中国金融周期测度及其与经济周期协同性研究

赵 春 艳， 文 新 雷

(西安交通大学 经济与金融学院，陕西 西安 710061)

金融活动与经济活动一样，呈现周期波动的特征，在繁荣与衰退中交替。在享受股市上涨、房地产市场繁荣的同时，金融风险往往也在不断地累积。金融周期刻画的正是这种扩张与风险交替存在的动态关系。金融周期的概念早在19世纪末20世纪初就已经被提出，只是鲜少受到主流经济学界的关注，在二战后时代被Minsky和Kindleberger等人重新提起。一些国家的数据显示，房地产泡沫破裂、金融危机等往往发生在金融周期的波峰附近。近年来，随着金融深化、银行业规模的扩大，金融危机发生的风险也不断提高，我国政府把防控金融风险上升到战略的高度，而对金融风险的监测预警及防控需要以对金融周期的科学测度为基础。2007～2008年由美国次贷危机引起的全球经济危机引发了人们关于金融中介对实体经济影响和重要性的重新思考，此后，金融周期问题被予以高度关注，其与宏观经济的互动关系也成为宏观审慎政策制定过程中的核心问题。Borio称“没有金融周期的宏观经济学就像是没有王子的哈姆雷特”[1]。可见，掌握金融周期的规律对于防范金融风险、宏观经济的研究以及宏观政策的制定实施均具有重要意义。因此，围绕金融周期，有两个核心问题值得关注：一是如何科学测度金融周期；二是金融周期与经济周期如何相互影响。

一、文献综述

1.金融周期及其测度文献综述

金融周期(financial cycle)是一个金融危机后被频繁提及的概念，但是它的具体定义并没有达成普遍共识。Domanski和Ng认为金融周期可以被定义为一种与诸多系统性金融风险指标存在正向关系的潜在风险情绪的起伏[2]。Ng提出了一个相似的定义，认为金融周期是对于金融风险的感知与态度随时间的波动，通常可以用信贷增长、资产价格、流动性和融资约束等指标的变化来反映[3]。Borio将金融周期定义为一个自我增强的机制，该机制通过市场参与者们对风险以及融资约束的态度来引发周而复始的繁荣与萧条[1]。

在现有文献当中，金融周期衡量指标的选择有很大差异。有的文献用个别重要变量直接作为代理指标，有的文献则使用多个相关变量进行综合，浓缩出反映金融周期的综合指标。Cleassens等认为，在金融活动中最重要的3个方面是信贷、房地产市场以及股票市场。因此，他们利用信贷、房价以及股票价格分别作为代理指标来反映金融周期[4]。Ahmed等利用股票价格指数(SPI)作为金融周期的代理变量，并基于Probit模型方法衡量了11个欧元区国家在经济周期与金融周期内的协同性，检测出了很强的跨国协同性，并且发现金融周期的协同性强于经济周期[5]。陈雨露等认为私人部门信贷/GDP是衡量一国金融周期的较好的表征变量[6]。随着研究的深入，更多的文献选择了第二种方式来衡量金融周期，即采用多个变量进行综合，这个综合指标有时被称为金融状况指数(FCI)。在合成指标时，选择的变量以及合成的方法也各有不同。Drehmann等选择了5个金融变量：信贷、信贷与GDP的比值、房地产价格、股票价格以及一个综合资产价格指数[7]，首先利用带通滤波和拐点分析两种方法分别对每个变量的两种不同频率(中周期和短周期)的波动特征进行分析，然后采用平均的方法将各个变量的中周期合成为综合的金融周期指数。Ma和Zhang将实际汇率、货币供应量、房价、股票价格、银行的借贷利差、长期利率及风险溢价7个金融指标标准化后加权平均综合成为金融周期指数(FC)，以此作为对金融周期的测度[8]。邓创综合考虑了股票市场、债券市场、外汇市场、房地产市场、货币市场以及银行体系的运行状况，共选取26个指标，用主成分分析方法得到金融周期状况指数，用以衡量金融周期波动情况[9]。马勇等构建的金融周期指标包括房地产价格、股票价格、银行利差、金融杠杆、风险溢价、资本流动、货币供应量和社会融资规模，以上述8个指标对各自趋势值的偏离程度标准化后相加得到金融周期指数[10]。Menden和Proano采用了一个更大的数据集，选择了25个金融变量以及7个宏观经济变量，用动态因子模型将数据集归纳为3个潜在的共同因子，并利用这3个共同因子作为金融周期的代理变量考察其对宏观经济的预测能力[11]。

