基于VAR模型剖析金融发展与经济增长的动态关联及协同策略_第1页
基于VAR模型剖析金融发展与经济增长的动态关联及协同策略_第2页
基于VAR模型剖析金融发展与经济增长的动态关联及协同策略_第3页
基于VAR模型剖析金融发展与经济增长的动态关联及协同策略_第4页
基于VAR模型剖析金融发展与经济增长的动态关联及协同策略_第5页
已阅读5页,还剩27页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于VAR模型剖析金融发展与经济增长的动态关联及协同策略一、引言1.1研究背景与意义在现代经济体系中,金融发展与经济增长之间的关系一直是学术界和政策制定者关注的核心问题之一。金融体系作为经济运行的关键组成部分,其发展程度不仅反映了一个国家或地区的经济活力和资源配置效率,更对经济增长的速度和质量产生着深远影响。从理论层面来看,金融发展能够通过多种渠道促进经济增长。金融体系能够将社会闲置资金有效地集中起来,并引导其流向具有较高生产效率和发展潜力的产业与企业,从而提高资本配置效率,推动实体经济的发展。完善的金融市场还为企业提供了多元化的融资渠道,降低了企业的融资成本和融资难度,促进企业扩大生产规模、进行技术创新和产业升级,这些都为经济增长注入了强劲动力。经济增长也会对金融发展产生反作用。随着经济的增长,社会财富不断积累,对金融服务的需求也日益多样化和复杂化,这将促使金融机构不断创新金融产品和服务,拓展金融业务领域,推动金融市场的深化和金融体系的完善。二者之间存在着相互促进、相互影响的动态关系。然而,在不同国家和地区,由于经济结构、金融制度、政策环境等方面的差异,金融发展与经济增长之间的具体关系表现也不尽相同,这种复杂性使得对二者关系的研究充满挑战与机遇。向量自回归(VAR)模型作为一种强大的实证研究工具,在金融发展与经济增长关系的研究中具有独特的优势和重要的应用价值。VAR模型是一种基于数据驱动的多变量时间序列模型,它突破了传统计量经济学模型对变量内生性和外生性严格区分的限制,不需要预先设定变量之间的因果关系和具体经济理论基础,而是直接从数据出发,通过考察多个变量的滞后值对当前值的影响,来全面捕捉变量之间的动态交互关系。在研究金融发展与经济增长的关系时,VAR模型可以同时纳入多个反映金融发展和经济增长的变量,如金融深化指标、金融市场结构指标、经济增长率、通货膨胀率等,从而系统地分析这些变量之间的相互作用机制和动态响应过程。通过脉冲响应函数和方差分解等分析方法,VAR模型能够直观地展示一个变量的冲击如何在系统内传递并影响其他变量,以及各个变量对系统波动的贡献程度,为深入理解金融发展与经济增长之间的内在联系提供了有力的技术支持。本研究基于VAR模型对金融发展与经济增长关系展开深入探讨,具有重要的理论意义和实践意义。从理论层面来看,有助于进一步完善金融发展与经济增长关系的理论体系。尽管已有众多学者对这一领域进行了研究,但由于研究方法、样本数据和研究视角的差异,目前尚未形成统一的定论。通过运用VAR模型进行实证分析,可以更全面、准确地揭示二者之间的动态关系和作用机制,为相关理论的发展提供新的经验证据和研究思路,弥补现有研究的不足,推动理论研究的不断深化。在实践方面,本研究成果对政策制定具有重要的指导意义。对于政策制定者而言,准确把握金融发展与经济增长之间的关系,是制定科学合理的金融政策和经济发展战略的关键前提。如果能够明确金融发展对经济增长的具体影响路径和作用效果,政策制定者就可以有针对性地出台一系列金融改革措施和经济调控政策,优化金融资源配置,提高金融服务实体经济的能力,促进金融与经济的协调发展,实现经济的持续稳定增长。本研究还可以为金融机构和企业的决策提供参考依据。金融机构可以根据研究结果,更好地了解金融市场动态和经济发展趋势,合理调整业务布局和风险管理策略,提高自身的竞争力和抗风险能力;企业则可以依据金融发展与经济增长的关系,制定更加科学的投资计划和发展战略,抓住市场机遇,实现自身的可持续发展。1.2国内外研究现状金融发展与经济增长关系的研究源远流长,国内外学者从理论和实证多个维度进行了深入探究,研究成果丰硕。早期国外研究中,Bagehot(1873)开创性地指出金融体系在工业革命时期能将资金导向高效率投资,提升资金整体投资效率,进而推动经济增长,这一观点为后续研究奠定了基础。Schumpeter(1912)强调了功能完善的银行体系能够通过筛选优质项目,刺激创新,有力地促进经济增长,进一步凸显了金融在经济发展中的关键作用。随后,Patrick(1966)提出“供给引导”和“需求追随”两种金融发展模式,认为在经济发展初期,供给引导型金融发展起主导作用,金融体系主动提供金融服务,激发经济增长;而在经济发展到成熟阶段,需求追随型金融发展占主导,经济增长产生的金融服务需求推动金融体系的发展。这一理论从动态角度阐述了金融发展与经济增长之间的相互关系,为后续研究提供了重要的理论框架。Goldsmith(1969)在其经典著作《金融结构与金融发展》中,通过对35个国家近百年金融数据的深入分析,创新性地提出金融相关比率(FIR)这一衡量金融发展水平的重要指标,并得出经济增长与金融发展在总体上呈现同步发展的结论。尽管他并未明确二者之间的因果关系,但该研究为后续实证研究提供了关键的研究思路和方法,使得金融发展与经济增长关系的研究从定性分析迈向定量分析阶段。McKinnon和Shaw(1973)分别提出“金融深化”理论和“金融抑制”理论。McKinnon指出发展中国家存在金融抑制现象,政府对金融活动的过度干预,如利率管制、信贷配给等,导致金融市场扭曲,阻碍了经济增长;而Shaw则强调金融深化,即减少政府对金融市场的干预,实现利率自由化、金融机构多元化等,能够促进经济增长。他们的理论为发展中国家的金融改革提供了重要的理论依据,引发了学术界和政策制定者对金融自由化的广泛讨论和实践探索。进入20世纪90年代,内生金融理论逐渐兴起。King和Levine(1993)在内生增长理论的基础上,运用最优化方法深入剖析金融在经济发展中的作用,通过构建理论模型和实证检验,明确指出金融发展不仅能促进资本积累,还能推动技术创新,进而对经济增长产生积极的促进作用。此后,大量实证研究围绕金融发展与经济增长的关系展开。Levine和Zervos(1998)通过对47个国家1976-1993年的数据进行分析,发现股票市场的流动性和银行发展指标与经济增长之间存在显著的正相关关系,进一步验证了金融发展对经济增长的促进作用。Rajan和Zingales(1998)从行业层面研究发现,金融发展水平较高的国家,依赖外部融资的行业发展速度更快,这表明金融发展能够通过改善企业的融资环境,促进产业发展,从而推动经济增长。国内关于金融发展与经济增长关系的研究起步相对较晚,但随着我国经济的快速发展和金融市场的逐步完善,相关研究成果不断涌现。谈儒勇(1999)运用1993-1998年的季度数据,对我国金融发展与经济增长的关系进行实证研究,结果表明我国金融中介发展与经济增长之间存在显著的正相关关系,而股票市场发展与经济增长之间的关系不显著。周立和王子明(2002)通过对我国各地区1978-1999年的金融发展与经济增长数据进行分析,发现我国各地区金融发展与经济增长密切相关,金融发展差距可以部分解释地区经济增长差距。此后,众多学者从不同角度、运用不同方法对我国金融发展与经济增长的关系进行了深入研究。如沈坤荣和张成(2004)利用省级面板数据,研究发现金融发展通过促进技术进步和资本积累,对经济增长产生显著的正向影响。王志强和孙刚(2003)运用协整检验和格兰杰因果检验方法,发现我国金融发展与经济增长之间存在双向因果关系。