论文部分内容阅读
摘 要:金融业是现代市场经济的重要组成部分,广东金融发展与城镇化、工业化之间关系密切,良性互动有助于促进广东经济可持续发展。文章基于VAR模型,选择1978-2013年的城镇化率、工业化率和金融发展指标这三个数据,运用Granger因果检验、脉冲分析、方差分解等方法对广东城镇化、工业化与金融发展三者之间的关系进行了实证分析,探讨了三者之间存在的互动关系,并提出了实现广东金融发展与城镇化、工业化良性互动的对策建议。
关键词:金融发展;城镇化;工业化;VAR模型
中图分类号:F832.765 文献标志码:A 文章编号:1008-2697(2015)04-0043-06
在中共十八大报告中,关于城镇化建设习近平总书记做出这样的表达“要形成以工促农、以城带乡、工农互惠、城乡一体的新型工农、城乡关系。”一时间,城镇化成为社会界和学术界谈论的重点。并且早在2012年12月,中央经济工作会议时就指出,城镇化是我国建设的历史任务,也是扩大内需的最大潜力所在。同时,城镇化与工业化紧密相关,是一个国家或地区实现现代化的两个必不可少的实体要素,城市工业生产需要大量劳动力,吸引农村剩余人口向城镇转移;同时,城镇人口的集聚也随之会产生各种需求,又会促使国家或地区加大对基础设施的投资,进而拉动工业化的发展。众所周知,金融业作为资金融通的重要渠道,是现代市场经济的核心,金融产业可将零散的居民储蓄转化为集中的企业投资,为城镇化和工业化建设提供资金支持[1]。因此,研究金融发展与城镇化、工业化之间的互动关系具有重要的现实意义,它使得国家在制定经济政策时能够更好地引导金融产业发挥在城镇化和工业化建设中的促进作用。
广东省走在中国改革发展的前列,无论是经济发展、城镇化水平还是工业化水平都稳居全国前三。2013年,广东省银行业金融机构人民币各项存款余额89169.6亿元,比2012年增加9211.6亿元,同期人民币各项贷款余额为53411.8亿元,比2012年增加6220.2亿元。2013年广东省城镇化率达到了76.67%,较1986年提高了28.3个百分点,工业化率达到55.66%,较1986年提高了15.11个百分点。城镇化和工业化是实现现代化的必由之路,金融发展为城镇化和工业化提供资金支持,是实现现代化的核心,为促进广东省的经济发展,研究三者之间的动态关系便显得势在必行。本文利用1978到2013年的有关数据,建立VAR模型进行实证研究,重点谈论三者之间互动关系的内在机理,并针对广东省的经济发展提出一些政策建议。
一、指标选取和数据来源
针对本文所研究的问题,实证分析过程中选取下列指标对城镇化、工业化和金融发展进行测量和评估[2]。
(一)城镇化率(CZ)
城镇化率是指某一个国家或地区中城镇人口占总人口的比例,用来反映国家或地区农村人口向城市聚集的程度,即城镇化是农村人口转为城镇人口的过程。其公式为:户籍人口城镇化率(CZ)=非农业人口/总人口。
(二)工业化指标
狭义的工业化是指第二产业在国民收入中的比重和第二产业劳动人口占总劳动人口的比重不断增加。广义的工业化是指国民经济的进步和发展。文章采用狭义的工业化指标,选择“工业增加值增长率”来表示工业化的水平,用符号GY表示,其公式为:工业增加值增长率(GY)=工业增加值/工业总产值。
(三)金融发展指标
金融业为工业发展和城市建设筹集资金,支持工业的运作,对区域经济发展有非常重要的作用。Coldsnith(1969)首次提出用的“金融相关率”作为衡量金融发展的指标,这一指标被国内外学者广泛接受并采用,借鉴已有的成果并考虑数据的可得性,本文也采用金融相关率作为衡量金融发展指标,用FIR表示,其公式为:金融相关率(FIR)=(金融机构存款余额+金融机构贷款余额)/GDP。
本文所用的计量软件为eviews7.2,选则1978—2013年相关的数据指标,共有36个年度样本,数据来源于相关年份的《广东统计年鉴》和《中国统计年鉴》,为消除异方差的存在,同时又不影响时间序列性质的的前提下,对CZ、GY、FIR三个指标进行取自然对数处理,得到反应城镇化、工业化和金融发展的指标分别为LNCZ、LNGY、LNFIR(见表1)。
表1 广东省城镇化、工业化、金融发展指标数据
年份 LNCZ LNGY LNFIR
1978 -1.816705955 -0.894109353 -0.080697044
1979 -1.777953835 -0.885405245 -0.121983591
1980 -1.749040687 -0.901868903 -0.018430721
1981 -1.731864032 -0.8756296 0.060989214
1982 -1.708478706 -0.916732604 0.073883359
1983 -1.704034952 -0.913753795 0.174712099
1984 -1.627286352 -0.838364564 0.444777484
1985 -1.652474628 -0.846926756 0.328847617
