低利率环境下金融不确定性的产出效应

2022-10-18刘金全王梓任

金融发展研究 2022年9期

刘金全王梓任

（广州大学经济与统计学院，广东广州 510006）

一、引言

近年来，全球经济复苏放缓，经济增速下降，美国、加拿大、欧盟、英国、日本等国家和地区实施了低利率、超低利率政策，甚至负利率政策，试图以宽松的货币政策降低融资成本，刺激消费、投资，推动经济增长。美国联邦储备委员会在2020年3月3日突然宣布降息50 个基点，紧接着3月15日再次下调联邦基金利率1 个百分点，达到0%至0.25%区间，触及零利率。在美伊冲突事件、英国脱欧事件、新冠肺炎疫情（以下简称疫情）暴发事件等负面冲击下，在美国降息前后，超过40 个国家纷纷下调利率以提振经济，全球已经进入低利率时代。在全球低利率环境大背景下，虽然我国货币政策始终保持着独立性，但是在经济下行压力下，为保证经济稳步增长，实现共同富裕的终极目标，2021年7月15日和12月15日分别下调存款准备金率0.5%，12月20日下调1年期贷款市场报价利率0.05%，12月7日下调支农、支小再贷款利率0.25%。尽管我国名义利率相对较高，但是我国实际利率（名义利率-通货膨胀率）已经较低。我国实际利率演变路径（1996年1月—2020年9月）如图1 所示，可以看到，我国在2003—2004年、2007—2009年、2010—2011年、2019—2020年等时间段的实际利率已降为负利率。图1 中阴影部分为本文模型估算的低利率区制。在新常态背景下，加上疫情冲击，我国利率正逐步缓慢下降，并且预计我国未来将在中长期处于低利率环境。大量学者和政策制定者开始关注和研究低利率环境。诚然，正确认识到低利率环境的即将到来并为之做好一切准备，系统理解在低利率环境下各经济变量的相互传导机制以及评估低利率环境对经济系统的影响效应，对于保持平稳健康的经济环境具有非常重要的理论意义和现实意义。

图1：我国1996年1月—2020年9月实际利率演变路径

改革开放以来，我国金融体系逐渐完善并且与国际接轨。伴随着经济全球化，经济开放程度不断加大，国际金融风险向国内蔓延，国内金融体系系统性风险也不可忽视。经济波动对金融风险冲击非常敏感，并且金融风险冲击对经济的影响较为剧烈。最近几年来，随着经济金融的发展，金融脱媒进程不断深化，我国金融系统趋于完善，金融部门之间的联系愈发紧密，金融不确定性的增加使得系统性金融风险暴发概率大大提高。稳定金融市场和防范化解金融风险具有重要性以及迫切性。金融不确定性的上升显然会增大金融机构内部的系统性风险，对规模较大的金融机构的影响更为严重。研究金融不确定性，使我们可以更好地理解其对金融市场以及实体经济的影响，特别是对于助力金融稳定和防范化解系统性风险有重要意义和实际作用。因此，本文重点关注的不确定性特指金融不确定性。

低利率的出现（或者说下调利率）与不确定性冲击息息相关，因为不确定性冲击不可避免地增大利率下行压力，最终导致利率下调。不确定性来自经济主体对未来经济形势无法判断的现状或者说不确定性干扰经济主体对未来经济形势的预测，无法形成稳定的预期，从而导致经济主体的行为不再是完全理性行为，这些行为进而放大成为一些宏观现象。地缘政治、金融危机、自然灾害、局部战争、公共卫生等“黑天鹅”事件充分说明了全球经济面临大量的不确定性因素，这些不确定性因素通过各种传导机制进入实体经济。全球在应对不确定性剧增的挑战，我国同样不可避免地面对不确定性冲击的挑战，引发政策制定者的担忧和思考。于是，国内外涌现出大量关于不确定性冲击的研究。