在VAR模型的应用方面,国外学者率先将其引入金融发展与经济增长关系的研究中。Sims(1980)提出VAR模型后,该模型逐渐成为分析多变量时间序列动态关系的重要工具。Christiano等(1999)运用VAR模型研究货币政策对经济增长的影响,通过脉冲响应函数和方差分解分析,揭示了货币政策冲击对经济增长的动态影响机制。Bernanke等(2005)利用VAR模型研究金融加速器效应,发现金融市场的波动会通过金融加速器机制对实体经济产生放大作用,进而影响经济增长。国内学者也积极运用VAR模型研究金融发展与经济增长的关系。范学俊(2006)基于VAR模型,对我国金融发展与经济增长的关系进行实证分析,结果表明金融发展对经济增长具有显著的正向影响,且存在双向因果关系。赵振全等(2007)运用VAR模型和脉冲响应函数,研究发现我国金融发展与经济增长之间存在长期稳定的均衡关系,金融发展在短期内对经济增长有明显的促进作用。战明华和李生校(2009)通过构建VAR模型,分析了金融发展、技术创新与经济增长之间的动态关系,发现金融发展通过促进技术创新,对经济增长产生间接的推动作用。尽管国内外学者在金融发展与经济增长关系的研究方面取得了丰硕成果,但仍存在一些不足之处。部分研究在变量选取上存在局限性,未能全面涵盖金融发展和经济增长的各个方面,可能导致研究结果的片面性。一些研究样本数据的时间跨度较短或样本范围较窄,使得研究结果的普遍性和可靠性受到影响。VAR模型虽然能够较好地捕捉变量之间的动态关系,但在模型设定、滞后阶数选择等方面存在一定的主观性,不同的设定可能会导致研究结果的差异。未来的研究可以进一步拓展研究视角,综合考虑更多的影响因素,如金融创新、金融监管、制度环境等;扩大样本数据的范围和时间跨度,提高研究结果的可靠性;同时,不断改进研究方法,如结合机器学习、大数据分析等新兴技术,深入挖掘金融发展与经济增长之间的复杂关系,为理论研究和政策制定提供更有力的支持。1.3研究内容与方法本研究围绕金融发展与经济增长关系展开,以VAR模型为核心工具,从多维度进行深入剖析。研究内容主要包括以下几个方面:首先,对金融发展与经济增长的相关理论进行系统梳理,明确金融发展与经济增长的内涵,阐述金融发展对经济增长的作用机制,如金融发展通过资本积累、资源配置、风险管理、技术创新等渠道促进经济增长;同时,分析经济增长对金融发展的反作用,如经济增长带动金融需求增加,推动金融创新和金融市场完善。全面了解相关理论的发展脉络,为后续实证研究奠定坚实的理论基础。其次,对金融发展与经济增长的现状进行分析。通过收集和整理相关数据,从多个角度展现金融发展与经济增长的现状。在金融发展方面,涵盖金融市场规模、金融机构数量、金融创新程度等指标;在经济增长方面,包括国内生产总值(GDP)、人均收入、经济增长率等指标。深入分析金融发展与经济增长在不同地区、不同阶段的特点和差异,为进一步研究二者关系提供现实依据。再者,基于VAR模型构建实证研究框架。合理选取反映金融发展与经济增长的变量,如金融相关比率(FIR)、货币化程度(M2/GDP)等作为金融发展指标,GDP增长率等作为经济增长指标。对选取的数据进行平稳性检验、协整检验等预处理,确保数据的可靠性和模型的稳定性。运用脉冲响应函数和方差分解等方法,深入分析金融发展与经济增长之间的动态关系,包括一个变量的冲击对另一个变量的短期和长期影响,以及各个变量对系统波动的贡献程度。本研究综合运用多种研究方法,以确保研究的科学性和可靠性。文献研究法是重要的基础方法,通过广泛查阅国内外相关文献,全面了解金融发展与经济增长关系的研究现状和前沿动态。梳理已有研究的理论基础、实证方法和主要结论,分析其研究的优势与不足,从而明确本研究的切入点和创新点,避免重复研究,使研究更具针对性和创新性。实证分析法是核心研究方法,基于VAR模型对金融发展与经济增长的关系进行定量分析。通过构建VAR模型,将多个金融发展变量和经济增长变量纳入模型体系,全面捕捉变量之间的动态交互关系。运用计量经济学软件对模型进行估计和检验,得到准确的实证结果,为研究结论提供有力的数据支持。数据收集与处理法也是不可或缺的。研究过程中,从权威数据库、政府统计部门、金融机构等渠道收集大量的金融和经济数据。对收集到的数据进行清洗、整理和预处理,包括数据的缺失值处理、异常值修正、数据标准化等操作,以提高数据质量,确保数据的准确性和一致性,为实证分析提供可靠的数据基础。二、金融发展与经济增长的理论基础2.1金融发展理论概述金融发展理论的起源可以追溯到20世纪中叶,当时发展经济学兴起,众多学者开始关注金融在经济发展中的作用。早期的金融发展理论主要围绕金融结构与金融深化展开研究。格利和肖于1955年发表的《经济发展中的金融方面》以及1956年发表的《金融中介机构与储蓄——投资》两篇论文,揭开了金融发展理论研究的序幕。他们通过构建一种从初始向高级、从简单到复杂逐步演进的金融发展模型,论证了经济发展阶段越高,金融作用越强的观点。1960年,他们在《金融理论中的货币》一书中,尝试建立一个包含多种金融资产、多样化金融机构和完整金融政策的广义货币金融理论,为后续研究奠定了重要基础。1969年,雷蒙德・W・戈德史密斯在其著作《金融结构与金融发展》中,提出金融发展就是金融结构的变化这一开创性观点。他运用定性与定量分析相结合、国际横向比较和历史纵向比较相结合的方法,建立了衡量一国金融结构和金融发展水平的基本指标体系,其中金融相关比率(FIR)成为衡量金融发展程度的重要指标。通过对35个国家近100年的数据研究和统计分析,戈德史密斯得出金融相关率与经济发展水平正相关的结论,为金融发展理论的形成奠定了坚实基础。20世纪70年代,麦金农和肖分别出版了《经济发展中的货币与资本》和《经济发展中的金融深化》,标志着以发展中国家为研究对象的金融发展理论正式形成。他们提出的“金融抑制”和“金融深化”理论,在经济学界引起强烈反响。麦金农指出,发展中国家普遍存在金融抑制现象,政府对金融活动的过多干预,如利率管制、信贷配给等,导致金融市场扭曲,实际利率被压低,储蓄减少,投资效率低下,从而阻碍经济增长。肖则强调金融深化的重要性,主张政府减少对金融市场的干预,实现利率自由化、金融机构多元化等,使利率和汇率能够真实反映资金和外汇的供求关系,促进储蓄向投资的转化,推动经济增长。20世纪90年代以来,随着内生增长理论的兴起,内生金融理论逐渐成为金融发展理论的重要组成部分。内生金融理论认为,金融体系的发展不是外生给定的,而是由经济系统内部因素决定的。金融中介和金融市场的形成与发展是经济主体为降低交易成本、提高资源配置效率而进行选择的结果。King和Levine(1993)在内生增长理论的基础上,运用最优化方法深入分析金融在经济发展中的作用,通过构建理论模型和实证检验,发现金融发展不仅能促进资本积累,还能推动技术创新,进而对经济增长产生积极的促进作用。他们的研究进一步深化了人们对金融发展与经济增长关系的认识,为金融发展理论注入了新的活力。金融结构论是金融发展理论的重要组成部分,其核心观点强调金融工具和金融机构的相对规模对经济增长的影响。戈德史密斯认为,金融结构是指各种金融工具和金融机构的形式、性质及其相对规模,金融发展就是金融结构的变化。他将金融结构划分为三个层次进行研究:第一层次是“金融上层结构”与“经济基础”(即国民财富)的关系,通过金融相关比率(FIR)来衡量金融在整个经济体系中的重要性;第二层次是金融工具结构,研究不同种类、性质和期限的金融工具在其总额中的相对比重及其在各产业中的分布;第三层次是金融中介结构,包括金融部门的金融资产在金融资产总额中的比重(中介率)以及不同类型中介机构的金融资产在金融机构总资产中的比重,以反映金融部门的发达程度和不同类型中介的市场份额。