宏观经济数据篇（1）

CPI不会反弹，PPI明显下行

从总体上看，今年8月CPI同比和PPI同比与7月相比均有小幅回落。就9月食品价格而言，估算各品种的环比价格，虽然仍是涨多跌少，涨幅最大的是蔬菜，平均涨幅达8-9%；其次是鸡蛋，涨幅达到3%；最后是食用油，也有2%左右涨幅。而下跌品种主要为水产品和水果，但跌幅不大。就9月工业品出厂价格而言，煤炭价格有所上涨，而化工产品、水泥、有色金属价格有所下跌，但涨跌幅均不大。因此，我们认为，9月食品价格周环比涨幅明显高于8月，预计9月CPI不会回落，而会与8月持平于6.2%。

最近3月PPI同比之所以保持在7%之上，主要是因为去年同期PPI环比曾明显通缩，留下了很低的基数。未来几月，随着基数效应的过去PPI将会明显下行。我们预计9月PPI为5.8%。

投资总体稳健，经济温和放缓

预计9月社会消费品零售总额同比降至16.5%，这部分是因为高通胀之下居民消费意愿的持续走低。预计前9月固定资产投资增长保持稳健，增速微降至24.7%。原因是，短期内相应的项目审批没有出现松动，整体基建增速还将持续回落。房地产销售面积增速持续低迷，地产资金链继续恶化，虽然保障房具有一定的对冲效果，但整体房地产投资可能出现快速回落。

由于商品房销售增速保持低位，基本电器的农村普及性需求高峰已经过去，新增的家电家具等更新需求相对偏弱，我们预期社会零售总额的真实增速略有小幅回落，9月社会消费品零售总额同比增长16.5%。

制造业投资继7月明显下滑后再度回升。9月汇丰中国制造业PMI初值较8月小幅回落，已连续三月位于荣枯分界线之下，显示紧缩政策对经济增长的制约效应在逐渐显现。因此我们预计9月规模以上工业增加值同比增速将下滑至13.3%。预计3季度GDP同比增速降至9.1%。

信贷投放回归常态，货币增速继续走低

最近数月央行信贷投放持续向2006-08年的“常态”节奏回归，我们预计9月新增人民币贷款5500亿元。由于监管层对商业银行资金的监管趋于严格，预计9月M2增速会继续走低至13.0%。

政策变化的时间窗口或在11月中央经济工作会议前后打开，如果经济硬着陆，可能采用积极财政和适度宽松货币政策组合，政策将向战略性新兴产业、水利建设、民生和消费倾斜。如果经济软着陆，则积极财政、稳健货币政策将贯穿四季度，但在资金紧张的中小企业和政策支持的水利建设等方面或实行定向宽松。

进出口均将明显回落

宏观经济数据篇（2）

大数据方法和技术不仅可以被深度地应用在微观分析、行业研究领域，也可以运用在宏观决策之中。未来，大数据既是企业占领市场、赢得机遇的利器，也是政府进行宏观调控、国家治理、社会管理的信息基础。而大数据时代对数据的挖掘、处理和分析的方式，对于传统的宏观经济分析，无疑是一次大的革新。

大数据应用于宏观经济分析的趋势

传统的宏观经济分析通常是通过对比主要宏观经济指标、建立宏观经济计量模型、仿真宏观经济动力系统，对宏观经济形势及未来发展趋势进行判断与预测。

在当前的大数据时代，越来越多的宏观经济政策制定者和相关专家学者都已经意识到，大数据对宏观经济分析有着革命性的影响。目前，在宏观经济分析及预测中运用大数据方面，无论是国外还是国内，从新型宏观经济指数构建，到建立新型大数据宏观经济预测模型，各方面都取得了一定的进展。

早期大数据在宏观经济分析领域的应用，主要集中在建立新的宏观经济指数，以便更加准确的反应宏观经济运行状况。这方面的工作主要基于个人的交易记录，包括像一些欧洲国家将销售点扫描数据纳入CPI指数编制。

特别引起关注的是麻省理工学院的经济学家利用网上购物交易数据创建的BBP项目 （Billion Prices Project），基于不断变化的一篮子商品所计算的日度通胀指数。这种实时的通货膨胀指数能够比相应的官方数据更好地反映实际经济运行的情况。当年，在雷曼兄弟公司倒闭后，BPP 的数据显示，大部分美国企业几乎立刻开始削减价格，这就表明总需求已经减弱。而相比之下，官方通胀机构公布的数据直到当年11月，即在10月CPI数据公布后，才对通货紧缩有所反应。

“企业发展工商指数”是宏观经济分析领域中典型的大数据应用案例，也是我国政府在大数据挖掘领域的首创成果。该指数包括10 个对宏观经济具有显著先行性的指标，可以提前1～2 个季度预测宏观经济发展趋势。它改变了传统的抽样统计方式，利用大数据挖掘技术，对工商全量、动态的全国企业登记数据进行分析，发掘大数据价值，并采用合成企业发展工商指数，以判断宏观经济走势。

除了宏观经济分析与预测方面相关指数的建构，从宏观经济分析与预测研究的国际趋势看，使用大数据集，建构监测预测的模型，进行经济预测越来越广泛，逐渐成为很多国家央行进行经济预测的新方法和新工具。

在应用互联网大数据进行经济分析及预测中，使用网络搜索引擎或网络社交媒体记录的关键词，会有数据获取及时、样本统计意义明显等优势，预测精度较高。

Google Trends每天都在产生大量与经济发展相关的查询结果，且这些查询结果与当下的经济活动之间必然存在着不容忽视的关系，或许可以对预测当下的经济活动起到非常重要的作用。并且，在此基础上，Choi H. &. Varian H.（2016）举例说明了如何利用Google Trends预测美国零售业、汽车、住房和旅游的销售情况。

还有相关机构引用专业数据分析软件公司SAS的研究数据，以社交网络活跃度增长作为失业率上升的早期征兆，帮助政府判断就业形势和经济状况，以更好地制定经济政策。在社交网络上，网民们更多地谈论“我的车放在车库已经快两周了”、“我这周只去了一次超市”这些话题时，显示网民可能面临巨大的失业压力；当网民开始讨论“我要出租房屋”、“我准备取消度假”这些话题时，显示出这些网民可能已经失业，面临巨大的生存压力，这些指标是失业后的滞后标志性指标。

样本统计转为总体普查

大数据的发展对于宏观经济分析最为显著的积极影响，莫过于使宏观经济分析从样本统计时代走向总体普查时代。大数据时代的宏观经济分析中，传统的样本假设方式被抛弃，转而以真实的海量数据来进行计算机的自动分析。

我们知道，传统的经济分析包括经济计量分析是建立在抽样统计基础之上的，在传统的抽样统计分析中，往往以假设检验为基本模式，依靠的数据主要是样本，将样本假设为整体，然而，这种分析往往与事实存在或多或少的出入。

与传统宏观经济分析总是局限于小规模样本数据有所不同，在大数据时代，随着信息覆盖范围和数据量迅速提升，数据样本的体量会极大地提高，甚至可以达到样本即总体的程度。例如，就物价而言，每一笔在电子商务网站成交的交易信息都能记录在案。这样的情况下，宏观经济分析的可靠性必然大大加强。

同时，随着信息量的极大拓展和处理信息能力的极大提高，使得宏观经济的分析不再局限于传统的统计分析模式，而是将抽样分析转变为总体分析。这一点对宏观经济分析意义重大，因为宏观经济系统纷繁复杂，如果能将对整体宏观经济变量的分析建立在尽可能多的关于经济主体行为的信息以及其他诸多经济变量的信息的基础上，无疑将会极大地提高宏观经济分析的准确性。

基于推特（Twitter）平台表达的公共情绪用来预测股市变动，是很典型的例子。2008年3月到12月长达九个月间，270万Twitter用户推送的多达970万条的消息，经过情绪评估工具――Opinion Finder 和GPOMS 被分别赋值并评估为“积极”与“消极”两种情绪和“calm（冷静）”、“alert（警觉）”、“ sure（确信）”、“vital（活泼）”、“kind（美好）”、“happy（高兴）”六种情绪。结果发现，在道琼斯工业平均指数和GPOMS中的“calm（冷静）”情绪之间存在相关性。进一步研究发现，“calm（冷静）”情绪可以很好地预测道琼斯工业平均指数在未来2到6天的涨跌情况，而且这种每日预测的准确率高达到87.6%。

大数据时代，可获得大而全的可得数据，甚至可抛弃原有的假设检验的模式，这些优势是传统经济分析方法无法想象和实现的，无疑将会极大地提高宏观经济分析的准确性和可信度，不仅可以更加准确了解宏观经济形势，还有利于正确做出宏观经济发展的预测，从而更加合理地制定宏观经济政策。

变量个数无限增多

在当前大数据时代，数据的可得性和多样性导致样本量无限增大，同时变量个数无限增多，这有利于应用大量模型进行研究，并应用完备的数据信息，提高预测的准确性。

经济预测模型可以分为两类：一是传统的小模型预测，这类模型往往通过建立时间序列、横截面或面板方程来进行经济分析。传统的小模型预测的特点是仅使用较少的变量，像VAR模型的变量个数通常小于10个。二是大模型预测，这类模型往往使用成百上千个变量，因而大模型预测利用的信息非常丰富。

小模型预测理论比较成熟、方法相对简单。但是，小模型预测有天然的缺陷，那就是变量的完整通常是不可能的，而预测的效果受限于其所使用的变量。

使用小模型进行预测时必须仔细挑选预测变量，然而仁者见仁智者见智，无论是根据理论还是根据经验进行变量的选择，其过程必然会存在差异，其结果也更是可想而知，而且甚至会产生一些争议。比如，基于菲利普斯曲线预测通胀时，有的研究使用失业率作为预测变量，也有研究使用GDP缺口或者产能利用率。