在全球低利率大背景下，Caggiano 等（2017）认为金融不确定性冲击在零利率下限时期引发了比无约束货币政策时期更深的衰退，而且这一结果并非由在大衰退期间发生的其他宏观经济冲击或出现更严重的金融状况导致的。简而言之，零利率下限约束放大了不确定性冲击对经济系统的负效应。由于我国实际利率处于低利率环境，与零利率下限有所不同，并未触发零利率下限约束。因此，本文探究在低利率环境下，金融不确定性冲击对经济系统的负效应是被放大了还是有所缓解甚至是出现正效应。尽管我国还未正式在中长期处于低利率环境，但是可以预期到未来我国将在中长期处于低利率环境下，甚至会受到零利率下限约束或者出现负利率政策。因此，探究低利率环境下不确定性的经济效应，不仅是不确定性冲击的经济效应主旨类文献的重要补充，而且为将来我国在中长期处于低利率环境乃至零利率下限做好文献理论准备，甚至可以给出一些应对政策，具有非常重要的现实意义和理论意义。

鉴于金融经济条件瞬息万变，金融不确定性冲击可能对经济系统产生非线性效应。又考虑到低利率环境和高利率环境时期，经济变量对金融不确定性冲击的不同反应，而线性结构向量自回归（SVAR）模型只能捕获不同利率时期的平均经济效应，所以本文使用一种平滑迁移向量自回归（STVAR）模型。相对于门限向量自回归（TVAR）模型，STVAR 模型比较适合本文区分低利率环境和高利率环境下不确定性冲击的经济效应差异。STVAR 模型旨在研究从一个状态到另一个状态的逐步过渡，这种平滑过渡并不会减少样本信息。与其他分区制估计模型相对比，STVAR模型的优势在于，其利用每个时点的条件概率给原始数据相应的权重，然后使用相应权重进行估计，因此，可用信息的数量大幅增加，从而避免其他分区制估计模型因样本规模小或丢弃样本较多所导致的样本信息量不足从而使得估计不准确的问题。换言之，在低利率区制下估计模型时，部分使用了高利率区制的样本，反之亦然。此外，本文的计量经济学模型不仅给出了非线性模型结果，还给出了线性模型结果。

二、不确定性冲击的经济效应相关文献梳理

从本文研究的核心问题出发，即探究在低利率环境和高利率环境下，金融不确定性冲击对经济系统的异质性影响，本文将从以下两个方面对国内外现有的文献进行梳理和总结。国内外有大量文献探讨不确定性冲击的经济效应，但国外从零利率下限视角分析不确定性冲击的文献寥寥无几，国内该方面文献更是空白。鉴于我国还未受到零利率下限约束，但预期将在中长期处于低利率环境的现实状况，本文探究在低利率环境和高利率环境下，不确定性冲击对经济系统的异质性影响，正好可以作为国内外研究的一个文献补充，特别地，我国还没有从低利率视角研究不确定性冲击的经济效应的文献，这也是本文的贡献之一。

（一）不确定性的经济效应研究文献

关于不确定性的研究，不确定性的定义、不确定性的测度方法以及估算不确定性的经济效应的实证结论等在学术界都没有统一标准。梳理相关文献后，本文将不确定性分为宏观经济不确定性、金融不确定性和经济政策不确定性等。下面将按照这种分类梳理不确定性的经济效应的相关文献。

大多数文献认为不确定性增大对经济系统具有负效应。例如，Bloom 等（2018）使用GARCH模型测度了宏观经济不确定性，研究发现，不确定性冲击是经济衰退的主要驱动因素之一，同时精确估算出不确定性增大使得GDP 减少约3%。对于金融危机导致我国贸易过度反应，特别是我国出口出现大幅波动的事实，鲁晓东和刘京军（2017）讨论了不确定性和我国出口的关系，研究发现，不确定性对我国出口有负效应，且这个负效应不仅来自供给、需求和汇率等经济变量一阶冲击，而且可能存在信心或心理二阶冲击。但是也有文献认为，不确定性增大对经济系统也存在正效应。比如，余杰和黄孝武（2020）使用高维数据测度了我国宏观经济不确定性指数，同时利用TVPSV-FAVAR 模型研究了宏观经济不确定性对经济系统的影响，研究发现，宏观经济不确定性不仅具有显著的逆周期特征，而且对经济系统具有显著的时变影响。具体而言，在短期宏观经济不确定性冲击对经济系统具有显著的负效应，而在长期宏观经济不确定性冲击对经济系统具有显著的正效应。Kraft 等（2018）发现不确定性上升会使得研发投入和创新活动以及某些特殊行业投资增加，从而使得不确定性冲击对经济系统具有正效应。

