2017年11月11日 00:10:05 金羊毛工作坊

文章:金融杠杆、杠杆波动与经济增长

作者: 马勇 陈雨露 

一、引言与文献

2008年国际金融危机之后,金融和实体经济之间一些深层次的理论问题重新得到检视。与传统观点认为发达的金融体系可以实现良好的风险分散和促进经济增长有所不同,危机后的理论研究重点指向了二者之间可能的非线性关系以及更为复杂的内生性关联机制。特别是,由于危机之前过高的金融杠杆和危机之后急速的“去杠杆化”过程往往容易引发周期性的“繁荣—崩溃”现象,使得金融杠杆和经济增长之间的关系成为危机之后宏观经济学研究的一个重要内容。

从微观角度来看,金融杠杆主要从家庭、企业、金融机构或者政府部门的负债程度进行度量,通常使用的指标是各种债务比率。在统计指标方面,资产与负债之比、资产与权益之比和负债与权益之比,以及上述各指标的倒数,都常被用来衡量杠杆率水平。在宏观上,尽管宏观经济的杠杆率水平可以直观地用总负债规模与国民收入的比例来衡量,相应的杠杆化过程和“去杠杆化”过程分别对应债务规模扩大和缩小的过程,但由于实际上很难同时获得各个部门(家庭部门、企业部门、金融部门、政府部门等)的完整资产负债表,因而相关研究一直比较零散,且要么局限于单个国家的研究,要么采用局部指标或其它近似指标作为替代。比如,Adrian&Shin(2009,2010)将视角集中在美国,从投资者最大化货币财富效用的角度论述了金融杠杆与总体流动性之间的关系,并认为杠杆的顺周期性是导致金融体系不稳定的重要原因。

Reinhart&Rogoff(2010)的研究主要使用了公共部门债务指标,他们对44个国家(地区)的实证分析表明:当公共部门债务占GDP的比例低于90%时,政府债务和GDP增长率之间表现出弱相关关系;而当公共部门债务占GDP的比率高于90%时,债务每增长1个百分点,GDP增长率将下降约1个百分点。此外,Reinhart&Rogoff(2010)还发现,如果外债阈值低于整体公共债务水平的阈值,且外债规模占GDP比例超过60%,经济增长通常会出现明显恶化;而当这一比率超过90%时,经济大多出现衰退。

尽管从理论上看,可以通过对微观数据进行加总进而获得宏观的金融杠杆指标,但由于各个国家微观层面的数据通常很难获得且统计口径差异极大,因此,在大部分基于跨国数据的实证研究中,一般主要使用“私人部门信贷/GDP”作为宏观金融杠杆的代理变量。从理论上看,由于私人部门信贷直接反映了整个经济体中企业、家庭等私人部门的总体借贷(负债)情况,而GDP则反映了一个国家或经济体的总体收入水平,因此,“私人部门信贷/GDP”可以有效反映整个经济在宏观上的金融杠杆水平。在此方面的早期研究中,Rioja&Valev(2004)以及Shen&Lee(2006)等发现,尽管金融发展在总体上有助于促进GDP增长,但过高的金融杠杆仍然可能对经济增长产生负面影响。还有一些研究强调,高度杠杆化的金融体系可能直接或间接地导致资源的错误配置,导致低储蓄和过度投机,从而引发金融和实体经济的不稳定。比如,Wagner(2010)等的研究就表明,金融发展水平的提高可能使金融机构过度借款,而过高的杠杆率水平将导致经济环境更加复杂,从而增大宏观经济和金融风险。在Mendoza(2010)的研究中,杠杆水平会在经济扩张时期出现上升,而当杠杆比率足够高时会触发约束效应,并通过费雪通缩机制降低信贷、资产价格以及抵押资产的数量,从而导致产出水平的下降。

