我國金融周期的測度、特征及其“預警”應用

摘 要 本文以次貸危機前后美國房地產市場與信貸供給間的相互作用為研究起點，分析美國1995 年至2022 年間的GDP 和CPI 波動特征，發現金融因素的過度繁榮會引發宏觀經濟的衰退。同理，本文剖析我國同時期的GDP 和CPI 波動特征，發現金融因素對守住不發生系統性金融風險的底線和維護宏觀經濟穩定格外重要。為了能夠全面地測度一段時期內的金融狀況，本文以金融因素為基礎，對我國的金融周期進行測度。研究發現我國金融周期具有以下特點：（1）平均長度為11～15 個季度，比經濟周期更長，波幅更大，但絕對值小于歐美國家;（2） 長度和波幅取決于政策階段，與宏觀經濟運行聯系緊密;（3）波動雖存在一定的不對稱性，但并不明顯，與歐美國家存在差異。此外，本文發現金融周期對宏觀經濟運行有很強的“ 預警” 作用，作為門檻變量可“捕捉”到我國亞洲金融危機爆發至新冠疫情后絕大多數宏觀經濟波動，具有較強的宏觀調控應用價值。

關鍵詞 金融周期;測度;特征;宏觀經濟穩定;預警

0 引言

次貸危機起源于美國房地產市場，在1995 年至2001 年間，隨著互聯網泡沫的破滅，大量資金進入房地產市場，刺激了金融機構降低信貸標準和擴大信用規模，房地產市場與信貸供給間的相互作用明顯。當樂觀情緒蔓延時，企業與家庭在“買漲不買跌” 的心理作用下，對房地產產生旺盛需求。房價在1997年至2007 年間大幅上漲，導致了次貸危機前的“ 能量積聚” （ Greenwood et al. ，2022）。而當悲觀情緒顯現時，市場對房價的預期轉為負面，在避險動機的驅動下，信貸供給全方位收縮，直接造成了次貸危機后美國經濟的低迷和復蘇動力不足（Adelino et al. ， 2017; Rünstler and Vlekke， 2018）。同時，金融工具的發展使得金融機構所持有的資產組合結構越發復雜，“ 優良” 的金融資產也包含“ 不良”的成分，風險加速累積。當不利沖擊顯現時，金融機構所持有的資產組合價格“斷崖式”下跌，“鏈條式”的抵押證券違約率攀升，金融機構被動“去杠桿” 行為盛行，金融機構間“傳染性” 明顯（ Elliott et al. ， 2014;Glasserman and Young，2016），個體風險放大為系統性風險，直接誘發了證券市場危機。在房地產市場和證券市場的共同打擊下，美國經濟受到重創。

如圖1 所示，使用HP 濾波法、BP 濾波法和粒子濾波法對美國的GDP 和CPI 時間序列數據進行濾波，去除趨勢項，保留周期項，發現自1995 年1 季度至2022 年4 季度間，美國的GDP 和CPI 波動主要集中于2001 年與2007 年間和2007 年與2011 年間①，而在2001 年2 季度前和2011 年3 季度后則相對平穩。具體來說，自2000 年3 季度以來，美國GDP 和CPI 出現了兩個波峰和兩個波谷。隨著美國互聯網“泡沫” 的破滅，2001 年至2004 年間，宏觀經濟下行，GDP和CPI 周期項下行幅度分別為0. 04 和0. 02②，由正轉負，GDP 和CPI 低于其潛在值，此時經濟收縮且價格緊縮。而隨著房地產市場的興起，2004 年至2007 年間，宏觀經濟上行，GDP 和CPI 周期項上行幅度達到了0. 04 和0. 03，由負轉正。次貸危機爆發后，宏觀經濟遭到重創，GDP 和CPI 周期項下行幅度更是達到了0. 05 和0. 04，再度由正轉負，超過了上一個周期的波動水平。從經濟內涵來看，趨勢項為宏觀經濟在一段時間的潛在水平，周期項為實際水平對潛在水平的偏離程度。若周期項大（小） 于0，則實際水平大（ 小） 于潛在水平，表明宏觀經濟處于“熱（冷）”狀態。無論是互聯網“泡沫” 破滅，還是次貸危機爆發，其前后都經歷了從“熱” 到“冷” 的過程，時間上關聯和繼起特征明顯。互聯網行業的過度繁榮對要素的“虹吸”效應明顯，擠壓了其他企業的發展和生存空間，隨著要素邊際報酬的遞減，行業盈利能力下滑，導致了宏觀經濟的下行。互聯網“ 泡沫” 破滅后，房地產市場的迅速“ 補位” ，在拉升宏觀經濟的同時，也為次貸危機的爆發播下了“ 種子” ，造成了比互聯網“ 泡沫” 破滅更嚴重的經濟衰退。

由美國宏觀經濟的波動可見，產業結構變革所帶來的金融變遷會對宏觀經濟產生重大影響，在次貸危機后為貨幣經濟學家廣泛關注。正如Borio（2014）指出的那樣，次貸危機對貨幣經濟學的研究范式產生了重大影響，實體經濟的短周期波動已無法準確描述金融深化背景下宏觀經濟的演變，不僅金融因素的大幅震蕩會對實體經濟產生巨大的影響，甚至金融因素本身的過度繁榮就可能成為引發經濟危機的根源，即所謂“崩潰前的繁榮”。此外，真實經濟周期理論（RBC）對次貸危機的解釋能力不足以促使學界重新審視金融因素在宏觀經濟中的作用，認為在經濟周期外存在另一個周期，即金融周期，并證實金融因素在經濟繁榮和蕭條中扮演了重要角色（Hiebert et al. ， 2018;Gertler and Gilchrist，2018;Kehoe et al. ， 2019）。金融周期作為金融活動在各種內外部沖擊下形成的與宏觀經濟波動密切相關的持續性波動和周期性變化（Borio， 2014），不僅反映了金融市場的整體波動態勢，而且可能是引致和放大宏觀經濟波動的重要源泉。現實表明，金融危機具有周期發生的特點，且常獨立于經濟周期，因此，將金融周期從經濟周期中抽離出來，研究其與宏觀經濟間的內在聯系意義重大。那么，金融周期怎樣影響宏觀經濟，傳導機制如何，就成了金融周期理論的核心。

在我國，國民收入持續增長（GDP）和物價穩定（ CPI） 作為宏觀調控的重要“靶”目標，與經濟穩定和社會福利關系緊密，在“新常態” 時期被更廣泛關注。如圖2 所示，同樣使用HP 濾波法、BP 濾波法和粒子濾波法對GDP 和CPI 時間序列數據進行濾波。可見自1995 年1 季度至2022 年4 季度間，我國的GDP 和CPI 波動主要集中于2007 年與2011 年間，而在2007 年2 季度前和2011 年3 季度后則相對平穩。具體地說，自2004 年4 季度以來，我國GDP 和CPI 出現了兩個波峰和一個波谷，波峰約出現在2007 年4 季度和2011 年3 季度，波峰值分別達到了0. 05 和0. 03 與0. 02 和0. 01，為樣本區間的兩個高點。這表明受經濟發展和財政與貨幣政策影響，GDP 和CPI 的實際水平高于潛在水平，在這兩個時點宏觀經濟處于上行階段，經濟熱情高漲。波谷則出現在2009 年2 季度，波谷值達到了-0. 03 和-0. 02。這同樣表明宏觀經濟受次貸危機的溢出效應影響明顯，GDP 和CPI 的實際水平低于潛在水平，此時宏觀經濟處于下行階段，經濟熱情消退。就趨勢來看，GDP 和CPI 的波動具有很高的一致性，也與次貸危機后歐美金融混亂的時間點高度一致。

