中国股票市场发展与经济增长关系的动态实证分析

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 ?

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。

1

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：

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

2

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。

3

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(www.bjinfobank.com)、和讯网(stock.hexun.com)、中华人民共和国国家统计局（www.ststs.gov.cn）、中国人民银行（www.pbc.gov.cn）、中国证券监督管理委员会（www.csrc.gov.cn）、上海证券交易所(www.sse.com.cn)、深圳证券交易所(www.szse.cn)等相关网站、国研网（www.drcnet.com.cn）、中经网（www.newibe.cei.gov.cn）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矩阵。

表1 经济变量和股票市场变量的配对相关系数矩阵

GYSA

CAP1SA CAP2SA

NCSA

VALSA

TR1SA

TR2SA

TOSA

GYSA 1.000000 -0.095455 -0.003574 0.007907 0.137371 0.261877 0.259380 0.250166 CAP1SA -0.095455 1.000000 0.956253 0.573353 0.460209 -0.342998 -0.406413 -0.403031 CAP2SA -0.003574 0.956253 1.000000 0.502022 0.410213 -0.299638 -0.363294 -0.355459 NCSA 0.007907 0.573353 0.502022 1.000000 0.438630 -0.095919 -0.140655 -0.134787 VALSA 0.137371 0.460209 0.410213 0.438630 1.000000 0.574610 0.513551 0.487405 TR1SA 0.261877 -0.342998 -0.299638 -0.095919 0.574610 1.000000 0.997001 0.984783 TR2SA 0.259380 -0.406413 -0.363294 -0.140655 0.513551 0.997001 1.000000 0.989728 TOSA 0.250166 -0.403031 -0.355459 -0.134787 0.487405 0.984783 0.989728 1.000000

4

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

5

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

ADF Test Statistic

-1.151073 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-8.889592 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6261 -1.9501 -1.6205

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable GYSA(-1) D(GYSA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.149618 0.129981 -0.687136 0.090784

t-Statistic -1.151073 -7.568934

Prob. 0.2573 0.0000 -0.003295 0.092910 -3.384095 -3.297906 133.3267 0.000000

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(GYSA(-1)) D(GYSA(-1),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error t-Statistic -2.298486 0.209776

0.258559 -8.889592 0.123327 1.700977

Prob. 0.0000 0.0978 0.002995 0.180429 -3.653347 -3.566270 779.3931 0.000000

0.787393 Mean dependent var 0.781488 S.D. dependent var 0.043431 Akaike info criterion 0.067905 Schwarz criterion 66.29781 F-statistic 2.382949 Prob(F-statistic)

0.957023 Mean dependent var 0.955795 S.D. dependent var 0.037935 Akaike info criterion 0.050367 Schwarz criterion 69.58692 F-statistic 2.273750 Prob(F-statistic)

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

6

ADF Test Statistic

-1.790988 1% Critical Value*

5% Critical Value 10% Critical Value

-3.6117

ADF Test Statistic

-2.9399

-2.6080

10% Critical Value

-1.6205

5% Critical Value

-1.9501

-2.820694 1% Critical Value*

-2.6261

*MacKinnon critical values for rejection of hypothesis of a unit root.

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable CAP1SA(-1) D(CAP1SA(-1))

C

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.064570 0.207895 0.097243

t-Statistic

Prob.

Variable

0.036053 -1.790988 0.157436 0.048787

1.320508 1.993205

0.0819

D(CAP1SA(-1))

0.1952

D(CAP1SA(-1),2)

0.0541

R-squared

0.127752 Mean dependent var 0.077909 S.D. dependent var 0.124359 Akaike info criterion 0.541281 Schwarz criterion 26.85700 F-statistic 2.110177 Prob(F-statistic)

0.022667

Adjusted R-squared

0.129506

S.E. of regression

-1.255632

Sum squared resid

-1.126349

Log likelihood

2.563098

Durbin-Watson stat

0.091454

2.041357 Prob(F-statistic)

0.000019

24.76295 F-statistic

24.38467

0.568078 Schwarz criterion

-1.143353

0.127400 Akaike info criterion

-1.230430

0.393783 S.D. dependent var

0.163627

0.410622 Mean dependent var

-0.001652

-0.234209

0.167085 -1.401730

0.1698

-0.575609

0.204066 -2.820694

0.0078

Coefficient Std. Error t-Statistic

Prob.

由上表可知，我国股票市场的资本化率一时间序列CAP1SA不是I(0)序列，因为在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CAP1SA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。虽t值有点不太显著但AIC值却是最小的、其它F值等指标都比较显著，DW值几乎接近于二说明没有自相关，同时可决系数R^2值也可以接受，只是残差平方和RSS有点偏大。综上可判断GYSA是一个一阶单整I(1)序列。

7

5. CAP2SA含截距也含趋势项的ADF检验 6. CAP2SA一阶差分序列不含截距也不含趋势项的ADF检验

ADF Test Statistic

-1.843425 1% Critical Value*

5% Critical Value 10% Critical Value

-4.2242 -3.5348 -3.1988

ADF Test Statistic

-2.835851 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6261 -1.9501 -1.6205

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable CAP2SA(-1) D(CAP2SA(-1)) D(CAP2SA(-2))

C

@TREND(1995:1) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.126401 0.283503 0.202240 0.037573 0.000112

t-Statistic

Prob. 0.0745 0.0815 0.1683 0.0527 0.4414 0.001368 0.005107 -7.737899 -7.520208 2.422239 0.068529

