关于中国信贷与财政乘数的联合估算研究：一份学术报告
本文旨在对Sophia Chen、Lev Ratnovski和Pi-Han Tsai三位学者于2017年12月在国际货币基金组织（International Monetary Fund, IMF）工作论文系列（Working Paper）上发表，编号为WP/17/273的研究报告《Credit and Fiscal Multipliers in China》进行系统性介绍。该研究隶属于宏观经济学、公共财政与金融稳定交叉领域，通过创新的识别策略，首次在省级层面联合估算了中国的信贷乘数与财政支出乘数，为理解中国宏观经济政策的有效性及潜在调整路径提供了关键的实证证据。
一、 学术背景与研究目标
自2001年以来，中国经济经历了高速增长，同时伴随着大规模的信贷扩张。至2016年，总社会融资规模（Total Social Financing, TSF）占国内生产总值（GDP）的比重已达约200%。这种快速信贷扩张在支撑增长的同时，也引发了金融稳定性担忧。另一方面，随着全球经济环境变化及生产率增长放缓，中国若欲维持增长目标，在控制信贷增速的同时，可能需要更多依赖财政政策进行宏观调控。然而，信贷政策与财政政策的效果究竟如何？它们对产出的拉动作用（即乘数效应）有多大？两者是互补还是替代关系？这些乘数效应是否随时间发生了变化？准确回答这些问题对于政策制定者评估不同政策工具的成本与收益、实现宏观经济的平稳再平衡至关重要。
以往关于乘数的研究多集中于财政乘数，且面临着严重的内生性问题（如经济上行时支出增加或信贷需求扩大）。虽有研究尝试利用军事开支等外生冲击或采用“开放经济体乘数”方法来识别，但将信贷乘数与财政乘数置于同一框架下进行联合估计的研究尚属空白。在中国，中央与地方政府常同时运用信贷与财政工具进行刺激，若不联合估算，会导致因遗漏变量而产生估计偏差。因此，本研究旨在填补这一空白，其核心目标在于：1) 开发一种新颖的工具变量策略，以解决信贷与财政政策的内生性问题；2) 首次对中国省级层面的信贷乘数与财政支出乘数进行联合估计；3) 分析这两个乘数在金融危机前后的动态变化；4) 探究不同刺激政策对产业结构的影响。
二、 研究方法与工作流程
本研究是一项严谨的计量经济学实证研究，其核心工作流程包括数据准备、模型设定、工具变量构建与识别、以及分样本与分行业拓展分析。
1. 数据与样本： 研究覆盖了中国31个省级行政单位（4个直辖市、22个省、5个自治区），时间跨度为2001年至2015年。主要数据来源于CEIC中国经济数据库。关键变量包括：省级实际GDP、政府总支出、以及本外币银行贷款总额（作为信贷的代理变量，因其与总社会融资增速高度相关）。所有名义变量均使用全国消费者价格指数（CPI）平减至2010年人民币水平。此外，研究团队手动收集了各省省委书记的任职数据，包括姓名、任职起止时间等，构成识别策略的核心变量。
2. 基准模型设定： 研究采用并扩展了Nakamura和Steinsson（2014）的“开放经济体乘数”框架。基准回归方程如下： Δy_it = α_i + γ_t + β_g * (Δgit / y{i,t-2}) + β_cr * (Δcrit / y{i,t-2}) + ε_it 其中，Δy_it 表示省份i在t年相对于t-2年的实际GDP变化；Δg_it 和 Δcrit 分别表示同期政府支出和信贷的两年变化量；y{i,t-2} 是t-2年的GDP，用于将刺激规模标准化为占初始GDP的百分比。α_i 和 γ_t 分别是省份固定效应和年份固定效应，用于控制省份间不随时间变化的异质性和全国性的宏观冲击。系数β_g 和 β_cr 即为核心估计的财政乘数和信贷乘数，含义为政府支出或信贷每增加相当于初始GDP 1个百分点的规模，所能带来的GDP百分比增长。
