区域融资强度调整对中国经济增长的影响与贡献效应

陈 斐 庞欣茹

(浙江理工大学 a.经济管理学院；b.区域与城市经济研究所，杭州 310018)

提要： 社会融资规模逐渐成为衡量中国金融宏观调控的重要指标。首先考察了中国社会融资规模变化与融资强度的短期调整情况，然后基于GDP核算的支出法，选择2014—2019年24个季度时间段的省级数据，建立纳入了融资强度变量的动态面板模型，采用系统GMM估计方法考察了区域融资强度调整对中国经济增长的影响，并将全国样本细分为两类地区样本分别展开实证研究，进而考察了区域融资强度调整在经济增长中的贡献效应。研究发现：在三种样本情形下，融资强度对经济增长均具有显著性的正向促进作用，且这种促进作用呈现出“相对发达地区<全国<欠发达地区”的关系。对融资强度调整的经济增长贡献效应模拟分析进一步表明，区域融资强度的调整对经济增长具有正向的贡献效应，且这种贡献效应在欠发达地区表现得更为明显。

引 言

“社会融资规模”在2010年年底中央经济工作会议上被首次提出。随后，2011年中国人民银行首次发布了季度全国社会融资规模增量数据，并从2014年起按季发布地区社会融资规模增量数据。社会融资规模这一金融统计指标反映了国家从金融体系获得的全部资金，全面反映了金融对实体经济的服务能力[1]，也是中国在完善金融统计信息与统计制度方面做出的一种新探索[2]。近年来，中国政府针对经济短期波动采取了积极的逆周期调节手段[3]，这其中也包括对社会融资规模增量的调整[4]。在中国，当经济面临重大冲击时，政府部门往往会采取积极的货币政策或财政政策，以期维持经济社会的健康稳定[5]。2020年以来，中国政府对货币政策等宏观经济调控提出了更加清晰的要求[6]，社会融资规模增量也随之出现了明显的短期调整。当前，社会融资规模已成为衡量中国金融宏观调控的重要指标[7]，地区社会融资规模也成为全面准确反映区域金融支持力度和区域资金配置能力的重要指标之一[8]。区域金融发展与经济增长一直都是国内外学者研究的热点话题，同时，探寻区域融资能力与区域经济增长的关系，试图从区域金融视角寻找驱动经济增长的策略，也具有非常重要的现实意义。那么，社会融资规模增量调整及其强度是否对中国经济增长具有显著的促进作用？这种促进作用又是否表现出一定的区域异质性？这些都是当下值得解答的问题。

一、研究动态

在金融发展与经济增长关系这个问题上，最早的文献可以追溯到Bagehot[9]，他认为英国金融系统的完善增加了融资的便利性，在促进英国工业化及经济增长中起到了关键作用。Patrick也提出金融发展与经济增长之间存在因果关系[10]。在之后的研究中，大多数学者的研究都继续支持了这一观点，即金融发展对经济增长有正向的影响[11-13]。谈儒勇的研究表明在中国金融中介体发展和经济增长之间有显著的、很强的正相关关系[14]。曹啸等采用格兰杰因果检验法对中国金融中介发展与经济增长之间的因果关系进行补充检验，研究结果表明金融发展是经济增长的重要原因之一[15]。

同时，也有一些学者认为金融发展是一把“双刃剑”，金融发展在促进经济增长的同时，也带来了一些风险，可能会诱发金融危机，进而危害实体经济[16]。Krugman对金融发展可以促进经济增长的观点提出了质疑，他认为金融业的过度发展很有可能会引发金融危机，进而抑制经济增长[17]。他的这一观点也得到了部分学者的响应[18-20]，即金融发展对同一经济体的经济增长的促进作用存在一个阈值，超过该阈值，金融发展将不再对经济增长产生积极影响，甚至可能会产生负面的影响。Lucas则认为金融发展和经济增长之间没有必然的因果关系[21]，经济社会的发展不断增加了对金融服务的需求，进而促进了金融业的发展，而不能说是金融发展可以促进经济增长。

