Sensitivity analyses of industrial economic output to weather variability in Beijing
SUNJianfeng通讯作者:
收稿日期:2016-08-7
修回日期:2017-04-1
网络出版日期:2017-06-20
版权声明:2017《资源科学》编辑部《资源科学》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (2983KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
IPCC第五次评估报告[1]确切地表明全球几乎所有地区都经历了升温过程。全球变暖体现在地球表面气温、海洋温度的上升和极端气候事件频率的增加等方面。1880-2012年全球平均温度已升高了0.85℃,在RCP情景的模拟下,全球平均气温在未来20年期间,可能增温在0.30~0.70国内外的****对于各行业适应气候变化的敏感性分析做了广泛的研究,常规方法是把各气象条件因素对各行业经济造成的损失作为首要考量条件,以此为基准评价各行业对气象条件变化敏感性。Dutton对美国行业经济与气象条件的分析表明,美国各行业经济与气象条件变化密切相关,在2000年约有39.1%的国内生产总值对气象条件变化敏感,并且约有1/3的个体行业经济与气象条件息息相关,除此之外,他还进一步的阐述了气象风险意味着财产和经济损失这一理论[4]。Harrod等、Larsen等采用蒙特卡罗模拟法,对美国行业经济产出和气象条件之间的变化进行了分析和预测,发现美国经济行业产出的确受气象条件变化影响,且不同地区对气象条件变化的敏感程度不同:美国西部比中西部以及东海岸的经济地区对气象条件变化更为敏感,美国整体经济对气象条件变化的敏感度为16.2%[5-7]。Jeffrey等研究了经济产量和气候变化间关系的定量模型,并对美国24年的经济数据和70年的气象数据做了综合分析,结果表明美国诸多行业受气候变化的影响,美国总体GDP受气候变化影响的比例约为3.4%[8]。
在国内,丑洁明等将全球气候变化研究与经济学研究结合起来进行探索性思考,说明了气象与经济模型结合的重要性,并针对气候变化对中国农业的影响问题进行了重点探讨[9]。罗慧等综合分析了中国31个省共22年间的行业和气象数据,加入气象因子改进了C-D生产函数,并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%[10]。另外,在开展气象条件影响中国农业经济产出的计量分析时,刘杰等也指出极差率是进一步分析气象条件变化对农业经济产出综合影响的显著特征,并结合计量经济模型分析出中国各行政区和各区域的农业经济产出极差率变化幅度为5%~85%[11]。戴洋等开展了对中国各行业气象敏感度的评估,构建了一个关于气象-经济敏感性的模型,并加入了干旱指数,据此做出相应的敏感性评估,研究结果表明了中国华东地区国民经济对气象条件的敏感性相对较高[12]。
在研究区域经济产出与气象因素之间的关系时,罗慧等采用典型相关分析法,发现陕西省的5个重要行业与气象因素变化显著相关[13]。杨松等针对江苏省1980-2008年的行业经济数据与气象数据,运用灰色理论对C-D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[14]。芮珏等也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[15]。
