分析基于參數(shù)及非參數(shù)模型對(duì)債務(wù)危機(jī)早期預(yù)警系統(tǒng)的比較

PAGEPAGE1分析基于參數(shù)及非參數(shù)模型對(duì)債務(wù)危機(jī)早期預(yù)警系統(tǒng)的比較一、引言20世紀(jì)70年代，拉美國家普遍施行進(jìn)口替代的發(fā)展戰(zhàn)略，且大量舉債以推動(dòng)工業(yè)化發(fā)展，但由于利率及兩次石油危機(jī)等的影響，拉美債務(wù)越來越重，貨幣不斷貶值，進(jìn)而以1982年墨西哥危機(jī)為先導(dǎo)爆發(fā)全面?zhèn)鶆?wù)危機(jī)。之后，關(guān)于債務(wù)危機(jī)的預(yù)警研究也逐步興起〔Calvo等，1996〕。嚴(yán)重的債務(wù)危機(jī)對(duì)債務(wù)國及債權(quán)國，乃至全球經(jīng)濟(jì)都存在晦氣影響。尤其是近年來的歐債危機(jī)事件，使得債務(wù)風(fēng)險(xiǎn)控制及債務(wù)危機(jī)預(yù)警再次成為學(xué)界與實(shí)務(wù)領(lǐng)域關(guān)注的焦點(diǎn)〔Gorton，2012〕。債務(wù)危機(jī)的一般性定義是指一國不能按時(shí)歸還本金或支付利息〔Reinhart等，2009〕，表現(xiàn)為大量公共或私人部門無法按時(shí)清償債務(wù)，一國不得不申請(qǐng)債務(wù)重排及國際援助。重要的債務(wù)危機(jī)預(yù)警的研究方法有參數(shù)及非參數(shù)的方法〔Manasse等，2003〕，前者重要是基于線性概率〔LP〕及二元選擇模型；后者重要是信號(hào)分析方法，如經(jīng)典的KLR模型〔Kaminsky等，1998〕等。Kaminsky等〔1998〕基于信號(hào)分析的方法，對(duì)相應(yīng)指標(biāo)設(shè)定門檻值以尋找對(duì)危機(jī)有預(yù)警作用的指標(biāo)，通過構(gòu)建15個(gè)變量的早期預(yù)警體系對(duì)發(fā)展中及工業(yè)化國家的危機(jī)作預(yù)測(cè)，研究表示清楚：出口額、M2／貯備、實(shí)際匯率及產(chǎn)出等指標(biāo)具有較好的預(yù)警作用。Hemming＆Petrie〔2002〕則側(cè)重從、財(cái)務(wù)收支等與償債力的關(guān)系實(shí)證檢驗(yàn)債務(wù)危機(jī)的發(fā)生機(jī)理及危機(jī)的預(yù)測(cè)效果。Reinhat〔2002〕的研究表示清楚債務(wù)危機(jī)往往領(lǐng)先于貨幣危機(jī)的發(fā)生，因此對(duì)于貨幣危機(jī)有預(yù)警作用的指標(biāo)則可用于構(gòu)建債務(wù)危機(jī)的早期預(yù)警系統(tǒng)。DuanPeng等〔2008〕也采取KLR的信號(hào)分析方法揭示了中國發(fā)生危機(jī)的軟弱性。但是大多數(shù)經(jīng)濟(jì)指標(biāo)在信號(hào)分析等非參數(shù)法的運(yùn)用中，其預(yù)警效果并不睬想，除沒有能提早發(fā)出信號(hào)外以至發(fā)出毛病的信號(hào)〔Berg等，1988〕。而基于參數(shù)法的Logit及Probit等二元選擇模型則能夠給出危機(jī)的預(yù)測(cè)概率，同時(shí)考慮各變量間的關(guān)系及每個(gè)預(yù)警指標(biāo)的統(tǒng)計(jì)顯著特征，進(jìn)而成為危機(jī)預(yù)警的主流模型〔Lewis等，1990〕。Frankel等〔1996〕基于Probit模型對(duì)危機(jī)預(yù)測(cè)發(fā)現(xiàn)，國內(nèi)信貸增速越快、FDI占外債比值越低、外儲(chǔ)越少、實(shí)際匯率越高估時(shí)發(fā)生危機(jī)可能性也越大。