5 影子银行对货币乘数动态影响的实证研究

5.1 影子银行对货币乘数作用的长短期特征

5.1.1 变量选择与数据整理

如上文所述，影子银行漏损率和预留扣减率是影子银行影响货币乘数的重要途径，但该两项指标难以获取。通常情形下，该两项指标的变动已经隐含在影子银行规模变化当中，即影子银行漏损率越大、预留扣减率越小，则整体规模总量越大，所以本文以影子银行规模（SB）来作为代理变量。综合考虑后，本文在实证模型中选择影子银行、货币乘数、存款准备率、现金漏损率以及超额准备金率共计五个指标。其中：①影子银行规模（SB）已由上文测算得出；②鉴于广义货币供应量是中国货币政策重要中介目标，故确定M2同基础货币的比值为货币乘数（K）; ③法定存款准备金率（RR）由一年期法定准备金率替代；④现金漏损率（CL）则是选取央行官方统计的M0与银行存款余额之比（以上数据均来自WIND数据库）; ⑤超额准备率（ER）直接取自于央行官网。

此外，个别缺失数据用线性插补法进行了补充，并利用census-X12季节调整法对法定存款准备金率（RR）之外的4个变量原始数据采取去季节性调整。为规避异方差性与波动性较大等问题，确保变量的非负性，分别对影子银行规模、货币乘数两个指标采取自然对数形式，即lnSB、lnK。

5.1.2 VEC模型设立与结果分析

5.1.2.1 平稳性检验

有鉴于此，首先需针对模型中的5个变量的实施平稳性检验。通常来说，实施协整分析需变量都是一阶单整序列，而并不存在单位根的过程。根据ADF检验方法，并借鉴MacKinnon（1996 a）的单侧ρ值法，针对lnSB、lnK、RR、CL以及ER等5个变量实施单位根检验，根据表4所示，5个变量在5%的显著性条件下都无法拒绝原假设，因而是非平稳的；而采取一阶差分处理后，所有变量都是I（1）序列，因而满足了协整模型的平稳性要求。

5.1.2.2 模型滞后阶数选择

对于最优模型滞后阶数的选择，首先应构建包括lnSB、lnK、RR、CL以及ER等5个变量的线性VAR模型，然后依据LR统计量及FPE、AIC、SC、HQ信息准则来选择模型的最优滞后阶数。如表5显示，各个滞后阶数下的LR统计量及FPE、AIC、SC、HQ信息准则为：LR统计量及SC、HQ信息准则选择都是2阶，而FPE、AIC信息准则选择是4阶，综合看大多数的信息准则判断为滞后2阶。同时，根据传统经济理论以及过去实证研究均表明，货币乘数的变化具有时滞性，因此为捕捉到变量的更多信息，将差分变量的最优滞后阶数确定为2阶。

5.1.2.3 Johansen协整检验

随后，对5个变量指标实施协整关系检验，以此确定各变量之间是否真实存有协整关系。鉴于Engle与Granger给出的方法仅能辨别多变量之间的一个协整关系，然而本文存有多个协整关系的潜在可能，因此下面采用Johansen协整检验方法实施识别。该方法是基于Johansen与Juselius的数项理论成果之上形成的，Johansen能够给出迹统计量与最大特征根统计量两种结果，更具针对性与全面性。如表6所示，两种协整检验的结果均反映在5%水平下变量间至少存有1个协整关系。

5.1.3 VEC模型的结果分析

基于Johansen协整检验上开始VEC模型的估计分析。依据理论和实践层面上影响关系，VEC模型的内生变量为lnSB和lnK，为外生变量为RR、CL和ER。鉴于本文目的为考察影子银行与货币乘数的关系，本文并未对其他影响因素进行深入探讨，主要给出了误差修正项（ecm）和货币乘数的VEC表达式，见下式：

R2=0.78, , F统计值=17.78。

根据结果（5.1）所示，误差修正项（ecm）会以0.1891力度加以正向修正，在5%的显著性水平下，除lnK-1、ER之外，其他参数t值均通过检验，而lnK-1与ER两个参数t值在10%下也通过检验，可据此证明以上5个变量存有长期均衡（协整）关系。同时，还可发现在长期维度下货币乘数变动和影子银行体系的负向相关关系，即影子银行规模越大，利用央行公布的M2计算出的货币乘数越小，这与上文理论模型2的预测相驳，而与理论模型3中推测基本一致。具体来说，协整系数意味着滞后一期、二期的影子银行每上升1个百分点，分别会导致货币乘数下降0.1257、0.0509个百分点。此外，lnK与RR、CL、ER的长期均衡关系为负，表明随着法定准备金率、超额准备金率以及现金漏损率的增大，货币乘数会减小。可见所有变量对货币乘数的关系性质均符合理论假设，进一步增强了理论部分结果的可靠性。

为确定影子银行与货币乘数两变量间变化的因果性，在VEC模型下进行Granger Causality/Block Exogeneity Wald Tests。如表7所示，D lnSB并非DlnK的格兰杰原因在1%下被拒绝，可见影子银行规模的变化存在显著的外生性，从而影响到了货币乘数的变动。

5.2 影子银行作用于货币乘数的时变特征

5.2.1 状态空间模型介绍

SSM模型是状态空间模型，隐含着以时间为自变量，能够把不可观测的状态变量纳进可观测的模型，和其一同获取估计结果。在SSM模型下，本文借助所估计的时变参数（time-varying parameter）来揭示影子银行对货币乘数作用的周期特征，及其对货币政策变化的反馈状态。在本文的状态空间模型中，量测方程式表示货币乘数与中国影子银行的一般水平关系，其中，可变参数βt是不可观测变量，即为状态参数；γ是固定参数。状态方程式描述状态变量的生成过程，其他假设条件如上文所述，SSM模型设置具体如下：

其中，式（5.2）为量测方程，（5.3）、（5.4）为状态方程。由于VEC模型考量的是长短期动态影响，一般采用线性关系表示，而状态空间模型考量的是周期性变化，状态变量的影响应为非线性关系，同时为规避多重共线性问题、减小模型结果方差，加入交互项lnSB2。实证所涉及的样本数据选择同上文，根据OLS模型估计结果，将操作代码及初始值分别设置为：

对数极大似然估计值LogL=107.6960, AIC=-3.719078, SC=-3.306315。两个方程参数估计的p值只有c（8）不显著，但其他变量均小于0.01，表明方程中参数与状态变量基本均在1%水平下显著，大多数的参数估计值符号与脉冲响应分析结论相符。

5.2.2 时变参数的变化特征

基于状态空间模型的实证结果，可以获得时变参数的走势图，如图5所示。可见，2003~2015年样本期间可粗略分为2005Q2、2009Q1、2012Q1以及2014Q2等四个节点，即中国影子银行发展对于货币乘数影响状态历经了四次大幅起落。而基于作用方向分析，仅2003Q1~2005Q2时期sbv1为负值，表明在该时段影子银行规模变化导致货币乘数同方向变化；其他时期sbv1均为正值，而sbv2则刚好与之相反。并且考虑到两个参数值的波动区间，发现在2003Q1~2005Q2时期，影子银行变化导致货币乘数相反变化，但有一个加速收缩的效应；在2005Q2~2015Q4时期，影子银行规模变化对于货币乘数影响由负转正，sbv2的变动产生加速放大或收缩效应，两个状态变量的综合作用最终表现出明显的周期性波动特征。