全球經(jīng)濟政策不確定性的演變趨勢：基于EMD-ARIMA模型的預測分析

林賽燕

(中共浙江省委黨校 數(shù)字化戰(zhàn)略發(fā)展研究中心，浙江 杭州 311121)

一、 引 言

2008年爆發(fā)的金融危機給全球經(jīng)濟發(fā)展帶來了巨大的沖擊，各國經(jīng)濟政策不確定性顯著加劇。為了應對因金融危機帶來的不利影響，各國政府相繼出臺一系列宏觀經(jīng)濟政策，由于經(jīng)濟形勢以及各國政策的復雜多變導致全球經(jīng)濟政策不確定性不斷上升。作為經(jīng)濟政策變動的風向標，全球經(jīng)濟政策的不確定性(Global Economic Policy Uncertainty, GEPU)是經(jīng)濟主體進行生產(chǎn)決策的重要因素，因其受關稅、匯率和資本管制等國際貿(mào)易政策多重影響，進而成為影響進出口貿(mào)易和跨國投資的重要決策變量[1-3]。

隨著國際貿(mào)易爭端的加劇以及新冠肺炎疫情的全球性暴發(fā)，近年來全球經(jīng)濟政策不確定性急劇上升，世界各國為了促進本國經(jīng)濟增長、維持金融市場穩(wěn)定，采取了一系列的應對經(jīng)濟政策，與此同時，應對政策波動的政策調(diào)整又反過來對各國經(jīng)濟的發(fā)展造成了一定程度的沖擊。在此背景下，科學有效地分析和預測全球經(jīng)濟政策不確定性的演變特征和動態(tài)路徑，對于準確把握全球經(jīng)濟形勢和政策趨勢并作出科學決策具有重要的意義。考慮到全球經(jīng)濟政策不確定性指數(shù)的影響因素復雜多變，其數(shù)據(jù)生成過程難以在一個時間序列模型中得到準確的體現(xiàn)。為了提高時間序列模型的預測精度，本文基于“先分解后集成”思想，首先采用經(jīng)驗模態(tài)分解(EMD)方法將GEPU指數(shù)分解為若干可讀信號，其次運用主流非平穩(wěn)時間序列ARIMA模型對可讀信號分別進行模擬預測，最后集成各類可讀信號的預測結果。

本文余下內(nèi)容結構安排如下：第二部分對相關文獻進行回顧；第三部分介紹了EMD分解、ARIMA模型，以及EMD-ARIMA模型的具體步驟；第四部分先通過對比ARIMA模型和EMD-ARIMA模型對于1997—2019年GEPU指數(shù)的擬合效果，以證實EMD-ARIMA模型的優(yōu)勢；其次通過VAR模型分析宏觀經(jīng)濟變量與GEPU的動態(tài)關系，并進一步對VAR模型進行預測分析；最后是本文的研究結論與政策建議。

二、 相關文獻綜述

現(xiàn)有相關文獻的研究主要聚焦于經(jīng)濟政策不確定性定量測度及其對經(jīng)濟增長、金融市場、國際貿(mào)易、跨國經(jīng)濟活動和跨國資本流動等方面的影響。由于在早期的研究中，數(shù)據(jù)難以獲得，以至于早期的文獻多以理論研究和定性分析為主，后期隨著數(shù)據(jù)可得性的增強以及針對經(jīng)濟政策不確定性測度方法的提出，相關研究則以經(jīng)濟政策不確定性對宏觀經(jīng)濟諸多方面影響效應的實證分析為主。

(一) 經(jīng)濟政策不確定性的測度及相關預測方法

學界對經(jīng)濟政策不確定性的測度方法主要包括三種：一是以單一經(jīng)濟指標來衡量[4]；二是以虛擬變量來衡量[5]；三是采用綜合指數(shù)來衡量[6]。Baker等(2016)[6]提出的經(jīng)濟政策不確定(Economic Policy Uncertainty，EPU)指數(shù)的影響力最大，目前已被國內(nèi)外許多學者廣泛用于實證分析。在EPU指數(shù)的基礎之上，Davis(2016)[9]構建了全球經(jīng)濟政策不確定性指數(shù)，該指數(shù)涵蓋了全球16個主要經(jīng)濟體的EPU指數(shù)的加權平均值(權重為各國GDP)，較為全面地反映了全球經(jīng)濟政策不確定性變動趨勢。由于EPU指數(shù)動態(tài)路徑的影響因素復雜多變，其數(shù)據(jù)生成過程難以在一個時間序列模型中得到準確的體現(xiàn)，現(xiàn)有文獻對于經(jīng)濟政策不確定性時間序列特征分析和預測研究鮮見報道。對于預測非平穩(wěn)非線性的時間序列，Huang等(1998)[10]提出的經(jīng)驗模態(tài)分解(EMD)有著獨特的優(yōu)勢。該方法能夠把復雜的時間序列數(shù)據(jù)進行多尺度分解，并在生物工程領域得到廣泛應用。Huang等(2003)[11]為代表的文獻將EMD分解方法引入金融指數(shù)的預測分析，并使此方法在金融領域逐漸得到完善。畢星和王巍(2010)[12]集成EDM分解和平均綜合模型的優(yōu)勢，通過構建一個混合模型對股票價格進行預測，有效地提高了預測精度。Islam(2012)[13]通過采用EMD方法對原始數(shù)據(jù)序列進行分解，同時將該方法的分解結果與小波分解方法進行對比，研究發(fā)現(xiàn)EMD方法相對更有效。采用EMD將經(jīng)濟政策不確定性指數(shù)分解成若干個具有特定規(guī)律的分量，再建立相應的時間序列模型，將在很大程度上降低建模預測的復雜性，進而提高預測精度。

