27 衡量一个经济：GDP、通胀与失业

这一讲要回答五个问题：

1. GDP 是什么？为什么用三种方法，能算出同一个数？
2. 名义和实际有什么区别？为什么要剔除价格？
3. 通胀怎么量？为什么不同的价格指数，答案不同？
4. 失业怎么量？为什么失业率下降，不一定是好消息？
5. 这些数字漏掉了什么？它们有多可靠？

前面二十六讲，我们看的，都是一个市场、一个企业、一群人。从这一讲起，我们换一个尺度：整个经济。宏观经济学要回答的，是这样一些问题：一个国家一年生产多少东西？生活水平为什么在长期里越来越高？为什么有时经济会衰退，大家一起失业？物价为什么会涨？央行和政府能做什么？这些问题，都要先有数字。这一讲，先把三个最基本的数字：GDP、通胀、失业，是怎么量出来的，讲清楚。

数字有两种用法：用来理解（过去发生了什么），用来决策（接下来该做什么）。两者都要求你知道：这个数字，到底量的是什么，没量的是什么。

一、新闻里的三个数

新闻里，经常出现这样的话：

• “全年国内生产总值同比增长 5%"；
• “居民消费价格同比上涨 0.1%"；
• “城镇调查失业率 5.2%"。

先停一下：一个国家，一年生产了成千上万种东西，苹果、汽车、理发、手机、教育、医疗。怎么把它们加成"一个数”？苹果和汽车，怎么能加？

答案，是用价格当共同的单位：苹果 5 元一斤，卖了 1 亿斤，就是 5 亿元；汽车 10 万元一辆，卖了 300 万辆，就是 3000 亿元。加起来，就是一个数。这既是 GDP 的巧妙之处，也是它的局限所在：凡是价格能衡量的，它都能加；凡是没有价格的，它都看不见。

二、GDP：一年里生产的东西，值多少钱

2.1 定义

国内生产总值（Gross Domestic Product，GDP）：在一定时期内（通常是一年），一个国家（或地区）的常住单位，生产的所有最终产品和服务的市场价值。

这句话里，有几个词，值得一个一个地看：

• 最终：只算最终卖给使用者的，不算中间品（否则，会重复计算）；
• 生产：只算今年生产的，不算二手货；
• 市场价值：用市场价格来衡量；没有市场交易的，一般不算；
• 国内：在本国领土上生产的，不管是谁生产的（相对于"国民”：本国国民，不管在哪生产）。

2.2 一座小岛

我们用一座小岛，把 GDP 算清楚。小岛上，有三家企业：农场（种小麦）、设备厂（造烤箱）、面包房（做面包）。单位：万元。

# 一座小岛，一年里有三家企业：农场（种小麦）、设备厂（造烤箱）、面包房（做面包）。单位：万元。
# 每家企业：产出 = 卖给谁；增加值 = 产出 - 中间投入；增加值 = 工资 + 利润 + 折旧 + 生产税（净额）
firms = {
    "农场":   dict(output=400, intermediate=0,   wages=250, profit=130, depreciation=10, tax=10),
    "设备厂": dict(output=150, intermediate=0,   wages=100, profit=30,  depreciation=10, tax=10),
    "面包房": dict(output=700, intermediate=350, wages=170, profit=150, depreciation=10, tax=20),   # 中间投入：小麦 300（本岛农场）+ 进口白糖 50
}
# 最终去向（支出法）
C = 500                     # 家庭买面包
G = 100                     # 政府买面包（学校午餐）
I = 150 + 100               # 面包房买新烤箱 150；面包房有 100 的面包没卖出去，进了库存（库存增加也算投资）
X = 100                     # 农场把小麦卖给国外
M = 50                      # 面包房从国外进口白糖（中间投入）

# 1) 生产法：各企业增加值之和
added = {k: f["output"] - f["intermediate"] for k, f in firms.items()}
gdp_production = sum(added.values())
# 2) 支出法：C + I + G + (X - M)
gdp_expenditure = C + I + G + (X - M)
# 3) 收入法：工资 + 利润 + 折旧 + 生产税（净额）
gdp_income = sum(f["wages"] + f["profit"] + f["depreciation"] + f["tax"] for f in firms.values())

print("各企业的增加值（产出 - 中间投入）：", added)
print(f"生产法 {gdp_production}；支出法 C{C}+I{I}+G{G}+(X{X}-M{M}) = {gdp_expenditure}；收入法 = {gdp_income}")
for k, f in firms.items():
    print(f"  检查 {k}：增加值 {added[k]} = 工资 {f['wages']} + 利润 {f['profit']} + 折旧 {f['depreciation']} + 税 {f['tax']} = {f['wages'] + f['profit'] + f['depreciation'] + f['tax']}")

# 常见的错误：把所有企业的产出直接加起来
total_sales = sum(f["output"] for f in firms.values())
print(f"\n错误做法：把三家企业的产出加起来 = {total_sales}，比 GDP 多出 {total_sales - gdp_production}：多算的是 小麦 300（卖给面包房，已经含在面包的价值里）和 进口白糖 50（国外创造的价值）")

# 规则：只算今年生产的最终产品和服务
print("\n哪些东西不算今年的 GDP？")
print("  - 二手烤箱转手卖 20：不是今年生产的（但中介的佣金，是今年提供的服务，算）")
print("  - 政府给老人发养老金：转移支付，没有换来今年的生产（但政府买学校午餐，算）")
print("  - 买一只股票：金融资产的交易，不是产品")
print("  - 家人自己做饭：没有市场交易，不算（餐馆做的饭，算）")

