王 星

重慶工商大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院,重慶 400067

1 引 言

由Sim[1]提出的向量自回歸模型(VAR)廣泛應(yīng)用于包括多元時(shí)間序列分析、貨幣政策效應(yīng)分析等宏觀經(jīng)濟(jì)研究中,但該模型只能包含有限的變量,在高維數(shù)據(jù)情形下會(huì)產(chǎn)生數(shù)據(jù)信息不全、誤差增大、預(yù)測(cè)精度降低等問(wèn)題。為了彌補(bǔ)這一缺陷,Koop等[2]提出將貝葉斯方法中的先驗(yàn)分布引入VAR模型中,從而建立貝葉斯向量自回歸模型(BVAR)。先驗(yàn)信息為模型增加了額外的數(shù)據(jù)結(jié)構(gòu),使模型參數(shù)的不確定性降低并顯著增強(qiáng)了樣本外預(yù)測(cè)性能。然而,先驗(yàn)分布的具體選擇和超參數(shù)的確定始終為該類(lèi)模型的難點(diǎn),對(duì)此,國(guó)內(nèi)外學(xué)者提出了許多解決辦法。

Litterman[3]在其研究中發(fā)現(xiàn),在包含6個(gè)變量的VAR模型中應(yīng)用貝葉斯收縮可以顯著提高預(yù)測(cè)準(zhǔn)確性;Miranda等[4]提出共軛先驗(yàn)分布同樣能夠有效地估計(jì)模型,達(dá)到極高的預(yù)測(cè)精度并在一般的宏觀經(jīng)濟(jì)分析中表現(xiàn)出較好的性能。為了降低先驗(yàn)分布的主觀性,Giannone等[5]利用分層建模思想,基于已有數(shù)據(jù)集,運(yùn)用馬爾可夫鏈蒙特卡洛(MH)算法提取先驗(yàn)信息;Carriero等[6]提出在正態(tài)-逆Wishart分布的前提下,利用模型系數(shù)的后驗(yàn)方差Kronecker結(jié)構(gòu)和蒙特卡洛算法可以有效地模擬多步預(yù)測(cè)密度函數(shù);Banbura等[7]從更實(shí)際的角度出發(fā),考慮一組與能源消費(fèi)變化關(guān)聯(lián)性較強(qiáng)的變量,并在此基礎(chǔ)上評(píng)估不同先驗(yàn)分布BVAR模型的泛化能力和有效性,其中正態(tài)-逆Wishart分布的表現(xiàn)尤其出色;而Sims等[8]同樣發(fā)現(xiàn)將正態(tài)-逆Wishart先驗(yàn)分布與VAR模型相結(jié)合,經(jīng)優(yōu)化,其緊密性和滯后長(zhǎng)度得出的BVAR模型符合預(yù)期。

盡管Banbura[7]和Sims[8]提出的BVAR模型展現(xiàn)了良好的效果,但當(dāng)數(shù)據(jù)呈現(xiàn)高維情形時(shí),模型難以在較多變量下保持準(zhǔn)確估計(jì)。因此,本文考慮在傳統(tǒng)VAR模型中運(yùn)用貝葉斯收縮建立BVAR模型,其中先驗(yàn)分布根據(jù)具體研究問(wèn)題由MH算法從以往數(shù)據(jù)集中提取超參數(shù)來(lái)確定,并且當(dāng)變量增加時(shí),通過(guò)設(shè)定與模型尺寸相關(guān)的收縮程度以保留相關(guān)樣本信息的同時(shí)控制過(guò)度擬合。

