基于GaR尾部期望風險測度的中國宏觀審慎政策效果評估

摘" "要：宏觀審慎政策需要統籌“穩增長”與“防風險”兩大目標，在促進短期經濟增長與預防中期下行風險之間進行跨期權衡。為了評估宏觀審慎政策的實施效果，本文選取2000—2021年中國宏觀金融數據進行實證研究。首先，采用分位數向量自回歸模型分析了宏觀審慎政策對經濟增長和金融條件的影響。其次，構建在險增長尾部期望風險測度指標增長短缺和增長盈余，引入多期GS和GL到收益—風險分析框架，構造社會福利函數。最后，通過反事實情景分析，量化評估了宏觀審慎政策的跨期權衡。實證結果表明：宏觀審慎政策對經濟增長具有非對稱影響，緊縮政策在經濟繁榮時期能有效減少下行風險，而在經濟危機時應采取寬松政策以促進經濟復蘇。

關鍵詞：宏觀審慎政策；在險增長；金融條件指數；分位數向量自回歸；社會福利函數

中圖分類號：F830" "文獻標識碼：A" "文章編號：1674-2265（2024）10-0003-14

DOI：10.19647/j.cnki.37-1462/f.2024.10.001

一、引言和文獻綜述

2008年金融危機暴露了全球金融體系的脆弱性，引起了金融監管機構對現有政策框架的深刻反思。危機前，貨幣政策與微觀監管被視為維持金融穩定的雙重保障，然而金融危機意味著該模式在維護金融穩定上存在明顯不足，國際社會開始探尋更為有效的政策工具。在此背景下，宏觀審慎政策逐漸成為各國政府和金融監管機構的關注焦點，旨在促進金融體系的穩健運行，預防系統性風險的累積。中國人民銀行在2009年首次提出了宏觀審慎管理制度的構想，并在后續的政策實踐中逐步完善了這一體系。黨的十九大報告提出“健全貨幣政策和宏觀審慎政策雙支柱調控框架”，宏觀審慎政策成為我國維護金融穩定和促進經濟高質量發展的重要政策工具。目前，宏觀審慎政策已上升至“穩增長”與“防風險”政策目標組合的核心位置，如何在統一框架下權衡“穩增長”和“防風險”兩大目標之間的關系，成為宏觀審慎政策制定和實施的關鍵。

由于金融危機主要影響增長分布的左尾或低分位點，已有研究提出了GaR（Growth-at-Risk，在險增長）的概念并將其引入到最優政策決策討論中（Prasad等，2019；Suarez，2022）[1，2]。GaR建立了宏觀金融聯動分析框架，能夠將抽象的金融風險翻譯成直觀的宏觀經濟表現，在統一尺度下計量系統性風險的大小與發生概率，逐漸成為測度與檢驗系統性風險的標準工具，已經被納入國際貨幣基金組織（IMF）宏觀金融監管工具包。為了精準評估關鍵經濟變量對經濟增長尾部風險的影響，學者們結合多種評估模型進行了定性和定量的研究，將均值回歸分析（單變量回歸模型、面板數據模型和向量自回歸模型等）拓展到分位數框架下，推導出GaR類風險度量（Figueres和Jarociński，2020； De Nicolò和Lucchetta，2017；Aikman等，2019）[3-5]。例如，Adrian等（2019）[6]運用分位數回歸預測GaR，得出美國GDP增長率分布的左尾比右尾波動更大，受金融條件的影響更大。張曉晶和劉磊（2020）[7]結合多種基礎指標合成中國金融環境指數，預測了中國的GaR，深入解析了中國金融環境對經濟增長分布的非對稱影響。Arbatli-Saxegaard等（2020）[8]通過分位數回歸估計金融指標與經濟增長分布之間的關系，發現金融指標對增長分布的中位數和5%分位數的影響存在差異。這些研究表明，系統性風險累積會導致經濟下行，但系統性風險緩釋并不一定帶來經濟繁榮。因此，GaR可提供系統性風險對實體經濟潛在影響的概率評估，使得政策制定者能夠在一個統一的分析框架下權衡金融政策的收益和成本。

已有研究普遍認為宏觀審慎政策在調控金融穩定目標方面發揮了重要作用。Brunnermeier（2009）[9]認為宏觀審慎政策通過逆周期調節經濟周期風險的變化，有效維護金融穩定。李文泓（2009）[10]強調，宏觀審慎政策工具在金融體系中引入逆周期機制，通過降低信貸活動、資產價格及經濟政策的周期性波動，減少金融失衡并緩解系統性風險。Adrian等（2017）[11]進一步指出，這些政策工具能夠有效避免經濟的順周期性和過度杠桿的積累，顯著降低金融危機的概率和嚴重程度，促進金融體系的整體穩定。從傳導渠道來看，宏觀審慎政策通過銀行信貸、資產負債管理和風險承擔等多個傳導渠道共同作用于防范和控制系統性風險的最終目標。一方面，通過限制銀行信貸增長，控制資本流動以及杠桿率和債務存量的不可持續增長，減少系統性風險在時間維度上的積累（Tavman，2015；Tillmann，2015；Altunbas等，2018）[12-14]；

另一方面，通過限制金融機構相互聯系和同質化風險暴露，控制跨部門的風險傳染（張朝洋，2019；Bedayo等，2020；馬勇和姚馳，2021）[15-17]。相比于微觀審慎政策和貨幣政策，宏觀審慎政策旨在遏制整個金融系統的風險，平衡經濟周期，維護金融穩定。

