经济周期如何影响经济增长

刘功澜

摘要：近年来无论是全球经济还是中国经济，周期性波动明显。这种周期性对经济增长的影响并未取得学界共识。本文利用1952年至2015年的年度数据，对我国经济周期对经济增长的影响进行分析。发现：经济周期波动对我国经济增长的负贡献明显，但近年来随着政府干预的增多有所收敛。经济波动的周期性逐步缩短，表现也越来越复杂。

关键词：经济周期；经济增长；负反馈

一、引言

近年来的全球经济发展表明，在开放经济条件下，经济运行具有显著的不确定性，经济的周期性波动明显。美国经济在“911”恐怖袭击后走出衰退，它在运行中出现了典型的经济周期波动的负经济增长特征，对世界经济增长具有显著的负面影响。

中国经济发展深刻打上了政府干预的烙印，不管是之前的计划经济还是改革开放后的市场经济，政府为了熨平经济波动，在微观领域进行了大量干预。尤其是2008年金融危机以来的十年，货币政策的宽松刺激了当期经济增长的同时，也留下了严重的后遗症。本人从一个更宽的视角研究自1955年以后经济周期波动与经济增长的关系，以期降低短期政策的影响。

二、文献综述

传统研究中，经济周期和经济增长是两个问题：一个是长期经济增长的问题，另外一个着眼于短期的经济波动。自Ramey和Ramey（1995）[1]发现经济波动大的国家经济增长较低以来，经济增长和经济周期的研究就结合了起来。

关于经济增长与经济周期之间关系的理论文献远非没有争议。关于不可逆投资和等待期权价值的文献预测了增长不确定性与平均增长之间的负相关关系。对未来利润的不确定性的增加提高了时间成本，从而推迟了投资并降低了增长（例如，Pindyck 1991[2]； Ramey和Ramey 1991[3]）。相比之下，Black（1987）[4]暗示了一种积极的关系。在这样的世界中，平均增长率高的国家也会有很大的差异。另一个论点涉及预防性储蓄，内生增长理论的支持者断言，增长与周期之间的关系取决于生产力提高活动和生产是替代品还是补充品（Aghion and Saint-Paul 1998[5]； Martin 和罗杰斯2000[6]）。

实证分析方面，Kormendi和Meguire（1985）[7]以及Grier和Tullock（1989）[8]发现，产出增长标准偏差较高的国家也倾向于获得更高的平均增长率。相比之下，Ramey和Ramey（1995）[1]，Martin和Rogers（2000）[6]，Fatas（2002）[9]和Rafferty（2005）[10]发现了不同样本的负相关关系。基于时间序列数据的研究主要在ARCH或GARCH框架中得出了不同的结论.1例如，使用美国，Grier和Perry（2000）[11]和Grier等人的数据。 （2004）[12]获得了产出波动对增长的积极影响的证据。

在时间序列背景下，一致性问题也可以通过采用ARCH或GARCH均值建模策略来解决，其中增长和周期是联合和内生确定的（例如，Grier等人2004 [12]）。这种估计是建立在逐个国家的基础上的，因此它太具有国家特征而不能被推广，而忽略了可能的跨国相互依赖。

三、变量与方程

本文利用中国1952 - 2015年的年度数据验证了经济波动对中国经济增长的影响。

恩格尔提出了条件异方差性模型（ARCH），它最早是1982年时间序列分析条件方差的一种非常有用的自回归模型，由Bollerslev于1986年扩展为广义自回归条件异方差模型（GARCH）模型，被广泛使用 在各个经济学研究领域。条件方差（或标准差）中的均值作为GARCH模型方程中的变量，而方差方程保持不变。方程式为

（1）

（2）

这是GARCH（1，1） - M模型。 （1）是均值方程，ARCH模型和GARCH模型在标准条件下的均值方程的差异是方差作为连接均值方程的解释变量。（2）是方差方程。通常，准最大似然法适用于GARCH-m估计模型。在经济学领域，经济波动可能对经济增长产生影响，也可以使用GARCH-m模型进行实证分析。本文采用GDP指数的时间序列数据（1952=100）。其中，1952 - 1978年数据来自《中国统计简报：1949-2004》.1979-2015数据来自《中国统计年鉴2016》（1978 = 100））。然后将它们转换为1952年作为GDP固定基数指数的基础。本文采用变量LNGDP是GDP指数计算GDP的自然对数； DLNGDP指GDP指数计算的LNGDP一阶差异，表示实际增长率。 本文使用ADF测试和KPSS测试来确定相关变量。

两种测试结果（篇幅所限，不再列示）一致表明LNGDP是1%显着性水平的非平稳变量，而DLNGDP是表1中的稳定变量。因此，我们使用经济增长率时间序列（DLNGDP）进行实证分析。避免错误的回归问题。

对于标准正态分布，偏度为0，峰度为3，表2表明，从偏度的角度来看，经济增长是左边的，这意味着序列分布长期离开了尾部。 Bera -Jarque测试表明，时间序列的增长不符合正态分布。 总之，经济增长的分布格局的高峰期。

四、方程结果

1. ARCH模型

我们根据AIC准则和固定变量DLNGDP的SC准则确定滞后阶数的自回归滑动平均（ARMA）模型。 最终选择了ARMA（1，1）模型。如下：

结果显示（篇幅所限，结果不再列示），F统计相关概率为0. 005695，通過F检验，根据方程的结果表明回归方程在1%显着性水平上具有高度显着性。同时，MA（1）与AR（1）估计 t统计量相关概率的参数为0.077和0.0051，通过1%显着性水平的显着性检验。