此外，2011 年3 季度以后宏觀經濟的相對平穩也格外值得關注。隨著美國次貸危機的爆發及其影響的逐漸顯現，在“ 四萬億投資刺激計劃” 和“ 供給側結構改革”的政策作用下，我國宏觀經濟的波動性正在衰減，“周期性”特征逐漸減弱，平穩性有所增強，我國經濟似乎進入了一個“大緩和”時代。然而，次貸危機的爆發證實了金融危機具有“偶發性” 和“急促性”，短期金融因素的作用可能會引起“雪崩”。中長期宏觀經濟的穩定或上行，可能會麻痹政策制定者和監管當局，導致對金融因素“ 突變” 的疏忽和對金融波動的預警不足（ Borio et al. ，2018）。面對這樣的現實，宏觀經濟學家若不理解金融周期，就不可能理解經濟波動及其政策挑戰（ Borio， 2014）。因此，在次貸危機后，從黨的十七大到十九大，黨和政府將金融穩定視為宏觀經濟穩定的必要條件，對精準性政策的需求更加迫切（王三川和范從來，2020）。

基于這樣的認識，就需要根據國別實際，從既有研究出發，實現由金融因素到金融周期的學術演進（Borio et al. ， 2018）。本文的創新點主要有兩點：（1）金融因素的選取和金融周期測度可信度。本文與現有文獻不同，從多渠道采集樣本，對金融周期的測度選擇了更多金融因素，較大程度地克服了單因素測度的局限性。在此基礎上，使用多種方法和不同濾波參數對基準測度進行穩健性檢驗，相較于單一方法和固定濾波參數更有說服力。（2） 金融周期的政策內涵及其“預警” 應用。本文與現有文獻指出金融周期與經濟周期的分化（ Borio，2014）、說明金融周期的特征（ Pontines， 2017）、以金融周期為切入點的貨幣政策研究（Rungcharoenkitkul et al. ， 2019） 不同，從政策階段出發，分析中國金融周期的特征及其背后的深層次原因，并探究其對宏觀經濟的影響。在此基礎上，進行“預警”應用分析，即從“閾值” 著手，為維護宏觀經濟穩定提供精準性政策。

本文余下的具體安排是：第1 部分對金融因素、數據出處和基本方法進行闡述;第2 部分對金融周期進行基準測度;第3 部分對基準測度進行穩健性檢驗;第4 部分從波動特征和政策階段特征對金融周期進行分析;第5 部分探索金融周期的“預警”作用;第6 部分為總結。

1 變量選擇、數據來源與測度方法

1.1 變量選擇

從國外相關研究來看，在長期的信貸和房地產繁榮之后，金融周期下行會導致嚴重的經濟混亂，表現為信貸緊縮和資產價格暴跌，但僅考慮信貸和房地產價格因素則可能會過度強調某類因素的作用而遺漏重要變量（ Borio et al. ，2016;Akerlof， 2019），造成一定的偏誤，給宏觀調控帶來誤導，因此需要全面考慮金融因素。現有文獻對金融因素的選取主要有資產價格（ Adelino et al. ，2017;Pontines， 2017）、利差（Mian and Sufi， 2018;Gertler et al. ， 2017）、杠桿率（Mian et al. ， 2017;Giroud and Mueller， 2017;Gertler et al. ， 2017）、信貸水平（Jordet al. ， 2016;Kehoe et al. ， 2019） 和金融機構風險暴露（ Glasserman and Young，2016;Gertler and Gilchrist， 2018）五類，上述金融因素被歐美學界和監管當局長時間觀測，門類較細致，數據較完整全面。相較而言，我國市場經濟和金融體系的轉軌改革時間較短，數據觀測和統計還有諸多不足，金融因素的受關注程度較弱，這就需要從多個數據庫選取變量，通過數據處理做到數據頻率統一。此外，樣本區間較短的金融因素并不適合監測較長時間的金融狀況，這就需要選取樣本區間足夠長的金融因素，以彌補樣本區間差異所帶來的測度偏誤。

在這種情況下，就需要根據已有文獻和我國實際考慮金融因素，較準確地測度我國各時點的金融狀況，分析我國市場經濟制度建立以來的金融周期特征。因此本文所選取的金融因素既遵循既有研究的基本路徑，也包含與我國宏觀經濟運行聯系緊密的其他金融因素。既有研究對金融周期的測度主要包括資產價格、杠桿率、信貸水平等金融因素。次貸危機后，學界注意到金融機構對金融穩定的重要作用，并認為次貸危機的爆發很大程度與金融機構的冒險行為有關。當前我國金融機構“資金空轉” 問題顯現（崔宇清，2017），金融業務“ 脫實向虛”明顯，這與我國在高質量發展階段金融支持實體經濟的需求并不匹配，因此對金融機構的業務風險和運營狀況進行監測就顯得格外重要。基于這樣的認識，由我國“新常態”時期的客觀要求出發，需引入金融機構風險暴露充實我國金融周期的測度。同時，考慮到我國人民銀行在宏觀經濟中的重要作用，還需要加入貨幣供給量（M2）。

此外，由于我國與歐美金融發展水平和數據統計口徑存在差異，利差的變動頻率較低，對金融的短期影響較弱，因此對我國金融周期的測度未加入利差變量。金融機構風險暴露指標常用違約率來表示（Christiano et al. ， 2014;Elliottet al. ， 2014;Glasserman and Young， 2016），而這一指標碎片化嚴重，我國尚沒有官方或相關研究機構發布數據，數據獲得難度較大，因此本文選取金融機構未償還貸款總量（短期與中長期）和商業銀行不良貸款總量（次級、可疑和不良）。

綜上，本文測度金融周期所選取的金融因素包括資產價格指數（ 土地價格指數、上證指數和固定資產投資價格指數）、杠桿率（實體經濟部門杠桿率、家庭部門杠桿率、非金融企業部門杠桿率、政府部門杠桿率和金融部門負債方杠桿率）、信貸水平（信貸缺口和社會融資總量）、貨幣供應量（M2）、金融機構風險暴露（商業銀行的次級和可疑不良貸款余額與不良貸款余額損失）。同理，本文測度經濟周期所選取的宏觀經濟基本面（Christiano et al. ， 2015） 包含了中國宏觀調控的主要目標，即國內生產總值（GDP）、消費者價格指數（CPI），資本形成總額（GCF）、家庭消費支出（HHC）和就業水平（Employment），如表1 所示。

1.2 數據來源

考慮到數據可得性和數據頻率合理性，本文截取1995 年4 季度至2022 年4 季度的季度數據。其中宏觀經濟基本面數據來源于中國宏觀經濟時間序列數據庫，并與國家統計局官網的年度數據進行比對校準。金融因素數據來源于國家資產負債表研究中心官網、Wind 數據庫、中國人民銀行官網、國際清算銀行（BIS）數據庫和中國宏觀經濟時間序列數據庫。所有數據均已經過季節調整，剔除缺漏值。

1.3 測度方法

次貸危機后，隨著學界和監管機構對金融因素在宏觀經濟中所起的作用愈加重視，為了發掘金融運行狀況的動態及其周期性變動規律，理論經濟學家參照經濟周期的研究方法，對金融周期的測度研究也逐漸涌現。本文遵循陳曉莉和張方華（2017）的論斷，“刻畫金融周期有兩種方式：一是以信貸周期來代表金融周期（Aikman et al. ， 2015）;二是綜合考查多種金融變量以提取其共同周期作為金融周期（Drehmann et al. ， 2012）”。第一種方式研究某個或某類金融因素，現已突破信貸周期，將資產價格、杠桿率等因素也納入分析框架（ Rünstlerand Vlekke， 2018;Bernanke， 2018），本文將該種方式稱為單因素測度法。第二種方式研究多個或多類金融因素，是在第一種方式的基礎上，引入因素合成方法，得出金融周期曲線（ Borio et al. ， 2019），本文將該種方式稱為多因素測度法。

