2020年就业分析报告

　　2020 年就业分析报告 2020 年 6 月 目录 特殊之年的就业情况 .........................................................................................................3 我国当前就业指标概览..............................................................................................3 当前失业率水平估算..................................................................................................5 华泰就业指数（HEI）就业情况的及时性跟踪 ...........................................................6 “产出-就业拉动”框架下的分行业就业情况....................................................................7 后续就业形势展望.............................................................................................................8 行业层面：批发零售、交通仓储等服务业成为后续“保就业”的关键 .....................8 群体层面：关注农民工、大学生群体的就业压力 ....................................................10 风险提示..................................................................................................................11 附录 1：失业率估测方法.................................................................................................12 附录 2：华泰就业指数（HEI）构建................................................................................14 附录 3：行业层面就业指标构建......................................................................................15 2 特殊之年的就业情况 在疫情的冲击下，我国 2020 年经济目标由 GDP 增速转换为以保就业为首的“六保”。在 就业目标成为核心的特殊背景下，准确把握就业情况对我们理解经济现状、判断后续政策 发力方向至关重要，因此我们对当前失业率水平进行合理的估测，并从行业角度剖析就业 人数的结构性变化，最后以高频指标为基础构建就业指数，持续跟踪后续的就业情况。 我国当前就业指标概览 就业指标在宏观经济指标体系中具有重要意义。其一，失业率作为同步偏滞后的指标，与 经济增长之前存在着直接且显著的相关关系，反映着宏观经济的冷暖。其二，充分就业是 包括美国和我国在内的众多国家的货币政策目标，因此失业率对于政府制定宏观调控政策 具有重要的参考意义。美国等发达经济体的失业率指标较为完善，其中包括了新增就业人 数、失业率、工人工时薪酬等全方位的就业指标，对于宏观经济运行和政策制定具有很好 的指示意义。我国目前存在两套失业率指标，分别为城镇登记失业率和城镇调查失业率， 两者主要的差异如下表所示。 图表1 1： 城镇登记失业率和城镇调查失业率区别 城镇登记失业率 城镇调查失业率 国家统计局 劳动力调查 常住人口 统计机构 人力资源和社会保障部 数据来源 行政记录（失业登记） 统计范围 本地非农户籍人员 对于失业 16 岁至退休年龄内，在就业服 国际劳工组织（ILO）的失业标准：年满 16 周岁，在调查周内未 的定义 务机构进行了失业登记并有求 从事任何为取得报酬或经营利润的劳动，也没有处在就业定义中的 职意愿的人员 暂时未工作状态，在 3 个月内采取了某种方式寻找工作，如有合适 的工作机会可以在 2 周内开始工作的人。 