摘要 摘 要: 针对气候变化对国家脆弱性的影响以及影响的方式和影响结果等，运用 K - means 聚类和多元线性回归等方法，构建基于 FSI 指标的一国脆弱性评价模型和气候变化对 FSI 指标的影响
摘 要: 针对气候变化对国家脆弱性的影响以及影响的方式和影响结果等，运用 K - means 聚类和多元线性回归等方法，构建基于 FSI 指标的一国脆弱性评价模型和气候变化对 FSI 指标的影响的线性回归模型，综合运用 SPSS 及 EVIEWS 等编程求解，研究得出: 在全球范围内，气温变化对国家脆弱性的影响大于降水变化带来的影响; 不同地区气候变化会带来不同的结果，且气温和降水变化会通过影响经济、政治等指标间接地影响该地区国家的脆弱性. 最后结合案例，运用模型分析气候变化对一国脆弱性的具体影响方式.
关键词: 国家脆弱性; FSI; 气候变化; 多元线性回归; K - means 聚类; SPSS
气候变化带来的影响，包括干旱增加、生物多样性减少、极端天气灾害等. 这些影响带来的环境压力将改变人类的生活方式，造成国家经济和社会的不稳定，当它与薄弱的治理和社会分裂相结合时，会引发暴力冲突并陷入危机，由此导致国家的脆弱性增加. 一个国家的脆弱性包含很多方面，根据 FFP 网站[1]的介绍，它可以由 12 个指标来衡量，由此构成“脆弱国家指数”( Fragile States Index，以下简称 FSI) . Natalie Heimel 和 Francis A. Galgano [2]通过提出一个说明撒哈拉以南非洲地区自然资源与政治稳定之间关系的模型，考察了环境与冲突之间的关系; Peter Schwartz 和 Doug Randall [3]探讨了气候的突然变化如何使地理政治环境失去稳定性，并通过预测气候的变化给美国国家安全带来的影响及启示; Ole Magnus Theisen & Nils Petter Gleditsch & Halvard Buhaug [4]对气候因素进行定量研究，特别关注降水和温度异常以及与天气有关的自然灾害对国家安全可能造成的不良后果. 总而言之，现有国内外文献在气候变化对国家安全的影响方面有着深入的研究，但偏重单个领域因素的研究，缺少对国家脆弱性因素的体系化全面化研究. 因此，本文通过建立衡量国家脆弱性的评价指标体系并分析气候变化对不同领域指标的影响，对系统、具体地研究气候变化对国家脆弱性的影响有重要意义.
1 数据来源与模型假设
本文数据来源于 FFP 网站的 2006 - 2017 年各国国家脆弱性指数及排名数据和世界银行网站[5]的各国 1991 - 2015 年的气温和降水量数据. 为了便于研究问题，提出以下几条假设: ⑴假设气候变化指标中气温和降水量是主要因素，忽略次要因素影响; ⑵假设世界银行网站上的世界各国历年来的气温降水数据真实有效，来源可靠; ⑶假设忽略 FSI 的 12 个指标之间的多重共线性对模型的影响; ⑷假设在国家采取干预措施过程中不存在战争，即国家主权独立完整; ⑸假设各大洲的 12 个指标的数据均可由位于洲内的国家数据汇总得到.
2 国家脆弱性与 FSI
2. 1 国家脆弱性
国家脆弱性是指国家能力或正当性虚弱，无法满足国民的基本需要和期待，无力抵御自然、社会、安全等领域内外风险的状态. 造成国家脆弱的原因是复杂的，包括政治制度虚弱、经济发展困难、自身条件( 自然资源和族群构成) 、社会转型、外界冲击和不合理的国际体系等. 脆弱性是国家内在矛盾性的表现，“虚弱国家” 等现象成为一个全球和地区性意义的问题，始于 20 世纪 80 年代早期国际组织对于全球经济发展的关注.“9 ·11”事件后，反恐的需要为相关研究的进一步发展提供了直接动力[6]，西方社会进入了全面、系统地评估辨识全球国家“脆弱性”的新阶段.
