摘要
传统“食品+非食品”二分法对CPI预测的准确度有所下降。对于月度CPI增速，目前市场的主流方法框架是“食品+非食品”二分法，对应的估测方法是“高频+历史均值”二分法。由于CPI增速主要由食品项驱动，用高频数据估测CPI食品项的变动，基本可以较好的把握CPI增速的变动。但今年以来，上述方法预测的准确性有所下降，可能至少跟几个因素有关。第一，食品高频数据质量的下降。第二，春节错位因素的影响。第三，历史均值法对非食品项的预测效果下降。
我们尝试构建月度CPI增速的“三分法”预测方法。相较于以往方法，有以下几点可能的创新。第一，使用“食品+工业消费品+服务”三分法框架，估测方法相应调整为“高频+领先指标+历史均值”三分法。第二，根据城镇居民消费支出结构、投入产出表等数据，重新梳理权重体系。第三，纳入春节因素的影响，将春节因素分为“节前”、“节中”与“节后影响”，并量化纳入分析框架。第四，重新梳理主要食品分项的预测方法，将停止公布的统计局高频数据转为其他高频数据。第五，鉴于估测权重与实际权重不一致导致的系统性偏差，建议在从分项指标按权重合成为上一层级指标增速时，需要进行一定的调整。
回溯检验显示，新方法预测效果有所改善。根据数据可得性，可获得2014年10月至2018年11月共计50个样本点中。其中，预测值（四舍五入之后）与实际值完全一致的样本点有18个，占比36%；误差为0.1、0.2与0.3个百分点的样本点分别有21、9、2个，占比分别为42%、18%与4%。与市场平均预测结果相比，上述方法预测效果有所改进。其中，预测的最大误差为超过0.3个百分点，低于市场平均预测值的0.8个百分点；预测结果和实际值完全吻合以及误差在0.1个百分点及以内的分布频率，较市场平均预测值均高出近12个百分点。
进一步的改进方向是提高食品项预测准确程度。即便本报告方法的预测准确性有一定程度提高，但一些样本点误差仍然偏大，尚有改进空间。改进的重点方向还是在食品项。虽然CPI食品项的权重要明显低于工业消费品与服务项，但各分项对CPI增速的拉动率同时取决于权重与增速波动两个因素，由于食品项波动幅度较大，其增速预测偏差也高于工业消费品与服务项。因此，如将各月预测误差值进行分解，可发现食品项是CPI增速预测误差的主要来源。如能提高食品项的预测准确度，则能更进一步提高CPI增速的预测准确性。
正文
一、引言：从“二分法”到“三分法”
对于月度CPI增速，目前市场的主流方法框架是“食品+非食品”二分法，对应的估测方法是“高频+历史均值”二分法。其中，食品项主要根据高频数据跟踪预测，非食品项主要用历史均值法。由于CPI增速主要由食品项驱动，因此，如果用高频数据估测CPI食品项的变动，基本可以较好的把握CPI增速的变动。
但今年以来，上述方法预测的准确性有所下降，明显案例是今年2、3月份CPI市场预期与实际值偏差较大。推测这可能至少跟几个因素有关。第一，食品高频数据质量的下降。估测食品项增速时，市场之前普遍使用统计局50城主要食品平均价格，但2018年开始该项指标不再公布，市场转而使用商务部、农业部等其他食品高频指标，但这些高频指标的准确性较统计局50城数据有所降低。第二，春节错位因素的影响。由于至少两方面的原因，春节错位会对月度CPI增速预测带来干扰。一方面，在春节假期期间部分食品高频数据并不公布数据，而假期期间通常价格较高，数据样本点的缺失可能会导致估测结果的偏误（详见我们前期报告《为何2月CPI猪肉价格增速与高频数据背离？》）；另一方面，对于部分指标而言，春节“节前”、“节中”与“节后”的影响可能不全相同（我们前期报告《春节因素对出口影响再探讨》曾提供一个案例）。第三，历史均值法对非食品项的预测效果下降。2016年年中以来，非食品项的同比增速中枢不断抬升，传统的历史均值方法难以反映这种趋势性变化，如能利用高频数据与领先指标加强对非食品项的预测，则有助于提高CPI预测结果的准确性。
