数量经济研究(2016年·第7卷·第1期)(txt+pdf+epub+mobi电子书下载)

作者：张屹山主编

出版社：社会科学文献出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

数量经济研究(2016年·第7卷·第1期)试读：

主编寄语

本专辑遵循百花齐放、百家争鸣的方针，坚持理论研究与实证研究相结合、定量分析与定性分析相结合，关注世界经济领域的重大学科前沿问题，并结合中国的实际进行深入的分析和阐释。以加强国内外交流，促进学术繁荣，为经济理论与实践，特别是数量经济的理论与应用研究提供平台，为我国社会主义经济建设服务。

欢迎国内外学者踊跃投稿！特别鼓励年轻学者投身于数量经济理论、方法与应用研究，为繁荣我国的数量经济学学科做出应有的贡献。张屹山

内容简介

摘要：本文利用NBER传统方法和动态因子模型计算景气指数，并基于B-B法获得转折点信息，作为经济周期波动基准日期的参考。两个景气指数及其转折点日期信息十分接近，共同反映出我国经济周期波动态势，通过对比存在差异的峰谷点信息，发现SW景气指数确定的峰谷点更准确，暂定为我国经济周期波动的基准日期。基于此，本文将我国21世纪这段时期划分为四轮经济周期，前两轮经济周期表现出上升阶段长、下降阶段短的非对称特征，而后两轮经济周期出现了上升阶段短而下降阶段长的非对称特征，我国经济目前正处于第四轮经济周期的收缩阶段。同时，本文考察了马尔可夫转换（MS）方法在我国经济周期转折点识别研究中的适用性，发现MS方法并不适合作为判断我国经济周期转折点信息的方法。

关键词：经济周期 景气指数 转折点 动态因子模型

Identifying the Turning Points of China’s Business Cycles Based on Economic Climate Index

Abstract：This paper calculates climate indexes by both the traditional method of NBER and dynamic factor model （DFMs），and obtains the information of the turning points from the indexes respectively based on Bry-Boschan Method （B-B），which is taken as a reference of business cycle fluctuation. The two climate indexes and relevant information of the turning points are close，they reflect the trend of Chinese business cycle fluctuation. Comparing the peaks and troughs which are different，this paper finds that SW climate index is more precise，so the turning points of the SW index are identified as the reference dates of Chinese business cycles. Based on the index，there exist four business cycles since 2000. We find that the first two business cycles have the asymmetry character of long expansion stage and short contraction stage，while the recent two business cycles have an opposite asymmetry character and China’s economy is still in a contraction stage now. This paper also investigates whether Markov Switching （MS） model can be used to identify China’s cyclical turning points. Unfortunately，this paper concludes that MS approach is not a good choice to decide China’s cyclical turning points.

Key Words：Business Cycle Climate Index Turning Points Dynamic Factor Model引言

任何经济系统都伴随着增长较快的繁荣时期与增长较慢甚至负增长的衰退时期的交替出现。在经济衰退时期，产出、投资、消费等下降，人们忍受着失业的痛苦；而经济增长过快又可能导致严重的通货膨胀问题，因此，西方经济学家很早就关注宏观经济繁荣、衰退交替出现的经济周期现象。为了防止经济出现大起大落，政府需要对宏观经济的运行态势进行准确的判断。2008年国际金融危机爆发后，我国采取了扩张性经济政策拉动经济增长，然而，随后通货膨胀接踵而至且愈演愈烈，央行又密集出台提高法定存款准备金率和利息率等紧缩的货币政策来抑制通货膨胀，使得我国经济增长速度再次出现大幅下滑。宏观经济大起大落的事实使得政府部门和经济学界再次认识到研究和掌握经济周期波动规律的重要性和紧迫性。

西方国家一直十分重视经济周期波动监测预警的研究。1937年，美国经济陷入衰退，Mitchell和Burns研究了近500个经济指标的时间序列，选择了21个指标构成超前指示器，并且通过计算合成指数来刻画经济走势。Burns和Mitchell（1946）出版了景气监测方面的经典著作《量测经济周期》，这本书对景气监测问题进行了系统详尽的讨论。20世纪60年代末美国国家经济研究局（National Bureau of Economic Research，NBER）和美国商务部合作开发了反映经济周期波动运行的先行、一致和滞后合成指数。一致合成指数由多个反映当前经济运行的一致指标计算得到，其含义类似于国内生产总值（GDP），但能及时监测宏观经济的实时运行态势；先行合成指数是由多个领先于宏观经济实时波动的先行指标计算得到，预示着未来经济波动的走势。传统的景气指数计算方法得到各国政府的广泛使用，然而也有人批评传统的方法依据主观判断经验，缺乏统计理论的基础支撑。因此，主成分分析法、因子分析法等方法大量应用于景气指数的构建上，Stock和Watson（1989）在因子分析方法的基础上，假定各个时间序列的共同成分和特殊成分都由自相关模型生成，利用这种包含序列动态特征的模型即动态因子模型计算出了新型景气指数，受到了学术界和政府部门的重视。随着描述数据非对称特征的马尔可夫转移模型（MS）的发展，更是提出了十分复杂的构建具有MS非对称特征的景气指数的数学模型，同时捕捉了一组经济变量的共同波动特征和共同成分的非对称特征。Diebold等（1996）、Clement等（2004）、Chauvet等（2005）、Chauvet等（2008）将MS模型引入动态因子模型，刻画经济周期波动的转折点和非对称性等特征。

