基于反事实框架的中国货币政策效应分析

谭本艳

（三峡大学 经济与管理学院，湖北 宜昌 443002）

0 引言

货币政策的效应一直是学术界研究的热点问题。纵观目前学术界对中国货币政策效应的研究方法，基本上是选取货币政策工具变量（如M0、M1、利率、汇率、贷款规模等）和货币政策作用效果变量（如CPI、GDP等）的时间序列数据，应用计量经济学方法研究它们之间的数量关系，从而研究货币政策工具的作用效果。现有的分析方法是国内外研究货币政策效应的标准范式，可以实证分析货币政策工具作用的平均效应。但是，这种分析范式不能分析货币政策工具干预经济的直接效应，例如，现有的标准分析范式就不能分析央行调整利率对CPI的直接效应。Fatum and Hutchison(2010)基于反事实分析框架(Counterfactual framework)，选取1999年1月1日至2004年3月31日日本央行在外汇市场买卖美元的数据，应用平均处理效应模型（Average treatment effect，以下简称ATE模型）这种政策评估分析工具，分析了日本央行的官方干预对日元兑美元汇率的影响，结果发现只有零星的官方汇率干预行为是有效的。可以说，Fatum and Hutchison(2010)的研究提供了一种货币政策效应分析的新范式，本文将利用反事实分析框架的新研究范式，通过分析央行的利率调整行为对CPI的影响来实证分析中国的货币政策工具实施的效应。

1 中国利率调整的特征分析

1.1 中国存贷款基准利率的总体特征

中国央行制定的1996年10月至2013年3月的金融机构1年期存贷款基准利率数据见图1。根据图1中198个月份的存贷款基准利率数据计算得出，样本期内金融机构1年期存款基准利率的平均值为3.08，最大值为7.47，最小值为1.98，标准差为1.44；金融机构1年期贷款基准利率的平均值为6.28，最大值为10.08，最小值为5.31，标准差为1.24。可见，中国金融机构存贷款基准利率水平总体保持平稳。

图1 中国金融机构1年期存贷款基准利率（1996年10月至2013年3月）

1.2 中国存贷款基准利率的调整特征

样本期的198个月份中，中国金融机构1年期存贷款基准利率共调整50次，其中存款基准利率调整24次，贷款基准利率调整26次。从图1可以看出，中国金融机构1年期存贷款基准利率的调整呈现出以下特征：①存贷款基准利率的调整时间呈现出同步性。26次贷款基准利率调整时点中，除了2次（2006年4月及2008年9月）没有同步调整存款基准利率，其他24次都是存贷款基准利率同时调整。②存贷款基准利率的对称调整和非对称调整的频率基本相同。24次同步存贷款基准利率调整过程中，有14次是对称调整（存贷款基准利率调整的幅度相同），有10次是非对称调整基准（存贷款基准利率调整的幅度不同）。③存贷款基准利率正向调整和负向调整的频率也基本相同。24次存款基准利率调整中，有11次是负向调整（减息），有13次是正向调整（加息）；26次贷款基准利率调整中，有12次是负向调整（减息），有14次是正向调整（加息）。④存贷款基准利率的调整幅度基本以微调为足。24次存款基准利率的平均调整幅度为0.47个百分点，其中最大调整幅度为1.8个百分点，最小调整幅度为0.25个百分点，有17次的调整幅度小于0.3个百分点；26次存款基准利率的平均调整幅度为0.45个百分点，其中最大调整幅度为1.44个百分点，最小调整幅度为0.18个百分点，有16次的调整幅度小于0.3个百分点。

2 模型原理和变量说明

2.1 反事实分析框架的原理

我们以央行运用货币政策工具对经济进行干预为例，来说明反事实分析框架的基本原理。《中国人民银行法》规定的中国货币政策目标是“保持货币币值稳定，并以此促进经济增长”，其中“保持货币币值稳定”的直观表现就是保持CPI的稳定。以本文选取的样本期内的198个月份为例，如上述，在这198个月份内共有26个月份央行实施了利率调节的货币政策行为，那么，如何测度这些利率调节行为对CPI的干预效果呢？

假设i=1,2,…,198代表本文样本期内的198个月份，将这些月份划分为接受了利率调节干预的干预组和未接受利率调节干预的对照组。Yi1代表第i个月份接受央行利率调节干预（用Ti=1表示）后的CPI水平，Yi0代表第i个月份未接受央行利率调节干预（用Ti=0表示）的CPI水平。那么，利率调节对某一个月份i的CPI的干预效果定义为个体处理效应(ITE)：

更一般地，将全部198个月份的个体处理效应的均值定义为总体平均处理效应(PATE)，简称平均处理效应(ATE)：

实际研究中，人们更关心的是接受利率调节干预的月份的平均处理效应(ATT)：

式(3)中，E(Yi1|Ti=1)表示接受利率调节干预月份的CPI均值，E(Yi0|Ti=1)表示接受利率调节干预的月份如果没有接受干预的CPI均值。很显然，对于同一个月份而言，要么接受利率调节干预，要么不接受利率调节干预，也就是说，同一个月份不可能同时分配到干预组和对照组。具体到式(3)中，E(Yi0|Ti=1)显然是不可观测的。