另一方面,BVAR模型在實(shí)際運(yùn)用中容易受到面板時(shí)間序列數(shù)據(jù)的制約,Fan[9]認(rèn)為,這類(lèi)數(shù)據(jù)不是一個(gè)線性隨機(jī)過(guò)程,而是由時(shí)變、高階矩結(jié)構(gòu)、非對(duì)稱(chēng)周期等非線性動(dòng)力學(xué)性質(zhì)產(chǎn)生的,數(shù)據(jù)在時(shí)間序列中可能存在跳躍或斷裂。為了使BVAR模型能夠應(yīng)用在時(shí)間序列分析中,Hamilton[10]提出的馬爾可夫區(qū)制轉(zhuǎn)移自回歸模型是目前應(yīng)用較廣泛的選擇,該模型可以較好地?cái)M合數(shù)據(jù)出現(xiàn)跳躍或斷裂的時(shí)間序列。Krolzig[11]將Hamilton模型推廣到馬爾可夫區(qū)制轉(zhuǎn)移向量自回歸模型(MS-VAR)和馬爾科夫區(qū)制轉(zhuǎn)移誤差修正模型(MS-VECM),MS-VECM模型在估計(jì)變量受限模型框架的長(zhǎng)期關(guān)系時(shí)更加靈活,并且由于該模型具有時(shí)變的動(dòng)態(tài)特征,對(duì)市場(chǎng)變化的適應(yīng)性更強(qiáng)。但在MS-VAR模型的基礎(chǔ)上建立的MS-VECM模型仍然具有傳統(tǒng)VAR模型的局限性,因此本文在改進(jìn)的BVAR模型基礎(chǔ)上,將MS-VAR模型推廣為MS-BVAR模型,并基于該模型建立MS-BVECM模型。

為了驗(yàn)證改進(jìn)后模型的有效性,本文以重慶市為例,研究其能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)升級(jí)和經(jīng)濟(jì)增長(zhǎng)的動(dòng)態(tài)關(guān)系,并對(duì)各項(xiàng)指標(biāo)進(jìn)行相關(guān)預(yù)測(cè)。

2 模型簡(jiǎn)述

2.1 傳統(tǒng)向量自回歸模型

向量自回歸模型(VAR)是單變量自回歸模型的推廣,較后者能夠更充分考慮滯后值之間的相互依賴(lài)關(guān)系,通常作為研究動(dòng)態(tài)沖擊效應(yīng)的工具。有限p階的VAR模型可表示為

yt=Ac+A1yt-1+A2yt-2+…+Apyt-p+εt

(1)

其中,t=1,2,…,T;AT=[Ac,A1,…,AP];εt～N(0,∑)為N×M維誤差協(xié)方差矩陣。

若定義一個(gè)由截距項(xiàng)和滯后p階的解釋變量組成的矩陣

則式(1)可改寫(xiě)為

yt=ATxt+εt

(2)

VAR模型以伴隨形式表示多步預(yù)測(cè),即

(3)

在高維情形下,高密度參數(shù)化導(dǎo)致維數(shù)災(zāi)禍的風(fēng)險(xiǎn)急劇上升,因此如何改進(jìn)傳統(tǒng)VAR模型,使其能在變量增加時(shí),通過(guò)設(shè)定與模型尺寸相關(guān)的收縮程度以保留相關(guān)樣本信息的同時(shí)控制過(guò)度擬合成為了關(guān)鍵。

2.2 先驗(yàn)分布的設(shè)定

為了處理向量自回歸模型普遍存在的維數(shù)災(zāi)禍問(wèn)題,引入先驗(yàn)信息概念,從而降維數(shù)據(jù)成為眾多學(xué)者的選擇。此處采用Kadiyala[12]和Robertson[13]的方法,為傳統(tǒng)BVAR模型設(shè)置正態(tài)-逆Wishart共軛先驗(yàn)分布,即

A|∑～N(A0,∑?Ω0)∑～I(xiàn)W(S0,V0)

(4)

該分布保留了Minnesota先驗(yàn)分布的基本準(zhǔn)則,同時(shí),由于正態(tài)-逆Wishart先驗(yàn)分布為共軛先驗(yàn)分布,該模型的條件后驗(yàn)分布也為N-IW分布,即

(5)

其中,

以及

2.3 BVAR模型參數(shù)估計(jì)過(guò)程

概率轉(zhuǎn)移函數(shù)為

β(xt+1|xt)=q(xt+1|xt)α(xt,xt+1)

