2018E

2019-01-21 本文已影响0人 Xindolia_Ring

How does climate change influence regional instability?

包括增加的干旱，冰川萎缩，动植物种类变化以及海平面上升在内的气候变化的影响已经在实现，并且因地区而异。政府间气候变化专门委员会认为，气候变化的净损害成本可能很大。这些影响中的许多会改变人类的生活方式，并有可能导致社会和政府结构的弱化和崩溃。因此，不稳定的政府可能会导致脆弱的国家。

脆弱的国家是州政府无法或者不愿意为人民提供基本要素的国家。为了这个问题的目的，“国家”是指一个主权国家或国家。脆弱的国家增加了一个国家人口易受诸如自然灾害，减少耕地，不可预测的天气和气温升高等气候冲击的影响。发展中国家普遍存在的不可持续的环境实践，移民和资源短缺可能进一步加剧治理不力的国家（Schwartz and Randall，2003; Theisen，Gleditsch和Buhaug，2013）。可以说，叙利亚和也门的干旱进一步加剧了已经脆弱的国家。环境压力本身并不一定会引发暴力冲突，但有证据表明，当它与治理薄弱和社会分裂相结合的时候，它就会导致暴力冲突。这种融合可以加剧暴力的螺旋式增长，典型的是潜在的种族和政治分歧（Krakowka，Heimel和Galgano）

1 Introduction

Backgroud
Literature Review
Our Work
我们的工作流程
【某流程图】

我们在脆弱国家指数网站上收集到近五年各个国家的fragile states index。
【某指标图】

Optimization model

2 Assumptions

3 Model of fragility and climate change

这里写一段文字，叙述本部分包括衡量国家脆弱性基本模型与加入气候变化影响分析模型。

3.1 衡量国家脆弱性基本模型

3.1.1 数据预处理
在处理多个特征时，其中某个特征数量级较大，其他较小时最后的分类结果会被该特征所主导，而弱化了其他特征的影响，这是因为各个特征的量纲不同所致。解决方案：将所有的数据映射到同一尺度，需要将数据进行归一化处理。
这里采用的归一化方法是最值归一化，即把所有的数据映射到0~1之间。
公式：
$x_{scale} = \frac{x – x_{min}}{ x_{max} - x_{min}} (1)$

MATLAB实现

clear;
clc;
%*********数据归一化，采用min-max法对数据进行最大最小归一化。*******
%cz_wt=xlsread('样本数据Sudan.xlsx');  %读入样本数据
cz_wt=xlsread('样本数据Cuba.xlsx');  %读入样本数据
mx_czwt=max(cz_wt);      %计算每列的最大值
mn_czwt=min(cz_wt);      %计算每列的最小值
%张成与old一样大小,主要对行进行复制，列不用变  
m=size(cz_wt,1);  
maxnew=repmat(mx_czwt,m,1);  
minnew=repmat(mn_czwt,m,1);  
gy_data=(cz_wt-minnew)./(maxnew-minnew);   % 将归一化的数据赋值给gy_data
gy_data
% xlswrite('归一化处理后数据Cuba.xlsx',gy_data);  % 将归一化的数据gy_data赋值给归一化的数据表格
%*************************************************************************

经过归一化处理，我们可以筛选出经济、资源、社会这些因素，是会对国家的脆弱性造成影响的。

3.1.2 几个主要指标及其次级指标

脆弱性指标主要受以下三个主要指标影响。三个主要指标又是由几个次级指标所组成的。

1、经济（GDP，PPP，CPI）

经济是一个国家的国力象征，同时代表着国内可用资金、生产力、消费水平、国际影响力等等，一个国家在受到重大影响时是否有足够的恢复力由经济所决定。当一个国家经济发展过于缓慢，其面对灾害时的应对能力也会有所下降。因此经济在脆弱性模型中是一个关键指标。经济受到许多方面的影响，我们选用的次级指标为国内生产总值、购买力平价与消费价格指数。

国内生产总值(GDP)：反映了这个国家或这个区域经济活动的价值，包括了在经济活动中生产并在市场上合法出售的所有东西，因此能够直观的显示出一个国家或一个区域经济发展水平。
生产价格指数（PPI）：是站在生产者角度的重要宏观经济指标，用于衡量工业企业产品出厂价格变动趋势和变动程度。
消费价格指数（CPI）：是站在消费者角度的重要宏观经济指标，用于反映与居民生活有关的消费品及服务价格水平的变动情况。CPI的高低直接影响着国家宏观调剂措施的出台与力度。

2、资源（水，食物，土地）
国家资源是应对灾害与重大事件时不可或缺的，资源越多也就意味着国家由更多应对突发事件的资本和实力。一个缺乏资源的国家往往更容易成为一个脆弱的国家。

