货币政策工具组合的共同驱动效应和特质驱动效应

欧阳志刚 薛龙

内容提要：使用非线性动态因子模型研究新常态下货币政策工具组合操作对货币政策目标产生的共同驱动效应和特质驱动效应，结果发现：货币政策工具组合操作形成的不可观测共同驱动力可以由价格型共同因子、传统数量型共同因子和创新结构型共同因子刻画。当前货币政策工具操作有利于保增长，但难以同时实现产业结构升级和化解金融风险的目标。这就意味着央行应该针对新常态下货币政策的多种目标，根据货币政策工具的共同驱动效应和特质驱动效应，灵活变换货币政策工具的组合方式，以此提高货币政策的针对性和有效性。当前央行在保持传统数量型工具适度中性的同时应重点使用常备借贷便利、中期借贷便利和抵押补充贷款保持流动性，偏向宽松的价格型政策工具应侧重于降低商业银行的同业拆借利率。

关键词：货币政策工具;共同驱动力;特质驱动力

中图分类号：F822.0

文献标识码：A

文章编号：1003-7543（2019）09-0055-18

经济新常态下货币政策的操作环境发生了明显的变化，突出表现为经济增长速度下滑、经济结构失衡、多层次金融风险的累积和叠加。面对新常态下的新环境，央行貨币政策的调控突出了针对性、有效性和防范化解金融风险。货币政策的操作方式也发生了显著改变，在继续使用传统数量型和价格型货币政策工具的同时，创新性地推出了“定向降准”“定向降息”“央行再贷款”等新型结构性货币政策工具，形成了数量型货币政策工具、价格型货币政策工具和结构型货币政策工具组合调控的新局面。多种货币政策工具的组合操作使得不同性质的货币政策工具之间相互影响、相互叠加而形成不可观测的共同驱动力推动经济系统。政策制定者和市场参与者只能观测到每种货币政策工具的变化，无法观测到多种货币政策工具组合形成的共同驱动力，从而难以判断货币政策的效果是来自货币政策工具组合操作的共同驱动力还是某些货币政策工具的特质驱动力，这就给新常态下货币政策操作带来了新的难题。由此而提出的问题是：如何揭示新常态下多种货币政策工具组合操作的共同驱动效应？哪些货币政策工具对保增长、防通胀、调结构和化解金融风险具有针对性和有效性？这里针对新常态下多种货币政策工具组合操作的特征，扩展Bernanke et al.的模型，将货币政策分解为不可观测的共同驱动力和特质驱动力，使用非线性动态因子模型揭示货币政策的共同驱动效应和特质驱动效应。

一、相关文献综述

货币经济学对货币政策工具的传导渠道展开了深入而系统的理论研究。Mishkin把货币政策的传导渠道划分为利率渠道、资产价格渠道、信贷渠道和汇率渠道。Boivin et al.对上述传导渠道进行了归纳总结，并重新分类为新古典渠道和非新古典渠道。新古典渠道包括利率渠道、资产价格渠道和汇率渠道，非新古典渠道主要指信贷渠道。Nwosa&Saibu在上述传导渠道的基础上加入存货成本渠道，其含义是货币政策通过改变存货成本而影响实际经济变量。通过对上述传导渠道的系统梳理，可以发现货币政策传导渠道涉及大多数宏观经济变量，这就意味着货币政策能够对整个宏观经济产生影响。也正是这个原因，Bernanke et al.将货币政策看成宏观经济系统的可观测驱动力。进一步地，每一种货币政策工具不是通过单一传导渠道作用于宏观经济变量，而是通过多种传导渠道作用于宏观经济变量。新常态下央行同时利用多种货币政策工具，这就使得同一传导渠道汇集了多种货币政策工具的传导效应，由此导致货币政策工具的信息重复和传导渠道重叠。因此。新常态下货币政策效果的研究应该考虑这种货币政策组合操作特征。

