引言

以全球增暖为主要特征的气候变化，已经对全球社会经济的各个方面产生了显著的影响。IPCC第四次评估报告指出，气候变化在全球不同地区产生的影响差异很大，如果全球平均温度升高4 ℃，全球平均GDP损失将达到1%~5%，但是区域的经济损失将会更大。随着温度的继续升高，气候变化造成的经济损失将进一步增大^[1]。2006年，由英国著名经济学家斯特恩领导编写的《斯特恩回顾：气候变化经济学》采用经济学模型，对北美、欧洲以及澳大利亚等地区气候变化对经济和粮食产量的影响进行了详细的评估，结论指出, 不论是发达国家还是承载能力较弱的发展中国家，气候变化对全球经济产生的影响多为负面的^[2]。IPCC AR4报告中采用的全球平均估计，低估了气候变化造成的经济损失，对于高敏感和气候适应能力较低的国家或地区，经济损失将显著增大。

许小峰^[3]指出，气象经济的概念包含两个方面，一是气象条件对经济发展的影响，比如利用气象信息减少灾害损失；二是以气象信息为手段，通过市场需求获利。国内学者比较关注气象信息服务的社会经济效益，并取得一定研究成果^{[4-7, 22]}。运用计量经济模型评估天气气候对社会经济的影响起源于国外，近年来才在国内开始兴起。Dutton分析指出，美国国内生产总值的三分之一具有天气气候风险，其中受天气气候变化影响的农业GDP值达1358亿美元^[8]。Jeffery^[9]和Larsen^[10]用加入气象因子的计量经济模型，对美国11个经济行业进行了天气敏感性评价，受天气变化影响的美国农业GDP为12.09%。董文杰、丑洁明等将气象因子引入C-D生产函数构建新的气候经济模型, 用东北粮食产量验证了模型的合理性^[11-12]。罗慧等采用相同的方法构建计量模型，细致评估了陕西各经济行业对气象条件的敏感性，总体而言，陕西经济产出对气象条件变化的敏感性幅度约为9.4%~11.5%^[13-14]。孙宁等建立多变量的结构向量自回归模型SVAR，通过脉冲响应函数来考察气温对南京市工业经济的动态影响，结果表明平均每年南京工业产值的3.1%受到气温升高带来的负面影响；同时平均每年南京工业经济发展对本地的气温升高的贡献率有4.4%^[15-16]。与国外研究成果相比较，国内学者对天气气候经济影响的研究还处于起步阶段，研究方法仍存在很多不确定性，而运用计量经济分析方法评估天气气候的影响还限制于个别地区和个别站点。

众所周知，几乎所有的经济生产活动都直接或者间接受到天气变化的影响。例如，高温、寒潮、暴雨、干旱以及长时期的气候变率都会影响国民经济，而农业经济受到的损失最为严重。因此，建立气象计量经济模型，用科学严谨的计量分析方法，定量分析高敏感、高脆弱的农业经济受气象条件变化影响的大小，有利于进一步研究不利天气条件影响我国农业经济产出风险水平，适应和减缓不利天气条件对农业经济产生的负面影响。

1 资料 1.1 气象资料

气象数据采用的是国家气候中心1978—2006年160个标准站的逐日平均温度、逐日降水资料。以年为单位，计算的气象因子包括>10 ℃活动积温ACT、平均温度标准差TD、年降水量P与降水量标准差PD。

1.2 社会经济统计资料

社会经济数据来源于《新中国55年统计年鉴》^[17]，以及中国统计局统计数据库，包括1978—2006年31个行政区的农业GDP值、固定资本总投资K、农业劳动力人数L与农业机械化总动力E。

2 方法 2.1 计量经济模型的构建

应用计量经济学方法，在经典的C-D生产函数^[18]中引入气象因子，将气象因子和资本、劳动力、能源等常规经济因子一起看成是影响经济产出的因素：

$ Q = f(K, L, E, \boldsymbol{W}) $

(1)

式(1) 中Q, K, L, E, W的分别代表农业经济产出、固定资本投资、劳动力、能源和气象因子向量，将公式(1) 改写成传统的Cobb-Douglas生产函数^*的指数形式：

*C-D生产函数的传统形式表示为Y=A(t)L^αK^βμ，式中Y是工业总产值，A(t)是综合技术水平，L是投入的劳动力数, K是资本投入，α是劳动力产出的弹性系数, β是资本产出的弹性系数, μ表示随机干扰项

