中国商品市场名义价格粘性的测度，本文主要内容关键词为：粘性论文,中国论文,名义论文,商品市场论文,价格论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
过去的几十年，关于货币政策有效性的论争一直没有停息。主流的观点是货币政策短期有效长期中性。短期有效论的关键假设是商品市场名义价格存在粘性，当经济体遭遇经济波动冲击后，市场不能迅速出清，因此货币当局的货币政策能够刺激商品和服务的真实产出。那么，在真实世界，商品市场名义价格是否存在粘性？如果存在，其粘性程度有多大？早期的研究利用杂志或者百货样本对价格粘性程度进行估算，发现名义价格调整缓慢，平均每年调整一次，因此认为价格存在较强的粘性（Cecchetti，1986；Kashyap，1995）。但这些研究样本太小，包含的商品范围过于狭窄，结论不具一般性。直到2004年，Bils & Klenow（2004）首次利用美国1995—1997年CPI价格数据，发现消费品名义价格平均4.3个月调整一次，为运用大样本数据研究价格粘性做出开创性贡献。自此之后，不同国家的研究人员利用微观数据对本国的价格粘性进行测度（Klenow and Willis，2007；Boivin et al.，2007；Nakamura and Steinsson，2008；Klenow and Kryvtsov，2008；Klenow and Kryvtsov，2008；Gagnon，2009；Ozmen and Sevinc，2011；Cavallo，2010，2012），为构建符合本国经济实际的宏观经济模型提供了微观证据。但遗憾的是，到目前为止，还没有基于大样本微观数据的经验研究对中国商品市场名义价格粘性进行测度。
与微观厂商粘性定价行为密切相关的另一个问题是总量价格定价模式。现代宏观经济理论的一个重要结论是，不同微观价格生成机制所决定的总量价格定价模式具有截然不同的宏观经济影响。一般认为，总量价格定价模式主要分为时间相关定价（Time-dependent Pricing，TDP）和状态相关定价（State-dependent Pricing，SDP）两类。在时间相关定价模式中，企业的价格确定仅取决于时间因素，给定时期仅部分企业更新价格（Taylor，1980），或以一定概率随机调整价格（Calvo，1983），企业的调价行为对外界因素冲击的响应速度较慢，货币政策对总产出的刺激作用具有较持久的影响。相比而言，状态相关定价模式强调企业能够在任何时候更改价格，但必须支付调价带来的“菜单成本”。企业通过比较调价收益和调价的“菜单成本”，选择是否改变产品的价格以应对冲击（Dotsey et al.，1999；Golosov and Lucas，2007），由于这种“选择效应”（Selection Effect）的存在，价格水平能够相对迅速响应经济波动冲击，货币政策对总产出的刺激作用将较为短暂。因此，考察企业价格生成机制是否存在“选择效应”，识别总量价格定价模式，有助于回答货币政策效果的持续性问题。
由于研究商品市场名义价格粘性的问题需要大样本微观数据，而我国的官方CPI价格数据难以获取，导致这方面的研究一直无法展开。现有研究中，渠慎宁等（2012）利用国家发改委价格监测中心收集的116种商品和服务的微观价格数据，对居民消费价格的波动、价格粘性和定价模式进行了经验研究，为中国商品市场厂商定价行为与市场化程度分析提供了较为深刻的洞见。蔡晓陈（2012）以隐含的季度GDP缩减指数作为价格指数度量指标估计了1992—2012年的中国价格粘性程度，发现价格平均持续时间为3.4个月—8.1个月。但由于宏观数据的一些固有缺陷，比如在指数生成过程中会损失许多有用信息，通常会导致估计结果有较大偏差，因此，近年来鲜有文献采用宏观数据进行价格粘性的测度。与既有研究不同，本文介绍了一种新的数据来源，利用Web数据挖掘技术，收集来自互联网的350万种商品的连续价格数据，构建超过15亿条观测的产品层面数据库，首次利用大样本微观数据完成中国商品市场名义价格粘性的测度并识别总量价格调整模式，为今后构建更具微观基础的宏观经济模型提供了较为准确的经验研究证据。
二、数据获取与处理
（一）数据来源及获取方法
