2026年7月，高温、暴雨等极端天气对中国经济数据产生了显著扰动。制造业PMI回落1.1个百分点至49.2%，消费品行业PMI环比下降2.4%。高频数据显示，广西和辽宁等地迁徙指数分别下滑12.8和11.1个百分点，居民服务消费短期热度回落。分析师预计7月社零持平于1%，投资累计同比或为-5.4%，工业增加值或回落至4.8%。极端天气成为解读7月经济数据时不可忽视的变量。
季节噪音与真实信号的统计分离
在经济统计分析中，区分季节噪音和真实信号是核心挑战。7月PMI回落1.1个百分点中，有多少是极端天气导致的临时扰动，有多少是经济内生的趋势性回落？统计学中的X-12-ARIMA季节调整方法可以剔除规律性的季节因素，但无法处理非规律性的极端天气冲击。分析者需要借助高频数据（如迁徙指数、高炉开工率）来进行人工判断。高频数据显示，7月高炉开工率仅下行1.2个百分点，说明天气对生产的实际影响有限，PMI的大幅回落可能存在过度反应。
迁徙指数作为消费代理变量的有效性
分析师使用迁徙指数作为消费的代理变量来评估极端天气对消费的影响。广西和辽宁迁徙指数分别下滑12.8和11.1个百分点，这一数据与7月社零持平的预测一致。统计学中的代理变量方法在经济分析中广泛应用——当直接目标变量（消费）数据尚未发布时，用高度相关的代理变量（迁徙指数）来先行预判。但代理变量的有效性取决于其与目标变量的相关稳定性，如果极端天气改变了迁徙与消费之间的相关关系（例如人们不出门但在线消费增加），代理变量的预测就会出现偏差。
石化链数据的供给冲击解读
7月石化链综合开工率同比回落2.1个百分点至-6.8%，PTA和涤纶长丝开工率分别回落6.1和2.9个百分点。分析师将此归因于前期高油价的供给冲击。统计学中的供给冲击分析区别于需求冲击——供给冲击导致的是产出和价格的同向变动（产出下降、价格上升），需求冲击导致的是反向变动。石化链开工率回落而价格也在回落，说明需求侧走弱可能叠加了供给冲击，这种复合效应使得统计解读更为复杂。
启示
7月经济数据的统计分析为经济预测提供了方法论启示：第一，极端天气是经济数据的重要噪音源，分析时需要借助高频数据进行噪音过滤；第二，代理变量方法在数据空窗期有预测价值，但需注意极端事件可能破坏代理关系的稳定性；第三，供给冲击和需求冲击的统计区分对政策建议至关重要，误判冲击类型会导致政策方向性错误。
从统计方法论的视角来看，7月数据的分析还揭示了高频数据在经济监测中日益重要的角色。传统经济数据（PMI、社零、投资）的发布频率为月度，而高频数据（迁徙指数、高炉开工率、石化开工率）的频率为日度或周度。高频数据虽然精度不如官方统计，但其及时性使得分析者能在官方数据发布前形成预判。在统计学中，这是用频率换精度的经典权衡——高频数据提供了更多的观测点，但每个观测点的噪音也更大。
此外，7月数据还提醒我们注意统计基数的选择。分析师预计7月社零持平于1%，这一预测部分基于基数回落——去年同期社零基数较低，因此即使绝对消费水平不变，同比增长率也会因为分母变小而回升。统计中的基数效应分析要求分析者在解读同比增长率时，同时关注绝对值和环比增长率，避免基数效应导致的误读。在极端天气背景下，基数效应与天气效应叠加，使得同比增长率的解读更加复杂。
从统计预测模型的角度来看，极端天气对经济数据的影响还提出了一个预测方法论问题——如何在模型中纳入非经济变量的影响。传统的经济预测模型主要依赖经济变量（利率、汇率、投资、消费等），极端天气作为非经济变量通常被归入随机误差项。但当极端天气频率和强度因气候变化而增加时，将其继续视为随机扰动已经不合时宜。统计学中的气象经济模型尝试将温度、降水量等气象变量纳入经济预测框架，但这需要跨学科的数据整合和模型创新。对于经济分析师而言，提升气象变量的统计处理能力正在成为一项新的专业技能要求。
其他思考
极端天气对经济数据的扰动通常持续多久？8月数据是否会自然修复？此外，高频数据与官方统计之间的背离是否在扩大？当高频数据显示生产影响有限但PMI大幅回落时，应该信哪个？从统计角度看，这种背离可能反映了PMI样本企业的代表性问题——如果PMI样本中消费品企业占比偏高，而消费品企业恰好受天气影响最大，PMI就会过度反映天气冲击。
关键词
极端天气、季节调整、高频数据、代理变量、供给冲击、基数效应
资料
原文链接：https://www.rcbom.com/econstat/5754.html