接著,添加虛擬觀測(cè)值來(lái)實(shí)現(xiàn)式(5),在式(3)中添加Td(Yd和Xd)虛擬觀測(cè)值,將

S0=(Yd-XdB0)T(Yd-XdB0)T

以及V0=Td-k添加到正態(tài)-逆Wishart先驗(yàn)中。為了匹配Minnesota先驗(yàn)分布的維度,此處添加的虛擬觀測(cè)變量形式為

現(xiàn)將式(6)代入式(3)中,以強(qiáng)化BVAR模型

(7)

其中,

需要說(shuō)明的是,系數(shù)的后驗(yàn)期望與Y*對(duì)X*的回歸OLS估計(jì)值一致。并從計(jì)算的觀點(diǎn)來(lái)看,模型估計(jì)是可行的,只需求出維度為M=np+1方陣的逆矩陣即可。

2.4 MS-BVECM模型的建立

改進(jìn)后的BVAR模型可以有效預(yù)測(cè)高維數(shù)據(jù)下能源消費(fèi)和產(chǎn)業(yè)結(jié)構(gòu)的動(dòng)態(tài)關(guān)系,但卻無(wú)力分析經(jīng)濟(jì)周期內(nèi)各變量之間長(zhǎng)期與短期均衡狀態(tài)變化。當(dāng)短期內(nèi)經(jīng)濟(jì)變量受到波動(dòng)而與長(zhǎng)期均衡狀態(tài)發(fā)生偏離時(shí),誤差修正模型機(jī)制會(huì)使其逐漸重新回到長(zhǎng)期均衡狀態(tài),以保證模型的穩(wěn)健性。但一般的誤差修正模型無(wú)法具體描述短期均衡向長(zhǎng)期均衡狀態(tài)轉(zhuǎn)移的過(guò)程,因此筆者考慮在以MS-VAR為基礎(chǔ)發(fā)展的MS-VECM模型中進(jìn)一步結(jié)合貝葉斯理論建立MS-BVECM模型。

若式(7)中的向量均為一階單整向量,且向量之間存在協(xié)整關(guān)系,則將其變換可得到以下形式:

(8)

(9)

根據(jù)Hamilton[10]的方法,對(duì)上述誤差修正模型加入馬爾科夫區(qū)制轉(zhuǎn)移特征,即對(duì)于可觀測(cè)的時(shí)間序列向量yt,其潛在數(shù)據(jù)生成過(guò)程的參數(shù)依賴(lài)于不可觀測(cè)的區(qū)制變量st,其中st∈{1,2,k,m}表示系統(tǒng)所處的不同狀態(tài),且

pij=P(st=j|st-l=i),?i,j∈{1,2,…,m}

(10)

(11)

(12)

其中,μ(st)表示經(jīng)濟(jì)周期中不同階段的增長(zhǎng)率均值向量,即

μ(st)=[μ1(st),μ2(st),μ3(st)]T

例如:μ1(st),μ2(st)和μ3(st)可分別表示為重慶市能源消費(fèi)增長(zhǎng)率、地區(qū)生產(chǎn)總值增長(zhǎng)率和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)化率的條件均值。

3 實(shí)證分析

首先構(gòu)造適當(dāng)?shù)奶摂M觀測(cè)先驗(yàn)分布,接著估計(jì)虛擬先驗(yàn)分布的參數(shù)并對(duì)其進(jìn)行分層處理。需提出的是,這里不對(duì)先驗(yàn)參數(shù)α分層處理,因?yàn)樵搮?shù)可以通過(guò)模式論證固定,一般情況下α=1,先驗(yàn)參數(shù)λ服從伽馬超先驗(yàn)分布,之后運(yùn)用MH算法時(shí)會(huì)為其算法所需的建議分布(此處為高斯分布)提供上界和下界。

