我国金融压力对工业增长的动态影响研究

沈 丽，刘 晴

(山东财经大学 金融学院，济南 250002)

一、引言

近年来，我国工业行业主动适应经济发展新常态的要求，在落实稳增长、促改革、调结构等各项政策措施中发挥了突出作用，为国民经济保持稳定增长发挥着重要支撑作用。但是由于具有生产周期长、融资需求大等突出特点，我国工业增长始终对金融体系的依赖较大，为此国家不同部门均出台了多项政策措施加大金融对工业增长的扶持力度，增强金融服务工业增长的能力。2016年，央行等八部委印发《关于金融支持工业稳增长调结构增效益的若干意见》，提出要加大金融对工业增长的支持力度。2017年，党的十九大报告进一步明确提出要“增强金融服务实体经济能力”。2019年中央经济工作会议强调要继续加大金融对工业制造业的支持力度，推动工业稳定增长。2020年2月1日，为应对突发疫情对工业增长的冲击，央行等五部门进一步提出金融部门要采取一系列措施，强化金融对工业增长的支持力度，支持实体经济稳定发展。官方数据显示，2020年4月份，我国规模以上工业增加值同比增长3.9%，由负转正，但是从2020年1月至2020年4月的总体数据来看，这一期间我国规模以上工业增加值仍然同比下降4.9%。因此，增强金融服务工业增长的能力仍然是当前金融工作的重点。

而随着经济增长速度略有放缓和经济结构的持续改善，我国金融体系自身潜在的压力逐渐显现，并进一步在工业行业间积聚和释放，不仅影响着金融体系自身的稳定，也给金融服务工业增长的能力造成了冲击。在此背景下，金融压力的释放会对工业增长产生怎样的冲击，这种冲击又是通过什么渠道传导的？对该问题的解答，有助于深入理解我国金融压力对工业增长的动态影响机制，为制定更有针对性的发展战略及相关政策提供相关理论依据和决策参考。

二、文献综述

自从加拿大经济学家Illing和Liu提出金融压力这一概念以来，大多数学者认为金融压力是反映整个金融体系由于自身脆弱性和预期变化以及外部冲击等因素影响而承受的总体压力水平的综合性指标[1-4]。此外，也有学者从刻画系统性金融风险的角度定义金融压力，认为可以通过测度给定时期内的金融压力来分析风险的相对水平[5-6]。本文中关注的主要是第一种，即定义金融压力是指金融体系受各种因素影响所承受的总体压力水平。

学术界普遍认为金融压力可以通过金融压力指数来衡量[7]，构建金融压力指数的关键在于子系统指标的选取和权重的确定两方面。由于各国金融环境的差异，国外学者在构建金融压力指数时，学者们所考虑的微观指标有所不同，但大多都会涵盖银行部门、股票市场、外汇市场和债券市场等金融部门[8-10]。国内大多数学者主要从股票、债券和外汇市场以及银行业四个金融部门选取指标构建我国的金融压力指数[11-13]。此外，也有不同的学者根据研究的问题对指标的选取作了相应的调整，在构建我国的金融压力指数时从保险市场、货币市场和金融政策环境中选取相关指标[14-16]。通过梳理已有文献可以发现，学术界对于指标的选取尚未形成共识，受数据可得性和操作复杂性的约束，要结合所研究的问题并综合考虑多种因素来进行具体指标的选取。

金融压力指数是通过对不同金融部门子压力指数加权得到的，因此权重的确定至关重要。已有研究在确定权重时大多使用信用总量权重法[17]、主成分分析法[18-19]和等方差权重法[18]几种赋权方法。而随着研究的深入，这几种方法的局限性也逐渐显露出来，为了确保构建的金融压力指数的准确性，一些学者开始对确定权重的方法进行改进。闫先东和朱迪星[20]等先后使用CRITIC客观赋权法构建了我国的金融压力指数，并进一步通过分析得出使用该赋权方法构建的金融压力指数能够较为准确地反映我国的金融压力状况。CRITIC赋权法同时考虑到了指标的变异性和各指标之间的冲突性，确定的权重更为准确、更具有现实意义。

