Hello Economics

明暗

第 4 章 数据来源与口径 ​

本章核心问题：一个数字从哪来？怎么让别人能重跑一遍？以及，常见的读错方式有哪几种、怎么在写之前就避掉？

本章脉络 ​

「引用数据」这件事的技术门槛，在二十年里下降了三个数量级。1980 年代做跨国增长研究，意味着去图书馆复印联合国统计年鉴、手工敲卡片；Penn World Table 的前身（Kravis 等 1982 年的《National Product Comparisons）之所以成为经典，一部分原因就是它把 67 个国家的 PPP 价格数据第一次整理成了可用的表。1990 年代末各国统计机构上线在线数据库；2008 年后圣路易斯联储的 FRED 提供 API、批量下载与图表嵌入，把「拿到美国宏观数据」的成本压到接近零；2010 年代以后，微观调查（PSID、CFPS、CHARLS、CHFS 等）、企业注册与海关微观数据、以及学术论文的 replication package 成为常态，经济学的可复现性标准随之前移——2015 年《美国经济评论》设立 AE Data Editor 并要求论文提交数据与代码，就是这个变化的制度标记。

中国一侧的路径不同：官方数据主要通过统计年鉴与新闻稿发布，接口长期不开放，因此形成了以商业终端（Wind、CEIC、同花顺 iFinD）与开源抓取库（AkShare、Tushare）为中介的生态。好处是可及，代价是中间层会引入自己的口径转换与错误——从终端里复制出来的一个增速，常常已经离官方表格隔了两层。所以这一章的重点不是「哪里能下载」，而是「怎么确认你手上的数就是官方那个数」。

核心概念 ​

三层数据结构 ​

任何一个宏观指标都存在于三层里，找数与核数就是沿这三层走：

  1. 制度层：定义与编制方法（谁统计、按什么手册、什么频率、是否季调）。这一层往往写在方法说明里，而不是数据库里：SNA 2025、BPM6、IMF GFS 2001/2014、各国 CPI 权数说明、统计局的《主要指标解释》。
  2. 原始发布层：官方公报、统计年鉴、数据公告与 API。这里是唯一可作为「权威出处」引用的一层。
  3. 再加工层：FRED、OWID、CEIC、Wind、以及论文附录里的清洗后面板。这一层方便，但每个都可能重命名、单位换算、插值、外推、补估计值；引用时必须回溯到第 2 层，或至少说明第 3 层的加工规则。

为什么要区分：绝大多数「同一指标两个数不一样」的争议，都发生在第 3 层。FRED 的 M2SL 与美联储 H.6 表的 M2NOTS 是同一件事，而 Wind 的「中国:M2:同比」可能与人民银行公报差在小数点后第二位——前者是换算，后者就要查是不是把「环比年化」当「同比」了。

中国数据源 ​

机构拿什么位置与频率
国家统计局GDP 及分产业、工业增加值、固定资产投资、社零、房地产、CPI/PPI、城镇调查失业率、人口国家数据平台 data.stats.gov.cn（月度/季度，支持批量 Excel 与接口）；每月 15 日前后发布「国民经济运行情况」；2 月末《国民经济和社会发展统计公报》；年末《中国统计年鉴》；每五年经济普查（2004、2008、2013、2018、2023）后大幅修订
中国人民银行货币供应量、社会融资规模、金融机构本外币信贷收支表、信贷投向、利率（含贷款加权平均）、汇率中间价、国际储备、《货币政策执行报告》官网「统计数据」栏目（月度、季度）；报告季度（第一季度约 5 月发布）；中国货币网 chinamoney.com.cn 提供 Shibor、LPR、中间价历史序列
国家外汇管理局国际收支平衡表、国际投资头寸表、外汇储备、银行代客结售汇与涉外收付、全口径跨境融资、外债safe.gov.cn，季度（BOP 季后约 30 日）、月度（储备、结售汇）
财政部财政收支月报、政府债务余额与发行、专项债、国债发行计划、PPP/政府性基金mof.gov.cn；地方债逐笔信息在「地方政府债务信息公开平台」与中债网
国家金融监督管理总局银行业保险业主要监管指标（不良率、资本充足率、拨备）、普惠小微、绿色信贷、消费金融nfra.gov.cn，季度
海关总署进出口（月度，人民币与美元两套计价）、重点商品量价customs.gov.cn，每月 13 日前后
国家税务总局 / 审计署分税种收入；审计工作报告（违规与虚增问题的官方披露）税总月报；审计署每年 6 月向全国人大常委会报告
交易所与登记机构股票与债券发行、托管、收益率曲线上交所/深交所统计月报、中国债券信息网 chinabond.com.cn（中债收益率曲线）、上海清算所
公开文献与学术数据微观调查（CFPS 北大、CHARLS 北大国发院、CHFS 西南财大、CGSS 人大）、企业库（CSMAR、Wind）多需申请授权并签署使用协议，不可再分发