對(duì)每個(gè)變量擬合p階自回歸模型后,自動(dòng)設(shè)定先驗(yàn)參數(shù)ψ;接著,通過(guò)MH算法將確定的超參數(shù)分層處理后提供給虛擬觀測(cè)先驗(yàn)分布,為建立BVAR模型提供條件。同時(shí),為判斷超參數(shù)是否達(dá)到平穩(wěn)分布,需要知道其樣本路徑圖,模型中選擇的超參數(shù)包括lambda,soc和sur,經(jīng)過(guò)優(yōu)化后,以上3個(gè)超參數(shù)值分別為0.889 29,0.400 88,0.970 96,其中λ系數(shù)較大,說(shuō)明模型可能會(huì)過(guò)擬合,因此參數(shù)數(shù)量應(yīng)當(dāng)縮減,如圖1所示。(圖1左側(cè)圖為軌跡圖,右側(cè)為概率密度函數(shù)度)可以看出:lambda、soc和sur是平穩(wěn)的,沒(méi)有漂移的情況發(fā)生,即可以認(rèn)為3個(gè)超參數(shù)的馬氏鏈構(gòu)造是成功的,接下來(lái)便可以通過(guò)采集到的樣本建立BVAR模型。

圖1 邊際似然和分層處理的超參數(shù)跟蹤和軌跡圖Fig.1 Hyperparametric tracking and trajectory plots for marginal likelihood and hierarchical processing

由表1可見(jiàn):由于VAR模型中滯后階數(shù)對(duì)協(xié)整檢驗(yàn)和后續(xù)模型估計(jì)有一定的影響,所以根據(jù)LR、FPE、AIC、HQIC和SBIC這5種信息準(zhǔn)則選定滯后階數(shù)為5(Lag為滯后階數(shù),NA表示取值為空)。

表1 VAR模型滯后階數(shù)選擇Table 1 VAR model lag order selection

基于R軟件進(jìn)行平穩(wěn)性檢驗(yàn)和先驗(yàn)分布的選取以及滯后階數(shù)確定之后,就可以估計(jì)并得到BVAR模型的參數(shù),本文選取產(chǎn)業(yè)結(jié)構(gòu)對(duì)數(shù)、能源消費(fèi)對(duì)數(shù)和地區(qū)生產(chǎn)總值對(duì)數(shù)這3個(gè)指標(biāo)即L=[lnVEC,lnVIS,lnVGDP]T建立BVAR模型,該模型以矩陣的形式可表示如下:

如圖2所示,模型的殘差都接近于0,說(shuō)明其擬合程度較好,模型可用。重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值對(duì)數(shù)時(shí)間序列的預(yù)測(cè)結(jié)果如圖3所示,陰影區(qū)間分別表示90%置信區(qū)間和68%置信區(qū)間。

(a) 能源消費(fèi)

(b) 產(chǎn)業(yè)結(jié)構(gòu)

(c) 地區(qū)生產(chǎn)總值圖2 能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)升級(jí)和地區(qū)生產(chǎn)總值對(duì)數(shù)殘差圖Fig.2 Residuals of energy consumption, industrial upgrading and regional GDP

(a) 能源消費(fèi)

(b) 產(chǎn)業(yè)結(jié)構(gòu)

根據(jù)近5年能源消費(fèi)增長(zhǎng)率進(jìn)行二區(qū)制劃分,區(qū)制1(即st=1)表示平穩(wěn)增長(zhǎng)階段,區(qū)制2(即st=2)表示快速增長(zhǎng)階段,并利用三元變量的MS2-VECM2模型描述不同增長(zhǎng)階段下重慶市能源消費(fèi)和產(chǎn)業(yè)結(jié)構(gòu)升級(jí)之間的動(dòng)態(tài)關(guān)系。μ1(st)表示重慶市產(chǎn)出增長(zhǎng)率過(guò)程中對(duì)應(yīng)區(qū)制的條件均值,在區(qū)制階段的限制下條件均值的參數(shù)約束為μ1(1)<μ1(2);μ2(st)和μ3(st)分別表示能源消費(fèi)增長(zhǎng)率和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)換率在對(duì)應(yīng)區(qū)制中的條件均值,其中能源消費(fèi)增長(zhǎng)率的區(qū)制劃分依賴(lài)于產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)化率,所以能源消費(fèi)增長(zhǎng)率對(duì)應(yīng)取值的條件均值沒(méi)有參數(shù)約束。

