18 اکتبر 2021 توسط دانیل هاپ، UNCTAD، و رایان مایا و هیمانشو شارما، UNEP
جامعه جهانی با سه بحران سیاره ای فوری و مرتبط مواجه است: تغییرات آب و هوا، از دست دادن تنوع زیستی و آلودگی.
سیاست‌های مالی اجرا شده در این دهه حیاتی برای اقدام در مورد اقلیم و تنوع زیستی، نقشی حیاتی در حل این بحران‌ها و گذار به اقتصاد سبز فراگیر ایفا می‌کند – اگر به خوبی طراحی و هدف‌گذاری شود.به این دلیل که سیاست‌های مالی و مالیه عمومی مستقیم‌ترین و تاثیرگذارترین اهرم‌ها برای حمایت از فعالیت‌ها و مسیرهای اجتماعی-اقتصادی هستند.
با افزایش درخواست ها برای بازیابی سبز از COVID-19، شواهد فزاینده ای وجود دارد که نشان می دهد برخی از سودمندترین سیاست ها با توجه به تأثیر بر شاخص های کلیدی اجتماعی و اقتصادی، همان سیاست هایی هستند که ما را به سمت کربن زدایی عمیق و بهبود آلودگی و طبیعت سوق می دهند. بنابراین، توانایی ما در اطلاع رسانی و نظارت بر مخارج عمومی، کلید ارتقای بهبودی سبز و فراگیر است. گسترش دسترسی به چنین منابعی باعث افزایش شفافیت، پاسخگویی و اثربخشی هزینه های عمومی و اثرات آن بر آینده ما خواهد شد.با این حال، دو چالش عمده و مرتبط با مخارج دولت سبز وجود دارد:
- مالیه عمومی محدود است و در طول بحران COVID-19، اولویت‌های هزینه‌های دولتها با تلاش‌های محرک نجات و بازیابی کاهش یافته است.
- بسیاری از کشورها فاقد داده ها و تحلیل علّی در مورد تأثیرات زیست محیطی سیاست های مخارج هستند. این امر، طراحی و حمایت از هزینه های سبز را برای سیاست گذاران و تصمیم گیران دشوار می کند.
در مواجهه با این چالش‌ها، ما باید از داده‌ها و فناوری استفاده کنیم تا بتوانیم سیستم‌های اقتصادی مؤثر، کارآمد و آگاه به محیط زیست را فعال کنیم.یک سرمایه‌گذاری تحقیقاتی اکتشافی بین برنامه محیط‌زیست سازمان ملل متحد (UNEP) و تیم آمار UNCTAD نشان می‌دهد که چگونه یادگیری ماشینی می‌تواند رویکردی مبتنی بر داده را برای طراحی برنامه‌های مخارج دولت سبز ارائه دهد.
یادگیری ماشینی چه ربطی به سیاست گذاری دارد؟
مدل‌های یادگیری ماشینی (ML) که به درستی آموزش دیده باشند، می‌توانند پیش‌بینی‌های سریع و مبتنی بر شواهد تأثیرات سیاست‌ها را امکان‌پذیر کنند. ترکیب آمارهای پیشرفته، داده‌های با کیفیت خوب و قدرت پردازش به مدل‌های ML اجازه می‌دهد الگوهایی را پیدا کنند که ورودی‌ها و خروجی‌ها را به هم متصل می‌کنند.
چنین مدل هایی به طور ایده آل برای مواردی مناسب هستند که هیچ تعریف واضح و ارتباط قابل تشخیص مستقیمی بین ورودی ها و خروجی ها وجود ندارد.علیرغم پتانسیل آن، تأثیر ML در زمینه سیاست اقتصادی تا کنون عمدتاً ماهیت اکتشافی داشته است.
با این حال، مدل‌سازی ML به لطف توسعه کتابخانه‌های منبع باز و ساده برای استفاده، در دسترس محققان و سیاست‌گذاران بدون تخصص علم داده است.به عنوان مثال، تیم آمار UNCTAD اخیراً مطالعه‌ای را در مورد تجارت بین‌الملل با استفاده از یک شبکه عصبی مصنوعی، همراه با کتابخانه‌های Python و R در دسترس عموم انجام داده است.
