基于贝叶斯TVP-VAR 模型的货币政策价格效应

司颖华，马 宁

（兰州财经大学 统计学院，甘肃 兰州 730020）

一、引言

党的十九大报告明确提出要把维持物价稳定作为宏观调控的核心目标之一，物价水平与居民生活息息相关，也影响着我国的宏观调控政策。货币政策作为国家宏观经济调控的基础手段和重要支柱，其最终目标之一就是保持物价水平处于合理范围之内，即将通货膨胀控制在合理范围内，使总体价格水平在短期内不会发生剧烈波动，进而不会影响居民生活。然而在2019 年9 月，在外界各种因素的影响下，我国CPI 同比涨幅连续八个月超过了3.0%的警戒线，这是自2013 年以来首次突破3.0%，并在2020年1 月达到了涨幅峰值5.4%，出现了CPI 走势与经济形势相背离的情况，故应制定更加科学、合理的价格指标来更好体现物价水平，同时也为央行制定相应的宏观调控政策提供更好参考（许坤等，2019）[1]。有研究表明，核心CPI 可以更好地反映通货膨胀的趋势，并能够反映总体物价水平的变化（赵昕东和汤丹，2012）[2]。因此，在以物价稳定为核心目标的宏观政策调控下，加入核心CPI 指标作为制定货币政策时的参考显然更为全面。在此背景下，分析货币政策对核心CPI 的冲击效应具有重要的理论价值和现实意义。

二、文献综述

关于核心通货膨胀方面的研究，Friedman（1963）[3]首先将通货膨胀区分为长期稳定的部分和短暂波动的部分。核心通货膨胀的概念最早是由Eckstein 和Blinder（1981）[4]正式在学术界提出，认为核心通货膨胀率是市场长期处于均衡状态时的通货膨胀率。Bryan 和Cecchetti（1994）[5]研究认为，央行在制定货币政策时应该关注通货膨胀中长期稳定的成分，即核心通货膨胀，而非短期波动所引起的扰动。众多学者从不同角度对核心通货膨胀进行了定义，大体可归纳为两类：其一是将核心通货膨胀看作总体价格中长期稳定的部分；其二是剔除部分价格变化，剩余其他价格的总体一般趋势。总的来说，这两种定义并没有太大差异，故可将核心通货膨胀定义为代表通货膨胀中长期稳定的变动趋势，反映的是价格水平中长期持久的部分。

大多数学者将长期稳定的部分定义为核心通货膨胀，并用核心CPI 来衡量，但目前对核心CPI 尚未有明确的界定和测度方法。侯成琪和龚六堂（2013）[6]从已有文献中提炼出了核心通货膨胀的三种不同定义，并归纳出了相应的测度方法。龙革生等（2008）[7]对比研究了不同测度核心通货膨胀的方法，发现截尾平均法和中位数法并不适合测度我国的核心通货膨胀，而剔除法、共同趋势法和SVAR 模型都可以较好地对我国核心通货膨胀进行测度。徐强和陈华超（2017）[8]指出，测算我国核心CPI 是宏观经济研究的重要课题，并利用基于波动性- 持续性的三重加权法测算了我国的核心CPI。可见，众多学者采用不同方法对核心通货膨胀进行了测度，且发现核心通货膨胀可以有效地反映一般物价水平的长期变化情况（Matilla-García，2005；赵昕东，2008；汤丹，2015；王开科和曾五一，2014；司颖华和卢媛，2020）[9-13]。邓曦东和郑文玲（2013）[14]采用剔除法测度了核心CPI，并与CPI 进行了比较，发现核心CPI 对货币政策的实施更有价值。田新民和武晓婷（2012）[15]采用SVAR模型对核心CPI 进行了测度，并应用到了货币政策中，发现核心CPI 的可信度较高，可以作为货币政策的制定依据。以上研究都说明，核心CPI 对于价格水平有较好的代表性，可以将核心CPI 作为价格变量来研究货币政策的调控效果。

