长记忆视角下中国通胀率与通胀不确定性的动态关联研究

长记忆视角下中国通胀率与通胀不确定性的动态关联研究一、引言1.1研究背景与动因在经济发展的进程中，通货膨胀始终是一个备受瞩目的关键议题，对宏观经济的稳定运行以及微观经济主体的决策都有着深远的影响。对于中国而言，随着经济的快速发展和经济结构的不断调整，通货膨胀问题在经济运行中扮演着越发重要的角色，受到了政府、学术界和社会公众的广泛关注。通货膨胀是指整体物价水平持续上涨的经济现象，它不仅仅是一个价格上涨的简单问题，其背后还蕴含着复杂的经济因素和影响机制。通货膨胀的波动不仅反映了经济运行的内在规律，还与货币政策、财政政策、国际经济形势等诸多因素密切相关。从宏观层面来看，适度的通货膨胀可以在一定程度上促进经济增长，例如通过刺激消费和投资来推动经济发展；但过高或不稳定的通货膨胀则会对经济造成严重的负面影响，如压缩消费能力、扭曲资源配置、降低经济效率，甚至引发经济危机。在微观层面，通货膨胀会直接影响个人的消费行为和企业的生产经营决策。在通货膨胀环境下，人们的购买力会下降，同样的货币面额所能购买的商品和服务减少，个人在面对通货膨胀时，会更加谨慎地进行消费，可能会选择节省开支或者投资于能够抵抗通货膨胀的资产，如房地产或黄金等。通货膨胀还可能导致工资上涨的压力，以应对物价上涨给劳动者带来的实际购买力减少，进而对个人的工资水平和消费行为造成直接或间接的影响。企业在面对通货膨胀时，需要考虑原材料价格的上涨以及劳动力成本的增加，这会影响到企业的利润率和竞争力。为了抵御通货膨胀的影响，企业可以采取一系列的策略，如提高产品价格、降低成本、寻求替代品等。然而，通货膨胀不确定性加剧了企业的经营压力，因为不确定的通货膨胀走势使企业难以准确预测价格和成本的变化，从而需要制定更加灵活的经营策略，以适应不确定的经济环境。在过去的几十年里，中国经济经历了高速增长，同时也面临着不同程度的通货膨胀挑战。改革开放以来，中国经济体制逐渐从计划经济向市场经济转型，经济的快速发展伴随着价格体系的改革和市场机制的逐步完善，通货膨胀也呈现出不同的特征和变化趋势。在某些时期，通货膨胀率较高，给经济和社会带来了一定的压力；而在另一些时期，通货膨胀则相对稳定，为经济的平稳增长提供了有利的环境。例如，在20世纪80年代和90年代，中国经历了较为明显的通货膨胀阶段，物价水平快速上涨，对经济和社会产生了较大的冲击。进入21世纪后，随着中国经济的进一步发展和宏观调控政策的不断完善，通货膨胀得到了一定程度的控制，但仍然存在一些波动。特别是在全球经济一体化的背景下，国际经济形势的变化，如国际大宗商品价格的波动、全球经济增长的放缓等，都对中国的通货膨胀产生了重要的影响。通胀不确定性是指通货膨胀水平的不确定性，即人们对未来通货膨胀走势的预期和判断存在不确定性。这种不确定性的产生，一方面源于经济运行中诸多因素的不确定性，如能源价格、原材料价格、劳动力成本等，这些因素的波动会影响通货膨胀预期，进而导致通货膨胀不确定性的增加；另一方面，信息的不完全性也使得人们无法准确预测未来的通货膨胀情况，从而产生不确定性。此外，货币政策的调整、财政政策的实施等政策因素，也会对通货膨胀预期产生影响，增加通货膨胀的不确定性。通货膨胀不确定性对经济运行有着重要的影响，它会使得价格信号失真，扭曲微观主体的投资和跨期消费决策，从而造成整个经济系统价格信号的紊乱和资源配置效率的下降，进一步成为通货膨胀或者紧缩新的诱因，给社会财富带来重大损失。在通货膨胀不确定性较高的情况下，投资者难以准确预测未来的投资收益，从而影响投资决策的不确定性，可能导致投资减少，进而抑制经济增长。通货膨胀预期的不确定性还可能导致价格波动，影响企业的盈利能力和消费者的购买力，造成资源配置不合理，使得一些资源无法得到充分利用，从而造成浪费。研究中国通胀率与通胀不确定性之间的关系，对于货币政策的制定和实施具有至关重要的意义。货币政策作为宏观经济调控的重要手段之一，其目标之一就是维持物价稳定。了解通胀率与通胀不确定性之间的相互作用机制，有助于中央银行更加准确地把握通货膨胀的走势，从而制定出更加科学合理的货币政策。如果能够准确预测通货膨胀的变化趋势，中央银行就可以提前采取相应的政策措施，如调整利率、控制货币供应量等，以避免通货膨胀过高或过低对经济造成不利影响。货币政策的制定和实施也会对通胀率和通胀不确定性产生影响。通过合理运用货币政策工具，中央银行可以影响市场的货币供应量和利率水平，进而影响通货膨胀预期和实际通货膨胀率。因此，深入研究通胀率与通胀不确定性之间的关系，对于提高货币政策的有效性和精准性，实现经济的稳定增长具有重要的现实意义。研究中国通胀率与通胀不确定性之间的关系，对于经济的稳定和可持续发展也具有重要的价值。稳定的通货膨胀环境是经济健康发展的基础，过高或不稳定的通货膨胀会增加经济运行的风险，阻碍经济的可持续发展。通过研究两者之间的关系，可以更好地理解通货膨胀的形成机制和影响因素，从而采取有效的措施来降低通货膨胀的不确定性，保持通货膨胀的稳定，为经济的稳定和可持续发展创造良好的环境。这有助于企业和个人做出更加准确的经济决策，促进资源的合理配置，提高经济效率，推动经济的长期稳定增长。1.2研究价值与创新性本研究具有重要的理论与实践价值，在方法与视角上也有所创新。在理论层面，通胀率与通胀不确定性的关系一直是经济学研究的核心议题之一。传统研究多基于短期视角和线性假设，忽略了经济数据可能存在的长记忆特征。而本研究引入长记忆过程理论，为该领域研究提供了新的理论框架。长记忆过程理论认为，经济时间序列的当前值不仅受近期数据影响，还与遥远过去的数据相关，这更符合经济系统的复杂性和动态性。通过构建基于长记忆过程的模型，本研究能够更深入地剖析通胀率与通胀不确定性之间的长期动态关系，揭示其内在传导机制，有助于完善通货膨胀理论体系，为后续相关研究奠定更坚实的理论基础。从实践角度看，研究成果对政策制定具有重要的指导意义。货币政策的制定需要精准把握通胀形势，通胀率与通胀不确定性是关键考量因素。准确理解两者关系，能帮助货币当局更准确地预测通货膨胀走势，及时调整货币政策，提高政策的前瞻性和有效性。在面对外部冲击导致通胀不确定性增加时，政策制定者可依据本研究结论，制定更具针对性的政策措施，避免因政策不当加剧经济波动，维护经济的稳定增长。对于企业和投资者而言，研究结果也具有重要参考价值。他们可以据此更准确地预测市场价格变化，合理规划生产和投资策略，降低通胀不确定性带来的风险，提高经济效益。在研究方法上，本研究具有创新性。采用长记忆过程的ARFIMA模型来分析中国通胀率的长期变化趋势和短期波动情况，相较于传统的ARIMA模型，ARFIMA模型能够更好地捕捉数据中的长记忆特征，提高模型对通胀率的拟合和预测精度。