中国宏观经济动态传导、可靠性及货币政策机制，本文主要内容关键词为：货币政策论文,性及论文,可靠论文,机制论文,中国宏观经济论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 现实世界中，宏观经济变量在经济系统中相互依存，互相影响。由于经济系统的复杂性和不确定性，各个变量之间的相互影响机制就变得尤为错综复杂，尤其是某一个或某些变量在受到外界各种自然、社会、经济体制等冲击下，将会通过直接和间接双重作用动态传导并影响到宏观经济系统的其它相关变量，从而导致整个宏观经济发生系统性变化。如果宏观经济系统的动态传导机制不能够被有效准确地进行研究，那么研究者和政策制定者就可能做出错误的宏观经济决策。正如Litterman(1986)所指出的那样，这种错误不仅来自于宏观数据样本区间一般较短、宏观经济各变量之间关系复杂且样本信息不易于被研究者所充分挖掘和理解，同时困难也来自于政策分析者无法通过更加有效的方法和手段来改善他们的分析技巧和模型，从而使得相关研究结论不能够准确的反映现实中所存在的真实状态。因此，如何科学准确地分析和度量宏观经济系统的动态传导机制就变得十分重要。 自从Sims(1980)提出VAR模型以来，VAR模型就逐渐成为宏观经济系统计量分析中的标准工具。由于VAR模型具有动态面板系统的特征，能够捕捉到宏观变量之间复杂的动态关系，因此在对经济系统进行动态传导的相关分析中，VAR较早地就被众多研究者所广泛使用(Doan et al.，1984；Litterman，1986；Sims，1993)。虽然如此，但是对VAR模型中的参数进行准确估计也存在着明显的困难，因为VAR模型中包含的参数非常多。为了克服高维VAR模型中参数过多的问题，文献中越来越关注采用Bayesian(贝叶斯)方法来估计VAR模型，其优势在于通过利用具有信息含量的先验分布，贝叶斯方法能够弥补样本中信息缺乏的问题，从而减少估计的不确定性。Ba
bura et al.(2010)(以下简称BGR)发现，通过利用Minnesota prior(明尼苏达先验分布)的一个变种作为先验分布，20个变量的中等规模VAR和130个变量的大型VAR模型能够比Stock & Watson(2002)。Stock & Watson(2006)和Korobilis(2008)等广泛使用的动态因子模型预测更准。建立在BGR的基础之上，Koop(2013)进一步考察选取了各种不同的先验分布，包括BGR先验分布，George et al.(2008)提出的SSVS先验分布，以及把明尼苏达先验分布和SSVS先验分布结合起来的先验分布，结果Koop的实证研究同样发现中型和大型VAR模型比小型VAR和动态因子模型在宏观预测上更好，并且Bayesian VAR(简称BVAR)模型具有稳健性。 在对中国宏观经济系统动态传导机制分析方面，虽然已有部分文献进行过研究，但是几乎都是采用较少几个变量的小型宏观系统的VAR方法来进行分析的，例如李洪雄、汪浩瀚(2011)。在采用BVAR分析方面，王飞(2011)以青海省为例，建立了一个BVAR模型，并引入了全国GDP和中央政府转移支付作为外生变量以描述国民经济与区域经济的联系，样本内和样本外的预测误差比较以及青海省经济增长转折点的准确预测都表明BVAR区域经济预测模型优于其他预测模型。虽然以上研究采用了BVAR方法，但是所研究经济系统设定过于简单，不足以较好地刻画现实宏观经济系统运行机制。正如前面所言，即使在一个小型宏观经济系统的VAR模型中，由于其所需要估计的参数过多，从而导致其政策分析准确性也会大打折扣，而在较多变量所组成的中型宏观经济系统中，与VAR模型中需要估计的庞大数量的参数相比，相对较小样本容量的中国宏观经济样本数据不足以提供足够的信息来对模型参数进行有效估计以及宏观经济政策分析。所以，受到研究方法的限制，已有文献也还没有能够较为全面地建立更加完整的中型宏观经济系统来对中国宏观经济系统动态传导机制进行系统的深入分析。