宏观经济数据
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇宏观经济数据范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
宏观经济数据范文第1篇
今年3月工业生产比去年11月增长折年率19.7％。超过15.6％的正常增长率。1季度GDp环比增长7.4％。1季度出口额下跌量低于4季度下跌量。考虑到出口额已经下跌近1/3，未来几个月月度下跌额将继续减少，出口下跌对总需求的负面影响将逐月减小甚至消失。住房销售从2008年11月1400亿恢复到今年3月2500亿，相当于2007年8月的最高水平。以个人中长期贷款推断的房贷数据，与住房销售高度―致。过去5年住房销售近9万亿，房贷余额现在是3万亿多，说明房贷还款比例非常高。新增房贷平均相当于住房销售40％。每月归还上月末房贷余额2.3％，一年归还27％，相当于平均3年多还完房贷，这意味着银行房贷资产安全性非常高。―个原因是存贷款利差很高，贷款者尽量通过亲友借贷等非银行融资提前还贷；另一个原因是个人收入增速较高。
过去几个月贷款增长非常猛，尤其是3月贷款增加近19000亿。贷款增长预示经济需求将很快回升。跟11年前相比，上一次通货紧缩从1997年到2003年彻底走出花了5年时间，这一回差不多5个月已经发生明显改变。引起贷款猛烈增长和经济回复主要有两个宏观经济变量。―是企业资产负债状况，二是企业投资报酬率，还有对未来宏观经济的预期。
首先看规模以上工业企业负债率。1998年负债率是64％，数据本身不高，但当时很多企业没有留下充足的退休基金安排退休职工，这笔钱报表上不反映，但按道理应该算作企业的潜在负债。如果算上这一部分负债，当时企业平均负债率是70～80％，其中相当多企业是负资产。从商业银行角度就不愿意贷款，导致贷款收缩。后来经过一系列调整降低企业负债率，包括通过债务重组处理银行不良资产，以及通过财政安排退休职工，2001～2003年企业负债率降到57％。
另一个指标是净资产收益率。1998年净资产收益率是4％，税后净资产收益率是3％，而银行贷款利率9％，这种条件下经济必然下行。后来经过资产重组，投资报酬率恢复到9％以上，税后5～6％，勉强跟贷款利率持平，经济得以回升。
以2009年4月的前一年和2002年4月的前一年相比，2008年的情况好于2001年。2008年负债率57.4％，低于2001年的59.1％。2008年净资产收益率14.6％高于2002年的8.5％。
宏观经济数据范文第2篇
[关键词]大数据；宏观经济学；教学改革
doi：10.3969/j.issn.1673 - 0194.2017.06.162
[中图分类号]G642.0 [文献标识码]A [文章编号]1673-0194（2017）06-0-02
0 引 言
随着计算机互联网、移动互联网、物联网、云计算、社交网络等现代网络新技术突飞猛进的发展，人们通过网络浏览、搜索、购物等行为产生的数据日益增多，致使人们迈入了数据以大量性、多样性、价值性和高速性为特征的大数据时代。在我国，大数据已提升到国家战略的层面，国务院于2015年颁布的《促进大数据发展行动纲要》指出，“深化大数据在各行业创新应用”，在文化、教育等领域全面推广大数据应用和开展大数据应用示范。十八届五中全会通过的“十三五”规划纲要进一步提出了将“实施国家大数据战略，推进数据资源开放共享”。
目前，大数据及大数据技术已经渗透到经济、社会、生活的方方面面，并影响着人们的理念、行为和习惯，其中，本科高等教育也深受影响。随着大稻莸募铀俜⒄梗现代教学技术不断转型升级，出现了慕课、微课、翻转课程等新的教学方法，对传统的本科教学也提出了前所未有的新要求。如何追随大数据时展带来的深刻改革，对教师掌握日新月异的现代教学理念，提高教学效果具有重要的意义。国内已有学者探讨了大数据对应用经济学、国际经济学、财政学、统计学和管理统计学等课程教学的影响及相应的调整策略。尽管刘涛雄和徐晓飞（2015）、姜疆（2016）、申红艳 等（2014）探讨了大数据时代的宏观经济分析，但鲜有文献研究大数据对宏观经济学教学的影响。因此，本文拟在大数据时代探讨宏观经济学本科的教学改革。
1 宏观经济学传统教学模式中的问题
宏观经济学是经济管理类专业中一门承上启下的基础课程，是经济管理类硕士与博士研究生入学考试的必考课程。宏观经济学研究整体经济现象，解释同时影响许多家庭、企业和市场的经济变化，主要考察国民收入的决定与变动、短期的经济波动、长期的经济增长、就业、通货膨胀和国际收支等问题。当前大部分高校的宏观经济学还是采用传统的教学模式，存在诸如注重理论教学、轻实践教学；教学方式单一、学生自主学习意愿不强；考核方式偏向固定化等问题。
1.1 注重理论教学，轻实践教学
宏观经济学是理论性和实践性均比较强的一门基础课程，该课程的理论可以指导解决现实生活中的经济问题和现象。但在传统的教学中，主要以讲授抽象难懂的理论知识为主，如国民收入决定理论模型、IS-LM模型、AD-AS模型等，为了让学生能够理解清楚宏观经济学理论的内涵，任课教师往往会用大量的时间去讲解这些理论知识，尽管在一定程度上有利于学生掌握理论知识，但占据了太多的课堂时间、消耗了教师太多的精力，教师在课堂上基本没有多余的时间和精力区开展实践性教学。
1.2 教学模式单一，学生自主学习意愿不强
