12月17日，由教育部人文社会科学重点研究基地厦门大学宏观经济研究中心、厦门大学邹至庄经济研究院、中国科学院预测科学研究中心、厦门大学-中国科学院计量建模与经济政策研究基础科学中心联合主办的“2025时间序列计量经济学与宏观经济学前沿研讨会”在厦门大学经济楼举行。
今年是厦门大学第三次举办时间序列计量经济学与宏观经济学前沿研讨会。本次会议聚焦时间序列计量经济学与宏观经济学的最新研究进展，主题包括时间序列计量经济学、中国宏观经济学、预测与宏观经济风险等。
会议特别邀请2011年诺贝尔经济学奖得主托马斯·萨金特（Thomas Sargent）教授作主题演讲，旨在促进学术前沿交流与创新，推动计量经济学与宏观经济学领域的新发展与新应用。
会议伊始，中国科学院大学经济与管理学院、厦门大学邹至庄经济研究院洪永淼教授主持并作简要发言。他表示，托马斯·萨金特教授一直以来大力支持厦门大学经济学科的计量经济学和宏观经济学发展，关心青年师资的培养，就在上个月还到访并与厦大经济学科青年教师召开小规模座谈会，深入交流。洪永淼教授感谢参与本次研讨会的国内多位顶尖计量经济学家和宏观经济学方面专家学者，希望各位嘉宾能分享前沿研究成果，共同促进学术交流。
随后，诺贝尔经济学奖得主托马斯·萨金特（Thomas Sargent）教授带来了题为“Aggregate Shocks and Cross-Section Dynamics: Quantifying Redistribution and Insurance in US Household Data”的主题演讲。
在宏观经济学界，收入分配与宏观政策有效性一直是学者关注的关键议题。Thomas Sargent教授及其合作者采用加性泛函与动态模态分解（DMD）方法，系统分析了1990–2023年美国消费支出调查（CEX）数据中不同收入分位数家庭的动态路径。研究通过构建包含总量收入增长率与分位数相对状态的一阶向量自回归模型，将经济演进分解为趋势、鞅分量与平稳分量，从而识别冲击的异质性传导机制。
实证结果表明，2008年金融危机后，低收入分位数家庭的税前收入遭受严重持续损失，但其税后收入与消费在税收与转移支付系统支持下迅速恢复；高收入分位数家庭则通过储蓄自我调整，其消费路径长期低于趋势。此外，在福利分析中，Sargent教授扩展了Lucas的经典框架，发现消除所有消费增长风险对中位家庭仅相当于约0.8%的消费补偿，其中绝大部分源于序列相关风险。然而，参与现有美国税收与转移支付系统带来的福利影响远大于此：对最低收入群体产生巨额净收益，但对最高收入群体则产生显著净成本。其再分配效应所对应的福利规模，远超通过进一步平滑经济周期所能获得的潜在收益。最后，Sargent教授指出，旨在保障弱势群体的再分配与社会保险制度，其福利重要性显著高于对短期经济波动的边际调控，为宏观政策的分配效应评估提供了新的经验依据。
在短暂茶歇过后，会议迎来第一场邀请报告，主持人为厦门大学韩晓祎教授。
西南财经大学的常晋源教授带来题为“CP-factorization for high dimensional tensor time series and double projection iterations”的报告。
常晋源教授聚焦于典型多元分解（CP分解）来对高维张量时间序列进行建模。常晋源教授以北京空气污染的时空结构建模引入，指出在这种超高维的数据下降维技术的必要性，进而提出了一套基于典型多元分解因子模型的完整方法框架，研究核心目标在于有效识别与估计CP分解中的因子载荷矩阵。相对于传统文献，其方法优势在于，所需的假设条件非常宽松：仅要求因子载荷向量满足线性独立性，允许因子之间存在相关性，且不要求其接近正交。因此，该方法能自适应地处理因子载荷的稀疏性，并兼容弱因子场景，展现了广泛的适用性与稳健性。在理论层面，研究不仅建立了估计量的渐近性质，还推导出了易于处理的极限表示形式，为后续统计推断奠定了关键基础。最后，所有提出的理论结果与方法均通过了仿真实验的验证，并在对北京空气污染数据的应用中展示了其优良性能。
