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(yù)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(dǎo)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(dǎo)致GDP下降[2]。此外，不確定性的增加將會導(dǎo)致企業(yè)更加謹慎，這將使經(jīng)濟對刺激性政策的反應(yīng)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(yù)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(yù)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(yù)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(fù)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(yīng)用于中國經(jīng)濟不確定性指數(shù)的構(gòu)建。為了適應(yīng)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?？紤]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。考慮到微博數(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(luò)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(luò)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(luò)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(yīng)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(fù)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(fù)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(yīng)關(guān)鍵軟件和零部件，國家發(fā)改委召開發(fā)布會回應(yīng)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(yù)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(yù)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(yīng)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(yù)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(fù)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(yù)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(shè)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(yù)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(yīng)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(luò)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(yīng)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(yù)期，是預(yù)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(yù)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(yīng)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(yīng)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(yīng)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(yīng)的滯后期數(shù)(單位：月)，縱軸表示響應(yīng)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(yīng)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(yīng)程度是最大的，價格和固定資產(chǎn)投資的響應(yīng)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(yīng)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(yīng)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(yīng)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?？紤]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(yù)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(yīng)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(yīng)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。