曹金飛，干杏娣(復(fù)旦大學(xué) 世界經(jīng)濟研究所，上海 200433)

一、引 言

近年來中國金融市場發(fā)生了幾次劇烈震蕩：如2008年中國政府出臺4萬億投資刺激經(jīng)濟，2015年出臺7萬億人民幣基礎(chǔ)設(shè)施投資項目，2015年6月中國A股發(fā)生了令人震驚的股災(zāi)，不到一個月時間上證指數(shù)由5 100多點跌到3 300點，接著又跌破2 900點，A股市值蒸發(fā)了差不多20萬億元；2016開年股市創(chuàng)下許多歷史紀錄，A股4天4次“熔斷”，6天3次千股跌停，A股市值8天蒸發(fā)10萬億元；2014年2月份人民幣匯率從6.040 8一直大幅度貶值到現(xiàn)在，等等。這些金融變量的劇烈波動帶來的影響被稱為金融沖擊。隨著金融業(yè)在中國經(jīng)濟總量中的比重越來越高，金融在中國經(jīng)濟中的地位越來越高，金融沖擊對實體經(jīng)濟影響也越來越大，對金融沖擊的研究也顯得越來越重要。

二、文獻綜述

關(guān)于金融沖擊的定義方面：Gordon認為金融沖擊是由多方面的宏觀經(jīng)濟沖擊所決定的[1]；Angela Abbate等認為狹義的金融沖擊指信貸、股價、房地產(chǎn)價格的震蕩，廣義的金融沖擊是指金融條件不可預(yù)知的變化，這里金融條件是用美國的46個金融變量來概括的[2]。目前有關(guān)金融沖擊的度量方法，總結(jié)起來主要有以下幾個方面：

(一)向量自回歸殘差分析法

這種方法是由Bernanke提出的，這是對各種宏觀變量進行估計。首先構(gòu)造一個由貨幣政策指示變量(聯(lián)邦基金基準利率、非借入準備金、借入準備金、總準備金)和宏觀經(jīng)濟變量(信貸供給、CPI、石油價格指數(shù))組成的VAR模型如下[3]：

(1)

(2)

公式(1)、(2)里Yt、Pt分別表示宏觀經(jīng)濟變量和貨幣政策指示變量，再計算出貨幣政策項方程的各期殘差，然后再將各個貨幣政策的殘差項聯(lián)立成一個新的SVAR模型如下：

uBR=β(uFFR-uDISC)+vb

uTR=-αuFFR+vd

uNBR=φdvd+φbvb+vs

這里，uBR、uBR、uTR、uFFR、uDISC、uNBR分別代表第一階段VAR模型中借入準備金、總準備金、聯(lián)邦基金利率、貼現(xiàn)率、非借入準備金項的殘差，對這個聯(lián)立方程組進行估計，就可以得到金融沖擊vs的估計值。但在中國這一模型缺乏適應(yīng)性，因為基準利率和貼現(xiàn)率受到嚴格管理，變化較小。

(二)隨機游走模型

Paudel的沖擊過程有以下三個方程決定[4]：

dt=dt-1+μt-τμt-1

mt=mt-1+ξt

這里，供給沖擊和貨幣沖擊被假定為純隨機游走模型，但這個模型只適應(yīng)于貨幣市場沖擊。

(三)條件異方差的方法

Driver和Moreton采用宏觀變量的標準差來對其進行衡量，相比于無條件標準差，條件異方差有著明顯的優(yōu)勢，因為它能夠很好地將歷史信息集納到分析框架中去[5]。而且，從數(shù)據(jù)的可得性角度，這一方式的原始數(shù)據(jù)大多只涉及宏觀變量本身。

