安徽新型工业化与资本市场的脉冲响应分析.docx

安徽新型工业化与资本市场的脉冲响应分析
我们假定安徽新型工业化进程与资本市场的发展是相互配合、和谐一致的，且两者的发展水平由低级向高级逐步提升。当新型工业化水平较低、综合指数较小时，资本市场筹资规模也不大、发展水平也不高；而当资本市场筹资额加大时，新型工业化水平也有所提高，新型工业化与资本市场之间则保持较优的协调状态。然而，这样的分析并不能清楚地得出，安徽新型工业化进程的加快是否是资本市场不断发展完善而推进的，同样，安徽资本市场的成熟是否有新型工业化水平提高而促进的因素；此外，如果两者是相互促进、相互驱动的，那么一方在另一方的发展过程中的贡献到底有多大，均需要进一步深入准确地分析。
为了具体分析安徽新型工业化与资本市场之间相互影响的程度，本文将在向量自回归模型（Vector Autoregressive Model，VAR模型）基础上研究两者的动态特性，主要技术手段是VAR中的脉冲响应函数和方差分解。
一、模型的建立
1980年Sims提出了向量自回归模型，该模型采用多方程自回归模型的联立形式，实质上是一种非结构化的多方程模型，即它不以经济理论为基础，而是用数据本身来确定模型的动态结构。VAR模型通常用于相关时间序列系统的预测和随机扰动对变量系统的动态影响分析，模型避开了结构建模方法中需要对系统中每个内生变量关于所有内生变量滞后值函数的建模问题，不需要对变量的内生性和外生性进行假定，即可以将VAR模型中所有的变量都看作是内生的。这些内生变量共同组成一个封闭系统，然后运用最小二乘（OLS）或最大似然（Maximum Likelihood）等多种方法进行参数估计。但由于VAR模型的参数估计量只具有一致性，单个参数估计值的经济意义并不明确，因此要对VAR模型做出具体的结论，必须借助脉冲响应函数和方差分解。
脉冲响应函数（Impulse Response Functions，IRF）用于衡量来自随机扰动项的一个标准差冲击对内生变量当前值和未来值的影响，并且扰动项对某一变量的冲击影响通过VAR模型的动态结构传递给其他所有的变量。而方差分解（Variance Decomposition）则是把VAR系统中每个内生变量的波动按其成因分解为与各方程新息相关联的组成部分，从而了解各新息在模型变量动态变化中的相对重要性。
本文通过建立关于安徽新型工业化综合指数（GYH）与中长期贷款余额（XD）、股票市场筹资额（GP）之间的三变量VAR模型，让数据本身来确定模型的动态结构，这是在目前没有成熟的相关经济理论指导的情况下，研究新型工业化与资本市场动态关系的一种可靠的技术手段。在建立VAR模型后，绘制其脉冲响应曲线图，可以清晰地勾画出安徽新型工业化水平和直接、间接筹资方式的扰动传递情况，从而观察安徽新型工业化水平对两种筹资方式冲击的反应。而方差分解技术将从另一个角度描述两种筹资方式的冲击在新型工业化水平动态变化中的相对重要性。
㈠VAR模型
最一般的VAR模型的数学表达式为：
（1）
其中，是维内生变量向量，为常数向量，（1，2，…，）为系数矩阵，为维误差向量，其协方差矩阵为，且，。在实际应用中，通常希望滞后期足够大，从而能够完整地反映所构造模型的动态特征；但另一方面，滞后期越长，模型中待估计的参数就越多，自由度就越少。因此，为了在滞后期与自由度之间寻求一种均衡状态，一般根据和信息量取值最小的原则或LR法确定模型的滞后阶数。
㈡脉冲响应函数与脉冲响应曲线图
在随机扰动项上加一个标准差大小的冲击会对内生变量的当前值和未来值产生一定的影响，脉冲响应函数就是用来跟踪这种影响的。考察一个简单的双变量一阶向量自回归模型VAR：

其中，和是VAR中的内生变量，是随机扰动项或新息（Innovation）。在VAR中，发生变化，不仅会立刻改变的当前值，同时也会通过当前的值影响到变量和今后的取值，因为的滞后项在两个方程中都是解释变量。脉冲响应函数就是试图描述这些影响的轨迹，显示任意一个变量的扰动如何通过模型影响所有其他变量，最终又反馈到自身的过程。
如果新息和之间是不相关的，则脉冲响应可以直接进行解释，即是的新息，是的新息。但新息之间一般都是相关的，它们将包含一个不与某特定变量相联系的共同成分，故无法将新息单独指派给某一变量。通常，将共同成分的效应归属于VAR系统中第一个出现（依照方程顺序）的变量。为了处理这一问题，常引入一个变换矩阵与新息相乘，使得：