清华大学经济学研究所所长刘涛雄教授就指出，由于模型变量选择、参数设置、估计方法以及滞后期选择等的不同，预测结果会产生很大的偏差。

小模型预测方法这一天然的局限是很难调和的，主要是因为数据样本有限而导致增加很多变量不可行。这使小模型预测的结论往往和经济现实严重脱节。我们很难想象中央银行会仅仅根据少数几个变量进行宏观预测，并据此做出决策。即便是一家企业也不会如此草率。

通过大数据挖掘，可以使得变量大大增加。这就为经济预测从小模型预测转变为大模型预测创造了条件，应用大量模型进行分析及预测，可以应用完备的数据信息，从而提高预测的准确性。

在美国，银行通常依靠FICO得分做出贷款与否的决定，FICO分大概有15-20个变量，诸如信用卡的使用比率、有无未还款的记录等。而一家名为ZestCash的金融机构，在决定是否向客户放贷的时，分析的却是数千个信息线索。ZestCash正是依靠其强大的对于大数据的处理和分析能力，形成了其独特的核心竞争力。

未必因果关系 而是相关关系

传统的经济计量分析以寻找相关事物（变量）的因果关系为核心，而大数据条件下的经济分析通常则着眼于挖掘相关事物（变量）的相关关系。

在复杂的宏观经济系统中，许多经济变量的因果关系往往难以准确检验，或者因果结论经常广受质疑。然而，在如今的大数据时代，更加重视可靠相关关系的发掘，并且充分利用相关关系对于经济预测、经济政策制定与评估的作用，则无疑为宏观经济分析打开了另一片广阔的空间。

在“小数据”时代，宏观经济中的因果关系分析其实并不容易，耗费的精力大、时间多。特别是，要从建立假设开始，进而不断地进行一系列假设的实验，而一个个假设要么被证实，要么被。不过，无论被证实还是被，由于二者都始于假设，这些分析就都有受偏见的可能，所以极易导致错误。

同时，由于计算机能力的不足，在小数据时代，大部分相关事物（变量）关系的分析局限于寻求线性关系。然而，实际上的情况要复杂得多，在现实宏观经济中，总能够发现的是相关事物（变量）的“非线性关系”。

当然，在小数据世界的宏观经济分析中，相关关系也是存在并有价值的；不过，在大数据时代的宏观经济分析中，相关关系才将大放异彩。维克托・迈尔-舍恩伯格与肯尼思・库克耶（Victor？Mayer-Schonberger &. Kenneth？Cukier）认为，建立在相关关系分析基础上的预测是大数据的核心。通过应用相关关系，可以比之前更容易、更快捷、更清楚地分析事物（变量）。

英国华威商学院为预测股市的涨跌，使用谷歌趋势（Google Trends）共计追踪了98个搜索关键词。这中包括“债务”、“股票”、“投资组合”、“失业”、“市场”等与投资行为相关的词，也包括“生活方式”、“艺术”、“快乐”、“战争”、“冲突”、“政治”等与投资无关的关键词。结果发现有些词条，诸如“债务”，成为预测股市的主要关键词。

“谷歌流感趋势”为预测季节性流感的暴发，对2003年和2008年间的5000万最常搜索的词条进行大数据“训练”，试图发现某些搜索词条的地理位置是否与美国流感疾病预防和控制中心的数据相关。

谷歌并没有直接推断哪些查询词条是最好的指标，相反，为了测试这些检索词条，谷歌总共处理了4.5亿个不同的数字模型。将得出的预测与2007年和2008年美国疾控中心记录的实际流感病例进行对比后，谷歌公司发现，它们的大数据处理结果发现了45条检索词条的组合，将它们用于特定的数学模型，预测结果与官方数据的相关性高达97%。

在大数据时代来临之前，尽管相关关系已被充分证明大有用途，可是相关关系的应用很少。这是因为用来做相关关系分析的数据同用来做因果关系分析的数据一样，也很少，也不容易得到，并且收集有关的数据，在过去相对来说，也费时费力，也会耗资巨大。不过现如今，可用的数据如此之多，也就不存在这样的难题了。特别是现在，有关专家们正在研发能发现并对比分析“非线性关系”的必要工具。总之，一系列飞速发展的新技术和新软件从多方面提高了有关分析工具发现宏观经济变量相关关系的能力，这就好比立体画法可同时从多个角度来表现人物或事物。

在大数据时代，这些新的分析工具和思路为我们提供了一系列新的视野和有用的预测，使我们看到了很多以前不曾注意到的宏观经济中的联系，掌握了以前无法理解的复杂的国民经济动态。

时滞变即期

目前对宏观经济的分析研究所采用的资料，主要依赖于各种统计调查系统的统计数据，但面临的最明显的缺陷之一便在于关于宏观经济统计的数据具有很强的时滞性。而大数据经济模型可以充分利用数据的实时性，提高分析或预测的时效性，为经济预警和政策制定提供最快速的资料和依据。

一般来说，依赖统计部门的宏观经济数据的都存在时间滞后的问题。由于不能及时获取宏观经济发展的数据信息，也就不能对当下的宏观经济形势作出准确判断。例如，政府公布的季度GDP 往往会有1个月的滞后期，而反映全面经济社会状况的统计年鉴的滞后期会达到3个月左右，这对及时了解宏观经济形势、预测与预警都是非常不利的，基于此统计进行的预测甚至被认为助长了宏观经济波动。

在互联网技术的辅助下相关宏观经济的分析部门能够快速地收集到主要宏观经济发展数据，如全社会的用电量、全社会的商品销售总额以及商品房的购买量等。这些大数据的获取时间较短，有的数据甚至是立即可以获得。

而随着互联网尤其是移动互联网的发展，产生了大量的即时传播数据，如企业通过微博、微信第一时间产品、人事等重要信息； 普通用户实时针对特定事件或对象发表见解和态度，等等。

这些即时传播的非结构化数据对宏观经济的走势也产生了重要影响。通过大数据软件处理平台，可以实时追踪和搜集这些即时数据，并快速对数据进行分析和处理，从而提高宏观经济的时效性，为经济活动参与者赢得决策时间。

宏观经济数据篇（3）

随着人们对统计数据分析的细化和深化等多方面的需求，统计数据质量观念也随之变化，学界开始从统计数据提供者、生产者和用户等多个角度来考察数据质量，准确性已不再是用户对统计数据质量的唯一需求。为此，有关国际组织和各国统计机构从满足用户需要的角度出发完善和丰富了统计数据质量的概念。如美国的《统计科学百科全书》给出统计数据质量涵义：一是产品的质量由现在以及潜在用户对产品再使用过程中的相合性决定的；二是统计数据质量所涉及的统计数据在多大程度上满足用户对统计信息的需求和期待的各个方面。欧洲统计局提出了统计数据质量的涵义包括数据适用性、准确性、及时性、可取得性、衔接性、可比性、方法专业性或完全性等维度。另外，加拿大统计局、荷兰统计局等欧美统计机构给出了统计数据的不同维度框架。归纳其结论，及时性是除了准确性之外统计数据质量概念共有的内涵。

统计数据及时性是统计数据用户或潜在用户对统计数据时间的需求和期待，它是统计数据质量在时间上的体现。宏观经济统计数据的及时性要求政府统计机构通过统计方法的革新，信息技术的应用等措施以提高统计数据的及时性，完善制度以便用户及时获取统计信息。一般情况下，所见文献对数据及时性是通过调查基准期与统计数据时间之间的间隔长度进行测量，认为用户获得数据的时间越早越好，并没有从满足用户对统计数据时间的需求和期待的角度进行评价，其有效性无法给出具体评判。依据统计数据及时性涵义，统计数据及时性评价是针对用户运用统计数据对未来情况预测和决策的有效性评价，如果用户获得的统计数据能对未来情况做出有效预测和决策，则说明该统计数据具有及时性，反之，则该统计数据不满足及时性要求。本文认为某一经济因素会对未来经济状况产生持续的影响，为了发挥该因素统计数据的有效决策价值，获得该因素数据的时间至少不应当超过该因素对未来经济情况产生影响的平均时间长度。基于以上思想，从该因素数据发挥效应的平均滞后时间的角度对数据质量的及时性进行诊断。

二、诊断模型的构建

（一）假设的提出区域宏观经济是一个相互联系、相互影响的系统，宏观经济各个因素的统计指标之间存在着相互影响的因果关系。对于区域宏观经济系统，应当建立宏观经济系统模型予以描述其各个因素的数据生成原理。为了定量研究宏观经济统计数据质量的及时性，本文对宏观经济系统有以下假设：1．宏观经济各个指标的统计数据是采用同一时间一次性。这一假定符合中国统计数据的制度，与我国统计数据的实际情况一致。2．用户需求的统计指标之间存在因果关系，且这种因果关系可以用线性或广义线性模型予以描述。对区域未来某期经济情况的判断总是依据现有的若干影响指标予以判断，如对区域未来某时期国内生产总水平（GDP）情况作预测，需要选择GDP的影响因素并构建滞后变量模型，根据各影响因素指标对GDP决策的滞后期长度来确定各指标数据的及时性。

（二）诊断方法设计依据经济理论，本文认为地区生产总产值（GDP）主要受当期或过去各期的投资（I）和零售品消费（LSE）两个主要因素影响，因此，可以构建区域国内生产总值（GDP）的滞后模型，具体由式（1）给出。由于决策目标变量不同，对影响变量的及时性要求也不尽相同。实际上，获取当期数据对于决策来说是最有效的数据，但是现实中也不可能实现数据即时的收集和，依据模型确定的最长滞后期对于决策目标变量来说也不合适，这时获得数据的有效性几乎不大了。因此，指标时期小于决策所需平均滞后时间长度就可以满足对目标变量的决策需要。所以，依据影响变量对决策变量的平均滞后时间（MLT）与数据时期长度进行比较，就能够评价影响变量数据的及时性水平。定义2给出的测度工具是评价一套统计数据及时性的综合工具。这里，我们是对p个指标的及时性水平求向量平均模长，其数值大小表示一套数据的及时性综合水平，在实际应用中，也可以对各个指标进行加权综合。同样，当η1说明一套指标整体及时性较好，能够满足决策需要；当η＜1说明一套指标整体及时性较差，不能满足决策需要。

