大类资产配置方法论系列之八：宏观杠杆率见微知著 债券基金杠杆率的计算公式

引言

债务周期的基础回顾

债务周期的成因在于其内生的正/负反馈机制。确定性的经济行为导致了周期的产生，这其中最常见的就是信贷合约，当个人或企业从银行借款，就意味着在未来某一时间需要偿还给银行一个预先确定的金额。在信贷合约签署的那一刻起，未来一系列的经济行为都已经确定（前提是没有违约），这就形成了一个微观层面的信贷周期。从宏观的角度来看，在债务周期的扩张阶段，居民、企业和政府三大部门举债扩张，居民举债用于消费和购置资本品（住房、汽车），企业举债用于补充流动资金和投资，政府举债用于财政支出，经济总需求扩张，资产价格上涨，作为抵押品的资产价格上涨进一步驱动了债务扩张。在债务周期的收缩阶段反之，经济总需求下降，资产价格下跌，信贷进一步萎缩。这种自我加强的趋势导致了周期的存在，而在周期的拐点，资产价格泡沫破裂、外部事件冲击、货币政策转向等因素都可能成为趋势反转的诱因。

为什么从债务周期的视角研究资产配置？

债务周期一直是我们研究大类资产配置的核心框架之一，原因有三：

第一， 债务周期的周期性特征较好，容易划分周期阶段，结论具有稳定性，且领先于其他类型的经济周期。我们曾详细研究过市场探讨的各种类型的周期（《大类资产配置方法论系列之四：债务-通胀双周期资产轮动策略》，2023/1/3），包括库存周期、通胀周期、价格周期、金融周期、信贷周期等等，但债务周期是周期性特征最为明显，也因此更适合用于资产配置。实际上债务周期对大多数短经济周期都具有领先性，债务周期平均领先于使用PPI衡量的通胀周期10.9个月（约1/4个短周期），而库存周期是PPI的滞后指标。根据货币理论中货币供给量向通货膨胀的传导关系，我们认为债务周期正是短经济周期的驱动因素。

第二，债务周期与大类资产表现有着广泛的相关性，因此可以用于大类资产配置。从2004年的美林投资时钟开始，经济周期成为研究资产轮动的主流方法论之一，但是美林投资时钟从增长-通胀划分周期状态在国内的实践中经常出现紊乱。由于债务周期对通胀周期有着稳定的领先关系，而通胀周期与上市公司盈利、国债收益率、大宗商品价格乃至于汇率都有着直接联系，所以按照两个周期拐点位置划分周期阶段对大类资产表现有较好的解释能力，我们发现在同一周期内先后按照股票-商品-债券进行资产轮动，历史年化收益可达25%。

第三，债务问题是当今时代最重要的宏观经济问题之一。自2008年金融危机以后，全球经济复苏高度依赖债务扩张，根据BIS数据，2008年~2023年发达经济体非金融部门债务规模占GDP的比例（宏观杠杆率）从239.3%提高至274.5%，发展中国家则从106%提高至194.2%。但与此同时，高额的债务增长和货币供给却并未转化为通货膨胀和经济增长，相反流动性通过各种途径流入金融市场，形成实体经济的低速增长和资产市值快速扩张的分裂情形。当前经济周期的核心已从上世纪末的增长-通胀问题，转化为债务-通胀问题，流动性对资产价格的驱动作用已经高于真实经济增长。同时高额的付息压力和潜在信用风险也增加了金融体系的脆弱性，存量债务化解、避免资金在金融体系空转、财政与货币政策的关系等问题则成为金融改革的关键。

现有宏观杠杆率指标体系分解

杠杆率编制方法总论

工欲善其事，必先利其器。我们首先探讨现有宏观杠杆率指标体系的编制方法。从传统意义来讲，杠杆率的计算方法应当类似于企业的资产负债率，也就是使用总负债/总资产。但是实际情况下国家资产负债表的编制存在较大困难，所以宏观杠杆率的计算方法是使用总负债除以收入指标。在国家层面最常用的收入指标就是GDP，由于债务规模的统计采用名义值，所以GDP的指标也选择名义值。出于数据含义和指标稳定性的考虑，当前的统计惯例是杠杆率的分母使用名义GDP过去四个季度的累加值，也即TTM。

