李稻葵等：中国经济高增长融资之谜

来 源：《经济学动态》2013年第7期
    《经济学动态》2013年第7期
    ——国内非中介融资(DNI)研究
    李稻葵　孔　睿　伏　霖
    内容提要： 中国经济高增长的直接动力是日益庞大的固定资产投资。中国经济庞大规模的固定资产投资的主要融资来源是什么?这是分析中国经济增长与宏观波动的基础性课题。本文分析论证，国内非中介融资(Domestic Non-Intermediated Investment, DNI)是中国经济固定资产投资的最大融资来源。DNI指的是国内企业自有资金和民间资金，不经由金融中介或财政体系而直接进入投资领域的投资。 DNI占固定资产总融资量的比重从1996年的53%上升到2011年的68%。本文进而通过格兰杰因果检验验证了DNI与GDP的因果影响关系;运用2003到2010年全国31个省份的面板数据回归，分析了DNI占固定资产投资比重的影响因素;并构建结构化向量自回归(SVAR)模型，研究了货币政策对DNI的影响效应。我们发现，DNI增长率是GDP增长率的格兰杰原因，对GDP增长波动起着引导作用。同时，DNI所占比重受民营经济的显著影响，民营经济越发达的地区，DNI比重越高。民营经济投资比重每上升1%，DNI比重相应提高约0.34个百分点。而货币政策调控对不经由金融中介体系的DNI影响有限，存款准备金率提高25个基点，只会拉动DNI环比多增长0.3%，相当于67亿的规模。这显示了DNI具有相对的独立性。这些分析说明宏观调控政策，不应仅仅依赖于传统政策，而应充分考虑DNI自身的波动规律，采取更有针对性的措施。
    关键词：国内非中介融资(DNI)　固定资产投资　融资模式　货币政策
    一、引言
    高投资率是中国经济高速增长的最基本的特征之一。自改革开放以来，中国经济保持了三十多年的高速增长，经济总量(GDP)从1978年的2164亿美元迅速提高到2012年的8.26万亿美元，成为世界第二大经济体。作为经济增长最大的动力，中国经济的固定资产投资占GDP的比重从改革开放初期的20%迅速上升至2011年的67%。
    中国经济高速增长的固定资产投资的融资来源是什么?谁在为高速增长的固定资产融资，这是一个简单却又极其重要的问题。研究清楚这一问题是分析中国经济增长的基础，也是理解中国宏观经济波动机制的必要前提。宏观调控政策的一系列讨论才能有可能。
    以往的文献，回答这一问题时的隐含假设是认为中国经济固定资产投资的融资来源主要是银行等金融中介机构，也包括资本市场等直接融资机构，以及财政预算拨款和外商直接投资。但这与事实明显不符。比如分析2009年“四万亿”投资计划时，很多学者都认为，其中大部分投资资金来自银行信贷和财政资金的扩张。事实上，在2009年，财政预算的投资只占中国固定资产投资的6%，而银行贷款也仅占固定资产投资的20%。可见，通常认为在投资中起巨大作用的银行贷款、财政资金，并不是中国固定资产投资的主要来源。这样，这个问题就显得更加迷惑了，究竟是谁为中国经济的高速增长提供了融资?
    本文的目的，在于揭开中国经济高速增长的融资之谜。我们发现，通过银行、资本市场等正规金融中介获得的资金，以2011年为例，仅仅能够解释中国固定资产投资的25%;而来自财政预算的投资，也只有5%左右。即便加上外资，总共占固定资产投资的比重也只有30%多一点。
    本文的重点是分析中国经济固定资产投资来源的大头，即，国内非中介融资(DNI，Domestic Non-Intermediated Investments)。国内非中介融资(DNI)是指，固定资产投资中，除去财政预算、国内贷款、外资和资本市场等融资渠道以外的融资来源，主要包括留存收益等企业的自有资金和居民家庭的民间资金。DNI是既没有经过金融中介也没有经过政府财政机制或外商投资决策，而直接进入到固定资产投资的资金。自主性，自发性，游离于金融、政府及国外投资者决策之外，这是此类融资的最大特点。从数据上来看，在过去相当长的时间里，国内非中介融资(DNI)一直占中国固定资产投资的绝大部分比重，从1996年的53%上升到2011年的68%。我们论证，国内非中介融资(DNI)，而不是银行等中介融资，才是中国固定资产投资的主要资金来源，对中国经济的高速增长发挥了巨大的推动作用。
    以往的文献，对中国传统金融体系以外的融资途径也进行了探讨，并结合中国经济的特点给出了富有启发性的分析。Allen，Qian & Qian(2003)通过研究发现，中国很多私营部门并不依靠正式渠道(银行或资本市场)融资，而是通过关系和非正式渠道融资。卢峰、姚洋(2004)认为中国金融体系存在着金融压抑，国有银行垄断了金融资源，并对非国有经济有严重的信贷歧视。但是，由于法治不健全，中国金融体系中存在着“漏损效应”，会有部分资金从优势的国有部门“漏”到相对弱势的私营部门，而这对中国经济的发展有很大帮助。刘澜飚、王博(2008)认为私人自筹资金和外资具有比国有资金和银行贷款更高的使用效率，并进一步强调了“漏损效应”对中国非国有部门的重要性，同时认为外资比重不断上升，对中国经济增长发挥越来越重要的作用。林毅夫、孙希芳(2005)探讨了非正规金融与中小企业融资的关系，认为信息不对称是导致中小企业从传统金融体系中融资存在困难的主要原因，而非正规金融体系比传统金融体系更善于获取并处理“软信息”，从而更有利于信息不透明的中小企业进行融资。
    回顾以往文献，我们发现还存在一些不足。首先，针对中国融资模式的研究，不仅数量较少，也缺乏较为系统的分析。其次，以往文献大多围绕非正规金融，以及正规金融体系存在的漏洞而展开，但却忽略了企业自有资金的重要作用。而我们发现，企业的自有资金，与民间资金一道，虽不经由金融体系，却成为中国投资最重要的融资来源。
    Li(2006)首先提出了国内非中介融资(DNI)的概念，认为非中介融资，即主要通过企业自有资金和民间资金的融资，而不是通过银行或资本市场得到的融资，才是中国经济最主要的驱动力，对中国增长贡献巨大。而非中介融资的资金来源主要是企业的留存收益和民间储蓄。Li(2006)还用四个省份的面板数据，分析了DNI的影响因素，认为民营经济的发达程度对DNI的比重有显著影响。但是，Li(2006)的分析，只研究到2004年，没有涉及到近10年来的情况，也没有就这一话题展开更深入的分析。
