货币政策工具组合的共同驱动效应和特质驱动效应
欧阳志刚 薛 龙
内容提要： 使用非线性动态因子模型研究新常态下货币政策工具组合操作对货币政策目标产生的共同驱动效应和特质驱动效应，结果发现：货币政策工具组合操作形成的不可观测共同驱动力可以由价格型共同因子、传统数量型共同因子和创新结构型共同因子刻画。当前货币政策工具操作有利于保增长，但难以同时实现产业结构升级和化解金融风险的目标。这就意味着央行应该针对新常态下货币政策的多种目标，根据货币政策工具的共同驱动效应和特质驱动效应，灵活变换货币政策工具的组合方式，以此提高货币政策的针对性和有效性。当前央行在保持传统数量型工具适度中性的同时应重点使用常备借贷便利、中期借贷便利和抵押补充贷款保持流动性，偏向宽松的价格型政策工具应侧重于降低商业银行的同业拆借利率。
关键词： 货币政策工具；共同驱动力；特质驱动力
经济新常态下货币政策的操作环境发生了明显的变化，突出表现为经济增长速度下滑、经济结构失衡、多层次金融风险的累积和叠加。面对新常态下的新环境，央行货币政策的调控突出了针对性、有效性和防范化解金融风险。货币政策的操作方式也发生了显著改变，在继续使用传统数量型和价格型货币政策工具的同时，创新性地推出了“定向降准”“定向降息”“央行再贷款”等新型结构性货币政策工具，形成了数量型货币政策工具、价格型货币政策工具和结构型货币政策工具组合调控的新局面。多种货币政策工具的组合操作使得不同性质的货币政策工具之间相互影响、相互叠加而形成不可观测的共同驱动力推动经济系统。政策制定者和市场参与者只能观测到每种货币政策工具的变化，无法观测到多种货币政策工具组合形成的共同驱动力，从而难以判断货币政策的效果是来自货币政策工具组合操作的共同驱动力还是某些货币政策工具的特质驱动力，这就给新常态下货币政策操作带来了新的难题。由此而提出的问题是：如何揭示新常态下多种货币政策工具组合操作的共同驱动效应？哪些货币政策工具对保增长、防通胀、调结构和化解金融风险具有针对性和有效性？这里针对新常态下多种货币政策工具组合操作的特征，扩展 Bernanke et al.的模型［1］，将货币政策分解为不可观测的共同驱动力和特质驱动力，使用非线性动态因子模型揭示货币政策的共同驱动效应和特质驱动效应。
秦汉魏晋南北朝时期的丞相…………………………………………………………………………………………甄 鹏（3.33）
一、相关文献综述
货币经济学对货币政策工具的传导渠道展开了深入而系统的理论研究。Mishkin把货币政策的传导渠道划分为利率渠道、资产价格渠道、信贷渠道和汇率渠道［2］。 Boivin et al.对上述传导渠道进行了归纳总结，并重新分类为新古典渠道和非新古典渠道［3］。新古典渠道包括利率渠道、资产价格渠道和汇率渠道，非新古典渠道主要指信贷渠道。Nwosa&Saibu在上述传导渠道的基础上加入存货成本渠道［4］，其含义是货币政策通过改变存货成本而影响实际经济变量。通过对上述传导渠道的系统梳理，可以发现货币政策传导渠道涉及大多数宏观经济变量，这就意味着货币政策能够对整个宏观经济产生影响。也正是这个原因，Bernanke et al.将货币政策看成宏观经济系统的可观测驱动力［1］。进一步地，每一种货币政策工具不是通过单一传导渠道作用于宏观经济变量，而是通过多种传导渠道作用于宏观经济变量。新常态下央行同时利用多种货币政策工具，这就使得同一传导渠道汇集了多种货币政策工具的传导效应，由此导致货币政策工具的信息重复和传导渠道重叠。因此，新常态下货币政策效果的研究应该考虑这种货币政策组合操作特征。
对于货币政策效果的研究，Sims提出的向量自回归（VAR）是被最广泛应用的模型［5］。 Angeloni et al.的VAR模型发现，欧洲地区的投资渠道是货币政策的主要传导渠道［6］。Dore et al.对美国数据的VAR研究表明，私人非住宅固定投资依赖于经济中的需求水平和企业利润，而与货币政策无关［7］。Atabaev&Ganiyev 使用VAR模型检验了吉尔吉斯斯坦的利率渠道、汇率渠道和信贷渠道的货币政策效果［8］。Phan研究了澳大利亚的货币政策传导渠道，发现投资渠道的效应大于消费渠道的效应［9］。一些理论发现，随着经济周期阶段的不同和货币政策操作方向的不同，货币政策的效果可能存在显著的非对称性［10-11］。为刻画这种非对称性，许多实证研究在VAR模型中引入了非线性。Weise使用机制转移VAR模型发现货币供给冲击对产出和通胀的效应依赖于经济周期阶段［12］。 Franta et al.的时变系数VAR发现全球金融危机时期货币政策对通货膨胀的效应增强了［13］。Galvao&Marcellino 的时变系数VAR表明货币政策冲击对价格的效应在近期发生变化［14］。使用VAR模型的显著优点是：该模型可以将系统中所有的变量作为内生变量，从而避免了因解释变量内生性而带来的有偏估计结果。该模型还可以方便地识别货币政策冲击并使用脉冲响应函数和方差分解描述货币政策效果的动态特征。但使用VAR模型的经验研究一般都发现：紧缩性货币政策会带来通货膨胀率的上升，这显然不符合经济理论，这一结果被称为“价格之谜”。Bernanke et al.将VAR模型的不足归结为三个方面：首先，因为“维度诅咒”的原因，VAR模型包含的变量一般不会超过8个，这就在较大程度上将中央银行和私人部门所掌握的大量信息忽略了，从而获得有偏的估计结果。其次，经济变量的度量偏差。例如，VAR模型中经济行为的概念也许不能被GDP或者其他可观测的变量完美地度量。最后，研究者观测到的脉冲响应函数只是模型中少数几个变量，这些变量仅仅是政策制定者关注的大量信息集中的少部分。针对上述不足，Bernanke et al.将因子分析引入VAR模型［1］，提出因子扩展的VAR模型（FAVAR），此后，FAVAR在货币政策的研究中得到广泛使用。
研究人员首先将振动力场引入注塑成型的充模过程中。日本山形大学的Atsushi Sato及其团队[12]研制了一种超声振动辅助注塑成型装置，如图1所示。该装置由振动单元、注射单元、型腔、超声波发生器、气缸和振动杆等组成。加工过程如下：超声振动装置置于模具的主流道和型腔位置，在注塑充填过程中，超声产生的振动将直接作用于模具上，从而使得模具在注塑过程中发生振动。
国内相关文献基本遵从了国际相关文献的研究方法和研究思路。赵进文、闵捷的非线性VAR研究结果表明，中国货币政策操作呈现明显的非对称性效果，具有很强的非线性特征［15］。张丁育使用时变VAR模型检验了货币政策对商业银行贷款的冲击和由此产生的银行风险分布效应，以及存款准备金率对这种货币政策的风险分布效应的抑制作用［16］。潘彬、金雯雯从机会成本渠道、资产替代渠道、资产负债表渠道及逆向选择渠道解释了货币政策影响民间借贷利率的作用机制，并实证检验了货币政策工具的效果［17］。陈继勇、王胜使用FAVAR研究了中美经济关系、人民币汇率制度改革对中国汇率政策传导机制和效果的影响［18］。王少林等使用FAVAR研究了中国货币政策与股票市场的互动关系［19］。欧阳志刚和薛龙使用面板FAVAR研究了新常态下多种货币政策工具对特征企业的定向调节效应［20］。
1．共同驱动效应的脉冲响应函数估计结果
二、基本理论框架与计量模型的设定
(一)基本分析框架
假定Yt是M×1维的宏观经济驱动力。在货币政策研究中，Yt一般包括货币政策、产出和物价，这就使得许多与Yt有关的额外信息被排除。这些额外信息可综合成K维不可观测的因子Ft，它们可以解释为金融压力、价格压力、经济行为或信贷条件，等等。因此，货币政策目标变量就面临可观测的因子Yt和不可观测的因子Ft的联合驱动。它们的动态可表述为：
此项检查主要对线状地物的套合情况进行精度检查，在已有地形图中选取31处地物特征明显的田埂和道路进行精度统计分析。检查情况，如表3。
这里，Λf是N×K维不可观测因子载荷矩阵，Λy是 N×M 维可观测因子载荷矩阵，Ø（L）是N×N维滞后算子多项式，et为特质冲击。在Bernanke et al.的模型中，Ø（L）是零矩阵，因此X是由“无处不在”的驱动力
