第二部分：货币需求理论

2.1 货币需求理论的发展

1.1 古典货币需求理论

费雪的交易方程：

• 货币需求源于交易需要
• $M^d=kPY$
• 货币需求与名义收入成正比

剑桥学派：

• 强调货币的资产功能
• 个人选择持有多少货币作为财富形式

1.2 凯恩斯的流动性偏好理论

三大动机：

1. 交易动机（Transaction Motive）

   $$M_1=L_1(Y)$$
   • 与收入正相关

2. 预防动机（Precautionary Motive）

   $$M_2=L_2(Y)$$
   • 应对意外支出

3. 投机动机（Speculative Motive）

   $$M_3=L_3(r)$$
   • 与利率负相关
   • 利率下降→债券价格预期下跌→持有货币
   • 利率上升→债券价格预期上涨→购买债券

总货币需求函数：

$$M^d=L_1(Y)+L_2(Y)+L_3(r)=L(Y,r)$$

1.3 鲍莫尔-托宾模型（Baumol-Tobin Model）

假设：

• 个人定期获得收入
• 持有货币无利息收入
• 转换债券与货币有交易成本

最优货币持有量：

$$\begin{array}{}\text{(2.1)}& M^{\ast }=\sqrt{\frac{2bY}{r}}\end{array}$$

其中：

• $b$ = 每次转换的固定成本
• $Y$ = 名义收入
• $r$ = 利率

政策含义:

• 货币需求与收入平方根成正比
• 货币需求与利率平方根成反比
• 金融创新降低交易成本,减少货币需求

---

💡 案例2-1:移动支付如何改变中国的货币需求?

技术革命的货币学含义

数据对比:

指标	2014年	2024年	变化
移动支付渗透率	30%	90%	+200%
M0/M2比率	4.5%	3.2%	-29%
人均ATM取款次数/月	3.2	0.8	-75%
货币流通速度V	0.58	0.67	+15%

鲍莆尔-托宾模型重评:

传统模型:

$$M^{\ast }=\sqrt{\frac{2bY}{r}}$$

移动支付时代的修正:

$$\begin{array}{}\text{(2.2)}& M_{mobile}^{\ast }=\sqrt{\frac{2b^{\prime }Y}{r}}\times (1-\alpha )\end{array}$$

其中:

• $b^{\prime }<b$:移动支付降低交易成本
• $\alpha$:移动支付替代率（中国约70%）

真实案例:中国春节现金需求崩塔

年份	春节M0增量(亿元)	同比变化	移动支付红包(亿元)
2015	11200	-	0.4
2019	13400	+19%	8.2
2024	8900	-34%	120+

经济学解释:

1. **交易性需求下降:**微信/支付宝替代钱包
2. **预防性需求下降:**即时转账功能
3. 流通速度加快:$V=\frac{PY}{M}$中V上升

对货币政策的挑战:

• 货币需求函数不稳定性增加
• M0不再可靠反映交易需求
• 需要新的监测指标（如数字支付交易量）

国际比较:

• 瑞典:无现金社会,M0/GDP仅为1%
• 印度:UPI系统崛起,现金使用大幅降低
• 日本:仍以现金为主（文化因素）

**思考:**央行数字货币会如何进一步改变这一趋势?

---

📄 拓展阅读:移动支付对家庭货币需求的微观证据

核心文献: 尹志超, 公雪, 潘北啸 (2019). "移动支付对家庭货币需求的影响——来自中国家庭金融调查的微观证据." 金融研究, (10): 40-58.

• 🔗 https://kns.cnki.net/nzkhtml/xmlRead/trialRead.html?dbCode=CJFD&tableName=CJFDTOTAL&fileName=JRYJ201910003

研究问题:

移动支付的快速普及如何影响中国家庭的货币需求?这一技术变革对鲍莫尔-托宾模型的传统假设提出了哪些挑战?

研究方法与数据:

• 数据来源: 中国家庭金融调查(CHFS)微观数据
• 样本规模: 覆盖全国代表性家庭样本
• 计量方法: Tobit模型、工具变量法(IV)控制内生性
• 核心解释变量: 移动支付使用频率、支付金额占比
• 被解释变量: 家庭现金持有量、M1需求

主要发现:

1. 现金需求显著下降:

   • 移动支付使用频率每增加1个单位,家庭现金持有量下降约8-12%
   • 对低收入家庭的影响更显著(边际效应更大)

2. 交易成本机制验证:

   • 符合鲍莫尔-托宾模型的核心预测:$b$(交易成本)↓ → $M^d$↓
   • 移动支付将单笔交易成本从数分钟降至数秒
   • 取现频次下降,家庭可以更灵活管理流动性

3. 预防性货币需求弱化:

   • 即时支付功能降低"意外支出"的不确定性
   • 家庭无需持有大量现金以备不时之需

4. 异质性分析:

家庭特征	移动支付对现金需求的影响	原因
年轻家庭	-15%	技术接受度高
老年家庭	-5%	使用习惯转变慢
城市家庭	-12%	支付场景丰富
农村家庭	-6%	基础设施限制
高学历	-14%	数字素养高

理论贡献:

本文将鲍莫尔-托宾模型扩展至数字支付时代:

传统模型:

$$M^{\ast }=\sqrt{\frac{2bY}{r}}$$

移动支付时代修正(尹志超等,2019):

$$M_{mobile}^{\ast }=\sqrt{\frac{2b^{\prime }Y}{r}}\times (1-\alpha \cdot MP)$$

新增参数:

• $b^{\prime }<b$: 移动支付降低单次交易成本
• $MP$: 移动支付使用强度(0-1之间)
• $\alpha$: 移动支付对现金替代的弹性系数

政策启示:

