2030年及以后可持续发展的全球途径

相反，我们通过系统地评估在控制变量中选择排名靠前的参数的各种组合的结果，从排名中确定了影响参数的数量。为了确保从排名靠前的参数中选择一个子集，不会丢失任何显著的模型交互作用，我们进行了两组拉丁超立方体抽样实验。在第一组实验中，我们多次运行FeliX，只改变顶级参数的子集，在第二组实验中改变所有参数，检查两组产生的控制变量之间的相关性。这导致我们确定了60个有影响的参数，并将其用作FeliX的路径驱动因素（表S2；数据S2）。选择的影响参数是我们的路径驱动因素，如图S10所示。数据S2中提供了实现的细节，其结果如图S12所示。2.3. 根据路径说明校准FeliX：为了定义符合SSP的路径，我们在SSP和我们的路径说明的假设下校准了FeliX中确定的驱动因素（而不是使用预先确定的GDP和人口预测作为模型输入），并与相应RCP的预测辐射强迫水平保持一致。基于人口、经济增长和教育程度的定量预测，使用正式的人口和经济模型（图S13），校准了路径（31）的基本社会经济驱动因素。我们在Vensim中使用了带回报（即目标）函数的Powell算法，以优化路径驱动因素，从而匹配每个SSP下正式人口和经济模型的人口、经济增长和教育程度预测。

收益定义为模型输出变量之间的加权差() 以及同一输出变量的定量SSP估计() 在每个时间步    在每个SSP下  . 对于每个输出变量, 权重因子    用于归一化不同单位的模型参数的影响。支付函数 然后按照方程式1计算。     方程式1受制于：      哪里,  ,  和  分别表示社会经济驱动因素（与人口、经济和教育相关）、驱动因素指数和校准驱动因素的变化空间。在每个SSP下，FeliX的社会经济驱动因素的校准涉及1000次迭代，共5次启动，其中搜索从不同的初始化重新开始，以避免局部极小值，因此每个路径校准的最大模拟量为5000。为了校准与能源和气候、土地利用、食品和饮食相关的路径驱动因素，我们根据SSP说明和相关RCP辐射强迫水平改变了默认（一切照旧）值7。数据S2包括详细的定量模型参数定义、单位和假设。3.4. 项目路径并与其他IAM预测进行验证：使用校准的路径驱动因素，我们预测了人口、教育、经济、能源、土地、食品和气候的未来发展，并将其与其他研究机构的预测以及原始SSP数据库（37）中报告的综合评估模型进行了对比。

考虑到路径驱动器校准中固有的不确定性，我们考虑了驱动器校准值中的参数不确定性，并将投影包络线（而非单个指示线）与其他IAM进行了比较。为了为每个路径创建合理预测的封套，我们使用拉丁超立方体抽样从所有驱动因素的参数不确定性空间中随机抽样，为五条路径中的每一条创建10000个实现（模型预测）。图1和图S4描述了我们的模拟路径，并将其与其他IAM的预测进行了比较。3.可持续发展目标的实施可持续发展目标框架包括17项目标和231项独特指标，用于衡量实现169项目标的进展情况。在这里，我们解释了我们如何通过选择和建模指标子集、根据所选指标设定基于科学的目标，以及在指标和目标层面衡量实现目标的进展，在FeliX实施可持续发展目标（图S3）。3.1. FeliX中的可持续发展目标模型指标：我们根据三个标准从联合国统计委员会（UNSC）和其他来源（如经合组织、世卫组织、粮农组织、世界银行）选择了36个与可持续发展目标相关的指标。首先，我们考察了衡量可持续发展目标进展的潜在产出指标的全球相关性（可持续发展目标适用性）。其次，我们评估了FeliX量化SDG指标（模型保真度）的能力。对于FeliX中不存在的指标，我们要么从结构上推进模型，要么选择代理。例如，我们没有包括生物多样性保护的官方指标，如红名单指数，因为FeliX没有提供所需的数据。相反，我们将平均物种丰富度作为生物多样性的替代指标（22）。

