不確定性中的確定性?
——中國經濟風險識別

隋建利 呂文強 劉金全

一、引言

近年來，伴隨著中美貿易摩擦、新冠肺炎疫情等一系列極端風險事件的發生，中國經濟穩增長壓力日益增加。國家統計局發布的數據顯示，2023 年第三季度中國GDP 同比增長4.9%，增速較2023 年第二季度回落1.4%，意味著現階段中國經濟的增長壓力及增長風險仍在進一步上升。面對世界經濟復蘇緩慢、全球疫情持續演變、外部環境紛繁復雜的現實，如何抵御風險的滲透沖擊，保持經濟平穩健康的發展態勢，關乎當下的國計民生。2023 年《政府工作報告》明確指出，目前中國經濟正面臨需求收縮、供給沖擊、預期轉弱“三重壓力” 的嚴峻形勢，必須正視外部與內部不確定性的交織，在不確定性中謀求確定性，從而有效應對各種風險挑戰，保持經濟在合理區間運行。2023 年12 月，習近平總書記在中央經濟工作會議上再次強調，要以經濟安全為基礎，堅持“穩” 字當頭、穩中求進的工作總基調，著力防范和化解重大經濟風險，進而實現“穩增長” 與“防風險” 的雙重目標。可以看出，有關不確定性與經濟風險之間關系的討論，已然成為國家和政府各部門關注的重要議題。在此背景下，探究不確定性對經濟風險的潛在影響，對于深入貫徹黨的二十大精神，強化風險監管與預期管理，促進經濟高質量發展與高水平安全良性互動，實現中國式現代化具有重要的指導意義。

不確定性能夠對經濟主體的投資與消費決策產生重要影響，繼而與經濟增長存在顯著關聯(Bloom 等，2018)，因此不少研究聚焦于探索不確定性影響經濟增長的理論機制。其中，不確定性對經濟增長的傳導途徑存在四種不同的理論邏輯，分別為具有促進作用的Hartman-Abel 效應理論和增長期權理論，以及具有抑制作用的實物期權理論和風險規避理論。具體而言，Hartman-Abel 效應理論是指，在企業能夠根據經濟形勢靈活調整生產規模的情況下，伴隨著不確定性的升高，企業會更加關注隨之而來的投資機會與潛在利潤，這使得企業的期望邊際收益得以增加，從而對經濟增長產生積極影響(Hartman，2006)。增長期權理論是指，未來前景不確定性使得企業為了實現長期生產經營，不斷加大研發投入，以期保證產品或服務的持續創新，這可視為增長期權的積累過程，可以為企業帶來較高的預期利潤，進而促進經濟增長(Smit 等，2017；顧夏銘等，2018)。實物期權理論是指，經濟主體的投資與消費機會可被視作一系列實物期權，不確定性的增加會使經濟主體看跌期權價值，從而延遲投資與消費，最終引致經濟增速下降(劉貫春等，2022)。風險規避理論是指，對于投資者而言，不確定性使得投資者要求更高的風險補償，導致企業融資約束及成本提高，進而引發金融市場收緊(Lhuissier 和Tripier，2021；Di Maggio 等，2022；譚小芬等，2022)；對于消費者而言，不確定性能夠誘發消費者的預防性儲蓄和風險厭惡偏好，降低消費者投資、消費意愿，繼而抑制經濟增長(Mumtaz 和Theodoridis，2018；Angelini 等，2019)。然而，盡管上述理論研究成果豐碩，但是都無一例外地將不確定性視為獨立于經濟主體的外生變量，鮮有研究從企業行為等微觀視角出發，探究經濟系統中不確定性的生成機制，以及其影響經濟增長的微觀機理。

在探究不確定性影響經濟增長的相關研究中，不確定性指標的選取至關重要。部分學者通過計算單一宏觀變量的波動性來衡量不確定性，例如采用股票市場指數、通貨膨脹以及GDP 等變量的波動率作為經濟不確定性的代理指標(Chen 等，2020；王曉宇和楊云紅，2021)。盡管計算簡單方便，但是基于波動性的測度方法沒有剔除宏觀變量的可預期成分，這與不確定性的本質，即經濟系統中無法預期的部分并不相符。為了克服上述局限，國內外學者從不確定性的定義出發，利用GARCH 以及VAR 族等計量模型對宏觀變量的預測誤差進行估計，并將預測誤差作為不確定性的代理指標。具體地，已有研究使用股票收益率、利率以及工業增加值等變量的條件波動率來反映不確定性水平(王義中和宋敏，2014；Scotti，2016)。盡管預測誤差能夠充分體現不確定性中的“非預期性”，但是具體的預測誤差可能過度依賴于特定的經濟指標，因此這種度量方式難以表征經濟系統整體的不確定性水平。有鑒于此，Jurado 等(2015)基于高維因子模型對大規模經濟變量的非預期條件波動率進行估計，并測度經濟系統中不可預測成分的共同波動，即經濟不確定性。此后，相關研究運用高維因子模型分別衡量了中國的經濟不確定性水平(Huang 等，2018；趙文佳和梁燚焱，2020)與金融不確定性水平(黃卓等，2018)。然而，通過梳理能夠發現，已有研究多聚焦于經濟不確定性的度量，而對金融不確定性的測度分析明顯偏少。事實上，無論是就產生機理、波動特征還是經濟效應而言，經濟不確定性與金融不確定性都存在著顯著差異(Alessandri 和Mumtaz，2019；Ludvigson 等，2021)，但是，國內文獻目前對此明顯探究不足。

隨著不確定性對宏觀經濟的影響日趨復雜，基于不同視角探究不確定性影響經濟增長的實證研究不斷涌現。國內外學者運用傳統計量模型以及動態隨機一般均衡(DSGE)模型等方法，分析了不確定性對經濟增長的沖擊效應。結果發現，不確定性對實體經濟表現出明顯的逆周期性，能夠對經濟增速產生顯著的負向影響(Hristov 和Roth，2022；王博和徐飄洋，2022)。然而，相關研究均是從點估計的視角出發，在本質上揭示的是不確定性對經濟增長“期望值” 的影響，而忽略了從區間估計的視角探究不確定性對經濟增長“風險值” 的潛在影響。事實上，伴隨著外部環境的深刻變化，全球經濟形勢愈加復雜。在此背景下，刻畫不同風險水平下經濟增長的運行狀況，揭示經濟增長的潛在風險變得極為重要。有鑒于此，國際貨幣基金組織(IMF)根據在險價值(value at risk，VaR)的概念提出了在險增長(growth at risk，GaR)，即將經濟增長視為一種概率分布形式，并利用相應的條件變量來預測未來經濟增長的概率分布曲線，旨在衡量宏觀金融形勢對經濟風險的潛在影響(IMF，2017)。Adrian 等(2019)從經濟增長概率分布出發，運用條件分位數回歸模型，分析了經濟和金融狀況對經濟風險的相關影響。隨后，國外學者基于概率分布的視角，探究了不同宏觀變量對經濟風險的影響作用(Adams 等，2021；Jovanovic 和Ma，2022)。反觀國內的研究領域，目前僅有張曉晶和劉磊(2020)從概率分布的視角，探討了金融風險對經濟增長特定“風險值” 的影響，而現有文獻缺乏對經濟風險的系統性分析，亦缺少探究不確定性對經濟風險的影響研究。

通過梳理已有文獻能夠發現，現有研究仍存在一定的局限性。首先，以往研究大多將不確定性視為獨立于經濟系統的外生沖擊，未能從經濟主體層面探究不確定性的生成機制，因而無法將不確定性與經濟增長置于統一的內生框架分析其內在機理。其次，已有研究多采用經濟不確定性及其代理指標檢驗不確定性的經濟效應，鮮有文獻在大數據估計的基礎上，基于中國經濟不確定性與金融不確定性的分離測度視角，探究其對經濟風險的異質性影響。最后，既有研究多基于傳統計量模型展開，從點估計的視角出發，分析不確定性對經濟增長“期望值” 的沖擊效應，鮮有研究基于區間估計的視角，將經濟增長視作一種概率分布形式，探究不確定性對經濟風險的潛在影響。

