气象要素对中国经济行业产值产出的影响

◎ 肖 芳 于 丹 吕丽莉

提 要:在国民经济发展中，社会生产越来越多的环节受到气象条件的影响和制约。研究表明，气象条件变化对我国8个行业的经济产出具有显著敏感性影响。在控制资本和劳动力影响因素不变的条件下，2008-2017年气象因素对我国经济产出变化的影响为4.44%。不同行业的经济产出对气象因素敏感性从大到小依次是：农业（7.40%）、房地产业（6.80%）、交通业（6.79%）、批发零售业（5.89%）、工业（5.30%）、金融业（5.15%）、建筑业（4.47%）、住宿餐饮业（3.09%）。

一、开展气象要素对经济行业产值影响研究的意义

气象条件对国民经济各行业的影响愈发凸显。气象关乎生命安全、生产发展、生活富裕、生态良好。在国民经济发展中，社会生产越来越多的环节受到气象条件的影响和制约。特别是当前，气象灾害的多样性、突发性、极端性、不可预见性日益突出，如何科学、合理地评估国民经济产出对气象因素的敏感性，是提高气象服务能力，提升气象服务针对性与服务经济社会效益的基础。

经济行业产值对气象的敏感性评估已成为气象服务效益评估中的一项重要工作。目前关于气象对经济产出的影响这一问题并没有权威、科学的研究结论作为对外展示气象工作的科学支撑，影响外部门科学理解、合理评估气象贡献。纵观国内相关研究，中国气象局分别于1983年、1994年、2006年组织了三次全国范围的气象服务效益评估研究，许多专家学者也开展了很多相关研究，但以往的研究主要集中于投入产出比，虽然它也是气象服务效益评估的重要内容，但科学全面评估气象部门的经济贡献，需要大规模的组织领导才能完成，所以本研究聚焦于经济产值对气象因素的敏感性评估，来反映气象条件对国民经济的影响。

开展经济行业产值对气象要素敏感性研究也是用自然科学研究方法（计量经济学）开展政策研究的探索尝试。当前关于气象条件变化对经济产出的敏感性影响研究可大致分为四大类：（1）特定经济行业对气象要素的敏感性分析，主要侧重于评估气象要素对农业产出的影响；（2）较长时间尺度的气候变化对经济增长的影响；（3）采用定性或半定性方法评估经济行业对气象要素的敏感性分析；（4）定量分析经济行业对气象要素的敏感性。其中采用定量方法评估我国经济行业产值对气象要素敏感性评估的研究相对较少，且研究时段主要集中在2010年之前。本研究尝试用计量经济学的方法弥补近十年来该领域的定量研究空白。

二、国内外研究现状及发展趋势

（一）国际研究与实践

美国学者Dutton在2002年发表的一篇文章中对美国各行业GDP产值受到天气和气候制约的情况进行了估算，结果显示，美国三分之一左右的GDP属于天气气候敏感领域，年产值达到3万亿美元。这一研究结果被美国政府和学术界广泛接受。

2004年，在Dutton工作的基础上，NCAR和Stratus咨询公司共同开展了规模较大的“美国不同经济行业对天气敏感性评估项目”（OUSSSA-Overall U.S.Sector Sensitivity Assessment），应用柯布-道格拉斯生产函数法（C-D生产函数），将气象因子作为生产要素加入其中，作出了相应的敏感性评估。2004年4月发布的《NOAA经济统计》第三版认为：美国受天气和气候直接或间接影响的产业，从金融、保险和不动产到服务、零售和批发贸易，占国家GDP的三分之一。直接受天气影响的产业，如农业、建筑、能源传输和室外娱乐业，占国家GDP接近10%。

Larsen（2006）用传统的资金、劳动力和能源消耗投入以及温度和降水的观测值来估计美国经济对于天气变化的敏感性, 通过Monte-Carlo拟合表明，美国西部和西南地区比其他地区对天气更为敏感, 其中制造加工业对天气 （例如低温天气）的敏感性尤其显著。

2008年，学者在搜集美国各地70年气象记录以及主要经济部门近24年的数据的基础上开展了天气敏感性分析，研究结论说明，常规的天气变化对美国国民生产总值的影响高达3.4%。就具体行业来看，常规天气变化每年对矿业经济有14%的影响，对农业的影响为12%；其他敏感行业包括制造业（8%），金融保险 （8%）和公用事业（7%）。相比之下，批发业（2%）、零售业（2%）和服务业（3%）被认为是最不敏感。Laoz等用加入气象因子的计量经济模型，对美国48个州11个行业的天气变化敏感性进行了估算。

