川海智库

报告概述

本报告由国际货币基金组织（IMF）发布，探讨如何将卫星衍生指标（如夜间灯光、NO2排放、植被指数）与传统高频宏观经济指标相结合，在机器学习（随机森林）框架下提高柬埔寨GDP的实时现在预测（nowcasting）精度。报告基于2010-2025年数据，采用训练-测试集划分和交叉验证方法，评估卫星数据对模型准确性的贡献，并展示子国家层面的经济活动洞察。该研究为数据稀缺环境下的宏观经济监测提供了非传统方法的补充视角。

报告的核心结论

卫星数据显著提升GDP现在预测准确性

将卫星指标与传统指标结合后，模型均方根误差（RMSE）从1.2降至0.9，平均绝对误差（MAE）从1.0降至0.8，整体精度提升超过20%。在传统数据缺失或延迟时，卫星数据可以弥补缺口并贡献更多预测能力。

NO2排放和夜间灯光是最重要的预测卫星指标

Shapley分解显示，在整个研究期间（2012-2025），NO2排放作为工业活动的代理变量对模型贡献最大；而在近期（2021-2025），夜间灯光的影响力增强，反映出城市化、旅游和电力消费与经济活动的关联加深。

2025年前两季度柬埔寨GDP预计同比增长约5.7%和6.7%

基于随机森林模型，报告给出2025年第一季度和第二季度的现在预测值分别为5.68%和约6.7%（报告正文明确Q1为5.68%，Q2为6.7%）。该预测利用了截至2025年9月可得的卫星和传统数据。

报告回答的关键问题

如何利用卫星数据实时预测柬埔寨GDP？

报告采用随机森林机器学习模型，将夜间灯光、NO2排放、植被指数等卫星指标与传统高频宏观变量（如出口、货币供应量、游客数量）共同作为输入，通过训练集学习历史模式，然后对测试集进行预测。模型可每月更新，实现近乎实时的GDP现在预测。

哪些卫星指标对预测柬埔寨GDP最重要？

根据Shapley值分析，NO2排放和夜间灯光是影响力最大的卫星指标。NO2排放反映了工业活动水平，夜间灯光则关联城市化、旅游和家庭用电。植被指数（如VHI）在农业波动时期也呈现显著贡献，尤其在2017年和2025年第一季度。

卫星数据如何改善柬埔寨传统统计数据的局限性？

柬埔寨GDP数据仅每年发布且有较长滞后期，传统高频指标也常延迟。卫星数据具有近实时、高频率和空间精细化的特点，能捕捉地面经济活动（如农业、制造业、旅游）的细微变化。加入卫星指标后，模型预测精度提升超过20%，在传统数据缺失时尤其有价值。

报告中的代表性数据

RMSE从1.2降至0.9；MAE从1.0降至0.8

模型精度提升

2010Q1-2025Q1，加入卫星指标后，预测误差降低超过20%。RMSE为均方根误差，MAE为平均绝对误差，均基于测试集（历史数据后15%时间段）计算。

5.68%

2025年第一季度GDP现在预测值

2025Q1，基于随机森林模型，使用截至2025年9月的数据预测的柬埔寨GDP同比增速。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 详细阐述柬埔寨官方统计能力的现状与挑战，以及卫星数据为何能成为传统数据的补充。
  • 完整介绍七类卫星指标（夜间灯光、NO2排放、NDVI、EVI、VHI、ASI、降水量）的定义、来源和经济学含义。
  • 列出传统高频指标（出口、进口、广义货币、汇率、CPI、贷款利率、信贷、游客到达数）及其处理缺失值的方法。
  • 解释随机森林算法的数学原理、训练-测试集划分（85%训练/15%测试）及交叉验证流程。
  • 展示模型拟合结果图表：实际GDP与现在预测序列对比图，以及卫星指标随时间变化的Shapley贡献图。
  • 提供分时段（2012-2025整体及2021-2025近期）的卫星指标重要性分析，并讨论解释因素。
  • 包含子国家层面的空间分析：用夜间灯光和植被指数展示各省经济活动的差异（如金边、西哈努克、暹粒等）。
  • 附有参考文献列表，涵盖机器学习、卫星数据经济学应用等相关研究。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告