中国宏观专题报告解析春节效应对12月宏观数据的扰动20190313中金公司13页

请仔细阅读在本报告尾部的重要法律声明宏观经济研究2019年3月13日中国宏观专题报告解析“春节效应”对1-2月宏观数据的扰动虽然“春节效应”往往引起1-2月宏观数据大幅波动，但从今年1-2月数据公布后的投资者反馈来看，市场未能对春节因素的影响做出必要的事先调整。例如，春节从去年2月中后段提前到二月初必定导致出口同比增速在1月急升、而2月大跌，而汽车销售大概率在1月明显好于2月，等等。在本报告中，我们向读者介绍一些简单有效的数据调整方法，旨在帮助投资者过滤春节因素对数据的扰动，在1月数据发布后就尽可能地对工业生产、货币信贷周期、消费需求和通胀等数据的走势做出更为合理、前瞻的判断。春节移位会对1-2月的宏观经济数据带来大幅扰动。为了平滑月度数据的大幅波动，国家统计局仅在3月中旬公布1-2月合并的经济活动数据。春节效应对宏观数据的扰动、叠加年初数据的“真空期”，加大了判断年初经济走势的难度。历史上，每年年初往往是市场对宏观经济指标预测分歧最大的时点，这从侧面体现了“春节效应”对市场的扰动。然而，实证表明，年初的经济增长走势对1季度乃至全年的趋势具有重要的领先意义，这凸显出对春节效应进行调整的必要性。在本报告中，我们向读者介绍一些简单有效的调整方法，旨在于1月数据发布后就尽可能地对一些潜在宏观趋势做出更为超前的判断：►对于（日度或周度）高频指标，我们可以将春节设定为参照日（即T=0），将不同年份的数据重新平移至同一参照系下，然后计算同比变化。►对于月度统计数据，我们可以根据每年春节假期对1、2月分别的“影响范围”，对1、2月的生产/需求绝对水平进行相应“折算”，以还原数据可比性。然后，在剔除春节的影响后再计算同比增速。“春节效应”对不同经济指标的影响不同：►正月初一前后居民消费支出往往上升；►春节长假会抑制工业生产和建筑活动；►随着春节前后消费需求的增加，CPI通胀往往走高，节前尤为明显；而春节对PPI的扰动不显著；►节前会出现“抢出口”现象，而节后出口商复工滞后于其他部门；►农历新年在1月底附近，往往暂时提振1月M2、但抑制1月M1。剔除春节效应后，1-2月的数据传递了哪些信息？经过调整后我们观察到，货币信贷增速有所回升，基建投资活动回暖，消费增速偏弱、但已开始企稳，而出口需求仍然低迷。同时，剔除春节效应之后，居民物价走势在节前疲软但节后环比迅速走高。同时，由于2018年春节偏晚，部分影响“溢出”至3月，我们预计三月同比出口和CPI都可能明显回升。三月数据将对我们这些初步的判断做出验证。值得重申的是，调整后社融增速仍然是我们判断总需求走势最有效的领先指标。分析员易SAC执证编号：S0080515050001SFCCERef：[e-mail]联系人袁越SAC执证编号：[e-mail]分析员梁红SAC执证编号：S0080513050005SFCCERef：[e-mail]近期研究报告•宏观经济|工业生产稳健但消费仍偏弱；表外票据收缩压低2月社融(2019.03.10)•宏观经济|表外票据收缩明显压低2月新增社融(2019.03.10)•宏观经济|高基数下CPI同比微降，但环比明显上升(2019.03.09)•宏观经济|前两个月进出口增长延续下行趋势(2019.03.08)•宏观经济|负向估值效应下外储仍小幅上升(2019.03.07)中金公司研究部:2019年3月13日请仔细阅读在本报告尾部的重要法律声明2解析“春节效应”对1-2月宏观数据的扰动I.“春节效应”大幅扰动1-2月的宏观数据，然而正确解读1-2月数据对全年都意义重大春节移位往往对1-2月的宏观经济数据带来大幅扰动。不同年份里，春节假期会落在1、2月的不同时间段，进而干扰每年前两个月各项经济指标的同比和环比增长。此外，当春节特别早（在1月上半月）或特别晚（在2月下半月）时，12月和3月的同比数据也可能受到不小的影响（比如，2015-2016年、2007-2008年等）。