监测亚洲的需求和供应：一种行业层面的方法（英）

监测亚洲的需求和供应 行业层面的方法 克里斯·雷德尔 WP/23/203 国际货币基金组织的工作文件描述了作者正在进行的研究，并发表以征求意见和鼓励辩论。 IMF工作文件中表达的观点是作者的观点，不一定代表IMF ，其执行局或IMF管理层的观点。 2023 OCT ©2023国际货币基金组织WP/23/203 货币基金组织工作文件 亚洲及太平洋部 监测亚洲的需求和供应：行业层面的方法 由ChrisRedl编写* 授权由S.JayPeiris分发 2023年10月 国际货币基金组织的工作文件描述了作者正在进行的研究，并发表以征求意见和鼓励辩论。IMF工作文件中表达的观点是作者的观点，不一定代表IMF，其执行局或IMF管理层的观点。 摘要：本文根据Shapiro（2022）的基于预测误差的方法，将GDP及其平减指数分解为12个亚洲国家，美国和欧洲的需求和供应驱动成分。我们通过以下方式扩展了该方法：（1）考虑了广泛的统计预测模型，并使用了每个国家的最佳模型；（2）提供了衡量特殊需求和供应变动的方法。例如，后者区分了总需求驱动的通货膨胀和仅由少数部门的大冲击驱动的通货膨胀。我们发现，2020年的封锁是由亚洲的需求和供应冲击共同造成的，但特殊的需求冲击在一些国家发挥了重要作用。供应因素在COVID后的复苏中发挥了重要作用，主要是在2021年，需求因素在2022年变得更加重要。2021-22年通胀大幅上升期间的冲击组合因国家而异，大型和发达经济体普遍经历了更多的供应冲击（中国，澳大利亚，韩国），而新兴市场则出现了巨大的需求压力推动价格上涨（印度尼西亚，马来西亚，菲律宾，越南，泰国）。我们在两个应用程序中说明了行业级冲击的有用性。首先，我们考虑行业供给冲击是否造成了总体价格和数量的类似需求的变动，即所谓的凯恩斯主义供给冲击。我们在我们的亚洲样本中的少数国家以及欧洲和美国发现了这种机制的证据，但这些结果是由COVID-19事件驱动的。其次，我们利用行业冲击的粒度构建国家层面的GDP冲击，由行业层面的特质运动驱动，研究样本中中国、欧洲和美国三大经济单元的跨国增长溢出效应。 JEL分类编号：E17、E31、E66、E32关键字:通货膨胀；需求；供给；机器学习；溢出效应。作者的电子邮件地址： *我们感谢ThomasHelbling，KrishnaSrinivasan和YanCarriere-Swallow的有益评论。所有错误和遗漏都是我们自己的。 工作文件 监测亚洲的需求和供应 行业层面的方法 作者：ChrisRedl1 1“作者要感谢”脚注，如适用。 Contents 1. 1.1 2. 2.1 2.1.1 2.1.2 2.2 2.2.1 2.3 3. 4. 5. 6. 6.1 6.2 7. 1.Introduction 监测需求和供给之间的平衡是货币、财政和金融政策决策的基础。然而，自2019年以来，这种冲击冲击了全球经济，在封锁期间，实际GDP增长急剧下降，但大多是暂时的，随后通货膨胀率连续十年高位上升，使这项任务变得更加困难和紧迫。本文根据Shapiro （2022）基于预测误差的方法，将12个亚洲国家，美国和欧洲的GDP及其平减指数分解为需求和供给。这种方法使用行业层面的价格和数量指数的粒度数据，将每个行业分为供应或需求。然后，GDP和通货膨胀率的总分解将作为行业增长率的加权平均值。这与经验宏观经济学中用于此类分解的主导范式不同，即结构VAR（SVAR）模型（请参阅Ramey2016），该模型通常仅使用GDP和价格的汇总数据。 与传统的SVAR方法相比，我们在这里采用的自下而上的部门需求/供应分解方法具有许多优势。首先，在研究COVID-19冲击时 ，确定行业层面的供需冲击很重要，因为这可以防止总需求冲击与大的部门供给冲击混为一谈，而大的部门供给冲击会由于部门之间的互补性而引起需求，如总体价格和数量的反应-所谓的凯恩斯主义供给冲击（Gerrieri等人（2022））。