1986 -1.621007897 -0.941996069 0.471978816
1987 -1.510359958 -0.838008293 0.474948922
1988 -1.467457758 -0.821233141 0.390135183
1989 -1.472757352 -1.044554645 0.343574353 1990 -1.47339204 -1.146472238 0.434898794
1991 -1.443569312 -1.035265502 0.465938308
1992 -1.40788582 -1.032053323 0.537808208
1993 -1.308560434 -0.919836423 0.307701829
1994 -1.239915365 -1.032322514 0.265638648
1995 -1.220376089 -1.088693196 0.75204667
1996 -1.202224364 -1.229434031 0.819273632
1997 -1.18595504 -1.180157891 0.911262503
1998 -1.169042683 -1.244537971 0.983797135
1999 -1.16511786 -1.281106044 1.033538312
2000 -1.308142895 -1.232235824 0.98019563
2001 -1.295267286 -1.229969869 0.993751095
2002 -1.161637223 -1.2741458 1.038091269
2003 -0.889667922 -1.151760724 1.051847005
2004 -0.875028925 -1.35225245 0.980564967
2005 -0.811948329 -1.188923036 1.001038499
2006 -0.822199208 -1.202368462 0.956505045
2007 -0.822758434 -1.23017241 0.9179192
2008 -0.833728826 -1.270682794 0.894512336
2009 -0.843476608 -1.40629728 1.062106953
2010 -0.854194492 -1.262922909 1.016439077
2011 -0.846512511 -1.33280464 0.985661664
2012 -0.85510879 -1.132122039 1.030393368
2013 -0.816831897 -1.342931102 1.038091269
二、实证结果及分析
(一)单位根检验
时间序列往往存在非平稳性,从而导致伪回归现象的出现,为了防止这样现象出现,需要先对时间序列的平稳性进行单位根检验,其中最常用的是ADF单位根检验,本文亦采用此方法,检验结果见表2。
表2 ADF单位根检验的结果输出
变量名 检验类型
(A,T,P) ADF值 5%的临界值 概率 是否平稳
LNCZ (A,T,O) -0.937442 -2.948404 0.7641 非平稳
LNGY (A,T,O) -1.92382 -2.951125 0.6663 非平稳
LNFIR (A,T,O) -1.678511 -2.954021 0.4634 非平稳
DLNCZ (A,T,O) -4.355553 -2.951125 0.0015 平稳
DLNGY (A,T,O) -8.09516 -2.951125 0 平稳
DLNFIR (A,T,O) -6.17303 -2.951125 0 平稳
注:检验类型(A,T,P)中的A、T和P分别表示单位根检验方程中包含常数项、时间趋势项和滞后阶数的选择;0是检验结果中不包含常数项和时间趋势项;D表示一阶差分。
从表中单位根检验结果可以看出,原序列LNCZ、LNGY、LNFIR的ADF值都大于5%的临界值且概率P值都大于0.05,接受存在单位根的原假设,认为原序列是非平稳的。对原序列进行一阶差分后的DLNCZ、DLNGY、DLNFIR三个序列在5%显著性水平下平稳,即所有变量都是一阶单整I(1)。
(二)VAR模型滞后期的确定
建立VAR模型之前需要先确定最优的滞后阶数,选择依据LR、FPE、AIC、SC和HQ这五个统计量决定,其值越小越好。结果见表3 。
表3 VAR最优滞后阶数选择
Lag LogL LR FPE AIC SC HQ
0 38.53957 NA 2.33E-05 -2.153913 -2.017867 -2.108138
1 112.5838 130.1384* 4.54e-07* -6.095991* -5.551806* -5.912889*
2 115.9833 5.356632 6.47E-07 -5.756561 -4.804238 -5.436133