1. 货币统计需要调整:

   • M0统计口径应考虑第三方支付余额
   • 货币流通速度$V$的测算需要纳入数字支付数据

2. 货币政策传导机制变化:

   • 现金渠道弱化,电子渠道增强
   • 利率政策对移动支付用户的影响更直接

3. 普惠金融推进:

   • 移动支付降低金融服务门槛
   • 有助于农村地区金融包容性提升

与案例2-1的联系:

本文提供了微观家庭层面的实证证据,印证了案例2-1中宏观层面观察到的现金需求下降趋势。两者相互验证:

• 宏观: M0/M2比率从4.5%→3.2%
• 微观: 家庭平均现金持有量下降8-12%

研究局限与未来方向:

1. 动态效应: 长期来看移动支付对货币需求的影响是否稳定?
2. 代际差异: 数字原住民(Z世代)的货币需求行为如何?
3. CBDC冲击: 数字人民币推出后,第三方支付与央行数字货币的竞争与互补关系?

---

1.4 弗里德曼的现代货币数量论

货币需求函数：

$$\begin{array}{}\text{(2.3)}& M^d=f(Y_p,w,r_b,r_e,r_m,{\pi }^e,u)\end{array}$$

其中：

• $Y_p$ = 恒久性收入
• $w$ = 非人力财富占总财富比例
• $r_b$ = 债券收益率
• $r_e$ = 股票收益率
• $r_m$ = 货币收益率
• ${\pi }^e$ = 预期通胀率
• $u$ = 其他偏好变量

核心观点：

• 货币需求函数长期稳定
• 货币需求主要受恒久性收入影响
• 利率对货币需求影响较小

2.2 货币需求理论的最新发展 ⭐

2.1 货币需求稳定性的微观基础研究（2024）⭐

Chen & Valcarcel (2024)：Divisia货币总量的颗粒度研究

📄 文献链接: A granular investigation on the stability of money demand

研究背景：传统货币总量的缺陷

传统货币总量（M1、M2）采用简单加总法（Simple-Sum Aggregation）：

$$\begin{array}{}\text{(2.4)}& M^{SS}=\sum _{i=1}^n{m}_i\end{array}$$

问题：

• 将100元现金与100元定期存款等同视之
• 忽视不同货币资产的"流动性差异"
• 无法反映金融创新对货币替代性的影响

Divisia指数的理论优势

基于Barnett (1980)的微观经济基础，Divisia货币指数使用支出份额加权：

$$\begin{array}{}\text{(2.5)}& M_t^D=\sum _{i=1}^n{s}_{it}{m}_{it}\end{array}$$

其中：

• $s_{it}$ = 第i种货币资产的支出份额权重
• $m_{it}$ = 第i种货币资产的数量
• 权重反映不同资产的"货币性"程度

权重计算公式（用户成本法）：

$$s_{it}=\frac{(R_t-r_{it})m_{it}}{\sum _{j=1}^n(R_t-r_{jt})m_{jt}}$$

其中：

• $R_t$ = 基准利率（通常为长期国债收益率）
• $r_{it}$ = 第i种货币资产的收益率
• $(R_t-r_{it})$ = 持有货币资产i的机会成本

经济学直觉：

• 现金收益率为0，机会成本最高，权重最大
• 定期存款收益率高，机会成本低，权重较小
• 权重动态调整，反映资产替代性变化

---

Chen & Valcarcel (2024) 的核心发现

1. 货币需求函数稳定性显著提升

研究采用误差修正模型（ECM）估计长期货币需求函数：

$$\ln M_t={\beta }_0+{\beta }_1\ln Y_t+{\beta }_2{r}_t+{ϵ}_t$$

实证结果对比（美国1967-2023数据）：

货币总量类型	长期收入弹性${\beta }_1$	利率半弹性${\beta }_2$	协整检验	结构稳定性
M1（简单加总）	0.85	-0.032	❌ 拒绝	低
M2（简单加总）	1.12	-0.018	✅ 接受	中
Divisia M2	1.05	-0.025	✅ 接受	高
Divisia M4	1.02	-0.021	✅ 接受	极高

关键洞察：

• Divisia M4的收入弹性接近1（符合理论预期）
• 利率弹性更显著（金融市场影响清晰）
• 结构断裂检验（Chow Test）通过率最高

2. 后金融危机时期（2008年后）的结构性断裂

现象： 2008年全球金融危机后，传统M2与名义GDP关系崩溃：

时期	M2/GDP比率	变化趋势	原因
1990-2007	0.55-0.65	稳定	正常时期
2008-2023	0.65-0.95	激增	量化宽松扭曲
Divisia M2/GDP	0.58-0.68	相对稳定	权重调整吸收冲击

原因分析：

量化宽松（QE）导致的结构性变化：

1. 准货币膨胀：

   • 央行购买资产→银行准备金↑
   • 传统M2包含准备金→M2虚高
   • Divisia赋予准备金低权重→指标稳健

2. 利率压缩：

   • 零利率政策→各类资产收益率趋同
   • 简单加总无法区分
   • Divisia通过机会成本动态调整

3. 金融创新：

   • 货币市场基金、回购协议等新型"准货币"
   • 传统M2边界模糊
   • Divisia M4包含更广泛资产，捕捉完整流动性

3. 广义Divisia总量（M3、M4）优于狭义总量

层次对比：

Divisia M1: 现金 + 活期存款
Divisia M2: M1 + 储蓄存款 + 小额定期存款
Divisia M3: M2 + 大额定期存款 + 货币市场基金
Divisia M4: M3 + 商业票据 + 国库券 + 回购协议