在既有研究中，無論是單因素測度法還是多因素測度法，都是以金融因素為基礎的。兩種方法各有利弊，多因素測度法綜合多個因素，進行加權合成，相較于單因素測度法，優勢在于簡潔，只需要一條曲線就可以判定一段時期的金融狀況，且所合成的金融周期也更具有外延性。基于這樣的認識，本文采用主成因分析法（PCA）作為基準方法合成金融周期，并匯報其結論。同時，為檢驗所合成金融周期的一致性，分別使用可回溯到1995 年和2003 年的金融因素合成金融周期，若趨勢一致性較高，則不同樣本區間合成金融周期的偏誤較低，即認為測度的有效性較好。

此外，由于合成方法的不同和參數選取的差異，為檢驗所合成金融周期的穩健性，分別采用均值合成法和低方差濾波合成法作為主成因分析的替代方法，將三種合成方法所得結果進行比較。同時，在參照朱太輝和黃海晶（2018）的參數設置基礎上，多次實驗逼近最優參數值，比較不同參數設置對金融周期測度的影響。若金融周期曲線趨同，則表明不同合成方法和參數設置對測度的影響較小，總體穩健性較好。

2 基于主成分分析法的金融周期基準測度

由圖3 可見，根據所選取的金融因素，運用主成分分析法合成金融周期，發現我國金融周期的周期性波動特征明顯，其波動幅度和持續時間在不同時期也差異明顯。從直觀上看，我國金融周期具有三個特點：（1）金融周期的頻率遠低于經濟周期;（2）金融周期比經濟周期持續時間更長，波幅更大;（3） 金融周期的長度和波幅取決于政策階段。這與Borio（2014）、Pagan and Robinson（2014）和Hiebert et al. （2018）對歐美的研究所得結論類似。同時，金融危機前（后）世界范圍內的金融高漲（緊縮） 對我國金融周期的高漲（下行） 具有引致效應，這與Drehmann et al. （2012）對美國的研究發現具有一致性。

Alessandri and Mumtaz（2019） 通過轉折點分析，指出美國金融周期的下行時期長于上行時期，不對稱性特征明顯，并認為金融周期與杠桿周期間可能存在密切聯系。然而，我國金融周期的不對稱性特征并不明顯，這驗證了Pontines（2017）和Hiebert et al. （2018）“東亞和新興市場國家的金融周期有其特點，需謹慎應用測度歐美國家金融周期時所使用的濾波參數和金融因素”的觀點。此外，亞洲金融危機和次貸危機前的我國也經歷了金融周期上行導致風險累積的過程，當外部負面溢出效應顯現時，我國政府和金融監管當局為應對不利形勢出臺的宏觀調控政策實踐效果較好，金融風險逐步“消解”，有效防范了次貸危機后類似于歐洲經濟的“二次探底”現象（Ehrlich and Overman， 2020;Brand andTripier， 2021）。2016 年，隨著“金融去杠桿”的提出，金融周期下行，“金融去杠桿”前后的金融周期呈“ 倒U 型”，這可能與杠桿周期有關，在我國情境下印證了Alessandri and Mumtaz（2019）的發現。此外，2017 年出現的波峰也值得注意，這可能源于次貸危機后，我國實施“四萬億投資刺激計劃” 和“ 供給側結構性改革”造成的金融加杠桿（Chen et al. ， 2020;鐘寧樺等， 2021）。

在加入社會融資規模（Aggregate）、商業銀行次級不良貸款余額（Subprime）、商業銀行可疑不良貸款余額（Suspicious）和商業銀行不良貸款損失（Loss）后，金融因素數量得到擴充。在去除缺漏值和統一樣本區間后，由圖4 可見，除次貸危機爆發和供給側結構性改革時期的波幅與圖3 有所差異外（這可能與新加入金融因素的特性有關），其他時點一致性較高。這說明本文金融因素選擇較好，所測度的金融周期穩健性較高;也說明一些金融因素在特定時點很重要，需結合宏觀經濟背景加以分析。

3 基準測度的穩健性檢驗

為增加基準測度的可靠性，本文使用不同合成方法和濾波參數進行穩健性檢驗。若所得金融周期一致性較強，則認為本文基本結論受合成方法和參數設置影響較小，穩健性較高。

3.1 不同合成方法

因不同合成方法的理論基礎和數據處理方式有差異，所得金融周期的趨勢特征可能存在較大的偏差，只用主成分分析法（PCA） 所合成的我國金融周期在可信度上存疑。這就需要使用不同的合成方法加以驗證，因此本文另外使用均值和低方差濾波合成法合成金融周期。

如圖5 所示，主成分分析法合成的金融周期波幅大于均值和低方差濾波合成法。三種方法所合成的金融周期趨勢相似，波峰波谷出現的時點也較一致。這表明本文所選取金融因素的數據質量較高，也表明運用不同方法合成的金融周期穩健性較高，所得結論具有一般性。相較于主成分分析法，其他兩種方法所測度的金融周期在一些時點的波動特征并不明顯。這說明基準測度能更細致地監測金融波動，因此本文將主成分分析法所得的金融周期作為分析主體。

同理，在加入社會融資規模（ Aggregate）、商業銀行次級不良貸款余額（Subprime）、商業銀行可疑不良貸款余額（Suspicious）和商業銀行不良貸款損失（Loss）后，如圖6 所示，三種方法所合成的金融周期特征相似，2016 年前后的“倒U 型”特征同樣明顯，所得結論與圖4 一致。

3.2 不同濾波參數

金融周期的測度由經濟周期衍生而來，對濾波參數的設定已有較多研究。本文根據朱太輝和黃海晶（2018） 的設定，將濾波參數區間設定為5 到24 個季度。然而，國外經濟學家對濾波參數區間的設定通常為6 到32 個季度，本文為發掘不同濾波參數區間對結論的影響，采用試驗法調整濾波參數區間，進一步驗證基準測度的穩健性。如圖7 所示，參照Borio（2014） 和Borio et al. （2018）的濾波參數區間設定，發現與圖3 和圖4 一致性較高。

當濾波參數區間設定為4 到20 個季度時，如圖8 所示，穩健性也較強，同樣與圖3 和圖4 一致性極高。

當濾波參數區間設定為3 到16 個季度時，如圖9 所示，穩健性仍較強，波動特征清晰，趨勢仍與圖3 和圖4 一致性極高。值得關注的是，隨著濾波參數區間的縮小，金融周期的細節更加清晰，這對監測短期金融波動可能更有益處。

4 金融周期的特征分析

4.1 波動特征

本文第四部分從宏觀上對我國金融周期的趨勢進行分析，本部分則關注我國金融周期的特征，找出波峰和波谷的所在時點，度量長度（季度）①，并計算上行和下行幅度。由表2 可見，中國金融周期的平均長度為11 到15 個季度，遠高于經濟周期的平均長度，這與Alessandri and Mumtaz（2019） 的發現類似。具體來說，在亞洲金融危機爆發前的1995 年4 季度至1997 年1 季度間，金融周期上行幅度為0. 0073。在這個階段，東亞和東南亞地區金融動力十足，中國金融熱情高漲，金融周期的上行幅度已超過同期經濟周期的上行幅度，金融風險累積。然而在1996 年4 季度金融周期達到波峰后，伴隨著亞洲金融危機的爆發，至1998 年2 季度，金融周期的下行幅度則達到了0. 0109，實際值降為負值。這表明當風險累積后，衰退期所產生的負面效應大于高漲期的正面效應。這種現象在現有文獻中主要從家庭杠桿率（Brunnermeier and Sannikov， 2014;Gertler and"Gilchrist， 2018;Mian and Sufi， 2018） 和金融機構杠桿率（ Giroud and Mueller，2017;Gertler et al. ， 2017）加以解釋，相關研究還在深化中。在1999 年2 季度至2004 年1 季度的金融周期中，上行幅度仍低于下行幅度。這意味著即便是亞洲金融危機爆發的七年后，危機對金融熱情和投資者預期仍有影響。這可能是由于金融市場的“過度預警”，“一招被蛇咬，十年怕井繩” 引發的“羊群效應”特征明顯，即當金融市場出現不利沖擊時，會出現“多米諾骨牌” 式的“避險” 行為（Glasserman and Young， 2016;Elliott et al. ， 2014）。

