35年宏观月度数据面板整理手册：口径、断点与清洗实战

把一份从1990年1月一直延伸到2025年6月的中国宏观经济指标月度数据完整整理出来，听起来只是“下载几张表”而已，真正动手之后才会发现，这背后全是断裂带。不同指标的可追溯起点完全不一样，有的能一路回到上世纪90年代初，有的到2005年前后才连续出现，还有的是累计口径、有的是单月口径，同比环比并存，甚至同一个指标在不同渠道能给出三个数值。我前后给不同项目做过不下五版这类宏观面板，每次翻车都翻在同一类问题上：不是不知道怎么取数，而是对口径和断点的处理不够狠。所以这次干脆把整理逻辑、踩坑过程和处理思路完整写出来，给准备做长周期宏观数据分析、写论文、搭数据大屏或者做量化模型的朋友一份可以直接参考的“数据工坊笔记”。

这篇不打算讲某个具体平台怎么操作，也不替任何人背书，主要解决三件事：第一，35年月度宏观数据应该收哪些指标、每条指标能回溯到哪里；第二，怎么把零散的公告数据整理成一份干净、可复现的面板数据；第三，数据到手之后，有哪些坑是几乎每轮处理都躲不开的。整篇内容基于我过去做过的大批量宏观数据整理实践，尽量把“为什么这么做”也说透。

1. 复盘整理范围：这条35年时间轴到底能承载多少信息

1.1 先给数据集合画一个整体轮廓

先看时间轴。1990年1月到2025年6月，掐指一算，一共426个月。这个长度意味着什么？它涵盖了整整三代经济周期：从1990年代初的高波动阶段，到2000年前后由通缩走向扩张，再到2008年前后的外部冲击与修复，以及近几年的高度不确定性阶段。看这么长的序列，月度数据的价值不在于某个月读数的漂移，而在于它能把周期的形态、拐点的位置、基数的效应全部“压”到同一张图里。

我做这类数据集时，第一件事不是找数据，而是先确定主表结构。典型的月度宏观面板是长表结构，核心字段包括：date、indicator、value、unit、adjust_type、break_type、source。其中date是统计对应月份，indicator是变量名，value是数值，unit是单位，adjust_type标记季调与否，break_type标记口径是否发生过调整，source记录数据出处。为什么一定用长表而不是宽表？因为宏观指标的口径差异太大了，宽表意味着每个指标占一列，一旦出现统计口径调整，整列都要改。长表则可以针对单条记录打标签，后面做数据清洗、回溯、重新计算都有空间。

再说指标块。以这份时间跨度来说，真正能形成连续月度序列的，主要集中在价格体系、实体产出、进出口、货币信贷和景气指标这几大类。财政数据、就业数据、房地产细分数据虽然在长周期里有价值，但要么是累计口径，要么发布历史不够长，要么中间换过统计口径。所以我习惯把这些指标分到两个层次：核心月度层与扩展月度层。核心层是必须保证连续和可比的，扩展层则是能收则收，但使用时必须单独做口径审计。

1.2 谁最需要这种长跨度月度数据

先说研究场景。做宏观经济周期分析、通胀传导、信贷脉冲这类课题时，短面板没办法体现“周期切换”的完整过程。我帮某高校研究小组整理过一批数据，他们当时研究的就是“物价高波动时期的货币信贷特征”，如果数据从2000年才开始，1990年代那一段高波动就彻底丢了，结论说服力大打折扣。这种时候，426个月的连续面板就是不可替代的资产。

再说建模场景。量化模型里做宏观因子，很多输入变量本身就是月度频率的。模型对数据的要求是“每个变量在每个月都有确定值”，而不是“想用的时候发现缺了三个月”。长面板最大的好处就是能把历史样本拉到足够长，让模型看到更多次完整的扩张—收缩循环。但反过来说，这也逼着你把缺失值、异常值、口径变更这些脏东西提前处理干净，否则模型结果里全是伪信号。

可视化与数据大屏是另一个刚需。35年数据的可视化难点不在画图，而在“怎么让观众不误读”。同一张折线图里，如果混入了未经季调的月度数据和按累计同比计算的线，视觉上会出现很多毫无意义的尖刺。这部分我会在后面专门给出双轴图和多窗口展示的处理逻辑。

还有一类容易被忽略的场景是“校验”。做研究的人经常需要拿一个第三方数据源的指标去对官方披露口径，这时一套自己维护的、底数干净的月度宏观数据就是最好的基准。我见过太多人拿两个渠道的数据对不上号，最后发现是对比时没注意一个用的是季调值、一个用的是原始值。