输出：

各企业的增加值（产出 - 中间投入）： {'农场': 400, '设备厂': 150, '面包房': 350}
生产法 900；支出法 C500+I250+G100+(X100-M50) = 900；收入法 = 900
  检查 农场：增加值 400 = 工资 250 + 利润 130 + 折旧 10 + 税 10 = 400
  检查 设备厂：增加值 150 = 工资 100 + 利润 30 + 折旧 10 + 税 10 = 150
  检查 面包房：增加值 350 = 工资 170 + 利润 150 + 折旧 10 + 税 20 = 350

错误做法：把三家企业的产出加起来 = 1250，比 GDP 多出 350：多算的是 小麦 300（卖给面包房，已经含在面包的价值里）和 进口白糖 50（国外创造的价值）

哪些东西不算今年的 GDP？
  - 二手烤箱转手卖 20：不是今年生产的（但中介的佣金，是今年提供的服务，算）
  - 政府给老人发养老金：转移支付，没有换来今年的生产（但政府买学校午餐，算）
  - 买一只股票：金融资产的交易，不是产品
  - 家人自己做饭：没有市场交易，不算（餐馆做的饭，算）

逐段看：

• 生产法：每家企业，创造了多少增加值（产出减去买来的中间投入）。农场 400，设备厂 150，面包房 350（产出 700，减去买来的小麦 300 和进口的白糖 50），加起来 900。
• 支出法：这些东西，最后被谁买走了？家庭消费 C = 500；投资 I = 250（面包房买新烤箱 150，加上卖不出去的 100 的面包，进了库存）；政府购买 G = 100；净出口 = 出口 100 − 进口 50 = 50。加起来，900。
• 收入法：生产出来的价值，变成了谁的收入？劳动报酬 520，营业盈余（利润）310，固定资产折旧 30，生产税净额 40。加起来，900。
• 为什么三个数一样：每一笔交易，都有两面：一个人的支出，是另一个人的收入；一家企业创造的增加值，必然变成给工人的工资、给老板的利润、给设备的折旧、给政府的税。所以，从三个角度数同一笔钱，当然是同一个数。（实际统计里，由于数据来源不同，三个数会有误差，需要调整；国家统计局公布的 GDP，就是从生产、收入、使用三个角度核算的。）
• 常见的错误：把所有企业的产出，直接加起来：1250，多算了 350，多算的是小麦 300（已经含在面包的价值里）和进口白糖 50（国外创造的价值）。这就是为什么，只算增加值，或者只算最终产品。

2.3 哪些东西，不算

GDP 有几条规矩，常常让人意外：

• 二手货的转手不算（不是今年生产的），但中介的佣金，是今年提供的服务，算；
• 转移支付（养老金、救济金）不算，它们没有换来今年的生产；政府买学校午餐、修路，算；
• 金融资产的买卖（买股票）不算，不是产品；
• 家务劳动、自己做饭，没有市场交易，不算；餐馆做的饭，算；
• 地下经济、非法交易，一般不在统计里（有些国家，会对它们做估算）。

小结： GDP：一年里，生产的所有最终产品和服务的市场价值。三种算法，生产法（增加值之和）、支出法（C + I + G + 净出口）、收入法（工资 + 利润 + 折旧 + 生产税），从不同角度量同一笔钱。只算最终产品，否则重复计算；不算二手货、转移支付、金融资产交易、没有市场交易的家务。

三、名义与实际：剔除价格

3.1 为什么要剔除价格

新闻说，今年 GDP 比去年多了 10%。是生产了更多东西，还是东西变贵了？

• 名义 GDP：当年的产量，乘当年的价格。价格涨，它就涨，哪怕一件东西都没多生产。
• 实际 GDP：把价格固定在某个基期，只让产量变化。它衡量的，是产量的变化。

我们用一座只生产面包和奶茶的小岛，看三年的数据：

# 一座小岛只生产面包和奶茶，三年的价格和产量：
years = ["第 1 年", "第 2 年", "第 3 年"]
price = {"面包": [2.0, 2.2, 2.4], "奶茶": [8.0, 10.0, 12.0]}
qty   = {"面包": [100, 110, 130],  "奶茶": [50, 40, 36]}

def value(p_year, q_year):                              # 用第 p_year 年的价格，算第 q_year 年的产量值多少钱
    return sum(price[g][p_year] * qty[g][q_year] for g in price)

nominal = [value(t, t) for t in range(3)]
print("名义 GDP（当年产量 × 当年价格）：", [round(v, 1) for v in nominal])
print("  名义增长：", [f"{(nominal[t] / nominal[t - 1] - 1):+.1%}" for t in (1, 2)])

# 实际 GDP：把价格固定在某一年，只看产量变了多少
real_base1 = [value(0, t) for t in range(3)]
real_base3 = [value(2, t) for t in range(3)]
print(f"\n实际 GDP，按第 1 年价格：{[round(v, 1) for v in real_base1]}；增长 {[f'{real_base1[t] / real_base1[t - 1] - 1:+.1%}' for t in (1, 2)]}")
print(f"实际 GDP，按第 3 年价格：{[round(v, 1) for v in real_base3]}；增长 {[f'{real_base3[t] / real_base3[t - 1] - 1:+.1%}' for t in (1, 2)]}")
print("  同样的产量，用哪一年的价格来衡量，增长率不一样（奶茶涨得多、产量降得多，用后期价格看，降得更狠）")

