基于bvar模型的ppi和cpi的传导分析

《基于bvar模型的ppi和cpi的传导分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

版权声明任何收存和保管本论文各种版本的单位和个人，未经本论文作者同意，不得将本论文转借他人，亦不得随意复制、抄录、拍照或以任何方式传播。否则，引起有碍作者著作权之问题，将可能承担法律责任。 硕士学位论文答辩委员会成员名单姓名职称单位备注田新民教授首都经贸大学薛彤副教授北京第二外国语赵宇华副教授北京第二外国语ii 致谢经过近半年的打磨，几经删改，我终于完成了毕业论文的写作。在写作的过程中，我收获良多，学到很多知识，在一步步的学习和实验中，在对已有研究成果的借鉴和思考中，我的思路逐渐清晰，论文逐渐完善。我自知我的论文还不够尽善尽美，这篇作品目前并未能够完全展现出我大脑中的蓝图，还有许多构想需要时间进一步的发展和论证，但这是一个良好的开始。在此我要感谢我的导师杨凯老师，是他从论文的选题以及开题报告，到论文的成型都给予我宝贵的指导意见。我要感谢那些给予我论文指导的授课恩师们，他们在百忙之中给予我中肯的专业意见，使我在数次迷茫之际醍醐灌顶，少走许多弯路。我还要感谢我的家人，在我论文写作过程中给予我的支持、关爱和鼓励，感谢他们为我营造了良好的学术环境，使我能够专心的完成我的论文写作。iii 内容摘要生产者价格指数和消费者价格指数作为生产链上不同商品的价格，研究二者的关系有助于识别通胀性质，判断通胀是由于供给还是需求引起，从而给出相应的政策建议。随着近年来中国经济结构的不断变迁，关于结构性通胀的关注越来越多，2017年生产者价格指数和消费者价格指数的背离再度引发学界对于经济前景和货币政策的争论，关于二者是否会趋于重合继而中国未来是面临通缩还是通胀的争论越演愈烈。在关于生产者价格指数和消费者价格指数的现有研究中，目前，西方主流研究的宏观分析中，主要把CPI作为大多通货膨胀的唯一指标，关于PPI的研究比较少。经典的西方宏观研究中，如生产经济理论，认为上游行业的产品成本增加会导致下游最终消费品价格的上涨，由PPI带动CPI体现出来。新凯恩斯模型里的许多作者都认为，稳定消费者价格指数央行则可以有效稳定产出缺口的变化，但对于稳定缺口，稳定哪个价格仍需要进一步的研究，这种理论同时也认为，在多种名义刚性的情况下，消费者价格的稳定性并不总是导致产出缺口稳定。在两部门的动态均衡模型分析中认为，央行应该关注PPI的变化和国内中间产品生产的实际边际成本。近年来有一些学者提出忽视生产者价格指数会导致显著的福利损失，也有学者认为PPI指数对宏观经济波动具有更好的预见性，明确CPI和PPI的传导机制有助于最优的货币政策，但在过去几年的一些学者对外部冲击对通货膨胀的影响研究中，多集中于外部价格对于CPI或者PPI的单个影响，往往忽略CPI和PPI的共同影响。在PPI和CPI的传导机制上，中国学术界并未达成一致，有认为单向传导，有人认为双向传导，还有人认为不存在传导，国内研究的不同意见不仅是研究视角的差异，还有计量方法的问题。基于以上问题，本文试图构建贝叶斯自回归模型分析不同时期CPI和PPI的传导关系，并且引入外部价格冲击和货币政策冲击作为影响CPI和PPI的共同变量。通过贝叶斯自回归模型（BVAR）以及相关的各种检验，我们发现CPI指数增长率对PPI指数增长率有显著的带动作用，而PPI指数对CPI指数的影响则不明显。在二元BVAR模型中，一个标准差的CPI指数增长率冲击会造成PPI指数增长率上升近两个百分点。此外，外部成本冲击和需求冲击对CPI和PPI有巨大影响，我国的货币政策则对通胀没有直接影响。这说明我国政策制定者除了防止需求过热，还需要关注外部成本价格的波动对经济的潜在风险。本文的不足在于变量相对较少，没有充分发挥BVAR模型的优势，在以后的研究中，希望寻找更多的相关变量，用以解释PPI和CPI的关系。使用马尔可夫切换贝叶斯向量自回归模型（MSBVAR）分析变量动态是我的未来研究的另一个方向，这个模型允许在一个变量在发生状态转换，例如GDP增长率，这可以更好的刻画变量之间的内生行为。关键词：PPI，CPI，外部冲击iv ABSTRACTProducerpriceindexandconsumerpriceindexarethepricesofdifferentcommoditiesintheproductionchain.Studyingtherelationshipbetweenthetwocanhelptoidentifythenatureofinflationanddeterminewhetherinflationiscausedbysupplyordemand,soastogivecorrespondingpolicyrecommendations.WiththecontinuouschangesinChina'seconomicstructureinrecentyears,moreandmoreattentionhasbeenpaidtostructuralinflation.Fromthe2017producerpriceindexandconsumerpriceindexonceagainraisedtheacademiafortheeconomicoutlookandmonetarypolicydebateaboutwhetherthetwowouldtendtoconverge.Intheexistingresearchonproducerpriceindexandconsumerpriceindex,CPIismainlyusedastheonlyindicatorofinflation,andtheresearchonPPIisrelativelyfew.Intheclassicalwesternmacroresearch,suchasthetheoryofproductionchain,itisconsideredthattheincreaseoftheproductcostintheupstreamindustrywillleadtotheriseofthepriceofthedownstreamfinalconsumergoods.Inrecentyears,somescholarshavesuggestedthatignoringtheproducerpriceindexwillleadtosignificantwelfarelosses.SomescholarsthinkthatthePPIindexhasbetterpredictabilityonmacroeconomicfluctuations.ItisclearthatthetransmissionmechanismofCPIandPPIcontributestotheoptimalmonetarypolicy,However,manyscholarsinthepastfewyearsstudiedtheimpactofexternalshocksoninflation,butmorefocusedonthesingleimpactofexternalpricesonCPIorPPI,oftenneglectingthecommoninfluenceofCPIandPPI.Basedontheaboveproblems,thispaperattemptstobuildaBayesianautoregressivemodeltoanalyzetheconductionrelationshipbetweenCPIandPPIindifferentperiods.EmployingBayeianVectorautoregressivemodel(BVAR)andaseriesoftests，thispaperdiscoversthechangeofCPIindexgrowthratehasasignificantimpactonthePPIindexgrowthrate,butthereversedoesnothold.InbivariateBVARmodel,astandarddeviationshockofCPIindexgrowthwillcausethePPIindexgrowthratetoincreasetwopercentagepoint.Inaddition,externalshocksanddemandshockswilltostrongresponsesofPPIindexgrowthrateandCPIindexgrowthrate,yettheimpactofmonetarypolicyonCPIandPPIaretrivial.Besidespreventingoverhoeatingofdemand,thepolicymakersshouldpayattentiontothepotentialnegativeeffectofexternalcostshocksontheeconomy.Keywords:PPI，CPI，externalcostshocv 