一、引言

近年来，实体行业金融化趋势加强，实体行业与金融间双向风险溢出水平亦随之提升。实体经济“脱实向虚”的趋势违背了金融回归服务实体经济的本质。^[1]在各类极端事件冲击下，以及“去产能”“去杠杆”“去库存”等一系列政策背景下，部分实体行业面临的债务违约、经营困境等问题日渐凸显。^[2]行业间尾部风险联动进一步加强，不仅扩大了GDP波动幅度，而且为长期经济增长带来了显著负面影响。^[3]例如，2008年的次贷危机就是一个典型案例，美国房地产行业次级房贷市场的崩溃引发了金融行业的震荡，进而波及其他行业，导致全球范围内的经济衰退。因此，建立有效的尾部风险治理机制，降低行业尾部风险的传染效应，成为维护金融稳定与实体经济健康发展的关键。“经济是肌体，金融是血脉，两者共生共荣”，在进行风险治理时，若只聚焦于金融体系内部，忽视实体经济风险，不仅可能错判系统性风险水平，还有可能盯错系统性风险防范的重点。^[4]鉴于此，本研究试图在对中国宏观金融环境进行精准研判的基础上，准确刻画金融运行与实体经济活动之间的互动与反馈，建立尾部风险计量与监管体系。此外，在经济下行背景下，为实现“稳增长”的经济刺激政策往往引起金融脆弱性和金融风险积累，最终导致严重负外部性结果，形成系统性风险，因此需要在“稳增长”与“防风险”之间进行权衡。当前中国经济正处于“增速换挡”与产业结构调整的关键时期，中国政府该如何进行政策选择，是一个亟待解决的问题。本研究对此展开深入探究，以期为动态平衡“稳增长”与“防风险”之间关系提供技术支持与决策依据。

黄乃静、^[5]杨子晖、^[6]沈虹等大多数学者基于行业股票收益率数据，^[7]采用在险价值(Value-at-Risk，VaR)、条件风险价值(Conditional Value-at-Risk，CoVaR)、边际预期损失(Marginal Expected Shortfall，MES)等指标测度实体行业尾部风险。然而，上述指标的侧重点都放在剖析金融自身的复杂性与金融的中心作用，忽略了宏观金融关联。^[8]此外，还有学者认为金融在很大程度上只是宏观经济波动的附属品。2008年金融危机的爆发，使学者们深刻认识到，正是由于传统宏观经济学派缺乏金融板块，导致难以预测危机。^[9]基于此，Adrian等提出了在险增长(Growth-at-Risk，GaR)这一概念。^[10]GaR从产出增长的风险角度衡量了系统性风险，能够将关键的宏观金融风险指标纳入广泛的宏观经济学模型。^[11]目前，已有不少学者采用GaR衡量金融风险如何对未来经济增长产生影响。^{[12][13][14][15][16]}然而，这些GaR风险计量，大多采用同频数据分析方法，不能适应混频数据环境，面临“混频数据同频化处理导致系统性风险看不清”挑战。为此，需要借助混频数据分析方法开发新模型解决宏观金融建模问题。

尽管已有不少学者采用GaR衡量经济下行风险，却鲜有文献进一步运用其进行风险治理。Chavleishvili等考虑GaR类风险跨期替代效应，引入风险偏好参数和跨期折扣因子，将未来多期福利进行折现，基于经典的“收益—风险”框架构造社会福利函数，在收益与风险之间进行权衡，评估宏观审慎政策的有效性。^[17]事实上，不仅是宏观审慎政策，货币政策也会对经济增长产生影响。前者的目标是防范系统性风险、维护金融稳定，后者的目标则是“盯住”经济增长。两者只有协调配合，才能促进政策目标的实现，从而增加社会福利。^[18][19]党的十九大报告也明确提出：“健全货币政策和宏观审慎政策双支柱调控框架，深化利率和汇率市场化改革。健全金融监管体系，守住不发生系统性金融风险的底线。”可见，健全货币政策和宏观审慎政策双支柱调控框架，已经成为中国宏观经济调控框架改革的核心内容之一。^{[20][21][22][23]}

本研究选取中国实体行业为对象进行实证研究，评价双支柱调控政策对实体行业社会福利的影响。首先，构建季度双支柱调控政策指数与月度宏观金融环境指数。其次，基于无约束混频数据抽样回归(Unrestricted Mixed Data Sampling Regression，U-MIDAS)对2003Q1—2021Q4期间中国实体行业期望增长(Expected Growth，EG)进行估计，采用无约束混频数据抽样分位数回归(U-MIDAS Quantile Regression，U-MIDAS-QR)对行业GaR和增长短缺(Growth Shortfall，GS)进行估计。最后，将EG看成收益、GS看作风险，构建社会福利函数，测度各实体行业的社会福利。通过反事实情景分析，构建多种货币政策与宏观审慎政策情景，解析不同政策组合对社会福利函数的影响，选取使得社会福利函数最大化的政策组合作为最优政策组合。实证结果显示：货币政策和宏观审慎政策对实体经济的影响存在跨期替代效应；双支柱调控政策对实体行业GaR的影响大于对EG的影响，其对GaR的回归系数远大于对EG的回归系数；中国各实体行业的社会福利基本为正值，但部分行业在特殊时期福利为负值。反事实情景分析表明，不同的政策组合对各行业产生异质性政策效应，其中，在双宽松调控政策下实体行业的社会福利最大。