为了测度E(Yi0|Ti=1)，就需要引入反事实分析框架，反事实是指相反情况下的某种状态。例如，本文样本期内的198个月份中，央行在26个月份内实施了利率调节干预，这26次利率调节干预对CPI的影响是可以测度的“事实”，而“反事实”则是指假设相同的26个月份内央行没有实施利率调节干预对CPI的影响。央行的利率调节干预对CPI的效应在统计学意义上就是指可观察到的“事实”与其“反事实”之间的差异。从反事实的框架出发，式(3)中的E(Yi1|Ti=1)就是可以测度的事实，而E(Yi0|Ti=1)就是反事实。现实中，我们不可能观测到反事实E(Yi0|Ti=1)，为了测度(3)式，我们需要用可观测的事实E(Yi0|Ti=0)来简化式(3)。具体而言，如果满足统计学上的“非混淆假设”，即Ti就能够和Yi1或Yi0保持独立，就能够得到式(4)：

从而(3)式就可以简化为：

为了满足非混淆假设式(4)，需要满足干预组和对照组的CPI除了受利率调节干预因素不同外，其他影响因素X（如消费、货币发行量、进出口额、工业品价格、消费者信心、汇率水平等）应尽可能相同，这样才能凸显利率调节干预的效应。其他影响因素X称之为混淆偏倚或者混淆变量，而匹配法是常用来控制混淆偏倚的有效方法。为干预组的某个月份匹配的思路就是在对照组中构成一个除了利率调节干预因素不同外，其他影响CPI的混淆变量X与干预组的样本分布相同或近似的对照样本。换句话说，通过匹配后使式(6)成立：

在混淆变量X的维度较大的情况下，匹配会非常复杂，Rosenbaum and Rubin(1983)提出的倾向得分匹配法(PSM)有效地解决了匹配的多维性问题。倾向得分匹配法总的讲来分为两大步骤：第一步计算倾向得分，也就是在给定混淆变量X情况下，某个月份接受利率调节干预的条件概率；第二步是运用倾向得分进行样本匹配并比较。倾向得分的定义如下：

实际应用中，p(X)通过二元因变量回归模型（Logit模型或者Probit模型）得到。Rosenbaum and Rubin(1983)发现，倾向得分值相同的两个月份，其混淆变量X的分布也趋于一致，此时可以认为这两个月份的背景条件相同，接受利率干预与否接近随机，从而可以将式(6)转换为：

得到倾向得分p(X)后，就能够计算每个月份接受利率调节干预的条件概率。需要说明的是，如果某个接受利率调节干预的月份的倾向值太高或太低，就可能在对照组中无法找到与之相匹配的月份，这些倾向值非常极端的月份因为没有与之相匹配的月份存就不能提供有用信息。最极端的情况是无法在对照组中找到任何倾向值与干预组相似的月份（相似的标准由研究者自行决定，比如两个月份的倾向值之差小于0.01），此时倾向得分匹配法就失效了。因此，在最后使用的“匹配样本”中，必须确保接受利率调节干预的月份和没有接受利率调节干预的月份匹配起来。“匹配样本”中倾向值的取值范围被称为“共同区间”，只有共同区间存在的前提下才能运用倾向得分匹配法。在第一步得到满足匹配前提的共同区间后，第二步再采用相应的匹配方法进行干预组和对照组月份的匹配，并计算ATT。

2.2 变量说明

鉴于数据的可得性，我们选取的货币政策目标变量为消费者价格指数(CPI)，影响CPI的干预变量为存贷款基准利率调节(T)（详见本文第二部分），影响CPI的混淆变量包括当月同比生产者价格指数(PPI)、当月同比出口增速(EXP)、货币供应量增速(MON)（通过计算(M0+M1+M2)/3得到）、当月同比社会消费品零售总额增速(CON)、消费者信心指数(CRE)和人民币实际有效汇率指数(EXC)。样本区间为1996年10月至2013年3月，各个变量的描述性统计特征见表1所示。

表1 变量的描述性统计特征

3 实证结果

3.1 模型设置说明

3.1.1 不同干预情形的说明

由于利率调节干预可以分为正向调整（加息）和负向调整（减息）两种情形，从金融理论来看，利率正向调整会导致CPI下降，而利率负向调整则会导致CPI上升，如果不加区分不同方式的利率调节干预来估计ATT，估计出的ATT显然是没有意义的。因此，为了区分利率正向调节干预和负向调节干预对CPI的不同效应，本文针对利率的正向调整和负向调整做两次ATT的估计。

