EN中文

Acta Geographica Sinica >

2025 , Vol. 80 >Issue 5: 1353 - 1369

DOI: https://doi.org/10.11821/dlxb202505013

Environmental Change and Agricultural Development

Spatio-temporal impacts of extreme heat on economic growth in the Yellow River Basin

  • ZHANG Hang , 1, 2, 3 ,
  • GUO Yuchen 1, 2 ,
  • ZHANG Hongjuan 1, 2 ,
  • GAO Wenkai 1, 2 ,
  • LI Yurui 4 ,
  • DONG Guanpeng , 1, 2, 3
Expand
  • 1. Climate Change and Carbon Neutrality Lab, Henan University, Kaifeng 475001, Henan, China
  • 2. Key Research Institute of Yellow River Civilization and Sustainable Development, Henan University, Kaifeng 475001, Henan, China
  • 3. Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River, Ministry of Education, Henan University, Kaifeng 475001, Henan, China
  • 4. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2024-09-23

  Revised date: 2025-04-23

  Online published: 2025-05-23

Supported by

National Natural Science Foundation of China(42471467)

National Natural Science Foundation of China(42001115)

Fold

Abstract

Since the 1950s, the frequency, intensity, and spatial extent of extreme heat events have increased significantly. Beyond the broader economic consequences of global warming, extreme heat imposes independent and substantial influences on economic growth. Neglecting its effects could lead to substantial underestimations of climate-driven economic losses and regional disparities. The Yellow River Basin (YRB), a crucial ecological security barrier and key pilot region for high-quality development, is home to predominantly energy- and labor-intensive industries that are particularly vulnerable to extreme heat. Understanding the historical impacts of extreme heat on economic growth is essential for assessing the region's climate resilience and formulating adaptation strategies. To address this, this study constructed a county-level GDP dataset for the YRB spanning 30 years (1992-2021) by integrating nighttime light data and machine learning techniques. Extreme heat, average temperature, and temperature variability were systematically incorporated into a climate econometric model to analyze the nonlinear and persistent effects of extreme heat on economic growth. Additionally, projections from the Coupled Model Inter-comparison Project Phase 6 (CMIP6) further enable the quantification of economic losses attributable to anthropogenic extreme heat. The key findings reveal that: (1) As a county's annual average temperature rises, the marginal effect of extreme heat shifts from being statistically insignificant to significantly negative, with an inflection point at 6.7 ℃. Counties experiencing significant economic losses due to extreme heat constitute approximately 94.9% of the YRB. (2) The marginal effect of extreme heat tends to accumulate and intensify within the first three years' post-event, may rebound in the fourth year, and typically dissipate by the fifth year. However, when a county's annual average temperature exceeds 11.1 ℃, extreme heat can cause permanent damage to economic growth. (3) Economic losses attributed to anthropogenic extreme heat totaled approximately 2 billion yuan in 2010 but surged to around 142 billion yuan by 2020, representing about 1.8% of that year's GDP：A nearly 70-fold increase. The cumulative economic loss from 1998 to 2020 amounted to approximately 566 billion yuan.

Key words： climate econometrics; spatial heterogeneity; time-persistent effects; Yellow River Basin; machine learning

Cite this article

ZHANG Hang , GUO Yuchen , ZHANG Hongjuan , GAO Wenkai , LI Yurui , DONG Guanpeng . Spatio-temporal impacts of extreme heat on economic growth in the Yellow River Basin[J]. Acta Geographica Sinica, 2025 , 80(5) : 1353 -1369 . DOI: 10.11821/dlxb202505013

1 引言

IPCC第六次综合评估报告指出，由于人类活动排放的巨量温室气体，全球正在经历不可逆转的变暖趋势，2011—2020年全球表面温度比1850—1900年均值高出1.09 ℃，并且自20世纪50年代以来，极端高温天气发生的频率、强度和空间范围均显著增加[1]。未来全球升温水平达到2 ℃和4 ℃时，10年一遇的极端高温事件发生的频率也相应提高约5.6和9.4倍[1-4]。升温（平均温度上升）会影响到全球和局地气候分布关键统计量的变化，如温度分布的波动、偏度和峰度等，进一步增加极端高温发生的概率。简单的数值模拟实验表明（图1）：均温增加1 ℃，其他分布特征保持不变情况下，极端高温发生的概率约增加2.38%；当气候分布的标准差进一步增加1 ℃时，极端高温发生的概率约增加5.2%。
图1 温度分布的变化导致极端高温的发生概率增加

注：假设温度的统计分布为正态分布，通过设置均值和标准差的变化得到极端高温发生概率的差异。

Fig. 1 Shifts in temperature distribution increase the likelihood of extreme heat events