(二) 經(jīng)濟政策不確定性與經(jīng)濟增長

2008年全球金融危機爆發(fā)后，在一系列經(jīng)濟復蘇政策影響下，世界各國經(jīng)濟政策不確定性持續(xù)上升。在經(jīng)濟全球化的影響下，隨著對國際依賴程度的增強和全球性問題的不斷發(fā)生，各個國家(地區(qū))所制定和實施的政策不僅會影響本國經(jīng)濟穩(wěn)定和發(fā)展，還有可能根據(jù)經(jīng)濟政策不確定性特征傳導至其他國家，對其他國家的經(jīng)濟造成一定程度的負面影響。Aizenman和Marion(1993)[14]通過實證分析驗證了稅收政策的不確定性會通過投資渠道阻礙經(jīng)濟增長，其投資的不可撤銷性以及政策持續(xù)性的交互作用是產(chǎn)生影響的主要原因。Jones和Olson(2013)[15]研究發(fā)現(xiàn)EPU對通貨膨脹的影響存在負面效應。針對工業(yè)生產(chǎn)和EPU之間的關系，實證結果顯示經(jīng)濟政策不確定性和產(chǎn)出之間一直存在負相關關系。Karnizova和Li(2014)[16]通過采用衰退預測模型研究發(fā)現(xiàn)，對不同層面的樣本數(shù)據(jù)進行分析，結果表明：EPU指數(shù)對經(jīng)濟衰退有一定的預測作用，進一步地證明了EPU對經(jīng)濟增長的影響。張玉鵬和王茜(2016)研究結果發(fā)現(xiàn)EPU對經(jīng)濟增長的影響受經(jīng)濟周期的影響，在經(jīng)濟繁榮時期，EPU對產(chǎn)出增長存在顯著的負相關關系[17]。許志偉和王文甫(2019)發(fā)現(xiàn)公眾對政策的預期會顯著增強經(jīng)濟政策不確定性影響，并且勞動收入份額和勞動供給彈性的變小也會導致不斷加強經(jīng)濟政策不確定性對經(jīng)濟增長的不利影響[18]。

(三) 經(jīng)濟政策不確定性與金融市場波動

目前，學界對于經(jīng)濟政策不確定性與金融市場的研究較多，研究視角和對象不同，得出的結論也會有所差異。從金融市場角度來看，由于EPU會影響投資者在資本市場投資過程中的風險承擔行為，致使其減少在不確定性較高國家的風險投資，將資金從風險較高的國家轉(zhuǎn)移至相對安全的國家或市場，最終表現(xiàn)為經(jīng)濟政策不確定性與股票價格之間的高度相關性[19]。Brogaard和Detzel(2015)[20]研究發(fā)現(xiàn)EPU的變化和股票收益率之間存在負向影響，即EPU的上升會帶來股票收益率的下降。王曉娟等(2015)研究結果發(fā)現(xiàn)EPU與股票收益之間存在長期均衡關系，并且呈上升趨勢[21]。朱孟楠和閆帥(2015)[22]、Beckmann和Czudaj(2017)[23]研究表明經(jīng)濟政策不確定性對匯率存在溢出效應。雷立坤等(2018)通過使用中國EPU指數(shù)數(shù)據(jù)，發(fā)現(xiàn)在GARCH-MIDAS模型中加入該指數(shù)后可以顯著提高該模型對中國股市波動的預測精度[24]。余江等(2018)通過建立模型，分析了我國EPU對股市波動率預測的影響，研究結果發(fā)現(xiàn)EPU指數(shù)能夠顯著提高對股市波動率的預測能力[25]。Fang等(2018)[26]通過構建GARCH-MIDAS模型來檢驗全球經(jīng)濟政策不確定性對黃金期貨收益率的預測作用效果。結果表明，GEPU對全球黃金期貨市場月度波動率的預測正向且顯著。Zhou等(2020)[27]采用GARCH-MIDAS模型研究了中美之間相對經(jīng)濟政策不確定性(中美EPU比率)對中國匯率波動的影響，同時比較了GARCH-MIDAS模型與傳統(tǒng)GARCH模型的樣本外波動率預測性能，研究發(fā)現(xiàn)中美EPU比率對中國匯率的長期波動有正向影響。李麗虹(2020)通過構建STR-GARCH-MIDAS-EPU模型，也得出了同樣的結論，即該模型對股票市場波動率預測精度有所提高[28]。Su等(2019)[29]研究發(fā)現(xiàn)美國EPU指數(shù)與其他國家股市波動率存在正相關關系，具體來說，美國經(jīng)濟政策不確定性的上升會導致其他國家股市波動率上升，但Li和Peng(2017)[30]研究分析了美國EPU與中國股市之間的關系，結果表明二者存在負相關關系，即美國EPU的上升會使中國股市波動率下降。也有學者研究一國EPU指數(shù)對其他國家的股市波動的影響，發(fā)現(xiàn)不同國家的EPU指數(shù)對其他國家股市產(chǎn)生的影響存在顯著差異[31]。