中国科学院大学、厦门大学洪永淼教授带来题为“Solving Dynamic Stochastic General Equilibrium Asset Pricing Models: A Regularized GMM Approach”的报告。
洪永淼教授对宏观与金融中广泛应用的递归偏好模型，提出了一种新的半参数广义矩估计框架，旨在更精确地求解均衡模型中的关键未知函数，以提升模型的解释力。当前主流数值解法，如对数线性化、投影法，常因设定误差、维度限制等问题，影响求解精度。为此，洪永淼教授将模型求解转化为基于欧拉方程矩条件的系数估计问题，方法的核心是引入了自适应稀疏组LASSO正则化，从而该技术能同时实现自动识别对每个未知函数有效的状态变量，以及通过施加组内与组间稀疏性惩罚，稳定地估计参数并控制复杂度，同时在不依赖于高斯分布等强假设下，理论保证了该估计量具有一致性与有效的渐近性质。最后，在实证分析上，洪永淼教授将方法应用于Tallarini （2000）模型，结果表明，与传统数值方法相比，本方法能更准确地恢复经济变量的动态特征，为模型评估提供了更可靠的计量基础。
中国科学院大学的王曙明教授带来题为“Blessing of Latent Factors in Planning Supply Networks: A Nested Robust Predictive Approach”的报告。
针对于需求不确定下的供应链网络设计，王曙明教授提出了一种融合可观测协变量与潜在因素的分布稳健优化（DRO）新框架。传统的DRO方法仅依赖观测型变量，而本研究强调需求同时受市场趋势、消费者信心等潜在因素驱动。为此，王曙明教授构建了一个包含可观测协变量与潜在因子的线性需求模型，并引入一个两阶段随机优化模型，以决策生产设施选址与应急供应商选择，并使用对偶函数的方法来求解最小最大化问题。理论分析表明，该方法具有有限样本和决策层面的稳健性，以及，忽略潜在因子会导致评估与决策偏差，从而可能产生次优的供应链网络与更高的预期成本。研究进一步提供了估计与外推误差下的有限样本性能保证，通过巧妙设计因子模型和优化函数缓解了高维DRO中的“维度诅咒”问题。在实证部分，王曙明教授基于中国180多个地级市的月度数据，验证了所提方法在实际供应链规划中的优良表现。
17日下午，三位嘉宾在第二场邀请报告环节中分别带来了精彩的分享。本场报告由厦门大学周颖刚教授主持。
浙江的苗建军教授作题为“Asset Bubbles, R&D, and Endogenous Growth”的报告。
苗建军教授首先回顾了关于资产泡沫的两种代表性观点：传统理论认为泡沫虽可缓解动态无效率，但往往带来资源错配和波动性；而近年来的研究则强调泡沫在提供流动性、促进技术扩散和资源重新配置方面的潜在积极作用。结合当前人工智能浪潮和高科技资产估值的现实背景，报告指出重新审视资产泡沫与创新之间的关系具有重要的现实意义。在理论方面，苗建军教授在 Jones (1995) 半内生增长模型基础上，引入研发部门的金融摩擦、内生信贷约束以及企业家层面的生产率冲击，构建了一个无限期经济中的三部门模型。研究表明，资产泡沫通过提高资产的流动性溢价，放松研发活动面临的内生信贷约束，从而提高研发部门的全要素生产率，并推动劳动力向研发部门重新配置。进一步实证发现，资产泡沫与研发投入之间存在显著正相关关系：当企业股票估值中包含泡沫成分时，其研发支出明显上升。这一效应在控制企业固定效应和时间效应后依然稳健，支持了“泡沫通过缓解融资约束、促进创新活动”的理论解释。报告最后指出，资产泡沫并非单纯的非理性现象，其对创新和经济增长的影响具有明显的阶段性与结构性特征。理解资产泡沫在金融摩擦环境下对研发和增长的作用机制，有助于更全面地评估金融市场波动的宏观后果，也为当前高科技产业快速发展背景下的宏观金融政策提供了重要启示。
