金融加速器 发表评论(0) 编辑词条

中国金融加速器效应的行业差异性分析
—以货币政策对制造业的影响为例

1989年，Bernanke和Gertler提出，信贷市场不完美会引起借贷双方的代理成本变化，由此引起企业资产负债改变，从而引起企业投资和产量变化，最终使得经济出现更大的波动，他们将这种效应称为加速器效应。1994年，Bernanke、Gertler和Gilchrist正式提出了金融加速器概念。1998年，这三位学者又采用动态新凯恩斯(Dynamic New Keynesian—DNK)模型分析框架，将信贷市场不完美和企业净值纳入主流宏观经济模型，分析了金融加速器在经济周期中的作用，从而使金融加速器理论逐渐趋于完善。从金融加速器的概念可以看出，金融加速器效应主要是从企业层面来分析信贷市场不完美造成企业投资波动最终影响产出。所以相关的实证研究文献都是从企业的角度出发研究金融加速器效应。比如，Gertler和Gilchrist（1991）将制造企业按资产划分为小企业和大企业，考察了制造企业的销售量数据，结果发现货币供应量M2的增长对大企业没有太大影响，却与小企业的增长有很强的正向关系；Benanke，Gertler和Gilchrist（1994）分析了不同规模的企业在面临紧缩的货币政策时投资支出与现金流状况，认为小企业的金融加速器效应大于大企业的金融加速器效应。吴建环和席莹（2007）以货币政策对不同规模高科技企业的影响为例，分析了中国货币政策的金融加速器效应。
本文认为，金融加速器效应虽然是针对企业层面提出的概念，但是一个行业的所有企业表现出的金融加速器效应加总后最终会通过该行业宏观地表现出来。也就是说，货币政策变动后，由于信贷市场不完美，影响到行业内各个企业的资产负责、投资和产出，当将行业内所有企业的有关变量相应变动加总后，最终行业层面的资产负债、投资和产出都因货币政策变动而受到影响。这样，在行业层面，货币政策通过资产负债表渠道的传导途径同样是：货币政策M变动影响利率，利率的变化影响行业层面的资产净值NE，投资I和产出Y，最终使经济出现波动。这样，研究一个行业的投资、产出、资产净值受货币政策的影响程度，就可以得出行业层面的金融加速器效应大小。很多研究文献指出，我国货币政策具有非对称性的行业效应，这显然表明货币政策在行业中的传导具有差异性，从而对经济波动产生不同的影响，也就是说，各个行业可能具有不同的金融加速器效应。为了研究行业层面的金融加速器效应差异，本文选择制造业行业中的30个子类行业作为研究对象，使用SUR估计方法，对这些行业构成的方程组进行回归分析。试图找到各行业的行业层面的金融加速器效应大小，为我国针对不同行业制定不同的信贷政策提供一定的参考。

二、模型选择和数据说明
由金融加速器理论知，当货币供给M上升后，引起利率R下降，股票价格P上升，企业资产净值N增加，净值增加使得企业的贷款L上升，从而企业的投资I 和产出Y都将增加，使得经济出现更大波动。即有：M↑→R↓→P↑→N↑→L↑→I↑→Y↑。根据该理论，货币供给量M和利率R都可以作为货币政策变量，投资I和产出Y的变动可以作为金融加速器效应大小的度量，资产净值NE和贷款L属于金融加速器的中间传导变量。考虑到我国利率没有完全市场化，这里选择货币供给量M2作为货币政策变量，选择资产净值N作为中间变量，选择投资I作为衡量金融加速器效应的变量。于是，模型的被解释变量为行业的投资额I，解释变量为行业的资产净值N和货币政策变量M2。Benanke等人指出，企业的净值是指企业流动资产与可抵押物品的价值之和，由于数据的可获得性，这里不使用这些数据，而使用各行业的资产总值减去负债总值得到资产净值。
本文的数据都来自中经网数据库。由于没有公布建筑业资产总值和负债总值2007年和2008年的月度数据，所以样本数据范围最终选择2003年1月—2006年12月的月度数据。为了消除价格因素的影响，将所有变量的当月值都除以当月的CPI指数，得到各行业的实际投资额、实际货币供给量和实际资产净值，同时进行对数变换，以熨平长期趋势。另外，由于各个变量都存在明显的季节特性，所以都使用X-12方法对月度数据进行了季节调整。另外，各行业1月份的投资数据没有公布，本文使用每年近似等比的增长率方式计算出该月份的当月值。
