石油价格对世界金融体系冲击的影响分析

山西财经大学王瑜、李高、王晶

1.研究背景 (3)

2.研究思路及模型设定 (4)

2.1.思路与模型 (4)

2.2.两个假设 (5)

3.样本的选择 (6)

4.金融体系综合指标的构建 (6)

4.1.变量的选择 (6)

4.2.金融体系综合指数的构建 (7)

4.2.1.金融体系综合指数构建方法 (7)

4.2.2.样本数据的处理 (8)

4.2.3.金融体系综合指数的测度结果 (8)

5. 油价对金融体系冲击的实证分析 (10)

5.1.GMM估计法的选择 (10)

5.2.GMM估计过程的实现 (11)

6. 模型的解释和经济意义的说明 (12)

7. 结论与建议 (13)

参考文献 (15)

附表 (16)

中文摘要：近年来，国际市场石油价格大起大落。在当前复杂多变的国际经济金融形势下，石油价格波动毫无疑问对国际金融体系造成了一定的冲击。然而目前国内外对这种影响的分析却寥寥无几。本文立足于石油的金融属性，着手于金融体系中的汇率、股票和货币三大市场，选取名义有效汇率指数、综合股指数、广义货币供应量（M2）指数等代表性指标，结合14个国家16期的季度数据，构建了反映金融体系总体情况的综合指数，并在此基础上构建动态面板模型，研究世界油价的变化对金融体系扩张或是收缩的影响程度的大小。本文利用结构方程模型解决了指标赋权的问题，采用广义矩估计法（GMM）实现了动态面板数据的估计检验。不仅有效地研究了14个国家石油价格对金融体系的冲击效应，还在定量研究方法上取得了突破，为今后的相关研究提供了重要的研究思路和解决途径。

关键词：世界油价金融体系综合指数动态面板模型

Abstract：In recent years, international oil price was up and downs. In view of the

complex financial status, there is no doubt that oil price on the international financial system caused some impact. However, there are few analysis of this impact at home and abroad. This paper based on financial attributes of oil and embarked on the three important market of financial system: exchange, stock and currency. Select some representative indicators of financial system such as the nominal effective exchange rate index, the stock price index and the money supply (M2) index, use 16 quarterly data of 14 countries to construct the composite index which can reflect the overall financial system, and on this basis to build the dynamic panel model for studing the influence’s level of expansion or contraction of financial system. In our paper, sructural equation model is to solve the problem of empowerment indicators, the use of GMM estimation (GMM) is to achieve the test of dynamic panel data’s estimation. It is not only effectively studing 14 countries in oil prices impact on the effects of the financial system,but also achieveing a breakthrough on qantitative research methods. We provide an important research ideas and solutions for future research.

Key Words:World oil price; index of financial system; dynamic panel model

1.研究背景

随着石油金融化的不断加深，石油的金融属性也与日俱增，当石油逐渐化身为金融市场里的一个交易宠儿，世界金融市场的波澜起伏亦愈来愈敏感于油价的风吹草动。2008年全球能源市场受金融危机的影响发生剧烈动荡，国际油价“过山车”式的急速增长并迅速下滑让石油市场经历了前所未有的大起大落。而石油超脱一般商品的国际战略性也使得油价的波动深深影响着一国乃至世界范围的金融体系和经济社会的发展。本文的研究将着重分析油价的变化是否对金融体系产生冲击影响？这种影响程度有多大？若存在影响那么金融体系的变化情况又如何？基于对以上问题的思考，本文将找到油价变化对金融体系影响的数量关系，这将有利于金融体系的决策机构在面对油价波动时，对未来金融市场的发展趋势做出正确的判断，从而尽可能的规避由于油价波动引起的动荡和风险。

早在2005 年 5 月，新古典宏观经济学大师Robert Barro就在《偶发危机世界里的资产价格》中对资产价格的波动这一世界难题进行了探究，并提出了一系列极富挑战性的问题：究竟是什么力量诱发了资产价格的暴涨暴跌？小概率事件为什么能够导致巨大的资产价格动荡？而目前看来，当各方将目光频频聚焦于国际油价波动对全球金融带来的巨大冲击的同时，也开始试图挖掘这种冲击力究竟是怎样产生的了。