    本文在此基础上经过研究发现，DNI占固定资产投资的比重近年来不断上升，重要性也越来越大。我们发现，DNI是导致GDP增长的格兰杰原因，这在实证上说明DNI具有带动GDP的作用。不仅如此，DNI还对正规金融中介融资具有带动作用。本文继续研究了DNI占固定资产投资比重的影响因素。对2003年到2010年全国31个省份的面板数据进行回归分析，结果表明，各地区民营经济的发达程度与DNI的比重有显著的正相关关系，而各地区的金融发展水平、国有经济比重、财政支出比重等指标都与DNI的比重呈显著的负相关。民营经济比重越高，DNI在固定资产融资中的作用也越大。民营经济投资比重的每个标准差的上升，会导致DNI比重提高约2.15个百分点，相当于民营经济投资比重每上升1%，DNI比重相应提高约0.34个百分点。这说明在民营经济发达活跃的地区，投资更多依靠企业自有资金和民间资金来推动，而不是传统金融部门。这从一个侧面说明，对中国经济日益重要的民营经济，没有充分从正规的金融中介渠道中取得资金，而更多依靠DNI的模式来进行融资。
    本文进一步分析了货币政策对DNI的影响程度。本文构建了结构化向量自回归模型(SVAR)和脉冲响应函数，对货币政策中介目标M2、货币政策工具存款准备金率以及银行信贷等宏观经济变量对DNI影响的时效性和力度进行了较为系统的研究。结果发现，25个基点的存款准备金率上调，虽然DNI开始反应迅速，但是18月内的累积效应只会拉动DNI环比多增长0.3%，以2010年1月至2012年12月的均值计算，相当于DNI在18个月内累积多增加67亿的规模;而M2环比多增加7634亿，只会使DNI环比减少0.07%，相当于DNI18个月内额外减少15.6亿的规模。结论说明，存款准备金率等货币政策工具总体来说对DNI的影响是有限的。 即，来自非中介的DNI不同于来自中介的融资，在一定程度上具有不完全受货币政策调控调节的独立性。如何更加有针对性的通过政策调控来影响DNI，进而更为有效的调控固定资产投资将成为本文后续研究的重点。
    经过本文研究，我们对中国的固定资产投资有了新的认识。中国投资的大部分来源于非中介融资，传统的正规金融中介融资比例只有25%左右。这启发我们，今后在讨论中国宏观经济周期时，一定要注意非中介融资的影响。这为我们平滑经济周期、促进经济复苏提供了新的研究思路。
    二、国内非中介融资(DNI)
    国内非中介融资(DNI，Domestic Non-intermediated Investment)代表了中国固定资产投资中没有经过正规金融渠道、不经过金融中介机构，也非来自财政预算而获得的融资。DNI的构成主要包括境内企事业单位的自有资金和民间融资，是没有经过银行、资本市场等正规金融体系或者政府收支渠道，直接从企业留存收益或居民个人直接进入投资领域的投资。未经过金融中介渠道或财政收支渠道而直接用来投资，是这种融资模式的最典型特征。
    根据这样的定义，我们可以得出DNI的测算公式，即用固定资产投资总额减去来自国家预算的投资、经过金融中介渠道的投资，以及外国资金的投资。根据国家统计部门对中国固定资产投资的分类，余下的投资来源主要是企业的自有资金、民间资金等非经由金融中介而进行的融资。计算公式如下：
    固定资产投资是指包括基础设施、工业设备等在内的实物投资。由于中国经济基础较为薄弱，多年来固定资产投资对于中国快速形成固定资本有着重要意义。中国固定资产投资占GDP的比重，也逐年上升，2011年已达到67%。可以说，高比例的投资对中国经济的高速增长具有十分重要的意义。
    根据国家统计部门的统计，在中国的固定资产投资中，有如下的融资来源。接下来，本部分将对这些融资来源进行逐项的分析。需要注意的是，固定资产投资的统计中存在虚报的现象，根据孔睿、李稻葵、吴舒钰(2013)的研究，以GDP的虚报率作为固定资产投资虚报的参考依据。在2010年，各省GDP加和比全国GDP多出10%，而差距主要在投资部分。基于这样的推断，把各省GDP之和高出全国GDP的部分，都计为固定资产投资的虚报部分。本文以下的计算是以剔除虚报后的固定资产投资数据为基础的。
    (1)国家预算投资，主要来自以税收为主的财政收入，包括一般预算、政府性基金预算、国有资本经营预算和社保基金预算。各级政府债券也被归入到这一范畴中。图1显示了国家预算资金占中国固定资产投资来源的比例。这部分投资所占的份额并不大。近20年来，来自预算的投资比例一直低于8%，近几年基本在5%左右。
    (2)国内贷款，包括了从国内银行和非银行金融机构获得的各种信贷和借款，银行贷款是其中最为主要的一项。按照学术界的讨论，以银行为代表的金融中介是金融体系的核心。从金融体系中获得的资金大部分来自这里。很显然，按照这样的逻辑，国内贷款应该在中国固定资产投资中占有相当大的比重。图2显示了国内贷款在固定资产投资中的比重。从图中可以看到，国内贷款在固定资产投资来源中的比重在本世纪初达到25%左右的峰值。而在此之后，该比重逐年下降，到最近五年，已连续低于20%，到2011年已经下降到16%以下。2009年，为了应对世界金融危机，中国政府推出了一揽子投资计划来确保中国的经济增长，即“四万亿”投资，其间银行贷款也大量释放。但需要注意的是，这一年的银行贷款比例只比前一年上升了一到两个百分点。这充分说明，即便在“四万亿”的背景下，国内贷款在固定资产融资来源的比重仍不超过20%。我们完全可以得出结论，国内贷款，不是中国固定资产投资的主要资金来源。
    需要说明的是，中国的地方政府性债务，绝大部分也来自国内贷款这一项。近年来有关中国地方政府的债务问题引起越来越多的关注。地方政府通过自身或其下属的融资平台，进行了大量的投资，也欠下了巨量的债务。2011年，中国审计署对全国31个省份的省、市、县三级政府的债务问题做了一次全面系统的清查，逐笔逐项审核，并发布了《全国地方政府性债务审计结果公告》。根据这次对地方政府性债务的专项审计，截止2010年底，全国地方政府性债务余额为10.7万亿。而这其中的融资来源，来自银行贷款的比重达79%，另有4%来自上级财政收入，7%来自政府发行的债券，10%来自个人集资等。可见，地方政府性债务的主要来源渠道也是国内贷款。
    （略）
    图3　中国股票、债券融资占固定资产投资的比重
    (3)资本市场直接融资，主要包括上市公司股票和公司债券这两种形式。图3显示了股票市场和企业债券的融资额分别占固定资产投资的比重。该图显示，2000年是股市融资比重的高峰，这一比例为接近10%。自那时以来，股市融资比重逐渐下降，到2011年，已经不到2%。债券融资的比重近年来高于股市，但也只在5%左右。
    (4)外国投资，包括外国直接投资(FDI)，以及来自外国机构的贷款。图4给出了利用外资(包括外国直接投资)占固定资产投资的比重。从图中可以看到，利用外资的投资占固定资产投资的比重在不断减少，已经从上世纪九十年代的10%以上一直下降到2011年的不到2%。
    上面分析了固定资产投资中来自政府财政预算、外资、银行和资本市场等渠道的融资来源。我们发现，通过金融中介和资本市场所获得的融资，占固定资产投资总额的比重并不高，加起来不到25%;通过财政预算获得的融资，占固定资产投资的比重也只是很小的一部分，在5%左右;而利用外资所获得的融资，近年来逐渐下降，比例已经不足2%。上述几项资金来源加在一起，也只占固定资产投资总额的30%左右。可见，来自财政的、金融中介渠道的以及国外的资金都不是支持中国经济高速增长的主要融资模式。