(四) 經(jīng)濟政策不確定性與國際貿(mào)易

2008年國際金融危機對國際貿(mào)易造成了巨大的沖擊，導致各國制定和實施了一系列經(jīng)濟政策來促進國內(nèi)經(jīng)濟復蘇發(fā)展。在這一背景條件下，國內(nèi)外學者開始研究EPU對國際貿(mào)易的影響。部分學者研究EPU與進出口貿(mào)易之間的關系，研究發(fā)現(xiàn)EPU會對企業(yè)進出入市場存在一定程度上的阻礙作用，從而影響進出口，而貿(mào)易協(xié)定能在一定程度上減弱該抑制作用[32]。一國經(jīng)濟政策(包括貿(mào)易政策在內(nèi))的不確定性的增強將會通過抑制固定資產(chǎn)投資而降低出口質(zhì)量與出口價格，而降低不確定性則可以提高出口企業(yè)的產(chǎn)品創(chuàng)新[33-35]。錢學鋒和龔聯(lián)梅(2017)研究結果發(fā)現(xiàn)貿(mào)易協(xié)議能夠降低貿(mào)易政策不確定性(TPU)對中國制造業(yè)企業(yè)的影響，有利于促進出口增長[36]。劉洪鐸和陳和(2016)研究了EPU對來源國出口的影響，結果發(fā)現(xiàn)目的國EPU的急劇上升會導致來源國出口急劇下降[37]。魏友岳和劉洪鐸(2017)實證檢驗了EPU對出口二元邊際的影響效果，研究發(fā)現(xiàn)EPU對擴展邊際具有顯著的抑制效應，但對集約邊際的影響則不確定[38]。陳紹儉和馮宗憲(2020)實證研究發(fā)現(xiàn)EPU對企業(yè)出口具有負向的影響，在考慮目的地投資環(huán)境、政府穩(wěn)定性、法律秩序等因素不穩(wěn)定的地區(qū)，其EPU會上升，進一步使中國減少其出口產(chǎn)品價值量[39]。