此外，一些研究也认为对金融发展与经济增长的因果关系需要结合具体情况而具体分析，其在不同经济体中可能会有不同的表现。Bangake等的研究表明二者之间的因果关系在低收入、中等收入和高收入国家之间存在显著差异，在低收入和中等收入国家金融发展与经济增长之间不存在短期因果关系，但在高收入国家经济增长显著影响金融发展[22]。Menyah等的研究表明金融发展对撒哈拉以南国家经济增长的带动作用非常有限[23]。黄宪等通过对包括英美、德国和法国3个法系共计98个经济体面板数据的研究发现，不同法系下金融发展对经济增长的促进作用及持续性也存在一定的差异[24]。

在社会融资规模这一指标提出之后，许多研究者也对其与经济发展之间的关系展开了大量的研究。郭丽虹等利用门限回归模型通过对中国31个省份月度数据的研究发现，增加社会融资规模可以显著促进实体经济的发展[25]。不过，社会融资规模对经济增长的促进作用存在一定的门槛水平，即只有在一定限度内才可以促进经济增长。张林等通过构建VAR模型验证得出社会融资规模调整会促进实体经济的增长，并发现在长期和短期内不同融资形式对实体经济增长存在差异性[26]。大多数的研究都认为社会融资规模的增加对经济增长存在一定的促进作用，但也有部分学者得出了不一样的结论。杨薪燕运用ADF平稳性检验、Johansen协整检验、Granger因果关系检验及脉冲响应等方法进行了实证分析，发现社会融资规模的增加并不能促进中国经济的增长[27]。

笔者采用社会融资规模增量与GDP之比来表示全国融资强度或省级区域融资强度，并主要基于季度数据开展分析。在考察中国社会融资规模变化和融资强度的短期调整的基础上，基于GDP核算的支出法，选择2014—2019年共24个季度时间段的省级数据，建立纳入了融资强度变量的动态面板模型，利用系统GMM估计方法来考察区域融资强度的调整对中国经济增长的影响，并将全国样本细分为两类地区样本分别展开实证研究；然后构建区域融资强度对经济增长的贡献率函数，考察区域融资强度调整在经济增长中的贡献效应。

二、中国社会融资规模变化与融资强度的短期调整

随着金融改革的深化和金融体系的创新，融资工具逐渐多元化，证券、信托等非存款性融资力度加大，使得人民币贷款比重逐渐下降。新增人民币贷款已不能完整地反映金融体系对经济增长的支持力度。“社会融资规模”的诞生为探寻金融发展与经济增长之间的关系提供了一个新的监测分析指标。“社会融资规模”是一个增量概念，兼具总量和结构两方面的信息，不仅能全面反映实体经济从金融体系中获得的资金总额，而且能反映出融资结构与资金流向。此外，社会融资规模还提供了地域信息，用以全面反映融资状况的地区差异。2016年起，中国人民银行开始发布全国社会融资规模的存量数据，且迄今尚未发布省级数据。

(一)中国社会融资规模的变动趋势

表1列出了2012—2020年中国社会融资规模增量及构成情况，可以看出，2012—2016年间社会融资规模增量虽略有波动，但整体上比较稳定。2017年纳入了政府债券项使得当年社会融资规模增量与2016年相比有了较大的提升，此后两年也相对比较稳定。2020年以来，中国政府出台了一系列税费减免和新增信贷等措施，银行业和金融机构等加大信贷投放。2020年社会融资规模增量出现了比较大的攀升，全年社会融资增量达到34.79万亿，同比增长35.5%，增幅较2019年提高了21个百分点。其中，人民币贷款、企业债券和政府债券与上年相比均有明显的提高，同比分别增长18.6%、31.0%和76.3%，且这三项占社会融资规模增量的94%，其中，企业债券和政府债券占比达36%，为2014年以来的最高。

表1 2012—2020年中国社会融资规模增量及构成情况 亿元

从总体上来看，银行信贷依旧占据着半壁江山，2012—2020年人民币贷款占比均超过了50%。2018年以来，信托贷款和委托贷款规模逐年大幅减少，该变化与规范融资监管下房地产行业融资下降密切相关。而在宽松的货币政策的推动下，近年来企业债券和政府债券的规模稳中有升，且占社会融资规模增量的比重相对较大，这也一定程度上对冲了委托贷款和信托贷款下降的影响。