2008年金融危机之后，学术界和政策制定者开始关注到金融不确定性及其对经济系统的影响。Choi（2018）研究美国金融不确定性对新兴经济体外溢性影响，实证结果发现，美国金融不确定性对新兴经济体产出有显著的负效应。Ludvigson 等（2015）发现金融不确定性冲击导致实际经济活动持续急剧下降，因此，得到的结论是不确定性增大是导致衰退的外生冲击。在经济衰退期间，实体经济、金融市场等方面的不确定性都将大幅上升，而金融不确定性可能是经济波动的来源之一。国内关于金融不确定性主题的研究也不少。刘玉荣等（2019）使用SV 模型构建了我国金融不确定性指数，探究了金融不确定性对城镇居民消费的影响，研究发现，金融市场的波动会抑制城镇居民消费，而金融市场的财富上升对城镇居民消费的影响不显著。陈雨露等（2016）使用68 个经济体的面板数据进行实证研究，结果发现，金融波动较大时，实体经济增长率较低并且金融危机可能随时暴发，而金融平稳运行时，实体经济增长率较高，同时金融市场的风险也较低。

经济政策不确定性对经济系统的影响文献也不少。经济政策不确定性对经济系统的影响效应有负效应也有正效应。较多文献表明经济政策不确定性对经济系统有显著的负效应。许志伟和王文甫（2018）使用SVAR 模型研究发现经济政策不确定性冲击表现出需求冲击的特征，导致产出和价格均明显降低，同时还通过DSGE 模型研究发现约10%的产出下降和15%的价格下降可以由经济政策不确定性解释，并且公众预期、我国劳动收入份额和劳动供给弹性与经济政策不确定性对经济系统的负效应呈负相关关系。Fernández-Villaverde 等（2015）使用新凯恩斯模型模拟分析发现，财政政策不确定性通过改变经济主体的预期对实体经济产生负效应，导致总产出、消费、投资和工作时长都大幅下降，同时出现通货膨胀。Mumtaz 和Zanetti （2013）利用随机波动率来测度时变货币政策不确定性，并探讨了货币政策不确定性对经济系统的影响，研究发现，货币政策不确定性的实际效果和名义效果均为负效应。货币政策不确定性对实体经济的影响效应可能与执行货币政策的时间段有关（Huang， 2016）。张玉鹏和王茜（2016）使用门限VAR 模型研究发现，在经济低迷时期，经济政策不确定性对产出的影响为正，而在经济繁荣阶段为负，文中反事实分析进一步佐证了这个观点。经济政策不确定性的正效应一般从企业研发或者创新活动角度来解释。孟庆斌和师倩（2017）使用DSGE模型探讨了经济政策不确定性对企业研发支出的影响，结果发现，经济政策不确定性增大会激励企业研发支出增加。此外，对于风险偏好型企业，经济政策不确定性对研发支出的激励更明显。

（二）低利率环境下不确定性的经济效应研究文献

在全球部分经济体进入低利率环境或零利率下限甚至出台了负利率政策后，学术界关于低利率环境下不确定性的经济效应的文献相对较少，我国甚至没有相关文献。Johannsen（2014）将零利率下限约束纳入新凯恩斯模型中，研究财政政策不确定性对经济系统的影响，研究发现财政政策不确定性对经济系统有显著的负效应，即消费、投资和产出等大幅萎缩。此外，零利率下限约束将放大财政政策不确定性对经济系统的负效应。Bekaert 等（2013）研究货币政策冲击对实体经济的影响时，发现宽松的货币政策能有效降低不确定性的负面影响。Basu和Bundick（2017）也证明了在包含有零利率下限约束的模型中不确定性增大对产出的抑制作用比没有零利率下限约束的基准模型更大，该结论佐证2008年金融危机期间不确定性剧增，名义利率到达零利率下限可能是导致金融危机后产出大幅下降的一个主要因素。

三、数据来源和金融不确定性的产出效应模型构建

考虑到低利率环境和高利率环境时期的不同反应，本文使用STVAR 模型估算在低利率和高利率两个不同区制下，金融不确定性冲击对实体经济的异质性影响。

（一）数据来源及说明

考虑数据的可得性，本文数据选用了1996年1月—2020年9月的金融不确定性指数（unfin）、消费同比增长率（C）、投资同比增长率（I）、规模以上工业增加值同比增长率（GY）、CPI、实际利率（rate）和上证指数收盘价（sh_index）等月度数据。其中，金融不确定性指数由上证指数收盘价通过使用GARCH（1，1）模型计算得到；消费同比增长率数据选用社会消费品零售总额同比增长率；投资同比增长率数据选用固定资产投资（不含农户）同比增长率；实际利率由名义利率减去通货膨胀率得到；名义利率使用银行间7 天同业拆借利率代替，通货膨胀率使用CPI 同比增长率代替。表1 为主要变量的描述性统计，表2是主要变量的单位根检验结果。从表2 可知，本文主要变量数据均为平稳时间序列。本文所有数据均为月度数据，均来自中经网统计数据库。本文实证结果均由Eviews10.0和matlab软件给出。

