[论文解读] Environmental Economics and Uncertainty: Review and a Machine Learning Outlook

Ruda Zhang, Patrick Wingo+4 more|RePEc: Research Papers in Economics|Apr 24, 2020

Global Energy and Sustainability Research被引用 4

一句话总结

本文提出流形采样（manifold sampling）——一种机器学习技术，通过将环境与社会经济变量的联合概率分布约束于低维流形，以提升环境经济学中的不确定性量化。该方法在墨西哥湾海上钻井风险分析中表现优于传统方法，能以更少的模拟次数高效捕捉复杂依赖关系，从而实现更优的政策相关预测与不确定性下的风险评估。

ABSTRACT

Economic assessment in environmental science concerns the measurement or valuation of environmental impacts, adaptation, and vulnerability. Integrated assessment modeling is a unifying framework of environmental economics, which attempts to combine key elements of physical, ecological, and socioeconomic systems. Uncertainty characterization in integrated assessment varies by component models: uncertainties associated with mechanistic physical models are often assessed with an ensemble of simulations or Monte Carlo sampling, while uncertainties associated with impact models are evaluated by conjecture or econometric analysis. Manifold sampling is a machine learning technique that constructs a joint probability model of all relevant variables which may be concentrated on a low-dimensional geometric structure. Compared with traditional density estimation methods, manifold sampling is more efficient especially when the data is generated by a few latent variables. The manifold-constrained joint probability model helps answer policy-making questions from prediction, to response, and prevention. Manifold sampling is applied to assess risk of offshore drilling in the Gulf of Mexico.

研究动机与目标

• 解决环境经济学中集成评估模型（IAMs）面临的不确定性量化挑战。
• 通过利用机器学习技术，提升环境政策风险评估的效率与准确性。
• 展示流形约束联合概率建模在真实环境决策场景中的应用。
• 为建模复杂高维不确定性提供一种可扩展的替代方案，以替代传统的蒙特卡洛方法与集合采样方法。
• 通过统一的概率框架，弥合IAMs中物理、生态与社会经济建模组件之间的差距。

提出的方法

• 采用流形采样，一种将变量联合概率分布约束于低维几何流形的机器学习技术。
• 利用潜在变量结构表示环境与社会经济不确定性的潜在驱动因素，实现降维。
• 基于观测数据构建联合概率模型，无需假设参数形式，支持非参数密度估计。
• 将流形约束模型应用于墨西哥湾数据，模拟并量化海上钻井风险。
• 将物理、生态与社会经济变量整合至单一概率框架，支持政策相关分析。
• 在模拟效率与预测准确性方面，与传统蒙特卡洛方法及集合采样方法进行性能对比。

实验结果

研究问题

• RQ1 机器学习技术在环境经济学集成评估模型的不确定性量化中如何发挥作用？
• RQ2 与传统采样方法相比，流形采样在保持或提升准确性的同时，能在多大程度上降低计算成本？
• RQ3 流形约束的联合概率模型能否有效表征环境、物理与社会经济变量之间的复杂依赖关系？
• RQ4 该模型如何支持环境风险管理中的预测、响应与预防等政策相关问题？
• RQ5 在真实应用场景（如墨西哥湾海上钻井风险评估）中，流形采样的性能如何？

主要发现

• 流形采样通过将概率质量集中于低维流形，显著提升了采样效率，减少了所需模拟次数。
• 当数据由少数主导的潜在变量生成时，该方法在不确定性表征方面优于传统的蒙特卡洛与集合采样方法。
• 联合概率模型支持对环境政策决策的稳健预测、响应与预防分析。
• 在墨西哥湾海上钻井案例研究中，模型成功捕捉了环境与社会经济风险因素之间的复杂相互依赖关系。
• 由于能够建模非高斯与非线性依赖关系，该方法在捕捉尾部风险与极端事件方面表现更优。
• 该框架具备可扩展性与适应性，可应用于其他需要综合不确定性评估的环境政策问题。