3. 工具变量构建与识别策略（研究的创新核心）： 解决内生性问题的关键在于找到与信贷和财政支出相关，但又与各省经济增长扰动项无关的工具变量。本研究创造性地利用了中国地方政治周期来构建双重工具变量。 * 识别来源1：省委书记任期。 研究首先验证了省委书记的任命时机（或连任）与当地同期的经济增长状况无关，主要受五年任期届满或全国党代会等人事调动周期影响（见表2的Probit模型结果）。其次，研究发现，省委书记在任期内的不同阶段存在使用经济刺激政策以谋求留任或晋升的动机。具体表现为，信贷和支出增长在省委书记第一个五年任期的末期以及第二个五年任期的中期达到高峰（见图3）。 * 识别来源2：其他省份的政策组合。 研究进一步发现，一个省份在选择刺激方式时，会受到其他省份政策倾向的影响。具体而言，当其他省份信贷增长较高时，本省更倾向于使用信贷刺激；当其他省份财政支出增长较高时，本省更倾向于使用财政刺激（见图4）。 * 工具变量的合成： 研究的核心创新在于，将 “省委书记的任期” 与 “其他省份的信贷增长” 和 “其他省份的财政支出增长” 分别进行交互，从而得到两个独立的工具变量。这两个交互项分别用于预测本省的信贷增长和财政支出增长。该设计巧妙地捕捉了以下外生变化：由于省委书记任期阶段不同，其面临的晋升激励强度不同，进而对本省受其他省份政策“传染”或“模仿”的敏感度也不同。年份固定效应吸收了全国层面的宏观经济冲击，确保了识别来自省份间的相对差异。
4. 估计与检验流程： * 第一阶段回归： 分别用本省的信贷增长和财政支出增长对上述两个交互工具变量进行回归，同时控制省份和年份固定效应，得到本省信贷和财政支出的预测值（拟合值）。 * 第二阶段回归： 将本省的GDP增长对第一阶段得到的两个预测值进行回归，从而得到无偏的信贷乘数（β_cr）和财政乘数（β_g）估计值。 * 统计检验： 研究对所有工具变量回归进行了弱工具变量检验（Cragg-Donald Wald F统计量和Kleibergen-Paap rk Wald F统计量），结果均表明工具变量强度足够，排除了弱工具变量问题（见表3-6注释）。
5. 拓展分析： * 时间异质性分析： 为考察乘数随时间的变化，研究将全样本分为两个子时期进行估计：2001-2008年（金融危机前“正常时期”）和2010-2015年（金融危机后时期），避开了危机冲击最剧烈的2009年。 * 行业异质性分析： 为探究政策刺激对经济结构的影响，研究将因变量替换为建筑业、制造业和服务业（剔除金融业）的增加值增长，分别估计信贷和财政刺激对不同行业的“部门乘数”贡献。 * 稳健性检验： 研究使用以省级GDP加权的回归进行了稳健性检验，以考察大省的影响是否不同。
三、 主要研究结果
1. 全样本时期（2001-2015）的乘数估计： 如表3所示，在联合估计的IV模型中（第6列），财政乘数为0.8，信贷乘数为0.2。这意味着，政府支出每增加相当于GDP 1个百分点的规模，平均能推动GDP增长0.8个百分点；而信贷每增加相当于GDP 1个百分点的规模，平均仅能推动GDP增长0.2个百分点。 * 比较分析： 单独估计信贷乘数（第2列）或财政乘数（第4列）时，点估计值均高于联合估计结果。这证实了信贷与财政刺激在现实中常被同时使用，若单独估计其中一项，会因遗漏另一项同时发生的刺激而导致高估其乘数效应。此外，普通最小二乘法（OLS）的估计值（第1、3、5列）普遍低于IV估计值，这反映了中国政策存在的逆周期性——在经济下行期会增加支出和信贷，导致OLS估计产生向下偏误。
