| 1,645 | 2 | 613 |
| 下载次数 | 被引频次 | 阅读次数 |
2008年国际金融危机之后，我国提出要构建由货币政策和宏观审慎政策构成的双支柱框架，旨在同时实现经济稳定目标和金融稳定目标。本文使用可解释性机器学习方法，全面分析货币政策中经济稳定目标和金融稳定目标的重要程度及其动态变化，并在此基础上提出货币政策目标的优化方向。研究结果表明，近年来我国宏观经济面临一定下行压力，为应对重点领域金融风险，货币政策中金融稳定目标的重要程度明显提升。面对国内外日趋复杂严峻的经济与金融形势，为守住不发生系统性金融风险的底线，要加强货币政策与宏观审慎政策的协调配合，从而同时实现经济稳定目标与金融稳定目标。
Abstract：After the 2008 international financial crisis, in order to achieve the targets of economic and financial stability, China proposes building a dual-pillar framework comprising monetary and macro-prudential policies. This paper uses machine learning methods to comprehensively analyze the importance and dynamic changes of economic and financial stability targets in monetary policies, and proposes the optimization direction of monetary policy targets. The research results show that despite the downward pressure on China's economy in recent years, monetary policy has significantly strengthened the emphasis of financial stability targets to cope with financial risks. In the face of the complex and severe economic and financial situations at home and abroad, in order to maintain the bottom line of preventing systemic financial risks, it is necessary to strengthen the coordination between monetary policy and macro-prudential policy, so as to achieve both economic and financial stability targets simultaneously.
[1]陈创练,郑挺国,姚树洁.时变参数泰勒规则及央行货币政策取向研究[J].经济研究, 2016, 51(8):43–56.
[2]陈婉莹,刘金全,刘达禹.伪产出缺口、真实泰勒规则与中央银行的区间调控[J].统计研究, 2022, 39(10):84–101.
[3]陈小亮,陈彦斌.结构性去杠杆的推进重点与趋势观察[J].改革, 2018(7):17–30.
[4]陈小亮,刘玲君,肖争艳,等.生产部门通缩与全局性通缩影响因素的差异性研究——机器学习方法的新视角[J].中国工业经济,2021(7):26–44.
[5]陈彦斌,刘哲希,陈小亮.稳增长与防风险权衡下的宏观政策——宏观政策评价报告2022[J].经济学动态, 2022(1):40–57.
[6]方意,黄丽灵,荆中博.系统性风险防范与化解——基于金融稳定政策的研究[J].中国工业经济, 2024(7):47–65.
[7]侯成琪,龚六堂.货币政策应该对住房价格波动作出反应吗——基于两部门动态随机一般均衡模型的分析[J].金融研究, 2014(10):15–33.
[8]刘金全,解瑶姝.“新常态”时期货币政策时变反应特征与调控模式选择[J].金融研究, 2016(9):1–17.
[9]刘磊,张晓晶.中国宏观金融网络与风险:基于国家资产负债表数据的分析[J].世界经济, 2020, 43(12):27–49.
[10]刘哲希,郭俊杰,谭涵予,等.货币政策能够兼顾“稳增长”与“稳杠杆”双重目标吗?——基于不同杠杆环境的比较[J].金融研究,2022(7):20–37.
[11]陆军,钟丹.泰勒规则在中国的协整检验[J].经济研究, 2003, 38(8):76–85.
[12]马勇,陈雨露.宏观审慎政策的协调与搭配:基于中国的模拟分析[J].金融研究, 2013(8):57–69.
[13]孟宪春,张屹山,李天宇.中国经济“脱实向虚”背景下最优货币政策规则研究[J].世界经济, 2019(5):27–48.
[14]彭红枫,肖祖沔.供给侧改革背景下需要将PPI纳入通货膨胀目标吗[J].统计研究, 2017, 34(9):3–15.
[15]曲强,张良,扬仁眉.外汇储备增长、货币冲销的有效性及对物价波动的动态影响——基于货币数量论和SVAR的实证研究[J].金融研究,2009(5):47–60.
[16]王曦,汪玲,彭玉磊,等.中国货币政策规则的比较分析——基于DSGE模型的三规则视角[J].经济研究, 2017(9):24–38.
[17]吴吉林,张二华.我国货币政策操作中的数量规则无效吗?[J].经济学（季刊）, 2015, 14(3):827–852.