水和食物是人类生存的必需品，因此与一个国家的脆弱性有着不可分割的联系。一个缺乏水和食物的国家同时也是一个缺乏秩序的社会。人们在缺乏资源的情况下必然会争抢资源，从而导致国家更加混乱，安全性下降。代表水资源的次级指标为可用淡水资源人均占比、水污染率。代表食物的次级指标为粮食产量、粮食出口量、食物价格。

同时土地资源也是社会生活中重要的资源，其次级指标为农业用地。森林占比。住房用地占比。一个国家土地资源稀缺容易导致人才流失，居民生活水平下降，人力资源外流。

3、社会（安全，人口，公共服务，移民）

社会因素包括了安全、人口、公共管理三个方面。国家的安全与否可看出这个国家的治理能力高低，也间接反映出其稳定性高低，可用犯罪率、恐怖袭击年均次数、军事实力这些指标来衡量。

同时居民人口与文化水平也间接影响着国家的脆弱性，人口数量的不平衡将会对国家造成一定的消极影响。与人文相关的指标有出生率、年龄结构、教育水平、移民率等等。

公共管理是维护社会秩序的重要因素，主要包括公共服务、政府干预、政策支持等等。

3.1.3 脆弱性指数等级划分
得到区域脆弱度指数后，还需要对所有的脆弱度指数进行等级划分，以综合反映区域内脆弱性的分布情况。聚类分析，利用脆弱性得分的相似性，采用聚类分析法将计算得到的脆弱性得分进行分类，以反映不同等级的脆弱性。按照国家的评价标砖，评价因素一般分为五个等级：A，B，C，D，E，将其合理量化就需要用到模糊数学理论分级，即构造模糊隶属函数进行量化。
我们将五个评价等级映射到相应的数值标准：
$\{A, B, C, D, E\} \Rightarrow \{1, 2, 3, 4, 5\} \Rightarrow \{很好，好，较好，不太好，很不好\}$
为了方便后续计算我们这里的量化取连续的整数，选用偏大型柯西分布和对数函数作为隶属函数进行计算分析：
$f(x) = \begin{cases} [1+\alpha(x - \beta)^{-2}]^{-1}, (1 \leqslant x \leqslant 3) \\ alnx + b, (3 \leqslant x \leqslant 5) \end{cases}$
其中 $\alpha, \beta, a, b$ 为待定系数。
case A: score = 1, means $f(1) = 1$ ;
case C: score = 0.8, means $f(3) = 0.8$ ;
case E: score = 0.01, means $f(5) = 0.01$ ;
计算得到
$\alpha = 1.1086, \beta = 0.8942, a = 0.3915, b = 0.3699$
那么就有
$\begin{cases} [1+1.1086(x - 0.8942)^{-2}]^{-1}, (1 \leqslant x \leqslant 3) \\ 0.3915lnx + 0.3699, (3 \leqslant x \leqslant 5) \end{cases}$

3.2 加入气候变化影响分析模型

3.2.1 气候特征影响综述

全球气候变化给人类社会的经济、农业、工业、科技等领域都带来了重大而深刻的影响，由此也引发人类进行了不同程度的变革。气候变化将加重当代社会的人口增长、经济变革和城市化对于水资源所造成的压力。

3.2.2 直接影响

根据美国宇航局戈达德空间研究所（GISS）科学家正在进行的温度分析，自1880年以来，地球上的平均全球气温上升了约0.8摄氏度（1.4华氏度）。根据数据表明，在过去的几十年里，这四个数据都显示出迅速升温，并且所有这些都表明过去十年是最温暖的。

image

气候变暖导致海平面上升，降水重新分布，改变了当前的世界气候格局。近百年来全球海平面已上升了10-20厘米，IPCC在2007年的报告中预测到2100年全球海平面将上升18-59厘米。

全球气候变暖使大陆地区，尤其是中高纬度地区降水增加，非洲等一些地区降水减少。极端天气事件（厄尔尼诺、干旱、洪涝、雷暴、冰雹、风暴、高温天气和沙尘暴等）出现的频率与强度增加。

3.2.3 复合影响

降水量的不平衡在人类社会中造成了一系列间接影响，例如农作物减产与耕地面积的减少，进而导致国家经济损失，人口迁移，人力物力资源外流。

全球气温变化直接影响全球的水循环，使某些地区出现反常的旱灾或洪灾现象，导致农作物减产，且温度过高也不利于种子生长。

气候变化将加重当代社会的人口增长、经济变革和城市化对于水资源所造成的压力。山地积雪、冰川和小冰帽对于区域可用淡水起到关键作用。冰川物质损失和积雪减少导致可用淡水总量减少。气候变暖造成地区之间径流和可利用水量的进一步失衡，而暴雨、洪水、干旱等灾难事件将更为频繁和严重，进一步威胁人类的生存。