区别于升温对经济生产和增长的影响，极端高温的社会经济效应往往是超出预期的、更直接和容易被个体与社会感知的[5]。在微观层面上，极端高温通过扰乱人体生物物理循环影响个体认知能力、有效工作时间、生理和心理健康等，进而降低劳动生产率[6-9]；同时，极端高温对经济增长的关键因子如创新能力、基础设施、人力资本等也会产生较大影响[10-12]。为了更好理解气候变化对经济系统的影响，并制定针对性的适应与减缓措施，从微观机制梳理到评估极端高温对宏观经济增长的影响已成为全球气候变化领域研究的重点。新近研究结果表明，在控制升温对全球经济增长作用的基础上，极端高温对经济增长具有显著的独立效应，造成的年度经济损失约为当年人均国内生产总值（GDP）的1.5%至6.7%，并且贫困国家的经济损失更为显著[13]。在未来全球经济损失预估方面，忽略极端高温的影响会显著低估气候变化带来的损失及空间差异程度[14]。
全球尺度上气候变化经济效应的研究推动了气候变化影响评估理论和技术方法的发展。经典的气候变化影响评估通常基于过程机理模型，通过耦合不同的物理和市场均衡过程来模拟气候变化对经济系统的影响，以集成评估模型（Integrated Assessment Model, IAM）为代表，旨在评估不同气候变化减缓政策和措施的成本收益，制定最优气候变化政策[8,15 -18]。随着地球系统模式、气象站点监测及社会经济等领域时空大数据的可靠性和获取性得到增强，气候变化计量经济模型（Climate Econometrics）逐渐成为识别气候变化和极端天气对社会经济影响的经典统计建模方法[8,19 -22]。Hsiang系统阐述了气候变化计量经济模型的理论基础，推导了利用天气观测数据识别气候变化效应的假设条件[20]，模型通过引入空间单元的固定效应，识别气候变化因子对经济的因果效应[8,23 -24]。另一方面，应用气候变化计量经济模型能够较为有效地识别气候变化包括均温、温度波动和极端高温对经济增长的非线性影响，更能真实地反映IAM的经济损失函数形式，并为关键参数率定提供依据[17]。然而，极端高温对经济增长的影响具有显著的空间异质性和尺度差异特征，全球尺度的研究结论在区域尺度上并不一定适用。针对特定区域，探测极端高温对经济增长的影响需要构建特定的气候变化计量经济模型，系统性地考虑关键因子及其作用形式。
黄河流域作为国家生态安全的重要屏障和高质量发展的重要试验区，其核心和主导产业多为能源密集型或劳动密集型产业[25-27]，劳动力供给和电力、交通等基础设施更容易受到极端高温事件的影响。探测极端高温对经济增长的历史影响及其关键特征，是深刻认知黄河流域经济发展的气候变化韧性和应对未来气候变化的关键。同时，黄河流域上中下游经济发展程度差异较大、气候类型丰富且动态变化态势存在显著的空间异质性，是识别极端高温和其他气候变化因子对经济增长影响的典型试验区，为探索流域尺度经济发展对全球气候变化的响应规律提供借鉴意义。近年来，气候变化经济影响评估研究已从单一关注升温因子（即温度分布的均值）的影响扩展至全面探索温度波动和极端高温（温度分布的波动和极值等高阶特征）对宏观经济的影响[13,22,28 -29]。除温度的影响之外，降水对宏观经济的影响也不容忽视[21,30]。在方法层面，气候变化经济影响评估中的重要内容是系统考虑极端高温的对经济影响的非线性作用形式和时间持续效应[20]。因此，本文基于夜间灯光和机器学习算法，生成1992—2021年黄河流域县域尺度GDP数据集，系统考虑极端高温、升温和温度波动等因子，构建黄河流域气候变化计量经济模型，探索极端高温对黄河流域经济增长的影响及其非线性、时间持续性和空间异质性特征，在此基础上，利用第六次国际耦合模式比较计划（Coupled Model Inter-Comparison Project Phase 6, CMIP6）提供的气候变化历史和模拟数据，定量估算人类活动引起的极端高温导致的经济损失。

2 研究区概况与数据来源

2.1 研究区概况

以黄河流域的自然范围为基础，考虑研究区内地域单元的完整性[31]，借鉴以往研究[32-33]，将研究区域界定为黄河干支流流经的448个县域。流域涉及青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9个省份。根据2021年统计年鉴数据，黄河流域总人口为4.21亿人，占全国人口总量的29.82%；GDP总量达28.7万亿元，约占全国GDP总量的25.15%。此外，黄河流域具有丰富的自然资源，已发展为全国规模最大农业（种植业与优质农产品生产、农区畜牧业及其加工生产）和能源原材料（煤、钢、电、基本无机化工及石油化工、合成材料等生产）工业基地[26]。同时，随着全球升温的持续，黄河流域极端高温天数快速增长，平均增长率达到0.54 d/a（图2c）。黄河流域极端高温天数每10 a平均增加约5 d。包头、呼和浩特、银川、果洛藏族自治州、郑州、开封等区域极端高温天数则每10 a增加约7~10 d（图2b）。时间趋势上看，2018年的极端高温天数平均为58 d，较1993年（17 d）增加了3倍多（图2c）。
图2 研究区概况

注：a中为研究期内各县域对数GDP均值；b中极端高温采用相对阈值法计算得到，进而计算县域尺度极端高温随时间变化的斜率；c中极端高温天数为研究期内平均值。

Fig. 2 Overview of the study region

2.2 县域尺度GDP数据集

黄河流域县域经济数据来源于各省统计年鉴，时间跨度为2000—2021年，共包含448个县域单元。县域经济统计数据对于分析黄河流域经济增长的时空动态具有重要价值，但一个关键问题是：经济数据的缺失率达13.06%，且呈现非随机缺失的特征，比如数据缺失率在经济发展程度较差的区域更大，因此，直接删除数据缺失的样本，会导致模型估计产生偏差。夜间灯光数据捕捉了陆地表面人类活动强度的长期动态特征，被广泛用于估计经济数据的长期变化趋势[34-36]。因此，本文使用深度学习的多层感知机算法，通过建立夜间灯光强度与县域GDP的非线性关系，使用夜间灯光估算了黄河流域1992—2021年的县域GDP，以刻画黄河流域经济增长的时空动态特征（图3）。其中，根据Zhang等提出的机器学习方法，融合DMSP-OLS和NPP-VIIRS两种夜间灯光数据，生成黄河流域1992—2021年空间分辨率为1 km的DMSP-like夜间灯光数据集[37]。用于估算GDP数据的多层感知机（图3）由两层具有100个神经元的隐藏层构成，每层包含10%的随机舍弃以避免过拟合；设置Adam优化器的学习率为0.001；采用早停设置在验证集精度小于训练集精度时停止训练，并返回最优模型（图3）。模型结果显示，预测值和原始值的皮尔逊相关性系数（R）为0.96，均方根误差（RMSE）为0.41，表明基于夜间灯光估计的经济数据可以有效表征黄河流域县域经济的长期变化趋势和空间差异特征。最后，基于各省居民消费价格指数将估算的GDP变换为2017年不变价GDP，并计算1993—2021年的经济增长率作为被解释变量。
图3 基于夜间灯光和多层感知机模型估算1992—2021年GDP数据

Fig. 3 Estimation of GDP data (1992-2021) using night time lights and multi-layer perceptron modelling

2.3 历史气候数据与指标计算

本文使用ERA5-Land历史气候再分析数据计算极端高温和其他气候指标对经济增长的影响。ERA5-land数据是对ERA5（the Fifth Generation ECMWF (European Centre for Medium-Range Weather Forecasts) Reanalysis Data, ERA5）进行针对陆地区域优化后得到的、具有更高空间分辨率（0.1° × 0.1°）的气候再分析数据。它是气候变化检测、归因和影响评估最重要的数据产品之一[1]。参照已有研究[14,22,38 -40]，计算1993年到2021年度极端高温天数、年均温、年度温度波动和年总降水量等气候指标，用于构建气候变化计量经济学模型，具体计算方法见表1。
表1 气候指标计算方法。