(二)融资强度变化及短期调整

图1直观地反映了2012—2020年间中国融资强度的年度变化趋势以及2020年以来的季度短期调整情况，其中，实线为2012—2020年中国融资强度的年度变化，虚线为2020年以来的季度短期调整。根据图1可以看出，除2017年首次纳入政府债券而导致融资强度大幅上升外，融资强度一直呈现比较稳定的态势。2020年中国政府增大信贷投放等举措使得融资强度提高到0.34，为历年来最高，且比2018年和2019年分别高出10个百分点和8个百分点。

图1 2012—2021年中国融资强度的变化与短期调整

从2020年以来季度融资强度的短期调整来看，季度融资强度整体上明显上升，2020年第一季度的融资强度高达0.54，这也是2012年以来首次突破0.5大关。随着适时的短期逆周期调节政策陆续退出，社会融资规模逐季回落，融资强度也随之下降，但整体上仍处于较高水平。除2020年第四季度以外，2020年前三个季度和2021年第一季度的融资强度均显著高于2012—2019期间的历年融资强度，2021年第二季度的融资强度也高于除2017年之外的同期历年融资强度。

在中国，区域融资分布不均衡问题一直广受关注，从区域层面上来看，融资分化明显，区域融资能力也存在较大的差异[28]。地区社会融资规模是指一定时期内某一地区从金融体系中获得的全部资金总额，该指标不仅可以全面准确地反映出金融体系对特定地区的资金支持情况，同时也可以反映出区域融资能力的不均衡现象。在本文的分析中，选用地区融资规模的季度数据以进一步分析区域融资强度对经济增长影响的区域异质性。

三、模型设定、估计方法与变量说明

(一)模型设定与估计方法

通过考察区域融资强度调整对中国经济增长的影响进一步分析区域融资强度调整在经济增长中的贡献效应。因此，有必要对经济增长率给予更多的关注。本文采用动态面板模型探究区域融资强度调整对中国各省份经济增长的动态影响，并考虑了经济增长的一阶或多阶滞后项对当期经济增长的影响。在具体模型设定时，本文基于支出法核算GDP的基础上纳入融资强度指标，构建了如下动态面板模型：

RGDPit=α+β1FINit+β2CRit+β3IRit+

β4RGDPi，t-1+εi+θt+μit

(1)

其中，RGDPit表示i区在时间t的GDP增长率，FINit表示i区在时间t的融资强度，IRit表示i区在时间t的固定资产投资总额的增长率，CRit表示i区在时间t的社会消费品零售总额的增长率，RGDPi，t-1表示GDP增长率的一阶滞后，εi是省份固定效应，θt是季度固定效应，μit是随机扰动项。

在式(1)中，由于包含了被解释变量的滞后项RGDPi，t-1，可能导致模型内生性问题。在实证分析中，当采用传统的随机或固定效应模型时，估计的系数存在一定的偏差。因此，在本文的分析中考虑采用系统GMM方法进行参数估计，以保证估计结果的无偏性。较差分GMM估计而言，系统GMM估计避免了差分GMM估计量很容易受到弱工具变量的影响，在有限样本下其估计效率也得到了一定的提高[29]。

在系统GMM估计过程中有必要对变量进行分类。在本文分析中，将固定资产投资总额的增长率IR和社会消费品零售总额的增长率CR设置为前定变量，融资强度FIN设置为外生变量。GMM估计量的一致性关键取决于是否满足各项假设条件，主要需要进行两个假设检验。首先，通过Arellano-Bond的自相关检验方法对误差扰动项的二阶序列相关进行检验。此外，随着周期的增加，系统GMM默认生成了大量的工具变量，这可能会导致过度拟合，削弱模型设定检验[30]。为了防止过度识别，在命令中附加了“collapse”选项，可以极大地压缩工具变量数。在Stata软件中，有几种不同的命令可以进行系统GMM估计，比如官方命令“xtdpdsys”和非官方命令“xtabond2”。官方命令“xtdpdsys”提供Sargan检验，而非官方命令“xtabond2”同时提供Sargan检验和Hansen检验。本文采用非官方命令“xtabond2”通过Hansen过度识别检验对所使用的工具变量的有效性进行检验。