与已有文献相比，本研究的主要贡献与创新包括以下四个方面：第一，构建了中国货币政策指数(Monetary Policy Index，MPI)。已有不少文献构建了中国宏观审慎政策指数(Macroprudential Policy Index，MaPP)，却鲜有文献构建中国MPI。在进行货币政策相关研究时，大多采用某个货币政策工具变量进行替代，^[24][25][26]这在一定程度上掩盖了货币政策的某些特征。本研究基于21个货币政策工具变量合成中国MPI，能更加全面、真实地反映中国货币政策工具的使用情况。第二，构建了高频中国宏观金融环境指数。目前，已有不少方法用于宏观金融环境指数构建，例如，横截面平均法、主成分分析法、加权算术平均法以及潜在结构的正交投影法。上述方法都是基于同频数据的建模方法，需要对混频数据进行同频化处理，这一过程往往会造成高频信息损失，导致指数可能存在偏差以及缺乏及时性。本研究采用混频动态因子模型(Mixed-Frequency Dynamic Factor Model，MF-DFM)构建指数。该方法能够对混频数据直接建模，避免了数据频率转换方面的缺陷。第三，高频测度实体行业GaR。将传统的GDP-at-Risk引入实体行业GaR测度中，并扩展至混频数据环境下，从而使GaR能够利用高频金融信息进行建模。第四，基于GaR类指标构建社会福利函数。该函数建立了由“双支柱”(货币政策与宏观审慎政策)支撑起“双目标”(稳增长与防风险)的基本框架，允许政府权衡其行动(双支柱政策)对未来经济下行风险的改善和对经济上行潜力的抑制。

二、双支柱调控政策协调机制分析

在双支柱调控政策框架下，货币政策与宏观审慎政策并非孤立运行，二者在政策目标与政策传导机制上存在着密不可分的联系，只有二者协调配合，才能够真正实现“稳增长”与“防风险”的双重政策目标。

从政策目标来看：首先，二者的目标均具有宏观调控的性质。货币政策通过价格型和数量型两种政策工具，对金融市场进行调节，进而实现平抑经济周期波动、稳定物价水平的政策目标。宏观审慎政策通过信贷、资本、流动及其他类工具，对金融市场施加影响，进而实现维护金融稳定、防范系统性风险的政策目标。二者都采用宏观调控的手段与工具，来维持宏观经济总体平衡。其次，二者均采用逆周期调节实现政策目标。货币政策实施“逆向”操作以平抑经济波动，宏观审慎政策则采用逆周期资本缓冲机制以防范金融风险。二者的协调配合能更加全面地对社会融资行为进行逆周期调节。最后，二者的目标是相辅相成、紧密相关的。一方面，良好的货币与经济环境是金融体系稳定运行的先决条件，而混乱的货币与经济环境容易引发金融失衡，影响宏观审慎政策目标的实现；另一方面，稳定安全的金融环境是实现货币政策目标的重要前提，它确保了货币政策的有效执行，而失衡的金融体系会削弱货币政策效力，增加货币当局的执行负担。

从传导渠道来看，货币政策的传导渠道主要包括银行信贷渠道、资产负债表渠道、风险承担渠道。Ben等对传统模型进行了批判，^[27]认为它们未能充分认识到银行贷款对经济活动的重要性，因此将银行贷款植入传统的IS-LM模型中，建立了货币政策的信贷传导渠道。他们关注货币政策如何通过银行信贷渠道影响投资、总产出和价格水平。Bemanke等提出，在金融市场上，由于信息不完整等原因，存在着外部融资成本与内部融资成本之间的差额，即外部融资溢价。^[28]这种溢价影响了银行贷款的可获得性，从而对价格水平和总产出造成影响，形成了所谓的“金融加速器效应”。这个渠道就是资产负债表渠道，它关注货币政策是如何通过资产负债表影响企业的融资能力，进而影响经济活动和整体经济性能的。Borio等提出货币政策通过银行风险承担渠道，对金融稳定造成影响。^[29]他们认为，货币政策会改变银行对风险的认知和评估，进而改变其风险承担水平，对金融稳定产生影响。在探讨货币政策对银行风险承担的影响论述中，存在两种截然不同的观点。负面观点认为，宽松货币政策通过不同的机制减弱了银行对风险的感知，导致银行承担了过高的风险，对金融稳定产生负面影响；然而，正向观点认为，高资本充足率使银行更为谨慎，降低了风险承担，进而提高金融稳定性。除上述渠道之外，货币传导渠道还包括货币、利率、汇率、托宾q、财富等渠道。

在货币政策的众多传导渠道中，上述的银行信贷渠道、风险承担渠道、资产负债表渠道也是宏观审慎政策的主要传导渠道。宏观审慎政策能够利用信贷工具来调控借贷方的资金需求或金融机构的贷款量，以此通过银行信贷渠道，避免资产价格过度波动造成的系统性风险。同时，通过采用与流动性和资本相关的工具，宏观审慎政策可以对金融机构的资产负债情况进行管理，进而影响银行的风险承担水平。例如，通过调节银行的资本充足率、流动性比率和杠杆比例等，可以提高银行的风险防范能力，降低系统性风险的发生概率，保障金融体系的安全与稳定。总的来说，宏观审慎政策通过银行信贷、银行风险承担、资产负债表等渠道，与货币政策一同寻求金融与经济周期之间的平衡，在保障金融安全的同时，实现物价水平的稳定与经济的平稳增长。当货币政策通过信贷渠道刺激资产价格上涨进而加快经济增速时，可能造成信贷扩张并未有效投入实体经济中，反而触发资产泡沫危机。针对这种情况，宏观审慎政策通过实施动态拨备、逆周期缓冲资本、债务收入比等政策工具，可以有效遏制资产价格泡沫的形成，防止经济因过度依赖金融活动而失衡。通过银行风险承担渠道，宏观审慎政策有助于抵消货币政策承担银行风险的不利影响，包括杠杆效应、估值收入现金流效应以及风险转移效应等。通过资产负债表渠道，宏观审慎政策还能够调整金融机构的资本充足率、杠杆率和流动性覆盖率等指标，增强银行应对系统性风险的实力，降低系统性风险发生的可能性，从而维护金融市场的稳定。

