中國的快速發(fā)展致使其經(jīng)濟和人口遭受極端災(zāi)害的風(fēng)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(fā)生。當(dāng)前，關(guān)于中國極端災(zāi)害下引發(fā)區(qū)域社會經(jīng)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(zāi)害潛在影響，并預(yù)測氣候變化情況下各省份的社會經(jīng)濟風(fēng)險。本文根據(jù)各省情況的不均衡性，分析了未來幾十年內(nèi)中國對于氣候變化引發(fā)極端災(zāi)害的社會經(jīng)濟風(fēng)險。通過分層貝葉斯方法，驗認了社會經(jīng)濟損害與其決定因素之間的關(guān)系，并用此預(yù)測了未來的損害，以及特定氣候和發(fā)展情景下的相關(guān)不確定性范圍。通過對風(fēng)險暴露變化的預(yù)測，本文發(fā)現(xiàn)中國的西南、中部地區(qū)以及海南島存在受災(zāi)人口比例較高的風(fēng)險，同時西南、中部的大部分地區(qū)還可能有較高經(jīng)濟損失的風(fēng)險。最后，本文發(fā)現(xiàn)收入的增加可極大降低受災(zāi)人口數(shù)量。

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

中國曾在氣候災(zāi)害中遭受過重大損失。例如，在1990-2012年間洪水引發(fā)的年平均直接損失為1303億元人民幣/年（當(dāng)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(fēng)險。這些影響會因地區(qū)間自然和社會因素的不同而產(chǎn)生差異。因此，對在中國極端災(zāi)害下引發(fā)未來損害的評估正逐步引起政府的關(guān)注。

對于災(zāi)害損失的建模通常有兩種方式：過程模型及統(tǒng)計模型。在實際應(yīng)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(jīng)濟數(shù)據(jù)集來描述復(fù)雜的自然過程。然而在一些數(shù)據(jù)集獲取受限的區(qū)域，應(yīng)用該方法可能會存在挑戰(zhàn)，難以考慮模型的不確定性。相比而言，統(tǒng)計方法對數(shù)據(jù)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(chǎn)生影響的那些重要統(tǒng)計決定因素的調(diào)查，可有助于解釋極端災(zāi)害下的易受害性并推動相關(guān)政策的制定。

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

建立社會經(jīng)濟損害與相關(guān)影響因素的關(guān)系對于評估未來潛在成本至關(guān)重要。然而，這種結(jié)構(gòu)關(guān)系下的不確定性在早前災(zāi)害評估的傳統(tǒng)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(qū)的公共信息并在考慮其差異的基礎(chǔ)上，幫助量化模型及參數(shù)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(lǐng)域被用于構(gòu)建靈活的統(tǒng)計關(guān)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(dāng)前，關(guān)于中國極端災(zāi)害下引發(fā)區(qū)域社會經(jīng)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(yù)測模型及參數(shù)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(zāi)害潛在影響，并預(yù)測氣候變化情況下各省的社會經(jīng)濟風(fēng)險。為此，開發(fā)了一套中國省級規(guī)模的分層貝葉斯模型以判別社會經(jīng)濟損害與其決定因素間的相互關(guān)系。當(dāng)闡述地區(qū)與國家的社會經(jīng)濟風(fēng)險時，本文也考慮了未來極端災(zāi)害的不確定性。

本文結(jié)構(gòu)如下：第二節(jié)描述了數(shù)據(jù)集、情景假設(shè)以及分層貝葉斯模型情況。第三節(jié)給出了實證模型的結(jié)果以及對社會經(jīng)濟損害的預(yù)測。最后，第四節(jié)做出總結(jié)并對中國氣候應(yīng)對及減緩策略提出了建議。

2.1 研究范圍和數(shù)據(jù)描述

本文研究范圍包括了中國30個?。ㄖ陛犑屑白灾螀^(qū)）。上海近幾年被認為是零損害（經(jīng)濟損失或受影響人群），部分原因是其地理風(fēng)險較低，因此本文沒有對上海進行分析。

1970-2012年歷史氣象數(shù)據(jù)取自中國氣息科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)。氣象站白天數(shù)據(jù)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(jié)果（0.5°×0.5°分辨率網(wǎng)格）。本文將比例轉(zhuǎn)為0.1°分辨率網(wǎng)格以計算縣級水平的不同氣候條件，國家未來氣候數(shù)據(jù)被用于各氣象站的預(yù)測數(shù)據(jù)。氣象數(shù)據(jù)被用以辨識和預(yù)測各氣象站極端災(zāi)害的發(fā)生。對于每一類極端災(zāi)害，某省內(nèi)氣象站都要計算極端災(zāi)害發(fā)生的平均數(shù)量并進行分析。本文分別給出了氣候模型產(chǎn)生的影響以及相應(yīng)后果。