在建立和估計(jì)MS-VECM模型之前,需要對(duì)重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值進(jìn)行平穩(wěn)性檢驗(yàn),表2分別給出了以上3個(gè)指標(biāo)的對(duì)數(shù)序列以及對(duì)數(shù)差分序列的ADF檢驗(yàn)結(jié)果。結(jié)果表明:重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)以及地區(qū)生產(chǎn)總值的對(duì)數(shù)序列都是一階單整過(guò)程,因此以上3個(gè)時(shí)間序列具有相同的單整階數(shù),可以在此基礎(chǔ)上通過(guò)建立協(xié)整關(guān)系和誤差修正模型來(lái)分析這3者之間的短期波動(dòng)和長(zhǎng)期均衡關(guān)系。

表2 ADF檢驗(yàn)結(jié)果Table 2 ADF test results

已知向量yt=(y1t,y2t,y3t)T,表3給出了yt的Johansen協(xié)整檢驗(yàn)結(jié)果,通過(guò)比較5%顯著性水平臨界值與跡統(tǒng)計(jì)量的大小,得出結(jié)果為拒絕“沒(méi)有協(xié)整關(guān)系”和“至多一個(gè)協(xié)整關(guān)系”的原假設(shè),接受“至多兩個(gè)協(xié)整關(guān)系”的原假設(shè),所以重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值的對(duì)數(shù)序列之間存在兩個(gè)顯著協(xié)整關(guān)系,即長(zhǎng)期均衡關(guān)系,說(shuō)明重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值之間具有相同的趨勢(shì)水平。

表3 Johansen協(xié)整檢驗(yàn)Table 3 Johansen co-integration test

隨后,根據(jù)EVIEWS軟件可估計(jì)得出協(xié)整方程為

et1=y1t-22.200 47y3t+9.150 286et2=y2t-39.664 61y3t+23.339 27

向量誤差修正模型將偏離長(zhǎng)期均衡關(guān)系的變量作為解釋變量,對(duì)短期偏離的變量進(jìn)行長(zhǎng)期調(diào)節(jié),因此該模型能同時(shí)描述短期調(diào)節(jié)過(guò)程和長(zhǎng)期調(diào)節(jié)過(guò)程。并且該模型是在變量之間具有協(xié)整關(guān)系的基礎(chǔ)上來(lái)體現(xiàn)不同經(jīng)濟(jì)時(shí)間序列之間的長(zhǎng)期關(guān)系,以及短期偏離長(zhǎng)期均衡的修正機(jī)制,所以具有較高的穩(wěn)健性和準(zhǔn)確性。模型估計(jì)結(jié)果如表4所示。

由表4可知:第一個(gè)協(xié)整方程3個(gè)誤差修正項(xiàng)CE1分別為-0.163 298、0.166 208、-0.006 074,說(shuō)明模型分別以-0.163 298、0.166 208、-0.006 074的速度對(duì)重慶市能源消費(fèi)、地區(qū)生產(chǎn)總值和產(chǎn)業(yè)結(jié)構(gòu)進(jìn)行修正。第二個(gè)協(xié)整方程3個(gè)誤差修正項(xiàng)CE2分別為0.107 606、-0.118 445、0.008 406,說(shuō)明模型分別以0.107 606、-0.118 445、0.008 406的速度對(duì)重慶市能源消費(fèi)、地區(qū)生產(chǎn)總值和產(chǎn)業(yè)結(jié)構(gòu)進(jìn)行修正。