Manasse等〔2003〕結(jié)合Logit模型分別從參數(shù)及非參數(shù)的角度對(duì)債務(wù)危機(jī)的預(yù)警作用進(jìn)行比較分析，結(jié)論表示清楚Logit模型雖能預(yù)測(cè)大部分危機(jī)，但將參數(shù)與非參數(shù)方法相與結(jié)合給出的危機(jī)預(yù)警精確率是最高的。同時(shí)，關(guān)于危機(jī)預(yù)警系統(tǒng)構(gòu)建的新模型也不斷出現(xiàn)，如人工神經(jīng)網(wǎng)絡(luò)〔ANN〕模型〔Nag等，1999〕、聚類方法〔Fuertes等，2007〕、二元遞歸樹〔binaryrecursivetree〕方法〔Manasse等，2009〕等。林伯強(qiáng)〔2002〕重點(diǎn)選取外債貯備比、通脹率、進(jìn)口貯備比等指標(biāo)，基于多元累積和〔MCS〕模型構(gòu)建了外債預(yù)警系統(tǒng)，結(jié)論表示清楚模型可提早一期發(fā)出信號(hào)。MarcoFioramant〔2008〕結(jié)合ANN模型構(gòu)建債務(wù)危機(jī)的早期預(yù)警系統(tǒng)，并通過與Probit模型的比較發(fā)現(xiàn)，由于神經(jīng)網(wǎng)絡(luò)模型的靈敏性，使得ANN等非參數(shù)模型的預(yù)測(cè)精確率即預(yù)警效果要優(yōu)于基于參數(shù)的Probit模型。胡援成等〔2013〕的研究也得出相近的結(jié)論。綜上，本文考慮分別基于參數(shù)模型及非參數(shù)模型對(duì)債務(wù)危機(jī)早期預(yù)警系統(tǒng)進(jìn)行比較分析，變量的選取參考Kamin等〔2007〕的做法分別選取對(duì)危機(jī)預(yù)警有解釋力的國內(nèi)因素、中間因素及外在沖擊因素等不同組其余危機(jī)預(yù)警指標(biāo)進(jìn)行預(yù)測(cè)分析，并比較各個(gè)不同組別之于危機(jī)預(yù)警的奉獻(xiàn)度，同時(shí)選取經(jīng)典的KLR模型的15個(gè)變量作為參照組進(jìn)行比較分析。本文的重要奉獻(xiàn)在于：〔1〕初次系統(tǒng)總結(jié)了債務(wù)危機(jī)相關(guān)預(yù)警指標(biāo)，并針對(duì)新興經(jīng)濟(jì)體國家進(jìn)行了檢驗(yàn)；〔2〕分別基于面板Logit及BP＿Adaboost模型對(duì)債務(wù)危機(jī)預(yù)警進(jìn)行測(cè)度比較?！?〕構(gòu)建了優(yōu)于傳統(tǒng)KLR模型的DIE模型，并對(duì)國內(nèi)、中間、國際等不同組別因素對(duì)債務(wù)危機(jī)預(yù)警的奉獻(xiàn)度進(jìn)行量化比較。在當(dāng)下我們國家債務(wù)危機(jī)潛在論甚囂塵上之際，本文的研究能夠從理論上提供一定的量化分析證據(jù)。本文下面內(nèi)容布置為：第二部分為數(shù)據(jù)說明及研究方法；第三部分為不同模型的實(shí)證比較分析；最后一部分為本文的重要結(jié)論。二、數(shù)據(jù)說明及研究方法〔一〕預(yù)警指標(biāo)選擇本文選取新興經(jīng)濟(jì)體〔E11〕國家1980～2011年的數(shù)據(jù)，去掉數(shù)據(jù)缺失的樣本點(diǎn)，本文所牽涉樣本共352個(gè)，其中未發(fā)生危機(jī)的有297個(gè)，發(fā)生危機(jī)的有55個(gè)。