Tab. 1 Calculation methods for climate indicators

气候指标 计算方法 统计描述
极端高温 计算每个网格每日平均温度 T - i , d。
以1980—2021年为历史参照期，计算每个网格上的温度的90%分位数，记为温度分布阈值 T ^ i。
计算每天每个网格是(0)否(1)超过对应网格的 T ˇ，并在年内汇总得到年度极端高温天数 T ^ i , y。		 平均值：39.61
标准差：11.66
离差：63.49
单位：d
温度波动 计算每个网格每月的平均温度 T - i , m , y；计算月内标准差；年际平均后得到年际温度波动：
T ˜ i , y = 1 12 ∑ m = 1 12   1 D m ∑ d = 1 D m   T i , d , m , y - T - i , m , y 2		 平均值：10.59
标准差：2.477
离差：20.95
单位：℃
平均温度 计算每个网格每年的平均温度 T - i , y。平均值：9.456；标准差：4.725；离差：25.15；单位：℃
总降水 计算每个网格每年的总降水 P i , y。平均值：0.664；标准差：0.234；离差：1.965；单位：m

注：符号i表示网格单元，d表示日序，m表示月份，y表示年份，Dm表示一个月中的天数；每个网格单元的所有年度气候指标最终均通过取均值汇总到县域。

2.4 地球系统模式数据

本文使用CMIP6中探测与归因模式比较计划（The Detection and Attribution Model Intercomparison Project, DAMIP）提供的历史（Historical）和历史—自然（Historical-Nat）实验情景评估黄河流域极端高温经济效应的人为贡献。其中历史气候模拟同时考虑自然强迫因子（包括太阳辐照度和火山气溶胶等）和人为强迫因子（温室气体、气溶胶、土地利用等）的变化，而历史—自然气候模拟仅包含自然强迫[41]。共选取CMIP6中同时包含历史和历史—自然两种实验情景的11种地球系统模式数据（表2）。由于历史—自然情景截止到2020年，而历史实验情景截止到2014年，为了保证数据一致性，选择中等社会经济发展的路径（SSP245）中2015—2020年的数据作为历史实验情景的补充。为了适应县级单元的大小，采用偏差矫正的方法将11种地球系统模式数据的分辨率降尺度为0.1°×0.1° [42]。
表2 11种CMIP6地球系统模式的信息简介

Tab. 2 Overview of 11 CMIP6 Earth system models

气候模式 开发组织 国家 原始分辨率
ACCESS-CM2 Common Wealth Scientific and Industrial Research Organization 澳大利亚 1.9°×1.3°
ACCESS-ESM1-5 Common Wealth Scientific and Industrial Research Organization 澳大利亚 1.9°×1.3°
BCC-CSM2-MR Beijing Climate Center 中国 1.1°×1.1°
CanESM5 Canadian Centre for Climate Modelling and Analysis 加拿大 2.8°×2.8°
CNRM-CM6-1 Centre National de Recherche Methodologies/Centre European de Recherche et Formation Advance in Calculator Scientific 法国 1.4°×1.4°
FGOALS-g3 State Key Laboratory for Numerical Modeling for Atmospheric Science and Geophysical Fluid Dynamics 中国 2.0°×2.3°
GFDL_ESM4 Geophysical Fluid Dynamics Laboratory 美国 1.0°×1.0°
IPSL-CM6A-LR Institute Pierre-Simon Laplace 法国 2.5°×1.3°
MIROC6 International Centre for Earth Simulation 日本 1.4°×1.4°
MRI-ESM2-0 Meteorological Research Institute 日本 1.9°×1.9°
NorESM2-LM Norwegian Climate Centre 挪威 2.5°×1.9°

3 研究方法

3.1 气候变化计量经济模型

气候变化计量经济模型是评估气候变化和极端天气事件对经济影响的前沿统计建模方法[19,43]。它通过纳入区域固定效应和时间固定效应分别隔离不随时间变化的空间因素和不随个体变化的时间因素对经济和气候变量的潜在影响[20]，以达到因果效应识别的目的。本文重点关注极端高温对黄河流域经济增长的影响，系统地以温度波动、年均温、年总降水量为控制变量，并通过控制省份非线性的时间趋势，进一步隔离经济增长率在省域上的趋势差异。具体模型下所示：
g i t = α 0 + α 1 T ^ i t + β 1 T ^ i t × T - i t + α 2 T - i t + α 3 T - i t 2 + α 4 T ˜ i t + β 2 T ˜ i t × T - i t + α 5 P i t + α 6 P i t 2 + Γ i + μ t + ∑ s = 1 S ( τ s 1 y s t + τ s 2 y s t 2 ) + ε i t
式中：git为i县（区）第t年的GDP增长率； T ^为年极端高温天数； T -为年均温； T ˜为温度波动；P为年总降水总量； Γ i为县域固定效应；μt为时间固定效应； τ s 1 y s t + τ s 2 y s t 2为s省份t年的非线性时间趋势；yst为s省t年的去中心化的年份变量；ε为服从0均值σε方差正态分布的残差项；α、β和τ为回归系数。为了识别极端高温的非线性特征，模型加入了极端高温与年均温的交互。因此，对极端高温求偏导，可得到极端高温对经济增长影响的边际效应：
∂ g i t ∂ T ^ i t = α 1 + β 1 T - i t
为了检验评估极端高温影响的时间持续效应，进一步构建分布滞后模型。在公式1的基础上加入极端高温的时间滞后项，以评估极端高温对未来l期（l=1, 2, …, L）经济增长的影响。
g i t = α + ∑ l = 0 L α 1 , l T ^ i t , l + β 1 , l T ^ i t , l × T - i t , l + α 2 T - i t + α 3 T - i t 2 + α 4 T ˜ i t + β 2 T ˜ i t × T - i t + α 5 P i t + α 6 P i t 2 + Γ i + μ t + ∑ s S ( τ s 1 y s t + τ s 2 y s t 2 ) + ε i t
式中： T ^ i t , l表示极端高温的l期滞后； T - i t , l表示年均温的l期滞后，l=0表示当期效应；L表示滞后的总期数，L值越大，变量之间潜在的共线性问题越严重，在权衡模型拟合程度和共线性问题之后，设定L为5（滞后项方差膨胀因子小于临界值并且模型拟合程度最大）。此时，极端高温的边际效应为：
∂ g i t ∂ T ^ i t = ∑ l = 0 L α 1 , l + β 1 , l × T - i t , l
上述模型采用最小二乘法进行估计。为了避免共线性和提升结果的稳健性，对极端高温、温度波动、年均温、年总降水量和时间序列项进行去中心化处理。