大多数高校的宏观经济学仍采用教师课前备课，课堂上讲授教材附带或自作的PPT，课后解答疑难问题单一的传统教学模式。这种教学模式以教师为主体，教师在课堂上讲授的内容是学生获取知识的主要途径，而且教师课堂讲授占据了大部分的课堂时间，留给学生在课堂上讨论的机会和时间并不多，学生在课堂上以被动听讲为主，导致学生自主学习意愿不强，这不利于提高学生提问、探索、思考问题的能力。传统的课堂教学深受时间和空间的限制，教师完全掌握了教学进度，学生基本上按教学大纲进行学习，自主安排学习的空间不多，这不利于激发学生学习的积极性。
1.3 考核方式偏向固定化
传统的宏观经济学考核方式主要以期末考试为主，课程成绩一般按照平时成绩（包括出勤、作业、课堂表现、期中考试成绩等）与期末考试成绩3∶7或4∶6的比例加权平均组成。这种考核方式尽管在一定程度上能够相对客观地检验学生掌握宏观经济学基本概念、原理和规律等内容的情况，但也可能存在教师在试题命题过程中因为没有为主观题和客观题设置合理的比例，而出现学生平时上课不认真听讲，通过考前死记硬背获得高分的问题，未能检验学生运用宏观经济学理论分析并解决问题的能力。传统的考核方式也未对学生的学习态度、实践能力进行考核。
2 大数据时代宏观经济学教学改革的探讨
大数据时代为宏观经济学教学带来了海量的数据和新颖的案例等资料，为宏观经济学课堂教学提供了既丰富又生动的素材，为推进宏观经济学教学改革提供了强有力的保障。在大数据时代，对宏观经济学教学进行改革，可以提高教学效率、激发学生学习兴趣、培养学生独立思考和解决问题的能力，更有利于经济管理类专业学生掌握宏观经济学基础知识，为学习国际经济学、金融经济学、财政学等后续专业课程奠定扎实的基础，并为参加研究生入学、政府机关、金融机构、高校等用人单位的招聘考试做好充分准备。
2.1 形成基于大数据的教学理念
大数据时代要求人们要形成大数据思维，同样，大数据背景下的宏观经济学课程教学改革也需要具备大数据的思维。为了形成基于大数据的教学理念，任课教师要紧紧跟随大数据时展的步伐，积极参加各种运用大数据改进教学的培训、进修，认真学数据时代先进的教学技术和方法，并不断将这些教学技术和方法引入宏观经济学课堂教学中。
2.2 多渠道丰富教学内容
第一，添加大数据时代的海量数据信息资料，丰富教学内容。传统的宏观经济学教学存在理论性较强的问题，在大数据时代，任课教师可辅之以海量数据信息资料来丰富教学内容。与纯粹理论知识教学不同，基于现实经济现象的数据案例教学更加生动有趣，更能激发学生学习的积极性，更有助于学生牢固掌握抽象的宏观经济学理论知识，并提高运用宏观经济学理论分析问题和解决问题的能力。比如，在讲授居民消费价格指数（CPI）时，可分别引入基于扫描数据、网络搜索数据、谷歌趋势（Google Trends）预测CPI等案例分析。宏观经济学课程中，所有章节的内容基本都可以通过互联网查找到大量相关的数据信息资料，利用这些资料可以更新、修订教学大纲、教案和讲义，有利于丰富教学内容，也有助于提高教学效果。
第二，增加运用大数据技术进行宏观经济分析的内容。在经济新常态下，我国经济发展面临着更加错综复杂的国内外形势和更加繁重艰巨的任务，因此，宏观经济决策对宏观经济分析提出了更高的要求。“十三五”规划纲要中指出“完善政策制定和决策机制：注重运用互联网、统计云、大数据技术，提高经济运行信息及时性、全面性和准确性”。因此，在大数据时代的宏观经济学教学改革有必要加入宏观经济分析。
传统的宏观经济分析主要通过对比宏观经济指标、构建宏观经济计量模型、仿真宏观经济动力系统，对宏观经济运行形势及其发展趋势加以判断和预测。大数据时代的数据规模大、类型多，拓宽了宏观经济分析所用数据信息的来源，并提高了数据信息获取的时效性。目前，国内外运用大数据的概念、方法和技术进行宏观经济分析的研究主要集中在宏观经济预测（尤其是现时预测）、宏观经济分析技术、宏观经济政策和宏观经济数据挖掘等领域。
第三，借助大数据时代媒体报道拓宽知识面。在学习教材的基础上，可推荐学生通过互联网；物联网；经济信息联播、经济半小时、经济信息联播等财经类电视节目；《21世o经济报道》《经济观察报》《金融时报》《经济学人》等报纸杂志的财经报道，多渠道关注宏观经济热点问题，拓宽学生的知识面。
2.3 加强实践性教学
培养学生熟练运用宏观经济学理论与方法分析国内外现实生活中的经济问题和现象是宏观经济学教学的目标。因此，任课教师在讲授理论知识和方法的基础上，更应注重实践教学。
大数据时代的宏观经济学本科实践教学，应当以培养学生的主动性和创造性为根本出发点，任课教师可以以宏观经济学理论知识和丰富的大数据资源为基础，结合与大数据相关的课题、论文，将宏观经济领域的研究思想、研究方法、研究前沿引入教学。具体而言，教师可通过引导学生如何观察现实经济问题进行选题，如何结合宏观经济学理论构建数学模型，如何查找和整理文献，如何搜集大样本的宏观经济数据，如何撰写学术论文并加以修改等方式增加研究性教学。鼓励学生积极参与到研究中，使学生在研究过程中不断学习和实践，培养学生独立思考的习惯，提高其研究学习能力。
此外，还可采取“走出去”与“请进来”相结合的战略开展实践性教学。“走出去”是指组织学生到当地的统计局、发改委、经信委等与宏观经济运行紧密相关的政府部门和互联网、金融、电信、零售等应用大数据的企业进行参观学习，加强与这些单位开展深入合作，建立校外实训实习基地，让学生真正参与宏观经济学实践活动。“请进来”是邀请这些单位既熟悉宏观经济学分析，又精通大数据分析的工作人员到学校为学生开展报告、经验交流座谈会。
