我国最优货币政策代理变量识别的研究
——基于货币政策响应和传导的双重视角分析

2019-11-18 03:07武鹏飞戴国强
商业研究 2019年11期
关键词:变动传导代理

武鹏飞,戴国强

(上海财经大学 1.金融学院;2.商学院,上海 200433)

内容提要:选择一个有效的代理变量来代表中央银行的货币政策立场,是进行货币政策相关研究的前提和基础。本文在SVAR模型的基础上,从货币政策对实体经济变动的响应模式和传导效果两个角度对6个政策性变量进行比较分析,以识别我国最优的货币政策代理变量。结果表明:(1)数量型变量仍然是我国央行进行宏观调控时盯住的主要目标,其中人民币贷款规模满足所有条件,是最优的货币政策代理变量。(2)价格型变量能够对通胀冲击做出显著的响应,但对产出冲击的响应不显著;而价格型变量的变动对通胀无显著影响,但对产出具备显著影响。可见,我国央行并不以利率指标作为调控经济的主要手段,但利率的变动却能够影响实际产出;“十三五”提出的“推动货币政策由数量型为主向价格型为主转变”存在着一定的现实基础。

货币政策作为政府干预经济的主要手段,对实体经济与金融市场有着举足轻重的影响。然而,在具体的学术研究中,由于难以从“宽松”“稳健”和“紧缩”这类词汇中得到可以量化的信息,因此需要利用某些数量型或价格型变量来代表中央银行的货币政策立场或意图。

我国正处在经济金融改革和利率市场化的重要历史时期,在货币政策的操作中存在着双重的目标变量体系。一方面,价格型变量作为货币政策操作目标和中介目标的时机正慢慢地走向成熟,例如,上海银行间同业拆放利率(SHIBOR)已经运行十年有余,银行间市场的交易不断活跃。另一方面,数量型变量仍然发挥着重要作用,贷款规模和M2这类传统指标仍然受到研究者的重视。

面对着双重的目标变量体系和多元的可选变量,不同的研究者往往会选择不同的变量来代表人民银行的货币政策立场。在具体的学术研究中,这种货币政策代理变量选取的多样性主要表现为三种做法:第一种做法是以某个单一的数量型指标作为我国货币政策的代理变量。例如,以M1作为货币政策代理变量来研究我国货币政策的传导及有效性问题,或以M2为代理变量来研究通货膨胀及货币政策的有效性问题,或以信贷规模为代理变量来研究货币政策调控与经济周期的关系。第二种做法是以某个单一的价格型变量来代理我国的货币政策。比如刘金全等(2015)的研究以单一的7天期中国银行间同业拆借利率(CHIBOR)作为货币政策的代理变量。第三种做法是为了克服单一代理变量的不足,同时运用多个变量来代理我国的货币政策。比如周建等(2015)同时利用M2和CHIBOR来研究货币政策的动态传导,马草原等(2013)利用信贷规模及贷款基准利率来研究货币政策超调问题,王立勇等(2010)以M2、各项贷款及存款基准利率作为代理变量来研究货币政策的非对称效应。

然而,在这些相关研究中,研究者只是先验性地直接选择某个或某些变量作为我国货币政策的代理变量,而没有对其选择依据和选择标准做出充足的论证,这就很难排除主观性的选择偏差。如果一个变量不能有效地代表货币当局的政策立场,则利用该变量来研究其对实体经济或金融市场的影响等问题,能说明的将仅仅是该变量的变动与经济波动或金融运行的关系,而非“货币政策”本身对实体经济或金融市场的影响。

可见,选择一个有效的货币政策代理变量是进行货币政策相关研究的前提和基础。而关于货币政策代理变量的选择标准问题在国内尚缺乏深入的研究,对我国最优货币政策代理变量的选取问题尚没有取得一致的结论。基于此,本文从货币政策对实体经济变量的响应和传导两个角度来研究最优货币政策代理变量的识别问题,并对我国6个主要政策变量进行实证分析,以期识别出我国最优的货币政策代理变量。

一、文献综述

关于货币政策立场的衡量,Bernanke和Blinder(1992)最先利用SVAR模型从货币政策对实体经济变动的响应和传导这两个角度来进行研究。该研究认为,一个能够有效衡量货币政策立场的变量需要同时满足两个条件:首先,该变量能够对实体经济冲击做出及时的响应,这说明该变量是货币当局调控经济时盯住的目标变量;其次,该变量的变动能够对实体经济产生有效的影响,这说明利用该变量来调控经济是有效的。在这一理论框架下,Bernanke等对比研究了M1、M2、联邦基金利率、三个月期美国国债收益率以及十年期美国国债收益率等5个变量在衡量美国货币政策立场时的相对效力,结果表明联邦基金利率包含了最多的货币政策信息。

