用于即时预报的卫星数据：在机器学习框架中使用卫星数据实时估算柬埔寨的国内生产总值

核心观点与结论

柬埔寨在生产和及时发布关键官方统计数据方面面临能力限制，这限制了政策制定者进行敏捷和有效政策决策的能力。尽管该国在国民统计数据的可用性和质量方面取得了显著改进，但仍需进一步加强统计能力。GDP数据仅以年度频率提供，并存在显著滞后，限制了全面分析的及时性。

本文展示了如何结合卫星衍生指标（如夜间灯光、二氧化氮排放、植被指数）与传统高频数据，利用机器学习模型实时估算柬埔寨GDP。研究发现，卫星指标可以作为经济活动在不同经济部门中的代理指标，特别是在制造业和农业领域。

数据与方法

研究采用了机器学习方法，将季度卫星指标与传统宏观经济变量（如出口、进口、广义货币、汇率）结合，训练nowcasting模型以预测年同比季度GDP增长率。使用的卫星指标包括夜间灯光（NTL）、二氧化氮（NO₂）排放、降水（PCP）、归一化植被指数（NDVI）、增强型植被指数（EVI）、农业压力指数（ASI）和植被健康指数（VHI）。

研究结果与解释

随机森林机器学习技术显示出良好的拟合度，2025年第一季度和第二季度的nowcasting GDP增长率分别为5.7%和6.7%，RMSE为0.9。Shapley分解显示变量对模型预测能力的贡献：

• 卫星指标：夜间灯光和NO₂是影响最大的变量，其中NO₂在2012-2025年间对模型预测的影响最大，表明其与经济活动的关联性最强。近期（2021-2025年），夜间灯光的影响力增强，反映其与夜间可见经济活动的关联性提升。植被指数的贡献相对较小，但在2017年和2025年第一季度出现峰值，反映了农业活动的重要性。
• 传统指标：模型也考虑了出口、进口、广义货币和汇率等传统变量，但卫星指标的影响力更为显著。

研究结论

研究结果表明，卫星指标可以作为传统指标的补充，在传统指标稀缺时提供有效的替代方案。nowcasting模型在实时估算GDP方面表现出良好的性能，为政策制定者提供了及时的经济活动洞察，有助于制定更敏捷和有效的政策决策。