关于货币政策的价格效应，其中货币数量论是最具代表性的理论基础，认为短期货币供应量的变化会对物价水平和总产出产生影响，而从长期来看，货币供给量的变化仅对物价水平有影响。Friedman和Schwartz（1963）[16]基于美国宏观历史数据的研究也证明了此结论，其对货币供应量、物价水平与产出之间的关系进行了研究，发现货币供应量对经济的调控是有效的，通货膨胀的主要原因是货币供应量的快速增长。

费雪提出的“交易方程式”和马歇尔与庇古提出的“剑桥方程式”这两个公式基本可以对货币数量论进行阐述。具体来讲，“交易方程式”表示货币供应乘以货币流通速度必定等于名义收入，用数学公式可表达为：

其中，M 表示货币供应量，V 表示货币流通速度，P 表示物价水平，T 表示交易量。对（1）式两边进行对数差分，表示各变量的增速，可得：

假设货币流通速度和交易量增速不变，则货币供应量的变化与物价水平的变化有关，且两者成正比。从“交易方程式”中可以得出两个推论，其一是货币供应量的增加必然会引起物价水平提高，其二是通货膨胀率等于货币供应量的增速减去收入增速的差值。

“剑桥方程式”又称现金余额函数，该理论认为处于经济体系中的每个人对货币的需求与收入水平之间存在一个稳定的比例关系，用数学公式表达为：

其中，M 表示货币需求，k 表示人们持有货币量与名义收入的比值，P 表示物价水平，Y 表示实际收入，PY 表示名义收入。假定k 为常量，则货币需求M和物价水平P 成正比。它强调人们的现金余额对货币价值再到物价水平的影响。

将两种方程式的数学表达式联立化简可得：

比较两种方程式可以看出，虽然二者对货币需求进行分析的出发角度不同，其中“交易方程式”的重点在于货币流量，而“剑桥方程式”的重点在于货币存量，但二者都认为货币供应量的增加会对物价水平产生影响，说明了货币政策对物价水平的可调控性。

众多学者对数量型和价格型货币政策的价格效应进行了研究。其中，有些学者采用VAR 模型或衍生模型得出数量型货币政策对价格水平有显著影响，说明数量型的货币政策能够有效调控价格（李文乐等，2014；王少林等，2015；刘金全和张龙，2018；邓创等，2019；李亮亮，2019）[17-21]。陈浪南和张华（2018）[22]采用 DAG 技术识别 SVAR 模型检验了我国货币政策的价格效应，发现价格水平对扩张性货币政策冲击的反应比紧缩性货币政策冲击更为迅速。邓创和谢敬轩（2021）[23]也得出了相同结论，并指出紧缩性货币政策对于产出的影响更为显著，而扩张性货币政策的价格效应更为显著。李成等（2019）[24]分析了信贷、利率和汇率等货币政策工具的价格效应，发现短期内信贷政策的价格效应最为显著，其次是利率政策，而汇率政策的调控效果则不佳。以上学者对于货币政策的价格效应都做了详尽研究，且对于价格变量的选取一直都是CPI。与之不同，肖强（2018）[25]首先采用动态因子模型构建了物价预警综合指数作为价格变量，并利用因子扩展的VAR 模型测度了我国货币政策效应，发现短期内的紧缩货币政策对价格的冲击效应更为显著。张思成和田涵晖（2020）[26]将通货膨胀从消费领域进行了分化，发现货币政策对核心（非食品）消费品的通货膨胀有显著影响，而对非核心（食品）消费品通货膨胀的影响则不显著，同时消费类和非消费类通货膨胀对数量型货币政策的冲击效应显著，而价格型货币政策仅对消费类通货膨胀有影响。

综上所述，已有文献大多选取CPI 作为通货膨胀的代理变量，对货币政策的价格效应进行分析，鉴于核心CPI 对当前物价水平具有更好的代表性，故制定货币政策时所参考的价格指标中应加入核心CPI。由于共同趋势法对于测度我国核心CPI 具有更好的效果（徐强和陈华超，2017）[8]，本文在已有文献的基础上，基于当前CPI 的八个分类价格指数，采用小波分析和动态因子模型提取八类价格指数中稳定长期的趋势定义为核心CPI，并将其作为通货膨胀的代理变量，进行货币政策的价格效应分析。而且，本文利用贝叶斯方法，设定参数的先验分布，来对TVP-VAR 模型进行估计，该模型可以更好地测度不同时点上货币政策的价格效应。