（二）我国相关研究与实践

气象要素对行业经济产出的影响研究是难度较大的工作，我国学者对此做了大量的研究与实证分析。丑洁明等在C-D生产函数法中添加气候变化因子，建立一个新的“经济-气候模型”（简称C-D-C模型），用来评价全球气候变化对粮食产量的影响。戴洋等（2008）应用C-D生产函数法将气象因子作为一个生产要素加入其中，衡量气候条件对国民经济生产的影响，并利用新建的气候-经济敏感性模型对全国各省市气象-经济敏感性进行了评估，结果表明，华东地区国民经济发展对气象条件的敏感性相对较高。周京平等采用文献信息统计法重点评估了农林牧渔业的天气气候敏感程度。孙宁等基于规范的协整理论，定量分析了气温变化对南京市主要行业的长期以及短期影响。2006年全国气象服务效益评估中，以气象敏感度和气象效用大小为标准，应用专家评估法对气象敏感行业进行了评定并排序（如表1所示）。罗慧等（2010）基于C-D生产函数法，综合分析了我国31个省份22年（1984-2006年）间的行业和气象数据，采用随机效应模型对时间序列截面数据进行了分析，结果表明，气象条件变化与行业经济产出之间存在密切联系，在控制资本投资和劳动力两个因素不变的情况下，中国经济产出对气象条件变化敏感度为12.36%。孙鉴锋等（2017）通过改进C-D生产函数，得到了北京市各行业对气象条件的敏感性排名，其中建筑业（0.4995%）、批发零售业（0.4176%）和金融业（0.2933%）对气象条件变化表现出高敏感性，而农业（0.2537%）对气象条件变化的敏感性最低。

表1 气象敏感行业排序表（2006年）

区域行业经济发展的气象敏感性也是研究重点之一。杨松等（2011）针对江苏省1980-2008年的行业经济数据与气象数据，运用灰色理论对生产函数在数据处理等方面加以改进，分析了它们之间的关系。芮珏等（2011）分析了江苏省行业经济产出受气象因素影响的大小，得到了各行业的敏感性排名，依次为建筑业、农业、批发和零售贸易餐饮业、房地产业、工业。孙鉴锋等（2017）通过改进C-D生产函数计量经济模型，采用岭回归模型对北京市的行业经济-气象系统要素进行分析，得到了北京市各行业对气象条件的敏感性排名，其中建筑业、批发零售业和金融业对气象条件变化表现出高敏感性，而农业对气象条件变化的敏感性最低。许霜等（2014）引入超越对数生产函数，对1987-2010年相关数据进行动态分析，研究华北地区能源行业产出对气象条件变化的历年敏感性影响。

从研究方法上看，目前国内外对于行业气象敏感性评估的方法主要分为两类：一种是专家评估法：采用专家打分制，采集各省份高气象敏感行业排序样本，用加权平均的方法对每个行业的得分进行统计，得分越高的行业对气象敏感程度越高，最后得到全国范围内行业气象敏感度排行。另一种是柯布-道格拉斯生产函数法，此模型的结果相比专家评估法或其他主观判断方法更具科学性、客观性和延伸性。

从研究内容上来看，已有研究在分析我国气象条件变化对经济产出是否存在显著的敏感性影响方面, 主要侧重于气候变化对农业产出的影响上,在定量测度这种影响力究竟有多大,以及不同行业产出对气象条件变化的敏感性分析上还相对薄弱。因此，如何更科学地选取代表性气象要素，收集更长时间序列的样本和更丰富的经济数据建立合理模型，更加精确地定量化进行行业气象敏感性评价，是未来的研究趋势。

正是基于这一研究趋势，并考虑到不同省域、不同行业受不同气象条件变化的影响程度和变化方向不相一致的特点, 本研究拟在传统计量经济研究方法的基础上，试图改进生产函数计量经济模型，引入更多有影响性的气象因子，梳理更长时间序列的最新数据，对我国经济行业产值的气象敏感性进行评估分析。

三、研究方法与数据

本研究在文献调研的基础上，采用通用的计量经济统计方法研究气象要素对经济行业产值的影响。

（一）研究模型和计算方法

1.改进柯布-道格拉斯生产函数（C-D生产函数）

C-D生产函数是一种多因素分析法，多用于生产过程中要素投入对产出贡献大小的经济分析。经典的C-D生产函数形式为Q=ALαK1-α，其中Q代表产量，L代表劳动投入量，K代表资本投入量，A是常数，α是劳动力产出的弹性系数。在开展气象因素变化产生的经济影响分析时，通过增加气象变量（W）对函数加以改进。改进后的函数为：