2.4 采用“以学生为中心”的教学模式
大数据时代的在线教学平台、翻转课堂、微课、慕课，为实现宏观经济学教学模式，由“以教师为中心”转换为“以学生为中心”提供了保障。具体来说，教师可先根据课程标准和教学实践的要求，制作宏观经济学课程教学大纲，接着按照微课、慕课、翻转课堂等教学模式的要求，从学生学习需求的角度出发，将每章节内容制作成PPT、视频、练习题、测试题、讨论题、评分标准等资料，然后将这些资料上传至教学平台，为学生提供丰富的学习资源，也为学生提供更多自主学习的空间，这样学生可随时随地通过在线教学平台进行自主学习。
在线教学平台采用交互式的短视频学习模式，以10分钟左右的片段式多媒体视频为主，并在线完成配套的测试题，让学生在轻松有趣的环境下掌握枯燥无味的宏观经济学原理，有利于激发学生的学习兴趣，提高学习效率。在线教学平台为学生和教师、学生和学生、教师和教师之间搭建了交流平台，通过平台可以相互发表观点、交流意见、提问、解答等，有利于增加师生的互动，也有利于培养学生思考、分析和解决现实经济问题的能力。此外，在线教学平台会将学生的学习行为进行记录，并根据记忆退化曲线提醒学生哪些内容需要及时复习，进一步运用大数据技术对平台记录的学生信息进行分析，可提炼出学生的学习能力、性格特征、学习状态等信息，依此开展有针对性的个性化教育。
2.5 实施多元化考核
在大数据背景下，宏观经济学课程应采用多元化考核方式，既考核学生对宏观经济学理论知识的理解程度，也考核学生综合运用宏观经济学知识的能力，同时，也考核学生在线学习和参与宏观经济学实践教学等情况。如，其可根据教学平台记录学生完整的在线学习过程（包括每一个知识点内容的学习进度、完成配套练习和测试的情况，完成答题的时间、答题的熟练程度、答题的顺序和答题的次数等），并结合参加实践性教学的情况、对各部分内容掌握的情况、课堂表现、出勤等综合考核，给出合理的课程成绩以及相应的评价。
3 结 语
大数据时代的到来，为宏观经济学课堂教学提供大量的数据和丰富生动的案例等资料。在宏观经济学教学改革中，应紧扣大数据时展的脉搏，充分把握好大数据时代带来的有利条件，整合一切可以整合的大数据资源，合理运用翻转课堂、微课、慕课等新教学方法，更好地发挥大数据服务宏观经济学本科教学改革，不断提高教学效果。
主要参考文献
[1]白雪.大数据时代下高校应用经济学教学改革模式探析[J].经济师，2016（3）.
[2]方霞.教育大数据助力《国际经济学》课堂教学改革[J].金融理论与教学，2016（3）.
[3]卢盛峰.大数据背景下《财政学》本科教学改革探析[J].湖北经济学院学报：人文社会科学版，2015（2）.
[4]朱建平，李秋雅.大数据对大学教学的影响[J].中国大学教学，2014（9）.
[5]刘帆.大数据时代经管类专业管理统计学教学改革研究[J].中国管理信息化，2016（15）.
[6]刘涛雄，徐晓飞.大数据与宏观经济分析研究综述[J].国外理论动态，2015（1）.
宏观经济数据范文第3篇
从一个较长的时间维度来看，转型过程中传统的经济指标的确会系统性地高估或者低估经济现状。从而，我们需要对现有预测谨慎解读的同时，不断寻找更好的替代指标
今年二季度以来，宏观和中微观经济数据持续背离。宏观数据企稳而中微观数据表现不佳，为对未来经济形势的判断频添诸多分歧。从最新数据来看，我们持续监测的国信高频宏观扩散指数一改8月持续大幅下滑，在9月出现明显改善；9月统计局制造业PMI也与8月持平，未像市场预期那样继续下跌。在中国经济弱企稳迹象增加之际，宏微观经济数据也开始出现收敛。但经济数据的起伏不会影响我们研究的基本结论：当前中国经济正处于转型期，传统的经济指标对经济走势的指示意义可能会出现变化，并可能会出现一些失真。
高频数量指标的相关性在下滑
在预测工业增加值增速时，高频的发电量和用电量是常用指标。在著名的“克强指数”中，耗电量也是组成指数的三个经济指标之一，可见其在判断经济走向上的重要性。然而，今年以来基于电量增速预测的工业增加值方向时常出现一定偏差。例如，工业增加值于5月、6月的强劲反弹在耗电量上的表现并不显著，同样的宏微观背离也出现在部分其他上游资源品的量价上。
发电量和工业增加值相关性正在系统性下降。从图1中可以看出，2012年之前工业增加值和发电量增速之间的变动方向非常一致，波动幅度之间的相关性也较高，但2012年之后两者之间的波动同步性在减弱（图1）。进一步地，2012年三季度开始，两者的相关系数（剔除1月、2月）出现了非常显著的下滑，之前相关系数一直维持在0.9以上，但当前相关系数已经降至0.7。这表明发电量对工业增加值的解释能力正在出现系统性地下滑。
相关性下降的原因在于高耗电行业增速与整体工业增速不一致。从统计局公布的分行业电力消费量数据来看，2012年工业用电占比大概在72.8%，且呈下降趋势，这主要是由于第三产业和居民用电占比的提升。进一步细分来看，工业行业内部耗电量最高的五个行业依次是，电力热力生产和供应、燃气和水生产供应、黑色金属冶炼加工业、化学制造业、有色金属冶炼加工业，加总起来在工业用电量中占比在70%以上，其中前三项占比达到50%以上，而这五个行业的工业增加仅占总量的25%。这意味着，如果这些行业的增速和整体工业增加值的增速不一致，那么将会导致耗电量增速和工业增加值增速出现背离。例如，2009年工业增加值反弹，但发电量增速连续负增长，当时统计局给出的解释就是，能源密集型行业复苏步伐要落后于整体工业增速。