2. 2 脆弱国家指数( FSI)
脆弱国家指数是基于风险冲突评估框架 - 被称为“CAST”- 由 FFP 在近四分之一世纪前开发，用于评估各国崩溃的脆弱性. 该协定框架旨在衡量冲突前，冲突中和冲突后局势中的这种脆弱性，并继续广泛用于决策者，实地工作者和当地社区网络. 该方法使用定性和定量指标，依靠公开的来源数据，并产生可量化的结果. 用 12 个冲突风险指标来衡量任何特定时刻的状态. 这些指标提供了一个时间参照，可以根据时间序列中的其他参照来衡量，以确定条件是正在改善还是恶化. CAST 框架和脆弱国家指数中使用的指标列表见图 1.
这 12 个指标来衡量一个国家的脆弱性，涵盖一国凝聚力( C) 、经济( E) 、政治( P) 、社会( S) 4 大领域. 近年来，非洲及中亚西亚等干旱地区国家脆弱性较强，欧美等发达国家和地区国家较稳定. 2017 年全球国家的脆弱性程度 FSI 总值见图 2.
3 国家脆弱性与 FSI 的多元线性回归模型
3. 1 研究思路
首先，我们从 FFP 网站下载 2006 - 2017 年的各国 FSI 数据，从世界银行网站下载各国 1991 - 2015 年的气温和降水量数据，并对数据进行筛选汇总处理; 接着，选用 2015 年 178 个国家的 FSI 排名及其 12 个二级指标的数据，使用 EVIEWS 软件对其进行多元线性回归，得到 12 个二级指标和 FSI 的回归方程; 最后，对模型进行检验，排除多重共线性、异方差性和高阶自相关性的干扰，对模型进行修正后得到最终的回归方程并做出合理的解释分析.
3. 2 模型建立与求解
我们从 FFP 网站上下载了 178 位 2006 - 2017 年的各国 FSI 排名及其指标值的数据表，并去世界银行上搜寻 2006 - 2017 年的气候数据，由于最多只能查到 2015 年的世界各国气温和降水数据，因此我们最终选择了 2015 年各国 FSI 排名及其指标值数据作为建模的基础数据. 将 FSI 的 total 值设为因变量 y ，其 12 个二级指标设为 xi ( ) i = 1，2，…12 建立多元线性回归模型[7]如下: y = β0 + ∑ 12 j = 1 βj xji + εi ( ) i，j = 1，2，…12 其中，βj 为模型的参数，εi 为随机扰动项，j 为解释变量的个数.使用 EVIEWS 进行多元线性回归，得出回归结果见图 3.
从图 3 可以看出，模型的调整的可决系数 R2 为 0. 9999，说明模型的拟合程度非常好; t 统计量的 P 值均为 0，说明对应的解释变量对被解释变量的影响显著; F 统计量的 P 值为 0，说明解释变量总体对被解释变量的影响显著. 残差分布见图 4.从图 4 中可看出，残差的波动范围在[- 0. 2，+ 0. 2]，可以解释大部分预测值，模型结果有效. 接着，进行模型的检验，由于数据本身是进行标准化了的，因此有相关性较强，在此不做多重共线性检验; white 检验结果 nR2 的 P 值为 0. 02 < α = 0. 05 ，因此模型不存在异方差性; 进行高阶自相关检验 - 偏相关系数检验得到图 5.
结果显示，无论第几期，其偏相关系数的直方块均未超过虚线部分，表明不存在自相关.
