动态随机一般均衡框架下预测理论的发展：文献综述与应用展望

卢 超，颜 蒙

(东北师范大学经济学院，吉林 长春 130117；新罕布什尔大学经济系，美国 新罕布什尔州)

动态随机一般均衡框架下预测理论的发展：文献综述与应用展望

卢 超，颜 蒙

(东北师范大学经济学院，吉林 长春 130117；新罕布什尔大学经济系，美国 新罕布什尔州)

动态随机一般均衡框架下预测理论的发展，弥补了动态随机一般均衡模型在经济结构分析和政策评估研究中的不足，不仅有助于更好地理解经济运行状况，同时也能够为政府和中央银行的政策制定提供理论支持和决策参考。随着中国经济发展步入新常态，如何进一步为政府和央行提供前瞻性的政策指导尤为重要，因此，构建包含中国宏观经济结构特质性的动态随机一般均衡模型进行预测，对于探讨国家政策的有效性、帮助政府部门灵活审慎地制定和推出旨在防止经济衰退的稳定化宏观经济调控政策具有积极的作用。

动态随机一般均衡模型；向量自回归；点预测；金融摩擦

一、引 言

近年来，随着全球经济发展不确定性的增加，外部冲击对中国宏观经济的影响日渐突出，尤其是2007年美国次贷危机和2009年欧洲债务问题爆发所导致的全球经济衰退对中国宏观经济产生明显的负向冲击。与此同时，中国国内宏观经济发展步入新常态，经济结构转型和新的经济增长点的挖掘将对国内宏观经济发展产生深刻影响*胡乃武、田子方：《新常态下我国经济增长的基本特征及前景》，《经济纵横》2015年第8期。。因此，中国政府和中央银行如何准确把握并预测未来宏观经济走势显得尤为重要，这也将成为政府制定宏观经济政策的重要依据。中国人民银行首席经济学家马俊曾指出，中国政府和央行应该建立符合中国实际的宏观经济模型，以此来加强政府和央行对于政策的研究能力。在应用层面，作为现代宏观经济学核心的动态随机一般均衡(DSGE)模型，普遍被各国政府和中央银行用来进行政策效果的分析，DSGE模型为研究经济增长和经济波动提供了统一的分析框架。事实上，在此基础上发展起来的利用DSGE模型进行经济发展预测将为政府和央行提供前瞻性的政策指导依据。

现有的宏观经济预测普遍依赖于传统的计量经济学手段。但是，无论是单变量的自回归移动平均过程还是向量自回归过程，在面对随机外生冲击或者经济“大灾难”时，其预测效果往往非常差，难以有效地进行政策指导，这源自于时间序列计量模型经济理论的缺乏以及对宏观经济环境变化缺乏适应性。相比之下，DSGE模型预测有两个优势：首先，DSGE模型给出了依据现代宏观经济理论进行预测的一个解释；其次，从经济政策制定者角度来讲，DSGE模型使政策制定者可以进行一致的政策分析，从而避免了政策的动态不一致性；此外，DSGE模型中的“结构参数”也有明确的经济含义，使得实证结果也有相应的经济解释。

在实际商业周期和新凯恩斯主义经济学基础上发展起来的DSGE模型，不仅克服了传统的宏观经济理论缺少坚实微观经济基础的问题，更避免了传统的联立方程模型所导致的“卢卡斯批判”。然而，DSGE模型基于外生的、无法预测的冲击或者事先假定的冲击过程对经济体进行分析，这也导致了DSGE模型在预测方面的困难以及巨大偏差。因此，DSGE模型在经济预测方面的改进，不仅能够更好地刻画和描述现实经济的复杂性，同时DSGE模型的经济预测能力与政策效果分析能力的结合，使得政策制定者能够事先制定有效的宏观经济政策以应对经济危机的巨大冲击。但是基于DSGE模型进行预测在模型构建和估计方法上通常比较复杂，因而较之DSGE模型用于经济结构探讨、经济政策分析等方面的应用，对于DSGE模型预测的探讨仍然不足。