时间跨度 2002 年至今 频率 季度 2018 年至今 月度 资料来源：国家统计局，人社部，市场部 城镇调查失业率的可靠性高于城镇登记失业率。总体来看，城镇登记失业率的历史较长， 但是其波动性较小，与经济增长的相关性也不强，对货币政策的指导意义较弱。因此，国 家统计局结合国际经验，按照国际通行的失业标准以及抽样统计的方法公布城镇调查失业 率。我们认为，经济运行较为平稳时期的城镇调查失业率数据较为可信。首先，城镇调查 失业率与 GDP 增速具有较好的反向关系。我们对比城镇调查失业率与季调后的工业增加 值当月同比增速，发现两者具有较强的负相关关系。考虑到调查失业率较短的时间跨度内 经济结构的变化较小，我们认为其规律基本符合奥肯定律。 图表1 1： 城镇登记失业率波动较小且与 GDP 的相关性不强 (%) 图表2 2： 城镇调查失业率与工业增加值呈现较好的负相关性 城镇调查失业率 (%) (%) 7.0 城镇登记失业率 GDP:不变价:当季同比 工业增加值：当月同比：季调（右） 5.4 20 6.8 6.6 6.4 6.2 6.0 5.8 5.6 5.4 5.2 5.0 5.2 5.0 4.8 4.6 4.4 4.2 4.0 15 10 5 0 (5) (10) 02-12 05-12 08-12 11-12 14-12 17-12 18-01 18-05 18-09 19-01 19-05 19-09 资料来源：Wind，市场部 资料来源：Wind，市场部 3 调查失业率与季度的求人倍率之间的相关关系。其中求人倍率表示劳动力市场在一个统计 周期内有效需求人数与有效求职人数之比，自 2001 年起由我国公共就业服务机构通过对 100 个城市的劳动力市场供求数据得出。结果显示，城镇调查失业率与求人倍率呈现高度 的一致性，相互印证了指标的有效性。 图表3 3： 城镇调查失业率与求人倍率呈现较好的一致性 (%) 城镇调查失业率:季 全国职业供求分析:求人倍率环比增减:全国 6.0 5.8 5.6 5.4 5.2 5.0 4.8 4.6 0.4 0.3 0.2 0.1 0.0 (0.1) 18-03 18-06 18-09 18-12 19-03 19-06 19-09 19-12 20-03 资料来源：Wind，市场部 在疫情冲击之下，2020 年 1-2 月我国工业增加值累计同比达到了空前的-13.5%，城镇调 查失业率从 5%左右上升至 6.2%。城镇调查失业率在方向上与经济增长保持反向关系，但 变化幅度有所差异。因此我们认为当前时期的就业压力仍值得关注，主要原因在于以下几 个方面：（1）疫情导致部分人员停薪留职，该部分人员实际已相当于失业状态，但因为不 符合失业的定义而被排除；（2）部分农民工无法回城务工，由于城镇调查失业率仅调查城 镇常住人口，该部分无法回城的农民工将不被调查在内；（3）部分人员处于隔离期而无法 正常到岗工作，该部分员工即将进入工作状态，但鉴于强制的隔离措施短时无法实际从事 生产活动，使得生产指标与失业指标发生背离。 在我国 2020 年经济目标由 GDP 增速转换为以保就业为首的“六保”的背景下，探寻我 国就业情况图景对于窥探经济运行的实际冷暖、预测政策的发力程度具有重要的意义。我 们接下来试图通过模型拟合对当前的失业水平进行估测。 4 其次，城镇调查失业率与其他反映就业情况的指标具有较好的一致性。我们在此对比城镇 图表4 4： 工业增加值大幅下滑时失业率仅小幅提高 (%) 6.5 (%) 10 城镇调查失业率 工业增加值：当月同比：季调 6.0 5.5 5.0 4.5 4.0 3.5 3.0 5 0 (5) (10) (15) (20) (25) 18-01 18-04 18-07 18-10 19-01 19-04 19-07 19-10 20-01 20-04 资料来源：Wind，市场部 当前失业率水平估算 我们通过回归拟合对失业率进行估测，具体方法见附录 1。我们的模型存在以下假设：（1） 奥肯定律成立，即 GDP 增速与失业率呈现一定的反向关系。（2）经济结构在我们选择的 滚动窗口回归期内保持不变，即意味着奥肯定律的系数、经济潜在增速与自然失业率均不 变。（3）整体上看，调查失业率是衡量失业情况的可靠指标。因此我们可以通过 2018-2019 年经济增速与失业率的关系来估测 2020 年 1-4 月的失业率水平。