1954-2022年中国应对气候变化政策力度测算

　　

量化中国气候变化政策力度：1954 - 2022 年的深度剖析

中国环境规划院（Chinese Academy of Environmental Planning）的研究人员 Bo Li、Enxian Fu 等人在《Scientific Data》期刊上发表了题为 “Measuring China’s Policy Stringency Data Descriptor on Climate Change for 1954–2022” 的论文。该研究通过构建新的数据集，精确量化了 1954 - 2022 年中国气候变化政策的严格程度，为深入理解中国气候政策的发展演变、评估政策效果以及为后续政策制定提供了关键依据，对推动全球气候治理研究有着重要意义。

一、研究背景

全球在气候政策领域已取得显著进展，其在减缓气候变化、适应气候变化等方面发挥了重要作用，比如在部分国家、行业和技术领域成功避免了大量温室气体排放。然而，当前气候政策仍存在诸多问题。从全球来看，距离实现温控目标，现有政策的预期效果与实际供给之间存在巨大差距。

传统的气候政策定义和分类较为狭隘，仅聚焦于专门针对气候变化制定的政策，导致许多对气候变化有间接影响的政策被忽视。例如，一些旨在解决市场失灵的经济政策，在改善系统整体韧性的同时，也能间接支持气候缓解或适应，但在现有研究中常被忽略。

中国在应对气候变化方面面临独特挑战。自 1953 年第一个五年计划实施以来，中国的煤炭消费、温室气体排放和 GDP 增长呈现上升波动趋势。在早期，中国就开展了一系列与气候相关的实践活动，如 20 世纪 50 年代的节能、水利和造林举措，这些虽未明确基于气候变化背景，但在如今看来对减缓气候变化具有积极意义。

此外，中国建立了全面的自上而下的气候治理行政体系，但气候政策在各部门和领域存在分散和重叠的问题。随着全球趋势和国内需求的发展，中国的气候治理目标变得更加多元，单一的气候政策定义已无法涵盖国家行动和历史政策行为的全貌。

在研究方面，当前关于气候政策的研究存在诸多不足。现有数据集常基于主观标准构建，难以确保全面覆盖有效政策措施；缓解和适应政策往往分开研究，缺乏对两者协同效益和权衡关系的深入理解；对政策实施和扩散过程，尤其是空间差异的研究不足；同时，对全球主流气候治理框架下的政策选项缺乏与中国实际情况的细致匹配。

二、研究材料与方法

（一）数据收集

研究人员依据对气候变化政策的定义，广泛收集可能影响气候变化的政策。确定了 8 个数据来源，包括政府出版物档案、第三方数据库和学术数据集等，涵盖了从 1954 - 2022 年的众多政策，初步建立了包含 24000 多条记录的基础政策池。同时，构建了元数据数据库，为每条政策分配唯一标识符，详细记录政策的标题、类别等关键信息，并通过网络爬虫获取政策详细内容，确保元数据与政策文档准确关联。

（二）数据预处理

针对多源数据格式多样的问题，研究人员采取了一系列标准化处理措施。对于不同格式的文件，如 PDF、TXT、DOC 和 JPG 等，分别运用相应的技术手段提取文本内容，如 PDF 解析、OCR 技术、机器翻译等，并使用正则表达式进行文本清洗，将数据统一转换为 TXT 格式。

利用大语言模型（LLM）建立了过滤和分类系统。选择 GPT - 4o 作为主要模型，Qwen - 72B 作为提示增强模型，通过系统设计的提示工程，结合思维链（Chain - of - Thought）等技术，对政策进行筛选和分类。一方面，识别具有缓解或适应气候变化潜力的政策；另一方面，将政策按政策工具类型分为命令控制型（CCI）、市场混合型（MXI）和自愿型（VOI）。在这个过程中，通过多种学习方式进行提示工程优化，并使用准确率、精确率、召回率和 F1 分数等指标评估 LLM 的性能。

（三）PSCC 评估与建模

为准确评估气候变化政策的严格程度（PSCC），研究人员构建了包含手动评级、政策文本分析和机器学习建模的综合框架。

手动评级方面，从政策措施、政策目标、实施情况和空间差异四个核心方面对政策进行评估。在缓解和适应子维度下分别评估政策措施和目标，实施情况分为严格、一致和宽松三个等级，采用 1 - 3 - 5 的评分标准，空间差异通过主成分分析（PCA）计算空间尺度因子来体现。

文本分析阶段，考虑到词频分析的局限性，采用 TF - IDF 算法对文本进行特征提取。在计算 TF - IDF 值之前，进行词干提取或词形还原、去除标点和特殊字符、处理缺失数据等预处理操作，以提高分析精度。