本文数据来源于全球最大的中文购物搜索引擎“一淘商品搜索”。获取并处理数据的具体步骤如下：首先，在每天的固定时间，利用软件自动访问“一淘”购物搜索引擎公共网页，分析目标页面源代码，识别并抽取目标信息，以可扩展标记语言（Extensible Markup Language，XML）格式保存到本地工作站。第二，对XML文件进行“清洗”，即去除XML文件中的标签等无用信息。例如价格信息包含在自定义的两个“Price”标签之间，可以根据这两个标签进行定位，提取标签之间的内容，得到所需要的文本信息。本文用C#语言编写数据清洗程序，对XML文件中的有效文本信息进行抽取并保存为逗号分隔符（Comma Separated Value，CSV）文件格式。第三，对文本进行模式识别，得到需要的最终信息。模式识别的过程较为复杂，需要通过正则表达式定义识别规则并对文本进行模式匹配，找出符合特定模式的文本。本文通过编写SAS程序对CSV文件中的文本进行模式识别。最后，将经过清洗和模式识别后的信息添加到本地数据库。①
互联网价格数据的几点优势使其成为研究价格粘性的合意信息来源。首先，互联网数据可以每天定时获取，形成的数据集包含观测样本的每日价格，这种高频观测将极大地减少测量误差。第二，样本信息非常详细，包括品名、价格、销量、评价、商品分类、销售商等。每个产品都有唯一的ID号，可以很方便地跟踪该产品的价格变化情况。第三，没有强制性替换（Forced Item Substitution）问题。在官方统计数据中，对于季节性产品或者当产品脱销、下架时，会发生强制性产品替换，这将产生人为的价格变化，可能导致较大的误差。相比之下，在线商品的价格数据，每个商品都有唯一的价格序列，观测样本相互独立，避免了强制性替换问题。最后，网络商品市场与传统商品市场并无本质区别，两者之间的差异主要是商品交易渠道的不同。随着网络购物的发展，企业通过自建平台或入驻天猫商城、亚马逊等大型网络平台，开拓网络零售“线上”渠道，网络市场不过是实体市场的延伸。另一方面，网上商店也开始“落地”开实体店，传统“线下”渠道与网络“线上”渠道实现深度融合。网络数据的主要缺点是仅涵盖CPI篮子的部分商品，但随着电子商务的发展，在线商品的品种越来越丰富，除了3C、图书等标准化产品类，已扩展到服装鞋帽、化妆品、食品、家用电器、家居百货、文体用品、珠宝配饰、母婴产品、医药、家装材料等众多品种。此外，有证据表明，“在线”商品价格的行为，在价格变化的时机和规模方面都类似于“离线”价格行为（Cavallo，2010）。综上，我们认为来自网络的商品价格数据基本能够反映中国商品市场的价格行为。
（二）数据集描述
本文数据集涵盖每天采集的来自“一淘网”的355万种商品和服务的信息，时间跨度从2010年12月至2013年2月，共有806天15.25亿条观测。按照网络分类信息进行统计，所有网络商品和服务的种类共有913类。为便于进一步分析，我们基于国家统计局《2010年统计报表制度》的分类标准，把网络分类与国家标准的基本分类进行匹配。匹配后共有175个基本分类，相当于覆盖了CPI篮子的66.79%。最后把175个基本分类划分为8个大类。②这8个大类商品数量占全部商品数量的比例略有差异，其中食品（8.70%）、衣着（24.46%）、家庭（17.93%）、医疗（23.84%）、教育（15.37%）类占比较高，交通（3.96%）、烟酒（2.63%）、居住（3.33%）类占比较低。③但从绝对数量看，每个类别都包含了众多的商品数量，即便是商品数量较少的居住、烟酒和交通类也至少有超过9万种商品，能够保证每类商品有足够多的观测样本。总体而言，本文数据集的主要特点是产品种类丰富、样本量大、高频和高CPI覆盖率。表1描述了数据集的基本情况。
（三）数据预处理
在展开正式研究之前，我们参照文献中的标准方法进行初步的数据处理。
1.缺失值处理。我们的数据集是对产品价格等信息的连续观测，但由于网络不稳定或者抓取软件本身的原因，会导致价格序列某些时点或时间段存在信息缺失。我们用缺失前一天的价格记录补齐，直到新的价格信息出现（Klenow and Kryvtsov，2008；Gopinath and Rigobon，2008）。鉴于数据的高频性质，这种处理不会影响结果。
