前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇宏觀經濟數據范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

宏觀經濟數據范文第1篇

今年3月工業生產比去年11月增長折年率19.7％。超過15.6％的正常增長率。1季度GDp環比增長7.4％。1季度出口額下跌量低于4季度下跌量。考慮到出口額已經下跌近1/3，未來幾個月月度下跌額將繼續減少，出口下跌對總需求的負面影響將逐月減小甚至消失。住房銷售從2008年11月1400億恢復到今年3月2500億，相當于2007年8月的最高水平。以個人中長期貸款推斷的房貸數據，與住房銷售高度―致。過去5年住房銷售近9萬億，房貸余額現在是3萬億多，說明房貸還款比例非常高。新增房貸平均相當于住房銷售40％。每月歸還上月末房貸余額2.3％，一年歸還27％，相當于平均3年多還完房貸，這意味著銀行房貸資產安全性非常高。―個原因是存貸款利差很高，貸款者盡量通過親友借貸等非銀行融資提前還貸；另一個原因是個人收入增速較高。

過去幾個月貸款增長非常猛，尤其是3月貸款增加近19000億。貸款增長預示經濟需求將很快回升。跟11年前相比，上一次通貨緊縮從1997年到2003年徹底走出花了5年時間，這一回差不多5個月已經發生明顯改變。引起貸款猛烈增長和經濟回復主要有兩個宏觀經濟變量。―是企業資產負債狀況，二是企業投資報酬率，還有對未來宏觀經濟的預期。

首先看規模以上工業企業負債率。1998年負債率是64％，數據本身不高，但當時很多企業沒有留下充足的退休基金安排退休職工，這筆錢報表上不反映，但按道理應該算作企業的潛在負債。如果算上這一部分負債，當時企業平均負債率是70～80％，其中相當多企業是負資產。從商業銀行角度就不愿意貸款，導致貸款收縮。后來經過一系列調整降低企業負債率，包括通過債務重組處理銀行不良資產，以及通過財政安排退休職工，2001～2003年企業負債率降到57％。

另一個指標是凈資產收益率。1998年凈資產收益率是4％，稅后凈資產收益率是3％，而銀行貸款利率9％，這種條件下經濟必然下行。后來經過資產重組，投資報酬率恢復到9％以上，稅后5～6％，勉強跟貸款利率持平，經濟得以回升。

以2009年4月的前一年和2002年4月的前一年相比，2008年的情況好于2001年。2008年負債率57.4％，低于2001年的59.1％。2008年凈資產收益率14.6％高于2002年的8.5％。

宏觀經濟數據范文第2篇

[關鍵詞]大數據；宏觀經濟學；教學改革

doi：10.3969/j.issn.1673 - 0194.2017.06.162

[中圖分類號]G642.0 [文獻標識碼]A [文章編號]1673-0194（2017）06-0-02

0 引 言

隨著計算機互聯網、移動互聯網、物聯網、云計算、社交網絡等現代網絡新技術突飛猛進的發展，人們通過網絡瀏覽、搜索、購物等行為產生的數據日益增多，致使人們邁入了數據以大量性、多樣性、價值性和高速性為特征的大數據時代。在我國，大數據已提升到國家戰略的層面，國務院于2015年頒布的《促進大數據發展行動綱要》指出，“深化大數據在各行業創新應用”，在文化、教育等領域全面推廣大數據應用和開展大數據應用示范。十八屆五中全會通過的“十三五”規劃綱要進一步提出了將“實施國家大數據戰略，推進數據資源開放共享”。

目前，大數據及大數據技術已經滲透到經濟、社會、生活的方方面面，并影響著人們的理念、行為和習慣，其中，本科高等教育也深受影響。隨著大稻蕕募鈾俜⒄梗現代教學技術不斷轉型升級，出現了慕課、微課、翻轉課程等新的教學方法，對傳統的本科教學也提出了前所未有的新要求。如何追隨大數據時展帶來的深刻改革，對教師掌握日新月異的現代教學理念，提高教學效果具有重要的意義。國內已有學者探討了大數據對應用經濟學、國際經濟學、財政學、統計學和管理統計學等課程教學的影響及相應的調整策略。盡管劉濤雄和徐曉飛（2015）、姜疆（2016）、申紅艷 等（2014）探討了大數據時代的宏觀經濟分析，但鮮有文獻研究大數據對宏觀經濟學教學的影響。因此，本文擬在大數據時代探討宏觀經濟學本科的教學改革。

1 宏觀經濟學傳統教學模式中的問題

宏觀經濟學是經濟管理類專業中一門承上啟下的基礎課程，是經濟管理類碩士與博士研究生入學考試的必考課程。宏觀經濟學研究整體經濟現象，解釋同時影響許多家庭、企業和市場的經濟變化，主要考察國民收入的決定與變動、短期的經濟波動、長期的經濟增長、就業、通貨膨脹和國際收支等問題。當前大部分高校的宏觀經濟學還是采用傳統的教學模式，存在諸如注重理論教學、輕實踐教學；教學方式單一、學生自主學習意愿不強；考核方式偏向固定化等問題。

1.1 注重理論教學，輕實踐教學

宏觀經濟學是理論性和實踐性均比較強的一門基礎課程，該課程的理論可以指導解決現實生活中的經濟問題和現象。但在傳統的教學中，主要以講授抽象難懂的理論知識為主，如國民收入決定理論模型、IS-LM模型、AD-AS模型等，為了讓學生能夠理解清楚宏觀經濟學理論的內涵，任課教師往往會用大量的時間去講解這些理論知識，盡管在一定程度上有利于學生掌握理論知識，但占據了太多的課堂時間、消耗了教師太多的精力，教師在課堂上基本沒有多余的時間和精力區開展實踐性教學。

1.2 教學模式單一，學生自主學習意愿不強

大多數高校的宏觀經濟學仍采用教師課前備課，課堂上講授教材附帶或自作的PPT，課后解答疑難問題單一的傳統教學模式。這種教學模式以教師為主體，教師在課堂上講授的內容是學生獲取知識的主要途徑，而且教師課堂講授占據了大部分的課堂時間，留給學生在課堂上討論的機會和時間并不多，學生在課堂上以被動聽講為主，導致學生自主學習意愿不強，這不利于提高學生提問、探索、思考問題的能力。傳統的課堂教學深受時間和空間的限制，教師完全掌握了教學進度，學生基本上按教學大綱進行學習，自主安排學習的空間不多，這不利于激發學生學習的積極性。

