景气指数编制全流程：从指标筛选到合成计算与验证维护

1. 景气指数到底在测什么

景气指数这个词，乍一听挺唬人，其实说白了就是给经济或行业的"体温"量个体温。它不直接告诉你GDP涨了多少，而是通过一组先行、同步、滞后指标的组合，判断当前经济处于扩张还是收缩区间，以及未来可能往哪走。我做指数编制这些年，接触过不少企业景气调查、行业景气监测的项目，发现很多人一上来就急着选指标、跑模型，结果方向偏了，后面全白搭。所以这篇内容我打算把景气指数编制从思路到落地完整拆一遍，适合做宏观经济分析、行业研究、企业战略规划的朋友参考，也适合刚入行做指数编制的新人当作实操手册。

景气指数的核心价值在于"预判"和"验证"。预判靠先行指标，比如新订单、原材料库存、PMI中的新出口订单分项；验证靠同步指标，比如工业增加值、社会消费品零售总额。滞后指标则用来确认趋势是否已经形成。这三类指标不是随便分的，背后有一套经济周期传导的逻辑。你想想，企业接到新订单，先采购原材料，然后组织生产，最后产出增加、就业改善、收入提升——这个链条有时滞，所以指标之间天然存在领先滞后关系。景气指数编制就是把这个链条量化，用统计方法合成一个能反映整体状态的数值。

我见过不少团队把景气指数做成了"大杂烩"，什么指标都往里塞，最后指数波动跟实际经济走势对不上。问题出在哪儿？一是没做指标筛选，二是合成方法选错了，三是没做季节调整。这三个坑，后面我会逐个拆解。先记住一个原则：景气指数不是指标越多越好，而是越"准"越好。一个高质量的先行指标，胜过十个相关性弱的同步指标。

2. 编制前的整体设计与指标筛选逻辑

2.1 先定边界：景气指数到底服务谁

动手之前先问自己：这个指数给谁看？如果是给投资决策用，那先行指标的权重得加大，因为投资者关心的是未来3到6个月的变化；如果是给政府做经济监测，同步指标和滞后指标的比例要均衡，因为需要全面判断当前状态和确认趋势。我做过一个制造业景气指数，客户是产业园区管委会，他们最关心的是园区内企业下个季度的用工和投资意愿，所以我们在指标选择上偏重了用工需求、设备投资计划这类先行性强的分项。

边界定清楚了，指标筛选才有方向。否则你会陷入"这个指标好像也有用，那个指标也不能丢"的纠结里。我的经验是，先把候选指标列出来，然后按三个维度打分：经济意义、统计质量、时效性。经济意义看它是否真的能反映景气变化，统计质量看数据是否准确、连续、可比，时效性看发布是否及时。三个维度各占权重，综合得分低的直接淘汰。

2.2 指标筛选的实操标准

具体怎么筛？我通常用这几个硬标准：

• 先行性检验：用时差相关分析法，计算候选指标与基准指标（通常是GDP或工业增加值）的相关系数，看它在领先多少期时相关性最强。领先3到6个月且相关系数在0.6以上的，才算合格的先行指标。
• 一致性检验：同步指标要求同期相关系数高，通常0.7以上才纳入。
• 稳定性检验：看指标在不同经济周期中的表现是否一致，避免选到只在特定时期有效的指标。
• 数据可得性：月度数据优先，季度数据次之，年度数据基本不考虑，因为景气指数通常需要月度更新。

这里有个细节很多人忽略：指标的方向要统一。比如PMI高于50代表扩张，但失业率上升代表收缩，两者方向相反。合成前必须做正向化处理，否则指数会互相抵消。我一般用倒数变换或取负值来处理逆向指标，具体选哪种要看指标的经济含义。失业率用倒数变换更合理，因为失业率从5%降到4%和从10%降到9%，经济含义完全不同。

2.3 合成方法的选择：扩散指数还是合成指数

景气指数编制主要有两种方法：扩散指数（DI）和合成指数（CI）。扩散指数算的是扩张指标占比，简单直观，但只反映方向不反映幅度；合成指数则综合考虑了变化幅度，信息量更大。我一般推荐用合成指数，因为扩散指数在经济拐点附近容易钝化，而合成指数能更早捕捉到变化。