綜合考慮Kaminsky等〔1998〕學(xué)者關(guān)于危機(jī)預(yù)警系統(tǒng)測(cè)度指標(biāo)的選取，本文共總結(jié)出32個(gè)指標(biāo)：F1＿RER〔實(shí)際匯率〔直接標(biāo)價(jià)法〕，－〕、F2＿Exports〔出口額，－〕、F3＿Imports〔進(jìn)口額，＋〕、F4＿Stockprices〔股指，本文用市值／，＋〕、F5＿M(jìn)2／Reserves〔M2與國際貯備比，＋〕、F6＿output〔，－〕、F7＿excessM1〔超額貨幣需求，實(shí)際M1與其關(guān)于實(shí)際、通脹率、時(shí)間趨勢(shì)項(xiàng)的預(yù)期值的差，＋〕、F8＿Reserves〔國際貯備，－〕、F9＿M(jìn)2multiplier〔M2貨幣乘數(shù)，＋〕、F10＿DC／〔國內(nèi)信貸總量〔Domesticcredit〕／，＋〕、F11＿RIR〔realinterestrate，實(shí)際利率，＋〕、F12＿RID〔realinterestdifferential，與美國實(shí)際利差，＋〕、F13＿BankDeposits〔銀行存款，本文用BankDeposits／，－〕、F14＿L／Drate〔lendingrate－depositrate，國內(nèi)存貸利差，＋〕、F15＿Termsoftrade〔進(jìn)出口交換比率，－〕、F16＿growth〔實(shí)際增長(zhǎng)率，－〕、F17＿Reserves／Debt〔儲(chǔ)備／總外債，－〕、F18＿Debt／〔總外債／，＋〕、F19＿Debt／Exports〔總外債／出口額，＋〕、F20＿IP／Exports〔外債利息支付／出口額，＋〕、F21＿Short－debtratio〔短期外債占總外債比率，＋〕、F22＿M(jìn)2／〔M2／，＋〕、F23＿M(jìn)2growth〔M2增長(zhǎng)率，＋〕、F24＿REER〔實(shí)際有效匯率，＋〕、F25＿Inflation〔通脹率，＋〕、F26＿CA／〔經(jīng)常賬戶盈余／，－〕、F27＿BD／〔財(cái)務(wù)預(yù)算盈余／，－〕、F28＿FDI／〔外商直接投資／，－〕、F29＿CountryQuality〔國家品質(zhì)，－〕、F30＿M(jìn)arketsentiment〔市場(chǎng)情緒，＋〕、F31＿USBondYield〔美國10年期國債收益率，＋〕、F32＿OECDgrowth〔經(jīng)合組織國OECD實(shí)際年增加率，－〕。括號(hào)內(nèi)為各指標(biāo)說明及其關(guān)于危機(jī)的預(yù)期影響方向。國家品質(zhì)指標(biāo)根據(jù)PRSGroup發(fā)布的politicalrisk報(bào)告中的質(zhì)量、民主水平、投資前景、穩(wěn)定性及社會(huì)經(jīng)濟(jì)條件五個(gè)子項(xiàng)的加權(quán)平均，值越大則國家品質(zhì)越好；市場(chǎng)情緒指標(biāo)采取股市換手率指代；美國債10年期收益率數(shù)據(jù)來自美聯(lián)儲(chǔ)；同時(shí)由于一國實(shí)際有效匯率〔REER〕大于100往往有貶值壓力，小于100則往往有升值壓力，因而本文用〔REER－100〕代入模型進(jìn)行實(shí)證。本文的債務(wù)危機(jī)Crisis數(shù)據(jù)〔1表示下一年出現(xiàn)債務(wù)危機(jī)，0則反之〕取自Reinhart等〔2009〕，均為年度數(shù)據(jù)，數(shù)據(jù)來源為國際貨幣基金〔IMF〕的IFS數(shù)據(jù)庫及CEIC全球經(jīng)濟(jì)數(shù)據(jù)庫。〔二〕危機(jī)預(yù)警模型選擇債務(wù)危機(jī)的預(yù)警模型往往采取Logit模型〔Manasse等，2003；譚福梅，2009〕。