泡沫經(jīng)濟(jì)危機(jī)動(dòng)態(tài)預(yù)警研究
——基于房地產(chǎn)市場(chǎng)國際經(jīng)驗(yàn)數(shù)據(jù)

， ， ,2

(1.西安理工大學(xué) 經(jīng)濟(jì)與管理學(xué)院，陜西 西安 710054； 2.西安理工大學(xué) 印刷包裝與數(shù)字媒體學(xué)院，陜西 西安 710054)

1 引言

近年來，泡沫經(jīng)濟(jì)現(xiàn)象頻繁發(fā)生，典型的有80年代末90年代初日本的泡沫經(jīng)濟(jì)[1]。2007年美國的“次貸危機(jī)”，從房地產(chǎn)和金融業(yè)逐步蔓延到實(shí)體經(jīng)濟(jì)，又進(jìn)一步殃及全球經(jīng)濟(jì)[2]。世界經(jīng)濟(jì)正在承受著由泡沫經(jīng)濟(jì)帶來的一系列的問題。

現(xiàn)有研究主要停留在資產(chǎn)價(jià)格泡沫的預(yù)警方面。有關(guān)資產(chǎn)價(jià)格泡沫預(yù)警的研究可以歸為兩類：第一類是通過測(cè)度資產(chǎn)價(jià)格泡沫的大小對(duì)泡沫經(jīng)濟(jì)進(jìn)行預(yù)警，如Mikhed和Zemcik[3]，Chiang等[4]，張玉雙[5]利用面板數(shù)據(jù)模型分別測(cè)度了房地產(chǎn)泡沫和股市泡沫；陳長石和劉晨暉[6]，史興杰和周勇[7]，李夢(mèng)玄和曹陽[8]分別通過行為金融等新興金融理論的視角，對(duì)房地產(chǎn)泡沫度進(jìn)行了衡量。第二類是通過構(gòu)建預(yù)警指標(biāo)體系對(duì)資產(chǎn)價(jià)格泡沫進(jìn)行預(yù)警。如Kamada和Nasu[9]通過幾組先行指標(biāo)和滯后指標(biāo)構(gòu)建了金融周期指數(shù)，可以提前1年預(yù)測(cè)資產(chǎn)價(jià)格泡沫的生成。而Ishikawa等[10]通過構(gòu)建一組金融活動(dòng)指數(shù)對(duì)資產(chǎn)價(jià)格泡沫預(yù)警。我國學(xué)者也通過先行指標(biāo)、指示指標(biāo)和滯后指標(biāo)來對(duì)房地產(chǎn)市場(chǎng)泡沫進(jìn)行定量分析[11,12]。然而這些資產(chǎn)價(jià)格泡沫的預(yù)警均是對(duì)一個(gè)國家的資產(chǎn)價(jià)格泡沫進(jìn)行分析，Alessi和Detken[13]則綜合了18個(gè)國家的數(shù)據(jù)對(duì)資產(chǎn)價(jià)格泡沫預(yù)警體系進(jìn)行了檢驗(yàn)。但是對(duì)于泡沫經(jīng)濟(jì)危機(jī)的預(yù)警，現(xiàn)有研究并沒有明確的說明。

此外，在危機(jī)預(yù)警的研究方法上，較為常見的有指標(biāo)預(yù)警、模型預(yù)警和人工智能系統(tǒng)預(yù)警。Berg等[14]通過實(shí)證分析認(rèn)為模型預(yù)警的準(zhǔn)確性要遠(yuǎn)高于指標(biāo)預(yù)警?，F(xiàn)階段主要有四種危機(jī)預(yù)警模型，分別為KLR信號(hào)分析法[15]，STV截面回歸模型[16]，馬爾科夫區(qū)制轉(zhuǎn)換模型[17]，二元離散選擇模型[18]等。但這四種模型均是針對(duì)單一階段的危機(jī)進(jìn)行預(yù)警，不能刻畫出危機(jī)發(fā)展的動(dòng)態(tài)過程。自20世紀(jì)90年代以來，人工智能系統(tǒng)方法在危機(jī)預(yù)警研究中的地位日益凸顯。其中包括神經(jīng)網(wǎng)絡(luò)模型、遺傳算法、支持向量機(jī)等方法[19,20]。然而人工智能方法需要大量的樣本作為基礎(chǔ)，我國甚至世界范圍內(nèi)泡沫經(jīng)濟(jì)的發(fā)生并不是大概率事件，不適用于本文對(duì)于泡沫經(jīng)濟(jì)預(yù)警模型的研究。