(五) 經(jīng)濟政策不確定性與跨境投資

經(jīng)濟政策不確定性除了對國內(nèi)宏觀經(jīng)濟產(chǎn)生影響之外，還會對跨國經(jīng)濟活動或跨國資本流動產(chǎn)生一定的影響。部分學者研究了EPU與外商直接投資(FDI)之間的關系，通過實證分析發(fā)現(xiàn)，二者之間存在顯著的負相關關系，具體來說，F(xiàn)DI會隨著EPU的增加而逐漸降低，即EPU的增加會抑制企業(yè)對外投資[40-41]。譚小芬等(2018)[42]實證結果發(fā)現(xiàn)全球EPU對新興經(jīng)濟體資本流動具有負向的影響，即隨著EPU的上升對新興經(jīng)濟體資本流動的影響越小，且金融危機發(fā)生過后對新興經(jīng)濟體資本流動的影響要低于金融危機發(fā)生之前。而楊永聰和李正輝(2018)研究結果發(fā)現(xiàn)，中國企業(yè)對外直接投資與不同國別的經(jīng)濟政策不確定性存在顯著的差異，F(xiàn)DI與母國EPU之間存在正相關關系，與東道國EPU存在顯著的負相關關系[43]。賈玉成和張誠(2018)通過利用跨國并購數(shù)據(jù)，實證考察了EPU對跨國并購的影響，發(fā)現(xiàn)二者之間存在正相關關系，即中國EPU上升在一定程度上加快了中國上市公司的海外并購活動[44]。周晶晶和趙增耀(2019)研究分析了EPU對企業(yè)投資行為的影響，研究結果發(fā)現(xiàn)東道國EPU對企業(yè)跨國并購規(guī)模存在顯著的抑制作用，且金融危機發(fā)生之后這種抑制效果明顯增強[45]。李亞波和李元旭(2019)研究發(fā)現(xiàn)美國EPU與中國企業(yè)跨國并購存在著顯著的負相關關系，具體來說，當美國EPU提高時，中國企業(yè)將會減小海外并購的規(guī)模[46]。此外，也有少量文獻從微觀層面分析了經(jīng)濟政策不確定性與微觀市場主體之間的關系，例如從企業(yè)層面研究了經(jīng)濟政策不確定指數(shù)與微觀經(jīng)濟指標(如：企業(yè)投資[47-49,50-51]、企業(yè)管理[52-53]、企業(yè)杠桿率[54]以及房地產(chǎn)市場[55-56])等一系列的經(jīng)濟活動與變量之間的關系。

通過梳理相關文獻發(fā)現(xiàn)，經(jīng)濟政策不確定性對現(xiàn)實經(jīng)濟活動具有多維度、多層次的影響，因此，對經(jīng)濟政策不確定性本身的動態(tài)變化規(guī)律的把握和研究就顯得十分重要。但是現(xiàn)有文獻對于經(jīng)濟政策不確定性時間序列特征分析和預測研究鮮見報道，這對于我們?nèi)娴乩斫饨?jīng)濟政策不確定性，以及在此基礎上做出更加科學有效的經(jīng)濟決策具有重要的意義，本文的研究將聚焦于此。其主要貢獻是針對GEPU指數(shù)時間序列的不確定性、非線性以及不穩(wěn)定性的特點，突破傳統(tǒng)時間序列分析的單模型直接建模的思路，先用經(jīng)驗模態(tài)分解方法將GEPU指數(shù)分解為若干可讀信號，再運用主流非平穩(wěn)時間序列ARIMA模型對可讀信號分別進行建模預測，最后集成各類可讀信號的預測結果，為分析和預測經(jīng)濟政策不確定性指數(shù)的動態(tài)特征提供了新的建模思路和方法。

三、 模型與方法

GEPU指數(shù)數(shù)據(jù)具有非平穩(wěn)、非線性的特點，即該指數(shù)在不確定性因素影響比較小的時候相對較低，而在發(fā)生一些重要事件(如經(jīng)濟波動、政治動蕩、全球公共衛(wèi)生安全不穩(wěn)等)情況下，會引致不確定性因素的增加，進而導致該指數(shù)出現(xiàn)上升的趨勢。為了提高對全球經(jīng)濟政策不確定性指數(shù)預測的準確性，本文提出經(jīng)驗模態(tài)分解(EMD)和自回歸移動平均模型(ARIMA)相結合的方法對GEPU指數(shù)數(shù)據(jù)進行預測。EMD方法在處理各類非平穩(wěn)、非線性以及復雜信號的分解方面上具有較高的優(yōu)勢，其對復雜的數(shù)據(jù)可進行平穩(wěn)化處理，并且這種方法可以有效解決數(shù)據(jù)中存在的模態(tài)混疊問題，使其能夠滿足時間序列數(shù)據(jù)分析的要求。即本文用EMD將GEPU指數(shù)分解成若干個較為平穩(wěn)、相互獨立、頻率不同的分量，再基于分量建立對應的時間序列模型，可以降低建模預測的難度，同時提高預測的準確性。本文將EMD方法與ARIMA模型合起來對GEPU指數(shù)數(shù)據(jù)進行處理及預測，將會有效提高預測的準確性。下面簡要介紹經(jīng)驗模態(tài)分解(EMD)、自回歸移動平均模型(ARIMA)以及組合模型EMD-ARIMA的建模方法。

(一) 經(jīng)驗模態(tài)分解

經(jīng)驗模態(tài)分解(EMD)方法的原理是把復雜的信號分解成若干固有模態(tài)函數(shù)分量(IMF)之和，其中每個IMF分量都必須嚴格具備以下兩個條件：(1)對于這一序列，極值點的個數(shù)和過零點的個數(shù)必須相等或最多只能相差一個；(2)在任意時刻，由局部極大值點和局部極小值點分別形成的上、下包絡線，其平均值為零，即上下包絡線相對于時間軸是局部對稱的。在非平穩(wěn)數(shù)據(jù)中，計算局部均值是很難做到的，但使用局部極大值和局部極小值包絡的平均為零代替，很好地解決了這一難題。