表1：主要变量的描述性统计

表2：主要变量的单位根检验

（二）GARCH模型的构建

自Engle（1982）首先提出自回归条件异方差模型（ARCH）后，Bollerslevb（1986）在其基础上将ARCH 模型拓展为广义自回归条件异方差模型（GARCH）。随着GARCH 模型的深入研究，出现了各种形式的GARCH 模型，而且广泛地应用于经济和金融等领域（Gourieroux，1997）。其主要原因就是可以利用条件方差来度量风险或者收益率的波动程度，并且使得这些波动性和风险度量具有时变性质，从而体现了新信息获得和新冲击出现所产生的动态影响。GARCH（1，1）模型所含信息较多，预测能力较强，且模型阶数较小、拟合效果较好，这一点已在波动性研究中得到证实，例如郑振龙和黄薏舟（2010）运用GARCH（1，1）模型对相关股票指数进行研究，发现GARCH（1，1）模型预测一周波动率的能力更强。因此，本文通过使用GARCH（1，1）模型计算得到金融不确定性指数，构建标准的GARCH（1，1）模型如下：

（三）STVAR模型的构建

使用STVAR 模型刻画低利率环境和高利率环境下的不同响应，其中，低利率区制和高利率区制之间的转换是平滑的。参考Auerbach 和Gorodnichenko（2012）的模型，STVAR模型的构建方程如下：

Z转移变量的变化代表着从一种状态向另一种状态的转移。 Z值主要用于高低利率区制的划分，Z＞0 时代表高利率区制，Z＜0 时代表低利率区制。本文主要是用平滑转移函数划分利率的高低不同时期，进而检验不同时期下金融不确定性的产出效应，因此，在这里将实际利率设定为Z。一般来说，当Z＜0 时，即为低利率时期时， F( Z)∈( 0.5,1) ；当Z＞0 时，即为高利率时期时，F( Z)∈( 0 ,0.5) 。本文参考Auerbach 和Gorodnichenko（2012）的设置，将F( Z)＜0.3 定为高利率时期，将F( Z)＞0.7 定为低利率时期，这样可以使得低利率时期和高利率时期的划分更加明显。当γ →∞时，利率区制之间的转变变得非常突然（突变），而当γ=0 时，整个计量模型变成了线性VAR 规范。理论上，虽然在估计模型时，可以同时得到模型中的5个参数Γ={γ ,Ω,Ω,Π( L ),Π( L )}，但是估计参数γ 时要用到非线性矩，所以在短样本中，少量观察结果的模型估计结果可能存在误差。参考Granger 和Teravistra（1993）的建议，使用grid search 方法给模型校准一个固定的γ值，从而确保γ值的变化对{Ω,Ω,Π( L ),Π( L )}的估计没有影响。为了方便运算，本文参考Auerbach 和Gorodnichenko（2012）的设置，将γ 校准为1.5，用以捕获特定利率状态。这样的模型设置，不仅允许模型对结构冲击有不同动态响应，而且允许模型对同期的结构冲击有不同动态响应。此外，使用平滑迁移函数还有两个优点：第一，本文的完整样本都可以放进模型中进行估计推断，样本的全部信息都能得到，而且不会出现因为遗弃样本较多或者样本规模较小从而导致样本量太少的问题；第二，可以很容易地得到从政策变化到状态变化的动态响应。

对模型进行估计测度部分详细细节参考Auerbach和Gorodnichenko（2012）。本文使用Chernozhukov和Hong（2003）提出的马尔可夫链蒙特卡罗（MCMC）方法进行估算。在标准已知条件下，该方法在拟合迭代方面能找到全局最优解，并且可以得到所要估计的参数的概率分布函数。本文设定该模型的滞后长度为4，使用Hasting-Metropolis算法得到长度为N的马尔可夫链。参考Gelman 等（2004）提出的做法，Ω初始值被校准为参数值的1%左右，模型估计迭代100000次，前20000次作为预烧值舍掉，使得接受率抵达0.3 的界限。使用一系列诊断程序来检验从生成的马尔可夫链中得到的结果分布函数的性质，结果发现模拟链收敛于平稳分布，模拟的参数值吻合较好，参数识别效果良好。

