中国核心CPI的测度及其动态特征分析

司颖华，卢 媛

(1.兰州财经大学 统计学院，甘肃 兰州 730020；2.海南大学 经济学院，海南 海口 570208)

一、引言

受非洲猪瘟疫情等因素影响，2019年12月的中国猪肉价格同比上涨97.0%，这也导致当月同比CPI上涨4.5%。因此，社会各界开始担忧猪肉价格会引发中国物价的大幅上涨，甚至有人希望政府采用紧缩的货币政策控制物价上涨。同时，国家统计局公布的数据显示，一方面，2019年居民消费价格比上年上涨2.9%，食品价格上涨9.2%，涨幅比上年扩大7.4%，影响CPI上涨约1.81%。另一方面，非食品价格上涨1.4%，核心CPI(从CPI中去除了食品类价格指数和能源类价格指数)比上年上涨1.6%，涨幅比上年还是回落的。实际上，猪肉价格上涨对中国物价总水平的影响是十分有限的，猪肉价格大幅上涨，也不一定导致中国物价总水平的上升。一方面，猪肉价格影响的仅仅是CPI分类指数中的食品类指数。比如，在猪肉价格大幅上涨的同时，鲜菜、牛肉和奶类产品价格有所回落，基本可以对冲猪肉价格上涨的影响，由此食品类指数的涨幅并没有像猪肉价格涨幅一样大，进而猪肉价格对CPI的影响程度也变小了。另一方面，中国物价总水平并不等同于CPI。CPI即消费者价格指数，主要是从衡量消费者的生活成本出发的，而中国物价总水平即核心CPI定义为各类物价变动中稳定的和潜在的部分。因此，CPI的变动并不能很好地反映物价总水平的变动，相对而言，核心CPI更具有货币政策意义，世界各国中央银行更关注核心CPI。当前许多国家和地区采用的是，从CPI中扣除食品和能源的核心CPI。至于是否应该从CPI中扣除食品和能源价格来生成核心CPI，仍然存在很大争论。论文考虑到前沿计量方法动态因子模型，它能从大量相关价格变量中提取稳定的和共同的成分，该共同成分可以定义为核心CPI。因此，本文采用动态因子模型，从多个价格类指数提取共同因子，测度中国核心CPI。

(一)核心CPI的内涵和意义

核心CPI的研究一直都是学术界的热点问题，但核心CPI至今仍然没有一个统一的定义。最早Friedman将核心CPI定义为通货膨胀中长期的和稳定的成分[1]；Bodenstein等从理论上论证了核心CPI是货币政策视角的中央银行价格指数，并将其定义为各类价格指数中共同的趋势[2]；Silve和侯成琪等认为，因为货币政策的时滞性特征，它是一种总量调节且不具备结构调节功能的政策，所以货币政策不能以CPI为价格目标，而要以核心CPI为价格目标[3-4]。综上，虽然从不同的角度对核心CPI的定义存在不一致，但是核心CPI被公认为是价格变动中具有长期性和稳定性的部分。因此，核心CPI是从货币政策的角度定义，需要央行更多地关注，作为货币政策调控价格的依据。同时，因为核心CPI是所有价格变动中长期且稳定的部分，所以它并不容易被公众所感受到，甚至有时候和公众的感受是相反的。相对而言，CPI能更真实地反映公众对价格变动的感受。

已有文献关于核心CPI的测度方法存在着较大的分歧，基于不同核心CPI的定义方法和研究视角，出现了大量构建核心CPI的方法。本文借鉴已有文献的作法，大致将已有测度核心CPI的方法分为统计方法类和计量建模类。

(二)测度核心CPI的统计方法

核心CPI测度的统计方法中，普遍认为核心CPI是将受气候和季节因素影响较大的产品价格剔除之后的居民消费物价指数。具体包括两类：第一类，采用剔除法和波动加权法等对各类商品价格波动进行加权平均。比如，龙革山等采用了平滑法[5]，王开科等采用了剔除法和截尾平均法[6]。徐强等采用了三重加权法[7]。第二类，侯成琪等采用平滑法等从通货膨胀中剔除噪音部分并保留长期变动的部分[8]。