国际数据源 ​

数据库覆盖关键要点
FRED（圣路易斯联储）美国宏观为主，含大量国际序列每条序列有 ID（GDPC1 实际 GDP 季调折年率、CPIAUCSL CPI 季调、UNRATE U-3 失业率、WALCL 美联储总资产、TDISPINCOM 可支配收入）；「源」页面直通 BEA/BLS 原始表，这是核数的最短路径
BEANIPA 账户、GDP 三度估计、资金流量表（FOF）、州级账户每次修订会公布修订说明；SAHIEDG 等表号是引用单位
BLSCPI/U、PPI、就业（CES 与 CPS 两套）、JOLTS、生产率、U-1 至 U-6CES（企业调查）与 CPS（家庭调查）就业人数口径不同、方向常背离——两个都引才不会被质疑
美联储H.4.1（央行资产负债表）、H.6（货币总量）、G.17（工业产出）、G.19（消费信贷）、资金流量、消费者偿付调查 SCF每周/每月定期发布，历史可回溯到 1950 年代
美国财政部Fiscal Data（月度现金收支）、SLED（州与地方）、债务明细 TreasuryDirect、CBO 长期预算展望现金会计（cash basis）≠ 权责发生制，跨表比较前先确认
IMFIFS（国际财经统计）、WEO 数据库、GFS/ARW（政府财政）、COFER（储备货币构成）、DOTS/DOTSAP（贸易）、IRFCL（汇率安排）、Article IV 报告、FAD 财政监测Article IV 的附录表常给出「官方口径之外」的估计，是讨论中国债务与顺差时最好的一手材料
BIS非金融部门信贷统计（含居民/企业/政府）、信贷缺口、 consolidated banking statistics（国际债权/负债）、CIBBS、三年一度外汇市场调查、央行行长讲话与季刊「中国总杠杆率 300%」这类句子只能来自 BIS 口径，与政府债务率不可混用
世界银行WDI、IDA/IDS（债务）、OECD/世界银行联合税收数据库、Enterprise Surveys、全球治理指标 WGI、BEPDC 生产率数据库WDI 大量序列用 PPP 与 2017/2021 基年，读时必查基年
OECDQNA、MEI、STAN、国民账户、Revenue Statistics（成员国税收与社保缴费占 GDP）、劳动与市场、环境核算提供「同口径跨国比较」的最佳折中，方法附注详尽
UNNational Accounts Main Aggregates（各国官方 GDP 年度值，按本币与美元）、World Population Prospects、Comtrade（贸易微观 HS 编码）、SDG 指标Comtrade 与各国海关的进出口额系统性不等（出口国记录与进口国记录不对称），是「贸易顺差争议」的数据根源
ILO / WTO就业统计 ILOSTAT（含 ILO 口径失业与 NEET）、WTO Stat 与 World Trade Statistical ReviewILO 口径统一后可与各国官方失业率对比，常发现差异
分配与历史WID.world（World Inequality Database，Alvaredo/Piketty 等，税前国民收入份额）、Maddison Project Database（历史跨国 GDP，按 1990/2011/2021 国际元）、Penn World Table（GGDC，含 PPP、资本存量、TFP/增长核算）、Barro–Liu 教育年限这三套都用自己的换算体系，绝不可把 PWT 的「2017 国际元」与 MADDISON 的「1990 国际元」放进同一张图
二次聚合Our World in Data、IMF DataMapper、Trading Economics只作入门检索与画图，正式引用一律回到原始机构