Cecchetti&Kharroubi(2012)基于50个国家1980—2009年的面板数据分析表明,在金融杠杆(私人信贷/GDP)到达某个临界点水平之前,金融杠杆的上升对经济增长有拉动作用;而当金融杠杆水平超过该临界点之后,金融杠杆的继续上升则会对经济增长产生拖累作用。此外,还有一些研究发现,不仅金融杠杆和经济增长之间存在非线性关系,金融杠杆和经济波动之间也存在类似的非线性关系。比如,Era&Narapong(2013)的研究就表明,在很高的金融杠杆水平上(私人信贷占GDP的比例超过100%),金融杠杆的上升将显著增大宏观经济的波动性。此方面的类似研究还包括Manganelli&Popov(2012)、Bencivelli&Zaghini(2012)等。在较近的一项研究中,Korinek&Simsek(2016)基于新凯恩斯模型研究了由杠杆推动的流动性陷阱及其宏观政策应对效果,其研究结果表明,宏观审慎政策在应对过度杠杆问题时的效果要优于紧缩性的货币政策。

总体而言,尽管危机后经济学家对金融杠杆和经济增长之间的关系进行了广泛深入的讨论,但仍然存在不少遗留问题。首先,关于金融杠杆和经济增长之间是否存在显著的相关关系,以及存在何种性质(线性或非线性)的相关关系,目前的研究总体上仍处于开放式的讨论过程之中,远未达成共识(Beck,2012;Bezemeretal.,2014)。比如,李扬等(2012a,2012b)的研究就认为,虽然杠杆比率究竟居于何种水平为佳,迄今并无定论,但随着杠杆率的不断上升,风险将会不断积累,因此,杠杆率会有一个阈值,超过阈值将可能导致经济和金融危机。与此同时,虽然近期的一些研究开始探索和讨论金融杠杆和经济增长之间各种可能的线性和非线性关系,但相关争论仍然一直存在(Becketal.,2014)。除金融杠杆和经济增长之间关系的争论之外,另一个值得关注的问题是,迄今绝大部分文献都只考虑了不同金融杠杆水平变化对经济增长的影响,而忽略了金融杠杆波动对经济增长的潜在影响。从理论上看,稳定的宏观经济运行依赖于合理稳定的投融资比例,而金融杠杆的过度波动无疑会破坏这种投融资关系的稳定性,从而对经济增长产生负面影响。因此,研究如何从实证角度对金融杠杆波动对经济增长的影响进行分析和评估,将有助于我们对相关问题理解的进一步深入。

鉴于现有文献的争论与不足,本文基于68个国家1981—2012年的动态面板数据,采用系统GMM估计方法对金融杠杆及其波动对经济增长的影响进行系统的实证分析。较之已有文献,本文在理论上的“边际贡献”主要表现在以下两个方面:一是基于更多的宏观经济增长和金融杠杆指标,从多个维度对金融杠杆和经济增长之间的关系进行分析和确认,有助于与目前国际上的已有研究形成有效互补;二是通过纳入新的金融杠杆波动变量,对金融杠杆的稳定性是否会对经济增长产生影响进行分析,有助于部分地弥补目前主流文献在此方面的不足。此外,考虑到近年来关于中国经济潜在的高杆杠问题以及伴随这一问题的“去杠杆化”争论,本文的研究结果对理解中国的相关问题也会有一定帮助。

本文其余部分的组织结构如下:第二部分介绍研究样本、模型设定和估计方法;第三部分对金融杠杆及其波动对经济增长的影响进行实证分析和检验;第四部分基于国际经验对中国的相关问题进行尝试性的应用和拓展分析;文章最后进行总结并给出简要的政策建议。

二、样本、模型设定与估计方法

(一)研究样本与模型设定

参考世界银行(WorldBank)的常用代表性国家样本,同时基于实际数据的可获得性,本文使用的实证分析样本共包括68个国家1981—2012年的面板数据。①在模型设定方面,由于本文的主要目标是考察金融杠杆及其波动对经济增长的影响,因此,可建立如下形式的动态面板模型:

其中,被解释变量y为经济增长,解释变量f为金融杠杆水平,其平方项用来捕捉金融杠杆对经济增长可能的非线性影响,v为金融杠杆的波动性,Z为其它各控制变量,c为常数项,μi代表个体效应,εi,t为残差项,下标i和t分别表示个体和时间,α,β,γ,δ,θ为对应回归变量的系数项。