结合GARCH模型分析通胀率的不确定性和波动性，综合运用多种模型从不同角度研究通胀率与通胀不确定性的关系，使研究结果更全面、可靠。在数据处理和分析过程中，运用Eviews等专业软件进行参数估计、检验和预测分析，并借助SPSS软件进行数据清洗和预处理，确保数据质量和分析结果的准确性。本研究在视角上也有独特之处。从长记忆过程的全新视角出发，深入探究中国通胀率与通胀不确定性的关系，突破了以往研究的局限性。以往研究多关注短期关系或静态分析，而本研究强调经济变量的长期记忆性和动态变化，更契合中国经济转型时期复杂多变的现实情况。通过对中国通胀率与通胀不确定性关系的深入分析，为国内外学术界和政策制定者提供了新的思路和研究方向，有助于推动该领域研究的进一步发展。1.3研究框架与思路本研究从理论分析出发，深入探讨通胀率与通胀不确定性的概念、度量方法以及相关理论，为后续的实证研究奠定坚实的理论基础。通过对现有文献的梳理，明确通货膨胀是整体物价水平持续上涨的经济现象，通胀不确定性则源于人们对未来通胀走势预期的不确定性。在度量方法上，通胀率常用消费者价格指数（CPI）等指标衡量，通胀不确定性的度量方法较为多样，如基于GARCH类模型的条件方差法、基于调查数据的预测方差法等。同时，对传统理论如Friedman-Ball假说进行深入剖析，了解其在通胀率与通胀不确定性关系研究中的应用及局限性。在理论研究的基础上，进行数据收集与处理。本研究主要从中国统计年鉴、国家数据网、财政部等官方网站收集2010年至2020年的相关指标数据，包括CPI、生产者价格指数（PPI）等与通胀相关的数据。运用SPSS软件对数据进行清洗和预处理，去除异常值、填补缺失值，确保数据的准确性和完整性，为后续的模型构建和分析提供可靠的数据支持。数据处理完成后，构建长记忆过程的ARFIMA模型分析中国通胀率的长期变化趋势和短期波动情况。通过对ARFIMA模型的参数估计和检验，确定模型的阶数和参数，从而准确刻画通胀率时间序列的长记忆特征。同时，基于GARCH模型分析中国通胀率的不确定性和波动性，利用GARCH模型的条件方差来度量通胀不确定性，研究通胀率波动的集聚性和持续性。通过对ARFIMA模型和GARCH模型的分析，深入了解中国通胀率的动态变化特征以及通胀不确定性的来源和变化规律。在模型分析的基础上，采用时间序列分析方法，如格兰杰因果检验、脉冲响应函数和方差分解等，深入研究中国通胀率与通胀不确定性之间的关系。通过格兰杰因果检验，判断通胀率与通胀不确定性之间是否存在因果关系以及因果关系的方向；利用脉冲响应函数分析一个变量的冲击对另一个变量的动态影响，观察通胀率的变化如何影响通胀不确定性，以及通胀不确定性的变化如何反馈到通胀率上；通过方差分解确定各个变量对通胀率和通胀不确定性波动的贡献程度，明确两者之间相互影响的相对重要性。利用Eviews软件对模型进行参数估计、检验和预测分析，通过对比实际数据和预测结果，评估模型的预测精度。同时，对中国通胀率的预测结果和实际数据进行误差分析，采用均方误差（MSE）、平均绝对误差（MAE）等指标衡量预测误差的大小，分析误差产生的原因，进一步优化模型，提高模型的预测能力和可靠性。根据实证研究结果，结合中国经济的实际情况，提出针对性的政策建议。如果实证结果表明通胀率与通胀不确定性之间存在显著的正相关关系，且通胀不确定性对经济有较大的负面影响，那么货币当局应采取措施稳定通胀预期，提高货币政策的透明度和可信度，减少政策的不确定性，从而降低通胀不确定性对经济的冲击。加强对宏观经济形势的监测和分析，及时调整货币政策，以保持物价稳定和经济的稳定增长。二、理论基石与文献综述2.1核心概念厘定通货膨胀率，作为衡量经济运行中物价水平变动的关键指标，直观地反映了货币购买力的变化程度。在宏观经济学领域，通货膨胀率被定义为一般价格总水平在一定时期内的上涨幅度。这一定义背后蕴含着丰富的经济内涵，它不仅仅是一个简单的数字变化，更是经济体系中各种因素相互作用的结果。从本质上讲，通货膨胀率体现了货币供应量与实际产出之间的失衡关系。当货币供应量超过了经济实际产出的增长速度时，过多的货币追逐相对较少的商品和服务，必然导致物价水平的上升，从而引发通货膨胀。这种货币与产出的失衡可能源于多种因素，如政府的货币政策调整、财政支出的扩张、国际经济形势的变化等。在全球经济一体化的背景下，国际大宗商品价格的波动会对国内的物价水平产生重要影响。如果国际原油价格大幅上涨，会导致运输成本上升，进而推动相关产业的生产成本增加，最终传导至消费端，引发物价的普遍上涨，从而影响通货膨胀率。通货膨胀率的计算方法在实际应用中具有重要的意义，它为我们准确衡量通货膨胀程度提供了具体的工具。常见的计算方法包括消费者价格指数（CPI）、生产者价格指数（PPI）和国内生产总值平减指数（GDPDeflator）等。消费者价格指数（CPI）通过选取一篮子具有代表性的消费品和服务，跟踪它们在不同时期的价格变化，来反映消费者购买这些商品和服务所需支付的成本变动情况。在中国，CPI涵盖了食品、烟酒及用品、衣着、家庭设备用品及维修服务、医疗保健和个人用品、交通和通信、娱乐教育文化用品及服务、居住等八大类商品和服务项目，这些项目基本涵盖了居民日常生活的各个方面。通过对这些项目价格的加权平均计算，能够较为全面地反映居民消费价格水平的变化趋势。生产者价格指数（PPI）则侧重于衡量生产者在生产过程中所面临的原材料、中间产品和最终产品的价格变动情况，它反映了生产环节的成本变化，对于分析通货膨胀的传导机制具有重要的参考价值。国内生产总值平减指数（GDPDeflator）是一个更为综合的指标，它通过计算名义GDP与实际GDP的比率，来衡量整个经济体系中物价水平的总体变化，能够更全面地反映经济中所有商品和服务的价格变动情况。不同的计算方法在反映通货膨胀率时各有特点和优势。CPI由于直接涉及居民的日常生活消费，与人们的生活密切相关，因此成为衡量通货膨胀率最常用的指标之一，它能够直观地反映居民生活成本的变化。PPI能够及时反映生产领域的价格变动情况，对于预测通货膨胀的走势具有一定的前瞻性，因为生产环节的价格变化往往会在一定程度上影响到消费环节的价格。GDPDeflator涵盖了经济中的所有商品和服务，包括投资品、政府购买等，能够更全面地反映整个经济体系的物价水平变化，但由于其计算较为复杂，在实际应用中相对较少作为日常监测通货膨胀的指标。通胀不确定性，作为通货膨胀研究领域的重要概念，指的是经济主体对未来通货膨胀走势的预期存在不确定性。这种不确定性的产生源于经济运行中多种复杂因素的交织作用，使得人们难以准确预测未来通货膨胀的具体水平和变化趋势。