陳 斐 龐欣茹

(浙江理工大學 a.經濟管理學院；b.區(qū)域與城市經濟研究所，杭州 310018)

提要： 社會融資規(guī)模逐漸成為衡量中國金融宏觀調控的重要指標。首先考察了中國社會融資規(guī)模變化與融資強度的短期調整情況，然后基于GDP核算的支出法，選擇2014—2019年24個季度時間段的省級數(shù)據(jù)，建立納入了融資強度變量的動態(tài)面板模型，采用系統(tǒng)GMM估計方法考察了區(qū)域融資強度調整對中國經濟增長的影響，并將全國樣本細分為兩類地區(qū)樣本分別展開實證研究，進而考察了區(qū)域融資強度調整在經濟增長中的貢獻效應。研究發(fā)現(xiàn)：在三種樣本情形下，融資強度對經濟增長均具有顯著性的正向促進作用，且這種促進作用呈現(xiàn)出“相對發(fā)達地區(qū)<全國<欠發(fā)達地區(qū)”的關系。對融資強度調整的經濟增長貢獻效應模擬分析進一步表明，區(qū)域融資強度的調整對經濟增長具有正向的貢獻效應，且這種貢獻效應在欠發(fā)達地區(qū)表現(xiàn)得更為明顯。

引 言

“社會融資規(guī)?！痹?010年年底中央經濟工作會議上被首次提出。隨后，2011年中國人民銀行首次發(fā)布了季度全國社會融資規(guī)模增量數(shù)據(jù)，并從2014年起按季發(fā)布地區(qū)社會融資規(guī)模增量數(shù)據(jù)。社會融資規(guī)模這一金融統(tǒng)計指標反映了國家從金融體系獲得的全部資金，全面反映了金融對實體經濟的服務能力[1]，也是中國在完善金融統(tǒng)計信息與統(tǒng)計制度方面做出的一種新探索[2]。近年來，中國政府針對經濟短期波動采取了積極的逆周期調節(jié)手段[3]，這其中也包括對社會融資規(guī)模增量的調整[4]。在中國，當經濟面臨重大沖擊時，政府部門往往會采取積極的貨幣政策或財政政策，以期維持經濟社會的健康穩(wěn)定[5]。2020年以來，中國政府對貨幣政策等宏觀經濟調控提出了更加清晰的要求[6]，社會融資規(guī)模增量也隨之出現(xiàn)了明顯的短期調整。當前，社會融資規(guī)模已成為衡量中國金融宏觀調控的重要指標[7]，地區(qū)社會融資規(guī)模也成為全面準確反映區(qū)域金融支持力度和區(qū)域資金配置能力的重要指標之一[8]。區(qū)域金融發(fā)展與經濟增長一直都是國內外學者研究的熱點話題，同時，探尋區(qū)域融資能力與區(qū)域經濟增長的關系，試圖從區(qū)域金融視角尋找驅動經濟增長的策略，也具有非常重要的現(xiàn)實意義。那么，社會融資規(guī)模增量調整及其強度是否對中國經濟增長具有顯著的促進作用？這種促進作用又是否表現(xiàn)出一定的區(qū)域異質性？這些都是當下值得解答的問題。

一、研究動態(tài)

在金融發(fā)展與經濟增長關系這個問題上，最早的文獻可以追溯到Bagehot[9]，他認為英國金融系統(tǒng)的完善增加了融資的便利性，在促進英國工業(yè)化及經濟增長中起到了關鍵作用。Patrick也提出金融發(fā)展與經濟增長之間存在因果關系[10]。在之后的研究中，大多數(shù)學者的研究都繼續(xù)支持了這一觀點，即金融發(fā)展對經濟增長有正向的影響[11-13]。談儒勇的研究表明在中國金融中介體發(fā)展和經濟增長之間有顯著的、很強的正相關關系[14]。曹嘯等采用格蘭杰因果檢驗法對中國金融中介發(fā)展與經濟增長之間的因果關系進行補充檢驗，研究結果表明金融發(fā)展是經濟增長的重要原因之一[15]。

同時，也有一些學者認為金融發(fā)展是一把“雙刃劍”，金融發(fā)展在促進經濟增長的同時，也帶來了一些風險，可能會誘發(fā)金融危機，進而危害實體經濟[16]。Krugman對金融發(fā)展可以促進經濟增長的觀點提出了質疑，他認為金融業(yè)的過度發(fā)展很有可能會引發(fā)金融危機，進而抑制經濟增長[17]。他的這一觀點也得到了部分學者的響應[18-20]，即金融發(fā)展對同一經濟體的經濟增長的促進作用存在一個閾值，超過該閾值，金融發(fā)展將不再對經濟增長產生積極影響，甚至可能會產生負面的影響。Lucas則認為金融發(fā)展和經濟增長之間沒有必然的因果關系[21]，經濟社會的發(fā)展不斷增加了對金融服務的需求，進而促進了金融業(yè)的發(fā)展，而不能說是金融發(fā)展可以促進經濟增長。

