今天百科互动给各位分享广发宏观郭磊:出口超预期，降低总量下行风险的知识，其中也会对广发证券首席经济学家 郭磊进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录：
哪些行业在拉动工业增加值？
第二，哪些行业在拉动工业增加值？和上月比较，专用设备、通用设备、电气机械、 汽车 、非金属矿造（水泥）、农副食品加工等行业改善明显。此外和出口环节信号一致，微型计算机产量增速大幅上升。这些行业表现背后包含几条宏观线索。
第四，地产销售情况基本符合预期，单月销售增速恢复至-2.1%。可能包含对疫情停摆期的回补效应，新开工和拿地上升明显较快。施竣工则继续沿着施工回落、竣工回升的既定趋势，但相对变化不大。
第五，消费降幅继续收窄。其中餐饮仍是-30%负增，未来改善空间更大些。零售有三个领域比较抢眼：粮油食品继续近20%高增长；通讯器材（手机）进一步加快至12.2%； 汽车 零增长但较前三个月-30%增长大幅好转。此外必选消费、地产系耐用消费品也均有改善。
第六，就业一般略滞后于经济，本月城镇调查失业率有所上升。今年就业压力来自于三个层面，可能贯穿全年。所以政策也比较明确或隐把“保就业”作为六保之首。
第七，3-4月经济处于比较典型的“恢复期”，基本上所有行业都较1-2月“停摆期”改善。后续总量数据可能会进一步上升，但同时伴随结构性分化：基建预计将继续改善，消费多数领域将继续好转，地产、出口领域则可能会徘徊摇摆。关注经济的结构性线索。
和发电耗煤等指标指向一致，4月工业数据继续改善；服务业生产指数降幅收窄，但仍在负增区间。这也意味着4月隐含的实际GDP增速在回升，但幅度低于工业增幅。4月六大集团发电耗煤增速从3月的-20%收窄为-13%，而今日公布的4月发电量增速从3月的-4.6%回升至0.3%。与这两个数据基本对应的是，工业增加值从3月的-1.1%上升至于3.9%。
4月服务业生产指数从-9.1%降幅收窄至-4.5%，也趋势改善。服务业恢复程度整体低于工业，特别是餐饮、交运、批零三个行业形成下拉，所以目前仍在负增长区间。5月第一周发电耗煤和30城地产销售已恢复至去年同期的97.5%，而全国餐饮、住宿行业消费规模仅恢复至去年同期70%左右； 旅游 市场恢复至同期的50%。
这个结构意味着4月隐含的实际GDP增幅大概率要低于工业增加值增幅（除相对较稳定的农业外，GDP的构成主要是工业、建筑业和服务业）。
哪些行业在拉动工业增加值？和3月比较，专用设备、通用设备、电气机械、 汽车 、非金属矿造（水泥）、农闭团禅副食品加工等行业改善明显。此外和出口环节信号一致，微型计算机产量增速大幅上升。这些行业表现背后包含几条宏观线索。如果看工业增加值的行业结构，有一类是增速一直较高的，比如计算机通讯和其他电子设备；有一类是整体低增和负增的，比如纺织服装、电力热力。
和3月比较，专用设备（4月14.3%，3月-2.2%）、通用设备（4月7.5%，3月-5.4%）、电气机械（4月9%，3月-0.4%）、 汽车 （4月5.8%，3月-22.4%）、非金属矿造（4月4.2%，3月-4.5%）、农副食品加工（4月3%，3月-4.8%）等行业同比增速改善明显。
计算机通讯和其他电子设备4月增长11.8%，高于3月的9.9%。其中智能手机（4月-2.0%，3月-0.7%）、移动通讯手机（4月-15.2%，3月-9%）产量4月同比增速低于3月；集成电路（4月29%，3月20%）产量同比增速高于3月；微型电子计算机同比增速上升迅猛（4月26.2%，3月0%）。
这一点和出口信号一致。4月出口的“自动数据处理设备及其零部件”（平板电脑、笔记本电脑等）大幅反弹，我们理解反映的是疫情期间隔离和线上办公这一“场景需求”的暴增。
简单来说，4月带动工业增轿尘加值的行业可能来自于几个线索：
第一，基建项目升温，所以通用设备、专用设备、非金属（水泥）等行业的生产端发力。
第二，耐用消费和部分必需消费修复，所以 汽车 、电气机械（家电部分）、农副产品加工等行业环比恢复。
第三，政策导向及场景推动，所以集成电路、微型计算机等行业增速继续抬升。
固定资产投资继续修复，其中结构上是基建地产引导。基建投资单月增速回升至了4.8%，引领作用明显；地产投资单月增长7%，亦明显超预期。制造业投资偏低迷与一些外需系、消费系部门投资的低增有关。
固定资产投资累计增速由3月的-16.1%恢复至-10.3%。
其中基建投资回升尤其明显，投资累计增速由3月的-16.4%恢复至-8.8%，隐含的单月增速已至4.8%，引领作用显著。
房地产投资累计增速由3月的-7.7%收窄至-3.3%，隐含的单月增速为7%，亦超预期。
制造业投资增速由3月的-25.2%收窄至-18.8%，在整个投资结构中仍是显著偏低。这与一些外需系、消费系部门投资的低增有关，比如纺织业投资累计为-32.5%， 汽车 制造业投资为-22.9%。这些行业投资也在改善，但改善幅度低于整体。
地产销售情况基本符合预期，单月销售增速恢复至-2.1%。可能包含对疫情停摆期的回补效应，新开工和拿地上升明显较快。施竣工则继续沿着施工回落、竣工回升的既定趋势，但相对变化不大。
