中國信貸結構與物價水平：基于遺傳神經網絡的研究

劉磊

（1.河南大學應用經濟學博士后流動站，河南開封475004；2.中國人民銀行鄭州中心支行，河南鄭州450018）

中國信貸結構與物價水平：基于遺傳神經網絡的研究

劉磊1,2

（1.河南大學應用經濟學博士后流動站，河南開封475004；2.中國人民銀行鄭州中心支行，河南鄭州450018）

在我國信貸擴張與通貨膨脹聯系緊密，而且獨特的信貸結構對物價的影響也不可忽視，但是目前信貸結構對價格水平及經濟增長的研究幾乎空白。針對這一研究現狀，將貸款分為生產性貸款和消費性貸款，采用遺傳神經網絡方法著重研究我國信貸結構與物價水平的關系。研究結果表明，生產性貸款對物價水平的影響小于消費性貸款的影響；但生產性貸款對經濟增長的影響高于消費性貸款，這一結論表明信貸資金集中投向生產性領域和消費性貸款集中于住房領域體現了投資拉動與房地產業不僅影響物價水平，也對我國經濟增長產生顯著的影響，同時也從信貸的視角解釋了“中國之謎”形成的原因。

信貸結構；物價水平；遺傳神經網絡

一、引言

改革開放以來，中國出現了“超額”貨幣供應與低物價水平并存的現象。而在通脹壓力的背后，一方面由產能過剩導致的部分行業價格持續低迷，另一方面資產價格出現了劇烈波動和快速上漲，對此僅從貨幣供給解釋和認識顯然是不夠的。事實上，我國以銀行信貸為主的間接融資結構仍居主導地位，信貸擴張始終是廣義貨幣創造的核心，而信貸投向結構集中于生產性貸款的現象一直存在，占比較低的居民消費貸款中又多集中于住房貸款。這種獨特的信貸結構是否對生產價格、消費價格以及資產價格的傳導產生了差異，以及由信貸投向過于集中形成的產能過剩和貨幣超額供給形成的流動性過剩對我國未來經濟會產生怎樣的影響和挑戰，都有必要從信貸結構的視角深入考察。

信貸結構是通過對信貸規模存量以及流量進行分組的劃分，通常分為信貸的期限結構、部門結構、產業結構和區域結構等。由于信貸結構的官方數據難以獲得，國內學者對信貸結構的研究較少，而基于信貸結構的廣義貨幣及物價影響的研究則幾乎空白。而在國外發達的市場經濟國家，由于間接融資所占比例不大，信貸結構不合理的現象并不嚴重，因此單獨針對信貸結構問題進行研究的也不多見。

國外學者的相關研究中，Bernanke和Gertler[1]（1995）的研究發現居民消費貸款的下降對產出有直接影響。De Haanetal[2]（2007）采用美國的銀行貸款數據分析發現，緊縮的貨幣政策導致消費貸款大幅減少和工商業貸款的增加，并導致物價水平上升。

國內關于信貸結構的研究主要是分為信貸的期限結構和信貸投向兩類。對信貸的期限結構研究中，范從來、盛天翔、王宇偉[3]（2012）的研究也發現短期貸款會對通貨膨脹形成壓力，中長期貸款則會在一定程度上抑制通脹。

在貸款流向結構研究方面，張軍[4]（2006）的研究認為國有大中型企業得到的貸款占比過大，導致了中國的信貸增長沒有顯著地促進經濟增長。劉濤雄、王偉（2013）[5]認為我國信貸市場對經濟發展作用明顯，如果商業銀行加大中小企業的貸款支持力度能夠提高貨幣政策的消費和投資效應。

總之，國內外的相關研究還很少涉及信貸投向結構，也幾乎沒有文獻對信貸結構和貨幣供應量及通貨膨脹的關系進行研究，這正是本文的研究機遇和切入點。

二、標準BP神經網絡及其改進算法

價格傳導是一個復雜的系統，影響物價水平的變量包括廣義貨幣供應量M2，生產性貸款、消費性貸款、房地產銷售價格指數、固定資產投資額，以及股票市值等。這些變量很可能存在線性相關性，或者動態非線性關系，如果采用一般的時間序列方法可能會導致模型估計結果產生較大偏差。考慮遺傳神經網絡在處理非線性和動態不確定關系數據方面的優勢，本文選用遺傳神經網絡方法研究生產性貸款和消費性貸款對物價水平的影響。