由于BVAR具有普通VAR不可比拟的优势，能够较好地克服VAR模型估计参数过多、宏观经济政策分析缺乏准确性等问题，因此，为了克服已有文献研究中存在的显著不足，本文采用BVAR方法来更加准确地研究中国货币政策的传导机制。基于以上分析的内在逻辑思路，首先，本文在已有BVAR文献基础上设计符合中国宏观经济特征的分析框架，然后从动态传导预测误差和动态传导脉冲反应机制误差来验证相关BVAR比现有文献中常用的VAR具有更佳优良的动态传导机制分析可靠性性能。在验证可靠性基础上，本文运用 BVAR方法对中国货币政策动态传导机制进行实证分析。 在对于中国货币政策更加准确的动态传导机制分析方面，本文涉及两个十分重要的关联问题：第一，宏观经济系统动态传导机制分析方法及其动态传导可靠性性能分析。在宏观经济系统中，各个变量之间相互依存、互相影响，各个变量之间的动态传导机制最为直接的表现可以体现在宏观经济系统相关变量的走势预测和结构性冲击脉冲响应上。第二，如何利用更加可靠的动态传导机制分析方法来更加准确地研究我国货币政策动态传导机制。国内关于我国货币政策传导机制已有一些相关研究文献，普遍是基于一般小型规模的VAR体系所得出的，例如王胜(2012)、封思贤等(2011)、索丽娜等(2011)的相关研究。由于受到VAR方法本身的局限和不足，已有文献的相关结论可能存在着不准确甚至较大的偏误，因此本文在BVAR理论具有先进性条件下，采用该方法对中国货币政策的动态传导机制进行精确分析，并与VAR方法所分析的结论进行比较，得到了具有重要政策实践价值的发现。 同时为了分析中国宏观经济系统的动态传导机制及其可靠性，并验证本文有关中国BVAR理论分析的先进性及其稳健性，在目前现有中国宏观经济系统的数据特征以及变量同比和环比数据可得性的条件下，本文依据现有宏观经济数据资料建立了四种适用于研究中国动态传导机制的宏观经济系统。由于我国统计数据资料中有的变量是以同比数据形式出现的，有的则是以环比形式出现的，有的二者都有，因此所建立的四种宏观经济系统变量个数并不完全一样，研究中依据宏观经济系统动态传导预测及结构性响应冲击机制所要求数据特征适用性条件等要求，本文采用合适的宏观经济系统综合全面地进行了实证分析。本文所建立的四种宏观经济系统是(变量含义后文详细说明)：三核心变量小型同比系统(变量为GDP，CPI，M2)；十四变量中型同比系统(变量为 GDP，CPI，M2，IBWAR，Tloan，Import，Export，IndValAdd，Hstarts，Elec，RECI，RPI，TRSCG，LeadingIndex)；三核心变量小型环比系统(变量为RIndOutput，CPI，M2)；九变量中型环比系统(变量为RIndOutput，Rconsumption，ElecProd，LeadingIndex，CPI，RECI，IBWAR，M2，Tloan)。在研究过程中，本文的思路是：首先，在小型同比系统中分别采用VAR和BVAR进行三个宏观经济核心变量(GDP，CPI，M2)的动态传导预测可靠性分析，并进行比较，以判断二者的差异及优劣；由于中型同比系统变量有十四个，变量数目过多，因此只能使用BVAR进行分析，因此在中型同比系统中采用 BVAR对于三个核心变量(GDP，CPI，M2)动态传导预测可靠性进行分析，并与小型同比系统中 BVAR的动态传导预测偏差结果进行比较，以判断BVAR在中型同比系统中对于同样变量的动态传导预测误差是否小于小型同比系统中对于同样变量的预测误差，即在中国BVAR分析框架下，增加其它宏观系统变量个数和信息是否有助于对于宏观系统核心变量的预测。基于以上过程，同理再对于小型环比系统和中型环比系统进行类似研究，以此判断不同数据采集形式对于BVAR的影响特征。其次，本文比较了BVAR和VAR在脉冲响应分析上的可靠性差异，发现BVAR无论是动态传导预测误差，还是动态传导脉冲响应误差，都小于VAR，其性能优于VAR。最后，在以上研究基础上，本文进一步基于BVAR分析中国货币政策的动态脉冲响应机制，由于同比数据时间间隔长，不适用于脉冲响应分析，因此本文采用中型环比系统进行中国货币政策的动态脉冲响应机制分析，并以VAR所得结论为基本参照，通过BVAR进行分析得到了具有重要政策启示价值的结论。 