宏觀審慎政策旨在鞏固宏觀經濟穩定，但其實施可能會抑制經濟活動的長期增長，即宏觀審慎政策會以降低產出增長為代價來降低金融穩定風險。例如，Kim和Mehrotra（2018）[18]的研究表明，亞洲經濟體中的宏觀審慎政策工具對產出有負面影響。Richter等（2019）[19]與Bedayo等（2020）[16]分別發現基于借款人和資本類的宏觀審慎措施貸款價值比（LTV）和逆周期資本緩沖（CCB）在短期內會抑制GDP增長率。與此同時，Sánchez和R?hn（2016）[20]探討了政策設置與GDP尾部風險之間的關系，指出緩解GDP尾部風險和促進經濟增長之間存在權衡。Duprey和Ueberfeldt（2020）[21]通過結合GDP增長率的分位數回歸與向量自回歸，提出了一個新框架來分析政策制定者如何權衡宏觀經濟和金融穩定目標。Svensson（2017）[22]的政策成本效益分析框架則表明，實行宏觀審慎管理的成本可能大于收益。這些研究表明，宏觀審慎政策對降低經濟增長的下行風險有顯著正面效果，但對分布中位和右尾的影響卻是負面的，體現了宏觀審慎政策的非對稱性。此外，宏觀審慎政策不僅對未來經濟增長概率分布有非對稱影響，其短期和長期作用也呈現出非對稱性。寬松的政策環境在短期內可能促進經濟增長，減少波動，但同時也會導致內生脆弱性不斷積累，使得中長期經濟增長不確定性加大，即預期增長與下行風險之間存在著跨期替代效應。Adrian等（2018）[23]指出了跨期替代效應的存在，通過實證研究表明金融條件會影響預期GDP增長率分布，其影響在不同預測范圍內有所差異，且分布的左尾對金融條件的反應比中位數和右尾更靈敏，表現為GaR的“期限結構”。Franta和Gambacorta（2020）[24]與Galán（2020）[25]分別從不同角度證實了宏觀審慎措施對風險的中期影響以及特定類型工具的跨期權衡；Brandao-Marques等（2020）[26]研究發現，宏觀審慎政策有助于平衡當前寬松的金融條件與未來下行風險之間的關系。進一步研究表明，金融周期中的位置（金融條件平穩期和波動期）能夠在一定程度上決定宏觀審慎政策對GDP增長率分布影響的規模和速度（Chavleishvili等，2021；馬勇和姚馳，2017；程海星，2018）[27-29]。在正常時期和擴張期收緊宏觀審慎政策對抑制中期風險增長具有積極影響，而在危機期間放松政策對降低GDP下降幅度具有積極影響。

本文在GaR類風險測度框架下，綜合考慮宏觀審慎政策的非對稱性和跨期替代效應，利用2000—2021年中國金融條件、經濟增長和宏觀審慎政策指標的季度數據，定量研究如何通過宏觀審慎政策的有效啟動來實現“穩增長”和“防風險”之間的權衡。首先，應用分位數向量自回歸模型（QVAR），探討了宏觀審慎政策變化與金融條件以及經濟增長的內在聯系，評估政策調整對經濟未來增長風險的潛在影響。參數估計結果表明：宏觀審慎政策對GDP增長率的影響具有非對稱性，緊縮的宏觀審慎政策可以降低經濟增長的下行風險，但也會對經濟增長的中位和右尾產生抑制作用。其次，基于分位數向量自回歸模型預測了未來GDP增長率的整體分布，并據此推導出GaR尾部期望風險指標增長短缺（GS）和增長盈余（GL）。實證結果顯示：GS和GL不僅考慮了特定分位點處的信息，而且綜合了整個尾部信息，能夠更好地刻畫GDP增長率的尾部風險，可以作為經濟增長的下行風險和上行風險的代表性測度，用于政策社會福利分析。最后，基于收益—風險框架構建了社會福利函數，并通過反事實情景分析，量化了周期性收緊宏觀審慎政策的跨期權衡。宏觀審慎政策評估結果表明，在經濟繁榮時期，實施緊縮型宏觀審慎政策能夠有效降低下行風險，增強金融部門對負面沖擊的抵御能力；在經濟危機時期，放寬政策則有助于經濟復蘇。

本文的創新和貢獻在于：第一，對中國的GaR尾部期望風險進行了定量測度與分析。已有文獻使用了分位數回歸和偏t分布的方法，剖析了GDP增長率條件分布受金融環境的影響，對中國的GaR風險指標進行預測（張曉晶和劉磊，2020；Gu等，2021）[7，30]。進一步，本文綜合了整個尾部風險信息，推導出左尾和右尾風險指標GS和GL，定量測度了中國的GaR尾部期望風險。第二，基于收益—風險框架，運用GaR尾部期望風險測度構造了社會福利函數。在傳統的宏觀經濟政策分析中，往往側重于評估政策對信貸市場行為、銀行資本充足率、市場流動性等特定金融指標的短期影響（葉思暉等，2020；Claessens等，2013；Cerutti等，2017）[31-33]，而本文通過考慮經濟預期增長與下行風險的跨期權衡，評估政策對長期社會福利的綜合影響。本文的做法豐富了傳統政策分析，為評估宏觀審慎政策效果提供了新的視角和工具。第三，通過反事實情景分析，定量評估了宏觀審慎政策隨時間推移在不同經濟周期和金融環境下的效果。與大多文獻采用的脈沖響應分析方法相比（程海星，2018；劉澤琴等，2022；方穎等，2022）[29，34，35]，本文的方法能夠更細致地模擬特定政策場景，揭示政策變動的異質性和非線性效應，為政策制定提供精準的分析框架。此外，它能夠捕捉到政策變動對經濟指標分布不同分位點處的非線性和不對稱影響，揭示極端情況下政策的影響，從而為宏觀經濟政策的制定提供了一種壓力測試工具。

二、經驗觀察

（一）中國宏觀經濟增長

本文使用GDP季度同比增長率作為中國宏觀經濟增長的代理變量。采用GDP同比增長率可避免因選擇季節性調整方法而引入偏差，同時能減少季度環比數據的過度波動對模型性能的影響。圖1展示了2000年第一季度至2021年第四季度中國GDP增長率的時間序列，可以看出季度GDP增長率范圍基本在5%和15%之間，其間中國經濟經歷了兩次大的沖擊：第一，全球金融危機對中國金融市場造成巨大影響，GDP增長率下降幅度較大，從2007年第二季度的15%下降到2009年第一季度的6.4%；第二，新冠疫情的沖擊使GDP增長率從2019年第四季度的5.8%下降到2020年第一季度的-6.8%。