3 118 2.811194 1.03E-06 -5.333332 -3.972871 -4.875578
注:* 表示根据相应准则选择的滞后阶数。
表3结果显示,当VAR模型的滞后阶数为1时,评价准则拥有的所有的*,所以可以确定VAR模型的滞后阶数为1阶,即VAR(1)最优。
(三)VAR模型稳定性检验 通过上文分析可得建立VAR(1)模型是最优,但是该模型是否合理可建还需要对其进行稳定相检验。对于此滞后长度为1且有3个内生变量的VAR模型,特征根多项式则有3个特征根,如果这三个特征根的倒数的模均小于1(即位于单位圆内),则VAR模型是稳定的,如果有一个特征根的倒数的模等于1(即位于单位圆上),则说明该VAR模型不稳定需要重建[3]。检验结果显示VAR(1)的三个特征根均小于1,分别为0.971014、0.680596和0.199391,特征根的图检验如下:
图1 AR特征根的倒数的模的单位圆图示
表4 城镇化、工业化、金融发展的Granger因果分析
原假设 卡方统计量 自由度 P值 结论
LNCZ方程 GY不是CZ的Granger原因 0.031359 1 0.8594 接受
FIR不是CZ的Granger原因 0.816380 1 0.3664 接受
GY、FIR同时不是CZ的Granger原因 1.333051 2 0.5135 接受
LNGY方程 CZ不是GY的Granger原因 6.564662 1 0.0104 拒绝
FIR不是GY的Granger原因 0.974598 1 0.3235 接受
CZ、FIR同时不是GY的Granger原因 15.54928 2 0.0004 拒绝
LNFIR方程 CZ不是FIR的Granger原因 0.531424 1 0.4660 接受
GY不是FIR的Granger原因 3.201030 1 0.0726 拒绝
GY、CZ同时不是FIR的Granger原因 5.023797 2 0.0811 拒绝
无论从特征根的值还是单位圆内的图示都显示该VAR(1)是稳定的,因此可以建立VAR(1)模型并在模型的基础上进行格兰杰因果分析、脉冲响应函数、方差分析等。
(四)格兰杰因果检验
金融发展水平与城镇化率、工业化率三个变量之间是否存在因果关系,某个变量的所有滞后项是否对另外两个变量有影响,这需要进行Granger因果检验,检验结果见表4。
从表4可以看出,在10%的显著水平下,城镇化是工业化的Granger原因,但工业化不是城镇化的Granger原因,根据经济学家H·钱纳里和M·塞奎因的理论:工业化发展早期,是工业反哺农业,工业发展推动农业化;在工业化发展的后期,则是农业化促进工业化的形成。广东省处于工业化发展的中后期,城镇化加速发展并且已经超过工业化,城镇人口急剧扩张、各种需求增大,因此,在强大需求的拉动下,城镇化对工业化的促进作用变得凸显。
城镇化和金融发展同时是工业化的Granger原因,其两者综合作用对工业化的促进效果更明显,因为城镇发展带来对公共基础设施的需求、食品服务需求、设备需求的增加,金融发展能够有力的为满足需求而开展的工业建设提供资金支持,两者共同促进工业化快速发展。
工业化是金融发展的Granger原因,但金融发展并不是工业化的Granger原因,而且工业化和城镇化同时是金融发展的Granger原因。广东省的工业发展居全国首位,工业产业链条完善、规模效应发展明显、高新科技聚集、核心竞争力突出,因此工业对金融发展具有明显的带动作用。整体上,广东省的金融发展却滞后于工业化,本省金融产业不能满足工业发展所需求的巨额的资金支持,这也就成为抑制工业发展的重要原因[4]。工业化和城镇化发展需要更多更有效的资金,因此其综合作用可以带动金融产业向更高效更长远的方向发展。
(五)脉冲响应函数
要了解金融发展与城镇化、工业化之间的动态影响效果,则需要对上述的VAR(1)模型进行脉冲响应函数分析,具体分析结果见图2、图3。下图中横轴表示为时间,纵轴表示城镇化与金融发展受到冲击后的影响变化情况,上下红色虚线表示脉冲响应函数值加减两倍标准差的置信区间。
图2 金融发展对城镇化的脉冲响应
图3 工业化对金融发展的脉冲响应
图2显示的是金融发展LNFIR对城镇化LNCZ的脉冲响应函数图,蓝色实线表示LNCZ受到冲击后的走势,从第一期开始LNCZ指数开始上升并在第六期(即第六年)时达到最高峰的稳定值(0.016),在其后的年份里保持稳定。通过图2可以判断,金融发展对城镇化有正的冲击作用,并在第六年达到峰值;图3显示的是工业化LNGY变动一个标准差对金融发展LNFIR的脉冲响应函数图,蓝色实线表示LNFIR受到冲击后的走势,同样可见工业化LNGY对金融发展LNFIR有正向冲击作用,并在第三年达到峰值(0.027),此后逐年下降。
(六)方差分解
方差分解是定量分析每一个随机扰动项对其内生变量变化的贡献率,用于评价随机新息对内生变量的相对重要性。结果见表5。
表5 金融发展LNFIR预测方差分解图
期数 标准差 LNFIR LNGY LNCZ