和特质冲击 et驱动［1］。 在 Stock&Watson 的模型中［21］，Ø（L）为对角矩阵，这就意味着X是由
自身动态和特质冲击et驱动。二者的区别在于：Bernanke et al.把驱动力
以外的影响都看成特质冲击［1］，Stock&Watson 将驱动力以外的影响进一步分为自身动态和特质冲击［21］。模型（1）和（2）构成一个完整的FAVAR模型。为给驱动力提供一个理论解释，Bernanke et al.使用了Rudebusch&Svensson的后顾型宏观经济模型［1，22］，在该模型中，宏观经济波动由少数驱动力推动：
宏观数据集和货币政策工具变量之间或多或少存在关联，这就导致共同因子
相关。为精确讨论货币政策组合操作对货币政策目标的传导效应，本文需要将宏观因子
中能够被分析获得的
作为宏观因子的初始估计，记为F（0）。第二步，将高维宏观数据信息集记为 W，使用W对
作回归，产生
的估计系数矩阵货币政策因子
所解释的部分剔除。为此，本文使用Boivin,et al.的扩展主成分迭代法重新估计
具体如下：第一步，将前面使用因子
这就将W中由
解释的部分剔除了。第四步，提取
的前面5个主成分作为F（0），以此作为
的下一步估计，记为F（1），由此减少
的交叉信息。第五步，将
与 F（1）返回步骤三。 第六步，重复迭代估计100次，由此产生共同因子
的最终估计。模型（8）中的xit-1包括货币政策工具变量，它需要揭示去除货币政策共同因子后的特质驱动力，因此在后续的估计与检验过程中还剔除了11维货币政策工具变量中的共同因子信息。
模型（3）是总供给曲线或菲利普斯曲线，它表示通货膨胀由滞后通胀、滞后产出缺口和供给冲击驱动。模型（4）是需求曲线或IS曲线，它表示实际产出由上期实际产出、上期实际利率和需求冲击驱动。模型（5）和（6）分别使用一阶自回归的方式描述潜在产出和供给冲击的动态过程。在上述宏观动态模型中引入央行的货币政策行为，假定名义利率由央行根据简单泰勒规则确定：
模型（7）中的泰勒规则表明央行的货币政策工具Rt是针对当前的通胀和产出缺口作出反应。模型（3）至模型（7）是经典文献中的宏观经济模型，这些模型被广泛地应用于描述经济系统波动。根据这些简单的结构模型，经济系统的驱动力包含 ynt，st，πt，yt，Rt， 高维经济变量 Xt由这些驱动力推动。
πt，yt，Rt）'。 如果所有驱动力可以被直接度量，则可以方便地实现模型（1）和（2）的估计。在这种情形下
图2至图5分别是货币政策工具组合的共同因子对各货币政策目标变量的脉冲响应函数图，它直观地刻画了共同因子的动态冲击效应。图2中的y1g，y2g和y3g分别表示价格型组合、传统数量型组合和创新结构型组合对产出的冲击效应。图3中y1p，y2p和y3p分别是价格型组合、传统数量型组合和创新结构型组合对通货膨胀的冲击效应。从图2和图3的结果可以看出，1单位正向价格型组合和传统数量型组合的共同冲击对产出和通货膨胀的冲击效应持续为负值，1单位正向的创新结构型组合对产出和通胀的冲击效应持续为正值。由货币经济学理论可知，价格型货币政策工具对产出与通胀的效应为负向，货币数量增加对产出与通胀的效应为正向。传统数量型组合中既包括存款准备金率工具，又包括基础货币工具。存款准备金率增加对产出和通胀形成负向效应，基础货币增加对产出和通胀形成正向效应。从传统数量型组合Y2的构成看，Rx，Rd和m0的载荷系数都较大，但由于Rx和Rd对货币供给创造的乘数相对较大，因而传统数量型组合工具的传导效应更主要体现Rx和Rd的效果，传统数量型组合工具的共同冲击对产出和通货膨胀的效应为负值。上述结果表明，在新常态下，各种类型的货币政策工具的组合操作都能对产出与通胀形成符合理论预期的效果。
就中国而言，央行货币政策工具给市场参与者传递了货币政策信息，多种货币政策工具的组合操作，导致不同的货币政策工具包含了相同的货币政策信息，例如再贴现率和再贷款率、存贷款基准利率等。当这些工具操作方向相同时，就会给企业和居民提供相同的货币政策信号，通过相同的传导渠道引导他们作出决策。这就意味着包含重叠信息的货币政策工具具有共同的驱动力。此外，不同货币政策工具还具有各自的独特特征，从而使得它们在具有相同的货币政策信号和相同的传导渠道的同时，还具有各自独特的货币政策信号和独特的传导渠道。例如，存贷款基准利率和同业拆借利率都会通过利率传导渠道影响货币政策目标变量，但同业拆借利率重在调节货币市场资金供求状况，直接影响货币市场参与者的决策，而存款基准利率更多地通过调节居民存款行为而影响货币政策目标。因此，不同货币政策工具又具有各自独特的驱动力。货币政策效果是在这些共同驱动力和独特驱动的综合作用下形成的。尽管每种货币政策工具都可以被央行和市场参与者准确地观测，但央行和市场参与者无法观测到多种货币政策工具因信息重叠而形成的共同驱动力，也难以将每种货币政策工具中的共同信息和独特信息进行区分，从而难以准确判断组合操作下的各种货币政策工具的共同驱动效果和特质的驱动效果。因此，准确刻画新常态下货币政策效果，既要考虑到货币政策工具组合操作形成的不可观测共同驱动力，又要考虑各种货币政策工具的可观测的独特驱动力。
（二）货币政策组合FAVAR模型的设定
为揭示多种货币政策工具组合操作形成的共同驱动力，本文将模型（2）中一种货币政策因子扩展为多种货币政策工具共同因子。这样模型（2）中的Yt就是货币政策组合共同因子，因此，货币政策共同因子对X的动态效应是由模型（1）的货币政策组合冲击vt通过系数矩阵Φ（L）传导至模型（2）的货币政策共同因子和Xt-1之后，再传导到货币政策的目标变量。由于货币政策共同因子体现的是多种货币政策工具的共同信息，因而这种传导效应揭示的是多种货币政策工具因信息重叠而形成的潜在共同驱动力的传导效果，本文称其为货币政策组合效应。对于模型（2）中X的动态项系数Ø（L），本文在Stock&Watson 的基础上［21］，允许 Ø（L）中与货币政策工具变量相关的系数不为零，因此本文将共同驱动力以外的影响进一步区分为货币政策工具的特质冲击以及其他特质冲击。这样，各种货币政策工具可观测的独特驱动力是由特质冲击et通过X的自身滞后项动态影响X。它由系数矩阵Ø（L）刻画，揭示的是各种货币政策工具去除共同驱动力的传导效应后各自独特驱动力的传导效应，本文称为特质效应。这样扩展后的模型（2）的基本特征是 Λf，Λy和 Ø（L）是线性的，因而共同驱动力和特质驱动力的传导效应是对称的和时不变的。其隐含的假定是在不同经济状态、不同货币政策操作力度与操作方向上，货币政策的效应都不会变化。如果在样本期内存在经济周期阶段或货币政策操作的显著变化，货币政策效果就会呈现非对称性，这就应该进一步将模型（2）扩展为非线性，以此研究货币政策效果的非对称性。现有文献主要使用阈值机制转移模型、马尔科夫机制转移模型和时变参数模型刻画非对称性。这三种非线性模型各具特色，但阈值机制转移模型更具有显著经济含义，并吻合中国货币政策操作背景。基于此，本文借鉴Dahlhaus使用机制转移函数进一步扩展模型（2）［23］：
卡尔梅克人信仰藏传佛教，所以藏传佛教的文化信息遍布城市四方，藏传佛教研究中心和藏传佛教庙宇建筑华丽宏伟，在市中心广场还建有一座碑亭，内置有高近3米的转经筒。
新常态下央行往往同时使用多种货币政策工具进行组合操作，本文中的货币政策工具变量包括1年期存款基准利率（r1）、1～3年定期贷款利率（r3）、商业银行7天同业拆借加权平均利率（r7）、人民银行对金融机构1年期再贴现利率（r t）、1 年期支农再贷款利率（rz）、大型金融机构存款准备金率（Rd）、中小型金融机构存款准备金率（Rx）① 2014年4月25日，央行下调县域农村商业银行人民币存款准备金率2个百分点，下调县域农村合作银行人民币存款准备金率0.5个百分点。2014年6月16日，央行对符合审慎经营要求且“三农”和小微企业贷款达到一定比例的商业银行下调人民币存款准备金率0.5个百分点。因这些涉农金融机构存款准备金率数据太少，本文没有单独考虑。 、基础货币m0、常备借贷便利余额（SLF）、中期借贷便利余额（MLF）、抵押补充贷款（PSL），共 11 个政策变量。SLF，MLF 和 PSL是2013年6月后才开始操作，没有操作以前数据都为0。对m0，SLF，MLF和PSL分别取自然对数，并将全部11维货币政策工具变量处理成均值为0、标准差为1的标准序列。支农再贷款利率来自中国人民银行，其余数据来自Wind数据库、中国人民银行网站和国家统计局网站。样本期间选择为2011年1月至2016年12月的月度数据。