合成指数的计算步骤大致是：先算单个指标的对称变化率，然后加权平均，最后做趋势调整。对称变化率的公式是：

C_i(t) = 200 × (X_i(t) - X_i(t-1)) / (X_i(t) + X_i(t-1))

这个公式的好处是避免了基期选择带来的偏差，而且对正负变化对称处理。算完对称变化率后，用指标的历史波动性做权重，波动大的指标权重低，波动小的权重高，这样能防止某个指标过度影响整体指数。

3. 核心细节解析与实操要点

3.1 季节调整：不做这一步，指数全是噪声

经济数据大多有季节性，比如春节前后消费波动、夏季用电高峰、年末投资冲刺。如果不做季节调整，景气指数会被季节性因素主导，根本看不出真实趋势。我见过一个团队做的景气指数，每年1月都大幅下滑，2月又猛涨，后来发现就是春节因素没处理。

季节调整的方法有X-13ARIMA-SEATS、TRAMO/SEATS等，我用得最多的是X-13。实操中要注意几点：

• 调整的是同比还是环比：同比数据本身已经部分消除了季节性，但环比数据必须调整。我建议两者都做，对比看结果是否一致。
• 春节效应的处理：中国数据有特殊的春节移动假日效应，X-13里有专门的春节调整选项，一定要勾选。
• 调整后的数据要回测：拿调整后的数据跟历史事件对照，比如2008年金融危机、2020年疫情冲击，看指数是否在这些时点有合理反应。

注意：季节调整不是一劳永逸的，每年新数据发布后要重新调整，因为季节因子会随时间变化。我一般每季度更新一次季节调整模型。

3.2 权重确定：等权、方差倒数还是主成分

权重是景气指数编制的核心争议点。等权最简单，但忽略了指标重要性差异；方差倒数加权能降低波动大指标的干扰，但可能低估重要指标；主成分分析能提取共同因子，但解释性差。我的做法是分场景：

• 指标数量少（5个以内）：等权或主观赋权，因为样本太少，统计方法不稳定。
• 指标数量中等（5到15个）：方差倒数加权，兼顾稳定性和可解释性。
• 指标数量多（15个以上）：先做相关性聚类，同类指标合成子指数，再对子指数赋权。

主观赋权不是拍脑袋，而是基于经济逻辑。比如新订单指标对景气的领先性最强，权重可以给到20%，而库存指标滞后性强，权重给10%就够了。我通常会做敏感性分析，把权重上下调整10%，看指数走势是否发生根本变化。如果变化很大，说明权重设计有问题，需要重新审视。

3.3 基准周期的选择与趋势调整

合成指数算完后，还要做趋势调整，让指数的长期走势与基准指标一致。基准指标通常选GDP或工业增加值的长期趋势。调整方法是计算合成指数的长期趋势与基准指标长期趋势的偏差，然后把这个偏差分摊到各期。

这里有个坑：基准周期不能选太短。我见过有人用3年数据做基准，结果趋势调整后指数失真严重。一般至少要用一个完整的经济周期，8到10年比较合适。如果数据长度不够，宁可不做趋势调整，也不要用短周期硬调。

4. 实操过程与核心环节实现

4.1 数据准备与预处理

假设我们要编制一个制造业景气指数，候选指标包括：新订单指数、生产指数、原材料库存指数、从业人员指数、供应商配送时间指数。数据来源可以是统计部门发布的月度数据，也可以是企业调查数据。

第一步是数据清洗。缺失值处理我用两种方法：如果缺失在中间，用线性插值；如果缺失在两端，用ARIMA预测补全。异常值用3倍标准差法识别，但不要直接删除，而是用中位数替换，因为异常值可能包含重要信息。

第二步是正向化。供应商配送时间指数是逆向指标（配送时间越长说明经济越差），需要取倒数处理。从业人员指数是正向指标，保持不变。

第三步是季节调整。用X-13对每个指标做调整，春节效应选项打开，调整后做ADF检验确认平稳性。

4.2 合成指数计算全流程

数据预处理完成后，按以下步骤计算：

1. 计算对称变化率：对每个指标，用前面提到的公式算对称变化率。
2. 计算标准化因子：每个指标对称变化率的绝对值在历史期内的平均值，作为标准化因子。
3. 计算标准化变化率：对称变化率除以标准化因子。
4. 加权平均：用方差倒数权重对标准化变化率加权平均，得到初始合成指数。
5. 趋势调整：计算初始合成指数的长期趋势，与基准指标趋势比较，调整偏差。
6. 基期设定：选一个经济状态正常的年份作为基期，基期值设为100。