2.异常值处理。按照文献的通常处理，剔除价格序列中1%和99%分位数以外的数据。借鉴Cavallo（2010）的处理，将价格上涨超过500%或者价格下降超过90%的值定义为异常值。此外，我们发现一些价格变化呈现频繁的“小起小落”特征，即在非常短的时期，频繁进行微小上涨和下降调整。这可能是零售商为提高商品排名采取的某种“手段”，属于非正常的价格调整。因此本文将价格调整比例小于1%且持续时间小于2天的值定义为“小起小落”型异常值。尽管这两类异常值的比例很小，但可能对价格变化频率和幅度等统计数据产生影响，因此予以剔除。
3.样本期处理。根据观测样本首次出现的日期和最后一次出现的日期来计算每个样本的样本期长度，为保证样本的观测时期足够长，剔除样本期小于180天的观测。
4.剔除C2C数据。本文获取的数据分为个人对个人（Customer-to-Customer，C2C）和商家对顾客（Business-to-Customer，B2C）数据，其中“淘宝网”的数据属于C2C数据，其他皆为B2C数据。B2C的商业形态包括综合商场、百货商店、垂直商店、复合品牌店等多种类型，与传统市场的商业形态非常类似，定价主体是各种类型的企业，符合我们的研究要求。C2C是个人与个人之间的电子商务，定价主体是个人，经营还存在一些不规范的地方，数据噪音比较大，因此将来自“淘宝网”的数据予以剔除。
5.识别促销价格。根据Nakamura & Steinsson（2008）的研究，与正常的价格变化相比，促销型价格变化具有显著不同的特征，一是与促销有关的价格变化是高度瞬态的，二是大多数情况下，促销结束后产品的价格会恢复到之前的价格，即价格变化呈现出非常明显的“V型”模式。因此，可由降价持续时间和V型特征来识别促销价格。根据多数文献观点，本文将降价持续时间小于15天且具有V型特征的价格变化定义为促销。
三、价格粘性的测度
（一）价格变化统计描述
由于价格粘性的测度主要是考察价格变化频率，我们首先从总体上对价格变化情况进行简单的统计性描述。表2报告了价格变化的统计结果。包含促销时，84%的产品在样本期内调整价格1次以上，其中调价2次以上的商品比率为67%。剔除促销对价格调整次数影响较大，剔除促销后，调价2次以上的商品比例下降6个百分点，无价格变化和调价1次的商品比例则分别上升2个百分点和4个百分点。包含促销情形下，单个商品年均调价5.7次，剔除促销后下降为3.5次。值得注意的是，价格下调占总价格变化的比例为53.1%，剔除促销后降价的比例仍略大于涨价比例，表明价格调整行为总体是以降价为主。
（二）价格粘性测度：频率与周期
我们通过估计价格变化的频率来衡量价格粘性的程度。这种方法是价格粘性经验研究普遍采用的标准方法（Bils and Klenow，2004；Nakamura and Steinsson，2008；Gopinath and Rigobon，2008；Klenow and Kryvtsov，2008；Gagnon，2009；Ozmen and Sevinc，2011；Cavallo，2012）。本文主要借鉴Gopinath & Rigobon（2008）的方法（简称为GR法），具体计算过程如下：首先，对每个商品i，计算在样本期内价格发生变化的频率
，公式为：=价格变化次数/样本期长度。其次，根据网络分类标准把全部商品分为913类，计算每个分类的调价频率中位数。再次，把网络分类与国家统计局的基本分类进行匹配，得到175个基本分类，计算每个基本分类的调价频率中位数。最后，把175个基本分类分为8大类，计算8大类的调价频率中位数并进行加权平均，得到总价格频率，其中8大类的权重数据来源于何新华（2010）。④此外，Bils & Klenow（2004）采用了一种略为不同的方法计算价格粘性（简称为BK法）。这种方法先计算商品基本分类的价格调整频率均值，然后根据商品大分类的权重进行加权平均，得到总价格频率。BK法和GR法在文献中都有广泛运用，相比而言，BK法较容易受少数极端值的影响。本文采用GR法估算价格粘性程度，作为比较，本文也报告BK法的计算结果。除了价格频率，本文还计算了价格频率暗含的价格变化周期（Implied Duration）。价格变化周期是商品价格完成一轮调整需要的时间，提供了一种更直观的方式来衡量价格粘性程度。我们记价格周期为D，价格频率为F，价格周期的计算公式为：D=-1/ln（1-F）（Nakamura and Steinsson，2008）。从公式可以看出，价格频率越低，则价格周期时间越长，意味着价格粘性程度更强。价格变化频率与周期的最终估计结果见表3。
