人口结构、行业盈利与行业股票回报

谭华清 周羿 黄昊 张钟文

(1.嘉实基金管理有限公司，北京 1000005；2.北京大学社会学研究中心，北京 100871；3.浙江财经大学财税学院，浙江 杭州 310018；4.清华大学经济管理学院，北京 100084)

引言

作为世界第一人口大国，中国的人口年龄结构正在发生快速的变化。这种变化很大程度上是由社会经济快速发展所决定的，但也受到了政策的影响。人口结构变迁反过来也会对一个国家的经济社会发展产生巨大影响。已有文献表明(蔡昉，2009；田巍等，2013)[9][11]，人口红利是促进中国经济在改革开放以来取得巨大成功的推动力之一。但随着生育率下降和预期寿命的持续提升，中国正在逐步走向老龄化(Lee and Zhou, 2017)[6]。人口老龄化的过程也并非是平滑稳定的。比如，上世纪60年代“婴儿潮”的后代在逐步进入生育年龄，会对人口结构变化带来一些波动。在当前少子化和长寿化的趋势下，许多投资者相信与健康、养老和人力资本投资有关的行业能带来超额回报，很多投资机构也表示了类似的看法。在表1所展示的主流投资机构2018年资产配置展望，几乎都提到了医药、教育和健康等行业。

表1 主流投资机构2018年资产配置展望

尽管如此，还缺乏严谨的研究去考察人口结构与中国股票市场的关系。更具体地说，在中国，人口结构信息的使用是否真的会给投资者带来超额回报？这是一个在学术上和实务上都极为重要的话题，但我们却对此知之甚少。本文试图从实证上填补这一空白。参考DellaVign and Pollet (2007)[5]对美国资本市场的相关研究，我们具体检验了中国人口结构变化与行业回报的关系。我们关心的行业回报包括两个维度：一个是行业盈利，一个是行业的股票回报。需要说明的是，本文的研究对象是那些消费者能直接接触的消费品和服务行业。囿于生产链复杂程度的约束，我们没有去考察那些与终端消费品和服务有关的上游产业和基础设施产业。

事实上，人口结构变化和资产价格之间的关联长期以来一直是经济学和金融学家所关心的研究话题(Mankiw and Weil, 1989; Bakshi and Chen 1994; Poterba, 2001; Abel,2003; Ang and Maddaloni 2005)[7][4][8][1][3]。DellaVign and Pollet (2007)[5]发现基于人口结构信息的变化可以预测美国行业股票回报，甚至可以基于人口结构信息来构建具有超额阿尔法收益的投资组合。本文借鉴了他们的方法来分析中国人口结构变化的信息对于行业股票回报的影响。这一方法的基础在于：在除了战争和瘟疫等极端情况下，特定年龄的死亡率(age-specific mortality)是相对稳定，所以对于出生队列规模的中短期预测还相对准确。比如说，十年后35岁人口的数量是由当期25岁人口的数量和25～34岁之间的存活率这两个变量共同决定的。前一个变量是当期确定已知的，后一个变量则是相对稳定的。

因为不同种类的商品的消费者年龄特征比较明确(比如玩具主要是面向儿童、教辅主要面向中小学生、医疗设备主要面向中老年)，人口年龄结构的可预测性使得不同行业未来的潜在需求也具有一定的可预测性。这种潜在需求的变化进而会带来相关行业的利润变化，尤其是在不完全竞争甚至垄断行业。本文主要基于中国人口普查数据和人口抽样调查数据来做人口结构的预测，预测结果包括了特定年份每一个特定年龄中不同性别的人口数量。我们还根据中国城市固定点观察数据(1992～2012年)估计了每个年龄段不同性别人口在不同商品上的消费系数。用消费系数对预测出的出生队列人口数量做加权合计后，我们就估计出对应行业在未来一段时间中的潜在需求变化情况。随后，用商品的潜在需求预测值对行业的盈利水平做回归分析。结论显示，潜在需求增长越快的行业，其盈利增长也相应更快。换句话说，人口信息有助于预测企业的盈利。

最后，我们基于人口预测的结果来构建投资组合，并检验这种组合是否能带来超额收益。研究结果表明，基于人口信息构建的多空投资组合中并没有带来超额收益。这和DellaVign and Pollet (2007)[5]基于美国所得到的结论不大一样。他们发现类似的组合在美国市场存在超额收益。