對任意一個信號X(t)的EMD的分解方法如下：

(1)找到信號X(t)所有的局部極大值點和極小值點，采用三次樣條插值函數(shù)將極大值點和極小值點分別擬合成上、下包絡線e+(t)、e-(t)。

(2)計算上、下包絡線的均值，記為m1(t)。即

(1)

(3)將原始信號X(t)與m1(t)的差值定義為h1(t)，即

h1(t)=X(t)-m1(t)

(2)

(4)若h1(t)滿足IMF分量的條件，那么h1(t)就是X(t)的第一個IMF分量，若h1(t)不滿足IMF分量的條件，就用h1(t)替換原始數(shù)據(jù)X(t)重復(1)—(3)過程，直至h1(t)滿足IMF分量的條件為止。不妨設經(jīng)過k次篩選后產(chǎn)生第一個IMF分量c1(t)，即

c1(t)=h1k(t)=h1(k-1)(t)-m1k(t)

(3)

(5)將c1(t)從X(t)中分離出來，得到

r1(t)=X(t)-c1(t)

(4)

(6)用r1(t)替換原始序列X(t)并重復步驟(1)—(5)n次，從而得到X(t)的n個IMF分量和一個殘余分量rn(t)，即

r2(t)=r1(t)-c2(t)…rn(t)=rn-1(t)-cn(t)

(5)

(7)當殘余分量rn(t)為單調(diào)函數(shù)或常數(shù)時，循環(huán)停止，此時rn(t)為信號的平均趨勢。

由上述分解過程不難發(fā)現(xiàn)，EMD分解完全是由數(shù)據(jù)自身驅(qū)動，對數(shù)據(jù)進行自適應的篩選處理，從而將原始數(shù)據(jù)X(t)分解成若干IMF和殘余分量之和，即

(6)

(二) EMD-ARIMA模型

近年來，基于“先分解后集成”思想的混合模型逐漸成為時序分析與預測研究中一個主流的前沿技術。其主要思想是將“多尺度分解”步驟引入時序預測中，以從不同尺度上把握復雜系統(tǒng)內(nèi)部錯綜復雜的運行規(guī)律，從而顯著提高預測水平[51]。本文所引入的EMD-ARIMA模型即是“先分解后集成”思想的體現(xiàn)，該模型的具體步驟如下：

(1)采用EMD分解方法將非平穩(wěn)數(shù)據(jù)分解為不同尺度的平穩(wěn)的IMF分量。

(2)對各個IMF分量分別建立ARIMA模型進行預測，對各個時間序列都追求構建最佳滯后階數(shù)的ARIMA模型，以達到最佳的預測效果。

(3)使用各個IMF分量的預測值重構原始數(shù)據(jù)的預測序列。

由于EMD是以線合加成的分解方式對原始序列進行分解[參考式(6)]，所以在重構方式上一般選擇直接加總的形式進行集成。EMD-ARIMA模型的框架如圖1所示：

圖1 EMD-ARIMA模型框架

四、 全球經(jīng)濟政策不確定性指數(shù)預測

GEPU指數(shù)反映了世界各大經(jīng)濟體經(jīng)濟與政策的不確定性，由于該指數(shù)與很多宏觀經(jīng)濟指標(如經(jīng)濟增長和就業(yè)率等)以及國際貿(mào)易有較為顯著的相關關系，所以合理預測GEPU指數(shù)對于把握宏觀經(jīng)濟的發(fā)展以及制定國際貿(mào)易政策有重要的參考價值。

(一) 數(shù)據(jù)說明

本文數(shù)據(jù)來自www.policyuncertainty.com公布的1997年1月到2021年3月之間的GEPU指數(shù)數(shù)據(jù)，共291個樣本。為了保障EMD分解后的ARIMA建模分析的可靠性，本文使用1997年1月至2019年12月共276個樣本數(shù)據(jù)作為訓練組建立預測模型，并使用2020年1月至2021年3月共15個數(shù)據(jù)作為測試組來檢驗模型樣本外預測的精度。

圖2為1997年1月到2021年3月的GEPU指數(shù)走勢，從圖中可以看出，GEPU指數(shù)呈現(xiàn)明顯的不確定性、非線性以及不穩(wěn)定性特點，這使得單一的時間序列方法無法有效對GEPU指數(shù)進行預測。本文將使用ARIMA和EMD-ARIMA兩種模型分別對GEPU指數(shù)進行預測并對比預測效果，以說明在面對復雜系統(tǒng)的預測問題時，EMD-ARIMA模型與單一的ARIMA模型相比具有更好的泛化能力。

