《企业杠杆率、金融波动与区域经济增长 ——基于区域结构视角的企业杠杆率研究-任晓怡.pdf》由会员分享，可在线阅读，更多相关《企业杠杆率、金融波动与区域经济增长 ——基于区域结构视角的企业杠杆率研究-任晓怡.pdf（11页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 广东社会科学 2018年第1期 企业杠杆率、金融波动与区域经济增长 基于区域结构视角的企业杠杆率研究任晓怡 黄 锐 祝 佳摘 要选取2010 2015年全国30个省级区域的企业部门杠杆率作为样本,使用空间杜宾面板数据模型(SDM)和空间回归模型偏微分方法,实证研究了我国企业杠杆率的空间结构及区域间的影响因素。研究结果表明,我国区域企业杠杆水平存在空间相关和异质性,但区域间杠杆变化的联动机制和影响因素错综复杂;具体而言,本区域的经济增长对本区域杠杆率有显著的抑制作用,对外区域的杠杆率有显著的提升作用,而金融波动的作用则恰好相反。基于此,通过添加经济增长和金融波动作为核心解释变量以及人口增长、
2、CPI等宏微观指标作为控制变量,进一步考察不同区域的企业高杠杆形成机制的相异性。最后,据此提出重视区域和行业差异、完善产业链去杠杆联动和构建区域企业去杠杆长效机制的政策建议。关键词企业杠杆 经济增长 金融波动中图分类号 F061 5 文献标识码 A 文章编号 1000 -114X (2018) 01 -0027 -11近年来,随着我国经济运行步入“三期叠加”阶段,前期债务驱动下经济高速增长所蕴蓄的各类风险逐渐凸显。其中,非金融企业部门杠杆率高企及其增速过快的问题已然受到社会各方面的高度关注。虽然党中央和国务院近年来一直将去杠杆,尤其是企业部门去杠杆作为经济工作的核心任务之一,更据此于2016年
3、9月22日颁布国务院关于积极稳妥降低企业杠杆率的意见,以期从根源上遏制企业杠杆率飙升的态势。但受限于国内外经济形势等多种主客观因素,截至2016年底,我国非金融企业杠杆率在连续两个季度持平或下降的趋势下仍高达166 3%。杠杆的本质是债务,因此企业杠杆率过高的根源在于其债务占比过高,使得资本结构偏离最优结72本文系国家自然科学基金面上项目“金融产业链效应与区域产业结构差异及其空间扩散的实证研究” (项目号71373056)、国家自然科学基金青年项目“区域经济关联与金融资源竞争的空间动态效应研究” (项目号71603059)及教育部人文社会科学研究青年基金项目“金融资源的空间扩散与锁定效应的区域
4、比较研究” (项目号13YJC790117)资助的阶段性成果。万方数据构,抬升企业的偿付风险和流动性风险。而由于最优资本结构是因行业、地区、所有制等因素不同而相异,其结构性不容忽视;加之中国本身就是一个结构性特征突出的经济体,因此总括性地讨论最优杠杆率和统一去杠杆可能有失偏颇,以结构视角对此问题进行探讨的重要性已然彰显。据此,本文则拟从企业杠杆率的区域分异视角,运用空间杜宾面板数据模型和空间回归模型偏微分方法,对区域企业杠杆率的空间关联性、其引致因素的空间异质性及其对不同区域的直接和间接影响进行探索,以期在区域关联和异质视角下,探讨企业部门杠杆率过高的主要成因并提供针对性的政策参考,具有一定的
5、理论和实践价值。一、文献回顾毋庸置疑,对“企业去杠杆”问题进行研究,不仅有助于规避经济下行过程中可能出现的系统性风险,而且有利于加快金融体制改革,具有较强的现实意义,因此一直是国内外学者的研究热点之一。其中,国外学者对企业杠杆的研究最早是从资本结构理论中派生出来的, Robichek& Myers (1966)通过增加MM定理的约束条件认为,企业通过杠杆债务融资虽然可以提升其市场价值,然而随着企业杠杆率的持续提升,其蕴蓄的风险也在悄然增大。而Minsky & Hyman(1979)则认为,当经济增速变缓乃至负增长时,企业未降低自身风险必然优先变卖资产偿还债务,随着企业杠杆率的普遍降低,有可能导