鑒于上述分析，本文具有如下可能的創新:第一，提出內生不確定性的概念，并將經濟增長視為一種概率分布形式，基于不確定性與經濟增長的統一分析框架，闡明不確定性影響預期經濟增速分布的理論機制。第二，基于高維因子模型，構建中國經濟不確定性與金融不確定性指數，進而辨析經濟不確定性與金融不確定性對經濟風險的異質性影響。第三，運用條件分位數回歸模型，分別將經濟不確定性與金融不確定性作為預期經濟增速分布的條件變量，繼而通過在險增長、相對熵值以及期望損失等模型，揭示不確定性沖擊下經濟風險的確定性特征。第四，基于理論模型與經驗事實的綜合分析，探究不確定性對經濟風險的時變沖擊效應，刻畫不確定性對經濟風險的驅動機制。因此，本文研究具有如下的貢獻與價值:在理論意義層面，引入內生不確定性概念以及經濟增長的概率分布形式，豐富不確定性影響經濟增長的微觀理論基礎，拓寬相關領域的研究視角和研究思路；在現實意義層面，分離構建并探究經濟不確定性與金融不確定性對經濟風險的潛在影響，不僅有助于中國應對“三重壓力”，防范和化解重大經濟金融風險，保障經濟運行在合理區間，而且能夠為中國各部門推出有利于經濟穩定的政策提供重要的理論依據與經驗支持。

二、理論模型

為了從理論上刻畫不確定性的產生及其對經濟增長的影響，本文參考Jovanovic 和Ma(2022)，將不確定性與經濟增長置于統一框架下，構建涵括內生不確定性的經濟增長模型。其中，理論模型具有一個重要特征，即不確定性與經濟增長均為內生變量，不確定性來源于經濟系統中技術水平的更新過程。

(一)代表性廠商

考慮一個具有消費偏好的代表性廠商，其目標是最大化終生效用，目標函數可表示為:

在此，E0代表期望算子；β為跨期貼現率，以反映未來效用與當期效用之間的替代彈性；ct表示廠商在第t期的實際消費。假定廠商只生產一種商品，產出水平取決于技術水平A和技能組合h。其中，技能組合在本質上強調的是技術水平與投入要素(包括勞動和資本投入)之間的匹配程度，匹配程度越高，技能組合越優，產出水平越高。因此，潛在產出yp能夠表示為:

其中，sA表示與技術水平A相匹配的最優技能組合，具體表示能夠在技術水平A下實現最大產出的技能組合。λ代表懲罰系數，h′為當期技術水平的實際技能組合，λ(sAh′)2/2 刻畫了廠商實際技能組合與最優技能組合間存在的“技能缺口” 導致的損耗產出。廠商能夠選擇以x(x≥0)的速度提高其技術水平，從當期的技術水平A開始，下一期的技術水平A′可以表示為:

在此，考慮到更新后的技術水平與廠商現有投入要素的稟賦匹配程度是不可預測的，即更新后的新技術與先前投入要素的匹配程度既可能升高又可能降低，并且只有在廠商采用新技術之后，技術對投入要素的需求才會清晰展現。因此，本文假定更新的技術水平A′對最優技能組合的影響是隨機的，即sA′服從隨機游走分布:

其中，ε～F(ε)，服從均值為0、方差為σ2的獨立同分布。廠商在觀察到ε前選擇是否更新技術，一旦更新到技術水平A′，廠商就無法再采用上一期的技術水平A。因此，假定廠商以技能組合h開始進行生產，進一步地，廠商可以選擇調整技能組合至h′。在此過程中，h′＝h＋Δ，假定廠商更新技術水平以及技能組合存在投入成本C(yp，Δ)，并且投入成本與潛在產出水平以及更新技能組合的變化幅度密切相關，其能夠表示為:

因此，廠商的凈產出可以表示為:

其中，u＝SA－h是最優技能組合與實際技能組合之間的差值(以下簡稱“技能缺口”)。

(二)內生不確定性

廠商的狀態可以利用技能缺口u與技術水平A表示，廠商的決策為(x，Δ)。此外，廠商沒有任何形式的資產，其消費與產出水平相等。因此，廠商的最優動態方程為:

進一步地，可以得到:

并且，φ＝(λα2＋θ(1－α)2)/2。

廠商以不變速度x更新技術水平，其中，更新技術水平與技能組合的直接成本Δ與當期的技能缺口u成正比。根據式(4)，技能缺口u服從AR(1)過程:

由于廠商的狀態可以利用技能缺口u與技術水平A表示，廠商的決策為(x，Δ)。對于技能缺口u＝sA－h而言，最優技能組合sA的變化取決于廠商決策x，而實際技能組合h則取決于廠商選擇的投入成本決策Δ。能夠發現，技能缺口u是經濟系統中的內生變量。因此，本文利用內生技能缺口u的方差對不確定性進行刻畫。由于α介于0 至1 之間，技能缺口ut是平穩的，其方差為:

其中，式(13)中的第三個等式由式(8)推導得到。直觀而言，σ減小能夠導致x增加，使得廠商技術水平的更新速度加快。同時，技術更新加速會導致技能組合SA′更加難以預測，從而致使技能缺口的方差增加。需要注意的是，正是由于廠商的行為，尤其是廠商更新技術的投資決策(x，Δ)，使得技能缺口存在波動，進而導致經濟運行產生相應的不確定性。不難發現，不確定性來源于經濟系統內部廠商的技術更迭。進一步地，考慮將經濟中的代表性廠商擴展為無限個，全部廠商起始時都處于相同狀態(u，A)，假定所有廠商都進行相同決策，均衡將完全對稱，此時經濟中只存在總體風險。而在每個時點上，對于全部廠商而言，x的選擇和ε的觀測值將完全一致，調整技能組合h將無法使其獲利。

(三)預期經濟增速分布

假定C(yp，Δ)完全由技術水平與技能組合調整引致的產出損耗構成，能夠得到總產出的對數值:

其中，φ＝(λα2＋θ(1－α)2)/2。式(14)表明，產出水平取決于常數項A0、時間趨勢項t以及技能缺口。因此，本文可以利用包含常數項和時間趨勢項的回歸模型估計lnyt。式(14)中，技能缺口的平方項可以解釋為預測誤差。由于ut是平穩的，因此lnyt同樣趨勢平穩，其趨勢為產出水平的長期增長率x。進一步地，經濟增長可以表示為:

式(15)表明，經濟增長不僅取決于技術水平的更新速度x，而且還會受到技能缺口平方項變動的影響。不難發現，技能缺口的減小能夠促進經濟增長，然而，調整技能組合需要付出成本，特別是當下一期的技能組合出現意外降低時，產出水平將明顯下降。因此可以推斷，當參數θ較大時，經濟增速分布具有負向偏斜傾向。具體地，在初始產出水平y0與技術水平A0的條件下，εt服從正態分布N(0，σ2)，預期經濟增速分布gt可以表示為:

其中，ξt～N(0，1)，并且考慮到φ>0，ξt服從正態分布，服從自由度為1的卡方分布，因此，預期經濟增速分布gt負向偏斜，并且服從非中心化的卡方分布。本文使用非中心化卡方分布中不同分位數的估計值，能夠得到預期經濟增速分布的相關表達式，具體包括5%分位數的預期經濟增速χt、預期經濟增速均值E(gt＋1)、預期經濟增速波動率V(gt＋1)以及預期經濟增速分布的4 分位距IQR(gt＋1)。需要說明的是，遵循Adrian 等(2019)，本文將t期的在險經濟增長率χt定義為t＋1 期預期經濟增速分布的下5%分位數(即5%分位數的預期經濟增速)，以表征經濟下行風險。因此，在均衡狀態下，預期經濟增速的相關分布滿足:

因此，根據式(17)至式(20)可知，5%分位數和均值預期經濟增速伴隨著不確定性的升高而下降，預期經濟增速分布的波動率和4 分位距則伴隨著不確定性的升高而增加，即:

當時間趨于無窮時，即在長期的預期經濟增速分布gt中，經濟增速不取決于初值u0，而是滿足:

其中，當且僅當α<1 時，上述預期經濟增速的相關分布有界，能夠表示為:

lim

三、中國經濟不確定性與金融不確定性的指數構建

(一)不確定性指數的構建方法

為構建中國經濟不確定性與金融不確定性指數，本文參考Jurado 等(2015)的研究，通過建立高維因子模型，實現對經濟不確定性與金融不確定性水平的分離測度。具體而言，對于一個經濟或金融變量序列yit，其未來n期的不確定性Uy jt(n)可以表示為只包含變量yit非預期成分的條件波動率:

其中，yit∈Rt，Ft，而Rt和Ft分別表示經濟和金融層面的變量信息集，E[?｜It]表示基于t時期預測信息集It的條件期望。具體地，預測信息集It由Xt＝(X1t，…，XNt)構成。因此，條件期望E[?｜It]和yit＋n的值可以通過高維因子模型和擴散指數預測進行估計:

其中，Xit為預測信息集，ft為潛在的共同因子，表示系數矩陣，表示誤差項。對于式(29)而言，yjt為每個經濟或金融變量序列。為了控制非線性效應，模型中同時控制了共同因子ft的平方項kt，為預測誤差。以及(L)分別為滯后L期的系數矩陣的有限多項式，在此，本文選取滯后期L＝6 進行估計。隨后，通過對經濟變量和金融變量的非預期條件波動率(n)進行等權平均(wj＝1/Ny)加總，即可構建經濟不確定性指數和金融不確定性指數:

根據上述內容不難發現，不確定性指數的合成方法在考慮變量波動時剔除了相應的預期成分。事實上，這種測度方式與理論模型中不確定性τ的構造(即“技能缺口” 的方差)在本質上完全一致，進而有效地實現了理論模型與實證數據的有機銜接。

(二)數據選擇與處理

對于經濟不確定性與金融不確定性的測度，本文參考黃卓等(2018)以及趙文佳和梁燚焱(2020)的指標構成，選取90 維經濟變量信息集(Rt)，170 維金融變量信息集(Ft)，以及291 維預測變量信息集(Xt)(見表1)。其中，預測變量信息除包括經濟變量信息集和金融變量信息集外，還包括31 維經濟政策變量信息集。本文所使用的變量選用2002 年1 月至2022 年9 月間的月度數據。不確定性指數的原始變量數據來源于中經網統計數據庫、Wind 數據庫以及銳思數據庫。

表1 中國經濟不確定性與金融不確定性的指標構建

就數據處理而言，本文首先對上述291 維預測變量信息集中的274 維中國經濟金融變量進行了新年效應處理，使得各變量從前一年12 月至當年1 月的增長率等于當年1 月至2 月的增長率。其次，對產出、消費以及投資等具有趨勢性的變量進行了物價平減和X－12 季節調整，消除了價格因素和季節因素。再次，為了滿足時間序列的平穩性要求，本文基于單位根檢驗結果，對非平穩變量進行一階差分處理后轉換為平穩序列。最后，為了消除量綱的影響，本文對所有序列均進行標準化處理。

(三)中國經濟不確定性與金融不確定性的波動態勢分析

在上述不確定性指數構造方法的基礎上，考慮到隨著預測步長的增加，不確定性的平均水平將逐漸提高，而其變異程度則將有所下降。因此，本文選取預測步長n為6 期(即計算未來6 個月的不確定性指數)，以此構建中國經濟不確定性與金融不確定性指數。需要說明的是，為了探究不確定性與經濟增長的深層次關系，本文對月度頻率的不確定性指數進行了加權處理，將其轉換為2002 年第一季度至2022 年第三季度的季度不確定性指數，結果如圖1 所示。

圖1 中國經濟不確定性與金融不確定性指數

圖1 展示出中國經濟不確定性與金融不確定性的時變動態，總體而言，經濟不確定性與金融不確定性的變動趨勢較為一致。其中，不確定性自2002 年開始持續降低，直至2006年附近接近波谷。隨后，不確定性日漸增加，于全球金融危機期間達到階段峰值。伴隨著金融危機的結束，不確定性逐漸下降，進而長期處于低水平的震蕩區間。2018 年伊始，受中美貿易摩擦深化影響，不確定性呈現出螺旋式上升趨勢。此后，疊加新冠肺炎疫情等極端風險事件，不確定性水平屢創新高。

此外，觀察經濟不確定性與金融不確定性的演化軌跡不難發現，盡管二者的總體波動趨勢十分相似，但具體的波動過程不盡相同。例如，2015 年，受中國股票市場劇烈波動影響，金融不確定性水平大幅上升，而同期基于實體經濟層面的經濟不確定性則無任何明顯波動。進一步地，比較二者的波動特征還能夠發現，金融不確定性的波動更為頻繁、劇烈，并且當經濟系統中的不確定性水平出現大幅波動時，金融不確定性的變動通常領先于經濟不確定性。這意味著，相較于經濟不確定性，金融不確定性能夠作為更好的經濟預測先行指標，更加敏銳地捕捉經濟發展狀況的階段性趨勢與動向。

四、不確定性視閾下中國經濟風險的確定性識別

為了揭示預期經濟增長的時變運行區間，識別不確定性視閾下中國經濟風險的波動特征，進而探究經濟不確定性與金融不確定性對經濟風險的潛在影響，本文擬通過構建基于不確定性條件的預期經濟增速分布，從在險增長、相對熵值以及期望損失模型等多維視角，實現對經濟風險的有效識別與測度，刻畫不確定性沖擊下經濟風險的確定性規律。

(一)基于在險增長模型的中國經濟風險識別

與衡量金融風險的在險價值模型相類似，在險增長模型旨在衡量未來經濟增長的風險值。具體地，在險增長采用經濟增長概率分布中分位數的值，即預期經濟增速分布中不同分位數對應的經濟增速水平予以度量。不同風險概率下的在險增長水平(即不同分位數的預期經濟增速水平)能夠反映不同的經濟含義，進而實現對經濟風險的有效測度。例如，5%分位數的預期經濟增速為a，表示未來經濟增速有5%的概率低于a，即有95%的概率高于a；同理，95%分位數的預期經濟增速為b，表示未來經濟增速有95%的概率低于b。因此，低分位數與高分位數的預期經濟增速本質上反映的是，在一定風險(置信)水平下，未來經濟增速的下限值與上限值，即經濟下行風險與經濟上行風險。

為了估計基于不確定性條件的預期經濟增速分布，通常需要進行兩步計算。第一步是通過分位數回歸獲取一些重要分位點的回歸結果，即估計出預期經濟增速分布的部分結果；第二步是將得到的部分回歸結果共同映射到偏態t分布中，進而擬合形成完整的預期經濟增速分布。因此，本文首先構建如下條件分位數回歸模型:

其中，xt為解釋變量，包括常數項、當期實際經濟增速①本文選取2002 第一季度至2022 第三季度的GDP 同比實際增速作為當期實際經濟增速。(控制變量)以及不確定性指數。為辨析中國經濟不確定性和金融不確定性對預期經濟增速分布的異質性影響，本文分別以經濟不確定性和金融不確定性為條件變量構建分位數回歸模型。yqt＋m為未來m期的預期經濟增速，具體可劃分為不同的分位數q。δq為系數矩陣，其行和列分別表示不同分位數和不同解釋變量的回歸系數。m為預測期數，本文采用季度數據，選取預測期m＝4(即四個季度)，以期探究不確定性沖擊的潛在影響。在分位數回歸模型中，δq的估計值應使得殘差的分位數加權絕對值最小:

其中，Π(?)為指示函數，若括號內邏輯關系成立，指示函數為1，反之則為0。式(32)使得殘差絕對值能夠根據殘差項的大小被賦予不同權重。由此，可以得到xt對yt＋m的條件分位數:

1.預期經濟增速與不確定性的相關性檢驗

為了直觀地刻畫不同分位數預期經濟增速與不確定性的關系，本文初步描繪了預期經濟增速與不確定性的散點圖。進一步地，運用條件分位數回歸模型分別擬合出5%、50% (即中位數)以及95%分位數預期經濟增速對不確定性的回歸擬合直線。此外，為了與不同分位數的擬合直線進行對比，本文還刻畫了預期經濟增速對不確定性的OLS 估計結果。其中，圖2 展示出預期經濟增速與經濟不確定性的散點圖，圖3 繪制出預期經濟增速與金融不確定性的散點圖。