基于上述原因，我们尝试重新构建月度CPI增速的预测方法。相较于以往方法，有以下几点可能的创新，同时这几点也是我们预测方法的关键所在。第一，与传统的“食品+非食品”、“高频+历史均值”二分法不同，我们使用“食品+工业消费品+服务”三分法框架，估测方法相应调整为“高频+领先指标+历史均值”三分法。对于非食品项中的工业消费品与服务价格，根据数据特征与数据可得性，使用了不同的预测方法，其中工业消费品使用“高频+领先+历史均值”方法，服务项使用“历史均值+春节因素”方法。第二，根据城镇居民消费支出结构、投入产出表等数据，我们重新梳理权重体系。第三，纳入春节因素的影响。我们将春节因素分为“节前”、“节中”与“节后”三种并定量化，考察其对各分项价格变化的影响，如果影响显著则纳入该分项的预测之中。第四，重新梳理了主要食品分项的预测方法，将统计局高频数据替换为其他数据源，并引入春节因素、季节性因素等优化预测结果。第五，我们建议，在从分项指标按权重合成时，需要进行一定的调整。这是因为，不管采取什么方法确定分项指标权重，都会跟统计局使用的真实权重有偏差，而各分项的波动幅度可能会有差异，其结果是，直接从分项指标按权重合成上一层次指标时，可能会有系统性偏差。以食品与非食品项为例，食品项价格增速波动幅度明显高于非食品项，如果估测采用的食品权重过高，则会导致估测结果波动幅度系统性偏高，需要进行一定“折扣”调整。
报告其余部分结构安排如下。第二部分是对上述六点中前三点的进一步说明，包括预测思路的选择、权重体系的设定以及春节因素的量化说明。第三至五部分分别介绍食品项、工业消费品与服务项价格增速的预测方法。第六部分介绍CPI增速预测结果，并对预测效果进行检验。最后一部分是对进一步研究方向的思考。
二、预测思路、权重设定与春节因素的说明
2.1 预测思路的选择
对于CPI的预测思路，目前主流的有两种做法。一是按照CPI公布的八个项目分别预测。二是“食品+非食品”二分法。我们认为，基于至少两点原因，第一种思路可能会加大工作量。第一，项目分类可能发生调整，从而要求预测方法也要相应调整。2013年版《居民消费支出分类》包含的8大类，就跟2013年之前的城镇与农村农民消费支出调查8大类有所区别。第二，8大类中有些项目特征较为一致，例如服务项，普遍缺乏高频数据且季节性明显，如果分别预测则较为繁琐。
鉴于此，对于月度CPI增速，目前市场的主流方法框架是“食品+非食品”二分法，对应的估测方法是“高频+历史均值”二分法。但是，如前所述，非食品项的同比增速中枢不断抬升，传统的历史均值方法难以反映这种趋势性变化。从经验数据看，CPI服务价格的季节性要明显高于非食品项（图1与图2），1-2月虽然季节性规律较弱，但主要是跟春节错位因素有关，如后文所述，用春节因子进行调整后仍具有较明显的季节性规律。因此，如果将非食品项按消费品与服务项分别进行预测，应该能更好的反映CPI变化。
2.2 权重体系的设定
在“食品+工业消费品+服务”三分法框架下，权重体系涉及到两个层次，第一个层次是食品、工业消费品与服务三个分项的权重，可称为“一级分项权重”；第二个层次是每个分项内部对应的细分项的权重，可称为“二级分项权重”。
对于“一级分项权重”，由于CPI分项与消费资料数据均未提供，我们使用CPI增速及对应分项增速倒推。具体分为两步。第一，使用CPI同比、CPI食品同比与非食品价格同比增速可推测得到食品项与非食品项权重，使用CPI同比、CPI消费品同比与服务价格同比增速可推测得到消费品项与服务项权重。需要注意的是，考虑到CPI增速公布值只保留到小数点后一位，四舍五入原因导致个别月份可能会出现权重异常的情况，需要删除。第二，将食品项权重从消费品权重扣除后的其余部分，视为工业消费品权重。严格来讲，“工业消费品”并非CPI的项目，在目前的消费资料数据中也并未有对应项目，但有一些统计资料提到这一说法，后文再详细介绍。这样，可以得到食品、工业消费品与服务三个“一级分项权重”（图3）。