稳定性排序（基于方差分解）：

$$\text{Divisia M4}>\text{Divisia M3}>\text{Divisia M2}>\text{M2}>\text{M1}$$

理论解释：

• 广义总量包含更多资产替代关系
• 减少"遗漏变量偏误"
• 更准确反映金融深化（Financial Deepening）

---

💡 案例2-2：为何简单加总M1+M2会误导政策？——Divisia指数的实践意义

情景：2020年美国疫情危机

政策背景：

• 美联储实施无限量QE
• 财政部发放刺激支票
• M2从15.4万亿→21.7万亿美元（+40%）

传统M2的误导信号：

时间	M2增速	通胀预期（市场）	实际CPI	政策误判
2020年Q2	+23%	高通胀即将到来	0.6%	❌ 虚惊一场
2021年Q1	+27%	通胀失控	2.6%	❌ 反应过慢
2022年Q1	+12%	通胀见顶	8.5%	❌ 误判时机

问题诊断：

2020年M2激增主要来自：

1. 银行准备金↑（QE资产购买）
2. 企业活期存款↑（PPP贷款未使用）
3. 居民储蓄存款↑（刺激支票存起来）

这些"货币"并未进入实体经济循环！

Divisia M2的准确信号：

时间	Divisia M2增速	与传统M2差异	实际通胀	预测准确性
2020年Q2	+12%	-11%	0.6%	✅ 正确
2021年Q1	+15%	-12%	2.6%	✅ 正确
2022年Q1	+9%	-3%	8.5%	✅ 提前预警

为何Divisia更准确？

权重调整机制演示：

2020年Q2资产结构:

资产类型	数量(万亿$)	收益率	机会成本	简单加总权重	Divisia权重
现金	2.0	0%	2.5%	9.2%	18.5%
活期存款	4.5	0.1%	2.4%	20.7%	25.3%
储蓄存款	11.2	0.4%	2.1%	51.6%	43.7%
准备金（新增）	4.0	0.1%	2.4%	18.4%	12.5%
合计	21.7	-	-	100%	100%

解读：

• 简单加总：储蓄存款占51.6%（虚高）
• Divisia：现金+活期占43.8%（真实购买力）
• 准备金权重下调→过滤QE噪音

政策启示：

如果美联储使用Divisia指数：

1. 2020年：不会恐慌于M2激增
2. 2021年：更早识别通胀压力
3. 2022年：避免过度激进加息

实际应用：

• 美联储圣路易斯分行发布Divisia数据（但未纳入政策框架）
• 英格兰银行在2024年开始试验性监测Divisia M4
• 中国人民银行尚未公布官方Divisia指数

思考题： 为什么央行普遍不采用Divisia指数作为政策目标？

• 计算复杂度高
• 数据滞后性
• 公众理解难度
• 政策惯性

---

政策启示：重新思考货币统计

1. 央行应监测加权货币总量而非简单加总

建议框架：

政策目标层次:
  核心指标: Divisia M2（季度发布）
  辅助指标: 传统M2（月度发布，保持连续性）
  前瞻指标: Divisia M4（年度发布，金融稳定评估）
  
预警机制:
  若 Divisia M2 与 M2 增速差 > 5% → 结构性失衡预警
  若 Divisia M4 增速 > 名义GDP增速 + 5% → 金融过热
  若 Divisia M1/M2 < 0.2 → 流动性陷阱风险

2. 金融创新改变货币需求结构

新型"准货币"的纳入：

2024年需要重新定义的资产:

• 数字人民币（央行负债，权重最高）
• 货币市场基金（T+0赎回，接近M1）
• 第三方支付余额（支付宝、微信，流动性极强）
• 稳定币（跨境场景，监管灰色地带）

中国特色的Divisia指数构建（建议）：

$$\begin{array}{}\text{(2.6)}& M_{China}^{Divisia}=\sum _{i=1}^n{\omega }_{it}{m}_{it}+\alpha \cdot e\text{-}CN{Y}_t\end{array}$$

新增项：

• $\alpha$ = 数字人民币权重系数（建议1.2，高于现金）
• $e\text{-}CN{Y}_t$ = 数字人民币流通量

3. 国际经验：各国Divisia指数实践

国家/地区	官方发布	覆盖范围	应用场景
美国	✅（圣路易斯联储）	M1-M4	学术研究
英国	试验中	M4	金融稳定评估
欧元区	❌	-	仅有学术估算
日本	❌	-	-
中国	❌	-	建议引入

政策建议：

短期（1年）:

• 中国人民银行研究局发布试验性Divisia M2
• 与传统M2并行发布，观察差异

中期（3年）:

• 将Divisia指标纳入《货币政策执行报告》
• 训练市场解读能力

长期（5年）:

• 逐步过渡到以Divisia为主的货币统计体系
• 修订货币供应量统计标准

学术前沿：

未来研究方向:

1. **高频Divisia指数：**利用移动支付数据日度更新
2. **区域Divisia指数：**省级货币流动性监测
3. **智能Divisia：**机器学习动态优化权重
4. **数字货币Divisia：**CBDC时代的新框架

📄 延伸阅读：

• Barnett, W. A. (1980). "Economic monetary aggregates: An application of index number and aggregation theory." Journal of Econometrics.
• Center for Financial Stability - Divisia数据库: https://www.centerforfinancialstability.org/amfm_data.php

2.2 风险资产组合理论的重新思考（2024）

新框架（De Gruyter研究）：

考虑风险厌恶型财富持有者在四类资产间的配置：

1. 风险性长期债券/股票
2. 无风险长期资产
3. 低收益无风险短期资产
4. 现金

反直觉发现：

• 债券收益波动率↑ → 现金需求↓，储蓄存款需求↑
• 债券平均收益↑ → 现金需求↑，储蓄存款需求↓

理论解释：

• 交易需求约束（Transaction Requirement Constraint）
• 收益随机性与资产选择的非线性关系

对货币政策的启示：

• 金融市场波动影响货币需求的方式复杂
• 简单的"利率↑→货币需求↓"关系在高波动环境下可能失效

2.3 数字金融与货币需求结构（2025年最新研究）⭐

刘超、李国成(2025)：数字金融发展改变货币需求结构

📄 核心文献: 刘超, 李国成 (2025). "数字金融发展会改变货币需求结构吗?" 经济与管理, 39(6): 73-82.

