的处理，使用该指标做分子。

根据宏观杠杆率与经济平稳运行的综合指标，即CGPI具有显著且强的关联性这一基本原则，本文通过构建Copula模型来进行分析，通过Copula函数连接宏观杠杆率不同测算方法与企业商品价格指数，进而研究不同测算方法与CGPI的关联性强弱，选择关联性最强的结果用于测算宏观杠杆率。

在Copula模型中，主要采用二元正态Copula函数来度量宏观杠杆率与企业商品交易价格指数的关联程度，函数的具体定义如式(1)所示。

对于∀u，v∈[0,1],二元正态Copula定义为：

(1)

式(1)中，φ表示单变量的标准正态分布函数，θ为在(-1,1)之间的线性相关系数。

(三)中国宏观杠杆率的基本特征

本文所选取的宏观杠杆率的测算方法：总负债/GDP、货币供应量/GDP、对非金融部门债权/国内信贷和对非金融部门债权/GDP，所用的指标数据来源于中国人民银行数据库和国家统计局。需要特别说明的是，GDP的原始数据是季度GDP数据，因此本文采用了二次匹配平均法将GDP季度数据转换成月度数据。该方法对季度GDP数据进行局部二次插值，从而填充GDP数据。由于GDP数据存在季节性问题，本文对总负债/GDP、货币供应量/GDP和对非金融部门债权/GDP使用X-12方法季节调整。最终四种测算方法经过以上预处理所得的数据是本文所特指的宏观杠杆率指标数据。

为了遴选出与宏观经济实际运行相关联的宏观杠杆率测算方法，本文通过构建二元正态Copula模型来分别分析四种宏观杠杆率测算方法与企业商品交易价格指数的关联性，需要通过以下步骤来实现。首先，运用ARIMA-GARCH模型对四种宏观杠杆率测算方法和企业商品价格指数进行修正，得到无序列自相关、无条件异方差的独立同分布残差序列，对残差序列的相依性进行研究。在运用Copula函数测量相关性之前，需要对残差序列转换处理为(0,1)均匀分布。其次，运用二元Copula模型对经处理的宏观杠杆率测算方法和企业商品交易价格指数的残差序列进行拟合。

Copula模型在测量宏观杠杆率与企业商品交易价格指数相关性方面具有优势，其一就是为了克服传统建模对宏观杠杆率与企业商品交易价格指数服从正态分布的假设和它们之间的线性相关性[18-19]。在运用二元正态Copula函数进行关联性分析时，本文用Kendall′s tau系数绝对值大小来分析宏观杠杆率与企业商品交易价格指数之间的关联性强弱。模型运行结果如表1所示。

表1 宏观杠杆率与企业商品交易价格指数相关性系数

注：*表示5%显著水平，括号内数值为相应的标准差

从表1可以发现，所选取的四个宏观杠杆率测算方法与企业商品交易价格指数的Kendall′s tau相关系数绝对值从大到小依次为对非金融部门债权/GDP、货币供应量/GDP、总负债/GDP和对非金融部门债权/国内信贷。但是四个相关系数绝对值差异不大，都在0.9左右的水平。需要特别注意的是，只有货币供应量/GDP在5%水平下显著。从信息准则上看，货币供应量/GDP所对应的对数似然值、AIC和BIC分别为301.779，-601.558和-598.306，仅低于对非金融部门债权/GDP。这反映了货币供应量/GDP与宏观经济运行具有较强的关联性，并且进一步说明选取货币供应量/GDP用于测算宏观杠杆率能够最有效地反映宏观杠杆率水平。基于此，本文选取货币供应量/GDP作为宏观杠杆率测算方法。

为考察中国宏观杠杆率的基本特征，以及宏观杠杆率在国家经济运行过程中与经济事件的关联性，本文将2002—2017年中国宏观杠杆率与企业商品交易价格指数绘制成时序图，如图1所示。