金融周期的概念虽然没有达成统一共识，但上文提到的几种主要的定义中包含着共同的思想：对系统性金融风险的态度是诸多金融变量背后共同的影响因素；这种态度是潜在的不可观测的，但它是使整个金融系统呈现周期性波动的原因。基于这样的定义，利用个别变量作为代理指标的局限性显而易见。因为，在一个特定的变量所提供的信息中，不仅包含了由潜在的对系统性金融风险的态度决定的信息，也包含了很多该变量所处的小市场本身才具有的信息，它们更倾向于反映单一市场的个性特征，而不能够代表整个金融体系。显然，利用多个变量进行构建综合指标来反映金融周期是一个更好的选择。在将若干指标合成指数的方法当中，动态因子模型具有得天独厚的优势。因子分析方法的一个重要前提假设是：所选择的诸多变量的变动都会被几个少数的潜在的共同因素所驱使，这几个共同因素是不可直接观测到的。上述关于金融周期的概念的研究均认为，对金融风险的感知与态度是许多金融变量变动背后的潜在影响因素，用能够提取出多个变量共同因子的动态因子模型方法对金融周期进行测算是合适的。相比较对变量进行加权平均的综合方法，动态因子模型方法避免了对各个变量赋予权重的主观性；相比较主成分分析法，动态因子模型法更适用于研究动态的时间序列数据；相比较其他的依赖于因果推断的回归模型方法，动态因子模型避免了因果推断中存在的内生性等问题。因此，利用动态因子模型对多个金融变量进行综合从而构建金融周期指标，是一种具有明显优势的方法。

2.金融周期与经济周期的关系理论综述

金融周期与经济周期的关系问题可以回溯到金融(或货币)的中性与非中性问题。凯恩斯之前的古典经济学认为，货币与实体经济是相互分离的，货币金融对经济可以产生短期的冲击，但长期是中性的。在“大萧条”之后占据了主流的凯恩斯主义则相信货币是非中性的，市场失灵与货币金融有关。20世纪80年代兴起的实际经济周期理论将经济周期波动归因于人口、技术进步等因素，认为货币金融是中性的，造成总产量不稳定的原因是一些“实际冲击”而非货币冲击。“货币中性”与“非中性”的思想就像钟摆的两端随着时间的推移交替出现。但时至今日，人们已经很难再否认货币金融对实体经济所产生的影响。基于发达经济体的研究结论指出，金融冲击对经济总体波动的贡献已超过50%[12]。在将金融因素作为内生因素重新纳入经济周期的分析框架方面，Minsky和Bernanke做出了重要的贡献。Minsky[13]的“金融不稳定假说”一定程度上承袭了凯恩斯的思想，认为经济并不处在一个自我均衡的状态中。他构建的框架是：金融活动对企业投资与利润的影响引发了未来的不稳定性，市场上存在着3种风险依次增大的借贷行为，即对冲、投机与庞氏融资。一个经济体中如果对冲融资占据了主导地位，那么经济将是一个寻求和保持平衡的系统，而投机和庞氏融资的权重越大，经济与金融系统就将越不稳定。当经济景气时，企业和银行信心增强，借贷会增多，随之而来的是投机以及庞氏借贷所占的比重不断增大，风险不断累积，直至产生金融危机；此时银行开始收紧信贷，企业投资减少，经济出现衰退。这一理论框架不同于货币数量论认为的货币对经济不会产生长期影响，也不同于实际经济周期理论认为的经济周期是实际外部冲击造成的，而是认为它就是内生于金融系统的不稳定性，并认为这就是资本主义与现代经济的典型特征。Bernanke[14]提出的“金融加速器理论”为解释金融市场如何影响经济周期提供了一个很好的模型：由于贷方和借方之间存在的信息不对称，金融市场上会存在摩擦。在总融资需求恒定的情况下，外部融资的风险溢价与借款人的资产净值负相关。因为借款人往往没有足够的抵押物用于项目融资，借款人的利率与外部资金提供者的利率之间的潜在差距就会变大，意味着代理成本的提高。对于资金提供者来说，不得不提高融资的风险溢价来补偿提高的代理成本。由于借款人的资产净值是顺周期的，则意味着外部融资的风险溢价将逆周期变动，从而增强了企业融资、投资的波动，进而影响产出，引发经济周期的波动。2008年全球金融危机后，金融因素对经济周期的影响再次受到国内外学者的关注。Cleassens等利用来自44个国家的超过200个经济周期与超过700个金融周期数据分析了金融周期与经济周期的互动[4]。分析结果显示经济周期与金融周期的不同阶段之间存在紧密的联系，经济衰退期与金融混乱，特别是房地产价格混乱相互联系，这些时期的经济衰退会比通常的衰退更加剧烈和持久。另一方面，经济复苏与信贷和房价的快速上涨有着密切的联系。Drehmann等认为，利用信贷和房地产价格的共同波动和中周期波动为特征，可以很好地定义一个金融周期；同时还观察到，金融周期中的波峰与系统性金融风险的关联程度更高，意味着国内的金融危机往往在金融周期的波峰附近爆发；对金融周期和经济周期关系的研究显示，二者的相关程度很高[7]。Borio总结了金融周期的几个重要特征：信贷与房地产价格在金融周期的衡量中扮演着非常重要的角色；美国的金融周期频率远低于传统的经济周期；金融周期的波峰与金融危机紧密相关；金融周期能够为金融风险提供预警；金融周期的长度与幅度取决于宏观经济政策机制[1]。Ma和Zhang[8]认为金融因素以及金融周期在宏观经济周期波动中扮演着重要的角色，利用GMM方法来考察金融周期与经济周期之间的联系，并得出金融周期对宏观经济波动的解释力很强的结论，“金融-实体经济”的内生关联性得到了进一步验证。