我国对经济周期波动的监测和预警的研究起步较晚，董文泉领导的吉林大学科研小组编制了反映中国经济周期波动的先行、一致和滞后扩散指数和合成指数，率先开始对我国经济循环进行测定、分析和预测。董文泉等（1998）在其著作中系统阐述了经济周期波动监测和预测的各种方法，景气分析方法被中国经济景气监测中心、国家信息中心等国家机构使用并发布景气指数。2003年的中央经济工作会议提出：“当前，我国经济正处于经济周期的上升阶段”，这是中央经济工作会议首次采用“经济周期”的提法对经济走势进行判断，为我国经济周期波动的研究提出了新的任务，经济周期研究得到大力发展。现代的非线性计量模型已经被大量运用在经济周期波动的研究中，刘金全等（2005）利用MS-VAR模型对我国经济增长周期的非对称特征进行分析；郭庆旺等（2007）将MS模型加入动态因子模型中刻画我国经济周期波动的非对称特征；高铁梅等（2009）通过多维框架的景气分析思想对我国转轨时期经济周期波动的特征进行了细致研究；白仲林等（2012）利用面板数据MS模型研究了10个经济合作与发展组织（Organization for Economic Co-operation and Development，OECD）国家经济周期的非对称性等。

经济周期具有非对称性的这种思想历史悠久，凯恩斯就曾经指出经济周期扩张和衰退是不同的，前者持续时间较长，而后者更加剧烈；近代学者的实证研究也表明非对称性的确存在。非对称特征具有十分重要的含义，如果扩张和收缩的持续时间的确显著不同，这时仍然利用线性模型进行模拟和预测是不可信的，因为线性模型忽视了经济所处状态的不同所产生的影响。而且，稳定的宏观经济政策的设计和实施也应该考虑到宏观经济所处的状态。因此，在经济周期波动研究中，繁荣阶段和衰退阶段的划分是非常重要的工作。美国的NBER建立了经济周期波动转折点日期的时间表，成为美国经济周期问题研究的基准参照日期，自1978年以来，包括7位经济学家的NBER经济周期定期委员会专门负责确定基准转折点日期。NBER通过Bry & Boschan（简称B-B）方法识别一致合成指数的峰、谷点日期，并进一步参考其他信息来综合确定基准转折点日期，而Hamilton（1989）提出的马尔可夫转换（Markov Switching，MS）模型得到了与NBER发布的经济周期转折点十分接近的结果。我国虽然有很多研究机构和政府部门在进行经济景气分析工作，但尚未确定普遍认可的基准日期，使得国内在经济周期波动领域的研究缺少一个公认的参照体系。本文将采用传统方法和现代方法相结合的方式综合确定基准日期。利用传统的B-B法、现代的MS等非线性计量模型方法，对一致合成指数等总量指标进行转折点识别，基于这些信息综合确定出我国经济周期波动的基准日期。1 传统和现代景气指数的计算方法

经济周期波动是通过一系列经济活动来传递和扩散的，任何一个经济变量本身的波动过程都不足以代表宏观经济整体的波动过程。因此，为了正确地测定宏观经济波动状况，必须综合考虑生产、消费、投资、贸易、财政、金融、企业经营、就业等各领域的景气变动及相互影响。经济繁荣和衰退可以通过不同部门经济变量的时间序列得到反映，因此可以选取与经济周期波动密切相关的一组重要经济指标，用数学方法合成为经济景气指数，作为观测宏观经济波动的综合尺度，这是合成指数方法的基本思想。NBER开发的经济周期先行、一致和滞后合成指数，被一直使用至今，用来刻画经济状态和描述未来发展动向，对衰退和复苏做出预测。1.1 合成指数的计算方法

目前国际上使用的合成指数计算方法有三种，分别为美国NBER方法、OECD方法和日本经济企划厅调查局的方法，本文所使用的方[2]法与NBER合成指数计算方法一致。设指标Y为第i个指标；i=1，2，it…，k，n为样本个数；t表示时间。首先对Y求对称变化率C：itit

为了防止变动幅度大的指标在合成指数中取得支配地位，各指标的对称变化率C都被标准化，使其平均绝对值等于1。首先求标准化it因子A：i

用A将C标准化，得到标准化变化率S：iitit

S=C/A，t=2，3，…，n　　　　　　（3）ititi

求出一致指标组的每个时点的综合变化率R：t

其中，w是第i个指标的权数，可以使用等权，即w=1。最终制成ii以基准年份为100的合成指数，令CI=100，则11.2 动态因子模型和SW景气指数

在计算景气指数方面，动态因子模型（Dynamic Factor Model）得到广泛应用。Stock和Watson（1989）认为，宏观经济变量的变化存在一个共同的成分，这一因素可由一个不可观测的基本变量来体现，这一基本变量代表了总的经济状态，它的波动才是真正的景气循环。他们利用动态因子模型，构造了捕捉经济变量之间协同变化的共同成分，这一不可观测的基本变量被称为Stock-Waston型景气指数，简称SW景气指数。由于SW景气指数是建立在严密的数学模型基础上，所以和CI等传统的景气循环的测定方法相比有了很大的进步。Stock和Watson构建景气指数的方法在理论界得到了广泛的关注和发展，各国政府和研究机构也纷纷利用这种方法开发出了新的景气指数。

1.2.1 动态因子模型形式

Δy=γ（L）Δc+u，i=1，2，…，k　　　　　　（6）ititit

φ（L）Δc=ε　　　　　　（7）tt

ψ（L）u=υ　　　　　　（8）iitit

其中，γ（L），ϕ（L），ψ（L）分别为p，q，r阶滞后算子多项iiii式。Δy代表第i个一致经济指标Y的差分序列减均值，它由共同成分itit的差分Δc的当期和滞后期的线性组合与特殊成分u构成，ε和υ彼此tittit独立且服从正态分布，k为一致经济指标的个数。这里的c是我们最t为关心的反映景气状态的SW景气指数。式（6）是因子模型的形式，它与分别描述了共同因子的动态行为和各个特殊成分的动态行为的式（7）和式（8），共同构成了动态因子模型。

1.2.2 状态空间模型形式

式（6）～式（8）构成的模型中包含不可观测变量c，若要对这t样的模型进行估计，需要将其写成状态空间模型的形式。状态空间模型建立了可观测变量和不可观测的状态变量之间的关系，通过可观测变量估计状态变量。状态空间模型的一般形式为：

