| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
| 我国CPI高频预测与可解释性分析 |
| 第778期 作者：□文/曹佳慧 曹 健 时间：2026/6/2 9:16:01 浏览：52次 |
［提要］ 居民消费价格指数（CPI）是反映通胀水平与宏观经济稳定性的核心指标，精准捕捉其短期变动趋势对防控通胀风险、优化宏观调控具有重要意义。本文选取2008年1月至2025年6月多维度宏观经济指标，构建LSTM、随机森林等多种机器学习模型，对比分析其CPI同比增速预测性能，并通过SHAP方法开展可解释性研究。研究发现：LSTM模型预测精度最优，消费者预期指数贡献最大且呈正向影响；国房景气指数次之，但高值常伴负向效应；需求与终端成本指标影响主要表现为正向推动；而上游价格、布伦特原油价格及货币供应量等变量贡献较弱且方向异质。为此，建议强化预期管理、适度调控房地产，并灵活应对成本推动型通胀，以期为宏观政策提供参考。
关键词：CPI预测；LSTM；机器学习；SHAP分析；通胀预期
中图分类号：F063.2 文献标识码：A
收录日期：2026年1月29日
引言
居民消费价格指数（CPI）是衡量一国通货膨胀水平的核心指标，直接反映居民生活成本变动和宏观经济运行稳定性。在中国经济由高速增长转向高质量发展的背景下，膨胀波动不仅制约货币政策的操作空间，还可能通过预期渠道放大外部冲击对实体经济的传导效应。特别是在全球供应链重构、国内需求恢复不均衡以及地缘政治冲突频发环境下，准确把握CPI短期变动趋势，对于及时识别通胀风险、优化宏观调控节奏、维护居民实际购买力具有重要现实意义。
从通胀形成机制看，中国CPI同比增速的波动主要受需求因素、成本冲击、货币环境及资产市场等多重渠道共同影响。祝梓翔等与王永中等的研究表明，国际价格冲击及大宗商品价格波动会通过成本传导机制影响我国CPI，且该效应具有时变特征。刘钰等实证发现，货币政策操作通过流动性环境对居民消费价格形成持续影响。在资产市场层面，房地产景气和价格波动可通过财富效应、需求扩张以及信贷约束等渠道影响居民消费和宏观价格水平，从而对CPI的形成产生重要作用。此外，翟光宇等进一步研究表明，通胀预期强化了价格波动的顺周期特征。综合来看，肖新建等强调，我国物价运行呈现出多因素交织、传导机制复杂的特征。
传统CPI预测多依赖ARIMA、VECM等线性时间序列模型。这些方法虽能较好捕捉短期线性趋势，但伊力扎提·艾热提指出，其对宏观变量间非线性交互和长期间依赖关系的处理存在明显局限。近年来，机器学习方法在CPI预测与通胀因素识别中的应用日益广泛。肖争艳等运用多种机器学习算法对通胀影响因素进行了再检验，发现随机森林、梯度提升树等模型在变量重要性识别上表现优异；Sengupta等研究表明，机器学习模型能够有效融入不确定性指标，提升CPI预测的稳健性；郑挺国等基于宏观大数据比较多类机器学习预测框架，证实其在复杂环境下的精度优势；蒋锋等系统综述了机器学习在经济研究中的应用，强调其非线性挖掘能力。为提升模型透明度，雷欣南等与姜诗尧等将SHAP方法引入机器学习实证分析，能够有效量化各特征对预测结果的边际贡献并揭示驱动机制。
基于此，本文选取成本、需求、货币、预期与资产市场等多个维度的宏观经济指标，对我国CPI同比增速进行高频预测分析。
一、模型介绍
（一）LSTM模型。宏观经济研究中，时间序列数据往往呈现出滞后性、非线性与结构性特征。针对这一特点，采用长短期记忆网络（LSTM）作为核心研究方法。LSTM通过引入遗忘门ft、输入门it和输出门ot等结构，使模型能够在时间维度上对信息进行有选择的保留与更新，从而有效缓解传统循环神经网络在长序列建模中易出现的梯度消失问题。