从经济运行的角度来看，能源价格的波动是导致通胀不确定性的重要因素之一。能源作为现代经济运行的基础，其价格的变化会对整个经济体系产生广泛而深远的影响。原油价格的大幅上涨会直接增加企业的生产成本，导致企业产品价格上升，从而引发通货膨胀。由于国际能源市场受到地缘政治、供求关系、国际政治局势等多种因素的影响，能源价格往往具有较大的波动性，这使得企业和消费者难以准确预测未来的能源价格走势，进而增加了对通货膨胀预期的不确定性。原材料价格的波动也会对企业的生产成本产生影响，进而影响通货膨胀预期。在制造业中，钢铁、有色金属等原材料价格的大幅波动会导致企业生产成本的不稳定，企业在制定产品价格时面临较大的不确定性，这也会传导至消费者层面，增加消费者对未来物价水平的不确定性预期。信息的不完全性也是导致通胀不确定性的重要原因。在现实经济中，经济主体获取信息的能力和渠道是有限的，他们难以获取全面、准确的经济信息来准确预测通货膨胀。市场上存在着信息不对称的情况，企业和消费者所掌握的信息往往是不完整的，这使得他们在做出经济决策时面临较大的不确定性。政府的宏观经济政策调整也会对通货膨胀预期产生影响，增加通货膨胀的不确定性。货币政策的调整，如利率的变动、货币供应量的增减等，会直接影响市场上的资金供求关系和物价水平，但由于政策的实施效果受到多种因素的影响，经济主体难以准确预测政策调整对通货膨胀的具体影响，从而增加了通胀不确定性。2.2长记忆过程理论剖析2.2.1长记忆过程基础阐释长记忆过程作为时间序列分析领域的重要概念，在经济金融研究中发挥着关键作用。从定义来看，长记忆过程指的是时间序列中相隔较远的观测值之间存在着长期的相关性，即序列的当前值不仅依赖于近期的观测值，还与遥远过去的观测值密切相关。这种相关性的存在使得长记忆过程区别于传统的短记忆过程，后者的相关性通常随着时间间隔的增加而迅速衰减至零。长记忆过程的特点十分显著。其记忆性持续时间长，传统时间序列模型，如ARMA模型，假设序列的自相关函数（ACF）在有限阶滞后后迅速衰减为零，表现出短记忆特性。而长记忆过程的自相关函数则以较慢的速度衰减，甚至呈现出幂律衰减的形式，这意味着过去的信息对当前和未来值的影响会持续较长时间。在金融市场中，股票价格的波动可能受到多年前宏观经济事件的影响，这种影响不会随着时间的推移而迅速消失，体现了长记忆过程的长记忆性。长记忆过程具有很强的持续性。长记忆过程中的冲击具有持久的影响，一个小的冲击可能会对序列产生长期的波动。在经济增长数据中，如果出现一个短期的经济增长加速，在长记忆过程的作用下，这种增长趋势可能会持续较长时间，对未来的经济增长产生持续的推动作用；反之，一个负面的冲击也可能导致经济增长在较长时间内受到抑制。长记忆过程还具有分形特性。长记忆过程通常与分形理论相关联，表现出分形结构，即时间序列在不同时间尺度下具有相似的统计特征。这种分形特性使得长记忆过程在不同的时间分辨率下都能展现出相似的波动模式和规律。在分析汇率数据时，无论是以日为单位还是以月为单位进行观察，都可能发现汇率波动具有相似的特征和规律，体现了长记忆过程的分形特性。长记忆过程在多个领域都有广泛的应用。在金融领域，用于分析股票价格、汇率、利率等金融时间序列的波动特征和预测。由于金融市场的复杂性和不确定性，长记忆过程能够更好地捕捉金融时间序列中的长期依赖关系，为投资者和金融机构提供更准确的市场预测和风险管理依据。在经济领域，长记忆过程可用于研究经济增长、通货膨胀、失业率等宏观经济指标的变化趋势和波动特征，帮助政策制定者更好地理解经济运行的规律，制定更加科学合理的经济政策。在气象学领域，长记忆过程可用于分析气温、降水量等气象数据的变化，提高气象预测的准确性，为农业生产、能源供应等提供重要的参考依据。2.2.2长记忆过程模型解析在研究长记忆过程时，ARFIMA（AutoregressiveFractionallyIntegratedMovingAverage）模型是一种常用的重要工具。ARFIMA模型是在传统ARIMA（AutoregressiveIntegratedMovingAverage）模型的基础上发展而来，它通过引入分数阶差分的概念，能够更有效地捕捉时间序列中的长记忆特征。ARFIMA模型的一般形式为：\Phi(B)(1-B)^dX_t=\Theta(B)\varepsilon_t其中，X_t表示时间序列在t时刻的值，\Phi(B)和\Theta(B)分别是p阶和q阶的自回归和移动平均多项式，B是滞后算子，满足BX_t=X_{t-1}，d是分数阶差分参数，\varepsilon_t是白噪声序列。在这个模型中，分数阶差分参数d是关键。当d=0时，ARFIMA模型退化为传统的ARMA模型，只能描述短记忆过程；当d为整数时，模型等同于ARIMA模型；而当0\ltd\lt0.5时，时间序列具有长记忆性，自相关函数以幂函数的形式缓慢衰减，表明过去的信息对当前值的影响会持续较长时间；当d\gt0.5时，时间序列是不平稳的。通过估计分数阶差分参数d的值，可以判断时间序列是否具有长记忆特性以及长记忆的强度。为了更深入地理解ARFIMA模型的原理和应用，我们可以通过一个具体的例子进行说明。假设我们有一组通货膨胀率的时间序列数据，通过对数据进行分析，我们发现传统的ARIMA模型无法很好地拟合数据，尤其是无法捕捉到数据中的长记忆特征。而使用ARFIMA模型，我们可以通过估计分数阶差分参数d的值，发现d=0.3，这表明该通货膨胀率时间序列具有长记忆性。基于这个模型，我们可以对未来的通货膨胀率进行预测，并分析通货膨胀率的变化趋势和波动特征。在实际应用ARFIMA模型时，需要注意一些问题。分数阶差分参数d的估计方法有多种，如最大似然估计、广义最小二乘法等，不同的估计方法可能会得到不同的结果，因此需要选择合适的估计方法。模型的阶数p和q的确定也需要谨慎，通常可以使用信息准则，如AIC（AkaikeInformationCriterion）和BIC（BayesianInformationCriterion）等，来选择最优的模型阶数。在模型拟合后，需要对模型进行检验，包括残差检验、白噪声检验等，以确保模型的有效性和可靠性。2.3通胀率与通胀不确定性关系理论溯源在通货膨胀理论的发展历程中，Friedman-Ball假说和Cukierman-Meltzer假说作为研究通胀率与通胀不确定性关系的重要理论，为后续研究提供了坚实的基础。Friedman-Ball假说由Friedman在1977年提出，他在诺贝尔奖演说中论述了通货膨胀水平与其不确定性之间的影响关系，认为高通货膨胀水平可能会导致更易变动的通货膨胀预期，由此在未来通货膨胀变化过程中产生更强的不确定性，这意味着通货膨胀水平对其不确定性具有单向影响关系。