第三，我们确保所选指标符合量化绩效阈值的规定，以衡量实现可持续发展目标的进展（目标相关性）。我们没有包括FeliX可以预测的指标，例如“男性或女性人口”，这些指标无法从实现可持续发展目标的进展方面进行有意义的解释。全球可持续发展目标指标框架中通过这三项标准的所有指标都在模型中实施（图S3）。关于计算模型中指标值的方法的信息，见补充文本中的等式4至39。3.2.  为建模指标设定有时限的、科学驱动的目标：成功评估可持续发展目标的进展需要对目标进行科学驱动的特征描述，并量化可以指导有效决策的进展。我们使用混合方法为每个指标定义了九个不同的目标，以确认每个目标的不确定性以及SDG评估对目标规范的高度敏感性。首先，我们在选定的指标中设定了三个目标水平：弱、中等和雄心勃勃。在每个层面上，我们还设定了三个有时限的目标，以衡量2030年、2050年和2100年的进展情况。我们根据决策树（38）（图S3）确定了这些目标年的雄心勃勃的目标水平。首先，我们使用官方SDG框架中明确反映的可用数量阈值（SDG绝对阈值）来设定目标（3个指标）。例如，可持续发展目标8表示“GDP至少增长7%”，这可以转化为“人均GDP”指标增长率的具体目标。第二，如果SDG框架中没有提到明确的目标，我们会使用技术优化来设定目标（27项指标）。

我们使用了其他科学期刊文章、全球报告（34、38）和在线数据库（37）中确定的相关目标。例如，我们使用IPCC的辐射强迫水平将全球温度保持在1.5°C以下，作为“辐射强迫”指标的目标水平。数据S2中提供了用于设定技术最佳目标的来源以及每个目标值的理由。第三，只要SDG绝对阈值和技术最优值不适用，我们就遵循2030年议程的“不让任何人掉队”原则，并使用历史记录数据（5项指标）根据基准年表现最佳国家的平均状态设定目标。在这里，FeliX计算的全球平均水平预计将达到当前表现最好的国家的水平。在选择表现最好的国家时，我们从列表中删除了异常值，以减少计算中的偏差。例如，一个农业可耕地有限的小国的化肥施用水平可能非常低。因此，在计算“粮食和农业磷平衡”指标的目标时，将该国列为表现最佳的国家，可能会误导对全球粮食生产贡献较大的大国。在国家一级没有绩效数据的情况下，我们使用区域数据（如经合组织、大陆）。第四，在没有任何相关目标的情况下，我们名义上根据历史数据（全球改善）（1个指标）设定了基准年内指标值与世界平均水平成比例的改善目标。例如，“农业二氧化碳排放总量”是一个指标，在最初的可持续发展目标中没有提到绝对阈值，在其他研究中也没有提到技术优化。

这一指标的价值也对一国农业部门的规模敏感。因此，不让任何人落后，也不让表现最好的平均水平成为一个有意义的目标。在这种情况下，我们使用全球改善水平作为指标的目标。根据数据的可用性，不同指标的改进基准年可能有所不同。根据基准年值的改善率，根据具体情况决定每个指标的改善率，其范围在全球平均水平的5%改善（例如，减少土地使用产生的二氧化碳排放）到50%改善（例如，减少煤炭产量）之间，作为2030年的宏伟目标。SSP的其他基于模型的预测也提供了减少或增加百分比的信息，以设定一个足够雄心勃勃的改善率，以超越当前趋势，同时仍然可以实现。对于中等和较弱的目标水平（在所有三个目标年中），我们假设中等和较弱的目标水平表明，从2015年的基准年值开始，朝着雄心勃勃的目标取得了50%和25%的进展，但文献中已有中等和较弱目标的指标除外（例如，二氧化碳排放的辐射强迫）。表S1列出了所有模拟指标在2030年、2050年和2100年的弱、中等和雄心勃勃水平的目标值，数据S2解释了设定目标的合理性。3.3. 衡量实现目标的进展：我们用不同的尺度和计量单位对指标进行标准化，以确保可比性和一致的解释。

