IMF-剖析亚洲中期增长前景（英）-2025.8_52页_4mb

报告摘要

总结：亚洲中长期增长前景分析

核心内容

本研究通过两种互补的方法分析了亚洲-太平洋地区中长期的增长前景，旨在为政策制定者提供数据驱动的工具，以识别增长驱动因素、生成稳健的增长预测，并思考经济结构的变化。研究指出，若缺乏雄心勃勃的改革，亚洲的增长将趋于放缓，但仍将是全球增长最快的地区之一。

主要观点

增长驱动因素的演变：
- 发达经济体（AEs）：增长主要由全要素生产率（TFP）和人力资本的提升驱动，资本深化对增长的贡献相对较小甚至略微拖累。
- 新兴市场和中等收入经济体（EMMIEs）：TFP增长和人力资本提升是主要驱动因素，资本深化也起到了重要作用。
- 低收入发展中国家（LIDCs）：资本深化是增长的主要引擎，同时治理改善也促进了增长。
人口结构的影响：
- 人口红利在亚洲多个经济体中发挥了积极作用，但随着人口老龄化趋势的加剧，这种积极作用将逐渐减弱。
- 人口结构的变化（如劳动人口比例上升和依赖人口比例下降）对增长有显著影响，但这些因素的正向效应可能在未来逆转。
增长预测方法：
- 增长核算分析：通过分解经济增长因素（如资本、劳动、TFP、人力资本等），量化其对增长的贡献。
- 动态时间规整（DTW）方法：基于历史数据匹配，识别类似经济周期，用于预测未来增长路径。该方法特别适用于捕捉结构性转变和非线性增长模式。
机器学习方法：
- 使用随机森林和XGBoost等非参数模型进行预测，识别影响增长的广泛变量，包括宏观经济状况、制度质量、全球因素等。
- 通过Shapley值分析，揭示各变量对经济增长的边际贡献，强调了可解释性的重要性。
经济收敛与结构性变化：
- 经济增长趋同现象在亚洲经济体中较为明显，但增长速度随时间趋于减缓。
- 当前方法在预测中无法充分纳入未被观察到的结构性变化（如重大技术进步或改革），因此其预测结果可视为基准情景。

关键信息

研究方法：
- 增长核算分析：分解经济增长为资本、劳动、TFP、人力资本等传统生产要素的贡献。
- DTW方法：通过匹配当前经济条件与历史类似时期，识别增长模式，适用于非线性和状态依赖的增长路径。
- 机器学习方法：采用随机森林和XGBoost模型，考虑宏观经济、制度、全球因素等变量，提升预测的灵活性和准确性。
数据来源：
- 涵盖22个亚洲-太平洋国家，时间跨度为1970-2019年。
- 数据来自Penn World Tables、国际劳工组织（ILO）和联合国（UN）等。
主要发现：
- 亚洲过去三十年的平均GDP增长率比全球高出2个百分点，人均GDP增长显著。
- 人口结构的变化（如劳动人口比例上升和依赖人口比例下降）对增长有积极影响，但这种效应可能在未来逆转。
- TFP增长、人力资本提升和贸易开放度是亚洲增长的重要驱动力。
- 政策制定者需关注结构性改革，以应对增长放缓的趋势。
研究贡献：
- 提供了详细的经济增长驱动因素分析，结合增长核算与机器学习方法。
- 引入了DTW方法作为新的增长预测工具，强调历史模式的重要性。
- 验证了经济收敛和人口结构变化对增长的影响，并指出当前方法的局限性。