中国股票市场发展与经济增长关系的动态实证分析

中国股票市场发展与经济增长关系的动态实证分析

郑长德 马俊?

（西南民族大学经济学院 西南民族大学资本市场研究所 四川成都 610041）

摘要：本文选用我国1995—2004年间股票市场和宏观经济中的相关季度时间序列数据，对我国股票市场与经济增长之间的关系进行了计量经济学分析。实证分析发现，我国经济增长对于股票市场的发展起到了较为明显的促进作用，而我国股票市场的发展对经济增长的促进作用则表现的不明显。

关键词： 股票市场； 经济增长； 季度时间序列； 计量经济学

1.引言

20世纪90年代以来的20多年里，中国股票市场从试点到大规模发展，目前股票市场已成为我国社会主义市场经济体系的重要组成部分。关于我国股票市场发展与经济增长的关系也已成为一个令人们非常关注的问题。有很多学者就我国股票市场和经济增长的关系进行了广泛的研究和深刻的探讨。郑江淮和袁国良（2000）、谈儒勇（2000）、孙小素（2000）、韩廷春（2001）、佘运久（2001）、赵北亭和于鸿君（2001）、殷醒民和谢洁（2001）、冉茂盛和张卫国（2002）、王军（2002）、张碧琼与付琳（2003）、郑长德（2003、2005）等都对于中国股票市场的发展与经济增长关系进行了实证研究，其结论是有冲突的，有的研究认为我国股票市场发展与我国经济增长之间存在相关关系，有的研究则认为股票市场发展与我国经济增长之间不存在相关关系。导致研究结论不一致有许多因素，一个重要的方面是大多数研究使用的年度时间序列数据，研究中使用的计量经济学方法也比较粗糙。

本文选取我国股票市场和国民经济在1995～2004年10年间的相关季度数据指标，并借鉴目前较为前沿的计量经济学方法对我国股票市场和经济增长的关系进行实证检验。在研究方法上，本文进行了以下几个方面的改进：一是文章扩大了样本数据的时间跨度，并且全部采用了季度数据，有利地避免了以往研究中由于时间跨度和样本数量较小而对实证检验效果带来的局限性。二是本文进行动态分析时，主要采用了协整检验、建立向量误差修正模型并在此基础上进行广义脉冲响应函数的检验和方差分解分析，等。

2．数据与指标

为了更好地研究我国股票市场发展与经济增长之间的关系，本文构造了以下几组指标。同时，对于这些指标本文截取了1995年第1季度到2004年第4季度的季度时间序列数据来进行分析。

2.1 经济增长指标

通常国内生产总值(GDP)或国民生产总值(GNP)都可以作为衡量一个国家或地区宏观经济总量的理想指标，本文对于我国经济增长的指标就选用了季度GDP的实际增长率GY。由于可以查找到的GDP季度数据都为名义值，所以本文以1995年第4季度作为基期来分别计算出各季度的实际GDP，然后再计算出其相应的增长率。

2.2 股票市场发展指标

为了测度股票市场的发展程度，Levine和Zervos（1998）提出了以资本化率和流动性指标来衡量股票市场的发展。其中包括： ?

作者简介：郑长德，男，四川广元人，经济学博士，西南民族大学经济学院教授。主要研究方向：金融经济学。马俊，男，西南民族大学资本市场研究所研究人员。

1

资本化率一（CAP1）是指每季度三个月月末股票市价总值的算术平均值和该季度名义GDP的比值，根据Levine和Zervos的分析，虽然大的市场和高的市场运行效率不是等价的，但是使用这一指标进行研究时，可以假定股票市场的规模和股票市场提供的资本流动性以及分散风险的能力是正相关的。另外，这里之所以采用算术平均值，是因为股票市场的市价总值本来应该反映某一时点的数值，而我国的统计资料中却只有其累计值，所以本文进行了这样的处理以反映我国股票市场市价总值的客观性和代表性。下文股票市场的流通市值也采用了同样的处理方法。

资本化率二（CAP2）是指每季度三个月月末股票流通市值的算术平均值与该季度平均市价总值的比值。

可见资本化率是对股票市场规模和股票市场流通规模的测度，资本化率越高说明股票市场的规模及流通规模都很大，并且其筹集资本和分散风险的能力也越强。由于我国股票市场的筹资额与市场发展和价格指数之间有很大的相关性，因此我们把筹资额引入衡量股票市场的指标中。

净筹资率（NC），它表示该季度末股票市场的筹资总额减去上季度末的筹资总额再除以该季度的名义GDP，它衡量了股票市场对于经济增长的贡献程度同时它也反映了股票市场的发展规模。

另外，反映股票市场流动性的指标有四个，分别是：

季度交易率（VAL）是指每季度股票的成交金额与该季度名义GDP的比值。该指标的不足之处在于它不能很好的反映和特定交易场所相联系的交易成本和某些不确定性，但是可以假定其上升反映了整体经济范围内流动性的提高。该指标是以经济总量为基础的流动性，反映了相对于经济规模的交易数量，与周转率相比是有区别的，周转率是相对于股票市场规模的交易。因此，一个规模较小的流动性市场可能会有较高的周转率，而同时交易价值较小。

季度周转率一（TR1），等于每季度股票的成交金额除以该季度股票的平均市价总值。Levine和Zervos（1998）分析认为，较高的周转率一意味着较低的交易成本。

季度周转率二（TR2），等于每季度股票的成交金额除以该季度股票的平均流通市值。该指标度量的是相对于股票市场规模交易的国内权益数量，较高的周转率二也意味着较低的交易成本。

季度换手率（TO）等于季度总成交股数除以季度末总股本，以衡量市场的投机程度。 本文所需数据主要来自《中国证券监督委员会公告》，《中国经济景气月报》，《中国人民银行统计季报》，《中国证券期货统计年鉴》以及中国咨询行数据库(www.bjinfobank.com)、和讯网(stock.hexun.com)、中华人民共和国国家统计局（www.ststs.gov.cn）、中国人民银行（www.pbc.gov.cn）、中国证券监督管理委员会（www.csrc.gov.cn）、上海证券交易所(www.sse.com.cn)、深圳证券交易所(www.szse.cn)等相关网站、国研网（www.drcnet.com.cn）、中经网（www.newibe.cei.gov.cn）等等。

3．我国股票市场与经济增长关系的统计检验

3.1变量的季节调整

对于季度数据指标而言，传统的经济研究很少考虑其季节因素，因而这些具有明显季节性变化趋势的数据指标必然会严重影响到后续研究成果的准确性和科学性。因此，本文在对所采用的季度数据指标进行实证分析之前，对其分别进行了季节调整。对于经过季节调整的变量后面都附加有“SA”。

3.2 相关性检验

在进行正式的实证统计检验之前，我们必须搞清楚当期的经济变量和证券市场变量之间是否存在相关性关系，表1便是我国经济增长与股票市场之间各个变量指标的配对相关系数

2

矩阵。

表1 经济变量和股票市场变量的配对相关系数矩阵

GYSA

CAP1SA CAP2SA

NCSA

VALSA

TR1SA

TR2SA

TOSA

GYSA 1.000000 -0.095455 -0.003574 0.007907 0.137371 0.261877 0.259380 0.250166 CAP1SA -0.095455 1.000000 0.956253 0.573353 0.460209 -0.342998 -0.406413 -0.403031 CAP2SA -0.003574 0.956253 1.000000 0.502022 0.410213 -0.299638 -0.363294 -0.355459 NCSA 0.007907 0.573353 0.502022 1.000000 0.438630 -0.095919 -0.140655 -0.134787 VALSA 0.137371 0.460209 0.410213 0.438630 1.000000 0.574610 0.513551 0.487405 TR1SA 0.261877 -0.342998 -0.299638 -0.095919 0.574610 1.000000 0.997001 0.984783 TR2SA 0.259380 -0.406413 -0.363294 -0.140655 0.513551 0.997001 1.000000 0.989728 TOSA 0.250166 -0.403031 -0.355459 -0.134787 0.487405 0.984783 0.989728 1.000000

从表1可以看出，我国的经济增长速度与股票市场的季度净筹资率、季度交易率、季度周转率和季度换手率具有较弱的正相关关系，而与资本化率呈负相关。对于股票市场内部而言，股票市场的资本化率与其季度净筹资率和季度交易率之间存在适度的正相关关系。股票市场的季度净筹资率与其季度交易率之间有着适度的正相关关系。股票市场的季度交易率与其季度周转率和季度换手率有适度的正相关关系。股票市场的季度周转率与其季度换手率有强的正相关关系。

3.3 经济增长与证券市场各变量指标平稳特性的ADF单位根检验

对于变量GYSA、NCSA、VALSA、TR1SA、TR2SA、TOSA而言，它们的数据图形的轨迹属于随机行走，因此我们设定其ADF检验为含截距（或不含截距），但不含时间趋势项。而对于变量CAP1SA和CAP2SA而言，其图形轨迹有较明显的时间趋势，所以设定其ADF检验为含截距，但含或不含时间趋势项。如图1所示。类似地，对于所有的变量的一阶差分而言，其图形轨迹都属于随机行走，所以我们设定它们的ADF检验为含截距（或不含截距），但不含时间趋势项，如图2所示。

