研究背景与问题提出 [page::0][page::1][page::2]

• 2023年四分之一美国家庭经历停电，停电主要归因自然灾害，年均经济损失1500亿美元。

- 研究聚焦分析三次重大自然灾害引发的美国大规模电力停机对宏观经济的影响。

• 核心研究问题包括灾害引发停电的GDP影响及不同数据参数化方法的效果比较。

数据参数化方法及模型框架 [page::9][page::13][page::16][page::18]

• 参数化三种方法：家庭中断数据、千瓦时(kWh)损失估算、卫星夜间光数据分析。

- 运用三种IO建模方法：
- Leontief和Ghosh方法涉及上下游产业影响计算。
- 关键输入模型假设电力为短期关键投入，缺电导致产能完全中断。
- 非作业模型测算产能降低程度及其经济损失。

• 三种数据参数化方法分别估算最终需求冲击，用以分析经济间接影响。

模型结果概览-国内与全球GDP损失 [page::20][page::21][page::23]

• 以飓风伊恩（2022）为例，国内经济损失估计在2,930万美元到14.1亿美元之间，全球损失最高达15.3亿美元。

- 不同参数化与模型架构导致损失估计波动较大，最高相差几十亿美元。

• 产业影响主要集中在金融、商业服务、教育健康和矿产业，模型间对受影响行业的侧重点略有不同。

2021年德州大停电影响分析 [page::25][page::27][page::28]

• 高峰时约450万户停电，国内间接GDP损失范围约为5.84亿美元至16.8亿美元。

- 卫星夜间光数据参照显示，参数化方法数据可达148亿美元的需求冲击估计。

2020年热带风暴伊萨亚斯案例分析 [page::29][page::30][page::33]

• 高达360万户停电，国内GDP损失估计为3.4亿美元至12.4亿美元不等。

- 卫星夜间光参数化技术被证实数据较为公开可靠，避免了新闻及报表数据局限。

参数化方法与模型架构的敏感度分析 [page::34][page::35][page::36][page::41]

• 模型架构差异造成估计差异合理，因各模型侧重不同影响维度。

- 数据参数化带来的变化同样显著，Critical Input模型对参数化方法敏感度最高，标准差可达50.5%。

• 比较模型输出与历史实测数据后发现，关键输入模型结合千瓦时参数化结果与文献一致性最好。

- 卫星夜间光参数化方法因数据公开性被推荐用于模型复现及验证。

研究结论与建议 [page::44][page::45]

• 研究强调模型选择和数据参数化对GDP损失估计的巨大影响，估计结果存在显著敏感性和不确定性。

- 输入输出模型更多提供产业影响规律与相对损失顺序，而非准确的绝对经济损失数值。

• 建议未来研究融合动态系统模型，拓展灾害类型，并丰富参数化方法和静态模型架构的应用。

重要图表展示 [page::11][page::14][page::22]

• 图1展示了三次灾害对应的消费户停电小时数时序折线图，直观反映不同停电影响期间的户数变化。

• 图2通过卫星夜间光强度差异图示意Texas及其他两起事件停电影响区块，展示局部光强度显著下降。

• 图3分模型和参数化方法，展示飓风伊恩国内间接GDP损失分解柱状图，细致刻画各行业受影响范围。

量化分析核心总结 [page::35][page::41]

• 数据参数化对同一模型的输出造成平均为23%-50%的波动，强调经济损失估计需谨慎解释。

- 关键输入模型的输出结果对输入数据最为敏感，显示需在数据质量和模型选择间权衡。

• 模型结果与历史黑点估计结果对比符合预期，支持模型在政策评估中的应用可能性。

金融研究报告详尽分析报告

---

一、元数据与概览

• 报告标题： Assessing the Sensitivities of Input-Output Methods for Natural Hazard-Induced Power Outage Macroeconomic Impacts

- 作者： Matthew Sprintson 和 Edward Oughton

• 机构/发布单位： 未具体标明，推测为相关学术或研究机构

- 发布日期： 2025年7月

• 主题/议题： 研究美国因自然灾害导致的停电事件对宏观经济的影响，聚焦三次大规模停电案例，采用输入-产出（Input-Output，IO）模型对经济损失进行估计和敏感性分析，比较不同数据参数化和模型架构的效果差异。