2. 指标清单与口径对齐：先想清楚“该收哪些指标”再动手

2.1 核心月度指标分块清单

下面这张表是我在做长周期宏观面板时会反复对照的一份核心清单。它不是把所有宏观变量都塞进去，而是保证“每个指标块都有可用的代表性变量”，同时每一行都标注了常见的追溯期和口径注意点。

这张表的价值不是“照着填数”，而是提醒自己：每个指标后面的口径尾巴都很长。比如规模以上工业增加值，所谓“规模以上”的标准在不同年份变过好几次；固定资产投资也有类似的起点金额调整。做长面板时如果不把这些断点标记出来，画出来的图会让人误以为是真实经济波动，其实只是统计口径变了。

2.2 回溯期不同怎么办：先做覆盖度检查再做主表

我见过最典型的翻车操作：一上来就把所有指标全丢进一张表，最后发现1995年之前一大半列都是空的，只能硬着头皮做缺失值插补，插出来的数据压根不敢用。正确的做法是先做一次“指标覆盖度检查”。具体操作方式：按每5年一个区间，列出每个指标在该区间内有多少个非空月度值，做成一张覆盖率矩阵。覆盖率低于80%的指标，要么放弃，要么降级为扩展层。

覆盖度检查做完之后，再决定主表的起点。如果你想保证表里每个变量都连续，那么起点大概率被最晚发布的那个指标锁死；如果某些变量允许缺一段，那么主表可以更早开始。以1990年1月为起点是合理的，但你要接受一个事实：1990年代初期可用的核心月度序列明显少于最近几年。价格、贸易、货币供应这些早期就有相对连续的月度数据，先用它们把时间轴撑起来，其他指标后续一段一段补入。

2.3 变量命名与单位规范：看似小事，最磨人

长面板整理到后面，最折磨人的不是取数，而是字段命名和单位不统一。我见过同一个指标在不同文件里叫“cpi_yoy”“CPI同比”“居民消费价格指数_当月_同比”，三个名字其实指同一个东西。所以我在动手第一天就会定好一套命名规范，全部用英文小写加下划线，例如：cpi_yoy、cpi_mom、ppi_yoy、m2_yoy、m1_m2_gap（剪刀差）、credit_new（新增信贷）、pmi_manu（制造业PMI）、trade_balance。这套命名要写进数据字典里，后面所有脚本统一调用。

单位规范更重要。大部分宏观指标用“%”，但进出口、社零、财政收支这些绝对量用的是“亿元”或“亿美元”，货币供应量则更大，动辄“万亿元”。最坑的是有人把0.05（即5%）和5（百分数值）混在一起存，后面一算相关性全错。我自己的习惯是：所有百分比一律存成10.5这样的百分数形式，不存成0.105；所有绝对量统一换算成“亿元”，外币计价的进出口单独标记币种。数值缺失统一用NaN，不允许用空字符串或者“-”，否则pandas读取时类型会被自动变成object，后面计算全乱。

3. 数据渠道、字段编码与面板落地：从零拼装一份可用数据集

3.1 渠道组合方式与先后顺序

讲渠道之前先说结论：官方公开渠道永远排在第一位，第三方聚合渠道只做校验和补缺。这不是情怀问题，而是长序列最怕“某个数据点来源不明”，到后面想追都追不回来。官方统计部门、财政和金融管理部门、对外贸易统计渠道公开发布的月度公告和数据库下载页面，是所有长序列的底层来源。虽然早期部分年份的数据要通过历史公告、统计年鉴附录去补，过程辛苦一点，但每个点都有出处。

第三方数据终端和各类API适合做第二层验证。我一般会拿两到三个来源对同一指标做交叉核验，比如把官方公告里的CPI同比与第三方接口拉出来的数据对一遍，误差超过0.1个百分点就说明口径或录入出了问题。如果某些衍生指标（比如按绝对值反推的累计同比）官方不直接发布，我会自己计算并标记“computed”，绝不冒充官方值。

整理顺序上，我强烈建议“先宽后长、先整后散”。先把从不同渠道拉来的原始数据各自存成一张“原始底表”，底表保留所有原始字段，不处理、不合并。然后写一个统一的字段映射脚本，把底表转成标准字段名，最终melt成长表。这样万一源数据后来更新或者修正，你只需要重跑一遍映射脚本，而不需要手动改几千行Excel。