    (略)
    从格兰杰因果检验的统计结果上来看，“RDNIt不是RGDPt的格兰杰原因”和“RDNIt不是RNDNIt的格兰杰原因”分别在5%和1%的水平上拒绝了原假设。从统计结果上可以说， RDNIt是RGDPt的格兰杰原因， RDNIt是RNDNIt的格兰杰原因。
    DNI是GDP增长的格兰杰原因，这一结论在实证上证明了DNI确有促进和引致GDP增长的作用。这进一步说明，DNI支撑了中国GDP的高速增长。而本部分的另一个结论是，DNI的增长还是非DNI增长的格兰杰原因，即DNI对非DNI有显著的引致作用。也就是说，相对于金融中介融资，DNI更为重要。本部分结论的经济学含义是，在固定资产投资中，DNI不但直接推动经济增长，而且对非DNI也具有带动作用，启动民间投资往往会进一步带动正规金融体系的融资。DNI的变化最先反应了企业的投资意愿，投资的增长或下降往往先从DNI的变动开始。而且，相较于金融中介融资，DNI发生变化的决策和实施更为直接，反应更为迅速。从这个意义上说，DNI对经济波动预期的反应更加敏感，这对于未来如何更有效的应对经济周期、刺激投资都具有一定的参考意义。
    四、DNI影响因素的分析与实证检验
    前面研究了DNI对GDP所具有的显著作用。为了进一步研究DNI所占比重的影响因素，本文对中国31个省、市、自治区的DNI比重以及可能对其产生影响的因素进行回归分析。以往文献很少涉及到对DNI的分析，只有Li(2006)利用北京、上海、四川、贵州等四个省份的面板数据进行了研究。本文在此研究的基础上，把研究范围扩展至全国31个省份，利用2003至2010年8年间各省市的面板数据进行回归分析，试图找到DNI占固定资产投资比重高低的影响因素。
    (一)影响因素分析
    作为非金融中介融资，DNI必然受投资主体、经济发展、金融发展等多重因素影响。下面本文对这些可能影响的因素一一作出分析。
    第一，投资主体的差异会对DNI所占比重产生影响。投资主体不同，其获取资金的来源和成本也会随之不同。这里的投资主体的差异，从宏观层面来说，主要指投资主体所有制性质上的差异。由于体制上处于优势地位，加上预算软约束等原因，国有企业往往更容易获得金融资源，因而在对DNI的依赖上不像民营那么迫切。而民营经济比重，根据Li(2006)的研究，是影响DNI的一个显著因素。我们认可这一结论，并把这一因素作为我们考察的一个重点。民营经济是中国经济发展中非常活跃的部分，有大量的投资需要和融资需求。而由于金融压抑的存在，民营经济遭遇信贷歧视，更多依赖于自有资金。根据孔睿、李稻葵、吴舒钰(2013)对中国资本形成效率的研究，民营企业的资本形成效率较低，换言之，民营企业在投资过程中要经历更多的投资损耗，而其中很重要的一部分损耗就是由于融资难而带来的。民营企业往往在获得外部金融资源上有很大困难，因此民营企业只能更多依靠自有资金或民间资金进行融资。根据上述分析，我们的先验假设是，民营经济的比重与DNI占固定资产投资的比重有显著的正相关关系，而国有企业的经济比重与DNI占固定资产投资比重有显著的负相关关系。在同时考虑到数据的可获得性基础上，我们选取可以反映民营经济比重的民营经济投资比重和民营经济就业人数比重这两个指标来进行分析，并选取国有企业的工业产值比重来代表国有经济比重。出于回归稳健性的考虑，我们用民营经济的比重、国有企业的经济比重和民营经济就业人数比重三个变量来检验“投资主体的差异会对DNI所占比重产生影响”的原假设。
    第二，金融发展水平会对DNI比重产生影响。DNI是非金融中介融资，企业在面对投资决策时会在企业自有资金、正规金融渠道和民间非正式金融渠道中进行权衡。根据中国特有的逆融资优序现象，很多企业会更愿意选择通过正规渠道进行融资。而当地的金融发展水平显然会对企业的投资决策产生影响。金融发达，资金充裕，贷款便利，一定会在客观上提高通过正规金融渠道获得资金的可能性。因而我们先验的假设是，金融发展水平越高的地方，其DNI的比重会相对较低。考察金融发展水平的指标，根据King & Levine(1993)、林毅夫、姜烨(2006)等的研究，可以用经济体内金融资源的总量与GDP的比值来衡量。King & Levine(1993)给出的金融深度指标Depth，是用M2/GDP。但本文的研究主要在省际数据间进行，很难测量到省际数据中的M2，因此本文借鉴林毅夫、姜烨(2006)所采用的银行年末存款总额与GDP的比重这个指标。
    第三，财政政策因素可能会对DNI的比重产生影响。DNI的来源主要是企业的利润，即留存收益和折旧资金等，以及企业、家庭间的非正式金融和民间资金。而这些因素可能会受财政政策的影响。财政政策会通过税收等因素影响企业的利润，税费负担比较重的地方，企业的利润压力也会增大;而对企业有政策扶持，有税收优惠、鼓励投资、鼓励自我积累的地方，企业的利润压力会相应减轻，可用于DNI的投资自然也就增加。同时，财政支出往往对企业投资有挤出效应。目前中国很多地方都是政府在主导经济的模式，政府会运用财政资金大量进行直接投资，这一方面会带动企业的投资，另一方面也很可能对企业的投资产生挤出和抑制的因素。综合上面的分析，我们先验的假设是，政策因素与DNI比重有负相关的关系，即财政越积极的地方，其DNI的比重会相对较低。考虑到财政支出是政府实现其财政政策发挥的主要形式(林毅夫、姜烨，2006)，财政政策会对企业的行为产生重要的影响。因此，本文选择财政支出占GDP的比重这一指标，来代表各地区财政政策的扩张程度和执行成效，以及政府发挥作用的规模和经济发展的干预程度。
    第四，经济发展水平和速度可能会对DNI产生影响。首先，经济发展水平越高，生活越富裕，民间资金也会越丰盈，金融活动也会越活跃。因此我们先验的假设是经济发展水平与DNI正相关。其次，考虑经济发展速度。由于DNI对经济增长具有重要的作用，因此我们推测，经济发展快的地区，其DNI的比重可能也会相对较高。因此另一个先验的假设是经济发展越快，DNI的比重越高。本文选用通行的指标，用人均GDP水平来代表经济发展水平，用各地区GDP的增长速度来代表经济发展速度。
    第五，考虑对外开放程度。一个地区对外开放程度越高，往往可以带来更为丰富的外国资金投资。外国资金投资可能会在某种程度上对DNI产生替代作用，而当地开放程度高，思想比较活跃，也可能有利于民间金融的活跃。因此本文以FDI外国直接投资占GDP的比重作为衡量对外开放程度的指标，并且我们先验的假设为，外国直接投资比重与DNI有负向的影响因素。
    (二)数据说明
    (略)
