论文部分内容阅读
摘 要：本文以SVAR模型构建的包含利率、汇率、货币供给以及资产价格的金融形势指数为基础，对我国2001年1月至2016年9月进行金融周期划分，实证分析了金融周期对经济增长的影响。实证结果表明，金融高涨期经济增长率较高，金融衰退期则伴随着较低的经济增长率；金融周期处于任一阶段，金融波动的增加都会伴随着更低的经济增长率，金融波动的增加会削弱我国的经济增长。
关键词：金融形势指数；金融周期；经济增长；金融波动
DOI：10.3969/j.issn.1003-9031.2018.03.02
中图分类号：F832.0 文献标识码：A 文章编号：1003-9031（2018）03-0012-09
一、引言
金融周期是指金融经济活动在内外部冲击下，通过金融体系传导而形成的持续性波动和周期性变化，反映资产价格、利率、汇率、货币供给量等在内的各类金融变量在不同经济波动阶段上的变动态势。近年来，随着中国金融市场改革和金融开放程度的提高，金融冲击对实体经济的影响日益增加，金融加速器、中央银行资产负债表等途径传递以及放大金融冲击，金融体系显著地改变着宏观经济的运行规律。
自Goodhart和Hofmann（2001）编制七大工业国家的金融形势指数（FCI）以来，各国学者纷纷以多种金融指标为基础构建金融形势指数，并将其作为金融周期的一个重要衡量依据。
二、 文献综述
Eika & Nymoen（1996）、Ericsson & Jansen（1998）最早利用加权平均的短期利率和汇率构建了货币形势指数（MCI）。之后Goodhart & Hofmann（2000）在此基础上提出金融形势指数（financial condition index，FCI），加入了房價与股价等资产价格，并指出金融形势指数对七国集团国家的通货膨胀具有良好的预测效果。王玉宝（2005）、封北麟（2006）运用VAR估算了中国的FCI，认为FCI可以作为货币政策的短期指示器。陆军（2007）、戴国强（2009）等均发现FCI对CPI有较强的预测能力。除直接对金融指标进行加权外，还可以利用主成分分析方法来构建FCI，如Brave & Butters（2011）利用主成分分析方法从大量金融指标中提取出美国的FCI，实证结果表明得到的FCI可以为政策制定和金融市场评价提供依据。刁节文（2013）、罗瑞（2013）运用主成分分析方法构建了中国的FCI，他们的研究结果都表明运用主成分分析方法构建的FCI对通货膨胀的短期预测有更好的效果。
最早提出信贷金融市场对实体经济有影响的学者可以追溯到大萧条时期，Fisher（1933）认为信贷市场条件的恶化不仅是经济周期的消极反应，其本身就是经济萧条的主要因素之一。直到亚洲金融危机，这一观点开始受到关注，Bernanke & Gertler（1989）、Bernanke、Gertler & Gilchrist（1999）都指出信贷金融市场具有放大波动的作用，并初步模拟出金融加速器效应。2007年美国次贷危机后，Jerman & Quadrini（2009）、Goodfriend & McCallum（2007）等许多学者将银行、货币政策等纳入到DSGE的周期框架中，研究金融冲击、金融摩擦等周期波动问题。
三、 研究样本与模型设定
基于样本数据的可获得性和代表性，样本数据。我国2001年1月至2016年9月。本文首先构建包括真实短期利率、国房景气指数、真实有效汇率指数、股权价格指数以及真实货币供给量在内的金融形势指数，上述金融指标之间存在当期影响，故建立结构VAR模型进行估计。
四、实证分析与检验
（一）金融形势指数的构建与金融周期的划分