（二）中國金融條件

本文使用金融條件指數（FCI）作為中國金融條件的代理變量。金融條件指數使用基于價格的金融市場指標構建，旨在捕捉資產價格中包含的風險價格、融資的便利性、資金成本和金融壓力的程度。本文借鑒張曉晶和劉磊（2020）[7]的方法，選取利率和資產收益率等相關基礎指標（見表 1），在此基礎上合成中國金融條件指數，金融條件指數值越高表明金融環境越緊張。具體計算方法如下：（1）確定并構建相關的指標，對數據進行標準化處理；（2）使用主成分分析（PCA）從指標中提取共同趨勢，對指標進行降維；（3）基于PCA結果，計算伴隨的因子載荷，提供關于每個分類中指標的相對重要性的信息；（4）根據因子載荷和標準化數據計算金融條件指數結果。

圖1展示了2000—2021年金融條件指數和中國季度GDP增長率的變化趨勢。可以看出，金融條件指數與GDP增長率通常呈現出負相關性，即金融環境的緊張往往伴隨著經濟增長的放緩。特別是在2008年金融危機期間，金融條件指數的升高與GDP增長率的降低尤為顯著。隨后，金融條件指數的下降和GDP增長率的回升反映了政策干預的有效性。此外，金融條件指數的周期性變化揭示了金融市場與實體經濟周期的同步性。綜合來看，宏觀經濟與金融之間存在著某種聯動關系。進一步，可以建立相應模型，定量刻畫金融條件指數與GDP增長率之間的關系。GaR為此提供了理論基礎，它將金融變量納入宏觀經濟分析，從風險管理角度研究經濟增長問題，為討論“穩增長”與“防風險”之間的關系提供了統一框架。

（三）中國宏觀審慎政策

宏觀審慎政策數據來源于國際貨幣基金組織的iMaPP數據庫，該數據庫提供了17類宏觀審慎政策工具的行動指標（見表 2）。這些指標根據政策工具的實施情況進行設定：工具實施或緊縮時記為+1，停止或放寬時記為-1，狀態不變時記為0。將每個時間點上這17個工具的虛擬指標值匯總，得出宏觀審慎政策指數[MPIt]。在iMaPP數據庫中，數據為月度觀測，本文進一步將月度數據進行匯總，計算出中國的季度宏觀審慎政策指數。

表2展示了2000年第一季度到2021年第四季度，中國各種宏觀審慎政策工具使用頻次。其中，相關準備金要求（RR）調整次數最多，累計調整44次，其次為貸款價值比限制（LTV），累計調整17次。逆周期資本緩沖（CCB）、信貸限制（LCG）、存貸比限制（LTD）等工具使用并不頻繁。總體而言，中國宏觀審慎政策工具實施情況整體傾向于緊縮，在統計區間內緊縮性調整共103次，寬松性調整共25次。

圖2展示了中國宏觀審慎政策指數從2000年第一季度到2021年第四季度的變化。可以看出，中國宏觀審慎政策指數呈現周期性波動。全球金融危機期間宏觀審慎政策指數的顯著降低體現了中國政府采取寬松政策穩定金融市場以應對危機沖擊。危機之后，隨著經濟回暖，政府逐步收緊宏觀審慎政策，以抑制經濟可能過熱的風險和防范金融風險的積累。此外，2015—2016年政策的頻繁調整則與中國經濟的供給側結構性改革有關。2020年隨著新冠疫情的暴發，政策的寬松性調整有助于支持經濟的復蘇和穩定。總體來說，通過宏觀審慎政策的調整，可以促進經濟增長，增強金融體系的韌性，以應對潛在的內外部沖擊，在“穩增長”和“防風險”之間實現平衡。

三、GaR尾部期望風險測度和政策評估

（一）GaR尾部期望風險測度

1. 在險增長測度。國際貨幣基金組織在全球金融穩定報告中推薦使用GaR來衡量金融條件帶來經濟增長的不確定性。根據Adrian等（2019）[6]的研究，GaR為給定時間跨度內GDP增長率分布的一個特定分位數，給定信息集[Ωt]定義為：

[PGDPt+h≤GaRhτ|Ωt=τ]" " （1）

式中，[GDPt+h]指[t+h]時刻GDP增長率，[GaRhτ|Ωt]指[t+h]時刻GDP在險增長，即GDP增長率低于GaR的概率為[τ]（[0lt;τlt;1]）。

2. 下行風險測度。類似于在險價值（VaR），GaR無法衡量低于GaR部分的損失大小，也不滿足“一致性風險測度”標準中的次可加性等要求。為了彌補GaR的不足，參照Yamai和Yoshiba（2002）[37]提出的Expected Shortfall（ES）風險測度，將GaR擴展到增長分布的整個左尾部，構建了增長短缺，簡稱為GS。參考Chavleishvili等（2021）[27]的研究，將GS定義為GDP增長率低于某一閾值（GaR）的條件期望值，表示為：

[GSt+h=-∞θSGDPt+hdF（GDPt+h|Ωt）=EtGDPt+hGDPt+hlt;θs，Ωt×PGDPt+hlt;θs，Ωt]" "（2）

式中，[F（GDPt+h|Ωt）]為[GDPt+h]在信息集[Ωt]下的條件累積分布函數，[Et+h[GDPt+h|Ωt]]表示GDP增長率的條件期望，閾值[θs∈R]可設為較低的條件分位數，如[θs=GDP0.05t+h]。

若考慮預測時距內的均值，可得到平均未來增長短缺（Average Growth Shortfall，AGS），定義為：

[AGSt+H=1Hh=1HGSt+h]" " （3）

式中，[H]表示預測范圍內的季度數。

3. 上行風險測度。金融穩定政策可能側重于遏制下行風險，但也應考慮對經濟預期（平均）增長率或未來GDP增長率右尾的影響。因此，本文將增長短缺的右尾對應稱為增長盈余，簡稱GL，定義為：

