مقدمه این مقاله به یکی از حیاتی‌ترین چالش‌های عصر حاضر، یعنی تغییرات اقلیمی، و نقش فزاینده شهرها در مقابله با آن می‌پردازد. در دهه‌های اخیر، شهرها به عنوان بازیگران اصلی در عرصه مبارزه با تغییرات اقلیمی مطرح شده‌اند و بسیاری از آن‌ها اهداف جسورانه‌ای برای دستیابی به «انتشار خالص صفر» (Net-Zero Emissions) تعیین کرده‌اند. این تعهدات، که در قالب برنامه‌های اقلیمی توسط دولت‌های فروملی (مانند شهرداری‌ها و ایالت‌ها) تدوین می‌شوند، نشان‌دهنده یک روند جهانی رو به رشد است که به «مسابقه به سوی صفر» (Race to Zero) معروف شده است. با این حال، ماهیت پراکنده، ناقص و ناهمگون اسناد سیاستی اقلیمی شهرها، تحلیل سیستمی و جامع این تعهدات را دشوار ساخته است. این مقاله با استفاده از یک رویکرد محاسباتی نوآورانه، به دنبال درک عمیق‌تری از نحوه تدوین و اجرای این راهبردها توسط شهرها است.

این پژوهش توسط سیدارث ساچ‌دوا (Siddharth Sachdeva)، آنجل هسو (Angel Hsu)، یان فرنچ (Ian French) و الوین لیم (Elwin Lim) انجام شده است. زمینه کلی تحقیق آن‌ها در تلاقی علوم کامپیوتر (به ویژه پردازش زبان طبیعی و یادگیری ماشین)، مطالعات شهری، و سیاست‌گذاری اقلیمی قرار دارد. نویسندگان با تمرکز بر اسناد سیاستی اقلیمی که توسط نهادهای فروملی منتشر می‌شوند، تلاش کرده‌اند تا با استفاده از ابزارهای محاسباتی، الگوهای پنهان و استراتژی‌های واقعی پشت تعهدات «صفر خالص» را آشکار سازند. این تحقیق در دسته‌بندی‌های «کامپیوتر و جامعه»، «محاسبات و زبان»، «یادگیری ماشین» و «کاربردها» قرار می‌گیرد که نشان‌دهنده ماهیت میان‌رشته‌ای آن است.

چکیده این مقاله بیان می‌کند که شهرها به بازیگران اصلی در مبارزه با تغییرات اقلیمی تبدیل شده‌اند و به طور فزاینده‌ای اهدافی را برای دستیابی به انتشار خالص صفر تعیین می‌کنند. «مسابقه به سوی صفر» توسط دولت‌های فروملی و تدوین برنامه‌های کاهش انتشار توسط آن‌ها، نیازمند بررسی دقیق‌تر است تا درک شود این بازیگران چگونه قصد دارند به این اهداف دست یابند. پراکندگی، نقص و ناهمگونی اسناد سیاستی اقلیمی شهرها، تحلیل سیستمی آن‌ها را دشوار کرده است. نویسندگان با تحلیل ۳۱۸ سند اقدام اقلیمی از شهرهایی که متعهد به اهداف «صفر خالص» شده‌اند یا به یک ابتکار اقلیمی فراملی با این هدف پیوسته‌اند، از تکنیک‌های پردازش زبان طبیعی مبتنی بر یادگیری ماشین استفاده کرده‌اند. این رویکرد برای دو هدف اصلی به کار گرفته شده است:

• شناسایی الگوهای متنی که اهداف «جاه‌طلبانه» صفر خالص را پیش‌بینی می‌کنند؛ در اینجا، هدف جاه‌طلبانه به هدفی اطلاق می‌شود که انتشارات کل اقتصاد یک دولت فروملی را در بر گیرد.
• انجام تحلیلی بخشی (Sectoral Analysis) برای شناسایی الگوها و بده‌بستان‌ها در موضوعات اقدام اقلیمی (مانند کاربری زمین، صنعت، ساختمان‌ها و غیره).

یافته‌های کلیدی نشان می‌دهند که شهرهایی که اقدامات اقلیمی جاه‌طلبانه تعریف کرده‌اند، تمایل به تأکید بر معیارهای کمی و بخش‌های پرانتشار خاص در برنامه‌های خود دارند و این با اشاراتی به حکمرانی و مشارکت شهروندان پشتیبانی می‌شود. در مقابل، شهرها عمدتاً بر اقدامات مرتبط با انرژی، به‌ویژه در بخش‌های ساختمان، حمل‌ونقل و گرمایش تمرکز می‌کنند، اما این اغلب به قیمت نادیده گرفتن بخش‌های دیگر، از جمله کاربری زمین و پیامدهای اقلیمی، تمام می‌شود. روش ارائه شده در این مقاله، رویکردی تکرارپذیر و مقیاس‌پذیر برای تحلیل برنامه‌های اقدام اقلیمی فراهم می‌کند و اولین گام در جهت تسهیل یادگیری بین‌شهری است.

