我国银行贷款促进宏观经济发展的有效性分析
时间：2021-02-25 04:01:45 来源：雅意学习网 本文已影响 人 
中图分类号：F830.5 文献标识码：A
内容摘要：本文以我国近年相关数据为样本，通过对指标数据的标准化处理，得到与银行信贷波动相关的12个宏观经济指标的无量纲指标，并采用时序全局主成分分析方法对指标数据进行了处理分析，得到我国1990年以来各年银行贷款对促进宏观经济发展的有效性的综合排名。在此基础上提取了影响贷款促进经济发展有效性的两个指标，分别是“宏观经济环境与结构因子”和“利率与通胀因子”，并对有效性较大和较小年份的经济指标和货币政策做了进一步的分析，由此给出政策建议。
关键词：银行信贷 时序全局主成分分析法 宏观经济发展
引言
要素供给、制度变迁和技术进步是经济增长的源泉，资金供应则是推动经济持续增长最重要的要素之一。改革开放以来，伴随着经济持续较快增长的是信贷规模的更快膨胀，信贷占GDP 的比重越来越大，金融对经济增长在规模上的支持力度不断加大，但信贷占GDP比重的加大是否意味着信贷资金的经济产出效率在不断下降，或称信贷效率趋于下降。其变动趋势由哪些因素主导？信贷对经济的支持作用究竟是随着信贷规模以及经济规模的扩张而提高还是降低？深入研究这些问题，有助于把握信贷投放与经济增长的本质关系，为制定金融业发展规划、促进金融业自身转型升级、推动经济发展提供决策参考。
时序全局主成分分析法是分析系统变化轨迹时常用的一种方法，它在经典的主成分分析法的基础上，用一个综合变量取代原有的全局变量，同时描绘出系统的总体水平随时间的变化轨迹（傅前瞻，2008）。Bernanke和Blinder（1988）指出，GDP与信贷的关系比其他变量更密切，信贷也比其他货币量更能作为经济活动的领先指标。谢平和罗雄（2002）的研究表明：贷款余额变化既是经济规模变化的原因，同时又是它的结果。宋汉光、张超群（2010）则基于浙江宁波地区的经济数据，采用因子分析法从信贷比GDP的角度进行实证检验，解释了该比率持续升高的原因。
评价指标体系构建
（一）数据分析
我国的GDP、信贷余额及货币广义货币供给近年来呈快速、同步的增长趋势，信贷的增长对GDP的增长有拉动作用。2010年我国银行业贷款余额占GDP的比重为历史最高，达119.4%。20世纪90年代以来，我国的信贷与GDP比率波动比较大，在1990-1994年间是下降的，其后两年开始上升，到1996年又开始下降直至趋于平稳，显著上升发生在2000-2004年，2005-2008年又经历了下降的过程，并降到100%以内。2008年之后有一个显著的上升过程，这主要是由于受金融危机的影响，为了刺激经济的复苏，我国实行扩张的货币和财政政策，使得货币供给量快速增加，同时信贷也随之大幅投放。
（二）我国信贷有效性的影响因素
一般来说，衡量我国信贷与经济发展关系的因素有国内生产总值、货币供应量、储蓄率、利率、通货膨胀率等。我国学者对这几个因素都有过详细说明。笔者认为，除了上述因素外，相关因素还有：
1.经济货币化程度。我国的货币供应量程度随着经济的快速发展不断提高，信贷可支持的范围不断扩大。货币化进程主要取决于两个方面：金融深化程度和经济制度变革。前者可用M2/GDP来衡量；后者在此主要指信贷政策的调整，信贷使用范围不断扩大，这里主要用基准利率和M2来表示。
2.进出口贸易。我国对外贸易持续顺差，外汇储备规模不断增大，使得因外汇占款导致基础货币的投放超过实际需求，这必然会对商业银行的信贷政策产生影响；从另一个角度来看，对外贸易的不断扩大使得企业对资金的需求增大，从而产生较大的信贷融资需求。可用外汇储备和出口总额分别衡量外汇占款和进出口贸易的影响。
3.其他因素。在这里还把其他一些关系金融业和宏观经济的数据作为指标来衡量信贷波动情况。我国商业银行的贷款直接来源于存款，居民储蓄率会对银行的放贷能力产生直接的影响。用全社会固定资产投资来衡量固定资产投资的增加对贷款的需求以及贷款对投资额变化的作用大小。
模型构建与实证分析
（一）变量选择和数据来源
根据上文的论述，考虑到统计数据的可得性，本文主要选取年末各项贷款余额L、国内生产总值GDP、金融业年增加值F、货币供应量M2、全社会固定资产投资I、国家财政支出总额G、外汇储备FER、股票发行额M、经济货币化程度M2/GDP、基准利率R、通货膨胀率π、储蓄率s共十二个因素作为变量指标。数据主要从各年《中国金融年鉴》、《中国统计年鉴》和中国人民银行网站等收集整理，数据范围1990-2010年。通货膨胀率π由π=CPI-100计算得。
（二）实证分析
由于所选12个指标的量纲不完全相同，故运用SPSS20对原始变量进行标准化处理，得到原始数据标准化之后的矩阵，用S1至S12分别表示标准化后的各项指标。然后对标准化矩阵中的12个指标进行主成分分析，得出相关系数矩阵、相关矩阵的特征值以及初始因子载荷矩阵，输出结果见表1、表2。
1.KMO和Bartlett检验。KMO和Bartlett检验的结果显示，所选数据的KMO值是0.756，大于0.7；近似方差754.161；球形度检验的显著性水平为0，达到显著；都表明数据适合进行因子分析。
2.基于主成分分析的实证检验结果。对12项指标的相关性检验结果显示，各指标均在5%的显著水平上通过皮尔松（Pearson）检验。GDP与通货膨胀率和基准利率两个指标存在负相关，相关系数分别为-0.607和-0.267。而GDP指标与其他9个指标的相关系数都大于0.8，显然指标间的相关关系显著。此外，其他变量之间的相关性也比较强，表明指标间存在信息重叠。因此，有必要用主成分法来消除这些变量之间的共线性。
主成分分析后的结果见表1，前两个主成分对应的特征值分别为9.705和1.655，均大于1，所以提取两个主成分。第一个主成分的特征值贡献率为80.872%，第二个主成分的特征值贡献率为13.790%，两者的累积贡献率为94.662%（>85%），表明前两个主成分的数值变化基本上包含了所有观察变量的信息。