四、低利率环境下金融不确定性的产出效应检验

本文使用STVAR 模型估算在低利率和高利率两个不同区制下，金融不确定性对实体经济的异质性影响。GARCH（1，1）模型测度的金融不确定性指数与我国实际经济状况高度耦合。

（一）金融不确定性指数测度结果

本文测算的金融不确定性指数如图2 所示。总体来看，金融不确定性指数具有明显的上下起伏、波动较大的周期性特征，与我国实际经济状况相吻合。在1997年、2008年、2015年左右等时间段金融不确定性指数较大，与1997年亚洲金融风暴、2008年全球金融危机和2015年股灾等大型金融危机事件暴发的时间段相吻合，我国经济运行实际状况可以很好地解释模型估算的金融不确定性指数。其他时间段金融不确定性指数相对较小且波动不大，甚至在2003年非典型肺炎疫情和2020年疫情期间金融不确定性指数都比较小。由此可见，公共卫生事件对金融不确定性的影响较小，只有出现金融危机事件时，金融不确定性指数才会大幅度上涨，此结论与刘玉荣等（2019）的研究相吻合。所以，GARCH（1，1）模型测度的金融不确定性指数比较符合我国实际经济状况。

图2：我国1996年1月—2020年9月金融不确定性指数

（二）金融不确定性的产出效应检验结果

本小节呈现了金融不确定性冲击对消费同比增长率、投资同比增长率、规模以上工业增加值同比增长率和CPI 的脉冲响应函数，包含有线性模型脉冲响应函数和非线性模型脉冲响应函数、低利率脉冲响应函数和高利率脉冲响应函数。很明显可以看到，在低利率环境和高利率环境下，线性估计模型的脉冲响应函数是无差别的，而非线性估计模型即STVAR 模型的脉冲响应函数则是不同的，从侧面验证了线性估计模型是有偏差的，同时证明了本文所选择的计量经济学模型和得到的实证结果较为准确。

图3 给出了金融不确定性冲击对消费同比增长率、投资同比增长率的脉冲响应函数。图3 左侧是低利率区制的脉冲响应函数，右侧是高利率区制的脉冲响应函数，浅灰色区域是非线性模型估计结果的置信水平为68%的置信区间，深灰色区域是线性模型估计结果的置信水平为68%的置信区间。在高利率区制时，金融不确定性正向冲击对消费同比增长率的脉冲响应函数的初始值为-10，总体呈现跌宕起伏状态。在高利率区制时，金融不确定性正向冲击对投资同比增长率的脉冲响应函数的初始值为负数，总体同样呈现上下起伏波动状态。因此，在高利率区制时，金融不确定性增大会导致消费缩减、投资减少，与金融不确定性对实体经济产生负效应的经济直觉相吻合，且与大多数文献的研究结论相一致。具体来看，当利率较高时，即实施紧缩性货币政策，紧缩性货币政策会导致企业借款成本增加，同时抑制消费欲望，进而使得消费和投资减少；同时，现金流可能会从实体经济流入金融市场，也会使得消费和投资减少，并且未来不确定性的增加会诱导预防性储蓄增加、消费和投资减少。多重传导机制下，在高利率区制下，金融不确定性对经济系统的负效应被放大。