1 0.063288 89.52124 10.11431 0.364455
2 0.085411 77.63989 22.0997 0.260414
3 0.100592 72.19826 27.05898 0.742759
4 0.112438 68.95683 29.08854 1.954634
5 0.122287 66.47168 29.80007 3.728257
6 0.130773 64.30451 29.87304 5.822447
7 0.13824 62.3332 29.63061 8.036195 8 0.144901 60.5281 29.23917 10.23273
9 0.1509 58.88149 28.78766 12.33085
10 0.156338 57.38721 28.32382 14.28897
表5给出了金融发展水平方差分解结果,在第1期,金融水平的变动有将近90%来自其本身的新息,随着时间的推移,自身影响的贡献率在逐渐减少,而工业化和城镇化对金融发展的影响在逐渐增加。到了第10期,金融发展水平波动受自身影响的部分减小到57.38721%,工业化波动为金融规模冲击解释的部分达到28.32382%,大于城镇化的贡献率14.28897%,可见,工业化对金融发展的影响要大于城镇化对金融发展的影响程度[5]。
三、结论与建议
本文利用VAR(1)模型、Granger因果检验、脉冲响应函数、方差分解等方式对广东省的城镇化、工业化与金融发展三者之间的关系进行了实证分析,得出如下结论:
1.城镇化、工业化、金融发展三者之间存在互动关系,城镇化是工业化的Granger原因,但工业化不是城镇化的Granger原因,这是我国的户籍制度造成的,广东应加大户籍制度改革力度,促使城镇化与工业化良性互动;工业化是金融发展的Granger原因,但金融发展不是工业化的Granger原因,说明广东金融发展滞后于工业化,金融机构不能为工业企业部门的发展提供足够的资金支持,不足满足工业发展的需求。
2.从脉冲响应分析可以看出,工业化对金融发展有正向的冲击作用,并且这种作用能够在较短的时间(三年)内达到峰值;金融发展对城镇化也有正项的冲击作用,但这个冲击反应迟缓,要在第六年才能达到稳定的效果;城镇化对金融发展在前两年表现出负作用,其后才开始上升为正项的冲击作用。
3.方差分析结果表明,第一期金融发展状况受自身影响较大,几乎占到90%,随后这种影响降低;工业化和城镇化对金融发展的影响随着时间的推移逐渐递增,工业化对金融发展的促进作用比较稳定,贡献率将近为30%,城镇化对金融发展的促进作用逐年增加,并且工业化对金融发展的贡献度要大于城镇化对其影响。
针对上文的结论部分,有针对性地提出以下几点建议:
首先,城镇化和工业化之间的非良性互动是我国长期存在的“二元结构”户籍制度造成的,只有加大户籍制度改革力度,加快农村建设用地自由入市的步伐,促进家庭承包经营土地确权颁证、使土地经营权顺利流转,让更多的进城务工的农民工带“资”进城,享受市民待遇,才能促进广东新型城镇化的发展,
其次,实证结果显示金融机构未能给广东省的工业发展提供足够的资金支持,金融机构可以将民间储蓄转化为投资,提高资金资源的配置效率。为此,应该进一步加快广东省金融机构的发展,推动金融产品创新、满足客户多样化需求:积极开展中小企业仓单质押贷款、应收账款质押贷款等质押贷款品种以及车辆抵押、房产抵押等多种抵押贷款形式,活跃市场资金;创新权益型的融资工具,例如换股并购、员工持股计划(ESOP)等,吸引广泛的社会资金为工业化、城镇化的建设提供有效的资金支持[6]。
最后,广东在提高工业化程度时,应大力发展区域特色经济,把各地的比较优势转变为竞争优势,避免支柱产业雷同现象,努力形成差异化的产业布局。例如,珠三角地区着力发展电子通讯、计算机、电气机械制造业以及汽车运输制造业等科技含量较高的产业;环珠三角地区着力发展电力、热力生产和供应等行业以满足珠三角巨大的需求;粤东地区重点发展纺织业,纺织服装、服饰业,橡胶和塑料制品业;粤西地区应加强农副产品、水产品的深加工业,石油加工、金属冶炼、海滨旅游业等;粤北山区重点发展金属冶炼和压延加工业,非金属矿物制品业,电力、热力生产和供应业和生态旅游业等。
参考文献:
[1]孙长青.基于VAR模型的城镇化、工业化与金融发展关系分
析——以中原经济区为例[J].经济经纬,2012(06):17-21.
[2]石林,肖春梅,张晓燕.基于VAR模型的新疆城镇化、工业化
与金融发展[J].企业经济,2013(10):147-151.
[3]郭娇娇.城镇化、工业化与金融发展相关关系实证分析——
以重庆市为例[J].商业时代,2013(35):77-79.
[4]张艳,沈惟维.安徽省金融发展、城镇化及工业化动态关系
研究——基于VAR模型的实证分析[J].吉林工商学院学报,
2014(04):55-59.
[5]沈惟维.铜陵市金融发展、城镇化及工业化动态关系研
究——基于VAR模型的实证分析[J].铜陵学院学报,2014(04):
15-18+54.