图1 中国宏观杠杆率与企业商品交易价格指数时序图

从图1中可以看到，样本期间内，中国宏观杠杆率变化情况大致可以分成两个不同的阶段。第一个阶段是2002年到2008年，此阶段为适度的宏观杠杆率，该时期是适度杠杆促进国家经济高速发展的时期，宏观杠杆率的数值大约在5—6的区间内波动，2002年3月，中国宏观杠杆率达到此阶段的最小值，也是整个样本期间内的最小值，为5.322。2003年10月，中国宏观杠杆率达到最大值6.030。整个阶段宏观杠杆率波动幅度不大，较为平缓适中，最大值与最小值之差为0.708。从国家经济运行层面来看，经济平稳运行的综合指标即企业商品交易价格指数(CGPI)持续上涨，客观地反映出在此阶段国家经济运行在适度的宏观杠杆率调节下保持一个良好的发展势头，在经济事件上具体表现为中国于2001年12月成为世界贸易组织(WTO)成员。中国宏观经济采取“稳健”的政策，积极引导投资带动经济，注重产业结构性调整。这是在金融危机发生前的一个经济发展良好的时期。在此期间，中国股市经历了一段大牛市。例如，沪深300指数上涨了474%，从2006年初的940点上涨到2007年6月的5400点。第二个阶段是2008年到2017年，国际金融危机爆发之后，快速上涨的宏观杠杆率引发国家经济发展剧烈波动。在此阶段，中国宏观杠杆率一度从2008年7月的5.508，持续上升到2017年10月的8.253，达到一个创纪录的水平，是整个样本期间内的最大值，宏观杠杆率也一直处于上升的趋势，直到2017年10月之后才有明显的下降。期间宏观杠杆率的最大值与最小值之差为2.745，上涨了150%。从国家经济运行层面来看，企业商品交易价格指数(CGPI)在此阶段经历了下跌—上涨—再下跌—再上涨的波动循环期。由此反映出在此阶段国家经济运行在不断高涨的宏观杠杆率的影响下，进入了一个漫长的震荡期。在经济事件上具体表现为中国经济受2008年国际金融危机的影响，急速收缩。中国宏观经济政策从“从紧”到“适度宽松”，政府宣布实施经济刺激计划，例如“四万亿计划”。经济刺激计划启动之后，宏观杠杆率在2009年2月一度被拉高至6.232，相应地CGPI跌落至谷底，创下2007年至2015年间的最低值119.093。在此阶段，宏观杠杆率一直居高不下，上涨势头明显。但是2017年以来，随着全面深化改革、“一带一路”倡议等政策实施以及人民币纳入SDR货币篮子，中国宏观杠杆率呈现出了下降的趋势，国家经济运行也逐步趋于平稳状态。

综上所述，中国宏观杠杆率在很大程度上受到具体经济事件和国家宏观经济政策的影响。国家经济运行是否平稳，或者中国宏观经济采取“从紧”“稳健”和“适度宽松”的政策，都会具体地表现在宏观杠杆率水平上。因此，本文的一个重要结论是，中国宏观杠杆率具有显著的阶段性特征，且与具体经济事件和宏观经济政策具有很强的相关性。

为了描述中国宏观杠杆率在样本期间内的总体特征，本文给出了中国宏观杠杆率的描述性统计，如表2所示。

表2 中国宏观杠杆率描述统计特征

从表2可知，2002—2017年中国宏观杠杆率的均值为6.568。与2002年至2008年国家经济高速发展期间内的宏观杠杆率最大值6.030相比，样本均值仍然处于偏高的水平，其偏度为0.488，宏观杠杆率呈现了正偏性，其峰度的数值低于3，宏观杠杆率表现为矮峰，也进一步证实了宏观杠杆率的非正态性，与本文所预期的结果一致。

三、中国宏观杠杆率时变特征分析

(一)宏观杠杆率时变特征模型选择

宏观杠杆率的时变特征模型选择有赖于其相关的经济特征。作为衡量金融经济发展的重要指标之一，宏观杠杆率是金融经济发展的重点研究内容。宏观杠杆有其积极作用，也不可避免地会存在潜在的负面影响。当杠杆使用得当时，有利于推动金融平稳发展和经济较快增长；若是杠杆没有处于稳定状态，很有可能会导致经济过热，产生金融危机。杠杆率的变化通常与金融经济周期存在一定的相关性。金融经济周期是指在内外部的冲击下，金融经济活动通过金融体系的影响产生周期变化和持续性波动。金融经济周期可能会因为受到政策调控等因素影响而产生结构突变的现象。基于宏观杠杆的作用和金融经济周期的特征，宏观杠杆率存在非线性区制特征。

宏观杠杆率在不同的周期中呈现不一样的状态。当金融市场出现波动，例如出现次贷危机和金融危机时，为了应对冲击需要刺激经济，杠杆率会进入高速增长阶段；当国家开始规范市场准则时，杠杆率的增长趋于平缓。在这样的情况下，杠杆的增长率会出现从“高增长”到“低增长”的转移过程。与此相反的是，当杠杆处于“低增长”状态时，由于杠杆率过高会不利于经济增长甚至导致金融危机等原因，很少会出现从“低增长区制”转为“高增长区制”。因此，宏观杠杆率区制转移存在非对称性。

