目录
-
- [0. 承前](#0. 承前)
- [1. 简述：价格指数对比](#1. 简述：价格指数对比)
- [2. 比喻：两大指数对比](#2. 比喻：两大指数对比)
-
- [2.1 简单对比](#2.1 简单对比)
- [2.2 生动比喻](#2.2 生动比喻)
- [3. 实际应用](#3. 实际应用)
-
- [3.1 价格传导现象](#3.1 价格传导现象)
- [4. 总结](#4. 总结)
- [5. 有趣的对比](#5. 有趣的对比)
- [6. 数据获取实现代码](#6. 数据获取实现代码)
- [7. 数据可视化实现代码](#7. 数据可视化实现代码)
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。
python
# 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：
python
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)数据可视化结果：
