備受青睞的GDP季節調整

文兼武 劉 冰 楊紅軍 李婧婧

為反映GDP等經濟指標的基本趨勢,國際上通常的做法是對季度或月度相關原始數據進行季節調整。了解和掌握國際上通用的GDP季節調整方法,對于研究和制定適合我國國情的季度GDP季節調整方法具有重要意義。

氣候條件、生產周期、假期和銷售等季節因素對經濟發展造成的影響,通常大得足以遮蓋時間序列短期的基本變動趨勢,混淆經濟發展中其他客觀變化要素,以致難以深入研究和正確解釋經濟規律。若要掌握經濟運行的客觀變化規律,必須對GDP進行季節調整。所謂季節調整,就是一個從時間序列中估計和剔除季節影響的過程,目的是更好地揭示季度或月度序列的特征或基本趨勢。

在我國,迄今為止尚未公布包括季度GDP在內的經季節調整的經濟指標數據,這不僅不利于對我國宏觀經濟運行監測,也無法滿足國際比較的需要。為此,了解和掌握國際上通用的GDP季節調整方法,對于研究和制定適合我國國情的季度GDP季節調整方法具有重要意義。

■ 季節調整的三種模型

早在20世紀初,人們就開始了從時間序列中分解季節因素、調整季節變動的嘗試。1919年,美國經濟學家首先提出研究季節調整,隨后有關季節調整的方法不斷得到改進;1931年,美國經濟學家提出用移動平均比率法進行季節調整,成為季節調整方法的基礎;1954年,美國普查局率先開發了利用計算機程序對時間序列進行季節調整,稱為X—1模型(此后季節調整的模型每改進一次都以X加上序號表示);1961年,美國普查局開發了X—10模型,它根據不規則變動和季節變動的相對大小來選擇計算季節因素的移動平均項數;1965年,美國普查局推出比較完整的季節調整程序X—11模型,并很快成為全世界統計機構使用的標準方法。

由于各國、特別是發達國家的政策制定者越來越青睞經季節調整后的數據,促使各國的統計部門或中央銀行進一步加強對季節調整方法的研究。隨著研究的不斷深入,以及時間序列分析技術和計算機技術的不斷完善,季節調整方法得到迅速發展。目前,已開發出X—11—ARIMA、X—12—ARIMA和TRAMO/SEATS這三種非常成熟的模型用于季節調整,在國際上被普遍采用。

X—11—ARIMA模型。1978年,加拿大統計局將X—11進行了改進,推出了改進的X—11—ARIMA(自回歸合并移動平均)模型。該方法引進隨機建模的方法,在X—11模型的基礎上加入ARIMA建模和預測,通過自回歸和移動平均方法對時間序列進行季節調整。這個方法不僅包含了X—11的所有優點,而且還具有通過ARIMA模型在季節調整前向前或向后擴展時間序列的能力。

X—12—ARIMA模型。美國勞工統計局在上世紀90年代推出了X—12—ARIMA模型,它基本上囊括了X—11—ARIMA的最新版本(X—11—ARIMA88版)的所有特性,同時改進了它在建模和診斷能力方面的缺陷,增加了幾種模型和季節調整診斷方法。

TRAMO/SEATS模型。二十世紀末,由西班牙中央銀行研制并推出TRAMO/SEATS模型,是以ARIMA模型為基礎,使用信號提取技術進行季節性調整時間序列的項目。該模型被廣泛用于歐盟成員國季度和月度數據的季節調整。

上述三種方法的思路基本相同,即均采用ARIMA來預測最近季度的趨勢,但是在具體細節的技術處理及考慮的調整因素上存在著某些差異,因此調整的結果會有所不同。

■ 季節調整的基本步驟

季節調整主要包括三個步驟,即檢測異常值、消除異常值、修訂及預測。

檢測異常值。觀察原始數據,繪制原始數據圖或計算序列自相關系數,觀察序列是否包含季節性、季節模式的變化、波幅的差異和變化、異常值等季節性變化因素。通常來說,影響季度性變動的因素,一般可分解為趨勢因素、周期因素、季節因素和不規則因素等四個。不過,由于一般的時間序列的觀察值有限,不能充分地將趨勢從周期變化中加以區分,因此,長期趨勢和周期變動被合并為趨勢—周期因素。

