气候对经济和金融周期的影响：A

欲了解CEI及其在昆虫类impa ct s中的潜在应用的完整描述，读者可参考Mistry（2019）。虽然CSU和r20mm遵循我们研究中的传统定义，但为了便于解释，这里使用的6个月尺度上的SPI略有变化。SPI是通过将观测月降水量与长期平均值的偏差标准化来计算的，它可以取负值（表示干燥期）和正值（表示湿度）。在这里，我们定义了区分这两种情况的自变量：小于-0.5的SPI值被标记为干旱样条件，标记为1，而大于或等于-0.5的值被标记为非干旱样条件，标记为0。附录B中给出了本研究所用数据的汇总统计数据。研究中欧盟国家的平均月工业生产增长率在0.038%和0.75%之间，爱尔兰和意大利的月增长率分别为最高和最低（见表EC.1）。此外，卢森堡和法国是仅有的两个月增长率为负的国家。爱尔兰月增长率的可变性可归因于样本期结束时观察到的突然大增长率（见图EC.1）。

法国、德国和意大利的月度增长率往往较低且相对稳定（见图EC.1）。希腊、意大利、葡萄牙和西班牙是夏季天数最多（超过20天）的国家，而爱尔兰的夏季天数最少（大多少于5天）（见图EC.2）。作为欧元区国家极端天气事件分布的直观说明，http://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/administrative-units-statistical-units.TheCEI使用R光栅包（Hijmans和van Etten）的扩展功能从网格到国家级进行聚合。SPI是基于降水量的概率指数。它被设计成干旱的空间不变性指标。6个月时间尺度上的SPI是指前6个月的降水量（正值和负值分别表示潮湿和干燥条件）。我们利用以下两个时间间隔下的每月m值（i）[小于-0.5，归类为干旱样条件]和（ii）[大于或等于-0.5，归类为非干旱样条件]。气候对经济和金融周期的影响；13图1（a）显示了7月份的平均CSU。所有接受研究的欧盟国家都经历过相当比例的中度至异常干燥天气（图EC.3）。在图中。奥地利和葡萄牙的强降雨月频率相对较高。图1平均温度（炎热天气（CSU，T>25oC） ）于1981年至2016年7月。在下一节中，我们将我们的模型（方程式2-6）应用于选定的一组欧盟国家商业周期和总金融周期，以评估气候冲击和金融冲击在解释商业和金融周期之间的同步性方面的相关性。

在2000个样本的磨合期之后，我们进行了20000次Gibbs迭代。然而，为了减少与Gibbs取样器产生的样本相关的非常高的正序列相关性，我们考虑了老化期后的第10次抽检。这种方法将有效样本量减少到2000个，以下结果基于有效样本量。4.2. 商业和金融周期提取图2显示了在PMS模型的两种不同规格下，金融指数Fin1（黑色实线）和估计的金融周期^Sx，t（红色分步线）的增长率。图1（a）显示了当气候影响不受气候对经济和金融周期的影响时，对金融周期的估计14；PMS模型的测量方程，而图1（b）代表了在PMS模型中考虑气候冲击时对金融周期的估计。在PMS模型的两种规格下获得的估计财务周期的动力学似乎没有差异。此外，与使用类似方法测量金融周期的研究结果（Drehmann等人（2012年），ECB（2014年））以及Duprey等人描述的金融危机报告一致。

