股市流动性、杠杆率与股价波动

巫秀芳　郭亮

摘要：通过分析股市流动性、杠杆率和股市波动性相互影响机理，利用2013年3月1日-2017年12月29日的每周交易数据构建TVP-VAR模型，实证检验了股市流动性、杠杆率和波动性动态互动关系。研究发现：股市流动性、杠杆率和波动性之间的互动关系呈现时变特征，当股市处于平稳状态时，杠杆率对流动性具有持续的正向作用，对波动率在短期具有强烈的正向冲击，但在长期得以平抑;流动性和波动率在短期和长期均对杠杆率产生正向冲击。但是，在股市运行不平稳时，三者之间的联动程度不明显，相互作用方向不符合理论预期，即杠杆机制失效。

关键词：股市流动性;杠杆率;股市波动性

中图分类号：F832.5   文献标识码：A   文章编号：1007-2101（2019）05-0043-05

一、引言

自融资融券业务实施以来，我国股市结束了单边市局面，杠杆交易逐步盛行。随着杠杆资金的增加，股市杠杆率成为学者关注的焦点[1]。股市杠杆率是指“借来的资金”在股市总市值中所占的比重。杠杆资金引入的初衷是为股市提供流动性支持，有效发挥股市价格发现作用，同时提高资金配置效率，促使我国资本市场健康运行。然而2015年的股灾期间，3个月内下跌股票超2500只，下跌比例高达95%;跌幅最大的29只股票，更是下跌了70%以上;大批投资者因下跌时的杠杆放大而加倍亏损，很多投资者被强制平仓，杠杆资金的引入难以发挥其应有的价格发现和稳定市场的作用，吴晓求（2016）认为高杠杆的配资行为以及交易机制和监管的缺陷是导致此次股市危机的因素。[2]因此，股市流动性、杠杆率、股市波动性的关系成为理论界和实务界关注的焦点问题，其具体的影响机理和影响程度成为理论和实证分析的关键。

关于杠杆率对股市流行性的影响研究较少，研究主要是从卖空机制、融资融券角度分析其对股市流动性的影响。很多学者从理性预期的理论层面研究融资卖空机制对股市流动性的影响，Diamond和Verrecchia（1987）构建禁止卖空条件下的理性预期模型分析股市流动性，发现部分投资者预期股价会下跌而欲卖出股票，但却无股票可卖，因此股票供给减少，股市流动性下降，从而间接证明了融资卖空机制会提高股市流动性。[3]随着行为金融学的兴起，部分学者从非理性层面研究融资卖空对股市流动性的影响，Scheinkaman和Xiong（2003）构建了融资融券行为对股市流动性影响的行为金融学模型，发现在融资卖空的股票市场中，过度自信的投资者之间会倾向于减少股票交易，从而减少股市流动性。[4]由于理论分析方面存在较大分歧，因此很多学者采用实际数据来验证上述两种理论的正确性。Woolridge和Dickinson（1994）、Charoenrook和Daouk（2003）、骆玉鼎和廖士光（2007）、胡华锋（2012）分别采用美国、全球111个证券市场、中国台湾、中国香港等股票市场一定时间内的数据进行实证分析发现，融资融券交易会显著提高股市流动性。[5-8]Cai和Xia（2006）、牛婷婷和周海林（2011）、于孝建（2012）则采用中国香港、深圳、上海等股票市场特定时间的数据进行实证分析发现，融资融券交易会降低股市流动性。[9-11]谷文林和孔祥忠（2010）、钟笑珊（2011）的实证分析则发现，融资融券交易不会对股市流动性产生影响。[12-13]

