想象你是一位靠海小镇的镇长，镇子叫潮汐镇。每年台风季，海水都会漫进街道，谁也不知道今年会淹多深、要赔多少钱、该不该修一道更高的堤坝。你请来一位“气候医生”林医生，他不开药，而是先给镇子做一整套体检：翻历史水位记录、看每栋房子的地基和财产、测算新政策会不会让岸边的工厂搬迁，最后把“哪年可能淹、损失多大、修什么最划算”算成一张风险地图。这套“体检”方法，就是气候风险建模。本文会跟着林医生的出诊流程，理解 AI 如何把海量气候数据变成可感知、可计算、可决策的风险语言。

岗位关联

对 AI 从业者来说，气候风险建模是“懂场景、懂业务、懂不确定性”的复合能力：它让机器学习模型从刷分工具升级为支撑保险、银行、城市和能源企业重大决策的科学引擎。

目录
  1. 可视化演示
  2. 气候风险分类
  3. 数据与气候模型
  4. 损失评估函数
  5. 概率与不确定性
  6. 气候情景分析
  7. AI技术赋能
  8. 风险评估框架
  9. 企业决策应用
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示气候风险建模的完整评估框架：物理风险概率分布、转型风险情景分析、灾害概率到财务影响的传导路径及AI不确定性量化，交互切换四种模式深入理解。

本节配有交互动效（进入视口后自动加载，约 3KB）。

物理风险：极端事件概率分布 基于气候模型输出，计算极端高温、洪涝、风暴等物理风险的年度超越概率 P(loss>x) = 1 - F(x) 概率分布尾部对应高影响低频事件，是保险与再保险定价核心。

气候风险分类

林医生给潮汐镇看病，首先要分科：是被海浪直接拍坏的“外科”，还是因为禁渔、低碳政策、产业搬迁而慢慢变穷的“内科”？气候风险建模的第一件事，也是把风险分成两类：物理风险与转型风险。物理风险是台风、洪水、热浪、海平面上升直接造成的破坏；转型风险则来自人类社会向低碳经济转变时的政策、技术、市场和声誉冲击。二者还可能叠加成复合风险，比如碳税让高耗能工厂倒闭，同时台风又摧毁了剩余产能。

分完科，林医生会画一个公式：风险不是单看灾害多猛，还要看有多少人和财产“暴露”在灾害中，以及它们有多脆弱。同样一场十级台风，吹进空仓库和吹进化工厂，结果天差地别。

分科准确，药方才能对症。气候风险建模的后续所有步骤，都是围绕这两类风险去收集证据、计算损失、评估未来变化。

R=H×E×VR = H \times E \times V
风险等于灾害强度、暴露度与脆弱性的乘积。它提醒我们：极端天气只是起点，真正决定损失的是“谁在哪儿、有多脆弱”。
  1. 灾害强度 H$H$ 代表极端天气事件本身有多强，例如水位多高、风速多大。
    H=事件强度H = \text{事件强度}
  2. 暴露度 E$E$ 描述有多少资产、人口或经济活动处在灾害影响范围之内。
    E=暴露资产或人口E = \text{暴露资产或人口}
  3. 脆弱性 V$V$ 描述承灾体在灾害中受损的敏感程度，比如老房子比新房子更脆弱。
    V=受损比例V = \text{受损比例}
  4. 风险 R三者相乘得到风险水平，任一项为零，最终风险也会趋于零。
    R=H×E×VR = H \times E \times V

数据与气候模型

林医生不会凭感觉看病，他要给潮汐镇量体温、测血压。气候风险建模的“体温计”是全球气候模型，最常用的是 CMIP6 多模式数据集。CMIP6 把地球切成一个个网格，模拟在不同温室气体排放水平下，温度、降水、海平面等变量未来会如何变化。可问题在于，全球模型的网格常常大到几百公里，潮汐镇的一条街、一座堤坝在网格里只是一个小点。