通過以上綜述可以看出，現(xiàn)有研究主要以資產(chǎn)價(jià)格泡沫預(yù)警的研究為主，但針對(duì)泡沫經(jīng)濟(jì)預(yù)警的相關(guān)研究較少。本文試圖在梳理和識(shí)別泡沫經(jīng)濟(jì)發(fā)展過程的基礎(chǔ)上，通過多元有序logit模型與狀態(tài)空間模型相結(jié)合的方法將泡沫經(jīng)濟(jì)發(fā)展的動(dòng)態(tài)過程聯(lián)系起來，建立基于房地產(chǎn)市場(chǎng)數(shù)據(jù)的泡沫經(jīng)濟(jì)動(dòng)態(tài)預(yù)警機(jī)制，以防范資產(chǎn)價(jià)格泡沫過大引起的泡沫經(jīng)濟(jì)危機(jī)。此外，現(xiàn)有資產(chǎn)價(jià)格泡沫的主要載體為股票和房地產(chǎn)市場(chǎng)，而在資產(chǎn)價(jià)格泡沫向泡沫經(jīng)濟(jì)演化的路徑中，房地產(chǎn)價(jià)格泡沫由于與銀行信貸的直接聯(lián)系，可能使銀行體系在毫無征兆的條件下發(fā)生危機(jī)，進(jìn)而引發(fā)更加嚴(yán)重的泡沫經(jīng)濟(jì)危機(jī)[5]。因此，本文根據(jù)房地產(chǎn)價(jià)格泡沫向泡沫經(jīng)濟(jì)演化這一路徑來說明泡沫經(jīng)濟(jì)的預(yù)警。

2 泡沫經(jīng)濟(jì)的發(fā)展過程及識(shí)別

2.1 理論分析

根據(jù)扈文秀和席酉民[21]的研究，泡沫經(jīng)濟(jì)的發(fā)生是以資產(chǎn)價(jià)格泡沫的發(fā)生為基礎(chǔ)，具體演化路徑如圖1所示。

圖1 資產(chǎn)價(jià)格泡沫向泡沫經(jīng)濟(jì)的演化

當(dāng)市場(chǎng)中出現(xiàn)資產(chǎn)價(jià)格泡沫現(xiàn)象時(shí)，并不是所有的資產(chǎn)價(jià)格泡沫現(xiàn)象都是對(duì)經(jīng)濟(jì)有害的。適度的資產(chǎn)價(jià)格泡沫的存在會(huì)刺激社會(huì)的有效需求，進(jìn)而增加國民收入。如圖1所示，AD0為初始的總需曲線，AS為總供給曲線，Y為均衡的產(chǎn)出。假設(shè)資產(chǎn)價(jià)格泡沫使得社會(huì)的有效需求從AD0提高至AD1，這時(shí)社會(huì)總供給增加，并且均衡產(chǎn)出由Y0提高至Y1，經(jīng)濟(jì)增長穩(wěn)定。但是這一經(jīng)濟(jì)的穩(wěn)定增長使得人們對(duì)經(jīng)濟(jì)的預(yù)期更加樂觀，進(jìn)而形成更大的投機(jī)需求，導(dǎo)致資產(chǎn)價(jià)格泡沫更大，進(jìn)而產(chǎn)生更多的社會(huì)總供給。這一過程不斷循環(huán)，直到達(dá)到充分就業(yè)的有效需求ADf和充分就業(yè)下的均衡產(chǎn)出Yf。在此之后，總需求受到資產(chǎn)價(jià)格泡沫的拉動(dòng)而繼續(xù)升高，從而超過了ADf，即超過了充分就業(yè)的有效需求。此時(shí)，市場(chǎng)中出現(xiàn)了生產(chǎn)要素的緊缺，造成了經(jīng)濟(jì)的虛假繁榮現(xiàn)象，即泡沫經(jīng)濟(jì)現(xiàn)象。由此我們可以看出，泡沫經(jīng)濟(jì)的發(fā)生一定是以局部的資產(chǎn)價(jià)格泡沫的發(fā)展為前提。因此，本文將泡沫經(jīng)濟(jì)預(yù)警階段根據(jù)其發(fā)展過程分為經(jīng)濟(jì)平穩(wěn)發(fā)展階段、資產(chǎn)價(jià)格泡沫階段和泡沫經(jīng)濟(jì)階段。在構(gòu)建預(yù)警模型之前，首先應(yīng)對(duì)泡沫經(jīng)濟(jì)不同發(fā)展階段進(jìn)行劃分和識(shí)別。