在次貸危機爆發前的“ 風險累積時期” 和次貸危機爆發后的“ 風險調整時期”，我國金融周期經歷了大起大落，上、下行幅度分別達到0. 013 和0. 0079。僅僅次貸危機爆發的三個季度后，即在2008 年2 季度后，我國金融周期再次上行，并一直持續到2010 年1 季度。這可能與我國2008 年4 季度實施的“四萬億投資刺激計劃”有關，表明在面對極端情況時，大規模的財政刺激和信貸寬松可有效地扭轉金融周期下行，“托底”效果明顯，緩解了次貸危機對我國產生的“疤痕效應”，有效地保證了2012 年到2014 年的金融穩定。

2015 年年底，“供給側結構性改革”和“金融去杠桿”的實施及“金融支持實體經濟”號召的提出，標志著國家對產業結構布局的調整和對宏觀經濟穩定的重視。相關政策的實施在某種程度上克制了始自2015 年年初的“ 金融熱情”，到2016 年4 季度，金融周期達到波峰（上行幅度為0. 0161），此后金融過熱的現象得到轉變。在2018 年4 季度至2022 年1 季度間，本期金融周期波幅較上期大幅衰減，這印證了我國進入“新常態” 時期后金融發展更加井然有序，也印證了金融周期的長度和波幅取決于政策階段（Drehmann et al. ， 2012）。值得注意的是，2020 年1 季度新冠疫情暴發后，我國金融周期的下行幅度很小，為樣本區間內的最低值，并沒有出現歐美國家因不確定性而產生的金融“緊縮”。這表明我國“金融去杠桿” 政策執行度較高，金融韌性較強，市場信心充足，形成了政府、金融機構和市場主體間的預期正向反饋。

與第三部分和第四部分的做法類似，在加入社會融資規模（ Aggregate）、商業銀行次級不良貸款余額（Subprime）、商業銀行可疑不良貸款余額（Suspicious）和商業銀行不良貸款損失（Loss）后，與表2 類似，金融周期平均長度約11 到14個季度（表3）。2017 年1 季度至2018 年4 季度的金融周期下行幅度則較表1 有所增加。這可能是因為“ 供給側結構性改革” 和“ 金融去杠桿” 對商業銀行的“定點爆破”所產生的暫時性負面效果，也可能是2016 年土地價格的上漲拉升了相關生產和生活成本。

4.2 政策階段特征

正如Drehmann et al. （2012）、Borio（2014）和Hiebert et al. （2018）指出的那樣，金融周期的長度和波幅取決于政策階段。本節將樣本區間分為亞洲金融危機前、亞洲金融危機至次貸危機間、次貸危機至供給側結構性改革前、供給側結構性改革至新冠疫情前和新冠疫情后五個階段，結合貨幣政策傾向，從我國市場經濟發展歷程出發，發掘金融周期與宏觀經濟的內在聯系。

亞洲金融危機前，我國經濟在市場化改革和外部經濟環境向好的“紅利”加成下快速增長（表4）。隨著1990 年存貸款利率的下調和信貸規模的擴大，金融周期處于快速上行階段，國內生產總值和物價水平分別于1991 年好轉和1992 年達到峰值，1994 年的物價水平更是達到了歷史峰值。此后，為抑制由金融寬松導致的經濟過熱，我國在1993 年嚴格控制信貸總量，強化固定資產貸款管理，規范信貸資金拆借行為，并在1995 年兩次提高貸款利率。這些努力在1996 年之后取得了明顯效果，至1996 年年底，通貨膨脹得到控制，國民經濟實現了“軟著陸”。

在亞洲金融危機至次貸危機爆發前的近十年間，亞洲金融危機的爆發重創了東亞和東南亞經濟。我國金融市場對風險的反應較敏感，在亞洲金融危機爆發前就已感知到了潛在的風險，金融周期的上行僅持續到1997 年1 季度（表2）。亞洲金融危機爆發后，為擺脫通貨緊縮，我國政府于1998 年通過了增加貸款規模等一系列措施（表4）。大規模的信貸投放和基礎設施建設，直接“點燃”了金融熱情，金融周期上行。在經歷五年的宏觀調控后，我國經濟周期上行幅度在2003 年2 季度達到了高位，遠高于上個周期的水平。此后，為解決金融過熱，抑制金融周期的上行，我國政府又于2004 年多次上調利率和存款準備金。此舉緩解了為擺脫通貨緊縮而造成的產業結構失衡，并確保了國民經濟平穩快速健康發展。

次貸危機至供給側結構性改革前的八年多里，為應對次貸危機爆發后外需的驟降，我國政府在2008 年多次降息和降低住房首次貸款比例。此舉拉動了內需，效果立竿見影，家庭杠桿率的上升彌補了外需不足，拉升了已大幅下滑的金融周期（表2）。到次年二季度，宏觀經濟就已復蘇，物價指數也得到恢復。此后，次貸危機的不利影響逐漸消解，為抑制過度投資和資產價格的大幅上漲，我國政府在2010 年轉而上調存款準備金率，并在下半年達到歷史峰值。這種調節有效緩解了為擺脫次貸危機而造成的產業結構性問題，促進了國民經濟的平穩健康發展。此后，為進一步消解次貸危機的深層次影響，我國政府于2012年至2015 年通過降準、下調政策利率和運用流動性和結構性管理工具加大信貸支持實體經濟的力度。在此期間，金融周期的上行幅度高于下行幅度，宏觀經濟呈現較高增速和低通脹特征，經濟周期波動降低，開啟了經濟“新常態” 和高質量發展的新階段，為“供給側結構性改革”和“金融去杠桿”打下了基礎。

供給側結構性改革至新冠疫情發生前的近四年間，在“供給側結構性改革”和“金融去杠桿”的大背景下，我國面臨著增速換擋期、結構調整陣痛期、前期政策消化期三期疊加的復雜情況。在維護金融穩定和支持實體經濟發展的現實要求下，我國政府在2015 年至2019 年間又多次降準和下調政策利率（ 存貸款基準利率、市場逆回購操作利率等），并繼續通過流動性（再貸款再貼現、中期借貸便利、公開市場操作等） 和結構性管理工具加大信貸支持實體經濟的力度。在此期間，我國金融周期的波幅增大，但宏觀經濟運行平穩。這與調整產業結構和對金融機構“精準拆彈”過程中的金融需求波動有關，表明此階段的金融對經濟的支持主要作用于實體經濟。

新冠疫情后，雖然新冠疫情在全球范圍內逐漸緩和，但其依舊是一個既定和持續的衛生問題，對宏觀經濟產生的“疤痕”效應明顯。面對經濟周期的大幅下行，我國政府在保持政策延續性的同時，通過“在線修復”的方式，在已有政策措施的基礎上，更加靈活地投放流動性，也更加注重對重點領域的精準導向作用。在此期間，我國金融周期平穩，雖然經濟周期波幅較大，但更多是因為新冠疫情對供給和需求的巨大沖擊（見表2） 和“復工復產” 對經濟停滯期間產出缺口的彌補，有效防控也阻止了經濟的滑落（圖1、圖2）。