三、核心CPI 的构建

（一）变量选取

自2016 年1 月开始，国家统计局对CPI 分类指数的统计分类进行了更改，将原有的八大类价格指数中的“食品”“烟酒”价格指数进行了合并，重组成了新的“食品烟酒”价格指数，导致2016 年前后的指标所包含的数据内容不同。但是，“食品”“非食品”的两分法没有变化，只是针对CPI 的构成分类及相应权重做了调整，所以对反映价格变动的CPI 并没有太大影响，进而对核心CPI 的测度也不会产生影响。因此，本文选取2001 年1 月—2021 年6 月的CPI分类指数，并以2015 年12 月为分割点，将其分为2015 年12 月以前和2016 年1 月以后两个样本区间。数据来自中经网统计数据库。

样本区间为2001 年1 月—2015 年12 月的CPI和八类价格指数的描述性统计结果如表1 所示，其中食品类价格指数、烟酒类价格指数、衣着类价格指数、家庭类价格指数、医疗类价格指数、交通类价格指数、教育类价格指数以及居住类价格指数分别记作Food、Tobacco、Cloth、Household、Medicine、Vehicle、Education 和Live。可以看出：在此样本区间内，食品类价格指数的均值最大，为105.30，且最大值也最大，为123.20；交通类价格指数的均值最小，为99.06；居住类价格指数的最小值最小，为94.20；方差波动最大的是食品类价格指数，其次是居住类价格指数。

表1 2015 年12 月以前CPI 和八类价格指数的描述性统计

样本区间为2016 年1 月—2021 年6 月的CPI和八类价格指数的描述性统计结果如表2 所示，其中食品烟酒类价格指数、衣着类价格指数、居住类价格指数、生活用品类价格指数、交通类价格指数、教育类价格指数、医疗类价格指数和其他类价格指数分 别 记 作 food&T、cloth、live、life -serve、transport、education、medicine 和 others。可以看出：食品烟酒类价格指数的均值最大，为103.80，且最大值也最大，为116.01；交通类价格指数的均值最小，为99.53，且最小值也最小，为94.92；方差波动最大的是食品烟酒类价格指数，其次是交通类价格指数。总的来说，CPI 变动受食品烟酒类和居住类价格指数的影响最大，同时其他各类指数对CPI 的影响具有差异性，故CPI 的变化不能很好地代表八类价格指数的总体变动情况。

表2 2016 年1 月之后CPI 和八类价格指数的描述性统计

（二）CPI 分类价格指数的小波分解

1.小波分析。小波分析是对数据从时域和频域进行分解与重构处理的一种分析手段。该方法首先将数据利用低频滤波器和高频滤波器分解为低频小波系数和高频小波系数，其系数大小与数据的相似度有关，当系数较大时，表明分解得到的信号与数据相似度高，反之则表明相似度低。数据分解之后，再对低频小波系数和高频小波系数进行重构，得到低频信号和高频信号。其中，低频信号表示近似信息，高频信号表示细节信息。在实际的时间序列实证分析中，时间序列的长期趋势通常表现为低频序列，体现了时间序列的主要特征，而短期随机的部分通常表现为高频序列。接下来，本文将对CPI 和CPI 分类指数进行小波分解，剔除短期随机的高频部分，得到长期稳定的主要部分。

2.CPI 分类指数的小波分解。本部分对上述两个样本区间的CPI 和CPI 分类指数进行小波分解，剔除它们短期随机的高频特征，得到长期稳定的主要部分。指数的小波分解在Matlab 中完成。