总体而言，货币政策与宏观审慎政策通过在目标上协调配合以及在渠道上共生传导，能够有效治理系统性风险与稳定经济增长。如图 1所示，双支柱调控政策效应通过银行信贷、银行风险承担、资产负债表等渠道，直接传导到银行、货币、债券、保险、股票、房地产等各金融子部门。金融市场各子部门之间由于借贷关系、资本流动、投资者行为、市场信息等因素所形成的高度网络关联性，会引起双支柱调控政策效应在金融市场迅速发酵并扩散，产生溢出效应。同时，金融市场与经济市场以及经济市场行为主体之间又息息相关，通过产出效应、价格效应以及金融加速器理论将政策效应传向经济市场，对经济市场中各行业也会产生政策效应，最终实现“稳增长”与“防风险”的双重政策目标。

三、政策指数与宏观金融环境指数构建 (一) 政策指数构建 1、政策指数构建方法

为量化和评估双支柱调控政策执行效果，需要构建科学合理的MPI与MaPP。本研究参考刘泽琴等的指数构建方法，^[30]将货币政策工具和宏观审慎政策工具在每期的政策状态识别为{-1, 0, 1}三类，分别代表宽松、中性和紧缩三种不同的状态，定义为：

$ P_{t}=\left\{\begin{array}{l} 1, v_{t}-v_{t-1}>0 \\ 0, v_{t}-v_{t-1}=0 \\ -1, v_{t}-v_{t-1}<0 \end{array}\right. $

(1)

式中，v_t为t期的政策工具，P_t为t期的政策状态变量。相对于t-1期来说，若t期有强化该政策工具监管的措施，则政策状态变量取1；若有放松该政策工具监管的措施，则取-1；若无任何行动，则状态变量取0。最后，通过加总所有政策状态变量的取值便可得到季度的MPI和MaPP。

2、政策指标选取

货币政策工具分为价格型和数量型两种。其中，价格型货币政策工具主要包括存款利率、贷款利率、再贴现利率等工具变量，以调控资产价格为目标，间接调整GDP、CPI等宏观经济变量。数量型货币政策工具一般包括存款准备金率、再贷款和再贴现余额等工具变量，以调控货币数量为目标，能够直接对宏观经济变量进行调整。为全面科学地反映中国货币政策的使用情况，本研究依据中国人民银行官网公布的货币政策工具以及数据的可获得性，从表 1所示的价格型和数量型货币政策工具入手，分别选取9个价格型货币政策工具变量和12个数量型货币政策工具变量，来构建中国MPI。图 2展示了在2003Q1—2021Q4期间中国货币政策工具使用情况的频数统计，从中可以发现，常备借贷便利余额使用次数最多，共调整了86次，其中紧缩性调整44次，宽松性调整42次；中期借贷便利期末余额、常备借贷便利操作以及抵押补充贷款期末余额次之，其使用次数并列第二；法定准备金率、超额准备金率、再贴现利率等工具变动则不频繁。图 2还显示了在2003Q1—2021Q4期间中国货币政策工具宽松性调整次数(371次)大于紧缩性调整次数(288次)。

本研究参照国际货币基金组织(International Monetary Fund，IMF)的MaPP构建方式，结合中国宏观审慎政策实践，聚焦信贷类、资本类、流动类以及其他类这四类政策工具，来构建中国的MaPP。如表 2所示，第一类是信贷类，本研究选取了贷款价值比限制、贷款限制、贷款损失拨备要求等六个工具变量。第二类是资本类，本研究选取了逆周期资本缓冲、资本留存缓冲、银行资本要求等六个工具变量。第三类是流动类，本研究选取了流动性相关措施、未平仓外汇头寸限制、外币借贷限制这三类工具变量。最后是其他类，即上述类别未包括的宏观审慎措施，例如压力测试、利润分配限制和结构性措施、金融机构间风险敞口限制等。图 3报告了在2003Q1—2021Q4期间中国宏观审慎政策工具使用情况的频数统计，相关准备金要求的使用次数最多，共调整了44次，其中紧缩性调整35次，宽松性调整9次；贷款价值比限制的使用次数次之，共调整16次，包括5次紧缩性调整和11次宽松性调整；此外，还本付息收入比和贷款收入比限制、信贷增长或总量限制、存贷比限制、逆周期资本缓冲等工具变动则不频繁。图 3还显示了在2003Q1—2021Q4期间紧缩性宏观审慎政策调整次数(101次)远大于宽松性调整次数(25次)。

3、政策指数

图 4报告了测度的中国MPI在2003Q1—2021Q4期间变化情况，其中，大于0表示采取了紧缩的货币政策，以应对经济过热或者通货膨胀；小于0代表实施了宽松的货币政策，以刺激经济增长或应对经济增长放缓的趋势。在2008Q2之前，中国MPI为正，其间中国处于经济过热时期，为了遏制通货膨胀，央行采取紧缩型的货币政策。2008年9月15日金融危机爆发后，央行于当年第三与第四季度采取了宽松的货币政策来应对经济下行风险，且在2008Q4货币政策的宽松程度达到了最大。2014—2018年间，在股灾、人民币贬值、中美贸易摩擦等一系列因素影响下，货币政策呈现一定程度的宽松，以支持国内经济平稳过渡。2019年底新冠疫情暴发后，MPI为负，这说明央行采取宽松的货币政策来对冲经济下滑风险。总体来说，本研究构建的MPI变动趋势与中国面临的国内外经济环境基本吻合。

图 5展示了测度的中国MaPP在2003Q1—2021Q4期间的变化情况：大于0代表实施了紧缩的宏观审慎政策，旨在降低金融系统的过度杠杆和泡沫风险；小于0代表实施了宽松的宏观审慎政策，旨在确保金融机构的流动性，并鼓励信贷和投资。可以发现，2003—2006年，中国处于经济快速增长期，央行实施了紧缩宏观审慎政策以抑制经济过热。2007Q1—2008Q2全球金融危机大爆发前夕，中国经历了快速的资产价格与信贷增长，促使央行加强监管，实施紧缩性政策以减少金融系统的脆弱性。2008Q3金融危机全面爆发后，央行迅速转向宽松政策，以缓解危机对经济的冲击，特别是在2008Q4，MaPP跌至负值的最低点，标志着宏观审慎政策宽松程度的顶峰。2014—2016年，MaPP多次位于0以下，其间中国经历了严重的股灾，经济再次面临下行压力，特别是在制造业和出口领域，这可能导致政策再次转向宽松。2020年初，为了应对新冠疫情冲击并维持金融稳定，央行采取了宽松的宏观审慎政策。总体上，本研究构建的MaPP，其变化体现了监管当局在不同时期根据中国经济金融环境变化作出的政策调整。

