Evolutionary Learning in Spatial Agent-Based Models for Physical Climate Risk Assessment¶
会议: NeurIPS 2025
arXiv: 2509.18633
代码: GitHub（开源）
领域: 其他
关键词: 地理空间ABM, 进化学习, 气候物理风险, 供应链系统性风险, RCP8.5, 洪水损害函数
一句话总结¶
提出一种整合地理空间气候灾害数据与进化学习机制的Agent-Based Model（ABM），在包含商品-制造-零售三级供应链的简化经济网络上，通过RCP8.5洪水投影模拟2025-2100年的经济响应，证明了进化自适应机制使企业在气候压力下维持显著更高的生产、资本、流动性和就业水平，同时揭示了传统资产级评估无法捕捉的供应链系统性风险。
背景与动机¶
气候风险评估面临三大方法论困境：
- 外推到新regimes：基于历史数据拟合的经计量损害函数（如温度-GDP多项式关系）被外推到远超历史经验的未来气候条件，可靠性存疑
- 有限的函数形式：多项式损害函数无法捕捉经济智能体在变化环境中的动态行为、阈值效应和路径依赖
- 级联效应缺失：静态经计量方法难以捕获非线性临界点和社会经济网络中的级联传导效应
现有ABM方法也存在不足： - 灾后恢复模型（Henriet et al., Wenz et al.）仅关注短期（天到周），使用固定参数响应 - 综合评估ABM（Lamperti et al.）主要关注转型风险和碳定价 - 英格兰银行调查发现：大多数央行使用的ABM关注转型而非物理风险
本文填补的空白：将资产级损害函数、长期物理风险场景和企业级进化学习整合到一个地理空间ABM框架中。
核心问题¶
如何构建一个能同时捕捉直接气候损害和供应链级联效应的长期气候风险评估框架，并评估自适应策略如何内生涌现以减轻气候影响？
方法详解¶
网络架构¶
- 空间分辨率：0.25度全球网格（\(1440 \times 720\)单元格）
- 经济网络：65家企业 + 650户家庭的简化经济体
- 20家商品企业（蓝色，上游）
- 30家制造企业（红色，中游）
- 15家零售企业（绿色，下游）
- 供应链结构：商品 → 制造 → 零售 → 家庭，同时允许行业内交易
- 营养级（Trophic Level）：
急性风险建模¶
- 数据源：WRI Aqueduct数据库的RCP8.5河流洪水深度投影
- 损害计算：JRC全球洪水深度-损害函数，按行业和位置匹配
- 损害传导：(1) 资本存量减少，(2) 临时生产力损失（每步50%恢复），(3) 库存销毁
生产函数¶
采用Leontief生产函数：
其中\(\phi \in [0,1]\)为洪水后生产力损害因子。行业特定技术系数：
| 行业 | \(\alpha_L\) | \(\alpha_I\) | \(\alpha_K\) | 特征 |
|---|---|---|---|---|
| 商品 | 0.6 | 0.0 | 0.7 | 资本密集，无上游输入 |
| 制造 | 0.3 | 0.6 | 0.6 | 自动化高，中间投入需求大 |
| 零售 | 0.5 | 0.4 | 0.2 | 中等劳动密集，低资本 |
家庭行为¶
- 劳动供给：最大化效用\(U_h = w_f - \delta \cdot d_{hf}\)（工资减去通勤成本）
- 消费预算：\(B_c = L_h \cdot \bar{w} + \max(0, M_h - 50) \cdot 0.1\)，上限为当前资金的80%
- 消费分配：商品25% / 制造45% / 零售30%
- 迁移：洪水深度超过0.5m时向低风险区域迁移
工资动态¶
持续短缺机制防止工资-价格螺旋：
进化学习系统¶