# 链式：每年用"上一年"的价格，把相邻两年的增长连起来（Fisher：两个方向的几何平均）
import math
def fisher_growth(t):
    laspeyres = value(t - 1, t) / value(t - 1, t - 1)   # 用上一年价格
    paasche = value(t, t) / value(t, t - 1)             # 用本年价格
    return math.sqrt(laspeyres * paasche) - 1, laspeyres - 1, paasche - 1
for t in (1, 2):
    f, l, p = fisher_growth(t)
    print(f"第 {t + 1} 年的实际增长：上一年价格 {l:+.2%}，本年价格 {p:+.2%}，Fisher（几何平均）{f:+.2%}")

# 价格指数：同一批数据，GDP 平减指数 = 名义 ÷ 实际；CPI = 固定一篮子（第 1 年的消费量）的价格
deflator = [nominal[t] / real_base1[t] for t in range(3)]
cpi = [sum(price[g][t] * qty[g][0] for g in price) / sum(price[g][0] * qty[g][0] for g in price) for t in range(3)]
print(f"\nGDP 平减指数（第 1 年=1）：{[round(d, 3) for d in deflator]}")
print(f"CPI（固定第 1 年的篮子：100 个面包、50 杯奶茶；第 1 年=1）：{[round(c, 3) for c in cpi]}")
fisher_price = math.sqrt(cpi[2] * deflator[2])
print(f"第 3 年相对第 1 年：固定篮子（Laspeyres）说物价涨了 {cpi[2] - 1:.1%}，平减指数（用第 3 年的消费量）说 {deflator[2] - 1:.1%}，两者的几何平均（Fisher）{fisher_price - 1:.1%}")
print("  奶茶涨价最多，但人们已经少买奶茶、多买面包：固定篮子假设人们不会改变消费，所以会高估生活成本的上涨（替代偏差）")

输出：

名义 GDP（当年产量 × 当年价格）： [600.0, 642.0, 744.0]
  名义增长： ['+7.0%', '+15.9%']

实际 GDP，按第 1 年价格：[600.0, 540.0, 548.0]；增长 ['-10.0%', '+1.5%']
实际 GDP，按第 3 年价格：[840.0, 744.0, 744.0]；增长 ['-11.4%', '+0.0%']
  同样的产量，用哪一年的价格来衡量，增长率不一样（奶茶涨得多、产量降得多，用后期价格看，降得更狠）
第 2 年的实际增长：上一年价格 -10.00%，本年价格 -10.83%，Fisher（几何平均）-10.42%
第 3 年的实际增长：上一年价格 +0.62%，本年价格 +0.00%，Fisher（几何平均）+0.31%

GDP 平减指数（第 1 年=1）：[1.0, 1.189, 1.358]
CPI（固定第 1 年的篮子：100 个面包、50 杯奶茶；第 1 年=1）：[1.0, 1.2, 1.4]
第 3 年相对第 1 年：固定篮子（Laspeyres）说物价涨了 40.0%，平减指数（用第 3 年的消费量）说 35.8%，两者的几何平均（Fisher）37.9%
  奶茶涨价最多，但人们已经少买奶茶、多买面包：固定篮子假设人们不会改变消费，所以会高估生活成本的上涨（替代偏差）

逐段看：

• 名义 GDP：600、642、744，每年都涨。
• 实际 GDP（按第 1 年的价格）：600、540、548：第 2 年，名义涨了 7.0%，实际却降了 10.0%：奶茶减产得多，而奶茶价值高。名义的增长，几乎全是价格上涨造成的。
• 基期怎么选，结果会不同：同样的产量，按第 1 年的价格，第 2 年实际降 10.0%；按第 3 年的价格，降 11.4%。因为奶茶涨价多、产量降得多，用后期的价格来看，这个下降更重。所以，许多国家的统计机构，改用"链式"的办法：每年用相邻两年的价格，把增长连起来（代码里的 Fisher 指数，是用上一年和本年价格算的增长，取几何平均）。
• 价格指数：名义 ÷ 实际，得到 GDP 平减指数：第 3 年是 1.358，也就是物价总体上涨了 35.8%。

3.2 通胀：CPI 和平减指数

通胀（物价总体水平的上涨），主要用两个指数来量：

• GDP 平减指数：覆盖所有在国内生产的东西（消费品、投资品、出口品），篮子随每年的产量变；
• 居民消费价格指数（CPI）：只看居民消费的一篮子东西，篮子固定（在某个基期选定），看这一篮子，现在要花多少钱。

代码的最后一部分，把两个方法，放在同一个例子里：第 3 年相对第 1 年，固定篮子的 CPI 说涨了 40.0%，用第 3 年的消费量（平减指数）是 35.8%，两者的几何平均是 37.9%。差别从哪来？ 奶茶涨价最多，人们已经少买奶茶、多买面包；固定篮子假设人们不会改变消费，所以高估了生活成本的上涨。这叫替代偏差。

除了替代偏差，新产品的出现、质量的提高，也会让 CPI 有偏差：你的手机比十年前便宜很多、功能强很多，但"一部手机"的价格，没有降多少。1996 年，美国参议院任命的 Boskin 委员会估计，美国的 CPI 每年高估物价上涨约 1.1 个百分点（合理范围 0.8 到 1.6）；其中替代偏差约占 0.4，质量改进和新产品占约 0.6。（这是美国 1990 年代的估计，之后统计方法已经改进；这里是说明偏差的来源，不是说今天的 CPI 仍有这么大的偏差。）

