综述：30×30生物多样性承诺与财务披露：指标的重要性

这篇综述深入探讨了30×30生物多样性保护目标与财务披露机制中指标选择的核心影响。文章警示，单纯追求保护面积或使用单一简化指标（如MSA）可能导致保护成本最低但生物多样性效益低下的“纸面公园”。作者通过CAPTAIN（人工智能保护区域优先排序）模型等模拟分析证明，采用综合人工智能方法能更有效地优化保护策略，在控制成本的同时显著降低物种灭绝风险（STAR），为全球生物多样性框架（GBF）的实施提供了更科学的路径。

　　

引言

在历史上有名的“非洲争夺战”中，法国殖民者因其晋升制度与所征服的领土面积（“Kilométrage”制度）挂钩，而选择了控制面积广阔但经济价值较低的撒哈拉沙漠地区。一个多世纪后，在2022年联合国生物多样性峰会（COP15）上通过的“昆明-蒙特利尔全球生物多样性框架”（GBF）设定了类似的面积目标——到2030年保护30%的陆地、内陆水域及沿海和海洋区域（即30×30目标）。尽管背景和性质截然不同，但作者担忧，这种单纯基于面积的目标可能会产生类似的激励，即各国倾向于保护成本最低、但对生物多样性保护价值也相对较低的区域，从而可能重蹈“纸面公园”的覆辙。

面对巨大的生物多样性保护资金缺口（估计高达每年8000亿美元），仅靠公共部门资金是远远不够的，必须动员私人金融部门参与。财务披露，无论是自愿还是强制性的，正成为一种重要的工具。例如，自然相关财务信息披露工作组（TNFD）已发布相关建议，要求机构披露其对自然的影响。然而，这类工具的有效性高度依赖于所采用的生物多样性指标的准确性、显著性和可操作性。

目前存在多种生物多样性度量方法，但各有优劣。其中，平均物种丰度（MSA）在金融部门被广泛使用，它衡量特定区域种群丰度相对于人类干预前原始状态的完整度。MSA的流行得益于其能通过Globio模型提供全球覆盖数据，并被许多公司和生物多样性信用产品采用。然而，MSA存在明显局限：它不一定能强相关地反映物种丰富度或灭绝风险等更关键的生物多样性维度；并且，该指标存在空间尺度问题，即整体区域的MSA值并非其内部各子区域MSA值的简单平均，这可能导致基于不同空间尺度计算的结果差异，进而影响投资决策。

其他指标，如物种丰富度忽略了遗传多样性和种群大小，潜在消失分数（PDF）关注局部灭绝而非全球灭绝风险，而物种减危与恢复指标（STAR）虽侧重于降低物种灭绝风险，但也存在未明确考虑遗传多样性、依赖濒危物种红色名录评估等短板。

因此，寻求替代方案至关重要。一种思路是利用更复杂的、基于空间显式生物多样性模型的量化方法，例如CAPTAIN模型。该模型利用人工智能（特别是强化学习），整合物种分布、威胁、成本等多种数据，动态优化保护优先级排序，能够更全面地应对生物多样性保护的复杂性。

使用模拟预测不同30×30策略的效果

为了量化比较不同保护策略的效果，研究者利用模拟数据评估了五种实现30×30目标的策略：

1. 1.
   成本最小化策略：保护最便宜的30%区域。
2. 2.
   MSA驱动策略：保护局部MSA值最高的30%区域。
3. 3.
   STAR驱动策略：保护STAR值最高的30%区域。
4. 4.
   物种丰富度驱动策略：保护物种数量最多的30%区域。
5. 5.
   CAPTAIN模型驱动策略：由经过训练以降低物种灭绝风险为目标的CAPTAIN模型选择保护区域。

模拟结果揭示了显著的差异：

• •
  成本最小化策略 正如预期那样成本最低，但其在所有生物多样性指标（包括全球MSA、PDF、STAR-t、受威胁物种数量及其受保护范围）上的表现均最差，或仅优于随机选择策略。这证实了仅基于成本选择保护区域对生物多样性保护的负面影响是巨大的。
• •
  MSA驱动策略 相比成本最小化策略，在改善全球MSA（仅增加4%）和其他指标方面效果微弱，且未能显著减少极危物种（Critically Endangered）的比例。这表明MSA作为保护行动的指导指标效果有限。
• •
  物种丰富度驱动策略 在提升全球MSA（改善20%）和降低PDF方面表现良好，但同样未能有效保护高度受威胁的物种。
• •
  STAR驱动策略 在所有生物多样性指标上均取得积极成果（MSA改善19%，PDF降低21%），但代价是成本显著增加了36%。在减少极危物种比例方面，效果显著但波动性较高。
• •
  CAPTAIN模型驱动策略 取得了令人瞩目的平衡。它在所有生物多样性指标上均优于基线，尤其在保护受威胁物种方面表现突出：极危物种比例降低了35%，其受保护范围增加了28%，且这些改善具有统计显著性。虽然成本比基线增加了21%，但显著低于STAR驱动策略的成本（低11%）。值得注意的是，CAPTAIN策略最终达到的全球STAR-t值与STAR驱动策略几乎相同。这表明CAPTAIN模型能够以更低的成本，更有效地实现保护极危物种的核心目标，同时在整体生物多样性状态改善方面不逊色于专门优化STAR的策略。

讨论

通过模拟框架评估保护策略，有助于在排除现实世界数据不确定性的情况下，理解不同指标和策略的内在属性和潜在后果。当然，将模型应用于真实世界时，需要面对数据不完整和误差的挑战，但模拟方法为评估策略的稳健性和敏感性提供了强大工具。

分析明确指出，保护最便宜的区域是最差的生物多样性保护策略。不同的保护指标反映了生物多样性的不同侧面，因此在制定保护策略时必然面临权衡，例如是保护尽可能多的物种，还是优先保护濒危物种，亦或是在有限预算下寻求最优配置。

CAPTAIN模型提供了一个灵活的框架，可以根据预定的目标（如降低灭绝风险）进行优化。其人工智能核心允许它更综合地利用生物多样性和社会经济数据，这些信息被编码在神经网络参数中，难以用单一指标概括。未来，该模型可以进一步扩展，纳入更复杂的成本效益分析（如考虑生态系统服务价值）和多目标优化，从而增强其在现实世界保护规划中的应用潜力。

最终，将模拟研究的见解与真实世界的数据验证相结合至关重要。随着环境DNA测序、遥感等技术的进步，获取更精确的生物多样性数据将成为可能，这将有助于在实际场景中进一步评估和完善各种保护指标和策略。

结论与展望

该研究清晰地表明，在30×30保护框架下，根据所采用的指标和方法不同，可能产生天差地别的生物多样性保护结果。那么，哪种方法是最佳的呢？答案取决于社会最看重生物多样性的哪个方面。如果如一些研究所主张的，将降低物种灭绝风险作为首要目标，那么可以得出几点结论：首先，最大化局部MSA（许多金融披露工具的目标）对于降低灭绝风险而言是一种有问题的途径；其次，优化其他生物多样性指标（如STAR或PDF）虽然更好，但与降低灭绝风险的关联仍不完美；最后，可能还需要考虑生物多样性的原位功能等方面，这些可能与MSA这类完整度指标或简单的物种丰富度指标更直接相关。

因此，在设计30×30目标的实施方案以及金融领域的生物多样性披露机制的目标和激励时，必须权衡这些因素。本研究旨在帮助金融部门更好地理解环境影响财务披露所带来的挑战和机遇。最重要的是，作者呼吁政府、企业和科学家之间加强合作，共同推动这一对自然和社会至关重要的领域取得进一步进展。