此外，一些研究也認為對金融發(fā)展與經濟增長的因果關系需要結合具體情況而具體分析，其在不同經濟體中可能會有不同的表現(xiàn)。Bangake等的研究表明二者之間的因果關系在低收入、中等收入和高收入國家之間存在顯著差異，在低收入和中等收入國家金融發(fā)展與經濟增長之間不存在短期因果關系，但在高收入國家經濟增長顯著影響金融發(fā)展[22]。Menyah等的研究表明金融發(fā)展對撒哈拉以南國家經濟增長的帶動作用非常有限[23]。黃憲等通過對包括英美、德國和法國3個法系共計98個經濟體面板數(shù)據(jù)的研究發(fā)現(xiàn)，不同法系下金融發(fā)展對經濟增長的促進作用及持續(xù)性也存在一定的差異[24]。

在社會融資規(guī)模這一指標提出之后，許多研究者也對其與經濟發(fā)展之間的關系展開了大量的研究。郭麗虹等利用門限回歸模型通過對中國31個省份月度數(shù)據(jù)的研究發(fā)現(xiàn)，增加社會融資規(guī)?？梢燥@著促進實體經濟的發(fā)展[25]。不過，社會融資規(guī)模對經濟增長的促進作用存在一定的門檻水平，即只有在一定限度內才可以促進經濟增長。張林等通過構建VAR模型驗證得出社會融資規(guī)模調整會促進實體經濟的增長，并發(fā)現(xiàn)在長期和短期內不同融資形式對實體經濟增長存在差異性[26]。大多數(shù)的研究都認為社會融資規(guī)模的增加對經濟增長存在一定的促進作用，但也有部分學者得出了不一樣的結論。楊薪燕運用ADF平穩(wěn)性檢驗、Johansen協(xié)整檢驗、Granger因果關系檢驗及脈沖響應等方法進行了實證分析，發(fā)現(xiàn)社會融資規(guī)模的增加并不能促進中國經濟的增長[27]。

筆者采用社會融資規(guī)模增量與GDP之比來表示全國融資強度或省級區(qū)域融資強度，并主要基于季度數(shù)據(jù)開展分析。在考察中國社會融資規(guī)模變化和融資強度的短期調整的基礎上，基于GDP核算的支出法，選擇2014—2019年共24個季度時間段的省級數(shù)據(jù)，建立納入了融資強度變量的動態(tài)面板模型，利用系統(tǒng)GMM估計方法來考察區(qū)域融資強度的調整對中國經濟增長的影響，并將全國樣本細分為兩類地區(qū)樣本分別展開實證研究；然后構建區(qū)域融資強度對經濟增長的貢獻率函數(shù)，考察區(qū)域融資強度調整在經濟增長中的貢獻效應。

二、中國社會融資規(guī)模變化與融資強度的短期調整

隨著金融改革的深化和金融體系的創(chuàng)新，融資工具逐漸多元化，證券、信托等非存款性融資力度加大，使得人民幣貸款比重逐漸下降。新增人民幣貸款已不能完整地反映金融體系對經濟增長的支持力度。“社會融資規(guī)?！钡恼Q生為探尋金融發(fā)展與經濟增長之間的關系提供了一個新的監(jiān)測分析指標?！吧鐣谫Y規(guī)模”是一個增量概念，兼具總量和結構兩方面的信息，不僅能全面反映實體經濟從金融體系中獲得的資金總額，而且能反映出融資結構與資金流向。此外，社會融資規(guī)模還提供了地域信息，用以全面反映融資狀況的地區(qū)差異。2016年起，中國人民銀行開始發(fā)布全國社會融資規(guī)模的存量數(shù)據(jù)，且迄今尚未發(fā)布省級數(shù)據(jù)。

