环境与气候相关决策往往伴随着重大的公平性影响。这些影响正日益成为政策辩论的核心议题，并可能影响决策本身的合法性与持久性。然而，用于支撑此类决策的分析模型却很少以透明或系统的方式纳入公平性考量。即便纳入了公平性因素，通常也仅局限于分配公平，而对情境公平和程序公平的关注则远远不足。
本论文针对这些局限性，开发并应用了一套分析架构，旨在将公平性整合进定量决策支持模型中。该架构被应用于制定加州96座天然气发电厂的退役计划，以帮助该州实现其环境目标。论文开发了一种方法，利用检索增强型大语言模型管道来提取和综合基于文献的判断，涉及指标重要性和公平性类型，并将不同模型之间的分歧保留下来，作为不确定性的来源。所构建的模型在功利主义、充分主义和平等主义三种正义原则下评估退役优先级，这些原则作为利益相关者价值观与视角的代理指标。
分析表明，相比仅限于分配公平的方法，更全面地纳入公平性考量会产生显著不同的退役排序结果。研究还表明，基于公平性考量的退役排序能够区分出哪些退役决策相对不受竞争性利益相关者价值观和视角的影响，而哪些决策则对这些因素更为敏感。排序结果在退役顺序的最前端和最末端趋于一致，而在中间部分则出现最大的分歧。这一模式有助于识别出最需要利益相关者进行协商讨论的环节。
Q&A
Q1：这篇论文研究的核心问题是什么？
A：论文研究如何将公平性更全面地纳入环境与气候相关决策的分析模型中，而不仅仅局限于分配公平，还涵盖情境公平和程序公平，以此改善决策的透明度与合法性。
Q2：论文如何利用大语言模型来支持公平性分析？
A：论文开发了一种检索增强型大语言模型管道，用于从文献中提取和综合关于指标重要性及公平性类型的判断，并保留不同模型间的分歧作为不确定性的来源，从而增强分析的严谨性。
Q3：该研究对加州天然气发电厂退役决策有什么实际意义？
A：研究将这一分析架构应用于加州96座天然气发电厂的退役规划，发现更全面纳入公平性考量会得出与传统方法不同的退役排序，并能识别出哪些决策对利益相关者价值观最为敏感，从而指出最需要协商讨论的部分。
