摘 要：地球的吸热散热及海平面温度是气候变化重要因素，为建立刻画气候变化的模型，首先采用地球表面平均温度、海洋表面温度、降水量以及CO2浓度作为模型的内生变量。考虑影响气候的因素之间也相互影响，选择不事先约束条件的VAR模型来分析气候变化，同时将月份作为外生变量用以去除时间上的趋势。模型经最优滞后阶数检验后选定滞后5階，且模型通过了稳定经检验。然后经Granger因果检验和方差分解后，得出各变量普遍能Granger引起其他变量和各结构冲击对内生变量变化的贡献度。最后在此模型基础上，利用选取数据预测未来25年的气候变化，经预测在2045年全球表面温度约将上涨0.24℃，全球海平面温度约将上涨2.09℃，降水量约将上涨1.90mm，CO2浓度约将上涨4.27ppm。

关键词：气候变化预测;HP滤波;向量自回归模型

中图分类号：TP319        文献标志码：A      文章编号：1673-291X（2021）15-0146-04

一、研究背景

对于全球变暖的问题，科学界已做出很多研究，但对于全球变暖是否主要由人类活动造成，科学界尚有分歧，在非科学界更是争论四起[1]。为使非专业人士更好地了解全球变暖现象及气候变化的因素和趋势，本文将专业复杂的气候模型简化处理，建立更为直观易懂的简化模型分析气候变化的因素、趋势，得出更易于理解直观的结论。

首先预测模型需要考虑到地球的吸热、散热。地球吸收的热量来源于太阳的可见光辐射，即短波辐射，而地球的散热属于长波辐射。当太阳光透过大气层时，短波辐射透过率很高，但当地球向外散热时，大气层中的水汽、CO2等却吸收了大部分的长波辐射，由此导致了地球热量的不断积累。可见，影响地球吸热散热的主要因素正是大气中这些能吸收长波辐射的温室气体[2～5]。

另外，海洋也能吸收大量的热量，水的比热容比陆地的比热容更大，其吸收的热量对地球的表面温度也具有一定影响[6～7]。所以我们将海洋表面温度这一表征作为影响地球吸热、散热的影响因素或者被影响因素来看待，具体将在模型中进一步分析。

对于建立刻画气候的模型，考虑到本文主要目的为帮助增强非专业人士对气候的认识，此题应将复杂问题简单化，选取少量但关键的因素作为模型变量。同时考虑到引起气候变化的滞后因素以及各个变量之间的相互影响关系，本文将采用向量自回归模型（VAR模型），将每一个内生变量作为整个模型每一个内生变量的滞后因素，来探究考虑滞后及相互影响关系的变量对于气候的影响[8～12]。

二、模型

（一）数据选取及处理

本文选取了1980年1月至2017年6月的地球表面平均温度、海洋表面温度、降水量以及CO2浓度数据，数据来源于NOAA ICOADS数据集。

为了简化计算、缩小量值，此题使用SPSS软件对数据进行了归一化处理，数据样本见表1，变量简写及含义见下页表2。

（二）建立模型

经过初步分析，我们认为地球表面温度、海洋表面温度、降水量以及CO2浓度这4个变量为相互联系的时间序列变量，即它们之间互相影响，很难从实际角度直观判断各自的因果关系。据此，我们选择建立不带有事先约束条件的向量自回归模型（下文简称“VAR模型”）。该模型的一大特点是通过把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求，其常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响，能够满足此题的分析要求[13～16]。模型表达式为：

yt=A1yt-1+…+Apyt-p+BXt+εt

其中，yt是k维内生变量向量，Xt是d维外生变量向量，p是滞后阶数，样本个数为T，k×k维矩阵A1，…Ap和k×d维矩阵B是要被估计的系数矩阵。εt是k维扰动向量。

第一步，建立初步向量自回归模型，将所有序列，即surf sst prec CO2时间序列作为内生变量导入到Eviews软件中。此外，将变化量月份作为模型的外生变量，建立初步的向量自回归模型。

第二步，进行滞后阶数检验，得出最优模型的滞后阶数为5阶，按照最优的滞后阶数重新建立VAR模型，模型结果见表3。

首先，输出的第一部分和第二部分是每个方程的标准OLS 回归统计量，即以每一列变量各自作为因变量，计算方程的结果。从输出结果可以看出，各因变量对滞后5阶的变量普遍显著，且第一个方程和第四个方程的调整拟合优度都较高，说明拟合效果较好。虽然第二个和第三个方程的调整拟合优度偏低，但因本模型的特点，对方程的拟合优度没有严格要求，为非重要因素，依然可以利用这个模型进行下一步的预测分析。

其次，输出的第三部分为整个VAR 模型的回归统计量，整体AIC，SC都较小，Log likehood也较小，拟合效果均较好，且模型满足稳定性条件。

第三步，格兰杰因果检验，格兰杰因果检验能够检验一个变量的滞后变量是否可以引入到其他变量方程中，如果其受到其他变量的滞后影响，则称其具有格兰杰因果关系。本文采取两种方法进行格兰杰因果检验，其结果见表4。

从表的数据不同可以看出，Eviews中不同的检验处理方法，得出数据有略微差异，从表4数据中得出SST与CO2均不能Granger引起Prec，Prec与CO2也均不能Granger引起SST，而结果除Prec接受不能Granger引起Surf的假设，其余均显著拒绝原假设，即表现为具有相互Granger关系。综合两种检验结果，我们大体可以得出，在滞后5 阶，各变量的滞后变量均对其他变量有影响。

