17中国股票市场发展与经济增长关系的动态实证分析

1中国股票市场发展与经济增长关系的动态实证分析郑长德马俊（西南民族大学经济学院西南民族大学资本市场研究所四川成都610041）摘要：本文选用我国1995—2004年间股票市场和宏观经济中的相关季度时间序列数据，对我国股票市场与经济增长之间的关系进行了计量经济学分析。实证分析发现，我国经济增长对于股票市场的发展起到了较为明显的促进作用，而我国股票市场的发展对经济增长的促进作用则表现的不明显。关键词：股票市场；经济增长；季度时间序列；计量经济学1.引言20世纪90年代以来的20多年里，中国股票市场从试点到大规模发展，目前股票市场已成为我国社会主义市场经济体系的重要组成部分。关于我国股票市场发展与经济增长的关系也已成为一个令人们非常关注的问题。有很多学者就我国股票市场和经济增长的关系进行了广泛的研究和深刻的探讨。郑江淮和袁国良（2000）、谈儒勇（2000）、孙小素（2000）、韩廷春（2001）、佘运久（2001）、赵北亭和于鸿君（2001）、殷醒民和谢洁（2001）、冉茂盛和张卫国（2002）、王军（2002）、张碧琼与付琳（2003）、郑长德（2003、2005）等都对于中国股票市场的发展与经济增长关系进行了实证研究，其结论是有冲突的，有的研究认为我国股票市场发展与我国经济增长之间存在相关关系，有的研究则认为股票市场发展与我国经济增长之间不存在相关关系。导致研究结论不一致有许多因素，一个重要的方面是大多数研究使用的年度时间序列数据，研究中使用的计量经济学方法也比较粗糙。本文选取我国股票市场和国民经济在1995～2004年10年间的相关季度数据指标，并借鉴目前较为前沿的计量经济学方法对我国股票市场和经济增长的关系进行实证检验。在研究方法上，本文进行了以下几个方面的改进：一是文章扩大了样本数据的时间跨度，并且全部采用了季度数据，有利地避免了以往研究中由于时间跨度和样本数量较小而对实证检验效果带来的局限性。二是本文进行动态分析时，主要采用了协整检验、建立向量误差修正模型并在此基础上进行广义脉冲响应函数的检验和方差分解分析，等。2．数据与指标为了更好地研究我国股票市场发展与经济增长之间的关系，本文构造了以下几组指标。同时，对于这些指标本文截取了1995年第1季度到2004年第4季度的季度时间序列数据来进行分析。2.1经济增长指标通常国内生产总值(GDP)或国民生产总值(GNP)都可以作为衡量一个国家或地区宏观经济总量的理想指标，本文对于我国经济增长的指标就选用了季度GDP的实际增长率GY。由于可以查找到的GDP季度数据都为名义值，所以本文以1995年第4季度作为基期来分别计算出各季度的实际GDP，然后再计算出其相应的增长率。2.2股票市场发展指标为了测度股票市场的发展程度，Levine和Zervos（1998）提出了以资本化率和流动性指标来衡量股票市场的发展。其中包括：作者简介：郑长德，男，四川广元人，经济学博士，西南民族大学经济学院教授。主要研究方向：金融经济学。马俊，男，西南民族大学资本市场研究所研究人员。2资本化率一（CAP1）是指每季度三个月月末股票市价总值的算术平均值和该季度名义GDP的比值，根据Levine和Zervos的分析，虽然大的市场和高的市场运行效率不是等价的，但是使用这一指标进行研究时，可以假定股票市场的规模和股票市场提供的资本流动性以及分散风险的能力是正相关的。另外，这里之所以采用算术平均值，是因为股票市场的市价总值本来应该反映某一时点的数值，而我国的统计资料中却只有其累计值，所以本文进行了这样的处理以反映我国股票市场市价总值的客观性和代表性。下文股票市场的流通市值也采用了同样的处理方法。资本化率二（CAP2）是指每季度三个月月末股票流通市值的算术平均值与该季度平均市价总值的比值。可见资本化率是对股票市场规模和股票市场流通规模的测度，资本化率越高说明股票市场的规模及流通规模都很大，并且其筹集资本和分散风险的能力也越强。由于我国股票市场的筹资额与市场发展和价格指数之间有很大的相关性，因此我们把筹资额引入衡量股票市场的指标中。净筹资率（NC），它表示该季度末股票市场的筹资总额减去上季度末的筹资总额再除以该季度的名义GDP，它衡量了股票市场对于经济增长的贡献程度同时它也反映了股票市场的发展规模。另外，反映股票市场流动性的指标有四个，分别是：季度交易率（VAL）是指每季度股票的成交金额与该季度名义GDP的比值。该指标的不足之处在于它不能很好的反映和特定交易场所相联系的交易成本和某些不确定性，但是可以假定其上升反映了整体经济范围内流动性的提高。该指标是以经济总量为基础的流动性，反映了相对于经济规模的交易数量，与周转率相比是有区别的，周转率是相对于股票市场规模的交易。因此，一个规模较小的流动性市场可能会有较高的周转率，而同时交易价值较小。季度周转率一（TR1），等于每季度股票的成交金额除以该季度股票的平均市价总值。Levine和Zervos（1998）分析认为，较高的周转率一意味着较低的交易成本。季度周转率二（TR2），等于每季度股票的成交金额除以该季度股票的平均流通市值。该指标度量的是相对于股票市场规模交易的国内权益数量，较高的周转率二也意味着较低的交易成本。季度换手率（TO）等于季度总成交股数除以季度末总股本，以衡量市场的投机程度。本文所需数据主要来自《中国证券监督委员会公告》，《中国经济景气月报》，《中国人民银行统计季报》，《中国证券期货统计年鉴》以及中国咨询行数据库()、和讯网(stock.hexun.com)、中华人民共和国国家统计局（）、中国人民银行（）、中国证券监督管理委员会（）、上海证券交易所()、深圳证券交易所()等相关网站、国研网（）、中经网（）等等。3．