来源：倍可亲(backchina.com)
纽交所里的高盛挂牌
美国经济为啥放缓？顶级经济学家并不认为是中国经济增速放缓的冲击，而是因为“冬季寒冷的大雪”。
最乐观、最常持有牛市观点的高盛经济学家们最近发出2000字研报，认为“天气和经济的寒冬已经同时到来”。以下是高盛研报全文：
经济增长在2014年和2015年的第一季度迅速放缓，并且我们怀疑异常严酷的冬季是罪魁祸首。现在随着冬季来临，我们重温旧的经验教训并发展评估天气波动对经济能造成多大影响的新规则。
我们专注于两个衡量温度和降雪的天气指标。第一个是是相对于季节性常态的“采暖度日”偏差，这是一种低温的衡量指数。第二个是地区降雪指数，该指数用于衡量降雪的社会影响，其中就包括上百起重大雪灾的评估分数。
关于天气对经济的影响，我们得出三组结论：
第一，我们发现，温度和降雪物对经济增长确实有影响。特别是，我们估计，采暖度日的标准差增加1，那国内生产总值就会下降0.4个百分点，并且我们的当前活动指标也会相应下降一个0.1个百分点，而暴风雪指数的标准差增加1的话，那这两者都会下降0.3个百分点。但不可否认的是，鉴于温度和暴风雪之间的共线性以及总体水平上样本的有限，我们的估计存在着相当大的不确定性。
第二，我们发现，天气对经济的影响是不均衡的。比较天气变量对各顶级指数，国内生产总值各部门数据以及非农就业报告的各行业的影响，我们发现，天气通常对建造业，零售业，休闲餐饮，外贸以及制造业的影响最大。
第三，我们发现天气变量在冬季的几个月里对非农就业报告有着重要却多了几分微妙的影响。我们通过国家级的数据发现，气候条件一个月内的模式很重要，而参考周的条件占了最大分量。我们估计，在参考周内，每月采暖度日的1个标准差以及降雪的1个标准差将影响到就业增长大约3万5千的下降。
2014 年和2015年第一季度国内生产总值增长的大幅放缓引发了预期今年冬季情况时的一些焦虑。当时，我们和美联储官员都指出，非比寻常的严冬气候是导致第一季度增长放缓的原因之一。对一些持怀疑态度的投资者来说，将第一季度的增长乏力归咎于天气影响的经济学家们听起来就像彼得·塞勒斯承诺“春天会出现增长”一样不靠谱。但是在这两年，经济增长在第二季度确实有强劲的反弹，这表明天气确实是造成第一季度表现疲软的原因之一。
虽然我们无法声称能够预测今年冬天的天气，但天气一旦出现季节性规范的偏差，我们就能估计出这些偏差将造成的影响。在本周的Analyst中，我们重温一些老的经验教训并发展一些关于评估天气条件对经济增长及就业的影响的新规则。
图一：2014年和2015年第一季度温度比往年低
为什么天气关系重大？
大多数的经济数据会考虑到天气模式及假期等其他日历效应来做出季节性调整。但当天气出现显著波动时，天气仍然会影响经济数据。对于住房开工率等指数来说，季节性波动最主要是受天气的驱动，这意味着正常的季节性天气模式即使出现轻微的偏差也能导致不被季节调整捕捉到的巨大影响。
我们专注于捕捉温度和降雪的两个天气变量。我们使用采暖度日数十年均值的标准差来衡量天气的影响。采暖度日数是一种低温衡量标准，在过去的研究中，我们发现该指数有助于预测一系列的经济数据。我们同时使用由美国国家海洋和大气管理局构建的国家级以及全美人口加权系列。我们用地区降雪指数衡量暴风雪，该指数旨在捕捉重大雪灾的社会影响。地区降雪指数提供了美国6个地区自1900年以来600多场暴风雪的数据和分数。我们通过使用相对人口加权聚合该指数，从而构建了一个国家级月指数，如图表2所显示的。我们还通过假设一场既定风暴是均衡地扫过该区域的每个州，来将这些地区系列串联成了国家系列。
图二：年均降雪量指数比较
天气和经济增长
首先，我们估计天气偏差对经济增长的影响。在偏差最严重的例子里，这25个月具有自1972年以来的最大降雪，图3的证据表明至少在这天气偏差最严重的时候，我们当前活动指标在下个月反弹之前已经下降超过了0.5个百分点。而由采暖度日数所衡量的这25个最冷月的平均降幅则更温和，大约为0.25个百分点。
图三：在遭遇恶劣暴风雪天气时，经济增长放缓
接下来我们用一些简单的模型来估计天气变量对国内生产总值的季度增长以及当前活动指数的影响。通过使用自1985年以来的数据，我们不仅回归计算了每种增长变量自己的滞后值，还计算了同期和滞后这两种天气变量。我们的模型加上了一种约束，即这些采暖度日数和降雪变量各自的回归系数加起来总和必须为零，以便在产出水平上的天气波动不会出现永久的效果。图表4显示了由此产生的评估结果。
该模型暗示了，10年期采暖度日数均值的标准差增加1（只计算寒冷月份的标准差，大致相当于国内生产总值每季度里的150或是每月当前活动指数里的70），就会造成国内生产总值增长0.4个百分点的下降以及当前活动指数0.1个百分点的下降。这些模型还暗示了，降雪量的标准差增加1，将导致当前活动指数和国内生产总值增长均下降0.3个百分点。我们关于其对当前活动指数的一种更小影响的自上而下的发现，符合我们之前关于天气对当前活动指数影响自下而上的分析。并且也与当前活动指数在最近两个冬天的减速放缓相一致。