国内尚缺乏关于货币政策代理变量识别的直接研究,相似的研究主要包括两类,即仅从货币政策的“响应”角度来研究我国货币政策的反应函数,以及仅从货币政策的“传导”角度来研究我国货币政策的传导效果。

关于货币政策的“响应”问题,主要集中在对泰勒规则和麦卡勒姆规则的研究。前者如陈创练等(2016)利用泰勒规则来研究同业拆借利率对通胀及产出冲击的响应;后者如吴吉林等(2015)利用麦卡勒姆规则来研究基础货币和M2等对产出及通胀冲击的响应;此外还有庄子罐等(2016)利用DSGE模型对比分析了两类规则的选择问题。这些研究的理论基础是:如果某个政策性变量能够随着通胀或产出的变动而相应地变动,则该变量即是人民银行盯住的目标变量。然而,仅从“响应”这一单一视角进行研究显然具有一定的局限性:例如,以银行间市场利率为代表的价格型变量对通胀冲击的响应,可能是“费雪效应”的体现,从而是市场自发行为导致的结果,而非中央银行政策操作的体现。

第二类单一视角的研究是关于货币政策的“传导”问题,具体研究成果已如引言中所述。这类研究往往直接选取某个或某些变量来代理我国的货币政策,并用之进行实证或理论分析,而没有对其选择依据进行论证。

此外,还有同时从货币政策的传导效果及变量可控性这两个方面进行研究的文献。盛松成、吴培新(2008)利用VAR模型研究了我国货币政策的中介目标及传导机制。该文献选用的政策变量较少,仅包括M2和信贷规模;并且其实证分析过于简单,仅仅进行了格兰杰因果检验,而没有进行作为VAR模型核心的IRF分析①。盛松成和谢洁玉(2016)利用SVAR模型分析了M2、新增人民币贷款及社会融资规模增量在货币政策传导中的作用,该文献在实证分析中使用的显著性水平为0.317,这严重降低了其实证结果的可信性;并且其中的信贷量及社会融资规模均采用流量概念,这与货币数量方程存在明显的矛盾;因此其研究结论尚待进一步的检验。总之,这类关于货币政策中介目标的研究,其假设前提是这些变量已经是中央银行货币政策操作所盯住的目标变量,而没有从“响应”角度来对这一前提假设进行验证,这显然也是不严谨的。

基于上述的研究成果及其存在的不足,本文在国内的研究中首次从货币政策的响应和传导两个方面来研究我国货币政策代理变量的识别问题。具体而言,本文在Bernanke等(1992)以及Bernanke and Mihov(1998)的理论模型的基础上,结合我国的具体情况,利用2007年1月至2018年12月的月度数据,对6个数量型及价格型货币政策变量进行全面的实证分析,以期识别出我国最优的货币政策代理变量。

二、理论模型

一个“有效”的货币政策代理变量需要同时满足响应和传导这两个条件②。首先,当我们利用某个变量来代表货币当局的政策意图时,其首要的假设前提是该变量即是中央银行盯住的目标变量,即中央银行会根据实体经济的变动情况,随时调节该目标变量进行应对,这关系到中央银行的货币政策响应机制或反应规则。其次,这一目标变量的变动必须在某种程度上对实体经济产生影响,中央银行不会长期盯住一个无效的目标变量来调控经济,这关系到货币政策传导的有效性。

基于这一理论框架,本节构建包含实体经济变量和货币政策代理变量的结构向量自回归(SVAR)模型,用于衡量货币政策对实体经济冲击的响应模式与传导效果。

(一)模型设定

为了衡量货币政策变动对实体经济的结构性影响,以及实体经济变动对中央银行货币政策制定的影响,假设各经济变量之间的关系可由如下模型表示:

(1)

(2)

其中标量p表示某个货币政策代理变量,可以是各个数量型或价格型政策变量。向量Y代表非政策性变量,主要包括各类产出变量、失业率和通货膨胀率等。向量Bi、Di表示非政策性变量的滞后系数,标量ci、gi表示货币政策代理变量的滞后项系数。u与v是正交的扰动性因素,其中新息(innovation)u表示实体经济冲击,新息v表示货币政策冲击。