離散選擇模型相對(duì)之前的信號(hào)分析方式的優(yōu)勢(shì)在于考慮了各變量間的關(guān)系，便于分析各個(gè)解釋變量在不同時(shí)點(diǎn)上對(duì)于危機(jī)預(yù)警的解釋力，進(jìn)而能更方便于政策的導(dǎo)向及施行。本文采取含隨機(jī)影響的面板Logit模型進(jìn)行債務(wù)危機(jī)預(yù)警系統(tǒng)的實(shí)證檢驗(yàn)。假設(shè)危機(jī)發(fā)生的概率Crisis為N個(gè)解釋變量Fi的函數(shù)，則隨機(jī)效應(yīng)面板回歸方程為：其中為參數(shù)向量，為特定國家效應(yīng)，而則是干擾項(xiàng)。Logit模型則假設(shè)Fit為L(zhǎng)ogistic累積分布函數(shù)：〔Fit〕＝exp〔Fit＋i〕［1＋exp〔Fit＋i〕，進(jìn)而可通過極大似然法進(jìn)行估計(jì)，本文所用的模型形式為：本文同時(shí)引入基于非參數(shù)法的BP＿Adaboost預(yù)警模型作比。BP＿Adaboost預(yù)警模型是通過選取多個(gè)BP網(wǎng)絡(luò)為弱分類器構(gòu)成的強(qiáng)分類器，對(duì)樣本進(jìn)行反復(fù)訓(xùn)練并給出預(yù)測(cè)，其算法步驟為：〔1〕數(shù)據(jù)選擇與網(wǎng)絡(luò)初始化。隨機(jī)選取n組訓(xùn)練樣本，初始化測(cè)試數(shù)據(jù)分布權(quán)值Dt〔i〕＝1n及BP神經(jīng)網(wǎng)絡(luò)權(quán)值與閥值?！?〕弱分類器預(yù)測(cè)。訓(xùn)練第t個(gè)弱分類器，并由BP網(wǎng)絡(luò)輸出預(yù)測(cè)序列q〔t〕的三、實(shí)證分析〔一〕單指標(biāo)預(yù)警系統(tǒng)的預(yù)測(cè)分析為比較各個(gè)指標(biāo)關(guān)于危機(jī)的相關(guān)性及其對(duì)危機(jī)的預(yù)測(cè)能力，本文分別對(duì)以上32個(gè)指標(biāo)進(jìn)行單變量的Logit方法檢驗(yàn)，根據(jù)檢驗(yàn)結(jié)果的各系數(shù)符號(hào)、信噪比NSR〔noise－to－signalratio＝［B〔B＋D〕］［A〔A＋C〕］〕及其一類毛病概率〔Type1error＝C〔A＋C〕，即實(shí)際有危機(jī)卻未發(fā)出信號(hào)〕和二類毛病概率〔Type2error＝B／〔B＋D〕，即實(shí)際無危機(jī)卻發(fā)出信號(hào)〕的綜合比較〔其中，A表示發(fā)出信號(hào)，且有危機(jī)發(fā)生；B表示發(fā)出危機(jī)信號(hào)，但實(shí)際沒危機(jī)；C表示未發(fā)出信號(hào)，而實(shí)際有危機(jī)發(fā)生；D表示預(yù)測(cè)無危機(jī)，實(shí)際也無危機(jī)〕可得：除RER、Imports、StockPrices／及Marketsentiment四個(gè)指標(biāo)外，其余指標(biāo)對(duì)危機(jī)預(yù)警的作用符號(hào)都符合預(yù)期。一般而言，實(shí)際匯率RER越大，則貨幣低估越嚴(yán)重，同時(shí)對(duì)出口也有一定促進(jìn)作用；而進(jìn)口額的作用方向與出口額方向相反；股票市值與的比值過高則潛伏著資產(chǎn)泡沫的可能也就越大；市場(chǎng)情緒指標(biāo)越大表示清楚市場(chǎng)上投機(jī)氣氛濃烈厚重，因此發(fā)生危機(jī)的可能性也就越大，故以上四個(gè)指標(biāo)對(duì)危機(jī)的預(yù)警易發(fā)出毛病信號(hào)。