2. 乘数的动态演变（核心发现）： 表4的结果揭示了至关重要的趋势变化： * 信贷乘数急剧下降： 在2001-2008年，信贷乘数为0.17，且在统计上显著；而到了2010-2015年，信贷乘数下降至接近于零（0.005）且统计上不显著。这表明，近年来信贷增长对实际产出的拉动效应已非常微弱。 * 财政乘数显著上升： 同期，财政乘数从0.75上升至1.4，且在统计上高度显著。这意味着，金融危机后，财政政策刺激经济增长的有效性反而增强了。 这一发现具有强烈的政策含义：当前阶段，降低信贷增长对产出增长的拖累可能有限；相反，财政政策在支持经济增长目标方面可能更为有效。当然，研究也指出，信贷的急剧收缩仍可能通过金融稳定渠道产生非线性负面影响，这超出了本模型的捕捉范围。
3. 对产业结构的影响： 表6展示了政策刺激的行业偏向性。 * 总体偏向： 无论是信贷刺激还是财政刺激，其主要拉动了建筑业和制造业的增长，对服务业（除金融外）的促进作用相对较小。这符合信贷更易流向可抵押资产密集的部门（建筑、制造）的理论预期，也与中国以往财政刺激多投向基础设施及相关产业的历史事实相符。 * 危机后的结构性影响： 在2010-2015年子样本中（表6面板B和C），信贷刺激对服务业的贡献甚至转为负值（IV估计为-0.098），尽管这一结果的工具变量强度稍弱。这可能暗示了资源从服务业向受刺激部门（如建筑、制造）的错配。 研究结论指出，若要使未来的财政政策支持中国经济向服务业再平衡，其支出结构本身也需要再平衡，例如更多地投向教育、医疗等社会性支出。
四、 研究结论与价值
本研究通过利用省委书记任期与其他省份政策组合交互构成的创新工具变量，成功地实现了对中国省级信贷乘数与财政乘数的联合估计。核心结论是：在2001-2015年间，中国的财政乘数（0.8）显著高于信贷乘数（0.2）；且这一差距在后期急剧扩大——信贷乘数降至近零，而财政乘数升至1.4以上。 其科学价值在于：1) 方法论创新：为在政策混合使用的环境下，分离不同政策工具的因果效应提供了新颖且有力的识别策略。2) 实证发现：提供了关于中国政策乘数大小及其演变的系统性证据，特别是揭示了信贷刺激效率的显著下降，这为“信贷饱和”和“信贷错配”假说提供了宏观证据支持。3) 理论验证：财政乘数在经济增速放缓时期增大的发现，与关于财政乘数顺周期性的国际文献（如Auerbach and Gorodnichenko, 2012）相呼应。 其应用与政策价值在于：1) 为宏观调整提供依据：研究直接表明，控制信贷增速以防范金融风险，在当前阶段对经济增长的负面影响可能较小，从而为“去杠杆”政策提供了一定的缓冲空间。2) 明确政策有效性排序：指出财政政策是当前更有效的需求管理工具。3) 指引政策结构优化：提示若要通过财政政策促进经济向服务业转型，必须改变以往偏向基建和制造业的支出结构。
五、 研究亮点
六、 其他有价值的讨论
研究在最后部分对“开放经济体乘数”估计能否代表全国总体乘数进行了审慎讨论。作者指出：1) 省级与中央政府的支出结构可能存在差异，但中国大部分刺激性支出（如基建）确实由地方政府负责，因此省级乘数具有代表性。2) “开放经济体”框架未能捕捉到全国性刺激可能引发的内生性货币政策反应（如加息对冲），这可能意味着全国总体乘数会小于本研究估计值。3) 识别所基于的“其他省份刺激”情境可能存在非线性，例如当所有省份都刺激时，单个省份额外刺激的效果可能减弱，这又可能导致总体乘数被低估。这些讨论体现了作者对研究结论外推性的谨慎态度，增强了研究的严谨性。