对于货币政策效果的研究，Sims提出的向量自回归（VAR）是被最广泛应用的模型。Angeloni et al.的VAR模型发现，欧洲地区的投资渠道是货币政策的主要传导渠道。Dore et al.对美国数据的VAR研究表明，私人非住宅固定投资依赖于经济中的需求水平和企业利润，而与货币政策无关。Atabaev&Ganiyev使用VAR模型检验了吉尔吉斯斯坦的利率渠道、汇率渠道和信贷渠道的货币政策效果。Phan研究了澳大利亚的货币政策传导渠道，发现投资渠道的效应大于消费渠道的效应。一些理论发现，随着经济周期阶段的不同和货币政策操作方向的不同，货币政策的效果可能存在显著的非对称性。为刻画这种非对称性，许多实证研究在VAR模型中引入了非线性。Weise使用机制转移VAR模型发现货币供给冲击对产出和通胀的效应依赖于经济周期阶段。Franta et al.的时变系数VAR发现全球金融危机时期货币政策对通货膨胀的效应增强了。Galvao&Marcellino的时变系数VAR表明货币政策冲击对价格的效应在近期发生变化。使用VAR模型的显著优点是：该模型可以将系统中所有的变量作为内生变量，从而避免了因解释变量内生性而带来的有偏估计结果。该模型还可以方便地识别货币政策冲击并使用脉冲响应函数和方差分解描述货币政策效果的动态特征。但使用VAR模型的经验研究一般都发现：紧缩性货币政策会带来通货膨胀率的上升，这显然不符合经济理论，这一结果被称为“价格之谜”。Bernanke et al.，将VAR模型的不足归结为三个方面：首先，因为“维度诅咒”的原因，VAR模型包含的变量一般不会超过8个，这就在较大程度上将中央银行和私人部门所掌握的大量信息忽略了，从而获得有偏的估计结果。其次，经济变量的度量偏差。例如，VAR模型中经济行为的概念也许不能被GDP或者其他可观测的变量完美地度量。最后，研究者观测到的脉冲响应函数只是模型中少数几个变量，这些变量仅仅是政策制定者关注的大量信息集中的少部分。针对上述不足，Bernanke et al.将因子分析引入VAR模型，提出因子扩展的VAR模型（ FAVAR），此后，FAVAR在货币政策的研究中得到广泛使用。

国内相关文献基本遵从了国际相关文献的研究方法和研究思路。赵进文、闵捷的非线性VAR研究结果表明，中国货币政策操作呈现明显的非对称性效果，具有很强的非线性特征。张丁育使用时变VAR模型检验了货币政策对商业银行贷款的冲击和由此产生的银行风险分布效应，以及存款准备金率对这种货币政策的风险分布效应的抑制作用。潘彬、金雯雯从机会成本渠道、资产替代渠道、资产负债表渠道及逆向选择渠道解释了货币政策影响民间借贷利率的作用机制，并实证检验了货币政策工具的效果。陈继勇、王胜使用FAVAR研究了中美经济关系、人民币汇率制度改革对中国汇率政策传导机制和效果的影响。王少林等使用FAVAR研究了中国货币政策与股票市场的互动关系。欧阳志刚和薛龙使用面板FAVAR研究了新常态下多种货币政策工具对特征企业的定向调节效应。

国内外文献对于本文具有重要的参考价值，但对于新常态下货币政策的研究，直接借用现有国内外相关研究还有明显不足。首先，新常态下货币政策的操作是多种政策工具的组合操作，而现有FAVAR文献中仅包含一种货币政策工具，因而需要将Bernanke et al.，Bagzibagli，Ellis et al.的一种货币政策工具扩展为多种货币政策工具的组合操作。其次，使用一种或少数几种货币政策工具不能体现新常态下多种货币政策工具本身的结构特征。最后，现有FAVAR的文献虽然考虑了货币政策效果的时变特征，但货币政策效果的非对称性本质上是源于不同经济周期阶段、不同通胀水平或不同货币政策操作方向时期居民行为和企业决策的显著不同，时变模型难以刻画这种非对称性。因此，新常态下货币政策效果的研究，需要针对上述特征扩展现有的研究方法。

三、非线性因子模型的检验与估计

（一）变量的选择与数据处理

新常态下央行往往同时使用多种货币政策工具进行组合操作，本文中的货币政策工具变量包括1年期存款基准利率（r1）、1-3年定期贷款利率（r3）、商业银行7天同业拆借加权平均利率（r7）、人民银行对金融机构1年期再贴现利率（rt）、1年期支农再贷款利率（rz）、大型金融机构存款准备金率（Rd）、中小型金融机构存款准备金率（Rx）、基础货币m0、常备借贷便利余额（SLF）、中期借贷便利余额（MLF）、抵押补充贷款（PSL），共11个政策变量。SLF，MLF和PSL是2013年6月后才开始操作，没有操作以前数据都为0。对m0，SLF，MLF和PSL分别取自然对数，并将全部11维货币政策工具变量处理成均值为0、标准差为1的标准序列。支农再贷款利率来自中国人民银行，其余数据来自Wind数据库、中国人民银行网站和国家统计局网站。样本期间选择为2011年1月至2016年12月的月度数据。

新常态下，保持货币币值的稳定，并以此促进经济增长，是货币政策的主要调控目标。此外，面对宏观经济的多重失衡，新常态时期的货币政策还承担着经济结构调整和稳定金融风险的重任。因此，本文货币政策目标变量包括经济增长、通货膨胀、产业结构升级和金融系统风险。经济增长（gy）用工业产出增加值同比增长率来表示，通货膨胀率（p）使用同比CPI。新常态下产业结构的升级是向高级化方向发展，而第三产业产值与第二产业产值之比体现了产业结构高级化和服务化的倾向，因此本文使用第三产业产值与第二产业产值之比表示产业结构变化。银行系统仍然在中国金融系统中占据主导地位，因此使用银行系统风险代表金融系统风险，其度量使用Acharya et al.提出的商业银行系统风险度量方法。在这些目标变量中，产业结构升级（cy）只有季度数据，本文使用季度数据代替月度数据。

