灾难何时成为系统性事件？估算间接

2（c）描述了政府债务与GDP的比率，并表明增长和失业率的动态，以及我们假设由政府提供的转移，以完全补偿家庭失去住房的灾难救济，所有这些都导致该比率在过去三年（2015-2018年）后最初上升约2 pp，政府债务与GDP之比暂时略低于其初始水平，但从长期来看，与基线情景（250年事件）相比，稳定在2%以上的增长。严重灾害在事件发生后立即产生了明显的负面经济影响，从长远来看，模拟1500年一遇洪水事件的严重灾害情景如图2所示（黑线）。直接损失总额约占奥地利股本的10%。此次冲击后的间接经济影响在质量上不同于中等灾难情景。对GDP增长的最初总体影响明显为负，GDP增长累计减少约5个百分点，见图2（a）。由于重建，经济增长在灾后一年迅速回升，并在灾后第二年（2015年）超过基准情景下的累计GDP增长，最终在2016年实现了约2个百分点的额外累计GDP增长。乘数加速机制【41】以及生产、产能和信贷约束（seeSI）在这一点之后将增长率向下拖累，导致2个百分点的增长，但在所测量的基础上增加了20%。2013 2014 2015 2017 2018 2019 2020 2021 2022 2023年5-4-3-2-1012345678按部门划分的GDP增长率累计变化【pp】房地产建设制造业图。3.

相对于基准情景，选定经济部门在经历了250年一遇事件后，累计增长对部门GDP的影响以百分比（pp）表示。阴影区域覆盖平均值上方和下方的一个标准偏差。所示行业：建筑业（黑色）、制造业（红色）和房地产业（蓝色）。灰色竖线表示食物的年份。负长期累积增长效应约为1.7 pp。失业率对严重灾害的反应强烈，初始累积增长超过1.5 pp，随后在2015年重建阶段下降至近2 pp，见图。2（b）。在劳动力市场明显中断后，由于周期动力学，失业率再次上升，累计变化约为0.5 pp（2020年），并在长期内稳定在接近基线情景的水平。灾难发生后，ZF立即向住户进行大规模的初始转移，以弥补其住房存量的损失，以及ZF收入和GDP的大幅下降，导致ZF债务与GDP的比率上升了10个百分点，见图2（c）。尽管由于重建的积极经济影响，这一比率很快恢复到初始水平，但由于粮食危机三年后的过度生产导致的经济下滑意味着这一比率随后将上升近10个百分点，使ZF财政长期严重恶化。我们假设，根据奥地利ZF以往在灾难救济方面的政治进程经验，此次转移将限制在存量总损失的三分之一左右。各行业和经济部门的影响差异很大。虽然中等程度的食品事件可以在中期产生积极的总体影响，但预计各经济部门的影响会显著不同。

图3证实了这一推测。它显示了250年事件对受影响最严重行业的影响。房地产行业（蓝线）从住宅资本存量的破坏中获得了实质性的支持：部门产出减少了4个多百分点。尽管建筑工程改善了初始状况，但该行业的累积增长变化仍然为负值，从长期来看，累计增长损失约为2个百分点。建筑业（黑线）立即从住房和生产资本的重建中获利，在繁荣后的第一年（2014年），行业GDP增长几乎达到6个百分点。在洪水后的第一年，重建速度加快，在洪水后的第二年（2015年）达到峰值，增长约6.5个百分点，之后几年，这一影响逐渐减弱，到洪水后的第七年（2020年）略有下降，此后保持在这一水平上相当稳定。恢复生产资本需要更多的时间。制造业（红线）的最大累计增长约为1个百分点，是在2015年之后的第二年，因为该行业为生产资本损失的重新弥补提供了大部分材料投入。在生产过剩和由此引发的经济周期导致的普遍低迷之后，我们发现，从长期来看（2019-2023年），该行业的累计GDP增长率比基准情景低了近1个百分点。对所有部门的影响见SI中的表S7。恢复力丧失——当灾难变成系统事件图时。4显示了GDP增长（相对于基线情景）的累积变化，作为灾难发生后不同时间内事件直接损害大小的函数：火灾发生后一年（2014年）、两年（2015年）和三年（2016年）。