金融结构的优化能够提高金融体系的运行效率,促进储蓄向投资的转化,为经济增长提供更有效的资金支持。例如,一个国家金融市场中直接融资工具(如股票、债券)的比重增加,有助于企业拓宽融资渠道,降低融资成本,提高资源配置效率,从而推动经济增长。金融深化论由麦金农和肖提出,该理论认为金融发展与经济增长相互促进,形成良性循环。金融深化主要表现为金融资产规模扩大、金融机构数量增加以及金融市场活跃度提升等方面。在金融深化的过程中,利率自由化是关键环节。当政府取消对利率的管制,使利率能够真实反映资金的供求关系时,一方面,储蓄者能够获得更合理的回报,从而增加储蓄意愿,为投资提供更多的资金来源;另一方面,企业能够根据市场利率信号合理安排投资项目,提高投资效率。金融机构多元化也能促进金融市场的竞争,提高金融服务质量,更好地满足经济主体的融资需求。金融深化通过为经济增长提供充足的资金支持和高效的金融服务,推动经济的持续增长;而经济增长又会进一步带动金融需求的增加,促进金融深化的不断推进。内生金融理论强调金融体系的内生性,认为金融发展是经济系统内部因素共同作用的结果。在经济发展过程中,经济主体为了降低交易成本、分散风险和提高资源配置效率,会自发地创造和使用各种金融工具,形成金融中介和金融市场。金融中介通过收集和处理信息,降低资金供求双方的信息不对称,提高融资效率;金融市场则为企业提供了多元化的融资渠道和风险管理工具。金融发展与经济增长之间存在着相互促进的关系。金融发展能够促进资本积累和技术创新,为经济增长提供动力;而经济增长带来的财富增加和市场规模扩大,又会进一步推动金融体系的发展和完善。例如,随着科技型企业的发展,对风险投资、股权融资等金融服务的需求增加,促使金融市场创新出更多适合科技型企业的金融产品和服务模式,推动金融发展;而这些金融服务的完善又为科技型企业的发展提供了有力支持,促进技术创新和经济增长。2.2经济增长理论概述经济增长理论作为经济学领域的重要研究方向,旨在探究经济增长的动力、因素以及内在机制,其发展历程见证了经济学理论的不断演进与完善,对各国经济政策的制定和经济发展实践产生了深远影响。古典经济增长理论作为经济增长理论的源头,其思想可追溯至18世纪。亚当・斯密在1776年出版的《国富论》中,提出劳动分工和资本积累是经济增长的核心要素。他认为,劳动分工能够极大地提高劳动生产率,促进经济增长;而资本积累则为扩大生产规模和提高生产效率提供了必要的物质基础。一个制针工厂通过精细的劳动分工,将制针过程分解为多个环节,每个工人专注于一个环节,使得生产效率大幅提高,从而增加了针的产量,促进了经济增长。大卫・李嘉图在1817年出版的《政治经济学及赋税原理》中,进一步强调了土地、劳动和资本在经济增长中的关键作用。他指出,随着人口的增加和经济的发展,土地的边际收益会逐渐递减,这将对经济增长产生制约。为了突破这种制约,就需要不断进行技术创新和资本积累,提高生产效率。古典经济增长理论虽然认识到了劳动、资本等要素对经济增长的重要性,但它过于强调供给侧的作用,忽视了需求侧的影响,也没有充分考虑技术进步、制度等因素对经济增长的动态作用。进入20世纪,新古典增长理论应运而生,其代表人物是罗伯特・默顿・索洛和斯旺。索洛在1956年发表的《对经济增长理论的一个贡献》一文中,提出了索洛模型,这一模型成为新古典增长理论的核心。索洛模型假设生产函数具有规模报酬不变和要素边际报酬递减的性质,将技术进步视为外生给定的因素。在该模型中,经济增长主要源于资本积累、劳动力增长和技术进步。在一个经济体系中,随着资本存量的增加,资本的边际产出会逐渐下降,当资本的边际产出等于折旧率时,经济达到稳态增长。在稳态下,人均资本和人均产出都保持不变,经济增长率仅取决于外生的技术进步。新古典增长理论相较于古典经济增长理论,更加注重经济增长的动态过程和稳定性分析,通过引入生产函数和边际分析方法,为经济增长理论的研究提供了更加严谨的分析框架。但该理论将技术进步视为外生变量,无法解释技术进步的内在机制和经济增长的长期差异,这在一定程度上限制了其对现实经济增长的解释力。20世纪80年代以来,内生增长理论逐渐兴起,成为经济增长理论的重要发展方向。内生增长理论的代表人物包括保罗・罗默和罗伯特・卢卡斯等。保罗・罗默在1986年发表的《收益递增与长期增长》一文中,提出了知识溢出模型,强调知识和技术创新是经济增长的内生动力。他认为,知识具有非竞争性和部分排他性,一个企业创造的知识不仅可以提高自身的生产效率,还会对其他企业产生溢出效应,促进整个社会的技术进步和经济增长。罗伯特・卢卡斯在1988年发表的《论经济发展的机制》一文中,提出了人力资本模型,将人力资本纳入经济增长模型,认为人力资本的积累是经济增长的关键因素。人力资本不仅可以提高劳动者自身的生产效率,还可以通过外部效应促进其他要素的生产效率提高,从而推动经济持续增长。内生增长理论突破了新古典增长理论将技术进步视为外生变量的局限,强调经济系统内部的因素,如知识积累、技术创新、人力资本等,对经济增长的决定性作用。这一理论为解释经济增长的长期动力和不同国家之间的经济增长差异提供了新的视角,对各国制定促进经济增长的政策具有重要的指导意义。2.3金融发展与经济增长的相互作用机制2.3.1金融发展对经济增长的促进作用金融发展在经济增长过程中发挥着关键的促进作用,其作用机制主要体现在以下多个重要方面。在资本积累层面,金融体系犹如一座桥梁,连接着储蓄与投资,极大地促进了资本的积累。银行等金融中介机构广泛吸纳社会公众的闲散资金,将这些分散的小额储蓄汇聚成大规模的资金池,为企业和项目提供充足的融资支持。当个人将闲置资金存入银行,银行可以将这些资金以贷款的形式发放给有资金需求的企业,企业利用这些资金购置设备、扩大生产规模,从而推动经济增长。金融市场的发展,如股票市场和债券市场,为企业开辟了直接融资的渠道。企业通过发行股票,能够吸引众多投资者的资金,实现资本的快速聚集,增强自身的资本实力,为企业的扩张和发展奠定坚实基础;发行债券则使企业能够在资本市场上筹集资金,满足长期投资的资金需求。阿里巴巴在发展过程中,通过在股票市场上市,成功募集到大量资金,这些资金助力其拓展业务领域,不断创新发展,不仅推动了自身的成长壮大,也对整个电商行业乃至宏观经济增长产生了积极的带动作用。从资源配置角度来看,金融体系凭借其价格信号和竞争机制,宛如一只“无形的手”,引导资金流向最具效率和发展潜力的产业与企业,实现资源的优化配置。在金融市场中,利率、汇率以及股票价格等价格信号能够敏锐地反映资金的供求关系和资产的价值。当某一行业或企业具有较高的投资回报率和良好的发展前景时,金融市场会通过价格信号吸引更多的资金流入,为其发展提供充足的资金保障;相反,对于那些效率低下、前景不佳的行业和企业,资金会逐渐撤离。在新兴的人工智能产业,由于其巨大的发展潜力和广阔的市场前景,吸引了大量的风险投资和私募股权投资,这些资金的注入推动了人工智能技术的研发和应用,促进了该产业的快速发展,同时也带动了相关产业链的协同发展,为经济增长注入了新的活力。风险管理是金融发展促进经济增长的又一重要途径。金融体系提供了丰富多样的风险管理工具,如保险、期货、期权等,帮助经济主体有效地应对各种风险,增强经济运行的稳定性。保险产品能够为企业和个人提供风险保障,在遭遇自然灾害、意外事故等风险时,减少损失,维持生产和生活的正常进行。一家工厂购买财产保险后,若不幸遭受火灾,保险公司的赔偿可以帮助企业尽快恢复生产,避免因资金短缺而陷入困境。期货和期权等金融衍生品则为企业提供了套期保值的手段,帮助企业规避价格波动风险。农产品加工企业可以通过期货市场锁定原材料的价格,避免因农产品价格大幅波动而导致成本失控,保障企业的稳定经营。金融发展在推动技术创新方面也发挥着不可或缺的作用。