本文采用stata14计量软件进行数据处理及分析。样本为2001年1月至2016年9月的月度数据，共189个样本点。选取当月银行间同业拆借加权平均利率为短期利率指标，选取国房景气指数作为房地产价格的代理变量，选取消费者价格指数月度环比数据作为通货膨胀指标，人民币真实有效汇率从国际清算银行获得，股票价格变动选用A股指数当月最后一个交易日的收盘价格，选取广义货币供给作为货币供给量指标。
计算真实值时，对M2、A股指数进行取自然对数处理，再进行差分，求得近似增长率后，减去同期CPI同比增量。真实短期利率为银行间七天同届拆借利率减去同期CPI同比增量。最后，利用HP滤波去掉变量的长期趋势，从而更好的对短期的随机波动项进行度量。人民币实际有效汇率来源于国际货币基金组织（IMF），其它所有变量的原始数据来源于国家统计局、中国经济网和锐思数据库。
1.单位根检验
VAR模型要求系统是平稳的，如果系统中的各个变量是平稳的，就可以保证系统的平稳性。本文采用DF、ADF、DFGLS、KPSS四种检验方法对构建金融形势指数的变量进行单位根检验，发现m2gap、irgap、exgap、stgap、higap、cpi均平稳。由于篇幅限制，仅列出ADF检验结果（见表1）。
2.SVAR的建立与估计
结构VAR允许变量之间存在当期影响，其短期约束一般基于“AB模型”。其中约束矩阵B设定为对角矩阵，约束个数为k2个；矩阵A代表对变量间的当期关系施加短期约束，其主对角线元素为1，约束个数为k个。根据经济意义，货币对房价、利率、股价、汇率存在当期影响，利率对汇率、股价存在当期影响，房价对股价存在当期影响，通货膨胀对汇率、利率、股价存在当期影响，其他变量之间无当期影响，故约束设为0。根据上述综述假定，经stata估计，矩阵A估计结果为：
A= 1 5.2014 0 0 0 -1.7810 0 1 0 0 0 00.1359 3.7406 0 0 0 -70.65310.0143 -0.2608 1 1 -0.0034 0.1715 0 5.6693 0 0 1 0 0 0 0 0 0 1 3.构建金融形势指数
基于SVAR模型的估计结果，运用脉冲响应函数模拟通货膨胀率对各金融变量冲击的累积动态响应，根据式（5）计算出第i个金融变量在FCI中所占的权重wi（见表2）。
4.构建FCI指数
在测算FCI的过程中，金融指标均经过HP滤波得到其偏离于长期趋势的缺口值，计算得到的FCI可以反映我国金融活动对均衡状态的偏离情况。当FCI为正数时，说明金融形势处于繁荣状态，反之处于紧缩状态；当FCI上升时，意味着金融形势趋于好转，反之则趋于恶化；当FCI趋近于0时，则认为金融环境处于松紧适度的状况。
从2001年下半年一直到2003年股权分置之前，股票市场持续低迷，企业融资困难，金融状况趋紧。由于央行对不良贷款率的要求，商业银行从2002年纷纷采用扩大新增贷款来稀释不良贷款，导致2003年货币供应量猛增，中国出现了经济局部过热、物价上升的趋势，导致金融环境异常宽松。为防止金融系统出现严重隐患，中国采取了以控制投资过热为主要目标的各项宏观调控措施，随着2004年调控力度的加大，中国金融形势趋紧并持续至2005年末。2006—2007年，股市出现“牛市”，中国金融形势指数迅速上升直至达到顶峰。2007— 2008年，美国次贷危机爆发并很快波及全球，中国FCI自2007年下半年起迅速下降，2008年末达到最低点，下降速度和幅度空前巨大。为应对此次金融危机，中国对宏观经济进行了重大调整并推出一系列扩张性调控政策，2009年FCI快速回升。