指标权重的计算
我们选用熵值法对数据进行处理。信息熵越小，指标变异程度越大，提供的信息量越多，在综合评价中所起的作用越大，权重也越大。
（1）选取n个国家m个指标，则x_{ij}为第i个国家的第i个指标的数值(i=1,2…,n，j=1,2,…,m)；
（2）指标的归一化处理
而且，由于正向指标和负向指标数值代表的含义不同（正向指标数值越高越好，负向指标数值越低越好），因此，对于高低指标我们用不同的算法进行数据标准化处理。
正向指标
$x_{ij} '= \frac{x_{ij} – min\{x_{ij}, ..., x_{nj}\}}{ max\{x_{1j}, ..., x_{nj}\}-min\{x_{1j}, ..., x_{nj}\}}$
负向指标
$x_{ij} '= \frac{max\{x_{1j}, ..., x_{nj}\} - x_{ij}}{ max\{x_{1j}, ..., x_{nj}\}-min\{x_{1j}, ..., x_{nj}\}}$
这里 $x_{ij}'$ 为第i个国家的第j个指标的数值（i=1, 2..., n; j = 1, 2, ..., m）
为了符号的统一，归一化后的数据仍记为 $x_{ij}$
（3）计算第j项指标下第i个国家占该指标的比重：
[ p_{ij}=\frac{x_{ij}}{\sum\limits_{i=1}^n x_{ij}},i=1,\cdots,n,j=1,\cdots,m. ]

（4）计算第j项指标的熵值：
[ e_j=-k\sum\limits_{i=1}^n p_{ij} ln(p_{ij}). ]
其中 $k=1/ln(n)$ .满足 $e_j\geq 0$ ,

（5）计算信息熵冗余度：
[ d_j=1-e_j. ]

（6）计算各项指标的权值：
[ w_{ij}=\frac{d_j}{\sum\limits_{j=1}^m d_j}. ]

（7）计算各国家的综合得分：
[ s_i=\sum\limits_{j=1}^m w_j\times\ p_{ij}. ]
注意：（4）中的k系数是使得 $e_j\in (0,1)$ , (5)中的冗余度和熵值是负相关的.

可以用 $E_j$ 来表示所有方案对属性 $X_j$ 的贡献总量：
[E_j=-K\sum\limits_{i=1}^m P_{ij} ln(P_{ij}).]
其中，常数 $K=1/ln(m)$ ,这样，就能保证 $0\leq E_j\leq1$ ,即 $E_j$ 最大为1.

[d_j=1-E_j.]
当 $d_j=0$ 时，第j属性可以剔除，其权重等于0.

熵值法最大的特点是直接利用决策矩阵所给出的信息计算权重，而没有引入决策者的主观判断。

3.2.4 极端天气的影响情况
极端天气气候事件是指天气（气候）的状态严重偏离其平均态，在统计意义上属于不易发生的事件。通俗地讲，极端天气气候事件指的是50年一遇或100年一遇的小概率事件。随着全球气候变暖，极端天气气候事件的出现频率发生变化，呈现出增多增强的趋势。在我们的模型里，选择二项分布的泊松拟合。泊松（Poisson）分布在个领域都有广泛的应用，是一种经典的描述稀有事件的概率模式。泊松分布是当p→0，n→∞即
$p = \frac{\lambda}{n}$
式中的 $\lambda$ 为正的常数。于是可得到以下极限：
$\lim_{n\to ∞} p(x) = \lim_{n\to ∞} \frac{n(n-1)...(n-x+1)}{x!}(\frac{\lambda}{n})^x(1-\frac{\lambda}{n})^{n-x} = \frac{\lambda^x}{x!}exp(-\lambda)$
上式即为泊松分布。可以证明，该分布仅有一个参数 $\lambda$ （恒为正数）。对于稀有事件x的各种取值x=0, 1, 2, ...我们有
$P(X ≥ 0) = \sum_{x = 0}^∞ \frac{\lambda^x}{x!}exp(-\lambda) =1$
由此可求得可能发生各种稀有性事件的概率是
$P(X ≥ r) = \sum_{x = r}^∞ \frac{\lambda^x}{x!}exp(-\lambda)$
$P(X ≤ r) = \sum_{x = 0}^r \frac{\lambda^x}{x!}exp(-\lambda)$
根据概率论及其相关理论可以知道，泊松分布的期望和方差都是常数 $\lambda$ 。
要验证分布的正确性，这里我们采用分布的 $\chi^2$ 拟合优度检验
假设总体X为离散分布，检验假设 $H_0$ ：极端天气气候事件分布服从泊松分布 $P(\lambda)$ 。
估计参数 $\lambda$ ，由最大似然估计法可以得到
$\hat \lambda = \hat x$
其中
$\hat \lambda = \frac{1}{n} \sum_{k=1}^n x_i = \frac{\sum_{k=0}^m kn_k}{\sum_{k=0}^m n_k}$
计算泊松分布的概率估计值
$\hat P_k = \frac{\hat \lambda_k}{k!} e^{-\hat \lambda}, (k=0, 1, 2, ...)$
检验统计量
$\chi^2 = \sum_{i=1}^m \frac{(n_i-n\hat p_i)^2}{n\hat p_i}$
这里取 $\alpha=0.05$ ，自由度为m，我们可以通过下面的公式得到临界值 $t$
$t = \chi_{0.95}^2 (m-2)$
这时候的拒绝域就是 $W = \{ \chi^2 \geqslant t\}$

