銀行現金收支數據能否反映何種宏觀經濟變量波動

吳衛華 李俊萍

隨著經濟的發展，現金交易量已是萬億級，高頻的現金收支數據日益積累為現金收支大數據，能否有效利用現金收支大數據的波動反映地區宏觀經濟形勢，對于及時監測地區經濟發展狀態具有重要意義。本文在收集浙江省主要銀行機構現金收支數據的基礎上，區別于以往研究中通過宏觀經濟變量波動對現金投放、回籠數據進行預測，另辟蹊徑，通過機器學習的方法，建立模型，透過現金收支數據“見微知著”地預測有關宏觀經濟指標，并給出預測效果評價。結果顯示，使用微觀的銀行現金收支數據對社會消費品零售總額預測效果較好，對地方GDP和固定資產投資額預測在部分地市有效、部分無效，而對于居民消費價格指數（CPI）的預測則完全無效。

一、引言

近兩年，新冠疫情這一“黑天鵝”事件的出現，導致經濟波動相較以往更為頻繁，如何及時有效預測宏觀經濟以便于“對癥施策”，成為擺在決策者面前的重大課題。而現金作為社會大眾持有和使用面最廣的金融工具，連接著“千家萬戶”。銀行作為央行向社會投放和回籠現金的唯一“通道”，匯集了各行各業的現金收支信息，現金收支數據已然是名副其實的大數據。既然如此，銀行現金收支大數據能否得以有效利用，以便從其變化及時測度宏觀經濟指標變動趨勢？進一步地，現金收支大數據能預測反映哪些地區宏觀經濟指標？又無法預測反映哪些宏觀指標？本文嘗試對此進行探索。

針對現金與宏觀經濟之間的關系，已有研究大多集中于宏觀經濟對現金收支的影響或者現金對宏觀經濟的反映層面。歸納來說，就是經濟變動決定著現金波動，現金波動反映著經濟變化（張紅地，2002）。而對于從現金收支大數據預測宏觀經濟的研究，現有文獻尚較為匱乏。但現代經濟依賴于大規模的數據整合和交換（涂子沛，2015）。因而，利用銀行現金收支大數據“窺探”宏觀經濟指標波動規律的研究，十分必要，凸顯了本文研究的價值與意義。

為此，本文從Fayyad（1996）和謝平等（2014）提出的大數據“描述”和“預測”兩個基本功能出發，構建一個基于銀行現金收支大數據的宏觀經濟分析和預測框架模型，旨在提高現金收支管理的預見性。首先，我們闡述了現金收支數據的性質和特征，以及與宏觀經濟變量的內在關系，這是使用現金收支數據預測分析宏觀經濟的基礎。然后，提出分析和預測的框架模型。最后，使用銀行現金收支數據實證檢驗模型的可用性。

研究表明，銀行現金收支大數據能夠預測部分宏觀經濟指標，而對個別宏觀經濟指標預測則完全無效。具體地，使用微觀的銀行現金收支數據對社會消費品零售總額預測效果較好，對地方上的GDP和固定資產投資額預測效果在省內部分地市有效、部分無效，而對于居民消費價格指數（CPI）的預測則完全無效。

本文的貢獻在于首次嘗試從銀行現金收支視角預測地區宏觀經濟指標，且給出預測效果的評價，彌補了學術界關于現金收支與宏觀經濟之間關系的研究視角的不足。余下部分安排：第二部分是現金大數據分析預測經濟指標的理論分析;第三部分是預測模型設定;第四部分是實證分析與預測評價;第五部分是研究結論。

二、現金大數據分析預測宏觀經濟的理論分析

在“中央銀行——商業銀行”二級銀行制度下，現金收支主要分為兩大環節，第一環節是人民銀行發行庫發行基金到商業銀行業務庫的發行過程，以及商業銀行業務庫現金回到人民銀行發行庫的現金回籠過程;第二環節是經濟主體與銀行之間現金存入與取出的過程?？紤]到對經濟波動的及時感知以及與宏觀經濟的關聯度，在此分析銀行與社會經濟主體之間的現金收支數據。

有大量的研究考察現金收支數據與宏觀指標之間的聯系，如孫春廣（2014）通過協整回歸進行實證分析，研究表明宏觀經濟總量與現金凈投放呈現明顯的相關性。杜銘（2014）利用模型分析湖南省現金指標與宏觀經濟量化關系，分析表明湖南省GDP 的增長與現金投放、回籠規模之間存在緊密的內在聯系且現金收支的最終格局由第二、三產業的共同作用來決定。總之，大多數研究都表明現金收支與經濟發展密切相關。但是大部分研究關注的是宏觀經濟運行對現金投放的影響，缺乏從現金投放觀察宏觀經濟的研究，而且已有研究大部分著眼于人民銀行發行庫到銀行業務庫的數據，缺乏從銀行現金收支數據入手的研究。