直接把粗糙的模型输出拿去算损失，就像用体温计测出了全家的平均体温，却不知道发烧的是哪个孩子。因此要先做偏差校正：把模型过去几十年的“平均气候态”拉回与真实观测一致。最朴素的做法是让模型输出减去模型均值，再加上观测均值。

校正之后，还需要把百公里级网格“降尺度”到街区尺度。AI 的用武之地在这里已经开始显现：它可以学习粗网格与高分辨率观测之间的映射，为潮汐镇生成更精细的暴雨和海浪输入。

Xcorr=Xmodel−μmodel+μobsX_{\text{corr}} = X_{\text{model}} - \mu_{\text{model}} + \mu_{\text{obs}}
偏差校正将模型的系统偏移去掉，让未来气候信号叠加在真实观测气候态的基底上。
  1. 模型原始输出$X_{\text{model}}$ 是气候模型模拟的降水或温度值。
    Xmodel=模拟值X_{\text{model}} = \text{模拟值}
  2. 模型气候态均值$\mu_{\text{model}}$ 是模型在基准期模拟的平均值，体现模型自身的系统偏差。
    μmodel=1N∑i=1NXmodel,i\mu_{\text{model}} = \frac{1}{N}\sum_{i=1}^{N} X_{\text{model},i}
  3. 观测气候态均值$\mu_{\text{obs}}$ 是气象站或卫星观测到的基准期真实平均值。
    μobs=1M∑j=1MXobs,j\mu_{\text{obs}} = \frac{1}{M}\sum_{j=1}^{M} X_{\text{obs},j}
  4. 校正后结果校正后的值用观测均值和模型距平合成，既能保留未来变化信号，又能对齐真实气候态。
    Xcorr=Xmodel−μmodel+μobsX_{\text{corr}} = X_{\text{model}} - \mu_{\text{model}} + \mu_{\text{obs}}

损失评估函数

体检报告不能只说“这条街会被淹”，还要回答“淹了损失多少钱”。林医生把镇上的房屋、工厂、学校按价值登记成一本账，再为每种资产画一条“伤情曲线”：水位到脚踝是一种损失率，水位到屋顶是另一种损失率。这条曲线就是脆弱性曲线，它把灾害强度翻译成经济损失比例。

损失评估函数可以写成一个非常简洁的式子：某类资产的损失等于资产价值乘以对应灾害强度下的破损率。资产的账面价值越高、破损率越大，损失就越高。这也是风险评估里最贴近“钱”的一步。

脆弱性曲线通常由工程模型、保险理赔记录和灾后调查共同拟合。数据越多、分得越细，这张“伤情曲线”就越可信。林医生对着曲线就能告诉镇长：同样淹一米，砖木老屋和钢筋混凝土厂房，损失率完全不同。

Loss=A×D(d)\text{Loss} = A \times D(d)
损失由资产价值和破损率共同决定。破损率不是常数，而是随洪水深度、风速等灾害强度的增加而上升。
  1. 资产价值 A$A$ 是承灾体的重置成本或市场价值。
    A=资产价值A = \text{资产价值}
  2. 灾害强度 d$d$ 是淹没深度、风速或降水强度等驱动损失的物理量。
    d=灾害强度d = \text{灾害强度}
  3. 破损率函数 D(d)$D(d)$ 表示灾害强度为 $d$ 时资产的损失比例，取值在 0 到 1 之间。
    D(d)=受损比例D(d) = \text{受损比例}
  4. 直接经济损失资产价值乘以破损率，得到这次灾害的直接经济损失。
    Loss=A×D(d)\text{Loss} = A \times D(d)

概率与不确定性

知道“淹了会赔多少”还不够，镇长真正关心的是“多少年才能遇到一次”。林医生把每次可能的灾害事件当成一次“抽签”，用历史数据和气候模拟估计每种损失水平出现的概率。这里有两个关键概念：超过概率和重现期。所谓百年一遇，不是说一百年才来一次，而是每年发生或超过该损失水平的概率为百分之一。

