金融周期对宏观经济稳定的影响异质性分析

奥鹏网院作业

金融周期对宏观经济稳定的影响异质性分析*
王三川 范从来
[提 要] 宏观经济稳定长期以来作为中国宏观调控的重要目标，在“新常态”时期被更加广泛关注。金融稳定作为宏观经济稳定的必要条件，以洞悉金融周期为前提，要求细究金融周期变量对宏观经济运行的影响，为政策精准性提供支持。本文利用相关金融周期和宏观经济变量季度数据，使用滤波方法找出宏观经济的波动和平稳时期，运用机器学习算法验证所选输入变量与输出变量的匹配度，并测度各输入变量对输出变量的重要度。本文发现波动期和平稳时期宏观经济表现虽有不同，但资产价格指数和信贷水平对各宏观经济变量的重要度之和都达到50%以上，而其他金融周期变量如利差、杠杆率和金融机构风险暴露的重要度则有限。这表明相关政策需有的放矢，相较于无差别的大规模释放流动性，可将重心置于维护资产价格稳定和优化信贷政策配给，为宏观经济稳定保驾护航。
[关键词] 宏观经济稳定；金融周期变量；异质性；精细政策
一、引言
金融稳定作为宏观经济稳定的必要条件，长期以来为政府和学术界所关注。早在党的十七大报告就提出，加强和改进金融监管，防范和化解金融风险。党的十八大报告强调，完善金融监管，推进金融创新，提高银行、证券、保险等行业竞争力，维护金融稳定。党的十九大报告更是强调健全金融监管体系，守住不发生系统性金融风险的底线。加强和改进金融监管到健全金融监管体系，防范和化解金融风险到守住不发生系统性金融风险底线，这都反映了党和政府对金融风险的认识和监管实践与时俱进。特别是在次贷危机爆发后召开的党的十八大和十九大，直接提出了维护金融稳定的目标。党的十九大报告更是划定了“守住不发生系统性金融风险底线”的“红线”。不难发现，在“新常态”和“供给侧结构改革”时期，党和政府对于金融稳定的要求愈加深化和细化。
学术界一直强调宏观审慎、财政和货币政策在维护金融和宏观经济稳定中的作用。虽然这些政策组合所提供的调控手段很丰富，但现实中更多是以提供流动性的方式对宏观经济进行调控。大规模释放流动性在一定程度上可以缓解宏观经济波动，但政策实施往往会出现负面溢出效应(Hiebert et al.，2018)。这与“新常态”时期维护宏观经济稳定的需求并不匹配，其很难发现和判别真正引起宏观经济波动的因素是金融因素还是生产力因素。这就要求关注金融周期对经济周期的影响，捕捉金融周期变量(1)现有文献对金融周期的研究主要通过金融周期变量进行，或通过多个金融周期变量设定金融稳定指数(邓创和徐曼，2015；马勇等，2016；范小云等，2017)，抑或通过金融周期变量直接进行刻画(陈雨露等，2016；范小云等，2017；Hiebert et al.，2018)。归根到底这是对金融周期变量的测度。对宏观经济变量的作用，从而做到政策精准化，调节金融失衡现象，实现宏观经济稳定。虽然金融周期与经济周期出现了一定程度的分化，并有加剧的趋势(Hiebert et al.，2018)，但金融周期通过金融周期变量对经济周期的影响效应仍非常明显(Pontines，2017)。研究金融周期的目的在于维护宏观经济稳定。这就要求将金融周期与经济周期相结合进行研究，通过观测宏观经济的波动，推断金融周期变量的作用，以监测和适应“新常态”时期的形势变化。
国民收入持续增长(GDP)和物价稳定(CPI)是中国宏观调控的两个重要目标，其增长和波动与国计民生息息相关。通过滤波分析(2) 现有文献往往只使用一种方法对宏观经济变量进行滤波分析。本文使用了HP(Hodrick-Prescott)滤波、BP(Band-Pass)滤波和粒子滤波三种方法，三种方法去除趋势部分的方式虽有所不同，但仍发现不同滤波方法对GDP和CPI进行滤波得到的波动时期具有稳健性。发现(见图1)，自2004年第四季度以来，中国GDP和CPI出现了两个波峰和一个波谷。其波动集中于2007—2011年间，2007年第二季度之前和2011年第三季度之后则相对平稳。两个宏观调控目标的波动具有一致性，也与次贷危机后欧美金融混乱的时间高度一致。Borio(2014)指出，宏观经济学家如果不理解金融周期，就根本不可能理解经济波动及其政策挑战。由于刻画金融周期的变量较多，其特征差异明显。中国作为发展中国家，金融发展和市场化水平与欧美发达国家仍有较大的差距，其金融周期对经济周期影响的传导机制可能也存在差异。对欧美经济体的宏观经济影响重大的金融周期变量在中国可能并不那么重要。因此本文关注金融周期变量在中国样本区间对宏观经济稳定的影响，定量分析金融因素对宏观经济波动的重要度，为协调相关政策和提高政策精准度提供实证依据。

