本篇文章聚焦于物价水平指标之一的PPI指标。PPI通常指的是工业生产者出厂价格指数。
在二分法和行业法两个不同口径下，本文计算了PPI指标体系中各分项对应的权重。得出
当前基期生产资料和生活资料在PPI中的权重分别为74%和26%，
以及
“
石化煤炭两色”是对PPI指数同比影响较大的行业。
本篇文章构建了分析PPI指标的分析框架，从通胀原因出发，我们将影响因素分类到由
国内国外、需求供给组成的四维矩阵
中，逐一进行PPI趋势分析。
为了实时跟踪和预测PPI指标的变化，根据两个口径我们构建了
宏观整体和微观行业两个视角下
相应的高频指标体系，对PPI同比或者环比进行拟合。
利用分析框架，我们对2013年以来的两次PPI通胀周期进行分析。并探讨了2024年如何实现“再通胀”。参考2015年相关政策，我们认为需要以下几个方面。从国内需求角度出发，
需要财政政策、货币政策发力坚持推进“三大工程”进程。
国内供给侧角度出发，需要
坚持供给侧改革
，化解部分行业过剩产能。在国外供需两侧方面，由于变数较大，中国作为“防守方”需要“对症下药”，以平滑国外因素对国内PPI指标的影响。
PPI指数全称为生产者价格指数，是全产业价格指数，包括农业、工业和服务业。
我们分析的PPI指数准确来说是工业生产者出厂价格指数，代表的是一段时间内，工业产品出厂进入流通领域最初价格的变化趋势和变动幅度。
根据国家统计局相关资料，对以下关键的几个方面对PPI指数进行解释：
调查目录编制：
调查目录五年修订一次，基本原则是：按照国民经济行业分类和产品分类标准，制定基本分类以上的分类。确保覆盖全部工业行业的主导产品，保证新目录的覆盖面和代表性等。
代表商品选择：
基本分类以下，由国家统计局挑选一组对国计民生影响大的、生产较为稳定的、有发展前景的产品，同时可以选择有地方特色的产品为代表。
基期更换频率：
为了使得PPI指数能够准确反映我国物价的实际变化情况，我国每逢“0”、“5”的年份都会轮换基期，选取“一篮子”商品和服务，并保持五年不变。
计算方法：
①基本分类指数的计算：
首先
计算代表产品月
环比指数，根据代表产品下所属规格品价格变动相对数，采用几何平均的计算：
其中Gin
为代表产品i
下所属第n
个规格品报告期价格与上一个报告期价格的相对数。之后，通过几何平均的方法可以得到基本分类月环比指数的计算：
其中Kin
为代表第
基本分类下第n
个代表产品的月环比价格指数。
②基本分类以上各类及总的定基指数采用链式拉氏法进行计算后逐级加权平均，具体公式如下所示：
其中L
为定期指数，PtQt-1为报告期固定篮子产品的金额。当前统计局是以2020年为基期编制的PPI定基指数，所以公式可转化为：
全国大类、中类、小类行业的指数及PPI总指数根据各省指数按其工业销售产值加权平均计算。
理解PPI有两个口径。
首先是二分法，即分为生产资料和生活资料。
生产资料指的是出售给其他工业企业作为用于生产的原材料和中间投入品，在PPI指标体系中占比例平均约为75%，主要为采掘、原材料和加工工业三个类别；生活资料则指的是出售给消费者用于生活消费的产成品，主要包括食品、衣服、一般日用品和耐用消费品四个类别，在PPI指标中占比平均约为25%。
根据最新12月物价水平数据，“工业生产者出厂价格中，生产资料价格下降3.3%，影响工业生产者出厂价格总水平下降约2.44个百分点。生活资料价格下降1.2%，影响工业生产者出厂价格总水平下降约0.30个百分点。”我们可以推算出
当前基期生产资料和生活资料在PPI中的权重分别为74%和26%
每月统计局报告中并未披露二分法二级分项对应的权重，但我们可以通过历年来的二级分项同比数据对生产资料同比数据和生活资料同比数据进行回归，得到的方程系数结果来代表各个二级分项的权重。利用2015年至今的数据进行计算，得到在生产资料中，
采掘、原材料和加工工业的权重分别为5.75%、27.8%和65.74%
，再乘以生产资料在PPI指标体系中的权重，就可以得到生产资料二级分项
在PPI中的权重分别为：4.26%、20.57%和48.65%。
根据上述方法，得到在生活资料中
食品、衣服、一般日用品和耐用消费品的权重分别是38.61%、11.85%、22.25%和27.28%。
再乘以生活资料在PPI指标体系中的权重，就可以得到