2.2 泡沫經(jīng)濟(jì)不同發(fā)展階段劃分

基于數(shù)據(jù)的可得性和代表性，本文選取36個(gè)國家作為研究樣本，樣本區(qū)間為1996年1月至2016年3月，在此區(qū)間內(nèi)盡可能地包括了金融危機(jī)，資產(chǎn)價(jià)格急速上漲，宏觀經(jīng)濟(jì)大幅波動(dòng)等重要經(jīng)濟(jì)趨勢(shì)。首先，本文通過COBS模型和潛在產(chǎn)出模型分別對(duì)房地產(chǎn)價(jià)格泡沫區(qū)間和泡沫經(jīng)濟(jì)區(qū)間進(jìn)行估算。

對(duì)于房地產(chǎn)價(jià)格泡沫區(qū)間的計(jì)算，其簡要過程和估算結(jié)果如下：設(shè)給定變量X=x，通過條件分位數(shù)函數(shù)gτ(x)構(gòu)建一個(gè)平滑問題，即Y的第τ個(gè)條件分位數(shù)gτ(x)為x的函數(shù)，即P(Y

3 模型設(shè)定

由于泡沫經(jīng)濟(jì)的發(fā)展是一個(gè)循序漸進(jìn)的階段性過程，本文對(duì)于泡沫經(jīng)濟(jì)的預(yù)警思路如下：首先，計(jì)算得出泡沫經(jīng)濟(jì)發(fā)展過程中不同階段的預(yù)警閾值。其次，預(yù)測(cè)未來的經(jīng)濟(jì)狀態(tài)，進(jìn)而對(duì)比預(yù)測(cè)得到的經(jīng)濟(jì)狀態(tài)與閾值，得出一定期間后經(jīng)濟(jì)狀態(tài)處于泡沫經(jīng)濟(jì)發(fā)展的哪一階段，根據(jù)不同的階段采取控制措施。當(dāng)我們根據(jù)以上預(yù)警思路構(gòu)建泡沫經(jīng)濟(jì)預(yù)警模型時(shí)，有三個(gè)核心問題亟待解決:第一，如何將泡沫經(jīng)濟(jì)的發(fā)展過程聯(lián)系起來。第二，如何解決初始觀測(cè)值的問題。在進(jìn)入觀察窗口的一個(gè)經(jīng)濟(jì)體的經(jīng)濟(jì)狀態(tài)并不是最初的經(jīng)濟(jì)狀態(tài)，我們需要構(gòu)建初始狀態(tài)模型來解決這一問題。第三，如何預(yù)測(cè)未來的經(jīng)濟(jì)狀態(tài)。為此，本文通過構(gòu)建潛在動(dòng)態(tài)有序模型和預(yù)測(cè)模型來解決以上問題。

3.1 動(dòng)態(tài)模型設(shè)定

本文中潛在動(dòng)態(tài)模型的意義在于將泡沫經(jīng)濟(jì)發(fā)展的動(dòng)態(tài)過程聯(lián)系起來，將離散變量轉(zhuǎn)化為連續(xù)變量。由于面板數(shù)據(jù)中第一個(gè)時(shí)間點(diǎn)的觀測(cè)值并不能代表動(dòng)態(tài)過程的初始狀態(tài)，因此初始狀態(tài)的問題，也將考慮到模型當(dāng)中。據(jù)此，本文的動(dòng)態(tài)模型包括以下兩個(gè)部分，貝葉斯?jié)撛趧?dòng)態(tài)有序logit模型構(gòu)建和初始條件模型構(gòu)建。