6、致“明斯基时刻”。 Mendoza & Terrones (2008)从企业杠杆的角度研究发现,经济繁荣将导致信贷扩张,企业总体杠杆率迅速提高;反之,经济衰退时信贷规模缩小,企业杠杆率则迅速下滑。 Fostel & Geanakoplos (2014)则基于抵押均衡理论进行研究,认为杠杆率是内生的,杠杆率随着波动率提高而提升,推高资产价格的同时也导致泡沫的产生。 Bouis et al (2013)的研究则基于金融降杠杆会导致家庭或企业部门的需求降低这一影响路径,探讨去杠杆化将导致信贷需求和供给的不稳定,进而引发金融危机。而国内学者对企业杠杆的研究显然更注重于中国的实际国情相结合,对我国畸高的
7、企业杠杆率的现状、成因和对策做出了大量的研究。学者们首先关注的是中国企业杠杆率水平和增速的测度,通过对不同行业、地区等企业特征属性的区分,描绘出中国企业杠杆率图谱。其中黄志龙(2013) 、中国人民银行杠杆率课题组(2014) 、李扬等(2015) 、马建堂等(2016)主要运用宏观杠杆指标(信贷/ GDP)对我国总杠杆和分部门杠杆水平和增速进行测算,虽因统计口径的差异导致测算结果有所不同,但其结论基本一致,认为我国企业杠杆率在国际横向比较中水平较高且近年来增速较快。但部分学者运用微观杠杆指标(负债/资产)却得出了不完全一致的结论,潘晶(2016)通过测算上市企业和非上市企业的资产负债比例认为
8、债务加快向上市企业聚集,非上市企业杠杆率不升反降;而在非上市企业中,中大型企业杠杆率仍趋上升,而中小企业资产负债率下降较快。综观已有文献,虽然国内外学者已经对企业杠杆、金融波动与经济增长的互动关系进行了许多有益的研究和探索,并取得了实质性进展,但至少在两个层面有待进一步深入研究。第一,迄今为止的既有研究大部分聚焦于宏观层面,然而总括性研究结论推而广之于区域层面是否适用则有待商榷,遗憾的是以区域为研究视角针对中国各地区企业杠杆进行研究的文献却相对匮乏。第二,各经济要素间的空间互动性是客观存在的,但现有文献大多基于传统的时间序列或面板的分析方法,难以判断本地区企业杠杆率和经济发展情况受到周边地区相
9、关因素影响的程度,并没有将空间因素纳入分析框架。较之既有文献,本文主要创新之处在于三方面:一是采用省级数据并82 万方数据基于区域层面进行分析,有助于部分弥补现有研究在此方面的不足;二是采取目前空间计量经济学中较为先进的空间面板杜宾模型(SDM)进行研究,与传统的空间计量模型相比, SDM模型能很好地防止遗漏变量偏误。在此基础上构建基于Delaunay三角剖分算法的空间权重矩阵,与许多学者所使用的二进制邻接矩阵相比,其优点在于能更好地量化要素间的互动关系和机理,更为科学地反映出空间扩散效应随着空间距离的加大而逐渐衰减的经济事实;三是运用空间回归模型偏微分方法,以有效识别空间溢出效应的强度和范围
10、,进而有效捕捉经济增长、金融波动以及各种经济变量对区域企业杠杆率的影响。二.模型设定与变量选择1.空间自相关检验空间计量经济学将空间效应纳入计量模型,解决了非空间计量模型忽略空间相关性进而导致的参数估计有偏问题。由于空间相关性的存在,各地区样本观测值不再服从空间上的独立随机分布,而是表现出互相依赖的关系。若样本观测值表现为空间正相关关系,则为空间集聚,反之则为空间扩散。通常采用Moran s I指数来验证空间相关性。MoranI = ni =1 nj =1Wij (Yi - Y) (Yj - Y)S2 ni =1 nj =1Wij(1)式(1)中, S2 = 1n ni =1(Yi - Y)。
11、 Wij为空间权重矩阵。本文计算Moran s I指数采用一阶邻接二进制权重矩阵,若两个地区相邻,则赋值为1,否则赋值为0。其数学表达式为:Wij = 1 if省域i与省域j相邻0 if省域i与省域j不相邻若Moran s I指数的取值范围落在 -1, 0)区间,则表明样本观测值呈空间负相关,存在空间扩散趋势,且取值越接近-1,扩散程度越高;若计算出的结果落在(0, 1区间,则表明样本观测值呈空间正相关,取值越接近1,集聚程度越高;若测算结果为0,则表明样本观测值不存在空间相关关系。本文首先对2010年至2015年的企业杠杆率进行Moran s I指数检验,对企业债务的估算采用各项贷款余额减去