3.3 中国的 CPI

国家统计局的 CPI，按 8 个大类（食品烟酒及在外餐饮、衣着、居住、生活用品及服务、交通通信、教育文化娱乐、医疗保健、其他用品及服务）来调查（名称各期略有不同）。篮子每五年更新一次：逢"5"和"0"的年份作基期，在基期年选定"一篮子"商品和服务，五年内保持不变。据国家统计局 2026 年 2 月的解读，2021 到 2025 年用的是 2020 年基期，从 2026 年起改用 2025 年为基期；这一轮，服务的权重上升，调查网点和商品规格也扩大了。

另外还有几个常见的相关指标：核心 CPI（剔除价格波动大的食品和能源）、PPI（工业生产者出厂价格，看的是上游，不是消费者）。

小结： 名义 GDP 受价格影响；实际 GDP 把价格固定在基期，只看产量；基期不同，增长率会不同，所以常用链式的办法。通胀用 CPI（固定篮子）或平减指数（所有产出）量，两者不同；CPI 有替代偏差、质量和新产品的偏差。

四、真实数据：中国的增长与物价

我们来看真实的数字。下面的数据，来自世界银行的 World Development Indicators（2026 年 10 月 8 日更新的版本，原始数据来自各国的官方统计）。官方数据会修订，小数点后的数字，可能和当年第一次公布的有出入。

# 真实数据：中国的实际 GDP 年增长率（%）、名义 GDP 年增长率（%）、CPI 通胀（%）。
# 来源：世界银行 World Development Indicators（各国官方统计的汇编），2026 年 10 月 8 日更新的版本；后来的修订可能让小数点后的数字有出入。
growth = {1979: 7.59, 1980: 7.84, 1981: 5.11, 1982: 9.02, 1983: 10.77, 1984: 15.19, 1985: 13.43, 1986: 8.94, 1987: 11.66, 1988: 11.22, 1989: 4.21, 1990: 3.92, 1991: 9.38, 1992: 14.30, 1993: 13.93, 1994: 13.08, 1995: 11.02, 1996: 9.97, 1997: 9.30, 1998: 7.92, 1999: 7.74, 2000: 8.57, 2001: 8.32, 2002: 9.24, 2003: 10.11, 2004: 10.14, 2005: 11.45, 2006: 12.68, 2007: 14.15, 2008: 9.67, 2009: 9.41, 2010: 10.59, 2011: 9.46, 2012: 7.86, 2013: 7.78, 2014: 7.46, 2015: 6.98, 2016: 6.77, 2017: 6.89, 2018: 6.76, 2019: 6.07, 2020: 2.34, 2021: 8.57, 2022: 3.13, 2023: 5.42, 2024: 4.96, 2025: 4.96}
nominal_growth = {2018: 10.46, 2019: 7.46, 2020: 2.88, 2021: 13.43, 2022: 5.13, 2023: 4.88, 2024: 4.16, 2025: 3.99}
cpi = {2018: 2.07, 2019: 2.90, 2020: 2.42, 2021: 0.98, 2022: 1.97, 2023: 0.23, 2024: 0.22, 2025: 0.06}

def avg(a, b): return sum(growth[y] for y in range(a, b + 1)) / (b - a + 1)
print("中国实际 GDP 增长率，各时期的平均（%）：")
for a, b in ((1979, 1989), (1990, 1999), (2000, 2009), (2010, 2019), (2020, 2025)):
    vals = [growth[y] for y in range(a, b + 1)]
    print(f"  {a}–{b}：平均 {avg(a, b):.2f}，最低 {min(vals):.2f}（{min(range(a, b + 1), key=lambda y: growth[y])} 年），最高 {max(vals):.2f}（{max(range(a, b + 1), key=lambda y: growth[y])} 年）")

import math
print("\n翻一番要多少年？（按这些平均增速，保持不变；约等于 70 ÷ 增速）")
for a, b in ((1979, 1989), (2010, 2019), (2020, 2025)):
    r = avg(a, b) / 100
    print(f"  {a}–{b} 的平均增速 {avg(a, b):.1f}%：{math.log(2) / math.log(1 + r):.1f} 年（70 ÷ {avg(a, b):.1f} = {70 / avg(a, b):.1f}）")

print("\n名义增长、实际增长、平减指数、CPI：")
for y in range(2018, 2026):
    deflator = ((1 + nominal_growth[y] / 100) / (1 + growth[y] / 100) - 1) * 100       # 平减指数的变化：名义 ÷ 实际
    print(f"  {y}：实际 {growth[y]:5.2f}，名义 {nominal_growth[y]:5.2f}，平减指数 {deflator:+5.2f}，CPI {cpi[y]:5.2f}")
print("  2023 到 2025 年，名义增速低于实际增速：平减指数连续三年为负，而 CPI 仍然是小幅为正")

输出：

中国实际 GDP 增长率，各时期的平均（%）：
  1979–1989：平均 9.54，最低 4.21（1989 年），最高 15.19（1984 年）
  1990–1999：平均 10.06，最低 3.92（1990 年），最高 14.30（1992 年）
  2000–2009：平均 10.37，最低 8.32（2001 年），最高 14.15（2007 年）
  2010–2019：平均 7.66，最低 6.07（2019 年），最高 10.59（2010 年）
  2020–2025：平均 4.90，最低 2.34（2020 年），最高 8.57（2021 年）

翻一番要多少年？（按这些平均增速，保持不变；约等于 70 ÷ 增速）
  1979–1989 的平均增速 9.5%：7.6 年（70 ÷ 9.5 = 7.3）
  2010–2019 的平均增速 7.7%：9.4 年（70 ÷ 7.7 = 9.1）
  2020–2025 的平均增速 4.9%：14.5 年（70 ÷ 4.9 = 14.3）