由于我们需要剔除CPI 和CPI 分类指数中短期随机的部分，提取其中长期稳定的趋势部分，所以选取的小波基函数需要有较高的消失矩和较低的紧支撑集，使时间序列变得光滑。鉴于此，本文选取四阶的Daubechies 小波函数作为基底，小波分解后的细节信息为短期随机的波动部分，需要剔除，并将分解之后的近似部分进行小波重建，得到本文所需的CPI 和CPI 分类指数长期稳定的趋势部分。

首先，利用小波分解将样本区间为2001 年1月—2015 年12 月的CPI 进行分解，将输出结果记作CPI_before，给出CPI 的时序图和CPI 的长期趋势图，如图1 所示。可见，剔除短期随机波动部分的CPI 趋势项在 2015 年 1 月—2015 年 12 月的样本区间内与CPI 的变动趋势完全一致，说明小波分解之后的CPI 趋势项可以有效表示CPI 的变动趋势。

图1 2015 年12 月之前CPI 和CPI_before 的趋势

利用小波分解将样本区间为2001 年1 月—2015年12 月的CPI 分类指数进行分解，其中食品类价格指数、烟酒类价格指数、衣着类价格指数、家庭类价格指数、医疗类价格指数、交通类价格指数、教育类价格指数和居住类价格指数分别记作F_before、T_before、C_before、H_before、M_before、V_before、E_before 和L_before。CPI 分类指数长期稳定的趋势图如图2 所示。可见，经分解后的各CPI 分类指数的趋势项表现出了差异性，其中食品类价格指数（F_before）、烟酒类价格指数（T_before）、家庭类价格指数（H_before）、医疗类价格指数（M_before）、居住类价格指数（L_before）趋势项与CPI 趋势项较为相似，而其他三类价格指数趋势项与CPI 趋势项则表现出了不同的波动差异。由此可得，不能简单用CPI来概括八类价格指数的共同变动趋势。

图2 2015 年12 月之前CPI 分类指数趋势项的趋势

同样，本文运用小波分解对样本区间为2016 年1 月—2021 年6 月的CPI 进行分解，将输出结果记作CPI_later，给出CPI 的时序图和CPI 的长期趋势图，如图3 所示。可知，剔除短期随机波动部分的CPI 趋势项在样本区间2016 年1 月—2021 年6 月内与CPI变动趋势完全一致，说明小波分解之后的CPI 趋势项可以有效表示CPI 的变动趋势。

图3 2015 年 12 月之后 CPI 和 CPI_later 的趋势

利用小波分解将样本区间为2016 年1 月—2021年6 月的CPI 分类指数进行分解，其中食品烟酒类价格指数、生活用品类价格指数、衣着类价格指数、居住类价格指数、医疗类价格指数、教育类价格指数、交通类价格指数和其他类价格指数分别记作F_later、D_later、C_later、L_later、M_later、E_later、T_later和O_later。给出CPI 分类指数长期稳定的趋势图，如图4 所示。可知，经分解后的各CPI 分类指数趋势项表现出了较大的差异性，其中食品烟酒类价格指数趋势项（F_before） 和交通类价格指数趋势项（T_before）与CPI 趋势项较为相似，而其他六类价格指数趋势项与CPI 趋势项则表现出了不同的波动差异。2019 年8 月以来CPI 持续增长，在此时间段只有食品烟酒类价格指数不断上涨，这主要是受非洲猪瘟影响，猪肉价格不断上涨，而其他价格指数大多都出现了不同程度的下降趋势。所以，虽然CPI 上涨了，但不能完全代表总体物价上涨了，不能单以CPI 来衡量总体物价的变动，而是应该从八类价格指数中提取出它们潜在的共同变动趋势，将其定义为核心CPI。接下来，本文将运用动态因子模型来构建核心CPI。

图4 2015 年12 月之后CPI 分类指数趋势项的趋势

（三）基于动态因子模型对核心CPI 的测度

1.动态因子模型。动态因子模型的核心思想是，针对多个相关变量，用少数几个潜在的因子来反映它们变动特征的主要和共同部分，从而达到降维目的。目前，该模型已在宏观经济分析中得到了广泛应用，如 Sargent 和 Sims（1977）[27]将此模型应用到了美国宏观经济分析中，发现提取的两个动态因子可以有效解释宏观经济波动现象。

