下载:
-
工业革命以来，人类活动产生的温室气体改变了地球系统的能量平衡（Energy Balance）。大气层中的温室气体吸收地表反射热量，减少地球向外辐射的热量，造成全球气候变暖[1]。全球气候系统已经明显变暖，并对自然生态系统和人类社会造成了广泛影响。世界气象组织发布的《2021年全球气候报告》指出，2020年全球表面平均温度比工业化前水平高出1.2℃，也是有完整气象观测记录以来最暖的非厄尔尼诺年份。1880—2012年，全球海陆表面的平均温度升高了0.85℃。全球海平面自20世纪以来，上升了20厘米，平均每年上升了1.7毫米。减缓和适应气候变化是应对气候变化的两个有机组成部分。不同国家和地区受到气候变化的影响不同，发展中国家人口众多、气候环境复杂、经济发展水平较低，面对气候变化将受到更强烈的冲击，适应气候变化任务更加繁重。
气候系统在空间上高度关联，在时间上呈现巨大惯性。受客观条件和成本的制约，在绝大多数情况下，研究人员难以采用严格的大范围对照实验评估气候变化的社会经济影响。目前的研究主要是根据观测到的事实或现象，采用统计学或计量经济学方法开展实证研究，以期得到平均意义或针对特定区域及场景的定量结论。在农学、医学或心理学等领域，有部分研究通过局部控制实验来观测温度等因素（例如高温的种植或工作环境）对农业生产、劳动生产率等的影响。本文着重梳理气候变化的经济学实证研究文献，并从研究内容、数据支撑以及研究结论不确定性等方面展开叙述。
-
诺贝尔经济学奖获得者威廉·诺德豪斯（William Nordhaus）最早构建了气候变化经济学的分析框架，将气候变化因素纳入长期经济增长模型。气候变化经济学的分析框架包含了四重影响机制，即由人类社会经济活动所造成的碳排放通过一个链条影响未来福利: 碳排放→碳浓度→全球变暖→经济损失/碳减排政策→碳排放。气候系统与社会经济系统互为反馈，将二者综合在一起的评估建模是气候变化及应对研究的重要内容（如图1所示，简称“综合评估建模”）。评估气候变化对社会经济的影响，是开展综合评估建模、设计最优减排路径的关键性研究内容，也是当前研究的薄弱环节之一[2]。
图 1气候影响研究在气候经济综合评估建模中的地位
气候变化通过自然资本（土地资源、水资源和生态系统服务等）、物质资本（基础设施和生产装备等）、人力资本（教育等）等渠道对生产活动、消费行为、身心健康和教育等产生影响。与此同时，政府、企业和居民也在努力适应气候变化，以减缓气候损失。农业和生态系统受气候变化影响最为直接，这方面研究有很多并已有综述[3-5]，本文不作重点阐述。
-
气候变化主要以气象灾害（包括热浪寒潮、洪涝灾害以及气旋灾害等）的形式作用于社会经济系统。在国家、地区或行业的尺度上，研究多关注于对整体经济增长速度的影响。在微观企业尺度上，研究多关注对企业经营活动或绩效的影响。气象灾害对生产活动的影响存在四种假说[6]：致命性破坏、回弹性破坏、回趋性破坏和创造性破坏。
致命性破坏假说认为，气象灾害通过破坏生产资本或者耐用消费品（如房屋等）影响经济增长，而恢复这些耐用消费品涉及高额的机会成本，即将原本可用来投入到生产性资本的资金配置到耐用品的生产上。在恢复生产和生活的过程中，更新后生产资本所带来的经济效益无法弥补灾后的损失，从而无法回归到原始的增长路径。在灾难发生后，消费下降导致消费的边际效用上升到足够高的水平，使灾后更倾向于消费而非投资[7]。基于这种假设，灾后产出可能会继续增长，但从长期来看，终将低于灾前的增长路径。例如，台风会直接降低企业的生产效率，并且增加企业的负债率，降低财务流动性[8]；洪水会直接影响当地家庭的经济收入、道路交通和电力供应等，直接破坏生产环境[9]。
回弹性破坏假说是指当企业未受灾害冲击时，不会主动更新自己的生产技术。当灾后资本替代的生产效益大于生产力损失时，企业会用先进的资本和生产技术替代损失的落后且陈旧的资本[8]8。因此，会出现因原有的劳动力和资本受到破坏，其经济增长在灾后初期会下降，但在灾后的一段时间会回弹至高于灾前水平的现象。
回趋性假说认为，经济增长仅在灾后的有限时间内受到影响，但仍会回到灾前的发展路径上。其原因在于灾害引发的基础设施和人口死亡导致资本和劳动变得相对稀缺，因此，资本的边际产出会增加，从而劳动力和资金向受灾地流入，以获得高额的回报率。这种假说得到了一些实证研究的支持[10-11]。
创造性破坏假说是指气象灾害会刺激经济增长，可能的原因有三个方面：第一，重建过程中会增加对商品和服务的需求；第二，受灾地区会流入大量的国际救援资金和关注度；第三，受灾地区因气象灾害的影响革新了生产技术。这种假说源自建筑业会在灾后1~2年内出现产出大增的现象[12]。出现这些结论在一定程度上是经济增长的核算方法及研究对象的口径问题。
气温对经济增长的效应具有较大的区域和国别差异。Dell等[13]发现高温会大幅降低穷国的经济增长，主要由于高温会降低经济增长、农业和工业产出。以全球1960—2012年200多个国家地区的面板数据为例，Burke等[14]13发现年度平均气温与经济增速呈现“倒U形”关系，且最适温度为13℃。在此基础之上，Kalkuhl等[15]以全球近1 500个省级地区的数据为例，基本研究结论一致。关于气温对中国的影响，Li等[16]使用中国县级面板数据进行了定量研究，发现气温对其经济产出存在“倒U形”影响，并且当年平均气温在12℃左右，气温对产出的负面影响最小；此外发现，若年均气温每升高1℃，其产出会降低1.05%~1.25%；同时高温的影响是非线性的，除了对农业产出增长率的实质性影响外[17-18]，还会影响非农业部门[19]3、劳动生产率[20]和投资[21]。
-
气候变化还会从消费侧影响经济活动。气候变化对消费者行为的影响研究是基于效用理论，最早是由Harrington等[22]参考Becker的健康生产函数模型，将健康福利纳入到消费者效用函数中。Deschênes等[23]6将气温纳入到消费者效用函数中，提出了一套气候变化的行为影响分析框架。这套分析框架在诸多环境影响研究中得到了大量使用，假定个人效用函数U是个人生存率S和其他消费品Xc的函数，即
$$ U = U({X_c},S) $$ (1) 假设生存率S受温度T和健康消费品XH的影响，即
$$ S=S({X_H},T) $$ (2) 健康消费品XH，例如医疗服务和空调等，可以提高个体极端天气下的生存率，同时个体面临着收入预算的约束
$$ I-{X_c}-p{X_H}=0 $$ (3) 其中，I为消费者收入。假定其他消费品价格为1，健康消费品XH价格为p，根据效用最大化目标，处于均衡时，有
$$ \frac{{(\partial U/\partial S)(\partial S/\partial {X_H})}}{{\partial U/\partial {X_c}}} = p $$ (4) 此时，最大效用函数V=V(I,T,p)，即个体为保持效用不变，将根据气温的变化调整自己的预算支出I=I(T)，消费更多的健康品。当健康品价格p不变，V=V[I*(T),T]，此时，对V求T一阶导数，可以得到个体对气温变化的支付意愿，即
$$ \frac{{{\rm{d}}V}}{{\rm{{d}}T}} = \frac{{\partial V}}{{\partial T}} + \frac{{\partial V}}{{\partial I}}\frac{{{\rm{d}}I}}{{{\rm{d}}T}} = 0 $$ (5) $$ \frac{{{\rm{d}}I}}{{{\rm{d}}T}}= - \frac{{\partial V/\partial T}}{{\partial V/\partial I}}= \left({p_H}\frac{{\partial X_H^{*}}}{{\partial T}}\right) - \left(\frac{{\partial U/\partial S}}{\lambda } \times \frac{{{\rm{d}}S}}{{{\rm{d}}T}}\right) $$ (6) 由式（6）可知，气候变化对消费者支付意愿的影响主要来自两部分：一是气候变化的直接影响