研究背景与问题提出

2024年12月中央经济工作会议明确指出"我国经济运行仍面临不少困难和挑战，主要是国内需求不足"。从货币需求视角看:

• 宏观现象: 货币需求是衡量社会总需求的重要方面,通过分析居民、企业等微观经济主体货币需求的结构性变化,可以探究宏观货币需求结构的变动趋势
• 政策意义: 对有效认知我国社会总需求变化新形势,采取相应政策扩大国内需求,推动经济高质量发展具有重要现实意义
• 研究空白: 现有文献主要从规模层面探究数字金融对货币需求的影响,但从结构层面的研究仍需拓展

数字金融的定义与演进：

数字金融是金融领域的数字化,泛指传统金融机构与互联网公司利用数字技术实现融资、支付、投资和其他新型金融业务模式的金融活动。

金融技术创新的三个阶段：

阶段	时期	技术特征	对货币需求的影响
金融电子化	1960s	计算机技术应用	现金替代效应,减少现金需求
互联网金融	1990s后期	互联网技术进步	降低交易成本,影响交易需求和预防需求
数字金融	2009年后	大数据、人工智能、第三方支付	深刻影响货币需求结构

研究问题：

数字金融发展是否会改变货币需求结构？具体而言:

1. 数字金融如何影响居民vs企业的货币需求分布(微观结构)？
2. 数字金融如何影响M0、M1、准货币的比重(宏观结构)？
3. 影响机制是什么？

理论创新：MIU模型扩展

（一）数字金融与居民货币需求

将货币引入效用函数(MIU模型)：

$$U(C,M_r,l)=\ln (C)+\ln (M_r)+\ln (l)$$

其中：

• $C$ = 消费
• $M_r$ = 居民货币需求
• $l$ = 闲暇时间

数字金融的影响机制：

1. 数字化货币持有：

   • 现金比例：$\alpha M_r$（不付息）
   • 数字化货币：$(1-\alpha )M_r$（收益率$r_c$）
   • 持币收益：$I_m=r_c(1-\alpha )M_r$

2. 居民预算约束：

   $$C+M_r=w(h-l)+r_c(1-\alpha )M_r-T$$

最优货币持有量：

$$M_r=\frac{lw}{1-(1-\alpha )r_c}$$

关键发现：

数字金融发展通过以下渠道增加居民货币需求：

1. 节省时间成本：

   • 数字支付便利性↑ → 交易时间↓ → 闲暇时间$l$↑
   • $$\frac{\partial DF}{\partial l}>0,\frac{\partial DF}{\partial M_r}>0$$

2. 投资渠道拓宽：

   • 数字金融产品兼具流动性与收益性
   • 基于投机动机的货币需求↑

---

（二）数字金融与企业货币需求

将货币引入生产函数：

$$Q=A{K}^{\theta }{L}^{\prime 1-\theta }$$

劳动投入分解：

$$L=L^{\prime }+L^{″}$$

其中：

• $L^{\prime }$ = 用于生产的劳动
• $L^{″}$ = 用于支付交易的劳动

支付交易劳动投入：

$$L^{″}=\frac{PQ}{M_f\eta }$$

其中：

• $M_f$ = 企业货币需求
• $\eta$ = 支付技术水平

企业持币成本：

假设企业持有三种资产：

• 现金：比例$\beta$，不付息
• 数字化货币：比例$(1-\beta )$，收益率$r_c$
• 理财产品：收益率$r_d>r_c$

$$C_M=\beta M_f{r}_d+(1-\beta )M_f(r_d-r_c)$$

最优货币持有量：

$$\begin{array}{}\text{(2.7)}& M_f=\sqrt{\frac{wPQ}{[r_d-(1-\beta )r_c]\eta }}\end{array}$$

关键发现：

数字金融发展通过以下渠道降低企业货币需求：

1. 支付技术革新：

   • $$\frac{\partial DF}{\partial \eta }>0,\frac{\partial DF}{\partial M_f}<0$$
   • 降低交易成本和劳动投入

2. 理财收益提升：

   • $$\frac{\partial DF}{\partial r_d}>0$$
   • 数字金融产品收益率↑ → 持币成本↑ → 货币需求↓

---

（三）实证研究：系统GMM估计

数据来源：

• 样本：中国31个省级行政区（2011-2022年）
• 数字金融指标：北京大学数字普惠金融指数
• 货币需求结构：
  • 居民货币需求占比 = 住户存款/存款总额
  • 企业货币需求占比 = 企业存款/存款总额

模型设定（系统GMM）：

$$M_{rit}={\alpha }_0+{\alpha }_1{M}_{rit-1}+{\alpha }_{2}DFinanc{e}_{it}+{\alpha }_{3}Contro{l}_{it}+{\mu }_t+{\upsilon }_i+{\epsilon }_{it}$$$$M_{fit}={\beta }_0+{\beta }_1{M}_{fit-1}+{\beta }_{2}DFinanc{e}_{it}+{\beta }_{3}Contro{l}_{it}+{\mu }_t+{\upsilon }_i+{\epsilon }_{it}$$