    本文以各省份DNI占固定资产投资的比重(DNIFAI)作为被解释变量。计算方法如前文所述。由于被解释变量取值范围在0至1之间波动，简单回归可能带来回归结果超出具有经济学意义的量程的问题，故用Logistic变换对其做数据处理，把DNI占固定资产投资比重(DNIFAI)，调整为DNIFAI /(1- DNIFAI)，然后取自然对数得到Logistic DNIFAI，从而把被解释变量的变化范围映射到负无穷到正无穷区间。为了研究GDP增长一个百分点对DNI所占比重的影响，本文对人均GDP取自然对数进行分析。而其他变量，均用直接计算出来的比例系数。上述所有数据来源为各省份的统计年鉴和中国固定资产投资统计年鉴。
    各变量描述性统计见表4。
    (三)模型设定与结果分析
    首先，对上述各主要变量进行相关性分析。各主要变量的相关系数矩阵见附件中的表5。根据相关系数矩阵，我们得到几点结论：
    第一，国有企业工业产值比重与民营经济投资比重为显著负相关，且相关系数达到-0.541。这一结果完全在预料之中，因为国有企业工业产值与民营经济投资比重在某种程度上是存在一定互补关系的。因此这提示我们在后面的模型设定中不要把这两个因素放在一个模型中回归。而注意到另一个反映民营经济比重的指标，民营经济的就业比重，与国企工业产值比重的相关系数为-0.4，处在计量统计中可接受的范围，这为后面的模型设定提供了更多可供检验的选择。
    第二，民营经济固定资产投资比重与民营经济就业人数比重的相关系数为0.38，考虑到两者的经济学含义有所重叠，因而在下文的回归模型中，先取民营经济固定资产投资比重作为解释变量进行多元回归，再通过民营经济就业人数代替前者用作模型的稳健性检验。
    充分考虑了各变量间的相关性之后，建立回归模型。由于本文所研究的数据都是面板数据，既有横截面维度又有时间维度，因此，本文选择了同时体现时间序列特点和横截面数据特点的面板数据模型。这样的模型符合研究需要，既可以表现不同省份之间的差异，同时又不否认存在于不同省份之间具有普遍性的发展规律。
    本文以各省份DNI占固定资产投资比重为被解释变量，采用固定效应面板回归方法建立多元线性回归模型，分析并检验对DNI比重有显著影响的因素。
    (略)
    各变量的含义在前文中已经详细阐述。需要说明的是，为避免可能存在的多重共线性，互相相关的变量没有放入本模型中。同时，为了更好的检验结果的稳健性，本文在后面的回归中会将反映相近经济含义但相关性较强的变量做替换，进行多重检验，考察结论是否一致。
    所做的多重检验模型与公式(5)模型近似，替换其中个别变量，所有结果见汇总表6。
    根据回归结果，我们得出如下结论：
    (1)投资主体差异——民营经济占比与固定资产投资中DNI的比重显著正相关。出于结论稳健性的考虑，本文用了三个变量来刻画各个地区间的投资主体差异，民营经济投资比重、民营就业人员比重和国有企业产值比重均在1%的显著性水平上显著，其中民营经济投资比重和民营就业人员比重的系数显著为正，国有企业产值比重显著为负。回归结果一方面说明民营经济比重与DNI比重正相关，在控制其他变量不变的情况下，民营经济比重高的地区，DNI的比重也相对较高。具体的，根据表6回归(4-1)的结果可得，在其他条件不变的情况下，民营经济投资比重的每个标准差的上升，会导致DNI比重提高约2.15个百分点，相当于民营经济投资比重每上升1%，DNI比重相应提高约0.34个百分点;另一方面国有企业产值比重与DNI比重呈显著的负相关关系，在控制其他变量不变的情况下，国有经济比重高的地区，DNI的比重偏低。根据表6回归(4-4)的结果，在其他条件不变的情况下国有企业产值比重每个标准差的上升会使得DNI比重减少约5.164个百分点，相当于国有企业产值比重每上升1%会使得DNI比重减少约0.254个百分点。这两方面相对比，结论更加明显，验证了本文前面提出的假设，即相对于国有企业，民营企业更多依靠DNI来进行融资。
    (2)金融发展水平与DNI比重呈显著的负相关关系。这一结论也与本文前面的假设印证，在控制其他变量不变的情况下，金融发展水平高的地区，DNI比重偏低，而金融发展相对落后的地区，DNI的比重偏高。具体看来，根据表6回归(4-1)的结果可得，在其他条件不变的情况下，每标准差金融发展水平的上升，DNI比重相应减少约2.31个百分点。这一结果说明金融发展的落后和融资渠道的缺乏会迫使企业更多运用DNI来进行融资。
    (3)财政支出比重与DNI呈显著的负相关关系。这一结论也与我们的先验假设一致，在控制其他变量不变的情况下，财政支出比重越大，财政政策也越积极，政府对经济的主导性也越强，这在某种程度上对企业的利润和投资有一定的挤出效应。因而财政支出比重越大的地区，其DNI的比重也相对偏低。具体看来，根据表6回归(4-1)的结果可得，在其他条件不变的情况下，财政支出比重每上升1% ，DNI比重相应减少约0.256个百分点。
    (4)人均GDP水平对DNI比重有显著的正向影响，在控制其他变量不变的情况下，人均GDP越高，DNI的比重也越高。具体来说，根据表6回归(4-1)的结果可得，在其他条件不变的情况下，人均GDP每上升1%，DNI比重相应提高约0.055%。这与前面的假设一致，经济发展水平越高的地区，其企业经营利润往往也较多，民间资金也会更充裕，这些都为DNI提供了丰富的资金来源。GDP增长率与DNI比重并不显著。这可能是因为中国各省份的经济增长率差距并不大，因而与DNI并不足够显著。
    (四)结论与建议
    上述结论，验证了本文的先验假设。民营经济是中国经济种非常有活力的部分，而这部分经济的投资却更多依靠DNI，即企业自有资金或民间资金来推动，而非从正规的金融体系中融资。国有企业对DNI的依赖没有那么强，国有经济比重高的地区，DNI比重反而偏低。这种实证结果的对比，从一个侧面印证了我们之前的猜想，即民营经济获得金融支持的难度要大于国有经济，民营经济没有被充分纳入到中国的正规金融体系中。
    金融压抑的存在，使很多企业，特别是缺乏体制优势和政治关联的民营企业，不得不依靠DNI，即企业的自有资金或民间金融来进行融资。根据孔睿、李稻葵、吴舒钰(2013)对资本形成效率的研究，民营企业的资本形成效率偏低，其中很大一个原因是因为融资成本过高，高于公允的融资成本，与此也不无关系。民营企业面对金融压抑，得不到金融支持，只能依靠自有资金融资，或者不得不依赖民间金融或非正规金融，导致融资成本过高，因而影响了资本形成效率，进而也影响了投资效率。中国经济最有效率的部门却得不到充分的金融支持，这是中国今后金融改革需要面对的一个问题。
    而金融业发展相对落后的地区，其DNI比重相对较高。金融业不发达，使得企业从正规金融渠道获得资金更加困难，因而更多依靠DNI融资。同时，财政支出越高的地区，DNI比重也较高，显示了财政支出和税收因素对DNI的影响。因此，一方面，应加快金融业的发展，提高金融服务的质量，降低融资成本，给企业投资提供更多的融资选择。另一方面，也应适当减税，对企业给予更多的财政政策方面的支持，减去企业的负担，以便企业更好的运用营业利润进行投资。
