高夢楠

(安徽農(nóng)業(yè)大學理學院 安徽·合肥 230036)

我國社會融資影響因素分析及預測

高夢楠

(安徽農(nóng)業(yè)大學理學院 安徽·合肥 230036)

目前高速增加的貨幣背景下，我國企業(yè)依舊面臨著融資難的境遇。中國大多數(shù)企業(yè)融資成本較高或中小企業(yè)偏重于國有銀行的間接融資結(jié)構(gòu)。本文主要研究近年來中國社會融資增量的發(fā)展狀況，并進行預測。通過餅圖和折線圖做直觀上的闡述，結(jié)果表明2013年至2016年的變化波動基本相似，增量最多的月份集中在第一季度。通過方差分析，判斷地區(qū)融資要素的獨立性，結(jié)果表明地區(qū)與各融資要素之間存在著顯著的相關性。

描述性分析；方差分析；聚類分析；主成分分析；ARMA模型

引 言

社會融資總量將成為未來貨幣政策制定過程中的一個重要參考指標。從長遠目標來看，伴隨著國內(nèi)金融體系的進一步完善和發(fā)展，我國以間接融資為主的融資體系將發(fā)生變化，直接融資規(guī)模及所占比重會逐漸增加。而“十二五”計劃運行過程中，促進與完善利率市場化和金融體系的創(chuàng)新等舉措的出臺，也將會促使直接融資的發(fā)展，所以，從調(diào)控銀行信貸總量到掌控社會融資總量是一種現(xiàn)代金融的發(fā)展趨勢。控制“社會融資總量”需要更多依據(jù)多樣化的市場化手段，從而提升對價格型工具的使用。隨著股市、債市等直接融資方式的發(fā)展，金融調(diào)控將更多運用市場化的調(diào)控手段。隨著國民經(jīng)濟總量不斷增加，我國社會融資規(guī)模體系也顯著擴大，金融結(jié)構(gòu)進一步趨于多元。

1 數(shù)據(jù)來源及直觀特征分析

1.1 數(shù)據(jù)來源

為保證數(shù)據(jù)的真實性和可靠性，本文所有數(shù)據(jù)均來自中國國家統(tǒng)計局官網(wǎng)。數(shù)據(jù)包括2013年到2016年的地區(qū)社會融資規(guī)模數(shù)據(jù)、七類影響因素（人民幣貸款、外幣貸款、委托貸款、信托貸款、未貼現(xiàn)銀行承兌匯票、企業(yè)債券、非金融企業(yè)境內(nèi)股票融資）、商品價格指數(shù)。

1.2 數(shù)據(jù)描述性分析

2013年至2016年全國社會融資增量及各年同比增率的月度數(shù)據(jù)見附錄1。

根據(jù)表中數(shù)據(jù)做出雙縱軸圖，如圖1-1。由圖可知，從2013年到2016年各月,我國社會融資增量的變化幅度較大，各年一月份的融資增量都遠高于同年份的其它各月。這是因為各企業(yè)、部門的資金投入有著明顯的計劃性，它們?yōu)楸ＷC盈利會在年初制定計劃并投入資金以保證全年的營業(yè)計劃順利實施。各月的社會融資增長量與環(huán)比增長率的變化幅度和趨勢基本上一致。經(jīng)計算，2013年的全國社會融資總增為173168億元人民幣，2014年的全國社會融資總增為164133億元人民幣，2015年的全國社會融資總增為152936億元人民幣，2016年的全國社會融資總增為178023億元人民幣。總體上看，這四年的全國社會融資增量差距在[0,14.09%]之間。

圖1-1 全國融資增量及增長率折線圖

2013年至2016年各因素下的融資規(guī)模如表1-1所示，2016年的融資規(guī)模最高，2015年融資規(guī)模最低。經(jīng)計算近四年我國社會融資規(guī)模相差的比例在[0,14.04%]。

根據(jù)表1-1做出餅圖如圖1-2,1-3,1-4,1-5。圖中表明近年來在我國社會融資增量中人民幣貸款額度均超過50%，其中最高年份是2015年的61.96%，最低年份是2013年的53.33%。在2013年中非金融企業(yè)境內(nèi)股票融資增量比重最少，僅為1.33%。而2014年至2016年中的未貼現(xiàn)銀行承兌匯票的增量均為負增長，最高是2016年的-8.78%。原因可能是受近年來國家對銀行的相關政策所影響。