图1 变量的数据图

3

图2 变量一阶差分的数据图

1.GYSA不含截距也不含趋势项的ADF检验 2. GYSA一阶差分序列不含截距也不含趋势项ADF检验

ADF Test Statistic

-1.151073 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-8.889592 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6261 -1.9501 -1.6205

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable GYSA(-1) D(GYSA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.149618 0.129981 -0.687136 0.090784

t-Statistic -1.151073 -7.568934

Prob. 0.2573 0.0000 -0.003295 0.092910 -3.384095 -3.297906 133.3267 0.000000

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(GYSA(-1)) D(GYSA(-1),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error t-Statistic -2.298486 0.209776

0.258559 -8.889592 0.123327 1.700977

Prob. 0.0000 0.0978 0.002995 0.180429 -3.653347 -3.566270 779.3931 0.000000

0.787393 Mean dependent var 0.781488 S.D. dependent var 0.043431 Akaike info criterion 0.067905 Schwarz criterion 66.29781 F-statistic 2.382949 Prob(F-statistic)

0.957023 Mean dependent var 0.955795 S.D. dependent var 0.037935 Akaike info criterion 0.050367 Schwarz criterion 69.58692 F-statistic 2.273750 Prob(F-statistic)

由上表可知，我国实际经济增长速度的时间序列GYSA不是I(0)序列，因为在t值、F值等各项统计指标都比较显著的情况下，其ADF检验值均大于各临界值。而GYSA序列的一阶差分序列是平稳序列，其ADF检验值均小于各临界值，且t值、F值等指标都很显著，AIC值很小，残差平方和RSS也比较小，DW值基本离二较近说明自相关不是很强，同时可决系

2

数R^值也很理想，由此GYSA是一个一阶单整I(1)序列。

3.CAP1SA含截距不含趋势项的ADF检验 4. CAP1SA一阶差分序列不含截距也不含趋势项的ADF检验

4

ADF Test Statistic

-1.790988 1% Critical Value*

5% Critical Value 10% Critical Value

-3.6117

ADF Test Statistic

-2.9399

-2.6080

10% Critical Value

-1.6205

5% Critical Value

-1.9501

-2.820694 1% Critical Value*

-2.6261

*MacKinnon critical values for rejection of hypothesis of a unit root.

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable CAP1SA(-1) D(CAP1SA(-1))

C

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.064570 0.207895 0.097243

t-Statistic

Prob.

Variable

0.036053 -1.790988 0.157436 0.048787

1.320508 1.993205

0.0819

D(CAP1SA(-1))

0.1952

D(CAP1SA(-1),2)

0.0541

R-squared

0.127752 Mean dependent var 0.077909 S.D. dependent var 0.124359 Akaike info criterion 0.541281 Schwarz criterion 26.85700 F-statistic 2.110177 Prob(F-statistic)

0.022667

Adjusted R-squared

0.129506

S.E. of regression

-1.255632

Sum squared resid

-1.126349

Log likelihood

2.563098

Durbin-Watson stat

0.091454

2.041357 Prob(F-statistic)

0.000019

24.76295 F-statistic

24.38467

0.568078 Schwarz criterion

-1.143353

0.127400 Akaike info criterion

-1.230430

0.393783 S.D. dependent var

0.163627

0.410622 Mean dependent var

-0.001652

-0.234209

0.167085 -1.401730

0.1698

-0.575609

0.204066 -2.820694

0.0078

Coefficient Std. Error t-Statistic

Prob.

由上表可知，我国股票市场的资本化率一时间序列CAP1SA不是I(0)序列，因为在各项统计指标都比较显著的情况下，其ADF检验值均大于各临界值。而CAP1SA序列的一阶差分序列是平稳序列，其ADF检验值均小于各临界值。虽t值有点不太显著但AIC值却是最小的、其它F值等指标都比较显著，DW值几乎接近于二说明没有自相关，同时可决系数R^2值也可以接受，只是残差平方和RSS有点偏大。综上可判断GYSA是一个一阶单整I(1)序列。 5. CAP2SA含截距也含趋势项的ADF检验 6. CAP2SA一阶差分序列不含截距也不含趋势项的ADF检验

ADF Test Statistic

-1.843425 1% Critical Value*

5% Critical Value 10% Critical Value

-4.2242 -3.5348 -3.1988

ADF Test Statistic

-2.835851 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6261 -1.9501 -1.6205

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable CAP2SA(-1) D(CAP2SA(-1)) D(CAP2SA(-2))

C

@TREND(1995:1) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

Coefficient Std. Error -0.126401 0.283503 0.202240 0.037573 0.000112

t-Statistic

Prob. 0.0745 0.0815 0.1683 0.0527 0.4414 0.001368 0.005107 -7.737899 -7.520208 2.422239 0.068529

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(CAP2SA(-1)) D(CAP2SA(-1),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.545157 -0.204520

t-Statistic

Prob. 0.0075 0.1265 0.000424 0.006522 -7.712986 -7.625909 26.67294 0.000010

0.068569 -1.843425 0.157634 0.143465 0.018670 0.000144

1.798490 1.409682 2.012431 0.779521

0.192238 -2.835851 0.130649 -1.565421

0.432490 Mean dependent var 0.416276 S.D. dependent var 0.004983 Akaike info criterion 0.000869 Schwarz criterion 144.6902 F-statistic 2.102670 Prob(F-statistic)

0.232411 Mean dependent var 0.136462 S.D. dependent var 0.004746 Akaike info criterion 0.000721 Schwarz criterion 148.1511 F-statistic

对于上表经相同的分析可知，我国股票市场的资本化率二时间序列CAP2SA是一个一阶单整I(1)序列，其各项统计指标都比较显著。

7. NCSA不含截距也不含趋势项的ADF检验 8. NCSA一阶差分序列含截距不含趋势项的ADF检验

Durbin-Watson stat

2.326934 Prob(F-statistic)

5

ADF Test Statistic

-1.018883 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-4.014947 1% Critical Value*

5% Critical Value 10% Critical Value

-3.6289 -2.9472 -2.6118

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable NCSA(-1) D(NCSA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.089928 -0.422779

t-Statistic

Prob. 0.3151 0.0085 0.000156 0.007834 -7.058861 -6.972672 11.48084 0.001716

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(NCSA(-1)) D(NCSA(-1),2) D(NCSA(-2),2) D(NCSA(-3),2)

C

R-squared

Adjusted R-squared S.E. of regression Sum squared resid

Coefficient Std. Error -2.042957 0.540026 0.352236 0.338989 0.000494

t-Statistic

Prob. 0.0004 0.2314 0.2888 0.0769 0.6845 -4.35E-05 0.014004 -6.942123 -6.719930 26.10986 0.000000

0.088261 -1.018883 0.151977 -2.781869

0.508838 -4.014947 0.442066 0.326202 0.185047 0.001203

1.221597 1.079809 1.831909 0.410284

0.241799 Mean dependent var 0.220738 S.D. dependent var 0.006916 Akaike info criterion 0.001722 Schwarz criterion 136.1184 F-statistic 2.134624 Prob(F-statistic)

0.776851 Mean dependent var 0.747098 S.D. dependent var 0.007043 Akaike info griterion 0.001488 Schwarz criterion 126.4871 F-statistic 2.020645 Prob(F-statistic)

Log likelihood Durbin-Watson stat

对于上表经相同的分析可知，我国股票市场的季度净筹资率时间序列NCSA是一个一阶单整I(1)序列，其各项统计指标都比较显著。

9. VALSA不含截距也不含趋势项的ADF检验 10. VALSA一阶差分序列不含截距也不含趋势项的ADF检验

ADF Test Statistic

-0.876433 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-6.042109 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6261 -1.9501 -1.6205

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable VALSA(-1) D(VALSA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.068643 -0.427790

t-Statistic

Prob. 0.3866 0.0078 0.005433 0.209990 -0.466907 -0.380719 10.78243 0.002286

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(VALSA(-1)) D(VALSA(-1),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.719690 0.174698

t-Statistic

Prob. 0.0000 0.3008 -0.000452 0.364262 -0.449605 -0.362528 99.79771 0.000000

0.078321 -0.876433 0.151687 -2.820213

0.284618 -6.042109 0.166345

1.050219

0.230480 Mean dependent var 0.209105 S.D. dependent var 0.186749 Akaike info criterion 1.255506 Schwarz criterion 10.87124 F-statistic 2.126977 Prob(F-statistic)

0.740352 Mean dependent var 0.732933 S.D. dependent var 0.188245 Akaike info criterion 1.240269 Schwarz criterion 10.31769 F-statistic 1.963891 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度交易率时间序列VALSA是一个一阶单整I(1)序列，其各项统计指标中除t值和RSS值不太理想外其余都比较显著。

6

11. TR1SA不含截距不含趋势项的ADF检验 12. TR1SA一阶差分序列不含截距不含趋势项的ADF检验

ADF Test Statistic

-1.314222 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-4.542478 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable TR1SA(-1) D(TR1SA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.111856 -0.163684

t-Statistic

Prob. 0.1971 0.3251 -0.000298 0.209679 -0.304862 -0.218673 3.666267 0.063497

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(TR1SA(-1)) D(TR1SA(-1),2) D(TR1SA(-2),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.550653 0.309568 0.222367

t-Statistic

Prob. 0.0001 0.2562 0.1993 0.003923 0.335079 -0.213269 -0.081309 28.48031 0.000000