همانطور که در مطالعات موردی کشور ما نشان داده شده است، اگر دولتها مدل‌سازی ML را در فرآیندهای بودجه‌ریزی خود ادغام کنند، می‌توانند مدل‌های قدرتمندی بسازند که قادر به پیش‌بینی دقیق تأثیرات سبز تصمیمات مخارج خود باشند.این امر به دولتها اجازه می‌دهد تا با اطمینان، هزینه‌ها را به روش‌هایی تخصیص دهند که نتایج پایداری خاصی را ترویج می‌کند.
مطالعات موردی کشور
برای این پروژه، ما مدل‌ها و تحلیل‌هایی را برای شش کشور ایجاد کردیم – جمهوری دموکراتیک کنگو، هائیتی، ماداگاسکار، لیبریا، جزایر سلیمان و زامبیا.
برای هر کشور، نرخ رشد سالانه کاهش پوشش درختان به عنوان متغیر هدف در نظر گرفته شد. مجموعه داده های سازمان برای همکاری اقتصادی و توسعه در مورد کمک های رسمی توسعه (ODA) بر اساس بخش و فعالیت های کمکی با هدف اهداف جهانی زیست محیطی به عنوان متغیرهای توضیحی استفاده شد.
پنج تکنیک مختلف ML برای آموزش مدل‌ها بر روی داده‌ها از سال 2005 تا 2015 استفاده شد و بر روی داده‌های سال‌های 2016 تا 2019 آزمایش شد. هر شش مطالعه موردی کشور و توضیحات مفصلی از تکنیک‌های ML مورد استفاده ما در وبلاگ شبکه سیاست مالی سبز موجود است.
ماداگاسکار
ماداگاسکار تنوع زیستی زیادی دارد – بین 80 تا 90 درصد گونه‌های جانوری و گیاهی در این کشور جزیره‌ای منحصر به این کشور است. همچنین یک مخزن جذب کربن حیاتی با بیش از 16 میلیون هکتار پوشش درختی است.اما تا سال 2070، اثرات ترکیبی جنگل زدایی و تغییرات آب و هوایی انسانی می تواند کل جنگل بارانی شرق ماداگاسکار را از بین ببرد.
مدل درخت تصمیم تقویت‌شده با گرادیان آموزش‌دیده بر روی ODA تفکیک‌شده نشانگر اصلی شهر ریو، توانست نرخ تلفات پوشش جنگلی را در ماداگاسکار بین سال‌های 2016 و 2019 با دقت نسبتاً دقیقی پیش‌بینی کند.
با توجه به فوریت حفاظت از تنوع زیستی بی‌ارزش، ذخایر کربن و سرمایه طبیعی ماداگاسکار، این مدل می‌تواند نقش مهمی در تعیین میزان ODA محیط زیستی کشورهای ماداگاسکار و نحوه اولویت‌بندی این نوع ODA داشته باشد.
نتیجه گیری و مراحل بعدی
مدل‌های اکتشافی تنها با 10 سال داده‌های آموزشی سالانه توانستند، در مورد برخی کشورها، پیش‌بینی‌های دقیق و شگفت‌آوری از رشد سالانه جنگل‌زدایی ارائه دهند. در برخی دیگر، علیرغم خطاهای بالاتر در پیش‌بینی‌های واقعی، روند نرخ رشد جنگل‌زدایی همچنان قابل مشاهده بود. بسیار مهم است که مدل هایی از این قبیل می توانند برای اطلاع رسانی بهتر سیاست گذاران و برنامه ریزان بودجه مورد استفاده قرار گیرند.
در حالی که پیش‌بینی‌های یک مدل یادگیری ماشینی هرگز نباید به عنوان واقعیت در نظر گرفته شود، اما می‌تواند در اجرای تحلیل‌های سناریو بسیار مفید باشد، جایی که بودجه‌های موقتی مختلف می‌توانند از طریق مدلی آموزش‌دیده بر روی بودجه‌های تاریخی اجرا شوند تا بینش‌هایی در مورد جهت‌گیری شاخص های مختلف زیست محیطی و بزرگی تأثیرات بر روی آن به دست آید.
یادگیری ماشینی می‌تواند به ابزار دیگری در زرادخانه سیاست‌گذاران برای تصمیم‌گیری آگاهانه‌تر در مورد اینکه چگونه تصمیم‌گیری‌های هزینه می‌تواند بر محیط تأثیر بگذارد تبدیل شود.