根據(jù)表1-1做出餅圖如圖1-2,1-3,1-4,1-5。圖中表明近年來在我國社會融資增量中人民幣貸款額度均超過50%，其中最高年份是2015年的61.96%，最低年份是2013年的53.33%。在2013年中非金融企業(yè)境內(nèi)股票融資增量比重最少，僅為1.33%。而2014年至2016年中的未貼現(xiàn)銀行承兌匯票的增量均為負增長，最高是2016年的-8.78%。原因可能是受近年來國家對銀行的相關政策所影響。

圖1-2 2013年各因素融資增量餅圖

圖1-3 2014年各因素融資增量餅圖

圖1-4 2015年各因素融資增量餅圖

圖1-5 2016年各因素融資增量餅圖

2 地區(qū)與影響社會融資增量要素的方差分析

2.1 方差分析

在此，由于方法步驟完全一樣，這里只對2016年的數(shù)據(jù)進行方差分析，以判斷地區(qū)是否對社會融資增量要素有顯著影響。其余年份只給出分析結(jié)果。

2016年地區(qū)與社會融資增量要素數(shù)據(jù)整理后如表2-1,經(jīng)方差分析后結(jié)果如表2-2

由表2-2可知故拒絕行因素原假設接受備擇假設，即地區(qū)對社會融資增量要素有顯著影響。

經(jīng)計算，2013年至2015年地區(qū)與社會融資增量的方差分析結(jié)果如表2-3，詳細結(jié)果見附錄2。

表2-3 方差分析結(jié)果

綜上可知，近年來地域位置的不同對我國地區(qū)的社會融資增量有著顯著的影響。建議我國在平均社會財富，或者對于重點扶持的地區(qū)在政策上出臺相關政策，以促進社會融資量較低的地區(qū)能夠吸引到更多的投資商。

3 不同地區(qū)(按省份)和融資要素對我國社會融資增量的影響

3.1 運用主成分分析方法分析2016年融資要素對融資的影響

這里只對2016年數(shù)據(jù)進行分析,2013年至2015年將給出分析結(jié)果。2016年詳細數(shù)據(jù)見附錄4。

由2.2的分析可知地區(qū)與融資要素之間確實存在影響關系，接下來將對這7種融資要素的影響進行定量分析。利用SAS做主成分分析得出數(shù)據(jù)分析結(jié)果如表3-1、表3-2、表3-3以及圖3-1。相關程序見附錄5。

各種融資要素的相關系數(shù)矩陣如表3-1所示，其中表示人民幣貸款、外幣貸款、委托貸款、信托貸款、未貼現(xiàn)銀行承兌匯票、表示企業(yè)債券、表示非金融企業(yè)境內(nèi)股票融資。

表3-1 融資要素相關矩陣

從表中數(shù)據(jù)可知（人民幣貸款）與（企業(yè)債券）、（非金融企業(yè)境內(nèi)股票融資）的相關系數(shù)相對較高，均達到0.8以上。（外幣貸款）與（委托貸款）的相關系數(shù)相對較高，表現(xiàn)為負相關關系，達。（委托貸款）除與（外幣貸款）的相關系數(shù)較高外，與（企業(yè)債券）的相關系數(shù)也相對較高，達0.7757。（信托貸款）與其它融資要素的相關系數(shù)都交底。（未貼現(xiàn)銀行承兌匯票）與（人民幣貸款）相關系數(shù)相對較高，表現(xiàn)為負相關關系達。若以0.8為界，除（人民幣貸款）、（企業(yè)債券）、（非金融企業(yè)境內(nèi)股票融資）之間的相關系數(shù)超過0.8以外，其余融資要素之間的相關系數(shù)都低于0.8，這說明各融資要素之間有部分存在著相關關系，有部分的獨立性較大，因此對數(shù)據(jù)進行主成分分析。

相關矩陣的特征值、特征向量和陡坡圖分別見表3-2、表3-3和圖3-1

表3-2 相關矩陣的特征值

表3-3 特征向量

圖3—1 主成分陡坡圖

五個特征值及其貢獻率如表3-2所示，且前三個特征值的累積貢獻率達89.78%，故保留前面三個主成分即可。分析陡坡圖也可以得出一樣的結(jié)論，由陡坡圖可知從第四個主成分開始曲線開始平穩(wěn)，保留曲線陡峭部分即可，即第一、二、三個主成分（為第個主成分，為標準化后的值，見附錄6）。