圖2 預期經濟增速與經濟不確定性散點圖

圖3 預期經濟增速與金融不確定性散點圖

觀察圖2 與圖3 不難發現，一方面，預期經濟增速對經濟不確定性與金融不確定性的回歸擬合直線具有明顯的共性特征。具體而言，95%分位數預期經濟增速的回歸斜率顯著為正，而5%分位數、中位數以及OLS 回歸的擬合斜率則顯著為負。這意味著，不同分位數預期經濟增速與不確定性的相關關系明顯不同。其中，不確定性的升高使得高分位數的預期經濟增速有所增加，同時引致低分位數的預期經濟增速不斷下滑。另一方面，基于經濟不確定性與金融不確定性的回歸擬合結果存在顯著的異質性特征。從5%分位數、中位數以及95%分位數預期經濟增速的回歸斜率來看，相較于金融不確定性，經濟不確定性的影響相對更大。這表明，經濟不確定性能夠更為顯著地升高預期經濟增速的上限值，同時還可以更為明顯地降低預期經濟增速的下限值。此外，從預期經濟增速對不確定性的OLS 估計結果來看，經濟不確定性的負向影響同樣更為顯著。因此，可以判斷，與金融不確定性相比，經濟不確定性的經濟效應明顯較大，能夠造成更為劇烈的經濟波動。

2.預期經濟增速的分位數回歸估計

根據條件分位數回歸模型，本文能夠進一步估計出預期經濟增速對當期經濟增速和不確定性的回歸系數。圖4 與圖5 分別展示出基于經濟不確定性與金融不確定性條件的分位數回歸結果。具體而言，圖4(a)與圖5(a)描繪了當期經濟增速對預期經濟增速的影響，圖4(b)與圖5(b)刻畫了不確定性對預期經濟增速的影響。其中，X軸表示不同分位數，Y軸為分位數回歸的系數估計結果，OLS 估計值反映解釋變量對預期經濟增速均值的回歸系數結果，深色陰影部分面積為系數估計結果的置信區間。①圖中陰影面積為零假設的95%置信區間，零假設假定不確定性與經濟增長之間符合線性關系。特別地，本文使用不確定性和實際經濟增速的全樣本演化來估計具有四階滯后、高斯分布和一個常數的向量自回歸(VAR)，并利用1 000 個樣本進行bootstrap 計算不同置信水平下的邊界。

圖4 基于經濟不確定性條件的分位數回歸系數結果

圖5 基于金融不確定性條件的分位數回歸系數結果

觀察圖4(a)與圖5(a)中的樣本回歸系數能夠發現，無論是以經濟不確定性還是金融不確定性為條件變量，當期經濟增速對不同分位數預期經濟增速的影響均較為穩定，始終圍繞在0.6 的回歸系數值附近。形成鮮明對比的是，根據圖4(b)與圖5(b)可知，低分位數至高分位數向上傾斜的回歸系數走勢表明，與高分位數的預期經濟增速相比較，不確定性對低分位數預期經濟增速具有更大的負向作用。這意味著，不確定性對經濟風險具有明顯的非對稱性影響。其中，不確定性能夠對未來經濟增速的下限值產生更為顯著的負向沖擊，從而引致更大的經濟下行風險。

對比圖4(b)與圖5(b)的樣本回歸系數不難看出，經濟不確定性對低分位數預期經濟增速的回歸系數接近－4，約是金融不確定性影響系數的二倍。這表明，相較于金融不確定性，經濟不確定性能夠對未來經濟增速的下限值產生更強的驅動力，致使經濟潛存更大的下行風險。此外，從圖中的OLS 估計值來看，經濟不確定性對預期經濟增速均值的負向影響同樣更為劇烈。追根溯源，經濟不確定性能夠通過實物期權效應和風險規避效應，對經濟主體的投資與消費意愿產生明顯的抑制作用，從而對宏觀基本面的投資、消費、進出口以及就業等方面造成顯著的負面沖擊，引致經濟增速迅速下降。同時，經濟增速的下降與經濟不確定性的增加之間還存在著明顯的“自我強化” 機制，即經濟不確定性的提高會導致經濟增速的下降，而經濟增速下降又會反過來進一步推升經濟不確定性，從而造成經濟不確定性對經濟增速的二次沖擊，由此加劇經濟不確定性的負向影響。就金融不確定性對經濟增速的影響而言，一方面，根據金融摩擦機制，金融不確定性能夠顯著降低金融部門的風險承擔能力以及風險承擔意愿，進而通過融資風險溢價的波動對信貸規模造成負向影響，沖擊企業層面的生產經營，最終導致經濟活動相應收縮；另一方面，金融不確定性可以通過金融市場傳導至實體經濟層面，推動經濟不確定性水平的提高，繼而間接影響經濟增速變動。因此，分析上述影響機制可以發現，經濟不確定性與經濟增速更為密切相關，能夠對經濟增速產生更加顯著的負向沖擊。

3.基于在險增長模型的中國經濟風險走勢判斷

正如前文所述，不確定性對經濟風險具有明顯的非對稱影響。那么，經濟上行及下行風險是否會因此呈現出相似的非對稱性特征? 鑒于此，本文基于在險增長模型，在圖6 與圖7 中分別描繪經濟不確定性與金融不確定性條件下預期經濟增速的時變走勢，從而直觀地體現中國經濟風險的波動路徑。圖中虛線(即陰影部分邊緣)從下至上分別刻畫了預期經濟增速的條件5%、10%、25%、75%、90%以及95%分位數走勢，實線描繪了預期經濟增速的條件中位數走勢。

圖6 經濟不確定性條件下預期經濟增速走勢

圖7 金融不確定性條件下預期經濟增速走勢

觀察圖6 能夠發現，不同分位數預期經濟增速的總體趨勢基本一致，但是波動幅度明顯不同。具體而言，在全球金融危機以及新冠肺炎疫情期間，低分位數的預期經濟增速出現了巨幅下跌，而高分位數預期經濟增速則僅呈現相應的微幅下降。此外，在中美貿易摩擦期間，低分位數的預期經濟增速快速滑落至零水平附近，而高分位數的預期經濟增速卻表現出較小幅度的上漲。從圖7 可以看出，金融不確定性與經濟不確定性條件下的預期經濟增速走勢總體上較為相似；不同的是，基于金融不確定性條件的預期經濟增速除了在全球金融危機、中美貿易摩擦以及新冠肺炎疫情期間呈現顯著的非對稱波動，還對2015 年的股市崩盤產生了明顯響應。彼時，低分位數的預期經濟增速大幅下降，接近金融危機時期的極低水平，而高分位數預期經濟增速則表現出不同程度的意外上升。

綜觀圖6 與圖7 不難發現，預期經濟增速分布走勢呈現出明顯的非對稱性特征，即低分位數的預期經濟增速隨著時間的推移變動異常劇烈，而高分位數的預期經濟增速則相對平穩，并且當經濟處于極端風險階段時，這種非對稱性特征更為明顯。事實上，這完全可以根據圖4(b)與圖5(b)中的分位數回歸結果予以解釋，即不確定性能夠對低分位數的預期經濟增速產生更為顯著的負向影響。因此，這意味著，伴隨著不確定性水平的升高，經濟上行及下行風險會呈現出異質性的響應過程，致使經濟風險具有明顯的非對稱性特征。并且，當經濟步入風險階段時，劇烈增加的不確定性會驅使非對稱性特征更為顯著。需要注意的是，從中美貿易摩擦以及股市崩盤的時點來看，伴隨著低分位數預期經濟增速的大幅降低，高分位數預期經濟增速還可能出現小幅上漲。這意味著，不確定性沖擊在顯著降低未來經濟增速下限值的同時，還可能引致經濟增速的上限值微幅上升，這同樣與前文中不確定性對部分高分位數預期經濟增速的回歸系數為正的結果相符。究其原因，不確定性沖擊一方面可以抑制經濟行為主體的投資和消費意愿，另一方面還可以激發企業層面探索性研究的創新活力，從而產生促進經濟發展的增長期權效應。因此，不確定性可能兼具正向影響和負向影響，能夠對經濟增長產生極為復雜的交互作用，進而引致不同分位數預期經濟增速的異質性響應。此外，對比圖6 與圖7 可知，基于經濟不確定性條件的低分位數預期經濟增速波動得更為劇烈。例如，2020 年新冠肺炎疫情期間，基于經濟不確定性的低分位數預期經濟增速大幅降至－10%，而基于金融不確定性的低分位數預期經濟增速則保持在－5%的水平附近。這進一步印證了經濟不確定性與金融不確定性對經濟風險的異質性影響，即經濟不確定性能夠引致更大的經濟下行風險，致使經濟表現出更為悲觀的增速預期。