量测方程：

y=Zα+d+ε　　　　　　（9）ttttt

状态方程：

α=Tα+Rη，t=1，…，T　　　　　　（10）ttt-1tt

在量测方程中，y是包含k个经济变量的可观测向量，α为状态向tt量，t=1，2，…，T，T表示样本长度，Z是k×m参数矩阵，d是k×1向tt量，ε是k×1向量，是均值为0，协方差矩阵为H的连续的不相关扰动tt项。在式（10）描述的状态方程中，T是m×m参数矩阵，R是m×g系tt数矩阵，η是g×1向量，是均值为0，协方差矩阵为Q的连续的不相关tt扰动项。在所有的时间区间上，扰动项ε和η是相互独立的。量测方tt程中的矩阵Z，d，H表示量测方程误差项的方差协方差矩阵，Q表tttt示转移方程误差项的方差协方差矩阵。转移是不是“状态”？

1.2.3 动态因子模型的状态空间形式

经过适当地定义，式（6）～式（8）可以表示成状态空间模型的形式。在本文后面的实证分析中，状态空间模型形式为：

量测方程：

状态方程：

将动态因子模型表示成状态空间模型形式时，每个指标的特殊成分u是状态变量，因此，量测方程（11）中并不含有状态空间模型标it准形式（9）中的随机扰动项。状态空间模型用通常的估计方法进行估计是不可能的，状态空间模型要利用强有效的递归算法——Kalman滤波来进行估计。2 反映我国经济周期波动的景气指数2.1 指标选取和数据处理

由于工业是国民经济中最为核心的行业，一个国家的工业发展水平是衡量经济发达程度最关键的指标，因此，在经济景气分析中，多数国家都是将工业生产作为基准指标，利用时差相关分析和K-L信息量等统计方法，按照与基准指标的关系将经济指标区分为先行、一致[3]和滞后指标组。其中，一致指标是能够反映经济景气的重要的统计指标，需要在生产、销售、金融、财政、消费、物价等多个领域中选择，如美国商务部以工业生产指数为基准指标，选择非农业就业人数、个人收入、工业生产指数、制造业和商业销售额四个指标计算一致合成指数，用来刻画经济波动。

我国自改革开放以来，宏观经济总量保持了很高的增长速度，我国大多数研究部门和政府机构都利用增长率周期波动来研究我国的经济周期波动状况，观察经济时间序列的增长率的周期波动规律。对于发展中国家而言，宏观经济增长速度逐渐上升表明经济处于周期上升阶段，而增长速度下降表明经济处于周期回落阶段。这与美国等发达国家不同，它们是将经济总量绝对水平的上升和下降作为经济周期扩张和衰退的划分标准。因此，本文的各个指标均采用同比增长率序列，并经过X季节调整剔除了季节性因素和不规则因素的影响。以工业12增加值增速作为基准指标，本文分别计算备选指标直到12期的先行、滞后序列与基准指标的时差相关系数和K-L信息量，选出先行或滞后在3个月以内、相关系数较大且K-L信息量较小的指标，然后，观察它们与工业增加值序列的峰、谷转折点的对应关系，最终确定工业增加值（Y）、产品销售收入（Y）、固定资产投资（Y）和发电量123[4]（Y）共同构成一致经济景气指标组。本文使用的计算合成指数方4法要求各个指标是平稳的，经ADF检验表明，对这些指标进行一阶差分并标准化处理后，各个序列都是平稳序列（见表1）。表1 一致指标的ADF检验续表2.2 景气指数计算

根据本文筛选的景气指标组，利用本文介绍的NBER计算方法，即公式（1）～（5），计算一致合成指数（设定一致合成指数在2003年的平均值为100），如图1所示。基于动态因子模型计算Stock-Watson景气指数，经过对各个滞后阶数的反复试验，得到的参数估计值和对应的标准差列于表2，通过模型计算出来的景气指数c如图2t所示（数据经过标准化处理，并调整均值使得2000年1月等于100）。

图1和图2表明，进入21世纪后，景气指数表现出高位波动的态势，但国际金融危机使得我国经济景气指数显著下降。随后，超常规的刺激性经济政策使得经济景气迅猛回升，但由于通货膨胀率持续走高，央行又不得不密集出台紧缩货币政策，经济景气再次回落，虽然也出现一段时期的景气回升，但总体看来，至今一直是处于持续回落的态势。表2 参数估计结果图1 利用NBER方法计算的一致合成指数CI图2 利用动态因子模型计算出的景气指数3 基于景气指数识别转折点日期

从景气指数图可以看到，在金融危机的冲击下，经济景气出现一次振幅非常大的波动，以此为分水岭，金融危机之前主要表现为经济景气逐渐回升和高位震荡，强刺激性政策拉起经济景气之后主要表现为经济景气的逐步回落。本文下面将采用传统的B-B法、现代的MS等非线性计量模型方法，对前文计算的一致合成指数和SW指数进行转折点识别。3.1 基于B-B法计算景气指数的转折点

经济时间序列转折点的测定和预测是景气分析的一项重要内容。美国全国经济研究局（NBER）的Bry和Boschan于1971年开发了一种测定经济时间序列转折点的方法B-B法。使用B-B法确定经济时间序列的峰、谷的出现时间，这种方法要求：①峰与谷（或谷与峰）之间，即一个阶段持续期间在6个月以上；② 一个周期的持续期间，即两个相同转折点（峰-峰或谷-谷）之间的间隔大于15个月。这是从通常的经验出发得到的约束条件，目的是避免较短波动的干扰，确定主要的峰和谷。

利用B-B法分别对利用NBER方法计算的一致合成指数CI和利用动态因子模型计算的SW景气指数进行转折点识别，得到的结果分别列在表3和表4中。利用两种完全不同的方法得到的景气指数反映出很相近的转折点日期，除了2001年出现的谷底日期相差较大（5个月）以外，其他峰谷点日期最多相差2个月，其中，2007年9月、2012年8月和2013年8月完全相同。

