《Array》：A Hybrid Bi-GRU–Bi-LSTM Framework for Multivariate Climate Finance Forecasting: Application to the Most Vulnerable Countries
编辑推荐：
准确预测气候金融流量对于在《巴黎协定》下指导向最脆弱国家的公平资源分配至关重要。本研究提出了一种新颖的混合深度学习框架，该框架集成了双向门控循环单元（Bidirectional Gated Recurrent Unit, Bi-GRU）和双向长短期记忆（Bid
准确预测气候金融流量对于在《巴黎协定》下指导向最脆弱国家的公平资源分配至关重要。本研究提出了一种新颖的混合深度学习框架，该框架集成了双向门控循环单元（Bidirectional Gated Recurrent Unit, Bi-GRU）和双向长短期记忆（Bidirectional Long Short-Term Memory, Bi-LSTM）网络，利用经济合作与发展组织的气候相关发展基金（OECD Climate Related Development Fund, OECD CRDF）2000年至2022年的数据，并结合已知的基于风险和基于需求的接收国预测变量以及基于自身利益的捐赠国预测变量，对2024年世界风险指数报告确定的十大最脆弱国家中的九个国家的适应（Adaptation, Ad）、减缓（Mitigation, Mit）和总气候资金（Climate Funds, CF）进行预测。该混合框架结合了Bi-GRU提取基于时间的双向序列的能力和Bi-LSTM建模长期时间依赖性的能力，从而捕捉气候资金分配数据中复杂的时间和预测变量变化。与独立的Bi-LSTM、Bi-GRU、Mega-CRN、XG-Boost、RNN和集成Bi-GRU–Bi-LSTM模型进行的系统比较，辅以消融实验和超参数优化，表明混合Bi-GRU–Bi-LSTM模型产生了最低的误差指标（均方误差MSE = 0.0675，均方根误差RMSE = 0.2598，平均绝对误差MAE = 0.2044），因此在不同国家背景下表现出更强的鲁棒性。这些发现推进了多元社会经济时间序列的机器学习方法，同时为接收国、捐赠国和政策制定者提供了可操作的见解，以加强监测、实现基于证据的资金拨付和主动性资源调动，从而支持更有效地朝着可持续发展目标前进。
**论文解读文章**
**研究背景、问题与动机**
气候变化持续对脆弱国家构成巨大风险，这些国家应对和适应能力有限，亟需建立金融与治理支持机制。《巴黎协定》（2015年）将发达国家定位为提供此类援助的首要责任方，依据气候正义和全球责任原则。然而，实际资金分配远未达标：联合国气候变化框架公约（UNFCCC）报告指出，国际公共适应资金流动仅约为2030年预计年度需求3000亿美元的12-14倍短缺。现有研究多聚焦于识别影响资金分配的因素（如脆弱性、收入水平、治理质量及捐赠国自身利益），但采用静态计量方法，未探索非线性机器学习（ML）在长期序列预测中的应用。为填补这一方法和实证空白，研究人员提出一种新型混合深度学习框架，以预测适应、减缓及总气候资金，旨在帮助脆弱国家预判未来资金需求并指导政策行动。
**研究内容、结论与意义**
研究人员提出并验证了混合双向门控循环单元-双向长短期记忆（Hybrid Bi-GRU–Bi-LSTM）模型，用于预测气候资金流。该模型利用经济合作与发展组织（OECD）气候相关发展基金（CRDF）2000-2022年数据，整合接收国基于需求（如脆弱性、治理水平）和捐赠国基于自身利益（如贸易、投资）的预测变量，针对2024年世界风险指数报告中最脆弱的十个国家中的九个（菲律宾、印度尼西亚、印度、哥伦比亚、莫桑比克、墨西哥、缅甸、孟加拉国、巴基斯坦）进行预测。系统比较显示，该模型在均方误差（MSE=0.2678）、均方根误差（RMSE=0.4900）和平均绝对误差（MAE=0.4010）上全面优于独立Bi-LSTM、Bi-GRU、Mega-CRN、XG-Boost、RNN及集成模型，展现了更强的鲁棒性和泛化能力。该研究将机器学习方法从解释性范式推进到预测性范式，为接收国、捐赠国和政策制定者提供了加强监测、实现循证资金拨付和主动资源调动的可操作见解，支持可持续发展目标的更有效进展。论文发表在《Array》。