消除異常值。在對序列及其季節行為進行初步的圖形評估后,使用模型的默認選項進行季節調整,隨后,使用模型計算出經季節調整的趨勢,并加回異常觀測值。需要指出:一是利用模型把原始時間序列中存在的季節因素剔除掉,季節調整后的時間序列是趨勢—周期和不規則因素的合成。二是根據時間序列各組成因素之間的不同依存關系可以建立不同模型,主要有加法模型和乘法模型。理論上講,如果不管趨勢如何變化,季節因素相對不變,那么加法模型是合適的;如果季節變化隨趨勢變化而變化,乘法模型是最合適的候選模型。目前國際上常用的是乘法模型。

修訂及預測。就是修訂歷史數據和預測近期趨勢。

■ 季節調整的利弊

季節調整的優點。與原始數據相比,消除季節因素影響后的數據具有下述五個優點:一是可以更加準確地反映數據本身的基本趨勢。二是具有可比性。三是能夠及時反映經濟的短期變化,特別是反映經濟變化的轉折點,這對經濟分析非常有價值,同時也是季節調整最大的優點。以季度GDP為例,通過經季節調整后的季度GDP數據可以更快地識別經濟拐點。各國在利用季節調整方法之前,一直使用季度同比GDP增長率作為一種消除季節因素的簡單方法來判斷經濟發展趨勢。不過,這種簡單的方法所反映的拐點,要比經季節調整序列與上季的變化率所反映的拐點滯后1—3個季度(平均6個月)。這是因為,未經季節調整的GDP同比增長率受上一年的趨勢、周期和不規則變動的影響。四是可進行年率化折算。五是可用于近期預測。

由于季節調整后的數據具有上述五個優點,特別是第三個優點,因而得到各國,特別是發達國家的政策制訂者的青睞。

季節調整的不足。季節調整后的數據也有其不易理解的一面,突出表現在三個方面:第一,調整后的時間序列是計算出來的而不是觀察出來的結果。未調整的時間序列相互之間是獨立的,經調整后,改變了序列的統計特征,使其成為相互之間關聯的、變化趨小的調整序列。換句話說,季節調整后的數據,不論其總量還是增長率都與實際計算的數據之間有很大差異,數據反映出的經濟含義不是核算期的實際經濟含義。第二,同一個數據,經過不同次數的季節調整(因為每一次新的數據出來以后都要作為時間序列的一部分而重新進行季節調整),難以理解并被接受。第三,經季節調整的時間序列,其終端數據比中間數據的可信度低。原因是在形成最終序列前,容易對起始端數據加以修改。如果將季節調整后的時間序列建立的季度或月度模型用于預測,其用于建立模型的數據通常是季節調整后序列中可信度最差的數據。

■ 季節調整方法的應用

國際上沒有統一規定要采用哪一種方法進行季度GDP季節調整,各國均根據各自的實際情況來選擇。美國、日本、德國、加拿大、荷蘭、挪威、瑞士和韓國采用 X—12—ARIMA方法;澳大利亞、丹麥、芬蘭、法國、新西蘭和葡萄牙采用 X—11—ARIMA方法;奧地利、比利時、意大利、西班牙采用 TRAMO/SEATS。

不過,盡管美國使用X—12—ARIMA方法,但美國普查局已經在新版本的X—12—ARIMA中吸收了TRAMO/SEATS的內容。此外,歐盟統計局還支持開發了用于季節調整的特制軟件——DEMETRA,這個軟件合并了X—12—ARIMA 和TRAMO/SEATS 兩種季節調整方法,并為用戶提供了兩種方法的方便、友好界面。

新加坡、泰國、中國香港、印度尼西亞和菲律賓等亞洲的一些國家和地區也采用X—11—ARIMA或X—12—ARIMA模型對本國的季度GDP數據進行季節調整。

目前,發達國家都對季度GDP時間序列進行季節調整。大多數國家是利用沒經過季節調整的基礎數據進行國民核算,然后利用模型對原始數據進行季節調整,在他們的數據公布系統中,一些國家同時公布季節調整前后的兩種數據,另一些國家則只公布季節調整前的數據,但是在經濟分析和利用時間序列做模型時,多用季節調整后的數據。

季節調整的原理是相同的,但具體調整方法需結合實際國情特點。

(作者單位:國家統計局國際信息中心)