基于VAR模型的影子银行与中国经济发展的实证研究

摘 要：2007年美国次贷危机过后，影子银行被认为是此次危机的始作俑者。通过选取1981-2014年的年度数据，利用VAR模型实证分析影子银行业务与GDP、CPI、M1和失业率之间的相互关系。结果表明：影子银行业务扩张将使我国城镇失业率在短期内降低，长期上升，对货币供应量的增加具有时滞效应，对GDP和CPI的影响并不显著；同时影子银行规模对GDP和M1的增加均具有两期时滞效应，但从第三期起影子银行规模开始扩张。因此，金融监管部门应营造一种健康、可持续的金融生态，对影子银行实行分类监管；金融监管部门要尽快构建影子银行官方数据库并进行实时跟踪监管；对影子银行风险导向政府审计风险模型进行重构，加强商业银行表外业务审计。
　　关键词：影子银行；VAR模型；脉冲效应；金融监管
　　一、引言
　　目前，关于影子银行的概念国际上还没有统一的定论。2007年，美国太平洋投资管理公司执行董事Paul McCulley首先提出“影子银行”这一概念，他认为影子银行不同于传统的商业银行，影子银行所筹集的资金具有短期性和不确定性，并且影子银行不受或较少受到监管。美国金融稳定委员会（2011）认为监管当局应以更为广阔的视角来看待影子银行，任何在正规银行体系之外的信用中介机构和信用中介活动都可以被视为影子银行。国内学者也未对影子银行的定义形成统一的看法。易宪容（2011）认为只要涉及借贷关系和银行表外业务都属于影子银行。刘煜辉（2011）把影子银行分成两部分，第一部分包括银行合作、委托贷款、担保公司、信托公司等所进行的放贷业务，第二部分包括以民间借贷和地下钱庄为主要代表的民间金融。近几年，中国影子银行业务发展迅速，金融稳定委员会（FSB）报告显示，2013年中国影子银行资产规模接近三万亿美元，仅次于美国和英国。而根据穆迪的最新估测，2014年底中国影子银行资产达到人民币41万亿元，相当于GDP的65%。影子银行体系作为一种跨越直接融资和间接融资的新型金融运作方式，本身是中性的，是一把双刃剑，既有促进实体经济和金融体系发展的正向积极作用，同时也蕴含了极高的风险。本文旨在通过对我国影子银行的研究，发现影子银行对我国经济发展的利和弊，并及时提出应对措施，从而使得我国经济在转型升级过程中得以健康稳定地发展。
　　二、文献综述
　　大部分学者都认为影子银行有利于经济发展。Feng et al（2011）提出，影子银行虽然是导致2008年美国金融危机爆发的罪魁祸首，但影子银行在促进国民经济发展方面也起着非常重要的作用[1]。樊晓静 等（2013）通过统计数据分析得出：影子银行与GDP、CPI之间表现出正相关关系且呈边际效应递减规律，说明影子银行的发展有利于促进我国经济发展，但是影子银行对经济增长的贡献度呈递减趋势[2]。王晓枫 等（2014）实证分析了影子银行的流动性及其对宏观经济的影响，结果表明：自2007年以来，影子银行的流动性创造对我国经济增长发挥了一定的积极作用；虽然短期内影子银行产生的流动性变化较为频繁，可能会阻碍经济的发展，但是从长期看将趋于稳定[3]。
　　有些学者认为影子银行和经济发展之间互为促进作用。陈剑（2012）对中国影子银行体系与经济增长之间的关系进行了实证检验，选取2000—2011年的季度数据构建了SVAR模型，结果表明影子银行体系的发展确实促进了我国的经济增长，但却影响到了央行货币政策的实施效果；另外经济发展反过来也对影子银行的发展造成了显著影响[4]。索畅 等（2014）采用1992—2013年的样本数据进行格兰杰因果关系检验，结果显示我国影子银行和经济增长之间具有互为促进作用[5]。李建伟 等（2015）认为影子银行在推动我国利率市场化改革以及促进实体经济发展方面发挥着不可替代的作用，但波动性较大，不具有持续性。同时实体经济的复苏和发展反过来也会推动影子银行规模的扩大[6]。