VAR系统内的所有变量都被视为内生变量,因此系统内各个方程是同时进行估计的。在对该系统进行估计之后,还可以分别探讨其经济意义。我们可以将方程(1)视作货币政策传导函数(monetary-policy transmission function),它描述了货币政策变量(p)的变动对实体经济变量(Y)的影响,即货币政策的传导过程。将方程(2)视作货币政策响应函数(monetary-policy reaction function),它描述了实体经济冲击(Y的变动)对央行货币政策操作(p)的影响,或者说,央行根据不同的实体经济冲击而采取的货币政策操作反应。本文以此区分为基础,分别探讨货币政策的传导过程以及央行货币政策的响应过程。

由方程(1)(2)组成的系统是一个非约束型的向量自回归模型,由于允许Y与p可以存在同期的相互影响,因此是不可识别的。根据Bernanke等(1992) 以及Bernanke等 (1998) 的设定,通过对上述VAR系统施加两种类型的限制,可以使其变得可识别。

第一种识别约束,是假设当期的经济形势不会对当期的货币政策变量产生影响。由于统计数据信息时滞的存在,如果利用月度数据进行回归,则该假设是合理的。基于此,令方程(2)中的D0=0,并将之代入方程(1),得到可识别的标准VAR系统:

(3)

(4)

第二种识别约束,是假设当期的货币政策冲击不会影响当期的宏观经济变量。这一假设是考虑到货币政策传导时滞的存在,在利用月度数据进行回归时,这一假设在一定程度上也是合理的。令方程(1)中的c0=0,并将之代入方程(2),VAR系统变为可识别的模型:

(5)

(6)

在第一种识别约束下,货币政策的当期冲击(新息vt)进入到实体经济变量Y的方程中,而货币政策变量不受当期实体经济冲击(新息ut)的影响,因此货币政策变量(p)处于第一次序(first in ordering)。与此相反,在第二种约束条件下,实体经济变量Y的当期冲击(新息ut)进入到货币政策变量的方程中,而实体经济变量不受当期货币政策冲击(新息vt)的影响,因此货币政策变量(p)处于最后次序(last in ordering)。两种约束条件都能对原VAR系统进行识别。在后文的实证分析中,我们会综合利用这两种约束条件,并对其进行假设检验。

(二)变量设定

《中国人民银行法》明确规定,我国货币政策目标是“保持货币币值稳定,并以此促进经济增长”。因此,在本文的研究中,非政策性变量(向量Y)由通货膨胀率与实际经济产出两个变量组成。具体而言,我们用CPI来衡量通货膨胀,利用实际工业增加值来衡量实际经济产出。

货币政策代理变量(标量p)则主要包括两类变量:数量型变量和价格型变量。本文全面考察了中国人民银行可以控制或影响的各类数量型与价格型变量对实体经济的传导及响应情况。其中的数量型变量包括:剔除法定存款准备金率变动影响后的基础货币,M2以及人民币贷款规模。价格型变量包括:SHIBOR,央行票据收益率以及国债收益率③。此外还有两点需要说明:第一,本文没有包括社会融资规模这一变量,其原因是人民银行仅公布了该指标在2016年之后的月度“存量”数据。由于时间序列过短,并且数据的发布为“初步统计数”,因此进行相关学术研究的时机尚不成熟,并且相关文献中也很少使用该指标作为货币政策的代理变量。第二,实证分析中我们同时使用了全国银行间同业拆借利率这一指标,由于其与SHIBOR的走势基本一致,因此实证结果基本相同,所以文中没有报告与其相关的实证结果。

Sims(1980)的研究表明,如果在上述SVAR系统中同时包括两个或两个以上的货币政策变量,则各政策变量会削弱彼此的解释效力(predictive power)。例如,如果在一个包括通货膨胀率、实际产出及基础货币(B)的SVAR系统中,同时加入某名义利率变量(以SHIBOR为例),则B与SHIBOR的解释能力都会被削弱。这是因为,如果B的变动能够导致SHIBOR的变动,而SHIBOR的变动又会导致通胀及产出的变动,则B对通胀及产出的解释效力就会因SHIBOR的存在而被削弱;同理,此时SHIBOR的解释效力也会因B的存在而被削弱。因此,在本文的SVAR系统中,每个模型中只包括一个货币政策代理变量。

在变量的具体设定上,对于数量型货币政策变量的回归模型,本文按照马勇等(2014)的做法,利用H-P滤波(Hodrick-Prescott filter)技术得到各变量对其“潜在”趋势的偏离值,并以这些“缺口”值作为回归变量。这一做法是根据相机抉择的货币政策操作框架:货币政策的作用并非是为了使增长率达到某一水平,而是要对经济进行适时的“微调”,以“熨平”经济的周期性波动。在该框架下,货币政策试图把经济增长稳定在潜在增长率附近,以达到稳定物价的目的。最后,在利用各利率指标作为货币政策代理变量时,为了保持变量间的一致性,我们利用物价及产出的月度环比增长率来进行回归分析。