图3：金融不确定性冲击对消费、投资的脉冲响应函数

在低利率区制时，金融不确定性增加时，消费同比增长率的脉冲响应函数一直为正数，初始值为5，最后收敛于0；投资同比增长率的脉冲响应函数也一直为正数，初始值低于2，最后收敛于0。由此可见，利率较低时，金融不确定性增大会导致消费增加、投资增加。当利率较低时，即实施宽松的货币政策时，宽松的货币政策会导致企业借款成本降低，使得消费的机会成本降低，进而使得消费和投资增加；同时，金融市场的现金流出于风险规避原则和盈利原则等可能流入实体经济，而利率较低导致储蓄较少，因此，消费和投资会增加。不完全理性和风险厌恶心理等能解释金融不确定性冲击导致消费增加，即当金融不确定性增大时，不完全理性和风险厌恶心理等会导致资金从股票、证券、基金等金融投资产品流出从而增加消费和储蓄；增长期权理论能较好地解释金融不确定性正向冲击导致投资增加，增长期权理论认为一项长期投资的价值不仅取决于这项投资所能带来的现金流，而且取决于其能为企业带来的其他发展机会。Stein 和Stone（2013）研究发现，衰退时期是增加R&D 投资的“抄底”时期，同时认为增长期权理论能较好解释不确定性增加能促进R&D 的观点。李杰等（2020）使用23 个发达国家数据研究实际存款利率与私人储蓄之间的非线性关系，得到的结论是：当实际利率大于1%时，利率对储蓄的影响以替代效应为主，即两者关系为正向关系；当实际利率为0.5%～1%时，利率对储蓄的影响以收入效应为主，即两者的关系为负向关系；当实际利率低于0.5%时，利率对储蓄的影响又以替代效应为主，即两者关系为正向关系；甚至当实际利率为负时，利率对储蓄的影响也是替代效应为主，即两者的关系为正向关系。因此，在利率较低时，利率对储蓄的影响以替代效应为主导，即两者的关系为正向关系，而储蓄与消费、投资又是此消彼长的关系，所以出现利率下降时，储蓄下降而消费、投资增加的现象。此外，从实证结果来看，消费对金融不确定性冲击比投资更为敏感，上述解释也能说明这点。简而言之，在低利率环境下，金融不确定性正向冲击对经济系统的负效应有所缓解，甚至出现正效应。

图4给出了金融不确定性冲击对规模以上工业增加值同比增长率的脉冲响应函数。在高利率区制时，金融不确定性正向冲击对规模以上工业增加值同比增长率的脉冲响应函数的初始值为负数，随后在正数和负数之间波动，最后收敛于零。所以，在高利率区制时，金融不确定性增加会使得工业增加值减少，即金融不确定性增加对实体经济具有负效应，与大多数文献的研究结论相一致，且符合金融不确定性正向冲击对经济系统产生负效应的经济直觉。在低利率区制时，金融不确定性正向冲击对规模以上工业增加值增长率的脉冲响应函数的初始值为正数，随后下降为负数，然后又恢复到正数，最后趋于收敛。因此，在低利率区制时，金融不确定性增加会导致工业增加值增加，即此时金融不确定性增加对实体经济具有正效应。当利率较低时，金融市场不确定性越大，与金融市场相比，实体经济发展就越好，资本盈利可能性越大。因为货币政策环境比较宽松，出于风险规避心理和追逐利润原则，金融市场的资金可能流入实体经济，获取更多的收益。当利率很高时，即货币政策较为紧缩时，由于货币政策利率比较高，筹集资金成本较大，此时实体经济可能也没有较高的收益，因此，金融市场的不确定性增大就会对实体经济产生负面影响。这也说明，在高利率环境下，金融不确定性正向冲击对经济系统具有负效应；而在低利率环境下，金融不确定性正向冲击对经济系统的负效应有所缓解，甚至出现正效应。

图4：金融不确定性冲击对工业增加值的脉冲响应函数

综上，因为我国的低利率环境与国外的零利率下限有所不同，我国的低利率并不是一个下限，可以把它看成是一种货币政策环境，属于一种较为特殊的利率状态。在正常时期，货币政策在抵消不确定性冲击的负面影响方面发挥着关键作用；当零利率下限约束存在，即就算是实施扩张性货币政策也不能再发挥其通常的稳定功能时，那么更高的不确定性就会产生更多的负面影响，即零利率下限约束的存在放大了不确定性冲击对经济系统的负效应。简而言之，标准的货币政策规则表明，在没有零利率下限约束时，中央银行通常通过降低名义政策利率来抵消不确定性增加的影响；但如果货币当局被名义利率的零利率下限约束，不确定性的增加对经济有更大的负面影响。

