本文介绍了贸易政策活动(TPA)指数,该指数通过动态因子模型衡量自全球金融危机以来不断变化的全球贸易政策动态。研究使用涵盖197个国家和地区全面贸易政策数据的动态因子模型,记录了2019年左右的结构性转变,贸易政策的使用大幅增加。TPA指数还确定了周期性活动高峰期,并揭示了不同类型措施之间的相互联系。此外,研究人员能够识别不同经济体组之间贸易政策部署的系统性差异。此外,他们还采用MIDAS(混合数据采样)回归和高频数据来开发贸易政策活动的即时预测能力,从而能够实时识别潜在的政策转变。这些结果为贸易政策测量文献做出了贡献,并提供了一个工具来实时监测全球贸易政策发展。
数据方面,研究使用了世界贸易组织的贸易监测数据库(TMDB)和全球贸易警报(GTA)数据库,这两个数据库分别跟踪关税、其他进出口限制、贸易补救措施、海关相关程序、与贸易相关的投资措施、补贴和其他与贸易相关的政策的信息,从而全面了解贸易政策动态。为了构建新的贸易政策指数,研究人员首先计算了全球新贸易政策措施的总数以及特定月份和年份受这些措施影响的平均产品数量,按类型和数据来源划分(见附件表A1.2)。然后,研究人员还实施了数据构建过程中的进一步数据处理步骤,以构建模型中使用的输入变量。
研究方法方面,研究人员开发了一个动态因子模型(DFM)来分析贸易政策随时间的变化。该模型明确考虑了不同类型措施之间的趋势行为和结构关系。在去除季节性后,研究人员让𝑦𝑦𝑡𝑡∗= [𝑦𝑦1𝑡𝑡∗, … ,𝑦𝑦𝑛𝑛𝑡𝑡∗]′表示去季节化的时间序列向量,其中𝑦𝑦𝑡𝑡∗表示𝑛𝑛× 1个去季节化的时间序列,𝑦𝑦𝑡𝑡∗= [𝑦𝑦1𝑡𝑡∗− 𝜙𝜙1(𝑡𝑡), … ,𝑦𝑦𝑛𝑛𝑡𝑡∗−𝜙𝜙𝑛𝑛(𝑡𝑡)]′。模型的形式为:
𝑦𝑦𝑡𝑡∗=𝜙𝜙(𝑡𝑡) + 𝑓𝑓𝑡𝑡𝑡+𝜀𝜀𝑡𝑡
其中𝜙𝜙(𝑡𝑡) = [𝜙𝜙1(𝑡𝑡), … ,𝜙𝜙𝑛𝑛(𝑡𝑡)]′是一个𝑛𝑛× 1的确定性非线性时间趋势向量,𝑓𝑓𝑡𝑡∈ ℝ𝑟𝑟表示𝑟𝑟个因素,2𝑟𝑟+ 1≤ 𝑛𝑛,这些因素与𝜙𝜙(𝑡𝑡)不相关,𝛬𝛬是一个𝑛𝑛×𝑟𝑟的因素载荷矩阵,𝜀𝜀𝑡𝑡= [𝜀𝜀1𝑡𝑡, … ,𝜀𝜀𝑛𝑛𝑡𝑡]′是一个𝑛𝑛× 1的平稳扰动向量,它在所有领先和滞后都与𝑓𝑓𝑡𝑡和𝜙𝜙(𝑡𝑡)不相关。
研究结果表明,TPA指数在2019年左右出现明显上升,并持续上升,这与COVID-19大流行以及为贸易和非贸易目标而增加贸易政策的使用相对应。此外,除了这种长期结构性转变外,该指数还捕捉了不同的周期性模式。具体来说,研究人员观察到在特定事件期间的时间高峰,值得注意的是,与美中关税升级(2018-2019年)、COVID-19大流行的开始(2020年)和乌克兰战争(2022年)相关的显着峰值。此外,该指数还表明,明显的贸易促进措施和所有其他类型的措施通常经常同步移动,这反映了许多经济体使用贸易政策来调整外部冲击和相关经济体采取的其他政策。
研究还区分了G20经济体和其他(非G20)经济体,并报告了分别对这两个样本进行回归的估计结果。调整后的指标揭示了额外的信息。首先,贸易政策活动随时间的增加不仅仅是由最大的经济体驱动的。这两个群体在过去七到十年中都记录了积极的趋势。其次,在特定时期,不同规模的经济体可能会记录不同的动态。例如,非G20经济体在COVID-19大流行后记录了更大的峰值。这可能表明在危机期间跨大量国家进行了更广泛的贸易政策活动。同时,2017-2018年左右的高峰期,由美中贸易紧张局势加剧所标志,当全球贸易政策活动指数专门针对G20经济体进行估计时,该峰值会更大。在最新时期,指标显示G20经济体有所增加,非G20经济体有所缓和(最近几个月都有上升)。
研究还进行了稳健性检验,包括替代规格和提取潜在趋势的替代方法,以及可能的组合效应或考虑替代时间段的稳健性检验。例如,包括超出贸易政策核心范围的其他政策,如FDI政策或资本流动限制,或考虑其他贸易政策强度指标(例如,实施国家的数量)不会显着改变结果。同样,排除补贴不会影响整体动态,结果也保持在考虑替代截止日期的情况下稳健。
此外,研究还介绍了使用高频文本信息和相关经济预测变量来评估即时预测TPA指数的可行性和检测潜在政策转变的可能性。虽然这代表了对相对简单方法的初步调查,但该研究展示了增强TPA实际应用的潜在方向,并说明了如何增强该指数的实时特性。