0.085112 -1.314222 0.164055 -0.997740

0.341367 -4.542478 0.267929 0.169757

1.155412 1.309912

0.092428 Mean dependent var 0.067217 S.D. dependent var 0.202510 Akaike info criterion 1.476367 Schwarz criterion 7.792369 F-statistic 2.004390 Prob(F-statistic)

0.633173 Mean dependent var 0.610941 S.D. dependent var 0.209004 Akaike info criterion 1.441532 Schwarz criterion 6.838834 F-statistic 2.056308 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度周转率时间序列TR1SA是一个一阶单整I(1)序列，其各项统计指标除t值和RSS值不太显著外都比较显著。

13. TR2SA不含截距不含趋势项的ADF检验 14. TR2SA一阶差分序列不含截距不含趋势项的ADF检验

ADF Test Statistic

-1.366435 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6243 -1.9498 -1.6204

ADF Test Statistic

-4.701725 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable TR2SA(-1) D(TR2SA(-1)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.117235 -0.146031

t-Statistic

Prob. 0.1803 0.3802 -0.003878 0.712504 2.144788 2.230977 3.538058 0.068083

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(TR2SA(-1)) D(TR2SA(-1),2) D(TR2SA(-2),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.576923 0.349424 0.255109

t-Statistic

Prob. 0.0000 0.1928 0.1376 0.013803 1.128424 2.217756 2.349716 28.36333 0.000000

0.085796 -1.366435 0.164352 -0.888527

0.335392 -4.701725 0.262845 0.167650

1.329393 1.521675

0.089485 Mean dependent var 0.064193 S.D. dependent var 0.689256 Akaike info criterion 17.10266 Schwarz criterion -38.75097 F-statistic 2.002887 Prob(F-statistic)

0.632216 Mean dependent var 0.609926 S.D. dependent var 0.704767 Akaike info criterion 16.39098 Schwarz criterion -36.91961 F-statistic 2.056571 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度周转率时间序列TR2SA是一个一阶单整I(1)序列，其各项统计指标都比较显著，除RSS值偏大。

7

15. TOSA不含截距不含趋势项的ADF检验 16. TOSA一阶差分序列不含截距不含趋势项的ADF检验

ADF Test Statistic

-1.066920 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

ADF Test Statistic

-4.952496 1% Critical Value*

5% Critical Value 10% Critical Value

-2.6280 -1.9504 -1.6206

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable TOSA(-1) D(TOSA(-1)) D(TOSA(-2)) D(TOSA(-3)) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -0.100121 -0.142202 -0.134399 -0.212808

t-Statistic

Prob. 0.2940 0.4233 0.4332 0.2155 -0.001442 0.070517 -2.416137 -2.240190 1.655295 0.196234

*MacKinnon critical values for rejection of hypothesis of a unit root.

Variable D(TOSA(-1)) D(TOSA(-1),2) D(TOSA(-2),2) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient Std. Error -1.632963 0.435125 0.253116

t-Statistic

Prob. 0.0000 0.0908 0.1333 0.001639 0.106677 -2.436738 -2.304778 25.62211 0.000000

0.093841 -1.066920 0.175331 -0.811047 0.169320 -0.793759 0.168402 -1.263695

0.329725 -4.952496 0.249761 0.164453

1.742165 1.539139

0.608282 Mean dependent var 0.584541 S.D. dependent var 0.068760 Akaike info criterion 0.156021 Schwarz criterion 46.86129 F-statistic 2.008148 Prob(F-statistic)

0.134337 Mean dependent var 0.053181 S.D. dependent var 0.068616 Akaike info criterion 0.150662 Schwarz criterion 47.49047 F-statistic 1.988105 Prob(F-statistic)

对于上表经相同的分析可知，我国股票市场的季度净筹资率时间序列NCSA是一个一阶单整I(1)序列，其各项统计指标除t值和RSS值不太显著外都比较显著。

综上所述，我国经济增长和证券市场的各变量序列都属于一阶单整I(1)序列。由此，我们可以对其进行后续的进一步检验。

3.4 Granger因果检验

只有在变量序列的单整阶数相等的情况下，变量之间因果关系的确定才是准确和有效的。所以，基于以上的单位根检验结果，我们可以分别对经济变量和股票市场变量执行格兰杰因果检验。结果，如表2所示。

表2 经济增长与股票市场变量之间的格兰杰因果检验

Pairwise Granger Causality Tests Sample: 1995:1 2004:4 Lags: 3

Null Hypothesis:

CAP1SA does not Granger Cause GYSA GYSA does not Granger Cause CAP1SA CAP2SA does not Granger Cause GYSA GYSA does not Granger Cause CAP2SA NCSA does not Granger Cause GYSA GYSA does not Granger Cause NCSA VALSA does not Granger Cause GYSA GYSA does not Granger Cause VALSA TR1SA does not Granger Cause GYSA GYSA does not Granger Cause TR1SA TR2SA does not Granger Cause GYSA

8

Obs 37 37

F-Statistic 4.08949 0.14394 3.02561 0.43595 Probability 0.01511 0.93275 0.04484 0.72887 0.19361 0.63651 0.20232 0.31730 0.12100 0.01938 0.09540

37 37

1.67390 0.57405 1.63406 1.22633 37 37

2.10133 3.84027 2.31939

GYSA does not Granger Cause TR2SA TOSA does not Granger Cause GYSA GYSA does not Granger Cause TOSA CAP2SA does not Granger Cause CAP1SA

CAP1SA does not Granger Cause CAP2SA NCSA does not Granger Cause CAP1SA CAP1SA does not Granger Cause NCSA VALSA does not Granger Cause CAP1SA CAP1SA does not Granger Cause VALSA TR1SA does not Granger Cause CAP1SA CAP1SA does not Granger Cause TR1SA TR2SA does not Granger Cause CAP1SA CAP1SA does not Granger Cause TR2SA TOSA does not Granger Cause CAP1SA CAP1SA does not Granger Cause TOSA NCSA does not Granger Cause CAP2SA CAP2SA does not Granger Cause NCSA VALSA does not Granger Cause CAP2SA CAP2SA does not Granger Cause VALSA TR1SA does not Granger Cause CAP2SA CAP2SA does not Granger Cause TR1SA TR2SA does not Granger Cause CAP2SA CAP2SA does not Granger Cause TR2SA TOSA does not Granger Cause CAP2SA CAP2SA does not Granger Cause TOSA VALSA does not Granger Cause NCSA NCSA does not Granger Cause VALSA TR1SA does not Granger Cause NCSA NCSA does not Granger Cause TR1SA TR2SA does not Granger Cause NCSA NCSA does not Granger Cause TR2SA TOSA does not Granger Cause NCSA NCSA does not Granger Cause TOSA TR1SA does not Granger Cause VALSA VALSA does not Granger Cause TR1SA TR2SA does not Granger Cause VALSA VALSA does not Granger Cause TR2SA TOSA does not Granger Cause VALSA

9

4.16191 37

2.55849 4.27786 37

1.98246 2.38280

37

1.05996 4.25078

37 37 37

0.89908 0.53124 0.38132 2.06695 0.36685 2.38197 37 37

0.31334 2.02646 3.18316 2.05703

37 37

1.26245 1.76510 0.26795 3.45304 37 37 37

0.26474 3.59311 0.37198 3.38581 7.12651 0.75620

37 37

0.97353 0.97715 0.78178 0.98242 37 37 37 37

0.48350 0.90043 1.39262 2.97325 1.26879 2.89903 0.99608

0.01406 0.07369 0.01254 0.13783 0.08906 0.38071 0.01288 0.45313 0.66433 0.76717 0.12563 0.77742 0.08915 0.81558 0.13133 0.03802 0.12701 0.30494 0.17507 0.84797 0.02875 0.85025 0.02490 0.77378 0.03081 0.00094 0.52750 0.41818 0.41654 0.51347 0.41417 0.69625 0.45247 0.26417 0.04738 0.30282 0.05124 0.40809

VALSA does not Granger Cause TOSA TR2SA does not Granger Cause TR1SA TR1SA does not Granger Cause TR2SA TOSA does not Granger Cause TR1SA TR1SA does not Granger Cause TOSA TOSA does not Granger Cause TR2SA TR2SA does not Granger Cause TOSA