${p_H}(\partial X_H^*/\partial T)$ ；二是来自个体对气候变化的适应能力，如年长者对气温的变化反应较敏感，适应能力相对较弱，而青年人群则对气温变化反应相对迟缓，适应能力较强。诸多实证研究证实了天气会显著影响消费者行为。例如，Busse等[24]发现消费者在温暖或晴朗的天气中更愿意购买敞篷车，而在暴风雪天气后会更倾向于购买四轮驱动汽车。Buchheim等[25]结合电影票销售数据得到与传统的效用理论相悖的结论，他们发现电影票的购买行为与上映当日的天气状况无关，却与购票当日的天气状况高度相关。晴阴雨天作为天气类型的一种，也会影响人们的行为和心理。Grable等[26]发现晴天能够增加人们的积极情绪，在晴日里人们对股票市场持有更加乐观的态度，具有更高的幸福感。而Zhang等[27]发现当气温升高1℃时，高校学生堂食消费支出会减少0.11%。
-
气候变化影响人类健康的途径主要有四种：第一，通过极端天气引发空气污染、高温热浪、干旱和火灾等来改变环境条件，从而诱发心脑血管和呼吸道疾病，增加相应的死亡人口和寿命损失，特别是对于脆弱人群；第二，通过平均气温上升和海洋酸化来破坏生态系统，造成生物多样性损失、食物摄入不足甚至营养不良；第三，通过改变某些媒介生物的时空分布范围来影响传染病的扩散范围和致病性，造成健康福利损失；第四，通过社会中介渠道导致农作物减产，减少农民家庭收入，形成气候贫困人口（Climate Poverty Population），进而引发人口迁徙、暴利、冲突，最终造成人口健康损失甚至社会不平等[28-29]。
关于气候变化对人口健康效应的研究主要集中在极端气温、降水和极端气象灾害对个体的影响以及公共管理政策对气候变化的适应作用。Deschênes等[23]5定量评估了气候变化对健康的影响，通过使用美国县级（County Level）年度观测数据，发现日度气温与年度死亡率呈非线性的“U形”关系。在此基础之上，Barrca等[30]3使用美国州（State）-月的观测样本数据，发现在1900—2004年，高温天气对居民死亡率的影响约为1.9%，且在1960年以后，高温影响比之前下降了70%，主要原因在于大规模使用空调和医疗条件提升。White等[31]基于美国2005—2014年加州医院急诊科（ED）就诊数据，发现日均气温低于40华氏度（4.4℃）每增加1天，当天的ED出勤量会下降6.1%，在剔除后续几周的访问量后，总净访问量比日均值高出约11%。此外，日均气温超过80华氏度（26℃）每增加1天，ED的出勤量会增加3.5%，总净增长为5.1%。
气候对居民死亡率的影响不尽相同，并且存在较大区域异质性。Burgess等[32]使用印度的日度天气和年度死亡数据，估计了区级层面（与中国的市级层面相当）天气对死亡率的影响，研究发现高温天气会对农村人口的死亡率产生实质性的影响，而城镇人口的气温—死亡率关系与美国并无差异。Yu等[33]利用中国143个疾病监测数据点的数据，发现大于32℃的天数每增加1天，县级层面的死亡率是美国的3.5倍，而其冷效应是美国的3.2倍。结合墨西哥的死亡调查数据，Cohen等[34]发现天气因素所导致的死亡人口占年度总死亡人口的8%，但高温天气（日均温大于32℃）对死亡率的影响相当小，约88%因天气变化的死亡人口主要来自10℃ ~ 20℃的温度区间。Deschênes等[35]分析了16个亚洲国家的年度死亡人口数据，发现高温天气并未对死亡率造成显著的影响。针对中国的研究，多集中在某一种疾病上，且局限在个别城市[36]。中国幅员辽阔，气候条件复杂且人口规模较大，仅从某些疾病、某些地区开展研究，会忽略区域异质性，无法全面探究气候变化对健康的影响。
-
气候变化除了影响脆弱人群的死亡程度，还会影响个体的认知能力，而这个层面的研究常被忽略。气候变化导致个体的周边环境发生改变从而影响个体对环境的感知能力，如气温变化、极端降雨、降雪及其他恶劣天气会对行为、认知能力产生一定影响[37-38]。主流的研究假说是Barker的胎儿起源（Fetal Origin）假说[39]，即早期的生活条件可能会对以后的生活行为表现产生持久且深远的影响。Almond和Mazumde[40]用伊斯兰教的斋月作为外生冲击，发现了限制母体营养会对孩子的学习成绩有负面影响。此外，还有不少文献研究了产前高温对所产婴儿成年产出的影响。Wilde等[41]发现在撒哈拉以南的非洲，高温下受孕个体受教育程度和识字率会更高。Isen等[42]通过美国个人调查数据发现，炎热的天气会减少出生个体成年后收入，但不会影响受教育程度。Fishman等[43]的研究表明在厄瓜多尔，怀孕期间的平均温度上升会降低个体收入和受教育程度。以中国农村地区为例，Hu等[44]发现孕妇曝露在炎热天气下会降低出生婴儿的体重，且这种不良影响对人成年后的受教育程度、认知能力和身高会产生不可忽视的影响。由于早期的环境暴露可能潜伏并影响后续的健康和教育结果，气候变化对健康的影响会进一步扩展到人力资本的教育方面，这种长期的冲击会对经济社会发展有着深刻的影响。
-
气候适应是决定气候影响区域异质性的关键因素，也是环境治理成本效益分析的重要支撑[45]。气候适应指人类社会经济系统对气候变化的响应程度。适应性措施具有减少气候变化不利影响、增强有利影响的潜力，但会涉及一定的经济成本。具体可以分为个体适应性行为和宏观适应措施两个方面[46]。个体适应性行为主要包括制冷技术的发明和使用[30]23、调整户内外活动时长[47]、改进房屋结构[48]和地理迁移[49-50]。宏观适应措施包括收入水平的提高、建立早期健康预警系统、空气治理、清洁能源的使用[51-52]、医疗设施的提升等[53]。
空调被视为可直接减少极端天气不利影响的重要设施。Barreca等[30]23发现自1960年后，由于大规模使用空调，高温天气（日均气温>26℃）对居民死亡率的影响下降了75%。Teng等[54]4结合中国省级居民月度用电数据发现，日最高温大于34℃每增加一天，当月居民人均电力消费量将增加1.6%，且这种定量关系在南北方和城乡之间存在明显差异。Mullins等[55]发现美国社区医疗保健服务的改善减少了14.2%与高温相关的致死人口，但对低温相关的死亡人口尚无显著的影响，表明改善医疗条件是适应气候变化的有效手段之一。此外，旨在减少碳排放的清洁能源开发利用可以有效减少空气污染所导致的死亡人口。
人口迁移是一种直接的气候适应行为。气候贫困是驱动人口迁移的关键因素之一。气候变化导致地区的农业产出减少，导致农村居民家庭收入减少，造成气候贫困，为满足人类基本生存的需要，产生人口的迁移。Bohra-Mishra等[56]发现印度尼西亚家庭迁移受到了气候变化的影响，特别是温度对迁移具有非线性影响，而偶发性灾难对这种迁移的影响几乎为零。Deschênes等[49]12发现为减少寒冷天气的不利影响，美国居民会倾向于迁移到温暖的地区。Barrios等[57]发现由于降雨模式的改变影响当地人口迁移，气候变化制约了撒哈拉以南非洲国家的城市化进程。
-
构建气象变量和选择实证模型是气候变化影响评估的关键环节。多数研究聚焦于极端气温、洪涝灾害、台风气旋等极端气候事件，根据因变量的时空尺度，在气象变量建模上存在多样化选择。考虑气候影响时滞性、区域异质性等特征，在实证检验策略上也有所变化。
-
联合国政府间气候变化专门委员会（IPCC）报告显示，气候变化加剧了高温寒潮、极端降水和热带风暴事件的发生。其中，极端气温事件[13-15]、热带气旋[5-8]这两类气象灾害是多数研究所关注的。
1. 极端气温
度日数法包括生长度日数（Growing Degree Days，GDD）和制冷/热度日数（Cooling/Heating Degree Days，CDD/HDD）[58]。生长度日数常用于研究气候变化对农业产出的影响，例如玉米作物的生长和种植周期内日平均温度的累积。日平均温度高于最低阈值的累积量被视为“生长天数（GDD）”，最低阈值是指作物适宜生长的最低温度。如果气温高出指定阈值，会增加个体的制冷需求，高出阈值部分称为制冷度日数；低于指定阈值，将增加个体的供暖需求，低于阈值部分叫做供暖度日数。这种设定方式在气候变化对农业、居民供暖需求的影响研究中较为常见。
