中国金融周期与经济周期的非对称波动特征及联动关系研究

孙晨童,王相飞,丁 新

(1.清华大学 经济管理学院,北京 100084;2.远东资信评估有限公司研究院,北京 100007;3.吉林财经大学 金融学院,吉林 长春 130117;4.中关村科学城城市大脑股份有限公司,北京 100080;5.北京理工大学 管理与经济学院,北京 100081)

一、引 言

20世纪初,由于西方资本主义经济危机频繁出现,经济学界开始关注经济周期的波动特征并展开了一系列研究,此后逐渐形成了成熟的经济周期理论体系。但是对于金融市场的周期波动问题并未引起足够的重视,同时对金融周期的运行规律也缺乏深入分析。随着2008年美国次贷危机及2010年欧洲债务危机爆发,学术界开始重新审视金融因素在宏观经济运行中的地位,试图将金融与宏观经济结合起来进行研究,并针对宏观与金融关联问题(Macro-Financial Linkages)展开了热烈的讨论[1-4]。以国际货币基金组织(IMF)为代表的国际性研究机构也更加关注宏观金融关联问题,并逐渐形成了IMF宏观金融分析框架,该框架的一项重要研究内容即是经济周期与金融周期分析[5]。因此,本文在宏观金融关联分析框架下,通过借鉴主流经济周期波动分析方法,以周期波动视角探究中国宏观金融关联问题,并对中国金融周期与经济周期的波动态势进行统一的监测与分析,这不仅能够为宏观经济与金融调控政策的制定提供理论依据和经验借鉴,而且对于防范金融风险、促进宏观经济与金融协调发展具有重要的现实意义。

近年来,学术界对金融周期与经济周期展开了大量研究。金融周期方面,BIS的学者Borio将金融周期定义为“金融周期波动源自于公众对风险价值偏好与融资约束之间的交互作用”,并且这种交互作用可能会导致严重的金融困局和经济衰退,他认为信贷和资产价格是测度金融周期的核心指标,通过采用信贷、信贷/GDP、房地产价格三个指标构建金融周期指数,研究发现,美国金融周期比经济周期的周期长度更长、波动幅度更大,系统性银行危机往往出现在金融周期的波峰附近[6]。中国金融周期与经济周期的中长期波动也存在类似的关系特征[7-8],不同的是中国金融周期的短期波动与国家金融调控政策导向高度吻合[9]。虽然测定金融周期与经济周期的指标存在差异,但是经济周期相关研究方法在金融周期研究上同样适用。例如,可以采用带通滤波方法提取金融周期,并运用“B-B”法对金融周期的转折点进行识别[10-12]。韩艾等采用广义动态因子模型构建了中国金融周期景气指数,同时采用景气分析方法分析了中国金融周期波动的景气循环[13]。陈守东等使用无限状态区制的时变动态因子模型(RTV-DFM)提取了中国金融周期的景气循环,研究发现中国金融周期与货币政策周期波动高度一致[14]。

经济周期方面,1946年,Burns和Mitchell系统梳理了测定经济周期及阶段划分问题,认为经济周期波动应该是刻画宏观经济系统中主要指标的共同变动[15],而这种变动又可以区分为“收缩”和“扩张”两种状态。此后,学者们在经济波动典型化事实的基础上,经过进一步研究认为经济周期波动应具有两个基本特征:一是共变性,即诸多宏观经济变量之间存在协同性变化;二是非对称性,即经济周期的阶段性变化[16]。其中,研究经济周期共变性的经典方法是Stock和Watson提出的动态因子模型[17],该方法依据经济指标间的协同变化提取动态因子来描述经济周期波动;研究经济周期非对称性的经典方法是Hamilton提出的马尔科夫区制转换模型(以下简称MS-AR模型)[18],该方法通过状态变量的概率推断对经济周期阶段进行识别。此后,一些研究继承和发展了上述两种方法,实现了对经济周期波动两大特征的同时分析。Diebold和Rudebusch采用“两步法”建模思想,首先采用动态因子模型提取能够反映宏观经济系统协同变化的动态因子,然后采用MS-AR模型分析动态因子的非对称特征[19]。Kim提出Kim滤波估计方法,实现了对MS动态因子模型的“一步法”估计[20],很多学者成功地运用这种方法对经济周期问题进行实证研究[21-24]。Kholodilin和Yao基于MS动态双因子的建模思想,合成了宏观经济一致景气指数和先行景气指数,并对二者的区制动态关系进行分析[25]。