37 37 37

2.40718 1.39583 1.59971 2.96155 3.78892 3.06635 3.58652

0.08675 0.26324 0.21015 0.04797 0.02041 0.04296 0.02507

由上表可知，在1%的显著水平上，我国股票市场的季度交易率序列VALSA是导致我国股票市场季度净筹资率NCSA的格兰杰原因。在5%的显著水平上，我国股票市场的资本化率一、二序列CAP1SA和CAP2SA都是导致我国经济增长速度序列GYSA的格兰杰原因。同时，我国经济增长速度序列GYSA和我国股票市场资本化率二序列CAP2SA是导致我国股票市场周转率一、二序列TR1SA、TR2SA和换手率序列TOSA的格兰杰原因。我国股票市场的资本化率一序列CAP1SA是导致我国股票市场季度净筹资率NCSA的格兰杰原因。我国股票市场季度净筹资率NCSA是导致我国股票市场资本化率二序列CAP2SA的格兰杰原因。我国股票市场的季度交易率序列VALSA是导致我国股票市场周转率一TR1SA的格兰杰原因。我国股票市场换手率序列TOSA与我国股票市场周转率一TR1SA和周转率二序列TR2SA之间分别存在双向格兰杰因果关系。在10%的显著水平上，我国股票市场周转率一TR1SA和换手率序列TOSA是导致我国经济增长速度序列GYSA的格兰杰原因。我国股票市场的资本化率一序列CAP1SA是导致我国股票市场的资本化率二序列CAP2SA和周转率二序列TR2SA的格兰杰原因。我国股票市场的季度交易率序列VALSA是导致我国股票市场周转率二序列TR2SA和换手率序列TOSA的格兰杰原因。可见，我国经济增长速度与我国股票市场各变量之间以及股票市场内部各变量之间存在着至少是单向的格兰杰因果关系。

4．中国经济增长与股票市场关系的长期均衡分析和动态分析

4.1 方法

如果一组非平稳时间序列存在一个平稳的线性组合，即该组合不具有随机趋势，那么这组序列就是协整的，这个线性组合被称为协整方程，表示一种长期的均衡关系。正如Angle和Granger(1987)指出，尽管两个或两个以上变量序列为非平稳序列，但它们的某种线性组合却具有稳定性，则这些变量序列之间就存在长期的均衡关系即协整关系。也就是说，由若干个服从单位根过程的变量组成的系统中，若这些变量的某一线性组合是稳定的，则称这一稳定的线性组合为协整关系。这种关系在经济学上的意义是：① 对经济学中规律性的很好的定量描述。即每个变量序列都是有自身长期的波动规律，当这些变量序列有协整关系时，说明它们之间存在一个长期稳定的比例关系。反之，则它们之间不具有这样一个长期稳定的比例关系。②避免伪回归。因为对没有协整关系的时间序列进行回归分析，结果常常会是取伪的。③ 区分变量之间的长期均衡关系和短期波动关系。长期均衡关系就是两个时间序列共同漂移的方式。短期波动是指被解释变量对于长期趋势的偏离与解释变量对长期均衡偏离之间的关系。基于以上对我国经济增长指标和股票市场指标单整阶数和格兰杰因果关系的检验，本文采用Johansen方法对其长期的动态均衡关系进行协整检验。

接下来，在确定了我国经济增长指标和股票市场指标之间是否存在协整关系以及存在几个协整方程之后，建立了向量误差修正模型VECM，即每个变量指标对其他变量指标的滞后项和用协整关系表示的误差修正项的滞后项做回归。以关于经济增长速度的误差修正模型

10

为例，如果误差修正项在误差修正模型中的回归系数显著，则说明经济增长速度适应先前与股票市场变量指标之间的均衡误差，即过去的股票市场变量指标对当前的经济增长速度有显著的解释能力，而且这些股票市场变量指标可以显著的预测经济增长速度的变化趋势；反之，如果误差修正项在误差修正模型中的回归系数不显著，则说明过去经济增长速度与股票市场变量指标之间的均衡关系对当前经济增长速度的变化没有影响。

最后，在前面分析的基础上文章对我国经济增长指标和股票市场指标之间的动态特征进行分析。广义脉冲响应函数描述的是一个内生变量对误差变化大小的反应程度。也就是说，在扰动项上加一个标准差大小的冲击对内生变量的当期值和未来值所带来的影响。这里对于每一个误差项，内生变量都对应着一个脉冲响应函数。而方差分解分析是给出随机新息的相对重要性，也就是给出关于某个特定的新息所引起的方差占总方差的百分比。这里方差分解分析能够进一步量化我国经济增长变量指标和股票市场变量指标之间格兰杰因果关系的相对强弱和动态交互作用。 4.2 协整检验

Sample: 1995:1 2004:4 Included observations: 38

Test assumption: Linear deterministic trend in the data Lags interval: 1 to 1

Eigenvalue 0.822477 0.714158 0.672631 0.468074 0.352545 0.311595 0.164413 0.111543

Likelihood Ratio 221.7247 156.0358 108.4478 66.01450 42.02696 25.50814 11.31979 4.494207

5 Percent

1 Percent

Hypothesized No. of CE(s) None ** At most 1 ** At most 2 ** At most 3 At most 4 At most 5 At most 6 At most 7 *

Critical Value Critical Value 156.00 124.24 94.15 68.52 47.21 29.68 15.41 3.76

168.36 133.57 103.18 76.07 54.46 35.65 20.04 6.65

Series: GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA

*(**) denotes rejection of the hypothesis at 5%(1%) significance level L.R. test indicates 3 cointegrating equation(s) at 5% significance level Unnormalized Cointegrating Coefficients: GYSA

CAP1SA

CAP2SA

NCSA

VALSA

TR1SA

TR2SA

TOSA

8.142791 2.928453 -79.87212 -5.122616 -6.402606 70.58818 -20.45248 12.16536 -4.638367 3.595987 -115.6930 -24.79203 -10.94481 129.6830 -37.67251 19.37683 -6.686090 -0.815091 26.83009 23.73029 3.561274 -44.79214 12.76729 -1.271867 -1.924183 -0.860285 23.74049 -44.61704 4.152756 -27.37185 7.113422 2.274552 3.456621 1.290889 -26.79356 -5.360624 -4.009175 34.30668 -7.997998 -11.61302 -1.555669 -2.058508 38.95691 2.505509 6.744147 -43.48399 12.36123 -9.090351 -2.428238 -2.429654 52.19068 4.710419 3.182200 -15.18731 3.746513 1.067032 -0.817331 -0.316428 15.33605 -3.671839 1.774691 -15.11044 3.904232 1.497498 Normalized Cointegrating Coefficients: 1 Cointegrating Equation(s) GYSA CAP1SA CAP2SA

NCSA VALSA TR1SA TR2SA TOSA C

1.000000 0.359638 -9.808936 -0.629098 -0.786291 8.668794 -2.511728 1.494003 2.544907

(0.05471) (1.57557) (0.53083) (0.14861) (1.60760) (0.46601) (0.31404)

11

Log likelihood

775.2286

Normalized Cointegrating Coefficients: 2 Cointegrating Equation(s) GYSA CAP1SA CAP2SA Log likelihood

Normalized Cointegrating Coefficients: 3 Cointegrating Equation(s GYSA CAP1SA CAP2SA NCSA Log likelihood

Normalized Cointegrating Coefficients: 4 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA Log likelihood

Normalized Cointegrating Coefficients: 5 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 0.000000 0.000000 0.163946 -0.099703 0.302078 -0.030714

(0.25587) (0.06709) (0.54415) (7.99537) (2.09626) (17.0030) (0.32179) (0.08437) (0.68433) (0.06206) (0.01627) (0.13197) (0.96525) (0.25307) (2.05272)

0.00000 1.000000 0.000000 0.000000 0.000000 -18.41571 8.424005 -24.05533 -1.824566 0.000000 0.000000 1.000000 0.000000 0.000000 -0.869380 0.403271 -1.361319 -0.319511 0.000000 0.000000 0.000000 1.000000 0.000000 -0.262802 0.067861 0.084647 -0.007525 0.000000 0.000000 0.000000 0.000000 1.000000 -8.183741 1.835536 4.396230 -0.118284

832.2330

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 0.000000 -0.222217 1.982515 -0.507591 -0.674841 -0.004429

(0.20193) (1.48520) (0.38170) (0.50853) (6.31561) (46.4508) (11.9378) (15.9045) (0.21155) (1.55593) (0.39987) (0.53274) (0.04679) (0.34416) (0.08845) (0.11784)

0.000000 1.000000 0.000000 0.000000 9.560833 -96.65910 25.97326 17.97629 -2.955458 0.000000 0.000000 1.000000 0.000000 0.411193 -4.234475 1.158030 0.446379 -0.368149 0.000000 0.000000 0.000000 1.000000 -0.049046 0.138579 -0.022165 -0.130971 -0.001723

820.2392

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 -2.120281 -0.118226 1.688688 -0.460595 -0.397146 -0.000775

(1.33436) (0.12476) (1.13501) (0.30593) (0.33278) (37.0015) (3.45957) (31.4734) (8.48344) (9.22801) (1.21162) (0.11328) (1.03060) (0.27779) (0.30217)

0.000000 1.000000 0.000000 80.85110 5.595397 -85.45482 24.18119 7.387164 -3.094784 0.000000 0.000000 1.000000 2.812324 0.273259 -3.844746 1.095694 0.078046 -0.372995

799.0226

NCSA

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 1.203380 1.264013 0.210609 -2.938002 0.857941 -0.303226 -0.449630

(0.31039) (0.52165) (0.04783) (0.66939) (0.19818) (0.20902) (0.69477) (1.16765) (0.10707) (1.49835) (0.44360) (0.46786)

0.000000 1.000000 -30.62060 -5.263944 -2.771958 32.27360 -9.369628 4.997337 8.326542

12

Log likelihood

840.4924

Normalized Cointegrating Coefficients: 6 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA Log likelihood

Normalized Cointegrating Coefficients: 7 Cointegrating Equation(s) GYSA CAP1SA CAP2SA NCSA Log likelihood