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(CAP2SA(-1)) D(CAP2SA(-1),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.545157 -0.204520

t-Statistic

Prob. 0.0075 0.1265 0.000424 0.006522 -7.712986 -7.625909 26.67294 0.000010

0.068569 -1.843425 0.157634 0.143465 0.018670 0.000144

1.798490 1.409682 2.012431 0.779521

0.192238 -2.835851 0.130649 -1.565421

0.432490 Mean dependent var 0.416276 S.D. dependent var 0.004983 Akaike info criterion 0.000869 Schwarz criterion 144.6902 F-statistic 2.102670 Prob(F-statistic)

0.232411 Mean dependent var 0.136462 S.D. dependent var 0.004746 Akaike info criterion 0.000721 Schwarz criterion 148.1511 F-statistic 2.326934 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的资本化率二时间序列CAP2SA是一个一阶单整I(1)序列，其各项统计指标都比较显著。

7. NCSA不含截距也不含趋势项的ADF检验 8. NCSA一阶差分序列含截距不含趋势项的ADF检验

ADF Test Statistic

-1.018883 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-4.014947 1% Critical Value*

5% Critical Value 10% Critical Value

-3.6289 -2.9472 -2.6118

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable NCSA(-1) D(NCSA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.089928 -0.422779

t-Statistic

Prob. 0.3151 0.0085 0.000156 0.007834 -7.058861 -6.972672 11.48084 0.001716

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(NCSA(-1)) D(NCSA(-1),2) D(NCSA(-2),2) D(NCSA(-3),2)

C

R-squared

Adjusted R-squared S.E. of regression Sum squared resid

Coefficient Std. Error -2.042957 0.540026 0.352236 0.338989 0.000494

t-Statistic

Prob. 0.0004 0.2314 0.2888 0.0769 0.6845 -4.35E-05 0.014004 -6.942123 -6.719930 26.10986 0.000000

0.088261 -1.018883 0.151977 -2.781869

0.508838 -4.014947 0.442066 0.326202 0.185047 0.001203

1.221597 1.079809 1.831909 0.410284

0.241799 Mean dependent var 0.220738 S.D. dependent var 0.006916 Akaike info criterion 0.001722 Schwarz criterion 136.1184 F-statistic 2.134624 Prob(F-statistic)

0.776851 Mean dependent var 0.747098 S.D. dependent var 0.007043 Akaike info griterion 0.001488 Schwarz criterion 126.4871 F-statistic 2.020645 Prob(F-statistic)

Log likelihood Durbin-Watson stat

对于上表经相同的分析可知，我国股票市场的季度净筹资率时间序列NCSA是一个一阶单整I(1)序列，其各项统计指标都比较显著。

8

9. VALSA不含截距也不含趋势项的ADF检验 10. VALSA一阶差分序列不含截距也不含趋势项的ADF检验

ADF Test Statistic

-0.876433 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-6.042109 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6261 -1.9501 -1.6205

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable VALSA(-1) D(VALSA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.068643 -0.427790

t-Statistic

Prob. 0.3866 0.0078 0.005433 0.209990 -0.466907 -0.380719 10.78243 0.002286

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(VALSA(-1)) D(VALSA(-1),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.719690 0.174698

t-Statistic

Prob. 0.0000 0.3008 -0.000452 0.364262 -0.449605 -0.362528 99.79771 0.000000

0.078321 -0.876433 0.151687 -2.820213

0.284618 -6.042109 0.166345

1.050219

0.230480 Mean dependent var 0.209105 S.D. dependent var 0.186749 Akaike info criterion 1.255506 Schwarz criterion 10.87124 F-statistic 2.126977 Prob(F-statistic)

0.740352 Mean dependent var 0.732933 S.D. dependent var 0.188245 Akaike info criterion 1.240269 Schwarz criterion 10.31769 F-statistic 1.963891 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度交易率时间序列VALSA是一个一阶单整I(1)序列，其各项统计指标中除t值和RSS值不太理想外其余都比较显著。

11. TR1SA不含截距不含趋势项的ADF检验 12. TR1SA一阶差分序列不含截距不含趋势项的ADF检验

ADF Test Statistic

-1.314222 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-4.542478 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable TR1SA(-1) D(TR1SA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.111856 -0.163684

t-Statistic

Prob. 0.1971 0.3251 -0.000298 0.209679 -0.304862 -0.218673 3.666267 0.063497

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(TR1SA(-1)) D(TR1SA(-1),2) D(TR1SA(-2),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.550653 0.309568 0.222367

t-Statistic

Prob. 0.0001 0.2562 0.1993 0.003923 0.335079 -0.213269 -0.081309 28.48031 0.000000

0.085112 -1.314222 0.164055 -0.997740

0.341367 -4.542478 0.267929 0.169757

1.155412 1.309912

0.092428 Mean dependent var 0.067217 S.D. dependent var 0.202510 Akaike info criterion 1.476367 Schwarz criterion 7.792369 F-statistic 2.004390 Prob(F-statistic)

0.633173 Mean dependent var 0.610941 S.D. dependent var 0.209004 Akaike info criterion 1.441532 Schwarz criterion 6.838834 F-statistic 2.056308 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度周转率时间序列TR1SA是一个一阶单整I(1)序列，其各项统计指标除t值和RSS值不太显著外都比较显著。