我实测下来，这套流程用Python实现大概200行代码，核心是pandas和statsmodels。如果你不想写代码，EViews和SPSS也能做，但灵活性差一些。

4.3 指数验证与回测

指数算出来不是就完了，必须做验证。我通常做三类验证：

• 历史事件对照：看指数在2008年金融危机、2020年疫情、2022年供应链紧张等时点是否有合理反应。如果指数在这些时点没有明显变化，说明指标选择或权重有问题。
• 与基准指标的相关性：计算指数与GDP或工业增加值的时差相关系数，确认先行期数是否符合预期。
• 样本外预测：用历史数据建模，留出最近2年做样本外测试，看指数对实际经济的预测能力。

提示：验证时不要只看相关系数，还要看拐点捕捉能力。有些指数相关性很高，但拐点总是慢半拍，这种指数实用性大打折扣。

5. 常见问题与排查技巧实录

5.1 指数波动过大或过小怎么办

波动过大通常是权重设计问题。检查是否有某个指标波动特别大且权重过高，如果是，降低其权重或改用方差倒数加权。波动过小则可能是指标同质性太强，缺乏差异性信息，需要引入新的异质性指标。

我遇到过一个案例，指数波动极小，查了半天发现所有指标都是生产类指标，信息高度重叠。后来加入了订单和库存指标，指数波动就正常了。

5.2 指数与实际情况背离怎么排查

背离分两种：指数涨但经济没涨，或指数跌但经济没跌。排查步骤：

1. 检查数据是否有误，特别是最新几期的数据。
2. 检查季节调整是否合理，春节效应是否处理干净。
3. 检查权重是否近期被调整过，调整是否合理。
4. 检查是否有结构性变化，比如某个指标的经济含义已经改变。

结构性变化是最难处理的。比如电商兴起后，传统零售指标的代表性下降，如果继续用老指标，指数就会背离。这时候需要重新筛选指标，甚至重构指数体系。

5.3 常见问题速查表

5.4 独家避坑技巧

做了这么多年指数编制，有几个坑我踩过不止一次，分享出来帮你省点时间：

• 不要迷信复杂模型：我试过用动态因子模型做景气指数，结果解释性太差，客户根本看不懂。后来改用合成指数，简单透明，反而更受欢迎。
• 数据频率要统一：月度指标和季度指标混用会引入插值误差，尽量全用月度数据。如果必须混用，季度数据用月度插值法处理，但要在报告中说明。
• 基期选择要谨慎：基期不能选经济过热或过冷的年份，否则指数长期偏离100。我一般选最近一个经济增速接近潜在增速的年份。
• 定期更新指标库：经济结构在变，指标的代表性也在变。我每两年做一次指标重新筛选，淘汰失效指标，纳入新指标。
• 保留计算过程：指数编制涉及大量数据处理，一定要保留每一步的计算过程和中间结果，方便排查问题和应对质疑。

6. 指数发布与后续维护

指数算完只是第一步，发布和维护才是长期工作。发布时要说清楚指数含义、基期、数据来源、更新频率，避免用户误读。我见过一些指数发布时不说明基期，用户拿不同基期的指数直接比较，得出错误结论。

后续维护包括：每月更新数据、每季度做季节调整更新、每年做权重和指标评估。如果发现指数连续多期与实际情况背离，要启动全面评估，必要时修订指数体系。修订时要做好新旧指数衔接，避免出现断点。

我还建议做一个指数使用手册，把编制方法、指标定义、权重、基期、历史数据都放进去，方便用户查阅。这个手册不用写得太学术，通俗易懂就行，毕竟大多数用户不是统计专业出身。

景气指数编制是个细活，急不得。从指标筛选到合成计算，再到验证维护，每一步都要扎实。我个人的体会是，经济逻辑比统计方法更重要，先把经济传导链条想清楚，再用统计工具去量化，这样编出来的指数才靠谱。后续如果数据条件允许，还可以考虑做分行业、分区域的景气指数，颗粒度更细，实用性更强。