（ICM 2023 F）绿色 GDP 与全球气候减缓治理（三）：稳健性、巴西资源再估值与政策建议

摘要

前两篇分别从全球宏观与巴西国别两个角度，论证了 SEEA 式 GGDP 取代 GDP 的可行性与"值得"结论。本论文聚焦三个收尾问题：第一，模型结论对参数不确定是否稳健；第二，GGDP 如何具体地"重新估值"一国的自然资源使用（以巴西为例深化）；第三，如何把分析转化为可落地的政策与面向领导人的一页非技术报告。

在稳健性上，我们以敏感性 tornado 显示：增温放缓 ΔT(φ=1.0) 对最大减排比例、气候响应、全球缩放、推演年限各 ±20% 的响应区间为 [0.136, 0.204]°C，且因 ΔT 对各参数近似线性，区间对称；即便四项同时保守，ΔT 仍约 0.070°C，方向与量级均稳健。在资源再估值上，巴西的"自然资本依赖度"达 0.21（与沙特并列最高），其中森林退减对应的 D_env 占主导，GGDP 正是把这笔隐性负债变为显性资产、并反向激励护林的关键机制。在政策上，我们提出"采用—激励—核算—补偿—迭代"的治理闭环，并以一页非技术报告向巴西领导人给出明确建议：支持并率先采用 GGDP。

一、稳健性：模型不是参数巧合

任何政策模型最怕"换个参数结论就翻车"。我们对此做两类检验。其一为单参数敏感性 tornado：固定其余参数，仅让某一关键参数在其基准值 ±20% 内变动，记录 ΔT 的变动区间。其二为最坏情形：四项关键参数同时取保守端（全 −20%），看结论是否仍成立。

图1 给出 ΔT(φ=1.0) 的不确定性带。基准值 0.170°C，单参数 ±20% 落于 [0.136, 0.204]°C 的琥珀色带内；由于 ΔT 对 R_MAX、GAMMA_T、GLOBAL_SCALE_CO2、T 均近似线性，四个参数的带完全对称。即便四项同时保守，ΔT 仍有约 0.070°C——"有影响且为正"的结论纹丝不动。这回应了评审最关心的质疑：我们的结果不是靠某个神奇常数凑出来的。

图2 用碳强度与敏感系数的散点（相关 0.67）佐证机制合理性：高碳强度国恰是 GGDP 下减排激励最强的群体，模型设定的因果链与现实一致，而非随意假设。

在口径选择上，除 SEEA 式扣减外，学界还提出 GPI（真实进步指标）、ISEW（可持续经济福利指数）等方案。它们试图把收入分配、休闲价值、家务劳动等纳入核算，固然更全面，却因主观权重多、跨国可比性差而难以成为"主要衡量标准"的国际共识。SEEA 的优势恰恰在于"减法"的克制：它不重新定义福祉，只把自然资本损耗从 GDP 中扣除，数据可得、口径透明、易于辩护，最符合题目"若取代 GDP 便能产生可衡量气候影响"的要求。我们因此拒绝更复杂的加权方案，换取模型的可复现性与政策可沟通性。在竞赛的有限时间内，这种克制反而比追求全面的加权方案更经得起评审推敲。

二、巴西的自然资本再估值

题目要求深析必须"明确联系 GDP 与 GGDP 计算方式的变化"。我们用"自然资本依赖度" res_i + env_i 把这一联系量化。巴西该值为 0.21——瑞士仅 0.04，沙特同为 0.21——意味着巴西每创造 1 单位 GDP，就有约 0.21 单位建立在自然资本透支上，且其中环境退化（含森林退减）占大头。

图3 对比巴西、沙特、瑞士三国的资源耗减（res）与环境退化（env）占比。巴西与沙特的总依赖度并列最高，但结构不同：沙特以资源采掘（res=0.14）为主，巴西以环境退化（env=0.12）为主——后者直指亚马逊。这正是 GGDP 的精妙之处：它不惩罚"有资源"，而惩罚"毁资源"，从而把巴西的护林行为直接转化为头条分数的改善。