本文的高维宏观数据包含国内信息集和国际信息集，其中国内数据信息集主要包括：（1）实际产出类：各种重要工业产品产量以及各类农产品的产出;（2）价格指数类：原材料、燃料、动力价格指数，消费者价格指数，工业品出厂价格指数，农副产品类价格指数，有色金属材料类价格指数;（3）房地产开工竣工类：包含房地产开工和竣工面积;（4）投资类：固定资产投资总额，各产业固定资产投资完成额;（5）财政政策类：公共财政收入、公共财政支出、税收收入等：（6）股票价格类：上证和深证股票价格指数;（7）实际消费和零售类：消费者信心指数、社会消费品零售总额、各类商品零售额等。国际因素信息集包括：（1）汇率类：人民币实际有效汇率、美元汇率、日元汇率和欧元汇率;（2）与中国经济联系紧密国家的经济增长速度：美国、欧盟、日本、巴西、俄罗斯、南非等国的GDP同比增长率;（3）国际主要经济体的货币政策：欧盟M3、印度M4、美国和日本的M2的同比增长率;（4）進出口类：进口额、出口额等;（5）国际价格指数：国际工业价格指数、国际食品价格指数、国际能源价格指数，国际农业价格指数等，总共75维数据。对于这些高维数据，本文数据处理方法如下：如果有增长率数据，都使用同比数据，如CPI、PPI等：对诸如房地产开发投资和销售指数、消费者预期和信心指数等，由于其本身就是平稳数据而无须处理：对于名义总量数据，如进口和投资，首先使用以2001年为基期的消费者价格指数换算成实际数据，取自然对数后再检验是否平稳：如果是非平稳的数据，则进行差分的变换：对于非平稳而又非名义数据，如股票市场指数，则取自然对数后差分处理：对上述处理后的数据最终处理成均值为0、标准差为1的标准序列。宏观数据来自Wind数据库。

（二）共同因子的估计与处理

为实现前述非线性FAVAR模型的估计与检验，必须获得模型中共同因子F和Y的估计结果。Bernanke et al.的两步法对共同因子的估计是首先从高维数据集X中确定因子个数并用主成分方法估计，货币政策作为一个已知的独立共同因子。然后在估计的共同因子中去除货币政策共同因子的相关信息，剩余的就是潜在驱动力的估计。本文借鉴Bernanke et al.的两步法思想，但与之不同的是，本文将货币政策区分为潜在共同驱动力和可观测驱动力，共同驱动力是因货币政策工具信息重叠而形成，因而是潜在因子，可观测驱动力是每种货币政策工具去除共同信息后的剩余成分。为实现共同驱动力的估计，本文将全部数据信息集分成两部分：货币政策信息集和高维宏观信息集，分别使用Eviews8.0中的Kaiser-Guttan、最小特征值以及Bai&Ng等多种方法对高维宏观数据信息集和货币政策工具信息集进行估计，以确定共同因子的数量。考虑到新常态时期的多种类型货币政策工具组合操作的实践背景。本文选择共同因子数量为3个。因使用不同方法对高维宏观数据信息集确定的共同因子数量差异较大，综合权衡考虑，本文选择总方差比例方法确定的共同因子数量为5个。

货币政策数据集的估计结果表明货币政策的共同驱动力可用3个不可观测共同因子揭示。对3个共同因子的载荷矩阵经过旋转后，载荷矩阵系数的大小体现了各个货币政策工具变量在形成共同因子过程中的重要程度。本文发现，第1个共同因子（Y1）对应1年期存款利率、1-3年贷款利率、7天同业拆借利率、再贴现利率和1年期支农再贷款利率的系数相对较大，分别为0.88、0.99、0.48、0.50、0.72，其余的系数都很小。由此表明在Y1的形成过程中，各种利率是它的主要来源，它主要揭示了价格型货币政策工具的共同信息形成的驱动力。本文称Y1为价格型政策工具组合（简称价格型组合）。第2个共同因子（Y2）对应的大型金融机构存款准备金率、中小型金融机构存款准备金率和m0的系数相对较大，分别为0.96、0.94和0.96.其余的系数都很小。由此可见，Y2主要揭示了数量型货币政策工具的共同驱动力。本文称Y2为传统数量型货币政策工具组合（数量型组合）。Y3对应的MLF和PSL余额的系数相对较大，分别为0.87、0.88.其余系数很小，本文称Y3为创新结构型货币政策工具组合（创新型组合）。Y1，Y2和Y3的估计结果如图1所示。