(1)貝葉斯?jié)撛趧?dòng)態(tài)有序logit模型構(gòu)建

假設(shè)經(jīng)濟(jì)狀態(tài)被設(shè)定為一種潛在變量zit，而yit為可觀察到的經(jīng)濟(jì)的分類狀態(tài)，τ1、τ2為每一經(jīng)濟(jì)狀態(tài)下的閾值。因此，分類狀態(tài)yit可以看作潛在連續(xù)變量zit和閾值τ共同生成的離散變量。構(gòu)建的多元有序logit模型如下

其中i=1,K,N;t=0,K,T;-∞<τ1<τ2<+∞。當(dāng)經(jīng)濟(jì)狀態(tài)平穩(wěn)時(shí)，yit=0；當(dāng)市場(chǎng)中出現(xiàn)資產(chǎn)價(jià)格泡沫時(shí)，yit=1；當(dāng)經(jīng)濟(jì)市場(chǎng)中出現(xiàn)泡沫經(jīng)濟(jì)時(shí)，yit=2。我們預(yù)設(shè)τ1=0以確定模型參數(shù)。

由此，我們得到潛在經(jīng)濟(jì)狀態(tài)變量的動(dòng)態(tài)模型

zit=φzit-1+βxit+ξi+εitt=1,…,T

(2)初始觀測(cè)值模型構(gòu)建

假設(shè)初始值可能取決于可觀測(cè)的經(jīng)濟(jì)變量xi。此外，為了捕獲無法觀測(cè)的經(jīng)濟(jì)變量對(duì)初始值的影響，我們通過納入內(nèi)生初始值z(mì)i0，構(gòu)建初始值的擬合模型

其中wi是由進(jìn)入樣本窗口的首個(gè)經(jīng)濟(jì)變量xi0組成的初始協(xié)變量向量。ξi為個(gè)體效應(yīng)。不可觀測(cè)個(gè)體效應(yīng)對(duì)初始值的影響通過λ獲得，它允許不可觀測(cè)個(gè)體效應(yīng)對(duì)初始值的影響大小可變。此外，初始值模型的隨機(jī)誤差εi0與其他誤差無關(guān)。

3.2 預(yù)測(cè)模型

本文采用不包含季節(jié)項(xiàng)的Holt-Winter指數(shù)平滑法對(duì)潛在變量時(shí)間序列進(jìn)行建模。同時(shí)，借助狀態(tài)空間模型對(duì)未來潛在變量進(jìn)行預(yù)測(cè)。我們采用阻尼趨勢(shì)平滑法對(duì)潛在變量進(jìn)行預(yù)測(cè)，模型構(gòu)建如下

zt=1t-1+φbt-1+εt

假設(shè)ζt滿足均值為0，方差為σ2的高斯獨(dú)立同分布。

4 實(shí)證分析

4.1 數(shù)據(jù)來源和解釋變量選擇

本文通過國際面板數(shù)據(jù)解決樣本數(shù)量的問題，基于數(shù)據(jù)的可得性和代表性，盡可能多地選擇樣本國家以擴(kuò)大樣本量。本文選取36個(gè)國家作為研究樣本，樣本區(qū)間為1996年1月至2016年3月，所有的數(shù)據(jù)均為季度數(shù)據(jù)，取自萬德數(shù)據(jù)庫，世界銀行數(shù)據(jù)庫和銳思數(shù)據(jù)庫。

在進(jìn)行實(shí)證分析之前，首先要對(duì)納入預(yù)警模型的經(jīng)濟(jì)指標(biāo)進(jìn)行選擇，即對(duì)預(yù)警模型中的解釋變量進(jìn)行選擇。本文最終選取包括宏觀經(jīng)濟(jì)基本面指標(biāo)，金融財(cái)政指標(biāo)，金融體系健康程度指標(biāo)以及貨幣政策指標(biāo)，共4大類47個(gè)指標(biāo)作為初選指標(biāo)。為了減小模型估計(jì)結(jié)果的不確定性，本文利用貝葉斯平均方法對(duì)指標(biāo)進(jìn)行篩選。其模型為一個(gè)包括n個(gè)觀測(cè)值和k個(gè)解釋變量的回歸方程

