從碎片化ESG資料到可審計的氣候風險智慧：用於範圍1-3驗證的確定性編排與不平衡感知學習
本文提出一個確定性氣候風險智慧框架，透過整合單一真相源編排、時間異常檢測、不平衡感知整合學習和可解釋性治理，解決ESG資料碎片化和缺乏可審計性的問題。框架包含合成基準、時間漂移分析、SMOTE最佳化、整合學習、TreeSHAP可解釋性等，並與多種基線方法對比，結果透過分層五折交叉驗證和顯著性測試。該框架旨在建立可重複、可解釋、可操作審計的確定性氣候風險治理基礎設施。
日前，一篇題為《從碎片化ESG資料到可審計的氣候風險智慧：用於範圍1-3驗證的確定性編排與不平衡感知學習》的論文在arXiv上釋出。該論文由Karan Sehgal等人撰寫，針對環境、社會和治理（ESG）資料在範圍1、2、3報告中存在的碎片化問題，以及傳統驗證流程缺乏來源可追溯性、隱藏漂移檢測和可重複性治理等缺陷，提出了一種新型確定性框架。該框架整合了單一真相源編排、時間異常檢測、不平衡感知整合學習和麵向可解釋性的治理模組。為了支援開放可重複性，研究團隊構建併發布了一個合成ESG驗證基準，該基準根據GHG協議、PCAF和ISSB標準公開報告的特性進行了校準。方法論上，框架整合了時間漂移分析、基於SMOTE的稀有事件最佳化、整合學習、來源感知編排以及用於治理檢查和審計重建的TreeSHAP可解釋性。在評估環節，研究人員將所提框架與統計分類器、異常檢測方法、時間預測基線以及基於閾值的系統進行了對比。評估指標包括分類指標（召回率、F1分數、ROC AUC）、校準指標（期望校準誤差ECE、Brier分數）以及一項面向治理的審計軌跡完整性指標。該指標衡量的是，在所有標記異常中，能夠重建從確定性來源到升級路徑的完整追溯鏈的比例。結果以分層五折交叉驗證的均值和標準差呈現，並進行了配對顯著性檢驗。總之，該框架將ESG報告重新定位為一種確定性的氣候風險治理基礎設施，支援可重複性、可解釋性和操作可審計性。論文共有22頁，包含7張圖表，並以預印本形式釋出。