一个数字的完整身份证 ​

引用任何宏观数据，需要同时给出七项，缺一项就不可复现：

  1. 指标名与定义（哪个口径：官方 M1 还是新口径 M1；U-3 还是 U-6）
  2. 来源机构 + 表号/序列 ID（「BEA, Table 1.1.5.4Q」而不是「美国 GDP 数据」）
  3. 观测时点与频率（2024Q4、月度、是否季调、是否折年）
  4. 单位与计价（现价/不变价、亿元/万亿美元、市场汇率/PPP、% 还是 pt）
  5. 数据版本与发布日期（初步核算 / 第二次估计 / 最终核实；「2026 年 9 月下载」）
  6. 是否修订（历史值是否已被后续普查或基期更换改变）
  7. 计算方式（若为自算：增速、占比、贡献率的分子分母；「贡献率 = 该项增量/GDP 增量」这类定义必须写出）

问题与分析 ​

怎么从一张图追到原始表 ​

一条可复用的路径，以「美联储 M2 增速上升说明美国在放水」这类说法为例：

  1. 找到图的作者，看它注的序列来源。若只写「FRED」，则不算来源。
  2. 在 FRED 打开序列页，看「Source」行 → 例如 Board of Governors, H.6 《Money Stock Estimates》。
  3. 到美联储网站下载 H.6 原始 CSV，核对同一时点的 M2 水平值与 FRED 序列是否一致（水平一致、增速不一致 → 单位或季调差异；两者都不同 → 序列选错，可能是 M2NOTS 与 M2（旧定义）混淆）。
  4. 检查该序列的定义页：2020 年 5 月起储蓄存款并入 M1，因此 FRED 的历史 M1 被重算。任何跨 2020 年的 M1 增速比较都要重新计算。
  5. 保存下载时的原始文件与日期，并在正文写明版本。

这套流程看似繁琐，实际成本是十几分钟；而它带来的差别是：当有人质疑你的数字时，你能给出可检验的链条，而不是「某报告里这么写」。

中国宏观数据的几个特有陷阱 ​

  • 公报数、年鉴数、普查后调整数不是一回事。 2 月统计公报里的 GDP 是「初步核算」；年末年鉴为「初步核实」；经济普查次年通常上修第三产业增加值（2004、2008、2013、2018、2023 五次普查后都有明显上修，其中 2018 年第四次经普后 2018 年 GDP 上修约 2.1%，第五次全国经济普查后 2023 年 GDP 修订幅度约 2.7%，均据国家统计局普查修订公告）。用不同版本混排会造出「数据造假」的错觉。
  • 环比与季调。 统计局自 2021 年前后逐步公布主要指标的季调环比增速，但媒体常引的「增长 X%」多为同比。讨论拐点要用环比，讨论幅度要用同比，且必须声明。
  • 固定资产投资与 GDP 的口径断裂。 固投统计按项目形象进度与财务支出、门槛为 500 万元以上项目，含土地购置费，且地方数据曾长期高于全国汇总（2019 年起实行地区统一核算后差距收敛）。拿固投增速直接推断资本形成，中间隔着几次折算。
  • 社会消费品零售总额 ≠ 消费。 前者含实物商品与餐饮、不含服务消费的大多数（住房服务、医疗教育服务以虚拟或政府形式计入 GDP 的 C，但不在社零里）。用社零判断「消费占 GDP 比重」会得出荒谬的低值。
  • 人口与就业数据来自三处。 统计局抽样（年末人口与城镇化率）、公安部户籍（曾用于对比）、七普（2020 年，2021 年 5 月公布，揭示流动人口与年龄结构差异）。生育率、劳动年龄人口这类关键变量在不同来源间可以差出千万量级。

「实时数据问题」：为什么历史回测会高估你自己 ​

宏观数据会被修订，而修订方向常与新闻周期一致（衰退时初次估计往往偏弱、后续上修）。因此用今天的历史数据回测 2015 年的政策规则，会引入前视偏差（look-ahead bias）。FRED 的 ALFRED（Archival FRED）与费城联储的实时数据档案专门保存「当时看到的数」；做货币政策、财政乘数或市场反应研究时，用 ALFRED 而非当前序列是基本要求。同理，中国 2019 年地区统一核算后各省历史序列被重算，跨 2019 年的省级面板若不做「同版本」处理，估计结果会被统计改革污染。