我国股票市场与经济增长关系的统计检验3.1变量的季节调整对于季度数据指标而言，传统的经济研究很少考虑其季节因素，因而这些具有明显季节性变化趋势的数据指标必然会严重影响到后续研究成果的准确性和科学性。因此，本文在对所采用的季度数据指标进行实证分析之前，对其分别进行了季节调整。对于经过季节调整的变量后面都附加有“SA”。3.2相关性检验在进行正式的实证统计检验之前，我们必须搞清楚当期的经济变量和证券市场变量之间是否存在相关性关系，表1便是我国经济增长与股票市场之间各个变量指标的配对相关系数3矩阵。表1经济变量和股票市场变量的配对相关系数矩阵GYSACAP1SACAP2SANCSAVALSATR1SATR2SATOSAGYSA1.000000-0.095455-0.0035740.0079070.1373710.2618770.2593800.250166CAP1SA-0.0954551.0000000.9562530.5733530.460209-0.342998-0.406413-0.403031CAP2SA-0.0035740.9562531.0000000.5020220.410213-0.299638-0.363294-0.355459NCSA0.0079070.5733530.5020221.0000000.438630-0.095919-0.140655-0.134787VALSA0.1373710.4602090.4102130.4386301.0000000.5746100.5135510.487405TR1SA0.261877-0.342998-0.299638-0.0959190.5746101.0000000.9970010.984783TR2SA0.259380-0.406413-0.363294-0.1406550.5135510.9970011.0000000.989728TOSA0.250166-0.403031-0.355459-0.1347870.4874050.9847830.9897281.000000从表1可以看出，我国的经济增长速度与股票市场的季度净筹资率、季度交易率、季度周转率和季度换手率具有较弱的正相关关系，而与资本化率呈负相关。对于股票市场内部而言，股票市场的资本化率与其季度净筹资率和季度交易率之间存在适度的正相关关系。股票市场的季度净筹资率与其季度交易率之间有着适度的正相关关系。股票市场的季度交易率与其季度周转率和季度换手率有适度的正相关关系。股票市场的季度周转率与其季度换手率有强的正相关关系。3.3经济增长与证券市场各变量指标平稳特性的ADF单位根检验对于变量GYSA、NCSA、VALSA、TR1SA、TR2SA、TOSA而言，它们的数据图形的轨迹属于随机行走，因此我们设定其ADF检验为含截距（或不含截距），但不含时间趋势项。而对于变量CAP1SA和CAP2SA而言，其图形轨迹有较明显的时间趋势，所以设定其ADF检验为含截距，但含或不含时间趋势项。如图1所示。类似地，对于所有的变量的一阶差分而言，其图形轨迹都属于随机行走，所以我们设定它们的ADF检验为含截距（或不含截距），但不含时间趋势项，如图2所示。图1变量的数据图4图2变量一阶差分的数据图1.GYSA不含截距也不含趋势项的ADF检验2.GYSA一阶差分序列不含截距也不含趋势项ADF检验由上表可知，我国实际经济增长速度的时间序列GYSA不是I(0)序列，因为在t值、F值等各项统计指标都比较显著的情况下，其ADF检验值均大于各临界值。而GYSA序列的一阶差分序列是平稳序列，其ADF检验值均小于各临界值，且t值、F值等指标都很显著，AIC值很小，残差平方和RSS也比较小，DW值基本离二较近说明自相关不是很强，同时可决系数R^2值也很理想，由此GYSA是一个一阶单整I(1)序列。3.CAP1SA含截距不含趋势项的ADF检验4.CAP1SA一阶差分序列不含截距也不含趋势项的ADF检验ADFTestStatistic-1.1510731%CriticalValue*-2.62435%CriticalValue-1.949810%CriticalValue-1.6204*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.VariableCoefficientStd.Errort-StatisticProb.GYSA(-1)-0.1496180.129981-1.1510730.2573D(GYSA(-1))-0.6871360.090784-7.5689340.0000R-squared0.787393Meandependentvar-0.003295AdjustedR-squared0.781488S.D.dependentvar0.092910S.E.ofregression0.043431Akaikeinfocriterion-3.384095Sumsquaredresid0.067905Schwarzcriterion-3.297906Loglikelihood66.29781F-statistic133.3267Durbin-Watsonstat2.382949Prob(F-statistic)0.000000ADFTestStatistic-8.8895921%CriticalValue*-2.62615%CriticalValue-1.950110%CriticalValue-1.6205*MacKinnoncriticalvaluesforrejectionofhypothesisofaunitroot.VariableCoefficientStd.Errort-StatisticProb.D(GYSA(-1))-2.2984860.258559-8.8895920.0000D(GYSA(-1),2)0.2097