中國民政統(tǒng)計年鑒給出了與氣候災(zāi)害相關(guān)的（包括洪水、內(nèi)澇、臺風(fēng)、干旱、低溫、降雪等）省級年度總直接經(jīng)濟損失和受災(zāi)人口數(shù)量，其中2000-2012年（除2004年）數(shù)據(jù)被選出。經(jīng)濟損失（2010年價格，單位人民幣）通過GDP價格指數(shù)進行計算。省級2000-2012年經(jīng)濟和人口數(shù)據(jù)通過中國統(tǒng)計年鑒及中國社會經(jīng)濟發(fā)展統(tǒng)計數(shù)據(jù)庫收集。

共享的社會經(jīng)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(fā)展情景。利用經(jīng)合組織SSP數(shù)據(jù)庫中國家規(guī)模的人口與GDP增長率數(shù)據(jù)，對各省數(shù)據(jù)進行了預(yù)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(jīng)濟損害的決定性因素

本文按照經(jīng)濟損失和受害人口數(shù)量對社會經(jīng)濟損害進行了定量化分析。由于中國的發(fā)展與人口存在地區(qū)差異性，因此有2個指標(biāo)可更好地揭示社會經(jīng)濟損害的區(qū)域模式。根據(jù)早前研究，社會經(jīng)濟損害的決定性因素主要來自于氣候和社會經(jīng)濟方面。尤其包括這些變量，如洪水發(fā)生數(shù)量（NUMF）、干旱發(fā)生數(shù)量（NUMD）、高溫發(fā)生數(shù)量（NUMH）、嚴(yán)寒發(fā)生數(shù)量（NUMC）、人口（POP）、國內(nèi)生產(chǎn)總值（GDP）以及人均GDP（GDPPC）等。極端災(zāi)害的數(shù)量代表了當(dāng)?shù)貥O端災(zāi)害發(fā)生的頻次，人口與GDP水平則各自反映了極端災(zāi)害中人口與經(jīng)濟風(fēng)險的暴露狀況。人均GDP用來計算應(yīng)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(zāi)害損失記載的中國極端災(zāi)害。每個氣象站的歷史極端災(zāi)害由觀測的氣候數(shù)據(jù)進行辨識，省內(nèi)各站點極端災(zāi)害發(fā)生的平均數(shù)作為該省的分析數(shù)據(jù)。對于每一種極端災(zāi)害而言，年度災(zāi)害發(fā)生的次數(shù)與相關(guān)氣候變量之間的關(guān)系在每個站點建立，之后未來極端災(zāi)害發(fā)生的數(shù)量就由該RCP值下氣候模型中預(yù)測的氣候變量導(dǎo)出。預(yù)測極端災(zāi)害數(shù)量的不確定性通過構(gòu)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(shù)據(jù)來修正模擬氣候變量的分布。與溫度相關(guān)變量的偏差校正是基于一個正態(tài)分布。同樣，受偏度影響，年度總降水量由對數(shù)正態(tài)分布進行校正。

各省經(jīng)濟發(fā)展?fàn)顩r源自SSP2情景中預(yù)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(shè)各省的增長率水平結(jié)構(gòu)與2012年持平，計算相應(yīng)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(shù)量是根據(jù)SSP2的結(jié)果，即每隔10年全國至2050年總?cè)丝陬A(yù)測值進行假設(shè)計算。首先，通過線性插入法得到至2050年中國年度總?cè)丝跀?shù)；其次，通過人口系數(shù)，將國家總?cè)丝跀?shù)量分配到各省中。這里省對國家總?cè)丝诘谋壤x為省的人口系數(shù)，該系數(shù)根據(jù)2006-2012年間的變化進行相應(yīng)調(diào)整。

損害與決定因素之間的實證關(guān)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(yù)測。以不同氣候模型計算出的社會經(jīng)濟損害平均值作為未來損害的預(yù)測值。模型及相關(guān)氣候輸入值的不確定性用來說明國家及地區(qū)極端災(zāi)害引發(fā)的風(fēng)險。此外，本文還通過固定不變的社會經(jīng)濟情勢，對比了過去及未來發(fā)生的損害以揭示氣候變化產(chǎn)生的影響。

2.3 社會經(jīng)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(jīng)過一個初步的診斷評價之后，損害、社會經(jīng)濟以及氣候協(xié)變量之間的對數(shù)關(guān)系被確立。對于S（S=1，2，….，S）省在t年中，受害人數(shù)yst以及經(jīng)濟損失zst（兩者經(jīng)對數(shù)變換）的模型被構(gòu)建，該模型是考慮兩變量依賴性的一個二元正態(tài)分布。