（一）遺傳神經網絡算法特點

人工神經網絡中，反向傳播（Back Propagation，BP）神經網絡是目前應用最為廣泛的網絡之一。遺傳神經網絡算法綜合了遺傳算法和BP神經網絡算法的優點，能在全局范圍內搜索最佳的網絡權值，盡可能地提高網絡的計算精度。具體操作中，首先利用遺傳算法的全局搜索特性，來優化BP網絡的初始權值，然后將全局范圍內獲得的最優初始權值賦給BP神經網絡，再通過BP神經網絡的局部搜索，進一步優化網絡的連接權值，最終達到提高網絡的搜索能力和運行效率的目的。該算法特別適合于處理某些大規模的、動態變化的不確定問題。遺傳神經網絡算法的結構如圖1所示。

圖1 遺傳神經網絡結構

（二）混合編碼下的遺傳算法改進

經典的遺傳算法存在搜索后期效率低和缺乏局部優化能力的情況，本文采用混合編碼下的遺傳算法來克服這些缺陷。該算法流程簡介如下：

圖2 網絡結構和權值的混合編碼

（1）編碼：本文中網絡結構采用二進制編碼，網絡權值采用實數編碼。下面以圖2所示的網絡為例來說明這種混合編碼方法的原理。

圖2中，第2號神經元只與第3和第5號神經元相連，結構編碼時，按照神經元的編號順序以及與之相連的神經元編號順序來編排的，1表示相連接（zi= 1），0表示不連接（zi=0），因此第2號神經元的結構編碼為1010，類似的，第1號神經元的結構編碼為1110。初始群體網絡權值是隨機生成的，從而使輸入變量具有自適應調整的能力[6]。

（2）初始群體（初始輸入變量）：算法初始群體的每個編碼串隨機產生，實數編碼被限定在可能的權值取值范圍內，文中權值的范圍取[0，0.1]，且所有權值的和為1。

（4）交叉算子和變異算子：交叉運算采用單點交叉，交叉概率取0.8。變異運算時，編碼值隨機確定，且不超過0.1，本文中變異率取0.01。

雖然以上二進制碼串的變異效果較好，但對表示網絡權值的實數編碼變異效果不夠理想。因此，本文采用結合Solis&Wets算法的遺傳搜索算法來改進實數值編碼串的變異效果。

（三）Solis&Wets算子

Solis&Wets算法也是一種全局尋優算法，該算法以隨機生成的數列作為初始值，搜索過程中該算法能根據目標函數值的升降來自適應地調整搜索的方向和步長，最終獲得全局最優解[7]。

將混合編碼中的實數編碼作為一個分量wi，則整個實值碼串形成一個數列W。首先選取閾值參數Kmax，scnt，fcnt，σub，σlb，ex，ct且初始化變量k=0，scnt=0，fcnt=0，σ0=1，μ0=0。其中，k表示搜索次數，Kmax表示最大搜索次數，這里取3000，scnt和fcnt表示循環搜索中的暫態變量，分別表示循環搜索中目標函數值下降時連續成功和連續失敗的次數，Scnt和Fcnt分別表示變量scnt和fcnt的比較閾值，文中分別取5和3。σ0為Gaussian隨機變量的初始方差，σub和σlb分別表示方差比較閾值的上限和下限，文中分別取3和0.1。ex和ct表示方差步進系數，即目標函數值下降時連續成功或下降的次數達到或超過相應的設定閾值時，對方差σk-1進行的放大或縮小的操作系數，對應取值2和0.5，μ0表示初始均值。將數列W作為初始搜索數列W0，Solis&Wets算法的具體操作流程可描述如下：

（1）設置方差變量為

（2）生成一個多維Gaussian隨機變量：

（3）計算遺傳算經網絡算法的目標函數值

（a）如果f(Wk)

（b）如果f(ξk)≤f(Wk)