得到變量的協(xié)整關(guān)系后,再假定式(11)中均值修正項(xiàng)μ(st)=[μ1(st),μ2(st),μ3(st)]T,具有狀態(tài)轉(zhuǎn)移性質(zhì)的前提下,取式(11)中的滯后階數(shù)p=5(該階數(shù)由LR、FPE,AIC,HQIC和SBIC 5種信息準(zhǔn)則得出),則所得MS-VECM模型為

圖4和圖5給出了能源消費(fèi)在兩個(gè)區(qū)制中的濾波概率估計(jì)。圖4所示:1984—1996年,重慶市能源消費(fèi)增長(zhǎng)率開(kāi)始出現(xiàn)區(qū)制1的運(yùn)行特征,區(qū)制的取值概率接近于1,這意味著產(chǎn)業(yè)結(jié)構(gòu)基本保持不變,同時(shí)經(jīng)濟(jì)增長(zhǎng)基本保持平穩(wěn),能源消費(fèi)基本處于“快速增長(zhǎng)階段”。1997—2006年,區(qū)制概率發(fā)生改變,此處是因?yàn)橹貞c成為直轄市后能源消費(fèi)持續(xù)上升。圖5表明此時(shí)重慶市能源消費(fèi)正處于“平穩(wěn)增長(zhǎng)階段”:2007—2011年,區(qū)制概率頻繁發(fā)生改變,表明此時(shí)能源消費(fèi)轉(zhuǎn)變了平穩(wěn)增加的狀態(tài),原因在于此時(shí)重慶市開(kāi)始出臺(tái)關(guān)于加快產(chǎn)業(yè)結(jié)構(gòu)升級(jí)的若干政策,在產(chǎn)業(yè)結(jié)構(gòu)升級(jí)的過(guò)程中能源消費(fèi)增長(zhǎng)率在逐漸降低。

圖4 快速增長(zhǎng)期的濾波概率Fig.4 Filtering probabilities for fast growth periods

圖5 平穩(wěn)增長(zhǎng)期的濾波概率Fig.5 Filter probabilities for a period of smooth growth

表5給出了能源消費(fèi)時(shí)間序列中區(qū)制轉(zhuǎn)移概率pij,當(dāng)能源消費(fèi)增長(zhǎng)率處于“快速增長(zhǎng)階段”時(shí),區(qū)制1的持續(xù)概率為0.958,這表明該階段具有相當(dāng)高的穩(wěn)定性,主要原因在于重慶作為工業(yè)城市,在加速工業(yè)發(fā)展的同時(shí)必定會(huì)需要大量的能源消耗。從區(qū)制1轉(zhuǎn)移到區(qū)制2的概率為0.042,從區(qū)制2轉(zhuǎn)移到區(qū)制1的概率為0.038,這表明能源消費(fèi)的階段性轉(zhuǎn)移具有一定的次序。當(dāng)通過(guò)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)后,能源消費(fèi)進(jìn)入到“平穩(wěn)增長(zhǎng)階段”,區(qū)制2的持續(xù)概率為0.962,這表明經(jīng)過(guò)工業(yè)產(chǎn)業(yè)結(jié)構(gòu)合理升級(jí)后,能源消費(fèi)增長(zhǎng)率大概率會(huì)持續(xù)在“平穩(wěn)增長(zhǎng)階段”,但由于區(qū)制之間轉(zhuǎn)移概率相差不大,一旦產(chǎn)業(yè)結(jié)構(gòu)不合理便又會(huì)回到“快速增長(zhǎng)階段”。