3.1.2 货币政策干预结果的说明

由于货币政策具有时滞性，也就是说进行利率调节干预对CPI的效应不能在当月呈现出来，而是经过一定的时滞后才显现出来。关于货币政策的时滞的长短问题，目前学术界并没有公认的结论，但一般认为时滞会超过6个月。本文采用如下的方法度量利率调节干预对CPI的效应：（1）如果利率调节属于连续调节（连续两次利率调节的时间间隔小于等于6个月），以最后一次利率调节当月之后的第7个月至第12个月的CPI平均值作为利率连续调节干预对CPI的效应；（2）如果利率调节不属于连续调节（连续两次利率调节的时间间隔大于6个月），以接受利率调节当月之后的第7个月至第12个月的CPI平均值作为当次利率调节干预对CPI的效应。

3.2 ATT的估计结果

如前述，运用倾向得分匹配法测度ATT的估计值，第一步需要以利率调节干预变量Ti这个哑变量为因变量，以混淆变量X为自变量，建立Probit或者Logit模型获取倾向得分，并进而得到共同区间。第二步在共同区间内采用相应的匹配方法估计ATT的值。常用的匹配方法包括最近邻匹配法、半径匹配法、分层匹配法以及核匹配法。本文采用Becker and Ichino(2002)基于STATA软件开发的Pscore.ado程序模块，并运用最近邻匹配法进行ATT的估计，最近邻匹配法的规则是：

其中i代表接受利率调节干预的月份，j代表接受利率调节干预的月份，C(i)代表与月份匹配成功的月份j的集合，即倾向得分与月份i最为近似的月份集合。匹配成功后，Becker and Ichino(2002)用下式计算ATT：

3.2.1 共同区间估计结果

本文利用Logit模型获取倾向得分，得到的共同区间估计结果见表2所示。

表2 共同区间估计结果

从表2的结果可以看出，干预组中的利率负向调整的12个月份和利率正向调整的14个月份都有足够的对照组月份与其匹配，满足倾向得分匹配法的前提条件。

3.2.2 ATT的估计结果

本文运用最近邻匹配法估计的利率调节干预的ATT结果见表3所示。

表3 利率调节干预的ATT估计结果

从表3利率调节干预的ATT估计结果可以看出，平均而言，中国央行的每次利率的负向调整（减息）可以使滞后7～12期CPI的平均值提高0.76个百分点，但较大的标准差和较小的t值表明利率的负向调整的干预效果还不是很显著；中国央行的每次利率的正向调整（加息）可以使滞后7～12期CPI的平均值降低2.04个百分点，而且较小的标准差和较大的t值表明利率的正向调整的干预效果较为显著。

3.3 估计结果的稳健性检验

如前述，货币政策的时滞性导致利率调节对CPI的效应不能在当月呈现出来，因此上文的ATT的估计结果中，干预目标变量CPI取得是利率调节（或连续调节的最后一次调节）当月之后的第7个月至第12个月的CPI平均值。事实上，目前学术界对货币政策效应的时滞并没有一个统一和公认的度量标准。为了检验本文估计结果的稳健性，我们通过对干预目标变量CPI进行如表4所示的调整之后重新进行ATT估计，估计结果见表4所示。

表4 估计结果的稳健性检验

从表4的稳健性检验结果来看，本文的估计结果具有较强的稳健性。同时，稳健性检验结果也证实了中国央行利率的负向调整（减息）可以使滞后的通货膨胀水平提高，但效果尚不显著，而利率的正向调整（加息）可以使滞后的通货膨胀水平降低，且效果较为显著。实证结果和金融学理论较为吻合，同时也表明中国央行的利率调节干预行为主要是为了控制物价上涨，但对通货紧缩的作用还不明显。

4 结论

本文基于反事实分析框架，在分析中国利率调整特征的基础上，运用平均处理效应模型对中国利率调节干预对CPI的效应进行了实证分析。研究结果表明：①中国金融机构存贷款基准利率的每次调整幅度总体而言较小，正向调整和负向调整、对称调整和非对称调整的频率相似，存贷款基准利率的水平总体基本保持平稳。②平均而言中国央行利率的负向调整（减息）可以使滞后的通货膨胀水平提高，但效果尚不显著，而利率的正向调整（加息）可以使滞后的通货膨胀水平降低，且效果较为显著。

[1]李颖，林景润，高铁梅.我国通货膨胀、通货膨胀预期与货币政策的非对称分析[J].金融研究，2010,(12).

[2]麦元勋，田晔.我国货币政策效应时滞的实证研究[J].商业研究，2004,(5).

[3]魏万青.户籍制度改革对流动人口收入的影响研究[J].社会学研究，2012,(1).

[4]肖文伟，杨小娟.货币政策时滞问题实证分析[J].系统工程，2010,(7).

[5]周新苗，唐绍祥.自主研发、技术引进与企业绩效:基于平均处理效应估计的微观考察[J].财贸经济，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）.