图1 GDP与CPI季度和年度增长率
资料来源：国家统计局网站年度数据和中国宏观经济时间序列数据库。该时间序列数据由美联储亚特兰大分行发布，其基准数据来源于国家统计局和中国人民银行统计数据，运用插值法经过季节调整得出季度数据。
为克服宏观经济变量和金融周期变量在频率上的差异，本文综合宏观和微观视角，采用季度数据，使时间序列数据能更精确地捕捉金融周期变量对宏观经济变量的影响。在此基础上，判定金融周期变量与宏观经济变量的匹配程度，定量分析波动时期和平稳期各金融周期变量对宏观经济变量的影响重要度水平，并分析现阶段在政策层面，政府为应对宏观经济波动需特别注意的金融周期变量。
本文的具体安排如下：第二部分为文献综述，总结既有金融周期变量对宏观经济变量的影响研究，为实证部分提供理论基础；第三部分为变量选择与匹配，收集相关金融周期变量和宏观经济变量，对两者之间的匹配度进行测度，说明金融周期变量的选择具有全面性和代表性；第四部分为金融周期变量的重要度分析，对数据进行处理，得出波动时期和平稳期各金融周期变量对宏观经济变量的影响重要度，发掘21世纪初(党的十六大之后)至2016年第三季度样本区间对宏观经济影响较大的金融周期变量，指出当前中国宏观审慎、货币和财政政策熨平金融周期的关键环节；第五部分为总结。
二、文献综述
随着对金融周期的深入研究，学者们发现仅从宏观角度对金融周期进行定性分析已难以监测金融周期对宏观经济的影响。在这种情况下，部分学者将目光转向金融冲击(Hiebert et al.，2018)。还有一部分学者则认为对金融冲击及其传导机制的过度关注忽视了金融周期的累积效应，对金融变量的长期趋势进行监测更为重要(Adrian & Liang，2018；Borio et al.，2019)。虽然学者们对金融周期的研究切入点有差异，但其着重点无论是金融冲击还是金融变量长期趋势，都是基于金融周期变量进行分析。根据现有文献，本文分别从资产价格、利差、杠杆率、信贷水平和金融机构风险暴露五类金融周期变量对既有研究进行综述，为金融周期变量选择和重要度分析提供理论基础。
(一)资产价格
1.房地产价格。20世纪70年代中期以后，在发达经济体的历次危机中，房地产泡沫破灭起到了至关重要的作用。面对这样的现实，一些有洞见的成果已涌现。Adelino et al.(2017)认为，投资者情绪会使房地产市场与信贷供给产生相互作用。即当乐观情绪蔓延时，初始信贷供给扩张会引致房价上涨。在买涨不买跌的心理作用下，房地产市场的旺盛需求推动了住宅投资，也刺激了金融机构降低信贷标准和扩大信用规模。随着市场对房价预期的持续向好，房价会进一步上扬。而当悲观情绪显现时，市场对房价的预期转为负面。在避险动机的驱动下，信贷供给和经济活动全方位收缩。这与Rünstler & Vlekke(2015)的发现具有一致性。
2.股票价格。Drehmann et al.(2017)在美国情景下分析了股市崩盘与金融经济混乱的关联。他们发现在股市崩盘后，随着货币政策的大幅放松，经济短期复苏，但很快就大幅下滑，造成了更严重的混乱。Pontines(2017)则认为股票价格往往以短周期特征显现，其与GDP波动的关系更密切，相较而言用信贷和房地产价格来刻画金融周期效果更佳。
(二)利差
利差对企业资产负债表的影响及其与实体经济间的负向特征已为早期经济学家所证实。随着研究的深入，特别是在次贷危机的影响下，研究重心逐渐转向银行体系。Gertler et al.(2017)指出，在经济低迷时期，银行资产负债表所表现出的疲弱可能会导致债权人的羊群效应或传染效应。当债权人匆忙挤兑、存款或债券的安全性变得难以识别时，信贷息差会出现高度非线性的陡增，导致资产价格和产出收缩。
(三)杠杆率
1.家庭杠杆率。Gertler & Gilchrist(2018)基于借款人的资产负债表处于不同状态时支出差异明显这个事实发现，支出差异的不对称性有助于解释在大衰退时期，资产负债表健康的家庭在房价下降时的消费反应要弱于资产负债表疲弱家庭的非线性现象。Mian et al.(2017)也得出了类似的结论，但他们更关注家庭杠杆率的作用。
2.企业与影子银行杠杆率。大衰退时期美国银行业危机所导致的就业和消费下降，对从银行借贷的企业影响较大。相较于未从银行借贷的企业，其就业率降幅更大(Chodorow-Reich，2014)。从2004年到大衰退期间，投资银行为了规避资本监管和获得信用评级机构的高评级，倾向于运作更高的杠杆率。其他类型的影子银行，如资产证券化运营商和金融企业，同样以高杠杆率造成了系统性风险的累积(Gertler et al.，2017)。
(四)信贷水平
Antonakakis et al.(2015)使用溢出指数方法考察了信贷增长和产出增长之间的动态相互作用。他们发现信贷增长与GDP增长之间具有双向溢出效应，并在极端经济事件期间内更显著，且随着时间演变，在国家间相当不均匀。
Kehoe et al.(2018)则认为企业在信贷紧缩后，消费会暂时下降。消费者在平滑消费时间接提高了商品的影子价格，拉升了企业的招聘成本，导致了雇用的减少。Kehoe et al.(2019)则通过建模发现雇用工人所付出的投资成本需要长期累积的人力资本收益流来弥补。当信贷紧缩时，收益难以匹配成本，此时企业缩减雇用支出，造成社会就业水平的下降。
(五)金融机构风险暴露
1.金融机构间风险暴露。Elliott et al.(2014)模拟了银行间贷款网络，关注行业或其他集团内部交叉持股的集中度。他们指出随着针对行业的交叉持股增加，特定行业更容易发生违约连锁反应，但其他行业违约连锁反应的可能性则降低。Glasserman & Young(2016)则发现在危机爆发前，资产逐渐集中于全球性金融机构。金融创新增加了企业和金融机构资产负债表的复杂度，使得市场对金融状况难以判断，不确定性加剧。银行披露资产会使债权人推断其他银行的状况，产生的多米诺骨牌效应可能会使整个金融体系失衡。
