5月居民消费价格指数总体平稳 工业生产者出厂价格指数继续上涨

根据价格传导理论（Frey & Manera, 2007），产业链上的成本冲击沿投入产出网络逐级向下游传递，最终抵达消费终端。然而，传导并非完全对称——在市场集中度较高的产业链环节，企业具备更强的成本加成定价能力，价格上涨传导更充分；而在竞争充分的环节，涨价空间被压缩。同时，不同收入群体的消费篮子结构差异导致通胀福利效应高度异质——低收入家庭食品和必需品权重更高，高收入家庭对工业消费品价格更敏感。

据此提出以下假说：
- H1：PPI→CPI的传导在产业链下游制造业环节（电气机械、计算机通信设备）弹性显著大于上游原材料环节，且存在约3-6个月的传导时滞。
- H2：工业消费品价格上涨对中高收入家庭的福利损失（以等价变动测度）大于低收入家庭，因为前者消费篮子中耐用消费品占比更高。
- H3：市场集中度越高的行业，其成本冲击向消费价格的传导弹性越大（非对称性）。

本文从三个层面识别价格传导：其一，通过非对称误差修正模型识别PPI不同分项对CPI的长期均衡关系与短期非对称调整；其二，利用投入产出表构造产业链网络的邻接矩阵，通过Leontief逆矩阵计算外生成本冲击在产业链各环节的传导乘数；其三，利用城镇住户收入分组数据，以QUAIDS需求系统估计各收入组对工业消费品类别的价格弹性，计算等价变动（EV）衡量福利效应。

关键识别假定：（1）投入产出技术系数在中短期内稳定不变；（2）没有同时在供给端和需求端发生同等量级的外生冲击导致价格传导被混淆；（3）消费者的支出分配在预算约束下满足可积性条件。

非对称误差修正模型（AECM）设定为：

ΔCPI_t = α + Σ_{i=1}^{p} β_i ΔCPI_{t-i} + Σ_{j=0}^{q} γ_j^+ ΔPPI_{t-j}^+ + Σ_{k=0}^{r} γ_k^- ΔPPI_{t-k}^- + λ(CPI_{t-1} - θ PPI_{t-1}) + ε_t

其中 ΔPPI^+ = max(ΔPPI, 0) 为正冲击，ΔPPI^- = min(ΔPPI, 0) 为负冲击，λ 为误差修正速度。γ_j^+ ≠ γ_k^- 的 Wald 检验即判定传导非对称性。

福利效应测度：EV = C(u₁, p₀) − C(u₀, p₀) ≈ Σ_i w_i Δln p_i + ½ Σ_i Σ_j ε_{ij}^* w_i Δln p_i Δln p_j

核心变量构造：CPI与PPI分项同比指数（国家统计局，2015M1—2026M5，月度频率）。投入产出网络选用2018年和2022年全国投入产出表（153部门），提取制造业产业链条的直接消耗系数矩阵和完全消耗系数矩阵，构建行业间成本传导路径。

福利分析使用国家统计局城镇居民收入五等分组的消费支出结构数据（2022—2025年年度），计算各收入组的消费篮子权重向量。工业消费品类别包括：家用电器、交通工具、通信工具、文娱耐用品等。

• **替换传导模型**：以门限协整模型替代AECM，以PPI变动幅度（如±1%为门限）定义传导机制切换，检验非对称性结论是否对模型设定方式敏感。
• **替换投入产出基准年份**：分别以2018年和2022年投入产出表计算价格传导路径，比较技术系数变化对传导乘数估计的影响。
• **替换福利测度方法**：以补偿变动（CV）替代等价变动（EV）计算福利损失，检验符号和排序是否一致；同时以CPI分项替代工业消费品子类重新估计QUAIDS模型。
• **样本期分割**：以2020年疫情冲击为断点，分别估计2015—2019年和2021—2026年两个子样本的AECM模型，观察价格传导机制的阶段性变化。

---

新凯恩斯Phillips曲线（NKPC）将当期通胀与预期通胀、产出缺口（或边际成本）联系起来。在新凯恩斯框架中，企业的价格调整面临菜单成本等粘性约束，只有当边际成本（与PPI紧密关联）变化足够大时才会调整价格。因此PPI的持续上涨将逐步传导至核心CPI。然而，近年来全球供应链重构和中国产业结构升级可能改变了PPI与CPI之间的映射关系——绿色转型和AI发展驱动的有色金属、电气机械价格上涨是否具有与传统需求拉动型通胀不同的传导特征，这是NKPC面临的新挑战。