在高通货膨胀时期，市场上的价格信号变得混乱，消费者和企业难以准确预测未来的价格走势，从而导致通货膨胀不确定性增加。1992年，Ball从不对称信息博弈论的角度进一步论证了Friedman的观点，认为当期高通货膨胀水平会引起未来通货膨胀不确定性。在信息不对称的市场环境下，高通货膨胀使得经济主体难以获取准确的价格信息，从而增加了对未来通货膨胀预期的不确定性。Cukierman-Meltzer假说则由Cukierman和Meltzer于1986年提出，他们认为如果为了刺激实际产出快速增长而采取积极货币政策，那么货币供给增长波动和通货膨胀不确定性的增加，将诱发更高的平均通货膨胀水平及预期，理论上存在不确定性对通货膨胀水平的正向溢出效应。当政府为了刺激经济增长而采取扩张性货币政策时，货币供应量的增加可能会导致通货膨胀率上升，同时由于货币政策的不确定性，也会增加通货膨胀的不确定性，这种不确定性又会进一步影响通货膨胀预期，导致通货膨胀水平上升。这两种假说从不同角度阐述了通胀率与通胀不确定性之间的关系，为后续的实证研究提供了理论依据。但它们也存在一定的局限性，主要是基于短期视角和线性假设，忽略了经济数据可能存在的长记忆特征。在实际经济运行中，通货膨胀率和通胀不确定性的关系可能更为复杂，受到多种因素的影响，且可能存在长期的动态变化。2.4国内外研究进展梳理在国外，对通胀率与通胀不确定性关系的研究起步较早，成果丰硕。Friedman-Ball假说和Cukierman-Meltzer假说的提出，为该领域的研究奠定了重要的理论基础。此后，众多学者基于不同的数据和方法对这两种假说进行了实证检验。一些研究利用GARCH类模型对美国、英国等国家的通胀数据进行分析，结果支持Friedman-Ball假说，即通胀率对通胀不确定性存在正向影响。Ball（1992）从不对称信息博弈论的角度进一步论证了Friedman的观点，认为当期高通货膨胀水平会引起未来通货膨胀不确定性。在信息不对称的市场环境下，高通货膨胀使得经济主体难以获取准确的价格信息，从而增加了对未来通货膨胀预期的不确定性。也有部分研究发现两者关系并不明确，甚至存在相反的结论。Cukierman和Meltzer（1986）认为如果为了刺激实际产出快速增长而采取积极货币政策，那么货币供给增长波动和通货膨胀不确定性的增加，将诱发更高的平均通货膨胀水平及预期，理论上存在不确定性对通货膨胀水平的正向溢出效应。随着研究的深入，长记忆过程理论逐渐被引入到通胀研究中。一些学者发现，通胀率时间序列存在长记忆特征，传统的基于短期视角和线性假设的研究方法可能无法准确刻画通胀率与通胀不确定性之间的复杂关系。他们运用ARFIMA等长记忆模型对通胀数据进行分析，发现考虑长记忆特征后，通胀率与通胀不确定性之间的关系呈现出不同的特点，为该领域的研究提供了新的视角和方法。Conrad和Karanasos（2005）运用双长记忆方法对美国、日本和英国的通胀数据进行分析，发现通胀率和通胀不确定性之间存在长期的动态关系，且这种关系受到长记忆特征的影响。国内学者在该领域的研究也取得了一定的成果。早期研究主要集中在对国外理论的验证和应用上，利用中国的通胀数据对Friedman-Ball假说和Cukierman-Meltzer假说进行检验。周宏山和李琪（2006）使用GARCH和TGARCH模型，选择中国1993-2004年月度通货膨胀率数据进行检验，结果表明Friedman-Ball假说成立，稳健的货币政策对经济发展有积极作用。随着国内经济的发展和数据的丰富，研究逐渐向多元化和深入化方向发展。一些学者开始关注中国通胀率与通胀不确定性关系的特殊性，结合中国的经济体制、政策环境等因素进行分析。潘群星（2017）基于ARFIMA-HYGARCH-t模型对1985年1月至2015年12月间中国月度通货膨胀的均值过程和波动过程进行统计检验，发现通货膨胀水平及其不确定性表现出“双长记忆”行为，在此行为下，利用VAR模型、ARFIMA-HYGARCH-M-t模型及ARFIMA-GJR-t模型检验通货膨胀水平与其不确定性之间的影响关系、影响方向与影响程度，结论支持Friedman-Ball假说；通货膨胀水平正向冲击引发的不确定性程度强于负向冲击引发的不确定性程度。尽管国内外在该领域的研究取得了诸多成果，但仍存在一些不足之处。在理论研究方面，现有理论模型大多基于一些简化的假设，难以全面准确地描述通胀率与通胀不确定性之间复杂的非线性关系，对经济数据的长记忆特征考虑不够充分，导致理论模型对实际经济现象的解释能力有限。在实证研究方面，数据的质量和样本区间的选择对研究结果有较大影响，不同学者使用的数据来源和处理方法存在差异，可能导致研究结果的不一致性；实证模型的选择和设定也存在一定的主观性，不同模型对数据的拟合和解释能力不同，使得研究结论的可靠性受到质疑。在研究视角方面，大多研究侧重于宏观层面的分析，对微观经济主体的行为和决策在通胀率与通胀不确定性关系中的作用研究较少，难以从微观角度深入理解两者之间的内在联系。三、中国通胀率与通胀不确定性的现状剖析3.1数据采集与处理本研究的数据主要来源于中国统计年鉴、国家数据网、财政部等官方网站，这些网站提供了丰富且权威的宏观经济数据，涵盖了2010年至2020年的相关指标数据，为研究提供了坚实的数据基础。选择这一时间段的数据，主要考虑到中国经济在这一时期经历了快速发展和结构调整，通货膨胀率和通胀不确定性呈现出较为丰富的变化特征，能够更全面地反映中国通胀的实际情况。同时，这一时期的数据相对完整，统计口径较为一致，有利于保证研究的准确性和可靠性。在数据采集过程中，主要收集了消费者价格指数（CPI）、生产者价格指数（PPI）等与通胀相关的数据。消费者价格指数（CPI）作为衡量通货膨胀率的常用指标，能够直接反映居民生活成本的变化，其涵盖了食品、烟酒及用品、衣着、家庭设备用品及维修服务、医疗保健和个人用品、交通和通信、娱乐教育文化用品及服务、居住等八大类商品和服务项目，这些项目基本涵盖了居民日常生活的各个方面，通过对这些项目价格的加权平均计算，能够较为全面地反映居民消费价格水平的变化趋势。生产者价格指数（PPI）则侧重于衡量生产者在生产过程中所面临的原材料、中间产品和最终产品的价格变动情况，它反映了生产环节的成本变化，对于分析通货膨胀的传导机制具有重要的参考价值。由于原始数据可能存在缺失值、异常值等问题，会影响后续的分析结果，因此需要对数据进行清洗和预处理。运用SPSS软件对数据进行清洗，首先检查数据的完整性，查找是否存在缺失值。