剖析亚洲中期增长前景

分解亚洲的中期增长前景 娜塔莎·切，费德里科·J·迪兹，安妮·奥欣克，欣宁·欣 WP/25/168 国际货币基金组织工作论文描述作者正在进行的研发，并发表以征求评论和鼓励辩论。国际货币基金组织工作论文中表达的观点是作者的观点，不一定代表国际货币基金组织、其执行董事会或国际货币基金组织管理层的观点。 2025AUG IMF工作报告 亚洲及太平洋部门 分解亚洲的中期增长前景 娜塔莎·切，费德里科·J·迪兹，安妮·奥欣克，欣宁·欣 经保罗·a·梅达斯授权发行 2025 国际货币基金组织工作论文描述作者正在进行的研发，并发表以征求评论和鼓励辩论。国际货币基金组织工作论文中表达的观点是作者的观点，不一定代表国际货币基金组织、其执行董事会或国际货币基金组织管理层的观点。 摘要：本文采用两种方法探讨亚太地区的中长期增长前景。首先，增长核算分析和机器学习估计揭示了人口结构、资本深化、生产力和人力资本如何塑造了亚洲的增长。其次，一种创新的算法通过动态时间规整（DTW）将各国的当前状况与历史相似时期进行匹配来预测增长。将基于模式的预测与传统预测进行比较，突出了经济趋同和人口逆风。结果表明，如果没有雄心勃勃的改革，亚洲的增长可能会放缓，但仍将是世界上增长最快的地区。本文为政策制定者提供了数据驱动的工具，以识别增长动力并生成稳健的预测。 推荐引用：切, 娜塔莎, 费德里科·J·迪兹, 安妮·奥克宁, 和 辛伟宁 (2025). \"剖析亚洲中期增长前景.\" 国际货币基金组织工作论文, 国际货币基金组织, 华盛顿特区. 工作论文 剖析亚洲中期增长前景 由娜塔莎·切，费德里科·J·迪艾兹，安妮·奥伊廷，辛伟宁准备1 剖析亚洲中期增长前景 Natasha Che, 费德里科·J·迪埃斯, 安妮·奥金克, 辛伟宁 2025年8月3日 摘要 本文采用两种互补的方法，探讨了亚太地区的中期增长前景。首先，我们进行增长核算分析和基于机器学习的增长驱动因素估计，揭示了人口结构、资本深化、生产力和人力资本如何塑造了亚洲的增长轨迹。其次，我们引入了一种创新算法，通过使用动态时间规整（DTW）将国家的当前状况与历史上的类似国家时期进行匹配来预测增长。通过将这些基于模式的预测与传统生产函数预测进行比较，我们突出了经济趋同的力量和该地区面临的的人口逆风。我们的结果表明，如果没有雄心勃勃的改革，亚洲的增长可能会放缓，但仍然将是世界上增长最快的地区。总的来说，本文为政策制定者提供了一套灵活、数据驱动的工具，以识别关键增长驱动因素、生成稳健的增长预测，并思考经济结构变化。 关键词：经济增长；亚洲经济体；机器学习；增长分解，动态时间规整 1 简介 经济增长仍然是经济公共政策辩论中最重要的问题之一。理解经济增长的动态至关重要，因为它影响着就业率、收入水平和福利。对中长期增长趋势进行准确和现实的预测不仅是经济政策制定的关键——为财政框架、债务可持续性分析和结构改革议程提供基础性输入——也是整个经济投资规划和资源配置决策的关键。准确的预测使政策制定者和企业能够做出明智的决策，从而降低风险、把握机遇、促进可持续发展，最终塑造未来的经济环境。 在过去的二十年间，发达经济体以及新兴市场和发展中经济体的发展轨迹表现出显著差异。自全球金融危机开始，许多经济体经历了显著的增长放缓，尤其是在发达经济体中，这促成了关于长期停滞的讨论（国际货币基金组织，2015, 国际货币基金组织,2016而在危机后几年，许多新兴市场和发展经济体表现出更强的韧性，但这种表现在不同区域和经济体之间存在异质性，到2010年代中期，几个主要新兴经济体也经历了自身的放缓。最近，新兴经济体的增长普遍减速。（国际货币基金组织，2024b）。当前十年受到重大不稳定冲击的标志，包括 COVID-19 大流行、供应链中断、乌克兰战争和不断上升的地缘政治紧张局势，这些冲击共同创造了一个充满挑战的全球经济环境。这些发展引出了关于未来几年增长前景和经济结构变化的重要问题。 