| 476 | 0 | 397 |
| 下载次数 | 被引频次 | 阅读次数 |
利用大数据创新编制居民消费价格指数（CPI），已成为各国政府和学术界共同关注的焦点。但在高频大数据背景下，链式价格指数的漂移问题是一个尚未有效解决的难题。对此，本文基于链式漂移主要影响因素提出了程序化构造抗漂移灵活商品篮子的对策方法。利用京东商城大数据进行试算的实证研究表明：首先，少数商品交易价格的大幅弹跳，是引发链式价格指数严重漂移的主要原因；其次，程序化识别并剔除引发链式漂移的商品项目后，据此构造的灵活商品篮子具有较好的代表性，相应T?rnqvist链式价格指数显示出明显的抗漂移效果和较准确的预测能力；最后，本文提出的抗漂移灵活商品篮子构造方法具有较强的可操作性，为化解高频大数据链式价格指数漂移提供了新思路，同时也将为相关指数的实践编制提供参考。
Abstract：The innovative compiling of consumer price index by using big data has become a hot issue for governments and the academic community all over the world. However, the drift of chain price index is a difficult problem that has not been effectively solved with the sources of high-frequency big data. In this paper, a method of constructing anti-drift flexible commodity basket based on the main influencing factor of chain drift is proposed to solve this problem. Based on the big data of JD platform for the trial calculation, empirical research shows: First of all, the abnormal price bounce of a few commodities is the main cause of the serious CPI chain drift. Secondly, through the procedural identification and removal of commodity items that cause the drift, the constructed flexible commodity basket has a good representation and the corresponding T?rnqvist chain price index shows obvious anti-drift effect and more accurate prediction ability. Finally, the method presented in this paper has good practicability, which provides a new idea to resolve the drift of chain price index from high-frequency big data, and also provides some reference for the practical compilation of relevant indexes.
[1]阿里研究中心.网络零售价格指数（ISPI）报告[EB/OL]. http://www.aliresearch.com/blog/article/detail/id/13316.html, 2011-12-23.
[2]陈立双,祝丹. CPI之GEKS指数序列更新方法及窗口长度选择问题辨析[J].统计研究, 2020, 37(4):18-31.
[3]陈相成,乔晗.扫描数据支持下CPI编制方法研究[J].统计研究, 2013, 30(1):23-30.
[4]方匡南,曾武雄.阿里网购价格指数与官方CPI的关系[J].统计与信息论坛, 2018, 33(2):28-35.
[5]雷泽坤,郑正喜,许宪春.基于电商平台大数据的特征价格指数研究[J].统计研究, 2020, 37(8):22-34.
[6]刘涛雄,汤珂,姜婷凤,等.一种基于在线大数据的高频CPI指数的设计及应用[J].数量经济技术经济研究, 2019, 36(9):81-101.
[7]李绍泰,刘建平.基于扫描数据的CPI基本分类指数编制方法研究[J].统计研究, 2015, 32(3):3-11.
[8]乔晗.“大数据”背景下利用扫描数据编制中国CPI问题研究[J].统计与信息论坛, 2014, 29(2):12-19.
[9]杨灿,秋碧.国民核算中的指数序列问题研究[J].统计研究, 2006(6):73-79.
[10]张崇,吕本富,彭赓,等.网络搜索数据与CPI的相关性研究[J].管理科学学报, 2012, 15(7):50-59, 70.
[11] Breton R, Clews G, Metcalfe L. Research Indices Using Web Scraped Data[J/OL]. www.ons.gov.uk/file, 2016-05-23.
[12] Chessa A G, Verburg J, Willenborg L. A Comparison of Price Index Methods for Scanner Data[C]. Paper Presented at the 15th Ottawa Group Meeting, Elville am Rhein, Germany, 2017:1-30.
[13] Haan D J. A Framework for Large Scale Use of Scanner Data in the Dutch CPI[C]. Paper Presented at the 14th Meeting of the Ottawa Group,Tokyo, Japan, 2015:1-42.
[14] Haan D J, Van Der Grient H A. Eliminating Chain Drift in Price Indexes Based on Scanner Data[J]. Journal of Econometrics, 2011, 161(1):36-46.
[15] Feenstra R C, Shapiro M D. High-frequency Substitution and the Measurement of Price Indexes[A]. In Scanner Data and Price Indexes[M].Chicago:University of Chicago Press, 2003:123-146.
[16] Fisher I. The Making of Index Numbers:A Study of Their Varieties, Tests, and Reliability[M]. Boston:Houghton Mifflin Company, 1922.