[6]张士云,谭美容.基于VAR模型下的安徽省金融发展和城镇
化的关系分析[J].安徽农业大学学报(社会科学版),
2015(03):50-53+124.
(责任编辑:陈 勇)
关键词:金融发展;城镇化;工业化;VAR模型
中图分类号:F832.765 文献标志码:A 文章编号:1008-2697(2015)04-0043-06
在中共十八大报告中,关于城镇化建设习近平总书记做出这样的表达“要形成以工促农、以城带乡、工农互惠、城乡一体的新型工农、城乡关系。”一时间,城镇化成为社会界和学术界谈论的重点。并且早在2012年12月,中央经济工作会议时就指出,城镇化是我国建设的历史任务,也是扩大内需的最大潜力所在。同时,城镇化与工业化紧密相关,是一个国家或地区实现现代化的两个必不可少的实体要素,城市工业生产需要大量劳动力,吸引农村剩余人口向城镇转移;同时,城镇人口的集聚也随之会产生各种需求,又会促使国家或地区加大对基础设施的投资,进而拉动工业化的发展。众所周知,金融业作为资金融通的重要渠道,是现代市场经济的核心,金融产业可将零散的居民储蓄转化为集中的企业投资,为城镇化和工业化建设提供资金支持[1]。因此,研究金融发展与城镇化、工业化之间的互动关系具有重要的现实意义,它使得国家在制定经济政策时能够更好地引导金融产业发挥在城镇化和工业化建设中的促进作用。
广东省走在中国改革发展的前列,无论是经济发展、城镇化水平还是工业化水平都稳居全国前三。2013年,广东省银行业金融机构人民币各项存款余额89169.6亿元,比2012年增加9211.6亿元,同期人民币各项贷款余额为53411.8亿元,比2012年增加6220.2亿元。2013年广东省城镇化率达到了76.67%,较1986年提高了28.3个百分点,工业化率达到55.66%,较1986年提高了15.11个百分点。城镇化和工业化是实现现代化的必由之路,金融发展为城镇化和工业化提供资金支持,是实现现代化的核心,为促进广东省的经济发展,研究三者之间的动态关系便显得势在必行。本文利用1978到2013年的有关数据,建立VAR模型进行实证研究,重点谈论三者之间互动关系的内在机理,并针对广东省的经济发展提出一些政策建议。
一、指标选取和数据来源
针对本文所研究的问题,实证分析过程中选取下列指标对城镇化、工业化和金融发展进行测量和评估[2]。
(一)城镇化率(CZ)
城镇化率是指某一个国家或地区中城镇人口占总人口的比例,用来反映国家或地区农村人口向城市聚集的程度,即城镇化是农村人口转为城镇人口的过程。其公式为:户籍人口城镇化率(CZ)=非农业人口/总人口。
(二)工业化指标
狭义的工业化是指第二产业在国民收入中的比重和第二产业劳动人口占总劳动人口的比重不断增加。广义的工业化是指国民经济的进步和发展。文章采用狭义的工业化指标,选择“工业增加值增长率”来表示工业化的水平,用符号GY表示,其公式为:工业增加值增长率(GY)=工业增加值/工业总产值。
(三)金融发展指标
金融业为工业发展和城市建设筹集资金,支持工业的运作,对区域经济发展有非常重要的作用。Coldsnith(1969)首次提出用的“金融相关率”作为衡量金融发展的指标,这一指标被国内外学者广泛接受并采用,借鉴已有的成果并考虑数据的可得性,本文也采用金融相关率作为衡量金融发展指标,用FIR表示,其公式为:金融相关率(FIR)=(金融机构存款余额+金融机构贷款余额)/GDP。
本文所用的计量软件为eviews7.2,选则1978—2013年相关的数据指标,共有36个年度样本,数据来源于相关年份的《广东统计年鉴》和《中国统计年鉴》,为消除异方差的存在,同时又不影响时间序列性质的的前提下,对CZ、GY、FIR三个指标进行取自然对数处理,得到反应城镇化、工业化和金融发展的指标分别为LNCZ、LNGY、LNFIR(见表1)。
表1 广东省城镇化、工业化、金融发展指标数据
年份 LNCZ LNGY LNFIR
1978 -1.816705955 -0.894109353 -0.080697044
1979 -1.777953835 -0.885405245 -0.121983591
1980 -1.749040687 -0.901868903 -0.018430721
1981 -1.731864032 -0.8756296 0.060989214
1982 -1.708478706 -0.916732604 0.073883359
1983 -1.704034952 -0.913753795 0.174712099
1984 -1.627286352 -0.838364564 0.444777484
1985 -1.652474628 -0.846926756 0.328847617
1986 -1.621007897 -0.941996069 0.471978816
1987 -1.510359958 -0.838008293 0.474948922
1988 -1.467457758 -0.821233141 0.390135183