[GLt+h=θL+∞GDPt+hdF（GDPt+h|Ωt）=EtGDPt+hGDPt+hgt;θL，Ωt×PGDPt+hgt;θL，Ωt]" "（4）

相似地，考慮預測時距的均值，可以定義平均增長盈余（Average Growth Longrise，AGL）為：

[AGLt+H=1Hh=1HGLt+h]" "（5）

（二）分位數向量自回歸模型和風險測度

1. 分位數向量自回歸模型。為了考察GaR類風險管理框架下相關指標或變量之間的關系，本文采用Chavleishvili和Manganelli（2019）[38]提出的分位數向量自回歸模型來預測GDP增長率的整體分布，采用一階滯后形式：

[Yt+1=ωτ+A0τYt+1+A1τYt+?τt+1]" "（6）

[P?τji，t+1lt;0|Ωit=τj， i=1，2，3， j=1，…，p]" "（7）

式中，[Yt]包含三個內生變量，分別為實際季度GDP同比增長率[GDPt]、宏觀審慎政策指數[MPIt]以及金融條件指數[FCIt]，可表示為[Yt=GDPt，MPIt，FCIt＇]；[Yt]為[Yt+1]的滯后一期；系數矩陣[A0]和[A1]均為[3×3]階分塊對角矩陣，根據Christiano等（1999）[39]的三角識別假設將矩陣[A0]主對角線以上元素全部設為零，形成一個下三角矩陣；[ω]為常數項向量；[?τt+1]表示結構分位點殘差向量；[τj]為[p]個不同的分位點取值，滿足[0lt;τ1lt;τ2lt;…lt;τplt;1]，[Ωit]表示[Yt]的遞歸信息集。

分位數向量自回歸模型能夠實現對經濟內生變量各分位點路徑的動態多步預測。基于[t]時刻的信息集[Ωit]，預測[t+1]時刻的條件分位數[Q1τ1|Ωit]，再迭代計算未來各時點的條件分位數。預測使用的條件分位點算子[QYi，t+h（τj|Ωit）]表示給定信息集[Ωit]下，隨機變量[Yi，t+h]的[τj]分位數。通過條件分位數的迭代生成模型中各變量[t+h]期預測的聯合分布。每個周期分位點選擇的集合對應于該內生變量系統的一個潛在路徑。結合式（6），變量的[h]期提前預測可以表示為含先前分位數路徑組合：

[Qhτh，…，τ1|Ωit=j=0h-1Bjv+Bhyt]" " （8）

式中，[v=（Inp-A0）-1ω]，[ B=（Inp-A0）-1A1]。

2. 風險測度方法。基于分位數向量自回歸模型預測結果，可以定量測度GaR尾部期望風險，具體操作流程如下：

步驟1：基于時間點[t（t=1，…，T）]的信息集，通過式（6）所定義的基準模型，分別從下尾（0.05分位點以下）和上尾（0.95分位點以上）區間內均勻地選取10個分位點，計算p=20個分位點處的參數估計值。

步驟2：分別為變量[ii=1，2，3]在下尾區間和上尾區間內生成均勻分布隨機變量[ui，t+h]，并選擇步驟1中最接近[ui，t+h]的分位點對應的參數估計值，構建參數矩陣，結合分位數向量自回歸模型迭代預測方法，隨機生成[1000]條分位點預測路徑，對每個變量進行8步向前預測，遞歸生成[Yi，t+h] [（i=1，2，3;h=1，…，8）]。

步驟3：基于[Y1，t+h]（[i=1]代表變量[GDPt+h]）的模擬計算結果對風險度量指標[GSt+h]和[GLt，t+h]進行計算，得到：

[GSt+h=1pi=1pYτi1，t+h]" " （9）

[GLt+h=1s-pi=p+1sYτi1，t+h]" " （10）

式中，[（τ1，…，τp）]為分位點隨機變量中低于[τp]的分位點序列，在后續實證中[τp]取0.05。

步驟4：對不同時間步長（[h=1，…，8]）上的[GSt+h]和[GLt+h]進行平均，得到平均風險測度[AGSt+1：t+8]和[AGLt+1：t+8]，以描述模擬的GaR尾部期望風險測度結果。

3. 反事實情景分析。根據分位數向量自回歸模型構造的風險測度框架綜合了跨期信息，支持變量沿著不同的分位點路徑進行預測，能夠全面地分析特定政策場景下內生變量的潛在響應。為了研究緊縮和寬松性宏觀審慎政策的收益與成本，本文基于分位數向量自回歸模型的反事實情景分析，通過設定代表經濟周期和政策場景的不同分位點序列來定義情景，然后根據所選情景獲得內生變量的預測，模擬特定的政策選擇對經濟變量的潛在影響。

本文的反事實情景分析旨在估計當系統受到極端尾部沖擊時內生變量的反應，其中尾部沖擊被定義為隨機變量在未來可能出現的低或高分位點概率事件，是由政策制定者選定或基于歷史危機數據校準的分位數實現序列。通過定義[[n×np]]階分位點選擇矩陣[S≡{Sγht+h}Hh=1]，為變量[i]選擇特定的分位點沖擊來模擬沖擊對經濟的具體影響。在每個預測時期[h（h=1，…，H）]下有[pn]個可能的選擇，[H]時期后有[pnH]條不同的預測路徑。通過分位點選擇矩陣[S]逐步迭代每個內生變量的分位數預測路徑，式（6）中的分位數預測可以被遞歸計算為：

[YSt+1=Sγht+1Yt+1=Bγ1t+1ω+A1Yt]" " （11）

[YSt+h=Sγht+hYt+h=Bγht+hω+A1SYSt+h-1，h≥2]" （12）

式中，[Bγht+h≡（In-Sγht+hA0S）-1Sγht+h]，[In]是[[n×n]]階單位矩陣，[S]是[[n×np]]階復制矩陣，橫向重復堆疊了[p]次[n]階單位矩陣，用于將模型中的分位數選擇信息擴展回原始預測向量[Yt+1]的維度，確保在進行條件分位數預測時不丟失整個系統動態的完整信息。通過該迭代方式，可以在給定沖擊下對變量進行條件分位數預測，基于特定反事實場景的分位數路徑得到長度為[h（h=1，…，H）]的樣本預測值：