对于油价波动与世界金融的相互影响国内学术界也是见仁见智。金融和油价相互影响力关系的研究在上世纪70年代初就因发生的石油危机应运而生。那一时期，随着世界油价剧烈波动，西方现代金融理论也得到不断创新：投资组合理论、资本资产定价模型(CAPM)、期权定价的布莱克—斯科尔斯模型为商品期货和金融期货的发展奠定了理论基础，石油期货的研究也因此蓬勃发展。目前国际上的研究大多是对金融体系中的某些方面和油价波动相互影响的分析：Krugman(1980)最早对石油价格与美元实际汇率之间的关系进行了研究，证明了油价上涨的初期效应和长期效应呈相反方向变化，油价上涨开始使美元升值，但是最终导致美元贬值。Amano 和Norden(1998)发现石油的美元名义价格与美元的实际有效利率都是时间的非平稳序列，并且存在协整关系；油价Granger引起汇率，反之不成立。Colognia和Manerab(2008)通过对G-7 国家的产出和价格受到油价冲击的分析，

建立了协整V AR模型结构式，从定量的角度描绘出了这种冲击的直接效应。

在国内，大连商品交易所的马瑾博士(2008)指出由于石油所具有的抵御通货膨胀和汇率风险的特性，使得石油金融化成为石油的一个新特征，将在原油交易中长期存在。这不仅造成大规模资金的流动，增加了价格波动幅度，为巨额资本创造操纵价格的可能性，而且有利于降低套期保值成本，提高金融市场对未来价格变化的灵敏性。田大地(2008)则从能源革命的角度说明：金融环境的优劣对油价的波动反映日益灵敏，这就需要政治经济新秩序的建立，各国政府制定和采取正确有效的政策，以及能源和环境的技术革新。黄运成等(2007)则进一步阐述石油市场对金融体系的影响力正在不断增强，这是由于石油的金融属性不断得到强化,已实现了从商品属性向金融属性的转换，石油交易已经演变成一种金融工具，而期货市场规模不断增大，对石油影响力也大于现货市场,定价权已成为石油市场金融化的核心所在。

金融体系是一个复杂多变的多层次系统，它的变化情况对一国宏观经济将产生连锁反应，有牵一发而动全身之力，科学及时的掌握对其的调控对一国经济具有至关重要的作用。前人的研究大多停留在对金融体系中的某一方面与油价之间关系的研究，研究目标较单一，没有考虑金融体系内部各领域在面对油价波动时的相互作用，割裂了金融体系整体的概念，没有形成一个油价变化对金融体系整体影响的分析。

鉴于此，本文选取金融体系中的三大基本市场：货币市场、股票市场、外汇市场作为研究角度，通过构建金融体系综合指数综合反映三大市场的变化情况，并在此基础上研究油价变化对金融体系冲击影响的程度。

2.研究思路及模型设定

2.1.思路与模型

本文试图回答两个问题：一是是由价格变动，是否会影响金融体系？二是，如果有影响，它对金融体系是什么影响？影响程度有多高？为了准确回答这两个问题，本文考虑选用广义货币供给量（M2）指数、股票价格指数、名义有效汇率指数三个变量分别表示货币市场、股票市场、外汇市场三大金融市场的变动，为

了得到一个金融市场综合变化的指标，我们对三个变量进行加权，构建一个综合反映金融体系波动的综合指数，根据这个指数的特点，指数变大说明金融市场进入扩张形态，指数变小说明金融市场进入收缩形态。即该指数的大小代表了金融体系的扩张或是收缩的过程。加权方法采用结构方程模型的协方差矩阵。

在此基础上，我们利用油价对金融体系影响机理，通过构建能够反映油价波动对金融体系冲击的动态面板模型，来反映油价变化对金融体系的影响情况，并运用GMM 估计方法量化这种冲击影响的程度，构建模型如下：

it i 13211εμααα++++=--it it it it W W F F 其中it F 是当期金融体系综合指标，它综合反映金融体系当期波动情况；1

-it F 表示金融体系上一期的综合指标；1α是反应上期金融体系的综合波动情况对当期金融体系的影响的程度的系数；

W 是反应当期油价波动情况的指标；

-it W 则是反

应上一期油价波动情况的指标，其中3

2αα和分别表示当期油价波动和上一期油价

的波动对金融体系造成的冲击程度。it ε

就是本模型的随机扰动项；i μ是固定效应。

2.2.两个假设

设定模型以后，我们可以根据本文研究的主要目的提出两个假设：假设1：如果油价波动对金融体系产生影响，则方程的的估计是有效的，石油对金融综合指数的系数检验是显著的。否则就是就说明无显著影响。

