我国社会融资影响因素分析及预测

高梦楠

(安徽农业大学理学院 安徽·合肥 230036)

我国社会融资影响因素分析及预测

高梦楠

(安徽农业大学理学院 安徽·合肥 230036)

目前高速增加的货币背景下，我国企业依旧面临着融资难的境遇。中国大多数企业融资成本较高或中小企业偏重于国有银行的间接融资结构。本文主要研究近年来中国社会融资增量的发展状况，并进行预测。通过饼图和折线图做直观上的阐述，结果表明2013年至2016年的变化波动基本相似，增量最多的月份集中在第一季度。通过方差分析，判断地区融资要素的独立性，结果表明地区与各融资要素之间存在着显著的相关性。

描述性分析；方差分析；聚类分析；主成分分析；ARMA模型

引 言

社会融资总量将成为未来货币政策制定过程中的一个重要参考指标。从长远目标来看，伴随着国内金融体系的进一步完善和发展，我国以间接融资为主的融资体系将发生变化，直接融资规模及所占比重会逐渐增加。而“十二五”计划运行过程中，促进与完善利率市场化和金融体系的创新等举措的出台，也将会促使直接融资的发展，所以，从调控银行信贷总量到掌控社会融资总量是一种现代金融的发展趋势。控制“社会融资总量”需要更多依据多样化的市场化手段，从而提升对价格型工具的使用。随着股市、债市等直接融资方式的发展，金融调控将更多运用市场化的调控手段。随着国民经济总量不断增加，我国社会融资规模体系也显著扩大，金融结构进一步趋于多元。

1 数据来源及直观特征分析

1.1 数据来源

为保证数据的真实性和可靠性，本文所有数据均来自中国国家统计局官网。数据包括2013年到2016年的地区社会融资规模数据、七类影响因素（人民币贷款、外币贷款、委托贷款、信托贷款、未贴现银行承兑汇票、企业债券、非金融企业境内股票融资）、商品价格指数。

1.2 数据描述性分析

2013年至2016年全国社会融资增量及各年同比增率的月度数据见附录1。

根据表中数据做出双纵轴图，如图1-1。由图可知，从2013年到2016年各月,我国社会融资增量的变化幅度较大，各年一月份的融资增量都远高于同年份的其它各月。这是因为各企业、部门的资金投入有着明显的计划性，它们为保证盈利会在年初制定计划并投入资金以保证全年的营业计划顺利实施。各月的社会融资增长量与环比增长率的变化幅度和趋势基本上一致。经计算，2013年的全国社会融资总增为173168亿元人民币，2014年的全国社会融资总增为164133亿元人民币，2015年的全国社会融资总增为152936亿元人民币，2016年的全国社会融资总增为178023亿元人民币。总体上看，这四年的全国社会融资增量差距在[0,14.09%]之间。

图1-1 全国融资增量及增长率折线图

2013年至2016年各因素下的融资规模如表1-1所示，2016年的融资规模最高，2015年融资规模最低。经计算近四年我国社会融资规模相差的比例在[0,14.04%]。

根据表1-1做出饼图如图1-2,1-3,1-4,1-5。图中表明近年来在我国社会融资增量中人民币贷款额度均超过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年中非金融企业境内股票融资增量比重最少，仅为1.33%。而2014年至2016年中的未贴现银行承兑汇票的增量均为负增长，最高是2016年的-8.78%。原因可能是受近年来国家对银行的相关政策所影响。

根据表1-1做出饼图如图1-2,1-3,1-4,1-5。图中表明近年来在我国社会融资增量中人民币贷款额度均超过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年中非金融企业境内股票融资增量比重最少，仅为1.33%。而2014年至2016年中的未贴现银行承兑汇票的增量均为负增长，最高是2016年的-8.78%。原因可能是受近年来国家对银行的相关政策所影响。

图1-2 2013年各因素融资增量饼图

图1-3 2014年各因素融资增量饼图

图1-4 2015年各因素融资增量饼图

图1-5 2016年各因素融资增量饼图

2 地区与影响社会融资增量要素的方差分析

2.1 方差分析

在此，由于方法步骤完全一样，这里只对2016年的数据进行方差分析，以判断地区是否对社会融资增量要素有显著影响。其余年份只给出分析结果。

2016年地区与社会融资增量要素数据整理后如表2-1,经方差分析后结果如表2-2

由表2-2可知故拒绝行因素原假设接受备择假设，即地区对社会融资增量要素有显著影响。

经计算，2013年至2015年地区与社会融资增量的方差分析结果如表2-3，详细结果见附录2。

表2-3 方差分析结果

综上可知，近年来地域位置的不同对我国地区的社会融资增量有着显著的影响。建议我国在平均社会财富，或者对于重点扶持的地区在政策上出台相关政策，以促进社会融资量较低的地区能够吸引到更多的投资商。