关于杠杆率对波动性的影响也不多见，研究主要是从卖空机制、融资融券角度分析其对股市短期波动性和股价长期趋势的影响。很多学者从理论预期和行为金融的理论层面研究融资卖空机制对股市波动性的影响。Bogen和Krooss（1960）的“金字塔-倒金字塔”理論认为，股市上行时，投资者预期股价会继续上涨，融资买入股票，增加股票需求，使股价进一步上涨;股市下行时，投资者预期股价会下跌，融券卖出股票，增加股票供给，使股价进一步下跌;这种助涨杀跌的效应加剧了股市波动性。[14]Allen等（1993）通过构建理性预期均衡模型分析发现，在交易时间有限的情况下，限制卖空交易会减少资产泡沫的出现，从而反推出卖空机制会引起资产泡沫，加剧股市的波动性。[15]Hong和Stein（2003）通过构建异质代理人模型分析发现，若不存在卖空交易机制，投资者的悲观情绪无法释放，股票下跌局面无法制止，甚至会崩盘，从而反推出若存在卖空机制，可以降低股市价格波动性。[16]Duffie等（2002）、Haruvy和Noussair（2006）、Henry和McKenzie（2006）、倪伟佳（2012）、Boehmer等（2013）、褚剑、方军雄（2016）等采用不同时间段美国、中国内地和香港地区的数据样本证明，放松卖空机制和实行融资融券制度会加大股市波动性。[17-22]也有学者持有不同的观点，Charoenrook和Daouk（2005）、陈淼鑫和郑振龙（2008）、陈伟（2011）、Sharif等（2013）则采用不同时间段多个国家的数据样本证明，放松卖空机制和实行融资融券制度会降低股市波动性。[23-26]Battalio和Schultz（2004）通过对纳斯达克网络股泡沫实证分析发现，禁止卖空和网络股价格波动之间没有显著关系。[27]

从上述文献分析可以看出，关于卖空机制、融资融券制度对股市流动性和波动性的影响研究较多，但对杠杆率、流动性和波动率之间的相互作用关系，无论是在理论上还是实践上都未达到共识。其原因可能是，一方面不同国家的股市发展水平不一样，不同国家的研究者研究相同问题也不一定得到一致的结果;另一方面，影响股市的因素涉及方方面面，且股市作为实体经济的晴雨表也具有周期性特征，因此研究股市问题有必要从动态的视角进行深度分析。为此，本文创新性地从时变框架下研究股市杠杆率、流动性和波动性之间的理论和实际关系，首先经过理论分析提出研究假设，其次利用A股市场数据构建TVP-VAR模型，实证检验三者之间的互动关系，得出研究结论，进而为我国股市政策层面“去杠杆”提出相应的对策建议。

二、理论分析及研究假设

（一）股市流动性和杠杆率关系的理论分析

本文主要从需求和供给两个层面分析股市流动性和杠杆率的关系，其相互影响机理如图1所示。在股市上行时，股票需求量增加会提高股市流动性，股市流动性提高又需要杠杆率调整满足要求。当投资者发现股票价格低于其内在价值，预计股价会上涨。如果没有杠杆机制，投资者只能用手里的资金购买股票，股市需求的增加有限。如果有杠杆机制，基于理性考虑，为了扩大自己的收益，投资者会采用杠杆机制为自己配资，从市场经验看，A股市场在股市上扬的这段时间内杠杆类的融资业务规模迅速扩张，市场资金充裕，从而大大增加股票需求量。同时，其他投资者根据市场需求量的增加，也会形成价格上涨的预期，根据羊群效应原理（张红伟和毛前友，2007）[28]，他们会跟风买进股票，进一步增加了股市需求量。

在股市下行时，股票供给量提高股市流动性，股市流动性提高又需要杠杆率调整满足要求。杠杆机制使股市股票需求增加，股价上涨;由于股票价格仍然在高点，当杠杆资金协议到期，投资者会高价抛售持有的股票，归还杠杆资金，获得利润。一旦大盘短期连续下行，各种高杠杆配资机构会对投资者采取强行平仓手段，杠杆资金会迅速离场。投资者的抛售行为会增加股市供给量，股票价格下跌。其他投资者也会形成股价下跌的预期，根据羊群效应原理[28]，他们会跟风抛售股票，继续增加股市供给量。

股票供给量增加导致股价下跌，当股价低于其内在价值时，投资者又会利用杠杆机制融入资金，购买股票，重复上述过程。因此，杠杆机制使股价在围绕其内在价值波动的同时，增加了股市成交量（需求量或者供给量）。

基于上述分析，本研究提出第一和第二个研究假设：

假设1：股市流动性增加（减少），在短期内会提高（降低）杠杆率;