温度箱法是一种半参数的估计方法，通过将温度分成若干组，得到气温分布频数TBin
$$ {\rm{TBin}} = [{\rm{TBi{n}}_1},{\rm{TBi{n}}_2},{\rm{TBi{n}}_3},\cdots,{\rm{TBi{n}}}_n] $$ (7) $$ \sum\limits_j {{\rm{TBi{n}}}_j} = N $$ (8) 其中，TBinj表示对应温度区间（例如： (28,30]）的频数；N表示该年（月）度天数。根据此形式可设定气温的曝露影响函数形式为
$$ Y = \sum\limits_j {{\beta _j}{\rm{TBi{n}}}_j} $$ (9) 这种半参数（Semi-Parameter）的估计方法可以涵盖当地气温的分布情况，从而估计潜在的非线性特征。该方法可以有效估计不同气温区间对因变量的影响，以便识别其非线性影响，且适用领域广，可应用于工业[19]4、居民健康[30]6及能源消费[59]等问题中。
日较差法。考虑到气温属于局部的气候指标，随着海拔、纬度和地形的变化，地区间和地区内部的气温变化差异较大，在不同地区形成了多种气候类型，进而逐渐形成了地区间差异化的住房结构、用能习惯和社会风俗等，使居民在长期居住地具有对当地气候的适应性，对温度的敏感程度不同。年较差或日较差等指标，可以度量气温偏离平均气温的影响，或是极端气温观测值的影响。日较差指标可以有效刻画气温在年内波动变化，表征高温寒潮天气的影响。
站点—区域气温匹配。中国气象科学数据中心数据显示，中国有近2 400余个国家级气象站点。考虑到其站点分布存在“东密西疏”的特征，且全国部分市县区域南北跨度较大，在实证研究中使用单一站点数据容易出现测量误差。为估计不同区域尺度的气温变量，需使用插值方法进行近似折算。逆距离加权法（Inverse Distance Weighted）[54]5[58]6是折算气象指标常见方法，如下式所示
$$ {\rm{Te{m}}}_{i,j,t} = \sum\limits_{k \geqslant 1}^n {{w_{i,k,t}}{\rm{Tmea{n}}}_{j,k,t}} $$ (10) 其中，以计算县级日度气温为例，i、j、t分别表示县、日、年；k表示满足距离条件的气象观测站。具体实施方式是以县级地理重心为中心，在规定直线距离范围内，选择最近n个气象站点，按距离的倒数作为权重（wi,k,t）进行加权计算。距离越近的站点所提供的日度气温（Tmeanj,k,t）越准确（权重越大），可以较为准确地刻画县级的气象条件[60]。
2. 气旋灾害
台风破坏力主要体现在中心风速、台风直径以及活动路径等指标上。气旋建模方法主要依赖于气旋运行路径、中心风速和气旋半径等关键参数。探究气旋影响的建模方法主要有Wind Field模型[8]5和Energy模型[5]。Wind Field模型可以模拟气旋所带来的影响，但参数依赖性较高，在微观尺度取得了较好的效果。Energy模型所需参数较少，建模尺度较为粗糙，适用于区域层面的影响评估。Wind Field模型是度量台风影响的主流模型，其优点是能够通过路径和中心风速定量的度量破坏力。Wind Field 模型具体计算公式如式（11）~式（14）所示
$$ \begin{array}{c}{V}_{i,t,k,h}=GF\left[{V}_{{\rm{max}},t,k,h}-S\left(1-\mathrm{sin}({\varphi }_{i,t,k,h})\right)\dfrac{{V}_{t,k,h}}{2}\right]\times\\ {\left[{\left(\dfrac{{R}_{{\rm{max}},t,k,h}}{{R}_{i,t,h}}\right)}^{{B}_{k,h}}\mathrm{exp}\left(1-\left(\dfrac{{R}_{{\rm{max}},t,k,h}}{{R}_{i,t,h}}\right){B}_{k,h}\right)\right]}^{\frac{1}{2}}\end{array} $$ (11) $$ {D_{i,t,k,h}} = \frac{{{\rm{max}}\left[ {\left( {{V_{i,t,k,h}} - {V_{{\rm{thresh}}}}} \right),0} \right]}}{{{V_{{\rm{half}}}} - {V_{{\rm{thresh}}}}}} $$ (12) $$ {f_{i,t,k,h}} = \frac{{D_{i,t,k,h}^3}}{{1 + D_{i,t,k,h}^3}} $$ (13) $$ T{y_{i,t}} = \sum\limits_{k = 1}^K {\prod\limits_{h = 1}^{{H_k}} {{f_{i,t,k,h}}} } $$ (14) 其中，i表示县；t表示年份；k表示台风；h表示台风活动时刻；
${V_{{\rm{max}}}}$ 表示台风中心最大风速；${V_h}$ 表示台风中心h时刻的移动速度；R是台风中心到观测点i的距离；${\varphi }$ 表示台风移动方向${V_h}$ 与观测点i到台风中心连线R的顺时针夹角；${R_{{\rm{max}}}}$ 是台风中心最大风速覆盖半径；参数G、F、S、B以及${V_{\rm{thresh}}}$ 、${V_{\rm{half}}}$ 具体取值情况见参考文献[8]，具体参数的示意如图2所示。
图 2Wind Field模型参数示意图
-
基于面板数据（Panel Data）的回归模型是常见的实证分析方法。模型方程一般如下所示
$$ {y_{i,t}} = \beta {C_{it}} + \gamma {X_{it}} + {u_i} + {\rho _{rt}} + {\varepsilon _{it}} $$ (15) 其中，i表示个体；t表示时间（年、月、日、时刻）；ui表示个体固定效应，包含所有不随时间变化的个体特征；
${\rho _{rt}}$ 表示时间趋势项，包括一些随时间变化的不可观测因子，如经济政策等。面板数据模型可以通过纳入个体固定效应和时间趋势项，大大降低变量遗漏风险，可提高识别的准确性。1. 非线性影响
气候变化对社会经济的影响存在非线性特征。在实证研究中，通常用下述回归方程来评估非线性效应
$$ {y_{i,t}} = \beta f({C_{it}}) + \gamma {X_{it}} + {u_i} + {\rho _{rt}} + {\varepsilon _{it}} $$ (16) 通过对f(·)的形式进行调整可以得到非线性关系，如将函数f设置成一个Q阶多项式，常见的是二阶多项式[14][26][61]
$$ {y_{i,t}} = \sum\limits_{q = 1}^Q {{\beta _q}} {({C_{it}})^q} + \gamma {X_{it}} + {u_i} + {\rho _{rt}} + {\varepsilon _{it}} $$ (17) 当气候变量与产出变量时间维度不一致时，采用构建区间函数来识别其非线性关系，使两者的时间维度保持一致。如将日均气温分成若干个区间，统计一年每日均温落在各个区间的天数，从而构造一个区间函数（