[YSt+1，YSt+2，…，YSt+h]" "（13）

（三）社會福利函數構造

宏觀審慎政策的核心目標在于控制經濟增長的下行風險。然而，一項有效控制未來經濟下行風險的宏觀審慎政策，可能會對近期經濟增長造成不利影響。為此，需要權衡近期經濟增長與未來下行風險，建立一個統一的分析框架，評估宏觀審慎政策的有效性。

本文在GaR風險測度體系下，將期望增長（EG）看成收益， GS看作風險，引入跨期折扣因子[β]以及風險偏好參數[λ]對未來多期福利進行折現，在多期收益與風險之間進行權衡，構造社會福利函數：

[Ut=h=1∞βh[（EGt+h+λ-1）GSt+h]" " "（14）

式中，

[EGt=-∞+∞GDPtdFtGDPt=-∞θGDPtdFtGDPt+θ+∞GDPtdFtGDPt=GSt+GLt]" （15）

可將收益（EG）與風險（GS）之間的權衡轉化為經濟增長分布的右尾GL與左尾GS之間的權衡。因此，結合式（14）與（15），將宏觀審慎政策的目標設定為社會福利函數的最大化問題：

[maxUt=maxh=1∞βh[（EGt+h+（λ-1）GSt+h]=maxh=1∞βh[GSt+h+GLt+h+λ-1GSt+h=maxh=1∞βhGLt+h+λGSt+h] （16）

式中，[β∈[0，1]]為跨期折現因子，風險偏好參數[λgt;1]，反映出GS在最優政策決策中占據更大的權重，體現出對下尾風險的厭惡態度。在下文的實證研究中，將通過分位數向量自回歸模型捕捉宏觀審慎政策工具對經濟增長分布的直接影響，以及通過金融條件指數傳遞的間接影響，對跨期社會福利函數的必要元素[GSt+h]和[GLt+h]進行估計。

四、實證研究

（一）變量描述性統計和ADF檢驗

表3報告了變量的描述性統計和ADF檢驗結果。由ADF檢驗結果可以看出，GDP增長率、金融條件指數和宏觀審慎政策指數均為平穩時間序列，滿足分位數向量自回歸模型的建模條件。

（二）分位數向量自回歸模型估計

基于2000—2021年的樣本，本文估計三變量（[GDPt]、[MPIt]和[FCIt]）的分位數向量自回歸模型，在9個分位點（0.1至0.9）處所得的參數估計和95%置信區間結果見圖3。[A0]矩陣展示了所有的同期關系系數，它是一個對角線元素為0的下三角矩陣，其結構基于Christiano等（1999）[39]提出的Cholesky識別方法。[A1]矩陣為所有的滯后一期系數，這些系數可以清晰地反映出GDP增長率、宏觀審慎政策指數和金融條件指數之間的同期和滯后效應。

根據同期系數矩陣[A0]的結果，可以觀察到在低分位點處（0.1分位點附近），宏觀審慎政策指數與GDP增長率之間存在顯著的正相關關系，意味著宏觀審慎政策能夠穩定經濟增長，符合政策目標。此外，在高分位點（0.8、0.9分位點）處，宏觀審慎政策指數對金融條件指數存在正向的同期影響，說明在金融環境處于極端狀態下時，緊縮的宏觀審慎政策會使金融條件更加緊張。與Chavleishvili等（2021）[27]、Chavleishvili和Manganelli（2019）[38]、Falconio和Manganelli（2020）[40]所得分位數向量自回歸模型估計結果類似，[A0]中系數在多數情況下不顯著，反映出在實際場景中宏觀金融變量相互影響的滯后性。

滯后系數矩陣[A1]可以對內生變量的自回歸結果（主對角線上的三個元素）和內生變量的交互效應（上三角和下三角元素）進行分析。由內生變量的自回歸結果可知：第一，GDP增長率的滯后一期自回歸系數在中間分位點顯著為正，但左尾和右尾處較低，揭示出中國經濟具有慣性效應，在經濟平穩增長期上一期的增長對當前增長有較強的正向影響，而在極端經濟狀況下，金融沖擊或政策干預可能削弱此影響。第二，宏觀審慎政策指數的自回歸系數在0.1和0.4之間，表明政府的政策干預傾向于保持連續性。第三，金融條件指數的自回歸系數隨分位點有較大變動，整體呈現上升趨勢，表明中國的金融條件具有較強的自我持續性。這種自我持續性可能源于金融市場的預期形成和行為慣性，當市場預期金融條件繼續緊縮時，各類市場參與者可能會更加保守，進一步加劇了金融條件的緊張。

通過模型中內生變量的交互系數可以看出：第一，宏觀審慎政策對GDP增長率滯后一期的影響在不同分位點處存在非對稱性，表明緊縮的宏觀審慎政策在短期內能夠降低經濟增長的下行風險（低分位點處正相關），但對上尾增長具有抑制作用（高分位點處負相關）。因此，在政策設計時，需要充分考慮預期增長和下行風險之間的權衡。第二，金融條件指數對GDP增長率的滯后一期系數為負，與張曉晶和劉磊（2020）[7]的研究結果一致，即金融條件惡化會對經濟增長產生顯著的負面影響，且這一影響在經濟高增長階段更大，而在經濟下行壓力較大時有所減弱。

綜上所述，這些結果反映了中國宏觀審慎政策與經濟增長和金融環境之間存在著復雜的動態關系。政策制定者在制定宏觀審慎政策時，需要考慮其對經濟增長和金融條件影響的非對稱性，適時調整政策以權衡短期經濟增長和長期增長風險，確保在促進經濟增長的同時，防范長期風險累加。

