中国的快速发展致使其经济和人口遭受极端灾害的风险正逐步上升，同时气候变化影响也可能进一步加剧这种情况的发生。当前，关于中国极端灾害下引发区域社会经济影响的研究几乎没有，尤其对于未来气候条件下的研究。本文通过建立不确定性模型，旨在实证分析中国极端灾害潜在影响，并预测气候变化情况下各省份的社会经济风险。本文根据各省情况的不均衡性，分析了未来几十年内中国对于气候变化引发极端灾害的社会经济风险。通过分层贝叶斯方法，验认了社会经济损害与其决定因素之间的关系，并用此预测了未来的损害，以及特定气候和发展情景下的相关不确定性范围。通过对风险暴露变化的预测，本文发现中国的西南、中部地区以及海南岛存在受灾人口比例较高的风险，同时西南、中部的大部分地区还可能有较高经济损失的风险。最后，本文发现收入的增加可极大降低受灾人口数量。

气候变化会导致一些重大的社会影响，同时也是一项全球性的挑战。从政策制定角度来看，往往更关注于温室气体（GHGs）浓度变化产生的潜在危害评估方面。而极端灾害引发的区域性损害对于计算GHG排放成本至关重要，尤其对于较易受害的发展中国家。更为重要的是，未来损害的不确定性是调整方案降低风险的关键因素，因此需格外加以重视。本文通过应用一套有效量化不确定性的统计模型，给出了中国极端灾害下引发区域社会经济影响的实证分析。

中国曾在气候灾害中遭受过重大损失。例如，在1990-2012年间洪水引发的年平均直接损失为1303亿元人民币/年（当前价格）。1991-2012年间，因干旱每年平均约有2730万人无法获得饮用水。随着温度上升，中国可能会面临遭受不良后果的更高风险。这些影响会因地区间自然和社会因素的不同而产生差异。因此，对在中国极端灾害下引发未来损害的评估正逐步引起政府的关注。

对于灾害损失的建模通常有两种方式：过程模型及统计模型。在实际应用中，过程模型往往需依赖大量高分辨率的气候、地理及社会经济数据集来描述复杂的自然过程。然而在一些数据集获取受限的区域，应用该方法可能会存在挑战，难以考虑模型的不确定性。相比而言，统计方法对数据强度的要求较低，并且易于分析各类不同地理分布的情况。此外，它还提供了一种正常途径下评估模型不确定性的好方法。对于产生影响的那些重要统计决定因素的调查，可有助于解释极端灾害下的易受害性并推动相关政策的制定。

由气候灾害引发的社会经济损失，通常指的是对人类及经济造成的不良影响，取决于各类情况。极端灾害的物理特性直接与各灾害类型相关。社会经济发展也可能会产生巨大的作用。财富及人口数量的增长加快了社会经济风险的暴露程度，因而增加了潜在的损失。同时，经济的发展也加强了应对能力，因而有助于减少灾害。有证据显示高收入地区通常更有可能具备较强的应对能力来处理极端灾害。

建立社会经济损害与相关影响因素的关系对于评估未来潜在成本至关重要。然而，这种结构关系下的不确定性在早前灾害评估的传统回归方法研究中并未正式考虑过。一种分层贝叶斯方法通过部分汇集不同地区的公共信息并在考虑其差异的基础上，帮助量化模型及参数的不确定性，并提出一种减少不确定性的途径。该方法已在某些领域被用于构建灵活的统计关系。对于气候变化影响分析，分层的贝叶斯模型可有助于提供潜在损害的合理范围。

当前，关于中国极端灾害下引发区域社会经济影响的研究几乎没有，尤其对于未来气候条件下。因此，对于长期预测模型及参数不确定性的阐述很有必要。本文通过对不确定性建模，旨在实证分析中国极端灾害潜在影响，并预测气候变化情况下各省的社会经济风险。为此，开发了一套中国省级规模的分层贝叶斯模型以判别社会经济损害与其决定因素间的相互关系。当阐述地区与国家的社会经济风险时，本文也考虑了未来极端灾害的不确定性。

本文结构如下：第二节描述了数据集、情景假设以及分层贝叶斯模型情况。第三节给出了实证模型的结果以及对社会经济损害的预测。最后，第四节做出总结并对中国气候应对及减缓策略提出了建议。