二、中国宏观经济系统动态传导机制分析的BVAR理论设计 (一)宏观经济系统及变量选择 同比数据宏观经济系统：本文用到了十四个变量的季度数据，所有变量时间跨度为1997年第一季度(1997Q1，下同)到2011年第四季度(2011Q4)，所有数据来自中经网统计数据库。各个变量的符号及含义与数据处理过程为：(1)GDP，表示的是与上年同期相比的季度GDP增长率；(2)CPI，表示的是季度CPI同比增长率。由于国家统计局公布的居民消费价格指数(CPI)是同比月度频率形式，因此本文把CPI减去100得到与去年同期相比的CPI增长率，然后把三个月的平均值作为季度CPI增长率；(3)RPI，表示的是季度商品零售价格指数，本文将国家统计局公布的月度商品零售价格指数减去100得到与去年同期相比的RPI增长率，然后把三个月的平均值作为季度RPI增长率；(4)季度M2同比增长率；(5)TRSCG，表示的是季度社会消费品零售总额同比增长率；(6)季度的银行间同业拆借加权平均利率(IBWAR)，本文将月度的银行间同业拆借加权平均利率(IBWAR)采用三个月平均值作为季度IBWAR。同时，在中经网统计数据库中，还有一些变量是以与上年同月度相比增长率形式存在，本文通过将月度同比增长率平均值作为季度同比增长率，它们包括：(7)Tloan，表示的是季度各项贷款同比增长率；(8)Import，表示的是季度进口额同比增长率；(9)Export，表示的是季度出口额同比增长率；(10)IndValAdd，表示的是季度工业增加值同比增速；(11)Hstarts，表示的是季度商品房本年新开工面积同比增速；(12)Elec，表示的是季度发电量同比增速。此外，对于原始数据中以与基年同月度相比增长率形式存在的变量，本文将同比月度数据先减去100后再平均将其转化为季度数据，它们包括：(13)季度的房地产开发综合景气指数(RECI)；(14)季度的宏观经济景气先行指数(LeadingIndex)。 以上十四变量BVAR顺序为：
=[GDP，CPI，M2，IBWAR，Tloan，Import，Export，IndValAdd，Hstarts，Elec，RECI，RPI，TRSCG，LeadingIndex]＇。 环比数据宏观经济系统：在已有数据资料情况下包括九个变量，所有变量时间跨度为1997年第1月(或第1季度)到2011年第12月(或第4季度)。相关变量包括：(1)实际季度(月度)工业总产值环比增速(RIndOutput)；(2)实际季度(月度)社会消费品零售总和环比增速(Rconsumption)；(3)季度(月度)发电量环比增速(ElecProd)；(4)季度(月度)宏观经济景气先行指数(LeadingIndex)；(5)季度(月度)居民消费价格指数(CPI，环比)；(6)季度(月度)房地产开发综合景气指数(RECI)；(7)季度(月度)银行间同业拆借加权平均利率(IBWAR)；(8)季度(月度) M2环比增长率；(9)季度(月度)各项贷款环比增长率(Tloan)。所有数据都是季度(月度)数据，实际工业总产值和实际社会消费品零售总和由名义值用CPI折算成实际值；工业总产值、社会消费品零售总和、发电量、居民消费价格指数都用x-12进行了季节性调整。以上九变量环比数据模型中BVAR顺序为：
=[RIndOutput，Rconsumption，ElecProd，LeadingIndex，CPI，RECI，IBWAR，M2，Tloan]＇。 BVAR是用Bayesian的方法对动态面板的VAR系统进行分析。考虑VAR(p)模型：
(二)中国BVAR先验分布和后验分布
(三)BVAR超参数(Hyperparameters)选择与设定 以上先验分布中的超参数
对VAR模型的统计推断和预测具有重要影响，因此，如何选择这些超参数就显得非常重要。通过最大化边缘似然函数来选择超参数被证明是行之有效的方法，因而在文献中广泛被使用(参见Carriero et al.，2010；Carriero et al.，2011)。对于前面的先验分布，可以得到边缘似然函数为：