风险建模不会只有一个确定数字。它需要生成一整条损失分布，蒙特卡洛模拟是最常用的工具：根据灾害频率分布随机抽取成千上万个“虚拟年份”，每个年份算一个损失，最后统计出不同损失量级发生的频率。

蒙特卡洛模拟让不确定性从抽象概念变成可操作的分布。林医生不再说“未来可能有大灾”，而是说“明年损失超过五千万元的概率是 3%，相当于 33 年一遇”。

P(X≥x)=1−F(x),T=1P(X≥x)P(X \ge x) = 1 - F(x), \qquad T = \frac{1}{P(X \ge x)}
超过概率是损失随机变量 $X$ 超过阈值 $x$ 的概率；重现期是它的倒数。概率越小，事件越极端，重现期越长。
  1. 损失随机变量$X$ 代表一年内可能发生的损失金额，是随气候和承灾体变化的随机量。
    X=年损失X = \text{年损失}
  2. 累积分布函数$F(x)$ 表示损失不超过阈值 $x$ 的概率。
    F(x)=P(X≤x)F(x) = P(X \le x)
  3. 超过概率用 1 减去累积概率，得到损失至少达到 $x$ 的概率。
    P(X≥x)=1−F(x)P(X \ge x) = 1 - F(x)
  4. 重现期超过概率的倒数，表示该量级事件平均多少年出现一次。
    T=1P(X≥x)T = \frac{1}{P(X \ge x)}

气候情景分析

潮汐镇的未来不是一条单行道，而是好几个岔路口：世界走低碳转型，还是维持高排放？各国出台强气候政策，还是放任不管？这些不同走向就是气候情景。气候情景分析用一套标准化的未来路径，把不确定性拆解成“可命名的分支”。最常用的是 SSP 路径，它把社会经济发展和温室气体浓度组合在一起，形成从低排放到高排放的多个未来。

单看一个情景容易做出极端决策。林医生会把多个情景分别跑一遍，再根据每种情景发生的可能性赋予权重，算出一个综合期望损失。这就好像给三种处方打分：乐观方案、维持现状方案、高排放方案，各自占多大权重，最终影响今天该修多高的堤。

情景分析的结论不是预测未来，而是比较“假如走这条路，代价是什么”。潮汐镇也因此知道：在任何一个岔路口，堤坝标准都不能只看今天，还要看二十年后的大水。

E[L]=∑s=1SpsLs\mathbb{E}[L] = \sum_{s=1}^{S} p_s L_s
多情景期望损失是各情景损失的概率加权平均，让决策不再押注在某个单一未来上。
  1. 情景编号$s$ 表示第 $s$ 个气候情景，例如 SSP1-2.6 或 SSP5-8.5。
    s=1,2,…,Ss = 1, 2, \ldots, S
  2. 情景概率权重$p_s$ 是决策者赋予情景 $s$ 的发生概率或重要性权重。
    ps=情景概率权重p_s = \text{情景概率权重}
  3. 情景损失$L_s$ 是情景 $s$ 对应的年度经济损失，通常由损失评估函数计算得到。
    Ls=情景损失L_s = \text{情景损失}
  4. 期望损失把所有情景的概率与损失相乘再累加，得到综合风险期望值。
    E[L]=∑s=1SpsLs\mathbb{E}[L] = \sum_{s=1}^{S} p_s L_s

AI技术赋能

林医生再厉害，一个人也读不完几百个气候模型的海量输出。AI 像一位快速读片、能同时比较几百份影像的实习医生，负责三件大事：高分辨率降尺度、代理模型、不确定性量化。

降尺度任务是让粗网格气候数据变得精细。传统物理降尺度很贵，AI 可以学习粗网格与高分辨率观测之间的复杂映射，在几分钟内生成街区级降水分布。代理模型则是用机器学习逼近昂贵的气候或水文模拟器，让原本要跑几周的大型模型变成毫秒级近似。不确定性量化则是让 AI 不只输出一个损失数字，还输出一个分布或区间。