从金融压力对工业增长动态影响的研究进展来看，学术界普遍认为金融压力对工业增长具有显著的负面影响[17]。国外相关研究起步较早，Apostolakis和Papadopoulos通过研究得出，金融压力对经济稳定性具有负向影响[20]。Hubrich和Tetlow 、Cambón和Estévez基于马尔科夫区制转移模型的研究认为，金融压力指数越高对经济运行越不利[21-22]。刘瑞兴[15]研究表明我国金融压力对实体经济存在单向的负面冲击，邓创和赵珂[3]实证得出金融压力的积聚会对经济景气具有抑制效应。相关研究多关注金融压力对工业增长的冲击，而何青、江红莉等指出缺乏良好经济基础的支撑会导致金融体系脆弱性增强，这又会进一步导致金融压力增加[23-24]。此外，现有研究大多从线性影响的角度考察金融压力对工业增长的影响，忽视了近几年来我国金融压力和工业增长表现出来的非线性特征[25-26]。从实证方法来看，早期学者大多通过建立VAR模型并结合格兰杰因果检验方法进行研究[15]，但是由于传统的线性检验方法考察的是两个变量之间的线性因果关系，当所考察的变量间存在非线性特征时，采用该检验方法可得到的结论可能不够准确[27]。

回顾和整理相关文献可以发现，众多学者在金融压力的识别以及金融压力与工业增长的关系问题上为我们提供了扎实的基础，但也存在一定的不足。已有研究主要基于线性因果关系检验方法方法对我国金融压力对工业增长的影响展开研究，但是金融压力和工业增长的非线性特征日益显现，传统的线性检验方法可能因为忽视了变量间实际存在的非线性因果关系而影响其推测结果的准确性。鉴于已有研究的局限，本文的主要创新之处在于，通过采取非线性Granger因果关系检验方法对我国金融压力以及不同金融部门子压力和工业增长间的非线性因果关系进行检验，避免了传统的线性因果关系检验方法因忽视我国金融压力和工业增长间实际存在的非线性因果关系而可能导致的误差，以便更为准确深入地揭示我国金融压力对工业增长动态影响的作用机制。

三、我国金融压力的测度

通过构建我国的金融压力指数对我国金融体系的压力进行测度，从银行部门、证券市场、保险市场和外汇市场选取共11个指标分别测度了我国不同金融部门的压力，在此基础上采用CRITIC客观赋权法对我国金融压力进行了测度和分析。

(一)构建金融压力指数的指标选取

综合考虑指标的代表性、规范性、可获得性以及互补性，该部分从银行部门、证券市场、保险市场以及外汇市场四个金融部门选取了共11个指标构建我国的金融压力指数。数据的样本区间为2006年3月至2019年9月，所有数据来源于Wind数据库、中经网数据库、中国人民银行官网和统计局官网。选取的具体指标如表1所示。

表1 我国金融压力指数的指标体系

(二)不同金融部门压力的测度

首先对银行部门、证券市场、保险市场以及外汇市场四个金融部门的子压力进行测度。运用极值法对各金融部门的基础金融指标进行标准化处理，以消除不同指标维度和幅度差异对计算结果的影响，借鉴相关研究，根据与金融压力指数的关系，将指标分为正向指标和负向指标。正向指标与金融压力指数正相关，负向指标则相反。对正向指标和负向指标分别按式(1)和式(2)进行标准化处理：

(1)

(2)

在对指标进行标准化处理后，本文借鉴相关学者的研究成果[3，6]，采用标准差倒数法，如式(3)所示，计算各金融部门基础指标的权重，由此可分别获得银行部门、证券市场、保险市场以及外汇市场四个金融部门各自的压力指数CFSIt1、CFSIt2、CFSIt3和CFSIt4：

(3)

(三)我国金融压力的测度结果及分析

(4)

我国金融压力指数CFSI在2006年3月至2019年9月间的走势大致可以划分为五个阶段第一阶段是2006年3月至2007年11月，在此期间我国金融压力指数波动幅度比较小，整体处于较低水平。这主要是由于这段时间正处于亚洲金融危机和美国次贷危机之间，亚洲金融危机的影响已经基本消退，新的危机也尚未到来。第二阶段为2007年12月至2010年12月，受金融危机影响，我国金融体系潜在的压力增大并到达峰值，且在一年多的时间里一直维持高位，说明在这段时期我国受国际金融环境的影响，金融体系面临前所未有的压力状态。此后经过我国政府的一系列稳定措施，国民经济发展逐渐得到恢复，金融压力指数开始回落且相对保持稳定。第三阶段为2011年1月至2013年11月，我国金融体系受到欧洲爆发的主权债务危机的负面影响，我国的金融压力指数表现出小幅度的反弹。第四阶段为2013年12月至2017年12月，我国股票市场发生大幅度波动并对债券市场等其他金融市场和实体经济造成冲击，金融压力指数在此期间迅速上升。此后随着政府一系列救市措施的实施，金融体系趋于稳定，金融压力指数也逐渐下降。第五阶段为2018年3月至今，受中美贸易摩擦的影响，我国的金融压力指数波动较为剧烈，整体处在较高的水平。