武汉大学的聂军教授就“On the Perverse Effect of Capital Account Liberalization: The Role of Labor Market Rigidity”进行了报告。
资本账户开放的传统理论预期是促进资本配置与经济增长，但大量经验研究表明，其对发展中国家的增长效应并不稳健，部分国家甚至在开放后出现失业率上升和产出下降的反常效应。针对这一现象，聂军教授认为劳动力市场刚性与一国生产率水平的交互作用是理解上述问题的关键。在生产率较低的经济体中，劳动力市场刚性会抑制企业用工调整和资本需求，使金融自给状态下国内利率偏低；当资本账户开放后，资本反向外流，从而推高失业率并压低总产出。相比之下，在生产率较高的经济体中，较强的资本回报能够抵消劳动力市场刚性的负面影响，使其更可能从金融开放中受益。在理论层面上，聂军教授构建了一个包含劳动力市场搜寻匹配机制的小型开放经济模型，并指出存在一个关键的生产率门槛。当生产率低于该门槛时，资本账户开放将导致稳态失业率上升。跨国面板回归进一步证实，在劳动力市场高度刚性的国家，资本账户开放显著推高失业率，且伴随资本外流与外商直接投资下降；而在劳动力市场较灵活或生产率较高的国家，这一效应明显减弱。最后，报告强调，资本账户开放的宏观效果高度依赖国内制度环境。对发展中国家而言，若在推进金融开放的同时忽视劳动力市场改革，资本账户自由化不仅难以释放增长红利，反而可能加剧失业和宏观波动。
南开大学的万广华教授就“Climate Change and World income Distribution: The lmpacts of Global Warming on Between-Country inequality”进行了报告。
全球变暖已成为人类面临的生存性挑战。当前全球平均气温较工业化前已上升约1.1℃，对粮食与水资源安全、人类健康和经济增长产生深远影响。然而，国家间不平等可能会制约全球气候治理合作，从而形成“气候变化-不平等-合作受阻-气候恶化”的恶性循环。针对这一问题，万广华教授首先构建了覆盖152个国家、跨越1950–2019年的长面板数据库，涵盖全球95% 以上的人口与GDP。然后在研究方法上作出多项创新：采用更加完整的不平等度量体系、同时引入平均气温与气温波动性、区分全球平均气温上升与气温空间离散度变化，以定量识别气候变化对国家间不平等水平的变动贡献。实证结果表明，气温水平和波动性均显著影响各国人均 GDP。总体而言，气候变化对全球国家间不平等的净效应有限，但其内部结构高度异质：全球平均气温上升和气温波动性加剧不平等，而极地放大效应导致高纬度地区升温更快、气温分布趋于收敛，在一定程度上缓解了不平等扩张。报告进一步指出，富裕国家多处于接近“最优温度区间”的较冷地区，而贫穷国家普遍暴露于高温环境，全球变暖因而更可能加剧国家间差距。最后，万广华教授强调，政策制定者和未来研究需更加重视气候变化对国家间不平等的“拆分效应”，避免因忽视分配后果而削弱全球气候治理的合作基础。气候行动不仅是环境议题，也是关乎全球公平与可持续发展的核心经济问题。
午间茶歇过后，三位青年学者依次分享研究成果。本场次由厦门大学郑挺国教授主持。
中国科学院大学博士后林文灿带来题为“Data Decomposition-based model averaging”的报告。