综上所述,目前将金融周期与经济周期放在统一框架下共同研究的文献相对较少。本文参考Kholodilin和Yao的研究思路[25],应用MS-DBF模型同时对金融周期与经济周期进行测度与景气分析,并基于联合区制状态的平滑概率对金融周期与经济周期进行联动关系分析。本文的边际贡献在于:

第一,在优化模型设定层面,将动态因子模型拓展为动态双因子结构,实现了金融周期与经济周期的同时测度。同时,通过引入两个离散状态变量和包含约束条件的联合转移概率矩阵改进传统MS-VAR模型,以联合波动视角分析两个周期的关联动态。

第二,在丰富经济周期监测工具层面,以往的研究需要分别建模才能提取两个周期的时间序列,而本文构建的模型在数据可得的条件下,通过“一步法”估计即可同时得到两个周期的估计结果,这为中国实时监测金融与宏观经济部门的周期性波动提供了一个较为便捷的新工具。

第三,在助力宏观调控政策层面,准确地识别经济周期阶段并探究宏观金融关联关系具有重要的现实意义,为政策当局在“稳增长”与“防风险”的双重目标下,相机抉择地实施“逆周期”的宏观调控政策提供新的参考基准。

二、MS-DBF模型构建及其估计方法

(一)模型构建

(1)

(2)

为了分析金融周期与经济周期波动之间的关联关系,进一步在动态双因子模型基础上引入联合的MS模型机制。Hamilton提出的MS-AR模型[18]和Krolzig提出的双变量MS-VAR模型[26]只能以概率形式来描述单一的区制状态,而本文构建的MS-DBF模型可以刻画两个周期的联合区制动态演变过程,模型具体表示为:

(3)

(4)

(5)

(6)

(7)

(二)估计方法

本文采用“一步法”对模型进行估计,由于MS-DBF模型中包含不可观测变量,需要将其改写成状态空间形式进行估计,具体可表示为:

yt=Ztαt

(8)

αt=μst+Ttαt-1+ξt

(9)

三、变量选择与指标处理

经济周期指标组:参考陈磊等测度经济周期的指标体系[27-28],并根据传统景气分析方法的指标筛选方式,以工业增加值实际同比增长率为基准指标,通过时差相关分析筛选出能够反映宏观经济一致景气变动的指标(见表1)用于测度经济周期。

表1 两个周期的测度指标组

金融周期指标组:考虑到金融周期由房地产市场、股票市场、信贷、利率、汇率和货币供应等多个子周期组成,且金融子周期之间呈现出的协同波动特征往往并不一致[13,29],因此金融周期测度不适宜采用景气分析方法来筛选指标。出于以上考虑,本文参考伊楠和张斌、栾惠德和侯晓霞、石振宇等文献的指标体系[7,29-30],选择每个金融子周期最具代表性的指标,然后采用主成分分析方法进行分析,根据第一主成分中指标的因子载荷大小进行排序,剔除因子载荷较低的指标,最终确定了金融周期指标组(见表1)。