假设2：如果油价对金融体系的影响是显著的，有若：

W ，

-it W ＞0，则油价对金融体系的冲击是正向的，即油价上升会引

起金融体系走向扩张。

若：

W ，

-it W ＜0，则油价对金融体系的冲击是负向的，即油价上升会引起

金融体系走向收缩。

3.样本的选择

笔者选择的样本以发达国家为主，这主要是因为发达国家金融体系比较成熟，制度比较完善，受非市场因素影响较小，研究这些国家金融行业对油价波动的反映便于更好的明晰国际石油价格与金融市场变化的关系和传导机制。另外还选择了一些发展中国家作为样本国家，这主要是与发达国家的一个对比，同时也有助于发展中国家从发达国家的情况中吸取经验教训。考虑到数据的可获性和研究问题的全球性，本文选择了14个国家作为研究对象，具体是澳大利亚、巴西、加拿大、瑞士、中国、丹麦、日本、韩国、墨西哥、挪威、瑞典、土耳其、美国和新西兰。其中既包括了瑞士、丹麦等西欧发达国家，也包括日本、韩国作为亚洲发达国家的代表，美国、加拿大作为美洲发达国家的代表，还选择了中国、巴西等发展中国家。基本涵盖了全球各个地区和各个发展程度的国家，具有较好的代表性。

本文的研究涉及到14个国家的广义货币供给量（M2）指数、股票价格指数、名义有效汇率指数以及世界石油价格（WTI）指数，选择的时间跨度为2007年第一季度到2010年第四季度，共16期。其中，股票价格指数和广义货币供给量(M2)指数的数据来自中宏统计数据库和各国的中央银行网站；名义有效汇率的数据来源于世界银行网站；国际油价（WTI）的数据来源于中国石油期货网，本文选择了WTI美国西德克萨斯轻质原油作为世界油价的代表。各个指标的数据均换算成2005年各月为100的同比指数，然后将月度数据求均值得到季度的数据。期间包括了2008年全球金融危机及国际石油价格的剧烈变动，更有利于分析二者的相互关系。

4.金融体系综合指标的构建

4.1.变量的选择

为了实现金融体系综合波动的量化，笔者提出构建反映金融体系整体波动的综合指数。分别选取货币市场、股票市场、汇率市场的关键指标考量金融体系的

变化程度：汇率市场选取名义有效汇率作为考察指标，一国名义有效汇率是以贸易比重为权数的有效汇率，它所反映的是一国货币在国际贸易中的总体竞争力和总体波动程度；股票市场选取综合股指作为考察指标，它反映了一国股票市场总的价格水平的变化情况，可作为股市行情的“指标器”和经济景气变化的“晴雨表”；货币市场选取M2作为考察指标，货币供应量是中央银行重要的货币政策操作目标，M2作为更为广义的货币供应指标，对于大多数经济体而言，它更能有效的反映经济增长与通货膨胀。金融体系综合指数汇合了股票市场、货币市场、汇率市场三个方面的影响因素，综合体现了金融体系的波动程度。

4.2.金融体系综合指数的构建 4.2.1.金融体系综合指数构建方法

本文采用结构方程模型来实现金融体系综合指数的量化过程。结构方程模型（SEM ）是一种用显变量去度量潜变量的方法，主要原理是基于变量的协方差矩阵来分析变量之间的关系。测量模型为

x X ξδ

=Λ+ (1)

Λ为外源指标在外源潜变量上的因子负荷矩阵，ξ为外源潜变量，δ为残差，

本方程采用验证性因子分析方法，使用三个外源指标名义有效汇率指数、广义货币供应量（M2）指数、股票价格指数来反映金融体系的总体情况。方程的结构如下：

111

122123313x w x w x w δξδδ????????????=+????????????????

?? (2) 即

x X ξδ

=Λ+的矩阵表示。

将数据的协方差矩阵输入LISREL8.70，得到相应的权数，将三个指数加权相加即可得到反映金融体系综合波动情况的综合指数。

4.2.2.样本数据的处理

以数据的正态标准化作为各国三大金融市场的测度。原因为：各国的各期指数与相应的均值的离差为实际波动的测度，因各国实际数据变异程度不同，除以标准差实现各国之间的可比性。使用的方法是利用正态标准化和累计概率分布对各指标数据予以统一处理，将各指标数据化成0～100以内的数值。详细过程如下：第一步：对数据进行正态标准化，对于每一个国家，将指标X视为一个随机变量，服从均值为μ，方差为2δ的正态分布，即X~N（μ，2δ），通过计算得出μ和2δ，利用公式：

(3)

将X标准化，得出标准化后的数据X'；

第二步：用累计概率分布将X'化为0～100内的数，根据分布函数可以求出每个国家在各个指标上的累计概率分布值P，具体公式为

P e d t

-∞

(4)

将累计概率分布值乘以100得到最后处理后的数据。

4.2.3.金融体系综合指数的测度结果

将上文处理后数据的协方差矩阵输入LISREL8.70，得到以下结构图：

图1 显变量对于潜变量作用关系结构图

图中，方框代表外生观察变量，圆形代表潜变量即本文生成的综合波动指数，

箭头上的数值为对应的权数，方框旁的数字为误差项。将权数进行归一化处理，即令

P1＝0.76/(0.76+0.93+0.58) (5)