三、宏观经济统计数据及时性诊断的实证分析

本文依据国家统计局提供的选择全国2008—2012年季度各指标的统计数据，利用模型（1）和模型（2）的理论模型，运用EVIEWS软件估计出全国地区生产总值（GDP）的回归方程（3）：回归方程（5）的拟合优度为0．9860，显著性检验F统计量为352．4158，说明模型整体拟合效果良好；回归方程中各参数显著性检验T统计量绝对值均比较大，说明方程参数估计结果显著。同样，通过EVIEWS软件估计出全国区域消费品零售总额（LSE）的回归方程（6）：回归方程（6）的拟合优度及显著性检验结果均说明模型拟合效果良好，参数T检验系数显著，参数估计结果显著。上面建立的回归方程（5）和方程（6）中的各影响因素变量的滞后期长度，均依据AIC信息最小准则确定。根据全国2008—2012年宏观经济季度数据，在建立的回归方程（5）、（6）的基础上，利用公式（3）计算出全国宏观经济数据：投资（I）、零售品销售总额（LSE）、地区生产总值（GDP）、财政支出（CZS）、财政收入（CZZ）等影响因素对相应被解释变量的平均滞后期见表1：根据中国宏观经济季度统计数据公布的制度，国家统计局对全国宏观经济各季度统计数据的公布，一般都是滞后15天左右。因此有t0＝1590＝0．1667，将此数据代入公式（4）计算各影响因素的统计指标数据的及时性测度ηxy，具体结果由表2给出。对于宏观决策目标地区生产总值和零售品销售总额来说，表2显示了投资、零售品销售总额、地区生产总值、财政支出和财政收入等指标数据质量的及时性水平。对于一套数据的及时性综合评价，依据定义的及时性综合测度工具有五个指标及时性的综合水平为η＝3．9623，显然，我国宏观经济数据对于预测与决策及时性较好，数据质量的及时性水平较高。

宏观经济数据篇（4）

中图分类号：F810.422 文献标识码：A 文章编号：1007-2101（2014）05-0067-05

一、引言

随着互联网、云计算的飞速发展，近些年全球信息量以每年翻两翻的速度爆炸式增长，成为当今社会增长最快的资源之一。这种规模大、种类多、处理速度快、价值密度低的海量数字化信息，被称为大数据。进入大数据时代，由于数据的开放与共享，使人们获取与数据变得十分容易，一方面，它为网民的生活、学习、工作提供了极大的便利，另一方面，它也为少数别有用心者丑化他国政府提供了有力的工具。自2007年起，《福布斯》的全球“税负痛苦指数”榜单中，将中国排名全球第三，之后不断提升中国排名，2009年将中国排名全球第二，2011年将中国排名为全球第二和亚洲第一。可以肯定的说，这是一种有意的安排，不排除有故意丑化中国形象、搅乱中国民情的嫌疑。对《福布斯》的税负痛苦指数，我国官方和学术界从来就不予认可。不过我们也应该看到，我国对外的宏观经济数据中，不同部门的数据之间、不同数据比例关系的逻辑上确实也存在一定程度的相互冲突的现象。如2009年2月26日，国家统计局全年税收收入为57 862亿元，而财政部税政司的全年税收收入却为54 219亿元，两个数据相差3 600多亿元。同时，利用我国向世界银行提供的宏观经济数据，通过简单的环比增长速度的计算，就可以得出我国税收收入自1995年以来至今，18年间一直存在着超经济增长的结论，这是我们难以否认的事实，当然这也这给有意丑化中国的个人或机构予把柄。

对我国税收收入超经济增长的现象，我国有很多学者，如吕冰洋、李峰（2007），丁小平、刘铮鸣（2012），胡怡建、刘金东（2013）等，运用数学模型和大量的数据进行了实证研究，并给出了在我国税收超经济增长存在着合理性的解释。其主要结论是，税收超经济增长的原因是我国经济的快速增长，税务部门对税收征管的加强，以及存量资产的快速增长。我们不怀疑这些学者论证方法和过程的科学性和严谨性，但这些结论仍然经不起实践数据的验证与推敲：如果说经济增长是导致税收超经济增长的原因，那么自2009年及其以后，我国经济增速开始下滑，为什么2009年及其以后各年的税收收入的增长依然没有停止超经济增长的迹象，即仍然保持着超经济增长的态势？如果说税务部门税收征管的加强是导致税收超经济增长的原因，那么按照税收收入年平均超经济增长3.95%的速度计算（见表1），税收超经济累计增长18年后，因税收征管的加强引起的税负就会达到纳税人总产出的71%，这足以让大多数法人纳税人倒闭了，但为何还能持续生存到今天？如果说是存量资产的快速增长导致了与存量资产相关的房产税、土地使用税、土地增值税收入的快速增长是可能的，那么增值税与存量资产的增长并无直接关系，为什么增值税收入也存在超经济增长的现象？总之，脱离经济的税收运行不可能没有不合理之处的存在。

国家税务总局自2002年起，几乎每年都不厌其烦地要向社会公众解释税收超经济增长的原因，并将税收收入超经济增长的原因主要归结为：（1）税收收入与GDP的统计口径不同；（2）GDP的结构与税收结构之间存在差异；（3）外贸进出口对经济增长的作用与对税收增长的作用影响不同；（4）税收征管因素的影响；（5）部分税种如工资薪金个人所得税等采用的是分级累进税率，收入增长与税率增长的幅度不同。这种多因并重的解释方式，似乎并没有找到问题的关键。2010年国家税务总局对西方个别机构对我国纳税人税负过重的宣传进行了辩论，指出西方个别机构在评价方法上和计算依据上明显存在着错误。看来，税收数据的冲突具有扩大之势。

党的十八届三中全会提出了稳定税负、透明预算等方面的改革要求，将我国财税体制赋予了国家治理的基础和重要支柱的地位（高培勇，2014），因此，税收增速和税负问题，已不再是一个简单的数字问题，它已涉及到了国家治理基础的战略层面，应给予足够的重视。

二、中西方国家宏观税收收入口径的比较

我们根据世界银行提供的2001―2011年，美国、英国、加拿大、澳大利亚、法国及德国的GDP和税收收入数据，分别计算了其GDP和税收收入增长率与相应的简单算术平均数。从计算结果看（见表1），西方六国税收收入的增长率中，有的年份是负增长，有的年份低于GDP增长率，有的年份高于GDP增长率。从其均衡走势来看，西方六国的税收收入增长率，除了德国与GDP增长率基本持平外，其余五国都呈现出低于GDP增长率的态势，没有出现持续地超经济增长的现象。而我国税收收入的增长率，既没有出现负增长的情形，也没有出现低于GDP增长率的情形，却呈现出规律性地持续走强于GDP的增长率，这种现象的背后到底是什么关键因素在长期发挥着作用？我们通过我国与西方国家税收收入的口径的比较发现，我国在税收实践和税收数据的统计上，没有引入和运用西方国家的“税式支出”（Tax Expenditure）的概念。我国通常所说的“税收优惠”，在西方国家被严格地限定在税式支出的范畴之内，并且每年都需要由财政与税务部门联合编制税式支出预算和税式支出决算报告。在西方，虽然将税式支出列作政府开支的组成部分，但是在税式支出实际操作上，包括税收返还（返还给纳税人的税款）在内，全部由税务机关负责进行。在对外税收收入时，将税收返还款从税收总收入中扣除，即以不含税收返还款的税收收入对外（见表2）。而我国对待税式支出上，没有一个清晰的管理逻辑，既没有税收优惠预算报告，也没有税收优惠决算报告；对税收收入的返还、退税上，一部分由税务机关负责，一部分由财政部门负责。我们的问题出在由财政部门负责支出的税收返还款，在税务部门仍然作为税收收入对外，即我国对外的税收收入包含了支付给纳税人的税收返还款。这部分法定的税收返还款占全部税收收入的比例，据相关数据测算估计为3%～13%（见表2）。

我国在法定税收返还之外还存在额外地违规税收返还和“税收空转”的现象，这方面的数据同样没有从对外的税收收入总额中扣除。根据国家审计署对2004年、2006年、2009年、2010年和2013年税收征管的审计公告，我国存在着相当数量的在法定税收返还之外，由地方政府擅自扩大的税收返还款，以及税务机关为了完成年度税收收入计划，通过将未完成税收收入计划的差额于当年末入库，下年初再入库的方式，徒增税收收入，以达到完成税收收入计划的目的。这部分徒增的税收收入，实际上并不真实存在，这里称之为“税收空转额”。由于我国对税收收入采取的是计划管理方式，每年由上级税务机关向下级税务部门逐级下达税收计划任务，到基层税务所时，税收收入计划通常都增加到了每年递增15%以上的水平。从2001―2011年的数据来看，我国税收收入的年度平均增长率为19%。由于当年税收收入计划是按上年完成的税收收入数据为基数进行计算的，即上年形成的税收空转额也算作了税收增长计划的基数，这样按19%的年增长率计算，100单位的税收空转额到18年后变为100×（1+19%）18=2 290，扩大了22倍，数额巨大。因此一旦税收空转额形成后，也就是假数据形成了真任务，便不可逆转，并会持续地递增下去，对税收收入超经济增长会持续地生产推动力，因此危害巨大。按此规则，我们估计这一部分金额占全部税收收入的比例为2%～8%（见表2）。