核心论点与目标：
报告通过分析三种IO模型（Leontief和Ghosh模型、关键输入模型、不可操作输入-产出模型）和三种数据参数化技术（家庭停电数量、失去的千瓦时、电力卫星夜间亮度），评估自然灾害（飓风Ian、2021年德州停电、热带风暴Isaias）导致停电对GDP的宏观经济影响及不同模型和数据选取带来的估计敏感性。报告显示，评估结果受模型架构和数据参数化高度影响，估计损失波动可达23.1%至50.5%，强调分析师对模型和数据的前期选择对最终损失估计重要性，并首次系统比较多种IO模型与参数化技术在灾难相关长时间停电经济影响评估中的表现和差异，为未来分析人员提供指导和洞见。[page::0,2]

---

二、逐节深度解读

2.1 引言

• 关键论点：

停电定义及其经济社会影响，强调电力系统对其他基础设施（交通、电信、水利等）的关键依赖性，指出2023年约四分之一美国家庭经历停电，其中87%因自然灾害引起，经济损失预计超过1500亿美元。电力行业占私营增加值的12.8%，但贡献了供应链损失的36.8%。停电影响延伸至制造等高能耗产业，有显著连锁供应链效应。

• 支持依据和数据：

结合多个权威机构数据和研究（IEA, FEMA, Thomas & Fung等），2023年停电户数、平均停电时长和经济损失数字反映停电带来的巨大负面外部性。

• 宏观经济影响：

停电直接削弱消费者需求，供应链中断，商业活动受限，产品损坏，供需链效率下降，长期影响经济增长和财富分配。

2.2 宏观经济影响及静态IO模型现状

• 关键论点：

文献综述表明，电力中断对GDP增长、制造业产出及供应链有严重负面影响。例如，系统平均中断持续时间（SAIDI）降低1%，全球经济增长可提升2.16%。利用模拟方法，模拟日本2011年地震停电导致2.7万亿日元损失。

• IO模型应用：

静态IO模型适合分析自然灾害引起的间接经济影响，研究中采用Leontief、Ghosh和不可操作模型分析产业链上下游。特定案例，如德州2021年暴风雪停电、东北2003年大停电，采用IO估计GDP损失逾数亿美元。

• 模型敏感性：

静态IO模型缺乏弹性反应能力，且对参数和架构极为敏感，损失估计可能被高估，误差幅度可达41%-70%。文献表明模型架构选择及数据输入对结果影响甚远，强调对参数化假设的严谨性要求。

3. 方法论

3.1 数据参数化技术

1. 家庭停电数据（Household Interruptions）

通过官方及新闻数据统计停电家庭数及持续时长（详见表1），计算被影响的“消费者停电小时数”，进而基于EORA模型估算直接需求冲击。

1. 失去电量（kWh Lost）

利用各停电事件的估计失电量（见表2），除以美国年电力总发电量，得到停电的电力生产比例，同时假设最终需求按比例下降，以此计算需求冲击。

1. 卫星夜间亮度变化（Satellite Luminosity）

利用NASA VIIRS卫星夜间光照数据（图2），对暴风前后亮度变化建模，生成反映停电影响区域的亮度损失比例，推断电力需求的减少，用亮度变化比例乘以最终电力需求得到冲击。

上述方法各有优缺点：家庭数基于调查，可能缺乏细节；kWh数据需要发电量准确估计且假设功率和经济产出线性；卫星亮度技术数据公开且空间分辨率高，但需排除天气等干扰。均假设区域和时间均匀性（均质性假设）。[page::9,10,12,13]

3.2 输入-产出模型方法

• Leontief & Ghosh模型：

Leontief 用于测量上游影响，即输入需求链条，计算输出变化；Ghosh 用于下游影响，利用矩阵反映供应链生产恢复。设技术矩阵$A$，最终需求$F$，输出$x$满足$x=(I-A)^{-1}F$，通过需求冲击$\Delta F$求产出变化$\Delta x$。防止上下游重叠计数，拆分直接与间接影响。