(二) 宏观金融环境指数构建 1、宏观金融环境指数构建方法

为构建宏观金融环境指数，本研究采用Aruoba等的混频动态因子模型。^[31]该模型具有以下三个优点：第一，无需对数据进行同频化处理，即可从大量宏观金融环境变量中提取动态因子作为宏观金融环境指数；第二，混频动态因子模型允许变量在时间和横截面维度上存在自相关性和异方差性，尤其适合金融时间序列分析；第三，混频动态因子模型允许因子载荷随时间变化，可以有效解决由于时间序列的非平稳性或结构性断点而导致的数据不稳定问题。^[32]

混频动态因子模型通常以状态空间形式给出：

$ \begin{align*} & \mathbf{X}_{t}=\mathbf{Z}_{t} \mathbf{F}_{t}+\boldsymbol{\Gamma}_{t} \boldsymbol{\omega}_{t}+\boldsymbol{\varepsilon}_{t} \end{align*} $

(2)

$ \begin{align*} & \mathbf{F}_{t+1}=\mathbf{T F}_{t}+\mathbf{R} \boldsymbol{\eta}_{t} \end{align*} $

(3)

式中，$\mathbf{X}_{t}=\left(X_{1 t}, X_{2 t}, \cdots, X_{N_{t}}\right)^{\mathrm{T}}$是一个$N \times 1$维的观测变量(即宏观金融环境变量)；$\mathbf{F}_{t}$是一个$m \times 1$维的状态变量(即动态因子)，能够驱动大量宏观金融环境变量的协同运动，从而作为经济增长的预测因子；$\boldsymbol{\omega}_{t}$是一个$e \times 1$维的前定变量，包含一个常数项、$k$个趋势项以及$N \times n$个滞后因变量；$\boldsymbol{\varepsilon}_{t}$和$\boldsymbol{\eta}_{t}$为误差项；$t=1, 2, \cdots, T, T$表示最后一次的观察时间。式(2)被称为测量方程，描述观测变量$\mathbf{X}_{t}$与不可观测变量$\mathbf{F}_{t}$之间的依赖关系。式(3)被称为状态转移方程，描述不可观测状态变量$\mathbf{F}_{t}$的动态路径，进而可以通过过滤状态转移方程得到动态因子(即宏观金融环境指数)。

动态因子模型的参数可以采用极大似然法进行估计。由于假设误差项服从正态分布，通过预测误差分解得到高斯伪对数似然函数，进而可以通过卡尔曼滤波方法进行估计。一般来说，观测变量$\mathbf{X}_{t}$存在较多缺失值，一方面是由于假期造成的，另一方面是由于宏观金融变量的观测频率不一致造成的。然而，卡尔曼滤波器对缺失值仍然有效。本研究参考Durbin等的研究，^[33]在初始化卡尔曼滤波器时，将状态向量的先验均值和协方差矩阵作为初始估计值。然后，通过同期卡尔曼滤波器对数据进行处理，得到更新后的状态向量的后验均值和协方差矩阵。这些先验和后验的信息将用于计算卡尔曼增益，从而优化估计结果。

2、宏观金融环境指标选取

Prasad等根据宏观金融环境的不同特征，将其划分为三个分区：金融条件分区、宏观金融脆弱性分区、外部金融环境分区。^[34]第一，金融条件分区旨在捕捉资产价格中隐含的风险价格、获得融资的难易程度、融资成本以及金融压力程度。第二，宏观金融脆弱性分区既要综合考虑杠杆率、流动性、偿债和负债能力等多方面因素，也要能捕捉家庭、企业、政府等各宏观部门的资产负债表失衡。第三，外部金融环境分区主要反映国外金融环境对国内经济增长的影响。

本研究参考上述做法，将中国宏观金融环境也划分三个分区，并选取相关指标构建指数。对于金融条件分区，考虑到不同经济体之间的差异，调换部分特色指标。对具有深度和复杂金融市场的发达经济体来说，资产价格中蕴含的风险价格因素更为重要。对新兴市场和发展中经济体来说，银行对企业和居民的贷款利率以及贷款质量则是金融条件分区的重要组成部分。如表 3所示，本研究选取了15个有关利率和资产收益率的相关基础指标来构建中国金融条件指数。关于利率指标，本研究选取了国债收益率、企业债券溢价、贷款利率、票据融资利率、住房贷款利率以及不良贷款率等指标。其中，不良贷款率本身虽不直接反映利率水平，但高利率环境可能增加借款人偿还贷款的难度，从而导致不良贷款率上升。因此，不良贷款率可以作为利率环境下的一种衡量信贷质量的指标。采用城市商业银行不良贷款比例作为衡量银行贷款质量的指标，原因在于这一比例的波动性较大，且商业银行财务风险主要集中在流动性和违约风险上。2019年，城市商业银行的不良贷款率超过2%，到2020年第一季度，该比率已升至2.45%，有效反映了贷款风险。关于资产收益率指标，由于股市和房地产市场的表现对中国金融环境的影响至关重要，所以本研究主要选取这两大市场的相关指标，如收益率、波动率、市盈率、换手率。其中，换手率衡量了资产流动性。高换手率可能暗示资产投资的活跃程度，进而影响资产的收益率。例如，在证券交易市场中，高换手率意味着更频繁的交易活动，从而导致更高的交易成本或更多的资本利得税，从而影响资产的实际收益率。