目录第1章绪论.............................................................................................................................11.1研究背景..........................................................................................................................11.2文献综述..........................................................................................................................11.2.1国外文献综述...........................................................................................................11.2.2国内文献综述...........................................................................................................31.2.3述评...........................................................................................................................41.3研究思路和框架..............................................................................................................51.4创新与不足......................................................................................................................7第2章研究数据.......................................................................................................................82.1指标选择..........................................................................................................................82.2数据来源..........................................................................................................................92.2数据处理..........................................................................................................................9第3章实证分析.....................................................................................................................113.1模型设定........................................................................................................................113.2模型估计结果................................................................................................................153.2.1选择滞后阶数.........................................................................................................153.2.2高阶格兰杰因果检验.............................................................................................163.2.3构建二元BVAR模型，估计结果，脉冲反应，方差分解..................................173.2.4构建五元BVAR模型，估计结果，脉冲反应，方差分解..................................203.3模型结果解释................................................................................................................23第4章结论.............................................................................................................................26参考文献...................................................................................................................................27后记...........................................................................................................................................31vi 图、表清单图2.1：CPI和PPI指数的走势..........................................................................................10图3.1：二元BVAR模型的脉冲响应......................................................................................10图3.2：五元BVAR模型的脉冲响应......................................................................................10表2.1：AugmentedDickey-Fuller....................................................................................10表2.2：Box-Ljung检验..................................................................................................10表3.2：1阶格兰杰因果检验...............................................................................................17表3.3：高阶格兰杰因果检验................................................................................................17表3.4：二元BVAR模型系数估计结果................................................................................19表3.6：五元BVAR模型系数估计结果................................................................................22表3.7：五元BVAR模型方差分解......................................................................................23vii 第一章绪论1.1研究背景生产者价格指数（PPI）和消费者价格指数(CPI)通常被视为在生产链上不同商品的价格。一般来说，生产者价格看作是用于生产最终产品的中间产品价格。消费者价格被视为出售给消费者的最终产品的价格。在西方主流的宏观经济分析中，CPI是大多数通货膨胀研究的唯一指标，关于PPI的研究比较少。随着中国经济结构的不断变迁和经济主体行为变化，近年来学界关于结构性通货膨胀的关注越来越多。2017年11月，中国消费者价格指数（CPI）和工业生产者出厂价格指数（PPI）的数据显示，CPI同比上涨1.7%，PPI同比上涨5.8%。在过去一年，PPI指数同比都远远高于CPI指数同比。PPI与CPI的背离再次引发人们对经济前景和货币政策的争论。PPI和CPI会趋于重合？中国未来面临的是通缩还是通胀？货币政策应该宽松还是收缩？研究CPI和PPI的关系有助于识别结构通胀（通缩）的性质，判断其是供给造成还是需求造成，从而给出相应的政策建议。更重要的是，由于认为盯住CPI就可以缩小产出缺口，当前很多国家的货币政策只关注CPI，忽视PPI。这可能是由于决策人认为CPI通胀可以传导到PPI通胀，反之却不能。但是Huang和Liu（2005）声称最优的货币政策应包含四个权衡目标：产出缺口，CPI通胀，PPI通胀，边际成本缺口，忽略PPI通胀会导致显著的福利损失。因此，明确CPI和PPI的传导机制有助于最优的货币政策。杨继生和冯焱（2011）也认为PPI指数对宏观经济波动具有更好的预见性，央行的货币政策应增加对PPI指数的关注。由于PPI和CPI研究的重要性和现实紧迫性，本文将对PPI和CPI的传导进一步进行分析研究，以求对中国货币政策和供给侧深入改革具有借鉴意义。1.2文献综述1.2.1国外文献综述从生产经济理论看，通过生产链条，生产者价格指数（PPI）的变动会影响随后的消费者价格指数（CPI）走势，所以生产者价格指数的变化将导致消费者价格指数变化。理论上，公司将其价格设定为生产成本和毛利之和，其中成本在广义上被经济学家定义为包括投资者和公司所有者的正常收益或利润的成本。