地产销售面积累计增速由3月的-26.3%收窄至-19.3%，隐含的单月增速恢复至-2.1%。这个情况基本复合预期。我们前期报告《复工率、就业与水泥价格》中也指出，5月第一周30城地产销售恢复至去年同期的97.5%左右。
拿地和开工也恢复较快。新开工累计增速由-27.2%收窄至-18.4%，单月增速已上升至-1.3%。土地购置面积由-22.6%大幅收窄至-12%，单月增速为13.8%。新开工和拿地的上升与相对较宽的信用条件有关，也可能包含对疫情停摆期的回补效应。
施工面积累计增速由3月的2.6%回落至2.5%，竣工面积累计增速由3月的-15.8%收窄至-14.5%，总体是沿着累计增速施工回落、竣工回升的趋势，但相对变化不大。
消费降幅继续收窄。其中餐饮目前仍是-30%左右负增，未来改善空间更大一些。零售中有三个领域比较抢眼：粮油食品继续近20%高增长，通讯器材（手机）增速进一步加快至12.2%， 汽车 零增长，较前三个月-30%的增长大幅好转。此外必选消费、地产系耐用消费品也均有改善。
社会 消费品零售总额增速为-7.5%，较3月的-15.8%显著改善。其中餐饮增速由-46.8%回升至-31.1%，也就是说相比去年同期依然是下降三成，中长期空间较大；零售由-12.0%收窄至-4.6%。
零售中有三个领域比较抢眼：一是粮油食品，继续维持近20%高增长，4月增速为18.2%，只略低于3月的19.2%；二是通讯器材（手机），增速由3月的6.5%进一步加快至12.2%；三是 汽车 ，4月零增长，较前三个月-30%的增长大幅好转。
地产系的三个耐用消费品领域均继续负增长，但同比降幅已显著收窄：家电为-8.5%（3月-29.7%）、家具为-5.4%（3月-22.7%）、装潢为-5.8%（3月-13.9%）。
化妆品4月增速为3.5%（3月-11.6%），日用品增速为8.3%（3月0.3%），改善幅度也较大。但较去年底趋势值仍有明显差距。
就业一般略滞后于经济，4月城镇调查失业率有所上升。今年就业压力来自于三个层面，可能贯穿全年。所以政策也比较明确把“保就业”作为六保之首。
4月调查失业率为6.0%，较3月的5.9%有所上升。
今年就业压力来自于三个层面，可能会贯穿全年：（1）大学毕业生数量上升，达870万；（2）出口系产业链一般是劳动密集型行业，而今年出口型产业链，尤其纺织服装等吸纳就业的大行业存在订单下滑压力；（3）疫情防控常态化，餐饮等服务业恢复程度不足，带来一定就业压力。
所以政策也比较明确把“保就业”作为“六保”之首。
3-4月经济处于比较典型的“恢复期”，基本上所有行业都较1-2月“停摆期”改善。后续总量数据可能会进一步上升，但同时伴随结构性分化：基建预计将继续改善，消费多数领域将继续好转，地产、出口领域则可能会徘徊摇摆。关注经济的结构性线索。
按照我们“停摆期-修复期-分化期-企稳期”的框架，疫情导致2月经济处于一定意义上的“停摆期”；此后的3-4月，随着交通物流条件的恢复、消费条件的改善，以及复工率的推进，基本上所有行业都较1-2月环比改善。4月之后复工基本完成，继续修复的主要是消费环境。后续总量数据可能会进一步上升，但由于疫情防控常态化阶段社交半径存在一定约束，加上外需订单下行的约束，行业之间可能会进入分化阶段。
基建定调明确，加上3-4月项目审批的加速、专项债和中长期贷款的扩张，估计后续将进一步回升；服务类消费回升趋势比较确定；必选消费中目前存在补偿性消费、增速较高的食品等，后续可能会脉冲结束后回落至常态；日用品、化妆品等受场景影响的，可能会继续恢复；耐用消费品可能会存在消费环境改善、旧改和竣工驱动下的上行脉冲，但家电等亦会部分受出口约束；地产、出口领域则不太确定，可能会存在短期数据摇摆。
核心假设风险：宏观经济变化超预期，海外经济变化超预期
本文作者郭磊，来自郭磊宏观茶座，原文标题：《【广发宏观郭磊】哪些行业在拉动工业增加值》
【广发宏观周君芝】一个关于社融数据估测的技术细节
投资要点
社融数据存在一个统计细节，两期存量相减并不等于当期新增，即Δ存量≠增量。常见的社融存量增速估测方法是派伍先估测不同分项新增社融，再加总得到新增总社融，然后计算存量同比增速。这就意味着直接利用新增量估测存量增速，会引入估测误差。本文旨在探讨这一误差细节。
误差有多大？历史经验显示年度误差在1%左右，误差不可忽视
2018年社融的月度Δ存量和增量误差在3%~25%。回溯历史，社融增量和Δ存量始终存在误差，且绝大多数情况下前者大于后者。对比两种测算方法结果可观察误差大小：方法1，本期增量/上期存量*100%；方法2，(本期存量-上期存量)/上期存量*100%。方法1计算结果大概率高于方法2，差距在1%左右(年频)。方法2计算得到的是真实存量增速，可见以新增量直接估算存量增速，年度误差在1%左右。
缘何有误差？误差主要来自五个细分项目
拆分社融细分项，发现Δ存量和增量的差异主要来自外币贷款、委托贷款、信托贷款、企业债券融资和其他项这五个细分项。
信托贷款项误差主因每年1月存量调整。 以信托业协会口径的信托贷款作为影子指标，发现年度信托贷款Δ存量和增量误差几乎全由每年1月贡献，且1月误差主因当月社融的信托贷款存量进行了脉冲式调整。我们猜测1月调整或与年初存量统计数据排摸有关。委托贷款数据透明度不高，误差原因暂时不明，然2015年以来该项误差几乎可忽略。