表3第一行是加权后的总体估计结果。在包含促销情形下，GR法估计的加权中位数频率是每天1.23%，意味着每天发生价格变化的商品比例为1.23%，在大样本条件下可以作为价格变化的概率，是衡量价格粘性的最主要参数。根据价格周期计算公式，价格频率隐含的价格周期为81天，意味着全部商品价格完成一轮调整的时间为81天。剔除促销后，总体价格水平的GR法频率从1.23%降至0.97%，隐含的价格周期从81天上升到103天，上升幅度为27%，表明促销对粘性程度的估计影响较大。BK法的结果也证明了这一点，剔除促销前后，BK法频率从2.01%降至1.41%，隐含的价格周期从49天上升到70天，上升了42%。最终，综合考虑估计方法和促销等问题的因素，我们认为以剔除促销的GR法估计结果作为中国商品市场名义价格粘性的衡量指标较为合理，即中国商品市场每天调整价格的商品比例为0.97%，所有商品价格完成一轮调整的时间是103天。
表3接下来几行是八大类商品的价格变动频率和价格周期。在包含促销情形下，从GR法中位数频率结果来看，衣着类价格变化最为灵活，每天约有2.06%的衣着类商品发生价格变化，意味着价格周期为48天。价格粘性程度最高的是居住类商品，每天仅0.68%的商品发生价格调整，价格周期为145天。八大类商品价格粘性程度从低到高的排序为：衣着、家庭、交通、烟酒、食品、教育、医疗、居住。剔除促销后的估计结果表现出基本相同的规律。
八大类商品价格行为具有较强的异质性。这体现在两个方面：一是八大类商品价格粘性程度具有异质性，与总体价格水平相比，衣着、家庭、交通、烟酒显示出更频繁的价格变化，食品、教育、医疗、居住的价格变化相对比较缓慢。价格最为灵活的衣着类价格变化频率是最具粘性的居住类的3倍。另一方面，促销对不同类别商品的影响具有异质性。通过对比促销前后商品价格变化频率的变化情况，可以看出哪一类商品受到促销的影响更大。对比BK法的计算结果，⑤易剔除促销后，衣着类商品价格变化频率从2.87%下降到1.87%，价格周期则从34天上升到52天，上升幅度为60%，在所有类别中具有最高的上升幅度，说明衣着类商品最乐于促销，相对而言，教育和居住类商品受促销的影响较小，这与我们生活中的直觉相符。
考虑到食品在CPI分类体系中占有最大的权重，我们借鉴国家统计局的方式，在表3报告了六种食品次分类的估计结果。根据GR法估计结果，包含促销情况下，价格最灵活的是鲜菜，价格粘性程度从低到高排序为：鲜菜、肉禽、水产品、蛋、鲜瓜果、粮食。剔除促销后价格最灵活的是鲜瓜果，价格粘性程度从低到高排序为：鲜瓜果、鲜菜、蛋、水产品、肉禽、粮食。总体而言，在六类食品中，粮食价格粘性程度最高，不同情形下的频率估算结果都高于其他五类商品的变化频率。对此现象的可能解释是，国家近年建立了粮食储备体系，利用粮食库存来调剂粮食供应，因此粮食价格的波动得到了较好的控制。
（三）价格粘性测度：基于不同特征子样本
为进一步探究名义价格粘性的不同特征，参照渠慎宁等（2012）的分类方法，将八类商品划分为食品、工业消费品和服务三个大分类，⑥分别计算价格粘性。根据表4的估算结果，价格粘性程度最高是服务类商品，工业消费品价格粘性程度远低于食品和服务类商品，表现出较高的价格灵活性。食品类价格粘性介于二者之间，接近于服务类的价格粘性。根据零售商的注册地，将样本划分为东、中、西部地区三个子样本，⑦考察不同区域的价格粘性。表4的估算结果表明，东部和中部地区价格频率比较接近，且均低于西部地区，意味着西部地区的价格更为灵活。这种现象可能与地区经济结构有关，已有的经验研究表明，增加值较小的最终产品，显示出更频繁的价格变化（Nakamura and Steinsson，2008）。相对而言，西部地区的经济结构特征是传统产业主导，零售商出售的产品增加值可能较小，导致西部地区的价格水平更为灵活。根据商品成交量是否在同类商品中排名前20进行分类估算，发现TOP20商品的价格变化频率均高于非TOP20商品。观察BK法的估算结果，发现剔除促销前后，TOP20商品价格持续时间由39天上升至59天，上升了51%，非TOP20商品由50天升至71天，上升了40%，表明TOP20商品受促销的影响更大，可能意味着TOP20商品的零售商采用了更多的促销行为。表4最后两行是进口品和非进口品的估算结果，可以发现进口品的价格调整更为灵活。