$ Q = A{e^{\delta t}}{K^{{\beta _K}}}{L^{{\beta _L}}}{E^{{\beta _E}}}\boldsymbol{W}{^{{\beta _{\rm{W}}}}} $

(2)

式(2) 中的β_K, β_L, β_E, 和β_W为常数系数，e^δt代表科技进步动态变化对经济产出的影响，A代表影响经济产出的所有其他因子的共同作用，传统C-D生产函数满足规模报酬不变约束条件，即所有常数系数之和为1或者$\sum\nolimits_{i = K}^W {{\beta _i} = 1} $。将公式(2) 转换成自然对数形式，同时可以引入自变量的平方项和相互作用项：

$ \begin{array}{l} {\rm{ln}}({Q_{ijt}}) = {\rm{ln}}({A_{ij}}) + \delta {t_{ij}} + \sum\limits_\mathit{\boldsymbol{X}} {{\beta _{X}}{\rm{ln}}\left( {{\mathit{\boldsymbol{X}}_{ijt}}} \right)} + \\ \sum\limits_\mathit{\boldsymbol{X}} {{\beta _{\mathit{\boldsymbol{XX}}}}{\rm{ln}}\left( {\mathit{\boldsymbol{X}}{_{ijt}}} \right){\rm{ln}}({\rm{ }}\mathit{\boldsymbol{X}}{_{ijt}}) + {\varepsilon _{ijt}}} {\rm{ }} \end{array} $

(3)

式(3) 中的ε_ijt为随机误差项，X是自变量向量，模型系数β_X或β_XX表示自变量的产出弹性，可以代表经济产出对不同因子变化的敏感性。

2.2 模型的设定与诊断 2.2.1 异方差与自相关性

经济数据存在异方差、自相关性，普通最小二乘法OLS会给模型参数的估计带来误差。因此，对残差序列相关的行政区建立一阶自回归模型AR(1)。将中国分为8个区域^[19](图 1)，对8个区域建立面板数据模型，采用广义最小二乘方法GLS估计模型参数，同时应付异方差与自相关问题。解决数据存在的异方差、自相关性之后，模型的估计参数才是线性无偏的，模型的参数才能进一步加以解释^[20]。

2.2.2 初步验证

在不加入气象因子的条件下，预测1978—2006年31个行政区的农业经济产出，预测值与实际值的拟合R²值为0.9896(图 2a)，加入气象因子之后，模型的拟合R²值为0.9903(图 2b)。因此，本文建立的计量经济模型具有较高的预测准确性，且加入气象因子之后提高了模型对农业经济产出的整体拟合能力。

3 结果分析 3.1 气象因子对各行政区农业经济的产出弹性

用DW统计量诊断残差序列的自相关性，存在自相关的行政区建立一阶自回归模型并估计模型参数，其中有8个行政区气象因子产出弹性具有统计显著性(表 1)。

ACT与重庆、湖南农业经济产出显著正相关，与海南农业经济产出显著负相关。ACT每增加1%，重庆、湖南农业经济产出分别增加1.63%、2.65%，海南农业经济产出减少3.93%。TD与重庆、广东农业经济产出显著正相关，与海南、天津、云南的农业经济产出显著负相关。TD每增加1%，重庆、广东农业经济产出分别增加2%、0.29%，海南、天津、云南农业经济产出分别减少0.79%、1.37%、0.4%。PD与河北、内蒙古农业经济产出显著正相关，与云南农业经济产出显著负相关。PD每增加1%，河北、内蒙古农业经济产出分别增加0.45%、0.38%，云南农业经济产出减少0.42%。此外，P与各行政区的农业经济产出的定量关系不具有统计显著性。

由以上分析可以看出，8个行政区的农业经济产出对温度类气象因子的敏感性大于降水类气象因子。对温度显著敏感的行政区有重庆、广东、海南、湖南、天津和云南，对降水显著敏感的行政区有河北，内蒙古和云南。

3.2 气象因子对各区域农业经济的产出弹性

因为单个行政区分析样本量为29个，样本量的不足使很多行政区的农业经济产出与气象条件之间的定量关系不能通过显著性检验。因此，将中国分区建立panel data模型，在增加样本量的前提下，进一步分析气象条件变化对区域农业经济产出的影响。根据Hausman检验结果，华北地区选择固定效应做计量分析，其余区域则选择随机效应。采用广义最小二乘法GLS估计模型参数，得到气象因子对各区域农业经济的产出弹性(表 2)。