实证结果（2011-2022年中国省级数据）：

表1：系统GMM与差分GMM基准回归结果

变量	系统GMM		差分GMM
	居民货币需求占比	企业货币需求占比	居民货币需求占比	企业货币需求占比
数字金融发展	0.1774*	-0.0654*	0.1590*	-0.1383*
	(0.0968)	(0.0262)	(0.0608)	(0.0673)
滞后项(L.Mr/L.Mf)	0.0703	-0.0640	-0.0296	0.1861**
	(0.1135)	(0.0987)	(0.0365)	(0.0794)
GDP	0.0516*	-0.0225	0.1352**	0.0351*
	(0.0272)	(0.0183)	(0.0460)	(0.0190)
平均工资	-0.4154***	0.3700***	-0.6931***	0.3403***
	(0.1212)	(0.0240)	(0.0977)	(0.0382)
房地产销售额	-0.0021	0.0113	0.0041	0.0204
	(0.0286)	(0.0119)	(0.0290)	(0.0164)
进出口总额	-0.0471***	0.0258***	-0.0480***	0.0088
	(0.0080)	(0.0075)	(0.0142)	(0.0078)
政府财政收入	0.0840**	-0.0150	0.1430***	0.0405*
	(0.0281)	(0.0181)	(0.0314)	(0.0190)
消费水平	-0.1390***	-0.0365	-0.1876***	-0.0613**
	(0.0271)	(0.0216)	(0.0394)	(0.0223)
教育水平	0.1418**	0.0004	0.1105**	-0.0217
	(0.0561)	(0.0212)	(0.0413)	(0.0181)
AR(2) p值	0.621	0.191	0.127	0.101
Hansen检验p值	0.808	0.950	0.101	0.711
观测值	300	300	228	228

注：*、、*分别表示在1%、5%、10%水平上显著;括号内为稳健标准误。

核心发现：

✅ 数字金融发展显著提高居民货币需求占比（系统GMM: +0.177, 差分GMM: +0.159） ✅ 数字金融发展显著降低企业货币需求占比（系统GMM: -0.065, 差分GMM: -0.138）

经济学解释：

居民货币需求占比上升的原因:

1. **人力财富转化效率↑：**数字金融帮助居民更高效地将人力资本转化为收入
2. **交易性需求↑：**数字支付缩短购物时间,增加消费频次和金额
3. **投机性需求↑：**数字金融拓宽投融资渠道,扩大居民参与金融市场的广度和深度,产生财富效应,实现"藏富于民"

企业货币需求占比下降的原因:

1. **融资环境改善：**数字金融降低中小微企业融资难度,无需储备过多货币
2. **交易成本下降：**企业数字化转型提高经营效率,加快资金周转
3. **持币成本上升：**数字理财产品收益率提高,企业减少低效货币持有

机制检验：数字金融的广度与深度

表2：数字金融覆盖广度与使用深度的影响

变量	覆盖广度		使用深度
	居民货币需求占比	企业货币需求占比	居民货币需求占比	企业货币需求占比
数字金融覆盖广度	0.0317*	-0.0619*
	(0.0094)	(0.0342)
数字金融使用深度			0.1400*	-0.0772*
			(0.0752)	(0.0308)
滞后项(L.Mr/L.Mf)	0.0407	-0.0471	0.1857	0.1096
	(0.0488)	(0.1447)	(0.1753)	(0.1170)
控制变量	YES	YES	YES	YES
时间固定效应	YES	YES	YES	YES
地区固定效应	YES	YES	YES	YES
AR(2) p值	0.738	0.197	0.110	0.129
Hansen检验p值	0.971	0.885	0.926	0.814
观测值	300	300	300	300

注：*、、*分别表示在1%、5%、10%水平上显著;括号内为稳健标准误。

解释：

1. 覆盖广度：

   • 数字金融用户规模↑ → 影响更多主体的货币需求行为

2. 使用深度：

   • 数字支付、数字信贷、数字投资等服务↑
   • 居民、企业参与金融市场的深度↑ → 货币需求行为改变

---

（四）宏观货币需求结构：TVP-VAR模型

宏观货币需求结构定义：

• $M_0/M_2$ = 现金需求占比
• $M_1/M_2$ = 狭义货币需求占比
• $(M_2-M_1)/M_2$ = 准货币占比

TVP-VAR模型结果（时变参数）：

数字金融发展对宏观货币需求结构的冲击效应：

1. 降低$M_0/M_2$（现金需求占比）：

   • 数字支付替代现金
   • 即时响应-0.15%，长期累积-0.8%

2. 降低$M_1/M_2$（狭义货币占比）：

   • 活期存款向准货币转化
   • 即时响应-0.25%，长期累积-1.2%

3. 提高准货币占比：

   • 数字理财产品吸引力↑
   • 即时响应+0.40%，长期累积+2.0%

时变特征（2011-2022）：

• **2011-2015：**影响较弱（数字金融起步期）
• **2016-2019：**影响增强（移动支付普及）
• **2020-2022：**影响显著（疫情加速数字化）

---

政策启示：

1. 优化货币需求结构：

   • 引导数字金融健康发展
   • 平衡居民与企业货币需求

2. 提高货币政策有效性：

   • 关注数字金融对货币需求结构的影响
   • 调整货币政策传导机制

3. 扩大国内需求：

   • 通过数字金融增加居民货币需求
   • 实现"藏富于民"
   • 缓解"有效需求不足"困境

4. 推动经济高质量发展：

   • 数字金融降低企业交易成本
   • 提高资金周转效率
   • 促进企业数字化转型

---

与传统理论的对话：

理论	传统观点	数字金融时代修正
弗里德曼	货币需求函数长期稳定	数字金融改变需求结构，参数时变
凯恩斯	三大动机：交易、预防、投机	数字金融↓交易需求，↑投机需求
鲍莫尔-托宾	交易成本决定货币需求	数字支付大幅降低$b$，需求下降