1.3 考核方式偏向固定化

傳統的宏觀經濟學考核方式主要以期末考試為主，課程成績一般按照平時成績（包括出勤、作業、課堂表現、期中考試成績等）與期末考試成績3∶7或4∶6的比例加權平均組成。這種考核方式盡管在一定程度上能夠相對客觀地檢驗學生掌握宏觀經濟學基本概念、原理和規律等內容的情況，但也可能存在教師在試題命題過程中因為沒有為主觀題和客觀題設置合理的比例，而出現學生平時上課不認真聽講，通過考前死記硬背獲得高分的問題，未能檢驗學生運用宏觀經濟學理論分析并解決問題的能力。傳統的考核方式也未對學生的學習態度、實踐能力進行考核。

2 大數據時代宏觀經濟學教學改革的探討

大數據時代為宏觀經濟學教學帶來了海量的數據和新穎的案例等資料，為宏觀經濟學課堂教學提供了既豐富又生動的素材，為推進宏觀經濟學教學改革提供了強有力的保障。在大數據時代，對宏觀經濟學教學進行改革，可以提高教學效率、激發學生學習興趣、培養學生獨立思考和解決問題的能力，更有利于經濟管理類專業學生掌握宏觀經濟學基礎知識，為學習國際經濟學、金融經濟學、財政學等后續專業課程奠定扎實的基礎，并為參加研究生入學、政府機關、金融機構、高校等用人單位的招聘考試做好充分準備。

2.1 形成基于大數據的教學理念

大數據時代要求人們要形成大數據思維，同樣，大數據背景下的宏觀經濟學課程教學改革也需要具備大數據的思維。為了形成基于大數據的教學理念，任課教師要緊緊跟隨大數據時展的步伐，積極參加各種運用大數據改進教學的培訓、進修，認真學數據時代先進的教學技術和方法，并不斷將這些教學技術和方法引入宏觀經濟學課堂教學中。

2.2 多渠道豐富教學內容

第一，添加大數據時代的海量數據信息資料，豐富教學內容。傳統的宏觀經濟學教學存在理論性較強的問題，在大數據時代，任課教師可輔之以海量數據信息資料來豐富教學內容。與純粹理論知識教學不同，基于現實經濟現象的數據案例教學更加生動有趣，更能激發學生學習的積極性，更有助于學生牢固掌握抽象的宏觀經濟學理論知識，并提高運用宏觀經濟學理論分析問題和解決問題的能力。比如，在講授居民消費價格指數（CPI）時，可分別引入基于掃描數據、網絡搜索數據、谷歌趨勢（Google Trends）預測CPI等案例分析。宏觀經濟學課程中，所有章節的內容基本都可以通過互聯網查找到大量相關的數據信息資料，利用這些資料可以更新、修訂教學大綱、教案和講義，有利于豐富教學內容，也有助于提高教學效果。

第二，增加運用大數據技術進行宏觀經濟分析的內容。在經濟新常態下，我國經濟發展面臨著更加錯綜復雜的國內外形勢和更加繁重艱巨的任務，因此，宏觀經濟決策對宏觀經濟分析提出了更高的要求。“十三五”規劃綱要中指出“完善政策制定和決策機制：注重運用互聯網、統計云、大數據技術，提高經濟運行信息及時性、全面性和準確性”。因此，在大數據時代的宏觀經濟學教學改革有必要加入宏觀經濟分析。

傳統的宏觀經濟分析主要通過對比宏觀經濟指標、構建宏觀經濟計量模型、仿真宏觀經濟動力系統，對宏觀經濟運行形勢及其發展趨勢加以判斷和預測。大數據時代的數據規模大、類型多，拓寬了宏觀經濟分析所用數據信息的來源，并提高了數據信息獲取的時效性。目前，國內外運用大數據的概念、方法和技術進行宏觀經濟分析的研究主要集中在宏觀經濟預測（尤其是現時預測）、宏觀經濟分析技術、宏觀經濟政策和宏觀經濟數據挖掘等領域。

第三，借助大數據時代媒體報道拓寬知識面。在學習教材的基礎上，可推薦學生通過互聯網；物聯網；經濟信息聯播、經濟半小時、經濟信息聯播等財經類電視節目；《21世o經濟報道》《經濟觀察報》《金融時報》《經濟學人》等報紙雜志的財經報道，多渠道關注宏觀經濟熱點問題，拓寬學生的知識面。

2.3 加強實踐性教學

培養學生熟練運用宏觀經濟學理論與方法分析國內外現實生活中的經濟問題和現象是宏觀經濟學教學的目標。因此，任課教師在講授理論知識和方法的基礎上，更應注重實踐教學。

大數據時代的宏觀經濟學本科實踐教學，應當以培養學生的主動性和創造性為根本出發點，任課教師可以以宏觀經濟學理論知識和豐富的大數據資源為基礎，結合與大數據相關的課題、論文，將宏觀經濟領域的研究思想、研究方法、研究前沿引入教學。具體而言，教師可通過引導學生如何觀察現實經濟問題進行選題，如何結合宏觀經濟學理論構建數學模型，如何查找和整理文獻，如何搜集大樣本的宏觀經濟數據，如何撰寫學術論文并加以修改等方式增加研究性教學。鼓勵學生積極參與到研究中，使學生在研究過程中不斷學習和實踐，培養學生獨立思考的習慣，提高其研究學習能力。

此外，還可采取“走出去”與“請進來”相結合的戰略開展實踐性教學。“走出去”是指組織學生到當地的統計局、發改委、經信委等與宏觀經濟運行緊密相關的政府部門和互聯網、金融、電信、零售等應用大數據的企業進行參觀學習，加強與這些單位開展深入合作，建立校外實訓實習基地，讓學生真正參與宏觀經濟學實踐活動。“請進來”是邀請這些單位既熟悉宏觀經濟學分析，又精通大數據分析的工作人員到學校為學生開展報告、經驗交流座談會。