生活资料二级分项在PPI指标体系中的权重分别为：10.03%、3.08%、5.79%和7.09%。
其次，我们可以从产业链上下游的角度理解PPI指数。
PPI指数涉及41个工业行业大类，207个工业行业中类，666个工业行业小类和1638个基本分类。根据国家统计局的相关资料，PPI指数中工业行业小类及以上的权重是由其销售产值决定。由于销售产值数据仅更新至2016年，
我们收集了2020年至2022年各个行业营业收入均值作为销售产值的代理变量
，对各个行业在PPI指标体系中的权重进行了粗略计算，此次计算仅纳入40个行业（未含其他采矿业）。得到各行业权重之后与行业PPI指数波动标准差相乘即可得到对PPI指数的同比影响，得到结果如下表所示：
我们可以发现，PPI指数由中上游产业主导，中游原材料产业占比最大（35.32%）。从行业权重大小来看，计算机、通信和其他电子设备制造业（11.20%），汽车制造业（6.97%），电气机械和器材制造业（6.90%）名列前茅。
从对PPI指数同比影响来看，“石化煤炭两色”行业影响较大
，具体为黑色金属冶炼和压延加工业，石油、煤炭及其他燃料加工业，化学原料和化学制品制造业，煤炭开采和选洗业，有色金属冶炼和压延加工业，石油和天然气开采业影响比重大。
PPI指标作为价格水平指标，受工业产成品供需两侧因素影响。
中国与全球产业链接轨的同时也受国际各类变量影响。
在分析PPI指标时，我们将
各类因素分类到由国内国外和供给需求分成四维矩阵
中，进行逐一分析：
从国内需求出发，宏观视角主要关注投资需求，核心变量为房地产投资和基建投资。
房地产投资和基建投资完成额增速上升时
，对钢筋、水泥等工业产品的需求量增加，
当工业产品需求增速大于供给增速，就会导致PPI指标上升
。
在2012年之前，房地产投资完成额同比与PPI走势相近，并存在一定领先性。而
基础建设投资作为政府跨周期调整手段，与房地产投资形成互补，在2008年金融危机参与救市。
而2012年至2016年期间，房地产投资同比下滑压制 PPI指标。房市的下跌拖累关联产业走弱，叠加前期宽松计划遗留过剩产能，工业产成品价格下跌。在供给侧结构性改革之后，价格水平回升。
2017年之后，与PPI相关系数更高的是基础建设投资
，其背后的原因是2016年底以来，中央不断强调“房住不炒”，中国经济对房地产行业的依赖性有所下降。
在微观层面， 我们从企业经营的供需入手。由于价格由供需决定以及生产到产成品存在时滞，生产和实体需求之间的错配对未来工业品价格是具有领先性。我们利用PMI新订单和PMI产成品库存的差值来表示需求端缺口变化情况，
差值为正说明需求缺口扩大，即需求增速大于供给增速，工业品价格会因供需失衡而上升，最终导致PPI指标上升
，反之则下降。从历史数据我们可以发现需求端缺口指标对PPI指标有稳定的领先性，领先时长在半年左右。
在供给侧，我们主要考虑供给侧改革和产出缺口对PPI指数的影响。潜在产能是社会资源全速运转下能够达到的产出水平。产能代表着供给能力并非越高越好，需要与实体需求相匹配。
当满足实体需求所需产能（通常为实际产能）低于潜在产能时，产出缺口为负，即出现了产能过剩问题，企业经营利润将受到压制，价格指数也会下降。
历史上共两次供给侧改革，分别在1999年和2015年，分别对应着两段由产能过剩导致的物价水平低迷时期。以2015年供给侧结构性改革为例，受到前期刺激政策影响，2012年开始许多行业出现产能过剩情况，导致行业生产商盈利能力不足，价格水平长期低迷。为了帮助过剩行业快速出清，在2015年11月，供给侧结构性改革拉开帷幕，
“去产能”和“去库存”成为当时的两大主线
。在政策的有效执行下，工业产能利用率提高，物价水平回升。
供给侧改革的政策效果是影响PPI指数的重要因素。
但政策效果量化难度大，频率不定，不易进行跟踪。
我们利用工业增加值月度同比数据，经过时间序列计量方法进行降噪处理和去季节效应后可以得到产出缺口数据。从数据上看，产出缺口数据对PPI指标存在领先性，领先时长在1年左右。
中国作为出口大国，与世界经济是紧密相连的。PPI指标对于全球经济的景气情况波动弹性较大。
当全球经济向暖，需求强劲时，中国商品的出口强劲就会使得物价水平上升，PPI指数上涨。