1989 -1.472757352 -1.044554645 0.343574353 1990 -1.47339204 -1.146472238 0.434898794
1991 -1.443569312 -1.035265502 0.465938308
1992 -1.40788582 -1.032053323 0.537808208
1993 -1.308560434 -0.919836423 0.307701829
1994 -1.239915365 -1.032322514 0.265638648
1995 -1.220376089 -1.088693196 0.75204667
1996 -1.202224364 -1.229434031 0.819273632
1997 -1.18595504 -1.180157891 0.911262503
1998 -1.169042683 -1.244537971 0.983797135
1999 -1.16511786 -1.281106044 1.033538312
2000 -1.308142895 -1.232235824 0.98019563
2001 -1.295267286 -1.229969869 0.993751095
2002 -1.161637223 -1.2741458 1.038091269
2003 -0.889667922 -1.151760724 1.051847005
2004 -0.875028925 -1.35225245 0.980564967
2005 -0.811948329 -1.188923036 1.001038499
2006 -0.822199208 -1.202368462 0.956505045
2007 -0.822758434 -1.23017241 0.9179192
2008 -0.833728826 -1.270682794 0.894512336
2009 -0.843476608 -1.40629728 1.062106953
2010 -0.854194492 -1.262922909 1.016439077
2011 -0.846512511 -1.33280464 0.985661664
2012 -0.85510879 -1.132122039 1.030393368
2013 -0.816831897 -1.342931102 1.038091269
二、实证结果及分析
(一)单位根检验
时间序列往往存在非平稳性,从而导致伪回归现象的出现,为了防止这样现象出现,需要先对时间序列的平稳性进行单位根检验,其中最常用的是ADF单位根检验,本文亦采用此方法,检验结果见表2。
表2 ADF单位根检验的结果输出
变量名 检验类型
(A,T,P) ADF值 5%的临界值 概率 是否平稳
LNCZ (A,T,O) -0.937442 -2.948404 0.7641 非平稳
LNGY (A,T,O) -1.92382 -2.951125 0.6663 非平稳
LNFIR (A,T,O) -1.678511 -2.954021 0.4634 非平稳
DLNCZ (A,T,O) -4.355553 -2.951125 0.0015 平稳
DLNGY (A,T,O) -8.09516 -2.951125 0 平稳
DLNFIR (A,T,O) -6.17303 -2.951125 0 平稳
注:检验类型(A,T,P)中的A、T和P分别表示单位根检验方程中包含常数项、时间趋势项和滞后阶数的选择;0是检验结果中不包含常数项和时间趋势项;D表示一阶差分。
从表中单位根检验结果可以看出,原序列LNCZ、LNGY、LNFIR的ADF值都大于5%的临界值且概率P值都大于0.05,接受存在单位根的原假设,认为原序列是非平稳的。对原序列进行一阶差分后的DLNCZ、DLNGY、DLNFIR三个序列在5%显著性水平下平稳,即所有变量都是一阶单整I(1)。
(二)VAR模型滞后期的确定
建立VAR模型之前需要先确定最优的滞后阶数,选择依据LR、FPE、AIC、SC和HQ这五个统计量决定,其值越小越好。结果见表3 。
表3 VAR最优滞后阶数选择
Lag LogL LR FPE AIC SC HQ
0 38.53957 NA 2.33E-05 -2.153913 -2.017867 -2.108138
1 112.5838 130.1384* 4.54e-07* -6.095991* -5.551806* -5.912889*
2 115.9833 5.356632 6.47E-07 -5.756561 -4.804238 -5.436133
3 118 2.811194 1.03E-06 -5.333332 -3.972871 -4.875578
注:* 表示根据相应准则选择的滞后阶数。
表3结果显示,当VAR模型的滞后阶数为1时,评价准则拥有的所有的*,所以可以确定VAR模型的滞后阶数为1阶,即VAR(1)最优。