两个景气指数及其转折点日期信息十分接近，共同反映出我国经济周期波动出现的特征变化。在金融危机以前，经济周期表现出上升阶段长、下降阶段短的非对称特征；而在金融危机的冲击下，我国经济周期在2009年第1季度达到谷底后，出现了上升阶段短而下降阶段长的非对称特征。并且，月度景气指数显示我国当前景气逐渐回落的特征，一致合成指数CI和SW景气指数在2013年8月达到峰值后都表现出逐渐下降的态势，至2015年10月已经下降26个月。表3 基于CI得到的转折点日期表4 基于SW指数得到的转折点日期

不过，这两个指数的峰、谷点还不能最终确定为经济周期波动的基准日期。基准日期的确定需要非常谨慎，美国经济周期波动的基准日期是由设置在NBER的经济循环基准日期定期委员会的经济学家们，结合一致指数峰、谷信息和对主要经济变量行为特征、经济政策执行等各个层面的综合判断最终确定的，同样，我国基准日期的判断也不能仅凭这两个景气指数提供的信息来确定。本文将两个指数确定出的相同的转折点暂定为基准日期，对于存在差异的转折点，再通过细致地观察工业增加值等几个景气指标的原始序列数值进行综合判断。如CI和SW分别确定了2009年2月和1月为谷底，通过观察景气指标，发现工业增加值、固定资产投资和发电量都是在1月达到谷底，因此，初步认定2009年1月为这轮波动的谷底；类似的，确定2010年1月为此轮波动的峰。对每个存在差异的峰谷点进行对比，发现SW景气指数确定的峰谷点几乎都最终被确定为基准日期。因此，本文认为，通过动态因子方法得到的SW景气指数确定出的峰谷日期可以作为近年经济周期波动的基准日期。3.2 基于MS模型分析景气指数的转折点

Hamilton（1989）用状态转移模型（Markov Regime-Switching，MS）模拟了美国产出数据的状态变化，他认为自回归模型中的参数应该依产出所处的状态变化而取不同的值，并且假定描述经济状态的状态变量服从一阶马尔可夫过程。他用这个模型分析了美国1951～1984年的季度GDP行为，刻画了产出的非对称性，得到了与NBER测算的美国经济周期非常接近的转折点。从此，马尔可夫转移模型（Markov Switching，MS）在分析经济周期和金融时间序列的非对称特性方面得到了广泛的应用，并在应用中不断根据实际问题进行扩展，取得了大量的成果。本文将利用MS方法确定我国经济周期转折点，对这种方法在我国的适用性进行检验。

3.2.1 MS模型

设y表示实际产出的增长率数据序列，假定在经济增长率较低的t衰退时期，它的动态行为用自回归模型AR（r）来描述，在经济增长较快的繁荣时期可以预期稳态数值将发生改变，产出的动态行为用不同于其处于衰退时期的模型刻画更合理，如用一个统一的模型形式来描述产出的这种行为：

其中s为状态变量，如果假定经济包含两种状态，即s只取两个tt值：1或2，则均值就依所处的不同状态取 μ或μ两个值，如果s取值12t为1，代表经济的衰退状态，s取值为2，代表经济的繁荣状态，则μt1为y在衰退时期的稳态值，μ为y在繁荣时期的稳态值，这里，μ值的t2t变化体现了状态的改变。误差项为ε，其标准差相应分别取σ、σ两t12个值。

模型中包含了不可观测的离散变量s，如果由马尔可夫链描述，t可以称为马尔可夫转换模型，以下记为MS模型，若自回归阶数为r，则称为MS（r）模型。此模型中y的条件密度函数依赖直到t-r时刻的tr+1状态变量的取值，因而，y的条件密度函数将是2项服从正态分布t的条件密度函数的加权平均，权重为p（s，s，…，s|Y）。在对tt-1t-rt-1这样的模型进行估计的时候，需要进行大量的概率推断计算，然后才能写出某一个时点上的因变量的混合正态分布的概率密度。对这些概率的推断可以用Hamilton滤波来实现，并进而运用极大似然法求出参数估计值。

3.2.2 基于MS模型识别经济周期波动转折点

Hamilton利用MS（4）模型分析了美国实际GNP季度数据，区分了在美国经济周期波动的不同状态下实际GNP序列的不同运行机制。Hamilton得到的结果与NBER经济周期定期委员会确定的美国经济周期转折点非常接近，识别出了美国经济周期的上升阶段和下降阶段。但是，这种方法是具有局限性的，当经济结构出现变化或者当经济出现大的危机等情况，使得新的数据特征与以往不相同而发生剧烈变化时，模型将无法得到合理的估计结果。例如，Hamilton的研究中使用的美国数据截止到1984年，当Kim等（1999）将样本增加到1995年第3季度的时候，就发现模型不能提供合理的参数估计，因此也就无法对经济处于衰退还是扩张阶段做出合理的推断。Kim等认为，模型假定产出增长率在经济扩张或者衰退阶段的平均增长速度是不变的，而由于新增样本区间中生产率下降，数据特征发生变化，模型无法做出解释。下面，我们来考察MS方法在识别我国经济周期转折点时是否能够得到合理的结果。

景气指数表明2008年开始的国际金融危机使得我国经济波动幅度过于剧烈，并且，金融危机前后我国经济波动扩张阶段和收缩阶段的非对称特征出现明显的变化，因此，本节只考虑金融危机后2009年1月～2015年10月这段区间。与美国等发达国家不同，我国研究的是增长率循环，也就是说，当我国增长率逐渐提高时才认为经济处于扩张阶段。因此，我国的经济周期转折点是从经济增长率上升阶段转为下降阶段的时点。基于上述考虑，式（13）中Y选择SW景气指数t的差分序列。通过试验各个滞后阶数，利用极大似然估计得到表5所示参数估计值及其对应的标准差。表5 参数估计值及标准差

