
市财政局的晨会上,澜江市的城市仪表盘同时亮出三条消息:本季地区生产总值按当期价格比去年同期多了 5.0%,居民消费价格同比上升 3.2%,调查失业率却从 5.8%降到 5.3%。有人据此宣布“经济全面转好”,阿宁却困惑:菜场、房租和孩子的培训费都更贵了,为什么她的感受不像仪表盘那么乐观?
这不是谁在说谎,而是三只仪表测的对象不同。GDP问“这座城市新创造了多少最终产出”;价格指数问“代表性消费篮子的价格变了多少”;失业率问“劳动力中,有多少人没有工作、近期在找工作且能上岗”。先分清问题,才能让数字回答问题。
本内容沿着第 1 章的“城市仪表盘”继续。澜江市、启航家电、阿宁家庭、澜江银行和市财政局均为连续教学案例;文中金额、人数、价格和指数全部是为演算设置的虚构数据,不对应任何真实城市或机构。
先把晨会上的数据写成一张可核对的卡片。这里的“本季”与“去年同期”覆盖同样长度的时期,比较对象保持一致;否则看似精确的小数点没有解释力。
同一张表已经提示了一个重要限制:GDP 价格指数和 CPI 都与“价格”有关,却不是同一个温度计。前者服务于把全城产出中的价格变化与数量变化分开;后者聚焦居民购买的一篮子商品和服务。把它们画成两条不同的线,比把它们硬凑成一个“物价率”更诚实。
启航家电的厂长看到名义产出上升,想扩大排班;阿宁看到 CPI 上升,打算缩减可选消费;澜江银行则关心客户还款能力和企业订单。三种行动都可能合理,但每一种都要先确认自己使用的指标能不能回答眼前的问题。
读宏观数据的顺序,不是先找最高的增速,而是先写下决策问题。市财政局若要安排公共服务,应关注公共支出所换来的实际服务量与居民负担;启航家电判断扩产,要看订单、库存、投入成本和真实需求;阿宁安排家庭预算,更该看她实际消费项目的价格与收入。
一个好用的起手式是把每个数字补全为一句话:谁的什么,在什么范围内,用什么方法,与哪个时期相比,变了多少。“澜江市 GDP 增长 5%”仍缺少价格口径和对比期;“阿宁感觉物价涨了很多”则缺少消费篮子和可核对的时间窗。
宏观指标很像机场塔台上的仪表:高度表、速度表和油量表都真实,却不能相互替代。这个类比的边界也很清楚——城市经济不是一架由单一驾驶员操纵的飞机,指标之间会互相影响,也会受抽样、修订和分类规则影响。因此,仪表盘用于定位和追问,不自动给出政策或投资结论。

读表时可以按下面四步停顿:
当四步走完,“看似矛盾”的数据通常会变成若干个可验证的问题。例如,名义 GDP 多出的 6.0 亿元中,有多少来自价格、有多少来自更多生产;失业率下降是否伴随求职者退出劳动力市场;CPI 上升对阿宁的家庭篮子是否有同样幅度的影响。
GDP 可以先理解为:在一个地区、一个期间内,新生产出来的最终商品和服务的价值(非市场服务通常按成本估价)。关键词缺一个,结论就容易跑偏。“地区”强调生产发生地,不等同于当地居民拿到的全部收入;“期间”意味着它是流量,不是城市积累的全部财富;“最终”要求避免把同一件产品在供应链上反复相加。
启航家电本季卖出 1 万台冰箱,每台售价 5,000 元,销售额为 5,000 万元。它从本地零部件厂购入压缩机、钢板和物流等中间投入共 3,000 万元。若只看启航家电,其增加值是:
零部件厂的产出也会计入自己的增加值。若把零部件的 3,000 万元和整机的 5,000 万元都当作最终产出相加,就把同一批零件算了两次。增加值像接力赛中每一棒新推进的距离,不是把每位选手离起点的总距离全部累加;但这个类比不能用来判断利润分配,因为增加值还要支付工资、税费、折旧和经营盈余,并不只归某一位“选手”。
从支出角度,澜江市可用一个检查框架整理最终需求:
这里的净出口是向市外销售的货物和服务,减去从市外购买的货物和服务;它只是教学中为城市开放经济设置的简化项。实际核算会依赖更细的行业分类、资料来源和调整规则。无论从生产、收入还是支出观察,目标都是描述同一段时间的新生产成果;实际汇总中因资料时间和方法不同,数字还可能在后续核实中修订。

这张表不是说贷款、二手交易或救助“不重要”。它们会影响家庭现金流、企业投资和社会福利,只是回答的不是 GDP 的那个问题。特别是银行提供的实际金融服务、二手交易的中介服务和公共部门提供的服务,可能以相应的服务价值进入核算。
演算。若零部件厂增加值为 3,000 万元,启航家电增加值为 2,000 万元,零售配送新增 500 万元,那么这条链合计创造的增加值是 5,500 万元,而不是把每一步销售额无限相加。请说明:为什么阿宁购买二手冰箱的 2,000 元不应再加一次,而维修师傅本期收取的 200 元服务费可以进入本期产出?
名义 GDP 用当期价格把产出写成金额,适合观察当期生产活动的货币规模,并可与税收、债务等货币指标作比率比较;实际 GDP 通过剔除价格变动的影响,观察经质量调整后的产出量变化。两者都值得看,只是不能用来回答同一个问题。
澜江市的名义 GDP 从 120.0 亿元到 126.0 亿元,名义增速为:
若用教学中的 GDP 相关价格指数 102.0 作简化缩减,本季按基期价格计的产出约为 亿元。因此,实际增长约为:
这不是把“5.0%减 2.0%”当作永远精确的规则;在幅度较小时,直接相减是便于心算的近似。严格计算取决于指数、基期和链式处理方式。它足够提醒我们:金额增长里有一部分只是每单位产出变贵,不能全叫作“多生产了”。