根据我们的拟合结果， 我国 2020 年 1-4 月的估测失业率约为 6.1%、10.7%、8.4%、7.7%，与官方城镇调查失 业率走势基本一致。 图表5 5： 2020 年 1 1- -4 4 月的估测失业率 (万人) 1,500 (%) 12 净新增就业人数 城镇调查失业率（右） 校准失业率（右） 1,000 500 11 10 9 0 (500) (1,000) (1,500) (2,000) (2,500) 8 7 6 5 4 20-01 20-02 20-03 20-04 资料来源：Wind，市场部 在此基础上，我们通过估测失业率计算我国 2020 年 1-4 月的净新增就业人数。结果显示， 1-2 月我国净新增就业人数为负，期间累计净新增超过 2500 万的失业人口。但就业恢复 的速度同样很快，3 月以来就业市场开始复苏，就业人数呈现出净增长状态，稳步地向疫 情前的水平修复。 5 华泰就业指数（ HEI）就业情况的及时性跟踪 鉴于经济数据发布存在一定的滞后，我们估算的失业率仅从事后的角度对就业情况进行一 定的反映，但尚无法满足对失业水平的及时跟踪。于是，我们尝试通过反映经济运行和复 工情况的高频指标对就业情况进行更有时效性的估算和跟踪。 我们筛选与就业情况密切相关的景气指标（PMI）、同步指标（涉及投资、消费和进出口全 方位的高频指标）和城市交通情况（拥堵延时指数和地铁客运量），对失业水平进行更高 频率的估算和跟踪，建立了周度华泰就业指数（HEI），具体方法见附录 2。我们将 HEI 指数与 2018 年-2019 年城镇调查失业率和 2020 年我们的估测失业率数据进行对比，结果 显示 HEI 指数对于就业情况具有良好的反映能力。 图表6 6： HEI 指数能够较好地反映就业情况 (%) 城镇调查失业率 华泰就业指数（HEI） 12 10 8 6 4 2 0 19-04 19-05 19-06 19-07 19-08 19-09 19-10 19-11 19-12 20-01 20-02 20-03 20-04 20-05 注：2018-2019 年的城镇调查失业率采用官方数据，2020 年的城镇调查失业率采用上一部分的估测数值。 资料来源：Wind，市场部 HEI 指数对就业情况的反映结果与前文分析一致。总体看来，我们估计，我国失业水平在 2020 年 2 月 17 日-23 日达到最大值，其后，随着复产复工的切实推进，我国失业率稳步 降低，其进度可以大致划分为三个阶段： （1）第一阶段：3 月上旬和中旬，本阶段制造业和建筑业率先复工复产，估测失业率以 较快速度降低，在 3 月中旬便已经达到 8%附近。 （2）第二阶段：3 月下旬至 4 月上旬，本阶段制造业、建筑业等行业复产复工的边际进 展递减，但服务业复工尚未全面展开，因此表现为失业修复的平台期，估测失业率 于 8%附近徘徊。 （3）第三阶段：4 月以来，本阶段服务业复工进度开始加速，估测失业率降低的速度再 次加快。根据 HEI 指数显示，5 月最后一周的估测失业率水平大约为 7.1%左右。整 体来看，我们估算的失业水平与城镇调查失业率和 6%的失业率目标差距已不大，后 续“六保”政策的持续推进将有利于就业目标充分实现。 6 “产出- -就业拉动”框架下的分行业就业情况 疫情对就业的冲击同时具备总量性特点和结构性特点，因此从行业角度对就业情况的分析 同样具有重要意义。疫情期间总需求萎缩导致总体失业率的提高，但分行业看，计算机软 件等线上服务业的就业情况所受影响较小，医疗服务等行业的用工需求不降反增，而零售 业、交通运输业等线下服务业则遭受重大冲击。近期快速发展的“共享用工”模式也在一 定程度上与这类结构性就业冲击密切相关。 我们基于“产出- -就业拉动”框架对分行业就业情况展开分析，具体方法见附录 3 3。对于产 出情况，我们仍然通过构建月度指标实现更高频的跟踪。对于就业拉动效果，我们分别计 算三次产业的就业人员/GDP 指标，并将其外推至对应的各个行业。根据上述估算结果则 可近似得出就业人数与 GDP 的变动情况。在行业层面，我们选取第二产业的工业、建筑 业以及第三产业中的批发和零售业、交通运输/仓储和邮政业、房地产业作为分析对象。 对于产出情况，我们使用 2017-2019 年的月度数据建立分行业的回归模型。从 3 3- -4 4 月数据 的角度看，第二产业的恢复进度明显好于第三产业，与估算结果基本吻合。