人工智能（AI）驱动的气候行动和可持续发展方法

本研究展示了如何利用人工智能来揭示《巴黎协定》下的国家自主贡献与2030年可持续发展议程之间的联系。

　　

人工智能驱动的气候行动与可持续发展研究解读

韩国国会未来研究所（National Assembly Futures Institute）的研究人员 Haein Cho 与美国北阿拉巴马大学和加拿大英属哥伦比亚大学的 Emmanuel Ackom 合作，在《Nature Communications》期刊上发表了题为 “Artificial Intelligence (AI)-driven approach to climate action and sustainable development” 的论文。该论文聚焦于全球气候行动与可持续发展目标，创新性地运用人工智能技术进行深入探究，为相关领域的研究和政策制定提供了全新视角与重要依据，在应对全球气候变化和推动可持续发展进程中具有关键意义。

一、研究背景

2015 年签署的《2030 年可持续发展议程》和《巴黎协定》，旨在应对气候变化并实现可持续发展，二者存在诸多共同行动和优先事项。然而，在实际执行中，可持续发展目标（SDGs）和国家自主贡献（NDCs）常被分开处理，不同部门负责各自实施，缺乏有效协调，难以应对二者之间复杂的相互联系。尽管已有许多研究探讨 NDCs 与 SDGs 的一致性和相互作用，但传统研究方法存在一定局限性，例如在处理复杂数据库时，因建模计算能力和缺乏定量评估方法，难以深入分析二者之间的相互关系。在此背景下，人工智能技术的发展为解决这些问题提供了新方向。人工智能在诸多领域展现出强大的问题解决能力，能够分析包含多样信息的大型数据库，识别其中的相互作用和因果关系，为研究 NDCs 与 SDGs 的关系提供了更有效的手段。

二、研究材料与方法

（一）数据收集

研究采用了三个数据集：从联合国可持续发展知识平台下载 2015 年至 2021 年初的 247 份自愿国家审查（VNR）报告，最终选取 67 份英文且最新发布的报告；从可持续发展报告 2022（SDR）的在线数据库获取数据，SDR 由可持续发展解决方案网络编制，用于跟踪 193 个联合国成员国实现 17 个 SDG 目标及 120 个相关指标的进展；从联合国气候变化框架公约网站收集 194 份 NDCs，并从全球环境战略研究所网站下载排放目标值，且仅使用以百分比表示的无条件 NDC 目标以确保分析的一致性。

（二）关键技术路线

研究运用了机器学习分类器和自然语言处理（NLP）两种技术。在特征选择方面，使用逻辑回归（LR）、极端随机树（ET）和随机森林（RF）三种方法计算特征重要性得分，以选择与 NDC 目标最相关的 SDG 指标。在文本处理上，采用 tf - idf 技术将收集的文本转换为数值形式，并通过多维缩放（MDS）降低维度，以便在二维或三维图中展示文档。此外，通过绘制关键词网络，利用度中心性、中介中心性、模块性和边的厚度等指标分析关键词之间的关系。

三、研究结果

（一）基于分类器的特征选择

通过比较 LR、ET 和 RF 三种方法计算的特征重要性得分，发现不同分类器选择的最重要特征有所差异。LR 选择失业率（SDG 8），ET 选择塑料废物出口量（SDG 12），RF 则认为腐败感知指数最为重要。但三种模型都将政府在卫生和教育方面的支出列为前 5 个关键指标之一。例如，图瓦卢致力于将 22% 的国内生产总值用于教育、卫生和实现电力 generation 的 100% 脱碳。此外，生物多样性保护区相关指标在三个模型中都有出现，如丹麦在这方面表现突出。ET 和 RF 模型还都关注到塑料废物出口这一特征，如斯洛文尼亚塑料废物出口得分较高，该国将循环经济的实施视为可持续发展的重要举措。综合来看，尽管普遍认为 SDG 13 与 NDC 目标相关性高，但 SDG 2 和 SDG 3 中的相关指标在研究中频繁出现，这表明公共卫生问题与国家应对气候变化的承诺之间存在较强的相互作用。