对于“二级分项权重”，主要来自居民消费资料，辅以投入产出表数据。跟据统计局的说明，CPI各分项权重根据城乡居民消费支出资料确定，具体包括了八个大类、39个中类与262个基本分类；每隔五年进行基期轮换，例如2016-2010年使用2015年的消费支出资料，2011-2015年使用2010年的消费支出资料。目前可公开获取的城乡消费支出资料的统计标准在2013年有过调整，之前是分别按城镇与农村统计，之后合并为统一的城乡居民收入与支出一体化调查。从项目数据的详尽程度看，2013年之前的农村消费支出与2013年开始的城乡居民一体化支出数据仅公布了八个大类分项的消费数据，只有2013年之前的城镇消费支出数据较为详尽，除了八个大类分项之外，还公布了一些重要的中类项目特别是食品的消费数据。考虑到城镇居民消费在全国居民消费中的占比非常高（图4），达到80%左右（以2012年投入产出表数据计算，城镇居民消费占全国居民消费支出比重78%左右；以社会零售规模计算，2017年城镇消费占比85%）。因此城镇居民消费支出结构基本可以代表全部消费的状况，可以作为CPI权重的基础资料来源。回溯检验结果显示，如果以城镇居民消费支出结构作为权重，将CPI分项加总，得到的拟合值跟实际值较为吻合（图5至图7），表明以其作为权重来源基础资料较为合适。对于城镇居民消费资料未能提供的部分分项权重，可以使用投入产出表中的最终消费支出数据测算。
2.3 春节因素的量化
众所周知，春节因素对于CPI通常有明显的上拉作用。我们认为，评估春节因素的影响对于CPI增速预测非常重要，不仅对年初（通常是1-2月）月度CPI增速（可理解为“短期预测”）结果有参考意义，而且对往后各月以及全年CPI增速中枢（可理解为“长期预测”）均有参考意义。原因在于，各月CPI同比增速大致可视为是连续12个月环比的累计结果，因此年初月份的CPI增速预测结果将直接影响之后各月份的CPI增速预测，进而对全年CPI增速中枢预测值都有比较大的影响。2016年与2017年是典型案例，在年初CPI增速低于预期后，市场对全年CPI增速中枢的预测相应下移，年初的CPI增速高低基本奠定了全年的增速幅度。因此，在年初预测时，无论是短期预测还是长期预测，春节因素的影响都值得关注。
处理春节因素的一个简单做法是，根据经验将春节当月的CPI增速给予一定的上修。但是，从实践来看，春节因素对物价的影响不仅仅局限于春节当日，而是在春节前后可能都会有所体现。对于不同的CPI细分项，春节因素的影响持续时间可能也有所差异。对于食品项，春节因素主要是通过需求扩大引起价格上涨，由于通常有高频数据可以跟踪，因此春节因素的影响通常可以铺捉到。但是，在春节假期期间，多数高频数据并没有公布样本点，由于春节假期食品价格通常较高，这会导致估测结果的偏误。对于工业消费品，春节期间供需两端通常变化并不明显。对于服务项，受春节因素影响较明显的是家庭务工与旅游两个分项，前者主要是因为务工人员返乡导致的价格上涨，后者主要是春节期间旅行增多导致的价格上涨。
概而言之，在传统“食品高频+非食品历史均值”框架下，对于食品项，春节因素主要是通过高频数据样本点问题影响预测结果，导致的偏差主要局限于春节假期期间；对于非食品项，春节因素通过供给与需求两端均会影响预测结果，导致的偏差不仅仅局限于春节假期期间，在假期之前或之后可能都会有所体现。鉴于此，我们建议将春节因素具体化，一是分为节前影响、节中影响与节后影响三部分，二是对于CPI各分项的影响具体化分析。
具体化的前提是定量化。一些研究以春节为中心，将每个阶段设定为相等天数（如10天、15天等）。我们认为，从实践看，“节后”天数要长于“节前”。例如，在北方许多地方，腊月二十三被视为过年开始，而正月十五才被视为春节的结束；又如，春运通常是春节前15天春节后25天、春节假期是从除夕到正月初六，均是春节后天数要超过春节前。参考春运期限，这里将春节前15天[1]到假期前视为“节前”，共计14天；春节假期为“节中”，共计7天；从春节假期结束到春节后25天视为“节后”，共计19天。除了更符合现实外，选择这一标准的另外一个好处是客观性，避免了每个阶段天数选择的主观性。
我们整理了2008-2018年的春节假期及春运起始时间，从中可以得到各年度“节前”、“节中”与“节后”的具体时间（表1）。按照这一分布，可分别计算落在各月的“节前”、“节中”与“节后”天数，与“节前”、“节中”与“节后”天数（分别是14、7与19天）相比，可得到各月份的“节前”、“节中”与“节后”因子（表2）。例如，对于2018年2月，从1日到14日为“节前”，对应的“节前因子”为1（14/14），从15日到22日为“节中”，对应的“节中因子”为1（7/7），从23日到28日为“节后”，对应的“节后因子”为0.37（6/19）；对于2018年3月，则从1日至12日为“节后”，对应的“节后因子”为0.63（12/19）。