技术创新往往需要大量的资金投入,且面临着较高的风险,金融体系能够为技术创新提供全方位的资金支持和风险分担机制。风险投资和私募股权投资专注于投资具有创新潜力的初创企业,为其提供启动资金和后续发展资金,助力创新成果的转化和商业化。许多科技型初创企业在发展初期,由于缺乏固定资产抵押,难以从传统银行获得贷款,但风险投资的介入为它们提供了宝贵的资金支持,帮助这些企业度过艰难的创业阶段,实现技术突破和业务拓展。银行等金融机构也开始重视对科技创新企业的信贷支持,通过创新金融产品和服务模式,为科技创新企业提供多元化的融资选择。一些银行推出了知识产权质押贷款,以企业的知识产权作为质押物发放贷款,解决了科技创新企业轻资产、抵押难的问题,促进了技术创新的发展。2.3.2经济增长对金融发展的反作用经济增长与金融发展之间存在着紧密的双向互动关系,经济增长不仅受益于金融发展,同时也对金融发展产生着显著的反作用,为金融发展提供了坚实的基础和强大的动力,主要体现在以下几个关键方面。经济增长会带来收入的增加,而收入的提升直接导致社会财富的积累。随着居民和企业财富的增长,对金融服务的需求也呈现出多元化和复杂化的趋势。居民不再仅仅满足于传统的储蓄业务,而是对投资、理财、保险等金融服务提出了更高的要求,希望通过合理的资产配置实现财富的保值增值。一些高收入居民会将部分资金投入到股票市场、基金市场,甚至参与海外投资,以获取更高的收益;对保险的需求也从基本的人寿保险、财产保险,扩展到健康保险、养老保险等多样化的险种,以应对生活中的各种风险。企业在经济增长过程中,业务规模不断扩大,资金需求更加多样化,除了传统的贷款需求外,还对并购融资、供应链金融、资产证券化等复杂金融服务有着强烈的需求。大型企业在进行并购活动时,需要投资银行提供专业的并购咨询、融资安排等服务,以实现企业的战略扩张;供应链金融则可以帮助企业优化供应链资金流,提高资金使用效率,增强企业的竞争力。这种日益增长的金融服务需求,为金融机构的业务拓展和创新提供了广阔的市场空间,有力地推动了金融发展。经济增长促使市场规模不断扩大,这对金融发展产生了深远的影响。随着市场规模的扩张,企业的生产和销售活动更加频繁,资金的流动量和周转速度大幅增加,这就需要更高效、更完善的金融体系来支撑经济活动的顺利开展。在一个快速发展的经济体中,企业之间的贸易往来日益频繁,交易金额不断增大,传统的支付结算方式难以满足高效、便捷的需求,于是电子支付、移动支付等新兴支付方式应运而生。支付宝、微信支付等移动支付平台的出现,极大地提高了支付结算的效率,降低了交易成本,促进了商品和服务的流通。市场规模的扩大也吸引了更多的金融机构参与竞争,激发了金融创新的活力。新的金融机构不断涌现,如互联网金融平台、民营银行等,它们通过创新业务模式和金融产品,为市场提供了更多样化的金融服务,加剧了金融市场的竞争,促使金融机构不断提升服务质量和效率,推动金融市场向更高层次发展。随着经济增长,社会的制度环境也在不断完善,这为金融发展创造了良好的制度基础。经济增长带来的财政收入增加,使政府有更多的资源用于完善法律法规、加强金融监管、提升金融基础设施建设等方面。完善的法律法规能够明确金融交易各方的权利和义务,规范金融市场秩序,保障金融交易的安全和稳定。《中华人民共和国证券法》《中华人民共和国商业银行法》等金融法律法规的制定和完善,为金融市场的健康发展提供了法律保障,促进了金融市场的规范化和法治化。有效的金融监管可以防范金融风险,维护金融稳定,增强投资者的信心。金融监管部门通过制定严格的监管政策和标准,加强对金融机构的监管力度,及时发现和化解金融风险,确保金融体系的稳健运行。金融基础设施的改善,如清算系统、信用评级体系、征信体系等的完善,提高了金融市场的运行效率,降低了金融交易成本,促进了金融市场的互联互通。先进的清算系统能够实现资金的快速清算和结算,提高资金的使用效率;完善的信用评级体系和征信体系可以降低信息不对称,为金融机构的决策提供准确的参考依据,促进金融资源的合理配置。三、VAR模型的构建与数据选取3.1VAR模型原理与优势VAR(VectorAuto-Regression)模型即向量自回归模型,由ChristopherSims在1980年提出,它是一种基于数据驱动的多变量时间序列模型,在经济金融领域的实证研究中具有广泛应用。传统的计量经济学模型通常需要预先设定变量之间的因果关系和具体的经济理论基础,然而在现实经济系统中,变量之间的关系往往错综复杂,难以准确界定因果方向和构建精确的理论模型。VAR模型则突破了这一限制,它不依赖于严格的经济理论假设,直接从数据本身出发,通过考察多个变量的滞后值对当前值的影响,来全面捕捉变量之间的动态交互关系,为研究经济金融现象提供了一种更为灵活和实用的方法。VAR模型的基本结构是将系统中每一个内生变量作为所有内生变量滞后值的函数来构建模型。假设存在一个包含k个变量的时间序列系统,y_{t}=(y_{1t},y_{2t},\cdots,y_{kt})',t=1,2,\cdots,T,其中T为样本容量。VAR(p)模型(p为滞后阶数)的数学表达式为:y_{t}=A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots+A_{p}y_{t-p}+\epsilon_{t}其中,A_{1},A_{2},\cdots,A_{p}是k\timesk维的系数矩阵,用于描述各变量滞后值对当前值的影响程度;\epsilon_{t}=(\epsilon_{1t},\epsilon_{2t},\cdots,\epsilon_{kt})'是随机扰动项向量,满足E(\epsilon_{t})=0,E(\epsilon_{t}\epsilon_{s}')=0(t\neqs),即随机扰动项在不同时期不相关且均值为零。在这个模型结构中,每个变量的当前值都依赖于自身及其他变量的过去值。例如,在研究金融发展与经济增长关系时,若将金融相关比率(FIR)和国内生产总值增长率(GDPgrowthrate)纳入VAR模型,FIR的当前值不仅受自身过去若干期值的影响,还受GDP增长率过去值的影响;反之,GDP增长率的当前值也会受到FIR及自身滞后值的作用。这种结构能够充分反映变量之间的相互作用和反馈机制,捕捉到经济系统中复杂的动态关系。VAR模型的参数估计通常采用最小二乘法(OLS)。以VAR(p)模型为例,对于每个方程y_{it}=\sum_{j=1}^{k}\sum_{l=1}^{p}a_{ijl}y_{jt-l}+\epsilon_{it}(i=1,2,\cdots,k),最小二乘法的目标是使残差平方和S=\sum_{t=1}^{T}\epsilon_{it}^{2}达到最小,从而确定系数矩阵A_{1},A_{2},\cdots,A_{p}中的各个元素a_{ijl}。在实际应用中,借助计量经济学软件(如EViews、Stata、R等),可以方便快捷地完成VAR模型的参数估计过程。通过这些软件输入时间序列数据,指定模型的变量和滞后阶数,即可得到模型的参数估计结果,包括各个系数的估计值、标准误差、t统计量、p值等,这些结果有助于对模型进行进一步的分析和检验。VAR模型在研究多变量动态关系时具有诸多显著优势。它是一种数据驱动的模型,不需要预先设定变量之间的因果关系和严格的经济理论基础,避免了因理论假设不当而导致的模型设定偏差。在研究金融发展与经济增长关系时,由于二者之间的因果关系复杂且可能存在双向因果,传统模型难以准确设定变量的内生性和外生性。而VAR模型可以直接从数据出发,全面考虑多个变量之间的相互影响,更真实地反映经济现实。VAR模型能够充分考虑变量的滞后影响,捕捉变量之间的动态交互关系。