考虑到货币政策和企业资产净值对企业投资的影响都有一定的滞后期，所以模型中的变量要使用这两个变量的滞后项。为了选择适当的滞后项作为被解释变量，我们对货币政策和制造业资产净值总额的前三期值构成的各模型进行了比较，具体回归模型结果见表1所示。
根据表1中显示的T统计量、标准误、残差平方和、DW检验等值，模型3回归的效果更有效一些，所以最终选择资产净值滞后1期、货币政策变量M2滞后3期作为模型的变量。为了便于比较，在构建各个行业的计量模型时，都遵循这种选择标准，即所有行业的模型都为：
（1）
表1：模型变量选择—各模型回归结果的T检验值和标准误
模型
变量 1 2 3 4 5 6 7 8 9
C -9.63
(1.81) -12.58
(1.58) -13.67
(1.46) -10.99
(1.70) -11.73
(1.70) -13.16
(1.53) -11.09
(1.83) -12.53
(1.70) -12.67
(1.640)
N(-1) -0.06
(0.48) 1.92*
(0.42) 2.42**
(0.40)
N(-2) 0.99
(0.45) 1.82*
(0.48) 2.37**
(0.40)
N(-3) 1.93*
(0.49) 2.79***
(0.45) 2.60*
(0.42)
M2(-1) 3.65***
(0.56) 2.78***
(0.52) 1.49
(0.57)
M2(-2) 2.08**
(0.49) 1.98*
(0.52) 1.00
(0.51)
M2(-3) 1.78*
(0.46) 1.79*
(0.47) 1.38
(0.49)
调整的R2 0.974 0.976 0.977 0.978 0.976 0.977 0.978 0.977 0.978
S.E. 0.055 0.051 0.048 0.049 0.051 0.048 0.048 0.048 0.048
SSR 0.132 0.110 0.096 0.102 0.110 0.096 0.093 0.096 0.094
DW 0.946 1.233 1.014 1.117 1.263 1.066 1.000 1.068 1.004
说明：①变量的第一个数为T统计量值，括号里为标准误差；②***、**、*分别表示通过1%、5%和10%的显著性水平检验；③被解释变量为制造业投资总额I。
式中的 、 、M分别为各行业的投资，资产净值和货币政策变量，所有的变量都取了对数，且经过X-12季节调整，i=1，2…30，代表30个行业。需要说明是，由货币政策在行业中的传导机制知，货币政策变动对行业的实际资产净值产生影响需要一段时滞，然后实际资产净值作为中间传导变量去影响投资，又有一定的时滞。这样，选择的货币政策变量的滞后期应该大于资产净值的滞后期。上面通过比较各模型最终选择货币政策变量滞后3期，资产净值变量滞后1期比较符合现实。

三、实证分析
考虑到各行业的投资还会受到其他共同因素的影响，所以单个行业进行OLS回归的残差可能存在一定的相关性，所以，为了进行更有效地估计，必须使用SUR方法对所有行业构成的面板数据进行估计。不过，在进行SUR估计前，首先对各行业的方程是似无关还是真无关进行检验。检验方法可以使用LR、LM和Wald等方法，这里使用LR和LM两种方法。其中LR统计量为 ，T为样本数，M为行业个数， 是各个行业单独进行OLS估计的方差估计值， 是各行业残差的协方差阵。LM统计量为 ， 表示各行业OLS估计的残差相关系数。两个统计量都服从自由度为M（M-1）/2的 分布。通过编写相应的Eviews程序，分别得到LR=9376.20，LM=4307.13，而置信度为95%，自由度为435的 值为484.63，所以两个统计量都拒绝了原假设，说明各个行业的方程为似无关，需要使用SUR系统进行估计。为了检验各个行业的系数是否具有可变性，还需要使用相应的统计量进行检验。原假设是 ，检验时使用Swamy（1971）建议的统计量，具体检验式子为： ，其中： ， 为对角矩阵。该统计量服从自由度为K（N-1）的 分布。通过运行相应程序得到统计量值为9527.40，而置信度为95%，自由度为87的 值为109.77，所以拒绝原假设，说明各个行业的方程系数具有可变性。根据上述分析，使用可变系数的SUR估计，表2中给出了方程组的FGLS估计结果。