假设2：股市流动性增加（减少），在长期内也会提高（降低）杠杆率。

（二）杠杆率和股市波动性关系的理论分析

杠杆率在短期内主要通过羊群效应加剧股市波动性，在长期内通过调整需求和供给稳定股市波动性。由图2可知，股市上行时，杠杆机制可以通过价格发现功能平稳股市波动性，而羊群效应则会加大股市的波动性。由于预期股价低于股票价值，杠杆资金进入，通过增加股票需求量拉升股价，使股价接近股票价值，杠杆机制的价格发现功能实现，起到平稳股价的效果;这一作用在其他很多成熟市场得到了验证，而杠杆资金的引入在2015年以前的确起到了减缓中国股市波动的效果。而当股价上升以后，根据羊群效应原理（张红伟和毛前友，2007）[28]，其他投资者预期股价会上涨，他们会跟风买入股票，进一步带来股价的大幅度上涨，增加股市波动性。从股票价格指数的涨跌情况看，也可印证上述推断，上证综指从2014年年底到2015年股市危机，从2000点左右上涨到5000多点，上涨幅度超过1倍，成交量也随之上扬。

股市下行时，杠杆机制可以通过价格发现能平稳股市波动性，而强制平仓制度和羊群效应则会加大股市波动性。当股价上升到一定程度，股价处于高点位置，杠杆协议到期，投资者会卖出股票，通过增加供给量拉低股票价格，使股价接近股票价值，杠杆机制的价格发现功能实现，起到平抑股价的效果。当股价下跌以后，由于强制平仓制度的存在，很多杠杆资金被迫撤离市场，股价进一步下跌。根据羊群效应原理，其他投资者预期股价会进一步下跌，他们会跟风卖出股票，进一步带来股价的大幅度下跌，股市波动性增加。从股票价格指数看，自2015年股市危机开始，上证综指从高位持续下跌，由5 000多点跌到3 000点左右，下跌幅度接近0.8倍。基于上述分析，本研究提出第三和第四个研究假设：

假设3：杠杆率提高（降低），在短期内会加剧（减缓）股市波动性;

假设4：杠杆率提高（降低），在长期内则会减缓（增加）股市波动性。

三、实证研究设计

（一）变量选择和数据来源

1. 变量选择。（1）股市杠杆率（LEV）。本文借鉴黄运成和漆琴（2017）做法[1]，由于目前A股市场中尚且存在大量的非流通股，以流通市值代表股市中的总市值情况，其具体公式为：LEV=，其中LEV代表A股市场整体的杠杆率水平;融资余额是沪深两市融资余额的加总;流通市值是沪深两市A股的流通市值的加总。（2）股市的流动性（LIQ）。根据Amihud（1986）的定义，流动性是股票市场在一定时间完成交易所需要的成本。[29]根据流动性的属性，可以把衡量流动性的方法分为4种类型，即价格法、数量法、价量结合法和时间法。本文选取数量法中的换手率作为考察流动性的指标，其值越大，流动性越大。其具体公式为：Ti，t=，其中代表沪深300指数成分股的换手率;Ni，t-1代表沪深300指数成分股的流通股数（不含限售股）。（3）股市的波动率（VOL）。本文选取沪深300指数的日价格波幅作为考察波动性的指标，其具体公式为：VOL=，其中VOL代表了股指的日波动率，pth代表沪深300指数当日的最高值，ptl代表沪深300当日指数的最低值。

2. 数据来源、研究期间及阶段划分。本文所涉及的数据主要包括市场杠杆率、股市的流动情况和波动情况指标。所有数据均为2013年3月1日至2017年12月29日的交易数据，之所以将初始日期选择在2013年3月1日，主要是考虑到融资融券在2013年2月底迎来第二次扩容，基本上覆盖了本文股指指标所选择的沪深300中的各样本股。对于具体指标的选择，股指方面将选择沪深300指数作为描述A股市场价格总体情况的指标。沪深300指数的各样本股来源跨越沪深两个交易市场，样本股的全部市值占两市总流通市值的大半以上，因此该指数能有效反应沪深两市的股价走势情况。市场杠杆率方面，本文运用上述期限内的两市融资余额以及A股市场中全部流通市值的日度数据，计算出每个交易日的股市杠杆率情况。股市波动率指标的选择则以上述期限内沪深300指数的日振幅数据作为度量指标。另外，由于本文采取TVP-VAR模型作为实证方法，一方面我国股市存在显著的星期效应（郭永济，2016），而且影响股市短期波动的因素很多，若用日数据进行实证分析会有较多的干扰，难以确保实证结果的准确性;[30]另一方面，用日数据的话，模型滞后阶数的选择难度较大，而且高滞后阶数会造成模型待估参数过多，容易造成维度灾难，导致估计结果有偏。為此，在降低样本损失的前提下，本文将日数据按每周进行平均，共得到232个周数据。以上所有数据均出自Wind数据库。图3反映了各变量的时间走势。