从而把的协方差矩阵变换为一个对角矩阵。目前，用于此变换的方法有很多，常用的一种是乔利斯基（Cholesky）分解法，其通过将新息正交化而使得每个变量的相对影响可以分离开来。
将脉冲响应函数绘制成脉冲响应曲线图，则可以更直观地分析冲击对每个内生变量的动态影响。如果脉冲响应曲线趋于0，说明一变量暂时变化对另一变量没有持久影响；如果趋于某一数值，则说明一变量暂时变化对另一变量有持久影响；如果脉冲响应曲线位于零坐标线上方，即显示一变量暂时变化可引起另一变量同向变化；若曲线位于零坐标线下方，则表示一变量暂时变化可引起另一变量反向变化。
㈢方差分解法
Sims于1980年提出的方差分解法，提供了一种判断经济序列变量间动态相关性的重要方法。方差分解实质上是一个新息计算（Innovation Accounting）过程，是将系统在不同预测期限的预测均方误差（Mean Square Error，MSE）分解为系统中各变量冲击所作的贡献。方差分解的主要思想是将系统中每个内生变量（共个）的波动（步预测均方误差）按其成因分解为与各方程新息相关联的个组成部分，从而了解各新息对模型内生变量的相对重要性。方差分解不仅是样本期间以外的因果关系检验，而且可以将每个变量的单位增量分解为一定比例自身原因和其他变量的贡献。
对于式（1）所示的阶向量自回归过程，假设为平稳随机过程，则可将其表示为无穷向量移动平均过程：
（2）
利用Choleshy分解法，将式（2）变换成：

其中，为一非奇异下三角矩阵，；，表示系统对单位冲击（新息）的反应；，。则的步预测均差误差为：

第个变量的新息对第个变量的步预测均差误差的贡献为：
（3）
其中，是矩阵的第个元素。由式（3）可以测算VAR模型系统中任意一个内生变量的预测均方误差分解成系统中各变量的新息所做的贡献，估算该变量贡献占总贡献比例随时间变化而变化的特征，研究变量在系统中的作用以及它的变化对系统内其他变量的影响。
二、安徽新型工业化与资本市场的动态分析
㈠VAR⑴模型的建立与参数估计
本文建立VAR模型所采用的变量为1993－2003年安徽新型工业化综合指数（GYH）、中长期贷款余额（XD）和股票市场筹资额（GP）。为了避免数据的剧烈波动，先对各序列进行对数化处理，分别记为LGYH、LXD、LGP。由于本文研究数据的期限限制，因此所建立的VAR模型的最优滞后步长为1阶。需要注意的是，由于冲击对变量的冲击顺序非常敏感，根据Sims（1980）和Zhou（1996）提出的冲击顺序，应该先是不易受影响的变量（如弱外生变量），后是与之相关的内生变量，最后是其他内生变量，故在此原则上，确定本文的冲击顺序为GP、XD、GYH。
根据式（1）建立如下向量自回归动态方程：