（三）分位數脈沖響應分析

本文通過基于分位數向量自回歸模型的分位數脈沖響應分析，評估宏觀審慎政策沖擊對GDP增長率和金融條件指數的影響。圖4展示了滯后一期宏觀審慎政策指數的一個標準差沖擊在不同分位點處對GDP 增長和金融條件指數的分位數脈沖響應結果。結果顯示，宏觀審慎政策對GDP增長率低分位點處（5%）的沖擊為正，中高分位點（50%、95%）為負，進一步印證了宏觀審慎政策對經濟增長的非對稱影響。對于金融條件指數，其脈沖響應曲線均位于0刻度線下方，表明宏觀審慎政策的緊縮有助于緩解金融市場的壓力，增強金融穩定。此外，脈沖響應均在2期左右達到峰值，隨后逐漸衰減，在10期后趨近于0，說明宏觀審慎政策的影響具有滯后性和時效性。

（四）下行風險和上行風險的估計

本節主要討論GaR類風險測度結果。在圖5中，（1）和（2）分別展示了預測一個季度和一年期5%和95%GaR隨時間的變化趨勢；（3）和（4）分別展示了預測一個季度和一年期5%GS和95%GL的結果。

從圖5可以看出，首先，經濟增長的下行風險測度（5%GaR和5%GS）和上行風險測度（95%GaR和95%GL）走勢具有較高的一致性，且每個時間點上經濟增長的實際值均包含在上行風險和下行風險的預測值區間內。其次，下行風險的波動比上行風險更加頻繁，說明宏觀金融條件和宏觀審慎政策對經濟增長的下行風險影響較大。從下行風險的評估結果來看，GaR和GS表現出明顯的差異。具體而言，GaR值呈現出較大的波動性，主要因為它關注某一特定分位點處的風險狀態，忽略了超越該分位點處的尾部特征。相比之下，GS值相對穩定，能夠更好地刻畫GDP增長率的尾部風險，主要因為GS涵蓋了經濟增長條件分布的左尾信息。最后，從長短期預測精度來看，5%GaR和95%GaR的結果在長期預測上的精度明顯低于短期預測，而5%GS和95%GL長期和短期的預測結果精度差別不大。基于這些發現，本文采用GS和GL作為經濟增長下行風險和上行風險的代理變量，將其引入社會福利函數中。

（五）穩健性檢驗

1.更換金融條件指數。參考張曉晶和劉磊（2020）[7]的做法，本文在表1中利率和資產收益率等相關基礎指標的基礎上，加入債務存量、債務增量、金融地產和國外金融環境指標（見表 4），得到金融環境指數的基礎指標，進一步采用主成分分析法（PCA）測算中國金融環境指數。

圖6展示了2000—2021年金融條件指數與金融環境指數的趨勢對比。盡管兩者在波動幅度上存在一定差異，但其變化趨勢具有明顯的相似性。此外，在關鍵經濟事件期間，如2008年全球金融危機和2015年中國“股災”發生時，兩個指數均呈現出顯著的峰值，有效地反映了金融環境趨緊的特征。接下來，使用重新測算的金融環境指數估計分位數向量自回歸模型。從圖7可以看出，將金融條件指數替換為金融環境指數后，除極端分位點處部分參數有細微差異外，總體參數估計結果與原始結果基本趨勢和方向保持一致，表明模型具有穩健性。

2.更換分位點。將下尾和上尾分位點分別更換為1%、10%和99%、90%，重新計算了GaR類風險測度，結果見圖8。相較于前文5%、95%的測度結果，下尾1% GaR波動依然比上尾99%GaR更加劇烈，而10%和90%GaR相對平緩，說明GaR的結果易受極端值以及分位點取值的影響。對比1%和10%的GS測度結果與前文5%的GS測度結果，除了區間有所不同外，其趨勢基本保持一致。此外，99%與90%的GL測度結果與前文95%的GL測度結果在趨勢上也基本一致。這些結果進一步驗證了使用GS和GL估計GDP增長率尾部風險的穩健性和有效性。

（六）宏觀審慎政策評估

本文采用基于分位數向量自回歸模型的反事實情景分析，比較緊縮和寬松兩種政策情景在正常時期過渡到危機時期下的社會福利變化，量化周期性收緊和放松宏觀審慎政策的跨期權衡。情景設置是由分位點選擇矩陣[Sτht+h]確定的沖擊為條件，將預測期設置為未來兩年（[H=8]），這兩年被平均分為兩個階段：前四個季度（[h=1～4]）為經濟正常時期，后四個季度（[h=5～8]）為危機時期。根據式（11）和（12）在每個時間點上對預測期的內生變量值進行預測。

如表5所示，將緊縮的宏觀審慎政策場景設定為：[MPIt]在前四個季度的正常時期的預測值沿著其0.9分位點路徑進行迭代，在隨后四個季度的危機時期可以充分釋放緩沖，沿0.2分位點進行迭代。而寬松的宏觀審慎政策場景則假設在前四個季度采取更溫和的宏觀審慎政策立場，[MPIt]的預測值沿其0.6分位點進行迭代，在隨后四個季度的危機時期則需要保持一定的緊縮空間，沿其0.4分位點進行迭代。此外，危機時期通過金融條件指數（[FCIt]）預測值的0.9分位點迭代來設定，[GDPt]和正常時期的[FCIt]預測值迭代不受限制，在0.1～0.9分位點中隨機選取。為了保證反事實情景的可比性，分位數向量自回歸模型系數固定為全樣本估計值。

對于表 5變量的分位點選擇序列，結合分位數向量自回歸模型估計系數，在不同時間點[t]對未來兩年GDP增長率的整體分布[Y1，t+h（h=1，..，8）]進行迭代預測，進而計算[GLt，t+h]和[GSt，t+h] [（h=1，..，8）]，最后將結果代入社會福利函數：