以Ii表示第i主成分在綜合得分（Z）中的權重，λ表示主成分的貢獻率，則有

這說明，影響我國社會融資增量的七個要素（x1~x7）可以用三個綜合變量（Z1~Z3）來代替。這三個綜合變量包含了七個融資要素的89.78%的信息。從表3-3中得第一主成分Z1可代表因素 x1（人民幣貸款）、x3（委托貸款）、x6（企業(yè)債券）、x7（非金融企業(yè)境內(nèi)股票融資）；Z2可代表因素x2（外幣貸款）、x5（未貼現(xiàn)銀行承兌匯票）；Z3可代表因素x4（信托貸款）。

3.2 2013至2015年融資要素對融資影響的主成分分析結(jié)果

經(jīng)計算，2013年選取的主成分個數(shù)為三個，累積貢獻率達87.09%，其中

2014年選取的主成分個數(shù)為三個，累積貢獻率達85.61%，其中

2015年選取的主成分個數(shù)為三個，累積貢獻率達89.1%，其中

2013年至2016年的七個融資要素均可用三個綜合變量來表示，且所含信息量均達到了85%以上。

3.3 2016年我國社會融資增量的地區(qū)歸類定量分析

由2.2的分析可知，我國社會融資增量與地區(qū)有著一定的聯(lián)系，在統(tǒng)計學的假設基礎上，可以將某些地區(qū)之間差異較少的歸為一類。在這里將對我國大陸的21個地區(qū)的31個省級行政單位進行聚類分析，判斷出哪些省份可以歸為一類。相關SAS程序見附錄5。

在這里，采用中間系統(tǒng)聚類分析的方法進行聚類，由于聚類歷史數(shù)據(jù)表格篇幅太長，共進行了30次聚類。根據(jù)分析需要只將用于分析的數(shù)據(jù)附于表格3-4中，詳細數(shù)據(jù)見附錄7，聚類譜系圖如圖3-2。

表3-4 聚類歷史

圖3-2 聚類譜系圖

根據(jù)表3-4可知，當聚類數(shù)為6時的方數(shù)值為0.814，聚類數(shù)為5時的方數(shù)值為0.701，跳躍度為0.113，而其它前后聚類跳躍度都較小（都小于0.05）。因此可以考慮最終聚類數(shù)為6。

由譜系圖可看出，當聚類數(shù)為6時，其聚類效果是最好的。

第一類：廣東、江蘇；第二類：山東、福建；第三類：浙江；第四類：云南；第五類：北京、上海；第六類：天津、河北、湖北、安徽、四川、貴州、江西、湖南、內(nèi)蒙古、吉林、山西、黑龍江、寧夏、西藏、青海、海南、廣西、新疆、重慶、河南、陜西、甘肅、遼寧。

經(jīng)計算，2013年可聚為六類，2014年聚為7類，2015年聚為6類，相關聚類歷史數(shù)據(jù)見附錄8。2013年至2016年的每年聚類數(shù)目相差并不大，說明我國整體上的融資規(guī)模變化并不大，若要增加國內(nèi)融資量，需要出臺相應的刺激政策。

4 2013年到2016年月度數(shù)據(jù)的ARMA模型擬合

4.1 ARMA模型的基本思路、基本假設

基本思路：由于時間的不可重復性，每個時間點只能觀測一個數(shù)據(jù)。因此我們在每個時間點建立一個隨機變量，這樣在個時間點就有個隨機變量。于是得出一個隨機變量族，在ARMA模型中我們總假設各時間點的均值相等，均為，這樣可以大大減少隨機變量的個數(shù)，便于分析。

4.2 擬合2013年至2016年月度數(shù)據(jù)的ARMA模型并進行預測

2013年至2016年的月度數(shù)據(jù)見附錄2，相關SAS程序見附錄9。

符號說明：原始序列為，1階12步差分后序列為，的1步差分序列為。

月度數(shù)據(jù)的時間序列圖如圖4-1所示，顯示出明顯的周期為12的周期性，故為非平穩(wěn)序列，因此先進行1階12步差分再畫出差分后的時間序列圖如圖4-2所示。在4-2中可以看出差分后的既沒有明顯的周期性，也沒用明顯的長期趨勢，并且波動范圍始終在[-9000,14000]之間波動，對序列進行趨勢相關分析，結(jié)果如圖4-3。