许多分析师通过结合系统建模与详细的国别专家分析来制作全面的预测。将量化框架与细粒度的国别专业知识相结合，已被证明对短期预测特别有价值，因为在短期预测中，近期发展和国别特定因素起决定性作用。然而，经济增长动态的固有的复杂性在预测方法从短期扩展到中长期时，为任何预测方法都创造了局限性。 然而，中期规划需要仔细考虑潜在的增长轨迹，以指导政策框架和经济决策。传统的中期增长预测通常依赖于关于生产函数形状的结构化假设 及其相关参数值。然而，这些假设可能并不能完全反映一个国家的发展阶段或其他国家特定的基本面。此外，随着预测时间范围的延长，预测精度往往会下降，这反映了在经济结果在较长时间段内可能发生重大结构性变化从而改变增长轨迹时的预测基本不确定性。对于亚洲-太平洋地区等快速变化的经济体，这些挑战尤为突出，因为结构性转型已经以当前短期展望难以捕捉的方式改变了增长轨迹。在低收入经济体中，数据限制可能会限制更密集数据预测方法的应用，从而使挑战更加复杂。 在此背景下，本文旨在回答以下问题： • 历史上，亚太地区经济快速增长的主要驱动力是什么？ • 今后，亚太地区的中长期增长前景如何？ 我们采用两种互补的策略来解决这些问题。首先，我们使用增长核算和基于机器学习的决策树方法来检验增长动力。通过将历史增长分解为传统生产要素（例如资本、劳动、技术）的贡献，增长核算分析量化了它们随时间的相对重要性，这也有助于在同一框架内进行增长预测。基于决策树的模型通过使用年份 t 的变量来预测未来五年（t+1 至 t+5 年）的平均国内生产总值增长，部署了一个预测框架。这种结构通过确保所有预测变量相对于结果变量都是预先确定的，从而自然地解决了潜在的内生性问题。它通过考虑传统生产要素之外更广泛的变量（例如宏观经济状况、制度质量和全球因素）来补充增长核算，从而验证了增长核算分析中确定的增长动力的演变，并突出了宏观经济稳定性、制度质量和全球溢出效应的重要性。 两种回顾性方法——增长分解和基于树的方 法——为近几十年来亚太地区的增长表现背后的主 要驱动因素提供了洞见。自上世纪末/21世纪初以来，人口因素已成为发达经 济体（AEs）增长的动力障碍，而人力资本和劳动 力 参与力已成为重要的增长驱动力。在新兴市场和中低收入经济体（EMMIEs）中，自2000年以来，生产率增长和人力资本收益一直是最显著的驱动力，可能与技术转移和贸易开放度上升带来的知识溢出效应有关。在低收入发展中国家（LIDCs）中，自2000年以来，资本深化已成为关键的增长驱动力——这一时期也看到了治理改善、吸引外国投资和推动国内投资的增长。 在借鉴这些见解的基础上，论文的第二部分通过两种互补方法，为亚太地区制定中期经济增长预测：一个增长核算框架和一个基于动态时间规整（DTW）的模式匹配方法。增长核算预测——类似于历史分解——根据当前趋势将单个因素（劳动、资本、生产率）预测到中期。相比之下，DTW方法——一种最初为音频信号处理开发的模式识别方法——识别并学习跨广泛经济体相似的历史增长事件，有效地允许非线性状态依赖的增长轨迹。通过系统地识别历史上的相似增长事件，DTW方法补充了更依赖参数关系的标准预测框架。这种新方法提供了一种捕捉经济转型——如结构转型或人口变化——的方法，这些转型可能难以完全融入传统的基于生产函数或短期模型。通过结合这些理论和基于模式的方法，我们可以制定更丰富的预测，既考虑基本经济结构，也考虑现实世界的历史类比。 我们的研究结论可以总结如下。首先，我们的分析表明，如果没有雄心勃勃的改革，亚太地区的增长预计将放缓。此外，虽然人口结构变化发挥着越来越重要的作用，但全要素生产率（TFP）放缓和资本深化不足也预计将是增长放缓的重要贡献因素。在方法论上，我们的方法产生了不同的定量结果，但都指向相同的总体趋势：收入群体间的经济趋同，但随时间的推移增长总体放缓。