老龄化、财务杠杆与系统性风险_金融风暴论文

老龄化、金融杠杆与系统性风险,本文主要内容关键词为:杠杆论文,风险论文,金融论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。

      一、文献回顾

      本轮金融危机过后,人口老龄化、金融杠杆和系统性金融风险之间的关系日益受到理论界和政策部门的重视。特别是随着全球范围内人口老龄化程度的不断提高,其对金融体系发展和稳定性的影响越来越成为世界各国面临的一个共同问题。经验事实也表明,人口老龄化会影响金融资产的结构和收益,进而对金融体系的稳定性产生重要影响。

      从现有文献来看,关于人口老龄化和金融发展的关系,主要集中讨论老龄化对资产价格及其收益的影响。Mankiw & Weil(1989)认为,“婴儿潮”推动了美国1960-1980年间的房价上涨。Yoo(1994)基于1926-1988年美国人口与股票、债券和国债收益率数据,运用两期代际交叠模型,发现处于高储蓄阶段的人口越多,国债收益率越低,人口老龄化对其他风险资产并无明显影响。Brooks(1998)基于14个OECD国家的研究表明,有11个国家的40-64岁人口比例和实际股票价格存在正相关关系。Poterba(2001)对1926-1999年和1946-1999年美国人口与国债、政府债券和公司股票数据的研究表明,人口结构变化对资产收益率仅有微弱的影响,但“二战”前人口对收益率的影响要大于战后。Davis & Li(2003)利用1950-1999年美国、日本、德国、法国、英国、意大利和西班牙7国的面板数据,研究了人口结构对证券价格和长期债券收益率的影响,发现20-39岁人口和40-64岁人口比例与实际证券价格之间存在显著的正相关关系。Takáts(2010)利用1970-2009年22个发达国家人口和房价的面板数据,发现人口因素确实是影响房价的重要因素,同时,人口老龄化会显著降低房价的稳定性。在国内研究方面,简永军和周继忠(2011)认为,由于资本会从人口快速老龄化地区流向老龄化速度相对较慢地区,这意味着人口的快速老龄化使得中国成为“资本输出”大国,而随着“人口红利”拐点的出现,人口老龄化会显著降低中国的储蓄率,并导致资本输出减少,从而对经济和金融稳定产生影响。

      较之人口老龄化与金融稳定关系的文献,金融杠杆(信贷)与金融稳定之间的关系受到了更多关注。Simon(2003)认为,资产泡沫的基本特征之一就是银行信贷会支撑资产价格泡沫的膨胀。陈雨露和马勇(2012,2013)以及马勇(2012)等的研究也得出了类似的结论。在理论建模方面,Allne & Gale(2000)通过构建“信贷—资产泡沫模型”,阐释了“价格上涨—泡沫破灭—危机爆发”的三阶段历程,并借此说明了由于借贷双方的信息不对称和风险转移,信贷会过度扩张从而最终导致资产价格泡沫的系统性风险。马勇和陈雨露等(2009)基于66个国家1980-1999年的相关数据,运用ML-Binary Probit方法分析了信贷扩张与金融危机的关系,发现二者存在显著的正相关关系。储著贞等(2012)的研究也得到了类似的结论。考虑到人口老龄化会直接影响资产价格,而伴随着资产价格上涨的通常是金融体系中的信贷扩张,二者的相互影响和彼此强化会进一步催生资产价格泡沫,从而诱发系统性金融风险。因此,在人口老龄化、金融杠杆(信贷)和金融稳定之间存在确切的内生性关联。

      总体来看,在现有的关于人口老龄化、金融杠杆(信贷)和金融稳定关系的文献中,通常只讨论人口老龄化和资产价格的关系,或是主要研究信贷扩张和金融危机之间的关系,少有文献系统地讨论三者之间的动态关联机制。基于上述考虑,本文尝试基于大样本的跨国数据,对三者之间的关系进行进一步的实证研究。

      

      图1 全球老龄化程度前100国家(地区)

      二、全球老龄化与金融杠杆:一个概览

      按照联合国新标准,某地区65岁以上老人占总人口的比例超过7%,则视为进入老龄化社会。世界银行数据显示,截至2012年年末,全球老龄化程度达7.83%,表明全球已经进入了老龄化社会(见图1)。全球老龄化程度最高的10个国家有:日本(24.40%)、德国(21.10%)、意大利(20.82%)、希腊(19.40%)、保加利亚(18.92%)、瑞典(18.91%)、拉托维亚(18.53%)、葡萄牙(18.50%)、芬兰(18.32%)和奥地利(18.24%)。