高能耗行业增速放缓导致发电量增速低估工业增加值增速。2012年以来发电量和工业增加值之间相关系数下降，这在某种程度上反映了高能耗行业增速的放缓。这集中体现在2012年以后发电量增速中枢相比工业增加值来说有着更加显著的下降上。而高耗能行业尤其是钢铁和其他金属加工行业增速放缓，主要是受到产能过剩的拖累。2012年在“4万亿”刺激消退后，上游资源型行业即进入去产能过程，增速持续走低，这对于耗电量增速的拉低程度要远远高于工业增加值增速。因此还是根据历史经验，用发电量增速来预测工业增速可能会出现低估。
高频价格指标的指示性在弱化
以价格作为监测需求变动的指标需要注意两个问题：一是勿将价格指标的季节性波动，视为终端需求的趋势性萎缩；二是产能周期和高库存的压制，会使价格指标对终端需求变动的反应更加迟钝。
需区分价格的季节性波动和周期性变化。市场需求存在季节性的上升和回落，这会导致销量和价格出现一定的季节性波动，但这不能理解为下游需求出现趋势性的膨胀或萎缩。以水泥为例，今年上半年水泥价格持续下行，但我们其实不太容易判定是否终端需求出现了明显下行。这是因为，历年一季度和三季度都是需求淡季，价格的环比表现都是下跌的。今年水泥价格变动除了3月和6月显著超出季节性规律以外，其他时间大体上仍符合季节性因素。但看水泥产量数据，上半年水泥产量同比增速持续下滑，6月滑落到2009年以来的新低，7月才有所反弹。这比较清晰地体现了上半年房地产投资萎靡，而基建投资对冲有限背景下，对上游水泥的需求是持续滑落的。但单从价格数据上，尽管可以看到3月和6月出现大幅下滑，但却不太容易得出水泥需求在持续萎缩这一结论。可见，产量数据可用同比调整季节性，但价格数据却不太容易做到这一点。
因此我们在用价格指标监测经济时需要进行一定的季节性比较。以动力煤价格为例。我们知道，动力煤下游主要是发电，因此其需求与用电高峰的夏季和冬季紧密联系。考察2004年-2013年动力煤价格的月度环比变化，三季度以及2月、3月会出现明显的环比价格下跌，夏季和冬季煤价则会出现稳定上涨。今年一季度动力煤价格的表现合并起来看比较正常，但二季度环比走势明显要弱于季节性规律。这与二季度一直讨论的发电量增速弱而工业增加值增速强的背离是一致的。但在解释7月以后的动力煤价格数据时要相对谨慎。由于动力煤消耗进入淡季，即使宏观面出现了一些积极的变化，但微观层面的动力煤价格表现可能仍然较为孱弱。
需关注产能过剩和高库存对价格的压制。供给端的产能过剩可能持续压低产品价格，使得微观价格不能有效地反映需求端的波动。2009年的“4万亿”刺激后，许多上游行业在2011年过后普遍存在产能过剩情况。例如，2011年开始采矿业固定资产投资增速逐步下滑，而粗钢产能利用率也在2010年达到高点后逐步下滑。 近几年去产能的进展一直不是特别理想，市场并未得到有效出清。这导致需求稍有改善，但很快被过剩供给所吸收，因此价格总体上仍处于下降通道，对经济波动的敏感性降低。
以动力煤和螺纹钢价格为例。2011年下半年开始动力煤价格持续走低，中间只在2013年11月到12月中旬出现一波明显反弹，但2013年的经济复苏却是从三季度就开始了（图2）。且该年11月和12月的价格反弹也很难区分究竟是季节性因素使然，还是需求趋势性好转。因此，动力煤价格对终端需求的指示意义也就大幅降低。
2011年下半年螺纹钢价格开始持续下滑。但相比动力煤来说，钢铁价格在下行周期中出现过几次明显的反弹，对应时期经济需求面出现一定好转。在终端需求和经济预期边际好转时，钢铁上下游均开始补库存，这会放大需求波动，进而对价格带来明显提升。但2011年以后，每次钢铁价格反弹的高度都在下降，今年上半年的微弱反弹几乎不可辨识。我们认为，这与去产能周期对企业库存调整的压制是密不可分的。在经济表现长期疲弱，企业预期偏向悲观时，即便经济出现短期回暖，对企业预期的提振效应也是有限的，进而企业补库存的动力也就付之阙如。企业库存周期的衰竭使得终端需求的波动不容易被放大，并反映在钢铁价格上。
高库存也会形成对价格的抑制，降低价格指标的指示意义。例如，2014年初以来，主产地山西的煤炭库存一路走高，当前的库存存量稳定在过去两年均值的两倍以上。这样，下游需求波动会很容易被高库存所吸收，而很难反映在价格上，从而导致产品价格的持续低迷。钢材价格上也存在类似的库存压制。今年初钢材的社会库存和企业库存均攀上高点，但最近库存下滑很快。结合近期煤炭和钢铁价格表现乏力来看，这意味着下游需求走强被库存下降吸收了，从而并未显著体现在价格指标上。因此，在高库存压力下，价格指标也不能充分而有效地反映需求的好转。
宏观回升亦不稳固
上文我们从中微观数据出发解读今年二季度以来的宏微观背离问题，认为中微观数据或许并未很好地反映宏观情形。下文我们从宏观数据出发，认为二季度以来的经济回升力度太弱，难以被定义为一次像样的反弹，最多只是在底部企稳徘徊。如果宏观层面上经济并未显著走强，那么中微观层面上经济表现疲软也就没有那么意外了。
从近三年比较看经济回升力度。2012年初中国经济开始迅速下滑，进入新的增长平台。工业增加值从14%回落至9%左右，并一直稳定在这一中枢附近，而GDP同比增速也一路回落至7.6%的平台并小幅震荡。回顾近三年的年内经济增长路径，均表现为年初经济下滑，政府稳增长措施启动，然后经济企稳的规律。但三次经济下滑面临的内外环境、政策力度和复苏时点都有着较为显著的差异。