名义增长、实际增长、平减指数、CPI：
  2018：实际  6.76，名义 10.46，平减指数 +3.47，CPI  2.07
  2019：实际  6.07，名义  7.46，平减指数 +1.31，CPI  2.90
  2020：实际  2.34，名义  2.88，平减指数 +0.53，CPI  2.42
  2021：实际  8.57，名义 13.43，平减指数 +4.48，CPI  0.98
  2022：实际  3.13，名义  5.13，平减指数 +1.94，CPI  1.97
  2023：实际  5.42，名义  4.88，平减指数 -0.51，CPI  0.23
  2024：实际  4.96，名义  4.16，平减指数 -0.76，CPI  0.22
  2025：实际  4.96，名义  3.99，平减指数 -0.92，CPI  0.06
  2023 到 2025 年，名义增速低于实际增速：平减指数连续三年为负，而 CPI 仍然是小幅为正

逐段看：

• 增长的阶梯：1979 到 1989 年，平均每年增长 9.5%；1990 到 1999 年 10.1%；2000 到 2009 年 10.4%；2010 到 2019 年 7.7%；2020 到 2025 年 4.9%（含 2020 年疫情的 2.3% 和 2021 年的反弹 8.6%）。增长率，在这几十年里，是阶梯式下降的。
• 翻一番要多久：按 9.5% 增长，约 7.6 年翻一番；7.7%，约 9.4 年；4.9%，约 14.5 年。（经验法则：70 ÷ 增速。）这说明，增速的小变化，在长期里，差别巨大，这是第 28 讲讲长期增长的起点。
• 通胀不是常数：中国的 CPI 通胀，1988 年 18.8%，1994 年 24.3%，1998 到 1999 年为负，2000 年代到 2010 年代，大多在 0 到 6% 之间，近年来很低：2023 年 0.23%，2024 年 0.22%，2025 年 0.06%。美国，2022 年到了 8.0%。同一个国家，不同年代；不同国家，同一年代，通胀可以差别很大。
• 平减指数和 CPI 可以讲不同的故事：2023 到 2025 年，名义 GDP 增速（4.88%、4.16%、3.99%）低于实际增速（5.42%、4.96%、4.96%）：由此反推，GDP 平减指数连续三年是负的（−0.51%、−0.76%、−0.92%），而 CPI 仍然小幅为正。（平减指数是我根据名义和实际增速反推的，覆盖所有产出，包括投资品和出口品；CPI 只看居民消费的那一篮子。所以两者可以不同。这些年的价格为什么这样变化，是第 32、33 讲要讨论的问题；这里只是提醒：看物价，要看是哪一个指数。）

五、失业

5.1 怎么定义

失业，看起来很简单：没有工作的人。可是，一个 80 岁的老人、一个在家带孩子的人、一个大学生，都没有工作，他们算失业吗？

统计上的定义，是：

• 就业：调查参考周内，为取得劳动报酬或经营收入，工作了 1 小时及以上；
• 失业：16 岁及以上的人里，同时满足三个条件：（1）调查参考周内没有工作；（2）调查前 3 个月内找过工作；（3）如果有合适的工作，2 周内能立刻开始。（这是国家统计局 2024 年版本的说明。）
• 劳动力 = 就业 + 失业。不在劳动力里的人（学生、退休者、没有在找工作的人）：不算失业，也不算就业。
• 失业率 = 失业 ÷ 劳动力。劳动参与率 = 劳动力 ÷ 16 岁及以上人口。

按这个口径（国际劳工组织推荐的标准，国际可比），国家统计局每月通过劳动力调查（据统计局发言人介绍，每月随机抽取约 34 万个住户）来测算调查失业率，自 2018 年 4 月起，按月公布全国城镇调查失业率和 31 个大城市的调查失业率。这和以前常用的城镇登记失业率不同：登记失业，只统计在政府部门登记了的人，而调查失业率，不要求登记，也不限户籍。

5.2 用代码算一算

# 一座 1000 人的小镇，16 岁以上的人。国家统计局口径：失业 = 参考周内没有工作 + 前 3 个月内找过工作 + 有合适工作的话 2 周内能上岗。
# 就业 = 参考周内为取得报酬工作了 1 小时及以上。
def classify(p):
    if p["worked_hours"] >= 1: return "就业"
    if p["searched_in_3_months"] and p["available_in_2_weeks"]: return "失业"
    return "非劳动力"

def rates(people):
    c = {"就业": 0, "失业": 0, "非劳动力": 0}
    for p in people: c[classify(p)] += 1
    labor = c["就业"] + c["失业"]
    return c, c["失业"] / labor, labor / len(people)

def person(n, hours, searched, available):
    return [dict(worked_hours=hours, searched_in_3_months=searched, available_in_2_weeks=available) for _ in range(n)]

# 一、一座 1000 人的小镇
town = person(540, 40, False, False) + person(60, 0, True, True) + person(400, 0, False, False)
c, u, lfp = rates(town)
print(f"小镇：{c}；劳动力 {c['就业'] + c['失业']}，失业率 {u:.1%}，劳动参与率 {lfp:.1%}")

# 二、20 个失业的人，找了很久没找到，不再找了（"灰心丧气的工人"）：他们不再被算作失业
town2 = person(540, 40, False, False) + person(40, 0, True, True) + person(420, 0, False, False)
c2, u2, lfp2 = rates(town2)
print(f"20 人放弃找工作后：{c2}；失业率 {u2:.1%}（原来 {u:.1%}），劳动参与率 {lfp2:.1%}：没有人多了一份工作，失业率却'下降'了")