杠杆率的分子，也即债务规模，并非统计所有类型的债务，而是专指对金融机构负债。举例来说，对非金融企业债务规模的统计，只包括银行贷款、票据融资和上市公司股权等对金融机构的负债，而针对其他企业的应付、预收等不计入债务规模统计。严格来说上市公司股权并非全部由金融机构持有，但实践上仍计入了对金融机构负债。对居民来说，债务规模统计关注的是居民贷款，而不包括民间借款。不统计对非金融机构负债的理由可能有三：第一是实际统计上的困难，针对非金融机构的负债缺少公开、权威的统计；第二是宏观杠杆率更关注的是金融体系对实体经济的支持力度，所以需要剔除其他类型的负债；第三是对于不涉及金融系统的负债，较难引起蔓延性的债务危机，所以关注的程度也较低。由于宏观杠杆率的编制关注对金融机构的负债，所以实际使用的宏观杠杆率汇总指标——实体经济杠杆率，也叫非金融全社会杠杆率[1]，并不包含金融机构自身的负债。

[1] 实体经济杠杆率是社科院使用的名称，非金融全社会杠杆率是BIS使用的名称，即Credit to Non-financial Sector by Percentage of GDP。

宏观杠杆率按照非金融企业、居民和政府三大部门分别编制，实体经济杠杆率是各部门杠杆率的加总。在实际的指标计算过程中，会分别统计非金融企业、居民和政府三大部门对金融部门的总负债，再除以名义GDP（TTM），由此得到各部门的宏观杠杆率。将三大部门杠杆率加总，即得到实体经济杠杆率。社科院杠杆率除上述三大部门以外，还会统计金融部门的杠杆率，具体是使用对其他金融机构的负债除以名义GDP（TTM），但是不计入宏观杠杆率中。

使用这种口径的分部门杠杆率实际上是不可比的，因为未考虑部门收入占名义GDP比例的变化。根据秦栋（2023）的研究，分部门杠杆率的计算方法可以进一步拆解为两部分，即该部门对金融部门债务规模占该部门可支配收入的比例，乘以该部门可支配收入占名义GDP的比例。因此分部门杠杆率的变化有可能不是因为债务占收入的比例发生变化，而是因为该部门收入占GDP的比例出现了变化。

举例来说，按照社科院数据，我国居民杠杆率自2000年至2010年间从12.4%提升至27.3%，但是同期居民可支配收入占GDP的比例却从66.1%降至58.4%。因此使用居民杠杆率实际上低估了该时期居民债务负担的提升。使用分部门杠杆率进行国别比较时也面临相同的问题。按照BIS数据，2017年我国居民杠杆率为48.1%，美国居民杠杆率为77.6%，但是2017年我国居民可支配收入占名义GDP的比例为60.8%，美国则为76%，因此使用居民杠杆率横向比较会高估中美居民债务压力的差距。

衡量分部门杠杆率的可比指标是该部门的债务规模除以该部门的可支配收入，但是这种方法各部门杠杆率加总后将不等于实体经济杠杆率，且各部门的可支配收入统计起来也相对困难。实际情况中，由于各部门可支配入占名义GDP的比例总体稳定，且各国之间该比例的差异通常不会很大，所以使用目前的杠杆率口径可以近似比较债务负担的变化。

目前市场上使用的宏观杠杆率主要有两个来源，分别是社科院宏观杠杆率和世界清算银行（BIS）杠杆率，两者的编制方法有一定差异。社科院杠杆率专注于国内，提供季度杠杆率数据，约滞后2个月公布，除了实体经济杠杆率外，提供分部门的居民、非金融企业、金融企业、地方政府和中央政府杠杆率，数据可追溯至1993年。BIS杠杆率提供45个国家和地区的杠杆率数据（未计入发达经济体等加总项），约滞后2个季度公布，分项方面提供非金融企业、政府、居民及非盈利组织杠杆率，部分数据同时提供市值和名义值两种计价方式，单位也同时提供GDP占比、购买力平价GDP占比、美元和本地货币等多种选择。后文我们分别探讨这两种杠杆率数据的编制方法。