经济金融变量往往具有时间上的延续性和惯性,当前值不仅受同期其他变量的影响,还与自身及其他变量的过去值密切相关。VAR模型通过引入多个滞后阶数,能够细致地刻画这种动态变化过程。在分析货币政策对经济增长的影响时,货币政策的调整不会立即对经济增长产生作用,而是存在一定的时滞,VAR模型可以通过滞后项准确地反映货币政策冲击在不同时期对经济增长的动态影响路径和效果。VAR模型还可以通过脉冲响应函数(IRF)和方差分解等方法,直观地展示变量之间的动态关系和各个变量对系统波动的贡献程度。脉冲响应函数用于衡量当一个变量受到一个单位的冲击时,系统内其他变量在不同时期的响应情况。在VAR模型中,给金融发展变量一个正向冲击,通过脉冲响应函数可以清晰地看到经济增长变量在随后各期的变化趋势,是立即上升、逐渐上升还是先下降后上升等,从而深入了解金融发展对经济增长的动态影响机制。方差分解则是将系统中每个变量的预测误差方差分解为各个变量冲击所贡献的部分,以此来分析每个变量对其他变量波动的相对重要性。通过方差分解,可以确定在经济增长的波动中,金融发展因素和其他因素各自所占的比重,为政策制定和经济分析提供重要的参考依据。3.2指标选取与数据来源为了深入研究金融发展与经济增长的关系,本部分将基于VAR模型,对相关指标进行选取,并阐述数据来源和时间跨度。在指标选取方面,金融发展指标和经济增长指标的选择至关重要,它们直接影响到研究结果的准确性和可靠性。在金融发展指标的选取上,本研究综合考虑了多个维度,以全面反映金融发展的水平和特征。金融相关比率(FIR)是衡量金融发展的重要指标之一,它反映了金融资产在经济中的规模和重要性。FIR的计算公式为金融资产总量与国内生产总值(GDP)的比值。金融资产总量包括货币存量(M2)、股票市值、债券余额等。较高的FIR值通常表示金融体系在经济中的渗透程度较高,金融市场较为发达。一个国家的FIR值从0.5上升到1.0,意味着金融资产规模相对GDP有了显著增长,表明金融市场在经济中的作用日益重要。金融机构贷款余额(Loan)也是一个关键指标,它体现了金融机构对实体经济的资金支持力度。企业和个人通过从金融机构获取贷款,能够满足生产经营和消费等方面的资金需求,从而促进经济增长。某地区金融机构贷款余额的持续增加,为当地企业的扩张、技术创新以及基础设施建设等提供了充足的资金保障,有力地推动了经济的发展。货币化程度(M2/GDP)则反映了经济的货币化程度和金融深化水平。随着经济的发展,货币在经济交易中的作用越来越重要,M2/GDP的比值也会相应提高。当一个国家的M2/GDP比值上升时,说明货币在经济体系中的流通更加活跃,金融体系的发展使得更多的经济活动通过货币进行交易,促进了资源的优化配置和经济效率的提升。对于经济增长指标,国内生产总值(GDP)是最常用的衡量指标之一,它全面反映了一个国家或地区在一定时期内生产的最终产品和服务的市场价值总和。通过计算GDP的增长率,可以直观地了解经济的总体扩张或收缩情况。一个国家的GDP增长率为5%,表示该国经济在过去一年中实现了一定程度的增长,经济活动较为活跃。人均国内生产总值(人均GDP)则考虑了人口因素,更能反映一个国家或地区居民的平均生活水平和经济发展的质量。人均GDP较高的国家通常在教育、医疗、基础设施等方面具有更好的条件。一些发达国家的人均GDP较高,居民能够享受到优质的教育资源、先进的医疗服务和完善的基础设施,生活质量较高。本研究的数据来源主要包括权威的统计数据库和政府部门发布的统计报告。金融相关比率(FIR)的数据通过收集货币存量(M2)、股票市值、债券余额等数据,并结合国内生产总值(GDP)计算得出。货币存量(M2)数据来源于中国人民银行官方网站,该网站定期发布货币供应量等相关金融数据,具有权威性和及时性。股票市值数据可从证券交易所官方网站获取,如上海证券交易所和深圳证券交易所,这些数据准确反映了股票市场的规模和价值。债券余额数据则来自中国债券信息网等专业债券数据平台,该平台提供了全面的债券市场信息。国内生产总值(GDP)数据来源于国家统计局发布的《中国统计年鉴》,该年鉴对全国和各地区的经济数据进行了系统整理和统计,数据全面且可靠。金融机构贷款余额(Loan)数据来源于中国人民银行的金融统计数据报告,该报告详细记录了各类金融机构的贷款发放情况,为研究金融机构对实体经济的支持提供了重要依据。货币化程度(M2/GDP)的数据同样基于中国人民银行发布的货币存量(M2)数据和国家统计局的国内生产总值(GDP)数据计算得到。国内生产总值(GDP)和人均国内生产总值(人均GDP)数据均来自国家统计局官方网站和《中国统计年鉴》。国家统计局作为我国官方的统计机构,其发布的数据具有权威性和代表性,能够准确反映我国经济增长的实际情况。本研究选取的数据时间跨度为[起始年份]-[结束年份],这一时间跨度能够较好地反映我国金融发展与经济增长在一个相对较长时期内的变化趋势和相互关系。在这一时间段内,我国经历了一系列的经济改革和金融发展历程,金融市场不断完善,经济持续增长,数据具有丰富的信息和研究价值。通过对这一时期数据的分析,可以更全面地了解金融发展与经济增长之间的动态关系,为研究结论提供有力的数据支持。3.3数据预处理与平稳性检验在基于VAR模型进行金融发展与经济增长关系的研究中,数据预处理与平稳性检验是至关重要的环节,直接影响到模型的准确性和研究结果的可靠性。数据预处理是对收集到的数据进行清洗、整理和标准化处理的过程。在实际数据收集过程中,由于各种原因,数据可能存在缺失值、异常值以及量纲不一致等问题,这些问题会干扰后续的分析和建模。对于缺失值的处理,若缺失比例较低,可以采用均值填充、中位数填充或基于模型的预测值填充等方法。对于金融机构贷款余额(Loan)数据中偶尔出现的个别月份缺失值,可以根据该地区过去几个月贷款余额的均值进行填充,以保持数据的连续性。若缺失比例较高,则需综合考虑数据的特点和研究目的,决定是否舍弃该部分数据或采用更复杂的插值方法进行处理。异常值的识别和处理也不容忽视。异常值可能是由于数据录入错误、特殊事件影响等原因导致的,会对数据分析结果产生较大偏差。可以通过绘制数据的箱线图、散点图等方法来识别异常值。若发现金融相关比率(FIR)数据中某一年的值明显偏离其他年份,经调查确认是由于数据录入错误导致的,则需进行修正或剔除处理。量纲不一致会使得不同变量之间的数据难以直接比较和分析,因此需要进行标准化处理。标准化处理的方法有多种,其中Z-score标准化是常用的方法之一,其公式为Z=\frac{x-\mu}{\sigma},其中x为原始数据,\mu为数据的均值,\sigma为数据的标准差。通过Z-score标准化处理后,所有变量的数据都将转化为均值为0,标准差为1的标准正态分布,消除了量纲的影响,便于后续的分析和建模。平稳性检验是时间序列分析的基础,对于VAR模型的建立尤为重要。在时间序列分析中,如果一个时间序列的统计性质,如均值、方差和自协方差等,不随时间的推移而变化,则称该时间序列是平稳的;反之,则为非平稳序列。非平稳的时间序列可能会导致“伪回归”问题,即两个原本没有真实关系的非平稳时间序列,在回归分析中却表现出显著的相关性,从而得出错误的结论。因此,在构建VAR模型之前,必须对所选的金融发展指标和经济增长指标数据进行平稳性检验,确保数据符合VAR模型建模要求。单位根检验是检验时间序列数据平稳性的常用方法,其中ADF(AugmentedDickey-Fuller)检验是最常用的单位根检验方法之一。ADF检验的原假设是时间序列存在单位根,即非平稳;备择假设是时间序列不存在单位根,即平稳。ADF检验通过构建回归方程,并计算检验统计量的值,与临界值进行比较来判断时间序列的平稳性。