交运仓储、批 发零售等服务业行业的需求端回暖仍需时日，其 3-4 月 GDP 所受的冲击仍较为严重，而 随着融资成本下行、土地市场升温，房地产行业开始逐步复苏。上游的工业、建筑业等行 业所受冲击较小，或将逐步回归正增长区间。 图表7 7： 3 3- -4 4 月各行业 GDP 增速拟合结果 月度 GDP 增速拟合结果（%） 工业 3.31 建筑业 1.92 批发与零售业 -5.72 房地产业 -0.96 交通运输、仓储和邮政业 2020-04 2020-03 -12.95 -14.69 -0.93 1.98 -11.94 -2.55 资料来源：Wind，市场部 根据上述结果，我们将 GDP 与就业拉动效果估计值相结合，对月度新增就业人数进行估 算。在所选行业之中，工业就业恢复最快，在 3 月的新增就业中占据主要部分。4 月以来， 工业就业继续增长，就业情况已接近疫情前水平。建筑业就业同样有所恢复，基建投资逐 渐发力或将进一步支撑后续就业情况。批发零售、交运仓储等线下服务业的恢复节奏相对 较慢。4 月份以来，批发零售行业新增就业人数快速上升，与该行业的集中复产复工有关， 但其就业人数与疫情前仍存在较大差距。房地产业也处于缓慢恢复状态。交运仓储行业的 就业形势仍较为严峻，在整体就业逐步回归正增长的背景下，交通仓储行业新增就业人数 仍较为有限，与疫情前情况相比仍存在较大缺口，整体表现相对低迷。 图表8 8： 2 2- -4 4 月分行业净新增就业估算 分行业新增就业（万人） 工业 192.70 建筑业 -0.37 批发与零售业 109.18 房地产业 16.80 交通运输、仓储和邮政业 2020-04 2020-03 2020-02 14.06 29.84 801.05 102.11 -175.21 51.88 26.75 -1035.93 -467.51 -115.97 -214.51 资料来源：Wind，市场部 7 后续就业形势展望 行业层面：批发零售、交通仓储等服务业成为后续“保就业”的关键 对于工业而言，其生产情况基本经历了 V V 型反弹，就业情况或将逐渐好转。春节过后的 2 月份的严格管控措施导致劳动密集型制造业企业基本停滞，从上游产能上看，电厂耗煤量、 高炉开工情况相对往年有较大差距，这一压力也较为直观地反映在就业层面。但自 3 月份 以来，此前受疫情影响停工的企业陆续复工复产；4-5 月份，消费、基建等方面需求逐渐 回暖，内需也逐渐恢复。因此从供给端和需求端上看，工业生产的修复已经基本确认。但 从结构上看，在中美摩擦进一步演绎、海外疫情与经济重启形势尚不明朗的背景下，外需 依赖度较高的出口导向型、加工贸易型企业仍将受到一定的外需冲击。 图表9 9： 6 6 大发电集团日均耗煤量（截至 5 5 月 31 日） 图表 10： 高炉开工率（截至 5 5 月 29 日） （万吨） 90 2015-2019最值 2020至今 2015-2019均值 2019 (%) 75 70 65 60 55 50 2018 2019 2020至今 80 70 60 50 40 30 01-01 01-21 02-10 03-01 03-21 04-10 04-30 05-20 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月11月12月 资料来源：Wind，市场部 资料来源：Wind，市场部 从建筑业角度看，随着用工压力逐渐缓解，基建投资发力或将逐步带动建筑业回暖。3 月 以来基建申报项目放量、专项债等资金充裕都直观可见。并且今年基建项目滚动储备、适 时开工，3-4 月挖机销量大幅提高或前瞻反映了本轮建筑业周期的启动。5 月建筑业 PMI 回升 1.1 个百分点至 60.8%，维持在高景气度区间。我们认为在政策发力的确定性和疫情 掣肘逐渐消散的背景下，建筑业有望继续回暖，有望对促进农民工就业起到积极作用。 图表 11： 3 3- -4 4 月挖机销量大幅提高（截至 4 4 月数据） (台) 60,000 （%） 80 挖机销量 同比变化（右） 60 50,000 40,000 30,000 20,000 10,000 0 40 20 0 (20) (40) (60) 19-01 19-03 19-05 19-07 19-09 19-11 20-01 20-03 资料来源：Wind，市场部 从房地产行业角度看，地产项目陆续开工，土地购置费提升带动成交回暖，行业出现边际 向好态势，但政策调控更值得关注。