2.4 采用“以學生為中心”的教學模式

大數據時代的在線教學平臺、翻轉課堂、微課、慕課，為實現宏觀經濟學教學模式，由“以教師為中心”轉換為“以學生為中心”提供了保障。具體來說，教師可先根據課程標準和教學實踐的要求，制作宏觀經濟學課程教學大綱，接著按照微課、慕課、翻轉課堂等教學模式的要求，從學生學習需求的角度出發，將每章節內容制作成PPT、視頻、練習題、測試題、討論題、評分標準等資料，然后將這些資料上傳至教學平臺，為學生提供豐富的學習資源，也為學生提供更多自主學習的空間，這樣學生可隨時隨地通過在線教學平臺進行自主學習。

在線教學平臺采用交互式的短視頻學習模式，以10分鐘左右的片段式多媒體視頻為主，并在線完成配套的測試題，讓學生在輕松有趣的環境下掌握枯燥無味的宏觀經濟學原理，有利于激發學生的學習興趣，提高學習效率。在線教學平臺為學生和教師、學生和學生、教師和教師之間搭建了交流平臺，通過平臺可以相互發表觀點、交流意見、提問、解答等，有利于增加師生的互動，也有利于培養學生思考、分析和解決現實經濟問題的能力。此外，在線教學平臺會將學生的學習行為進行記錄，并根據記憶退化曲線提醒學生哪些內容需要及時復習，進一步運用大數據技術對平臺記錄的學生信息進行分析，可提煉出學生的學習能力、性格特征、學習狀態等信息，依此開展有針對性的個性化教育。

2.5 實施多元化考核

在大數據背景下，宏觀經濟學課程應采用多元化考核方式，既考核學生對宏觀經濟學理論知識的理解程度，也考核學生綜合運用宏觀經濟學知識的能力，同時，也考核學生在線學習和參與宏觀經濟學實踐教學等情況。如，其可根據教學平臺記錄學生完整的在線學習過程（包括每一個知識點內容的學習進度、完成配套練習和測試的情況，完成答題的時間、答題的熟練程度、答題的順序和答題的次數等），并結合參加實踐性教學的情況、對各部分內容掌握的情況、課堂表現、出勤等綜合考核，給出合理的課程成績以及相應的評價。

3 結 語

大數據時代的到來，為宏觀經濟學課堂教學提供大量的數據和豐富生動的案例等資料。在宏觀經濟學教學改革中，應緊扣大數據時展的脈搏，充分把握好大數據時代帶來的有利條件，整合一切可以整合的大數據資源，合理運用翻轉課堂、微課、慕課等新教學方法，更好地發揮大數據服務宏觀經濟學本科教學改革，不斷提高教學效果。

主要參考文獻

[1]白雪.大數據時代下高校應用經濟學教學改革模式探析[J].經濟師，2016（3）.

[2]方霞.教育大數據助力《國際經濟學》課堂教學改革[J].金融理論與教學，2016（3）.

[3]盧盛峰.大數據背景下《財政學》本科教學改革探析[J].湖北經濟學院學報：人文社會科學版，2015（2）.

[4]朱建平，李秋雅.大數據對大學教學的影響[J].中國大學教學，2014（9）.

[5]劉帆.大數據時代經管類專業管理統計學教學改革研究[J].中國管理信息化，2016（15）.

[6]劉濤雄，徐曉飛.大數據與宏觀經濟分析研究綜述[J].國外理論動態，2015（1）.

宏觀經濟數據范文第3篇

從一個較長的時間維度來看，轉型過程中傳統的經濟指標的確會系統性地高估或者低估經濟現狀。從而，我們需要對現有預測謹慎解讀的同時，不斷尋找更好的替代指標

今年二季度以來，宏觀和中微觀經濟數據持續背離。宏觀數據企穩而中微觀數據表現不佳，為對未來經濟形勢的判斷頻添諸多分歧。從最新數據來看，我們持續監測的國信高頻宏觀擴散指數一改8月持續大幅下滑，在9月出現明顯改善；9月統計局制造業PMI也與8月持平，未像市場預期那樣繼續下跌。在中國經濟弱企穩跡象增加之際，宏微觀經濟數據也開始出現收斂。但經濟數據的起伏不會影響我們研究的基本結論：當前中國經濟正處于轉型期，傳統的經濟指標對經濟走勢的指示意義可能會出現變化，并可能會出現一些失真。

高頻數量指標的相關性在下滑

在預測工業增加值增速時，高頻的發電量和用電量是常用指標。在著名的“克強指數”中，耗電量也是組成指數的三個經濟指標之一，可見其在判斷經濟走向上的重要性。然而，今年以來基于電量增速預測的工業增加值方向時常出現一定偏差。例如，工業增加值于5月、6月的強勁反彈在耗電量上的表現并不顯著，同樣的宏微觀背離也出現在部分其他上游資源品的量價上。

發電量和工業增加值相關性正在系統性下降。從圖1中可以看出，2012年之前工業增加值和發電量增速之間的變動方向非常一致，波動幅度之間的相關性也較高，但2012年之后兩者之間的波動同步性在減弱（圖1）。進一步地，2012年三季度開始，兩者的相關系數（剔除1月、2月）出現了非常顯著的下滑，之前相關系數一直維持在0.9以上，但當前相關系數已經降至0.7。這表明發電量對工業增加值的解釋能力正在出現系統性地下滑。

相關性下降的原因在于高耗電行業增速與整體工業增速不一致。從統計局公布的分行業電力消費量數據來看，2012年工業用電占比大概在72.8%，且呈下降趨勢，這主要是由于第三產業和居民用電占比的提升。進一步細分來看，工業行業內部耗電量最高的五個行業依次是，電力熱力生產和供應、燃氣和水生產供應、黑色金屬冶煉加工業、化學制造業、有色金屬冶煉加工業，加總起來在工業用電量中占比在70%以上，其中前三項占比達到50%以上，而這五個行業的工業增加僅占總量的25%。這意味著，如果這些行業的增速和整體工業增加值的增速不一致，那么將會導致耗電量增速和工業增加值增速出現背離。例如，2009年工業增加值反彈，但發電量增速連續負增長，當時統計局給出的解釋就是，能源密集型行業復蘇步伐要落后于整體工業增速。

