宏观经济渐进式变革的动态识别与评价

来源：中国社会科学网-中国社会科学报 作者：杨继生

改革开放以来，中国宏观经济的运行环境和调控机制一直处于变革和完善的进程中，社会经济结构和宏观经济环境都表现出渐进式变迁的动态特性。同时，随着改革进程的深化，特别是供给侧结构性改革的持续推进，宏观调控政策工具呈现出多样化和组合化的特征。

宏观经济运行环境和调控机制渐进式、持续性的变化，为经济实证分析带来了两方面的问题：一是目前广泛应用的基于确定阈值或时点的处置效应测度方法难以有效识别渐进性的政策冲击，更无法识别多层次、多维度政策冲击的作用机制。二是在量化经济关系和检验经济命题的实证分析中，宏观调控机制和宏观经济环境的渐进式变化会同时影响模型的被解释变量和解释变量，但是又无法准确量化，所以，无法以解释变量的形式加以控制，从而被遗漏于误差项中，导致模型中解释变量的内生性或者非混淆假定不满足。由于这样的内生性源于宏观调控机制和宏观经济环境的持续性变化，很难找到有效的工具变量来得到一致的估计结果，也就更无法得到可靠的检验结论。

随着供给侧结构性改革持续推进、社会经济结构转型升级、宏观调控政策精细化和组合化，上述两个问题愈显突出，传统的计量模型设定难以有效识别和测度宏观环境和调控政策的动态特征。幸运的是，基于面板数据的因子分析为解决这些问题提供了有效手段，尤其是为多层次、多维度政策效应的评价提供了理想的分析工具。

在传统计量模型中引入非观测因子，不但可以很好地捕获宏观调控机制和宏观经济环境的渐进变化，实现对经济关系的一致估计和经济命题的稳健推断，更可以准确描述渐进性、持续性宏观政策环境冲击的动态变化特征，尤其是可以有效识别多层次、多维度政策环境的冲击，如宏观因素、行业因素、地区因素等。

面板数据模型中的时间效应（Time Effect）是实证分析中最常用的非观测因子。时间效应是所有个体所面对的共同因素（Common Factor），可以综合描绘样本个体所在经济体的宏观环境，包括政策冲击的动态变化和趋势特征。时间效应的设定意味着，基于给定的解释变量，所有个体对共同冲击具有相同的反应强度。也就是说，在个体因素给定的条件下，所有个体具有相同的时变性，即相同的条件时变性。在处置效应（Treatment Effect）的测度中，目前广泛应用的 DID算法有一个基本的假定，就是处置个体和参照个体具有相同的条件时变性。正因为如此，时间效应固定的面板数据模型通常被作为DID算法的一个实现方程。

不过，所有个体对共同冲击具有相同的反应强度是一个非常强的约束。例如，货币市场流动性的变化，会影响所有企业的融资行为，但是，不同企业的敏感程度通常会有显著的差异。产业政策的实施会涉及行业或区域内的所有企业，但有的企业会从中受益，而有的企业则可能被淘汰出局。

考虑到共同因素对不同个体的效应差异，交互效应面板数据模型（Interactive Effect）引入了时间效应和个体效应的交互作用，可以在控制微观个体因素的基础上，有效识别共同宏观经济政策的动态效应及不同个体的异质性反应。在处置效应的测度中，交互效应的设定不再假设相同的条件时变性，而只要求不同个体具有相同的时变频率，不但斜率可以是不同的，甚至时变的方向可以是相反的。

实际上，经济个体的行为不仅受到全局宏观因素的冲击，同时还会受其所在群组的次级冲击，如行业和区域的冲击。基于分层因子结构刻画经济体之间的联系，可以在识别共同冲击的同时，反映次级别的组内冲击。Moench等2013年的分析进一步将分层因子扩展为动态形式。Bai和Wang 2015年的研究基于贝叶斯方法完善了分层因子的识别机制，而Choi等2018年的研究则改进了因子初始值的设定。Ando和Bai2017年的研究将交互效应面板数据模型扩展到多层因子结构，但同一层内的因子是基于同一属性进行分组的。例如，企业要么按行业分组设定不同的行业因子，要么按区域分组设定不同的地区因子，但无法同时考虑行业因子和地区因子。Li和Yang2018年的研究考虑到同层内因子属性的交叉，将多层因子交互效应面板模型扩展为同层因子相互交叉的结构，也就是可以同时识别宏观因素、行业因素和地区因素，从而可以实现多层次、多维度政策效应或环境冲击的识别和评价。

基于所有个体的共同因素，可以构建部分受处置个体的反事实路径，借以识别处置发生后的动态效应。Hsiao等2012年的研究就基于不同经济体的共同因子，测度了香港回归的社会经济效应。Bai等2014年的研究将其扩展到非平稳数据，借以评价房产税对房价的影响。

以下是基于上述研究方法的两个实例。一是企业宏观环境因素动态趋势的识别。基于中小板上市公司数据，通过分层因子模型，研究宏观环境因素对不同经营状态下、不同控股性质和不同行业民营制造企业经营绩效的动态效应，测度结果显示：制约中小民营制造企业发展的宏观环境因素呈现典型的“L”型趋势，与宏观税负的动态趋势高度一致，其近期波动则与企业实际税负基本吻合，从而揭示了制约中小民营制造企业发展的宏观因素主要表现为税负因素。二是中国人口潜在路径的反事实模拟。在Hsiao等2012年的模型中引入个体因素，基于交互效应面板数据模型测度中国人口政策的变轨效应，测度结果显示：潜在路径上人口总量呈算术级而非几何级增长，少儿比例随经济发展存在内生的下降趋势。因此，即使全面放开二胎政策也不会造成人口的井喷式增长。

如上所述，基于非观测因子交互效应面板数据模型，可以有效识别和测度经济个体外部宏观环境因素和政策调控因素的渐进式变革及其动态效应。特别是，基于分层因子尤其是分层交叉因子设定，可以实现对多层次、多维度政策效应的有效识别。

但是，在很多情况下，社会经济冲击的平均效应不太被关注，冲击对总体分布中尾部个体的影响更受关注，尤其是对下尾部个体也就是相对弱势群体的影响。例如，在精准扶贫政策实施效果的评价中，我们主要关注的就是总体分布的下尾部分位点。这样的政策效应评估需要借助分位数回归而不是均值回归。

非观测因子交互效应面板模型的分位数回归可以有效识别宏观经济冲击，尤其是政策调控对不同状态经济个体的差异化效应，是宏观经济运行环境及调控机制渐进式变革更有效更精准的识别与评价工具，也是面板数据因子分析领域理论与应用研究的未来发展方向。

（作者系华中科技大学经济学院教授）