可以看出，本文的贡献体现在：第一，本文包含了新常态下多种货币政策工具，这就显著改善了既有相关研究因为仅包含一种或少数几种货币政策工具而不能充分揭示多种货币政策工具信息的不足。第二，本文系统阐述了新常态下多种货币政策工具的组合操作导致货币政策同时具有不可观测共同驱动力和可观测特质驱动力的特征。针对这种特征，本文在Bernanke et al.的基础上［1］，将货币政策区分为不可观测的共同驱动力和可观测驱动力，以此揭示多种货币政策工具组合操作而形成的共同驱动效应（组合效应）以及各种货币政策工具的独特驱动效应（特质效应）。这样能够准确评价多种货币政策工具组合操作的效果，为新常态下多种货币政策工具的选择性操作服务，也有助于提升货币政策的针对性、有效性。第三，本文的研究能够体现货币政策工具自身的结构特征，这对于新常态下多种货币政策工具的选择性操作具有重要的现实意义。
三、非线性因子模型的检验与估计
（一）变量的选择与数据处理
这里xit是包括货币政策目标和货币政策工具的一组变量。f（.）为阈值机制转移函数，zt-1为阈值变量，ci为阈值参数，γi为平滑参数。模型（8）的机制转移函数对不同的xi不尽相同，这种差异体现在阈值参数、平滑参数和位置参数上。这就意味着，货币政策对不同货币政策目标具有非对称效果，且非对称效果在不同政策目标之间存在差异，由此具有异质性。现有文献的转移函数有逻辑函数 f （zt-1，γi，ci）=｛1+exp［-γi（zt-1-ci）］｝-1和指数函数 f（zt-1，γi，ci）=｛1-exp［-γi（zt-1-ci）］2｝。Weise 使用的是逻辑函数［12］。这是因为，指数函数的取值在阈值ci的两侧呈“V”型对称，由于阈值ci是体现经济状态的变量，这就意味着如果使用指数函数，货币政策在向上偏离和向下偏离经济状态ci相同程度时的效果是相同的，此时的非对称性仅与zt-1偏离ci的程度有关，而与偏离的方向无关。现有经济理论和经验研究表明，经济繁荣与萧条时期或高通胀与低通胀时期的货币政策效果显著不同。因此，货币政策效果的非对称性不仅与zt-1偏离ci的程度有关，而且与偏离方向有关，因此，指数函数不适合用于刻画货币政策效果的非对称性。逻辑函数的反“Z”型非对称形态恰好适合描述货币政策效果的这种非对称性，现有多数研究也证实了这一结论。基于此，本文使用逻辑函数（需检验）。这样，当经济状态处于低增长和低通胀时，zt-1较小，转移函数 f（.）等于 0或趋于0，FAVAR模型称为低机制，货币政策对经济变量的组合效应由
和 Φ（L）揭示，特质效应由Ø1i揭示。当经济状态位于高增长和高通胀时，zt-1较大，f（.）等于 1 或趋于 1，模型被称为高机制，货币政策组合效应由
和 Φ（L）揭示，特质效应由 Ø1i+Ø2if（.）揭示。由于经济状态在繁荣阶段和萧条阶段的转换经常是平滑转换的，因而经济状态变量在较大值与较小值之间也是连续变化的，对应的逻辑函数f（.）也在［0，1］之间连续取值，由模型刻画的货币政策对经济变量的组合效应和特质效应也在低机制与高机制之间平滑转换。根据现有经济理论和经验结果，阈值变量一般使用经济增长率，本文分别使用经济增长率和通胀率，在对二者进行比较后，选取最优的阈值变量。
Remark 2.The natural frequency of each section of the EHA system is not the main reason restricting the dynamic characteristic,and the natural frequency of the motor-pump group is the poorest section of all.
新常态下，保持货币币值的稳定，并以此促进经济增长，是货币政策的主要调控目标。此外，面对宏观经济的多重失衡，新常态时期的货币政策还承担着经济结构调整和稳定金融风险的重任② 虽然在不同场合，学者们对新常态下货币政策的多目标究竟应该包括哪些有诸多争论，但调结构和化解金融风险基本得到大家的认可。 。因此，本文货币政策目标变量包括经济增长、通货膨胀、产业结构升级和金融系统风险。经济增长（gy）用工业产出增加值同比增长率来表示，通货膨胀率（p）使用同比CPI。新常态下产业结构的升级是向高级化方向发展，而第三产业产值与第二产业产值之比体现了产业结构高级化和服务化的倾向，因此本文使用第三产业产值与第二产业产值之比表示产业结构变化。银行系统仍然在中国金融系统中占据主导地位，因此使用银行系统风险代表金融系统风险，其度量使用Acharya et al.提出的商业银行系统风险度量方法［24］。在这些目标变量中，产业结构升级（cy）只有季度数据，本文使用季度数据代替月度数据。
本文的高维宏观数据包含国内信息集和国际信息集，其中国内数据信息集主要包括：（1）实际产出类：各种重要工业产品产量以及各类农产品的产出；（2）价格指数类：原材料、燃料、动力价格指数，消费者价格指数，工业品出厂价格指数，农副产品类价格指数，有色金属材料类价格指数；（3）房地产开工竣工类：包含房地产开工和竣工面积；（4）投资类：固定资产投资总额，各产业固定资产投资完成额；（5）财政政策类：公共财政收入、公共财政支出、税收收入等；（6）股票价格类：上证和深证股票价格指数；（7）实际消费和零售类：消费者信心指数、社会消费品零售总额、各类商品零售额等。国际因素信息集包括：（1）汇率类：人民币实际有效汇率、美元汇率、日元汇率和欧元汇率；（2）与中国经济联系紧密国家的经济增长速度：美国、欧盟、日本、巴西、俄罗斯、南非等国的GDP同比增长率；（3）国际主要经济体的货币政策：欧盟M3、印度M4、美国和日本的M2的同比增长率；（4）进出口类：进口额、出口额等；（5）国际价格指数：国际工业价格指数、国际食品价格指数、国际能源价格指数，国际农业价格指数等，总共75维数据。对于这些高维数据，本文数据处理方法如下：如果有增长率数据，都使用同比数据，如CPI、PPI等；对诸如房地产开发投资和销售指数、消费者预期和信心指数等，由于其本身就是平稳数据而无须处理；对于名义总量数据，如进口和投资，首先使用以2001年为基期的消费者价格指数换算成实际数据，取自然对数后再检验是否平稳；如果是非平稳的数据，则进行差分的变换；对于非平稳而又非名义数据，如股票市场指数，则取自然对数后差分处理；对上述处理后的数据最终处理成均值为0、标准差为1的标准序列。宏观数据来自Wind数据库。
（二）共同因子的估计与处理
为实现前述非线性FAVAR模型的估计与检验，必须获得模型中共同因子F和Y的估计结果。Bernanke et al.的两步法对共同因子的估计是首先从高维数据集X中确定因子个数并用主成分方法估计，货币政策作为一个已知的独立共同因子［1］。然后在估计的共同因子中去除货币政策共同因子的相关信息，剩余的就是潜在驱动力的估计。本文借鉴Bernanke et al.的两步法思想［1］，但与之不同的是，本文将货币政策区分为潜在共同驱动力和可观测驱动力，共同驱动力是因货币政策工具信息重叠而形成，因而是潜在因子，可观测驱动力是每种货币政策工具去除共同信息后的剩余成分。为实现共同驱动力的估计，本文将全部数据信息集分成两部分：货币政策信息集和高维宏观信息集，分别使用Eviews8.0中的Kaiser-Guttan、最小特征值以及Bai&Ng等多种方法对高维宏观数据信息集和货币政策工具信息集进行估计，以确定共同因子的数量［25］。考虑到新常态时期的多种类型货币政策工具组合操作的实践背景，本文选择共同因子数量为3个。因使用不同方法对高维宏观数据信息集确定的共同因子数量差异较大，综合权衡考虑，本文选择总方差比例方法确定的共同因子数量为5个。