(一)中國社會融資規(guī)模的變動趨勢

表1列出了2012—2020年中國社會融資規(guī)模增量及構成情況，可以看出，2012—2016年間社會融資規(guī)模增量雖略有波動，但整體上比較穩(wěn)定。2017年納入了政府債券項使得當年社會融資規(guī)模增量與2016年相比有了較大的提升，此后兩年也相對比較穩(wěn)定。2020年以來，中國政府出臺了一系列稅費減免和新增信貸等措施，銀行業(yè)和金融機構等加大信貸投放。2020年社會融資規(guī)模增量出現(xiàn)了比較大的攀升，全年社會融資增量達到34.79萬億，同比增長35.5%，增幅較2019年提高了21個百分點。其中，人民幣貸款、企業(yè)債券和政府債券與上年相比均有明顯的提高，同比分別增長18.6%、31.0%和76.3%，且這三項占社會融資規(guī)模增量的94%，其中，企業(yè)債券和政府債券占比達36%，為2014年以來的最高。

表1 2012—2020年中國社會融資規(guī)模增量及構成情況 億元

從總體上來看，銀行信貸依舊占據(jù)著半壁江山，2012—2020年人民幣貸款占比均超過了50%。2018年以來，信托貸款和委托貸款規(guī)模逐年大幅減少，該變化與規(guī)范融資監(jiān)管下房地產行業(yè)融資下降密切相關。而在寬松的貨幣政策的推動下，近年來企業(yè)債券和政府債券的規(guī)模穩(wěn)中有升，且占社會融資規(guī)模增量的比重相對較大，這也一定程度上對沖了委托貸款和信托貸款下降的影響。

(二)融資強度變化及短期調整

圖1直觀地反映了2012—2020年間中國融資強度的年度變化趨勢以及2020年以來的季度短期調整情況，其中，實線為2012—2020年中國融資強度的年度變化，虛線為2020年以來的季度短期調整。根據(jù)圖1可以看出，除2017年首次納入政府債券而導致融資強度大幅上升外，融資強度一直呈現(xiàn)比較穩(wěn)定的態(tài)勢。2020年中國政府增大信貸投放等舉措使得融資強度提高到0.34，為歷年來最高，且比2018年和2019年分別高出10個百分點和8個百分點。

圖1 2012—2021年中國融資強度的變化與短期調整

從2020年以來季度融資強度的短期調整來看，季度融資強度整體上明顯上升，2020年第一季度的融資強度高達0.54，這也是2012年以來首次突破0.5大關。隨著適時的短期逆周期調節(jié)政策陸續(xù)退出，社會融資規(guī)模逐季回落，融資強度也隨之下降，但整體上仍處于較高水平。除2020年第四季度以外，2020年前三個季度和2021年第一季度的融資強度均顯著高于2012—2019期間的歷年融資強度，2021年第二季度的融資強度也高于除2017年之外的同期歷年融資強度。

在中國，區(qū)域融資分布不均衡問題一直廣受關注，從區(qū)域層面上來看，融資分化明顯，區(qū)域融資能力也存在較大的差異[28]。地區(qū)社會融資規(guī)模是指一定時期內某一地區(qū)從金融體系中獲得的全部資金總額，該指標不僅可以全面準確地反映出金融體系對特定地區(qū)的資金支持情況，同時也可以反映出區(qū)域融資能力的不均衡現(xiàn)象。在本文的分析中，選用地區(qū)融資規(guī)模的季度數(shù)據(jù)以進一步分析區(qū)域融資強度對經濟增長影響的區(qū)域異質性。

三、模型設定、估計方法與變量說明

(一)模型設定與估計方法

通過考察區(qū)域融資強度調整對中國經濟增長的影響進一步分析區(qū)域融資強度調整在經濟增長中的貢獻效應。因此，有必要對經濟增長率給予更多的關注。本文采用動態(tài)面板模型探究區(qū)域融資強度調整對中國各省份經濟增長的動態(tài)影響，并考慮了經濟增長的一階或多階滯后項對當期經濟增長的影響。在具體模型設定時，本文基于支出法核算GDP的基礎上納入融資強度指標，構建了如下動態(tài)面板模型：

RGDPit=α+β1FINit+β2CRit+β3IRit+

β4RGDPi，t-1+εi+θt+μit

(1)

其中，RGDPit表示i區(qū)在時間t的GDP增長率，F(xiàn)INit表示i區(qū)在時間t的融資強度，IRit表示i區(qū)在時間t的固定資產投資總額的增長率，CRit表示i區(qū)在時間t的社會消費品零售總額的增長率，RGDPi，t-1表示GDP增長率的一階滯后，εi是省份固定效應，θt是季度固定效應，μit是隨機擾動項。