9

13. TR2SA不含截距不含趋势项的ADF检验 14. TR2SA一阶差分序列不含截距不含趋势项的ADF检验

ADF Test Statistic

-1.366435 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-4.701725 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable TR2SA(-1) D(TR2SA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.117235 -0.146031

t-Statistic

Prob. 0.1803 0.3802 -0.003878 0.712504 2.144788 2.230977 3.538058 0.068083

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(TR2SA(-1)) D(TR2SA(-1),2) D(TR2SA(-2),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.576923 0.349424 0.255109

t-Statistic

Prob. 0.0000 0.1928 0.1376 0.013803 1.128424 2.217756 2.349716 28.36333 0.000000

0.085796 -1.366435 0.164352 -0.888527

0.335392 -4.701725 0.262845 0.167650

1.329393 1.521675

0.089485 Mean dependent var 0.064193 S.D. dependent var 0.689256 Akaike info criterion 17.10266 Schwarz criterion -38.75097 F-statistic 2.002887 Prob(F-statistic)

0.632216 Mean dependent var 0.609926 S.D. dependent var 0.704767 Akaike info criterion 16.39098 Schwarz criterion -36.91961 F-statistic 2.056571 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度周转率时间序列TR2SA是一个一阶单整I(1)序列，其各项统计指标都比较显著，除RSS值偏大。

15. TOSA不含截距不含趋势项的ADF检验 16. TOSA一阶差分序列不含截距不含趋势项的ADF检验

ADF Test Statistic

-1.066920 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

ADF Test Statistic

-4.952496 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable TOSA(-1) D(TOSA(-1)) D(TOSA(-2)) D(TOSA(-3)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.100121 -0.142202 -0.134399 -0.212808

t-Statistic

Prob. 0.2940 0.4233 0.4332 0.2155 -0.001442 0.070517 -2.416137 -2.240190 1.655295 0.196234

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(TOSA(-1)) D(TOSA(-1),2) D(TOSA(-2),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.632963 0.435125 0.253116

t-Statistic

Prob. 0.0000 0.0908 0.1333 0.001639 0.106677 -2.436738 -2.304778 25.62211 0.000000

0.093841 -1.066920 0.175331 -0.811047 0.169320 -0.793759 0.168402 -1.263695

0.329725 -4.952496 0.249761 0.164453

1.742165 1.539139

0.608282 Mean dependent var 0.584541 S.D. dependent var 0.068760 Akaike info criterion 0.156021 Schwarz criterion 46.86129 F-statistic 2.008148 Prob(F-statistic)

0.134337 Mean dependent var 0.053181 S.D. dependent var 0.068616 Akaike info criterion 0.150662 Schwarz criterion 47.49047 F-statistic 1.988105 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度净筹资率时间序列NCSA是一个一阶单整I(1)序列，其各项统计指标除t值和RSS值不太显著外都比较显著。

10

综上所述，我国经济增长和证券市场的各变量序列都属于一阶单整I(1)序列。由此，我们可以对其进行后续的进一步检验。

3.4 Granger因果检验

只有在变量序列的单整阶数相等的情况下，变量之间因果关系的确定才是准确和有效的。所以，基于以上的单位根检验结果，我们可以分别对经济变量和股票市场变量执行格兰杰因果检验。结果，如表2所示。

表2 经济增长与股票市场变量之间的格兰杰因果检验

Pairwise Granger Causality Tests Sample: 1995:1 2004:4 Lags: 3 Null Hypothesis:

CAP1SA does not Granger Cause GYSA GYSA does not Granger Cause CAP1SA CAP2SA does not Granger Cause GYSA GYSA does not Granger Cause CAP2SA NCSA does not Granger Cause GYSA GYSA does not Granger Cause NCSA VALSA does not Granger Cause GYSA GYSA does not Granger Cause VALSA TR1SA does not Granger Cause GYSA GYSA does not Granger Cause TR1SA TR2SA does not Granger Cause GYSA GYSA does not Granger Cause TR2SA TOSA does not Granger Cause GYSA GYSA does not Granger Cause TOSA CAP2SA does not Granger Cause CAP1SA

CAP1SA does not Granger Cause CAP2SA NCSA does not Granger Cause CAP1SA CAP1SA does not Granger Cause NCSA VALSA does not Granger Cause CAP1SA CAP1SA does not Granger Cause VALSA TR1SA does not Granger Cause CAP1SA CAP1SA does not Granger Cause TR1SA TR2SA does not Granger Cause CAP1SA

11

Obs 37 37

F-Statistic 4.08949 0.14394 3.02561 0.43595 Probability 0.01511 0.93275 0.04484 0.72887 0.19361 0.63651 0.20232 0.31730 0.12100 0.01938 0.09540 0.01406 0.07369 0.01254 0.13783 0.08906 0.38071 0.01288 0.45313 0.66433 0.76717 0.12563 0.77742