三、食品价格增速估测
由于CPI变动主要由食品项推动，并且食品高频数据比较多，因此市场对CPI食品价格变动的研究已较为充分，前期我们也曾专门汇报过食品价格的预测方法（详见我们前期报告《利用高频数据预测CPI食品增速》，以下简称“原方法”）。本报告延续了当时的预测思路，但做了一些调整。第一，原方法的肉类、蛋类等分项的预测使用的是统计局50城主要食品平均价格数据，但自今年开始，统计局停止公布该数据，因此需要转而使用商务部及农业部等其他数据源。第二，商务部与农业部数据通常为批发价格指数，跟CPI所代表的零售价格之间尚有中间批发商的环节，我们发现，部分食品项目在春节期间以及部分月份的批发价格与CPI价格变化之间存在系统性差异，因此加入春节因素与季节性因素（用月份虚拟变量衡量）调整。第三，对于原方法预测效果相对较差的一些分项，更新了预测方法。
对CPI食品项的基本思路是“高频数据→食品分项环比→CPI食品环比→CPI食品同比”（图8）。具体分为四步：第一，计算各类食品分项的月度环比增速。根据CPI编制方法说明，统计部门在采集价格数据之后，首先需要计算月平均价格，在此基础上计算价格指数。根据这一思路，将统计局等部门公布的高频数据按月度简单平均，在此基础上计算得到环比增速。第二，确定各食品分项在食品中的权重。第三，根据八个食品分项的环比变动幅度与权重，加权得到月度食品环比。第四，根据上述食品环比与统计局公布CPI食品环比与同比历史数据，得到CPI食品同比预测值。
按统计局公布的月度CPI口径，食品主要包括八类：粮食、油脂、肉类、水产品、鲜菜、鲜果、蛋类、奶类，下面按各项分别说明。
3.1 粮食
粮食主要包括小麦、稻米与玉米。高频数据方面，统计局（2018年之前）公布了前两类粮食价格，商务部公布了三类粮食价格。统计局数据不再公布后，只能使用商务部数据。以粮食价格环比为被解释变量，三类粮食价格环比为解释变量构建回归模型，结果显示，玉米价格相关系数不显著，可能是因为玉米直接作为消费主粮的比重较低。因此，这里主要考虑小麦与稻米价格，对两者价格变动加权平均，可得到粮食价格变动的预测值。权重的基础数据取自于农村居民人均主要食品消费量，可获得1990-2012年数据。粮食消费结构比较稳定，小麦与稻米比重平均为32%与54%，标准化之后约为40%与60%。
相对于其他食品分项，粮食价格变动预测效果较差（图9图10），但由于粮食价格通常较为稳定，价格变动幅度（2014年以来环比通常在-0.3%至0.3%）比较小，并不会导致CPI整体预测结果有太大误差。以粮食3%左右的权重计算，0.3%左右的估测误差造成的CPI增速误差只有0.01个百分点左右。
3.2 油脂
油脂主要包括豆油、花生油、菜籽油与调和油。高频数据方面，统计局（2018年之前）提供了前三种油脂的价格数据，商务部则提供了四种油脂数据。原方法中，我们利用统计局三种油脂数据预测，权重来自于USDA提供的中国油脂使用量（图11与图12），并用对应油类的平均价格调整。统计局数据不再公布后，这里转而使用商务部数据。
考虑到调和油同时也是重要的油脂品种，并且其价格环比增速与CPI油脂价格环比增速的相关系数高达0.8，我们修正上述思路，具体分为两步。第一步是根据上述思路，得到前三种油脂的加权价格增速，根据最新数据，三种油脂权重大致是46.9%:20.7%:31.8%；第二步，构建回归方程考察CPI油脂价格变动与三种油脂加权价格、调和油价格之间的关系，同时控制季节性因素。我们认为，这种做法的好处有两点，一是可以利用USDA提供的较客观的三种油脂消费权重，二是可以纳入没有权重数据但与CPI油脂变动相关度较高的调和油。
即便如此，相对于其他食品分项，油脂价格变动预测效果较差（图13与图14）。但是，油脂价格变动幅度（环比通常在-1.0%至0.5%）与CPI中权重（1.0%左右）都比较小，并不会导致CPI整体预测结果有太大误差。以1%左右的权重、1%左右的估测误差计算，造成的CPI增速误差只有0.01个百分点左右。