根据估计的结果可以看出，衰退状态下的均值μ是-3.16，即衰1退状态每个月平均下降3.16，在扩张状态下的均值μ是4.01，即扩张2状态每个月平均上升4.01，景气指数表现出上升速度高于下降速度的陡升缓降特征。这个特征与金融危机前缓升陡降的非对称特征完全相反，而与20世纪90年代后期暨亚洲金融危机后的软着陆时期特征相近。经济处在扩张或者衰退状态的持续性特征可以由p和 p反映出1122来，如果某个月份处在衰退状态，那么下一个月仍然处于衰退状态的概率是p=0.70，如果某个月份处于扩张状态，下一个月仍然处于扩11张状态的概率为p = 0.61，因此，经济景气处在衰退阶段的持续性22要强于经济景气处于扩张阶段，这与利用B-B法得到的结论类似，即金融危机后出现上升阶段短而下降阶段长的非对称特征。但是，本文前面利用B-B法得到的金融危机后经济景气处于扩张阶段的持续时间为12个月，而基于MS方法得到的扩张阶段平均持续时间仅为3个月，与实际情况相比并不合理。图3 SW景气指数处于扩张状态的滤波概率p（s=2|Y）tt

本文最为关心的是通过 MS模型得到的转折点日期，通过计算SW景气指数在各个观测点处于每种状态的概率，可以据此将样本点划分为扩张状态［p（s= 2）＞0.5］和收缩状态［p（s=2）≤0.5］，tt进而识别出SW景气指数的转折点。基于Hamilton滤波计算得到的SW指数处于扩张状态的滤波概率p（s=2|Y）如图3所示。图3中阴影部tt分是基于B-B法进行峰谷点识别得到的经济景气扩张阶段，在第一个景气扩张区间中，扩张概率p（s=2|Y）多数情况都超过了0.5，但在tt2012年8月～2013年8月的扩张阶段中，扩张概率仅仅在2012年12月～2013年5月区间中超过0.5。并且，扩张概率在2011年1～5月也出现超过0.5的情形，与图2对比可知，这阶段的确出现了短时期的景气扩张，但由于扩张期间过短，通过B-B法进行转折点识别的时候剔除掉了这一扩张阶段。因此，虽然MS方法对数据反映更加灵敏，但在进行转折点识别的研究中，与B-B法相比存在较大差别。结合景气指标、景气指数和GDP数据等多方面的信息，利用B-B法获得的转折点更确切。可见，虽然MS方法在美国经济周期基准日期识别研究中表现出很好的性质，得到了与NBER定期委员会确定的基准日期非常接近的结果，但这种方法运用在我国经济周期转折点确定研究中，并不能提供可靠的结论。并且，模型设定的不同形式会使得结果出现较大的差异，也就是说，利用MS方法得到的转折点信息高度依赖于所采用的模型形式，这说明MS方法缺少稳健性，实际部门对于经济周期转折点的判断仍然要利用传统方法进行，MS模型只能作为参考和验证手段。4 结论

本文分别利用NBER传统方法和动态因子模型计算景气指数，并利用B-B法获得转折点信息，作为经济周期波动基准日期的参考。两个景气指数及其转折点日期信息十分接近，共同反映出我国经济周期波动态势。月度景气指数显示我国当前景气逐渐回落的特征，一致合成指数CI和SW景气指数在2013年8月达到峰值后都表现出逐渐下降的态势，至2015年10月已经下降26个月。

本文对于两个指数确定出的相同的转折点暂定为基准日期，对于存在差异的转折点，再通过细致地观察工业增加值等几个景气指标的原始序列数值进行综合判断。对每个存在差异的峰谷点进行对比，发现SW景气指数确定的峰谷点几乎都最终被确定为基准日期。因此，本文认为，通过动态因子方法得到的SW景气指数确定出的峰谷日期可以作为近年经济周期波动的基准日期。据此本文认为，进入21世纪，我国经历了四轮经济周期波动：第一轮循环为2001年8月～2005年2月，周期持续期间为42个月，2004年2月达到峰，扩张期30个月，收缩期12个月；第二轮循环为2005年2月～2009年1月，周期持续期间为47个月，2007年9月达到峰，扩张期31个月，收缩期16个月；第三轮循环为2009年1月～2012年8月，周期持续期间为43个月，2010年1月达到峰，扩张期12个月，收缩期31个月；目前处在第四轮循环中，2012年8月～2013年8月为本轮波动的扩张期，持续12个月，随后进入收缩阶段，至2015年10月已经下降26个月。虽然第四轮周期尚未见底，但已经可以判断出这几轮周期显著的特征转变。前两轮经济周期表现出上升阶段长、下降阶段短的非对称特征；而后两轮周期出现了上升阶段短而下降阶段长的非对称特征。

本文还考察了近年来被学术界广为使用的MS方法在我国经济景气转折点识别研究中的适用性，研究发现，与传统的B-B法相比，利用MS方法得到的参数结果和转折点信息等并不可靠，稳定性也较差，结合景气指标、景气指数和GDP数据等多方面的信息，发现利用B-B法获得的转折点更符合现实。实际部门对于经济周期转折点的判断仍然要利用传统方法进行，MS模型还只能作为参考和验证手段。

参考文献

白仲林，赵亮.2012.面板数据马尔可夫体制转换回归模型估计的EM算法及其应用.数量经济技术经济研究，（5）：121-133.

董文泉，高铁梅等.1998.经济周期波动的分析与预测方法.长春：吉林大学出版社.

高铁梅，王金明等.2009.中国转轨时期的经济周期波动——理论、方法及实证研究.北京：科学出版社.

郭庆旺，贾俊雪，杨运杰.2007.中国经济周期运行特点及拐点识别分析.财贸经济，（6）：11-17.

刘金全，刘志刚，于冬.2005.我国经济周期波动性与阶段性之间关联的非对称性检验——Plucking模型对中国经济的实证研究.统计研究，（8）：38-43.

Bry，G.，Boschan，C. 1971. Cyclical Analysis of Time Series：Selected Procedures and Computer Programs. NBER，New York.

Burns，A.F.，Mitchell，W.C. 1946. Measuring Business Cycles. NBER，New York.