在现有的文献当中，多数的文献侧重于利用因果推断来证明金融因素与经济周期之间的内生关联性，其本质是探究“变量与变量”之间的关系，除此之外，本文还将增加一个从“周期与周期”之间的关系出发的视角，研究金融周期与经济周期在周期阶段特征方面的协同性。

二、金融周期指标选择与模型构建

1.指标选择

金融周期涉及金融活动的各方面，为了准确选定描述金融周期的指标，理想状态是考虑到尽可能全面的金融变量，但实际操作中，并不是变量越多越好。首先，有很多相同类型的变量走势是几乎相同的，把这些同类型的变量都囊括进来对综合的效果没有贡献，反而增加了工作量；其次，变量越多，存在的噪声越多，反而会干扰合成指标的结果；最后，考虑到变量可获得的时期与频率，我们最终在6个主要方面各选择了一个具有代表性变量。

本文考虑的我国金融周期中包括的金融活动及指标如下：

(1)信贷。信贷是金融活动重要变量，是信用创造活动的主要内容，也是现代金融体系中广义货币数量增长的重要来源，甚至已成为宏观经济调控的一种重要手段。与此同时，与信贷的快速增长相伴随的高杠杆却也成为金融活动中的风险点。以Borio为代表的很多金融周期相关研究认为，信贷是反映金融周期的两个核心指标之一[1]。信贷周期本身已经受到较为广泛的关注，银行信贷具有鲜明的顺周期性：在经济繁荣的时期，贷款违约率较低，银行有较强的放贷意愿，放贷标准宽松，利率较低，则信用也处于扩张状态；而经济的衰退期则恰恰相反。随着我国经济市场化和金融自由化的进程，信贷也开始不断扩张，甚至出现了几次较大规模的信贷扩张，如20世纪末到21世纪初的住房制度改革、银行和国企上市等重大改革极大地促进了贷款的市场需求，以及2008年金融危机后中国政府推出的“4万亿”信贷刺激计划，信贷成为广义货币M2增长的主要动力。因此，对于我国的金融周期来说，信贷同样是一个主导因素。本文在金融周期的测算中采用中国人民银行公布的金融机构各项贷款作为信贷指标。

(2)房地产价格。房地产价格是反映金融周期的另一个核心指标。房地产与银行信贷是通过相互促进来引起顺周期性的，因为房地产往往是银行信贷抵押品，当信用扩张时，私人部门的贷款除了用于消费，还有很大部分会投资于房地产，从而引发房地产价格的上涨；反过来，房地产定价的心理预期及羊群效应，又会加剧银行信贷的进一步扩张。所以，房地产市场有加速器的作用，美国房地产泡沫引发的次贷危机就是典型的例子。我国的房地产价格在过去的十几年中一直保持着上行趋势，多次引起社会对“房价泡沫”的担忧，特别是一、二线城市房价在2016年前后的上升曲线尤其陡峭，也伴随着大幅度扩张的信贷和高杠杆，以至于“房住不炒”“去库存”成为了当年我国重要的经济政策，房价稳定对于金融稳定的重要性可见一斑。本文利用国家统计局公布的月度商品房销售额除以商品房销售面积计算出当月商品房平均销售价格作为房地产价格的代表。

(3)资本市场。资本市场与银行信贷是两个并行的融资渠道。理论上，资本市场相对独立，其波动较为频繁且产生的影响持续时间较短，有利于降低信贷带来的顺周期性，分散风险，从而稳定金融系统。股票市场在资本市场中地位重要，股票价格波动是金融指标变动的重要组成部分，它的变动关系着上市公司的经营与发展，影响着居民家庭的财富与消费，代表着对未来经济的预期，每一次大的股市变动都引起社会的广泛关注。相比起欧美成熟的资本市场，我国的资本市场作为一个新兴市场还存在很多结构性问题。例如机构投资者占比不高，产品创新程度不高，波动幅度较大等，其规模也很难与信贷规模抗衡。但是也正因如此，其与基本面的联系更为紧密，更需要将其变动纳入金融周期的测算中进行密切监测。基于以上考虑，本文以股票价格作为资本市场的代表，选择上证综合指数月末值作为股票价格指标。