12、住户贷款和政府负有责任偿还的债务中的贷款部分,再加上非金融企业的债券融资额。相关数据来源于wind数据库、人民银行及各地统计局。计算结果如表1所示:表1 企业杠杆率的Moran s I指数计算结果年份2010 2011 2012 2013 2014 2015Moran s I指数0 1749 0 1707 0 1697 0 1636 0 1779 0 2559Z值1 6724 1 631 1 6184 1 5665 1 6795 2 3157Z pro 0 100 0 113 0 116 0 128 0 100 0 027由表1可知,企业杠杆率的Moran s I指数从2010年至2015年均
13、呈现出空间相关性,虽然2011 2013年的显著性略低,但2015年的Moran s I指数显著性明显提升。总体而言,企业杠杆率从2010年至2015年的空间相关性不断增强,且呈现出空间正相关。2.空间面板数据计量模型由Moran s I指数的计算结果可知,企业杠杆率存在空间相关性。换言之,如果采用非空92万方数据间计量模型进行回归,参数估计将是有偏误的,因此亟需构建空间计量模型进行研究。当前最常见的空间计量模型有空间滞后模型(SAR模型)、空间误差模型(SEM模型)及空间杜宾模型(SDM模型)。 SAR模型主要用于研究被解释变量的观测值是否取决于其相邻地区的观测值及其空间异质特征,其空间异质
14、性由空间滞后项体现,数学表达式为:yit = + Nj =1Wijyit + Xit + i + t + it (2) N (0, 2)式(2)中, 为截距项, 为空间相关系数,用于度量不同地区间被解释变量样本观测值的空间关联程度。 Wij为空间权重矩阵,本文采用基于Delaunay三角剖分算法构造的权重矩阵,使用该算法构造的权重矩阵具有唯一、最接近、凸多边形外壳、最优等特性,能较为科学地反映地区间空间异质特征。 yit为被解释变量,其中i指的是第i个地区, t指的是第t年。 Wijyit为空间矩阵与被解释变量的内积,表示与地区i相邻地区的企业杠杆率观测值的加权平均数。 Xit为解释变量, 为
15、解释变量的系数。 it为随机扰动项。 i表示空间特质效应, t表示时间特质效应。空间误差模型的空间异质特征通过随机扰动项体现,考察误差冲击的空间异质性对地区间经济活动的影响,其数学表达式为:yit = + Xit + i + t + itit = Nj =1Wijit = uit (3)u N (0, 2)式(3)中, 为空间误差相关系数,用以度量地区间随机扰动项对被解释变量的空间影响。 Nj =1Wijit为空间误差滞后项,衡量地区间误差冲击对被解释变量影响的加权平均数。为残差扰动项。若同时考虑被解释变量与解释变量的空间异质特征,则应采用空间杜宾模型,其数学表达式如下:yit = + Nj
16、=1Wijyit + Xit + Nj =1Wij + xit + i + t + it N (0, 2) (4)在计量模型的选择上,空间计量模型的选择依据为两个假设: H0: = 0、 H0: + = 0,一般采用Wald检验与LR检验进行判断。若仅拒绝H0: =0,表明空间杜宾模型可以简化为空间误差模型;若仅拒绝H0: + =0,则空间杜宾模型能够简化为空间误差模型。若同时拒绝H0: =0、 H0: =0,则空间杜宾模型为最合适的空间计量模型,而不能简化成SAR和SEM模型。3.变量选择如前文所述,全国各省企业杠杆率的Moran sI指数计算结果表明其样本观测值不服从空间上的独立随机分布,
17、存在空间相关性。因此,本文拟选取2010年至2015年全国30个省、直辖市、自治区(西藏除外)的空间样本数据,以区域企业杠杆率作为被解释变量构建空间面板数据模型。在解释变量的选取上,本文重点分析企业杠杆率的空间异质性与经济发展及金融波动的空间互动关系,因此,在核心解释变量的选取上,拟采用GDP增长率作为代表经济发展的指标,而对金融杠杆波动指标则首先测算全国各省贷款余额与GDP的比值,然后对其求HP滤波,得到波动数值(VOL),再将波动数值取绝对值用以衡量金融杠杆的波动幅度。 VOL的绝对值越大,03 万方数据表明金融波动的幅度也越大,金融不稳定程度加剧,金融风险也就越高。在控制变量的选择上,分