37 37 37

1.67390 0.57405 1.63406 1.22633 2.10133 3.84027

37 37

2.31939 4.16191 2.55849 4.27786 37 1.98246 2.38280

37 1.05996 4.25078

37 37 37

0.89908 0.53124 0.38132 2.06695 0.36685

CAP1SA does not Granger Cause TR2SA TOSA does not Granger Cause CAP1SA CAP1SA does not Granger Cause TOSA NCSA does not Granger Cause CAP2SA CAP2SA does not Granger Cause NCSA VALSA does not Granger Cause CAP2SA CAP2SA does not Granger Cause VALSA TR1SA does not Granger Cause CAP2SA CAP2SA does not Granger Cause TR1SA TR2SA does not Granger Cause CAP2SA CAP2SA does not Granger Cause TR2SA TOSA does not Granger Cause CAP2SA CAP2SA does not Granger Cause TOSA VALSA does not Granger Cause NCSA NCSA does not Granger Cause VALSA TR1SA does not Granger Cause NCSA NCSA does not Granger Cause TR1SA TR2SA does not Granger Cause NCSA NCSA does not Granger Cause TR2SA TOSA does not Granger Cause NCSA NCSA does not Granger Cause TOSA TR1SA does not Granger Cause VALSA VALSA does not Granger Cause TR1SA TR2SA does not Granger Cause VALSA VALSA does not Granger Cause TR2SA TOSA does not Granger Cause VALSA VALSA does not Granger Cause TOSA TR2SA does not Granger Cause TR1SA TR1SA does not Granger Cause TR2SA TOSA does not Granger Cause TR1SA TR1SA does not Granger Cause TOSA TOSA does not Granger Cause TR2SA TR2SA does not Granger Cause TOSA

37 37 37 37 37 37 37 37 37 37 37 37 37 37 37 37

2.38197 0.31334 2.02646 3.18316 2.05703 1.26245 1.76510 0.26795 3.45304 0.26474 3.59311 0.37198 3.38581 7.12651 0.75620 0.97353 0.97715 0.78178 0.98242 0.48350 0.90043 1.39262 2.97325 1.26879 2.89903 0.99608 2.40718 1.39583 1.59971 2.96155 3.78892 3.06635 3.58652

0.08915 0.81558 0.13133 0.03802 0.12701 0.30494 0.17507 0.84797 0.02875 0.85025 0.02490 0.77378 0.03081 0.00094 0.52750 0.41818 0.41654 0.51347 0.41417 0.69625 0.45247 0.26417 0.04738 0.30282 0.05124 0.40809 0.08675 0.26324 0.21015 0.04797 0.02041 0.04296 0.02507

由上表可知，在1%的显著水平上，我国股票市场的季度交易率序列VALSA是导致我国股票市场季度净筹资率NCSA的格兰杰原因。在5%的显著水平上，我国股票市场的资本化率一、二序列CAP1SA和CAP2SA都是导致我国经济增长速度序列GYSA的格兰杰原

12

因。同时，我国经济增长速度序列GYSA和我国股票市场资本化率二序列CAP2SA是导致我国股票市场周转率一、二序列TR1SA、TR2SA和换手率序列TOSA的格兰杰原因。我国股票市场的资本化率一序列CAP1SA是导致我国股票市场季度净筹资率NCSA的格兰杰原因。我国股票市场季度净筹资率NCSA是导致我国股票市场资本化率二序列CAP2SA的格兰杰原因。我国股票市场的季度交易率序列VALSA是导致我国股票市场周转率一TR1SA的格兰杰原因。我国股票市场换手率序列TOSA与我国股票市场周转率一TR1SA和周转率二序列TR2SA之间分别存在双向格兰杰因果关系。在10%的显著水平上，我国股票市场周转率一TR1SA和换手率序列TOSA是导致我国经济增长速度序列GYSA的格兰杰原因。我国股票市场的资本化率一序列CAP1SA是导致我国股票市场的资本化率二序列CAP2SA和周转率二序列TR2SA的格兰杰原因。我国股票市场的季度交易率序列VALSA是导致我国股票市场周转率二序列TR2SA和换手率序列TOSA的格兰杰原因。可见，我国经济增长速度与我国股票市场各变量之间以及股票市场内部各变量之间存在着至少是单向的格兰杰因果关系。

4．中国经济增长与股票市场关系的长期均衡分析和动态分析

4.1 方法

如果一组非平稳时间序列存在一个平稳的线性组合，即该组合不具有随机趋势，那么这组序列就是协整的，这个线性组合被称为协整方程，表示一种长期的均衡关系。正如Angle和Granger(1987)指出，尽管两个或两个以上变量序列为非平稳序列，但它们的某种线性组合却具有稳定性，则这些变量序列之间就存在长期的均衡关系即协整关系。也就是说，由若干个服从单位根过程的变量组成的系统中，若这些变量的某一线性组合是稳定的，则称这一稳定的线性组合为协整关系。这种关系在经济学上的意义是：① 对经济学中规律性的很好

13

的定量描述。即每个变量序列都是有自身长期的波动规律，当这些变量序列有协整关系时，说明它们之间存在一个长期稳定的比例关系。反之，则它们之间不具有这样一个长期稳定的比例关系。②避免伪回归。因为对没有协整关系的时间序列进行回归分析，结果常常会是取伪的。③ 区分变量之间的长期均衡关系和短期波动关系。长期均衡关系就是两个时间序列共同漂移的方式。短期波动是指被解释变量对于长期趋势的偏离与解释变量对长期均衡偏离之间的关系。基于以上对我国经济增长指标和股票市场指标单整阶数和格兰杰因果关系的检验，本文采用Johansen方法对其长期的动态均衡关系进行协整检验。

接下来，在确定了我国经济增长指标和股票市场指标之间是否存在协整关系以及存在几个协整方程之后，建立了向量误差修正模型VECM，即每个变量指标对其他变量指标的滞后项和用协整关系表示的误差修正项的滞后项做回归。以关于经济增长速度的误差修正模型为例，如果误差修正项在误差修正模型中的回归系数显著，则说明经济增长速度适应先前与股票市场变量指标之间的均衡误差，即过去的股票市场变量指标对当前的经济增长速度有显著的解释能力，而且这些股票市场变量指标可以显著的预测经济增长速度的变化趋势；反之，如果误差修正项在误差修正模型中的回归系数不显著，则说明过去经济增长速度与股票市场变量指标之间的均衡关系对当前经济增长速度的变化没有影响。

