基于反事實框架的中國貨幣政策效應分析

譚本艷

（三峽大學 經濟與管理學院，湖北 宜昌 443002）

0 引言

貨幣政策的效應一直是學術界研究的熱點問題。縱觀目前學術界對中國貨幣政策效應的研究方法，基本上是選取貨幣政策工具變量（如M0、M1、利率、匯率、貸款規模等）和貨幣政策作用效果變量（如CPI、GDP等）的時間序列數據，應用計量經濟學方法研究它們之間的數量關系，從而研究貨幣政策工具的作用效果。現有的分析方法是國內外研究貨幣政策效應的標準范式，可以實證分析貨幣政策工具作用的平均效應。但是，這種分析范式不能分析貨幣政策工具干預經濟的直接效應，例如，現有的標準分析范式就不能分析央行調整利率對CPI的直接效應。Fatum and Hutchison(2010)基于反事實分析框架(Counterfactual framework)，選取1999年1月1日至2004年3月31日日本央行在外匯市場買賣美元的數據，應用平均處理效應模型（Average treatment effect，以下簡稱ATE模型）這種政策評估分析工具，分析了日本央行的官方干預對日元兌美元匯率的影響，結果發現只有零星的官方匯率干預行為是有效的。可以說，Fatum and Hutchison(2010)的研究提供了一種貨幣政策效應分析的新范式，本文將利用反事實分析框架的新研究范式，通過分析央行的利率調整行為對CPI的影響來實證分析中國的貨幣政策工具實施的效應。

1 中國利率調整的特征分析

1.1 中國存貸款基準利率的總體特征

中國央行制定的1996年10月至2013年3月的金融機構1年期存貸款基準利率數據見圖1。根據圖1中198個月份的存貸款基準利率數據計算得出，樣本期內金融機構1年期存款基準利率的平均值為3.08，最大值為7.47，最小值為1.98，標準差為1.44；金融機構1年期貸款基準利率的平均值為6.28，最大值為10.08，最小值為5.31，標準差為1.24。可見，中國金融機構存貸款基準利率水平總體保持平穩。

圖1 中國金融機構1年期存貸款基準利率（1996年10月至2013年3月）

1.2 中國存貸款基準利率的調整特征

樣本期的198個月份中，中國金融機構1年期存貸款基準利率共調整50次，其中存款基準利率調整24次，貸款基準利率調整26次。從圖1可以看出，中國金融機構1年期存貸款基準利率的調整呈現出以下特征：①存貸款基準利率的調整時間呈現出同步性。26次貸款基準利率調整時點中，除了2次（2006年4月及2008年9月）沒有同步調整存款基準利率，其他24次都是存貸款基準利率同時調整。②存貸款基準利率的對稱調整和非對稱調整的頻率基本相同。24次同步存貸款基準利率調整過程中，有14次是對稱調整（存貸款基準利率調整的幅度相同），有10次是非對稱調整基準（存貸款基準利率調整的幅度不同）。③存貸款基準利率正向調整和負向調整的頻率也基本相同。24次存款基準利率調整中，有11次是負向調整（減息），有13次是正向調整（加息）；26次貸款基準利率調整中，有12次是負向調整（減息），有14次是正向調整（加息）。④存貸款基準利率的調整幅度基本以微調為足。24次存款基準利率的平均調整幅度為0.47個百分點，其中最大調整幅度為1.8個百分點，最小調整幅度為0.25個百分點，有17次的調整幅度小于0.3個百分點；26次存款基準利率的平均調整幅度為0.45個百分點，其中最大調整幅度為1.44個百分點，最小調整幅度為0.18個百分點，有16次的調整幅度小于0.3個百分點。

2 模型原理和變量說明

2.1 反事實分析框架的原理

我們以央行運用貨幣政策工具對經濟進行干預為例，來說明反事實分析框架的基本原理。《中國人民銀行法》規定的中國貨幣政策目標是“保持貨幣幣值穩定，并以此促進經濟增長”，其中“保持貨幣幣值穩定”的直觀表現就是保持CPI的穩定。以本文選取的樣本期內的198個月份為例，如上述，在這198個月份內共有26個月份央行實施了利率調節的貨幣政策行為，那么，如何測度這些利率調節行為對CPI的干預效果呢？

假設i=1,2,…,198代表本文樣本期內的198個月份，將這些月份劃分為接受了利率調節干預的干預組和未接受利率調節干預的對照組。Yi1代表第i個月份接受央行利率調節干預（用Ti=1表示）后的CPI水平，Yi0代表第i個月份未接受央行利率調節干預（用Ti=0表示）的CPI水平。那么，利率調節對某一個月份i的CPI的干預效果定義為個體處理效應(ITE)：

更一般地，將全部198個月份的個體處理效應的均值定義為總體平均處理效應(PATE)，簡稱平均處理效應(ATE)：

實際研究中，人們更關心的是接受利率調節干預的月份的平均處理效應(ATT)：

式(3)中，E(Yi1|Ti=1)表示接受利率調節干預月份的CPI均值，E(Yi0|Ti=1)表示接受利率調節干預的月份如果沒有接受干預的CPI均值。很顯然，對于同一個月份而言，要么接受利率調節干預，要么不接受利率調節干預，也就是說，同一個月份不可能同時分配到干預組和對照組。具體到式(3)中，E(Yi0|Ti=1)顯然是不可觀測的。