Y=c+α1x1+α2x2+…+αnxn+ε

其中Y為被解釋變量，xi為解釋變量。本文采取擴(kuò)散單位信息先驗(yàn)分布來提高先驗(yàn)分布的穩(wěn)健性。即增加或者減少一個(gè)解釋變量的概率均為0.5，其意義為事前不對(duì)任何變量做出具有偏好的選擇。對(duì)于每一組變量，我們的報(bào)告結(jié)果包含后驗(yàn)概率，后驗(yàn)均值，后驗(yàn)標(biāo)準(zhǔn)差。最終的估計(jì)結(jié)果顯示，45個(gè)解釋變量中，5個(gè)變量的后驗(yàn)概率高于0.5。綜合考慮數(shù)據(jù)可得性和結(jié)合后驗(yàn)概率最高的前4個(gè)最優(yōu)模型所包含的變量，最終確定動(dòng)態(tài)模型中的解釋變量為7個(gè)變量，其中包括對(duì)私人部門的信貸/GDP，國內(nèi)信貸/GDP，國民儲(chǔ)蓄總額/GDP，服務(wù)業(yè)增加值/GDP，外匯儲(chǔ)備/GDP，貿(mào)易金額/GDP，廣義貨幣增長(M1)。

4.2 參數(shù)估計(jì)

上文對(duì)1996年至2016年間的36個(gè)國家的經(jīng)濟(jì)數(shù)據(jù)進(jìn)行分析，最終得到最適合預(yù)警模型的7項(xiàng)指標(biāo)作為解釋變量，獲得了共21年36個(gè)國家的平衡面板，研究樣本共計(jì)756個(gè)年度觀測(cè)值。本文結(jié)合計(jì)算出來的泡沫經(jīng)濟(jì)發(fā)展過程中的不同經(jīng)濟(jì)區(qū)間，借助馬爾科夫連蒙特卡洛方法(MCMC方法)，依據(jù)經(jīng)濟(jì)預(yù)警指標(biāo)對(duì)預(yù)警模型進(jìn)行參數(shù)估計(jì)，對(duì)經(jīng)濟(jì)狀態(tài)進(jìn)行識(shí)別。為了確保閾值τ的單調(diào)性，我們以遞歸的方式設(shè)置閾值的先驗(yàn)形式，將前一個(gè)閾值加上正隨機(jī)數(shù)υτ獲得下一個(gè)閾值。為了保證隨機(jī)數(shù)υτ大于0，本文將第一個(gè)閾值規(guī)范化為0以便于閾值先驗(yàn)分布設(shè)置：τ1=0，τ2=τ1+υτ，υτ～Exp(1)。

本研究通過MCMC抽樣算法，設(shè)置了兩條馬爾科夫鏈，分別進(jìn)行了500000迭代抽樣，其中間隔取為25，即迭代25次進(jìn)行1次監(jiān)測(cè)。通過對(duì)模型中各個(gè)參數(shù)的實(shí)時(shí)監(jiān)測(cè)，每個(gè)參數(shù)得到了40000個(gè)監(jiān)測(cè)樣本的馬爾科夫鏈迭代圖，以及均值、方差、MCMC誤差、2.5%分位點(diǎn)、中值數(shù)和97.5%分位點(diǎn)等相應(yīng)的計(jì)算結(jié)果，表1給出了參數(shù)估計(jì)結(jié)果。

表1 參數(shù)估計(jì)

4.3 模型的有效性分析與檢驗(yàn)