(4)金融资金价格。货币市场上的供求关系会体现在金融资金的价格上，金融资金价格包含了对未来通胀和市场形势的预期。在金融周期的繁荣阶段，如果金融体系的信用创造货币遇到瓶颈，银行对贷款扩张变得谨慎，利率的上升是必然的；或者，在金融周期的繁荣阶段，物价上升，央行采取紧缩性货币政策必然导致利率上升。近10年来我国利率市场化的步伐加快，至今已经基本取消了利率管制，这一进程对信贷与金融周期的影响十分显著。市场利率既能够反映市场上金融资金的供求关系，也充分反映了人民银行的利率调整及利率市场化的进程，2013年市场利率的上升以及2014年以后的显著下降都是很好的佐证。因此，本文选择市场利率Chibor7天同业拆借利率为金融资金价格的代表。普遍认为Shibor的市场化程度更高，但是该指标从2006年底才开始出现，观察期限较短所以没有入选。

(5)外汇市场。外汇市场上金融资金受国际影响后的变动，体现在汇率变动方面。在一个开放国家的资本账户中，汇率也是一种资产价格。除了贸易差额之外，资本流动对汇率的短期波动也存在着重要影响。相比起人民币对美元的汇率，有效汇率能够更全面地反映我国在对外贸易中的竞争力。自2005年汇改以来，我国的名义有效汇率保持着长期上升的趋势，而与此同时国内物价也持续上升，人民币呈现出“内贬外升”的特征。事实上，这一特征与金融周期息息相关：金融周期上升阶段，信贷扩张、投资需求增加会带来利率上升，引起国际资金净流入，从而产生汇率升值压力，同时，国内非贸易部门的繁荣也带来物价的上涨，于是呈现出“内贬外升”的特征。反过来，本币升值也会引起外债增加、信用扩张等反应。这体现了汇率与信贷、利率等金融因素相互影响。因此，本文选取人民币名义有效汇率(其他变量均为名义值，因此汇率也对应选取名义有效汇率，且我国的实际与名义有效汇率变动趋势基本一致)作为外汇市场方面的代表纳入金融周期的测算很有必要。

(6)货币供应量。货币供应量的状况反映了货币政策的取向——宽松或紧缩，是金融活动的重要变量，能从金融机构负债的角度反映市场的整体流动状况，是央行货币账册调整的重要中间变量。广义货币供应量M2主要由银行信贷、外汇占款以及政府债权等创造，其与金融体系、实体经济的相关性都很强，是反映货币供应量的重要指标。如上文所述，目前，信贷已成为我国M2增长的主要动力，这里再将M2纳入金融周期的指数编制作为一个补充。因此，本文选择广义货币供应量M2作为货币供应量代表。

以上是本文考虑的金融周期的主要因素，它们代表了金融周期的绝大部分特征，没有考虑其他金融活动因素，是因为它们在金融活动中所占比重较少，对金融周期整体影响有限。

2.动态因子模型构建

鉴于上文所述的优势，本文选择利用动态因子模型对金融周期指数进行合成。动态因子模型由Geweke等、Sargent 和Sims[15]提出，由Stock和Watson[16]推广，目前已经成为宏观计量经济学研究中一个重要的工具。相比起经典的因子模型，动态因子模型更适用于宏观经济分析中的时间序列数据，其最初的应用就是对经济周期的测度。动态因子模型的前提假设是：经济周期的波动是一系列经济活动共同产生的效果，其中的任何一个经济变量都不能够直接代表整个系统的变动，而是这些变量背后的一些不可观测的共同因子在潜在地驱动着它们，这些潜在的共同因子才能够用以解释和代表经济周期，而动态因子模型就是为了找出这些共同因子。在本文中，合成的共同因子即为金融周期，它是我们所选取的6个金融变量背后不可观测的潜在驱动因素，反映金融市场参与者们对风险和融资约束的态度引起的周期性波动。动态因子模型的基本含义可以描述为：一个高维的时间序列数据集的变动是由两个部分组成的，第一部分是由少数几个动态因子所表示的共同变动，第二部分是均值为0的扰动项表示的各个变量的差异化变动。其中，动态因子通常被假定服从某一随机过程，例如自回归过程。一个动态因子模型可以被写作状态空间的形式：

yt=Zxt+vt

(1)

xt=Φxt-1+εt

(2)

其中，yt是包含N个金融变量的向量；xt是包含p个动态因子的向量；Z是N×p维系数矩阵。在本文中，N=6,p=1。式(2)表示动态因子xt与其滞后一期是自相关的，Φ为相关系数矩阵。

vt～i.i.dN(0,R)

(3)