3.2 极端高温经济效应的人为归因

估计人类活动导致的极端高温对经济生产的影响，需量化人类活动导致的极端高温天数。由于对温度波动和总降水量进行了去中心化处理，所以可以假设温度波动和总降水量保持在平均状态下（此时气候指标的值为0），仅考虑人为极端高温和人为年均温的时间变化，计算人为极端高温的经济效应。分别计算历史和历史—自然实验情景下的极端高温天数以及年均温，并分别记为 T ^ h i s t、 T ^ n a t、 T - h i s t和 T - n a t。通过对比历史情景和历史—自然情景下气候指标的差异，可以量化人类活动导致的极端高温增量和年均温增量 ∆ T ^ = T ^ h i s t - T ^ n a t和 ∆ T - = T - h i s t - T - n a t。由于存在极端高温与年均温的交互项（非线性项），计算人类活动对经济增长的影响时不能直接将 ∆ T ^和 ∆ T -代入公式（3），而是需要先基于历史气候指标的观测值（使用ERA5-land计算的极端高温 T ^和年均温 T -）计算排除人类活动影响后的“反事实”气候指标[5]：
T ^ C F = T ^ - ∆ T ^ T - C F = T - - ∆ T -
式中： T ^ C F为“反事实”的极端高温； T - C F为“反事实”的平均温度。再将历史气候指标和“反事实”气候指标分别代入分布滞后模型（公式（3）），计算每个地区每年由人为极端高温而导致的边际经济损失：
∆ g i t = f T ^ ,   T - - f T ^ C F ,   T - C F
式中：Δgit为人为极端高温的经济效应；f()为分布滞后模型。在得到人为极端高温的经济效应后，以当年的经济增长率损失乘以前一年的GDP来计算当年的经济损失。由于分布滞后模型包含了5年的极端高温滞后项，以及历史—自然实验数据的时间序列到2020年，可计算的人为经济损失的时间跨度为1998—2020年。

3.3 安慰剂检验方法

安慰剂检验（Placebo Test）[44]的原理是自举法（Bootstraping），即通过随机重组将原始的极端高温数据打乱，比较模型估计结果的一致性。具体处理过程为在特定分组内将极端高温变量值的顺序随机打乱，而保持其他数据不变。本文将基于真实数据得到的回归系数记为真实回归系数，将使用随机重组数据得到的回归系数记为随机回归系数。通过对比真实和随机回归系数分布的差异，评估模型结果的稳健性。

4 结果与讨论

4.1 极端高温对经济增长影响的边际效应

本文聚焦极端高温对经济增长的影响，温度波动和降水作为控制变量被纳入模型，模型估计结果见表3。模型1通过纳入了极端高温与年均温的交互项来测度极端高温对经济增长的非线性影响。为了验证模型结果的稳健性，在模型2和模型3中，分别以95%和99%分位数作为阈值计算极端高温天数。3个模型的结果基本一致，表明极端高温对黄河流域经济增长具有显著的负向影响，且不随极端高温测度方法的差异而改变。因此，本文采用90%分位数这一极端高温测度的国际惯用阈值[1]，以模型1为基准模型进行深入分析。
表3 极端高温对经济增长影响的模型估计结果

Tab. 3 Model estimates of extreme heat impacts on economic growth

变量名称 不同百分位数阈值 不同计算方式
模型1 模型2 模型3 模型4 模型5
极端高温 -0.0444 **
(0.0154)		 -0.0947 ***
(0.0153)		 -0.1437 ***
(0.0265)		 -0.1011 ***
(0.0135)		 -0.1047 ***
(0.0161)
极端高温 ×年均温 -0.0048 **
(0.0018)		 -0.0059 **
(0.0020)		 -0.0078
(0.0044)		 -0.005 **
(0.0018)		 -0.0056 *
(0.0023)
年均温 0.8698 *
(0.3897)		 1.0890 **
(0.3621)		 0.5648
(0.3413)		 1.3698 ***
(0.3791)		 1.02735 **
(0.35891)
年均温的平方 0.0413 *
(0.0168)		 0.0419 *
(0.0163)		 0.0319 *
(0.0161)		 0.0418 *
(0.0167)		 0.0401 *
(0.0163)
温度波动 0.4883
(0.6913)		 1.3902 *
(0.6977)		 0.7195
(0.677)		 1.5015 *
(0.688)		 1.3983 *
(0.696)
温度波动 ×年均温 -0.3219 ***
(0.0764)		 -0.2774 ***
(0.077)		 -0.2939 ***
(0.0771)		 -0.2913 ***
(0.0762)		 -0.2784 ***
(0.0023)
年总降水 -3.3080 ***
(0.6122)		 -3.9082 ***
(0.5982)		 -3.2754 ***
(0.5785)		 -4.7705 ***
(0.6275)		 -3.9039 ***
(0.5952)
年总降水的平方 -0.8149
(0.4944)		 -0.8968
(0.4938)		 -0.8426
(0.4934)		 -1.2858 **
(0.4979)		 -0.8845
(0.4935)
县 FE FE FE FE FE
年 FE FE FE FE FE
时间趋势(省份) 是 是 是 是 是
调整后R2 0.333 0.3344 0.3336 0.335 0.335

注：括号内为系数的标准误；***、**和*分别表示在0.001、0.01和0.05的水平上显著；FE表示固定效应；为了便于阅读，表中为原始系数乘以100后的值，各变量的影响强度可以直接解释为百分点变化。

模型1表明，极端高温在1%的显著性水平下显著降低了黄河流域的经济增长，在其他条件处于平均状态下，极端高温天数每增加一天，黄河流域经济增长下降0.0444个百分点。当进一步考虑年均温的变化时，极端高温对经济增长影响呈现显著的非线性特征，其负向影响强度随着年均温的升高而增强。由于极端高温采用阈值法计算，年均温更高的区域，极端高温的强度更强，这意味着极端高温只有达到一定强度时才能对区域的经济增长造成显著的减损效应；在平均温度较低的区域，气候变化导致的超出历史气候分布的升温对区域经济增长有一定的促进作用。在模型1中，对极端高温变量求偏导以计算极端高温对经济增长影响的边际效应（公式（2）），如图4所示，随着县域年均温的上升，极端高温的边际效应由不显著转为显著的负向影响，拐点温度为6.7 ℃（图4a中水绿色虚线），这与已有研究发现的社会经济发展存在潜在的最优温度区间相似[28-29]。一个关键差异在于，在全球尺度研究发现：极端高温效应转为负向影响时的年均温约为14 ℃[28-29]；而本文发现极端高温在黄河流域产生负向影响的年均温约为6.7 ℃，这可能与黄河流域社会经济结构的特殊性（全国最大规模的基础产业基地）和生态环境的脆弱性有关[26,45]。
图4 极端高温对经济增长影响的边际效应及其区域差异