高能耗行業增速放緩導致發電量增速低估工業增加值增速。2012年以來發電量和工業增加值之間相關系數下降，這在某種程度上反映了高能耗行業增速的放緩。這集中體現在2012年以后發電量增速中樞相比工業增加值來說有著更加顯著的下降上。而高耗能行業尤其是鋼鐵和其他金屬加工行業增速放緩，主要是受到產能過剩的拖累。2012年在“4萬億”刺激消退后，上游資源型行業即進入去產能過程，增速持續走低，這對于耗電量增速的拉低程度要遠遠高于工業增加值增速。因此還是根據歷史經驗，用發電量增速來預測工業增速可能會出現低估。

高頻價格指標的指示性在弱化

以價格作為監測需求變動的指標需要注意兩個問題：一是勿將價格指標的季節性波動，視為終端需求的趨勢性萎縮；二是產能周期和高庫存的壓制，會使價格指標對終端需求變動的反應更加遲鈍。

需區分價格的季節性波動和周期性變化。市場需求存在季節性的上升和回落，這會導致銷量和價格出現一定的季節性波動，但這不能理解為下游需求出現趨勢性的膨脹或萎縮。以水泥為例，今年上半年水泥價格持續下行，但我們其實不太容易判定是否終端需求出現了明顯下行。這是因為，歷年一季度和三季度都是需求淡季，價格的環比表現都是下跌的。今年水泥價格變動除了3月和6月顯著超出季節性規律以外，其他時間大體上仍符合季節性因素。但看水泥產量數據，上半年水泥產量同比增速持續下滑，6月滑落到2009年以來的新低，7月才有所反彈。這比較清晰地體現了上半年房地產投資萎靡，而基建投資對沖有限背景下，對上游水泥的需求是持續滑落的。但單從價格數據上，盡管可以看到3月和6月出現大幅下滑，但卻不太容易得出水泥需求在持續萎縮這一結論。可見，產量數據可用同比調整季節性，但價格數據卻不太容易做到這一點。

因此我們在用價格指標監測經濟時需要進行一定的季節性比較。以動力煤價格為例。我們知道，動力煤下游主要是發電，因此其需求與用電高峰的夏季和冬季緊密聯系。考察2004年-2013年動力煤價格的月度環比變化，三季度以及2月、3月會出現明顯的環比價格下跌，夏季和冬季煤價則會出現穩定上漲。今年一季度動力煤價格的表現合并起來看比較正常，但二季度環比走勢明顯要弱于季節性規律。這與二季度一直討論的發電量增速弱而工業增加值增速強的背離是一致的。但在解釋7月以后的動力煤價格數據時要相對謹慎。由于動力煤消耗進入淡季，即使宏觀面出現了一些積極的變化，但微觀層面的動力煤價格表現可能仍然較為孱弱。

需關注產能過剩和高庫存對價格的壓制。供給端的產能過剩可能持續壓低產品價格，使得微觀價格不能有效地反映需求端的波動。2009年的“4萬億”刺激后，許多上游行業在2011年過后普遍存在產能過剩情況。例如，2011年開始采礦業固定資產投資增速逐步下滑，而粗鋼產能利用率也在2010年達到高點后逐步下滑。 近幾年去產能的進展一直不是特別理想，市場并未得到有效出清。這導致需求稍有改善，但很快被過剩供給所吸收，因此價格總體上仍處于下降通道，對經濟波動的敏感性降低。

以動力煤和螺紋鋼價格為例。2011年下半年開始動力煤價格持續走低，中間只在2013年11月到12月中旬出現一波明顯反彈，但2013年的經濟復蘇卻是從三季度就開始了（圖2）。且該年11月和12月的價格反彈也很難區分究竟是季節性因素使然，還是需求趨勢性好轉。因此，動力煤價格對終端需求的指示意義也就大幅降低。

2011年下半年螺紋鋼價格開始持續下滑。但相比動力煤來說，鋼鐵價格在下行周期中出現過幾次明顯的反彈，對應時期經濟需求面出現一定好轉。在終端需求和經濟預期邊際好轉時，鋼鐵上下游均開始補庫存，這會放大需求波動，進而對價格帶來明顯提升。但2011年以后，每次鋼鐵價格反彈的高度都在下降，今年上半年的微弱反彈幾乎不可辨識。我們認為，這與去產能周期對企業庫存調整的壓制是密不可分的。在經濟表現長期疲弱，企業預期偏向悲觀時，即便經濟出現短期回暖，對企業預期的提振效應也是有限的，進而企業補庫存的動力也就付之闕如。企業庫存周期的衰竭使得終端需求的波動不容易被放大，并反映在鋼鐵價格上。

高庫存也會形成對價格的抑制，降低價格指標的指示意義。例如，2014年初以來，主產地山西的煤炭庫存一路走高，當前的庫存存量穩定在過去兩年均值的兩倍以上。這樣，下游需求波動會很容易被高庫存所吸收，而很難反映在價格上，從而導致產品價格的持續低迷。鋼材價格上也存在類似的庫存壓制。今年初鋼材的社會庫存和企業庫存均攀上高點，但最近庫存下滑很快。結合近期煤炭和鋼鐵價格表現乏力來看，這意味著下游需求走強被庫存下降吸收了，從而并未顯著體現在價格指標上。因此，在高庫存壓力下，價格指標也不能充分而有效地反映需求的好轉。

宏觀回升亦不穩固

上文我們從中微觀數據出發解讀今年二季度以來的宏微觀背離問題，認為中微觀數據或許并未很好地反映宏觀情形。下文我們從宏觀數據出發，認為二季度以來的經濟回升力度太弱，難以被定義為一次像樣的反彈，最多只是在底部企穩徘徊。如果宏觀層面上經濟并未顯著走強，那么中微觀層面上經濟表現疲軟也就沒有那么意外了。

從近三年比較看經濟回升力度。2012年初中國經濟開始迅速下滑，進入新的增長平臺。工業增加值從14%回落至9%左右，并一直穩定在這一中樞附近，而GDP同比增速也一路回落至7.6%的平臺并小幅震蕩。回顧近三年的年內經濟增長路徑，均表現為年初經濟下滑，政府穩增長措施啟動，然后經濟企穩的規律。但三次經濟下滑面臨的內外環境、政策力度和復蘇時點都有著較為顯著的差異。