(二)变量选取与数据处理

采用中国人民银行公布的社会融资规模增量季度数据与其季度GDP之比来表示融资强度，用以反映金融对经济增长的支持力度。为了能很好地刻画社会融资规模增量调整及其强度对中国经济增长的影响效应，本文采用实际季度GDP的同比增长率作为经济增长的指标。此外，考虑到经济增长存在一定的惯性，当期经济增长会受到上期经济增长的潜在影响。在本文的分析中，也纳入了经济增长的一阶滞后项。从某种程度而言，经济增长一阶滞后项的纳入，可以视为是对经济增长影响分析中所有遗漏变量的综合表达，以增强对经济增长的解释。

从支出法的角度来看，总产出水平Y=C+I+G+NX，消费C、投资I以及贸易进出口NX都对经济增长具有十分重要的影响。从理论上讲，省级贸易数据应该既包括国际(国外)贸易数据，又包括省际(国内)贸易数据，而在实际操作中很难获得省际(国内)贸易数据，因此本文模型中没有引入进出口相关变量。同时考虑到季度数据的可获得性和口径的问题，本文选用“投资变动率”和“消费变动率”作为研究变量，分别用固定资产投资实际变动率来衡量“投资变动率”，用社会消费品零售总额实际变动率来衡量“消费变动率”。

中国人民银行自2014年起发布地区融资规模季度数据，且因2020年季度GDP总量波动大，故此最初拟考虑选取2014—2019年全国31个省份(不含港、澳、台三个地区数据)的季度数据开展分析。进一步对各省份融资结构分析时发现，西藏和青海两个省份的政府债券占比过高①，因此在后续的实证分析中将这两个省份从全国样本中剔除②，选取了其余29个省份样本单元2014—2019年的季度面板数据进行实证研究。此外，对GDP等变量消除了价格因素的影响；对于融资强度指标而言，由于是比值数据，价格因素同时对分子和分母施加影响，所以本文未做消除价格因素的处理。文中所涉及的数据均来自中国人民银行和国家统计局发布的官方数据。

四、实证结果与分析

(一)回归结果分析

为了更加准确地考察区域融资强度调整对经济增长影响的地区差异，本文基于2014—2020年相对规模指标——全国人均GDP水平来衡量29个省份样本单元的经济发展水平③，将29个省份划分成两类地区，即相对发达地区和欠发达地区。具体而言，相对发达地区包括北京、天津、上海、江苏、浙江、福建、山东、湖北、广东、重庆等10个省，欠发达地区包括河北、山西、内蒙古、辽宁、吉林、黑龙江、安徽、江西、河南、湖南、广西、海南、四川、贵州、云南、陕西、甘肃、宁夏、新疆等19个省。

表2分别列出了2014—2019年全国和两类地区三种样本情形下的描述性统计，从中可以看出，全国样本的各项平均值和标准差均介于相对发达地区和欠发达地区两类样本之间。相对发达地区的经济增长率(RGDP)的平均值明显高于欠发达地区，且其标准差更小，这表明相对发达地区整体经济发展优于欠发达地区，且其各省份之间的经济水平差距更小，发展更加均衡。而对于融资强度(FIN)而言，相对发达地区的平均值和标准差都略高于欠发达地区，这说明相对发达地区整体的融资强度更高，同时各省份之间的差异也较大。欠发达地区的消费变动率(CR)均值略高于相对发达地区，投资变动率(IR)则与GDP增长率有着相类似的特征，即相对发达地区的平均值高于欠发达地区，且其标准差更小，这同样表明相对发达地区投资增长快于欠发达地区，且其各省份之间的差距也更小。