$T_{it}^m$ ）$$ {y_{i,t}} = \sum\limits_{m = 1}^M {{\beta _m}} {T_{it}}^m + \sum\limits_{k = 1}^K {{\sigma _k}} {P_{it}}^k + \gamma {X_{it}} + {u_i} + {\rho _{rt}} + {\varepsilon _{it}} $$ (18) 此外，对气候影响非线性特征评估方法还包括：限制性立方样条（Restricted Cubic Spline, RCS）和多项式算法。大多回归模型假设自变量和因变量呈对数线性关联，而这往往不符合实际情况。常见的解决方法是将连续变量分类，但类别数目和节点位置的选择往往带有主观先验性，且会损失信息。因此，拟合自变量与因变量之间的非线性关系是更好的解决方法。限制性立方样条本质上是一个分段多项式，但它一般要求每个分段点上连续且二阶可导，以保证曲线的平滑性。而限制性立方样条是回归样条基础上的附加要求，即样条函数在自变量数据范围两端的两个区间内为线性函数。在利用限制性立方样条绘制曲线关系时，通常需要设置样条函数节点的个数（k）和位置（Xi）。绝大多数情况下，节点的位置对限制性立方样条的拟合影响不大，而节点的个数（例如，温度段数）则决定曲线的形状或平滑程度。多项式拟合方法与限制性立方样条估计方法类似，通过引入高阶项，在事先不知道响应关系时，尽可能逼近其关系函数，以获得完整的响应关系形式[14]5。这类方法常见于探究气温对发病率的影响[62-63]。
2. 时滞性影响
气候冲击的影响可能存在时滞现象。如发生t1期的极端天气事件不仅会在当期产生影响，还会在t1+1期甚至在t1+L期产生一系列滞后影响。通常采用分布滞后模型来识别气候影响的时滞性，如下所示
$$ {y_{i,t}} = \sum\limits_{l = 0}^L {{\beta _l}} {C_{it - l}} + \gamma {X_{it}} + {u_i} + {\rho _{rt}} + {\varepsilon _{it}} $$ (19) 其中，L表示最大滞后阶数；
${\beta _{l = 0}}$ 则表示气候冲击的直接效应，${\beta _{l > 0}}$ 表示气候冲击的滞后效应。气候事件的累积效应可通过下式计算$$ {\varDelta } = \sum\limits_{l = 0}^\eta {{\beta _l}} $$ (20) 3. 适应性评估
气候影响程度由气候暴露水平和适应能力共同决定。在实证研究中常采用交互项方法来评估适应措施的有效性。在面板数据回归模型中加入天气与地区特征的交互项，可检验气候冲击在不同地区、个体间的差异，评估如供暖、空调、医疗条件等因素在减轻极端天气负面效应的作用。可通过纳入交互项进行分析
$$ {y_{i,t}} = \beta {C_{it}} + \gamma {X_{it}} + \delta {C_{it}} \times {K_i} + {u_i} + {\rho _{rt}} + {\varepsilon _{it}} $$ (21) 其中，Ki表示地区（或个体）i的不变特征；系数
$\delta $ 反映了地区在气候敏感度上与其他地区的差异。 -
研究方法局限性和基础数据不完善造成了气候变化社会经济影响研究的结论存在不确定性。2018年诺贝尔经济科学评委会在公报中指出，气候损失或影响存在着巨大的异质性和不确定性[64]。这些主要表现在区域、气候类型以及经济水平等方面存在着差异[3]。在具体定量评估过程中，气候影响识别的不确定性来源于参数不确定性、天气和气候效应的差异、数据尺度差异、模型设定差异以及气候适应的影响等方面。
-
天气效应是短期影响，气候效应是长期影响，二者在影响的时空尺度上存在差异。短期内天气的变化范围和频率远远超过气候指标的变化幅度，短期高温天气会显著地减少当地农业产出或者劳动生产率，但是长期年均温的升高会使得农民自行选择农作物的种类和种植时间，相比短期气温升高反而出现产出增加的现象。因此，在研究气候影响的问题上，不同的变量设定模式将导致模型结果存在差异。特别是有关极端气候事件的影响研究，使用年度观测值往往会因其均值化处理而低估气候变化的影响。同时，使用天气变化来表征气候变化则会忽略人类系统对气候系统的适应能力，也会高估气候变化的影响。
-
气候影响的不确定性还与数据尺度有关，主要是指研究对象尺度。细尺度样本对象可提升气候变量的度量精度，也可增加实证研究的样本量，从而降低回归标准误。研究对象的尺度可以分国家、省、市、县、村、个体等层级。研究对象的尺度差异主要取决于研究数据尺度，数据尺度主要来源于三类：年度统计数据、普查类数据、微观企业或家庭及个体调查数据。年度统计数据主要集中在国家和省一级尺度上，且时间跨度长，指标较为粗略；普查类数据（如各国的人口普查、经济普查数据）覆盖面较广，可以落实到逐人逐户、逐个企业，数据指标较为详实，但时间维度较为单一；微观调查数据主要基于随机抽取原则选择一部分微观个体，通过问卷调查获取针对性的信息，其样本量适中且可追踪，时间频率比普查类数据高。
针对同一问题同一对象的实证研究，若采用不同数据会得到不同的结论，在气候变量和产出变量频率不一致的情况下，往往会导致结果存在较大的不确定。Barreca等[30]2如使用美国州（State）-月的观测样本数据，发现在1900—2004年，高温天气对居民死亡率的影响约为1.9%，在1960年后高温影响相比之前下降了70%，其原因在于空调的大规模使用和医疗条件的提升。而Deschenes等[35]4则使用16个亚洲国家的年度死亡数据发现极端气温对死亡率的影响并不显著。这种结论差异主要来自数据的尺度问题。大部分亚洲国家的领土面积广阔，使得气候变量和死亡率水平被平均化，难以捕捉气候变化对死亡率变化的贡献。总体来看，在研究长期气候变化时，长跨度的年度统计数据更具优势，在研究天气冲击的短期影响时，普查类和微观调查数据更加合适，可以更好地识别个体异质性。
-
气候影响的复杂性造成一定的不确定性。根据环境曝露响应理论，环境影响可归结为三个关键的因素：冲击、曝露和响应函数。首先，学界对响应函数（Response Function）的形式设定存在争议，如气候变化综合评估模型中的损失函数设定，其在定量估计时造成了较大的不确定性。在短期估计天气影响时，需要考虑天气变量的滞后效应，而在考虑长期影响时，滞后项容易造成共线性，故不宜纳入模型。其次，气候变量还存在非线性影响。人体可以调整自己的热平衡来达到最适的温度，以维持身体各项身体机能。随着环境温度逐步上升，人体热平衡的稳定程度呈“倒U形”形式。已有实证研究结果显示，气温与健康和经济产出的关系分别呈现“U形”和“倒U形”的关系[65]。再次，还受气候适应因素的设定。得益于科技进步等因素，人类对气候系统的适应能力也在增强，忽略适应性行为的影响会低估气候影响[66]。已有研究表明，发达国家所受气候影响比发展中国家小，其根本原因在于经济水平、文化水平和气候意识水平的差异，这些均是适应能力的体现。因此，缺乏对这些因素考量会造成气候影响估计偏误。
-
气候变化的社会经济影响决定着气候政策治理成本与效益。考虑到气候影响的领域广泛性和作用复杂性，气候变化的社会经济影响研究仍存在以下四个方面可以进一步深化：
1. 气候影响的领域和区域有待拓宽。现有气候影响研究多集中于农业、经济产出、健康产出等宏观层面，但在微观个体行为层面关注不足或者比较碎片化。很多针对微观个体的研究要么缺乏严格随机抽样，要么受数据制约缺失关键性控制变量（特别是适应方面）。今后可以进一步拓展气候影响的研究领域，如社会经济系统各类群体行为决策等领域。此外，气候影响的区域异质性与经济水平、文化风俗、地理环境、政治制度等密切相关。特别是气候影响体现出一定的亲贫性，应当加强对发展中国家/地区和欠发达国家/地区的社会经济影响研究，进一步精准识别气候脆弱人群并提出有针对性的决策方案。研究机构和学者可与保险公司等企业开展合作，甚至包括社会经济实验，充分利用其数据和资金等优势条件，更加精细地评估不同领域的气候影响。
2. 气候影响非线性有待进一步探究。巨灾风险管理是气候经济综合评估建模的一个难点，气候风险的“尖峰厚尾”特征和异质性决定了气候影响是非线性的。现有量化气候影响的研究大多使用传统计量经济模型，通过实证研究的方法难以揭示完整的非线性特征，或者针对较高温升情况的结论有很大不确定性。近年来，机器学习、人工智能等算法逐步开始用于社会经济科学研究。因此，未来可尝试将机器学习和人工智能方法应用到气候影响评估中，通过有效的算法克服传统计量经济学方法的不足。
