当前位置：首页 > article >正文

99.23 金融难点通俗解释：小卖部经营比喻PPI（生产者物价指数）vsCPI（消费者物价指数）

article 2025/2/1 21:30:49

0. 承前

本文主旨：
本文使用小卖部比喻PPI和CPI，目的是让大家对这两个知识点有一个更加通俗易懂、贴近生活的理解。并用数据实证了CPI和PPI的价格传导之谜：为什么进货价涨了10%，零售价却不敢跟着涨这么多？这个困扰着小卖部老板的问题，恰好反映了CPI和PPI的微妙关系。
数据显示，2023-2024年间，生产者价格指数(PPI)的波动幅度明显大于消费者价格指数(CPI)。这种"不完全传导"现象，正是市场竞争下商家利润调节的结果，也展现了宏观经济中价格传导的真实状态。

如果想更加全面清晰地了解金融资产组合模型进化论的体系架构，可参考：
0. 金融资产组合模型进化全图鉴

1. 简述：价格指数对比

PPI含义：侧重于生产者层面的价格变化，展示了企业出售其产品时所面临的价格波动，这些波动可能会间接影响到消费者价格。比如：小卖部进货时的价格变化。
CPI含义：关注的是消费者层面的价格变化，直接反映了普通家庭的生活成本变化。比如：小卖部卖给同学时的价格变化。

2. 比喻：两大指数对比

2.1 简单对比

PPI关注"进货价格变化"

小明的小卖部进货价格变化：
薯片批发价：2元→2.2元（涨10%）
饮料进货价：1元→1.1元（涨10%）
文具采购价：5元→5.5元（涨10%）

PPI上涨10%
含义：进货成本普遍上涨10%

CPI关注"售价变化"

小明的小卖部售价变化：
薯片售价：3元→3.2元（涨6.7%）
饮料售价：2元→2.1元（涨5%）
文具售价：8元→8.4元（涨5%）

CPI上涨约6%
含义：同学们买东西要多花6%

2.2 生动比喻

PPI就像问：

"进货时要多花多少钱？"
- 批发市场的价格变化
- 工厂发货价的变化
- 还没加上店铺利润

CPI就像问：

"同学们买东西要多花多少钱？"
- 小卖部标价的变化
- 实际购买价的变化
- 已经包含店铺利润

3. 实际应用

3.1 价格传导现象

进货价格上涨（PPI上涨）：
- 薯片批发价涨了1角
- 饮料进价贵了1毛
- 文具采购成本增加

售价变化（CPI变化）：
- 可能立即涨价
- 可能暂时不涨
- 可能部分涨价

4. 总结

关注点：
- PPI看"进货贵了多少"
- CPI看"卖价涨了多少"

就像小卖部：
- PPI是批发市场的价格变化
- CPI是小卖部标价的变化

5. 有趣的对比

小明的小卖部：
进货价（PPI）涨了10%：
- 以前进100元的货
- 现在要花110元

售价（CPI）涨了6%：
- 以前卖3元的薯片
- 现在卖3.2元

这就说明：
- 虽然进货价涨得多
- 但售价涨得少
- 小明承担了部分成本上涨

6. 数据获取实现代码

通过以下代码可以获取PPI和CPI数据。

# 导入tushare
import tushare as ts

def get_cpi_data(start_m, end_m):
    """
    获取CPI数据
    
    参数:
    start_m: 开始月份，格式：'YYYYMM'，如'202401'
    end_m: 结束月份，格式：'YYYYMM'，如'202412'
    
    返回:
    DataFrame: CPI数据，包含月份和同比等信息
    """
    try:
        # 初始化pro接口
        pro = ts.pro_api('token')
        
        # 获取CPI数据
        df_cpi = pro.cn_cpi(start_m=start_m, end_m=end_m)
        
        return df_cpi
    
    except Exception as e:
        print(f"获取CPI数据失败: {e}")
        return None

def get_ppi_data(start_m, end_m):
    """
    获取PPI数据
    
    参数:
    start_m: 开始月份，格式：'YYYYMM'，如'202401'
    end_m: 结束月份，格式：'YYYYMM'，如'202412'
    
    返回:
    DataFrame: PPI数据，包含月份和同比等信息
    """
    try:
        # 初始化pro接口
        pro = ts.pro_api('token')
        
        # 获取PPI数据
        df_ppi = pro.cn_ppi(start_m=start_m, end_m=end_m)
        
        return df_ppi
    
    except Exception as e:
        print(f"获取PPI数据失败: {e}")
        return None

注意：token需要自行申请。

7. 数据可视化实现代码

使用以上代码中的两个函数，结合以下代码，可实现数据可视化：

import matplotlib.pyplot as plt
import pandas as pd

def plot_cpi_ppi_trend(start_m, end_m):
    """
    Plot CPI and PPI YoY trends
    """
    # Get data
    cpi_data = get_cpi_data(start_m, end_m)
    ppi_data = get_ppi_data(start_m, end_m)
    
    if cpi_data is None or ppi_data is None:
        return
    
    # Create figure
    plt.figure(figsize=(12, 6))
    
    # Plot CPI YoY
    plt.plot(cpi_data['month'], 
             cpi_data['nt_yoy'],
             marker='o',
             color='#FF6B6B',
             linewidth=2,
             label='CPI YoY(%)')
    
    # Plot PPI YoY
    plt.plot(ppi_data['month'], 
             ppi_data['ppi_yoy'],
             marker='s',
             color='#4ECDC4',
             linewidth=2,
             label='PPI YoY(%)')
    
    # Set title and labels
    plt.title('CPI vs PPI YoY Trends (2023-2024)', fontsize=14, pad=15)
    plt.xlabel('Month', fontsize=12)
    plt.ylabel('YoY Change Rate(%)', fontsize=12)
    
    # Rotate x-axis labels
    plt.xticks(rotation=45)
    
    # Add grid
    plt.grid(True, linestyle='--', alpha=0.3)
    
    # Add legend
    plt.legend(loc='best', fontsize=10)
    
    # Add zero line
    plt.axhline(y=0, color='gray', linestyle='--', alpha=0.5)
    
    # Adjust layout
    plt.tight_layout()
    
    # Show plot
    plt.show()

# Example usage
if __name__ == "__main__":
    # Set time range
    start_m = '202301'
    end_m = '202401'
    
    # Plot trends
    plot_cpi_ppi_trend(start_m, end_m)