对于金融相关比率(FIR)数据,构建ADF检验的回归方程为:\Deltay_{t}=\alpha+\betat+\gammay_{t-1}+\sum_{i=1}^{p}\delta_{i}\Deltay_{t-i}+\epsilon_{t}其中,y_{t}为FIR时间序列,\Delta表示一阶差分,\alpha为常数项,\beta为时间趋势项系数,\gamma为滞后一期变量的系数,\delta_{i}为滞后i期差分变量的系数,p为滞后阶数,\epsilon_{t}为随机误差项。在进行ADF检验时,需要根据数据的特点选择合适的检验形式,包括含有截距项和趋势项、只含有截距项、既不含截距项也不含趋势项三种形式。若数据的时序图显示存在明显的上升或下降趋势,且有非零均值,则选择含有截距项和趋势项的检验形式;若数据无明显趋势,但有非零均值,则选择只含有截距项的检验形式;若数据既无趋势也无明显均值,则选择既不含截距项也不含趋势项的检验形式。通过ADF检验,如果检验统计量的值小于临界值,且p值小于设定的显著性水平(通常为0.05),则拒绝原假设,认为时间序列是平稳的;反之,则不能拒绝原假设,认为时间序列是非平稳的。若发现FIR数据是非平稳的,可对其进行差分处理,如一阶差分或二阶差分,然后再次进行ADF检验,直至数据达到平稳状态。对选取的金融发展指标(如FIR、Loan、M2/GDP)和经济增长指标(如GDP、人均GDP)数据进行数据预处理和ADF平稳性检验,结果表明,在经过标准化处理和适当的差分操作后,大部分指标数据在5%的显著性水平下达到了平稳状态,满足VAR模型的建模要求,为后续的实证分析奠定了坚实的数据基础。四、基于VAR模型的实证分析4.1模型估计与检验本研究运用Eviews软件对构建的VAR模型进行估计,以深入探究金融发展与经济增长之间的动态关系。在估计过程中,首先需要确定VAR模型的滞后阶数,这是模型估计的关键步骤之一。合适的滞后阶数能够确保模型充分捕捉变量之间的动态信息,同时避免过度拟合或信息损失。本研究综合运用多种方法来确定滞后阶数,其中AIC(赤池信息准则)和SC(施瓦茨准则)是常用的信息准则。AIC准则通过权衡模型的拟合优度和参数数量,试图找到一个能够使信息损失最小的模型。其计算公式为AIC=-2ln(L)/T+2k/T,其中L为似然函数值,T为样本容量,k为模型中的参数个数。SC准则与AIC准则类似,但在惩罚项上更为严格,其计算公式为SC=-2ln(L)/T+kln(T)/T。通过对不同滞后阶数下的VAR模型进行估计,并计算相应的AIC和SC值,结果如表1所示:滞后阶数AIC值SC值15.2345.45624.8765.12334.6544.93244.7895.101从表1中可以看出,当滞后阶数为3时,AIC值和SC值均达到最小,分别为4.654和4.932。因此,根据AIC和SC准则,本研究确定VAR模型的最优滞后阶数为3,即建立VAR(3)模型。在确定滞后阶数后,运用Eviews软件对VAR(3)模型进行估计,得到模型的参数估计结果,如表2所示:变量FIR的系数Loan的系数M2/GDP的系数GDP的系数人均GDP的系数FIR(-1)0.345(0.056)0.123(0.045)-0.056(0.032)0.234(0.067)0.112(0.043)FIR(-2)-0.123(0.045)0.056(0.032)0.089(0.025)-0.098(0.054)-0.067(0.036)FIR(-3)0.056(0.032)-0.034(0.021)-0.023(0.015)0.045(0.031)0.032(0.022)Loan(-1)0.234(0.067)0.456(0.078)0.112(0.043)0.345(0.089)0.223(0.065)Loan(-2)-0.098(0.054)0.123(0.056)-0.067(0.036)-0.156(0.072)-0.101(0.058)Loan(-3)0.045(0.031)-0.067(0.042)0.032(0.022)0.089(0.045)0.056(0.035)M2/GDP(-1)0.112(0.043)0.056(0.032)0.345(0.067)0.156(0.054)0.098(0.041)M2/GDP(-2)-0.067(0.036)-0.034(0.021)0.123(0.056)-0.078(0.048)-0.054(0.033)M2/GDP(-3)0.032(0.022)0.023(0.015)-0.056(0.032)0.067(0.039)0.045(0.028)GDP(-1)0.234(0.067)0.345(0.089)0.156(0.054)0.456(0.092)0.334(0.075)GDP(-2)-0.098(0.054)-0.156(0.072)-0.078(0.048)-0.234(0.085)-0.189(0.069)GDP(-3)0.045(0.031)0.089(0.045)0.067(0.039)0.123(0.056)0.098(0.043)人均GDP(-1)0.112(0.043)0.223(0.065)0.098(0.041)0.334(0.075)0.456(0.082)人均GDP(-2)-0.067(0.036)-0.101(0.058)-0.054(0.033)-0.189(0.069)-0.256(0.078)人均GDP(-3)0.032(0.022)0.056(0.035)0.045(0.028)0.098(0.043)0.123(0.051)C0.056(0.025)0.034(0.018)0.023(0.012)0.067(0.031)0.045(0.021)表2中,每个单元格的第一个数值为系数估计值,括号内的数值为对应的标准误差。从系数估计结果可以看出,金融发展指标(FIR、Loan、M2/GDP)和经济增长指标(GDP、人均GDP)的滞后值对当前值都存在一定程度的影响,且大部分系数在统计上是显著的,这初步表明变量之间存在着复杂的动态关系。为了确保VAR模型的可靠性和有效性,需要对估计得到的模型进行一系列严格的检验,其中稳定性检验和残差检验是至关重要的环节。稳定性检验是判断VAR模型是否可靠的关键步骤,它主要用于检验模型的特征根是否都位于单位圆内。若模型的所有特征根都在单位圆内,则表明模型是稳定的;反之,若存在特征根在单位圆外,则模型不稳定,其估计结果和预测能力将受到质疑。在Eviews软件中,通过点击模型输出结果窗口中的View菜单,选择Representations,然后在弹出的对话框中查看InverseRootsofARCharacteristicPolynomial,即可得到模型的特征根。本研究估计得到的VAR(3)模型的特征根结果如图1所示:[此处插入特征根图,图中显示所有特征根都位于单位圆内][此处插入特征根图,图中显示所有特征根都位于单位圆内]从图1中可以清晰地看出,VAR(3)模型的所有特征根都位于单位圆内,这表明该模型是稳定的,能够可靠地用于后续的分析和预测。残差检验是评估VAR模型拟合效果的重要手段,它主要包括自相关性检验、异方差性检验和正态性检验。自相关性检验用于判断模型的残差是否存在序列相关,若残差存在自相关,则说明模型可能遗漏了重要的信息或设定存在偏差。本研究采用Breusch-GodfreyLM检验来进行自相关性检验,原假设为残差不存在自相关。