　　也有部分学者认为影子银行对经济发展的影响并不显著，而经济增长却促进了影子银行规模的扩大。沈悦（2013）运用格兰杰因果检验法对影子银行体系的规模与经济增长的关系进行实证检验，指出影子银行体系规模与经济增长之间只存在单向的因果关系，经济增长刺激了影子银行体系的扩张，但是反过来，影子银行体系对经济增长的促进作用并不显著[7]。许付常 等（2015）通过研究得出结论：经济增长与影子银行发展存在单向因果关系，即经济增长促进了影子银行发展，反之则不成立[8]。
　　只有少数学者认为影子银行对经济发展会产生不利影响。唐红娟（2012）指出影子银行借短贷长的期限错配特征将导致流动性风险较为突出，并且影子银行与商业银行之间具有错综复杂的关系，极易导致风险的传染与扩散，影响经济的健康发展[9]。杨旭（2012）指出影子银行追求的是利润最大化，企业将资金拿去放贷比做实业获利更多，这将导致产业空心化[10]。
　　整体上看，现有研究文献主要是分析影子银行规模与GDP增长之间的关系，而对其他经济变量比如CPI、M1以及失业率等却鲜有提及。另外，现有文献主要使用金融危机之后的数据，而从较长时间跨度量化分析影子银行对经济增长的文献并不多。本文将基于向量自回归模型（VAR），以1981—2014年的数据为样本，对影子银行及经济发展之间的关系进行量化分析，对影子银行在国民经济中发挥的作用进行实证分析。
　　三、变量选择和模型设计
　　（一）变量选取和数据来源说明
　　因为本文主要研究影子银行与我国经济增长的相互关系，因此本文选取的主要研究变量包括影子银行的规模、国内生产总值、货币供应量、物价指数以及失业率，采用从1981—2014年的年度数据作为样本。本文选用如下变量：
　　1. 影子银行规模。国内学者目前对影子银行还没有统一的界定，因而我国还没有关于影子银行统一或官方的数据。本文借鉴李建军（2010）[11]的研究成果，基于经济金融基本关系原理：一段时间内经济主体实现的GDP是由这段时间金融机构的全部信贷支持的，从借款人的角度测度出影子银行的规模。通过影子银行借款的客户主要包括农民、私营企业等中小经济体。这些借款人由于自身的局限性很难从银行获得足够的信贷支持，因而这些中小经济主体需要向影子银行进行借贷。用RYL表示借款人从传统商业银行所借款项与GDP之比，同理，可以得到农民的RFL和中小企业的REL。从而，影子银行规模可以近似表示为：SB=（RYL-RFL）*GDPF+（RYL-REL）*GDPE。其中，SB表示影子银行的规模。GDPF表示农民在一年中所创造的国内生产总值。GDPE表示中小企业在一年中所创造的国内生产总值。本文依据上述理论对我国1981—2014年影子银行规模的年度数据进行测算。用SB表示影子银行的规模，因为本文实证部分主要是采用时间序列分析，而时间序列往往存在异方差现象，因此本文取影子银行规模的对数，记作lnSB。相关数据来源于《中国金融年鉴》《中国统计年鉴》、中国人民银行网站以及国家统计局网站。
    　2. 国民经济增长。本文选用GDP作为衡量国民经济总量的一个指标。因为本文实证部分主要采用的是时间序列分析，而时间序列分析往往存在着异方差现象，因此本文采用国内生产总值的对数，记作lnGDP。相关数据来源于中国统计数据库。
　　3. 货币供应量。可以代表货币供应量的变量有M0、M1、M2，根据我国货币供应量的划分，狭义货币供应量（M1）包括流通中的现金以及企事业单位活期存款，M1能够直接反映老百姓的资金充足与否，能够快速反映经济周期的波动。并且M1数据统计并公布的时间较长，因此本文采用M1作为货币供应量的衡量指标。本文选用M1的环比增长率RM1作为研究对象。数据来源于中经网统计数据库。
　　4. 通货膨胀率。本文采用居民消费价格指数的环比增长率作为通货膨胀率的代理变量，记为RCPI。数据来源于中经网统计数据库。