εt～i.i.dN(0,W)

(4)

x0～N(μ0,∑0)

(5)

利用卡尔曼滤波方法能够对模型中的超参数向量Θ={Z,Φ,R,W,μ0,∑0}进行极大似然估计。

三、金融周期的测算

1.样本数据的选取

基于我国金融体系的实际情况以及数据的可得性，本文选取的数据样本时期为2000年1月～2018年7月。为了消除量纲，使变量具有可比性，我们将采用上述6个金融变量的同比增长率进行后续分析。6个金融变量的同比增长率数据如图1所示：

图1 6个金融变量的同比增长率数据图

图1中，DCREDIT、DHOUSE、DSH、DCHIBOR、DNEER、DM2分别代表金融机构各项贷款、商品房平均销售价格、上证指数、Chibor7天同业拆借利率、人民币名义有效汇率以及广义货币供应量M2这6个变量的月度同比增长率。观察图1可以看到，各个金融变量的同比增长率虽然有其各自不同的动态变化。例如房地产价格的波动较为频繁，上证综指的波动幅度非常大，名义有效汇率的波动聚类现象较为明显等。但是，看似不同的变动规律中其实存在一些相似的关键点值得我们注意：首先，其中大多数变量在2003～2004年间、2006～2008年间、2008～2010年间、2012年左右以及2014～2016年间出现过较为明显的波峰；同时，显而易见的是在2008～2010年的全球金融危机时期里各个指标的变动幅度都显著增大；而近年来，多数指标的同比增长率都趋于下降或变得平缓。正是因为这些相似的关键点的存在，使得从中提取出共同因子来反映潜在的金融周期成为可能。

2.指数合成

第一步，对上述的6个变量的同比增长率数据进行进一步处理。首先，对所有同比增长率序列进行季节调整，消除季节因素，得到仅包含趋势与循环要素的TC序列；其次，利用H-P滤波方法将TC序列分解为趋势序列与循环序列，最终用于构建动态因子模型的是各个变量的循环要素序列。

第二步，对6个循环要素序列进行KMO及Bartlett检验，以检验数据是否符合因子分析的要求。表1列出了两项检验的结果。KMO检验值结果为0.51(大于0.5)，同时，Bartlett检验统计量对应的P值为0.00，说明在5%的显著性水平下，本文的数据适合于进行因子分析。

表1 KMO检验及Bartlett检验结果

第三步，利用得到的6个变量的循环要素序列构建包含1个共同因子的动态因子模型，用Stata软件对动态因子模型进行估计，估计结果如表2所示。

表2 动态因子模型估计结果

表2中，L1.表示所合成的共同因子的滞后一期，对应的系数即为式(2)中的一阶自相关系数Φ，dchibor_c、dhouse_c、dloans_c、dm2_c、dneer_c、dsh_c分别表示金融资金价格、房地产价格、信贷、货币供应量、名义有效汇率及股票市场价格各变量的循环要素序列，对应的系数即为式(1)中的系数向量中的各个元素。根据表2显示的动态因子模型的估计结果，共同因子一阶自相关系数高达0.95，说明共同因子具有很强的持续性，一定程度上反映出其具有较强的预测能力；同时，共同因子与各个变量之间的相关关系均十分显著，说明这个潜在的共同因子对每一个变量都有显著的解释与预测的能力，符合我们对金融周期指数合成的要求，可用以测度金融周期。

3.结果分析

图2为动态因子模型提取出的共同因子序列，即金融周期序列。由于我们所使用的是原始变量的循环要素成分，得到的金融周期已经排除了季节因素的影响，也剔除了趋势成分，因此，得到的序列始终在0的附近上下波动，反映的正是金融系统偏离均衡状态的情况。

图2 动态因子模型提取出的金融周期序列

在本文的观察期2001年至2018年(原始数据时期为2000年1月至2018年7月，经过差分、季节调整及HP滤波等数据处理之后，损失掉前14期的数据，得到的金融周期序列从2001年3月开始)期间，一共出现了8个波峰，分别出现在2001年10月、2003年5月、2005年8月、2007年9月、2009年4月、2010年11月、2013年3月以及2015年8月。波峰之间的间隔，即每一个周期的长度，大约为1.5～2.5年时间。其中，在2008～2010年间，我国金融周期的长度总体上短于其前后的时期，而此时期之后，波动的振幅也明显小于此时期之前。 Borio认为金融周期的周期长度与振幅大小与政策机制密切相关[1]。其蕴含着的假设是，金融周期并不是经济活动中的一种稳定的固有属性，而是一系列变量(比如本文所选择的6个金融变量)对当下特定的经济环境和政策环境作出的反应。