雖然經濟周期可能會對金融周期產生影響，但次貸危機的事實說明，金融不是經濟的衍生品，似乎具有獨立性，且不直接對宏觀經濟產生影響，而是通過傳導機制而實現。從經驗性事實分析來看，主要遵循以下機制：當金融周期處于快速上行（下行）階段時，未來上行的概率大（小） 于下行的概率，宏觀經濟過熱（冷），政府采用緊縮性（刺激性）的財政與貨幣政策收緊（放松） 信貸，引導資產價格和杠桿率的下降（上升），金融周期轉向下（上） 行通道，扭轉宏觀經濟過熱（冷）。我國金融周期的冷熱交替特征明顯，都經歷了風險先積累后化解的過程，我國政府和監管當局在不斷地監測和動態平衡中實現宏觀經濟的平穩運行，金融周期上（下）行在引致經濟周期上（下） 行的同時，也孕育了此后經濟周期的下（上）行。這可能是因為金融周期的過度上（ 下） 行引發了金融熱情（ 恐慌），資金和信貸過量進入（流出）金融體系，對宏觀經濟產生了不利影響。

由此可見，金融周期與宏觀經濟間存在一定的內在聯系，由表4 可見，金融周期上行對未來宏觀經濟下行可能有很強的“ 預警” 作用。Borio et al. （2022）指出一旦金融失衡的跡象變得明顯，問題就不再是“逆風而行”，而是該系統考慮金融因素。這使得金融周期具有了很強的宏觀調控實踐意義。那么當金融周期達到何種水平時，需要加以調控？ 該問題就需要通過計量方法進行研究。

5 金融周期的“ 預警” 作用

本部分由第4 部分金融和經濟周期數據，分析金融周期對宏觀經濟的“ 預警”作用。所謂“預警”，即當金融周期的絕對值或增量值達到某種水平時，金融失衡（過冷和過熱）會對宏觀經濟穩定產生不利影響。此時，金融周期可作為未來宏觀經濟走勢的“指示劑”，政府和監管當局可根據現實狀況快速反應。

5.1 描述性統計

本部分所選取的回歸變量包括金融周期，用FC（Financial Cycle）表示;經濟周期，用BC（ Business Cycle） 表示;金融周期增量用金融周期的增量表示，即ΔFC;經濟周期增量，用經濟周期的增量表示，即ΔBC。

如表5 所示，金融周期的均值和標準差大于經濟周期，說明金融周期較經濟周期增長和波動更為劇烈。然而，金融周期增量的標準差則小于經濟周期，表明經濟周期在短期內的增量可能更為劇烈。當樣本區間為1995 年4 季度至2022 年4 季度時，在75%分位數上金融周期達到了0. 006，增量值達到了0. 002，表明在27 個樣本期內季度平均值和增量值達到了較高的水平。99%分位數上的金融周期則更明顯。若樣本區間為2003 年4 季度至2022 年4 季度，也可以得到類似的結論。

5.2 模型選擇

計量回歸的方法選擇為門檻回歸模型，意在判定金融周期對經濟周期的影響，探究金融周期與經濟周期間的定量聯系，探索金融周期對宏觀經濟下行的“預警”作用。針對可能存在的非線性特征，選擇可捕捉時間序列數據不對稱性的模型就顯得極其重要。

門檻回歸作為一種線性回歸，特性較好，允許不同數據區域的系數不同。即在這些數據區域中，存在閾值變量高于或低于某個閾值。常見的門檻回歸模型包括門檻自回歸模型和自激勵門檻模型（ Hansen， 2011）。因本文因變量較少，且為避免多重共線性，使用自激勵門檻模型。

具體而言，存在一個閾值點γ 的兩數據區域門檻回歸模型形式為：

5.3 實證分析

5.3.1 單位根檢驗

為避免出現偽回歸，在回歸前，需對時間序列進行平穩性檢驗。本部分采用ADF（Augmented Dicky-Fuller test） 方法，由表6 可見，兩組數據都在1%的顯著性水平下通過了檢驗，平穩性較高。

5.3.2 回歸分析

新冠疫情作為嚴重的外生沖擊，具有偶發和劇烈的特征，因此本文剔除新冠發生后的2020 年1 季度至2020 年2 季度（全國靜默）和2022 年2 季度（上海封控）兩個階段。本文運用門檻回歸模型，將金融周期實際值和增量值作為門檻變量，設定五種模型進行回歸分析，通過相關統計指標判定模型設定的優劣，并使用較好的模型對經濟周期進行預測。

1） 實際值回歸

在1995 年4 季度至2022 年4 季度間樣本區間，如表7 所示，模型一為門檻變量為常數的門檻回歸模型，即以FC 作為門檻變量，對BC 進行回歸。研究發現在樣本區間內只存在一個門檻值0. 0002，門檻值兩側截距項均不顯著。這說明FC 作為門檻變量對BC 的影響并不大。模型一的解釋效果較差，不能有效地對數據進行擬合。

模型二為門檻變量為常數并包含滯后一期因變量的門檻回歸模型，同樣以FC 作為門檻變量，對BC 進行回歸。研究發現在樣本區間內只存在一個門檻值0. 0002，門檻值兩側截距項均不顯著。這說明加入滯后一期因變量后，FC 對BC的影響不存在門檻效應，也說明FC 作為門檻變量對BC 的影響不大。這與模型一所得的結論類似，表明模型二的解釋效果較差，仍需要進行優化。此外，滯后一期BC 對當期BC 水平有負效應，其效應達到了-0. 213，且在1%水平顯著。這說明我國經濟高漲后會出現自然收斂現象，與Solow 模型所揭示的結論具有一致性。

模型三為門檻變量為滯后一期FC 的門檻回歸模型，即以滯后一期FC 為門檻變量，滯后一期BC 為區間變化變量，對BC 進行回歸。研究發現在樣本區間內只存在一個門檻值-0. 0013，當門檻變量小于門檻值時，滯后一期BC 對當期BC 的影響系數為-0. 0246，未通過顯著性檢驗。而當門檻變量大于門檻值時，滯后一期BC 對當期BC 的影響系數為-0. 3297，在1%顯著性水平上通過了顯著性檢驗。這說明FC 對BC 具有重要的“預警” 作用，在FC 小于門檻值時，往期BC 對當期BC 的慣性作用和傳導效應并不明顯①，只需對金融周期進行實時監測即可;而在當大于門檻值時，往期BC 對當期BC 產生顯著的負效應，且效應值達到了不容忽視的水平，此時就需抑制金融周期的過度上行。從宏觀經濟穩定的角度出發，本著“有備無患”的原則，即使FC 為負，也要采取措施熨平金融周期。就時機來說，當金融周期達到-0. 0013 時，就有必要進行干預，充分發揮金融周期的“預警”作用。

模型四為在模型三基礎上加入FC 的門檻回歸模型，即將FC 作為控制變量加入模型中，以滯后一期FC 為門檻變量、滯后一期BC 為區間變化變量，對BC進行回歸。研究發現FC 與BC 正相關，表明FC 與BC 間的順周期聯動特征明顯，且在5%的顯著性水平下通過了檢驗。門檻值與模型二同為0. 0002，當門檻變量小于0. 0002 時，滯后一期BC 對當期BC 影響為正，但顯著性未通過檢驗，因此無法判定該系數與0 有差異。當門檻變量大于0. 0002 時，滯后一期BC 對當期BC 的影響為負，其效應達到了-0. 2726，且在5%的顯著性水平下通過了檢驗。模型四與模型三所得結論具有一致性，也與模型三的政策內涵類似，同樣表明FC 對BC 具有重要的“ 預警” 作用。需關注前期金融周期大于0. 0002的情況，以避免金融周期過度上行給宏觀經濟帶來的不利影響。