　　5. 失业率。失业率可以比较客观准确地反映一个国家或地区的经济景气程度，失业率数据不仅每个月发布的时间较早，而且对宏观经济的反映比较敏感。本文采用城镇登记失业率的年度数据作为估测数据，记为U。数据来源于中国统计数据库。
　　6. 控制变量。由于影子银行从事的业务与传统的商业银行所从事的贷款业务有很多重合与交叉，二者之间具有错综复杂的关系，因此本文选取的控制变量为商业银行年度的人民币贷款余额，记作Loan。因为本文实证部分主要采用的是时间序列分析，而时间序列分析往往存在着异方差现象，因此本文采用金融机构人民币贷款余额的对数形式，记作lnLoan。金融机构人民币贷款余额的数据来源于中经网统计数据库。
　　（二）模型选择
　　本文主要研究的是影子银行规模对国民经济增长、货币供应量、通货膨胀率和失业率的影响以及国民经济增长、货币供应量、通过膨胀率和失业率分别对影子银行规模的影响。对于多变量相互影响的关系，向量自回归模型（VAR）应用最为普遍，最初的结果对实际经济行为的解释也较为合理。VAR模型可以用来预测相关联的经济时间序列系统，进而解释经济冲击对于经济变量所产生的影响。因而本文采用VAR模型进行分析。
　　最一般的VAR（P）模型的数学表达式是：
　　yt=A1yt-1+…+Apyt-p+B1xt+…+Brxt-r+εt（1）
　　式（1）中，yt为m维内生变量向量，xt为d维外生变量向量，A1，…Ap和B1，…Br是待估计的参数矩阵，内生变量和外生变量分别有p和r阶滞后期，εt是随机扰动项，随机扰动项不能自相关，也不可以与解释变量之间存在相关关系。
　　四、实证分析
　　（一）平稳性分析
　　由于VAR模型的变量为时间序列数据，而时间序列通常不平稳，因此需要首先对变量LNGDP、LNSB、LNLOAN、CPI、M1、U进行平稳性检验，我们采用ADF单位根检验。通过使用Eviews6.0软件进行检验，我们得到的检验结果如表1所示。
　　由表1可知，所有变量均满足一阶单整，说明数据的平稳性较好，可以进一步验证数据间的协整关系。
　　（二）协整检验
　　对于时间序列数据，不仅要求其具备平稳性，而且还要求这种稳定性具有长期性，这时需要进行协整检验。由于本文实证部分涉及到多个解释变量，因此我们采用Johansen检验。对本文所选取的样本变量LNGDP、LNSB、LNLOAN、CPI、M1、U，利用Eviews6.0，进行Johansen协整检验，结果如表2所示。
　　从表2中可以看出，在95%的显著性水平下，LNGDP、LNSB、CPI、M1、U之间存在两个协整向量，这说明SB、CPI、GDP、M1和U之间存在协整关系。
　　（三）滞后阶数的确定
　　本文依据LR统计量（似然比检验）、FPE（最终预测误差）、AIC信息准则、SC信息准则与HQ（Hannan-Quinn）信息准则五个常用指标来对滞后阶数进行选择，滞后阶数判断结果如表3所示。
　　表3给出了从0至3阶的VAR模型的LR、FPE、AIC、SC和HQ的值，对每个指标分别确定相应的滞后阶数，并用“*”加以标记。可以看到，LR、FPE、SC和HQ这四个准则所确定的滞后阶数均为2阶，只有AIC准则确定的滞后阶数为3阶，所以2阶便可以作为VAR模型的滞后阶数。
　　（四）Granger因果关系检验
　　因为对影子银行与其他变量之间的相互影响关系并未确定，需要进行基于VAR模型的Granger因果关系检验，表4给出了Granger因果关系检验结果。
　　由表4可以看出，在10%的显著性水平下，ln（SB）是U和M1的格兰杰原因，但不是CPI和ln（GDP）的格兰杰原因。ln（GDP）、M1是ln（SB）的格兰杰原因，而CPI、U均不是ln（SB）的格兰杰原因。这说明影子银行规模会对失业率和货币供应量产生影响，但对居民价格指数和国内生产总值的影响并不显著。国内生产总值和货币供应量会对影子银行的规模产生影响，而居民价格指数和失业率对影子银行规模的影响并不显著。