為了測度E(Yi0|Ti=1)，就需要引入反事實分析框架，反事實是指相反情況下的某種狀態。例如，本文樣本期內的198個月份中，央行在26個月份內實施了利率調節干預，這26次利率調節干預對CPI的影響是可以測度的“事實”，而“反事實”則是指假設相同的26個月份內央行沒有實施利率調節干預對CPI的影響。央行的利率調節干預對CPI的效應在統計學意義上就是指可觀察到的“事實”與其“反事實”之間的差異。從反事實的框架出發，式(3)中的E(Yi1|Ti=1)就是可以測度的事實，而E(Yi0|Ti=1)就是反事實。現實中，我們不可能觀測到反事實E(Yi0|Ti=1)，為了測度(3)式，我們需要用可觀測的事實E(Yi0|Ti=0)來簡化式(3)。具體而言，如果滿足統計學上的“非混淆假設”，即Ti就能夠和Yi1或Yi0保持獨立，就能夠得到式(4)：

從而(3)式就可以簡化為：

為了滿足非混淆假設式(4)，需要滿足干預組和對照組的CPI除了受利率調節干預因素不同外，其他影響因素X（如消費、貨幣發行量、進出口額、工業品價格、消費者信心、匯率水平等）應盡可能相同，這樣才能凸顯利率調節干預的效應。其他影響因素X稱之為混淆偏倚或者混淆變量，而匹配法是常用來控制混淆偏倚的有效方法。為干預組的某個月份匹配的思路就是在對照組中構成一個除了利率調節干預因素不同外，其他影響CPI的混淆變量X與干預組的樣本分布相同或近似的對照樣本。換句話說，通過匹配后使式(6)成立：

在混淆變量X的維度較大的情況下，匹配會非常復雜，Rosenbaum and Rubin(1983)提出的傾向得分匹配法(PSM)有效地解決了匹配的多維性問題。傾向得分匹配法總的講來分為兩大步驟：第一步計算傾向得分，也就是在給定混淆變量X情況下，某個月份接受利率調節干預的條件概率；第二步是運用傾向得分進行樣本匹配并比較。傾向得分的定義如下：

實際應用中，p(X)通過二元因變量回歸模型（Logit模型或者Probit模型）得到。Rosenbaum and Rubin(1983)發現，傾向得分值相同的兩個月份，其混淆變量X的分布也趨于一致，此時可以認為這兩個月份的背景條件相同，接受利率干預與否接近隨機，從而可以將式(6)轉換為：

得到傾向得分p(X)后，就能夠計算每個月份接受利率調節干預的條件概率。需要說明的是，如果某個接受利率調節干預的月份的傾向值太高或太低，就可能在對照組中無法找到與之相匹配的月份，這些傾向值非常極端的月份因為沒有與之相匹配的月份存就不能提供有用信息。最極端的情況是無法在對照組中找到任何傾向值與干預組相似的月份（相似的標準由研究者自行決定，比如兩個月份的傾向值之差小于0.01），此時傾向得分匹配法就失效了。因此，在最后使用的“匹配樣本”中，必須確保接受利率調節干預的月份和沒有接受利率調節干預的月份匹配起來。“匹配樣本”中傾向值的取值范圍被稱為“共同區間”，只有共同區間存在的前提下才能運用傾向得分匹配法。在第一步得到滿足匹配前提的共同區間后，第二步再采用相應的匹配方法進行干預組和對照組月份的匹配，并計算ATT。

2.2 變量說明

鑒于數據的可得性，我們選取的貨幣政策目標變量為消費者價格指數(CPI)，影響CPI的干預變量為存貸款基準利率調節(T)（詳見本文第二部分），影響CPI的混淆變量包括當月同比生產者價格指數(PPI)、當月同比出口增速(EXP)、貨幣供應量增速(MON)（通過計算(M0+M1+M2)/3得到）、當月同比社會消費品零售總額增速(CON)、消費者信心指數(CRE)和人民幣實際有效匯率指數(EXC)。樣本區間為1996年10月至2013年3月，各個變量的描述性統計特征見表1所示。

表1 變量的描述性統計特征

3 實證結果

3.1 模型設置說明

3.1.1 不同干預情形的說明

由于利率調節干預可以分為正向調整（加息）和負向調整（減息）兩種情形，從金融理論來看，利率正向調整會導致CPI下降，而利率負向調整則會導致CPI上升，如果不加區分不同方式的利率調節干預來估計ATT，估計出的ATT顯然是沒有意義的。因此，為了區分利率正向調節干預和負向調節干預對CPI的不同效應，本文針對利率的正向調整和負向調整做兩次ATT的估計。