**关键技术方法概述**
研究人员采用了以下关键技术方法：首先，运用混合Bi-GRU–Bi-LSTM架构，其中Bi-GRU层高效提取双向时序特征，Bi-LSTM层建模长期时间依赖，两者通过特征拼接融合。其次，采用min-max归一化对全部特征（包括脆弱性指数、治理指数、GDP、贸易等）进行缩放至[0,1]区间，以消除量纲影响。数据按时间顺序分为训练集（2000-2015）、验证集（2016-2018）和测试集（2019-2022），比例约为70:13:17，避免未来数据泄露。模型优化使用Adam优化器（学习率0.001）和均方误差（MSE）损失函数，训练150周期，批量大小16，并采用L2正则化和丢弃层（Dropout）防止过拟合。此外，通过消融实验系统比较了不同层序（如CNN增强）和超参数配置（如周期数、优化器）的影响。
**研究结果**
**4.1. 混合Bi-GRU和Bi-LSTM模型对适应、减缓及气候资金预测的性能**
模型在九个国家上的损失曲线显示训练和验证损失紧密收敛，泛化良好。印度获得最低误差（MSE=0.0675，RMSE=0.2598，MAE=0.2044），孟加拉国误差最高（MSE=0.5947，RMSE=0.7711，MAE=0.7284）。2023-2035年预测显示，孟加拉国和菲律宾将获得最高累积气候资金，缅甸获得最低；适应和减缓资金均呈上升趋势。
**4.2. 基于注意力的模型可解释性**
注意力机制赋予不同历史滞后阶数权重，表明第一滞后阶在所有国家中权重最高（如哥伦比亚0.4060），随后阶数权重递减，说明最近历史信息对预测影响最大。
**4.3. 机器学习和深度学习模型的见解：模型比较与误差分析**
混合Bi-GRU–Bi-LSTM模型在所有国家中表现最优，误差范围最低（MSE: 0.0675–0.5947；RMSE: 0.2598–0.7711；MAE: 0.2044–0.7284），优于独立Bi-LSTM、Bi-GRU、Mega-CRN、XG-Boost、RNN及集成模型。
**4.4. 消融研究**
消融实验比较了七种架构变体，结果表明混合Bi-GRU–Bi-LSTM模型（平均MSE=0.2678，RMSE=0.4900，MAE=0.4010）排名第一，优于反向混合（Bi-LSTM–Bi-GRU）及CNN增强变体，证明Bi-GRU在前、Bi-LSTM在后的层序设计最优。超参数调优显示，150周期、Adam优化器、批量大小16、学习率0.001和64个隐藏单元的组合性能最佳。
**讨论与结论总结**
讨论部分指出，该研究将气候金融预测从解释性计量范式推进到预测性深层学习范式，填补了现有文献在顺序预测上的空白。混合架构优于单一模型，其优势在于同时捕捉多种目标和时间依赖，为捐赠国、接收国及国际组织（如绿色气候基金）提供了透明、高效的工具，促进基于数据的决策，与《巴黎协定》目标和气候正义原则一致。结论部分（第5节）强调：提出的混合Bi-GRU–Bi-LSTM模型是捕捉复杂时间和变量相互依赖的有效工具，具有低误差率，能为最脆弱国家提供精确的气候资金预测。这是气候资金预测研究中的一项独特创新，开辟了深度学习在资金分配研究中的应用潜力。模型预测显示，孟加拉国和菲律宾将在预测期内成为主要接收国，资金总额预计从2023年的约17.5亿美元增长至2035年的约28.5亿美元（孟加拉国）和25.2亿美元（菲律宾），这与UNFCCC的公平原则及COP19上《新集体量化目标》的承诺相符。同时，治理因素（如缅甸因政治不稳定导致资金偏低）在分配中起重要作用。尽管存在数据滞后等局限性，该研究为未来预测研究提供了基础，建议纳入更广泛的脆弱性指标、更多区域（如小岛屿发展中国家SIDS）以及注意力机制、概率预测等方法以增强适应性。
