Three reasons to price carbon under uncertainty: Accuracy of simple rules¶

作者: Ton Bremer, Christoph Hambel, Frederick Ploeg
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 0/10
机构绿灯: University of Amsterdam（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe2681

一、领域脉络与小综述¶

这个方向是什么¶

本文属于气候经济学中“最优碳定价” 的子方向。其根本问题是：在存在多种不确定性（气候灾难风险、临界点风险、生产率冲击）的情况下，如何计算一个风险调整后的社会碳成本（SCC），即每排放一吨CO₂所对应的社会边际损害。该方向当前成熟度较高，已有大量数值模拟和综合评估模型（IAMs），但解析规则相对稀缺——这正是本文的切入点。

发展脉络（history）¶

根据本文的引言和参考文献，该方向的发展可梳理为以下阶段：

奠基工作：确定性框架下的最优碳定价
- Nordhaus (1991, 1993, DICE模型)：建立了将气候变化损害与经济增长耦合的确定性IAM框架，奠定了SCC计算的基础。其核心是“最优增长模型”的扩展，但忽略了不确定性。
- Golosov et al. (2014)：在AK增长模型中推导出SCC的解析表达式（与GDP成比例），这是本文的直接前身。但该模型假设气候损害是确定性的，且没有灾难风险。
主要进展：引入不确定性
- Weitzman (2009, 2011)：强调“肥尾”灾难风险对SCC的巨大影响，指出在极端不确定性下，标准贴现率方法可能失效。这引发了学界对灾难风险的重视。
- Pindyck & Wang (2013)：在增长模型中引入灾难风险（灾难事件导致资本存量损失），推导了风险调整后的SCC。但他们的灾难是外生的、与温度无关的。
- Lemoine & Traeger (2014, 2016)：在IAM中引入气候临界点（tipping points）风险，即温度超过阈值后，气候系统发生不可逆的、非线性的转变。他们发现临界点风险会显著提高SCC。
- Cai et al. (2015, 2016)：用数值方法研究了级联临界点（cascading tipping points）的风险，即一个临界点触发另一个，形成连锁反应。
当前Frontier：解析规则与数值方法的结合
- van den Bremer & van der Ploeg (2021)：本文作者的前期工作，在AK模型中推导了考虑灾难复发风险（disaster recurrence risk）的SCC解析近似。本文是这一工作的扩展，同时纳入了临界点风险和生产率损害。
- 本文的位置：作者声称，他们的工作是第一个在统一框架下，同时推导出包含灾难复发风险、临界点风险和生产率损害的SCC解析近似规则，并验证了其准确性。它填补了“数值解精确但黑箱”与“解析解简单但忽略关键风险”之间的缺口。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：增长模型中的灾难风险（Disaster Risk in Growth Models）
- 做什么：在宏观增长模型（如AK模型）中引入灾难事件（如地震、金融危机、气候灾难），研究其对资产定价、储蓄率和福利的影响。
- 代表工作：Pindyck & Wang (2013), Barro (2006, 2009), Gabaix (2012)。本文的灾难复发风险部分直接继承自这一线索。
- 与本文的关系：本文将其中的灾难风险内生化——灾难发生概率随温度升高而增加，而非外生给定。
线索二：气候临界点与综合评估模型（Climate Tipping Points in IAMs）
- 做什么：在IAM中建模气候临界点（如格陵兰冰盖融化、亚马逊雨林枯萎），评估其对最优减排路径和SCC的影响。
- 代表工作：Lemoine & Traeger (2014, 2016), Cai et al. (2015, 2016), Lenton et al. (2008)。
- 与本文的关系：本文将其简化为一个泊松跳跃过程（Poisson jump process），并推导了其对SCC的解析贡献项。

