基于海关进口额的中国近代经济波动分析

      一、问题的背最

      历史资料显示，近代中国的经济活动也存在着繁荣与衰退的交替，即存在着经济周期的现象。宏观经济学的主要任务之一就是分析和解释这种周期性经济波动产生的原因及传导机制。到目前为止关于经济周期理论已有几十种之多，不同经济波动理论的主要分歧在于是从外部因素还是从内部因素对波动进行解释，内生论认为，经济周期产生于经济体系内的原因；外生论认为，经济周期产生于经济体系外的原因。这当中，凯恩斯学派(keynesians)和新古典学派(neoclassicais)最为有名，凯恩斯主义的经济周期理论属于内生论，新古典学派的真实经济阂期理论属于外生论。

      刘佛丁先生曾经对中国近代经济的周期和波动做了较为详细的研究。刘先生采用各种价格指标和进出口贸易指标，利用康德拉季耶夫周期的计算方法，考察了中国近代经济史上的经济波动现象。本文在利用刘先生数据的基础上，通过时间序列模型对不同经济波动理论加以验证。

      二、模型的选取

      本文主要是从新古典学派的真实经济周期(real business cycle)理论的视角，即RBC理论出发来研究近代中国的经济波动情况。RBC特别强调实际冲击（如技术变革）而非货币冲击是经济波动的根源，强调供给而非需求冲击对经济波动的作用，认为总产量和就业的波动是由生产技术的较大随机变化引起的，是行为人面对技术冲击做出理性选择的结果。

      特别假定下的RBC认为在一阶自回归AB(1)的技术冲击下，某个经济体的总产出表现为二阶自回归AR(2)过程的时间序列。因此对经济波动的分析就可以采用博克斯和詹金斯(Box and Jenkins 1970)开创的时间序列分析方法进行验证。

      宏观经济变量如总产出之类的时间序列数据，通常呈现出一定的规律性和序列相关性。以国民生产总值为例，如果它可以被一般地表示为：

      附图

      式中代表国民生产总值，是随机误差，则称该模型为(p,q)阶自回归移动平均模型，记为ARMA(p,q)。随机项服从均值为0，方差为的正态分布，是白噪声序列。当模型中的（差分算子）来代替时，则称该模型为单整自回归移动平均模型，记为ARIMA(p,d,q)。如果经济变量自身是平豫的，可以直接建立ARMA模型，则可以认为在短期内，各种冲击有可能对经济运行产生明显的震荡，但从长期的观点来看，经济运行本身可以依赖自身的力量去调整恢复，这种建模方式反映了凯恩斯主义的观点。相反，如果ARIMA模型同事实更为吻合的话，说明外部冲击可能对经济运行造成持久的影响，经济运行很难自行调节回到受冲击之前的状态，这恰恰反映了RBC理论的观点。如果我们依据RBC观点建立的模型能够通过检验，那么就可以从一个侧面间接证明RBC理论。

      三、数据的选取与模型的验证

      对中国近代经济史研究最大的困难在于原始数据的缺乏，既缺乏国民生产总值的连续数字，也没有各部门产值、产量等指标的完整数据。本文采用中国进口贸易额作为替代变量，以此分析整个经济波动的情况。这是因为：第一，在当时所有的统计数字中，由海关统计的进出口贸易额时间序列最长，可信度最高；第二，一个国家的进出口额变动是同该国经济状况密切相关的。国内经济增长时，对进口消费品和生产资料的需求会相应增加，而当国内经济不景气时，对进口品的需求也会相应减少。

      表1

      附图

      （数据来源：转引《中国近代经济发展史》，刘佛丁，1999）

      1901-1932年间海关统计的进口贸易额，数据按1936年不变价格做了调整，见表1。

      数据分析使用Eviews3.1。

      对进口额（以im表示）数据做折线图：

      附图

      图1

      由图1可见，在1920年代以后，im序列存在明显的上升趋势。数据不平稳，ARMA模型可能不适用。

      为谨慎起见对im做单位根检验(c,0,0)：

      表2

      ADF Test Statistic

       -0.732387

       1% Critical Value*

       -3.6852

       5% Critical Value

      　-2.9705

      10% Critical Value

      　-2.6242

      可见，im在10%的显著性水平下也不能通过检验，序列存在单位根。

      对数据做一阶差分，令dim=im-im(-1)，对dim做折线图：

      附图

      图2

      由图2可见，一阶差分后，dim已经消除了趋势，做单位根检验(c,0,0)：

      表3

      ADF Test Statistic

       -3.863289

       1% Critical Value*

       -2.6522