Chauvet，M.，Hamilton，J.D. 2005. Dating Business Cycle Turning Points. NBER Working Paper No.11422.

Chauvet，M.，Piger，J. 2008. A Comparison of the Real-Time Performance of Business Cycle Dating Methods. Journal of Business & Economic Statistics，26（1）：42-49.

Clement，M.P.，Krolzig H.M. 2004. Can Regime-Switching Models Reproduce the Business Cycle Features of U.S. Aggregate Consumption，Investment and Output？International Journal of Finance and Economics，9（1）：1-14.

Diebold，F.X.，Rudebusch，G.D. 1996. Measuring Business Cycles：A Modern Perspective. Review of Economics and Statistics，78（1）：67-77.

Hamilton，J.D. 1989. A New Approach to the Economic Analysis of the Nonstationary Time Series and the Business Cycle，Econometrica，57（2），357-384.

Hamilton J D. 2011. Calling Recessions in Real Time. International Journal of Forecasting，27（4）：1006-1026.

Kim，Chang-Jin，Nelson C.R. 1999（a）. State-Space Model with Regime Switching：Classical and Gibbs-Sampling Approach with Application. Cambridge：MIT Press.

Stock，J.H.，Watson，M.W. 1989. New Indexes of Coincident and Leading Economic Indicators//NBER Macroeconomics Annual 1989. MIT Press，（4）：351-409.

[1] ［基金项目］：本文受到国家自然科学基金项目“中国经济周期波动的转折点识别、阶段转换及预警研究”（71573105）资助。［作者简介］王金明（1975-），男，吉林辽源人，教授，博士生导师，研究方向：经济周期波动监测和预警。电话：13504476264；电子邮箱：wangjm@jlu.edu.cn；刘旭阳，女，1991年7月生，吉林大学商学院硕士研究生；电话：13634371037；电子邮箱：453815316@qq.com。

[2] 计算方法在董文泉、高铁梅等（1998）的著作《经济周期波动的分析与预测方法》中做了详细介绍。

[3] 计算方法和指标筛选过程参见董文泉等《经济周期波动的分析与预测方法》（吉林大学出版社，1998）。

[4] 在经济景气分析研究中，先行（滞后）期在3个月以内的指标认为是一致指标，这些指标反映了经济周期波动的实时态势，先行期超过3个月的经济指标可以作为先行指标，反映了经济周期波动的未来走势。本文样本区间为2000年1月～2014年12月，数据来源：中国经济信息网，http：//www.cei.gov.cn/。[1]中国金融周期与景气循环研究1，21，22陈守东 孙彦林 刘洋（1.吉林大学数量经济研究中心，吉林，长春，130012；2.吉林大学商学院，吉林，长春，130012）

摘要：本文使用基于RTV-DFM合成的FCI来分析中国的金融状况，通过分析中国的金融周期与景气循环特征来把握中国金融的基本状况，并在此基础上进行预测。研究发现：本文合成的FCI很好地刻画了中国的金融状况，中国金融周期与货币政策周期高度一致；可作为金融经济变量的先行指标；预测显示中国金融状况将渐进式“走出最坏，逼近光明”。

关键词：金融状况指数 金融周期 金融景气循环 滚动预测

Financial Cycle and Boom-and-Bust Research of China

Abstract：This paper，based on FCI synthesized by RTV-DFM to analysis China’s financial condition，attempted to grasp the basic financial situation through the analysis of the financial cycle and boom-and-bust characteristics of the China，and then make predictions. The study finds that FCI of this paper is a good description of China’s financial condition which could be used as the leading indicator of financial economic variables，and China’s financial cycle is highly consistent with the monetary policy cycle；besides，the forecast shows that China’s financial condition will gradually “get out of the worst，approaching the light”.

Key Words：Financial Condition Index Financial Cycle Financial Boom-and-Bust Rolling Forecast引言

近期股市动荡不堪，动辄千股跌停，由此引发的一系列社会问题迫使“国家队”不得不积极介入护盘救市。作为中国金融市场的重要组成部分，股市的剧烈波动势必冲击中国整体的金融状况。随着金融市场深度与广度的不断延伸，虚拟经济与实体经济的关联程度不断加深，金融状况受到冲击，实体经济也无法幸免。一旦突破界限，势必诱发系统性金融风险，最终引起实体经济的衰退，2008年的全球金融海啸就是最好的证明。尤其是中国当前正处于“增长速度换挡期”“结构调整阵痛期”“前期刺激政策消化期”的“三期叠加”的关键时期，准确把握中国当下的金融状况，在了解金融状况历史规律的基础上掌握其长期趋势与周期波动特征，对中国顺利渡过“三期叠加”时期、实现经济平稳着陆具有相当重要的现实意义，对这一领域研究的推进也具有深远的学术价值。

作为货币政策传导机制的重要一环，金融状况不仅会影响实体经济，还对实体经济具有较强的预测能力，且二者之间存在着较为复杂的影响关系及非线性传导机制（王妍，2014）。在研究过程中，通常以经货币状况指数衍生而来的金融状况指数（Financial Condition Index，FCI）（Goodhart和Hofmann，2001）来刻画一个国家或一个地区的金融状况，如Lack（2003）、Holz（2005）、封北麟和王贵民（2006）、Swiston（2008）、王彬（2009）、Premsingh（2010）等，但这些研究均基于VAR脉冲响应或者回归分析，指标体系也仅限于有限维度。随着经济规模增长与金融内容丰富，经济金融数据的横截面不断外延、纵截面与日俱增，显然某一个或某几个金融变量不能全面、准确的刻画金融状况，Geweke（1977）提出的动态因子模型（Dynamic Factor Model，DCM）为这一问题的解决提供了可能，Stock和Waston（2006，2011）、Bai和Ng（2008）给出了关于动态因子模型的理论脉络、实证应用与经验研究等详细介绍。近年来，动态因子模型再次为主流学派所重视，尤其经Stock和Waston（1989，1991，2005）、Bernanke等（2005）、Giannone等（2005）、Forni等（2009）的拓展，动态因子模型已然可以成功用于金融计量分析。Hatzius等（2010）构建了包括调查数据在内的高维金融变量指标体系，并基于动态因子模型构建美国金融状况指数，据此分析美国金融状况与实体经济间的关联机制与传导渠道，此后基于动态因子模型构建金融状况指数逐渐被广泛应用，国内易晓溦（2015）、栾惠德和侯晓霞（2015）等也逐渐基于动态因子模型构建中国金融状况指数。