随着经济的逐渐复苏，中国宏观调控从“积极”回归“稳健”，并开始启动新一轮的金融改革，2011年以后FCI明显回落至适度从紧的波动区间。2012年欧债危机波及中国出口贸易，贸易条件恶化，FCI显著下降。2013—2014年，利率市场化改革取得突破性进展，全面放开金融机构贷款利率管制，多措并举降低企业融资成本、人民币国际化步伐明显加快，FCI持续回暖。2015年，股市暴跌，央行10次降准降息，释放了上万亿元流动性，FCI迅速下降。年底人民币加入SDR，离岸人民币大涨。2016年，新年股市大跌，英国退欧成定局，金融形势低迷。对比图1可知，本文测算的中国金融形势指数很好地描述了中国金融环境的变化，可作为分析金融波动态势的依据。
根据一般做法，确定一次完整的经济周期，可以从一个波峰到另一个波峰，也可以从一个波谷到另一个波谷，或者按照周期中同样状态（波峰、低潮或整个周期）一些年的平均值到另一些年的平均值来衡量。本文按照规则的“谷—谷”计算方法，根据金融形势指数划分金融周期。
由表3可知，2001年以来，我国经历了7轮金融周期，周期平均长度为两年零三个月。在样本前期，金融周期的扩张长度大于收缩长度，在第四个周期，即2007年2月至2009年9月这个周期过后，金融周期的扩张长度变短，收缩长度显著增大。
为了更好的比较金融周期扩张阶段和收缩阶段相较于正常波动阶段对经济增长的影响，本文参考Braun & Larrian（2005）的做法，根据上述周期的划分为基础，将金融周期划分为高涨期（Boom）、衰退期（Bust）和正常期（Normal）三个类别，并在这个基础上进行实证分析。
当FCI观察值落入高涨期时，用二元变量Boom标记，取值为1，其余时间取值为0；当FCI落入衰退期时，用二元变量Bust标记，取值为1，其余时间取值为0。
（二） 金融周期对经济增长的影响的实证分析
本文考察我国金融周期对经济增长的影响，因此，被解释变量为经济增长率，而核心解释变量为金融周期。在经济增长率的代理变量选择方面，按照标准文献的做法，直接用GDP增速表示。金融周期由上文设定的虚拟变量Boom、Bust表示。在其他控制变量的选择上，主要对三分方面的影响因素进行控制：一是经济层面，包括贸易条件、资本形成率和工业化程度；二是金融层面，包括有金融波动、存款利率、总储蓄率；三是社会层面，选择移动电话用戶数作为人口的工具变量。表4对变量做了具体说明。数据来源为国家统计局、中国经济网。
1.金融周期处于高涨期的OLS回归结果
首先分析当金融周期处于高涨期时对经济增长的影响，回归结果见表5。本文采用逐步增加解释变量的“从小到大”的建模策略，模型1是只包含金融高涨期变量的回归结果；模型2增加了金融波动项；模型3-5逐步增加了不同层面的控制变量。
由表5可知，高涨期变量（boom）的系数都显著且符号为正，意味着相较于金融衰退期和正常期，金融周期处于高涨状态时，GDP增速会显著上升。可能的解释是，当金融形势处于高涨状态时，存在一个短期效应，企业家与银行家预期良好，信贷扩张，投资增加，带动经济增长。在逐步加入多个控制变量的过程中，高涨期（boom）的系数符号和显著性均没有发生明显改变，表明高涨期与GDP增长率的正相关关系是稳定的。
在控制变量方面，表5结果表明：（1）在金融高涨期，贸易条件的改善，对GDP增长率具有促进作用；资本形成率的系数符号在逐步回归过程中发生改变，可能的原因是我国社会资金绝大部分用于投资与储蓄两个部门上，固定资产投资与总储蓄率之间存在高度线性相关，同时如果利率变化，也可能会导致投资产生变化；工业化程度的提高会对经济增长产生正的效应。（2）利率水平和总储蓄率都与GDP增长有显著的负相关关系，可以理解为，随着利率上升，投资成本将增加，人们转而增加储蓄，导致投资减少和经济增速下降；与此同时，金融波动程度的上升会减缓我国经济增长。（3）社会层面的移动电话用户数增长率与经济增长有显著正相关，说明人口的增加对经济增长会产生显著的促进作用。总体来看，上述结果与经验事实和宏观经济学理论基本吻合。