2012年初，制造业和房地产投资同时大幅下滑，带动整体经济出现断崖式回落。于是基建投资增速开始稳步上行，9月单月增速攀升至25%。在货币政策上，央行在7月之前完成了两次降准降息。由于货币环境宽松，下半年房地产投资也很快开始企稳回升。在地产和基建投资回暖的叠加影响下，全年经济增速高点出现在四季度，工业增加值增速在12月达到最高值10.3%。
2013年二季度开始，由于反腐影响消费增速出现下滑，同时出口表现不佳。固定资产投资方面，由于上一年基数不高，房地产和制造业投资增速表现相对平稳，基建投资也维持在20%以上的高位。为维持经济增速，基建投资在7月和8月进一步提速，8月当月基建投资增速一度达到29%。而2013年经济高点在三季度出现，工业增加值增速在8月达到10.4%的高位。
2014年与2012年更像，年初以来房地产和制造业投资均出现下滑。两者的累计同比增速均已低于2012年的最低点。虽然消费表现平稳，出口有所改善，但是难以改变经济下行趋势。二季度基建投资增速开始回升， 5月同比增速高达27%。于是，工业增加值阶段性高点出现在6月，但也仅仅达到9.2%，远低于前两次经济反弹的幅度。从过去两年经验来看，稳增长效果一般只能持续一个季度。在基建投资增速回落的背景下，8月工业增加值增速大幅下挫，也表明二季度经济只是一次短暂的企稳。
简单梳理近三年数据可以看出中国经济明显缺乏内生动力。最近三年，消费、房地产和制造业投资逐步下台阶，其中任何一个出现滑落，都需要基建托底；而受制于发达经济体复苏空间有限，中国出口增速始终维持在个位数，对经济提振意义有限。由此导致的一个结果就是，稳增长政策的推出时间逐步提前，2012年在四季度，2013年在三季度，2014年则在二季度。
与过去两年相比，今年经济平滑空间更加逼仄。一是房地产投资持续下滑趋势难以根本逆转。2012年房地产投资很快出现复苏，2013年房地产投资表现平稳，今年则难以看到房地产投资的回升。即便各地竞相放开限购政策，央行也最终放开限贷闸门，虽会给房地产市场带来短期提振，但可能无法改变房地产投资向下调整的格局。二是基建投资的对冲力度和持续性相对有限。土地出让金的锐减，地方政府性债务的治理，都令地方政府的钱袋子更加捉襟见肘。于是，二季度工业增加值无论是同比还是环比增速都要显著低于2012年和2013年并不令人奇怪。
从趋势上来看，2012年8月和2013年6月，工业增加值增速均出现较为明显的反弹，且可持续一个季度以上。但今年4月后工业增加值增速反弹幅度和持续长度都不够明显，8月又再次令人意外地转头向下。就此而言，二季度的经济回升很难定义成一次反弹，最多只能说是底部企稳。这就意味着，从总量上来说，内需仍是疲弱的，这有助于解释年初以来中国进口数据和中微观指标的不佳表现。
从工业增加值增速看行业分化。工业增加值中，与房地产投资相关性最高的非金属矿物制造业（主要是水泥和其他建筑材料），年初以来增速一直维持在低位。在基建投资中占比较高的铁路道路运输业（主要是城市轨道交通），所对应的工业增加值中的铁路等运输设备制造业增速则持续走高。还有很多行业同时受到基建和地产投资的影响，很难完全区分哪个影响更大。但在固定资产投资总体疲软背景下，都难有太好的表现。例如，钢铁下游同时对应着地产和基建，与钢铁相关的黑色金属矿采选业和黑色金属加工业表现各异，采选业累计同比增速有所回暖，但加工业累计同比增速仍在下滑，但两者绝对水平都处于较低位置。
传统的出口导向的纺织服装行业和化学纤维制造业上半年增速有所反弹，占据出货值很大比例的计算机通信电子设备业整体工业增加值增速也较为平稳。而由于消费增速连续下台阶，工业增加值中下游消费相关行业表现并不理想。将工业增加值中相关消费行业累计增速加权平均，可以看出年初以来增速出现了进一步下滑，这与消费增速下降是一致的。
宏观经济数据范文第4篇
[关键词]纳税评估；指导；宏观经济发展
税收评估不仅是对税收结构及变化进行科学分析，指导税收工作，更好地发挥税收在经济社会发展过程中的重要作用，还能够科学反映经济社会各部门发展状况，对于指导宏观经济发展具有十分重要的作用。但税收评估相对复杂，在指导经济发展方面还不可避免的存在很多问题，比如缺乏科学的评估方法、应用指导机制不健全、对大数据等信息技术的应用能力不足、缺乏专业化人才团队等，因此要采取有效的措施，更好地应用税收评估指导宏观经济发展，提升税收与宏观经济发展之间的协调性。
一、应用税收评估指导宏观经济发展的重要意义
(一)确保宏观经济增长目标顺利实现
税收总量、结构等都与宏观经济增长目标具有重要关系，而宏观经济增长目标是国家在充分考虑各项因素基础上提出的，能否顺利实现宏观经济发展目标直接关系到经济社会及财政税收等各方面发展。因此，应用有效的税收评估指导宏观经济发展可以明确我国各产业、各部门内的经济增长点，对于发展趋势进行有效的预测，可以明确具体的经济增长目标，并将其进行细化，针对具体目标指标采取相应的支持和发展政策，进而可以顺利实现宏观经济增长目标。
(二)促进宏观经济高质量发展
我国经济已经是由高速发展迈向了高质量发展阶段，而优化税收结构、提升税收收入质量成为实现宏观经济的高质量发展的重要保障。所以，通过应用税收评估，明确税收的具体结构，以此确定宏观经济中各部门的发展潜力和市场空间，进而制定和实施必要的支持政策提供依据，使得那些技术密集型、资金密集型、知识密集型以及战略新兴产业能够得以快速发展，进而优化了宏观经济发展结构，为宏观经济高质量发展奠定必要的基础。
(三)有效激发市场活力