# 三、同样是 1000 个 16 到 24 岁的年轻人（假想的数字）：680 个在校生、320 个不在校生。口径不同，失业率就不同
students = person(60, 5, False, False) + person(30, 0, True, True) + person(590, 0, False, False)       # 在校生里，60 人兼职、30 人在找实习或兼职且随时能上岗
graduates = person(200, 40, False, False) + person(40, 0, True, True) + person(80, 0, False, False)     # 不在校：200 就业、40 失业、80 不在劳动力
for name, group in (("包含在校生", students + graduates), ("不含在校生", graduates)):
    c3, u3, lfp3 = rates(group)
    print(f"{name}：就业 {c3['就业']}，失业 {c3['失业']}，失业率 {u3:.1%}，参与率 {lfp3:.1%}")
print("  （这是假想的数字，用来说明：口径不同，同一批人算出的失业率就不同）")

输出：

小镇：{'就业': 540, '失业': 60, '非劳动力': 400}；劳动力 600，失业率 10.0%，劳动参与率 60.0%
20 人放弃找工作后：{'就业': 540, '失业': 40, '非劳动力': 420}；失业率 6.9%（原来 10.0%），劳动参与率 58.0%：没有人多了一份工作，失业率却'下降'了
包含在校生：就业 260，失业 70，失业率 21.2%，参与率 33.0%
不含在校生：就业 200，失业 40，失业率 16.7%，参与率 75.0%
  （这是假想的数字，用来说明：口径不同，同一批人算出的失业率就不同）

• 小镇：1000 人里，540 人有工作，60 人在找工作，400 人不在劳动力里。劳动力 600，失业率 60 ÷ 600 = 10.0%，劳动参与率 60.0%。
• 灰心丧气的工人：20 个失业的人，找了很久没找到，不再找了。他们不再被算作失业：失业率变成 6.9%，下降了，可是，没有人多了一份工作，劳动参与率降到 58.0%。失业率下降，不一定是好消息：要同时看参与率。
• 口径一变，数字就变：假想的 1000 个 16 到 24 岁的年轻人，其中 680 个在校生，320 个不在校生。把在校生（其中有人在找实习或兼职）算进劳动力，失业率 21.2%；不含在校生，失业率 16.7%。这是假想的数字，用来说明：同一批人，口径不同，失业率就不同。

这不只是一个假想的问题。国家统计局原来公布分年龄段的城镇调查失业率，2023 年 8 月起暂停发布；统计局发言人当时解释，其中一个问题是在校生的规模：2022 年，16 到 24 岁的城镇青年有 9600 多万人，其中在校学生 6500 多万；对于毕业前就在找工作的学生，是否应当计入劳动力，各方看法不一。2023 年 12 月起，统计局改为发布不包含在校生的 16 到 24 岁、25 到 29 岁、30 到 59 岁劳动力的失业率。新旧口径下的数字，不能直接比较。

5.3 失业的种类

• 摩擦性失业：换工作、刚毕业、找合适的岗位，需要时间；
• 结构性失业：技能和岗位不匹配，或者行业在衰落；
• 周期性失业：经济衰退，企业不招人。

经济再好，也不会有"零失业”：总有人在换工作。自然失业率，就是没有周期性失业时的那个失业率（第 33 讲会讲）。失业的统计，不会告诉你：这份工作好不好、工资多高、工时是否足够。失业率低，不等于就业质量高。

小结： 失业：没有工作、近期找过、随时能上岗。失业率 = 失业 ÷ 劳动力。灰心丧气的工人退出劳动力，失业率会下降，要同时看参与率。口径（比如是否含在校生）会改变失业率；新旧口径不能直接比较。失业率不反映就业质量。

六、这些数字漏掉了什么

6.1 GDP 不等于福祉

美国经济学家 Simon Kuznets，是国民收入统计的奠基人之一。他 1934 年给美国国会的报告里，就提醒过：一个国家的福祉，很难从国民收入的数字里推断出来。GDP 的"盲区"，大致有：

• 没有市场交易的：家务、照顾老人孩子、志愿服务；
• 地下经济；
• 自然资源和环境的损耗：砍掉一片森林，卖木材，GDP 增加；森林的价值减少，不扣；
• 分配：GDP 是总量或平均数，不告诉你，谁得到了多少；
• 闲暇：多工作一小时，GDP 增加；闲暇的价值，不算；
• 质量和新产品：手机变得更好，GDP 里不一定充分反映；
• 伤害性的产出：车祸之后修车、治病，增加 GDP，但没有人因此更幸福。

按"预测 → 证据与局限 → 分歧在哪 → 价值判断留给读者"，来写一个有争议的问题：GDP 能不能当作福祉的近似？

理论预测什么：GDP 衡量的是产出的市场价值，不是福祉。如果一国的福祉，与 GDP 同步变化，那么 GDP 是个好的近似；如果不同步，就会误导。

证据怎么说：Charles Jones 和 Peter Klenow 2016 年（American Economic Review，106 卷 9 期）构造了一个福祉指标，把消费、闲暇、预期寿命、不平等，都放进去，比较各国。他们发现：福祉和人均 GDP 高度相关，但偏离常常很大：西欧的福祉，比它的人均 GDP 显示的更接近美国；新兴的亚洲经济体，没有 GDP 显示的追得那么多；在各个组成部分里，预期寿命（死亡率）最重要。