(二)中國經濟風險中的確定性特征識別

基于在險增長模型的結果表明，不確定性對經濟風險具有明顯的非對稱影響。其中，伴隨著不確定性水平的升高，經濟下行風險顯著增加，而經濟上行風險則較為穩定，從而致使經濟風險表現出明顯的非對稱性特征。然而，在險增長模型僅是基于未來經濟增長風險值的視角，實現對經濟風險的衡量。事實上，經濟風險還可以利用預期經濟增速分布尾部區域的脆弱性進行測度。因此，本文將根據分位數回歸結果，擬合形成完整的預期經濟增速分布，以期進一步量化經濟上行及下行風險，繼而識別不確定性沖擊下經濟風險的確定性特征，具體過程如下。

首先，將分位數回歸得到的系數矩陣代入式(33)，可以得到分位數的近似估計和累積分布函數。此后，為使用概率密度函數擬合分位數回歸的估計結果，本文引入Azzalini和Capitanio (2003)提出的偏態t分布，其概率密度函數可以表示為:

其中，t(?)和T(?)分別表示偏態t分布的概率密度函數和累積分布函數。偏態t分布包含四個參數，分別為分布的期望μ、標準差ω、偏度η以及自由度υ。事實上，偏態t分布本質上就是在t分布的基礎上引入了表示偏度的參數η。當η＝0 時，偏態t分布能夠退化為傳統t分布；當η＝0 且υ＝∞時，偏態t分布可以進一步退化為正態分布；當η≠0 且υ＝∞時，偏態t分布可以轉變為偏正態分布。接下來，令條件分位數xt)與偏態t分布累積分布函數的反函數F－1(q；μ，ω，η，υ)之間的距離平方和最小，能夠估計出偏態t分布的四個參數:

1.預期經濟增速的時變運行區間刻畫

根據估計出的偏態t分布參數，本文可以在圖8 與圖9 中描繪出基于不確定性條件的時變預期經濟增速分布結果。其中，X軸表示預期經濟增速，Y軸為時間，Z軸為預期經濟增速分布的概率密度函數。不難發現，預期經濟增速的分布結果與圖6 及圖7 中的預期經濟增速走勢在總體上較為相似。事實上，圖8 與圖9 能夠更為直觀地反映未來經濟增速的區間變動。其中，經濟不確定性條件下的經濟增速區間跨度相對較大，并且具有明顯的時變特征；而金融不確定性條件下的經濟增速區間則相對集中，并且表現出較強的穩定性。

圖8 經濟不確定性條件下預期經濟增速分布

圖9 金融不確定性條件下預期經濟增速分布

綜觀圖8 與圖9 能夠發現，經濟不確定性與金融不確定性條件下的經濟增速區間存在著明顯的共性特征。一方面，就時間變化趨勢而言，2002 年至2007 年期間，經濟增速區間明顯右移；而在全球金融危機后，經濟增速區間開始緩慢左移，這與中國過去二十年經濟增長的階段轉換密切相關，也意味著中國經濟已經實現由高速增長階段轉向高質量發展階段。另一方面，就不同時點上經濟增速的區間特征而言，在不確定性較低的繁榮時期(例如2006 年、2012 年)，經濟增速區間相對較短，經濟預期較為確定；在不確定性較高的衰退時期(例如2008 年、2020 年)，經濟增速區間明顯較長，經濟預期存在較大的潛在波動空間。顯然，這從經驗事實的視角進一步印證了不確定性對預期經濟增速分布的沖擊存在非對稱性，表明前文的分位數回歸結果具有較強的穩健性。事實上，分位數回歸的結果還表明，與金融不確定性相比較，經濟不確定性蘊含更多引發經濟增速變動的信息，能夠對經濟增速產生更為強勁的驅動力。這也導致了圖8 與圖9 的顯著差異，即無論從經濟增速的區間跨度抑或從概率分布的偏斜程度來看，基于經濟不確定性條件的預期經濟增速分布的波動都更為劇烈。

2.基于相對熵值和期望損失指標的中國經濟風險確定性特征分析

本文運用偏態t分布擬合形成了具體的預期經濟增速分布，其中預期經濟增速分布即為分別考慮經濟不確定性以及金融不確定性的條件經濟增速分布。接下來，本文將從預期經濟增速分布尾部區域的脆弱性(即不確定性)對預期經濟增速分布尾部區域影響程度的視角出發，利用相對熵值和期望損失兩種指標，進一步量化經濟上行風險與下行風險，從而印證不確定性對經濟風險的非對稱影響，探析不確定性沖擊下經濟風險的確定性特征。

相比于無條件經濟增速分布，條件經濟增速分布給右尾和左尾區域帶來的超額概率質量能夠有效表征經濟上行及下行風險。因此，本文采用gyt＋m表示無條件經濟增速分布的概率密度函數，表示條件經濟增速分布的概率密度函數，根據條件經濟增速分布與無條件增速分布的尾部概率差異，將預期經濟增速的上行熵值與下行熵值分別定義為與:

其中，是的累積分布函數，是條件經濟增速分布的中位數。事實上，下行熵值衡量的是條件中位數以下條件概率和無條件概率的差異，因此當下行熵值較高時，條件經濟增速分布的左尾區域相較于無條件增速分布具有更大概率，經濟具有更高的下行風險。類似地，上行熵值衡量的是條件中位數以上條件概率和無條件概率的差異，因此當上行熵值較高時，條件經濟增速分布的右尾區域相較于無條件增速分布具有更大概率，經濟具有更高的上行風險。

此外，另一種衡量方法是利用期望損失(expected shortfall)模型測算條件經濟增速分布尾部區域的平均經濟增速，并以此量化經濟上行及下行風險。其中，期望損失能夠有效測度經濟的下行風險，而期望損失的上尾對應值則可以清晰地展現經濟的上行風險。具體地，對于一個給定的目標概率π，期望損失及其上尾對應值可被分別定義為SFt＋m和LRt＋m:

事實上，IMF 明確提出將5%分位數的預期經濟增速定義為在險經濟增長率(以下簡稱“在險增長率”)，并以此衡量經濟的下行風險(IMF，2017)。因此，在尾部風險的置信水平選擇上，為了與在險增長率的定義相匹配，本文將期望損失模型的目標概率設定為5%。此外，比較期望損失和相對熵值的定義能夠發現，盡管這兩種方式均衡量了預期經濟增速的上行及下行風險，但是期望損失和相對熵值測度的信息含量明顯不同。其中，期望損失及其上尾對應值僅從條件經濟增速分布的視角刻畫了絕對尾部行為；而相對熵值則綜合考慮了條件和無條件兩種經濟增速分布，描繪了條件經濟增速分布與無條件經濟增速分布的尾部概率差異，即相對尾部行為。

在描述了經濟風險的衡量方法后，本文在圖10 中分別利用相對熵值和期望損失指標，清晰地量化了經濟不確定性與金融不確定性條件下的經濟上行及下行風險。其中，圖10(a)與圖10(b)描繪了預期經濟增速上行熵值和下行熵值的動態軌跡，圖10(c)與圖10(d)刻畫了期望損失及其上尾對應值的時變波動。綜觀圖10，盡管相對熵值和期望損失兩種指標在度量經濟風險時存在一定的信息差異，但是卻展現出極為相似的預測結果。