从表2中看出，货币政策对农副食品加工业等17个行业投资的影响通过了显著性检验，其中，印刷业和记录媒介的复制业通过10%的显著性水平检验，造纸及纸制品业通过5%的显著性水平检验，其余15个行业通过1%的显著性水平检验。但各行业受货币政策的影响程度呈现明显差别。受货币政策影响最大的是皮革、毛皮、羽毛(绒)及其制品业，投资的货币政策弹性值为4.092，货币政策变动1%，投资变动4.092%。其次是交通运输设备制造业，投资的货币政策弹性为2.717，再次是电气机械及器材制造业、通信设备、计算机及其他电子设备制造业和农副食品加工业，投资的货币政策弹性为分别为2.596、2.593和2.286，其他行业投资的货币政策弹性在0.618—1.977之间。

表2 方程组SUR估计结果
行业 政策变量估计结果 行业 资产净值估计结果
系数值 标准误 P值 系数值值 标准误 P值
1 2.286 0.628 0.000 2 1.453 0.259 0.000
7 4.092 0.689 0.000 3 3.374 0.477 0.000
8 1.929 0.334 0.000 5 1.529 0.357 0.000
9 1.656 0.603 0.006 6 2.181 0.358 0.000
10 1.286 0.599 0.032 7 -0.851 0.480 0.076
11 0.618 0.354 0.081 8 0.594 0.223 0.008
13 1.518 0.285 0.000 9 0.764 0.319 0.017
14 1.651 0.259 0.000 11 1.496 0.358 0.000
15 1.763 0.531 0.001 13 0.486 0.231 0.036
17 1.977 0.613 0.001 20 1.621 0.262 0.000
18 1.561 0.471 0.001 21 0.698 0.380 0.066
19 1.361 0.290 0.000 22 1.982 0.339 0.000
23 1.586 0.323 0.000 23 1.298 0.221 0.000
24 1.366 0.241 0.000 24 1.218 0.213 0.000
25 2.717 0.569 0.000 27 -0.700 0.355 0.049
26 2.596 0.622 0.000 28 1.708 0.311 0.000
27 2.593 0.441 0.000 29 1.602 0.458 0.001
说明：行业排序为：1.农副食品加工业;2.食品制造业;3.饮料制造业;4.烟草制品业;5.纺织业;6.纺织服装、鞋、帽制造业;7.皮革、毛皮、羽毛(绒)及其制品业;8.木材加工及木、竹、藤、棕、草制品业;9.家具制造业;10.造纸及纸制品业;11.印刷业和记录媒介的复制业;12.文教体育用品制造业;13.石油加工、炼焦及核燃料加工业;14.化学原料及化学制品制造业;15.医药制造业;16.化学纤维制造业;17.橡胶制品业;18.塑料制品业;19.非金属矿物制品业;20.黑色金属冶炼及压延加工业;21.有色金属冶炼及压延加工业;22.金属制品业;23.通用设备制造业;24.专用设备制造业;25.交通运输设备制造业;26.电气机械及器材制造业;27.通信设备、计算机及其他电子设备制造业;28.仪器仪表及文化、办公用机械制造业;29.工艺品及其他制造业;30.废弃资源和废旧材料回收加工业。
在上述17个行业中，农副食品加工业、造纸及纸制品业、化学原料及化学制品制造业、医药制造业、橡胶制品业、塑料制品业、非金属矿物制品业、交通运输设备制造业、电气机械及器材制造业9个行业的资产净值对投资的影响未通过10%的显著性检验。说明货币政策在这些行业中的传导并未体现出行业层面的金融加速器效应，货币政策对行业投资影响的传导机制与金融加速器传导机制不同。这可能存在这么两种情形：一种情形可能是该行业所有的企业都没有明显的金融加速器效应，原因可能政府对行业进行管制而约束该行业的信贷；另一种情形可能有些企业存在明显的金融加速器效应，而另一些企业却出现相反的情况，比如当货币供给量增加使得企业资产净值增加时，有些企业投资增加，有些企业投资减少，两种情形相互抵消，最终在行业层面没有出现明显的金融加速器效应。剩下的8个行业资产净值对投资的影响虽然通过了显著性检验，但还不能证明这些行业表现了行业层面的金融加速器效应。因为根据Bernanke等人提出的金融加速器概念，当货币供给量增加后，企业的资产净值增加，减少了企业逆向选择和道德风险，企业贷款能力增加，最终促使企业投资和产出增加。所以，还需要检验货币政策对这些行业的资产净值的影响是否也显著，只有通过显著性检验，才能表明存在行业层面的金融加速器效应。