这个方向在追问的核心问题¶

SCC对哪些不确定性最敏感？ 是灾难风险、临界点风险，还是生产率损害？本文的答案是：灾难复发风险（占70%）> 生产率损害 > 临界点风险（占9%）。
解析近似规则在什么条件下可靠？ 本文给出了条件：小参数（损害份额、灾难风险对温度的敏感性、临界点风险）足够小，且贴现率不太低。
如何将复杂的数值模型简化为政策制定者能理解的“拇指规则”？ 本文提供了一个三部分相加的规则，每个部分都有直观的经济学解释。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么：作者声称，现有文献要么是纯数值的（如DICE模型），难以解释和沟通；要么是解析的但忽略了关键风险（如Golosov et al. 2014忽略了灾难和临界点）。因此，本文的“显然的下一步”是：在保持解析可处理性的同时，纳入这些被忽略的风险，从而提供一个既准确又易于解释的SCC规则。
哪些竞争路线被他淡化或回避了：
- 深度不确定性（Deep Uncertainty）：作者假设了已知的概率分布（如灾难发生概率是温度的已知函数）。这回避了Weitzman (2009) 强调的“肥尾”和“未知分布”问题。作者在文中承认“我们的分析假设了已知的概率分布”，但未深入讨论。
- 异质性主体：模型假设了代表性主体，回避了代际公平和不同国家/群体间的分配问题。
- 内生技术进步：模型中的技术进步是外生的（AK模型），或仅以化石燃料生产技术进步的形式出现。没有考虑清洁能源的内生研发和成本下降（如Acemoglu et al. 2012）。
什么明显该被引 / 该存在、却没出现在 intro 里？
- Acemoglu et al. (2012, “The Environment and Directed Technical Change”)：这篇论文是环境经济学中关于内生技术进步的奠基之作，与本文的“供给侧”讨论高度相关。本文提到了“化石燃料生产的技术进步”，但未引用这篇更一般的理论。
- Hassler et al. (2016, “The Macroeconomics of Climate Change”)：一篇很好的综述，总结了气候经济学中的关键建模选择，包括不确定性、技术进步和贴现率。本文未引用。

张力¶

未见明显对立引用。所有被引工作都指向“不确定性会提高SCC”这一共识，分歧在于提高多少以及哪种不确定性最重要。本文通过解析规则给出了一个具体的量化答案。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( t \)：时间（连续）。
- \( K_t \)：资本存量（随机变量）。
- \( T_t \)：全球平均温度相对于工业化前水平的升高值（随机变量，状态变量）。
- \( C_t \)：消费（随机变量，控制变量）。
- \( \mu_t \)：减排率（控制变量，0到1之间，1表示完全减排）。
- \( Y_t = A_t K_t \)：总产出（AK生产函数，\( A_t \) 是全要素生产率）。
- \( D(T_t) \)：气候损害函数，表示产出中因气候变化而损失的比例。假设 \( D(T) = 1 - e^{-\gamma T} \approx \gamma T \)（小温度变化下近似线性）。
- \( \Gamma(T_t) \)：灾难复发风险函数，表示单位时间内发生气候灾难的概率。假设 \( \Gamma(T) = \pi_0 e^{\xi T} \)，其中 \( \pi_0 \) 是基准概率，\( \xi \) 是温度敏感性。
- \( \Lambda(T_t) \)：临界点风险函数，表示单位时间内发生临界点事件的概率。假设 \( \Lambda(T) = \lambda_0 e^{\zeta T} \)，其中 \( \lambda_0 \) 是基准概率，\( \zeta \) 是温度敏感性。
- \( \rho \)：时间偏好率（贴现率）。
- \( \theta \)：相对风险厌恶系数（CRRA效用函数 \( u(C) = C^{1-\theta}/(1-\theta) \)）。
- \( \delta \)：资本折旧率。
- \( \sigma \)：全要素生产率 \( A_t \) 的波动率（假设 \( A_t \) 服从几何布朗运动）。
- Estimand：最优SCC，即每单位排放的边际社会损害，以消费为单位。
模型：
- 数据生成机制：一个随机最优控制问题。社会计划者最大化代表性主体的期望效用：
  \[\max_{\{C_t, \mu_t\}} \mathbb{E}_0 \int_0^\infty e^{-\rho t} u(C_t) dt\]
  受限于：
  - 资本积累：\( dK_t = [Y_t (1 - D(T_t))(1 - \mu_t) - C_t - \delta K_t] dt + \sigma K_t dW_t \) （产出用于消费、投资和减排成本，且受生产率冲击 \( dW_t \) 影响）。
  - 温度动态：\( dT_t = [\mu_t E_t - m T_t] dt \)，其中 \( E_t \) 是排放（与产出成比例），\( m \) 是碳循环衰减率。关键简化：作者假设温度动态是确定性的（无随机冲击），这是解析可处理性的关键。
  - 灾难风险：在泊松跳跃过程中，灾难事件（如海平面上升导致资本存量损失 \( \phi \)）的发生强度为 \( \Gamma(T_t) \)。
  - 临界点风险：在泊松跳跃过程中，临界点事件（如永久性降低全要素生产率 \( A_t \) 一个比例 \( \chi \)）的发生强度为 \( \Lambda(T_t) \)。
可观测数据：
- 研究者可以观测到历史的 \( K_t, T_t, C_t, Y_t, A_t \) 等时间序列数据。
- 研究者可以校准模型参数：\( \rho, \theta, \delta, \sigma, \gamma, \pi_0, \xi, \phi, \lambda_0, \zeta, \chi, m \) 等。这些参数来自气候科学、经济学和统计估计。
- 想要但观测不到：未来的灾难和临界点事件（它们是随机过程，只能知道其概率分布）。最优SCC本身也是一个反事实量——它依赖于模型假设和参数，无法直接观测。