（c）否則：Wk+1=Wk

（4）如果k=kmax，停止Solis&Wets運算。否則k= k+1，返回到（1）。

需要說明的是，迭代過程中的f(Wk)表示數列Wk解碼后對應的遺傳神經網絡的目標函數值，即適應度函數值，依此類推。

基于以上的描述，可畫出如圖3所示的完整的遺傳神經網絡算法的流程圖。

三、遺傳神經網絡模型構建及實證分析

（一）數據選取及數據來源

本文選取1995年第一季度至2012年第四季度的季度數據為樣本對象。采用的季度數據來源于中經數據庫和Wind數據庫，部分數據來自中國經濟景氣月報及中國人民銀行網站，所有的價格指數均為同比價格指數（與去年同期相比，去年同期為100）。

圖3 遺傳神經網絡算法流程圖

我們首先采用x-12加法季節調整方法對月度原始數據進行調整。然后，我們對數據取對數進行分析以增強時間序列的穩定性和消除異方差。

（1）通貨膨脹變量。本文選取CPI和CGPI作為反映通貨膨脹變動程度的指標，CGPI是中國人民銀行的企業商品交易價格指數，包括農產品、礦產品、煤電油和加工業產品指數，是比較全面地測度通貨膨脹水平和反映經濟波動的綜合價格指數。

（2）經濟增長變量。在文中我們使用實際GDP增長率來計算經濟增長。

（3）生產性貸款（PLOAN）和消費性貸款（CLOAN）。為了分析信貸結構與通貨膨脹和貨幣供應量的關系，本文主要研究信貸的投向結構，為此將信貸總額分為生產性貸款和消費性貸款，并分別考察兩者對通貨膨脹的關系。由于人民銀行總行自2007年才開始按居民戶貸款和非金融性公司及其他部門貸款進行分類和統計，因此我們將2007年以前統計的儲蓄存款作為居民消費存款，將企業存款、財政存款和其他存款的加總作為生產性貸款，將2007年之后的非金融性公司及其他部門貸款作為生產性貸款。

（4）廣義貨幣供應量。將中國人民銀行公布的M2作為代表貨幣政策的變量。

（5）其他變量。考慮到通貨膨脹的影響因素較多，我們還選取了工業增加值、外匯儲備、進出口總額、固定資產投資、上證綜合指數、房地產銷售價格指數、銀行間同業拆借利率、財政收支作為控制變量。

基于遺傳神經網絡的通貨膨脹模型中，模型的輸出變量均為下季度的GDP增速、CPI和CGPI值，將生產性貸款，工業增加值，M2，原材料、燃料、動力購進價格指數，外匯儲備，進出口總額，固定資產投資，股票市值，上證綜合指數，房地產銷售價格指數，消費性貸款，社會零售品消費總額，銀行間同業拆借利率，財政收支，外匯儲備15個變量作為輸入變量的候選指標，采用主成分分析法進行遴選和降維，結果發現生產性貸款（PLOAN）、消費性貸款（CLOAN）、工業增加值（INV）、M2、固定資產投資（FI）、上證綜合指數（SHI）和房地產銷售價格指數（ESI）7個變量提取了15個變量85%以上的信息量，因此將這7個變量作為遺傳神經網絡的輸入變量。在訓練神經網絡時輸出值和樣本值之間會有誤差，二者之間的誤差用擬合誤差來表示。根據現有數據，得到共72組輸入樣本數據，將自1995年第一季度至2006年第四季度前48組數據作為訓練樣本來訓練所創建的神經網絡模型；自2007年第一季度至2012年第四季度的后24組數據作為測試樣本，來測試輸出參數的預測性能。

（二）遺傳神經網絡模型及預測結果

圖4 BP神經網絡模型和遺傳神經網絡RGDP擬合值的比較

建立遺傳神經網絡模型時，首先應確定隱含層節點數目，通過試驗確定結果最優的隱含層節點數為10個，訓練函數采用trainlm，學習算法采用learngdm。確定模型結構后，采用MATLAB語言編寫遺傳神經網絡程序，網絡訓練參數設定為：目標誤差為0.001，初始學習率η(0)=0.01，學習率增長系數a=1.05，學習率減小系數b=0.75，誤差增長比率上限k=1.04，最大訓練次數為1000。在進行訓練時，在1000次訓練中第134次的平方誤差均值最小，因此下面所建立的遺傳神經網絡模型選擇此次的權值和閾值。首先使用前48組訓練樣本數據來訓練所創建的BP神經網絡，訓練完成后將24組測試數據輸入神經網絡，得到網絡的預測值。采用遺傳神經網絡模型對2007年第一季度至2012年第四季度RGDP、CPI和CGPI數據進行預測的結果及實際值分別如圖4—6。圖中藍色實線為實際值，綠色虛線為預測值。