3. 3 结果分析
由于排除了多重共线性、异方差性和自相关性的干扰，因此最终的模型为 y = - 0. 01 + 1. 0046x1 + 1. 0040x2 + … + 0. 9985x12 ( i = 1，2，…12) β3 = 1. 0002; β4 = 0. 9972; β5 = 1. 0032; β6 = 0. 9979; β7 = 0. 9975; β8 = 1. 0030; β9 = 1. 0012; β10 = 0. 9944; β11 = 0. 9975 .根据上述求解结果，我们得出以下结论[8]: FSI 的 12 个指标对 FSI 的影响程度基本相同，各指标增加一个单位，会使 FSI 总值近似的增加 1. 而根据 FFP 网站显示，为了更好地对比分析全球范围内各个国家的数据，12 个指标对 FSI 的权重基本相同，在提交脆弱国家指数数据时对指数的 12 个指标进行平均排名，对应了回归结果. 但是，在每个国家的每个情景中，12 个指标不一定都是重要的. 因此，研究者可根据每个国家不同的国情在给 12 个指标赋权重时赋予不同的权重.
4 国家脆弱程度判断
4. 1 研究思路
首先，对 178 个国家的 FSI 的总值和排名进行 k - means 聚类[9]，分成 3 个等级分别为“非常脆弱”，“脆弱”和“稳定”，并给出对应等级的总值数值区间，代入各二级指标的数值得出总值即可判断一国的脆弱性程度; 接着，使用 EXCEL 筛选整理数据，得到 2015 年 178 个国家的年均温和年总降水量的数据表，因此可以分别得到气温变化和降水变化对 FSI 的 12 个指标的直接影响; 最后，分别用气温和降水作为自变量对 12 个二级指标进行拟合，将得到的 12 个系数合并成 4 个一级指标的系数，最终用变量系数及其符号说明气候变化对各指标的影响程度和影响方向，间接对 FSI 产生影响.
4. 2 FSI 总值和排名的 K - means 聚类
我们使用 SPSS 对 2015 年 178 个国家的 FSI 的总值和排名进行 k - means 聚类，选取 3 个聚类中心得到最终的结果见表 1.每个聚类中心的案例数分别为 62，63，53. 对应到 FSI 的总值再结合所给的排名，可以把 FSI 划分为三个区间，即 FSI 的三个等级非常脆弱、脆弱和稳定. 因此，最终的国家脆弱性区间范围如下: y ∈ [82. 2，120) ，FSI = 非常脆弱[61. 9，82. 2) ，FSI = 脆弱[0，61. 9) ，FSI = { 稳定
4. 3 气候影响 FSI 的方式
由于各国的气温和降水数据非常难找，而我们通过浏览题目中所给的世界银行网站，发现世界各国历年的气温和降水量，由于该网站下载的结果与选定的目标国家不同，也就是说该网站下载的结果是随机的. 因此，我们随机下载了 1991 - 2015 年各国各月的气温和降水量，最后筛选整理出 70 多个国家的 2015 年的年均温和年总降水量汇总表，并将其作为分析模型的基础[10].分别将年均温( Q1) 和年总降水量( Q2) 作为自变量，将 FSI 的总值作为因变量，使用 SPSS 进行回归，得到如下两个方程: y = 1. 917q1 + 33. 793 ; y = - 0. 001q2 + 73. 58 这两个方程的 t 检验，F 检验均通过，残差的置信区间也通过，因此模型有效. 可得出气候变化对 FSI 的直接影响: 在一定程度上以及其他条件不变的情况下，气温和 FSI 成正相关关系，气温越高，国家脆弱性越高; 降水变化对 FSI 的直接影响: 在一定程度上以及其他条件不变的情况下，降水和 FSI 成反相关关系，降水越多，国家脆弱性越低.