3 不同地区(按省份)和融资要素对我国社会融资增量的影响

3.1 运用主成分分析方法分析2016年融资要素对融资的影响

这里只对2016年数据进行分析,2013年至2015年将给出分析结果。2016年详细数据见附录4。

由2.2的分析可知地区与融资要素之间确实存在影响关系，接下来将对这7种融资要素的影响进行定量分析。利用SAS做主成分分析得出数据分析结果如表3-1、表3-2、表3-3以及图3-1。相关程序见附录5。

各种融资要素的相关系数矩阵如表3-1所示，其中表示人民币贷款、外币贷款、委托贷款、信托贷款、未贴现银行承兑汇票、表示企业债券、表示非金融企业境内股票融资。

表3-1 融资要素相关矩阵

从表中数据可知（人民币贷款）与（企业债券）、（非金融企业境内股票融资）的相关系数相对较高，均达到0.8以上。（外币贷款）与（委托贷款）的相关系数相对较高，表现为负相关关系，达。（委托贷款）除与（外币贷款）的相关系数较高外，与（企业债券）的相关系数也相对较高，达0.7757。（信托贷款）与其它融资要素的相关系数都交底。（未贴现银行承兑汇票）与（人民币贷款）相关系数相对较高，表现为负相关关系达。若以0.8为界，除（人民币贷款）、（企业债券）、（非金融企业境内股票融资）之间的相关系数超过0.8以外，其余融资要素之间的相关系数都低于0.8，这说明各融资要素之间有部分存在着相关关系，有部分的独立性较大，因此对数据进行主成分分析。

相关矩阵的特征值、特征向量和陡坡图分别见表3-2、表3-3和图3-1

表3-2 相关矩阵的特征值

表3-3 特征向量

图3—1 主成分陡坡图

五个特征值及其贡献率如表3-2所示，且前三个特征值的累积贡献率达89.78%，故保留前面三个主成分即可。分析陡坡图也可以得出一样的结论，由陡坡图可知从第四个主成分开始曲线开始平稳，保留曲线陡峭部分即可，即第一、二、三个主成分（为第个主成分，为标准化后的值，见附录6）。

以Ii表示第i主成分在综合得分（Z）中的权重，λ表示主成分的贡献率，则有

这说明，影响我国社会融资增量的七个要素（x1~x7）可以用三个综合变量（Z1~Z3）来代替。这三个综合变量包含了七个融资要素的89.78%的信息。从表3-3中得第一主成分Z1可代表因素 x1（人民币贷款）、x3（委托贷款）、x6（企业债券）、x7（非金融企业境内股票融资）；Z2可代表因素x2（外币贷款）、x5（未贴现银行承兑汇票）；Z3可代表因素x4（信托贷款）。

3.2 2013至2015年融资要素对融资影响的主成分分析结果

经计算，2013年选取的主成分个数为三个，累积贡献率达87.09%，其中

2014年选取的主成分个数为三个，累积贡献率达85.61%，其中

2015年选取的主成分个数为三个，累积贡献率达89.1%，其中

2013年至2016年的七个融资要素均可用三个综合变量来表示，且所含信息量均达到了85%以上。

3.3 2016年我国社会融资增量的地区归类定量分析

由2.2的分析可知，我国社会融资增量与地区有着一定的联系，在统计学的假设基础上，可以将某些地区之间差异较少的归为一类。在这里将对我国大陆的21个地区的31个省级行政单位进行聚类分析，判断出哪些省份可以归为一类。相关SAS程序见附录5。

在这里，采用中间系统聚类分析的方法进行聚类，由于聚类历史数据表格篇幅太长，共进行了30次聚类。根据分析需要只将用于分析的数据附于表格3-4中，详细数据见附录7，聚类谱系图如图3-2。

表3-4 聚类历史

图3-2 聚类谱系图

根据表3-4可知，当聚类数为6时的方数值为0.814，聚类数为5时的方数值为0.701，跳跃度为0.113，而其它前后聚类跳跃度都较小（都小于0.05）。因此可以考虑最终聚类数为6。

由谱系图可看出，当聚类数为6时，其聚类效果是最好的。

第一类：广东、江苏；第二类：山东、福建；第三类：浙江；第四类：云南；第五类：北京、上海；第六类：天津、河北、湖北、安徽、四川、贵州、江西、湖南、内蒙古、吉林、山西、黑龙江、宁夏、西藏、青海、海南、广西、新疆、重庆、河南、陕西、甘肃、辽宁。