18、别选取宏观、结构、金融、社会四个层面的影响因素作为控制变量。首先是宏观层面,使用通货膨胀率(CPI)与人均GDP作为控制变量(人均GDP与GDP增长率存在严重的多重共线性,因此当核心解释变量选择GDP增长率时,需要排除人均GDP);其次是结构层面,分别选用第二产业与GDP的比值、第三产业与GDP的比值和资本形成率;再次是金融层面,选取金融业增加值与GDP的比值来衡量;最后是社会层面,选用人口自然增长率。表2为各变量的基本描述,相关数据来源于wind数据库和各地区统计年鉴。表2 变量描述回归变量符号具体说明被解释变量企业杠杆率QYGGL反应各地方的企业杠杆率水平,该指标越大,企业杠杆率越高核心解
19、释变量GDP增长率GDPL反应各省区经济发展的水平,该指标越高表示经济发展越快金融杠杆波动VOL反应地区金融杠杆的波动程度,该指标越大表示金融产业越不稳定控制变量:宏观层面CPI CPI反应各省的通货膨胀率,衡量宏观经济的稳定情况人均GDP GDPR度量经济发展的水平,数值越大,经济发展水平越高控制变量:结构层面工业化程度2GDP区域第二产业与GDP的比值,该数值越大表明第二产业占比越高服务化程度3GDP区域第三产业与GDP的比值示,该数值越大第三产业占比越高资本形成率ZB用于衡量宏观资本结构,衡量货币资源的分配效率控制变量:金融层面金融业增加值占比JRGDP金融业增加值占GDP越高,金融发展
20、程度也越高控制变量:社会层面人口增长率RK反映2010年至2015年间人口增长速度,该数值越大,表明人口增长越快三、实证结果本文选取2010年至2015年变量面板数据,利用空间杜宾面板数据模型对企业杠杆率与区域经济增长及金融波动的互动关系进行回归分析,并考察其空间异质性与空间溢出效应。表3给出了以省域企业杠杆率为被解释变量, GDP增长率为核心解释变量,基于SDM面板数据固定时间效应与固定空间效应模型的回归结果。在模型1中,仅包含核心解释变量(GDP增长率),而模型2至模型5则依次加入宏观、结构、金融、社会层面的控制变量。由表3可知Hausman检验结果表明空间面板数据计量模型应选择固定效应,
21、而Wald检验与LR检验结果可以看出空间杜宾模型为最适合的空间计量模型。在加入核心解释变量GDP增长率后,从模型1至模型5中国各省区企业杠杆率的空间滞后变量系数均为负数,显著性也由模型1的5%显著性水平提升至模型5的1%显著性水平,这表明中国各省域企业杠杆率存在显著的空间扩散效应,且其扩散程度随着经济发展、产业结构改善、金融发展、社会进步等程度的提高而提升。换言之,随着经济社会发展,全国各省均存在企业杠杆率不断提高的趋势。从核心解释变量的回归结果来看,从模型1至模型5, GDP增长率的系数不仅数值逐步下降,且其显著性也从模型1的1%置信水平下显著逐渐下降至模型3的10%置信水平显著,再下降至模
22、型5已不再显著。表明当综合考虑经济社会发展、产业结构改变、金融业发展、社会人力资源优化等因素时,经济增长对区域企业杠杆率的抬升作用逐渐弱化。其原因在于企业的负债率出现了以规模、所有制、融资软约束等因素为界限的分化情形。而囿于数据的可得性,本文并没13万方数据有详细区分软预算约束企业与硬预算约束企业的负债情况,这就使得经济发展对企业杠杆率的回归结果显著性逐渐下降。从控制变量的回归结果来看,模型2至模型5中,本地区CPI系数显著为正,表明通货膨胀引起的物价上涨增加了企业运营成本,提高了企业负债水平,从而使得通货膨胀抬升了企业杠杆水平。模型5中本地区第三产业占比(3GDP)的系数显著为负,表明发展第
23、三产业能降低企业杠杆率。值得注意的是,第三产业中包含大量中小企业,这就另一个侧面反映我国中小企业难以获得融资贷款。本地金融业发展(JRGDP)的系数显著为负,且数值较大,表明金融业发展能较好地降低企业杠杆率。这可以从两方面解释,一方面说明当前大量资金并没有进入实体企业,而是在金融体系内自循环,资金盛宴并没有惠及实体经济。另一方面也说明随着金融业发展程度的提升,一些发展较好的企业得以从直接融资市场上获得融资,进而从根本上降低其企业杠杆率。从外地区控制变量系数来看,外地区资本形成率(W ZB)显著为正,表明吸引外地投资会促进企业杠杆率提高。吸引外地投资不仅可以使企业资金规模扩大,而且能够有效提高企