推导与例题 ​

例题 1：把两条序列拉成可比（Python） ​

python
import pandas as pd

# 官方 GDP: 名义(亿元, 现价) 与 实际指数(上年=100)。以 FRED 为例：
# GDPA   = 名义 GDP, 十亿美元   GDPC1 = 实际 GDP, 季调折年, 2017 年美元
fred = "你的FRED_API_KEY"
ids = {"nominal": "GDPA", "real": "GDPC1", "cpi": "CPIAUCSL", "m2": "M2SL"}

raw = pd.DataFrame({k: pd.read_csv(
        f"https://fred.stlouisfed.org/graph/fredgraph.csv?id={v}&cosd=2000-01-01",
        index_col="observation_date", parse_dates=True)[v]
    for k, v in ids.items()})

q = raw.resample("QE").last().dropna()          # 统一到季度末
q["gdp_deflator"] = q.nominal * 1e9 / (q.real * 1e3) * 100   # 注意单位：十亿 vs 十亿（2017 美元）
q["nominal_gdp_yoy"] = q.nominal.pct_change(4) * 100
q["real_gdp_qoq_ann"] = q.real.pct_change() * 4 * 100        # 近似折年，正式用 (1+q)**4-1
q.to_csv("gdp_check.csv")                        # 存档：口径全部由你写下，可复核

要点有三：单位换算必须写出来（FRED 名义 GDP 是十亿美元、CPI 是指数）、pct_change(4) 与 pct_change()*4 不是同一件事、季调与未季调序列不可混在同一张表里。

例题 2：核对一个「增速」是否被偷偷换算 ​

某报道称「中国 2024 年消费增长 5.3%，远高于 GDP 增长 5.0%」。核对步骤：

  1. 社零增速（统计局，名义还是实际？统计局公布的是名义增速，扣除价格因素的实际增速另有值）；
  2. 人均消费支出增速（居民人均可支配收入与支出，年度）；
  3. GDP 支出法中最终消费增量贡献率（≠ 消费增速）。

三个数来自三套表、两种计价。报道若混用，「消费快于 GDP」的结论可能来自名义与实际的不匹配，而不是消费真的扩张更快。核对顺序永远是：先确认每个数出自哪张表，再讨论它们能不能比。

例题 3：用公开接口批量取数并留档 ​

python
import requests, hashlib, datetime, pathlib

def fetch(url: str, out: str) -> None:
    r = requests.get(url, timeout=60, headers={"User-Agent": "research/1.0"})
    r.raise_for_status()
    p = pathlib.Path(out); p.parent.mkdir(parents=True, exist_ok=True); p.write_bytes(r.content)
    print(f"{datetime.date.today()} {url}\n  sha256={hashlib.sha256(r.content).hexdigest()}  bytes={len(r.content)}")

把下载日期与文件哈希写进日志，是复现与「数据是否被官方悄悄改过」的唯一证据。严肃写作里这一步比任何图表都重要。

局限与后续 ​

  • 开源抓取库不是权威来源。 AkShare、Tushare 等依赖网页结构，接口会随官网改版失效，字段名也可能与官方不一致（例如同名「社会融资规模存量」在不同库里可能是增量或余额）。用它们做研究时，务必抽样对回官方公告。
  • 微观数据的可得性决定研究问题。 家庭调查存在无应答与顶层样本代表性问题（财富集中处常被低估）；企业库只覆盖注册与上市主体，非正规部门看不到；海关微观数据 2017 年后不再连续可得，使一批研究被迫中止。没有数据的地方，不等于没有经济现象，这是本章最重要的元结论。
  • 开放与许可差异影响引用方式。 美国政府数据一般无版权限制（但引用仍需注明出处），IMF/OECD/世行多为开放获取但附带再分发条款，商业终端（Wind、CEIC、Bloomberg）明确禁止再分发数据，学术调查库需签使用协议。截图与转载也在许可范围内，动手前先看条款。
  • 本项目其余部分的衔接。 术语的定义与中英对照见术语篇，指标的制度背景散见于各章；若要把这里的某张表和理论对照，理论时间线提供了按年份与学派检索的入口，而《货币银行学》的货币供求理论与《通货膨胀与通货紧缩》分别解释了 M1/M2 与 CPI 在理论中的位置。

以笔记整理知识，欢迎指正

Hello Economics