2012年初，制造業和房地產投資同時大幅下滑，帶動整體經濟出現斷崖式回落。于是基建投資增速開始穩步上行，9月單月增速攀升至25%。在貨幣政策上，央行在7月之前完成了兩次降準降息。由于貨幣環境寬松，下半年房地產投資也很快開始企穩回升。在地產和基建投資回暖的疊加影響下，全年經濟增速高點出現在四季度，工業增加值增速在12月達到最高值10.3%。

2013年二季度開始，由于反腐影響消費增速出現下滑，同時出口表現不佳。固定資產投資方面，由于上一年基數不高，房地產和制造業投資增速表現相對平穩，基建投資也維持在20%以上的高位。為維持經濟增速，基建投資在7月和8月進一步提速，8月當月基建投資增速一度達到29%。而2013年經濟高點在三季度出現，工業增加值增速在8月達到10.4%的高位。

2014年與2012年更像，年初以來房地產和制造業投資均出現下滑。兩者的累計同比增速均已低于2012年的最低點。雖然消費表現平穩，出口有所改善，但是難以改變經濟下行趨勢。二季度基建投資增速開始回升， 5月同比增速高達27%。于是，工業增加值階段性高點出現在6月，但也僅僅達到9.2%，遠低于前兩次經濟反彈的幅度。從過去兩年經驗來看，穩增長效果一般只能持續一個季度。在基建投資增速回落的背景下，8月工業增加值增速大幅下挫，也表明二季度經濟只是一次短暫的企穩。

簡單梳理近三年數據可以看出中國經濟明顯缺乏內生動力。最近三年，消費、房地產和制造業投資逐步下臺階，其中任何一個出現滑落，都需要基建托底；而受制于發達經濟體復蘇空間有限，中國出口增速始終維持在個位數，對經濟提振意義有限。由此導致的一個結果就是，穩增長政策的推出時間逐步提前，2012年在四季度，2013年在三季度，2014年則在二季度。

與過去兩年相比，今年經濟平滑空間更加逼仄。一是房地產投資持續下滑趨勢難以根本逆轉。2012年房地產投資很快出現復蘇，2013年房地產投資表現平穩，今年則難以看到房地產投資的回升。即便各地競相放開限購政策，央行也最終放開限貸閘門，雖會給房地產市場帶來短期提振，但可能無法改變房地產投資向下調整的格局。二是基建投資的對沖力度和持續性相對有限。土地出讓金的銳減，地方政府性債務的治理，都令地方政府的錢袋子更加捉襟見肘。于是，二季度工業增加值無論是同比還是環比增速都要顯著低于2012年和2013年并不令人奇怪。

從趨勢上來看，2012年8月和2013年6月，工業增加值增速均出現較為明顯的反彈，且可持續一個季度以上。但今年4月后工業增加值增速反彈幅度和持續長度都不夠明顯，8月又再次令人意外地轉頭向下。就此而言，二季度的經濟回升很難定義成一次反彈，最多只能說是底部企穩。這就意味著，從總量上來說，內需仍是疲弱的，這有助于解釋年初以來中國進口數據和中微觀指標的不佳表現。

從工業增加值增速看行業分化。工業增加值中，與房地產投資相關性最高的非金屬礦物制造業（主要是水泥和其他建筑材料），年初以來增速一直維持在低位。在基建投資中占比較高的鐵路道路運輸業（主要是城市軌道交通），所對應的工業增加值中的鐵路等運輸設備制造業增速則持續走高。還有很多行業同時受到基建和地產投資的影響，很難完全區分哪個影響更大。但在固定資產投資總體疲軟背景下，都難有太好的表現。例如，鋼鐵下游同時對應著地產和基建，與鋼鐵相關的黑色金屬礦采選業和黑色金屬加工業表現各異，采選業累計同比增速有所回暖，但加工業累計同比增速仍在下滑，但兩者絕對水平都處于較低位置。

傳統的出口導向的紡織服裝行業和化學纖維制造業上半年增速有所反彈，占據出貨值很大比例的計算機通信電子設備業整體工業增加值增速也較為平穩。而由于消費增速連續下臺階，工業增加值中下游消費相關行業表現并不理想。將工業增加值中相關消費行業累計增速加權平均，可以看出年初以來增速出現了進一步下滑，這與消費增速下降是一致的。

宏觀經濟數據范文第4篇

[關鍵詞]納稅評估；指導；宏觀經濟發展

稅收評估不僅是對稅收結構及變化進行科學分析，指導稅收工作，更好地發揮稅收在經濟社會發展過程中的重要作用，還能夠科學反映經濟社會各部門發展狀況，對于指導宏觀經濟發展具有十分重要的作用。但稅收評估相對復雜，在指導經濟發展方面還不可避免的存在很多問題，比如缺乏科學的評估方法、應用指導機制不健全、對大數據等信息技術的應用能力不足、缺乏專業化人才團隊等，因此要采取有效的措施，更好地應用稅收評估指導宏觀經濟發展，提升稅收與宏觀經濟發展之間的協調性。

一、應用稅收評估指導宏觀經濟發展的重要意義

(一)確保宏觀經濟增長目標順利實現

稅收總量、結構等都與宏觀經濟增長目標具有重要關系，而宏觀經濟增長目標是國家在充分考慮各項因素基礎上提出的，能否順利實現宏觀經濟發展目標直接關系到經濟社會及財政稅收等各方面發展。因此，應用有效的稅收評估指導宏觀經濟發展可以明確我國各產業、各部門內的經濟增長點，對于發展趨勢進行有效的預測，可以明確具體的經濟增長目標，并將其進行細化，針對具體目標指標采取相應的支持和發展政策，進而可以順利實現宏觀經濟增長目標。

(二)促進宏觀經濟高質量發展

我國經濟已經是由高速發展邁向了高質量發展階段，而優化稅收結構、提升稅收收入質量成為實現宏觀經濟的高質量發展的重要保障。所以，通過應用稅收評估，明確稅收的具體結構，以此確定宏觀經濟中各部門的發展潛力和市場空間，進而制定和實施必要的支持政策提供依據，使得那些技術密集型、資金密集型、知識密集型以及戰略新興產業能夠得以快速發展，進而優化了宏觀經濟發展結構，為宏觀經濟高質量發展奠定必要的基礎。