从复工层面看，房地产项目在全国建设工程复工的“三 步走”（重点民生工程-其他民生工程-其他工程）中顺位较低，恢复节奏相对基建更慢，3-4 月房地产新开工面积逐步回升，但仍不及往年同期水平。从成交层面看，地价提升、商品 房成交面积回暖或表明房市的逐步复苏。从政策层面看，两会政府工作报告再次明确“房 住不炒”和“因城施策”。由于地价升温与房住不炒的总基调相悖，后续地产政策或有边 际收紧的可能，我们认为政策面或将成为主导下半年地产行业的重要因素。 8 图表 12： 30 大中城市商品房成交面积（7 7 日平均，截至 5 5 月 31 日） 图表 13： 房屋新开工、竣工面积小幅回升（截至 4 4 月数据） (万平方米） 2019 （ % ） 2020至今 房屋新开工面积:累计同比 房屋竣工面积:累计同比 30 70 20 10 60 50 40 30 20 10 0 (10) (20) (30) (40) (50) 0 01-01 02-01 03-01 04-01 05-01 06-01 18-01 18-05 18-09 19-01 19-05 19-09 20-01 资料来源：Wind，市场部 资料来源：Wind，市场部 对于批发零售行业而言，从上述估算结果看，批发与零售业的就业情况距离疫情前水平仍 有差距，但已经在 3 3- -4 4 月持续回暖。随着国内疫情基本控制，4 月以来商场加快复市，政 策也密集出台助力居民消费回补。一方面是发放消费券，居民的消费意愿有所回升，并且 从投向上看，消费券对于零售行业的支持较为明显。另一方面，政策也重点支持经济拉动 作用显著的汽车销售。中央各部委密集发布相关支持政策，鼓励地方发布刺激汽车消费政 策，具体手段包括放松限制、补贴、减税等。疫情防控成效和政策刺激均对批发零售行业 需求端构成支持，从而带动就业的复苏。 我们认为批发零售行业的线下消费模式和中小企业高占比或仍将对就业构成压力。一方面， 现场体验型消费仍受居民对疫情的恐慌情绪与防范意识影响，恢复时间相对更长。另一方 面，批发零售业中包含大量中小企业，在现金流周转困难和经营修复缓慢的压力下可能面 临倒闭、停业等次生冲击，导致其就业吸纳能力有所削弱，未来仍需持续关注社销等相关 指标。 图表 14： 各行业私企与个体就业占总体就业人口比例（ 2018 年） 批发和零售业 制造业 12.70 3.88 租赁和商务服务业 住宿和餐饮业 2.93 2.78 居民服务修理和其他 建筑业 2.02 1.52 0.76 交通运输仓储和邮政业 （%） 14 0 2 4 6 8 10 12 资料来源：Wind，市场部 对于交运仓储行业而言，行业整体或将呈现客运、货运分化的情况，从 4 4 月数据看，货运 量已经逐步回到疫情前水平，客运量则仍较为低迷。随着内需逐步回暖，货运量在 3-4 月 快速回升。在电商平台促销活动的带动下，物流行业用工需求或将进一步提高。但客运情 况仍相对低迷，从城市内部的人员流动情况看，目前各大城市地铁客运量仍在逐步修复过 程中，但距离疫情前水平仍存在一定差距。这一差距在更长途的铁路、航空客运中体现得 更为明显。由于疫情防控的相关限制和居民出行意愿的减弱，客运方面的压力或仍将持续 存在。 9 图表 15： 主要城市地铁客运量（7 7 日移动平均，截至 5 5 月 31 日） （万人次） 上海 广州 成都 武汉 1,400 1,200 1,000 800 600 400 200 0 19-01 19-03 19-05 19-07 19-09 19-11 20-01 20-03 20-05 资料来源：Wind，市场部 图表 16： 3 3- -4 4 月客运量仍处于低位（截至 4 4 月数据） 图表 17： 3 3- -4 4 月货运量快速回升（截至 4 4 月数据） 铁路客运量:当月同比 民航客运量:当月同比 公路客运量:当月同比 水运货运量:当月同比 铁路货运量:当月同比 公路货运量:当月同比 （%） 20 （%） 15 0 (20) (40) (60) (80) (100) 5 (5) (15) (25) (35) (45) 18-01 18-05 18-09 19-01 19-05 19-09 20-01 18-01 18-05 18-09 19-01 19-05 19-09 20-01 资料来源：Wind，市场部 资料来源：Wind，市场部 群体层面：关注农民工、大学生群体的就业压力 农民工、大学生两类重要群体是新增就业人员的主要构成部分。对于农民工而言，疫情后 的经济低迷可能导致“农民工返乡潮”压力增大。