(三)测度核心CPI的计量建模方法

通过计量模型测度核心CPI的方法有：第一类，结构向量自回归模型；第二类，采用经济理论模型。比如，侯成琪等利用新凯恩斯菲利普斯曲线构建核心CPI[9]；第三类，动态因子模型。比如，Stock等针对各类价格指数或者CPI自身，利用动态因子模型构建核心CPI[10-11]。

关于中国核心CPI的其他相关研究。大多文献集中在CPI变动特征和大数据视角下的CPI编制等。雷怀英等解释了居民对CPI质疑的原因[12]；张伟等分析了权重对CPI构建的影响[13]；陈梦根等分析了大数据背景下应该如何改进CPI的构建等[14]。但是，较少有文献分析中国核心CPI的变动特征。

综上所述，本文注意到核心CPI的构建中，更多文献是利用PPI等各类价格指数或者CPI自身基于统计或者模型的方法，尤其在利用动态因子模型的核心CPI构建中，相关文献仅仅针对CPI将其分解为核心CPI和异质性成分，这样所构建的核心CPI并没有包含更多的价格信息。另外，已有关于中国物价总水平变动特征，尤其是非线性动态调整特征的分析中，主要针对CPI进行相关研究，这样利用CPI作为中国物价总水平的代理变量会存在一定的偏差。因此，本文的创新之处在于：第一，针对中国CPI的8个分类指数，利用动态因子模型构建了核心CPI；第二，基于LSTAR模型分析了核心CPI的动态特征。

二、中国核心CPI的构建

(一)CPI及CPI分类指数

鉴于2016年1月起，中国对CPI分类指数作出较大修改。比如，原来的食品类价格指数和烟酒类价格指数合并为一类，原来的医疗类价格指数被拆分到生活用品等多类价格指数中。CPI是一篮子商品和服务价格波动的主观加权平均，在CPI的使用中，不仅要从整体看CPI的变化，而且要具体看CPI分类价格指数的变动。而且，2016年1月使用的CPI调查目录会影响到相关商品和服务的类别，因此CPI分类指数的调整对CPI的影响并不大，但对CPI分类指数有较大的影响。本文为了更准确地构建核心CPI，将样本区间分为2001年1月至2015年12月和2016年1月至2019年12月，针对不同样本区间的CPI分类指标，分别利用动态因子模型构建核心CPI。因为动态因子模型作为客观赋权方法，能够提取CPI分类指数变动中共同的和稳定的成分，所以本文得到的核心CPI受到CPI分类指数调整的影响很小。

中国2001年1月至2015年12月的CPI分类指数包括食品类(记作F)、烟酒类(记作T)、衣着类(记作C)、家庭类(记作H)、医疗类(记作M)、交通类(记作TR)、教育类(记作E)和居住类(记作R)。2016年1月至2019年12月的CPI分类指数包括食品烟酒类(记作food)、衣着类(记作cloth)、生活用品类(记作dailys)、医疗类(记作medicine)、交通类(记作trans)、教育类(记作edu)、居住类(记作residence)和其他类(记作others)。以上数据均来自于国家统计局网站。

CPI及其分类价格指数的描述性统计分析。首先，因为CPI和其他8个价格类指数的变动特征存在显著的差异性。

CPI的变动更类似于食品类价格指数(F)的变动，其次是家庭类价格指数(H)，而其他指数(比如交通类价格指数(TR))与CPI的趋势存在显著的差异性。2019年1月以来，仅有食品烟酒类(food)、其他用品和服务类(others)上涨，这两个价格指数上涨的主要原因之一就是猪肉价格的大幅上涨，猪肉价格上涨导致2019年12月的同比CPI为4.5%。但是，其他价格类指数的涨幅均低于CPI的涨幅，甚至有些价格指数是下降的(比如交通类价格指数(trans))。因此，国家统计局公布的同月核心CPI同比值为1.4%。总之，既不能用CPI表示其他的8个分类价格指数，也不能用其中的任意一个分类价格指数代表CPI。进一步，以2001年1月至2015年12月的CPI及其分类指数为例，对它们进行描述统计分析。由表1给出CPI各类指数的描述统计特征值。