正如可以预期的那样，直接损失越大，洪水灾害（2014年）后GDP增长的下降幅度就越大。在食品事件（2015年）后的第二年，经济活动的增加带来了积极的整体GDP增长。在第二年内，大部分初始损失已经得到补偿，即第二年的累积增长效应略为正，但对于小于250年的灾害，其增长率仍低于1%。对于更大的事件，经济表现出显著的增长，这是灾后重建所带来的，明显超过了直接损失。这一增长受到不同约束因素的限制（见SI），并开始下降，与灾难所造成的直接损失有关。直接损失占资本存量的百分比[%]-6-5-4-3-2-1012345678 GDP增长率的累积变化[pp]201420152016拐点w.r.t.经济增长250年事件100年事件1500年事件最大值：阈值自然灾害成为一种系统性事件。相对于基线情景，GDP增长的累积变化是直接损害占GDP百分比的函数。结果显示了灾难发生后的三个不同年份：2014年、2015年和2016年。阴影区域覆盖平均值上方和下方的一个标准偏差。事件发生后（2014年），所有灾害规模都与基线情景的负增长相关。相比之下，2015年和2016年存在GDP增长的反射点和最大值，表明直接损害规模的存在，分别是经济增长的“最佳”方面，并确定了自然灾害成为系统性事件的阈值。三：曲线的反射点出现在约2.4%的股本损失时。

今年GDP增长的累积变化表明，在最初的损害导致资本存量约3-4%的直接损失的地区，GDP增长达到最大值。在此最大值时，增长效应失去势头，间接损失开始超过最大值。事件发生后两年的情况类似（黑线）：虽然反射点的位置保持在2.4%左右，但增长刺激更为明显，最大值约为5%的直接损失。此时，经济增长受到严重抑制，恢复能力丧失，自然灾害成为系统性事件。讨论我们提出了一种新的方法，通过将概率物理损伤突变模型与宏观经济ABM相结合来估计自然灾害造成的间接经济损失。该方法已应用于奥地利的美食场景。ABM以1:1的比例根据奥地利经济（家庭、非金融和金融企业以及政府部门）进行校准，即模型中代表了奥地利的每个经济主体（约1000万）。作业成本法结合了64个行业的投入产出模型，所有商品和服务都是内生生产的，并描述了有关生产能力和个体代理人层面融资条件的相关约束。这使我们能够估计自然灾害的间接经济影响，这些自然灾害是由生产资本和住房最初遭到破坏后经济事件的发展顺序造成的。特别是，该模型显示了在累积GDP增长和其他主要宏观经济变量方面，可控规模的模拟灾害冲击对奥地利经济的间接经济影响。该模型在许多方面产生了现实的结果。

具体而言，研究结果与最近的实证研究结果吻合良好，包括部门细节和不同类型的灾害，如[7、8、10、14、18、35]。我们发现，100年一遇和250年一遇事件造成的中度损失具有较小但积极的中短期影响，同时也会导致类似程度的长期负面影响。这些结果与[10]尤其吻合，这表明发达经济体中中等规模的食品虽然会产生积极的短期至中期影响，但从长期来看，有轻微的负面累积影响。一项关于欧洲洪水灾害的企业级实证研究[14]进一步支持了中短期结果，该研究发现受洪水灾害影响地区的平均企业资产和就业增长率较高。[7，8]报告了短期至中期的正向增长效应，而[18]则表明自然灾害对发展经济学有正向的短期增长效应。[35]中还报告了气候灾害的长期负面影响。我们的研究是第一次在实证基础上估计发达经济体中严重流感的间接经济影响，同时利用我们的建模方法考虑复杂的经济互动和动态。对严重灾害的模拟，例如奥地利发生的1500年一遇的洪水事件，对奥地利经济造成了明显更为负面的长期经济影响。这些结果与[42]进行的理论分析一致，表明严重灾害的负面间接影响主要是由于现有资本存量、信贷供应和ZF融资的生产能力受到限制，从而阻碍了立即重建，从而对积极增长影响形成了上限。

关于严重流感的实证结果基本上是不确定的：[7-10、20、21]所有报告都没有，尤其是对系统性流感的影响不明显或（一旦控制）消失。特别是关于洪水灾害的最详细研究【10】，缺乏发达国家严重洪水的数据似乎无法得出该国家组的结果。该分析的一个独特之处是，灾害影响在64个行业部门中进行了分类，并随着时间的推移进行了同步跟踪，这表明积极的总体经济后果可能会导致特定动态下的赢家和输家。结果的部门分解显示，虽然一些为资本存量重建提供手段的部门可能会受益（主要是建筑部门，其次是制造部门），但其他受灾害影响特别大的部门则会遭受几年才能得到补偿的巨大损失（尤其是房地产部门）。我们以比以往研究更高的详细程度计算了跨部门损失的分布及其随时间的动态。具有内生动态特征的模型，如CGE模型，尽管它们描述了多达35个行业部门，如[30]，但通常是比较静态的CGE模型[30-32]，而完全动态的CGE模型通常只描述了一个输出良好，如[29]。此外，它们往往局限于小于国民经济规模的地区[31，32]。部门实证研究（如[7、8、10]）除了在方法上受到上述限制外，通常还将经济划分为两到三个聚合部门（农业、工业和/或服务部门）。