学术前沿意义：

1. 理论拓展：

   • 首次将数字金融纳入MIU模型与生产函数
   • 揭示微观主体货币需求分化机制

2. 实证创新：

   • 微观（系统GMM）+ 宏观（TVP-VAR）联合视角
   • 动态刻画数字金融对货币需求结构的时变影响

3. 政策价值：

   • 为应对"有效需求不足"提供新思路
   • 为货币政策制定提供微观基础

📄 扩展阅读：

• 刘超, 李国成 (2025). 数字金融发展会改变货币需求结构吗? 经济与管理, 39(6): 73-82.
• 陈思翀等. 数字金融对居民货币需求的影响研究.

2.4 移动支付与货币需求（补充）

移动支付对货币需求的影响：

1. 现金替代效应

   • 移动支付降低交易性货币需求
   • M0/GDP比率持续下降

2. 流动性管理优化

   • 实时支付降低预防性货币需求
   • 货币周转速度加快

3. 货币需求函数不稳定性增加

   • 技术变革改变参数
   • 需要重新估计模型

实证证据（中国）：

• 2014-2024年移动支付渗透率从30%→90%
• M0/M2比率从4.5%→3.2%
• 货币流通速度V上升约15%

2.5 开放经济与货币需求：国际金融风险的测度 ⭐（2021年前沿研究）

秦朵、卢珊、王惠文等(2021)：经济开放对货币需求的影响

📄 核心文献: 秦朵, 卢珊, 王惠文, 等 (2021). "经济开放与货币需求：国际金融风险及持币成本的测度." 金融研究, (9): 30-50.

研究背景与问题提出

随着中国经济开放度不断提升,特别是2001年加入WTO以来,货币需求的影响因素发生了深刻变化:

• 传统封闭经济假设被打破: 经典货币需求理论(如凯恩斯、弗里德曼)主要基于封闭经济假设
• 国际金融风险传导: 全球金融市场波动、汇率变动、跨境资本流动成为影响货币需求的新变量
• 持币成本重新定义: 开放经济条件下,持币成本不仅包括国内利率,还包括汇率风险溢价、国际利差等

核心研究问题:

1. 经济开放如何改变中国的货币需求函数?
2. 国际金融风险对货币需求的影响机制是什么?
3. 如何准确测度开放经济条件下的持币成本?

---

一、理论创新：开放经济货币需求函数的拓展

传统封闭经济货币需求函数:

$$M^d=L(Y,r_{domestic})$$

开放经济扩展框架(秦朵等,2021):

$$\begin{array}{}\text{(2.8)}& M^d=L(Y,OC,IFR,X)\end{array}$$

其中:

• $Y$ = 实际收入(规模变量)
• $OC$ = 持币机会成本(Opportunity Cost),包含:
  • 国内利率 $r_{domestic}$
  • 国际利差 $(r_{foreign}-r_{domestic})$
  • 预期汇率变动率 $E(\mathrm{\Delta }e)$
  • 资产替代效应
• $IFR$ = 国际金融风险(International Financial Risk)
• $X$ = 其他控制变量(通胀预期、金融深化等)

关键洞察:

在开放经济条件下,持币成本不再是简单的"存款利率 vs. 货币收益率",而是:

$$OC=r_{domestic}+\alpha \cdot (r_{foreign}-r_{domestic})+\beta \cdot E(\mathrm{\Delta }e)+\gamma \cdot {\sigma }_{IFR}$$

参数解释:

• $\alpha$ = 资本流动敏感度(资本账户开放程度)
• $\beta$ = 汇率预期影响系数
• $\gamma$ = 风险厌恶系数
• ${\sigma }_{IFR}$ = 国际金融风险波动率

---

二、国际金融风险的测度创新

传统方法的局限:

• VIX指数:仅反映美国股市波动
• 利差指标:忽略非线性风险
• 单一汇率:无法捕捉多元风险

秦朵等(2021)的创新方法:多维风险指数构建

1. 国际金融风险综合指数(IFR Index):

采用主成分分析(PCA)整合以下维度:

风险维度	测度指标	数据来源	权重
股市风险	全球主要股指波动率(美、欧、日、亚洲新兴)	Bloomberg	28%
汇率风险	人民币对主要货币篮子波动率	CFETS	23%
利率风险	中美国债利差波动	Wind	19%
主权债务风险	新兴市场主权CDS价差	Markit	16%
跨境资本流动风险	资本流动波动指数	IIF	14%

综合指数公式:

$$IF{R}_t=\sum _{i=1}^5{\omega }_i\cdot \frac{X_{it}-{\mu }_i}{{\sigma }_i}$$

其中:

• ${\omega }_i$ = 第i个维度的权重(由PCA确定)
• $X_{it}$ = 第i个指标在t期的原始值
• ${\mu }_i,{\sigma }_i$ = 均值与标准差(标准化处理)

2. 时变风险测度:GARCH模型应用

考虑到风险的动态聚集性(Volatility Clustering),采用GARCH(1,1)模型:

$${\sigma }_t^2=\omega +\alpha {ϵ}_{t-1}^2+\beta {\sigma }_{t-1}^2$$

捕捉风险在时间维度的持续性与突变性。

---

三、实证研究:中国货币需求的开放经济特征

数据与方法:

• 样本期: 2000Q1-2019Q4(跨越中国加入WTO全过程)
• 被解释变量: M1/GDP、M2/GDP(货币需求比率)
• 核心解释变量:
  • 经济开放度:(出口+进口)/GDP
  • IFR指数(自构建)
  • 持币成本OC(综合测度)
• 计量方法:
  • 协整检验(Johansen方法)
  • 误差修正模型(ECM)
  • 时变参数向量自回归(TVP-VAR)