3. 气候适应的评估有待加强。虽然气候适应不能直接控制碳排放，但会影响人类系统对气候变化的感知深度。有效的适应行为可降低气候变化的负面影响。由于不同地区社会经济条件的差异，使得同种适应政策（如空调的使用）不能适用于全球各地。应当加强对气候适应的评估，尤其是针对发展中国家的研究，以便更好地为气候适应和减排政策提供因地制宜、因人而异的方案。
4. 数据质量和数据获取力度有待提高。由于数据的质量及可获得性等因素，发达国家实证研究较多而发展中国家案例有待深入。未来，政府统计部门和商业组织应当加大数据信息披露，在保证受访者（地）隐私的前提下，加大政学、产学研的合作，以科研成果支撑政府决策和企业战略布局。
A Review of Empirical Studies on Socio-economic Impact of Climate Change
-
摘要:评估气候变化对社会经济的影响，是开展综合评估建模、设计最优减排路径的关键性研究内容，也是当前研究的薄弱环节之一。鉴于难以通过大规模随机控制实验评估气候变化对社会经济的影响，研究人员通常利用历史观测数据，采用统计学或计量经济学等实证研究方法开展影响评估。基于此，梳理气候变化对社会经济影响的研究进展，包括气候变化对生产活动、消费行为、人力资本与居民健康的影响研究及气候适应行为研究，凝练影响评估的关键建模技术，并从天气—气候效应、数据尺度、模型设定等方面讨论了研究结论的不确定性。建议未来研究应拓宽气候影响的研究领域和区域，进一步探究气候影响的非线性特征，强化气候适应的评估研究，着力提升数据质量和数据获取力度，以深化气候变化的社会经济影响研究。Abstract:Assessing the impact of climate change on socio-economic factors is a critical research area for conducting comprehensive assessment modeling and designing optimal emissions reduction paths. It is also one of the weak links in current research. Given the difficulty of evaluating the impact of climate change on socio-economic factors through large-scale randomized controlled experiments, researchers typically use historical observation data and empirical research methods such as statistics or econometrics to conduct impact assessments. In this paper, research progress in this area was summarized, including studies on the impact of climate change on production activities, consumption behavior, human capital, and resident health, as well as research on climate adaptation behavior. The key modeling techniques for impact assessment were obtained and the uncertainty of research conclusions was discussed from aspects such as weather-climate effects, data scale, and model settings. It is recommended that future research should broaden the research field and region of climate impact, further explore the nonlinear features of climate impact, strengthen the assessment research of climate adaptation, and focus on improving data quality and data acquisition to deepen research on the socio-economic impact of climate change.
-
Key words:
- climate change/
- socio-economic impact/
- uncertainty/
- evaluation method
-
[1] HSIANG S, KOPP R E. An economist’s guide to climate change science[J]. Journal of Economic Perspectives, 2018, 32(4): 3-32.doi:10.1257/jep.32.4.3 [2] REVESZ R L, HOWARD P H, ARROW K J, et al. Global warming: improve economic models of climate change[J]. Nature, 2014, 508(7495): 173-175.doi:10.1038/508173a [3] BURKE M, CRAXTON M, KOLSTAD C D, et al. Opportunities for advances in climate change economics[J]. Science, 2016, 352(6283): 292-293.doi:10.1126/science.aad9634 [4] 郑沃林, 胡新艳. 应对气候变化的农业经济研究前沿与政策实践[J]. bob手机在线登陆学报(社会科学版), 2021, 23(6): 50-57.doi:10.15918/j.jbitss1009-3370.2021.2629 [5] HSIANG S M, JINA A S. The causal effect of environmental catastrophe on long-run economic growth: evidence from 6 700 cyclones[R]. Cambridge: National Bureau of Economic, 2014. [6] HSIANG S, KOPP R, JINA A, et al. Estimating economic damage from climate change in the United States[J]. Science, 2017, 356(6345): 1362-1369.doi:10.1126/science.aal4369 [7] 王军, 谭金凯. 气候变化背景下中国沿海地区灾害风险研究与应对思考[J]. 