其次，数据的细粒度为总量层面的分解提供了自然的叙述，因为我们可以指出解释需求或供给组合的具体部门。 第三，我们通过区分需求或供应的特殊运动与代表大多数部门的运动来扩展方法。我们表明，这种区别对于思考COVID-19时期的冲击很重要。最后，当Shapiro使用线性自回归模型时，我们扩展了他的方法，考虑了广泛的机器学习模型，使用每个国家的最优模型。这种方法允许我们在一个环境中自动合并一个大的信息集，在这个环境中，很难为每个变量提供信息先验，也很难解释非线性2。 我们的研究结果有助于理解COVID-19冲击的经济后果，并为决策者提供实时校准政策的有用信息。我们发现，2020年的封锁是由亚洲的需求和供应冲击共同造成的，但特殊的需求冲击在一些国家(印度和印度尼西亚)发挥了重要作用。供应因素在COVID后的复苏中发挥了重要作用，主要是在2021年，需求因素在2022年变得更加重要。我们使用我们的分解来研究2021-22年通胀的急剧上升，发现冲击的组合因国家而异，大型和发达经济体普遍经历了更多的供应冲击（中国，澳大利亚，韩国），而新兴市场则出现了巨大的需求压力推动价格上涨（印度尼西亚，马来西亚，菲律宾，越南，泰国）。然而，印度尼西亚的大部分增长是特殊的，是由单一的商品相关部门推动的。这种区别很重要，因为中央银行提高利率以减少面对的通货膨胀。 2将Shapiro（2022）的方法扩展到许多国家的环境中，需要对大量行业进行行业水平预测，而计量经济学家可能对哪些预测因素很重要没有先验的了解。此外，对于最大粒度，每个国家/地区的部门数量不同（因为每个统计机构提供的详细信息不同）。在我们的例子中，我们有14个国家/地区的218个部门来建立预测模型。机器学习模型使我们能够有效地做到这一点，而无需在所有国家/地区应用相同的预测变量集。 与在广泛的部门中面临高需求时相比，各部门之间不对称的冲击将面临更大的牺牲率3(Guerrieri、Lorenzoni和Straub(2021))。 我们在两个应用程序中说明了行业级冲击的有用性。首先，我们考虑行业供给冲击是否造成了总体价格和数量的类似需求的变动，即所谓的凯恩斯主义供给冲击。我们在我们的亚洲样本中的少数国家以及欧洲和美国发现了这种机制的证据，但这些结果是由COVID-19事件驱动的。其次，我们利用行业冲击的粒度构建国家层面的GDP冲击，由行业层面的特质运动驱动，研究样本中中国、欧洲和美国三大经济单元的跨国增长溢出效应。除了对亚洲的溢出效应外，我们发现来自中国的短期（1年内）增长溢出效应的证据有限 。我们估计中期溢出效应（2年）与文献一致，GDP4水平下降约0.3％。我们发现，来自欧洲和美国的增长溢出在短期和中期都很重要，一个标准差为0.4％，但这可能反映了后者的样本期较短5。 1.1Literature 将宏观经济变量分解为需求和供给有两种广泛的方法：动态随机一般均衡（DSGE）和SVAR模型。估计的DSGE模型是大多数中央银行和经济政策机构的政策工具包的基本要素6。这些模型代表了政策实验的经济理论的内部一致表示（Güraya和Tille （2017））。但是，这种一致性是以对数据施加大量建模假设为代价的，其中一些假设可能不太适合新颖的冲击（例如g.COVID -19）。因此，诸如SVAR模型之类的数据驱动方法是对DSGE获得的分解的有用补充。 本文的经验方法与提取需求/供给冲击的SVAR传统最密切相关。Blachard和Qah（1989）以他们有影响力的想法开始了这一传统，他们将供应冲击确定为对产出具有永久影响的冲击，而所有暂时的干扰都归因于需求。随后提出了许多用于SVAR的替代识别方案。然而，绝大多数被用来确定更具体的冲击，而没有具体提到它们是需求还是供应，如货币政策冲击、财政政策冲击、技术和石油冲击7。