据此提出以下假说：
- H1：中国Phillips曲线的斜率在2023年后显著增大，PPI对核心CPI的预测能力（以Granger因果检验F统计量衡量）在样本后期明显增强。
- H2：在PPI涨幅超过2%的阈值区间，PPI→CPI传导弹性出现结构性跃升（非线性的阈值效应）。
- H3：PPI持续回升阶段，最优货币政策应对通胀的权重应适度上调，产出稳定权重相对下调。

识别Phillips曲线斜率面临两大内生性挑战：其一，通胀预期不可观测且与当期通胀互为因果；其二，产出缺口本身是估计量而非观测值，测量误差导致衰减偏误。本文采用时变参数向量自回归（TVP-VAR）处理参数漂移，允许Phillips曲线斜率和方差-协方差矩阵均随时间演变。同时，利用贝叶斯估计DSGE模型进行反事实模拟，通过比较不同货币政策规则（Taylor规则中通胀权重由1.5逐步提升至2.0）下的福利损失，推断最优政策响应。

关键识别假定：（1）TVP-VAR中参数的随机游走过程能刻画结构性变化；（2）DSGE模型中观测变量足以识别核心结构参数；（3）2023年前后中国宏观经济的结构性变化主要由PPI传导效率提升驱动。

TVP-VAR(p)设定为：

Y_t = c_t + Σ_{i=1}^{p} A_{i,t} Y_{t-i} + ε_t, ε_t ∼ N(0, Σ_t)

其中 Y_t = [PPI_t, CPI_t, GDPGap_t, M2_t]′，时变系数矩阵 A_{i,t} 服从随机游走过程。时变Phillips曲线通过CPI方程中PPI滞后项的系数动态演化来识别，记作 β_t^{PPI→CPI}。

货币政策响应通过反事实DSGE模拟完成：中央银行的Taylor规则设定为 i_t = ρ i_{t-1} + (1−ρ)[r̄ + φ_π(π_t−π̄) + φ_y y_t] + ν_t，其中 φ_π 为本文关注的核心政策参数。

被解释变量：核心CPI（剔除食品和能源的CPI同比，国家统计局）、GDP产出缺口（HP滤波提取的GDP实际值对潜在产出的偏离百分比）。核心解释变量：PPI同比（国家统计局），分上游（采掘、原材料）和下游（生活资料、加工工业）两个层次构造。控制变量：M2同比增速（人民银行）、人民币实际有效汇率指数（BIS）、国际原油价格（WTI，美元/桶）。

样本区间：2005Q1—2026Q1，季度频率，共85个观测值。TVP-VAR采用贝叶斯MCMC方法估计，迭代10000次，前2000次作为预热期。

• **替换产出缺口测算方法**：以生产函数法、Kalman滤波法替代HP滤波提取产出缺口，检验Phillips曲线斜率估计对缺口测度方式的敏感性。
• **替换核心通胀指标**：以剔尾均值CPI（剔除最大和最小5%分项）替代核心CPI作为被解释变量，排除极端价格波动项的干扰。
• **替代货币政策规则**：在DSGE模拟中以McCallum规则（基础货币规则）替代Taylor规则，检验最优通胀响应权重结论是否依赖于利率规则设定。
• **窗口期结构断点检验**：以Bai-Perron方法检验PPI→CPI传导参数是否存在结构断点，并将断点年份与绿色转型、AI发展等重大事件对照。

---

根据可得性启发式（Tversky & Kahneman, 1973），人们更关注频繁接触和容易回忆的信息。Brachinger（2008）的"购买频率假说"进一步指出：购买频率高的商品（如食品、日常消费品）的价格变化对消费者通胀感知的影响远超其在CPI篮子中的实际权重。在5月数据中，工业消费品价格同比上涨3.9%（涨幅扩大），而食品价格因应季蔬菜大量上市而环比下降——这种"涨声大、跌声小"的不对称曝光可能放大消费者对整体通胀的感知。

