Har Kinas skuld en positiv effekt på EU-områdets tillväxt?

Har Kinas skuld en positiv effekt på EU-områdets tillväxt?

Abstrakt

Studien undersöker korrelationen mellan Kinas skuld och EU-områdets tillväxt, vilket genomförs med en vektor autoregressiv analys (VAR-analys). Prognoserna genomförs med VAR och ARIMA metoder.

I undersökningen använder jag data från tiden 2007-2019. Ämnet är världsekonomisk betydelsefullt eftersom Kina är en signifikant spelare på världsmarknaden. Undersökningen visade att Kinas skuld har en fördröjd korrelation med EU-områdets tillväxt.

Andreas Engström, 41670 Ekonomiska prognoser – Nationalekonomi Fakulteten för samhällsvetenskaper och ekonomi Åbo Akademi 2019

1. Inledning och bakgrund 2. Data

3. Teori 4. Metod 5. Resultat

6. Källförteckning

7. Appendix

Inledning och bakgrund

Hur stor inverkan har Kina på världsekonomin är debatter som pågår. Denna studie undersöker dynamiska sambandet mellan Kinas skuld och tillväxten i Europa. Studien använder Tysklands och aggregerade EU-områdets BNP (%) som tillväxt indikator.

Figur 1.1 Kinas skuldutveckling och Kinas-, Tysklands- och EU-områdets BNP (%) 2008-2019, M=Månad

Kinas tre stora skuld cykler åren 2009,2013,2016 påverkar först BNP i Kina och sedan Europa.

Diagrammet visar att Kinas skuld har haft en inverkan på Europas tillväxt med en fördröjning. Orsaken är bland annat att EU-området är öppen till omvärlden (BCA, 2015). Kinas expansiva penningpolitik sprids till omvärlden på en global världsmarknad.

-100102030

Jul 07 Jul 10 Jul 13 Jul 16 Jul 19

Kinas Skuld (%) EU-områdets BNP (%)

Kinas BNP (%) Tysklands BNP (%)

Figur 1.2 Kinas penningpolitiska effekt på omvärlden, (+) = ökar

Kinas expansiva penningpolitik orsakar två scenarier, ökad tillväxt och ökad skuld. När Kina stimulerar ökar tillväxten och importen. Kina är världens näst största ekonomi med tanke på BNP, och ligger i en investerings-modell, vilket betyder att Kina är världens största importör(IMF, 2004).Sambandet mellan Kinas totala import och Tysklands totala export (Figur 5.2).

Kinas import ökar tillväxten i omvärlden men påverkar också globala råvara indexen (Figur 5.4), givet att Kina är en tillräcklig stor ekonomi för att kunna påverka världsmarknaden. Desto mera handel ländar har med Kina desto större blir effekten. Kinas PPI följer globala råvaruindexen, illustreras i Figur 5.3.

Högre PPI indikerar i att företagens resultat stiger, vilket också orsakar tillväxt till omvärlden. Positiva prisförändringarna kommer direkt till företagens resultat, Figuer 5.5. Å andra sidan ökar skulden för kinesiska företag, vilket ökar finansiella riskerna i framtiden. Skuldens realränta ökar enligt Taylor- regeln, det vill säga att tillväxt skapar inflation (Burda, 2013). Cirkeln får en ny skuld våg varje gång när Kina stimulerar med expansiv penningpolitik. Men vågen återhämtar sig alltid tillbaka till dess medelvärde. Detta antagande kallas för stationäritet och kommer att behandlas senare i studien.

Kina använder vid behov alla penningpoliska kanaler för att stimulera ekonomin och upprätthålla tillväxtmålen, samt andra monetärpolitiska mål (IMF, 2004). Men i denna studie fokuserar jag på Kinas skuld kanal. VAR-analys används för att mäta korrelationer mellan makroekonomiska variabler. Tillslut gör jag en prognos på hur Kinas skuld kommer att påverka EU-områdets tillväxt under kommande åren.

Data

Undersökningen befinner sig under tidsintervallet 01.12.2007-01.10.2019. Allt data är hämtat från CEIC data. Observera att kvartalsdata är ändrat till månader genom att standardisera kvartalen.