中国幅员辽阔,不同的地域之间存在的气候差异十分的明显。因此,在分析中国局地性气候变化对行业经济影响与分析全球气候变化对整个社会经济的影响时,需采取不同的针对性策略。北京市的气候为典型的暖温带半湿润大陆性季风气候,夏季高温多雨,冬季寒冷干燥,春、秋短促,气温年较差大,高温湿热是北京市的一种典型气象灾害[16]。在全球变暖的大背景下,北京市由二氧化碳导致的温室效应和城市热岛效应引发的自然灾害(主要为极端天气现象)频发,因气象灾害造成的经济损失,年均在10亿元以上[17]。可以看到,分析气象因素对各行业经济的影响,从而采取有效应对措施,对稳定北京各行各业发展具有举足轻重的作用。目前北京市行业经济对气候变化的敏感性分析还很少有人涉及,因此采用合理的统计模型研究气象条件变化对北京行业经济产出的关系是十分有意义的。传统的线性回归方法往往不能合理地分析出解释与被解释变量之间的关系,而岭回归能在一定程度上消除变量间共线性的影响,基于以上考虑,本文采用岭回归模型分析北京市各行业经济产出对气象因素变化之间关系,用于分析气象条件每一单位的变化能够引起北京市各行业经济产出多少单位的变化。
2 数据来源与研究方法
2.1 数据来源及处理方法
在经典的C-D生产函数模型中[18],经济要素主要由GDP、固定资产存量(以固定资产投资指标进行衡量)和劳动力要素构成[19]。本文从经济要素中选取出北京市9个行业(农业、工业、建筑业、交通运输仓储和邮政业、金融业、批发与零售业、住宿和餐饮业、卫生与社会保障和社会福利业、文化体育和娱乐业)的GDP,固定资产投资和劳动力三类具有代表性的生产要素;从气象因素中选取出降雨和温度两种常见的因素。2002-2013年的气象数据由北京市气象局的20个气象站提供,经济数据来自于2002-2013年《北京统计年鉴》[20]。最后,本文在选取所有数据后,通过数据标准化操作消除所有数据的量纲。具体数据清单见表1。Table 1
表1
表1计量经济分析数据清单
Table 1Econometric analysis data list
年份 | 行业 | 经济数据 | 气象数据 |
---|---|---|---|
2002-2013年 | 农业、工业、建筑业、交通运输仓储和邮政业、金融业、 批发与零售业、住宿和餐饮业、卫生与社会保障和社会福利业、文化体育和娱乐业 | 分行业GDP、分行业劳动力(在岗职工年末人数)、 分行业固定资产投资 | 年降水量标准差、年均气温标准差、 年降水量距平绝对值、年均气温距平绝对值 |
新窗口打开
2.1.1 经济数据
经济数据选取出3个指标,分别是北京市9个行业的分行业GDP、固定资产投资和劳动力数量。设置具体研究变量为:北京市分行业的国内生产总值
由于北京市统计局2003年以后采用的行业分类与之前略有不同,所以有必要对个别行业种类进行整理。对于2002年的行业数据处理如下:批发与零售业=批发与零售贸易餐饮业-餐饮业,住宿和餐饮业=餐饮业+旅馆业,卫生、社会保障和社会福利业=卫生体育和社会福业-体育业,文化、体育与娱乐业=教育、文化艺术及广播电影电视业-教育业+体育业。
2.1.2 气象数据
本文对气象因素构造了有效的组合和变换,来表征不同气象条件的变化程度,主要有年降水量距平绝对值和标准差,年均温度距平绝对值和标准差。气象因素中的距平绝对值是反映区域气候特征的重要指标之一,能够反映出逐年降雨量和温度的波动程度;而气象因素中的标准差可以有效地反映某一年内降雨或气温变化的波动程度。
第一类变量为年降水量距平绝对值PA,表示年降雨量与历史多年平均降雨量的差距:
式中
第二类变量为年平均温度距平绝对值TA,表示年均气温与历史平均气温的差距:
式中
第三类变量为年降水量标准差,表示年降雨量波动特征,采用郑斯中等对于气象因素标准差的构造方式[21],定义年平均降水标准差为:
式中
第四类变量为年平均温度标准差,表示年均气温波动特征:
式中
对于气温,某年的距平绝对值表示气温在本年的平均值与30年历史气温平均值之间的绝对差距;而方差表示在本年内气温的波动情况。对于降水量,距平绝对值和方差也有类似的意义。本文旨在数量化地研究这4个变量的变化对各行业经济产出变化的影响程度。
2.2 研究方法
2.2.1 改进C-D生产函数经典的C-D函数为
式中的
2.2.2 岭回归