（四）价格粘性：中国与发达经济体的比较
前文估算出中国商品市场总体价格调整频率，那么，中国商品市场的名义价格变化是灵活的吗？目前学界并没有判断价格灵活性的统一标准，较普遍的做法是将本国的价格粘性与其他国家进行比较，以确定相对灵活程度（Klenow and Malin，2010；Ozmen and Sevinc，2011）。本文总结了既有文献采用类似方法估算的各国价格粘性结果，以评估中国的相对价格粘性程度。图1报告了不同国家的价格周期估算结果。⑧总体而言，欧洲国家表现出相对较强的价格粘性，价格周期在4.5个月到10个月之间。与欧洲相比，美国的价格调整相对灵活，价格周期小于5个月。新兴市场国家均表现出较高的调价频率，总体价格的持续时间均低于美国。中国的价格粘性程度远低于发达国家的水平，甚至低于部分经济水平相似的其他发展中国家。⑨我们对此现象的解释是中国劳动力市场的低工资粘性可能导致了低价格粘性。根据徐建炜等（2012）的研究，中国劳动力市场的价格粘性程度处于世界较低水平，由于生产要素的价格粘性尤其是工资粘性会影响到商品市场价格粘性，中国的工资粘性较小可能导致商品市场价格粘性程度较低。
四、定价模式：“时间相关”还是“状态相关”？
（一）价格调整幅度
既有文献研究价格粘性一般从两个维度进行：一是计算价格调整的频率，可以估计出价格粘性程度，有助于回答货币政策有效性问题。二是考察价格调整幅度的大小及其分布，识别出企业定价模式，有助于回答货币政策刺激效果的持续性问题。前节对中国商品市场的名义价格粘性程度进行了估算，发现中国的名义价格粘性程度处于相对较低的水平，商品市场的价格调整机制相对发达国家较为灵活。但调价频率只给出了商品价格行为的局部视图，要了解价格变化背后的微观机制以及企业定价模式，还需要考察价格粘性的另一个维度，即价格调整幅度及其分布。表5展示了价格调整幅度的基本统计情况。
表5第一行是所有商品的总体结果。在包含促销情形下，调价幅度为24.9%，表明中国商品市场的价格调整幅度是相当大的。⑩表格第3列、第4列分别是价格上涨和下降幅度。仅从绝对值来看，价格上涨幅度超过下降幅度约10个百分点，差异非常明显。但要注意的是，下降和上涨幅度的值域不同(11)，不能简单地进行比较，需要换算后再做比较，公式为：调整后的下降幅度=｛1/（1-|下降幅度|）-l｝×100%，可以发现换算后的上涨幅度大于下降幅度超过5个百分点。结合表2的调价次数比率结果，发现零售商的价格行为有如下特点：从调整次数角度，价格下调次数大于上调次数，但从调整幅度角度，价格上涨幅度大于下降幅度。根据Guimaraes & Sheedy（2011）的研究，当企业面对价格敏感性不同的消费者，会制定分时段定价策略，即在不同时间段，分别采取高价格和低价格。本文的实证结果符合这种策略，一方面，用频繁的小幅降价吸引价格敏感的消费者，另一方面，针对一部分需求价格弹性较小的消费者，提升涨价的幅度。总体而言，样本期内价格调整行为的典型特征是，价格上涨幅度大于下降幅度，但涨价次数低于降价次数，表现出以降价行为为主，使得涨价行为较为隐蔽，消费者更容易接受。
从表5的分类计算结果来看，价格调整幅度在不同分类商品之间差异较大。根据第3列和第4列的结果，价格上涨和下降幅度最大的是衣着类，上涨和下降幅度最小的是交通类。第5列的结果显示，按换算后的调整幅度比较，价格调整幅度差额最大的是衣着类，上涨幅度大于下降幅度10.66个百分点，差额最小的是居住类，说明居住类价格变化的上涨幅度和下降幅度较为对称。综上，可以发现分类商品中，衣着类商品具有价格调整频繁、调整幅度较大、更偏好促销等特征。
（二）价格调整幅度的分布