表2 描述性统计

表3列出了三种样本情形下系统GMM方法的估计结果。可以看出，对于全国样本情形而言，融资强度(FIN)的系数为0.635，且通过了1%的显著性水平检验；对于相对发达地区样本情形和欠发达地区样本情形而言，融资强度(FIN)的系数分别为0.606、1.081，且均通过了5%的显著性水平检验。这表明了无论是在全国样本情形下还是在两类地区样本情形下，融资强度对经济增长均具有显著的正向促进作用；且融资强度每提高0.1，三种样本情形下的经济增长率分别提高0.064(全国样本)、0.060(相对发达地区)和0.108(欠发达地区)个百分点。此外，三种样本情形下的IR系数均为正值，且至少在5%的显著性水平上显著；三种样本情形下的CR系数也均为正值，对于全国样本情形和相对发达地区样本而言，也均通过了10%的显著性水平检验。尽管在欠发达地区样本情形下消费变动率(CR)未能通过显著性检验，但无论是对于全国样本还是相对发达地区样本而言，模型的估计结果均具有比较强的解释性，这表明采用的模型是比较合适的；对于欠发达地区样本而言，模型的估计结果也具有一定的参考意义。进一步比较三种样本情形下融资强度(FIN)的系数值大小，可以发现呈现出“相对发达地区<全国<欠发达地区”的关系，全国层面的系数值介于相对发达地区和欠发达地区之间；这大致表明，融资强度对相对发达地区的经济增长促进作用相对更小，而对欠发达地区经济增长的促进作用更为明显。

表3 三种样本情形下系统GMM的回归结果

表3也显示出在三种样本情形下，RGDP(-1)的系数均为正值，且均通过了1%的显著性水平检验，当期经济增长与上一期经济增长之间存在很强的正相关性，说明了中国经济增长确实存在一定的惯性，这也表明了在模型中纳入经济增长的一阶滞后项是可取的。此外，无论是在全国还是两类地区的样本情形下，AR(1)的P值都严格小于0.1，AR(2)的P值都大于0.1。这表明模型的随机误差项存在一阶自相关而不存在二阶自相关，通过了自相关检验。

(二)稳健性检验

本文在实证分析中所采用的Stata非官方命令“xtabond2”，可以同时提供Sargan检验和Hansen检验。而当样本量比较小时，Sargan检验拒绝原假设的能力可能很低[31]，过度识别检验多采用Hansen检验[32-33]。根据表3中的结果可以看出，三种样本情形下Hansen检验所对应的P值均大于0.1，这说明工具变量的有效性基本通过了检验。

此外，进一步选用相对发达地区④的样本数据，通过限制滞后阶数的方法进行了稳健性检验，结果见表4。从中可以看出，几乎所有项的估计系数都在5%的水平上保持显著，且在各种减少工具变量的情况下，系数估计值的变化相对较小，各项系数均在数值上也同样保持了较好的一致性，这表明了模型的结果是稳健的。

表4 限制不同滞后阶数下2014—2019年相对发达地区的系统GMM估计结果

(三)区域融资强度及其调整对经济增长的贡献效应

图2反映了三种样本情形下2014—2019年融资强度对经济增长贡献率的变化情况。从中可以看出，无论是对于全国样本而言，还是对于两类地区样本而言，2014—2019年间融资强度对经济增长的贡献率都呈现出季节性波动的特点，且整体上相对稳定。从数值大小看，融资强度对经济增长的贡献率存在一定的地区差异，在欠发达地区样本情形下融资强度对经济增长的贡献率大概在2.4～5.5个百分点之间，普遍高于在全国样本情形下(1.6～3.3)和在相对发达地区样本情形下(1.2～3.8)的贡献效应。

图2 三种样本情形下2014—2019年融资强度的经济增长贡献率变化情况

利用模型中融资强度(FIN)系数的估计值β1(表3)，分别计算出三种样本情形下2020—2021年各季度各省份融资强度贡献项β1FINit的数值，同样以各数值系列的中位数来近似表示某样本情形下该季度区域融资强度对经济增长的实际贡献效应(简称实际贡献效应)，具体见表5。从中可以看出，在三种样本情形下，实际贡献效应在整体上呈现出逐季减弱的季节波动性；且在欠发达地区样本情形下，实际贡献效应普遍高于全国样本情形下和相对发达地区情形下的贡献效应。