最后，在前面分析的基础上文章对我国经济增长指标和股票市场指标之间的动态特征进行分析。广义脉冲响应函数描述的是一个内生变量对误差变化大小的反应程度。也就是说，在扰动项上加一个标准差大小的冲击对内生变量的当期值和未来值所带来的影响。这里对于每一个误差项，内生变量都对应着一个脉冲响应函数。而方差分解分析是给出随机新息的相对重要性，也就是给出关于某个特定的新息所引起的方差占总方差的百分比。这里方差分解分析能够进一步量化我国经济增长变量指标和股票市场变量指标之间格兰杰因果关系的相对强弱和动态交互作用。

14

4.2 协整检验

Sample: 1995:1 2004:4 Included observations: 38

Test assumption: Linear deterministic trend in the data Lags interval: 1 to 1 Eigenvalue 0.822477 0.714158 0.672631 0.468074 0.352545 0.311595 0.164413 0.111543

Likelihood Ratio 221.7247 156.0358 108.4478 66.01450 42.02696 25.50814 11.31979 4.494207

5 Percent

1 Percent

Hypothesized No. of CE(s) None ** At most 1 ** At most 2 ** At most 3 At most 4 At most 5 At most 6 At most 7 *

Critical Value Critical Value 156.00 124.24 94.15 68.52 47.21 29.68 15.41 3.76

168.36 133.57 103.18 76.07 54.46 35.65 20.04 6.65

Series: GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA

*(**) denotes rejection of the hypothesis at 5%(1%) significance level L.R. test indicates 3 cointegrating equation(s) at 5% significance level Unnormalized Cointegrating Coefficients: GYSA

CAP1SA

CAP2SA

NCSA

VALSA

TR1SA

TR2SA

TOSA

8.142791 2.928453 -79.87212 -5.122616 -6.402606 70.58818 -20.45248 12.16536 -4.638367 3.595987 -115.6930 -24.79203 -10.94481 129.6830 -37.67251 19.37683 -6.686090 -0.815091 26.83009 23.73029 3.561274 -44.79214 12.76729 -1.271867 -1.924183 -0.860285 23.74049 -44.61704 4.152756 -27.37185 7.113422 2.274552 3.456621 1.290889 -26.79356 -5.360624 -4.009175 34.30668 -7.997998 -11.61302 -1.555669 -2.058508 38.95691 2.505509 6.744147 -43.48399 12.36123 -9.090351 -2.428238 -2.429654 52.19068 4.710419 3.182200 -15.18731 3.746513 1.067032 -0.817331 -0.316428 15.33605 -3.671839 1.774691 -15.11044 3.904232 1.497498 Normalized Cointegrating Coefficients: 1 Cointegrating Equation(s) GYSA CAP1SA CAP2SA Log likelihood

Normalized Cointegrating Coefficients: 2 Cointegrating Equation(s) GYSA CAP1SA CAP2SA Log likelihood

Normalized Cointegrating Coefficients: 3 Cointegrating Equation(s GYSA CAP1SA CAP2SA NCSA

NCSA VALSA TR1SA TR2SA TOSA C

1.000000 0.359638 -9.808936 -0.629098 -0.786291 8.668794 -2.511728 1.494003 2.544907

(0.05471) (1.57557) (0.53083) (0.14861) (1.60760) (0.46601) (0.31404) 775.2286

NCSA VALSA TR1SA TR2SA TOSA C

1.000000 0.000000 1.203380 1.264013 0.210609 -2.938002 0.857941 -0.303226 -0.449630

799.0226

(0.31039) (0.52165) (0.04783) (0.66939) (0.19818) (0.20902) (0.69477) (1.16765) (0.10707) (1.49835) (0.44360) (0.46786)

0.000000 1.000000 -30.62060 -5.263944 -2.771958 32.27360 -9.369628 4.997337 8.326542

VALSA

15

TR1SA TR2SA TOSA C

1.000000 0.000000 0.000000 -2.120281 -0.118226 1.688688 -0.460595 -0.397146 -0.000775

Log likelihood

Normalized Cointegrating Coefficients: 4 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA Log likelihood

Normalized Cointegrating Coefficients: 5 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA Log likelihood

Normalized Cointegrating Coefficients: 6 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 -0.124305 0.970113 -0.019890

(0.14634) (1.44260) (9.79903) (96.6004) (0.44770) (4.41351) (0.09219) (0.90884)

0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 11.18741 -99.09445 -3.040372 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.533727 -4.903813 -0.376908 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.107296 -0.986200 -0.024875

840.4924

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 0.000000 0.000000 0.163946 -0.099703 0.302078 -0.030714

(0.25587) (0.06709) (0.54415) (7.99537) (2.09626) (17.0030) (0.32179) (0.08437) (0.68433) (0.06206) (0.01627) (0.13197) (0.96525) (0.25307) (2.05272)

0.00000 1.000000 0.000000 0.000000 0.000000 -18.41571 8.424005 -24.05533 -1.824566 0.000000 0.000000 1.000000 0.000000 0.000000 -0.869380 0.403271 -1.361319 -0.319511 0.000000 0.000000 0.000000 1.000000 0.000000 -0.262802 0.067861 0.084647 -0.007525 0.000000 0.000000 0.000000 0.000000 1.000000 -8.183741 1.835536 4.396230 -0.118284

