中国经济在快速发展的同时,各项经济指标都出现过较大波动,把握经济波动的特征、分析清楚这种波动的性质和来源,对于改善宏观调控、维持经济环境稳定是至关重要的。相对于现有研究,本文的特点表现在研究方法和数据两个方面。
从研究方法上,现代经济学通过严谨的数量化方法,将经济数据分解为不同成分,分别进行研究。例如线性回归、差分、HP滤波、Band-Pass滤波方法,都是将时间序列中的趋势去除,单独研究其波动。结构向量自回归(SVAR)和DSGE方法基于方差分解将产出、通胀等内生变量的波动分解为不同的成分,每一成分对应于某种外生冲击。这遵循了由Frisch和Slusky所开创的“冲击-传播”范式。方差分解可以从数量上比较不同冲击的相对重要性。相对于VAR方法,DSGE模型有着清晰的理论基础,同时引入大量的外生冲击,无疑是一种更加理想的工具。
从数据的处理和使用上,国内DSGE模型估计中一般使用消费品零售额和固定资产投资的月度数据加总,得到可用的季度数据。本文的结果表明这会导致参数估计值出现系统性偏误。作者的建议是:用年度的支出法消费和投资数据替代这两个时间序列。基于RMSE指标的样本外预测结果也表明年度支出法数据优于社会消费品零售额和固定资产投资数据。除此以外,还有变量定义口径和月度数据分析两方面的支持。
从变量定义口径上:支出法数据的定义与DSGE模型的变量定义一致,而社会消费品零售额和固定资产投资数据与模型变量的定义差异较大。许宪春(2010)对此有详细论述。尤其是固定资产投资数据中包含了土地转让收入,近年来土地价格的上涨使得这一口径与真正的投资行为差异更大。
从固定资产投资月度数据的分析来看:固定资产投资数据不能反映实际的投资行为。下图是固定资产投资原始的月度数据,在每年的12月份达到高峰,很难想象在寒冷的冬季投资有如此大的增长。12月份的数值远远高于其他月份,是由于投资拨款行为导致的,因为固定资产投资数据通常在年底划拨到位。
![](/uploads/collect/201803/15/15404.png)
在Eviews中利用X12对固定资产投资数据季调,将季节因素分离出来如下图,可以看到12月份的峰值在近年来逐年下降,这很大程度上与人为因素有关。
![](/uploads/collect/201803/15/25405.png)
下图看得更清楚,12月份的季节性高点,在1998年以后逐年下降,而其他所有月份都逐年上升。这是由人为调整(而非经济因素)导致的。
![](/uploads/collect/201803/15/35405.png)
综上分析,固定资产投资数据在12月达到峰值,但是这一峰值逐年下降,与人为因素有关。由于季节性特征存在人为干扰,无法通过常规的季节调整去掉;这导致固定资产投资数据几乎完全无法使用。
在使用贝叶斯方法估计DSGE模型时,使用混频数据是很简单的,只需要在Dynare文件中增加观测方程,
![](/uploads/collect/201803/15/55405.png)
其中将 作为观测变量,调用下图的excel文件对其赋值即可。其他方面与季度数据估计没有任何差别。具体可参见Pfeifer(2013)。
![](/uploads/collect/201803/15/45405.png)
本文基于混频数据估计CEE/SW模型并进行方差分解,对引起产出波动的外生冲击排序,依次是:投资冲击、货币政策冲击、持久性技术冲击、外生需求冲击。这四种因素可以解释GDP波动的80%以上。与投资相关的冲击主要来源于投资品价格代表的投资专有技术冲击。这一结果的政策含义是:投资品价格是值得中央银行密切关注的变量。
值得指出的是,DSGE模型的任何结论都是模型设定和数据处理共同导致的结果。模型的构建和估计中涉及无数细节的不同选择:对于货币规则的不同设定会影响结论;对于一些参数(例如:稳态政府支出占GDP的比例)的校准差异会影响结论;哪些参数估计、哪些参数校准,对于结果会有影响;使用GDP缩减指数还是CPI指数对名义GDP缩减也会得到不同结果;对名义量季调以后再缩减为真实量,还是先缩减为真实量再季调,也会得到不同结果;用GDP缩减指数对消费和投资进行缩减,或者名义消费和投资分别用对应的价格指数进行缩减,也会得到不同结论;剔除趋势的方法(线性趋势、HP滤波、增长率)不同也会影响结果;而统计局的数据也在不断修订之中。
对于以上诸多细节,不同文章会基于当时的具体情况,对不同因素进行权衡,做出最优的选择。本文在许多细节的处理上优于国内同领域的文献。例如,本文与仝冰(2010)在模型结构、冲击设定、数据方面很接近,但是本文使用GDP缩减指数,仝冰(2010)使用CPI指数对名义量缩减;本文是对真实值进行季节调整,仝冰(2010)是对名义值进行季节调整;相对于仝冰(2010),本文增加了金融市场冲击、非平稳的投资专有技术冲击,同时增加了投资品价格数据。
本文的研究仍然存在进一步提高的余地。从模型设定上,尽管CEE/SW模型是目前公认的现实性最强的宏观模型,但是中国的存贷款利率长期被政府管制,怎样构造符合这一制度特征的DSGE模型是一个挑战。从数据上,由于年度的工资和就业数据存在较为严重的质量问题,模型估计中没有使用这两个时间序列;怎样以合适的方法利用这一信息是值得研究的问题。另外,中国的宏观数据大多没有经过季节调整。使用原始季度数据的同比增长率进行模型估计,其对参数值的影响是否会与季调以后的数据有所不同,也是值得研究的问题。
中国的数据质量和特殊的经济体制都对中国的宏观经济研究者提出了远远高于国外同行的要求,但这也恰恰代表了机会,是中国宏观经济学家对主流经济学能做的贡献之一。