2.1 研究范围和数据描述

本文研究范围包括了中国30个省（直辖市及自治区）。上海近几年被认为是零损害（经济损失或受影响人群），部分原因是其地理风险较低，因此本文没有对上海进行分析。

1970-2012年历史气象数据取自中国气息科学数据共享服务网。气象站白天数据包括降水、平均温度、最高温度和最低温度。代表性浓度路径（Representative Concentration Pathways，RCPs）里1970-2050年模拟的月降水量和平均温度来自于部门间的影响模式比较计划（Inter-Sectoral Impact Model Intercomparison Project ，ISI-MIP）中5个气候模型（HadGEM2-ES，IPSL-CM5A-LR，MIROC-ESM-CHEM，GFDL-ESM2M及NorESM1-M）缩小范围的结果（0.5°×0.5°分辨率网格）。本文将比例转为0.1°分辨率网格以计算县级水平的不同气候条件，国家未来气候数据被用于各气象站的预测数据。气象数据被用以辨识和预测各气象站极端灾害的发生。对于每一类极端灾害，某省内气象站都要计算极端灾害发生的平均数量并进行分析。本文分别给出了气候模型产生的影响以及相应后果。

中国民政统计年鉴给出了与气候灾害相关的（包括洪水、内涝、台风、干旱、低温、降雪等）省级年度总直接经济损失和受灾人口数量，其中2000-2012年（除2004年）数据被选出。经济损失（2010年价格，单位人民币）通过GDP价格指数进行计算。省级2000-2012年经济和人口数据通过中国统计年鉴及中国社会经济发展统计数据库收集。

共享的社会经济路径（Shared Socioeconomic Pathways，SSPs）描述了未来可能的情景。SSPs的中间情况被作为发展情景。利用经合组织SSP数据库中国家规模的人口与GDP增长率数据，对各省数据进行了预测。本文主要讨论了气候情景下的3种RCP值。van Vuuren 和Carter认为RCP6.0与SSP2能够共存，本文进一步阐述了RCP2.6与RCP4.5作为气候减缓政策情景的情况。

2.2 社会经济损害的决定性因素

本文按照经济损失和受害人口数量对社会经济损害进行了定量化分析。由于中国的发展与人口存在地区差异性，因此有2个指标可更好地揭示社会经济损害的区域模式。根据早前研究，社会经济损害的决定性因素主要来自于气候和社会经济方面。尤其包括这些变量，如洪水发生数量（NUMF）、干旱发生数量（NUMD）、高温发生数量（NUMH）、严寒发生数量（NUMC）、人口（POP）、国内生产总值（GDP）以及人均GDP（GDPPC）等。极端灾害的数量代表了当地极端灾害发生的频次，人口与GDP水平则各自反映了极端灾害中人口与经济风险的暴露状况。人均GDP用来计算应对能力。下文将详细介绍这些变量在未来情景下的变化情况。

本文考虑4种有气候灾害损失记载的中国极端灾害。每个气象站的历史极端灾害由观测的气候数据进行辨识，省内各站点极端灾害发生的平均数作为该省的分析数据。对于每一种极端灾害而言，年度灾害发生的次数与相关气候变量之间的关系在每个站点建立，之后未来极端灾害发生的数量就由该RCP值下气候模型中预测的气候变量导出。预测极端灾害数量的不确定性通过构建它的分布模型进行分析。由于模拟与观测的气候变量在分布模型中并不一致，因此采用1970-2000年的数据来修正模拟气候变量的分布。与温度相关变量的偏差校正是基于一个正态分布。同样，受偏度影响，年度总降水量由对数正态分布进行校正。

各省经济发展状况源自SSP2情景中预测的每10年国家GDP增长率水平。首先，本文通过线性插入法得到至2050年的中国年度GDP增长率；其次，假设各省的增长率水平结构与2012年持平，计算相应各省的未来GDP值。本文中GDP采用2010年固定价格，单位为人民币。

对于人口情景，各省人口数量是根据SSP2的结果，即每隔10年全国至2050年总人口预测值进行假设计算。首先，通过线性插入法得到至2050年中国年度总人口数；其次，通过人口系数，将国家总人口数量分配到各省中。这里省对国家总人口的比例定义为省的人口系数，该系数根据2006-2012年间的变化进行相应调整。

损害与决定因素之间的实证关系通过一个分层的贝叶斯模型进行阐述，并作为2015-2050年的损害预测。以不同气候模型计算出的社会经济损害平均值作为未来损害的预测值。模型及相关气候输入值的不确定性用来说明国家及地区极端灾害引发的风险。此外，本文还通过固定不变的社会经济情势，对比了过去及未来发生的损害以揭示气候变化产生的影响。