2001～2002年仍处于1997年亚洲金融危机的后危机时期，为了削弱亚洲金融危机的不利冲击，人民银行在1998年至2002年间连续下调存贷款基准利率，并放松贷款利率浮动区间、加大公开市场业务操作力度，营造了宽松的货币政策环境。同时，这一阶段也处于人民银行将货币供应量列入货币政策调控目标的最初10年，数量型货币政策调控效果显著。对应地，在这一阶段，金融周期波动平缓，振幅较小。

2003～2008年，我国经济进入了高速增长时期，国内生产总值同比增长平均在10%以上，外汇储备随之高速增长，外汇占款投放的货币占M2的比重大幅度提高，流动性过剩。因此，人民银行又连续上调存款准备金率及存贷款基准利率，施行紧缩的货币政策，控制信贷扩张。同时，这一阶段内，价格型货币政策工具的市场化程度也明显提高，2004年10月，人民银行取消了贷款利率上限并可下浮至基准利率的0.9倍，同时取消了存款利率下限。这一阶段的金融周期一个显著的特征就是周期长度明显增加，超过了2年。根据Borio的研究[1]，金融周期的周期长度与金融自由化程度紧密相关：金融自由化削弱了融资约束，有效地支持了对价值与风险的态度以及融资条件的感知之间的自我强化过程，而这一过程，根据Borio[1]的定义，正是金融周期产生的根源。在金融自由化程度很高的成熟经济体中，金融周期的长度要远远长于我国。

2008～2010年爆发全球金融危机，中国政府为了应对危机、稳定经济增速采取了“4万亿”的信贷刺激举措。在此期间，外国资本流入减少，外汇占款对M2的贡献显著下降，M2的增长大部分源自银行信贷的急剧扩张，2010年后又出现了急剧下降直至平均水平。对应地，金融周期在此期间呈现出较大振幅的波动。

2011年以后至今的“后金融危机”时期，我国经济增速放缓，进入“稳增长”“调结构”的经济新常态。与此同时，利率市场化的进程进一步加快：2012年6月人民银行再次放宽存贷款利率浮动区间，2015年5月正式实施存款保险制度，2015年10月取消存款上限管制。对应的这一阶段，金融周期的波动幅度明显小于此前的时期，且周期长度加长，均超过2年，进入一种明显的调整状态。

综上所述，我国金融周期的波长与振幅的变化与政策环境、金融自由化程度以及经济环境密切相关。首先，货币政策环境的松紧一方面通过信贷的投放直接影响着各个金融与实体部门的投资融资行为，从而使金融周期产生最显著与迅速的反应，另一方面通过影响各部门的预期改变其对价值与风险的态度，从而使金融周期波动发生变化；其次，金融自由化，特别是我国近年来的利率市场化进程，使我国的金融周期长度明显加长。最后，国内外的经济环境，一方面通过影响金融机构与企业的投融资行为直接影响金融市场，另一方面通过影响货币政策制定者的行为间接作用于市场，从而引起金融周期的变化，典型例证是2008年前后的全球金融危机。

四、金融周期与经济周期协同性分析

1.我国金融周期与经济周期关系的典型特征

对我国金融周期测算结果的分析显示，我国金融周期的波动与经济环境及政策环境密切相关，可见金融周期与经济周期的互动关系是一个不可规避的问题。

在计划经济年代，我国不存在金融周期与金融风险。随着改革开放，我国的金融自由化进程也在缓步推进。20世纪90年代末的一系列重大改革，例如加入世贸组织、住房制度改革、大型国企和银行纷纷上市、利率市场化等，使我国的市场经济不断发展，市场经济运行效率的提高成为金融周期波动的动力；而金融自由化的深入，也使金融对经济周期波动产生更加深远的影响。二者之间内在的因果关系已经被现有研究充分阐述和证明了，我们将其称为一种“变量与变量”之间的关系。就我国的实际情况而言，现实中二者交互影响的变化规律究竟如何，本文在此将提供一个“周期与周期”之间关系的视角，将金融周期与经济周期作为两种不同周期的特征及其互动关系展示出来。

本节先对金融周期与经济周期做一个直观的观察与比较。由于本文的金融周期指标为月度数据，而我国的GDP数据仅公布季度数据，不具有可比性，根据国内外文献的惯例，此时可以用月度工业增加值的数据来代替GDP反映经济体的总产出。因此，本文选用2000年1月到2018年7月我国月度工业增加值的数据进行处理作为经济周期的代理指标，对工业增加值的同比增长率序列进行与第二部分中各金融变量相同的处理。首先，进行X12季节调整，得到仅包含趋势与循环要素的TC序列；然后，利用H-P滤波方法将TC序列分解为趋势序列与循环序列，最终用循环要素序列作为经济周期序列。事实上，经过上述处理得到的循环要素序列就是实际产出围绕潜在产出的上下波动，通常也被称为“产出缺口”。产出缺口历来被学者们公认为一个能够较好地描述经济周期变化的代理指标。图3中的虚线即为以产出缺口表示的经济周期序列，实线为上文测算得到的金融周期序列。