模型五為門檻變量為滯后一期FC 的三區間門檻回歸模型，即將樣本區間分為三段，設定兩個門檻值，以滯后一期FC 為門檻變量，滯后一期BC 為區間變化變量，對BC 進行回歸。從回歸結果可知，兩個門檻值分別為-0. 0027 和-0. 0013。當門檻變量小于-0. 0027 時，滯后一期BC 對當期BC 的影響效應為負;當門檻變量大于-0. 0027 小于-0. 0013 時，滯后一期BC 對當期BC 的影響效應為正;當門檻變量大于-0. 0013 時，滯后一期BC 對當期BC 的影響效應又轉為負。從顯著性來看，當門檻變量小于-0. 0013 時，在10%的顯著性水平上無法通過檢驗，而當門檻變量大于-0. 0013 時，滯后一期BC 對BC 的影響在1%顯著性水平上顯著，符號及其效應大小與模型三和模型四接近。同樣說明當前期金融周期達到一定水平時，會對當期經濟周期產生不利影響。這既表明金融周期與經濟周期內在聯系緊密，又表明金融周期與經濟周期分化特征明顯。同時，金融周期對經濟周期的影響具有滯后性，但也正因為滯后性的存在，才使政策有了反應空間，從而可探索和加以利用。

由表7 可見，模型四的四個統計量在五個模型中最小，表明模型四的設定較好。門檻回歸模型除可分析變量間的關系及其影響效應外，還可以根據設定的模型對因變量進行預測。若預測數據與實際數據的擬合度較高，則說明該模型的預測能力較好。如圖10 所示，模型四的預測效果良好，預測值與實際數據高度一致，預測出了1995 年4 季度至2022 年4 季度間絕大多數的波峰和波谷，細致且有“前瞻性”。

在2003 年4 季度至2022 年4 季度樣本區間，如表8 所示，模型六為門檻變量為常數的門檻回歸模型，即以FC 作為門檻變量，對BC 進行回歸。研究發現在樣本區間內只存在一個門檻值0. 0000。門檻值兩側截距值在10%的顯著性水平下差異不明顯。這說明FC 作為門檻變量對BC 的影響并不大。模型六的解釋效果較差，不能有效地對數據進行擬合。

模型七為門檻變量為常數并包含滯后一期因變量的門檻回歸模型。同樣以FC 作為門檻變量，對BC 進行回歸。研究發現在樣本區間內只存在一個門檻值0. 0000，門檻值兩側的截距項均不顯著。這說明加入滯后一期因變量后，FC對BC 的影響不存在門檻效應，也說明FC 作為門檻變量對BC 的影響不大。這與模型六所得的結論類似，表明模型七的解釋效果較差，仍需進行優化。此外，滯后一期BC 對當期BC 水平存在正效應，但未通過顯著性檢驗。這說明在加入金融機構風險暴露和社會融資規模等金融因素后，所得結論與模型二并不一致，索洛模型所揭示的經濟收斂現象在我國并不明確。這似乎能說明我國經濟持續四十年之久的高速增長，金融因素起到了至關重要的作用。其原因和機理則需要更加細致的剖析。同理，模型七的解釋效果較差，也不能有效地對數據進行擬合。

模型八為門檻變量為滯后一期FC 的門檻回歸模型，即以滯后一期FC 為門檻變量、滯后一期BC 為區間變化變量，對BC 進行回歸。研究同樣發現在樣本區間內只存在一個門檻值0. 0000，門檻值兩側滯后一期BC 對當期BC 的影響效應未通過顯著性檢驗。這說明門檻值對BC 的影響差異性不明顯，也說明模型八的解釋效果較差，還不能有效地對數據進行擬合。

模型九為在模型八基礎上加入FC 的門檻回歸模型，即將FC 作為控制變量加入模型中，以滯后一期FC 為門檻變量、滯后一期BC 為區間變化變量，對BC進行回歸。研究發現FC 與BC 正相關，表明FC 與BC 間的順周期聯動特征明顯，且在10%的顯著性水平下通過了檢驗，這與模型四的結論有一致性。門檻值為0. 0000，門檻值兩側滯后一期BC 對當期BC 的影響效應均未通過顯著性檢驗。這說明模型九雖包含較多元素，但并未捕捉到門檻效應，解釋效果較差，仍不能有效地對數據進行擬合。

模型十為門檻變量為滯后一期FC 的三區間門檻回歸模型，即將樣本區間分為三段，設定2 個門檻值，以滯后一期FC 為門檻變量，滯后一期BC 為區間變化變量，對BC 進行回歸。從回歸結果可知，兩個門檻值分別為-0. 0017 和0. 0000。不難發現，當門檻變量小于-0. 0017 時，滯后一期BC 對BC 的拉上作用明顯。這說明此時FC 與BC 存在一定的分化，如果將FC 控制在小于-0. 0017 的水平，能夠促進經濟的平穩上行。這表明我國在較長的一段時間內，經濟主體金融熱情自發性較高，采取措施適當降低金融周期，打好“提前量”，可能會更好地解決金融失衡問題。而當門檻變量大于-0. 0017 時，滯后一期BC 對BC 的影響效應不顯著。與模型九相比，模型十同樣包含較多元素，且捕捉到了門檻效應，對門檻變量根據門檻值進行劃分后回歸結果出現了明顯的差異性，表明模型十與前四個模型相比可能更有效地對數據進行了擬合。

由表7，綜合比較模型的統計量和顯著性特征，可以判定模型十的設定較好，結構也較為清晰，因此與1995 年4 季度至2022 年4 季度樣本區間的做法一致，預測根據模型十進行。如圖11 所示，預測值與實際數據擬合度較高，預測出了2003 年4 季度至2022 年4 季度間絕大多數波峰和波谷，細致且具有“前瞻性”。

2） 增量回歸

在1995 年4 季度至2022 年4 季度樣本區間，如表9 所示，與前文類似，模型十一為門檻變量為常數的門檻回歸模型，即以ΔFC 作為門檻變量，對ΔBC 進行回歸。研究發現在樣本區間內只存在一個門檻值-0. 0035，門檻值兩側的截距項差異不顯著，即沒有證據表明對門檻值兩側的樣本分別進行回歸所得的截距項存在差異。這說明ΔFC 作為門檻變量對ΔBC 的影響并不大。模型十一的解釋效果較差，不能有效地對數據進行擬合。

模型十二為門檻變量為常數并包含滯后一期因變量的門檻回歸模型，同樣以ΔFC 作為門檻變量，對ΔBC 進行回歸。研究發現在樣本區間內只存在一個門檻值-0. 0034，門檻值兩側截距項均不顯著。這說明加入滯后一期因變量后，ΔFC 對ΔBC 的影響不存在門檻效應，也說明ΔFC 作為門檻變量對ΔBC 的影響不大。這與模型二所得的結論類似，表明模型十二的解釋效果較差，仍需要對模型進行優化。此外，滯后一期ΔBC 對當期ΔBC 水平有負效應，其效應達到了-0. 5008，大于模型二中的水平，且在1%顯著性水平上顯著，與模型二中的經濟含義具有一致性。

模型十三為門檻變量為滯后一期ΔFC 的門檻回歸模型，即以滯后一期ΔFC為門檻變量、滯后一期ΔBC 為區間變化變量，對ΔBC 進行回歸。研究發現在樣本區間內只存在一個門檻值0. 0043，當門檻變量小于0. 0043 時，滯后一期ΔBC對當期ΔBC 的影響系數為-0. 53424，在1%顯著性水平上顯著。而當門檻變量大于0. 0043 時，滯后一期ΔBC 對當期ΔBC 的影響系數為-0. 06839，未通過顯著性檢驗。值得注意的是當門檻變量小于0. 0043 時，滯后一期ΔBC 對當期ΔBC 的影響顯著為負，這似乎與經濟直覺不一致，但在我國情境下確與現實相符。這體現在隨著我國人民銀行宏觀調控手段的日益多樣化，為實現宏觀經濟的平穩運行，短期非常規融資工具（如SLF、MLF 等） 因其靈活和時滯短的特性被時常采用。信貸資源的投放應與經濟運行的需要相匹配，若投放量過低，金融增量難以匹配經濟增量，造成金融短缺“反噬” 經濟，會導致經濟增長動力不足;若投放量過高，經濟增量難以匹配金融增量，造成金融過盛，會導致通貨膨脹和要素利用效率下滑。因此，本著“協調” 和“和諧” 的原則，既不能放任金融的過度膨脹，也要避免過度打壓金融。