在式(1)中，由于包含了被解釋變量的滯后項RGDPi，t-1，可能導致模型內生性問題。在實證分析中，當采用傳統(tǒng)的隨機或固定效應模型時，估計的系數(shù)存在一定的偏差。因此，在本文的分析中考慮采用系統(tǒng)GMM方法進行參數(shù)估計，以保證估計結果的無偏性。較差分GMM估計而言，系統(tǒng)GMM估計避免了差分GMM估計量很容易受到弱工具變量的影響，在有限樣本下其估計效率也得到了一定的提高[29]。

在系統(tǒng)GMM估計過程中有必要對變量進行分類。在本文分析中，將固定資產投資總額的增長率IR和社會消費品零售總額的增長率CR設置為前定變量，融資強度FIN設置為外生變量。GMM估計量的一致性關鍵取決于是否滿足各項假設條件，主要需要進行兩個假設檢驗。首先，通過Arellano-Bond的自相關檢驗方法對誤差擾動項的二階序列相關進行檢驗。此外，隨著周期的增加，系統(tǒng)GMM默認生成了大量的工具變量，這可能會導致過度擬合，削弱模型設定檢驗[30]。為了防止過度識別，在命令中附加了“collapse”選項，可以極大地壓縮工具變量數(shù)。在Stata軟件中，有幾種不同的命令可以進行系統(tǒng)GMM估計，比如官方命令“xtdpdsys”和非官方命令“xtabond2”。官方命令“xtdpdsys”提供Sargan檢驗，而非官方命令“xtabond2”同時提供Sargan檢驗和Hansen檢驗。本文采用非官方命令“xtabond2”通過Hansen過度識別檢驗對所使用的工具變量的有效性進行檢驗。

(二)變量選取與數(shù)據(jù)處理

采用中國人民銀行公布的社會融資規(guī)模增量季度數(shù)據(jù)與其季度GDP之比來表示融資強度，用以反映金融對經濟增長的支持力度。為了能很好地刻畫社會融資規(guī)模增量調整及其強度對中國經濟增長的影響效應，本文采用實際季度GDP的同比增長率作為經濟增長的指標。此外，考慮到經濟增長存在一定的慣性，當期經濟增長會受到上期經濟增長的潛在影響。在本文的分析中，也納入了經濟增長的一階滯后項。從某種程度而言，經濟增長一階滯后項的納入，可以視為是對經濟增長影響分析中所有遺漏變量的綜合表達，以增強對經濟增長的解釋。

從支出法的角度來看，總產出水平Y=C+I+G+NX，消費C、投資I以及貿易進出口NX都對經濟增長具有十分重要的影響。從理論上講，省級貿易數(shù)據(jù)應該既包括國際(國外)貿易數(shù)據(jù)，又包括省際(國內)貿易數(shù)據(jù)，而在實際操作中很難獲得省際(國內)貿易數(shù)據(jù)，因此本文模型中沒有引入進出口相關變量。同時考慮到季度數(shù)據(jù)的可獲得性和口徑的問題，本文選用“投資變動率”和“消費變動率”作為研究變量，分別用固定資產投資實際變動率來衡量“投資變動率”，用社會消費品零售總額實際變動率來衡量“消費變動率”。

中國人民銀行自2014年起發(fā)布地區(qū)融資規(guī)模季度數(shù)據(jù)，且因2020年季度GDP總量波動大，故此最初擬考慮選取2014—2019年全國31個省份(不含港、澳、臺三個地區(qū)數(shù)據(jù))的季度數(shù)據(jù)開展分析。進一步對各省份融資結構分析時發(fā)現(xiàn)，西藏和青海兩個省份的政府債券占比過高①，因此在后續(xù)的實證分析中將這兩個省份從全國樣本中剔除②，選取了其余29個省份樣本單元2014—2019年的季度面板數(shù)據(jù)進行實證研究。此外，對GDP等變量消除了價格因素的影響；對于融資強度指標而言，由于是比值數(shù)據(jù)，價格因素同時對分子和分母施加影響，所以本文未做消除價格因素的處理。文中所涉及的數(shù)據(jù)均來自中國人民銀行和國家統(tǒng)計局發(fā)布的官方數(shù)據(jù)。

四、實證結果與分析

(一)回歸結果分析

為了更加準確地考察區(qū)域融資強度調整對經濟增長影響的地區(qū)差異，本文基于2014—2020年相對規(guī)模指標——全國人均GDP水平來衡量29個省份樣本單元的經濟發(fā)展水平③，將29個省份劃分成兩類地區(qū)，即相對發(fā)達地區(qū)和欠發(fā)達地區(qū)。具體而言，相對發(fā)達地區(qū)包括北京、天津、上海、江蘇、浙江、福建、山東、湖北、廣東、重慶等10個省，欠發(fā)達地區(qū)包括河北、山西、內蒙古、遼寧、吉林、黑龍江、安徽、江西、河南、湖南、廣西、海南、四川、貴州、云南、陜西、甘肅、寧夏、新疆等19個省。