هسته اصلی این پژوهش، استفاده از روش‌های محاسباتی پیشرفته، به ویژه تکنیک‌های پردازش زبان طبیعی (NLP) مبتنی بر یادگیری ماشین، برای تحلیل حجم وسیعی از اسناد اقلیمی است. این رویکرد به منظور غلبه بر چالش‌های ناشی از ماهیت پراکنده و ناهمگون این اسناد انتخاب شده است. نویسندگان ۳۱۸ سند اقدام اقلیمی را از شهرهایی که تعهد «صفر خالص» را پذیرفته‌اند یا در ابتکارات مرتبط با این هدف مشارکت کرده‌اند، جمع‌آوری کرده‌اند. این اسناد شامل برنامه‌های اقلیمی، گزارش‌های اهداف، و سایر مستندات مرتبط با استراتژی‌های کاهش انتشار است.

مراحل اصلی روش‌شناسی عبارتند از:

• جمع‌آوری داده: گردآوری مجموعه داده‌ای جامع از اسناد اقلیمی شهرهای متعهد به صفر خالص.
• پردازش زبان طبیعی (NLP): استفاده از تکنیک‌های NLP برای استخراج اطلاعات معنادار از متن اسناد. این شامل مواردی مانند تشخیص موجودیت‌های نام‌گذاری شده (Named Entity Recognition)، مدل‌سازی موضوع (Topic Modeling) و تحلیل احساسات (Sentiment Analysis) است.
• یادگیری ماشین (Machine Learning): به کارگیری الگوریتم‌های یادگیری ماشین برای شناسایی الگوها، طبقه‌بندی اسناد و پیش‌بینی ویژگی‌های کلیدی. به عنوان مثال، برای تمایز بین اهداف «جاه‌طلبانه» و «غیرجاه‌طلبانه» صفر خالص.
• تعریف «اهداف جاه‌طلبانه»: در این مطالعه، یک هدف «جاه‌طلبانه» به طور خاص به هدفی اطلاق می‌شود که انتشارات کل اقتصاد یک نهاد فروملی (مانند تمام بخش‌های یک شهر) را پوشش دهد، نه فقط بخش‌های خاص یا انتشارات مستقیم. این تعریف به شناسایی اسناد و شهرهایی که تعهدات جامع‌تری دارند، کمک می‌کند.
• تحلیل بخشی (Sectoral Analysis): استخراج اطلاعات مربوط به بخش‌های مختلف اقتصادی (مانند انرژی، حمل‌ونقل، ساختمان، کاربری زمین، صنعت، زباله) و تمرکز برنامه‌های اقلیمی بر هر یک از این بخش‌ها. این تحلیل به درک چگونگی تخصیص منابع و اولویت‌بندی‌ها کمک می‌کند.

این روش، امکان تحلیل کمی و عینی را فراهم می‌آورد که پیش از این به دلیل ماهیت کیفی و دشواری مقایسه اسناد، چالش‌برانگیز بود. این رویکرد قابلیت تعمیم بالایی دارد و می‌تواند برای تحلیل استراتژی‌های اقلیمی سایر نهادها یا در طول زمان نیز به کار رود.

این پژوهش با تحلیل داده‌های گسترده، نتایج قابل تاملی را در خصوص نحوه تعهد شهرها به اهداف «صفر خالص» ارائه می‌دهد:

• مشخصه‌های اهداف جاه‌طلبانه: شهرهایی که اهداف اقلیمی «جاه‌طلبانه» (پوشش‌دهنده کل اقتصاد) را تعریف کرده‌اند، تمایل بیشتری به استفاده از معیارهای کمی مشخص و ذکر صریح بخش‌های پرانتشار کلیدی در برنامه‌های خود دارند. این اسناد همچنین غالباً شامل اشاراتی به حکمرانی قوی (Governance) و مشارکت فعال شهروندان (Citizen Participation) هستند. این یافته نشان می‌دهد که تعهدات جامع‌تر، نیازمند چارچوب‌های سیاستی مدون‌تر و رویکردهای مشارکتی قوی‌تری است.
• تمرکز بر بخش انرژی: یافته اصلی دیگر، تمرکز غالب شهرها بر اقدامات مرتبط با بخش انرژی است. بخش‌های ساختمان، حمل‌ونقل و گرمایش بیشترین توجه را در برنامه‌های اقلیمی به خود جلب می‌کنند. این تمرکز منطقی است، زیرا این بخش‌ها معمولاً سهم قابل توجهی در انتشار گازهای گلخانه‌ای شهری دارند.
• نادیده گرفتن برخی بخش‌ها: با وجود تمرکز بر بخش انرژی، این مطالعه نشان می‌دهد که این اولویت‌بندی اغلب به هزینه نادیده گرفتن سایر بخش‌های مهم صورت می‌گیرد. بخش‌هایی مانند کاربری زمین (Land-use)، که شامل جنگل‌زدایی، کشاورزی و تغییرات در فضای سبز شهری است، و همچنین اثرات انطباق با تغییرات اقلیمی (Climate Impacts)، کمتر در برنامه‌های شهرها مورد توجه قرار می‌گیرند. این موضوع می‌تواند منجر به عدم تعادل در استراتژی‌های اقلیمی و نادیده گرفتن جنبه‌های حیاتی مانند تاب‌آوری (Resilience) و اثرات طبیعی شود.
• الگوهای بخش‌بندی: تحلیل بخش‌بندی نشان داد که برخی شهرها رویکردهای متفاوتی را اتخاذ می‌کنند. برخی ممکن است تمرکز شدیدی بر فناوری‌های نوظهور داشته باشند، در حالی که برخی دیگر بر بهبود کارایی انرژی و تغییر رفتار تاکید بیشتری دارند. این تفاوت‌ها می‌توانند بازتاب‌دهنده شرایط اقتصادی، جغرافیایی و اولویت‌های سیاسی هر شهر باشند.

