基于微博大數(shù)據(jù)的經(jīng)濟不確定性測度及其對宏觀經(jīng)濟的影響研究

何 婧， 鄒 瀟

(西南財經(jīng)大學 統(tǒng)計學院，四川 成都 611130)

一、研究意義和問題提出

經(jīng)濟不確定性是一個重要的經(jīng)濟參數(shù)，反映了經(jīng)濟的運行狀態(tài)與經(jīng)濟參與者的評估與預期不一致的程度。經(jīng)濟不確定性與經(jīng)濟運行和經(jīng)濟政策之間存在密切聯(lián)系。Bloom指出當經(jīng)濟發(fā)展較好時期，其不確定性相對較小；而當經(jīng)濟不景氣時，經(jīng)濟不確定性普遍較高[1]。戰(zhàn)爭、石油價格上漲和金融危機等可能導致經(jīng)濟衰退的外部沖擊通常也會增加不確定性。眾多國內(nèi)外學者的研究指出，經(jīng)濟不確定性的增加會影響經(jīng)濟政策的實施和微觀主體的決策，對經(jīng)濟運行產(chǎn)生負面影響。例如Bloom等指出經(jīng)濟不確定性會影響公司層面的投資和就業(yè)，不確定性的增加將會導致GDP下降[2]。此外，不確定性的增加將會導致企業(yè)更加謹慎，這將使經(jīng)濟對刺激性政策的反應大幅下降。Jurado等發(fā)現(xiàn)宏觀不確定性具有強烈的反周期性，不確定性的增加與實際經(jīng)濟活動的大幅下降直接相關(guān)[3]。王義中和宋敏研究了經(jīng)濟不確定性對資金需求和公司投資的影響，發(fā)現(xiàn)宏觀經(jīng)濟不確定性的增加會影響資金需求渠道從而影響公司投資行為[4]。同時，對經(jīng)濟不確定性的預期將有利于流動性資金需求對公司投資的正向促進作用。因此，研究經(jīng)濟不確定性對理解經(jīng)濟運行中的波動、制定宏觀調(diào)控政策、激發(fā)市場經(jīng)濟活力等具有重要的意義，量化測度經(jīng)濟不確定性就是其中最關(guān)鍵的一步。在新的宏觀經(jīng)濟環(huán)境下，基于大數(shù)據(jù)的經(jīng)濟不確定性測量方法具有覆蓋面廣、經(jīng)濟參與者多和可以利用實時數(shù)據(jù)作預測等特點，具有廣闊的發(fā)展空間。

隨著互聯(lián)網(wǎng)和信息技術(shù)的快速發(fā)展，普通民眾可以通過各種自媒體平臺發(fā)布自己的觀點、事實和新聞等，形式豐富多樣。新浪微博自2009年8月上線以來，已經(jīng)成為我國最有影響力的自媒體平臺之一。在微博平臺上發(fā)布的有關(guān)經(jīng)濟的觀點或評論可以直接反映經(jīng)濟參與者對經(jīng)濟的主觀認知，覆蓋面廣，傳播速度快。本文提出了一種基于微博大數(shù)據(jù)的經(jīng)濟不確定性指數(shù)構(gòu)建方法，主要思想是利用人們實時發(fā)布的微博，判斷其對經(jīng)濟運行的主觀認知態(tài)度的不一致程度來衡量經(jīng)濟的不確定性。本文提出的方法能考慮到更多經(jīng)濟參與者對經(jīng)濟的主觀看法，數(shù)據(jù)量巨大，更能實時地體現(xiàn)經(jīng)濟不確定性程度的變化，從一定程度上解決經(jīng)典的經(jīng)濟不確定性測量方法中所不能解決的問題，為經(jīng)濟研究提供新的視角和新的發(fā)現(xiàn)。