模型十四為在模型十三基礎上加入ΔFC 的門檻回歸模型，即將ΔFC 作為控制變量加入模型中，以滯后一期ΔFC 為門檻變量、滯后一期ΔBC 為區間變化變量，對ΔBC 進行回歸。研究發現ΔFC 與ΔBC 負相關，但在10%的顯著性水平下不顯著。門檻值與模型十三同為0. 0043，當門檻變量小于0. 0043 時，滯后一期ΔBC 對當期ΔBC 影響為負，效應為-0. 54302，且在1%顯著性水平上通過檢驗。而當門檻變量大于0. 0043 時，滯后一期ΔBC 對當期ΔBC 的影響未通過顯著性檢驗。與模型十三類似，模型十四同樣表明ΔFC 對ΔBC 具有重要的“預警”作用，需高度關注金融周期增量小于0. 0043 的情況。

模型十五為門檻變量為滯后一期ΔFC 的三區間門檻回歸模型，即將樣本區間分為三段，設定兩個門檻值，以滯后一期ΔFC 為門檻變量、滯后一期ΔBC 為區間變化變量，對BC 進行回歸。兩個門檻值分別為-0. 0004 和0. 0043。不難發現，其回歸結果與模型十三和模型十四具有一致性。當門檻變量小于0. 0043時，滯后一期ΔBC 對ΔBC 的影響效應為負，且在1%顯著性水平上顯著。而當門檻變量大于0. 0043 時，滯后一期ΔBC 對ΔBC 的負向效應無法通過顯著性檢驗。同樣說明當前期金融周期增量小于一定水平時，會對當期經濟周期產生不利影響。與模型五一樣，這表明金融周期對經濟周期的影響滯后性可加以利用。

模型十一到模型十五共同點清晰。結合模型的統計量可知，模型十三的設定較好。此外，相較于模型十四和十五，模型十三的結構較簡潔且解釋效果較好。因此，預測根據模型十三進行。如圖12 所示，預測值與實際數據擬合度較高，預測出了1995 年4 季度至2022 年4 季度間①絕大多數的波峰和波谷，細致且具有“前瞻性”。

在2003 年4 季度至2022 年4 季度樣本區間，如表10 所示，與表9 相似，模型十六為門檻變量為常數的門檻回歸模型，即以ΔFC 作為門檻變量，對ΔBC 進行回歸。研究發現在樣本區間內只存在一個門檻值-0. 0002，門檻值兩側截距項均不顯著。這說明ΔFC 作為門檻變量對ΔBC 的影響并不大，模型十六不能有效對數據進行擬合。

模型十七為門檻變量為常數并包含滯后一期因變量的門檻回歸模型。同樣以ΔFC 作為門檻變量，對ΔBC 進行回歸。研究發現在樣本區間內只存在一個門檻值0. 0030，門檻值兩側截距項均不顯著。這說明加入滯后一期因變量后，ΔFC 對ΔBC 的影響并不存在門檻效應。這與模型十二所得的結論類似，表明模型十七的解釋效果較差，仍需要進行優化。此外，滯后一期ΔBC 對當期ΔBC 水平有負效應，其效應達到了-0. 29372，且在1%顯著性水平上顯著。這與模型二所揭示的結論一致。

模型十八為門檻變量為滯后一期ΔFC 的門檻回歸模型，即以滯后一期ΔFC為門檻變量，滯后一期ΔBC 為區間變化變量，對ΔBC 進行回歸。研究發現在樣本區間內只存在一個門檻值-0. 0006，當門檻變量小于-0. 0006 時，滯后一期ΔBC 對當期ΔBC 的影響系數為-0. 41852，在1%顯著性水平上顯著;而當門檻變量大于-0. 0006 時，滯后一期ΔBC 對當期ΔBC 的影響系數為0. 04880，未通過顯著性檢驗。這說明門檻變量的大小對ΔBC 的影響具有差異性。值得注意的是當門檻變量小于-0. 0006 時，與模型十三的結論一致，此時要密切關注金融周期的增量水平，實現金融與經濟運行的協調。

模型十九為在模型十八基礎上加入ΔFC 的門檻回歸模型，即將ΔFC 作為控制變量加入模型中，以滯后一期ΔFC 為門檻變量，滯后一期ΔBC 為區間變化變量，對ΔBC 進行回歸。從回歸結果可知，ΔFC 與ΔBC 負相關，門檻值為0. 0022。當門檻變量小于0. 0022 時， 滯后一期ΔBC 對當期ΔBC 影響為負， 效應為-0. 35176，且在1%顯著性水平上顯著。當門檻變量大于0. 0022 時，滯后一期ΔBC 對當期ΔBC 的影響同樣為負，但未通過顯著性檢驗。與模型十三類似，模型十九同樣表明ΔFC 對ΔBC 具有“ 預警” 作用，門檻值兩側的效應符號和顯著性水平皆差異明顯。這需要高度關注往期金融周期增量小于0. 0022 的情況。

模型二十為門檻變量為滯后一期ΔFC 的三區間門檻回歸模型，即將樣本區間分為三段，設定兩個門檻值，以滯后一期ΔFC 為門檻變量，滯后一期ΔBC 為區間變化變量，對ΔBC 進行回歸。兩個門檻值分別為-0. 0021 和-0. 0006。不難發現，其回歸結果與模型十八和模型十九具有一致性。當門檻值小于-0. 0006時，滯后一期ΔBC 對ΔBC 的影響效應顯著為負，而當門檻變量大于-0. 0006時，則無法通過顯著性檢驗。這與模型五和模型十五所得結論一致。

由表10 可見，模型二十的統計量在五個模型中最小，表明模型二十的設定較好。因此，預測可根據模型二十進行。如圖13 所示，模型二十預測到了2003 年4 季度至2022 年4 季度間絕大多數的波峰和波谷，對我國次貸危機和供給側結構性改革期間的經濟周期波動捕捉能力較強，同樣具有“前瞻性”。

6 結論

本文的測度結果表明，我國金融周期的平均長度為11 到15 個季度，遠高于經濟周期的平均長度，這與Alessandri and Mumtaz（2019） 的發現類似。無論是改變濾波參數，還是采用不同的合成方法，所測度的金融周期曲線雖存在差異，但總體趨勢一致性較強。從波動特征看，亞洲金融危機、次貸危機和新冠疫情后我國金融周期波幅都小于之前的水平，未出現國外經濟學家在所發現的“二次探底”現象。從政策階段特征看，我國金融周期的其波幅和持續時間在不同時期差異明顯，與宏觀經濟內在聯系緊密。金融周期上行引致經濟周期上行的同時也孕育了下行風險，金融的過度發展擠壓了實體經濟的發展空間，增加了宏觀經濟的不確定性。

本文運用上文所測度的金融周期和經濟周期數據，使用門檻模型，以金融周期或其增量為門檻變量，發現前期金融周期或其增量達到閾值后會對當期經濟周期產生不利影響，門檻值兩側的影響效應符號、大小和顯著性水平差異明顯，傳導關系明確。這說明對金融狀況的實時監測可有效“預警”因金融過熱而導致的宏觀經濟下行，從我國的視角驗證了Borio（2014） 的發現。根據最優模型的預測圖，同樣發現本文設定的門檻模型預測效果較好，表現為對經濟周期的預測捕捉到了我國自亞洲金融危機爆發至新冠疫情后絕大多數經濟波動，與我國經濟重大事件發生時點高度吻合。從應用的角度看，由當期的金融周期可推斷宏觀經濟走向，這種對應關系可作為工具為政策實施的時點判定提供支持。當然本文只是一個初步的研究，相信隨著理論、技術和方法的精進，相關研究會更加深入。

參考文獻

陳曉莉， 張方華. 2017. 中國與東亞、東南亞國家和地區金融周期趨同性研究[ J].