注：图a中年均温为研究期内所有年份的均值；b为每个地区极端高温增加1 d的边际效应，斜线表示不显著。

Fig. 4 Marginal effects of extreme heat on economic growth and its regional disparities

当年均温小于6.7 ℃时，极端高温的边际效应不具有统计显著性，在空间上这类县域主要集中在黄河流域上游和中游的东北侧（图4b），并且多属于经济发展水平相对较低的区域（图2a）。当平均温度大于6.7 ℃时，极端高温具有显著的负向效应，在空间上这类县域主要集中在黄河流域中下游地区，尤其是河南和山东，这些地区的经济发展水平也相对较高（图2a）。以河南省会郑州为例，该地的多年平均温度约为15 ℃，极端高温增加1 d，郑州经济增长率将减少0.071个百分点。一个值得关注的问题是，受到极端高温显著负向影响县域的GDP总和约占黄河流域GDP总量的94.9%，而极端高温影响不显著的县域的GDP总和约占黄河流域GDP总量的5.1%。这表明，黄河流域约94.9%的经济活动受到极端高温的负向影响。因此，1992—2021年日益加剧的极端高温可能已经对黄河流域的经济发展产生了深远的影响，甚至是不可逆的损害。

4.2 模型结果稳健性检验

为了进一步确保模型1的结果不是由于数据或模型估计的不确定性造成的，本文进行安慰剂检验[44]。选择3种不同的随机化方案：① 在所有样本中将极端高温随机重组；② 在县域内将极端高温随机重组；③ 在年内将极端高温随机重组。对每个随机化方案进行1000次模拟，得到如图5所示的虚假系数分布。3种方案下，真实回归系数均显著区别于随机回归系数的分布，表明模型1得到的极端高温的主效应和交互效应并非源于数据或模型估计的不确定性或偶然性；因此，模型估计结果是稳健的。
图5 安慰剂检验的回归系数分布

Fig. 5 Distribution of regression coefficients from placebo tests

考虑到不同的极端高温测算方法对模型结果的潜在影响，本文进一步设计了两个稳健性分析策略：① 以日最高温替换日均温来计算极端高温天数；② 使用夏季（6—9月）日均温来计算极端高温天数。模型结果分别对应表3中的模型4和模型5，图6和图7分别描绘了极端高温的边际效应。总体而言，不同模型的估计结果具有高度的一致性：极端高温造成的经济损失均随区域平均温度的上升而增大，且表现出基本一致的空间特征。值得注意的是，不同的极端高温测度方法导致拐点温度存在差异，这主要是因为使用日最高温和夏季期间温度的测度方法反映了更为强烈的极端高温情景，类似于选择90%、95%和99%的分位数阈值下极端高温效应的差异。随着全球升温的持续，对于较为寒冷的区域，低温天气的减少，在一定程度上可能促进区域的经济增长。日最高温可能忽略单日内的低温区间（夜间），仅考虑夏季则忽略了冬季的低温区间，导致极端高温边际效应由不显著变为显著的拐点更低，而使用日均温计算极端高温可以相对更为全面地刻画温度的变化对经济增长的影响。
图6 极端高温(采用日最高温测度)对经济增长影响的边际效应及其区域差异

Fig. 6 Marginal effects of extreme heat, measured by daily maximum temperature, on economic growth and its regional disparities

图7 极端高温(仅考虑夏季)对经济增长影响的边际效应及其区域差异

Fig. 7 Marginal effects of extreme summer heat on economic growth and its regional disparities

4.3 极端高温对经济增长影响的时间持续性

极端高温的当期效应可能会对区域经济发展造成长远影响，甚至不可逆的损害[19]。为进一步评估极端高温是否对黄河流域经济增长造成了不可逆的损害，在模型1的基础上加入极端高温的时间滞后效应，以追踪极端高温事件冲击后，其影响在5年内的持续性及变化。如表4所示，显著的滞后项系数表明极端高温不仅会对当期经济增长造成损失，还会对区域经济增长产生长期持续的影响，如随着极端高温事件的加剧，极端高温的冲击可能会导致企业之间的短期供应不足演变为永久性的供应链中断，从而对经济增长造成长期影响[46-47]。
表4 极端高温对经济增长的影响的分布滞后模型估计结果

Tab. 4 Distributed lag model estimates of extreme heat impacts on economic growth

变量 系数 变量 系数
当期极端高温 -0.0395*
(0.0165)		 当期极端高温 ×年均温 -0.0088***
(0.0020)
极端高温滞后1 a 0.0028
(0.0133)		 极端高温滞后1 a×年均温滞后1 a -0.0057**
(0.0018)
极端高温滞后2 a -0.0186
(0.013)		 极端高温滞后2 a×年均温滞后2 a -0.0042*
(0.0019)
极端高温滞后3 a -0.0165
(0.0133)		 极端高温滞后3 a×年均温滞后3 a -0.0114***
(0.0019)
极端高温滞后4 a 0.0772***
(0.0134)		 极端高温滞后4 a×年均温滞后4 a -0.0102***
(0.0018)
极端高温滞后5 a 0.0323*
(0.0137)		 极端高温滞后5 a×年均温滞后5 a -0.0063***
(0.0018)
年均温 1.2010**
(0.4261)		 年均温的平方 0.0740***
(0.019)
温度波动 0.0778
(0.7761)		 温度波动×年均温 -0.2080*
(0.0868)
降水 -1.8920**
(0.6809)		 降水的平方 -0.3425
(0.5359)

注：括号内为系数的标准误；***、**和*分别表示在0.001、0.01和0.05的水平上显著；为了便于阅读，表中为原始系数乘以100后的值，各变量的影响强度可以直接解释为百分点变化。