接着，使用 SPSS 将年均温( Q1) 作为自变量，将安全机构( C1) 作为因变量进行拟合，得到 Q1 对于 C1 的系数为 0. 186，使用同样的操作步骤得到 Q1 对 C2、C3、E1、E2、E3、P1、P2、P3、S1、S2、X1 的系数分别为 0. 172、0. 092、0. 099、0. 163、0. 154、0. 205、0. 190、0. 181、0. 185、0. 138、0. 152. 按照凝聚力( C) 、经济( E) 、政治( P) 、社会( S) 4 个方面进行合并得到 Q1 关于 C、E、P、S 的系数分别为 0. 45、0. 416、0. 576、0. 475; 由于年降水量的数据远远大于 FSI 的 12 个指标，因此，需要进行标准化后再与 12 个指标拟合，最终得到 Q2 对 C2、 C3、E1、E2、E3、P1、P2、P3、S1、S2、X1 的系数分别为 - 0. 166、0. 008、- 0. 194、- 0. 074、0. 165、0. 397、0. 004、 0. 198、- 0. 152、0. 101、- 0. 249、0. 035，合并后得到 Q2 对于 C、E、P、S 的系数分别为 - 0. 352、0. 488、0. 05、- 0. 113. 整理得到 Q1、Q2 对于 C、E、P、S 的影响系数见表 2.
根据表 2，可以得出气温变化对 FSI 的间接影响: 气温上升 1 个单位，凝聚力的 FSI 上升 0. 45 个单位，经济的 FSI 上升 0. 416 个单位，政治的 FSI 上升 0. 576 个单位，社会的 FSI 上升 0. 475 个单位; 降水增加一个单位，凝聚力的 FSI 减少 0. 352 个单位，经济的 FSI 上升 0. 488 个单位，政治的 FSI 上升 0. 05 个单位，社会的 FSI 减少 0. 113 个单位.表 2 Q1、Q2 对于 C、E、P、S 的影响系数 — C E P S Q1 0. 45 0. 416 0. 576 0. 475 Q2 - 0. 352 0. 488 0. 05 - 0. 113
5 气候对国家脆弱性的影响方式
5. 1 研究思路
首先，我们已经得出气温和降水对一国脆弱性以及对 12 个指标的具体影响，因此我们找到这 10 个国家所在地区，判断它们的气候类型，进而判断气候中的哪些特征变化会通过影响哪些指标来影响国家脆弱性; 接着，根据前面的回归模型说明没有气候的影响国家脆弱性将会降低.
5. 2 病症分类
脆弱性最弱的前 10 个国家分别为南苏丹、索马里、中非共和国、也门、苏丹、叙利亚、刚果民主共和国、乍得、阿富汗和伊拉克. 因此，这是 2017 年的 FSI 排名，其 12 个二级指标见表 3.
从表 3 可以看出，除了 E2( 经济发展不平衡) 指标值的波动范围在[7，10]，E3( 人才流失) 指标值的波动范围在[6，10]，其余各指标值波动范围均在[8，10]且指标值很高，接近 10. 这表明，在脆弱性前 10 的国家中，经济发展不平衡和人才流失对它们的国家稳定性影响较小，而这 10 个国家均为贫穷的不发达国家. 因此，我们得出以下结论: 在贫穷的不发达国家中，由于国家经济水平低，人们处于普遍贫穷的状况，教育不发达，人才流失的情况少，因此经济发展不平衡和人才流失对它们国家的稳定性影响小. 因此，气候变化对这两个指标的影响也很小，不构成增强国家脆弱性的威胁.由于前面我们已经得到气候变化的两个指标 E1( 气温) ，E2( 降水) 对这 12 个指标的影响系数. 因此进一步地，我们通过浏览全球气候分布地图查询这 10 个国家的气候得到大多数国家属于热带沙漠气候和热带草原气候，个别国家的一些地区还包括热带雨林气候、大陆性气候和地中海气候，或多或少都存在高温或者旱季降水稀少的特征，它们全年具体的气温和降水分布见图 6.
从气候变化对 FSI 影响的角度出发，这些国家脆弱性的原因大多可归因为降水的异常所带来的环境压力. 因此这些国家水资源短缺，可以说，水资源是影响国家安全和稳定性的一个因素[11]. 根据简单的资源稀缺冲突模型见图 7，我们能够发现气候变化究竟如何影响一个国家的脆弱性[12].