局限：这个指标，要假设：怎么给闲暇、寿命、不平等"估价"，以及各国居民的偏好是否一样；这些假设，可以不同，结果也会随之变化。

分歧在哪：

• 事实上的分歧：人均 GDP，在多大程度上，抓住了福祉？相关性高，说明它大致能用；偏离大，说明它在比较具体国家时，会误导。不同的研究者，看重的点不同。
• 价值上的分歧：下面的问题，数据回答不了。

价值判断（留给你）：

1. 衡量一个社会的"进步"，该包括什么：收入、寿命、闲暇、平等、环境、自由？
2. 如果这些东西，互相冲突（比如更高的收入、更长的工作时间），权重怎么给？
3. 一个数（GDP），还是一组数（“仪表盘”）？（2009 年，由 Joseph Stiglitz、Amartya Sen 和 Jean-Paul Fitoussi 主持的一个委员会，建议超越单一的 GDP，用一组指标；我没有逐条核对报告的建议。）

经济学可以告诉你，每种衡量，把什么算进去、什么漏掉了；该给每一项多大的权重，是你的价值判断。

6.2 数据可靠吗：中国 GDP 的争论

另一个问题：官方公布的数字，有多准？也按四步来写。

理论预测什么：任何国家的统计，都有误差；如果统计的结果，和官员的考核、奖励联系在一起（第 26 讲），就有人为美化的动机。

证据怎么说：这个问题，在中国，有两个方向相反的研究。

• Wei Chen、Xilu Chen、Chang-Tai Hsieh 和 Zheng Song 2019 年的研究（NBER 工作论文 25754，《对中国国民账户的法证式检查》），认为：地方政府因为增长和投资的目标，有动机多报；国家统计局对地方数据的修正，在 2008 年之前大致准确，之后修正偏小，并且越拉越大。他们估计，官方的增长率，在 2008 到 2016 年间，平均高估了约 1.7 个百分点（不同的报道、不同的时期，数字略有出入）。
• Hunter Clark、Maxim Pinkovskiy 和 Xavier Sala-i-Martin（NBER 工作论文 23323，后发表于 China Economic Review 2020 年 62 卷），用卫星拍到的夜间灯光强度，作为独立的参照，结论是：夜间灯光的证据，与中国的增长高于官方数字相一致，并不支持 2015 年底经济大幅收缩的说法。

局限：两个研究，用的证据和方法，都不同，也各有假设：夜间灯光只是产出的近似，各自对数据的处理，也有争议。两篇文章，不是直接矛盾的，它们回答的，是不同时期、不同角度的问题。

分歧在哪：主要是事实和方法的分歧：官方的增长数字，是偏高、偏低，还是大体可信？不同的研究者，得到了不同的结论，没有公认的答案。

价值判断：这里几乎没有价值判断，主要是事实问题。你需要自己权衡的，是：当数字有争议时，该多大程度地依赖单一的数字（用多个指标互相印证更稳妥）？统计机构，应该有多独立、多透明？

要说明的是：这类争论，在各国都有，不是中国独有（据我所知，也有研究用夜间灯光等方法，检验别的国家的 GDP 数据，这里没有逐篇核对）；而且，所有国家的统计，都在不断修订、改进。

七、局限、常见误用

7.1 局限

• GDP 是总量：看一个国家的富裕程度，要看人均，也要看分配。
• 价格指数是平均数：每个人的篮子不同（老人和年轻人、城市和农村），“你感受到的物价”，可能和 CPI 不一样。
• 失业率只是一个数：不告诉你就业的质量，也不包括灰心丧气者。
• 口径会变：统计方法在改进，比较不同时期的数字，要看口径是否一致。
• 数据会修订：第一次公布的数字，之后可能被修订。

7.2 常见的误用

八、小结

这一讲有六个想法，请带走：

1. GDP：一年里，生产的所有最终产品和服务的市场价值。三种算法：生产法（增加值）、支出法（C + I + G + 净出口）、收入法（工资 + 利润 + 折旧 + 生产税），从不同角度量同一笔钱，所以相等。只算最终产品，否则重复计算。
2. 名义与实际：名义受价格影响，实际固定价格，只看产量。基期不同，增长率不同，所以常用链式。
3. 通胀：CPI（固定篮子）和平减指数（所有产出）不同；CPI 有替代偏差和新产品、质量的偏差。中国 CPI 每五年更新基期，2026 年起以 2025 年为基期。
4. 真实数据：中国的实际 GDP 增长率，从 1980 年代的 9.5%，到 2020 到 2025 年的 4.9%，阶梯式下降；通胀有大起大落；2023 到 2025 年，平减指数为负（2026 年第二季度，据报道转正，见第 33 讲），而 CPI 小幅为正，看物价，要看是哪个指数。
5. 失业：就业、失业、非劳动力；失业率 = 失业 ÷ 劳动力；灰心丧气的工人会让失业率下降；口径（比如是否含在校生）会改变数字。
6. 漏掉的与可靠性：GDP 漏掉了家务、环境、分配、闲暇；福祉与人均 GDP 高度相关但偏离常常很大；数据的可靠性有争议，不同的研究，得到不同的结论。

有了这三个数字，我们可以问宏观经济学最大的问题之一：一个国家，为什么能长期变富？ 同样是 1980 年，有的国家，今天的人均收入，翻了很多倍，有的国家，几乎没变。第 28 讲：长期增长：Solow 模型。 你会看到，一个只有几个变量的简单模型，如何解释"为什么积累资本，会让人均产出上升，但不会永远上升"，以及"为什么落后的国家，有时能追上来，有时追不上"。