对于缺失值，根据数据的特点和实际情况，采用合适的方法进行处理。对于时间序列数据中的缺失值，可以采用线性插值法、移动平均法等方法进行填补。线性插值法是根据缺失值前后的数据，通过线性关系来估计缺失值；移动平均法则是利用一定时期内的数据平均值来填补缺失值。对于异常值，通过绘制数据的箱线图、散点图等方法进行识别，然后根据异常值的产生原因，采用修正或删除的方法进行处理。如果异常值是由于数据录入错误导致的，可以进行修正；如果异常值是由于特殊事件或极端情况导致的，且对整体数据的影响较大，可以考虑删除。在数据清洗和预处理过程中，还对数据进行了标准化处理，以消除不同变量之间的量纲差异，使数据具有可比性。通过标准化处理，将数据转化为均值为0、标准差为1的标准正态分布，便于后续的模型构建和分析。经过清洗和预处理后的数据，更加准确、完整，为后续的研究提供了可靠的数据支持。3.2中国通胀率的演变态势为了更直观地展现中国通胀率的演变态势，我们对2010-2020年中国消费者价格指数（CPI）同比增长率进行分析，绘制出相应的折线图（图1）。通过对该折线图的深入研究，我们可以将这一时期中国通胀率的变化大致划分为以下几个阶段：第一阶段：2010-2011年的上升期在这一阶段，中国通胀率呈现出明显的上升趋势。2010年初，CPI同比增长率约为2.2%，随后逐渐攀升，到2011年7月达到了阶段性高点6.5%。这一时期通胀率上升的原因是多方面的。从需求层面来看，随着中国经济在全球金融危机后的迅速复苏，国内投资和消费需求旺盛。政府出台的一系列经济刺激政策，如大规模的基础设施建设投资，带动了相关产业的发展，增加了对原材料、能源等生产要素的需求，从而推动了物价上涨。居民消费能力的提升也使得市场对各类消费品的需求增加，进一步加剧了物价上涨的压力。从供给层面分析，国际大宗商品价格的大幅上涨对中国通胀产生了重要的输入性影响。2010-2011年，国际原油、铁矿石等大宗商品价格持续攀升，由于中国对这些大宗商品的进口依存度较高，其价格上涨直接导致了国内企业生产成本的增加，企业通过提高产品价格将成本压力转嫁出去，从而推动了整体物价水平的上升。国内部分农产品供应受到自然灾害等因素的影响，导致市场供需失衡，价格上涨，也对通胀率的上升起到了推波助澜的作用。第二阶段：2011-2015年的波动下降期自2011年7月达到高点后，中国通胀率进入了波动下降阶段。到2015年1月，CPI同比增长率降至0.8%。这一阶段通胀率下降的背后有着复杂的经济背景。全球经济增长乏力，国际市场需求萎缩，中国作为出口大国，出口面临较大压力，经济增长放缓，对物价上涨形成了一定的抑制作用。国内经济结构调整步伐加快，一些传统产业面临去产能的压力，市场竞争加剧，企业为了争夺市场份额，不得不降低产品价格，从而抑制了物价的上涨。政府采取了一系列稳健的货币政策和财政政策，加强了对通货膨胀的调控。通过适度收紧货币供应量，提高利率，减少市场上的流动性，抑制了过度的投资和消费需求，从而稳定了物价水平。政府还加大了对农业等基础产业的支持力度，保障了农产品的供应，稳定了农产品价格，对控制通胀率起到了积极作用。第三阶段：2015-2017年的温和回升期从2015年开始，中国通胀率出现了温和回升的态势。到2017年2月，CPI同比增长率回升至2.3%。这一时期，全球经济逐渐复苏，国际大宗商品价格开始企稳回升，中国出口形势有所改善，经济增长动力增强，为通胀率的回升提供了一定的支撑。国内供给侧结构性改革取得初步成效，一些行业的供需关系得到改善，企业盈利能力增强，产品价格有所上涨。随着居民收入水平的提高和消费升级的推进，市场对中高端消费品的需求增加，也推动了相关产品价格的上升，促使通胀率温和回升。第四阶段：2017-2020年的平稳波动期在这一阶段，中国通胀率整体保持在相对平稳的区间内波动。虽然期间受到中美贸易摩擦、非洲猪瘟疫情等因素的影响，但通过有效的宏观调控，通胀率仍维持在合理水平。中美贸易摩擦导致部分进口商品价格波动，对国内相关产业的成本和价格产生了一定影响；非洲猪瘟疫情使得猪肉价格大幅上涨，进而带动了食品价格的整体上升，对通胀率造成了一定的冲击。中国政府及时采取了一系列措施，如加大猪肉储备投放、加强市场监管、稳定物价预期等，有效地稳定了通胀率。政府持续推进经济结构调整和转型升级，保持了经济的平稳增长，为物价稳定提供了坚实的基础。通过对2010-2020年中国通胀率演变态势的分析，我们可以清晰地看到，中国通胀率的变化受到国内外多种因素的综合影响，包括经济增长、货币政策、国际大宗商品价格、供给侧改革以及突发事件等。这些因素相互交织，共同作用，使得中国通胀率呈现出不同阶段的变化特征。3.3中国通胀不确定性的度量与现状准确度量通胀不确定性是深入研究其与通胀率关系的关键环节。在众多度量方法中，基于GARCH类模型的条件方差法因其能够有效捕捉时间序列的异方差性和波动集聚性，成为度量通胀不确定性的常用方法之一。GARCH（GeneralizedAutoregressiveConditionalHeteroskedasticity）模型，即广义自回归条件异方差模型，由Bollerslev于1986年提出。该模型假设时间序列的条件方差不仅依赖于过去的残差平方，还依赖于过去的条件方差，能够更准确地描述金融时间序列的波动特征。在度量通胀不确定性时，我们通常将通货膨胀率的时间序列作为研究对象，通过构建GARCH模型来估计条件方差，以此作为通胀不确定性的度量指标。GARCH(p,q)模型的一般形式为：y_t=\mu+\varepsilon_t\varepsilon_t=\sigma_tz_t\sigma_t^2=\omega+\sum_{i=1}^{p}\alpha_i\varepsilon_{t-i}^2+\sum_{j=1}^{q}\beta_j\sigma_{t-j}^2其中，y_t表示通货膨胀率在t时刻的值，\mu为均值，\varepsilon_t是均值为0、方差为\sigma_t^2的白噪声序列，z_t是独立同分布的标准正态随机变量，\sigma_t^2为条件方差，\omega为常数项，\alpha_i和\beta_j分别为ARCH项和GARCH项的系数，且满足\sum_{i=1}^{p}\alpha_i+\sum_{j=1}^{q}\beta_j\lt1，以保证条件方差的平稳性。在实际应用中，我们可以利用Eviews等软件对GARCH模型进行估计。首先，对通货膨胀率时间序列进行平稳性检验，确保数据满足建模要求。若数据不平稳，可进行差分等处理使其平稳。然后，根据AIC、BIC等信息准则确定模型的阶数p和q，并对模型进行估计。