經(jīng)濟(jì)學(xué)經(jīng)濟(jì)咨詢公司經(jīng)濟(jì)分析師實(shí)習(xí)報(bào)告一、摘要

2023年6月5日至8月23日，我在一家經(jīng)濟(jì)學(xué)經(jīng)濟(jì)咨詢公司擔(dān)任經(jīng)濟(jì)分析師實(shí)習(xí)生。核心工作成果包括完成3份行業(yè)市場分析報(bào)告，涵蓋5個(gè)細(xì)分領(lǐng)域，運(yùn)用計(jì)量經(jīng)濟(jì)學(xué)模型分析得出3個(gè)關(guān)鍵行業(yè)增長預(yù)測誤差率低于5%。參與撰寫1份區(qū)域經(jīng)濟(jì)政策影響評(píng)估報(bào)告，通過構(gòu)建動(dòng)態(tài)CGE模型模擬政策調(diào)整對(duì)GDP增長的貢獻(xiàn)系數(shù)為0.12。專業(yè)技能應(yīng)用方面，熟練運(yùn)用Stata軟件進(jìn)行數(shù)據(jù)清洗與回歸分析，累計(jì)處理超過200組面板數(shù)據(jù)；掌握Python進(jìn)行自動(dòng)化數(shù)據(jù)處理，將報(bào)告制作效率提升約30%。提煉的可復(fù)用方法論包括基于貝葉斯模型的先驗(yàn)概率調(diào)整預(yù)測權(quán)重，以及通過主成分分析降維處理高維數(shù)據(jù)集。

二、實(shí)習(xí)內(nèi)容及過程

實(shí)習(xí)目的主要是想把書本上學(xué)到的供需理論、彈性分析這些玩意兒跟實(shí)際工作搭上鉤，看看咨詢公司里經(jīng)濟(jì)分析師是咋樣解決實(shí)際問題的。

實(shí)習(xí)單位嘛，算是個(gè)中等規(guī)模的公司，主要做行業(yè)分析和政策評(píng)估，客戶類型挺雜，有政府部門也有企業(yè)。我在那里被分到經(jīng)濟(jì)分析團(tuán)隊(duì)，跟著一位senioranalyst學(xué)習(xí)。

實(shí)習(xí)內(nèi)容跟項(xiàng)目推進(jìn)流程挺貼近的。剛開始是熟悉市場，每周整理5個(gè)行業(yè)的周報(bào)，主要是追蹤價(jià)格指數(shù)、產(chǎn)量數(shù)據(jù)這些，用到的就是基本的統(tǒng)計(jì)軟件，像Stata。后來開始參與一個(gè)項(xiàng)目，是分析某項(xiàng)稅收政策對(duì)新能源車市場的短期影響。我負(fù)責(zé)收集過去三年的銷售數(shù)據(jù)、補(bǔ)貼數(shù)據(jù)，還有消費(fèi)者調(diào)研問卷，數(shù)據(jù)量得有個(gè)三百多份。數(shù)據(jù)清洗是個(gè)大工程，好多缺值、異常值得手動(dòng)處理，花了我接近兩周時(shí)間。我們用的是面板數(shù)據(jù)模型，我負(fù)責(zé)跑回歸，分析補(bǔ)貼額度跟銷量之間的彈性關(guān)系，估計(jì)系數(shù)大概是0.085左右，擬合度R方0.72，這個(gè)結(jié)果后來被寫入報(bào)告核心部分。還有一次遇到挑戰(zhàn)是做模型校準(zhǔn)，CGE模型里有個(gè)參數(shù)特別難定，跟senior對(duì)著試了好幾天，他教我用貝葉斯方法給參數(shù)加權(quán)，說這樣比單純用歷史數(shù)據(jù)靠譜，我回去就自己琢磨著用Python寫了個(gè)小腳本來跑不同先驗(yàn)分布下的結(jié)果，最后參數(shù)誤差收斂到5%以內(nèi)。通過這個(gè)項(xiàng)目，感覺自己對(duì)動(dòng)態(tài)模型的理解上來了，以前覺得抽象的東西突然能跟實(shí)際業(yè)務(wù)搭上鉤了。

實(shí)習(xí)成果最明顯的就是那幾份報(bào)告，一份是新能源車的，另一份是關(guān)于某個(gè)區(qū)域產(chǎn)業(yè)集群的，都提交給客戶了。個(gè)人感覺最大的收獲是學(xué)會(huì)了怎么把復(fù)雜問題拆解，比如做政策評(píng)估，你得先明確評(píng)估目標(biāo)，然后設(shè)計(jì)指標(biāo)體系，再選擇合適的模型，最后還得考慮模型的局限性。以前覺得經(jīng)濟(jì)模型都是萬能的，現(xiàn)在知道每個(gè)模型都有適用范圍，用之前得仔細(xì)推敲。技能上，Stata用得比以前溜了，特別是對(duì)面板數(shù)據(jù)的處理，還學(xué)了點(diǎn)Python自動(dòng)化處理數(shù)據(jù)，效率確實(shí)高。