从表2中，还可看到，资产净值对食品制造业等17个行业投资的影响通过了显著性检验，其中，皮革、毛皮、羽毛(绒)及其制品业、有色金属冶炼及压延加工业2个行业的资产净值对投资的影响通过10%的显著性检验，家具制造业、石油加工、炼焦及核燃料加工业、通信设备、计算机及其他电子设备制造业3个行业通过5%的显著性检验，其余12个行业都通过1%的显著性检验。在17个行业中，饮料制造业的投资受资产净值变动的影响最大，投资的资产净值弹性为3.374，资产净值变动1%，该行业的投资将变动3.374%。其次是纺织服装、鞋、帽制造业，投资的资产净值弹性为2.181。皮革、毛皮、羽毛(绒)及其制品业和通信设备、计算机及其他电子设备制造业2个行业出现反常情形，这两个行业投资的资产净值弹性为负数，说明这2个行业的资产净值对投资的影响与金融加速器效应理论相违背，因为它们都表现出随着资产净值的增加，投资反而下降的特征。同时也说明货币政策在这2个行业中的传导并未体现出行业层面的金融加速器效应。其余14个行业投资的资产净值弹性在0.486—1.982之间。
通过分析，我们发现制造业中的30个行业中，只有15个行业可能存在行业层面的金融加速器效应。在这些行业中，木材加工及木、竹、藤、棕、草制品业、家具制造业、印刷业和记录媒介的复制业、石油加工、炼焦及核燃料加工业、通用设备制造业、专用设备制造业6个行业的投资受货币政策和资产净值的影响都通过了显著性检验。为了验证这15个行业是否真正体现出金融加速器效应，需要进一步检验货币政策对这些行业的资产净值是否具有显著的影响。由于货币政策对实际资产净值产生循环影响，所以，构建计量模型时，需要考虑加入资产净值的滞后项作为解释变量，本文选择滞后期为3个月，根据后面的显著性检验结果，滞后3期比较符合实际情形。于是，模型共考虑三个变量，各行业的资产净值为被解释变量，货币政策变量M2和滞后3期的资产净值作为解释变量。具体模型为：
（2）
式中的 、 、M分别为各行业的资产净值、滞后3期的资产净值和货币政策变量，所有的变量都取了对数，i=2，3，5…29，代表15个行业。使用同样的SUR估计方法对15个行业构成的方程组进行估计，回归结果见表3所示。
表3 15个行业方程组SUR估计结果
行业 货币政策变量估计结果 资产净值滞后项估计结果
系数值 标准误 P值 系数值值 标准误 P值
2 0.804 0.082 0.000 0.364 0.065 0.000
3 0.351 0.043 0.000 0.411 0.078 0.000
5 0.620 0.101 0.000 0.472 0.086 0.000
6 0.793 0.067 0.000 0.233 0.064 0.000
8 0.836 0.086 0.000 0.441 0.059 0.000
9 1.685 0.168 0.000 0.096 0.090 0.285
11 0.578 0.075 0.000 0.382 0.079 0.000
13 1.192 0.129 0.000 -0.100 0.117 0.392
20 1.010 0.098 0.000 0.214 0.074 0.004
21 0.806 0.125 0.000 0.561 0.075 0.000
22 0.973 0.105 0.000 0.333 0.073 0.000
23 0.796 0.098 0.000 0.445 0.071 0.000
24 0.809 0.113 0.000 0.250 0.108 0.021
28 1.015 0.108 0.000 0.220 0.085 0.010
29 0.862 0.116 0.000 0.400 0.081 0.000
从表3中可以看出，货币政策对15个行业资产净值的影响都通过了1%的显著性水平检验，说明这些行业存在明显的行业层面的金融加速器效应。其中受货币政策影响最大的是家具制造业，资产净值的货币政策弹性为1.685，其次是石油加工、炼焦及核燃料加工业，弹性系数为1.192，其余行业的弹性系数在0.351—1.015之间。资产净值滞后项系数只有家具制造业和石油加工、炼焦及核燃料加工业未通过5%的显著性水平检验，其余行业的系数都显著地不为零，说明滞后3期比较符合现实。