货币政策数据集的估计结果表明货币政策的共同驱动力可用3个不可观测共同因子揭示。对3个共同因子的载荷矩阵经过旋转后，载荷矩阵系数的大小体现了各个货币政策工具变量在形成共同因子过程中的重要程度。本文发现，第1个共同因子（Y1）对应1年期存款利率、1～3年贷款利率、7天同业拆借利率、再贴现利率和1年期支农再贷款利率的系数相对较大，分别为 0.88、0.99、0.48、0.50、0.72， 其余的系数都很小。由此表明在Y1的形成过程中，各种利率是它的主要来源，它主要揭示了价格型货币政策工具的共同信息形成的驱动力。本文称Y1为价格型政策工具组合 （简称价格型组合）。第2个共同因子（Y2）对应的大型金融机构存款准备金率、中小型金融机构存款准备金率和m0的系数相对较大，分别为0.96、0.94和0.96，其余的系数都很小。由此可见，Y2主要揭示了数量型货币政策工具的共同驱动力。本文称Y2为传统数量型货币政策工具组合 （数量型组合）。Y3对应的MLF和PSL余额的系数相对较大，分别为0.87、0.88，其余系数很小，本文称Y3为创新结构型货币政策工具组合（创新型组合）。Y1，Y2和Y3的估计结果如图1所示。
其次，共享并不代表着失去，共享主体应深刻认识到共享的优点和意义，共享是一种互惠互利的行为。对于参与资源共享的双方来讲，提供者因资源闲置而造成的浪费问题是可以避免的，而且也可以让自己在共享中获益。例如，可以采取适当收费的措施，来解决一些硬件设备产生的损耗、维修费用的问题，从而就达到优势互补。优越的教育共享环境的建构使高校匮乏资源的问题得到缓解，还让各高校成为盟友，双方关系更加密切。
在断裂试样上取断口在体视显微镜下观察，断口呈典型的笔尖状断口，断裂源位于中心位置，试样表面没有明显的外观缺陷，形貌如图2所示。用线切割方式在断口处沿试样中心纵向制取金相试样，显微观察试样断口尖端存在沿轴线断续分布“V”形裂纹，裂纹形貌如图3所示。裂纹附近发现有硫化物类夹杂物存在，级别为1级，显微形貌如图4所示。使用4%（体积分数）硝酸酒精溶液浸蚀后，“V”形裂纹处存在网状渗碳体组织，形貌如图5所示。低倍下观察在试样中心有一条明显的偏析带，形貌如图6所示。
从图1可以看出，样本期内中国货币政策工具组合操作的结构特征大致可以划分为两个阶段：第一阶段为2011年至2015年初期；第二阶段为2015年第一季度后。在第一阶段，由于前期数量型货币政策过度宽松，宏观经济出现流动性过剩，因而尽管由于经济转型进入经济新常态，经济增速下行，但央行并没有实施大规模的以增加货币供给为手段的刺激政策。从图1中可以看出，价格型工具组合在波动中缓慢地趋于下降，数量型工具组合在波动中基本稳定。进入2015年后的第二阶段，因经济增速下滑至7.0%以下，为阻止这种下滑趋势，货币政策的操作力度明显发生变化：1年期存款利率、1～3年贷款利率和商业银行同业拆借利率自2015年3月后相继下调，导致价格型工具组合显著下降。但由于金融危机时期及随后的货币数量超发，央行仍然不敢过度依赖传统数量型货币政策工具，以防过度“漫灌”，转而将数量型操作重点转向结构性货币政策工具，注重货币政策的定向操作和“滴灌”效应。因此，2015年第一季度后，传统数量型货币政策工具组合仍然处于相对较缓的下降通道中，但创新结构型货币政策工具组合显著向上攀升。由此，可以看出当前稳健货币政策操作的特征：价格型工具偏向宽松；传统数量型工具稳健适中；创新结构型货币政策工具偏向宽松。图1的结果还表明，由于进入2015年后经济增速持续下滑，央行货币政策的操作力度显著改变。这一事实正好吻合了Morgan，Ball&Mankiw 的理论分析［10-11］，这意味着2015年后货币政策效果可能发生显著的非对称性变化。
图1 货币政策共同因子的估计结果
青甸洼蓄滞洪区属于海河流域蓟运河水系，位于蓟县西南部，是蓟运河两大支流州河、泃河汇流夹角区，东临州河右堤，南倚泃河左堤。洼内地势北高南低，最低高程4.0m（大沽高程）。蓟运河的滞洪洼甸，在北三河防洪体系中具有重要作用，是保护宝坻县城、津蓟铁路、津蓟高速公路、津围公路等重要地区和设施防洪安全的必不可少的蓄洪工程。青甸洼蓄滞洪区担负着蓟运河防洪标准内洪水的滞蓄任务，可使蓟运河下游的防洪能力达到20年一遇，是蓟运河地区的重要防洪安全保障［4-5］。
（三）模型的非线性检验方法
本文模型设定的合理性，需要严格的检验。由于模型（8）是非线性模型，为避免非线性模型检验中冗余参数的问题，现有文献的处理方法都是将其线性化，即将转移函数 f（.）在 γi（zt-1-ci）=0处的三阶泰勒展开式作为转移函数的近似表达式，代入模型（8）近似得到线性模型。在此基础上，再将模型（1）代入近似线性化后的模型，得到模型（9）:
第三步，计算
非线性检验是基于模型（9）而展开，检验内容包括模型（9）是否存在非线性，如果存在非线性，再检验非线性函数是逻辑函数还是指数函数。为方便，令
…，k。检验非线性的原假设
一旦拒绝原假设，说明不同类型货币政策工具的组合效应与特质效应在不同经济周期阶段（或不同通胀周期阶段）具有显著的非线性，由此说明，模型（8）的非线性设定是适宜的，但仍需要进一步确定非线性转换函数的形式，即确定模型（8）中的转移函数 f（.）是逻辑函数还是指数函数。根据 Sarantis的研究［27］，针对模型（9）分别设定原假设
并对这些原假设作序贯检验。能够看出，这些检验具有递归性，即不拒绝H02 和 H04，而拒绝 H03，表明模型（8）的 f（.）为指数函数，否则f（.）为逻辑函数。检验过程中，分别将原假设 H02，H03和 H04序贯代入模型（9），记原假设下的残差为
备择假设
根据 Weise［12］，当检验原假设H01时，非线性检验统计量为：
这里，k为x包含变量的数量，q为x滞后阶数，l为货币政策因子和宏观因子的滞后阶数，m为货币政策因子和宏观因子的总个数，T为样本长度。当检验原假设分别为H02，H03和H04时，（10）式中的自由度相应变化。为使检验结果具有稳健性，本文还使用了LR检验统计量。对于原假设下残差
和备选假设下的残差下的残差
似然比检验统计量为 LR=T［log|Ω0|-log|Ω1|］，该统计量服从χ2，其自由度为原假设下约束的数量。例如，当检验原假设 H01时，其自由度为 k（q+ml）。分别记
流动相在高效液相色谱法中至关重要，考察了甲醇-乙酸-水、乙腈-水作为流动相的分离效果。结果表明，10种酚类物质在甲醇-乙酸-水体系中分离效果较好，通过反复摸索调整梯度洗脱程序，峰形和分离度达到要求。流动相A为甲醇-乙酸-水(90∶2∶8)，流动相B为甲醇-乙酸-水(10∶2∶88)，流速为1.0 mL/min，洗脱程序见表1。结果表明，10种酚类物质在25 min之内均得到了良好的分离，此条件下标准品的色谱图见图1。
（四）模型非线性检验结果
在非线性检验过程中，本文使用一阶泰勒展开式近似代替非线性转移函数而不是三阶泰勒展开式。这样处理的原因是：首先，如果非线性函数是逻辑函数，则在 γi（zt-di-ci）=0 处二阶泰勒展开式为零，如果非线性函数是指数函数，则在 γi（zt-di-ci）=0处一阶和三阶泰勒展开式为零。因此，如果能够判断一阶泰勒展开式为非零，就可以说明非线性存在且其转移函数为逻辑函数。其次，这里仅是检验非线性是否存在和判断函数形式，而不是估计模型，因此，仅用一阶泰勒展开式代替非线性函数，就能获得较好的判断结果。最后，这样处理可以提高检验的自由度。这样就仅需检验原假设
在对模型进行非线性检验之前，应预先确定模型中的滞后阶数。根据Granger&Terasvirta的建议［28］，滞后阶 q的确定是基于线性 VAR（p）的AIC和SC信息准则。综合两个准则得到滞后项的最优滞后阶数q为2，共同因子的滞后阶数为2。非线性检验结果如表1所示。