对于宏观金融脆弱性分区，本研究共选取11个指标，从三个角度来考察这种脆弱性，如表 4所示。第一，表示债务存量的指标，包括宏观杠杆率、居民资产负债率、企业资产负债率等。第二，表示债务增量的指标，包括新增开发贷、新增按揭贷、宏观杠杆率增幅、财政缺口和广义货币增长率等。其中，财政缺口是产生政府债务的根源，因此将其纳入表示政府债务增长的指标。第三，金融地产行业的脆弱性，本研究采用的指标有金融机构杠杆率、房地产投资等指标。从金融周期视角来看，房地产和信贷是构成周期最重要的变量，金融和房地产部门的增长以及占比上升都会加大一个国家宏观金融体系的脆弱性。

对于外部金融环境分区，本研究共选取12个基础指标，如表 5所示。美国股市被称为全球资本市场的“风向标”，对中国金融市场的影响很大，因而选取美股收益率、美股市盈率、美股股息率、美股市销率以及VIX来代表美国股市的变化。自2013年以来，中国已成为世界上最大的原油进口国。从这个意义上说，原油价格对中国的企业投资、居民收入和消费、进出口贸易、价格水平，甚至经济增长都有很大的影响。因此，采用原油收益率来衡量原油价格对中国金融市场的影响。为了表示“热钱”的流入和流出，本研究参考张晓晶等的做法，^[9]构造短期资本流动这一指标，用来捕捉中国的资本外逃规模。国际收支平衡表中的净误差与遗漏可能反映未被记录到的跨境资本流动，因此用证券投资差额、其他投资差额和净误差与遗漏差额之和来表示短期资本流动，用经常项目差额与直接投资差额之和表示基础国际收支顺差，并用短期资本流动与基础国际收支顺差两者之比代表短期资本流出规模的严重性。此外，选取黄金收益率、人民币汇率和外汇储备等变量来表征中国的外部金融环境。

3、宏观金融环境指数

采用混频动态因子模型，构建三个中国宏观金融环境指数(图 6)。如图 6中阴影区域所示，金融条件指数较高值分别出现在2007—2009年金融危机期间、2015—2016年“股灾”期间。此外，宏观金融脆弱性指数在2003—2007年保持稳定，主要得益于中国宏观杠杆率的水平较低；在2008—2009年呈下降趋势，其间房地产投资下降、泡沫危机减弱，中国房地产行业的脆弱性得到缓解；在2015—2018年值较小，这主要得益于供给侧结构性改革；在2020年前后，受新冠疫情影响，指数呈先下降后上升的趋势。最后，外部金融环境指数有四个时间段下降幅度比较大，分别是2008—2009年金融危机时期、2010—2011年欧洲主权债务危机时期、2015—2016年人民币汇率改革时期，以及2020年初新冠疫情暴发时期。综上所述，三个金融环境指数的走势基本上与中国金融环境的变化保持一致，因此能够较好地反映中国宏观金融运行的实际状况。

四、基于混频GaR类风险指标的社会福利测度

基于GaR类风险指标，将EG视为收益、GS视为风险，运用经典的“收益—风险”框架来构造社会福利函数。实体行业社会福利测度共由四个步骤完成：第一步，估计EG；第二步，估计GaR；第三步，测度GS；第四步，构造社会福利函数。

(一) 基于U-MIDAS的EG估计

为了估计实体行业EG，本研究采用U-MIDAS方法，将行业增长率序列(季度)对宏观金融环境指数(月度)、双支柱调控政策指数(季度)进行回归。在频率倍差较小(本研究为3)的情况下，U-MIDAS性能要优于MIDAS，详见Foroni等的研究。^[35]具体地，构建模型如下：

$ \begin{equation*} \bar{Y}_{t+h}=\alpha+\sum\limits_{i=0}^{n-1} \beta_{i} \operatorname{Fin}_{3 t-i}+\gamma_{1} M P I_{t}+\gamma_{2} M a P P_{t}+\gamma_{3} M P I_{t} \cdot M a P P_{t}+\varepsilon_{t} \end{equation*} $

(4)

式中，$\bar{Y}_{t+h}$表示行业增长率序列，$h$代表预测期数。本研究选取11个实体行业作为研究对象，包括农业、林业、畜牧业、渔业、工业、建筑业、批发和零售业、交通运输、仓储和邮政业、住宿和餐饮业、金融业、房地产业，采用行业增加值的季度同比增长率来代表行业增长率。国家统计局并未公布农业、林业、畜牧业、渔业的行业增加值数据，所以本研究采用行业总产值的季度同比增长率进行替代。选择同比增长率指标能够有效避免数据的周期性和季节性影响。Fin${ }_{3 t-i}$表示宏观金融环境指数，包括金融条件指数、宏观金融脆弱性指数、外部金融环境指数，$i$为高频宏观金融环境指数的滞后阶数。此外，本研究参考Suarez的相关研究，^[36]将双支柱调控政策指数的交互项$M P I_{t} \cdot M a P P_{t}$引入模型。通过OLS，可以得到回归参数的一致估计。

基于EG指标，可以构建平均期望增长(Average Expected Growth，AEG)来测度预测期数内预期增长的平均值，即：

$ \begin{equation*} A E G_{t, t+1: t+H}=H^{-1} \sum\limits_{h=1}^{H} E G_{t, t+h} \end{equation*} $

(5)

由于AEG是EG的平均，所以AEG保留了EG的所有统计属性。

(二) 基于U-MIDAS-QR的GaR估计

为了估计实体行业的GaR，本研究采用U-MIDAS-QR方法，将行业增长率序列(季度)对宏观金融环境指数(月度)、双支柱调控政策指数(季度)进行回归，具体形式如下：

$ \begin{equation*} Q_{Y_{t+h}^{\tau}}=\alpha^{\tau}+\sum\limits_{i=0}^{n-1} \beta_{i}^{\tau} { Fin }_{3 t-i}+\gamma_{1}^{\tau} M P I_{t}+\gamma_{2}^{\tau} M a P P_{t}+\gamma_{3}^{\tau} M P I_{t} \cdot M a P P_{t} \end{equation*} $

(6)