24、业竞争力,从而使企业有能力获得融资,进而提高企业杠杆率。表3 SDM空间模型回归结果 以GDP增长率为核心解释变量回归系数模型1模型2模型3模型4模型5QYGGL -0 331967 -0 392950 -0 601974 -0 614975 -0 598994 ( -2 547004) ( -3 005257) ( -4 690878) ( -4 804579) ( -4 670458)GDPL 0 261570 0 235253 0 194963 0 155624 0 124571(3 187690) (2 926750) (2 508726) (1 955549) (1 593518)C
25、PI 0 513381 0 416942 0 537578 0 413975(2 209984) (1 901836) (2 433824) (1 889816)2GDP -1 161142 3 742611 -7 460679( -0 098388) (0 306559) ( -0 602162)3GDP -20 091963 -9 805734 -24 429268( -1 581336) ( -0 727406) ( -1 758185)ZB -0 017540 -0 011707 -0 012432( -1 237681) ( -0 829650) ( -0 901835)JRGDP
26、-43 476898 -35 712103( -2 569553) ( -2 144422)RK 0 560593(3 219152)W GDPL -0 047640 -0 078588 -0 186455 -0 113294 -0 082911( -0 249241) ( -0 418456) ( -0 977522) ( -0 562812) ( -0 416596)W CPI 0 649095 0 632608 0 605849 0 567674(1 270751) (1 278558) (1 239293) (1 191074)W 2GDP 8 245522 23 766181 17
27、392217(0 301331) (0 834466) (0 608127)W 3GDP -42 219371 -19 204694 -25 682173( -1 287914) ( -0 529006) ( -0 708627)W ZB 0 047935 0 070827 0 059107(1 668522) (2 108776) (1 797045)W JRGDP -27 869332 -20 52455923 万方数据( -0 538349) ( -0 407581)W RK -0 082906( -0 201901)R-square 0 8462 0 8545 0 8757 0 880
28、4 0 8866sigma2 1 1832 1 1200 0 1249 0 9203 0 8727Hausman test-statistic 14 037 27 1451 2 1345 5 7139 18 0718Wald spatial lag 0 0621 1 6830 19 2656 20 5074 18 9119LR spatial lag 0 0705 1 6291 15 8295 16 4679 14 9758Wald spatial error 0 4972 1 3241 15 7207 16 4029 15 8112LR spatial error 0 4633 1 2718
29、 14 0641 14 4918 13 7259注: 10%、 5%、 1%置信水平分别用 、 、 表示;括号内为变量系数的Z值表4给出了基于空间杜宾面板数据固定时间效应与固定空间效应模型,以省域企业杠杆率为被解释变量,金融杠杆波动为核心解释变量的模型回归结果。在模型6中,仅包含核心解释变量,而模型7至模型10则依次加入其他控制变量,即宏观、结构、金融、社会层面的控制变量。Hausman检验结果表明空间面板数据计量模型应选择固定效应,而Wald检验与LR检验结果表明应采用空间杜宾模型。在加入核心解释变量金融杠杆波动后,模型6至模型10中国各省区企业杠杆率的空间滞后变量系数均为负数,显著性也逐步