例如，在竞争激烈的行业中，公司将其价格设定为等于生产成本，毛利为0。行业竞争较弱的公司，可能会将其价格定在生产成本的1.2倍，即毛利为1 生产成本的20%。给定毛利，成本的变化会导致产品价格的变化。例如，雨伞生产商因为工人工资上升，而导致成本上升。这时，生产商会把增加的成本传递到雨伞价格上。因此，上游行业的产品成本增加会导致下游最终消费品价格的上涨。这个现象会由PPI带动CPI体现出来。在新凯恩斯模型里，许多作者都认为，通过稳定消费物价指数（CPI）的波动，中央银行可以有效稳定产出缺口的变化，以衡量实际产出与自然汇率水平的偏差。当自然率接近于最优，论证认为这样的政策将会改善福利。这些研究的一个重要发现是，在多种名义刚性的情况下，CPI的稳定性并不总是导致产出缺口稳定。Woodford（2003）指出，关于稳定哪个价格的问题仍然需要进一步研究。这些论证背后的推理通常基于动态一般均衡模型建立在微观经济基础之上的名义刚性。该类基本模型具备足够的灵活性，允许在多个部门（Mankiw和Reis（2002））或多个国家(Benigno（2006）,Clarida等（2002）)以粘性价格,粘性工资的形式出现名义上的刚性。这种理论认为，在多种名义刚性的情况下，CPI的稳定性并不总是导致产出缺口稳定Huang和Liu（2005）利用两部门的动态均衡模型分析显示，除了消费者物价指数和产出变化缺口，中央银行也应该关注PPI的变化和国内中间产品生产的实际边际成本。这是实现帕累托最优的前提条件。基本上，中央银行面临的不是两者权衡，而是四者之间的权衡：消费者物价指数和产出变化缺口，PPI的变化，国内中间产品生产的实际边际成本。由于第一最佳分配一般不可达到，货币的最优政策取决于中央银行分配给四个组成部分的相对权重。相比之下，在一个标准的交错价格设定单一部门模型中，决策者目标中分配权重与确定最优货币政策无关。在这样的一个部门模型，央行在稳定产出缺口和消费物价指数方面不会面临权衡。因为保持CPI的持续稳定，也将消除产出缺口的变化。事实上，在这一类模型中，第一最佳福利水平是针对极端CPI的简单政策。根据上述分析的两部门的动态均衡模型，使用短期名义利率作为工具的最优货币政策是一个非常复杂的规则。采用这一规则实施最优货币政策需要中央银行掌握关于通货膨胀率的完美信息。这是极度困难的任务。尽管如此，最优货币政策下的福利水平提供了一个自然基准，可以用来评估替代利率规则的表现。研究发现混合型通胀目标制，规定短期名义利率应对消费物价指数和生产者价格指数的变化，产生的福利水平非常接近次优，仅仅在最优货币政策之后。分配给PPI指数的最佳相对权重介于0.4和0.5之间。众所周知，BVAR预测比VAR预测更准确（Doan，Litterman和Sims，1984）。尽管关于BVAR方法的文献很多，Robertson和Tallman（2001）以及Carriero，Clark和Marcellino（2015）详细讨论了它。BVAR模型是世界各国央行长期以来用于宏观经济分析的重要工具。BVAR建模可以选择多种先验分布。最受欢迎的其中一个叫做明尼苏达先验分布的BVAR（Litterman，1986）。其模型生成的样本外预测结果与最知名的商业预测服务所使用的预测结果一样准确。明尼苏达先验分布是Sims-Zha先验分布的特例，不涉及单位根和协整系数。Banbura，Giannone和Reichlin（2010）对相对较大的BVAR模型中对明尼苏达先验分布作出了修改，并提出了随着变量数量增加而调整总体紧密度的参数。Giannone，Lenza和Primiceri2 （2015）执行一种更系统化的方法，通过为参数选择一个非常分散的先验分布，解决了这些参数值的后验均值。此外，他们将Sims-Zha先验分布的虚拟变量纳入其中，使得拥有22个变量BVAR模型的预测精度与3变量BVAR模型和8变量BVAR模型相当。估计时间序列模型涉及最小化预测误差。好的模型产生的预测误差更小。众多周知，无约束VAR模型容易过度拟合数据,高估高阶滞后项参数。为了解决这一问题，Doan,Litterman和Sims(1984)提出了贝叶斯向量自回归（BVAR）模型。这个模型基于一种信念，即大多数时间序列最好通过它们的均值或上一期的值来预测。对于非平稳数据，这意味着对它们进行差分后也是无法预测的。这些关于模型中系数的信念都体现在明尼苏达先验分布（MinnesotaPrior）当中。这个先验分布最重要的特点就是假定简化式VAR的残差协方差是固定的对角矩阵。此外，它没有体现任何信念关于残差协方差矩阵先验分布与简化形式系数的先验分布关系。Litterman(1986)证明基于明尼苏达先验分布BVAR模型在预测宏观变量上，表现优于主流的商业预测模型。然而，虽然明尼苏达先验分布和BVAR模型被公认为在预测股票价格方面是一个有价值的工具，SimsandZha（1998）发现明尼苏达先验分布所体现的信念与宏观经济的表现不相符。他们认为宏观经济最好用动态联立方程模型来描述,并且信念（先验分布）是针对结构式模型而非简化形式模型参数指。具体操作上，不同于Litterman(1986)对每个式子的系数施加先验分布，他们对整个VAR模型系数施加于正态分布和逆Wishart先验分布。脉冲响应反映的是在VAR模型中一个变量产生的冲击如何影响其他变量。假设变量X造成了变量Y,变量Y面对变量X的冲击，会产生显著的响应。但是，VAR模型的脉冲响应很难构建。这是主要是由于三个原因：一，一个参数估计容易受到另一个非平稳参数的影响；二，脉冲响应是简化式VAR模型参数的非线性方程；三，t时期一个变量的响应分布高度依赖于其他变量非t时期的响应分布。尽管传统的统计方法，例如自助法（boostrap）和蒙特卡罗积分（MonteCarloIntegration），对于平稳序列，是渐进有效的，但是在小样本的情况下，这些方法很有可能错误估计变量的响应分布。对于非平稳序列，这一问题更加突出。Sims和Zha(1995，1999)发现利用传统方法来构建响应的误差范围会严重混淆关于模型拟合程度和参数不确定性的信息。他们认为，似然函数的形状（shape）分析能够更好的代表关于脉冲响应位置的不确定性。利用脉冲响应的特征根分解可以生成脉冲反应的概率评估。这种方法产生的误差范围比其他传统方法含有更多关于似然函数的形状的信息。Sims和Zha证明贝叶斯形状误差范围，在表现响应分布的位置和偏度上，比其他方法更为准确。1.2.2国内文献综述过去，中国学术界关于CPI和PPI的讨论相关热烈，但是学者们并没有就它们的传导机制达成一致，结果相互矛盾。贺力平等(2008)，刘凤良和鲁旭（2011）认为CPI对PPI存在单3 向传导，而刘敏（2005）和柳子晖等（2013）倾向于PPI对CPI存在单向传导。徐伟康(2010)和张思成（2010）支持PPI和CPI双向传导。陈建奇（2008）则发现PPI和CPI不存在传导机制。刘凤良和鲁旭（2011）表明国内关于CPI和PPI的研究可能在模型构建上普遍存在遗漏变量问题。只包含CPI和PPI的VAR或VECM检验模型,极有可能会遗漏两个变量共同相关的第三个变量,从而产生模型的不完整性问题,并得出谬误的格兰杰因果结论。产出和货币供应量无疑是影响CPI和PPI的共同因素。此外，外部冲击也是影响国内CPI通胀和PPI通胀的重要因素（屈新英，2008；蒋殿春，2010，陈玉财，2011）。各国PPI指数的同步是当今的普遍现象。Auer等（2016）更是发现上下游产业链分工是PPI指数跨国同步的主要原因，对中国通胀影响最大的国家和地区包括美国，台湾，韩国和日本。陈建奇（2001）认为，PPI和CPI倒挂的主要原因是不对称的供求结构，他认为，中国的消费市场同时具有供求过剩以及稀缺并存的特性，在工业消费品这个买方市场上，厂商转嫁成本的能力很弱，食品住房等在短期缺乏供给弹性，难以在短期内迅速调整其供需缺口，外部冲击造成短缺，需求价格弹性低导致物价上涨迅速，中国的投资驱动和消费持续低迷一起导致了生产者价格指数和消费者价格指数的倒挂。桂文林，韩兆洲（2011）认为，生产者价格指数和消费者价格指数二者的趋势、季节等因素增强了用循环因素研究两者关系的科学性，他们认为03年之前的生产者价格指数向消费者价格指数传导的原因是投资膨胀，而在之后主要是需求不足，房价上涨等等。董直庆，蔡玉程，谢加贞（2009）认为短周期的CPI波动是由于食品类消费品的供给发生了变化，而并非流动性过剩,他们认为，CPI是PPI的先行期3个月的先行指标。CPI波动首先传导到PPI生活资料，然后再传导到PPI生产资料，同时，他们认为，中长周期的CPI和PPI呈现出同步波动的特征,但中长周期的PPI波动通过投资来驱动,而CPI的变动却是来自于货币供应量，而不是来自于消费需求。1.2.3述评从国内外文献综述看到，针对生产者价格指数和消费者价格指数的研究文献众多，角度各异，计量方法各有不同，具体来说，生产经济理论分析忽略了企业定价的复杂性，以及生产者价格指数和消费者价格指数的具体构建方式，因此对于生产者价格指数的变动会影响随后的消费者价格走势从而生产者价格指数的变化将导致消费者价格指数变化的理论分析不够细致。新凯恩斯模型里，稳定消费者价格指数央行则可以有效稳定产出缺口的变化，但对于稳定缺口，稳定哪个价格仍未达成共识，且消费者价格的稳定性并不总是导致产出缺口稳定。在两部门的动态均衡模型分析中，央行应该关注PPI的变化和国内中间产品生产的实际边际成本，但操作复杂。近年来有一些学者提出忽视生产者价格指数会导致显著的福利损失，也有学者认为PPI4 指数对宏观经济波动具有更好的预见性，明确CPI和PPI的传导机制有助于最优的货币政策，但在过去几年的一些学者对外部冲击对通货膨胀的影响研究中，多集中于外部价格对于CPI或者PPI的单个影响，往往忽略CPI和PPI的共同影响。过去，许多文献，譬如陈玉财（2011）和蒋殿春（2010）讨论过外部冲击对中国通货膨胀的影响。但是，他们仅仅集中于外部价格对于CPI或者PPI的单个影响，而忽略对CPI和PPI的共同影响。在PPI和CPI的传导机制上，中国学术界并未达成一致，有认为单向传导，有人认为双向传导，还有人认为不存在传导，国内研究的不同意见不仅是研究视角的差异，还有计量方法的问题。