國外目前對金融沖擊對實體經(jīng)濟的影響研究多在對宏觀經(jīng)濟的影響上。Alpanda等進行了更深入的研究，在新凱恩斯主義動態(tài)隨機一般均衡 (NK-DSGE)模型中引入金融沖擊，并對金融因素在宏觀經(jīng)濟波動過程中的作用進行了考察，研究結(jié)果顯示金融沖擊對產(chǎn)出波動影響顯著[6]。還有部分學(xué)者研究了金融沖擊與宏觀經(jīng)濟周期的關(guān)系。Choe等發(fā)現(xiàn)，股價發(fā)行是順經(jīng)濟周期的[7]，Jermann和 Quadrini發(fā)現(xiàn)凈股本發(fā)行是逆經(jīng)濟周期的[8]。而國內(nèi)研究大都是建立DSGE模型進行研究。鄢莉莉等建立了一個包含有若干種金融市場沖擊的模型來研究金融沖擊影響，結(jié)果顯示中國經(jīng)濟產(chǎn)出波動的1/4由金融市場沖擊導(dǎo)致[9]；王憲勇、韓煦建立一個包括技術(shù)沖擊和貨幣沖擊的RBC模型，并通過將模型經(jīng)濟的二階矩與現(xiàn)實經(jīng)濟二階矩的比較來評價模型的解釋力發(fā)現(xiàn)：模型經(jīng)濟中的產(chǎn)出、就業(yè)、通脹的波動與真實經(jīng)濟接近[10]；申琳通過構(gòu)建基于歐洲經(jīng)合組織國家的年度面板數(shù)據(jù)回歸模型、部分OECD國家季度面板數(shù)據(jù)的LSDV模型來討論失業(yè)率與貨幣供給之間的關(guān)系，分析發(fā)現(xiàn)兩者在統(tǒng)計上存在顯著的“U”型非線性關(guān)系[11]，這些研究只是把金融沖擊作為不確定性變量中的一個，并沒有單獨計算。

鑒于此，本文采用GARCH (1，1)模型來表示金融沖擊，并計算來自3個途徑的金融變量的條件異方差來反映金融沖擊情況，然后利用分析結(jié)果和上市公司面板數(shù)據(jù)，對金融沖擊對企業(yè)產(chǎn)出的影響進行了實證分析。

三、金融沖擊的度量

(一)GARCH模型與金融沖擊

由有限參數(shù)模型：

(3)

β1ht-1+…+βqht-q

(4)

其中α0>0，αi≥0，i=1，2，…，p，βj≥0，j=1，2，…，q，{εt}為i.i.d序列，εt～N(0，1)，且εt與{yt-1，yt-2，…，yt-p}獨立。由于金融變量隨時期的不同有很大的變化，預(yù)測的誤差在某一時期相對小，而在某一時期相對大，然后在另一時期又較小，這種變異很可能是由于市場的波動性易受謠言、經(jīng)濟沖擊、政府政策變動影響，從而說明預(yù)測誤差的方差中有某種相關(guān)性，這符合GARCH模型的特性，比如金融衍生產(chǎn)品定價B-S模型的解是連續(xù)時間變化的隨機過程，進行等距離離散化采樣所得的序列也恰好滿足GARCH模型[12]。所以，GARCH模型能夠很好地反映金融變量的特性，GARCH可以如下表達式計算：

(二)樣本數(shù)據(jù)特征

本文選取了貨幣供給因素沖擊、匯率沖擊、以及股市沖擊三個變量作為金融沖擊的三個途徑，具體選擇了M2(月度)數(shù)據(jù)、上證指數(shù)(月度)數(shù)據(jù)、匯率(月度)數(shù)據(jù)(人民幣對美元的直接標價法匯率)進行計算。數(shù)據(jù)來源于中華人民共和國國家統(tǒng)計局網(wǎng)站。樣本數(shù)據(jù)的趨勢見圖1所示。

圖1顯示了中國從1999—2016年M2供給的月度走勢。限于篇幅，最后的幾個月沒有顯示出來。從圖1可以看出，總體上，中國的M2一直呈現(xiàn)連年遞增的態(tài)勢，但中間增長的幅度也略有不同，這些波動我們就認為是反映了貨幣供給沖擊，但從這個走勢圖上不容易看出沖擊的細節(jié)。