AI 不是要代替物理模型，而是给物理模型配上“加速器”和“误差带”。林医生看报告时会特别留意 AI 给出的置信区间：区间越宽，说明这条风险结论越需要谨慎。

L^(x;θ)=fNN(x;θ)\hat{L}(\mathbf{x}; \boldsymbol{\theta}) = f_{\mathrm{NN}}(\mathbf{x}; \boldsymbol{\theta})
AI 模型用输入特征 $\mathbf{x}$ 和参数 $\boldsymbol{\theta}$ 近似真实损失评估过程，快速输出预测损失 $\hat{L}$。
  1. 输入特征$\mathbf{x}$ 包含气候变量、地理条件和资产属性等影响损失的因素。
    x=气候与资产特征\mathbf{x} = \text{气候与资产特征}
  2. 神经网络函数$f_{\mathrm{NN}}$ 是 AI 模型学到的非线性映射，把输入特征映射到损失。
    fNN(x;θ)=网络输出f_{\mathrm{NN}}(\mathbf{x}; \boldsymbol{\theta}) = \text{网络输出}
  3. 模型参数$\boldsymbol{\theta}$ 是训练过程中不断调整的权重和偏置。
    θ=可学习参数\boldsymbol{\theta} = \text{可学习参数}
  4. 预测损失$\hat{L}$ 是模型对损失值的估计，它应当逼近真实损失生成过程。
    L^=fNN(x;θ)\hat{L} = f_{\mathrm{NN}}(\mathbf{x}; \boldsymbol{\theta})

风险评估框架

所有单项检查最后要汇成一张总报告。风险评估框架把灾害、暴露、脆弱、损失和概率整合成一张“风险地图”。最直观的工具是风险矩阵：横轴是影响大小，纵轴是发生概率，不同颜色的区域代表低、中、高风险。每个城市片区、每类资产都能在矩阵里找到一个位置。

除了定性矩阵，还要有定量指标。年均损失是气候风险建模中最核心的指标之一：把所有可能发生的事件按年频率和损失累加起来，得到平均每年预期要承担多少损失。它像保险公司给潮汐镇算的“年度保费”，把所有年份的波动压成一个稳定数字。

总报告出来后，潮汐镇的每一条街都被贴上红黄绿标签。红色区域优先修堤或搬迁，绿色区域可以暂缓投入。风险评估框架让有限的财政资源花在最痛的地方。

AAL=∑j=1nfj×Lj\text{AAL} = \sum_{j=1}^{n} f_j \times L_j
年均损失是各类灾害事件年发生频率与平均损失的乘积之和，是风险分级排序和保险定价的基础。
  1. 事件类型$j$ 表示第 $j$ 类灾害事件，例如台风、洪水、热浪或复合事件。
    j=1,2,…,nj = 1, 2, \ldots, n
  2. 年发生频率$f_j$ 是事件类型 $j$ 在一年内的平均发生次数。
    fj=年频率f_j = \text{年频率}
  3. 平均损失$L_j$ 是事件类型 $j$ 发生时产生的平均直接经济损失。
    Lj=平均损失L_j = \text{平均损失}
  4. 年均损失把各事件类型的频率和损失相乘并累加，得到风险管理与保险定价的重要指标。
    AAL=∑j=1nfj×Lj\text{AAL} = \sum_{j=1}^{n} f_j \times L_j

企业决策应用

林医生的最后一问是：既然风险清楚了，修堤坝到底值不值？企业面对气候风险，不只是要“防灾”，还要面对监管者、投资者和保险公司。TCFD 框架要求企业披露气候风险如何影响财务；银行要用气候压力测试看极端情景下贷款组合会不会崩；企业要决定自建防护、购买保险还是主动转型。

所有方案都可以用财务语言比较。修一座堤坝今天要花成本，但未来每年能减少损失，相当于一笔投资带来的收益。把未来收益按折现率换算成今天的价值，再减去建设成本，就是净现值。净现值为正，说明这笔适应投资划算。