式(7)边缘似然函数是超参数的函数，因此，本文进一步通过最大化式(7)来求解超参数：
三、基于BVAR理论的中国宏观经济系统动态传导机制及其可靠性研究 (一)基于BVAR理论的动态传导预测偏差度量及实证 令
表示宏观经济变量y在时刻
要进行未来h季度的预测值，
的实际观测值。为了全面分析BVAR方法的动态传导预测偏差，此处不仅讨论h=1(滞后一季度)相邻一步预测，而且还讨论h=4(滞后四季度)远期预测，h=4滞后四季度预测表示利用样本信息来预测滞后一年的数据值，预测过程采用动态滚动预测方式来进行，相关预测过程为：(1)把1997Q1到2006Q4(Q1、Q4表示第一季度和第四季度)作为样本来预测滞后一期2007Q1和滞后四期2007Q4数值。在预测滞后四期2007Q4时要用到滞后一期2007Q1、滞后二期2007Q2、滞后三期2007Q3的预测值，具体步骤为：由1997Q1到2006Q4真实观测值和预测的2007Q1重新作为样本来预测2007Q2，然后由1997Q1到2006Q4真实观测值和预测的2007Q1、预测的2007Q2重新作为样本再来预测2007Q3，最后由1997Q1到2006Q4真实观测值和预测的2007Q1、预测的2007Q2、预测的2007Q3重新作为样本来预测2007Q4。(2)扩充样本区间为1997Q1到2007Q1，将真实观测值作为样本来预测滞后一期2007Q2和滞后四期2008Q1数值，其预测步骤同(1)。进一步扩充样本区间为1997Q1到2007Q2，将真实观测值作为样本来预测滞后一期2007Q3和滞后四期2008Q2数值。重复以上扩充样本滚动预测过程，直至全部样本结束。
本文分别用同比数据和环比数据宏观经济系统对核心宏观变量GDP、CPI、M2(RIndOutput、CPI、M2)进行下一季度和下一年的预测。对小型系统(n=3)分别使用VAR和BVAR进行估计，而中型系统(n=14，n=9)由于参数过多，不适用于采用VAR进行估计，文中只采用BVAR进行估计。类似Bafibura et al.(2010)和Koop(2013)一样，本文也把随机游走作为基准模型，实证分析结果如表1所示。表1中列出了VAR或BVAR均方预测误差(MSFE)相对于随机游走模型的均方预测误差(MSFE)的比值，括号中数值是用来衡量密度预测误差的对数似然值之和logL。
从表1中可以发现： (1)同比数据宏观经济系统动态传导预测中，对于预测下一个季度的变量而言，用3变量小型 BVAR对所有3个变量(GDP，CPI，M2)的预测都好于VAR估计结果，对于核心变量(GDP，CPI，M2)，用3变量小型BVAR预测误差远小于VAR的预测误差，这表明对中国核心宏观经济变量动态传导预测误差方面，本文所构建符合中国现实宏观经济运行特征的BVAR方法通过合理的选取先验分布和超参数，能够比现有VAR方法提供更准确的动态传导预测。进一步，14变量的BVAR对于核心变量(GDP，CPI，M2)的预测误差小于3变量小型BVAR预测误差，这表明即使都在采用 BVAR进行宏观经济动态传导预测偏差研究过程中，变量更多的宏观经济系统具有更好的动态传导预测分析效果，增加更多的宏观经济变量不仅可以对(GDP，CPI，M2)的预测提供更多的有效辅助信息，而且利用BVAR方法对参数进行合理的约束限制又能克服模型系统参数过多所引起的 VAR估计不准确的问题。 (2)环比数据宏观经济系统动态传导预测中，对于预测下一个季度的变量而言，用3变量小型 BVAR对所有3个核心变量(RIndOutput，CPI，M2)的预测都好于VAR估计结果；9变量的BVAR对所有3个核心变量(RIndOutput，CPI，M2)的预测远比3变量的BVAR准确。 (3)同比数据宏观经济系统动态传导预测中，当预测时间长度为一年时，小型BVAR对所有3个变量(GDP，CPI，M2)的预测仍然比小型VAR模型好，而除了对M2的预测外，中型BVAR比小型BVAR模型的预测更好。这表明对于动态传导更长时间的预测而言，中型BVAR预测效果总体上优于小型BVAR预测效果，小型BVAR预测效果优于VAR。 (4)环比数据宏观经济系统动态传导预测中，当预测时间长度为一年时，小型BVAR对RIndOutput和CPI的预测比小型VAR模型好，对M2的预测两者几乎一样，中型BVAR对 RIndOutpu的预测比小型BVAR模型的预测好，对CPI和M2的预测两者差不多。 (5)当采用对数似然值之和来评估预测表现的时候，基本得到了与用均方预测误差来衡量一致的结论，除了同比数据宏观经济系统中，当h=1时中型14个变量模型系统中CPI的对数似然值(-34.92)略小于小型3个变量模型系统中CPI的对数似然值(-33.41)，其余各种情况下，中型 BVAR预测对数似然值都大于小型BVAR预测对数似然值。 从上面的分析可以看出，对于中国宏观经济动态传导预测而言，BVAR大大提高了VAR的预测精度，并且，中型BVAR模型又显著优于小型BVAR预测精度。Christiano et al.(2005)依靠最小化模型脉冲响应函数与VAR脉冲响应函数的距离来估计模型参数，更好的脉冲响应函数的拟合意味着更准确的参数估计。因此，下面将对本文BVAR冲击响应机制的可靠性进行评估。 (二)基于BVAR理论对宏观经济冲击响应机制的可靠性评估 由于分析脉冲响应冲击反应，不能够像前文动态传导预测一样具有真实可以观测到的样本数据，因此，本文采用
& Jennings(2011)和Giannone et al.(2012)的研究思路，具体通过一个在研究中国宏观经济政策分析领域具有重要影响的动态随机一般均衡(DSGE)模型(Sun & Sen，2011)(简称SS2011)随机生成多组模拟数据，然后利用该模拟样本分别运用BVAR和VAR估计出各自的货币冲击脉冲响应，再把它们与真实的DSGE模型的脉冲响应进行对比分析，以此来评估各种方法脉冲响应的准确性和可靠性。 SS2011是建立在DSGE领域具有重要影响力的Smets-Wouters(2003，2007)模型(简称SW模型)基础之上的具体来研究中国经济周期波动的一般均衡模型。SS2011是目前少有的、我们能够查阅到的有关采用SW框架中的DSGE模型来具体研究有关中国实际经济运行机制的重要文献，该文采用1995-2006年的中国季度数据运用Bayesian方法来估计模型。我们从SS2011模型中模拟7个宏观变量的数据：产出(output)、消费(consumption)、投资(investment)、工作时间(hours)、价格(inflation)、工资(wages)和利率(interest rate)。本文一共生成1000组7变量的时序数据，由于 SS2011用于估计模型的数据长度为48个季度，因此，本文首先也把模拟出的数据长度设置成48个季度。对每组数据，采用递归识别策略，本文分别使用BVAR模型和VAR模型估计出货币政策冲击的脉冲响应函数，然后再把它们与SS2011模型中真实的脉冲响应函数做对比分析以验证 BVAR和VAR脉冲响应函数的可靠性。 图1给出了理论上真实的货币冲击脉冲响应(DSGE模型)，以及分别用BVAR和VAR从1000组模拟数据中估计出的1000次货币冲击脉冲响应的平均值。从图1中可以看出，BVAR模型大体上拟合了真实的脉冲响应轨迹，而VAR的拟合效果非常差，尤其是当冲击发生20个季度之后的拟合尤为糟糕，与真实情况偏差极大。可见，当模拟数据长度只有48个季度时(中国的季度数据一般长度与此相当)，样本数据不能提供足够的有效信息来得到准确的参数估计。此时如果采用 Bayesian方法来对相关问题进行研究时，通过改进设置科学合理的先验分布以及参数体系分析方法，不仅能够克服参数过多的问题，而且可以得到更加准确的参数估计。 为了验证随着样本容量逐渐增大时，BVAR和VAR的动态传导脉冲响应函数可靠性的变化特征，此处进一步考察了当增加模拟数据长度为100季度时，BVAR和VAR的脉冲响应函数对真实脉冲响应函数的拟合状态，图2列出了模拟数据长度为100个季度时候的真实的脉冲响应函数(DSGE)以及BVAR和VAR的模拟的脉冲响应函数。