    五、货币政策对DNI的影响
    经过前文分析，一个新问题就自然产生了——对经济增长举足轻重、占固定资产投资70%的DNI，又不经金融中介渠道，那么DNI是否受货币政策调控的影响呢?影响的力度和效果又如何?为了研究这一问题，考虑到内生性的影响，本部分采用结构化向量自回归模型(SVAR)来分析货币政策对DNI的影响。
    (略)
    从VAR技术被引入经济学开始，Granger、Sims、Leeper、Zha、Christiano等人便将其应用于分析美国的货币政策。Sims(1980)提出了采用下三角阵作为短期约束的SVAR模型的方法分析了美国的经济货币、产出、失业率、工资水平、价格、和进口价格的关系，并采用脉冲函数研究它们之间的相互影响。Bernanke & Blinder(1992)建立了多变量的SVAR模型，分析了银行信贷对货币政策传导的重要作用。Leeper,Sims & Zha(1996)建立了多达18个变量的SVAR模型，并指出使用大型模型的好处，同时采用了分块举证的思想来进行模型设定。之后，Blanchard & Potti(2002)、Dungey & Pagan(2009)、Gospodinov(2010)等进一步深化了SVAR模型和应用。
    国内方面，高士成(2010)、冯科(2011)、胡援成、张朝洋(2012)都曾利用SVAR模型研究了能源价格、汇率、房地产等与货币政策的关系。结构化向量自回归模型(SVAR)已经发展成分析货币政策传导机制和影响效果的主要计量工具之一。本部分在参考前人研究的基础上，借鉴Christiano et al(1999)的分块矩阵设定技巧建立了包括DNI在内的8变量月度SVAR模型，采用脉冲函数研究货币政策对DNI的影响效果。
    (一)变量的选取
    本文选取了M2(货币存量)和RRR(法定存款准备金率)来反映货币政策的走向。在利率管制的中国，M2(货币存量)是最重要的货币政策中介目标，它对经济变量的解释和预测能力远高于其他货币变量(盛松成、吴培新，2008);从2003年至今，中国中央银行先后38次调整了RRR(法定存款准备金率)，开创性地将RRR纳入了中国最重要的货币政策工具的范畴，法定存款准备金率已经成为我国加强银行流动性管理、引导货币信贷合理增长的重要货币政策调控工具。
    选取了IPV(工业总产值)、国内非中介融资(DNI)、消费物价指数(CPI)和贷款余额(CREDIT)来反映宏观经济的运行情况。其中，IPV(工业总产值)是反映总产出的变量，这里之所以没有考虑将GDP(国内生产总值)作为衡量总产出的主要变量，主要是考虑数据频度的问题，GDP的数据是分季度公布的，每年只有4个样本点，而IPV数据是月度公布的，这样更符合本文模型研究的需要;DNI(国内非中介融资)是中国固定资产投资的重要来源，它的变动在一定程度上反映了企业对于目前市场环境、投资机会的把握。同时，DNI不同于银行信贷、债券和股权融资，不经过金融中介渠道，具有一定的独立性，很可能不完全受货币政策调控的影响。本文模型要重点考察的问题就是货币政策调控对DNI的影响程度，试图考察货币政策的调整，尤其是M2和存款准备金率的变化，能在多大程度上影响到DNI的变化;CPI(消费物价指数)是衡量物价变动水平的主要变量，除CPI之外，还有GDP平减指数和PPI这两个指标也是衡量物价水平的常用依据，但是GDP平减指数仅有年度数据，数据点偏少。PPI代表工业品出厂价格的变动，而近年来国内通胀压力主要来自消费品的价格变化。因此，CPI的变动已经成为了通胀率变动的主要依据，成为货币政策制定过程中重点考量的指标。基于以上原因，本文将CPI纳入模型分析框架中。Credit(贷款余额)作为重要的金融变量，一方面受到实体经济运行情况和预期的影响，能够反映一定程度的投资需求和总需求，另一方面它也会在一定时期、一定条件下受到央行量化管控的直接影响，是货币政策传导的重要途径。
    选取了IPS(工业产品销售率)和SI(上证综合指数)。其中，IPS(工业产品销售率)是国家统计局每月月初发布的，反映工业产品生产已实现销售的程度，是分析工业产销衔接状况的指标，是重要的信息景气变量，一方面经济运行情况的变化和预期会很快地在工业产品销售率上有所反映，另一方面产品销售率的变化也会影响到企业再投资决策等实体经济运行的情况。SI(上证综合指数)是重要的信息景气变量，一方面，股市一直被认为是宏观经济的“晴雨表”，包括货币政策在内的任何调整变化都会反映到股指上来;另一方面，股票市场作为重要的资本市场之一，它的资产价格的变化也会影响到政策变量和企业经济活动的调整。
    (二)模型的设定
    (略)
    这个假定很容易理解，一方面由于央行对于当前经济形势的判断需要时间，存在信息传递的时滞。另一方便决策的过程也需要时间，存在决策的时滞;
    假设2：当期的宏观变量只对政策变量做出反应，不对信息变量做出反应。
    原因在于信息变量的变化基本上是实时的，而经济活动本身的调整需要时间，二者不是同步的。例如，公司股价的提高不可能实时的反应到公司的再投资活动中，公司的在投资活动需要决策和准备。
    假设3：信息变量能够迅速地对政策变量和宏观变量的变化做出反应。
    在有效或者半有效的市场中，信息变量是实时的，可以迅速地根据相关变量的调整做出反应。
    根据假设1、2、3和上面选取的8个变量，我们已经可以确定如下的当期约束(见表7)。
    表7　A0的约束条件矩阵
    (略)
    现在的任务是对政策变量、宏观变量、信息变量三大类变量内部相互之间的影响关系进行处理，为了保证能够顺利实现从结构式到简化式的变换，需要保证矩阵A0满足满秩条件，经过多次测试，发现满足上述要求非常困难，因此决定按照Sims的思路，通过调整变量次序，保证每组变量尽量满足下三角的要求，这样，整个大矩阵就能够满足满秩。
    首先是政策变量RRR、M2的当期排序。
    法定存款准备金率变动通过变动了银行体系的货币乘数影响收紧或者放松了银行的可贷资金，直接影响了流动性。从历次法定存款准备金率的调整情况来看，25个基点的存款准备金率上升在当月就会减少市场3500亿左右的流动性，约束了货币供应量。法定存款准备金制度的调整更多的是从配合其他货币政策工具运用的角度出发，增强了货币政策的灵活性和有效性。存款准备金率逐步演变为约束货币供应增长、调控货币政策预期的基础性制度工具，它的调整和变化会对M2产生影响;另一方面，M2作为最重要的货币政策中介目标，每月由人民银行公布，它对法定存款准备金率的影响更多的是体现在长期的货币政策工具之间的协调上，在当期对法定存款准备金率的影响不是那么明显直接。所以我们做出如下解释：