价格调整幅度的分布能够提供区分企业定价模式的证据。在状态相关定价模型中，如Golosov & Lucas（2007）的菜单成本模型，预测价格调整幅度的分布呈双峰分布形态（Bimodal Distribution）。该模型认为，当价格小幅偏离最优价格时，如果纠偏的收益不足以弥补纠偏的成本，则厂商会放弃调整价格。这意味着小幅度的价格调整行为较少发生，导致价格调整幅度的分布在百分之零附近明显下降，形成双峰分布。相比之下，在时间相关定价模型中（Calvo，1983），不存在调整成本的约束，当调整时间来临，厂商根据商品成本变动情况调整为最优价格，因此模型预测价格调整幅度的分布会在百分之零附近呈现单峰分布形态（Unimodal Distribution）。本节考察中国商品市场的价格调整幅度的分布，以区分不同价格粘性理论在中国的适用性。直方图法是最简单有效的非参数估计方法之一，在样本量较大而允许组距较小的情况下，能够直观地显示出随机变量的分布特征。但直方图的缺点是估计较为粗糙且非连续，因此我们同时进行核密度估计，通过平滑的方法绘出连续的密度曲线，以更好地描述变量的分布形态。图2是包含促销情形下的全体商品价格调整分布。图3—图5是食品、工业消费品和服务类商品的价格调整分布。图中数据区间的组距为0.01，并进行了归一化处理。由于主要关注零点附近的分布情况，价格调整幅度绝对值超过50%的值没有纳入计算。
从图2可以看出，总体价格调整幅度分布的突出特征是在零点附近有明显的下凹，呈现双峰形态，符合SDP模型的预测（Golosov and Lucas，2007）。这种双峰性说明价格变化幅度接近零的调整较少发生，提供了存在价格调整成本的证据。在图3—图5中，我们考察三大分类商品的价格变化幅度分布，发现食品、工业消费品呈现出明显的双峰分布，但食品类的集中度和峰度更高，工业消费品呈现出较低的峰度，价格调整幅度在整个坐标轴上分布较为均匀，表明工业消费品的价格调整幅度较为分散，波动更大。服务类的分布形态则大为不同，明显符合单峰分布形态。(12)为严谨起见，我们使用哈迪根DIP检验（Hartigan Dip Test）对价格调整幅度的分布是否服从双峰分布进行检验。根据表6第3列和第5列的P值结果，在包含促销和剔除促销情形下，除服务类商品外，其他类别的价格调整分布均在1%显著性水平上拒绝单峰分布的原假定。对于服务类商品，则不能在10%显著性水平拒绝原假设。表6第2列和第4列出了DIP统计量的值。该统计量衡量样本分布偏离单峰分布的程度，统计量的值越接近0，样本分布越具有单峰性。根据表6的结果，在三大类商品中，服务类商品DIP统计量的值非常小，意味着服务类商品价格调整分布具有单峰性，工业消费品和食品类的DIP统计量值远大于服务类，表明这两类商品的价格调整幅度分布偏离单峰分布的程度较大，与直方图和核密度估计结果一致。
（三）通货膨胀方差分解
1.通货膨胀的集约边际与扩展边际
其中第一项
是每月价格发生变化的商品或服务数目占总数目的比重，代表通货膨胀的扩展边际。第二项
是价格发生变化商品的月平均变化幅度，代表通货膨胀的集约边际。不同的通货膨胀边际蕴涵着不同的总量定价模式，通过考察集约边际和扩展边际与通货膨胀的相关性可以判断总量定价模式。根据Taylor（1980）和Calvo（1983）模型，价格变化幅度是通货膨胀波动的唯一来源，若通胀（π）仅与价格变化幅度（IM）相关，则表明粘性定价模式与时间相关。若通胀（π）与价格调整比重（EM）也相关，意味着当通胀变化时，调整价格的厂商数量会随之增减，表明厂商调价行为能对市场环境的变化迅速产生反应。因此，若π既与IM相关也与EM相关，则定价模式与状态相关。我们在表7列出了通货膨胀的扩展边际和集约边际统计及回归结果。(13)
总体样本通货膨胀分解结果显示，π与IM和EM的相关程度较高，相关性系数分别达到0.94和0.62，两者关于π的回归系数均在1%水平上显著。在标准的TDP模型中（Taylor，1980；Calvo，1983），认为通货膨胀主要来源于价格变化幅度，价格调整数量比重则保持固定比例不变，对通货膨胀的影响非常有限。本文结果表明，样本期内价格变化幅度及价格调整比重都显示出较大的变化，并且与通胀波动具有显著相关性，表明中国商品市场的厂商能够根据通胀的变化情况较为灵活地调整价格，定价模式总体上是状态相关的。考察分类别的结果发现，不同类别的定价模式存在差异。食品和工业消费品的通货膨胀分解结果表明，EM与π的相关性较强，相关系数分别达到0.61和0.57，EM关于π的回归结果均通过显著性检验。而在服务通胀分解结果中，EM与π相关性系数仅为0.06，且EM关于π的回归系数不显著。但π与IM的相关性则较高，相关性系数为0.80。这表明，食品和工业消费品类的定价模式状态相关，服务类定价模式时间相关，与前文结论基本一致，也与渠慎宁等（2012）的研究结果一致。