第二步：讲最小内核¶

本文的核心思路可以用一个最简特例来理解：忽略所有不确定性，只考虑确定性的AK模型。在这个特例下，SCC的解析解由Golosov et al. (2014) 给出。

最简特例：假设没有灾难风险（\( \Gamma=0 \)），没有临界点风险（\( \Lambda=0 \)），没有生产率波动（\( \sigma=0 \)），且损害函数是线性的（\( D(T) = \gamma T \)）。那么，模型退化为一个确定性AK增长模型。
在这个特例下：
- 社会计划者的问题简化为一个标准的确定性最优控制问题。
- 可以证明，最优SCC（以消费为单位）为：
  \[SCC_t = \frac{\gamma Y_t}{\rho + \delta - (1-\theta)g}\]
  其中 \( g \) 是经济增长率。
- 直觉：SCC等于单位排放造成的边际产出损失（\( \gamma Y_t \)），除以有效贴现率（\( \rho + \delta - (1-\theta)g \)）。这个贴现率反映了社会对未来损害的折现。
本文的一般情形：本文的工作就是在这个确定性基准上，通过扰动分析（perturbation analysis），将灾难风险、临界点风险和生产率波动作为“小扰动”加入，从而得到修正后的SCC解析近似规则。这个规则是：
\[SCC \approx SCC_{deterministic} + SCC_{disaster} + SCC_{tipping}\]
其中 \( SCC_{disaster} \) 和 \( SCC_{tipping} \) 是扰动项，分别依赖于 \( \Gamma(T) \) 和 \( \Lambda(T) \) 的参数。
核心数学困难：在一般情形下，这是一个随机最优控制问题，其HJB方程是一个复杂的偏微分方程，通常没有解析解。作者的关键想法是：如果扰动（灾难风险、临界点风险等）足够小，那么最优解（包括SCC）可以围绕确定性基准解进行泰勒展开，从而得到一阶近似。这个近似规则虽然不精确，但足够准确，且具有清晰的解析形式。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在AK增长模型框架下，推导一个同时包含气候灾难复发风险、不可逆级联气候临界点风险和全要素生产率损害的最优风险调整SCC的简单解析近似规则。
核心工具/方法：扰动分析（perturbation analysis），将复杂的随机最优控制问题围绕一个确定性基准解进行一阶泰勒展开，得到SCC的解析近似。
主要结论：该三部分相加的规则（确定性SCC + 灾难风险项 + 临界点风险项）能很好地逼近真实数值最优解，尤其当小参数足够小时。在基准校准下，SCC为172美元/吨CO₂，其中70%归因于灾难复发风险，9%归因于临界点风险。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

假设1：AK生产函数。\( Y_t = A_t K_t \)。这是一个强假设，意味着资本是唯一的生产要素，且规模报酬不变。它使得模型在解析上可处理，但忽略了劳动力和自然资源。
假设2：CRRA效用函数。\( u(C) = C^{1-\theta}/(1-\theta) \)。这是宏观经济学中的标准假设。
假设3：确定性温度动态。\( dT_t = [\mu_t E_t - m T_t] dt \)。这是本文解析可处理性的关键。作者假设温度变化是确定性的，没有随机冲击。这意味着所有不确定性都来自灾难和临界点事件，以及生产率冲击。相比已有文献（如Lemoine & Traeger 2014），这是一个强化的假设。
假设4：灾难和临界点风险是泊松过程。其强度是温度的指数函数：\( \Gamma(T) = \pi_0 e^{\xi T} \), \( \Lambda(T) = \lambda_0 e^{\zeta T} \)。这是一个简化，但抓住了“风险随温度升高而加速”的关键特征。
假设5：小参数假设。作者假设以下参数“足够小”：
- \( \gamma \)：损害函数中的温度敏感性（损害占GDP的份额）。
- \( \xi \)：灾难风险对温度的敏感性。
- \( \zeta \)：临界点风险对温度的敏感性。
- 这些“小参数”是扰动分析有效的前提。相比已有文献（如Cai et al. 2015），这是一个限制性假设，但作者通过数值实验验证了其合理性。
假设6：贴现率不太低。\( \rho + (\theta-1)g \) 不能太小。这是为了保证SCC的积分收敛，且扰动项不会太大。