• 关键输入模型：

假设电力为关键生产要素，停电比例$X\%$直接等效于所有行业产出减少，模拟短期完全中断，未考虑恢复或行为转变，适用于停电持续时间较短场景。

• 不可操作模型（Inoperability IO）：

通过重新构造交叉效应矩阵$A^$，计算扰动向量$c^$和不可操作向量$q=(I-A^)^{-1}c^$，反映生产能力降低后经济损失，强调了产能部分失效对上下游部门的连锁影响。

模型均基于2017年EORA数据库，静态框架限制其对动态恢复、价格波动的捕捉，但广泛用于灾害经济影响估算。[page::16-19]

---

三、图表深度解读

图1（第11页）：三大停电案例消费者停电小时数时间序列趋势

• 描述：展现飓风Ian、2021德州冬季风暴、飓风Isaias期间每日每小时停电消费者数量的动态变化。

- 解读：
- Ian峰值约270万户停电，逐渐恢复，历时12天。
- 德州峰值约400万户，停电时间较短且波动强烈，历时14天。
- Isaias停电家户数较多，恢复最慢，历时7天以上，符合灾害影响不同特点。

• 联系文本：为计算消费者停电小时数提供基础数据，赋予模型初期需求冲击直观依据。

- 限制：部分数据为估计或推算，存在一定误差。

图2（第14页）：卫星夜间光照亮度变化图

• 描述：对比特定时间点夜间光照亮度，反映停电影响区域亮度下降状况——从而推断受电区域对应电力需求缺失。

- 解读：
- 德州2月7日与16日亮度差显著，休斯敦光点减弱明显。
- 东北部及佛罗里达部分区域亮度在事件后显著降低。

• 联系文本：展示卫星数据参数化的空间应用，增强估计的地理精度与客观性。

- 限制：亮度变化可能受天气等影响，虽数据已校正，但仍存误差源。

图3、图4（第22页、第24页）：Hurricane Ian国内及全球GDP间接损失细分条形图

• 描述：对三种模型和三种参数化方法下，行业间接GDP损失估计的细化展示，区分上游与下游损失。

- 解读：
- 金融与商业活动、教育与医疗、公共管理等服务行业受损最显著。
- 不同模型之间总量和行业分布差异明显，关键输入模型估计值远高于其他模型。
- 卫星亮度参数化通常估计值最高，kWh次之，家庭停电最低。

• 联系文本：直观反映模型和参数化技术对行业经济影响估计的敏感性，各行业对停电的依赖和承受能力异质性。

表3-表8（第21、23、25、27、30、32页）：三大案例三模型三参数化方法估计数值对照表（国内及全球）

• 解读：

- 三个自然灾害造成的电力停电估计GDP损失差距较大，关键输入模型最高，Leontief居中，不可操作模型最低。
- 参数化方法中的卫星亮度数据多次显示最大经济冲击，可能反映更全面、动态的损失信号。
- 国内损失与全球损失差异反映美国电网与国际供应链的连通性和依赖度差异。

图9（第38页）：验证与比照图表

• 解读：本图对比本报告三种模型三种参数化方案的估计值与相关文献及政府报告的实测或估计区间，显示本报告的关键输入模型与部分现有文献估计更接近，而Leontief和不可操作模型通常低估，或仅测部分影响。

- 意义：验证模型的现实适用性及局限，辅佐模型选择与参数化方法匹配现实需求。

---

四、估值分析

报告所用估值方法为静态输入-产出分析，主要基于对产业间投入产出关系矩阵的数学运算：

• Leontief模型计算生产总值反应于最终需求变化，即内生产出变动；

- Ghosh模型侧重供应侧，测定生产中断对供应链下游的影响；

• 关键输入模型近似假设断电导致所有部门短期停产，适合模拟短时断电冲击；

- 不可操作IO模型量化部分产业生产能力不可用对上下游行业的影响扩散。

模型假设包括固定技术系数、不考虑供给弹性和价格变化、无产业替代等。折现率、永续增长率等动态估值参数不适用此静态框架。模型估值结果对初始冲击参数及架构设计极为敏感，输出结果可视为影响上限。