850.9994

VALSA

TR1SA

TR2SA

TOSA (0.08756) (5.07566) (0.22559) (0.04251) (1.33296) (0.21949) (0.68491)

C

1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 -0.307105 -0.021750 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 15.85506 -2.872972 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.580180 -0.368921 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.116257 -0.023269 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 2.527460 -0.612734 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 -2.532916 -0.063775 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 -10.27490 -0.014963

847.5866

VALSA

TR1SA

TR2SA

TOSA

C

1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 -0.124305 0.970113 -0.019890

(0.14634) (1.44260) (9.79903) (96.6004) (0.44770) (4.41351) (0.09219) (0.90884) (2.93824) (28.9657) (0.38806) (3.82558)

0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 11.18741 -99.09445 -3.040372 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.533727 -4.903813 -0.376908 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.107296 -0.986200 -0.024875 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 3.063561 -28.95033 -0.658575 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.150057 -4.074733 -0.066020

上表是在序列有均值和线性趋势项，协整方程只有截距项的条件下对我国经济增长速度序列和股票市场指标序列所组成的数组X=[GYSA，CAP1SA，CAP2SA，NCSA，VALSA，TR1SA，TR2SA，TOSA]进行的Johansen检验和估计。其输出结果可分为三部分。第一部分为协整检验的结果。在5%的显著水平上该系统存在着协整关系并且迹统计量表明协整秩r=4即存在四个协整方程。而在1%的显著水平上该系统也存在着协整关系且迹统计量表明协整秩r=3即存在有三个协整方程。第二部分为非标准化的协整参数向量。第三部分为标准化的协整参数向量（括号中的数据为各个系数的标准差）。最后，该系统在1%显著水平下第一个协整

13

向量的协整关系为：

GYSA = 0.3596CAP1SA - 9.8089CAP2SA - 0.6291NCSA - 0.7863VALSA + (0.05471) (1.57557) (0.53083) (0.14861)

8.6688TR1SA – 2.5117TR2SA + 1.494TOSA + 2.5449

(1.60760) (0.46601) (0.31404)

由此可见，我国股票市场对我国经济增长速度的整体影响不是很明显。同时，这一协整关系反映的是系统各变量之间的长期稳定趋势，它趋向于长期稳定，即我国的经济增长和股票市场的发展只有实现了这一状态，才能达到长期的稳定。长期来看，我国股票市场的规模指标资本化率一即CAP1SA的扩大会轻微地促进我国经济增长速度的提高，也就是说作用是不显著的。资本化率一对经济增长速度的弹性系数为0.3596，表明当资本化率一增长1%时，经济增长速度会增长0.3596%。而我国股票市场的流动性指标换手率即TOSA，尤其是周转率一即TR1SA的提高则可以明显的促进我国经济增长速度的提高。换手率和周转率一对经济增长速度的弹性系数分别为1.494和8.6688。而股票市场的流通市值规模、筹资率、交易率、交易额相对于流通市值的周转率(TR2SA)的增大都会因为制度约束和金融抑制等原因而对我国的经济增长速度产生抑制作用，尤其是股票市场流通市值规模(CAP2SA)扩大所产生的这种抑制作用将更为明显。另外，方程的常数项为正，表明存在一个外生不变的因素对我国经济增长的速度产生积极的促进影响。

总体而言，在我国股票市场对经济增长的这种不很明显的促进作用中，股票市场的流动性指标对于经济增长速度的促进作用要强于股票市场的规模指标。我们的这一结论与Levine和Zervos(1998)的相关结论是基本上较为一致的。根据他们对47个国家1976-1993年数据的实证检验，用以考察股票市场的流动性、规模、易变性、与国际资本市场一体化程度等各指标是否与当前及未来的经济增长率、资本积累率、产出改进率有显著的相关关系。结果认为股票市场的流动性与长期经济增长率有很强的正相关关系，而其它的股票市场指标如规模指标等与长期经济增长率不具有显著的相关关系。然而对于流动性指标而言，Levine和Zervos(1996)在建立于Atje和Jovanovic(1993)研究基础上的关于股票市场流动性与经济增长的研究中，他们考察了两个衡量股票市场流动性的指标即交易率和周转率对经济增长的影响是否存在差异和分歧。他们对49个国家1976-1993年的数据在控制了一系列影响经济增长的变量后的研究中发现，无论用交易率还是用周转率来作为衡量股票市场流动性的指标，它们都与经济增长率、资本积累率和产出增长率具有显著的正相关关系。

由此看来，本文的结论与他们的结论的主要区别便在于，我国股票市场的流动性指标中只有周转率指标对经济增长速度有非常显著的促进作用，而交易率指标却对经济增长速度产生着负面的影响。对于其中的原因我们依旧可以从Levine的统计分析中得到解释。他在对自己和 Zervos(1998)的统计数据进行分析时说：“周转率(TRSA)可能不同于交易率(VALSA)，因为规模小但流动性强的市场可能具有高的周转率但低的交易率。”而我国的股票市场由于自身发展历史短、投机性强等原因正好具备了以上规模小但流动性强的市场特点。

4.3 向量误差修正模型（VEMC）

Sample(adjusted): 1995:3 2004:4

Included observations: 38 after adjusting endpoints Standard errors & t-statistics in parentheses Cointegrating CointEq1

Eq:

14

GYSA(-1)

NCSA(-1)

VALSA(-1)

TR1SA(-1)

TR2SA(-1)

TOSA(-1)

C Error Correction: CointEq1

1.000000 (0.05471) (6.57380) (1.57557) (-6.22563) -0.629098 (0.53083) (-1.18512) -0.786291 (0.14861) (-5.29086) 8.668794 (1.60760) (5.39239) -2.511728 (0.46601) (-5.38988) 1.494003 (0.31404) (4.75741) 2.544907

CAP1SA(-1) 0.359638

CAP2SA(-1) -9.808936

D(GYSA) D(CAP1SA) D(CAP2SA) D(NCSA) D(VALSA) D(TR1SA) D(TR2SA) D(TOSA)

-0.948020 0.807156 0.123892 0.013054 -2.865013 -3.954427 -13.84568 -1.538843 (0.30767) (1.07395) (0.03884) (0.05016) (1.22999) (1.07740) (3.67199) (0.36671) (-3.08127) (0.75157) (3.18978) (0.26026) (-2.32930) (-3.67034) (-3.77062) (-4.19640) (0.17719) (0.61850) (0.02237) (0.02889) (0.70836) (0.62049) (2.11474) (0.21119) (-1.76770) (-0.37696) (-2.56605) (-0.79148) (1.43305) (1.82659) (1.88857) (2.40743) (0.12965) (0.45257) (0.01637) (0.02114) (0.51832) (0.45402) (1.54739) (0.15453) (0.84996) (0.48038) (-0.06231) (-1.14740) (2.31467) (2.56511) (2.53198) (2.58340) (2.80849) (9.80329) (0.35454) (0.45785) (11.2276) (9.83477) (33.5187) (3.34737) (-0.72363) (0.00905) (0.36133) (1.45898) (-2.40462) (-2.50706) (-2.45461) (-2.30901) (0.89054) (3.10849) (0.11242) (0.14518) (3.56012) (3.11847) (10.6283) (1.06140) (-0.02881) (1.33246) (0.96392) (-2.22665) (-1.35807) (-1.31100) (-1.26920) (-0.85521) (0.25801) (0.90062) (0.03257) (0.04206) (1.03147) (0.90351) (3.07934) (0.30752) (-1.19756) (-0.77236) (-0.43139) (2.07798) (-4.33204) (-4.87044) (-4.79785) (-4.73863)

D(GYSA(-1)) -0.313220 -0.233150 -0.057399 -0.022863 1.015118 1.133377 3.993823 0.508423

D(CAP1SA(-1)) 0.110200 0.217406 -0.001020 -0.024252 1.199742 1.164610 3.917957 0.399214

D(CAP2SA(-1)) -2.032318 0.088742 0.128107 0.667988 -26.99805 -24.65637 -82.27532 -7.729111

D(NCSA(-1)) -0.025654 4.141933 0.108365 -0.323259 -4.834905 -4.088323 -13.48947 -0.907727

D(VALSA(-1)) -0.308986 -0.695599 -0.014051 0.087404 -4.468364 -4.400497 -14.77418 -1.457222

D(TR1SA(-1)) 4.608980 7.055659 0.039335 -0.616317 39.94838 40.86877 138.3992 13.79351

15

C R-squared Adj. R-squared Sum sq. resids

(2.72714) (9.51931) (0.34427) (0.44458) (10.9024) (9.54987) (32.5478) (3.25040) (1.69004) (0.74119) (0.11426) (-1.38628) (3.66420) (4.27951) (4.25219) (4.24363) (0.77591) (2.70839) (0.09795) (0.12649) (3.10189) (2.71708) (9.26034) (0.92479) (-1.91595) (-0.73830) (-0.00086) (1.35831) (-3.61347) (-4.15930) (-4.13388) (-4.13520) (0.69511) (2.42632) (0.08775) (0.11332) (2.77884) (2.43412) (8.29593) (0.82848) (2.90580) (0.45705) (-0.85584) (-0.75808) (1.60919) (1.10059) (1.07704) (1.16860) -0.003728 0.015340 0.001273 0.000104 -0.003747 -0.013763 -0.052300 -0.006660 (0.00646) (0.02253) (0.00081) (0.00105) (0.02581) (0.02260) (0.07704) (0.00769) (-0.57756) (0.68078) (1.56169) (0.09923) (-0.14518) (-0.60887) (-0.67886) (-0.86564) 0.874841 0.215126 0.421058 0.532163 0.608427 0.698662 0.696864 0.694894 0.834611 -0.037155 0.234969 0.381787 0.482564 0.601804 0.599427 0.596825 0.039975 0.487060 0.000637 0.001062 0.638870 0.490193 5.693958 0.056787