是什么使得在这一研究上中美资本市场会呈现出不一样的结果呢？首先，能与消费者年龄匹配上的行业，基本上都是直接面向消费者的终端消费品或者服务行业。随着消费对于中国经济增长的相对贡献在日益增加，投资者倾向于对消费行业股票在有比较乐观的期待。同时，中国家庭的可支配收入在过去二三十年中保持了持续的高速增长，很多商品种类的消费都是从无到有的爆发式增长。在这种背景下，人口结构变化的影响，容易被收入增长和经济转型等因素所掩盖；其次，中国资本市场还在不断发展和改进的过程中。散户在市场参与者中的占比较高，换手率和波动率较高的现象长期存在，可能会使得人口结构这样的中长期指标始终没有得到真正的重视。

人口结构与产品需求变化

为了估计基于人口变化带来的产品需求的变化，我们将人口预测和不同产品的消费者年龄结构结合到一起。

一、人口预测

我们将不同队列人口规模、出生率和死亡率结合起来得到对未来的特定出生队列人口规模的预测。所有的人口数据都根据年龄和性别进行分解。队列人口规模数据来自于中国最近三次人口普查数据(1990年，2000年和2010年)。

本文的人口规模是指中国的人口规模。生育率数据和死亡率数据来自1990年、2000年和2010年人口普查得到的。由于计划生育和经济发展等因素，生育率数据和死亡率都可能会变化。

图1至少传递两个信息。首先，1952年以来中国大概经历了3次婴儿潮：1952～1957年、1962～1973年和1980～1990年。前两次婴儿潮某种意义上也可视为一次，只是中途因“大饥荒”而暂时中断。其次，相比死亡率，生育率变化更大。在1990年以后，死亡率基本稳定在6.5‰左右，而生育率还继续下降。随着计划生育政策的调整，生育率也出现了一些波动。所以，本文生育率的调整方案主要依据计划生育政策调整的时间节点。具体来说，在1990～1999年的预测区间将20～35岁妇女的生育率以1990年生育率为基础按照每年3.35%的速度下降。3.35%是1988～1990年这三年的生育率变化的平均速度。在2000～2010年的预测区间将20～35岁妇女的生育率以2000年的生育率为基础按照每年3%的速度下降。3%是1994～1999年的人口生育率的平均增速。在2010～2017年的预测区间则不调整，将各年的20～35岁妇女生育率就等于2010年的生育率。因为2005～2009年的人口生育率基本没有下降。性别比则使用1990年、2000年和2010年的性别比作为各个预测区间新生婴幼儿的性别比。

我们使用t期的人口信息预测u期的不同性别不同年龄的人口分布，其中u大于t。我们假设u期的出生率等于t期的出生率。我们还假设，未来的死亡率也等于t期的死亡率。基于t期的代际规模以及未来的死亡率和出生率，可以得到未来u期的代际人口规模初始估计。

图2可以看到，首先以上预测方法得到的人口预测数据基本拟合了中国过去近30年的人口变迁。其次，可以看到人口的变化主要来自0～14岁人口，而65岁以上人口和总人口都是上升的。所以，可以说，人口结构变化对于产品消费的影响主要是青少年和中青年年龄段的人口。

表2评估了我们在不同预测期限下的人口信息的预测。预测期限的选择和我们考虑回报可预测性是一致的：未来2年的短期预测和2～7年的长期预测。选择2年是因为中国股票分析师覆盖的预测期限大部分最多是2年。在第一列，我们将未来2年的实际的人口增长率，logAg,j,t+2-logAg,j,t，对预测的未来2年的人口增长率回归。上述设定涵盖了整个1990～2017年的数据。以预测区间为1990～2007年来说，对于总人口数量的预测回归的R方为0.979而且回归系数接近为1，这意味着预测精度很高。在0～14岁年龄段的预测精度(R方为0.384)较低，其他年龄段的预测精度都比较高。对于长期预测而言，在0～14岁年龄段的预测精度明显提升。总体来说，以上预测表现很不错。

表2 人口数量的预测

二、消费的年龄结构

我们的分析基本覆盖了所有主要最终消费品，并尽可能细致地划分消费品种类。如对酒类而言，根据酒精含量将啤酒和白酒区分开。类似地，在保险行业，进一步区分医疗险、财产险和寿险。且在分析中，我们试图将行业的定义保持一致。