二、DSGE模型框架下预测理论研究现状

在过去几十年间，DSGE模型已经发展成为宏观经济学家和政策制定者的主要分析工具。DSGE模型在实际经济周期和新凯恩斯主义经济学的理论基础上取得了新发展，结合贝叶斯(Bayesian)方法进行结构参数估计，并对宏观经济政策效果进行脉冲响应分析。因此，DSGE模型的发展主要集中在了模型形式构建、参数方法估计、政策效果分析三个主要方面，而利用DSGE模型进行经济预测仍处于初步发展阶段。

(一)DSGE-VAR模型预测

DSGE模型的研究往往需要将其转化为可供实证研究的方程组，并在此基础上进行冲击的脉冲响应分析，因此从预测角度来讲，DSGE模型与VAR模型的对比分析就成了评判DSGE模型预测效果的一个重要参考。此外，随着VAR模型估计方法的改进，贝叶斯VAR(即BVAR)也得到了广泛的应用，尤其是BVAR已经逐渐成为各个国家和央行政策制定领域常用的预测工具*沈悦、李善燊、马续涛：《VAR宏观计量经济模型的演变与最新发展——基于2011年诺贝尔经济学奖得主Smis研究成果的拓展脉络》，《数量经济技术经济研究》2012年第10期。。因此，DSGE同VAR、BVAR间的预测能力比较成为了DSGE预测研究的最初关注点。Smets和Wouters一系列研究显示，DSGE模型在样本外的预测能力要优于VAR和BVAR模型*Smets F, Wouters R. An estimated dynamic stochastic general equilibrium model of the euro area. Journal of the European economic association, 2003, 1(5).。Rubaszek和 Skrzypczyński基于美国三个月国债收益率、GDP增长率和GDP平减指数，通过比较小规模DSGE模型、三变量VAR模型以及专业预测者调查(Survey of Professional Forecasters，SPF)对经济变量的预测能力，表明尽管对于GDP预测而言DSGE模型优于后两种方法对的预测，但是对于其它两个关键经济变量的预测，SPF预测效果更好*Rubaszek M, Skrzypczyński P. On the forecasting performance of a small-scale DSGE model. International Journal of Forecasting, 2008, 24(3).。Gurkaynak，Kisacikoglu和Rossi分析了DSGE模型和AR、VAR以及BVAR等简化形式的模型，得出的结论是所有模型的预测都是缺乏效率的，不存在单一最佳预测方法，预测的相对准确性随时间会发生变化。例如，对于产出增长来说，AR模型在短期最准确，但是DSGE在长期来看预测更为准确，通胀预测则恰好相反*Gurkaynak R S, Kisacikoglu B, Rossi B. Do DSGE models forecast more accurately out-of-sample than VAR models?. Working Paper, 2013.。