林医生把这份“体检报告”交给镇长，本质上是一张投资决策表：风险不是宿命，而是可以被计算、被定价、被减缓的对象。对企业和城市来说，气候风险建模的终点不是一份报告，而是更聪明的适应决策。

NPVadapt=−C0+∑t=1TBt(1+r)t\text{NPV}_{\text{adapt}} = -C_0 + \sum_{t=1}^{T} \frac{B_t}{(1+r)^t}
适应投资的净现值等于未来各年减灾收益的折现之和减去初始投入。净现值为正时，值得投资。
  1. 初始投入$C_0$ 是修堤坝、改造管网或搬迁工厂需要立刻支付的成本。
    C0=初始投资成本C_0 = \text{初始投资成本}
  2. 当年减灾收益$B_t$ 是第 $t$ 年因适应措施而避免的损失金额。
    Bt=年减灾收益B_t = \text{年减灾收益}
  3. 折现率$r$ 用来把未来的钱换算成今天的价值，反映资金的时间成本和机会成本。
    r=折现率r = \text{折现率}
  4. 净现值全部未来收益折现后减去初始投资，得到这笔适应方案的净收益。
    NPVadapt=−C0+∑t=1TBt(1+r)t\text{NPV}_{\text{adapt}} = -C_0 + \sum_{t=1}^{T} \frac{B_t}{(1+r)^t}

AI 应用场景

保险公司巨灾风险定价

阶段：风险评估与精算定价

解决的问题：传统巨灾定价依赖静态历史损失表，无法反映气候变化后极端事件频率的上升。AI 可以将 CMIP6 气候模型输出、街区暴露数据和脆弱性曲线结合，生成动态损失分布，让保费更准确地反映未来风险。

具体案例：一家沿海保险公司用 AI 代理模型代替昂贵的水文模拟，对数百个台风情景进行蒙特卡洛采样，快速算出不同堤防等级下住宅区的洪水损失分布，并据此调整巨灾保费。

银行气候压力测试

阶段：情景分析与资本规划

解决的问题：银行监管要求评估气候变化对信贷资产的影响，但传统方法只能手动跑几个简单情景，难以覆盖借款企业在地理位置、行业和抵押物上的差异。AI 可以生成多情景、多企业、多资产类型的联合损失分布。

具体案例：某银行把高排放行业客户的碳排放数据、所在城市洪水风险图和抵押物脆弱性曲线输入机器学习模型，得到不同 SSP 情景下的违约率变化，为资本缓冲提供量化依据。