我们利用重点国家OECD综合领先指标代表全球经济的景气状况，可以发现在2003年、2009年和2020年，世界经济的回暖是托举中国价格水平的重要因素。由于商品价格粘性的存在，OECD综合领先指标一般领先PPI指标；同时，在世界产业链不断发展进步的背景下，
领先时长缩短
。从近期的数据可以发现，OECD综合领先指标领先时长在1-2个季度。
上述PPI指标体系权重分布情况提及，黑色金属冶炼和压延加工业，石油、煤炭及其他燃料加工业等上游行业对PPI指标同比影响大（见图5）。国外供给侧从由国际定价的重点行业原材料入手。
我们认为原油价格是PPI波动的主导变量。
从2001年开始，中国原油进口依赖度逐年攀升，2022年中国原油进口依赖度约为77.13％，并且长期居高不下。“石化煤炭两色”行业与原油价格相关系数均在0.6及以上。从历史数据上可以看出，国际原油价格同比数据对PPI指标有稳定领先性，领先时长大约为1-3个月。
我们认为除原油以外，铁、铜和铝的价格对国内PPI指数也有显著影响。
我国铁矿石、铜矿和铝土矿进口依赖度较高，分别为64.7%、92.9%和59.5%（2021年数据）。黑色金属和有色金属冶炼和压延加工业对PPI同比影响较大（分别为1.23和0.65）。因此，国际金属价格也是影响PPI的重要变量。铁矿石我们主要关注世界银行全球铁矿石平均价格指标，铜和铝则为LME指标。金属价格同样对PPI指标有领先性。
上述章节阐述了PPI指标趋势走势的判断方法。
我们同样希望构建方法对近月PPI指标进行预测。
本章节构建了高频跟踪指标体系对PPI指标近期数值进行预测。
高频数据通常指的是更新频率为每周或者每日的指标。与PPI指标相关的高频指标可以支持我们提前推算出PPI指标的波动数据。本篇文章高频数据跟踪PPI指标的原理如下图所示。
由于环比数据通过数学计算之后可得到同比数据，我们优先采用高频数据环比推算PPI环比的路径。
宏观整体视角下，我们力求包含工业整体产成品价格，考虑的宏观整体数据主要有生产资料价格指数、中国大宗商品价格指数、CRB现货指数和南华工业品指数。选择的高频数据涉及到的工业品有石油天然气、煤炭、黑色金属、有色金属等在PPI指标体系中权重较大的工业品，且在高频指标下的权重结构与PPI体系相近，可以有效预测PPI指标。
通过计算发现，
上述高频数据与PPI指标的相关系数都显著为正
，其中生产资料价格指数环比与PPI指标环比相关系数高达0.92，从统计学的角度上印证了我们通过高频数据拟合PPI指数的合理性和可靠性。我们利用逐步回归方法进行拟合，得到回归结果为：
拟合优度达0.8946，处于较高水平，说明通过上述回归结果可以有效预测PPI环比数据。因此，临近月末高频数据发布之后，我们可以通过计算高频数据的环比情况从而推算出PPI指标月度环比数据。模型历史拟合值和真实值对比如下图所示：
在行业法口径下，我们主要考虑
“石化煤炭两色”行业
对PPI指标的影响。这些重点行业涉及到的原材料如下表所示：
沿用上述方法，我们将高频数据进行预处理，计算出它们的月环比数据，进而对PPI环比指标进行拟合回归，拟合优度仅0.51，结果不尽人意。我们认为
与微观指标短期环比波动性较大，与PPI环比出现多次背离情况有关。
因此，我们转变思路，通过高频数据同比预测PPI指标同比，拉长比较周期从而规避部分短期波动对预测结果的影响。我们利用逐步回归的方法，得到的结果如下所示：
逐步回归分析排除了焦煤、动力煤和螺纹钢作为回归变量，拟合优度达0.892 ，处于较高水平，说明通过微观行业角度数据拟合的回归方程可以有效地预测PPI同比。模型历史拟合值和真实值对比如下图所示：
在2013年之前，CPI和PPI指标走势相近，通胀周期中“再通胀”和“降通胀”的原因相似度高，因此2013年之前的PPI指标分析可以参考《宏观分析框架：
通胀分析方法—CPI篇》。
本篇报告的分析时间窗口始于2013年。
4.12013年-2019年改革助力PPI修复 政策退场疫情冲击压制物价
针对2013年至2019年PPI指标的变动，我们主要关注国内需求侧和供给侧。
国内需求侧方面，前期为应对次贷危机对国内经济的冲击，国家放松了地产政策，加大了保障性住房建设规模，刺激居民购房需求上涨，基础设施建设和房地产投资增速高。但在2013年之后，房地产投资增速持续下降，投资需求下降；房地产行业的走弱压制了其他行业盈利能力，同时M1同比持续性下降体现出来国内实体经济扩张欲望弱，经济活力不足，拖累了PPI指标。