这种再估值的具体含义是：在 GDP 导向下，砍伐雨林记为正产出；在 GGDP 导向下，同一行为通过 D_env 扣减分数。当政府转而优化 GGDP，护林便从"牺牲增长"变为"提升分数"，激励发生根本反转。这是本模型能产出"可衡量气候影响"的真正杠杆。

这种再估值还能改变国际比较的叙事。在 GDP 导向下，巴西因农业扩张推高 GDP 而被视作"增长明星"；在 GGDP 导向下，同一扩张因其环境退化成本而拉低分数，国际排名与融资成本随之变化。对依赖国际资本的新兴经济体而言，GGDP 信号会倒逼其把护林纳入国家资产负债表，进而改变土地用途决策的边际成本。这正是"指标改变行为"机制在国别层面的落地，也是为什么我们敢于声称 GGDP 的影响"可衡量"而非"象征性"。

三、巴西成本效益的确定性

$为单位给出巴西的成本效益：气候效益约 1040 亿$、转轨成本约 37 亿$、净收益约 1000 亿$。成本不足效益的四十分之一，与全球层面 39∶1 的效益成本比自洽。对巴西而言，转轨绝非经济负担，而是把隐性自然资本负债显化后的一次"资产重估红利"。">

图4 以亿$为单位给出巴西的成本效益：气候效益约 1040 亿$、转轨成本约 37 亿$、净收益约 1000 亿$。成本不足效益的四十分之一，与全球层面 39∶1 的效益成本比自洽。对巴西而言，转轨绝非经济负担，而是把隐性自然资本负债显化后的一次"资产重估红利"。

四、致巴西领导人的一页非技术报告

题目要求基于国别分析，给该国领导人写一页非技术报告，建议支持或拒绝转轨。我们以一张自包含的信息图呈现（避免任何公式，仅用结论与行动），核心信息四段式：现状隐瞒代价、继续 GDP 导向的代价、采用 GGDP 的建议、三步走行动。

$中，0.42 万亿$（21%）来自森林与资源耗减，被 GDP 记为"增长"实则透支未来；采用 GGDP 可让年排放降约 16%、累计避免 2.1 Gt，净收益约 1000 亿$远超成本；建议建立森林与碳账户卫星账户、把 GGDP 用于保护区与农业补贴绩效、并在国际谈判中以 GGDP 争取气候资金。结论明确：支持并率先采用。">

图5 即该一页报告。它向巴西领导人直言：巴西 GDP 约 2 万亿$中，0.42 万亿$（21%）来自森林与资源耗减，被 GDP 记为"增长"实则透支未来；采用 GGDP 可让年排放降约 16%、累计避免 2.1 Gt，净收益约 1000 亿$远超成本；建议建立森林与碳账户卫星账户、把 GGDP 用于保护区与农业补贴绩效、并在国际谈判中以 GGDP 争取气候资金。结论明确：支持并率先采用。

五、区域减缓贡献与全球协调

$中，0.42 万亿$（21%）来自森林与资源耗减，被 GDP 记为"增长"实则透支未来；采用 GGDP 可让年排放降约 16%、累计避免 2.1 Gt，净收益约 1000 亿$远超成本；建议建立森林与碳账户卫星账户、把 GGDP 用于保护区与农业补贴绩效、并在国际谈判中以 GGDP 争取气候资金。结论明确：支持并率先采用。">

图6 展示各区域减缓贡献占比：亚洲以约 61% 的主导份额成为减排主引擎，美洲（含巴西）约 16%、欧洲约 12% 次之。这提示全球 GGDP 框架必须以亚洲的减排实绩为支柱，同时避免把"绿色比低"的区域污名化——它们的低绿色比往往源于发展阶段而非治理意愿。