2.影子银行体系风险暴露。Gertler & Gilchrist(2018)指出，雷曼兄弟银行抵押品的不足导致美联储无法实施其“最后贷款人”职能。短期信贷的短缺直接导致了雷曼兄弟银行的破产。他们认为其他主要投资银行由于担心类似的脆弱性，为得到监管保护而与商业银行合并，其业务的收缩和信贷的收紧直接给经济带来了下行风险。
Krishnamurthy et al.(2014)研究了影子银行体系的另一个重要组成部分，即危机爆发后的回购市场。在回购市场上，借款人将证券作为抵押品获得隔夜贷款。当证券价值不确定时，特别是出现抵押贷款风险暴露的迹象时，部分债权人对证券丧失信心并退出市场。
Gertler & Gilchrist(2018)关注了资产证券化发行机构。他们认为随着机构所持抵押证券价值的下降，机构面临的融资成本会逐渐上升，这反过来提高了消费者证券化贷款的信贷成本，导致依赖抵押证券融资的住宅投资和汽车需求减少，金融危机向实体经济溢出。
综上，不难发现现有文献主要通过金融周期变量来刻画金融周期，探寻金融周期对经济周期的影响，并已涌现许多有洞见的实证成果。其中以利用美国数据的研究居多，利用欧盟、东亚和中国数据的研究也慢慢出现。近年对中国金融周期的研究主要从金融周期的测度、金融周期与货币政策的联系和金融周期对宏观经济的影响展开。(3) 对金融周期测度的研究包括朱太辉和黄海晶(2018)、王晋斌等(2019)；对金融周期与货币政策联系的研究包括崔建军和张冬阳(2019)、范从来和高洁超(2019)；对金融周期对宏观经济的影响的研究包括苗文龙等(2018)、方意和陈敏(2019)。相关研究正逐步细化，其理论基础的拓展研究也逐渐深入，并开始关注单变量金融周期的重要理论和实践意义。然而总的来说，金融周期变量选择的依据并不明确，更多只是研究某个或某类金融周期变量对宏观经济变量的影响，未判定所选择金融周期变量拟合宏观经济变量的完备性，也未挖掘各金融周期变量对宏观经济变量的影响重要度。因此本文根据相关文献，对金融周期变量进行梳理并分类，运用机器学习算法测度所取金融周期变量对宏观经济变量的拟合水平，得出各金融周期变量对宏观经济变量的影响重要度，并根据这些结论，为熨平金融周期的调控实践与维护金融和宏观经济稳定提供经验证据。
三、变量选择与匹配
(一)数据来源
本文宏观经济变量数据来源于国家统计局网站年度数据和中国宏观经济时间序列数据库。金融周期变量数据来源于国家资产负债表研究中心官网、Wind数据库、中国人民银行官网、国际清算银行(BIS)数据库和中国宏观经济时间序列数据库。所有数据均取名义值，且已经过季节调整，剔除缺漏值。考虑到数据可得性和时间一致性，本文选取2003年第四季度到2016年第三季度的季度数据。
(二)变量选择
本文为研究金融周期对经济周期的影响，用宏观经济变量来刻画经济周期，用金融周期变量来刻画金融周期，并将宏观经济变量作为输出变量，将金融周期变量和其他宏观经济变量作为输入变量。
1.宏观经济变量。为刻画中国经济周期状况，根据现有数据，本文选择了7个宏观经济指标变量(见表1)。这七个变量包含了中国宏观调控的主要目标，并将其分为四类(输出变量1～4)，包括产出、价格指数等社会大众所关注和关系到国计民生的重要指标。其中产出指标主要包括与国内生产总值(gdp)相关的变量，价格指数指标选择与群众生活联系紧密的消费者价格指数(cpi)，支出指标包括与技术和产业相关的资本形成总额(GCF)和与家庭消费相关的家庭消费支出(HHC)，就业指标为就业水平(Employment)。
2.金融周期和其他宏观经济变量。为刻画中国金融周期状况，根据现有数据，本文选择27个金融周期变量，并加入5个其他宏观经济变量(见表1)。本文将金融周期变量分为八类(输入变量1～8)，其他宏观经济变量分为两类(输入变量9～10)。金融周期变量包括了(但不限于)已有研究的相关变量。其他宏观经济变量则包括了金融因素以外的其他冲击。其中资产价格指数包括土地价格指数、上证指数(4)土地价格指数和上证指数数据来源于Wind数据库。取每年3月31日、6月30日、9月30日和12月31日的指数为其第一季度、第二季度、第三季度和第四季度的数值。和固定资产投资价格指数，分别代表土地、证券和固定资产的价格水平。利差包括一年期存贷款利差(5) 即一年期贷款利率和存款利率的息差。数据来源于中国宏观经济时间序列数据库。和短期回购利率差(6) 即七天回购率与一天回购率间的利差。数据来源于中国宏观经济时间序列数据库。，以此来表示融资溢价。杠杆率(7) 数据来源于国家资产负债表研究中心官网。包括5个指标，分别说明实体经济部门、家庭部门、非金融企业部门、政府部门和金融部门负债方的实时杠杆运营水平，也说明了这些部门的负债水平。信贷水平(8) 数据来源于Wind数据库和中国人民银行官网。既包括非金融企业新增短期和票据融资银行贷款/非金融企业新增中期和长期银行贷款与国内生产总值比值这样的比值变量，也包括了委托贷款规模、信托贷款规模、影子银行贷款规模和社会融资总量这样的数值变量，表明了社会融资水平。货币供应量选择了与社会经济发展联系更紧密的M2，并取其对数，代表了央行对货币供给的调控态度。金融机构风险暴露既包括金融机构的短期和中长期未偿还贷款总量，也包括商业银行的次级、可疑不良贷款余额和不良贷款余额损失，测度了金融机构和商业银行面临的经营风险和或有损失，反映了其经营状况。行业和部门授信水平(9) 货币供应量、金融机构风险暴露与行业和部门授信水平数据来源于中国宏观经济时间序列数据库。选择了房地产、重工业和轻工业部门新增贷款总额三个变量，测度了对特定行业和部门的信贷支持力度。
除了金融周期变量外，本文还加入了可能会产生影响的其他重要宏观经济变量(见表1)。这些变量包括重工业和轻工业部门净固定资产投资及平均名义工资、净出口支出和政府消费支出，反映了经济运行中可能出现的产业结构调整和劳动力成本、进出口差额和政府支出水平变动。
表1 本文变量名称及其含义

