中国农村金融发展与农民收入增长的关联分析好文档.docVIP

　　一、前言 　　学术界关于农村金融发展与农民收入增长关系的定量研究方兴未艾。从实证结果看，虽然理论界一致认为金融发展可以推动经济增长（麦金农，1973），但是中国农村金融发展是否能够提升农民收入，至今尚无定论。在采用单一指标来衡量金融发展的文献中，基本均无法得到从农村金融发展到农民收入增长的正向关系。比如，温涛等（2005）研究发现，金融发展指标与农民收入在长期没有协整关系，也没有格兰杰因果关系。谭燕芝（2009）以农村金融相关比率作为农村金融发展指标的研究也不支持二者间的正向关系。刘旦（2007）的研究结果则支持农村金融发展效率与农民收入增长间的负向关系。如果采用多个指标来衡量农村金融发展，则可能存在多种关系。比如余新平等（2010）的研究支持了农村存款、农业保险赔付促进农民收入增长，而农村贷款、农业保险收入拉低农民收入的观点。方金兵等（2009）将农村金融发展分为规模、结构、效率三个方面，得出的结论是规模与农民收入增长呈双向格兰杰因果关系，而结构和效率并不是农民收入增长的格兰杰原因。从研究方法上看，除刘赛红和王国顺（2012）采用面板数据进行讨论以外，其他大多数研究均限于现代时间序列分析，主要采用协整检验、格兰杰因果检验、VAR、VECM等方法。 　　使用单一指标来衡量农村金融发展只能窥豹一斑，不能全面概括中国农村金融的发展；使用多个指标来衡量，则不易提纲挈领地概括中国农村金融的发展。而研究方法的单一，也限制了研究的进一步深入。基于此，本文借鉴时间序列因子分析（TSFA），将众多农村金融发展指标“浓缩”为中国农村金融发展指数，并结合现代时间序列分析与Markov状态转换模型（MS-VAR）对它与农民收入的关系进行重新考察。本文的研究显示，中国农村金融发展不仅与农民收入有着单向格兰杰因果关系和长期协整关系，而且，农村金融发展与农民收入的关系会随着状态的不同而转换。 　　二、研究方法与变量选取 　　（一）研究方法 　　1. 时间序列因子分析。因为衡量农村金融发展会有多个维度，因此，首要的问题是将这些维度“浓缩”成一个综合指标。本文使用的数据是时间序列数据，4个变量间不可避免地存在序列相关性，传统的主成分分析因此失效。一种替代方法是时间序列因子分析（TSFA）（吉尔伯特和梅杰，2005），该方法在极少假设的前提下通过最大似然估计（ML）获得主成分的一致性估计，有效解决了变量之间的序列相关性。具体到本文，TSFA可以表达为： 　　[rflowast;t=alpha;t+B?rufint+et] （1） 　　式中，[rflowast;t]为显变量，它代表着本文建立的4个长度为[T（t=1，2，?，T）]的农村金融发展指标；[rufint]是潜变量，它是本文建立的农村金融发展综合指数。[alpha;t]是常数，[B]为因子载荷矩阵，[et]为与潜变量无关的误差项。 　　2. 现代时间序列分析。如果需要利用现代时间序列分析来反映农村金融发展与农民收入之间的关系，则首先构造一个线性函数： 　　[peainct=beta;0+beta;1?rufint+epsilon;t]（2） 　　其中，[peainct]表示第[t]期的农民收入，[epsilon;t]为误差项。 　　在现代时间序列建模中，首先需要对式（2）中的两个变量进行平稳性检验和协整检验，以避免伪回归。一旦两个变量间有长期的协整关系，即可以进行格兰杰因果检验。 　　3. Markov状态转换模型。现代时间序列分析的问题在于，它假定考察期内的外部环境是不变的，因而，解释变量与被解释变量之间被假定为具有稳定的线性关系。然而如果考察期较长，外部环境并非一成不变，这会引起数据产生结构突变，进而在不同的外部环境（称为“状态”）下，解释变量与被解释变量的关系可能会形成不同的形式。MS-VAR可以内化时间序列数据的结构突变，合理地描述状态转换机制，提高参数估计的准确性。对于本文而言，如果假定有[st]（[stisin;{1,2,?,T}]）个状态，本文的MS-VAR模型可以由式（2）生成，表示为： 　　[peainct=beta;0(st)+beta;1(st)?rufint+epsilon;t] （3） 　　在MS-VAR的模型中，状态变量[st]由一个马尔可夫链产生，这样，[st]的条件概率分布仅是[st-1]的函数。进而，由于[st]的不可观测性，存在不同状态下的转换概率。估计MS-VAR模型的方法很多，本文采用Hamilton期望值最大化算法（EM algorithm），该算法通过已知的被解释变量值来推断[st]的值，进而估计模型参数和转移矩阵。 　　（二）数据说明与变量选取 　　本文所采用的时间序列数据的跨度为1978—2011年，数据来源为历年的《