运用机器学习聚类技术构建基于ESG的热点脆弱性分类体系
《Climate》:Using Machine Learning Clustering to Build an ESG-Based Taxonomy of Heat Vulnerability
【字体:
大
中
小
】
时间:2026年07月04日
来源:Climate 4.0
摘要
本文引入了HI35这一指标作为国家层面的热暴露度量标准,它是指表面温度超过35℃的年平均天数。与脆弱性指标不同,HI35被视为一种外生性的气候暴露变量,而非直接反映脆弱性或作为内生结果。通过将HI35与世界银行的环境、社会和治理(ESG)指标相结合,本研究运用无监督聚类算法来划分各国的暴露-脆弱性类型。环境、社会和治理这三个方面分别通过独立的聚类方法进行分析,并通过稳健性检验以及基于主成分分析和层次聚类的额外国家分类体系来加以支撑。研究结果表明,不同国家的热暴露程度可能存在差异,而这些国家的环境压力、脆弱性、制度能力、创新能力、水资源获取情况、营养状况以及治理质量等ESG相关脆弱性指标又各有不同。相反,那些热暴露程度相对较低的国家,则可能表现出不同的社会或制度脆弱性特征。实证证据表明,热暴露与基于ESG的脆弱性在概念上虽有所区别,但都是用于划分气候风险类型的关联维度。研究并未推断出ESG指标与HI35之间存在因果关系,该分析属于描述性、分类性的研究,且基于无监督学习方法。从概念上讲,HI35反映的是极端热事件的发生情况,而ESG指标则描述与敏感度、恢复力和适应能力相关的环境、社会和制度状况。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号