3.2 把公告文本和导出文件变成面板数据的标准操作

这节直接给一段示例代码。假设我从某个官方数据下载页拿到的原始Excel里，表头有两层，第一层是“全国/城市/农村”，第二层是“同比/环比/累计”：

import pandas as pd import numpy as np # 读取原始Excel，多层表头 raw = pd.read_excel("raw_cpi.xlsx", sheet_name="月度", header=[0, 1]) # 把多层表头压平成单层：例如"全国_同比" raw.columns = [ f"{col1}_{col2}" if not str(col2).startswith("Unnamed") else str(col1) for col1, col2 in raw.columns ] # 解析统计月份列，假设原始格式是199001 raw["date"] = pd.to_datetime(raw["统计月"].astype(str), format="%Y%m") # 提取需要保留的列，统一单位并转数值 df = pd.DataFrame({ "date": raw["date"], "cpi_yoy": pd.to_numeric(raw["全国_同比"], errors="coerce"), "cpi_mom": pd.to_numeric(raw["全国_环比"], errors="coerce"), }) # 删除缺失月份，输出长表片段 df = df.dropna(subset=["date"]).sort_values("date") print(df.head())

这段代码的核心思路是“自动化清洗表头、日期和数值”，而不是手工在Excel里拖。你会发现原始文件里经常有“—”“空格”“#”这类缺失标记，to_numeric(..., errors="coerce")会把它们全部转成NaN，这比肉眼挑数据可靠得多。还有一点：日期解析尽量不要自己拼字符串，直接把“199001”丢给format="%Y%m"，既省事又不会把1月解析成10月。

3.3 编码表和数据字典：没有它，三个月后你必后悔

我前面说长表结构适合回溯，前提是你有一套完整的数据字典。每个指标至少记录这些字段：变量名、中文名、单位、频率、统计口径、数据来源、抓取时间、覆盖范围、口径变更时间点和变更说明。我还会额外维护一张“口径变更日志”，表结构大概是这样：

为什么这么强调日志？因为长序列的口径变更不是“有没有”的问题，而是“哪年哪月变过”的问题。等到你画图发现某条线突然跳了一个台阶，再回头翻公告，几乎等于大海捞针。有了日志，处理断点时只需要条件筛选出对应月份，然后决定是分段展示还是按官方发布的衔接比例做归一化处理。

4. 价格、产出、货币三大类月度序列的断点、季节性与口径陷阱

4.1 价格指标的“同比—环比”双轨怎么处理

CPI和PPI是月度数据里最常用、也最容易被误读的两个变量。官方既发布同比，也发布环比，这俩指标服务的是完全不同的分析目的：同比用于看长期趋势，环比用于看短期动能。但很多人在一条图里同时画同比和环比，然后把环比的月度波动当成“失控”，这是错误用法。

长期数据里，我更看重“同比的基期效应”。比如某个月CPI同比突然冲高，你不该先紧张，而要看上年同期的基数是不是特别低。这正是长面板的优势所在：我可以把上一年的同期序列拉出来对比，一眼看出冲高是真实上涨还是基数游戏。具体操作上，我会同时保留cpi_yoy和cpi_mom两个字段，但分析时用cpi_yoy做趋势判断，用cpi_mom做短期拐点确认，并且单独把“环比年化”计算成一列：(1 + mom)^12 - 1，用来消除环比跨月不可比的问题。

PPI和PPIRM（工业生产者购进价格指数）的处理逻辑类似。差别在于PPI波动幅度通常比CPI大，受国际大宗商品价格影响更直接。在长序列里，PPI同比与CPI同比会交替出现“剪刀差”扩张和收窄的阶段，这种周期性背后主要是成本端到消费端的传导时滞，分析时建议做滚动相关，而不是只看某一个月的读数。

4.2 工业、投资、消费数据的累计口径换算

这条几乎是所有自己做宏观数据的人必踩的坑。固定资产投资和部分工业指标，官方月度公告给的主要是“累计值”或“累计同比”，不是单月值。如果你直接用累计同比去代表当月情况，画出来的曲线会非常平滑，因为它把过去所有月份的增量都摊进去了，拐点信号被严重钝化。