各行各業的交易數據是形成宏觀經濟指標的因素，而人民幣現金作為便利交易的支付工具，其使用頻率高低或數量多寡，實實在在反映著行業或個體的興衰更替，甚至可以將現金視為插入實體經濟內部的“體溫計”?；诖?，本文提出如下研究假設：

H1：在銀行現金收支大數據與宏觀經濟指標之間，能夠通過銀行現金收支大數據分析預測宏觀經濟變量。

三、數據來源、處理與模型設定

（一）數據來源和處理

本文以浙江省為例，對浙江省內各地市宏觀經濟運行進行分析預測。數據分為分析數據指標和預測宏觀經濟指標兩大類。

1.分析數據指標方面。選擇省內現金業務量較大的7家（類）銀行機構，分別是：浙江農信聯社、浙商銀行、杭州銀行、建設銀行、郵儲銀行、泰隆銀行、臺州銀行等7家（類）銀行，2020年該7家（類）銀行機構現金收支占到全省現金收支總額的72%，具有較強代表性。后續，以該7家樣本銀行機構2010年第1季度-2019年第4季度在浙江省域內發生的現金收支數據作為分析對象。采集的數據包括存現總額、取現總額、存入筆數、取出筆數、存取現客戶量、存入大于30萬元的筆數、取現大于30萬元的筆數、ATM存現金額、ATM取現金額等9個。由于絕對值會因各地地域面積、客戶量的差異存在較大差異，因此對數據做相對化處理。

具體指標可以分為三類：第一類反映區域內單位面積現金收支總體情況，如相關密度指標：存現密度（存入總額/面積）、取現密度（取現總額/面積）、存業務密度（存入業務量/面積）、取業務密度（取現業務量/面積）;第二類是反映區域逐筆現金收支平均情況的指標，如客均交易額（存取總額/存取交易賬戶數）、客均業務量（存取業務總量/存取交易賬戶數）;第三類反映現金收支的結構情況，如大額存現比（超過30萬額度的存入業務量/取現業務量）、大額取現比（超過30萬額度的取現業務量/取現業務量）、ATM存現比（ATM存現總額/存現總額）、ATM取現比（ATM取現總額/取現總額）。之所以會選擇這些指標，主要考慮如下因素：

第一類指標中，區域內現金存入、取現密度是一個區域內各銀行現金存入以及取出額與區域面積的比值。區域內存入業務、取現業務密度則是相應的業務量與區域面積的比值。姚雯和婁飛鵬（2009）實證認為人均 GDP影響銀行現金收支，又考慮到以地級市為單位進行研究，轄區面積不一樣，銀行的網點數量不盡相同，而現金收支量往往與網點數量有關，因此將地域面積考慮在內，考察單位面積的現金收支密度對一地宏觀經濟的預測。

第二類指標中，戶均存、取現額是該區域內的存現總額、取現總額與發生存取交易的賬戶數的比值。與第一類指標類似，單純的存取現總量不僅會受到轄區大小造成的網點數量差異而無可比較性，客戶的總量也會影響存取現總額。存取現總額與發生存取現業務的客戶數之比就是一個客均的概念，客均數比單純的總數更能比較出各地的差異。

第三類指標中，區域類大額存入、大額取出占比是存入、取出超過30萬的業務占所有的現金存取業務的比例。浙江省大額現金管理試點中，對個人存取現管理起點為30萬，因此本文將大額的閾值設置為30萬。有較大比例的大額現金交易的地區，未被觀測的地下經濟活動的規模可能較大，劉丹丹（2009）的研究認為在經濟加速增長時期，未觀測經濟會加劇官方經濟的波動，在經濟緊縮時期，未觀測經濟會減弱官方經濟的波動。所以大額現金交易背后未被觀測的經濟活動會影響官方披露的經濟數據。ATM存現、取現占比是ATM存取現的金額在總的存取現金額中的比例。ATM可以提供全天候服務，因此ATM取現的占比一定程度上反映了銀行非營業時間的現金存取活動，體現了一些非網點、非營業時間的現金存取活動，另外ATM數量也和當地經濟活動密度較為相關，在經濟繁榮的地方數量較大，因此ATM取現占比也體現了一些經濟密度大的區域的現金存取活動。