由表1可知，一方面，食品类价格指数等8类指数生成CPI采用了主观赋权法。这样得到的CPI并不能充分反映中国物价变动长期稳定的特征。另一方面，从具体的数值来看，CPI的均值为102.44，仅小于食品类价格指数和居住类价格指数的均值，而比其他六类价格指数的值都大。同样CPI的标准差为2.26，仅小于食品类价格指数和居住类价格指数的标准差，而比其他六类价格指数的值都大。这也进一步说明，食品类价格指数和居住类价格指数在CPI组成中的权重最重，CPI对其依赖程度比较大，这种确定权重的方法缺少一定的客观性。因此，有必要进一步利用更客观的赋权方法即动态因子模型，从CPI的八大类指数中提取它们变动中长期稳定的部分，将其定义为核心CPI，并用核心CPI来表征中国物价总水平。

表1 CPI分类价格指数的基本特征值

(二)动态因子模型简介

大数据时代下的高维时间序列建模中，动态因子模型已经成为了主流的宏观经济分析模型。动态因子模型将多个相关的变量，用少数几个潜在的因子来反映它们变动特征的主要和共同部分，从而达到降维目的。已知相关的一组多维时间序列Xt=(X1t，X2t，…，XNt)′，t从1到T。假定共同因子Ft反映这些变量的相关关系，因子模型的形式为：

(1)

A(L)Ft=vt

(2)

其中，A(L)为p阶滞后算子对应的系数矩阵。由式(1)和(2)定义了一般形式的动态因子模型。

随着动态因子模型的随机误差项之间关系的不同，通常分为近因子模型和广义动态因子模型等。动态因子模型的估计方法主要有时域方法、频域方法和贝叶斯方法等。具体地包括基于状态空间模型的极大似然估计和EM算法，以及主成分法等。论文将采用时域主成分方法估计中国核心CPI。

(三)基于客观赋权法的中国核心CPI测度

由上可知，中国CPI的测度采用了主观赋权法，该CPI的变动特征与食品类价格指数的变动特征趋同，并未充分反映CPI对应的8类价格指数的整体变动特征，又因为核心CPI定义为各种价格类指数变动中长期稳定的成分。因此，本文将利用动态因子模型，基于以上8个CPI分类价格指数数据，利用客观赋权法提取它们变动的共同趋势，并将它们变动的共同因子定义为核心CPI。

具体地，分别针对2001年1月至2015年12月和2016年1月至2019年12月的CPI分类价格指数进行样本足够度检验。检验的Bartlett卡方统计量分别为276.23和105.31，对应的p值均为0。所以，可以针对以上样本区间的CPI分类指数进行因子分析。进一步，确定共同因子的个数为1，并利用动态因子模型中的时域主成分分析法，对共同因子进行估计并定义为核心CPI(记作CPI_core)，为了比较核心CPI和CPI，由图1给出核心CPI和CPI的趋势图。

由图1可知，一方面，核心CPI与CPI具有大致相同的变动趋势。比如，CPI在2004年、2008年、2010年和2019年的大幅上涨，以及2009年的大幅下跌，核心CPI在对应时期都不同程度的上涨和下跌。另一方面，CPI的变动只能在一定程度反映核心CPI的变动。CPI的变动幅度明显要大于核心CPI的变动。相对CPI而言，核心CPI的变动更能反映中国物价总水平长期稳定的特征。尤其是，2013年以来，中国经济进入新常态后的CPI持续高于核心CPI的变动。如果利用CPI来衡量中国物价总水平，就会产生对真实物价总水平评价的偏差。如果说2019年的猪肉价格大幅上涨必然导致中国物价总水平的大幅上涨，这是不准确的。由图2可以看到，随着2019年以来CPI的大幅上涨，核心CPI也有一定的上涨，但是上涨幅度非常有限，物价总水平的变动仍然在合理范围。因此，相对CPI而言，论文所构建的核心CPI较好地衡量中国物价总水平的变动。为了进一步了解中国物价总水平的变动特征，有必要对中国核心CPI的动态特征进行测度。

