宏观经济数据范文1
在新常态下，我国经济面临的形势和任务更加复杂艰巨，政府宏观决策对宏观经济分析的准确性和时效性提出了更高的要求。随着大数据时代的到来，借助大规模数据生产、分享和利用，以崭新的思维和技术去分析，将揭示海量数据背后所隐藏的宏观经济运行模式。
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。
在日本北九州市八幡东区东田地区实行的“八幡东区绿色乡村构想”中，日本IBM公司除了设立城市整体能源管理系统、综合性移动管理系统外，还参与了控制整个城市的城市指挥中心建设。得益于该公司处理和分析大数据的高效工作，当地行政机关可以实时掌握城市能源的情况，并将分析的结果同气象信息结合，详细预测48小时之后电力等能源的供需状况。如果发现将有电力不足的情况发生，行政部门可直接采取抑制电力消费或让电动汽车释放电能等措施，提前进行预防。
宏观经济数据范文2
从一个较长的时间维度来看，转型过程中传统的经济指标的确会系统性地高估或者低估经济现状。从而，我们需要对现有预测谨慎解读的同时，不断寻找更好的替代指标
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。
传统的出口导向的纺织服装行业和化学纤维制造业上半年增速有所反弹，占据出货值很大比例的计算机通信电子设备业整体工业增加值增速也较为平稳。而由于消费增速连续下台阶，工业增加值中下游消费相关行业表现并不理想。将工业增加值中相关消费行业累计增速加权平均，可以看出年初以来增速出现了进一步下滑，这与消费增速下降是一致的。
宏观经济数据范文3
关键词：宏观经济数据；电解铝长江月均价；线性回归
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.
[作者简介]姚成（1973.08-），男，天津人，经济师，研究方向：经济管理。
宏观经济数据范文4
【关键词】联立方程模型；数据质量诊断；时间序列；线性回归；相对误差
一、指标和数据的选择
为了对全国31个地区的宏观经济统计数据质量进行诊断，本文选择了2009年对各地区宏观经济有高度描述性的七个核心指标：地区生产总值GDP、最终消费支出C、资本形成总额I、电力消费量ES、工业生产总值IP、各地区对外净贸易总额XM以及就业人员平均劳动报酬W，其数据来自于中国统计年鉴。
二、模型假定
1.本文选择作为外生变量和滞后一期的内生变量的宏观经济统计指标的历史数据是真实可信，其数据不存在质量问题。
2.区域宏观经济指标中，部分指标统计数据是真实可信的，另外部分指标统计数据可能存在着质量缺陷。
由于地区生产总值、固定资产投资、最终消费水平、电力消费这四个指标容易出现质量问题。在此，假定四个指标值可疑，剩余三个指标数据可信。
3.部分统计指标之间存在着内在相互关系，该关系可以通过模型予以拟合，各个指标之间的关系符合线性模型描述其规律。
三、模型建立
利用宏观经济学中相关知识，建立联立方程模型如下：
上述联立方程组模型有4个内生变量，5个前定变量。对联立方程模型进行识别：首先用阶条件对方程组内的第1个方程进行判断。这时有2个内生变量和1个前定变量，，表明第1个方程过度识别。以此类推，上述四个方程都属于过度识别。然后，用秩条件进行识别。划去第一行和非零参数所在列，得3行6列矩阵，显然，由秩条件表明为恰好识别。综上可得，这个方程组为过度识别。把上述联立方程组模型写为简化模型如下：
上面4个方程中，外生变量以及滞后的内生变量确定内生变量的精确部分，随机误差项构成了内生变量的随机部分。在简化模型中，前定变量与随机误差项不相关，可以对上面的联立方程组里面的参数用普通最小二乘法进行估计。
四、模型求解
运用SPSS做线性回归，得到第一个以资本形成总额为被解释变量的回归模型如下：
五、模型解释及评价
方程：就宏观经济理论而言在收入固定的前提下，增加消费会减少投资。同时，如果收入增加投资也会随之增加。模型结果为在保证其他变量不变的前提下，滞后一期最终消费支出每增加一个单位，资本形成总额减少1.317个单位；在保证其他变量不变的前提下，地区生产总值每增加一单位，资本形成总额增加1.245个单位，均与经济意义相符；在保证其他变量不变的前提下，就业人员平均工资薪酬每增加一个单位，资本形成总额减少0.02个单位，其原因是在劳动市场中，对劳动的投入增加会减少对资本的投入，因此资本形成总额下降；由于对外贸易的增加会减少本地区的资本总额，因此在保证其他变量不变的前提下，各地区对外贸易总额增加一个单位，资本形成总额减少1.074个单位。
同理，经验证其他三个回归方程各参数估计系数均与经济意义相符，且四个联立方程的整体模型拟合效果较好。就每个回归方程而言，各解释变量也足够显著。
六、统计数据质量诊断
将2009年全国31个地区的假定真实指标，包括滞后一期的最终消费支出、滞后一期的地区生产总值GDP、当期就业人员平均劳动报酬、当期各地区对外贸易总额XMt以及当期工业生产总值的数据代入上述联立方程模型，求得各地区各待测指标的点估计值，将其与官方提供数据进行对比，计算其相对误差。我们给定相对误差超过10%的数据可能存在质量问题，因此从上述统计数据质量诊断表中可以看出，最终消费支出对应的统计数据质量优于其他三个指标。同时，对于各地区而言，有8个地区所提供的统计数据质量有待更进一步的诊断。
参考文献
[1]庞皓.计量经济学[M].科学出版社.