P2=0.93/(0.76+0.93+0.58) (6)

P3=0.58/(0.76+0.93+0.58) (7) 得出汇率、M3、股指在构成金融体系综合指数中的成分占比p1，p2 ，p3分别为0.3348，0.4097和0.2555，进而将各指标加权相加即可计算出相应国家的季度金融体系综合指数。计算公式为：

Y=0.3348X1+0.4097X2+0.2555X3 (8) 其中Y代表金融体系综合指数，X1，X2和X3分别代表汇率，M3和股指。

表1 各样本国家各指标及金融综合指标的得分情况

国家汇率M2 股指综合得分澳大利亚53.58 52.15 47.06 51.33

巴西52.17 49.45 48.79 50.19

加拿大52.50 49.88 51.32 51.12

瑞士48.95 49.01 51.04 49.51

中国51.84 48.78 52.27 50.70

丹麦49.68 48.48 47.99 48.76

日本50.67 47.17 48.41 48.66

韩国48.20 48.50 48.08 48.29

墨西哥49.36 47.92 47.25 48.23

挪威51.68 46.75 47.31 48.54

瑞典51.88 45.25 51.96 49.19

土耳其48.43 46.55 47.67 47.47

美国48.94 48.38 49.35 48.82

新西兰52.45 46.56 46.47 48.51

图2 各国金融综合指标变化图

5. 油价对金融体系冲击的实证分析

5.1. GMM估计法的选择

在动态面板数据模型中，由于因变量滞后项作为解释变量，从而有可能导致解释变量与随机扰动项相关，且模型具有横截面相依性。因而，传统估计方法进行估计时必将产生参数估计的有偏性和非一致性，从而使根据参数而推断的经济学含义发生扭曲。针对以上情况A rellano和Bond( 1991)提出了用一阶差分GMM法即first-differenced GMM估计方法对模型进行估计。

GMM（Generalzed method of moments）估计又称广义矩估计，是基于模型实际参数满足一定矩条件而形成的一种参数估计方法，它的基本思想就是选择使样本矩之间的加权距离最小。GMM 不需要知道随机误差项的准确分布信息，允许随机误差项存在异方差和序列相关，因而所得到的参数估计量比传统参数估计方法更有效。因此，GMM 方法在模型参数估计中得到广泛应用。可以证明普通最小二乘法、广义最小二乘法、工具变量法和极大似然法都是广义矩估计的特例。

5.2. GMM估计过程的实现

A:解释变量内生性的检验

在考虑对面板数据进行建模时，通常都要考虑数据是否具有固定效应，因为如果从单纯的实际操作角度来考虑，固定效应模型往往会耗费很大的自由度，尤其是对于截面数目很大的面板数据，随机效应模型似乎更合适。但另一方面，固定效应模型有一个独特的优势，我们无须做个体效应与其它解释变量不相关的假设，而在随机效应模型中，这个假设是必须被满足的，否则就会导致内生性问题，并进而导致参数估计的非一致性。

所以首先运用hausman检验法确定模型是否存在固定效应。通过检验得到的结论是：在模型为随机效应模型的原假设下，接受原假设的概率值P高达0.9997，这说明面板数据表现为具有随机效应，应当对其建立随机效应模型。

虽然随机效应的面板数据能避免解释变量的内生性问题，但这并不意味着模型就一定不存在内生性问题了。因为如果内生性问题只是由于与单位有关的并不随时间变化的变量与解释变量有关造成的，数据差分就能解决问题；但是如果这里所说的差分方法并不能解决随机项里包含的因素与解释变量间的关系导致的内生性问题，就要对模型继续进行解释变量内生性检验。

解释变量内生性检验的原假设为：所有解释变量均为外生变量。在此假设下，如果拒绝原假设，则认为存在内生解释变量，要用工具变量（IV）。得到的检验结果为，接受原假设的概率是0.0001，意味着需要用工具变量法对模型进行估计以解决解释变量的内生性问题。因此，我们选择与被解释变量无关的解释变量油价的滞后期变量作为工具变量对模型进行GMM估计。