进一步测算出假定融资强度未调整状态下的模拟贡献效应⑤(简称模拟贡献效应)，并将2020年以来6个季度的实际贡献效应与其进行对比，利用二者的差值来表示区域融资强度调整对经济增长贡献效应(简称调整贡献效应)。根据表5可以发现，三种样本情形下的调整效应均为正值，且呈现逐季减弱的态势；同样，在欠发达地区样本情形下，调整贡献效应也普遍高于全国样本情形下和相对发达地区情形下的贡献效应。这表明区域融资强度的调整对经济增长具有正向的贡献效应，且这种贡献效应在欠发达地区表现得更为显著；此外，随着融资强度调整力度的减弱，调整贡献效应也在逐渐减弱。

表5 2020年以来三种样本情形下季度融资强度调整的经济增长贡献效应分析

五、结论和讨论

本文首先考察了中国社会融资规模变化与融资强度的短期调整，然后基于GDP核算的支出法，选择2014—2019年24个季度时间段的省级数据，建立纳入了融资强度变量的动态面板模型，采用系统GMM估计方法分别在三种样本情形下具体考察了区域融资强度调整对中国经济增长的影响与贡献效应。主要研究结论如下。

第一，无论对于全国样本还是两类地区样本而言，区域融资强度对经济增长均存在显著的正向促进作用，且区域融资强度对经济增长的影响呈现区域异质性。在三类样本情形下，融资强度每提高0.1，经济增长率分别提高0.064(全国样本)、0.060(相对发达地区)和0.108(欠发达地区)个百分点，呈现出“相对发达地区<全国<欠发达地区”的关系。模型分析结果也表明：模型具有较强的适用性，且在模型中纳入经济增长的一阶滞后项是可取的。

第二，区域融资强度对经济增长的实际贡献率呈现出季节性波动的特点，且在欠发达地区样本情形下这种贡献效应相对更明显，高于在相对发达地区样本情形下和在全国样本情形下的贡献效应。对区域融资强度调整的经济增长贡献效应模拟分析也表明，2020年以来三种样本情形下各季度融资强度调整的经济增长贡献效应均高于在假定融资强度未调整状态下得到的模拟贡献效应，且在欠发达地区样本情形下，融资强度调整的贡献效应也普遍高于全国样本情形下和相对发达地区情形下的贡献效应。

第三，2020年以来，社会融资规模进行了一系列的短期调整，季度融资强度整体上呈明显上升态势，且2020—2021年6个季度，三种样本情形下的区域融资强度调整对经济增长的贡献效应均为正值。这表明在三种样本情形下区域融资强度的调整对经济增长都存在正向的贡献效应。

金融是现代经济的核心，新时代要重点把握金融发展与经济增长之间的关系。一方面，金融业作为服务业可以直接贡献实体经济的产出[34]；另一方面，金融工具还是资源配置和经济调控的重要手段。因此，提高区域金融服务能力，使金融发展更好地服务于经济增长，实现金融同实体经济的均衡发展。基于此，提出以下政策建议。

(一)合理调节融资差距，促进区域金融协调发展

提高区域金融服务能力，不仅可以为经济增长提供原动力，还可以协调区域金融发展，助力解决区域发展不平衡问题。从总体上来看，中国区域金融分布不均，融资规模、融资强度的地区差异较大，金融资源的市场化配置使其更多流向了相对发达地区。而利用政府“有形的手”主动调节社会融资规模是一种非常有效的宏观调控手段，而且这种调控效果在欠发达地区更为显著。因此，通过中央转移支付等手段适度加大对欠发达地区的融资力度，有针对性地提高部分地区的社会融资规模水平，可以从金融视角提出缩小区域经济发展不平衡的策略，进而促进区域经济协调发展。

(二)适当优化融资结构，有效发挥多渠道融资功能

着力优化融资结构，引入创新型融资工具，满足多样化的投融资需求。以银行间接融资为主导的金融业的高速发展成为中国经济增长的重要因素。随着金融市场的不断发展，金融体系的不断完善，融资结构的调整和优化对于深化金融体制改革、提高金融服务能力，促进经济增长等都具有十分重要的意义。当下，为了充分发挥金融调控的有效性，必须同时关注融资结构的优化升级和资金流向的灵活便捷。

第一，深入推进债券市场的创新发展，提高直接融资规模比重。在保持人民币贷款这一主要融资渠道的基础上，拓宽融资渠道，适当增加政府债券和企业债券等的融资规模，稳步推进融资结构优化升级。大力发展公司信用类债券，积极发挥优质企业的直接融资功能，完善债券市场的发行注册制度，加快知识产权证券化，提高企业债券的资金使用效率。