遇到的困難主要有兩個(gè)。第一個(gè)是剛開始做數(shù)據(jù)收集時(shí)，有些行業(yè)數(shù)據(jù)特別殘缺，政府部門網(wǎng)站更新不及時(shí)，有些得靠企業(yè)年報(bào)拼湊，花了不少時(shí)間。后來跟senior交流，他教我利用網(wǎng)絡(luò)爬蟲技術(shù)輔助收集，雖然不能完全替代，但確實(shí)省了不少事兒。第二個(gè)是模型理解上，剛開始對(duì)著CGE模型方程組一頭霧水，尤其是那些中間產(chǎn)品流轉(zhuǎn)的公式，感覺跟自己學(xué)的供需理論脫節(jié)。后來我找了幾篇經(jīng)典文獻(xiàn)反復(fù)看，還用Excel做了個(gè)簡單的流程圖模擬，慢慢就清晰了。

這個(gè)經(jīng)歷讓我更確定自己想往政策研究方向發(fā)展，感覺咨詢公司的工作節(jié)奏雖然快，但能接觸到真問題，對(duì)培養(yǎng)解決實(shí)際問題的能力特別有幫助。不過說實(shí)話，公司培訓(xùn)機(jī)制有點(diǎn)弱，主要是靠senior帶，新人成長路徑不太清晰。而且我感覺我學(xué)的計(jì)量經(jīng)濟(jì)學(xué)跟實(shí)際業(yè)務(wù)需求還有差距，比如時(shí)間序列分析用得不多。建議公司可以搞點(diǎn)系統(tǒng)性的培訓(xùn)，比如每月安排次專題講座，或者給新人配個(gè)導(dǎo)師，專門教怎么用模型解決實(shí)際問題。另外，可以考慮開發(fā)一些自動(dòng)化數(shù)據(jù)處理工具，現(xiàn)在手動(dòng)整理數(shù)據(jù)太耗費(fèi)時(shí)間了。

三、總結(jié)與體會(huì)

這八周，從2023年6月5日到8月23日，在咨詢公司的經(jīng)歷像把理論框架填滿了血肉。實(shí)習(xí)價(jià)值算是閉環(huán)了，當(dāng)初想看經(jīng)濟(jì)模型怎么在商業(yè)決策里落地，現(xiàn)在清清楚楚看到供需分析、彈性估計(jì)這些怎么變成報(bào)告里的結(jié)論，支撐客戶做投資或者政策選擇。比如那個(gè)新能源車補(bǔ)貼項(xiàng)目，我跑的回歸結(jié)果直接影響了報(bào)告中政策建議的力度，那一刻覺得挺有成就感的。

對(duì)職業(yè)規(guī)劃來說，這次經(jīng)歷把模糊的意向具體化了。我更確定要往政策評(píng)估方向發(fā)展，特別是結(jié)合定量方法做影響評(píng)估。公司里用的CGE模型、貝葉斯方法這些，我回去得系統(tǒng)學(xué)學(xué)，考慮考個(gè)相關(guān)的證書，比如那個(gè)關(guān)于高級(jí)計(jì)量經(jīng)濟(jì)學(xué)應(yīng)用的資格認(rèn)證，把實(shí)習(xí)里暴露出的短板補(bǔ)上。感覺咨詢公司練就的快速分析、結(jié)構(gòu)化思考能力，以后不管是考公還是進(jìn)研究機(jī)構(gòu)，都挺有用的。

看著行業(yè)報(bào)告里頻繁出現(xiàn)的“動(dòng)態(tài)隨機(jī)一般均衡模型”、“高維數(shù)據(jù)分析”，覺得未來競爭壓力不小。技術(shù)迭代太快了，光靠學(xué)校教的已經(jīng)不夠，得持續(xù)學(xué)。比如Python在數(shù)據(jù)處理里的應(yīng)用，實(shí)習(xí)里體會(huì)到?jīng)]有它寸步難行，回去得把數(shù)據(jù)處理和可視化那塊技能樹補(bǔ)滿。行業(yè)趨勢上，感覺以后政策評(píng)估會(huì)越來越量化，模型精度和解釋力成關(guān)鍵，這也反過來督促自己得把理論功底打得更扎實(shí)。

最深的體會(huì)是心態(tài)轉(zhuǎn)變。以前做論文，數(shù)據(jù)不對(duì)也能湊合，現(xiàn)在實(shí)習(xí)了才知道數(shù)據(jù)質(zhì)量直接決定結(jié)論生死，責(zé)任感直接拉滿了。面對(duì)客戶需求，時(shí)間緊任務(wù)重，抗壓能力也逼著rados自己成長。雖然還菜，但明白從學(xué)生到職場人，得學(xué)的東西太多了，得學(xué)會(huì)承擔(dān)責(zé)任，學(xué)會(huì)在壓力下把事情做好。這段經(jīng)歷肯定會(huì)成為我簡歷上亮眼的一筆，更重要的是，它讓我清楚接下來該怎么學(xué)，怎么