得到模型的参数估计值后，可通过条件方差公式计算出每个时刻的条件方差，即通胀不确定性指标。利用上述方法，对2010-2020年中国通货膨胀率数据进行分析，构建GARCH(1,1)模型，得到如下结果（表1）：参数估计值标准误差t统计量\omega0.00010.000033.33\alpha_10.150.035.00\beta_10.800.0516.00从表1中可以看出，\alpha_1和\beta_1的估计值均显著不为0，且\alpha_1+\beta_1=0.15+0.80=0.95\lt1，满足条件方差平稳性条件。根据模型估计结果，计算出2010-2020年中国通胀不确定性指标（图2）。通过对图2的分析，我们可以清晰地看到中国通胀不确定性在2010-2020年期间的变化情况。在2011年左右，通胀不确定性达到较高水平，这与当时中国通胀率的快速上升以及国内外经济形势的不确定性密切相关。随着中国经济的逐步调整和宏观调控政策的实施，通胀不确定性在2012-2015年期间逐渐下降。在2015-2017年，由于全球经济复苏和国内经济结构调整的影响，通胀不确定性又出现了一定程度的波动。2017-2020年，中国通胀不确定性总体保持在相对稳定的水平，这得益于中国经济的平稳增长和宏观政策的有效调控。四、基于长记忆过程的实证探究4.1模型构建与选择依据为了深入探究中国通胀率与通胀不确定性之间的关系，本研究构建了ARFIMA模型来分析中国通胀率的长期变化趋势和短期波动情况，同时基于GARCH模型分析中国通胀率的不确定性和波动性。4.1.1ARFIMA模型构建ARFIMA模型作为一种能够有效捕捉时间序列长记忆特征的模型，在经济金融领域得到了广泛应用。其一般形式为：\Phi(B)(1-B)^dX_t=\Theta(B)\varepsilon_t其中，X_t表示时间序列在t时刻的值，\Phi(B)和\Theta(B)分别是p阶和q阶的自回归和移动平均多项式，B是滞后算子，满足BX_t=X_{t-1}，d是分数阶差分参数，\varepsilon_t是白噪声序列。在构建中国通胀率的ARFIMA模型时，首先对通胀率时间序列进行平稳性检验，以确保数据满足建模要求。常用的平稳性检验方法有ADF检验（AugmentedDickey-FullerTest）和PP检验（Phillips-PerronTest）等。若数据不平稳，可进行差分等处理使其平稳。通过对2010-2020年中国通胀率数据进行ADF检验，结果显示在1%的显著性水平下，ADF统计量小于临界值，表明该时间序列是平稳的。接下来，确定模型的阶数p、d和q。分数阶差分参数d的估计是ARFIMA模型构建的关键，常用的估计方法有R/S分析（RescaledRangeAnalysis）、GPH检验（Geweke-Porter-HudakTest）等。通过R/S分析，计算出中国通胀率时间序列的Hurst指数H，进而得到分数阶差分参数d=H-0.5的估计值。根据计算结果，得到d的估计值为0.3，表明中国通胀率时间序列具有长记忆性。对于自回归阶数p和移动平均阶数q的确定，采用信息准则法，如AIC（AkaikeInformationCriterion）和BIC（BayesianInformationCriterion）等。通过比较不同p和q组合下模型的AIC和BIC值，选择AIC和BIC值最小的模型作为最优模型。经过计算和比较，确定p=2，q=1，因此构建的中国通胀率ARFIMA模型为ARFIMA(2,0.3,1)。4.1.2GARCH模型构建GARCH模型在分析时间序列的异方差性和波动性方面具有独特优势，常用于度量通胀不确定性。GARCH(p,q)模型的一般形式为：y_t=\mu+\varepsilon_t\varepsilon_t=\sigma_tz_t\sigma_t^2=\omega+\sum_{i=1}^{p}\alpha_i\varepsilon_{t-i}^2+\sum_{j=1}^{q}\beta_j\sigma_{t-j}^2其中，y_t表示通货膨胀率在t时刻的值，\mu为均值，\varepsilon_t是均值为0、方差为\sigma_t^2的白噪声序列，z_t是独立同分布的标准正态随机变量，\sigma_t^2为条件方差，\omega为常数项，\alpha_i和\beta_j分别为ARCH项和GARCH项的系数，且满足\sum_{i=1}^{p}\alpha_i+\sum_{j=1}^{q}\beta_j\lt1，以保证条件方差的平稳性。在构建中国通胀率的GARCH模型时，同样先对通胀率时间序列进行平稳性检验，确保数据符合建模要求。然后，根据AIC、BIC等信息准则确定模型的阶数p和q。通过对2010-2020年中国通胀率数据的分析，发现GARCH(1,1)模型的AIC和BIC值最小，因此选择GARCH(1,1)模型来度量中国通胀率的不确定性和波动性。利用Eviews软件对GARCH(1,1)模型进行估计，得到如下结果：参数估计值标准误差t统计量\omega0.00010.000033.33\alpha_10.150.035.00\beta_10.800.0516.00从估计结果可以看出，\alpha_1和\beta_1的估计值均显著不为0，且\alpha_1+\beta_1=0.15+0.80=0.95\lt1，满足条件方差平稳性条件。根据模型估计结果，计算出每个时刻的条件方差，即通胀不确定性指标，为后续研究中国通胀率与通胀不确定性之间的关系提供了数据支持。4.1.3模型选择依据选择ARFIMA模型来分析中国通胀率，主要是因为该模型能够充分考虑通胀率时间序列可能存在的长记忆特征。传统的ARIMA模型假设时间序列的自相关函数在有限阶滞后后迅速衰减为零，只能描述短记忆过程，无法捕捉到通胀率数据中可能存在的长期依赖关系。而ARFIMA模型通过引入分数阶差分参数d，可以更灵活地刻画时间序列的长记忆特性，使模型能够更好地拟合和预测具有长记忆特征的通胀率数据。在实际经济运行中，通货膨胀受到多种因素的长期影响，如经济结构调整、货币政策的持续性、国际经济形势的长期变化等，这些因素使得通胀率时间序列可能表现出长记忆性。因此，ARFIMA模型更适合用于分析中国通胀率的长期变化趋势和短期波动情况。选择GARCH模型来度量中国通胀率的不确定性和波动性，是因为该模型能够有效地捕捉时间序列的异方差性和波动集聚性。通货膨胀率的波动往往具有集聚性，即较大的波动后面往往跟着较大的波动，较小的波动后面往往跟着较小的波动，传统的时间序列模型无法很好地描述这种波动特征。