二、文獻回顧

李華杰等將現(xiàn)有文獻中對經(jīng)濟不確定性的量化測度方法歸納為三類：代理指標替代法、主觀感知截面數(shù)據(jù)偏差法和狀態(tài)量估計法[5]。以國外研究文獻為例，第一類代理指標替代法是指利用能反映經(jīng)濟狀態(tài)的指標作為經(jīng)濟不確定性的替代指標。例如，Bloom利用由芝加哥期權(quán)交易所推出的股票市場波動率指數(shù)(VIX, Volatility Index)作為經(jīng)濟不確定性的替代指標，他發(fā)現(xiàn)在重大經(jīng)濟沖擊事件后都會出現(xiàn)VIX指數(shù)的峰值，且該指數(shù)與其他經(jīng)濟不確定性代理指標之間存在很強的正相關(guān)性[6]。另一個常用的經(jīng)濟政策不確定性(EPU, Economic Policy Uncertainty)指數(shù)由Baker等[7]提出，利用與經(jīng)濟政策不確定性相關(guān)的報道文章數(shù)量作為經(jīng)濟不確定性的替代指標。Dzielinski則考慮利用Google上與經(jīng)濟相關(guān)的關(guān)鍵詞搜索頻率來構(gòu)造經(jīng)濟不確定性指數(shù)[8]。這樣做的好處在于Google關(guān)鍵詞搜索頻率遠高于報紙上新聞報道的數(shù)量以及其中關(guān)鍵詞出現(xiàn)的頻率，且能反映公眾個人的經(jīng)濟行為或?qū)?jīng)濟活動的看法。第二類主觀感知截面數(shù)據(jù)偏差法則是利用微觀截面數(shù)據(jù)(以調(diào)查數(shù)據(jù)為主)挖掘出經(jīng)濟參與者對經(jīng)濟的主觀感受和預期，以個體差異的離散程度來衡量經(jīng)濟不確定性。例如Bachmann等[9]和Scotti[10]分別利用彭博調(diào)查數(shù)據(jù)和企業(yè)調(diào)查數(shù)據(jù)來構(gòu)造經(jīng)濟不確定性指標。第三類狀態(tài)量估計法則是將經(jīng)濟不確定性作為宏觀經(jīng)濟的內(nèi)部狀態(tài)量，通過狀態(tài)空間方程估計狀態(tài)值來獲得經(jīng)濟不確定性。這類方法依賴于模型和觀測數(shù)據(jù)的選取，對數(shù)據(jù)的質(zhì)量要求高，數(shù)據(jù)處理量大，計算復雜。

由于經(jīng)濟環(huán)境不同和數(shù)據(jù)的可得性受限，上述經(jīng)典經(jīng)濟不確定性指數(shù)構(gòu)建方法難以直接應用于中國經(jīng)濟不確定性指數(shù)的構(gòu)建。為了適應于中國經(jīng)濟研究，近年來對我國經(jīng)濟不確定性對宏觀經(jīng)濟影響的研究取得了很多成果。黃寧和郭平基于PVAR模型研究經(jīng)濟不確定性對我國宏觀經(jīng)濟的影響和地區(qū)差異[11]。金雪軍等運用FAVAR模型研究經(jīng)濟不確定性對宏觀經(jīng)濟的影響[12]。歐陽志剛等建立了時變VAR模型分析了經(jīng)濟不確定性對經(jīng)濟增長的影響[13]。許志偉和王文甫利用基于最大份額識別方法的結(jié)構(gòu)VAR模型分析經(jīng)濟不確定性對主要宏觀經(jīng)濟變量的影響[14]。這些文獻研究結(jié)果都發(fā)現(xiàn)經(jīng)濟不確定性的增加也會對我國經(jīng)濟增長、投資、消費、價格、出口等帶來短期的負向影響。然而，這些文獻采用的都是Baker等[7]基于中國香港《南華早報》(英文)每日新聞中相關(guān)報道文章數(shù)的比例所構(gòu)建的EPU指數(shù)作為我國經(jīng)濟不確定性的替代指標。為了更好地衡量我國的經(jīng)濟不確定性，Huang和Luk選取了10種具有代表性的中文報紙，編制了新版中國經(jīng)濟政策不確定性指數(shù)，使其更符合我國的經(jīng)濟發(fā)展形勢[15]。章上峰等用宏觀經(jīng)濟景氣指數(shù)作為我國經(jīng)濟不確定性的替代指標[16]。利用大數(shù)據(jù)時代的優(yōu)勢，還有很多文獻構(gòu)建了基于大數(shù)據(jù)的經(jīng)濟不確定性指數(shù)。馬丹等收集了60個月度宏觀經(jīng)濟指標和4個季度指標，運用含有潛變量的混頻動態(tài)因子隨機波動模型測算我國宏觀經(jīng)濟的不確定性[17]。杜龍波提出利用谷歌檢索趨勢值和我國特有的百度檢索指數(shù)值來衡量我國經(jīng)濟不確定性的方法[18]。這些方法都從不同角度衡量了我國經(jīng)濟不確定性的程度。

