论文部分内容阅读
经济周期波动是宏观经济学的一个核心理论问题,在现代市场经济条件下,经济周期波动带来的大起大落会带来经济增长效率的巨大损失,因此对经济周期波动规律性的研究是保持我国经济稳定增长和科学发展的重要内容之一。准确监测和预测经济周期波动既是政府宏观经济调控体系中不可缺少的环节,也是企业经营决策的重要参考因素。21世纪以来,随着国内经济体制改革的不断深化和全球经济的一体化,我国经济运行的市场化和国际化特征逐渐显现。2008年由美国次贷危机导致的国际金融危机对各国实体经济的严重影响,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的规律性、改进和完善经济监测预警系统的重要性和紧迫性。当前中国经济处于重要的战略机遇期,但同时将面临更多、更严峻的挑战,为了保持经济的平稳、较快增长和长期的可持续发展,亟需深入探索和研究我国经济增长周期中出现的结构变化和波动特征。本文在借鉴发达国家的经验和最新研究成果基础上,对我国经济增长周期波动的结构变化、波动特征和监测预测方法进行系统研究,尝试缩小国内在相关计量方法研究上与发达国家的差距,提高经济周期波动分析和预测的及时性和准确性,为政府提前判断和把握经济走势,适时采取科学的调控手段以保持国民经济的稳定增长提供科学依据。本文所做的主要工作和创新之处包括以下几个方面:1.我国经济增长周期各区制的波动特征及区制间的转换特征研究。本文不但采用基于混频动态因子模型的月度经济景气指数来综合刻画经济景气状况的变化,而且同时在模型中引入截距项和方差项的马尔科夫转移结构,从经济增速高低和经济波动强弱的双重角度对我国经济周期运行特征进行更加深入和全面的分析。与以往的研究相比,该方法可以详细分析景气指数的截距及方差波动的演变轨迹,通过一致指数在不同区制状态下的滤波概率分析经济周期的阶段性特征,深入考察我国经济周期的波动特征。同时,可以结合截距、方差的联合转移概率矩阵,分析我国经济周期不同阶段间的转移特性,并试图通过联合转移概率矩阵来探究在经济新常态背景下,我国经济可能呈现的周期形态。2.中国经济周期波动“新常态”的时点识别及波动特征分析。考虑到我国经济周期波动特征存在结构性变化的可能性,本文进一步在反映经济增长速度与经济波动强度周期演化特征的四区制马尔科夫混频动态因子模型中,将低波动状态对应的转移概率约束为吸收状态,从而对我国经济周期波动的“新常态”的起始时点进行识别,并在此基础之上,考察了我国经济周期波动所表现出的新特征。3.宏观经济景气的实时监测和预测研究。本文通过构建马尔科夫动态双因子模型,并对先行景气指数和一致景气指数的联合转移概率矩阵施加一定的约束条件,从而可以使得模型可以刻画先行景气指数在经济周期的不同阶段对一致经济景气指数的时变先行性,并且在识别先行景气指数和一致景气指数阶段性变化特征的基础之上,可以利用先行景气指数对未来短期内的一致景气指数变化趋势进行前瞻式预警。当经济结构出现变化或者经济出现大起大落时,传统的马尔科夫区制转换模型估计出的参数结果往往并不可靠,因此,无法对经济处于收缩还是扩张阶段做出合理的推断。相较于国内已有的研究成果,本文构建的马尔科夫动态双因子模型在先行景气指数与一致景气指数之间建立有机联系,不但可以对经济景气所处的阶段做出合理的推断,还能考察先行景气指数与一致景气指数之间的联合转移动态,以及利用先行景气指数对未来短期内宏观经济景气进行预测。4.中国最优宏观经济预警指数的构建。基于多维先行指标,利用NBER方法合成的宏观经济预警指数并非建立在严格的统计模型基础之上,而且由于忽视了衡量先行指标预测能力的标准,所构建的宏观经济预警指数未必是最优的。而具有模型基础的宏观经济预警指数则建立严格的参数假定基础之上,一旦真实数据违背这些严格的分布假设,就不能保证模型的有效性。为此,借鉴相关文献的研究方法,本文首先使用ROC曲线考察单个先行指标在不同先行期上的预测能力,并在此基础之上,将最优先行期下的先行指标组的联合分布函数分解为边际分布和Copula函数两个独立的部分。首先,使用非参数计量经济学中的核密度方法估计单个指标的边际分布,从而降低模型误设的概率;其次,运用含参数的Vine-Copula模型刻画不同先行指标间可能存在的非线性动态相依性,以避免“维度诅咒”的问题;最后,利用所有先行指标在被预测事件发生和不发生条件下的联合分布函数的泛函表达式,构造我国的最优宏观经济预警指数。5.中国经济增长速度的实时预测研究。国内生产总值(GDP)作为最重要的宏观经济指标,受到政策制定者和市场参与者的普遍重视。为了克服GDP统计数据公布频率较低且存在时滞的问题,针对该领域国内现有研究的不足,结合我国数据发布实际情况,本文采用混频动态因子模型对季度GDP同比增速进行实时预报,并通过“新息”与指标的权重反映新数据的发布与预测修正之间的关系,进而刻画每个(组)新指标的发布对GDP预测改善的贡献大小。