人们对范围 3 温室气体排放的计算和披露的兴趣日益浓厚，引起了人们对排放计算方法的关注。 组织使用的更常见的范围 3 计算方法之一是基于支出的方法，该方法的实施可能非常耗时且资源密集。 本文探讨了一种创新方法，利用人工智能和大型语言模型 (LLM) 来简化范围 3 温室气体排放的估算，以帮助对金融交易数据进行分类，以与基于支出的排放因子保持一致。
为什么范围 3 排放量难以计算？
范围 3 排放也称为间接排放，包括组织价值链中发生的温室气体排放 (GHG)，因此不受其直接运营控制或所有权。 简而言之，这些排放来自外部来源，例如与供应商和客户相关的排放，超出了公司的核心业务。
Related articles
2022 年 CDP 研究发现，对于向 CDP 报告的公司来说，其供应链中发生的排放量平均比其运营排放量多 11.4 倍。
同一项研究表明，72% 的 CDP 响应公司仅报告其运营排放量（范围 1 和/或 2）。 一些公司尝试通过从供应商收集数据并对数据进行手动分类来估算范围 3 排放量，但进展受到诸如供应商基础庞大、供应链深度、复杂的数据收集流程和大量资源需求等挑战的阻碍。
使用法学硕士进行范围 3 排放估算以加快洞察速度
估算范围 3 排放量的一种方法是利用金融交易数据（例如支出）作为与购买的商品和/或服务相关的排放量的代理。 将此财务数据转换为温室气体排放清单需要有关所购买的产品或服务的温室气体排放影响的信息。
美国环境扩展投入产出 (USEEIO) 是一个生命周期评估 (LCA) 框架，用于追踪美国境内商品和服务的经济和环境流动。 USEEIO 提供全面的数据集和方法，将经济 IO 分析与环境数据相结合，以估计与经济活动相关的环境后果。 在 USEEIO 中，商品和服务根据其共同的环境特征分为 66 个支出类别，称为商品类别。 这些商品类别与使用支出数据估算环境影响的排放因子相关。
Eora MRIO（多区域输入输出）数据集是全球公认的基于支出的排放因子集，记录了 190 个国家 15.909 个部门之间的部门间转移。 Eora 因子集已进行修改，以与每个国家/地区 66 个摘要分类的 USEEIO 分类保持一致。 这涉及将 Eora26 类别中发现的 15.909 个部门和更详细的国家部门分类映射到 USEEIO 66 支出类别。
然而，虽然基于支出的商品类别级别数据提供了帮助解决与范围 3 排放核算相关的困难的机会，但手动将大量财务分类账条目映射到商品类别是一个非常耗时且容易出错的过程。
这就是法学硕士发挥作用的地方。 近年来，在为自然语言处理 (NLP) 构建广泛的基础语言模型方面取得了显着的进步。 与传统的机器学习 (ML) 模型相比，这些创新展示了强大的性能，特别是在标记数据供应短缺的情况下。 利用这些大型预训练 NLP 模型的功能，结合有效利用有限数据的领域适应技术，为应对与核算范围 3 环境影响相关的挑战提供了巨大潜力。
我们的方法涉及微调基础模型，以识别以自然语言编写的采购订单或分类帐条目的环境扩展输入输出 (EEIO) 商品类别。 随后，我们使用来自以美国为中心的数据集的美国商品和工业供应链温室气体排放因子的 EEIO 排放因子（每美元支出的排放量）来计算与支出相关的排放量，以及 用于全球数据集的 Eora MRIO（多区域输入输出）。 该框架有助于简化企业计算范围 3 排放量的流程。
图 1 说明了采用大型语言模型的范围 3 排放估算框架。 该框架包括四个不同的模块：数据准备、领域适应、分类和排放计算。
我们进行了广泛的实验，涉及几个前沿的法学硕士，包括 roberta-base、bert-base-uncased 和 distilroberta-base-climate-f。 此外，我们还探索了基于 TF-IDF 和 Word2Vec 矢量化方法的非基础经典模型。 我们的目标是评估基础模型 (FM) 在使用金融交易记录作为商品和服务代理来估算范围 3 排放量方面的潜力。 实验结果表明，经过微调的 LLM 比零样本分类方法表现出显着的改进。 此外，它们的性能优于 TF-IDF 和 Word2Vec 等经典文本挖掘技术，提供与领域专家分类相当的性能。
将 AI 纳入 IBM Envizi ESG Suite 来计算范围 3 排放
在估算范围 3 排放的过程中雇用法学硕士是一种很有前景的新方法。
我们采用了这种方法，并将其以 AI 驱动功能的形式嵌入到 IBM® Envizi™ ESG Suite 中，该功能使用 NLP 引擎帮助从支出交易描述中识别商品类别。
正如前面所解释的， 支出数据在组织中更容易获得，并且是商品/服务数量的常见代理。 然而，商品识别和绘图等挑战似乎很难解决。 为什么？
- 首先，由于购买的产品和服务是用各种形式的自然语言描述的，这就是为什么从采购订单/分类帐录入中进行商品识别非常困难。
- 其次，因为有数百万种产品和服务可能无法获得基于支出的排放因子。 这使得将商品/服务手动映射到产品/服务类别极其困难，甚至不可能。
当标记数据的可用性不足或有限时，基于深度学习的 NLP 基础模型可以在广泛的 NLP 分类任务中高效运行。 利用具有有限数据的领域适应的大型预训练 NLP 模型有可能支持范围 3 排放计算。
包起来
总之，在法学硕士的支持下计算范围 3 排放代表了可持续发展数据管理的重大进步。 采用先进的法学硕士所取得的可喜成果凸显了它们加速温室气体足迹评估的潜力。 与 IBM Envizi ESG Suite 等软件的实际集成可以简化流程，同时提高洞察速度。
查看 AI Assist 在 IBM Envizi ESG Suite 中的实际应用
本文是否有帮助？
是的不