例如，徐伟康(2010)指出贺力平等(2008)在数据处理上出现问题。国内研究流行使用HP滤波处理数据，然而Hamilton(2017)指出HP滤波处理数据会产生虚假的动态关系。基于以上问题，本文认为，对于生产者价格指数和消费者价格指数的传导分析可以从以下几个方面发展：一，借鉴Sim和Zha(1998)，构建贝叶斯自回归模型（BVAR），分析在不同经济周期时CPI和PPI的传导关系，而Higgins,Zha和Zhong(2016)发现BVAR模型在预测中国宏观经济指标方面远胜其他模型；二，引入外部价格冲击和货币政策冲击作为影响CPI和PPI的共同变量。货币主义大师米尔顿·弗里德曼（1979）有一句经典名言：“无论何时何地，通货膨胀永远是货币现象”。这说明我们在研究通货膨胀的时候一定不能忘记货币在其中的作用。1.3研究思路和框架本文试图提供一个较为全面和创新的框架对CPI和PPI的关系进行再检验。本文将构建贝叶斯自回归模型（BVAR），分析在不同经济周期时CPI和PPI的传导关系。引入外部价格冲击和货币政策冲击作为影响CPI和PPI的共同变量。主要数据来源于Wind数据库，所有变量均做对数处理，均使用X13-ARIMA-SEATS进行季节性调整，以考虑中国春节假期的影响。详细数据分析以及模型估计过程见本文的第二章和第四章。本文将分为四个部分做具体阐述。第一部分绪论，主要提出关于通货膨胀指标和货币政策的问题，阐述本文研究背景、研究现状和选题意义，阅读的相关文献，包括国内外关于CPI指数和PPI指数的文献综述，以及BVAR模型的发展历史。通过阅读文献并加以思考述评，本文确立的研究思路以及创新和不足，并总览论文的行文结构。第二部分说明指标选取、数据来源和变量设定，为下文模型建立做好准备工作。第三部分写出了本文BVAR模型的推导过程，得出模型结果，并对模型的结果进行解释。第四部分是针对以上模型结果得出结论，并基于此提出简要政策建言。5 1.4创新与不足本文的创新之处在于：一、模型创新。本文使用较为先进的贝叶斯VAR模型，并且采用月度数据，时间跨度长，样本量大，更能说明变量之间的关系，结果更为稳健。二、数据创新。本文在相关研究中首次使用月度真实GDP。该数据由美联储的经济学家使用国际上通用的计量方法构建，从不同角度说明中国经济的真实情况。本文的不足以及未来展望之处在于：一、变量较少，没有完全利用BVAR模型的优势。往后的研究方向在于寻找更多的相关变量，用以解释PPI和CPI的关系。二、使用马尔可夫切换贝叶斯向量自回归模型（MSBVAR）分析变量动态是我的未来研究的另一个方向。这个模型允许在一个变量在发生状态转换，例如GDP增长率，这可以更好的刻画变量之间的内生行为。三、我们在未来还可以将数据转化为状态阶段之间的转换概率，预测下个阶段时候开始，什么时候结束。在不同的阶段，变量之间的互动也会不同。7 第二章研究数据2.1指标选择CRB指数以一篮子大宗商品价格为组成成分，体现的是国际市场上大宗商品价格的总体波动。我国政府每年年初都对M2供应量增长设定目标值，并且Chen等（2017a）也发现M2供应量与中国GDP增长高度相关，认为M2为主要的货币政策工具。因此，M2供应量体现货币政策冲击。此外，实际GDP增长率体现需求冲击，CRB价格指数体现外部价格冲击或是成本冲击。从图2.1可以看出，在2002年至2012年期间，PPI指数一直高于CPI指数。从2012年开始，这一趋势开始逆转。2012年3月以来，我国持续出现了CPI与PPI走势方向性分化，展现了不同于过去新特征，PPI指数持续走低。刘凤良（2017）认为此次PPI和CPI的分化是由于政府为了对抗全球金融危机所主导的投资潮导致经济结构变化的结果。图2.1:CPI指数和PPI指数的走势CPI指数主要代表城乡居民购买最终消费品和服务的价格变动趋势和幅度，而PPI指数主要度量了工业产品出厂价格水平的变动。它们走势的变化可能是由于我国经济增长从投资驱动型向消费驱动型转变。Chen等（2017b）认为中国金融行业对重工业（基础设施，能源，房地产）的不对称信贷配置在支持投资增长方面起着关键作用。PPI指数带动CPI指数的货币冲击逻辑是，资金首先流入重工业，带动原材料价格上行，进而拉升PPI指数，随后价格上涨的影响才外溢到其他部门。杨继生和冯焱（2013）也证实，货币政策冲击对于上游行业的PPI反8 应最为剧烈。稳定通货膨胀和产出缺口一直是全球许多中央银行的重要目标。在大多数最优货币政策规则研究中，它也被视为中央银行的目标。在政策实践和学术研究两方面，目标通胀水平，无论是明确还是隐含的，几乎都是由生活成本（CPI）来衡量的，尽管生产成本指数即PPI也很容易观察到。PPI和CPI的周期性波动是非常不同的。事实上，PPI的周期性波动在一定程度上是来自消费者价格指数的涨幅，因为它通常更具波动性且持续性较差。2.2数据来源本文从Wind数据库得到2002年1月至2017年6月的PPI指数（2002年1月为基期），CPI指数（2002年1月为基期），CRB价格指数，此外，月度实际中国GDP，月度M2供应量数据则来自Higgins,Zha和Zhong（2016）。这些月度数据集基于Chang，Chen，Wagoner和Zha（2015）以及Higgins和Zha（2015）的季度和年度数据。他们构建了一套标准的季度宏观经济时间序列，与西方经济宏观经济文献中常用的时间序列类似。整个构建过程基于CEIC中国数据库编制的中国官方宏观经济数据系列。有人可能会质疑中国官方宏观经济数据的质量，尤其是GDP时间系列。尽管在这个问题上存在悬而未决的争论，但我们认为，不应该放弃官方的一系列国内生产总值数据来支持其他较不全面的时间系列，如电力消费或电力生产。无论GDP的“可靠性”如何，它依然是金融市场，研究人员，政策分析人员和政策制定者最关注的是中国总体活动的评估。在最近的一篇文章中，He（2016）强烈地指出，官方GDP数据仍然是衡量中国经济增长的有用和有效的衡量标准。2.3数据处理所有变量均以对数形式出现，均使用X13-ARIMA-SEATS进行季节性调整，以考虑中国春节假期的影响。春节对月度经济产生重大影响活动;它有时会在一月份，有时在二月份，有时会穿过两者。至于月度M2系列，季节性调整面临三大挑战。首先，公布的投资额是在1月份和2月份汇总。其次，即使在季节性调整之后，12月份的价格也明显高于其他月份的价格。第三，2004年该系列的水平转变。我们使用Fernald，Spiegel和Swanson（2014年）的方法，将1月至2月的一次观测分解为两个独立月份的观测数据，并采用Wright（2013年）对季节性调整，调整消除了季节性和水平转变。我们对这6个变量经过季节调整后，进行对数差分，得到185个月度样本点。从表2.1的ADF检验显示PPI指数增长率（PPI），CPI指数增长率(PPI)，M2供应量增长率（M2），9 实际GDP增长率（GDP），CRB指数增长率（CRB），都是平稳序列，不存在单位根。表2.2的Box-Ljung检验表明各个变量也不存在自相关。表2.1：AugmentedDickey-Fuller检验dataDickey-FullerLagorderp-valuealternativehypothesisstationaryM2-4.672650.01Warningmessage:Inadf.test(PPI):p-valuesmallerthanprintedp-valueCPI-3.875650.02PPI-4.862650.01Warningmessage:Inadf.test(PPI):p-valuesmallerthanprintedp-valueCRB-5.526150.01Warningmessage:Inadf.test(CRB):p-valuesmallerthanprintedp-valueGDP-4.722750.01Warningmessage:Inadf.test(GDP):p-valuesmallerthanprintedp-value表2.2：Box-Ljung检验X-squareddfp-valueM238.30149.715e-08CPI45.14543.71e-09PPI179.1642.2e-16GDP32.64541.412e-06CRB13.62540.00859410 第三章实证分析3.1模型设定我们的模型采用Sim和Zha(1998)的贝叶斯VAR模型。通常，一个m变量结构式VAR(p)模型可以写成：ㄠ㜸ㄠthㄠ，其中yt是×m矩阵d是×m矩阵，Al是系数矩阵扰动项ϵtTxmx~㜸，ΙT假定同期系数矩阵为mⅹm非退化矩阵A㜸，（mp+1）ⅹm滞后项系数矩阵为Ah。上述结构化模型可以写成多变量回归方程：㜸hhㄠA㜸α㜸ㄠvecA㜸αhㄠvecAAptㄠAαㄠvecAㄠ쳌h然后方程（2）可以写成残差的线性映射：ㄠt为了得到这个结构化模型的贝叶斯估计量，我们得先得到该方程的似然函数：LYA∝A㜸exp㜸㌳∝A㜸exp㜸I⨂ZZ㈮Sims和Zha(1998)为这个结构化模型提出了条件先验分布。假设同期系数矩阵A㜸已知，结构化参数的先验分布如下：gㄠg㜸gαh㜸ㄠg㜸ΦΨ쳌其中Φ（）是多项正态分布密度函数，Σ是αh的条件先验均值和方差。因此，他们假设αh服从正态分布。根据贝叶斯法则，参数A的后验分布为pA∝LYAg쳌pA∝A㜸exp㜸I⨂ZZg㜸ΦΨ쳌㜸Sims和Zha的先验均值和Litterman的先验均值相同，即ㄠEAh㜸ㄠ。而Sims㜸和Zha提出的先验方差Ψ的设定则是复杂的多，它主要是满足以下6个条件：1.第一个滞后项的标准差与其他滞后项的标准差成一定比例。2.每个变量自身滞后项的权重与其他变量滞后项的权重相同。11 3.较长滞后项的系数标准差成比例地小于较早滞后项的系数标准差（滞后项系数随着时间缩小至零，对应的方差也更小）。4.截距的标准差与残差的标准差成一定比例。5.自回归系数之和的标准偏差与各自方程的残差标准差成比例。6.初始条件的方差与整个序列的均值成一定比例。Ψ的对角线上每一个元素对应一个系数的方差,它的具体形式为λ㜸λΨljiㄠλ쳌㜸上式代表变量j在第i个式子中第l个滞后项系数的方差。