圖1 M2供給量走勢圖(單位：億元)

圖2顯示的是1999—2016年所有交易日的每天收盤的上證A股指數(shù)，橫坐標是從1991年第1天開始的交易日，我們通過計算GARCH值時進行平均可以得到月度數(shù)值，進而也可以得到年度數(shù)值。從圖2可以看出，中國股市在樣本期間波動劇烈。從圖2中還可以看出，股指變動存在叢集性效應(yīng)，就是一次大的波動后往往會伴隨大的波動，而一次小的波動后往往也會伴隨小的波動，這個特性可以很好地用GARCH模型反映。

圖2 上證指數(shù)走勢圖

圖3顯示人民幣匯率走勢，人民幣匯率是按照直接標價法人民幣對美元的匯率，即100美元等于多少人民幣表示。這是月度數(shù)據(jù)，雖然圖3顯示人民幣匯率走勢比較平緩，但人民幣匯率波動對出口、資本流動和物價水平都有廣泛而深遠的影響，所以其沖擊的影響是很大的，但從圖3中也看不出沖擊情況。

圖3 人民幣匯率走勢圖

(三)金融沖擊分析結(jié)果

本文是樣本數(shù)據(jù)取對數(shù)后代入模型計算，得到的條件異方差值是用來表示金融沖擊的指標，圖4、圖5、圖6分別單獨給出了M2、股市和匯率波動的金融沖擊情況(限于篇幅未完全顯示)，與實際經(jīng)濟情況進行對比發(fā)現(xiàn)，GARCH模型很好地反映了樣本期間的金融沖擊。

圖4 M2金融沖擊圖

圖5 上證指數(shù)的金融沖擊圖(橫坐標為樣本期間交易日)

圖6 人民幣對美元匯率的沖擊圖

把日度、月度數(shù)據(jù)進行平均得到年度數(shù)據(jù)。計算結(jié)果如表1所示。其中，GARCH -M2、GARCH-SHINDEX、GARCH-EXR指標分別是通過計算貨幣供給量M2、上證指數(shù)和人民幣匯率的廣義自回歸條件異方差值。

表1 金融沖擊三個指標年度平均后的GARCH值

為了與現(xiàn)實的金融沖擊走勢進行對比，根據(jù)表1畫出折線圖(圖7)，可以看出，GARCH-M2刻畫的金融沖擊基本上捕捉到了中國這段時期重要的貨幣供給量變動，如2008年、2015年的天量基礎(chǔ)設(shè)施投資計劃。用上證指數(shù)度量的資本市場波動的沖擊也涵蓋了樣本年份中幾次重大的股市變動，包括2007、2008年的次級債危機傳遞過來的金融危機和2015年中國多次千股跌停的股災(zāi)等，匯率波動沖擊幅度比較小。

圖7 1999-2016年金融沖擊示意圖

四、實證檢驗金融沖擊對企業(yè)產(chǎn)出的影響

(一)樣本數(shù)據(jù)和分析模型

本文選取1999年1月至2016年12月，中國A股上市公司598家上市公司為樣本，選取原則主要是樣本指標數(shù)據(jù)全面且去掉無效數(shù)據(jù)，最終得到598家企業(yè)65 182個觀測值，樣本企業(yè)根據(jù)行業(yè)代碼的分布有：公用事業(yè)(002)企業(yè)有71個，房地產(chǎn)(003)企業(yè)有69個，綜合性(004)企業(yè)有34個，工業(yè)(005)企業(yè)有361個，商業(yè)(0006)企業(yè)有 63家，數(shù)據(jù)來自CSMAR數(shù)據(jù)庫和央行的網(wǎng)站。