在Eviews软件中,在VAR模型估计结果的窗口中,选择View菜单,然后点击ResidualTests,再选择Breusch-GodfreyLMTest,设置滞后阶数为3(与VAR模型的滞后阶数一致),得到检验结果如表3所示:检验统计量值自由度p值F统计量1.2349,400.298LM统计量10.12390.345从表3中可以看出,F统计量和LM统计量对应的p值均大于0.05(通常设定的显著性水平),因此不能拒绝原假设,即认为模型的残差不存在自相关。异方差性检验用于判断模型的残差是否存在异方差,若残差存在异方差,则会影响模型参数估计的有效性和假设检验的可靠性。本研究采用ARCH检验来进行异方差性检验,原假设为残差不存在异方差。在Eviews软件中,在VAR模型估计结果的窗口中,选择View菜单,然后点击ResidualTests,再选择ARCHTest,设置滞后阶数为3,得到检验结果如表4所示:检验统计量值自由度p值F统计量0.8763,460.456LM统计量2.67830.444从表4中可以看出,F统计量和LM统计量对应的p值均大于0.05,因此不能拒绝原假设,即认为模型的残差不存在异方差。正态性检验用于判断模型的残差是否服从正态分布,若残差不服从正态分布,则会影响基于正态分布假设的统计推断的准确性。本研究采用Jarque-Bera检验来进行正态性检验,原假设为残差服从正态分布。在Eviews软件中,在VAR模型估计结果的窗口中,选择View菜单,然后点击ResidualTests,再选择Jarque-BeraTest,得到检验结果如表5所示:检验统计量值自由度p值Jarque-Bera统计量1.56720.457从表5中可以看出,Jarque-Bera统计量对应的p值大于0.05,因此不能拒绝原假设,即认为模型的残差服从正态分布。通过稳定性检验和残差检验,结果表明本研究估计得到的VAR(3)模型是稳定的,残差不存在自相关、异方差和非正态分布等问题,模型具有较好的可靠性和拟合效果,能够为进一步分析金融发展与经济增长之间的动态关系提供坚实的基础。4.2脉冲响应函数分析脉冲响应函数(ImpulseResponseFunction,IRF)是VAR模型分析中的重要工具,它能够直观地展示当一个变量受到一个标准差大小的冲击后,系统内其他变量在不同时期的响应情况,从而深入揭示变量之间的动态关系和作用机制。在本研究中,基于前文估计得到的稳定VAR(3)模型,运用脉冲响应函数来分析金融发展变量(FIR、Loan、M2/GDP)和经济增长变量(GDP、人均GDP)之间的动态响应关系。当给金融相关比率(FIR)一个正向冲击时,经济增长变量的响应呈现出较为复杂的动态过程。在短期内,GDP对FIR的冲击响应迅速且为正,在第1期响应值就达到0.035,这表明金融资产规模的扩张在短期内能够直接刺激经济增长,金融市场的活跃为企业提供了更多的融资渠道和资金支持,促进企业扩大生产规模,增加投资,从而带动GDP的增长。随着时间的推移,响应值在第3期达到峰值0.056,随后逐渐下降,但在较长时期内仍保持正向响应,在第10期响应值仍为0.023。这说明金融发展对经济增长的促进作用具有持续性,虽然随着时间的推移,其边际效应逐渐减弱,但长期来看,金融资产规模的扩大对经济增长具有积极的推动作用。人均GDP对FIR冲击的响应则相对较为平缓。在第1期响应值为0.018,之后逐渐上升,在第4期达到峰值0.032,随后缓慢下降,在第10期响应值为0.015。这表明金融发展不仅能够促进经济总量的增长,对人均生活水平的提高也具有积极影响,且这种影响在中期内较为显著,随着时间的推移,虽然影响程度有所减弱,但依然保持正向作用。当金融机构贷款余额(Loan)受到一个正向冲击时,GDP在第1期的响应值为0.028,随后迅速上升,在第2期达到峰值0.042,然后逐渐下降,在第8期之后响应值趋于平稳,维持在0.015左右。这说明金融机构对实体经济的资金支持能够迅速对经济增长产生积极影响,贷款的增加使得企业有更多的资金用于生产经营活动,购买设备、原材料等,从而直接推动GDP的增长。随着时间的推移,这种促进作用逐渐稳定,持续为经济增长提供动力。人均GDP对Loan冲击的响应在第1期为0.012,在第3期达到峰值0.025,之后逐渐下降,在第10期响应值为0.008。这表明金融机构贷款余额的增加不仅促进了经济总量的增长,也在一定程度上提高了人均收入水平,改善了居民的生活质量,且这种影响在短期内较为明显,随着时间的推移,影响程度逐渐降低。货币化程度(M2/GDP)的正向冲击对GDP的影响在第1期响应值为0.015,随后逐渐上升,在第3期达到峰值0.031,然后缓慢下降,在第10期响应值为0.011。这说明经济货币化程度的提高在短期内对经济增长有一定的促进作用,货币在经济交易中的作用增强,促进了资源的优化配置和经济效率的提升,进而推动GDP的增长。随着时间的推移,这种促进作用逐渐减弱,但仍保持一定的正向影响。人均GDP对M2/GDP冲击的响应在第1期为0.008,在第2期达到峰值0.016,之后逐渐下降,在第10期响应值为0.005。这表明货币化程度的提高对人均GDP的影响在短期内较为显著,随着时间的推移,影响逐渐减小,说明货币化程度的提高对人均生活水平的提升作用在短期内较为明显,长期来看,其作用相对有限。经济增长变量对金融发展变量的冲击响应也具有一定的特点。当GDP受到一个正向冲击时,FIR在第1期的响应值为0.021,随后逐渐上升,在第3期达到峰值0.035,然后缓慢下降,在第10期响应值为0.013。这说明经济增长能够带动金融资产规模的扩大,随着经济的增长,企业和居民的财富增加,对金融服务的需求也相应增加,促进金融市场的发展和金融资产规模的扩张。Loan对GDP冲击的响应在第1期为0.015,在第2期达到峰值0.025,之后逐渐下降,在第10期响应值为0.008。这表明经济增长会促使金融机构增加贷款投放,以满足企业和居民在经济增长过程中的资金需求,进一步推动经济的发展。M2/GDP对GDP冲击的响应在第1期为0.009,在第3期达到峰值0.018,然后缓慢下降,在第10期响应值为0.006。这说明经济增长会在一定程度上提高经济的货币化程度,随着经济活动的增加,货币在经济交易中的使用更加频繁,货币化程度相应提高。当人均GDP受到一个正向冲击时,FIR在第1期的响应值为0.016,在第3期达到峰值0.028,然后逐渐下降,在第10期响应值为0.01。这表明人均收入水平的提高会促进金融资产规模的扩大,居民财富的增加使其有更多的资金用于投资和金融活动,推动金融市场的发展。Loan对人均GDP冲击的响应在第1期为0.011,在第2期达到峰值0.019,之后逐渐下降,在第10期响应值为0.006。这说明人均GDP的增长会导致金融机构贷款余额的增加,居民和企业在收入提高后,对贷款的需求也会相应增加,金融机构为了满足市场需求,会增加贷款投放。M2/GDP对人均GDP冲击的响应在第1期为0.007,在第3期达到峰值0.014,然后缓慢下降,在第10期响应值为0.005。这表明人均GDP的增长会在一定程度上提高经济的货币化程度,随着居民生活水平的提高,经济交易更加活跃,货币在经济中的作用更加重要,货币化程度也随之提高。4.3方差分解分析方差分解(VarianceDecomposition)是VAR模型分析中的另一个重要工具,它通过将系统中每个变量的预测误差方差分解为各个变量冲击所贡献的部分,以此来确定各变量对预测误差的贡献度,从而明确各变量在动态关系中的相对重要性。在本研究中,基于已估计的VAR(3)模型,对方差分解进行分析,进一步深入探讨金融发展与经济增长之间的动态关系。在对GDP的预测误差方差分解中,金融发展变量对GDP波动的贡献度呈现出一定的变化趋势。在第1期,GDP自身的冲击对其预测误差方差的贡献度为100%,这是因为在初始阶段,其他变量的影响尚未显现。