韩国国会未来研究所（National Assembly Futures Institute）的 Haein Cho 和美国北阿拉巴马大学等机构的 Emmanuel Ackom 等研究人员，针对上述问题展开了 “AI 驱动的气候行动与可持续发展” 的研究。他们通过深入分析，发现国家的经济状况与气候行动和 SDGs 的协同程度密切相关，这一结论为后续政策制定提供了重要参考依据。该研究成果发表在《Nature Communications》上，引起了广泛关注。

研究人员在此次研究中主要运用了机器学习分类器和自然语言处理（NLP）两种关键技术方法。研究数据来源于联合国可持续发展知识平台的自愿国家审查（VNR）报告、《可持续发展报告 2022》的 SDG 记分卡以及联合国气候变化框架公约（UNFCCC）网站的 NDCs 。通过机器学习分类器对 SDG 指标数据进行分析，筛选出与 NDC 目标关联紧密的特征；利用 NLP 技术处理 VNR 报告文本数据，探究国家 SDG 愿景与 NDC 目标的相关性。

在研究结果部分，首先是基于分类器的特征选择。研究人员对比逻辑回归（LR）、极端随机树（ET）和随机森林（RF）三种方法计算的特征重要性得分，发现不同分类器筛选出的关键特征存在差异。LR 选择失业率（SDG 8），ET 选择塑料垃圾出口量（SDG 12），RF 则认为腐败感知指数最为重要。但三种模型都将卫生和教育方面的政府支出列为前 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、卫生和实现发电 100% 脱碳。生物多样性保护区相关指标在三个模型中也较为常见，如丹麦在相关指标上表现突出，其通过立法保护生物多样性，“基于自然的解决方案（NBS）” 对实现 NDC 目标具有重要意义。ET 和 RF 还共同关注塑料垃圾出口这一特征，斯洛文尼亚等国塑料垃圾出口得分较高，其对循环经济的重视影响了 NDC 目标的制定。此外，研究发现尽管普遍认为 SDG 13 与 NDC 目标相关性高，但 SDG 2 和 SDG 3 出现频率更高，这表明公共卫生问题与应对气候变化的国家承诺相互作用较强。

其次是基于自然语言处理的自愿国家审查评估。运用 NLP 技术和多维缩放技术对各国 VNR 文件内容相似性进行分析，发现高收入经济体中的欧盟成员国在图中左上角形成集群，具有一定相似性，而意大利因其独特的 SDG 进展分析方式与其他欧盟国家存在差异。右下角的朝鲜、蒙古和纳米比亚也形成一个集群，它们在 VNR 报告中都频繁提及气候变化、灾害风险和性别平等相关内容。

再者是可持续发展目标、愿景和国家自主贡献的现状。分析 NDC 目标和 SDG 13（气候）得分发现，高排放国家往往 NDC 减排目标较低，且大多为发展中国家，这意味着需要实现经济增长与温室气体排放和环境退化的脱钩 。对比 SDG12 中塑料出口得分和 NDC 目标，发现欧洲国家在 SDG12 上的结果比 SDG13 更具差异性，部分国家在不同指标下的分类情况有所不同。同时，通过关键词网络分析发现，不同国家在可持续发展目标的侧重点上存在差异，韩国强调经济、环境和社会的中心地位，意大利和加拿大则分别侧重于平等获取和原住民社区的融入。

在研究结论和讨论部分，研究表明当前 SDGs 的得分可能与部分国家低 NDC 目标水平相对应，而 NDC 和 SDGs 目标的雄心程度受国家经济系统、表现和政治领导等因素影响。实现《巴黎协定》和 SDG 议程很大程度上依赖国家资源和能力，因此绿色增长战略至关重要，但不同国家的脱钩程度存在差异，未来需进一步研究促进脱钩的因素。此外，国家发展计划（NDPs）与 NDC 报告的对比分析显示，多数国家将 NDC 行动与发展计划相联系，但 NDC 报告涵盖部门范围较窄，存在政策干预不协调等问题 。同时，各国在缓解和适应战略的实施上存在差异，影响 SDGs 的优先设定，应综合考虑两者以加深对气候行动和可持续发展联系的理解。

该研究的重要意义在于，提出了一种基于 AI 的新方法来探究 SDGs 和 NDCs 的关系，为政策制定者提供了更全面、深入的信息，有助于制定更有效的政策，促进气候行动与可持续发展的协同。虽然 AI 技术在研究中展现出强大的能力，但也面临可解释性等挑战，未来需要进一步探索解决这些问题的方法，以更好地推动相关领域的发展。