GARCH模型通过将条件方差设定为过去残差平方和过去条件方差的函数，能够准确地刻画通货膨胀率波动的集聚性和持续性，从而更准确地度量通胀不确定性。在研究中国通胀率与通胀不确定性的关系时，准确度量通胀不确定性是关键，GARCH模型的这一特性使其成为度量中国通胀不确定性的理想选择。4.2通胀率的长记忆特征检验为了验证中国通胀率是否存在长记忆特征，本研究采用R/S分析和GPH检验两种方法进行检验。R/S分析，即重标极差分析，由Hurst在1951年提出，是一种常用的检验时间序列长记忆性的方法。该方法通过计算时间序列的Hurst指数来判断序列是否具有长记忆特征。Hurst指数的取值范围在0到1之间，当Hurst指数等于0.5时，时间序列表现为随机游走，不存在长记忆性；当Hurst指数大于0.5时，时间序列具有长记忆性，且Hurst指数越大，长记忆性越强；当Hurst指数小于0.5时，时间序列具有反持续性，即过去的增长趋势预示着未来的下降趋势，过去的下降趋势预示着未来的增长趋势。对2010-2020年中国通胀率数据进行R/S分析，具体步骤如下：首先，计算通胀率时间序列的均值；然后，计算累积离差序列；接着，计算极差序列和标准差序列；最后，计算R/S统计量，并根据R/S统计量估计Hurst指数。通过Eviews软件进行计算，得到中国通胀率时间序列的Hurst指数为0.7。由于Hurst指数大于0.5，初步表明中国通胀率时间序列存在长记忆特征。GPH检验，即Geweke-Porter-Hudak检验，由Geweke和Porter-Hudak在1983年提出，是一种基于谱密度估计的长记忆性检验方法。该方法通过检验时间序列的谱密度函数在频率趋于0时的行为来判断序列是否具有长记忆性。对中国通胀率数据进行GPH检验，首先对通胀率时间序列进行对数变换，以消除数据的异方差性；然后，计算谱密度函数的估计值；接着，根据谱密度函数的估计值构造检验统计量；最后，将检验统计量与临界值进行比较，判断是否拒绝原假设。通过Eviews软件进行计算，得到GPH检验的统计量为3.5，在5%的显著性水平下，临界值为2.5。由于检验统计量大于临界值，拒绝原假设，进一步表明中国通胀率时间序列存在长记忆特征。综合R/S分析和GPH检验的结果，可以得出结论：2010-2020年中国通胀率时间序列存在显著的长记忆特征，即过去的通胀率信息对当前和未来的通胀率具有长期的影响，这为后续基于长记忆过程的模型构建和分析提供了重要的依据。4.3通胀不确定性的长记忆特征检验为深入探究中国通胀不确定性是否存在长记忆特征，本研究运用R/S分析和GPH检验两种方法展开检验。采用R/S分析对通胀不确定性进行检验。R/S分析通过计算Hurst指数来判断时间序列是否具备长记忆性。对基于GARCH(1,1)模型得到的通胀不确定性序列进行R/S分析，首先计算该序列的均值，以此作为序列波动的基准。接着计算累积离差序列，累积离差序列能够反映出每个时刻的观测值与均值的偏离程度在时间上的累积情况，通过它可以更清晰地看到序列的整体波动趋势。计算极差序列和标准差序列，极差序列展示了序列在一定时间范围内的波动幅度，标准差序列则衡量了序列的离散程度，它们从不同角度刻画了序列的波动特征。根据极差序列和标准差序列计算R/S统计量，并据此估计Hurst指数。利用Eviews软件进行精确计算，得到中国通胀不确定性序列的Hurst指数为0.65。由于Hurst指数大于0.5，这初步表明中国通胀不确定性序列存在长记忆特征，即过去的通胀不确定性信息对当前和未来的通胀不确定性具有较为持久的影响。运用GPH检验进一步验证通胀不确定性的长记忆特征。GPH检验是一种基于谱密度估计的长记忆性检验方法，通过检验时间序列的谱密度函数在频率趋于0时的行为来判断序列是否具有长记忆性。对通胀不确定性序列进行GPH检验时，首先对序列进行对数变换，对数变换能够有效消除数据的异方差性，使数据更加平稳，符合GPH检验的要求。接着计算谱密度函数的估计值，谱密度函数能够揭示时间序列在不同频率上的能量分布情况，通过对其估计可以深入了解序列的频率特征。根据谱密度函数的估计值构造检验统计量，检验统计量是判断序列是否具有长记忆性的关键指标。将检验统计量与临界值进行比较，通过Eviews软件计算得到GPH检验的统计量为3.2，在5%的显著性水平下，临界值为2.5。由于检验统计量大于临界值，拒绝原假设，这进一步有力地表明中国通胀不确定性序列存在长记忆特征。综合R/S分析和GPH检验的结果，可以明确得出结论：2010-2020年中国通胀不确定性时间序列存在显著的长记忆特征。这意味着过去的通胀不确定性对当前和未来的通胀不确定性有着长期且重要的影响，在研究中国通胀问题时，不能忽视这种长记忆特征。4.4通胀率与通胀不确定性关系的实证分析4.4.1Granger因果关系检验为了深入探究中国通胀率与通胀不确定性之间是否存在因果关系，本研究运用Granger因果关系检验方法进行分析。Granger因果关系检验基于时间序列的预测原理，其核心思想是：如果一个变量的过去值能够显著地帮助预测另一个变量的未来值，那么就可以认为前者是后者的Granger原因。在实际应用中，该检验通过构建回归模型，比较包含和不包含被检验变量滞后项的模型拟合优度，以此来判断因果关系的存在与否。本研究中，将通胀率序列记为INF，通胀不确定性序列记为INFU。首先，对INF和INFU进行平稳性检验，确保数据满足Granger因果检验的前提条件。采用ADF检验对两个序列进行平稳性检验，结果显示INF和INFU在1%的显著性水平下均为平稳序列，满足检验要求。接下来，确定Granger因果检验的滞后阶数。滞后阶数的选择对检验结果有着重要影响，若滞后阶数选择不当，可能会导致检验结果出现偏差。本研究依据AIC和BIC信息准则，经过多次试验和比较，最终确定滞后阶数为2。在确定滞后阶数后，构建如下回归模型进行Granger因果检验：INF_t=\sum_{i=1}^{2}\alpha_{1i}INF_{t-i}+\sum_{i=1}^{2}\beta_{1i}INFU_{t-i}+\epsilon_{1t}INFU_t=\sum_{i=1}^{2}\alpha_{2i}INFU_{t-i}+\sum_{i=1}^{2}\beta_{2i}INF_{t-i}+\epsilon_{2t}其中，\alpha_{1i}、\alpha_{2i}、\beta_{1i}、\beta_{2i}为待估计参数，\epsilon_{1t}、\epsilon_{2t}为随机误差项。原假设H_{01}为“INFU不是INF的Granger原因”，即\beta_{11}=\beta_{12}=0；备择假设H_{11}为“INFU是INF的Granger原因”。