表5 轉(zhuǎn)移概率矩陣Table 5 Transfer probability matrix

4 結(jié)論與建議

4.1 結(jié) 論

針對(duì)傳統(tǒng)向量自回歸模型(VAR)的高維估計(jì)問(wèn)題,結(jié)合貝葉斯理論,提出一種融合正態(tài)-逆Wishart共軛先驗(yàn)分布的估計(jì)方法并引入Metropolis-Hastings(MH)算法。從以往數(shù)據(jù)集中確定超參數(shù)收縮模型尺寸與傳統(tǒng)VAR模型相比,基于貝葉斯理論的估計(jì)方法可在保留相關(guān)樣本信息的同時(shí)控制過(guò)度擬合,具有較好的穩(wěn)健性和有效性。此外,在改進(jìn)的VAR模型基礎(chǔ)上,結(jié)合區(qū)制轉(zhuǎn)移技術(shù)與誤差修正模型提出了MS-BVECM模型,該模型能夠有效分析經(jīng)濟(jì)周期內(nèi)各變量之間長(zhǎng)期與短期均衡狀態(tài)變化。最后,以重慶市能源消費(fèi)為例進(jìn)行了實(shí)證分析,主要研究結(jié)論如下:

(1) 通過(guò)MH算法將確定的超參數(shù)分層處理后提供給虛擬觀測(cè)先驗(yàn)分布,并建立BVAR模型進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果表明:長(zhǎng)期內(nèi)重慶市產(chǎn)業(yè)結(jié)構(gòu)升級(jí)和經(jīng)濟(jì)增長(zhǎng)對(duì)能源消費(fèi)增加有顯著影響;短期內(nèi)能源消費(fèi)對(duì)經(jīng)濟(jì)增長(zhǎng)有正向作用,但長(zhǎng)期來(lái)說(shuō)其對(duì)經(jīng)濟(jì)發(fā)展的促進(jìn)作用有限。

(2) 通過(guò)平穩(wěn)性檢驗(yàn)和Johansen協(xié)整檢驗(yàn),得知重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值的對(duì)數(shù)序列之間存在兩個(gè)顯著協(xié)整關(guān)系,即長(zhǎng)期均衡關(guān)系,說(shuō)明重慶市能源消費(fèi)、產(chǎn)業(yè)結(jié)構(gòu)和地區(qū)生產(chǎn)總值之間具有相同的趨勢(shì)水平。

(3) 在協(xié)整關(guān)系基礎(chǔ)上建立的MS-VECM模型(向量誤差修正模型)表明:短期波動(dòng)中,能源消費(fèi)增長(zhǎng)率與產(chǎn)業(yè)結(jié)構(gòu)升級(jí)呈反向關(guān)系,與地區(qū)生產(chǎn)總值增長(zhǎng)率呈正向關(guān)系,并且對(duì)能源消費(fèi)和地區(qū)生產(chǎn)總值短期修正力度更大。

(4) 運(yùn)用Hamilton模型中劃分二區(qū)制的方法,將能源消費(fèi)增長(zhǎng)率劃分為“快速增長(zhǎng)階段”和“平穩(wěn)增長(zhǎng)階段”,通過(guò)建立區(qū)制轉(zhuǎn)移模型得出結(jié)論:1984—1996年,重慶市能源消費(fèi)增長(zhǎng)率開(kāi)始出現(xiàn)區(qū)制1的運(yùn)行特征,區(qū)制的取值概率接近于1,這意味著產(chǎn)業(yè)結(jié)構(gòu)基本保持不變,經(jīng)濟(jì)增長(zhǎng)也基本保持平穩(wěn),能源消費(fèi)基本處于“快速增長(zhǎng)階段”;1997—2006年,區(qū)制概率發(fā)生改變,原因在于重慶成為直轄市以后,能源消費(fèi)明顯增加;2007—2011年,區(qū)制概率頻繁發(fā)生改變,表明此時(shí)能源消費(fèi)轉(zhuǎn)變?yōu)槠椒€(wěn)增加的狀態(tài)。

