气候风险预警平台

基于系统临界转变理论，依托全国 34 个省级行政区、2844 个县级站点气象数据，实时测算气候风险指标，为相关研究与决策提供数据支撑与政策参考。

2,844

县级监测站点

省市自治区

24h

实时动态分析

今日访问

总访问

南昌大学经济管理学院 · 智慧金融决策与产业应用实验室 · 前湖金融研究会

京ICP备2026016846号

气候风险预警平台

Climate Risk Early Warning System · IFD Lab

全国风险均值

SD.PTPI 综合指数

突变点检测

PELT 算法识别

数据覆盖天数

分析时间窗口

分析控制面板

数据配置

分析区域

时间范围

视图配置

查看区域/省份

显示风险突变点 (PELT)

网络筛选

下界

上界

运行日志

下载数据表格 (Excel)

气候风险指数统计

气候风险指数排名

核心指标汇总统计

气候风险指数时序与突变检测

省份风险关联网络

各省气候风险指数地图

平台概况

气候风险预警平台

本平台旨在通过实时监测气候风险指标，为相关研究与决策提供数据支撑与政策参考。

本平台基于系统临界转变理论，依托我国34个省级行政区、2844个县级站点气象数据，实时测算全国气候风险指标。

核心指标与算法

指标	名称	计算方法	详细含义	现实意义
DTR	日温差	当日最高气温减去当日最低气温	最基本的原始气象指标	反映单日气温波动幅度，是气候风险和极端事件的基础观测值
Z-score _ΔDTR	标准化差分温差	先一阶差分后进行Z-score标准化处理	数据预处理步骤	消除量纲和趋势影响，便于跨区域/时段比较气温波动的异常程度
γ	局部波动强度	取21日窗口内数据，求其协方差矩阵上三角绝对值的均值	序列自身的波动聚集性	衡量气候系统内部变量间的协同变化强度，是识别临界点的先行信号
PTPI	协同性变化速率	对 γ 序列进行一阶差分	衡量波动率的变化情况	捕捉气候系统从稳定到不稳定的转变速度，上升越快，临界转变风险越高
SD.PTPI	风险指数	对PTPI序列计算5日滚动标准差	衡量波动加速情况的稳定性	综合反映气候复杂系统的不稳定性与风险水平

平台功能

(1) 气候风险统计： 全国各地区气候风险指数实时计算与统计排名。

1 气候风险指数统计： 各省份风险指数均值排名表。

2 气候风险指数排名： 横向条形图展示风险最高的省份。

3 核心指标汇总统计： DTR / Z-score _ΔDTR / γ / PTPI / SD.PTPI 五项指标的均值、标准差、中位数、分位数等统计概览。

(2) 气候风险分析：

1 气候风险指数折线图表： 可交互的时间序列曲线，鼠标悬停显示日期与SD.PTPI值，突变点以红色圆点标注。

2 气候复杂系统网络分析： 基于相关性的环形网络图，灰色(<0.5)、浅红(0.5~0.75)、亮红(>0.75)三级分色。

(3) 气候风险概览： 基于全国各地区气候风险数据的指数地图（基于 ECharts 插件和 timeline 组件）。

1 各省气候风险地图： ECharts中国地图，内置timeline组件实现逐日播放。

南昌大学智慧金融决策与产业实验室介绍

南昌大学智慧金融决策与产业应用实验室（Laboratory for Intelligent Financial Decision-Making and Industrial Applications, LIFDIA）是一个面向国家数字经济发展战略需求，以人工智能前沿技术为核心，深度融合金融学、心理学、神经学、数据科学、管理学与社会学等多学科理论，致力于解决现实世界中复杂决策问题的交叉学科研究平台。实验室秉承'前沿创新、产教融合、服务社会'的理念，旨在成为连接学术界与产业界的重要桥梁，推动智慧决策技术在关键领域的创新应用与落地。

联系方式： yangyanhao2001@163.com

联系地址：江西省南昌市红谷滩区学府大道999号南昌大学智华经管楼

联系方式

平台负责人 邢凯副教授

南昌大学经济管理学院金融学系主任

南昌大学智慧金融决策与产业应用实验室主任

江西产业金融发展研究院执行院长

长江经济带研究院高级研究员

xingkai@ncu.edu.cn

Kai.Xing@amss.ac.cn

研究团队

吴鄢恒

1777943771@163.com

杨衍昊

yangyanhao2001@163.com

技术文档

参考文献

Xing, K., Yang, Y., Peng, D., Su, Y., & Xiao, F. (2026). Exploring the impact of climate risk on economic activities by capturing critical transitions in the climate system. China Finance Review International , Vol. ahead-of-print No. ahead-of-print. https://doi.org/10.1108/CFRI-06-2025-0404

Xing, K., & Yang, X. (2019). How to detect crashes before they burst: Evidence from Chinese stock market. Physica A: Statistical Mechanics and its Applications, 528 , Article 121392. https://doi.org/10.1016/j.physa.2019.121392

Scheffer, M., Carpenter, S. R., Lenton, T. M., et al. (2012). Anticipating critical transitions. Science, 338 (6105), 344-348. https://doi.org/10.1126/science.1225244

数据来源

Open-Meteo Archive API

主要工具

R Shiny | changepoint | echarts4r

AI 辅助开发声明

本应用在开发过程中，使用了多种大型语言模型辅助完成部分代码生成与初步逻辑优化。应用的整体架构、核心算法、数据流程及最终实现均由作者进行设计、验证与整合，并对其正确性与完整性全权负责。