在代理变量的选择上,作为被解释变量的宏观经济增长(y)主要使用两个基本指标:一是GDP增长率(记为gdp),二是人均GDP增长率(记为GDPP)。这两个指标分别从总量和平均量两个角度对宏观经济增长进行了描述。此外,参考部分文献的做法,在稳健性检验中,我们还使用了另外两个重要的宏观经济变量作为宏观经济增长的代理变量:人均国民可支配收入(记为dip)和居民最终消费支出增速(hcp)。选择这两个指标,是因为它们有助于从社会福利(生活质量提高)的角度对经济增长情况进行描述。

在核心解释变量(即金融杠杆)的代理变量选择上,参考主流文献的做法(陈雨露等,2014;马勇等,2016),我们使用私人部门信贷占GDP的比重(私人部门信贷/GDP)来表示宏观金融杠杆水平。根据世界银行的定义,私人部门信贷指的是通过贷款、购买非股权证券、贸易信用和其他应收账款等方式提供给私人部门并且确立了偿还要求的金融资源,因此,私人部门信贷衡量的是金融活动中资金最活跃的部分,将其作为宏观金融杠杆水平的代理变量具有理论上的优越性。与此同时,为考察金融杠杆和经济增长之间可能的非线性关系,以及金融杠杆波动对经济增长的影响,私人部门信贷/GDP的平方项和波动项也被纳入到了回归方程之中。其中,金融杠杆波动项的计算参考标准文献的做法,用私人部门信贷/GDP的5年移动平均标准差表示。除私人部门信贷/GDP之外,在稳健性检验中,我们还使用M2/GDP作为宏观金融杠杆水平的另一种测度指标。

除上述核心解释变量外,我们还在分析中纳入了其它一些变量,以控制不同经济体的异质性所带来的影响。具体而言,参考过往文献(陈雨露和马勇,2013),我们主要加入了以下可能会对经济增长产生影响的因素作为控制变量:工业化程度(工业增加值/GDP,记为ind)、资本形成率(资本形成总额/GDP,记为asset)、储蓄率(国内总储蓄/GDP,记为depos)、金融危机(记为crisis,虚拟变量,发生危机取1,否则取0)、人口增长率(popul)。这些变量分别从宏观经济、金融体系和社会人口等方面对影响经济增长的因素进行了控制。上述各回归变量的符号表达、经济含义和数据来源如表1所示。表2给出了各变量的基本统计描述。

(二)估计方法

对于待估计的动态面板模型(1)式,OLS估计以及传统的面板模型估计方法(固定效应模型和随机效应模型)均无法获得有效估计量。由于yi,t是μi的函数,故yi,t-1也是μi的函数,这意味着在(1)式中,解释变量yi,t-1和误差项相关,所以即使εi,t不存在序列相关,OLS估计量也是有偏和不一致的。此外,对于固定效应模型估计量,虽然组内变化剔除了μi,但即使εi,t不存在序列相关,

为获得有效估计量,我们采用Arellano&Bover(1995)等提出的系统广义矩估计(systemgeneralizedmethodofmoments,系统GMM)方法对模型(1)式进行估计。系统GMM估计必须配合相应的矩条件,为便于说明,先将(1)式改写为如下的一般形式:

其中,yi,t-1为yi,t的滞后项,Xi,t为(K-1)×1解释变量,β'为待估计系数向量。系统GMM的主要思想是将差分方程和水平方程作为一个整体进行估计。因此,除了要估计(2)式的差分模型外,还要估计式(2)的水平模型,一共存在两组矩条件。其中,估计(2)式的差分模型的矩条件为:E(Z'itΔεi)=0,其包含md=(T-2)[(T-1)+2(K-1)T]/2个矩条件。其中,T为样本期;Δεi=[Δεi3,Δεi4,...,ΔεiT]'为误差项差分后的向量;Zdi为工具变量矩阵,包括被解释变量yi,t的t-2期及前期,以及解释变量Xi,t的第1至T期,具体形式如下:

估计(2)式的水平模型的矩条件为:E(Z'itεi)=0,其包含ml=(T-2)K个矩条件。其中,εi=[εi3,εi4,...,εiT]'为误差项组成的向量;Zli为工具变量矩阵,包括被解释变量差分项Δyi,t的t-1期,以及解释变量差分项ΔXi,t的当期,具体形式如下:

总体来看,系统GMM在差分GMM的基础上引入水平方程,减少了估计误差。同时,系统GMM还分为一步GMM和两步GMM。两步GMM在一步GMM的基础上,进一步将一步GMM结果的残差加入到新的估计中去,以建立一个一致的方差—协方差矩阵,从而进一步放宽了一步GMM中残差需要独立和同方差的假设。

基于上述考虑,本文采用两步系统广义矩方法进行模型估计,该方法可以有效避免变量之间以及变量和残差之间的内生性问题。同时,通过使用Windmeijer(2005)提出的WC-robust估计方法,我们还可以得到稳健标准误,从而使回归结果更为可信。此外,按照标准文献的做法,我们对GMM估计的结果进行两项检验:一是Sargan检验,主要用来检验工具变量的有效性;二是AR(2)检验,主要用来检验残差是否存在二阶序列相关。

三、实证分析与检验

基于前文模型设定,本部分主要从实证角度考察金融杠杆及其波动对经济增长的影响。与前文介绍一致,我们首先以私人部门信贷/GDP作为金融杠杆的代理变量,考察其对经济增长的影响。在此基础上,我们进一步展开多个维度的稳健性分析,以评估和确认相关结论的稳定性和可靠性。

(一)基于GDP增长率的回归分析结果

首先,我们来看金融杠杆及其波动对GDP增长率的影响。根据前文设定的动态面板回归模型(1),采用系统GMM估计方法对金融杠杆及其波动对GDP增长率的影响进行回归分析,相关结果如表3所示。为尽量清晰显示控制变量的引入过程及其对回归结果的影响,我们采用逐步添加控制变量的方式对回归结果进行呈现。在表3的第一列,“模型1”给出了仅包含被解释变量一阶滞后和三个核心解释变量(即私人部门信贷/GDP、私人部门信贷/GDP的平方项、私人部门信贷/GDP的波动项)的回归结果。在表3的第2—4列中,“模型2—4”则分别给出了逐步对宏观经济变量(工业化程度、资本形成)、金融变量(储蓄水平、金融危机)和社会人口变量(人口增长率)进行控制后的回归分析结果。

从表3的结果可以看出,当GDP增长率(gdp)为被解释变量时,金融杠杆(私人部门信贷/GDP)的一次项(pc)和二次项(pc2)均在1%的置信水平上高度显著,且一次项的系数符号为正,二次项的系数符号为负。由此可以判断,金融杠杆和GDP增长率之间的非线性关系成立,二者之间存在显著的“倒U型”关系。这意味着,随着金融杠杆(私人部门信贷/GDP)的提高,GDP增速会先增大后减小,存在一个拐点。就拐点位置而言,根据最为完整的回归方程(即模型4)中金融杠杆一次项和二次项系数的具体数值,可以判断拐点位置大致出现在金融杠杆比率(私人部门信贷/GDP)等于1.486之时。换言之,当金融杠杆比率(私人部门信贷/GDP)到达1.486之前,随着金融杠杆比率的上升,GDP增速将出现上升;而当金融杠杆比率(私人部门信贷/GDP)越过拐点1.486之后,随着金融杠杆比率的上升,GDP增速将出现下降。

再从金融杠杆波动对GDP增长率的影响来看,在表3的全部4个回归方程中,金融杠杆(私人部门信贷/GDP)的波动项(vvpc)系数均在5%的置信水平上显著为负,表明金融杠杆波动的加大将会对经济增长产生明显的负面影响。从经验上看,这一点并不难以理解。我们知道,稳定的宏观经济运行离不开稳定适度的融资供给,从总量角度来看,这意味着金融杠杆比率需要保持相对稳定。反之,如果金融杠杆比率波动过大,则意味着投融资行为的不稳定,进而势必对宏观经济的稳定增长产生负面影响。