(5) 區(qū)制轉(zhuǎn)移矩陣中,當(dāng)能源消費(fèi)增長(zhǎng)率處于“快速增長(zhǎng)階段”時(shí),該階段具有相當(dāng)高的穩(wěn)定性,能源消費(fèi)的階段性轉(zhuǎn)移具有一定的次序。當(dāng)通過(guò)產(chǎn)業(yè)結(jié)構(gòu)升級(jí)后,能源消費(fèi)進(jìn)入到“平穩(wěn)增長(zhǎng)階段”,此時(shí)經(jīng)過(guò)工業(yè)產(chǎn)業(yè)結(jié)構(gòu)合理升級(jí)后,能源消費(fèi)增長(zhǎng)率大概率會(huì)持續(xù)在“平穩(wěn)增長(zhǎng)階段”,但由于區(qū)制之間轉(zhuǎn)移概率相差不大,一旦產(chǎn)業(yè)結(jié)構(gòu)不合理便又會(huì)回到“快速增長(zhǎng)階段”。

4.2 建議

針對(duì)上述研究結(jié)果,提出建議:

(1) 致力于發(fā)展低碳技術(shù),特別是煤的清潔高效凈化技術(shù),以及二氧化碳捕獲與埋存等領(lǐng)域開(kāi)發(fā)的有效控制碳排放的新技術(shù)。重慶市“十四五”時(shí)期是能源低碳轉(zhuǎn)型進(jìn)入碳達(dá)峰關(guān)鍵期,加大開(kāi)展林業(yè)碳匯交易,研發(fā)出低價(jià)、清潔、高效和低排放的能源技術(shù),對(duì)搶占低碳能源技術(shù)制高點(diǎn),大力推進(jìn)碳排放交易具有重要意義。因此,重慶市也應(yīng)聯(lián)合多方組織開(kāi)展有關(guān)低碳經(jīng)濟(jì)關(guān)鍵技術(shù)的攻關(guān),制定開(kāi)發(fā)新型高效低碳技術(shù)的長(zhǎng)遠(yuǎn)發(fā)展規(guī)劃。

(2) 大力調(diào)整產(chǎn)業(yè)結(jié)構(gòu),尤其是工業(yè)內(nèi)部行業(yè)結(jié)構(gòu)。對(duì)于重慶市高能耗產(chǎn)業(yè),例如電石、鋼鐵、鐵合金等,可通過(guò)行業(yè)電價(jià)差別引導(dǎo),實(shí)施懲罰性電價(jià)政策以整治高能耗產(chǎn)業(yè)。加大對(duì)重慶市落后產(chǎn)能的淘汰力度,降低節(jié)能損耗和推動(dòng)循環(huán)經(jīng)濟(jì),并打造新的低碳產(chǎn)業(yè)鏈。以往產(chǎn)業(yè)鏈的價(jià)值流向主要是資源型企業(yè),發(fā)展低碳經(jīng)濟(jì)可打破目前流向:首先將由高碳產(chǎn)業(yè)引申出來(lái)的產(chǎn)業(yè)鏈條“低碳化”,接著通過(guò)逐漸降低高碳產(chǎn)業(yè)在國(guó)民經(jīng)濟(jì)中的比重,調(diào)整高碳產(chǎn)業(yè)結(jié)構(gòu),最終使重慶市國(guó)民經(jīng)濟(jì)的產(chǎn)業(yè)結(jié)構(gòu)逐步趨向低碳經(jīng)濟(jì)的標(biāo)準(zhǔn)。

(3) 注重能源技術(shù)進(jìn)步的長(zhǎng)期發(fā)展以及持久研發(fā),同時(shí)保持區(qū)制的自維持概率。短期內(nèi),行業(yè)能源技術(shù)的提高具有較強(qiáng)的跟風(fēng)效應(yīng),但長(zhǎng)期效應(yīng)表現(xiàn)得并不明顯。目前重慶市制度、市場(chǎng)和政策等條件雖然具備支持區(qū)制自維持能力,但企業(yè)技術(shù)進(jìn)步的效應(yīng)很難持久,缺乏長(zhǎng)期、持久研發(fā)的動(dòng)力。所以應(yīng)加大對(duì)研發(fā)企業(yè)的補(bǔ)貼力度,增強(qiáng)企業(yè)研發(fā)的持久動(dòng)力,保持重慶市快速經(jīng)濟(jì)增長(zhǎng)過(guò)程的持續(xù)性和穩(wěn)定性。