三、数据处理

本文的样本区间为2007年1月至2018年12月④,数据频率为月度,共包括144个月的数据。所有数据均来自CEIC中国经济数据库。

(一)对基础货币进行调整,以剔除法定存款准备金率变动的影响

本文使用的原始基础货币数据由人民银行资产负债表中的“货币发行”及“其他存款性公司存款”构成⑤。本文样本区间内我国的法定存款准备金率变动频繁,在基础货币总量不变的情况下,当法定存款准备金率提高时,因此而冻结的基础货币将不能发挥存款创造的功能,当法定存款准备金率降低时实际上释放出了更多的准备金用于存款创造。因此有必要对基础货币进行调整,以消除法定存款准备金率变动对其的影响。

根据黄燕芬(2006)的做法,并考虑到我国实行的滞后时点准备金计提制度,我们运用H-J. Jarchow(1990)的调整公式对基础货币进行调整:

(7)

图1 基础货币及其调整(资料来源:中国人民银行、CEIC)

(二)实际工业增加值的计算

就数据的可得性而言,国家统计局公布了2006年11月份之前的月度名义工业增加值数据,以及2006年至2012年期间2月份当月同比增长率以及1-2月累计同比增长率,2013年后不再公布2月份当月同比增长率,而只公布1-2月累计同比增长率。其中,所有的增长率数据都是扣除价格因素后的实际增长率。

根据赵永亮和余道先(2015)的研究成果,以2005年各月名义工业增加值数据为基础,利用按2005年工业生产者出厂价格指数(PPI)计算的定基指数对之进行缩减而得到实际值⑧,再根据工业增加值同比增速得出以后各期的实际值。其中,对于2013年之前的数据,首先根据工业增加值累计增长率计算1-2月份的累计实际工业增加值,再根据2月份当月同比增长率与1-2月份累计同比增长率的关系而计算出1月份和2月份的实际值。对于2013年之后的数据,由于2013年后官方不再公布2月份当月同比增速,则依据定基PPI缩减后的1、2 月份工业销售产值的比例确定1、2 月份的实际工业增加值。图2报告了计算而得的实际工业增加值序列及相应的季节调整后序列。

图2 实际工业增加值月度序列(资料来源:CEIC)

(三)其他的数据处理

其他数据中,消费价格指数(CPI)是以2007年1月份为基期的定基指数,各种期限的月度SHIBOR数据是对日度数据按月求简单算术平均值计算得来,银行间市场国债收益率以及央行票据收益率数据的起始时间为2008年7月。

本文对除了利率数据外的全部数量型货币政策变量数据(基础货币、M2等)、实际工业增加值数据、定基CPI数据等进行季节调整。具体季节调整方法为X-12-ARIMA技术,并考虑春节因素。春节模型及春节虚拟变量的具体赋值采用中国人民银行统计调查司(2006)的模型设置。然后对季节调整后的数据取对数。对于以数量型指标为货币政策代理变量的SVAR模型,分别在各变量的对数值的基础上直接进行H-P滤波处理(平滑参数λ=14400),得到各变量对其潜在趋势的偏离百分比。对于以利率指标作为货币政策变量的SVAR模型,则对实际工业增加值及价格指数的对数值取差分,得到月度环比增长率数据。

在进行SVAR回归分析之前,对以上各变量的数据处理结果进行单位根检验,无论是利率数据、H-P滤波数据还是月度环比增长率数据都不存在单位根。

四、实证分析

(一)货币政策响应函数的实证分析

1.数量型货币政策代理变量的响应分析。以数量型指标作为货币政策代理变量的SVAR模型,可以表示为如下的紧缩形式:

A0Yt=A(L)Yt-1+ut

(8)

其中:

Yt是由数量型货币政策变量(p)、实际产出(y)及通货膨胀(π)构成的向量。其中货币政策变量为以下变量中的一种:剔除法定存款准备金率变动影响的基础货币(B,本文直接简称为“基础货币”),广义货币(M2),人民币贷款规模(Loan)。产出以实际工业增加值衡量,通货膨胀以CPI衡量。A0为各变量同期相关系数矩阵,A(L)为滞后算子矩阵,ut为结构化新息向量。