2.金融周期处于衰退期的OLS回归结果
表6是当金融周期处于衰退期时的回归结果。与表5类似，模型5为只包含核心解释变量金融衰退期的回归结果，模型6-8是在模型5的基础上逐步增加各层面的控制变量的回归结果。 由表6可知，衰退期变量（bust）与GDP呈现出显著的负相关关系，說明相较于金融高涨期和正常期，金融衰退期对经济增速的影响显著为负。可理解为，金融形势的下滑会通过降低资源配置效率以及预期等方面直接或间接影响经济增长。
在控制变量方面，表6结果显示：在金融衰退期，贸易条件、工业化程度对经济增长的影响显著为正，金融层面的利率水平、总储蓄率、金融波动对经济增长影响为负，人口的增长对经济增长具有促进作用，这些结果与表6得出的结果一致，不再赘述。
综合实证结果来说，金融周期的繁荣对经济增长会起到促进作用，而金融周期的萧条不利于经济增长；无论金融处于哪种状态，金融波动都会对经济增长造成负面影响。
（三） 模型中存在的问题
该模型是基于我国2001年1月至2016年9月的月度数据回归得到的，在数据上存在一定的缺陷。首先，月度GDP数据和工业化程度变量的数据是通过Eviews将季度数据从低频转高频得到的，数据变动不大，会导致估计系数方差放大，降低模型估计的精度，如果转而搜集更长时间阶段的季度数据，将提高模型估计精度和预测结果可靠性。
其次，对时间序列数据做过单位根检验后，检验结果表明除核心解释变量外，被解释变量和控制变量都非平稳序列，在进行OLS估计，确认误差项平稳后，没有对模型再做调整。如果对数据进行差分，再做协整以及误差修正，会大大提高模型的可靠性。
模型中还存在因遗漏变量导致的内生性问题。比如移动电话用户数增长率与一些其他的影响电话用户数量的社会条件，由于科技发展，资源配置效率提高，移动电话的价格显著降低，人们就有更大的几率使用移动电话。模型中存在遗漏变量，会导致系数产生偏误，为了避免这种偏误，我们应该多寻找合适的控制变量，或者寻找代表人口增长率的更合适的工具变量。
模型中被解释变量GDP增长率和解释变量工业化程度、资本增长率、总储蓄率之间可能存在双向因果关系，从而导致内生性问题。有以上分析可知，工业化程度的提高会促进经济增长，而经济的增长也会提高一国的工业化水平，通过预期等因素，会进一步增大固定投资，提高资本形成率。存在双向因果时，模型估计系数会存在向下或向上的偏误。适当的办法是加入自变量的滞后项。
五、 结语
随着我国金融市场的发展，金融经济周期对实体经济的影响日益凸显，因此深入研究金融周期的测算与传导机制，具有重要的理论意义和现实意义。本文基于我国2001年1月至2016年9月的时间序列数据，本文采用SVAR测算了中国的金融形势指数，采用OLS估计了金融周期对经济增长的影响。本文研究发现金融周期的波动与经济增长具有显著的相关性，在控制其他条件不变的情况下，金融高涨期平均每多一个月，GDP增长率会增加0.13个百分点，金融衰退期平均每多一个月，GDP增长率则会降低0.17个百分点。
（特约编辑：陈国权）
参考文献：
[1]陈雨露，马勇，阮卓阳.金融周期和金融波动如何影响经济增长与金融稳定？[J].金融研究，2016（2）：1-22.
[2]邓创，徐曼.中美金融周期的协动性及其传导途径分析[J].世界经济研究，2015（11）：12-20+127.