对于每个目标水平（即较弱、中等、雄心勃勃）和每个目标年（即2030年、2050年、2100年），我们将指标值标准化，以代表绩效与目标实现情况，范围介于0%（无进展或偏离目标）和100%（达到或超过目标）之间。值越高表示性能越好，100之间的差距表示实现目标所需的距离。低于0分和高于100分分别被解释为世界9从现状开始恶化，并超过目标水平。根据方程式2中的重标度公式对指标值进行归一化。    方程式2在哪里 是指示器的计算标准化值 进球不足,   是指标的模型估计 在单个投影中， 是2015年的基准年（FeliX）值，以及 是某一年的指标目标水平（数据S2）。然后，我们将标准化指标值汇总成一个指数分数，以代表全球在实现各项可持续发展目标方面取得的进展（方程式3）。  方程式3其中 可持续发展目标是什么 和 是目标下的模拟指标数量. 该指数及其方法采用了全球监测可持续发展目标进展中使用的类似指数（38）。我们使用算术平均值，并在每个目标的指标中采用同等权重的规范性假设，以配合全球努力，平等对待所有指标，仅在进展滞后时优先考虑指标。这还假设不太可能就可持续发展目标指标的优先事项达成共识。根据指标层面的标准化值和目标层面的综合指数，我们衡量了世界在四个层面实现目标的进展情况。

按计划进展表明，进展极有可能实现（或超过）全球可持续性目标（即指标和目标级别的目标实现）≥100%).  改善表明朝着目标和指标级别的目标有积极的趋势，但不太可能实现这些目标，因此仍然存在挑战（即目标实现率在50%到100%之间）。停滞不前表明绩效符合当前趋势，实现目标的可能性很小，仍然存在重大挑战（即目标实现率在0%到50%之间）。错误的方向意味着恶化的趋势（即≤0%). 4.路径SDG评估我们通过探索性集成建模，从建模指标和实现SDG目标的进展方面评估了五条路径（13）。在评估跨越可持续发展目标的路径时，我们模拟了50000个世界实现情况（每个路径10000个模型评估），以捕捉可能的进展，以应对路径特征的不确定性以及进展对指标数量和目标水平的敏感性。然后，我们根据模拟实现的百分比来解释每个路径在不确定性下的性能。我们的评估分为四个步骤。首先，我们最初在指标水平上观察了模拟路径在一段时间内对目标的表现（图S6），以调查目标的雄心和可实现性。在这里，我们分析了每个模拟路径（及其实现）下与三个时间步（即2030年、2050年、2100年）目标相关的模拟指标的预测值（以实际计量单位表示）。

其次，我们分析了每个模拟路径下预测指标（2030年、2050年和2100年）的标准值，以衡量和比较所有目标的进展情况，并与单个单位一致（即与目标的差距百分比）（图2）。第三，我们将指标的标准化值与目标进行了汇总，并在目标层面上衡量了每个途径下的总体进展，以说明每个可持续发展目标下的多个建模目标之间可能存在的协同效应和权衡（图3）。第四，10通过对pathway在各个目标和指标以及一段时间内的表现进行比较，我们确定了21世纪最有希望的途径（即绿色复苏）。5.关键切入点识别基于有影响力的模型参数，确定了启动可持续发展转型所需的关键切入点，作为全球敏感性分析结果中路径变化的未来驱动因素（图S10）。然后，假设SSP2-4.5为参考情景，我们描述了偏离正常业务轨迹以实现绿色复苏所需的这些入口点的变化幅度（图4）。值得注意的是，在所有入口点，根据代表参考场景的内容，偏离绿色复苏所需的变化规模可能会有所不同。此处的量化变化量表基于与当前正常业务轨迹（SSP2-4.5）的偏差，而假设其他路径为参考场景（如Rogelj等人的SSP3和SSP5）。

（21））会导致更大的偏差。11补充文本谷物产量按公式4计算。   方程式4在哪里 是专门用于粮食生产的每公顷已收获农田的年谷物产量（千克/年1ha-1）， 是每种作物的作物产量（吨公顷-1年-1），是施肥、管理实践、取水和气候变化对农业土地肥力影响的函数，以及 是收获面积（公顷）。植物性食物供应量的计算方法如式5所示。   方程式5在哪里 是指每人每天的工厂产品年总产量， 是食物类型的总热量供应,  是植物性食品类别，包括豆类、谷物、蔬菜、水果、根和其他植物产品（油料作物、糖料作物和坚果）， 是每年的总人口规模， 表示单位换算系数（Mkcal到kcal），以及 是一年中的天数。动物性食物供应量的计算方法如方程式6所示。   方程式6在哪里 是指每人每天的动物性食品（不包括海产品）年总产量， 是食物类型的总热量供应,  是以动物为基础的食品，包括以牧场为基础的肉类（牛肉、绵羊和山羊）和以作物为基础的肉类（家禽和猪肉）、鸡蛋和奶制品， 是每年的总人口规模， 表示单位换算系数（Mkcal到kcal），以及 是一年中的天数。