上述方法大多是利用宏觀經(jīng)濟指標或新聞報刊報道數(shù)比率來構(gòu)建經(jīng)濟不確定性指數(shù)。本文利用微博大數(shù)據(jù)提出了一種新的經(jīng)濟不確定性指數(shù)構(gòu)建方法，考慮了更多經(jīng)濟參與者的主觀看法，比主觀調(diào)查數(shù)據(jù)收集成本低、難度小，從新的角度量化了我國經(jīng)濟不確定性的程度。實證分析表明這種新的經(jīng)濟不確定性指數(shù)與已有文獻中的經(jīng)濟不確定性指數(shù)具有較高的一致性，并且對重大事件的發(fā)生有更為即時的反映。

三、基于微博大數(shù)據(jù)的經(jīng)濟不確定性指數(shù)構(gòu)建方法

本文的經(jīng)濟不確定性指數(shù)的構(gòu)建主要基于微博大數(shù)據(jù)中人們對經(jīng)濟不確定性的看法的刻畫。如前文所述，構(gòu)建的經(jīng)濟不確定性指數(shù)的一類方法是基于新聞指數(shù)，即通過統(tǒng)計一些新聞媒體關(guān)于經(jīng)濟不確定性報道的文章數(shù)目或關(guān)鍵詞出現(xiàn)頻率來作為經(jīng)濟不確定性的測度。這類方法容易受到選取新聞媒體和關(guān)鍵詞的主觀性影響。而微博的受眾群體廣泛，利用微博大數(shù)據(jù)構(gòu)造的經(jīng)濟不確定性指數(shù)能挖掘出更多經(jīng)濟參與者對我國經(jīng)濟的主觀認知，可以在一定程度上改進這個問題。

同時，不同于通過調(diào)查問卷收集到的主觀調(diào)查數(shù)據(jù)，微博文本數(shù)據(jù)中反映的公眾對經(jīng)濟的主觀認知是一個定性變量，無法通過計算其方差或標準差來構(gòu)建經(jīng)濟不確定性指數(shù)?？蓪⒐妼ξ覈?jīng)濟的看法劃分為“正向”“中立”和“負向”三種情感。考慮到每個月人們發(fā)布微博的數(shù)量不同，對第t個月，分別計算帶有正向情感和負向情感的微博占當月含有經(jīng)濟不確定性關(guān)鍵詞的微博總數(shù)的比例，并記為Rate+,t和Rate-,t。由不確定性的定義，公眾對經(jīng)濟持樂觀態(tài)度和悲觀態(tài)度的比例差異越小，說明經(jīng)濟不確定性程度越大，反之則越小?；谏鲜龇治觯瑯?gòu)建第t月的經(jīng)濟不確定性指數(shù)(EUI, Economic Uncertainty Index)如下：

EUIt=1-|Rate+,t-Rate-,t|

(1)

由式(1)定義的經(jīng)濟不確定性指數(shù)取值在[0,1]區(qū)間內(nèi)，對不同月份直接可比。

為了計算每個月的經(jīng)濟不確定性指標EUI，需要分別統(tǒng)計每個月帶有正向情感和負向情感的微博數(shù)量。由于微博數(shù)據(jù)量巨大，直接判斷每條微博的情感傾向并計數(shù)的成本過高，實現(xiàn)困難?？紤]到微博數(shù)據(jù)中可能存在用詞不規(guī)范和經(jīng)常誕生新詞匯等特性，本文采用長短期記憶(LSTM，Long Short-Term Memory)網(wǎng)絡模型來對每條微博進行情感分類。LSTM模型是循環(huán)神經(jīng)網(wǎng)絡模型的變體，具有良好的“記憶”能力，能學習并記憶上下文信息，在語言處理領(lǐng)域中具有獨特的優(yōu)勢。對于情感分類問題，滕飛等[19]、於雯和周武能[20]等文獻發(fā)現(xiàn)LSTM模型優(yōu)于基于情感詞典的分類方法和傳統(tǒng)的機器學習分類方法。