据此提出以下假说：
- H1：消费者主观通胀预期系统性地高于实际CPI（1.2%），感知偏差幅度在3—5个百分点之间。
- H2：购买频率越高的商品类别（食品、出行服务），其价格变动对消费者通胀感知的边际贡献越大——支出权重之外存在独立的"频率效应"。
- H3：媒体通胀报道的负面情感倾向（标题中"上涨""扩大"等词汇频率）与消费者通胀预期的系统高估正相关（框架效应）。

核心挑战是将"购买频率效应"从"支出权重效应"中分离出来。本文的策略是：在同一回归中同时纳入两类商品类别的价格变化作为解释变量——高购买频率但低支出权重的商品（如鲜菜、猪肉）与低购买频率但高支出权重的商品（如家用电器、交通工具）。如果前者的系数显著大于后者，则频率效应独立存在。同时，利用城镇储户调查的微观个体面板数据，通过个体固定效应消除不随时间变化的个人悲观/乐观倾向。

关键识别假定：（1）购买频率在不同消费者群体间有充分变异（如退休老人 vs. 上班族）；（2）媒体报道的框架效应在外生新闻事件冲击下独立变化，而非完全由经济基本面驱动；（3）调查数据的通胀预期测量误差是经典测量误差（与真实通胀预期独立）。

基准面板模型设定为：

PerceptBias_{it} = α + β₁ HighFreqPrice_{t} + β₂ LowFreqPrice_{t} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 PerceptBias_{it} 为个体 i 在时期 t 的通胀感知偏差（主观感知通胀与实际CPI之差）。HighFreqPrice_t 为高购买频率商品类别的价格变化向量（食品、出行服务），LowFreqPrice_t 为低购买频率类别（耐用消费品）。在控制个体和年份固定效应后，β₁ 和 β₂ 的系数差异（Wald检验）即识别"频率效应"。

媒体框架效应模型：PerceptBias_{it} = α + θ MediaTone_t + δ (MediaTone_t × PriceChange_t) + γ X_{it} + μ_i + ε_{it}

其中 MediaTone_t 为季度媒体通胀报道的情感得分（自然语言处理提取），交互项系数 δ 衡量媒体框架是否放大了价格变化对感知的影响。

被解释变量（PerceptBias）：央行城镇储户调查中的"未来物价预期扩散指数"与实际CPI之差（转换为百分点）。核心解释变量：商品类别按购买频率分为高低两组——高频（食品、出行服务、日常消费品）和低频（家电、交通通信工具、文娱耐用品）——价格变化以CPI分项同比衡量。

媒体框架效应变量：以新闻联播经济报道文本和主流财经媒体（财新、经济日报）的CPI相关报道为语料，利用BERT中文预训练模型进行情感分类，构建月度"媒体通胀论调指数"（正面/中性/负面比例加权得分）。

个体层面控制变量：收入水平、年龄、教育程度、城乡户籍、是否持有住房贷款（来自CFPS 2014—2024年五波数据）。

• **替换购买频率的测度方式**：以互联网平台消费行为数据（如支付宝年度账单中各类消费的月均交易次数）替代自报频率来分类高低频商品，消除主观报告偏误。
• **替换通胀感知测度**：以CFPS问卷中"您认为过去一年物价总体变化"的自报数据替代央行城镇储户调查的通胀预期指数，检验测量工具差异对结论的影响。
• **排除信息理性的替代解释**：在回归中加入经济新闻的客观报道量（非情感）作为控制变量，区分"信息曝光效应"与"框架效应"——如果加入后情感语调的系数仍显著，则框架效应独立存在。
• **安慰剂检验**：将媒体通胀报道的情感得分替换为同期非经济类报道（如体育新闻）的情感得分，预期其系数不显著。

---

根据生活成本指数理论（Konüs, 1939），真实生活成本指数应追踪给定效用水准下最小支出的变化。然而，Laspeyres固定权重指数（中国CPI采用的方法，每五年更新权重）忽略了消费者面对相对价格变化时的替代行为——即消费者从涨价商品转向降价商品的替代偏误（substitution bias）。Boskin Report（1996）估算美国CPI因替代偏误、质量调整不足等因素年均高估通胀约1.1个百分点。中国在2021—2026年间消费结构发生剧变（新能源汽车渗透率从15%升至50%+，数字服务消费爆发），五年权重更新制度是否导致更严重的测度偏差，是一个需要实证回答的问题。