(三)有效激發市場活力

我國經濟在經歷高速發展之后，逐漸進入新常態，供給側結構性改革戰略的穩步推進為我國經濟的穩步高質量發展提供了重要保障。全面激發市場活力成為宏觀經濟發展的重要基礎，稅收評估可以通過對市場主體的納稅申報進行有效分析，通過實施減稅降費等優惠政策扶持市場主體的發展，進而降低企業的稅費負擔，充分釋放稅費改革紅利，提升其發展活力。由此可以看出，通過應用稅收評估指導宏觀經濟發展過程中可以更加有效的激發市場活力，為宏觀經濟的高質量發展提供更多的保障。

二、應用稅收評估指導宏觀經濟發展面臨的問題

(一)缺乏科學的稅收評估方法

在財政收入中，稅收占據絕對比重且該比重不斷上升，成為國家主要的財政來源，直接影響著國計民生，是一個國家宏觀經濟發展水平和綜合國力的重要體現。近年來，我國在稅收評估方面做出了巨大的努力，各地區稅務機關通過組建專門的稅收評估部門，借助系統軟件對稅收結構、風險、增長變化情況等進行分析。但從稅收評估指導宏觀經濟發展的角度來看，當前的稅收評估方法還相對落后，缺乏對稅收及宏觀經濟發展過程中各項因素的充分考量，其內容相對單一，沒有充分考慮到宏觀經濟發展對稅收評估工作帶來的影響，也沒有根據經濟發展對稅收評估工作進行改進，因此導致稅收評估在一定程度上脫離了宏觀經濟發展實際，所以其對宏觀經濟發展的指導作用受到限制。

(二)缺乏完善的應用指導機制

稅收與宏觀經濟發展之間具有緊密關系，宏觀經濟是稅收的基礎，稅收是宏觀經濟發展的重要結果，兩者相互影響相互促進。通過稅收評估指導宏觀經濟發展涉及到諸多層面的內容，但由于缺乏必要指導機制，因此其指導作用相對有限。首先，在進行完稅收評估之后，如何將其結果順利應用到宏觀經濟發展指導過程中，如何實施這些指導性的政策，如何確保指導政策的有效性等成為擺在當前的重要問題。同時，在稅收評估標準制定和選擇方面是否可以滿足宏觀經濟高質量發展的要求，這也是值得商榷的。目前，制定和實施完善的應用指導機制成為借助稅收評估指導宏觀經濟發展的關鍵所在。

(三)對大數據的應用能力不足

大數據時代的到來對各行業發展產生了重要影響，也直接推動了我國宏觀經濟的發展，同時也影響了稅收評估工作，為其帶來了新的評估手段。但當前在進行稅收評估過程中，還缺乏對大數據等信息技術的應用能力，現有的評估方法、模式和系統等都顯得相對傳統，且很多時候需要進行人工操作，不僅降低了稅收評估的效率，也影響了評估結果的準確性。另外，在具體的稅收評估過程中，其信息化和智能化水平較低，難以借助信息技術手段對宏觀經濟發展和稅收變化中的各項影響因素進行分析，因此導致稅收評估的可靠性受到影響，進而降低了稅收評估對宏觀經濟發展的指導作用。

(四)缺乏專業化人才團隊

稅收評估工作是稅收經濟分析的重要工作內容，涉及到稅收組織收入構成中的諸多內容，其復雜性較高，因此需要專業化的人才團隊。而稅收評估在指導宏觀經濟發展方面的應用也具有較強的專業化，同樣需要專業人才的推動。當前，人才不足成為擺在應用稅收評估指導宏觀經濟發展的重要瓶頸。相關部門對現有稅收評估人員的專業化培訓力度不足，沒有針對稅收評估指導宏觀經濟發展方面進行核專業化的培訓教育。其專業能力和綜合素質得不到持續提升，難以有效應對宏觀經濟發展對稅收評估提出的各項要求，因此其在稅收評估方面的專業性不足，評估結果的應用性存在欠缺。另外，相關部門對稅收評估專業人才的引進不足，大部分人員都是從其他部門或崗位調整而來，非科班出身，因此其專業能力存在先天不足，在稅收評估及其應用方面難以發揮專業人才作用。

三、應用稅收評估指導宏觀經濟發展的對策建議

(一)創新稅收評估方式方法

近年來，為全面激發市場活力，減輕企業負擔，助推新興產業的發展，國家不斷出臺一系列的減稅降費政策，各類政策及稅收征管還處于改革過程中，對宏觀經濟發展具有重要的影響作用，從而對稅收評估提出了更高水平的要求。所以，需要創新稅收評估方式方法提升稅收評估的科學性和準確性。首先，相關部門要轉變傳統稅收評估理念和方法，提升對稅收評估的重視度，將其視為反映宏觀經濟發展質量、促進宏觀經濟發展的重要舉措。其次，要全面更新稅收評估的軟硬件設備，在原有系統基礎上，將宏觀經濟發展和稅收評估相關影響因素納入其中，確保稅收評估分析數據的全面性，以此改進稅收評估結果，更好地指導宏觀經濟高質量發展。

(二)完善應用指導機制

稅收評估在指導宏觀經濟發展方面需要完善的應用指導機制作為保障，以此發揮其應有的作用。在完善應用指導機制方面，要首先明確稅收評估的目標，就是要通過稅收評估結果來評價宏觀經濟發展質量，并找出宏觀經濟新的增長點，比如新興產業和企業，以發揮其對經濟的帶動作用。所以在要在此基礎上制定相應的支持和應用政策，將那些具有戰略指導價值的稅收評估結果應用到宏觀經濟相關產業行業中。同時要對這些支持政策的應用結果進行科學考核與評估，比如在刺激經濟增長方面的成果等，以此作為改進和完善稅收評估對宏觀經濟發展指導機制及支持政策的重要基礎和依據，更好地發揮稅收評估在指導宏觀經濟發展方面的重要作用。