四、我国金融压力对工业增长动态影响的实证检验

在测度了我国金融压力的基础上，借助非线性Granger因果关系检验方法、广义脉冲响应分析和方差分解方法进一步对我国金融压力对工业增长的动态影响进行实证检验。工业增长的衡量指标选用的是工业增加值的月度增长率(IP)，数据来源于国家统计局官网。

(一)我国金融压力与工业增长的因果关系分析

1.非线性Granger因果关系检验模型设定

Bake和Brock指出[29]，当变量间存在非线性特征时，使用检验线性因果关系的方法来进行考察变量间的因果关系，会导致准确率大大降低。为此，他们提出一种非参数的统计方法检验变量间的非线性关系。随后，Hiemstra和Jones修正了Bake和Brock关于变量必须独立同分布的假设，提出了非参数的TVAL统计量，拓展了这种检验方法的适用性[30]。他们的研究表明，在“不存在Granger因果关系”原假设下，对于给定的m、Lx≥1与Ly≥1以及e>0,以下TVAL检验量服从渐进正态分布：

(5)

与此同时，为了克服TVAL检验方法可能产生的“过度拒绝”的问题，Diks和Panchenko在此基础上提出了非参数的Tn检验统计量[31]。该方法首先基于VAR模型过滤掉变量序列间存在的的线性“预测能力”，然后从残差序列中提取相应信息来分析变量间的非线性Granger因果关系。

(6)

其估计为

(7)

(8)

2.单位根检验

借助ADF单位根检验方法，该部分对IP、CFSIt1、CFSIt2、CFSIt3、CFSIt4这5个变量的时间序列进行了平稳性检验，检验结果如表2所示。

从表2可以看出，这5个变量的原始时间序列在1%、5%和10%的临界值上均为非平稳序列，所以各变量的原序列是不平稳的。进一步对这些变量的一阶差分序列进行检验得出，各变量的一阶差分序列均为平稳序列。接下来本文分别构建了如下双变量VAR模型，根据式(8)中的Tn统计量依次对该模型中的两个估计残差序列进行非线性因果检验：

表2 ADF单位根检验结果

(10)

3.BDS非线性检验

进行非线性Granger因果检验的前提是变量间必须存在非线性变化关系，因此需要首先对残差序列进行非线性检验，本文采用的是BDS检验方法。表3显示了嵌套维数m=2至6时，分别对五对变量进行BDS检验的结果。根据表3可知，在10%的显著性水平下，基于方程残差的BDS检验均拒绝“线性关系”的原假设，这意味着五对变量之间均存在显著的非线性变化关系。在此基础上，接下来本文将采用非线性Granger因果检验方法分别考察我国金融压力与工业增长以及不同金融部门子压力与工业增长的的非线性因果关系。

表3 BDS检验结果

4.我国金融压力与工业增长的非线性Granger因果关系检验

使用前文介绍的非参数的Tn检验统计量，此部分对CFSI和IP经过线性成分过滤得到的两个残差序列进行非线性Granger检验，借鉴相关学者研究，带宽设置为e=1.5σ，滞后阶数设置为1至6阶，结果如表4所示(该检验结果只是数理统计意义上的判断)。

表4 金融压力与工业增长的非线性因果检验结果

从表4的检验结果可以发现，在表4左侧“CFSI不是IP的Granger原因”的检验中，在1至5阶下，检验结果均可以拒绝“CFSI不是IP的非线性Granger原因”的原假设，说明我国金融压力是工业增长的非线性Granger原因，我国金融压力对工业增长存在着显著的非线性效应。而在表4右侧的检验中，在1至6阶下，检验结果均不能拒绝原假设，即接受原假设“IP不是CFSI的非线性Granger原因”，说明我国工业增长不是金融压力的非线性Granger原因。从非线性因果关系检验的结果来看，工业增长的变动对金融体系的正常运行不能带来直接的影响，与与之相反，可以得出金融压力会对工业增长造成影响。这与我们对于金融压力的认识也是一致的，金融系统受到自身或者外部的冲击的影响，这种影响在金融体系内不断积累，最终通过对工业增长的负面影响得到体现。如果继续任其发展，有可能导致金融危机，进而促使经济危机的形成。

5.不同金融部门子压力与工业增长的非线性Granger因果关系检验

该部分进一步对不同金融部门子压力与工业增长的非线性Granger因果关系检验。使用前文介绍的非参数的Tn检验统计量，此部分分别对CFSIt1和IP、CFSIt2和IP、CFSIt3和IP以及CFSIt4和IP经过线性成分过滤得到的四对残差序列进行非线性Granger因果关系检验，结果如表5所示(该检验结果只是数理统计意义上的判断)。