ACT与华北农业经济产出显著正相关，与西南农业经济产出显著负相关。ACT每增加1%，华北农业经济产出增加0.95%，西南农业经济产出减少0.18%。TD与华北、华南农业经济产出显著负相关，与西南、西北农业经济产出显著正相关。TD每增加1%，华北、华南农业经济产出分别减少1.5%、0.24%，西南、西北农业经济产出分别增加0.4%、0.54%。PD与华北农业经济产出显著正相关，PD每增加1%农业经济产出增加0.21%。P与华中农业经济产出显著负相关，P每增加1%农业经济产出减少0.18%。此外，气象条件与东北、华东和青藏三个地区农业经济产出的定量关系不具有统计显著性。

由以上分析可以看出，相对于降水因子，温度因子对中国各区域农业经济产出的影响更大更显著。其中，华北、华南、西南和西北的农业经济产出受温度影响显著，华北、华中的农业经济产出受降水影响显著。

3.3 气象条件影响农业经济产出的极差率

引入极差率这一概念，进一步分析气象条件变化对农业经济产出的综合影响。在保持经济因子不变的条件下，将1978—2006年气象因子值代入模型，计算得到29年的农业经济产出值。因为经济因子保持不变，29年的农业GDP的变化大小完全由气象因子变化大小决定，并计算出最大值GDP_max、最小值GDP_min、平均值GDP_ave、极差Range与极差率Range rate(极差与平均值的比率)。

图 3为各行政区农业经济产出受气象条件变化综合影响的极差率。较大的5个行政区包括，重庆85%、海南50%、湖南49%、青海35%与甘肃33%，表明这5个行政区农业经济产出对气象条件变化的敏感性较大。极差率较小的5个行政区包括河南11%、宁夏10%、山东9%、贵州6%与四川5%，表明这5个行政区农业经济产出对气象条件变化的敏感性较小。

图 4为各区域农业经济产出受气象条件变化综合影响的极差率，从大到小依次为华北19.5%、华南14.1%、华中9.5%、青藏8.8%、西南6.7%、西北5.7%、华东3.7%与东北3.4%。各区域农业经济产出对气象条件变化的敏感性大小与表 2中所得结论较为一致。农业经济产出对气象条件变化敏感性较大的区域，应提高农业经济生产活动关键时期的天气预报或气候预测准确率，提前预估受天气变化影响的农业经济产出值，有利于决策者及时调度资源，减缓农业经济的可能损失。

4 结论和讨论 4.1 结论

将计量经济学与气象学结合，建立气象计量经济模型。在对模型进行充分的诊断与检验之后，对气象条件变化影响我国农业经济产出进行了计量经济分析，可以得出以下结论：

(1) 加入气象因子的模型能够提高对我国农业经济产出的整体拟合能力，模型预测值与实际值拟合R²值为0.9903，初步证明了本文所构建模型的合理性。

(2) 引入“弹性”这一概念，表征单个气象因子对农业经济产出的影响大小。相对于降水、温度因子对我国8个行政区和各区域的农业经济产出的影响更显著。对温度因子显著敏感的行政区有重庆、广东、海南、湖南、天津和云南，对降水因子显著敏感的行政区有河北、内蒙古和云南。华北、华南、西南和西北的农业经济产出受温度因子影响显著，华北、华中的农业经济产出受降水因子影响显著。

(3) 引入“极差率”这一概念，在保持经济因子不变的条件下，分析4个气象因子变化对中国农业经济产出的综合影响。各行政区农业经济产出极差率变化幅度为5%~85%，各区域农业经济产出极差率变化幅度为3.4%~19.5%。

4.2 讨论

将经济学与气象学结合，构建气象计量经济模型，为气象和气候变化研究工作提供了新思路和新方法，具有一定的创新性，但经济学与气象学结合的理论问题，还需要进一步完善。未来的研究工作中，将采用空间尺度和时间尺度更加细致的数据，就天气气候对我国粮食产量的影响，极端气候事件对我国不同经济部门的影响等科学问题，从计量经济学角度进行科学分析。这些工作的实施可以定量评估天气气候变化对社会经济的影响，为我国天气气候变化的风险管理、防灾减灾提供一定的借鉴意义。