3.3 肉类
肉类包括畜肉类与禽肉类，前者主要包括猪肉、牛肉与羊肉，后者主要包括鸡肉、鸭肉等。统计局每月公布的CPI增速除了肉类价格，还包括猪肉、羊肉与牛肉三类畜肉。高频数据方面，统计局（2018年之前）、农业部与商务部均公布了三类畜肉价格，其中统计局为零售价格，农业部与商务部为批发价格；另外，农业部与商务部还公布了白条鸡价格，其中商务部为零售价格，农业部为批发价格。
考虑到农业部与商务部公布的是批发价格，统计局公布的是零售价格且种类较全，原方法选取统计局数据为基础数据。在统计局数据停止公布后，我们只能使用农业部与商务部数据，通过比较发现，对于三项畜肉价格，均是农业部数据预测效果较好，因此预测三类畜肉价格时采用农业部数据。另外，在预测时加入春节因素和季节性因素能提高预测效果。三项肉价的春节节中因子显著为正，这跟春节假期期间高频数据普遍缺失有关。
四种肉类权重的基础数据取自于居民食品消费量结构。《中国统计年鉴》公布了农村居民人均主要食品消费量（2012年及之前口径）与全国居民人均主要食品消费量（2013-2014年口径），其中包括肉禽消费量以及其中的猪肉、牛肉、羊肉与禽类四项细分消费结构（图15），用对应肉类的平均价格调整后，可得到各年份相应肉类在肉类消费支出中的权重。各年份权重略有波动，2015年大致为55%:12%:9%:24%（图16）。从结果（图17至图24）看，肉类价格预测效果可以接受。
3.4 水产品
水产品的种类较多，商务部、农业部与统计局（2018年之前）分别公布了8、4、3种鱼类价格。原方法使用统计局的草鱼与带鱼价格预测，权重分别是40%与60%，但效果并不理想。本报告中，我们对这一思路调整。观察历史数据，CPI水产品价格环比增速具有较明显的季节性（图25），因此利用季节性规律与春节因素进行预测。新方案的预测结果（图26与图27）较原方法更为理想。
3.5 鲜菜
鲜菜包括的品种较多，农业部与商务部均公布了18类蔬菜价格，统计局公布了7种蔬菜价格。由于蔬菜种类过多且缺乏合理的权重构建方法，我们选取农业部蔬菜批发价格作为基础数据。回归方程结果显示，前者的系数约为0.8左右，并且春节“节中因素”有显著正向影响，少数月份有一定的季节性规律。得到的拟合结果与CPI鲜菜价格较为接近（图28与图29）。
3.6 鲜果
与鲜菜类似，各部门也公布主要种类水果的价格数据，其中商务部公布苹果、香蕉、鸭梨、葡萄、西瓜5种，农业部则公布水果批发价格指数。在原方法中，基于农业部水果批发价格得到的结果并不理想，使用商务部5种水果价格进行预测。我们发现，加入季节性因素后，农业部水果批发价格指数的预测效果明显提升，回归方程R2到达0.9左右，因此，这里转而使用农业部水果批发价格指数。与原方法相比，预测效果（图30与图31）有所改善。
与其他多数食品项不同，水果价格变动的一个特征是，批发价格与零售端销售价格增速的差值具有明显的季节性特征（图32）：7-9月份零售价格增速要高于批发价格增速，4-6月份零售价格增速要低于批发价格增速，另外，2月与11月也有类似现象。我们推测这一现象可能跟不同季节中间商行为的差异有关。假设水果消费需求较为稳定，那么零售价格变动应该也不会有明显波动；从批发端看，7-9月通常水果丰收，供应增加，同时批发商为了减少储存成本，倾向于较快销售出水果，因此批发价格增速低于零售价格增速；4-6月经过较长时期消耗后，水果库存量较低，批发商倾向于抬高价格。对这一逻辑尚需相关数据的进一步验证。
3.7 蛋类
使用农业部鸡蛋批发价格指数预测CPI蛋类价格。该指数变动趋势与统计局公布的CPI蛋类价格走势高度一致，但波动幅度明显超过蛋类CPI。回归方程结果显示，前者的系数约为0.5左右，并且春节节前因素有显著正向影响，少数月份有一定的季节性规律。结果得到的拟合结果（图33与图34）与蛋类CPI较为接近。
3.8 奶类