圖2 1997年1月到2021年3月GEPU指數(shù)走勢

(二) 實證分析

根據(jù)EMD的特點，本文在實證中直接通過MATLAB軟件對原始樣本數(shù)據(jù)進行了EMD分解，得到了5個IMF分量和1個殘余分量，其中IMF分量根據(jù)頻率由高至低的順序依次進行排列，它們分別展示了GEPU指數(shù)序列在同一時間段內(nèi)不同頻率和振幅，其變換規(guī)律也略有不同，最后一個分量為趨勢量，具體分解結果如圖3所示。EMD將復雜的原始數(shù)據(jù)分解成若干個清晰的、周期不同的分量，在經(jīng)濟學分析中，可以根據(jù)不同的影響因素對各分量進行分析和解釋，尋找發(fā)展規(guī)律。從圖3中的IMF5分量變化趨勢我們可以看出，GEPU指數(shù)呈現(xiàn)上漲的趨勢，具體情況，待進一步建模分析。

圖3 GEPU指數(shù)的EMD分解結果

圖3中IMF1—IMF5為GEPU指數(shù)的5個IMF分量，RES為余項。根據(jù)EMD分解結果，本文分別構建了GEPU指數(shù)、IMF分量以及RES項的ARIMA模型。在對于滯后階數(shù)的選擇問題上，本文采用AIC和SC準則來選擇各個模型所對應的滯后階數(shù)，具體模型見表1。

表1 GEPU指數(shù)、IMF分量及RES的預測模型

圖4和圖5分別為ARIMA和EMD-ARIMA兩種模型對訓練組和測試組數(shù)據(jù)的預測值與真實值的對比圖，從擬合效果上來看，EMD-ARIMA模型對訓練組和測試組數(shù)據(jù)的擬合精度均優(yōu)于ARIMA模型。

圖4 兩種模型對訓練組的預測值與真實值的對比圖

圖5 兩種模型對測試組的預測值與真實值的對比圖

為了分析模型的可靠性，需要對模型的精度進行檢驗，本文采用RMSE(root mean square error)、MAE(mean absolute error)和MAPE(mean absolute percent error)三種標準對模型進行檢驗。公式如下：

(10)

(11)

(12)

表2 ARIMA模型與EMD-ARIMA模型的預測誤差

從表2中不難發(fā)現(xiàn)，無論對訓練組數(shù)據(jù)還是測試組數(shù)據(jù)，EMD-ARIMA模型比單一的ARIMA模型預測精度都要高，其對訓練組和測試組的MAPE均在10%以下。按照MAPE的精度劃分級別(Lewis，1982)[57]來看，EMD-ARIMA模型的預測結果達到了高精度水平。事實上，EMD-ARIMA模型不僅能夠很好地跟蹤GEPU指數(shù)的趨勢，而且也能較精確地擬合GEPU指數(shù)的波動。而單一的ARIMA模型只能跟蹤GEPU指數(shù)的趨勢，一旦數(shù)據(jù)出現(xiàn)較大幅度的波動，其預測誤差往往會被放大，這也反映了EMD-ARIMA模型在面對復雜數(shù)據(jù)系統(tǒng)預測問題具有較好的穩(wěn)健性和泛化能力。最后，本文對2021年4月至12月的GEPU指數(shù)做了樣本外預測，預測結果如圖6所示。

可以發(fā)現(xiàn)，2021年7月以前GEPU指數(shù)呈現(xiàn)上升趨勢，即從264.56增加到345.90。結合當前的全球經(jīng)濟政治背景，本文認為該時間段的經(jīng)濟政策不確定性較高這一現(xiàn)象可能與新冠肺炎疫情存在一定的聯(lián)系。從相關數(shù)據(jù)發(fā)現(xiàn)，全球新冠肺炎疫情確診病例7月之前基本呈現(xiàn)上升趨勢，由于新冠肺炎疫情全球范圍的擴散，導致各個國家(地區(qū))經(jīng)濟均在一定程度上受到了嚴重沖擊。其主要原因可能如下：(1)新冠肺炎疫情提升了全球經(jīng)濟的不確定性。疫情的全球性暴發(fā)，致使疫情嚴重的國家采取一系列的限制措施導致經(jīng)濟停滯。全球資本市場出現(xiàn)了大幅度變動，一些大宗商品價格的變動超出了歷史上任何時期，“黑天鵝”事件時有發(fā)生，且全球供應鏈出現(xiàn)斷鏈的問題，導致經(jīng)濟出現(xiàn)大幅度下滑趨勢。(2)新冠肺炎疫情加速了各國經(jīng)濟政策的不確定性。為了應對新冠肺炎疫情帶來的一系列負面影響，各國政府相繼制定了各種相關措施，但問題是，各國政府相關制定者只看到了措施實施帶來的有利影響，卻忽略了政策在實施過程中存在極大的不確定性，因為經(jīng)濟政策不確定性會帶來國內(nèi)經(jīng)營環(huán)境的變化，從而會影響到國際市場參與者或國內(nèi)市場參與者的預期。根據(jù)EPU的統(tǒng)計數(shù)據(jù)，GEPU指數(shù)近年大幅上升，由于突發(fā)公共衛(wèi)生事件的影響，各國采取了積極的宏觀經(jīng)濟政策，由于這些政策的變動非常頻繁，加大了經(jīng)濟政策的不確定性。當然，這種由疫情帶來的沖擊會隨著時間的推移與各國一系列相關應對政策的制定和實施力度以及新冠肺炎疫苗的全球推廣而逐漸弱化，從圖6可以發(fā)現(xiàn)，2021年7月至12月之間的經(jīng)濟政策不確定性相對穩(wěn)定?？傊瑸榱私档徒?jīng)濟政策不確定性給全球貿(mào)易帶來的影響，各國政府在該階段應該加強交流與合作，避免單方面貿(mào)易保護，從而為跨國企業(yè)的發(fā)展創(chuàng)造和諧穩(wěn)定的環(huán)境。