应用于可比环境的IOM模型，如[23]，通常利用国家IO表的全部范围（大多数60-70个行业），但缺乏ABM中存在的内生非线性动力学。我们表明，灾害会引发周期性经济反应，这种反应遵循经典的乘数加速器机制，如【43】所述。这一周期是由于重建阶段投资过度导致经济繁荣，而一旦资本存量恢复完成，需求就会减少。如【7、8、10】所述，由于资本存量、收入以及商品供求的初始损失，事件发生后立即产生的间接经济影响主要是负面的。重建带来的积极经济刺激至少会推迟四分之一，因为需要一些时间来弥补资本存量和收入的损失。这种冲动反过来又引发了一个经济周期。从长期来看，这一周期的后果往往超过重建活动所产生的积极经济影响。这种循环机制不同于熊彼特的创造性破坏或生产力效应，而熊彼特的创造性破坏或生产力效应一直是一些研究的重点，但却没有得到应有的重视。e、 他们比较了灾难前的初始平衡状态和灾难后的另一个平衡状态，而没有考虑这两个经济平衡之间的动态。我们在本研究中不考虑这一生产率影响，因为其经验相关性尚不清楚，并且在文献中受到广泛的质疑，其中不同的实证研究对自然灾害后的增长效应和相关的资本生产率增长提出了不同的证据。

关于生产力影响的进一步讨论，请参见[3]，关于生产力影响带来的积极增长影响的实证研究，请参见[44]和[45]，其结果与其他几项实证研究相矛盾，请参见[19、20、35、46、47]。债券社会福利准备金存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款存款。ABM结构示意图概述，显示机构部门（家庭、非金融和金融企业以及一般ZF）及其相互作用。堆叠条形图显示了ZF（白色）、企业（红色）和家庭（蓝色）直接（左侧）和间接（右侧）总损失的分布示例。除了[48]中的理论分析外，目前为止的文献中都有关注。本研究首次将概率物理损伤灾难模型与宏观经济BM相结合，以定量地将灾害规模与间接经济影响联系起来。我们发现累积GDP增长效应的一个非平凡行为是直接损害规模的函数。我们确定了一个阈值，超过该阈值，一个经济体的全部生产能力就被用来恢复被破坏的资本存量。在这一点上，约占破坏资本存量的5%，恢复力丧失，经济增长以直接损失为主。之前的研究（如[42]）迄今为止仅在理论和更广泛的基础上对这一问题进行了研究。我们认为，在与气候变化有关的潜在自然灾害日益频繁和严重的时候，预测其短期至长期的直接和间接经济影响是有利的。

尤其重要的是，确定这些事件的潜在经济输家，以便为危机后的有效管理做好最佳准备。材料和方法基于要素的小经济模型我们采用了[40]和[49]中开发的ABM，它以1:1的比例（约1000万代理人）描述了一个小国的经济（模型描述见SI）。该模型基于来自国民账户、投入产出表、政府统计、人口普查数据和商业调查的详细数据源，并能够接近主要宏观经济变量（GDP、通货膨胀、家庭消费、投资）的时间序列。模型的基本结构如图5所示。该模型根据澳大利亚2013年的经济情况进行了校准，可获得所需数据（见SI）。大型经济体仍然无法在合理的计算时间内进行此类模拟。模拟是在维也纳科学集群的超级计算机上进行的。洪水风险估计和破坏情景生成器我们使用copula方法估计奥地利洪水风险分布，并基于空间明确数据构建破坏情景生成器，以模拟ABM中64个经济部门的单个家庭、非金融和金融企业以及政府实体的损失。损伤场景生成器模拟了对ABM中单个代理的冲击，随后会改变他们的行为，并在特定时间段内产生更高阶的间接影响（见SI）。确认我们确认EC H2020项目SmartResility根据第700621号赠款协议提供的支持。计算部分在维也纳科学集群上进行。我们要感谢Georg P flugas教授和Dr。