奶类及制品只有商务部周度高频数据，种类包括牛奶、酸奶、婴幼儿奶粉（国外品牌与国产品牌）与成人奶粉。回归结果显示，只有牛奶与统计局公布的奶类品CPI变动相关系数显著，因此，选取其作为预测值。相对于其他食品分项，奶类价格预测效果较差（图35与图36），但由于奶制品价格变动幅度（环比通常在-0.5%至1.0%）与CPI中权重（1.5%左右）都比较小，对食品预测结果的影响并不明显。以1.5%左右的权重计算，1.0%左右的估测误差造成的CPI增速误差只有0.015个百分点左右。
3.9 食品价格环比与同比增速
根据上述八个食品分项价格环比增速的预测值以及其权重，可得到CPI食品环比预测值。这里需要说明的是，CPI食品项统计时所包含的项目可能并不止上述八个分项，而是更多。按照统计局的相关说明，2011-2015年使用的基期是2010年，食品大类包括了16个中类，其内容包括：粮食、淀粉、干豆类及豆制品、油脂、肉禽及其制品、蛋、水产品、菜、调味品、糖、茶及饮料、干鲜瓜果、糕点饼干、液体乳及乳制品、在外用膳食品、其他食品；在2016年开始的基期轮换中，统计局将“茶及饮料”与“在外用膳食品”调出食品项。根据城镇居民消费支出资料，上述可利用高频数据预测的八个分项在食品中的占比仅是70%左右（表3），尚有其他项目（淀粉及薯类、干豆及豆制品、调味品、糖类与糕点类）缺失，无法使用高频数据预测。
对于无法用高频数据预测的项目价格变化，一个可行的观察思路是，假设其跟随八个可观测分项价格而变动，因而可将其视为是八个可观测分项价格环比的函数。进而，实际的CPI增速可视为是八个可观测分项环比加总值的函数。回溯检验显示，需要将八个可观测分项加总值进行一定调整之后，才能比较好的拟合实际CPI环比实际值。调整系数约为0.75左右（图37），这表明，无法用高频数据预测的项目价格变化幅度通常低于八项可观测分项。这与八个分项中的肉禽、鲜菜、鲜果价格波动幅度非常大的直观感受符合。
在得到CPI食品环比增速后，结合统计局公布的CPI同比与环比历史数据，可得到CPI食品同比预测值（图38）。从结果来看，无论是环比还是同比数据，预测值与统计局公布的实际值走势基本吻合（图39）。从食品分项看，猪肉、鲜菜、鲜果等分项权重较高且波动幅度较大，预测效果尚可接受，而粮食、油脂与奶类虽然预测效果相对较差，但由于权重较低或波动幅度较低，误差不会带来导致结果出现较大偏误。
四、工业消费品增速估测
严格来讲，“工业消费品”并非CPI的项目，在目前的消费资料数据中也并未有对应项目，但有一些统计资料能间接印证。例如，PPI的生活资料项目包括食品、衣着、一般日用品与耐用消费品，除食品外的其他三项可以视为是工业消费品。又如，2015年发改委发布的《全国重要消费品和服务价格监测报告制度》，提到的城市居民日用工业消费品至少包括烟酒、家庭日化用品、衣着类与家庭耐用消费品类。遗憾的是，虽然消费品价格按旬度在每月5日、15日、25日三次采集价格，但旬度数据并未公布，只公布了月度数据。
我们转而寻求其他方法预测工业消费品价格。第一种可能的思路是将工业消费品作为整体预测，在分离出CPI工业消费品价格增速后，考察其与其他相应的价格加总指数的相关程度。可利用的加总指数包括PPI生活资料（按主营业务收入权重扣除食品后）、义乌中国小商品指数、临沂商城价格总指数等，但预测效果均不理想。第二种思路是跟食品类似的“分项预测再加总”，先利用高频数据、领先指标与历史数据对可以观测的一些项目进行预测，然后再推测得到工业消费品价格增速。这里采用的是第二种思路。
根据权重与可用于预测增速的数据可得性，将工业消费品分为三类。第一类是同时可获得权重与高频数据预测的项目，包括酒类、服装、家用器具、交通工具用燃料；第二类是可以获得权重，无法获得可用高频数据但可获得CPI增速历史数据的项目，包括医药、交通工具、通讯工具等；第三类是无法同时获得权重与CPI增速（包括高频数据或者CPI增速历史数据），进而无法预测的项目。这里首先介绍前两类项目的预测过程，最后汇总得到工业消费品价格增速。
4.1 酒类
按CPI分类标准，酒类在2016年之前属于食品项，但2016年统计局将其调出出品项。可获取的高频数据包括发改委重要消费品调查数据（月度）、高档白酒（52度五粮液、国窖1573泸州老窖）供应商出厂价数据（不定期，调价公告日）、一号店（周度数据，包括红酒、白酒与啤酒）。一些研究曾采用泸州白酒批发价格指数预测，但2015年9月开始该数据从公开途径难以获得。