4 对苏丹和古巴进行脆弱性分析

4.1 脆弱性分析
4.2 敏感度分析

1997 年政府间气候变化专门委员会( IntergovernmentalPanel on Climate Change， IPCC) 发布的《气候变化的区域影响: 脆弱性评估》 专门报告第 3 次评估报告( The Third Assessment Report，TAR) 中将脆弱性定义为: 气候变化， 包括气候变率和极端事件对该系统造成的不利影响的程度， 是系统内的气候变率特征、 幅度和变化速率及其敏感性和适应能力的函数。
按照 IPCC 对脆弱性的定义， 气候变化的健康脆弱性评估至少涉及 3 个方面的内容， 即暴露、敏感性和适应能力。
- 暴露是系统暴露于显著气候变异下的特征和程度。
- 敏感性是指系统受到与气候有关的刺激因素影响的程度， 包括不利和有利影响，其中与气候有关的因素是指所有的气候变化特征，即平均气候状态，气候变异和极端事件的频率和强度， 这些影响可以是直接的或间接的。
- 适应性是系统的活动、 过程或结构本身对气候变化的适应、 减少潜在损失或应付气候变化后果的能力。包括自然界、 系统本身和认为的作用， 特别是与系统自身调节、 恢复的能力、 社会经济基础以及认为影响干预有关。

社会结构论框架 ( Social Constructivist Framework) 则将脆弱性定义为系统的先天条件，受社会经济及政治因素影响。在气候变化的脆弱性评估领域， 最常见的是 IPCC 所定义的脆弱性概念框架， 即脆弱性是暴露、 敏感性和适应性的函数: 
$$ VI = f( EI，SI，AI) $$
其中，$VI$、$EI$、$SI$和$AI$分别为脆弱性指数、暴露指数、敏感性指数、适应性指数。建立概念性框架，可以在此基础上，选择适当的指标，构建脆弱性评估的指标体系。<sup> [1]</sup>

对于敏感性和适应性界限的确定及划分标准并未统一，同一指标在不同的研究中可能被划入不同范畴。因此， 有些研究采用主成分分析方法， 将指标组合成几个主成分，从而避免陷入硬性划分敏感性和适应性的困境。各指标对于脆弱性的贡献大小可以通过对指标赋予不同权重来实现。但由于不同区域间经济、 社会、 环境等情况的差异，使得同一指标对不同区域的脆弱性贡献大小不一定相同，即权重大小不同。若不同区域使用不同的权重， 又使得不同区域间脆弱性无法直接比较。所以进行区域间脆弱性比较时，应注意区域范围的选取及权重确定的合理性等问题。
为了消除各指标量纲不一致的影响，使得各指标可以进行加合，应对各指标数据进行标准化处理。常用的方法是极差标准化:
$$ 
\begin{cases}
  对于越大越优型：b_{ij} = \frac{b_{ij} - b_j^{min}}{b_j^{max} - b_j^{min}}   (i = 1,2,...,m; j = 1,2,...,n)\\
  对于越小越优型：b_{ij} = \frac{b_j^{max} - b_{ij}}{b_j^{max} - b_j^{min}}   (i = 1,2,...,m; j = 1,2,...,n) 
\end{cases}
$$
由于各个指标对模型的影响不同，对国家的脆弱性也会有不同的影响。因此我们对各指标进行加权分析，这里采用主成分分析法。
主成分分析法通过对原指标体系进行主成分分析，将各主成分的方差贡献率作为成分权重， 再使用因子载荷矩阵计算因子得分，最后将各指标因子得分以各成分方差贡献率占总贡献率的比重作为权重求平均值， 就得到各指标的权重，然后构建综合评估模型。

参考文献

[1]气候变化健康脆弱性评估，2012，朱琦