可以看出，当阈值变量分别为经济增长率和通货膨胀率时，两种情形下的FF和LR检验统计量值都大于对应的5%临界值，可以拒绝原假设。这说明，货币政策工具的组合效应与特质效应都随着经济周期阶段或通胀水平的变化而呈非线性特征，且非线性特征由逻辑函数刻画。但通过比较，我们发现阈值变量为经济增长率时的检验统计量值要明显大于阈值变量为通货膨胀率的统计量值，因此，选择阈值变量为经济增长率犯一类错误的概率更低。另一方面，虽然《中国人民银行法》规定货币政策的目标是保持币值稳定并以此促进经济增长，但在新常态下，通胀率持续稳定在1.0%～3.0%的稳定区间，经济增长速度持续下滑且没有出现明显稳定的趋势，因此相对于通货膨胀，保增长成为更为重要的调控目标。典型事实是，2015年第一季度后，中国面对持续下滑的经济增长率，不得不改变以往不刺激或微刺激的政策承诺，连续放松货币政策。从这些经济事实看，选择经济增长率为阈值变量应该更合理些，基于此，本文随后的分析选择经济增长率为阈值变量。
四、货币政策工具组合效应与特质效应的动态估计
（一）组合效应和特质效应的动态估计方法
脉冲响应函数是当前研究上述组合冲击和特质冲击动态反馈的标准方法，但由于模型（8）含有非线性机制转移函数，现有文献还没有从非线性模型中直接获得脉冲响应函数的解析方法，因而可以对Koop et al.的广义脉冲响应函数进行扩展［29］，以实现对模型（8）的脉冲响应函数估计。为此，本文根据估计的模型（1）和模型（8），设定非线性广义脉冲响应函数（GIRF）。使用广义脉冲响应函数还有如下目的：本文不仅需要识别各种货币政策组合形成共同驱动力的冲击，而且需要识别各种货币政策工具的特质驱动力冲击。现有文献提供的识别方法都不能在非线性模型中同时识别共同冲击和特质冲击。广义脉冲响应函数可以通过设计仿真实验，在非线性模型中同时识别共同冲击和特质冲击。
（二）共同驱动效应和特质驱动效应的估计结果
可以看出，不同时期阈值参数的取值不同，导致转移函数以及模型（1）和（8）中的系数不同，从而使得根据本文所设定的广义脉冲响应函数的计算结果不同。从当前和未来一定时期的实践看，2016年的实际经济增长率同比数据为6.7%，2017年中央政府工作报告中明确指出经济增长率目标在6.5%左右。基于中国新常态时期经济增长率“L”型特征和当前已经基本触底的判断，本文的阈值参数选择为6.5%。
表1 模型的非线性检验结果
图2 共同因子对gy的动态效应
图3 共同因子对p的动态效应
图4 共同因子对cy的动态效应
图5 共同因子对fx的动态效应
国内外文献对于本文具有重要的参考价值，但对于新常态下货币政策的研究，直接借用现有国内外相关研究还有明显不足。首先，新常态下货币政策的操作是多种政策工具的组合操作，而现有FAVAR文献中仅包含一种货币政策工具，因而需要将 Bernanke et al.，Bagzibagli，Ellis et al.的一种货币政策工具扩展为多种货币政策工具的组合操作。其次，使用一种或少数几种货币政策工具不能体现新常态下多种货币政策工具本身的结构特征。最后，现有FAVAR的文献虽然考虑了货币政策效果的时变特征［16-17］，但货币政策效果的非对称性本质上是源于不同经济周期阶段、不同通胀水平或不同货币政策操作方向时期居民行为和企业决策的显著不同，时变模型难以刻画这种非对称性。因此，新常态下货币政策效果的研究，需要针对上述特征扩展现有的研究方法。
模型（1）中的驱动力就是就是空集。如果上述驱动力中全部或部分不能直接度量，模型（1）和（2）就不能被直接估计。因此，在实证研究中，需要针对经济现实区分Yt和Ft分别包括哪些驱动力。 Bernanke et al.认为，ynt，st，πt，yt都是不可观测的驱动力，唯一可观测的驱动力只有Rt［1］，原因是潜在产出 ynt 和供给冲击 st本身不可观测和不可被直接度量。通胀率和实际产出虽然有官方或民间发布的度量结果，但这些度量结果并非真正通胀率和实际产出的准确度量，因而πt，yt也不可直接观测。Rt是货币政策工具变量，以基准利率表示。中央银行准确公布本国的基准利率，因而能够被观测。这就隐含着一个基本假定：中央银行的货币政策能够完全地被唯一的货币政策变量 （基准利率）表示。如果不能，Bernanke et al.提出的模型就仅仅能够大致研究基准利率的政策效果① 这里称为“大致”是因为，这种情形下其他货币政策工具的效果会或多或少地附加在基准利率工具上。 ，而不是全部货币政策的效果［1］。在这种情形下，准确揭示货币政策效果就需要修正和扩展 Bernanke et al.的模型［1］。
图4中y1cy，y2cy和y3cy分别表示价格型组合、传统数量型组合和创新结构型组合对产业结构升级的冲击效应。可以看出，正向价格型组合冲击和传统数量型组合冲击对产业结构升级的效应持续为正值，经过一定时期后逐步向零线收敛。由于本文的产业结构升级是第三产业增加值与第二产业增加值之比，因而新常态下价格型政策工具组合和传统数量型工具的适度宽松对第二产业产值的促进效应大于第三产业，这不利于产业结构的高级化和服务化方向的发展。正向的创新结构型组合对产业结构升级的传导效应为显著的负向，这意味着创新结构型组合也不利于产业结构升级。根据图1的结果，新常态下的多种货币政策组合操作的模式是价格型和结构型工具宽松、传统数量型工具稳健适中。图4结果表明，这种组合操作方式不利于产业结构升级。
图5中的y1fx，y2fx和y3fx分别表示价格型组合、传统数量型组合和创新结构型组合对银行系统风险的冲击效应。可以发现，正向的价格型组合冲击和传统数量型组合冲击对银行系统风险的影响在前两期为正向，随后转为负向再收敛至零线。从整体来看，呈现负向效应。这就意味着，降低利率和降低存款准备金率在初期会带来银行系统风险的下降，但长期来看会带来银行系统风险的上升。创新性结构组合对银行系统风险的影响在第2期至第6期为负向，然后上升为正向再收敛至零线。由此说明，近年来央行通过创新性结构货币政策工具释放的流动性在短期内有利于维护银行体系流动性的基本稳定，同时也带来了商业银行系统风险的一定程度下降，但长期来看，这些结构性工具的操作对银行体系的系统风险的负向影响难以持续维持，因此，通过现有创新性结构货币政策工具的操作还难以实现化解银行系统风险的目标。
2．各种货币政策工具特质冲击的脉冲响应函数估计结果
共同冲击对货币政策目标变量产生的动态效应，是货币政策工具组合操作形成的共同驱动力的动态结果。在剔除共同驱动力的影响后，货币政策工具剩余的影响就是各种政策工具特质驱动力对目标变量形成的特质传导效应。这种“独特”的特质传导效应由特质冲击效应刻画。
图6至图9是价格型货币政策工具r1，r3和r7对货币政策目标变量的特质冲击效应。从图6可以看出，r1，r3和r7的特质冲击脉冲响应曲线围绕在零线上下循环波动，表明这三种政策工具对经济增长没有在一个方向形成持续效应，因而对经济增长没有明显的特质冲击效应。图7的结果表明，r1，r3和r7对通胀的特质冲击曲线都在零线下方，由此说明新常态下r1，r3和r7这三种主要的价格工具对通胀具有显著的负向特质调节效应。图8是r1，r3和r7对产业的特质冲击效应，可以发现这三种货币政策工具对产业结构升级没有显著的特质效应。图9显示，r1和r3对银行系统风险的特质冲击曲线整体在零线下方波动，因而形成较小幅度的负向效应。r7对银行系统风险的特质冲击效应在初始期为较大的正值，然后逐步下降并向零线收敛，这表明r7对银行系统风险的特质效应为负向。
这里，Φ（L）是滞后算子多项式，误差项 vt称为共同冲击，假定其均值为零，方差为Q。在模型（1）中，如果 Φ（L）中有关 Yt与 Ft-1相关的系数都为零，则模型（1）退化为Yt的标准VAR模型，否则模型（1）就应包括不可观测因子Ft。可以看出，如果忽视不可观测因子Ft，模型（1）估计的系数可能是有偏的。在Ft和Yt的驱动下，包含货币政策目标的高维经济变量Xt的动态可表述为：
图6 r1，r3和r7对增长的特质冲击效应
图7 r1，r3和r7对通胀的特质冲击效应
图8 r1，r3和r7对产业的特质冲击效应
图9 r1，r3和r7对风险的特质冲击效应
图10 rz和rt对增长的特质冲击效应
图11 rz和rt对通胀的特质冲击效应
图12 rz和rt对产业的特质冲击效应
图13 rz和rt对风险的特质冲击效应
