宏观经济模型视角下的气候变化研究：整合评估模型(IAMs)的构建、求解与政策启示

这篇综述系统梳理了气候变化宏观经济学领域的最新进展，重点阐述了结构整合评估模型(IAMs)如何将最前沿的自然科学与一般均衡理论相结合。文章详细解析了IAMs三大模块（经济、气候、损害）的建模原理，特别关注具有尖锐非线性、多区域和多风险源的动态随机IAMs求解挑战，并指出深度学习等机器学习方法在提升计算精度和政策相关性方面的关键创新。最后综述了IAMs在碳社会成本(SCC)估算、最优碳税设计等政策应用中的最新成果。

　　

气候变化宏观经济学研究进展

气候变化的宏观经济建模

自工业革命以来，地球温度已因人为温室气体排放上升约1.1°C。气候变化通过野火、干旱、洪水和飓风等极端事件对全球经济产生显著影响。宏观经济学为研究温室气体减排提供了重要工具，特别是通过整合评估模型(IAMs)这一框架。这类模型由经济模块、气候模块和损害模块三大核心组成，能够量化气候变化的经济效应，构建中长期预测，并评估不同政策的成本效益。

典型动态IAM解析

以DICE-2023模型为例，该模型包含无限期生存的代表性消费者和企业，通过规划者问题求解均衡配置。模型采用CRRA效用函数，生产函数为柯布-道格拉斯形式，考虑资本、全要素生产率(TFP)和劳动力投入。关键创新在于将CO₂排放与气候模块耦合，并通过损害函数将温度上升转化为经济成本。社会成本碳(SCC)被定义为大气碳浓度的边际成本，最优碳税则通过减排成本函数与SCC相等来确定。

气候科学输入的最新进展

CDICE模型通过五状态变量精确模拟全球气候系统，包括三碳库（大气、上层海洋、下层海洋）和两层温度（大气+上层海洋、深层海洋）。该模型采用线性三箱碳循环模型和质量转移矩阵，校准参数基于多模型平均值。同时，累积碳排放与温度间的准线性关系（碳气候响应σ^CCR）为简化计算提供了可能，但需注意其在不考虑非线性临界点和非CO₂温室气体时的局限性。区域温度预测则采用模式缩放技术，通过回归分析将全球平均温度与局地温度关联。

经济损害建模方法

损害函数将温度上升转化为经济损失，常见形式为二次函数Ψ(T^AT)=ψ₁T^AT+ψ₂(T^AT)²。但学界对函数形式存在争议，有研究建议采用更高阶多项式以考虑严重后果。空间IAMs则引入局地损害函数，通常采用与局地温度呈倒U型关系的TFP损害函数，其峰值约11.6°C，参数选择需保证加总后能与全球损害函数匹配。

计算方法的突破性进展

传统蒙特卡洛方法难以处理IAMs中的优化不确定性，新近发展的深度均衡网络(DEQN)通过神经网络近似策略函数，结合梯度下降更新网络参数，显著提升了高维、非线性IAMs的求解效率。典型的八维状态空间包含资本、碳质量、温度等变量，通过包含512个神经元的两层隐藏层网络处理。这种方法使模型求解时间从数千CPU小时缩短至数小时，并支持参数不确定性量化等计算密集型应用。

IAMs的宏观经济应用

最新研究将IAMs应用于多个重要领域：SCC估算显示2020年最优碳税约为61美元/吨CO₂；考虑奈特不确定性时，SCC可能高达162美元/吨；代际分析表明碳税政策可使各代福利提升近5%；区域IAMs揭示了气候影响的显著空间异质性，某些地区可能受益而其他地区遭受严重损失；绿色转型研究则强调错误设定碳税的成本不对称性——过度乐观比过度悲观更具破坏性。

未来研究方向

随着计算工具和数据的持续改进，新一代结构IAMs将更深入地整合宏观经济与自然科学研究。关键挑战包括社会贴现率(SDR)的选择对SCC估算的敏感性，以及如何将IAMs拓展至水、食物和生物多样性等更广泛地球系统管理领域。金融专业人士的参与也将为可再生能源投资策略设计提供重要支持。