考虑到部分指标1月份存在缺失值的情况,本文用2月数据代替1月数据进行填补。采用X-12方法剔除掉所有指标的季节和不规则扰动成分,保留TC序列。观察指标的TC序列走势发现,社会融资规模与人民币实际有效汇率指数仍具有明显的长期趋势,但由于社会融资规模数据包含负值,不能采用对数差分或者计算同比增长率的方式进行处理。因此,参考栾惠德和侯晓霞的处理方式,对社会融资规模与人民币实际有效汇率指数进行HP滤波剔除掉趋势成分,保留指标的周期成分。最后对所有指标进行一阶差分,经ADF检验显示,差分数据均为平稳时间序列,数据满足建模要求。

四、基于MS-DBF模型的实证分析

(一)模型参数估计结果分析

为了准确识别两个周期的波动状态,本文并未按照传统的方式根据信息准则来判断滞后算子Lp和Lq的阶数,经过反复实验,最终确定两个滞后算子均为0阶作为最终模型形式(2)Camacho等应用混频MS-DF模型测算经济周期时,为了准确识别经济周期的波动状态,滞后阶数同样选择了0阶[30]。。此外,考虑到估计参数的收敛速度,直接将(1-α)-1和(1-β)-1作为参数进行估计,模型估计过程在GAUSS 9.0软件上编程实现。

如表2所示,MS-DBF模型全部待估参数均在5%的显著性水平下统计显著,说明本文模型设定具备科学性和合理性,能够准确捕捉经济周期和金融周期的潜在规律,相关结论如下:

表2 MS-DBF模型参数估计结果

第一,金融周期测度中人民币贷款余额和商品房销售平均价格的因子载荷分别为0.729和0.833,这说明共同因子的提取受这两个因素影响较大。人民币实际有效汇率指数的因子载荷最低,仅为0.208,这主要是由于该指标与其他指标的协同性相对较低所导致。长短期债券利差和上证综合指数的因子载荷大体相当,分别为0.431和0.478。经济周期测度中社会消费品零售总额、公共财政收入和固定资产投资增速对提取经济周期的贡献较大,因子载荷分别为0.898、0.856和0.843;次之的是进口总额,因子载荷为0.572。

第四,转移概率p11和p22的估计值分别为0.91和0.915,其值都超过了0.9,说明两个周期各自维持扩张(收缩)状态都具有非常强的稳定性。从“同步”和“非同步”角度来看,两个周期处于“扩张—扩张”和“收缩—收缩”的同步波动状态的平均持续期分别为11.11个月和11.76个月;而两个周期处于“收缩—扩张”和“扩张—收缩”的非同步波动状态的平均持续期分别为7.16个月和7.71个月,前者整体大于后者,说明在整个样本期内两个周期以同步波动为主。

(二)金融周期与经济周期的周期波动特征分析

为了便于观察与分析金融周期与经济周期的实际走势,图1和图2给出了动态双因子进行逐期累加计算得到的两个周期序列(实线,左轴)及其处于收缩状态的平滑概率估计结果(虚线,右轴)。通过观察可以发现,本文建立的模型基本准确地识别了两个周期在样本期内所有的收缩阶段,这在一定程度上说明MS-DBF模型的估计结果是准确可靠的。

图1 金融周期及其处于收缩状态的平滑概率

图2 经济周期及其处于收缩状态的平滑概率

为了准确捕捉周期波动的阶段性变化,根据如下规则对周期转折点进行测定:第一,周期阶段的划分应满足扩张或者收缩阶段的持续期不少于6个月[31];第二,将平滑概率与0.5水平线的交点作为扩张与收缩阶段相互转换的时点[18],表3给出了金融周期和经济周期的转折点测定结果。

表3 周期转折点测定结果

根据表3的测定结果,本文将样本起始点2002年2月(3)由于文本基于差分数据构建的模型,2002年1月的数据损失,模型估计得到的金融周期与经济周期序列的样本起始点为2002年2月。作为两个周期的第一个谷点,并将“谷—峰—谷”看作是一个完整的景气循环。根据表4的测定结果显示,2002年以来金融周期经历了6轮完整的景气循环,目前正处于第7轮循环的扩张阶段;经济周期经历了5轮完整的景气循环,目前正处于第6轮循环的收缩阶段,是否已经到达谷点仍需进一步观察。需要特别说明的是,金融周期在2018年9月至2019年6月经历了一段为期10个月的小幅波动,本文将其视为第6轮扩张阶段的一部分。此外,模型识别出经济周期存在一个持续期仅为5个月的扩张阶段(2018年10月至2019年2月),由于持续期较短,本文未将2019年2月视为一个峰点。

