香港、台湾、大陆贫富差距和消费数据对比

头两天,我写了文章比较香港、台湾、深圳和大陆一线城市的一些数据对比,包括空港繁忙程度,中国人均GDP排名,人均可支配收入,居住面积等,有兴趣的同学可以阅读《北京、上海,大陆发达城市和香港、台湾省城市的经济数据对比》。有不少人都觉得数据还是满震惊的,出乎意外,也违反了曾经看到的一些宣传。

另外一些人则问有没有消费的数据,购买力的数据,以及贫富差距的数据。我其实也蛮好奇这些数据,但是这些数据相对之前的那些数据,客观性更差一些,比如在我查阅的时候,发现不同渠道,不同机构得到的数据并不相同。这其实也是正常的,空港繁忙程度是最清晰的数据,因为只需要从机场就可以获得全部数据。人均GDP和人均可支配收入就略有难度了,居住面积也比较麻烦。但是最麻烦的还是消费数据。

不同的区域有不同的禀赋,造成有不同的物价水平。比如,我们都听说日本、香港的蔬菜、水果比较贵。事实可能是这样的。但是,在不同区域吃到的蔬菜水果品质完全一样么?如果你在所在城市经常去菜市场采购商品和进口超市比较,你可能就会发现,新鲜度可能菜市场的本地蔬菜最好,但是品相可能进口超市最好。商品价格千差万别。

又比如,开心果,我从小超市买到的品质,完全不能跟进口超市买的进口的品质相比。

再比如,我们普遍会觉得美国物价应该高,可是美国的牛肉、猪肉价格都显著的比中国低多了。

再比如,我们的国人出国旅游会大规模的出国去买电子产品、奶粉、奢侈品,等等,因为关税也影响了进口商品在中国的价格,等等。

所以,有时候,你觉得一个国家的物价高,还是低,也跟你的偏好有关系,也跟你的消费层次有关系,并不完全是一个客观的结果。

我说这么多就是我找了一些数据来源,但是我不能保证他们都是对的。大家可以参考一些多元化的数据来源,每一家的统计方法和采样可能不同,结果可能也就有差异,但是从多个数据,也许可以看到一些共性的规律和可能存在的结果。

首先说基尼系数,什么是基尼系数呢

基尼系数,是20世纪初意大利学者科拉多·基尼根据劳伦茨曲线所定义的判断年收入分配公平程度的指标,是比例数值,在0和1之间。在民众收入中,基尼系数最大为“1”,最小为“0”。前者表示居民之间的年收入分配绝对不平均(即该年所有收入都集中在一个人手里,其余的国民没有收入),而后者则表示居民之间的该年收入分配绝对平均,即人与人之间收入绝对平等,基尼系数的实际数值只能介于这两种极端情况,即0~1之间。基尼系数越小,年收入分配越平均;基尼系数越大,年收入分配越不平均。要注意基尼系数只计算某一时段,如一年的收入,不计算已有财产,因此它不能反映国民的总积累财富分配情况。wikipedia①

简单的说,一个国家或者地区的基尼系数越高,那么就分配就越不公平,也就是贫富差距越大。

那么大陆、香港、台湾的基尼系数分别是多少呢?

大陆2007年的数据是0.49,2016年是0.465。②

香港2016年的基尼系数是0.539,但是经过税收和福利转移后是0.473。③

台湾省2013年的基尼系数是0.336。④

按照这个比较来看,台湾的基尼系数最低,大陆比香港略低,但是算上税收和福利转移香港与大陆平均水平差不多。

但是,坊间对大陆的基尼系数水平也有很多质疑,比如西南财经大学于2012年12月8日在北京召开《中国家庭金融调查报告2012》发布会,公布了他们调查测算的2010年中国家庭收入基尼系数,结果为0.61,而同期国家统计局的数据大概在0.47左右。⑤

下图是世界银行2014年的全球基尼系数指数(基尼系数乘以100)世界地图:⑥

世界银行的数据,简单清晰的可以让你看出全世界哪里贫富差距最大,一般认为60就是危险线。也就是最深红的部分。按照世界银行的这份数据,全球国家和地区,基尼系数最高排名,香港排在第15位,大陆排在第38位,台湾的数据没有被统计进来。这两天不是开G7会议(7大工业国财长会议)么?除了美国是45,超过40,其他日本(38.1)、德国(28.3)、法国(32.7)、英国(34.0)、加拿大(32.6)和意大利(36.0)都是在40以下的。⑥

然后,我们聊聊CPI。

什么是CPI(消费者物价指数)?