根據(jù)理論分析，研究影響企業(yè)產(chǎn)出的變量還包括資產(chǎn)負債率，考慮到了企業(yè)規(guī)模、運營、盈利、成長性、行業(yè)等對產(chǎn)出的影響，控制變量選取了企業(yè)總資產(chǎn)、企業(yè)運營能力、盈利能力、成長性、托賓Q值、股東性質(zhì)、行業(yè)性質(zhì)。

首先利用樣本數(shù)據(jù)進行Hausman檢驗，可以得到chi2(7)=714.09，prob>0.000 0，所以采用固定效應(yīng)模型。再根據(jù)協(xié)變分析結(jié)果，本文用同時控制截面?zhèn)€體和時點的固定效應(yīng)模型來研究金融沖擊對就業(yè)的影響。

Opti，t=α0+α1FS+∑γiXi，t-1+∑λkTime+

∑λmFirm+εi，t

(5)

Opti，t=β0+β1FS+∑β2FS*Levi，t+

∑γiXi，t-1+∑λkTime+

∑λmFirm+εi，t

(6)

其中，被解釋變量OPTi，t為產(chǎn)出，F(xiàn)S為金融沖擊，包括基于貨幣供給、股市變動、匯率變動因素帶來的沖擊，F(xiàn)irm、Time分別為個體效應(yīng)和時間效應(yīng)，X為其他控制變量，所有指標數(shù)據(jù)均取對數(shù)處理，各個變量具體含義見表2。

表2 變量定義表

(二)指標的統(tǒng)計描述

各個指標的統(tǒng)計描述如表3所示，可以看出，來自貨幣供給的金融沖擊最大值與最小值差距不大，而來自股市的差距最大，匯率的差距最小，這可能與我們樣本中有2008年的次級債危機和2015年的股災(zāi)的樣本有關(guān)。

表3 描述性統(tǒng)計表

各個自變量的相關(guān)系數(shù)矩陣見表4。可以看出，各個控制變量的相關(guān)系數(shù)很小，互相之間不存在較強的共線性問題。來自于貨幣供給、股市和匯率波動的金融沖擊指標相互之間的相關(guān)性不強，說明這幾個指標可以互相彌補金融沖擊信息。

(三)實證結(jié)果及分析

根據(jù)模型(1)、(2)，利用樣本數(shù)據(jù)，整理得到結(jié)果見表5。由表5可以看出，不論是單獨的沖擊還是包含3種渠道的共同沖擊，都對企業(yè)產(chǎn)出有顯著的影響，貨幣供給和股市波動的金融沖擊會與公司產(chǎn)出負相關(guān)，表明由二者產(chǎn)生的沖擊會導(dǎo)致產(chǎn)出下降，貨幣因素金融沖擊在1%的顯著性水平下顯著，來自資本市場和匯率的金融沖擊在5%的顯著性水平下顯著，從系數(shù)看貨幣供給沖擊對產(chǎn)出影響最大，而表5中的匯率波動的金融沖擊系數(shù)卻為正，這可能跟本文選取的樣本年份中人民幣貶值趨勢為主有關(guān)。

表4 變量相關(guān)系數(shù)矩表

表5 金融沖擊對企業(yè)產(chǎn)出的影響表

注：模型I、II、III的FS依次為FS1、FS2、FS3，分別表示來自貨幣供應(yīng)量、股市和匯率波動的沖擊，模型IV包含了三種渠道，括號內(nèi)為聚類到企業(yè)的White標準誤；***表示1%水平顯著，**表示5%水平顯著，*表示10%水平顯著，下同。

從表5還可以看出資本結(jié)構(gòu)對產(chǎn)出的影響也在1%的顯著性水平下對產(chǎn)出的影響顯著，說明資本結(jié)構(gòu)也是影響產(chǎn)出的重要因素，但這還不足以證明假說一，為了進一步分析資本結(jié)構(gòu)在金融沖擊下對產(chǎn)出的影響，把交互項納入自變量進行分析，結(jié)果見表6。