社科院杠杆率的编制方法探讨

编制宏观杠杆率的关键在于债务规模的统计核算，社科院并未准确公布指标计算口径，但我们可以从金融机构信贷收支表、社会融资规模、财政预算等数据中估算指标口径。由于我们已经确定，分部门杠杆率的算法为该部门对金融部门债务规模/名义GDP（TTM），而实体经济杠杆率等总量指标为各部门杠杆率数据的加总，所以编制杠杆率的关键就在于明确各部门债务规模如何统计。社科院曾在《中国国家资产负债表2015：杠杆调整与风险管理》等公开资料中提及杠杆率数据的部分计算方法，我们将结合这些资料和金融数据反推社科院杠杆率的口径。

居民部门杠杆率：使用央行公布的金融机构本外币信贷收支表中的住户部门贷款推算。居民部门债务规模的统计在所有部门中相对容易，因为居民部门对金融机构的负债仅包括银行贷款，不包括债券、票据等其他类型债权融资，且居民贷款在各类金融统计中口径清晰，容易找到对应数据。社科院居民部门债务规模使用的数据为中国人民银行公布的金融机构本外币信贷收支表中的住户部门贷款，使用该数据除以名义GDP（TTM）可以完美复算社科院公布的数据，社科院公布的是保留三位小数后的结果，并向前推演至1993年。目前尚未公布的2023年二季度居民部门杠杆率预计为59.7%。由于住户贷款可以进一步分解为经营性贷款/消费性贷款和短期贷款/中长期贷款，居民部门杠杆率也可以进一步细分，2023年二季度居民部门经营性贷款/消费性贷款杠杆率为12.7%/46.9%，短期贷款/中长期贷款杠杆率为14.5%/45.1%。

政府部门杠杆率：使用财政部数据计算中央政府债务，地方政府债务结合地方政府债、城投债和平台贷款计算。中央政府债务部分，社科院采用财政部全国财政预算数据，该数据为年度更新，包括内债余额和外债余额两部分，但是社科院未公布季度值的算法。我们采用中央政府债券托管量估算内债规模，但该数据略小于财政部数据，外债余额简单假定年内保持不变。地方政府债务部分，社科院统计中包含三部分：第一是融资平台贷款，由社科院自行估算，2014年底为10万亿；第二是城投债，使用Wind分类统计数据；第三是非融资平台债务，使用国家审计署统计的全国地方政务债务减去前两部分。我们发现，使用财政部公布的地方政府债务余额除以名义GDP（TTM）可以完美复算社科院公布的地方政府杠杆率，但是仅限于2017年财政部公布该项数据以后。

非金融企业杠杆率：使用金融机构信贷收支表、信用类债券存量和社融数据综合计算。社科院统计的非金融企业债务规模包含三个部分，第一是银行贷款，使用金融机构本外币信贷收支表中的非金融企业及其他部门贷款；第二是债务类融资，包括企业债、公司债、短期融资券和中期票据等，使用信用类债券存量规模；第三是通过银行体系采用信贷以外的信用中介获取的融资，包括信托贷款、委托贷款和银行承兑汇票等形式，分别使用信托业协会发布的信托公司贷款数据、社融中的委托贷款流量累计数据和央行《货币政策执行报告》中的商业汇票未到期与贴现余额的差额计算。我们使用金融机构信贷收支表和社融数据进行估算，得到的结果和社科院数据有一定差异，但趋势一致。

金融企业杠杆率：使用金融机构资产负债表中的借方与贷方数据分别计算。社科院提供的金融企业杠杆率包含资产端和负债端两项数据，经研究这两项杠杆率分别使用中国人民银行公布的金融机构资产负债表中的资产端和负债端数据计算，资产端杠杆率的口径是（其他存款性公司:对其他存款性公司债权+其他存款性公司:对其他金融机构债权）/名义GDP（TTM），负债端杠杆率的口径是（其他存款性公司:对其他存款性公司负债+其他存款性公司:对其他金融公司负债+其他存款性公司:债券发行）/名义GDP（TTM）。按照上述口径可以完美复算社科院公布的金融机构杠杆率数据。