从上述结论的稳定性来看,不论是金融杠杆和经济增长的“倒U型”关系,还是金融杠杆波动和经济增长的负相关关系,均没有因为控制变量的加入而发生改变。这意味着相关回归分析的结论是稳定的。作为控制变量的附带结果,资本形成率和人口增长率的系数在所有模型中均保持显著为正,而金融危机的系数则在所有模型中均保持显著为负,表明资本形成率和人口增长率的上升将对经济增长产生促进作用,而金融危机的发生则会明显削弱一国的经济增长。总体来看,这些结论不仅符合直觉和经验预期,而且与经典的经济增长文献一致。此外,所有模型都通过了Sargan检验和二阶序列相关检验,证明模型估计过程中的工具变量选择恰当,且模型结果不受二阶序列相关影响,进而表明模型的估计是有效的。

(二)基于人均GDP增长率的回归分析结果

前文我们以GDP增长率作为经济增长的代理变量,考察了金融杠杆及其波动对经济增长的影响。应该指出,GDP增长率作为最常见的一个宏观经济增长指标,虽然有助于从总体上了解一个国家或地区所创造的总财富的增长速度,但却无法直接用于衡量单个个体所创造财富的增长速度,后者通常用人均GDP增长率来表示。有鉴于此,不少文献在分析经济增长时,一般既考察GDP增长率,同时也考察人均GDP增长率。特别是,由于人均GDP实际上反映了一个国家的富裕程度,因此,人均GDP增长率的引入还将有助于进一步从国民福利的角度对经济增长的效果进行评估。

基于上述考虑,本部分以人均GDP增长率作为经济增长的代理变量,对金融杠杆及其波动对经济增长的影响进行回归分析。为便于比较分析,金融杠杆的代理变量仍然使用私人部门信贷/GDP,各控制变量也与前文相同。具体的回归结果如表4所示。表4仍然沿用前文所述的逐步增加控制变量的做法,其中“模型5”为仅包含被解释变量一阶滞后和三个核心解释变量的回归结果,而“模型6—8”则分别显示了逐步对宏观变量、金融变量和社会人口变量进行控制后的回归结果。

从表4的回归结果可以看出,金融杠杆的一次项均在1%或5%的置信水平上显著为正,而金融杠杆的二次项则在1%或5%的置信水平上显著为负,这表明金融杠杆和经济增长之间的“倒U型”关系依然显著成立。根据最为完整的回归方程(即模型8)中一次项和二次项的回归系数,可以判断拐点位置大致出现在金融杠杆比率等于1.408之时。与此同时,金融杠杆的波动项系数也都在5%或10%的置信水平上显著为负,从而表明金融杠杆波动的加大会对经济增长产生负效应。这一结论也与前文的分析结果一致。从回归结果的稳定性来看,上述两个基本结论并没有因为控制变量的加入而发生改变。在这些控制变量中,资本形成率的提高对人均GDP增长率具有显著的正向促进效应,而金融危机的发生则会削弱一国的经济增长。此外,表4中的所有模型都通过了Sargan检验和二阶序列相关检验,证明工具变量有效且回归结果不受二阶序列相关影响,估计结果是可靠的。

(三)稳健性检验

前文分析得出了两个基本结论:一是金融杠杆和经济增长之间存在显著的“倒U型”关系,二是金融杠杆的波动会对经济增长产生负效应。本部分进一步对上述结论进行稳健性检验。

(1)稳健性检验Ⅰ:经济增长的其它度量

在前文的实证分析中,经济增长的度量主要采用了两个代理变量:GDP增长率和人均GDP增长率。尽管很多文献都将这两个指标作为最常用的经济增长代理变量,但新近的一些研究(Stiglitzetal.,2009)则提出,人均国民可支配收入增速和居民最终消费支出增速这两个变量对于衡量经济增长的实际绩效也非常重要。从理论上看,这两个指标直接度量了国民的收入和消费能力的增长情况,因而有助于从社会福利的角度对经济增长的绩效进行评价。有鉴于此,本部分以这两个指标作为经济增长的代理变量,对金融杠杆及其波动和经济增长之间的关系进行回归分析,具体结果如表5所示。