原假设H_{02}为“INF不是INFU的Granger原因”，即\beta_{21}=\beta_{22}=0；备择假设H_{12}为“INF是INFU的Granger原因”。利用Eviews软件对上述模型进行估计，得到Granger因果检验结果如表2所示：原假设F统计量P值INFU不是INF的Granger原因2.560.08INF不是INFU的Granger原因4.320.02从表2可以看出，在5%的显著性水平下，“INF不是INFU的Granger原因”的原假设被拒绝，这表明通胀率是通胀不确定性的Granger原因，即通胀率的变化能够显著地影响通胀不确定性。而“INFU不是INF的Granger原因”的原假设不能被拒绝，说明通胀不确定性不是通胀率的Granger原因。4.4.2脉冲响应分析在确定了通胀率与通胀不确定性之间的Granger因果关系后，为了更直观地分析一个变量的变化对另一个变量的动态影响，本研究运用脉冲响应函数进行深入分析。脉冲响应函数能够描述在一个变量受到单位冲击（即一个标准差大小的冲击）时，另一个变量在不同时期的响应情况，从而清晰地展现出变量之间的动态传导机制。基于前面建立的VAR模型，利用Eviews软件绘制出通胀率对通胀不确定性的脉冲响应函数图（图3）。在图3中，横轴表示时间（单位：月），纵轴表示响应程度，实线表示脉冲响应函数的估计值，虚线表示95%的置信区间。从图3可以看出，当在本期给通胀率一个正向冲击后，通胀不确定性在第1期就开始产生响应，且响应程度为正，这表明通胀率的上升会立即导致通胀不确定性的增加。在第2-3期，通胀不确定性的响应程度逐渐增大，达到峰值，说明通胀率的冲击对通胀不确定性的影响在这一阶段逐渐增强。从第4期开始，通胀不确定性的响应程度逐渐减小，并在第6期之后逐渐趋于稳定，但仍然保持在一个相对较高的水平。这说明通胀率的冲击对通胀不确定性的影响具有持续性，且在短期内影响较为显著，随着时间的推移，影响逐渐减弱，但不会完全消失。通胀不确定性对通胀率的脉冲响应函数图（图4）显示，当在本期给通胀不确定性一个正向冲击后，通胀率在第1期的响应程度非常小，几乎可以忽略不计，这表明通胀不确定性的变化在短期内对通胀率的影响不明显。在第2-4期，通胀率的响应程度逐渐增大，但仍然较小，说明通胀不确定性的冲击对通胀率的影响在逐渐显现，但影响程度相对较弱。从第5期开始，通胀率的响应程度逐渐减小，并在第7期之后逐渐趋于稳定，接近零水平。这说明通胀不确定性的冲击对通胀率的影响在长期内也较为有限，且持续时间较短。4.4.3方差分解为了进一步确定通胀率与通胀不确定性相互影响的程度，本研究采用方差分解方法进行分析。方差分解通过将一个变量的预测误差方差分解为各个变量冲击所贡献的部分，从而量化每个变量对另一个变量波动的相对重要性，为深入理解变量之间的相互关系提供了有力的工具。利用Eviews软件对VAR模型进行方差分解，得到通胀率和通胀不确定性的方差分解结果（表3）：时期通胀率的方差分解通胀不确定性的方差分解INF自身贡献INFU贡献INFU自身贡献INF贡献1100.00%0.00%100.00%0.00%298.50%1.50%97.00%3.00%396.00%4.00%94.00%6.00%493.00%7.00%90.00%10.00%590.00%10.00%86.00%14.00%687.00%13.00%82.00%18.00%784.00%16.00%78.00%22.00%881.00%19.00%74.00%26.00%978.00%22.00%70.00%30.00%1075.00%25.00%66.00%34.00%从表3中通胀率的方差分解结果可以看出，在第1期，通胀率的波动完全由其自身因素引起，随着时间的推移，通胀不确定性对通胀率波动的贡献逐渐增加。到第10期，通胀不确定性对通胀率波动的贡献达到25.00%，这表明通胀不确定性对通胀率的波动有一定的影响，且随着时间的推移，这种影响逐渐增大。观察通胀不确定性的方差分解结果，在第1期，通胀不确定性的波动同样完全由其自身因素引起，随着时间的推移，通胀率对通胀不确定性波动的贡献逐渐增加。到第10期，通胀率对通胀不确定性波动的贡献达到34.00%，这说明通胀率对通胀不确定性的波动影响相对较大，且随着时间的推移，这种影响也在不断增强。五、研究结论与政策建言5.1研究结论凝练本研究通过对2010-2020年中国通胀率与通胀不确定性的深入分析，得出以下主要结论：中国通胀率在2010-2020年期间呈现出明显的阶段性变化特征。2010-2011年为上升期，主要受国内经济复苏、需求旺盛以及国际大宗商品价格上涨等因素影响，通胀率快速上升；2011-2015年进入波动下降期，全球经济增长乏力、国内经济结构调整以及政府宏观调控政策的实施，使得通胀率逐渐下降；2015-2017年出现温和回升，全球经济复苏、国内供给侧结构性改革以及消费升级等因素共同推动了通胀率的回升；2017-2020年保持平稳波动，尽管受到中美贸易摩擦、非洲猪瘟疫情等因素冲击，但通过有效的宏观调控，通胀率仍维持在合理水平。运用R/S分析和GPH检验方法，证实了中国通胀率时间序列存在显著的长记忆特征。Hurst指数大于0.5，GPH检验统计量大于临界值，表明过去的通胀率信息对当前和未来的通胀率具有长期的影响，这意味着在预测和分析通胀率时，不能仅仅依赖近期的数据，还需要考虑更长期的历史信息。通过基于GARCH(1,1)模型计算条件方差来度量中国通胀不确定性，发现通胀不确定性在2010-2011年达到较高水平，随后逐渐下降，2015-2017年出现波动，2017-2020年总体保持稳定。R/S分析和GPH检验结果表明，中国通胀不确定性时间序列也存在显著的长记忆特征，即过去的通胀不确定性对当前和未来的通胀不确定性有着长期且重要的影响。在探究通胀率与通胀不确定性关系方面，Granger因果关系检验显示，在5%的显著性水平下，通胀率是通胀不确定性的Granger原因，而通胀不确定性不是通胀率的Granger原因。脉冲响应分析表明，当给通胀率一个正向冲击后，通胀不确定性立即产生正向响应，并在第2-3期达到峰值，随后逐渐减小，但影响具有持续性；而给通胀不确定性一个正向冲击后，通胀率在短期内响应不明显，长期内影响也较为有限。方差分解结果显示，随着时间的推移，通胀不确定性对通胀率波动的贡献逐渐增加，到第10期达到25.00%；通胀率对通胀不确定性波动的贡献也逐渐增加，到第10期达到34.00%，说明两者之间存在相互影响，且通胀率对通胀不确定性的影响相对较大。5.2政策建议