圖5 BP神經網絡模型和遺傳神經網絡CPI擬合值的比較

圖6 BP神經網絡模型和遺傳神經網絡CGPI擬合值的比較

經訓練后，遺傳神經網絡模型的輸出誤差RMSE僅為1.04。同時從圖中可以看出，除了2個峰值處擬合效果不理想之外，其他擬合值的預測效果較好，這表明選用的遺傳神經網絡具有較好的適應性、較高的精度和良好的泛化能力，符合研究要求。

四、確定各輸入變量對物價水平的影響程度及分析

根據遺傳神經網絡算法的工作原理，確定了網絡輸入與輸出之間的權值系數之后，就相應地確定了輸入參數的影響程度。我們采用誤差反向傳播的方法計算獲得該影響程度，由此得知輸入參數對輸出參數影響的相對大小。輸入層節點對輸出層節點的影響則由各層的權值來傳遞。

利用遺傳神經網絡建立了反映經濟增長和物價水平與經主成分分析篩選得到的影響因子之間關系的神經網絡模型。輸入層和隱含層之間的連接權值、隱含層和輸出層之間的連接權值如表1所示。

表1 遺傳神經網絡訓練的權值

經過計算，得到各因子對輸出的影響比例如表2所示。分別將生產性貸款（PLOAN）、消費性貸款（CLOAN）、工業增加值(INV)、M2、固定資產投資(FI)、上證綜合指數(SHI)、房地產銷售價格指數(ESI)包含的各個因子的比例求和，就可得到各輸入變量對經濟增長和物價水平的影響程度。

從對經濟增長的影響來看，生產性貸款對經濟增長的影響程度為20.42%，消費性貸款對經濟增長的影響程度為12.46%，廣義貨幣供應量對經濟增長的影響程度為11.34%，固定資產投資和房地產對經濟增長的影響則分別為24.15%和10.14%。從對物價水平的影響來看，生產性貸款和消費性貸款對CPI的影響程度分別為10.28%和28.48%，生產性貸款和消費性貸款對CGPI影響程度分別為15.58%和18.54%，這表明生產性貸款對物價水平的影響小于消費性貸款對物價水平的影響；尤其是我國通常采用CPI作為衡量通貨膨脹的指標，消費性貸款對物價水平的影響在7個輸入變量中是最大的。

表2 遺傳神經網絡中各輸入變量對經濟增長和物價的影響

接下來本文檢驗變量PLOAN、COLAN、M2、GDP、CPI和CGPI的平穩性，ADF檢驗結果表明，以上變量均為非平穩變量，DPLOAN、DCOLAN、DM2、RGDP（GDP增速）、LNCPI和LNCGPI均為平穩變量。然后采用格蘭杰因果檢驗來對變量DPLOAN和DCOLAN與DM2、RGDP和LNCPI及LNCGPI之間的因果關系方向進行驗證。檢驗結果如表3所示。

表3 Granger因果檢驗結果

表3的檢驗結果顯示，在5%的顯著性水平上，生產性貸款和消費性貸款分別與M2互為Granger原因，但生產性貸款和消費性貸款是GDP的Granger原因，而GDP不是生產性貸款和消費性貸款的Granger原因；生產性貸款和消費性貸款是CPI的Granger原因，但CPI不是生產性貸款和消費性貸款的Granger原因。

結合遺傳神經網絡方法得到的研究結果來看，這不僅說明信貸市場和貨幣供應量與實體經濟的相關性不足，超發的流動性相當一部分沒有進入實體經濟。綜合來看投向消費領域的信貸雖然對通貨膨脹的影響遠大于生產性貸款，但消費性貸款在信貸總量中占比較低，對物價水平的波動遠沒有流動性過剩因素所導致的物價波動幅度大。而大量集中投向的生產性貸款增加了社會總產出，起到了緩沖和抑制價格波動的作用。

五、結論及分析

第一，遺傳神經網絡方法對生產性貸款和消費性貸款對物價水平和經濟增長的影響分析表明，信貸投向結構對物價的傳導存在顯著差異，而這些差異是我國貨幣供應量持續快速增長而未出現惡性通貨膨脹的一個重要原因。