表2分別列出了2014—2019年全國和兩類地區(qū)三種樣本情形下的描述性統(tǒng)計，從中可以看出，全國樣本的各項平均值和標準差均介于相對發(fā)達地區(qū)和欠發(fā)達地區(qū)兩類樣本之間。相對發(fā)達地區(qū)的經濟增長率(RGDP)的平均值明顯高于欠發(fā)達地區(qū)，且其標準差更小，這表明相對發(fā)達地區(qū)整體經濟發(fā)展優(yōu)于欠發(fā)達地區(qū)，且其各省份之間的經濟水平差距更小，發(fā)展更加均衡。而對于融資強度(FIN)而言，相對發(fā)達地區(qū)的平均值和標準差都略高于欠發(fā)達地區(qū)，這說明相對發(fā)達地區(qū)整體的融資強度更高，同時各省份之間的差異也較大。欠發(fā)達地區(qū)的消費變動率(CR)均值略高于相對發(fā)達地區(qū)，投資變動率(IR)則與GDP增長率有著相類似的特征，即相對發(fā)達地區(qū)的平均值高于欠發(fā)達地區(qū)，且其標準差更小，這同樣表明相對發(fā)達地區(qū)投資增長快于欠發(fā)達地區(qū)，且其各省份之間的差距也更小。

表2 描述性統(tǒng)計

表3列出了三種樣本情形下系統(tǒng)GMM方法的估計結果?？梢钥闯觯瑢τ谌珖鴺颖厩樾味?，融資強度(FIN)的系數(shù)為0.635，且通過了1%的顯著性水平檢驗；對于相對發(fā)達地區(qū)樣本情形和欠發(fā)達地區(qū)樣本情形而言，融資強度(FIN)的系數(shù)分別為0.606、1.081，且均通過了5%的顯著性水平檢驗。這表明了無論是在全國樣本情形下還是在兩類地區(qū)樣本情形下，融資強度對經濟增長均具有顯著的正向促進作用；且融資強度每提高0.1，三種樣本情形下的經濟增長率分別提高0.064(全國樣本)、0.060(相對發(fā)達地區(qū))和0.108(欠發(fā)達地區(qū))個百分點。此外，三種樣本情形下的IR系數(shù)均為正值，且至少在5%的顯著性水平上顯著；三種樣本情形下的CR系數(shù)也均為正值，對于全國樣本情形和相對發(fā)達地區(qū)樣本而言，也均通過了10%的顯著性水平檢驗。盡管在欠發(fā)達地區(qū)樣本情形下消費變動率(CR)未能通過顯著性檢驗，但無論是對于全國樣本還是相對發(fā)達地區(qū)樣本而言，模型的估計結果均具有比較強的解釋性，這表明采用的模型是比較合適的；對于欠發(fā)達地區(qū)樣本而言，模型的估計結果也具有一定的參考意義。進一步比較三種樣本情形下融資強度(FIN)的系數(shù)值大小，可以發(fā)現(xiàn)呈現(xiàn)出“相對發(fā)達地區(qū)<全國<欠發(fā)達地區(qū)”的關系，全國層面的系數(shù)值介于相對發(fā)達地區(qū)和欠發(fā)達地區(qū)之間；這大致表明，融資強度對相對發(fā)達地區(qū)的經濟增長促進作用相對更小，而對欠發(fā)達地區(qū)經濟增長的促進作用更為明顯。

表3 三種樣本情形下系統(tǒng)GMM的回歸結果

表3也顯示出在三種樣本情形下，RGDP(-1)的系數(shù)均為正值，且均通過了1%的顯著性水平檢驗，當期經濟增長與上一期經濟增長之間存在很強的正相關性，說明了中國經濟增長確實存在一定的慣性，這也表明了在模型中納入經濟增長的一階滯后項是可取的。此外，無論是在全國還是兩類地區(qū)的樣本情形下，AR(1)的P值都嚴格小于0.1，AR(2)的P值都大于0.1。這表明模型的隨機誤差項存在一階自相關而不存在二階自相關，通過了自相關檢驗。

(二)穩(wěn)健性檢驗

本文在實證分析中所采用的Stata非官方命令“xtabond2”，可以同時提供Sargan檢驗和Hansen檢驗。而當樣本量比較小時，Sargan檢驗拒絕原假設的能力可能很低[31]，過度識別檢驗多采用Hansen檢驗[32-33]。根據(jù)表3中的結果可以看出，三種樣本情形下Hansen檢驗所對應的P值均大于0.1，這說明工具變量的有效性基本通過了檢驗。