LSTM模型具有鏈式結(jié)構(gòu)，其中每個傳輸單元的結(jié)構(gòu)如圖1所示。

圖1 LSTM模型的單元結(jié)構(gòu)框圖

其中：xt表示當前的輸入數(shù)據(jù)，在本文中xt表示由微博短文本生成的詞向量；ht表示當前的隱藏單元的取值；ct表示當前的記憶單元的取值。LSTM模型利用記憶單元ct用于保存信息，以及三種類型的門(gate)——輸入門、遺忘門和輸出門——來控制信息的記憶和流動。分別用符號i,f,o表示輸入門、遺忘門和輸出門，W和b表示權(quán)重矩陣和偏置項。σ表示sigmoid函數(shù)。由圖1可知，每個門的作用及計算方式如下。

輸入門(input gate)用于決定當前時刻網(wǎng)絡的輸入xt有多少保存到單元狀態(tài)ct，其計算公式為

it=σ(Wi·[ht-1,xt]+bi)

其中[ht-1,xt]表示把兩個向量連接成一個更長的向量。

遺忘門(forget gate)用于決定上一時刻的單元狀態(tài)ct-1有多少保留到當前時刻ct，其計算公式為

ft=σ(Wf·[ht-1,xt]+bf)

輸出門(output gate)用于控制記憶單元值ct有多少輸出到ht，其計算公式為

ot=σ(Wo·[ht-1,xt]+bo)

當前時刻下的ct和ht值則由以下公式計算：

ct=it⊙tanh(Wc·[ht-1,xt]+bc)+ft⊙ct-1,ht=ot⊙tanh(ct)

其中⊙表示對應元素相乘。

LSTM模型中的參數(shù)由反向傳播算法迭代更新得到，最終輸出微博短文本的情感分類。

四、實證分析

(一)數(shù)據(jù)采集

本文選取新浪微博2013年1月1日至2019年6月30日的數(shù)據(jù)用于構(gòu)建我國月度經(jīng)濟不確定性指數(shù)EUI。以“中國經(jīng)濟”“國內(nèi)經(jīng)濟”“我國經(jīng)濟”“我國GDP”為關(guān)鍵字進行搜索，利用Python爬取新浪微博全網(wǎng)中包含關(guān)鍵詞的原始微博、微博文章和微博評論等數(shù)據(jù)，共計約170萬條。與構(gòu)建EPU指數(shù)方法用到的新聞報道文章不同，微博的參與者不僅限于官方媒體和新聞自媒體，更多的是普通民眾，因此存在一些用語不規(guī)范或完全沒有信息含量的微博短文本。本文旨在利用公眾對經(jīng)濟形勢的看法來構(gòu)建經(jīng)濟不確定性指數(shù)，因此只去掉重復和無關(guān)內(nèi)容，剩余有效數(shù)據(jù)共計超過150萬條。將每月含有關(guān)鍵詞的微博數(shù)量繪制折線圖如圖2所示。