对于时间序列，将其表示为 ｛Xt｜t=1，2，…，T ｝，则其波动可以分为两部分：其一是动态因子向量ft所引起的共同变动趋势，也就是本文要构建的核心CPI，其自身演变服从VAR 模型；其二是差异化变动et，反映了各个序列的个体特征。则动态因子模型可以表示为：

其中，λ（L）和 ψ（L）分别为滞后算子 L 组成的N×q 和 q×q 多项式矩阵。

动态因子模型的假设有两个。

假定 1：et和 ηt互不相关，即 E（etηt-k）=0，k=1，2，…，N。

假定2：差异性扰动项et互不相关，即E（eitejs）=0，i≠j；t，s=1，2，…，N。

在因子估计方面，本文参照Chamberlain 等（1984）[28]提出的时域主成分法对因子进行估计。Ft的主成分估计即核心CPI 可表示为：

核心CPI 的估计可通过求最小二乘得出：

其中，∧′∧/N=I 满足标准化。给定∧，最小化上式可得：

满足∧′∧/N=Ir条件下，可得的最大r 个特征值对应的特征向量组成。进而可得：

本文之所以利用动态因子模型构建核心CPI，是因为动态因子模型作为客观赋权方法，能够提取出CPI 分类指数变动中共同和稳定的成分。

2.核心CPI 的测度。本文利用小波分解后八类价格指数的趋势项，参照 Chamberlain 等（1984）[28]提出的动态因子模型中的时域主成分法，从中提取出共同变动的趋势部分定义为核心CPI。在采用模型提取核心CPI 之前，要对八类价格指数进行KMO 和Bartlett 检验，以此来保证所构建核心CPI 的有效性，表3 为检验结果。可见，KMO 检验值为0.818，且Bartlett 球形度检验P 值明显小于显著性水平0.05，说明可进行因子分析。

表3 2015 年之前数据的KMO 和Bartlett 检验

检验通过之后，本文运用动态因子模型中的时域主成分方法，针对样本区间2015 年12 月之前的经小波分解之后的CPI 分类指数趋势项，估计共同趋势并将其定义为核心CPI（记作CPI_core）。为了直观反映核心CPI 与CPI 的趋势，图5 绘制了核心CPI 和CPI_before 的趋势。可见，在样本区间内核心CPI 总体表现出了三轮上涨情况，分别是在2004年、2007 年和2011 年，这与CPI 的波动趋势大致相同，但其波动程度低于CPI 的波动程度。

图5 2015 年12 月之前核心CPI 和CPI_before 的趋势

同样，针对样本区间2016 年1 月—2021 年6月的八类价格指数趋势项，利用上述方法对共同趋势进行估计，并将其定义为核心CPI （记作CPI_core）。首先，进行 KMO 和 Bartlett 检验，以确保分析的有效性，结果如表4 所示。检验结果显示，KMO 检验值为 0.765，接近 0.8，且 Bartlett 球形度检验P 值远小于显著性水平0.05，说明可以对变量进行因子分析。

表4 2016 年1 月之后数据的KMO 和Bartlett 检验

为了直观反映核心CPI 与CPI 的趋势差异，图6绘制了核心CPI 和CPI_later 的趋势。可见，在样本区间内核心CPI 与CPI 的波动程度表现出了一定的差异性。其中，2019 年之前核心CPI 和CPI 的波动趋势大致相同，但在2019 年之后则出现了较大差异。由于核心CPI 是对八类价格指数提取它们共同的潜在趋势，2019 年以来由于外界各种因素的影响，导致猪肉价格大幅上涨，从而使得食品烟酒类价格指数大幅上涨，但其他价格指数却大多出现了不同程度的下降趋势，故核心CPI 与CPI 的波动趋势表现出了差异性。