图5 给出了金融不确定性冲击对CPI 的脉冲响应函数。从理论上来说，不确定性冲击对物价变动的影响主要取决于它是供给端冲击还是需求端冲击。当不确定性冲击主要是总需求冲击（即总需求减少）时，它会导致通货紧缩（Christiano 等，2014）；但如果不确定性冲击是影响企业的边际成本和企业面临的市场需求的总供给冲击，这种不确定性冲击就会引起通货膨胀（Fernández-Villaverde等，2015）。在高利率区制时，金融不确定性正向冲击对CPI 的脉冲响应函数一直为正数，初始值低于0.5，最后收敛于零，即在高利率区制时，金融不确定性增加使得CPI 上升即通货膨胀。因此，在高利率区制时，金融不确定性冲击是总供给冲击。因为当利率很高时，企业的边际成本大幅上涨，且这种总供给冲击使得CPI 上升的影响大于紧缩的货币政策所引致的CPI 下降的影响。在低利率区制时，金融不确定性正向冲击对CPI 的脉冲响应函数一直为负数，初始值大于-0.5，即在低利率区制时，金融不确定性增加使得CPI 下降即通货紧缩。因此，在低利率区制时，金融不确定性冲击是总需求冲击，且这种总需求冲击使得CPI 下降的影响大于宽松的货币政策所引致的CPI上升的影响。

图5：金融不确定性冲击对CPI的脉冲响应函数

五、主要结论和政策建议

本文使用GARCH 模型测算了我国金融不确定性指数，并使用STVAR 模型测度了低利率环境下金融不确定性的产出效应。研究发现，本文使用GARCH（1，1）模型测度的金融不确定性指数与我国实际经济状况比较吻合。在测度样本范围内，金融不确定性指数在1997年、2008年、2015年左右的3 个时间段比较大，分别与1997年亚洲金融风暴、2008年全球金融危机和2015年股灾等大型金融危机事件暴发的时间段相吻合。此外，公共卫生事件对金融不确定性的影响较小，只有在出现金融危机事件时，金融不确定性指数才会大幅度上涨。

基于STVAR 计量模型实证分析，得到以下四点结论：首先，在高利率环境下，金融不确定性增大会使得消费减少、投资减少、工业增加值减少和CPI 上涨，说明在高利率环境下，金融不确定性冲击对经济系统有显著的负效应。其次，在低利率环境下，金融不确定性增大会导致消费增加、投资增加、工业增加值增加和CPI 下降，说明在低利率环境下，金融不确定性冲击对经济系统有显著的正效应。再次，高利率环境下与低利率环境下的实证结果相对比可知，低利率环境不仅使得金融不确定性对经济系统的负效应减弱，甚至使得金融不确定性对经济系统的效应变为正。在没有零利率下限约束时，中央银行通常通过降低名义政策利率来抵消不确定性增加的影响；但如果存在名义利率的零利率下限约束，不确定性增加对经济有更大的负面影响。最后，在高利率区制时，金融不确定性冲击是总供给冲击；在低利率区制时，金融不确定性冲击是总需求冲击。

鉴于以上发现，提出以下三点政策建议：

第一，由于零利率下限约束会放大不确定性冲击对经济系统的负效应，并且“流动性陷阱”的存在会大大降低货币政策的有效性，因此，要尽量避免出现零利率下限约束以及“流动性陷阱”，为货币政策操作预留充足的调控空间。我国利率持续走低，并预期进入低利率环境，考虑到低利率环境下金融不确定性冲击对经济系统有显著的正效应，中央银行应及时把握住低利率环境机遇，财政政策和货币政策相互配合，稳扎稳打、稳中求进，进一步提振宏观经济并保持平稳健康的经济环境。

第二，部分经济体超低利率政策或者负利率政策的实际效果不好，表明我国中央银行货币政策不仅要提质增效，努力为货币政策操作预留充足的调控空间，而且要充分考虑到进入零利率下限约束后可能出现的负面影响。尽管本文研究结论表明在低利率环境下，金融不确定性增大会导致消费增加、投资增加、工业增加值增加和CPI 下降，即金融不确定性冲击对经济系统有显著的正效应，但是依旧需要对低利率环境经济给予充分重视，准确把握导致利率持续走低的主要动力因素，研究在低利率环境下货币政策如何提质增效以及财政与货币政策协调联动的调控模式。

第三，考虑到在高利率时期和低利率时期，金融不确定性对经济系统的影响效应差异，一方面，要对实体经济和金融市场以及它们之中的不确定性因素充分关注，严防经济与金融风险相互传导，准确把握我国经济金融实际运行状况，及时与市场主体沟通，让市场主体充分理解政策意图，加强市场主体预期管理；另一方面，应将金融市场稳定作为政策调控目标，加强金融风险监控，积极引导市场主体预期朝政府政策方向靠拢，完善金融系统建设，让金融市场更好地支持实体经济发展。