      2012年年末,全球共有83个国家(地区)的老龄化程度超过了7%。其中,欧洲44国,占53%;南美洲13国,占16%;亚洲11国(地区),占13%;北美洲8国,占10%;大洋洲4国,占5%;非洲3国,占3%。2012年,美国的老龄化程度为13.63%,中国的老龄化程度为8.68%,均超过了全球平均值,分别位列第41位和第67位。

      再从金融杠杆指标来看,根据主流文献,宏观上的金融杠杆一般用两个指标进行衡量:一是私人部门信贷总额占国内生产总值的比重(私人部门信贷/GDP),二是M[,2]占国内生产总值的比重(M[,2]/GDP)。

      从私人部门信贷/GDP来看,根据世界银行数据,截至2012年年末,在可获取数据的167个国家(地区)内,其平均值为127.45%,中间值为44.22%(见图2)。全球私人部门信贷/GDP最高的10个国家(地区):塞浦路斯(305.09%)、丹麦(205.37%)、荷兰(200.32%)、中国香港(198.06%)、西班牙(192.59%)、爱尔兰(185.73%)、葡萄牙(184.31%)、美国(183.79%)和日本(176.72%)。2012年年末,中国的该指标值为133.70%,位列全球第18位。

      再从M[,2]/GDP来看,截至2012年年末,在可获取数据的167个国家(地区),M[,2]/GDP的平均值为126.69%,中间值为54.07%(见图3)。全球M[,2]/GDP水平最高的10个国家(地区):卢森堡(480.30%)、中国香港(335.26%)、塞浦路斯(263.67%)、黎巴嫩(241.70%)、日本(241.23%)、荷兰(238.94%)、葡萄牙(198.49%)、西班牙(193.85%)、瑞士(188.01%)和中国(187.58%)。在上述10个国家(地区)中,大部分都曾遭受过金融危机之苦,这对跻身全球前十的中国来说可能是一个重要的警示。

      总体来看,上述数据概要清楚地表明,人口老龄化和金融杠杆的持续上升已成为全球面临的两个重要问题。那么,这二者之间的关系如何?它们对金融稳定又有何潜在影响?下面,我们将通过系统的实证分析,尝试对这些问题进行初步解答。

      

      图2 私人部门信贷/GDP前50国家(地区)

      

      图3 M[,2]/GDP前50国家(地区)

      三、实证分析

      (一)模型的建立

      为通过实证分析研究金融杠杆与老龄化之间的关系,同时充分考虑经济变量之间可能的动态关系,我们建立如下形式的动态面板模型:

      

      

      其中,

的滞后项,为内生变量;

的外生变量;①

为系数向量。系统GMM结合了差分GMM(difference GMM)和水平GMM(level GMM),将差分方程和水平方程作为一个整体进行估计。就是说,除了要估计式(2)的差分模型外,还要估计式(2)的水平模型,因此两组模型存在两组矩条件。

      

      因此,系统GMM在差分GMM的基础上引入水平方程,从而减小了估计误差。同时GMM分为一步GMM和两步GMM,两步GMM在一步GMM的基础上,将一步GMM结果的残差加入到新的估计中去,以建立一个一致的方差—协方差矩阵,进一步放宽了一步GMM中残差需要独立和同方差的假设。

      基于上述考虑,本文采用两步系统广义矩估计方法来估计式(1)。该方法可以有效避免变量与变量、变量与残差间的内生性问题。同时,通过使用Windmeijer(2005)提出的WC-robust估计方法,我们还可以得到稳健标准误差,从而使回归结果更为可信。

      (二)变量选择

      基于交叉样本数据的可获得性,本文使用了119个国家(地区)1980-2012年的相关数据。对于数据存在零星缺失的样本,为尽可能地充分利用数据,如果数据缺失值的个数小于3,即数据序列在时间维度上具有90%以上的完整性,则采用插值法予以补齐。

      如前文所述,金融杠杆主要使用两个指标:一是私人部门信贷/GDP,二是

/GDP。这两个比值越大,说明金融杠杆越高。在解释变量方面,就本文研究的目的而言,为全面考虑金融杠杆和老龄化之间的关系,我们不仅会考虑老龄化程度,还加入了其平方项,用以探寻二者之间可能存在的非线性关系。

      在控制变量的选择上,部分地参考过往文献(陈雨露、马勇,2013),我们主要对四个层面的影响因素进行了控制:一是宏观经济层面,具体使用的解释变量包括经济增长率、人均GDP、通货膨胀率;二是经济结构层面,具体使用的解释变量包括工业化程度、服务化程度、资本形成率;三是金融体系层面,具体使用的解释变量包括存款利率、资本账户开放度指数、存款保险制度;四是社会人文层面,主要考虑了人口增长率。本文各变量的符号、含义及数据来源如表1所示。表2给出了各变量的基本统计描述。