此外，進一步選用相對發(fā)達地區(qū)④的樣本數(shù)據(jù)，通過限制滯后階數(shù)的方法進行了穩(wěn)健性檢驗，結果見表4。從中可以看出，幾乎所有項的估計系數(shù)都在5%的水平上保持顯著，且在各種減少工具變量的情況下，系數(shù)估計值的變化相對較小，各項系數(shù)均在數(shù)值上也同樣保持了較好的一致性，這表明了模型的結果是穩(wěn)健的。

表4 限制不同滯后階數(shù)下2014—2019年相對發(fā)達地區(qū)的系統(tǒng)GMM估計結果

(三)區(qū)域融資強度及其調整對經濟增長的貢獻效應

圖2反映了三種樣本情形下2014—2019年融資強度對經濟增長貢獻率的變化情況。從中可以看出，無論是對于全國樣本而言，還是對于兩類地區(qū)樣本而言，2014—2019年間融資強度對經濟增長的貢獻率都呈現(xiàn)出季節(jié)性波動的特點，且整體上相對穩(wěn)定。從數(shù)值大小看，融資強度對經濟增長的貢獻率存在一定的地區(qū)差異，在欠發(fā)達地區(qū)樣本情形下融資強度對經濟增長的貢獻率大概在2.4～5.5個百分點之間，普遍高于在全國樣本情形下(1.6～3.3)和在相對發(fā)達地區(qū)樣本情形下(1.2～3.8)的貢獻效應。

圖2 三種樣本情形下2014—2019年融資強度的經濟增長貢獻率變化情況

利用模型中融資強度(FIN)系數(shù)的估計值β1(表3)，分別計算出三種樣本情形下2020—2021年各季度各省份融資強度貢獻項β1FINit的數(shù)值，同樣以各數(shù)值系列的中位數(shù)來近似表示某樣本情形下該季度區(qū)域融資強度對經濟增長的實際貢獻效應(簡稱實際貢獻效應)，具體見表5。從中可以看出，在三種樣本情形下，實際貢獻效應在整體上呈現(xiàn)出逐季減弱的季節(jié)波動性；且在欠發(fā)達地區(qū)樣本情形下，實際貢獻效應普遍高于全國樣本情形下和相對發(fā)達地區(qū)情形下的貢獻效應。

進一步測算出假定融資強度未調整狀態(tài)下的模擬貢獻效應⑤(簡稱模擬貢獻效應)，并將2020年以來6個季度的實際貢獻效應與其進行對比，利用二者的差值來表示區(qū)域融資強度調整對經濟增長貢獻效應(簡稱調整貢獻效應)。根據(jù)表5可以發(fā)現(xiàn)，三種樣本情形下的調整效應均為正值，且呈現(xiàn)逐季減弱的態(tài)勢；同樣，在欠發(fā)達地區(qū)樣本情形下，調整貢獻效應也普遍高于全國樣本情形下和相對發(fā)達地區(qū)情形下的貢獻效應。這表明區(qū)域融資強度的調整對經濟增長具有正向的貢獻效應，且這種貢獻效應在欠發(fā)達地區(qū)表現(xiàn)得更為顯著；此外，隨著融資強度調整力度的減弱，調整貢獻效應也在逐漸減弱。

表5 2020年以來三種樣本情形下季度融資強度調整的經濟增長貢獻效應分析

五、結論和討論

本文首先考察了中國社會融資規(guī)模變化與融資強度的短期調整，然后基于GDP核算的支出法，選擇2014—2019年24個季度時間段的省級數(shù)據(jù)，建立納入了融資強度變量的動態(tài)面板模型，采用系統(tǒng)GMM估計方法分別在三種樣本情形下具體考察了區(qū)域融資強度調整對中國經濟增長的影響與貢獻效應。主要研究結論如下。

第一，無論對于全國樣本還是兩類地區(qū)樣本而言，區(qū)域融資強度對經濟增長均存在顯著的正向促進作用，且區(qū)域融資強度對經濟增長的影響呈現(xiàn)區(qū)域異質性。在三類樣本情形下，融資強度每提高0.1，經濟增長率分別提高0.064(全國樣本)、0.060(相對發(fā)達地區(qū))和0.108(欠發(fā)達地區(qū))個百分點，呈現(xiàn)出“相對發(fā)達地區(qū)<全國<欠發(fā)達地區(qū)”的關系。模型分析結果也表明：模型具有較強的適用性，且在模型中納入經濟增長的一階滯后項是可取的。