地理科学进展, 2021, 40(5): 870-882.doi:10.18306/dlkxjz.2021.05.013 [8] ELLIOTT R J R, LIU Y, STROBL E, et al. Estimating the direct and indirect impact of typhoons on plant performance: evidence from Chinese manufacturers[J/OL]. Journal of Environmental Economics and Management, 2019, 98: 102252.https://econpapers.repec.org/article/eeejeeman/v_3a98_3ay_3a2019_3ai_3ac_3as009506961830651x.htm. [9] NOY I, NGUYER C N, PATEL P. Floods and spillovers: households after the 2011 great flood in Thailand[J]. Economic Development and Cultural Change, 2019, 69(2): 829-868. [10] BELASEN A R, POLACHEK S W. How disasters affect local labor markets[J]. Journal of Human Resources, 2009, 44(1): 251-276.doi:10.1353/jhr.2009.0014 [11] BOUSTAN L P, KAHN M E, RHODE P W. Moving to higher ground: migration response to natural disasters in the early twentieth century[J]. American Economic Review, 2012, 102(3): 238-244.doi:10.1257/aer.102.3.238 [12] BELASEN A R, POLACHEK S W. How hurricanes affect wages and employment in local labor markets[J]. American Economic Review, 2008, 98(2): 49-53.doi:10.1257/aer.98.2.49 [13] DELL M, JONES B F, OLKEN B A. Temperature shocks and economic growth: evidence from the last half century[J]. American Economic Journal(Macroeconomics), 2012, 4(3): 66-95.doi:10.1257/mac.4.3.66 [14] BURKE M, HSIANG S M, MIGUEL E. Global non-linear effect of temperature on economic production[J]. Nature, 2015, 527(7577): 235-239.doi:10.1038/nature15725 [15] KALKUHL M, WENZ L. The impact of climate conditions on economic production. evidence from a global panel of regions[J/OL]. Journal of Environmental Economics and Management, 2020, 103: 102360.https://ideas.repec.org/a/eee/jeeman/v103y2020ics0095069620300838.html. [16] LI C, CONG J, GU H. Could weather fluctuations affect local economic growth? evidence from counties in the People’s Republic of China[J]. Asian Development Review, 2020, 37(2): 201-224.doi:10.1162/adev_a_00154 [17] 林光华, 陆盈盈. 气候变化对农业全要素生产率的影响及对策: 以冬小麦为例[J]. 农村经济, 2019(6): 114-120. [18] 赵红军. 气候变化是否影响了我国过去两千年间的农业社会稳定: 一个基于气候变化重建数据及经济发展历史数据的实证研究[J]. 经济学(季刊), 2012, 11(2): 691-722. [19] 杨璐, 史京晔, 陈晓光. 温度变化对中国工业生产的影响及其机制分析[J]. 经济学(季刊), 2020, 20(5): 299-320.doi:10.13821/j.cnki.ceq.2020.04.16 [20] 吴施美, 郑新业, 安子栋. 气候治理与短期经济波动: 气候变化奥肯定律[J]. 经济学动态, 2022(4): 49-66. [21] 吴绍洪, 高江波, 邓浩宇, 等. 气候变化风险及其定量评估方法[J]. 地理科学进展, 2018, 37(1): 28-35 [22] HARRINGTON W, PORTNEY P R. Valuing the benefits of health and safety regulation[J]. Journal of Urban Economics, 1987, 22(1): 101-112.doi:10.1016/0094-1190(87)90052-0 [23] DESCHÊNES O, GREENSTONE M. Climate change, mortality, and adaptation: evidence from annual fluctuations in weather in the US[J]. American Economic Journal(Applied Economics), 2011, 3(4): 152-185. [24] BUSSE M R, POPE D G, POPE J C, et al. The psychological effect of weather on car purchases[J]. The Quarterly Journal of Economics, 2015, 130(1): 371-414.doi:10.1093/qje/qju033 [25] BUCHHEIM L, KOLASKA T. Weather and the psychology of purchasing outdoor movie tickets[J]. Management Science, 2017, 63(11): 3718-3738.doi:10.1287/mnsc.2016.2524 [26] GRABLE J E, ROSZKOWSKI M J. The influence of mood on the willingness to take financial risks[J]. Journal of Risk Research, 2008, 11(7): 905-923.doi:10.1080/13669870802090390 [27] ZHANG C, LIAO H, WANG F, et al. Ambient temperature and food behavior of consumer: a case study of China[J]. Weather, Climate, and Society, 2021（4） 813–822. [28] 金刚, 沈坤荣, 孙雨亭. 气候变化的经济后果真的“亲贫”吗[J]. 中国工业经济, 2020(9): 42-60.doi:10.19581/j.cnki.ciejournal.2020.09.014 [29] 刘长松. 我国气候贫困问题的现状、成因与对策[J]. 