宏观经济数据范文5
宏观经济统计分析是建立在经济学、统计学基础上，伴随中国社会主义市场经济发展而逐步完善起来的。近年来，随着市场化进程的加快，特别是在信息技术的推动下，大数据时代的到来，对于宏观经济统计分析提出了更多挑战。面对新的情况，如何从统计学知识体系来渗透经济分析方法，并从宏观经济统计分析中的问题来探讨其发展趋向，对于提升我国宏观经济统计分析的科学水平具有重要的现实意义。
关键词：
宏观经济统计分析；统计方法；关键问题
从概念上来看，宏观经济统计分析是建立在经济学、统计学知识体系基础上，以统计知识为核心，围绕经济学知识进行研究和分析。在我国社会主义市场经济体制下，宏观经济统计分析的内容也经历了几个不同发展阶段。在以计划经济为主时期，宏观经济统计分析主要运用计量经济学知识，利用数理统计和模型分析，来完成对国民经济运行系统的优化和平衡。同时，借助于政府统计系统，从国民经济运行相关数据分析中，对计划执行情况进行研究，改进下一阶段计划经济重大问题。这一时期的计划经济为宏观经济统计分析提供了基础数据，但是，对于统筹兼顾、优化管理为主体的计划经济管理思想是一以贯之的。从我国统计学发展历程来看，对于宏观经济统计分析的内容，概况的讲，主要是围绕国民经济主要经济指标来展开，如利用国民经济账户、投入产出、资金流量表、国际收支平衡表等，从各个核心部门、核心指标、核心统计体系中来分析国家、产业的发展状况，减少经济危机的发生。改革开放以后，我国宏观经济统计分析，借鉴了马克思社会再生产、计划经济管理理论，同时借鉴了国民经济核算体系理论思想，完善了我国国民经济综合平衡统计方法，逐步实现了财政、信贷、外汇、物资的四大平衡。在以信息社会、大数据时代为特征的第三阶段，宏观经济统计分析将实际问题作为研究重点，特别是经济学与现实问题的关联，大数据环境下数据的可比性，统计分析方法的科学性和实效性等。
一、宏观经济统计与宏观经济统计分析概念研究
我国国民经济统计主要依托国民经济核算体系，包括经济循环理论下的宏观经济统计指标体系，以及各类标准、统计分类等内容。宏观经济统计，从概念上理解为从宏观上来探讨经济运行过程及结果的统计测度理论和方法。从统计范围来看，主要从经济活动中来获取统计数据，包括各类经济活动的信息整理、也包括各类统计部门设计的用于统计实际数量的调查资料。统计学是依据统计学理论，运用统计学方法来对各类经济信息进行统计分析，如利用抽样调查来进行统计分析，以实现对样本总量的推断；在获取相关统计数据内容时，常用的统计方法有分类法、关联统计法、变化率统计法、总量统计法、结构统计法等。信息化社会的发展，特别是基于网络技术的电子商务平台的建设，使宏观经济统计分析的独立性和地位更趋重要。概括来讲，经济统计分析从统计方式、统计数据上来全面认识经济获得，并从有效分析中提升经济发展水平.宏观统计数据的测度方式及搜集方法，与传统的调查方法，如普查、抽样调查、统计报表相类似，在现代经济统计中，增加了软统计内容，如抽样问卷、心理量表等。宏观经济统计分析是建立在宏观经济统计基础上，利用统计学理论和方法，以实证经济分析来处理统计结果。从概念上来看，广义的宏观经济统计分析包括的经济活动较多，不仅有重要的宏观经济指标内容，还有其他与国民经济管理相关的统计分析。微观来讲，宏观经济统计分析主要从经济问题的统计分析研究中，来构建统计分析模型，并从统计分析变量或指标中探析统计数据所反映的结果。
二、宏观经济统计分析体系研究
1.宏观经济统计分析内容
宏观经济统计分析体系包括宏观经济学目标、宏观经济管理目标和宏观经济统计目标三项内容，对于宏观经济学目标，主要从宏观经济统计分析对象，如社会总供给、总需求等建立均衡统计分析，从国民收入分配统计分析中来构建各项统计指标，如产业结构统计分析、经济周期统计分析、知识经济发展与创新统计分析、消费-投资需求分析、通货膨胀统计分析等等。宏观经济管理目标主要从宏观经济运行体制及组织结构上，围绕国家经济社会重大战略开展统计分析。如创新型国家经济战略、科教兴国战略、财政政策、货币政策、城镇化区域发展战略、可持续发展战略等等。宏观经济统计目标主要从国家统计、部门统计、行业统计、区域统计等层次化统计数据基础上来开发，围绕社会创新、政府管理、科学研究等内容展开统计方法创新。