从表5的回归结果可以看出,不论是以人均国民可支配收入增速还是以居民最终消费支出增速作为经济增长的代理变量,金融杠杆和经济增长之间的“倒U型”关系不仅始终显著成立,而且拐点所处的位置区间也非常接近。其中,以人均国民可支配收入增速作为经济增长的代理变量时,拐点位置大致在金融杠杆比率(私人部门信贷/GDP)等于1.419时;而以居民最终消费支出增速作为经济增长的代理变量时,拐点位置大致在金融杠杆比率等于1.499时。与此同时,在所有的回归方程中,金融杠杆的波动项系数一直保持显著为负,表明金融杠杆波动和经济增长之间的负相关关系也具有很强的稳定性。总体来看,综合表5的结果以及前文的分析,可以认为,金融杠杆和经济增长之间的“倒U型”关系以及金融杠杆波动和经济增长之间的负相关关系在不同的经济增长代理变量下是稳健的。

(2)稳健性检验Ⅱ:金融杠杆的其他度量

从宏观角度分析金融杠杆,除使用最为常见的“私人部门信贷/GDP”作为代理变量之外,另一个备选的代理变量指标是“M2/GDP”。从理论上看,“私人部门信贷/GDP”主要是从经济中私人部门的总体借贷(负债)角度对宏观金融杠杆进行度量,而“M2/GDP”则主要从金融机构负债的角度对宏观上的金融杠杆进行度量,因为作为M2主要构成部分的现金、活期存款、定期存款、储蓄存款、外币存款以及各种短期信用工具(如银行承兑汇票、短期国库券等)实际上都是金融机构的对外负债。因此,通过使用“M2/GDP”作为宏观金融杠杆的另一个代理变量进行回归分析,有助于判断相关实证结论的稳健性。

考虑到前文已经使用了四个经济增长的代理变量(GDP增长率、人均GDP增长率、人均国民可支配收入增速和居民最终消费支出增速)作为被解释变量进行实证分析和稳健性检验,为保持前后分析的一致性,本部分将以“M2/GDP”(记为m2)及其平方项(记为m22)和波动项(记为vvm2)作为主解释变量,分别对上述四个经济增长的代理变量进行回归分析,具体结果如表6所示。从表6的回归结果可以看出,当我们以“M2/GDP”作为金融杠杆的代理变量时,无论选择何种指标作为经济增长的代理变量,金融杠杆与经济增长间的“倒U型”关系以及金融杠杆波动与经济增长之间的负相关关系依然显著成立。从金融杠杆(M2/GDP)的拐点位置来看,当以GDP增长率为被解释变量时,拐点位置大致出现在2.269;当以人均GDP增长率、人均国民可支配收入增速和居民最终消费支出增速为被解释变量时,拐点位置出现在2.5附近。

(3)稳健性检验Ⅲ:控制变量及其他

在现实世界中,由于被解释变量往往受到多种因素的影响,因而在任何一个具体的实证研究中,除了研究者重点关注的主解释变量之外,往往需要纳入其他可能对被解释变量产生影响的各种因素,具体的做法是加入各种控制变量。从模型设定的角度来看,控制变量的加入不仅可以改善模型的解释力,而且可以使主解释变量的显著性和敏感性得到进一步评估,因而成为实证研究中稳定性检验的重要手段。本研究除重点考察的主解释变量(即各种金融杠杆指标及其平方项和波动项)之外,在每一个回归分析表(即表3—6)中,都纳入了多种可能对被解释变量产生影响的控制变量,涵盖了宏观经济、金融体系和社会人口等主要方面,而相关结果也表明,控制变量的加入并没有对主解释变量的符号和显著性产生明显影响,从而表明本文的基本结论在控制多种潜在的影响因素之后依然是稳健的。