Del Negro和Schorfheide构造了一个混合DSGE-VAR模型，并指出引入VAR成分降低了DSGE模型潜在误设定的可能性*Del Negro M, Schorfheide F. Priors from General Equilibrium Models for VARS. International Economic Review, 2004, 45(2).。Ghent指出DSGE-VAR模型从预测角度来讲，相对于VAR模型来说得到了有效的提升，但是较之RBC模型而言并未产生更好的预测效果。通过计算交叉相关系数后发现，DSGE模型预测的提升除了DSGE模型本身所暗含的变量动态关系，更有可能来自于变量间较高的相关关系*Ghent A C. Comparing DSGE-VAR forecasting models: How big are the differences?. Journal of Economic Dynamics and Control, 2009, 33(4).。Lees，Matheson和Smith通过DSGE-VAR模型同新西兰储备银行公开发布的经济数据对比发现，在开放经济中使用DSGE-VAR模型进行预测有很好的效果。从更长时期来看，基于DSGE-VAR模型和DSGE模型的预测都要优于储备银行的预测*Lees K, Matheson T, Smith C. Open economy forecasting with a DSGE-VAR: Head to head with the RBNZ published forecasts. International Journal of Forecasting, 2011, 27(2).。Bache et al.分析DSGE-VAR模型在挪威通货膨胀率预测中的效果，仅仅通过DSGE模型得到的通胀点预测校准效果非常差，但是在DSGE-VAR模型中，如果允许VAR结构参数发生变化，预测能力得到明显提升*Bache I W, Jore A S, Mitchell J, et al. Combining VAR and DSGE forecast densities. Journal of Economic Dynamics and Control, 2011, 35(10).。Bekiros和Paccagnini通过比较不同规模的DSGE模型、不同的VAR模型及两者混合模型，并使用美国1997年第一季度到2010年第四季度的实际数据，通过样本外预测能力来对不同模型进行评估，得出如下结论：单一模型难以实现对所有宏观经济变量的有效预测，例如对于GDP而言，BVAR和DSGE-VAR较之DSGE-FAVAR、FAVAR和简单的DSGE模型来讲，预测结果难以令人满意；对于消费而言，DSGE-FAVAR要远优于其它模型；对于工作时间和工资而言，VAR和BVAR要优于其它模型。此外，该研究还表明DSGE混合模型不仅能够解决DSGE模型误设定问题，同时贝叶斯方法的采用也使得大型DSGE模型能够产生比传统时间序列模型(例如VAR)更好的预测能力*Bekiros S, Paccagnini A. Forecasting the US economy with a factor-augmented vector Autoregressive DSGE model. 2014.。

因此，无论是DSGE-VAR、BVAR还是DSGE-FAVAR模型，这些模型预测结论通常缺乏稳健性，尤其是面对不同国家、不同时间、不同宏观经济变量进行预测时，对于模型选择极为困难。这也就给宏观经济政策的分析和制定带来了复杂性和不确定性。

(二)DSGE模型点预测

除DSGE-VAR模型外，由DSGE模型所估计的宏观经济变量点预测的准确性也受到了较多关注。Adolfson，Lindé和Villani在构造欧元区DSGE模型的基础上分析了其预测行为，同时利用样本外滚动事件评价法(out-of-sample rolling event evaluation)评估了点预测的准确性，研究结果显示开放经济的DSGE模型点预测效果非常好。从密度预测的角度来讲，DSGE模型密度预测在某种程度上也要优于VAR模型的预测能力，DSGE模型和VAR模型对于不同变量的区间预测表现几乎一致*Adolfson M, Lindé J, Villani M. Forecasting performance of an open economy DSGE model. Econometric Reviews, 2007, 26(2-4).。Edge，Kiley和Laforte通过比较DSGE模型、时间序列以及美联储工作人员的预测，表明DSGE模型所进行的宏观经济总量预测与中央银行所进行的预测是一致的*Edge R M, Kiley M T, Laforte J P. A comparison of forecast performance between federal reserve staff forecasts, simple reduced‐form models, and a DSGE model. Journal of Applied Econometrics, 2010, 25(4).。Wolters利用实时数据探讨了DSGE模型对于通货膨胀、GDP增长和联邦基金利率预测的准确性，并同联邦绿皮书(Fed’s Greenbook)的预测结果进行了比对，DSGE模型仅仅在通胀预测方面比绿皮书预测占优。同时指出基于多个DSGE模型的联合预测较之单一模型预测增加了预测的精度，但是DSGE模型低估了点预测附近的不确定性*Wolters M H. Evaluating point and density forecasts of DSGE models. Journal of Applied Econometrics, 2015, 30(1).。Kolasa，Rubaszek和Skrzypczyński研究认为DSGE相对成功地预测了美国经济，其预测效果会明显优于专业预报者的调查*Kolasa M, Rubaszek M, Skrzypczyński P. Putting the New Keynesian DSGE Model to the Real-Time Forecasting Test. Journal of Money, Credit and Banking, 2012, 44(7).。