30、提升。在受到金融杠杆波动影响的情况下,中国各省域企业杠杆率存在空间上的扩散效应,并且其扩散程度随着经济发展、产业结构改善、金融发展、社会进步等程度的提高而提升。从核心解释变量系数的回归结果来看,金融杠杆波动的系数由模型6至模型10均不显著,表明金融杠杆波动所引起的风险并没有对企业杠杆率造成显著影响。这也从侧面表明资金只有少量流向实体经济,金融波动所产生的风险并没有对企业负债造成显著影响,金融“脱实向虚”。从控制变量系数的回归结果来看,从模型6至模型10本地区通货膨胀(CPI)系数显著性水平呈现出先上升后下降的趋势,特别在模型9其通过了1%水平下的显著性检验,但在模型10中,显著性水平下降至10
31、%。表明在考虑金融波动时,通货膨胀能显著提高企业杠杆率,但是综合社会经济发展水平、产业结构调整、社会人力资源优化等因素时,显著性会有所下降,这就意味着货币超发所引起通货膨胀使得资金没有流入实体企业,金融对实体企业没有支持起到支持作用。这一点从金融业发展(JRGDP)系数也能得知, JRGDP系数的值较大,模型10达到了-37 732718,通过了10%水平下的显著性检验。在模型10中,人口自然增长率通过了1%水平下的显著性检验,表明在发生金融波动时,较大的金融风险使得企业盈利能力下降,对人力资源的需求也同步缩减,不得不通过负债手段维持企业运行。表4 SDM空间模型回归结果 以金融杠杆波动为核心
32、解释变量回归系数模型6模型7模型8模型9模型10QYGGL -0 359975 -0 502943 -0 670969 -0 622979 -0 605973 ( -2 756114) ( -3 852618) ( -5 258233) ( -4 862127) ( -4 720365)VOL -0 255972 2 321145 4 269761 2 419729 3 674840( -0 082681) (0 757612) (1 445503) (0 813006) (1 258390)GDPR 0 172611 -3 966939 -4 737951 -3 882797(0 07259
33、7) ( -1 420329) ( -1 658944) ( -1 390288)33万方数据CPI 0 576357 0 511014 0 599860 0 485262(2 421435) (2 258741) (2 686303) (2 205531)2GDP 3 825505 6 430915 -5 932100(0 312268) (0 516010) ( -0 468340)3GDP -20 418469 -11 425112 -27 600387( -1 595122) ( -0 826190) ( -1 931048)ZB -0 008758 -0 002025 -0 0052
34、28( -0 588018) ( -0 136718) ( -0 361492)JRGDP -50 256825 -37 732718( -2 933445) ( -2 209705)RK 0 588625 (3 339081)W VOL 4 394610 -1 353587 -2 263670 -1 600448 -3 298342(0 943877) ( -0 241262) ( -0 398679) ( -0 288033) ( -0 606261)W GDPR 9 638609 6 355791 8 190983 5 879325(1 908328) (1 008754) (1 315
35、105) (0 964316)W CPI 0 727248 0 712434 0 643090 0 565829(1 319688) (1 355534) (1 245180) (1 127420)W 2GDP -16 948224 -0 135188 -0 851261( -0 544064) ( -0 004272) ( -0 026873)W 3GDP -61 097215 -39 983426 -44 337930( -1 820974) ( -1 068282) ( -1 178547)W ZB 0 018838 0 030869 0 026021(0 548965) (0 7922