第二，适度调控资金流向，强化其产业引导功能。经济金融化表现为金融资本通过投资信贷等手段介入产业资本，并控制产业资本的运行，进而影响实体经济的发展[35]。加大政策倾斜和资金引导的力度，促使更多的金融资本流向经济社会发展的重点领域，优先发展社会生产中的关键技术和薄弱环节。同时，充分挖掘各地具有投资需求潜力的领域，探索建立相应的投融资激励机制，因地制宜支持有较好发展潜力的领域优先发展，重点把握各区域经济增长的着力点。

(三)建立科学的融资评价指标，切实完善金融监管体系

随着金融市场的快速发展，理论研究与政策操作都需要能全面、准确地反映金融与经济关系的统计指标。区别于传统的货币供应量指标，社会融资规模建立在信用渠道的理论基础之上，纳入更加广泛、多元的融资渠道，全面地反映了一段时间内实体经济从整个金融体系获得的资金支持。建立地区社会融资规模统计指标，有利于改善地区融资环境，增强金融与经济间的良性互动，促进区域经济结构的优化和转型升级，缩小区域经济发展差距。同时，其丰富的结构化细分对政府的宏观调控也具有一定的指示作用。为了金融工具能更好地发挥调节资源配置和服务实体经济的作用，应进一步着力健全融资机制与指标监测，完善中央调控手段和传导机制，保持社会融资规模合理适度增长，强化金融体系的逆周期调节功能。

在推进金融改革进程的同时，尤其要加强区域金融风险的监测，构建完善的金融监管体系。一方面，从根本上防范和化解重大金融风险，统筹金融发展与金融安全，牢牢守住金融安全的红线；另一方面，为实体经济提供宽松稳定的融资环境，引导金融资本有序流向实体产业，使其成为货币调控政策的有益补充，共同促进中国经济社会的稳定发展。

当前，中国经济社会发展进入了新阶段。在贯彻新发展理念、构建新发展格局的引领下，金融发展要始终以多元化为目标，以促进经济协调增长为宗旨，建设和发展中国特色资本市场，调节区域融资差距，优化区域融资结构，完善融资监管体系，朝着效率优先的方向进行改变，有效发挥融资规模及其调整对经济增长的调节作用，从而推动经济社会协调健康发展。

注 释：

①2019年西藏全年社会融资规模增量为23亿元，其中，政府债券增量为122亿元，是社会融资规模增量的5.24倍；2020年青海全年社会融资规模增量为117亿元，其中，政府债券增量为349亿元，是社会融资规模增量的2.98倍。

②考虑到中国人民银行公布的地区社会融资规模数据从2018年才开始细分出政府债券项，并仅对2017年以来社会融资规模数据进行了调整，因而无法全部将2014-2019研究时段内的政府债券从社会融资规模数据中剔除。故在本文中，将这两个省份做剔除处理。

③参考发表在《中国工业经济》2019年第1期的文章“偏离最优公共—私人投资比对经济增长的影响”中的方法，详细解释见官方网站(http：//www.ciejournal.org)公开附件。由于选取研究时段的不同，本文中的地区划分结果与此文有所不同。

④在上文实证分析中，模型在相对发达地区样本的拟合效果最好，故此首先选用了该样本进行限制滞后期的检验。在全国样本和欠发达地区样本两种情形下，估计出的各个系数在数值上也同样保持了较好的一致性，除CR项未能通过显著性检验外，其余各项均通过了显著性检验。

⑤模拟贡献效应计算过程如下：(1)首先根据前文对中国社会融资规模变动趋势的分析，选用2018年和2019年的数据，得到各季度融资强度序列数据的中位数。(2)根据步骤1得到的各季融资强度的中位数，将这些中位数放在一起，得到一个数据系列。(3)考虑到融资强度的季节性，分季度计算步骤2数据系列的平均数，将其视作为调整未调整状态下的季度融资强度。(4)计算出对应的β1FINit的数值，将其视作模拟贡献效应的近似表达。