为了展示所选商品消费的年龄结构特征，我们使用了用家庭年度消费总额对户主的年龄进行kernel回归。图3A描绘了1992年、2000年以及2005年调查数据的标准化后的自行车和药品消费。在这两个调查数据中，对于自行车的消费在28～35岁达到了高峰。这一年龄段的户主的孩子平均年龄在5～10岁左右。产品之间的年龄结构的差异不仅仅体现在自行车上，还有医疗器具上(图3B)。和自行车不同，医疗器具的消费随着年龄增长而增加的。

以上证据传递了两方面的信息。首先，不同年龄人口在某一特定商品的消费数量有很明显的差异。相应地，不同商品背后的消费者年龄结构差异也很大。一些商品更多地被年轻户主的家庭在消费，而另一些商品则主要由中老年户主的家庭消费。其次，各类商品的消费者年龄结构则十分稳定。比如，不论基于1992年、2000年还是2005年的数据，我们都发现，对于自行车的消费的年龄高峰是28～35岁。总之，以上证据表明，人口年龄结构的变化会对消费产生显著且稳健的影响。

为了匹配消费数据和人口数据，我们将家庭层面的消费数据转换成个人层面的消费数据。我们利用家庭中的人口构成测算出户主的消费、配偶的消费以及孩子的消费。采用OLS回归的方法对四个层面的横截面进行回归，令ci,k,t每个家户i在t年对产品k的消费量，Hi,t在第t年，户主i处于不同年龄段的指示变量。

其中Hj,i,t等于1则意味着在t期户主i的年龄至少等于j且小于下一个年龄组。比如，H35,i,t=1则家户i的户主的年龄在t期处于35～44岁之间。H65,i,t则表示，家户i的户主的年龄在t期大于等于65岁。类似的，Si,t则表示户主的配偶所处的年龄段。最后，我们还增加离散变量Oi,t=[O0,i,t,O6,i,t,O12,i,t,O18,i,t,O65,i,t]来度量家庭内部在t期的其他人口的数量。比如O0,i,t=2则意味着，在t期i家庭有两个0～5岁的孩子。

回归方程为：

该回归方程对于每一个产品k每一个横截面都进行单独估计。回归的目的在于得到，不同产品k在每一个年龄段的人口的消费系数。

三、需求预测

我们把产品消费的年龄结构和人口结构的预测结合起来以得到每一个产品的需求预测。比如说，怎样在基于1992年的数据去预测1999年的自行车消费量呢？对每一个年龄组，我们用该年龄组在1999年的规模乘以使用1992年的消费调查数据估算得到该年龄组对自行车的消费。然后再将所有年龄段消费预测进行加总，即得到了1999年自行车的总消费的预测。对于当年没有消费调查的年份，我们使用时间上距离该年最近的消费调查数据。

系数Bj,k,t，Γj,k,t，Δj,k,t用最接近t期的消费调查数据所估计得到。上述预测潜在假设认为，消费者对于不同商品的偏好依赖于年龄而不是出生年份。我们假设，年龄在45岁的人在1999年的消费和2009年的45岁的人的消费相同。在构建消费预测的过程中，我们让每一个产品的价格和t期最近的消费调查数据中的价格保持相同。

基于人口预测的需求增长与行业盈利

我们使用面板数据去检验基于人口信息的需求预测能否预测企业的净资产回报率(ROE)和资产回报率(ROA)。对于每个企业，其t+1期的ROE等于第t个财年的末期到t+1个财年末期的收益除以第t个财年末期的股份的面值。通过加权行业内每个公司的ROE构建了行业的ROE，其中权重为第t期末的账面价值，并剔除账面价值为负的公司。最后，对ROE进行对数处理，即roek,t+1=log(1+ROEk,t+1)。

随后基于消费调查数据中的商品分来构建行业分类，再利用每个公司的SIC行业分类信息，将相关公司分类到构建好的行业类别中，根据中国资本市场的特殊性，我们对行业分类做了一定的调整。由于中国的资本市场是一个快速发展的新兴市场，很多行业仍处于行业生命周期早期，所以有些行业里上市公司数量较少甚至没有上市公司。

表3报告了基于人口信息预测的需求增长对于行业ROE的预测力。令ck,s|t表示t期预测的s期产品k的消费的自然对数，可以得到预测方程为：

其中，θ表示roek,t+1对于基于人口信息预测的同期的消费变化的反应。在t期到t+2期消费增长的预测只能够用到t-1期的人口和消费数据信息。这种滞后保证了t期以前，所用到的信息是公开的。我们对(1)式进行回归，并且分别考虑是否加入年份固定效应的结果，最后还增加了其他控制变量以检验结果的稳健性。