经济变量间存在频率依赖性，而传统模型平均法忽视这一特性，简单平均各频率成分预测结果，导致预测精度受限。为此，林文灿及其合作者提出基于数据分解的模型平均方法（D-FVMA），旨在通过优化频率成分权重分配，提升时间序列的样本外预测性能。研究采用多变量变分模态分解（MVMD）将预测变量分解为不同频率成分，为每个成分构建含自回归项的候选预测模型。通过DFV准则（decomposition-based forward-validation）筛选最优权重，对各成分模型的预测结果进行加权融合，形成最终预测。研究建立了该方法的渐近理论，证明其具有渐近最优性、权重一致性及正确模型识别能力。模拟实验表明，在不同数据生成过程和误差类型下，D-FVMA的相对均方预测误差（MSFE）显著低于简单平均等竞争方法。将其应用于美国通胀预测，发现该方法能自动识别频率依赖关系：短期通胀预测中高频成分权重更高，长期预测中低频成分占比上升，平均预测精度优于现有模型平均方法。该研究为处理频率依赖性数据提供了新范式，有效解决了传统方法中频率成分权重分配不合理的问题。
中山大学博士生孙乐轩作题为“LLM Agents as Simulations of Macroeconomic Expectations: Framework and Mechanisms”的报告。
在宏观经济研究中，传统调查实验存在成本高、可扩展性差等局限，而大语言模型（LLMs）的出现为模拟经济主体预期提供了新可能。为此，孙乐轩及其合作者提出基于LLM Agents的宏观经济预期模拟框架，旨在构建低成本、高灵活度的替代方案。研究构建了包含不同功能模块的LLM Agents：针对家庭主体，设计个人特征模块（PCM）、先验预期感知模块（PEPM）和社交媒体信息模块（SMIM）；针对专家主体，开发专业背景模块（PBM）和知识获取模块（KAM），并引入随机扰动模拟人类异质性。通过三项实验验证框架有效性：假设情景实验、信息提供实验及密歇根消费者调查（MSC）预测实验，采用皮尔逊相关系数、余弦相似度等指标对比模拟结果与人类预期分布。研究发现，LLM Agents模拟的预期分布与人类分布相似度均值约 0.8，具备类人选择性回忆机制和心理模型，其心智模型与人类的相似度显著高于基础 LLM。对模型各组成部分的贡献度进行评估，发现PEPM对预期分布生成至关重要，初始化提示和其他模块则支撑类人思维过程。该框架补充了现有宏观经济预期研究，为AI行为科学提供新视角。
人民大学王霞教授就“Factor-Augmented Regularized Models with Multiple Structural Breaks”进行了报告。
在高维数据建模中，传统方法难以同时兼顾共同因子与个体特异性信息，且无法有效处理经济关系中的结构突变问题，导致预测精度受限。王霞教授及其合作者提出含多重结构突变的因子增强正则化模型（FarmBreak），旨在解决高维数据下变量选择、结构突变检测与参数估计的协同优化问题。研究设计三步估计流程：第一步通过分割样本自适应组LASSO（split-sample adaptive group LASSO）筛选有效变量；第二步利用组融合LASSO（group fused LASSO）识别结构突变点；第三步通过Post-LASSO估计优化参数精度。模型同时整合因子分析（捕捉共同信息）与正则化（筛选个体信息）优势，通过信息准则确定调优参数，建立了完整的渐近理论体系。模拟实验表明，该模型在变量选择、突变检测和参数估计方面表现优异，且对异方差、自相关等复杂数据特征具有稳健性。将其应用于美国工业生产预测，相较于LASSO、随机森林等方法，平均预测精度提升 16.37%，尤其在引入新闻文本数据后，预测性能进一步改善。该模型为宏观经济、金融等领域的高维时变数据分析提供了新工具，有效解决了结构突变下的高维建模难题。
值得一提的是，本次研讨会特别邀请元启创新公司的机器人“小元”、机器狗“小D”担任会议AI助手，进行迎宾、引导。小元还在茶歇期间为中外嘉宾们献上了太极拳、中国舞等中国传统文化的表演，让嘉宾亲身体验AI+产业的迅速发展。
（经济学科 潘邦昌 陈琳艳 陈子扬 辛世纪 林安语 ）