图10 至图13是再贴现利率rt和支农再贷款利率rz的特质效应。图10和图11表明，rt和rz对经济增长和通货膨胀的特质效应基本相同，它们都是在前4～6期为一定幅度负值，随后收敛至零线。例如，图10中的rt对增长的特质冲击曲线在前4期为负值，随后在零线上下小幅波动后收敛。因此，rz和rt对经济增长和通货膨胀的特质效应整体表现出一定程度的负向。图12报告的是再贴现利率rt和支农再贷款利率rz对产业结构升级的特质效应，可以发现，rt和rz对产业结构升级的特质效应为一定程度的正向，但不明显。类似地，图13的结果表明，rt和rz对银行系统风险都没有明显的特质效应。
图14至图17（下页）是传统数量型工具Rx，Rd和m0的特质冲击效应。图14是它们对经济增长的特质冲击效应。从图中结果看，仅有Rd对经济增长有较为明显的负向特质效应，而Rx和m0对经济增长的特质冲击曲线基本在零线上下均匀波动。图15的结果则显然不同，Rd对通货膨胀的特质效应有明显的负向，m0的增加对通货膨胀形成正向的特质冲击效应，而Rx对通胀的特质效应不显著。上述结果表明，仅从特质效应看，新常态下传统数量型货币宽松政策对通胀的刺激效应明显大于对经济增长的推动作用。图16是Rx，Rd和m0对产业结构升级的特质冲击效应。这三种政策工具的特质冲击曲线都围绕零线循环波动，因而对产业结构都没有明显的特质效应。从图17中Rx，Rd和m0对银行系统风险的特质效应看，Rx和Rd的特质冲击曲线都在零线上下波动，m0的特质冲击曲线除第5期至第7期外都在零线下方波动，这表明Rx和Rd对银行系统风险都没有明显的特质效应，而基础货币增加对银行系统风险有一定的负向特质效应。
图14 Rx，Rd和m0对增长的特质冲击效应
图15 Rx，Rd和m0对通胀的特质冲击效应
图16 Rx，Rd和m0对产业的特质冲击效应
图17 Rx，Rd和m0对风险的特质冲击效应
图18 至图21是各种创新结构型货币政策工具的特质效应。可以发现，各种创新结构型货币政策工具对经济增长的特质冲击效应曲线都围绕在零线上下反复波动，没有表现出明显的特质效应。图19的MLF，PSL和SLF对通胀的特质冲击效应略有不同，其中MLF对通胀的特质冲击效应在前11期为正值，随后衰减并收敛至零线，PSL对通胀的特质冲击效应在前15期为正值，随后下降并向零线收敛，因此，MLF和PSL对通胀的特质冲击效应有较为明显的正向效应，而SLF对通胀没有表现出明显的单方向效应。图20表明三种创新结构型货币政策工具对产业结构升级的特质效应有所不同：MLF的特质冲击曲线在第二期以后都在零线下方波动，因而表现出较明显的负向效应，PSL的特质冲击曲线基本在零线上方波动，因而表现出较明显的正向效应，但SLF的特质冲击曲线围绕在零线上波动，因而对产业结构没有明显特质效应。在图21中，SLF的特质冲击曲线围绕零线波动，对银行系统风险没有明显的单向效应。MLF对银行系统风险的特质效应在前5期为正值，随后收敛至零线，与之相反，PSL对银行系统风险的特质效应在前5期为负值，随后收敛至零线。因此，央行通过中期借贷便利（MLF）投放流动性，从特质效应看将使商业银行系统风险小幅度上升，而PSL能够降低银行系统风险。
共同驱动效应和特质驱动效应的估计结果表明，新常态下多种货币政策工具的组合操作对不同货币政策目标的调节效应存在显著差异，这种显著差异意味着，央行在使用货币政策工具箱中的多种政策工具时，应该针对新常态下不同时期货币政策的目标灵活变换，根据各种货币政策工具的共同驱动效应和特质驱动效应，有重点、有选择性地操作，以此提高货币政策的针对性和有效性。由前述货币政策工具共同因子的结果看，Y1中的1年期存款利率和1～3年贷款利率的系数相对较大，因此，这两个货币政策工具的调节效果主要体现在共同因子Y1 中，其余价格型货币政策工具（r7，rt，rz）在 Y1中的载荷系数相对较小，因此r7，rt，rz的效果需要综合Y1的组合效应以及其各自的特质效应。类似地，大型金融机构存款准备金率、中小型金融机构存款准备金率和m0在Y2的载荷系数分别为0.96、0.94和0.96，因而这几个工具的政策效果基本由Y2的组合效应来刻画。MLF和PSL在Y3中的载荷系数分别为0.87和0.88，而SLF的载荷系数很小（0.21），因此MLF和PSL的政策效果主要由Y3的组合效应刻画，而SLF的政策效果则主要由其特质效应揭示。
近几年来，土木工程发展的速度非常快，一些基础性的建设也为人们的日常生活带来了很大的便利。与此同时，也在一定程度上推动了整个社会经济的发展。然而，在现实情况中，却经常出现土木工程建设过程中存在安全隐患的现象，严重地威胁到人们的生命财产安全和社会的稳定。由此一来，就必须要从土木工程建筑结构设计出发，找出设计过程中所存在的问题，并采取有效措施进行解决，从根本上保证设计的合理性，从而保证工程的建设质量。
按照“小总部、大产业”的思路推动集团本部改革，明确省农垦集团-产业集团及区域集团-子公司（含农场基地公司）各级企业的定位、职能和管理权限，建立适应市场经济要求、精简高效的集团运作架构。完善各级企业法人治理机构，建立健全权责对等、运转协调、有效制衡的决策执行监督机制和灵活高效的市场化经营机制，党组织的领导核心和政治核心作用、董事会的决策作用、监事会的监督作用、经理层的经营管理作用的职责划分明确，实现规范的公司治理。推动农场进一步树立企业经营理念，精简机构人员，增强经营能力。
图18 MLF，PSL和SLF对增长的特质冲击效应
图19 MLF，PSL和SLF对通胀的特质冲击效应
图20 MLF，PSL和SLF对产业的特质冲击效应
图21 MLF，PSL和SLF对风险的特质冲击效应
具体而言，r1和r3的政策效应主要由Y1体现。Y1对产出、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。从特质效应看，r1和r3对经济增长没有明显的特质冲击效应，对通胀和银行系统风险具有显著的负向特质调节效应，而对产业结构升级的特质效应不明显。由此可见，下调r1和r3将有益于产出增加，但不利于产业结构升级，并且会刺激物价上涨，长期来看还会在一定程度上带来银行系统风险的上升。r7的特质效应与r1效应基本相同，但r7对银行系统风险有正向效应。综合r7和Y1的动态效应，可以判断，r7与r1和r3对经济增长、通胀或产业结构调整的调节效果相似，但当前下调r7在一定程度上能够抑制银行系统风险。因此，在当前主要的价格型工具中，r7的效果相对更好，这也为中国基准利率由1年期存款利率逐步转为商业银行同业拆借利率提供了证据支持。rt和rz对经济增长和通货膨胀的特质效应整体表现出一定程度的负向，对银行系统风险都没有明显的特质效应。rt和rz对产业结构升级的特质效应与Y1对产业结构升级的效应一致。结合Y1的组合效应，可以说明降低再贴现利率有利于产出的增加和通货膨胀率的上升，不利于产业结构的升级，并在一定程度上带来银行系统风险的上升，但对银行系统风险的影响相对有限。支农再贷款利率rz对产出、通胀、产业结构升级和银行系统风险的影响与rt相似。
传统数量型组合Y2对产出、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。Rd对经济增长和通胀有较为明显的负向特质效应，对产业结构和银行系统风险没有明显特质效应，Rx对增长、通胀、产业结构升级和银行系统风险没有明显的特质冲击效应。这表明，Rd对经济增长和通胀的调节效应大于Rx，两者对产业结构升级和银行系统风险的调节没有明显差异。基础货币m0的特质冲击对经济增长和产业结构升级没有显著效应，对通货膨胀具有正向特质效应，对银行系统风险有一定的负向特质效应。因此，基础货币的独特驱动力有利于降低银行系统风险。