    假设4：当期RRR会影响当期M2，当期M2不会影响当期RRR，长期中它们是相互影响的。
    其次是宏观变量IPV、CPI、Credit、DNI的排序。
    IPV在这里是代表月度总产出的变量，它在一定程度上反映了总需求，总需求的变动在当期对物价、信贷和DNI都会造成影响，而物价、信贷和DNI对总需求的影响要相对滞后。基于此我们做出假设5。
    假设5：当期IPV影响当期CPI、Credit和DNI，当期CPI、Credit和DNI不影响IPV，长期中它们之间相互影响。
    物价对于信贷和DNI的影响一方面体现在货币幻觉上，另一方面物价变动的预期也会影响信贷和投资决策。我们认为物价对信贷和DNI的这两方面作用在当期也是存在的，而信贷和DNI对物价的影响要在长期才能体现出来。因此我们假设：
    假设6：当期CPI影响当期DNI和当期Credit，而当期DNI、当期Credit不影响当期CPI，在长期它们之间是相互影响的。
    信贷和DNI构成了投资的主要资金来源，它们两者的排序问题上，我们主要参考本文第三部分Granger因果检验的结果，认为DNI相对于来自金融体系的信贷来说是更加敏感的，在这里我们假设：
    假设7：当期DNI影响当期Credit，当期Credit不影响当期DNI，长期两者是相互影响的。
    最后是信息变量IPS和SI的排序。
    IPS和SI作为信息变量，在长期两者是相互影响的。具体分析来看，我们认为上证综指SI对信息是更为敏感的，每一项经济指标的披露和超预期变化都是带来股指的变动，作为工业产品销售率的IPS是反映当前市场景气程度的重要指标，它的变动会直接影响到当期的股市波动。因此我们假设：
    假设8：当期IPS影响当期SI，当期SI不影响当期IPS，长期它们之间是相互影响的。
    由前面的假设1-8，我们得到A0的下三角约束矩阵如表8。
    表8　A0的约束条件矩阵
    (略)
    (三)数据来源与计算
    本文采用月度数据，数据长度为2000年1月至2012年12月。对各变量的原始数据均取月度环比增长率数据。
    需要说明的是，CPI的月度数据有同比和环比两种处理办法，同比数据存在一个很大的问题，即同比数据数值的大小不能直接反映当月物价水平的变动情况，并且受翘尾因素影响很大。而采用环比数据时面临另外两个问题，一是CPI环比数据在2008年之前是没有公布的，二是环比数据没有进行过季节调整，在春节前后会有规律性的升高和回落，因此需要对环比值进行季节调整。
    为了获得CPI的环比数据，拟采用定基比的方法来根据同比数据换算出环比数据：
    (略)
    为第t-i期的CPI月度环比。根据此方法我们对2010年1月到2011年8月的数据进行了验证，两者基本吻合。因此，本文利用2000年1月至今的CPI同比数据，推算出了相应的CPI环比的数值。
    根据对原始数据的单位根检验发现，CPI月度环比增长率是平稳序列，IPS、SI和RRR一阶平稳，而Credit、M2、IPV和DNI二阶平稳。
    对IPS、SI、RRR、Credit、M2、IPV、DNI取月度环比增长率，得到变量如下：DIPS、DSI、DRRR、DCredit、DM2、DIPV、DDNI。
    除DRRR不做季节调整外，对其他变量分别作季节调整，得到变量如下：
    CPI_1SA、DIPSSA、DSISA、DCreditSA、DM2SA、DIPVSA、DDNISA。
    经过单位根检验，发现：除了DCreditSA和DM2SA是带截距项的平稳时间序列外，其他的各变量CPI_1SA、DIPSSA、DSISA、DIPVSA和DDNISA都通过了单位根检验。考虑到DCreditSA、DM2SA数据可比性的问题，我们分别对2010年之前的数据和之后的数据分别进行了平稳性检验，分别各自通过。最终获得时间序列数据如下(附件中的表9和表10分别给出了各主要变量原始数据和处理后数据的描述性统计)：
    DRRR、DM2SA、DIPVSA、CPI_1SA、DDNISA、DCreditSA 、DIPSSA、DSISA。
    本部分为了书写方便，仍采用原来的标志代表处理后的数据。例如，IPS代表经处理后的IPS即DIPSSA，这样并不影响我们对模型的理解。根据AIC准则，选择了6期的滞后期，从经济意义上来说，滞后期为6期意味着半年的滞后期;经系统稳定性检验，当滞后期为6时，Zt模型的简化式F的特征根的模均小于1，系统稳定。
    (四)脉冲响应分析
    脉冲响应函数刻画了给定的冲击在一定的连续观测时间内对其他变量的影响，描述了经济系统各变量在受到冲击后的一定时间内所产生的变化。本部分通过分析18个月的脉冲响应，重点考察RRR、M2、Credit、IPV、IPS和SI分别对DNI的影响。
    脉冲响应函数的图形分析有实时响应图(图6)和累计响应图(图7)，用来表示响应变量在受到脉冲变量一个标准差的冲击之后，在单独各期和累计各期所受影响的变化情况。在脉冲响应的图形当中，中间的实线线条表示脉冲响应函数中值，而上下的两条虚线线条表示脉冲响应函数的边界，这里参照通行标准取正负一倍的标准差。中间的实线线条表示当系数阵A0，A1，A2……A6以及C均取回归的均衡值时整个系统的变化，因为回归的参数A0，A1，A2……A6也是随机变量，因此两条虚线线条代表偏离平衡位置时的边界。
    表11中对脉冲响应图进行了总结，针对各自的脉冲响应函数归纳出下列性质：最大值、达到最大值的事件、最小值、达到最小值事件、最终累计相应这五个变量。
    虽然变量一个标准差的冲击可以将其标准化为，脉冲变量1%的冲击引起了响应变量x%的变动，但是由于本模型中使用的变量多是环比变量，一个变量环比增长率提高了1%到底对应了多少实际量还是不够直观，因此在表12中，本文结合变量原值，以2010年1月至2012年12月的均值为计算基准，计算出了变量环比变化1%所对应的实际经济数值。
    具体来说，脉冲变量1%的冲击对DNI的影响，即脉冲变量的环比增长率提高1%，DNI环比增长率的变动如下：
    (1)RRR：从第1个月时，DNI的环比增长率就有反应，并且反应逐渐提高，到第4个月时，反应达到最大的0.07%，这时DNI的环比增长率累计提高了约0.2%。相当于存款准备金率RRR在原来环比增量的基础上多提高20个基点，会引致DNI环比多增长48.58亿。之后DNI环比增长率的响应在第6个月左右恢复到0附近，在18个月内累计响应达到0.25%，相当于60.72亿的变化。存款准备金率的上升，引起了DNI的提升，这一结果符合经济学原理。随着存款准备金率的提高，中央管理层调控货币政策从紧的信号释放出来，相应程度的流动性被控制，资金面趋紧，随即企业开始提高DNI作为资金弥补，用于投资。从量上来看，存款准备金率20个基点的上涨引起了DNI大约五六十亿规模的提高。考虑到近年来历次存款准备金率的调整幅度一般为25个基点或者50个基点，相应地，25个基点的存款准备金率上调，会引起DNI环比多增长约0.3%，即，如以2010年1月至2012年12月的均值为计算基准，相当于大约67亿的规模。