我们尝试新的预测思路。尽管发改委重要消费品调查数据并未公布高频数据，但公布了重要品种与规格的月度增速。通过相关性分析发现，无论是当期值还是领先值CPI酒类价格增速跟，52度高档白酒的相关性高达0.95-0.97（图40），而跟其他品种或规格的酒类价格增速相关性不高。基于这一发现，我们主要通过高档白酒价格预测CPI酒类价格增速。
高频数据中，高档白酒出厂价月均值跟CPI酒类价格增速的走势关联度不大，难以作为预测基础（图41）。可公开获得的一号店八种白酒数据中，除一种（西风酒）外，其他其中价格与CPI酒类价格相关度均超过0.7（图42）；以七种白酒价格月度同比增速六月移动均值为基础，可以比较好的预测CPI酒类价格增速（图43）。
4.2 服装
服装可获取的公开高频数据比较多，如中国大朗毛织价格指数、柯桥纺织价格指数、常熟男装指数、西樵轻纺价格指数、临沂商城价格指数_服装服饰等。但从结果看，上述数据的预测效果均不太理想。考虑到服装CPI环比增速具有较明显的季节性规律（图44），这里直接使用季节性规律预测CPI服装价格环比增速（图45），再预测同比增速（图46）。
4.3 家用器具
家用器具的构成比较复杂。按城镇居民消费支出中的家庭设备用品的统计口径，至少包括了耐用消费品、室内装饰品、床上用品、家庭日用杂品、家具材料等；按PPI生活资料的统计口径，包括一般日用品与耐用消费品。在CPI分项中，有“家用器具”项目，但细分项目并未公布，因此，这里将其作为整体进行预测。
可获得的相关高频数据或领先指标包括临沂商城价格指数、PPI生活资料（包括耐用消费品类与一般日用品类）、义乌中国小商品指数等。比较而言，临沂商城价格指数的预测效果较好。领先7-10期的临沂商城价格指数同比增速与CPI家用器具同比增速的相关系数最高，均超过0.9（图47），因此采用这四期同比增速均值预测（图48）。
4.4 交通工具用燃料
居民消费的交通工具用燃料主要是指汽油。对于汽油，发改委公布了最高零售指导价。按照现行成品价调整机制，国内成品油价格“十个工作日一调”，相应的汽油价格也是按此频率公布。我们首先计算得到汽油月度价格均值，然后再计算环比与同比增速。从结果看，预测效果比较好（图49与图50）。
4.5 中药/西药/交通工具/通讯工具/水电燃料
我们将这几类项目放在一起，是因为其具有一些共性特征，所采用的预测思路也相同。一是，有对应的CPI分项增速数据公布。二是，可以从居民消费或投入产出表得到权重。三是，尽管可以获取一些高频数据（如药品的康美中药材价格指数、广东药品价格指数、中国成都中药材价格指数，交通工具的永康五金市场交易价格指数_车及配件、临沂商城价格指数_汽摩配件及装具等），但预测效果并不理想，环比增速规律性也并不明显。四是在某些阶段同比增速具有明显的上涨或下行趋势。
我们使用历史环比增速均值作为环比增速预测值，然后再预测得到同比增速。从结果看，虽然几类项目的环比增速季节性并不明显（图51、图53、图55、图57、图59），但同比增速预测值与实际值的偏差并不算很大（图52、图54、图56、图58、图60）。其中的逻辑在于，同比增速可简单视为连续12个月环比增速之和，预测每月同比增速时，前11个月环比增速已知，误差的来源主要是当月环比与实际环比的差距。在增速处于明显的上升或下降趋势时，与过去11个月的环比累计增速值已反映了同比增速的大部分信息，与其相比，当月环比的测算误差并不明显。简而言之，这几类项目增速的“级别”比“精确”更为重要。
4.6 工业消费品价格同比增速
在估测得到上述分项同比增速之后，需要加总得到工业消费品价格同比增速。这需要解决两个问题。一是确定二级分项权重。二是估测实际的工业消费品价格同比增速，这是因为并未有专门的CPI工业消费品价格增速公布。相对应，这部分分为三步进行。