CPI 追踪的是居民购买的代表性商品和服务价格如何变化。它需要选择项目、收集价格、按家庭消费支出的相对重要性赋予权重,再汇总为指数。指数为 103.2 的正确读法是:相对于设定的比较基准,这个消费篮子总体贵了约 3.2%;它不表示“物价涨到原来的 103.2 倍”,也不表示每一种商品都涨了 3.2%。
阿宁家庭的支出比全市平均更集中于房租、通勤和儿童教育。即使全市 CPI 上升 3.2%,她的个人生活成本也可能高于或低于该数。相反,一台高端设备涨价很快,也未必显著推高 CPI,因为它在多数家庭篮子中的权重可能较低。CPI 是观察平均消费价格趋势的尺子,不是每个家庭的账单复印件。
月度数据还必须分开读。环比把本月同上月比较,适合捕捉近期方向,却容易受节假日、天气和季节影响;同比把本月同去年同月比较,能部分避开季节错位,却可能受去年基数异常影响。一个月环比转正不等于全年通胀趋势已经反转,一次较高同比也不等于价格正在加速。
失业率的分母不是全体人口,也不是所有暂时没上班的人,而是劳动力。劳动力由就业者和失业者组成。按照调查口径,失业者通常需要同时满足:没有工作、近期在找工作、并且能够开始工作。没有工作但并未寻找或暂时无法开始工作的人,属于非劳动力,而非失业者。
澜江市本季有 191.0 万就业者、10.7 万失业者。劳动力为 201.7 万人,调查失业率为:
与去年同期的 相比,失业率下降,同时就业人数增加。这是一组比“失业率单独下降”更有力的改善证据,但仍不足以说明所有人都找到满意工作:工时、工资、岗位匹配、青年与不同群体的状况都需要另外的数据。

假设下季就业人数仍是 191 万,失业人数从 10.7 万降到 8.0 万,其中 2.7 万人不是找到工作,而是停止找工作或暂时不能上岗。失业率会降至约 4.0%,看起来很亮眼;但劳动力也随之缩小,劳动参与情况反而值得警惕。
因此,读就业数据至少并排看三项:
调查失业率通常来自抽样劳动力调查,而不是求职登记簿的简单汇总。抽样、加权、回答和分类都会影响估计;登记失业人数则受登记资格和是否登记等因素影响。两种来源可以提供不同侧面的信息,不能在未说明口径时直接互换,也不该把一次正常修订解读为数据失真。
统计口径像量杯上的刻度。量杯没有制造面粉,刻度不一致却能让同一袋面粉显得“变多”或“变少”。这个类比只说明可比性的重要性;现实统计的变化还可能真的来自行为、产业结构和价格,因此不能把每次口径调整都当成纯粹的“换尺子”。
读一条宏观数据前,至少核对下列信息:
增长率也会制造视觉错觉。若澜江市某月餐饮销售去年因停业只有 10 亿元、今年恢复到 15 亿元,同比就是 50%;它说明相对低基数的回升很快,却不自动意味着已超过更早的常态。遇到跳变,至少再看水平值、连续几期走势和比较基期。
宏观数据的可靠用法不是挑一条支持既有观点,而是寻找彼此能解释、也彼此约束的证据。名义产出增得快而实际产出一般,可能是价格在推高金额;失业率下降而劳动力缩小,可能有退出在改变分母;CPI 温和而阿宁压力很大,可能是平均篮子和她的篮子不同。把这些“可能”写出来,正是严谨判断的开始。

回到晨会,最稳妥的结论不是“澜江市已经全面转好”,而是:本季名义产出增长 5.0%,按教学用价格缩减后,实际产出约增长 2.9%;居民平均消费篮子同比更贵约 3.2%;失业率下降且就业人数增加,劳动力市场出现改善信号。至于居民是否普遍轻松、企业是否应该马上扩产,还需要收入、工时、库存、订单和群体差异等证据。
你可以用下面的练习完成一次完整判读。
情境。 下季仪表盘显示:名义 GDP 同比增长 4.0%,GDP 相关价格指数同比上升 3.5%,CPI 同比上升 1.0%,失业率从 5.3%降到 4.7%,劳动力人数从 201.7 万降到 195.0 万。
实际产出增速大致接近名义增速扣除相关价格变化,约为 0.5%附近,精确值仍要依赖完整核算。CPI 主要测居民消费篮子,不能替代启航家电的投入和出厂价格。失业率的分母是劳动力,劳动力由 201.7 万降至 195.0 万,必须区分就业改善与求职退出。经营提示可以是:“需求和产出仍在温和增加,但实际增速可能偏低,先核对订单、库存与成本,再决定是否扩大排班。”
最后,把本章的原则带回仪表盘:先问指标在测什么,再看比较基准和口径;先分开金额、价格、数量与人数,再把指标放回同一段经济故事。数据不会替你做决定,但能迫使决定建立在更少误读之上。