式中，$\tau \in(0, 1)$表示分位点。

很明显，对于不同的分位点和不同的预测期数，会得到不同的参数。对于一个给定的分位点和预测期数，回归系数的估计值应该使非对称绝对值损失函数最小化，满足：

$ \begin{aligned} & \quad\left(\hat{\beta_i^\tau}, \hat{\gamma_1^\tau}, \hat{\gamma_2^\tau}, \hat{\gamma_3^\tau}\right)=\underset{\left(\beta_i^\tau, \gamma_1^\tau, \gamma_2^\tau, \gamma_3^\tau\right)}{\mathit{Argmin}} \frac{1}{T} \sum\limits_{t=1}^T \rho_\tau\left(Y_{t+h}^\tau-\alpha^\tau-\sum\limits_{i=0}^{n-1} \beta_i^\tau \mathit{Fin}_{3 t-i}-\gamma_1^\tau M P I_t-\gamma_2^\tau M a P P_t-\gamma_3^\tau M P I_t \cdot\right. \\ & \left.M a P P_t\right) \end{aligned} $

(7)

式中，$\rho_\tau(u)=u(\tau-I(u<0)), I(\cdot)$是示性函数。在正则条件下，估计$\left(\hat{\beta_i^\tau}, \hat{\gamma_1^\tau}, \hat{\gamma_2^\tau}, \hat{\gamma_3^\tau}\right)$渐近地服从均值为零、方差协方差矩阵可以一致估计的正态分布。

(三) GS测度

GaR能够测度某一特定(低、高)分位点处经济增长的尾部风险，但不能测度整个尾部风险。基于此，本研究参考Chavleishvili等的研究，^[17]构建GaR类风险指标GS，用于测度整个尾部的经济增长风险。这里，GS定义如下：

$ \begin{equation*} G S_{t+h}^{\tau}=\int_{-\infty}^{G a R_{t+h}^{\tau}} Y_{t+h} d F_{t, t+h}\left(Y_{t+h}\right)=E\left[Y_{t+h} \mid Y_{t+h}<\tau, F_{1 t}\right] \times \boldsymbol{P}\left[Y_{t+h}<\tau \mid F_{1 t}\right] \end{equation*} $

(8)

式中，$\tau \in(0, 0.1]$表示测度行业增长的左尾部风险；$F_{t, t+h}$为行业增长率的条件累积分布函数；$E\left[\cdot \mid F_{1 t}\right]$表示行业增长率的条件期望。

基于GS指标，可以进一步构建平均增长缺口指标(Average Growth Shortfall，AGS)，用来测度预测期数内增长缺口平均值，即：

$ \begin{equation*} A G S_{t, t+1: t+H}^{\tau}=H^{-1} \sum\limits_{h=1}^{H} G S_{t, t+h}^{\tau} \end{equation*} $

(9)

由于AGS是GS的平均，所以AGS保留了GS的所有统计属性。虽然GaR、GS、AGS都是风险测度指标，但相对于GaR来说，GS和AGS具有理论与实践意义上的优势。首先，GS满足可加性，而GaR则不满足。其次，GaR只能捕捉在某一分位点处的信息，但是GS和AGS使用了低于该分位点处的所有信息，能够考虑整个条件分布的左尾行为。

(四) 社会福利函数

本研究基于经典的“收益—风险”框架构建社会福利函数。将EG(即$\bar{Y}$)看成收益，并将GS看作风险，引入风险偏好参数，在收益与风险之间进行权衡，构造社会福利函数，即：

$ \begin{equation*} W_{t}=\sum\limits_{h=1}^{\infty} r^{h}\left(\bar{Y}_{p, t+h}+\lambda G S_{p, t+h}\right) \end{equation*} $

(10)

式中，$r$为跨期折现因子，能够将未来的多期福利进行折现；$p$代表各实体行业。

双支柱调控政策的目标便可以设定为社会福利函数的最大化问题，即：

$ \begin{equation*} \max W_{t}=\max \sum\limits_{h=1}^{\infty} r^{h}\left(\bar{Y}_{p, t+h}+\lambda G S_{p, t+h}\right) \end{equation*} $

(11)

Suarez认为r接近于1，^[36]本研究将其设置为0.99。$\lambda>0$是惩罚项，代表风险偏好，本研究借鉴Chavleishvili等的做法将$\lambda$设置为0.5，^[17]意味着政策制定者对期望增长(积极)的关心是对下行风险(消极)关心的两倍。

五、双支柱调控政策效应分析 (一) 跨期替代效应分析

为探究双支柱调控政策如何影响实体经济增长，并考察其跨期替代效应，本研究采用面板数据分位数回归方法，结合宏观金融环境指数、MPI和MaPP，对中国11个主要实体行业在未来1至16个季度的EG和GaR进行预测。图 7展示了这些预测模型的回归系数，揭示了双支柱调控政策在施行一段时间后，对实体经济增长具有显著影响，并且这种影响呈现出两方面特点。第一，双支柱调控政策对GaR的影响大于对EG的影响。图 7显示，无论是MPI还是MaPP，二者对GaR的回归系数远大于其对EG的回归系数。这表明, 中国政府在实施双支柱调控政策时，不仅仅考虑对实体经济期望增长的影响，更加侧重于对实体经济下行风险的治理。第二，双支柱调控政策对未来经济增长的影响具有跨期替代效应。图 7显示，随着预测期限的延长，双支柱调控政策对EG和GaR的影响均呈现反向变动，即回归系数既有正值也有负值。这表明双支柱调控政策的实施，在短期内可能会促进经济增长，但从中长期来看，可能会造成风险的积累，引起经济下行。