B:估计结果

GMM估计结果如下：

表2 一步法系统GMM 估计结果（模型一）

解释变量估计参数t值

lf 0.8847166 54.43

w 0.0155991 0.53

lw -0.1701491 -6.41

cons 28.23534 11.59 其中lf、w、lw和cons分别表示金融体系综合指标的滞后一期变量，油价波

动变量，油价滞后一期变量和常数项。由于存在估计结果不显著的变量参数，因此去掉该变量对模型进行重新估计，得到下面的结果：

表3 一步法系统GMM 估计结果（模型二）

解释变量

估计参数 t 值 lf 0.8915576 37.20 lw -0.1639434 -8.01 cons

27.78785

13.27

去掉不显著变量it W 后，GMM 估计的变量参数在显著性水平为0.05时均显著。参看该模型GMM 估计的相关检验结果如下所示：

表4 GMM 相关检验结果

相关检验

检验统计量值

P 值 Sargan test 248.12 >1.000 AR(1) -2.99 >0.003 AR(2)

0.04

>0.968

以上两种统计检验结果说明：一是称为过度识别约束检验的Sargan 检验，由Arellano 和Bover( 1995)以及Blundell 和Bond( 1998)提出，主要用于检验GMM 的工具变量是否有效，也就是用来判断估计过程中所使用的矩条件工具变量总体上是否有效。由于本文模型的Sargan 统计量值高达245.33，所以我们有充分的理由可以接受原假设，即所设定的所有工具变量有效。二是自回归(AR)检验, 这种检验主要是用来判断残差在差分水平回归中是否存在序列相关。值得注意的是：在AR 检验中，残差项允许存在一阶序列相关，但不允许存在二阶序列相关。以上检验结果显示模型的一阶序列存在自相关，二阶序列不相关，也就是说我们的模型通过了自相关检验，即模型不存在自相关性。

综上所述，得到估计的模型为;

10.1639434-0.891557627.78785--+=it it it W F F (10)

（37.2) (-8.01) (13.27) F(1, 13) = 1210.60 prob>F=0.000

6. 模型的解释和经济意义的说明

如上述GMM 估计结果所示，金融体系综合波动指数

F 以及其滞后一期值

-it F ，石油价格的滞后一期指标1-it W 在0.05的显著性水平上显著，而油价波动的

当期指标it W 却是不显著的。由此验证了我们前面的假设：第一，石油价格的变化对金融体系确实存在影响，且这个影响具有滞后性，换言之，当期油价的变化带给金融体系的冲击并不会在当期反映出来，金融体系对油价的波动要做出反映是需要时间的。第二，油价指数对金融体系综合指数的影响的参数估计是负值，即油价的上涨会导致金融体系的收缩，油价的下跌会使得金融体系扩张。且油价上涨（或下跌）1%会导致金融体系产生16.3%的收缩（或扩张）。

该模型的经济学意义在于说明由需求大于供给导致的本期油价上涨会导致下期的金融体系的影响情况，而且这个影响会使得下期金融体系产生收缩。从长期看，在一个繁荣经济周期中，经常伴随股市高涨，货币供给量上升，实际汇率上升等等经济现象，由此金融体系就处于扩张状态，金融综合指数通常也较高。然而伴随着需求的不断上升因此导致了油价的不断上涨，这样经过一段时间，油价上涨对金融体系的冲击结果便逐步显现出来了，此时就表现为一定程度上的经济衰退，金融体系收缩，即金融体系综合指数下降。从短期看，油价的冲击对于金融体系各个指标影响的方向并不明确，这可能是由于各国政治经济情况差异所造成的。

此外，由于油价指数与金融体系综合指数的相关系数就反映了在面对油价波动1单位时，金融体系产生16.3单位的扩张或收缩变化的可能程度的大小。通过本文研究已证明油价的滞后一期值对金融体系的影响力显著。基于上述结论，本文进一步做了油价滞后一期值对金融体系总指标及其构成指标的相关性分析，并据此对研究的国家进行了聚类分析，分析结果显示：在我们所研究的14个国家中，油价的变化对中国和美国的金融体系产生冲击最大，其余国家的油价对金融体系冲击较小。这与两个国家全属于能源消费大国有关。

7. 结论与建议

依据本文结论，油价的动荡对金融体系产生的冲击是显著的，尽管有扩张性冲击和收缩性冲击的区别，但两种冲击都不利于金融体系的稳定性。所以应该从两方面采取加强措施：一是减少石油价格的剧烈波动，提高本国的石油储备，以

石油储备调节油价，在国际油价剧烈波动中保证本国的油价平稳，减弱国际油价波动对于本国金融体系的冲击。二是加强金融体系的抗冲击能力，针对国际油价的经常性大起大落，制定有效的对冲机制，分别从汇率、货币供应机制和股票市场管理机制上采取措施，保证国际油价的剧烈波动不会引起本国的金融波动。

参考文献

[1]Alessandro Colognia and Matteo Manerab, Oil Prices, Inflation and Interest Rates in A Structural Cointegrated V AR Model for the G-7 Countries，FEEM Working Paper No. 101.2005, 2008

[2] Arellano, Bond, Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations[J], Review of Economic Studies,1991.2

[3]Blundell，Bond, Initial Conditions and Moment Restrictions in Dynamic Panel Data Models[J].Journal of Econometrics，1998.(87).