每家企业维护5个可进化参数： - 预算权重\(\beta_L, \beta_I, \beta_K\)：劳动/投入/资本分配倍率 - 风险敏感度\(\gamma_r\)：灾害后资本需求增加的缩放因子 - 工资响应度\(\gamma_w\)：工资调整幅度的缩放因子
适应度函数：10步滚动窗口，四维加权和： - 资金增长（log+tanh变换，35%） - 生产水平（25%） - 峰值维持（20%，非对称——不惩罚恢复中的企业） - 存活奖励（20%）
进化机制： - 个体突变（每5步）：适应度提升→小突变（2.5%标准差），适应度下降→大突变（10%标准差） - 种群替换（每10步）：资金低于存活阈值的企业被成功企业的后代替换，后代继承策略+逐参数突变
实验关键数据¶
四场景对比（2025-2100，RCP8.5半年步长）¶
| 指标 | 基线+学习 | 基线+无学习 | 灾害+学习 | 灾害+无学习 |
|---|---|---|---|---|
| 生产（2080后均值） | 高且稳定 | 中等 | 4.3±2.4 | 1.0±0.6 |
| 资本（末十年） | 90.8±3.7 | 60.6±3.5 | 28.8±5.8 | 1.6±0.3 |
| 流动性（末十年） | $901±90 | $814±12 | $491±43 | $71±3 |
| 就业率（末十年） | ~1.0 | ~1.0 | 0.45-1.0 | 0.2±0.2 |
| 工资（末十年） | $9.3±0.2 | $8.1±0.2 | $2.6±0.2 | $0.42±0.03 |
| 价格（末十年） | 适中 | $35.8±3.4 | 低于基线 | $42.2±1.7 |
关键发现¶
生产维持：灾害+学习企业2080后仍维持4.3单位生产（vs 无学习的1.0），进化学习使企业适应不断变化的气候条件并维持跨时间的生产能力。
资本动态：学习企业展现高波动性的资本轨迹（洪水破坏→自适应重建周期），但末十年仍达28.8单位（vs 无学习的1.6）。
系统性风险暴露：即使直接暴露于洪水的企业很少，供应链冲击扩散到整个网络，影响无直接灾害暴露的企业——传统资产级评估会严重低估这类风险。
瓶颈演变：无学习灾害场景下企业主要受劳动瓶颈限制（非因劳动力不可得，而是缺乏流动性无法支付工资）；学习场景转为投入瓶颈。
意外发现：灾害+学习的低价格：学习企业在灾害下价格甚至低于基线无学习场景，因为供给下降比需求下降更可控。
亮点¶
- 框架完整性：将地理空间灾害数据、资产级损害函数、多级供应链和进化策略学习整合为一个统一框架
- 系统性风险的定量展示：通过瓶颈分析清晰地展示了间接/级联风险如何主导总损害
- 进化学习的涌现效果：自适应策略无需显式编程即可涌现，提供了静态模型无法识别的成本效益适应策略
- 实际应用导向：面向金融机构和企业的气候风险组合评估工具
- 开源实现：完整代码公开，便于后续研究和应用
局限与展望¶
- 经济网络极度简化：仅65家企业的全球网络是概念验证性质，需要真实的企业级或行业级投入产出数据来校准
- 单一灾害类型：仅考虑RCP8.5河流洪水，未纳入热浪、干旱、飓风等其他急性/慢性灾害
- 单一损害函数：仅使用JRC函数，不同函数框架可能导致不同结论
- AI代理的简化：企业行为虽有进化机制，但初始策略空间（5个参数）可能过于简单
- 缺乏历史校准：无真实企业对灾害响应的历史数据验证
- 适应度函数权重选择：35/25/20/20%的权重是启发式设定，敏感性分析待完成
- 无金融系统建模：缺少银行、信贷和保险等金融中介，限制了对金融气候风险的评估能力
评分¶
- 新颖性: ⭐⭐⭐⭐ 地理空间ABM+进化学习+长期气候场景的整合是新颖组合
- 实验充分度: ⭐⭐⭐ 概念验证清晰，但经济网络规模太小限制了定量结论的可信度
- 写作质量: ⭐⭐⭐⭐ 方法描述详尽，公式完整，四场景对比呈现系统
- 价值: ⭐⭐⭐⭐ 填补了物理气候风险长期ABM评估的重要空白，具有明确的应用路径