从图1可以看出，样本期内中国货币政策工具组合操作的结构特征大致可以划分为两个阶段：第一阶段为2011年至2015年初期;第二阶段为2015年第一季度后。在第一阶段，由于前期数量型货币政策过度宽松，宏观经济出现流动性过剩，因而尽管由于经济转型进入经济新常态，经济增速下行，但央行并没有实施大规模的以增加货币供给为手段的刺激政策。从图1中可以看出，价格型工具组合在波动中缓慢地趋于下降，数量型工具组合在波动中基本稳定。进入2015年后的第二阶段，因经济增速下滑至7.0%以下，为阻止这种下滑趋势，货币政策的操作力度明显发生变化：1年期存款利率、1～3年贷款利率和商业银行同业拆借利率自2015年3月后相继下调，导致价格型工具组合显著下降。但由于金融危机时期及随后的货币数量超发，央行仍然不敢过度依赖传统数量型货币政策工具，以防过度“漫灌”，转而将数量型操作重点转向结构性货币政策工具，注重货币政策的定向操作和“滴灌”效应。因此，2015年第一季度后，传统数量型货币政策工具组合仍然处于相对较缓的下降通道中，但创新结构型货币政策工具组合显著向上攀升。由此，可以看出当前稳健货币政策操作的特征：价格型工具偏向宽松：传统数量型工具稳健适中：创新结构型货币政策工具偏向宽松。图1的结果还表明，由于进入2015年后经济增速持续下滑，央行货币政策的操作力度显著改变。这一事实正好吻合了Morgan，Ball&Mankiw的理论分析，这意味着2015年后货币政策效果可能发生显著的非对称性变化。

在对模型进行非线性检验之前，应预先确定模型中的滞后阶数。根据Granger&Terasvirta的建议，滞后阶q的确定是基于线性VAR（p）的AIC和SC信息准则。综合两个准则得到滞后项的最优滞后阶数q为2，共同因子的滞后阶数为2。非线性检验结果如表1所示。

可以看出，当阈值变量分别为经济增长率和通货膨胀率时，两种情形下的FF和LR检验统计量值都大于对应的5%临界值，可以拒绝原假设。这说明，货币政策工具的组合效应与特质效应都随着经济周期阶段或通胀水平的变化而呈非线性特征，且非线性特征由逻辑函数刻画。但通过比较，我们发现阈值变量为经济增长率时的检验统计量值要明显大于阈值变量为通货膨胀率的统计量值，因此，选择阈值变量为经济增长率犯一类错误的概率更低。另一方面，虽然《中国人民银行法》规定货币政策的目标是保持币值稳定并以此促进经济增长，但在新常态下，通胀率持续稳定在1.0%～3.0%的稳定区间，经济增长速度持续下滑且没有出现明显稳定的趋势，因此相对于通货膨胀，保增长成为更为重要的调控目标。典型事实是，2015年第一季度后，中国面对持续下滑的经济增长率，不得不改变以往不刺激或微刺激的政策承诺，连续放松货币政策。从这些经济事实看，选择经济增长率为阈值变量应该更合理些，基于此，本文随后的分析选择经济增长率为阈值变量。

四、货币政策工具组合效应与特质效应的动态估计

（一）组合效应和特质效应的动态估计方法

脉冲响应函数是当前研究上述组合冲击和特质冲击动态反馈的标准方法，但由于模型（8）含有非线性机制转移函数，现有文献还没有从非线性模型中直接获得脉冲响应函数的解析方法，因而可以对Koop et al.的广义脉冲响应函数进行扩展，以实现对模型（8）的脉冲响应函数估计。为此，本文根据估计的模型（1）和模型（8），设定非线性广义脉冲响应函数（GIRF）。使用广义脉冲响应函数还有如下目的：本文不仅需要識别各种货币政策组合形成共同驱动力的冲击。而且需要识别各种货币政策工具的特质驱动力冲击。现有文献提供的识别方法都不能在非线性模型中同时识别共同冲击和特质冲击。广义脉冲响应函数可以通过设计仿真实验，在非线性模型中同时识别共同冲击和特质冲击。

（二）共同驱动效应和特质驱动效应的估计结果

可以看出，不同时期阈值参数的取值不同，导致转移函数以及模型（1）和（8）中的系数不同，从而使得根据本文所设定的广义脉冲响应函数的计算结果不同。从当前和未来一定时期的实践看，2016年的实际经济增长率同比数据为6.7%，2017年中央政府工作报告中明确指出经济增长率目标在6.5%左右。基于中国新常态时期经济增长率“L”型特征和当前已经基本触底的判断，本文的阈值参数选择为6.5%。