世界清算银行杠杆率的编制方法探讨

世界清算银行的杠杆率编制方法较社科院有所不同，具体表现在债务规模的统计核算、杠杆率的部门分类及分部门杠杆率的计算口径上。BIS杠杆率提供45个国家和地区（包括发达经济体和新兴经济体）的杠杆率数据，约滞后2个季度公布。BIS同样采用宏观杠杆率等于各部门杠杆率数据的加总的方法编制，但是部门分类较社科院稍有不同。根据BIS官网提供的公开信息，我们可以确定BIS的宏观杠杆率按照私营非金融部门及政府两大部门分别编制，其中私营非金融部门又分为非金融企业及居民及为居民提供服务的非营利组织。由于我们已经确定，分部门杠杆率的算法为该部门对金融部门债务规模/名GDP（TTM），而实体经济杠杆率等总量指标为各部门杠杆率数据的加总，所以编制杠杆率的关键就在于明确各部门债务规模如何统计。我们重点关注BIS对中国杠杆率的编制并与社科院作比较，因此我们只涉及中国宏观经济杠杆率的估算。根据BIS官网公布的杠杆率数据的计算口径及数据来源，我们从中国人民银行、IWF、IWF-WEO等公布的数据反推BIS中国杠杆率的计算方法。

政府部门杠杆率：使用IMF-WEO数据库中政府部门净债务的名义价值数据推算。在政府部门债务计算方面，BIS公布的债务计算口径仅包括政府的核心债务工具：贷款、债务证券、货币和存款（第三类通常很小），并将政府与其分支部门的债务进行合并，政府实体之间的债权和负债被扣除。政府债务采用市场价值和名义价值两种计价方式，从而允许互补类型的分析。根据BIS的债务规模计提要求，对于只以较低频率(即每年)统计政府债务数据的国家，年度数据将被线性插值以获得季度数据。我们采取IMF-WEO数据库中我国政府部门净债务的年度数据估算中国政府债务规模，并采取线性插值方法获得季度数据。我们发现，使用IMF-WEO数据库公布的政府净债务余额除以名义GDP（TTM）可以几乎完美复算BIS公布的政府杠杆率。

居民部门杠杆率：使用中国人民银行公布的金融机构资产负债表中的其他存款性公司对其他居民部门的债权推算。根据BIS官网列出的中国居民杠杆率编制方法，居民部门的债务口径为国内银行为居民和为居民服务的非营利组织提供的贷款，数据来源为中国人民银行。居民部门对金融机构的负债仅包括银行贷款，不包括债券、票据等其他类型债权融资，且居民贷款在各类金融统计中口径清晰，容易找到对应数据。BIS使用的数据为中国人民银行公布的金融机构资产负债表中的其他存款性公司对其他居民部门的债权，我们发现，该数据除以名义GDP（TTM）可以完美复算BIS公布的杠杆率数据。预计目前尚未公布的2023年二季度居民部门杠杆率为58.98%。

非金融企业部门杠杆率：使用金融机构资产负债表中对非金融机构的债权和社融数据综合计算。BIS统计的中国非金融企业债务包含三个部分，第一是国内银行贷款，使用金融机构资产负债表中其他存款性公司对非金融机构的债权估算；第二是来自境外银行的跨境贷款，第三是非银行融资，使用中国人民银行的社融数据，包括非银行金融机构的委托贷款和信托贷款、企业债券和其他类社融（包括保险公司的支付赔偿款、房地产融资及小额贷款公司和借贷公司贷款等）。我们使用金融机构资产负债表和社融数据进行估算，得到的结果和BIS数据有一定差异，但趋势一致。

我们发现，BIS非金融企业杠杆率高于社科院非金融企业杠杆率，且差距在2016年第一季度开始逐步缩小。我们推测，2016年前BIS非金融企业杠杆率口径中的银行贷款和非银行融资可能存在重复计算部分。对于银行贷款，BIS使用金融机构资产负债表中其他存款性公司对非金融机构的债权来估算，但是这一数据还包含了除贷款外的非金融企业的债权，可能与社融数据中的企业债、委托及信托贷款存在重复，因此BIS编制下非金融企业的债务规模可能被高估。从2016年开始，BIS对非金融企业债务的计算口径进行了调整，调整后非金融企业债务包含两部分，一是来自境外银行的跨境贷款，二是社融数据减去非金融企业境内股票、政府债券、存款类金融机构资产支持证券及贷款核销，取消了原先的第一部分即国内银行贷款，这就避免了口径的重复计算。因此当2016年BIS计算口径调整后，BIS非金融企业杠杆率与社科院非金融企业杠杆率的差距逐步缩小至几乎持平。