D(TR2SA(-1)) -1.486607 -1.999606 -8.40E-05 0.171814 -11.20858 -11.30117 -38.28114 -3.824188

D(TOSA(-1)) 2.019834 1.108959 -0.075100 -0.085904 4.471690 2.678969 8.935008 0.968158

S.E. equation 0.037785 0.131890 0.004770 0.006160 0.151052 0.132314 0.450950 0.045034 F-statistic Akaike AIC Mean dependent S.D. dependent Determinant Residual Covariance Log Likelihood Akaike Information Criteria

Schwarz Criteria

-32.37762

775.2286 -36.16993

2.63E-28

0.092910 0.129506 0.005453 0.007834 0.209990 0.209679 0.712504 0.070925 21.74612 0.852724 2.262676 3.538885 4.834041 7.213221 7.151970 7.085724 -3.492900 -0.992761 -7.632048 -7.120638 -0.721448 -0.986350 1.466012 -3.141849 -0.003295 0.022667 0.001029 0.000156 0.005433 -0.000298 -0.003878 -8.14E-05

Log likelihood 76.36511 28.86247 155.0089 145.2921 23.70751 28.74065 -17.85423 69.69513 Schwarz SC -3.061957 -0.561818 -7.201104 -6.689694 -0.290504 -0.555406 1.896956 -2.710905

上表的估计结果由三部分组成。第一部分是协整方程或误差修正项。第二部分为向量误差修正模型中的八个方程。其中第一行为八个方程中的误差修正项系数，其余为相应差分变量的回归系数。所有系数下面第一个括号内的数据为回归系数标准差，第二个括号内的数据为t统计量的值。第三部分为评价八个方程式的统计量的值。其中前十个是分别针对八个方程式而言的，后四个是针对整个VECM模型而言的。因而，VECM中的第一个方程为：

D(GYSA)= -0.948020 CointEq1-0.313220 D(GYSA(-1))+ 0.110200 D(CAP1SA(-1)) (0.30767) (0.17719) (0.12965)

(-3.08127) (-1.76770) (0.84996) -2.032318 D(CAP2SA(-1)) -0.025654 D(NCSA(-1)) -0.308986 D(VALSA(-1)) (2.80849) (0.89054) (0.25801) (-0.72363) (-0.02881) (-1.19756)

16

+ 4.608980 D(TR1SA(-1)) -1.486607 D(TR2SA(-1))+ 2.019834 D(TOSA(-1)) (2.72714) (0.77591) (0.69511) (1.69004) (-1.91595) (2.90580) -0.003728 (0.00646) (-0.57756)

查表可以知道，n=38, k=8, 在显著水平α=0.05时，F(8,29)=2.28 ，t(29)= 1.69 。①

向量误差修正模型中上述方程即关于经济增长速度误差D(GYSA)的方程具有很好的拟合效果，其各项统计值如F值、AIC、RSS等都很显著。从该方程中发现，其误差修正项的回归系数的t值检验是显著的，说明经济增长速度与股票市场变量指标之间先前的均衡误差是合理的，并且过去股票市场变量指标对当期经济增长速度具有显著的解释和预测能力。另外，误差修正项的回归系数等于-0.948020，则说明了经济增长速度与股票市场变量指标之间的协整关系对当期经济增长速度变化产生影响的大小和方向即该协整关系对当期经济增长速度有抑制作用，其效应为-0.948020。这说明，保持系统的稳定即协整的存在将抑制经济增长，应该通过必要的改革寻求一个新的有利于经济增长的稳定关系。然而，该方程中一阶滞后即前期的股票市场资本化率一、资本化率二、净筹资率和交易率误差的回归系数都因为|t|

对于其他七个方程而言，向量误差修正模型中关于 D（CAP1SA）和D（CAP2SA）两个方程的F

由此可以看出，我国经济增长速度与股票市场变量指标之间的均衡关系对于解释和预测当期我国的经济增长速度的波动以及解释和预测股票市场中交易率、周转率和换手率的当期波动都是比较显著的，从而刻画了变量间的短期动态关系。另外，无论从短期还是从长期来看，周转率一和换手率对经济增长速度的促进作用都是较显著的。

4.4 VECM下广义脉冲响应函数的检验和方差分解分析

为了节省篇幅，本文不给出VECM下广义脉冲响应函数的方程，而只给出其分布图，如图3所示。图中总共有八行，我们将每一行设定为一组对其进行分析和说明。

第一组中，在经济增长速度的正向冲击下：经济增长速度本身将进行上升或下降的较为剧烈的反复调节，并随着时间的延长这种调节将逐步趋于减弱。股票市场的规模和流动性指标在长期内也都表现为小幅度的反复调节，并随时间的延长而逐渐趋于稳定。其中，股票市场的资本化率二和周转率二表现为正向的反应，股票市场的交易率对此反应很弱，基本保持了稳定，而其他指标则表现为负方向的反应。总体而言，我国的股票市场受到我国经济增长速度的变化的影响。

第二组中，在股票市场资本化率一的正向冲击下：经济增长速度在短期内（3个季度左右）逐渐下降然后保持稳定，此外，股票市场周转率二在中期（5个季度左右）内逐渐下降且随后保持稳定。而股票市场的规模（包括资本化率一本身在内）和流动性指标都表现出了不同程度的提高，并在中长期里保持了稳定。可见，总市值的扩张有助于股票市场的发展。 ①

赵卫亚 编著 《计量经济学教程》 上海财经大学出版社 2003

17

Response to One S.D. InnovationsResponse of GYSA Rteos pGonYsSeA of GYSA Rteos pCoAnPs1eS Aof GYSA tRoe sCpAoPn2sSeA of GYSA Rteos pNoCnSsAe of GYSA Rteos pVoAnLsSeA of GYSA Rteos pToRn1sSeA of GYSA Rteos pToRn2sSeA of GYSA to TOSA0000000403020100011230000004567891004030201000112300000045678910040302010001123000000456789100403020100011230000004567891004030201000112300000045678910040302010001123000000456789100403020100011230000004567891010403020100012345678910Response of CAP1SAR etsop oGnsYeS Aof CAP1SAR etsop oCnAsPe1 SoAf CAP1SA Rteos pCoAnPs2eS Aof CAP1SAR etsop oNnCsSeA of CAP1SAR etsop oVnAsLeS Aof CAP1SAR etsop oTnRs1eS Aof CAP1SAR etsop oTnRs2eS Aof CAP1SA to TOSA0000001201510050005230000004567891012015100500052300000045678910120151005000523000000456789101201510050005230000004567891012015100500052300000045678910120151005000523000000456789101201510050005230000004567891012015100500052345678910Response of CAP2SAR etsop oGnsYeS Aof CAP2SAR etsop oCnAsPe1 SoAf CAP2SA Rteos pCoAnPs2eS Aof CAP2SAR etsop oNnCsSeA of CAP2SAR etsop oVnAsLeS Aof CAP2SAR etsop oTnRs1eS Aof CAP2SAR etsop oTnRs2eS Aof CAP2SA to TOSA0000000060040020000020041230000004567891000600400200000200412300000045678910006004002000002004123000000456789100060040020000020041230000004567891000600400200000200412300000045678910006004002000002004123000000456789100060040020000020041230000004567891010060040020000020042345678910Response of NCSA tRoe sGpoYnSsAe of NCSA tRoe sCpAoPn1sSeA of NCSA toR eCsApPo2nSsAe of NCSA tRoe sNpCoSnAse of NCSA tRoe sVpAoLnSsAe of NCSA tRoe sTpRo1nSsAe of NCSA tRoe sTpRo2nSsAe of NCSA to TOSA00060006000600060006000600060006000400040004000400040004000400040002000200020002000200020002000200000000000000000000000000000000010022304567891010022304567891010022304567891010022304567891010022304567891010022304567891010022304567891010022345678910Response of VALSA Rteos pGonYsSeA of VALSA Rteos pCoAnPs1eS Aof VALSA tRoe sCpAoPn2sSeA of VALSA Rteos pNoCnSsAe of VALSA Rteos pVoAnLsSeA of VALSA Rteos pToRn1sSeA of VALSA Rteos pToRn2sSeA of VALSA to TOSA0100100100100100100100100050050050050050050050050000000000000000000000000050050050050050050050050110230456789101102304567891011023045678910110230456789101102304567891011023045678910110230456789101102345678910Response of TR1SA Rteos pGonYsSeA of TR1SA Rteos pCoAnPs1eS Aof TR1SA tRoe sCpAoPn2sSeA of TR1SA Rteos pNoCnSsAe of TR1SA Rteos pVoAnLsSeA of TR1SA Rteos pToRn1sSeA of TR1SA Rteos pToRn2sSeA of TR1SA to TOSA0000000151005000510151230000000456789101510050005101512300000004567891015100500051015123000000045678910151005000510151230000000456789101510050005101512300000004567891015100500051015123000000045678910151005000510151230000000456789101151005000510152345678910Response of TR2SA Rteos pGonYsSeA of TR2SA Rteos pCoAnPs1eS Aof TR2SA tRoe sCpAoPn2sSeA of TR2SA Rteos pNoCnSsAe of TR2SA Rteos pVoAnLsSeA of TR2SA Rteos pToRn1sSeA of TR2SA Rteos pToRn2sSeA of TR2SA to TOSA0000001642024200000016420242000000164202420000001642024200000016420242000000164202420000001642024200000016420242345678910345678910345678910345678910345678910345678910345678910345678910Response of TOSA Rteos pGonYsSeA of TOSA Rteos pCoAnPs1eS Aof TOSA tRoe sCpAoPn2sSeA of TOSA Rteos pNoCnSsAe of TOSA Rteos pVoAnLsSeA of TOSA Rteos pToRn1sSeA of TOSA Rteos pToRn2sSeA of TOSA to TOSA0000001060402000204230000004567891010604020002042300000045678910106040200020423000000456789101060402000204230000004567891010604020002042300000045678910106040200020423000000456789101060402000204230000004567891010604020002042345678910