外币贷款项误差起因于汇率波动。 外币贷款增量匡算使用当期平均汇率，存量匡算使用期末时点汇率。修正汇率影响，即按对应汇率换算得到美元计价的增量和Δ存量，发现Δ存量和增量误差基本被抹平，验证外币贷款误差主要来自汇率波动。
企业债券融资项误差起因不同类型债券统计方式各异。 社融口径企业债券融资内含多类券种(至少有11类)。万得口径这11类券种年度净融资与社融口径企业债券融资增量数据拟合度高，Δ存量亦如此。然而即便同颤液是万得口径，这11类债券的新增量和Δ存量也存在差异，原因是万得存量统计以起息日为标准，净融资额统计以发行日为标准。社融口径的企业债券融资，内含多类券种，涉及不同发行制度、兑付规则和余额统计标准，不止起息日和发行日标准差异。故其日常统计监测牵涉较广，天然就存在统计难度，新增量和Δ存量难免存在统计误差。
其他项主因在于保险公司赔偿和金融去杠杆特定背景。 将社融总量扣减人民币贷款等7个分项所得剩余称为“其他项”，其实际包含保险公司赔偿、投资性房地产、其他融资三个细分项。我们认为2016年以来大多数情况下其他项误差主因保险公司赔偿款；2017年误差不仅与保险公司赔偿有关，或可还与特定的去杠杆背景有关。
有何指示意义？2019年以增量推算存量增速的估算结果较往年稳健
加总五个分项Δ存量和增量的误差，得到2019年老口径社融存量增速的估测总误差大概率不过1.04%，属2010年以来中性偏小的误差水平。新口径社融存量的Δ存量和增量误差大概率低于0.9%，即2019年增量估算存量社融增速，估测结果较往年稳健。
核心假设风险： 中美贸易摩擦超预期，国内需求下行超预期。
目录
正文
一、社融存量相减不等于当期增量
1.1 社融存量相减并不等于当期新增社融
央行同时报告社融存量和增量数据，然而将两期的期末存量相减，所得结果并不等于当期社融增量。以2018年为例，12月新口径社融存量200.75万亿，减去11月新口径社融存量199.29万亿，所得结果14535亿元；与央行直接报告的12月新增社融15897.6亿元，相差1362.6亿元。同理2018年1~12月均存在Δ存量不等于当月新增量的现象，两组数据的误差在3%~25%之间[1]。回溯历史数据，社融增量和Δ存量之间一直存在误差，并且绝大多数尘洞或情况下误差为正，即社融增量大于Δ存量。
1.2 以新增社融估算社融存量增速的误差不可忽视
估算社融存量增速，一个常见的方法是先估算t期新增社融(新增社融t)，除以过去一期的社融存量t-1，便得到t期的社融存量增速预测值。然而Δ存量并不等于当期社融增量，这就意味着以新增社融t推算社融存量t同比增速的估算方法，将引入误差。这一误差多大程度上影响估算准确度？这是社融存量增速估测需要面对的问题。
为了观察误差大小，我们对比两种算法的测算结果。 算法1，本期增量/上期存量*100%；算法2，(本期存量-上期存量)/上期存量*100%。其中央行直接报告的社融存量增速采用方法2测算，即Δ存量/存量所得结果才是真实的社融存量增速。
图3(只追溯老口径社融)显示算法1所得结果基本上都高于算法2，多数年份两者测算结果的差异保持1%上下；少数年份超过1%，例如2006(1.1%)、2007(1.1%)、2009年(1.9%)、2011年(1.6%)、2012和2013年(1.4%)；个别年份甚至超过3%，例如2004年(3.4%)、2005年(4.8%)和2008年(3.5%)，而且这些差异大的年份主要集中在2010年之前。2018年新口径(9月调整后口径)、7月调控口径也同样存在类似误差，用方法1和方法2测算，结果差异(季频)在0.8%以内，如图4所示。
二、误差主要来自五个细分项目
2.1 误差主要来自于五个细分项
阐述误差主要来源之前，我们先简要回顾央行公布社融数据的频率特点。 存量社融方面， 央行2015年才开始直接公布存量数据(含分项)，数据频率为季频。2016年开始公布月频的社融存量数据(含分项)。2002~2014年央行并不直接公布社融存量规模(含分项)，但公布年频的社融存量同比增速(含分项)。所以理论上可以利用2015年及以后社融存量数据，以及2002~2014年存量同比增速，计算得到相应年份的年频社融存量数据。 增量社融方面， 2012年央行公布月频社融增量数据，并在同年补充公布了2002~2011年月频社融增量数据。至此，2002年1月以后的月度增量数据均有直接公布。
分析央行公布的社融数据时有两点值得注意。 第一，央行公布的同比增速只精确到小数点后一位(2018年开始精确到小数点后两位)，因而同比增速倒算方法会出现如下情况——年份越早，小数点精确度造成的误差累计也越多。第二，月度新增社融有“当月初值”和“当月值”之分。央行每月10-15号左右时间以新闻公告形式公布初步统计社融(含分项)数据，即为“当月初值”，每月16-19号左右修正数据，即为最终的“当月值”。