在研究气象条件变化对北京行业经济产出影响关系的过程中,本文发现要合理采用统计模型,才能对分析结果作出科学解释。通常情况下,最小二乘估计(LSE)是研究解释变量与被解释变量之间的关系的有利工具,但是由于各个解释变量之间存在自回归性和多重共线性的情况,用传统的多元线性回归等方法往往不能得到令人满意的结果,甚至有的结果与实际情况并不相符。另外,由于北京市各地区获得的数据有限,本文不能依照以往采用分年代、分地区的时间序列截面数据处理方式。研究发现,岭回归方法在实际应用中非常广泛[22-24],如熊友云等采用该方法得到的省区间粮食生产差距及成因的研究结论更加符合中国的实际情况[25]。它虽然将最小二乘法的无偏估计变为了有偏估计,但是分析结果却更能接近实际情况。因此,本文选择了岭回归这一更加稳定的回归方法来对北京当地进行敏感性分析。
简便起见,本文将固定资产投资、劳动力、年降水量距平绝对值、年平均温度距平绝对值、年降水量标准差、年平均温度标准差要素组成的观测数据矩阵记为
公式(6)为
2.2.3 模型检验方法
(1)拟合优度检验。拟合优度检验就是检验回归方程对样本观测值的拟合程度,即检验所有解释变量与被解释变量之间的相关程度。常用的方法是
(2)模型显著性检验(F检验)。判断被解释变量与所有解释变量之间是否存在线性关系,可以使用
首先根据样本观测值及回归值计算出统计量
3 敏感性分析结果
3.1 岭回归分析结果
以工业为例,其岭迹图如图1所示。观察工业的岭迹图,当显示原图|下载原图ZIP|生成PPT
图12002-2013年北京市工业经济产出对气象条件变化的岭迹
-->Figure 1The ridge map of the industry economic output to meteorological variability in Beijing from 2002 to 2013
-->
根据参考文献[26]的换算方法,将标准化的岭回归模型变换为一般的(未标准化)回归模型:
由公式(8)可知,每提升1%的年降雨量距平绝对值变量和年均气温距平绝对值变量,将分别降低工业经济产出0.0454%和0.0323%;若提升1%的年降雨量标准差变量和年均气温标准差变量,将分别提升工业经济产出0.2512%和0.9463%。最后,将全部的9个行业均换算为一般线性回归的方程,其结果如表2所示。
Table 2
表2
表22002-2013年北京市不同行业经济产出对气象条件敏感性岭回归分析结果
Table 2Sensibility analysis of different industrial economic outputs to meteorological factors in Beijing by Ridge Regression from 2002 to 2013
行业 | PA | TA | PS | TS |
---|---|---|---|---|
农业 | -0.060 3 | -0.047 2 | 0.321 7 | 0.800 6 |
工业 | -0.045 4 | -0.032 3 | 0.251 2 | 0.946 3 |
建筑业 | -0.063 1 | -0.042 9 | 0.416 8 | 1.687 0 |
交通运输、邮政和 仓储业 | -0.030 7 | -0.049 1 | 0.285 9 | 0.916 1 |
批发零售业 | -0.049 0 | 0.031 6 | 0.278 8 | 1.408 9 |
住宿和餐饮业 | -0.017 9 | 0.020 2 | 0.252 8 | 0.829 0 |
金融业 | -0.041 1 | 0.042 7 | 0.167 1 | 1.004 3 |
卫生、社会保障和社会 福利业 | -0.060 0 | -0.012 1 | 0.237 7 | 0.910 6 |
文化体育和娱乐业 | -0.032 2 | -0.042 7 | 0.266 3 | 0.851 4 |
新窗口打开