(1)模型結(jié)果分析

本文以中國和日本為例，說明動(dòng)態(tài)預(yù)警的分析過程。如圖2和圖3所示。

圖2 中國泡沫經(jīng)濟(jì)預(yù)警

圖3 日本泡沫經(jīng)濟(jì)預(yù)警

圖中階梯狀的實(shí)線為經(jīng)濟(jì)狀態(tài)實(shí)際值的擬合值，曲線為經(jīng)濟(jì)狀態(tài)的預(yù)測(cè)值，與坐標(biāo)軸平行的虛線為閾值，即閾值0和1.32530。我們可以通過經(jīng)濟(jì)狀態(tài)的預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比，參照預(yù)警閾值來確定經(jīng)濟(jì)狀態(tài)到達(dá)哪一階段。以中國為例，從預(yù)警圖中我們可以看出，在2005年以后，房地產(chǎn)價(jià)格的實(shí)際狀況達(dá)到了一個(gè)峰值狀態(tài)，經(jīng)濟(jì)狀態(tài)的預(yù)測(cè)值雖大于閾值0，但是依舊小于閾值1.32530，這說明市場(chǎng)中已經(jīng)產(chǎn)生了資產(chǎn)價(jià)格泡沫，但是并沒有達(dá)到泡沫經(jīng)濟(jì)的狀態(tài)，這與我國的實(shí)際情況相符。日本是世界上少數(shù)幾個(gè)承認(rèn)經(jīng)歷過泡沫經(jīng)濟(jì)的國家之一。從圖3的日本預(yù)警圖中我們可以看出，1995年之前經(jīng)濟(jì)狀態(tài)從極高的階段呈急速下降狀態(tài)，而在1996年至1997年間，日本的經(jīng)濟(jì)泡沫消失，經(jīng)濟(jì)狀態(tài)持續(xù)低迷。這也與日本的實(shí)際情況相吻合。20世紀(jì)80年代后期至90年代，日本經(jīng)歷了前所未有的泡沫經(jīng)濟(jì)現(xiàn)象，直到1992年泡沫經(jīng)濟(jì)崩潰，經(jīng)濟(jì)從此以后陷入蕭條狀態(tài)。

(2)有效性檢驗(yàn)

本文通過分類識(shí)別的錯(cuò)誤率對(duì)泡沫經(jīng)濟(jì)預(yù)警的有效性進(jìn)行檢測(cè)。如表2所示，橫軸的0，1，2分別代表真實(shí)情況的經(jīng)濟(jì)狀態(tài)平穩(wěn)時(shí)期、資產(chǎn)價(jià)格泡沫時(shí)期和泡沫經(jīng)濟(jì)時(shí)期。縱軸0，1，2分別代表預(yù)警模型計(jì)算得到的經(jīng)濟(jì)狀態(tài)平穩(wěn)時(shí)期、資產(chǎn)價(jià)格泡沫時(shí)期和泡沫經(jīng)濟(jì)時(shí)期。以此分別計(jì)算預(yù)警模型在不同階段的預(yù)警的正確率，最終得到整個(gè)預(yù)警過程的正確率。

表2 泡沫經(jīng)濟(jì)預(yù)警模型正確率

根據(jù)本文的預(yù)警模型，對(duì)于經(jīng)濟(jì)狀態(tài)平穩(wěn)階段、資產(chǎn)價(jià)格泡沫階段和泡沫經(jīng)濟(jì)階段，其識(shí)別的正確率分別為78.14%，73.85%，71.42%。而對(duì)于整個(gè)泡沫經(jīng)濟(jì)發(fā)展過程預(yù)警的正確率為75.48%。整體預(yù)警效果較為準(zhǔn)確。根據(jù)預(yù)警結(jié)果我們可以看出，本文的模型對(duì)于識(shí)別泡沫經(jīng)濟(jì)具有較高的正確率。在36個(gè)樣本國家中，有5個(gè)國家出現(xiàn)了泡沫經(jīng)濟(jì)現(xiàn)象，分別是日本、芬蘭、泰國、墨西哥和美國。其中日本、芬蘭、泰國和墨西哥4個(gè)國家的泡沫經(jīng)濟(jì)區(qū)間與已有文獻(xiàn)中對(duì)于泡沫經(jīng)濟(jì)的描述一致。但是現(xiàn)有文獻(xiàn)對(duì)于美國是否發(fā)生過泡沫經(jīng)濟(jì)并沒有統(tǒng)一的結(jié)論。根據(jù)本文的預(yù)警模型，美國在次貸危機(jī)前出現(xiàn)過泡沫經(jīng)濟(jì)危機(jī)。