本文进一步计算了极端高温的当期和累积边际效应（图8）。当滞后期≤3时，随着滞后期数的增加，极端高温的累积边际效应不断增大；但随着时间推移，在极端高温发生后的第4年和第5年（滞后4期和滞后5期），其累积效应并未呈现出显著差异，表明极端高温的当期边际效应在第5年趋于0，并且在温度较低的区域（年均温10 ℃），第4年和第5年的累积效应甚至可能反弹至0以上。这意味着平均状态下极端高温冲击的影响在事件发生后3 a内会累积增大，在第4年可能出现反弹，在第5年趋于消散。此外，累积效应计算结果表明，在温度低于11.1 ℃的县域，经济增长在冲击后的5 a内可能恢复到原始甚至更高的水平；然而，在年均温超过11.1 ℃的县域，极端高温的负向边际效应随年均温上升而增大，可能对这些区域造成永久性的经济增长损失，从而改变原有的经济增长轨迹。因此，如果极端高温只影响黄河流域县域的经济水平而不影响经济增长，那么经济将在极端高温事件冲击后恢复到先前的增长轨迹。如热浪期间毁坏的农作物可能会在一段时间后重新种植，新的投资也可能会流入受损地区[48]。相反，如果极端高温影响了黄河流域县域经济增长的基本能力，那么损害可能会在长期内累积[46]，从而永久性地改变地区的经济增长轨迹。
图8 极端高温对经济增长影响的累积效应和时间动态特征

注：a中的阴影表示累积效应在95%水平上的置信区间；b中10 ℃为年均温的样本均值；15 ℃为年均温的90分位数；竖线表示95%水平上的置信区间。

Fig. 8 Cumulative effects and temporal dynamics of extreme heat impacts on economic growth

进一步选取两个具有代表性的温度值（10 ℃为样本均值，15 ℃为样本的90分位数）展示极端高温累积效应动态变化（图8b）。在年均温为10 ℃的地区，极端高温累积的负面影响在极端高温事件发生后的第3年达到最大值，在第4年基本收敛至零，表明恢复到先前的经济增长轨迹。然而，在较温暖的地区（15 ℃），极端高温的累积效应在事件发生后的3 a内几乎增加了2倍；尽管第4年有所恢复，但无法再恢复到事件发生前的经济增长水平，意味着极端高温对经济增长造成了永久性损害，并永久性地改变了经济的增长轨迹。永久性损害效应在未来的预测中可能引起较大的不确定性[49]，因此在气候损害计算中，检验极端高温影响的时间持续性至关重要。

4.4 极端高温经济效应的人为归因

由于CMIP6的历史—自然实验情景仅到2020年，因此本文计算了黄河流域的448个县在1992—2020年间11种不同的地球系统模式（表2）的人为极端高温和人为平均温度。其中人为极端高温（人类活动导致的极端高温）的时间变化趋势如图9所示。所有的地球系统模式呈现出一致的波动上升趋势，增长率在0.34~0.39 d/a；所有地球系统模式平均值的增长速率约为0.36 d/a。
图9 11种地球系统模式下人为极端高温的时间变化趋势

Fig. 9 Temporal trends of anthropogenic extreme heat across 11 Earth system models

为评估人为极端高温对经济的影响，将分布滞后模型估计结果应用于人为归因方法，以量化人为经济损失（图10）。从黄河流域整体人为经济损失总量的年际变化和累积变化来看，2008年前人为极端高温导致黄河流域的经济损失总量在0值附近小幅度波动；2008年后人为极端高温导致的经济损失迅速增大。2010年人为极端高温导致的经济损失约为20亿元，2020年人为极端高温导致的经济损失迅速扩大到1420亿元，约占当年GDP的1.8%。人为经济损失在10 a内增长了近70倍，呈现出指数级的增长速度。1998—2020年黄河流域的累积损失已经达到约5660亿元，相当于期间累积GDP的0.6%。
图10 黄河流域人为极端高温导致的当年经济损失和累积经济损失

Fig. 10 Current and cumulative economic losses due to anthropogenic extreme heat in the Yellow River Basin

从人为极端高温导致的经济损失的空间分布来看（图11），随着黄河流域城镇化速度的加快以及人为CO2排放的增多，人为极端高温导致的经济损失首先在黄河中游出现，并逐渐向下游扩展。2020年黄河流域中下游几乎所有的县域都承受了人为极端高温导致的巨大经济损失。尽管在黄河流域上游以及东北部较为寒冷的区域，由于气温上升，极端低温的影响逐渐减少，呈现出较为微弱的经济增益效应，但无法弥补极端高温造成的经济损失（2020年经济损失总量为1420亿元）。未来人为CO2排放持续加剧，人为极端高温持续增多，将对黄河流域经济发展造成更大的经济损失，特别是在更温暖的黄河流域中下游地区。因此，应采取措施，通过必要的经济投入，以减少和应对人为极端高温的影响，达到人为极端高温经济成本与极端高温应对成本之间的平衡，从而达到黄河流域生态保护投入和经济发展之间的平衡，促进黄河流域生态保护和经济的高质量发展。
图11 黄河流域人为极端高温导致经济损失的时空分布

Fig. 11 Spatial and temporal distributions of annual economic losses caused by anthropogenic extreme heat in the Yellow River Basin

5 结论与展望

本文系统考虑了极端高温、升温和温度波动等因子，构建区域特色的黄河流域气候变化计量经济模型，探索极端高温对黄河流域经济增长的影响及其非线性和时间持续性特征，并定量估算了人类活动引起的极端高温导致的经济损失。
结果表明：① 极端高温对经济增长的影响呈现出随年均温变化而变化的非线性特征，随着区域年均温的变化，极端高温的边际效应由不显著转为显著的负向效应，拐点温度为6.7 ℃。当县域年均温小于6.7 ℃时，极端高温的边际效应不显著，在空间上主要分布在黄河流域上游较为寒冷的区域。当县域温度大于6.7 ℃时，极端高温具有显著的负向效应，主要分布在黄河流域中下游区域；② 极端高温对经济增长的影响具有显著的时间持续性和异质性，极端高温可能对区域经济增长造成永久性的损害，改变经济增长轨迹；③ 人为极端高温导致黄河流域遭受巨大的经济损失，1998—2020年黄河流域的累积经济损失达到约5660亿元，相当于期间累积GDP的0.6%。2010—2020年人为极端高温造成的经济损失（按2017年不变价）约增加了70倍。
尽管本文对1992—2021年黄河流域极端高温的经济效应进行了深入剖析，并量化了人为极端高温导致的经济损失，但仍然存在一些局限和不足。首先，随着未来人为温室气体排放的增加，黄河流域极端高温天数将继续增长，但是本文缺少对未来极端高温经济风险的评估，这将是本文未来研究的重要内容；其次，极端高温只是气候变化导致的极端事件之一，尽管极端高温是其他诸多极端事件的诱发因素之一，但是本文缺少对其他极端事件和复合极端高温事件的分析，这将是本文未来研究的重点。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
IPCC. Climate Change 2023:Synthesis Report. Contribution of Working Groups I, II, and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva: IPCC, 2023.