---

五、风险因素评估

报告中识别并讨论了以下风险因素：

• 数据可得性及质量：参数化方法依赖不同数据来源（新闻报道、政府统计、卫星数据），部分数据存在测量误差或覆盖不足，影响估计准确度。

- 模型架构选择敏感性：不同IO模型对经济结构和产业链依赖的假设差异导致损失预估量级差异。

• 静态模型局限性：不包含动态恢复机制、价格反应及产业替代，可能导致损失高估；也无法捕捉停电长期社会经济影响及行为调整。

- 双重计数风险：模型上下游叠加估计时可能重复计入部分经济影响，需要谨慎拆分避免。

• 假设均质性及线性关系：均质假设可能忽略区域及行业差异，线性关系忽视非常态冲击下的非线性效应。

- 政策与市场情景变化：未来电网投资、气候适应性措施、紧急预案等可能改变停电经济损失的实际大小。

报告未能覆盖动态风险缓解策略和多模型融合风险，但强调理论架构选取和数据参数选择必须慎重，影响损失估计及政策建议的可靠性。

---

六、批判性视角与细微差别

• 多模型、多参数化的复杂性使得估计结果波动极大，最大波动可达50.5%，这表明模型输出的经济损失数字仅作参考值，且需结合情景应用解释。

- 关键输入方法虽更贴合短暂断电情景，但高估风险明显。该模型假设断电必导致所有行业同等产出下降，现实中存在备选机制和需求弹性。

• 卫星亮度数据作为公开数据源优势明显，但仍存在时间窗口内其他因素干扰的风险。

- 报告虽多次强调估计值为“上限”，但部分章节未明确区分具体不确定性范围，可能导致对结果的误读。

• 部分数据引用过时或估计方法概括，存在细节透明度不足。

- 数据和模型均反映美国经济环境，对其他国家乃至全球经济体系结构的推广适用性有限。

---

七、结论性综合

本文首次较为系统地整合三种IO模型和三种多样的数据参数化方法，从多个角度深入分析了美国三次重大自然灾害所致停电对经济的宏观影响。报告重要结论如下：

• 三次灾害导致的停电对当地及全球GDP造成显著影响，估计最高损失分别达15.3亿美元、18.2亿美元和13.5亿美元范围内，但平均估计远低于最高估计，且具有较大标准差，表现出高度不确定性和敏感性。

- 不同IO模型捕捉的经济影响维度各异，关键输入模型包含了更广的中断范围，导致估计显著更高；Leontief和Ghosh模型重点捕捉了上下游链条的产出效应；不可操作模型则偏向较保守的上游失能影响。

• 三种数据参数化技术均能生成合理的经济冲击估计，但依赖于数据的完整性和质量，相关差异在23%-50%之间，卫星亮度数据因公开且高频具有显著优势。

- 模型结果与现有文献和实际估计数据大致匹配——尤其是关键输入模型与德州2021停电的文献估计最为接近，验证了该模型在短期严重断电影响评估场景中的适用性。

• 报告立足于静态IO模型，明确其上限估计性质，未涵盖动态恢复、弹性和价格变化，建议未来研究引入动态建模工具。

- 模型敏感性提示政策制定者和分析师须审慎解读估计结果，重视数据和模型选择过程，不应单纯追求经济损失的精确绝对值，而是关注整体行业联动和供应链脆弱性分析。

• 对数据选择公开透明、可重复研究的大力倡导促进未来学术研究和政策制定的可信度和效果。

综上所述，报告为自然灾害诱发停电影响的宏观经济评估建立了全面的分析框架，结合改进数据收集和动态模型，有望为提升电力系统韧性和减少经济损失提供科学依据和政策指导。[page::0-45]

---

参考文献

本分析依托报告详尽注释内大量权威文献和数据资源，涵盖政府机构报告（EIA、DOE、NOAA）、学术论文和行业研究，保证分析的科学性和权威性。

---

备注

此分析严格基于报告内容进行综合解构，不加入未依据报告明确内容的个人观点，确保输出客观、详实、专业，且满足文末溯源需求。

报告