5 結(jié)論與展望

泡沫經(jīng)濟(jì)危機(jī)預(yù)警問題對(duì)微觀行業(yè)價(jià)格和整個(gè)宏觀經(jīng)濟(jì)都具有重要意義。本文構(gòu)建的動(dòng)態(tài)泡沫經(jīng)濟(jì)預(yù)警模型，不僅可以根據(jù)泡沫經(jīng)濟(jì)的發(fā)展過程對(duì)泡沫經(jīng)濟(jì)危機(jī)進(jìn)行檢測(cè)和預(yù)警，將泡沫經(jīng)濟(jì)遏制在初期階段，更能在已經(jīng)產(chǎn)生資產(chǎn)價(jià)格泡沫后對(duì)泡沫經(jīng)濟(jì)危機(jī)的發(fā)生進(jìn)行預(yù)警，以防止更加惡劣的泡沫經(jīng)濟(jì)危機(jī)的爆發(fā)。與以往的危機(jī)預(yù)警研究相比，本文的主要研究成果如下：

(1)在研究內(nèi)容上，現(xiàn)有研究主要關(guān)注資產(chǎn)價(jià)格泡沫的預(yù)警，幾乎沒有對(duì)于泡沫經(jīng)濟(jì)的預(yù)警。本文對(duì)資產(chǎn)價(jià)格泡沫發(fā)生后可能會(huì)引發(fā)的泡沫經(jīng)濟(jì)進(jìn)行預(yù)警，擴(kuò)充了現(xiàn)有對(duì)于價(jià)格泡沫預(yù)警的研究領(lǐng)域。

(2)分析泡沫經(jīng)濟(jì)發(fā)生的動(dòng)態(tài)特征，梳理與泡沫經(jīng)濟(jì)的發(fā)生有相關(guān)性的經(jīng)濟(jì)特征。從宏觀經(jīng)濟(jì)基本面、金融財(cái)政指數(shù)、金融體系健康程度和貨幣政策四個(gè)方面分析對(duì)資產(chǎn)價(jià)格泡沫和泡沫經(jīng)濟(jì)的影響。

(3)在建立泡沫經(jīng)濟(jì)預(yù)警模型的過程中，分別通過COBS模型識(shí)別出各個(gè)國家的房地產(chǎn)價(jià)格泡沫區(qū)間，通過構(gòu)建多參數(shù)動(dòng)態(tài)系統(tǒng)模型進(jìn)行Kalman濾波分析，估計(jì)潛在產(chǎn)出，從而得到泡沫經(jīng)濟(jì)區(qū)間。為分階段動(dòng)態(tài)預(yù)警模型的建立提供了現(xiàn)實(shí)基礎(chǔ)。

(4)借助貝葉斯動(dòng)態(tài)模型和狀態(tài)空間模型構(gòu)建泡沫經(jīng)濟(jì)動(dòng)態(tài)危機(jī)預(yù)警系統(tǒng)，建立了分階段的動(dòng)態(tài)預(yù)警模型，實(shí)現(xiàn)了對(duì)危機(jī)的發(fā)展過程進(jìn)行跟蹤分級(jí)預(yù)警。并以數(shù)據(jù)統(tǒng)計(jì)為基礎(chǔ)，反映了一個(gè)國家經(jīng)濟(jì)狀況從平穩(wěn)發(fā)展到泡沫經(jīng)濟(jì)危機(jī)的漸進(jìn)過程。最后對(duì)經(jīng)濟(jì)狀況進(jìn)行預(yù)測(cè)，為決策部門提前預(yù)見危機(jī)狀態(tài)，制定調(diào)控政策提供科學(xué)依據(jù)。

本研究由于數(shù)據(jù)的限制，今后有尚待完善的地方:進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行更加細(xì)致的劃分，如將數(shù)據(jù)分為長期數(shù)據(jù)和短期數(shù)據(jù)，分別進(jìn)行模型估計(jì)，以提高模型的準(zhǔn)確性。除此之外，將繼續(xù)搜集數(shù)據(jù)增加樣本數(shù)量，不斷完善模型精度。

[1] 邢天添.反思日本泡沫經(jīng)濟(jì)——從國際金融協(xié)調(diào)視角看中國的選擇[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015，(11):88-95.