    (2)M2：开始几个月DNI环比增长率变动不明显，第7个月时达到最小值-0.16%，9到10个月之后影响逐渐减小，最后累计效应为-0.07%，从脉冲响应的方向性上看，M2的上升，带来的是DNI的负向变化。这反映了提高M2的环比增长率之后，资金面宽裕，货币相对宽松的信号条件下，企业可以更多依靠金融体系资金，因而降低了DNI使用。从量上来说，M2环比上升1%的冲击相当于大约7634亿的流动性增加，该冲击导致DNI环比减少0.07%，以2010年1月至2012年12月的均值为计算基准，也就相当于大约15.6亿的规模。这说明，M2的变化对于DNI的影响是很有限的。
    (3)Credit:当Credit环比增长率提高时，DNI也随之提高。第一个月的变动即达到最大值0.079%，之后DNI的变化开始迅速衰减，5个月之后在0附近徘徊，但是后面又有上升，18个月下来累计效应也达到了0.2%左右，相当于贷款余额在原来环比增量的基础上多提高5267亿，DNI环比会多增长48.58亿。从脉冲响应的方向性上来看，Credit 环比增长率的提高，会带动DNI环比增长率的提高。Credit变量有一定的特殊性，一方面它在一定程度上能够反映货币政策的走向，另一方面它又是信贷活跃程度的标杆，能够反映经济的活跃度。一般银行给企业的贷款都是要求企业同时配套自有资金，一旦企业得到了银行贷款，往往同时也会配套自有资金，即DNI的增加。从脉冲响应的结果来看，信贷的提升，也会带来DNI的提升，某种程度上印证了这一结论。
    (4)IPV:第1个月DNI的环比增长率增长了0.2%，这个增长是明显的，18个月IPV的累积影响为0.23%左右。从规模上看，4183亿工业总产值的增长会在第一个月带来DNI环比多增长48.58亿。从方向性上，说明产出增加可以有效带动DNI的上涨，这一方面是由于产出增加、经济好转有一定的延续性，会使企业追加投资，同时另一方面产出增加大多带来营业收入增加，企业自有资金得到充实，因而继续增加投资。从量上看，这种带动的效应较M2和Credit更为明显一些。
    (5)CPI:CPI环比增长率1%的变化，相当于CPI的环比增长率多提高0.003个百分点，从脉冲图上来看，物价环比增长率的提高，带来了DNI环比的提高，反应在第1个月达到最大值0.056%左右，之后有所下降，并且上下有一定的波动，但是正的效应依旧在，9个月后基本消失，18个月下来累计效应达到0.16%。从量上来看，CPI的环比增长率多增加0.1个百分点，会在第一个月引起DNI大约453.4亿规模的增加，18个月的累计作用会导致DNI大约1295亿规模的增加，相当于增长了DNI的4.3%左右。
    (6)IPS: IPS环比增长率1%的冲击，引起了DNI环比增长率的显著下降，第2个月下降最多，为-0.15%左右，第3个月开始回升，至第4个月之后响应很小，基本在0附近徘徊，18个月下来累计的效应达到-0.28%。从规模上来看，IPS上升0.98，大约引起了DNI环比多下降了68亿。
    (7)SI：SI环比增长率1%的提高引起DNI环比增长率的上升，第3个月时DNI环比增长率的响应逐渐增加到了最大值0.03%，之后有微弱波动，10个月左右基本衰减到0附近，但基本为正值，18个月的累计效应达到0.01%。从量上来看，上证综指上涨100点，前三个月大约会引起DNI环比多增长50亿，之后开始减少，最终累计影响DNI大约10亿左右的规模。
    (五)结论和建议
    根据脉冲响应函数的分析结果， 25个基点存款准备金率的提高会拉动DNI环比多增长0.3%，以2010年1月至2012年12月的均值为计算基准，也就相当于DNI在18个月内累积多增加67亿的规模;Credit的环比变动也能提升DNI的环比增长率，5267亿贷款余额的投放能够拉动DNI环比多增长0.2%，同样，相当于DNI累积多增加48.58亿;而M2对DNI的影响不明显，M2环比多增加7634亿规模，只会使DNI环比减少0.07%，相当于DNI18个月内累积额外减少15.6亿的规模。
    这一结果说明，尽管如存款准备金率等货币政策工具对DNI会产生比较迅速的影响，但以M2为中介目标的货币政策总体来说对DNI的调节是有限的。这显示了DNI不完全受货币政策调控调节的相对的独立性。本文的这一模型和分析结果，对于把握货币政策宏观调控的时机、力度和针对性有一定的参考意义。这说明应采取更有针对性的措施调控DNI，而不是把目光只局限于中介性融资，从而过多地依赖传统的宏观经济政策。
    六、结论
    本文目的是分析国内非中介融资(DNI)在中国经济固定资产投资中的重要作用，以此解开中国经济高速增长的融资来源之谜。DNI指的是固定资产投资中没有经过金融中介或者是政府财政机制以及境外投资机构决策而直接进入投资领域的资金。在投资对中国经济增长日益重要的今天，探讨中国经济增长需要深刻理解和把握中国经济的固定资产投资的融资行为。
    我们发现，国内非中介融资，而不是传统的银行等金融中介融资，才是中国固定资产投资的主要来源。本文继而对DNI的概念及相关影响进行了较为系统的分析。本文研究的结论，对中国固定资产投资有了新的认识，对DNI这一融资模式的行为特征有了更深入的理解和把握，有助于更好地理解中国经济的运行特点，加强宏观经济政策的针对性和有效性。
    我们发现，在过去相当长的时间里，DNI一直占中国固定资产投资的绝大部分比重，而且逐年上升，从1996年的53%上升到2011年的68%。本文通过对DNI和GDP的格兰杰因果关系检验，在实证上证明，DNI增长率对GDP增长率具有引导和带动作用。不仅如此，DNI还引导了非DNI的增长与波动。这对于未来如何更有效的应对经济周期、促进经济增长都具有一定的参考意义。
    (略)
    图6　各变量对国内非中介融资的脉冲响应图
    通过对2003年到2010年全国31个省份面板数据的回归分析，本文研究了DNI比重的影响因素。实证结果表明，各地区的民营经济发达程度与DNI的比重有显著的正相关关系，而各地区的国有企业经济比重、金融发展水平、财政支出比重等指标都与DNI的比重显著负相关。民营经济比重越高，DNI在固定资产融资中的比重就越大，根据本文研究测算，民营经济投资比重每上升1%，DNI比重相应增加约0.34个百分点。民营经济越发达的地区，企业越依靠DNI来进行融资，而不是传统金融部门。民营经济对中国经济增长的作用日益重要，却没有被充分纳入到正规的金融体系中，这是值得我们关注的问题。
    (略)
    图7　各变量对国内非中介融资的累积脉冲响应图