我常用的反推公式是这样：假设你能拿到本月累计值C_t、上月累计值C_{t-1}、本月累计同比Y_t、上月累计同比Y_{t-1}，那么上年同期累计值B_t = C_t / (1 + Y_t)，上年截至上月的累计值B_{t-1} = C_{t-1} / (1 + Y_{t-1})。于是本月单月值 = C_t - C_{t-1}，上年同月值 = B_t - B_{t-1}，最终单月同比 = 本月单月值 / 上年同月值 - 1。写成代码是这样：

def cum_to_monthly_yoy(cum_t, cum_t1, yoy_t, yoy_t1): """ cum_t: 本月累计值 cum_t1: 上月累计值 yoy_t: 本月累计同比（小数形式，5%写0.05） yoy_t1: 上月累计同比 返回本月单月同比（百分数形式，如5.2表示5.2%） """ base_t = cum_t / (1 + yoy_t) base_t1 = cum_t1 / (1 + yoy_t1) monthly_this = cum_t - cum_t1 monthly_last = base_t - base_t1 return (monthly_this / monthly_last - 1) * 100

注意，这个算法的前提是“累计同比”本身按可比口径计算，如果中间发生过统计范围调整，算出来的单月同比会失真。所以做这一步之前，一定要先在口径日志里确认断点位置。

社零的月度数据相对友好，官方会发布当月值和同比。但社零的统计范围历史上调整过多次，不同时期的“餐饮收入”“商品零售”分项覆盖范围并不完全一致，长序列使用时我建议以总量为主，分项只做短周期分析。

4.3 货币信贷的存量与增量：季末效应和剪刀差陷阱

货币信贷数据的处理难点和价格、产出都不太一样。M0、M1、M2是存量指标，官方发布的是余额同比；新增人民币贷款和社会融资规模是流量指标，发布的是当月值。这两类指标混在一张表里时，最容易被忽略的是“季末效应”：银行信贷投放往往在3月、6月、9月、12月冲高，所以新增信贷月度序列会呈现非常规律的锯齿状。如果你不做季调就画图，会误以为信贷在每年3月突然爆发。

存量指标的问题在于口径修订。货币供应量的统计口径会因为金融创新、统计制度完善而调整，同一个M1，早期和近期的覆盖范围不同。在长序列里遇到这种调整，我的做法是先查询官方是否发布过回溯修订后的完整序列，如果有，直接使用修订后版本；如果没有，则必须在断点处做标记，不能擅自拼接。

还有一个非常有用的衍生变量叫“M1-M2剪刀差”，用M1同比减M2同比。当M1增速明显快于M2时，通常反映企业活期存款活跃、资金活化程度高；反过来，剪刀差收窄甚至为负时，往往对应资金更多沉淀为定期存款。这个指标本身不需要单独取数，M1_yoy和M2_yoy相减就行，但它在长周期里对判断实体资金活跃度很有参考价值，我每次都会在面板里预置这一列。

5. 用这批数据观察几个典型周期片段：实测分析演示

5.1 处理框架：先补缺口，再季调，最后分频读

数据拼完整之后，不能直接开画。我自己的标准流程是五步。第一步，检查覆盖度，补足明显缺口，缺失值不多时用时间插值法补，缺失段太长就保持NaN并在图上留白。第二步，做季节调整，把春节错位、气候、假期这些季节性因素尽量剥离出来。第三步，把关键变量的“环比”和“同比”分别对齐到统一基准。第四步，计算滚动指标，比如6个月移动平均、滚动标准差、剪刀差。第五步，才是画图和解读。

季节调整是很多人会偷懒的一步。为什么不能跳过？因为中国的春节假期在1月或2月之间漂移，直接看1月和2月的同比会产生严重的“春节错位”。我通常用移动平均相对法做粗略调整，如果项目要求严格，则引入更正式的季调工具，但不管用哪种，都必须在adjust_type字段里标明。

5.2 三个周期片段的读数实验

拿这套35年数据看长周期，有三个片段每次都让人印象很深，也很有代表性。

第一个片段是1990年代前半段的物价高波动期。CPI同比持续处于很高水平，甚至在某一阶段超过20%，随后急速回落，甚至转入负值区间。这个片段做同比分析时要特别小心：高基数年份之后的第二年，哪怕环比已经企稳，同比读数依然可能是负数。我当时处理这段数据时，习惯把CPI同比和环比画在同一张双轴图里，用环比判断“拐点已经出现”，用同比判断“市场还在消化基数”。

第二个片段是2008年前后的外部冲击。出口同比深度回落，制造业PMI在极短时间内跌破景气临界点，工业增加值同比也快速走低。但紧接着出现明显的V型反弹。这段数据最有价值的地方在于它提供了一个完整的“冲击—探底—修复”样本，如果你只截取修复阶段做模型，会严重高估趋势；只有把整段放进去，才能识别出哪种变量领先拐点。PEOPle经常说PMI是先行指标，但先行多久、领先几个月的稳定性如何，必须用这种长片段去验证。