[3]邓创，徐曼.中国的金融周期波动及其宏观经济效应的时变特征研究[J].数量经济技术经济研究，2014，31（9）：75-91.
[4]巴曙松，韩明睿.基于SVAR模型的金融形势指数[J].宏观经济研究，2011（4）：26-31+79.
关键词：金融形势指数；金融周期；经济增长；金融波动
DOI：10.3969/j.issn.1003-9031.2018.03.02
中图分类号：F832.0 文献标识码：A 文章编号：1003-9031（2018）03-0012-09
一、引言
金融周期是指金融经济活动在内外部冲击下，通过金融体系传导而形成的持续性波动和周期性变化，反映资产价格、利率、汇率、货币供给量等在内的各类金融变量在不同经济波动阶段上的变动态势。近年来，随着中国金融市场改革和金融开放程度的提高，金融冲击对实体经济的影响日益增加，金融加速器、中央银行资产负债表等途径传递以及放大金融冲击，金融体系显著地改变着宏观经济的运行规律。
自Goodhart和Hofmann（2001）编制七大工业国家的金融形势指数（FCI）以来，各国学者纷纷以多种金融指标为基础构建金融形势指数，并将其作为金融周期的一个重要衡量依据。
二、 文献综述
Eika & Nymoen（1996）、Ericsson & Jansen（1998）最早利用加权平均的短期利率和汇率构建了货币形势指数（MCI）。之后Goodhart & Hofmann（2000）在此基础上提出金融形势指数（financial condition index，FCI），加入了房價与股价等资产价格，并指出金融形势指数对七国集团国家的通货膨胀具有良好的预测效果。王玉宝（2005）、封北麟（2006）运用VAR估算了中国的FCI，认为FCI可以作为货币政策的短期指示器。陆军（2007）、戴国强（2009）等均发现FCI对CPI有较强的预测能力。除直接对金融指标进行加权外，还可以利用主成分分析方法来构建FCI，如Brave & Butters（2011）利用主成分分析方法从大量金融指标中提取出美国的FCI，实证结果表明得到的FCI可以为政策制定和金融市场评价提供依据。刁节文（2013）、罗瑞（2013）运用主成分分析方法构建了中国的FCI，他们的研究结果都表明运用主成分分析方法构建的FCI对通货膨胀的短期预测有更好的效果。
最早提出信贷金融市场对实体经济有影响的学者可以追溯到大萧条时期，Fisher（1933）认为信贷市场条件的恶化不仅是经济周期的消极反应，其本身就是经济萧条的主要因素之一。直到亚洲金融危机，这一观点开始受到关注，Bernanke & Gertler（1989）、Bernanke、Gertler & Gilchrist（1999）都指出信贷金融市场具有放大波动的作用，并初步模拟出金融加速器效应。2007年美国次贷危机后，Jerman & Quadrini（2009）、Goodfriend & McCallum（2007）等许多学者将银行、货币政策等纳入到DSGE的周期框架中，研究金融冲击、金融摩擦等周期波动问题。
三、 研究样本与模型设定
基于样本数据的可获得性和代表性，样本数据。我国2001年1月至2016年9月。本文首先构建包括真实短期利率、国房景气指数、真实有效汇率指数、股权价格指数以及真实货币供给量在内的金融形势指数，上述金融指标之间存在当期影响，故建立结构VAR模型进行估计。
四、实证分析与检验
（一）金融形势指数的构建与金融周期的划分