在研究过程中，将各类经济指标整理为按时间顺序排列的多维输入序列。模型在每一个时间同步接收当前期的经济信息，同时结合上一时刻保留下来的内部状态进行联合处理。通过遗忘门，模型能够判断哪些历史信息仍具有解释价值、哪些应当被弱化或舍弃，如图1中的a所示；通过输入门，模型对当前时点的新信息进行筛选和编码，如图1中的b所示；随后，经过更新后的记忆状态在输出门的调控下形成当前时刻的输出结果，如图1中的c所示。（图1）
LSTM核心更新公式为：
ht＝ot⊙tanh（ct），ct=ft⊙ct-1+it⊙■t （1）
遗忘门ft、输入门it、输出门ot以及候选细胞状态■t均通过tanh激活的线性变换从xt和ht-1计算得出，从而实现长期记忆的保留与更新。
这一过程使模型在持续吸收新信息的同时，仍能保留对长期经济趋势的记忆。在复杂的宏观经济环境中更准确地反映变量之间的动态关联。
（二）SHAP解释方法。SHAP（SHapley Additive exPlanations）是一种用于解释机器学习模型预测结果的重要方法，核心思想是通过量化各输入特征对模型输出的贡献程度，揭示模型的决策逻辑。在居民消费价格指数（CPI）预测研究中，SHAP能够清晰刻画不同经济变量在模型预测中的作用方向与影响强度，为理解模型行为和经济机制提供有力支撑。
在SHAP框架下，设输入特征集合为N，特征子集为S?哿N\｛i｝，模型在特征子集S下的输出为f（S）。特征i的Shapley值定义为其加入集合S后的边际贡献在所有排列下的加权平均，表达式为：
Φi＝∑S?哿N\｛i｝■f（S∪｛i｝）-f（S） （2）
SHAP可以将模型的预测结果分解为一个基准值与若干特征贡献之和，其中基准值通常代表模型在整体样本上的平均预测水平，而各特征对应的SHAP值则反映了该特征在当前样本中对预测结果的正向或负向影响。若某一特征的SHAP值为正，说明该变量推动了预测值上升；反之，则表明其对预测结果具有抑制作用。通过比较不同特征SHAP值的大小，可以直观判断哪些经济变量在某一时期对CPI变化起到了主导作用。
宏观经济研究中，SHAP的优势不仅体现在能够给出全局层面的特征重要性排序，还能够对单一样本进行局部解释，揭示特定时期内通胀变化的主要驱动因素。
二、实证分析
（一）数据来源。本文选取2008年1月至2025年6月期间的我国宏观经济数据作为研究样本。被解释变量为居民消费价格指数（CPI）同比增速；解释变量涵盖成本、需求、货币、预期等多个维度，包括工业生产者出厂价格指数（PPI）同比增速、布伦特原油现货价格同比变动、制造业PMI原材料购进价格指数、社会消费品零售总额同比增速、货币供应量M2同比增速、消费者预期指数、国房景气指数等，具体见表1。数据来源于国家统计局、CSMAR数据库与EIA公布的Brent月度现货数据。（表1）
考虑到CPI月度数据样本量较少，直接用于机器学习回归预测模型时，模型对数据隐藏规律与特征分布的解读能力有限，且消费物价呈现缓慢连续波动特征，因此采用三次样条插值法，将月度数据扩充为周度数据。该方法通过构建分段三次多项式函数，可保持插值曲线连续光滑，最大限度保留原始数据趋势与周期信息，既提升样本量以增强模型学习能力，也适配高频预测需求。
（二）滞后特征构建与标准化。由于CPI的变化往往受到多类宏观经济因素的跨期影响，不同变量的作用在时间维度上呈现显著差异，宏观经济与金融变量具有极强的惯性和反馈机制。若不加入足够滞后项，会产生严重的遗漏变量偏差和序列相关误差。因此，为刻画各解释变量对CPI的动态作用过程，本文依据周度数据构建滞后特征，并根据相关性检验结果选取每个变量的最优滞后阶数。
通过检验各变量在不同滞后阶数下与CPI的相关性，确定最优滞后结构：ppi_lag2、m2_lag52、retail_lag40、oil_lag7、property_lag16、pmi_raw_lag26、expectation_lag41。这种滞后配置能更准确地反映各特征对CPI变化的时滞效应，有助于模型捕捉更完整的动态关系。