可见，税收返还和税收空转额这两部分数据原本不是经济增长形成的税负，并且也不属于税收收入的构成项目，但在我国却长期地将它们纳入税收收入总额之中，并作为来年税收收入增长计划的基数，从而形成了一种在经济增长之外能够自我增长、自我膨胀的特别机制――“税收自我复制”机制，推动了我国税收收入持续地超经济增长，因此，税收自我复制机制是我国税收超经济增长的谜底。如果按照西方国家税收收入的口径对其进行调整，调整后的税收收入应该不会存在超经济增长的现象。

三、按西方国家税收收入的口径对我国税收收入的调整

按西方国家税收收入的口径对我国税收收入进行调整的关键是计算出由财政部门直接支付给纳税人的税收返还款占我国税收收入总额的比例，以及估算出人为调节税收进度的税收空转额占税收收入总额的比例。

由于在我国支付给纳税人的税收返还款是由基层财政部门负责的，而当前我国没有一个专门和统一的反映这一支出的财政指标。在查找基层财政统计年鉴时，我们很难找到与（返还给纳税人的）“税收返还”同名同义的支出指标。不过我们从全国各省份和直辖市2002―2012年的财政年度预算执行报告和政府工作报告等文献中，通过分析计算，提取出了税收返还数据相对较为完整、连续的两个省份――广东和山东的数据，通过加权平均计算出了这两个省份的税收返还款占其全部税收收入的比例，并暂以此比例作为全国税收返还占税收收入的比例（见表3）。另外，我们根据国家审计署对2004年、2006年、2009年、2010年和2013年税收征管的审计公告，按照抽样审计对样本的推算方法和我国税收计划增长的编制规则，估算了人为调节税收进度的税收空转额占税收收入的比例及违规扩大的税收返还占税收收入的比例（见表3）。

根据估算的税收返还占税收收入的比例和税收空转额占税收收入的比例，对我国税收收入进行了调整，调整后的我国税收收入的年平均增长率为16.7%，与GDP年平均名义增长率15.8%相比基本持平，达到了与GDP的同步增长，基本消除了税收超经济增长的现象（见表3）。调整后的我国宏观税负也更趋于合理。

四、宏观经济数据的协调

大数据时代，无论是宏观经济数据的绝对数，还是其相对数，如果发生冲突都会给经济社会带来不良影响。因此，加强宏观经济数据的协调是很有必要的。

第一，我们应成立专门的跨部门的数据管理组织，对准备对外的所有宏观经济数据给予合理性、逻辑一致性等方面的审查，在确保无误后，再对外。

第二，要通过立法消除形成宏观经济数据冲突的根源。如，对包括税收返还在内的税收优惠，要引入西方国家的税式支出概念，并将税收返还单独设立为一个统计指标，将全部税式支出项目纳入财政支出预算体系中，并对税式支出预算的实际执行情况对外公布，以发挥群众的监督作用。对税收空转现象，要从税收收入计划的制定开始变革，将税收收入的计划增长率限定在同期GDP按现价计算的增速以内，对有税不征和征收过头税以及在税收数字上弄虚作假的单位和个人给予严惩。

第三，宏观经济指标应尽快与国际接轨。大数据时代，数据的共享使数据已经没有了国界，不同国家的网民均可自由地使用网上其他国家的数据。然而，我国有一部分经济指标与国外相比，虽然同名，但其统计口径或所包含的内容却有所不同，在国家间进行比较时，容易产生错误的结论。因此，宏观经济指标应尽快与国际接轨，在短时间内不能接轨的指标，在对外时，应按国际通用的口径及指标所含内容进行调整，以减少误用的现象。

第四，要用技术手段，将微观数据在汇入宏观数据时，进行审核把关，将逻辑冲突、或不真实的数据阻挡在宏观数据形成之前。

参考文献：

[1]高培勇.由适应市场经济体制到匹配国家治理体系――关于新一轮财税体制改革基本取向的讨论[J].财贸经济，2014，（3）.

[2]马建光，姜巍.大数据的概念、特征及其应用[J].国防科技，2013，（5）.

[3]冰洋，李峰.中国税收超GDP增长之谜的实证解释[J].财贸经济，2007，（3）：29-36.

[4]胡怡建，刘金东.存量资产、虚拟经济与税收超GDP增长之谜[J].财贸经济，2013，（5）：5-15.

[5]丁小平，刘铮鸣.我国税收超增长的因素分解――基于随机生产边界模型的实证研究[J].西部论坛，2012，（5）：88-94.

[6]樊丽明，张晓雯.从税负到“税感”：理论及实证分析[J].财贸经济，2013，（9）：5-15.

[7]朱军.开放经济中的财政政策规则――基于中国宏观经济数据的DSGE模型[J].财经研究，2013，（3）.

[8]谭民俊，周双玲.税收空转完成地方财政预算收入的成因及对策[J].财务与金融，2009，（4）.

[9]黄秀珍.必须改变以计划任务为中心的税收工作方法[J].税务研究，2001，（8）.

[10]McAfee A，Brynjolfsson E. Big data：the management revolution[J]. Harvard business review，2012，（10）：60-68.

[11]Bollier D，Firestone C M. The promise and peril of big data[M]. Washington，DC，USA：Aspen Institute，Communications and Society Program，2010.

[12]Deller S，Stallmann J I，Amiel L. The impact of state and local tax and expenditure limitations on state economic growth[J]. Growth and Change，2012，（1）：56-84.

[13]Fleming Jr J C，Peroni R J. Can Tax Expenditure Analysis Be Divorced from a Normative Tax Base：A Critique of the New Paradigm and Its Denouement[J]. Va. Tax Rev.，2010，（30）：135.

宏观经济数据篇（5）

今年二季度以来，宏观和中微观经济数据持续背离。宏观数据企稳而中微观数据表现不佳，为对未来经济形势的判断频添诸多分歧。从最新数据来看，我们持续监测的国信高频宏观扩散指数一改8月持续大幅下滑，在9月出现明显改善；9月统计局制造业PMI也与8月持平，未像市场预期那样继续下跌。在中国经济弱企稳迹象增加之际，宏微观经济数据也开始出现收敛。但经济数据的起伏不会影响我们研究的基本结论：当前中国经济正处于转型期，传统的经济指标对经济走势的指示意义可能会出现变化，并可能会出现一些失真。

高频数量指标的相关性在下滑

在预测工业增加值增速时，高频的发电量和用电量是常用指标。在著名的“克强指数”中，耗电量也是组成指数的三个经济指标之一，可见其在判断经济走向上的重要性。然而，今年以来基于电量增速预测的工业增加值方向时常出现一定偏差。例如，工业增加值于5月、6月的强劲反弹在耗电量上的表现并不显著，同样的宏微观背离也出现在部分其他上游资源品的量价上。

发电量和工业增加值相关性正在系统性下降。从图1中可以看出，2012年之前工业增加值和发电量增速之间的变动方向非常一致，波动幅度之间的相关性也较高，但2012年之后两者之间的波动同步性在减弱（图1）。进一步地，2012年三季度开始，两者的相关系数（剔除1月、2月）出现了非常显著的下滑，之前相关系数一直维持在0.9以上，但当前相关系数已经降至0.7。这表明发电量对工业增加值的解释能力正在出现系统性地下滑。

相关性下降的原因在于高耗电行业增速与整体工业增速不一致。从统计局公布的分行业电力消费量数据来看，2012年工业用电占比大概在72.8%，且呈下降趋势，这主要是由于第三产业和居民用电占比的提升。进一步细分来看，工业行业内部耗电量最高的五个行业依次是，电力热力生产和供应、燃气和水生产供应、黑色金属冶炼加工业、化学制造业、有色金属冶炼加工业，加总起来在工业用电量中占比在70%以上，其中前三项占比达到50%以上，而这五个行业的工业增加仅占总量的25%。这意味着，如果这些行业的增速和整体工业增加值的增速不一致，那么将会导致耗电量增速和工业增加值增速出现背离。例如，2009年工业增加值反弹，但发电量增速连续负增长，当时统计局给出的解释就是，能源密集型行业复苏步伐要落后于整体工业增速。

高能耗行业增速放缓导致发电量增速低估工业增加值增速。2012年以来发电量和工业增加值之间相关系数下降，这在某种程度上反映了高能耗行业增速的放缓。这集中体现在2012年以后发电量增速中枢相比工业增加值来说有着更加显著的下降上。而高耗能行业尤其是钢铁和其他金属加工行业增速放缓，主要是受到产能过剩的拖累。2012年在“4万亿”刺激消退后，上游资源型行业即进入去产能过程，增速持续走低，这对于耗电量增速的拉低程度要远远高于工业增加值增速。因此还是根据历史经验，用发电量增速来预测工业增速可能会出现低估。

高频价格指标的指示性在弱化

以价格作为监测需求变动的指标需要注意两个问题：一是勿将价格指标的季节性波动，视为终端需求的趋势性萎缩；二是产能周期和高库存的压制，会使价格指标对终端需求变动的反应更加迟钝。

需区分价格的季节性波动和周期性变化。市场需求存在季节性的上升和回落，这会导致销量和价格出现一定的季节性波动，但这不能理解为下游需求出现趋势性的膨胀或萎缩。以水泥为例，今年上半年水泥价格持续下行，但我们其实不太容易判定是否终端需求出现了明显下行。这是因为，历年一季度和三季度都是需求淡季，价格的环比表现都是下跌的。今年水泥价格变动除了3月和6月显著超出季节性规律以外，其他时间大体上仍符合季节性因素。但看水泥产量数据，上半年水泥产量同比增速持续下滑，6月滑落到2009年以来的新低，7月才有所反弹。这比较清晰地体现了上半年房地产投资萎靡，而基建投资对冲有限背景下，对上游水泥的需求是持续滑落的。但单从价格数据上，尽管可以看到3月和6月出现大幅下滑，但却不太容易得出水泥需求在持续萎缩这一结论。可见，产量数据可用同比调整季节性，但价格数据却不太容易做到这一点。