据此提出以下假说：
- H1：在消费结构加速转型时期，现行五年基期轮换制度导致CPI测度偏差随时间累积——基期越临近更新年份偏差越小，越远离更新年份偏差越大（倒U型或V型趋势）。
- H2：若采用年度链式指数替代五年固定基期指数，测度偏差可缩窄0.3—0.5个百分点。
- H3：替代偏误在数字消费（在线教育、流媒体订阅、外卖）和新能源汽车类别中最大，因为这些类别的价格下降趋势与消费占比上升形成最强的替代效应。

核心识别策略是构建"真实通胀基准线"并用官方CPI与之对比。本文采用两套基准：其一，利用电商平台公开价格数据构造高频链式Törnqvist指数（满足Fisher理想指数条件且允许权重平滑更新）；其二，利用住户调查微观支出数据构造各收入组的个性化通胀指数（Demographically Specific CPI）。官方CPI与基准线之间的差值即为制度引致的测度偏差。

关键识别假定：（1）电商价格数据涵盖的商品篮子与CPI篮子可比（通过映射表匹配）；（2）质量变化可以通过特征价格法（hedonic regression）或匹配模型法（matched-model）得到合理控制；（3）五年权重更新间隔外没有其他制度调整（如分类修订、调查方式变化）影响CPI编制。

偏差测度模型设定为：

Bias_t = CPI_t^{official} − CPI_t^{chain}

其中 CPI_t^{chain} 为链式Törnqvist指数：ln CPI_t^{chain} = Σ_i ½(s_{i,t} + s_{i,t-1}) × (ln p_{i,t} − ln p_{i,t-1})，s_{i,t} 为商品 i 在时期 t 的支出份额。

制度衰减效应模型：Bias_t = α + β_1 TimeSinceRebase_t + β_2 TimeSinceRebase_t² + γ Control_t + ε_t

其中 TimeSinceRebase_t 为距离最近一次CPI基期轮换的年数（2021年为0，2026年为5）。若 β₁ > 0 且 β₂ > 0，则偏差随时间呈加速扩大趋势（支持H1）。β₁ 的估计值直接衡量每年因替代偏误累积的通胀偏差量。

被解释变量（Bias）：月度频率测量的官方CPI与链式基准CPI的差值（百分点）。核心解释变量（TimeSinceRebase）：以2021年为基期起始年（t=0），按月累加至2026年（t=60个月）。链式CPI基准构造：利用天猫/京东平台的约1000种标准化商品的月度价格数据（2016年1月—2026年5月），按CPI八大类对应映射；每一类内部采用Törnqvist公式合成类指数，各类间以链式方式汇总。

消费结构变迁代理变量：新能源汽车渗透率（乘联会月度数据）、在线服务消费占居民消费比重（中国信息通信研究院年度报告插值至月度）、数字支付笔数月均增速（人民银行支付体系报告）。

• **替换基准指数公式**：分别以Fisher理想指数和几何Laspeyres指数替代Törnqvist指数构造基准，检验偏差估计对指数公式选择的敏感性。
• **替换价格数据源**：以超市条形码扫描数据（如尼尔森零售数据）替代电商平台价格数据，解决电商价格可能存在的促销噪音和选择偏误问题——如果两个数据源得到的偏差方向一致，结论更可信。
• **跨国比较验证**：选取同样采用五年基期轮换的国家（如印度、巴西）和采用年度链式指数的国家（如美国、英国）进行对比，以跨国面板模型检验权重更新频率与CPI偏差的统计关系，增强制度分析的因果识别。
• **质量调整偏误的敏感性检验**：对电子产品类别分别使用和不使用hedonic质量调整价格进行比较，量化质量调整不足对总偏差的独立贡献。

---

发展经济学视角下，工业品价格的上涨并非总是负面的通胀信号——当价格上升由技术进步和产业升级驱动时，它反映的是"高附加值化"的结构转型趋势。有色金属价格上涨背后的绿色转型需求（光伏、储能、电动车对铜、锂、镍的旺盛需求）和电气机械/计算机通信设备价格上涨背后的AI发展需求，代表着中国制造业从"规模驱动"的低价竞争向"技术驱动"的高附加值转型。然而，这种转型对中国不同发展阶段的省份影响可能高度异质——东部沿海技术密集型省份受益更多，而中西部资源依赖型或传统制造业省份可能面临结构性冲击。