然而诸多研究发现，基于DSGE模型进行的预测从绝对意义上看其准确性非常差，DSGE模型的预测往往是有偏差和无效的，并且校准结果非常差*Kolasa M, Rubaszek M, Skrzypczyński P. Putting the New Keynesian DSGE Model to the Real-Time Forecasting Test. Journal of Money, Credit and Banking, 2012, 44(7).，尤其是往往无法准确地预测出经济严重衰退等极端经济事件的发生。Edge和Gurkaynak指出，同其它宏观模型一样，中等规模的DSGE基准模型预测通货膨胀和GDP增长的效果非常差*Edge R M, Gurkaynak R S. Edge R M, Gurkaynak R S. How Useful Are Estimated DSGE Model Forecasts for Central Bankers?. Brookings Papers on Economic Activity, 2010.。对于DSGE模型的点预测效果，Wolters的研究结论认为DSGE模型低估了点预测附近的不确定性，这就暗含了政府和中央银行所普遍依赖的DSGE模型往往无法成功预测经济衰退的发生，也就难以正确作出相机抉择的政策*Wolters M H. Evaluating point and density forecasts of DSGE models. Journal of Applied Econometrics, 2015, 30(1).。因此，提高点预测能力是未来DSGE模型预测的研究方向之一。

(三)DSGE模型预测与金融摩擦

DSGE模型的预测能力与外生冲击的设定、模型的假设、模型的具体形式有密切的联系。在Del Negro, Giannoni和Schorfheide所著开创性的文章中，放弃DSGE所假定的金融市场无摩擦，将金融摩擦因素纳入DSGE模型中，可以发现考虑了金融摩擦的基准DSGE模型能够成功预测金融危机时主要宏观经济变量行为*Del Negro M, Giannoni M P, Schorfheide F. Inflation in the great recession and new keynesian models. National Bureau of Economic Research, 2014.。Kolasa和Rubaszek通过美国数据对比了包含与不包含金融摩擦的DSGE模型来进行预测结论，研究显示金融市场不完美性在非危机时期并不必然导致对点预测准确度的一致提升，甚至导致了预测的恶化。相反，引入房地产市场作为金融摩擦的衡量会有效提升DSGE模型预测能力，尤其是较之无摩擦的基准模型和包含公司部门的金融摩擦*Kolasa M, Rubaszek M. Forecasting using DSGE models with financial frictions. International Journal of Forecasting, 2015, 31(1).。Cardani，Paccagnini和Villa通过引入有无金融中介的DSGE模型预测了2001—2013年间美国宏观经济变量的行为，研究表明通过引入金融中介DSGE提高了通货膨胀和短期利率的点预测和密度预测*Cardani R, Paccagnini A, Villa S. Forecasting in a DSGE Model with Banking Intermediation: Evidence from the US. University of Milan Bicocca Department of Economics, Management and Statistics Working Paper, 2015 (292).。

利用经济中的名义摩擦和实际摩擦来解释宏观经济波动由来已久，金融加速器的概念也由Bernanke，Gertler和Gilchrist提出。但是，直到近年来尤其是美国次贷危机的爆发，学界才逐渐认识到经济中小摩擦所导致的巨大宏观经济灾难，从而将经济摩擦尤其是金融摩擦引入到政策分析中，而引入金融摩擦DSGE模型的预测理论发展更为缓慢。

(四)基于模型和数据的DSGE模型预测

随着经济模型的发展，非线性逐渐成为了宏观经济研究中关注的焦点。传统的DSGE模型研究通常在变量稳态值附近进行线性化近似，然而正如Del Negro和Schorfheide指出的那样，当面对一个巨大的外部冲击时，这种情况较多发生在新兴的市场国家，此时采用线性化近似的研究结论难以得到有效保证。因此，DSGE模型的非线性形式得到发展以弥补传统研究的不足*Balcilar M, Gupta R, Kotzé K. Forecasting macroeconomic data for an emerging market with a nonlinear DSGE model. Economic Modelling, 2015, 44.。Balcilar, Gupta和Kotzé考虑了一个非线性DSGE模型的预测能力，运用新兴市场国家南非的季度数据发现在大多数情况下非线性DSGE模型预测能力要优于线性DSGE模型和VAR模型*Del Negro M, Schorfheide F. Bayesian macroeconometrics. The Oxford handbook of Bayesian econometrics, 2011.。