3.1.2 貨幣政策干預結果的說明

由于貨幣政策具有時滯性，也就是說進行利率調節干預對CPI的效應不能在當月呈現出來，而是經過一定的時滯后才顯現出來。關于貨幣政策的時滯的長短問題，目前學術界并沒有公認的結論，但一般認為時滯會超過6個月。本文采用如下的方法度量利率調節干預對CPI的效應：（1）如果利率調節屬于連續調節（連續兩次利率調節的時間間隔小于等于6個月），以最后一次利率調節當月之后的第7個月至第12個月的CPI平均值作為利率連續調節干預對CPI的效應；（2）如果利率調節不屬于連續調節（連續兩次利率調節的時間間隔大于6個月），以接受利率調節當月之后的第7個月至第12個月的CPI平均值作為當次利率調節干預對CPI的效應。

3.2 ATT的估計結果

如前述，運用傾向得分匹配法測度ATT的估計值，第一步需要以利率調節干預變量Ti這個啞變量為因變量，以混淆變量X為自變量，建立Probit或者Logit模型獲取傾向得分，并進而得到共同區間。第二步在共同區間內采用相應的匹配方法估計ATT的值。常用的匹配方法包括最近鄰匹配法、半徑匹配法、分層匹配法以及核匹配法。本文采用Becker and Ichino(2002)基于STATA軟件開發的Pscore.ado程序模塊，并運用最近鄰匹配法進行ATT的估計，最近鄰匹配法的規則是：

其中i代表接受利率調節干預的月份，j代表接受利率調節干預的月份，C(i)代表與月份匹配成功的月份j的集合，即傾向得分與月份i最為近似的月份集合。匹配成功后，Becker and Ichino(2002)用下式計算ATT：

3.2.1 共同區間估計結果

本文利用Logit模型獲取傾向得分，得到的共同區間估計結果見表2所示。

表2 共同區間估計結果

從表2的結果可以看出，干預組中的利率負向調整的12個月份和利率正向調整的14個月份都有足夠的對照組月份與其匹配，滿足傾向得分匹配法的前提條件。

3.2.2 ATT的估計結果

本文運用最近鄰匹配法估計的利率調節干預的ATT結果見表3所示。

表3 利率調節干預的ATT估計結果

從表3利率調節干預的ATT估計結果可以看出，平均而言，中國央行的每次利率的負向調整（減息）可以使滯后7～12期CPI的平均值提高0.76個百分點，但較大的標準差和較小的t值表明利率的負向調整的干預效果還不是很顯著；中國央行的每次利率的正向調整（加息）可以使滯后7～12期CPI的平均值降低2.04個百分點，而且較小的標準差和較大的t值表明利率的正向調整的干預效果較為顯著。

3.3 估計結果的穩健性檢驗

如前述，貨幣政策的時滯性導致利率調節對CPI的效應不能在當月呈現出來，因此上文的ATT的估計結果中，干預目標變量CPI取得是利率調節（或連續調節的最后一次調節）當月之后的第7個月至第12個月的CPI平均值。事實上，目前學術界對貨幣政策效應的時滯并沒有一個統一和公認的度量標準。為了檢驗本文估計結果的穩健性，我們通過對干預目標變量CPI進行如表4所示的調整之后重新進行ATT估計，估計結果見表4所示。

表4 估計結果的穩健性檢驗

從表4的穩健性檢驗結果來看，本文的估計結果具有較強的穩健性。同時，穩健性檢驗結果也證實了中國央行利率的負向調整（減息）可以使滯后的通貨膨脹水平提高，但效果尚不顯著，而利率的正向調整（加息）可以使滯后的通貨膨脹水平降低，且效果較為顯著。實證結果和金融學理論較為吻合，同時也表明中國央行的利率調節干預行為主要是為了控制物價上漲，但對通貨緊縮的作用還不明顯。

4 結論

本文基于反事實分析框架，在分析中國利率調整特征的基礎上，運用平均處理效應模型對中國利率調節干預對CPI的效應進行了實證分析。研究結果表明：①中國金融機構存貸款基準利率的每次調整幅度總體而言較小，正向調整和負向調整、對稱調整和非對稱調整的頻率相似，存貸款基準利率的水平總體基本保持平穩。②平均而言中國央行利率的負向調整（減息）可以使滯后的通貨膨脹水平提高，但效果尚不顯著，而利率的正向調整（加息）可以使滯后的通貨膨脹水平降低，且效果較為顯著。

[1]李穎，林景潤，高鐵梅.我國通貨膨脹、通貨膨脹預期與貨幣政策的非對稱分析[J].金融研究，2010,(12).

[2]麥元勛，田曄.我國貨幣政策效應時滯的實證研究[J].商業研究，2004,(5).

[3]魏萬青.戶籍制度改革對流動人口收入的影響研究[J].社會學研究，2012,(1).

[4]肖文偉，楊小娟.貨幣政策時滯問題實證分析[J].系統工程，2010,(7).

[5]周新苗，唐紹祥.自主研發、技術引進與企業績效:基于平均處理效應估計的微觀考察[J].財貿經濟，2011,(4).

[6]Fatum R,Hutchison M M.Evaluating Foreign Exchange Market Intervention:Self-Selection,Counterfactuals and Average Treatment Effects[J].Journal of International Money and Finance,2010,（29）.