根据图3对金融周期与经济周期进行对比，可以看到如下3个关键特征。

图3 金融周期序列(实线)与经济周期序列(虚线)

第一，金融周期波峰的附近(1年之内)往往会出现经济周期的波峰，如2003年5月的金融周期波峰之后伴随着2004年2月的经济周期波峰；2005年8月的金融周期波峰之后伴随着2006年2月的经济周期波峰；2007年9月的金融周期与经济周期波峰重合；2009年4月的金融周期波峰之后伴随着2010年1月的经济周期波峰；2013年3月的金融周期波峰之后伴随着2013年9月的经济周期波峰等。信贷与房地产市场具有公认的顺周期性：经济繁荣时期，消费和投资需求增加，贷款的需求也相应增加，对于供给方来说，预期偿还的风险相对较低，其提供贷款的意愿也较强，因此信贷同样也处于扩张时期；而房地产市场的繁荣也在很大程度上受到信贷环境的影响，从而增强了金融体系的顺周期性，致使金融周期与经济周期的走势紧密相伴。

第二，在2008～2011年的金融危机及危机后时期，经济周期与金融周期的走势几乎是完全相反的。第三部分的分析结果显示我国的金融周期与金融调控政策具有紧密的联系，而金融周期与经济周期在这一时期的走势相反，反映了危机时期的调控政策有效地起到了逆周期调控的作用，特别是“四万亿”信贷政策对经济的提振效果显著。

第三，金融危机时期过后直至现在的金融周期波动幅度显著小于危机前，对应时期的经济环境也是“稳增长”的新常态，经济周期波动十分平缓。以上观察到的特征充分说明金融周期与经济周期有着紧密的内在联系与协同性。

2.协同性指标计算与分析

接下来，将利用两个协同性指标进一步证明并量化金融周期与经济周期之间的协同性。

Harding和Pagan[17]定义了周期之间的协同性(Synchronization)，并且提出了测度两个周期之间协同性的方法，用以说明周期所处周期阶段(或称为“相位”)的同步程度。其中，涉及两个衡量协同性的指标：周期相关性(Correlationof Cycles)和一致性指数(Concordance Index)。周期相关性是利用两个周期变量对应的概率密度函数计算的两个周期变量之间的相关系数，来反映两个周期协同变动的程度；一致性指数则是为了反映两个周期处于相同周期阶段的时间占比。

假设xt和yt为两个周期序列，首先，利用马尔科夫机制转换模型分别对xt和yt序列划分周期阶段，通常划分为两个机制，即扩张阶段和收缩阶段，并定义两个0～1变量：

Sxt=1表示序列X在t时期处于扩张阶段;

Sxt=0表示序列X在t时期处于收缩阶段；

Syt=1表示序列Y在t时期处于扩张阶段;

Syt=0表示序列Y在t时期处于收缩阶段。

则xt和yt的周期相关性为：

(6)

xt和yt的一致性指数为：

(7)

利用Hamilton提出的马尔科夫机制转换模型(Markov switching model)对金融周期序列进行周期阶段的划分。现有文献通常将周期划分为两个阶段：扩张阶段和收缩阶段。金融周期指数连续上升的时期为扩张阶段，金融周期指数连续下降的阶段为收缩阶段。因此，需要为金融周期序列建立二机制的马尔科夫机制转换模型：

yt=cst+φyt-1+εt,εt～N(0,σ2)

(8)

其中，yt表示金融周期序列，模型的截距项cst取决于不可观测的状态st，st=0或1，意味着截距将会有对应的两种取值c0和c1，即yt序列的均值将会在两个取值之间相互转换，分别对应上述的收缩阶段和扩张阶段。何时由哪一种状态转换到另外一种，是由转移概率决定的，转移概率作为未知参数也需要进行估计。利用EViews 10对模型进行估计，估计结果显示机制划分非常显著，估计得到机制划分平滑概率序列如图4所示。可以看到，在2008～2010年金融危机时期，金融周期序列的波动幅度异常大，所以用整体数据估计的模型很大程度上突出了这一时期的变化而掩盖了其他时期的机制转换。

图4 金融周期指数的Markov机制划分的平滑概率

为了解决这个问题，我们将2008年12月至2010年9月这一段时间的数据除去，对其前后的时期分别构建马尔科夫机制转换模型，模型估计得到的转移概率矩阵分别为：

其中，在危机前时期(2001年3月～2008年12月)，收缩机制和扩张机制持续的概率分别为0.8837和0.8999，利用期望持续时间的计算公式为1/(1-p11)计算得到对应的期望持续时间分别为8.6个月和10个月，由收缩机制转换到扩张机制的概率为0.1163，反向的转移概率为0.1001。在危机后时期(2010年9月～2018年6月)收缩机制和扩张机制持续的概率分别为0.9083和0.8827，对应的期望持续时间分别为10.9个月和8.5个月，由收缩机制转换到扩张机制的概率为0.0917，反向的转移概率为0.1173。在危机前，金融周期扩张阶段的期望持续时间略长于收缩阶段，而在金融危机后，则恰好相反。