图四：天气对经济的影响有两大原则
这里提醒一下，我们的评估存在相当大的不确定性。具体而言，温度和暴风雪之间的共线性以及总体水平上样本的有限性，特别是国内生产总值样本的有限，这些都意味着这些评估结果对模型规格很敏感。这就是说，该模型意味着降雪和温度偏差一起导致了2014年第一季度和2015年第一季度国内生产总值下降了0.8个百分点。并且，我们认为它们为天气波动对经济增长的影响提供了合理的规则。
天气可以预判经济
天气的重要性关于这种所谓的天气对经济的影响，投资者们有时会心存怀疑，认为这些只是为疲软数据辩解的简单借口。我们如何才能通过其他事实来确信天气条件对经济增长的这种负面影响呢？
尽管无法确定，但天气确实对经济存在不均衡的影响。图表5显示了我们所评估的温度和降雪对一些顶级指标的影响。我们发现天气对住房与建设，零售支出以及贸易的相关经济数据影响最大。我们利用自2005年以来可查的各经济板块每季度州内生产总值的国家级数据模型来评估天气对不同经济板块的相关影响。我们发现对天气最敏感的板块包括了建设，采矿，制造业，零售贸易以及住房。
图五：房地产、零售、贸易对天气变化最敏感
最后，我们看了在一份关于典型天气模式的报告中的分类排列或门类层次数据。例如，我们在过去的调查中曾展示了严冬天气对于各零售销售种类的不同影响，其中其对建筑材料，交通工具销售以及家具的影响最大，并且对线上购物等无门店销售有着积极的影响。
天气与就业报告
我们通过评估天气条件对就业的影响来得出结论。由于对于就业参考周的精确定时很重要，所以天气对就业报告的影响更加精妙。我们建立了一个关于就业与每周采暖度日数的国家模型。为了评估出每周天气观察的最佳相对权重，我们在一个预回归分析中纳入了当前月和之前月的所有周变量。我们发现参考周比其他州要重要两倍，并且如图6所示，我们利用回归系数计算出了当前及之前月份的采暖度日数的最佳概要变量。
图6：工资也受天气的影响
接下来我们在模型中添加了其他天气数据，从而看看这些数据系列是否也很重要。我们发现尽管降雪变量再次对经济及数据统计有着显著的影响，但一种叫制冷度日数的平行温度测量指数却没这么重要。我们还发现，冰雹天气对数据统计的影响很大，对经济的影响却很小。
国家级就业数据的丰富性使我们能够解决更多微妙的问题，而这些问题通过总计全国时间序列数据是很难给出令人信服的答案的：
1.天气的影响是全年存在的吗？我们发现采暖度日数标准差的影响对6到10月的单月样本的影响并不显著。
2.比往年暖的月份和比往年冷的月份所造成的影响一样吗？通过分离样本，我们发现更冷一度所造成的影响是更热一度的两倍。
3.该影响是线性的吗？我们发现一个二次元日数项在统计上的影响并不显著。尽管有无穷的方法可以用来列举临界值，但我们认为假设线性影响是合理的。
4.天气的影响是相反的吗？在无约束回归分析中，同时期及两个滞后的天气项中的这些系数通常加起来大致为0，这表明一个几乎完全的反弹通常发生在几个月内。
尽管这些结论并不一定要应用在所有的经济指标中，但我们认为它们给我们上了意义更广泛的一课。基于这些发现，我们利用采暖度日数最佳加权标准差以及根据就业参考周定时而调整的降雪指数版本，来构建了总体以及分产业的模型。图表7总结概述了这些模型评估。
图7：天气对工资的影响原则
在总计产业影响以得出这种总体影响的一个自下而上的评估时，我们只纳入了那些温度及降雪对其统计影响十分显著的产业。我们发现，偏冷月标准方差1（大约70 采暖度日数）关乎到就业增长约3万5千人的削减，而参考周期间降雪标准差1则关乎2万4到4万5的削减。再说一次，天气影响有着相似的模式，主要对建筑、旅游休闲住宿、零售及批发贸易的就业有着主要的影响。
在进入11月参考期的这几周，温度微变的更加适宜，这应该有助于对本月的就业产生一个小的积极影响。目前为止，商业调查中的就业部分已经被“混合”在了这些微小变化中，并且纳入在消费者信心报告中的劳动差异也有所下降。因此我们预计11月的就业增长为20万人，远不及之前6个月21.5万的均值。
是的，高盛的团队真的花了好几天的时间写了以上这些话。
列出了这近2000字无意义的废话之后，现在说点妙语：如果2014年和2015年第一季度的惨淡都归咎于寒冷的天气，那么异常温暖的天气会影响到2016年的第一季度（以及2015年的第四季度）多少点的国内生产总值呢？
如果美联储在发现自己几乎忽视了过去两年里自己分析得十分仔细的天气影响后，考虑到天气正在回转并且“提振”了经济，从而认为经济正在好转所以实行加息，那这会不会成为货币政策史上前所未有的先例？（双刀）
耶伦：怪天气咯！