图2表明，当增加模拟数据长度时，VAR得到的脉冲响应函数对真实脉冲响应函数模拟的可靠性和准确度具有显著的提高，这说明对于VAR这样需要估计过多参数的模型而言，样本长度对是否能够准确地进行参数估计具有十分重要的影响。在模拟样本数据为100季度时，BVAR依旧能够较好地对真实脉冲响应函数(DSGE)进行拟合，并且与VAR模拟所得脉冲响应函数相比较，BVAR所得到的脉冲响应函数也更加接近于真实脉冲响应函数，VAR脉冲响应函数均方误差远远大于BVAR脉冲响应均方误差(篇幅所限，此处未列出，需要者可向作者索取)。这说明当模拟样本容量为100季度时，VAR动态传导脉冲响应函数比模拟样本容量为48季度时能够更好地对真实脉冲响应函数进行拟合；无论是在模拟样本数据为100季度或者还是48季度时，BVAR均能够较好地对真实脉冲响应函数进行拟合，并且在两种情况下，BVAR动态脉冲响应可靠性性能均优胜于VAR。
图1 模拟脉冲响应函数(模拟数据为48季度)
图2 模拟脉冲响应函数(模拟数据为100季度) 四、基于BVAR理论的中国货币政策动态传导机制研究 本文此处采用BVAR对于中国货币政策的结构冲击反应机制进行实证分析，并与已有文献中经常使用的VAR分析结论进行对比分析。相比较于环比系统反映相邻两期(相邻两个月或两个季度)之间的变化机制而言，同比系统只能分析12个月或4个季度之后的冲击机制缺乏时效性和准确性。因此，在研究中国货币政策结构性冲击机制时，本文采用九变量中型环比系统(月度频率)来进行动态影响机制分析。由于实际工业总产值、实际社会消费品零售总和、发电量、M2、各项贷款存在着时间线性趋势，因此本文对以上变量先取对数然后令其对时间趋势变量进行回归，得到拟合回归的稳态值，然后再通过变量的对数值减去其稳态值后得到不包含趋势的波动成分，并对其进行动态传导机制分析。本文用M2和IBWAR作为货币政策工具，通过递归策略来识别货币政策冲击，这意味着，排在M2或IBWAR之前的变量对它们各自冲击的当期没有反应，而只有排在其后的变量对冲击当期有反应(参见Christiano et al.，1999)。 (1)中国货币政策冲击脉冲响应机制分析 图3和图4分别是IBWAR和M2冲击对其它宏观经济变量影响的脉冲响应函数。图中实线和虚线分别表示脉冲响应函数后验分布的均值、16％和84％分位数。
图3 BVAR：IBWAR冲击脉冲响应
图4 BVAR：M2冲击脉冲响应 图3BVAR中利率IBWAR脉冲响应表明，一个标准差利率的外生增加使得工业总产值、消费以及其他经济活动大幅紧缩。在冲击发生后，M2和各项贷款也立刻下降，且显示出相当强的持续性，在滞后50个月时还呈现出下降趋势。宏观经济先行指数呈现“√”形轨迹，在大概一年后达到最低点，随后逐渐缓慢恢复至稳态水平，在冲击发生之后，宏观经济先行指数从起初下降至最低水平所需时间显著短于从最低点处恢复至稳态水平。进一步，在中国经济中，也同样存在着在国外文献中广为人知的“价格之谜”(price puzzle)特征，在紧缩性的货币政策冲击下，通货膨胀CPI先有短暂的上升随后才开始下降，在第20个月降低到最低点，然后逐渐在第50个月时逐渐恢复至稳态水平。发电量和房地产开发综合景气指数虽然也出现了和通货膨胀类似的特征，但是二者受利率冲击影响的时滞长短和幅度大小存在着差异。 图4BVAR中M2冲击脉冲响应表明，1个标准差的M2增加对于银行间同业拆借加权平均利率和各项贷款影响趋势相似，冲击影响在第7个月时达到最高峰，随后开始逐渐下降，M2对于各项贷款的冲击影响幅度大于对于银行间同业拆借加权平均利率的影响。Cochrane(1994)发现美国经济在受到货币供给增加冲击影响下，利率首先表现为暂时的流动性效应，随后迅即消失并逐渐表现为通货膨胀效应，即货币供给增加引致流动性增加，首先导致利率迅即下降并低于其稳态值(流动性效应)，脉冲响应函数的纵坐标值(表示利率偏离其稳态值的大小)为负并较快消失，随后由于货币供给增加导致价格水平逐渐上升并进一步导致利率高于其稳态值(通货膨胀效应)，即脉冲响应函数纵坐标为正。从图4中可以看出，我国M2增加对利率的冲击反应主要表现为通货膨胀效应，基本上没有流动性效应。这一发现意味着我国价格粘性小，M2冲击对价格影响强烈且迅速，并且我国货币供给的传导机制和路径存在着阻滞，货币供给的增加不能迅速通过市场机制有效的对于货币供给和需求的相对变化来反映货币的价格变化趋势。
