中國的快速發展致使其經濟和人口遭受極端災害的風險正逐步上升，同時氣候變化影響也可能進一步加劇這種情況的發生。當前，關于中國極端災害下引發區域社會經濟影響的研究幾乎沒有，尤其對于未來氣候條件下的研究。本文通過建立不確定性模型，旨在實證分析中國極端災害潛在影響，并預測氣候變化情況下各省份的社會經濟風險。本文根據各省情況的不均衡性，分析了未來幾十年內中國對于氣候變化引發極端災害的社會經濟風險。通過分層貝葉斯方法，驗認了社會經濟損害與其決定因素之間的關系，并用此預測了未來的損害，以及特定氣候和發展情景下的相關不確定性范圍。通過對風險暴露變化的預測，本文發現中國的西南、中部地區以及海南島存在受災人口比例較高的風險，同時西南、中部的大部分地區還可能有較高經濟損失的風險。最后，本文發現收入的增加可極大降低受災人口數量。

氣候變化會導致一些重大的社會影響，同時也是一項全球性的挑戰。從政策制定角度來看，往往更關注于溫室氣體（GHGs）濃度變化產生的潛在危害評估方面。而極端災害引發的區域性損害對于計算GHG排放成本至關重要，尤其對于較易受害的發展中國家。更為重要的是，未來損害的不確定性是調整方案降低風險的關鍵因素，因此需格外加以重視。本文通過應用一套有效量化不確定性的統計模型，給出了中國極端災害下引發區域社會經濟影響的實證分析。

中國曾在氣候災害中遭受過重大損失。例如，在1990-2012年間洪水引發的年平均直接損失為1303億元人民幣/年（當前價格）。1991-2012年間，因干旱每年平均約有2730萬人無法獲得飲用水。隨著溫度上升，中國可能會面臨遭受不良后果的更高風險。這些影響會因地區間自然和社會因素的不同而產生差異。因此，對在中國極端災害下引發未來損害的評估正逐步引起政府的關注。

對于災害損失的建模通常有兩種方式：過程模型及統計模型。在實際應用中，過程模型往往需依賴大量高分辨率的氣候、地理及社會經濟數據集來描述復雜的自然過程。然而在一些數據集獲取受限的區域，應用該方法可能會存在挑戰，難以考慮模型的不確定性。相比而言，統計方法對數據強度的要求較低，并且易于分析各類不同地理分布的情況。此外，它還提供了一種正常途徑下評估模型不確定性的好方法。對于產生影響的那些重要統計決定因素的調查，可有助于解釋極端災害下的易受害性并推動相關政策的制定。

由氣候災害引發的社會經濟損失，通常指的是對人類及經濟造成的不良影響，取決于各類情況。極端災害的物理特性直接與各災害類型相關。社會經濟發展也可能會產生巨大的作用。財富及人口數量的增長加快了社會經濟風險的暴露程度，因而增加了潛在的損失。同時，經濟的發展也加強了應對能力，因而有助于減少災害。有證據顯示高收入地區通常更有可能具備較強的應對能力來處理極端災害。

建立社會經濟損害與相關影響因素的關系對于評估未來潛在成本至關重要。然而，這種結構關系下的不確定性在早前災害評估的傳統回歸方法研究中并未正式考慮過。一種分層貝葉斯方法通過部分匯集不同地區的公共信息并在考慮其差異的基礎上，幫助量化模型及參數的不確定性，并提出一種減少不確定性的途徑。該方法已在某些領域被用于構建靈活的統計關系。對于氣候變化影響分析，分層的貝葉斯模型可有助于提供潛在損害的合理范圍。

當前，關于中國極端災害下引發區域社會經濟影響的研究幾乎沒有，尤其對于未來氣候條件下。因此，對于長期預測模型及參數不確定性的闡述很有必要。本文通過對不確定性建模，旨在實證分析中國極端災害潛在影響，并預測氣候變化情況下各省的社會經濟風險。為此，開發了一套中國省級規模的分層貝葉斯模型以判別社會經濟損害與其決定因素間的相互關系。當闡述地區與國家的社會經濟風險時，本文也考慮了未來極端災害的不確定性。

本文結構如下：第二節描述了數據集、情景假設以及分層貝葉斯模型情況。第三節給出了實證模型的結果以及對社會經濟損害的預測。最后，第四節做出總結并對中國氣候應對及減緩策略提出了建議。