（二）基于自然语言处理的自愿国家审查评估

利用 NLP 技术对各国 VNR 文件内容的相似性进行分析，通过多维缩放技术提取各国在二维空间中的坐标，以展示各国 VNR 视角的相似性。结果发现，高收入经济体的国家在图的左上角形成一个集群，主要由欧盟成员国组成，这表明这些国家在 VNR 内容上具有一定相似性。例如，欧盟将 SDGs 融入其政治指导方针和各项政策战略中。而意大利相对偏离该集群中心，这是因为意大利在 VNR 中更注重创造实现 SDGs 的有利环境，评估方式与其他欧盟国家不同。在右下角，朝鲜、蒙古和纳米比亚形成另一个集群，通过对比三国 VNR 内容发现，气候变化、灾害风险和性别平等相关的词汇对在三国 VNR 中都较为常见。

（三）可持续发展目标、愿景和国家自主贡献的现状

将 NDC 目标与 SDG 13（气候）得分进行对比，发现高排放国家往往 NDC 减排目标较低，且这些国家大多为发展中国家，这表明需要实现经济增长与温室气体排放和环境退化的脱钩。在分析 SDG12 中塑料出口得分与 NDC 目标的关系时，发现欧洲国家在 SDG12 上的结果比 SDG13 更具差异性，部分国家因 SDG12 - exp plastic 得分不同而被分类到不同组。例如，芬兰和意大利在 SDG12 - exp plastic 上得分较高，与其他欧盟国家分类不同。而一些 NDC 目标低于 15% 的国家，其 SDG12 - exp plastic 得分往往高于 90。此外，通过 NLP 分析发现，这些高塑料出口、低 NDC 目标的国家，其 VNR 报告内容与其他国家相似性较低。

（四）关键词网络

以韩国、意大利和加拿大为例绘制关键词网络，发现不同国家关键词网络存在差异。韩国的网络中，经济、环境和社会显示出较强的中心性；意大利和加拿大则分别强调土著社区的平等获取和包容。同时，各国网络中的关键词都与不同的 SDG 目标相关联，如韩国的经济相关节点可能与 SDG8 相关，意大利的多个社区覆盖了 SDG16 等，这反映出各国对不同 SDG 目标的重视程度不同。

四、研究结论与讨论

研究表明，当前 SDGs 的得分可能与 NDC 目标水平相对应，尤其是对于低目标国家。然而，NDC 和 SDGs 目标的雄心水平似乎受到国家经济系统、绩效和政治领导力的影响。实现《巴黎协定》和 SDG 议程在很大程度上依赖于国家资源和执行相关法律、实施可持续政策以及获取经济利益的能力。这也凸显了国际条约中强调国家经济增长与可持续发展相协调的重要性。

在绿色增长方面，不同国家的经济增长与环境保护的脱钩程度存在差异，未来研究需要确定促进脱钩影响的因素，并揭示它们之间的因果关系，以评估当前绿色增长政策框架的有效性，为未来气候政策提供依据。通过对国家发展计划（NDPs）的审查发现，多数国家将 NDC 行动与发展计划相联系，但 NDC 报告涵盖的部门范围较窄，未能充分反映国家计划的全面性，这可能导致政策制定者对气候相关部门的选择存在偏差，影响气候行动的实施范围。此外，各国在缓解和适应战略的实施上存在差异，这影响了国家 SDGs 的背景优先级设定。因此，在研究和政策制定中，需要同时关注缓解和适应两个方面，扩大研究范围，以更深入地理解气候行动与可持续发展之间的联系。

人工智能技术在本研究中展现出强大的潜力，能够识别与 NDC 减排目标密切相关的 SDG 目标，测量各国 NDC 报告信息的相似性，并说明 SDG 与 NDC 之间的相关性。作为一种前沿技术，人工智能可作为推动气候变化和可持续发展政策制定过程改进的助力。例如，分类回归树（CART）能够通过降低大型数据库的维度、分类关键后果和优先考虑风险因素，帮助政策制定者优先选择特定行动计划，并将其整合到国家发展计划中。然而，机器学习方法在确定因果关系方面存在局限性，尽管新的方法如多层感知器和递归神经网络等正在发展以克服这些挑战，但人工智能的黑箱性质仍然受到批评，其缺乏可解释性可能影响公众认知。为此，欧盟提出了《人工智能法案》，旨在规范人工智能在提供结论前必须呈现的透明度，确保其在人类监督下使用。

综上所述，该研究通过运用人工智能技术，深入分析了气候行动与可持续发展目标之间的关系，为政策制定者提供了重要的参考依据，同时也指出了未来研究的方向和人工智能技术在该领域应用的挑战与机遇，对推动全球气候行动和可持续发展具有重要的理论和实践意义。