黄哲豪等[20]使用马尔科夫区制转移模型刻画虚拟金融资产收益率在不同区制的动态特征。基于此，源于宏观杠杆率随着时间变化具有非线性区制和非对称性特征，本文选用马尔科夫区制转移(MS-AR)模型，用于中国宏观杠杆率时变特征的考察。此外，选择马尔科夫区制转移模型还基于以下原因：马尔科夫区制转移模型不必人为地设定阈值来确定区制的转移阈值，也不用事先预估不同区制转移的时间，而是通过状态变量在不同状态之间的平滑转换来确定所处的区制。这种非线性形式的马尔科夫模型通过状态转移变量来捕捉不同状态之间转换的动态性。

对于宏观杠杆率构成的单一时间序列模型，建立相应的MS-AR模型基本形式如式(2)所示。

levt=c(St)+α1(St)levt-1+…+αp(St)levt-p+εt

(2)

式(2)中，εt～N(0,σ2)，levt表示t时期宏观杠杆率，St为状态变量，遵循具有短记忆性的马尔科夫过程；α1(St)为状态St下滞后i阶对应的系数值。

在给定条件下，宏观杠杆率保持在高(低)状态或者换到另外一种状态是通过转移概率来实现的，即从t-1期的状态u过渡到t期状态v的概率puv，可以用(3)式来表示。

puv=pr(St=v|St-1=u)

(3)

且满足(4)

(4)

(二)中国宏观杠杆率非线性区制特征分析

考虑到模型参数的可估计性，本文在估计结果前对数据进行预处理。对数据的预处理主要包括平稳性检验。平稳性检验用于考虑可能在模型拟合过程中出现的伪回归以及验证中国宏观杠杆率序列生成过程是否具有可预测性和可延续性。本文平稳性检验的方法选取ADF检验，ADF检验的原假设是存在单位根过程。检验前需要先判断中国宏观杠杆率序列是否存在趋势项和截距项。由图1可知，中国宏观杠杆率序列既存在趋势项，也存在截距项。检验结果如表3。

表3 中国宏观杠杆率平稳性检验结果

注：Lev为中国宏观杠杆率序列，D-Lev为一阶差分后中国宏观杠杆率序列

由平稳性检验结果可以看出，在不做差分的情况下，中国宏观杠杆率序列的统计量为-1.626，P值为0.779>0.05，在一阶差分后，ADF统计量的值为-2.577，P值为0.000<0.05。因此在一阶差分后拒绝原假设，即认为一阶差分后中国宏观杠杆率序列是平稳的。

解决平稳性问题后，还需要确定MS-AR模型的区制数以及滞后阶数。本文使用Log Likelihood 准则确定区制数和滞后阶数，分别选取区制2—6和滞后1—5阶，计算不同情况的Log Likelihood值，计算结果如图2。

图2 Log likelihood计算结果

由图2可以看出，不同区制数和滞后阶数的选择，Log likelihood值具有差异性。固定同一滞后阶数，当区制数选择1—3时，Log likelihood值显著增加；当区制数选择3—6时，Log likelihood值趋于平稳，且围绕区制数3时取值在小范围波动。同样，当固定同一区制(大于3)时，Log likelihood值随着滞后阶数的选择呈现出先上升后下降的趋势，并在滞后阶数为3时取得最大值。因此，考虑Log likelihood值最大准则，以及降低模型参数估计的个数等，本文对中国宏观杠杆率序列拟合 MS(3)-AR(3)模型，参数估计结果见表4。

根据常数项的估计结果，划分样本期内中国宏观杠杆率的不同区制。由表4的估计结果可以看出，常数项最大是Regime 1，为0.172，最小是Regime 2，为-0.007。因此，本文将Regime 2定为低杠杆率区制，Regime 3为中等杠杆率区制，而Regime 1为高杠杆率区制。