图6 2016 年1 月之后核心CPI 和CPI_later 的趋势

由以上分析可以看出，以CPI 作为物价水平的代理变量不太全面，而本文测度的核心CPI 可以更有效地对物价水平进行表示，进而可对货币政策的价格效应进行分析。

四、货币政策的价格效应

（一）贝叶斯TVP-VAR 模型

1.TVP-VAR 模型。经济理论及实证表明，对我国货币政策效应采用非时变模型分析并不稳健，故本文使用TVP-VAR 模型。Primiceri（2005）[29]在对货币政策的分析中最早应用了该模型，该模型中的参数设定为随时间变动的，这种时变参数可以很好地体现出模型的时变特征和非线性特征，从而获得我国货币政策效应的时变特征。所以，本文采用Nakajima等（2011）[30]基于贝叶斯分析的 TVP-VAR 模型，并通过Matlab 来分析货币政策的价格效应。

首先，构建一个基本的VAR 模型：

其中，yt为 k×1 维的可观测变量，A，F1，…，F2为k×k 维的系数矩阵，ut为 k×1 维的结构冲击。假设ut~N（0，∑∑），并且有：

其中，σi（i=1，…，k）为结构冲击的标准差。特别地，假定参数矩阵A 是一个下三角矩阵：

其次，将模型（13）简化为：

其中，Bi=A-1Fi，i=1，…，s。我们将 Bi的行元素进行堆叠，得到 k2s×1 维向量 β，然后定义其中⊗表示克罗内克积，则模型（13）可表示为：

上述方程参数全都是非时变的，若将方程中参数拓展为时变的，则可得到TVP-VAR 模型，如下：

其中，参数 βt、At、∑t都具有时变性。本文参照Primiceri（2005）[29]和Nakajima（2011）[30]的处理方式，将下三角矩阵At中的元素堆叠成一列向量，可得到如下形式：

2.贝叶斯推断。由于TVP-VAR 模型是一个动态参数模型，而贝叶斯估计可以有效处理高维参数和模型非线性，因此本文在贝叶斯框架下，采用马尔卡夫蒙特卡洛模拟算法（MCMC）中的Gibbs 采样进行样本抽样，之后对模型参数进行估计。

假设本文构建的三变量TVP-VAR 模型中参数β、a 和 h 的先验分布为正态分布，其均值为 uβ0=uɑ0=uh0=0，协方差矩阵为∑β0=∑ɑ0=∑h0=10×I。同时，假设协方差矩阵第i 个对角线元素服从以下伽马分布：

在对参数取一定的先验分布下，MCMC 算法从参数的高维后验分布中进行采样，包括未观测到的潜在变量，利用模型中的时变参数作为潜在变量，形成完整的时变参数空间。要从参数的高维后验分布中进行采样，一个有效的方案就是构造时变参数的条件分布，进而对时变参数进行联合采样，本文使用模拟滤波器对参数β 和a 进行采样。

（二）数据来源与变量选取

为了对我国货币政策的价格效应进行分析，本文选取的样本区间为2001 年1 月—2021 年6 月。货币政策指标选取数量型调控指标，即货币供应量，记作M2。价格变量选取核心CPI，记作CPI_core，即本文第二部分构建的核心CPI，它可以更有效地代表物价水平。同时，选取相同样本区间的居民价格指数，与核心CPI 进行货币政策效应的比较，记作CPI。实际产出指标选取国内生产总值（GDP），记作GDP，由于GDP 为季度数据，故本文用工业增加值来代表实际产出。数据来源于国泰安数据库。

为了保证分析的有效性，在TVP-VAR 模型下要求时间序列变量是平稳的，故本文使用ADF 检验对上述四个变量进行单位根检验，结果如表5 所示。可见，M2、GDP、CPI 和 CPI_core 在 1%的显著性水平下不能拒绝存在单位根的原假设，即四个变量的时间序列都不平稳，故对变量进行一阶差分处理，经检验四个差分后的变量都是平稳的。