圖2 每月含有關(guān)鍵詞的微博數(shù)據(jù)總量的折線圖

正如前文所言，微博是一個為人們提供發(fā)布自己的觀點、事實和新聞等的平臺，每當有重大事件發(fā)生或經(jīng)濟形勢發(fā)生變化時，更多的人會在微博平臺上發(fā)表自己的觀點或轉(zhuǎn)發(fā)自己支持的觀點。由圖2可以看出，微博數(shù)據(jù)量有三個明顯的波峰。2014年6月起，住建部發(fā)布一系列限購松綁的新政策，全國房地產(chǎn)市場復蘇。2014年底央行降息，中央經(jīng)濟工作會議指出中國經(jīng)濟進入新常態(tài)。這幾個重大事件的發(fā)生引起了人們的熱烈討論，微博數(shù)量迅速上升至波峰位置。2015年11月，習近平總書記發(fā)表演講，談到中國經(jīng)濟四個“沒有變”。12月4日，《人民日報》刊發(fā)了四位專家的文章，闡釋“四個沒有變”的深刻內(nèi)涵。2016年3月，全國兩會在北京召開，再次引發(fā)人們對中國經(jīng)濟的熱烈討論。2018年3月起，隨著中美貿(mào)易爭端的不斷升級，微博評論和轉(zhuǎn)發(fā)數(shù)量呈現(xiàn)明顯上升趨勢。2019年5月，中美關(guān)稅再次調(diào)整，美國對華為實施技術(shù)限制，多家美國科技企業(yè)宣布中止為華為供應關(guān)鍵軟件和零部件，國家發(fā)改委召開發(fā)布會回應當前經(jīng)濟熱點，再次引發(fā)熱議，微博數(shù)量達到最高峰。由此可見微博數(shù)據(jù)量與經(jīng)濟熱點事件有直接聯(lián)系，時效性非常強。正是考慮到這點，本文選取微博大數(shù)據(jù)用于構(gòu)造經(jīng)濟不確定性指數(shù)。

(二)微博數(shù)據(jù)情感分類

為了計算由式(1)定義的經(jīng)濟不確定性指數(shù)EUI，需要計算每月帶有正向和負向情感的微博比例。由于數(shù)據(jù)量巨大，由人工標注每條微博的情感分類成本非常高，且耗時長，不利于實時預測。因此本文利用LSTM模型對微博數(shù)據(jù)的情感分類進行學習和預測。首先對15萬條數(shù)據(jù)進行情感分類標注，將正向、中立和負向情感分別標記為1, 0, -1。利用這15萬條有標簽的數(shù)據(jù)進行模型訓練和測試，然后將訓練得到的模型應用于余下的135萬條數(shù)據(jù)，從而得到所有微博數(shù)據(jù)的情感分類標簽。表1展示了部分爬取到的微博數(shù)據(jù)及其情感分類。

表1 微博數(shù)據(jù)及其情感分類示例

如表1所示，微博內(nèi)容都以短文本的形式為主。我們首先需要將微博的短文本數(shù)據(jù)轉(zhuǎn)化成可用于訓練LSTM模型的數(shù)值型數(shù)據(jù)。本文采用常用的文本數(shù)據(jù)預處理方法，主要包括以下四個步驟。

(1)提取文字信息：去掉微博內(nèi)容中常常包含的符號、網(wǎng)址、表情等無用信息，僅保留文字。本文通過用正則化表達式制定的規(guī)則提取文字信息。

(2)進行中文分詞：把句子中的詞進行獨立劃分，便于讓計算機“理解”其含義。本文選用BosonNLP進行中文分詞，它是目前中文分詞工具中準確率最高的一種，對微博數(shù)據(jù)的分詞準確率達到93%。

(3)去停用詞：去掉短文本中的停用詞，例如文本中使用過于頻繁的詞“我”“今天”“是”等和沒有實際語義的詞如語氣詞“啊”“吧”“呢”，助詞“著”“了”“過”，連接詞“那么”“下面”“之后”等。本文采用的停用詞表來源于哈工大停用詞表、四川大學機器智能停用詞庫和百度停用詞表等，通過去除重復詞匯，選用了約1 800個停用詞。

(4)詞向量化：將第3步中分好的詞轉(zhuǎn)化成詞向量，作為LSTM模型的輸入向量。本文采用目前最常用的由Google公司開發(fā)的詞向量化工具Word2vec。

上述數(shù)據(jù)預處理的4個步驟中均用Python軟件予以實現(xiàn)。然后訓練LSTM模型進行情感分類。本文共有15萬條有情感標簽的數(shù)據(jù)，用其中的12萬條數(shù)據(jù)訓練模型，3萬條數(shù)據(jù)用于測試，以選定合適的參數(shù)。最終，模型中的主要參數(shù)設定如表2所示。