Undersökningen innehåller data på makroekonomiska variabler:

Kinas data:

Inhemsk skuld (%): Månadsdata: Kina Totala import (%): Månadsdata: Kina PPI (Föregående år=100):Månadsdata: Kina BNP (%): Kvartalsdata: Kina

Aktiemarknad index (1000=31.12.2004): Shanghai Shenzhen 300: månadsdata: Kina Korta räntor 3 mån (%): Månadsdata: Kina

Tysklands data:

BNP (%): Kvartalsdata: Tyskland Totala export (%): Månadsdata: Tyskland

Aktiemarknad index (30.12.1987) =1000: DAX: månadsdata: Tyskland

EU-områdets och Europa data:

BNP (%): Kvartalsdata: EU-området

Aktiemarknad index (31.12.1991)=100: Dow Jones Euro Stoxx: månadsdata: Europa

Global data:

Globala aggregerade råvara index (2006=100):Månadsdata: Global

Teori

3.1 Expansiv penningpolitik

Centralbanker har tre huvudsakliga penningpolitiska verktyg för att stimulera ekonomin.

Räntestimulans, värdepapperinköpsprogram och valuta devalvering (Burda, 2016). Skuldkanalen tillhör också penningpolitiken men betraktas oftast som en följd av sjunkande räntan (Figur 5.6). Kinas räntestimulans fungerar på ett annat sätt jämfört med ECB:s åtgärder. På grund av att Kinas stat äger största delen av kinesiska företagen (IMF, 2019). Med räntestimulans sänker centralbanken räntan för att utöka låntagande. Under senaste decennier har kinesiska företagsskulden och utbudet på pengar ökat exceptionellt mycket. Expansiva penningpolitiska åtgärder har inverkan på omvärlden om åtgärderna är tillräckligt stora (IMF, 2004).

Figur 3.1 Verktyg för expansiv penningpolitik (+)= ökar och (-) = minskar, sjunker eller försvagar

Figuren 3.1visar på vilka sätt kinesiska centralbanken utför expansiv penningpolitik och hur det påverkar omvärldens tillväxt. Värdepapperinköpsprogram ökar likviditetens kvantitet i ekonomin. Valuta devalvering förstärker exporten. En lägre ränta ökar investeringarna, för att investeringarnas nuvärde blir högre, vilket resulterar i att allt fler investeringar blir lönsamma. Alla dessa effekter ger en positiv chock till omvärlden.

3.2 Stationäritet

När det kommer chokar till ekonomin är det värt att anta att choken skall återhämta sig till sin start punkt. Till exempel betyder detta att Kinas skuld våg inte skall förbli förevigt, utan vågen skall återhämta sig efter en tid. Antagandet kallas för stationäritet, vilket används vid prognostisk och diagnostik vid tidserie modeller. Om en tidserievariabel icke är stationär, är feltermens varians starkt korrelerat med endogena eller exogena variablerna, vilket orsakar en spridning längs estimatet och ger overkliga resultat. Tidserievariabler är stationära då alla värden på autokorrelation och partiella autokorrelation testen är mindre än ett

Bowerman, B., O’Connell, R. & Koehler, A. (2005).

Om tidserien inte är stationär till sin karaktär krävs det differentiering. Om tidserien blir

stationär av en differentiering är tidserien integrerad av grad ett. Om tidserien kräver två

differentieringar är tidserien integrerad av grad två och så vidare. Ett sätt att kontrollera stationäriteten är Dickey-Fuller testet, vilket bygger att kontrollera om nollhypotesen eksisterar.

Då vi inte kan förkasta nollhypotesen ger Schwartzs Bayesians information kriterium (SBIC) oss en så kallad Unit Root. Antalet laggar beviljats till endogena variablerna också enligt SBIC:s rekommendation.

Metod

4.1 Vektor autoregression (VAR)

Under de senaste årtionden har VAR modellerna fungerat bra vid makroekonomiska analyser och prognoser.

Problem med VAR-analys är att den inte har ett stark teoretiskt ramverk. Fastän VAR modellen fick nobel pris år 2011. Priset donerades på grund av att modellen lyckats prognostisera bra makroekonomiska

I VAR modellen är alla variabel värden estimerade med linjär funktion på historiska observationer. När det gäller multipel tidserie-analys, estimerar VAR modellerna korrelation bra. Men ger inga bevis på underliggande kausaliteten. Problem kan uppstå i val av variabler, för att VAR modellen letar korrelationen i data med endast en given formel. Korrelation behöver inte betyda att estimatet är kausalt.