2.通货膨胀方差分解
为进一步厘清扩展边际和集约边际对通货膨胀波动影响的相对重要性，我们利用Klenow & Kryvtsov（2008）的方法对π进行方差分解，把通货膨胀的方差分解为价格变化幅度的方差、价格调整比重的方差以及两者的协方差，考察通货膨胀的方差主要由EM还是IM贡献。如果价格调整比重的方差对通货膨胀方差的贡献大，说明扩展边际在通货膨胀波动中占主导地位，即一国的通货膨胀主要是基于调整价格的厂商数量的增加。反之，如果价格变化幅度的方差对通货膨胀方差的贡献大，说明集约边际在通货膨胀波动中占主导地位，即一国的通货膨胀来源于商品价格变化幅度层面量的扩张。借鉴Klenow & Kryvtsov（2008）的方法，我们将表达式
围绕样本均值
进行一阶泰勒展开，得到通货膨胀方差分解表达式：
其中，IM项代表集约效应对通货膨胀的影响，EM项代表扩展效应对通货膨胀的影响，Ot是泰勒展开的高阶项，其数值很小，在具体计算过程中忽略不计。方差分解的结果见表8。
表8报告了含促销和不含促销两种情形下的方差分解结果。总体而言，在不含促销情形下，IM项解释了通货膨胀方差的64%，表明集约边际是通货膨胀的主要来源。但集约边际并不是通货膨胀的唯一来源，EM项能够解释通货膨胀方差的36%，表明EM项也是相当重要的通货膨胀波动来源，符合SDP模型的预测。含促销的方差分解表现出类似的结果。在不同分类情形下，结论具有异质性。不含促销时，对于食品类商品，EM项占通货膨胀方差的比例为29%，表明食品价格的扩展边际对通货膨胀波动的影响较大。工业消费品的EM项占比略微超过IM项占比，表明工业消费品的扩展边际是通货膨胀的主要来源。服务类的结果有所不同，EM项仅占通货膨胀方差的8%，IM项则几乎解释了全部的通货膨胀方差，包含促销时也可以得出类似结论。方差分解的结果清楚地表明，总体而言，价格调整幅度的方差解释了通货膨胀方差的64%，但价格调整比重的方差对通货膨胀方差的贡献也较大，扩展边际是非常重要的通货膨胀来源，符合SDP模型的预测。对于分类结果，价格调整比重方差能够解释食品和工业消费品至少三分之一的通货膨胀方差，但对服务类通货膨胀方差的解释力非常有限。
五、结论及讨论
本文运用网络文本提取与数据挖掘技术，收集来自互联网的商品价格数据，构建大样本高频数据集，对中国商品市场价格粘性的一些基本问题进行研究。研究发现：第一，相对于发达国家，我国的价格粘性程度处于较低的水平。第二，不同类别商品之间的价格粘性程度具有较大的异质性。第三，划分子样本分析发现，东部和中部地区价格粘性程度比较接近，均低于西部地区。进口品和非进口品的价格调价频率差异不大，相对而言，进口品的价格更为灵活。成交量在同类商品中排名前20的零售商调价更为频繁。第四，零售商的价格调整是以价格下调为主，但价格上涨幅度大于下降幅度。第五，价格调整幅度的分布呈双峰形态，与状态相关定价机制的模型预测一致。通货膨胀方差分解发现中国通货膨胀主要来源于商品价格变化幅度的扩张，但价格发生变化的商品比重增加也是重要的通货膨胀来源。
我们的研究结论具有较强的宏观含义。首先，根据新凯恩斯理论，如果微观价格变动具有粘性，则货币当局的货币政策能够影响商品和服务的真实产出。本文研究表明，中国的名义价格粘性程度处于较低水平，说明中国的商品市场价格调整比较灵活，可能意味着扩张性货币政策对商品和服务的产出刺激作用较小。其次，中国商品市场的价格调整幅度分布呈现双峰形态，符合状态相关定价模型的预测（Dotsey et al，1999；Golosov and Lucas，2007）,表明中国商品市场企业的定价存在一定程度的“选择效应”，货币政策刺激效果的持续性较弱。最后，通货膨胀方差分解发现集约边际在通货膨胀波动中占主导地位，中国的通货膨胀主要来源于商品价格变化幅度层面量的扩张。但扩展边际也是相当重要的通货膨胀波动来源，意味着厂商具备一定的根据外在环境变化自我调整价格的能力。此外，定价模式和价格粘性的设定对于结构宏观模型能否准确刻画一国经济状况至关重要。我们的研究结果表明基于SDP分析框架的模型更符合中国的经验事实，为宏观模型的合理设定提供了经验证据的支持，并为宏观经济模型中厂商调整价格的概率参数设定提供了具体的经验结论。