(三)VAR模型稳定性检验 通过上文分析可得建立VAR(1)模型是最优,但是该模型是否合理可建还需要对其进行稳定相检验。对于此滞后长度为1且有3个内生变量的VAR模型,特征根多项式则有3个特征根,如果这三个特征根的倒数的模均小于1(即位于单位圆内),则VAR模型是稳定的,如果有一个特征根的倒数的模等于1(即位于单位圆上),则说明该VAR模型不稳定需要重建[3]。检验结果显示VAR(1)的三个特征根均小于1,分别为0.971014、0.680596和0.199391,特征根的图检验如下:
图1 AR特征根的倒数的模的单位圆图示
表4 城镇化、工业化、金融发展的Granger因果分析
原假设 卡方统计量 自由度 P值 结论
LNCZ方程 GY不是CZ的Granger原因 0.031359 1 0.8594 接受
FIR不是CZ的Granger原因 0.816380 1 0.3664 接受
GY、FIR同时不是CZ的Granger原因 1.333051 2 0.5135 接受
LNGY方程 CZ不是GY的Granger原因 6.564662 1 0.0104 拒绝
FIR不是GY的Granger原因 0.974598 1 0.3235 接受
CZ、FIR同时不是GY的Granger原因 15.54928 2 0.0004 拒绝
LNFIR方程 CZ不是FIR的Granger原因 0.531424 1 0.4660 接受
GY不是FIR的Granger原因 3.201030 1 0.0726 拒绝
GY、CZ同时不是FIR的Granger原因 5.023797 2 0.0811 拒绝
无论从特征根的值还是单位圆内的图示都显示该VAR(1)是稳定的,因此可以建立VAR(1)模型并在模型的基础上进行格兰杰因果分析、脉冲响应函数、方差分析等。
(四)格兰杰因果检验
金融发展水平与城镇化率、工业化率三个变量之间是否存在因果关系,某个变量的所有滞后项是否对另外两个变量有影响,这需要进行Granger因果检验,检验结果见表4。
从表4可以看出,在10%的显著水平下,城镇化是工业化的Granger原因,但工业化不是城镇化的Granger原因,根据经济学家H·钱纳里和M·塞奎因的理论:工业化发展早期,是工业反哺农业,工业发展推动农业化;在工业化发展的后期,则是农业化促进工业化的形成。广东省处于工业化发展的中后期,城镇化加速发展并且已经超过工业化,城镇人口急剧扩张、各种需求增大,因此,在强大需求的拉动下,城镇化对工业化的促进作用变得凸显。
城镇化和金融发展同时是工业化的Granger原因,其两者综合作用对工业化的促进效果更明显,因为城镇发展带来对公共基础设施的需求、食品服务需求、设备需求的增加,金融发展能够有力的为满足需求而开展的工业建设提供资金支持,两者共同促进工业化快速发展。
工业化是金融发展的Granger原因,但金融发展并不是工业化的Granger原因,而且工业化和城镇化同时是金融发展的Granger原因。广东省的工业发展居全国首位,工业产业链条完善、规模效应发展明显、高新科技聚集、核心竞争力突出,因此工业对金融发展具有明显的带动作用。整体上,广东省的金融发展却滞后于工业化,本省金融产业不能满足工业发展所需求的巨额的资金支持,这也就成为抑制工业发展的重要原因[4]。工业化和城镇化发展需要更多更有效的资金,因此其综合作用可以带动金融产业向更高效更长远的方向发展。
(五)脉冲响应函数
要了解金融发展与城镇化、工业化之间的动态影响效果,则需要对上述的VAR(1)模型进行脉冲响应函数分析,具体分析结果见图2、图3。下图中横轴表示为时间,纵轴表示城镇化与金融发展受到冲击后的影响变化情况,上下红色虚线表示脉冲响应函数值加减两倍标准差的置信区间。
图2 金融发展对城镇化的脉冲响应
图3 工业化对金融发展的脉冲响应
图2显示的是金融发展LNFIR对城镇化LNCZ的脉冲响应函数图,蓝色实线表示LNCZ受到冲击后的走势,从第一期开始LNCZ指数开始上升并在第六期(即第六年)时达到最高峰的稳定值(0.016),在其后的年份里保持稳定。通过图2可以判断,金融发展对城镇化有正的冲击作用,并在第六年达到峰值;图3显示的是工业化LNGY变动一个标准差对金融发展LNFIR的脉冲响应函数图,蓝色实线表示LNFIR受到冲击后的走势,同样可见工业化LNGY对金融发展LNFIR有正向冲击作用,并在第三年达到峰值(0.027),此后逐年下降。
(六)方差分解
方差分解是定量分析每一个随机扰动项对其内生变量变化的贡献率,用于评价随机新息对内生变量的相对重要性。结果见表5。
表5 金融发展LNFIR预测方差分解图
期数 标准差 LNFIR LNGY LNCZ
1 0.063288 89.52124 10.11431 0.364455
2 0.085411 77.63989 22.0997 0.260414
3 0.100592 72.19826 27.05898 0.742759