表5 平稳性检验

（三）实证结果与分析

1.参数估计及MCMC 算法有效性检验。在给定参数上述先验分布之后，本文利用Matlab 软件采用MCMC 算法对模型进行10 000 次抽样估计。为了确保MCMC 算法过程的稳定性，本文设定预烧样本为初始1 000 次并将其舍弃。其中，CD 统计量用来衡量马尔可夫链的收敛性，得到的模型参数估计结果见表6。

表6 MCMC 模拟参数估计结果

由表6 可以看出，CD 统计量的值都比正态分布95%的临界值1.96 要小，说明参数不能拒绝检验的原假设，即不能拒绝模拟估计的参数收敛于后验正态分布。无效因子用于识别模拟生成的无关样本的数量，因子值越小，说明无关样本数越多，表中无效因子都小于85，说明获得的样本是有效样本。同时，给出样本自相关系数、样本路径和后验分布密度函数图，如图7 所示。

由图7 可以明显看出：样本的自相关系数显著降到了0 附近，表明经过Gibbs 抽样的样本基本不存在自相关；样本路径显示出了较强的平稳性，说明模拟的10 000 次MCMC 抽样样本为有效的相关样本；参数的后验密度函数都近似是正态分布，满足构建TVP-VAR 模型的要求。综上检验结果，说明运用MCMC 算法进行参数估计是有效的。

图7 样本自相关系数（上）、样本路径（中）、后验分布密度（下）

由于TVP-VAR 模型估计参数的个数过多，减弱了变量之间的相关性，故一般对模型分析时侧重于模型随机扰动项的波动对其他变量的动态影响。因此，不再分析模型各个参数的含义以及和变量之间的关系，而是就某一变量对其他变量的脉冲响应图进行分析。

2.时点脉冲响应分析。不同时间节点的脉冲响应函数是指，当某一变量在特定时间节点上受到其他变量一个单位标准差的正向冲击时变量对冲击的响应程度，即对变量的影响程度。结合我国经济发展的趋势和周期，本文选取了三个具有代表性的时间节点：2008 年9 月（t=95），爆发了全球金融次贷危机；2011 年（t=135），金融危机影响减弱，经济进入了“稳定发展期”；2015 年（t=168），我国经济发展进入新常态，即“新常态”时期。图8 显示了上述三个时间节点上货币供应量对核心CPI 和实际产出的脉冲响应函数结果。

图8 不同时点下货币供应量冲击的脉冲响应

图8 反映了在样本期间内三个特定的时间点施加数量型货币政策冲击的脉冲响应。整体来看，面对不同时间点数量型货币政策的正向冲击，实际产出和核心CPI 都表现出了正向响应，且持续周期较短。具体来看，从图8（a）可以明显看出，不同时点对货币供应量冲击的响应均为正向，但波动幅度存在差异。在全球金融次贷危机时期，货币供应量增加对核心CPI 的影响最大，且持续时期相对较长，在第12期附近趋近于0。这可能是因为，为应对金融危机，我国对货币政策进行了较大调整，政府投资了4 万亿来推动经济正常稳定发展，刺激了我国通货膨胀急剧上升，导致物价上涨。在经济“新常态”时期，政策增加货币供应量对核心CPI 的刺激作用最小，在持续第5 期附近趋近于0。由此可以看出，政府增加货币供应量这项货币政策对我国通货膨胀的刺激作用在减弱。

从图8（b）可以看出，当政府扩大货币供应量时，不同时点对实际产出的冲击效应具有差异性，但冲击效应下降的速度都较快，在持续第10 期附近趋近于0。其中，在经济“新常态”时期，实际产出对于货币供应量正向冲击的反应速度最快，且影响最大，达到了峰值0.15，之后迅速下降。在全球金融危机时期，面对货币供应量的增加，实际产出反应最为缓慢，且上升幅度最小。结果说明，扩张性货币政策具有一定的时滞性及短期效应。