考虑到春节对于经济数据的大幅扰动，国家统计局自2013年开始不再发布1、2月经济活动数据的单月值，而仅在3月中旬公布1-2月合并的工业生产、零售、固定资产投资数据，自此形成了每年年初的宏观数据“真空期”。春节扰动、叠加年初权威数据“缺失”，加大了判断年初经济走势的难度。历史上，每年年初往往是市场对宏观经济指标预测分歧最大的时点，即使对CPI等波动相对较小、有对应高频监测数据的指标而言也是如此。这一现象从侧面体现了“春节效应”对市场的扰动（图表1和2）。图表1:分月来看，2007-2018年市场对M2增速预测的差异程度中值图表2:分月来看，2007-2018年市场对CPI通胀预测的差异程度中值资料来源：彭博资讯，中金公司研究部资料来源：彭博资讯，中金公司研究部然而，实证表明，年初的经济增长走势对1季度乃至全年的趋势具有重要的领先意义。某些经济活动年初占全年之比较高，比如新增贷款和社融、电影票房、消费和旅游支出等。对于许多数据、尤其是消费相关指标而言，前两个月的增长走势对1季度乃至全年的趋势具有重要的领先意义（图表3例举了零售增速）——这凸显出对春节效应进行调整的必要性。1.01.21.41.61.82.02.22.42.62.8一月二月三月四月五月六月七月八月九月十月十一月十二月M2增速：市场预期的离散度，2007-2018年中位数%年同比注：市场预期的离散度定义为每月市场预期的最高值减去市场预期的最低值。图中每个月份对应的数据点，代表2007-2018年该月份市场预期离散度的中位数0.50.60.70.80.91.01.11.21.3一月二月三月四月五月六月七月八月九月十月十一月十二月CPI：市场预期的离散度，2007-2018年中位数%年同比注：市场预期的离散度定义为每月市场预期的最高值减去市场预期的最低值。图中每个月份对应的数据点，代表2007-2018年该月份市场预期离散度的中位数中金公司研究部:2019年3月13日请仔细阅读在本报告尾部的重要法律声明3图表3:春节黄金周的零售增速对一季度甚至全年的增速都具有领先指示意义资料来源：万得资讯，中金公司研究部II.我们对调节春节效应的“方法论”一些简单有效的调整方法可以很好地帮助投资者和政策制定者在1月数据发布后，就尽可能地对一些潜在宏观趋势做出较为超前的判断。我们的调整方法可以起到一下作用：1）判断并一定程度上量化春节效应对不同经济指标的影响，2）尽量剔除1-2月高频数据以及月度数据中春节移位带来的“噪音”。此外，我们也列举一些有助于“勾勒”年初的总需求“图景”的行业数据，以弥合1月至3月中旬经济数据“真空期”内的信息缺口。对于（日度或周度）高频指标，我们可以将春节设定为参照日（即T=0），将不同年份的数据重新平移至同一参照系下，然后计算同比变化。该方法可以用于调整消费、工业生产、固定资产投资、以及消费价格等指标。该调整方法相当于将公历周期数据的“时间轴”平移，从而以农历日历为基准。这种调整方式剔除了春节假期前后的扰动、使数据更为“可比”。作为例证，图表4和5比较了经过调整和未经调整的电厂耗煤量增速——不进行数据调整的情况下，2019年2月的电厂耗煤量貌似大幅走低，但经过平移调整，更为合理的判断是春节后的电厂耗煤量增速相比节前更强（图表4和5）。在此例中，春节效应调整与否结论截然不同，而调整后的结果与其他经济“表征”，如建材价格等更为一致。另一个例证是食品价格的走势——如果投资者仅按公历周期来判断食品价格的同比走势，则很有可能忽略一个重要的变化、即今年春节后食品价格走势明显强于往年节后一般季节性，而三月CPI可能明显上升。此外，采用上述“数据平移”的调整方法，我们可以观察到，春节长假会抑制节前约1周至节后2周的工业生产和投资活动，而提振同一时间段内的居民消费。