城市防灾规划

阶段：风险识别与适应策略优选

解决的问题：城市想修建防洪设施，但不知道投入回报是否合理。AI 可以快速评估“修堤坝”“建海绵城市”“搬迁高风险区”等多种方案在不同气候情景下的损失削减效果。

具体案例：某沿海城市利用高分辨率降尺度降水数据生成内涝风险图，再用净现值模型比较三种适应方案，最终把预算投向风险最高的老城区排水系统升级。

Python 演示

python47 行
import randomimport math def annual_loss(base_loss, volatility):    # 每年损失围绕基线上下波动    factor = random.gauss(1.0, volatility)    return max(0.0, base_loss * factor) def simulate_years(base_loss, volatility, years=100000):    losses = [annual_loss(base_loss, volatility) for _ in range(years)]    losses.sort()    return losses def exceedance_probability(losses, threshold):    exceed = sum(1 for loss in losses if loss >= threshold)    return exceed / len(losses) def expected_loss(losses):    return sum(losses) / len(losses) def conditional_tail(losses, tail_prob=0.05):    index = int(len(losses) * (1 - tail_prob))    tail = losses[index:]    return sum(tail) / len(tail) if tail else 0.0 def weighted_scenario_expectation(weights, losses):    return sum(w * l for w, l in zip(weights, losses)) def main():    random.seed(42)    base_loss = 2000.0    volatility = 0.35    losses = simulate_years(base_loss, volatility)    threshold = 2800.0    ep = exceedance_probability(losses, threshold)    ev = expected_loss(losses)    es = conditional_tail(losses)    print("超过阈值概率: %.4f" % ep)    print("年度期望损失: %.2f" % ev)    print("尾部条件损失: %.2f" % es)    print("重现期: %.1f 年" % (1.0 / ep if ep > 0 else float("inf")))    scenario_losses = [1200.0, 2300.0, 3600.0]    scenario_weights = [0.3, 0.5, 0.2]    print("多情景期望损失: %.2f" % weighted_scenario_expectation(scenario_weights, scenario_losses)) if __name__ == "__main__":    main()
目的：用蒙特卡洛模拟生成年损失分布，计算超过概率、重现期、尾部风险和多个气候情景下的加权期望损失。
  1. losses = [annual_loss(base_loss, volatility) for _ in range(years)]模拟十万个“虚拟年份”的损失，每个年份都围绕基线波动。
  2. losses.sort()把损失排序，方便后续取分位数和尾部均值。
  3. ep = exceedance_probability(losses, threshold)统计损失超过阈值的年份占比，即超过概率。
  4. print("重现期: %.1f 年" % (1.0 / ep if ep > 0 else float("inf")))重现期是超过概率的倒数。
  5. tail = losses[index:]取出损失分布最右侧的尾部样本，用于计算极端情景下的条件损失。
  6. scenario_losses = [1200.0, 2300.0, 3600.0]代表低、中、高三种气候情景的平均损失。
  7. weighted_scenario_expectation(scenario_weights, scenario_losses)按概率权重汇总多情景期望损失，与正文中的公式对应。

常见误区

误区气候风险评估就是预测台风、洪水会不会来，只要盯住气象预警就够了。

正解风险不是灾害强度，而是灾害强度、暴露度与脆弱性的乘积。同样一场洪水，淹没无人荒地和密集城区损失完全不同。AI 建模不仅要预测天气，还要把承灾体、人口和资产放进去一起算。

为何常见：新闻总在强调极端天气越来越强，让人下意识把注意力都放在灾害本身。

误区从气候模型拿到未来降水量，直接乘上资产价值，就是气候损失。

正解气候模型输出的是温度、降水等物理变量，必须先做偏差校正、降尺度，再通过脆弱性曲线转换成损失比例。直接相乘相当于把体温数字当成伤残等级。

为何常见：全球气候模型的输出图非常精细，容易让人误以为它已经是街道尺度的损失结果。

误区AI 模型输出一个确定的损失数字才算合格，输出区间或分布说明模型不够好。

正解气候系统本身就有真不确定性，决策者需要的不是伪精确，而是概率分布。区间估计和集成模型能告诉决策者最坏情况在哪里，反而更有价值。

为何常见：日常 AI 竞赛习惯用准确率衡量模型，容易把“确定性”和“正确性”画等号。

误区历史记录里的百年一遇洪水，未来还是一百年一遇，直接用历史频率即可。

正解气候系统是非平稳的，全球变暖会改变灾害频率分布。历史重现期只能作为基线，必须结合气候情景和动态模型重新估计未来概率。

为何常见：传统水文学教材常把历史频率分析作为标准方法，忽视了气候变化对平稳性假设的冲击。

面试题

Q1. 气候风险通常被划分为哪两类？

单选题 · easy

  • A.物理风险与转型风险← 正确答案
  • B.需求风险与供给风险
  • C.汇率风险与利率风险
  • D.信用风险与操作风险

答案：A。气候风险模型通常先分物理风险和转型风险。物理风险来自极端天气和慢性气候变化，转型风险来自低碳政策、技术和市场变化。其他选项是金融领域的一般风险分类，不属于气候风险的核心两分法。

