Comment l'apprentissage automatique peut étendre la couverture des données sur le développement durable

AI
Publié : 8 janvier 2022
Mise à jour : 9 septembre 2024
Comment l'apprentissage automatique peut étendre la couverture des données sur le développement durable

Utilisation de modèles d'estimation pour améliorer les rapports sur le développement durable

Le manque de données est un obstacle majeur qui peut être surmonté grâce à l'apprentissage automatique. Aujourd'hui, 80 % des entreprises cotées en bourse ne communiquent pas les données requises en matière de développement durable. Cela signifie que, indépendamment des problèmes de fiabilité, seulement 20 % des entreprises cotées en bourse communiquent des données complètes sur le développement durable comme base de référence. De nombreux fournisseurs peuvent alors empiler des informations partielles ou manquantes, ce qui rend difficile la création de scores cohérents entre les pairs et risque de fausser les scores en faveur des entreprises qui communiquent de manière sélective en omettant des données sur les indicateurs pour lesquels elles sont en retard. C'est pourquoi Clarity AI exploite les informations disponibles sur les entreprises et les algorithmes d'apprentissage automatique pour combler les lacunes afin d'obtenir l'image la plus complète possible.

Sur le plan géographique, l'Europe a ouvert la voie en adoptant des réglementations nationales sur la déclaration des changements climatiques pour les entreprises, ce qui se traduit par la couverture la plus élevée en matière de déclaration des GES parmi les grandes régions du monde. Parallèlement, la Securities and Exchange Commission des États-Unis prépare une réglementation spécifique sur les rapports climatiques pour 2022. On s'attend à ce que le taux de déclaration en Amérique du Nord rattrape celui de l'Europe dans les deux prochaines années.

Couverture de la déclaration des GES, par région

Clarity AIModèles d'estimation

Nos modèles d'estimation constituent une application de l'apprentissage automatique. Le principe sous-jacent de ces modèles est de déterminer comment les mesures de performance en matière de durabilité peuvent être dérivées d'autres attributs de l'entreprise. Un large éventail de sources de données et de caractéristiques (informations sur l'organisation) est utilisé comme entrée pour les modèles d'estimation, y compris, par exemple :

  • Quel est votre secteur d'activité ?
  • Quels types de produits et de services vendez-vous ?
  • Êtes-vous un fabricant ?
  • Où fabriquez-vous vos produits ? - Où vendez-vous vos produits ?
  • Quels sont vos coûts de main-d'œuvre ?
  • Quelles sont les autres caractéristiques de l'environnement qui peuvent être corrélées avec la mesure d'intérêt ? (Cela dépend de la métrique).
Organigramme du processus du modèle d'estimation de Clarity AI

 

La méthodologie de Clarity AIse distingue principalement par l'estimation de l'intensité de l'indicateur, l'utilisation de données d'attente pour tester la précision prédictive du modèle et la prise en compte des effets non linéaires et des effets d'interaction. Ces éléments sont cruciaux pour l'estimation de certaines mesures de durabilité telles que les émissions de CO2.

Couverture des données par le PAI

 

Accédez au rapport complet ici

Saisissez votre adresse e-mail pour en savoir plus

Demander une démo