对于以基础货币为货币政策代理变量的SVAR模型,其识别约束为:(1)如前文所述,由于信息时滞的存在,当期的经济形势不影响当期的货币政策操作,因此有a12=a13=0。(2)由于基础货币的变动对实体经济的传导需要经历存款创造及贷款利率变动等过程,所以当期的基础货币变动也不影响当期的非政策变量,因此有a21=a31=0。(3)我们假定当期的通货膨胀不影响当期的产出,即a23=0。做出这一假设的直观原因是以生活资料价格(CPI)衡量的通胀应该难以影响到当期的工业产出;而且,我们在实证分析中也发现,短期内CPI对工业产出的影响是不显著的。于是有约束矩阵:

(9)

对于以M2和Loan为货币政策代理变量的SVAR模型,上述的第二条约束条件可能不成立。其原因在于,基础货币需要经过一段时间的存款扩张之后才能对实体经济产生影响,而M2和Loan本身已经是货币扩张后的结果,能够形成直接的购买力,因此有可能会对当期的经济产生影响⑨。此时有约束矩阵:

(10)

矩阵(9)属于过度识别约束,因此需要运用似然比过度识别检验(LR test)来检验其合理性。实证结果显示,LR统计量取值为0.90,p值为0.64,不能拒绝识别约束有效的原假设。矩阵(10)属于刚好识别约束,可以直接进行估计。

本文综合考虑了5种信息准则(LR,FPE,AIC,SC,HQ)来确定SVAR模型的最佳滞后长度,然后观察其脉冲响应函数(IRF)曲线⑩。本节研究货币政策的响应函数,因此单独分析各政策变量对通胀及产出冲击的脉冲响应函数;下一节研究货币政策的传导函数,因此关于通货膨胀与产出对货币政策冲击的脉冲响应函数留待后文分析。

图3 各数量型政策变量对产出和通胀冲击的响应曲线

图3列示了各数量型货币政策变量对产出冲击及通货膨胀冲击的响应情况。由图中所示的脉冲响应曲线可知,各数量型政策变量对产出或通胀冲击的响应都是显著的。从响应的方向来看,面对一单位标准差的产出冲击或通货膨胀冲击,各数量型货币政策变量都会发生反方向变动;即产出或通胀的上升会导致货币政策的紧缩,产出或通胀的下降将导致货币政策的宽松。以各政策变量对产出冲击的响应为例,基础货币的响应速度最快,在第2期就开始对实体经济的变动做出显著的响应;而人民币贷款余额和M2的响应速度稍慢,分别要滞后5期和7期后才开始变得显著。

这些政策变量响应的滞后期长度与经济理论基本一致:中央银行可以直接控制基础货币的投放,因此面对实体经济的冲击,人民银行可以迅速变动基础货币量;而人民币贷款余额和M2的变动则需要经过一段时间的货币扩张之后才会发生。以滞后长度而言,与M2相比,人民币贷款余额更快地变得显著,这可能是因为在以间接融资主导的市场环境下,我国货币政策的传导主要还是通过商业银行的信贷供给发生作用。

一个值得注意的现象是,基础货币对通胀冲击的响应要稍微弱于其对产出冲击的响应,而人民币贷款余额和M2对通胀冲击的响应却明显强于其对产出的响应。如图3所示,面对一单位的产出冲击及通胀冲击,无论从响应的滞后时间、响应的力度还是显著性等方面来看,基础货币对产出冲击的响应都要稍强于其对通胀冲击的响应。然而,与对产出冲击的响应相比,人民币贷款余额和M2对通胀冲击的响应的滞后期更短,响应力度更强,且表现出更高的显著性。我们认为这是商业银行的行为在起作用:在贷款利率存在行政管制的情况下,通货膨胀的上升直接表现为实际利率的下降,此时商业银行倾向于减少贷款的发放。这就导致了面对同样力度的基础货币变动,人民币贷款余额和M2对通货膨胀冲击的响应更加迅速且强烈。这一发现也为本文结论中认为货币市场利率受商业银行主导提供了一个间接的证据。

2.价格型货币政策代理变量的响应分析。以价格型指标作为货币政策代理变量的SVAR模型与式(8)形式相同,只不过将货币政策代理变量(p)换作以下的利率指标之一:SHIBOR,央行票据收益率或银行间市场国债收益率。

价格型变量的SVAR模型的识别约束与人民币贷款余额和M2的SVAR模型相同。原因是利率作为资金价格信号,其变动可能会影响到当期的通货膨胀预期以及当期的银行信贷投放。于是,其识别约束如上文中矩阵(10)所示。

关于利率期限的选择,我们以3个月期的利率为基础。根据李良松、柳永明(2009)的研究,期限大于3个月的SHIBOR的收益率波动性很小,交易很不活跃,其报价主观性较强,所以本文从期限小于等于3个月的SHIBOR中选择回归变量。同时,期限小于等于1个月的SHIBOR多用于商业银行的短期流动性管理,主导其变动的因素是商业银行短期资金的余缺情况,对实体经济的传导效果可能较弱,所以本文选择以3个月期的SHIBOR作为回归变量。考虑到可比性,央票收益率也以3个月期为基础,而国债收益率则选择期限最短的1年期收益率数据。