图3 在VECM下经济变量、股票市场变量相互及其自身之间的广义脉冲响应函数点图 第三组中，在股票市场资本化率二的正向冲击下：股票流通市值的扩张对经济增长速度只有短期正向效应。而对于股票市场的交易率则基本不产生影响。周转率二在中期（5个季度左右）内逐渐下降然后一直保持稳定，而其余各指标（包括资本化率二本身在内）将表现为不同程度的在短期内逐渐上升而后保持稳定的趋势。流通市值的扩张也是促进股票市场

18

发展的因素。

第四组中，在股票市场筹资率的正向冲击下：经济增长速度有小幅下降并保持稳定。周转率一也下降并通过调节趋于稳定。资本化率一尤其是筹资率本身将大幅上升，并经过不断调节后趋于稳定。交易率也小幅上升并不断调节后趋于稳定。而其他指标只是出现反复调节，最终趋于原先的均衡位臵。

第五组中，在股票市场交易率的正向冲击下：经济增长速度短期内大幅下降然后不断调节并趋于稳定。同时，筹资率、周转率和换手率也出现小幅下降而后不断调节并趋于稳定。而其他指标则不同程度的上升并反复调节后趋于稳定。

第六组、第七组和第八组基本类似，即分别在股票市场周转率一、周转率二和换手率的正向冲击下：经济增长速度都在短期内出现大幅下降然后反复进行调节并趋于稳定。资本化率一、筹资率、周转率二（本身）和换手率（本身）也出现下降并逐渐调节后趋于稳定。而资本化率二尤其是周转率一（本身）则出现不同程度的放大效应。

可见，我国经济增长速度的正向冲击对我国股票市场指标将来波动的正向影响还比较的明显，而我国股票市场指标的正向冲击对我国经济增长速度将来的波动却产生着明显的反向影响。

Variance Decomposition of GYSA: Period

S.E.

GYSA CAP1SA CAP2SA NCSA

VALSA TR1SA TR2SA

TOSA

1 0.032434 100.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.037005 77.05270 0.036067 11.86982 0.479357 0.048996 3.765130 5.922912 0.825017 3 0.047440 81.51437 1.556003 7.300105 0.820015 0.048526 2.742613 4.339790 1.678576 4 0.049532 76.05421 2.197678 9.742295 0.791577 0.060548 4.105865 5.446234 1.601588 5 0.055835 78.71937 2.854547 7.699752 0.795277 0.087312 3.287029 4.979348 1.577365 6 0.057819 75.54971 3.062624 8.919157 0.769789 0.104362 4.011369 6.106894 1.476093 7 0.062363 76.86181 3.643187 7.831946 0.829171 0.117559 3.451004 5.824748 1.440576 8 0.064272 75.22067 3.833751 8.361048 0.809300 0.118097 3.732797 6.566548 1.357784 9 0.067815 75.96607 4.186099 7.741746 0.854261 0.116310 3.362964 6.455394 1.317152 10 0.069738 75.00230 4.371901 8.017686 0.840899 0.111156 3.464651 6.939709 1.251699

Variance Decomposition of CAP1SA Period S.E. GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA 1 0.113214 7.428287 92.57171 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.183553 6.733085 87.43802 1.512731 2.127073 1.41E-05 0.217077 1.478643 0.493360 3 0.248686 6.969272 84.84565 2.494813 3.009232 0.072311 0.292496 1.721882 0.594340 4 0.301422 6.825902 82.98188 3.283007 3.322786 0.072712 0.443651 2.382450 0.687613 5 0.349173 6.902377 81.79866 3.638810 3.672253 0.081221 0.533843 2.645520 0.727316 6 0.391407 6.825699 81.16049 3.903744 3.815553 0.091154 0.587251 2.866068 0.750046 7 0.429856 6.864037 80.55940 4.101466 3.947038 0.092814 0.629436 3.028668 0.777144 8 0.465270 6.827897 80.24014 4.217868 4.040370 0.097397 0.662032 3.128433 0.785864 9 0.498241 6.845362 79.92477 4.331891 4.101709 0.099760 0.681092 3.215924 0.799495 10 0.529077 6.827178 79.72020 4.401821 4.158085 0.101249 0.703005 3.282271 0.806191

Variance Decomposition of CAP2SA:

19

Period S.E. GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA 1 0.004094 0.179369 20.53382 79.28681 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.006534 1.061933 22.07153 64.24252 1.160319 0.092721 1.357339 9.134621 0.879024 3 0.009103 0.625899 29.41766 52.97707 3.621260 0.057393 1.099547 10.10794 2.093236 4 0.011513 0.391555 31.82017 49.42810 4.567109 0.046665 1.036660 10.11304 2.596705 5 0.013596 0.283315 32.76279 47.72613 5.094012 0.041435 1.148501 10.25967 2.684146 6 0.015432 0.220715 33.35764 46.61922 5.342231 0.042915 1.208154 10.48892 2.720212 7 0.017089 0.181216 33.68491 45.84782 5.531713 0.041130 1.253992 10.68745 2.771759 8 0.018612 0.154241 33.99787 45.27552 5.682627 0.041664 1.281476 10.76791 2.798694 9 0.020023 0.134729 34.18331 44.89676 5.775479 0.041740 1.301804 10.84666 2.819516 10 0.021340 0.119724 34.32867 44.58978 5.855051 0.041539 1.321667 10.90953 2.834039

Variance Decomposition of NCSA: Period S.E. GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA 1 0.005287 0.979110 7.406714 0.313935 91.30024 0.000000 0.000000 0.000000 0.000000 2 0.007276 0.787575 20.65286 0.172037 68.70127 5.046879 3.112406 1.268620 0.258352 3 0.008197 0.717464 18.07244 0.335311 71.69827 3.995077 2.617542 2.083112 0.480781 4 0.009727 0.811991 20.58212 0.296083 70.08600 3.827643 2.257620 1.787531 0.351014 5 0.010588 0.817902 21.06056 0.416244 69.59636 3.803030 2.444610 1.546241 0.315046 6 0.011506 0.843243 20.89970 0.353822 70.64269 3.474210 2.195120 1.315571 0.275651 7 0.012400 0.842397 21.61738 0.318097 70.10396 3.517769 2.223877 1.138439 0.238082 8 0.013142 0.863188 21.59077 0.311905 70.43468 3.383598 2.162963 1.028698 0.224193 9 0.013918 0.861675 21.82438 0.282441 70.48838 3.322854 2.101085 0.917593 0.201597 10 0.014614 0.875452 21.97518 0.275682 70.47005 3.287079 2.095029 0.833816 0.187703

Variance Decomposition of VALSA: Period S.E. GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA 1 0.129662 6.911178 57.07484 0.561365 0.292764 35.15986 0.000000 0.000000 0.000000 2 0.181266 24.81524 31.94099 14.69831 0.295522 22.24413 3.281615 2.720742 0.003457 3 0.212337 23.90213 27.54388 12.29665 0.233079 22.86942 7.871857 2.082897 3.200094 4 0.238864 25.77459 22.97599 12.61771 1.379372 23.03473 7.782426 2.937890 3.497297 5 0.256391 25.94576 20.82713 11.73412 1.393941 22.88566 9.871642 3.348826 3.992916 6 0.277805 27.33508 19.54186 11.36865 1.439456 23.47208 9.570018 3.042984 4.229878 7 0.294222 27.40596 18.04304 11.21511 1.693922 23.44015 10.37972 3.304627 4.517473 8 0.311369 28.22349 17.10428 10.90597 1.690563 23.59325 10.56642 3.203951 4.712070 9 0.326550 28.29216 16.28512 10.74347 1.834431 23.79052 10.87666 3.254859 4.922770 10 0.341656 28.81911 15.55372 10.61055 1.868462 23.80759 11.06314 3.253861 5.023576

Variance Decomposition of TR1SA: Period

S.E.