因此我们在用价格指标监测经济时需要进行一定的季节性比较。以动力煤价格为例。我们知道，动力煤下游主要是发电，因此其需求与用电高峰的夏季和冬季紧密联系。考察2004年-2013年动力煤价格的月度环比变化，三季度以及2月、3月会出现明显的环比价格下跌，夏季和冬季煤价则会出现稳定上涨。今年一季度动力煤价格的表现合并起来看比较正常，但二季度环比走势明显要弱于季节性规律。这与二季度一直讨论的发电量增速弱而工业增加值增速强的背离是一致的。但在解释7月以后的动力煤价格数据时要相对谨慎。由于动力煤消耗进入淡季，即使宏观面出现了一些积极的变化，但微观层面的动力煤价格表现可能仍然较为孱弱。

需关注产能过剩和高库存对价格的压制。供给端的产能过剩可能持续压低产品价格，使得微观价格不能有效地反映需求端的波动。2009年的“4万亿”刺激后，许多上游行业在2011年过后普遍存在产能过剩情况。例如，2011年开始采矿业固定资产投资增速逐步下滑，而粗钢产能利用率也在2010年达到高点后逐步下滑。 近几年去产能的进展一直不是特别理想，市场并未得到有效出清。这导致需求稍有改善，但很快被过剩供给所吸收，因此价格总体上仍处于下降通道，对经济波动的敏感性降低。

以动力煤和螺纹钢价格为例。2011年下半年开始动力煤价格持续走低，中间只在2013年11月到12月中旬出现一波明显反弹，但2013年的经济复苏却是从三季度就开始了（图2）。且该年11月和12月的价格反弹也很难区分究竟是季节性因素使然，还是需求趋势性好转。因此，动力煤价格对终端需求的指示意义也就大幅降低。

2011年下半年螺纹钢价格开始持续下滑。但相比动力煤来说，钢铁价格在下行周期中出现过几次明显的反弹，对应时期经济需求面出现一定好转。在终端需求和经济预期边际好转时，钢铁上下游均开始补库存，这会放大需求波动，进而对价格带来明显提升。但2011年以后，每次钢铁价格反弹的高度都在下降，今年上半年的微弱反弹几乎不可辨识。我们认为，这与去产能周期对企业库存调整的压制是密不可分的。在经济表现长期疲弱，企业预期偏向悲观时，即便经济出现短期回暖，对企业预期的提振效应也是有限的，进而企业补库存的动力也就付之阙如。企业库存周期的衰竭使得终端需求的波动不容易被放大，并反映在钢铁价格上。

高库存也会形成对价格的抑制，降低价格指标的指示意义。例如，2014年初以来，主产地山西的煤炭库存一路走高，当前的库存存量稳定在过去两年均值的两倍以上。这样，下游需求波动会很容易被高库存所吸收，而很难反映在价格上，从而导致产品价格的持续低迷。钢材价格上也存在类似的库存压制。今年初钢材的社会库存和企业库存均攀上高点，但最近库存下滑很快。结合近期煤炭和钢铁价格表现乏力来看，这意味着下游需求走强被库存下降吸收了，从而并未显著体现在价格指标上。因此，在高库存压力下，价格指标也不能充分而有效地反映需求的好转。

宏观回升亦不稳固

上文我们从中微观数据出发解读今年二季度以来的宏微观背离问题，认为中微观数据或许并未很好地反映宏观情形。下文我们从宏观数据出发，认为二季度以来的经济回升力度太弱，难以被定义为一次像样的反弹，最多只是在底部企稳徘徊。如果宏观层面上经济并未显著走强，那么中微观层面上经济表现疲软也就没有那么意外了。

从近三年比较看经济回升力度。2012年初中国经济开始迅速下滑，进入新的增长平台。工业增加值从14%回落至9%左右，并一直稳定在这一中枢附近，而GDP同比增速也一路回落至7.6%的平台并小幅震荡。回顾近三年的年内经济增长路径，均表现为年初经济下滑，政府稳增长措施启动，然后经济企稳的规律。但三次经济下滑面临的内外环境、政策力度和复苏时点都有着较为显著的差异。

2012年初，制造业和房地产投资同时大幅下滑，带动整体经济出现断崖式回落。于是基建投资增速开始稳步上行，9月单月增速攀升至25%。在货币政策上，央行在7月之前完成了两次降准降息。由于货币环境宽松，下半年房地产投资也很快开始企稳回升。在地产和基建投资回暖的叠加影响下，全年经济增速高点出现在四季度，工业增加值增速在12月达到最高值10.3%。

2013年二季度开始，由于反腐影响消费增速出现下滑，同时出口表现不佳。固定资产投资方面，由于上一年基数不高，房地产和制造业投资增速表现相对平稳，基建投资也维持在20%以上的高位。为维持经济增速，基建投资在7月和8月进一步提速，8月当月基建投资增速一度达到29%。而2013年经济高点在三季度出现，工业增加值增速在8月达到10.4%的高位。

2014年与2012年更像，年初以来房地产和制造业投资均出现下滑。两者的累计同比增速均已低于2012年的最低点。虽然消费表现平稳，出口有所改善，但是难以改变经济下行趋势。二季度基建投资增速开始回升， 5月同比增速高达27%。于是，工业增加值阶段性高点出现在6月，但也仅仅达到9.2%，远低于前两次经济反弹的幅度。从过去两年经验来看，稳增长效果一般只能持续一个季度。在基建投资增速回落的背景下，8月工业增加值增速大幅下挫，也表明二季度经济只是一次短暂的企稳。

简单梳理近三年数据可以看出中国经济明显缺乏内生动力。最近三年，消费、房地产和制造业投资逐步下台阶，其中任何一个出现滑落，都需要基建托底；而受制于发达经济体复苏空间有限，中国出口增速始终维持在个位数，对经济提振意义有限。由此导致的一个结果就是，稳增长政策的推出时间逐步提前，2012年在四季度，2013年在三季度，2014年则在二季度。

与过去两年相比，今年经济平滑空间更加逼仄。一是房地产投资持续下滑趋势难以根本逆转。2012年房地产投资很快出现复苏，2013年房地产投资表现平稳，今年则难以看到房地产投资的回升。即便各地竞相放开限购政策，央行也最终放开限贷闸门，虽会给房地产市场带来短期提振，但可能无法改变房地产投资向下调整的格局。二是基建投资的对冲力度和持续性相对有限。土地出让金的锐减，地方政府性债务的治理，都令地方政府的钱袋子更加捉襟见肘。于是，二季度工业增加值无论是同比还是环比增速都要显著低于2012年和2013年并不令人奇怪。

从趋势上来看，2012年8月和2013年6月，工业增加值增速均出现较为明显的反弹，且可持续一个季度以上。但今年4月后工业增加值增速反弹幅度和持续长度都不够明显，8月又再次令人意外地转头向下。就此而言，二季度的经济回升很难定义成一次反弹，最多只能说是底部企稳。这就意味着，从总量上来说，内需仍是疲弱的，这有助于解释年初以来中国进口数据和中微观指标的不佳表现。

从工业增加值增速看行业分化。工业增加值中，与房地产投资相关性最高的非金属矿物制造业（主要是水泥和其他建筑材料），年初以来增速一直维持在低位。在基建投资中占比较高的铁路道路运输业（主要是城市轨道交通），所对应的工业增加值中的铁路等运输设备制造业增速则持续走高。还有很多行业同时受到基建和地产投资的影响，很难完全区分哪个影响更大。但在固定资产投资总体疲软背景下，都难有太好的表现。例如，钢铁下游同时对应着地产和基建，与钢铁相关的黑色金属矿采选业和黑色金属加工业表现各异，采选业累计同比增速有所回暖，但加工业累计同比增速仍在下滑，但两者绝对水平都处于较低位置。

宏观经济数据篇（6）

中国经济进入新常态的中高速增长以来，中国经济增长“大幅放缓”、中国经济“硬着陆”等观点，变成国内外在每年的年底、年初对中国经济判断的主基调。这些判断的误区是，尽管中国经济进入了新常态，但国内外的分析人士并没有用新常态的逻辑来分析数据，来判断现状和未来经济的态势。

有些媒体对今年前三季度6.9%的经济增长用“经济增长是七年来的最低”来表述，显然参照系是过去30年的高增长，这个参照系是不对的。现在是新常态经济发展阶段，新常态经济的一个重要特征就是从高速增长变成中高速增长。经济增长7%左右就是中高速增长，也是两会报告确定的今年的增长目标。如果我们用新常态的逻辑来看待6.9%的增长，参照系是新常态经济的中高速增长，6.9%的增长是完全正常的、合理的、符合经济规律的增长水平。用新常态经济观念来分析增长数据，国内的经济增长是稳定的，与中高速增长的的目标是一致的。那种认为中国经济大幅下滑、硬着陆、崩溃的分析是思想方法的问题，分析思路根本没有进入新常态经济发展阶段。2014年12月闭幕的中央经济工作会议和十的一些相关文件反复强调，要认识新常态。只有认识新常态，才能适应新常态，最后才能把握新常态。如果思想方法上没有进入新常态经济的转变，观念上不可能实现从过去的发展阶段向新常态经济发展阶段的转变，对新常态经济阶段的形势判断就是不准确的。

季度GDP增长数据出现零点几个百分点的波动是预料之内的，不必过度解读

当前，我国正处于“三期叠加”的新常态经济发展阶段，“三期叠加”是指经济处于增长速度换挡期、结构调整阵痛期和前期刺激政策消化期。换档期是什么意思？是我们的经济增长从高速增长变成中高速增长，是对一个经济规律的描述。新常态经济发展阶段的一个重要改变就是劳动力红利开始减少。当劳动力红利开始减少的时候，当人口出现老龄化的时候，经济就会出现增长速度的换档。很多发达国家都经历了这样的改变，美国、日本、欧洲都在劳动力比较优势改变后出现过换档期，这是经济发展的规律性。我在20世纪80年代初期去法国留学，由于人口结构的变化，法国经济在80年代就面临增长速度放缓的现象，所以说换挡期是一种规律性的变化，中国经济的新常态出现这种规律性的变化是不可避免的。