从表2中可以看到,年降雨量距平绝对值变量的变化对北京各大行业经济产出均造成负面影响。具体影响为:每提升1%的年降雨量距平绝对值变量的值,将分别降低北京市农业、工业、建筑业、交通运输、邮政和仓储、批发与零售业、住宿与餐饮业、金融业、卫生与社会保障和社会福利业、文化体育和娱乐业经济产出0.0603%,0.0454%、0.0631%、0.0307%、0.0490%、0.0179%、0.0411%、0.0600%、0.0322%。年均温度距平绝对值变量的值每增加1%,农业、工业、建筑业、交通运输与仓储和邮政业、卫生与社会保障和社会福利业、文化体育和娱乐业经济产出将会分别产生变化-0.0472%、 -0.0323%、-0.0429%、-0.0491%、-0.0121%、-0.0427%。另外,年降雨量标准差和年均温度标准差这两个变量的值每提高1%的变化,均对北京各大行业经济产出形成促进作用。特别地,建筑业、批发与零售业和金融业在温度标准差这一变量上的弹性系数较高,分别为:1.6870%、1.4089%和1.0043%。
借助北京市各行业经济产出对各气象因素变量敏感度图像(如图2),可以更直观地看出,年降雨量标准差和年均气温标准差两个气象因素对各行业经济都造成了正向的影响,而年降雨量距平绝对值和年均气温距平绝对值两个气象因素对各行业经济基本上都造成了负向影响。
显示原图|下载原图ZIP|生成PPT
图22002-2013年北京市各行业经济产出对各气象因素变量敏感性分布趋势
-->Figure 2Distribution trend of sensitivity of the industry economic output to meteorological variability in Beijing from 2002 to 2013
-->
对于岭回归模型,岭迹图提供了一定的信息,但是,依然需要进一步对模型进行检验。表3中除了批发与零售业以外,由于要选取合适的岭参数,导致各行业的复相关系数(R2)均小于了90%,但是R2均大于80%,模型的解释变量与被解释变量存在相关性;由于表中的P值(F统计量对应的概率)大小均维持在较低水平,因此各行业与气象的模型均通过了F检验。
Table 3
表3
表32002-2013年北京市不同行业经济产出对气象条件敏感性模型检验
Table 3Model testing of sensibility of different industrial economic outputs to meteorological factors in Beijing from 2002 to 2013
行业 | F统计量 | P值 | |
---|---|---|---|
农业 | 80.24 | 9.748 0 | 0.000 7 |
工业 | 85.93 | 14.658 1 | 0.000 1 |
建筑业 | 81.67 | 10.695 8 | 0.000 4 |
交通运输、邮政和仓储业 | 87.66 | 17.050 0 | ≤0.000 1 |
批发零售业 | 77.99 | 8.506 1 | 0.001 2 |
住宿和餐饮业 | 80.68 | 10.019 4 | 0.000 6 |
金融业 | 87.49 | 16.789 6 | ≤0.000 1 |
卫生、社会保障和社会福利业 | 87.38 | 16.613 6 | ≤0.000 1 |
文化体育和娱乐业 | 87.72 | 17.148 7 | ≤0.000 1 |
新窗口打开
3.2 敏感性分析
根据杨松对于敏感程度的计量方法,可以得到不同行业的敏感性大小,如图3所示[11]。由图3中各行业的敏感程度大小,得到北京市9个行业经济产出对气象条件的敏感性综合排名,如表4所示。显示原图|下载原图ZIP|生成PPT
图3北京市9个行业的敏感度
-->Figure 3Sensibility results of the industry economic output to meteorological variability in Beijing
-->
Table 4
表4
表4北京市各行业对气象条件的敏感程度排序
Table 4Sensibility analysis of different industrial economic outputs to meteorological factors by ridge regression
排名 | 行业 | 敏感程度 |
---|---|---|
1 | 建筑业 | 0.499 5 |