利用上述訓練好的模型，將其余的135萬條無標簽數(shù)據(jù)代入，即可得到每條微博的情感分類。利用LSTM模型對微博數(shù)據(jù)的情感進行分類的方法有利于實時計算和預測經(jīng)濟不確定性指數(shù)。

(三)基于微博數(shù)據(jù)的經(jīng)濟不確定性指數(shù)EUI

統(tǒng)計所有當月情感分類為“1”和“-1”的微博數(shù)據(jù)占當月(含有關(guān)鍵詞的)微博總數(shù)的比例，代入式(1)計算EUI。將計算得到的2013年1月至2019年6月的EUI繪制折線圖(圖3)。

圖3 經(jīng)濟不確定性指數(shù)EUI的折線圖

對比圖2和圖3，可以看出EUI的趨勢和峰值位置與微博數(shù)量有相似之處。例如，2014年年中和年末房地產(chǎn)市場限購限貸松綁政策的發(fā)布，中央經(jīng)濟工作會議指出中國經(jīng)濟進入新常態(tài)、2015年6月股市暴跌、2016年年初全國兩會召開，在這些經(jīng)濟大事件發(fā)生的時點附近，EUI均處于波峰位置。2017年全國經(jīng)濟處于平穩(wěn)時期，因此EUI值相對較低。2018年3月起，隨著中美貿(mào)易摩擦的不斷升級，EUI值連續(xù)攀升。同年9月美國對價值2 000億美元的中國輸美商品征收10%的關(guān)稅，中美貿(mào)易順差達到歷史最高值，有可能進一步加劇中美之間的貿(mào)易摩擦，EUI達到峰值。同時，也有一些引起微博熱議的事件，對應的EUI值并不高，例如2015年11月，習近平總書記發(fā)表演講中國經(jīng)濟四個“沒有變”和2019年5月中美貿(mào)易爭端的再次升級。這是因為對這些事件的微博評論的情感極性大多相同。因此，利用微博數(shù)據(jù)的情感分類構(gòu)造經(jīng)濟不確定性指數(shù)比直接用微博數(shù)量更能反映經(jīng)濟不確定性的定義。

(四)與其他經(jīng)濟不確定性指數(shù)的相關(guān)性分析

現(xiàn)有文獻中最常用的經(jīng)濟不確定性指數(shù)為Baker等[7]編制的中國經(jīng)濟政策不確定性(EPU)指數(shù)。中國EPU指數(shù)由網(wǎng)站http://www.policyuncertainty.com/提供。為了比較EUI與EPU指數(shù)，本文將EPU指數(shù)以1995年1月為基準轉(zhuǎn)化為定基指數(shù)。將2013年1月至2019年6月的EUI和定基EPU指數(shù)繪制成折線圖，如圖4所示。

圖4 經(jīng)濟不確定性指數(shù)EUI與經(jīng)濟政策不確定性指數(shù)EPU的對比圖

由圖4顯示，EUI和EPU指數(shù)的變化趨勢基本相似，且在重大經(jīng)濟事件發(fā)生的時點附近都會出現(xiàn)峰值。這說明EUI能夠較好地反映經(jīng)濟的變化趨勢。如圖3中顯示出的2014年年中和年末、2015年6月、2016年年初和2018年9月。相比而言，EPU指數(shù)普遍會比EUI的峰值滯后2～3個月。這與兩種指數(shù)的定義直接相關(guān)。EPU指數(shù)是通過報紙上的新聞報道收集的與“經(jīng)濟”“政策”和“不確定性”相關(guān)的信息，而EUI是通過微博這種新興的網(wǎng)絡自媒體平臺收集的相關(guān)信息。因此相比于EPU指數(shù)，EUI更具有時效性。