本文的研究说明网络数据可以为价格行为提供较为深刻的洞见，这种微观数据用于宏观研究的潜力远远超出本文的初步探讨。但由于来自“鼠标世界”的数据必然具有不同于“水泥世界”的特征，可能会导致一些结论具有特殊性。未来需要更全面的微观数据集进行更仔细研究，可能的情况下，有必要使用国家统计局的官方数据进行对比研究，检验是否会得出不同的结论。
感谢王义中、章华、杨晓兰、陈叶烽、方红生、钱雪亚、钟意、钱一鹤的宝贵意见及郑丽婷、周建峰在数据收集过程中的帮助。感谢浙江大学高性能计算中心吴宏和上海财经大学王雨辰对本文数据清洗与挖掘算法的优化建议。感谢匿名评审专家的建设性意见，文责自负。
①详细过程参见本文工作论文附录，载于《经济研究》网站工作论文栏目，也可向作者索要本文完整版本。
②中国CPI分类体系包括262个基本分类和8个大分类。8个大类分别是食品、烟酒及用品、衣着、家庭设备用品及服务、医疗保健及个人用品、交通和通信、娱乐教育文化用品及服务、居住，为行文方便，简记为食品、烟酒、衣着、家庭、医疗、交通、教育和居住。
③括号中的数字是该类商品数量占总体商品数量的比例。
④目前我国的CPI基本分类和大分类的支出权重并未公开，何新华（2010）详细讨论了CPI权重计算的相关问题，并计算了2006—2010年的权重。本文样本期为2010—2013年，我们引用何新华（2010）估算的2010年权重结果作为本文样本期内的分类权重。
⑤利用GR法的结果也可以得出同样的结论。
⑥工业消费品包含烟酒、衣着和耐用消费品，服务类包含医疗保健、交通通信、教育及居住类商品。
⑦西部地区指陕西、甘肃、青海、宁夏、新疆、四川、重庆、云南、贵州、西藏。中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南。东部地区包括辽宁、北京、天津、河北、山东、江苏、上海、浙江、福建、广东、广西、海南。
⑧每个国家估算结果的文献来源参见本文工作论文附录。
⑨要指出的是，由于各国估算价格粘性的样本期不同，直接对各国的估计结果进行比较隐含了一个较强的假定，即这些国家的价格粘性程度在不同时期变化不大。对于成熟市场经济国家，宏观经济环境和通货膨胀等影响价格粘性程度的因素相对稳定，此假定具有合理性。本文主要与发达国家进行比较，发现中国的价格粘性程度远低于发达国家，即便使用本文的四种不同估算结果进行比较也能得出同样的结论，因此结论是可信的。
⑩相比而言，Cavallo（2010）利用网络数据估算的拉美四国的价格调整幅度均在5%以内。但这种差异也可能是由于调整幅度的计算方法不同造成的。在本文的计算公式中，我们对价格下降的幅度取绝对值，而不是简单地将上涨幅度和下降幅度直接求和，避免了相加过程中的抵消作用，更能客观地反映价格波动幅度。
(11)从价格下降幅度看，价格最多只能下降100%，但上涨幅度可以是正无穷。在既有的文献中，比如Cavallo（2010），似乎并没有注意到这一问题，直接对上涨幅度和下降幅度进行比较，我们认为这种比较不够严谨，需要进行调整。
(12)剔除促销后，食品和工业消费品仍然呈现双峰形态，服务类呈现单峰形态，参见本文工作论文。
(13)表中是根据2010年12月至2013年2月期间未剔除促销观测样本的计算结果。CPI权重数据分别来自渠慎宁等（2012）和何新华（2010），其中2010年的数据来自何新华（2010），2011年的数据来自渠慎宁等（2012），2012年至2013年2月的权重采用2011年的近似结果。国家统计局对CPI权重数据的调整原则是每隔5年做一次大改动，其后的5年间仅做微小调整。按此原则，国家统计局在201 1年对CPI权重数据做了较大调整，其后的几年仅做微调，因此，本文2012年至2013年2月的权重采用2011年的权重作为近似对计算结果的影响不大。此外，目前只能获得大类的权重数据，在更细的分类层面均采用平均权数。