主要结果¶

定理1（SCC的解析近似规则）：
\[SCC_t \approx \underbrace{\frac{\gamma Y_t}{\rho + \delta - (1-\theta)g}}_{\text{确定性SCC}} + \underbrace{\frac{\phi \pi_0 e^{\xi T_t} Y_t}{\rho + \delta - (1-\theta)g + \pi_0 e^{\xi T_t}}}_{\text{灾难风险项}} + \underbrace{\frac{\chi \lambda_0 e^{\zeta T_t} Y_t}{\rho + \delta - (1-\theta)g + \lambda_0 e^{\zeta T_t}}}_{\text{临界点风险项}}\]
- 直觉：每一项都是“单位排放造成的期望损失”除以“有效贴现率”。灾难和临界点风险项的分母中多了一项风险本身的强度，这反映了风险会“自我加速”的效应。
- 必要条件：小参数假设成立，且贴现率不太低。
- 解决的技术难点：如何从随机HJB方程中提取出这一阶近似。作者使用了值函数的扰动展开，将值函数写为 \( V(K, T) = V_0(K, T) + \gamma V_1(K, T) + \xi V_2(K, T) + \zeta V_3(K, T) + ... \)，然后求解各阶项。
定理2（近似规则的准确性）：
- 作者通过数值模拟，将近似规则与精确数值解（通过求解HJB方程得到）进行比较。
- 核心量化结论：在基准校准下，近似规则与数值解的偏差小于1%。当小参数增大（如\( \gamma \)从0.01增加到0.05）时，偏差增大，但仍在5%以内。
- 与baseline对比：作者将他们的SCC（172美元/吨CO₂）与Nordhaus DICE模型（约50美元/吨CO₂）和Golosov et al. (2014) 的确定性SCC（约30美元/吨CO₂）进行了对比，说明纳入不确定性后SCC大幅提高。
定理3（规则的稳健性）：
- 作者将规则应用于AK模型的不同供给侧设定：
  - 化石燃料生产的技术进步：假设化石燃料开采成本随时间下降。
  - 多经济部门：假设有多个部门，每个部门有不同的排放强度。
- 结论：近似规则在这些扩展设定下仍然保持很高的准确性（偏差<2%）。这表明规则对模型细节不敏感，具有稳健性。

证明路线与技术技巧¶

整体路线：
1. 写出HJB方程：对于随机最优控制问题，写出值函数 \( V(K, T) \) 满足的HJB方程。这是一个复杂的偏微分-积分方程。
2. 猜测解的形式：由于AK模型和CRRA效用，猜测值函数具有形式 \( V(K, T) = \frac{(K \cdot \Phi(T))^{1-\theta}}{1-\theta} \)，其中 \( \Phi(T) \) 是一个未知函数。
3. 扰动展开：将 \( \Phi(T) \) 围绕确定性基准解（\( \gamma=\xi=\zeta=0 \)）进行泰勒展开：\( \Phi(T) = \Phi_0(T) + \gamma \Phi_1(T) + \xi \Phi_2(T) + \zeta \Phi_3(T) + ... \)。
4. 求解各阶项：将展开式代入HJB方程，并匹配 \( \gamma, \xi, \zeta \) 的各阶项。这会将复杂的HJB方程分解为一系列常微分方程，每个方程都可以解析求解。
5. 推导SCC：从值函数的一阶条件中，可以推导出最优消费和减排路径，进而得到SCC的表达式。SCC的解析近似规则就是由这些一阶项组合而成。
关键跳跃点：
- 从HJB方程到常微分方程：这是最吃功夫的一步。作者巧妙地利用了AK模型和CRRA效用的齐次性，将值函数分解为资本和温度的函数，从而将偏微分方程简化为关于温度 \( T \) 的常微分方程。这个技巧在宏观经济学中很常见，但应用于气候模型是本文的一个贡献。
- 处理泊松跳跃项：HJB方程中的泊松跳跃项（灾难和临界点）是非线性的。作者通过一阶泰勒展开将其线性化，从而得到可解析处理的项。这是扰动分析的核心。
技术技巧点名：
- 扰动分析（Perturbation Analysis）：核心工具，用于处理小参数。
- 值函数猜测（Value Function Guess）：利用模型结构猜测解的形式，简化问题。
- 常微分方程求解（ODE Solving）：将复杂的PDE简化为可解的ODE。
- 泊松过程的一阶近似（First-order Approximation of Poisson Jumps）：将跳跃项线性化。