我们之所以花去一定精力梳理央行公布的社融口径及数据频率，目的是为了尽量理清哪部分误差来自Δ存量与新增量之差，哪部分误差仅是因为数据口径换算而引入的。例如2015年及之前缺乏央行直接公布的社融存量数据，虽然可以根据央行给出的社融存量同比增速倒算出年频社融存量，但央行公布的社融存量同比只精确到一位小数点，每一次倒算都会引入一次误差，且随着倒算期拉长，越早年份的误差累计越多。故而我们 观察年频的Δ存量和增量差异时，将数据范围框定在2010年及以后。 另需强调，2015年及之前缺乏直接公布的月频存量数据，同时也无法倒算月频社融存量增速，所以我们在 探讨月频Δ存量与增量误差时，将数据范围框定在2016年及以后。
2016年以来，不论年频还是月频，信托贷款、委托贷款、外币贷款、企业债券融资、其他项这五个细分项，均是社融Δ存量与增量误差的主要来源，其中月度误差更是集中在外币贷款、企业债券融资和其他项三个细分项。 细分项对总量社融误差的贡献率取决于两个因素，一个是细分项本身误差大小，另一个是细分项相对总体社融的占比。虽然股票融资分项本身误差项较大，但其相对社融总量的占比较低，因而股票分项对社融总量误差的最终贡献并不高。人民币贷款相对社融总量的比重虽然比较高，然而其本身的Δ存量与增量误差较小，所以人民币分项的Δ存量与增量误差，对总量社融误差的贡献也不高。票据规范以来表外票据融资的误差逐渐收敛，虽然其相对占比不低，然而2016年及以后票据分项对社融总量误差的贡献快速下降。下文我们重点围绕信托贷款、委托贷款、外币贷款、企业债券融资、其他项这五个细分项的误差展开分析。
2.2 信托贷款误差或主因1月存量统计排摸
对比信托业协会和社融两个口径的信托贷款数据，前者存量是后者存量余额的97%-98%；绝大部分情况下前者的年度新增量基本上是后者的94%-101%。可见 信托业协会(以下简称协会口径)统计的信托贷款可作为观察社融口径信托贷款的绝佳影子指标。
首先，我们发现社融口径信托贷款Δ存量与增量误差基本在每年的1月达到年度峰值，并且1月误差基本上可以解释全年的绝大部分误差。换言之，分析社融口径信托贷款Δ存量与增量误差，主要是解释1月误差。
其次，对比社融口径和协会口径发现，两者存量数据趋势基本一致，除了每年1月；而新增量方面，并无类似季节性现象。协会口径作为影子指标，指向社融口径信托贷款每年1月Δ存量与增量之间的误差，主要由社融口径信托贷款存量变动引起。
目前我们仍无法有效判断每年1月社融口径信托贷款存量出现“脉冲式调整”的最终原因。我们猜测或与每年年初信托贷款数据统计排摸有关。不论如何，我们至少可以知道观察社融口径信托贷款分项Δ存量与增量误差，重要的是观察1月份。
委托贷款数据缺乏透明度，目前尚无法得知委托贷款项Δ存量与增量误差的原因。2015年以来委托贷款项误差大幅收敛，对社融总误差贡献几乎为零。我们暂不对委托贷款项误差展开详细分析。
2.3 外币贷款项原因在于汇率波动
外币贷款是金融机构向非金融企业、个人、机关团体以贷款、票据贴现、垫款、押汇、福费廷等方式提供的外币形式的贷款[2]。值得注意的是，虽然是“外币”形式，外币贷款匡算到社融统计中却使用人民币计价，因而汇率波动将直接影响人民币计价的外币贷款规模。计算社融增量时，外币贷款使用当期平均汇率； 计算社融存量时，外币贷款使用期末时点汇率 [3] ，因此汇率波动是影响Δ存量和增量差异的主要原因。 修正汇率影响，即将存量和新增社融分别按照上述汇率换算原则倒算为美元计价，我们发现Δ存量和增量数据缺口较大程度上被抹平(如图15所示)。个别月份数据仍有细微差异，主要与期末时点汇率大幅波动有关。
2.4 企业债券融资项原因在于统计方式
企业债券融资是指由非金融企业发行的各类债券，具体包括企业债、超短期融资券、短期融资券、中期票据、中小企业集合票据、非公开定向融资工具、资产支持票据、公司债、可转债、可分离可转债和中小企业私募债等券种(包含并不限于上述十一类券种)。我们对照了万得口径的十一类券种[4]年度净融资量和Δ存量，发现十一类企业债券净融资与社融口径的企业债券新增融资量基本上相等，至少变动趋势极为一致，如图表16所示；Δ存量也有类似表现，如图表17所示。然而即便同为万得口径，十一类券种的新增净融资和Δ存量之间也存在差异，而差异主因在于存量统计以起息日为标准，净融资额统计以发行日为标准。
社融口径的企业债券融资，内含多个券种，涉及不同发行制度、兑付规则和余额统计标准，而不只限于发行日和起息日统计标准的差异。换言之， 企业债券融资日常统计监测牵涉较广，天然就存在一定的统计难度，这也是社融口径企业债券融资新增量和Δ存量存在差异的主要原因。 考虑到社融口径企业债券融资统计的复杂性，再者社融口径企业债券融资的新增量和Δ存量缺口也未表现出明显规律，我们不再追究造成差异的原因细节。
2.5 其他项主因在于保险公司赔偿和去杠杆特定背景
老口径社融统计包含人民币贷款、外币贷款、委托贷款、信托贷款、未贴现的银行承兑汇票、企业债券融资、非金融企业境内股票融资、保险公司赔偿、投资性房地产、其他融资共计10类细分项。央行通常公布前7类细分项的新增和存量数据，而不公布保险公司赔偿、投资性房地产、其他融资三个细分项数据。将社融总量数据扣减前7类分项，所得剩余称为“其他项”，实际上包含了保险公司赔偿、投资性房地产、其他融资这三个细分项。