貨幣發(fā)行相關(guān)變量〔ExcessM1、M2growth〕及通脹率等變量均與危機(jī)正相關(guān)，表示清楚貨幣超發(fā)在助推信貸泡沫的同時(shí)也孕育著通脹及危機(jī)可能。實(shí)際有效匯率與危機(jī)正相關(guān)說明，當(dāng)REER＞100時(shí)，危機(jī)發(fā)生的可能性較大；而當(dāng)REER＜100時(shí)，危機(jī)發(fā)生的可能較小，這也與上文說明一致?！捕郴贚ogit模型的預(yù)警效果比較本文選取國內(nèi)因素、中間因素及外在沖擊因素〔External－shockVariables：Termsoftrade、USBondYield、OECDgrowth〕等共18個(gè)變量構(gòu)建DIE模型進(jìn)行實(shí)證檢驗(yàn)。同時(shí)由表1可知，F(xiàn)1～F15即為Kaminsky等〔1998〕所提出的KLR模型的15個(gè)解釋變量，因而本文以KLR模型作為參照組，以本文所建DIE模型作為比較組展開比較分析，被解釋變量為Crisis，兩組變量的Logit模型實(shí)證結(jié)果如表1和表2所示。其中，樣本內(nèi)預(yù)測(cè)精確率為相應(yīng)模型對(duì)于危機(jī)預(yù)警的精確辨別概率，即〔A＋D〕〔A＋B＋C＋D〕。由表1和表2可知：KLR模型中output、RID、Termsoftrade等變量的系數(shù)符合與預(yù)期不符，一般而言一國產(chǎn)出越多、經(jīng)濟(jì)較快增加則基本面往往也是向好的；而高利率不僅對(duì)投資產(chǎn)生晦氣影響，同時(shí)過高的利率會(huì)掣肘公、私部門間的投資搭配及有限資源的協(xié)調(diào)高效利用。因而，一國利率市場(chǎng)化水平越高、進(jìn)出口貿(mào)易條件越好則該國抵御風(fēng)險(xiǎn)的能力也往往越好。由單變量的預(yù)測(cè)效果可以知，KLR模型中采取了部分對(duì)危機(jī)缺乏預(yù)警效能的變量。DIE模型中除Debt／Exports外，其余各變量對(duì)危機(jī)的影響方向與預(yù)期較一致，過度的貨幣需求、貨幣超發(fā)及高通脹率與危機(jī)呈顯著的正相關(guān)；經(jīng)常賬戶盈余、FDI以及Termsoftrade越高則具體表現(xiàn)出了一國良好的出口貿(mào)易環(huán)境及境內(nèi)投資吸引力；一國品質(zhì)越好，則其社會(huì)經(jīng)濟(jì)條件也越佳，穩(wěn)定性與民主水平等也越好，這些都有利于一國經(jīng)濟(jì)的健康穩(wěn)定運(yùn)行及對(duì)外投資吸引力。同時(shí)DIE模型的準(zhǔn)R2〔0．6776〕和樣本內(nèi)預(yù)測(cè)精確率〔89．77％〕均明顯高于KLR模型。在各信號(hào)指標(biāo)的比較中，DIE模型的信噪比為0．0950，遠(yuǎn)小于KLR模型。且DIE模型犯第一類毛病〔即未發(fā)出信號(hào)但危機(jī)有發(fā)生〕的概率是29．09％，而KLR模型犯第一類毛病的概率到達(dá)61．82％；另外，DIE模型犯第二類毛病〔即發(fā)出信號(hào)但實(shí)際無危機(jī)〕的概率僅為6．73％，而KLR模型犯第二類毛病的概率是21．21％。綜上可見，本文構(gòu)建的DIE模型要比經(jīng)典的KLR模型有更高層次的預(yù)測(cè)精確率。〔三〕基于BP＿Adaboost模型的預(yù)警效果比較為了比較參數(shù)與非參數(shù)模型對(duì)于危機(jī)預(yù)警效能的差別，本文進(jìn)一步基于BP＿Adaboost模型對(duì)以上兩個(gè)模型進(jìn)行危機(jī)預(yù)警分析，本文采取10組弱分類器BP網(wǎng)絡(luò)構(gòu)建強(qiáng)分類器對(duì)樣本進(jìn)行分類預(yù)測(cè)，樣本內(nèi)模仿的結(jié)果如表3所示。