(三)输入变量对输出变量的匹配测度
为判定输入变量能否有效地拟合输出变量，为后文的重要度分析做准备，本节对两类变量进行分段，将2003年第四季度—2013年第三季度的数据作为训练集，2013年第四季度—2016年第三季度的数据作为测试集，使用神经网络方法中的支持向量机方法(support vector machine,SVM)进行训练。本文发现，金融周期和其他宏观经济变量对宏观经济变量的拟合效果较好，相对误差普遍较小，都在15%以下(见图2)。这说明这些金融周期和其他宏观经济变量能够作为输入变量较好地模拟输出变量。

图2 测试集相对误差
四、金融周期变量重要度分析
(一)方法说明
本文借助机器学习的决策树算法(XGBoost)和主成分分析法(PCA(10)运用主成分分析法(principal components analysis，PCA)也能得到类似的结论。主成分分析法作为最重要的降维方法之一，在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。其目标找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。读者如有需要，可向笔者索要。)来量化变量的重要程度，其中XGBoost作为一个监督模型，本质上是随机森林模型，通过不断迭代生成新的树，将大量树模型组合成一个高精度模型，再输入相关特征进行目标预测。其简要说明如下(Chen & Guestrin，2016)：
对于给定的有n个样本和m个特征的数据集D={(xi,yi)}(|D|=n,xi∈Rm,yi∈R)，树系统模型用K个可加函数来预测输出：

(1)
式中,F={f(x)=wq(x)}(q:Rm→T,w∈RT)表示一个表征决策树的函数空间，其中，T表示一个决策树的叶子节点数目。损失函数为：

(2)