一方面，在外需萎缩和内需尚未完全恢 复的拖累下，大量农民工仍面临“无工可复”的困境，从而导致其收入下滑，更多来自于 最低工资保障。另一方面，城镇的生活成本相对于乡村仍偏高。因此农民工的返乡意愿或 将有所提升。农民工所从事的岗位人员流动性较大，而失业率统计中并未包含农村劳动力， 因此劳动力转移带来的“隐性失业”同样值得关注。 10 图表 18： 农民工返乡或带来“隐性失业” （%） 20 （%） 农村外出务工劳动力:月均收入:同比 农村外出务工劳动力人数:同比 10 5 15 10 5 0 (5) (10) (15) (20) (25) (30) (35) 0 (5) (10) 12-03 13-03 14-03 15-03 16-03 17-03 18-03 19-03 20-03 资料来源：Wind，市场部 从应届大学生角度看，在毕业生供给扩张与企业用工需求不匹配的背景下，大学生就业压 力有所增强。根据教育部的数据，2020 年全国普通高校毕业生 874 万，相比上年进一步 增加 40 万人。从近期的春季招聘情况看，根据猎聘数据，今年企业春招节奏有所后移，5 月、6 月开始春招的企业占比提高，并且有 12.67%的受访企业仍未确定春招时间。目前 政策层面也对大学生群体给予高度关注，民政部提出积极引导支持大学生在社区、社会组 织、社会工作领域的就业工作，“争取实现 2 年内全国 64 万个城乡社区，每个社区的新增 岗位至少招录 1 名毕业生”，大学生就业结构或更多向“三社”领域倾斜。未来仍需关注 大学生就业相关政策。 图表 19： 高校毕业生规模逐年扩大 图表 20： 2020 年企业春招开始时间分布 （%） （万人） 900 全国高校预计毕业生人数 2020年企业春招开始时间分布 35 30 25 20 15 10 5 850 800 750 700 0 2015 2016 2017 2018 2019 2020 1月 2月 3月 4月 5月 6月 不确定 资料来源：教育部，市场部 资料来源：猎聘大数据研究院，市场部 风险提示 1 1、模型预测值存在偏误。由于回归模型存在标准误，预测值的置信区间较宽，从而可能 导致与实际结果产生一定偏离。 2 2、产业内部各行业就业拉动效果分化。我们在估算各行业就业拉动效果时使用产业整体 数据推算，若产业内部各行业情况分化较大，估算结果可能与实际值有所偏差。 3 3、疫情发展出现反复。若国内或海外疫情有所反复，经济重启节奏或有所放缓，就业情 况也可能面临二次冲击。 11 附录 1 1：失业率估测方法 我们估测失业率的方法如下：（1）通过筛选合理的指标对 GDP 进行拟合，得到更高频的 月度层面的 GDP 数据。（2）根据奥肯定律，将 2018-2019 年的月度 GDP 与城镇调查失 业率进行回归，得到两者的关系。（3）根据 2020 年 1-4 月的月度 GDP 增速估测当前的 失业率水平。 第一步：将季度 GDP 转换为月度 GDP 的拟合值 国内生产总值（GDP）是宏观经济的综合反映，但一方面，GDP 季度发布，存在一定滞 后性，因而难以在投资决策中作为前瞻性的参考；另一方面，GDP 因其总量特征，波动 往往过于平缓，难以察觉“风平浪静下的暗流涌动”。因此，我们通过构建月度 GDP 指标 的主要目的在于反映国内实体经济的动态变化，也即拟合出不变价 GDP 增速的影子变量。 我们在参考 IMF 关于动态因子模型的基础上，仅选择包含国内实体经济活动的相关指标， 不考虑如价格、金融市场等相关影响。一方面，我们考虑数据的全面性，不仅使用工业产 值、发电量等统计数据，还包括 PMI 等调查数据，且指标尽可能多地囊括不同经济层面的 信息，例如消费、制造业及房地产等领域。另一方面，我们也需要考虑变量的简洁与代表 性，过多变量堆砌往往带来样本内过拟合，而在外推预测时“捉襟见肘”。因而我们仅选 择 PMI、生产（푃푟표푑푢푐푡푖표푛）、外贸（푇푟푎푑푒）、消 费（퐶표푛푠푢푚푝푡푖표푛）、投 资（퐼푛푣푒푠푡푚푒푛푡） 和运量（푇푟푎푛푠푝표푟푡푎푡푖표푛）几个方面的经济指标用于构建月度 GDP 指标。 图表 21： 月度 GDP 指标的拟合变量选取 类型 生产 外贸 消费 投资 运量 PMI 内容 工业增加值、发电量、水泥产量 出口金额、进口金额 社会消费品零售总额、汽车销量 固定资产投资总额、房地产开发投资完成额、房屋施工面积、房屋新开工面积、房屋竣工面积 客运量总计、货运量总计 PMI、PMI 生产指数、PMI 就业指数 资料来源：Wind，市场部 GDP 数据是按季度发布，而其他诸如生产、贸易等数据多为月度频率。