AI 技術對於氣候變遷和永續發展能有哪些方面的助益？

前言

SDGs 和 NDC 是時常在國際新聞中出現的詞彙。儘管 NDC 國家自主貢獻的數值直接連結至 SDG 13 氣候行動，但往往國家政策並沒有很嚴謹地評估，檢驗是否有落實兩者之間的連結，負責的權責單位往往也不一致。

新發表的研究論文藉由 AI 自然語言模型分析了許多國家報告，釐清各國在訂定SDGs、NDC以及後續成果追蹤過程中是否有相呼應，調查有哪些特殊因子會影響各國在永續發展以及氣候變遷議題上的表現。

重要關鍵字說明

• SDGs（Sustainable Development Goal, 永續發展目標）：
• • SDGs指的是2030年永續發展目標議程。
  • 這項議程設定了17個目標和169個具體目標，鼓勵各國實現永續發展。
  • SDGs議程要求各國設計和實施連貫且綜合的政策框架，以促進社會、環境和經濟發展的相互依存。
  • SDGs是基於國際協議，所有國家都應採取行動，使全球所有人受益，建立包容性社會，鼓勵多邊夥伴關係，並採取自下而上的方法，由參與國設計其執行計畫。
• NDC（Nationally Determined Contributions, 國家自主貢獻）：
• • NDC指的是國家自主貢獻，是《巴黎協定》要求各國設定的國家減排目標，並描述為實現這些目標所做的國家努力。
  • NDC的主要目的是減少排放，但各國也會描述為適應氣候變遷而做出的努力，以加強適應能力。
  • NDC的目標水準可能與目前的永續發展目標（SDGs）得分相對應，特別是對於目標較低的國家。
• VNR（Voluntary National Review, 自願性國家審查）：
• • VNR指的是自願性國家審查，是鼓勵各國每四到五年報告一次在實現永續發展目標（SDGs）方面進展的機制。
  • 本研究使用了來自67個國家的自願性國家審查（VNR）報告，這些報告以英文撰寫，並且是各國最新發布的報告。
  • 研究中應用自然語言處理（NLP）技術來分析VNR報告的內容，以檢視其與國家自主貢獻（NDC）目標的關聯性。
  • 透過比較各國VNR報告的內容，可以發現不同國家在永續發展方面的觀點和方法。
  • VNR報告中包含的資訊，可能受到各國經濟狀況、政治意識形態和政策重點的影響。

研究背景

2015年簽署了兩項重要的國際條約，即永續發展目標（SDGs）議程和巴黎協定，引導全球政策應對氣候變遷並實現永續發展。各國已承諾致力於實現 2030 年永續發展目標（SDGs）和《巴黎協定》，以應對氣候變遷。

• 永續發展目標議程設定了 17 個目標和 169 個具體目標，鼓勵各國實現永續發展，並要求設計和實施連貫且綜合的政策框架。
• 《巴黎協定》要求各國設定國家自主貢獻（NDCs）中的國家減排目標，並描述為實現這些目標所做的努力。

儘管永續發展目標（SDGs）與國家自主貢獻（NDCs）之間存在緊密的相互關聯，但兩者通常是被分開處理的。負責實施SDGs和NDCs的政府部門通常不同，且各自為政。因此，應用人工智慧（AI）來檢視NDCs和SDGs之間的相互作用，並為政策調整提供可行的見解。

此研究提出了一種人工智慧的方法，通過應用機器學習分類器和自然語言處理，探索國家對SDGs的承諾與減排目標之間的一致性。研究中使用了來自67個國家的自願性國家審查（VNR）報告和國家自主貢獻（NDCs）中的行動計劃。

研究方法

• 資料收集：
• • 研究使用了三個資料集：自願性國家審查（VNRs）、永續發展目標（SDG）記分卡和國家自主貢獻（NDC）碳減排目標。
  • 從聯合國永續發展知識平臺下載了 2015 年至 2021 年初期間的 247 份自願性國家審查報告，並選取了其中67份以英文撰寫且為各國最新發布的報告。
  • 從SDG記分卡儀表板下載了永續發展報告 2022（SDR）的線上資料庫。
  • 從UNFCCC網站收集了194份國家自主貢獻（NDCs），並從全球環境戰略研究所的網站下載了排放目標值。
  • 為了保持分析的一致性，本研究僅使用以百分比表示的目標，並且在有條件和無條件的NDC目標都可用的情況下，選擇無條件的NDC目標。
• 研究方法：
• • 應用機器學習分類器和自然語言處理（NLP）技術，分別對永續發展報告（SDR）和自願性國家審查（VNR）進行分析，以將它們對應到國家自主貢獻（NDC）目標。
  • 本研究選擇了對結果有顯著影響的重要特徵，以降低維度並避免過度擬合。
  • 使用隨機森林（RF）進行精確選擇。
  • 本研究應用 tf-idf 技術（詞頻-逆文件頻率）將收集到的文本轉換為數字形式。
  • 應用多維尺度分析（MDS）來降低維度，以便在二維或三維圖中表示每個文檔。
  • 使用餘弦相似度來衡量多維空間中兩個向量之間角度的餘弦值，以確定文檔或向量之間的相似性。
  • 使用詞對和權重繪製關鍵詞網路，以展示詞語之間的關聯以及不同群體或群體的形成方式。
  • 應用四種基本的中心性測量方法來分析網路中一個資料點的位置：程度中心性、介數中心性、模組性和邊的厚度。
  • 本研究應用了一些額外的指標，以比較VNR文檔與各國經濟、地理和環境特徵的相似性。
  • 根據地區（亞洲、非洲、美洲、歐洲、大洋洲）和世界銀行的國家收入水準分類（低收入、中低收入、中高收入和高收入國家）對國家進行分類。
• 機器學習分類器：
• • 比較了三種不同方法計算的特徵重要性分數：Logistic Regression (LR)、Extra Trees (ET) 和 Random Forest (RF)。
  • Extra Trees 隨機選擇特徵和分割。與使用子抽樣輸入資料的自舉副本的隨機森林不同，Extra Trees 使用整個原始樣本。
• 自然語言處理（NLP）：
• • 使用NLP檢查跨國家的VNR文檔內容的相似性。
  • 使用多維尺度技術提取x和y座標，即二維空間中一個點的水平和垂直位址，以識別每個國家的確切位置。