2.宏观经济统计分析问题
宏观经济统计分析是政府统计工作的重要内容，一方面归结为制度化的统计分析工作，另一方面表现为专题型或问题型统计分析工作。在制度化统计分析工作中，围绕政府统计调查指标体系，从宏观经济运行过程及结果中来搜集数量特征、数量关系，并从宏观经济运行情况综合表现上来剖析主要问题和成功之处；对于各项宏观经济政策措施的执行情况进行跟踪，对执行效果进行对照分析，并从存在问题中来提出应对建议。如国家统计局和各下属统计单位，每年要对上一年度的统计工作进行汇报，以经济分析白皮书形式进行综合。制度化宏观经济分析工作，能够从社会生产、市场供需、收入分配、金融市场化、国际收支等多方面进行呈现，既有动态指标，也有近期、中长期发展趋向分析。宏观经济专题统计分析具有灵活性和变化性，主要是围绕不同时期的经济工作，从经济问题中来展开针对性调查统计分析。其特点表现在：一是对所研究的问题或专题具有较深的研究；二是多采用多重调查方法来实现对专题问题的全面分析，如抽样调查、软实力调查、问卷调查等的综合使用；三是运用现代信息技术来提升统计分析能力，特别是用网络化平台技术来弥补传统调查方法的不足，改善数据质量等。
三、宏观经济统计分析方法研究
宏观经济统计分析方法具有多样性，针对不同问题，有搜集数据、整理数据方法，也有针对经济问题的分析方法，还有基于统计描述和探索性数据分析方法。总的来看，对于宏观经济统计分析工作，多种方法的综合运用有助于提升宏观经济统计分析的科学性和有效性。对于宏观经济统计分析，不同领域所涉及的统计方法具有交叉性。但对于宏观经济分析中动态经济分析、静态经济分析、比较动态经济分析、比较静态经济分析方法所反映的经济学问题，能够从全面质量管理方法中体现目标、过程、方法、绩效、因素等统计描述信息，改善统计分析的应用实效性。主要常用的方法有因素分析法、指数分析法、弹性分析法、时间序列分析法、应用回归分析法和多元统计分析法等。对于不同经济变量体系的描述，根据经济运行过程及数量特征，从所选定的指标变量上来进行估计，包括推算、核算和估算等方法。描述性统计分析方法是基于统计分析应用，从构建基本逻辑架构中来分析客观存在的相关变量之间的关系；由于经济活动中各经济关系之间存在动态性，需要从经济分析的聚类、因子分析等方法中，运用分层回归、分位回归以及协整分析方法来转换，以促进对各项分析指标体系进行综合评价和反映。同样道理，在宏观经济统计分析方法研究中，面对大量微观性数据，如何发挥统计变量测度及过程变量特征分析优势？实践中常用统计系统描述方法，将系统分类及归纳至分位、分层、立体、动态的复杂系统中，从探索各关系变量及因素之间关系上来进行描述性分析。如在人口普查以及经济普查中，对于各类模拟系统方法的运用，主要从各因素的顺序识别和组内方差缩小、组间方差扩大上来实现动态过程的科学推断，提升核心主体的统计分析精度。
四、宏观经济统计分析的趋向研究
从宏观经济统计分析的应用来看，当前社会环境下面对更多挑战，其主要研究方向有以下几点：一是做好对国家经济社会发展管理的重要决策导向研究，特别是在信息技术快速发展背景下，从海量数据分析中来挖掘科学的信息资源，来优化和辅助市场化竞争、产业竞争及区域、国际间的竞争需要。哈佛大学加里·金（GaryKing）提出“信息革命背景下，对于海量数据资源的统计分析，将席卷商业界、学术界和政界”。建立在大数据基础上的精细化测量行为研究，从经济领域、商业领域来拓宽延伸，以促进社会发展；二是顺应大数据时代的发展机遇，在中国特色社会主义市场经济转型关键期，从协同政府、行业、经济、社会发展关系的角度，以政府公共数据共享平台建设来完善社会发展科学管理水平，从中长期发展政策分析中来进行科学谋划和实施。