但現金收支大數據指標在數量級上有差別，如果不進行處理，數量級大的指標就會貢獻大部分的結果解釋，數量級較小指標中蘊含的數據信息會被“掩蓋”，因此，需要對數據統一標準，進行歸一化處理。文中對數據按照特征維度進行歸一化：。

2.預測宏觀經濟指標方面。參考已有文獻，選擇消費者物價指數（CPI）、社會消費品零售總額（COST）、國內生產總值（GDP）、固定資產投資增速（INV）等4個宏觀經濟指標進行預測。其中，居民消費價格指數（CPI），反映消費產品價格的變化情況，與個人消費者相關。社會消費品零售總額（COST）代表貿易量，貨幣天然就是為便利貿易而產生的，因而相關指標也應該是現金收支數據天然可以預測的。國內生產總值（GDP）是一個流量概念，是衡量一個國家或地區一定時期內以貨幣計價的最終產品和勞務價值總和。此外，投資也是推動經濟增長的重要因素。固定資產投資作為衡量投資的一個重要指標，它需要大量資金，直接增加了大量貨幣需求，增加了現金投放。所以，將固定資產投資額（INV）也作為預測指標引入。相關預測宏觀經濟指標見表1。

（二）預測模型設定

基于機器學習方法和python語言，構建線性回歸模型，利用銀行現金收支大數據預測宏觀經濟指標。

模型的構建和運行，具體通過python模型工具箱調用實現，主要分為六個步驟：

第一步，對數據進行標準化預處理。使用前述的數據歸一化的方法，將數據進行標準化，使數據落在[0，1]之間。

第二步，對輸入的分析指標降維處理。為降低銀行現金收支大數據各項分析指標的相關性，同時避免輸入指標過多導致的大數據“維度災難”①，使用傳統的主成分分析法對分析指標降維處理。

第三步，相關性分析。降維得出主成分指標后，需要分析主成分指標與要預測的宏觀經濟指標的相關性，以檢驗理論上是否可以使用選取的大數據特征指標得到一個有預測能力的模型。

第四步，構建線性回歸模型?；貧w過程使用python機器學習完成。線性回歸可以對觀測數據集的y和X的值擬合出一個預測模型，對于一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出y值。

第五步，訓練模型。隨機抽樣選取約80%的數據作為訓練集，20%數據作為測試集。將輸入值和輸出值在訓練集中估計出最佳擬合模型參數，然后在測試集中用該參數進行預測。根據訓練集和測試集準確率，調整參數估計方法，可使用隨機梯度下降法對算法進行優化。

第六步，模型評估。使用python語言中驗證模型準確性的指令，得到模型準確度得分。

四、實證分析

（一）降維

降維時采用主成分分析法。將原來多個指標做線性組合，作為新的綜合指標。本文采用python的sklearn庫中的相關模塊自動完成主成分分析并輸出，最終可以確定前5個成分占據了大部分解釋，因此最終選擇5個主成分。

（二）模型訓練與結果預測評估

在本文中，研究選擇的數據集是銀行現金收支大數據，而預測的指標是相關宏觀經濟指標，適合使用線性回歸。為了排除回歸結果的偶然性，本文將數據集打亂后重新按照訓練集80%，測試集20%的比例劃分后進行訓練與檢驗。

將五個主成分的訓練集合定義為x_train，測試集定義為x_test。將宏觀經濟指標GDP、CPI、社會消費品零售總額（COST）、固定資產投資增速（（INV））依次設為Y1_train到Y4_train，同樣地，測試集分別為Y1_test到Y4_test。通過輸入訓練集合中的自變量集和觀測值學習構建完成預測模型，因有4個觀測的目標變量，因此需要分別進行訓練和預測。因為浙江省各地市經濟結構存在差異，不同的現金收支指標對當地的宏觀經濟變量映射情況也存在差異。因此，在進行學習與測試時，11個地市分別進行。首先運用各地的x_train與Y_train進行學習，得到模型后輸入x_test預測Y值。圖1展示的是杭州實際宏觀變量值與模型預測情況的對比圖。

由于篇幅原因，浙江省其余10市的模型預測情況不再羅列展示。為了更好的評估預測效果以及模型的準確度，本文使用評估模型計算模型的得分。

在本文機器學習模型使用的python的sklearn模塊中，包含四種評價尺度，分別是均方差、平均絕對值誤差、可釋方差得分、中值絕對誤差和R^2決定系數，此處采用擬合優度即R^2來評價回歸模型。表2展示了回歸結果的擬合優度，得分越接近1，表明模型的預測效果越好，得分接近0表明預測值接近真實值的平均，得分為負，則說明模型完全隨機，無預測效果。