圖6 2021年4月至2021年12月的GEPU指數(shù)預測值曲線

(三) 基于VAR模型的進一步分析

為了進一步考察全球貿(mào)易、新冠肺炎疫情等因素對全球經(jīng)濟政策不確定性的動態(tài)影響，本文采用向量自回歸(VAR)模型對GEPU指數(shù)進行實證分析。該模型包括GEPU指數(shù)、全球貿(mào)易總額(TRADE)、全球新冠肺炎疫情新增確診病例(COVID)，其中全球貿(mào)易總額(商品進口加出口)數(shù)據(jù)來源于Uncomtrade，COVID數(shù)據(jù)來源于Worldometer。為了消除季節(jié)性因素對經(jīng)濟變量的影響，本文應用X-12方法對GEPU指數(shù)序列以及TRADE序列進行季節(jié)調(diào)整，此外，為了緩解數(shù)據(jù)可能存在的異方差性問題，將數(shù)據(jù)進行了對數(shù)化處理。

圖7 VAR模型穩(wěn)定性檢驗

首先，對處理后的數(shù)據(jù)LNGEPU_SA、LNCOVID、LNTRADE_SA進行單位根檢驗，由AFD檢驗結果發(fā)現(xiàn)三個變量均為一階單整序列，調(diào)整后的變量均在p=0.05時通過顯著性檢驗。隨后，基于DLNGEPU_SA、DLNCOVID、DLNTRADE_SA三個變量一階差分序列建立VAR模型，通過AIC、SC信息準則確定VAR模型的滯后階數(shù)為2，建立VAR(2)模型。由于VAR模型穩(wěn)定性檢驗是確保該模型結果有效的前提，因此，對建立的VAR模型進行AR根檢驗，結果發(fā)現(xiàn)每個AR特征根的倒數(shù)都在單位圓內(nèi)，如圖7所示，從而說明所建立的VAR模型是平穩(wěn)的，可以進行進一步的分析。

其次，GEPU與新冠肺炎疫情和全球貿(mào)易存在一定的聯(lián)系，但這種關系是否符合時間上的因果關系，則需要進一步進行格蘭杰因果檢驗，其結果如表3所示。格蘭杰因果檢驗顯示，在5%的顯著水平下，新冠肺炎疫情是全球經(jīng)濟政策不確定性的格蘭杰原因，說明了新冠肺炎疫情的全球式暴發(fā)對GEPU存在一定的影響，但全球經(jīng)濟政策不確定性對新冠肺炎疫情不存在單向因果關系，即GEPU的發(fā)展對新冠肺炎疫情的影響作用有限。在10%的顯著水平下，全球貿(mào)易對全球經(jīng)濟政策不確定性存在單向的因果關系，揭示了全球貿(mào)易的發(fā)展對GEPU存在一定的影響效果，但反之影響效果很小。