除上述模型设定和变量选择方面的考虑外,模型估计方法的选择也会影响到实证结果的稳健性。对于动态面板数据而言,估计过程中面临的主要问题是变量的内生性问题和有限样本所可能导致的偏误。为了有效解决这些问题,本文主要采用系统GMM方法对回归模型进行估计,该方法不仅可以通过工具变量的运用去除内生性,而且可以通过有效利用水平方程的信息减小有限样本的偏误,从而确保获得稳健的估计。从具体的估计结果来看,本文的所有回归模型都通过了Sargan检验和二阶序列相关检验,表明工具变量选择合理,模型的估计是有效的。由于在前文的分析中,有关控制变量引入的影响和关于估计方法的讨论已经嵌入正文中予以详细讨论,此处不再赘述。

四、延伸讨论:对中国情况的应用分析

根据前文的实证分析结论,金融杠杆与经济增长之间存在显著的“倒U型”关系。如果以最为常见的GDP增长率作为考察对象,那么,以私人部门信贷/GDP衡量的金融杠杆拐点位置出现在1.486,而以M2/GDP衡量的金融杠杆拐点位置则出现在2.269。非常有意思的是,不管是以中国最近十年私人部门信贷/GDP的平均增长速度推算,还是以中国最近十年M2/GDP的平均增长速度推算,结果均显示,中国将于2019—2020年左右进入拐点区域(如图1和图2),此后,金融杠杆的继续上升将无法起到推动经济增长的作用,宏观经济很可能由此进入以“次高速”增长为特征的“拐点后时代”。

从现实情况看,中国经济在过去30年的年均增长率超过9%,并于2010年超越日本,成为仅次于美国的全球第二大经济。然而,正如历史上的大部分经济体一样,在经历了较长时间的高速增长以后,经济增长将不可避免地面临向“次高速时代”的转变,在这一过程中,经济增速下降的概率会明显加大(图3)。比如,美国在1934—1945年间处于“高速”增长阶段,期间GDP平均增速高达9.19%;从1946年开始,美国进入“次高速”增长阶段,此期间GDP平均增速降为3.14%。图2中国M2/GDP趋势及经济增长的拐点位置日本经济在1961—1973年处于“高速”增长阶段,此间平均GDP增速高达8.78%;1974年之后进入“中高速”增长阶段,GDP平均增速降至3.92%。韩国在1971—1997年间处于“高速”增长阶段,这27年的GDP平均增速高达8.78%,亚洲金融危机后,韩国进入“次高速”增长阶段,1998—2012年间的GDP平均增速约为4.06%。中国台湾省在1975—1989年间处于“高速”增长阶段,25年的GDP平均增速达到8.77%;1990年后,中国台湾省的经济开始进入“次高速”阶段,GDP年均增速降至4.85%。

根据上述美国、日本、韩国、中国台湾等经济体的经济发展经验,经济在“次高速”增长区间的时间一般为20年左右,其间的GDP年均增速大致在4%—6%之间。根据世界银行公布的数据,2015年中国的GDP总量为10.9万亿美元,美国的GDP总量为17.9万亿美元。为估算中美之间经济总量的动态变化,我们可以简单设想以下几种可能的经济增长情景:

情景Ⅰ(“有利情景”):假定中国在“次高速”时代的年均GDP增长率为6%,而同期美国的年均GDP增长率为2.03%(最近5年即2011—2015年的GDP增速均值),那么,以2015年为基期后推,中国的GDP总量将于2028年超越美国,成为全球第一大经济体。

情景Ⅱ(“中间情景”):假定中国在“次高速”时代的年均GDP增长率为5%,而同期美国的年均GDP增长率为2.03%,那么,以2015年为基期后推,中国的GDP总量将于2033年超越美国,成为全球第一大经济体。

情景Ⅲ(“不利情景”):假定中国在“次高速”时代的年均GDP增长率为4%,而同期美国的年均GDP增长率为2.03%,那么,以2015年为基期后推,中国的GDP总量将于2041年超越美国,成为全球第一大经济体。