GYSA CAP1SA CAP2SA NCSA

VALSA TR1SA TR2SA

TOSA

1 0.113577 10.80907 17.75240 4.410937 0.020841 21.80053 45.20623 0.000000 0.000000 2 0.213011 25.65193 5.371642 22.82254 0.291336 7.888966 36.18159 1.079213 0.712783 3 0.270686 19.76400 3.816239 17.16560 0.968034 6.952855 44.89210 0.955250 5.485911

20

4 0.314551 19.42653 3.904412 15.77888 2.281524 6.521613 44.43825 1.742573 5.906216 5 0.349839 17.97898 3.970777 13.95803 2.409186 5.990119 47.38283 1.888772 6.421312 6 0.381846 18.50188 3.658958 13.46091 2.612014 6.099173 47.18785 1.740411 6.738800 7 0.412632 17.66237 3.841277 12.77690 2.905996 5.807390 48.15025 1.843532 7.012292 8 0.440394 17.78508 3.757442 12.32392 2.979343 5.756692 48.39750 1.788747 7.211283 9 0.466440 17.38061 3.780801 11.94109 3.155425 5.674581 48.85520 1.808466 7.403827 10 0.491380 17.40706 3.775451 11.67628 3.221244 5.598321 49.03012 1.796419 7.495109

Variance Decomposition of TR2SA Period

S.E.

GYSA CAP1SA CAP2SA NCSA

VALSA TR1SA TR2SA

TOSA

1 0.387093 10.58913 14.56518 3.395481 0.002707 18.79016 52.61855 0.038794 0.000000 2 0.729194 25.46410 4.560593 21.61622 0.310841 6.771186 39.74589 0.725677 0.805496 3 0.932660 19.31467 3.536611 15.96864 1.106234 5.890900 47.93776 0.634163 5.611025 4 1.084984 18.87860 3.952635 14.51288 2.444120 5.508418 47.35886 1.294651 6.049837 5 1.208773 17.39846 4.187889 12.72964 2.589858 5.030729 50.11315 1.393532 6.556731 6 1.320051 17.86200 3.969114 12.21864 2.808888 5.122937 49.87929 1.264921 6.874213 7 1.427686 17.01428 4.250405 11.53709 3.109881 4.862072 50.74313 1.338568 7.144568 8 1.524427 17.10384 4.227618 11.08898 3.192288 4.815014 50.94294 1.287995 7.341332 9 1.615359 16.69255 4.305451 10.70744 3.372897 4.738855 51.35487 1.297866 7.530083 10 1.702218 16.70107 4.341316 10.44398 3.443242 4.670990 51.49550 1.283356 7.620545

Variance Decomposition of TOSA: Period S.E. GYSA CAP1SA CAP2SA NCSA VALSA TR1SA TR2SA TOSA 1 0.038657 13.57614 11.57440 3.671275 0.098674 13.45908 54.66711 0.877559 2.075755 2 0.074241 27.68552 3.408184 24.14994 0.045086 4.596683 39.23801 0.252169 0.624411 3 0.094560 22.00128 2.843508 19.06579 0.648206 4.150453 47.57445 0.157598 3.558719 4 0.109737 21.30879 3.584068 17.62756 1.711584 3.842468 47.85559 0.447203 3.622739 5 0.121921 20.05715 3.855600 15.83912 1.763845 3.516900 50.76375 0.419537 3.784107 6 0.133128 20.48276 3.708713 15.38080 1.914704 3.595305 50.69100 0.352160 3.874560 7 0.143841 19.72600 4.022177 14.73184 2.124006 3.404106 51.66694 0.348375 3.976546 8 0.153549 19.79825 4.033803 14.28142 2.177059 3.374266 51.97033 0.311628 4.053239 9 0.162627 19.44112 4.138006 13.92278 2.306552 3.319831 52.44689 0.297064 4.127757 10 0.171342 19.44340 4.192724 13.65692 2.351827 3.269756 52.65436 0.278064 4.152940

上面的方差分解表中的数据表明每个变量在十个不同水平（即依次分别超前十个季度）上的预测误差来自其他变量中信息的百分比。从中可以看出，我国经济增长和股票市场的发展是可以通过相互指标的扰动而得到解释的。我国经济增长速度变异性的显著性百分比可能归因于我国股票市场的资本化率、周转率和换手率。而我国股票市场资本化率一变异性的显著性百分比可能归因于我国经济增长的速度、资本化率二、筹资率和周转率二。股票市场资本化率二变异性的显著性百分比可能归因于筹资率、周转率一、换手率、尤其是资本化率一和周转率二。股票市场筹资率变异性的显著性百分比可能归因于交易率、周转率、更主要的是资本化率一。股票市场交易率变异性的显著性百分比可能归因于筹资率、周转率、换手率、尤其是经济增长速度和资本化率。股票市场周转率一变异性的显著性百分比可能归因于资本化率一、筹资率、周转率二和换手率，但尤其要归因于经济增长速度和资本化率二。股票市场

21

周转率二变异性的显著性百分比尤其要归因于周转化一，其次是经济增长速度，当然其他因素也有一定的影响。股票市场换手率变异性的显著性百分比尤其要归因于周转化一，其次是经济增长速度和资本化率二，其他因素的影响相对较小。由此可见，我国的经济增长速度和股票市场的规模及流动性之间存在较为明显的相互影响。

5．结论

经过以上对1995年第1季度到2004年第4季度间我国经济增长指标与我国股票市场指标的实证研究，可以初步得出如下的结论。

1. 我国当期的经济增长指标与股票市场指标之间及各指标本身内部都存在着较为明显的彼此依存关系。然而，这里的这种当期的相关关系并不意味着经济增长指标与股票市场指标之间就必然存在着相互解释的能力。

2. 我国经济增长指标和股票市场指标都属于一阶单整I(1)序列，即表明双方在长期中存在着某种均衡的关系。

3. 在10%的显著水平下，我国经济增长指标与我国的股票市场指标之间都大致上存在着至少是单向的格兰杰因果关系。

4. 在1%的显著水平下，我国经济增长指标与我国的股票市场指标之间都至少存在着一个协整关系。长期而言，股票市场（资本化率一、换手率、尤其是周转率一）与经济增长之间的关系比较微弱。

5. 我国经济增长指标与股票市场指标之间的信息传导机制是通过误差修正模型来完成的，即先前我国经济增长速度与股票市场指标之间的协整关系是可以显著地解释和预测当期我国经济增长速度的波动以及部分股票市场指标的波动的。其中，短期内股票市场（周转率一和换手率）对经济增长速度有拉动作用。但是，短期内我国经济增长速度与股票市场指标之间形成的协整关系均不利于经济增长。

6. 通过广义脉冲响应函数和方差分解分析可以看出，未来我国经济增长指标与股票市场指标之间存在着较为明显的相互影响和动态交互作用，它们都是互为内生的。

参考文献：

[1]李国旺 童威 周侃 资本市场发展与中国经济增长关系的实证研究 上海证券有限责任公司 P7 [2] 谈儒勇 中国金融发展和经济增长关系的实证研究 《经济研究》 1999.10 P53-61

[3]李国旺 童威 周侃 资本市场发展与中国经济增长关系的实证研究 上海证券有限责任公司 P7 [4] 韩廷春 金融发展与经济增长：基于中国的实证分析 《经济科学》 2001.3 P31-40

[5]李国旺 童威 周侃 资本市场发展与中国经济增长关系的实证研究 上海证券有限责任公司 P7

[6] 赵北亭 于鸿君 我国资本市场与经济增长关系的实证分析 北京大学学报 2001 NO5 VOL38 P114-119 [7] 殷醒民 谢洁 中国股票市场与经济增长关系的实证研究 复旦学报 2001.4 P96-102

[8] 冉茂盛 张卫国 中国股票市场与经济增长关系的实证分析 重庆大学学报 2002.11 P12-15 [9] 王军 资本市场发展与经济增长关系的理论与实证研究 《经济评论》 2002.6 P89-93

[10]李国旺 童威 周侃 资本市场发展与中国经济增长关系的实证研究 上海证券有限责任公司 P7 [11] 郑长德 《中国金融研究》 中国三峡出版社 2003.7 P250-273

[12] 郑长德，中国股票市场与经济增长关系的实证分析，《广东社会科学》，2005年第3期。

[13] 冉茂盛 张宗益 陈梅 “中国股票市场发展与经济增长关系的动态研究” 《管理工程学报》 NO.2 2004 [14]Ross Levine “FINANCE AND GROWTH: THEORY AND EVIDENCE” NBER WORKING PAPER 2004

22

China’s Stock Market and Economic Growth:An Econometrics Analysis on

Season Serial Data

Zheng Chang-de Ma Jun

(College of economic ,Southwest University for Nationanlity,chengdu 610041,China)

Abstract：By using the corresponding season serial data from 1995 to 2004, This paper has an econometrics analysis on the relationship between China’s stock market and economic growth respectively. In empirical analysis, China’s economic growth greatly promotes the development of its stock market. However, the influence of stock market on economic growth isn’t so obvious. Keywords: Stock market; Economic growth; Season Serial Data ;Econometrics

23

本文来源：https://www.bwwdw.com/article/nbe6.html