為進一步說明本文所構(gòu)造的EUI指數(shù)的合理性，參考杜龍波[18]的做法，將EUI與其他衡量經(jīng)濟不確定性的指數(shù)進行比較。其中應用最廣泛的經(jīng)濟不確定性指數(shù)是芝加哥期權(quán)期貨交易所使用的市場波動性指數(shù)(VIX)和股票收益率的方差(VP)，以及通過問卷調(diào)查的方式來直接表示公眾對經(jīng)濟形勢的態(tài)度構(gòu)造的消費者信心指數(shù)(CCI)和基金經(jīng)理信心指數(shù)(FMI)。表3中總結(jié)了各個指數(shù)的均值、方差和相關(guān)系數(shù)。VIX指數(shù)來自網(wǎng)站https://stockcharts.com/，VP和FMI來自RESSET金融研究數(shù)據(jù)庫，CCI來源于國家統(tǒng)計局網(wǎng)站。

表3中的結(jié)果顯示，EUI與VIX和VP都呈正相關(guān)關(guān)系(相關(guān)系數(shù)分別為0.49和0.35)。但它們也有顯著的不同，VIX和VP更多地反映了金融市場的波動，EUI則更多地反映了經(jīng)濟參與者們對宏觀經(jīng)濟的主觀認知。將EUI與CCI和FMI相比，它們的相關(guān)系數(shù)均為負。CCI和FMI均反映的是經(jīng)濟參與者對當前經(jīng)濟的評價和對未來經(jīng)濟的預期，是預測經(jīng)濟走勢和股票市場運行方向的重要先行指標，值越大表示預期越樂觀。當經(jīng)濟不確定性高時，CCI和FMI相對較低，符合實際經(jīng)濟意義。

表3 其他衡量經(jīng)濟不確定性指數(shù)的描述性統(tǒng)計

(五)經(jīng)濟不確定性對宏觀經(jīng)濟的影響分析

本節(jié)利用構(gòu)建的經(jīng)濟不確定性指標EUI，建立向量自回歸(VAR)模型來分析經(jīng)濟不確定性對宏觀經(jīng)濟的影響。選擇投資、消費、進出口以及物價水平作為主要宏觀變量的代表，變量含義和符號由表4具體給出。數(shù)據(jù)均來自于我國國家統(tǒng)計局數(shù)據(jù)網(wǎng)站，時間跨度從2013年1月至2019年6月，共計78條月度數(shù)據(jù)。

表4 變量符號表示及其含義

利用ADF檢驗對表4中的五個變量進行平穩(wěn)性檢驗，結(jié)果說明EUI、IR和IER均為平穩(wěn)序列，CR和CPIR為趨勢平穩(wěn)序列。將去掉CR和CPIR序列中的固定時間趨勢后得到的序列分別記為CR_dt和CPIR_dt，重新檢驗得知均為平穩(wěn)序列。

為了探究宏觀經(jīng)濟變量之間的相互影響關(guān)系，首先對上述變量進行格蘭杰(Granger)因果關(guān)系檢驗。從表5中的結(jié)果可以看出，在10%的顯著性水平下，經(jīng)濟不確定性指數(shù)EUI是社會消費品零售總額增長率的格蘭杰原因，并且和進出口總值增長率互為格蘭杰原因。

表5 格蘭杰因果檢驗結(jié)果

根據(jù)AIC、BIC信息準則和對模型結(jié)果的綜合評價，選擇滯后期為1的向量自回歸模型VAR(1)。根據(jù)模型的估計結(jié)果，得到特征方程的特征根均位于單位圓內(nèi)，說明所構(gòu)建的VAR(1)模型穩(wěn)定，由此進一步進行脈沖響應分析。給經(jīng)濟不確定性指數(shù)EUI一個標準差單位的正向沖擊，可以得到圖5中的脈沖響應函數(shù)。

圖5 經(jīng)濟不確定性指數(shù)對宏觀經(jīng)濟變量的脈沖響應函數(shù)