圖10 基于相對熵值和期望損失指標的經濟風險走勢

一方面，觀察圖10(a)與圖10(b)不難看出，預期經濟增速的上行熵值與下行熵值均呈現出明顯的波動態勢。其中，在全球金融危機以及新冠肺炎疫情期間(2008 年以及2020 年)，下行熵值大幅增加繼而顯著高于上行熵值。這表明，與無條件經濟增速分布相比，預期經濟增速分布的左尾具有更大的概率質量，意味著不確定性沖擊使得經濟具有更高的下行風險。這與前文強調的不確定性能夠造成非對稱影響的結論一致，進一步說明了不確定性沖擊中的確定性特征。需要注意的是，下行熵值在2010 年以后迅速降低，追根溯源，金融危機時期，為應對經濟增速快速回落以及出口負增長等嚴峻形勢，中國通過擴大政府投資和銀行信貸等方式，采取了一系列大規模的刺激政策，旨在保障經濟平穩較快增長，這些宏觀調控舉措使得預期經濟增速的下行熵值顯著下降，最終接近于同期的上行熵值。類似地，2020 年后，伴隨著新冠肺炎疫情形勢的逐漸好轉，下行熵值同樣表現出快速下降的波動趨勢。這表明，中國經濟具有較好的恢復能力，能夠從新冠肺炎疫情的泥淖中迅速復蘇，意味著中國具有較強的經濟韌性與發展潛力。

另一方面，觀察圖10(c)與圖10(d)能夠發現，期望損失和上尾對應值的波動路徑，與圖6 及圖7 中低分位數和高分位數預期經濟增速的動態軌跡較為相似。具體而言，期望損失及其上尾對應值同時呈現出明顯的波動態勢，但是，期望損失的波動顯然更為劇烈。例如，在全球金融危機、中美貿易摩擦以及新冠肺炎疫情等極端事件期間，期望損失表現出大幅下降的態勢，而上尾對應值則僅有相應的微幅震蕩。上述發現意味著，預期經濟增速分布的尾部風險存在著顯著差異，與經濟上行風險相比較，經濟下行風險相對更大，波動也更為劇烈。因此，綜觀相對熵值與期望損失的模型測度結果能夠發現，不確定性沖擊對經濟風險具有明顯的非對稱影響，伴隨著不確定性的升高，經濟下行風險顯著增加，而經濟上行風險則明顯較為穩定。這與在險增長模型中低分位數和高分位數預期經濟增速走勢的非對稱性特征相呼應，繼而有效印證了不確定性沖擊下經濟風險的確定性特征。

此外，綜觀圖10 能夠發現，無論是從相對熵值還是期望損失來看，經濟不確定性均具有更為明顯的下行驅動作用。一方面，就相對熵值而言，在全球金融危機、中美貿易摩擦以及新冠肺炎疫情期間，基于經濟不確定性條件的下行熵值的波峰始終相對更高。另一方面，就期望損失而言，在上述極端風險事件期間，基于經濟不確定性條件的期望損失的波動幅度同樣更為劇烈，例如，新冠肺炎疫情時期，經濟不確定性條件下的期望損失大幅降低(－13%)，而金融不確定性條件下的期望損失最終停留在相對較高的增速水平(－9%)。因此，本文從經濟風險的多維度視角，進一步展示了經濟不確定性與金融不確定性影響的異質性。需要注意的是，觀察經濟風險指標的時變走勢不難看出，盡管目前經濟下行風險水平已從峰值回落，但中國仍處于不確定性較高的發展階段，潛存一定的經濟下行風險。

五、中國經濟風險的時變路徑識別與驅動機制分析

本文基于在險增長模型，描繪了預期經濟增速的分布特征，刻畫了不確定性對經濟風險的非對稱影響；隨后又利用相對熵值、期望損失等測度方法，進一步印證了不確定性沖擊下經濟風險的確定性特征。然而，前文僅從經濟風險的識別視角，揭示了不確定性視閾下經濟風險的波動特征，并未對不確定性沖擊的動態影響進行深入探究。因此，為了實現不確定性沖擊下經濟風險的時變路徑識別與驅動機制分析，本文將綜合考量經驗證據和理論模型的預期結果，以期對不確定性的沖擊效應進行系統性分析。

為了將經驗證據與理論模型相匹配，我們選取季節調整后的實際GDP 季度值以及未經過標準化處理的季度不確定性指數進行研究。需要說明的是，為了便于敏銳地捕捉不確定性對經濟增速的動態影響，本文根據理論分析中預期經濟增速的定義gt＋1＝lnyt＋1－lnyt，采用環比經濟增速作為經濟增速指標。具體地，本文首先計算實際GDP 季度值的迭代變化得到環比經濟增速，隨后又對環比經濟增速進行年化處理，最終采用年化環比經濟增速指標展開進一步研究。①本部分的預期經濟增速為采用實際GDP 季度值計算得到的季度年化環比增長率。

(一)不確定性的經濟增長效應分析

為了探究不確定性的經濟增長效應，驗證理論分析中不確定性對經濟增速均值、波動率等分布特征的影響，本文分別在圖11 和圖12 中展示經濟不確定性和金融不確定性與經濟增速特征的相關性。其中，經濟增速的分布特征由經濟增長率及其高階矩構成，具體以八期滾動窗測算的經濟平均增速、經濟增速波動率以及經濟增速分布偏度三方面度量。

圖11 經濟不確定性與經濟增速特征的相關性

圖12 金融不確定性與經濟增速特征的相關性

綜觀圖11 與圖12 不難看出，經濟不確定性與金融不確定性對經濟增速分布特征的影響較為一致。首先，觀察圖11(a)與圖12(a)可知，不確定性與經濟平均增速呈現明顯的負相關關系。這是由于，無論是經濟不確定性還是金融不確定性，在微觀層面均會影響居民的資產配置及企業投資，而在宏觀層面又會導致產出和消費的明顯下降，弱化宏觀經濟政策的調控效果，即不確定性能夠引致經濟活動減緩，從而使經濟增長產生收縮效應。其次，根據圖11(b)與圖12(b)可知，不確定性與經濟增速波動率的相關系數顯著為正。事實上，不確定性的增加能夠導致經濟增速分布的方差(即波動率)顯著上升，致使經濟增速具有更大的波動空間，而經濟增速的波動會再度反饋至不確定性，形成明顯的動態交互效應，進而使得不確定性與增速波動率具有高度的相關性。最后，由圖11(c)與圖12(c)可知，不確定性與經濟增速分布偏度具有負相關關系，表明不確定性會導致經濟增長概率分布曲線趨于負向偏斜，從而引致更大的經濟下行空間。有鑒于此，本文從經驗證據的視角印證了理論分析中不確定性對經濟增速相關特征的影響，即不確定性的增加會導致經濟平均增速明顯下降，引發經濟增速劇烈波動，并促使經濟增長概率分布負向偏斜。

對比圖11 和圖12 所示的相關系數能夠發現，經濟不確定性和金融不確定性與經濟增速分布特征的相關性存在一定差異。其中，無論是就經濟平均增速、經濟增速波動率還是經濟增速分布偏度而言，經濟增速分布特征與經濟不確定性的相關系數均明顯更大。這意味著，與金融不確定性相比，經濟不確定性能夠引致更為顯著的經濟下行風險。究其原因，金融不確定性作為經濟景氣預測的先行指標，能夠更為靈敏地捕捉經濟波動，而經濟不確定性更多表現為宏觀經濟波動的同步指標。因此，當經濟不確定性顯著升高時，實體經濟層面勢必呈現出明顯的實質性波動，即經濟不確定性對經濟增速分布的影響相對更大。鑒于此，本文在印證理論分析中不確定性影響經濟增長分布特征的同時，也進一步說明相較于金融不確定性，經濟不確定性對于經濟風險的影響更為顯著。

(二)不確定性對中國經濟風險的時變沖擊路徑識別

在初步驗證不確定性的經濟增長效應后，本文將從理論分析與經驗證據兩個視角刻畫不確定性對中國經濟風險的時變沖擊路徑。其中，對于在險增長模型中的預期經濟增速分布而言，不確定性對經濟風險的沖擊路徑可以從以下兩個方面進行深入探討:一是不確定性對預期經濟增速分布的時變沖擊效應，二是不確定性對預期經濟增速分布的實際沖擊效應。