1.共同驱动效应的脉冲响应函数估计结果

图2至图5分别是货币政策工具组合的共同因子对各货币政策目标变量的脉冲响应函数图，它直观地刻画了共同因子的动态冲击效应。图2中的y1g，y2g和y3g分别表示价格型组合、传统数量型组合和创新结构型组合对产出的冲击效应。图3中y1p，y2p和y3p分别是价格型组合、传统数量型组合和创新结构型组合对通货膨胀的冲击效应。从图2和图3的结果可以看出，1单位正向价格型组合和传统数量型组合的共同冲击对产出和通货膨胀的冲击效应持续为负值，1单位正向的创新结构型组合对产出和通胀的冲击效应持续为正值。由货币经济学理论可知，价格型货币政策工具对产出与通胀的效应为负向，货币数量增加对产出与通胀的效应为正向。传统数量型组合中既包括存款准备金率工具，又包括基础货币工具。存款准备金率增加对产出和通胀形成负向效应，基础货币增加对产出和通胀形成正向效应。从传统数量型组合Y2的构成看，Rx，Rd和m0的载荷系数都较大，但由于Rx和Rd对货币供给创造的乘数相对较大，因而传统数量型组合工具的传导效应更主要体现Rx和Rd的效果，传统数量型组合工具的共同冲击对产出和通货膨胀的效应为负值。上述结果表明，在新常态下，各种类型的货币政策工具的组合操作都能对产出与通胀形成符合理论预期的效果。

图4中y1cy，y2cy和y3cy分别表示价格型组合、传统数量型组合和创新结构型组合对产业结构升级的冲击效应。可以看出，正向价格型组合冲击和传统数量型组合冲击对产业结构升级的效应持续为正值，经过一定时期后逐步向零线收敛。由于本文的产业结构升级是第三产业增加值与第二产业增加值之比，因而新常态下价格型政策工具组合和传统数量型工具的适度宽松对第二产业产值的促进效应大于第三产业，这不利于产业结构的高级化和服务化方向的发展。正向的创新结构型组合对产业结构升级的传导效应为显著的负向，这意味着创新结构型组合也不利于产业结构升级。根据图1的结果，新常态下的多种货币政策组合操作的模式是价格型和结构型工具宽松、传统数量型工具稳健适中。图4结果表明，这种组合操作方式不利于产业结构升级。

图5中的y1fx，y2fx和y3fx分别表示价格型组合、传统数量型组合和创新结构型组合对银行系统风险的冲击效应。可以发现，正向的价格型组合冲击和传统数量型组合冲击对银行系统风险的影响在前两期为正向，随后转为负向再收敛至零线。从整体来看，呈现负向效应。这就意味着，降低利率和降低存款准备金率在初期会带来银行系统风险的下降，但长期来看会带来银行系统风险的上升。创新性结构组合对银行系统风险的影响在第2期至第6期为负向，然后上升为正向再收敛至零线。由此说明，近年来央行通过创新性结构货币政策工具释放的流动性在短期内有利于维护银行体系流动性的基本稳定，同时也带来了商业银行系统风险的一定程度下降，但长期来看。这些结构性工具的操作对银行体系的系统风险的负向影响难以持续维持，因此，通过现有创新性结构货币政策工具的操作还难以实现化解银行系统风险的目标。

2.各种货币政策工具特质冲击的脉冲响应函数估计结果

共同冲击对货币政策目标变量产生的动态效应，是货币政策工具组合操作形成的共同驱动力的动态结果。在剔除共同驱动力的影响后，货币政策工具剩余的影响就是各种政策工具特质驱动力对目标变量形成的特质传导效应。这种“独特”的特质传导效应由特质冲击效应刻画。

图6至图9是价格型货币政策工具r1，r3和r7对货币政策目标变量的特质冲击效应。从图6可以看出，r1，r3和r7的特质冲击脉冲响应曲线围绕在零线上下循环波动，表明这三种政策工具对经济增长没有在一个方向形成持续效应，因而对经济增长没有明显的特质冲击效应。图7的结果表明，r1，r3和r7对通胀的特质冲击曲线都在零线下方，由此说明新常态下r1，r3和r7这三种主要的价格工具对通胀具有显著的负向特质调节效应。图8是r1，r3和r7对产业的特质冲击效应，可以发现这三种货币政策工具对产业结构升级没有显著的特质效应。图9显示，r1和r3对银行系统风险的特质冲击曲线整体在零线下方波动，因而形成较小幅度的负向效应。r7对银行系统风险的特质冲击效应在初始期为较大的正值，然后逐步下降并向零线收敛，这表明r7对银行系统风险的特质效应为负向。

图10至图13是再贴现利率rt和支农再贷款利率rz的特质效应。图10和图11表明，Tt和招对经济增长和通货膨胀的特质效应基本相同。它们都是在前4-6期为一定幅度负值，随后收敛至零线。例如，图10中的rt对增长的特质冲击曲线在前4期为负值，随后在零线上下小幅波动后收敛。因此，rz和rt对经济增长和通货膨胀的特质效应整体表现出一定程度的负向。图12报告的是再贴现利率rt和支农再贷款利率rz对产业结构升级的特质效应，可以发现，rt和rz对产业结构升级的特质效应为一定程度的正向，但不明显。类似地，图13的结果表明，rt和rz对银行系统风险都没有明显的特质效应。