机器学习建模环节，选用了包括线性回归（LM）、弹性网络（Elasticnet）、套索回归（Lasso）、支持向量机（SVM）、极端梯度提升树（XgbTree）、立方体贴图回归模型（Cubist）、基于地球函数的多元自适应回归样条袋装模型（BagEarth）和随机森林（RF）等多种算法。以平均绝对误差（MAE）和均方根误差（RMSE）作为评估模型性能的指标，通过 10 折交叉验证并重复三次来准确估计误差，同时对部分模型进行超参数优化。

（四）技术验证

验证 LLM 分类系统的性能时，在 800 条标记政策上训练和评估模型，测试七种不同提示场景，最终确定指令 + 少样本 + 思维链 + 增强的提示场景表现最佳。通过随机抽取政策进行手动标注，并与模型预测结果对比，进一步验证了系统的可靠性。

对多种机器学习模型的性能进行比较，发现随机森林在 MAE、RMSE 和残差方面表现最佳，因此选择其用于 PSCC 评估。利用 KernelSHAP 方法对随机森林模型进行 SHAP 分析，识别出对模型预测贡献显著的变量。

将研究得到的 PSCC 数据与 Zhang et al.（2022）、OECD（2016）和 Dong et al.（2024）的相关数据集进行比较。运用动态时间规整（DTW）算法测量趋势相似性，结果表明该研究的 PSCC 有效反映了政策严格程度的演变趋势。

三、研究结果

（一）数据集概况

研究构建了涵盖 1954 - 2022 年中国气候变化政策严格程度的数据集，包含 2216 条经过清洗和整理的政策记录。数据集以年序列格式组织，详细记录了每条政策的多种信息，如政策类型、所属领域、手动评级和机器学习计算的严格程度得分等。同时，提供了多层跨部门词汇表的整体版本和拆分版本，以及 README 文件指导数据使用和分析。

（二）LLM 分类系统性能

经过验证，指令 + 少样本 + 思维链 + 增强的提示场景在政策过滤和政策工具分类任务中表现最优。通过手动评估随机抽取的政策样本，发现模型预测与手动标注结果高度一致，成功分类出 2007 条命令控制型政策、152 条市场型政策和 57 条自愿型政策，验证了 LLM 分类系统的稳健性和可靠性。

（三）机器学习模型性能

在多种机器学习模型中，随机森林的 MAE、RMSE 和残差最低，表现最为出色，因此被选定用于评估 PSCC。

（四）SHAP 分析结果

SHAP 分析表明，在估计 PSCC 时，缓解维度的变量比适应和实施维度的贡献更大。与能源、AFOLU（农业、林业和其他土地利用）、工业、空间差异和实施相关的词汇对估计 PSCC 的贡献较高。从政策措施和目标角度看，政策措施的贡献高于政策目标。通过 SHAP 依赖图可以看出，不同变量的重要性随自身值和 PSCC 值的变化而变化，部分变量如工业系统、能源系统等与 PSCC 呈正相关，而氟化特征的影响则较为分散。

（五）与现有数据集比较

与 Zhang et al.（2022）的数据集相比，两者在一些重大气候事件对应的趋势上拟合良好，但在部分事件上存在差异，主要是由于早期中国环境政策与气候政策的模糊性。与 OECD（2016）的数据集相比，由于评估方法不同，两者趋势差异较大，该研究的文本分析方法在捕捉政策主题和方向变化上更具优势。与 Dong et al.（2024）的数据集相比，虽有波动差异，但在一些关键事件上趋势一致，差异主要源于特定时期中国政策的重点不同。

四、研究结论与讨论

该研究成功构建了 1954 - 2022 年中国气候变化政策严格程度的数据集，通过创新的研究方法，全面量化了中国气候政策的严格程度，并深入分析了其影响因素和变化趋势。研究成果具有多方面的重要意义。

从理论层面看，研究拓展了气候政策的定义，将所有对气候变化有直接或间接影响的政策纳入研究范畴，深化了对气候政策的理论理解。从实践角度出发，精确量化的 PSCC 数据为评估政策效果、分析政策对经济、环境和社会的综合影响提供了有力支持，有助于政策制定者制定更具针对性和有效性的政策。

在研究方法上，融合了词汇表、文本分析、机器学习和大语言模型等多种技术，为气候政策研究提供了新的思路和方法。特别是大语言模型在政策筛选和分类中的应用，以及 SHAP 分析对模型可解释性的增强，提高了研究的准确性和可靠性。

此外，通过与现有数据集的比较，明确了该研究数据集的优势和特点，也为后续研究提供了参考。未来研究可以在此基础上，进一步利用集成机器学习模型和先进技术提高 PSCC 预测精度，完善词汇表以适应快速变化的政策环境，深入研究政策严格程度的空间差异，探索 PSCC 与其他变量的关系，以及分析政策实施与其他维度的相互作用，从而为全球气候治理和中国气候政策的优化提供更深入的见解和更有力的支持。