[4]Krugman, Paul, V ehicle Currencies and the Structure of International Exchange [J], Journal of Money, Credit and Banking, Blackwell Publishing, 1980. vol. 12(3)

[5]Robert A. Amano and Simon van Norden, Oil Prices and the Rise and Fall of the U.S. Real Exchange Rate[J], Journal of International Money and Finance, 1998

[6]曹伟、林燕，中国货币政策有效性的实证研究：1984-2004年[J]，金融与经济，2005，（7）

[7] 陈飞、赵昕东、高铁梅，我国货币政策工具变量效应的实证分析[J]，金融研究，2002，（10）

[8]崔建军，中央银行学[M]，北京：科学出版社，2005

[9]黄达，货币银行学[M]，北京：中国人民大学出版社，2000

[10]黄佳音，危机与动荡_酝酿未来世界能源图景_2009年石油市场形势研讨会_综述之国际篇[C],国际石油经济，2008.12

[11]黄运成等.中国石油金融战略体系构建及风险管理[M],北京:经济科学出版社, 2007

[12]侯杰泰,温忠麟,成子娟,结构方程模型及其应用[M],北京:教育科学出版社,2004

[13]曾得利，金融稳定性评估模型及其应用研究[D]，湖南大学博士论文，2009

附表附表1：

Country quarter

Exchange

Rate（2005＝

100）

M2（2005＝

100）

Stock（2005＝

100）

WTI（2005＝

100）

Australia 2007Q1 122.82165.53183.10117.54 Australia 2007Q2 128.40171.63195.07121.81 Australia 2007Q3 129.43179.57197.17118.19 Australia 2007Q4 132.41188.47204.17148.52 Australia 2008Q1 131.77177.73157.86197.73 Australia 2008Q2 136.07144.90126.43228.51 Australia 2008Q3 130.76155.93112.99193.38 Australia 2008Q4 104.95164.4788.17106.60 Australia 2009Q1 105.12168.2380.3884.46 Australia 2009Q2 117.58173.1788.72110.13 Australia 2009Q3 125.04176.23103.41108.96 Australia 2009Q4 133.20175.77109.15124.37 Australia 2010Q1 134.19176.83108.13156.80 Australia 2010Q2 133.67181.10103.97147.90 Australia 2010Q3 134.23185.23103.53121.34 Australia 2010Q4 142.32190.10107.43138.98 Brazil 2007Q1 88.33139.36279.53117.54 Brazil 2007Q2 92.33140.59323.80121.81 Brazil 2007Q3 95.00140.01352.23118.19 Brazil 2007Q4 99.67139.75399.93148.52 Brazil 2008Q1 101.00162.15328.60197.73 Brazil 2008Q2 104.33164.70245.02228.51 Brazil 2008Q3 105.33167.68196.42193.38 Brazil 2008Q4 83.00174.37132.83106.60 Brazil 2009Q1 83.00180.43141.2084.46 Brazil 2009Q2 91.00187.00181.20110.13 Brazil 2009Q3 99.00187.03206.02108.96 Brazil 2009Q4 104.00202.03235.13124.37 Brazil 2010Q1 102.67207.93241.20156.80 Brazil 2010Q2 106.00213.47228.37147.90 Brazil 2010Q3 107.67222.17240.97121.34 Brazil 2010Q4 108.00232.77247.63138.98 Canada 2007Q1 123.21146.87136.17117.54 Canada 2007Q2 130.91149.83143.53121.81 Canada 2007Q3 136.96153.00144.40118.19 Canada 2007Q4 144.27154.97146.23148.52

