AI en klimaatverandering: Betrouwbare registratie van broeikasgasemissies
Visuele illustratie van GHGP-richtlijnen.
Grote bedrijven in de EU zijn wettelijk verplicht om hun broeikasgas (BKG) emissies te rapporteren. Het handmatig ophalen van deze informatie uit lange PDF-rapporten over duurzaamheid is echter traag en foutgevoelig. Veel teams proberen het proces te versnellen met automatisering, bijvoorbeeld door gebruik te maken van grote taalmodellen (LLM’s), AI-systemen die tekst lezen en antwoorden genereren.
Projectcoördinator en postdoctoraal onderzoeker aan het Social Data Science and AI Lab (SODA Lab), Dr. Malte Schierholz, roept echter tot voorzichtigheid op. “Met automatische extractiemethoden is het gemakkelijk om het resultaat van de LLM volledig te vertrouwen en meetfouten over het hoofd te zien die vaak voorkomen.”
Omdat de trend van toenemende automatisering veelbelovend maar ook riskant is, heeft de onderzoeksgroep Greenhouse Gas Insights and Sustainability Tracking (GIST) zich ten doel gesteld een betrouwbare referentie op te bouwen voor het verzamelen van emissiegegevens.
Een gouden standaard voor het vastleggen van emissiegegevens
In een artikel dat is gepubliceerd in Scientific Data, introduceert de groep een benchmarkdataset van gouden standaard voor het extraheren van BKG-emissies. De dataset is gebaseerd op duurzaamheidsrapporten die zijn verzameld van bedrijven in de MSCI World Small Cap index en de Duitse DAX.
“De basisopdracht was om BKG-emissiewaarden uit PDF-bestanden in een tabel te extraheren,” zegt Schierholz. “Wat eerst eenvoudig leek, bleek verrassend complex te zijn.”
In een meerfasenproces hebben duurzame finance-experts van de LMU en de Deutsche Bundesbank samengewerkt met methodologen om strenge annotatieregels te definiëren, meerdere rondes van extractie en verificatie uit te voeren en deskundige discussiegroepen bijeen te roepen.
“Als je een dataset wilt die zowel nauwkeurig is als vergelijkingen tussen bedrijven mogelijk maakt, heb je duidelijke regels en veel feedbackloops gedurende het annotatieproces nodig,” zegt Jacob Beck, die de annotatie-inspanning leidde. “Uiteindelijk vereisten sommige ambiguïteiten nog steeds discussie binnen de expertgroep.”
Veel bedrijven bieden onvoldoende documentatie
Duurzame finance-onderzoeker Dr. Andreas Dimmelmeier (GreenDIA-consortium) was niet verrast. “De moeilijk op te lossen gevallen komen niet alleen voort uit complexe en deels inconsistente rapportageprotocollen, maar ook uit ontbrekende context en onvolledige openbaarmakingen in bedrijfsrapporten. Veel bedrijven in onze steekproef hebben hun emissies niet openbaar gemaakt volgens de gevestigde rapportage- en berekeningskaders.”
Het team merkte ook op dat ongeveer de helft van de rapporten helemaal geen bruikbare gegevens over broeikasgassen bevatten. Wanneer emissies werden gerapporteerd, ging het meesten over directe emissies en indirecte emissies uit energieverbruik. Gegevens over andere indirecte emissies, zoals die ontstaan in de toeleveringsketen of door reizen en transport, waren zelden compleet.
De dataset, samen met scripts en aanvullende materialen, biedt een transparante, rigoureus samengestelde basis voor het evalueren van geautomatiseerde benaderingen van duurzaamheidsrapportage. Door de aannames en beslissingen expliciet te maken, stelt het eerlijke methodevergelijkingen en duidelijkere communicatie van annotatie-onzekerheid mogelijk. De GIST-groep hoopt dat deze hulpbron onderzoekers en praktijkmensen zal helpen om de voortgang eerlijker te meten en kritische datagaps op de weg naar netto nul te dichten.