[Ut=h=18βh（GLt，t+h+λGSt，t+h）]" "（17）

式中，設定貼現因子[β=1]，懲罰因子[λ=1.5]。因此，每個政策場景下宏觀審慎政策的社會福利函數可表示為：

[Ut= AGLt，t+1：t+8+1.5 AGSt，t+1：t+8]" "（18）

隨后，分別對緊縮和寬松宏觀審慎政策場景下的社會福利函數進行評估，并研究兩者在時間點[t]的福利差：

[ΔUt=Ut緊縮-Ut寬松]" " （19）

如果[ΔUt]為正，意味著當前時間點下采取緊縮的宏觀審慎政策立場福利更高；如果[ΔUt]為負，則表明當前采取寬松的宏觀審慎政策立場福利更高。

圖9展示了緊縮型和寬松型宏觀審慎政策的福利差（[?Ut]）和宏觀審慎政策指數（[MPIt]）的變化趨勢。實證結果揭示了宏觀審慎政策的適應性：在非危機時期，福利差普遍為正，顯示緊縮政策能有效降低經濟下行風險。例如：在2008年全球金融危機前，緊縮政策的福利差急劇增大，反映出提前實行緊縮的宏觀審慎政策有助于防范未來風險、構建經濟“防火墻”。然而，在2008—2009年全球金融危機和2020—2021年新冠疫情期間，福利差轉為負值，則說明此時采取寬松政策能夠更好地支撐經濟，緩解負面沖擊的影響。因此，可以在非危機時期預先收緊政策以增強金融系統的彈性，為危機時期進行政策放寬提供一定緩沖空間；而在面臨明顯的衰退或危機時，則需采取寬松政策以保證金融系統的抗風險能力，減輕危機對實體經濟的沖擊。此外，宏觀審慎政策的實際調整和估計福利差的變化趨勢呈現一定的一致性，說明[?Ut]可以作為預警指標，為政策制定提供實時信息，輔助科學地進行宏觀審慎決策。這些發現為宏觀審慎政策的制定和調整提供了有力的實證支持，強調了在不同時期（正常時期或危機時期）對政策進行適時調整的必要性。

五、結論與啟示

在使用宏觀審慎工具來管理金融失衡時，政策制定者面臨著促進短期增長和遏制經濟中期下行風險之間的跨期權衡。為了考慮這種權衡，本文基于收益—風險分析框架，結合GaR尾部期望風險測度，構造社會福利函數，通過反事實情景分析，定量評估了不同經濟周期和金融環境下的宏觀審慎政策效果。

本文核心結論如下：第一，通過分位數向量自回歸模型的參數估計結果，可以觀察到宏觀審慎政策對經濟增長的影響具有非對稱性。緊縮的宏觀審慎政策可以降低經濟增長的下行風險，但也會對經濟增長的中位和右尾產生抑制作用。第二，通過分析GaR類風險測度結果，可以發現經濟增長的下行風險（GS）比上行風險（GL）的波動性更強。而且GS和GL作為基于尾部期望的一致性風險測度，具有更優良的統計性質，能夠全面捕捉經濟增長分布尾部的波動特征。第三，社會福利評估表明，在非危機時期，緊縮型宏觀審慎政策有助于降低經濟增長的下行風險；在危機時期，宜采取更寬松的政策以促進經濟復蘇。

基于上述研究結論，本文提出如下政策啟示。第一，充分權衡宏觀審慎政策的收益和風險。近年來，宏觀金融聯動分析成為理論界和政策制定者關注的焦點，該分析框架揭示了金融體系和宏觀經濟表現之間的關聯和傳播效應。本文研究表明，旨在穩定金融的緊縮型宏觀審慎政策給經濟增長帶來了非對稱影響，一方面降低了經濟增長的下行風險，另一方面抑制了經濟增長的上行潛力，體現了政策的“雙刃劍”效果。政府部門可以引入情景分析工具，量化評估宏觀審慎政策的潛在效果，基于收益—風險分析框架，優化政策組合并制定靈活的政策預案。此外，應該建立政策反饋與微調機制，實時監測宏觀審慎政策對宏觀和金融體系的影響，適時調整政策力度，實現“穩增長”和“防風險”的動態平衡。第二，科學測度GaR及其尾部期望風險指標，助力宏觀調控決策。隨著中國宏觀杠桿率攀升及金融風險加劇，引入GaR尾部期望風險測度可以為宏觀調控提供新的視角。政府部門應定期監測經濟增長的完整分布演進規律，特別是尾部風險特征，以便及時捕捉經濟下行信號。此外，應綜合考慮幾類GaR風險測度信息，一方面，通過GaR刻畫經濟增長的尾部風險；另一方面，通過GS（GL）衡量風險發生時的平均損失水平。結合GaR分析框架與宏觀大數據動態監測，精準識別宏觀經濟風險來源，為防范與化解重大風險提供決策支持。第三，充分發揮宏觀審慎政策的逆周期調控作用并加強政策協調。社會福利評估表明，緊縮政策在非危機時期有助于減少經濟下行風險，而寬松政策在危機時期有助于經濟復蘇。因此，政府部門可以建立逆周期緩沖機制，提前布局宏觀審慎政策工具。在經濟繁榮時期收緊政策，通過增加資本儲備來防止金融過度擴張和風險累積；在經濟下行時期釋放緩沖，為市場提供必要的信貸支持和流動性。此外，還需健全雙支柱調控框架，從經濟和金融穩定的雙重目標出發，促進宏觀審慎政策與貨幣政策之間的協調配合，提升社會福利水平。通過對宏觀經濟環境和金融狀況的精準判斷，綜合運用“跨周期+逆周期”宏觀調控手段，增加金融體系的彈性，抑制實體經濟波動，確保宏觀經濟與金融體系的長期穩定與可持續發展。

參考文獻：

[1]Prasad A，Elekdag S，Jeasakul P，Lafarguette R，Alter A，Feng A X，Wang C. 2019. Growth at Risk：Concept and application in IMF country surveillance [R].The IMF.

[2]Suarez J. 2022. Growth-at-risk and Macroprudential Policy Design [J].Journal of Financial Stability，60.

[3]Figueres J M，Jarociński M. 2020. Vulnerable Growth in the Euro Area：Measuring the Financial Conditions[J].Economics Letters.

[4]De Nicolò G，Lucchetta M. 2017. Forecasting Tail Risks [J].Journal of Applied Econometrics，32（1）.