创新结构型政策工具的组合操作Y3对产出和通胀的冲击效应持续为正值，对产业结构升级的组合效应为显著的负向，对商业银行系统风险有一定程度的负向效应。从特质效应看，各种创新结构型货币政策工具对经济增长都没有表现出明显的效应。SLF对通胀、产业结构升级和银行系统风险的特质效应都不明显。由于SLF在共同因子Y3中的载荷系数较小，因而SLF的货币政策效果主要由特质效应体现，但SLF的特质效应都不明显，这就表明中国人民银行为满足金融机构期限较长的大额流动性的需求，创设了常备借贷便利工具，但由于该政策工具属于正常的流动性供给渠道，并不是对传统流动性供给渠道在某方面的显著改善，因而政策效果并不显著。PSL对银行系统风险的特质冲击效应为负值，对产业结构升级和通胀表现出正向特质效应。MLF对通胀和银行系统风险的特质冲击效应有较为明显的正向效应，对产业结构表现出较为明显的负向效应。由于MLF和PSL的大部分信息在创新结构型组合Y3，因而其政策传导效应主要由Y3体现，特质效应成为组合效应的补充。综合来看，PSL在保增长过程中，对化解银行系统风险的效果相对更好，MLF在保增长过程中对于化解风险的效果相对差一些，但这两种创新结构型工具都不利于防通胀。尽管MLF和PSL对调结构都没有产生有利的影响，但相对而言，PSL对产业结构升级的不利影响相对小一些。央行目的是通过MLF放水推动贷款数量回升，并对“三农”贷款和小微贷款有所倾斜。因此，这种定向操作特征明显的货币政策工具有利于第一产业和第二产业的发展，但不利于产业结构的升级。抵押补充贷款PSL的目的是引导中期政策利率水平，直接为商业银行提供一部分低成本资金，引导商业银行将资金投入基础设施建设、民生支出类，也包括“三农”、小微企业和“棚改”等国民经济重点领域或薄弱环节，因而总体上也不利于产业结构的升级，但相对而言，MLF对“三农”贷款和小微贷款的定向倾斜特征更为明显。
五、结论与政策建议
经济新常态下，中国货币政策环境发生了显著改变，由此也给货币政策调控带来了新的挑战。本文基于中国经济新常态和货币政策操作特征，扩展 Bernanke,et al.的研究构架［1］，使用非线性动态因子模型研究新常态下多种货币政策工具的共同驱动效应与特质驱动效应，以此揭示新常态下多种货币政策工具对多重货币政策目标的调节效果。这些结论对于新常态下货币政策的选择性操作具有重要的意义。
采访结束后的很长一段时间，我们的思绪似乎仍然停留在瑞安那座美丽的海滨城市，被拥有20多年生产历史的华岳所吸引，更被学识渊博的夏碎娒深深折服。
第一，经济新常态下央行同时使用多种货币政策工具调节多重货币政策目标，多种货币政策工具的组合操作形成不可观测的共同驱动力和可观测的特质驱动力，由此对货币政策目标产生共同驱动效应（组合效应）和特质驱动效应（特质效应）。不可观测的共同驱动力可以由三个不可观测的共同因子刻画，分别是价格型政策工具共同因子（Y1）、传统数量型货币政策工具共同因子（Y2）和创新结构型货币政策工具共同因子（Y3）。Y1主要揭示价格型货币政策工具的组合操作形成的不可观测共同驱动力，Y2主要揭示数量型货币政策工具形成的共同驱动力，Y3刻画创新结构型货币政策工具组合操作形成的不可观测共同驱动力。
第二，经济新常态下货币政策组合操作的显著变化发生于2015年初期。变化之前的货币政策组合操作是微刺激，变化之后的稳健货币政策组合操作是价格型工具偏向宽松，传统数量型工具稳健适中，创新结构型货币政策工具倾向于宽松。经济增速的持续下滑导致央行货币政策组合操作的显著改变，引致货币政策组合操作的效果发生非对称变化。非对称显著变化发生在经济增长率为7.0%以下，非对称变化特征由逻辑函数刻画，并且呈现异质性。经济新常态时期，当经济增长速度为6.5%左右时，价格型工具组合（Y1）对经济增长、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。传统数量型工具组合（Y2）对产出、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。创新结构型政策工具的组合操作（Y3）对产出和通胀的冲击效应持续为正值，对产业结构升级的组合效应为显著的负向，对商业银行系统风险有一定程度的短期负向效应。
刘晓琴 女，1975年2月出生于辽宁省辽阳县，硕士，现为辽宁石油化工大学信息与控制工程学院副教授，硕士研究生导师，主要研究方向为软开关变换器的电路拓扑及控制.
第三，各种货币政策工具的特质驱动效应由特质冲击刻画。数量型工具r1和r3对经济增长没有明显的特质冲击效应，对通胀和银行系统风险具有显著的负向特质调节效应，对产业结构升级的特质效应不明显。r7的特质效应与r1效应基本相同，但r7对银行系统风险有正向效应。rz和rt对经济增长和通货膨胀的特质效应整体表现出一定程度的负向，对银行系统风险都没有明显的特质效应，对产业结构升级的效应为正向。Rd对经济增长和通胀有较为明显的负向特质效应，对产业结构和银行系统风险没有明显特质效应，Rx对增长、通胀、产业结构升级和银行系统风险没有明显的特质冲击效应。基础货币m0的特质冲击对经济增长和产业结构升级没有显著效应，对通货膨胀具有正向特质效应，对银行系统风险有一定的负向特质效应。SLF对通胀、产业结构升级和银行系统风险的特质效应都不明显。PSL和MLF对经济增长没有明显的特质效应，对通胀都表现出正向特质效应，对产业结构都表现出较为明显的负向效应，但PSL对银行系统风险的特质冲击效应为负向，而MLF则相反。
经济新常态下，中国的货币政策目标是保增长、防通胀、调结构和防金融风险，多种货币政策工具组合操作对多目标的效果是其组合效应与特质效应的叠加。综合各种货币政策的组合效应和特质效应，可以发现，经济新常态下央行的多种货币政策组合操作难以同时实现多个目标。这就意味着，央行应有针对性、有选择性地使用多种货币政策工具调节重要目标，并同时组合其余货币政策工具兼顾次要目标。当经济增长速度和通胀继续下滑时，央行对主要的数量型工具和价格型工具的宽松都能够推动经济增长和通胀上升，其中的r7不仅能够实现对经济增长与通胀的调节，而且对化解银行系统风险有一定的效果。在这种情形下，货币政策难以兼顾产业结构高级化，但MLF、PSL和rz有利于缓解“三农”、小微企业的贷款难问题。当经济增速下滑而通胀水平较高时，央行应以价格型工具调节为主、数量型工具为辅。在价格型工具中，r1和r7在显著推动经济增长的同时，对通胀的刺激作用相对较小，因而是相对理想的工具。数量型工具中除了保持适当的流动性外，SLF等结构型数量工具是较好的补充。当经济增长和通货膨胀率位于合理目标区间时，央行的货币政策目标以产业结构升级或化解金融风险为主要目标，此时收紧主要的价格型和数量型货币政策目标有助于这两个目标实现，但容易伤害经济增长速度。在这种情形下，在适当收紧主要货币政策工具的同时，PSL的宽松以及降低r7有助于化解银行风险，MLF、PSL和rz的宽松有利于缓解“三农”、小微企业的贷款难和促进第一产业的发展。从当前来看，2016年四个季度的经济增长速度均位于6.7%至6.8%之间，通胀率在1.3%至2.3%之间，这两个主要货币政策目标位于合理区间范围内，2017年也没有明显变化。2016年产业结构升级呈现基本停滞不前的状态，银行系统风险在2010年后就一直处于持续攀升的通道中。这意味着，如果经济增长和通货膨胀率继续位于合理区间，调结构和化解金融风险将成为货币政策的主要目标。央行当前的货币政策操作是价格型工具偏向宽松、传统数量型工具稳健适中、创新结构型货币政策工具倾向于宽松。这种货币政策组合操作有助于保增长并防止通货膨胀率的继续下滑，但不利于产业结构升级和化解银行系统风险。因此，当前货币政策工具组合的进一步优化策略是：价格型工具应侧重于降低商业银行的同业拆借利率，数量型工具保持适度中性并使用SLF、MLF和PSL保持流动性，特别是PSL有助于化解金融风险和缓解“三农”、小微企业的贷款难问题。此外，央行的现有货币政策工具的组合操作不能对产业结构的高级化和服务化倾向产生显著的效果。这一方面说明在当前的金融结构状态下，货币政策传导的渠道还主要集中于第一产业和第二产业，另一方面也表明，央行需要进一步创新政策工具或扩大定向操作，对服务业进行信贷倾斜和利率引导。
参考文献
［1］BERNANKE B,BOIVIN J,ELIASZ P.Measuring the effects of monetary policy:a factor-augmented vector autoregressive(FAVAR)approach［J］.Quarterly Journal of Economics,2005,120(1):387-422.