Canada 2008Q1 139.57160.87136.56197.73 Canada 2008Q2 137.86124.67141.43228.51 Canada 2008Q3 134.81132.64128.32193.38 Canada 2008Q4 119.65137.8391.90106.60 Canada 2009Q1 117.41137.5783.7684.46 Canada 2009Q2 123.87137.6098.63110.13 Canada 2009Q3 130.29138.33108.41108.96 Canada 2009Q4 134.05138.93111.87124.37 Canada 2010Q1 136.75141.10114.03156.80 Canada 2010Q2 139.72144.20115.70147.90 Canada 2010Q3 137.23146.90118.07121.34 Canada 2010Q4 138.99148.33128.17138.98 Switherland 2007Q1 109.84130.07120.30117.54 Switherland 2007Q2 108.53129.97124.33121.81 Switherland 2007Q3 108.89129.47118.83118.19 Switherland 2007Q4 109.49131.17116.80148.52 Switherland 2008Q1 114.72138.47106.89197.73 Switherland 2008Q2 115.41107.47118.42228.51 Switherland 2008Q3 114.35106.39111.35193.38 Switherland 2008Q4 117.71107.4791.00106.60 Switherland 2009Q1 121.21109.8779.6484.46 Switherland 2009Q2 120.71111.8384.08110.13 Switherland 2009Q3 121.31114.3394.37108.96 Switherland 2009Q4 122.89115.70101.23124.37 Switherland 2010Q1 123.74116.33105.57156.80 Switherland 2010Q2 124.65119.03103.47147.90 Switherland 2010Q3 131.67121.9399.43121.34 Switherland 2010Q4 134.23123.10103.60138.98 China 2007Q1 106.43137.43155.47117.54 China 2007Q2 107.70137.31206.80121.81 China 2007Q3 108.01137.67267.73118.19 China 2007Q4 108.14136.28282.63148.52 China 2008Q1 111.47161.46254.54197.73 China 2008Q2 115.24161.16287.24228.51 China 2008Q3 120.36162.73217.46193.38 China 2008Q4 121.55168.00157.87106.60 China 2009Q1 119.57182.27187.7784.46 China 2009Q2 118.94197.47235.02110.13 China 2009Q3 116.10206.17258.02108.96 China 2009Q4 113.74218.40275.75124.37 China 2010Q1 117.65228.73266.50156.80 China 2010Q2 121.81238.17228.93147.90 China 2010Q3 118.69247.33231.00121.34 China 2010Q4 118.40261.60250.67138.98

Denmark 2007Q1 111.10174.93179.87117.54 Denmark 2007Q2 111.81175.53190.70121.81 Denmark 2007Q3 112.07182.10196.93118.19 Denmark 2007Q4 113.17188.43191.07148.52 Denmark 2008Q1 114.42183.40152.23197.73 Denmark 2008Q2 115.67146.60131.14228.51 Denmark 2008Q3 114.99147.84118.15193.38 Denmark 2008Q4 114.57152.6379.77106.60 Denmark 2009Q1 116.63154.5371.3684.46 Denmark 2009Q2 116.92156.4379.69110.13 Denmark 2009Q3 117.19159.8389.58108.96 Denmark 2009Q4 117.73160.1794.35124.37 Denmark 2010Q1 114.96158.83102.70156.80 Denmark 2010Q2 111.83159.73111.03147.90 Denmark 2010Q3 111.19167.23112.97121.34 Denmark 2010Q4 112.08167.33119.53138.98 Japan 2007Q1 81.78114.97111.80117.54 Japan 2007Q2 79.71116.13112.27121.81 Japan 2007Q3 81.08117.13106.30118.19 Japan 2007Q4 82.53117.9099.90148.52 Japan 2008Q1 87.50114.9789.74197.73 Japan 2008Q2 86.96107.27106.34228.51 Japan 2008Q3 86.15107.2597.28193.38 Japan 2008Q4 104.48106.9068.27106.60 Japan 2009Q1 108.97107.0361.4284.46 Japan 2009Q2 101.60107.1769.25110.13 Japan 2009Q3 103.55107.6373.60108.96 Japan 2009Q4 105.71106.6369.42124.37 Japan 2010Q1 105.83103.6772.77156.80 Japan 2010Q2 105.77104.4072.73147.90 Japan 2010Q3 112.66104.8066.13121.34 Japan 2010Q4 114.10105.2767.57138.98 Korea 2007Q1 114.80175.20193.30117.54 Korea 2007Q2 115.01178.87222.43121.81 Korea 2007Q3 113.70183.23255.20118.19 Korea 2007Q4 111.46189.23265.57148.52 Korea 2008Q1 104.30172.23207.14197.73 Korea 2008Q2 96.64132.53167.44228.51 Korea 2008Q3 94.13134.60141.67193.38 Korea 2008Q4 75.69137.07105.50106.60 Korea 2009Q1 73.36139.43106.9184.46 Korea 2009Q2 80.01141.93128.12110.13 Korea 2009Q3 80.87145.33146.19108.96 Korea 2009Q4 83.91148.67151.23124.37