思考题

1. 判断下面哪些计入今年的 GDP：（a）你把用了两年的手机，以 800 元卖给别人；（b）中介公司收取的 80 元撮合佣金；（c）政府发放的养老金；（d）你自己在家做饭；（e）一家公司，新建了一座厂房；（f）一家餐馆的外卖。

提示：（a）不计入：不是今年生产的（二手货转手）。（b）计入：撮合佣金，是今年提供的服务。（c）不计入：养老金是转移支付，没有换来今年的生产。（d）不计入：没有市场交易。（e）计入：新建厂房，是今年生产的投资品。（f）计入：餐馆的外卖，是今年提供的产品和服务。

2. 一座岛上只生产面包和奶茶。第 1 年：面包 100 个，每个 2 元；奶茶 50 杯，每杯 8 元。第 2 年：面包 110 个，每个 2.2 元；奶茶 40 杯，每杯 10 元。算：名义 GDP 的增长；按第 1 年价格的实际 GDP 增长。为什么两者的方向不同？

提示：第 1 年名义 = 100 × 2 + 50 × 8 = 600；第 2 年名义 = 110 × 2.2 + 40 × 10 = 242 + 400 = 642，增长 +7.0%。按第 1 年价格的实际 GDP：第 2 年 = 110 × 2 + 40 × 8 = 220 + 320 = 540，增长 −10.0%。方向不同，是因为价格上涨（面包涨 10%，奶茶涨 25%）把名义值推高了，而奶茶产量下降了 20%，它的价值又大：实际的产量变化，是下降的。

3. 用第 2 题的数据，算第 1 年到第 2 年的物价指数：（a）用第 1 年的篮子（第 1 年的消费量）；（b）用第 2 年的篮子；（c）两者的几何平均（Fisher）。为什么（a）比（b）高？

提示：（a）第 1 年的篮子（100 个面包、50 杯奶茶），在第 2 年的价格下：100 × 2.2 + 50 × 10 = 720，对 600，指数 1.200（+20.0%）。（b）第 2 年的篮子（110、40）：按第 2 年价格 642，按第 1 年价格 540，指数 642 ÷ 540 ≈ 1.189（+18.9%）。（c）Fisher = √(1.200 × 1.189) ≈ 1.194（+19.4%）。（a）比（b）高：奶茶涨得最多（+25%），第 1 年的篮子里奶茶多（50 杯），第 2 年人们少买奶茶（40 杯），固定的篮子没有反映这个替代，所以高估了。

4. 一个地方 16 岁以上的人口 1000 人：就业 700，失业 100，不在劳动力的 200。（a）失业率和劳动参与率各是多少？（b）如果有 30 个失业者找到了工作；（c）如果有 30 个失业者放弃找工作。分别比较（b）和（c）的失业率和参与率，哪一种更"好"？

提示：（a）劳动力 700 + 100 = 800，失业率 100 ÷ 800 = 12.5%，参与率 800 ÷ 1000 = 80%。（b）30 人找到工作：就业 730，失业 70，劳动力仍是 800：失业率 70 ÷ 800 = 8.75%，参与率 80% 不变。（c）30 人放弃找工作：就业 700，失业 70，劳动力 770：失业率 70 ÷ 770 ≈ 9.09%，参与率 770 ÷ 1000 = 77%。两种情形，失业率都下降了，但（b）是真的有 30 人多了一份工作，参与率不变；（c）没有人多一份工作，参与率下降了 3 个百分点。（b）更好。只看失业率，会分不出这两种情形。

5. 家务劳动（做饭、带孩子、照顾老人），应不应该算进 GDP？如果算，会怎样？这个问题里，哪些是事实问题，哪些是价值判断？

提示：不算的理由：家务没有市场价格，难以衡量，GDP 的定义是市场交易的价值。算的理由：它是真实的、有价值的生产，和你花钱雇人做同样的事没有区别；不算，会让那些把家务交给市场（点外卖、请保姆）的社会，GDP 看起来更高，却并没有生产更多。如果算，GDP 会增加，增加多少，取决于怎么估价：按雇人做这些事的工资（替代成本），还是按做家务的人放弃的工资（机会成本，第 1 讲），两者差别可以很大。事实问题：家务劳动有多少小时、值多少钱，怎么估计。价值判断：GDP 的目的，应该只是衡量市场产出，还是应当尽量涵盖所有对人有价值的生产；谁来做家务，谁的劳动应被"看见"。

参考与延伸

• 国家统计局：国内生产总值核算、居民消费价格指数、调查失业率的说明与历年解读（以国家统计局官网为准）。
• 世界银行：World Development Indicators（本讲的数据，2026 年 10 月 8 日更新的版本）。
• Kuznets, S. (1934). National Income, 1929–1932. Senate Document No. 124, 73rd Congress, 2nd Session.
• Boskin, M. J., Dulberger, E. R., Gordon, R. J., Griliches, Z., & Jorgenson, D. W. (1996). Toward a More Accurate Measure of the Cost of Living: Final Report to the Senate Finance Committee.
• Jones, C. I., & Klenow, P. J. (2016). Beyond GDP? Welfare across Countries and Time. American Economic Review, 106(9), 2426–2457.
• Chen, W., Chen, X., Hsieh, C.-T., & Song, Z. (2019). A Forensic Examination of China’s National Accounts. NBER Working Paper 25754.
• Clark, H., Pinkovskiy, M., & Sala-i-Martin, X. (2020). China’s GDP Growth May Be Understated. China Economic Review, 62. （NBER Working Paper 23323）
• Stiglitz, J. E., Sen, A., & Fitoussi, J.-P. (2009). Report by the Commission on the Measurement of Economic Performance and Social Progress.