为了在模型中保 证数据的一致性，我们使用月度层面季调后的工业增加值增速数据对季度 GDP 进行 Fernandez 插值，形成有一定误差的 GDP 月度时间序列，以此作为被拟合变量。对于 PMI 我们采用月度原值（PMI 本身反映的即是相较于上月的变化），其余生产、外贸、消费、 投资和运量等变量均采用月度同比增长率。 12 在构建指标的过程中，部分数据具有强相关关系，我们采用主成分分析将这些指标降维成 一个具有代表性的指标，如将房地产开发投资完成额、房屋施工面积、房屋新开工面积、 房屋竣工面积合成为房地产投资的第一主成分指标，将 PMI、PMI 就业指数、PMI 生产指 数合成为景气指数的第一主成分指标。 进一步的，我们的回归模型如下所示，考虑到中国经济正处于结构转型时期，经济运行的 内在机制可能存在转型，因此我们的对月度 GDP 的拟合通过滚动窗口回归的方式进行 ⃗ ⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗ 其中，푋 是上述选取的GDP跟踪指标，我们将其与调整后的月度 GDP增速进行滚动回归， 푡 得到相应的回归系数，然后我们将下一期的月度跟踪指标带入模型，得到下一期 GDP 的 月度外推值，以此作为我们的月度 GDP 指标。滚动回归的窗口设置为 2 年（24 个月）， ̂ ̂ 即我们采用前两年回归的系数对下一期的 GDP 进行外推，获得 GDP 的外推值퐺퐷푃 。퐺퐷푃 푡 푡 基于较短时间窗口的回归结果，系数发生时变的概率较小，且我们综合使用了当月的 PMI、 生产、外贸、消费、投资和运量等多维度数据对 GDP 进行外推，具有全面性。 第二步：城镇调查失业率和 GDP 增速拟合 对于月度失业率的估测基于奥肯定律，我们在此对奥肯定律进行了少量的修改。第一，考 虑到经济运行较为复杂，可能存在遗漏变量，因此我们在回归模型中加入截距项。第二， 奥肯定律反映的是产出缺口（实际 GDP 增速与潜在 GDP 增速之差）与失业缺口（实际失 业率与自然失业率之差）之间的关系，但考虑到我们选取的回归窗口较短，经济的结构变 化也较小，因此假设自然失业率与潜在 GDP 增速不变，可以对失业率与 GDP 增速直接进 行回归。我们采用经济增速较为平稳的 2018-2019 的数据进行拟合，回归模型如下。 ̂ ̂ 其中，푈푛푒푚푝푙표푦푚푒푛푡 为城镇调查失业率，퐺퐷푃 为前文拟合的月度 GDP 指标。 푡 푡 第三步：估测失业率水平 我们认为 2018-2019 年的实际调查失业率是衡量失业情况的可靠指标，因此我们可以通过 2018-2019 年经济增速与失业率的关系来估测 2020 年 1-4 月的失业率水平。具体方法上， 我们直接将 2020 年 1-4 月的月度 GDP 指标带入上述模型结果，得到我们的估测失业率。 ̂ ̂̂ 푡 푡 13 附录 2 2：华泰就业指数（ HEI）构建 指标选取 为了构建更具时效性的就业指数，我们选取与就业形势相关性较高的经济景气指标（PMI）、 经济运行同步指标（生产、投资、消费、进出口方面的高频指标）、城市交通情况指标（拥 堵延时指数和地铁客运量）等具有代表性的数据对就业形势进行刻画。其中，景气度指标 发布时间较早，其他指标则为高频指标，均能帮助我们及时地跟踪就业形势。 图表 22： 月度 GDP 指标的拟合变量选取 指标类别 PMI 指标明细 制造业 PMI、服务业 PMI、服务业 PMI 6 大发电集团耗煤、粗钢产量、高炉开工率 30 城商品房成交面积、百城土地成交面积、百城土地成交溢价率 乘用车销量 生产 投资 消费 出口 中国出口集装箱运价指数、韩国出口金额 中国进口干散货运价指数、波罗的海干散货指数 拥堵延时指数、地铁客运量 进口 城市交通 资料来源：Wind，市场部 数据处理 我们选取 2018-2019 年的城镇调查失业率与我们估测的 2020 年失业率水平作为待拟合失 业率变量。