2 | 批发零售业 | 0.417 6 |
3 | 金融业 | 0.293 3 |
4 | 交通运输、仓储和邮政业 | 0.280 6 |
5 | 工业 | 0.279 9 |
6 | 住宿和餐饮业 | 0.271 0 |
7 | 卫生、社会保障和社会福利业 | 0.269 1 |
8 | 文化体育和娱乐业 | 0.260 7 |
9 | 农业 | 0.253 7 |
新窗口打开
根据表4中的分析结果,可以看到,建筑行业对气象条件变化表现得最为敏感。步入21世纪后,北京市的快速发展形成了与政治文化中心和国际城市相适应的城市功能结构,各区都在大兴房屋楼宇建设。建筑业一直以来都是北京市的支柱产业之一,在北京市国民经济中扮演着十分重要的角色[27];再者,建筑业露天作业的特点,使其广泛接触北京复杂的天气系统(尤其是日益严重的“城市热岛效应”、“城市雨岛效应”等大都市天气系统),因而建筑业对气象条件的敏感程度偏高。
对于批发与零售业显现出的高敏感性,本文主要从以下两个方面分析。其一,自21世纪以来,随着温室效应对北京市的广泛波及和极端天气现象的不断增多,各类解暑避寒商品的销售趋势较以往而言又更进一步出现了激增的态势(如空调、电暖气等),这些因素都从某种程度上刺激了批发与零售业经济发展,因而批发与零售业体现出较高的敏感性。其二,由于在信息产业与信息技术高速发展的推动下,互联网零售业的繁荣发展对中国传统零售业造成了巨大影响[28]。电商行业的发展不仅改变了传统零售业的发展模式,同时也改变了消费者的购买习惯,北京市作为全国互联网发展中心之一,在这一方面上表现得尤为显著。如北京市发达的网络外卖行业,天气变化会影响消费者的情绪和决策。通常在天气恶劣的情况下,餐饮外卖行业变得十分繁忙,易受气象条件变化的影响。气候的变动在极大刺激餐饮外卖行业快速发展的同时,也带来了新型物流行业的联动发展效应,因此在降雨量和温度波动性的时期,能较为显著地看到其变化,这也在一定角度上说明了本文的降雨量标准差和温度标准差变量在金融业发展上的正向作用。
此外,金融业对气象条件变化有着较高的敏感性,这是因为气象因素的变化冲击着金融行业的银行业、证券业和保险业,并且气象条件的变化给金融业带来的风险主要是与此气象条件变化相关的信贷风险、保险风险等[29]。据英国保险协会报告预测,到2050年,气候变暖会导致全球气候保险金额较近年来增加将近3倍,并据英国英杰华保险和德国安联保险等欧洲保险业的数据指出,气候变动将在未来成为影响保险业发展前景的最大挑战,具体表现是:保险赔付和吸引更多的消费者投保。例如保险承保的是小概率事件,但是气候变化使极端天气气候事件发生的概率增加,致使保险赔付的增加。
据北京市统计局最新数据显示,2011-2014年,北京市金融业产值年均增长11%,占全市经济比重的15.7%,金融业俨然已成为带动北京经济增长的主要产业之一。北京市近年来的融资方式日趋多元化,然而,气候变化为北京市金融业近年来的快速发展带来利弊。不利影响表现在气候变化给投资者带来信贷组合的改变、零售贷款和抵押贷款违约机会增加,从而造成资产价值下跌,影响资产的长期安全性[30],带来的不确定性变大。气候变化也给金融业发展带来了机遇,例如碳使用限制为新型商品交易和金融工具的出现带来了许多新的机会。本文岭回归分析结果显示了北京市的金融业在年均气温距平值、标准差和年降雨量标准差上的值均为正,特别是在温度标准差这一变量上显现了较高的水平,这些情况从一定程度上显示出了金融行业在应对气候变动时的优势发展情况。
中国极端天气事件在不断增加[31],极端天气增高了灾害事件的发生概率,对北京市金融保险业带来冲击。从气象状况变化的综合角度来看,北京市的极端天气情况呈现出愈演愈烈的趋势[32]。例如,极端高温和极端低温灾害一直以来都是北京市主要的极端天气灾害(图4和图5分别展示了北京市极端高温和极端低温的空间分布和逐年变化情况)。从图4中可以观察到,现今北京市大部分地区极端最高、最低气温距平值大于平均值(延庆地区除外),而图5显示了北京市1961-2013年的平均极端高温和平均极端低温都呈现出了上升的趋势。综合图4和图5都表明着北京气温的极端程度在进一步的恶化。由于极端气候事件的增多,消费者的防范意识增强,也加大了其对财产和意外伤害保险的需求。另外,据新华网公布的数据显示,北京市“7.21”极端降水事件,保险行业9日内的估损金额约9亿元。不难想象到,北京市各类极端天气事件一旦发生,都将会在一定程度上冲击着保险行业,北京市的金融行业在某种程度上依赖于气象条件变化程度。