表4 景气循环测定结果

结合图1、表3和表4对金融周期的历史轨迹进行回顾:2002年,中国经济局部过热、银行信贷资金过度投放,催生经济泡沫,金融周期处于扩张阶段并于2003年6月到达峰顶。为防范金融风险与维持金融市场运行稳定,政府部门于2004年加大宏观调控的力度,金融环境逐渐趋紧,金融周期由此进入收缩阶段,并且一直持续到2005年初。随后,金融周期于2005年3月进入第2轮景气循环的扩张阶段,伴随着股票市场的繁荣,在2007年6月达到峰顶,但美国次贷危机的爆发导致国内金融环境急剧恶化,金融周期进入第3轮的收缩阶段,于2008年8月到达谷底。受扩张性金融调控政策的影响,金融周期迅速反弹,并在2009年10月达到样本期内的最高点。2011年,宏观调控政策逐渐回归“稳健”,金融周期迅速回落并在2011年12月触底。

第4轮循环,金融周期在适度的区间内波动(2012年1月至2014年8月)。此后,在股市牛市及房地产价格上涨等因素的带动下,金融周期从2014年9月开始进入了第5轮的扩张阶段。在此期间,货币流动性出现“脱实向虚”现象,这导致了中国金融市场投机风气严重、金融杠杆率过高等一系列问题。为防范金融风险,2017年中国“一行三会”集中出台多项金融“去杠杆”措施,金融环境的趋紧使得金融周期进入第5轮的收缩阶段。2020年,面对新冠疫情对中国经济造成的强烈冲击,政府部门在政策选择上保持一定的定力与远见,采取了稳健偏适度宽松的金融调控政策,金融周期开始扩张并在2020年8月达到峰点,随后迅速收缩,于2021年9月结束了第6轮循环。目前,中国金融周期正处于第7轮循环的扩张阶段。

结合图2、表3和表4对经济周期的历史轨迹进行回顾:2002年,在加入WTO等有利因素的推动下,中国进入了高速增长的经济繁荣时期。经济周期从样本起始点开始进入了持续25个月的扩张阶段。此后经历了13个月收缩阶段的短暂调整后,又进入了第二轮循环的扩张阶段,并在2007年10月达到峰顶。

2008年国际金融危机在全球范围内迅速蔓延并波及中国,这导致经济周期迅速下降,并于2009年1月达到谷底。在“四万亿”一揽子经济刺激政策的影响之下,经济周期快速反弹,并于2010年2月达到峰点。危机过后,随着经济政策效果的逐渐消退,经济周期进入收缩阶段。受经济结构变化、潜在经济增长率下行以及固定资产投资持续低迷等因素的持续影响,自2012年9月开始,经济周期经历先后两轮“上升幅度较小、下降幅度较大”的景气循环(第四轮:2012年9月至2015年10月;第5轮:2015年11月至2020年2月)。

2020年初,新冠疫情对中国经济造成了前所未有的强烈冲击,2020年第1季度,中国GDP实际同比增长率降至-6.8%,这是改革开放四十年以来的首次负增长,与之相对应的经济周期也在2020年2月达到样本期的最低点。随着中国疫情防控工作稳步落实,社会经济活动恢复正常运转,经济周期波动迅速反弹,并在前一年同期的低基数作用下,于2021年2月达到了样本期内的最高点。后疫情时代,由于中国经济发展仍存在着经济结构性不平衡、潜在经济增长下行、劳动力人口减少等问题,宏观经济依然面临较大的下行压力,经济周期进入了第6轮景气循环的收缩阶段。