2.3 社会经济损害的分层贝叶斯模型

本文采用的是多层模型。在第一层中，经过一个初步的诊断评价之后，损害、社会经济以及气候协变量之间的对数关系被确立。对于S（S=1，2，….，S）省在t年中，受害人数yst以及经济损失zst（两者经对数变换）的模型被构建，该模型是考虑两变量依赖性的一个二元正态分布。

3.1 社会经济损害的实证回归分析

本文调查了两类社会经济损害，受灾人口数量和经济损失。本文先讨论两个模型中受灾人口数量的结果，之后再讨论经济损失。

模型1中回归系数的估计后验分布见补充材料（如需请与本站联系）。后验分布90%区间未与0重叠的参数被认为影响较大。根据各省预估的公共均值回归系数，洪水灾害与高温灾害次数每增加1%，受灾人口数量将分别增加0.34%和0.25%（中位值）。该比例高于干旱灾害和低温灾害引发的受灾人口增量。同时本文还发现，人口数量增长导致了人口在极端灾害下的风险暴露程度更高，平均弹性系数为0.83（中位值），这说明受灾人数的增长与人口数量增长成正比。对于经济损失而言，需考虑经济的规模水平。洪水灾害与高温灾害次数每增加1%，经济损失将分别增加0.41%和0.20%（中位值）。然而干旱灾害和低温灾害对于经济损失的影响似乎较弱。此外，由于GDP的升高增加了经济风险的暴露，因此损失也会加大。

模型2中回归系数的估计见补充材料（如需请与本站联系）。人均GDP系数说明较强的应对能力会极大减少受灾人数和经济损失。这与早前研究结论是一致的。该模型体现了风险暴露与应对的影响。

本文发现各省预测产生的结果多数都不相同，这意味着本文采用的通过部分汇集不同地区的公共信息进行回归分析的方法是合理的。虽然一些变量的影响较小，但在模型中还是保留了它们，因为它们对于灾害损失的后验分布仍然可以提供一些信息。

通过空间汇集各省之间的回归系数，并结合两种损害间的依赖关系，本文以多元分布构建了联合损害模型。此外，在不考虑两种损害间依赖关系的情况下也构建了独立损害模型，并做进一步的对比。模型1中，在考虑与不考虑受灾人数与经济损失之间依赖关系的两种情况下，回归系数的间距范围见补充材料（如需请与本站联系）。可以看出，联合模型降低了参数估计的不确定性。因此，本文中模型给出的社会经济损失估算更为准确，这对于气候应对和减缓计划是非常重要的。

3.2 社会经济风险的区域模型

本文预测了2015-2050年未来气候及发展情景下的社会经济损失。图1给出了模型1下的平均损害预测。由于不同RCP值估算出的结果差异不大，因此图1中仅显示了RCP值为2.6的损害。可以看出西南省份（贵州、重庆、云南、广西及四川），中部省份（江西、湖北及湖南）以及海南岛受灾人口风险的比例较高。该预测结果与历史情况吻合，即中国南方遭受灾害风险的人口比例较高。这些省份通常经济发展水平较低，对于灾害的应对能力较弱。如果对于较强灾害的话，应急能力就更弱。西南和中部的大部分地区，尤其是四川和湖南，还显示出更高的损失程度。一些高收入省份，如广东、浙江、山东及内蒙古也可能遭受较高的损失，尽管受灾人数的增长并不高。相比而言，一些经济发展水平较低的省份如西藏、宁夏以及青海，遭受的经济损失却较低。

总而言之，两个模型拓宽了潜在社会经济损害风险管理的范围。同时也说明经济发展对于减少损失起了非常重要的作用，尤其对于较易受害的区域。

3.3 国家社会经济风险

图4给出了2015-2050年不同条件下导致的国家社会经济损失。首先，本文通过对比发展与没有发展两种情况下，对未来经济和人口情景如何造成国家损失进行了分析。模型1预测了没有发展的情况（即GDP与人口保持在2012年水平不变）。可以看出仅在气候变化影响下受灾人数与经济损失都发生了增长。在发展情景下，由于总人口数量减少，总受灾人数到2050年缓慢下降至3.8317亿。然而受灾人数占总人口的百分比却有所上升，尽管上升幅度不大。由于GDP的增长，预计经济损失从长期看会朝着上升的方向发展，至2050年气候变化和发展引发的损失将超过5000亿人民币。第二，从模型1和模型2预测的发展情景下的损失，能够看出应对是如何发挥作用的。从整个期间来看，受灾人数预计会有一个持续的下降，而经济损失相对稳定。总之，对比结果显示出极端灾害风险暴露的增加将加大损失的风险，而风险可以通过经济发展来降低。模型1预测的损失对于风险规划是非常重要的，因为风险规划需考虑更为严重的潜在后果。此外，模型2揭示了经济发展情况下提升应对能力所带来的可能收益。