[17] Krsinich F. The FEWS Index:Fixed Effects with a Window Splice[J]. Journal of Official Statistics, 2016, 32(2):375-404.
[18] Forsyth F G, Fowler R F. The Theory and Practice of Chain Price Index Numbers[J]. Journal of the Royal Statistical Society:Series A(General),1981, 144(2):224-246.
[19] Frisch R. Annual Survey of General Economic Theory:The Problem of Index Numbers[J]. Econometrica:Journal of the Econometric Society,1936, 4(1):1–38.
[20] ILO, IMF, OECD, et al. Consumer Price Index Manual:Theory and Practice[M]. Geneva:International Labour Office, 2004.
[21] Ivancic L, Diewert W E, Fox K J. Scanner Data, Time Aggregation and the Construction of Price Indexes[J]. Journal of Econometrics, 2011,161(1):24-35.
[22] Krsinich F. Implementation of Consumer Electronics Scanner Data in the New Zealand CPI[C]. Paper Presented at the Ottawa Group, Tokyo,2015:1-12.
[23] Lamboray C, Krsinich F. A Modification of the GEKS Index when Product Turnover Is High[C]. Paper Presented at the 14th Meeting of the Ottawa Group, Tokyo, Japan, 2015:1-31.
[24] Van Der Grient H A, Haan D J. The Use of Supermarket Scanner Data in the Dutch CPI[C]. Paper Presented at the Joint ECE/ILO Workshop on Scanner Data, Geneva, 2010:1-16.
(1)本文使用的大数据，已获得京东消费及产业发展研究院的同意，作者表示衷心的感谢。另外，本文数据来源为京东商城，其数据集覆盖范围广、数据容量大，保证了样本的代表性和可靠性。
(2)不合理的数据主要包括交易价格为零，或者处理后交易额为零或负的数据等。
(3)本文链式价格指数的编制均以匹配模型为基础展开，后文不再另作说明。
(4)CES的编制，利用OLS方法估计弹性系数参数值，并以当期和基期为权重的两种形式编制后，再对其取简单几何平均的方式汇总获得。
(5)因篇幅所限，图1中各类指数的计算结果以附件展示，见《统计研究》网站所列附件。下同。
(1)由于本文采用匹配模型进行研究，指数均使用灵活商品篮子，其新旧产品引发的偏误问题能够得到很好解决。
(1)已从本文手机消费大数据的分析中得到证实，见附件表A4。
(2)对于所有不同比较时期的相关临界点，本文均使用同一个值。因为单个项目的价格变化对某一期总的环比价格指数的影响相对有限，如果不同比较时期采用不同的临界点，可能会造成商品篮子选择标准的缺失和混乱。
(3)因为手机价格弹跳有上下之分，从而对T?rnqvist环比价格指数的作用方向具有正负之分。为全面、对称地考察这一影响的综合作用，本文选择取其绝对值。
(4)详细过程见附件表A5、附图1及相关分析。
(1)此处的21.76%与前述的8.14%不同，因为此处采用更为具体深入的程序化识别方法。此处的数值能够表明，销售额占比相对较小的相关商品项目引发了链式漂移。
(1)国家统计局.《流通消费价格调查制度》[EB/OL]. http://www.stats.gov.cn/xxgk/tjbzhzd/gjtjdczd/202103/t20210316_1815033.html,2017-01-09。
(2)其中，不同类型消费品，相关“临界值”可能不尽相同，需要借助定量分析加以综合确定。
(3)本文将[0.9,1.1]确定为手机消费品价格变化的核心区域。但是，该核心区域的认定也是相对的，其可以结合不同类型消费品的价格变化水平和特征而适当调整。
(1)需要说明的是，该数值实际上既包含了链式漂移缓解的作用，也包含了商品篮子变化带来的影响，但后者的影响实际上是可以忽略的。
(1)国家统计局.《居民消费支出分类2013》[EB/OL]. http://www.stats.gov.cn/xxgk/tjbz/gjtjbz/201310/t20131030_1758894.html.
(2)S3(1)、S3和S3(-1)分别表示变量S3的超前一期、当期和滞后一期，其他依此类推。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2022.08.009
中图分类号:F726
引用信息:
[1]陈立双,祝丹,杨灿,等.CPI链式漂移主因识别及改进方法研究[J].统计研究,2022,39(08):129-140.DOI:10.19343/j.cnki.11-1302/c.2022.08.009.
基金信息:
国家社会科学基金一般项目“居民自有住房服务核算研究”（19BTJ007）;国家社会科学基金一般项目“大数据背景下线上CPI编制理论、方法与应用研究”（16BTJ028）
2022-08-25
2022-08-25