36、18) (0 686617)W JRGDP 14 007462 16 415398(0 268040) (0 321928)W RK -0 124434( -0 305359)R - square 0 8398 0 8581 0 8753 0 8804 0 8871sigma2 1 2332 1 0919 0 9599 0 9203 0 8690Hausman test-statistic 42 6653 47 0344 93 3155 7 2083 16 7686Wald spatial lag 0 8909 6 8119 17 8772 19 2694 16 8362LR spatial
37、lag 0 8862 6 3056 13 9330 16 0701 13 8147Wald spatial error 0 6513 3 8964 11 3607 13 7182 13 2899LR spatial error 0 6459 3 7773 9 8565 12 4503 11 7726注: 10%、 5%、 1%置信水平分别用 、 、 表示;括号内为变量系数的Z值四、空间溢出效应当计量模型纳入空间影响因素时,参数因包含了空间异质性信息进而使得解释变量对被解释变量的影响变得复杂。 Lesage & Pace (2009)提出空间回归模型偏微分方法,能够用直接效应、间接效应、总效应来
38、度量不同地区之间的空间溢出效应。直接效应是本地解释变量对本地被解释变量的平均影响;间接效应是本地解释变量对外地区被解释变量的平均影响;总效应是本地解释变量对全系统被解释变量的平均影响。其数学推导如下:43 万方数据Y (I - W) = + X + WX + (5)则整理得:Y = kr =1P (W) xr + Q (W) + O (W) (6)式(6)中, P (W) = Q (W) (I + W), O (W) = (I - W) -1。然后上式可以改写为矩阵形式:y1y2Myn= kr =1P (W)11 P (W)12 L P (W)1nP (W)21 P (W)22 L P (W)
39、2nM M M MP (W)n1 P (W)n2 L P (W)nnx1rx2rxnr+ Q (W) (7)变量y1对xir的偏导数yixir= P (W)it衡量直接影响,其他元素为间接效应, P (W)矩阵中所有元素的均值表示总效应。空间溢出效应回归结果如表5表6所示。表5 空间溢出效应回归结果 以GDP增长率为核心解释变量直接效应Z间接效应Z总效应ZGDPL 0 141940 1 647591 -0 114784 -0 768491 0 027157 0 204128CPI 0 398502 1 568902 0 216340 0 543871 0 614842 1 9687432GDP
40、 -10 043523 -0 812663 15 603837 0 768333 5 560314 0 2610113GDP -23 622852 -1 747177 -9 095674 -0 368361 -32 718526 -1 197280ZB -0 018494 -1 192017 0 047632 1 762703 0 029138 1 388257JRGDP -35 079840 -1 978459 0 966126 0 026910 -34 113715 -0 980976RK 0 607208 3 109027 -0 314891 -1 024379 0 292317 1 0
41、23497注: 10%、 5%、 1%置信水平分别用 、 、 表示;括号内为变量系数的Z值表6 空间溢出效应回归结果 以金融杠杆波动为核心解释变量直接效应Z间接效应Z总效应ZVOL 4 297210 1 242365 -4 051156 -0 849923 0 246054 0 090693GDPR -4 915083 -1 487458 6 076636 1 163473 1 161553 0 322041CPI 0 453164 1 828989 0 208940 0 517786 0 662104 2 0506692GDP -5 966891 -0 452475 2 226875 0 0