从表5左侧的检验结果可以发现，在1至6阶下，检验结果均可以拒绝“CFSIt1不是IP的非线性Granger原因”“CFSIt2不是IP的非线性Granger原因”的原假设，说明在1至6阶下，银行部门子压力和证券市场子压力均是工业增长的非线性Granger原因。在1至5阶下，检验结果均可以拒绝“CFSIt3不是IP的非线性Granger原因”、“CFSIt4不是IP的非线性Granger原因”的原假设，说明在1至5阶下，保险市场子压力和外汇市场子压力均为工业增长的非线性Granger原因。从表5右侧的检验结果可以发现，在1至5阶下，检验结果均不能拒绝“IP不是CFSIt1的非线性Granger原因”原假设，即接受原假设“IP不是CFSIt1的非线性Granger原因”，说明在1至5阶下，工业增长均不是银行部门子压力的非线性Granger原因；在1至6阶下，检验结果均不能拒绝“IP不是CFSIt2的非线性Granger原因”“IP不是CFSIt3的非线性Granger原因”以及“IP不是CFSIt4的非线性Granger原因”的原假设，说明在1至6阶下，我国工业增长不是证券市场子压力、保险市场子压力以及外汇市场子压力的非线性Granger原因。从非线性因果关系检验的结果来看，银行部门子压力、证券市场子压力、保险市场子压力和外汇市场子压力均分别为工业增长的单向非线性Granger原因。

表5 不同金融部门子压力与工业增长的非线性因果检验结果

(二)我国金融压力对工业增长的动态影响分析

非线性Granger因果检验确定了我国金融压力以及不同金融部门子压力和工业增长间的非线性因果关系，得出不同金融部门压力的变动均会对工业增长造成影响，但是并未得出这种影响的强弱程度、正负方向、调整时滞和稳定过程等信息，为此我们使用广义脉冲响应函数对我国金融压力对工业增长的动态影响机制进行进一步探究。

1.我国金融压力与工业增长的广义脉冲响应分析

我国金融压力和工业增长的广义脉冲响应结果显示，首先，来自其本身的标准差冲击会对金融压力带来正向效应，进一步观察可以得出，在滞后1期时正效应最大，滞后1至5期迅速下降，滞后5期后下降趋势变换并趋于平稳。其次，对于来自工业增长的一个标准差冲击，金融压力表现为负向响应且具有一定的滞后性。滞后1期，金融压力对于来自工业增长的标准差冲击初始响应为0，滞后2至5期，冲击效应逐渐增加，滞后4期时达到-0.7%的最大响应后开始呈现下降趋势，此后逐渐趋于平稳。综合来看，来自金融压力自身冲击的影响要远大于来自工业增长冲击的影响。

类似地，滞后1期时，工业增长对来自其本身的一个标准差冲击也具有正效应，此后一直呈现下降态势，并在滞后18期以后趋向于0。而对于来自金融压力的标准差冲击，工业增长表现为更为强烈的负向响应。在第1期时的初始响应速度为-0.7%，此后负向冲击效应持续增加，滞后4期时，工业增长做出-2.4%的最大响应且滞后14期以前一直维持在-1%的水平之上。总体来看，滞后1至3期，工业增长自身产生的正向冲击大于金融压力导致的负向冲击，但从滞后4期开始，金融压力产生的负向影响要远大于工业增长自身产生的正向影响，所以总体影响效果应该为负。这一结果表明，金融压力对工业增长总体有负的影响效应，长期来看，金融压力的负向效应远大于工业自身积累带来的正向效应。

2.不同金融部门子压力对工业增长的广义脉冲响应分析

该部分进一步对银行部门、证券市场、保险市场和外汇市场四个不同金融部门子压力变动对工业增长影响的程度、正负方向以及持续时间等进行了检验。观察当分别给定一个标准差冲击时，工业增长对于各金融部门子压力做出的响应。