此外，为提升模型数值稳定性并消除不同变量量纲差异带来的影响，对周度变量及其滞后项在全样本期间进行Z-score标准化，构造标准化后的序列。
（三）模型预测性能评价指标。为评估各模型在CPI预测中的表现，本文选取平均绝对误差MAE、均方根误差RMSE和决定系数R2三项常用指标对预测精度进行衡量。设真实值为yi，预测值为■i，样本量为N，其定义如下：
MAE=■■yi-■i （3）
RMSE＝■ （4）
R2＝1-■ （5）
MAE反映预测值与真实值之间的平均绝对偏差，RMSE能体现模型的平均预测误差；R2用于衡量模型对CPI波动的解释程度。
（四）各模型预测结果比较。为系统比较不同模型在CPI预测中的表现，在训练集上对所有模型进行了系统的超参数调节与网络结构优化，并在独立测试集上开展样本外预测，横向对比模型性能。本研究使用模型包括：随机森林回归模型（RFR）、支持向量回归模型（SVR，RBF核）、K近邻回归模型（KNN）、长短期记忆网络（LSTM）、梯度提升树（GBDT）及XGBoost模型。
从表2可以看出，LSTM模型整体预测效果最优，其在误差控制与拟合能力方面均优于其他模型；XGBoost模型位居其次，显示出较强的非线性捕捉能力。SVR模型预测性能与XGBoost相近，具备良好的泛化能力。KNN模型表现次之，而GBDT与RFR模型预测效果相对较弱。这表明，在当前高频数据与滞后特征设定下，CPI生成过程具有显著的时序动态依赖特性，同时包含复杂非线性成分。LSTM模型凭借长短期记忆机制，能够更有效地捕捉变量间的跨期动态关联，从而实现更高的样本外预测精度。（表2）
三、基于SHAP的可解释性分析
鉴于前文模型比较结果显示，LSTM在CPI预测中具有最优的整体预测性能，本文进一步对该模型引用SHAP解释方法，对不同宏观变量在CPI同比预测中的作用进行分析。
首先基于SHAP方法计算各变量在所有样本上的SHAP值，并以其绝对值的平均值作为变量重要性的度量指标，从而得到特征重要性排序结果，如图2所示。该指标反映了变量在样本期内对预测结果贡献幅度的总体水平。由图2可以看出，消费者预期指数在所有变量中排序最为靠前，表明该变量在CPI预测过程中对模型输出具有最为显著的影响。国房景气指数的重要性位居其次，显示房地产相关指标在CPI预测中具有较强的解释能力。社会消费品零售总额的重要性亦处于较高水平，而制造业PMI原材料购进价格指数、工业生产者出厂价格指数、布伦特原油价格以及货币供应量M2的重要性排序相对靠后，说明这些指标在CPI预测中的影响程度相对较弱。（图2）
在特征重要性排序的基础上，进一步结合SHAP影响方向点图，来分析各变量取值变化与CPI预测结果之间的关系。如图3所示，图中每一个点表示一个样本在对应变量下的SHAP值，横轴表示该变量对CPI预测结果的影响方向及强度，点的颜色由蓝到红表示变量取值由低到高。可以观察到，消费者预期指数取值较高的样本多对应正的SHAP值，表明该指标上升时，CPI预测结果通常随之提高。社会消费品零售总额和制造业PMI原材料购进价格指数亦呈现出相似的分布特征。这类变量主要反映预期变化、需求和成本压力，其取值变化与CPI预测结果之间呈现较为一致的正向关系。国房景气指数则呈现相反特征，高取值样本主要对应负的SHAP值，而低取值样本多对应正的SHAP值，表明房地产景气度上升时，模型倾向于预测较低的CPI同比增速。相对而言，在工业生产者出厂价格指数、布伦特原油价格以及货币供应量M2中，取值较高的样本对应的SHAP值更多分布在零值附近或负值区域，表明这些变量的变化对CPI预测结果的影响强度较小且方向不一致，表现出较强的条件依赖性与时变特征。这与其所反映的成本端、国际能源冲击或货币环境因素在样本期内作用方式较为复杂有关。（图3）
四、结论及建议