（2016）和瓦茨（2016），欧元区金融危机的以下事件：1981-1983年的股票和货币危机（法国、德国、意大利）；1992-1995年银行、股票和货币危机（法国、德国、意大利、西班牙）；2008-2013年银行和股票危机（法国、德国、意大利、西班牙、英国）；2015-2016年意大利和西班牙的银行危机如图2所示。（a） 无气候冲击1989M05 1997M09 2006M01 2014M05-0.2-0.10.20.30.4Fin1增长率金融周期Fin1（b）有气候冲击1989M05 1997M09 2006M01 2014M05-0.2-0.10.20.30.4Fin1增长率金融周期Fin1图2金融指数增长率（黑色固体）和方程式2-6中PMS模型的估计金融周期^Sx，t（逐步红色）。图1（a）显示了在没有气候冲击的情况下PMS模型的结果，而图1（b）报告了PMS模型的结果，分别受气候极端指数CSU、SPI和R20McA的影响，包括连续热天、干旱和强降雨天数。另一方面，图3显示了提取的全球商业周期m（^Sy，t）（黑线），它代表了制度2（扩张）中的国家比例。同一图表显示了估计的财务周期^Sx，t（红线）。图2（a）和图2（b）分别显示了在没有气候指数的情况下从PMS模型中提取的全球商业周期，以及考虑了气候波动的全球商业周期。受气候冲击影响的PMS模型得出的全球商业周期的波峰和波谷似乎比受限PMS模型得出的略大。

这种差异可能归因于气候冲击的存在。关于i国综合金融周期和商业周期之间的同步程度，我们遵循哈丁和帕根（2002）的方法，计算一致性指数（CI）us ingCIi=T（TXt=1（Sx，T- 1） ·（天哪- 1） +TXt=1（2- Sx，t）·（2）- （18）气候对经济和金融周期的影响；15（a）无气候冲击1989M05 1997M09 2006M01 2014M05全球经济周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融周期金融模型。图2（a）和图2（b）分别显示了未考虑气候冲击和未考虑气候冲击时PMS模型的结果。全局相互作用因子mk（Sy，t）由链在区域kat时间t中的比例给出，并使用方程7计算。样本期：1981年2月至2016年12月（按月）。其中Sy表示商业周期系列，Sx表示金融周期系列。CIitakes值介于0和1之间。如果CIiequals为1（零），那么周期性运动是完全同步的（反周期）。这些统计数据提供了一种途径，可以检验气候冲击对周期同步的影响（如果存在的话）。通过应用上面给出的两两一致统计量，我们得到了表2中的同步结果。我们注意到，表2中对角线上方的数据代表了从无气候冲击的PMS模型中提取的业务和财务周期之间的同步结果，而对角线下方的数据则使用PMS模型估计了所有气候冲击下的业务和财务周期的共动。

几乎所有国家之间以及金融周期的同步水平都在0.5以上。在PMS模型的不同规范下，商业周期和金融周期之间的系统化程度的绝对差异小于0。03.这一观察结果表明，气候冲击对商业和金融周期之间的同步性有轻微影响。然而，我们从该表中注意到，通过考虑气候冲击，商业周期之间成对同步的估计程度大多大于忽略气候冲击得到的估计程度。特别是，法国和丹麦的商业周期（0.23个单位）与丹麦和卢森堡的商业周期（0.19个单位）之间成对同步的估计水平显著提高，可能与PMS模型规范中存在的冲击有关。图4显示了在我们的PMS模型的两种不同规格下，恒定过渡参数α、特定国家商业周期和金融周期之间的相互作用参数β以及全球周期效率γ的后验分布。

相应地，表3和表4给出了它们的后验均值和95%可信区间（括号内），而图5给出了气候对经济和金融周期的影响16；表2使用PMS模型估算的业务和财务周期之间的总体一致性统计数据1.00 0.82 0.61 0.71 0.65 0.82 0.70 0.61 0.78 0.63 0.68 0.64 0.79 0.64BE0。80 1.00 0.61 0.75 0.66 0.80 0.64 0.63 0.81 0.63 0.67 0.65 0.75 0.58DE0。690.661.000.590.470.610.650.690.620.490.650.590.510.50FI0。70 0.74 0.65 1.00 0.57 0.67 0.63 0.62 0.74 0.57 0.72 0.62 0.68 0.52FR0。780.810.700.771.000.670.590.540.660.760.570.590.790.58GE0。800.820.670.690.761.000.690.580.760.590.650.610.740.65GR0。71 0.68 0.65 0.65 0.71 0.70 1.00 0.67 0.62 0.56 0.64 0.59 0.64 0.58IR0。660.630.700.620.670.610.681.000.640.510.630.640.590.61IT0。730.810.690.720.790.780.650.661.000.680.700.650.770.58LU0。730.770.680.650.750.720.670.640.761.000.480.570.730.55NE0。680.640.630.690.700.660.630.600.710.601.000.620.630.55PO0。630.680.670.620.700.650.630.650.710.670.601.000.690.51SP0。72 0.74 0.64 0.71 0.77 0.72 0.70 0.68 0.82 0.73 0.67 0.68 1.00 0.611 0.66 0.58 0.48 0.53 0.59 0.64 0.58 0.60 0.56 0.52 0.54 0.51 0.58 1.00注：矩阵是不对称的，因为对角线上方和下方的数据分别指PMS模型考虑气候冲击和忽略气候冲击时的商业周期同步估计。交互参数后验平均值的图示。