Dock finns det olika test som försöker fånga kausaliteten, till exempel Grangers kausalitet test (Tabell 5.1).

X

= k+ A

X

+ ... +A

X

+ u

Vid en simpel vektor autoregressiv process ovan är k konstanten, medan A

... A

är vektorers koefficienter för en specifik nummer på laggar av p. Ett värde på variebalen X i perioden t är estimerad på historiska värden på X och alla andra historiska variabler inkluderat i modellen, för en specifik lag. Feltermen är u

Det finns mängder av modeller som estimerar den lämpliga mängden laggar i modellen. Dessa

test modeller är till exempel, Akaikes ”final prediktion error” (FPE), Akaikes ”information

criterium” (AIC), Hannan and Quinns ”information criterium” (HQIC) och Schwartzs Bayesians ”information criterium” (SBIC),

Tabell 4.2 illustrerar specifika antalet laggar med diverse test

FPE och AIC tenderar att överestimera mängden av laggarna. Medan HQIC ger bättre estimat på lämplig lag ordning. Om man vill hålla prediktion mera simpel och utan en signifikant förlust av prediktion skall man använda ett mindre antal laggar. Det kan vara lämpligt att köra olika robust testar med olika lag mängder då man gör prognoser för VAR modeller.

Med VAR modeller uppstår det två väsentliga problem för undersökaren. Det vill säga, vilka endogena och exogena variabler skall tillhöra studien, samt hur många laggar skall inkluderas i variablernas effekter. VAR används i studien för att analysera och prognostisera hur endogena variablerna samverkar dynamiskt med varandra. Antaganden som gäller är att feltermen skall vara normalfördelad och inte korrelera med variablerna i modellen.

Tabell 4.3 illustrerar Kinas skuld effekt på EU-områdets BNP

För att förtydliga VAR estimatens kovarianser ovan skapar jag en formel av Kinas skuld (%) (Ii) och EU-områdets BNP (%) (Ei). EU-områdets BNP antas ha en positiv korrelation med variabeln (Ii). Dessutom kunde man tillägga ett antal exogent givna variabler. I detta exempel använder jag bara en, vilken jag namnger Z. I exemplet använder jag 3 laggar.

(2)

Ii

a

Ii

+ a

Ei

+ b

Ii

+ b

Ei

+ C

Ii

+C

Ei

+ Z

+ Ɛ

Ei

a

Ei

+ a

Ii

+b

Ei

+b

Ii

+ C

Ei

+C

Ii

+Z

+ Ɛ

Ekonometriska modellen ovan illustrerar en enkel VAR modell med tre stycken laggar. Varje endogen variabel får en egen ekvation. Desto mera laggar desto mera påverkar de förflutna modellen. I detta fall så skulle det löna sig att använda fler laggar för att Kinas penningpolitiska åtgärder kommer med en fördröjning till Europa.

4.2 Impuls respons funktion (IRF)

VAR-modellen är ypperlig för att simulera chocker i endogena variablerna. I detta fall är choken Kinas skuld och hur den påverkar olika endogena variabler. Genom en chock kan man få reda på hur stor choken är på de olika endogena variablerna och hur lång påverkan har choken.

-2 -1 0 1 2

-2 -1 0 1 2

-2 -1 0 1 2

-2 -1 0 1 2

0 5 10 15 0 5 10 15 0 5 10 15 0 5 10 15

varbasic, chinaBNP, chinaBNP varbasic, chinaBNP, eurobnp varbasic, chinaBNP, germanyBNP varbasic, chinaBNP, kreditimpuls

varbasic, eurobnp, chinaBNP varbasic, eurobnp, eurobnp varbasic, eurobnp, germanyBNP varbasic, eurobnp, kreditimpuls

varbasic, germanyBNP, chinaBNP varbasic, germanyBNP, eurobnp varbasic, germanyBNP, germanyBNP varbasic, germanyBNP, kreditimpuls

Kinas skuld --> Kinas BNP Kinas skuld --> EU-områdets BNP Kinas skuld --> Tysklands BNP Kinas skuld --> Kinas Skuld

95% CI Impuls respons funktion (IRF)

Figur 4.1. Kinas skuld (%) effekt på EU-områdets och Tysklands BNP (%)

På fjärde raden ser man positiva korrelationen mellan Kinas skuld, Tyskland och EU-områdets BNP(%).

