AI赋能的城市可持续治理：评估城市气候披露可信度与漂绿风险

《Sustainable Futures》：AI-Enabled governance for sustainable cities: evaluating the credibility of urban climate disclosures and greenwashing risks

　　

实现可持续发展目标（SDG），特别是SDG 11（可持续城市）、SDG 13（气候行动）与SDG 16（问责制机构），需要透明且可信的治理。然而，城市可持续性披露的可信度参差不齐，且漂绿（greenwashing）日益盛行，使真实承诺与象征性宣称难以区分。研究人员开发了一种AI赋能的分析框架，整合大语言模型（LLM）与可解释人工智能（XAI），以评估碳披露项目（CDP）城市数据集中的537份城市响应。该框架以制度理论与动态能力观为基础，将可持续性披露概念化为制度信号与治理能力表征的双重载体。分析遵循三阶段流程：基于LLM的评分、可解释性分析与外部验证。代理XGBoost模型的SHAP分析（R2?=?0.995）表明，治理、评估、监测与公民参与相关术语与较高的LLM衍生得分相关联。卡方分析进一步揭示异质性漂绿模式：A类城市（A-List）呈象征性过度承诺，非A类城市（Non-A-List）呈结构或程序性薄弱。结果表明，制度压力塑造可持续性承诺的传播方式，而治理能力影响承诺由实施机制支撑的程度。所提框架为评估城市可持续性披露可信度及支撑更问责的气候治理提供了可扩展且可解释的进路。

研究背景方面，城市承载全球逾56%人口并产生近70%能源相关温室气体排放，其气候披露可信度直接关系到SDG 11、SDG 13与SDG 16的落实。当前企业可持续报告研究已较充分，但城市级叙述型披露缺乏统一框架与第三方核验，Forest City、NEOM等案例显示“生态城”品牌常被用于未经验证的愿景包装；欧盟委员会统计超半数环境声明模糊无据，监管如欧盟绿色声明指令（EU Green Claims Directive）相继出台。传统CDP（Carbon Disclosure Project）城市评估依赖人工，面临可扩展性、一致性与成本瓶颈。在此背景下，研究人员将漂绿研究由企业拓展至城市治理语境，借助大语言模型（LLM）解析非结构化叙述，并用可解释人工智能（XAI）打开评分黑箱，以识别实质性披露与象征性叙事的差异。该研究发表于《Sustainable Futures》。

关键技术方法上，研究人员构建三阶段框架：第一阶段从2023年CDP城市问卷提取537份完整响应，聚焦Q1.1a（气候风险）、Q4.1a（适应目标）、Q5.1a（减缓目标）、Q7.1a（气候行动计划）四个开放题，并以官方120城A-List为外部基准，经名称标准化与模糊匹配后获105个A-List与432个Non-A-List样本；第二阶段调用OpenAI ChatGPT o4-mini（temperature=1.0，reasoning_effort=high）按CDP准则批量评分，输出四题分、总分与总体漂绿倾向（OGT）；第三阶段以线性回归重构LLM加权逻辑，以TF-IDF特征训练XGBoost并用SHAP（SHapley Additive exPlanations）归因，辅以Welch’s t检验、Precision@K及卡方检验分析组间漂绿类型分布。

研究结果部分，首先“分布特征”显示A-List城市聚于高分低OGT象限，Non-A-List分散且异质性强。其次“回归与SHAP分析”中，线性回归调整R²?=?0.995，Q1（β=0.282）、Q7（β=0.258）权重最高，OGT系数?0.0141（p=0.002）；SHAP表明assessment、citizens、monitored等治理—监测类词正向推高分数，strong、innovative等泛化修饰词负向贡献，语义信号与回归权重一致。再次“判别与预测效度”中，A-List与Non-A-List在六指标上Welch’s t检验p<0.001，Cohen’s d达1.49–2.29（总分2.29），OGT为负向中强效应（d=?0.69）；取Top-105作阈值时模型与官方A-List重叠度支持其作为补充评标。最后“漂绿类型卡方分析”基于八类框架（a模糊声明至h监测薄弱），总χ²显著，标准化残差显示A-List在e（不切实际目标）与b（遗漏关键信息）超额呈现象征性过度承诺，Non-A-List在f/g/h（结构、实施、监测薄弱）显著多发，Cramér’s V反映组间关联非零。

讨论与结论翻译部分，研究人员指出制度压力（强制、规范、模仿）促使A-List城市以雄心目标换取合法性，形成“感知—信号”快于“转型”能力的脱耦；动态能力观下Non-A-List受资源与制度化约束，转型能力弱。披露既是制度信号也是能力表征。结论确认：所提AI赋能框架（LLM+XAI）可扩展、可解释地评估城市气候披露可信度、完整性与一致性，SHAP揭示治理—监测—公民参与语义集群为高分驱动，卡方刻画A-List象征性过度承诺与Non-A-List程序性薄弱的异质漂绿谱系；该研究将漂绿检测由企业推至城市治理，为SDG导向的问责气候治理提供诊断工具与制度学习接口，但框架评叙的是披露叙事本身而非实测环境绩效。