本推荐介绍系统性风险研究的重要性。为应对气候变化引发的极端天气等冲击在多系统产生的级联效应，研究人员通过气候影响建模链、基于主体的可持续性投资博弈(ABM)及人工智能(AI)等方法，揭示了基础设施脆弱性、投资决策的长期后果及AI在适应中的应用。这些跨学科研究为理解和管理系统性风险提供了新视角，对实现可持续发展目标(SDG)具有重要意义。

　　随着全球气候变暖加剧，气候相关冲击——如极端天气事件——正通过错综复杂的联系引发跨部门、跨系统的级联和复合影响，形成难以忽视的系统性风险。这种风险不仅直接威胁基础设施和民生，更通过相互依赖的网络将局部危机放大为全局性挑战。传统单一学科的研究方法已难以应对这种多维、动态的风险格局，亟需通过跨学科合作来揭示风险传导机制并提升社会韧性。在这一背景下，科学家们开始探索如何将气候建模、社会经济分析和新兴技术相结合，以破解系统性风险的复杂密码。

　　为深入解析气候变化驱动的系统性风险，研究人员在《iScience》上发表了一系列创新性研究，通过整合多学科方法揭示了风险传导路径和治理策略。这些研究不仅开发了新的分析框架，还通过实证案例验证了方法的有效性，为系统性风险管理提供了科学基础。

　　研究主要采用了以下几种关键技术方法：一是基于开源数据的气候影响建模链，整合灾害、暴露度和脆弱性数据与网络模型，分析了30个国家700余次灾害对基础设施的影响；二是基于主体模型(Agent-Based Model, ABM)与离散动力系统结合的可持续性投资博弈，模拟可再生能源、不可再生能源和军事部门投资决策的长期互动；三是通过文献综述和专家访谈评估人工智能(Al)在气候变化适应中的应用，重点考察机器学习(如随机森林、人工神经网络和深度强化学习)在风险评估、政策评价和措施实施中的作用；四是系统风险分析流程，通过界定系统边界、识别系统因素和应用风险分层来区分个体风险与关联风险；五是基于翻译器的主体模型，整合自上而下和自下而上的数据，促进跨学科信息交换，应用于巴西COVID-19案例揭示不同社会阶级的暴露度和脆弱性差异。

　　Mühlhofer等人利用开源数据构建气候影响建模链，将灾害、暴露度和脆弱性数据与网络模型相结合，量化了全球30个国家700多次灾害对道路、学校、医院、电网和通信塔等关键基础南宫28圈官网设施的服务中断影响。研究发现，即使未直接受灾害影响的区域也会因系统互联性出现显著服务中断，特别是在依赖电力、交通和通信网络的医疗和教育领域。更值得注意的是，服务中断在贫困地区的影响尤为严重，其程度可达直接影响的十倍之多，凸显了基础设施网络韧性的紧迫性。

　　Bertolotti等人引入了可持续性投资游戏，该模型兼具基于主体模型(ABM)和离散动力系统特性，探索了可再生能源、不可再生资源和军事三个互联部门投资选择的长期后果。通过将主体决策映射到系统动力学，模型揭示了主体间战略互动与全球系统反馈的复杂关联，为理解部门相互依赖引发的系统性风险提供了混合建模框架。

　　Mehryar团队通过文献综述和专家访谈，系统评估了人工智能(Al)在气候变化适应中的应用。研究发现Al目前主要集中于风险和韧性评估领域，机器学习方法如随机森林、人工神经网络和深度强化学习使用频率最高。然而，由于社会经济数据匮乏，Al在脆弱性和韧性分析中的应用仍显不足，且现有政策分析多聚焦历史影响评估，缺乏对未来情景、协同效益和适应不当风险的前瞻性模拟。

　　Hochrainer-Stigler等人提出系统性风险分析流程，强调需结合全球风险分析与地方知识，通过识别系统边界和因素，应用风险分层区分个体层面风险与关联性风险。同时，Santos团队开发了整合性框架，通过翻译器主体模型桥接多尺度数据，在巴西COVID-19案例中成功追踪环境与社会系统间的反馈，揭示了不同社会阶级暴露度和脆弱性的显著差异。

　　研究表明，系统性风险在气候变化背景下通过基础设施互联、投资决策偏差和技术应用局限等途径被放大，需要跨学科方法才能有效应对。基础设施级联效应研究揭示贫困地区在服务中断中的脆弱性尤为突出，强调韧性建设的公平性维度；可持续投资模拟表明部门间相互依赖可能导致长期系统性风险，需通过综合决策规避；人工智能评估指出当前技术应用存在数据和方法论缺口，未来需加强前瞻性模拟和跨领域能力建设；风险分析框架创新则证明整合多尺度数据和地方知识对精准识别风险路径至关重要。

　　这些研究共同指出，气候变化驱动的系统性风险与可持续发展目标(SDG)的实现密切相关，既可能阻碍其进程，也可通过SDG导向的发展增强社会韧性。未来研究需进一步打破学科壁垒，深化科学家与决策者的协作，将模型创新转化为可操作的政策工具，最终构建能够抵御复杂风险冲击的韧性社会。