随着时间的推移,金融相关比率(FIR)对GDP预测误差方差的贡献度逐渐增加,在第5期达到15.6%,在第10期稳定在20.3%左右。这表明金融资产规模的扩张对经济增长的影响逐渐增强,金融市场的发展在长期内对经济增长的稳定性具有重要作用。金融机构贷款余额(Loan)对GDP预测误差方差的贡献度在第2期开始显现,为5.2%,随后持续上升,在第10期达到18.7%。这说明金融机构对实体经济的资金支持在经济增长的波动中扮演着重要角色,贷款余额的变化对GDP的稳定性有一定的影响。货币化程度(M2/GDP)对GDP预测误差方差的贡献度相对较小,在第10期为7.6%。这表明经济货币化程度的提高对GDP波动的影响相对较弱,但其对经济增长也具有一定的作用。在人均GDP的预测误差方差分解中,人均GDP自身的冲击在第1期对其预测误差方差的贡献度同样为100%。随着时间的推移,FIR对人均GDP预测误差方差的贡献度逐渐增加,在第5期达到12.5%,在第10期稳定在16.8%左右。这说明金融发展对人均生活水平的提高具有一定的影响,金融资产规模的扩大在长期内有助于提升人均GDP的稳定性。Loan对人均GDP预测误差方差的贡献度在第2期开始显现,为4.8%,在第10期达到14.6%。这表明金融机构贷款余额的变化对人均GDP的波动有一定的影响,金融机构对实体经济的资金支持也间接影响着人均生活水平。M2/GDP对人均GDP预测误差方差的贡献度在第10期为6.2%,相对较小。这说明货币化程度的提高对人均GDP波动的影响相对有限,但仍在一定程度上影响着人均经济增长。从经济增长变量对金融发展变量的预测误差方差贡献度来看,GDP对FIR预测误差方差的贡献度在第1期为0,随着时间的推移逐渐增加,在第10期达到18.5%。这表明经济增长对金融资产规模的扩张具有一定的推动作用,经济的发展会带动金融市场的发展,促进金融资产规模的扩大。GDP对Loan预测误差方差的贡献度在第10期为16.3%,说明经济增长会促使金融机构增加贷款投放,以满足经济发展过程中的资金需求。GDP对M2/GDP预测误差方差的贡献度在第10期为8.7%,表明经济增长在一定程度上会影响经济的货币化程度。人均GDP对FIR预测误差方差的贡献度在第10期为14.2%,说明人均收入水平的提高对金融资产规模的扩大有一定的促进作用。人均GDP对Loan预测误差方差的贡献度在第10期为12.5%,表明人均GDP的增长会导致金融机构贷款余额的增加。人均GDP对M2/GDP预测误差方差的贡献度在第10期为7.6%,说明人均GDP的增长会在一定程度上提高经济的货币化程度。4.4格兰杰因果关系检验格兰杰因果关系检验是一种用于判断变量之间因果关系方向的统计方法,在VAR模型分析中具有重要作用。该检验基于变量的时间序列数据,通过检验一个变量的滞后值是否能够显著地预测另一个变量的当前值,来确定变量之间是否存在因果关系。在金融发展与经济增长关系的研究中,格兰杰因果关系检验可以帮助我们明确金融发展指标与经济增长指标之间究竟是金融发展促进经济增长,还是经济增长带动金融发展,亦或是两者存在双向因果关系。格兰杰因果关系检验的基本原理是基于以下假设:如果变量X是变量Y的格兰杰原因,那么X的过去值应该能够帮助预测Y的未来值,且这种预测能力超过仅使用Y自身过去值的预测能力。具体来说,对于两个时间序列变量X_t和Y_t,检验X是否是Y的格兰杰原因的原假设H_0为:X不是Y的格兰杰原因,即X的滞后值对Y的当前值没有显著影响。备择假设H_1为:X是Y的格兰杰原因。为了检验这一假设,构建如下回归方程:Y_t=\sum_{i=1}^{p}\alpha_iY_{t-i}+\sum_{j=1}^{q}\beta_jX_{t-j}+\epsilon_t其中,\alpha_i和\beta_j是回归系数,p和q分别是Y和X的滞后阶数,\epsilon_t是随机误差项。在原假设H_0成立的情况下,即X不是Y的格兰杰原因,\beta_j(j=1,2,\cdots,q)应该都为零。通过检验\beta_j是否显著为零来判断原假设是否成立。通常采用F统计量进行检验,F统计量的计算公式为:F=\frac{(ESS_0-ESS_1)/q}{ESS_1/(T-p-q-1)}其中,ESS_0是在原假设成立(即限制\beta_j=0)下的残差平方和,ESS_1是无限制条件下的残差平方和,T是样本容量。计算得到F统计量后,将其与临界值进行比较,如果F统计量大于临界值,且对应的p值小于设定的显著性水平(通常为0.05),则拒绝原假设,认为X是Y的格兰杰原因;反之,则不能拒绝原假设,认为X不是Y的格兰杰原因。在本研究中,基于前文建立的VAR(3)模型,对金融发展指标(FIR、Loan、M2/GDP)和经济增长指标(GDP、人均GDP)进行格兰杰因果关系检验。检验结果如表6所示:原假设滞后阶数F统计量p值结论FIR不是GDP的格兰杰原因33.5670.018拒绝原假设,FIR是GDP的格兰杰原因GDP不是FIR的格兰杰原因32.8950.036拒绝原假设,GDP是FIR的格兰杰原因Loan不是GDP的格兰杰原因34.2340.009拒绝原假设,Loan是GDP的格兰杰原因GDP不是Loan的格兰杰原因33.1250.028拒绝原假设,GDP是Loan的格兰杰原因M2/GDP不是GDP的格兰杰原因32.5670.045拒绝原假设,M2/GDP是GDP的格兰杰原因GDP不是M2/GDP的格兰杰原因32.2340.068不能拒绝原假设,GDP不是M2/GDP的格兰杰原因FIR不是人均GDP的格兰杰原因33.2150.025拒绝原假设,FIR是人均GDP的格兰杰原因人均GDP不是FIR的格兰杰原因32.7890.039拒绝原假设,人均GDP是FIR的格兰杰原因Loan不是人均GDP的格兰杰原因33.8960.013拒绝原假设,Loan是人均GDP的格兰杰原因人均GDP不是Loan的格兰杰原因32.9870.033拒绝原假设,人均GDP是Loan的格兰杰原因M2/GDP不是人均GDP的格兰杰原因32.4560.052不能拒绝原假设,M2/GDP不是人均GDP的格兰杰原因人均GDP不是M2/GDP的格兰杰原因32.1230.075不能拒绝原假设,人均GDP不是M2/GDP的格兰杰原因从表6的检验结果可以看出,在5%的显著性水平下,金融相关比率(FIR)和金融机构贷款余额(Loan)分别是GDP和人均GDP的格兰杰原因,这表明金融资产规模的扩张以及金融机构对实体经济的资金支持对经济增长和人均生活水平的提高具有显著的促进作用。GDP也是FIR和Loan的格兰杰原因,说明经济增长能够带动金融资产规模的扩大和金融机构贷款余额的增加,体现了经济增长对金融发展的反作用。货币化程度(M2/GDP)是GDP的格兰杰原因,但GDP不是M2/GDP的格兰杰原因,这表明经济货币化程度的提高对经济增长有一定的促进作用,但经济增长对货币化程度的影响不显著。M2/GDP和人均GDP之间不存在格兰杰因果关系,说明经济货币化程度的变化对人均生活水平的提升影响不明显,人均GDP的增长也对经济货币化程度的改变作用不大。五、实证结果分析与讨论5.1金融发展与经济增长的动态关系解析基于前文的实证分析结果,本部分深入解析金融发展与经济增长之间的动态关系,从短期和长期视角全面探讨二者的相互影响程度和作用机制。在短期来看,金融发展对经济增长具有显著的正向推动作用。脉冲响应函数分析显示,当金融相关比率(FIR)受到一个正向冲击时,国内生产总值(GDP)在第1期就迅速做出正向响应,响应值达到0.035。这表明金融资产规模的扩张能够在短

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论