公式（1）中βL、βK、βW为常数，分别表示劳动投入量L、资本投入量K和气象因素W对经济产出Q相应于解释变量变化的敏感性系数。将模型两边取自然对数线性化，得到：

公式（2）就是本研究中生产函数法的计量模型，将据此开展各行业经济产出受天气变化影响的敏感性研究。从经济学分析的角度，公式（2）中βL、βK、βW即为经济产出Q对于相应解释变量变化的敏感性系数，也叫弹性系数。如:

该系数度量了在资本和劳动力等变量保持不变的情况下，气象变量lnW对因变量lnQ的影响变化，具体而言，当保持固定资产投资和劳动力因素不变的情况下，1%的气象变量变化，将引起各行业经济产出的百分比变化，即为敏感性变化。

2.计算模型

为了能定量分析气象变量对我国各地区、各行业的影响程度，采用了计量经济模型——面板数据（Panel Data）模型，又称时间序列截面数据，比只利用截面数据或只利用时间序列数据模型具有不可替代的作用，其优势主要表现在：由于观测值的增多，可以增加估计量的抽样精度；建模时比单截面数据建模可以获得更多的动态信息。由于各样本之间的差异是随机的，分析数据时选择了随机效应模型（Random Effect Model）。

（二）经济要素指标

根据《中国统计年鉴》，选取31个省（区、市）8个行业2008-2017年的GDP、年末在岗就业人数、固定资产投资数据。（8个行业包括：农业、工业、建筑业、交通运输仓储和邮电通信业、批发和零售业、住宿和餐饮业、金融保险业、房地产业）

（三）气象要素指标

根据中国气象数据网，选取31个省（区、市）2008-2017年气温、降水量气象数据。第一类是年平均气温与该省 30年（1987-2017年）平均气温的差值，描述当年年平均气温与历史 30年平均值的差距, 差值为正为暖年, 否则为冷年；第二类是逐年的年平均气温标准差，表示年均气温波动特征；第三类是单位面积平均降水量，即该省年平均降水量除以其行政面积后的每平方公里的平均降水量；第四类是逐年降水量的标准差，即该省逐年降水量的标准偏差，描述年均降水量的波动特征。

本次研究共选取了31个省（区、市）10年（2008-2017年）8个行业横截面数据（如表2所示），样本容量共有8680个。

表2 数据选取情况

四、实证分析

（一）不同经济行业产值对气象因素敏感性拟合结果分析

通过Stata计量经济软件，基于改进的C-D生产函数模型，需要对公式两侧进行取对数处理，对对数化后的数据建立带时间趋势项的面板随机效应模型，分别使用8个分行业GDP进行模型参数估计，得到的8组系数即为不同经济行业对气象因素敏感性影响的回归结果（如表3所示）。

表3 气象变量对不同行业敏感性影响的计算结果

根据加入气象因子的模型的物理意义和回归结果来看，除农业外所有行业均与固定资产（K）和劳动力人口（L）密切相关。就气象因素的影响而言，以农业为例，得到农业产出对气象条件敏感性的边际影响方程：

GDP=4.7123+0.1364K-0.0089L-0.0215TT+0.4275TD-0.0057RR+0.0386RD

方程中，逐年平均气温与30年平均气温差值（TT）、气温标准差（TD）通过了小于1%的显著性检验，说明农业产出变化受到气温变化影响。平均气温与30年平均气温差值增加1%，则农业产出减少0.022%；年均气温标准差TD每增加1%，农业产出会增加0.428%。

根据回归结果，逐年平均气温与30年平均气温差值（TT）每增加1%，农业、交通运输业的经济产出将会分别减少0.022%和0.012%，其他行业没有通过显著性检验；单位面积降水（RR）每增加1%，工业、批发零售业、交通运输业、住宿餐饮业、金融业、房地产业等行业产出将会分别增加0.064%、0.122%、0.116%、0.090%、0.170%、0.197%；气温标准差（TD）每增加1%，农业、工业、建筑业、批发零售业、交通运输业和房地产业等行业产出将分别增加0.428%、0.238%、0.305%、0.445%、0.534%、0.292%；其中，降水标准差（RD）的变化，与金融业产值显著相关，当RD增加1%，金融业产出将减少0.107%，对其他行业的敏感性影响未通过显著性检验。

（二）各地区不同经济行业产出对气象因素敏感性的实证分析

在实证分析中，引入极差率这一概念，进一步分析气象因素对经济行业产出的敏感性影响。极差率计算公式为：（产出最大值-产出最小值）/产出平均值，即保持经济因子不变，将历年气象因子代入各行业边际影响方程中，计算得到历年的经济产出估计值，该产出估计值的差异完全由气象因子的变化产生，所以极差率即可表示经济产出对气象因素的敏感程度。