[2] 雷良海，魏遙.美國次貸危機(jī)的傳導(dǎo)機(jī)制[J].世界經(jīng)濟(jì)研究，2009，(12)：24-31,88.

[3] Mikhed V, Zemcik P. Testing for bubbles in housing markets: a panel data approach[J]. The Journal of Real Estate Finance and Economics, 2009, 38(4): 366-386.

[4] Chiang M C, Tsai I C, Lee C F. Fundamental indicators, bubbles in stock returns and investor sentiment[J]. The Quarterly Review of Economics and Finance, 2011, 51(1): 82- 87.

[5] 張玉雙.我國地區(qū)房地產(chǎn)價(jià)格泡沫的測(cè)度[J].統(tǒng)計(jì)與決策，2016，(5)：129-132.

[6] 陳長石，劉晨暉.利率調(diào)控、貨幣供應(yīng)與房地產(chǎn)泡沫——基于泡沫測(cè)算與MS-VAR模型的實(shí)證分析[J].國際金融研究，2015，(10)：21-31.

[7] 史興杰，周勇.房地產(chǎn)泡沫檢驗(yàn)的Switching AR模型[J].系統(tǒng)工程理論與實(shí)踐，2014，34(3)：676- 682.

[8] 李夢(mèng)玄，曹陽.我國房地產(chǎn)市場(chǎng)泡沫的測(cè)度及成因分析——基于行為金融理論的視角[J].宏觀經(jīng)濟(jì)研究，2013，(9)：86-91.

[9] Kamada K, Nasu K. The financial cycle indexes for early warning exercise[R]. Japan: Bank of Japan Working Paper Series, 2011.

[10] Ishikawa A, Kamada K, Kan K, et al.. The financial activity index[R]. Japan: Bank of Japan Working Paper Series, 2012.

[11] 謝經(jīng)榮.地產(chǎn)泡沫與金融危機(jī)——國際經(jīng)驗(yàn)及其借鑒[M].北京：經(jīng)濟(jì)管理出版社，2002.298-301.

[12] 師應(yīng)來,王平.房地產(chǎn)預(yù)警指標(biāo)體系及綜合預(yù)警方法研究[J].統(tǒng)計(jì)研究，2011，28(11):16-21.

[13] Alessi L, Detken C. Quasi real time early warning indicators for costly asset price boom/bust cycles: a role for global liquidity[J]. European Journal of Political Economy, 2011, 27(3): 520-533.

[14] Berg A, Borensztein E, Pattillo C. Assessing early warning systems: how have they worked in practice[J]. IMF Staff Papers, 2005, 52(3): 462-502.

[15] Kaminsky G, Lizondo S, Reinhart C M. Leading indicators of currency crisis[J]. IMF Staff Paper, 1998, 45(1): 1- 48.

[16] Stenkat J, Krautwald-Junghanns M E, Schmidt V. Financial crises in emerging markets: the lessons from 1995[J]. Brooking Papers on Economic Activity, 1996, (1): 147-215.

[17] Hamilton J D. Regime-switching models[J]. The New Palgrave Dictionary of Economics, 2008, (2): 202-209.

[18] Frankel J A, Rose A K. Currency crashes in emerging markets: an empirical treatment[J]. Journal of International Economics, 1996, 41(3- 4): 351-366.

[19] Lin C S, Khan H A, Chang R Y, et al.. A new approach to modeling early warning systems for currency crises: can a machine-learning fuzzy expert system predict the currency crises effectively[J]. Journal of International Money and Finance, 2008, 27(7): 1098-1121.

[20] 周輝仁，唐萬生，任仙玲.基于遞階遺傳算法和BP網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警[J].系統(tǒng)管理學(xué)報(bào),2010,19(1):1- 6.

[21] 扈文秀,席酉民.經(jīng)濟(jì)泡沫向泡沫經(jīng)濟(jì)的演變機(jī)理[J].經(jīng)濟(jì)學(xué)家,2001,(4):107-112.

[22] Doménech R, Gomez V. Estimating potential output, core inflation, and the NAIRU as latent variables[J]. Journal of Business & Economic Statistics, 2006, 24(3): 354-365.