保险公司赔偿指保险公司在保险合同有效期内履行赔偿义务而提供的各项资金，具体包括财产险赔偿、健康险赔款和意外伤害险赔款， 该指标会在年末收支相抵，没有存量或余额的概念。 即，其他项存量=投资性房地产存量+其他融资存量，其他项新增量=保险公司赔偿增量+投资性房地产增量+其他融资增量，其他项增量-Δ其他项存量=(投资性房地产增量-Δ投资性房地产存量)+(其他融资增量-Δ其他融资存量)+保险公司赔偿增量。
投资性房地产增量和Δ投资性房地产存量无差异，其他融资增量和Δ其他融资存量亦如此，那么其他项增量-Δ其他项存量就等于保险公司赔偿增量。我们对照保监会数据，2016年以来的绝大部分时间，其他项增量-Δ其他项存量几乎等于保险公司赔偿款，如图21所示。 换言之，绝大部分时间中其他项差异主要来源于保险公司赔偿款。 少数时间段，例如2017年，其他项增量-Δ其他项存量与保险公司赔偿款差异较大，并且呈现显著的季节性波动。考虑到投资性房地产主要指金融机构为赚取租金或资本增值，或者两者兼而有之持有房地产，不太容易出现季节性的大幅波动。所以我们倾向于认为2016年数据差异大概率不是来自于投资性房地产项目。其他融资指实体经济从小额贷款公司、贷款公司等获得资金，主要包括小额贷款公司贷款以及贷款公司贷款，2017年金融同业去杠杆背景下金融体系结构异动，小额贷款公司等或随之波动。换言之， 我们倾向于认为2017年其他项增量和Δ存量之间的差异，不仅与保险公司赔偿有关，或可还与特定的金融去杠杆背景有关。
三、技术细节对社融存量增速预测的意义
外币贷款日益成为外贸型企业的重要融资渠道。由于是以外币计价，外币贷款的增长会受到世界经济形势、境内外利差和外汇管理政策等多重因素叠加产生影响。准确捕捉外币贷款增量估算带来的误差扰动存在一定难度。类似的，企业债券融资涉及不同券种和统计标准，其他项内含三个细分项目融资，委托和信托贷款涉及非标，信息不完全透明，因而准确捕捉五个细分项误差存在现实难度。我们转而用历史比较方法，大致估算2019年五个分项的Δ存量和增量误差。
回溯历史，2010年以来其他项误差基本稳定在0.3%~0.5%区间。我们倾向于认为 2019年其他项误差大概率在0.3%~0.5%，属于中性水平。 企业债券融资方面，除了2018年以外(0.4%)，2010年以来误差鲜少超出-0.2%~0.2%区间。我们倾向于认为 2019年企业债券项的误差大概率在-0.2%~0.4%，属于近年来较高水平。 外币贷款方面，2009年以来误差也基本控制在-0.2%~0.45%。随着2015年人民币结束2001年以来的单边贬值趋势，外币贷款项的误差也由正转负。以2017年作为人民币汇率升值假设情况下的参照样本，2015年作为人民币汇率贬值假设情况下的参照样本，推测 2019年外币贷款项误差在-0.16%~0.1%区间，属2010年以来偏弱水平。 信托和委托贷款方面，1月信托贷款Δ存量和增量差异582亿元，超过过去两年同期水平，委托贷款亦然。考虑到信托贷款误差主要由1月贡献，这就意味着2019年信托贷款和委托贷款项遗引入误差大概率超过2017和2018年。按过去两年1月同期误差数量进行线性外推， 2019年委托和信托贷款细项或引入0.02%~0.04%误差，属历史较高水平。加总五个分项误差，最终误差大概率不过1.04%，属2010年以来中性偏小水平。
值得注意的是，2019年1~2月央行并未公布核销和ABS细分项，按照过去两年经验，地方专项债、ABS以及核销Δ存量和增量不存在误差。则新口径Δ存量和增量误差主要来源与外币贷款、信托贷款、委托贷款、企业债券融资、其他项五个分项，并且这五个风险对新口径总社融的Δ存量和增量误差贡献或大概率低于0.9%。
风险提示： 中美贸易摩擦超预期，国内需求下行超预期。
[1]误差计算公式为：(增量-Δ存量)/Δ存量
[2]盛松成等，《社会融资规模理论与实践(第三版)》，中国金融出版社。
[3]盛松成等，《社会融资规模理论与实践(第三版)》，中国金融出版社。
[4]对应勾选万得中的企业债、公司债、中票、短融、PPN、ABN、可转债、可分离转债共8项。
（文章来源：郭磊宏观茶座）
郭磊：如何观测制造业周期与基建周期
广发证券首席经济学家 郭磊
报告摘要
第二， 制造业投资周期怎么衡量？广发宏观郭磊:出口超预期，降低总量下行风险我们可以跳出“制造业投资”指标，借用其广发宏观郭磊:出口超预期，降低总量下行风险他四个指标来观测广发宏观郭磊:出口超预期，降低总量下行风险：制造业贷款需求指数、BCI企业投资前瞻指数、机械设备进口、制造业上市公司资本开支。这四个指标所展现出来广发宏观郭磊:出口超预期，降低总量下行风险的制造业周期走向和传统的“制造业投资”指标有所不同，但它们之间具备很好的相关性 （图2-图4） ，可以相互验证。
第三， 我们进一步用“制造业贷款需求指数”来衡量长周期资本开支波动，用PPI来衡量短周期库存波动，这两个指标所形成的双坐标可以帮助我们更准确理解制造业投资目前的位置 （图5） 。从这个框架我们也可以意识到，似乎不存在什么“制仿袜造业投资起不来”的问题。