据此提出以下假说：
- H1：绿色转型相关需求（以光伏装机、新能源车产量为代理变量）对有色金属行业出厂价格有显著且持续的正向推升效应，这种效应自2023年起明显增强。
- H2：AI发展相关需求（以数据中心建设、算力投资为代理变量）对电气机械和计算机通信设备出厂价格的正向影响在2024年后出现结构性跃升。
- H3：由绿色转型和AI驱动的工业品价格上涨促进制造业整体全要素生产率提升，但这一正面效应在东部省份（人均GDP > 10万）和中部/西部省份之间存在显著差异——技术密集型省份受益更大。

核心挑战是分离绿色转型/AI需求的价格效应与其他因素（如输入性通胀、汇率波动、供给瓶颈）。本文采用行业-年份面板固定效应模型，通过双向固定效应（行业 + 年份）消除不随时间变化的行业特征和共同宏观冲击。进一步，利用"行业对绿色/AI需求的暴露度"构建类Bartik工具变量——以各行业在基期（2015年）的投入产出表中对绿色转型相关下游（光伏、储能、电动车）和AI相关下游（数据中心、半导体）的供给依赖度，与全国层面的绿色转型/AI发展速度交互，作为各行业出厂价格的工具变量。

关键识别假定：（1）行业在2015年的投入产出结构与当前的绿色/AI需求暴露度相关（相关性条件）；（2）2015年的行业技术结构仅通过当前的绿色/AI需求渠道影响出厂价格（排他性条件）——这一假定通过控制同期其他经济变量来辅助验证。

行业面板基准模型：

PPI_{it} = α + β₁ GreenDemand_{it} + β₂ AIDemand_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 PPI_{it} 为行业 i 在 t 期的出厂价格同比，GreenDemand_{it} 为行业 i 对绿色转型需求的暴露度（以绿色转型下游行业对该行业的中间品消耗占比 × 绿色转型下游产出增速衡量），AIDemand_{it} 同构定义。μ_i 和 λ_t 分别为行业和年份固定效应。

省级面板门限模型：

TFP_{pt} = θ₁ PPI_struct_{pt} × I(GDPpc_{pt} ≤ τ) + θ₂ PPI_struct_{pt} × I(GDPpc_{pt} > τ) + δ Z_{pt} + ν_p + η_t + u_{pt}

其中 PPI_struct_{pt} 为省份 p 中绿色/AI驱动的PPI变化成分（以省份产业结构权重汇总行业层面PPI），门限变量为人均GDP，τ 为门限估计值。θ₁ 与 θ₂ 的差异衡量不同发展水平的异质性效应。

被解释变量：行业层面PPI同比（国家统计局，41个工业行业，2015M1—2026M5月度数据），合并为季度频率；省级TFP（以省级工业增加值除以资本和劳动投入的加权平均计算，使用永续盘存法估计资本存量）。

核心解释变量：GreenDemand（各行业对绿色转型的暴露度 = 投入产出表中该行业向"光伏设备制造、储能电池制造、新能源汽车制造"三个下游行业的中间品供给占比 × 该下游行业的实际产出增速）；AIDemand（同理，下游为"数据中心建设、半导体制造、AI服务器制造"）。

控制变量：行业层面的市场集中度（CR4，以营业收入计）、外贸依存度（出口交货值/总产值）、行业平均工资；省级层面的人力资本（人均受教育年限）、基础设施（公路密度）、FDI占比。

• **替换行业暴露度的测度方式**：以行业研发投入中对绿色/AI相关技术领域的专利占比替代投入产出需求暴露度，检验需求拉动效应的识别是否对暴露度定义敏感。
• **替换省级TFP的测算方法**：以随机前沿分析（SFA）替代传统Solow残差法计算省级TFP，并比较OLS与系统GMM估计结果的差异，控制TFP测算误差对结论的影响。
• **安慰剂检验——虚假需求冲击**：将GreenDemand和AIDemand变量替换为行业对传统基建（钢铁、水泥需求）的暴露度，预期其对PPI的推升效应在2023年后应显著低于绿色和AI需求——如果结论被推翻，则说明驱动因素可能只是普遍需求膨胀而非结构转型。
• **排除出口传导渠道**：在回归中加入行业的出口价格指数作为控制变量，检验绿色/AI需求是否仅通过出口渠道推动PPI上涨——如果β₁和β₂在加入出口价格后仍显著，说明国内需求和出口分别独立起作用。