3.4 气候变化对社会经济损失的影响

本节对历史（1971-1999年）社会经济损失与未来（2015-2050年）气候条件下预测的社会经济损失进行了对比，揭示了单独气候变化条件下所产生的影响，两个时期的经济和人口情景都保持在2012年价格水平。不同RCP的极端灾害变化情况见补充材料，本文应用模型1估算了两个时期的损失。在未来所有省份受灾人口数量都会升高，RCP2.6（RCP4.5和RCP6.0）的中值平均相对变化是15.2%（15.7%和14.4%）。同样，未来气候条件将加剧各省的经济损失，RCP2.6（RCP4.5和RCP6.0）的中值平均相对变化是17.8%（17.4%和15.3%）。关于国家损失，两个时期年度中值分布见图5所示。尽管气候模型之间的预估值会存在一些差异，但是它们最终都反映出受灾人数与经济损失在变化的气候条件下影响更为严重。本文也注意到RCP4.5的年度损失中位值范围相对较宽，这说明极度灾害产生的影响在未来时期内变化较大。然而在一些区域，RCP6.0下的温度和降水会导致洪水和高温灾害次数的减少，因此对于整个国家不会造成更大的损失。

本文根据各省份的差异情况，调查了未来几十年里气候变化引发极端灾害的中国社会经济风险，并且对不确定性进行了量化。分析得出的主要结论总结如下：

分层的贝叶斯模型为量化不确定性（具体包括模型参数、结构关系以及预测结果）提供了一条有效途径。它保持了区域性的特点，同时也允许将信息在不同区域间进行适当的分组。社会经济损失的后验分布对于应对和降低风险方案十分重要。本文给出了降低评估结果不确定性的方法，同时也提供了一套更好量化损失成本不确定性的途径。

西南省份（贵州、重庆、云南、广西及四川），中部省份（江西、湖北及湖南）以及海南岛受灾人口风险的比例较高。对于经济损失，西南和中部的大部分地区，尤其是四川和湖南，损失程度较高。一些高收入省份也面临重损失的情况。

人均GDP反映了应对能力，能够极大减少极端灾害下的受灾人数。2015-2050年采取应对措施的平均受灾人数预期要低于历史平均观测数据。然而，由于经济风险对于极端灾害的暴露程度增加，采取应对措施的经济损失预计与历史平均水平持平。

气候变化产生的影响巨大，未来各省平均社会经济损失将趋向于更高的水平。总之，由气候模型预测的国家损失在气候条件变化的情况下都呈上升的趋势。

本文分析也存在几个局限性。首先，作为损失影响分析的是极端灾害发生次数而不是记录的天气灾害次数。本文认为，选取的极端事件与相应的灾害有关，能够作为其合理的代表。由于模型便于预测未来极端灾害，因此两者关系的预估有助于社会经济损失的预测。其次，损失评估的关系较为简单。除了本文中提到的一些变量（如极端灾害发生频次及人口与经济规模），其他因素（如极端灾害的级数）也可能对社会经济损失产生影响。为此后续需要对决定因素进行更为全面的考虑。研究可着力于模型的改进以更好地涵盖各类气候因素。此外，本文没有考虑一些非线性关系的预测。例如，损失与经济发展之间的关系可能是非线性的，但本文未做讨论。第三，未来情景也存在一些问题。气候与社会经济条件的实际未来发展是源自当前的一些假设。经济和人口发展的不确定性并未涉及，但是实际上贝叶斯模型框架是可以综合考虑所有的不确定性并给出一个更为详实的社会经济损失评估的。未来也可以开拓气候与社会经济相结合的不同情境的影响研究。

两个模型预估的社会经济损失范围最终可为中国气候应对和减缓方案提供一些见解。首先，高收入地区对于极端灾害的暴露程度较大，因此遭受经济损失的风险也较高。为更好地进行风险管理，需制定合理及有效的方案，尤其对于灾难的应对措施。其次，经济的发展对于易受害省份非常必要。在中国，欠发达省份由于其较低的应对能力以及灾害的频发性，相对可能会遭受更严重的损失。这些地区经济的发展有助于建立对气候变化的应对能力。第三，气候变化可能会引发更多极端灾害的损失，综合性评估模型应当考虑到这个问题，以进一步制定恰当的气候政策。