转型期是什么意思？从整体经济的层面上讲就是经济结构的转型。从投资为主转变为投资、消费增长的合理比重;从第二产业为主转变为二、三产业并举;从依靠较多的外需转变为内外需共进;从劳动密集、资源密集转变为技术密集、知识密集。而经济结构转型最主要的压力来自于第二产业。过去30多年高速发展的同时，包括“第三期”――政策消化期的盲目投资，使第二产业累计了高耗能、高污染、产能过剩这种不可持续的深层次矛盾。在新常态经济阶段，要实现经济结构的转变，使经济可持续发展。产业结构的调整主要来自两个方面。第一，不合理的产能结构要调整，将不合理产业的投资降下来。第二，培养新的增长点，形成合理的产业结构。这两个方面的调整是不同步的，不合理产业结构调整使这些领域的投资减少，而新的增长点还在培育过程中，增加的投资不能很快覆盖减少的部分，出现了青黄不接的状况，带来了经济下行的压力。

围绕“三期叠加”所作的规律性和结构调整的分析，我们应该看到，“叠加”效应，即所谓过渡期、投资下降、经济下行、都是已知信息，是存量的概念。月数据特别是季度公布的GDP增长数据，如果出现零点几个百分点的上上下下应该是预料之内的，不是“增量”下行的概念，包括投资下降以及出口方面存在问题，这都不是增量信息。如果解读为“增量”，可能在重复使用“三期叠加”分析的信息，过度释放一些本不该由这零点几个百分点所承载的信息，刻意淡化存量概念而去放大增量概念，这是非常误导的。

正确认识进出口数据改变的原因，不能简单重复传统刺激出口的政策

今年前三季度，进出口总额178698亿元人民币，同比下降7.9%。其中，出口102365亿元，下降1.8%;进口76334亿元，下降15.1%。进出口数据是否非常糟糕？我认为一定要把信息对称起来。第一，出口数据显示加工贸易低于一般贸易。在过去很长的时间内，我们的加工贸易占主导地位，远远高于一般贸易。加工贸易是一个劳动力密集型产业，当我们的劳动力红利逐渐减少以后，加工贸易业就逐渐转移到更有劳动力比较优势的地方去。这是个渐进的过程，从十几年前就已经开始了。近几年来，因为劳动力成本增长特别快，所以那些港台企业基本上都走了。本地的企业因为没有能力走出去，很多就关闭了。企业迁走或关闭，订单也走了，加工贸易的出口已经连续几年低于一般贸易。这是我们进入新常态以后，劳动力红利改变所带来的贸易结构的变化，也是国际贸易中规律性的变化。我们不能盲目的说，出口增长下降就要加大出口退税。当前出口增长下降的原因根本不是税收造成的利润下降所致，退税根本没有意义。我们还是要改变出口结构，增加一般贸易。劳动力密集型的产业少了，那就增加一些附加值高的产业，出口加工制造升级为高端制造，调整出口产品的结构才是解决问题的根本办法。要正确认识进出口数据改变的原因，不能简单重复传统刺激出口的政策。

第二，中国已经在2011年代替美国成为世界第一大进出口国家，占到全球45万亿美元贸易规模的11%左右。国际贸易是按照比较优势的交换。如果仍然停留在低端制造，中国的贸易特别是出口不可能继续保持大幅增长，因为中国在11%以外的贸易领域不具备比较优势。仅盯着出口增长率下降而考虑短期政策，不抓紧培育有新的比较优势的产品，可能会错失未来国际贸易发展的良机。

第三，我们的进口也是负增长。这是因为我们进口的产品中大部分是大宗商品，大宗商品的价格从去年第四季度开始一直到现在大幅度下降，石油价格降了一半多，所有的农产品都在降价。我们进口产品的一半以上都是大宗商品，就算我们的进口量不变，因为价格降了这么多，所以我们的进口规模一定是下降的。不能简单地说，进口负增长就是我们国内对外面的需求下降，我们的经济不景气。

宏观政策要稳，不能总是调来调去

宏观调控在新常态下已经有基本原则。新常态经济宏观调控的基本原则是：宏观政策要稳，微观政策要活，社会政策要托底。大规模的刺激政策就是危机政策。既然是常态，宏观政策就要稳，不能总是调来调去。短期财政、货币和投资的政策到位，稳增长应该是没有问题。在常态的情况下，受季节性因素、天气因素、自然灾害等各种因素的影响，经济也会有上有下，但这样的波动是正常的，与危机引起的大起大落不一样。

每当经济增长数据出现零点几个百分比的下降，经济下行压力“加大”的说法就会被强化，就出现呼吁稳增长政策微调和更宽松货币政策等加大短期刺激政策的声音。实际上，12%的货币供应量的增长（M2）目标本身已经是一个很宽松的指标。上半年名义GDP的增长是6.5%，也是经济增长所需要的货币需求增长水平。但是既定的货币供给增长是12%，有5.5个百分点的差距。这意味着货币供应量的增长要超过货币需求增长5.5个百分点，从这个意义上来说，货币政策应该是宽松的。但是现在11%左右的M2增长，在既定12%的M2增长政策范围之内，从这个角度，货币政策在执行层面是稳健的。政府一直在强调货币政策是稳健的，但指标本身是被宽松的制定了。

总之，要正确认识宏观经济指标，思想方法一定要正确。思想方法不同，利益导向不同，对问题的看法也就不同。用新常态的逻辑去分析数据，判断形势，才能避免误判形势、误导政策。对当前经济增长稳定的判断，并不是说我们的经济没有问题，但关键是找准问题，找到针对性的解决方案。

充分发挥调结构在稳增长中的关键作用

我们的经济存在下行压力的根本原因是结构问题。正确的方法不是印发更多的钞票，而是要对症下药，要进行结构调整。不合理的结构要往下调，加大力度去推动新的产业结构核心增长点。如果不把这个问题解决，而是用短期政策去稳增长，那就一定会固化现在的结构性矛盾，并不能解决根本问题。2014年12月11日闭幕的中央经济工作会议有五项任务，第一项任务就是稳增长，紧接在稳增长后面的一句话就是“稳增长的关键是调结构”。虽然也说了财政政策、货币政策、产业政策，但关键是落脚在调结构上。如果结构没有理顺，今年短期政策稳增长，明年结构问题带来的下行压力就仍然存在。持续增长不能年复一年地靠短期政策来保证。

充分发挥调结构在稳增长中的关键作用。调结构有两个方面，一个是将不合理的结构往下调，另一个是必须同时形成合理的新产业结构。中央经济工作会议确定的今年第二项任务是积极培育新的增长点，这与新的合理的产业结构形成是联系在一起的。在经济存在下行压力的情况下，我们要积极培育新的增长点作为经济增长的驱动，应该必须从现在做起，而不是要等到明天。

宏观经济数据篇（7）

一般来说，国家相关统计部门都会定期对宏观经济统计数据进行披露，比如消费者物价指数、贸易顺逆差以及固定资产投资等。这些宏观经济统计数据一旦公布出来后将影响金融市场，通常情况下市场预测值和实际宏观经济统计数据间有一定的偏差，这种偏差影响了金融市场的波动，所以客观准确的宏观经济数据公布对债券市场、股票市场及外汇市场有着重要的影响，本研究正是以此为切入点，把预期值和实际数据之间的差距引入garch模型，探讨宏观经济统计数据对金融市场的影响，从某种程度上来说具有一定的理论与实际意义。

二、宏观经济变量与市场预期

1.宏观经济变量

在本研究中主要采用国家统计部门每月公布的比较常用的五个宏观经济变量，比如城镇固定资产投资增速、消费者物价指数、消费品零售总额增速、货币信贷信息及贸易顺差或者逆差等。其中城镇固定资产投资增速是反映固定资产投资在一定时期内变化的速度与程度；消费者物价指数是反映和居民生活有关的产品及劳务价格统计出来的物价变动指标，一般情况下作为观察通货膨胀水平的重要指标；消费品零售总额增速是指消费品零售总额增长的程度，它反映一定时期内消费品零售总额增长的速度；货币信贷信息是指关于货币增长速度、货币政策以及与货币市场相关的一切信息；贸易顺差是指特定年度一国出口贸易总额大于进口贸易总额，通常又叫“出超”，它表示该国当年对外贸处于有利的地位，相反贸易逆差则是指特定年度一国出口的贸易总额小于进口贸易总额，一般又叫做“入超”。

2.市场预期

一般来说，在国家统计部门公布宏观经济统计数据之前，市场参与者会依据自己通过各种渠道获得的信息积极主动地对宏观经济统计数据进行预测，这些具有一定预测作用的数据叫做市场预测数值，然而市场预测值和实际的宏观经济数值往往有不一致的情况，这种不一致的程度叫做偏差，本研究衡量这种偏差量采用的是实际公布数据与市场预测值之比，再乘以一百，然后对数据进行平滑处理，进而可以发现正偏差或者负偏差对金融市场价格行为的影响。本研究中采用的是朗润预测，因为它具有很强的代表性。

3.预期检验模型对市场价格行为的影响

由于金融市场的收益率数据存在明显的自相关性，所以探讨宏观经济统计数据效应的模型不能简单地采用回归模型，而应当从arch族模型中选择其中一个，本研究中采用的是garch模型，采用这一模型来探讨宏观经济统计数据对股票市场、外汇市场及债券市场的价格行为。