42、98159 -3 740017 -0 1580643GDP -24 785622 -1 749480 -20 260803 -0 770408 -45 046425 -1 533523ZB -0 007211 -0 454934 0 021163 0 711036 0 013953 0 597927JRGDP -41 500940 -2 391828 29 516539 0 806474 -11 984401 -0 331506RK 0 633344 3 332666 -0 341556 -1 111293 0 291788 1 050730注: 10%、 5%、 1%置信水平分别用 、 、
43、表示;括号内为变量系数的Z值由表5及表6可知GDP增长率的效应显著为正,表明本地区经济增长能提高企业杠杆率。经济增长提升了企业的盈利水平,扩大企业资产规模,进而使得企业能够获得更多融资。通货膨胀率的系数显著为正,货币超发所引起通货膨胀使得企业融资利率随之上扬,企业盈利能力下降,库存挤压较多,企业不得不提高负债水平来维持企业的正常运转。第三产业发展、金融业发展直接效应的系数显著为负,表明发展第三产业与发展金融业会降低企业杠杆率。这是由于资金没有进入实体企业,金融“脱实向虚”,而第三产业中含有大量中小企业,这些中小企业难以获得融资,从而使得第三产业与金融业发展反而降低了企业杠杆率。人口自然增长率的
44、直接效应系53万方数据数均显著为正,表明人口增长带来的“人口红利”能降低企业用工成本,提高企业的盈利水平,企业得以更容易获得融资,进而抬升其杠杆率水平。五、结论与政策建议本文采用30个省(西藏除外)的企业杠杆率与经济发展及金融波动的面板数据,通过构建空间计量模型,实证研究企业杠杆率对经济发展及金融波动之间的空间异质性关系,得出以下结论:一是受到经济增长与金融波动影响后,我国各省域企业杠杆率没有呈现出空间集聚,即企业杠杆率高企现象并没有出现在某个省份,而是全国普遍存在,并且高杠杆率的省域呈不断增多之势。二是第三产业发展与金融业发展能降低企业杠杆率水平。金融业发展有利于降低企业杠杆率水平可以从两方
45、面解释,一方面说明随着金融改革深化和金融体系进一步完善,部分具有较好发展前景的企业得以从多层次资本市场直接获得融资,而不是仅仅依赖传统的间接融资市场,这就从根本上降低了企业杠杆率水平。另一方面说明随着金融业发展,大量资金在金融体系内空转,资金盛宴并没有惠及实体经济,故此金融业发展反而降低了企业杠杆水平。特别在第三产业中含有大量中小企业,而这些企业普遍存在“融资难融资贵”问题,这就使得第三产业发展反而降低了企业杠杆率。三是人口增长能提升企业杠杆率水平。这是因为人口增长带来的红利有利于降低企业用工成本,改善企业盈利能力,使企业能够更容易获得银行融资。换言之,人口增长所带来的人口红利间接提升了企业杠
46、杆率。综上所述,中国各区域间企业杠杆率水平存在显著的空间相关和异质性,其区域结构不容忽视,且区域间企业杠杆水平和经济增长、金融波动之间的影响机制错综复杂。因此,决策层应根据区域杠杆结构特征、经济结构调整进度和金融稳定程度制定差异化政策,具体政策建议如下:第一,开展深入调研,探索测算企业的行业杠杆风险阈值。在当前经济“三期叠加”情形下, “一刀切”式的去杠杆政策可能对实体经济复苏及经济结构调整带来潜在负面影响。因此,决策层在制定去杠杆具体政策时应对杠杆的区域异质性进行识别,合理设定各行业杠杆率风险阈值,尤其应注重各行业的债务可持续性指标,以此作为信贷结构优化的依据,为促进经济结构调整,增强经济增
47、长的内生动力提供恰如其分的信贷支持,在增长中化解区域企业高杠杆所蕴蓄的潜在风险。第二,注重区域政策协调,完善去杠杆的行业和产业联动机制。政府应注意从本地区的发展阶段、产业结构和主要高杠杆企业的产业链位置出发,实施差别化金融支持政策。值得注意的是,适当的政府干预应更多地立足于维护市场正常运行和完善市场出清制度,让市场在企业去杠杆中发挥主导作用。这样才有可能发挥本地区企业的比较优势,实现企业去杠杆的区域协调。第三,构建企业去杠杆的长效机制和完善顶层设计。在我国当前以间接融资为主的金融体系下,地方政府过度干预和政治关联企业软预算约束是各地区国有大中型企业挤占大量信贷资源的主要因素。这就使得企业去杠杆是一项涉及宏观经济政策、中观行业监管和微观公司治理等多层次的结构性改革,而非杠杆率水平下降的数字游戏。尤其是我国的宏观审慎监管体系尚未完善,关于杠杆率的监管直到近两年才逐步将表外理财纳入杠杆率分母中,同时对于不同部门差异化的63 万方数据债务可持续性也