雙碳目標如何實現？復旦團隊用AI整合百餘國政策，提出氣候政策評估新範式-文化-漫步新聞-陪你看看

全球氣候變化減緩政策的發展（1996-2019）。

實現雙碳目標，氣候政策的制定與轉型非常重要。然而，氣候政策往往不是單一實施，而是以複雜的政策組合形式存在。如何對氣候政策組合的真實效果進行評估，一直是當前政策科學研究中的難題。

近日，來自復旦大學、上海創智學院、上海科學智能研究院及倫敦大學學院的研究團隊，利用人工智能技術對政策機制和政策類型進行識別與分類，在整合全球100多個國家、超過1萬項氣候政策的基礎上，對複雜政策體系的交互效果開展系統性評估。

據團隊介紹，碳定價、補貼、監管、信息披露和政府投資等多種政策同時發揮作用，不同政策之間既可能形成協同，也可能相互衝突。傳統政策評估方法在面對海量、非結構化的全球政策文本時往往難以識別複雜的政策內容、機制以及互動機制。此次研究團隊將人工智能、大數據分析與因果推斷方法相結合，通過“AI+政策科學”全新研究範式爲理解複雜政策體系提供全新解決方案。

團隊還受邀同步撰寫了政策簡報（Policy Brief），直面政策制定者提出優化氣候政策組合的具體建議，爲各國在實現碳中和目標過程中提供更加直接、可操作的決策參考。

相關研究內容以《氣候政策組合中協同效應與衝突的跨國比較研究》（Cross-National Comparative Assessment of Synergies and Conflicts in Climate Policy Mixes）《政策互動重塑碳定價政策的實施效果》（Policy interactions reshape the outcomes of

carbon pricing policies）爲題，於2026年3月11日在線發表於《自然・氣候變化》（Nature Climate Change）。

破解“政策迷宮”：全球視角下的量化評估框架

在複雜的氣候治理體系中，政策的真實效果往往受到政策交互的深刻影響。例如可再生能源補貼可能會因降低碳配額需求而壓低碳價，削弱碳市場的調節功能。然而由於各國政策環境的高度異質性，傳統的計量方法難以對政策的交互效果進行精確比較與識別。

爲了破解這一難題，研究團隊構建基於人工智能的全新全球氣候政策量化評估框架，對全球政策體系進行系統分析。

評估協同和衝突效應的分析框架。

面對不同國家實施的差異性碳定價政策，研究團隊利用無監督學習算法，在高維特徵空間中對全球政策進行聚類，識別各國政策體系之間的結構差異，精準捕捉不同國家政策設計的異質性。將複雜的政策組合歸納爲規律性的機制模塊，爲跨國比較和異質性分析奠定了數據基礎。在此基礎上開展政策交互機制分析，包括碳定價政策效果評估、政策組合交互效應分析與反事實模擬與政策建議。

在進行碳定價政策效果評估時，研究爲每個實施碳定價的國家構建反事實基準，精準剝離出碳定價帶來的實際減排貢獻。還構建“全球氣候政策指數”，從強度、覆蓋面和執行力度三個維度評價不同國家的政策設計，分析碳定價效果與現有政策組合之間的交互效果，識別系統性的協同與衝突模式。此外還模擬消除政策衝突的潛在減排效果，對於尚未實施碳定價的國家給出最優政策組合建議。

不同國家碳稅和碳排放交易體系政策的處理效果。

核心發現：政策組合決定碳定價減排效果

團隊研究發現，在全球平均水平下，碳排放權交易體系（ETS）和碳稅分別能使排放強度降低約15.4%和8.5%。然而這一效果在不同政策組合下表現出顯著差異。

在多部門碳稅體系中，若配合政府研發支持及公共基礎設施建設（Government Provision），能顯著提升減排效率；在歐盟等成熟的配額總量控制型（Cap-and-trade）體系中，新能源補貼往往與碳市場信號產生衝突，通過扭曲價格信號削弱減排動力；對於處於早期階段或低強度的ETS（如2021年之前的中國試點），全國範圍的補貼反而表現出協同效應，因爲其在非覆蓋領域的直接減排收益超過了對碳市場的干擾。