对于统计信息平台中的活动、业务、行政记录、财务信息等资料，要按照统计数据的统一化要求进行科学转换，增强宏观经济统计分析的决策科学化能力；三是强化创新型国家建设统计分析工作，围绕国家创新能力、国家创新体系建设发展要求，从国家科技政策制订，到各项经济统计工作的实施，都应扎实推进宏观经济统计分析在经济建设中的核心和驱动地位；四是构建高端化的产业结构统计分析模型，围绕我国全面转型过渡期的产业结构现状资料，从构建“三高一低”产业结构高端化统计目标入手，加大对信息化金融产业的创新，延长产业价值链，增强产业辐射及带动作用，优化产业结构向高端化进程转移；五是注重金融统计分析，完善我国金融管理体系，提升金融管理效率。在建设金融服务业与其他产业的协同发展上，发挥统计手段来全面跟踪和优化我国货币政策服务环境，挖掘金融数据，加大金融风险监测和防范；六是注重宏观经济空间统计分析，依托大数据时代数据集中化平台，为宏观经济统计分析创造有利环境，实现大数据的共享、合作和协同发展，真正实现大数据的整体效益。
参考文献：
[1]赵彦云,周芳.试论大数据时代中国政府统计改革发展新模式[J].教学与研究，2014(01).
[2]侯福忠.宏观经济统计分析在国民经济核算体系中的作用[J].现代商业，2013(15).
宏观经济数据范文6
论文关键词：宏观经济环境；资本结构；调整速度；非平衡面板数据
在调整速度的众多影响因素中，宏观经济因素对调整速度的影响近年开始引起学术界的关注。Douglas0．Cook(2009)分别采用两阶段和综合两种动态部分调整模型，考察宏观经济环境对调整速度的影响，发现在宏观经济繁荣时调整速度较快。原毅军，孙晓华(2006)的研究得到调整速度与上一年GDP增长率正相关，与通货膨胀率，实际贷款利率和财政支出增值率负相关的结论。黄辉(2009)对宏观经济环境和制度因素影响调整速度进行了研究，结果显示调整速度表现出顺经济周期现象。本文对前人研究方法进行改进，基于部分调整模型，用宏观经济变量划分样本进行调整速度对比研究。在目标资本结构的回归中不考虑宏观因素。这样改进可以避免双重考虑宏观经济因素造成研究结果不稳定性和不显著性。
一、研究模型与变量设计
1．研究模型
(2)目标资本结构拟合变量。根据已有文献对目标资本结构影响因素的研究，本文选用的公司特征变量包括：公司规模(SIZE)，用主营业务的自然对数表示，目前公司规模与资本结构的经验研究没有得到一致结论；资产有形性(TANG)，用固定资产除以总资产表示，经验研究表明有形资产的比率与资产负债率正相关；非债务税盾(NDTS)，用固定资产折旧除以总资产表示，经验研究研究发现非债务税盾与资本结构负相关；公司成长性(GROW)，用托宾Q值表示，公司成长性对资本结构的影响目前还没有定论；公司盈利能力(PROF)，用息税前利润除以总资产表示，公司盈利能力对资本结构的经验研究也没有得到一致的结论；税收因素(TAX)，用所得税除以利润总额表示。考虑行业特征因素，用行业资产负债率平均值(HAB，HAM)表示。
(3)宏观经济变量。仿照Douglas0．Cook(2009)，本文选用GDP增长率来定义宏观经济环境。GDP增长率定义为本年GDP减去上年GDP再除以上年GDP。宏观经济变量划分样本的具体情况是，l3年的GDP增长率数据以2002年的GDP增长率为中位数分为两个部分，每个部分分别按照GDP增长率的二分位数再进行划分，将样本分成四个部分。取GDP增长率最小的三年1998~2000定义为为宏观经济环境衰退；取GDP增长率最大的三年2005~2007定义为宏观经济环境繁荣。
二、样本选取与估计方法
选择沪深两市1996~2008一般上市公司的数据，不包括金融上市公司，剔除PT，ST公司。经过数据整理，获得分布于十二个行业的715家公司的9295个样本观测点。样本数据来源于CCER数据库。由于模型(3)把目标资本结构的决定因素内化其中，模型右边包含因变量一阶滞后变量，采用动态面板数据的G删估计方法，把模型(3)右边所有变量的二阶滞后变量作为工具变量。
三、实证结果分析
模型(3)的回归结果如表1
注：括号里的数据是T检验值，表中***、**、*分别代表在1％，5％以及10％的显著性水平下显著