[2]
Zhou Botao, Qian Jin. Changes of weather and climate extremes in the IPCC AR6. Climate Change Research, 2021, 17(6): 713-718.

[周波涛, 钱进. IPCC AR6报告解读: 极端天气气候事件变化. 气候变化研究进展, 2021, 17(6): 713-718.]

[3]
Fischer E M, Sippel S, Knutti R. Increasing probability of record-shattering climate extremes. Nature Climate Change, 2021, 11(8): 689-695.

DOI PMID

[4]
Hu Ting, Sun Ying, Zhang Xuebin. Temperature and precipitation projection at 1.5 ℃ and 2 ℃ increase in global mean temperature. Chinese Science Bulletin, 2017, 62(26): 3098-3111.

[胡婷, 孙颖, 张学斌. 全球1.5 ℃和2 ℃温升时的气温和降水变化预估. 科学通报, 2017, 62(26): 3098-3111.]

[5]
Swain D L, Singh D, Touma D, et al. Attributing extreme events to climate change: A new frontier in a warming world. One Earth, 2020, 2(6): 522-527.

[6]
Huang Manjie, Li Yanzhong, Bai Peng, et al. Spatial evolution of heat stroke risk exposure and its driving factors in southeast China. Geographical Research, 2023, 42(8): 2121-2134.

[黄曼捷, 李艳忠, 白鹏, 等. 中国东南部人口中暑风险暴露度空间演变特征及其驱动因素. 地理研究, 2023, 42(8): 2121-2134.]

[7]
Wang Chunchao, Lin Qianqian. How does bad weather affect labor productivity? Evidence from the adaptation behavior of couriers. China Economic Quarterly, 2021, 21(3): 797-818.

[王春超, 林芊芊. 恶劣天气如何影响劳动生产率? 基于快递业劳动者的适应行为研究. 经济学(季刊), 2021, 21(3): 797-818].

[8]
Tol R S J. A meta-analysis of the total economic impact of climate change. Energy Policy, 2024, 185: 113922. DOI: 10.1016/j.enpol.2023.113922.

[9]
Zheng S Q, Wang J H, Sun C, et al. Air pollution lowers Chinese urbanites' expressed happiness on social media. Nature Human Behaviour, 2019, 3(3): 237-243.

DOI PMID

[10]
Li Yang, Liu Changxin, Song Yao. Research progress of the impact of frequent high temperature heat waves on economic system. Climate Change Research, 2021, 17(1): 121-130.

[李扬, 刘昌新, 宋瑶. 高温热浪频发对经济系统影响的研究进展. 气候变化研究进展, 2021, 17(1): 121-130.]

[11]
Auffhammer M. Quantifying economic damages from climate change. Journal of Economic Perspectives, 2018, 32(4): 33-52.

[12]
Kalkuhl M, Wenz L. The impact of climate conditions on economic production. Evidence from a global panel of regions. Journal of Environmental Economics and Management, 2020, 103: 102360. Doi: 10.1016/j.jeem.2020.102360.

[13]
Callahan C W, Mankin J S. Globally unequal effect of extreme heat on economic growth. Science Advances, 2022, 8(43): eadd3726. DOI: 10.1126/sciadv.add3726.

[14]
Kotz M, Levermann A, Wenz L. The economic commitment of climate change. Nature, 2024, 628(8008): 551-557.

[15]
Dong Wenjie, Yuan Wenping, Teng Fei, et al. Coupling Earth system model and integrated assessment model. Advances in Earth Science, 2016, 31(12): 1215-1219.

DOI

[董文杰, 袁文平, 滕飞, 等. 地球系统模式与综合评估模型的双向耦合及应用. 地球科学进展, 2016, 31(12): 1215-1219.]

DOI

[16]
Wang Zheng, Gu Gaoxiang, Wu Jing, et al. CIECIA: A new climate change integrated assessment model and its evaluation of global cooperative emission reduction programs. Scientia Sinica (Terrae), 2015, 45(10): 1575-1596, 1-4.

[王铮, 顾高翔, 吴静, 等. CIECIA: 一个新的气候变化集成评估模型及其对全球合作减排方案的评估. 中国科学: 地球科学, 2015, 45(10): 1575-1596, 1-4.]

[17]
Rising J A, Taylor C, Ives M C, et al. Challenges and innovations in the economic evaluation of the risks of climate change. Ecological Economics, 2022, 197: 107437. DOI: 10.1016/j.ecolecon.2022.107437.

[18]
Stern N, Stiglitz J E. Climate change and growth. Industrial and Corporate Change, 2023, 32(2): 277-303.

[19]
Chang J J, Mi Z F, Wei Y M. Temperature and GDP: A review of climate econometrics analysis. Structural Change and Economic Dynamics, 2023, 66: 383-392.

[20]
Hsiang S. Climate econometrics. Annual Review of Resource Economics, 2016, 8(1): 43-75.

[21]
Kotz M, Levermann A, Wenz L. The effect of rainfall changes on economic production. Nature, 2022, 601(7892): 223-227.

[22]
Kotz M, Wenz L, Stechemesser A, et al. Day-to-day temperature variability reduces economic growth. Nature Climate Change, 2021, 11(4): 319-325.

[23]
Dell M, Jones B F, Olken B A. What do we learn from the weather? The new climate-economy literature. Journal of Economic literature, 2014, 52(3): 740-798.

[24]
Wooldridge J M. Econometric Analysis of Cross Section and Panel Data. Cambridge: MIT Press, 2010.

[25]
He Canfei, Zhu Yangang. An empirical study on the geographical distribution of resource-based industries in China: A case study of the oil processing and coking industry and the ferrous metal smelting and rolling processing industry. Journal of Natural Resources, 2010, 25(3): 488-501.