第四， 基建投资周期怎么衡量？我们同样也可以适度跳开“基建投资”等传统视角，用“基础设施贷款需求指数”来观测。怎么证明这样一个指标比基建投资增速更有效？我们可以用“挖掘机产量”、 “申万行业指数:工程机械”作为验证指标，“基础设施贷款需求指数”与这两个指标呈现出了更好的走势相关性 （图7-图9） 。
第五， 无论是制造业贷款需求还是基础设施贷款需求都是内生周期，另一重要的外生变量是政策周期。我们用“货币政策感受指数”来代表。2016年Q3后制造业贷款需求进入上升期，但货币政策感受指数却已触顶，并于2017年Q2-2018年Q2回落至经验低位，反映了团灶同期金融去杠杆和实体去杠杆的影响；去杠杆背景下基建贷款需求回落更为明显。2020年以来的周期中，制造业贷款需求、基建贷款需求在相备或激对高位，但货币政策感受指数自2020年Q3开始下行，今年上半年更为明显，本轮下行对应的是疫后货币供给正常化和金融政策收敛。
第六， 那么，又如何理解政策周期的逻辑呢？为何它与制造业周期、基建周期所对应的内生融资需求并不总是吻合的？我们可以从实体部门杠杆率观察。从经验规律看，实体部门杠杆率同比在过去几年中大致吻合于货币政策感受指数。简单来说，政策稳杠杆目标影响货币政策，杠杆率提升快了，下一阶段就大概率要压，这一过程所带来的金融周期与实体需求周期（制造业、基建）在有些时段匹配，但有些阶段也会存在错位。
正文
既有的研究一般习惯于用固定资产投资口径下的“制造业投资”增速去观测制造业周期，但实际上这个指标在过去15年中基本上单边震荡下行，没有任何周期性，和宏观逻辑及微观认知不符。
过去的15年中制造业投资同比增速震荡下行：2006-2011年年度增速在25％-35％左右；2012-2014年年度增速分别为22％、18％、14％；2015年至今年度增速回落到个位数。2020年疫情冲击下制造业投资增速只有-2％，2021年因为低基数同比增速较高， 但前7个月两年增速只有3.1％。
这一数据趋势似乎有一定合理性：随着要素回报率的逐渐收敛，经济增长率整体逐渐下行，新增投资增速也会随之下台阶。但有几点似乎又令人不解：一则指标几乎不呈现周期性，制造业投资的单边下行与原材料和工业品周期性呈现出的价格弹性不太匹配；二则制造业是经济的主要部分，2015年来制造业GDP一直占名义GDP的25- 30％。制造业投资一直低迷的背景下，很难解释企业盈利、税收等领域的数据，以及微观经济的变迁。
制造业投资周期怎么衡量？我们可以跳出“制造业投资”指标，借用其他四个指标来观测：制造业贷款需求指数、BCI企业投资前瞻指数、机械设备进口、制造业上市公司资本开支。这四个指标所展现出来的制造业周期走向和传统的“制造业投资”指标有所不同，但它们之间具备很好的相关性，可以相互验证。
1） 制造业贷款需求指数。 制造业贷款需求指数是中国人民银行季度调查指标中的一个分项。数据从2008年至今，大致包括三个周期：2008年Q4-2010年Q3，制造业贷款需求扩张；2010年Q3-2016年Q3，制造业贷款需求收缩；2016年Q3至今，制造业贷款需求扩张。
2） 长江商学院BCI企业投资前瞻指数。 从大周期看，BCI企业投资前瞻指数在2013年初-2015年底震荡下行；2015年底-2017年底震荡上行；2017年底-2020年初震荡下行；2020年初-2021年初震荡上行。除上述大的周期分布外，BCI企业投资前瞻指数在对小周期和周期内波动的刻画上比较敏锐。
3） 机械设备进口。 制造业投资无非是设备、厂房、人工、技术等环节的投入，设备进口需求可以作为一个观测指标。我们可以以SITC分类下通用工业机械设备及零件进口增速来观测进口设备需求的周期。2009年以来的周期中，先后经历2009年初-2012年初、2012年初-2016年初、2016年初-2020年初是三轮周期。日本对中国机械出口增速可以当作中国机械设备需求的另外一个参考指标。
4） 制造业上市公司资本开支与固定资产投资。 我们可以以制造业上市公司的在建工程、资本开支来观察制造业投资周期。制造业资本开支经历了2016年Q1-2018年Q3回升、2018年Q3至2020年Q1回落，2020年Q1之后再回升的周期。制造业投资稍有不同，2017年Q4-2018年Q3同样经历回升阶段，但之后没有明显回落，大致处于走平状态，2020年Q1之后开始回升。
在中期报告《为正常化定价》中，我们对这四个指标有过详细阐述。
我们进一步用“制造业贷款需求指数”来衡量长周期资本开支波动，用PPI来衡量短周期库存波动，这两个指标所形成的双坐标可以帮助我们更准确理解制造业投资目前的位置。从这个框架我们也可以意识到，似乎不存在什么“制造业投资起不来”的问题。
我们以制造业贷款需求指数来观察，可以看到两个周期，一轮是2008-2016年；一轮是2016至今。这个就是实际上就是朱格拉周期（资本开支长周期）的特征。
我们以PPI为观察指标，它实际上代表制造业库存周期的波动。以2016年以来这轮长周期上升周期为例，它经历了2016-2019、2020至今一轮半的库存周期。
在这两个周期下制造业都处于上升周期，本轮拐点均未出现。