图1 核心CPI和CPI的趋势图

三、中国核心CPI的动态特征测度

(一)核心CPI对应LSTAR模型的构建

为了考察中国核心CPI的平稳性，分别采用ADF检验、刘雪燕和张晓峒提出的非线性检验统计量tL对其进行检验[15]。由检验结果可知，核心CPI为线性非平稳变量，但核心CPI为非线性平稳变量。所以，本文针对核心CPI直接构建LSTAR模型。

根据时间序列中自回归移动平均模型的AIC滞后阶数判定准则，论文首先构建对应的一阶自回归模型AR(1)：

yt=A+Byt-1+ut

(3)

其中yt=CPI_coret，A，B为系数，ut是扰动变量。原假设AR(1)对应的备择假设为LSTAR(1)模型，即：

yt=A1+B1yt-1+(A2+B2yt-1)F(γ，c；st)+ut

(4)

转移函数可以表示为：

无论是商品鳞茎还是试管鳞茎，在5 ℃贮藏的各个时期GA3含量均比25 ℃贮藏的要高，上升速度要快，并且在20th d都有1个高峰的出现；无论是5 ℃贮藏还是25 ℃贮藏，商品鳞茎比试管鳞茎GA3含量上升幅度均要大，说明在同样的贮藏条件下，商品鳞茎较试管鳞茎更易解除休眠。

(5)

针对原假设H0：γ=0，备择假设H1：γ>0。对式(3)进行回归，可得et和SSR0。然后，被解释变量et关于解释变量yt-1和styt-1进行回归分析，也可得对应的SSR1。最后，计算LM统计量：

LM=T(SSR0-SSR1)/SSR0

(6)

在原假设下，LM近似服从χ2(1)。

分别尝试以CPI_coret及其相关变量作为转移函数中可能的转移变量，计算相关变量对应的LM检验P值见表2。

表2 对应检验的P值

从表2可知，针对核心CPI所构建的LSTAR模型而言，当转移函数F中的转移变量选为核心CPI的当前值时，该检验对应的P值为0.04，即在5%检验显著性水平下，由LSTAR模型描述核心CPI之后，该模型的残差无非线性特征，即LSTAR模型能够较好地刻画中国核心CPI的变动特征。

核心CPI对应LSTAR模型的估计。论文借鉴已有文献的估计方法，得到平滑参数γ和门限值c的最小二乘估计值分别为8.50和100.6。

(二)中国核心CPI动态变动特性的识别

基于上述模型，可以将核心CPI的门限值c=100.6作为中国物价总水平划分较低通货膨胀(以下简称为“低通胀”)和较高通货膨胀(以下简称为“高通胀”)的临界值，通过曲线是否显著偏离临界值来判断中国物价总水平所处的不同通胀状态。具体地，由图2和图3分别给出了中国核心CPI的高通胀状态和低通胀状态。

图2 核心CPI的高通胀状态

如图2所示，识别出核心CPI的高通胀阶段大致为：2007年1月至2008年11月，2010年10月至2012年10月和2018年1月至2019年12月。经济解释是，2007年1月至2008年10月的第一次高通胀周期反映的是，包括美国“次贷危机”导致的全球金融危机以及中国政府为了应对金融危机导致的经济下滑，推出了4万亿拉动投资等，类似刺激经济的措施导致了中国物价的一轮上涨。2010年10月至2012年10月的第二次高通胀周期反映的是，为了完成中国宏观经济增长的较高目标，中国人民银行实施了相对宽松的货币政策：先后多次下调存款准备金率和存贷款基准利率，以上宽松货币政策在促进经济增长的同时导致了较高的通胀水平。最近的2018年1月至2019年12月高通胀周期反映出，包括猪肉价格等生活和生产要素的普遍上涨。