在对价格型政策变量的SVAR模型进行分析时,我们采取Bernanke等(1992)的做法,对各模型设置相同的滞后长度。这是由于金融市场能够迅速出清,各类型利率的波动可以做到迅速同步,统一滞后长度有助于各变量回归结果的比较分析。综合考虑各模型的实际情况,本文将滞后长度统一设定为3。

如图4所示,三个利率变量对产出冲击及通货膨胀冲击的响应路径大同小异。就脉冲响应曲线的方向而言,面对实际工业增加值或通货膨胀率的变动,三个利率变量都出现同向变动,即产出或通胀的上升将导致利率的上升。不过,就显著性而言,三个利率变量对产出冲击的响应都不显著;这意味着面对产出的冲击,人民银行并没有系统性地影响利率以对之做出响应。而利率对通货膨胀冲击的响应是显著的:在滞后大约3期之后,三个利率指标对通货膨胀冲击的响应开始变得显著起来。可见,价格型变量不能完全满足货币政策代理变量的“响应”条件。

图5 产出及通胀对各数量型政策变量冲击的响应曲线

(二)货币政策传导函数的实证分析

1.数量型货币政策代理变量的传导分析。由于货币政策的传导是一个渐进的过程,类似于“从量变到质变”的逐渐累积,因此本节研究相应的累积脉冲响应曲线。需要注意的是,对人民币贷款余额和M2而言,图中显示的滞后长度并非指从货币政策执行到实体经济变动所经历的时间,而是指从这两个指标的变动到实体经济变动所需要的时间。二者的差别在于,在人民币贷款余额和M2变动之前,需要经历从基础货币的变动到这些宽口径政策变量变动的货币扩张过程。

首先,分析数量型变量对产出变动的传导过程。从图5可知,产出对数量型政策变量冲击的响应方向为正,即货币增速的上升将导致实际工业增加值增速的上升。就显著性而言,除了基础货币对产出的传导效应不显著之外,其余两个政策变量对产出的传导效果都在滞后若干期之后开始变得显著。而基础货币对产出的传导效果不显著,可能是因为SVAR模型的最优滞后长度过短所致(基础货币SVAR模型的最优滞后长度为2)。从滞后期角度来看,M2在滞后一期之后就开始对产出形成显著影响,而贷款余额则要在4期之后才会对产出造成显著影响。

其次,观察数量型变量对通货膨胀变动的传导过程。虽然通货膨胀对各政策变量冲击的响应方向都是合理的,即货币增速的上升将使通货膨胀上升,但是只有人民币贷款规模对通胀的影响是显著的,而且要滞后12个月之后才开始变得显著。综合上述的实证结果,货币供给量在短期内主要影响产出,而只有长期里才会对通胀产生显著影响。

图6 产出及通胀对各价格型政策变量冲击的响应曲线

2.价格型政策代理变量的传导分析。图6报告了各利率指标对产出及通胀的传导效应。容易看出,利率变量的一个正的冲击,将导致产出及通货膨胀反方向变动,即利率上升将导致产出增长率与通货膨胀率的下降。不过,只有产出对利率冲击的响应是显著的,通货膨胀对利率的响应并不显著。可见,价格型变量同样不能完全满足货币政策代理变量的“传导”条件。

图6中还显示,在滞后大约7期之后,产出对利率冲击的响应开始变得显著。纪敏和张翔(2016)的研究表明,我国的短期市场利率能够在一定程度上传导至贷款利率。而贷款利率的变动又会影响信贷的供给和需求,最终对产出产生影响。可见,在产出调控方面,我国货币政策的利率传导渠道是有效的。

(三)实证结果汇总及主要结论

1.结果汇总及主要结论。综上,可将上述实证结果汇总如表1。

表1 各政策变量的实证结果总结

根据上述结果,可以得出如下重要结论:

第一,从货币政策响应函数的实证结果可知,数量型政策变量能够同时对产出和通胀冲击做出响应,而价格型变量仅对通胀冲击做出响应,对产出冲击的响应不显著。可见,人民银行主要盯住数量型变量进行货币政策操作,价格型变量处于次要地位。

第二,在各数量型政策变量中,人民币贷款规模既能够对产出冲击和通胀冲击做出显著的响应,其变动又能够对产出和通胀产生显著的影响,因此同时满足响应和传导两个条件,是我国最优的货币政策代理变量。M2是次优的代理变量,因为与贷款规模相比,其对通胀无显著的影响。