是OLS回归变量j得到的标准误，用来调整系数协方差。λ㜸设定系数先验协方差的松紧度。λ代表系数服从随机游走分布的概率。λ쳌允许滞后项系数的先验方差随着阶数增加而下降。此外，截距项的先验方差为λλ。㜸t外生变量的先验方差为λλ。μ是对于参数是否存在单位根的先验权重。μ是对于参数是㜸㈮否存在趋势项的先验权重。这个先验分布最重要的创新在于，让各个系数相关联的模式与各个残差各相关的模式一致。目前最流行的是简化式VAR模型为：ytㄠthh…hut将方程（1）的结构式VAR改为方程（11）的简化式VAR只需让cㄠdA−ㄠuㄠΣㄠ㜸㜸t㜸㜸㜸方程(11)的矩阵形式为ㄠhU~MVN㜸Σhh每一列对应每个方程的系数（ㄠ䳌䁢tㄠ…。包括各个滞后项和截距项。由于Σ不是对角矩阵，包含在矩阵U的扰动项是相关的。这时，我们可以用似不相关回归模型（SUR）得到的估计量ㄠΨhΨh쳌ΣㄠhΨhΨht这里假定系数的先验分布为β|Σ~NΨΣ~thv。由于中国很多宏观时间序列都存在协整效应，参考Li(2016)和Higgins,Zha和12 Zhong(2016),我们设定λ㜸ㄠ㜸쳌λㄠ㜸쳌λ쳌ㄠ㜸λtㄠμㄠμ㈮ㄠ㜸;BVAR模型中的参数众多，而这些参数在经济意义上很难有较为全面的解释，故大部分学者都把注意力集中在脉冲响应函数上。hcijㄠ脉冲响应函数cij表示面对变量j的冲击，变量i在s期的响应。通过cij，我们可以看到每个变量如何随时间变化。当前构建误差范围的标准方法是计算点估计的上下区间：t㈮t是估计的t期响应均值，而±是其置信区间的上界和下界。问题在于如何计算。Kilian(1998)建议通过自助法来构建脉冲响应的置信区间。但是，当面对非正态，非线性的脉冲响应时，自助法也不可靠。Lutkepohl(1990)尝试用渐进正态分布来模拟其误差区间。就是利用VAR系数的后验分布进行蒙特卡罗抽样，然后借助样本，正态模拟响应函数：t쳌是正态分布密度函数分位数（ㄠ对应68%误差范围，ㄠ쳌㈮对应95%误差范围），是cij在t期的标准差。这种方法假定脉冲响应函数在小样本时服从正态分布。正如前文所提，这种方法会随着时间的增加而产生较大误差。另一种流行的获得误差范围的方法是计算t的分位数：tt쳌但是，如果cij的序列相关，也很有可能会序列相关。要是这样，它的分位数会忽略序列相关，产生不准确的后验概率。为了解决以上这些问题，Sims和Zha(1999)通过估计响应的可变性来衡量响应中可能存在的序列相关性。thλ쳌Sims（1980）指出简化式VAR模型的主要优点在于它们在预测和政策分析中的应用。Doan，Litterman和Sims（1984）指出我们可以知道一个内生变量的路径，在看到另一个变量之前。这是因为估计的误差协方差决定了变量之间的相关性。因而，我们可以对预测变量的未来走势施加了一系列限制。Waggoner和Zha(1999)扩展了这个想法，并展示了基于这些受限预测变量的均值和方差,如何导出贝叶斯后验样本。他们通过使用Gibbs抽样来生成一系列模型估计系数和变量预测，并总结了条件预测及其相关不确定性。13 我们可以通过两种方式来构建这种反事实的政策。第一种方法使用硬性条件来指定给定内生变量的路径。硬条件将内生变量的值设置为固定值或值的路径。或者，我们可以使用软条件并为该策略变量设置一定范围的值。例如，货币通胀关系的一个硬条件是，假设一项货币政策冲击，通胀会在未来一段时间内保持在一个固定的水平上升。而软条件假定通胀政策冲击下在未来的一段时间内成为一定的范围变动。这是一个贝叶斯实施政策响应序列分析。考虑一个预测h期的简化式VAR模型。㜸这里C（l）是滞后l期的脉冲矩阵，Ki代表预测过程中固定项的变化，Nlt代表在预测期里自回归系数的变化。根据方程（20），我们可以得到结构化冲击下的动态预测。它表明这些预测值可以分为受冲击和不受冲击，两个部分。方程（20）左手边的前两项是滞后项和固定项的效应之和。最后一项是决定变量变化的脉冲响应。条件预测的重点在于设定一个变量的路径以约束在预测其他变量的冲击。考虑VAR模型预∗测的硬条件。假定变量y的第j个预测值被设定为yjh。根据方程（20），我们可以得到方程（21）它显示方程右边的冲击也被约束。也就有说，存在一个受约束的冲击参数空间与预期的条件预测一致。这些约束可以表达为更一般的形式：14 Rα是堆积形式的脉冲响应，rα是实际受约束脉冲响应。这些矩阵的元素对应预测约束。这里假设有q个约束，并且约束条件不能超过未来预测的个数。然后，我们将使用吉布斯抽样（Gibbssampling）技术来生成条件预测的分布。吉布斯抽样允许我们考虑有条件的路径冲击，以及关于用于生成相应参数的条件预测的不确定性。我们首先根据Sims-Zha先验分布来估计BVAR模型，生成条件预测。然后，我们使用这个条件预测增加数据并重新采样参数。Waggiber和Zha(1999)证明条件于方程（22）和参数向量α，未来h期预测值的联合条件分布是高斯分布:YThn−是数据矩阵。MϵThn和VϵThn分别是在条件预测下，受约束冲击的均值和方差。有了这些分布，Waggiber和Zha(1999)的吉布斯抽样算法可以7个步骤：1.设定模型参数（α㜸αh）的初始值。初始值可以是BVAR模型的估计值或者其他估计值2.根据α㜸αh的抽样，生成无条件的预测值yTh…yThh。3.针对这些无条件预测值，计算方程（1）中系数的脉冲响应矩阵M。4.计算受约束冲击的均值和方差，抽样受约束的预测冲击序列。5.根据这些抽样，根据方程（20），使用无条件预测值构建受约束预测值。6.更新参数（α㜸αh）的估计值7.重复上述过程直到生成以下序列N1是被扔掉的抽样数量，N2才是真正的吉布斯抽样样本。3.2模型估计结果3.2.1选择滞后阶数首先，我们需要选择BVAR模型的滞后项阶数。从下表3.1可以看到，AIC检验，BIC检验，HQ检验选择的最佳滞后项分别为3阶，1阶，2阶。AIC检验通常都有过度取值的倾向，参考Ivanov和Kilian(2005)，我们决定选取1阶滞后项。15 表3.1：最佳滞后项检验LagsBICHQ[1,]1-2.309539-1.74482200-2.08030095[2,]2-2.505698-1.47038331-2.08542804[3,]3-2.615028-1.10911528-2.00372580[4,]4-2.520974-0.54446347-1.71863977[5,]5-2.516636-0.06952765-1.52326975[6,]6-2.3473780.57032805-1.16297983[7,]7-2.3507041.03760044-0.97527323[8,]8-2.3453041.51359840-0.77884105[9,]9-2.3001432.02935638-0.54264886[10,]10-2.2890602.51103755-0.34053348[11,]11-2.2098543.06084157-0.07029524[12,]12-2.4748903.26640275-0.14429985[13,]13-2.4004463.811445170.12117678[14,]14-2.4422264.240262340.27042816[15,]15-2.4429924.710094910.46069495[16,]16-2.4459115.177773530.64880779[17,]17-2.4049475.689335620.88080408[18,]18-2.5105496.054331160.96623383[19,]19-2.4448926.590585621.22292251[20,]20-2.4833597.022716331.375487433.2.2高阶格兰杰因果检验陈强（2014）建议利用格兰杰因果检验来决定各个变量的排序。格兰杰因果关系表明的是变量i对变量j有预测能力，但不代表变量i导致变量j。表3.2的1阶格兰杰因果检验结果显示，在5%的水平，CPI指数增长率（CPI）和PPI指数增长率（PPI）互为格兰杰原因。此外，CRB指数增长率（CRB）对CPI和PPI的格兰杰原因非常显著，说明外部价格冲击是我国通胀上升的重要来源。M2增长率（M2）对CPI和PPI不存在格兰杰因果关系，说明我国货币政策比较稳健，并未造成大规模通胀或是通缩。由于格兰杰因果检验结果对于阶数选取极为敏感，我们对CPI和PPI单独进行了各个阶数的格兰杰因果检验。在10%水平上，CPI对PPI存在2阶，3阶，4阶格兰杰因果关系，反之则没有。这可能说明在极短期，PPI和CPI互相影响。随着时间过去，CPI对PPI的影响持续性比较强，PPI对CPI几乎没有影响。16 表3.2：1阶格兰杰因果检验FstatisticpvalueGDP>CRB0.067537180.7952523638M2>CRB0.323690810.5701032893PPI>CRB6.313680830.0128547695CPI>CRB6.949917600.0091104047CRB>GDP2.210397770.1388231946M2>GDP1.377427660.2420818277PPI>GDP1.030135580.3114816288CPI>GDP0.609506400.4359935658CRB>M20.509257820.4763794690GDP>M21.383239410.2410946902PPI>M22.696610860.1022980736CPI>M21.858113190.1745360054CRB>PPI89.213867310.0000000000GDP>PPI0.017889800.8937466902M2>PPI1.516311100.2197761292CPI>PPI6.545384170.0113343424CRB>CPI11.708881890.0007689989GDP>CPI7.174805960.0080743707M2>CPI0.070615460.7907452031PPI>CPI4.699397100.0314788694表3.3：高阶格兰杰因果检验F-statisticp-value2阶格兰杰因果检验CPI->PPI2.9776880.05345265PPI->CPI1.0571990.349598713阶格兰杰因果检验CPI->PPI2.61208780.05292791PPI->CPI0.69485590.556345634阶格兰杰因果检验CPI->PPI2.34416040.0566922PPI->CPI0.59275610.66833323.2.3构建二元BVAR模型，估计结果，脉冲反应，方差分解国内大多数相关研究，如贺力平等(2008)，都构建二元VAR模型探究中国CPI和PPI的关系。