从表3和表4中，我们观察到，在总体金融周期表现出较高的衰退或扩张概率（0.97）的国家中，处于衰退（扩张）状态的平均持续性Sy，it=1和Sy，it=2，也就是说，处于衰退（扩张）状态的概率在前一个时期取决于处于衰退（扩张）状态的概率大多在0.90以上。在研究期间，全国各地的特质参数αi的后验平均值约为0.95，为商业周期转移概率的时间变化提供了支持，即金融周期和全球商业周期的动态与经济状态的不确定性有关（见方程式6）。与无气候冲击的PMS模型相比，带有气候s冲击的PMS模型似乎捕捉到了全球经济周期mk（Sy，t）对每个国家经济周期的略高影响。（见表3、4和图5）。然而，这一观察结果表明，商业周期之间的相互作用不足以解释国家特殊周期动态的变化。此外，相对于处于状态1（衰退）的金融周期而言，金融周期的扩张阶段（状态2）在预测经济的下一阶段时所起的作用介于0.01和0.03之间（见6）。这一观察结果表明，金融周期在决定商业周期的各个阶段中起着相关作用。在下一节中，我们将通过评估气候冲击作为推动工业生产增长的机制所起的作用，进一步研究总体金融冲击是否足以推动经济周期同步。关于推动欧盟成员国商业周期同步化的机制，文献中尚未得出结论性结果。

例如，Rose和Engel（2002）发现，货币联盟对欧洲经济周期同步产生了积极影响。气候对经济和金融周期的影响；17特质（α）金融周期（β）全球（γ）0.40.50.60.60.7 0.8 0.9 10 0.1 0.2 0.30.40 0.1 0.2 0.3 0.4 0.50.4 0.5 0.6 0.7 0.8 0.9 10 0.1 0.2 0.3 0.4 0.50 0.1 0.1 0.1 0.2 0.3 0.4 0.5图4 PMS模型下商业周期（红线）和金融周期（蓝线）相互作用参数的后验密度。α（第1列）、β（第2列）和γ（第3列）分别描述了固定转移概率、金融周期效应和全球周期效应对时变转移概率的特殊影响的分布。另一面的两个窗格代表PMS模型的不同规格。成员国。然而，巴克斯特和库帕里萨（2005）对这一立场提出了挑战。另一方面，有人认为天气在通过各种渠道影响经济活动方面发挥着潜在作用（Acevedo等人（2018））。根据这一点，我们将在下一节分析极端天气条件对解释IPI增长动力学的潜在贡献。图EC中报告了这些国家的估计商业周期，^Sy，t=（^Sy，1t，…，^Sy，13t）。5-EC。6见附录E.4.3。气候变化对工业生产的影响注意到衡量干旱的标准化降水指数（SPI）已经转变为一个二分法变量，我们的结果将在这里进行相对讨论。图6的散点图给出了估算的投资收益率和财务平均增长率及其波动率，而图7显示了研究区域的地图，其中黄色和绿色斑块代表了经济两个阶段的平均投资收益率。

在这两个图中，我们报告了在PMS模型的两个不同规格下获得的结果。