Kunstig intelligens analyserte 1500 retningslinjer for å redusere utslipp. Disse var vellykkede.

Forskere brukte maskinlæring for å analysere rundt 1500 klimapolitikker og identifisere de som dramatisk reduserte karbondioksidutslippene. Ditt studie, som i dag iVitenskappublisert fant at retningslinjer som kombinerer flere virkemidler er mer effektive for å redusere utslipp enn frittstående tiltak ¹.

Analysen identifiserte 63 intervensjoner i 35 land som resulterte i betydelige utslippsreduksjoner, og reduserte dem med gjennomsnittlig 19 %. De fleste reduksjonene var knyttet til to eller flere politikker. Til sammen reduserte de 63 retningslinjene utslippene med 0,6 til 1,8 gigatonn (Gt) karbondioksidekvivalenter.

Å få den riktige blandingen av politikk er viktigere enn å bruke mange forskjellige politikker, sier Annika Stechemesser, medforfatter og forsker ved Potsdam Institute for Climate Impact Research i Tyskland. For eksempel i Storbritannia fungerte utfasingen av kullkraftverk fordi det ble brukt i kombinasjon med prismekanismer som en gulvpris på karbon, mens i Norge var forbudet mot forbrenningsmotorer mest effektivt i kombinasjon med et prisincentiv som gjorde elbiler billigere.

"Men jeg vet er det en unik studie som gir en slik global vurdering," sier Jan Minx, en miljøøkonom ved Mercator Research Institute for Global Commons and Climate Change i Berlin.

Veien til utslippsreduksjoner

Som en del av analysen brukte Stechemesser og hennes kolleger en database med 1500 klimapolitikk implementert mellom 1998 og 2022 i 41 land, inkludert de tre største klimagassutslipperne over hele verden: Kina, USA og India. Retningslinjene delte inn i 48 kategorier, fra kvotehandelsordninger til subsidiereform for fossilt brensel.

"Tidligere vurderinger har typisk fokusert på et begrenset antall fremtredende retningslinjer i utvalgte land og oversett de hundrevis av andre tiltak," sier Stechemesser.

Die Autoren kombinierten maschinelles Lernen mit einem statistischen analytischen Ansatz, um große Emissionsreduktionen in vier stark emittierenden Sektoren zu identifizieren – Gebäude, Strom, Industrie und Verkehr. Sie verglichen die Ergebnisse mit den Politiken in der Datenbank, um zu bewerten, welche Politiken und Kombinationen von Politiken zu den größten Emissionsrückgängen führten.

"Dette er en ganske smart metode," sier Zheng Saina, som har analysert global klimapolitikk ved Southeast University i Nanjing, Kina. Den konvensjonelle måten ville vært å gjennomgå de mange retningslinjene og velge de viktige, men denne tilnærmingen er subjektiv og arbeidskrevende, legger hun til. "Forfatterne brukte i stedet maskinlæring for å oppdage store endringer i utslipp. Dette er mer objektivt."

Riktig blanding

Resultatene viste at visse politikkkombinasjoner fungerte bedre i visse sektorer og økonomier. Når det gjelder å redusere utslipp knyttet til elektrisitetsproduksjon, har pristiltak som energiavgifter vært spesielt effektive i høyt utviklede land, men mindre i lav- og mellominntektsland.

I byggesektoren doblet politikkblandinger som avvikler og forbyr utslippsgenererende aktiviteter reduksjonene sammenlignet med å implementere disse politikkene individuelt.

Skatt var den eneste politikken som oppnådde nesten like eller større utslippsreduksjoner i alle fire sektorer som en frittstående politikk, i motsetning til en policy-miks.

Minx sier at studiens AI-drevne tilnærming tillot forskere for første gang å vurdere effektiviteten til et stort antall klimapolitikk fra en global oversikt over utslipp som dekker forskjellige land og sektorer.

For andre forskere er artikkelen alarmerende. "Denne studien advarer land over hele verden om at deres klimapolitikk har hatt svært begrenset effekt så langt," sa Xu Chi, en økolog ved Nanjing University. “Existing policies need to be reviewed and changes made,” Xu added.

De årlige utslipp i verden Innen 2030 forventes utslippene å være 15 Gt karbondioksidekvivalenter høyere enn det som ville vært nødvendig for å holde den globale oppvarmingen til under 2°C over førindustrielt nivå, ifølge FN.