表2報告了預測效果評價得分，可以看出：第一，就宏觀經濟變量GDP的預測來看，整體上，銀行現金收支大數據與GDP之間存在著一定的映射關系，大部分預測評價得分在0.5左右，其中，使用銀行現金收支數據預測杭州地區GDP的效果最好，評價得分達到了0.71。第二，對于使用現金收支數據預測居民消費價值指數（CPI）的評價，結果比較出乎意料，銀行現金收支大數據對于CPI的預測基本無效，二者之間并無穩定的關系。第三，關于社會消費品零售總額的預測，銀行現金收支大數據對當季社會消費品零售總額有較好的預測效果，模型預測效果平均評價得分0.76，方差0.23，為四個預測宏觀經濟變量中預測方差最小值，足以說明使用銀行現金收支數據預測社會消費品零售總額效果較好且較為穩定。第四，對于固定資產投資額的預測，部分地市有效，部分無效。銀行現金收支數據預測固定資產投資額的效果評價地區差異較大，在舟山地區預測效果較好，而在衢州地區模型預測無效。

五、研究結論

本文通過python機器學習的方法對微觀的銀行現金收支大數據與宏觀經濟指標進行了學習回歸，研究發現，銀行現金收支大數據與國內生產總值、物價變動指數、固定資產投資增速、社會消費品零售總額等宏觀指標映射關系

第一，關于對消費者物價指數CPI的預測，銀行現金收支大數據指標與消費者物價指數CPI的基本沒有映射關系，預測模型無效，即兩者幾乎不存在穩定關系;

第二，關于社會消費品零售總額的預測，銀行現金收支大數據與社會消費品零售總額有較強的映射關系，杭州、湖州、臺州三市的模型擬合優度甚至高于0.9，說明銀行現金收支大數據對當季度的社會消費品零售總額有較好的預測效果，且各地模型預測得分平均分達到了0.76，方差只有0.23，預測效果良好且比較穩定。本項目中因溫州社會消費品零售總額缺失值較多，無法得出準確結果，因此數據空缺;

第三，關于地方GDP的預測，銀行現金收支大數據與GDP的存在一定的映射關系，大部分預測得分在0.5左右，杭州的預測效果最好，得分達到了0.71，嘉興預測得分最差只有0.11，方差0.31，銀行現金收支大數據與當季GDP有一些穩定的映射關系，映射關系不明顯;

第四，關于固定資產投資額的預測，銀行現金收支大數據對各地固定資產投資額的映射關系內部差異較大，在舟山顯示出了較好的映射，但是在衢州，模型則完全失效，剔除極端的幾個數據，其預測的效果和預測GDP的效果類似。

總而言之，可以認為銀行現金收支大數據對一地當期的社會消費品零售總額提前做出較好、較穩定的預測，而對GDP與固定資產投資額的預測效果不明顯，可以因地區差異謹慎利用，而對CPI來說，模型基本無效，使用銀行現金收支大數據無法預測CPI。

注釋：

①在大數據處理過程中，對于已知樣本數目，存在一個特征數目的最大值，當實際使用的特征數目超過這個最大值時，分類器的性能退化。這種現象在識別模式中被稱為“維度災難”。

參考文獻：

[1] Fayyad，Usama，Piatetsky-Shapiro，et al. From data mining to knowledge discovery in databases，Ai Magazine，1996.

[2] 杜銘.湖南省現金指標與宏觀經濟量化關系的實證研究[J]. 金融經濟， 2014，（04）：2-5.

[3] 劉丹丹.未觀測經濟影響了中國經濟增長嗎？[J].財經問題研究，2009（07）：11-16.

[4] 孫春廣.宏觀經濟總量指標與央行現金凈投放的關聯性分析與解讀[J]. 武漢金融，2014（01）：29-32.

[5] 涂子沛.大數據[M].桂林：廣西師范大學出版社，2015.

[6] 謝平，鄒傳偉，劉海二.互聯網金融手冊[M].北京：中國人民大學出版社，2014.

[7] 姚雯，婁飛鵬.金融機構現金收支對人均GDP的影響——基于建國60年來數據的實證分析[J].國際金融研究，2009（10）：91-96.

[8] 張紅地.現金管理[M].北京：中國人民公安大學出版社，2002.

作者單位：吳衛華，中國人民銀行杭州中心支行，博士，中級經濟師;李俊萍，北京久芯科技有限公司，碩士研究生，中級經濟師、中級會計師。