(3)
式(2)中的树系统模型包含参数函数，难以在欧几里得空间中使用传统优化方法。加入ft以最小化损失函数：

(4)
利用泰勒展开来近似损失函数得到：
≈
+Ω(ft)
(5)
定义则目标函数变为：
+Ω(ft)
(6)
定义Ij={i|q(xi)=j}，根据方程(6)得：
(7)
=
+λT
(8)
由于q(x)有固定结构，可以计算叶子j的权重

(9)
带入目标函数获得：

(10)
式(10)可以用来计算树的结构q的得分，但通常情况下不可能列举出所有可能的树的结构q。利用贪心算法每一次尝试对已有的叶子加入一个分割，假设IL和IR是左右子树分数分割后的节点，令I=IL∪IR，分割后的损失函数为：

由上文不难发现，目标函数由训练损失和正则项组成。其中训练损失指标为均方误差或逻辑回归的对率损失(logistic loss)，评估了预测模型的效果；而正则项则控制着模型的复杂度，避免模型被过度拟合，两个指标的互相博弈保证了模型的预测效果及简洁程度。该算法在损失函数寻优过程中用到了一阶和二阶导数，并加入了正则项来控制过拟合问题，因此多重共线性对随机森林模型的预测能力影响较小，相对于主成分分析法的线性组合思想而言，XGBoost模型无疑具有更高的精确度。此外，主成分分析法比决策树算法所得结果更大，某一个变量和几个变量的重要度达到了90%以上，因算法原因，这些变量的作用可能被高估，且会磨灭一些变量对输出结果的影响。基于该模型的良好性质，本文选取该模型中的一个步骤，即根据样本的特征，判定各个变量在总体样本中的重要程度，并报告其相关结果。
(二)数据处理和分段
在做重要度分析之前，为度量不同输入变量对输出变量的影响，本文根据数值变量取增长率和比例变量取差值的原则对数据进行处理，测度变量的变动趋势，并以此来刻画波动。本文根据引言部分的滤波结果将2008年之前和2011年第二季度之后的样本区间作为平稳时期，将2008年至2011年第二季度间(两个波峰和一个波谷间)的样本区间作为波动时期。
(三)结果分析
本节将金融周期和其他宏观经济变量编码为f0～f31，考察波动和平稳时期输入变量波动对不同类别输出变量波动的影响，将7个输出变量分为产出、价格指数、支出和就业指标四个类别，找出在样本区间内对输出变量影响最大的输入变量，由此推断金融周期变量波动对宏观经济稳定的影响，探寻其规律，并发掘其政策内涵。
1.对产出波动的重要度分析。(11) 正文报告了相关变量波动对国内生产总值(gdp)波动的影响。相关变量波动对重工业部门国内生产总值增加值波动(gdpva_Heavy)和轻工业部门国内生产总值增加值波动(gdpva_Light)的影响与对国内生产总值(gdp)波动的影响类似，已省略。如有需要，可向笔者索要。将宏观经济变量的产出指标设定为国内生产总值(gdp)(见表2)，本文发现在整个样本区间内资产价格指数对gdp的影响平均重要度达到了36.44%，贡献率超过了三分之一，且在波动和平稳时期资产价格指数对gdp的影响都很大。其中在2008年之前的样本中重要度达到了41.4%，2011年第二季度之后的样本中则骤降到了27.33%。这可能是由于中国自次贷危机后的宏观调控较有效和进入“新常态”后经济运行相对平稳，对资产投资驱动经济增长的依赖降低，导致资产价格指数变量对gdp的影响重要度下滑。这也表明次贷危机后中国经济发展方式的转变。值得注意的是，土地价格指数在资产价格指数中重要度最高，且在波动时期的重要度有所增加。这可能与当时中国房地产市场的乐观情绪有关。房地产的乐观情绪直接反映在土地价格的波动上，并由土地价格的波动传导到房价，进而对产出的稳定产生影响。这一发现与Adelino et al.(2017)的发现有相同之处。超额准备率和委托贷款总量的影响也不容小觑。其重要度平均值分别达到了6.78%和6.63%，表明超额准备率和委托贷款对产出波动影响明显，货币当局降(增)准的实践对于熨平小规模的产出波动可能很有效果。
从变量类别来看，除资产价格指数对产出影响较强以外，信贷水平所起的作用也格外值得关注。其平均重要度达到了21.04%。这与Antonakakis et al.(2015)和Kehoe et al.(2018；2019)的发现类似。资产价格指数和信贷水平对gdp的影响平均重要度水平之和达到了57.48%(36.44%+21.04%)。这与Pontines(2017)的研究类似，表明在可能出现gdp不利波动的金融紧张时期，只需要通过保持资产价格和信贷水平平稳，就能在很大程度上平抑gdp不利波动，事半功倍。此外，被已有文献强调的利差(Gertler et al.，2017)、杠杆率(Gertler & Gilchrist，2018；Gertler et al.，2017)和金融机构风险暴露(Glasserman & Young，2016；Gertler & Gilchrist，2018)对gdp的影响并不大。各类别变量平均重要度分别为4.45%，7.55%和4.54%。这说明中国金融风险总体稳定可控，与欧美国家存在明显差异。这也表明若在中国贸然通过调节杠杆率(家庭、企业和银行)和金融机构风险暴露来应对产出冲击可能事倍功半，需谨慎处理。
表2 金融周期和其他宏观变量波动对gdp波动的重要度分析(%)