因此，本文也首先检查CPI和PPI的二元VAR模型。图3.1显示样本时期内CPI是PP17 I变动的脉冲响应,后者经过5个月左右的时滞对前者冲击的响应到达顶峰,达到8%左右，在24个月左右，响应基本消失。面对PPI的冲击，CPI脉冲响应的误差范围（ErrorBand）包括0。从表3.4的模型估计结果也可以看出，CPI作为应变量，PPI作为自变量的估计系数十分接近0。表3.5的方差分解表明在发生CPI冲击时，因此，PPI基本不能够影响CPI。这个结果与贺力平等(2008)，刘凤良和鲁旭（2011）一致。图3.1：二元BVAR模型的脉冲响应18 表3.4：二元BVAR模型系数估计结果Sims-ZhaPriorreducedformBayesianVARPriorform:Normal-inverseWishartPriorhyperparameters:lambda0=0.57lambda1=0.13lambda3=0.1lambda4=5lambda5=0mu5=0mu6=0nu=3Numberofobservations:137Degreesoffreedomperequation:134PosteriorRegressionCoefficients:Autoregressivematrices:B(1)[,1][,2][1,]0.7323980.063467[2,]-0.0072680.836714Constants0.0776320.024985Posteriorerrorcovariance[,1][,2][1,]0.15376840.0451482[2,]0.04514820.3017462表3.5：二元BVAR模型方差分解DFEforaShocktoCPIDFEforaShocktoPPIStd.ErrorCPIPPIStd.ErrorCPIPPI[1,]0.40868692.06347.936580.5371130.00000000100.0000[2,]0.51353889.401410.598620.7003390.0031068999.9969[3,]0.56713786.862613.137380.7948090.0083513799.9916[4,]0.59801384.592915.407140.8546280.0143548199.9856[5,]0.61705782.662517.337470.8940060.0202846299.979[6,]0.62937581.083218.916800.9204650.0256847599.9743[7,]0.63761979.829320.170680.9384590.0303485599.9697[8,]0.64327378.856921.143090.9507860.0342256899.9658[9,]0.64721478.116621.883400.9592700.0373562699.962619 （续上表）[10,]0.64999177.561322.438750.9651250.0398261999.9602[11,]0.65195977.149622.850420.9691740.0417384499.9583[12,]0.65335976.847423.152620.9719770.0431959299.9568[13,]0.65435676.627323.372670.9739200.0442922699.9557[14,]0.65506676.468223.531810.9752660.0451078299.9549[15,]0.65557076.353823.646240.9761990.0457087799.9543[16,]0.65592976.271923.728130.9768460.0461480099.9539[17,]0.65618376.213523.786470.9772940.0464667999.9535[18,]0.65636276.172123.827900.9776050.0466967899.9533[19,]0.65648976.142823.857210.9778210.0468618499.9531[20,]0.65657876.122123.877910.9779700.0469797899.95303.2.4构建五元BVAR模型，估计结果，脉冲反应，方差分解二元BVAR模型可能存在遗漏变量的问题。为保证结论的稳健性，本文又加入了三个变量：CRB指数增长率，真实GDP增长率，M2供应量增长率。表3.6为五元BVAR模型系数估计结果。从估计的系数上看，CPI指数和PPI指数存在较小程度互相影响。从脉冲响应上来看，CPI指数对PPI指数的影响更大。这一点也在表3.7的方差分解中体现出来。此外，面对CRB指数（外部价格）的冲击，CPI和PPI的响应都较为剧烈，说明外部冲击对我国通胀有明显的影响，这一陈玉财（2014）的结果相同。政策制定者应这种现象给予关注。还有一个有趣的现象是对于M2的冲击，PPI和CPI并没有明显的响应。2009年，中国政府向经济注入了前所未有的4万亿元人民币，这无疑有助于稳定经济增长，并推动2010年实际GDP增长率达到两位数以上。许多经济学家都对中国经济如此迅速转折的速度感到震惊（相比之下，美国经济复苏缓慢）。尽管经济学家很少预计到2010年底，预计2011年开始的经济持续放缓，这个转折点被我们的基准模型所发现。Chang，Chen，Wagoner和Zha（2015）认为，政府在通过M2增长控制银行信贷以有效控制投资以及GDP增长方面是有效的。发现M2增长是中国强有力的政策工具的发现适用于这个转折点。我们的基准模型预测了M2增长的路径低于实际路径。这种模式支持的增长率预测不足投资和GDP。20 表3.6：五元BVAR模型系数估计结果Sims-ZhaPriorreducedformBayesianVARPriorform:Normal-inverseWishartPriorhyperparameters:lambda0=0.57lambda1=0.13lambda3=0.1lambda4=5lambda5=0mu5=0mu6=0nu=6Numberofobservations:190Degreesoffreedomperequation:184PosteriorRegressionCoefficients:Autoregressivematrices:B(1)[,1][,2][,3][,4][,5][1,]0.5532060.0080130.0030270.687132.26786[2,]0.1242080.2542190.0427454.74467-0.10868[3,]0.0616510.0304270.4771691.899842.28655[4,]0.0125950.001107-0.0012620.648430.09935[5,]0.000227-0.000364-0.000660-0.013890.78610Constants-0.0044250.0050440.0066350.03167-0.01652Posteriorerrorcovariance[,1][,2][,3][,4][,5][1,]4.587e-03-4.066e-052.026e-05-3.487e-03-0.0017154[2,]-4.066e-051.118e-04-1.557e-06-6.562e-040.0004761[3,]2.026e-05-1.557e-061.072e-04-5.889e-050.0001685[4,]-3.487e-03-6.562e-04-5.889e-051.448e-010.0244742[5,]-1.715e-034.761e-041.685e-042.447e-020.220744821 图3.2:五元BVAR模型的脉冲响应表3.7：五元BVAR模型方差分解DecompositionofForecastErrorsforaShocktoPPIStd.ErrorCRBGDPM2PPICPI[1,]0.47010.00000000.000e+000.000e+0098.591.4146[2,]0.60050.00018213.221e-063.972e-0598.891.1127[3,]0.67000.00031546.641e-068.029e-0599.070.9343[4,]0.71020.00037069.495e-061.095e-0499.170.8342[5,]0.73420.00038091.172e-051.283e-0499.220.7813[6,]0.74860.00037481.340e-051.397e-0499.240.7556[7,]0.75730.00036681.462e-051.464e-0499.250.7448[8,]0.76250.00036221.549e-051.503e-0499.260.7417[9,]0.76560.00036111.610e-051.526e-0499.260.742122 （续上表）[10,]0.76750.00036261.651e-051.539e-0499.260.7438[11,]0.76860.00036531.678e-051.546e-0499.250.7458[12,]0.76920.00036821.696e-051.550e-0499.250.7476[13,]0.76950.00037091.707e-051.552e-0499.250.7490[14,]0.76970.00037311.715e-051.553e-0499.250.7501[15,]0.76990.00037481.719e-051.554e-0499.250.7508[16,]0.76990.00037611.722e-051.554e-0499.250.7513[17,]0.77000.00037701.724e-051.554e-0499.250.7517[18,]0.77000.00037761.725e-051.554e-0499.250.7519[19,]0.77000.00037801.725e-051.554e-0499.250.7520[20,]0.77000.00037831.725e-051.554e-0499.250.7521DecompositionofForecastErrorsforaShocktoCPIStd.ErrorCRBGDPM2PPICPI[1,]0.36700.000000.000e+000.00000000.000100.00[2,]0.43900.011098.572e-050.00011130.69099.30[3,]0.47070.023731.386e-040.00021612.31897.66[4,]0.48840.032971.609e-040.00028654.55195.42[5,]0.50020.038451.675e-040.00032866.93293.03[6,]0.50880.041231.676e-040.00035269.11790.84[7,]0.51510.042421.654e-040.000366010.93789.02[8,]0.51980.042811.631e-040.000373512.35687.60[9,]0.52320.042831.611e-040.000377713.40986.55[10,]0.52550.042721.596e-040.000380014.16385.79[11,]0.52720.042591.586e-040.000381414.68785.27[12,]0.52830.042471.580e-040.000382115.04384.91[13,]0.52900.042371.576e-040.000382515.27884.68[14,]0.52950.042311.573e-040.000382715.43284.53[15,]0.52980.042261.572e-040.000382815.53084.43[16,]0.53000.042231.571e-040.000382915.59284.36[17,]0.53020.042211.571e-040.000383015.63184.33[18,]0.53020.042201.570e-040.000383015.65584.30[19,]0.53030.042191.570e-040.000383015.66984.29[20,]0.53030.042191.570e-040.000383015.67784.283.3模型结果解释对于模型的结果，现在可以做出以下解释：在5%的水平，CPI指数增长率（CPI）和PPI指数增长率（PPI）互为格兰杰原因。在10%水平上，CPI对PPI存在2阶，3阶，4阶格兰杰因果关系，反之则没有。这可能说明在极短期，PPI和CPI互相影响，随着时间过去，CPI对PPI的影响持续性比较强，PPI对CPI几乎23 没有影响。样本时期内CPI是PPI变动的脉冲响应,后者经过5个月左右的时滞对前者冲击的响应到达顶峰,达到8%左右，在24个月左右，响应基本消失。CPI作为应变量，PPI作为自变量的估计系数十分接近0，PPI基本不能够影响CPI。五元BVAR模型系数估计和表4.7的方差分解产生类似的结果，从估计的系数上看，CPI指数和PPI指数存在较小程度互相影响，从脉冲响应上来看，CPI指数对PPI指数的影响更大。产生这种结果的原因，一方面需求侧比供给侧的影响要远远超过供给侧对需求侧的影响，中国的消费市场长期处于供给过剩和相对稀缺并存的局面，食品需求等生活必需品的需求价格弹性比较低，短期内物价上涨比较快，供求缺口在短期难以迅速调节，虽然当期的投资会有所反应，但更有趣的是会引发长期投资的持续变动。体现在指数上，即表现为消费者价格指数在长期对于生产者价格指数的影响随着时间的推移持续性比较强。从食品市场来为例子，当期的消费物价对于下一期的投资驱动具有一定的顺延性。尤其是从长期历史数据来看，需求侧的刺激对于国民经济的干预要更加强势。一方面是由于利率汇率法律等市场化配套不够完善，政府对于一些关系国家安全的能源资源重工业的成本价格一致具有较高的行政管控能力，但行政管控并非总是最有市场效率，相对于市场手段，这在客观上抑制了中国PPI的涨幅以及PPI对CPI的市场传导，尤其是随着时间推移的长期的传导。传导机制的非对称现象引起生产链中消费者价格与生产者彼此形成微弱联系，因此一些生产者价格指数有所上涨本身并不预示CPI上涨。CRB指数增长率（CRB）对CPI和PPI的格兰杰原因非常显著，说明外部价格冲击是我国通胀上升的重要来源。面对CRB指数（外部价格）的冲击，CPI和PPI的响应都较为剧烈，说明外部冲击对我国通胀有明显的影响，政策制定者应对这种现象给予关注。外部成本冲击和需求冲击对CPI和PPI有巨大影响，由于目前中国经济对于外部成本存在一定的依赖性，尤其是随着改革开放的深入，中国经济的腾飞，大量的引人国外能源资源，导致了外部价格冲击成为我国通货膨胀的重要来源。这种外部冲击既能反映在生产领域，比如对于大量利用国外成本的国内厂商，生产成本如果依赖于国外或者某个特定的国家，那么该国生产成本的上升将直接导致国内生产企业原材料成本的上升，相关产成品价格的上升，导致国内通胀的上升。随着中国经济和世界经济紧密度加深，这种现象在指数上会表现为外部冲击对CPI和PPI的影响进而对通胀的影响。同时随着人们收入和生活水平的提高，对于奢侈品舶来品的消费增多，这在指数反应上也会体现为外部冲击对于消费型输入性的通货膨胀的显著影响上。M2增长率（M2）对CPI和PPI不存在格兰杰因果关系，一方面是由于我国货币政策比较稳健，并未造成大规模通胀或是通缩。另一方面，可能是由于中国的货币政策对于实体经济的传导机制有待加强，中国金融市场化程度需要进一步完善导致。对于M2的冲击，PPI和CPI并没有明显的响应。2009年，中国政府向经济注入了前所未有的4万亿元人民币，这无疑有助于稳定经济增长，并推动2010年实际GDP增长率达到两位数以上。许多经济学家都对中国经济如此迅速转折的速度感到震惊（相比之下，美国经济复苏缓慢）。尽管经济学家很少预计24 到2010年底，预计2011年开始的经济持续放缓，这个转折点被我们的基准模型所发现。Chang，Chen，Wagoner和Zha（2015）认为，政府在通过M2增长控制银行信贷以有效控制投资以及GDP增长方面是有效的。发现M2增长是中国强有力的政策工具的发现适用于这个转折点。我们的基准模型预测了M2增长的路径低于实际路径。这种模式支持的增长率预测不足投资和GDP。在当前中国的市场环境下，中国政府对于M2的增量控制的精确性和时机的选择还有进一步的改进空间，以及政府对于一些行业的成本控制行为等一些行政手段干预经济的行为会影响M2对于PPI的传导关系。25 第四章结论综上，我们可以得出结论：首先，CPI指数增长率对PPI指数增长率有显著的带动作用，而PPI指数对CPI指数的影响则不明显。在二元BVAR模型中，一个标准差的CPI指数增长率冲击会造成PPI指数增长率上升近两个百分点。PPI基本不能够影响CPI。这个结果与贺力平等(2008)，刘凤良和鲁旭（2011）一致。此外，外部成本冲击和需求冲击对CPI和PPI有巨大影响。外部冲击对我国通胀有明显的影响，这一结论和陈玉财（2014）的结果相同。第三，我国的货币政策则对通胀没有直接影响。Chang，Chen，Wagoner和Zha（2015）认为，政府在通过M2增长控制银行信贷以有效控制投资以及GDP增长方面是有效的。这可能是由于中国的金融市场化程度不够完善导致。我国政策制定者除了防止需求过热，还需要关注外部成本价格的波动对经济的潜在风险。很多时候，分析师会根据原油和中间产品价格上涨，预测涨价通过生产链从中间产品传导到最终产品，造成消费者物价通货膨胀。虽然简单的经济学表明可能会出现这种传递效应，我们需要更复杂的推理和仔细的考虑PPI和CPI数据的构建。经验证据也显示了生产链仅将消费者价格与生产者微弱地联系起来。PPI的变化有时可以帮助预测CPI变化，但没有系统地做到这一点。因此，近期一些生产者价格指数有所上涨本身并不预示CPI上涨。最后，基于以上结论，可以做出以下政策谏言：首先，供给侧改革中提升需求端改革的稳定度，尽量减弱需求冲击对国民经济的不利影响，在供给侧改革中，要注意关注需求过热的经济现象，如果需求刺激太猛，就容易造成价格增长过快，在长期对于生产产生当期难以准确预测到的持续性影响，国内经济体系左右手互搏的利益矛盾局面，而反过来，长期来看生产者价格指数并不能具有对消费者价格指数同等的影响效力。在刺激需求上，政策制定者尤其要关注食品等需求价格弹性相对较小的生活必需品，以及房地产这种短期内供求弹性缺乏的行业领域，要避免CPI指数的陡峭变动对于长期国民生产的持续过度影响。同时应该关注政府对于一些生产领域的成本的行政干预，在一些非关国家安全的生产领域政府应逐步放权，引入市场竞争机制，传导出健康的循环传导机制。同时我们在供给侧改革中要配套利率，汇率，法律，监管等系统性的改革，稳步推进供给侧改革，提升需求刺激手段的持久的稳定度。其次，完善央行监测机制，重视输入性通货膨胀，密切关注外部成本价格的波动对经济的潜在风险。外部成本冲击和需求冲击对CPI和PPI有巨大影响，引起中国境内价格上涨和通货膨胀，因此中国央行应当要重视外部成本价格的波动的监测和预警机制，并且深入分析波动背后的原因，以便央行在制定政策时，更具有前瞻性和预防性，完善央行货币政策的独立性，减少由于外部成本价格波动而给中国带来的不稳定的经济波动影响。