消费者物价指数(Consumer Price Index,缩写 CP),在经济学上,是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标,以百分比变化为表达形式。它是衡量通货膨胀的主要指标之一。一般定义超过3%为通货膨胀,超过5%就是比较严重的通货膨。wikipedia⑦

其实中国老百姓对CPI这个词儿最熟悉,因为在中国人人都怕通胀,人人都想理财,而理财的目标是跑赢CPI,这样存在银行里面的钱还不会越存越缩水。那我们看看香港,台湾,大陆的CPI情况。

台湾最近一年的CPI情况(最高不到2%,最低是负的,时间从2018年7月到2019年7月,下同)⑧

大陆最近一年的CPI情况(最高超过2.75,最低不到1.75)⑨

香港最近一年CPI情况(最高超过3.2,最低不到2.2)⑩

生活成本指数(COI,Cost-of-living)

顾名思义,生活成本指数,就是把一个地区的各种生活必需品的价格统计在一起,然后我们就可以横向比较,假设获得同样的收入,在不同的城市,生活成本哪里更高。

首先我们看一个引用很多的数据,来自美世咨询公司。美世咨询公司(Mercer)是世界最大的人力资源管理咨询机构,同时也是一家服务全球超过130个国家的机构投资顾问和金融服务公司,其总部位于美国纽约。

按照他们的数据(11),2019年全球生活成本最高的前十个城市是:

  1. 香港
  2. 东京
  3. 新加坡
  4. 首尔(韩国)
  5. 苏黎世(瑞士)
  6. 上海
  7. 阿什哈巴德(土库曼斯坦首都)
  8. 北京
  9. 纽约
  10. 深圳

其他的中国城市的排名我也列举一下:

  • 广州 17
  • 南京 27
  • 成都 30
  • 天津 32
  • 台北 35
  • 青岛 41
  • 沈阳 45

另外一个比较重磅的数据来自经济学人的智能研究组(The Economist Intelligence Unit),在这个数据里,2019年生活成本指数最高的排名前十的除了香港以外,没有一个国内城市(12):

这个数据最大的好处在于,不仅仅提供了排名,还提供了指数,以纽约为基准100,实际上不同城市的物价水平就可以直接比较了。比如以色列特拉维夫(Tel Aviv)的WCOL index是99,香港是107,一除,就可以算出来香港的物价水平是特拉维夫的1.08倍。可惜这个数据没有提供北京、上海、深圳、台湾的WCOL index,否则,我们就可以直接做横向对比了。

而经济学人的智能研究组之前发布的2017年的报告有更详细的信息,我们看一下,首先是全球的生活成本指数分布:

纽约作为基准为100,比颜色上看比纽约生活成本更贵的城市,显示为红色,深蓝为比纽约略便宜,浅蓝、绿、黄依次类推。超过纽约的城市依次为:新加坡、巴黎、苏黎世、香港、奥斯陆(挪威首都)、日内瓦(瑞士第二大城市)、首尔、哥本哈根(丹麦首都)、特拉维夫,以及悉尼(澳大利亚人口最多城市)。

而中国的城市排名为(包括香港和台湾省内的城市,从图读出,数值为估算):

  • 香港(排名1,指数111)
  • 上海(排名21,指数91)
  • 深圳(排名23,指数89)
  • 大连(排名41,指数82)
  • 北京(排名46,指数80)
  • 台北(排名53,指数78)
  • 青岛(排名62,指数77)
  • 广州(排名62,指数77)
  • 天津(排名66,指数76)
  • 苏州(排名72,指数75)

香港跟这些相对发达的大陆地区相比,物价最大的差异是和苏州比,物价是苏州的1.48倍,差异最少的是跟上海比,为1.22倍。香港是台北物价的1.42倍。

而台北和上海比,物价是上海的86%,是苏州的1.04倍。

然后,我们看一下失业率

香港的数据看起来最好,最近五年(下同)最高3.4,最低2.8左右。最近也没有破3。

大陆地区的失业率比较高,但是下降趋势很明显,最高将近4.1,最低将近3.7。

台湾的失业率情况,最高超过3.95,最低3.7以下

虽然,大陆的GDP增长非常强劲是人尽皆知的事情,但是我发表了一些关于香港台湾现状的文章和数据以后,还是有人说我刻意隐瞒不谈大陆的GDP增长多么强劲……好吧,这个藏得住么,那么我们也晒一下吧