研究成果

• 中低收入且排放量高的國家，其國家自主貢獻（NDC）目標往往較低，並且自願性國家審查（VNR）報告中包含相似的資訊。
• 高收入國家的國家自主貢獻（NDC）與自願性國家審查（VNR）之間的一致性較低。
• 各國的經濟狀況與其氣候行動和永續發展目標（SDGs）的一致性有關。
• 所有三個模型（Logistic Regression, Extra Trees, Random Forest）都選擇政府在健康和教育方面的支出作為前五個關鍵指標之一。
• 在三個模型中，常見的主題是生物多樣性的保護區。
• Extra Trees (ET) 和 Random Forest (RF) 中常見的另一個關鍵特徵是塑膠廢料的出口。
• 儘管普遍預期 SDG 13 與 NDC 目標高度相關，但 SDG 2 和 SDG 3 的出現頻率最高。指標面向生命、福祉和健康，包括人類營養層級、兒童發育遲緩的普遍性、主觀福祉、出生時的預期壽命、孕產婦死亡率和全民健康覆蓋。
• 國家自主貢獻（NDC）目標的水準可能與目前的永續發展目標（SDGs）得分相對應，特別是對於目標較低的國家。
• 國家自主貢獻（NDC）和永續發展目標（SDGs）的目標水準似乎受到國家經濟體系、表現和政治領導力的影響。
• 自然語言處理（NLP）分析顯示，塑膠出口量高且國家自主貢獻（NDC）目標低的國家，其自願性國家審查（VNR）報告中的內容往往與其他國家不同。
• 關鍵詞網路分析顯示，韓國的經濟、環境和社會具有很強的中心地位。與之相比，義大利和加拿大沒有將這些詞作為中心詞。
• 本研究證明了使用人工智慧（AI）技術來揭示氣候行動與永續發展目標（SDG）之間相互作用的實用性和前景。

研究建議

• 決策者應利用人工智慧（AI）技術來檢測政策措施的模式、相互作用和因果關係，以便優先考慮特定的行動計畫，並將其納入國家發展計畫。
• 應審查國家發展計畫（NDP），以瞭解氣候行動如何被納入國家發展工作。
• 應分析國家在減緩和適應方面的利益，以瞭解各國如何設定永續發展目標（SDGs）的優先順序。
• 應擴大研究範圍，同時關注減緩和適應，以更深入地瞭解氣候行動與永續發展之間的相互關聯。
• 應加強國家能力建設，以促進所有相關參與者實施氣候行動，並加強各級政府之間的協調與合作。
• 應解決阻礙將氣候行動納入國家發展計畫的障礙，並制定加強國家和機構能力以實施國家自主貢獻（NDCs）的戰略。
• 各國應調整國家目標與永續發展目標（SDGs），並制定實現已確定永續發展目標的途徑。
• 應加強數據管理方面的跨部門協調，包括數據收集、驗證和數據收集。
• 應重視各國在人工智慧（AI）應用方面的數位合作。
• 需要未來的研究來確定促進脫鉤影響的因素，並揭示它們之間的因果關係，這可以作為未來氣候政策的基礎。

相關文章

歡迎留言分享，也期待你追蹤並加入沙龍，一起關心氣候變遷與碳移除。

與這個主題相關的文章連結整理如下：

機器學習所繪製的氣候政策地圖，這些政策研究的表現如何？

氣候調適與資金：聯合國報告中的現實與期望

臨界點與氣候行動的誤導性：更精確的理解與策略

全球氣候科技投資金額持續減少中，發生了什麼事？

CBAM真的能減緩氣候變遷嗎？

AI浪潮下的碳排責任：Microsoft的350萬碳權承諾與永續挑戰

VCMI自願性碳權策略工具指南：協助發展中國家參與自願性碳市場

COP29閉幕，承諾支持發展中國家之資金成長三倍

2024 年全球碳權投資吸引力國家排名分析

AI革命的隱藏成本，能耗與碳排有多少？

Gabriella Clare Marino on Unsplash