第一步，确定二级分项权重，得到加总后的工业消费品价格同比增速。如前所述，工业消费品“二级分项”可分为三类，权重的确定主要涉及到前两类，基础资料来自于两方面。一是城镇居民消费支出结构，包括酒类、服装、家庭器具、水电燃料。二是投入产出表的居民最终消费支出结构数据，包括汽油、中药与西药（投入产出表中为医药，假设中西药占比相等）、交通工具、通讯工具。最近可得的投入产出表是2012年，为提高数据获得性，使用的是139部门数据。需要说明的一点是，投入产出表中的居民最终消费支出与居民消费支出略有差异。根据定义，居民实际最终消费=居民最终消费支出+居民从政府部门和为住户的非营利机构部门获得的实物社会转移，实际最终消费与最终消费支出两者的区别主要在于对实物社会转移的处理上，前者主要是从住户部门“获得”的角度统计消费，后者更多是从住户部门“支出”的角度统计消费（详见我们前期报告《国民经济核算体系修订：背景、内容与影响》）。从规模上看，城镇居民消费支出总额要小于城镇居民最终消费支出额，相当于后者的比例在2000年是73.0%，2010年是79.7%，2005年数据缺失，假设为2000年与2010年的均值76.4%。由于投入产出表中的消费为最终消费支出口径，因此为了与其他项目权重资料来源（城镇居民消费支出结构）保持一致，各项权重需要除以上述比例，得到对应年份的权重（表4）。
第二步，推测实际的工业消费品价格同比增速。由于可以估测得到CPI中食品与工业消费品的权重，如果将消费品视为整体，就可以得到消费品中食品与工业消费品的权重。再根据CPI消费品价格增速与食品价格增速，就可以推测得到CPI工业消费品价格增速（图61）。
第三步，根据加总后的工业消费品价格同比增速与实际的工业消费品价格同比增速的拟合关系，最终得到工业消费品价格同比增速预测值（图62）。
五、服务价格增速估测
服务价格可供参考的高频指标非常少，可利用的预测思路是其季节性规律。通常而言，4、7、9月份服务环比价格会环比上升，最典型的旅游与教育。通常4月份进入旅游旺季，7月份进入暑假，旅游价格通常会环比上涨（图63与图64）；9月学校开学，学费上涨主要发生在9月（图65）。1、2月份通常服务价格环比高增，但波动比较大，主要是受到春节错位因素的干扰。一方面，春节期间由于务工人员返乡导致家庭服务价格明显上涨，另一方面，假期旅游增多也导致旅游价格上涨。
利用季节性，再加入春节因素调整，可预测CPI服务项的价格变动（图66）。从模型结果看，春节“节前”、“节中”与“节后”因素的影响并不一样，“节前”、“节中”影响显著为正值，“节后”影响显著为负值，综合影响为正，也与预期符合。在环比增速基础上，可得到服务价格同比增速（图67）。
六、CPI增速估测结果及说明
将食品、工业消费品与服务价格增速加总，可得到CPI同比增速预测值。通过回溯检验考察预测效果，共获得2014年10月至2018年11月共50个样本点。其中，预测值与实际值完全一致的样本点有18个，占比36%；误差为0.1、0.2与0.3个百分点的样本点分别有21、9、2个，占比分别为42%、18%与4%。换而言之，预测的最大误差为0.3个百分点；有超过1/3的预测结果和实际值完全吻合，误差在0.1个百分点及以内的分布频率接近80%（图68）。
与市场平均预测结果相比，上述方法预测效果较为理想（图69）。以Wind收录的市场平均预测值为例，这一区间的预测最大误差是0.8个百分点，预测误差超过0.3个百分点的比例是16%（图68与图70）。相比而言，本报告的预测结果走势与实际值更较接近，对应的准确率也提高近14个百分点，最大误差幅度也明显较窄。
七、对进一步研究方向的思考
即便本报告方法的预测准确性有一定程度提高，但一些样本点的误差仍然偏大，尚有改进空间。那么改进的重点方向在哪里？我们认为还是在食品项。如将各月预测误差值进行分解，可发现食品项是预测误差的主要来源。虽然CPI食品项的权重要明显低于工业消费品与服务项，但各分项对CPI增速的拉动率同时取决于权重与增速波动两个因素，由于食品项波动幅度较大，其增速预测偏差也高于工业消费品与服务项。因此，如果能提高食品项的预测准确度，则能更有效的提高CPI增速的预测准确性。
注释：
[1] 对于多数年份，腊月有三十，因此从腊月十五到除夕共计16天；少数年份没有腊月三十，从腊月十五到除夕为15天。这里为计算方便，统一设为16天。另外个别年份春节假期从正月初一开始，这里统一从腊月三十开始。