第三个片段是2020年前后的疫情冲击和随后的高基数效应。社零、工业增加值等同比指标一度大幅下探，随后在低基数推动下同比读数又被推得很高。这个阶段最典型的教训就是：不能只看同比。把同比与环比放在一起看，你会发现同比的极端读数很大程度是基数造成的，环比动能并没有读起来那么夸张。所以我在给数据使用方交付时，明确建议2020-2022年区间以“环比季调”为第一读数，同比只做辅助。

5.3 用滚动相关替代整体相关：别被极端值骗了

做长面板数据分析时，很多人上来就是df["a"].corr(df["b"])，这个做法风险很大。整体相关系数会被少数几个极端月份主导，尤其像2020年这样的异常值，几乎可以把相关系数拉到完全没有代表性的水平。我自己的习惯是先算一个36个月滚动相关，然后看这个相关在时间轴上是稳定还是漂移。

举一个很典型的例子：PMI与工业增加值同比的相关性。直觉上两者应该高度正相关，但如果把整段35年拉通算，相关系数往往不高，因为两者的波动频率和量纲不匹配。而滚动相关会告诉你：在大部分时间窗口内，PMI确实领先或者同步于工业增加值变化，但领先月数在不同周期不一样。这种“时变关系”才是真正有价值的信息。展示的时候，我会把滚动相关画成一条线，叠加在指标缩略图下方，一眼就能看出关系强弱的变化。

6. 从面板数据到图表与自动更新：交付层的最终形态

6.1 长周期双轴图的标准姿势

35年数据画图，最怕的是信息堆叠。我推荐一个组合：主图用折线展示“同比”类指标，副图用柱状展示“环比”或者“月度增量”，两者共用时间轴。双轴图的坑在于左右轴的比例如果不协调，会误导视觉判断。我的经验是左轴固定放0为中轴的百分比刻度，右轴范围根据副图数据分布动态设定，尽量让两条曲线的视觉波动幅度接近。

再说长周期缩略图。426个月直接拉成一张宽图，后面的信息根本看不清。我的做法是拆成“全景+窗口”两个视图：全景图用年线或12个月移动平均，把大周期形态表达清楚；窗口图提供滑块交互，可以放大到任意36个月区间去看细节。这个交互逻辑不复杂，但能极大提升长面板的使用体验，尤其是在做数据大屏的时候。

6.2 增量更新脚本与本地存储

月度数据是滚动更新的，每个月新增一个月份值。手动下载、手动粘贴、手动改图，是最浪费时间也最容易出错的做法。我用的是非常轻量的增量更新方案：数据以Parquet或SQLite形式存储，脚本每天检查本地数据的最大月份，如果落后于最新公告月份，就自动触发拉取和追加流程。追加前会做三件事：校验日期不重复、校验新值与历史值拼接后的连续性、把新增数据写入口径日志。

这种自动化的价值不止省时间，更重要的是可靠性。每个月手动处理时，人总有可能盯错单元格、复制错行，脚本至少能保证同样的逻辑每次都一致执行。遇到官方追溯修正历史数据的情况，脚本还应该支持“整段覆盖更新”，而不是在旧数据上简单追加，否则会在断点处留下一个人为的跳变。

6.3 交付清单：不仅要给数据，还要给“怎么用”

完整的数据集交付，不应该只是一张CSV。我每次交数据时都会附上四样东西：数据字典、口径变更日志、复现脚本、更新说明。数据字典告诉使用方每个字段是什么；口径日志告诉使用方哪些地方不能直接同比或者横比；复现脚本保证别人拿到原始公告也能跑出同一份数据；更新说明则写明每个月新增数据时要动哪些文件。

最后分享一个自己反复踩过的教训：不管数据整理得再干净，交给别人之后，对方一定会问“某个指标为什么在这里缺三个月”，或者“为什么这个月和官方公告对不上”。这些问题不一定是你做错了，而是对方没有看懂口径标签。所以我在交付时一定会强调：把这四个文件当作整体，缺一不可。只有数据没有口径日志，本质上是在给未来的使用者挖坑。

到了这一步，一套可从1990年1月持续更新到2025年6月的宏观月度面板，就已经从“一堆公告表格”变成了一个真正可复用的数据资产。我自己的感受是，这类数据工程的难点从来不是某个算法，而是长周期里无数个口径细节的耐心处理。按这套流程走下来，虽然前期准备工作量不小，但后面无论是画图、建模还是写报告，数据底子都能稳稳托住，不会动不动就翻车。