第三,我们认为,剔除法定存款准备金率变动影响后的基础货币也是一个较优的货币政策代理变量。如前文所述,实证结果中基础货币对产出及通胀的传导效果不显著,是因为模型最优滞后长度过短所致。由于从基础货币的变动到人民币贷款规模的变动之间存在着一定的时滞,因此在衡量人民银行当期的货币政策立场时,基础货币是一个更优的货币政策代理变量;当研究货币政策对实体经济的影响时,人民币贷款规模更优。

2.关于价格型变量的讨论。此外,还有几个需要讨论的问题。

首先,货币政策对实体经济的响应和传导是两个相互联系却又需要严格区分的过程。前者研究的是货币当局面对实体经济冲击而采取的具体行动,因此关注的是中央银行的行为策略;后者研究的是货币政策变量的变动能否对实体经济产生显著的影响,属于货币政策的有效性问题。实证结果表明:一方面,价格型变量能够对通胀冲击做出响应,然而其对通胀没有显著的影响;这说明利率指标满足响应性条件,却不满足传导性条件。另一方面,价格型变量对产出冲击无显著的响应,但其变动却能显著影响产出的变动。这说明面对产出的冲击,人民银行没有系统性地调控利率以做应对;但是无论何种因素主导了利率的变动,资金价格的这一变动最终确实影响到了产出的变动,即货币政策的利率传导渠道是有效的。但是,只有同时满足响应和传导这两个条件,才是一个有效的货币政策代理变量。

其次,我们认为利率对通货膨胀冲击的响应是由商业银行的行为所主导的,而非人民银行货币政策意图的体现。第一,理论上,对中央银行而言,“价”与“量”只能控制一个,尤其是不存在利率管制的货币市场,其利率水平是由商业银行的交易行为自发决定的。央行一旦控制住货币供给量,资金价格便随之决定,二者难以同时兼顾。第二,货币市场利率是在银行间市场的交易中决定的,反映的是各金融机构短期资金的余缺情况。根据费雪定理,在实际利率不变的前提下,名义利率与通货膨胀率会发生一比一的变动。因此,当发生通货膨胀冲击时,商业银行会根据通胀率的变动来调整其出借资金的成本。在实证结果上,这就表现为利率对通胀冲击的响应。第三,由实证结果可知,利率的变动对通货膨胀无显著的影响,人民银行显然不会长期盯住这个无效变量来调控经济。最后,如果这一逻辑成立,那么这同时也能够解释为何利率没有对产出冲击做出系统性的响应:毕竟,产出的变动是中央银行关注的目标,而商业银行一般不会通过货币市场利率对之做出响应。

综合以上两点,我们认为,货币市场利率指标在目前尚不是一个合意的货币政策代理变量。

五、主要结论与政策启示

本文在SVAR模型的基础上,从货币政策对实体经济冲击的响应模式,以及货币政策对实体经济的传导效果两个角度探讨了最优货币政策代理变量的识别问题,并利用2007年1月-2018年12月的月度数据,对我国6个数量型和价格型货币政策变量进行了实证分析。结果表明:(1)从货币政策对实体经济冲击的“响应”角度来看,数量型变量能够对产出和通胀冲击做出显著的响应,因此仍然是人民银行盯住的目标变量;而价格型变量对产出冲击无显著的响应。(2)从货币政策对实体经济的“传导”角度来看,数量型和价格型变量对产出均具有显著影响,但在通胀治理方面,只有人民币贷款规模对通胀的影响是显著的,价格型变量对通胀不具有确定性的影响。可见,人民币贷款规模同时满足了“响应”和“传导”这两个识别条件,因此是我国最优的货币政策代理变量。

长期以来,我国货币政策操作中盯住的目标变量主要是各个数量型指标。由于金融创新的不断发展,传统数量型变量的有效性逐渐受到质疑,货币政策操作从数量型向价格型的转型势在必行。因此,我国《“十三五”规划纲要》明确提出,要“完善货币政策操作目标、调控框架和传导机制,构建目标利率和利率走廊机制,推动货币政策由数量型为主向价格型为主转变”。