图5 VAR：IBWAR冲击脉冲响应 图5是VAR中利率IBWAR脉冲响应，它与图3中BVAR所得结果相比较存在着明显的差异，具体表现在：(1)VAR中IBWAR冲击对于其它变量的脉冲响应曲线普遍呈现出非光滑多峰型特征，特别是工业总产值、消费、发电量、CPI脉冲响应极端不光滑，尖峰状特征极为明显，而BVAR的脉冲响应普遍表现为光滑曲线趋势，IBWAR对相关变量的冲击趋势长期演变特征明显清晰。(2)无论是从冲击反应时滞长短来看，还是从冲击大小来看，VAR和BVAR中各变量脉冲响应曲线都存在着显著差异。例如，VAR中工业总产值在受到IBWAR冲击后大约在第15个月的时候达到最低点负值，相比较于BVAR在第20个月达到最低点早了5个月左右且负冲击响应力度更大，而后开始上升至第40个月时比BVAR提前恢复至稳态水平。尽管在VAR和BVAR中，消费脉冲响应函数整体呈现出下降趋势，但是BVAR曲线呈现出极其光滑的下降走势，而VAR却是锯齿形下降。
图6 VAR：M2冲击脉冲响应 图6是VAR中M2脉冲响应，它与图4中BVAR所得结果相比较可以发现，整体上VAR脉冲响应图也表现为多峰非光滑状，BVAR曲线则呈现出光滑明显的走势特征。VAR中在受到M2冲击后表现出极其明显的多峰震荡型趋势变量包括工业总产值、消费、发电量、CPI，这与图5VAR中利率IBWAR脉冲响应所得结论一致。在M2对其它变量的冲击反应上，整体上VAR和BVAR中各变量的脉冲响应图形表现出较为一致的走势，虽然如此，但是各变量受到M2冲击的影响程度及其时滞长短则存在着差异。 能够更加准确反映我国货币政策的BVAR分析发现，利率IBWAR对于工业产出、消费、发电量、宏观经济先行指数、CPI、M2、各项贷款冲击的脉冲响应都呈负向影响，且作用时滞较长，一般都不少于50个月，普遍长于VAR的作用时滞，并且BVAR脉冲响应函数最高点和最低点之间的振幅普遍小于 VAR的振幅；BVAR中M2对于其他变量冲击的脉冲响应比VAR中脉冲响应函数更加光滑，走势更加明显。总体上，与一般常用的VAR方法所得结论相比较，通过BVAR所得研究的新发现是，我国货币政策冲击整体呈现出脉冲冲击作用振幅力度小、作用时滞长、趋势特征较为明显的政策效果。 (2)中国货币政策冲击方差分解 方差分解主要用来考察各变量的波动在多大程度上可以由货币政策的冲击来解释，图7是 BVAR中IBWAR冲击的方差分解，实线是均值，虚线分别是16％和84％的分位数。从图7中可以看出，随着时间的延续，IBWAR对其它变量(除了对自己之外)波动的贡献程度都是逐渐增加的，在第60个月时，IBWAR对于消费、M2、各项贷款波动的贡献率大约都在20％-25％左右，对于工业总产出、宏观经济先行指数波动的贡献大约在15％左右，对于发电量、房地产开发综合景气指数波动的贡献约在10％左右，对于CPI通货膨胀率波动的贡献约在4％左右。图8是BVAR中M2冲击的方差分解。可以看出，M2对于各项贷款波动的贡献大约在第8个月左右达到最高值29％，随后逐渐一直呈现出下降趋势，在第60个月时，各项贷款约有15％左右的波动是由M2冲击所引起的。除了对于各项贷款以及自身影响之外，M2对于其它变量的波动贡献率都是随着时间延续逐渐增加的。对比图7和图8可以看到，虽然IBWAR和M2冲击对于工业产出、消费、发电量、宏观经济先行指数、CPI、房地产开发综合景气指数波动贡献随着时间呈现出类似的上升趋势，但是在同一时点，IBWAR对于以上变量的波动贡献大于M2对于以上变量的波动贡献。
图7 BVAR：IBWAR冲击的方差分解