（二）变量的平稳性检验

由于非平稳的序列进行回归可能会引起“伪回归”的情况，因此实证之前需要对变量进行平稳性检验，本文运用ADF检验变量平稳性，将ADF值与t统计量的5%临界值比较，如果ADF的值小于t统计量的临界值，则判别该变量是平稳的，否则该变量不平稳。具体检验结果如表1所示。

由表1可以看出变量的数据都是平稳的，服从平稳的I（0）过程，可以进一步展开实证。

（三）模型构建

时变参数向量自回归模型（TVP-VAR）是在结构VAR模型基础上放宽参数的常数约束条件形成的，因此TVP-VAR模型能有效反映随机动态波动信息（郭永济等，2014）。[31]结构VAR的表达形式分别为：

四、实证检验及结果分析

（一）实证模型检验

1. 协整检验。用Johansen检验对模型中的两个变量进行协整检验，以探寻A股市场中的流动性与杠杆率、杠杆率与股市波动性是否存在长期协整关系。

从表2结果可以看出，股市的流动性和杠杆率、杠杆率和股市波动性存在长期协整关系。从标准化协整系数看，股市流动性与杠杆率存在正向变动关系，股市流动性加大会增加股市杠杆率，假设2得到验证。根据协整方程得出的长期关系结论与人们的直观印象一致，股市流动性增加，市场资金的需求会提高，投资者会利用杠杆机制配资，杠杆资金越多，杠杆率水平越高。

从上述协整方程可以看出，杠杆率和股市波动性存在长期相互影响关系，且为负向的变动关系，即在长期，杠杆率加大会减少股市波动性，假设4得到验证。更高的杠杆率意味着更多的融资余额，也就意味着市场中融资杠杆交易的旺盛。因此杠杆率与股市波动长期负相关的本质，也就是融资投资行为与股市波动性的负相关。该负相关的关系证明了融资融券的成熟与发展实际平滑了股市的波动情况，让市场更好地发挥了资源配置作用，这也与之前国内其他文献的实证结果不谋而合。

2. 参数估计。协整分析和格兰杰因果检验反映了各指标之间的整体关系，但三个指标之间的相互作用关系在不同时间是否会产生变化，这对探索理论和指导实践具有重要作用。为此，本文以LEV、LIQ、VOL为变量构建TVP-VAR模型，分别估计了滞后4、8、12阶的模型，根据每次估计的边际似然值确定最优滞后阶数为4阶。根据经验设定参数初始值为：uβ0=uα0=uh0=0，Wβ0=Wα0=Wh0=10×I，（Wβ）i-2～Gamma（40，0.02），（Wα）i-2～Gamma（4，0.02），（Wh）i-2～Gamma（4，0.02）。

用MCMC方法模拟10 000次，得到有效样本。其结果由图4和表3所示。图4显示了样本的自相关系数、样本路径和后验密度，样本的自相关系数稳定下降，样本路径图显示抽样数据平稳，表明通过预设参数的MCMC抽样获取了不相关的有效样本。表3显示了TVP-VAR模型的参数估计结果，包括后验均值、后验标准差、95%置信区间，Geweke的CD收敛诊断值和无效影响因子。从收敛性来看，参数的Geweke值均未超过5%的临界值1.96，表明收敛于后验分布的零假设不能被拒绝。无效因子表示为得到不相关样本所需要抽样的次数，因此，Inef值越小表明样本越有效。Inef值最大为123.78，表明用10 000次抽样可以得到80（10 000/123.78）个不相关的样本，足以支持TVP-VAR模型的后验推断。