图14至图17是传统数量型工具Rx，Rd和m0的特质冲击效应。图14是它们对经济增长的特质冲击效应。从图中结果看，仅有Rd对经济增长有较为明显的负向特质效应。而Rx和m0对经济增长的特质冲击曲线基本在零线上下均匀波动。图15的结果则显然不同，Rd对通货膨胀的特质效应有明显的负向，m0的增加对通货膨胀形成正向的特质冲击效应，而Rx对通胀的特质效应不显著。上述结果表明，仅从特质效应看。新常态下传统数量型货币宽松政策对通胀的刺激效应明显大于对经济增长的推动作用。图16是Rx，Rd和m0对产业结构升級的特质冲击效应。这三种政策工具的特质冲击曲线都围绕零线循环波动，因而对产业结构都没有明显的特质效应。从图17中Rx，Rd和m0对银行系统风险的特质效应看，Rx和Rd的特质冲击曲线都在零线上下波动，m0的特质冲击曲线除第5期至第7期外都在零线下方波动，这表明Rx和Rd对银行系统风险都没有明显的特质效应，而基础货币增加对银行系统风险有一定的负向特质效应。

图18至图21是各种创新结构型货币政策工具的特质效应。可以发现，各种创新结构型货币政策工具对经济增长的特质冲击效应曲线都围绕在零线上下反复波动，没有表现出明显的特质效应。图19的MLF，PSL和SLF对通胀的特质冲击效应略有不同，其中MLF对通胀的特质冲击效应在前11期为正值，随后衰减并收敛至零线，PSL对通胀的特质冲击效应在前15期为正值，随后下降并向零线收敛，因此，MLF和PSL对通胀的特质冲击效应有较为明显的正向效应，而SLF对通胀没有表现出明显的单方向效应。图20表明三种创新结构型货币政策工具对产业结构升级的特质效应有所不同：MLF的特质冲击曲线在第二期以后都在零线下方波动，因而表现出较明显的负向效应，PSL的特质冲击曲线基本在零线上方波动，因而表现出较明显的正向效应，但SLF的特质冲击曲线围绕在零线上波动，因而对产业结构没有明显特质效应。在图21中，SLF的特质冲击曲线围绕零线波动，对银行系统风险没有明显的单向效应。MLF对银行系统风险的特质效应在前5期为正值，随后收敛至零线，与之相反，PSL对银行系统风险的特质效应在前5期为负值，随后收敛至零线。因此，央行通过中期借贷便利（MLF）投放流动性，从特质效应看将使商业银行系统风险小幅度上升，而PSL能够降低银行系统风险。

共同驱动效应和特质驱动效应的估计结果表明，新常态下多种货币政策工具的组合操作对不同货币政策目标的调节效应存在显著差异，这种显著差异意味着，央行在使用货币政策工具箱中的多种政策工具时，应该针对新常态下不同时期货币政策的目标灵活变换，根据各种货币政策工具的共同驱动效应和特质驱动效应，有重点、有选择性地操作，以此提高货币政策的针对性和有效性。由前述货币政策工具共同因子的结果看，Y1中的1年期存款利率和1～3年贷款利率的系数相对较大，因此，这两个货币政策工具的调节效果主要体现在共同因子Y1中，其余价格型货币政策工具（r7，rt，rz）在Y1中的载荷系数相对较小，因此r7，rt，rz的效果需要综合Y1的组合效应以及其各自的特质效应。类似地，大型金融机构存款准备金率、中小型金融机构存款准备金率和m0在Y2的载荷系数分别为0.96、0.94和0.96.因而这几个工具的政策效果基本由Y2的组合效应来刻画。MLF和PSL在Y3中的载荷系数分别为0.87和0.88.而SLF的载荷系数很小（0.21），因此MLF和PSL的政策效果主要由Y3的组合效应刻画，而SLF的政策效果则主要由其特质效应揭示。

具体而言，r1和r3的政策效应主要由Y1体现。Y1对产出、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。从特质效应看，r1和r3对经济增长没有明显的特质冲击效应，对通胀和银行系统风险具有显著的负向特质调节效应，而对产业结构升级的特质效应不明显。由此可见，下调r1和r3将有益于产出增加。但不利于产业结构升级，并且会刺激物价上涨，长期来看还会在一定程度上带来银行系统风险的上升。r7的特质效应与r1效应基本相同，但r7对银行系统风险有正向效应。综合r7和Y1的动态效应，可以判断，r7与，1和r3对经济增长、通胀或产业结构调整的调节效果相似，但当前下调r7在一定程度上能够抑制银行系统风险。因此，在当前主要的价格型工具中，r7的效果相对更好，这也为中国基准利率由1年期存款利率逐步转为商业银行同业拆借利率提供了证据支持。rt和rz对经济增长和通货膨胀的特质效应整体表现出一定程度的负向，对银行系统风险都没有明显的特质效应。rt和rz对产业结构升级的特质效应与Y1对产业结构升级的效应一致。结合Y1的组合效应，可以说明降低再贴现利率有利于产出的增加和通货膨胀率的上升，不利于产业结构的升级，并在一定程度上带来银行系统风险的上升，但对银行系统风险的影响相对有限。支农再贷款利率rz对产出、通胀、产业结构升级和银行系统风险的影响与rt相似。