2.1 研究范圍和數據描述

本文研究范圍包括了中國30個省（直轄市及自治區）。上海近幾年被認為是零損害（經濟損失或受影響人群），部分原因是其地理風險較低，因此本文沒有對上海進行分析。

1970-2012年歷史氣象數據取自中國氣息科學數據共享服務網。氣象站白天數據包括降水、平均溫度、最高溫度和最低溫度。代表性濃度路徑（Representative Concentration Pathways，RCPs）里1970-2050年模擬的月降水量和平均溫度來自于部門間的影響模式比較計劃（Inter-Sectoral Impact Model Intercomparison Project ，ISI-MIP）中5個氣候模型（HadGEM2-ES，IPSL-CM5A-LR，MIROC-ESM-CHEM，GFDL-ESM2M及NorESM1-M）縮小范圍的結果（0.5°×0.5°分辨率網格）。本文將比例轉為0.1°分辨率網格以計算縣級水平的不同氣候條件，國家未來氣候數據被用于各氣象站的預測數據。氣象數據被用以辨識和預測各氣象站極端災害的發生。對于每一類極端災害，某省內氣象站都要計算極端災害發生的平均數量并進行分析。本文分別給出了氣候模型產生的影響以及相應后果。

中國民政統計年鑒給出了與氣候災害相關的（包括洪水、內澇、臺風、干旱、低溫、降雪等）省級年度總直接經濟損失和受災人口數量，其中2000-2012年（除2004年）數據被選出。經濟損失（2010年價格，單位人民幣）通過GDP價格指數進行計算。省級2000-2012年經濟和人口數據通過中國統計年鑒及中國社會經濟發展統計數據庫收集。

共享的社會經濟路徑（Shared Socioeconomic Pathways，SSPs）描述了未來可能的情景。SSPs的中間情況被作為發展情景。利用經合組織SSP數據庫中國家規模的人口與GDP增長率數據，對各省數據進行了預測。本文主要討論了氣候情景下的3種RCP值。van Vuuren 和Carter認為RCP6.0與SSP2能夠共存，本文進一步闡述了RCP2.6與RCP4.5作為氣候減緩政策情景的情況。

2.2 社會經濟損害的決定性因素

本文按照經濟損失和受害人口數量對社會經濟損害進行了定量化分析。由于中國的發展與人口存在地區差異性，因此有2個指標可更好地揭示社會經濟損害的區域模式。根據早前研究，社會經濟損害的決定性因素主要來自于氣候和社會經濟方面。尤其包括這些變量，如洪水發生數量（NUMF）、干旱發生數量（NUMD）、高溫發生數量（NUMH）、嚴寒發生數量（NUMC）、人口（POP）、國內生產總值（GDP）以及人均GDP（GDPPC）等。極端災害的數量代表了當地極端災害發生的頻次，人口與GDP水平則各自反映了極端災害中人口與經濟風險的暴露狀況。人均GDP用來計算應對能力。下文將詳細介紹這些變量在未來情景下的變化情況。

本文考慮4種有氣候災害損失記載的中國極端災害。每個氣象站的歷史極端災害由觀測的氣候數據進行辨識，省內各站點極端災害發生的平均數作為該省的分析數據。對于每一種極端災害而言，年度災害發生的次數與相關氣候變量之間的關系在每個站點建立，之后未來極端災害發生的數量就由該RCP值下氣候模型中預測的氣候變量導出。預測極端災害數量的不確定性通過構建它的分布模型進行分析。由于模擬與觀測的氣候變量在分布模型中并不一致，因此采用1970-2000年的數據來修正模擬氣候變量的分布。與溫度相關變量的偏差校正是基于一個正態分布。同樣，受偏度影響，年度總降水量由對數正態分布進行校正。

各省經濟發展狀況源自SSP2情景中預測的每10年國家GDP增長率水平。首先，本文通過線性插入法得到至2050年的中國年度GDP增長率；其次，假設各省的增長率水平結構與2012年持平，計算相應各省的未來GDP值。本文中GDP采用2010年固定價格，單位為人民幣。

對于人口情景，各省人口數量是根據SSP2的結果，即每隔10年全國至2050年總人口預測值進行假設計算。首先，通過線性插入法得到至2050年中國年度總人口數；其次，通過人口系數，將國家總人口數量分配到各省中。這里省對國家總人口的比例定義為省的人口系數，該系數根據2006-2012年間的變化進行相應調整。

損害與決定因素之間的實證關系通過一個分層的貝葉斯模型進行闡述，并作為2015-2050年的損害預測。以不同氣候模型計算出的社會經濟損害平均值作為未來損害的預測值。模型及相關氣候輸入值的不確定性用來說明國家及地區極端災害引發的風險。此外，本文還通過固定不變的社會經濟情勢，對比了過去及未來發生的損害以揭示氣候變化產生的影響。