由表3可知，無論是KLR模型還是DIE模型，在非線性模型下的預(yù)測(cè)效能均要優(yōu)于線性Logit模型的估計(jì)結(jié)果。樣本內(nèi)模仿的準(zhǔn)確率分別提高到91．19％和94．60％，同時(shí)犯第一類毛病和第二類毛病的概率均有所下降。在BP＿Adaboos模型測(cè)度下，信噪比較小，可見非線性模型在樣本內(nèi)對(duì)于危機(jī)預(yù)警的模仿效果較好，信號(hào)質(zhì)量更高層次，所傳遞的真實(shí)信息更多。鑒于非參數(shù)方法較高的預(yù)測(cè)效能，故可用于與參數(shù)方法的比照及佐證。但同時(shí)也應(yīng)看到，非參數(shù)法由于更多的是黑箱〔blackbox〕形式的測(cè)度經(jīng)過，難以明晰相關(guān)變量間的著重點(diǎn)及互相關(guān)系，因此也就難以有效運(yùn)用到政策實(shí)務(wù)中去。〔四〕各影響因素對(duì)于危機(jī)預(yù)警的奉獻(xiàn)度分析為進(jìn)一步研究不同變量組對(duì)危機(jī)預(yù)警系統(tǒng)構(gòu)建的奉獻(xiàn)度，本文采取InessaLove等〔2006〕提供的面板VAR的分析方法對(duì)DIE模型中的國內(nèi)因素、中間因素以及外在沖擊因素進(jìn)行分組的方差分解分析，其中，最優(yōu)滯后階數(shù)基于AIC、SBIC及HQIC原則取為3。由于DIE模型中三個(gè)組其余變量太多〔共18個(gè)〕，因而，首先參照王培等〔2009〕的方法對(duì)三個(gè)組別進(jìn)行面板主成分分析，并根據(jù)累積奉獻(xiàn)率，分別提取四個(gè)國內(nèi)因素主成分DF1、DF2、DF3、DF4〔累積奉獻(xiàn)率81．38％〕；三個(gè)中間因素主成分IF1、IF2和IF3〔累積奉獻(xiàn)率85．07％〕；以及兩個(gè)外在沖擊主成分EF1〔累積奉獻(xiàn)率81．07％〕。三種不同因素沖擊對(duì)危機(jī)發(fā)生的方差分解結(jié)果如表4所示。由表4可見：方差分解的結(jié)果在40期以后即趨于穩(wěn)定，大致而言，本國因素能解釋危機(jī)的22．01％、中間因素大致為13．93％、外在沖擊因素為5．18％。即，危機(jī)關(guān)于國內(nèi)因素及中間因素的反應(yīng)較大，但各變量的沖擊都不具長(zhǎng)期的連續(xù)作用，這是由于危機(jī)國家往往會(huì)在危機(jī)發(fā)生當(dāng)年及之后采用相應(yīng)的辦法穩(wěn)定經(jīng)濟(jì)發(fā)展。綜上，對(duì)于一國債務(wù)危機(jī)的風(fēng)險(xiǎn)防控，一個(gè)穩(wěn)定健康發(fā)展的國內(nèi)經(jīng)濟(jì)基礎(chǔ)是首要任務(wù)，良好的社會(huì)經(jīng)濟(jì)環(huán)境和強(qiáng)有力的穩(wěn)定有助于外貿(mào)的和諧發(fā)展。外在沖擊因素在全球金融危機(jī)時(shí)存在一定的傳染性，但長(zhǎng)期而言并不是本國債務(wù)危機(jī)的主導(dǎo)因素?！参濉澄C(jī)預(yù)警系統(tǒng)的模仿結(jié)果本文同時(shí)基于Logit模型對(duì)DIE模型中的國內(nèi)因素、中間因素以及外在沖擊因素進(jìn)行分組預(yù)測(cè)比較，Model1為僅采取國內(nèi)因素、Model2為采取國內(nèi)因素和中間因素、Model3為采取所有因素，進(jìn)而分別基于這三個(gè)分組對(duì)危機(jī)進(jìn)行樣本內(nèi)模仿，限于篇幅本文僅給出巴西和中國的危機(jī)預(yù)警效果，如此圖1和2所示。