图3 核心CPI的低通胀状态

如图3所示，识别出核心CPI的低通胀阶段为：2001年1月至2006年12月、2008年12月至2010年9月和2012年11月至2017年12月。对应的经济含义解释为，第一次的2001年1月至2006年12月低通胀状态，这5年是中国经济高速发展的时期，中国经济整体处在产出高速增长且物价较低的非常有利状态。第二次的2008年12月至2010年9月低通胀状态，这主要是由2008年全球金融危机所导致的，低产出和低物价的状态。因为政府的投资刺激政策，使中国物价总水平较早地转移到了高通胀状态。最近一次2012年11月至2017年12月的低通胀状态，真实地反映了中国经济自2012年以来，逐步进入了经济增速放缓、物价长期处在低通胀状态的经济新常态。

总之，核心CPI较好地反映了中国物价总水平长期稳定的变动特征。并且较好地识别了中国物价总水平的动态调整特征。一方面，中国物价总水平的低通胀和高通胀状态的持续时间都比较长。这表明，中国物价总水平的变动具有较好的稳定性和自我调节能力，当处在一种状态时如果没有外部冲击，其很难改变当前所处的状态，而且就算是有外部的冲击，也很难改变当前状态而调整到另一种状态。这也说明了中国市场经济价格调整体系是比较完善的。另一方面，LSTAR模型较好地识别出了样本期内中国物价总水平所处的状态，这与中国经济发展的实际情况是基本吻合的。

四、结论与建议

本文利用核心CPI表征中国货币政策相关的物价总水平。首先基于前沿计量方法动态因子模型，针对两个不同时期的8大类CPI分类指标，提取它们长期稳定的因子，以此来测度中国核心CPI。接着，基于LSTAR模型识别了中国核心CPI的非线性动态调整特征。实证结果表明：第一，核心CPI与CPI的变动趋势大体一致，但核心CPI的变动程度明显低于CPI的变动，能更有效地表征价格变动长期的和稳定的部分。因此，相对公众所关注的CPI而言，央行更应该关注核心CPI，并将核心CPI作为货币政策的价格指标。第二，将中国核心CPI划分为低通胀和高通胀两种状态。相对而言，高通胀的持续时间小于低通胀，而且较好地识别出了样本期内中国物价总水平所处的状态。

基于以上实证结论，论文针对中国政府测度物价总水平和货币政策的调控等方面，给出如下的建议：

第一，政府需要选取更合理的价格变量，利用有效的构建方法，进一步优化并公布核心CPI的月度数据，为央行制定和实施货币政策提供重要参考指标和更有效的理论依据。同时，使公众能通过对CPI和核心CPI的比较，准确把握当前生活成本的价格水平和全社会整体价格水平。

第二，利用核心CPI变动的非线性特征，央行更好地把握中国物价总水平的变动规律，并有效实施和评价货币政策。核心CPI的变动特征表明，中国经济一旦处在低通胀或高通胀状态就会持续一段时间，而且低通胀的持续时间长于高通胀的持续时间。这为政府把握物价总水平的变动提供理论依据。

第三，充分利用中国物价总水平处在合理通胀状态的特征，继续实施积极稳健的货币政策，促进中国经济高质量增长。类似2015年央行采取的下调基准利率等适当宽松的货币政策，在促进经济增长的同时不至于导致物价总水平的大幅上升。又如，虽然2019年12月的CPI上涨到了4.5%，但对应的中国物价总水平仅为1.8%，这是正常的物价水平，因此政府可以继续采取积极稳健的货币政策。而且政府可以充分利用当前中国物价总水平不高的优势，全面推进中国结构性供给侧改革，不断完善社会主义市场经济体制。