(二) 社会福利测度 1、分行业EG与GS

图 8报告了各实体行业在未来1至16个季度的EG和GS均值。从图 8中可以看出：第一，AEG与AGS呈正相关，即当AEG较大的时候，AGS值也较大。这说明实体行业的期望值增长越高，其面临的下行风险也越大，即“高增长高风险”。第二，AEG和AGS的波动趋势较为一致，但AGS的波动幅度明显更大。这一研究结果与Adrian等的研究发现相吻合，^[10][17]说明宏观金融环境以及双支柱调控政策对实体经济的下行风险影响更大。第三，危机期间AEG和AGS均表现出明显的下降趋势。例如，在2008Q1—2008Q4金融危机期间，金融业和房地产业的AEG和AGS都有所下降；在2020Q1—2020Q4新冠疫情期间，工业、建筑业、批发和零售业等大多数行业都呈现了一定幅度的下降，尤其是住宿和餐饮业，下降幅度最大，说明该行业受新冠疫情的影响最大。

2、分行业社会福利

图 9展示了中国各实体行业在2003Q1—2021Q4期间的社会福利时序图。从图 9中可以看出：第一，中国各实体行业的社会福利在大多数时期为正值，说明中国政府所采取的双支柱调控政策促进了实体行业的发展。第二，部分行业在某些时期出现了负值的社会福利。例如，畜牧业分别在2009—2010年、2013—2014年、2017—2018年出现了负值，这可能是由于其间政府实施了一系列强监督措施(2008年三聚氰胺风波后的奶价干预、2013年奶源地价干预、2016—2017年奶价上涨干预等)；住宿和餐饮业自2017年开始出现了较多期负值，这可能是由于自2017年以来，中国政府在经济调控方面的重点逐渐转向去杠杆化、防范金融风险等方面。在该背景下，政府对住宿和餐饮业等传统实体行业的政策支持相对减少，在社会福利的分配上更加注重高技术、高附加值行业，而对传统行业支持力度减弱。第三，相较于其他行业，金融业的社会福利一直位于较高水平。这可能是因为金融作为现代经济的核心之一，对整个实体经济的运行至关重要，所以政府在制定政策时给予金融业更多的关注和支持，从而使该行业的社会福利水平较高。第四，新冠疫情对社会福利产生了较大的影响。建筑业、批发与零售业、住宿和餐饮业以及房地产业在2020Q1的社会福利都为负值。这主要因为新冠疫情期间因需求锐减，建筑业和房地产业的投资下降，批发与零售业销售下降，住宿和餐饮业因交通管制和消费减少也遭受重创。尽管政府采取了一些支持措施，但新冠疫情严重程度可能超出政策覆盖范围，这些行业的社会福利也出现了负值。

3、分产业社会福利

本研究依据国家统计局2018年修订的《三次产业划分规定》，将11个行业划分为三大产业。其中，农业、林业、畜牧业、渔业属于第一产业；工业、建筑业属于第二产业；批发和零售业、交通运输、仓储和邮政业、住宿和餐饮业、金融业以及房地产业属于第三产业。将每个产业所属行业的社会福利相加，来代表各产业的社会福利，图 10展示了各产业的社会福利情况。从图 10中可以发现：第一，三大产业的社会福利基本上都大于0，尤其是第一产业在所有时期的社会福利都大于0。这说明中国政府目前所实施的双支柱调控政策对各产业社会福利的增进是有益的。第二，在大部分时期，三个产业的社会福利从高到低依次为第三产业、第一产业、第二产业。这一现象反映了不同产业在社会福利分配方面的差异。第三产业通常包括服务行业和高附加值产业，其提供的工作机会更多且薪资水平相对较高，有助于提升整体社会福利水平。相比之下，第二产业往往受到国际市场波动和劳动力成本压力的影响，其社会福利水平可能相对较低。这种产业间社会福利水平的差异反映了产业结构对社会福利的影响，为政府制定相关政策和发展战略提供了重要参考依据。第三，除第一产业外，其他两个产业在新冠疫情时期的社会福利都出现了较大幅度的下降，且出现了负值。这可能是由于，第二产业包括建筑业和工业部门，受到了供应链中断、需求下降以及劳动力不足等问题的困扰，导致社会福利水平的下降；第三产业包括零售、住宿、餐饮等服务行业，直接受到旅行限制、社交距离以及封锁措施的冲击，因此也经历了显著的社会福利下降；第一产业主要包括农业、林业、渔业等农产品生产与自然资源开发领域的产业，食品和农产品被认为是基本的生活必需品，即使在新冠疫情期间，仍然需要保障供应并满足人们的基本需求，因而社会福利的下降趋势要小于第二、第三产业。

4、行业总体社会福利

本研究将各实体行业的社会福利相加，来代表行业总体社会福利。图 11中报告了GDP增长率与行业总体社会福利之间的关系。由图 11可以得到：第一，中国实体行业总体社会福利始终大于0。这种持续的正值说明中国政府实施的双支柱调控政策对社会福利和实体经济存在着积极影响。第二，中国实体行业总体社会福利与GDP增长率趋势较为相似。这说明双支柱调控政策对GDP增长存在一定程度的影响，政策的调整可能会直接或间接地影响经济增长水平，导致两者之间趋势相近或相关。第三，在2008年金融危机和2020年新冠疫情期间，行业总体社会福利出现大幅下降，表明在尾部事件发生时期，中国实体行业总体社会福利也会受到影响，呈现下降趋势。

(三) 反事实情景分析 1、情景设置

进一步采用反事实情景分析，探索在四种不同的双支柱调控政策组合下(双宽松政策组合、双紧缩政策组合、宽松型货币政策与紧缩型宏观审慎政策组合、紧缩型货币政策与宽松型宏观审慎政策组合)，各行业、各产业以及行业总体的社会福利会发生什么样的变化，从而选取使得社会福利函数最大化的政策组合作为最优政策组合。表 6给出了情景设置细节。其中，std为标准差。实施紧缩的货币政策与紧缩的宏观审慎政策，就是在原始政策指数上加一个标准差；反之，则减去一个标准差。需要注意的是，在测度反事实情景下的社会福利时，其回归系数要与基准回归系数保持一致，从而保证情景的可比性。

2、分行业比较

图 12展示了在四种不同的双支柱调控政策下，各实体行业的社会福利与基准社会福利(真实场景下的社会福利)之差的热图。其中，颜色越红代表在反事实情景下各行业的社会福利相对于基准社会福利越大，颜色越蓝代表在反事实情景下各行业的社会福利相对于基准社会福利越小。