真实例子与应用¶

用的什么数据/场景：作者没有使用真实世界的气候或经济数据。他们使用校准的参数（来自IPCC报告、DICE模型、以及气候经济学文献）来构建一个基准场景。例如，他们设定 \( \gamma = 0.01 \), \( \pi_0 = 0.02 \), \( \xi = 0.5 \), \( \lambda_0 = 0.005 \), \( \zeta = 0.5 \), \( \rho = 0.02 \), \( \theta = 2 \) 等。
怎么把本文方法用上去：作者将他们的解析近似规则应用于这个基准场景，计算出SCC为172美元/吨CO₂。然后，他们通过数值求解完整的HJB方程（使用有限差分法）来验证这个近似值的准确性。
得到什么结果：近似规则与数值解的偏差小于1%。作者还进行了敏感性分析，改变关键参数（如 \( \gamma, \xi, \zeta, \rho \)），发现近似规则在参数变化时仍然准确。
这个例子想说明什么：这个例子旨在验证理论——证明他们的解析近似规则在现实参数下是准确的。它同时也是一个展示——说明该规则可以轻松地用于计算SCC，并分解其不同组成部分的贡献。

🔎 结论是否比证明窄¶

是。作者在结论中声称他们的规则“准确”，但证明中严格成立的条件是小参数假设。在参数较大（如 \( \gamma > 0.05 \)）或贴现率很低（如 \( \rho < 0.01 \)）时，作者在文中承认“近似可能变得不准确”，但未给出严格的误差界。因此，结论“准确”是一个经验性的、基于数值模拟的结论，而非严格的数学定理。
具体语句：在定理2的陈述中，作者写的是“The rule approximates the true numerical optimum well, especially if the small parameters are small enough and the discount rate is not too small.” 这里的“well”是一个模糊的定性词，而非严格的 \( O(\epsilon^2) \) 误差界。

四、开放问题¶

严格的误差界：本文的近似规则缺乏一个严格的、解析的误差界（如 \( O(\gamma^2 + \xi^2 + \zeta^2) \)）。能否推导出这样的误差界，从而明确规则在什么参数范围内是“可靠”的？（扎根于：定理2的陈述中“well”的模糊性，以及作者承认的“approximation may become inaccurate”）。
内生灾难概率：本文假设灾难和临界点的发生概率是温度的指数函数。能否将其内生化，例如，让概率依赖于资本存量或减排努力？（扎根于：假设4的简化性质，以及作者在结论中提到的“extending the model to allow for endogenous disaster probabilities”）。
异质性主体与代际公平：模型假设了代表性主体。如果引入异质性主体（如不同国家、不同世代），SCC的解析规则会如何变化？代际贴现率的选择（如使用“社会时间偏好率”还是“消费贴现率”）对结果有何影响？（扎根于：作者在结论中提到的“distributional concerns”和“ethical considerations”）。
与高维统计/因果推断的连接：本文的扰动分析本质上是一种局部近似。在因果推断中，类似的思路出现在局部平均处理效应（LATE） 和边际结构模型中。能否将本文的“小参数扰动”框架与因果推断中的“弱IV”或“局部识别”联系起来？例如，当灾难风险对温度的敏感性（\( \xi \)）很小时，SCC的识别是否变得“弱”？（这是一个跨领域的、开放性的连接问题，需要研究者自己判断其价值）。

Maintained by 陈星宇 · Homepage · Source on GitHub