利用计量分析软件Eviews3.1建立LGP、LXD、LGYH三变量的VAR模型，参数估计及检验结果见表1至表3：
表1 VAR⑴模型参数估计值
变 量
LGP
LXD
LGYH
LGP(-1)
-0.033190
-0.007199
0.002498
(0.26617)
(0.02690)
(0.01478)
(-0.12469)
(-0.26759)
(0.16904)
LXD(-1)
4.267808
0.339784
0.070388
(2.45460)
(0.24808)
(0.13626)
(1.73870)
(1.36965)
(0.51657)
LGYH(-1)
-9.281583
2.604171
0.691521
(9.98372)
(1.00903)
(0.55422)
(-0.92967)
(2.58086)
(1.24773)
C
-29.00972
5.926675
-0.597621
(21.3495)
(2.15774)
(1.18516)
(-1.35880)
(2.74670)
(-0.50425)
注：表中参数估计值下面的第一个括号内的数字是估计系数标准差，第二个括
号内的数字是t检验统计量值。
表2 VAR⑴模型各方程检验结果
被解释变量
LGP
LXD
LGYH
R-squared
0.584712
0.965795
0.854162
Adj. R-squared
0.377068
0.948693
0.781243
Sum sq. resids
7.938958
0.081094
0.024465
S.E. equation
1.150287
0.116257
0.063855
F-statistic
2.815934
56.47111
11.71383
Log likelihood
-13.03537
9.884264
15.87610
Akaike AIC
3.407074
-1.176853
-2.375221
Schwarz SC
3.528108
-1.055819
-2.254186
表3 VAR⑴模型整体检验结果
Determinant Residual Covariance
2.13E-06
Log Likelihood
22.72602
Akaike Information Criteria
-2.145204
Schwarz Criteria
-1.782102
从表1中的统计量值可以看出，每个方程都仅有约三分之一的滞后项经检验是显著的。而表2中三个方程的检验结果表明，后两个方程的拟合效果较好，但第一个方程的、和F统计量值都较低，这说明LGP、LXD和LGYH三个变量的上一期变化对LGP本期的总影响是不显著的，LGP的变化主要由模型之外的其他变量来决定。然而，在建立VAR模型时一般不根据检验的显著与否来进行变量的筛选，而是保留各个滞后变量。故有如下的向量矩阵形式：

㈡LGP、LXD和LGYH的脉冲响应分析
为了更加清楚地了解LGP、LXD、LGYH这三个变量的动态特征，运用三者的VAR模型，对其进行脉冲响应分析，即计算一个标准差大小的LGP、LXD、LGYH冲击分别对LGP、LXD和LGYH的影响。由此在Eviews3.1中得到脉冲响应表（表4至表6）和脉冲响应曲线图（图1至图3）。
表4 LGYH的脉冲响应表
Period
LGP
LXD
LGYH
1
0.010354
0.043485
0.021174
2
0.012628
0.035517
0.014642
3
0.011458
0.034199
0.013516
4
0.011155
0.034204
0.013714
5
0.011073
0.033826
0.013600
6
0.010942
0.033370
0.013405
7
0.010799
0.032942
0.013231
8
0.010661
0.032524
0.013064
9
0.010526
0.032110
0.012898
10
0.010392
0.031702
0.012734

图1 LGYH对各变量单位冲击的响应曲线
由表4和图1可知，LGYH受到LXD的脉冲响应要强于LGP和其自身对它的脉冲响应。当在本期给LXD一个标准差的新息后，LGYH立刻有较强响应，增加了0.043，之后LGYH虽有缓慢下降的趋势，但可以看出无论从短期还是长期来说，LGYH对LXD的冲击皆具有显著、稳定的正向响应，由强渐弱，长期趋于0.03，LXD对LGYH的效应时滞为1期。LGYH对其自身的冲击在第1期增加了0.021，第2期有所下降，但长期保持微弱的正向影响。LGYH对来自LGP的脉冲响应在第1期几乎没有反应，到第2期才较为明显，但影响时间不长，到第6期基本上只有0.01的微弱正影响，LGP对LGYH的作用时滞为2期。
表5 LXD的脉冲响应表
Period
LGP
LXD
LGYH
1
0.046065
0.077379
0.000000
2
0.036202
0.139534
0.055141
3
0.044676
0.140433
0.058282
4
0.044767
0.134846
0.054238
5
0.043662
0.132927
0.053280
6
0.043061
0.131464
0.052799
7
0.042545
0.129806
0.052146
8
0.042007
0.128141
0.051470
9
0.041471
0.126509
0.050814
10
0.040943
0.124901
0.050168

图2 LXD对各变量单位冲击的响应曲线
由表5和图2可知，LXD受自身的冲击影响最大，当在本期给LXD一个单位冲击后，LXD随即增加0.077，在第3期达到峰顶，之后LXD缓慢下降并趋于稳定，长期趋于0.12。LXD对来自LGYH的一个标准差的新息在第1期没有影响，第2期比较显著，第3期响应最大，后趋于稳定，作用时滞2期。而LGP的冲击对LXD在短、长期皆具有正向响应，除第2期外，一直保持0.04的稳定水平。LXD受三个变量的冲击具有显著的正向影响，大致在第4期后趋于稳定。
表3－10 LGP的脉冲响应表
Period
LGP
LXD
LGYH
1
0.891008
0.000000
0.000000
2
0.070919
-0.073372
-0.196530
3
0.034943
0.268284
0.105950
4
0.083161
0.273013
0.119771
5
0.084757
0.248966
0.100221
6
0.080757
0.245082
0.097830
7
0.079537
0.243203
0.097667
8
0.078700
0.240166
0.096503
9
0.077712
0.237035
0.095211
10
0.076713
0.234015
0.093994