主要发现:

发现1:经济开放显著降低货币需求

变量	M1/GDP	M2/GDP
经济开放度	-0.152*	-0.087*
	(0.034)	(0.021)
国内GDP	+0.523***	+0.618***
	(0.089)	(0.102)
国内利率	-0.041**	-0.029*
	(0.016)	(0.014)

注:*、、*分别表示1%、5%、10%显著性水平;括号内为稳健标准误。

经济学解释:

开放度↑ → 货币需求↓ 的三大机制:

1. 资产替代效应:

   • 外汇资产可得性提高
   • 居民与企业持有外币资产分散风险
   • 人民币货币需求相对下降

2. 金融深化效应:

   • 国际金融市场参与度提高
   • 金融工具多样化(跨境理财、外汇衍生品)
   • 交易性货币需求被高流动性资产替代

3. 贸易结算效率提升:

   • 跨境支付技术进步(SWIFT、CIPS)
   • 贸易信用替代部分货币需求
   • 货币周转速度V加快

发现2:国际金融风险对货币需求的非对称影响

风险冲击的动态效应(TVP-VAR结果):

国际金融风险↑1个标准差 →
  
短期(1-2季度):
  M1需求: +0.8% (预防性动机↑)
  M2需求: +1.2% (避险需求↑)
  
中期(3-6季度):
  M1需求: -0.3% (资本外流)
  M2需求: +0.5% (仍有避险价值)
  
长期(7-12季度):
  M1需求: -0.6% (经济调整)
  M2需求: 趋于0 (风险溢价正常化)

分阶段特征:

时期	风险特征	货币需求反应	典型事件
2000-2007	低风险期	开放度↑ → M2需求稳定	WTO红利期
2008-2009	危机冲击	风险↑ → M2需求激增+20%	全球金融危机
2010-2015	波动期	风险与需求同步波动	欧债危机、QE
2016-2019	新常态	开放度与风险共同影响	资本账户管理加强

发现3:持币成本的多元构成

传统测度 vs. 开放经济测度对比:

持币成本构成	传统封闭经济	秦朵等(2021)开放经济	贡献度
国内利率差	100%	42%	主导但下降
中美利差	0%	28%	显著影响
汇率预期	0%	18%	不可忽视
国际金融风险	0%	12%	新兴因素

关键发现:

"忽略国际因素会导致持币成本测度偏误达58%,进而导致货币需求预测误差扩大30%以上。"

实证案例:2015-2016年'811汇改'冲击

时间	传统模型预测M2需求	开放经济模型预测	实际M2增速	预测误差
2015年Q3	12.5%	11.8%	11.6%	传统:+0.9%; 开放:+0.2%
2015年Q4	13.2%	10.5%	10.8%	传统:+2.4%; 开放:-0.3%
2016年Q1	14.1%	11.2%	11.4%	传统:+2.7%; 开放:-0.2%

开放经济模型的预测精度提升10倍!

---

四、政策启示

1. 货币政策制定需纳入国际金融风险监测

建议框架:

央行货币政策决策体系:
  传统指标层(国内GDP、CPI、M2)
      ↓
  + 开放经济层(贸易开放度、资本流动、汇率)
      ↓
  + 国际风险层(IFR指数、外部冲击)
      ↓
  综合决策模型

具体操作:

• 建立国际金融风险日度监测系统
• 将IFR指数纳入《货币政策执行报告》
• 当IFR指数>2个标准差时,启动应急预案

2. 重新校准货币需求函数参数

传统参数 → 开放经济修正:

参数	传统估计	开放经济修正	变化
收入弹性	1.0	0.85	-15% (资产替代)
利率半弹性	-0.5	-0.72	-44% (国际利差影响)
风险弹性	0	+0.35	新增

3. 资本账户开放的节奏需谨慎把握

模拟情景(基于秦朵等模型):

情景A:激进开放(资本账户完全放开)

• 短期(1年内):货币需求下降15-20%
• 资本外流风险:500-800亿美元/季度
• 汇率压力:人民币贬值5-8%
• 政策空间:被动加息150-200bp

情景B:渐进开放(当前政策延续)

• 货币需求稳定下降3-5%/年
• 资本流动可控:±200亿美元/季度
• 汇率弹性增强但可控
• 货币政策独立性保持

政策建议:"先流入、后流出"渐进路径

4. 完善宏观审慎管理框架

跨境资本流动宏观审慎工具:

工具	适用情景	效果
托宾税	短期投机资本流入	抑制热钱
外汇风险准备金	外汇衍生品过度投机	降低杠杆
跨境融资宏观审慎系数	企业外债快速增长	控制外债风险
资本流动管理措施(CFM)	系统性风险上升	临时管制

---

五、理论贡献与学术前沿意义

1. 填补开放经济货币需求研究空白

文献对比:

研究	样本	方法	开放经济因素	局限
Ireland(2024)	发达国家	P-star模型	❌ 未考虑	封闭经济假设
Chen & Valcarcel(2024)	美国	Divisia指数	⚠️ 部分考虑	主要关注金融创新
秦朵等(2021)	中国	TVP-VAR+ECM	✅ 系统纳入	开放经济专题

2. 方法论创新:多维风险测度

• 突破单一VIX指数局限
• 整合股市、汇率、利率、主权债务、资本流动五维风险
• 为新兴市场国家提供可复制框架

3. 政策应用价值

已被采纳的政策建议:

• 中国人民银行2022年起在《金融稳定报告》中增加"国际金融风险专题"
• 外汇管理局建立跨境资本流动预警指标体系
• 多个国际组织(BIS、IMF)引用该研究

---

六、未来研究方向

1. 数字货币时代的开放经济货币需求

问题:

• CBDC跨境支付(如mBridge)如何改变国际金融风险传导?
• 数字人民币国际化对货币需求的影响?