3.1 社會經(jīng)濟損害的實證回歸分析

本文調(diào)查了兩類社會經(jīng)濟損害，受災(zāi)人口數(shù)量和經(jīng)濟損失。本文先討論兩個模型中受災(zāi)人口數(shù)量的結(jié)果，之后再討論經(jīng)濟損失。

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

模型2中回歸系數(shù)的估計見補充材料（如需請與本站聯(lián)系）。人均GDP系數(shù)說明較強的應(yīng)對能力會極大減少受災(zāi)人數(shù)和經(jīng)濟損失。這與早前研究結(jié)論是一致的。該模型體現(xiàn)了風(fēng)險暴露與應(yīng)對的影響。

本文發(fā)現(xiàn)各省預(yù)測產(chǎn)生的結(jié)果多數(shù)都不相同，這意味著本文采用的通過部分匯集不同地區(qū)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(zāi)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(shù)，并結(jié)合兩種損害間的依賴關(guān)系，本文以多元分布構(gòu)建了聯(lián)合損害模型。此外，在不考慮兩種損害間依賴關(guān)系的情況下也構(gòu)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(zāi)人數(shù)與經(jīng)濟損失之間依賴關(guān)系的兩種情況下，回歸系數(shù)的間距范圍見補充材料（如需請與本站聯(lián)系）?？梢钥闯?，聯(lián)合模型降低了參數(shù)估計的不確定性。因此，本文中模型給出的社會經(jīng)濟損失估算更為準(zhǔn)確，這對于氣候應(yīng)對和減緩計劃是非常重要的。

3.2 社會經(jīng)濟風(fēng)險的區(qū)域模型

本文預(yù)測了2015-2050年未來氣候及發(fā)展情景下的社會經(jīng)濟損失。圖1給出了模型1下的平均損害預(yù)測。由于不同RCP值估算出的結(jié)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(zāi)人口風(fēng)險的比例較高。該預(yù)測結(jié)果與歷史情況吻合，即中國南方遭受災(zāi)害風(fēng)險的人口比例較高。這些省份通常經(jīng)濟發(fā)展水平較低，對于災(zāi)害的應(yīng)對能力較弱。如果對于較強災(zāi)害的話，應(yīng)急能力就更弱。西南和中部的大部分地區(qū)，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(nèi)蒙古也可能遭受較高的損失，盡管受災(zāi)人數(shù)的增長并不高。相比而言，一些經(jīng)濟發(fā)展水平較低的省份如西藏、寧夏以及青海，遭受的經(jīng)濟損失卻較低。

總而言之，兩個模型拓寬了潛在社會經(jīng)濟損害風(fēng)險管理的范圍。同時也說明經(jīng)濟發(fā)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(qū)域。

3.3 國家社會經(jīng)濟風(fēng)險

圖4給出了2015-2050年不同條件下導(dǎo)致的國家社會經(jīng)濟損失。首先，本文通過對比發(fā)展與沒有發(fā)展兩種情況下，對未來經(jīng)濟和人口情景如何造成國家損失進行了分析。模型1預(yù)測了沒有發(fā)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(zāi)人數(shù)與經(jīng)濟損失都發(fā)生了增長。在發(fā)展情景下，由于總?cè)丝跀?shù)量減少，總受災(zāi)人數(shù)到2050年緩慢下降至3.8317億。然而受災(zāi)人數(shù)占總?cè)丝诘陌俜直葏s有所上升，盡管上升幅度不大。由于GDP的增長，預(yù)計經(jīng)濟損失從長期看會朝著上升的方向發(fā)展，至2050年氣候變化和發(fā)展引發(fā)的損失將超過5000億人民幣。第二，從模型1和模型2預(yù)測的發(fā)展情景下的損失，能夠看出應(yīng)對是如何發(fā)揮作用的。從整個期間來看，受災(zāi)人數(shù)預(yù)計會有一個持續(xù)的下降，而經(jīng)濟損失相對穩(wěn)定?？傊?，對比結(jié)果顯示出極端災(zāi)害風(fēng)險暴露的增加將加大損失的風(fēng)險，而風(fēng)險可以通過經(jīng)濟發(fā)展來降低。模型1預(yù)測的損失對于風(fēng)險規(guī)劃是非常重要的，因為風(fēng)險規(guī)劃需考慮更為嚴(yán)重的潛在后果。此外，模型2揭示了經(jīng)濟發(fā)展情況下提升應(yīng)對能力所帶來的可能收益。