显示原图|下载原图ZIP|生成PPT
图4北京市20个气象站观测的历史极端最高、最低气温距平值空间分布
-->Figure 4Spatial distributions of extreme maximum and minimum temperature anomaly observed by 20 weather stations in Beijing
-->
显示原图|下载原图ZIP|生成PPT
图51961-2013年北京市平均极端最高、最低气温逐年变化曲线
-->Figure 5Annual change curves of the average extreme maximum and minimum temperature in Beijing from 1961 to 2013
-->
另外,分析结果还显示北京市的农业对气象条件的敏感性最低。中国农业在应对气候气象因素变化时采用了多种有效措施,依赖传统经济作物发展的农业对气候气象因素变化表现出了较高的敏感性[33]。自2003年起,北京市提出了都市型的现代化农业发展方针[34],历经十年多的发展,不断地涌现智慧农业和创意农业等文化型和生态型的农业发展模式。现今,北京市已成功实现了产业结构从“生产型”向“服务型”的转型以及生产服务业替代传统服务业的结构升级。较过去而言,北京市农业不再仅仅局限于衡量传统农产品的经济价值,而是不断地注重农业与其他产业相结合、农业生产体验、农业产品精加工过程和农业文化活动等方面的发展[35]。与此同时,北京市的农业在经济发展中的地位在发生着变化,农业的经济功能不断向社会及生态功能转变[36]。这种经济功能和经济模式的转变使得过去“靠天产出”的农业发展模式发生变化,农业经济产出来自于多元化的发展方式,农业对于气象条件的变化表现出的敏感性也在一定程度上降低。
正是由于北京农业多元化发展的趋势,使得农田、林果等高度依赖气象条件的经济成分降低,使得北京农业经济对气象条件的变化从数据相关关系上看,并不敏感。另外,本文所用4个气象条件变量(年平均气温距平值、年内平均气温标准差、年降水量距平值、年内平均降水量标准差)并没有单独涉及一些极端气温和极端降水(尤其是降雪)等极端天气状况,而是把它们纳入到统一的变量之中。虽然一些极端天气状况(如高温、干旱、洪涝等)会使农业产出大幅下降,但另外的极端天气状况(如小麦越冬之时大规模的降雪)会大幅增多农业的产出。而从总体效应而言,使得农业产出对这些变化的综合效果并不明显,因而就北京行业产出对气象变化的敏感度而言,农业的排名最低。
4 结论与讨论
4.1 结论
对于以上9个行业对气象条件的敏感性分析结果,可以看到:(1)北京市各行业对气象条件的敏感性排名,从高到低依次为:建筑业(0.4995)、批发与零售业(0.4176)、金融业(0.2933)、交通运输仓储和邮政业(0.2806)、工业(0.2799)、住宿和餐饮业(0.2710)、卫生与社会保障和社会福利业(0.2691)、文化体育和娱乐业(0.2607)、农业(0.2537)。
(2)北京市各行业经济产出对气象条件的岭回归分析得到的各个弹性系数表明,年均温度距平绝对值变量每增加1%,农业、工业、建筑业、交通运输与仓储和邮政业、卫生与社会保障和社会福利业、文化体育和娱乐业经济产出将会分别产生变化-0.0472%、-0.0323%、-0.0429%、-0.0491%、-0.0121%、-0.0427%。从整体来看,北京市的年降雨量距平绝对值这一变量变化也对北京各大行业经济产出均造成负面影响。然而,年降雨量标准差和年均温度标准差这两个变量每提高1%的变化,均对北京各大行业经济产出形成促进作用,比如,每提高1%的降雨波动性,将会提升北京市农业、工业、建筑业、交通运输与仓储和邮政业、批发与零售业、住宿与餐饮业、金融业、卫生与社会保障和社会福利业、文化体育和娱乐业的经济产出变化分别为0.3217%、0.2512%、0.4168%、0.2859%、0.2788%、0.2528%、0.1671%、0.2377%、0.2663%。