（二）脉冲响应分析

在以上模型估计的基础上进一步利用脉冲响应函数分析股市流动性、杠杆率与波动特征的相互动态关系。为了考察我国股票市场的时变规律，本文选取了2013年第38周、2014年第15周、2015年第22周、2017年第6周的样本作为代表性的观测点，以反映股票市场所处的不同阶段。为确保结果的可靠性，所选的观测时点涵盖了样本的前中后期，同时避开了样本的首尾两端。从图4杠杆率的走势特征可以看出，这四个观测点分别代表了股市杠杆率走势的各个阶段，即起初的低点、随后有所增长、到达高点、回落至平稳点，具有较强的代表性。

图5为在样本区间内各个时点上脉冲响应函数，图6反映了各变量间的等间隔脉冲响应函数，其中实线、长虚线和短虚线分别代表1期间隔、3期间隔、6期间隔和12期间隔的脉冲响应曲线。从中我们可以得出以下结论：

第一，由图5可知，对于股市杠杆率的冲击，股市流动性在不同代表性时点表现出的响应特征不同，在前三个时点流动性对杠杆率正向冲击呈现出微弱的负向响应，而第四个时点上流动性对杠杆率正向冲击的响应为明显的正向响应，且这种响应具有较强的持续性。表明只有第四个时点的结果符合上文的理论分析。股市波动率对杠杆率冲击的响应也呈现同样的特征，即仅在第四个时点时波动率的响应为持续的正向。针对这种结果，我们对股市杠杆率的四个时点重新做了深入分析，发现前三个时点所处阶段的波动性较大（见图7），股市杠杆率在2013—2015年的方差值持续增加，而在2016年骤降，2017年更是到了最低位。杠杆率的波动性反映了股市的稳定程度，杠杆率的波动性越大，股市的稳定程度越低。由此可知，当股市杠杆率存在较大波动时，反映出投资者对股市的走势难以形成一致的预期，此时杠杠资金并未有效发挥出价格发现功能，也没有明显提高资源配置效率。只有当杠杆率处于稳定状态，投资者对股市的预期较为一致时，杠杆率的冲击才能正向作用于股市流动性和波动率，杠杆率对股市的积极作用才能显现出来。

第二，图5还显示，杠杆率对流动性正向冲击的响应在杠杆率波动最大的时期呈现显著且持续的负向响应，而在杠杆率波动最小的时期在长期呈现出正响应，即随着股市流动性的提高，长期内需要更高的杠杆率满足市场资金的需求，但在股市极不稳定的状态下，流动性的增加反而降低了股市杠杆率。在另外两个时点下，流动性冲击对杠杆率的影响不明显。同样，杠杆率对波动率正向冲击的响应也因杠杆率所处阶段的波动性而呈现较大差異，在杠杆率波动较大时，杠杆率对波动率冲击的响应为负，且长期更加明显;在杠杆率波动较小时，杠杆率对波动率冲击的响应为正，且长期更加明显。

第三，图6证明了股市杠杆率、流动性和波动率之间的相互作用关系具有明显时变特性。其中，流动性对杠杆率正向冲击的响应在2016年以前是微弱的负，而自2016年后则呈现较强的正向响应，并于2016年底达到顶峰，2017年开始逐渐回落。波动率对杠杆率冲击的响应也自2016年后呈现明显的正向，到2016年底达到顶峰，随后开始回落。杠杆率对流动性冲击的响应2013—2016年内为负，在2015年5月份，也就是杠杆率处于最高值的时点上达到了极值，而在2017年后则转负为正。相比之下，杠杆率对波动率冲击的响应也在2017年由负转正，但在2013—2016年内的负向响应就明显弱化了。可见，只有在杠杆率波动性较小，也就是股市运行比较稳定时股市杠杆率、流动性和波动率之间的动态传导路径才畅通。

第四，股市流动性和波动率之间的动态关系也与股市稳定程度息息相关。结合图5和图6，面对流动性的正向冲击，波动率在短期内的响应为正，但长期只有在股市稳定时这种正向响应才能持续。流动性对波动率的冲击也呈现相似的响应特征。在股市不稳定阶段，波动率和流动性之间的相互作用关系较弱，而在股市稳定阶段，两者之间的动态关系较为明显。