图5为两个时期的马尔科夫机制划分的平滑概率。其中，图5(a)为2001年3月～2008年12月的机制划分平滑概率，图5(b)为2010年9月～2018年6月的机制划分平滑概率。其中，曲线下方的区域为扩张机制，上方为收缩机制。可以看到，在将金融危机时期的异常值去除之后，金融危机前后两个时期的金融周期在扩张与收缩两个机制之间有规律地相互交替。

同样地，对经济周期序列建立二机制的马尔科夫机制转换模型，得到的机制划分平滑概率序列如图6所示。

图6 经济周期的Markov机制划分的平滑概率

根据经济周期与金融周期的Markov平滑概率是否大于0.5来对各期的状态进行划分，得到对应的0～1变量Sxt与Syt，分别代表经济周期与金融周期在t时刻处于扩张状态或收缩状态。其中，金融周期的0～1变量序列Sxt所依据的是分时期处理后的平滑概率，即危机前和危机后时期分别采用图5(a)和图5(b)中平滑概率，而危机时期采用图4中对应时期的平滑概率。根据Sxt与Syt的数据计算得到反映周期协同性的两个指标。

计算结果为：

经济周期与金融周期的周期相关性指标为：

ρs=-0.1171；

经济周期与金融周期的一致性指数为：

3.稳健性检验

作为一个稳健性检验，我们分别对危机前时期(2001年3月～2008年12月)及危机后时期(2010年9月～2018年6月)也进行了同样的滞后期的计算，得到的结果见表3后4栏。

表3 金融周期滞后期与经济周期的协同性

为了更加直观地反映二者的位置关系，我们将Sxt与Syt绘制于图7当中进行观察。可以看到，在图示的时期内，经济周期与金融周期的扩张状态(收缩状态)出现的次数大致相似，但是出现的位置是相互错开的。图7中的垂直线代表着扩张阶段与收缩阶段交替的转折点，即峰谷出现的位置，同样可以看出经济周期与金融周期很少有重叠的峰谷，绝大多数都是交错出现的，并且于表3的结果相呼应，金融周期的峰谷出现的位置通常早于经济周期的峰谷约半年至一年。

图7 经济周期与金融周期的协同关系

五、结 论

本文利用动态因子模型能够用少数几个共同因子反映多个变量变动背后的潜在影响因素的优势，选取了6个具有代表性的金融变量，用我国2000年1月～2018年7月的数据构建了我国的金融周期指数，并对测算出的我国金融周期的特征进行了分析。其次，利用测算出的金融周期与经济周期序列进行比较，将理论与观察结果相结合分析我国金融周期与经济周期的相互关系。最后，运用马尔科夫机制转换模型对金融周期和经济周期序列进行机制划分，划分为扩张和收缩两种机制，利用周期相关系数和一致性指数两个指标，对我国金融周期与经济周期之间的协同性进行了进一步的度量和分析。得到的结论如下：

首先，本文选取的金融机构各项贷款、商品房平均销售价格、上证指数、Chibor7天同业拆借利率、人民币名义有效汇率以及广义货币供应量M2这6个金融变量的月度同比增长率在观察期内的变动具有相似的特征，意味着能够从中提取出潜在的共同因子来反映金融周期。动态因子模型估计的金融周期与各个金融变量的相关关系均十分显著，且其自身具有较强的预测能力，符合对金融周期指数合成的要求。

其次，观察测算出的金融周期的特征发现，金融周期的波长和振幅与经济环境及金融调控政策密切相关：金融自由化的程度越高，金融周期波长越长；货币政策宽松时期，金融周期的波长也较长；金融周期对信贷调控政策的反应最为迅速；经济增长速度放缓阶段，金融周期波动的振幅较小；扩张与紧缩的持续时间在金融危机前后有着不同的表现。

再次，对比金融周期与经济周期发现，金融周期波峰的附近(1年之内)往往会出现经济周期的波峰；在金融危机时期经济周期与金融周期具有相反的走势；危机后至当前的时期，经济周期与金融周期共同呈现出波动平缓的态势。以上特征反映出经济周期与金融周期的内在关联性。

最后，协同性指标的计算结果表明，我国的金融周期与经济周期的当期之间的协同性程度较低，然而金融周期的滞后7期与经济周期的协同性程度较高，金融周期领先于经济周期半年至一年。