      

      (三)实证结果

      表3是老龄化影响私人部门信贷/GDP的结果。其中,模型1只包含了核心解释变量,即老龄化程度及其平方项;模型2-模型5则逐步加入宏观经济、经济结构、金融状况及社会人文四个层面的控制变量。从表3的结果可以看出,私人部门信贷/GDP与老龄化存在显著的倒U形关系(模型3在10%显著性水平显著,其余在5%显著性水平显著),即随着人口老龄化程度升高,私人部门信贷/GDP会先升高后降低,存在一个拐点。从平方项和一次项系数可以看出,当老龄化程度大致位于8.09%-11.48%区间时,会出现上述拐点。此外,所有模型均通过sargan检验和AR(2)检验,表明估计所选用的工具变量正确,估计结果不受残差序列相关影响,模型结果可信。

      

      

      对于各控制变量,通过分析其系数,可以发现:(1)GDP增速的系数显著为负,说明经济发展越快,私人部门信贷/GDP越小,金融杠杆率越低;(2)人均GDP系数显著为正,说明经济体规模的扩大会提升私人部门信贷/GDP,加大金融杠杆率;(3)工业化程度和服务化程度系数显著为负,说明经济结构深化会驱动金融杠杆水平下降;(4)资本形成率系数显著为正,说明投资的增加会导致杠杆率的提高;(5)存款利率系数显著为负,说明利率水平越高,金融杠杆率越低;(6)资本账户开放度系数显著为正,说明一个国家资本账户越开放,金融杠杆水平通常越高。

      

      表4给出了老龄化和

/GDP之间的回归结果。与私人部门信贷/GDP类似,模型6只含有核心解释变量,即老龄化程度及其平方项;模型7-模型10则逐步加入宏观经济、经济结构、金融体系及社会人文等四个层面的控制变量。从表4的结果可以看出,虽然只考虑老龄化程度时,老龄化二次项不显著,但逐步加入控制变量后,

/GDP与老龄化还存在显著的倒U形关系(模型7和模型10在5%显著性水平显著,模型3和模型4在10%显著性水平显著),即随着人口老龄化程度的提高,

/GDP会先升高再降低,存在一个拐点。从平方项和一次项的系数可以看出,当老龄化程度位于9.90%-11.19%区间时,会出现上述拐点。这一估计值与表3的结果非常接近。此外,所有模型均通过sargan检验和AR(2)检验,说明估计所选择的工具变量正确,结果不受残差序列相关影响,实证结果是可靠的。

      表4中各控制变量的结果也与表3类似:(1)GDP增速的系数显著为负,说明经济发展越快,

/GDP比值越小,金融杠杆率越低;(2)人均GDP系数显著为正,说明经济体规模的扩大会提升私人部门信贷总额占国内生产总值的比重,加大金融杠杆率;(3)工业化程度和服务化程度系数显著为负,说明经济结构的深化会驱动金融杠杆水平的下降。

      综合上述分析,可以看出,无论是私人部门信贷/GDP还是

/GDP,都与人口老龄化之间存在显著的倒U形关系,拐点区间大致位于人口老龄化程度8.09%-11.48%之间。

      四、老龄化拐点后的金融杠杆变化与金融危机

      根据上文分析,人口老龄化拐点的上限为11.48%,下面我们要进一步讨论的是,当人口老龄化越过拐点,金融杠杆率出现下降时,金融体系的稳定性将受到什么影响。为此,我们首先筛选出过拐点样本,然后建立“杠杆—危机”二元面板离散选择模型,用以研究在老龄化拐点后时代,“去杠杆化”(杠杆率下降)进程对金融危机发生概率的影响。

      

      

      对于虚拟变量,

=1表示i国在t年发生危机,

=0表示i国在t年没有发生危机。就核心解释变量而言,与前文一致,金融杠杆主要使用私人部门信贷/GDP和

/GDP这两个指标。模型中其余各变量的符号、含义及基本统计描述如表5所示。

      表6给出了私人部门信贷/GDP影响金融危机发生概率的结果。其中,模型11只含有核心解释变量私人部门信贷/GDP;模型12-模型15则相继加入了宏观经济、经济结构、金融体系和社会人文等方面的影响因素。从表6的结果可以看出,在老龄化进入拐点区间后,私人部门信贷/GDP与金融危机发生概率呈现出显著的负相关关系(模型11、模型14和模型15在10%显著性水平显著,模型12和模型13在5%显著性水平显著)。这意味着老龄化超过拐点区间之后,私人部门信贷/GDP会随老龄化程度的提高而下降,而金融杠杆率的下降会显著增加金融危机发生的概率。