[18]谢平,罗雄.泰勒规则及其在中国货币政策中的检验[J].经济研究, 2002, 37(3):3–12.
[19]徐国祥,郭建娜.金融稳定目标下中国货币政策规则研究[J].财经研究, 2017, 43(10):18–30.
[20]姚余栋,李连发,辛晓岱.货币政策规则、资本流动与汇率稳定[J].经济研究, 2014, 49(1):127–139.
[21]岳超云,牛霖琳.中国货币政策规则的估计与比较[J].数量经济技术经济研究, 2014, 31(3):119–133.
[22]张小宇,刘金全.规则型货币政策与经济周期的非线性关联机制研究[J].世界经济, 2013, 36(11):3–26.
[23] Aas K, Jullum M, L?land A. Explaining Individual Predictions when Features Are Dependent:More Accurate Approximations to Shapley Values[J]. Artificial Intelligence, 2021(9):1–24.
[24] Fan J, Han F, Liu H. Challenges of Big Data Analysis[J]. National Science Review, 2014, 1(2):293–314.
[25] Géron A. Hands-on Machine Learning with Scikit-Learn, Keras, and Tensorflow:Concepts, Tools, and Techniques to Build Intelligent Systems[M]. O’ Reilly Media, 2019.
(1)因篇幅所限，本文所使用随机森林、XGBoost、LASSO、弹性网和SHAP值可解释性方法的详细介绍以附录1展示，见《统计研究》网站所列附件。下同。
(2)文中参数是被解释变量为广义货币供应量（M2）同比增速时，随机森林模型和XGBoost模型的超参数；当被解释变量为贷款余额同比增速时，随机森林模型的超参数分别为25与9,XGBoost模型的超参数分别为55、6与0.05。
(3)文中参数是被解释变量为M2同比增速时，λ和弹性系数α的最优取值；当被解释变量为贷款余额同比增速时，λ的最优取值分别为0.002与0.0015, α的最优取值为0.1。
(1)在本文中，贷款指的是人民币贷款，不包括外币贷款。
(2)为尽可能涵盖更多样本数据，发挥机器学习方法的优势，本文使用城镇登记失业率测度失业状况，而不使用2017年开始公布的城镇调查失业率数据。
(1)4个一线城市指的是北京、上海、广州、深圳，相关网址为https://www.stats.gov.cn/sj/sjjd/202503/t20250317_1959008.html。
(2)70个大中城市包括北京、天津、石家庄、太原、呼和浩特、沈阳、大连、长春、哈尔滨、上海、南京、杭州、宁波、合肥、福州、厦门、南昌、济南、青岛、郑州、武汉、长沙、广州、深圳、南宁、海口、重庆、成都、贵阳、昆明、西安、兰州、西宁、银川、乌鲁木齐、唐山、秦皇岛、包头、丹东、锦州、吉林、牡丹江、无锡、徐州、扬州、温州、金华、蚌埠、安庆、泉州、九江、赣州、烟台、济宁、洛阳、平顶山、宜昌、襄阳、岳阳、常德、韶关、湛江、惠州、桂林、北海、三亚、泸州、南充、遵义、大理，相关网址为https://www.stats.gov.cn/sj/zxfb/202504/t20250416_1959311.html。
(3)CNBS数据库为国家资产负债表研究中心提供的中国宏观杠杆率数据，相关网址为http://114.115.232.154:8080/；IMF（国际货币基金组织）数据库网址为https://www.imf.org。
(1)总年份数为样本区间内所统计的全部年份，例如2007—2011年总年份数为5,2012—2024年总年份数为13。
(1)测算思路与上文一致，可参见排名前5位的指标数量所占比重的计算方法。
(1)因篇幅所限，稳健性检验的结果以附表1~3展示。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2025.07.004
中图分类号:F822.0
引用信息:
[1]陈小亮,刘玲君,肖争艳,等.货币政策目标的识别与优化——基于机器学习方法的实证研究[J].统计研究,2025,42(07):45-55.DOI:10.19343/j.cnki.11-1302/c.2025.07.004.
基金信息:
国家自然科学基金专项项目“人口老龄化进程中的经济动态平衡与最优调控政策框架设计”（72342033）,国家自然科学基金专项项目“中国特色宏观调控理论研究：规律总结、理论构建与实践应用”（72141306）,国家自然科学基金面上项目“人口老龄化对中国宏观政策有效性的影响：实证研究与模型仿真”（72073141）
2025-07-25
2025-07-25