五、研究结论及启示

本文在杠杆率对股市影响机理分析的基础上，实证研究了股市流动性、杠杆率和股市波动性之间的动态关系，研究发现：股市平稳状态时，股市流动性短期会对杠杆率产生正向冲击，长期也会提高杠杆率;杠杆率在短期内造成股市的大幅度波动，但长期能够平抑股市波动;股市流动性、杠杆率、股市波动性之间联动效应明显。但是在股市运行不平稳阶段，三者之间的联动程度不明显，相互作用方向不符合理论预期。因此，本文研究结论的启示在于：

第一，完善杠杆制度设计。从上文的理论和实证分析可以看出，杠杆机制短期内会加剧股市波动性。因此，国家应该加大对杠杆配资机构的监管和引导，确保到期平仓和强制平仓制度的公平性、合理性和有序性。股市上行时，对配资机构的配资进行引导，避免盲目配资带来的虚假的市场繁荣;特别是股价下行时，要通过配资退出的有效监管，确保资金有序退出市场，以免带来股市的大规模恐慌而导致的大幅波动。

第二，营造股市平稳运行环境。股市杠杆机制的价格发现和流动性调整功能的实现是建立在股市平稳运行的前提下，只有在稳定的股市发展中，投资者的预期效应才更为一致，杠杆机制的作用才能得以发挥。任何引起股市波动或扰乱股市运行秩序的行为都会导致杠杆机制失效。因此，在利用杠杆机制调节股市时，必须要考虑当前所处的股市运行状况是否平稳。

第三，从监管层面完善杠杆的运行。政府根据杠杆率与股市流动性、波动性之间的变动规律，杠杆率和杠杆资金的数量建立预警机制，动态调整股市杠杆率水平。在股票价格低于股票价值时，加大股市杠杆率水平，拉动股票价格的上涨;在股票价格高于股票价值时，降低股市杠杆率水平，降低股票价格。此外，加杠杆和降杠杆的度需要把握好，加杠杆不是无限度的加，去杠杆也不是完全去除，是要把股市调控到合理的区间范围内。只有这样，才能最大程度上降低股价大幅度波动带来的不利影响，确保股市的稳定。

参考文献：

[1]黄运成，漆琴.中国股市波动中的杠杆作用[J].中国金融，2017（1）：55-57.

[2]吴晓求.股市危机：结构缺陷与规制改革[J].财贸经济，2016，37（1）：22-32.

[3]Diamond D，Verrecchia R. Constraints on short-selling and asset price adjustment to private information[J]. Journal of Financial Economics，1987，18（2）：277-311.

[4]Scheinkman J A，Xiong W. Overconfidence and Speculative Bubbles [J]. Journal of Political Economy，2003，111（6）：1183-1220.

[5]Woolridge J R，Dickinson A. Shot selling and common stock price[J]. Financial Analysts Journal，1994（50）：20-28.

[6]Charoenrook A A，Daouk H. The world Price of short selling [R]. The Owen Graduate School of Management，Vanderbilt University，Working Paper，2003，1-49.

[7]骆玉鼎，廖士光.融资买空交易流动性效应研究——台湾证券市场经验证据[J].金融研究，2007（5）：118-132.

[8]胡华锋.卖空交易与市场波动性、流动性研究——基于中国香港证券市场的实证分析[J].上海财经大学学报，2012，14（3）：82-89.

[9]Cai Jinghan，Li Yuming，Xia Le. Liquidity，Information Asymmetry and Short Sales Constraints：Evidence from the Hong Kong Stock Market[R].Working Paper，2006.

[10]牛婷婷，周海林.融资买空交易对我国股票市场流动性影响的实证研究[J].上海商学院学报，2011，12（5）：79-84.

[11]于孝建.融資融券交易对中国股市流动性和波动性的影响——以沪市为例[J].华南理工大学学报（社会科学版），2012，14（2）：1-7.

[12]谷文林，孔祥忠.融資融券业务对市场资本流动性的短期影响[J].证券市场导报，2010（7）：50-52.

[13]钟笑珊.融资融券交易对我国证券市场的影响研究[D].广州：华南理工大学，2011.