图8 BVAR：M2冲击的方差分解 图9是VAR中IBWAR冲击的方差分解。可以看出，除了对于消费波动贡献随着时间延续而逐渐增加的趋势外，IBWAR对于其它变量波动的贡献率均表现出非单调的复杂变化趋势。在第60个月时，IBWAR对于工业产出、消费、发电量、宏观经济先行指数、CPI、房地产开发综合景气指数、M2、各项贷款波动贡献，VAR比BVAR高出-5％、0、0、0、2％、5％、-2％、-2％左右。总体上看，VAR中 IBWAR对于各个变量波动贡献的持续时间短，除了消费外，在第10-15个月左右的时间，IBWAR冲击对于工业产出、发电量、宏观经济先行指数、CPI、房地产开发综合景气指数的波动贡献就达到最大，随后开始逐渐下降(CPI在最大值处维持时间较长)。在对消费冲击影响时，无论是BVAR还是VAR，IBWAR对其波动贡献较为一致，在截止到60个月时，它们都呈现出上升趋势，且大小相当。 图10是VAR中M2冲击的方差分解。可以看出，M2对于消费和各项贷款波动的贡献率呈现出倒V型，M2对于它们波动的贡献分别在第30、20个月时达到最高值25％、47％左右，然后开始下降，在第60个月时，分别下降到18％、40％。除了消费和各项贷款之外，其它变量波动受到M2冲击的贡献总体上呈现出随着时间延续增大的趋势。在冲击发生第60个月时，与BVAR分析结果相比较，VAR中M2对于工业产出、消费、发电量、宏观经济先行指数、CPI、房地产开发综合景气指数、银行间同业拆借加权平均利率、各项贷款波动贡献高估了9％、12％、9％、7％、4％、0、2％、25％左右。
图9 VAR：IBWAR冲击的方差分解
图10 VAR：M2冲击的方差分解 以上分析综合表明，能够更为准确反映我国货币政策动态传导机制的BVAR分析发现，无论是价格型的利率政策IBWAR，还是数量型的货币供应量政策M2，对我国工业产出、消费、发电量、宏观经济先行指数、CPI、房地产开发综合景气指数等主要宏观经济变量波动贡献都有较长的影响，其持续期一般不少于60个月，价格型的利率政策IBWAR冲击贡献影响普遍在60个月时间都呈现出不断增大的趋势，这显著不同于过去已有研究中普遍采用VAR所发现的大约在第10-15个月左右的时间达到最大，随后开始逐渐下降的特征。 五、小结 本文构建和设计了符合中国宏观经济运行特征的Bayesian VAR(BVAR)理论分析框架，从中国宏观经济系统动态传导预测和结构冲击响应机制两方面验证了其具有优良可靠的动态传导分析性能。在此基础上，采用BVAR对于中国货币政策动态影响机制进行了实证分析，主要结论表明：(1)基于本文关于中国宏观经济特征的BVAR分析能够较好地减少中国宏观经济系统动态传导预测误差。相比较传统文献中常用的VAR而言，无论是在现有中国宏观经济数据资料特征和信息条件下，所建立的同比数据宏观经济系统，还是环比数据宏观经济系统，BVAR点预测或者密度预测的误差都小于VAR。同时，对于同一变量的动态传导预测，中型BVAR预测误差小于小型BVAR，这进一步表明对于BVAR而言，增加有效变量的信息可以更加准确地进行动态传导预测。(2)在验证本文所构建BVAR方法优于传统VAR基础上，本文进一步采用BVAR对中国货币政策动态影响机制进行实证分析，发现在结构性冲击时滞长短、冲击影响大小，以及宏观经济其它变量受到货币政策冲击的特征演变趋势上，BVAR所得研究结论与传统采用VAR分析所得结论均存在着显著差异。与现有文献中广泛使用的VAR分析结论相比，通过本文BVAR方法所得到的实证分析结论更加准确、深刻地揭示中国货币政策的动态影响机制。 限于中国目前宏观经济统计数据统计形式、样本容量、变量个数等资料的限制，本文在现有条件下还无法讨论大型宏观经济系统条件下有关BVAR对中国宏观经济系统动态传导机制及其可靠性和货币政策的动态影响机制的分析。因此，从后续研究来看，就是在中国宏观经济系统数据资料更加完善的条件下，逐渐设立更大样本容量、更多变量个数的大型宏观经济系统，采用BVAR来对中国宏观经济系统的动态传导机制和货币政策动态影响机制进行深入研究，以期得到更加符合现实且具有政策实践价值的研究结论。 作者感谢陈娟为本文所做的贡献，感谢匿名评审人的意见，文责自负。
标签：宏观经济论文; 货币政策论文; 脉冲响应函数论文; 经济论文; 预测模型论文; 样本容量论文; var模型论文; 动态模型论文;
中国宏观经济的动态传导、可靠性与货币政策机制_宏观经济论文
下载Doc文档