为了保证数据频率的一致性和回归的稳健性，我们做了对处理进行如下处理： （1）将月度失业率数据通过复制的方式转换为周度数据（即假设各周的失业率水平与当 月的失业率一致）；（2）将月度的 PMI 指标通过复制的方式转换为周度数据，且因为 PMI 指标存在一定的领先关系，我们认为各周的 PMI 指标与前一个月的 PMI 数据相同；（3） 尽管已经采取高频指标，但不同指标公布的时效性仍有所不同，若某指标当周尚未公布， 我们将其赋值为最近一期的数值；（4）为了平抑指标的波动性，我们对所有指标采取三期 移动平均的方式修匀，以得到更加平稳的时间序列；5）各分类指标之间存在强相关关系， 我们采用主成分分析将各分类指标下的多维指标提取成一个具有代表性的指标，如我们将 北上广深的拥堵延时指数合成为拥堵延时指数的第一主成分，并作为后续回归的解释变量。 数据拟合 我们通过滚动回归的方式对周度失业率数据进行拟合，回归模型如下所示 ⃗ ⃗⃗⃗⃗⃗ 푈푛푒푚푝푙표푦푚푒푛푡 = 훼 + 훽 × 푋 + 휇 푡 푡 ⃗⃗⃗⃗⃗ 其中，푋 是上述选取的失业率跟踪指标（主要为各分类下的第一主成分），我们将其与调 푡 整后的周度失业率数据进行滚动回归，得到相应的回归系数，然后我们将下一期的周度跟 踪指标带入模型，得到下一期失业率的周度外推值，以此作为我们的就业跟踪指标。滚动 回归的窗口设置为 36 周（约 9 个月），即我们采用前九个月回归的系数对下一期的失业率 ̂ 进行外推，获得失业率的外推值푈푛푒푚푝푙표푦푚푒푛푡 푡+1 。 14 附录 3 3：行业层面就业指标构建 在行业层面，我们依据“产出-就业拉动”框架进行估算，首先选取第二产业的工业、建筑 业以及第三产业中的批发和零售业、交通运输/仓储和邮政业、房地产业作为分析对象。从 可得性上看，我们所选的 5 个行业 GDP 数据均为统计局官方公布，数据质量较高。从行 业规模上看，五大行业 2019 年 GDP 约占总产值的 60%，具有一定的代表性。 对于产出情况，首先使用直接复制的方式将季度 GDP 数据月度化作为被解释变量，并选 取对应行业的相关月频指标作为备选的解释变量。由于同类指标间存在一定相关性，我们 使用逐步回归的方式对备选指标进行筛选，并建立高频指标与各行业 GDP 增长的关系。 由于部分月度数据 1-2 月份缺失，我们根据上年年末情况和高频指标而设定。从拟合效果 上看，由于工业增加值等月频指标具有较高的波动性，而月频 GDP 是复制所得，因此预 测误差在特定时间段的跳升有一定合理性，其季度均值更加值得关注。整体而言，拟合值 与各行业实际 GDP 增速走势基本一致，且对于样本外的 2020 年数据仍有较好的解释性， 因此我们将对应行业的拟合结果作为产出情况的跟踪指标。 图表 23： 各行业相关备选指标 行业 相关指标 工业 工业增加值 建筑业 建筑业 PMI、建材销售额、建材产量 社会消费品零售总额 批发和零售业 交通运输、仓储和邮政业 房地产业 客运量、货运量 房地产开发投资完成额、房屋新开工面积、商品房销售面积 资料来源：Wind，市场部 图表 24： 工业 GDP 增速的拟合结果 图表 25： 房地产业 GDP 增速的拟合结果 （%） （%） 拟合误差 15 实际值 拟合值 拟合误差 实际值 拟合值 10 10 5 5 0 (5) 0 (10) (15) (20) (25) (5) (10) 17-01 17-06 17-11 18-04 18-09 19-02 19-07 19-12 17-01 17-06 17-11 18-04 18-09 19-02 19-07 19-12 资料来源：Wind，市场部 资料来源：Wind，市场部 对于就业拉动效果，由于细分行业就业数据的缺失，我们从三次产业的划分入手，分别计 算各产业单位 GDP 拉动的就业人数，并假设产业内部各行业就业拉动效果相同，将产业 层面的估计外推至行业层面。根据 2019 年全年数据，我们推算第二产业每万元 GDP 拉 动就业 0.67 人，而第三产业则是 0.89 人。整体上看，第三产业的就业拉动效果相对第二 产业更强，因此同等 GDP 增长水平下对应的就业人数增长幅度也更大。 在此基础上，我们将产出情况与就业拉动效果相结合，按照如下方法对新增就业人数进行 估算：（1）按照 GDP 的季节性估计 2019 年对应月份的实际 GDP，并结合 GDP 同比增 速拟合值估算 2020 年对应月份产出情况；（2）使用产业层面的就业拉动率估计值折算各 行业的就业人口；（3）求取月度间就业人口差值得到当月新增就业人数初始估计；（4）考 虑到就业拉动率中各行业的固定效应无法通过模型拟合求得，且疫情期间的稳就业政策、 复工不复产可能导致就业拉动效果大幅提高，但行业间比例应保持稳定，因此我们利用前 文估算的总失业水平对上述初始估计进行调整，从而得到月度的分行业新增就业人数估计。 15