(1)未引入预期检验模型对市场价格行为的影响

从未引入预期的garch模型结果来看，如果股票市场方差方程的城镇固定资产投资回归系数为负且具有显著性，这表明货币供应量、固定资产投资及新增贷款数额统计数据的公布使得股票市场收益率的波动率降低，如果cpi回归系数为正，但没有显著性，则表明cpi统计数据公布加大了股票市场日收益率的波动；如果债券市场货币信贷信息系数为负且显著，则表明货币信息统计数据的公布对债券市场行为有着重要的影响，货币信贷统计数据的公布不仅降低了债券市场日收益率的波动率，且降低了债券市场日收盘的收益率的平均值；如果外汇市场cpi与货币信贷信息系数为负且显著可以知道，cpi与货币供应量等统计数据的公布提高了人民币升值的日幅度，如果外汇市场方差方程回归结果中各个宏观经济统计数据的回归系数皆不显著时，则表明宏观经济统计数据的公布对人民币和其他币种收益率的波动影响降低。

(2)引入预期检验模型对市场价格行为的影响

引入市场预期之后，如果股票市场均值方差中城镇固定资产投资回归系数为负且显著时，则表明固定资产投资增速的预期值要低于实际值，股票市场的日收益率降低。如果其他宏观经济统计数据公布的回归系数为负且显著时，不管实际数据公布与预期数据之间的偏差的正或者是负，都会降低股票市场日收益率的波动率；对外汇市场与债券市场而言，在引入预期检验模型后，其功效比未引入预期检验模型要差，主要是由于外汇市场化程度较低及外汇市场与债券市场的参与者主要是国家及大型金融机构。

宏观经济数据篇（8）

中图分类号：F416 文献标识码：A 文章编号：1674-7712 （2013） 24-0000-01

一、引言

随着社会经济的发展，人们越来越关注国家定期的一些宏观经济数据，例如CPI（居民消费价格指数）、PMI（采购经理人指数）等，因为这些反映通货膨胀或紧缩程度，以及经济发展或衰退变化趋势的指数，从宏观上反映了当前社会经济运行情况。那么社会经济结构中某一特定行业与这些经济数据所反映的宏观经济走势关联度如何呢？本文利用PPI、PMI、CPI等经济数据，以构建多元线性回归模型为尝试，以期从中发掘各经济数据与电解铝价格走势的关联。

二、模型假设

假设在理想情况下，排除突发事件导致电解铝价格的大幅变动，电解铝价格走势只与PPI、PMI、CPI、新增贷款、广义货币量（M2）、伦铝（LME）现货价有关。

三、模型构建思路

四、结果分析

由Analysis of Variance表可知，F Value=43.05，Pr>F的值小于0.0001，远小于0.005，故认为y与x1，x2，x3之间具有显著的线性相关关系；由R-Sequare的值为0.7052可知该方程具有一定拟合度，样本观察值有70.52%的信息可用该回归方程解释。

由Parameter Estimates表可知，对自变量ppi，t的检验值为-0.95，Pr>|t|的值等于0.3448，大于0.05，没有通过检验，在回归方程中应去掉ppi；自变量PMI与CPI的Pr>|t|的值均小于0.0001，通过检验。SAS分析结果显示电解铝长江月均价与宏观经济数据CPI（居民消费价格指数）、PMI（采购经理人指数）之间存在线性关联关系。

由Analysis of Variance表可知，F Value=5.91，Pr>F的值为0.0047，故电解铝长江月均价与月度新增贷款、广义货币量（M2）之间无显著线性相关关系，且R-Sequare的值为0.1768显示该方程拟合度不高，因此电解铝长江月均价与月度新增贷款、广义货币量（M2）数据之间无线性关联关系。

再运用上述模型检验伦铝（LME）现货价与电解铝长江月均价的线性关系。伦铝（LME）现货价回归方程中F Value=221.31，Pr>F的值小于0.0001，R-Sequar值为0.7981，显示伦铝（LME）现货价与电解铝长江月均价回归方程拟合度较高，且自变量t Value值为14.88，Pr>|t|的值小于0.0001，系数通过检验。

通过以上线性回归模型检验，发现宏观经济数据PMI、CPI、PPI、新增贷款、广义货币量（M2）中，CPI（居民消费价格指数）、PMI（采购经理人指数）与电解铝长江月均价间存在线性关联关系，伦铝（LME）现货价与电解铝长江月均价线性关联度较高。因此，宏观经济数据PMI、CPI的表现，以及伦铝（LME）现货价走势对判断电解铝价格走势有一定的借鉴意义，尤其是在上海期货交易所开始有色金属类期货连续交易后，电解铝外盘走势与国内价格走势关联将更为紧密。

参考文献：

[1]胡良平.现代统计学与SAS应用[M].北京：军事医学科学出版社，2000.

[2]WilliamD.Berry.线性回归分析基础[M].上海：格致出版社，2011.

宏观经济数据篇（9）

一、前言

随着社会经济的不断发展，金融危机的浪潮也席卷全球，为了维护国内金融市场的稳定，需要中央银行对于市场的情况进行管理和调控。中央银行在日常的经营管理中主要为了维持市场的稳定运作，使其不在外界市场的影响下，产生极大的波动，从而影响国民生活水平和状态。要对市场尽心调控，市场的数据信息的收集是决定市场调控策略的关键。

二、当前银行金融管理过程中存在的缺陷

（一）缺乏全面特色的运行体系

在银行现行的市场调控智能和操作体系中，没有形成一个明确化、规范化和具有市场实际操作意义的可行的指标性体系，由此不能全面实现各部门对于现金信贷收支的完全统计。

（二）缺乏统一化管理的信息系统

目前各大银行都是根据中央银行的调控信息来做出战略指导的，其中中央银行主要是通过人民银行的智能部门和相关措施来对市场进行调控，但是如今在人民银行内部，职能部门的设置出现重复的情况，并且对于各部门之间职能的界定等比较模糊，使内部结构产生重复、混乱。由此，各部门之间收集关于市场的信息和资料等经常会出现重复的情况，并且难以全面掌握市场动向，同时各部门之间的交流比较少，缺乏统一化管理的信息系统，因此难以实现资源共享。

三、金融数据库的建立和管理体系实现

随着商品货币经济关系的发展，银行和金融业在整个社会经济关系中的地位和作用日益突出，金融运行的稳定成为经济稳定发展的重要条件。金融的稳定运行需要有一个公平、健全的规则和机制。而当时各个银行的运作一般是依据各自的经营原则进行的，尽管在运作过程中各银行之间也形成了某些约定，但这些约束的效力是有限的，这使金融活动经常出现无序甚至混乱状况。因此，要保证金融稳定，经济稳定，减少金融运行的风险，政府对金融业进行监督管理是极其必要的。这便是中央银行产生的再一个基本经济原因。

（一）数据库的建立

数据库管理体系建立。对于建立分级管理的金融数据库的银行之间的信息交流往来所使用的指导信息等要保持一致，使数据库内部数据存储的一致性、管理实施标志保持一致、编码统一、规范统一、机缝统一、接口统一以及软件统一。

当前银行行使的金融市场调控等指标主要分为宏观指标和微观指标两种。宏观指标指对于数据库中收集的信息进行现行统计计算，以此来反应国民经济的水平和运动情况；微观指标主要是指将数据库数据进行会计核算，并以此核算结果来分析和得出企业的生产流通、资金管理以及企业经营情况等进行描述。

随着逐级金融数据库的建立，以及各级数据库管理者对于数据的分类整合处理的手段，最后在最高级金融数据库中的数据保证能直接进行读取分析和提供战略决策的决定基础。因此全面建立信息源，扩大银行内部金融数据库的信息数据等，是为了实现更完整的毒市场动向等进行把握，以致于对市场进行控制和管理调控等。

（二）管理体系的实现

1、企业实现资金良性循环

要实现企业良好的资金循环，首先，在企业内部要提升技术改造能力，保证控制基建规模的良好运行；其次，当企业的效益在经营中日渐提升，也要充分基于职工福利，保证员工对于企业工作的积极性和获得认可；再次，要引进良好的企业内部管理制度，规范企业内部管理，完善企业内部结构设置，使其更高效的完成工作任务；最后，要注意在我也经济的过程中时刻保持风险意识和资金补充意识。

2、职能部门协调配合

对于企业的流动资金的循环管理，其中也属于国家职能部门的职责，因此在企业经营管理的过程当中，国家相关职能部门也可以通过自身的职权对于处于市场流动状态中的资金进行管理和调控。为了保证市场良好的运作，维持各企业良好的经营状态等，智能部门在平常的操作中，只要不违背国家调控的大前提的基础下，智能部门也已配合银行相关的处理办法和措施，推挤市场的良好运作。

3、监管小贷企业与P2P行业

如果是要把数据监测得特别细，确实有一定的难度。如果以后的监管政策要求平台备案的话，就像小贷公司要取得牌照有年审一样，备案后平台被要求强制性地提供数据，则可以进行统计。但在现阶段，监管细则未出，行业数据的统计监测就存在难度。据了解，目前针对P2P行业监管细则，监管层也频频在P2P公司进行调研，并向业内人士征求意见，建议多集中在行业准入门槛的设立、P2P信息中介的定位、资金银行存管要求和建立信息披露制度等几方面。

四、结束语

银行通过金融手段对市场的运作状态等进行调控是常规使用的手段，而对于在调控和管理的过程当中，对于做出决策所需要的数据信息基础等就需要通过市场进行收集和整理。在银行系统中逐级建立金融数据库是为了更好的实现对于市场动向的把握和数据的收集，因此要建立好金融数据库，并且维护好其的运作状态。