在Blachard和Qah（1989）之后，最有影响力的识别通用需求或供应冲击的方法是使用符号限制（由Uhlig（2005 ）推广）来识别供应冲击，因为它们会导致价格和数量的变动。符号相反，需求冲击与具有相同符号的冲击（最近的例子。 3逻辑类似于成本推动冲击的情况。如果所有其他部门都有封闭的产出缺口，并且只有一个部门有很大的正产出缺口，那么提高利率就需要在一系列部门中产生负产出缺口，以抵消单个部门的超额需求。Gerrieri、Lorezoi和Strab(2021)的研究表明，各部门之间的不对称需求冲击打破了简单新凯恩斯模型中的神圣巧合，类似于标准模型中的成本推动冲击。 4颗粒冲击的一个标准差是中国增长94个基点，欧洲和美国增长60个基点。因此，美国或欧洲的1pp冲击将意味着溢出效应接近中国1pp冲击的两倍。 5美国的溢出效应分析受到一个短样本的抑制，该样本涵盖了2011-2019年商业周期相对平稳的时间段。欧洲和中国样本始于2006年，因此包括2007-8年的全球金融危机以及2009-10年的欧洲债务危机。 6ProminentexamplesincludeLaxtonandother(2010),BoardofGovernors(2017),DelNegroetal.(2013),Burgessandothers(2013),andSmetsandWouters(2003).SeeGürkaynakandTille(2017),forarecentreview.7参见Ramey(2016)的评论。 包括Bitro和Vesperoi(2015)，福布斯等(2018))。与此SVAR文献一致，Shapiro方法使用预测误差的符号将给定季度的产出或价格变动分配为供应驱动（价格和数量误差向相反方向移动）或需求驱动（误差向同一方向移动）。这种方法的好处是可以轻松应用于单方程模型，而无需对预测误差进行交叉方程限制，以得出对需求与供给的解释（如Blachard和Qah（1989）方法）。因此，可以在确定它们之间的限制的大量方程式中使用（i。e.在所有部门)可能不容易找到。 如上所述，我们使用一系列统计学习模型扩展了Shapiro（2022）的线性自回归模型，使用每个国家的最优模型。关于机器学习模型在经济学中的应用的新生文献提供了证据，表明这些技术具有改善宏观预测的潜力，请参见Colombe等人（2019）的评论。例子包括Joseph等人(2021)的通货膨胀，Smalter和Coo(2017)的失业和Sermpiis等人。(2014)对失业率和通胀的预测。许多论文对宏观预测中的不同技术进行了比较分析，例如Che（2019），Giaoe等（2021）和Kalamara等（2022）。人们也越来越有兴趣利用这些高性能的预测技术来为结构分析提供信息，例如AtheyadImbes（2015）和Joseph（2019）。本文旨在通过对一组在文献中受到较少关注的国家进行比较模型测试来为该文献做出贡献，并使用符号受限的SVAR中使用的相同识别方案来提取有关冲击的信息。 首先，我们考虑凯恩斯主义的供应冲击是否发生在亚洲，其次，我们使用行业层面的冲击来构建工具变量来研究美国，欧洲和中国的冲击带来的增长溢出效应。 Gerrieri等人（2022）介绍了凯恩斯供给冲击理论——少数甚至单一部门的大供给冲击，可以通过互补性以及收入效应，在总体价格和数量上诱发类似需求的反应。Cesa-Biachi和Ferrero（2021）提供了美国这一渠道的经验证据，并发现即使在COVID-19冲击之外，它也是活跃的。鉴于给定部门的需求和供应冲击是正交的，但不一定与其他部门的冲击有关，因此我们分析中产生的部门层面冲击非常适合研究这个问题。这意味着它们有可能提供证据，证明一个部门的供应冲击会引起总需求冲击。我们在我们的亚洲样本中的少数国家以及欧洲和美国发现了这种机制的证据，但这些结果完全可以通过COVID-19事件来解释。 在行业层面确定的冲击可能与影响所有冲击的共同冲击相关，例如全球冲击或影响