传统数量型组合Y2对产出、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。Rd对经济增长和通胀有较为明显的负向特质效应，对产业结构和银行系统风险没有明显特质效应，及。对增长、通胀、产业结构升级和银行系统风险没有明显的特质冲击效应。这表明，Rd对经济增长和通胀的调节效应大于Rx，两者对产业结构升级和银行系统风险的调节没有明显差异。基础货币m0的特质冲击对经济增长和产业结构升级没有显著效应，对通货膨胀具有正向特质效应，对银行系统风险有一定的负向特质效应。因此，基础货币的独特驱动力有利于降低银行系统风险。

创新结构型政策工具的组合操作Y3对产出和通胀的冲击效应持续为正值，对产业结构升级的组合效应为显著的负向，对商业银行系统风险有一定程度的负向效应。从特质效应看，各种创新结构型货币政策工具对经济增长都没有表现出明显的效应。SLF對通胀、产业结构升级和银行系统风险的特质效应都不明显。由于SLF在共同因子Y3中的载荷系数较小，因而SLF的货币政策效果主要由特质效应体现。但SLF的特质效应都不明显，这就表明中国人民银行为满足金融机构期限较长的大额流动性的需求，创设了常备借贷便利工具，但由于该政策工具属于正常的流动性供给渠道，并不是对传统流动性供给渠道在某方面的显著改善，因而政策效果并不显著。PSL对银行系统风险的特质冲击效应为负值，对产业结构升级和通胀表现出正向特质效应。MLF对通胀和银行系统风险的特质冲击效应有较为明显的正向效应，对产业结构表现出较为明显的负向效应。由于MLF和PSL的大部分信息在创新结构型组合Y3.因而其政策传导效应主要由Y3体现，特质效应成为组合效应的补充。综合来看，PSL在保增长过程中，对化解银行系统风险的效果相对更好，MLF在保增长过程中对于化解风险的效果相对差一些，但这两种创新结构型工具都不利于防通胀。尽管MLF和PSL对调结构都没有产生有利的影响，但相对而言，PSL对产业结构升级的不利影响相对小一些。央行目的是通过MLF放水推动贷款数量回升，并对“三农”贷款和小微贷款有所倾斜。因此，这种定向操作特征明显的货币政策工具有利于第一产业和第二产业的发展，但不利于产业结构的升级。抵押补充贷款PSL的目的是引导中期政策利率水平，直接为商业银行提供一部分低成本资金，引导商业银行将资金投入基础设施建设、民生支出类，也包括“三农”、小微企业和“棚改”等国民经济重点领域或薄弱环节，因而总体上也不利于产业结构的升级，但相对而言，MLF对“三农”贷款和小微贷款的定向倾斜特征更为明显。

五、结论与政策建议

经济新常态下，中国货币政策环境发生了显著改变，由此也给货币政策调控带来了新的挑战。本文基于中国经济新常态和货币政策操作特征，扩展Bernanke，et al.的研究构架，使用非线性动态因子模型研究新常态下多种货币政策工具的共同驱动效应与特质驱动效应，以此揭示新常态下多种货币政策工具对多重货币政策目标的调节效果。这些结论对于新常态下货币政策的选择性操作具有重要的意义。

第一，经济新常态下央行同时使用多种货币政策工具调节多重货币政策目标，多种货币政策工具的组合操作形成不可观测的共同驱动力和可观测的特质驱动力，由此对货币政策目标产生共同驱动效应（组合效应）和特质驱动效应（特质效应）。不可观测的共同驱动力可以由三个不可观测的共同因子刻画，分别是价格型政策工具共同因子（Y1）、传统数量型货币政策工具共同因子（Y2）和创新结构型货币政策工具共同因子（Y3）。Y1主要揭示价格型货币政策工具的组合操作形成的不可观测共同驱动力，Y2主要揭示数量型货币政策工具形成的共同驱动力，Y3刻画创新结构型货币政策工具组合操作形成的不可观测共同驱动力。