图3 LGP对各变量单位冲击的响应曲线
由表6和图3可以得出，LGP受其自身的单位冲击具有长期正向响应，在第一期时最为显著，随后迅速下降，在第3期响应最小，第4期后稳定在0.08左右。LGP对来自其他变量LGYH、LXD的新息在第1期均没有反映，在第2期跌至低谷，呈现微弱的负效应，之后又同时上升，在第4期达到峰顶并趋于稳定，LGP对LXD的冲击响应长期趋于0.23，影响较为显著，而对LGYH的脉冲响应长期趋于0.09，与自身的冲击影响效果相当，LGYH对LGP的作用时滞为3期。
㈢LGP、LXD和LGYH的方差分解分析
脉冲响应分析考虑了各种冲击对LGP、LXD和LGYH的影响，为了进一步考察三个变量彼此的波动性，利用方差分解技术对LGP、LXD和LGYH各变量的预测均方误差进行分解，并计算出每个变量冲击的相对重要性。方差分解的结果见表7至表9和图4至图6。
表7 LGYH的方差分解表
Period
LGP
LXD
LGYH
1
4.382161
77.29181
18.32603
2
6.533202
77.23035
16.23644
3
7.150564
77.65865
15.19078
4
7.412159
77.92393
14.66392
5
7.588613
78.07605
14.33533
6
7.714749
78.18048
14.10477
7
7.806936
78.25788
13.93519
8
7.877266
78.31713
13.80560
9
7.932800
78.36387
13.70333
10
7.977748
78.40169
13.62056

图4 LGYH的方差分解
从表7和图4可以看出，LXD的冲击对LGYH影响最大，且基本稳定在78%左右，表明间接融资方式长期对安徽新型工业化水平的影响是显著的。而LGP的冲击对LGYH的影响在第2、3步预测中有微弱上升后，一直处于8%以下，因此，不论从短期还是长期来看，直接融资方式对安徽新型工业化的影响都比较小。这与脉冲响应分析的结论相吻合。

表8 LXD的方差分解表
Period
LGP
LXD
LGYH
1
26.16650
73.83350
0.000000
2
10.75010
79.72747
9.522434
3
9.516212
79.19899
11.28480
4
9.270523
79.03095
11.69853
5
9.103302
78.98712
11.90958
6
8.989569
78.95904
12.05140
7
8.912954
78.93783
12.14921
8
8.857579
78.92240
12.22002
9
8.815419
78.91076
12.27382
10
8.782273
78.90162
12.31611

图5 LXD的方差分解图
从表8和图5可知，LXD的预测方差主要来自其自身的冲击，从第2步预测开始就一直保持在78%左右；LGYH的冲击对LXD的影响不大，只是随预测步长的延长而逐渐增大，但其新息的影响没有超过LXD预测方差的13%；而LGP的冲击对LXD的影响则呈下降趋势，在第1步预测时其新息的影响占LXD预测方差的26.17%，在第2步时迅速下降为10.75%，之后就一直处于9%以下。
表9 LGP的方差分解表
Period
LGP
LXD
LGYH
1
100.0000
0.000000
0.000000
2
94.77924
0.638656
4.582100
3
86.28257
8.341991
5.375441
4
78.87992
14.84589
6.274196
5
73.86355
19.40195
6.734505
6
69.64378
23.24481
7.111414
7
65.98089
26.57230
7.446812
8
62.80802
29.45401
7.737971
9
60.03717
31.97102
7.991811
10
57.59555
34.18900
8.215452