环境经济研究, 2019, 4(4): 148-162.doi:10.19511/j.cnki.jee.2019.04.010 [30] BARRECA A, CLAY K, DESCHENES O, et al. Adapting to climate change: the remarkable decline in the U. S. temperature-mortality relationship over the twentieth century[J]. Journal of Political Economy, 2016, 124(1): 105-159.doi:10.1086/684582 [31] WHITE C. The dynamic relationship between temperature and morbidity[J]. Journal of the Association of Environmental and Resource Economists, 2017, 4(4): 1155-1198.doi:10.1086/692098 [32] BURGESS R, DESCHENES O, DONALDSON D, et al. Weather, climate change and death in India[R]. Chicago:University of Chicago, 2017. [33] YU X, LEI X, WANG M. Temperature effects on mortality and household adaptation: evidence from China[J]. Journal of Environmental Economics and Management, 2019, 96: 195-212.doi:10.1016/j.jeem.2019.05.004 [34] COHEN F, DECHEZLEPRÊTRE A. Mortality, temperature, and public health provision: evidence from Mexico[J]. American Economic Journal: Economic Policy, 2022, 14(2): 161-192.doi:10.1257/pol.20180594 [35] DESCHÊNES O. Temperature variability and mortality: evidence from 16 Asian countries[J]. Asian Development Review, 2018, 35(2): 1-30.doi:10.1162/adev_a_00112 [36] 祁毓, 卢洪友, 杜亦譞. 环境健康经济学研究进展[J]. 经济学动态, 2014(3): 124-137. [37] BURKE M, GONZÁLEZ F, BAYLIS P, et al. Higher temperatures increase suicide rates in the United States and Mexico[J]. Nature Climate Change, 2018, 8(8): 723-729.doi:10.1038/s41558-018-0222-x [38] GRAFF Z J, SONG Y, TANG Q, et al. Temperature and high-stakes cognitive performance: evidence from the national college entrance examination in China[J/OL]. Journal of Environmental Economics and Management, 2020, 104: 102365.https://www.sciencedirect.com/science/article/abs/pii/S0095069620300887. [39] BARKER D. Fetal origins of coronary heart disease[J]. British Medical Journal, 1995, 311: 171-175.doi:10.1136/bmj.311.6998.171 [40] ALMOND D, MAZUMDER B. Health capital and the prenatal environment: the effect of Ramadan observance during pregnancy[J]. American Economic Journal: Applied Economics, 2011, 3(4): 56-85.doi:10.1257/app.3.4.56 [41] WILDE J, APOUEY B H, JUNG T. The effect of ambient temperature shocks during conception and early pregnancy on later life outcomes[J]. European Economic Review, 2017, 97: 87-107.doi:10.1016/j.euroecorev.2017.05.003 [42] ISEN A, ROSSIN-SLATER M, WALKER R. Relationship between season of birth, temperature exposure, and later life wellbeing[J]. Proceedings of the National Academy of Sciences, 2017, 114(51): 13447-13452.doi:10.1073/pnas.1702436114 [43] FISHMAN R, CARRILLO P, RUSS J. Long-term impacts of exposure to high temperatures on human capital and economic productivity[J]. Journal of Environmental Economics and Management, 2019, 93: 221-238.doi:10.1016/j.jeem.2018.10.001 [44] HU Z, LI T. Too hot to handle: the effects of high temperatures during pregnancy on adult welfare outcomes[J]. Journal of Environmental Economics and Management, 2019, 94: 236-253.doi:10.1016/j.jeem.2019.01.006 [45] 尹莎, 杨新军, 陈佳. 人地系统适应性研究进展: 概念、理论框架与方法[J]. 地理科学进展, 2021, 40(02): 330-342. [46] DESCHÊNES O. Temperature, human health, and adaptation: a review of the empirical literature[J]. Energy Economics, 2014, 46: 606-619.doi:10.1016/j.eneco.2013.10.013 [47] GRAFF ZIVIN J, NEIDELL M. Temperature and the allocation of time: implications for climate change[J]. Journal of Labor Economics, 2014, 32(1): 1-26.doi:10.1086/671766 [48] CHONG H. Building vintage and electricity use: old homes use less electricity in hot weather[J]. European Economic Review, 2012, 56(5): 906-930.doi:10.1016/j.euroecorev.2012.02.009 [49] DESCHÊNES O, MORETTI E. Extreme weather events, mortality, and migration[J]. The Review of Economics and Statistics, 2009, 91(4): 659-681.doi:10.1162/rest.91.4.659 [50] 宋良媛, 杜富林. 