16.015.515.016.013.817.219.016.214.713.311.011.211.410.28.557911131517192123200520062007200820092010201120122013201420152016201720182019零售额增速春节黄金周Q1全年%年同比中金公司研究部:2019年3月13日请仔细阅读在本报告尾部的重要法律声明4图表4:不进行数据调整的情况下，2019年2月的电厂耗煤量貌似大幅走低图表5:但经过平移调整，更为合理的判断是春节后的电厂耗煤量增速相比节前更强资料来源：万得资讯，中金公司研究部资料来源：万得资讯，中金公司研究部对于月度统计数据，我们可以根据每年春节前后长假落在1、2月的“总天数”，对1、2月的生产/需求水平进行相应的“折算”，从而“还原”数据的可比性。然后，我们将“还原”后的1-2月单月序列进行同比增长的计算。该方法可以用于调整进出口、CPI、货币信贷、以及部分行业层面的数据。春节效应可以视为中国特有的数据季节性，因此现有的季调方法无法剔除春节效应1。正因为此，使用标准统计手段（如CensusX-12方法）进行季节性调整后的数据，在每年1、2月通常会较趋势出现异常大的偏离，而1、2月的偏离方向相反。我们将这些无法消除的异常偏离称为由春节引起的“残余季节性”，或“春节扰动”。我们构建的数据调整方法，通过以下三个步骤来识别并剔除春节扰动：►首先使用标准统计手段（如CensusX-12方法）对数据进行季节性调整，进而计算历年1、2月的“残余季节性”、或简称为“春节因素”。►通过计量方法来量化春节移位造成的1、2月宏观指标与趋势的偏离度——一般而言，春节离1月31日越远，1、2月受春节影响天数之差就越大。计量分析结果将给出每个春节日期对应的估算趋势偏离度，我们称之为该春节日期的“春节调整因子”——“春节调整因子”可以为正值、也可以为负。►为了计算剔除春节扰动后的1、2月同比增速，我们首先将每个1、2月的数据点除以对应的（1+春节调整因子%），取得经春节效应调整后的时间序列，然后计算同比变化。下面我们以CPI通胀为例，探讨如何从数据中剔除春节扰动2。首先需要强调的是，我们调整的数据并非日常所说的“CPI”数据（即表述为“年同比XX%”的CPI同比增速），而是根据CPI同比历史数据构建的CPI“绝对值”或定基指数。图表6显示了2001-2019年每年2月经X-12季调后的CPI定基指数序列的“残余季节性”（即与趋势之间的偏离度），该图的横轴为各个年份的春节（公历）日期。从图中可以看出，当春节日期落在2月7日左右时，春节效应对2月CPI定基指数的抬升最为明显。该现象符合逻辑，因为春节假期对节前1周至节后2周的消费提振最为明显——也就是说，当春节日期落在2月7日时，2月份对应了CPI受春节影响最大的一段时间（图表7）。接下来，我们通过计量分析估算每个春节日期对应的趋势偏离度（图表8）。估算结果表明，比如春节日期落在2月7日，春节效应会推升当年2月CPI定基指数0.3%左右（春节效应对CPI同比增长的影响还取决于其对前一年CPI定基指数的影响）。然后，我们利用“春节调整因子”，取得经春节效应调整后的CPI通胀时间序列（图表9）。经春节效应调整后的数据明显更好地反映出了CPI通胀的实际走势——例如，未经调整的数据显示CPI通胀在2012年1月1这是由于：1）春节假期的公历日期并不固定；2）很难量化受到春节假期影响的确切工作日天数；3）经济中不同部门或行业受到春节效应影响的方式和程度不同。2CPI通胀特别适合作为一个例子——虽然该指标本身为按月发布，但食品CPI（整体CPI的一个主要组成部分，也是造成1月和2月CPI波动的主要因素）有对应的高频监测数据来帮助说明和验证我们的春节调整方法。01020304050607080901001/011/061/111/161/211/261/312/052/102/152/202/256大发电集团耗煤量201820192019年1月：年同比-7.0%2019年2月：年同