[5]Aikman D，Bridges J，Hacioglu Hoke S，O'Neill C，Raja A. 2019. Credit，Capital and Crises：A GDP-at-Risk Approach [R].CEPR Discussion Papers.

[6]Adrian T，Boyarchenko N，Giannone D. 2019. Vulnerable Growth [J].American Economic Review，109（4）.

[7]張曉晶，劉磊.宏觀分析新范式下的金融風險與經濟增長——兼論新型冠狀病毒肺炎疫情沖擊與在險增長[J].經濟研究，2020，55（06）.

[8]Arbatli-Saxegaard E C，Gerdrup K R，Johansen R M. 2020. Financial Imbalances and Medium-Term Growth-at-Risk in Norway [R].Norges Banks Staff Memo.

[9]Brunnermeier M K. 2009. Deciphering the Liquidity and Credit Crunch 2007-2008 [J].Journal of Economic perspectives，23（1）.

[10]李文泓.關于宏觀審慎監管框架下逆周期政策的探討 [J].金融研究，2009，（07）.

[11]Adrian T，de Fontnouvelle P，Yang E，Zlate A." 2017. Macroprudential Policy：A Case Study from A Tabletop Exercise [J].Economic Policy Review，（23-1）.

[12]Tavman Y. 2015. A Comparative Analysis of Macroprudential Policies [J].Oxford Economic Papers，67（2）.

[13]Tillmann P. 2015. Estimating the Effects of Macroprudential Policy Shocks：A Qual VAR Approach [J].Economics Letters，135.

[14]Altunbas Y，Binici M，Gambacorta L. 2018. Macroprudential Policy and Bank Risk [J].Journal of International Money and Finance，81.

[15]張朝洋.貨幣政策立場， 宏觀審慎管理與風險承擔渠道——來自中國銀行業的經驗證據 [J]. 金融論壇， 2019，（02）.

[16]Bedayo M，Estrada á，Saurina J. 2020. Bank Capital，Lending Booms，and Busts：Evidence from Spain Over the Last 150 Years [J].Latin American Journal of Central Banking，1（1-4）.

[17]馬勇，姚馳.雙支柱下的貨幣政策與宏觀審慎政策效應——基于銀行風險承擔的視角 [J].管理世界， 2021，37（06）.

[18]Kim S，Mehrotra A. 2018. Effects of Monetary and Macroprudential Policies-Evidence from Four Inflation Targeting Economies [J].Journal of Money，Credit and Banking，50（5）.

[19]Richter B，Schularick M，Shim I. 2019. The Costs of Macroprudential Policy [J].Journal of International Economics，118（5）.

[20]Sánchez A C，R?hn O. 2016. How do Policies Influence GDP Tail Risks？ [R].OECD Economics Department.

[21]Duprey T，Ueberfeldt A. 2020. Managing GDP Tail Risk [R].Bank of Canada Staff Working Paper.

[22]Svensson L E. 2017. Cost-Benefit Analysis of Leaning Against the Wind [J].Journal of Monetary Economics，90.

[23]Adrian T，Grinberg F，Liang N，Malik S，Yu J. 2018. The Term Structure of Growth-at-Risk [J].American Economic Journal：Macroeconomics，14（3）.

[24]Franta M，Gambacorta L. 2020. On the Effects of Macroprudential Policies on Growth-at-Risk [J].Economics Letters，196（4）.

[25]Galán J E. 2020. The Benefits are at the Tail：Uncovering the Impact of Macroprudential Policy on Growth-at-Risk [J].Journal of Financial Stability.

[26]Brandao-Marques L，Gelos R G，Narita M，Nier E." 2020. Leaning Against the Wind：A Cost-Benefit Analysis for an Integrated Policy Framework [R].IMF Working Papers.

[27]Chavleishvili S，Engle R F，Fahr S，Kremer M，Manganelli S，Schwaab B. 2021. The Risk Management Approach to Macro-Prudential Policy [R].ECB.

[28]馬勇，姚馳.監管壓力、經濟周期與宏觀審慎政策效果 [J].經濟理論與經濟管理，2017，（10）.

[29]程海星.金融周期與“雙支柱”調控效果 [J].國際金融研究，2018，（09）.

[30]Gu X，Cheng X，Zhu Z，Deng X. 2021. Economic Policy Uncertainty and China's Growth-at-Risk [J].Economic Analysis and Policy，70.

[31]葉思暉，樊明太，李凱.我國宏觀審慎政策有效性比較研究 [J].金融發展研究，2020，（03）.

[32]Claessens S，Ghosh S R，Mihet R. 2013. Macro-Pprudential Policies to Mitigate Financial System Vulnerabilities [J].Journal of International Money and Finance，39.

[33]Cerutti E，Claessens S，Laeven L. 2017. The Use and Effectiveness of Macroprudential Policies：New Evidence [J].Journal of Financial Stability，28.

[34]劉澤琴，蔡宗武，方穎.貨幣政策和宏觀審慎政策雙支柱調控框架效應研究 [J].經濟研究，2022，57（04）.

[35]方穎，蔡宗武，劉澤琴，林明.宏觀審慎與金融穩定：基于計量經濟政策評估方法的研究 [J].計量經濟學報，2022，2（04）.

[36]Alam Z，Alter M A，Eiseman J，Gelos M R，Kang M H，Narita M M，Nier E，Wang N. 2019. Digging Deeper——Evidence on the Effects of Macroprudential Policies from a New Database [R].IMF Working Papers.

[37]Yamai Y，Yoshiba T. 2002. On the Validity of Value-at-Risk：Comparative Analyses with Expected Shortfall[J].Monetary and Economic Studies，20（1）.

[38]Chavleishvili S，Manganelli S. 2019. Forecasting and Stress Testing with Quantile Vector Autoregression [R]. European Central Bank.

[39]Christiano L J，Eichenbaum M，Evans C L. 1999. Monetary Policy Shocks：What have We Learned and to what End？ [J].Handbook of Macroeconomics，1.

[40]Falconio A，Manganelli S. 2020. Financial Conditions，Business Cycle Fluctuations and Growth at Risk [R]. European Central Bank Working Paper.