推文人 | 谭小清

原文信息：Xiaoguang Chen, Lu Yang. 2019. “Temperature and industrial output: Firm-level evidence from China” Journal of Environmental Economics and Management 95:257-274.

 

引言和背景

 

众所周知，全球气候正在变暖，许多学者已经研究了高温对经济产出的影响，估计了不同变暖情景下可能产生的影响，并讨论了经济体应该如何适应更暖的气候。但是，由于数据获得难度较大，评价发展中国家温度变化对工业产出影响的研究，特别是使用精细、微观数据的研究仍然很少。本文使用中国企业层面工业产出数据，实证检验了气温对中国企业产出的影响。

 

数据及实证策略

 

本文使用的数据主要包括天气数据和工业产出数据：天气数据来自CMDSSS，中国820个气象站点报告了日平均气温、降雨量、日照时数、气压、相对湿度和平均风速；工业产出数据来自中国国家统计局编制的工业企业年度调查数据库，数据库中包括年销售额在500万元以上的企业的总产出、中间投入、职工人数等会计信息。本文最终整合形成了1998-2007年企业层面工业产出和天气的面板数据。

 

本文使用两种不同的方法构造温度变量研究温度对工业产出的影响：

 

1.季节平均气温作为温度变量

r代表企业，i代表行业，t代表年份。LogVAr，t表示企业工业产出的人均增加值，Tempr，t表示季节的气温变量（3-5月为春季、6-8月为夏季、9-11月为秋季、12-2月为冬季），Wr，t表示一系列的天气控制变量，Tempr，t-L和Wr，t-L表示气温和其他天气变量的滞后项，Ψt，i表示企业-年份固定效应，ct表示时间固定效应，εr，t表示残差。

 

2.温度箱作为温度变量

Tbinmr，t表示日平均气温在t年落入公司r所在县的第m个温度箱的天数，本文把温度分为16个温度箱，以3℃为宽度。Tbin1r，t是每日平均气温低于-12℃的天数，Tbin2r，t表示每日平均气温位于[-12℃，-9℃）区间的天数，依次类推，Tbin16r，t表示每日平均气温高于30℃的天数，为了避免多重共线性，本文把温度箱[21℃，24℃）作为遗漏类别。Weatherr，t表示一系列天气控制变量，Tbinmr，t-L和Weatherr，t-L表示滞后项，Ψt，i表示企业-年份固定效应，ct表示时间固定效应，εr，t表示残差。

 

主要结果

 

1. 季节平均气温作为温度变量

 

如表1和图3，模型1加入日照时数以外的其他天气控制变量，模型2加入了包括日照时数的天气控制变量，模3加入了滞后1期的天气变量，模型4加入了滞后4期的天气变量。

 

（1）同期温度效应

 

如表1，春天的气温变化对企业产出具有显著的正向影响，平均气温增加1℃，产出增加1.6-3%；夏天的气温变化对企业产出具有显著的负向影响，平均气温每增加1℃，产出下降3.5-5.6%；秋天和冬天的气温变化对企业产出没有显著影响。

 

（2）滞后温度效应

 

如表1和图3，前一年的气温变化对本年企业产出具有显著影响，夏天和冬天具有显著的负向影响，春天和秋天具有显著的负向影响。控制其他条件不变，夏天和冬天前一年平均气温每增加1℃，今年的产出分别下降1.9-2%和1.8-3.2%；春天和秋天前一年平均气温每增加1℃，今年的产出分别增加3.4-3.9%和2.2-2.4%。图3还显示，前几年的气温变化对今年产量的影响没有随时间呈现任何特定的趋势。

 

（3）累积温度效应

 

如图3，夏天气温变化的累积效应仍然是负的，随着滞后期的增加，累积效应的幅度也在增加，没有滞后期的时候，气温每增加1℃，产出减少3.5-4.5%，包含一期滞后，夏天气温的累积效应使产出下降7.6%，包含四期滞后，夏天气温的累积效应使产出下降16.8%；春天气温变化的累积效应是正的，随着滞后期的增加，累积效应的幅度也在增加，没有滞后期的时候，气温每增加1℃，产出增加1.6-2.2%，包含四期滞后，春天气温的累积效应使产出增加9.8%；随着时滞的增加，秋天和冬天的累积效应分别变得显著为正和负。包含四期滞后时，秋天气温变化的累积效应使产出增加5.6%，冬天气温变化的累积效应使产出下降10.7%。

 

2. 温度箱作为温度变量

 

本文使用温度箱作为温度变量，进一步研究上述温度与工业产出之间的非线性关系是否成立，并确定对产出有害的关键临界温度阈值。本文发现，将温度箱[21℃，24℃）作为遗漏类别，其余的温度箱的系数不是正向的，这说明，相对于温度箱[21℃，24℃），在其他温度箱中，额外一天的工业产出的边际效应为负(或零)，[21℃，24℃）为临界温度阈值。

 

（1）同期温度效应

 