2.对价格指数波动的重要度分析。当宏观经济变量的价格指数指标设定为消费者价格指数(cpi)时(见表3)，发现在整个样本区间内资产价格指数对cpi的平均重要度达到了33.46%，贡献率达到了三分之一，且在波动和平稳时期资产价格指数对cpi的影响重要度相对平稳，稳定在三分之一左右。这说明资产价格指数一直以来对cpi都有显著影响。其中土地价格指数在资产价格指数中的重要度最高，并在波动时期的重要度有所增加，表明土地价格在经济紧张时对cpi的影响会加剧。这可能是因为土地价格波动会加剧价格传导，对价格总体水平产生影响。超额准备率和信托贷款总量的影响也很可观，其重要度平均值分别达到了5.57%和6.96%，表明超额准备率和信托贷款对价格指数波动的影响同样明显，在调节较小的不利价格冲击时，货币当局降(增)准的实践对于熨平价格水平波动可能事半功倍。
表3 金融周期和其他宏观变量波动对cpi波动的重要度分析(%)

从变量类别来看，除了资产价格指数对价格指数影响较强以外，信贷水平所起的作用也格外引人瞩目，平均重要度也达到了19.09%。这与Kehoe et al.(2018)的发现相近。资产价格指数和信贷水平对cpi的平均重要度之和达到了52.55%(33.46%+19.09%)，与对gdp的影响相比同样明显。这表明在可能出现cpi不利波动的金融紧张时期，只需要通过保持资产价格和信贷水平平稳就能在很大程度上平抑cpi不利波动。此外，利差、杠杆率和金融机构风险暴露对cpi的影响也很有限。12个变量的平均重要度之和仅为21.58%。这三类变量的调节成本过高，难度较大。
3.对支出波动的重要度分析。(12) 正文报告了对家庭消费支出(HHC)的影响。对资本形成总额(GCF)的影响与对家庭消费支出(HHC)波动的影响类似，因篇幅原因已省略。如有需要，可向笔者索要。当宏观经济变量的支出指标设定为家庭消费支出(HHC)时(见表4)，本文发现在整个样本区间内资产价格指数对HHC的平均重要度达到了31.73%，贡献率接近三分之一，且在波动和平稳时期资产价格指数对HHC的影响都很大。其中在2008年之前的样本中重要度之和达到了36.21%，2011年第二季度之后的样本则骤降至27.15%，呈现出随着时间推移而递减的趋势。这可能是因为随着中国居民收入的提高，家庭对资产的边际消费倾向递减，家庭消费支出水平在一段时期内变得更加平滑，短期内资产价格对HHC的影响变小。土地价格指数在资产价格指数中重要度最高，且在波动时期重要度水平有较大幅度的增加。这可能与波动时期房地产价格的暴涨对家庭消费支出产生不利冲击有关(Mian et al.，2017；Gertler & Gilchrist，2018)。超额准备率和委托贷款总量对HHC的重要度平均值分别为5.81%和5.59%。这表明超额准备率和委托贷款同样对支出波动影响明显。面对较小的家庭消费冲击时，货币当局降(增)准的实践对于熨平家庭支出水平波动同样可能会很有效果。
从变量类别来看，除了资产价格指数对HHC影响较强以外，信贷水平所起的作用也很可观，平均重要度也达到了20.78%。这与Gertler & Gilchrist(2018)的发现相似。资产价格指数和信贷水平对HHC的平均重要度之和达到了52.51%(31.73%+20.78%)。这与对gdp和cpi的影响相比也很明显。这表明为应对HHC不利波动，仍可通过保持资产价格和信贷水平稳定加以平抑。此外，利差、杠杆率和金融机构风险暴露对HHC的影响同样有限，平均重要度之和为22.81%，虽高于对gdp和cpi的影响，但结论类似。对杠杆率和金融机构风险暴露的调节涉及各经济主体和涵盖宏微观层面，且HHC关系到人民群众的基本福利，需进一步研究。
4.对就业波动的重要度分析。当宏观经济变量的就业指标设定为就业水平(Employment)时(见表5)，本文发现在样本区间内资产价格指数对Employment的平均重要度达到了35.38%，贡献率超过三分之一，且在波动和平稳时期资产价格指数对Employment的影响都很大。值得关注的是，在2008年至2011年第二季度的波动时期，资产价格指数对Employment的重要度由先前的34.61%增长到41.08%，而在2011年第二季度之后的平稳时期重要度则骤降到30.45%。这可能是因为中国在2008年至2011年第二季度间资产价格的上行(房地产价格和股票价格上涨)刺激了相关行业的发展，促使青年人大规模进入就业市场，进而引起就业水平的波动。超额准备率和委托贷款总量的重要度平均值分别为7.27%和6.27%。这说明央行对超额准备率和商业银行对委托贷款总量的调节，可能会通过控制融资规模对就业波动产生较大的影响。
表4 金融周期和其他宏观变量波动对HHC波动的重要度分析(%)