روش‌شناسی ارائه شده در این مقاله، یک دستاورد مهم است که کاربردهای گسترده‌ای در حوزه‌های مختلف دارد:

• تحلیل مقیاس‌پذیر و تکرارپذیر: این رویکرد مبتنی بر یادگیری ماشین، امکان تحلیل اسناد اقلیمی را در مقیاسی بسیار بزرگتر و با سرعتی بالاتر از روش‌های سنتی فراهم می‌کند. قابلیت تکرارپذیری این روش تضمین می‌کند که یافته‌ها قابل راستی‌آزمایی و مقایسه در طول زمان و بین مطالعات مختلف باشند.
• فراهم کردن پایه برای یادگیری بین‌شهری: با آشکار ساختن الگوها، نقاط قوت و ضعف در استراتژی‌های اقلیمی شهرها، این تحقیق می‌تواند به عنوان مبنایی برای یادگیری از تجربیات یکدیگر (Cross-city learning) عمل کند. شهرهایی که در تدوین برنامه‌های جامع و مؤثر موفق بوده‌اند، می‌توانند الگویی برای سایرین باشند.
• ارزیابی جامع تعهدات: این روش به سیاست‌گذاران، سازمان‌های بین‌المللی و محققان اجازه می‌دهد تا سطح واقعی جاه‌طلبی و جامعیت تعهدات «صفر خالص» شهرها را ارزیابی کنند. این امر می‌تواند در نظارت بر پیشرفت و اطمینان از اثربخشی اقدامات اقلیمی موثر باشد.
• شناسایی شکاف‌های سیاستی: یافته‌ها در مورد نادیده گرفته شدن بخش‌هایی مانند کاربری زمین و انطباق با تغییرات اقلیمی، شکاف‌های مهمی را در سیاست‌گذاری اقلیمی شناسایی می‌کند. این امر می‌تواند منجر به بازنگری در استراتژی‌ها و ادغام بهتر این حوزه‌ها در برنامه‌های آتی شود.
• درک بهتر نقش عوامل اجتماعی و حکمرانی: تاکید اسناد «جاه‌طلبانه» بر حکمرانی و مشارکت شهروندان، اهمیت این جنبه‌های اجتماعی را در موفقیت برنامه‌های اقلیمی برجسته می‌سازد. این یافته‌ها می‌تواند به هدایت تلاش‌ها برای تقویت قابلیت‌های مدیریتی و مشارکت مدنی در شهرهایی که در این زمینه ضعف دارند، کمک کند.

این پژوهش نشان می‌دهد که در حالی که شهرها به طور فزاینده‌ای به سمت اهداف «صفر خالص» حرکت می‌کنند، تنوع قابل توجهی در عمق، جامعیت و تمرکز این تعهدات وجود دارد. استفاده از پردازش زبان طبیعی و یادگیری ماشین، دریچه‌ای نو به تحلیل این استراتژی‌های پیچیده گشوده و امکان درک الگوی «مسابقه به سوی صفر» را فراهم کرده است. یافته‌ها حاکی از آن است که شهرهایی با برنامه‌های جاه‌طلبانه‌تر، تمایل به رویکردهای مدون‌تر، کمی‌تر و مشارکتی‌تر دارند. با این حال، اولویت‌دهی به بخش‌های انرژی، به ویژه ساختمان و حمل‌ونقل، اغلب به قیمت نادیده گرفتن بخش‌های حیاتی دیگر مانند کاربری زمین و استراتژی‌های انطباق با تغییرات اقلیمی تمام می‌شود.

این مطالعه نه تنها ابزار قدرتمندی برای تحلیل سیاست‌های اقلیمی ارائه می‌دهد، بلکه بینش‌های ارزشمندی را در مورد چالش‌ها و فرصت‌های پیش روی شهرها در دستیابی به اهداف اقلیمی خود فراهم می‌آورد. با تمرکز بر درس‌های آموخته شده از تجربیات شهرهای پیشرو و توجه به شکاف‌های شناسایی شده، می‌توان برنامه‌ریزی‌های اقلیمی مؤثرتر، جامع‌تر و تاب‌آورتر را توسعه داد. در نهایت، این تحقیق گامی مهم در جهت شفاف‌سازی، ارزیابی و تسهیل همکاری‌های بین‌شهری در مبارزه جهانی با تغییرات اقلیمی محسوب می‌شود.