    而金融发展的落后和融资渠道的缺乏，会迫使企业更多运用DNI来进行融资。根据本文的测算，金融发展水平每个标准差的上升，大约会使DNI的比重下降2.31个百分点。金融压抑的存在，使很多企业，特别是缺乏体制优势和政治关联的民营企业，不得不依靠DNI来进行融资。根据孔睿、李稻葵、吴舒钰(2013)对资本形成效率的研究，民营企业的资本形成效率偏低，其中很大一个原因是因为融资成本过高，高于公允的融资成本。中国经济最有效率的部门却得不到充分的金融支持，这是中国今后金融改革需要面对的一个问题。
    本文进一步研究了DNI受货币政策的影响程度。考虑到DNI是不经过金融中介而进行的融资，因此，DNI是否受货币政策调控的影响，影响的时效性和力度效果如何，都是我们关注的问题。通过构建结构化向量自回归模型(SVAR)和脉冲响应函数，本文对货币政策中介目标M2、货币政策工具存款准备金率以及银行信贷量等宏观经济变量对DNI变化的影响进行了较为系统的研究。结果表明，存款准备金率等货币政策工具对 DNI的调节功能是非常有限的，存款准备金率提高25个基点，只会拉动DNI环比多增长0.3%，以2010年1月至2012年12月的均值计算，也就相当于DNI在18个月内累积多增加67亿的规模;而M2环比多增加7634亿，只会使DNI环比减少0.07%，相当于DNI18个月内额外减少15.6亿的规模。这显示了DNI不完全受货币政策调控调节的相对的独立性。这对于把握货币政策宏观调控的时机、力度都有一定的参考意义，也为未来如何更加有效的对DNI实施政策调控提供了新的研究思路。
    本文的研究对改善和加强宏观调控以及转变发展方式有一定的参考价值。国内非中介融资(DNI)是中国经济最重要的融资模式，对GDP增长有显著的引导作用。同时，国内非中介融资(DNI)不经过金融中介渠道，不完全受货币政策调控的影响，具有相对的独立性。这些结论说明，宏观调控政策，不应把目光只局限于中介性融资，仅仅依赖于传统政策，而应充分考虑DNI自身的波动规律，采取更有针对性的措施。
    表5　主要变量相关系数矩阵
    (略)
    参考文献：
    冯科，2011：《中国房地产市场在货币政策传导机制中的作用研究》，《经济学动态》第4期。
    高士成，2010：《中国经济波动的结构分析及其政策含义：兼论中国短期总供给和总需求曲线的特征》，《世界经济》第9期。
    国家统计局，2012：《中国统计年鉴》，中国统计出版社。
    胡援成 张朝洋，2012：《美元贬值对中国通货膨胀的影响：传导途径及其效应》，《经济研究》第4期。
    孔睿 李稻葵 吴舒钰，2013：《资本形成效率探析》，《投资研究》第4期。
    林毅夫 姜烨，2006：《发展战略、经济结构与银行业结构: 来自中国的经验》，《管理世界》第1期。
    林毅夫 孙希芳，2005：《信息、非正规金融与中小企业融资》，《经济研究》第7期。
    刘澜飚 王博，2008：《融资来源、投资效率与中国的经济增长》，《经济学动态》第2期。
    卢峰 姚洋，2004：《金融压抑下的法制、金融发展和经济增长》，《中国社会科学》第1期。
    Allen, F., J.Qian & M.Qian(2003), "Comparing China's financial system", China Journal of Finance 1:1-28.
    Bernanke, B.S. & M.Gertler(1995), "Inside the black box: The credit channel of monetary policy transmission", National Bureau of Economic Research.
    Blanchard, O. & R.Perotti(2002), "An empirical characterization of the dynamic effects of changes in government spending and taxes on output", Quarterly Journal of Economics 117(4):1329-1368.
    Christiano, L.J. et al(1999), "Monetary policy shocks: What have we learned and to what end?" Handbook of Macroeconomics 1:65-148.
    Dungey, M. & A.Pagan(2009), "Extending a SVAR model of the Australian economy", Economic Record 85(268):1-20.
    Gospodinov, N.(2010), "Inference in nearly nonstationary SVAR models with long-run identifying restrictions", Journal of Business & Economic Statistics 28(1):1-12.
    King, R.G. & R.Levine(1993), "Finance and growth: Schumpeter might be right", Quarterly Journal of Economics 108(3):717-737.
    Leeper, E.M., C.A.Sims, et al(1996), "What does monetary policy do?" Brookings Papers on Economic Activity (2):1-78.
    Li, D.D.(2006), "Large domestic non-intermediated investments and government liabilities: Challenges facing China's financial sector reform", Background paper for Dancing with Giants: China, India, and the Global Economy. Institute for Policy Studies and the World Bank, Washington, DC.
    Sims, C.A.(1980), "Macroeconomics and reality", Econometrica 48:1-48.
    李稻葵、孔睿、伏霖，清华大学经济管理学院，邮政编码：100084，电子邮箱：daviddaokuili@126.com。
    全文请阅读：《经济学动态》2013年第7期