本研究表明,我国货币政策的利率传导渠道是有效的,说明货币政策向价格型调控的转变存在一定的现实基础。但应该看到,利率对产出的传导存在较长的时滞,短期利率向长期利率的传导仍存在较多的阻碍。因此,强化短期利率与贷款利率之间的联动机制应该作为货币政策转型的一个重要着力点。本研究还发现,货币政策对通货膨胀的治理存在相当长的时滞,这凸显出了管理通货膨胀预期在通胀治理中的重要性。在价格型货币政策操作的框架下,货币当局能够通过引导目标利率的变动,向市场迅速传递关于通胀治理的政策信息,进而有效影响公众的通胀预期。可见,在通胀治理的有效性方面,货币政策向价格型调控的转型同样具有重要的实践意义。

注释:

① SVAR模型的核心在于脉冲响应函数(IRF)分析,格兰杰因果检验只用来检验某一变量的滞后项是否应该放入另一变量的方程中。至于两组变量之间的关系是否具有经济意义,以及变量之间在时间向量上的相互响应路径,都需要通过分析IRF来说明。

② 货币政策的代理变量与货币政策的中介目标是两个不同的概念。首先,货币政策的代理变量用于代表货币政策立场,而中介目标只是货币政策传导中的中间变量;其次,货币政策代理变量需要满足响应和传导两个条件,而中介目标需要满足可测性、可控性及相关性;最后,货币政策的中介目标可以作为货币政策代理变量,但后者并不局限于中介目标变量。例如Bernanke等(1998)的研究表明,联邦基金利率是美国货币政策的有效代理变量,而这一变量不属于货币政策的中介目标。

③ 本文没有对存贷款利率变量进行回归分析,原因有三:首先,在本文的样本区间内,存贷款基准利率长期处于利率管制之中,变动频率非常低,难以作为合格的VAR模型回归变量;贷款基础利率也存在类似情况。其次,我国从2008年12月开始公布的贷款加权平均利率属于季度数据,也不能用作月度数据的回归。最后,有些研究者利用商业银行贷款对基准利率的上下浮占比来计算月度贷款加权平均利率,并用该指标进行回归分析;但是这一指标的准确性较差,并带有很强的主观性,而且市场参与者观察不到这一利率指标,无从据此进行经济决策。

④ 2008年底我国开始实施极度宽松的货币政策(即所谓的“四万亿计划”),致使货币增速快速上升。有研究者在实证分析中选择跳过这段时期或者分危机前后两段时间来进行回归分析。本文的样本区间仍然覆盖了这段时期,原因有二:首先,当时决策部门仍然是以产出和通胀的波动趋势为依据来进行政策操作的,实体经济发生剧烈波动,当然需要较大力度的政策刺激,因此货币政策操作框架并没有发生变化,无须回避这段时期。其次,本文利用环比指标进行实证分析;虽然在同比意义上,货币增速经历了12个月左右的高位徘徊,但是在环比意义上,高速增长只经历了4个月,而且没有表现出极端值的情形。

⑤ 由于2008年及2011年两次变更统计口径,为了保持与2011年以后口径的统一,我们在计算基础货币时不计入早期的“非金融性公司存款”及“其他金融性公司存款”。不过二者占比极低,不高于0.3%。

⑥ 从2008年9月起,人民银行开始施行差别存款准备金率政策。本文用到的商业银行整体的准备金率数据直接来自CEIC数据库,该指标是对差别准备金率的加权平均。

⑦ 根据黄燕芬(2006)的做法,我们用M2减去人民银行资产负债表中的“流通总现金”及“其他准备金存款”作为需交纳准备金的存款类金融机构存款余额。

⑧ 选用2005年为计算基础是因为在可获得名义工业增加值数据的年份中(2006年之前),2005年的PPI变动最小,而且国家统计局在2004 年以后才开始采用价格指数缩减法来计算工业增加值的可比增速。

⑨ 这也意味着,当期的M2和Loan不是当期货币政策意图的反映,而是往期的基础货币变动的滞后表现。所以,如果以这类宽口径指标为货币政策代理变量,即使不存在信息时滞,当期的经济形势也不会影响当期的货币政策。

⑩ 篇幅限制,我们没有列示出格兰杰因果检验结果。格兰杰因果检验用于确定某一变量的滞后项是否应该包括在另一变量的方程中,如果某变量不是引起另一变量的格兰杰原因,则其滞后项的系数就会都不显著,那么被解释变量对其冲击的响应也就都不显著。因此,观察脉冲响应曲线是否显著就能判断格兰杰因果关系。

猜你喜欢
变动传导代理
北上资金持仓、持股变动
北向资金持仓、持股变动
南向资金持仓、持股变动
神奇的骨传导
充分发挥银行在政策传导中的作用
代理圣诞老人
变动的是心
“散乱污”企业治理重在传导压力、抓实举措
PI3K/AKT/Bcl-2凋亡信号传导通路的研究进展
108名特困生有了“代理妈妈”