仅仅构建出金融状况指数只能分析中国金融状况的渐进走势、粗略地观察中国金融状况的区制特征，为此部分学者通过引入马尔可夫区制转移模型来研究金融状况的区制特征并试图从中得到金融状况的周期行为，但由于传统的马尔可夫区制转移模型需要先验给定区制个数，且一般局限于2-3区制，因此应用过程具有一定的局限性。陈守东等（2009）基于MS-VAR 模型通过构建货币危机预警模型、银行危机预警模型和资产泡沫预警模型来揭示未来潜在的金融风险，并根据金融风险的特征将中国的金融运行状况划分为“低度风险”、“中度风险”和“高度风险”三个区制状态。陈守东等（2013）基于多元动态因子模型并结合马尔可夫区制转移模型来刻画中国的金融状况，研究结果表明中国金融系统的内在周期不稳定性最终将中国金融状况划分为“金融稳定”和“金融不稳定”两个区制状态，类似的，Davig和Hakkio（2005）通过MS-VAR模型将堪萨斯金融状况指数划分为“低压力”和“高压力”两个区制状态。易晓溦等（2014）在此基础上进行突破，不仅基于贝叶斯框架下的高维动态因子模型来构建中国的金融状况指数，并在金融不稳定视角上利用经Dirichlet随机过程拓展的非参数贝叶斯框架下无限区制状态的隐含马尔可夫区制（MS-IHMMHDPM）模型来分析金融状况区制特征，不再局限于有限维度的区制转移，结果表明金融状况最终表现出明显的平稳性与稳定性。

对金融状况的计量问题发展已久，但国内众多学者仅仅停留在对金融状况的趋势及区制分析上，且在区制分析方面也仅限于有限维度。本文试图通过贝叶斯框架下的高维动态因子模型构建中国的金融状况指数，依据“峰-峰”“谷-谷”的转折点分析方法划分中国的金融周期与景气循环，以期为中国金融系统的风险防范提供可靠的理论依据和现实依据。本文章节安排如下：第一部分引言，阐明选题背景与意义，并对相关领域文献进行述评；第二部分无限状态区制时变动态因子模型构建；第三部分中国金融状况指数的估计分析及走势预测，通过对中国金融状况分析，得到金融状况景气周期循环趋势，在探讨其背后原因及机理基础上对中国金融状况指数进行滚动预测；第四部分结论。1 无限状态区制时变动态因子模型构建

基于经过非线性扩展的动态因子模型（Stock和Watson，1989；1991；2003），并通过Fox等（2011）发展的Skicky HDP-HMM随机过程将其进一步拓展为无限状态区制时变动态因子模型，模型结构如式（1）～式（4）所示：2

Y=F′x+ω，ω～N（0，σ）　　　　　　（1）ttttω2

S|β，β…β，σ～Skicky HDP-HMM，j=1，…，∞　　t0，j1，jm，jj　　　　（3）

其中，Skicky HDP-HMM为分层Dirichlet过程的隐性马尔可夫过程。

式（1）中Y表示经济金融变量构成的向量，x为不可观测金融状tt况指数，其服从如式（2）所示的AR（m）过程，其中截距项与滞后项系数服从无限区制状态马尔可夫过程。在式（3）所示的无限状态假设下，结合式（2）得到式（4）所示的x服从的区制t时变过程，参数估计结果以后验均值表示，至此动态因子模型由传统的非线性假设扩展到非线性的无限状态区制时变AR过程，以更准确地刻画金融状况的非线性动态转变过程。2 中国金融状况指数的估计分析及走势预测2.1 中国金融状况指数的变量构成

金融状况不仅会影响实体经济，而且对宏观经济具有较强的预测能力，二者之间存在着较为复杂的影响关系及非线性传导机制（王妍，2014）。作为货币政策传导机制的重要一环，金融状况自然受到货币政策的深刻影响，尤其金融状况指数是由货币状况指数衍生而来，Goodhart和Hofmann（2001）最早提出FCI时指标体系仅包含实际有效汇率和股票价格、短期利率、房地产价格四个指标，除涉及宏观经济变量与货币政策变量外，还涉及价格体系变量，如周德才等（2015）通过构建中国灵活动态的金融状况指数来分析其对通货膨胀的预测能力，发现二者高度相关，且房价在其中的权重较大，表明价格体系变量应当包含在FCI的构建指标体系中。通过研究Hatzius等（2010）多篇国内外文献的FCI指标体系构成及中国现状，本文最终选取涉及宏观经济、货币政策和价格体系三方面共16个指标变量，变量构成及数据处理如表1所示，数据区间为2000年1月～2015年7月。表1 指标变量选取及相关处理续表2.2 中国金融状况指数的估计

如同改革始终是中国经济近几十年来的主旋律，中国金融体系也始终贯穿改革的基调，并作为中国经济发展的原动力之一，不断地释放改革红利。尽管金融改革成果卓著，但中国金融体系仍存在资源配置效率较低、融资结构扭曲、融资结构失调、系统性风险向银行体系集中等问题，成为中国金融状况的不稳定因素。中国金融状况究竟如何？图1 2001年1月～2015年7月FCI走势

从图1给出的FCI走势可见一斑。当FCI＞0时，表示金融状况向好，FCI＜0时，表示金融状况较差，类比经济周期的“峰-峰”（“谷-谷”）划分法划分金融周期（Borio，2013）可将2001年1月～2015年7月中国的金融周期划分为6个阶段，分别为2002年中旬之前、2002年下半年～2005年年底、2005年年底～2009年年初、2009年年初～2012年年末、2012年年末～2014年年底、2015年以后，其中，2002年下半年～2005年年底、2005年年底～2009年年初、2009年年初～2012年年末、2012年年末～2014年年底为四个完整周期。作为货币政策传导机制的重要一环，这与中国货币的政策周期较为一致。