      

      

      表7给出了另一个金融杠杆指标(即

/GDP)影响金融危机发生概率的回归结果。与表6的结果类似,模型16只包含

/GDP这一主解释变量,模型17-模型20则相继加入了宏观经济、经济结构、金融体系和社会人文等方面的影响因素。总体而言,表7给出了与表6一致的实证结果:在老龄化进入拐点区间之后,

/GDP与金融危机发生概率存在显著的负相关关系,意味着当老龄化越过拐点区间之后,

/GDP会随老龄化升高而下降,而这会增加金融体系发生危机的概率。

      

      综合上述分析,可以认为,当人口老龄化比率越过拐点之后,金融杠杆水平会随老龄化程度的上升而下降,同时,这期间金融杠杆与金融危机的发生概率呈显著负相关。这意味着“拐点后时代”的去杠杆化进程可能导致金融体系的不稳定性明显上升。

      

      图4 老龄化、私人部门信贷/MDP和房屋均价走势

      五、基于中国情况的进一步分析

      根据世界银行的统计数据,中国65岁以上人口占总人口的比重已从1980年的5.08%上升至2012年的8.68%。其中,2001年中国的老龄化人口比例已达7.03%,意味着按照联合国新标准,中国已于2001年正式进入老龄化时代。

      从现实情况来看,中国的人口老龄化、金融杠杆率和资产价格在最近10年均呈加速提高和上涨的趋势。由图4可以看出,随着老龄化的进程,私人部门信贷/GDP波动上升,而资产价格则出现了急速攀升。1991年以来,商品房平均售价从每平米786元上涨至2013年的6237元,20年上涨了593%。总体来看,由于现阶段中国的人口老龄化程度尚未到达拐点,因而老龄化程度和金融杠杆的同向增长总体上符合上文的实证结论,而资产价格的快速上涨则与日本20世纪80-90年代的情况极为相似。

      从1980年的5.08%到2008年的8.07%,中国老龄化程度每攀升1个百分点所花的时间,分别为15年、7年和7年。考虑到人口基数不断扩大的事实,可以反映出老龄化的进程明显加速。最近5年(2008-2012年)间,中国老龄化比率的年均增速为1.80%。基于这一增长速度,通过简单的线性预测可以推知:到2015年,中国老龄化程度将达到9.15%;至2030年,中国老龄化程度将达到11.96%。根据上文实证分析结论,金融杠杆率与老龄化程度存在显著的倒U形关系,当老龄化程度处于8.09%-11.48%的区间时,金融杠杆率会出现拐点。根据拐点区间的平均值和最大值,并结合中国最近5年老龄化的平均年增长率,可以预期,中国很可能在2019-2027年间进入拐点区域(见图5)。此后,人口老龄化的上升将伴随金融杠杆率下降,继而出现资产价格下跌,并有可能进一步导致系统性风险和金融危机。

      

      图5 中国老龄化趋势及拐点区间

      六、结论与政策建议

      本文基于119个国家(地区)1980-2012年的面板数据,对人口老龄化、金融杠杆和金融稳定之间的关系进行了实证研究。结果表明,金融杠杆与人口老龄化之间存在着显著的倒U形关系,拐点区间大致位于[8.09%,11.48%]。基于拐点区间的平均值和上限,并根据中国最近5年老龄化的平均增速推算,预计中国将于2019-2028年进入拐点时间窗口,此后,老龄化的上升将推动金融杠杆率下降,金融体系的不稳定性可能出现显著上升。特别是考虑到近年日益积累的资产价格泡沫问题,届时人口老龄化、金融体系“去杠杆化”和资产价格下跌的同时发生极易诱发类似日本“失落二十年”的系统性风险。

      对于上述实证分析结论,从宏观管理和政策选择的视角来看,由于人口老龄化是一个难以改变的自然进程,因此,工作重心应该尽快转向更加积极主动的金融治理,确保金融体系始终保持足够的弹性。在这一过程中,应着重加强动态的、稳健的杠杆管理,避免金融杠杆率不可持续地快速上升;同时,应前瞻性地加强泡沫治理,使人口老龄化进入拐点时间窗口之后,不至于同时发生被动地急速“去杠杆”和资产价格泡沫高位崩溃的情况,从而最大限度地避免发生系统性风险和金融危机。

      ①为了便于说明方法,将除了被解释变量外的变量均设为外生变量,在实际估算过程中,可视情况而定。

      ②说明方法时,T期全部使用,但是实际估算中,可视情况而定。

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

老龄化、财务杠杆与系统性风险_金融风暴论文
下载Doc文档

猜你喜欢