本文采用stata14计量软件进行数据处理及分析。样本为2001年1月至2016年9月的月度数据，共189个样本点。选取当月银行间同业拆借加权平均利率为短期利率指标，选取国房景气指数作为房地产价格的代理变量，选取消费者价格指数月度环比数据作为通货膨胀指标，人民币真实有效汇率从国际清算银行获得，股票价格变动选用A股指数当月最后一个交易日的收盘价格，选取广义货币供给作为货币供给量指标。
计算真实值时，对M2、A股指数进行取自然对数处理，再进行差分，求得近似增长率后，减去同期CPI同比增量。真实短期利率为银行间七天同届拆借利率减去同期CPI同比增量。最后，利用HP滤波去掉变量的长期趋势，从而更好的对短期的随机波动项进行度量。人民币实际有效汇率来源于国际货币基金组织（IMF），其它所有变量的原始数据来源于国家统计局、中国经济网和锐思数据库。
1.单位根检验
VAR模型要求系统是平稳的，如果系统中的各个变量是平稳的，就可以保证系统的平稳性。本文采用DF、ADF、DFGLS、KPSS四种检验方法对构建金融形势指数的变量进行单位根检验，发现m2gap、irgap、exgap、stgap、higap、cpi均平稳。由于篇幅限制，仅列出ADF检验结果（见表1）。
2.SVAR的建立与估计
结构VAR允许变量之间存在当期影响，其短期约束一般基于“AB模型”。其中约束矩阵B设定为对角矩阵，约束个数为k2个；矩阵A代表对变量间的当期关系施加短期约束，其主对角线元素为1，约束个数为k个。根据经济意义，货币对房价、利率、股价、汇率存在当期影响，利率对汇率、股价存在当期影响，房价对股价存在当期影响，通货膨胀对汇率、利率、股价存在当期影响，其他变量之间无当期影响，故约束设为0。根据上述综述假定，经stata估计，矩阵A估计结果为：
A= 1 5.2014 0 0 0 -1.7810 0 1 0 0 0 00.1359 3.7406 0 0 0 -70.65310.0143 -0.2608 1 1 -0.0034 0.1715 0 5.6693 0 0 1 0 0 0 0 0 0 1 3.构建金融形势指数
基于SVAR模型的估计结果，运用脉冲响应函数模拟通货膨胀率对各金融变量冲击的累积动态响应，根据式（5）计算出第i个金融变量在FCI中所占的权重wi（见表2）。
4.构建FCI指数
在测算FCI的过程中，金融指标均经过HP滤波得到其偏离于长期趋势的缺口值，计算得到的FCI可以反映我国金融活动对均衡状态的偏离情况。当FCI为正数时，说明金融形势处于繁荣状态，反之处于紧缩状态；当FCI上升时，意味着金融形势趋于好转，反之则趋于恶化；当FCI趋近于0时，则认为金融环境处于松紧适度的状况。
从2001年下半年一直到2003年股权分置之前，股票市场持续低迷，企业融资困难，金融状况趋紧。由于央行对不良贷款率的要求，商业银行从2002年纷纷采用扩大新增贷款来稀释不良贷款，导致2003年货币供应量猛增，中国出现了经济局部过热、物价上升的趋势，导致金融环境异常宽松。为防止金融系统出现严重隐患，中国采取了以控制投资过热为主要目标的各项宏观调控措施，随着2004年调控力度的加大，中国金融形势趋紧并持续至2005年末。2006—2007年，股市出现“牛市”，中国金融形势指数迅速上升直至达到顶峰。2007— 2008年，美国次贷危机爆发并很快波及全球，中国FCI自2007年下半年起迅速下降，2008年末达到最低点，下降速度和幅度空前巨大。为应对此次金融危机，中国对宏观经济进行了重大调整并推出一系列扩张性调控政策，2009年FCI快速回升。随着经济的逐渐复苏，中国宏观调控从“积极”回归“稳健”，并开始启动新一轮的金融改革，2011年以后FCI明显回落至适度从紧的波动区间。2012年欧债危机波及中国出口贸易，贸易条件恶化，FCI显著下降。2013—2014年，利率市场化改革取得突破性进展，全面放开金融机构贷款利率管制，多措并举降低企业融资成本、人民币国际化步伐明显加快，FCI持续回暖。2015年，股市暴跌，央行10次降准降息，释放了上万亿元流动性，FCI迅速下降。年底人民币加入SDR，离岸人民币大涨。2016年，新年股市大跌，英国退欧成定局，金融形势低迷。对比图1可知，本文测算的中国金融形势指数很好地描述了中国金融环境的变化，可作为分析金融波动态势的依据。