除了模型的形式，影响DSGE模型预测能力的另一个重要原因是实时数据*实时数据(real-time data)，是指未经政府统计机构修正的历史数据。在经济学研究中，历史数据使用出于许多目的，例如模型检验、历史经济事件分析和预测，因此如何获得未经调整的实时数据十分关键。详细分析可参见Croushore D, Stark T. A real-time data set for macroeconomists. Journal of econometrics, 2001, 105(1)：111-130.，尤其是实时数据的使用。Bache et al.指出DSGE模型的实时预测能够更好地提高密度预测能力；Smets，Warne和Wouters在新凯恩斯主义DSGE模型的基础上基于欧元区的实时数据进行了预测*Smets F, Warne A, Wouters R. Professional forecasters and real-time forecasting with a DSGE model. International Journal of Forecasting, 2014, 30(4).。然而Galvão指出虽然可以利用贝叶斯方法通过实时数据进行DSGE模型估计，但是这往往采用严重修正的数据，与此相反的是，基于条件的预测往往使用的是轻度修正的数据*Galvão A B. Forecasting with DSGE Models in the presence of data revisions. 2013.。

通过对已有文献梳理可以发现，基准DSGE模型的预测效果具有很大的不确定性，对于灾难性经济事件的预测往往无法捕捉，这也就是广泛使用的基准DSGE模型难以预测美国次贷危机等爆发的根本原因。相反，引入金融摩擦、外部信息等因素修正或者扩展模型假定、非线性模型具体形式，则有效地提高了DSGE模型的预测能力，包括对严重经济衰退事件的捕捉。但是，即便引入金融摩擦等外部因素，DSGE模型在不同时间区间的预测效果也大相径庭。因此，DSGE模型设定方面的改进，以及DSGE模型与其它宏观计量方法的结合，使得基于DSGE模型的预测成为“一个充满生气的领域”*Del Negro M, Schorfheide F. DSGE model-based forecasting. Handbook of Economic, 2013.。

三、DSGE模型框架下预测理论发展及在中国的应用

DSGE模型预测理论的未来发展，除了在已有研究基础上继续扩展外，不同方法和研究视角的引入同样可为DSGE模型的预测提供思路。

首先，DSGE模型与实际数据的结合对于DSGE预测效果需要提高探讨深度。尽管Canova对DSGE模型与原始数据的结合进行了分析，但是其仅仅考虑实际数据在参数校准中的作用，并未考虑实际数据(尤其是实时数据和金融市场数据)同DSGE模型预测之间的关系*Boivin J, Giannoni M P. Has monetary policy become more effective?. The Review of Economics and Statistics, 2006, 88(3).。其次，扩展的DSGE模型预测能力需要延展提高。基准DSGE模型的扩展除了引入金融摩擦、房地产市场情况，考虑非理性预期与异质性信念理论，不同粘性定价模型，以及模型不确定性和度量误差对DSGE模型的影响同样得到了关注，但是将这些理论用于提高DSGE预测能力则鲜有研究。因此，基于不同理论扩展的DSGE模型预测能力是研究的关键点和创新点。再次，宏观计量经济理论与DSGE模型预测需要融合完善。宏观计量经济理论包括估计方法构成了DSGE模型的重要基础，基于DSGE-VAR模型的预测也发展起来，但是DSGE模型与宏观计量模型的结合仍然存在诸多完善之处，例如非正态分布的外生冲击和DSGE模型非线性形式对于预测的影响的探讨，又如动态因子模型(DFM)被广泛用于宏观经济学的实证研究中。Kryshko将DSGE模型与DFM模型结合，作为DSGE模型扩展研究*Kryshko M. Data-rich DSGE and dynamic factor models. IMF Working Papers, 2011.。最后，传统的DSGE模型主要从时域的角度进行实证分析，基于频域分析DSGE研究也逐渐兴起*Qu Z, Tkachenko D. Identification and frequency domain quasi-maximum likelihood estimation of linearized dynamic stochastic general equilibrium models. Quantitative Economics, 2012, 3(1).*Sala L. Dsge Models in the Frequency Domains. Journal of Applied Econometrics, 2015, 30(2).。