由圖1可知：危機(jī)預(yù)測(cè)的概率在危機(jī)發(fā)生期間〔圖中豎線〕升高，而在無危機(jī)期間隨之下降，可見Logit模型具有一定的預(yù)測(cè)作用。相對(duì)而言在大的危機(jī)〔如1998～1999年〕期間同時(shí)考慮國內(nèi)外環(huán)境影響的所有因素模型給出的危機(jī)概率要更精確于其他兩組因素，財(cái)務(wù)赤字嚴(yán)重、巨額外債、外儲(chǔ)急劇縮減及外資大量流出以及同年俄羅斯及亞洲金融風(fēng)暴等等構(gòu)成了該期間巴西危機(jī)的內(nèi)外大環(huán)境，這也具體表現(xiàn)出了大的金融危機(jī)在各國間的風(fēng)險(xiǎn)傳染性。但同時(shí)可以看到，在危機(jī)發(fā)生期間，三組因素給出的危機(jī)預(yù)警結(jié)果較為一致，國內(nèi)因素對(duì)于危機(jī)的解釋度也很高，這也與上文脈沖響應(yīng)及方差分解結(jié)果較一致，而參加外在沖擊的模型估計(jì)結(jié)果與僅考慮國內(nèi)和中間因素的模型結(jié)果較接近，這也同樣說明了外在沖擊因素并不是一國債務(wù)額危機(jī)的主導(dǎo)因素，這也與Kamin等〔2007〕的結(jié)論一致；但大的全球金融危機(jī)則會(huì)在短期內(nèi)直接影響到新興經(jīng)濟(jì)體的進(jìn)出口外貿(mào)環(huán)境〔陳藝云等，2010〕，進(jìn)而通過CA／、REER、Termsoftrade、FDI等中間因素指標(biāo)影響本國經(jīng)濟(jì)。同時(shí)，2009年以來巴西發(fā)生危機(jī)的概率有趨升之勢(shì)，這與巴西在2008年全球金融危機(jī)后的刺激政策不無關(guān)系。2009以來巴西的貨幣供給量M2／的比值逐年攀升〔見圖3〕，進(jìn)而導(dǎo)致高出目的的通貨膨脹率，并進(jìn)而推高其物價(jià)和資金成本；同時(shí)2009～2011年巴西每年的總外債占比重均在65％左右，財(cái)務(wù)赤字占比重平均為－2．6％，接近－3％的門檻值〔沈中華等，2000〕；同時(shí)經(jīng)常賬戶也處于赤字狀況，實(shí)際有效匯率REER均跨越100，因而，可預(yù)見巴西仍有較大的通脹和貶值壓力，且發(fā)生危機(jī)風(fēng)險(xiǎn)較高。由圖2可知，中國固然在該時(shí)期內(nèi)暫未發(fā)生過債務(wù)危機(jī)，但2008年全球金融危機(jī)后，我們國家發(fā)生危機(jī)的概率也有所提升，其風(fēng)險(xiǎn)不容忽視。自2009年四萬億等的經(jīng)濟(jì)刺激政策以來，我們國家M2／比重不斷增長(zhǎng)〔見圖3〕，通脹風(fēng)險(xiǎn)較大，且2009年財(cái)務(wù)赤字觸及－3％的危機(jī)門檻值，至2012年仍處于財(cái)務(wù)赤字，且存在一定的銀行壞賬。比照REER及以上各因素而言，將來中國通脹風(fēng)險(xiǎn)及貶值壓力仍存在，發(fā)生危機(jī)的概率雖較小，但也應(yīng)引起足夠看重，尤其是在當(dāng)下我們國家地方債務(wù)規(guī)模龐大而又缺乏管控的情形下，化解債務(wù)風(fēng)險(xiǎn)，需要充足的警覺與看重，以及一攬子的綜合治理方案。四、結(jié)論本文根據(jù)E11新興經(jīng)濟(jì)體國家1980～2011年間的數(shù)據(jù)，通過單指標(biāo)的Logit模型選取預(yù)警指標(biāo)構(gòu)建包括國內(nèi)、中間及外在沖擊三種因素的債務(wù)危機(jī)預(yù)警系統(tǒng)，同時(shí)選取KLR模型的指標(biāo)作為參照組作比，并通過面板Logit與