表6 金融沖擊對企業(yè)產(chǎn)出的影響(有交互項)

注：交互項為金融沖擊指標與資本結(jié)構(gòu)相乘得到，模型I至III還是表示單獨沖擊，IV表示共同沖擊。

可以看出，I、III、IV模型的交叉項系數(shù)都顯著，表示在金融沖擊下，高負債率會進一步影響企業(yè)的產(chǎn)出，而單獨的股市波動沖擊下，交互項系數(shù)不顯著，說明在單獨的股市沖擊下資本結(jié)構(gòu)不會加重對產(chǎn)出的影響，這個原因也許是由于中國的股市波動與信貸供給有較強的關(guān)聯(lián)，而共同渠道的系數(shù)顯著，說明在幾個渠道共同沖擊時，高杠桿結(jié)構(gòu)會帶來更高的產(chǎn)出下降。

五、結(jié) 論

本文根據(jù)GARCH模型，利用來自貨幣供給M2、股市波動和匯率波動來度量金融沖擊，并與實際金融波動情況進行對比后發(fā)現(xiàn)：GARCH模型能夠很好反映樣本期間金融變量的沖擊情況，基本上全面反映了金融沖擊信息。然后，根據(jù)GARCH模型計算的結(jié)果，利用中國上市公司數(shù)據(jù)構(gòu)建一個面板數(shù)據(jù)模型，對金融沖擊對企業(yè)產(chǎn)出的影響進行了實證研究，結(jié)果顯示，金融沖擊會對企業(yè)產(chǎn)出產(chǎn)生顯著影響，但單獨股市波動的沖擊對就業(yè)影響不顯著；資產(chǎn)負債率較高的企業(yè)，金融沖擊會導(dǎo)致企業(yè)產(chǎn)出有更大的下降。

[1] Gordon，Donaldson.Voluntary Restruturing：The Case of General Mills[J].Journal of Financial Economics，1990，27(1).

[2] Angela Abbate，Sandra Eickmeier，Wolfgang Lemke，Massimiliano Marcellino.The Changing International Transmission of Financial Shocks：Evidence from a Classical Time-Varying FAVAR[J].Journal of Money，Credit and Banking，2016，48(4).

[3] Bernanke B S，Gertler M.Inside the Black Box：The Credit Channel of Monetary Policy Transmission[J].Journal of Economic Perspectives，1995(4).

[4] Paudel B.Money and Its Role of Income Stabilization：An Econometric Diagnosis[J].Journal of Polymer Science Part A Polymer Chemistry，2003，27(6).

[5] Driver C，Moreton D.The Influence of Uncertainty on UK Manufacturing Investment[J].Economic Journal，1991，101(409).

[6] Alpanda.International Transmission of Financial Shocks in an Estimated DSGE Model [J].Journal of International Money & Finance，2014，47(3).

[7] Choe，Hyuk，Ronald W，Masulis，Vikram Nanda.Common Stock Offerings Across the Business Cycle：Theory and Evidence[J].Journal of Empirical finance，1993，1(1).

[8] Jermann U，Quadrini V.Macroeconomic Eects of Financial Shocks[J].American Economic Review，2012，102 (1).

[9] 鄢莉莉，王一鳴.金融發(fā)展、金融市場沖擊與經(jīng)濟波動——基于動態(tài)隨機一般均衡模型的分析[J].金融研究，2012(12).

[10] 王憲勇，韓煦.技術(shù)沖擊、貨幣沖擊與中國經(jīng)濟波動——一個基于RBC模型的數(shù)值模擬[J].東北財經(jīng)大學(xué)學(xué)報，2009(2).

[11] 申琳.貨幣供應(yīng)量與失業(yè)率關(guān)系的實證研究[J].上海金融，2009(5).

[12] 杜軼群.基于GARCH族模型的信息沖擊對香港同業(yè)拆借市場的影響[J].統(tǒng)計與信息論壇，2015，30(5).