图6 LGP的方差分解图
表9和图6表明，LGP的波动主要受自身冲击的影响，尽管这种影响呈明显的下降趋势，但仍然占50%以上。LXD和LGYH的新息对LGP的预测方差贡献均在第2步预测时才开始显现，但LXD的冲击对LGP的预测方差贡献增长较快，由第2步预测时的0.64%上升到34.19%，说明从长期来看，安徽间接融资方式对直接融资的影响不容忽视；而LGYH的新息对LGP的影响则处于缓慢增长态势，长期趋于8%左右。
三、基本结论
通过以上实证分析，可以得出以下结论：
1．从安徽新型工业化角度来看：⑴通过脉冲响应分析可知，不论长期还是短期，中长期信贷市场和股票市场对安徽新型工业化进程均有正向影响，可见，安徽资本市场对新型工业化进程的推进具有积极作用，但两者的影响力度有所不同，中长期信贷市场对新型工业化的影响明显大于股票市场对其的影响。安徽中长期信贷市场对新型工业化的影响长短期均较为显著，且作用时滞为1期；而安徽股票市场对新型工业化的影响则相当微弱，作用时滞为2期，其整体作用效果不及中长期信贷市场对新型工业化影响的三分之一。⑵从对LGYH的预测均方误差分解可知，中长期信贷市场的冲击对安徽新型工业化的波动有相当大的解释作用，贡献比例一直维持在78%左右；而股票市场对安徽新型工业化预测方差的贡献一直处于8%以下，表明安徽资本市场的发展对推进新型工业化进程是有利的，但直接融资方式对安徽新型工业化的影响明显小于间接融资方式，这与脉冲响应分析的结论相吻合。⑶以上结论表明，在当前的安徽新型工业化进程中，直接融资方式仍不能取代间接融资的主体地位，金融机构的中长期贷款仍是企业筹集资金的重要来源；此外，由于目前安徽股票市场的运作还不太规范、结构也不太合理、募集资金使用效率欠佳、政策性风险突出等问题的存在，影响了股票市场直接筹资方式对安徽新型工业化发展的效用发挥。
2．从安徽资本市场的角度来看：⑴通过脉冲响应分析可以看出，安徽新型工业化进程的推进对中长期信贷市场和股票市场长期均有显著的正向影响，而且此影响要大于安徽资本市场对新型工业化的影响程度。安徽中长期信贷市场受新型工业化的冲击影响长短期均较为显著，长期趋于0.05左右，作用时滞为2期；而新型工业化的冲击对安徽股票市场的影响短期内具有波动性，第2期甚至呈现负影响，第3期又迅速上升并稳定在0.09的水平，作用时滞为3期。⑵从中长期信贷市场和股票市场的预测均方误差分解来看，它们的波动主要归因于自身的冲击影响，而新型工业化的冲击对两者波动的解释作用并不大，贡献比例分别为12%和8%，但具有明显的上升趋势。⑶以上结论表明，尽管安徽新型工业化对股票市场的影响短期波动大，发挥作用的时滞长，但却大于其对中长期信贷市场的影响。换言之，新型工业化进程的加快的确是安徽资本市场不断完善的较大推动力，强大的工业实力是资本市场发展壮大的物质基础。
3．从安徽中长期信贷市场与股票市场相互作用的角度来看：⑴由脉冲响应分析可知，长期来说，两者相互均具有正向影响，但股票市场对中长期信贷市场的影响明显小于中长期信贷市场对股票市场的影响，而前者的作用时滞为2期，后者的作用时滞为3期。⑵从中长期信贷市场和股票市场的预测方差分解来看，中长期信贷市场对股票市场波动的贡献高达34%，并有迅速增长的态势；而股票市场对中长期信贷市场波动的解释程度仅有9%，并有不断下降的趋势。⑶这一结论可以解释为，作为企业主要筹资渠道的间接融资方式，让企业从金融机构获得了大量的贷款，用于扩大再生产的同时，也改善了企业经营状况，为企业在股票市场上融资提供了坚实的基础，间接地促进了股票市场的发展。
综上所述，一方面，安徽资本市场的发展有力地推进了新型工业化的进程，但中长期信贷市场的影响力度大于股票市场；另一方面，安徽新型工业化水平的提高同样对资本市场的发展完善提供了有力支持，但对股票市场的影响程度大于中长期信贷市场。尽管通过分析可知，安徽股票市场对新型工业化发展和经济增长的作用是有限的，却比较符合当前安徽省乃至全国融资体制的现状，使我们对金融中介和股票市场的作用有了比较清晰的认识。因此，今后一段时间里，充分利用新型工业化的良好契机，进一步完善资本市场的运作机制，让股票市场在规范中发展，这样才能使资本市场的功能更充分地体现出来。

(根据毛瑞丰论文编写)