1.不確定性對預期經濟增速分布的時變沖擊效應分析

一方面，根據理論模型中的構造，σ2為刻畫不確定性的唯一參數。因此，為便于計算不確定性對預期經濟增速分布的沖擊效應，本文首先設定σ＝1。現有文獻中的常見取值，如王立勇和徐曉莉(2018)，將中國的效用貼現率β設為0.98。接下來，根據式(12)，改變σ值使得不確定性τ增加10%①根據不確定性指數的實際數據，不確定性增加1 單位標準偏差沖擊對應于不確定性τ 增加10%。，以期得到不確定性對預期經濟增速分布沖擊的理論預期結果。另一方面，利用不確定性指數與經濟增速數據，可以構建如式(31)所示的條件分位數回歸模型。需要說明的是，本文根據Jorda(2005)的局部投影估計方法，利用不同預測期m＝1，2，…，12 (季度)回歸系數的變化路徑，表征不確定性沖擊對預期經濟增速的動態影響。在此基礎上，給定經濟不確定性與金融不確定性1 單位標準差沖擊，即可得到不同分位數預期經濟增速的脈沖響應。因此，本文在圖13 中描繪出不確定性對預期經濟增速分布的沖擊路徑。其中，圖13(a)展示了理論模型預期的脈沖響應結果，圖13(b)與圖13(c)則分別刻畫了經濟不確定性與金融不確定性沖擊的脈沖響應結果。

圖13 預期經濟增速分布對不確定性沖擊的脈沖響應軌跡

圖13 中理論分析與經驗證據的結果一致表明，不確定性對低分位數與高分位數預期經濟增速的沖擊具有明顯的非對稱性，這與前文的研究結論完全相符。具體地，就理論模型的預期結果圖13(a)而言，不確定性沖擊增加1 單位，會立刻引致預期經濟增速的5%分位數下降3%，95%分位數上漲2%；就經驗證據圖13(b)與圖13(c)而言，經濟不確定性與金融不確定性沖擊增加1 單位，會立刻引致預期經濟增速的5%分位數下降5%，95%分位數上漲2%。這意味著，不確定性沖擊會迅速使得未來經濟增速的下限值大幅度下降，經濟增速上限值小幅度上升，從而顯著增加經濟下行風險，同時較小地增加經濟上行風險。

比較圖13(b)與圖13(c)中的脈沖響應軌跡不難發現，經濟不確定性與金融不確定性的沖擊效應存在著明顯差異。一方面，從沖擊效應的持續時間來看，經濟不確定性的影響周期相對更長。其中，經濟不確定性對低分位數預期經濟增速的影響存在一定的滯后效應，致使低分位數預期經濟增速于第2 期實現最大負向響應。然而，金融不確定性對低分位數預期經濟增速的沖擊則在第1 期達到峰值，隨后，脈沖響應軌跡呈現穩定的收斂趨勢。另一方面，從沖擊效應的影響程度來看，盡管低分位數預期經濟增速對兩種不確定性沖擊的脈沖響應在第12 期均為－1%，但是經濟不確定性對5%分位數預期經濟增速的最大沖擊接近－6%，而同期(第2 期)金融不確定性沖擊僅為－3%，意味著經濟不確定性具有更大的下行驅動力。

綜上所述，理論模型的預期結果與實際沖擊的時變路徑在總體上較為相似，表明不確定性沖擊下經濟風險具有確定性響應路徑的同時，也進一步印證了理論分析框架的合理性。根據預期經濟增速分布的脈沖軌跡，相比于金融不確定性，經濟不確定性沖擊不僅持續時間更久，而且影響程度更大，能夠引致更大的經濟下行風險。此外，理論分析與經驗證據的結果還表明，不確定性的沖擊效應隨著時間的推移逐漸收斂。這意味著，即使沒有外生宏觀調控政策的對沖，不確定性沖擊的負面影響也會逐漸減弱，體現了經濟具有恢復增長的內在韌性。但是，12 期(三年)后的沖擊效應仍未減弱至零，表明不確定性沖擊需要較長的消化周期，能夠對經濟增長產生長遠的負向影響。

2.不確定性對預期經濟增速分布的實際沖擊效應檢驗

為了深入探究不確定性對經濟風險的實際沖擊效應，本文基于預期經濟增速分布特征中分散程度以及在險增長率(5%分位數的預期經濟增速)的脈沖響應軌跡，揭示不確定性沖擊對未來經濟增速的區間范圍以及經濟下行風險的時變影響。進一步地，為了模擬更大規模不確定性沖擊的預期影響，本文再度調整理論模型中的參數σ，使得不確定性水平增加20%，繼而實現不同規模理論沖擊與實證沖擊的對比分析，刻畫不確定性的實際沖擊效應。圖14 展示了預期經濟增速分布對不同規模不確定性沖擊的脈沖響應結果。其中，圖14 (a)與圖14 (c)描繪了不確定性對預期經濟增速分布分散程度的沖擊效應，圖14 (b)與圖14 (d)則刻畫了不確定性對在險增長率的沖擊效應，虛線表示經濟不確定性或金融不確定性增加1 單位標準差沖擊后產生的脈沖響應軌跡。需要說明的是，分散程度利用預期經濟增速分布的上4 分位數(75%分位數)與下4 分位數(25%分位數)之差，即4 分位距予以衡量。4 分位距將預期經濟增速分布的尾部風險值排除在外，能夠在反映未來經濟增速區間主體范圍的同時，更清晰地展現經濟增長“期望值”(即未來經濟增速預測值)的運行區間。

圖14 預期經濟增速分布對不同規模不確定性沖擊的脈沖響應

一方面，就圖14 中理論模型的預期結果而言，不確定性增加10%會立刻導致預期經濟增速分布的分散程度增加2%，在險增長率下降4%；而不確定性增加20%則會引致分散程度增加4%，在險增長率降低6%。另一方面，就圖14 中的實證結果而言，1 單位經濟不確定性與金融不確定性沖擊能夠使得分散程度立刻增加2.5%，在險增長率下降5%。因此，結合圖13 中不同分位數預期經濟增速對不確定性沖擊的脈沖響應軌跡可以判斷，不確定性沖擊能夠引致未來經濟增速的運行區間范圍迅速擴張。其中，區間上限會小幅下降，而區間下限會大幅降低，這意味著不確定性在驅動經濟下行的同時也顯著擴大了經濟增速的下行空間。

此外，無論是從預期經濟增速分布分散程度還是在險增長率的脈沖響應來看，經濟不確定性造成的沖擊效應都更為劇烈，十分接近大規模沖擊的影響程度。具體而言，觀察圖14(a)與圖14(c)可知，經濟不確定性對分散程度的沖擊效應在前兩期相等且最大，隨后呈現出緩慢的波浪式下降趨勢。但是，第7 期后的沖擊不再減弱，始終停留在1.5%的水平附近；金融不確定性對分散程度的沖擊在第1 期實現最大值后隨即收斂，最終減弱至零。這意味著，經濟不確定性能夠對未來經濟增速造成一定規模的永久性沖擊，即1 單位經濟不確定性沖擊會使得經濟增速的區間范圍擴大1.5%，這也印證了基于經濟不確定性條件的預期經濟增速更為分散的分布特征。類似地，比較圖14(b)與圖14(d)可以發現，經濟不確定性對在險增長率的沖擊效應始終圍繞在大規模沖擊附近，而金融不確定性對在險增長率的影響相對較小且衰減較快。因此，本文從預期經濟增速分布特征的視角，進一步說明了經濟不確定性沖擊的影響程度更大、持續時間更久。

需要注意的是，比較圖14 中實證數據與理論模擬的脈沖結果不難發現，無論是就經濟不確定性還是金融不確定性而言，不確定性的實際沖擊效應均介于理論模型預期的小規模沖擊與大規模沖擊之間。這意味著，不確定性對預期經濟增速的實際影響明顯大于理論分析中同等規模的沖擊效應。究其原因，相比于理論模型擬合的預期沖擊，不確定性除了能夠通過產生恐慌情緒等難以量化的微觀渠道放大其實際沖擊效應，更為重要的是，在不確定性降低經濟增速的同時，經濟增速的下降還會引致不確定性水平的進一步增加，即不確定性對經濟增長的影響存在“雙向反饋” 的動態溢出循環。這使得不確定性沖擊在現實情境下表現出更為復雜的經濟效應，能夠加劇不確定性對經濟風險的實際沖擊作用。

(三)基于理論框架的中國經濟風險驅動機制分析

本文通過綜合分析理論模型預期與實證檢驗的脈沖響應結果，有效揭示了不確定性沖擊下經濟風險具有確定性的時變響應路徑，驗證了理論模型構建的合理性。然而，這也衍生出一系列問題:何為“技能缺口”? 為何“技能缺口” 的波動能夠定義不確定性?不確定性又如何驅動經濟風險?