Q2. 海平面上升导致沿海厂房被淹，属于哪类气候风险？

单选题 · easy

  • A.物理风险← 正确答案
  • B.转型风险
  • C.信用风险
  • D.操作风险

答案：A。海平面上升直接损坏实体资产，属于物理风险。转型风险通常来自碳税、减排政策、技术替代等间接冲击，而不是天气直接造成的破坏。

Q3. 风险评估的基本公式是？

单选题 · easy

  • A.风险等于危害乘暴露乘脆弱性← 正确答案
  • B.风险等于概率乘强度乘时间
  • C.风险等于资产乘负债乘损失
  • D.风险等于温度乘降水乘风速

答案：A。气候风险建模的核心公式是 $R = H \times E \times V$。它强调灾害、暴露和脆弱三者缺一不可。其他选项混淆了物理变量或财务概念。

Q4. 下列关于重现期的说法正确的是？

单选题 · mid

  • A.重现期是超过概率的倒数← 正确答案
  • B.重现期与超过概率相加为 1
  • C.重现期与超过概率互不影响
  • D.重现期等于超过概率的平方

答案：A。超过概率 $P$ 表示一年内发生至少某量级事件的概率，重现期 $T = 1 / P$。例如超过概率为 1% 时，重现期约为 100 年。

Q5. AI 在气候风险建模中的常见用途是？

单选题 · mid

  • A.用低成本的代理模型替代物理模拟← 正确答案
  • B.用高精度观测替代全部气候数据
  • C.用单一排放路径消除所有不确定性
  • D.用历史平均数据取代逐日气象数据

答案：A。AI 可以构建代理模型加速昂贵的气候或水文模拟，也能做降尺度和不确定性量化。但它不能替代观测数据，也不能消除真实的气候不确定性。

Q6. 以下哪些属于气候风险建模中的不确定性来源？

多选题 · mid

  • A.气候模型之间的结构差异← 正确答案
  • B.未来排放情景选择不同← 正确答案
  • C.资产脆弱性估计不准确← 正确答案
  • D.历史灾损数据总是完全准确

答案：ABC。模型结构、排放情景和脆弱性曲线都会给结果带来不确定性。历史灾损数据本身也含有观测误差和样本偏差，不可能总是完全准确，因此 D 不是不确定性来源。

Q7. 在蒙特卡洛损失模拟中，增加样本数 N 的主要作用是？

单选题 · hard

  • A.降低估计的随机波动和误差← 正确答案
  • B.让气候模型物理方程更准确
  • C.缩短每一次模拟的计算耗时
  • D.直接消除承灾体的脆弱性

答案：A。蒙特卡洛模拟用大量随机样本来逼近损失分布，样本越多，统计估计越稳定。但它不会改变气候模型方程，也不能消除脆弱性。

Q8. 关于气候情景分析，下列说法正确的是？

多选题 · hard

  • A.情景分析需要用多个未来路径共同判断← 正确答案
  • B.不同情景的概率权重影响期望损失← 正确答案
  • C.只选择最乐观情景就可以避险
  • D.情景通常会同时考虑物理和转型风险← 正确答案

答案：ABD。气候情景分析的核心是多路径比较，期望损失由各情景概率加权得到。最乐观情景会低估风险，不能作为唯一避险依据；完整的情景应同时覆盖物理与转型风险。

Q9. 在 AI 辅助气候损失评估中，合适的做法是？

单选题 · mid

  • A.用历史平均降水替代未来极端降水
  • B.用机器学习拟合高风险地区损失映射← 正确答案
  • C.在所有区域使用同一个固定损失率
  • D.用简单线性趋势无限外推到未来

答案：B。AI 可以学习气候变量、资产暴露与损失之间的复杂映射，尤其适合高风险地区的损失建模。用平均值替代极端值、固定损失率或无限外推都会严重低估风险。

Q10. 为什么不能直接把历史灾害频率当作未来气候风险频率？

单选题 · extreme

  • A.气候系统非平稳，历史频率无法代表未来← 正确答案
  • B.历史灾害数据样本量过大而难以处理
  • C.历史损失记录不包含任何时间信息
  • D.历史数据只能用于过去不能用于建模

答案：A。传统频率分析假设气候平稳，但全球变暖改变了极端事件的发生概率。历史重现期只是基线，必须结合气候情景和动态模型更新未来频率。