Korea 2010Q1 86.69152.07153.90156.80 Korea 2010Q2 86.54155.37157.77147.90 Korea 2010Q3 83.33157.13165.20121.34 Korea 2010Q4 84.63158.90181.00138.98 Mexico 2007Q1 82.52225.10410.63117.54 Mexico 2007Q2 83.04230.40458.00121.81 Mexico 2007Q3 81.87239.43458.80118.19 Mexico 2007Q4 81.74246.27456.40148.52 Mexico 2008Q1 81.43215.20354.46197.73 Mexico 2008Q2 84.00142.37217.09228.51 Mexico 2008Q3 85.61145.76186.86193.38 Mexico 2008Q4 69.59150.43144.03106.60 Mexico 2009Q1 63.53160.53136.8584.46 Mexico 2009Q2 67.86162.43163.37110.13 Mexico 2009Q3 67.26165.30192.24108.96 Mexico 2009Q4 67.58167.87216.41124.37 Mexico 2010Q1 69.63169.03224.40156.80 Mexico 2010Q2 71.38175.57226.83147.90 Mexico 2010Q3 69.64184.87227.00121.34 Mexico 2010Q4 71.08188.90254.57138.98 Norway 2007Q1 113.23174.03267.93117.54 Norway 2007Q2 115.06180.83288.43121.81 Norway 2007Q3 118.28188.50295.33118.19 Norway 2007Q4 120.35194.93298.00148.52 Norway 2008Q1 120.40179.80221.86197.73 Norway 2008Q2 122.61140.73174.92228.51 Norway 2008Q3 119.86142.38148.14193.38 Norway 2008Q4 105.95145.4788.93106.60 Norway 2009Q1 108.03145.9786.1784.46 Norway 2009Q2 109.84146.97101.52110.13 Norway 2009Q3 111.71147.80111.82108.96 Norway 2009Q4 116.87148.37127.35124.37 Norway 2010Q1 117.71148.80131.93156.80 Norway 2010Q2 116.62150.00133.30147.90 Norway 2010Q3 115.42153.03130.37121.34 Norway 2010Q4 115.20155.47144.70138.98 Sweden 2007Q1 104.65153.50112.47117.54 Sweden 2007Q2 104.58158.43120.40121.81 Sweden 2007Q3 104.73163.93116.13118.19 Sweden 2007Q4 105.74175.23107.10148.52 Sweden 2008Q1 105.69175.10100.70197.73 Sweden 2008Q2 107.74153.90122.65228.51 Sweden 2008Q3 105.38154.28105.48193.38 Sweden 2008Q4 95.49153.0379.97106.60

Sweden 2009Q1 90.50156.7777.2684.46 Sweden 2009Q2 92.47156.5092.09110.13 Sweden 2009Q3 96.52153.20104.09108.96 Sweden 2009Q4 97.49151.27113.59124.37 Sweden 2010Q1 98.79151.53118.93156.80 Sweden 2010Q2 98.88153.33123.47147.90 Sweden 2010Q3 101.42155.80126.57121.34 Sweden 2010Q4 104.49158.67136.10138.98 Turkey 2007Q1 35.14600.57299.70117.54 Turkey 2007Q2 36.30619.57330.27121.81 Turkey 2007Q3 37.18643.00372.77118.19 Turkey 2007Q4 38.63655.60397.20148.52 Turkey 2008Q1 37.24496.23250.86197.73 Turkey 2008Q2 34.66173.40131.42228.51 Turkey 2008Q3 37.21177.89130.94193.38 Turkey 2008Q4 32.67193.5089.17106.60 Turkey 2009Q1 31.19204.3383.9684.46 Turkey 2009Q2 31.71205.57114.88110.13 Turkey 2009Q3 31.84211.67152.02108.96 Turkey 2009Q4 31.15220.13161.17124.37 Turkey 2010Q1 32.06228.37178.40156.80 Turkey 2010Q2 33.15236.13186.47147.90 Turkey 2010Q3 33.16247.40205.80121.34 Turkey 2010Q4 33.00255.60212.63138.98 US 2007Q1 91.09148.70135.17117.54 US 2007Q2 89.05151.00143.37121.81 US 2007Q3 87.40152.77143.03118.19 US 2007Q4 84.30154.63145.50148.52 US 2008Q1 82.65152.17128.97197.73 US 2008Q2 81.45117.17125.18228.51 US 2008Q3 83.43118.55111.92193.38 US 2008Q4 92.38122.9077.93106.60 US 2009Q1 94.83127.0769.2684.46 US 2009Q2 91.31128.6777.78110.13 US 2009Q3 87.98129.2388.19108.96 US 2009Q4 85.51130.5796.31124.37 US 2010Q1 86.50130.5097.83156.80 US 2010Q2 87.92131.3097.00147.90 US 2010Q3 86.65132.8094.73121.34 US 2010Q4 83.73134.63103.97138.98 Newzealand 2007Q1 135.59186.63160.10117.54 Newzealand 2007Q2 142.02192.10164.13121.81 Newzealand 2007Q3 140.47193.80158.97118.19 Newzealand 2007Q4 140.14197.27154.17148.52