圖4-1 2013年至2016年月度數(shù)據(jù)的時間序列圖

圖4-2 月度數(shù)據(jù)差分后的時間序列圖

difx序列的趨勢相關分析圖如圖4-3所示，從圖中可知其自相關系數(shù)和偏自相關系數(shù)均從一介起就少于兩倍標準誤差，且如表4-1，卡方檢驗的值為0.5368，在顯著性水平為0.05的條件下并沒有通過白噪聲檢驗，可以判斷其序列屬于非平穩(wěn)序列，故對difx序列再進行一次1步差分，得到序列difxx。

圖4 -3 difx序列趨勢相關分析圖

對序列difxx做趨勢相關圖如圖4-4。其時序圖并無明顯的周期性，也無長期趨勢，且大部分數(shù)據(jù)在[12000,-12000]之間來回震蕩，且如表4-2，其卡方檢驗P值0.0096，在0.05的顯著性水平下通過了白噪聲檢驗，可初步判斷其為平穩(wěn)序列。自相關圖表現(xiàn)為明顯的1階截尾性質(zhì)，偏自相關圖自1階后，2、3階均在兩倍標準差內(nèi)，4、5階又超出兩倍標準差，表現(xiàn)出明顯的拖尾性。因此可以用AR(1)模型進行擬合。

圖4-4 difxx 趨勢相關圖

表4-2 difxx序列白噪聲的自相關檢查

利用SAS將difxx序列進行AR(1)模型擬合,程序輸出結(jié)果整理后如表4-2，擬合的模型見表4-3。其殘差自相關診斷圖如圖4-5，近似服從正態(tài)分布，說明信息已經(jīng)提取充分。AR(1)模型。

圖4-5 殘差相關圖

通過以上分析，可確定最終的擬合模型為：

用所得模型對序列進行三期預測，其結(jié)果如表4-4

表4-4 序列預測值

綜合以上，對于2017年1月份的國內(nèi)社會融資增量預測為38401.32億元人民幣，2月份預測為8353.23億元人民幣，3月份預測為26092.65億元人民幣。

5 結(jié)論

如今，國內(nèi)社會融資增量對于判斷國內(nèi)經(jīng)濟的發(fā)展起到了至關重要的作用。充分了解現(xiàn)階段國內(nèi)融資增量發(fā)展形勢，準確預測國內(nèi)社會融資的發(fā)展對于我國社會經(jīng)濟相關決策的制定具有重要意義。在本文第一章將數(shù)據(jù)進行了簡單的描述性分析，知道近年來國內(nèi)融資變化并不明顯，人民幣貸款占了融資增量的一半以上。

結(jié)論顯示擬合MA(1)模型合適，并預測出2017年第一季度的融資增量分別為38401.32億元人民幣、8353.23億元人民幣、26092.65億元人民幣?？偟膩砜矗疚倪\用了多種統(tǒng)計方法來處理我國融資增量數(shù)據(jù)，得出近年來地域位置的不同對我國地區(qū)的社會融資增量有著顯著的影響，建議我國在平均社會財富，或者對于重點扶持的地區(qū)在政策上出臺相關政策，以促進社會融資量較低的地區(qū)能夠吸引到更多的投資商。

[1]甘宜沅,王華.論社會融資對地區(qū)投資效率影響效應[J].廣西經(jīng)濟管理干部學院學報,2016.

[2]高惠璇.應用多元統(tǒng)計分析（第一版）[M].北京：北京大學出版社.2005.

[3]田仲偉.地區(qū)社會融資規(guī)模對區(qū)域?qū)嶓w經(jīng)濟的動態(tài)影響[J].西部金融,2016.

[4]Collins.J.M.&Sekely.W.S.The relationship of headquarters country and industry classification to financial structure[J].Financial Management.1983.(3)：45-51.

[5]Eli Schwartz and J Richard Aronson.1967.Some Surrogate Evidence in Support of the Concept of Optimal Financial Structure[J].Journal of Finance.22(1)：10-18.

責任編輯：于吉瑞

審稿人：程家超

F832

A

1009-8534（2017）04-0012-04

高夢楠，安徽農(nóng)業(yè)大學理學院應用統(tǒng)計學專業(yè)2013級本科生。