广发宏观：如何对GDP进行月度估算

识别风险，发现价值 请务必阅读末页的免责声明 1 / 34 Xml [Table_Page] 宏观经济研究报告 2023 年 9 月 17 日 证券研究报告 [Table_C ontacter] 本报告联系人： [Table_Title] 广发宏观 如何对 GDP 进行月度估算 [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： ⚫ GDP 数据是衡量经济运行最为重要的指标，它衡量的是一个时段所有商品和服务的“综合增加值”，无疑比任何单一领域的经济数据都靠近于经济真实表现，也是我们判断增长周期位置和边际变化方向的主要依据。但目前的 GDP 数据公布频率最高也仅为季频，不利于市场实时跟踪经济变化，把 GDP 高频化具有重要意义。 金融市场越来越有效，所以宏观数据的高频化是一个趋势，比如用发电量、耗煤量、行业开工率等高频数据去观测工业部门；用地铁客运量、航班执行率等数据去观测居民部门；用航运运价等数据去观测出口表现。 GDP 是一个更具综合性的衡量经济绩效的指标，涵盖了工业部门、服务业部门、对外部门，比任何单一指标都更靠近真实经济表现，GDP 指标如果能进行高频化模拟，无疑具有重要意义。 ⚫ GDP 如何高频化？一个最简单便捷的做法是用月度工业增加值同比去粗略估算月度 GDP。工业增加值有“小GDP”之称，占 GDP 的比重超过 30%，可以视为 GDP 的一个大样本；且经济中所有终端需求的变化，如出口、消费、资本开支，最终都会映射到工业生产上。从历史经验看，季度工业增加值与实际 GDP 之间具有同步性，1992 年以来与 GDP 相关系数达 0.93，变动方向一致率达 84%。但一则在有些时段二者会有方向背离，比如在建筑业、第三产业波动较大的时候；二则二者的变动幅度不同，工增序列标准差为 5.5，而实际 GDP 序列标准差仅为 3.3。 季度工业增加值与实际 GDP 的同步性体现在两个方面，一是两者自 1992 年至今的相关系数高达 0.93。二是单纯看两者同比每月变动方向，一致率达到 84%。 两者单季方向背离的 20 个季度大致分布在六个时间段，其中 15 个季度集中在 2008 年之前。近期方向背离的时段是在 2014 Q4、2016Q2Q4，以及 2019Q1Q4。这些背离时段大部分同时是第三产业 GDP、建筑业 GDP与整体 GDP 变动方向相同的时间段，说明“背离”可能与第三产业 GDP、建筑业 GDP 波动影响有关。 除了变动方向外，两者变动幅度也有所差异，从波动率看，季度实际 GDP 运行明显更为平稳，工增序列标准差为 5.5，而实际 GDP 序列标准差仅为 3.3。除了金融危机期间以及 2020-21 年基数干扰较大外，其余时间里，两者变化幅度上出现较大差异的时间段一是在 2001 年 Q4 至 2003 年 Q1 的上行周期中，工增提升较快且回升斜率较陡，而 GDP 同比虽同为增长，但回升缓慢，这背后可能是规模以下工业企业增加值增速平缓带来的。二是 2014 年至 2016 年，工增与 GDP 虽然趋势上均为回落，但工增回落幅度明显更大，并且单季出现过回升的时间点。这期间第三产业 GDP 同比表现持续增长，增长的幅度和工业 GDP 下降的幅度相当。 ⚫ 所以我们需要进一步去对模拟方法进行细化。GDP 的核算有生产法、支出法、收入法，我们选择以生产法作为估计月度 GDP 的主要框架，支出法在指标选择方面提供补充。主要考虑到生产法下数据可得性较高、映射关系较为直接，而支出法下需要两阶段建模，会隐含着两层误差。 识别风险，发现价值 请务必阅读末页的免责声明 2 / 34 [Table_PageText] 宏观经济研究报告 第一，基于生产法框架估计的月度 GDP 可以直接和官方口径的季度 GDP 数据进行对比。而且支出法自身只有年度数据，对于建模的时效性和样本点来说都有所限制。 第二，我们估算月度 GDP 的核心逻辑是寻找月度层面的其他经济指标，这类经济指标与 GDP 存在映射关系。这种方式本质上就是生产法 GDP 中的“相关指标推算法”。从指标核算的方式本身来看，寻找替代指标进行建模的思路更接近于生产法框架下 GDP 核算方法。 第三，基于生产法框架的预测可以找到更准确的相关指标。从三次产业中各行业占 GDP 的比重可以看到，工业占 GDP 约 32%，工业增加值本身与 GDP 一致，为增加值数据，用于建模的合理性较强。如果基于支出法估计月度 GDP，建模时不能直接将社零、固投以及海关统计进出口对 GDP 建模。更好的方式是先分别对最终消费支出、资本形成总额以及货币服务进出口进行建模，得到转换系数，再进一步对 GDP 建模。这一过程中就会融入两层误差。 ⚫ 方法一是用工业增加值、服务业生产指数建立两变量 ARDL 模型，其中“AR”部分表示 GDP 季同比过去值对当前 GDP 同比的影响，“DL”部分表示工业增加值、服务业生产指数当期同比，及两者的前期值（T-1 期、T-2 期……）对当前 GDP 同比（T 期）的影响。这一方法拟合度较高，2017 年以来误差平均 0.01%；缺点是时效性有一定影响，需要等到每月 15 日经济数据公布。 从占比来看，工业占了第二产业的八成，我们用工业部门作为第二产业的代表；第三产业涉及行业繁杂，占比较大的是批发零售、金融、地产行业，但三者汇总后的占比也尚未超过第三产业的一半。我们直接利用统计局与 2017 年 3 月正式对外发布的服务业生产指数作为第三产业增加值的代理变量。 简单来说，工业增加值代表二产，服务业生产指数代表三产。模型选择 ARDL(1,4,4)，保留季度 GDP 滞后一阶，工增、服务业生产同比滞后 4 阶，解释力得到 99.3%。这一模型优点在于两点，一则拟合度较高，2017年以来误差平均 0.01%；二则指标最为简洁，逻辑清楚。缺点一是时效性欠佳，需要等到每月 15 日经济数据公布；二是服务业生产指数起始点为 2017 年 3 月，建模序列较短，难以用于进行长周期分析。 ⚫ 方法二是用工业增加值、社零、地产投资建立三变量 ARDL 模型。由于服务业生产指数只有 2017 年以来的数据，对观测过往的经济周期可能样本不够。我们用第三产业中占比相对较高的批发零售业、房地产业两个行业来替代。相较于方法一，这一方法在拟合优度没有损失过多的前提下，可以进行更长序列的月度 GDP 分析。当然，缺点同样是需要等待每月 1