信息基础设施建设与综合基础设施建设的协同能否实现减排增效的双重红利？——基于双重目标约束的视角

这篇研究通过构建基于极端降水/温度指数和标准化降水蒸散指数(SPEI)的损失函数，创新性地将机器学习算法(LightGBM/RF/XGBoost)引入气候经济损失评估，优化了综合评估模型(IAM)中传统CGE(可计算一般均衡)模型的非线性关系表征能力，为量化中国暴雨洪涝/低温冻害/干旱灾害的直接经济损失提供了R2>92%的高精度预测框架。

　　

Highlight

基于LightGBM算法构建的损失函数模型展现出卓越的适用性，但样本周期较短且近三年数据严重缺失给研究带来挑战。为增强模型说服力，研究结合2021-2024年《中国自然灾害基本情况报告》对气象灾害特征展开更全面分析，发现：

经济损指标

MK趋势检验显示，2004-2020年中国气象灾害直接经济损失总体呈上升趋势，其中暴雨洪涝灾害造成的损失增长显著。如图1所示，该时期累计损失达5.33万亿元，年均占同期GDP的0.57%。

暴雨洪涝灾害拟合对比

选取10个极端降水指标和GDP作为自变量，暴雨洪涝直接经济损失为因变量构建损失函数。如表3所示，LightGBM算法表现最优，R²突破92%，MAPE低于10%，显著优于MLP（85% R²）和XGBoost算法。

讨论

模型验证表明，中国近四年未出现重大极端事件导致的经济波动，防灾减灾工作成效显著。暴雨洪涝灾害损失明显下降，而低温冻害和干旱灾害损失不同程度增加，受灾区域整体呈现空间集聚特征。

结论

研究通过计算1981-2024年全国气象站数据，构建基于机器学习算法的损失函数模型，成功将气候模块引入CGE模型生产部门的CES(不变替代弹性)函数，为气候经济损失评估提供了创新方法论框架。