第二，经济新常态下货币政策组合操作的显著变化发生于2015年初期。变化之前的货币政策组合操作是微刺激，变化之后的稳健货币政策组合操作是价格型工具偏向宽松，传统数量型工具稳健适中，创新结构型货币政策工具倾向于宽松。经济增速的持续下滑导致央行货币政策组合操作的显著改变，引致货币政策组合操作的效果发生非对称变化。非对称显著变化发生在经济增长率为7.0%以下，非对称变化特征由逻辑函数刻画，并且呈现异质性。经济新常态时期，当经济增长速度为6.5%左右时，价格型工具组合（Y1）对经济增长、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。传统数量型工具组合（Y2）对产出、通胀和银行系统风险的效应为负向，对产业结构升级的效应为正向。创新结构型政策工具的组合操作（Y3）对产出和通胀的冲击效应持续为正值，对产业结构升级的组合效应为显著的负向，对商业银行系统风险有一定程度的短期负向效应。

第三，各种货币政策工具的特质驱动效应由特质冲击刻画。数量型工具r1和r3对经济增长没有明显的特质冲击效应，对通胀和银行系统风险具有显著的负向特质调节效应，对产业结构升级的特质效应不明显。r7的特质效应与r1效应基本相同，但r7对银行系统风险有正向效应。rz和rt对经济增长和通货膨胀的特质效应整体表现出一定程度的负向，对银行系统风险都没有明显的特质效应，对产业结构升级的效应为正向。Rd对经济增长和通胀有较为明显的负向特质效应，对产业结构和银行系统风险没有明显特质效应，及。对增长、通胀、产业结构升级和银行系统风险没有明显的特质冲击效应。基础货币m0的特质冲击对经济增长和产业结构升级没有显著效应，对通货膨胀具有正向特质效应，对银行系统风险有一定的负向特质效应。SLF对通胀、产业结构升级和银行系统风险的特质效应都不明显。PSL和MLF对经济增长没有明显的特质效应，对通胀都表现出正向特质效应，对产业结构都表现出较为明显的负向效应，但PSL对银行系统风险的特质冲击效应为负向，而MLF则相反。

经济新常态下。中国的货币政策目标是保增长、防通胀、调结构和防金融风险，多种货币政策工具组合操作对多目标的效果是其组合效应与特质效应的叠加。综合各种货币政策的组合效应和特质效应，可以发现，经济新常态下央行的多种货币政策组合操作难以同时实现多个目标。这就意味着，央行应有针对性、有选择性地使用多种货币政策工具调节重要目标，并同時组合其余货币政策工具兼顾次要目标。当经济增长速度和通胀继续下滑时，央行对主要的数量型工具和价格型工具的宽松都能够推动经济增长和通胀上升，其中的r7不仅能够实现对经济增长与通胀的调节，而且对化解银行系统风险有一定的效果。在这种情形下，货币政策难以兼顾产业结构高级化，但MLF、PSL和rz有利于缓解“三农”、小微企业的贷款难问题。当经济增速下滑而通胀水平较高时，央行应以价格型工具调节为主、数量型工具为辅。在价格型工具中，r1和r7在显著推动经济增长的同时，对通胀的刺激作用相对较小，因而是相对理想的工具。数量型工具中除了保持适当的流动性外，SLF等结构型数量工具是较好的补充。当经济增长和通货膨胀率位于合理目标区间时，央行的货币政策目标以产业结构升级或化解金融风险为主要目标，此时收紧主要的价格型和数量型货币政策目标有助于这两个目标实现，但容易伤害经济增长速度。在这种情形下，在适当收紧主要货币政策工具的同时，PSL的宽松以及降低r7有助于化解银行风险，MLF、PSL和rz的宽松有利于缓解“三农”、小微企业的贷款难和促进第一产业的发展。从当前来看，2016年四个季度的经济增长速度均位于6.7%至6.8%之间，通胀率在1.3%至2.3%之间，这两个主要货币政策目标位于合理区间范围内，2017年也没有明显变化。2016年产业结构升级呈现基本停滞不前的状态，银行系统风险在2010年后就一直处于持续攀升的通道中。这意味着，如果经济增长和通货膨胀率继续位于合理区间，调结构和化解金融风险将成为货币政策的主要目标。央行当前的货币政策操作是价格型工具偏向宽松、传统数量型工具稳健适中、创新结构型货币政策工具倾向于宽松。这种货币政策组合操作有助于保增长并防止通货膨胀率的继续下滑，但不利于产业结构升级和化解银行系统风险。因此，当前货币政策工具组合的进一步优化策略是：价格型工具应侧重于降低商业银行的同业拆借利率，数量型工具保持适度中性并使用SLF、MLF和PSL保持流动性，特别是PSL有助于化解金融风险和缓解“三农”、小微企业的贷款难问题。此外，央行的现有货币政策工具的组合操作不能对产业结构的高级化和服务化倾向产生显著的效果。这一方面说明在当前的金融结构状态下，货币政策传导的渠道还主要集中于第一产业和第二产业，另一方面也表明，央行需要进一步创新政策工具或扩大定向操作，对服务业进行信贷倾斜和利率引导。

（责任编辑：罗重谱）