为了分析各行业金融加速器效应大小的差异，本文将15个行业的资产净值的货币政策弹性值乘以投资的资产净值弹性值，结果见表4所示。
表4 14个行业的金融加速器效应大小比较
行业 2 3 5 6 8 9 11 13 20 21 22 23 24 28 29
值 1.17 1.18 0.95 1.73 0.50 1.29 0.86 0.58 1.64 0.56 1.93 1.03 0.98 1.73 1.38
从表4中可以看出，金属制品业表现出最大的行业层面的金融加速器效应，货币政策变动1%，引起该行业资产净值变动0.973%，而资产净值变动1%，又引起该行业投资变动1.982%，因此货币政策变动的总效应为1.93%；仪器仪表及文化、办公用机械制造业和纺织服装、鞋、帽制造业2个行业也呈现较大的行业层面的金融加速器效应，货币政策变动1%，2个行业投资的变动都是1.73%；木材加工及木、竹、藤、棕、草制品业行业层面的金融加速器效应最小，货币政策变动1%，该行业的投资只变化0.50%；其他行业的行业层面金融加速器效应大小在0.56%—1.64%之间。

四、结论与启示
本文的目的是研究制造业的30个子类行业的行业层面的金融加速器效应大小的差异。通过使用可变系数的SUR模型，对30个行业构成的方程组进行回归分析，发现不同行业表现出的行业层面的金融加速器效应存在明显的不同。其中，有15个行业在行业层面未表现出明显的金融加速器效应。而在表现出行业层面的金融加速器效应的15个行业中，效应大小又各不相同。效应最大的行业是金属制品业，其次是仪器仪表及文化、办公用机械制造业和纺织服装、鞋、帽制造业，效应最小的是木材加工及木、竹、藤、棕、草制品业行业。这些结论对政府制定适当的信贷政策有一定的参考作用。
由于各行业表现出不同的行业层面的金融加速器效应，可以推断不同行业的企业也会具有不同的金融加速器效应，所以，应该进一步分析各个行业的企业对货币政策的不同反应，找出不同行业间的企业和同一个行业内企业的金融加速器效应大小差异。这样，可以为我国货币政策的制定以及信贷政策的行业导向寻找更多的实证依据。另外，由于政府的货币政策或信贷政策导向都是针对一个行业，但同一个行业中的企业，有的具有金融加速器效应，有的不具备金融加速器效应，有些企业金融加速器效应小，有些企业金融加速器效应大，所以，货币政策不应该对行业一刀切，而应该进一步对行业内的不同企业区别对待，实行不同的信贷政策。这样，货币政策对经济波动的抑制作用可能会有更好的效果。

参考文献
[1]B．S．Bernake & M．Gertler. Agency cost，net worth，and business fluctuations[J]. American Economic Review，1989（3）．
[2]B．S．Bernake，M．Gertler & S．Gilchrist. The financial accelerator and the flight to quality[J]. NBER working paper, 1994，No 4789．
[3]B．S．Bernake，M．Gertler & S．Gilchrist. The financial accelerator in a quantitative business cycle framework. in J．Taylor& M．Woodford（eds），Handbook of Macroeconomics，Vo1.1，North Holland，Amsterdam, 1998．
[4]M．Gertler，S．Gilchrist. Monetary policy，business cycle and the behavior of small manufacture firms[J]. NBER working paper, 1991, No．3829．
[5]吴建环、席莹.中国货币政策的金融加速器效应研究_以货币政策对不同规模高科技企业的影响为例[J].山西财经大学学报 , 2007（11），99-103.
[6]宋泓明、闫小娜、王云海.金融加速器理论述评[J].经济学动态, 2003（10），71-73.