832.2330

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 0.000000 -0.222217 1.982515 -0.507591 -0.674841 -0.004429

(0.20193) (1.48520) (0.38170) (0.50853) (6.31561) (46.4508) (11.9378) (15.9045) (0.21155) (1.55593) (0.39987) (0.53274) (0.04679) (0.34416) (0.08845) (0.11784)

0.000000 1.000000 0.000000 0.000000 9.560833 -96.65910 25.97326 17.97629 -2.955458 0.000000 0.000000 1.000000 0.000000 0.411193 -4.234475 1.158030 0.446379 -0.368149 0.000000 0.000000 0.000000 1.000000 -0.049046 0.138579 -0.022165 -0.130971 -0.001723

820.2392

(1.33436) (0.12476) (1.13501) (0.30593) (0.33278) (37.0015) (3.45957) (31.4734) (8.48344) (9.22801) (1.21162) (0.11328) (1.03060) (0.27779) (0.30217)

0.000000 1.000000 0.000000 80.85110 5.595397 -85.45482 24.18119 7.387164 -3.094784 0.000000 0.000000 1.000000 2.812324 0.273259 -3.844746 1.095694 0.078046 -0.372995

16

0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 3.063561 -28.95033 -0.658575

Log likelihood

Normalized Cointegrating Coefficients: 7 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA Log likelihood

850.9994

VALSA

TR1SA

TR2SA

TOSA (0.08756) (5.07566) (0.22559) (0.04251) (1.33296) (0.21949) (0.68491)

C

1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 -0.307105 -0.021750 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 15.85506 -2.872972 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.580180 -0.368921 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.116257 -0.023269 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 2.527460 -0.612734 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 -2.532916 -0.063775 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 -10.27490 -0.014963

847.5866

(2.93824) (28.9657) (0.38806) (3.82558)

0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.150057 -4.074733 -0.066020

上表是在序列有均值和线性趋势项，协整方程只有截距项的条件下对我国经济增长速度序列和股票市场指标序列所组成的数组X=[GYSA，CAP1SA，CAP2SA，NCSA，VALSA，TR1SA，TR2SA，TOSA]进行的Johansen检验和估计。其输出结果可分为三部分。第一部分为协整检验的结果。在5%的显著水平上该系统存在着协整关系并且迹统计量表明协整秩r=4即存在四个协整方程。而在1%的显著水平上该系统也存在着协整关系且迹统计量表明协整秩r=3即存在有三个协整方程。第二部分为非标准化的协整参数向量。第三部分为标准化的协整参数向量（括号中的数据为各个系数的标准差）。最后，该系统在1%显著水平下第一个协整向量的协整关系为：

17

GYSA = 0.3596CAP1SA - 9.8089CAP2SA - 0.6291NCSA - 0.7863VALSA + (0.05471) (1.57557) (0.53083) (0.14861)

8.6688TR1SA – 2.5117TR2SA + 1.494TOSA + 2.5449

(1.60760) (0.46601) (0.31404)

由此可见，我国股票市场对我国经济增长速度的整体影响不是很明显。同时，这一协整关系反映的是系统各变量之间的长期稳定趋势，它趋向于长期稳定，即我国的经济增长和股票市场的发展只有实现了这一状态，才能达到长期的稳定。长期来看，我国股票市场的规模指标资本化率一即CAP1SA的扩大会轻微地促进我国经济增长速度的提高，也就是说作用是不显著的。资本化率一对经济增长速度的弹性系数为0.3596，表明当资本化率一增长1%时，经济增长速度会增长0.3596%。而我国股票市场的流动性指标换手率即TOSA，尤其是周转率一即TR1SA的提高则可以明显的促进我国经济增长速度的提高。换手率和周转率一对经济增长速度的弹性系数分别为1.494和8.6688。而股票市场的流通市值规模、筹资率、交易率、交易额相对于流通市值的周转率(TR2SA)的增大都会因为制度约束和金融抑制等原因而对我国的经济增长速度产生抑制作用，尤其是股票市场流通市值规模(CAP2SA)扩大所产生的这种抑制作用将更为明显。另外，方程的常数项为正，表明存在一个外生不变的因素对我国经济增长的速度产生积极的促进影响。

总体而言，在我国股票市场对经济增长的这种不很明显的促进作用中，股票市场的流动性指标对于经济增长速度的促进作用要强于股票市场的规模指标。我们的这一结论与Levine和Zervos(1998)的相关结论是基本上较为一致的。根据他们对47个国家1976-1993年数据的实证检验，用以考察股票市场的流动性、规模、易变性、与国际资本市场一体化程度等各指标是否与当前及未来的经济增长率、资本积累率、产出改进率有显著的相关关系。

18

结果认为股票市场的流动性与长期经济增长率有很强的正相关关系，而其它的股票市场指标如规模指标等与长期经济增长率不具有显著的相关关系。然而对于流动性指标而言，Levine和Zervos(1996)在建立于Atje和Jovanovic(1993)研究基础上的关于股票市场流动性与经济增长的研究中，他们考察了两个衡量股票市场流动性的指标即交易率和周转率对经济增长的影响是否存在差异和分歧。他们对49个国家1976-1993年的数据在控制了一系列影响经济增长的变量后的研究中发现，无论用交易率还是用周转率来作为衡量股票市场流动性的指标，它们都与经济增长率、资本积累率和产出增长率具有显著的正相关关系。