所謂技能缺口，其在理論模型中等價于企業現有技能組合與最優技能組合之差，而在本質上反映的是經濟投入要素(包括勞動和資本投入)無法滿足企業技術要求的比例。不難發現，技能缺口充分體現了企業技術水平與投入要素之間的矛盾關系，技能缺口越大，表明企業的技術水平與投入要素越不匹配。從企業的實際生產經營決策來看，技術水平以及投入要素的動態調整，正是企業應對外部環境不確定的內在表現，因此本文利用技能缺口的波動刻畫不確定性。事實上，企業動態調整技術以及投入要素這一過程，能夠根據企業實際產出與潛在產出的比例波動進行清晰刻畫。而在實踐中，產能利用率作為總產出對生產設備的比率，可以有效地反映實際產出對潛在產出的比例。有鑒于此，本文將產能利用率與技能缺口聯系起來，利用產能利用率的波動對不確定性的概念進行量化，繼而從實際生產的視角闡釋不確定性的經濟含義，分析理論框架中不確定性對經濟風險的驅動機制。

圖15 展示了產能利用率波動與經濟下行風險的相關性。其中，圖15(a)描繪了產能利用率波動與經濟不確定性條件下在險增長率的相關性，圖15(b)則刻畫了產能利用率波動與金融不確定性條件下在險增長率的相關性。不難發現，產能利用率波動與在險增長率呈現出明顯的負相關關系。究其原因，當經濟景氣繁榮時，廠商往往過度樂觀，盈利能力的提高會強化其對未來看好的預期，廠商會擴大投資并提高產能利用率；一旦經濟景氣發生逆轉，市場需求會迅速下降，此時產能過剩不可避免，進而經濟主體產能利用率降低，這在一定程度上會加劇經濟波動。因此，產能利用率的大幅波動意味著外部環境具有強烈的不確定性，故與更大的經濟下行風險密切相關。

圖15 產能利用率波動與經濟下行風險的相關性

此外，比較圖15(a)與圖15(b)可知，與金融不確定性條件下的在險增長率相比，產能利用率波動與經濟不確定性條件下的在險增長率相關系數明顯更大。追根溯源，產能利用率作為衡量生產部門尤其是第二產業生產經營狀況的重要指標，與基于實體經濟層面的經濟不確定性關系更為密切，而與金融市場的不確定性關聯程度則相對較小。因此，產能利用率波動與經濟不確定性引致的下行風險相關性更為顯著。本文基于產能利用率的視角，運用實際數據刻畫了理論框架中技能缺口的概念，繼而在分析產能利用率波動與經濟下行風險相關性的同時，闡釋了內生不確定性的經濟含義，進而有效印證了技能缺口—內生不確定性—經濟風險的驅動機制。

六、結論與政策啟示

首先，本文利用高維因子模型，實現經濟不確定性與金融不確定性的分離測度。其次，基于經濟增長概率分布的視角，本文將經濟增長與不確定性納入在險增長的統一框架，繼而識別不確定性視閾下經濟風險的確定性特征。最后，本文綜合考量經驗證據與理論模型的預期結果，實現不確定性沖擊下經濟風險的時變路徑識別與驅動機制分析。本文得出如下結論。第一，預期經濟增速的條件分位數回歸結果表明，不確定性對經濟風險具有明顯的非對稱影響。相比于經濟上行風險，不確定性對經濟下行風險具有更為顯著的影響，從而能夠引致更大的經濟下行風險。隨后，基于在險增長、相對熵值以及期望損失等模型的測度結果，有效印證不確定性對經濟風險的非對稱影響，進一步揭示不確定性沖擊下經濟風險的確定性特征，即伴隨著不確定性的升高，經濟下行風險顯著增加，而經濟上行風險則較為穩定，并且當經濟處于不確定性較高的風險階段時，這種非對稱性特征會更加明顯。第二，預期經濟增速分布的時變路徑表明:一方面，就預期經濟增速的變化趨勢而言，2002 年至2007 年間，經濟增速持續升高，而在全球金融危機后，經濟增速開始逐漸放緩，證實中國經濟已經實現由高速增長階段轉向高質量發展階段。另一方面，就預期經濟增速的區間特征而言，當不確定性較低時，未來經濟增速的潛在波動空間相對較小，經濟預期較為明確；而當不確定性較高時，未來經濟增速通常具有較大的波動空間。這意味著，不確定性沖擊不僅能夠引致經濟增速大幅下降，而且會致使經濟增速下行空間顯著擴張。第三，從不確定性的時變沖擊路徑來看，不確定性沖擊下的預期經濟增速分布呈現出非對稱性的脈沖響應軌跡，并且不確定性沖擊的消化周期相對較長，能夠對經濟增長產生長遠的負向影響。從不確定性的實際沖擊效應來看，經驗證據與理論分析的預期結果表明，不確定性對經濟增長的實際影響明顯大于理論分析中同等規模沖擊的沖擊效應。這意味著，不確定性對經濟增長的影響具有“雙向反饋” 的動態溢出循環，使得不確定性在現實情境下表現出更為復雜的經濟效應，能夠加劇不確定性對經濟風險的實際沖擊作用。第四，根據預期經濟增速的條件分位數回歸結果、經濟風險的測度指標以及不確定性沖擊的脈沖響應軌跡等一系列經驗證據，經濟不確定性與金融不確定性對經濟風險具有明顯的異質性影響。其中，無論是就不確定性沖擊的影響程度還是持續周期而言，經濟不確定性的影響均更為顯著。這意味著，與金融不確定性相比較，經濟不確定性包含更多引發經濟增速波動的信息，能夠引致更大的經濟下行風險，致使經濟表現出悲觀的增速預期。

基于上述結論，本文提出如下政策建議:第一，要充分認識不確定性沖擊中的確定性規律，重視不確定性對經濟風險的非對稱沖擊效應，選擇更具針對性的監管目標和政策工具。當不確定性水平較高時，不僅應當關注未來經濟增長的預期值，更要重點監控和防范不確定性沖擊引致的巨大經濟下行風險，進一步強化風險監管與預期管理，保障經濟運行在合理區間。第二，要創新與優化宏觀經濟調控，將在險增長、相對熵值、期望損失等參考指標納入宏觀調控范疇，健全風險監測預警和早期干預機制，加強宏觀經濟政策與審慎監管措施的協調配合。第三，在應對不確定性沖擊的負面影響時，要加強與經濟主體的溝通交流，引入前瞻性指引等政策工具，強化公眾的預期管理，避免產生夸大“壞消息”、忽視“好消息” 的市場恐慌情緒。同時，要積極制定和實施宏觀調控政策，提高宏觀調控有效性，優化完善沖擊處理機制，主動防范和化解由不確定性的內生放大機制形成的疊加沖擊。第四，考慮到經濟不確定性與金融不確定性的同期水平存在顯著差異，并且經濟不確定性與金融不確定性對經濟風險具有明顯的異質性影響，監管當局應密切關注經濟和金融狀況及其不確定性因素，充分意識到金融不確定性的先導性特征，重點關注經濟不確定性的劇烈變化，在努力實現“穩增長” 與“防風險” 雙重目標的背景下，為經濟平穩健康發展營造良好的外部環境。

目前，中國正處于全面貫徹黨的二十大精神的關鍵之年，在這重要的歷史節點上，面對紛繁復雜的外部環境，國內經濟“穩增長” 承受著空前壓力。在此背景下，識別不確定性與經濟風險之間的關系，揭示不確定性中的確定性規律，對于國民經濟健康發展至關重要。唯有強化風險監管與預期管理，創新宏觀經濟調控體系，方能防范化解經濟金融風險，保持經濟運行在合理區間，進而有利于加快構建新發展格局，實現第二個百年奮斗目標，以中國式現代化全面推進中華民族偉大復興。