(三)強化對大數據的應用能力

信息技術的快速發展迎來了大數據時代，其對各項稅收工作及宏觀經濟發展都帶來了巨大的機遇，因此強化對大數據等信息技術的應用能力是提升稅收評估對宏觀經濟發展指導能力的關鍵。首先，在進行稅收評估過程中，要樹立大數據思維，摒棄傳統的數據評估理念和方法，充分借助大數據、人工智能等信息技術手段，對稅收征管及宏觀經濟發展過程中的各項影響因素數據進行廣泛的收集、分析、整理、儲存，形成稅收評估信息數據庫，在開展各項稅收評估過程中強化對數據庫的共享，以便于提升稅收評估的科學性和準確性。同時要借助大數據等信息技術對各行業發展情況與稅收情況進行對比分析，以便于明確兩者之間的關系，為稅收評估提供實時性的數據支持，也更好地發揮其在指導宏觀經濟發展方面的作用。

(四)構建專業化人才團隊

當前，人才已經成為各行業發展的關鍵性資源，稅收評估工作本身具有較強的專業性，其在經濟發展中的應用更是需要專業人才的推動。因此，構建專業化人才團隊顯得十分必要。首先，要根據稅收評估工作的實際需要和現有從業人員專業能力和綜合素質的差異性，對其稅收評估人員進行專業化的培訓，使其掌握最新的稅收評估方法，在稅收評估實踐中不斷提升專業能力和綜合素質。另外，要根據稅收評估在指導宏觀經濟發展過程中可能面臨的問題，吸引外部專業人才的加入，實現對現有人員團隊的有效補充，優化知識結構和能力結構，打造一支專業化能力強、綜合素質高的人才團隊，為更加有效地應用稅收評估指導宏觀經濟發展提供強大的人才保障。在宏觀經濟發展過程中，稅收評估工作顯得十分必要，不僅可以實現對稅收本身的評估，還能夠為宏觀經濟發展提供必要的指導。稅收與宏觀經濟發展之間具有必然聯系，通過科學稅收評估能夠確保宏觀經濟增長目標順利實現，同時能夠激發市場活力，實現經濟的高質量發展。從研究來看，可以從創新稅收評估方式方法、完善應用指導機制、強化對大數據的應用能力和組建專業化人才團隊等方面出發，強化稅收評估對宏觀經濟發展的指導作用。

[參考文獻]

[1]齊波.論財稅工作在社會經濟發展中的支撐作用[J].中國集體經濟,2021(3):101-102.

[2]李娜.淺析財政稅收對市場經濟發展的作用[J].中國集體經濟,2021(3):109-110.

宏觀經濟數據范文第5篇

1．1樣本選取

為了排除上市企業IPO盈余管理和利潤操縱因素的影響，筆者從上市時間距離研究點超過4年的上市企業中選取樣本。將因財務狀況異常而被特別處理的ST企業作為財務狀況危機企業，非ST企業作為財務狀況正常企業，從滬深兩市中選取2007—2011年因財務狀況異常而首次被ST的A股制造業上市企業，共89家;按1∶1比例從滬深兩市中隨機選取同時期同行業的89家正常制造業上市企業作為配對企業。這178個樣本中，把2007—2009這3年共116個樣本作為建模樣本，用來構建預測模型，2010和2011年共62個樣本則作為預測樣本，用來檢驗預測模型的有效性和準確性。

1．2變量選取

由于宏觀經濟涉及面廣且復雜，全面綜合考慮所有因素既不經濟也不可行，因此筆者根據國內外相關學者的變量選取情況采用文獻回顧法初步選取了以下11個相對數據的宏觀經濟變量:GDP增長率g1、CPI變化率g2、PPI變化率g3、工業增加值同比g4、M2同比增長率g5、M1同比增長率g6、利率的變化率g7、利率g8、社會消費品零售總額同比g9、同業拆借加權平均利率g10和失業率g11。為便于選取，筆者以2004—2011的32個季度11個宏觀經濟變量數據為基礎進行宏觀變量的篩選。財務變量的選取需要全面反映企業的財務狀況，結合國內外研究情況，初步選取了能夠全面反映企業償債能力、盈利能力、風險水平、現金流量能力和營運能力的24個財務變量，具體如下:①盈利能力:賬面市值比x1、資產報酬率x2、銷售凈利率x3、營業利潤率x4、凈資產收益率x5、總資產凈利率x6、留存收益資產比率x7和每股收益x8;②現金流量能力:固定資產比率x9、債務保障率x10、現金流量利息保障倍數x11和每股經營活動現金凈流量x14;③風險水平:財務杠桿系數x12和經營杠桿系數x13;④償債能力:流動比率x15、速動比率x16、營運資金對資產總額比x17和資產負債率x18;⑤營運能力:應收賬款周轉率x19、流動資產周轉率x20、存貨周轉率x21和總資產周轉率x22;⑥發展能力:營業收入增長率x23和總資產增產率x24。筆者采用第t－2年的財務數據來預測企業第t年的財務狀況。首先對變量進行單變量組間均值相等檢驗和F值檢驗，剔除對ST企業和非ST企業分類不明顯的變量。對于ST企業和非ST企業來說，所處宏觀經濟環境都一樣，因此只需對財務變量進行均值檢驗和F值檢驗。其次，對選取的11個宏觀經濟變量和通過均值檢驗的13個變量分別進行因子分析，以克服量間的多重共線性并選取影響較大的代表性因子，具體如下:(1)進行球形度的KMO與Bartlett檢驗，檢驗結果如表2所示。由表2可以看出，宏觀經濟變量和財務變量的KMO值分別為0．582和0．785，均大于0．5，且球形Bartlett檢驗顯著性水平均為0，小于0．05，說明宏觀經濟變量之間及財務變量之間適合進行因子分析。(2)從方差貢獻率角度考慮這些因子的影響，因子旋轉后的特征值和方差貢獻率如表3所示。由表3可以看出，宏觀經濟變量因子分析的前3個因子特征值均大于1且累計方差貢獻率達到82．104%，大于80%，可以選取這3個因子代替原始宏觀經濟變量，且不會造成大量的信息損失;財務變量因子分析的前4個因子特征值均大于1且累計方差貢獻率達到82．280%，大于80%，可以選取這4個因子代替原始財務變量，且不會造成大量的信息損失。(3)因子載荷矩陣如表4所示。其中，Gi為宏觀因子i，Fj為財務因子j。表4中的數值為具體因子載荷值(這里只保留了大于0．5的載荷)，分析這些數值可知，宏觀因子G1主要反映了通貨膨脹情況，宏觀因子G2主要反映了國家貨幣供應情況，宏觀因子G3主要反映了國家工業發展情況，這3個因子涵蓋了所有11個宏觀變量，因此用這3個因子代表宏觀經濟變量是合理的;財務因子F1和財務因子F3主要反映企業的盈利能力，財務因子F2主要反映企業的償債能力，財務因子F4主要反映企業的風險水平，這4個因子涵蓋了所有13個原始財務變量，因此用這4個因子代表企業財務變量是合理的。數據均來源于國泰君安數據庫。以上數據處理均通過SPSS18．0完成。