对于没有年份固定效应的设定(表3列1和列4)，首先看人口信息对于ROE的影响。1.9117统计上和经济上都很显著。具体来说，每1个百分点的消费增长会令ROE从平均水平的11.622%上升到13.53%。类似的对于ROA则将ROA的平均水平的6.2%上升到7.06%，平均有13个百分点的年度增长。对于引入年份固定效应的设定(列2和列5)。此时，估计系数下降了大约一半。尽管变小了，但是经济上和统计上仍然显著。最后，我们在加入年份固定效应的基础上还加入了每个行业的集中度来检验回归结果的稳健性(列3和列6)。回归结果表明，加入行业集中度变量之后，回归结果依然显著，回归系数基本不变。因此，基于人口信息预测的消费变化对于行业的盈利具有显著的影响。

表3 行业盈利与基于人口变化得到的产品需求变化的关系

基于人口预测的需求增长与行业股票回报

一、面板数据回归

同样利用面板数据固定效应模型，我们考察了基于人口信息预测的行业增长和行业层面的股票回报的关系。股票回报数据来源于国泰安数据库中基于市值加权得到加总的行业层面的股票回报，并剔除了上市三个月内的样本。

在基准回归中，我们将年度股票回报ark,t+1,t对于从t到t+2的预测的需求的增长(短期)和t+2到t+7的预测的需求的增长(长期)回归。按照DellaVign and Pollet (2007)[5]的观点，由于投资者有可能存在关注度不足，他们只能关注到短期的人口变化对公司盈利的影响，但是对于更长时间的信息反应存在迟滞。所以需要对短期和长期进行区分。考虑到中国股票分析师大部分覆盖的时间年限为2，我们选择t到t+2作为短期标准。考虑到样本有限，最长期为7年。回归方程如下：

表4 行业股票回报与基于人口变化得到的产品需求变化的关系

因为消费增长变量都除以了相应的年分数，所以估计系数δ0和δ1表示1个百分点的需求增长导致的年化股票回报的平均增长。预测所用的信息为投资者站在t-1期就可以公开获取的。

表4报告了回归方程的估计系数。列1报告了短期对于行业股票回报的影响，列2报告了长期需求预测对于行业股票回报的影响，列3报告了公式(2)的回归结果。列4在列3的基础上还加入了每个行业的平均自由流动市值作为控制变量。可以看到，回归系数为正但是都不显著。

接下来考虑一个只考虑短期投资者的预测方程。对于人口行业样本，估计的回归方程为：

我们选择的预测期限h为0～8年。δH衡量的是t+h+1年后的消费增长的预测对于t+1期的股价的预测力(图4)。我们发现，不论h取得何值，估计都不显著。

我们已经看到，长期预测的需求增长不能够显著预测股票回报。这意味着投资者不能通过人口信息的变化得到的需求增长获利。接下来我们利用中国A股的数据通过投资组合进一步佐证这一说法。

二、组合回报

我们的策略针对的是2004～2016年的人口行业内的股票数据。通过对每一年的行业数据进行排序。首先，根据长期预测的需求增长，对行业进行排序并得到两个同等数量的行业分组。构建投资组合买入高的行业，卖空低的行业。图5展示了构建的投资组合的累积回报。结果显示，这个组合的累计回报基本为0。

如果将行业盈利的回归结果(表3)和行业股票回报的回归结果(表4)对比分析，可以看到，基于人口信息变化的需求增长能够显著预测行业盈利但是并不能显著预测行业股票回报。这也是本文结果和DellaVign and Pollet(2007)[5]的不同点，他们利用美国数据发现，需求增长的预测不仅显著预测行业盈利还显著预测行业股票回报。