我国经济在经历高速发展之后，逐渐进入新常态，供给侧结构性改革战略的稳步推进为我国经济的稳步高质量发展提供了重要保障。全面激发市场活力成为宏观经济发展的重要基础，税收评估可以通过对市场主体的纳税申报进行有效分析，通过实施减税降费等优惠政策扶持市场主体的发展，进而降低企业的税费负担，充分释放税费改革红利，提升其发展活力。由此可以看出，通过应用税收评估指导宏观经济发展过程中可以更加有效的激发市场活力，为宏观经济的高质量发展提供更多的保障。
二、应用税收评估指导宏观经济发展面临的问题
(一)缺乏科学的税收评估方法
在财政收入中，税收占据绝对比重且该比重不断上升，成为国家主要的财政来源，直接影响着国计民生，是一个国家宏观经济发展水平和综合国力的重要体现。近年来，我国在税收评估方面做出了巨大的努力，各地区税务机关通过组建专门的税收评估部门，借助系统软件对税收结构、风险、增长变化情况等进行分析。但从税收评估指导宏观经济发展的角度来看，当前的税收评估方法还相对落后，缺乏对税收及宏观经济发展过程中各项因素的充分考量，其内容相对单一，没有充分考虑到宏观经济发展对税收评估工作带来的影响，也没有根据经济发展对税收评估工作进行改进，因此导致税收评估在一定程度上脱离了宏观经济发展实际，所以其对宏观经济发展的指导作用受到限制。
(二)缺乏完善的应用指导机制
税收与宏观经济发展之间具有紧密关系，宏观经济是税收的基础，税收是宏观经济发展的重要结果，两者相互影响相互促进。通过税收评估指导宏观经济发展涉及到诸多层面的内容，但由于缺乏必要指导机制，因此其指导作用相对有限。首先，在进行完税收评估之后，如何将其结果顺利应用到宏观经济发展指导过程中，如何实施这些指导性的政策，如何确保指导政策的有效性等成为摆在当前的重要问题。同时，在税收评估标准制定和选择方面是否可以满足宏观经济高质量发展的要求，这也是值得商榷的。目前，制定和实施完善的应用指导机制成为借助税收评估指导宏观经济发展的关键所在。
(三)对大数据的应用能力不足
大数据时代的到来对各行业发展产生了重要影响，也直接推动了我国宏观经济的发展，同时也影响了税收评估工作，为其带来了新的评估手段。但当前在进行税收评估过程中，还缺乏对大数据等信息技术的应用能力，现有的评估方法、模式和系统等都显得相对传统，且很多时候需要进行人工操作，不仅降低了税收评估的效率，也影响了评估结果的准确性。另外，在具体的税收评估过程中，其信息化和智能化水平较低，难以借助信息技术手段对宏观经济发展和税收变化中的各项影响因素进行分析，因此导致税收评估的可靠性受到影响，进而降低了税收评估对宏观经济发展的指导作用。
(四)缺乏专业化人才团队
税收评估工作是税收经济分析的重要工作内容，涉及到税收组织收入构成中的诸多内容，其复杂性较高，因此需要专业化的人才团队。而税收评估在指导宏观经济发展方面的应用也具有较强的专业化，同样需要专业人才的推动。当前，人才不足成为摆在应用税收评估指导宏观经济发展的重要瓶颈。相关部门对现有税收评估人员的专业化培训力度不足，没有针对税收评估指导宏观经济发展方面进行核专业化的培训教育。其专业能力和综合素质得不到持续提升，难以有效应对宏观经济发展对税收评估提出的各项要求，因此其在税收评估方面的专业性不足，评估结果的应用性存在欠缺。另外，相关部门对税收评估专业人才的引进不足，大部分人员都是从其他部门或岗位调整而来，非科班出身，因此其专业能力存在先天不足，在税收评估及其应用方面难以发挥专业人才作用。
三、应用税收评估指导宏观经济发展的对策建议
(一)创新税收评估方式方法
近年来，为全面激发市场活力，减轻企业负担，助推新兴产业的发展，国家不断出台一系列的减税降费政策，各类政策及税收征管还处于改革过程中，对宏观经济发展具有重要的影响作用，从而对税收评估提出了更高水平的要求。所以，需要创新税收评估方式方法提升税收评估的科学性和准确性。首先，相关部门要转变传统税收评估理念和方法，提升对税收评估的重视度，将其视为反映宏观经济发展质量、促进宏观经济发展的重要举措。其次，要全面更新税收评估的软硬件设备，在原有系统基础上，将宏观经济发展和税收评估相关影响因素纳入其中，确保税收评估分析数据的全面性，以此改进税收评估结果，更好地指导宏观经济高质量发展。
(二)完善应用指导机制
税收评估在指导宏观经济发展方面需要完善的应用指导机制作为保障，以此发挥其应有的作用。在完善应用指导机制方面，要首先明确税收评估的目标，就是要通过税收评估结果来评价宏观经济发展质量，并找出宏观经济新的增长点，比如新兴产业和企业，以发挥其对经济的带动作用。所以在要在此基础上制定相应的支持和应用政策，将那些具有战略指导价值的税收评估结果应用到宏观经济相关产业行业中。同时要对这些支持政策的应用结果进行科学考核与评估，比如在刺激经济增长方面的成果等，以此作为改进和完善税收评估对宏观经济发展指导机制及支持政策的重要基础和依据，更好地发挥税收评估在指导宏观经济发展方面的重要作用。
(三)强化对大数据的应用能力
信息技术的快速发展迎来了大数据时代，其对各项税收工作及宏观经济发展都带来了巨大的机遇，因此强化对大数据等信息技术的应用能力是提升税收评估对宏观经济发展指导能力的关键。首先，在进行税收评估过程中，要树立大数据思维，摒弃传统的数据评估理念和方法，充分借助大数据、人工智能等信息技术手段，对税收征管及宏观经济发展过程中的各项影响因素数据进行广泛的收集、分析、整理、储存，形成税收评估信息数据库，在开展各项税收评估过程中强化对数据库的共享，以便于提升税收评估的科学性和准确性。同时要借助大数据等信息技术对各行业发展情况与税收情况进行对比分析，以便于明确两者之间的关系，为税收评估提供实时性的数据支持，也更好地发挥其在指导宏观经济发展方面的作用。