表3 格蘭杰因果檢驗結果

再次，通過建立VAR模型，我們通過脈沖響應函數(shù)來刻畫自身沖擊、新冠肺炎疫情變化與全球貿(mào)易變化的沖擊對GEPU的動態(tài)影響，如圖8所示。DLNGEPU_SA曲線反映的是受自身沖擊的脈沖響應運動軌跡，當在本期受到自身沖擊后，GEPU在前期呈現(xiàn)快速下降的趨勢，然后上升，再下降，呈現(xiàn)波動現(xiàn)象，最后響應逐漸趨于穩(wěn)定。DLNCOVID曲線反映了GEPU對新冠肺炎疫情的一個標準差新息的沖擊產(chǎn)生的脈沖響應函數(shù)圖。當在本期給新冠肺炎疫情一個沖擊后，在前3期存在負響應，第2期達到一個最大的負響應點，隨后第4期達到一個最大的正響應點，之后下降再上升，呈現(xiàn)波動現(xiàn)象，說明新冠肺炎疫情對GEPU存在長期的影響，即新冠肺炎疫情確診病例的增加會導致GEPU指數(shù)的上升。DLNTRADE_SA曲線反映了GEPU對全球貿(mào)易的一個標準差新息的反應圖，從圖中可以看到，在本期TRADE給一個正的沖擊后，前2期對GEPU是一個正響應，第2期達到最大正響應，隨后又變成負響應，第9期之后快速收斂。

圖8 各變量對GEPU沖擊的脈沖響應圖

最后，利用上述VAR模型對GEPU的訓練組數(shù)據(jù)和測試組數(shù)據(jù)進行預測，并與EMD-ARIMA模型預測精準度對比，結果如表4所示，從而進一步說明EMD-ARIMA模型比VAR模型能夠更好地預測GEPU指數(shù)的波動。

表4 VAR模型與EMD-ARIMA模型的預測誤差

五、 研究結論與政策建議

(一) 研究結論

針對GEPU數(shù)據(jù)具有不確定性、非線性以及不穩(wěn)定性特點，本文引入了EMD-ARIMA模型，并通過實證證明了該模型對GEPU數(shù)據(jù)有很好的適應能力。基于此模型，本文得到了如下結論：(1)作為主流的非平穩(wěn)時間序列預測模型，ARIMA模型能夠有效擬合GEPU指數(shù)的總體變化趨勢，但是預測誤差偏高，對測試組和訓練組的平均相對百分比誤差分別高達12.74%和15.06%。(2)與ARIMA模型相比，EMD-ARIMA模型能有效地解決由原始數(shù)據(jù)不確定性、非線性以及不穩(wěn)定性所導致預測偏差問題，得到精度較高的預測結果，其預測誤差分別為8.76%和7.10%。(3)通過利用平穩(wěn)數(shù)據(jù)構建VAR模型，進一步地構造脈沖響應函數(shù)進行分析，發(fā)現(xiàn)新冠肺炎疫情以及全球貿(mào)易的變化對GEPU存在一定的影響。(4)基于EMD-ARIMA模型，本文發(fā)現(xiàn)在2021年7月之前GEPU指數(shù)呈現(xiàn)出增加的趨勢。(5)由新冠肺炎疫情帶來的沖擊隨著時間的推移與相關應對政策的出臺以及新冠肺炎疫苗的全球式推廣而逐漸弱化，經(jīng)濟政策不確定性會在2021年7月至12月之間趨于穩(wěn)定。

(二) 政策建議

由本文樣本外預測結果可知，2021年7月至12月間基本趨于穩(wěn)定，當前受到新冠肺炎疫情的影響，應該充分認識到全球經(jīng)濟政策不確定性對國際貿(mào)易存在的負面影響。首先，各國監(jiān)管當局應當在經(jīng)濟全球化的視域下建立和完善面向經(jīng)濟政策不確定性的監(jiān)測、評估和預警機制，建立健全風險防控體系。與此同時，相關部門應加強完善信息披露制度，引導各類經(jīng)濟主體根據(jù)實際情況作出合理預期，防范國際事件的急劇上升對本國經(jīng)濟造成不利的影響。

其次，各國要提高應對全球經(jīng)濟政策不確定的針對性和精準性，主動尋求應對方法，化解全球經(jīng)濟政策不確定性對本國經(jīng)濟發(fā)展帶來的不利影響。一方面要增強本國經(jīng)濟政策的穩(wěn)定性和連續(xù)性,為經(jīng)濟主體提供穩(wěn)定的政策環(huán)境,進一步地增強對國際事件沖擊的吸收能力;另一方面也要緊密關注其他國家特別是貿(mào)易往來密切國家的經(jīng)濟運行狀況,并能夠及時根據(jù)相關國家發(fā)生的一些國際事件采取有效的措施。

最后，各國政府要進一步地加強國家之間信息交流和政策溝通，建立宏觀經(jīng)濟政策協(xié)調(diào)機制，增強政治互信，避免單方面貿(mào)易保護和政策沖突，有效預防和規(guī)避各國經(jīng)濟政策波動帶來的不確定性，為促進企業(yè)跨國貿(mào)易和投資創(chuàng)造和諧穩(wěn)定的環(huán)境。