居民消费价格指数（CPI）的高频预测有助于及时监控通胀趋势，并为宏观经济调控提供参考。本研究选取成本、需求、货币、预期等多维度宏观变量，通过三次样条插值转换为周度数据，并构建最优滞后结构，此后建立随机森林回归、KNN回归、XGBoost回归、SVR、GBDT以及LSTM六种非线性机器学习模型进行预测性能对比，对于表现较优的LSTM模型，通过SHAP解释方法对CPI的影响因素进行分析，并且研究各特征对当下CPI同比增速影响的大小和方向。
研究结论如下：第一，在模型性能比较中，LSTM模型的样本外预测精度最高，XGBoost模型次之，SVR模型表现与之相近，KNN模型相对较好，而GBDT与RFR模型效果相对一般。这表明我国CPI生成过程具有显著的时序依赖与非线性特征，LSTM的长记忆机制有助于有效捕捉变量间的跨期动态关系。第二，SHAP分析揭示消费者预期指数对CPI预测贡献最大，且高值通常对应正向影响，表明预期因素是样本期内通胀变动的主导驱动；国房景气指数的重要性位居其次，但高景气度往往对应负向贡献，可能反映房地产调控对通胀的抑制效应；需求类和终端成本类指标的影响方向较为一致，主要表现为正向推动；而上游价格、原油与货币供应量等变量对CPI预测的边际贡献较弱且方向异质。
基于以上结论，提出如下建议：首先，强化预期管理，通过政策沟通与前瞻指引稳定市场预期，防范预期失锚引发价格波动。其次，在房地产景气上升期加强调控措施，不仅能防范资产泡沫，还可间接缓解通胀压力。最后，对于成本推动型通胀，应关注上游传导与能源冲击的异质性，根据经济周期灵活调整供给保障与需求刺激，避免政策刚性。未来研究可扩展到多步预测或融入更多实时指标，进一步提升模型稳健性，并为政策制定提供更精准支持。（通讯作者：曹健）
（作者单位：新疆农业大学经济管理学院）
主要参考文献：
［1］祝梓翔，车明，李雨佳.输入型通胀的宏观效应：价格分化和货币政策分析［J］.管理世界，2024.40（02）.
［2］王永中，钱胜存.国际大宗商品价格波动对中国PPI和CPI的影响研究——基于TVP-VAR模型的分析［J］.价格理论与实践，2025（01）.
［3］刘钰，刘少英.我国货币政策、实体经济对居民消费价格的影响研究［J］.统计科学与实践，2025（08）.
［4］李红娟，卢天哲，祝汉灿.国房景气指数对CPI和CCI影响及CPI预测模型研究［J］.数学的实践与认识，2022.52（08）.
［5］翟光宇，王晓晖.通货膨胀预期与企业存货投资行为——基于行业与企业融资约束视角的实证分析［J］.国际金融研究，2020（10）.
［6］肖新建，李玉举，徐腾达，等.我国物价运行特征、影响、原因和对策分析［J］.价格理论与实践，2025（05）.
［7］陈梦根，任桃萍.新常态经济的CPI预测模型——构建与实证比较［J］.调研世界，2020（02）.
［8］伊力扎提·艾热提.中国消费者价格指数预测模型的选择［J］.统计与决策，2022.38（04）.
［9］肖争艳，陈衎，陈小亮，等.通货膨胀影响因素识别——基于机器学习方法的再检验［J］.统计研究，2022.39（06）.
［10］郑挺国，范馨月，靳炜.基于宏观大数据的CPI预测及方法比较［J］.管理科学学报，2025.28（08）.
［11］蒋锋，张文雅.机器学习方法在经济研究中的应用［J］.统计与决策，2022.38（04）.
［12］雷欣南，林乐凡，肖斌卿，等.小微企业违约特征再探索：基于SHAP解释方法的机器学习模型［J］.中国管理科学，2024.32（05）.
［13］姜诗尧，李川泉.数字经济对创业的赋能效应研究——基于机器学习与SHAP分析的实证检验［J］.西安石油大学学报（社会科学版），2025.34（02）.
［14］董曼茹，唐晓彬.基于双层Attention机制的LSTM模型对CPI的预测研究［J］.中国管理科学，2025.33（05）. |
|
|
|