其中橫軸表示各經(jīng)濟變量對不確定性沖擊的響應的滯后期數(shù)(單位：月)，縱軸表示響應的數(shù)值大小。實線表示各宏觀經(jīng)濟變量在不同滯后期數(shù)響應的程度，虛線表示正負兩倍的標準差偏離范圍。由圖5中的結(jié)果可知，當經(jīng)濟不確定性受到一個標準差單位的正向沖擊后，進出口和消費的響應程度是最大的，價格和固定資產(chǎn)投資的響應程度較小。并且，經(jīng)濟不確定性對進出口和消費都造成了負面的影響。進出口對不確定性沖擊的響應在第一個月就出現(xiàn)，小幅度上升后從第二個月開始迅速下降，到第三個月達到最低值后持續(xù)緩慢地回升，在20個月后逐漸趨于零。這說明不確定性對進出口貿(mào)易的負面影響在前三個月最明顯，這樣的負面影響大概將持續(xù)兩年。這與魯曉東和劉京軍[21]等文獻中得到的結(jié)論一致。而消費對不確定性沖擊的響應有一個月的滯后，從第二個月開始迅速下降，同樣到第三個月達到最低值后，經(jīng)過兩年左右逐漸回歸至正常水平。

進一步地，我們利用方差分解分析由經(jīng)濟不確定性沖擊而引起的宏觀經(jīng)濟變量變動的貢獻程度，結(jié)果如表6所示。除了各宏觀經(jīng)濟變量自身變化的貢獻外，經(jīng)濟不確定性對各宏觀經(jīng)濟變量變動的貢獻程度最大的是進出口，截至第十二個月，方差貢獻率超過了12%；對消費的貢獻程度次之，大約為8.2%。經(jīng)濟不確定性對價格和固定資產(chǎn)投資的貢獻最小，均不超過1%。這與脈沖響應分析的結(jié)果一致。

表6 不確定性對各宏觀經(jīng)濟變量變動的貢獻度

五、結(jié)論與啟示

本文提出一種基于微博大數(shù)據(jù)的我國經(jīng)濟不確定性指數(shù)構(gòu)建方法，主要思想是利用人們對經(jīng)濟形勢的主觀認知態(tài)度的不一致程度來衡量經(jīng)濟的不確定性。考慮到微博是我國最有影響力的自媒體平臺之一，微博觀點或評論可以直接反映經(jīng)濟參與者對經(jīng)濟的主觀認知，覆蓋面廣，傳播速度快，本文構(gòu)建的經(jīng)濟不確定性指數(shù)能考慮到更多經(jīng)濟參與者對經(jīng)濟的主觀看法，更能實時地體現(xiàn)經(jīng)濟不確定性程度的變化，為經(jīng)濟研究提供新的視角和新的發(fā)現(xiàn)。由于數(shù)據(jù)量巨大，本文采用了LSTM模型對微博數(shù)據(jù)的情感傾向進行判斷，有利于經(jīng)濟不確定性指數(shù)的實時計算和預測。

從結(jié)果來看，對于重大事件的發(fā)生，本文構(gòu)建的經(jīng)濟不確定性指數(shù)EUI都有即時的反映，如2014年年中和年末房地產(chǎn)市場限購限貸松綁政策的發(fā)布，中央經(jīng)濟工作會議指出中國經(jīng)濟進入新常態(tài)、2015年6月股市暴跌、2016年年初全國兩會召開，和2018年9月中美貿(mào)易摩擦加劇，這些大事件的發(fā)生引發(fā)人們在微博上的熱烈討論，基于微博評論數(shù)據(jù)構(gòu)建的EUI在時間發(fā)生的同月達到峰值。將EUI與其他常用的經(jīng)濟不確定性指數(shù)進行對比，發(fā)現(xiàn)其與不確定性代理指數(shù)VIX、VP具有較強的正相關(guān)性，與經(jīng)濟政策不確定指數(shù)EPU具有較強的一致性，且EUI的時效性更強。最后，本文通過建立向量自回歸模型，研究了基于EUI衡量的經(jīng)濟不確定性對我國宏觀經(jīng)濟的影響。結(jié)果表明，經(jīng)濟不確定性對進出口和消費有顯著的負向影響。進出口對不確定性的響應在第一個月就出現(xiàn)，小幅度上升后迅速下降，到第三個月達到最低值后，大約持續(xù)兩年時間。消費對不確定性沖擊的響應有一個月的滯后，從第二個月開始迅速下降，同樣到第三個月達到最低值后持續(xù)兩年左右逐漸回歸至正常水平。