Impuls responsen ovanför visar att Tysklands BNP påverkas hårdare av Kinas skuld jämfört med aggregerade EU-området. Kinas BNP och skuld har också ett positivt samband.

4.3 VAR prognos

Figur 3.2 Prognos: Kinas Skuld inverkan på EU-områdets BNP

Figur ovan visar hur att Kina kommer återigen att köra expansiv penningpolitik med skuldkanalen. Skulden kommer enligt prognosen att ha en fördröjd inverkan på Tysklands och EU-områdes BNP. I detta fall beror prognosen också stort sätt på att hur Kinas styrning kommer att agera i framtiden.

4.4 ARIMA prognos

ARIMA = (p,d,q) (3) ARIMA (Autoregressive integrated moving average) är en ytterligare prognos metod. Ovan illustreras ARIMA:s med dess tre komponenter. P står för antalet autoregressiva komponenter och q står för antalet

102540

Kinas skuld(%)

Jul 07 Jul 11 Jul 15 Jul 19 Jul 23

Kinas historiska skuld (%) Predikterad skuld (%) i Kina

-55

Euro BNP(%)

Jul 07 Jul 11 Jul 15 Jul 19 Jul 23

EU-områdets historiska BNP (%) Predikterad EU-områdets BNP (%)

-55

Tysklands BNP(%)

Jul 07 Jul 11 Jul 15 Jul 19 Jul 23

Tysklands historiska BNP (%) Predikterad Tysklands BNP (%)

VAR-analys

Prognos på Kinas skuld (%) och Eu-områdets BNP(%)

”moving average” komponenter. Medan d står för antalet differentieringar som krävs för att variabeln skall bli stationär.

Metoden genomförs med att estimera 3 komponenternas sammansatta värden med diverse test och sedan jämföra dem. AIC och BIC testen ger värden, var man därefter väljer den bästa komponent ordningen för att estimera prognosen. Antagandet är att tidserien måste vara stationär och att AIC värdet skall vara så lågt som möjligt. I fallet nedan gav komponent ordningen (1,1,0) det lägsta AIC värdet

Figur 4.3 illustrerar den Kinas predikterade skuld utveckling ett år framåt

Figur 4.3 prognos tyder på att Kina inte kommer att öka skulden under kommande år. Prognosen strider emot VAR prognosen. VAR prognosen estimerade att Kinas skuld skulle öka år 2020.

101520253035

2008m1 2010m7 2013m1 2015m7 2018m1 2020m7

Kinas historiska skuld (%) Kinas predikterade skuld (%)

Vid givna KPSS test bör Test-värdet vara mindre än kritiska värden. Med noll diffar är test-värdet exakt på 10 % nivån, men då man diffar en gång blir test -värdet ännu mindre. En differentiering krävs för att modellen skall bli stationär.

Figur 4.4 En differentiering AC test Figur 4.5 AR roten är inne i cirkeln

Figurerna 3.4 och 3.5 är ytterligare test på stationäritet. Testet 3.4 tyder å att tidsvariabeln är stationär med en differentiering och figuren 3.5 tyder på att estimat är ok, då AR roten ligger innanför cirkeln.

Arma diagnostestet illustreras i figur 5.7. Problemet med diagnostest i detta fall är att p-värden blev för låga. P-värden bör inte vara signifikanta annars innehåller feltermen information, vilket inte är önskat.

P-värdet på 10 laggen skall ligga vid ca 0.8, enligt tumregeln. Då p-värdet är högt innehåller feltermen vitt brus, vilket är önskvärt i en prognos modell.

Resultat

Undersökningen tyder på att Kinas ökade skuld har korrelation med Tysklands och EU-områdets BNP.