第二，我國信貸管理仍是貨幣政策的核心內容，信貸規模與廣義貨幣存在即期因果關系。長期看，信貸增長與物價波動存在大致相同的變化趨勢，但是大量的信貸資金投入到基礎要素生產領域，在拉動經濟較快增長的同時，也造成了大量過剩產能，導致部分行業的產品價格持續低迷，同時以房地產為代表的資產價格出現了持續攀升。

采用遺傳神經網絡模型進行的分析表明，生產性貸款對經濟增長的影響程度遠遠大于消費性貸款，而消費性貸款對CPI的影響程度則顯著強于生產性貸款。

至此可以得出一個比較完整的結論：長期以來我國信貸投向形成兩個“集中”，一是大量信貸資金集中投向生產性領域，特別是大中型企業貸款以及基礎設施投資貸款集中趨勢明顯，在拉動經濟較快增長的同時也形成了大量的產能過剩，部分行業市場需求不足、產品價格持續低迷，緩沖了超額貨幣供給帶來的通脹壓力；二是消費性貸款集中投向住房消費，雖然吸納了較多的社會流動性，緩沖了超額貨幣供給向消費物價的傳導，但也造成了大量的資產泡沫，助推了房價的持續攀升，給未來中國經濟的發展帶來更多的不確定性。這兩個“集中”體現了投資拉動與房地產業在促進我國經濟增長中的重要作用，同時也從信貸的視角解釋了“中國之謎”形成的原因。

我國信貸結構集中的成因，一是在經濟體制變革中，“先生產后生活”的理念長期占主導地位，大量信貸資金投向生產性領域，國有經濟體、大中型企業以及“煤、電、油、運”等壟斷性行業占用了過半的信貸資源；二是我國長期以GDP為主的政績考核機制，助推了地方政府的招商引資和投資沖動，導致區域經濟增長過多地依賴信貸投放；三是我國處于高速發展期，由政府和企業主導的收入分配體制決定了居民收入占比偏低，居民消費拉動經濟增長的動力有限。同時，產能過剩問題帶來的信貸風險日益突出。

未來，隨著資本項目的逐步放開，歐美國家推行“再工業化”，我國國際收支差額將進一步收窄，資本市場的不斷完善和擴容，直接融資規模加大，貨幣供給渠道與融資結構也將更趨多元化，廣義貨幣增速有望減緩，降低通脹壓力。而人口紅利的逐步消退，會促使國民收入分配向居民傾斜，提高居民消費比例，并進一步推進消費信貸的較快增長，這又將導致通脹壓力進一步加大。因此，我國未來物價的走勢仍將面臨較大的不確定性，需要結合數量型和價格型貨幣政策工具，積極發揮信貸渠道對物價傳導的作用機制，逐步降解產能過剩，定向消除特定部門和特定行業的資產通脹風險，防范物價水平的劇烈波動。

[1]Ben S Bernanke,Mark Gertler.Inside the Black Box:The Credit Channel of Monetary Policy Transmission[J].The Journal of Economic Perspectives.1995,9 (4):27-48.

[2]De Haan,W J,S W Summer,G M Yamashiro. Bank Loan Portfolios and the Monetary Transmission Mechanism[J].Journal of Monetary Economics,Vol.54 (3),904-924,2007.

[3]范從來，盛天翔，王宇偉.信貸量經濟效應的期限結構研究[J].經濟研究，2012，（1）：80-91.

[4]張軍.中國的信貸增長為什么對經濟增長影響不顯著[J].學術月刊，2006，（12）：69-75.

[5]劉濤雄，王偉.銀行信貸結構對貨幣政策有效性的影響[J].清華大學學報（哲學社會科學版），2013，（5）：138-147.

[6]王東署，遲健男，徐方，徐心和.遺傳神經網絡法及其在機器人誤差補償中的應用[J].東北大學學報（自然科學版），2006，（1）：13-16.

[7]劉磊.基于遺傳神經網絡的指數跟蹤優化方法[J].系統工程理論與實踐，2010，（1）：22-29.

（責任編輯：張艷峰）

1003-4625（2014）10-0028-06中圖分類號：F830.5文獻標志碼：A

2014-09-10

劉磊（1974-），女，河南鄭州人，數量經濟學博士，副研究員，研究方向：金融計量，宏觀金融。