气候变化适应性行为对牧户收入的影响研究: 以内蒙古为例[J]. 农业经济与管理, 2022(3): 86-96.doi:10.3969/j.issn.1674-9189.2022.03.009 [51] 王灿, 蔡闻佳, 郑馨竺, 等. 碳中和目标下气候政策研究的前沿问题[J]. bob手机在线登陆学报(社会科学版), 2022, 24(4): 74-80.doi:10.15918/j.jbitss1009-3370.2022.1573 [52] 魏一鸣, 韩融, 余碧莹, 等. 全球能源系统转型趋势与低碳转型路径: 来自于IPCC第六次评估报告的证据[J]. bob手机在线登陆学报(社会科学版), 2022, 24(4): 163-188. [53] 陈雄, 李宁, 贾剑波, 等. 适应领域应对气候变化的重点领域与技术需求研究[J]. 中国人口·资源与环境, 2020, 30(8): 13-20. [54] TENG M, LIAO H, BURKE P J, et al. Adaptive responses: the effects of temperature levels on residential electricity use in china[J/OL]. Climatic Change, 2022, 172(3-4).https://www.researchgate.net/publication/354299855_Adaptive_Responses_to_Climate_Change_The_Effects_of_Temperature_Levels_on_Residential_Electricity_use_in_China. [55] MULLINS J T, WHITE C. Can access to health care mitigate the effects of temperature on mortality? [J/OL]. Journal of Public Economics, 2020, 191: 104259.https://econpapers.repec.org/article/eeepubeco/v_3a191_3ay_3a2020_3ai_3ac_3as0047272720301237.htm. [56] BOHRA-MISHRA P, OPPENHEIMER M, HSIANG S M. Nonlinear permanent migration response to climatic variations but minimal response to disasters[J]. Proceedings of the National Academy of Sciences, 2014, 111(27): 9780-9785.doi:10.1073/pnas.1317166111 [57] BARRIOS S, BERTINELLI L, STROBL E. Climatic change and rural-urban migration: the case of sub-Saharan Africa[J]. Journal of Urban Economics, 2006, 60(3): 357-371.doi:10.1016/j.jue.2006.04.005 [58] ZHANG C, LIAO H, MI Z. Climate impacts: temperature and electricity consumption[J]. Natural Hazards, 2019, 99(3): 1259-1275.doi:10.1007/s11069-019-03653-w [59] LIU X, ZHANG C, ZHOU Y, et al. Temperature change and electricity consumption of the group living: a case study of college students[J/OL]. Science of The Total Environment, 2021, 781: 146574.https://www.nstl.gov.cn/paper_detail.html?id=36f55a33184bfd9ab82338f3bca83e41. [60] 张辰. 气象因素对经济活动和居民健康的影响研究[D]. 北京: bob手机在线登陆, 2021. [61] ZHANG C, LIAO H, STROBL E, et al. The role of weather conditions in COVID-19 transmission: a study of a global panel of 1 236 regions[J/OL]. Journal of Cleaner Production, 2021, 292: 125987.https://pubmed.ncbi.nlm.nih.gov/33495673/. [62] BARRECA A I. Climate change, humidity, and mortality in the United States[J]. Journal of Environmental Economics and Management, 2012, 63(1): 19-34.doi:10.1016/j.jeem.2011.07.004 [63] CHEN R, YIN P, WANG L, et al. Association between ambient temperature and mortality risk and burden: time series study in 272 main Chinese cities[J/OL]. British Medical Journal, 2018, 363: k4306.https://www.bmj.com/content/363/bmj.k4306/peer-review. [64] The Committee for the Prize in Economic Sciences in Memory of Alfred Nobel. Scientific background on the sveriges riksbank prize in economic sciences in memory of alfred nobel 2018[R/OL]. Stockholm: The Royal Swedish Academy of Sciences, 2018.https://www.nobelprize.org/uploads/2018/10/advanced-economicsciencesprize2018.pdf. [65] CHANG J, WEI Y, YUAN X, et al. The nonlinear impacts of global warming on regional economic production: an empirical analysis from China[J]. Weather, Climate, and Society, 2020, 12(4): 759-769.doi:10.1175/WCAS-D-20-0029.1 [66] 滕美萱, 廖华, 王方志. 居民气候适应行为研究进展综述[J]. 环境经济研究, 2022(3): 145-168.doi:10.19511/j.cnki.jee.2022.03.007 -
点击查看大图
图(2)
计量
- 文章访问数:60
- HTML全文浏览量:35
- PDF下载量:9
- 被引次数:0