由此看来，本文的结论与他们的结论的主要区别便在于，我国股票市场的流动性指标中只有周转率指标对经济增长速度有非常显著的促进作用，而交易率指标却对经济增长速度产生着负面的影响。对于其中的原因我们依旧可以从Levine的统计分析中得到解释。他在对自己和 Zervos(1998)的统计数据进行分析时说：“周转率(TRSA)可能不同于交易率(VALSA)，因为规模小但流动性强的市场可能具有高的周转率但低的交易率。”而我国的股票市场由于自身发展历史短、投机性强等原因正好具备了以上规模小但流动性强的市场特点。

4.3 向量误差修正模型（VEMC）

Sample(adjusted): 1995:3 2004:4

Included observations: 38 after adjusting endpoints Standard errors & t-statistics in parentheses Cointegrating CointEq1

Eq: GYSA(-1)

NCSA(-1)

1.000000 (0.05471) (6.57380) (1.57557) (-6.22563) -0.629098 (0.53083) (-1.18512)

19

CAP1SA(-1) 0.359638

CAP2SA(-1) -9.808936

VALSA(-1)

TR1SA(-1)

TR2SA(-1)

TOSA(-1)

C Error Correction: CointEq1

C

-0.786291 (0.14861) (-5.29086) 8.668794 (1.60760) (5.39239) -2.511728 (0.46601) (-5.38988) 1.494003 (0.31404) (4.75741) 2.544907

D(GYSA) D(CAP1SA) D(CAP2SA) D(NCSA) D(VALSA) D(TR1SA) D(TR2SA) D(TOSA)

-0.948020 0.807156 0.123892 0.013054 -2.865013 -3.954427 -13.84568 -1.538843 (0.30767) (1.07395) (0.03884) (0.05016) (1.22999) (1.07740) (3.67199) (0.36671) (-3.08127) (0.75157) (3.18978) (0.26026) (-2.32930) (-3.67034) (-3.77062) (-4.19640) (0.17719) (0.61850) (0.02237) (0.02889) (0.70836) (0.62049) (2.11474) (0.21119) (-1.76770) (-0.37696) (-2.56605) (-0.79148) (1.43305) (1.82659) (1.88857) (2.40743) (0.12965) (0.45257) (0.01637) (0.02114) (0.51832) (0.45402) (1.54739) (0.15453) (0.84996) (0.48038) (-0.06231) (-1.14740) (2.31467) (2.56511) (2.53198) (2.58340) (2.80849) (9.80329) (0.35454) (0.45785) (11.2276) (9.83477) (33.5187) (3.34737) (-0.72363) (0.00905) (0.36133) (1.45898) (-2.40462) (-2.50706) (-2.45461) (-2.30901) (0.89054) (3.10849) (0.11242) (0.14518) (3.56012) (3.11847) (10.6283) (1.06140) (-0.02881) (1.33246) (0.96392) (-2.22665) (-1.35807) (-1.31100) (-1.26920) (-0.85521) (0.25801) (0.90062) (0.03257) (0.04206) (1.03147) (0.90351) (3.07934) (0.30752) (-1.19756) (-0.77236) (-0.43139) (2.07798) (-4.33204) (-4.87044) (-4.79785) (-4.73863) (2.72714) (9.51931) (0.34427) (0.44458) (10.9024) (9.54987) (32.5478) (3.25040) (1.69004) (0.74119) (0.11426) (-1.38628) (3.66420) (4.27951) (4.25219) (4.24363) (0.77591) (2.70839) (0.09795) (0.12649) (3.10189) (2.71708) (9.26034) (0.92479) (-1.91595) (-0.73830) (-0.00086) (1.35831) (-3.61347) (-4.15930) (-4.13388) (-4.13520) (0.69511) (2.42632) (0.08775) (0.11332) (2.77884) (2.43412) (8.29593) (0.82848) (2.90580) (0.45705) (-0.85584) (-0.75808) (1.60919) (1.10059) (1.07704) (1.16860) -0.003728 0.015340 0.001273 0.000104 -0.003747 -0.013763 -0.052300 -0.006660 (0.00646) (0.02253) (0.00081) (0.00105) (0.02581) (0.02260) (0.07704) (0.00769)

20

D(GYSA(-1)) -0.313220 -0.233150 -0.057399 -0.022863 1.015118 1.133377 3.993823 0.508423

D(CAP1SA(-1)) 0.110200 0.217406 -0.001020 -0.024252 1.199742 1.164610 3.917957 0.399214

D(CAP2SA(-1)) -2.032318 0.088742 0.128107 0.667988 -26.99805 -24.65637 -82.27532 -7.729111

D(NCSA(-1)) -0.025654 4.141933 0.108365 -0.323259 -4.834905 -4.088323 -13.48947 -0.907727

D(VALSA(-1)) -0.308986 -0.695599 -0.014051 0.087404 -4.468364 -4.400497 -14.77418 -1.457222

D(TR1SA(-1)) 4.608980 7.055659 0.039335 -0.616317 39.94838 40.86877 138.3992 13.79351

D(TR2SA(-1)) -1.486607 -1.999606 -8.40E-05 0.171814 -11.20858 -11.30117 -38.28114 -3.824188

D(TOSA(-1)) 2.019834 1.108959 -0.075100 -0.085904 4.471690 2.678969 8.935008 0.968158

R-squared Adj. R-squared Sum sq. resids

(-0.57756) (0.68078) (1.56169) (0.09923) (-0.14518) (-0.60887) (-0.67886) (-0.86564) 0.874841 0.215126 0.421058 0.532163 0.608427 0.698662 0.696864 0.694894 0.834611 -0.037155 0.234969 0.381787 0.482564 0.601804 0.599427 0.596825 0.039975 0.487060 0.000637 0.001062 0.638870 0.490193 5.693958 0.056787