(四)构建专业化人才团队
当前，人才已经成为各行业发展的关键性资源，税收评估工作本身具有较强的专业性，其在经济发展中的应用更是需要专业人才的推动。因此，构建专业化人才团队显得十分必要。首先，要根据税收评估工作的实际需要和现有从业人员专业能力和综合素质的差异性，对其税收评估人员进行专业化的培训，使其掌握最新的税收评估方法，在税收评估实践中不断提升专业能力和综合素质。另外，要根据税收评估在指导宏观经济发展过程中可能面临的问题，吸引外部专业人才的加入，实现对现有人员团队的有效补充，优化知识结构和能力结构，打造一支专业化能力强、综合素质高的人才团队，为更加有效地应用税收评估指导宏观经济发展提供强大的人才保障。在宏观经济发展过程中，税收评估工作显得十分必要，不仅可以实现对税收本身的评估，还能够为宏观经济发展提供必要的指导。税收与宏观经济发展之间具有必然联系，通过科学税收评估能够确保宏观经济增长目标顺利实现，同时能够激发市场活力，实现经济的高质量发展。从研究来看，可以从创新税收评估方式方法、完善应用指导机制、强化对大数据的应用能力和组建专业化人才团队等方面出发，强化税收评估对宏观经济发展的指导作用。
[参考文献]
[1]齐波.论财税工作在社会经济发展中的支撑作用[J].中国集体经济,2021(3):101-102.
[2]李娜.浅析财政税收对市场经济发展的作用[J].中国集体经济,2021(3):109-110.
宏观经济数据范文第5篇
1．1样本选取
为了排除上市企业IPO盈余管理和利润操纵因素的影响，笔者从上市时间距离研究点超过4年的上市企业中选取样本。将因财务状况异常而被特别处理的ST企业作为财务状况危机企业，非ST企业作为财务状况正常企业，从沪深两市中选取2007—2011年因财务状况异常而首次被ST的A股制造业上市企业，共89家;按1∶1比例从沪深两市中随机选取同时期同行业的89家正常制造业上市企业作为配对企业。这178个样本中，把2007—2009这3年共116个样本作为建模样本，用来构建预测模型，2010和2011年共62个样本则作为预测样本，用来检验预测模型的有效性和准确性。
1．2变量选取
由于宏观经济涉及面广且复杂，全面综合考虑所有因素既不经济也不可行，因此笔者根据国内外相关学者的变量选取情况采用文献回顾法初步选取了以下11个相对数据的宏观经济变量:GDP增长率g1、CPI变化率g2、PPI变化率g3、工业增加值同比g4、M2同比增长率g5、M1同比增长率g6、利率的变化率g7、利率g8、社会消费品零售总额同比g9、同业拆借加权平均利率g10和失业率g11。为便于选取，笔者以2004—2011的32个季度11个宏观经济变量数据为基础进行宏观变量的筛选。财务变量的选取需要全面反映企业的财务状况，结合国内外研究情况，初步选取了能够全面反映企业偿债能力、盈利能力、风险水平、现金流量能力和营运能力的24个财务变量，具体如下:①盈利能力:账面市值比x1、资产报酬率x2、销售净利率x3、营业利润率x4、净资产收益率x5、总资产净利率x6、留存收益资产比率x7和每股收益x8;②现金流量能力:固定资产比率x9、债务保障率x10、现金流量利息保障倍数x11和每股经营活动现金净流量x14;③风险水平:财务杠杆系数x12和经营杠杆系数x13;④偿债能力:流动比率x15、速动比率x16、营运资金对资产总额比x17和资产负债率x18;⑤营运能力:应收账款周转率x19、流动资产周转率x20、存货周转率x21和总资产周转率x22;⑥发展能力:营业收入增长率x23和总资产增产率x24。笔者采用第t－2年的财务数据来预测企业第t年的财务状况。首先对变量进行单变量组间均值相等检验和F值检验，剔除对ST企业和非ST企业分类不明显的变量。对于ST企业和非ST企业来说，所处宏观经济环境都一样，因此只需对财务变量进行均值检验和F值检验。其次，对选取的11个宏观经济变量和通过均值检验的13个变量分别进行因子分析，以克服量间的多重共线性并选取影响较大的代表性因子，具体如下:(1)进行球形度的KMO与Bartlett检验，检验结果如表2所示。由表2可以看出，宏观经济变量和财务变量的KMO值分别为0．582和0．785，均大于0．5，且球形Bartlett检验显著性水平均为0，小于0．05，说明宏观经济变量之间及财务变量之间适合进行因子分析。(2)从方差贡献率角度考虑这些因子的影响，因子旋转后的特征值和方差贡献率如表3所示。由表3可以看出，宏观经济变量因子分析的前3个因子特征值均大于1且累计方差贡献率达到82．104%，大于80%，可以选取这3个因子代替原始宏观经济变量，且不会造成大量的信息损失;财务变量因子分析的前4个因子特征值均大于1且累计方差贡献率达到82．280%，大于80%，可以选取这4个因子代替原始财务变量，且不会造成大量的信息损失。(3)因子载荷矩阵如表4所示。其中，Gi为宏观因子i，Fj为财务因子j。表4中的数值为具体因子载荷值(这里只保留了大于0．5的载荷)，分析这些数值可知，宏观因子G1主要反映了通货膨胀情况，宏观因子G2主要反映了国家货币供应情况，宏观因子G3主要反映了国家工业发展情况，这3个因子涵盖了所有11个宏观变量，因此用这3个因子代表宏观经济变量是合理的;财务因子F1和财务因子F3主要反映企业的盈利能力，财务因子F2主要反映企业的偿债能力，财务因子F4主要反映企业的风险水平，这4个因子涵盖了所有13个原始财务变量，因此用这4个因子代表企业财务变量是合理的。数据均来源于国泰君安数据库。以上数据处理均通过SPSS18．0完成。