中国作为新兴发展经济体，其经济结构的特殊性也决定了在构造关于中国DSGE模型时，必须将中国宏观经济结构中的特质性因素纳入进来，以期对整体经济有完整的刻画。目前，中国国内关于DSGE的研究主要集中在模型形式构建和政策效果分析两个方面，对于如何利用DSGE模型进行预测的研究则较为少见。在模型形式构建方面，李雪松和王秀丽引入了工资粘性，通过金融加速器和工资—价格粘性的DSGE模型，分析了中国劳动力状况和货币政策*李雪松、王秀丽：《工资粘性、经济波动与货币政策模拟——基于 DSGE 模型的分析》，《数量经济技术经济研究》2011年第11期。。王国静和田国强通过金融市场的摩擦引入，指出金融冲击是中国宏观经济和周期波动的最主要因素*王国静、田国强：《金融冲击和中国经济波动》，《经济研究》2014年第3期。。康立和龚六堂通过建立一个包含贸易品和非贸易品生产的两部门开放经济DSGE模型，并通过包含带有金融摩擦的银行部门引入，模拟分析了经济危机在不同部门的传导机制*康立、龚六堂：《金融摩擦、银行净资产与国际经济危机传导——基于多部门 DSGE 模型分析》，《经济研究》2014年第5期。。在政策效果分析方面，王爱俭和王璟怡基于DSGE模型框架考虑了宏观审慎政策和货币政策的相互关系，并指出在面对大的外部冲击时，宏观审慎政策与货币政策相互配合并发挥协同作用*王爱俭、王璟怡：《宏观审慎政策效应及其与货币政策关系研究》，《经济研究》2014年第4期。。宋潇基于“负债—通缩”理论建立一个带有内生性信贷约束的DSGE型，将资产价格纳入信贷约束的传导机制中，重点分析了国内信贷规模、资产价格与投资水平之间的相互作用，弥补了我国在这方面理论研究的缺失*宋潇：《信贷约束、资产价格与通货紧缩——基于动态一般均衡模型的分析》，《经济管理》2015年第9期。。岳娟丽和徐晓伟则探讨了中国完成利率市场化后,央行货币政策目标利率的选择问题*岳娟丽、徐晓伟：《基于社会福利的央行货币政策目标利率选择——动态随机一般均衡模型下的实证分析》，《 江西财经大学学报》2014年第2期。。

四、结 语

本文对DSGE模型框架下预测理论的发展进行了文献梳理，指出预测理论研究的四个主要方向：DSGE-VAR族模型预测、DSGE模型点预测、DSGE模型预测与金融摩擦以及基于模型形式和数据的DSGE模型预测。同时，本文也指出了DSGE模型预测未来发展方向，并在此基础上考虑到中国宏观经济结构的特点和中国国内对于DSGE研究的相对滞后性，明确了构建刻画中国宏观经济特质性的DSGE模型来进行中国宏观经济预测是下一步研究方向。

DSGE模型基本结构形式的扩展和预测效果的提升，不仅有助于更好地理解经济运行状况，同时也能够为政府和中央银行的政策制定提供理论支持和决策参考。从理论方面来看，以提高DSGE预测能力为准则来扩展DSGE模型，可以丰富和发展DSGE的理论研究；从现实方面来看，深入挖掘DSGE模型的预测能力，对于探讨国家政策的有效性、帮助政府决策部门灵活审慎制定和推出各种旨在有效防止经济严重衰退的稳定化政策，防止经济巨大波动而影响社会稳定的宏观经济调控政策，具有积极的作用。

[责任编辑：张蕴萍]

卢 超，男，东北师范大学经济学院博士生，研究方向为货币金融学；颜 蒙，男，新罕布什尔大学经济系博士生，研究方向为应用计量经济学。

F224

A

1002-3909(2017)02-0089-06