2.2.1 2002年上半年之前的金融景气周期循环

1992年年初，邓小平“南方谈话”标志着中国改革步入了新的历史机遇期，在党的十四大精神的激励及宽松货币政策的刺激下，中国经济掀起了快速发展的新篇章，截至1993年上半年中国固定资产投资急剧膨胀、金融市场秩序空前混乱，中国经济出现“四热”“四[2]高”“四紧”“一乱”现象，通货膨胀水平也随之在1994年达到峰值，国际收支赤字激增的同时人民币大幅贬值，金融泡沫不断累积，中国金融状况完成了“泡沫积累”的金融景气周期循环第一周期。尽管1995～1996年央行施行适度从紧的货币政策以遏制高通货膨胀、平衡国际收支，但1997年始于泰国的亚洲金融危机迅速击破亚洲各国经济的繁荣景象，严重冲击了中国的实体经济及金融状况，1998年中国外贸出口需求急速下滑，人民币面临进一步贬值压力，同时国内需求疲软、经济低迷、就业率下行，加之特大洪水灾害的冲击，中国经济进入通货紧缩时期。为应对国内外严峻形势，央行通过灵活运用货币政策工具稳定汇率水平和币值稳定、扩大国内总需求、刺激实体经济增长，改善中国整体的金融状况，至此中国金融状况逐渐走出“泡沫破灭”的金融景气周期循环第二周期。到2002年上半年，在稳健货币政策的背景下，中国金融状况渐进完成“泡沫平复”的金融景气周期循环第三周期。

2.2.2 2002年下半年～2012年年底的金融景气周期循环“泡沫积累”的金融景气周期循环第一周期：2002年下半年～2005年年底，央行采取以维持经济平稳增长为核心目的“稳中从紧”货币政策。2003年上半年，“非典”在全国肆虐，严重制约我国经济发展，同时伊拉克战争爆发导致国际原油价格飙升冲击中国外贸，综合遏制中国经济增长势头的同时恶化了中国金融状况，为保持货币政策的连续性，央行继续采取稳健的货币政策。2003年下半年，随着随机冲击影响的减弱及负利率水平的加深，中国以房地产和汽车行业为代表的消费结构升级释放了大量的经济活力与动力，推动了我国投资、贸易、信贷等的快速发展，中国金融状况惯性下行势头终于被遏制，如同中国经济迎来了新一轮经济周期的繁荣上升期，中国金融状况也迎来了新一轮金融周期的繁荣上升期。随着经济的高速增长，我国经济发展出现粮食供求失衡、货币信贷投放过量、固定资产投资过热等金融不稳定现象，并伴随着通货膨胀的不断恶化，央行在秉持“渐进式”宏观调控的基调下采取“稳中从紧”货币政策，中国金融状况终触顶反弹，“泡沫积累”第一周期完成。“泡沫破灭”的金融景气周期循环第二周期：金融危机总是先在某一国家或地区的金融市场出现，而后迅速在各地区、各国家金融市场间交叉传染，最终冲击全球实体经济。早在2005年年底，美国次级抵押贷款市场出现陷入困境征兆，中国FCI随后开始下行，并随着美国次级抵押贷款市场急剧恶化的步伐以断崖之势急速下行。2007年，以房价为首、部分原油及肉类短期阶段性的供应短缺所导致的结构性的物价快速上涨（王小广，2007）［图2（b）］，此时美国次贷危机爆发，中国FCI跌入深谷，金融状况不容乐观。但在2008年年初，为遏制结构性的价格上涨趋势以免最终发展为明显的通货膨胀，央行进一步采取了从紧的货币政策，利率在2006～2008年年底多次上浮［图2（c）］，滞后的货币政策调控没有及时预估并把握中国整体金融状况，货币政策从紧显然不利于当时金融状况的改善与随之爆发的全球金融危机的应对。好在稳健的财政政策［图2（c）］在这一时间段有所扩张，在一定程度上减弱了中国金融状况的下行惯性，促使FCI于2007年年底实现底部V形反转。2008年9月，全球金融危机全面爆发，同年发生严重雪灾与汶川地震，综合导致迫切、巨大的货币资金需求，为维持经济平稳增长、控制结构性物价水平的不断上涨，央行采取适度宽松的货币政策，并于2008年11月推出4万亿救市计划，宽松的货币环境与大量流动性的注入在短期内成功稳定了经济增长，并推动中国金融状况迅速走出谷底，并于2009年年初中国金融状况恢复至甚至好于金融危机前的水平。但这一举措无疑加剧了我国经济结构失衡，还引发了通货膨胀压力过大、产能严重过剩、流动性泛滥、本币外升内贬等一系列问题，为我国经济发展埋下长期隐患。“泡沫平复”的金融景气周期循环第三周期：2009年年底，市场情绪逐渐稳定，4万亿救市计划的弊端开始显现，中国经济步入“政策消化期”，金融状况开始下行。为此，央行采取以修复、恢复我国经济增长水平并保持经济持续平稳增长的货币政策，始终以促进、维持经济平稳快速发展为宏观调控的重心，也开始引导我国货币政策从反危机状态逐步回归到常态水平。这一过程中，消费及工农业稳步增长，金融经济状况整体朝着调控预期的方向发展。2011～2012年间，世界各国经济逐渐复苏，我国经济发展也渐趋平稳［图2（a）］，对外贸易开始恢复，面对日趋复杂的国际经济形势与日益增大的国内潜在风险，央行货币政策基调由适度宽松转为稳健，并将“稳增长”作为宏观调控重心。

2.2.3 2012年年末至今的金融景气周期循环

试读结束[说明：试读内容隐藏了图片]

下载完整电子书