4 0.112438 68.95683 29.08854 1.954634
5 0.122287 66.47168 29.80007 3.728257
6 0.130773 64.30451 29.87304 5.822447
7 0.13824 62.3332 29.63061 8.036195 8 0.144901 60.5281 29.23917 10.23273
9 0.1509 58.88149 28.78766 12.33085
10 0.156338 57.38721 28.32382 14.28897
表5给出了金融发展水平方差分解结果,在第1期,金融水平的变动有将近90%来自其本身的新息,随着时间的推移,自身影响的贡献率在逐渐减少,而工业化和城镇化对金融发展的影响在逐渐增加。到了第10期,金融发展水平波动受自身影响的部分减小到57.38721%,工业化波动为金融规模冲击解释的部分达到28.32382%,大于城镇化的贡献率14.28897%,可见,工业化对金融发展的影响要大于城镇化对金融发展的影响程度[5]。
三、结论与建议
本文利用VAR(1)模型、Granger因果检验、脉冲响应函数、方差分解等方式对广东省的城镇化、工业化与金融发展三者之间的关系进行了实证分析,得出如下结论:
1.城镇化、工业化、金融发展三者之间存在互动关系,城镇化是工业化的Granger原因,但工业化不是城镇化的Granger原因,这是我国的户籍制度造成的,广东应加大户籍制度改革力度,促使城镇化与工业化良性互动;工业化是金融发展的Granger原因,但金融发展不是工业化的Granger原因,说明广东金融发展滞后于工业化,金融机构不能为工业企业部门的发展提供足够的资金支持,不足满足工业发展的需求。
2.从脉冲响应分析可以看出,工业化对金融发展有正向的冲击作用,并且这种作用能够在较短的时间(三年)内达到峰值;金融发展对城镇化也有正项的冲击作用,但这个冲击反应迟缓,要在第六年才能达到稳定的效果;城镇化对金融发展在前两年表现出负作用,其后才开始上升为正项的冲击作用。
3.方差分析结果表明,第一期金融发展状况受自身影响较大,几乎占到90%,随后这种影响降低;工业化和城镇化对金融发展的影响随着时间的推移逐渐递增,工业化对金融发展的促进作用比较稳定,贡献率将近为30%,城镇化对金融发展的促进作用逐年增加,并且工业化对金融发展的贡献度要大于城镇化对其影响。
针对上文的结论部分,有针对性地提出以下几点建议:
首先,城镇化和工业化之间的非良性互动是我国长期存在的“二元结构”户籍制度造成的,只有加大户籍制度改革力度,加快农村建设用地自由入市的步伐,促进家庭承包经营土地确权颁证、使土地经营权顺利流转,让更多的进城务工的农民工带“资”进城,享受市民待遇,才能促进广东新型城镇化的发展,
其次,实证结果显示金融机构未能给广东省的工业发展提供足够的资金支持,金融机构可以将民间储蓄转化为投资,提高资金资源的配置效率。为此,应该进一步加快广东省金融机构的发展,推动金融产品创新、满足客户多样化需求:积极开展中小企业仓单质押贷款、应收账款质押贷款等质押贷款品种以及车辆抵押、房产抵押等多种抵押贷款形式,活跃市场资金;创新权益型的融资工具,例如换股并购、员工持股计划(ESOP)等,吸引广泛的社会资金为工业化、城镇化的建设提供有效的资金支持[6]。
最后,广东在提高工业化程度时,应大力发展区域特色经济,把各地的比较优势转变为竞争优势,避免支柱产业雷同现象,努力形成差异化的产业布局。例如,珠三角地区着力发展电子通讯、计算机、电气机械制造业以及汽车运输制造业等科技含量较高的产业;环珠三角地区着力发展电力、热力生产和供应等行业以满足珠三角巨大的需求;粤东地区重点发展纺织业,纺织服装、服饰业,橡胶和塑料制品业;粤西地区应加强农副产品、水产品的深加工业,石油加工、金属冶炼、海滨旅游业等;粤北山区重点发展金属冶炼和压延加工业,非金属矿物制品业,电力、热力生产和供应业和生态旅游业等。
参考文献:
[1]孙长青.基于VAR模型的城镇化、工业化与金融发展关系分
析——以中原经济区为例[J].经济经纬,2012(06):17-21.
[2]石林,肖春梅,张晓燕.基于VAR模型的新疆城镇化、工业化
与金融发展[J].企业经济,2013(10):147-151.
[3]郭娇娇.城镇化、工业化与金融发展相关关系实证分析——
以重庆市为例[J].商业时代,2013(35):77-79.
[4]张艳,沈惟维.安徽省金融发展、城镇化及工业化动态关系
研究——基于VAR模型的实证分析[J].吉林工商学院学报,
2014(04):55-59.
[5]沈惟维.铜陵市金融发展、城镇化及工业化动态关系研
究——基于VAR模型的实证分析[J].铜陵学院学报,2014(04):
15-18+54.
[6]张士云,谭美容.基于VAR模型下的安徽省金融发展和城镇
化的关系分析[J].安徽农业大学学报(社会科学版),
2015(03):50-53+124.
(责任编辑:陈 勇)