第二，區(qū)域融資強度對經濟增長的實際貢獻率呈現(xiàn)出季節(jié)性波動的特點，且在欠發(fā)達地區(qū)樣本情形下這種貢獻效應相對更明顯，高于在相對發(fā)達地區(qū)樣本情形下和在全國樣本情形下的貢獻效應。對區(qū)域融資強度調整的經濟增長貢獻效應模擬分析也表明，2020年以來三種樣本情形下各季度融資強度調整的經濟增長貢獻效應均高于在假定融資強度未調整狀態(tài)下得到的模擬貢獻效應，且在欠發(fā)達地區(qū)樣本情形下，融資強度調整的貢獻效應也普遍高于全國樣本情形下和相對發(fā)達地區(qū)情形下的貢獻效應。

第三，2020年以來，社會融資規(guī)模進行了一系列的短期調整，季度融資強度整體上呈明顯上升態(tài)勢，且2020—2021年6個季度，三種樣本情形下的區(qū)域融資強度調整對經濟增長的貢獻效應均為正值。這表明在三種樣本情形下區(qū)域融資強度的調整對經濟增長都存在正向的貢獻效應。

金融是現(xiàn)代經濟的核心，新時代要重點把握金融發(fā)展與經濟增長之間的關系。一方面，金融業(yè)作為服務業(yè)可以直接貢獻實體經濟的產出[34]；另一方面，金融工具還是資源配置和經濟調控的重要手段。因此，提高區(qū)域金融服務能力，使金融發(fā)展更好地服務于經濟增長，實現(xiàn)金融同實體經濟的均衡發(fā)展。基于此，提出以下政策建議。

(一)合理調節(jié)融資差距，促進區(qū)域金融協(xié)調發(fā)展

提高區(qū)域金融服務能力，不僅可以為經濟增長提供原動力，還可以協(xié)調區(qū)域金融發(fā)展，助力解決區(qū)域發(fā)展不平衡問題。從總體上來看，中國區(qū)域金融分布不均，融資規(guī)模、融資強度的地區(qū)差異較大，金融資源的市場化配置使其更多流向了相對發(fā)達地區(qū)。而利用政府“有形的手”主動調節(jié)社會融資規(guī)模是一種非常有效的宏觀調控手段，而且這種調控效果在欠發(fā)達地區(qū)更為顯著。因此，通過中央轉移支付等手段適度加大對欠發(fā)達地區(qū)的融資力度，有針對性地提高部分地區(qū)的社會融資規(guī)模水平，可以從金融視角提出縮小區(qū)域經濟發(fā)展不平衡的策略，進而促進區(qū)域經濟協(xié)調發(fā)展。

(二)適當優(yōu)化融資結構，有效發(fā)揮多渠道融資功能

著力優(yōu)化融資結構，引入創(chuàng)新型融資工具，滿足多樣化的投融資需求。以銀行間接融資為主導的金融業(yè)的高速發(fā)展成為中國經濟增長的重要因素。隨著金融市場的不斷發(fā)展，金融體系的不斷完善，融資結構的調整和優(yōu)化對于深化金融體制改革、提高金融服務能力，促進經濟增長等都具有十分重要的意義。當下，為了充分發(fā)揮金融調控的有效性，必須同時關注融資結構的優(yōu)化升級和資金流向的靈活便捷。

第一，深入推進債券市場的創(chuàng)新發(fā)展，提高直接融資規(guī)模比重。在保持人民幣貸款這一主要融資渠道的基礎上，拓寬融資渠道，適當增加政府債券和企業(yè)債券等的融資規(guī)模，穩(wěn)步推進融資結構優(yōu)化升級。大力發(fā)展公司信用類債券，積極發(fā)揮優(yōu)質企業(yè)的直接融資功能，完善債券市場的發(fā)行注冊制度，加快知識產權證券化，提高企業(yè)債券的資金使用效率。

第二，適度調控資金流向，強化其產業(yè)引導功能。經濟金融化表現(xiàn)為金融資本通過投資信貸等手段介入產業(yè)資本，并控制產業(yè)資本的運行，進而影響實體經濟的發(fā)展[35]。加大政策傾斜和資金引導的力度，促使更多的金融資本流向經濟社會發(fā)展的重點領域，優(yōu)先發(fā)展社會生產中的關鍵技術和薄弱環(huán)節(jié)。同時，充分挖掘各地具有投資需求潛力的領域，探索建立相應的投融資激勵機制，因地制宜支持有較好發(fā)展?jié)摿Φ念I域優(yōu)先發(fā)展，重點把握各區(qū)域經濟增長的著力點。