总体来看,两个周期的每一轮景气循环无论是周期长度还是收缩和扩张阶段的持续时间都不尽相同,体现出非对称的周期性波动特征。金融周期与经济周期的峰点与谷点交替出现,并且金融周期都先于经济周期进入下一轮循环。经时差相关系数计算可得,金融周期平均先行经济周期6个月,对应的相关系数为0.651 6,这表明金融周期可以作为预测经济周期运行态势的先行指标。

(三)金融周期与经济周期的联动关系分析

对比MS-VAR模型仅能以单一的MS机制来描述指标间的区制状态,本文构建的MS-DBF模型可以通过引入联合的MS机制来刻画金融周期与经济周期之间的联合动态演变过程。图3至图6分别给出了金融周期(粗虚线,左轴)与经济周期(粗实线,左轴)处于不同四种状态组合的平滑概率估计结果(细虚线,右轴)。其中,图3和图4显示,两个周期处于“同步”(两个周期同时处于扩张或收缩状态)的样本期数为145个月;“非同步”(一个周期处于收缩而另一个周期处于扩张状态)的样本期数为100个月,可以看出在样本期内金融周期与经济周期波动表现出较高的协同性。在“同步”时期中,两个周期均处于扩张阶段的样本期数为73个月;二者均处于收缩阶段的样本期数为72个月,两种状态的持续期基本相同,但2008年金融危机以来,两个周期均处于收缩阶段为主。

图3 金融周期与经济周期均处于扩张状态的平滑概率

图4 金融周期与经济周期均处于收缩状态的平滑概率

图5呈现了两个周期处于“收缩—扩张”状态的平滑概率估计结果,表现为在新一轮的收缩阶段金融周期对经济周期的先行性。具体来看,在前4轮景气循环中,金融周期对经济周期的先行期比较稳定,但第5轮的持续时间(2016年5月至2018年2月)较以往大幅提升,两个周期呈现出与以往不同的波动特征。这种经济现象可能的解释为:一方面,为了防范可能出现的系统性金融风险,在此期间中国政府采取了稳中偏紧的货币政策,2016年5月至2018年2月,中国广义货币增速M2从11.8%降至8.76%,金融环境的趋紧使得金融周期呈下降趋势,但由于货币增速M1、M2剪刀差的持续扩大通过市场流动性对货币政策调控经济周期的力度起到了抵消的作用[30],使得稳中偏紧的货币政策并未引起经济的显著衰退;另一方面,从2015年下半年开始,由于进口增速和工业生产增速止跌回暖,经济周期进入第5轮景气循环的扩张阶段并一直持续到2018年2月,上述两点原因导致金融周期与经济周期的走势维持了一段较长时间的背离状态。通过观察样本末端可以发现,金融周期已经先于经济周期进入了新一轮的收缩阶段。

图5 金融周期处于收缩状态,且经济周期处于扩张状态的平滑概率

图6呈现了两个周期处于“扩张—收缩”状态的平滑概率估计结果,表现为在新一轮的扩张阶段金融周期对经济周期的先行性。其中,第1轮和第5轮景气循环中区制状态的持续时间相对较短,除此以外,其他循环的状态持续时间比较接近,这反映了在扩张阶段金融周期对经济周期的先行期相对不稳定的特征。

图6 金融周期处于扩张状态,且经济周期处于收缩状态的平滑概率

总体来看,根据金融周期与经济周期四种不同区制状态组合,可以从协同性和先行性两个角度对两个周期之间的关联关系进行分析。一方面,通过对两个周期处于“扩张—扩张”和“收缩—收缩”的联合区制状态进行识别,以此来反映二者的协同性变化;另一方面,通过对“扩张—收缩”和“收缩—扩张”的联合区制状态进行识别,以此来反映每一轮景气循环中金融周期对经济周期的先行性变化。此外,根据表5中联合转移矩阵的估计结果可以发现:

表5 不同区制状态下的联合转移概率矩阵

第一,转移概率矩阵中的主对角线元素的估计值都较高(分别为0.91、0.86、0.87和0.915),这体现出两个周期的联合波动具有一定的区制依赖特征,即更倾向于维持原有的区制状态。

第二,在既定条件下,金融周期在不同区制状态间的转移概率存在一定的非对称性。当经济周期处于扩张状态时,金融周期由扩张转为收缩状态的概率为0.09;而当经济周期处于收缩状态时,金融周期由收缩转为扩张状态的概率为0.085,略小于前者。

第三,在既定条件下,经济周期不同区制状态间的转移概率同样存在非对称性。当金融周期处于收缩阶段时,经济周期由扩张转为收缩阶段的概率为0.14;而当金融周期处于扩张状态时,经济周期由收缩转为扩张阶段的概率为0.13,略小于前者,这说明金融周期对经济周期的前瞻性和预测能力在扩张阶段要小于收缩阶段。

五、与其他模型结果的比较

为了检验本文MS-DBF模型构建的稳健性以及金融周期与经济周期测度的可靠性,基于相同的指标组与样本区间,第一步分别采用主成分分析方法和动态因子模型测度金融周期与经济周期序列;第二步分别采用MS-AR模型和MS-VAR模型(4)基于MS-DBF模型估计得到的动态双因子序列,分别构建MS-AR(0)模型;根据信息准则判断,最终构建动态双因子的变截距MS-VAR(3)模型。对两个周期的扩张、收缩阶段进行识别。

图7呈现了三种不同方法测度两个周期的结果,为了能更直观地进行比较,所有序列都进行了标准化处理。通过对比可以发现,三种方法对金融周期与经济周期的刻画基本一致,相关程度非常高,特别是周期波动中的主要峰点和谷点均基本重合,这说明本文构建的MS-DBF模型可以科学准确地测度金融周期与经济周期。但是需要指出的是,相较于其他两种方法,疫情冲击以来(2020—2022年)MS-DBF模型对于经济周期的测度更为准确,这是因为在这段时期经济周期走势应该表现出跌幅更深的谷点和涨幅更高的峰点。我们可以对经济周期在样本期内两个最高的峰点(对应时点分别为2010年2月和2021年2月)作进一步的横向比较。主成分分析和动态因子模型测度的经济周期在2010年2月的峰点都要高于2021年2月的峰点,而MS-DBF模型正好相反,是前者低于后者。然而,作为反映经济周期波动最具代表性的两个指标,GDP增长率和工业增加值增速在2010年和2021年附近的极值点(5)2010年第1季度和2021年第1季度的GDP实际同比增长率分别为12.2%和18.3%;2010年2月和2021年2月的工业增加值同比增长率分别为29.2%和52.3%。也都是前者低于后者,这说明MS-DBF模型对经济周期波动的刻画更符合经济事实。

图7 周期测度的稳健性分析

对于金融周期的周期阶段识别,图8显示,MS-DBF模型和MS-AR模型的收缩概率估计结果几乎完全重合,两种方法都能准确地识别出金融周期所有的收缩阶段。而MS-VAR模型的收缩概率在2020年之前与其他两种方法的估计结果较为接近,但疫情冲击过后的识别结果出现了较大的偏差。主要原因在于MS-VAR模型是将金融周期与经济周期看作是一个VAR系统进行建模,并只引入一个离散状态变量对系统的状态进行识别,因此模型估计出的平滑概率既不能完全代表金融周期的收缩阶段,也不能代表经济周期的收缩阶段。而MS-DBF模型通过引入两个离散状态变量,不仅可以对金融周期和经济周期的扩张和收缩状态分别进行识别,还可以刻画两个周期的联合波动状态。