[14]Bogen J，Krooss H E. Security credit：Its economic role and regulation[M]. Englewood Cliffs，NJ：Prentice-Hall，Inc，1960：37-76.

[15]Allen F，Morris S，Postlewaite A. Finite Bubbles with Short Sale Constraints and Asymmetric Information[J]. Journal of Economic Theory，1993，61（2）：206-229.

[16]Hong H，Stein J C. Differences of Opinion，Short-Sales Constraints，and Market Crashes[J]. Review of Financial Studies，2003，16（2）：487-525.

[17]Duffie D，Grleanu N，Pedersen L H. Securities lending，shorting，and pricing[J]. Journal of Financial Economics，2002，66（2）：307-339.

[18]Haruvy E，Noussair C H. The Effect of Short Selling on Bubbles and Crashes in Experimental Spot Asset Markets[J]. Journal of Finance，2006，61（3）：1119-1157.

[19]lan T. Henry，Mckenzie M. The Impact of Short Selling on the Price-Volume Relationship：Evidence from Hong Kong[J]. Journal of Business，2006，79（2）：671-692.

[20]倪伟佳.我国融资融券业务对股票波动性的影响分析——基于TGARCH模型的长期研究[J].中国证券期货，2013（7）：28-30.

[21]Boehmer E，Zhang X. Shackling Short Sellers：The 2008 Shorting Ban[J]. Review of Financial Studies，2013，26（6）：1363-1400.

[22]褚剑，方军雄.中国式融资融券制度安排与股价崩盘风险的恶化[J].经济研究，2016，51（5）：143-158.

[23]Charoenrook A， Daouk H. A Study of Market-Wide Short-Selling Restrictions[R].Working Papers，2009.

[24]陈淼鑫，郑振龙.推出卖空机制对证券市场波动性的影响[J].证券市场导报，2008（2）：61-65.

[25]陈伟.融资融券试点对我国股票市场波动性的影响实证研究[J].上海金融学院学报，2011（5）：42-50.

[26]Sharif S， Anderson H D， Marshall B R. Against the tide：the commencement of short selling and margin trading in mainland China[J]. Accounting & Finance，2014，54（4）：1319-1355.

[27]Battalio R， Schultz P. Options and Bubble[J]. Journal of Finance，2006，61（5）：2071-2012.

[28]张红伟，毛前友.羊群行为、股价波动与投资收益——基于中国证券投资基金的实证研究[J].经济理论与经济管理，2007（10）：50-54.

[29]Amihud Y， Mendelson M. Liquidity and Stock Returns[J]. Financial Analysts Journal，1986，42（3）：43-48.

[30]郭永济，张谊浩.空气质量会影响股票市场吗[J].金融研究，2016（2）：71-85.

[31]郭永济，李伯钧，金雯雯.时变框架下中国货币流动性的影响研究：1992-2012[J].当代经济科学，2014，36（1）：1-11+124.

Research on Logistics Efficiency of China's Provincial Logistics Industry based on DEA-Malmquist Index

Gong Xue1，2， Jing Linbo3

（1.School of Economics， Xihua University， Sichuan Chengdu 610039， China;2.Research Institute of Finance Strategy，

CASS， Beijing 100836， China;3.Academy of China's Social Science Evaluation， CASS， Beijing 100836， China）

Abstract： Using DEA-Malmquist index evaluation model， take the logistics industry of China's 31 provinces as the research object to build the evaluation index system from 2007 to 2016， proceed the static analysis of input-output efficiency of the logistics industry from the comprehensive efficiency， pure technical efficiency and scale efficiency， using the Malmquist index method to proceed dynamic analysis of the logistics efficiency development of 31 provinces（autonomous regions and municipalities）from the comprehensive efficiency， technical efficiency change and technology change. The study found that the logistics industry in different regions of China is not balanced. The logistics efficiency in the eastern region is good but the growth rate is slow. The logistics efficiency in the central and western regions and northeast China is relatively lagging， but there is a lot of room for improvement. On the whole， technological progress is an important factor affecting the total efficiency change. We should strengthen regional cooperation， speed up the development and application of logistics technology， increase policy support and provide reference for further improvement of the efficiency of China's provincial logistics.

Key words： logistic industry， efficiency analysis， DEA-Malmquist model， panel data