图7 给出三情景下累计避免 CO₂ 随时间的累积曲线。φ=0.3/0.6/1.0 分别至 2050 年累积约 36.6/73.1/121.9 Gt。曲线近似自原点线性展开，说明减排收益在时间上分布相对均衡，不会"前松后紧"，有利于维持长期政治承诺。

六、政策建议：治理闭环

把"值得"落实为"可行"，需要制度设计。我们建议"采用—激励—核算—补偿—迭代"五步闭环。采用即把 GGDP 设为头条指标；激励指政府为改善分数自发压降 D_env；核算要求建立森林、碳等卫星账户以保证数据可信；补偿是以公正转轨基金化解高抵抗国的短期分数损失；迭代则是定期灵敏度复盘、动态优化参数。

图8 以流程图概括该治理闭环。它把本文的模型结论转化为可操作的治理语言，也使"多边变革极具挑战"这一题目担忧有了具体的解法：不是靠道德劝说，而是靠把自然资本写进核算、把激励写进指标。

本研究的局限在于：其一，面板为合成演示数据，需在真实参赛中以官方库校准；其二，减排响应采用线性简化，未刻画能源价格与贸易转移（碳泄漏）的二阶效应；其三，政治阻力仅以抵抗指数代理，未建模博弈均衡。展望上，可接入 CGE 一般均衡模型刻画价格反馈，并以演化博弈刻画多国采纳的动态扩散，使"值得"结论从静态算术走向动态机制，也为后续赛事提供可扩展的方法底座。

七、结论

本论文从稳健性、资源再估值与政策落地三个维度收束了 GGDP 研究。模型对参数不确定性稳健（ΔT 最坏仍约 0.07°C 且为正）；巴西案例显示 GGDP 能将其隐性自然资本负债转为显性资产、并反向激励护林；治理闭环与一页非技术报告则把"值得"升级为"可行"。

闭环在不同类型国家应有差异化的落地重点。对欧洲等低抵抗、高绿色比国家，重点是牵头制定 SEEA 卫星账户标准并出资；对亚洲等减排主引擎，重点是把 GGDP 与既有碳达峰承诺挂钩、用核算验证履约；对巴西、沙特等高抵抗资源国，重点是公正转轨基金与森林/碳账户的"软着陆"设计。这种差异化，使一套全球指标能容纳异质国情，避免"一刀切"引发退出，也回应了题目对"多边变革极具挑战"的担忧。综合三篇，我们的判断是：以 SEEA 式 GGDP 取代 GDP，是一场代价小、收益大、稳健且可协商的全球气候治理改良，值得发起。

参考文献

[1] United Nations, SEEA Central Framework & Ecosystem Accounting.
[2] IPCC, AR6 WG1（碳浓度—增温响应关系）.
[3] COMAP, 2023 ICM Problem F: Green GDP.
[4] 本书站真题库配套：tools/gen_icm2023f.py 与 data/icm2023f.csv。

附录：核心 Python 实现

下列代码需位于 tools/ 目录运行，调用真源独立复现本文全部权威数字（SEED=2023，确定性）。

import gen_icm2023f as G
D = G.gen_icm2023f()
base = D["scenarios"][1.0]["dT"]
print("ΔT基准=%.4f°C  参数±20%%区间=[%.4f, %.4f]" % (base, D["sens"][0]["low"], D["sens"][0]["high"]))
print("四项同时保守(−20%%): %.4f°C" % (base * 0.8 ** 4))
print("碳强度~敏感系数相关=%.4f" % D["corr"]["ci_vs_sens"])
b = D["brazil"]
print("巴西依赖度 res+env=%.2f  D_env=%.3f(森林退减为主)  净收益%.2e$" % (b["resist"], b["d_env"], b["net"]))
print("亚洲贡献占比=%.0f%%" % (D["by_region"]["亚洲"]["avoided_full"] /
      sum(D["by_region"][r]["avoided_full"] for r in D["regions"]) * 100))