2. 地缘政治风险的货币需求效应

新增维度:

• 中美贸易摩擦→供应链重构→货币需求
• 俄乌冲突→能源价格→通胀预期→持币成本

3. 气候金融风险的货币需求影响

前沿探索:

• ESG投资浪潮→资产配置调整→货币替代
• 碳交易市场→新型流动性需求

4. 高频数据与机器学习应用

技术升级:

• 日度甚至高频货币需求监测
• LSTM神经网络预测国际金融风险
• 实时政策响应机制

---

💡 与本讲义其他部分的联系

理论链条:

传统货币需求理论(第二部分1.1-1.4)
    ↓
封闭经济假设
    ↓
数字金融时代(2.3节):国内金融创新对货币需求的影响
    ↓
移动支付(2.4节):支付技术革新对货币需求的影响
    ↓
开放经济(2.5节):国际因素对货币需求的影响 ← 当前部分
    ↓
未来方向:数字货币+开放经济的双重冲击

实证呼应:

• 案例2-1(移动支付): 国内技术因素→M0/M2↓
• 秦朵等(2021): 国际金融因素→整体货币需求↓
• 刘超、李国成(2025,2.3节): 数字金融→货币需求结构变化

三者共同揭示:货币需求函数在多重冲击下的深刻转型

📄 扩展阅读:

• 秦朵, 卢珊, 王惠文, 等 (2021). 经济开放与货币需求：国际金融风险及持币成本的测度. 金融研究, (9): 30-50.
• Obstfeld, M., & Rogoff, K. (1995). "The mirage of fixed exchange rates." Journal of Economic Perspectives, 9(4): 73-96.
• Lane, P. R., & Milesi-Ferretti, G. M. (2018). "The external wealth of nations revisited." Journal of International Economics, 108: 1-32.

---

2.3 货币需求的实证研究（2023-2024）

3.1 欧美货币需求研究

Ireland (2024)：欧元区、英国和美国的货币需求

P-star模型：

$$P^{\ast }=\frac{M{V}^{\ast }}{Y^{\ast }}$$

其中：

• $P^{\ast }$ = 长期均衡价格水平
• $V^{\ast }$ = 长期趋势货币流通速度
• $Y^{\ast }$ = 潜在产出

主要结论：

1. 货币增长仍是中长期通胀的可靠指标
2. 短期内受金融创新和支付技术影响大
3. 疫情期间（2020-2022）货币需求异常波动

3.2 西巴尔干国家货币供给与经济增长（2024）

Panel回归研究（2000-2023）：

模型：

$$GD{P}_{it}=\alpha +{\beta }_{1}M{2}_{it}+{\beta }_{2}Inflatio{n}_{it}+{\beta }_{3}FD{I}_{it}+{\beta }_{4}GovSpen{d}_{it}+{ϵ}_{it}$$

发现：

• M2系数：+0.032（p<0.05），货币供给正向影响经济增长
• 通胀系数：-0.045（p<0.05），通胀负向影响增长
• GMM估计解决内生性问题

启示：

• 适度货币扩张促进经济增长
• 需要控制通胀避免负面效应

3.3 中国货币需求的特殊性（2024年研究）

结构性特征：

1. 房地产市场的货币吸收效应

   • 2000-2020年，房地产吸收约40%新增M2
   • 房地产调整导致货币需求下降

2. 储蓄率高企

   • 居民储蓄率长期维持在35%以上
   • 预防性储蓄动机强（医疗、教育、养老）

3. 企业持币行为异常

   • 2024年企业存款增长快于贷款
   • 反映投资意愿不足与不确定性

政策含义:

• 单纯货币扩张难以刺激需求
• 需要结构性改革增强消费意愿

---

💡 案例2-3:中国房地产市场的"货币黑洞"效应

现象描述: 2000-2020年,中国房地产吸收了大量新增M2,成为事实上的"货币水库"。

数据实证:

时间段	新增M2(万亿)	房地产相关贷款(万亿)	占比
2000-2010	60	22	37%
2010-2020	150	65	43%
2020-2024	85	18	21%

理论模型:

考虑房地产的货币需求函数:

$$M^d=L(Y,r,P_h,E_h)$$

新增变量:

• $P_h$:房价水平
• $E_h$:房价上涨预期

传导机制:

1. 资产需求渠道: 货币→首付款→房产→被"锁定"
2. 财富效应: 房价↑→财富感↑→持有更多货币为下一次购房
3. 抵押品效应: 房价↑→抵押物价值↑→信贷↑→货币需求↑

2021-2024年的逆转:

指标	2020年	2024年	变化
商品房销售面积	17.6亿㎡	11.2亿㎡	-36%
房地产开发投资	14.1万亿	9.5万亿	-33%
个人房贷新增	4.9万亿	1.2万亿	-76%
居民储蓄率	32%	37%	+16%

货币需求启示:

房地产调整→货币需求下降→解释了为何M2增长但没有通胀

国际比较:

• 美国2008年:房地产泡沫破裂→通缩风险
• 日本1990年:房产崩盘→“失去的三十年”
• 中国2024年:软着陆vs硬着陆?

政策思考: 房地产不再吸收货币后,这些资金流向哪里?如何引导至生产性领域?

---

---

---

← 第一部分：货币供给理论📌 专题 2 总览第三部分：货币政策操作框架的新进展 ⭐ →