DOI

[贺灿飞, 朱彦刚. 中国资源密集型产业地理分布研究: 以石油加工业和黑色金属产业为例. 自然资源学报, 2010, 25(3): 488-501.]

DOI

[26]
Lu Dadao, Sun Dongqi. Development and management tasks of the Yellow River Basin: A preliminary understanding and suggestion. Acta Geographica Sinica, 2019, 74(12): 2431-2436.

DOI

[陆大道, 孙东琪. 黄河流域的综合治理与可持续发展. 地理学报, 2019, 74(12): 2431-2436.]

DOI

[27]
Ma Guangming. Research on the classification and its influencing factors for domestic location transfer of China's low-end manufacturing industry. Inquiry into Economic Issues, 2022(1): 112-133.

[马光明. 中国低端制造业的分类筛选、国内转移及其影响因素研究. 经济问题探索, 2022(1): 112-133.]

[28]
Burke M, Davis W M, Diffenbaugh N S. Large potential reduction in economic damages under UN mitigation targets. Nature, 2018, 557(7706): 549-553.

[29]
Burke M, Hsiang S M, Miguel E. Global non-linear effect of temperature on economic production. Nature, 2015, 527(7577): 235-239.

[30]
Jing Cheng, Jiang Tong, Wang Yanjun, et al. A study on regional extreme precipitation events and the exposure of population and economy in China. Acta Meteorologica Sinica, 2016, 74(4): 572-582.

[景丞, 姜彤, 王艳君, 等. 中国区域性极端降水事件及人口经济暴露度研究. 气象学报, 2016, 74(4): 572-582.]

[31]
Li Minna, Cai Shu, Zhang Huirong, et al. Factor endowment and economic spatial differences in the Yellow River Valley. Economic Geography, 2011, 31(1): 14-20.

[李敏纳, 蔡舒, 张慧蓉, 等. 要素禀赋与黄河流域经济空间分异研究. 经济地理, 2011, 31(1): 14-20.]

[32]
Chen Shiqiang, Zhang Hang, Qi Ying, et al. Spatial spillover effect and influencing factors of haze pollution in the Yellow River Basin. Economic Geography, 2020, 40(5): 40-48.

DOI

[陈世强, 张航, 齐莹, 等. 黄河流域雾霾污染空间溢出效应与影响因素. 经济地理, 2020, 40(5): 40-48.]

DOI

[33]
Zhang Pengyan, Li Yanyan, Kang Guohua, et al. A study on estimates and spatial differentiation of economic density at county level in Yellow River Basin. China Population, Resources and Environment, 2017, 27(8): 128-135.

[张鹏岩, 李颜颜, 康国华, 等. 黄河流域县域经济密度测算及空间分异研究. 中国人口·资源与环境, 2017, 27(8): 128-135.]

[34]
Chen X, Nordhaus W D. Using luminosity data as a proxy for economic statistics. PNAS, 2011, 108(21): 8589-8594.

DOI PMID

[35]
Henderson J V, Storeygard A, Weil D N. Measuring economic growth from outer space. The American Economic Review, 2012, 102(2): 994-1028.

[36]
Xu Kangning, Chen Fenglong, Liu Xiuyan. The truth of China economic growth: Evidence from global night-time light data. Economic Research Journal, 2015, 50(9): 17-29, 57.

[徐康宁, 陈丰龙, 刘修岩. 中国经济增长的真实性: 基于全球夜间灯光数据的检验. 经济研究, 2015, 50(9): 17-29, 57.]

[37]
Zhang H, Dong G P, Li B, et al. Developing an annual global Sub-National scale economic data from 1992 to 2021 using nighttime lights and deep learning. International Journal of Applied Earth Observation and Geoinformation, 2024, 133: 104086. DOI: 10.1016/j.jag.2024.104086.

[38]
Mueller B, Seneviratne S I. Hot days induced by precipitation deficits at the global scale. PNAS, 2012, 109(31): 12398-12403.

DOI PMID

[39]
Perkins-Kirkpatrick S E, Lewis S C. Increasing trends in regional heatwaves. Nature Communications, 2020, 11: 3357. DOI: 10.1038/s41467-020-16970-7.

PMID

[40]
An Ning, Zuo Zhiyan. Structural changes of heat waves in China from 1961 to 2017. Scientia Sinica (Terrae), 2021, 51(8): 1214-1226.

[安宁, 左志燕. 1961—2017年中国地区热浪的结构变化. 中国科学: 地球科学, 2021, 51(8): 1214-1226.]

[41]
Gillett N P, Shiogama H, Funke B, et al. The detection and attribution model intercomparison project (DAMIP v1.0) contribution to CMIP6. Geoscientific Model Development, 2016, 9(10): 3685-3697.

[42]
Gebrechorkos S, Leyland J, Slater L, et al. A high-resolution daily global dataset of statistically downscaled CMIP 6 models for climate impact analyses. Scientific Data, 2023, 10: 611. DOI: 10.1038/s41597-023-02528-x.

PMID

[43]
Waidelich P, Batibeniz F, Rising J, et al. Climate damage projections beyond annual temperature. Nature Climate Change, 2024, 14(1): 592-599.

[44]
Sen S, von Schickfus M T. Climate policy, stranded assets, and investors' expectations. Journal of Environmental Economics and Management, 2020, 100: 102277. DOI: 10.1016/j.jeem.2019.102277.

[45]
Jin Fengjun. Coordinated promotion strategy of ecological protection and high-quality development in the Yellow River Basin. Reform, 2019(11): 33-39.

[金凤君. 黄河流域生态保护和高质量发展的协调推进策略. 改革, 2019(11): 33-39.]

[46]
Moore F C, Diaz D B. Temperature impacts on economic growth warrant stringent mitigation policy. Nature Climate Change, 2015, 5(2): 127-131.

[47]
Sun Y D, Zhu S P, Wang D P, et al. Global supply chains amplify economic costs of future extreme heat risk. Nature, 2024, 627(8005): 797-804.

[48]
Hsiang S M, Jina A S. The Causal Effect of Environmental Catastrophe on Long-Run Economic Growth: Evidence from 6700 Cyclones. Cambridge: National Bureau of Economic Research, 2014. DOI: 10.3386/w20352.

[49]
Newell R G, Prest B C, Sexton S E. The GDP-temperature relationship: Implications for climate change damages. Journal of Environmental Economics and Management, 2021, 108: 102445. DOI: 10.1016/j.jeem.2021.102445.

Options
Outlines

/

〈 〉