表4 MS-AR模型参数估计结果

注：***、**、*、◆，分别表示0.1%、1%、5%、10%显著水平

同一区制下，不同阶数对中国宏观杠杆率的影响具有差异性。在低杠杆率区制下，中国宏观杠杆率的波动主要受滞后一阶和滞后二阶的影响，且滞后一阶影响最大，分别为1.903和-0.171，而滞后三阶对中国宏观杠杆率影响不显著。这说明在低宏观杠杆率区制下，市场对宏观杠杆率调节的有效性较强，市场通过经济和金融的运行状况对宏观杠杆率自主调节，因此在经济和金融运行状况良好的情况下，适当增加宏观杠杆率；相反，则适当降低宏观杠杆率。在中等杠杆率区制下，宏观杠杆率的波动具有较强的滞后效应,表现为宏观杠杆率的波动主要受到滞后二阶的影响，为0.192。这说明在该区制下，由于杠杆率的增加，导致市场对杠杆率的调节出现延后现象，宏观杠杆率不能及时对经济与金融发展的状况做出反映，通过对经济和金融发展的观望，进而实现对宏观杠杆率的调节。在高杠杆率区制下，滞后一到三阶对宏观杠杆率波动的影响出现正负交替现象。滞后一阶和三阶抑制宏观杠杆率的发展，分别为-1.402和-2.580；而滞后二阶促进宏观杠杆率的调节，为2.762。这说明在高杠杆率区制下，经济过热使得市场对宏观杠杆率调节的有效性下降，企业对市场的把握度降低，企业投资者的投资信心不足，使得经济和金融发展缓慢，但由于投资对经济金融状况的滞后性，所以宏观杠杆率的调节具有较强的滞后性，且滞后三阶对宏观杠杆率的增长具有抑制作用。

在不同区制下，同一滞后阶数对中国宏观杠杆率的影响也具有差异性。滞后一阶在低宏观杠杆率区制下促进宏观杠杆率的调节，在高宏观杠杆率区制下抑制宏观杠杆率的调节，而在中等宏观杠杆率区制下对宏观杠杆率的调节无显著影响。滞后二阶对不同区制的宏观杠杆率均具有显著的影响，分别是-0.171、0.192和2.762。此外，滞后三阶对宏观杠杆率的调节只在高杠杆率区制下具有显著影响。这主要是因为不同的滞后期，对市场变动的敏感程度具有差异性。滞后一期对市场变动的敏感性最强，但由于在中等杠杆率区制下，市场对宏观杠杆率的反映滞后效应更强，因此宏观杠杆率的变化并不能及时被经济和金融发展状况反映，所以此时滞后一期对宏观杠杆率的调节影响不显著；此外，低宏观杠杆率市场调节效率较高，高宏观杠杆率区制下市场和政府的双重作用提升了市场的调节效率，但由于不同区制下投资者的投资信心具有差异性，导致滞后一期对宏观杠杆率的调节作用具有差异性。相反，滞后三期对市场变动的敏感性最弱，其对宏观杠杆率的调节作用主要受投资者信心影响，而投资者信心又受到经济发展状况的影响。当宏观杠杆率处于低或者中等区制时，经济和金融发展状况良好，此时投资者信心比较足，投资者只关注近期宏观杠杆率的变化情况，因此滞后三期在此时对宏观杠杆率的调节无显著影响。而在高宏观杠杆率区制下，投资者对市场的把握程度不足，导致投资者制定投资决策具有较强的滞后性，因此滞后三阶对宏观杠杆率的调节具有显著影响。

(三)中国宏观杠杆率非对称性特征分析

样本期内中国宏观杠杆率的区制图见图3。图3中，Regime 2为低宏观杠杆率区制，Regime 3为中等宏观杠杆率区制，Regime 1 为高宏观杠杆率区制。由图3可以看出，样本期内，中国宏观杠杆率出现多次高中低三个区制之间的转换，且较多时间处于中等宏观杠杆率区制下，较少处于高宏观杠杆率区制，且在中和低区制之间的转换较为频繁。这说明政策在宏观杠杆率调节过程中具有重要作用。当宏观杠杆率处于低区制时，由于投资者对宏观杠杆率的认识不足，且市场有效性较低，所以维持低杠杆率区制难度较大，容易发生由低到中等或者高杠杆率区制的转换。又由于政策对宏观杠杆率的调控，使得宏观杠杆率更容易发生由低区制向中等区制转换。当宏观杠杆率处于高区制时，由于对宏观杠杆率的监控以及从经济和金融发展状况的稳健性出发，使得对宏观杠杆率政策调节力度增强，因此高宏观杠杆率区制的持续时间不久，且容易发生区制的跳跃，即更容易从高区制转变为低宏观杠杆率区制。这种宏观杠杆率在不同区制之间的转换也可由表5得出。

图3 样本期内中国宏观杠杆率区制图

表5 转移概率矩阵

表5为中国宏观杠杆率不同区制之间的转移概率矩[注]矩阵中每个元素表示由一个区制向另一个区制转换的概率，其中Vi 中i = 1，2，3，代表当期所处区制，矩阵行代表可能转换的区制; Regime 1，Regime 2，Regime 3 分别代表高、低、中三个宏观杠杆率区制。。样本期内，宏观杠杆率保持当前区制的概率具有差异性。由表5对角线元素可以看出，宏观杠杆率保持中等区制的概率最高，为0.760；保持低区制的概率最低，为0.058。这主要是由于政策对宏观杠杆率的调节以及市场的效率所引起的。