表5 金融周期和其他宏观变量波动对Employment波动的重要度分析(%)

从变量类别来看，除资产价格指数对Employment影响较强以外，信贷水平所起的作用也很可观，其平均重要度也达到了19.53%。资产价格指数和信贷水平对Employment的平均重要度之和达到了54.91%(35.38%+19.53%)，相较于对gdp，cpi和HHC的影响同样明显。这也表明在面对Employment不利波动时，只需要通过保持资产价格和信贷水平平稳就可能得以平抑。此外，利差、杠杆率和金融机构风险暴露对Employment的影响同样有限。这与对gdp，cpi和HHC的结论具有一致性，且平均重要度之和相对较小(18.42%)。
(四)小结
本文利用中国的时间序列季度数据，通过考察金融周期变量和其他宏观变量波动对宏观经济目标变量(gdp,cpi,HHC和Employment)波动的重要度，发现对于宏观经济目标变量，金融周期变量中的资产价格指数和信贷水平，起到了至关重要的作用(两者重要度之和超过50%)。这与Borio(2014)的发现具有一致性。
此外，利差、杠杆率和金融机构风险暴露的作用在本文中并不明显。其中利差对宏观经济的影响有限，这与Borio et al.(2019)的研究具有一致性。这可能是因为中国利率市场化推进时间较短(2015年10月取消存款上限)，利率管制放开不久，政策的制定和实施存在滞后性。杠杆率对宏观经济的影响较小则可能是因为中国居民、政府和金融等部门的杠杆率总体可控。金融机构风险暴露则刻画了金融机构未偿还贷款总量和不良贷款水平，其对宏观经济的影响较弱可能是由于当前中国金融机构的未偿还贷款与不良贷款水平纵向和横向比都不高，资产负债表状况较好，供给侧结构性改革和金融去杠杆所带来的负面外部效应也相对较小，爆发系统性风险的可能性较低。中国情境与国外学者的研究结果并不一致，相关研究还需要进一步深入。
五、结论与政策建议
本文通过从多个数据库选取宏观经济变量和金融周期变量刻画经济周期和金融周期，对宏观经济变量进行滤波分析，识别平稳和波动时期。本文应用机器学习算法，测度输入变量与输出变量的匹配度，并得出输入变量波动对输出变量波动的重要度。本文发现金融周期变量对宏观经济变量的影响重要度异质性明显。其中资产价格指数变量(房地产价格、上证指数和固定资产投资价格)和信贷水平变量对宏观经济变量的影响重要度最高，而利差、杠杆率和金融机构风险暴露等变量的作用则很有限。
从政策层面分析，长期以来学界和监管当局将金融周期视为经济周期的副产品，并认为只需在危机时加以调控即可，对金融因素的重视程度和认知水平有限，忽视了其对宏观经济稳定可能产生的影响。在中国这样的发展中国家，金融周期对宏观经济运行起到了重要作用，其对宏观经济稳定的影响意义重大。因此必须重视金融周期变量的作用，以资产价格指数变量和信贷水平变量为抓手，防范资产价格的泡沫化和信贷金融风险的累积，熨平金融周期，进而维护宏观经济稳定。这与Adrian & Liang(2018)的观点一致。面对金融市场的复杂性和政策时滞的客观性，通过逆风向释放流动性往往无能为力。将政策重心转移到金融周期变量，重点关注资产价格和信贷水平变量的波动。这样既能避免无差异释放流动性带来副作用，也能降低监管和调节成本与缩短政策时滞。在“新常态”背景下，找准重点的精准化政策可能更具有操作性和现实性。
参考文献
陈雨露、马勇、阮卓阳，2016：《金融周期和金融波动如何影响经济增长与金融稳定？》，《金融研究》第2期。
崔建军、张冬阳，2019：《货币政策、金融周期及其宏观经济效应》，《经济理论与经济管理》第1期。
邓创、徐曼，2015:《中美金融周期的协动性及其传导途径分析》，《世界经济研究》第11期。
范从来、高洁超，2019：《经济金融周期分化与中国货币政策改革的逻辑》，《社会科学战线》第5期。
范小云、袁梦怡、肖立晟，2017：《理解中国的金融周期：理论、测算与分析》，《国际金融研究》第1期。
方意、陈敏，2019：《经济波动、银行风险承担与中国金融周期》，《世界经济》第2期。
马勇、冯心悦、田拓，2016：《金融周期与经济周期——基于中国的实证研究》，《国际金融研究》第10期。
苗文龙、钟世和、周潮，2018：《金融周期、行业技术周期与经济结构优化》，《金融研究》第3期。
王晋斌、卢丽阳、时文东，2019：《中国金融与经济周期的测度与分析——兼论双重周期中的政策选择》，《经济理论与经济管理》第8期。
朱太辉、黄海晶，2018：《中国金融周期：指标、方法和实证》，《金融研究》第12期。
Adelino, M., A. Schoar, and F. Severino, 2017, “Dynamics of Housing Debt in the Recent Boom and Great Recession”, NBER Working Paper No.23502.
Adrian, T., and N. Liang, 2018, “Monetary Policy, Financial Conditions, and Financial Stability”, International Journal of Central Banking, 14 (1): 73-131.
Antonakakis, N., M. Breitenlechner, and J. Scharler, 2015, “Business Cycle and Financial Cycle Spillovers in the G7 Countries”, Quarterly Review of Economics and Finance, 58(11): 154-162.
Borio, C., 2014, “The Financial Cycle and Macroeconomics: What Have We Learnt?”, Journal of Banking & Finance, 45(8): 182-198.
Borio, C., M. Drehamn, and D. Xia, 2019, “Predicting Recessions: Financial Cycle versus Term Spread”, BIS Working Papers No. 818.
Chen, T., and C.Guestrin, 2016, “XGBoost:A Scalable Tree Boosting System”, In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA: ACM.
Chodorow-Reich, G., 2014, “The Employment Effects of Credit Market Disruptions: Firm-level Evidence from the 2008-9 Financial Crisis”, Quarterly Journal of Economics, 129(1): 1-59.
Drehmann, M., M. Juselius, and A. Korinek, 2017, “Accounting for Debt Service: The Painful Legacy of Credit Booms”, BIS Working Papers No. 645.
Elliott, M.,B. Golub, and M. O. Jackson, 2014, “Financial Networks and Contagion”, American Economic Review, 104(10): 3115-3153.
