广发宏观：社会消费品零售总额如何预测？

识别风险，发现价值 请务必阅读末页的免责声明 1 / 39 Xml [Table_Page] 宏观经济研究报告 2023 年 9 月 3 日 证券研究报告 [Table_C ontacter] 本报告联系人： [Table_Title] 广发宏观 社会消费品零售总额如何预测？ [Table_Author] 分析师： 郭磊 分析师： 陈礼清 SAC 执证号：S0260516070002 SFC CE.no: BNY419 SAC 执证号：S0260523080003 021-38003572 021-38003809 guolei@gf.com.cn chenliqing@gf.com.cn 请注意，陈礼清并非香港证券及期货事务监察委员会的注册持牌人，不可在香港从事受监管活动。 [Table_Summary] 报告摘要： ⚫ 社会消费品零售总额不能反映消费全貌，它主要反映实物商品消费，以及餐饮等少部分服务类消费；GDP 口径下的消费要涵盖更全。但我们可以把社会消费品零售总额视为消费的一个“大样本”，对于衡量消费变动来说，社零是一个重要的观测坐标。 在三类观察消费的口径中，GDP 支出法核算下的最终消费支出涵盖的消费范围最全面，反映出 53%的 GDP 贡献来自这一部分。但这一口径公布频率以年为单位，并不利于市场跟踪。社会零售总额口径最窄，只包含商品流通最终环节的实物商品消费以及少部分餐饮服务消费，并不包含任何生产资料消费支出。但这一指标一胜在高频，二胜在涵盖的消费主体仍然非常广泛，相当于 7 成多的最终消费支出，兼具“大样本”和“高时效”两大特征，是市场中用于跟踪消费的重要坐标。 ⚫ 社会消费品零售总额如何预测？历史上一种常用的方法是利用季节性推算。相比其他经济数据，社零年内波动具有较强季节性规律。比如三四季度均是消费旺季，其中 10 月因假期效应，环比均值更高。我们可以利用环比季节性均值来对社零做出预测。过去三年疫情期间，因为居民生活半径存在外生因素影响，季节性一定程度上被打破，尤其是 2020 年和 2022 年；2023 年作为经济逐步正常化的年份，消费的季节性也在逐步修复。但客观来看，对于恢复期中的经济来说，环比季节性方法所依据的“平稳”和“复现”在条件上能否完全满足，仍需要未来再进一步观测。 社零的年内强季节性特征体现在两点，一是社零总额当月值，在 2013-19 年期间，三四季度均明显高于一二季度，并且每年以平稳的增速增长。20、22 年受疫情干扰，这种规律性被打破。23 年以来又有所恢复。二是，社零环比，在正常的经济周期中，也呈现着明显的季节性规律。除了受疫情干扰明显的 20 年、22 年以外，单纯利用过去三年的环比季节性推算每月社零同比增速，误差最大也在 2 个百分点以内。而 20、22 年疫情年份，误差最大则有-28%，平均有 6.0%附近。23 年以来，社零的环比季节性规律有所恢复，我们根据这一传统方式推算 8 月的社零同比增速位于 4.4%附近。 虽然传统方式的预测效果正在修复，但疫情发生年份，“环比季节性”的推演效果明显减弱。这带给我们新的启示。传统方法建立在经济运行平稳的前提下，即消费作为经济中的慢变量，波动较小，历史上的年内波动将会不断“复现”。而疫情类突发冲击则直接打破了这一方法前提假设，因而这种预测方式出现了阶段性失灵。我们思考社零预测中可能面临的三个问题： 一是疫后社零环比季节性被打乱。在疫情前，社零环比稳定在 0.7%附近，而疫情以来，环比均值降至 0.3%。对比疫情前后三年时间，波动率从 0.068 上升至 0.4，这让传统以季节性推算为基底的预测方式误差变大。 二是领先指标缺失。无论是 PMI 分项、消费者信心指数，还是金融数据，都与社零更多体现为同步性或滞后性，难觅明确的领先指标。 识别风险，发现价值 请务必阅读末页的免责声明 2 / 39 [Table_PageText] 宏观经济研究报告 三是消费类高频数据具有高波动性，并与社零的关系逻辑上较为间接。比如电影票房、地铁客运量数据，另一方面，只看单一高频数据容易一叶障目不见泰山，而如何加权多项消费类高频数据仍是研究瓶颈。 ⚫ 在这样的背景下如何预测社零？我们选择着眼于高频数据，因为相比环比季节性推演，基于高频数据的预测更能捕捉疫后社零的高波动；但我们又不希望被高频数据的高波动反噬，预测中融入甚至放大太多噪音。在这样的考量下，我们继续沿用前期报告《工业增加值如何预测》中的方法论，通过提取高频指标变动信息，合成同步扩散指数的方式来过滤高频数据。然后再利用过滤完噪音的同步扩散指数进行建模，最终得到对短期社零的实时预测。 同步扩散指数实质上是各类别消费的高频指标每月同比增速较前值的变动值为正的占比，提示的是当月社零同比可能的变动方向。这相当于一个“人工噪音过滤器”，只提取对社零下月变动方向具有指示意义的信息。 ARDL 模型测算了“社零滞后期对社零当期的影响”、“高频指标及其滞后期对社零当期的影响”。依托模型系数和设定，我们可以滚动预测近月社零同比。 混频（MIDAS）回归直接利用高频数据建模，尽可能利用高频信息，但预测结果单月波动可能较大，更适合作为预测的辅助。 ⚫ 如何寻找能预测社零的“有效高频数据”？我们的思路是先分类，再寻强相关，后看拐点变动。我们将高频指标分类归入餐饮收入、必需品、可选消费-汽车、可选消费-石油制品、可选消费-住房类，及其他可选消费（服装、日用品等）五类。高频指标池构建也遵循两点原则，一要与社零相关，二要公布时点早于社零。关于相关性，我们不仅进行了较常见的相关系数测算；还从拐点变动的角度，观察高频指标是否与社零具有一致的拐点变化。在我们看来，这两类相关性不分轩轾。如果单纯看统计上的相关系数，容易会被高频数据的高波动性干扰，忽略某些能提示社零变动方向的高频指标。 我们筛选得到了 13 项高频指标，其中除了乘用车销量、CPI 同比为先于社零同比公布的月度指标外，其余均为周度和日度指标。 整体上，2015 年以来，所有高频指标平均有四成时间与社零波动方向一致，疫后进一步提升至 49%。若不考虑数据样本较短的“邮政快递投递量”以及在 2019 年后与社零增速出现背离的 CPI 同比数据，则疫后的拐点变动同步性提升至 56%。分项中，疫后，与社零拐点变动同步性明显提高的指标是十大城市地铁客运量、百城拥堵指数以及 30 大中城市商品房成交面积，分别提高了 29 个百分点、17 个百分点以及 15 个百分点，对应的是出行消费与地产类消费。而汽车消费与社零拐点变动的一致性在疫情前后均很高，超过 60%。 ⚫ 相关系数角度，与社零同比相关度较高的高频指标包括十大城市地铁客运量、30 城地产成交面积、乘用车销量、电影票房、百城拥堵指数、柯桥纺织指数、生猪价格等；而有些指标，从序列相关角度看与社零的统计相关性一般，但其拐点变动的同步性却不低，比如布伦特油价。 相关系数角度