(3)由(2)中的分析结果表明:①北京市随着年均气温的升高和年降雨量的增加,将不利于北京各行业经济的产出;②年均气温与降雨量波动加大,对北京各行业经济发展均有促进作用。
(4)北京市的建筑业、批发零售业等行业对气象因素呈现出较强的依赖性,如果出现极端天气事件,应注重对此类行业的预警和监管。文化和体育娱乐业、农业等行业虽然敏感性排名靠后,但是各类行业的敏感程度数值差距并不大,因此,政府针对这些行业,仍需用过往经验和相关处理手段稳定行业经济发展。
(5)从敏感性排名上面还可以看到,北京市高敏感性行业逐渐由传统的农业,工业等行业向新型发展模式的金融业与批发零售业等行业过渡。
(6)本文的研究提供了一种计算区域性行业经济对气象条件变化敏感性分析的方法,其中改进的C-D生产函数能够把气象因素融入到计量经济分析中;岭回归方法对解释变量间的自回归性和多重共线情况比最小二乘法有更优的处理效果。
4.2 讨论
本文重点研究了局地性(北京市)的行业经济产出对气象条件变化的敏感性分析问题。结合北京市气象局和中科院大气物理研究所专家们的意见,本文在模型的合理性上做了很多探讨与研究,但是由于对北京分地区的数据获取有限,因此不能使用基于面板数据的模型方法处理此问题。随着分地区数据的积累和获取,本文的分析处理方法将有一定的优化空间。本文对于普通的多元回归模型进行了修正,采用岭回归的方式处理,避免了各气象因素数据之间的共线性等问题。尽管这样,选择经济数据与气象数据的年限长短、年份区间等都会成为影响结果准确性的外在因素。另外,不同行业、行业内的不同结构成分对不同的气象条件变化的敏感程度并不相同,尤其对极端天气状况,更需要进行行业内单结构成分与单个气象条件变化之间的敏感度分析。本文只在总体框架和方法上进行了处理和研究,后续的研究会更突出行业的重点敏感结构成分与高关联度的气象条件之间的分析;结合更精细的行业数据(包括结构方面的细分和时间区间上的细分)和更精细的气象条件记录,所涉及的分析结论会有更好的修正和改进。The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | |
[2] | [J]. , |
[3] | |
[4] | [J]. , |
[5] | [EB/OL]. ( |
[6] | [J]. , |
[7] | [EB/OL].( |
[8] | [J]. , |
[9] | [J]. , [J]. , |
[10] | [J]. , [J]. , |
[11] | [J]. , [J]. , |
[12] | . , , |
[13] | [J]. , [J]. , |
[14] | [J]. , [J]. , |
[15] | [J]. , [J]. , |
[16] | [J]. , [J]. , |
[17] | [J]. , [J]. , |
[18] | [J]. , [J]. , |
[19] | [J]. , [J]. , |
[20] | |
[21] | [J]. , [J]. , |
[22] | [J]. , |
[23] | [J]. , [J]. , |
[24] | [J]. , [J]. , |
[25] | [J]. , [J]. , |
[26] | |
[27] | [J]. , [J]. , |
[28] | . , , |
[29] | [J]. , [J]. , |
[30] | [J]. , [J]. , |
[31] | [J]. , [J]. , |
[32] | [J]. , [J]. , |
[33] | [J]. , [J]. , |
[34] | [J]. , [J]. , |
[35] | . , , |
[36] | [J]. , [J]. , |