从这一框架去看，未来几个季度制造业投资会存在一个下拉因素是库存的回落，它一般滞后于PPI顶半个身位，目前尚未开始；但长周期应该没有触及最终顶部。逻辑上来说，本轮长周期最后一轮驱动力量应会来自于进一步走出疫情之后，需求量级的重估和投资的修复。
基建投资周期怎么衡量？我们同样也可以适度跳开“基建投资”等传统视角，用“基础设施贷款需求指数”来观测。怎么证明这样一个指标比基建投资增速更有效？我们可以用“挖掘机产量”、 “申万行业指数:工程机械”作为验证指标，“基础设施贷款需求指数”与这两个指标呈现出了更好的走势相关性。由此可见基建投资周期同样有它的弹性，只是如何观测的问题。
我们同样可以用人民银行季度调查指标中的“基础设施贷款需求指数”来衡量基建周期。
这一指标2015年Q3有数据以来经历了一轮震荡上行，2017年Q1触顶；然后开始下行，2018年Q4触底；后震荡上行至2020年Q2,2020年Q3至今区间徘徊。
怎么证明这样一个指标比基建投资增速更有效？
我们选另外两个变量作为验证指标：一个是“挖掘机产量”，它属于基建对现实产业链的映射；一个是“申万行业指数:工程机械”，它属于基建对资产价格的映射。
“基础设施贷款需求指数”与这两个指标呈现出了更好的走势相关性。
无论是制造业贷款需求还是基础设施贷款需求都是内生周期，另一重要的外生变量是政策周期。我们用“货币政策感受指数”来代表。2016年Q3后制造业贷款需求进入上升期，但货币政策感受指数却已触顶，并于2017年Q2-2018年Q2回落至经验低位，反映了同期金融去杠杆和实体去杠杆的影响；去杠杆背景下基建贷款需求回落更为明显。2020年以来的周期中，制造业贷款需求、基建贷款需求在相对高位，但货币政策感受指数自2020年Q3开始下行，今年上半年更为明显，本轮下行对应的是疫后货币供给正常化和金融政策收敛。
从同样来自央行季度问卷调查的货币政策感受指数来看，它于2014年Q1触底回升，2015年底触顶，2017年Q2回落在低位，2017年Q2-2018年Q2低位徘徊，徘徊期所对应的就是金融去杠杆和实体去杠杆的时段。
2018年Q3开始货币政策感受指数改善，2019年一季度进一步上升，2019年全年高位徘徊。
2020年货币政策感受指数进一步升一个台阶，反映疫情之后货币政策以更积极姿态稳增长，2020年Q2这一指数达到峰值，此后经历了2020年Q3、2020年Q4、2021年上半年三轮下行。这轮下行对应的是疫后货币供给回归正常化叠加金融政策偏紧。尤其是2021年上半年，对地产、隐性债务等领域融资政策明显收紧。但同时，我们看到这一时段制造业贷款需求指数、基础设施贷款需求指数还是偏强的。
那么，又如何理解政策周期的逻辑呢？为何它与制造业周期、基建周期所对应的内生融资需求并不总是吻合的？我们可以从实体部门杠杆率观察。从经验规律看，实体部门杠杆率同比在过去几年中大致吻合于货币政策感受指数。简单来说，政策稳杠杆目标影响货币政策，杠杆率提升快了，下一阶段就大概率要压，这一过程所带来的金融周期与实体需求周期（制造业、基建）在有些时段匹配，但有些阶段也会存在错位。
我们用实体杠杆率同比来代表杠杆周期的变化。可以看到2012-2016年整体属于杠杆率同比的上升周期，它对应2016-2018年货币政策感受指标偏紧；2018年Q3-2020年Q3杠杆率同比再度上升，它对应2020年Q3起来贷款感受指数的回落。
核心假设风险： 宏观经济变化超预期，外部环境变化超预期。
本文源自金融界网
人口数据简评：新生儿人数下降趋势明显，增量形势严峻
首先需要指出一点，普查数据、小普查数据、年度数据口径不同，不可混用。普查数据 10 年一次，我们可以把它简单理解为“存量数据一次性修正”。比如按 2020 年底总人口的 141178 万人，比 2019 年底增加 1173 万人（正常年份每年增加 400万~800 万人）。实际上，这 1173 万正唯人并不是 2020 年一年增加的，它的另一个重要组成部分是对存量数据统计的修正。
第七次全国人口普查结果显示，全国人口共141178万人，与2010年的133972万人相比，增加了7206万人，增长5.38%，年平均增长率为0.53%。
我们需要简举运培要了解普查口径和年度口径的关系。
根据国务院2010年颁布的《全国人口普查条例》，人口普查每10年一次，位数逢0的年份为普查年度；在两次人口普查之间开展一次较大规模的人口调查，也就是1%人口抽样调查，又被称为“小普查”。在不进行人口普查和1%人口抽样调查的年份进行人口变动情况抽样调查。
不同口径的数据是不可直接混合计算的。
比如2016年初，统计局公布的2015年总人口数为137462万人；而2016年4月20日《2015年全国1%人口抽样调查主要数据公报》公布的“小普查”数据显示，2015年人口总数为137349万人。
存量人口的 141178 万人，以及 2020 年比 2010 年增加 7206 万人（ 2010 年比 2000 年增加 7389 万人）这两个数字都超出前期市场过于悲观的预期。过去 10 年净增加人口几乎持平于再往前 10 年（只少了 183 万人）。当然，这很大程度上与 2016 、 2017 年二胎政策所带来的短期人口脉冲有关。 2017 年之后新生儿人数逐年下降的趋势还是十分明显的，增量形势仍比较严峻。