2实证分析
2．1建立模型
分别用判别分析、Logistic回归和BP神经网络3种方法建立财务风险预警模型，并用各个模型对样本进行预测，对结果进行比较分析。判别分析法是对研究对象所属类别进行判别的一种统计分析方法。判别分析的过程是根据已知测量的分类(0，1)和表明观测量特征的指标变量，推导出判别函数，根据判别函数对观测量所属类别进行判别，对比原始样本的分类和按判别函数所判的分类，计算出预测准确度和错分率。Logistic回归模型是对二分类因变量进行回归分析时使用最普遍的多元统计方法。它使用最大似然估计法，求得相应变量取某个值的概率。如果得出的概率大于设定的分割点，则判定该企业将陷入财务危机。Logistic回归对于变量的分布没有具体要求，适用范围更广。BP神经网络是目前最常见、应用最广泛的一种神经网络。BP网络能学习和存储大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络模型拓扑结构包括输入层、中间层(也称隐层)和输出层。输入信号先向前传播到隐节点，经过变换函数之后，把隐节点的输出信息传播到输出节点，经过处理后再给出输出结果。节点的变换函数通常选取Sigmoid型函数。
由于宏观经济环境是所有企业共同所处的环境，企业对宏观经济环境可能存在一定的超前或滞后的反应，因此在研究宏观经济变量对企业财务风险的影响时，应考虑使用宏观经济变量的期限，以确保预测模型最优。该项研究采用限制相对自由的Logistic回归方法，研究计算通过SPSS18．0统计软件中的Logistic工具完成。经过Logistic回归，可分别得到基于t－3年、t－2年和t－1年的宏观经济Logistic回归模型4～模型6，模型中的变量如表5所示。从上述3个模型中各变量显著性水平来看，模型4中各变量的显著性水平均优于另外两个模型，即加入t－3年的宏观经济数据对预警模型的优化效果最明显，这说明我国企业对宏观经济势的反应存在一定的滞后性，因此在预警模型中加入t－3年即超前于财务数据一期的宏观经济数据是最合适的。以下分别用判别、Logistic回归和神经网络3种方法建立财务风险预警模型，每种方法都建立只含财务变量模型和加入超前财务数据一期的宏观经济变量两种模型。建立前者模型时，把第二部分得到的F1、F2、F3、F4这4个财务变量因子作为输入变量;建立后者模型时，把第二部分得到的F1、F2、F3、F4这4个财务变量因子和超前财务变量一期的G1、G2、G3这3个宏观经济变量因子共同作为输入变量。通过SPSS18．0可分别得到基于财务变量判别模型式(1)和基于宏观经济变量判别模型式(2)，以及基于财务变量Logistic回归模型式(3)和基于宏观经济变量Logistic回归模型式(4)。运用BP神经网络进行财务风险预警时，输入层节点数为变量的个数，隐含层经过反复测试，最终确定为30个节点，输出层节点数为1，即企业的财务状况，输出0表示财务状况正常，输出1表示陷入财务困境。BP神经网络研究计算通过Matlab7．1软件完成。训练函数选用trainlm，设置最大学习次数为1000次，目标误差为0．05，学习速率为0．08。
2．2预测结果及分析
用以上3种方法建立的模型对预测样本进行预测，预测结果如表6所示，其中1代表ST企业，0代表非ST企业。通过表6可以得出以下结论:(1)基于宏观经济预警模型的预测准确度高于基于财务变量预警模型的预测准确度。但基于宏观经济预警模型对预测样本的预测准确度与基于财务变量预警模型对预测样本的预测准确度一样，均低于对建模样本的预测准确度，这说明在预警模型中加入宏观经济变量对企业财务风险预警模型能起到一定的优化作用，但预测本身的滞后性仍无法避免。(2)基于宏观经济预警模型的预测稳定性高于基于财务变量预警模型的预测稳定性。从表6可以看出，基于财务变量预警模型对预测样本和对建模样本的预测准确度变化率均有所降低。这说明在预警中加入宏观经济变量，预测准确度下降幅度有所减小，模型较稳定。(3)基于宏观经济预警模型更全面地反映了影响企业财务风险的各种因素。从模型自身来看，在不考虑宏观经济因素的情况下，对企业财务状况影响最大的首先是盈利能力，其次是企业自身风险水平和偿债能力;而在考虑宏观经济因素后，对企业财务状况影响最大的除盈利能力和偿债能力外，不容忽视的外部影响因素是代表整个国家工业发展情况的G3因子，且与企业发生财务风险概率的大小呈负相关。(4)从分类预测结果来看，在判别和Logistic回归预警方法下对建模样本预测准确度与预测样本预测准确度进行比较，加入宏观经济变量前后模型的第一类错误率都是增大的，第二类错误率都是减小的。但神经网络方法下两类错误率都是减小的，这与神经网络自身方法的特点有关。神经网络对实际系统的拟合精度只取决于网络自身结构特性及网络学习参数的确定，而与实际系统的维数无关。(5)在这3种预警方法中，神经网络预测结果最优，判别预测结果最差。从表6可以看出，无论在预警模型中是否加入宏观经济变量，无论是建模样本还是预测样本，模型预测准确度依次为BP神经网络优于Logistic回归，Logistic回归优于判别模型。这说明在对企业财务风险进行预警时，应该优先考虑BP神经网络方法，为以后企业财务风险预警方法选择提供了参考依据。
3结论