编制月度高频宏观杠杆率

由于宏观杠杆率多为季度更新，因此实用性较差，我们在上述研究的基础之上编制月度高频宏观杠杆率。相较于更常用的金融数据如社融、M2等均为月度更新，季度更新的宏观杠杆率在投资领域的应用受到限制，在研究了社科院、BIS杠杆率的编制方法之后，我们可以构造月度高频宏观杠杆率，增加对债务周期阶段判断的时效性。与研究编制方法不同，构造月度高频杠杆率的关键在分母而非分子，因为分子端使用的债务数据多为月度更新，而分母使用的名义GDP却为季度数据，所以编制月度高频杠杆率的关键是将名义GDP拆解为月度数据。

由于分子端使用的债务规模数据多为月度更新，所以构造月度杠杆率的关键在于分母端名义GDP的分解，这又分为历史数据和预期数据两部分。举例来说在计算2023年7月杠杆率时，三季度GDP尚未公布，这里就需要使用预测值。对于已经有历史数据的部分，我们根据支出法将名义GDP拆分为月度值，依据消费、投资、政府支出和净出口的月度加总；对于预期数据的部分，我们依据实际GDP的Wind一致预期和历史季节性，再根据CPI和PPI数据预测GDP平减指数来处理。每月更新时，使用预期数据计算的结果为初步值，使用实际数据计算的结果为最终值。

将历史名义GDP拆分为月度

我们使用月度宏观数据估计各经济部门的支出，使用支出法将历史名义GDP拆分为月度数据。根据支出法定义的GDP，包含消费、投资、政府购买和净出口四个部分，我们使用当月社会消费品零售总额代表消费，当月固定资产投资代表投资，政府购买使用国家公共财政支出，净出口使用海关总署公布的数据。依据四个部分加总值占季度值的比例，对历史名义GDP进行季节性分解。值得一提的是，由于上述数据在1月或2月可能存在缺失，所以在每年一季度名义GDP的拆解中，我们使用平均分配进行处理，由于春节导致的季节性未纳入考虑，一季度结果存在偏差，但是影响相对有限。

将预期名义GDP拆分为月度

对于尚未公布的GDP数据，我们使用实际GDP增速的Wind一致预期，再根据历史工业增加值的季节性进行月度分解。对于需要使用尚未公布的GDP数据的情况下，我们采用Wind的实际GDP增速市场一致预期，再结合GDP平减指数的预测来计算名义GDP的预测值。而对于实际GDP的月度分解，工业增加值是更为合适的指标，因为工业增加值是为数不多的公布剔除价格因素后实际值的月度更新指标。具体来说，我们通过计算工业增加值历史3年的季节性，对Wind一致预期的实际GDP增速进行月度分解。

然后再根据CPI、PPI增速对GDP平减指数的滚动回归，计算GDP平减指数。在获得实际GDP的预测值以后，还需要对GDP平减指数进行预测来计算名义值。我们采用CPI、PPI两个指标对GDP平减指数历史3年的数据进行回归，再根据月度通胀数据计算预期GDP平减指数。由于实际情况下，通胀数据的公布时间通常落后于金融数据，为了提高数据更新的时效性，在金融数据公布（有了债务规模数据）之后，我们采用Wind一致预期的通胀数据来计算GDP平减指数的初步值，待通胀数据公布之后，再使用实际数据计算GDP平减指数的最终值，由此可以实现杠杆率数据与金融数据的同步更新。

结合债务规模计算月度杠杆率

对于分子端债务规模口径的选择上，我们采用接近于社科院杠杆率的口径，由此我们编制的月度杠杆率可用视为社科院结果的高频分解。在确定了名义GDP的月度拆分方法之后，构造月度杠杆率还需要确定债务规模的统计口径。我们在上文详细分析了市场最常用的社科院和BIS杠杆率指标口径，由于在国内不论是在投资决策还是政策选择上，社科院杠杆率是更常用的指标，而BIS杠杆率通常用在中长期的国别比较，所以我们的月度杠杆率口径选择接近于社科院杠杆率的口径，既可以视为社科院杠杆率的高频分解，也可以实时预测尚未公布的统计结果。