2016年、2017年新出生人口分别为1786万、1723万人，比2010~2015年年均值高了110万人左右，比2000~2010年的年均值高了126万人。
2017年之后，新生儿数据下降比较明显，2018年、2019年、2020年分别为1523万、1465万、1200万人。
国家统计局局长宁吉喆5月11日在发布会上表示，2018年以来出生人口数量有所回落。初步汇总数据显示，2020年我国出生人口为1200万人，这个规模依然不小。
1200万人是确切数还是约数尚待详细数据，按照1200万人，则环比2019年下降18%左右，大致符合预期。
2021年2月8日，公安部户政管理研究中心发布《2020年全国姓名报告》，报告显示截止到2020年12月31日，2020年出生并已经到公安机关进行户籍登记的新生儿共1003.5万人。2019年同一口径数据即户籍登记的新生儿数为1179万人。这意味着这一口径下2020年新生儿下降15%左右。
2020 年新出生人口的下降是三个因素的叠加， 第一个因素是疫情影响。 全球主要经济体的出生率在2020年均出现显著下行，出生率 历史 新低的情况比较普遍。疫情影响出生率主要缘于产检医疗条件的变化、收入预期的变化和未来不确定性的上升导致推迟生育计划。数据显示疫情导致较大比例欧洲育龄夫妇推迟 育儿 计划。另一个可参照案例是2003年非典，北京地区出生率从2002年的6.6‰大幅降至 历史 最低点的5.1‰。考虑到新冠肺炎疫情对年初的影响会落在2020年，二季度起的影响主要落在2021年，2021年出生率数据可能会继续偏低。
第二个因素是育龄人口的代际下行。 由于国内出生人数在1987年是一个高峰，1987和悄滚1990年之后曾出现两轮明显下行，这对应2017年后育龄女性人数的变化以及这轮新生儿人数的快速下降。
第三个因素是工业化-生育率悖论。 这几乎是工业化国家面临的一个共同问题，需要对这一过程的艰巨性有充分预期。比如韩国粗出生率已从1980年的22.6‰降至2018年的6.4‰，印度粗出生率已从1980年的36.2‰降至2018年的17.9‰，越南粗出生率从1980年的31.9‰降至2018年的16.8‰（相当于中国1996年前后水平）。欧美下降较慢，但同样处于下行趋势中，美国1970、1980、2018年分别为18.4‰、15.9‰、11.6‰；德国同时段分别为13.4‰、11.1‰、9.5‰。
以总和生育率来看，1990年美国、韩国、印度、越南分别为2.1、1.7、3.6、3.6，2018年分别为1.7、1.0、2.4、2.1。总和生育率显著偏高的国家，如尼日尔、索马里、刚果（金）、马里、乍得、安哥拉、布隆迪、尼日利亚，均属前工业化国家。
简单来说，第一个因素代表“生育条件”，属短期扰动，估计主要影响 2020~2021 年；第二个因素代表“育龄基数”，需要及时、迅速进行政策调整，否则下一个阶段压力会进一步加大；第三个因素代表“生育意愿”，它作为一个全球难题的规律性被很多人所忽视。但恰恰是这种规律性意味着挑战会更大。它可能和一系列内生原因有关，如现代 社会 体力劳动边际回报率下降、女性劳动参与率上升、住房和教育成本上升等，对新兴市场国家来说还有一个原因是流动人口比例偏高，年轻人面临“打工 - 返乡 - 结婚 - 生子”“城市就业 - 买房 - 结婚 - 生子”两种典型路径，均会导致婚育年龄偏晚，从而带来生育率的变化。
所以，出生率和生育率下降具有内生性，对这一过程的艰巨性要有充分预期。
从这个框架去理解，要影响人口曲线，一要优化生育政策，增强生育政策包容性；二要有针对性地瞄准“工业化 - 生育率悖论”，比如通过一系列组合政策降低女性生育的机会成本；通过降低住房成本、教育成本、提升教育资源可得性来降低年轻人生养育的成本预期；通过更广泛的城市群建设，推动工作机会的区域多元化，降低因人口流动模式固化导致的代际晚育的现象。
老龄化特征继续上升， 65 岁以上人口比重达到 13.5% ，上行速度也比上一个十年更快。从世界银行口径数据看，全球 65 岁以上人口比重大约在 9.1% 左右，高收入国家这一比例为 18.3% ，中等收入国家为 7.8% 。老龄化对经济结构、产业结构都会产生深刻影响。
本次人口普查数据显示受过大学教育的人口已有 2.18 亿人，较 2010 年的 1.19 亿人大幅增长。和 2010 年相比，每 10 万人中拥有大学文化程度的由 8930 人上升为 15467 人。这一点是“工程师红利”形成的基础。
核心假设风险：宏观经济变化超预期，外部环境变化超预期，政策去杠杆力度强于预期。
（作者系广发证券首席经济学家、中国首席经济学家论坛理事）
第一 财经 获授权转载自微信公众号“首席经济学家论坛”，原标题为《郭磊：七普人口数据简评》，有删节。
广发宏观郭磊:出口超预期，降低总量下行风险的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于广发证券首席经济学家 郭磊、广发宏观郭磊:出口超预期，降低总量下行风险的信息别忘了在本站进行查找喔。