由图 12可以发现，不同的政策组合会对各实体行业产生异质性政策效应。主要表现为：第一，在双宽松政策组合下，除畜牧业和渔业外，其他行业的社会福利基本大于基准社会福利；第二，在双紧缩政策组合下，除林业和渔业外，其他行业的社会福利基本小于基准社会福利；第三，在紧缩型货币政策与宽松型宏观审慎政策下，除了农业、畜牧业、渔业外，其他行业的社会福利基本大于基准社会福利；第四，在宽松型货币政策与紧缩型宏观审慎政策组合下，除林业、批发和零售业、交通运输、仓储和邮政业以及住宿和餐饮业外，其他行业的社会福利基本大于基准社会福利。

上述结果表明，在每一种政策组合场景下，都存在至少一个属于第一产业的行业，其对政策的反应和其他大多数行业相反。这可能是由于第一产业拥有独特的经济结构和市场条件。因此，政府在实施双支柱调控政策时，切忌使用“一刀切”策略，需要充分考虑各行业(特别是第一产业所属行业)的特点和需求，实现行业间的社会福利均衡。

3、分产业比较

图 13报告了在四种反事实情景下，各产业社会福利与基准社会福利之差。由图 13可以发现，不同政策组合对各产业社会福利也产生了异质性政策效应。具体表现为：(1)在双宽松政策组合下，除第一产业外，第二、第三产业的社会福利水平均大于基准社会福利，且第三产业社会福利水平提高得最多。(2)在双紧缩政策组合下，除第一产业在2003Q1至2005Q2期间社会福利水平出现了上升，第二、第三产业以及第一产业的其他时期，社会福利水平均小于基准社会福利。(3)在紧缩型货币政策与宽松型宏观审慎政策组合下，除第一产业外，第二、第三产业的社会福利水平基本上大于基准社会福利。(4)在宽松型货币政策和紧缩型宏观审慎政策组合下，第一、第二产业的社会福利水平基本大于基准社会福利。第三产业社会福利差随时间趋势变化较大，在2017年之前社会福利水平基本小于基准社会福利，在2017年之后基本大于基准社会福利。

由上述分析可知：(1)对于第一产业而言，实施宽松型货币政策与紧缩型宏观审慎政策组合，有助于显著提高产业福利水平；(2)对于第二产业而言，除了紧缩型政策外，在其他三种政策情形下，均会提高产业社会福利水平，尤其是在双宽松政策下提高得更明显；(3)对于第三产业而言，实施双宽松和紧缩型货币政策与宽松型宏观审慎政策组合，均有助于提高产业社会福利水平。综上所述，不存在某种政策组合对三大产业的社会福利水平发展都是有利的情况，所以政府在制定政策时，需要综合考虑不同产业的特点和需求，制定有针对性的政策措施，实现产业间的社会福利均衡。

4、行业总体评价

根据前文分析可知，不同的政策组合对各行业、各产业产生异质性政策效应，在只能进行一种政策组合选择时，应以提高行业总体社会福利水平为目标。图 14展示了在四种反事实情景下的行业总体社会福利与基准社会福利以及它们的福利差。由图 14可以发现，双宽松政策组合下的行业总体社会福利最高，其次是宽松型货币政策与紧缩型宏观审慎政策组合、紧缩型货币政策与宽松型宏观审慎政策组合，最后是双紧缩政策组合。前三项政策组合都会提高原有的社会福利，只有双紧缩的政策组合会降低社会福利。这说明，双支柱调控政策的同向组合会显著提高或者显著降低行业总体社会福利；而在实施反向组合时，可能存在政策相互抵消的情况，从而导致社会福利略低于双宽松政策组合，但又略高于双紧缩政策组合。

六、结论与政策建议

本研究基于GaR类风险指标构建社会福利函数，测度中国11个主要实体行业在2003Q1—2021Q4期间的社会福利水平，评估了双支柱调控政策效果。首先，构建季度的双支柱调控政策指数与月度的宏观金融环境指数。其次，采用双支柱调控政策指数与宏观金融环境指数混频测度了中国实体行业的EG、GS等GaR类指标。再次，测度各实体行业、各产业以及行业总体的社会福利水平。最后，进行反事实情景分析，对比四种不同的双支柱调控政策组合与基准政策组合下的社会福利水平，从而进行最优政策组合选择。

研究结果表明：(1)双支柱调控政策对GaR类风险的影响存在跨期替代效应，且对GaR的影响大于对EG的影响。因此，政府部门在出台相关政策时，不仅要考虑对未来经济增长期望的作用，而且应该考虑对尾部风险的治理，并通过跨期权衡短期效应和长期效果来制定最优政策。(2)中国各实体行业的社会福利在大多数时期为正值，但部分行业在特殊时期出现了负值，这些特殊时期出现于政府实施强监督政策时期、政府调控政策集中在特定行业时期以及尾部事件发生时期。因此，政府部门在制定政策时应注意平衡各行业的发展，兼顾传统行业转型升级和新兴产业培育，以实现实体经济全面健康发展。同时也要控制好政策实施力度，避免过度干预，尊重市场规律。此外，要建立健全风险防范和化解机制，加强对尾部风险事件的监测预警和提升应急处置能力；提供灵活有效的经济政策工具，以便在风险事件发生时有针对性地进行调控和支持。(3)不同的政策组合对各实体行业、各产业产生了异质性政策效应，这说明采用“一刀切”的政策方法并不适合所有行业和所有产业。因此，政府部门需要实施更加精细化和有针对性的政策措施，以适应各行业、各产业的特定需求，从而实现行业间、产业间的社会福利均衡。(4)除了双紧缩政策外，双宽松以及反向政策组合均能提高大多数行业的社会福利水平。这表明，除了在某些特定情况下需要采取紧缩措施外，双宽松或者是反向政策组合更有利于抑制行业尾部风险，促进实体行业社会福利水平的提高。