居民杠杆率使用金融机构信贷收支表数据计算，可以准确复算社科院杠杆率的结果。具体口径为金融机构本外币信贷收支表:境内住户贷款/名义GDP(TTM)。如前所述，还可以进一步计算短期/中长期和经营性/消费性债务的细项杠杆率。

类似于社科院杠杆率，月度政府部门杠杆率也可以分别计算中央政府杠杆率和地方政府杠杆率，使用财政部公布的结果与政府债券托管量。中央政府杠杆率的计算，包含两个频率不同的数据，第一是年度中央财政预算报告中的中央财政债务余额，涵盖内债和外债两部分，第二是中央政府债券托管量，这个是月度数据，总量略小于上述财政预算的结果。中央政府债务的年度值我们使用财政预算中的结果，月度我们根据托管量的变化值推算出来，其中隐含的假定是外债部分以及其他未计入托管量的债务年内保持不变，这样计算的结果与社科院杠杆率高度接近。地方政府杠杆率的计算也有两个数据来源，第一是财政部公布的地方政府债务余额，此为月度数据，包含了显性和部分隐性债务，但是仅有2017年11月以后的数据，第二是地方政府债券托管量，仅包含显性债务。在计算上，2017年11月以后的数据我们采用财政部公布的数据，结果可以完美复算社科院公布的杠杆率，而之前的数据我们结合社科院公布的杠杆率推算地方政府债务规模，再根据托管量的变化得到得到月度数据，因为社科院前期估算的隐性债务规模难以通过其他数据进行复算。

月度非金融企业杠杆率使用信贷收支表和社融数据综合计算，但这里可能存在少量隐性债务的重复计算问题。非金融企业杠杆率的口径为（金融机构本外币信贷收支表: 非金融企业及机关团体贷款 + 社融存量:委托贷款 + 社融存量:信托贷款 + 社融存量: 未贴现银行承兑汇票 + 社融存量:企业债券）/名义GDP(TTM)，使用该口径计算的结果与社科院结果差异不大，误差在-6% ~ +6%以内。选择该口径的原因在于结果和社科院结果最为接近，但是实际上可能存在部分地方政府隐性债务的重复计算问题，因为上文使用财政部统计的地方政府债务规模，包含了非政府债券形式存量政府债务，而这类指标在信贷收支表和社融统计中可能纳入企业部门统计。但是近年来经过债务置换和资产处置等方式非政府债券形式存量政府债务占比明显缩小，当前重复计算涉及的杠杆率仅0.24%，但是在处理历史数据时影响较大。

金融部门杠杆率也从资产端和负债端两方面编制，数据与社科院公布的结果完全一致。资产端杠杆率的口径是其他存款性公司:（对其他存款性公司债权 + 对其他金融机构债权）/名义GDP(TTM)，负债端杠杆率的口径是其他存款性公司:（对其他存款性公司负债 +对其他金融性公司负债 + 债券发行）/名义GDP(TTM)。

分行业宏观杠杆率的测算

在研究了宏观杠杆率的具体编制方法，并构造了月度高频杠杆率之后，我们还可以进一步深入杠杆率的结构性因素。传统意义上的债务和杠杆率研究仅限于实体经济杠杆率和三大部门杠杆率，但是通过合理的数据选择，我们还可以构造企业部门中的分行业杠杆率，进而得到从债务角度进行行业分析的结论，并对非金融企业杠杆率进行验证。

宏观杠杆率的编制方法是存量/流量，而传统的企业资产负债率是存量/存量，这是两者差异的主要来源。传统意义上衡量企业部门债务水平的资产负债率与宏观杠杆率实际上并不可比，由于编制方法的不同，过去20年间工业企业资产负债率实际上在下降，但是杠杆率却在提升，这实际上表明企业获取每单位收入需要的总资产有所提升。因此我们需要从杠杆率的角度研究企业杠杆水平，才能获得与宏观债务周期相一致的结论。

上市公司数据或工业企业数据

行业杠杆率的定义采用与宏观杠杆率相仿的行业对金融部门债务规模除以行业总销售收入（TTM）。分子端的定义相对明确，需统计行业对于金融机构的债务规模，这就需要存在分行业且资产负债表科目相对详细的数据，可以根据负债来源进行分解。分母端考虑可比口径来说应该选择名义GDP（TTM），但是考虑到数据的可得性，可以获得分行业详细债务数据的来源通常包含的企业数量有限，分母端选择GDP会使得杠杆率结果波动过小，所以我们选择对企业而言更常用的流量指标，也就是销售收入。从数据来源考虑，可以选择的分行业数据有两个，第一个是上市公司财务数据，第二个是工业企业经营数据，我们使用两个数据分别考察。