参考文献：

宏观经济数据篇（10）

改革开放三十多年来， 中国经济持续高速的增长举世瞩目， 衡量经济发展水平的宏观经济统计数据成为了国内外相关机构和学者广泛关注的热点。中国国家统计局、中国人民银行每季度、月、周都会对cpi、gdp、固定资产投资等重要宏观经济变量的统计数据进行披露， 然而， 由于这些宏观经济时间序列数据受多种因素（如非重复性突发事件、经济或者政治结构变化以及自然灾害等）的影响， 公布后的实际数据与市场预测值常常会产生偏差， 这种偏差左右着金融市场参与者的行为， 特别是会对上市公司的未来现金流和风险贴现率产生作用， 进而对股票市场参与者的市场行为和股票市场的收益率及波动率产生巨大影响。因此， 探讨和量化宏观数据的公布以及市场预测值与实际公布值间的偏差对股票市场的影响程度， 具有重要的理论价值和实践意义。

国外学者研究宏观经济变量的对各种资产价格条件均值影响的文献极为丰富，但对于宏观经济公告对条件方差影响的研究成果却很少。ederington和lee（1993，1996）创立了一整套研究程序， 专门研究新闻和宏观经济信息对股票、外汇期货、期权市场的影响。ederington和lee（1993，1995）发现宏观经济信息的定期对利率和外汇期货市场的价格和波动率有显著影响。在国内， 宏观经济信息公告对金融市场影响的研究尚不多见。 冯玉梅等（2007）基于改进的ar（1）-egarch（1，1）-m模型， 通过研究宏观信息宣告对股票市场价格行为的影响， 表明居民消费价格指数和商品零售价格指数对股票市场的收益有负向影响；国内生产总值、社会消费品零售总额、公开市场操作利率变动率和企业景气指数对股票市场的收益有正向影响； 公开市场操作公告会导致股票市场条件收益率显著增加； 其余各类宏观信息因素对股票市场收益的波动性并不存在显著影响。王云升等（2008）分析了宏观经济数据公布与预测值所产生的偏差， 并研究了其对金融市场收益及其波动率所产生的影响， 结果表明， 消费者价格指数统计数据的公布加大了股票市场日收益的波动率， 而固定资产投资增速和货币信贷信息数据的公布则减小了其波动率； 由于市场化程度较低， 宏观经济统计数据的公布对债券市场和外汇市场参与者价格行为的影响较小。

二、数据选取与处理本文由收集整理

本文选取2009年3月21日至2012年3月21日间上证综指日间交易收盘收益率为样本数据来衡量股票市场收益率。选取消费者物价指数（cpi）、固定资产投资增速（fai）和中国人民银行公布的货币信贷信息（m2&loan）三个经济变量作为宏观经济统计数据样本。由于宏观经济统计数据常常受季节效应的影响而失真， 因此，要对消费者物价指数、固定资产投资增速和货币信贷信息进行季节调整，通过采用相对值避免不同量纲对其的影响， 以消费者物价指数为例， 将绝对指标转换为相对指标的计算公式为：cpi相对= ■，固定资产投资增速和货币信贷信息相对指标的计算方法与消费者物价指数相同。

对于宏观经济变量的预测值， 我国目前还没有专业的调查机构对其进行如此规模的调查， 市场预测数据多是源自各个证券机构出具的研究报告。本文选取北大朗润的预测均值作为cpi， fai市场预测值， 原因是中信等众多重要金融机构都以它的宏观经济变量数据预测值的平均值作为参考。由于预测值难以获取， 且不具权威性， 本文在建立考虑市场预期的模型中剔除了货币信贷信息这个变量。

三、理论模型

garch模型又称为广义arch模型， 是arch模型的拓展。自从恩格尔提出arch模型分析时间序列的异方差性以后， 波勒斯列夫又提出了garch模型。 garch模型是专门针对金融数据的回归模型， 除去和普通回归模型的相同之处， garch对误差的方差进行了进一步的建模， 特别适用于进行金融数据的波动性分析和预测， 这样的分析对投资者的决策能起到非常重要的指导性作用， 其意义甚至超过了对数值本身的分析和预测。因此，本文选择garch模型研究偏差对股票市场的影响。garch模型要求所研究的时间序列必须是平稳的， 因而使用单位根检验 （unit root test） 对上证综指收益率进行平稳性检验。结果显示在1%的显著性水平下， 样本数据不存在单位根， 是稳定的序列。

（一）模型ⅰ：未考虑预期的实证检验模型

在不考虑实际公布值与市场预测值之间偏差的情况下， 建立股票市场的价格行为的garch模型：

rt=μ0+■μidi+μcpidcpi+μfaidfai+μm&loandm&loan+εi

ht=α0+α1ε2t-1+β1ht-1+■

αidi+αcpidcpi+αfaidfai+αm&loandm&loan

其中， rt为所测量的股票市场日收盘收益率，rt=■， pt表示第t 日的收盘收益率；di为虚拟变量，用以消除数据的“季节性影响”；dj为虚拟变量，消费物价指数、固定资产投资增率以及货币供应量和新增贷款数据公布之日， 取值为1，反之为0；εi为服从正态分布的扰动项。

在模型ⅰ中， 均值方程中的截距项μ0代表样本中宏观经济统计数据未公布情况下股票市场在周五的日收益率，系数μi、μj衡量周一至周四以及消费物价指数、固定资产投资增率、货币供应量和新增贷款数据公布后股票市场日收益率的变化。方差方程中的截距项α0代表宏观经济统计数据未公布情况下股票市场在周五的波动率，系数αi、αj代表周一至周四以及消费物价指数、固定资产投资增率、货币供应量和新增贷款数据公布后股票市场波动率的变化。

（二）模型ⅱ：考虑预期的实证检验模型

采用公式ln（实际公布数据/市场预测值）×100%代表市场预测值与实际公布数值之间偏差，建立股票市场的价格行为的garch模型：

rt=μ0+■μidi+μcpidcpi+μfaidfai+μm&loandm&loan+μ-cpid-cpi+μ-faid-fai+μ-m&loand-m&loan+εi

ht=α0+α1ε2t-1+β1ht-1+αidi+αcpidcpi+αfaidfai+αm&loandm&loan+α-cpid-cpi

+α-faid-fai+α-m&loand-m&loan+εi

其中， +cpi表示ln（cpi实际公布数据/市场预测值）>0， -cpi表示ln（cpi实际公布数据/市场预测值）0>0。同理， 其它宏观经济变量的定义与之相似。

四、计量分析结果

（一）模型ⅰ：未考虑预期的测算结果

采用准极大似然估计（quasi-maximum likelihood，qml）方法对模型ⅰ进行估计。模型ⅰ显示的回归结果表明了未考虑市场预期的股票价格在一周五天交易日中的不同特征。均值方程的实证结果表明，μmon回归系数为0.216，且z值为3.065，显著为正， 说明股票市场一周五天的平均日收益率在周一要高于周五。方差方程的实证结本文由收集整理果表明，αtue和αwed的回归系数分别是-0.781、 -1.032， z值分别为-3.957、-4.056， 显著为负， 说明股票市场一周五天日收益率的波动率在周二和周三都低于周五。

固定资产投资、货币供应量和新增贷款数额统计数据的公布对股票市场的日收益率和波动率的作用极为显著。方差方程的实证结果中αfai和αm的回归系数分别为-1.217和-2.154， z值分别为-3.808和-3.289，显著为负， 说明宏观经济变量统计数据中， 固定资产投资、货币供应量和新增贷款数额的公布降低了股票市场日收益率的波动率。αcpi的回归系数为3.095， 虽然为正， 但不显著， z值仅为1.234， 没有通过0.01水平的显著检验， 表明cpi统计数据的公布仅在一定程度上对股票市场日收益率的波动率起正向作用，加大了波动率。 原因在于cpi作为重要的宏观经济变量， 对股票市场的资产影响巨大， 因此， 参与者在进行资产估值时， 常常要根据其最新公布的数据来进行资产组合的调整， 而调整这种资产组合无疑会增加股票市场日收益率的波动。

（二）模型ⅱ：考虑预期的测算结果

由于当前我国的经济形势复杂多变， 货币政策导向并不明朗， 因此无法得到货币信贷的预测数据， 所以模型ⅱ的研究未考虑货币信贷信息情况下的偏差对于股票市场价格行为的影响。运用准极大似然估计qml方法对模型ⅱ的参数进行估计。

模型ⅱ显示的回归结果表明了考虑市场预期后宏观经济统计变量所产生的偏差对股票市场平均日收益率和波动率的影响。股票市场的均值方程中的回归系数α+fai为-1.417， z值为-6.808，通过0.01水平的显著检验， 说明当固定资产投资增速统计数据公布的实际值高于市场预测值时， 会对股票市场的平均日收益率产生负向影响， 日收益率降低，这主要是由于投资的替代性，投资的两大重要组成部分是对实体经济和虚拟经济的投资， 当固定资产类的实体投资增加时， 股市类的虚拟经济自然随之下降， 投资者预期投资在虚拟经济——股市上的资金会减少， 故降低了股票市场的平均日收益率。

方差方程的实证结果表明，α+cpi与α-cpi的回归系数分别为3.076和6.921， 均为正， 且作用效果高于其它两个宏观经济变量， 说明cpi统计数据的公布对股票市场日收益率的波动率正向作用显著，波动率增加，这与模型ⅰ的结论相同。另外，α-cpi的回归系数显著为正，说明当消费者物价指数的市场预测值高于统计数据公布值时， 股票市场参与者认为未来政府通过改变利率、存款准备金率等金融工具来实施货币政策的可能性较小， 使参与者看好股票市场的前景， 增加了其对未来股市的信心， 因此， 股票市场的平均日收益率显著升高， 日收益率的波动率也随之增大。方差方程的回归系数α+fai和α-fai都为正，说明固定资产投资增长率的统计数据公布后，不论其与市场预测值之间的偏差是正或是负， 都会增加股票市场的日收益率波动率。原因在于不论固定资产投资增长率公布后的实际值和预测值孰高孰低， 二者之间产生的偏差都会影响参与者对股票市场的信心和其市场行为， 从而加大股票市场日收益率的波动。

五、结论