由检验结果可知，对于来自银行部门压力的两倍标准差信息冲击，工业增长在滞后1期的初始响应速度为-0.7%，滞后2期以后银行部门压力对工业增长的负向冲击效应迅速增加，滞后3期达到最大，此后负向冲向效应略有减弱但并未消失，长期以后趋于稳定。这表明银行部门的压力，经各种途径传递给工业增长，并带来长期显著的负效应。对于来自证券市场压力的两倍标准差信息冲击，工业增长在第1期以-0.6%的初始响应速度迅速下降，在滞后2期达到-2.3%，此外负向冲击效应始终持续在较高水平。由此说明证券部门压力的冲击对工业增长的变化也有明显的负影响，在短期和长期内都会对工业增长造成负面影响。对于来自保险市场压力的两倍标准差信息冲击，工业增长在第1期的初始响应速度为-0.9%，滞后4期达到-1.3%，此后保险市场压力对工业增长的负向冲向效应逐渐减弱，第8期后逐渐在负低位趋于平稳。对于来自外汇市场压力的两倍标准差信息冲击，工业增长在第1期的初始响应速度为-0.7%，滞后5期达到-1.3%，与保险市场类似，此后外汇市场压力对工业增长的负向冲向效应也逐渐减弱，第9期后逐渐在负低位趋于平稳。

通过以上分析可以看出，首先，工业增长对于分别来自银行部门压力、证券市场压力、保险市场压力和外汇市场压力的标准差冲击，所做出的的响应方向是相同的，均表现为负向响应，说明这四个金融部门的子压力均会对工业增长造成负面冲击。其次，工业增长对于分别来自银行部门压力、证券市场压力、保险市场压力和外汇市场压力的标准差冲击，所做出的的响应程度和持续时间存在差异。对于来自银行部门压力和证券市场压力的标准差冲击，工业增长表现出更为强烈的负向响应且持续时间长，在较长一段时间内维持在较高的水平。而对于来自保险市场压力和外汇市场压力的标准差冲击，工业增长的负向响应相对较小，且会逐渐在负低位趋于平稳。

3.不同金融部门子压力对工业增长影响的方差分解

为进一步分析银行部门、证券市场、保险市场和外汇市场各部门金融压力对工业增长影响的贡献度，本文进一步对工业增长、银行部门子压力、证券市场子压力、保险市场子压力和外汇市场子压力这五个变量进行了方差分解，结果如表6所示。

从表6的预测方差分解结果可以看出，第1至2期，我国工业增长的预测方差自身影响占比更大，分别为61.410 1和55.669 2。随着时间的变动，银行部门压力、证券市场压力、保险市场压力和外汇市场压力对工业增长预测方差变动的贡献率逐渐变大，第8期，工业增长自身对预测方差的影响占比为27.273 9，而银行部门压力和证券市场压力对工业增长预测方差变动的贡献占比分别为28.781 3和29.342 1，银行部门压力和证券市场压力对工业增长预测方差变动的贡献率超过了工业增长自身的贡献率。此后，银行部门压力和证券市场压力对工业增长预测方差变动的贡献率继续增大。通过分析可以得出以下结论：第一，短时间内，工业增长自身对其预测方差变动的贡献率更大，随着时间变动，银行部门压力和证券市场压力对工业增长预测方差变动的贡献率占比逐渐提高并超过了工业增长自身对其预测方差变动的贡献率。第二，综合来看，如果不考虑工业增长自身变动对其预测方差变动的贡献率，2至10期内银行部门压力和证券部门压力对工业增长预测方差变动的贡献率最大，且随着时期的增长持续增加，而除第1期外，保险市场压力和外汇市场压力对工业增长预测方差变动的贡献率始终占比较小。这说明在我国，工业增长的波动除受自身波动影响外，主要受银行部门压力和证券市场压力的冲击影响。

表6 IP的预测方差分解

五、结论

本文提出我国金融压力对工业增长的动态影响研究这一课题，深入探究了我国金融压力对工业增长的动态影响机制，最后提出相应的政策建议。通过理论分析与实证研究，我们主要有以下结论：

第一，对金融压力的测度结果表明，2006年3月至2019年9月期间我国金融压力指数呈现出了较为复杂的阶段性变化特征且大致可以分为五个阶段。通过分析可以得出本文构建的金融压力指数能够较好地测度我国的金融压力。

第二，对我国金融压力与工业增长的因果关系进行分析可以得出，我国金融压力对工业增长施加影响的渠道是金融体系的各个主要子部门，银行部门、证券市场、保险市场以及外汇市场四个金融部门子压力均会对工业增长产生负面影响，这会最终表现为整个金融体系压力会对工业增长造成负面效应。

第三，对我国金融压力对工业增长的动态影响分析得出，总体上金融压力的负向效应大于工业自身积累带来的正向效应，长期来看金融压力的存在最终会导致工业增长的不断下降。进一步分析得出，不同金融部门的子压力均会对工业增长造成负面冲击，但是冲击的影响程度和持续时间存在差异。银行部门和证券市场子压力会对工业增长产生更为强烈的负向冲击且持续时间长，工业增长的预测方差变动在长期内也主要由银行部门子压力和证券部门子压力来解释。