S.E. equation 0.037785 0.131890 0.004770 0.006160 0.151052 0.132314 0.450950 0.045034 F-statistic Akaike AIC Mean dependent S.D. dependent

Determinant Residual Covariance Log Likelihood Akaike Information Criteria

Schwarz Criteria

-32.37762

775.2286 -36.16993

2.63E-28

0.092910 0.129506 0.005453 0.007834 0.209990 0.209679 0.712504 0.070925 21.74612 0.852724 2.262676 3.538885 4.834041 7.213221 7.151970 7.085724 -3.492900 -0.992761 -7.632048 -7.120638 -0.721448 -0.986350 1.466012 -3.141849 -0.003295 0.022667 0.001029 0.000156 0.005433 -0.000298 -0.003878 -8.14E-05

Log likelihood 76.36511 28.86247 155.0089 145.2921 23.70751 28.74065 -17.85423 69.69513 Schwarz SC -3.061957 -0.561818 -7.201104 -6.689694 -0.290504 -0.555406 1.896956 -2.710905

上表的估计结果由三部分组成。第一部分是协整方程或误差修正项。第二部分为向量误差修正模型中的八个方程。其中第一行为八个方程中的误差修正项系数，其余为相应差分变量的回归系数。所有系数下面第一个括号内的数据为回归系数标准差，第二个括号内的数据为t统计量的值。第三部分为评价八个方程式的统计量的值。其中前十个是分别针对八个方程式而言的，后四个是针对整个VECM模型而言的。因而，VECM中的第一个方程为：

D(GYSA)= -0.948020 CointEq1-0.313220 D(GYSA(-1))+ 0.110200 D(CAP1SA(-1)) (0.30767) (0.17719) (0.12965)

(-3.08127) (-1.76770) (0.84996) -2.032318 D(CAP2SA(-1)) -0.025654 D(NCSA(-1)) -0.308986 D(VALSA(-1)) (2.80849) (0.89054) (0.25801)

21

(-0.72363) (-0.02881) (-1.19756)

+ 4.608980 D(TR1SA(-1)) -1.486607 D(TR2SA(-1))+ 2.019834 D(TOSA(-1)) (2.72714) (0.77591) (0.69511) (1.69004) (-1.91595) (2.90580) -0.003728 (0.00646) (-0.57756)

查表可以知道，n=38, k=8, 在显著水平α=0.05时，F(8,29)=2.28 ，t(29)= 1.69 。①向量误差修正模型中上述方程即关于经济增长速度误差D(GYSA)的方程具有很好的拟合效果，其各项统计值如F值、AIC、RSS等都很显著。从该方程中发现，其误差修正项的回归系数的t值检验是显著的，说明经济增长速度与股票市场变量指标之间先前的均衡误差是合理的，并且过去股票市场变量指标对当期经济增长速度具有显著的解释和预测能力。另外，误差修正项的回归系数等于-0.948020，则说明了经济增长速度与股票市场变量指标之间的协整关系对当期经济增长速度变化产生影响的大小和方向即该协整关系对当期经济增长速度有抑制作用，其效应为-0.948020。这说明，保持系统的稳定即协整的存在将抑制经济增长，应该通过必要的改革寻求一个新的有利于经济增长的稳定关系。然而，该方程中一阶滞后即前期的股票市场资本化率一、资本化率二、净筹资率和交易率误差的回归系数都因为|t|

对于其他七个方程而言，向量误差修正模型中关于 D（CAP1SA）和D（CAP2SA）

①

赵卫亚 编著 《计量经济学教程》 上海财经大学出版社 2003

22

两个方程的F

由此可以看出，我国经济增长速度与股票市场变量指标之间的均衡关系对于解释和预测当期我国的经济增长速度的波动以及解释和预测股票市场中交易率、周转率和换手率的当期波动都是比较显著的，从而刻画了变量间的短期动态关系。另外，无论从短期还是从长期来看，周转率一和换手率对经济增长速度的促进作用都是较显著的。

4.4 VECM下广义脉冲响应函数的检验和方差分解分析

为了节省篇幅，本文不给出VECM下广义脉冲响应函数的方程，而只给出其分布图，如图3所示。图中总共有八行，我们将每一行设定为一组对其进行分析和说明。

第一组中，在经济增长速度的正向冲击下：经济增长速度本身将进行上升或下降的较为剧烈的反复调节，并随着时间的延长这种调节将逐步趋于减弱。股票市场的规模和流动性指标在长期内也都表现为小幅度的反复调节，并随时间的延长而逐渐趋于稳定。其中，股票市场的资本化率二和周转率二表现为正向的反应，股票市场的交易率对此反应很弱，基本保持了稳定，而其他指标则表现为负方向的反应。总体而言，我国的股票市场受到我国经济增长速度的变化的影响。

第二组中，在股票市场资本化率一的正向冲击下：经济增长速度在短期内（3个季度左右）逐渐下降然后保持稳定，此外，股票市场周转率二在中期（5个季度左右）内逐渐下降且随后保持稳定。而股票市场的规模（包括资本化率一本身在内）和流动性指标都表现出了不同程度的提高，并在中长期里保持了稳定。可见，总市值的扩张有助于股票市场的发展。

23

本文来源：https://www.bwwdw.com/article/b51o.html