此外，宏观杠杆率区制转移具有非对称性。由表5可以看出，宏观杠杆率由高区制转换为低区制的概率为0.436，而由低区制向高区制转换的概率为0.104，这主要由于高宏观杠杆率区制下，政策调节力度显著增强，对宏观杠杆率调节效应较大，使得宏观杠杆率发生区制跳跃的情况；而在低宏观杠杆率区制时，市场的主要作用以及政府的辅助，使得发生区制跳跃的概率较低。同样的非对称性在宏观杠杆率“中—低”和“中—高”区制的转换过程中依然存在。宏观杠杆率由中等区制向低区制转换的概率为0.220，由低区制向中等区制转换的概率为0.838；而宏观杠杆率由中等区制向高区制转换的概率为0.020，由高区制向中等区制转换的概率为0.345。这说明政府在对宏观杠杆率采取监管措施时，要注重结合宏观杠杆率存在的不同区制特征，避免宏观杠杆率市场出现较大的波动，保护市场中企业投资者的合法利益，促进经济和金融平稳健康发展。

四、结 论

本文利用2002—2017年的月度数据，从总负债/GDP、货币供应量/GDP、对非金融部门债权/国内信贷、对非金融部门债权/GDP这四个学术界广泛使用的宏观杠杆率测算方法入手，运用Copula函数建模遴选出样本期内宏观杠杆率最优测算方法，并分析宏观杠杆率总体特征。同时，建立MS-AR模型对宏观杠杆率的时变性特征进行深入挖掘分析，得出以下四个结论。

第一，在选取的四个宏观杠杆率测算方法中，本文认为货币供应量/GDP是宏观杠杆率最优测算方法。通过Copula函数建模，分析所得到的Kendall′s tau相关系数和显著性水平，结果发现，货币供应量/GDP与企业商品交易价格指数的Kendall′s tau相关系数值为-0.920，并且只有该测算方法在5%水平下显著。这反映了货币供应量/GDP与宏观经济运行具有较强的关联性，并且进一步说明本文选取货币供应量/GDP用于测量宏观杠杆率能最有效地反映宏观杠杆率水平。

第二，中国宏观杠杆率具有显著的阶段性特征，且与具体经济事件和宏观经济政策有很强的相关性。国家经济运行是否平稳，或者中国宏观经济采取“从紧”“稳健”和“适度宽松”的政策，都会具体表现在宏观杠杆率水平上。样本期间内，中国宏观杠杆率变化情况大致可以分成两个不同的阶段。第一个阶段是2002年到2008年，此阶段为适度的宏观杠杆率促进国家经济高速发展的时期，宏观杠杆率的数值大约在5—6的区间内波动；第二个阶段是2008年到2017年，国际金融危机爆发之后，此阶段为快速上涨的宏观杠杆率引发国家经济发展剧烈波动的时期。

第三，中国宏观杠杆率划分为高、中、低三个不同的杠杆率区制，并且宏观杠杆率具有非线性的区制特征。在同一区制下，不同阶数对中国宏观杠杆率的影响具有差异性。在低杠杆率区制下，中国宏观杠杆率的波动主要受滞后一阶和滞后二阶的影响，且滞后一阶影响最大，分别为1.903和-0.171，而滞后三阶对中国宏观杠杆率影响不显著。在不同区制下，同一滞后阶数对中国宏观杠杆率的影响也具有差异性。滞后一阶在低宏观杠杆率区制下促进宏观杠杆率的调节，在高宏观杠杆率区制下抑制宏观杠杆率的调节，而在中等宏观杠杆率区制下对宏观杠杆率的调节无显著影响。滞后二阶对不同区制的宏观杠杆率均具有显著的影响，分别是-0.171、0.192和2.762。此外，滞后三阶对宏观杠杆率的调节只在高宏观杠杆率区制下具有显著影响。

第四，中国宏观杠杆率在时变过程中具有非对称性。样本期内，中国宏观杠杆率出现多次高中低三个区制之间的转换，且较多时间处于中等宏观杠杆率区制下，较少处于高宏观杠杆率区制，且在中和低区制之间的转换较为频繁。另外，宏观杠杆率保持当前区制的概率具有差异性。宏观杠杆率保持中等区制的概率最高，为0.760；保持低区制的概率最低，为0.058。最后，宏观杠杆率在不同区制之间的转移概率也呈现非对称性。