气候变化如气温升高( Q1↑) 降水量减少( Q2↓) ，会加剧干旱，而这 10 个国家均为贫穷的发展中国家，经济发展水平落后，对自然环境改变和自然灾害的适应性差. 干旱的加剧导致食物或水等生计所需的基本资源减少，加剧人口( S1↑) 和经济衰退( E1↑) . 受到日益稀缺影响的人可能会开始为剩余资源而战，人们可能会被迫离开这个地区，导致难民和国内流离失所者增加( S2↑) ，并在他们侵占资源受限的其他人的领土时造成新的稀缺，引起集团的不满( C3↑) . 当它与薄弱的治理和社会分裂相结合时，将会引发暴力冲突. 这种融合可以引发一系列的暴力恶性事件，通常沿着潜在的民族和政治分歧，而在此种情况下通常会存在较多的外部干预( X1↑) ，这样会降低国家合法性( P1↑) ，引起人权和法治的管理混乱( P3↑) ，由此造成国家脆弱性增加.由于前面已经得到气温 Q1、降水 Q2 对 C2、C3、E1、E2、E3、P1、P2、P3、S1、S2、X1 的系数. 同时根据表 3，可以得出气温变化对 FSI 的间接影响: 气温上升 1 个单位，凝聚力的 FSI 上升 0. 45 个单位，经济的 FSI 上升 0. 416 个单位，政治的 FSI 上升 0. 576 个单位，社会的 FSI 上升 0. 475 个单位; 降水增加一个单位，凝聚力的 FSI 减少 0. 352 个单位，经济的 FSI 上升 0. 488 个单位，政治的 FSI 上升 0. 05 个单位，社会的 FSI 减少 0. 113 个单位. 因此没有气候的影响，即 12 个二级指标的变化不再受气候变化的影响，因此 12 个指标的自身稳定性上升，国家脆弱性降低.
6 结 语
本文就气候变化对国家脆弱性的影响，基于国家脆弱性的 4 大领域 12 个指标的衡量体系，结合各国的 FSI 和气温降水数据，综合运用 K - means 聚类和多元线性回归等方法，能够方便地判断出一国的脆弱性所属的等级范围，分析了气候变化对一国脆弱性的影响方式和影响结果; 但同时忽略了气候变化中一些次要因素的影响，同时由于现有国家脆弱性指标数据以及气温降水数据不对外开放造成所需数据不全面，客观上会存在一定误差. 最大的特色是在基于 FSI 现有的 12 个评价指标，加入气候变化对国家脆弱性的影响，研究气温和降水变化对国家脆弱性的直接影响，以及通过影响 12 个指标凝聚力、经济、政治、社会 4 个领域间接对一国脆弱性产生影响. 由此建立的国家脆弱性衡量模型能够具体地分析出一国脆弱性强的具体原因，并针对原因采取相应措施维护国家稳定性. 模型还可以将研究对象从单个国家扩大到大洲范围内，将一个大洲内所有国家的相应数据按照文中的方法重新建立多元回归模型并进行检验，从而将模型优化推广到更广的范围内. 具有较高的研究和发展价值.
参考文献:
[1]http: / /fundforpeace. org /fsi /data /[EB/OL].
[2]Krakowka A R，Heimel N，and Galgano F. Modeling Environmenal Security in Sub - Sharan Africa - ProQuest[J]. The Geographical Bulletin，2012，53 ( 1) : 21 - 38.
[3]Schwartz P，Randall D. An Abrupt Climate Change Scenario and Its Implications for United States National Security[M]. October， 2003.
[4]Theisen O M，Gleditsch N P，and Buhaug H. Is climate change a driver of armed conflict? [J]. Climate Change，April 2013， V117 ( 3) : 613 - 625.
基于多元线性回归对气候变化影响国家脆弱性的研究相关论文期刊你还可以了解：《气候变化影响下的国家脆弱性评估模型》
转载请注明来自：http://www.lunwenhr.com/hrlwfw/hrsklw/11347.html