根据一般做法，确定一次完整的经济周期，可以从一个波峰到另一个波峰，也可以从一个波谷到另一个波谷，或者按照周期中同样状态（波峰、低潮或整个周期）一些年的平均值到另一些年的平均值来衡量。本文按照规则的“谷—谷”计算方法，根据金融形势指数划分金融周期。
由表3可知，2001年以来，我国经历了7轮金融周期，周期平均长度为两年零三个月。在样本前期，金融周期的扩张长度大于收缩长度，在第四个周期，即2007年2月至2009年9月这个周期过后，金融周期的扩张长度变短，收缩长度显著增大。
为了更好的比较金融周期扩张阶段和收缩阶段相较于正常波动阶段对经济增长的影响，本文参考Braun & Larrian（2005）的做法，根据上述周期的划分为基础，将金融周期划分为高涨期（Boom）、衰退期（Bust）和正常期（Normal）三个类别，并在这个基础上进行实证分析。
当FCI观察值落入高涨期时，用二元变量Boom标记，取值为1，其余时间取值为0；当FCI落入衰退期时，用二元变量Bust标记，取值为1，其余时间取值为0。
（二） 金融周期对经济增长的影响的实证分析
本文考察我国金融周期对经济增长的影响，因此，被解释变量为经济增长率，而核心解释变量为金融周期。在经济增长率的代理变量选择方面，按照标准文献的做法，直接用GDP增速表示。金融周期由上文设定的虚拟变量Boom、Bust表示。在其他控制变量的选择上，主要对三分方面的影响因素进行控制：一是经济层面，包括贸易条件、资本形成率和工业化程度；二是金融层面，包括有金融波动、存款利率、总储蓄率；三是社会层面，选择移动电话用戶数作为人口的工具变量。表4对变量做了具体说明。数据来源为国家统计局、中国经济网。
1.金融周期处于高涨期的OLS回归结果
首先分析当金融周期处于高涨期时对经济增长的影响，回归结果见表5。本文采用逐步增加解释变量的“从小到大”的建模策略，模型1是只包含金融高涨期变量的回归结果；模型2增加了金融波动项；模型3-5逐步增加了不同层面的控制变量。
由表5可知，高涨期变量（boom）的系数都显著且符号为正，意味着相较于金融衰退期和正常期，金融周期处于高涨状态时，GDP增速会显著上升。可能的解释是，当金融形势处于高涨状态时，存在一个短期效应，企业家与银行家预期良好，信贷扩张，投资增加，带动经济增长。在逐步加入多个控制变量的过程中，高涨期（boom）的系数符号和显著性均没有发生明显改变，表明高涨期与GDP增长率的正相关关系是稳定的。
在控制变量方面，表5结果表明：（1）在金融高涨期，贸易条件的改善，对GDP增长率具有促进作用；资本形成率的系数符号在逐步回归过程中发生改变，可能的原因是我国社会资金绝大部分用于投资与储蓄两个部门上，固定资产投资与总储蓄率之间存在高度线性相关，同时如果利率变化，也可能会导致投资产生变化；工业化程度的提高会对经济增长产生正的效应。（2）利率水平和总储蓄率都与GDP增长有显著的负相关关系，可以理解为，随着利率上升，投资成本将增加，人们转而增加储蓄，导致投资减少和经济增速下降；与此同时，金融波动程度的上升会减缓我国经济增长。（3）社会层面的移动电话用户数增长率与经济增长有显著正相关，说明人口的增加对经济增长会产生显著的促进作用。总体来看，上述结果与经验事实和宏观经济学理论基本吻合。