建议央行在建立输入性通胀26 的检测制度时候，可以考虑分别检测外部成本冲击对于CPI和PPI的不同时期和地域的影响，并构建起CPI和PPI内在的传导机制，分析传导背后的原因以及对未来的预测，从而进一步提升央行决策的前瞻性以及预防性。再次，进一步稳步推进利率市场化。本文研究表明，中国的货币政策对于通胀没有直接影响，同时受到中国政府行政干预货币供应量和某些行业生产成本的影响，现阶段中国的利率等货币政策对于通胀或者通缩的传导微弱，政府干预市场经济并不总是最有效率的手段，在很多时候，应当发挥市场的竞争机制，建立健康高效的指数传导机制，快速准确的对各种市场行为作出正确反应，因此，中国利率的市场化还需进一步加深，以便使得中国的货币政策工具可以成为有效调控实体经济的政策工具。中国的货币政策工具的应用还需要更灵活，应当建立起市场化的利率货币供给等货币政策工具，从而在更佳复杂的国际经济环境中保证国民经济的稳健和健康发展。最后，重视开拓海外多样化资源，逐渐减弱由于外部成本冲击给中国造成的负面影响。中国需要进一步开拓海外资源，减少对外部成本的依赖。近几年，中国已经积极开拓海外市场，但是规模仍然较小，中国应当把握好一带一路，中国逐渐走向世界的良好国际国内形势，鼓励中国有条件的企业通过并购控股等方式走入海外能源企业。同时要注意，在中国企业走出去的过程中应当选择能源比较丰富的经济和政治发展比较稳定的发展中国家为主，走出去的企业应当是具有整合能力的优势企业，最大限度的减少企业海外投资风险以及相关的金融政治风险。减弱外部成本冲击对中国的影响，开拓海外多样化资源，还应当加强自身实力，增强海外资源运用的议价能力，使得国内企业有能力扛住或者化解外部成本冲击带来的压力。27 参考文献[1]陈建奇.PPI、CPI倒挂与通货膨胀调控——基于非对称供求结构与价格决定机制的实证研究[J].中国工业经济,2008(11):24-34.[2]桂文林,韩兆洲.PPI与CPI关系及我国通货膨胀治理[J].统计研究,2011,28(9):49-56.[3]董直庆,蔡玉程,谢加贞.CPI和PPI周期协动效应——基于频带分析方法的实证检验[J].数量经济技术经济研究,2009(10):125-137.[4]刘建,蒋殿春.国际原油价格波动对我国工业品出厂价格的影响——基于行业层面的实证分析[J].经济评论,2010(2):110-119.[5]刘凤良,鲁旭.CPI与PPI的“虚假传导”及其修正——一个相对稳健的实证框架[J].数量经济技术经济研究,2011(8):91-102.[6]刘敏,张燕丽,杨延斌.PPI与CPI关系探析[J].统计研究,2005(2):24-28.[7]吕捷,王高望.CPI与PPI“背离”的结构性解释[J].经济研究,2015(4):136-149.[8]贺力平,樊纲,胡嘉妮.消费者价格指数与生产者价格指数:谁带动谁?[J].经济研究,2008(11):44-48.[9]贺力平,樊纲,胡嘉妮.消费者价格指数与生产者价格指数:对徐伟康商榷文章的回复意见[J].经济研究,2010(5):149-154.[10]屈新英.国际原油价格上涨对我国工业品出厂价格指数的影响[J].价格理论与实践,2008(6):59-60.[11]徐伟康.对《消费者价格指数与生产者价格指数:谁带动谁?》一文的质疑[J].经济研究,2010(5):139-148.[12]杨继生,冯焱.货币供给与PPI的动态响应机制和结构性差异[J].统计研究,2013,30(8):45-54.[3]杨子晖,赵永亮,柳建华.CPI与PPI传导机制的非线性研究:正向传导还是反向倒逼?[J].经济研究,2013(3):83-95.[14]张成思.《长期均衡、价格倒逼与货币驱动———我国上中下游价格传导机制研究》[J],《经济研究》2010年第6期[15]RaphaelA.Auer,AndreiA.Levchenko,PhilipSaure,InternationalInflationSpilloversThroughInputLinkages,NBERWorkingPaper,2016[16]Chang,C.,K.Chen,D.F.Waggoner,andT.Zha.2015:TrendsandCyclesinChina'sMacroeconomy,"NBERMacroeconomicsAnnual,30,184.28 [17]Chen,JueRen,andTaoZha,TheNexusofMonetaryPolicyandShadowBankinginChina,NBERWorkingPaperNo.23377,RevisedAugust2017a[18]Chen,PatrickHiggins,DanielF.Waggoner,andTaoZha,ImpactsofMonetaryStimulusonCreditAllocationandMacroeconomy:EvidencefromChina,WorkingPaper2016-9a,RevisedOctober2017b[19]Fruhwirth-Schnatter,S.2006,FiniteMixtureandMarkovSwitchingModels.SpringerSeriesinStatistics.NewYork:Springer[20]Geweke,John.1992.Evaluatingtheaccuracyofsampling-basedapproachestocalculatingposteriormoments.InBayesianStatistics,ed.J.M.Bernardo,J.O.Berger,A.P.DawidandA.F.M.Smith.Vol.4Oxford,UK:ClarendonPress.[21]Hamilton,J.1989.Anewapproachtotheeconomicanalysisofnonstationarytimeseriesandthebusinesscycle.Econometrica57,357–384.[22]Kim,C-J.,C.R.Nelson.1999.State-SpaceModelswithRegimeSwitching:ClassicalandGibbs-SamplingApproacheswithApplications.Cambridge,MA:MITPress[23]Leeper,EricM.,ChristopherA.SimsandTaoZha.1996.“WhatDoesMonetaryPolicyDo?”BrookingsPapersonEconomicActivity1996(2):1–63.[24]Litterman,RobertB.1986.“ForecastingwithBayesianVectorAutoregressions—FiveYearsofExperience.”JournalofBusiness,EconomicsandStatistics4:25–38.[25]Lutkepohl,H.1990.“AsymptoticDistributionsofImpulseRepsonseFunctionsandForecastErrorVarianceDecompositionsinVectorAutoregressiveModels.”ReviewofEconomicsandStatistics72:53–78.[26]Sims,ChristopherA.1980.“MacroeconomicsandReality.”Econometrica48(1):1–48.[27]Sims,C.A.,D.F.Waggoner,T.Zha.2008,“MethodsforInferenceinLargeMultiple-EquationMarkov-SwitchingModels,”JournalofEconometrics,146(2):255–274.[28]Sims,C.A.,T.Zha.1998,“BayesianMethodsforDynamicMultivariateModels,”InternationalEconomicReview,39(4):949–968.[29]Sims,ChristopherA.andTaoA.Zha.1999.“ErrorBandsforImpulseResponses.”Econometrica，67(5):1113–1156.[30]Song,Z.,K.Storesletten,andF.Zilibotti.2011.“GrowingLikeChina.”AmericanEconomicReview101:196–233.[31]Waggoner,DanielF.andTaoZha.1999.“ConditionalForecastsinDynamicMultivariateModels.”ReviewofEconomicsandStatistics81(4):639–651[32]West,MikeandJeffHarrison.1997.BayesianForecastingandDynamicModels.2nded.New29 York:Springer-Verlag.[33]Zellner,Arnold.1971.AnIntroductiontoBayesianInferenceinEconometrics.NewYork:WileyInterscience.30 后记本文的写作初衷是在2017年春天，当时在读下许多宏观经济学经典教材后萌生了想要研究财富积累对于储蓄和投资的影响的想法，在后期阅读文献中，我深感基础薄弱，所知不够深刻，笔法凝涩，遂将理论研究暂放一旁，开始将目光投于相关实证研究。在阅读文献中，对中国的货币政策传导机制的建模产生兴趣，逐渐聚焦于中国的货币政策对于大宗商品价格影响的研究，抽丝剥茧，为了使得内容更加的凝练，几经破立，最后落笔于更加细微的CPI和PPI的传导机制分析上。春去春来，我已收获良多，但更欣慰的是，我在最好的年华在宏观经济学的世界里遨游，不负韶华！31