使用上市公司财务数据的优势在于科目详细、数据可信度高，但缺点在于样本量有限，更新频率略低，从上市公司财务数据构造的分行业杠杆率与社科院非金融企业杠杆率具有一致性。我们选择A股全部上市公司为样本量，按照中信一级行业分类，债务规模的口径选择短期借款 + 应付票据 + 一年内到期的非流动负债 + 长期借款 + 应付债券，分母选择营业收入（TTM），由此构造了分行业杠杆率。上市公司财务数据经过审计，因此可信度相对较高，且分类明确可以准确区分对金融机构负债，但是缺点在于上市公司数量占全部企业部门的比例仍较小，样本数量较少，而且仅能做到季度更新。在中信一级行业中剔除金融行业后的27个行业平均杠杆率历史波动与社科院非金融企业杠杆率一致波动，显示使用这种方式构造的分行业杠杆率是有效的。

另一种思路是使用工业企业经营数据，优势在于样本数量相对较多，且可以做到月度更新，但是缺点在于科目的分类较为粗糙、数据未经审计以及缺少第一和第三产业的企业，从工业企业经营数据构造的行业杠杆率与社科院非金融企业杠杆率并不同步波动。选取工业企业经营数据按照统计局行业分类计算分行业杠杆率，由于公布的科目较为粗糙，分子端债务规模数据选择总负债，分母端选择主营业务收入，由此计算分行业杠杆率。但是计算出的各行业杠杆率历史平均值与社科院非金融企业杠杆率存在一定差异，可能的原因有未明确区分对金融部门债务以及仅包含了工业企业数据。出于与宏观杠杆率可相互验证的考虑，我们选择上市公司数据构造分行业杠杆率。

从历史数据观察谁在加杠杆？

周期行业：杠杆率波动高度趋同，与宏观杠杆率存在明显相关性。石油石化、煤炭、钢铁、有色和化工行业的杠杆率波动高度一致，但是煤炭和钢铁行业弹性更大。从历史数据观察周期行业杠杆率与宏观杠杆率存在明显的相关性，但是2010至2015年的产能过剩阶段，周期行业杠杆率持续上升，未出现宏观杠杆率的阶段性下降。

基础设施与地产产业：各行业杠杆率波动并不一致，仅部分行业与宏观杠杆率同步波动。该产业链杠杆率波动差异较大，仅房地产和电力及公用事业杠杆率与非金融企业杠杆率有一定相关，行业驱动因素偏向于宏观，建筑行业杠杆率较为平稳缺少波动，建材与交运行业自2010年以后不再与宏观杠杆率同步波动，或与行业成熟度提升有关。

制造业：行业杠杆率与宏观杠杆率具有一致性，且近年来波动幅度有所加大。制造业行业杠杆率一致性较高，除国防军工以外历史杠杆率波动幅度均不大，较为稳定。但是2018年以后制造业杠杆率波动幅度明显放大，且与宏观杠杆率具有相关性，这可能与“去杠杆”、“降成本”的货币政策对制造行业影响较大有关。

消费行业：行业杠杆率一致且稳定，与宏观杠杆率与微弱的相关性。消费行业基本面在过去10年持续改善，且经营稳定历史杠杆率波动幅度很小，仅消费者服务行业在2010年前后有较大的波动。消费行业杠杆率与宏观杠杆率仅有微弱的相关性，反映宏观经济周期对消费行业的影响相对有限。

科技与医药行业：宏观驱动并不明显，行业杠杆率与宏观杠杆率并不相关。科技与医药行业杠杆率波动也不具备一致性，且与宏观杠杆率波动不明显，显示经济周期对该产业的影响相对较小，且各行业之间的联动也不明显，科技行业往往具备自身的周期性，而杠杆不属于核心驱动因素。

风险因素

社科院与世界清算银行口径公布并不明确，存在估算（可能会导致据此计算结果不准确）；杠杆率的历史表现可能难以推演至未来；底层数据存在统计误差。