经计算，2013年可聚为六类，2014年聚为7类，2015年聚为6类，相关聚类历史数据见附录8。2013年至2016年的每年聚类数目相差并不大，说明我国整体上的融资规模变化并不大，若要增加国内融资量，需要出台相应的刺激政策。

4 2013年到2016年月度数据的ARMA模型拟合

4.1 ARMA模型的基本思路、基本假设

基本思路：由于时间的不可重复性，每个时间点只能观测一个数据。因此我们在每个时间点建立一个随机变量，这样在个时间点就有个随机变量。于是得出一个随机变量族，在ARMA模型中我们总假设各时间点的均值相等，均为，这样可以大大减少随机变量的个数，便于分析。

4.2 拟合2013年至2016年月度数据的ARMA模型并进行预测

2013年至2016年的月度数据见附录2，相关SAS程序见附录9。

符号说明：原始序列为，1阶12步差分后序列为，的1步差分序列为。

月度数据的时间序列图如图4-1所示，显示出明显的周期为12的周期性，故为非平稳序列，因此先进行1阶12步差分再画出差分后的时间序列图如图4-2所示。在4-2中可以看出差分后的既没有明显的周期性，也没用明显的长期趋势，并且波动范围始终在[-9000,14000]之间波动，对序列进行趋势相关分析，结果如图4-3。

图4-1 2013年至2016年月度数据的时间序列图

图4-2 月度数据差分后的时间序列图

difx序列的趋势相关分析图如图4-3所示，从图中可知其自相关系数和偏自相关系数均从一介起就少于两倍标准误差，且如表4-1，卡方检验的值为0.5368，在显著性水平为0.05的条件下并没有通过白噪声检验，可以判断其序列属于非平稳序列，故对difx序列再进行一次1步差分，得到序列difxx。

图4 -3 difx序列趋势相关分析图

对序列difxx做趋势相关图如图4-4。其时序图并无明显的周期性，也无长期趋势，且大部分数据在[12000,-12000]之间来回震荡，且如表4-2，其卡方检验P值0.0096，在0.05的显著性水平下通过了白噪声检验，可初步判断其为平稳序列。自相关图表现为明显的1阶截尾性质，偏自相关图自1阶后，2、3阶均在两倍标准差内，4、5阶又超出两倍标准差，表现出明显的拖尾性。因此可以用AR(1)模型进行拟合。

图4-4 difxx 趋势相关图

表4-2 difxx序列白噪声的自相关检查

利用SAS将difxx序列进行AR(1)模型拟合,程序输出结果整理后如表4-2，拟合的模型见表4-3。其残差自相关诊断图如图4-5，近似服从正态分布，说明信息已经提取充分。AR(1)模型。

图4-5 残差相关图

通过以上分析，可确定最终的拟合模型为：

用所得模型对序列进行三期预测，其结果如表4-4

表4-4 序列预测值

综合以上，对于2017年1月份的国内社会融资增量预测为38401.32亿元人民币，2月份预测为8353.23亿元人民币，3月份预测为26092.65亿元人民币。

5 结论

如今，国内社会融资增量对于判断国内经济的发展起到了至关重要的作用。充分了解现阶段国内融资增量发展形势，准确预测国内社会融资的发展对于我国社会经济相关决策的制定具有重要意义。在本文第一章将数据进行了简单的描述性分析，知道近年来国内融资变化并不明显，人民币贷款占了融资增量的一半以上。

结论显示拟合MA(1)模型合适，并预测出2017年第一季度的融资增量分别为38401.32亿元人民币、8353.23亿元人民币、26092.65亿元人民币。总的来看，本文运用了多种统计方法来处理我国融资增量数据，得出近年来地域位置的不同对我国地区的社会融资增量有着显著的影响，建议我国在平均社会财富，或者对于重点扶持的地区在政策上出台相关政策，以促进社会融资量较低的地区能够吸引到更多的投资商。

[1]甘宜沅,王华.论社会融资对地区投资效率影响效应[J].广西经济管理干部学院学报,2016.

[2]高惠璇.应用多元统计分析（第一版）[M].北京：北京大学出版社.2005.

[3]田仲伟.地区社会融资规模对区域实体经济的动态影响[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.

责任编辑：于吉瑞

审稿人：程家超

F832

A

1009-8534（2017）04-0012-04

高梦楠，安徽农业大学理学院应用统计学专业2013级本科生。