本研究中固定资产投资K和劳动力L的数据，均采用2008-2017年的平均数，气象要素采用2013-2017年的数据，预测出2013-2017年31个省（区、市）8个行业的GDP值，代入极差率计算公式，得到各地区不同经济行业产出对气象因素的敏感性（如表4所示）。

表4 经济产出对气象因素敏感性影响的预测结果 单位：%

1.不同行业经济产出对气象因素敏感性分析

将全国各行业的极差率进行平均值计算，即可得到不同行业经济产出对气象因素的敏感性（如图1所示）。通过计算可得，我国经济产出对气象条件变化的平均敏感性系数为4.44%。不同行业的经济产出对气象因素敏感性从大到小依次是：农业（7.40%）、房地产业（6.80%）、交通业（6.79%）、批发零售业（5.89%）、工业（5.30%）、金融业（5.15%）、建筑业（4.47%）、住宿餐饮业（3.09%）。

图1 不同行业的经济产出对气象因素敏感性

2.不同地区经济产出对气象因素敏感性分析

将各省（区、市）不同行业的极差率进行平均值计算，即可得到该省经济产出对气象因素的敏感性。以北京市为例，房地产业对气象因素的敏感性最高，达到8.95%，其次是工业，为8.21%，金融业对气象因素的敏感程度最低，为2.87%。将北京市8个行业产出对气象因素的敏感程度进行平均值计算，可得到北京市经济产出对气象因素的敏感性为5.96%。

各省（区、市）经济产出对气象因素的敏感性（如图2所示），气象条件变化对各省（区、市）的影响程度不一，但总体而言均存在显著敏感性影响。具体来看，辽宁、河北、山东、甘肃、海南等省份对气象因素的变化相当敏感，敏感性基本高于6%；内蒙古、吉林、西藏、福建等省份对气象要素较为敏感，敏感性在5%-6%之间；江西、湖南和河南等省份对气象要素较不敏感，敏感性低于2%。

图2 各省（区、市）的经济产出对气象因素敏感性

五、研究结果与讨论

利用31个省（区、市）8个经济行业产值、劳动力、固定资产投资、平均气温差值、气温标准差、单位面积平均降水量、降水量标准差等资料，代入生产函数模型，进行建模和拟合，分析了不同地区不同行业经济产出的气象敏感性，主要结论如下。

一是应用C-D生产函数，将气象因素作为经济增长影响的投入因素引入模型，通过回归分析，根据不同行业对气象条件变化的边际影响分析可得，气象条件变化对我国8个行业的经济产出具有显著敏感性影响。

二是在控制资本和劳动力影响因素不变的条件下，2008-2017年气象因素对我国经济产出变化的影响为4.44%。不同行业的经济产出对气象因素敏感性从大到小依次是：农业（7.40%）、房地产业（6.80%）、交通业（6.79%）、批发零售业（5.89%）、工业（5.30%）、金融业（5.15%）、建筑业（4.47%）、住宿餐饮业（3.09%）。

三是气象条件变化对各省市的影响程度不一，但总体而言各行业产出对气象条件变化存在显著敏感性影响。其中，山东省经济产出对气象条件变化的敏感性最强，为8.25%；江西省经济产出对气象条件变化的敏感性最小，为1.11%。

将C-D模型模拟出的各省GDP值与实际GDP值进行对比，发现虽然有些省份如海南、甘肃、黑龙江、吉林、辽宁、天津等，模拟GDP值能够较为准确地贴近实际GDP值，但也存在一些省份，如广东、江苏、山东、浙江等经济发达省份，模拟GDP值与实际GDP值有较大偏差的现象，模拟GDP明显低于真实GDP值。分析原因后，发现主要存在以下两个问题：

（1）所选取的C-D模型无法捕捉非线性关系和协同关系。经济要素和气象要素之间存在大量的非线性关系、替代关系和协同关系。尤其是在发达省份，由于发达省份可以通过资本、劳动力、技术等更好地弥补由气象要素带来的不利影响，不利的温度和降水未必会导致GDP大幅下滑。

（2）样本数据的年限问题。通常，样本数据的时间序列越长，模型拟合得出的参数越准确。受限于经济数据统计口径改变等原因，当前的样本数据只有10年，导致模型参数不够准确。

由于本研究尚属探索阶段，目前只获得初步阶段成果，后续研究中，我们还需要优化模型，拓展样本数据的时间序列与变量选择，以提升研究结果的科学性。