Gertler, M., and S. Gilchrist, 2018, “What Happened: Financial Factors in the Great Recession”, Journal of Economic Perspectives, 32(3): 3-30.
Gertler, M., N. Kiyotaki, and A. Prestipino, 2017, “A Macroeconomic Model with Financial Panics”, NBER Working Papers No. 24126.
Glasserman, P., and H. P. Young, 2016, “Contagion in Financial Networks”, Journal of Economic Literature, 54(3): 779-831.
Hiebert, P., I. Jaccard, and Y. Schüler, 2018, “Contrasting Financial and Business Cycles: Stylized Facts and Candidate Explanations”, Journal of Financial Stability, 38: 72-80.
Kehoe, P. J., V. Midrigan, and E. Pastorino, 2018, “Evolution of Modern Business Cycle Models: Accounting for the Great Recession”, Journal of Economic Perspectives, 32(3): 141-166.
Kehoe, P. J., V. Midrigan, and E. Pastorino, 2019, “Debt Constraints and Employment”, Journal of Political Economy, 127(4): 1926-1991.
Krishnamurthy, A., S. Nagel, and D. Orlov, 2014, “Sizing up Repo”, Journal of Finance, 69(6): 2381-2417.
Mian, A., A. Sufi, and E. Verner, 2017, “Household Debt and Business Cycles Worldwide”,Quarterly Journal of Economics, 132(4): 1755-1817.
Pontines, V., 2017, “The Financial Cycles in Four East Asian Economies”, Economic Modelling, 65(C): 51-66.
Rünstler,G.,and M.Vlekke,2015,“Business,Housing,and Credit Cycles”,Journal of Applied Econometrics,33:212-226.
HETEROGENEITY ANALYSIS OF THE IMPACT OF FINANCIAL CYCLE ON MACROECONOMIC STABILITY
WANG San-chuan FAN Cong-lai
(School of Economics, Nanjing University)
Abstract：Macroeconomic stability has long been an important goal of China’s macroeconomic regulation, and it has been more widely concerned during the “New Normal” period. As a necessary condition for macroeconomic stability, financial stability is predicated on the understanding of the financial cycle. This requires careful study of the impact of financial cycle variables on macroeconomic operation in order to support policy precision. This paper uses the relevant quarterly data of financial cycle and macroeconomic variables, applies the filtering method to find the fluctuant and stationary period of macroeconomy, utilizes the machine learning algorithm to verify the matching degree between the selected input variables and output variables and derives the importance of the fluctuation of each input variable to the fluctuation of the output variables. This paper finds that although the macroeconomic performances in the period of stability and volatility are different, the sum of the importance of the asset price index and the credit level on each of macroeconomic variables is more than 50%, regardless of the period of stability or volatility, while the importance of other financial cycle variables such as leverage and risk exposures of financial institutions are limited, which indicates that it is necessary to shoot the arrow at the target. Compared with releasing liquidity with a big scale, it can focus on maintaining asset price stability and optimizing credit policy rationing to achieve optimal results and escort macroeconomic stability.
Key words：macroeconomic stability; financial cycle variables; heterogeneity; refinement policy