2.3 社會經濟損害的分層貝葉斯模型

本文采用的是多層模型。在第一層中，經過一個初步的診斷評價之后，損害、社會經濟以及氣候協變量之間的對數關系被確立。對于S（S=1，2，….，S）省在t年中，受害人數yst以及經濟損失zst（兩者經對數變換）的模型被構建，該模型是考慮兩變量依賴性的一個二元正態分布。

3.1 社會經濟損害的實證回歸分析

本文調查了兩類社會經濟損害，受災人口數量和經濟損失。本文先討論兩個模型中受災人口數量的結果，之后再討論經濟損失。

模型1中回歸系數的估計后驗分布見補充材料（如需請與本站聯系）。后驗分布90%區間未與0重疊的參數被認為影響較大。根據各省預估的公共均值回歸系數，洪水災害與高溫災害次數每增加1%，受災人口數量將分別增加0.34%和0.25%（中位值）。該比例高于干旱災害和低溫災害引發的受災人口增量。同時本文還發現，人口數量增長導致了人口在極端災害下的風險暴露程度更高，平均彈性系數為0.83（中位值），這說明受災人數的增長與人口數量增長成正比。對于經濟損失而言，需考慮經濟的規模水平。洪水災害與高溫災害次數每增加1%，經濟損失將分別增加0.41%和0.20%（中位值）。然而干旱災害和低溫災害對于經濟損失的影響似乎較弱。此外，由于GDP的升高增加了經濟風險的暴露，因此損失也會加大。

模型2中回歸系數的估計見補充材料（如需請與本站聯系）。人均GDP系數說明較強的應對能力會極大減少受災人數和經濟損失。這與早前研究結論是一致的。該模型體現了風險暴露與應對的影響。

本文發現各省預測產生的結果多數都不相同，這意味著本文采用的通過部分匯集不同地區的公共信息進行回歸分析的方法是合理的。雖然一些變量的影響較小，但在模型中還是保留了它們，因為它們對于災害損失的后驗分布仍然可以提供一些信息。

通過空間匯集各省之間的回歸系數，并結合兩種損害間的依賴關系，本文以多元分布構建了聯合損害模型。此外，在不考慮兩種損害間依賴關系的情況下也構建了獨立損害模型，并做進一步的對比。模型1中，在考慮與不考慮受災人數與經濟損失之間依賴關系的兩種情況下，回歸系數的間距范圍見補充材料（如需請與本站聯系）。可以看出，聯合模型降低了參數估計的不確定性。因此，本文中模型給出的社會經濟損失估算更為準確，這對于氣候應對和減緩計劃是非常重要的。

3.2 社會經濟風險的區域模型

本文預測了2015-2050年未來氣候及發展情景下的社會經濟損失。圖1給出了模型1下的平均損害預測。由于不同RCP值估算出的結果差異不大，因此圖1中僅顯示了RCP值為2.6的損害。可以看出西南省份（貴州、重慶、云南、廣西及四川），中部省份（江西、湖北及湖南）以及海南島受災人口風險的比例較高。該預測結果與歷史情況吻合，即中國南方遭受災害風險的人口比例較高。這些省份通常經濟發展水平較低，對于災害的應對能力較弱。如果對于較強災害的話，應急能力就更弱。西南和中部的大部分地區，尤其是四川和湖南，還顯示出更高的損失程度。一些高收入省份，如廣東、浙江、山東及內蒙古也可能遭受較高的損失，盡管受災人數的增長并不高。相比而言，一些經濟發展水平較低的省份如西藏、寧夏以及青海，遭受的經濟損失卻較低。

總而言之，兩個模型拓寬了潛在社會經濟損害風險管理的范圍。同時也說明經濟發展對于減少損失起了非常重要的作用，尤其對于較易受害的區域。

3.3 國家社會經濟風險

圖4給出了2015-2050年不同條件下導致的國家社會經濟損失。首先，本文通過對比發展與沒有發展兩種情況下，對未來經濟和人口情景如何造成國家損失進行了分析。模型1預測了沒有發展的情況（即GDP與人口保持在2012年水平不變）。可以看出僅在氣候變化影響下受災人數與經濟損失都發生了增長。在發展情景下，由于總人口數量減少，總受災人數到2050年緩慢下降至3.8317億。然而受災人數占總人口的百分比卻有所上升，盡管上升幅度不大。由于GDP的增長，預計經濟損失從長期看會朝著上升的方向發展，至2050年氣候變化和發展引發的損失將超過5000億人民幣。第二，從模型1和模型2預測的發展情景下的損失，能夠看出應對是如何發揮作用的。從整個期間來看，受災人數預計會有一個持續的下降，而經濟損失相對穩定。總之，對比結果顯示出極端災害風險暴露的增加將加大損失的風險，而風險可以通過經濟發展來降低。模型1預測的損失對于風險規劃是非常重要的，因為風險規劃需考慮更為嚴重的潛在后果。此外，模型2揭示了經濟發展情況下提升應對能力所帶來的可能收益。