第四步，方差分解，这一步检验可得出每一个结构冲击对内生变量变化（通常用方差来衡量）的贡献度，将稳定时期的贡献度罗列在表 5中。

由表5可得出，在排除非外界因素影响的情况下，对Surf变量来说，对其影响效果最大的变量依次为Prec，CO2和SST;对SST影响最大的变量依次为Surf，CO2，Prec;对Prec影响最大的变量依次为Surf，SST，CO2;而对CO2影响最大的变量依次为Surf，Prec，自身及SST，其中有两个变量的影响效果大于CO2对自身的影响效果。

（三）预测数据

根据上述模型，在无外界变量干扰下，预测未来25年变动数据样例见表 6，各變量的预测见图 1。

由表6和图1可以预测未来25年Surf上涨0.24℃左右，SST上涨2.09℃左右，Prec上涨1.90mm左右，CO2上涨4.27ppm左右。

结语

本文采用VAR模型将地球表面平均温度（Surf）、海洋表面温度（SST）、降水量（Prec）以及CO2浓度（CO2）作为模型内生变量的滞后因素，探究其各个因素对气候变化模型的影响。同时将月份作为外生变量用以去除时间上的趋势，并依据所建立的模型预测未来25年的气候变化趋势，经预测在2045年全球表面温度约将上涨0.24℃，全球海平面温度约将上涨2.09℃，降水量约将上涨1.90mm，CO2浓度约将上涨4.27ppm。

参考文献：

[1]  P.H.Gleick，R.M.Adams，R.M.Amasino.Climate Change and the Integrity of Science[J].Science，2010，（328）：689-690.

[2]  李正.末次盛冰期以来巴伦支海—喀拉海古海洋环境及海冰研究进展[C]//浙江省地理学会.浙江省地理学会2020年学术年会暨环境与健康高峰论坛论文摘要集[C].浙江省地理学会，2020：1.

[3]  Davidson Samuel G，Hesp Patrick A，Silva Graziela Miot da.Controls on dune scarping[J].Progress in Physical Geography，2020，（6）.

[4]  Gulliver John S..Climate Change Adaptation：Civil and Environmental Engineering Challenge[J].Journal of Hydraulic Engineering，2020，（12）.

[5]  武胜利，刘强吉.近50a新疆巴州地区气温与降水时空变化特征[J].干旱气象，2016，（4）：610-616.

[6]  董奎，刘兵，郑旭荣.金沟河流域气温、降水与年径流量演变规律研究[J].人民黄河，2010，（5）：32-33.

[7]  李邹，方双喜，和春荣，等.香格里拉本底站大气CO2浓度及变化特征初步研究[J].环境化学，2012，（12）.

[8]  李艺珍，毛建刚，张明，岳春芳.基于VAR模型的新疆金沟河气象要素与径流关系分析[J].水资源与水工程学报，2020，（5）：80-86.

[9]  赵娟，穆兴民，高鹏，等.基于VAR模型分析径流对降水和水土保持措施的响应[J].泥沙研究，2017，（4）：37-44.

[10]  刘盈曦，彭贵芬，陈先刚，杨宇明.香格里拉未来50a主要气候环境要素变化预估——基于小波分析和多元VAR回归预估模型[J].资源科学，2016，（9）.

[11]  王国庆，张建云，李岩，等.海河流域基于多模式的未来气候变化趋势[J].资源科学，2014，（5）.

[12]  周兆媛，张时煌，高庆先，等.京津冀地区气象要素对空气质量的影响及未来变化趋势分析[J].资源科学，2014，（1）：191-199.

[13]  赵娟.基于VAR模型的典型流域水沙变化及其对降水与水土保持措施的动态响应[D].咸阳：西北农林科技大学，2019.

[14]  李双，李哲，杜建括，王淑新，邢海虹.陕西省水资源利用与经济增长动态关系的VAR模型分析[J].生态经济，2020，（10）：146-154.

[15]  Sims C A.Macroeconomics and reality[J].Econometrica，1980，（1）：1-48.

[16]  朱慧明，刘智伟.时间序列向量自回归模型的贝叶斯推断理论[J].统计与决策，2004，（1）：11-12.

Simplified Climate Prediction Based on VAR Model

JIN Zi-qi

（School of Management，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract：The earths heat absorption and heat dissipation and sea-level temperature are important factors of climate change.In order to establish a model to describe climate change，the average surface temperature of the earth，sea surface temperature，precipitation and carbon dioxide concentration are used as the endogenous variables of the model.Considering that the factors affecting climate also affect each other，the VAR model without prior constraints is selected to analyze climate change，and the month is used as exogenous variable to remove the trend of time.After the model is tested by the optimal lag order，5-order lag is selected，and the model has passed the stability test.Then，through the Granger causality test and variance decomposition，we can get the contribution of other variables caused by Granger and the structural impact to the changes of endogenous variables.Finally，based on this model，the climate change in the next 25 years is predicted by using selected data.It is predicted that the global surface temperature will rise by 0.24℃，the global sea level temperature will rise by 2.09℃，the precipitation will increase by 1.90 mm，and the carbon dioxide concentration will increase by 4.27 ppm.

Key words：climate change prediction;HP filter;vector autoregressive model

收稿日期：2020-09-07

作者简介：金子琪（1993-），女（朝鲜族），黑龙江佳木斯人，硕士研究生，从事数量经济研究。