2.金融周期处于衰退期的OLS回归结果
表6是当金融周期处于衰退期时的回归结果。与表5类似，模型5为只包含核心解释变量金融衰退期的回归结果，模型6-8是在模型5的基础上逐步增加各层面的控制变量的回归结果。 由表6可知，衰退期变量（bust）与GDP呈现出显著的负相关关系，說明相较于金融高涨期和正常期，金融衰退期对经济增速的影响显著为负。可理解为，金融形势的下滑会通过降低资源配置效率以及预期等方面直接或间接影响经济增长。
在控制变量方面，表6结果显示：在金融衰退期，贸易条件、工业化程度对经济增长的影响显著为正，金融层面的利率水平、总储蓄率、金融波动对经济增长影响为负，人口的增长对经济增长具有促进作用，这些结果与表6得出的结果一致，不再赘述。
综合实证结果来说，金融周期的繁荣对经济增长会起到促进作用，而金融周期的萧条不利于经济增长；无论金融处于哪种状态，金融波动都会对经济增长造成负面影响。
（三） 模型中存在的问题
该模型是基于我国2001年1月至2016年9月的月度数据回归得到的，在数据上存在一定的缺陷。首先，月度GDP数据和工业化程度变量的数据是通过Eviews将季度数据从低频转高频得到的，数据变动不大，会导致估计系数方差放大，降低模型估计的精度，如果转而搜集更长时间阶段的季度数据，将提高模型估计精度和预测结果可靠性。
其次，对时间序列数据做过单位根检验后，检验结果表明除核心解释变量外，被解释变量和控制变量都非平稳序列，在进行OLS估计，确认误差项平稳后，没有对模型再做调整。如果对数据进行差分，再做协整以及误差修正，会大大提高模型的可靠性。
模型中还存在因遗漏变量导致的内生性问题。比如移动电话用户数增长率与一些其他的影响电话用户数量的社会条件，由于科技发展，资源配置效率提高，移动电话的价格显著降低，人们就有更大的几率使用移动电话。模型中存在遗漏变量，会导致系数产生偏误，为了避免这种偏误，我们应该多寻找合适的控制变量，或者寻找代表人口增长率的更合适的工具变量。
模型中被解释变量GDP增长率和解释变量工业化程度、资本增长率、总储蓄率之间可能存在双向因果关系，从而导致内生性问题。有以上分析可知，工业化程度的提高会促进经济增长，而经济的增长也会提高一国的工业化水平，通过预期等因素，会进一步增大固定投资，提高资本形成率。存在双向因果时，模型估计系数会存在向下或向上的偏误。适当的办法是加入自变量的滞后项。
五、 结语
随着我国金融市场的发展，金融经济周期对实体经济的影响日益凸显，因此深入研究金融周期的测算与传导机制，具有重要的理论意义和现实意义。本文基于我国2001年1月至2016年9月的时间序列数据，本文采用SVAR测算了中国的金融形势指数，采用OLS估计了金融周期对经济增长的影响。本文研究发现金融周期的波动与经济增长具有显著的相关性，在控制其他条件不变的情况下，金融高涨期平均每多一个月，GDP增长率会增加0.13个百分点，金融衰退期平均每多一个月，GDP增长率则会降低0.17个百分点。
（特约编辑：陈国权）
参考文献：
[1]陈雨露，马勇，阮卓阳.金融周期和金融波动如何影响经济增长与金融稳定？[J].金融研究，2016（2）：1-22.
[2]邓创，徐曼.中美金融周期的协动性及其传导途径分析[J].世界经济研究，2015（11）：12-20+127.
[3]邓创，徐曼.中国的金融周期波动及其宏观经济效应的时变特征研究[J].数量经济技术经济研究，2014，31（9）：75-91.
[4]巴曙松，韩明睿.基于SVAR模型的金融形势指数[J].宏观经济研究，2011（4）：26-31+79.