EN 中文
首页 > 研究 > 研究评论 > 对宏观杠杆率数据的再解释
Home > Research > Research Comment > 对宏观杠杆率数据的再解释

对宏观杠杆率数据的再解释

作者Author:张晓晶 2018-11-01 2018年11月01日
国家资产负债表研究中心(CNBS)自2017年1季度开始公布中国的季度宏观杠杆率,数据更新速度快于国际清算银行(BIS),同时也在数据质量上作出一些修正,使其更为接近中国真实的宏观杠杆环境。


国家资产负债表研究中心(CNBS)自2017年1季度开始公布中国的季度宏观杠杆率,数据更新速度快于国际清算银行(BIS),同时也在数据质量上作出一些修正,使其更为接近中国真实的宏观杠杆环境。

2018年9月,BIS公布了中国1季度的杠杆率数据,数据显示1季度非金融企业杠杆率有所回升。由此也引发了公众对于去杠杆进程出现转向的担扰,甚至认为“中国之前去杠杆所取得的进展的丧失过半”。对此问题,我们有专门文章作出回应,参见《中国之前去杠杆所取得的进展的丧失过半?》。主要结论是1季度杠杆率有季节性效应,大多数年份中,1季度杠杆率都是偏向于上升的,而我们的最新数据已经显示2季度非金融企业杠杆率继续下降,并且上半年整体而言已经下降了0.6个百分点。从上半年来看,结构性去杠杆进程并未转向。

此文发布后,也有一些研究机构对于我们的分析产生疑问,最典型的反驳是申万宏源10月8日的一篇研究报告《18年一季度杠杆率回升的态势会持续吗?》。

这篇报告认为一季度杠杆率上升并非季节性因素,而是中国在贸易战压力下调整去杠杆政策来对冲外部风险,2018年二季度私人非金融部门以及非金融企业杠杆率将大概率上升。主要依据是作者构建了(社融存量+外债+国债余额)/GDP指标,认为这可以很好地拟合BIS的季度杠杆率数据,并根据这一指标,预测BIS将要公布的2季度宏观杠杆率将会上升。作者构建的指标与BIS公布的杠杆率拟合度非常好,如下图。

1.jpg

对此反驳,我们作出三点解释。

首先,CNBS在BIS的基础上作了一些调整工作,主要是去除了不同部门杠杆率计算中的重复部分。这导致2010年以来,二者的杠杆率数值出现一些缺口,大约相差10个百分点左右,但在变化方向上是基本一致的。

2.jpg

第二,申万宏源报告中用(社融存量+外债+国债余额)来拟合全社会总信用的方法值得商榷。社融中有股权融资,并非债务的概念,应该剔除。另外,外债是全口径概念,既包括非金融企业债务,也包括政府债务,还包括银行的债务。CNBS在估算非金融企业债务时也考虑到了外债,但我们根据BIS所公布的各国外债数据进行了调整,剔除了政府和银行债务,仅保留非金融企业债务。政府债务中的外债已经包含在国债余额中,此处不能再重复加总;而银行的外债不属于实体经济的债务范畴。如果将(社融存量+外债+国债余额)这一指标作出相应调整,去掉以上两部分内容(社融中的股权融资和外债中的政府和银行债务),则最终结果与CNBS杠杆率极为接近,如下图所示。

由此可见,申万报告用自己定义的指标估算出的杠杆率数据与BIS比较一致,大概率是一种“巧合”,即股权融资和政府与银行外债之和恰好等于BIS比我们多出来的那部分。但这种巧合意义不大,甚至容易形成误导。

3.jpg

第三,杠杆率数据的确有季节性现象。从原理上说,宏观杠杆率分母用的是滚动4个季度GDP,而每年1季度由于节假日较多,季度GDP相应较低,一般皆为全年的21-22%之间。我们将季度滚动GDP环比增速作出自相关和偏自相关图,可以发现GDP有明显的季度效应,如下图。

4.jpg

这必然导致杠杆率出现轻微的季节性效应,主要表现在1季度杠杆率的上升幅度会加大。我们统计BIS所公布的中国实体经济杠杆率,自1996年1季度至2017年4季度平均环比增长1.67个百分点,但每年的1季度环比增长的平均值是2.67个百分点。CNBS所估算的季度杠杆率,自1996年1季度至2017年4季度平均环比增长1.63个百分点,每年的1季度环比增长的平均值也是2.67个百分点。

出现这种现象的主要原因在于杠杆率本身是一个存流量混合指标,分子是存量,即期末债务余额,分母是流量,即国内生产总值。存量的季节性效应较小,但流量一般都会呈现一定的季节性效应。因此,从季度上看,1季度环比增长较快亦属正常。

综上,宏观杠杆率的季节性效应是客观存在的,1季度杠杆率往往都有更大幅度上升,且这种季节性效应在很多存流量混合指标中都存在。此外,申万宏源所提出的(社融存量+外债+国债余额)这一指标恰好与BIS所公布的杠杆率更为一致,这进一步佐证了我们对BIS数据所进行的调整是具备客观基础的。

尽管我们不认同申万宏源的反驳,但一切针对我们研究(包括估算方法和研判)所提出的批评,我们都由衷地表示欢迎。真理越辩越明。相信这种讨论有助于我们(包括所有同行)完善估算方法,推出真正有质量的研究,避免大数据时代的以讹传讹。