那造成这种差异的原因是什么呢？在中国，为什么企业进入退出的商业行为可以从人口信息变化得到的需求增长获利而金融投资行为不能呢？在下一部分我们试图给出可能的解释。

人口结构预测与中美资本市场差异

DellaVign and Pollet (2007)[5]利用美国数据发现，需求增长的预测不仅显著预测行业盈利，还能显著预测行业股票回报。根据他们对美国金融市场的解释，美国金融市场上的投资者多数是有限理性，其关注力所能达到的最长预期期限是5年，超出5年的信息会被忽略掉。这种有限理性，使得他们可以构建基于人口预测的多空组合获得超额收益。这个解释不大可能适应于中国股票市场。因为中国股票市场有效性要弱于美国股票市场，这意味着基于长期人口增长信息构建的多空组合没有超额收益不是因为市场足够有效，以至于中国投资者能预期到七年之后的人口变化，从而导致预期内的基本面变化不会造成股票价格变化。相反，我们认为其中原因或许恰恰和中国股市行情与其基本面之间关系相对较弱有关。

中国股票市场和经济基本面关系较弱的现象近年来引发了学术界和金融界的关注。Allen et al.(2017)[2]发现，中国经济过去40年取得了非常惊人的增长速度，而中国股票市场并没有表现出长期向上的趋势，2001～2016年以来长期持有的实际回报几乎为0。谭华清等(2017)[12]也发现，中国股票市场的回报和GDP增速的相关性很微弱。接下来，我们通过两个步骤来检验为什么基于人口增长导致的基本面变化不能带来超额收益。首先，我们检验行业的ROE和ROA与行业的股票回报的关系。表5面板A报告了相应结果。可以看到，ROE的系数是正的但不显著。而ROA则能够显著解释行业股票回报，ROA越高的行业当年的股票回报也高。这说明行业的盈利信息至少ROA是能够显著解释行业的股票回报的，但这些回归的R2极低，这说明行业的盈利信息只贡献了很少一部分的A股回报的变化。第二步，检验人口信息变化引起的那一部分ROE和ROA也能解释行业的股票回报？通过表3的回归得到基于人口结构变化引起的需求变化得到的ROE和ROA的变化，分别记为ROEpredict和ROApredict，然后用这两个变量对行业股票回报回归。表5面板B报告了回归结果。从面板B可以看到，基于人口结构变化引起的ROE和ROA变化的部分不能显著解释行业的股票回报。而且，同样的，从R方也可以看到，基于人口结构变化引起的ROE和ROA变化对行业股票的解释力度特别微弱。该两步检验法说明：其一，盈利变化对A股回报变化的解释力度存在但比较小；其二，在有限的解释力度中，基于人口增长导致的行业盈利变化对A股回报的解释力度不仅微弱同时也不显著。这说明，人口信息对企业盈利变化的影响并没有显著的反映到A股的回报当中。既然如此，那么我们也很难看到基于人口信息构建的多空组合获得明显的超额回报。

表5 行业盈利，需求变化与股票回报

结论

本文将人口年龄结构变化所导致的消费需求变化，与相关行业的盈利状况和股票回报联系起来。不同的商品表现出不同的年龄消费结构。根据不同年龄规模的预测，可以得到基于人口结构变化导致的需求增长的预测，进而可以预测行业的盈利状况。

我们进而考察，基于人口结构变化的行业需求变化是否能够预测股票的回报。研究表明，基于中国A股数据，人口结构变化导致的行业需求变化不能显著预测股票的回报。进而基于人口结构变化构建的多空投资组合也不能获得超额回报。这说明在中国，企业进入退出的商业行为可以从人口信息变化得到的需求增长获利而金融投资行为不能。

进一步检验了造成上述情况的可能原因，我们发现，造成人口信息变化带来的可预测的行业盈利与行业股票回报关系微弱。造成人口信息变化带来的可预测的行业盈利与行业股票回报关系微弱的原因可能与中国的经济高速发展与转型有关，也与中国资本市场本身的发展状况有关。首先对于中国这样的高速增长的经济体，对于各个年龄段都有收入水平大幅提高的效应，收入效应的结果是对所有商品的消费都增加。所以我们看到，人口信息变化并不能带来股票市场的超额回报。其次，在中国市场上，上市公司基本面与其股票价格之间的相关性还较弱也可能是原因之一。

本文的不足之处在于，研究中假定人口老龄化对于需求的影响是相对简单机械的，没有考虑到人口老龄化同时也会有从供给层面对企业绩效产生影响。例如，企业生产经营中所依赖的相关要素(例如资本和劳动)的价格，也会对企业盈利状况有明显影响。更进一步，人口老龄化对于要素供给或产品需求规模的冲击，甚至会影响到企业对于特定技术的应用或研发(陈秋霖等，2018)[10]。这些都是将来对于人口老龄化和资本市场的相关研究中可以进一步拓展的方向。