［2］MISHKIN F S.The economics of money,banking and financial market［M］.Columbia University:Seventh Edition,2004.
［3］BOIVIN J,KILEY M T,MISHKIN F S.How has the monetary transmission mechanism evolved over time?［J］.Handbook of Monetary Economics,2010,(3):369-422.
［4］NWOSA P I,SAIBU M O.The monetary transmission mechanism in Nigeria:A sectoral output analysis［J］.International Journal of Economics&Finance,2011,4(1):204-212.
［5］SIMS C A.Money,income,and causality［J］.American Economic Review,1972,62(4):540-552.
［6］ANGELONI I,KASHYAPA K,MOJON B,et al.The output composition puzzle:A difference in the monetary transmission mechanism in the Euro area and United States［J］.Nber Working Papers,2003,35(6):1265-1306.
［7］DORE M,MAKKEN R,Eastman E.The monetary transmission mechanism,non-residential fixed investment and housing［J］.Atlantic Economic Journal,2013,41 (3):215-224.
［8］ATABAEV N,GANIYEV J.VAR analysis of the monetary transmission mechanism in Kyrgyzstan［J］.Eurasian Journal of Business and Economics,2013,6(11):121-134.
［9］PHAN,TUAN.Output composition of the monetary policy transmission mechanism:Is Australiadifferent? ［J］.Economic Record,2014,90(290):382-399.
［10］MORGAN D P.Asymmetric effects of monetary policy［J］.Federal Reserve Bank of Kansas City Economic Review,1993,78(2):21-33.
［11］MANKIW L B G.Asymmetric price adjustment and economic fluctuations［J］.The E-conomic Journal,1994,104(423):247-261.
［12］WEISE CL.The asymmetric effects of monetary policy:A nonlinear vector autoregressive approach［J］.Journal of Money,Credit and Banking,1999,31(1):85-108.
［13］FRANTA M,HORVATH R,Rusnak M.E-valuating changes in the monetary transmission mechanism in the Czech Republic［J］.Empirical Economics,2014,46(3):827-842.
［14］GALVAO A B,MARCELLINO M.The effects of the monetary policy stance on the transmission mechanism［J］.Studies in Nonlinear Dynamics&Econometrics,2014,18(3):217-236.
［15］赵进文，闵捷．央行货币政策操作效果非对称性实证研究［J］．经济研究，2005（2）：26-34．
［16］张丁育．货币政策信贷渠道与商业银行风险分布效应［J］．数量经济研究，2016（2）：96-110．
［17］潘彬，金雯雯．货币政策对民间借贷利率的作用机制与实施效果［J］．经济研究，2017（8）：78-93．
［18］陈继勇，王胜．中美经济关系、汇率制度与中国汇率政策——基于FAVAR模型的实证分析［J］．数量经济技术经济研究，2010（1）：95-106．
［19］王少林，林建浩，杨燊荣．中国货币政策与股票市场互动关系的测算——基于FAVARBL 方法的分析［J］．国际金融研究，2015（5）：15-25．
［20］欧阳志刚，薛龙．新常态下多种货币政策工具对特征企业的定向调节效应［J］．管理世界，2017（2）：53-66．
［21］STOCK JH,WASTON M W.Implications of dynamic factor models for VAR analysis［Z］.NBER Working Paper,2005,No.11467.
［22］RUDEBUSCH G D,SVENSSON L E O.Policy Rules for inflation targeting［J］.Social Science Electronic Publishing,2000,44(6):1237-1302.
［23］DAHLHAUS T.Monetary policy transmis-sion during financial crises:An empirical analysis［Z］.Bank of Canada Working Paper 2014-21.
［24］ACHARYA V,ENGEL R,RICHARDSON M.Capital shortfall:A new approach to ranking and regulating systemic risks ［J］.American Economic Review,2012,102(3):59-64.
［25］BAI J,NG S.Determining the number of factors in approximate factor models［J］.E-conometrica,2002,70(1):191-221.
［26］BOIVIN J,GIANNONI M P,Mihov I.Sticky prices and monetary policy:Evidence from disaggregated US data［J］.American Economic Review,2009,99(1):350-384.
［27］SARANTIS N.Nonlinearities,Cyclical behavior and predictability in stock markets:international evidence［J］.International Journal of Forecasting,2001,17(3):459-482.
［28］GRANGER C W J,T Ter?svirta.Modeling nonlinear economic relationships［M］.Oxford:Oxford University Press,1993.
［29］KOOP G,PESARAN M H,Potter S M.Impulse response analysis in nonlinear multivariate models［J］.Journal of Econometrics,1996,74(1):119-147.
The Common Driving Effect and Idiosyncratic Driving Effect of Monetary Policy Tools
Ouyang Zhigang Xue Long
Abstract: This paper elaborate potential common driving forces and observable idiosyncratic driving forces which generated by the combination of multiple monetary policy tools.Therefore，this paper use nonlinear dynamic factor model to reveal the common driving effects and idiosyncratic driving effects.The results show that the unobservable common driving forces formed by the combination of monetary policy tools can be characterized by price common factor,traditional quantitative common factor and innovative structural common factor.The common driving effects and idiosyncratic driving effects are asymmetry and heterogeneity.In the goal of maintaining economic growth,anti-inflation,adjusting the economic structureand defusing financial risks,the current monetary policy tools combination isbeneficial to maintaining economic growth,but will be harmful to adjust the economic structure and defuse financial risks.Therefore the central bank should be according to multiple monetary policy goals and the common driving effects and idiosyncratic driving effects to flexible transformation combination of monetary policy tools,so as to improve the targeted and effectiveness of monetary policy.The current monetary policy combination should be focus on using the SLF,MLF and PSL to maintain adequate liquidity while maintaining the traditional quantitative tools appropriate neutral,erroneous loose tendency of quantitative tool should be focus on interbank interest rate of commercial banks.Furthermore,the central bank also needsto propose structural monetary policy toolsfor the tertiary industry and coordinate with fiscal policy.
Key words: monetary policy tools;common driving force;idiosyncratic driving force
中图分类号： F822.0
文献标识码： A
文章编号： 1003-7543（2019）09-0055-18
基金项目： 国家自然科学基金项目“新常态下多种货币政策工具的组合效应与特质效应——基于FAVAR模型的理论与应用研究”（71661009）。
作者简介： 欧阳志刚，华东交通大学经济管理学院教授，中南财经政法大学金融学院教授、博士生导师；薛龙，郑州轻工业大学经济与管理学院讲师。
（责任编辑：罗重谱）
标签：货币政策工具论文; 共同驱动力论文; 特质驱动力论文; 华东交通大学经济管理学院论文; 中南财经政法大学金融学院论文; 郑州轻工业大学经济与管理学院论文;