3.4 氣候變化對社會經濟損失的影響

本節對歷史（1971-1999年）社會經濟損失與未來（2015-2050年）氣候條件下預測的社會經濟損失進行了對比，揭示了單獨氣候變化條件下所產生的影響，兩個時期的經濟和人口情景都保持在2012年價格水平。不同RCP的極端災害變化情況見補充材料，本文應用模型1估算了兩個時期的損失。在未來所有省份受災人口數量都會升高，RCP2.6（RCP4.5和RCP6.0）的中值平均相對變化是15.2%（15.7%和14.4%）。同樣，未來氣候條件將加劇各省的經濟損失，RCP2.6（RCP4.5和RCP6.0）的中值平均相對變化是17.8%（17.4%和15.3%）。關于國家損失，兩個時期年度中值分布見圖5所示。盡管氣候模型之間的預估值會存在一些差異，但是它們最終都反映出受災人數與經濟損失在變化的氣候條件下影響更為嚴重。本文也注意到RCP4.5的年度損失中位值范圍相對較寬，這說明極度災害產生的影響在未來時期內變化較大。然而在一些區域，RCP6.0下的溫度和降水會導致洪水和高溫災害次數的減少，因此對于整個國家不會造成更大的損失。

本文根據各省份的差異情況，調查了未來幾十年里氣候變化引發極端災害的中國社會經濟風險，并且對不確定性進行了量化。分析得出的主要結論總結如下：

分層的貝葉斯模型為量化不確定性（具體包括模型參數、結構關系以及預測結果）提供了一條有效途徑。它保持了區域性的特點，同時也允許將信息在不同區域間進行適當的分組。社會經濟損失的后驗分布對于應對和降低風險方案十分重要。本文給出了降低評估結果不確定性的方法，同時也提供了一套更好量化損失成本不確定性的途徑。

西南省份（貴州、重慶、云南、廣西及四川），中部省份（江西、湖北及湖南）以及海南島受災人口風險的比例較高。對于經濟損失，西南和中部的大部分地區，尤其是四川和湖南，損失程度較高。一些高收入省份也面臨重損失的情況。

人均GDP反映了應對能力，能夠極大減少極端災害下的受災人數。2015-2050年采取應對措施的平均受災人數預期要低于歷史平均觀測數據。然而，由于經濟風險對于極端災害的暴露程度增加，采取應對措施的經濟損失預計與歷史平均水平持平。

氣候變化產生的影響巨大，未來各省平均社會經濟損失將趨向于更高的水平。總之，由氣候模型預測的國家損失在氣候條件變化的情況下都呈上升的趨勢。

本文分析也存在幾個局限性。首先，作為損失影響分析的是極端災害發生次數而不是記錄的天氣災害次數。本文認為，選取的極端事件與相應的災害有關，能夠作為其合理的代表。由于模型便于預測未來極端災害，因此兩者關系的預估有助于社會經濟損失的預測。其次，損失評估的關系較為簡單。除了本文中提到的一些變量（如極端災害發生頻次及人口與經濟規模），其他因素（如極端災害的級數）也可能對社會經濟損失產生影響。為此后續需要對決定因素進行更為全面的考慮。研究可著力于模型的改進以更好地涵蓋各類氣候因素。此外，本文沒有考慮一些非線性關系的預測。例如，損失與經濟發展之間的關系可能是非線性的，但本文未做討論。第三，未來情景也存在一些問題。氣候與社會經濟條件的實際未來發展是源自當前的一些假設。經濟和人口發展的不確定性并未涉及，但是實際上貝葉斯模型框架是可以綜合考慮所有的不確定性并給出一個更為詳實的社會經濟損失評估的。未來也可以開拓氣候與社會經濟相結合的不同情境的影響研究。

兩個模型預估的社會經濟損失范圍最終可為中國氣候應對和減緩方案提供一些見解。首先，高收入地區對于極端災害的暴露程度較大，因此遭受經濟損失的風險也較高。為更好地進行風險管理，需制定合理及有效的方案，尤其對于災難的應對措施。其次，經濟的發展對于易受害省份非常必要。在中國，欠發達省份由于其較低的應對能力以及災害的頻發性，相對可能會遭受更嚴重的損失。這些地區經濟的發展有助于建立對氣候變化的應對能力。第三，氣候變化可能會引發更多極端災害的損失，綜合性評估模型應當考慮到這個問題，以進一步制定恰當的氣候政策。