值得注意的是，无论是增长核算方法还是DTW方法，都是根据历史数据预测增长——或者是该国自身观察到的持续趋势，或者是其他经济体的历史模式。因此，这些方法缺乏预测结构性变化的能力，例如，重大的技术进步，或雄心勃勃的改革。 过去尚未观察到，因此需要将它们纳入预测，尽管这些变化可能会显著改变增长轨迹。因此，我们的预测可以被视为基线如果当前趋势持续，经济体遵循自身和他国的历史模式，则会发生预测。 本文在亚太地区的增长动力、增长预测及经济发展等领域的文献中做出了若干贡献。首先，我们采用增长分解和基于树的分析相结合的补充方法，识别了过去三十年亚太地区强劲增长背后的详细历史驱动因素。其次，我们引入了一种基于DTW的增长预测新方法，系统地运用模式匹配算法来识别类似的历史轨迹——这种观点弥补了更依赖当前因素动态的参数模型的不足。第三，我们在亚太背景下对该新方法进行了全面的实证评估，展示了从历史类比中获得的洞见如何改进中期增长预测。最后，我们基于这两种方法的预测结果，为负责应对人口转变和促进可持续长期发展的政策制定者提供了重要的启示。 总体而言，我们对亚太地区的关注为全球最具活力的经济区域之一提供了具体的动态洞察。通过结合多种方法，我们揭示了结构性趋势——如人口变化、资本深化和生产率趋同——如何塑造未来增长。特别是基于DTW的新型预测方法，为经济学家和政策机构提供了一个透明且适应性强的框架，以便在保持方法论一致性的同时纳入特定国家的知识，使其成为中长期政策制定和经济规划的有价值工具。 2 文献综述 关于经济增长的文献浩如烟海——从哈罗德的开创性著作开始（1939)和Domar(1946), 索洛的规范新古典增长模型(1956) 和天鹅（1956), 至于罗默的内生增长模型(1990)和阿吉翁以及霍华德(1992)。关于经济增长的实证文献包含与我们的分析相关的两个关键方面：理解增长决定因素和预测未来增长轨迹。受 理论模型，如上所述，以及遵循巴罗的奠基性工作（1991), 研究人员已经确定了许多与经济增长相关的变量，包括物质资本和人力资本的积累、研究与开发、宏观经济政策、金融发展和国际贸易。Sala-i-Martin (1997)发现59个变量中有22个似乎与增长“显著”相关，Sala-i-Martin等人（2004)进一步使用贝叶斯方法完善了这项分析。 增长预测文献涵盖了几种方法论传统。传统方法通常结合结构宏观经济模型与专家判断，正如亨德里和克莱门茨所回顾的(2003）。这些方法依赖于识别关键增长决定因素及其相互关系，结合了特定国家和全球状况。增长计量经济学方法被Durlauf等人（2005),已开发出用于分析经济体增长模式的复杂方法。其中一些方法有助于得出前瞻性推论,而另一些方法,如Arom´ı(2019)，明确专注于使用从历史数据中估计的简单模型进行中期增长预测。 最近，机器学习（ML）技术已被应用于经济分析和预测。尽管将它们越来越多地用于研究商业周期和预测经济危机1和即时预测的GDP（例如，Richardson等人，）2021; 巴比等2022), 迄今为止将机器学习应用于中短期增长预测的研究有限。虽然这些方法擅长识别复杂模式，但由于数据有限性和结构性断裂等原因，在经济应用中常常面临挑战，正如费尔南德（）所指出的那样。2015). 模式识别算法为经济预测提供了有前景的新方向。Petris和Petrone(2019)展示了时间序列匹配的效用，尽管主要针对短期预测。动态时间规整（DTW），最初由Sakoe和Chiba为语音识别（1978),已被证明在寻找可能速度或时序变化的时间序列之间的最佳对齐方面特别有效。Berndt和Cliflord(1994)将DTW扩展到时间序列聚类和分类，展示了其捕捉不同长度和相位序列之间相似性的能力。Bagnall等人（2017)在广泛的实证测试中发现，DTW与新方法相比具有优势。 关于增长趋同和发展模式的文献提供重要 基于模式的预测方法的上下文。普里切特（1997)突出了增长经验的多样性，同时