综合上述分析,同时结合本文的实证结论,可以认为,中国经济在越过“拐点”之后,逐渐进入“次高速增长”时代将是符合经济规律的自然趋势,届时中国GDP的年平均增速可能降至4%—6%左右。然而,即使中国的GDP年均增速在未来20年降至4%—6%左右的水平,只要能实现“无危机增长”,那么,根据上文相对乐观的“有利情景”推算,中国的GDP总量将在2028年左右超越美国,成为全球第一大经济体;即使根据上文相对保守的“不利情景”推算(考虑到日本、韩国和中国台湾在“次高速”增长时代均有年均4%左右的增速),中国的GDP总量仍将在2041年左右超越美国,成为全球第一大经济体。这也意味着,在即将到来的“次高速增长”时代,中国经济和金融发展的战略原则应该首要立足于“稳中求进”,避免经济和金融危机所导致的“断崖式”下降。在此期间,宏观经济和金融政策可采取更加积极主动的动态管理和前瞻性引导,以确保经济和金融稳定基础上的长期可持续经济增长。

五、结论与政策建议

本文基于68个国家1981—2012年的动态面板数据,采用系统GMM估计方法对金融杠杆、杠杆波动和经济增长之间的关系进行了实证研究。实证结果表明,金融杠杆和经济增长之间存在显著的“倒U型”关系,即随着金融杠杆水平的提高,经济增速会先升高后降低,存在一个“拐点”。此外,实证结果还显示,金融杠杆波动和经济增长之间存在显著的负相关关系,这意味着金融杠杆波动性的加大会对经济增长产生明显的负面效应,从而削弱经济增长。上述两个基本结论在多种稳健性检验下均是显著成立的。

基于实证分析得出的金融杠杆拐点位置,并根据中国最近十年私人部门信贷/GDP和M2/GDP的平均增速推算,预计中国将于2019—2020年间进入拐点区域。此后,宏观经济可能进入“拐点后时代”,从而面临经济“次高速”和金融“去杠杆”两个基本问题。对此,结合本文的实证分析结论,我们提出两点政策建议:(1)考虑到中国不久将进入金融杠杆的拐点区域,而“拐点后时代”的经济增长通常会面临下滑压力,在这种情况下,应积极加快经济的转型升级,寻找新的经济增长支撑点;(2)由于金融杠杆本身的波动也会对经济增长产生负面影响,因此,应从宏观上前瞻性地加强金融杠杆的动态管理,避免金融杠杆大幅波动对宏观经济产生猛然冲击,这意味着采取稳健有序的“去杠杆”策略将有助于在促进经济增长和维护金融稳定两个方面维持平衡。

注释:

① 从区域上看,该样本涵盖了全球各大洲的主要发达国家与发展中国家,包括: 亚洲国家11 个( 中国、日本、韩国、新加坡、马来西亚、泰国、印尼、菲律宾、孟加拉国、约旦、斯里兰卡) ,欧洲国家18 个( 英国、法国、德国、意大利、奥地利、丹麦、芬兰、希腊、匈牙利、荷兰、葡萄牙、西班牙、瑞典、瑞士、卢森堡、土耳其、塞浦路斯、马耳他) ,美洲国家17 个( 美国、加拿大、墨西哥、巴西、哥伦比亚、智利、秘鲁、玻利维亚、厄瓜多尔、哥斯达黎加、乌拉圭、洪都拉斯、危地马拉、萨尔瓦多、伯利兹、多米尼加、委内瑞拉) ,非洲国家20 个( 南非、埃及、贝宁、冈比亚、刚果、肯尼亚、赞比亚、毛里求斯、摩洛哥、塞内加尔、马达加斯加、多哥、加蓬、喀麦隆、博茨瓦纳、马里、塞拉利昂、莱索托、布基纳法索、斯威士兰) ,大洋洲国家2 个( 澳大利亚、新西兰) 。

作者历史文章

热文排行
日榜 周榜 月榜
0