2實證分析

2．1建立模型

分別用判別分析、Logistic回歸和BP神經網絡3種方法建立財務風險預警模型，并用各個模型對樣本進行預測，對結果進行比較分析。判別分析法是對研究對象所屬類別進行判別的一種統計分析方法。判別分析的過程是根據已知測量的分類(0，1)和表明觀測量特征的指標變量，推導出判別函數，根據判別函數對觀測量所屬類別進行判別，對比原始樣本的分類和按判別函數所判的分類，計算出預測準確度和錯分率。Logistic回歸模型是對二分類因變量進行回歸分析時使用最普遍的多元統計方法。它使用最大似然估計法，求得相應變量取某個值的概率。如果得出的概率大于設定的分割點，則判定該企業將陷入財務危機。Logistic回歸對于變量的分布沒有具體要求，適用范圍更廣。BP神經網絡是目前最常見、應用最廣泛的一種神經網絡。BP網絡能學習和存儲大量的輸入－輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。BP神經網絡模型拓撲結構包括輸入層、中間層(也稱隱層)和輸出層。輸入信號先向前傳播到隱節點，經過變換函數之后，把隱節點的輸出信息傳播到輸出節點，經過處理后再給出輸出結果。節點的變換函數通常選取Sigmoid型函數。

由于宏觀經濟環境是所有企業共同所處的環境，企業對宏觀經濟環境可能存在一定的超前或滯后的反應，因此在研究宏觀經濟變量對企業財務風險的影響時，應考慮使用宏觀經濟變量的期限，以確保預測模型最優。該項研究采用限制相對自由的Logistic回歸方法，研究計算通過SPSS18．0統計軟件中的Logistic工具完成。經過Logistic回歸，可分別得到基于t－3年、t－2年和t－1年的宏觀經濟Logistic回歸模型4～模型6，模型中的變量如表5所示。從上述3個模型中各變量顯著性水平來看，模型4中各變量的顯著性水平均優于另外兩個模型，即加入t－3年的宏觀經濟數據對預警模型的優化效果最明顯，這說明我國企業對宏觀經濟勢的反應存在一定的滯后性，因此在預警模型中加入t－3年即超前于財務數據一期的宏觀經濟數據是最合適的。以下分別用判別、Logistic回歸和神經網絡3種方法建立財務風險預警模型，每種方法都建立只含財務變量模型和加入超前財務數據一期的宏觀經濟變量兩種模型。建立前者模型時，把第二部分得到的F1、F2、F3、F4這4個財務變量因子作為輸入變量;建立后者模型時，把第二部分得到的F1、F2、F3、F4這4個財務變量因子和超前財務變量一期的G1、G2、G3這3個宏觀經濟變量因子共同作為輸入變量。通過SPSS18．0可分別得到基于財務變量判別模型式(1)和基于宏觀經濟變量判別模型式(2)，以及基于財務變量Logistic回歸模型式(3)和基于宏觀經濟變量Logistic回歸模型式(4)。運用BP神經網絡進行財務風險預警時，輸入層節點數為變量的個數，隱含層經過反復測試，最終確定為30個節點，輸出層節點數為1，即企業的財務狀況，輸出0表示財務狀況正常，輸出1表示陷入財務困境。BP神經網絡研究計算通過Matlab7．1軟件完成。訓練函數選用trainlm，設置最大學習次數為1000次，目標誤差為0．05，學習速率為0．08。

2．2預測結果及分析

用以上3種方法建立的模型對預測樣本進行預測，預測結果如表6所示，其中1代表ST企業，0代表非ST企業。通過表6可以得出以下結論:(1)基于宏觀經濟預警模型的預測準確度高于基于財務變量預警模型的預測準確度。但基于宏觀經濟預警模型對預測樣本的預測準確度與基于財務變量預警模型對預測樣本的預測準確度一樣，均低于對建模樣本的預測準確度，這說明在預警模型中加入宏觀經濟變量對企業財務風險預警模型能起到一定的優化作用，但預測本身的滯后性仍無法避免。(2)基于宏觀經濟預警模型的預測穩定性高于基于財務變量預警模型的預測穩定性。從表6可以看出，基于財務變量預警模型對預測樣本和對建模樣本的預測準確度變化率均有所降低。這說明在預警中加入宏觀經濟變量，預測準確度下降幅度有所減小，模型較穩定。(3)基于宏觀經濟預警模型更全面地反映了影響企業財務風險的各種因素。從模型自身來看，在不考慮宏觀經濟因素的情況下，對企業財務狀況影響最大的首先是盈利能力，其次是企業自身風險水平和償債能力;而在考慮宏觀經濟因素后，對企業財務狀況影響最大的除盈利能力和償債能力外，不容忽視的外部影響因素是代表整個國家工業發展情況的G3因子，且與企業發生財務風險概率的大小呈負相關。(4)從分類預測結果來看，在判別和Logistic回歸預警方法下對建模樣本預測準確度與預測樣本預測準確度進行比較，加入宏觀經濟變量前后模型的第一類錯誤率都是增大的，第二類錯誤率都是減小的。但神經網絡方法下兩類錯誤率都是減小的，這與神經網絡自身方法的特點有關。神經網絡對實際系統的擬合精度只取決于網絡自身結構特性及網絡學習參數的確定，而與實際系統的維數無關。(5)在這3種預警方法中，神經網絡預測結果最優，判別預測結果最差。從表6可以看出，無論在預警模型中是否加入宏觀經濟變量，無論是建模樣本還是預測樣本，模型預測準確度依次為BP神經網絡優于Logistic回歸，Logistic回歸優于判別模型。這說明在對企業財務風險進行預警時，應該優先考慮BP神經網絡方法，為以后企業財務風險預警方法選擇提供了參考依據。

3結論