VAR prognosen tyder på att Kina skall öka återigen öka skulden år 2020, vilket kommer att ha en positiv effekt på BNP i Europa. Däremot strider ARIMA prognosen emot VAR, när det gäller Kinas Skuld.

Men ARIMA tar inte i beaktande övriga endogena och exogena variablers samvariation.

-0.60-0.40-0.200.000.200.40

0 10 20 30 40

-1-.50.51

-1 -.5 0 .5 1

AR roots

Källförteckning

Athanasopoulos, G., & Vahid, F. (2008). VARMA versus VAR for macroeconomic forecasting. Journal of Business & Economic Statistics, 26(2), 237-252.

BCA research, 2015 "Global Earnings leadership: Passing the baton"" European investment strategy, 20 august 2015, by Peter Berezin, Mathieu Savary, Jim Myloans, Melanie Kermadijan, and Isabelle

Bowerman, B., O’Connell, R. & Koehler, A. (2005). Forecasting, Time Series, and Regression. 4:de upplagan.

Duxbury: Books/Cole.

Burda, M., & Wyplosz, C. (2013). Macroeconomics: a European text. Oxford university press.

International monetary fund (IMF) (2004). China’s growth and integration into the world economy.

International monetary fund (IMF), (2019). WORLD ECONOMIC OUTLOOK: Global Manufacturing Downturn, Rising Trade Barriers. Hämtad 7.12. från,

URL: World Economic Outlook, Global Manufacturing Downturn ...https://www.imf.org › Files › Publications › WEO › October › English › text

Kungliga vetenskapsakademin (2011). “Scientifc Background on the Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2011”.Hämtad 7.12 från:

URL: https://www.nobelprize.org/uploads/2018/06/advanced-economicsciences2011.pdf

Shahrabi, J., Hadavandi, E., & Asadi, S. (2013). Developing a hybrid intelligent model for forecasting problems:

Case study of tourism demand time series. Knowledge-Based Systems, 43, 112-122.

Ceic data (u.å.) Hämtad 6.12 från:

URL: https://www.ceicdata.com/en

Appendix

(Figurer och tabeller)

Tabell 5.1 Grangers kausalitet test

5.2 Kinas import och Tysklands export (2009-2019), M=Månad -20020406080

Jul 07 Jul 10 Jul 13 Jul 16 Jul 19

M

Kinas totala import Tysklands totala export

Figur 5.3 Kinas totala PPI jämfört med Globala råaru index , M=Månad

5.4 Kinas totala import jämfört med Globala råvaru index, M= Månad

80100120140160180

Jul 07 Jul 10 Jul 13 Jul 16 Jul 19

M

Kinas PPI (Föregående år = 100) Globala råmaterial index (2006=100)

-50050100150200

Jul 07 Jul 10 Jul 13 Jul 16 Jul 19

M

Kinas totala import (%) Globala råmaterial index (2006=100)

Figur 5.5 Chinas aktiemarknad (1000= 2015) och globala råvaru index (2006 =100*30)

Figur 5.6. Kinas skuld (%) jämfört med Kinas korta 3 månaders räntor (%)

20003000400050006000

Jul 07 Jul 10 Jul 13 Jul 16 Jul 19

Shanghai Shenzhen 300 (2004=1000) Global råmaterial index (2006=100*30)

010203040

Jul 07 Jul 10 Jul 13 Jul 16 Jul 19

Kinas Skuld (%) Kinas korta räntor (%)

Figur 5.7 Arma diagnos test

Figur 5.8. Rötterna av följelagarmatrisen

-4 -2 0 2 4 6

2008m12010m12012m12014m12016m12018m12020m1

ARMA residualer

-.8 -.4 0 .4 .8

1 5 10 15 20 25 30 35 40

Lags

Bartlett's formula för MA(q) 95% konfident band

Autokorrelationer

0 0.025 0.05 0.1 0.2 0.4 0.8

1 5 10 15 20 25 30 35 40

Laggar Q-stat d.f. rättad för 1 ARMA parameters

P-värden för Q-statistik

-.8 -.4 0 .4 .8

1 5 10 15 20 25 30 35 40

Laggar

Partiella autokorrelationer

Diagnos för ARMA residualer

-1-.50.51

Imaginär

-1 -.5 0 .5 1

Reell

Rötter av följelagarmatrisen