DLNGDP OLS估计的ARMA（1，1）方程的残差的结果如图2所示。

Figure 2 Residual error 0f ARMA （1， 1） equations

我们可以通过DW = 1.854028初步判断没有一阶序列相关性。如果存在与DW统计的高阶序列相关，则可以应用Breush - Godfrey LM检验来测试残差序列的回归方程 是扰动的一阶序列相关检验。 因此，本文要求Breush - Godfrey LM检验。

LM统计（篇幅所限，结果不再列示）表明我们可以在10%显着性水平下拒绝零假设。残差序列的回归方程没有序列相关性。 它表明ARMA（1，1）方程DLNGDP不存在序列相关问题。我们可以使用ARCH-LM测试来确定DLNGDP是否存在通过ARMA（1，2）方程的DLNGDP残差序列的ARCH效应。

根据结果（篇幅所限，结果不再列示），我们可以发现DLNGDP具有显着的ARCH效应，更重要的是，高阶ARCH-LM测试得到显着的结果，方差方程以可持续性为目标，因此，我们需要加入 GARCH分析。

2. GARCH-M模型的结果

我们使用GARCH（1，1）模型估计（3）以纠正数据中的DLNGDP条件异方差性.GARCH（1，1）模型是（4）：

（4）

结果发现（篇幅所限，结果不再列示）GARCH和ARCH具有统计显着性。 GARCH in的水平为1%，ARCH水平为10%。 通过GARCH（1，1）模型可以发现残余误差诊断两个方程不再存在ARCH效应。

中国经济增长的波动性在70年代和60年代波动更大，并且自改革开放以来显着减少。基于以上认识，我们需要估计以下GARCH（1，1）-M模型，以定量分析经济增长与经济波动（标准差）之间的关系。

（5）

GARCH（1，1）-M模型估计结果（篇幅所限，结果不再列示）表明，中国经济周期非常显着（显着性水平为1%）影响经济增长。中国经济周期对经济增长产生显着的负面影响，即经济波动越大，经济增长越低； 当经济波动较小时，经济增长率较高。

3.进一步结论

本文的研究结果表明，经济周期对经济增长存在显着的负面影响，这与国内外同类研究相一致。

第一，经济周期不利于经济增长，这有助于深入思考計划经济向市场经济转型中的做法。

中国有机会选择改革的具体实施步骤，以确保整个改革过程的速度和稳定，因为中国的渐进式改革路径。成功的“渐进式改革”可能包含相反结果的相同逻辑：应该采取中国的渐进式改革，以避免经济改革带来巨大的经济波动，改革对经济的影响越小，经济波动越小波动，导致经济增长率相对较高。

其次，探讨经济周期不利于经济增长的研究具有重要的理论意义。经济周期将间接地给居民带来利益。因此，忽视经济周期对经济增长的负面影响，估计经济波周期的福利成本被低估。对于正确衡量福利经济的真实成本非常重要。在此基础上，通过建立合理的考虑经济波动的理论框架来减缓经济增长，该领域具有非常有意义的研究方向，我们可以探索经济波动的直接和间接利益损失。

五、结论

本文利用中国的1952-2015时间序列数据，利用最大似然估计，研究基于GARCH-m模型的经济波动对经济增长的影响。 结果表明，中国经济增长的经济波动非常显着，负面影响不容忽视。 研究结果与现有的经济周期研究相结合，认为这对经济增长不利。这对中国经验证据的理论研究有用，有助于我们了解中国经济的宏观经济波动方向和程度。

首先，经济周期对中国经济增长产生重大负面影响的结论为稳定政策提供了强有力的支持。政府通过稳定政策减少经济波动，这将对经济增长产生间接促进作用。政府传统上习惯于将经济波动减缓为这一级别的长期稳定的政策中立工具。

其次，经济波动不利于经济增长的研究结果表明，政府放缓了不影响经济增长的经济波动。政府减少短期经济波动，这也是对经济增长的长期承诺。

参考文献：

[1]Ramey G， Ramey VA （1995） Cross-country evidence on the link between volatility and growth. Am Econ Rev 85：1138–1151

[2]Pindyck RS （1991） Irreversibility， uncertainty， and investment. J Econ Lit 29：1110–1148

[3] Ramey G， Ramey VA （1991） Technology commitment and the cost of economic fluctuations. NBER Working Paper No. 3755.

[4] Black F （1987） Business cycles and equilibrium. Blackwell， New York

[5] Aghion P， Saint-Paul G （1998） On the virtue of bad times： an analysis of the interaction between economic fluctuations and productivity growth. Macroecon Dyn 2：322–344

[6] Martin P， Rogers CA （2000） Long-term growth and short-term economic instability. Eur Econ Rev 44： 359–381

[7] Kormendi RC， Meguire P （1985） Macroeconomic determinants of growth： cross-country evidence. J Monet Econ 16：141–163

[8] Grier KB， Tullock G （1989） An empirical analysis of cross-national economic growth， 1951–1980. J Monet Econ 24：259–276

[9] Fountas S， Karanasos M， Kim J （2002） Inflation and output growth uncertainty and their relationship with inflation and output growth. Econ Lett 75：293–301

[10] Rafferty M （2005） The effects of expected and unexpected volatility on long-run growth： evidence from 18 developed economies. South Econ J 71：582–591

[11] Grier KB， Perry MJ （2000） The effects of real and nominal uncertainty on inflation and output growth： some GARCH-M evidence. J Appl Econom 15：45–58

[12] Grier KB， Henry OT， Olekalns N， Shields K （2004） The asymmetric effects of uncertainty on inflation and output growth.