(三)建立科學的融資評價指標，切實完善金融監(jiān)管體系

隨著金融市場的快速發(fā)展，理論研究與政策操作都需要能全面、準確地反映金融與經濟關系的統(tǒng)計指標。區(qū)別于傳統(tǒng)的貨幣供應量指標，社會融資規(guī)模建立在信用渠道的理論基礎之上，納入更加廣泛、多元的融資渠道，全面地反映了一段時間內實體經濟從整個金融體系獲得的資金支持。建立地區(qū)社會融資規(guī)模統(tǒng)計指標，有利于改善地區(qū)融資環(huán)境，增強金融與經濟間的良性互動，促進區(qū)域經濟結構的優(yōu)化和轉型升級，縮小區(qū)域經濟發(fā)展差距。同時，其豐富的結構化細分對政府的宏觀調控也具有一定的指示作用。為了金融工具能更好地發(fā)揮調節(jié)資源配置和服務實體經濟的作用，應進一步著力健全融資機制與指標監(jiān)測，完善中央調控手段和傳導機制，保持社會融資規(guī)模合理適度增長，強化金融體系的逆周期調節(jié)功能。

在推進金融改革進程的同時，尤其要加強區(qū)域金融風險的監(jiān)測，構建完善的金融監(jiān)管體系。一方面，從根本上防范和化解重大金融風險，統(tǒng)籌金融發(fā)展與金融安全，牢牢守住金融安全的紅線；另一方面，為實體經濟提供寬松穩(wěn)定的融資環(huán)境，引導金融資本有序流向實體產業(yè)，使其成為貨幣調控政策的有益補充，共同促進中國經濟社會的穩(wěn)定發(fā)展。

當前，中國經濟社會發(fā)展進入了新階段。在貫徹新發(fā)展理念、構建新發(fā)展格局的引領下，金融發(fā)展要始終以多元化為目標，以促進經濟協(xié)調增長為宗旨，建設和發(fā)展中國特色資本市場，調節(jié)區(qū)域融資差距，優(yōu)化區(qū)域融資結構，完善融資監(jiān)管體系，朝著效率優(yōu)先的方向進行改變，有效發(fā)揮融資規(guī)模及其調整對經濟增長的調節(jié)作用，從而推動經濟社會協(xié)調健康發(fā)展。

注 釋：

①2019年西藏全年社會融資規(guī)模增量為23億元，其中，政府債券增量為122億元，是社會融資規(guī)模增量的5.24倍；2020年青海全年社會融資規(guī)模增量為117億元，其中，政府債券增量為349億元，是社會融資規(guī)模增量的2.98倍。

②考慮到中國人民銀行公布的地區(qū)社會融資規(guī)模數(shù)據(jù)從2018年才開始細分出政府債券項，并僅對2017年以來社會融資規(guī)模數(shù)據(jù)進行了調整，因而無法全部將2014-2019研究時段內的政府債券從社會融資規(guī)模數(shù)據(jù)中剔除。故在本文中，將這兩個省份做剔除處理。

③參考發(fā)表在《中國工業(yè)經濟》2019年第1期的文章“偏離最優(yōu)公共—私人投資比對經濟增長的影響”中的方法，詳細解釋見官方網(wǎng)站(http：//www.ciejournal.org)公開附件。由于選取研究時段的不同，本文中的地區(qū)劃分結果與此文有所不同。

④在上文實證分析中，模型在相對發(fā)達地區(qū)樣本的擬合效果最好，故此首先選用了該樣本進行限制滯后期的檢驗。在全國樣本和欠發(fā)達地區(qū)樣本兩種情形下，估計出的各個系數(shù)在數(shù)值上也同樣保持了較好的一致性，除CR項未能通過顯著性檢驗外，其余各項均通過了顯著性檢驗。

⑤模擬貢獻效應計算過程如下：(1)首先根據(jù)前文對中國社會融資規(guī)模變動趨勢的分析，選用2018年和2019年的數(shù)據(jù)，得到各季度融資強度序列數(shù)據(jù)的中位數(shù)。(2)根據(jù)步驟1得到的各季融資強度的中位數(shù)，將這些中位數(shù)放在一起，得到一個數(shù)據(jù)系列。(3)考慮到融資強度的季節(jié)性，分季度計算步驟2數(shù)據(jù)系列的平均數(shù)，將其視作為調整未調整狀態(tài)下的季度融資強度。(4)計算出對應的β1FINit的數(shù)值，將其視作模擬貢獻效應的近似表達。