國際金融研究，（11）： 3-12.

Chen X L， Zhang F H. 2017. Research on regional convergence of financial cycles

of China and east amp; Southeast Asia[J]. Studies of International Finance， （11）： 3-

12. （in Chinese）

崔宇清. 2017. 金融高杠桿業務模式、潛在風險與去杠桿路徑研究[J]. 金融監管研

究，（7）： 52-65.

Cui Y Q. 2017. High leveraged financial business models， potential risks and the

de-leveraging approaches[ J]. Financial Regulation Research， （ 7）： 52-65. （ in

Chinese）

王三川， 范從來. 2020. 金融周期對宏觀經濟穩定的影響異質性分析[ J]. 經濟理

論與經濟管理，（10）： 4-20.

Wang S C， Fan C L. 2020. Heterogeneity analysis of the impact of financial cycle

on macroeconomic stability[J]. Economic Theory and Business Management， （10）：

4-20. （in Chinese）

朱太輝， 黃海晶. 2018. 中國金融周期： 指標、方法和實證[ J]. 金融研究，（12）：

55-71.

Zhu T H， Huang H J. 2018. Chinas financial cycle： Indicators， methods and

empirical research[J]. Journal of Financial Research， （12）： 55-71. （in Chinese）

鐘寧樺， 解瞇， 錢一蕾， 等. 2021. 全球經濟危機后中國的信貸配置與穩就業成效

[J]. 經濟研究， 56（9）： 21-38.

Zhong N H， Xie M， Qian Y L， et al. The credit allocation and achievement of

stabilizing employment after the global economic crises in China [ J]. Economic

Research Journal， 56（9）： 21-38. （in Chinese）

Adelino M， Schoar A， Severino F. 2017. Dynamics of housing debt in the recent boom

and bust[R]. NBER Working Paper， No. 23502.

Aikman D， Haldane A G， Nelson B D. 2015. Curbing the credit cycle [ J]. The

Economic Journal， 125（585）： 1072-1109.

Akerlof G A. 2019. What they were thinking then： The consequences for macroeconomics

during the past 60 years[J]. Journal of Economic Perspectives， 33（4）： 171-186.

Alessandri P， Mumtaz H. 2019. Financial regimes and uncertainty shocks[ J]. Journal

of Monetary Economics， 101： 31-46.

Bernanke B. 2018. The real effects of disrupted credit： Evidence from the global

financial crisis[J]. Brookings Papers on Economic Activity， 49（2）： 251-342.

Borio C. 2014. The financial cycle and macroeconomics： What have we learnt？ [ J].

Journal of Banking amp; Finance， 45： 182-198.

Borio C， Kharroubi E， Upper C， et al. 2016. Labour reallocation and productivity

dynamics： Financial causes， real consequences[R]. BIS Working Papers， No. 534.

Borio C， Drehmann M， Xia D. 2018. The financial cycle and recession risk[ J]. BIS

Quarterly Review， 34（4）： 59-71.

Borio C， Drehmann M， Xia D. 2019. Predicting recessions： Financial cycle versus term

spread[R]. BIS Working Papers， No. 818.

Borio C， Shim I， Shin H S. 2022. Macro-financial stability frameworks： Experience and

challenges[R]. BIS Working Papers， No. 1057.

Brand T， Tripier F. 2021. Risk shocks and divergence between the euro area and the US

in the aftermath of the great recession[J]. Annals of Economics and Statistics， 143：

137-163.

Brunnermeier M K， Sannikov Y. 2014. A macroeconomic model with a financial sector

[J]. American Economic Review， 104（2）： 379-421.

Canova F， Schlaepfer A. 2015. Has the Euro-Mediterranean partnership affected

Mediterranean business cycles？ [J]. Journal of Applied Econometrics， 30（2）： 241-

262.

Chen Z， He Z G， Liu C. 2020. The financing of local government in China： Stimulus

loan wanes and shadow banking waxes[J]. Journal of Financial Economics， 137（1）：

42-71.

Christiano L J， Motto R， Rostagno M. 2014. Risk shocks [ J]. American Economic

Review， 104（1）： 27-65.

Christiano L J， Eichenbaum M S， Trabandt M. 2015. Understanding the great recession

[J]. American Economic Journal： Macroeconomics， 7（1）： 110-167.

Drehmann M， Borio C， Tsatsaronis K. 2012. Characterising the financial cycle： Dont

lose sight of the medium term！ [R]. BIS Working Papers， No. 380.

Elliott M， Golub B， Jackson M O. 2014. Financial networks and contagion [ J].

American Economic Review， 104（10）： 3115-3153.

Ehrlich M V， Overman H G. 2020. Place-based policies and spatial disparities across

European cities[J]. Journal of Economic Perspectives， 34（3）： 128-149.

Gertler M， Kiyotaki N， Prestipino A. 2017. A macroeconomic model with financial

panics[R]. NBER Working Papers， No. 24126.

Gertler M， Gilchrist S. 2018. What happened： Financial factors in the great recession

[J]. Journal of Economic Perspectives， 32（3）： 3-30.

Giroud X， Mueller H M. 2017. Firms internal networks and local economic shocks，

NBER Working Papers， No. 23176[R].

Glasserman P， Young H P. 2016. Contagion in financial networks [ J]. Journal of

Economic Literature， 54（3）： 779-831.

Greenwood R， Hanson S G， Shleifer A， et al. 2022. Predictable financial Crises[ J].

The Journal of Finance， 77（2）： 863-921.

Hansen B E. 2011. Threshold autoregression in economics [ J]. Statistics and Its

Interface， 4： 123-127.

Harding D， Pagan A. 2002. Dissecting the cycle： A methodological investigation[ J].

Journal of Monetary Economics， 49（2）： 365-381.

Hiebert P， Jaccard I， Schüler Y. 2018. Contrasting financial and business cycles：

Stylized facts and candidate explanations[ J]. Journal of Financial Stability， 38：

72-80.

Jord ò， Singh S R， Taylor A M. 2022. Longer-run economic consequences of

pandemics[J]. The Review of Economics and Statistics， 104（1）： 166-175.

Jord ò， Schularick M， Taylor A M. 2016. The great mortgaging： Housing finance，

crises and business cycles[J]. Economic Policy， 31（85）： 107-152.

Kehoe P J， Midrigan V， Pastorino E. 2019. Debt constraints and employment[ J].

Journal of Political Economy， 127（4）： 1926-1991.

Mian A， Sufi A， Verner E. 2017. Household debt and business cycles worldwide[ J].

The Quarterly Journal of Economics， 132（4）： 1755-1817.

Mian A， Sufi A. 2018. Finance and business cycles： The credit-driven household

demand channel[J]. Journal of Economic Perspectives， 32（3）： 31-58.

Pagan A， Robinson T. 2014. Methods for assessing the impact of financial effects on

business cycles in macroeconometric models[ J]. Journal of Macroeconomics， 41：

94-106.

Pontines V. 2017. The financial cycles in four East Asian economies[ J]. Economic

Modelling， 65： 51-66.

Rungcharoenkitkul P， Borio C， Disyatat P. 2019. Monetary policy hysteresis and the

financial cycle， BIS Working Paper， No. 817[R]. BIS.

Rünstler G， Vlekke M. 2018. Business， housing， and credit cycles[ J]. Journal of

Applied Economics， 33（2）： 212-226.