3.核心CPI 和CPI 冲击的比较。为了验证本文所构建核心CPI 的优良性，接下来对核心CPI 与CPI 受货币供应量政策工具的冲击效应进行对比。依旧使用不同时点脉冲响应来分析货币供应量的两种冲击效应，时点选择与前文一致，三个代表性的时间节点分别为2008 年9 月、2011 年和2015 年。图9显示了三个时间节点的货币供应量对核心CPI 与CPI 的时点脉冲响应函数结果。

图9 不同时点下货币供应量对核心CPI 和CPI 的脉冲响应

从图9 整体来看，货币供应量对核心CPI 和CPI 不同时点上的冲击效应表现出了相似的趋势，其中金融危机时期货币供应量对核心CPI 和CPI 的冲击效应最大，且对核心CPI 的冲击效应的持续时间要比CPI 长。另外，冲击效应最低的时点是2015年。分时间节点来看：在金融危机时期，货币供应量对核心CPI 的冲击效应在0.1 附近，而对CPI 的冲击效应在0.2 附近，明显高于对核心CPI 的冲击效应；在其他两个时间节点，同样也是对核心CPI 的冲击效应低于对CPI 的冲击效应，因为核心CPI 剔除了短期波动影响，表示的是物价水平的长期趋势，故对货币供应量的冲击响应小于CPI 的冲击响应。结果说明，核心CPI 可以很好地代表我国物价水平，可以作为货币政策的重要参考。

五、研究结论与启示

（一）研究结论

本文使用 2001 年 1 月—2021 年 6 月的 CPI、CPI 八类分类指数、货币供应量等数据，构建出了核心CPI 并将其作为价格变量，之后基于贝叶斯框架下的TVP-VAR 模型对货币政策的价格效应进行了实证研究，最后得到了两个主要结论。

第一，本文基于八类价格指数，首先运用小波分解剔除了八类价格指数中的短期波动部分，之后运用动态因子模型提取出了它们中的共同趋势部分，并将其定义为核心CPI。核心CPI 与CPI 具有基本一致的变动趋势，但核心CPI 的波动程度要比CPI小，可以更好地反映总体物价水平的变动，因此本文所构建的核心CPI 可以作为制定货币政策时的价格标准。

第二，通过分析货币政策工具对核心CPI 的冲击效应发现，短期内扩张性的数量型货币政策对我国经济增长起到了促进作用，同时刺激了我国通货膨胀上涨，但都是短期有效，长期无效。同时，对比核心CPI 与CPI 的冲击效应也可以证明核心CPI 对物价水平更具代表性，因此核心CPI 的变化对于央行了解当前的物价水平以及决策具有重要的参考价值，应综合其他价格指标，共同作为制定货币政策时的参考体系。数量型货币政策对价格的正向效应会随时间不断减弱，反映了随着经济的发展，仅靠货币供应量来调控物价水平无法达到宏观调控的目的，应综合其他货币政策工具来共同稳定物价。

（二）启示

基于上述研究结论，本文得到了两点启示。第一，构建更加完善的核心通货膨胀指标体系。今后学者可以结合更加丰富的知识，引入更加完善的基础理论体系和测度方法，构建我国完整的核心通货膨胀体系。另外，核心CPI 应该成为今后衡量总体物价水平变动的一个重要指标，对现行衡量物价水平的指标体系进行补充，但也不能忽视其他传统衡量物价水平的指标。在合理有效的评价体系下，相关价格数据的统计和发布应该更加透明化和精细化，让公众更加了解当前物价的整体水平。

第二，制定货币政策时应该参考核心CPI。衡量物价水平指标的主要作用之一就是为政府当前的货币政策决策提供数据依据，要想制定合理、有效的货币政策就必须识别短期波动或长期稳定因素引发的通货膨胀变化，而核心CPI 正能够反映这种长期稳定趋势。以核心CPI 作为参考，有利于政府更加准确地判断当前物价水平，从而制定出更加有效的稳定物价的货币政策。总体上看，数量型货币政策对于物价具有一定的调控作用，但随着时间推移，会呈现出效果逐渐减弱的趋势。当前我国经济正处于高质量发展阶段，所以政府在制定和实施货币政策时应考虑长期效果，而非只追求短期效果。