图8 金融周期阶段识别的稳健性分析

对于经济周期的周期阶段识别,图9显示,MS-DBF模型准确地识别出经济周期每一轮波动的收缩阶段,而MS-AR模型只识别出在2009年和2021年附近的两个扩张阶段,其他时期均为收缩阶段,这显然是不准确的。出现这种情况的主要原因在于,疫情冲击过后,经济周期的波动幅度过大导致MS-AR模型在估计过程中高估了截距项的估计值(绝对值),这会掩盖其他波动幅度相对较小时期的周期波动信息,最终导致MS-AR模型失效。与本文的研究结论一致,高铁梅等认为当经济结构出现变化或当经济出现大的危机等情况时,使得新的数据将会呈现出与以往不同的特征,特别是数据发生剧烈变化时,MS-AR模型将无法得到合理的估计结果[31]。另外正如上文的分析,MS-VAR模型同样不能准确地识别经济周期的周期阶段。

图9 经济周期阶段识别的稳健性分析

总的来讲,经过稳健性分析可以证明本文构建的MS-DBF模型是稳健可靠的。对比其他方法,本文提取的经济周期序列更符合经济事实。对于周期阶段的识别,由于测度金融周期的指标组多为金融类指标,并未受到疫情冲击的过多影响,合成的金融周期能够在正常的区间内上下波动,因此MS-DBF模型和MS-AR模型都能准确地识别金融周期的周期阶段。但是,宏观经济数据受疫情冲击影响较大,合成的经济周期序列出现了大幅度的上下波动,最终导致MS-AR模型的估计结果无法准确识别经济周期阶段,而本文构建的MS-DBF模型因为是在统一框架下对金融周期和经济周期的波动状态进行同时识别,并在联合转移概率矩阵的约束下,能够时刻捕捉每一轮周期波动下金融周期对经济周期的先行关系,所以对经济周期阶段的识别是准确的,这正是MS-DBF模型的优势所在。

六、结论与启示

本文应用MS-DBF模型对中国2002年1月—2022年6月的金融周期和经济周期进行测定及转折点识别,并系统地考察了两个周期的波动特征以及联动关系,得到研究结论为:不同区制状态下联合转移概率存在的非对称性使得中国金融周期与经济周期均呈现非对称的波动特征。从协同性和先行性两个角度分析两个周期的联动关系,一方面,在样本期内两个周期波动表现出较高的协同性,二者波动“同步”的持续时间大于“非同步”的持续时间;另一方面,无论是在扩张阶段还是收缩阶段,金融周期对经济周期都具有一定的先行性,但每轮循环的先行期长短不一。稳健性分析表明,疫情冲击导致宏观经济数据异常波动,使得MS-AR模型和MS-VAR模型无法准确识别经济周期阶段,而本文构建的MS-DBF模型在动态双因子结构下,依托联合转移概率矩阵的约束可以准确识别经济周期的每一轮波动。这为后疫情时代应用MS模型研究经济周期问题提供了一个全新的思路。

在中国经济发展面临“需求收缩、供给冲击、预期转弱”三重压力的背景下,宏观调控政策首要目标在于“稳增长”。考虑到两个周期之间的联动关系,首先,充分发挥金融周期对经济周期的前瞻性和预测作用,政府部门在监测宏观经济运行状态的同时,应该进一步加强对金融景气波动的关注,并建立和完善宏观经济与金融系统预警机制;其次,要继续深化金融体制改革,促进实体经济与金融系统之间的良性互动与协调发展。目前,经济周期与金融周期正处于“前者收缩、后者扩张”的联合区制状态。其中,经济周期处于第6轮循环的收缩阶段,下行压力较大;金融周期虽然处于第7轮循环的扩张阶段,但仍位于较低水平,这预示着现阶段中国系统性金融风险总体可控,宏观调控仍然具有一定的政策调控空间,可以进一步实施精准积极的财政政策与适度宽松的货币政策实现经济平稳增长。