从1965年至今大陆和香港的GDP增长率趋势(17)

看点在于,大陆曾经以几乎每年10%左右的增幅增长,目前略微降低。香港则表现出跟大陆GDP增长率非常强的相关性。

台湾从1984年至今的GDP增长图

可以看出也有过高达10%的增长期,甚至快到15%,最近这些年比较平淡,特别是2012年至今。中间还出现过几次严重负增长。

下面是经济总量以GDP的形式计算(中、美、日、香港,1969年-2017年):(18)

我们已经明显超过日本,但是美国的增长也没有停止。虽然按照Ray dalio的观点,美国很快就会被中国超越。另外,在这个尺度,香港的GDP太小无法比较。

我们再看下面是2018年大陆各省级单位的GDP排名:(19)

2018年台湾的GDP总量达到3.9万亿人民币,大致排在湖北省之后,为第8。深圳市GDP为24221.98亿元,高于江西,如果加进去,排在16名。香港GDP24000.98亿元排在江西后,应该是18名。

好了,我想我可以提供的关于,香港、台湾、大陆的数据已经够全面了,如果大家还有需求,我们可以继续讨论。以后,我会继续写这类收集各种数据进行比较的文章。用数据来帮助我们建立对中国,对世界以及对当下时代的认识。

也欢迎阅读相关文章:


参考文献:

  1. https://zh.wikipedia.org/zh/%E5%9F%BA%E5%B0%BC%E7%B3%BB%E6%95%B0
  2. http://finance.sina.com.cn/china/gncj/2017-01-20/doc-ifxzuswr9650083.shtml
  3. http://finance.sina.com.cn/stock/hkstock/hkstocknews/2017-06-09/doc-ifyfzaaq5899453.shtml
  4. https://zhuanlan.zhihu.com/p/20507716
  5. http://www.ifengweekly.com/detil.php?id=869
  6. https://zh.wikipedia.org/wiki/%E5%90%84%E5%9B%BD%E6%94%B6%E5%85%A5%E5%9D%87%E8%A1%A1%E5%88%97%E8%A1%A8
  7. https://zh.wikipedia.org/wiki/%E6%B6%88%E8%B2%BB%E8%80%85%E7%89%A9%E5%83%B9%E6%8C%87%E6%95%B8
  8. https://www.ceicdata.com/zh-hans/indicator/taiwan/consumer-price-index-cpi-growth
  9. https://www.ceicdata.com/zh-hans/indicator/china/consumer-price-index-cpi-growth
  10. https://www.ceicdata.com/zh-hans/indicator/hong-kong/consumer-price-index-cpi-growth
  11. https://mobilityexchange.mercer.com/Insights/cost-of-living-rankings
  12. https://www.df.cl/noticias/site/artic/20190319/asocfile/20190319171329/reporte.pdf
  13. https://www.economist.com/graphic-detail/2018/03/15/asian-and-european-cities-compete-for-the-title-of-most-expensive-city
  14. https://www.ceicdata.com/zh-hans/indicator/hong-kong/unemployment-rate
  15. https://www.ceicdata.com/zh-hans/indicator/china/unemployment-rate
  16. https://www.ceicdata.com/zh-hans/indicator/taiwan/unemployment-rate
  17. https://www.google.com/publicdata/explore?ds=d5bncppjof8f9_&met_y=ny_gdp_mktp_kd_zg&idim=country:CHN:USA:IND&hl=en&dl=en#!ctype=l&strail=false&bcs=d&nselm=h&met_y=ny_gdp_mktp_kd_zg&scale_y=lin&ind_y=false&rdim=country&idim=country:CHN:HKG&ifdim=country&tstart=-263462400000&tend=1503763200000&hl=en_US&dl=en&ind=false
  18. https://www.google.com/publicdata/explore?ds=d5bncppjof8f9_&met_y=ny_gdp_mktp_cd&idim=country:CHN:USA:JPN&hl=en&dl=en#!ctype=l&strail=false&bcs=d&nselm=h&met_y=ny_gdp_mktp_cd&scale_y=lin&ind_y=false&rdim=region&idim=country:CHN:USA:JPN:HKG&ifdim=region&hl=en_US&dl=en&ind=false
  19. https://zhuanlan.zhihu.com/p/60238492
打赏

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据