如图4，温度与企业产出的关系是非线性的，当温度在15℃以上时呈倒U型；低温（低于-12℃）对产量的影响为负；气温在[-12℃，15℃）时，产出对气温变化的反应统计不显著，除了[3℃，6℃）和[9℃，12℃）两个温度箱的估计系数为负且分别在5%和1%显著性水平显著；气温高于15℃时，产出对气温变化的反应变得统计显著；工业产出在温度达到[21℃，24℃）时近似线性增长，高于30℃急剧下降。

 

（2）滞后温度效应

 

如图5，Panel B和Panel C表明，当温度高于3℃时，本年度产量对前两年温度变化的响应也是高度非线性的，呈倒U型，这些发现表明，前两年气温升高对产量的负面影响可以延续到未来几年。Panel D 显示了温度对产量的累积影响，相对于平均气温在21-24℃，除了温度箱[-12℃，-9℃）以外，其他温度箱对产量的累积影响为负，具有统计学意义。当温度高于3℃，对产出的累积效应呈现明显的倒U型。Panel D表明上述临界温度阈值[21℃, 24℃)，在模型的识别中对变化是稳健的。

 

3.异质性分析

 

上述发现温度对产出的影响可能由于每个行业投入的时间长度不同在不同行业存在差异，如劳动力和资本暴露在低温和高温，对温度适应力是不同的，或者不同行业对温度的适应力也是不同的。温度变化对不同行业产出影响结果见图7，结果表明温度对不同行业产量的影响存在很大的异质性。

 

4.稳健性检验

 

本文研究了8种不同计量经济学估计策略和数据变化的情景下，温度对产出影响的稳健性，结果依然稳健。详细论述见原文。

 

5.滞后温度对产量影响的机制

 

图6显示温度对企业投资和库存水平的影响，虽然这两个变量和温度之间的关系没有表现出特定的形状，但我们发现低温和高温影响了企业的投资和库存水平，通过影响企业的投资和库存水平，前几年的温度变化可以影响工业企业未来几年的生产。

 

引伸及拓展

 

1.对高温的适应

 

前文已经证明夏季高温对产量有很大的负面影响，本文继续探讨是否采取了适应行动，能够减少夏季气温上升对产量的负面影响，在探索气候适应范围时，本文将重点放在不同温度水平地区的温度效应上。本文通过构造一系列新的天气变量对公式（2）进行修改，将天气变量和二值虚拟变量“高温”县进行交互，将秦岭-淮河线作为中国北方（低温）和南方（高温）天然边界，结果见表2。（1）表明和低温地区相比，高温地区更能适应夏季高温，（2）和（3）改变了定义高温地区的方法：高温地区为包括高温地区（位于中国南部地区）和潮湿地区（相对湿度高于均值）或者高温地区为气候炎热（位于中国南部地区）和降雨量高于均值的地区，结果依然稳健。

 

2.未来气候变化的影响

 

在基本情景和稳健性检验部分考虑的情景下，我们使用模型4中季节平均温度对产量的同期和滞后边际效应之和的点估计来量化未来气候变化的潜在影响，未来全球变暖对企业产出的影响结果见表3。结果表明，气候变暖对产量的影响取决于气候模型和变暖情景，各种模型结果说明导致未来产量下降的主要因素是夏季气温的预计升高。然而，从长远的全球变暖来看，这里估计的未来气候对工业生产的影响可能会比实际上的损失大，因为我们的温度变量系数的估计是基于在一个相对短的时间内观察到的结果，不能抓住将由公司长远进行的适应。

 

总结

 

本文利用企业年产值面板，结合精细的日气象数据集，对我国气温变化对工业产值的影响进行了评价，结果表明，工业产出对温度变化具有非线性响应，这一发现不受温度变量构造方式的影响。本文研究有两点需要注意：（1）本文数据集只涵盖了很短时间内的观察。我们对工业产出未来损害的估计尤其受到这种数据不足的影响；（2）尽管我们发现冬季气温升高会影响男性和女性在劳动力中的比例，但其潜在机制尚不清楚。

 

Abstract

 

We pair a firm-level panel of annual industrial output with a fine-scale daily weather data set, to estimate the responses of industrial output to temperature changes in China. We have four primary findings. First, industrial output is nonlinear in temperature changes. With seasonal average temperatures as temperature variables, output responds positively to higher spring temperatures and negatively to elevated summer temperatures. With temperature bins as temperature variables, output increases linearly with temperature up to 21-24℃, and then declines sharply at higher temperatures. Second, lagged temperature changes exert large and significant impacts on current year’s output. Third, higher summer temperatures have larger detrimental effects on output in low-temperature regions than in high-temperature regions, which suggests that adaptation to warming may have been actively undertaken in high-temperature regions in China. Lastly, industrial output in China is projected to decrease by 3-36% by 2080 under the slowest warming scenario (B1) and by 12-46% under the most rapid warming scenario (A2) under the global climate models UKMO-HadCM3 and PCM.