3.4 氣候變化對社會經(jīng)濟損失的影響

本節(jié)對歷史（1971-1999年）社會經(jīng)濟損失與未來（2015-2050年）氣候條件下預(yù)測的社會經(jīng)濟損失進行了對比，揭示了單獨氣候變化條件下所產(chǎn)生的影響，兩個時期的經(jīng)濟和人口情景都保持在2012年價格水平。不同RCP的極端災(zāi)害變化情況見補充材料，本文應(yīng)用模型1估算了兩個時期的損失。在未來所有省份受災(zāi)人口數(shù)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(jīng)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(guān)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(yù)估值會存在一些差異，但是它們最終都反映出受災(zāi)人數(shù)與經(jīng)濟損失在變化的氣候條件下影響更為嚴(yán)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(zāi)害產(chǎn)生的影響在未來時期內(nèi)變化較大。然而在一些區(qū)域，RCP6.0下的溫度和降水會導(dǎo)致洪水和高溫災(zāi)害次數(shù)的減少，因此對于整個國家不會造成更大的損失。

本文根據(jù)各省份的差異情況，調(diào)查了未來幾十年里氣候變化引發(fā)極端災(zāi)害的中國社會經(jīng)濟風(fēng)險，并且對不確定性進行了量化。分析得出的主要結(jié)論總結(jié)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(shù)、結(jié)構(gòu)關(guān)系以及預(yù)測結(jié)果）提供了一條有效途徑。它保持了區(qū)域性的特點，同時也允許將信息在不同區(qū)域間進行適當(dāng)?shù)姆纸M。社會經(jīng)濟損失的后驗分布對于應(yīng)對和降低風(fēng)險方案十分重要。本文給出了降低評估結(jié)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(zāi)人口風(fēng)險的比例較高。對于經(jīng)濟損失，西南和中部的大部分地區(qū)，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(yīng)對能力，能夠極大減少極端災(zāi)害下的受災(zāi)人數(shù)。2015-2050年采取應(yīng)對措施的平均受災(zāi)人數(shù)預(yù)期要低于歷史平均觀測數(shù)據(jù)。然而，由于經(jīng)濟風(fēng)險對于極端災(zāi)害的暴露程度增加，采取應(yīng)對措施的經(jīng)濟損失預(yù)計與歷史平均水平持平。

氣候變化產(chǎn)生的影響巨大，未來各省平均社會經(jīng)濟損失將趨向于更高的水平?？傊?，由氣候模型預(yù)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(zāi)害發(fā)生次數(shù)而不是記錄的天氣災(zāi)害次數(shù)。本文認為，選取的極端事件與相應(yīng)的災(zāi)害有關(guān)，能夠作為其合理的代表。由于模型便于預(yù)測未來極端災(zāi)害，因此兩者關(guān)系的預(yù)估有助于社會經(jīng)濟損失的預(yù)測。其次，損失評估的關(guān)系較為簡單。除了本文中提到的一些變量（如極端災(zāi)害發(fā)生頻次及人口與經(jīng)濟規(guī)模），其他因素（如極端災(zāi)害的級數(shù)）也可能對社會經(jīng)濟損失產(chǎn)生影響。為此后續(xù)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(guān)系的預(yù)測。例如，損失與經(jīng)濟發(fā)展之間的關(guān)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(jīng)濟條件的實際未來發(fā)展是源自當(dāng)前的一些假設(shè)。經(jīng)濟和人口發(fā)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(jīng)濟損失評估的。未來也可以開拓氣候與社會經(jīng)濟相結(jié)合的不同情境的影響研究。

兩個模型預(yù)估的社會經(jīng)濟損失范圍最終可為中國氣候應(yīng)對和減緩方案提供一些見解。首先，高收入地區(qū)對于極端災(zāi)害的暴露程度較大，因此遭受經(jīng)濟損失的風(fēng)險也較高。為更好地進行風(fēng)險管理，需制定合理及有效的方案，尤其對于災(zāi)難的應(yīng)對措施。其次，經(jīng)濟的發(fā)展對于易受害省份非常必要。在中國，欠發(fā)達省份由于其較低的應(yīng)對能力以及災(zāi)害的頻發(fā)性，相對可能會遭受更嚴(yán)重的損失。這些地區(qū)經(jīng)濟的發(fā)展有助于建立對氣候變化的應(yīng)對能力。第三，氣候變化可能會引發(fā)更多極端災(zāi)害的損失，綜合性評估模型應(yīng)當(dāng)考慮到這個問題，以進一步制定恰當(dāng)?shù)臍夂蛘摺?/div>